海外研选 | 德银：2030年前实现超级人工智能并非不可能 两大条件是关键

财联社10月13日讯（编辑 夏军雄）德意志银行研究院10月12日发布题为《AI繁荣还是灾难：超级人工智能将带来怎样的体验？我们何时能够实现？》的报告，深入分析了2030年前实现通用人工智能（AGI）及超级人工智能（ASI）的可能性，以及由此带来的经济和投资影响。

报告认为，如果AI能够持续扩大计算规模，并实现真正的递归自我改进（RSI），其能力可能进入加速增长阶段，到2030年出现全面超越人类专家的超级人工智能并非不可能。

不过，这一前景仍取决于多项尚未得到证实的技术假设，以及算力、电力、资本和训练数据等现实条件。

德银强调，超级人工智能并非AI投资获得回报的必要前提。即使这一技术突破未能如期出现，AI仍可能通过提高生产率、降低企业成本和创造新商业模式，产生可观的经济价值。

超级人工智能可能如何改变经济？

报告首先讨论了前谷歌CEO埃里克·施密特所概括的“旧金山共识”。

这一观点认为，随着AI模型规模持续扩大，AI不仅能够完成越来越复杂的任务，还将参与开发更先进的AI，形成自我强化的技术进步循环，并有望在2030年左右实现超级人工智能。

在这一框架下，AGI和超级人工智能并非技术发展的终点，而是AI持续自我改进过程中的重要里程碑。

对于AGI和超级人工智能的定义，业界仍存在明显分歧。OpenAI将AGI定义为能够在最具经济价值的工作中超越人类的高度自主系统，而德银在本报告中主要关注更高层级的超级人工智能，即在几乎所有认知任务上超越人类的AI系统，包括AI自身的研发。

德银设想，到2030年，最先进的AI模型可能在所有专业领域超越人类专家。届时，企业使用AI解决商业问题，可能相当于随时召集全球顶尖专家团队，而相当于今天前沿模型的AI能力则可能普及至手机、平板电脑和笔记本电脑。

更重要的是，超级人工智能可能不再只是执行人类指定的任务，而是能够自主确定需要解决什么问题。

与此同时，AI的使用成本正在快速下降。

根据研究机构Epoch AI的数据，过去三年，在同等性能水平下，AI成本几乎每个季度下降一半，相当于每年降至此前的约十三分之一。

德银认为，随着廉价机器智能日益普及，原本昂贵且稀缺的分析、设计、工程和专业咨询服务将变得更加容易获取。一些此前缺乏经济可行性的商业活动，也可能因此成为现实。

这一变化可能重塑企业竞争格局。

率先采用超级人工智能的企业有望获得显著的成本和收入优势，迫使竞争对手加快转型。而从成立之初便围绕AI构建业务的企业，可能不必承担传统企业改造旧系统的高昂成本，从而获得竞争优势。

德银将这一过程与电力普及进行比较，认为当技术优势足够明显时，企业可能必须采用新技术，才能维持市场竞争力。

不过，技术能力提高并不意味着所有行业都会立即转型。

客户服务、常规软件开发和自由职业创意服务等竞争充分的领域，可能更早受到冲击；银行、公用事业、制药和国防等受到严格监管的行业，则可能凭借经营许可、长期合同及较高的转换成本获得更长的调整时间。

在这一情景下，AI能够大幅降低认知劳动成本，但电力、土地、设备和监管许可等无法迅速增加的资源，可能成为新的经济瓶颈。

德银指出，未来企业真正具有持续竞争价值的资产，可能集中于专有数据、监管准入资格、稳定的客户关系，以及具有排他性的实体资产。

实现AGI需要跨越两道技术门槛

德银认为，2030年前实现AGI，需要满足两个关键条件：规模定律持续有效，以及AI实现真正的递归自我改进。

规模定律是过去十年AI发展的重要基础。随着训练数据、计算资源和模型复杂度增加，AI能力通常能够以一定的可预测方式提高。

报告指出，自2010年以来，重要AI系统的训练计算量平均每年增长约四倍，远高于深度学习时代之前的增速。

(自2010年以来，重要AI系统的训练计算量平均每年增长约四倍，远高于此前的增长速度)

但规模定律并不是物理定律，没有任何保证能够确保增加算力始终带来相应的性能提升。

这一技术路线在AI研究界仍存在争议。

图灵奖得主、Meta前首席AI科学家杨立昆认为，当前大语言模型并不是通往超级人工智能的路径。谷歌DeepMind CEO德米斯·哈萨比斯则认为，除了扩大模型规模，AI行业可能还需要一到两项重大技术突破。

德银表示，现阶段无法对这场科学争论作出最终判断，但在分析2030年实现AGI的情景时，暂时采用主流商业AI实验室较为乐观的技术假设。

相比单纯扩大模型规模，递归自我改进可能是决定AI能否加速发展的更重要因素。

德银区分了两种AI自我改进方式。

第一种是AI智能体通过优化提示词、记忆和工作流程，提高自身执行任务的效率。

第二种则是真正意义上的RSI，即AI能够自主设计实验、优化算法、整理训练数据，甚至设计芯片，从而改进下一代AI模型的研发过程。

一旦第二种机制得以实现，AI研发对人类研究人员的依赖可能逐步降低，形成持续强化的技术进步循环。

OpenAI、谷歌DeepMind及阿里巴巴等主要AI企业均已将相关技术视为重要研究方向。

目前，AI独立完成复杂任务的能力确实在快速提高。

根据研究机构METR的数据，以50%的成功率为衡量标准，2023年3月GPT-4能够独立完成的软件任务，其复杂程度相当于人类专家约四分钟的工作量；到2026年，最先进模型的这一指标已提高至约16小时。

