Big Ideas 2024：AI 篇 – Cloud500博客

技术融合

AI

随着数据不断发展的计算系统和软件能够解决复杂问题，实现知识工作的自动化，加速技术与各个经济领域的融合。神经网络的应用将比互联网的引入更具有重大意义，并有可能创造数十万亿美元的价值。这些系统在大规模应用时将需要前所未有的计算资源，而 AI 专用的计算硬件将在下一代云数据中心中占据主导地位，以训练和运行 AI 模型。终端用户的潜力显而易见：AI 驱动的智能设备将渗透人们的生活，改变他们的消费、工作和娱乐方式。AI 应用将改变每个行业，影响每项业务，并催化每个创新平台。

融合技术正在引发历史性的科技浪潮

人工智能处于技术催化剂的中心

从高到低，技术融合矩阵展示了技术之间的关系

AI的发展速度超出了预期

各项技术的进步可以相互融合并转变为巨大的新市场

这些技术对经济的影响是显著的

技术创新可能具有足够的颠覆性，主导全球股票市场的市值

对 AI 的预期

以下所描述的内容基于 ARK 对未来的预测。由于存在一些不确定因素，这些预测在未来可能无法实现。所提供的信息不应被视为投资建议，也不应构成任何投资决策的依据。

神经网络

2040 年预测：在海量数据的加持下，计算系统和软件能解决以往不能解决的问题，实现知识工作的自动化，并加速科技与所有经济程序的融合。随着成本的急剧下降，定制软件随着每一次 AI 模型的增强而不断改进，这将世界连接起来。学习系统迅速发展，改变每一个行业和地区，其影响力不亚于微处理器的问世。
ARK对 2030 年进展期望：自 2023 年以来， AI 模型的训练成本已经下降了 4 万多倍，再加上对 AI 硬件的积极投入，AI 的综合能力提高了约 60 万倍。有 50% 的知识工作者已经用上了 AI 软件系统，他们的工作效率平均提高了 9 倍。与其他软件产品一样，企业需要支付生产率提升的 10% 作为使用该软件的费用。

下一代云

2040 年预测：云工具训练的 AI 模型主导软件堆栈，软件将 AI 运行的世界连接在一起。促进神经网络训练的 IaaS、芯片制造商和工具制造商将迎来几十年的需求周期。软件开发普及，提供互操作软件层 API 连接的公司迎来前所未有的增长。
ARK对 2030 年展望：1.3 万亿美元的 AI 硬件支出可以支撑 13 万亿美元的 AI 软件销售，使得传统软件毛利率达到 75%。对 AI 硬件的需求主要来自三类客户：IaaS、软件公司和 AI 基础模型服务商，这些客户预计将达到 20% 的现金流利润率，与芯片制造商相当。

智能设备

2040 年预测：AI 为家庭和出行带来了动力。有线互联网和 AI 驱动的基础设施在家庭和社会环境中普及，彻底改变所有媒体的内容分发方式。终端用户将以全新的方式与世界互动，他们的消费偏好数据催生新的商业模式和服务。商业和博彩深入到娱乐体验中，促成新的广告和内容变现形式。节目已经成为商店。有线电视将过时，因为数字内容和消费者偏好直接推动视觉内容的发展。有线内容让位于交互式体验，巧妙地融合到互动体验中，以 AI 为媒介的眼镜和耳机渗透到日常生活的方方面面。
ARK对 2030 年展望：消费者在智能硬件上的支出持续增长，每位互联网用户年支出约为 60 美元。线上时间大幅增长，占休闲时间的一半，达 20 万亿小时。数字体验持续以低价变现，在线平台服务商每小时可获得 0.25 美元的收入。智能设备、娱乐和社交平台的总收入达到 5.4 万亿美元，其中广告和商业将占据 80%。

