Ang Anggulo. AI's Ang Rise ay sumusunod sa mga batas na kasing regular ng alinman sa pisika: mas maraming compute, mas mahusay na mga algorithm at mas maraming data ang bumibili ng mga nahuhulaang pakinabang, at ang haba ng gawain na kayang tapusin ng isang frontier model nang mag-isa ay dumoble halos bawat apat na buwan simula noong 2023.
Ang AGI ay hindi isang switch na basta na lang bubukas. Ito ay isang hagdanan, at sa digital at maayos na trabaho, mabilis natin itong inaakyat. Sa nobela, bukas, at pisikal na trabaho, matarik pa rin ang hagdan.
Ang Trick
Magpagawa ng soneto sa isang chatbot, ayusin ang code mo, o ipaliwanag ang blood test mo, at parang mahika ang pakiramdam. Gumagana ang trick dahil entablado lang ang nakikita mo. Sa backstage, walang wizard. May tatlong dial at bill ng kuryente.
- Ang unang dial ay ang compute: kung gaano karaming kalkulasyon ang ginagamit sa pagsasanay ng isang modelo.
- Ang pangalawa ay ang mga algorithm: kung gaano katalino ang paggamit ng bawat kalkulasyon.
- Ang pangatlo ay ang datos: kung gaano karaming teksto, code, at video ang natututuhan ng modelo.
Simula noong 2024, isang pang-apat na dial ang sumama sa kanila: oras ng pag-iisip, ang kalkulasyon na ginugugol ng isang modelo sa pagdadahilan bago ito sumagot. Itaas ang anumang dial up at tataas ang performance sa isang kahanga-hangang nahuhulaang paraan.
Ang kakayahang mahulaan ang tunay na nagpapakita. Binigyan tayo ni Isaac Newton ng mga batas na naglalarawan kung paano gumagalaw ang mga bagay. AI Nakatuklas ang mga mananaliksik ng mga batas na naglalarawan kung paano bumubuti ang katalinuhan, kahit man lang sa uri ng makina, gamit ang mga mapagkukunan. Tulad ni Newton's mga batas, maganda ang pagkakagawa ng mga ito sa loob ng kanilang saklaw at nababasag sa mga gilid. Ang piyesang ito ay tungkol sa pareho: ang mga batas, at ang mga gilid.
MoJo's Batas: ang batas ng neural scaling
Noong Enero 2020, isang koponan sa OpenAI pinangunahan ng Jared Kaplan ipinakita na ang isang modelo ng wika's Ang error, ang "pagkawala" nito, ay nahuhulog bilang isang smooth power law ng compute na ginagamit upang sanayin ito. Kapag naisulat na, halos nakakadismaya itong simple:
L(C) = \left(\frac{C_c}{C}\right)^{\alpha_C}, \qquad \alpha_C \approx 0.050Ang L ay ang loss, ang C ay training compute at ang C_c ay isang constant. Ang exponent ang buong kwento. Kung ang α ay nasa humigit-kumulang 0.05, ang pagpaparami ng compute sa 10 ay nakakabawas lamang sa loss ng humigit-kumulang 11%, dahil ang 10 sa power ng minus 0.05 ay humigit-kumulang 0.89. Ang bawat sampung hakbang ay bibili ng katulad at katamtamang pagpapabuti, magpakailanman, hanggang sa may maubos na iba. Kaplan's nakahanap ang pangkat ng mga tumutugmang batas ng kapangyarihan para sa laki at datos ng modelo.
Pagkalipas ng dalawang taon, itinuwid ng papel ng DeepMind na Chinchilla (Hoffmann at mga kasamahan, Marso 2022) ang resipe. Para sa isang nakapirming badyet, ang mga parameter at mga training token ay dapat lumago nang magkasama, na katumbas ng humigit-kumulang 20 token ng training data bawat parameter . Ang Chinchilla, na may 70 bilyong parameter na sinanay sa 1.4 trilyong token, ay nalampasan ang isang modelo na apat na beses ang laki nito na sinanay sa parehong compute.
