开放AI看来AGI仍遥不可及。微软的 Phi-3系列已进入实际应用阶段，大小仅为3.8B，但在1.8G内却轻松应对AGI挑战。这证实了Growing Models方法的有效性，即使参数较大也能带来惊人的性能提升。然而，市场反应强烈，已有人质疑 scaling law是否能继续有效。

：

随着科技的发展，人工智能（AI）的研究和应用也越来越广泛。尤其是在游戏领域，AI已经成为了玩家的重要角色。目前，有一种名为"生成对抗网络"（Generative Adversarial Networks, GANs）的技术在围棋、象棋等游戏中表现出了惊人的效果。

对于AGI（高级人工智能）的研究，一直是一个备受关注的话题。许多研究机构都在努力开发这种技术，但是进展却并不顺利。近年来，有一款名为" Phi-3"的系统引起了广泛关注。该系统由微软公司研发，其大小只有3.8B，但是在1.8G内就能轻松应对AGI挑战。

这表明了Growing Models方法的有效性，即通过不断训练模型来优化算法。尽管参数较大可能会带来更多的计算负担，但是通过有效的训练和优化，可以提高模型的表现。因此，未来在开发AGI的过程中，我们不能忽视Growing Models的方法。

然而，市场的反应也显示出一些问题。有人已经开始质疑 Scaling Law（规模扩张定律），即随着系统的规模增加，其性能也会逐渐下降。这是因为，如果模型的训练数据过于稀疏，或者模型的设计不够合理，那么即使使用更大的规模，其表现也可能无法得到改善。

总的来说，虽然AGI的研发仍然面临一些困难，但是通过有效的研究和开发方法，我们可以逐步接近这个目标。此外，我们也应该关注和支持正在发展的Other Approaches（其他方法）如强化学习等，这些方法可能更适合解决不同的问题。