AI：推动全球智能化发展并重新定义工作

凭借在广泛测试中表现出的超凡能力，像 GPT-4 这样的 AI 模型会催生出前所未有的生产力。受 ChatGPT 的“iPhone”时刻的影响，企业正竞相利用 AI 的潜力。

AI 不仅将提高效率，还将受益于成本的迅速下降和开源模型的出现。我们预计到 2030 年，如果知识型工作者的生产力能够提高 4 倍，那么在未来 5 至 10 年内，实际 GDP 的增长可能会加速，并创新历史新高。

ChatGPT 令消费者欣喜，让企业感到惊叹

自 2017 年谷歌发明了 Transformer 架构以来，ChatGPT 在多年的发展进步基础上，促进了公众对生成式 AI 的理解。ChatGPT 不再只是开发者工具，其简单的聊天界面使得任何国家的人都能运用 LLM 的强大功能。2023 年，各企业竞相理解并部署生成式 AI。

AI 显著提升了生产力

像 GitHub Copilot 和 Replit AI 这样的编程助手是早期的成功案例，它们已经显著提高了软件开发人员的生产力和工作满意度。由 AI 驱动的助理正在提高知识工作者的绩效，有趣的是，这些 AI 助理对表现欠佳工作者的提升要比原本表现好的工作者更为明显。

各领域的基础模型都在不断改进

随着训练数据集的扩大和参数量的增加，GPT-4 相较于 GPT-3.5 表现出了明显的性能优势。越来越多的基础模型实现了‘多模态’功能，支持文本、图像、音频和视频。不仅变得更加灵活和友好，性能也更为强大。

文生图模型正在重新定义平面设计

在多伦多大学的研究人员推出首个文生图像模型八年后，图像模型的输出效果已经能够与专业平面设计师的作品相媲美。相比之下，比如画一群大象穿过绿草如茵的田野，可能需要花费几百美元请一个人类设计师并耗费几个小时。而文生图模型只需几分钱，就能在几秒内生成类似的图像。专业软件如 Adobe Photoshop 以及消费级应用软件如 Lensa 和 ChatGPT 等，正在将图像模型整合到它们的产品和服务中。

文本创作的成本已经大幅下降

在过去的一个世纪里，文本内容的撰写成本按实际价值计算相对稳定。然而，在过去两年中，随着 LLM 写作质量的提高，文本内容的撰写成本也相应下降。

AI训练性能正在迅速提升

AI 研究人员正通过在训练、推理、硬件和模型设计等方面的创新提高 AI 的性能并降低成本。

训练成本会以每年 75% 的速度持续下降

根据莱特定律，加速计算硬件的改进会使每年 AI 相关计算单元（RCU）的生产成本降低53%，而算法模型的改进则会进一步使每年的训练成本降低 47%。换而言之，到 2030 年，硬件和软件的融合将使 AI 的训练成本以每年 75% 的速度降低。

随着生产应用案例的出现，AI的关注重点正转向推理成本

最初，研究人员专注于优化 LLM 的训练成本，而现在则更加关注推理成本。根据企业规模的使用案例，推理成本似乎正以每年约86%的速度下降，甚至比训练成本下降得更快。如今，与 GPT-4 Turbo 相关的推理成本已经低于一年前的 GPT-3。

开源社区正与私有模型展开竞争

面对 OpenAI 和谷歌闭源模型的竞争，开源社区及其支持者 Meta 正致力于普及生成式 AI。总体上，开源模型性能的提升速度比闭源模型更快，中国的模型在这方面也做出了贡献。

语言模型性能的提升需要细微的技术

从 SAT 到高级侍酒师考试，GPT-4 在标准化教育测试中表现优于普通人。然而，根据 WinnoGrande 的测试，GPT-4 在常识推理方面的能力却不及人类平均水平。斯坦福大学的评估框架：语言模型的逻辑评估（HELM）是目前最全面、持续更新的评估方法之一，已对 80 多个模型进行了测试，涉及 73 种情景和 65 项指标。