DeepMind CEO谈规模定律：通往通用人工智能的关键路径

12月8日消息，据《商业内幕》昨日报道，谷歌DeepMind首席执行官德米斯·哈萨比斯（Demis Hassabis）近日指出，扩大人工智能模型的规模，是实现通用人工智能（AGI）的关键所在。

报道称，硅谷各界人士目前正围绕一个持续性问题展开激烈讨论：规模定律（scaling laws）究竟能将人工智能引向何方？

凭借刚刚引发广泛赞誉的Gemini 3，谷歌DeepMind掌门人德米斯·哈萨比斯上周明确表态：“我们必须将当前人工智能的规模化推向极致，它最终会成为通用人工智能的核心组件，甚至可能构成整个通用人工智能系统。”他强调了扩大模型规模对于实现AGI的必要性。

注：通用人工智能（AGI）指的是具备与人类同等智能、甚至超越普通人类的人工智能，它能表现出正常人类所具备的所有智能行为。目前AGI仍处于理论探索阶段，全球领先的AI公司都在为此投入巨大资源，展开激烈竞争。

而规模定律（scaling laws）在机器学习领域，描述的是模型性能与模型规模、训练数据大小以及计算资源之间可预测的经验性关系。它被AI业界视为大规模模型预训练的核心原则，可以用“模型越大 + 数据越多 + 训练越久 = 模型越聪明”这一通俗理解来概括。

回到主题，哈萨比斯也认为，单纯依靠规模定律或许能推动AI向AGI迈进，但他同时怀疑，最终可能还需要一到两项额外的突破性技术，才能真正达成AGI的目标。

然而，规模定律并非完美无缺。毕竟公开可用的数据总量是有限的，而且增加算力往往意味着需要建设更多的数据中心，这会导致训练成本持续攀升，并对自然环境造成更大压力。一些关注AI发展的专家也担心，大语言模型公司如果持续遵循规模定律进行投入，可能会出现投入产出边际效益递减的现象。
与此同时，硅谷也出现了另一种声音。前Meta首席AI科学家、近期宣布离职创业的杨立昆（Yann LeCun）就认为，人工智能行业不能只依赖规模“堆料”。

他今年4月在新加坡国立大学（NUS）演讲时表示：“大多数真正有趣的问题在规模定律下表现得极其糟糕，你不能简单地认为只要增加数据和算力，就能产出更聪明的AI系统。”

据了解，他离开Meta是为了构建一款不依赖语言数据，而是依靠空间数据的“世界模型”AI体系。这一方案被视为对大语言模型的潜在替代路径。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：DeepMind CEO谈规模定律：通往通用人工智能的关键路径要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题