算力与成本 - 前沿AI算力集群成本将超过1000亿美元 [5] - 训练成本或将超过1000亿美元，所需电力高达吉瓦级别 [6][8] - 此类集群可支持约10^29次FLOP的训练任务，相当于2020年全球最大AI算力集群运行三千年 [7] 规模化扩展与营收 - 近期AI模型在基准测试和收入方面取得显著进步，GPT-5与GPT-4相比前代产品实现重大飞跃 [13][15] - 2024年下半年，OpenAI、Anthropic和Google DeepMind的营收增幅均超90%，年化增长率达三倍以上 [17] - 根据预测，OpenAI和Anthropic在2025年仍将保持三倍以上的增速 [17] 数据 - 公开的人工生成文本数量至少能支撑到2027年 [20] - 合成数据能够大规模生成且有效性得到验证，例如AlphaZero和AlphaProof通过自我生成数据达到或超过人类专家水平 [23][24] 电力与资本 - 可通过太阳能配合电池储能或离网天然气发电等方式快速提升电力输出 [27] - 训练任务开始在多个数据中心进行地理分布式部署以缓解压力 [28] - 若AI开发者收入按近期趋势增长，其规模将足以匹配2030年预测的1000亿美元以上投资 [30] 算法与算力分配 - 在算力持续增长的背景下，算法效率已在不断提升 [33] - 目前训练与推理消耗的算力规模相当，存在充分理由表明二者应当同步扩展 [38] AI科学研发能力 - 到2030年，AI将能利用自然语言实现复杂科学软件，协助数学家形式化证明草图，并回答复杂生物学问题 [44] - 在软件工程领域，AI将能自主修复问题、实现功能，并解决复杂的科学编程问题 [46] - 在数学领域，AI在AIME、USAMO、FrontierMath等高难度竞赛表现优异，预计很快将成为研究助理 [51][54] - 在分子生物学领域，蛋白质-配体相互作用的基准测试有望数年內突破，生物研发领域的AI桌面研究助理即将登场 [55][56] - 在天气预报领域，AI已在数小时到数周的时间范围内优于传统方法，未来挑战在于提高对罕见或极端事件预测的准确性 [60]