Narito ang bahaging hindi napapansin ng karamihan. Ang maliliit na pagbuti sa pagkalugi ay nagdudulot ng malalaki, minsan ay biglaang pagbabago sa aktwal na magagawa ng isang modelo, dahil maraming kasanayan ang gagana lamang kapag halos lahat ng bagay ay nakuha na ng modelo nang tama. Ang isang maayos na batas sa ilalim ay maaaring magmukhang mahika sa ibabaw.
At dumarami ang mga dial. Kung ang frontier training compute ay lumalaki nang humigit-kumulang 5 beses sa isang taon (Epoch AI) at ang mas mahuhusay na algorithm ay nakakabawas ng kalahati sa compute na kailangan para sa parehong resulta bawat 8 buwan o higit pa (Ho at mga kasamahan, 2024), ang epektibong compute sa likod ng pinakamahusay na modelo ay lumalaki nang halos 14 na beses sa isang taon, dahil ang 2 sa kapangyarihan ng 12/8 ay humigit-kumulang 2.8, at ang 5 beses sa 2.8 ay 14. Iyan ang aritmetika ni Mojo, hindi isang sinusukat na numero, ngunit ipinapaliwanag nito kung bakit ang mga modelo sa bawat taon ay parang ibang uri.
Ano nga ba ang binabasa ng mga dial?
Umiikot pa rin ang apat na dial, ngunit papalapit na sa paghinto ang data dial.
Compute. Kapanahunan AI Tinatayang lumago ang frontier training compute nang humigit-kumulang 5 beses sa isang taon simula noong 2020, na may mga gastos sa pagsasanay na lumalaki nang humigit-kumulang 3.5 beses sa isang taon. Ang GPT-3 ay sinanay gamit ang humigit-kumulang 3 × 10^23 na operasyon noong 2020; ang GPT-4 naman ay may humigit-kumulang 2 × 10^25 noong 2023.
Kapanahunan's pinakamalaking pagtatantya para sa isang pagtakbo sa 2026, ang OpenAI's Ang GPT-6 Astra ay may sukat na humigit-kumulang 9 × 10^26, at wala pang nakumpirmang pagtakbo sa 10^27. Tinantya ng Epoch na ang pagsasanay sa Grok 4 noong 2025 ay gumamit ng humigit-kumulang 310 gigawatt-hours ng kuryente at nagkakahalaga ng humigit-kumulang $490 milyon.
Mga Algoritmo. Natuklasan sa isang pag-aaral noong 2024 nina Anson Ho at mga kasamahan na kailangang maabot ng compute ang isang takdang antas ng pagganap ng language-model nang kalahati bawat 8 buwan, bagama't mas malaki pa rin ang nagagawa ng mas malaking compute.
Data Ito ang dial na may stop. Epoch AI tinatantya ang stock ng publiko tekstong isinulat ng tao sa humigit-kumulang 300 trilyong token at inaasahan na ito ay ganap na magagamit para sa pagsasanay sa pagitan ng 2026 at 2032. Nasa loob na tayo ngayon ng panahong iyon. Ang mga laboratoryo ay bumabaling sa sintetikong datos, lisensyadong datos, video at sa sariling mga bakas ng pangangatwiran ng mga modelo.
Oras ng pag-iisip. Ang pinakabagong dial. Noong Setyembre 2024, ipinakita ng o1 ng OpenAI na ang pagpapahintulot sa isang modelo na mangatwiran nang mas matagal sa oras ng pagsagot ay nagpapataas ng katumpakan nang maayos: sa isang kompetisyon sa matematika noong 2024, nakakuha ito ng 74% sa isang pagtatangka at 93% nang makapag-sample at makapag-rerank ito ng 1,000 pagtatangka, laban sa 12% para sa GPT-4o. Natuklasan ng isang pag-aaral noong 2024 na ang matalinong pagkalkula ng spending inference ay nagpapahintulot sa isang maliit na modelo na malampasan ang isa nang 14 na beses ang laki nito.
Richard Sutton's Nakita ito sa sanaysay noong 2019 na "The Bitter Lesson": sa chess, Go, pagsasalita at paningin, ang mga pangkalahatang pamamaraan na gumagamit ng mas maraming pagkalkula ay natalo ang matalinong kaalamang binuo ng kamay sa bawat pagkakataon. Pagkalipas ng anim na taon, ang aral ay masakit pa rin.
