夜雨聆风系列导读： 这是“「洞见」AI 2030系列”的第一篇。Epoch AI 受谷歌 DeepMind 委托，发布了一份长达百页的预测报告《AI in 2030》，从算力增长、资金投入、数据来源、硬件供应、能源消耗五个维度，推演 2030 年前 AI 的发展路径。本文聚焦"基础设施"侧——那些支撑未来 AI 运转的资源之战。
图：Epoch AI《AI in 2030》报告封面图，来源：Epoch AI
一句话读懂这份报告
如果过去十年的趋势不中断，2030 年最强 AI 模型所消耗的算力，将是今天最强模型的 1000 倍。训练它需要花费数千亿美元，所需电力接近一座大型城市的平均用电量。
这不是科幻小说。这是在当前趋势的延长线上，直接算出来的数字。
算力：AI 进步的真正发动机
报告的核心逻辑只有一条：算力（Compute）是驱动 AI 进步最根本的要素。
从 2010 年深度学习时代开始，用于训练 AI 模型的算力，每年增长约 4～5 倍，14 年来几乎未曾中断。这种增长不是线性的，而是指数级的——就像银行里不断复利的存款。
图：2010—2024 年主要 AI 模型训练算力增长趋势，每年约增长 4～5 倍，来源：Epoch AI
如果这条趋势线延续到 2030 年，最大的 AI 模型将使用 10²⁹ FLOP 的算力来训练——相当于让 2020 年最大的 AI 集群持续运行 3000 年以上。
算力的增长来自两个方向：
训练算力（Training Compute）：用于"教"模型，一次性投入，模型越大，能力越强。 推理算力（Inference Compute）：用于"用"模型，每次对话都在消耗。2024 年后兴起的推理模型（Reasoning Models）让推理算力的效率大幅提升。
两者并不互相抢夺资源。报告指出，目前大型 AI 公司的训练与推理算力投入比例大约在 4:6 左右，并会随着技术进步继续协同扩张。
投资：没有万亿级市场，就没有千亿级投入
算力不是免费的，它需要天量的资金支撑。
报告推算，按当前趋势，2030 年训练一个顶级模型所需的集群，造价将高达数千亿美元。这接近美国当年 GDP 的 1%。
这笔钱从哪里来？答案是：来自对 AI 经济价值的预期。
目前，前沿 AI 实验室的收入每年增长约 3 倍。如果 AI 能真正大幅提升经济生产效率，其潜在市场价值将达到数万亿美元。算下来，花几千亿来建集群，是一笔逻辑自洽的买卖。
英伟达等芯片厂商的市值，也隐含着市场对 AI 年收入突破万亿美元的预期。
图：按当前趋势推算，2030 年前沿 AI 训练集群造价将超过 1000 亿美元，来源：Epoch AI
数据：人类文字快用完了，但 AI 不会断粮
一个常见的担忧是：AI 训练会把互联网上的文字都"吃完"吗？
报告的答案是：公开的高质量人类文字，确实可能在 2027 年前后趋于枯竭。但 AI 不会因此"断粮"，因为还有两大新来源：
合成数据（Synthetic Data）：AI 自己生成数据来训练自己，尤其是推理任务上效果显著。 多模态数据（Multimodal Data）：图像、视频、音频、蛋白质结构数据……这些"非文字"数据的体量远超纯文本，且仍在快速增长。
此外，对于科学研究领域（药物分子、物理模拟等），高价值专业数据的重要性将越来越突出，谁掌握这类数据，谁就占据 AI 训练的先机。
硬件：芯片与集群的军备竞赛
支撑算力增长的，是半导体和数据中心的大规模扩张。
报告预测，顶级 AI 芯片的总安装算力，每年将增长约 2.3 倍。与此同时，单个数据中心的规模正在逼近物理极限——因为电力供应跟不上，大型训练任务开始分布在多个数据中心协同完成（如谷歌的 Gemini 训练跨数据中心运行）。
这意味着未来的 AI 基础设施，将不再是一栋楼里的超级计算机，而是分布在全球各地、连接成网的"数字工厂群"。
图：前沿 AI 训练电力需求历史趋势与 2030 年预测，预计达数 GW 量级，来源：Epoch AI × EPRI
能源：AI 的电力账单，比你想象的要大
如此规模的算力，必然带来庞大的能源消耗。报告给出了一组关键数字：
这个数字，与电动汽车（约 2%）和互联网（2～3%）处于同一量级，并不小，但也没有到"毁灭地球"的程度。
更关键的是：AI 本身也可以降低碳排放。在能源调度优化、工业流程控制、交通规划等领域，AI 减少的排放，有望超过它自身消耗带来的排放。但这取决于社会如何选择部署这项技术。
小结：指数时代，趋势就是命运
这期内容用一句话概括：AI 的底层硬件竞争，已经是一场不亚于太空竞赛的战略博弈。 算力、资金、数据、芯片、电力，五条赛道同时飞奔，彼此咬合，缺了哪一环都会拖慢整体进度。
而报告最核心的判断是：在 2030 年之前，没有任何一个明显的"单点故障"能够中断这条指数曲线。
下一期预告： 算力堆上去之后，AI 究竟会"学会"什么？软件工程、数学、分子生物学、天气预报——四大领域的具体能力预测，下期见。
资料来源：Epoch AI《AI in 2030: Extrapolating current trends》（受 Google DeepMind 委托）编辑整理：AI 2030 系列组
作者：Leon Peng （Contact Me Through: sig_idm_peng@163.com）
