我从算力角度来说说这个话题，从目前的大模型的技术路线是否能进阶到终极 AGI 的角度来说说这个话题。
我其实对于目前大模型的这种方式来实现 AGI 表示怀疑，我心目中的 AGI 所依赖的算力功耗不应该是目前这么庞大的，这就像人脑一样，咱们的智力水平这么高但是功耗却很低。我心目中真正的 AGI 应该是那种低功耗却能提供无穷无尽的智力，它可以一开始一无所知，但是它能够超级快速地自我学习、自我反馈。这种模式可以借用咱们国产大模型厂商的一个名字，我觉得取得挺好，那就是 "零一万物"， 零生一、一生万物 。在这样的角度下，目前拥有的不管是 OpenAI 的 GPT 模型，还是 Meta 的 LLaMA 模型，都不是那种 "理想形态"。这主要体现在，一是它们消耗的算力实在过于庞大，这就像一堆二愣子堆出来一个小孩子一样；二是它们对于开放世界的在线学习能力特别有限，甚至是没有，现在多是借助外挂。目前你要想让它们像咱们人脑一样实时在线学习，那是不可能的， 所以这根本不像 AGI 的生存形态 。
现在的基于 Transformer 的大模型算力依旧是依靠晶体管的堆叠，这种冯诺依曼的架构在超高算力场景下的 "各种墙"， 比如存储墙、比如功耗墙 ，注定不会让算力无止尽。你不要看英伟达现在如此风光，明年要发布的新一代 GPU 性能多么地 "无止尽"，需要清楚的是现在认为的算力高，只是堆出来的，并没有本质上解决低功耗超高算力的问题。
而我会更加看好量子计算、量子机器学习、类脑计算的研究 (存内计算也许算一种过渡但也不算终极答案，但是存内计算会比现在的计算模式更加先进，这点毋庸置疑)，也许未来还有其他方向的研究，但实现 AGI 绝对不会是目前的这套解决方案。所以从我的角度，前段时间曝出的 OpenAI 的 Q-Star 模型不会是 AGI，要实现 AGI，不仅仅是目前这套深度学习模型架构还得换代 (这种换代就像是从卷积神经网络换代到 Transformer 一样，Transformer 还得继续换代到下一代)，而且算力提供的方式也得换代 (基于晶体管的堆叠，对于无穷尽的算力需求是不可能实现的)。 要实现 AGI，绝没有这么简单，也没有这么快。[这里的观点，来源于我下面这篇文章，也推荐关注]
