從擴展到無極限：DeepMind繪制人工智能通往2030年的未來路徑

在短短五年后的2030年，人工智能會是什么樣子？谷歌DeepMind委托進行的一項研究表明，如果目前的擴展趨勢繼續下去，人工智能可能很快就會以超出目前想象的規模運行，這對研發具有重大影響。

該報告由非營利研究組織Epoch AI編寫，報告認為計算、數據和投資的指數級增長可能會持續到本十年末，為計算密集度比今天高1000倍的AI模型提供動力。作者說，這種規模將把人工智能推向基于桌面的科學的新領域，從自動化代碼到改善天氣預報。但是，將這些數字突破轉化為新藥或材料等實物產品需要更長的時間，這受到人工智能無法控制的因素的限制。

擴展作為驅動力

該報告將規模作為人工智能進步的主要驅動力。自2010年以來，訓練計算每年增長約四到五倍，Epoch AI預計，如果投資和基礎設施跟上步伐，這一趨勢將繼續下去。該報告引用了2020年最大的人工智能集群如何在艾級（即約10^18 FLOP/s）范圍內達到峰值性能。

如果目前的擴展趨勢繼續下去，該報告稱，到2030年，用于訓練前沿人工智能的集群的成本可能超過1000億美元。Epoch AI表示：“這樣的集群可以支持大約10^29 FLOP的訓練運行——如果放在2020年最大的AI集群，這一計算量需要連續運行3000多年。”

10^29 FLOP/s的估計值超出了艾級，可以全面了解到迄今為止在擴展計算方面取得的進展，但對于那些目睹過艾級計算之旅的人來說，在未來五年內達到這個規模聽起來可能相當牽強。作者說，這只是十多年來保持穩定的曲線的邏輯結果。

“這體現了我們研究結果中的一個重復模式：如果今天的趨勢繼續下去，它們將導致極端結果。我們應該相信它們會繼續下去嗎？在過去的十年里，擴展一直是一個強有力的基線，當我們調查即將到來的經濟放緩的論點時，它們往往并不令人信服。”

速度會減慢嗎？

最常見的論點之一是，擴展可能很快就會“碰壁”，即使有更多的計算，模型也無法改進。該報告承認了這種可能性，但指出，最近的模型在基準上繼續取得了強勁的業績，同時也創造了前所未有的收入。盡管不能排除這種可能性，但目前還沒有明確的證據表明擴大規模正在失去效力。目前，作者表示，改進可能會繼續。

另一個擔憂是，世界將耗盡訓練數據。基于人類生成文本的數據是有限的，到2027年可能會耗盡。作者反駁說，合成數據已經成為一種可靠的替代品，特別是現在有了可以生成和驗證自己訓練材料的推理模型。多模式數據源也擴展了數據池。瓶頸仍然存在，但所提供的證據表明，數據稀缺不太可能像許多批評者預期的那樣停止擴展。

電力是一個更難忽視的挑戰。按照目前的軌跡，2030年的訓練運行將需要整整千兆瓦的電力，與主要發電廠的發電量相當。提供這種電力將是昂貴的，而且電網基礎設施是否準備好吸收增加的需求也存在疑問。該報告持樂觀態度，指出可再生能源和分布式數據中心可以保持曲線的活力。但這可能是最可信的限制，值得問的是，在成本和公眾的抵制可能減緩規模之前，公司可以在多大程度上延長供應。

作者警告說，繼續擴大規模的最可信風險之一可能是投資者情緒的回落。擴展人工智能可能會變得過于昂貴，迫使開發人員退縮。報告稱，這種風險是存在的，但目前的收入增長幾乎沒有放緩的跡象。如果收入繼續復合增長，他們可以支持2030年預計的1000億美元的訓練。這些數字聽起來可能有些異想天開，但如果人工智能自動化大量工作，它們與潛在的數萬億的生產力增長相吻合。

