近日，谷歌DeepMind委托知名研究机构Epoch AI发布《AI in 2030》报告（119页）。报告以"趋势外推"为方法论基线，系统回答了一个问题：如果算力扩展的既有趋势延续到2030年，AI的开发方式与真实能力将是什么样？其结论大胆而审慎——趋势可以延续，代价极其高昂，回报则以万亿美元计。

一、五大趋势齐头并进，"烧钱曲线"尚无尽头

1.算力

支撑AI发展的关键要素——训练与推理算力、投资、数据、硬件、能源——全部呈指数增长，且到2030年均无不可逾越的障碍。训练算力自2010年以来以每年4—5倍的速度增长，照此推演，2030年最大模型的算力将达10的29次方FLOP，是当前最强模型的1000倍，相当于2020年最大AI集群连续运行3000余年；

2.投资

训练前沿模型的摊销硬件和能源成本以每年2.5倍攀升，2030年单次训练投资将达数千亿美元。这一投入的前提是回报：AI实验室收入正以每年约3倍增长，2030年前有望达到数千亿美元量级，广泛的经济自动化则可能创造数万亿美元价值——报告测算，若50%的远程工作任务产出翻倍，可拉动GDP增长7%—10%。

3. 数据

前沿语言模型的训练数据集以 2.7 倍/年 增长；高质量人类生成的公开文本数据可能在 2027 年前 被耗尽（中位日期约 2027–2028 年）。但报告认为数据不会成为瓶颈，因为有两个来源：多模态数据（可能将公开数据存量扩大 10 倍以上）和合成数据（尤其是用于推理训练）。OpenAI 在 2024 年初每天生成约 1000 亿 token，这代表了一个可行的合成训练数据量级。

4. 硬件

领先 AI 芯片的总装机容量以 2.3 倍/年 增长；训练算力增长的主要来源是集群规模的扩大（1.7 倍/年），其次是训练时长（1.5 倍/年）和硬件性能（1.4 倍/年）；领先 AI 超级计算机的硬件成本以 1.9 倍/年 增长。下一代 AI 集群已经在建设中，这强烈表明算力扩展至少还会持续一代模型；训练越来越可能分布式跨多个数据中心进行，以缓解电力需求。

5. 能源与环境

前沿训练的电功率需求以 2.1 倍/年 增长，总能耗以约 3 倍/年 增长；到 2030 年，最大训练运行可能需要约 10 GW 的电力，接近整个大型城市的平均需求；AI 数据中心总电力消耗可能增长到全球电力需求的 1.2%（报告另一处说 2%+，取决于口径）；AI 电力使用可能占全球排放的 0.03–0.3%，远小于商业航空的约 2.5%；但 AI 也有潜力在电网、交通、工业流程优化等领域减少排放，具体取决于社会部署选择。

二、2030年AI能力总体研判

报告选择科学研发（R&D） 作为预测 AI 能力的重点领域，重点研究了四个领域：软件工程、数学、分子生物学、天气预报。

总体判断：

• AI 将成为科学研发的宝贵工具，类似于今天软件工程师的编码助手。

• AI 助手可能将非实验性工作任务的日常生产力提高 10–20%。

• 效果可能更大。2023 年底对软件工程师使用 Copilot 的随机试验显示 10–20% 提升，而此后 AI 系统已大幅改进。

1. 软件工程

• 基于真实 GitHub 问题的 SWE-bench 基准，按当前趋势将在 2026 年 被解决。

• 基于数小时科学研究工程问题的 RE-Bench，按当前趋势将在 2027 年 被解决。

• AI 将能够自主修复问题、实现功能、解决困难但定义明确的科学编程问题。

• 关键不确定性：人类监督是否会成为更开放式问题的瓶颈。

2. 数学

• 挑战性数学推理基准 FrontierMath 可能最早在 2027 年 被解决。

• 数学家预测，能解决此类基准的 AI 可以帮助他们开发草图论证、识别相关知识、形式化证明。

• 最困难的数学基准距离数学家日常工作比软件基准距离软件工程师工作更远。

• AI 何时能自主证明实质性结果尚不清楚，但在 2030 年前发生是可能的。

3. 分子生物学

• 蛋白质-配体相互作用基准 PoseBusters 将在未来几年内被解决。

• 任意蛋白质-蛋白质相互作用的高特异性预测时间线更长且不确定。

• 开放式生物学问答基准可能在 2030 年 前被解决，但不确定性很大。

• 基础生物学 R&D 的进展可能需要数年才能转化为下游变化（如药物开发），因为实验室实验和临床试验存在瓶颈。

• 到 2030 年，AI 研究不太可能对已获批药物产生显著贡献，因为 2030 年获批的药物早已在研发过程中。

4. 天气预报

• AI 天气预报已在小时到数周的时间尺度上超越传统方法。

• AI 方法运行成本低，且可能随更多数据进一步改进。

• 下一个重大方法学挑战在于改进当前时间尺度的预测校准，而非进一步延长时间范围。

• 两个特别有待改进的领域：预测罕见事件和整合额外数据源。

• 改进的天气预报可在电力基础设施、农业、交通、应急响应和日常规划等领域产生显著效益。 

三、AI的部署面临四大挑战

可靠性：AI 系统可能不可靠，LLM 甚至在小扰动下性能就会下降。但可靠性也在随时间改善。数学等领域因结果可形式化检查，可靠性问题较小。

工作流整合：将 AI 整合到现实工作流需要复杂变更，可能显著阻碍生产力提升。错误后果较轻、经验反馈循环较短、数据可用性较好的领域部署更容易。

部署成本：包括改变工作流的成本和推理算力成本。推理成本以 10 倍/年 或更快速度下降。当 AI 能执行任务时，通常比人类工人成本更低。

专业数据：数据收集昂贵或物流困难的领域（如天气预报的实时传感器、生物分子相互作用的湿实验室数据）面临瓶颈。软件和数学受此问题影响较小。

四、结论

几乎确定的是，AI将是科研工作者的重大福音，非实验性工作的日常生产力至少提升10%—20%，成为文献综述的通用工具；但据预测到 2030 年，最大 AI 模型将耗资数千亿美元，使用约 1000 倍 于今天领先模型的算力。AI 可能成为整个经济发展的关键技术，出现在人们与计算机和移动设备交互的各个方面。然而，最大的变数并非技术，而是三类外生冲击：社会协调的变化（投资情绪逆转、社会就业）、供给瓶颈（芯片与电力），以及AI自动化研发引发的范式突变。