近日，艾伦人工智能研究所研究科学家、卡内基梅隆大学助理教授Tim Dettmers在一篇博客文章中提出，当前计算处理器技术正逼近物理极限，硬件扩展能力的日益受限将成为实现通用人工智能与超级智能的主要瓶颈。
他指出，尽管关于通用人工智能的讨论多集中于理论或哲学层面，但其实际发展最终取决于底层计算能力的持续进步。然而，现有硬件性能的提升空间已极为有限，预计仅剩一到两年的可扩展窗口期，此后进一步增强算力将面临难以逾越的物理障碍。
自2018年以来，GPU的性能增长已明显放缓，后续改进主要依赖低精度计算和张量核心等架构优化手段。但这些技术的实际增益远不如预期显著，无法从根本上扭转硬件发展趋缓的整体态势。
尽管单个处理器的性能接近上限，Dettmers认为，通过系统级的硬件整合与架构创新，仍有望在一定程度上延展现有技术的生命周期。例如，采用高度集成设计的新型系统可将加速器单元从传统的8个扩展至72个，从而在特定任务中实现约30倍的推理效率提升，为应对算力瓶颈提供了阶段性解决方案。
浏览量
浏览量
浏览量
浏览量
浏览量
浏览量
浏览量
浏览量
浏览量
浏览量
