Musk hat gerade diesen AI-Bericht gefolgt.

Wie wird die künstliche Intelligenz im Jahr 2030 aussehen?

Commissioniert von Google DeepMind hat Epoch einen neuen Bericht veröffentlicht, in dem eine detaillierte Analyse von Rechenleistung, Daten, Einnahmen usw. vorgenommen wurde.

Die wichtigsten Punkte sind wie folgt zusammengefasst:

• Die Trainingskosten könnten 100 Milliarden US-Dollar übersteigen;
• Es werden mehrere Gigawatt (1 Gigawatt = 1.000 Megawatt) Strom verbraucht;
• Die öffentlichen Textdaten werden bis 2027 aufgebraucht sein, und synthetische Daten werden die Lücke füllen;
• Die künstliche Intelligenz wird wahrscheinlich einen umfassenden Durchbruch im wissenschaftlichen Bereich vorantreiben.

Insbesondere Elon Musk zeigt großes Interesse und kommentiert direkt: "Das ist offensichtlich."

Schauen wir uns das im Detail an.

Eine Milliarde Dollar an Kosten

Der Bericht zeigt, dass wenn die künstliche Intelligenz sich bis 2030 gemäß dem aktuellen Trend weiter ausdehnt, die Kosten für die Rechenleistungskluster der führenden KI über 100 Milliarden US-Dollar liegen werden.

Solche Cluster können Trainingsaufgaben von etwa 10^29 FLOP unterstützen, was äquivalent ist zu einem ununterbrochenen Betrieb des weltweit größten KI-Rechenleistungsklusters im Jahr 2020 über 3.000 Jahre.

Zur gleichen Zeit wird der Rechenleistungsverbrauch von KI-Modellen, die auf solchen Clustern trainiert werden, Tausende Male höher sein als der von GPT - 4, und der benötigte Strom wird sogar im Gigawatt-Bereich liegen.

Obwohl diese Herausforderungen abschreckend sind, sind sie nicht unüberwindbar.

Wenn die KI durch die Steigerung der Produktivität entsprechende wirtschaftliche Renditen erzielen kann, ist dies ein ausreichender Beweis dafür, dass die Investitionen im Milliarden-Dollar-Bereich gerechtfertigt sind und sich lohnen.

Wird dieser Trend jedoch tatsächlich anhält? Die Antwort ist ja.

Der Bericht zeigt, dass die Ansichten, die eine Verlangsamung der Entwicklung erwarten, tatsächlich nicht ausreichend begründet sind.

Skalaerweiterung und Einnahmen

Obwohl einige Ansichten darauf hinweisen, dass diese Skalaerweiterung auf Engpässe stoßen könnte, zeigt der Bericht, dass die jüngsten KI-Modelle in verschiedenen Benchmarks und bei den Einnahmen bemerkenswerte Fortschritte gemacht haben.

Solche Engpässe könnten auftreten, aber es gibt derzeit keine eindeutigen Hinweise darauf, dass sie bereits eingetreten sind.

Nehmen wir GPT - 5 und GPT - 4 als Beispiel. Beide haben in den Benchmarks einen großen Sprung im Vergleich zu ihren Vorgängern erzielt.

Im Hinblick auf die Einnahmen hat OpenAI, Anthropic und Google DeepMind im zweiten Halbjahr 2024 alle eine Umsatzsteigerung von über 90 % verzeichnet, was einem Jahreswachstum von mehr als dem Dreifachen entspricht.

Nach den Einnahmenprognosen von OpenAI und Anthropic werden beide Unternehmen auch im Jahr 2025 ein Wachstum von mehr als dem Dreifachen aufrechterhalten.

Daten

Werden die Daten wirklich aufgebraucht?

Der Bericht zeigt, dass die derzeit verfügbaren öffentlichen, von Menschen generierten Texte mindestens bis 2027 ausreichen.

Mit der Entstehung von Inferenzmodellen können synthetische Daten nicht nur in großem Maßstab generiert werden, sondern ihre Wirksamkeit wurde auch weiter bestätigt.

Beispielsweise haben AlphaZero und AlphaProof nur anhand von selbstgenerierten Daten gelernt, Schach zu spielen und geometrische Probleme zu lösen, und ihre Leistung hat das Niveau menschlicher Experten erreicht oder sogar übertroffen.

Stromversorgung

Es gibt viele Möglichkeiten, die Stromerzeugung schnell zu erhöhen, wie z. B. die Kombination von Solarenergie mit Batteriespeichern oder die netzunabhängige Gasstromerzeugung.

Darüber hinaus werden die Trainingsaufgaben der führenden KI bereits in mehreren Rechenzentren geografisch verteilt durchgeführt, was einen Teil des Drucks abmildern wird.

Kapital

Einige befürchten, dass KI-Entwickler möglicherweise ihre Investitionen verlangsamen, wenn die Skalierungskosten zu hoch sind.

Allerdings zeigt Epoch, dass wenn die Einnahmen der KI-Entwickler gemäß dem jüngsten Trend weiter steigen, das Volumen ausreichen wird, um die prognostizierten Investitionen von über 100 Milliarden US-Dollar bis 2030 zu decken.

