马斯克刚关注了这份AI报告

时令 发自 凹非寺
量子位 | 公众号 QbitAI

2030年的人工智能将会是什么样子？

受谷歌DeepMind委托，Epoch发布新报告，从算力、数据、收入等方面进行了详细剖析。

要点总结如下：

• 训练成本或将超过1000亿美元
• 需消耗数吉瓦（1吉瓦=1000兆瓦）电力；
• 公开文本数据将于2027年耗尽，合成数据将填补空白；
• 人工智能有望推动科学领域全面突破。

对此，马斯克也是十分关注，直接评论道：“很明显啊。”

下面详细来看。

耗资千亿美元

报告指出，人工智能若按照当前趋势持续扩张到2030年，前沿AI的算力集群成本将超过1000亿美元。

此类集群可支持约10^29次FLOP的训练任务，相当于让2020年全球最大的人工智能算力集群不间断运行三千年。

与此同时，依托此类集群训练的AI模型，其算力消耗将达到GPT-4的数千倍，所需电力更将高达吉瓦级别。

尽管这些挑战令人望而生畏，但并非不可克服。

如果AI能通过提高生产力产生相应的经济回报，那就足以证明数千亿美元的规模化投资是合理的，这些投资就物有所值。

然而，这种趋势真的能持续下去吗？答案是肯定的。

因为从报告中可以看出，那些认为发展速度将会放缓的观点，实际上缺乏足够的依据。

规模化扩展与营收方面

虽有观点提出这种规模化扩展可能会遭遇瓶颈，但报告指出，近期的AI模型在各类基准测试和收入方面都取得了显著进步。

这种瓶颈可能会出现，但目前还没有明显的证据表明它已经发生。

以GPT-5与GPT-4为例，它们均在基准测试中实现了相较于上一代代产品的重大飞跃。

在收入方面，2024年下半年，OpenAI、Anthropic和Google DeepMind的营收增幅均超90%，相当于年化增长率达三倍以上。

根据OpenAI和Anthropic的营收预测，两家公司2025年仍将保持三倍以上的增速。

数据方面

数据真的会被耗尽吗？

报告指出，目前公开的人工生成文本数量至少能支撑到2027年。

随着推理模型的出现，合成数据不仅能够大规模生成，其有效性也得到了进一步验证。

例如，AlphaZero和AlphaProof就仅通过自我生成的数据学习下棋和解决几何问题，其表现达到了甚至超过了人类专家水平。

电力方面

现在有很多方式可以快速提升电力输出，例如太阳能配合电池储能，或离网天然气发电。

此外，前沿AI的训练任务已开始在多个数据中心进行地理分布式部署，这将缓解部分压力。

资本方面

有人担心，如果扩展成本过高，AI开发者可能会选择放缓投资。

然而，Epoch表明，如果AI开发者的收入按照近期趋势持续增长，其规模将足以匹配预测的2030年所需的1000亿美元以上投资。

AI收入增长至数千亿美元看似极端，但如果AI能显著提升大量工作任务的生产力，其潜在价值可能高达数万亿美元。

算法方面

有观点认为，人工智能开发可能会转向更高效的算法。

事实上，在算力持续增长的背景下，算法效率已然在不断提升。

目前并没有特别理由预期算法进展会突然加速，况且即便出现这种情况，反而可能刺激算力需求的进一步增长。

算力分配方面

有人提出，AI公司可能会把原本用于训练的算力“转移”到推理环节。

但报告表明，目前训练与推理消耗的算力规模相当，且存在充分理由表明二者应当同步扩展。

即使出现向推理任务的倾斜，推理规模的扩大也不太可能延缓训练领域的发展进程。

因此，Epoch认为，将当前发展趋势外推至2030年的预测具有充分说服力的，这促使他们进一步推断AI未来的能力水平。

AI将加速多个领域的科学研发

现有基准测试进展表明，到2030年，人工智能将能够利用自然语言实现复杂的科学软件，协助数学家形式化证明草图，并回答有关生物学方案的复杂问题。

许多科学领域都将拥有堪比当今软件工程师编程助手的人工智能助手。

Epoch以图表的形式，直观展示了4个领域中AI日益增强的科研能力：

软件工程

报告指出，按照当前趋势，到2030年，人工智能将能够自主修复问题、实现功能，并解决复杂（但定义明确的）科学编程问题。

上图的两个基准测试分别为：

SWE-Bench-Verified：一个编程基准测试，基于解决真实的GitHub问题并配套相关单元测试，其中也包括采用私有方法的模型，如Claude Sonnet 4。

RE-Bench：一个研究工程基准测试，基于类似求职者家庭作业的任务，人类完成大约需8小时。

数学

可以看出，AI在AIME、USAMO、FrontierMath高难度数学竞赛上均表现优异。

所以Epoch预测，AI很快可能成为研究助理，协助完善证明草稿或数学直觉。

分子生物学

报告指出，蛋白质-配体相互作用的公共基准测试（如PoseBusters）有望在未来数年内取得突破。

与此同时，生物研发领域的AI桌面研究助理即将登场。现有生物学实验方案问答基准测试预计2030年前全面解决。

天气预报

目前，AI已经能够在从数小时到数周的时间范围内优于传统预测方法。但随着数据量的增加，其预测能力还有望进一步提升。

未来的挑战在于进一步提高现有预测的准确性，尤其是对罕见或极端事件的预测，并将改进后的预测应用于实际场景，从而带来更广泛的社会和经济效益。

总的来说，2030年，AI很可能无处不在，影响我们工作、学习和生活的方方面面。

所以说，想赢在未来？先学会如何用AI吧。

参考链接：
[1]https://epoch.ai/blog/what-will-ai-look-like-in-2030
[2]https://x.com/elonmusk/status/1968323077315649853
[3]https://www.reddit.com/r/singularity/comments/1niqrsx/epochs_new_report_commissioned_by_google_deepmind/
[4]https://epoch.ai/files/AI_2030.pdf