ASI从云端降临终端 放大新智产业链规模效应.pptxVIP

ASI从云端降临终端放大新智产业链规模效应

新智元创始人杨静

目录

2024全球人工智能产业链洞察

ASI放大新智产业链规模效应

从云端降临终端，走向ASI新天地

2024全球人工智能产业链洞察

2024全球人工智能产业链洞察

ScalingLawsMooreslaw LLM的能力提升大部分来自于算力，而摩尔定律代表着硬件算力的发展

MIT的研究报告发现——LLM的性能大约每8个月就会翻一倍，速度远超摩尔定律（两年翻一倍）

2024全球人工智能产业链洞察

GeminiUltra的开发成本估计为1.91亿美元，GPT-4的开发成本估计为7800万美元

5年来排名前15的企业（大学）研发了近150个基础大模型，按平均1亿美元的开发训练成本计算，投入已超过150亿美元

2024全球人工智能产业链洞察

星际之门：微软和OpenAI将耗资1000亿美元，2028年推出AI超算Stargate

马斯克训练Grok-2用了2万块英伟达H100

，而Grok-3及其后续版本的AI模型将需要多达10万块的同型号芯片

马斯克旗下xAI2025年将投入近100亿美元购买30万块B200。这个革命性的超算中心算力相当于60万块H100

Meta将在2024年购买约35万块H100，届时Meta将拥有近60万GPU储备

万亿美元—万卡级登月竞赛

大模型大玩家——微软+Meta两大巨头和10家万卡追随者

全球2023年军事支出创10多年来最大涨幅

，创2.4兆美元空前新高

元

1.美国 9160亿美元 2.中国2960亿 美

3.俄罗斯1090亿美元 4.印度 836亿 美

元

阿波罗登月计划1961-1972约11年，总成本为250亿美元，换算成现在的金额为1500亿美元

美国冲击AGI成本至少超1万亿美元

ASI宇宙

算力

能源

大模型即系统生态

资金

人才

投入

2029，奇点临近？——ASI登月竞赛的时间线

马斯克：xAI目标6年内实现AGI,

2029年或2030年，数字智能可能超过所有人类智能的总和

黄仁勋：能通过人类测试的计算机，5年内实现。更高则更难

奥特曼：4-5年

DeepMind创始人DemisHassabis

一个具有普遍能力的系统，能够完成人类所能做的几乎所有的认知任务，2030年实现

扎克伯格：能源将成为瓶颈，AGI最终实现可能需要几十年时间

2030年，全球数据中心的用电量将超过全球人口最多的国家印度

24年6月20日，排名前6的美国科技公司总市值超15万亿美元，而排名前20的中国大陆科技公司总市值不到1.4万亿美元（Top3市值≈中国A股总市值）

从AGI到ASI，指数级加速

地球从AGI向ASI进化，所有财富和资源配置将指数级加速流向头部垄断生态群

，低维生态将被快速抽干，片甲不留直至清0。

自ChatGPT推出以来，英伟达的市值已增长8倍，达到3.2万亿美元，并在6月5日一度超越苹果，成为全球第二大市值公司。

ASI——万众臣服GPU铁王座

ASI星球大战的产业链集聚效应

Sora横空出世：大模型向多模态横跳，算力和数据需求指数级剧增

约需72万块英伟达H100才能大规模运行类似Sora的模型，这意味着人工智能生成的视频已经在TikTok和YouTube等流行视频平台上实现显著的市场渗透

中金公司测算：训练侧来看，Sora的算力成本理论计算值约为GPT-4的10倍，推理侧来看，Sora的算力成本理论计算值高达约GPT-4的2000倍

GPT-4训练用了2.5万块A100

如果平台大规模运行类似Sora的模型

，可能需要大约70万块H100。预估费用超过210亿美元

天文数字的合成数据将成为未来大模型训练的核动力

若基于现实世界数据训练，Sora使用的数据量可能多达每分钟百万token级别

微软可能给OpenAI提供了5000亿视频用于Sora训练。Sora的API接口开放后，将有更多海量数据涌入，又有更多视频生成

天文数字的合成数据将成为未来大模型训练的核动力

根据Gartner的预测，2024年用于训练大模型的数据中有60%将是合成数据

到2030年大模型使用的绝大部分数据将由人工智能合成

最优异的大模型能合成最高质量的训练用数据

届时超人类智能使用的数据将由AGI自我合成

OpenAI的GPT-5面临10万亿到20万亿tokens的数据短缺

Epoch研究所的AI研究员PabloVillalobos估计，GPT-4训练涉及的数据量高达12万亿tokens，而未来模型，如GPT-5，可能需要60万亿到100万亿tokens

OpenAI目前每天能创造出约1000亿字的内容，而全世界的人类每天总共能产生约100万亿