aofeisi Quadrup的期间|官方帐户QBITA的人工智能在2030年会是什么样？ Google DeepMind询问时，Epoch发布了一份新报告，对计算能力，数据，收入等进行了详细的审查。公共文本数据将在2027年耗尽，合成数据将补充间隔；预计人工智能将促进科学领域的全面突破。马斯克还记得这一点，并直接评论说：“这很明显。”在下面详细查看。这份耗资1000亿美元的报告被教导，如果根据当前趋势，人工智能在2030年继续扩展，那么AI Edge削减的计算能力群体的成本超过1000亿美元。这种类型的群集可以支持约10^29个失败的任务，这是Katumbas在2020年的数千年内允许最大的人工智能计算集群群集。与此同时，依靠此类群集培训的AI模型，消费量计算能力的数量将达到GPPT-4级别的数千倍，所需的功率将与GIGA级别一样高。尽管这些挑战令人恐惧，但无法衡量。如果AI可以通过提高生产率来产生相应的经济回报，那么足以证明道路投资的规模是合理的，这些投资是数万美元的，这些投资将是金额的数量。但是，这种趋势真的可以持续吗？答案是肯定的。因为可以从报告中可以看出，发展速度会减缓真正缺乏足够基础的观点。尽管对规模和收入的扩大有意见，但这种规模可能会遇到瓶颈，但报告指出，最近的AI模型在各种基准测试和收入中都取得了重大发展。这种瓶颈可能会出现，但是没有明确的证据表明这已经发生。例如，获取GPT-5和GPT-4，例如，他们都达到了重要的台面与前几代产品相比，国王跳跃。就收入而言，在2024年下半年，OpenAI，Anthropic和Google DeepMind收入的增长都超过90％，这相当于年增长率超过三倍。根据OpenAI和Anthropic的收入预测，两家公司在2025年仍将维持三倍以上的增长率。数据真的很累吗？该报告教导说，当前可用的人为生成的文本数量可能至少可以提及2027。随着识别模型的出现，合成数据不仅会大规模发展，而且其有效性得到了进一步证明。例如，Alphazero和Alphaproof仅通过自我开发的数据学习下棋和解决几何问题，并且它们的性能已达到甚至超过人类专家的水平。有很多方法可以快速改善电力的电力，例如太阳能与蝙蝠ry储能或离网自然产生的气体。此外，AI培训活动已开始由GEO分配给许多数据中心，这将消除一些压力。有些人还记得资本，如果它扩大了这一成本太高，AI开发人员可以选择破坏他们的投资。 Gayunpaman, ipinakita ng panahon na kung ang kita ng mga developer ng AI ay patuloy na lumalaki sa mga nagdaang mga uso, ang sukat nito ay sapat upang tumugma sa hinulaang $ 100 bilyong pamumuhunan na kinakailangan noong 2030. Ang paglago ng kita ng AI sa daan -daang bilyun -bilyong dolyar ay maaaring mukhang matindi, ngunit kung ang AI ay maaaring makabuluhang taasan ang produktibo ng isang malaking bilang ng mga gawain, ang potensyal na halaga nito ay maaaring maging as high as the trillion of the dollar.可以看一下人工智能开发可以转向更好的算法的算法。实际上，在连续gro的背景下在计算强度中，算法的效率继续提高。没有特别的理由可以期望算法的发展会突然加快，即使发生这种情况，它也可以刺激计算强度的进一步增长。一些人建议，AI公司可以“移动”最初用于推理过程中培训的计算强度。但是，该报告表明，当前通过培训和理解消耗的计算能力是可比的，并且有充分的理由表明应同时扩展两者。尽管对理解的任务有倾斜，但理解量表的扩展不太可能延迟培训领域的发展。因此，Epoch认为，对2030年当前发展趋势的推断的预测完全令人信服，这激发了他们AI的未来未来能力较低。 AI将加速科学在许多领域的搜索和发现。基准制定开发表明，到2030年，人工智能可以使用自然语言来实施复杂的科学软件，协助数学制作正式草图，并回答有关生物解决方案的复杂问题。许多科学领域的人工智能助理将与当今的软件编程容器相提并论。 Epoch以图表的形式在四个领域中直观地展示了AI科学研究能力的提高：软件工程报告确定，根据当前趋势，到2030年，人工智能可以自动解决问题，实施功能，并在科学计划中解决复杂（但定义得出的）问题。上图中的两个基准测试是：SWE-Bench验证：基于编程基准的解决GitHub问题和随附的单元测试，其中还包括采用私人方法的模型，例如Claude Sonnet4。ReBench。基于家庭作业的基准测试，寻找大约需要8个小时才能完成的任务。从数学来看，可以看出AI在Aime，Usamo和Frontiermath High-Diffikultity数学比赛中表现良好。因此，Epoch预测AI可以成为研究助手，这有助于完善证明或数学直觉的草案。 《分子生物学报告》指出，预计在未来几年中，预计蛋白质配体接触的公共基准将取得突破。同时，对即将进行的生物研究和开发领域的AI桌面研究。现有的问答生物学实验方案的基准测试预计将在2030年完全解决。时间预测，AI已经能够克服在一个数小时到一周的一次猜测传统的猜测方法。但是在不满的数据量中，预计其预测将有所改善。未来的挑战是进一步提高VE现有预测的准确性，尤其是对于罕见或极端事件的准确性，并将改进的预测应用于实际情况，从而带来更大的社会和经济利益。通常，AI可能在2030年无处不在，影响我们的工作，教育和生活的各个方面。那么，想在将来赢得胜利吗？了解如何首先使用AI。 Reference Link: [1] https://epoch.ai/blog/what-will-i-look-like-in-2030 [2] https://x.com/elonmusk/status/19683230777315649853 [3] https://www.red dit.com/r/singularity/comments/1niqrsx/epochs_new_report_commessed_by_google_google_deepmind/ave4 特别声明：上面的内容（包括照片或视频（如果有））已由“ NetEase”自助媒体平台的用户上传和发布。该平台仅提供信息存储服务。 注意：上面的内容（包括照片和视频（如果有））已由NetEase Hao用户上传和发布，该用户是社交媒体平台，仅提供信息存储服务。