玩币族移动版

来源：新智元

电子计算机于上世纪40年代诞生，而在计算机出现后的10年内，人类历史上的第一个AI应用就出现了。

70多年过去了，AI模型现在不仅能写诗，还能根据文本提示生成图像，甚至是帮助人类发现未知的蛋白质结构。

那么，是什么推动了AI技术在如此短时间内的指数级增长呢？

一张来自「我们数据中的世界」（Our World in Data）的长图，通过用于训练AI模型的算力变化为刻度，对AI发展历史进行了追溯。

高清大图：https://www.visualcapitalist.com/wp-content/uploads/2023/09/01.-CP_AI-Computation-History_Full-Sized.html

图中数据的来源，是源于一篇由MIT等大学研究人员发表的论文。

论文地址：https://arxiv.org/pdf/2202.05924.pdf

除了论文之外，还有一个研究团队根据这篇论文数据做了一个可视化的表格，可以随意缩放图标来获取精细的数据

表格地址：https://epochai.org/blog/compute-trends#compute-trends-are-slower-than-previously-reported

图表的作者主要通过计算运算次数以及GPU时间来估计训练每个模型的计算量，而对于选择哪一个模型作为重要模型的代表，作者主要通过3个性质来确定：

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。

相关性：作者只收录了包含实验结果和关键机器学习组成部分的论文，并且论文目标是推动现有SOTA发展。

独特性：如果描述同一系统的另一篇论文更具影响力，那么该论文将被从作者的数据集中排除。

在1950年代，美国数学家Claude Shannon训练了一个名为Theseus的机器老鼠，使其能在迷宫中导航并记住路径—这是第一个人工学习的实例。

Theseus的构建基于40个浮点运算（FLOPs）。FLOPs通常用作衡量计算机硬件计算性能的指标。FLOP数量越高，计算能力越强，系统也越强大。

计算能力、可用的训练数据和算法是AI进步的三大要素。而在AI发展的最初几十年里，所需的计算能力是按照摩尔定律增长的——计算能力也在大约20个月的时间翻一倍。

然而，在2012年由AlexNet（一个图像识别AI）标志着深度学习时代的开始时，这个翻倍时间大大缩短到了六个月，因为研究人员加大了对计算和处理器的投资。

随着2015年AlphaGo的出现——一个击败了人类职业围棋选手的计算机程序——研究人员发现了第三个时代：大规模AI模型时代到来了，它的计算需求比以前所有的AI系统都要大。

回顾最近的十年，计算能力的增长是如此之快，简直令人难以置信。

例如，用于训练Minerva（一个可以解决复杂数学问题的AI）的计算能力几乎是十年前用于训练AlexNet的600万倍。

这种计算增长，加上大量可用的数据集和更好的算法，令AI在极短的时间内取得了大量进展。如今，AI不仅能达到人的表现水平，甚至在很多领域超过了人类。

从上图可以清楚地看出，人工智能在很多领域已经超越了人类的表现，并且在其他方面也将很快超越人类的表现。

下图展示了在常见的人类日常工作和生活会使用到的能力中，AI在哪一年已经达到或者超过了人类水平。

难以说计算增长是否会保持相同的速度。大规模模型需要越来越多的算力来训练，如果算力供应不能继续增长，可能会减缓AI技术发展的进度。

同样，耗尽目前可用于训练AI模型的所有数据也可能妨碍新模型的开发和实施。

然而，2023年，大量资本涌入AI行业，尤其是以大语言模型为代表的生成式AI。或许更多的突破即将出现，似乎以上3个促进AI技术发展的元素都将在未来进一步得到优化和发展。

2023年上半年，AI行业的初创公司融资规模达到了140亿美元，甚至比过去4年获得的融资总和还要多。

而大量（78%）的生成式AI初创公司都还处于发展非常早期的阶段，甚至27%的生成式AI初创公司公司还没有进行融资。

360多家生成式人工智能公司，27% 尚未进行融资。超过一半是 轮或更早的项目，说明整个生成式AI行业还属于非常早期的阶段。

由于开发大型语言模型的资本密集型性质，自 2022 年第三季度以来，生成式AI基础设施类别已获得超过 70% 的资金，仅占所有生成式AI交易量的10%。大部分资金源于投资者对基础模型和API、MLOps（机器学习操作）以及向量数据库技术等新兴基础设施的兴趣。

参考资料：

https://www.visualcapitalist.com/cp/charted-history-exponential-growth-in-ai-computation/