「洞见」AI 2030第二期|AI 在 2030 年能做什么?四大领域的能力预测

系列导读： 上一期我们讨论了 AI 的"底层基础设施"——算力、资金、能源如何以指数级扩张。本期进入核心问题：这些资源涌入之后，AI 究竟会具备哪些实际能力？Epoch AI 报告聚焦四个具体领域：软件工程、数学、分子生物学和天气预测，给出了基于基准测试外推的能力预测。

图：Epoch AI 报告聚焦软件工程、数学、分子生物学、天气预报四大领域，来源：Epoch AI

从算力到能力：中间有一道坎

算力增长是可以预测的，能力增长是可以推算的——但两者之间，存在一个关键前提：现有基准测试（Benchmark）上已经出现进步迹象的任务，才能被外推预测。

就像一个孩子，你只能预测他已经开始学的科目会越来越好，无法预测他会突然精通一门从未接触的乐器。

报告对此非常坦诚：

• ✅ 可以预测：那些已经在随算力增加而提升的能力领域
• ❌ 无法预测：AI 何时能达到"真正的通用智能（AGI）"——因为目前还有太多基准测试上 AI 几乎没有进步

带着这个前提，我们来看四个领域的具体预测。

领域一：软件工程——AI 正在成为"全能程序员"

结论：2026 年前后，AI 将能独立完成大多数常规软件工程任务。

软件工程是 AI 能力最成熟、预测最有把握的领域，原因很简单：代码可以被自动验证（运行正确就是正确），训练数据极为丰富（GitHub 上有数十亿行开源代码）。

报告引用了两个关键基准测试：

• SWE-bench：测试 AI 解决真实 GitHub Issue 的能力。按当前进度，2026 年前后有望被完全攻克。
• RE-Bench：测试 AI 完成数小时级别的科学编程和研究工程问题。进度略慢，预计 2027 年左右达到人类水平。

图：AI 基准测试性能随训练算力的增长而提升，这一规律支撑了对 2026—2030 年能力节点的预测，来源：Epoch AI

对普通开发者意味着什么？

今天的 AI 编程助手（如 GitHub Copilot）已经能让软件工程师的生产效率提升 10%～20%。到 2030 年，大多数日常编程任务可能已经可以由 AI Agent 自主完成，人类工程师将更多地转向架构设计、需求定义和质量把关。

最大的不确定性：当任务变得更加开放和模糊时，人类监督是否会成为新的瓶颈？

领域二：数学——AI 正在成为数学家的"助手"

结论：2027 年前后，AI 有望在顶级数学推理基准测试上达到人类专家水平。

数学是对 AI 推理能力的终极考验。报告指出，目前进展最快的基准测试之一是 FrontierMath——一套由职业数学家设计的极难问题，按当前趋势，2027 年左右可能被攻克。

数学家们对此的预期是：AI 未来能在以下方面提供实质帮助——

• 将数学家的"草稿思路"形式化为严格证明
• 在海量数学文献中搜索相关定理和引理
• 验证证明步骤中的逻辑漏洞

这类似于 AI 编程助手在软件工程领域扮演的角色：不是替代人类，而是大幅降低数学家处理繁琐细节的认知负担。

图：算力增长趋势为各领域（含数学）的能力外推提供了基础，来源：Epoch AI

更大的问题尚无答案：AI 何时能"自主证明一个有意义的新定理"？报告给出的答案是——或许在 2030 年之前，但确实不确定。这是当前 AI 基准测试中几乎没有进步的空白区域之一。

领域三：分子生物学——AI 加速"书桌上的科研"

结论：AI 将大幅提升基础生物学研究的产出，但药物真正上市至少要等到 2030 年之后。

分子生物学的 AI 进展分两个层次：

第一层：结构预测（已经很强）

AlphaFold 系列已经彻底改变了蛋白质结构预测领域。类似的基准测试（如 PoseBusters，衡量蛋白质与配体结合的预测精度）预计在未来几年内被攻克。

第二层：复杂的蛋白质互作预测（仍有挑战）

对于更复杂的蛋白质-蛋白质相互作用（尤其是训练数据稀少的新型蛋白质），准确率仍然有限，时间线更长且充满不确定性。

图：AI 能力快速扩张（如电力需求增长曲线所示），而药物监管审批时间线（7—12 年）是无法被算力加速的"硬约束"，来源：Epoch AI × EPRI

最关键的洞察：AI 在生物学领域最大的贡献，将首先体现在"书桌上的研究"——文献综述、假说生成、实验方案设计——而不是实验台上的湿实验操作。

按现有药物审批流程，2030 年能上市的药物，现在已经进入临床试验了。AI 今天在分子生物学上的突破，对公众可感知的影响，大概率要等到 2030 年之后才会显现。

领域四：天气预报——已经超越传统方法

结论：AI 天气预报已经在多数指标上超过传统数值模型，且仍在快速改进。

这是四个领域中进展最确定、已经最接近落地的一个。

AI 天气预报模型（如谷歌的 GraphCast、DeepMind 的 NeuralGCM）已经在数小时到数周的预报时效上全面超越传统数值天气预报模型，且运算成本只有后者的几百分之一。

未来的挑战集中在两点：

1. 极端事件预报：台风、暴洪等罕见灾害事件，历史训练数据太少，预报仍不够准确。
2. 实时数据集成：要进一步提升精度，需要接入更多传感器数据（卫星、浮标、地面站），涉及数据授权、低延迟传输等复杂工程问题。

图：算力和集群规模的持续投入是 AI 天气预报等领域不断突破传统方法的底层驱动力，来源：Epoch AI

改进天气预报的潜在影响远不止于"出门带不带伞"——它覆盖电力电网调度、农业收成预测、航运路线规划、灾害应急响应等关键基础设施。

横向比较：四个领域的进展速度

共同结论：AI 将是"无限助理"，而非立即的"替代者"

这四个领域的案例指向同一个模式：

AI 最先改变的是"桌面工作"，而不是"动手工作"。

软件工程师多了一个会写代码的伙伴；数学家多了一个会搜索文献、验证逻辑的助手；生物学家多了一个会分析数百篇论文的文献助理；气象学家有了更精准的预报工具。这些变化将提升每个领域的产出总量，但最终对物理世界的影响——药物获批、新技术落地——需要数年的额外时间。

下一期预告： 当 AI 能做这一切之后，世界会变成什么样？社会结构、监管边界、不确定性风险——第三期聚焦更宏观的图景。

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