Google DeepMind 執行長：AI 的規模化「必須推向極致」
當矽谷內部開始重新審視「擴展定律（scaling laws）」是否還能持續推動 AI 進步時，Google DeepMind 執行長 Demis Hassabis 選擇站在最明確、也最激進的一方。他直言，現有 AI 系統的規模化「必須被推向極限」，即便最終還需要額外突破，擴展仍將是通往 AGI 的關鍵組成。
擴展定律仍是 AGI 的主幹，而非過渡方案
所謂 AI 擴展定律，指的是在模型架構不變的前提下，只要提供更多資料與運算資源，模型的能力就會隨之提升。這一假設，近年支撐了生成式 AI 的爆發，也驅動各大科技公司投入鉅資建設資料中心、採購晶片與爭奪訓練資料。
Hassabis 表示，單靠擴大規模（scaling）很可能就能讓產業邁向通用人工智慧（AGI），但他也認為，仍可能需要一到兩項「等級相當於 Transformer 或 AlphaGo」的突破，才能讓 AI 系統真正跨過門檻。
《Business Insider》指出，單靠擴大規模的問題在於，公開可取得的資料量終究有限，而持續增加算力則意味著必須興建更多資料中心，不僅成本高昂，也對環境造成沉重負擔。
在同一場訪談中，Hassabis 也給出了相對具體的時間預期。他強調，AGI 尚未到來，但距離已不遙遠，依其觀察，可能還需要約 5 到 10 年的時間。
產業分歧：不是所有人都相信「再大就好」
然而，Hassabis 的立場，並非產業共識。《Business Insider》報導，隨著投資金額節節攀升、模型效能提升幅度開始趨緩，部分研究者與投資人質疑，AI 是否正進入「投入遞減」的階段。
Meta 前首席 AI 科學家楊立昆（Yann LeCun）便是擴展派最具代表性的反對聲音之一。他公開指出，多數真正重要、且具有突破性的問題，往往難以單純透過放大模型規模來解決。「你不能假設更多資料、更多算力，就一定意味著更聰明的 AI，」楊立昆在今年稍早於新加坡的一場演講中如此表示。
楊立昆近年逐漸將研究重心轉向「世界模型（World Models）」，主張 AI 應更深入理解物理世界、空間關係與因果結構，而不只是從大量語言資料中學習統計關聯。他認為，這條路徑可能代表 AI 的下一次典範轉移。
從擴展定律能否「撐到最後」，到是否必須引入全新架構與學習方式，這場辯論已逐漸成為 AI 產業的分水嶺。一邊是如 Google DeepMind 般，選擇持續加碼現有體系，試圖逼近理論極限；另一邊則主張，真正的突破可能來自難以規模化、卻更貼近人類理解世界方式的研究方向。
＊本文開放合作夥伴轉載，資料來源：《Business Insider》、《Axios》，首圖來源：Google for Developers