Ano ang sinasabi ng pisika tungkol sa mga limitasyon?
Ang mga batas ng software sa itaas ay tumatakbo sa hardware, at mga sagot sa hardware sa physics. Tatlong numero ang bumubuo sa buong debate.
Bumibilis pa rin ang mga chips, hindi na lang sa dating paraan. Bumagal na ang batas ni Moore, ang pagdoble ng mga transistor halos kada dalawang taon; tinawag itong patay na ni Jensen Huang ng Nvidia noong 2022.
Ngunit Nvidia's Itinaas ng mga data-center chip ang siksik na 16-bit na pagganap mula sa humigit-kumulang 125 trilyong operasyon kada segundo sa V100 (2017) patungo sa humigit-kumulang 4,000 trilyon sa Rubin (2026), humigit-kumulang 32 beses sa loob ng siyam na taon, ayon sa sarili nitong mga detalye. Karamihan sa mga pakinabang ay nagmula sa espesyal na disenyo at mas mababang katumpakan na matematika, hindi sa mas maliliit na transistor.
Kapanahunan AI mga panukala hardware sa pag-aaral ng makina nagiging halos doble ang pagiging matipid kada 2.1 taon.
Nakakahiya ang kahusayan ng utak mo. Ang utak ng tao ay tumatakbo sa humigit-kumulang 20 watts, ayon sa US National Institute of Standards and Technology. Ang isang Nvidia H100 ay kumukuha ng humigit-kumulang 700 watts. Ang pinakamahusay na hula ng Open Philanthropy para sa raw computing power ng utak ay humigit-kumulang 10^15 operasyon kada segundo, halos katumbas ng isang H100. Ang paghahambing ay parang mansanas sa dalandan, ngunit ang agwat sa kahusayan ay totoo at tumutukoy kung gaano kalaki ang espasyo sa hardware.
May sahig. Ang prinsipyo ni Landauer, na iminungkahi noong 1961 at kinumpirma sa pamamagitan ng eksperimento noong 2012, ay nagtatakda ng pinakamababang enerhiyang kailangan upang burahin ang isang piraso ng impormasyon sa temperatura ng silid: humigit-kumulang 3 × 10^-21 joules. Ang mga chip ngayon ay gumagamit ng maraming order ng magnitude na higit pa riyan. Ang pisika ay hindi pa ang limitasyong umiiral. Ang mga power station ang siyang umiiral.
Ang International Energy Agency's 2025 Enerhiya at AI Tinatayang gumamit ang mga data center ng humigit-kumulang 415 terawatt-oras ng kuryente noong 2024, humigit-kumulang 1.5% ng kuryente sa mundo.'s kabuuan, at tinatayang aabot sa humigit-kumulang 945 terawatt-oras pagsapit ng 2030.
Bawat tanong, ang mga numero ay maliit at bumababa: Sinukat ng Google ang median text prompt sa Gemini sa 0.24 watt-hours noong Mayo 2025, bahagyang mas mababa sa Epoch AI.'s tinatayang humigit-kumulang 0.3 watt-hours para sa isang tipikal na query sa ChatGPT noong unang bahagi ng taong iyon, at iniulat ng Google ang 33-beses na pagbaba ng enerhiya sa bawat prompt sa loob ng 12 buwan.
Ang problema ay ang kabalintunaan ni Jevons: habang ang bawat tanong ay nagiging mas mura, bilyun-bilyon pa ang tinatanong natin sa mga ito.
Ang Mojo Horizon Clock: gaano katagal kaya AI magtrabaho nang mag-isa?
Noong 2019, ang GPT-2 ay nakapagsagawa ng mga gawain na humigit-kumulang 3 segundo. Noong Abril 2026, ang METR's maagang pagtatantya para sa Anthropic's Mahigit 16 na oras ang itinagal ng Claude Mythos Preview.
Iyan ay humigit-kumulang 21,000 beses na pagtaas sa loob ng pitong taon. Nang itugma ko ang isang trend line sa bawat bagong rekord, ang abot-tanaw ay dumoble halos bawat 6 na buwan sa buong 2019 hanggang 2026, at halos bawat 4.1 na buwan simula noong 2023. Ang sariling update ng METR noong Enero 2026 ay naglagay ng oras ng pagdoble pagkatapos ng 2023 sa humigit-kumulang 4.3 na buwan, kaya sumasang-ayon ang aming independiyenteng pagkakatugma.
