导读：一份由谷歌DeepMind委托、研究员大卫·欧文（David Owen）撰写的报告预测：如果当前的发展趋势持续到2030年，人工智能相关投资可能达到数千亿美元，算力消耗需要以“吉瓦”为单位来计算。与此同时，AI在科研领域的应用将加速，尤其在软件工程、数学、生物学研究、天气预测等方面带来显著效率提升。不过，能力的提升与真正落地之间，仍存在不小的时间差。

按照预测，到2030年，前沿人工智能的训练可能需要超过1000亿美元的投资，以及以“吉瓦”为单位的电力供应。以2020年最大的AI集群作为参照，这样的算力规模相当于需要该AI集群持续运行三千多年。 虽然这一数字听起来惊人，但研究认为，如果AI能显著提升生产力，就有理由支持这种投入。从趋势上看，过去十年里，简单的规模化已经不断带来突破，而所谓“增长遇到瓶颈”的担忧，还没有明确证据出现。报告特别强调了科学研发可能受益的方向。到2030年，AI或许能：

• 独立编写复杂科研软件，从自然语言直接生成代码；

• 辅助数学家，把证明草图转化为完整推理；

• 解答生物实验相关问题，从实验协议到蛋白质相互作用；

• 提升天气预测精度，从小时级延伸到周级。

这些能力的基础，已经在现有基准测试中初露端倪。趋势推演显示，科研助手型AI将像今天的软件编程助手一样普及，在科研不同环节实现10%-20%的效率提升。

不过，能力的提升并不意味着马上就能大规模应用。相比软件工程，生物医药等领域研发周期更长、验证环节更复杂，因此真正进入生产环节可能会滞后。换句话说，科研一线的“AI实验助手”可能在2030年前后逐渐普及，但药品研发、产业应用全面变革可能要再等更久。

报告的结论指出：人工智能的规模化发展大概率会延续到2030年，并逐渐渗透到科研、经济和社会各个角落。接下来几年，如何在算力、电力和投入之间找到平衡，将成为产业和政策制定者必须面对的现实考题。

参考资料：https://epoch.ai/blog/what-will-ai-look-like-in-2030