Если масштабирование сохранится до 2030 года, инвестиции в ИИ достигнут сотен миллиардов долларов и потребуют гигаватт электроэнергии. Бенчмарки предполагают, что ИИ может повысить производительность в таких ценных областях, как научные исследования и разработки (НИОКР).
Опубликовано: 16 сентября 2025 г. Автор: Дэвид Оуэн
Перевод с английского.
Этот 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 сохранится до 2030 года? Мы публикуем отчет, в котором анализируем, что будет включать в себя такое наращивание мощностей с точки зрения вычислений, инвестиций, данных, аппаратного обеспечения и энергии. Мы далее рассматриваем будущие возможности ИИ, которые это масштабирование позволит реализовать, в частности, в научных НИОКР, что является приоритетом для ведущих разработчиков ИИ. Мы утверждаем, что масштабирование ИИ, вероятно, продолжится до 2030 года, несмотря на то что оно потребует беспрецедентной инфраструктуры, и обеспечит трансформационные возможности в науке и за ее пределами.
Масштабирование, вероятно, продолжится до 2030 года: согласно текущим тенденциям, передовые модели ИИ в 2030 году потребуют инвестиций в размере сотен миллиардов долларов и гигаватт электроэнергии. Хотя это устрашающие вызовы, они преодолимы. Такие инвестиции будут оправданы, если ИИ сможет обеспечить соответствующую экономическую отдачу за счет повышения производительности. Если доходы лабораторий ИИ будут продолжать расти текущими темпами, они обеспечат отдачу, которая оправдает стомиллиардные инвестиции в масштабирование.
Масштабирование приведет к новым ценным возможностям 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 бенчмарков ИИ, демонстрирующих прогресс, где простая экстраполяция позволяет предположить, что они будут решены к 2030 году. Мы ожидаем, что возможности ИИ будут трансформационными в нескольких научных областях, хотя для их полномасштабного внедрения может потребоваться больше времени, чем до 2030 года.
Ниже мы обсуждаем некоторые выводы отчета.
Масштабирование, вероятно, продолжится до 2030 года
Согласно текущим тенденциям, кластеры, используемые для обучения передового ИИ, будут стоить более 100 миллиардов долларов к 2030 году. Такие кластеры смогут поддерживать обучающие прогоны мощностью около 1029 FLOP — количество вычислений, которое потребовало бы непрерывной работы самого крупного кластера ИИ 2020 года на протяжении более 3000 лет. Модели ИИ, обученные на таких кластерах, будут использовать в тысячи раз больше вычислений, чем GPT-4, и потребуют гигаватт электроэнергии.
Это иллюстрирует повторяющуюся закономерность в наших выводах: если сегодняшние тенденции сохранятся, они приведут к экстремальным результатам. Стоит ли верить, что они сохранятся? За последнее десятилетие экстраполяция была сильным базовым прогнозом, и когда мы исследуем аргументы в пользу скорого замедления, они часто не убедительны.
Ниже мы резюмируем некоторые из этих аргументов и наши выводы из отчета:
- Масштабирование может «упереться в стену», т.е. системы ИИ могут перестать улучшаться при дальнейшем масштабировании. Но последние модели ИИ продемонстрировали значительные улучшения в бенчмарках и доходах. Это может произойти, но пока нет очевидных доказательств.
- Запасы данных для обучения могут иссякнуть. Но общедоступного текста, сгенерированного людьми, достаточно для масштабирования как минимум до 2027 года, а синтетические данные могут быть сгенерированы в больших количествах, и их полезность проверена после изобретения рассуждающих моделей. Полностью исключить узкое место в данных сложно, но оно кажется преодолимым.
- Масштабирование может быть ограничено электроэнергией. Если масштабирование продолжится, передовые обучающие прогоны потребуют гигаватт к 2030 году. Это будет сложно обеспечить, но есть способы быстро нарастить поставки электроэнергии, такие как солнечная энергия и аккумуляторы, или автономная газовая генерация. Более того, обучение передового ИИ уже начинает географически распределяться по нескольким центрам обработки данных, что смягчит проблемы. Электричество вряд ли станет узким местом до 2028 года, и кажется, что его можно решить даже после этого.