一些人認為，算法突破可能會取代擴展成為人工智能的驅動力。報告稱，效率確實有所提高，但始終在相同的計算增長曲線內。作者說，沒有充分的理由認為算法會突然超過硬件擴展，在實踐中，新方法通常會產生更多消耗計算的理由，而不是更少。

另一個論點是，人工智能計算將轉向推理，特別是隨著推理模型的興起。訓練和推理實際上是同時增長的，今天的分配大致相似。此外，作者說，更好的訓練會產生更具價值和成本效益的推理模型。報告指出，向推理的轉變是可能的，但不太可能在短期內完全破壞訓練規模的擴大。

數字科學可能加速，而物理科學可能滯后

該報告還探討了人工智能對提高科學研究和開發生產力的影響。如果規模保持不變，最大的收益將是數字科學。在軟件工程領域，該報告預測，到2026年，SWE bench等現有基準測試可能會得到解決，能夠處理復雜科學編碼問題的工具也將緊隨其后。

Epoch AI表示，目前的基準趨勢表明，到2030年，人工智能將能夠自主解決問題、實現功能，并解決困難的（但定義明確的）科學編程問題。

數學也有望快速發展。到2027年，人工智能系統可能能夠協助完成諸如形式化證明草圖和開發論證結構等任務。作者說，在生物學中，人工智能將越來越多地幫助生成假設。基于蛋白質-配體相互作用數據訓練的系統已經顯示出預測分子行為的希望，到2030年，這些系統可以可靠地回答復雜的生物學問題。該報告警告說，這些突破將主要集中在數字方面，有更多的候選分子、更好的預測和更快的案頭研究，而不是產生批準的藥物。

天氣預報是另一個可以受益的領域。人工智能方法在中短期預測方面已經超越了傳統的模擬，該報告認為，額外的數據和微調將進一步提高模型的準確性，特別是對于罕見事件。

根據Epoch AI的說法，人工智能對科學的限制因素不是人工智能系統的能力，而是物理過程的速度。藥物臨床試驗、監管批準和實驗室實驗的物流都是以多年為周期進行的。這造成了分裂：數學和軟件等數字科學將出現爆炸性增長，而實驗科學將以較慢的速度發展。

人工智能作為新的研究助理

該報告最具體的預測之一是，到2030年，每個科學家都將可以使用與GitHub Copilot相當的人工智能助手。這些系統將有助于文獻綜述、蛋白質設計和編碼，在基于桌面的領域提高10-20%的生產力，隨著工具的成熟，可能會提高更多。

用于科學的人工智能助手也可以提高可訪問性。報告稱，隨著人工智能助手嵌入研究工作流程，曾經需要整個專家團隊的任務可以普惠化為單個研究人員和較小的實驗室。

通過這份報告，Epoch AI證明，持續的擴展可以在短時間內將能力遠遠超越今天。如果比例曲線保持不變，2030年最大規模的訓練將消耗國家規模的資源，耗資數千億美元。只有當人工智能能夠帶來相應的生產力提升時，這種投資水平才是值得的。

與此同時，該報告警告說，人工智能在科學中的作用將不均衡地展開。軟件和數學等數字學科將受益最大，而生物學和其他實驗科學仍將與較慢的審批和測試管道聯系在一起。更確定的是，人工智能助手作為標準研究工具的出現，重塑了知識工作的方式，即使以后會有切實的結果。

作者在結論中說：“到2030年，人工智能可能會成為整個經濟的關鍵技術，出現在人們與計算機和移動設備互動的各個方面。人工智能代理可能會成為許多人的虛擬同事，通過自動化改變他們的工作，這雖然不太確定，但似乎是合理的。如果這些預測成真，那么關鍵決策者在未來五年及以后的工作中優先考慮人工智能問題就至關重要了。

與Ai時代前沿合作，將大門向更多普通用戶敞開！無論你是對新技術充滿好奇心的愛好者，還是希望提升自己技能的職場人士，這里都有適合你的課程和資源。