Ссылка на доклад на английском: https://epoch.ai/blog/what-will-ai-look-like-in-2030
Это обширное исследование от Epoch AI, заказанное Google DeepMind, представляет глубокий анализ будущего искусственного интеллекта к 2030 году. Отчет детально рассматривает траекторию масштабирования ИИ, подробно останавливаясь на необходимых вычислительных мощностях, финансовых вложениях, требованиях к данным, оборудованию и энергопотреблению. Авторы проводят тщательную оценку будущих возможностей ИИ, которые станут доступны благодаря этому масштабированию, с особым акцентом на научные исследования и разработки.
Ключевой вывод доклада заключается в том, что масштабирование ИИ, вероятно, продолжится до 2030 года, несмотря на беспрецедентные инфраструктурные требования. К 2030 году передовые модели ИИ будут требовать инвестиций в сотни миллиардов долларов и потреблять гигаватты электроэнергии. Хотя эти вызовы кажутся устрашающими, они преодолимы при условии, что ИИ сможет генерировать соответствующую экономическую отдачу за счет повышения производительности.
Авторы последовательно опровергают распространенные аргументы против продолжения масштабирования, включая идеи о том, что развитие ИИ "упрется в стену", что данные для обучения будут исчерпаны, что ограничения электроэнергии остановят прогресс, что инвестиции станут слишком дорогими, что фокус сместится на более эффективные алгоритмы или что компании переориентируются с обучения на вывод. Исследователи приходят к выводу, что экстраполяция текущих тенденций на 2030 год остается наиболее надежным базовым прогнозом.
В отчете подробно рассматриваются конкретные области научных исследований и разработок, где ИИ может значительно ускорить прогресс. К 2030 году, согласно прогнозам, ИИ сможет автономно реализовывать сложное научное программное обеспечение на основе естественного языка, помогать математикам в формализации набросков доказательств и отвечать на сложные вопросы о биологических протоколах. Авторы предсказывают, что многие научные области будут оснащены ИИ-ассистентами, сопоставимыми с современными помощниками по кодированию.
Исследование детализирует четыре конкретных примера: программную инженерию, математику, молекулярную биологию и прогнозирование погоды. В каждой из этих областей наблюдается значительный прогресс в соответствующих эталонных тестах, и экстраполяция показывает, что ИИ достигнет впечатляющих возможностей к 2030 году. Например, в программной инженерии ИИ сможет автономно исправлять ошибки, реализовывать функции и решать сложные научные задачи программирования; в математике ИИ будет действовать как исследовательский ассистент, разрабатывающий доказательства; в молекулярной биологии ИИ решит задачи взаимодействия белков и лигандов и поможет с исследованиями; а в прогнозировании погоды ИИ уже превосходит традиционные методы и будет продолжать совершенствоваться.
Важный вывод исследования заключается в том, что внедрение и общественное влияние могут значительно отставать от технических возможностей. Например, в фармацевтической отрасли длительные циклы разработки, необходимость лабораторных экспериментов и клинических испытаний означают, что немногие из лекарств, одобренных к 2030 году, будут созданы с использованием современных инструментов ИИ. В то же время, программная инженерия, с ее более короткими циклами итераций и отсутствием физических экспериментов, вероятно, претерпит драматические изменения.
В заключение, авторы подчеркивают, что к 2030 году ИИ, вероятно, станет ключевой технологией во всех секторах экономики, присутствуя в каждом аспекте взаимодействия людей с компьютерами и мобильными устройствами. Если эти прогнозы сбудутся, то жизненно важно, чтобы ключевые лица, принимающие решения, уделяли приоритетное внимание вопросам ИИ в ближайшие пять лет и в последующий период.
Исследование также отмечает, что хотя научные исследования и разработки находятся в центре внимания, большая часть экономического влияния ИИ может прийтись на широкую автоматизацию множества задач во всей экономике. Однако задачи научных исследований и разработок чаще имеют эталонные тесты, как правило, представляют высокую ценность, характеризуются быстрым внедрением технологий и привлекают значительные исследовательские усилия, что делает их полезным испытательным полигоном для изучения возможностей ИИ.
Данный отчет был заказан Google DeepMind. Все точки зрения и выводы, выраженные в нем, принадлежат авторам и не обязательно отражают позицию или одобрение Google DeepMind.
Что произойдет, если масштабирование ИИ продолжится до 2030 года? Мы публикуем отчет, который исследует, что потребуется для такого масштабирования с точки зрения вычислительных мощностей, инвестиций, данных, оборудования и энергии. Мы также рассматриваем будущие возможности ИИ, которые обеспечит это масштабирование, особенно в области научных исследований и разработок, которая является приоритетной для ведущих разработчиков ИИ. Мы утверждаем, что масштабирование ИИ, вероятно, продолжится до 2030 года, несмотря на необходимость беспрецедентной инфраструктуры, и обеспечит трансформационные возможности как в науке, так и за ее пределами.
Масштабирование, вероятно, продолжится до 2030 года: При текущих тенденциях передовые модели ИИ в 2030 году потребуют инвестиций в сотни миллиардов долларов и гигаватты электроэнергии. Хотя эти проблемы кажутся устрашающими, они преодолимы. Такие инвестиции будут оправданы, если ИИ сможет генерировать соответствующую экономическую отдачу за счет повышения производительности. Если доходы лабораторий ИИ будут продолжать расти нынешними темпами, они обеспечат прибыль, оправдывающую стомиллиардные инвестиции в масштабирование.
Масштабирование приведет к созданию ценных возможностей ИИ: К 2030 году ИИ сможет реализовывать сложное научное программное обеспечение на основе естественного языка, помогать математикам формализовать наброски доказательств и отвечать на открытые вопросы о биологических протоколах. Все эти примеры взяты из существующих эталонных тестов ИИ, показывающих прогресс, и простая экстраполяция предполагает, что они будут решены к 2030 году. Мы ожидаем, что возможности ИИ будут трансформационными в нескольких научных областях, хотя для их полноценного внедрения может потребоваться больше времени, чем до 2030 года.
Ниже мы обсудим некоторые выводы отчета.
При текущих тенденциях, кластеры, используемые для обучения передовых систем ИИ, будут стоить более $100 млрд к 2030 году. Такие кластеры смогут поддерживать обучение, требующее около 10^29 FLOP – количество вычислений, для которого потребовалось бы непрерывно использовать крупнейший кластер ИИ 2020 года в течение более 3000 лет. Модели ИИ, обученные на таких кластерах, будут использовать в тысячи раз больше вычислительных мощностей, чем GPT-4, и потребуют гигаватты электроэнергии.