AI投资与成本预测 - 到2030年，全球对AI的投资预计将达到数千亿美元[3][5] - 2030年顶尖AI模型的训练成本预计达数千亿美元，算力需求为GPT-4的数千倍[4][7][8] - 训练前沿AI的算力集群成本将在2030年突破1000亿美元，支持高达10^29 FLOP的计算规模[8] 算力与电力消耗 - 2030年顶尖AI模型训练所需的电力消耗将达到吉瓦级别[3][5][7] - 支持10^29 FLOP计算规模的算力集群，相当于将2020年全球最大的AI集群不间断运行3000年以上[8] - 预计2028年前电力不会成为主要瓶颈，之后可通过太阳能+储能、离网燃气发电等方案解决[15] AI规模化发展的关键挑战 - 模型性能尚未观察到明确的"撞墙"证据，仍在随着参数增加和训练扩大而持续提升[10] - 人类生成的文本数据预计可支撑模型训练至2027年左右，合成数据生成技术正日趋成熟[11][13] - 若AI企业收入保持当前2到3倍的年增速，将完全有能力覆盖千亿美元级的训练投入[16][18] - 算法优化已被纳入当前算力增长曲线，效率提升往往激发对更大算力的需求而非替代[18] - 模型训练与推理所占用的算力规模目前处于相对均衡状态，推理占比上升但不会挤压训练资源[19][22] AI在科研领域的应用与生产力提升 - AI有望在软件工程、数学、分子生物学、天气预报四大领域实现突破，预计提升科研生产力10-20%[7][23] - 到2030年，AI将能够根据自然语言描述生成复杂的科学软件、协助数学家完成形式化证明[23] - 未来多数科学领域将出现类似编码助手的AI助手，具备智能推荐、快速检索和独立完成小型任务三大功能[23] 具体领域AI应用进展 - 软件工程领域，AI已通过编程助手改变实践，预计到2030年将能自主修复漏洞、实现功能需求[24] - 数学领域，AI正逐渐成为研究助手，帮助充实证明思路或形式化直觉猜想[27] - 分子生物学领域，蛋白质-配体相互作用基准预计在未来几年被攻克，AI文献助手即将出现[30][32] - 天气预报领域，AI方法已在数小时到数周的预测尺度上超越传统方法，且运行成本更低[33] AI技术发展路径与经济影响 - 自2010年以来，知名AI模型的训练计算量每年约增长4到5倍，前沿模型也呈现类似趋势[10] - 技术能力与社会应用之间存在显著延迟，软件工程因迭代周期短将更快被AI改变，而制药行业影响主要体现在早期发现阶段[36] - 到2030年，人工智能有望发展成为支撑整个经济体系的核心技术，深度融入人类与计算设备交互的每一个场景[36]