AI算力70年成長6.8億倍，3個歷史階段見證AI技術指數級爆發

**來源：**新智元

一張圖揭示了AI算力70多年發展了6.7億倍，未來AI各方面能力將全面超越人類，而真正令人期待的是，AI產業才剛進入爆發前的萌芽期。

電子計算機於上世紀40年代誕生，而在電腦出現後的10年內，人類歷史上的第一個AI應用就出現了。

70多年過去了，AI模型現在不僅能寫詩，還能根據文字提示產生圖像，甚至是幫助人類發現未知的蛋白質結構。

那麼，是什麼推動了AI技術在如此短時間內的指數級成長呢？

一張來自「我們資料中的世界」（Our World in Data）的長圖，透過用於訓練AI模型的算力變化為刻度，對AI發展歷史進行了追溯。

高清大圖：

圖中資料的來源，是源自於一篇由MIT等大學研究人員發表的論文。

論文地址：

除了論文之外，還有一個研究團隊根據這篇論文數據做了一個視覺化的表格，可以隨意縮放圖示來獲得精細的數據

表格地址：

圖表的作者主要透過計算運算次數以及GPU時間來估計訓練每個模型的計算量，而對於選擇哪一個模型作為重要模型的代表，作者主要透過3個性質來確定：

显著的重要性：某个系统具有重大历史影响，显著提高了SOTA，或者被引用次数超过 1000次。

相關性：作者只收錄了包含實驗結果和關鍵機器學習組成部分的論文，並且論文目標是推動現有SOTA發展。

獨特性：如果描述同一系統的另一篇論文更具影響力，那麼該論文將被從作者的資料集中排除。

AI發展的三個時代

在1950年代，美國數學家Claude Shannon訓練了一個名為Theseus的機器老鼠，使其能在迷宮中導航並記住路徑—這是第一個人工學習的實例。

Theseus的建構是基於40個浮點運算（FLOPs）。 FLOPs通常用作衡量電腦硬體運算效能的指標。 FLOP數量越高，運算能力越強，系統也越強大。

運算能力、可用的訓練資料和演算法是AI進步的三大要素。而在AI發展的最初幾十年裡，所需的運算能力是按照摩爾定律成長的──運算能力也在大約20個月的時間翻倍。

然而，在2012年由AlexNet（一個影像辨識AI）標誌著深度學習時代的開始時，這個翻倍時間大大縮短到了六個月，因為研究人員加大了對運算和處理器的投資。

隨著2015年AlphaGo的出現——一個擊敗了人類職業圍棋選手的電腦程式——研究人員發現了第三個時代：大規模AI模型時代到來了，它的計算需求比以前所有的AI系統都要大。

未來AI技術的進展

回顧最近的十年，運算能力的成長是如此之快，簡直令人難以置信。

例如，用於訓練Minerva（一個可以解決複雜數學問題的AI）的運算能力幾乎是十年前用於訓練AlexNet的600萬倍。

這種計算增長，加上大量可用的數據集和更好的演算法，令AI在極短的時間內取得了大量進展。如今，AI不僅能達到人的表現水平，甚至在許多領域都超越了人類。

AI能力將在各個層面不斷超越人類

從上圖可以清楚看出，人工智慧在許多領域已經超越了人類的表現，並且在其他方面也將很快超越人類的表現。

下圖展示了在常見的人類日常工作和生活會使用到的能力中，AI在哪一年已經達到或超過了人類水平。

### AI技術發展勢能充足

難以說計算成長是否會保持相同的速度。大規模模型需要越來越多的算力來訓練，如果算力供應無法繼續成長，可能會減緩AI技術發展的進度。

同樣，耗盡目前可用於訓練AI模型的所有數據也可能妨礙新模型的開發和實施。

然而，2023年，大量資本湧入AI產業，尤其是以大語言模式為代表的生成式AI。或許更多的突破即將出現，似乎以上3個促進AI技術發展的元素都將在未來進一步優化與發展。

2023年上半年，AI產業的新創公司融資規模達到了140億美元，甚至比過去4年獲得的融資總和還要多。

而大量（78%）的生成式AI新創公司都還處於發展非常早期的階段，甚至有27%的生成式AI新創公司公司還沒有進行融資。

360多家生成式人工智慧公司，27% 尚未進行融資。超過一半是輪或更早的項目，說明整個生成式AI產業還屬於非常早期的階段。

由於開發大型語言模式的資本密集性質，自2022 年第三季以來，生成式AI基礎設施類別已獲得超過70% 的資金，僅佔所有生成式AI交易量的10%。大部分資金源自於投資者對基礎模型和API、MLOps（機器學習操作）以及向量資料庫技術等新興基礎設施的興趣。

參考資料：