Kung palalawigin ang linyang post-2023, bilang isang paglalarawan lamang, tatawid ito sa isang 40-oras na linggo ng trabaho sa bandang katapusan ng 2026 at isang 167-oras na buwan ng trabaho sa ikalawang kalahati ng 2027.
Ngayon ang mga paalala, dahil mahalaga ang mga ito.
- Una, ang 50% na tagumpay ay hindi nangangahulugang pagiging maaasahan; sa 80% na tagumpay, mas maikli ang mga abot-tanaw.
- Pangalawa, ang mga ito ay mga software na may sariling kakayahan at mga gawain sa pananaliksik, hindi makalat na trabaho kasama ang mga kasamahan, customer, at mga pisikal na bagay.
- Pangatlo, ang panukat mismo ay sira na: Sinasabi ng METR na ang mga pagtatantya nito na higit sa 16 na oras ay hindi maaasahan, at itinigil nito ang aktibong pag-update ng leaderboard nito noong Setyembre 2026.
Kapag naubusan na ang ruler bago pa man masukat ang bagay, isa na itong hudyat.
Bakit patuloy na bumababa ang mga benchmark?
Dahil ang mga modelo ay umuunlad, at dahil ang mga benchmark ay mga target. Parehong totoo, at ang pangalawa ang dahilan kung bakit ko maingat na tinitingnan ang bawat leaderboard.
Ang pinakakapansin-pansing kaso ay ang ARC-AGI-3, na inilunsad ng ARC Prize Foundation noong ika-25 ng Marso 2026 bilang isang hanay ng mga interactive na puzzle na walang mga tagubilin, na madaling malutas ng mga tao. Sa paglulunsad, ang pinakamahusay AI nakakuha ng 0.51%. Noong ika-3 ng Setyembre 2026, beripikado ng ARC Prize ang OpenAI's Ang GPT-6 Astra sa 62.7% sa karaniwang setup ng pagsubok nito. (Ang mga viral claim na 98% hanggang 99% ay nagmula sa ibang setup na hindi ibinibilang ng ARC Prize bilang pamantayan.) Ang isang benchmark na idinisenyo upang tumagal ng maraming taon ay nawalan ng halos lahat ng kakayahan nito sa loob ng halos anim na buwan.
Sa ibang lugar, nauulit ang pattern. Ang coding sa SWE-bench Verified ay bumaba mula 4.4% noong 2023 patungo sa humigit-kumulang 96% sa mga resulta ng provider noong 2026, na nangangahulugang hindi na nito pinaghihiwalay ang pinakamahusay na mga modelo. Noong Hulyo 2025, ginamit ng Google DeepMind's Nalutas ng Gemini Deep Think ang lima sa anim na problema sa International Mathematical Olympiad, kung saan nakakuha ito ng 35 sa 42 puntos sa ilalim ng opisyal na pagmamarka, isang pamantayang gintong medalya.
Ang lente dito ay Goodhart's batas: kapag ang isang panukat ay naging target, hindi na ito maituturing na isang mabuting panukat. Ang mga laboratoryo ay nagsasanay patungo sa mga sikat na benchmark; ang mga tanong sa pagsusulit ay lumalabas sa datos ng pagsasanay. Hindi nito ginagawang peke ang progreso. Nangangahulugan ito na ang mga tapat na panukat ay iyong mga mukhang totoong gawa, tulad ng METR's mga takdang-panahon, at ang mga mahirap pa rin para sa mga makina at madali para sa mga tao, tulad ng ARC-AGI-3 at Humanity's Huling Pagsusulit na walang mga kagamitan, kung saan ang pinakamahusay na opisyal na iskor ay 38.3%.
Kaya gaano kalapit ang AGI?
Mas malapit sa mga screen kaysa sa mundo, at mas malapit kaysa sa inaakala ng karamihan sa labas ng larangan. Ngunit ang "AGI" ay may iba't ibang kahulugan sa iba't ibang tao, na kalahati ng dahilan kung bakit paikot-ikot ang debate.