- Масштабирование может стать слишком дорогим, и разработчики ИИ прекратят инвестировать. Это, безусловно, возможно, но пока признаков этого мало. Если доходы разработчиков ИИ будут расти в соответствии с последними тенденциями, они будут соответствовать инвестициям в размере более 100 миллиардов долларов, которые мы экстраполируем для обучения передовых моделей в 2030 году. Рост доходов ИИ до сотен миллиардов может показаться крайностью, но если ИИ сможет повысить производительность в значительной части рабочих задач, он может стоить триллионы долларов.
- Разработка ИИ может сместиться в сторону более эффективных алгоритмов. Но алгоритмическая эффективность уже улучшается в рамках существующего роста вычислительных мощностей. Нет особой причины ожидать ускорения алгоритмического прогресса, и даже если бы это произошло, это, скорее всего, будет стимулировать использование большего количества вычислений.
- Компании, занимающиеся ИИ, могут перераспределить вычисления на вывод (inference), например, для запуска моделей рассуждений и других продуктов. Но в настоящее время обучение и вывод получают сопоставимые вычисления, и есть основания ожидать, что обучение и вывод должны масштабироваться вместе. Масштабирование обучения создает лучшие модели ИИ, которые смогут выполнять более ценные задачи вывода, более доступно. Может произойти сдвиг в сторону вывода, но маловероятно, что наращивание вывода замедлит масштабирование обучения.
В свете вышеизложенного, мы считаем, что экстраполяция текущих тенденций до 2030 года является сильным базовым прогнозом. И если они сохранятся, это позволит нам экстраполировать возможности ИИ, что мы и обсудим ниже.
ИИ ускорит научные НИОКР в нескольких областях
В отчете мы также рассматриваем конкретные примеры того, как ИИ может повысить производительность. Мы фокусируемся на научных НИОКР, что является заявленной целью нескольких ведущих разработчиков ИИ. Тенденции возможностей предполагают огромный прогресс в ИИ для научных НИОКР, особенно в таких областях, как программная инженерия и математика, где реалистичные задачи могут быть полностью обучены in silico (посредством компьютерного моделирования). К 2030 году прогресс в существующих бенчмарках предполагает, что ИИ сможет реализовывать сложное научное программное обеспечение на основе естественного языка, помогать математикам формализовать наброски доказательств и отвечать на сложные вопросы о биологических протоколах.
К 2030 году мы прогнозируем, что во многих научных областях появятся помощники ИИ, сравнимые с помощниками по программированию для инженеров-программистов сегодня. Будут различия по сравнению с программной инженерией, например, больший акцент на рецензировании и синтезе большой и разнородной литературы, тогда как существующие инструменты программирования ИИ в основном ограничены контекстом одного проекта. Тем не менее, есть важные сходства: предложение идей в ответ на контекст, поиск актуальной информации, выполнение «конкретных задач» в полном объеме.
Мы прогнозируем, что это в конечном итоге приведет к повышению производительности на 10-20% в рамках задач, основываясь на примере программной инженерии. Даже если рабочие задачи математика или биолога-теоретика меньше поддаются автоматизации, чем у инженера-программиста, у нас уже есть доказательства улучшения соответствующих бенчмарков, и мы ожидаем еще годы прогресса в этой части. Мы ожидаем, что возможности ИИ будут трансформационными в нескольких научных областях, хотя для их полномасштабного внедрения может потребоваться больше времени, чем до 2030 года.
Ниже мы представляем четыре примера из отчета: программная инженерия, математика, молекулярная биология и прогнозирование погоды. Хотя выбранные бенчмарки не могут охватить весь спектр задач в каждой области, они дают представление о растущих возможностях ИИ и задачах, которые вскоре могут быть автоматизированы.
