文章核心观点 - 报告基于当前趋势外推，描绘了2030年AI发展的“保守基线”或“默认未来”，其核心是算力规模化的持续指数级增长将驱动AI能力的显著提升，并带来巨大的经济影响 [1][3][5][9][10] - 若当前趋势延续，到2030年，最大AI模型的训练算力将达到当今水平的约1000倍（10^29 FLOP），硬件投入将达约2000亿美元，AI数据中心用电量可能占全球的2%以上 [1][5][21][24] - 能力进步将首先在数字世界（如软件工程、数学）快速兑现，逐步渗透物理世界，并对经济产生实质性影响，例如将10%的远程任务产出翻倍可能带来1-2%的GDP增长 [4][6][7][96][107] 算力趋势 - 自2010年以来，训练算力以每年4-5倍的速度增长，预计此趋势将持续至2030年，最大模型的训练算力将达到当今水平的约1000倍（10^29 FLOP）[5][24][39][40] - 推理算力规模化是AI持续改进的另一重要来源，与训练算力并非零和关系，更强的训练模型能使同等推理预算完成更多有效工作 [5][31][39][46] - 训练算力的增长主要来自扩大加速器集群规模和使用更强芯片，而非显著延长单次训练时长 [5][74][76] 投资量级 - 为支撑算力千倍扩张，前沿AI集群的资本开支将达到约2000亿美元量级，单个大模型的摊销开发成本达数十亿美元 [1][5][21][47] - 若头部AI实验室收入延续近年“年同比约3倍”的增长轨迹，至2030年其收入规模可达数千亿美元，形成“高投入-高产出”的经济闭环 [5][10][24][58] - 算力已成为模型开发成本的最大组成部分，并且其占比预计将继续增加 [53][55] 数据格局 - 高质量人类生成文本数据即将见顶，增长动能将转向多模态（图/音/视频）数据和合成数据 [5][62][64][67] - 大量能力提升来自后训练与强化学习叠加“推理时算力”带动的数据生成与筛选，真正稀缺且最具价值的是可验证、与经济价值强耦合的专业数据 [5][59][69][70] - 2024年初，OpenAI每日生成约1000亿个token的合成数据，这为持续的数据规模化提供了重要途径 [68] 硬件与集群形态 - AI能力提升主要依赖更大的加速器集群和更强芯片，下一代基于超过10万个H100 GPU的集群已在建设中 [5][74][77][80] - 为缓解功率与供电瓶颈，多数据中心、跨站点的分布式训练将成为常态，训练与推理在地理与架构层面进一步解耦 [5][73][81] 能源与排放 - 到2030年，AI数据中心用电可能达到全球用电量的2%以上，最前沿单次训练的峰值功率可达吉瓦级（约10吉瓦）[1][5][21][84] - 基于当前电网平均碳强度估算，AI用电可能占2030年全球排放量的0.03%至0.3% [24][85][86] - AI在电网优化、工业流程和交通等领域具备带来可观减排的潜力，但这严重依赖于社会对部署的决策 [6][24][91] 能力发展与部署 - 一旦某项任务在基准上出现“能做”的迹象，继续扩规模通常会可预测地提升性能 [6][11][30][93] - 软件工程将从助手走向可自主完成定义明确的实现与修复，数学迈向证明草图形式化，分子生物学拓展到相互作用预测，天气预测持续改进 [4][6][11][109][110] - 部署面临三大核心挑战：可靠性（如幻觉问题）、工作流集成以及成本效益平衡，专业数据的可得性贯穿影响这三点 [6][111][112][115][116] 经济影响 - 自动化将产生巨大经济价值，若将10%的远程任务产出翻倍，约可带来1-2%的GDP增量；若将一半远程任务产出翻倍，则对应6-10%的GDP增量 [4][7][104][107] - AI技术采纳速度是历史上最快的之一，当前AI收入增长趋势与到2030年产生数千亿美元收入、证明巨额投资合理性相符 [10][24][58][102] - R&D的自动化将与更广泛的经济自动化同步发生，但更大的短期至中期经济效应源于整个经济体任务的自动化 [96][100][101]