兰德-谁能资助未来的人工智能发展_（英）-2025_54页_569kb

报告摘要

详细总结：谁将资助未来人工智能的发展？

核心内容

本文探讨了未来人工智能（AI）基础模型开发的潜在资助来源，分析了训练成本、技术能力、硬件资源、能源消耗以及性能提升的可能性。作者不试图预测未来AI发展的具体概率，而是构建了一个框架，帮助政府和私人组织理解何时以及是否需要采用不同的资助模式。

主要观点

AI基础模型的训练成本极高：随着模型复杂度和数据集规模的增加，训练成本呈指数级增长。例如，GPT-3的训练成本估计在$1.6 million至$4.6 million之间，而GPT-4的训练成本可能高达$63 million。
推理成本相对较低，但总体仍高：虽然单次推理成本远低于训练成本，但大规模模型的高并发使用使得推理总成本仍不容忽视。GPT-4的推理成本约为每页对话$0.0014，而OpenAI的收费标准为每页对话$0.03，导致利润空间显著。
硬件资源成为限制因素：AI训练所需的主要硬件是AI加速器（如NVIDIA GPU），但其供应有限。每年最多销售3500万块GPU，若需替换，则难以维持当前增长趋势。此外，全球微芯片短缺可能影响硬件供应。
能源消耗与环境影响：AI训练和推理对电力需求巨大，可能对电网造成压力。GPT-3的训练消耗了约1.3 gigawatt hours的能源，排放了552 metric tons of CO₂。虽然数据中心效率有所提升，但AI对全球碳排放的贡献不容忽视。
性能提升存在不确定性：尽管模型规模和数据量增加带来了性能提升，但这种提升可能并不均匀。某些测试中，GPT-4表现优异，但在其他测试中，其表现与GPT-3.5相当。此外，模型可能因“幻觉”和“数据塌陷”而面临性能瓶颈。
未来数据来源可能受限：高质量的人类生成数据可能在2026年至2032年间耗尽，而未来的训练数据可能更多依赖AI生成的内容，这可能引发“数据塌陷”问题，影响模型质量。
政府与私人资助的博弈：政府和私人机构在资助AI基础模型开发上各有优劣。政府资助可能有助于协调资源，实现公共利益，而私人市场可能更灵活。但两者均面临挑战，包括成本控制、资源分配和伦理问题。
经济理论与资助模式：文章提出了一个理论框架，分析了可能的资助模式，包括私人资助、政府资助、混合模式、慈善资助以及无资助的可能性。私人资助通常是默认模式，但政府可能在特定情况下介入，例如技术风险或社会影响较大时。