相关任务跨度大约每七个月翻一番。

(METR数据显示，AI能够以50%成功率独立完成的软件任务，其复杂程度已从2023年相当于人类专家约4分钟的工作量提升至2026年的约16小时)

不过，德银强调，50%的成功率与企业大规模应用所需的99%甚至100%的可靠性之间，仍存在巨大差距。

而且，AI能力呈指数增长并不意味着其进步速度本身正在不断加快。

真正的RSI还面临三项限制：模型训练和科学实验需要现实时间；药物研发等领域的成果难以快速验证；芯片制造、实验验证等必须顺序执行的环节无法无限加速。

即使AI能够瞬间提出大量研究方案，也无法立即完成数周的模型训练或数月的现实实验。

因此，德银认为，只有规模定律和真正的RSI同时发挥作用，AI才可能以超过人类研究人员的速度持续改善自身能力。缺少任何一个条件，单纯增加芯片、电力和资本投入都无法保证AGI在短期内实现。

除了技术突破，实现AGI还需要庞大的计算资源。德银估计，训练2026年最先进AI模型所需的计算量约为10²⁶至10²⁷ FLOPs。假设AGI级模型需要再增加三个数量级的训练计算量，单次训练可能达到10³⁰ FLOPs。

按照目前的技术水平，完成这一训练任务的成本极其高昂。不过，随着芯片性能提升和计算成本下降，德银预计，到2030年，支持同等规模训练的计算及供电硬件投入可能降至约2000亿美元，单次训练成本则可能降至约200亿美元。

但上述估算仍建立在特定训练规模和技术进步假设之上，并不意味着达到AGI必然需要如此规模的计算资源。

数据与验证成为新的技术瓶颈

除了算力和资金，训练数据不足也可能制约AI发展。

根据Epoch AI此前的估算，经过质量和重复内容调整后，可供AI训练使用的公开人类文本约为300万亿Token，相关数据可能在2026年至2032年间接近可用极限。

不过，合成数据和训练效率改善正在缓解这一压力。

通过自主生成训练数据、设计实验和检验结果，AI已经能够在数学、编程等领域开展一定程度的自我学习。

但德银认为，随着AI越来越多地生成训练数据，确保输出正确可靠的能力可能成为新的稀缺资源。

数学和编程任务通常可以自动验证，但医疗、法律和工程等领域仍需要复杂的专业审查。

此外，报告援引Graphite的研究指出，在其分析的互联网文章样本中，约一半主要由AI生成，进一步引发了对训练数据质量的担忧。

因此，除了训练数据数量，数据质量和结果验证的可靠性也可能成为制约AI发展的重要因素。

德银认为，规模定律、递归自我改进、基础设施和资本投入必须相互配合，2030年前实现AGI的路径才可能成立。但这些条件能否全部满足，目前仍无定论。

即使AGI未能实现，AI投资仍可能获得回报

尽管超级人工智能的实现时间仍存在巨大不确定性，但德银认为，现有AI技术已经展现出相当可观的商业价值。

报告指出，目前企业采用AI工具的速度大约是此前移动互联网、互联网和云计算技术普及速度的三倍。

与此同时，AI产业收入快速增长。

德银预计，不包括中国市场在内，AI行业收入将从2022年的不足10亿美元增长至2026年的超过2000亿美元。

云计算业务是最早受益的领域之一。

根据报告援引的最新季度数据，谷歌云收入同比增长82%，亚马逊AWS收入增长37%，微软AI业务收入则同比增长超过一倍。

随着企业将AI从试验项目整合进日常工作流程，相关技术正逐步转化为实际收入和生产率改善。

德银预计，Alphabet、亚马逊、Meta、微软和甲骨文2026年资本开支合计接近8000亿美元，到2030年及以后，年度资本开支可能超过1万亿美元。

德银还指出，大型科技公司的资本开支正在推动半导体、建筑等行业增长，相关活动可能贡献当前美国经济增长的三分之一至一半。

(德银预计，大型云计算企业资本开支将持续增长，未来几年合计年度投入可能达到万亿美元级别)

此外，AI相关股票上涨产生的财富效应也在支持居民消费。

不过，AI投资对生产率的影响可能不会立即显现。

根据所谓的生产率“J型曲线”，企业引入新技术往往需要首先承担系统改造、员工培训和组织调整成本，短期内甚至可能拖累生产率表现。

只有随着这些前期投入逐渐发挥作用，生产率增长才会明显加速。

德银认为，即使AI最终未能实现超级智能，企业仍然可以通过现有技术降低运营成本、改进工作流程，并创造新的产品和服务。

因此，AI基础设施投资的经济合理性，并不完全依赖超级人工智能能否如期问世。