2025年，一份来自国际能源署的数据让整个AI行业沉默了几秒：全球用于人工智能基础设施的电力需求，已占全球总需求的3.2% 。更刺眼的数字在后面——GPT-4仅一次训练就消耗了2.4亿度电，这大致相当于美国2.2万户家庭一整年的用电量。

这已经不是一个技术问题了，直接逼近了物理世界的电网承载极限。于是，一个尖锐的问题被摆上台面：如果真正的通用智能必须靠这种“吞电怪兽”来实现，那这条路从一开始就走错了。为什么人脑只靠20瓦功耗就能完成的事，机器非要吃掉一座核电站？

大模型的“跑腿式”能耗，究竟浪费在了哪里

要理解AGI的省电秘诀，你得先搞清楚大模型在干什么。大模型可以比喻成一个“巨型图书馆管理员”，每次回答你的问题时，它都不会直接去找答案，而是要先和图书馆里的每一本书都打一遍招呼，然后再决定用哪几本。

这在技术上叫Transformer架构的自注意力机制，计算量随信息量呈O(n²)指数级增长。你问得越多，它要寒暄的书就越多。

这只是推理阶段。训练阶段更夸张：训练GPT-3的碳排放约等于3000辆特斯拉跑完它们整个生命周期的里程。更关键的是，这笔巨大的电费开销，大部分根本不是花在“思考”上。

红杉资本的演讲一针见血：GPU超过90%的能耗不是用来计算，而是耗在内存和处理器之间反复“搬运数据”的路上。就像一个厨师，95%的体力都用来在仓库和灶台间来回跑，真正翻勺炒菜的力气只花了一点点。

“按需供电”的大脑，为何能吊打超级计算机

反观人工科学家级AGI的核心思路，直接推翻了这个低效逻辑。它学的是人脑的“按需计算”：不需要点亮整个芯片，而是局部神经网络各自为政，只有接收到新刺激，相关神经元才被激活发放脉冲信号。

这种机制带来的降耗效果是结构性的。上海脑智算芯用这种稀疏激活、脉冲驱动的类脑芯片验证过，可直接将计算量压缩至传统GPU方案的一半以下。这就像传统芯片是一个巨大的水龙头，一打开就往所有管道猛灌；人脑则是精确滴灌，哪株植物缺水才往哪浇，一滴都不浪费。

“探索房间”的科学家 vs “翻书”的复读机

当然，只靠硬件省电还远远不够。宏观上的战略分歧，才是AGI能真正实现小肚量、大能耐的根本：大模型是被动学习，AGI是主动实验。

澳大利亚国立大学的Bennett给出了一个极精准的定义——AGI应当是一个“人工科学家”。想象一个科学家被关在一个陌生的密室里，他的第一反应不是被动等待指令，而是去主动推门、拉把手、检查窗户，通过主动交互来寻找规律。这就是因果推理能力。

再看当前的大模型，本质上是被投喂了人类所有书本的考生。它能凭记忆力答对许多题，但一旦遇到没刷过的题——比如问它“9.11和9.9哪个大”，它可能信誓旦旦地告诉你9.11更大。因为它脑子里只有文本搭对的概率，没有建立起数字比较的因果模型。

而AGI的“因果理解”，就像厨师明白了“火候”的原理，他被扔到一个只有陌生食材的海岛上，也能做出一顿饭。南加州大学提出的“吸引子模型”，就是让模型不瞎转圈，直接找到迭代收敛的稳态，用比同类模型小近一半的参数量，实现了更优性能，训练计算量减少了25%到31%。

这就是“智能密度”的提升。

一百万个问号背后，这是唯一可行的活路

所以，回到最初那个问题：为什么人工科学家级AGI能实现低资源高效运行？它其实绕过了三个天堑。

第一，它不搞“一脚油门踩到底”。 大模型模仿的是数据和规模，每处理一个新请求，都近乎暴力计算；而AGI模仿的是适应和效率，通过动态记忆和增量学习，只调用相关记忆模块，不用每次都从头读取完整历史记录。第二，它不搞“读死书”。 大模型遭遇分布外的任务立即露怯，而AGI在资源受限的约束下，动态平衡“探索与利用”，能憋出解决新问题的招。有数据显示，单是采用约束弱化最大化策略，泛化率就直接提升了110%-500%。第三，它没落入“冯·诺依曼陷阱”。 GPU的高能耗罪魁祸首是80年前的冯·诺依曼架构，迫使数据往返于内存和处理器。类脑AGI采用存算一体，就地处理信息，直接压住了那最大的90%无意义能耗。

这也就是为什么，当前刷爆所有考试的大模型，本质上只是一个“昂贵的计算器”。而人工科学家级AGI的根本命题是：真正的智能不在于拥有无限资源时的挥霍，而在于有限资源之下还能优雅地解题。

这是唯一的技术活路。对我们普通人而言，需要记住的区别很简单：大模型是一台把所有已知菜单都背熟了的点菜机，而AGI，是一个能在饥荒年代就地取材、给你烧出饭的开荒者。