关于“强人工智能（AGI）是不是伪命题”的讨论，几乎从人工智能诞生之初就存在。支持者认为，通用智能是技术发展的必然方向，只是时间问题；怀疑者则认为，当前以数据和算力驱动的基础模型，无论如何扩展，都难以产生真正的理解、意识和通用推理能力，因此强人工智能更像一个被不断推迟的许诺，甚至可能是概念上的伪命题。

要回答这个问题，首先需要区分“强人工智能”的几种含义。狭义的强人工智能指具备与人类同等甚至超越人类的通用认知能力，能够跨领域学习、迁移知识、自主设定目标，并拥有自我意识或主观体验。广义的强人工智能则更温和，指一种能够像人类一样灵活处理多种任务、不需要为每个任务单独编程的通用系统。当前的争论，往往在这两个层面之间滑动。

从现实进展看，以大规模预训练为基础的基础模型，正在把人工智能从“专用工具”推向“通用底座”。一个模型可以写代码、做翻译、生成图像、进行对话、辅助科研。这的确是通用性的巨大跃升。但“通用”不等于“强”。基础模型仍然依赖海量数据、人类反馈和特定目标函数，它的“推理”更多是统计模式上的外推，而非真正理解因果和意义。它可以在考试中取得高分，却可能在简单物理常识上犯错；可以生成流畅文本，却无法保证事实一致。这说明，规模扩展能带来能力涌现，但并未自动解决“智能的本质”问题。

因此，说强人工智能是“伪命题”可能过于武断。更准确的说法是：作为工程目标的强人工智能并非不可能，但作为哲学承诺的强人工智能，离我们仍然遥远。当前的基础模型路线，可能是一条通往通用智能的路径，也可能只是其中一段。否定它，会低估技术演进的速度；神化它，则会掩盖根本性的理论空白。

与此基础模型的训练和部署，正在催生一个庞大的人工智能硬件市场。AI硬件销售不再只是服务器和芯片，而是包括加速卡、高带宽存储、光模块、液冷散热、边缘推理设备、机器人执行器等一系列环节。大模型需要分布式训练集群，对GPU、TPU、NPU等算力芯片的需求呈指数增长；推理侧则需要更低功耗、更低延迟的专用硬件，以支撑手机、汽车、工厂和可穿戴设备上的实时AI。硬件销售的增长，反过来又推动基础模型迭代，形成“模型—算力—硬件—应用”的正反馈循环。

这一格局意味着，强人工智能之争不能只停留在概念层面。基础模型的能力边界，取决于硬件能提供多少算力、多少带宽、多少能效；而硬件销售的结构和规模，也反映出产业界对AI长期潜力的真实押注。如果强人工智能最终被证明无法仅靠当前范式实现，那么今天部分算力投资可能面临泡沫风险；如果通用智能在若干年后取得突破，那么今天的硬件基础设施，就将成为新一代智能的物理骨架。

一个合理的结论是：强人工智能既非毫无疑问的明日现实，也并非毫无意义的伪命题。它是悬在技术与哲学之间的一根标尺，衡量我们如何理解智能、意识与通用能力。而基础模型和AI硬件销售，则是这根标尺在产业层面的投影。真正重要的问题或许是：我们准备好在技术继续前进的重新定义“强”与“弱”、“通用”与“专用”、“工具”与“主体”的边界了吗？