Die Steigerung der KI-Einnahmen auf Milliarden von Dollar scheint extrem, aber wenn die KI die Produktivität bei einer Vielzahl von Arbeitsaufgaben erheblich steigern kann, könnte ihr potenzieller Wert hunderte von Milliarden von Dollar betragen.

Algorithmen

Einige meinen, dass die KI-Entwicklung möglicherweise auf effizientere Algorithmen umsteigen wird.

Tatsächlich hat sich die Effizienz der Algorithmen stetig verbessert, während die Rechenleistung weiter wächst.

Es gibt derzeit keine besonderen Gründe, dass man erwarten sollte, dass der Fortschritt der Algorithmen plötzlich beschleunigt wird. Selbst wenn dies der Fall wäre, könnte dies möglicherweise die Nachfrage nach Rechenleistung weiter steigern.

Rechenleistungsverteilung

Einige behaupten, dass KI-Unternehmen möglicherweise die Rechenleistung, die ursprünglich für das Training vorgesehen war, auf die Inferenz umleiten könnten.

Aber der Bericht zeigt, dass derzeit die Rechenleistung für das Training und die Inferenz in etwa gleich groß ist, und es gibt ausreichende Gründe dafür, dass beide gleichmäßig erweitert werden sollten.

Selbst wenn es eine Verschiebung hin zu Inferenzaufgaben gibt, ist es unwahrscheinlich, dass die Erweiterung des Inferenzbereichs die Entwicklung im Trainingsbereich verzögern wird.

Daher ist Epoch der Meinung, dass die Prognose, den aktuellen Entwicklungstrend bis 2030 fortzusetzen, überzeugend ist, was sie dazu veranlasst, weitere Schlussfolgerungen über die zukünftigen Fähigkeiten der KI zu ziehen.

KI wird die wissenschaftliche Forschung in mehreren Bereichen beschleunigen

Die Fortschritte in den bestehenden Benchmarks zeigen, dass bis 2030 die künstliche Intelligenz in der Lage sein wird, komplexe wissenschaftliche Software mithilfe natürlicher Sprache zu nutzen, Mathematikern bei der Formalisierung von Beweisansätzen zu helfen und komplexe Fragen zu biologischen Lösungen zu beantworten.

In vielen wissenschaftlichen Bereichen wird es KI-Assistenten geben, die vergleichbar sind mit den heutigen Programmierassistenten für Softwareingenieure.

Epoch hat in Form von Diagrammen die zunehmende Forschungsfähigkeit der KI in 4 Bereichen graphisch dargestellt:

Softwareentwicklung

Der Bericht zeigt, dass gemäß dem aktuellen Trend die künstliche Intelligenz bis 2030 in der Lage sein wird, Probleme selbst zu beheben, Funktionen zu implementieren und komplexe (aber klar definierte) wissenschaftliche Programmierprobleme zu lösen.

Die beiden Benchmarks im obigen Diagramm sind wie folgt:

SWE-Bench-Verified: Ein Programmierbenchmark, der auf der Lösung echter GitHub-Probleme basiert und mit entsprechenden Unit-Tests ausgestattet ist, einschließlich Modelle, die private Methoden verwenden, wie z. B. Claude Sonnet 4.

RE-Bench: Ein Forschungsingenieurbenchmark, der auf Aufgaben basiert, die ähnlich wie Hausaufgaben für Bewerber sind und von Menschen etwa 8 Stunden dauern.

Mathematik

Es ist ersichtlich, dass die KI in den schwierigen Mathematikwettbewerben AIME, USAMO und FrontierMath hervorragend abgeschnitten hat.

Daher prognostiziert Epoch, dass die KI bald möglicherweise als Forschungsassistent fungieren könnte, um Beweisentwürfe oder mathematische Intuition zu verbessern.

Molekularbiologie

Der Bericht zeigt, dass es in den nächsten Jahren wahrscheinlich einen Durchbruch bei den öffentlichen Benchmarks für Protein-Ligand-Wechselwirkungen (z. B. PoseBusters) geben wird.

Zur gleichen Zeit wird ein KI-Desktop-Forschungsassistent im Bereich der biologischen Forschung bald auftauchen. Die bestehenden Benchmarks für die Beantwortung von Fragen zu biologischen Experimenten werden voraussichtlich bis 2030 vollständig gelöst sein.

Wettervorhersage

Derzeit ist die KI in der Lage, in einem Zeitraum von Stunden bis Wochen besser als herkömmliche Vorhersagemethoden zu sein. Mit der Zunahme der Datenmenge wird ihre Vorhersagefähigkeit jedoch möglicherweise weiter verbessert werden.

Die zukünftigen Herausforderungen bestehen darin, die Genauigkeit der bestehenden Vorhersagen weiter zu verbessern, insbesondere bei der Vorhersage seltener oder extremer Ereignisse, und die verbesserten Vorhersagen in der Praxis anzuwenden, um so größere soziale und wirtschaftliche Nutzen zu erzielen.

Insgesamt wird die KI im Jahr 2030 wahrscheinlich überall sein und alle Aspekte