Программирование
ИИ уже трансформирует программирование с помощью помощников по коду и систем вопросов-ответов. К 2030 году, согласно текущим тенденциям, ИИ сможет автономно исправлять проблемы, реализовывать функции и решать сложные (но четко определенные) задачи научного программирования.
- SWE-Bench-Verified: бенчмарк по программированию, основанный на решении реальных проблем GitHub с связанными модульными тестами.
- RE-Bench: бенчмарк исследовательской инженерии, основанный на задачах, схожих с домашними заданиями для кандидатов на работу, на выполнение которых человеку требуется примерно восемь часов.
Математика
ИИ скоро сможет выступать в качестве помощника в исследованиях, разрабатывая наброски доказательств или интуитивные догадки. Ранние отчеты уже документируют, что ИИ полезен в работе математиков. Известные математики сильно расходятся во мнениях о том, насколько актуальны существующие математические бенчмарки ИИ для их работы, а также в своих прогнозах относительно того, как скоро ИИ сможет самостоятельно выдавать значимые математические результаты, а не просто выступать в качестве помощника.
- AIME: экзамен по математике для старшеклассников, используемый для определения допуска на математическую олимпиаду США (US Mathematical Olympiad), с целочисленными ответами.
- USAMO: математическая олимпиада США, экзамен по математике для старшеклассников с доказательными ответами.
- FrontierMath: математический бенчмарк, сфокусированный на сложных вопросах до экспертного уровня, но все же предлагающий легко проверяемые ответы (числовые или простые выражения).
Молекулярная биология
Публичные бенчмарки для стыковки белок-лиганд (пространственное взаимодействие), такие как PoseBusters, находятся на пути к тому, чтобы быть решенными в ближайшие несколько лет, хотя сроки дольше (и неопределенны) для прогнозирования произвольных взаимодействий белок-белок. Тем временем, помощники ИИ для биологических НИОКР уже близко. Существующие бенчмарки вопросов-ответов по биологическим протоколам должны быть решены к 2030 году. Хотя эти бенчмарки не представляют весь спектр задач в молекулярной биологии, их тенденции показывают растущие возможности ИИ в этой области.
- PoseBusters-v2: бенчмарк для стыковки белок-лиганд (пространственное взаимодействие).
- ProtocolQA: бенчмарк для вопросов о протоколах «мокрой лаборатории» (wet lab protocols) по биологии, здесь оценивается без вариантов множественного выбора.
Прогнозирование погоды
ИИ-прогнозирование погоды уже может превзойти традиционные методы на промежутках от часов до недель. Более того, ИИ-методы экономичны в эксплуатации и могут улучшиться при большем количестве данных. Следующие задачи заключаются в улучшении существующих прогнозов, особенно редких явлений, и использовании улучшенных прогнозов для достижения преимуществ в более широком мире.
Повторяющаяся тема в исследовании заключается в том, что внедрение и социальное воздействие могут значительно отставать от возможностей. Например, по сравнению с фармацевтическими НИОКР, программная инженерия имеет более короткие циклы итераций, не требует экспериментов в «мокрой лаборатории» или клинических испытаний, редко включает системы, критически важные для безопасности, часто легко проверяется на приблизительную правильность и имеет обильные обучающие данные.
По этим причинам мы ожидаем, что немногие (если таковые будут) лекарства, одобренные к продаже к 2030 году, получат выгоду от сегодняшних инструментов ИИ, не говоря уже о тех, что будут в 2030 году. Однако на ранних стадиях разработки, вероятно, к тому времени будет наблюдаться значительный эффект от ИИ. Для сравнения, мы ожидаем, что программирование резко изменится, и мы ожидаем расцвета программного обеспечения для научных НИОКР и в более широком смысле.
Заключение
К 2030 году ИИ, вероятно, станет ключевой технологией в экономике, присутствующей во всех аспектах взаимодействия людей с компьютерами и мобильными устройствами. Если эти прогнозы сбудутся, крайне важно, чтобы ключевые лица, принимающие решения, приоритезировали вопросы ИИ по мере того, как они будут ориентироваться в ближайшие пять лет и далее.