Mga Kahulugan. Ang balangkas na "Levels of AGI" ng Google DeepMind (Morris at mga kasamahan, 2023) ay nagraranggo ng mga sistema sa dalawang aspeto, kung gaano kahusay ang kanilang pagganap at kung gaano sila pangkalahatan, at inuri ang mga chatbot noong panahong iyon bilang mga "umuusbong" na AGI. Pinag-uusapan ng mga pinuno ng laboratoryo ang mga sistemang maaaring gumawa ng pinakamahalaga sa ekonomiya na gawain; Inilalarawan ni Dario Amodei ng Anthropic ang "isang bansa ng mga henyo sa isang datacenter". Binibigyang-kahulugan ito ng mga nagdududa bilang pag-aaral mula sa karanasan na parang tao, na hindi nagagawa ng mga kasalukuyang modelo.
Mga Pagtataya.
Mas agresibo ang mga pinuno ng laboratoryo: noong Enero 2026, ang Anthropic's Isinulat ni Dario Amodei na ang makapangyarihang AI maaaring isa hanggang dalawang taon pa ang layo. Sinabi ni Demis Hassabis noong 2023 na maaari itong mangyari sa loob ng isang dekada. Tinawag ni Yann LeCun, na umalis sa Meta at nakalikom ng $1.03 bilyon para sa isang bagong lab, na isang dead-end ang malalaking language model, at ikinakatuwiran ni Richard Sutton na gumagaya sila sa halip na natututo.
Tatlong gate ni Mojo. Sa halip na isang finish line, tatlo ang sinusundan ko, bawat isa ay may masusukat na pagsubok.
| Gate | Pagsubok | Katayuan, Nobyembre 2026 | MoJo's basahin |
|---|---|---|---|
| 1. Digital na awtonomiya | AI nakakumpleto ng isang linggo ng totoong software o gawaing pananaliksik nang may mataas na pagiging maaasahan | 50% na abot-tanaw lampas 16 na oras; mas maikli ang maaasahang mga abot-tanaw; lumalabag sa pagsukat | Posible sa loob ng 1 hanggang 3 taon |
| 2. Nobela | Madali para sa mga tao at baguhan sa mga puzzle sa antas ng tao (ARC-AGI-3) | Pinakamahusay na na-verify 62.7%; mga tao 100% | Mabilis na pagsasara; posible sa loob ng 1 hanggang 2 taon |
| 3. Ang pisikal na mundo | Mga robot na gumagawa ng pangkalahatang pisikal na gawain sa isang kompetitibong gastos | Matipid para sa humigit-kumulang 0.3% ng mga pisikal na gawain (Anthropic, Set 2026) | Isang dekada o higit pa |
Ang aking hatol: ang digital na kalahati ng AGI ay isang buhay na posibilidad bago ang 2030. Ang pisikal na kalahati, ang bahaging nagtupi ng mga labahan, nag-aayos ng mga boiler at nag-aalaga ng mga maysakit, ay mas malayo pa. Moravec's May kabalintunaan pa rin: ang mahirap para sa atin ay madali para sa mga makina, at ang madali para sa atin ay mahirap para sa kanila. Sinumang magsabi sa iyo na ang AGI ay darating sa iisang petsa ay parang nagbebenta ng isang bagay.
