在短短五年后的2030年，人工智能会是什么样子？谷歌DeepMind委托进行的一项研究表明，如果目前的扩展趋势继续下去，人工智能可能很快就会以超出目前想象的规模运行，这对研发具有重大影响。

该报告由非营利研究组织Epoch AI编写，报告认为计算、数据和投资的指数级增长可能会持续到本十年末，为计算密集度比今天高1000倍的AI模型提供动力。作者说，这种规模将把人工智能推向基于桌面的科学的新领域，从自动化代码到改善天气预报。但是，将这些数字突破转化为新药或材料等实物产品需要更长的时间，这受到人工智能无法控制的因素的限制。

扩展作为驱动力

该报告将规模作为人工智能进步的主要驱动力。自2010年以来，训练计算每年增长约四到五倍，Epoch AI预计，如果投资和基础设施跟上步伐，这一趋势将继续下去。该报告引用了2020年最大的人工智能集群如何在艾级（即约10^18 FLOP/s）范围内达到峰值性能。

如果目前的扩展趋势继续下去，该报告称，到2030年，用于训练前沿人工智能的集群的成本可能超过1000亿美元。Epoch AI表示：“这样的集群可以支持大约10^29 FLOP的训练运行——如果放在2020年最大的AI集群，这一计算量需要连续运行3000多年。”

10^29 FLOP/s的估计值超出了艾级，可以全面了解到迄今为止在扩展计算方面取得的进展，但对于那些目睹过艾级计算之旅的人来说，在未来五年内达到这个规模听起来可能相当牵强。作者说，这只是十多年来保持稳定的曲线的逻辑结果。

“这体现了我们研究结果中的一个重复模式：如果今天的趋势继续下去，它们将导致极端结果。我们应该相信它们会继续下去吗？在过去的十年里，扩展一直是一个强有力的基线，当我们调查即将到来的经济放缓的论点时，它们往往并不令人信服。”

速度会减慢吗？

最常见的论点之一是，扩展可能很快就会“碰壁”，即使有更多的计算，模型也无法改进。该报告承认了这种可能性，但指出，最近的模型在基准上继续取得了强劲的业绩，同时也创造了前所未有的收入。尽管不能排除这种可能性，但目前还没有明确的证据表明扩大规模正在失去效力。目前，作者表示，改进可能会继续。

另一个担忧是，世界将耗尽训练数据。基于人类生成文本的数据是有限的，到2027年可能会耗尽。作者反驳说，合成数据已经成为一种可靠的替代品，特别是现在有了可以生成和验证自己训练材料的推理模型。多模式数据源也扩展了数据池。瓶颈仍然存在，但所提供的证据表明，数据稀缺不太可能像许多批评者预期的那样停止扩展。

电力是一个更难忽视的挑战。按照目前的轨迹，2030年的训练运行将需要整整千兆瓦的电力，与主要发电厂的发电量相当。提供这种电力将是昂贵的，而且电网基础设施是否准备好吸收增加的需求也存在疑问。该报告持乐观态度，指出可再生能源和分布式数据中心可以保持曲线的活力。但这可能是最可信的限制，值得问的是，在成本和公众的抵制可能减缓规模之前，公司可以在多大程度上延长供应。

作者警告说，继续扩大规模的最可信风险之一可能是投资者情绪的回落。扩展人工智能可能会变得过于昂贵，迫使开发人员退缩。报告称，这种风险是存在的，但目前的收入增长几乎没有放缓的迹象。如果收入继续复合增长，他们可以支持2030年预计的1000亿美元的训练。这些数字听起来可能有些异想天开，但如果人工智能自动化大量工作，它们与潜在的数万亿的生产力增长相吻合。

一些人认为，算法突破可能会取代扩展成为人工智能的驱动力。报告称，效率确实有所提高，但始终在相同的计算增长曲线内。作者说，没有充分的理由认为算法会突然超过硬件扩展，在实践中，新方法通常会产生更多消耗计算的理由，而不是更少。

另一个论点是，人工智能计算将转向推理，特别是随着推理模型的兴起。训练和推理实际上是同时增长的，今天的分配大致相似。此外，作者说，更好的训练会产生更具价值和成本效益的推理模型。报告指出，向推理的转变是可能的，但不太可能在短期内完全破坏训练规模的扩大。

数字科学可能加速，而物理科学可能滞后

该报告还探讨了人工智能对提高科学研究和开发生产力的影响。如果规模保持不变，最大的收益将是数字科学。在软件工程领域，该报告预测，到2026年，SWE bench等现有基准测试可能会得到解决，能够处理复杂科学编码问题的工具也将紧随其后。

Epoch AI表示，目前的基准趋势表明，到2030年，人工智能将能够自主解决问题、实现功能，并解决困难的（但定义明确的）科学编程问题。

数学也有望快速发展。到2027年，人工智能系统可能能够协助完成诸如形式化证明草图和开发论证结构等任务。作者说，在生物学中，人工智能将越来越多地帮助生成假设。基于蛋白质-配体相互作用数据训练的系统已经显示出预测分子行为的希望，到2030年，这些系统可以可靠地回答复杂的生物学问题。该报告警告说，这些突破将主要集中在数字方面，有更多的候选分子、更好的预测和更快的案头研究，而不是产生批准的药物。

天气预报是另一个可以受益的领域。人工智能方法在中短期预测方面已经超越了传统的模拟，该报告认为，额外的数据和微调将进一步提高模型的准确性，特别是对于罕见事件。

根据Epoch AI的说法，人工智能对科学的限制因素不是人工智能系统的能力，而是物理过程的速度。药物临床试验、监管批准和实验室实验的物流都是以多年为周期进行的。这造成了分裂：数学和软件等数字科学将出现爆炸性增长，而实验科学将以较慢的速度发展。

人工智能作为新的研究助理

该报告最具体的预测之一是，到2030年，每个科学家都将可以使用与GitHub Copilot相当的人工智能助手。这些系统将有助于文献综述、蛋白质设计和编码，在基于桌面的领域提高10-20%的生产力，随着工具的成熟，可能会提高更多。

用于科学的人工智能助手也可以提高可访问性。报告称，随着人工智能助手嵌入研究工作流程，曾经需要整个专家团队的任务可以普惠化为单个研究人员和较小的实验室。

通过这份报告，Epoch AI证明，持续的扩展可以在短时间内将能力远远超越今天。如果比例曲线保持不变，2030年最大规模的训练将消耗国家规模的资源，耗资数千亿美元。只有当人工智能能够带来相应的生产力提升时，这种投资水平才是值得的。

与此同时，该报告警告说，人工智能在科学中的作用将不均衡地展开。软件和数学等数字学科将受益最大，而生物学和其他实验科学仍将与较慢的审批和测试管道联系在一起。更确定的是，人工智能助手作为标准研究工具的出现，重塑了知识工作的方式，即使以后会有切实的结果。

作者在结论中说：“到2030年，人工智能可能会成为整个经济的关键技术，出现在人们与计算机和移动设备互动的各个方面。人工智能代理可能会成为许多人的虚拟同事，通过自动化改变他们的工作，这虽然不太确定，但似乎是合理的。如果这些预测成真，那么关键决策者在未来五年及以后的工作中优先考虑人工智能问题就至关重要了。