川海智库

报告概述

本报告由OECD战略前瞻部门与AI专家共同撰写，旨在探索人工智能到2030年的可能发展轨迹。报告基于OECD的AI能力指标（覆盖语言、问题解决、创造力等九个维度），结合历史趋势、关键不确定性以及专家访谈，构建了四个宏观场景类：进步停滞、进步放缓、进步持续和进步加速。每个场景还包含若干变体，以体现不同能力维度发展速度的差异。报告通过趋势外推和证据分析，帮助读者理解AI未来发展的广泛可能性，为政策制定提供参考。

报告的核心结论

AI到2030年的发展轨迹范围极大，从停滞到超越人类均有可能。

报告指出，基于当前证据，四种场景（进步停滞、进步放缓、进步持续、进步加速）全部具有合理性，即AI能力可能在2025年水平附近平台，也可能在多数能力维度上达到或超越人类水平。专家对具体路径高度不确定，但一致认为需要为广泛可能性做准备。

AI能力发展不均衡，认知领域快于物理世界交互。

报告强调，语言、问题求解等数字化能力进展迅速，而物理操作、社交互动、持续学习等能力仍显著落后于人类。即使在同一场景内，不同能力维度的进步速度也可能分化，例如数字能力领先而物理能力滞后。

计算和数据的持续扩展是支撑进步的关键，但面临多重约束。

报告分析显示，训练计算量、数据和算法效率在过去十年以指数级增长，但到2030年可能面临能源、芯片产能和数据可用性等瓶颈。特别是推理训练所需计算量的增长可能在2026年左右触顶，将继续依赖于总训练计算量的增长。

专家对预测2030年AI水平信心极低，需要动态政策应对。

受访的9位顶尖AI专家认为，尽管可以列举一些可能的趋势，但技术突破、瓶颈和未知因素使得准确预测几乎不可能。专家意见呈现高度异质性，部分支持加速场景，部分则更保守。报告建议政策制定者考虑全谱系情景，而非依赖单一预测。

报告回答的关键问题

AI到2030年可能会发展到什么水平？

报告指出，AI的进步范围极广：最保守的情景下，能力停滞在2025年左右水平；最激进的情景下，AI在绝大多数认知维度上达到或超越人类，甚至出现通用人工智能或超级智能。中间情景包括进步放缓或持续快速进步。当前没有足够证据排除任何一种情景。

是什么因素驱动或制约AI的进步？

主要驱动力包括大规模预训练（参数、数据、计算量）、推理强化学习、算法创新（如Transformer架构）以及AI辅助编程。制约因素则包括能源与水资源限制、芯片产能、高质量数据稀缺、以及算法和硬件瓶颈。此外，经济回报、政策导向和公众接受度也会影响投资和发展速度。

哪些AI能力进步最快？哪些最慢？

进步最快的领域是语言处理、结构化推理（数学、编程）和知识问答，AI已接近或超越人类专家。进步最慢的领域是物理操作（机器人）、动态环境中的社交互动、持续学习能力、以及开放性的创造任务。数字化的认知任务远比需要身体和实时社交智能的任务更易突破。

报告中的代表性数据

99.6%

GPT-5在AIME数学竞赛中的准确率

2025年，GPT-5在2025年的美国数学邀请赛（AIME）中达到99.6%的准确率，而GPT-4o仅为42%，显示推理模型的巨大进步。

每7个月翻倍

软件工程任务长度倍增速度

至2025年，AI系统能自主完成（50%成功率）的软件工程任务长度每7个月翻番，从2021年的分钟级任务增长到2025年的几小时任务。

大于4倍/年

前沿模型训练计算量年增长率

2010-2025，自2010年以来，前沿AI模型训练使用的计算量每年增长超过4倍，但预计到2030年左右能源约束可能开始限制增长速度。

以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。

完整报告包含什么

  • 执行摘要：概括四个主要场景（进步停滞、放缓、持续、加速）及其核心特征，以及专家对2030年AI水平的高度不确定性。
  • 引言与方法论：说明报告采用战略前瞻方法，包括文献回顾、专家访谈、趋势外推和场景构建，数据截止于2025年10月。
  • AI进步趋势与不确定性：详细分析预训练缩放、推理强化学习、内存与持续学习、物理能力、元认知、创造力等六大趋势，以及计算、数据、算法效率等输入因素的不确定性。
  • 四大场景详解：每个场景配有独立的描述性文本框、具体的能力指标分值表（1-5级）以及任务时间外推示例（如软件工程、数学推理等），并附有支持与反对其合理性的论据。
  • 场景变体：每个主场景下包含2个变体（如“AI作为窄工具”“简单机器人”“数字只AI”等），展示不同能力维度发展速度分化后的可能状态，并用颜色标注指标分值的升降。
  • 专家访谈摘要：列出受访9位顶尖AI专家的姓名与机构，汇总他们对AI能力进步速度、瓶颈和关键不确定性的看法，包括对语言、物理、创造力等领域的具体预期。
  • 趋势外推方法：详细说明如何根据METR等来源的任务时间倍增数据，构建各场景的定量外推，并提供了软件工程、计算机使用、驾驶等7个领域的原始数据表。
  • 参考文献与附录：包含超过140篇参考文献，以及关于AI进展趋势、输入趋势、外推方法的三个附加附录，为研究人员提供深入的数据支撑和背景资料。

本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。

相关报告