Pagsusuri ng Claim
| paghahabol | Sino ang gumagawa nito | MES | MoJo's basahin |
|---|---|---|---|
| May bisa pa rin ang mga batas sa pagpapalawak ng espasyo | AI mga laboratoryo, Epoch AI | 4 Strong | Patuloy na bumababa ang pagkawala kasabay ng pag-compute; ang data dial ang siyang panganib na nagbubuklod |
| AI ay "sumuntok sa pader" | Mga nagdududa, paminsan-minsan | 0 Hindi nakatagal | Patuloy na tumataas ang mga abot-tanaw at matibay na benchmark hanggang 2026 |
| Ang mga task horizon ay nadodoble kada 4 hanggang 7 buwan | METR | 4 Strong | Kinumpirma ng aming sariling sukat; ang pagsukat ay lumampas sa 16 na oras |
| AI tinalo ang mga tao sa antas ng math olympiad | Google DeepMind | 4 Strong | Opisyal na na-grado bilang gold standard, Hulyo 2025 |
| Darating ang AGI pagsapit ng 2027 | Ilang pinuno ng laboratoryo | 1 Claim | Depende sa kahulugan; ang digital na kalahati ay magiging posible sa lalong madaling panahon |
| Ang mga LLM ay isang dead end | Yann LeCun | 1 Claim | Isang seryosong pananaw ng minorya; wala pang resulta na nagpapakita ng matigas na kisame |
| AI maliit ang paggamit ng enerhiya sa bawat query | Google, OpenAI | 3 Nangangako | Iniulat ko mismo, ngunit naaayon sa Epoch AI's independiyenteng pagtatantya |
| Mauubusan tayo ng datos sa pagsasanay | Epoch AI | 3 Nangangako | Nabuksan na ang panahon mula 2026 hanggang 2032; ang sintetikong datos ang bukas na tanong |
Ang Kontra-Anggulo
Ang pinakamatibay na argumento laban sa aking pagbasa ay ang pagkakamali ko sa isang panukat para sa bagay mismo. Ang mga time horizon at benchmark ay mga pagsubok na binuo ng mga mananaliksik, at ang mga modelo ay lalong sinasanay upang makapasa sa mga pagsubok.
Ang pagtaas mula 0.5% patungong 62.7% sa ARC-AGI-3 sa loob ng anim na buwan ay maaaring magpahiwatig ng higit pa tungkol sa kung gaano kabilis makapag-optimize ang mga laboratoryo para sa isang sikat na target kaysa sa pangkalahatang katalinuhan. Ang pag-deploy sa totoong mundo, ang clinic trial sa Kenya at ang mga pag-aaral ng developer na tinalakay sa ibang bahagi ng seryeng ito, ay kadalasang nagpapakita ng mas maliliit na pakinabang kaysa sa ipinapangako ng mga benchmark.
Seryoso ko iyan, kaya naman ang mga gate ko ay nangangailangan ng maaasahang trabaho sa loob ng isang linggo at kung bakit ang pisikal na gate ay nananatiling malayo. Ngunit ang trend na ito ay nakaligtas sa ilang pagbabago ng panukat sa loob ng pitong taon. Kapag ang bawat bagong pagsubok ay mas mabilis na bumababa kaysa sa nauna, ang malamang na paliwanag ay ang bagay na sinusukat ay tunay na bumubuti.
Ang Bahagi ng Tao
MoJo's Mga Pagtataya
- Ang isang nailathalang pagtatantya mula sa METR o isang maihahambing na independiyenteng tagasuri ay naglalagay ng isang modelo's 50% na takdang oras na higit sa 40 oras pagsapit ng Disyembre 31, 2027. Probabilidad: 60%.
- Isang iskor na 85% o higit pa sa ARC-AGI-3's Ang karaniwang setup ng pagsubok ay beripikado ng ARC Prize bago ang ika-31 ng Disyembre 2027. Probabilidad: 55%.
- Kapanahunan AI tinatantya ang isang pagsasanay na tatakbo nang higit sa 10^27 na operasyon pagsapit ng Disyembre 31, 2027. Probabilidad: 85%.
Lahat silang tatlo ay mapupunta sa Mojo Forecast Ledger at bibigyan ng puntos sa publiko.
Kung saan ito susunod na pag-uusapan
FAQ
Ano ang mga AI mga batas sa pag-iiskala?
Ang mga ito ay mga empirikal na tuntunin na nagpapakita na ang isang modelo's Ang error ay nahuhulog nang nahuhulaan, bilang isang batas ng kapangyarihan, kapag nagdagdag ka ng training compute, data o mga parameter. Inilarawan ito nina Kaplan at mga kasamahan noong 2020; DeepMind's Pinino ang mga ito ng papel na Chinchilla noong 2022.
Gaano kabilis AI nagpapabuti?
Sa pamamagitan ng METR's sukat, ang haba ng hangganan ng gawain ng software AI Ang mga natapos na may 50% na tagumpay ay dumoble halos bawat apat na buwan simula noong 2023, mula minuto noong 2023 hanggang sa mahigit 16 na oras noong 2026.
Kailan tayo makakarating sa AGI?
