Чему ИИ научится к 2030 году // Хабр
Группа Epoch AI по заказу Google DeepMind подготовила отчет о перспективах ИИ к 2030 году, если сохранится нынешний темп роста вычислительных ресурсов. По их оценке, затраты вычислительных ресурсов только на обучение передовых моделей могут вырасти примерно в 1000 раз. Для этого потребуются вложения порядка сотен миллиардов долларов (оценочно до $200 млрд на кластеры — около 1% ВВП США) только в ускорители и серверную инфраструктуру, а дата-центры могут потреблять ≈1,2% мировой электроэнергии к 2030-му.
В разработке ПО ИИ сможет брать больше повседневных задач: генерацию и рефакторинг кода, автотесты, фикс рутинных багов, миграцию между фреймворками, создании документации.
В математике ИИ будет помогать со «скелетами» доказательств, поиском релевантных фактов и проверкой шагов. Однако полностью заменить исследовательскую интуицию ИИ не сможет: постановка задач и интерпретация результатов остаются в зоне ответственности людей.
В биологии ИИ продвинется в вычислительных задачах: проектирование молекул и белков, оценка их свойств, приоритизация гипотез, анализ научной литературы и баз данных. Это поможет исследователям быстрее отбирать перспективные направления и сокращать число тупиковых экспериментов.
А вот ускорение разработки лекарств и медицинской практики будет идти медленнее — здесь остаются узкие места в лабораторных испытаниях, клинических исследованиях и регуляторных процедурах.
В прогнозировании погоды ИИ будет полезен прежде всего для кратко- и среднесрочных горизонтов. Уже сейчас модели показывают выигрыш перед прочими методами на масштабах от часов до недель, а ближайшие задачи — повышение точности прогнозов и прогнозы редких экстремальных событий.
Отдельное направление — внедрение ИИ в реальные контуры принятия решений (энергетика, АПК, транспорт).
