12月15日消息，再快I阻近日，行科學艾倫人工智能研究所（Allen Institute for AI）的礙算研究科學家、卡內基梅隆大學助理教授Tim Dettmers在博客文章中指出：

現階段的力已計算處理器技術已接近物理極限，有限的接近極限硬件擴展能力將成為實現通用人工智能（AGI）和超級智能的最大障礙。

他指出，物理關于AGI的再快I阻討論往往停留在哲學層面，但其最終實現必須依賴實際的行科學運算能力支撐，現有硬件的礙算擴展空間可能只剩下一到兩年，此后任何性能提升都將面臨物理上不可行性。力已

他強調，接近極限自2018年以來，物理GPU性能的再快I阻提升已逐步趨于瓶頸，后續的行科學改進主要依靠低精度數據類型和張量核心的優化，但這些新技術帶來的礙算效果并非如業界所宣傳的那般大。

雖然單個GPU的性能已接近極限，但Dettmers認為，通過硬體整合創新仍可延長其使用壽命。

例如，NVIDIA最新的GB200 NVL72系統能夠將加速器數量從8個提升至72個，從而實現了約30倍的推理性能提升。