Nagbigay ang mga sinurbey na mananaliksik ng pantay na tsansa na mas mahusay ang mga makina kaysa sa mga tao sa bawat gawain pagsapit ng 2047; sinasabi ng ilang lider ng laboratoryo sa loob ng ilang taon. Inaasahan ni Mojo na ang digital na kalahati ay bago ang 2030 at ang pisikal na kalahati naman ay mas huli pa.
Gaano karaming enerhiya ang ginagawa AI gamitin?
Tinatayang gumamit ang IEA ng humigit-kumulang 415 TWh ang mga data center noong 2024, humigit-kumulang 1.5% ng pandaigdigang kuryente, at tataas sa humigit-kumulang 945 TWh pagsapit ng 2030. Ang isang karaniwang chatbot prompt ay gumagamit ng humigit-kumulang 0.2 hanggang 0.3 watt-hours.
habilin AI naubusan ng data?
Kapanahunan AI inaasahan na ang imbak ng pampublikong tekstong isinulat ng tao, humigit-kumulang 300 trilyong token, ay ganap na magagamit sa pagitan ng 2026 at 2032, na magtutulak sa mga laboratoryo tungo sa sintetiko at lisensyadong datos.
Ano ang Orasan ng Mojo Horizon?
AIMOJO's tagasubaybay ng METR's AI mga sukat ayon sa time-horizon, na akma sa sarili nating trend, ay nire-refresh tuwing may mga bagong sukat na inilalathala.
- Kaplan et al., Mga Batas sa Pag-iiskala para sa mga Modelo ng Wikang Neural (Jan 2020)
- Hoffmann et al., Pagsasanay sa mga Modelo ng Malalaking Wika na Pinakamainam sa Komputasyon (Chinchilla) (Mar 2022)
- Epoch AI, Mga Uso sa AI (na-update noong Pebrero 2026) at Mga mapagkukunan ng pagsasanay para sa Grok 4 (Set 2025)
- Ho et al., Pag-unlad ng algoritmo sa mga modelo ng wika (Mar 2024)
- Villalobos et al., Mauubusan ba tayo ng datos? (Hunyo 2024)
- OpenAI, Pagkatutong mangatwiran gamit ang mga LLM (Setyembre 2024) at Snell et al., Pag-scale ng pagkalkula sa oras ng pagsubok (Ago 2024)
- Richard Sutton, Ang Mapait na Aral (Mar 2019)
- Mga pahina ng produkto ng Nvidia: A100, H100, Anunsyo ng plataporma ng Rubin (Jan 2026)
- Epoch AI, Mga Uso sa hardware ng machine learning (Nob 2023)
- NIST, Pagkalkulang Inspirado ng Utak (Mar 2023)
- Bukas na Pilantropiya, Gaano karaming lakas sa pagkalkula ang kailangan upang mapantayan ang utak ng tao?
- Landauer's prinsipyo (pangkalahatang-ideya ng panukala noong 1961 at eksperimento noong 2012)
- IEA, Enerhiya at AI (2025), gaya ng buod sa Epekto sa kapaligiran ng artipisyal na katalinuhan
- Elsworth et al., Pagsukat sa epekto sa kapaligiran ng AI hinuha (Google) (Agosto 2025) at Epoch AI, Gaano karaming enerhiya ang ginagamit ng ChatGPT? (Peb 2025)
- Kwa et al., Pagsukat AI Kakayahang Kumpletuhin ang Mahahabang Gawain (METR) (Mar 2025), METR Time Horizon 1.1 (Enero 2026) at Pahina ng mga time horizon ng METR
- Gantimpala ng ARC, paglulunsad ng ARC-AGI-3 (Marso 2026) at Pag-verify ng GPT-6 Astra (Set 2026)
- Stanford HAI, AI Index 2025 at AI Index 2026
- Google DeepMind, Gemini Deep Think sa aking palagay ay ginto. (Hul 2025)
- Morris et al., Mga Antas ng AGI (Nob 2023)
- Dario Amodei, Mga Makina ng Mapagmahal na Biyaya (Oktubre 2024) at Ang Pagbibinata ng Teknolohiya (Jan 2026)
BONUS: Kunin ang aming $200"AI Mastery Toolkit” LIBRE kapag nag-sign up ka!
