JOURNAL OF MONETARY ECONOMICS AND MANAGEMENT JOURNAL OF MONETARY ECONOMICS AND MANAGEMENT JOURNAL OF MONETARY ECONOMICS AND MANAGEMENT 2782-4586 2949-1851 113924 10.26118/2782-4586.2025.63.73.040 Научные статьи SCIENTIFIC ARTICLES Научные статьи Forecast of the Artificial Intelligence Scaling Trajectory Towards 2030 Прогноз траектории масштабирования искусственного интеллекта до 2030 года Бойкова Анна Викторовна Boykova Anna Viktorovna Никольская Вера Александровна Nikol'skaya Vera Aleksandrovna

кандидат технических наук;

candidate of technical sciences;

 Тверской государственный технический университет Тверь Россия Tver State Technical University Tver Russian Federation Тверской государственный технический университет Тверь Россия Tver State Technical University Tver Russian Federation 01 02 2026 01 02 2026 307 311 27 01 2026 https://zhpi.ru/en/nauka/article/113924/view

В статье анализируются возможные траектории развития передовых систем искусственного интеллекта (ИИ) к 2030 году на основе экстраполяции текущих технологических и экономических трендов. Анализируется гипотеза о том, что масштабирование вычислительных ресурсов остаётся ключевым драйвером прогресса в ИИ. На основе ретроспективного анализа трендов (2010-2024 гг.) строятся прогнозы в области требуемых вычислительных мощностей для обучения, объёмов инвестиций, динамики данных, развития аппаратного обеспечения и энергопотребления. В статье высказана точка зрения, что при сохранении текущих тенденций к 2030 году крупнейшие модели ИИ будут требовать в 1000 раз больше вычислений для обучения, чем современные, с сопутствующими инвестициями в сотни миллиардов долларов и энергопотреблением на уровне гигаватт. Далее исследуются ожидаемые возможности таких систем, с фокусом на автоматизацию научно-исследовательских и опытно-конструкторских работ (НИОКР) в таких областях, как разработка программного обеспечения, математика, молекулярная биология и прогнозирование погоды. Прогнозируется, что ИИ станет как высокоспециализированным инструментом, так и ассистентом-агентом, существенно ускоряющим «цифровые» аспекты исследований. В заключение обсуждаются ключевые неопределённости, потенциальные узкие места (регуляторные, экологические, связанные с данными) и более широкие социально-экономические последствия прогнозируемого развития ИИ.

This article analyzes potential development trajectories of advanced artificial intelligence (AI) systems towards 2030 based on the extrapolation of current technological and economic trends. It examines the hypothesis that the scaling of computational resources remains the key driver of progress in AI. Based on a retrospective analysis of trends (2010-2024), forecasts are constructed regarding the required computing power for training, investment volumes, data dynamics, hardware development, and energy consumption. The article posits that, should current trends continue, by 2030 the largest AI models will require 1000 times more computation for training than contemporary models, accompanied by investments amounting to hundreds of billions of dollars and energy consumption at the gigawatt level. The expected capabilities of such systems are further explored, with a focus on the automation of scientific research and development (R&D) in areas such as software engineering, mathematics, molecular biology, and weather forecasting. It is forecasted that AI will become both a highly specialized tool and an assistant-agent, significantly accelerating the "digital" aspects of research. In conclusion, key uncertainties, potential bottlenecks (regulatory, environmental, data-related), and the broader socio-economic implications of the projected AI development are discussed.

 искусственный интеллект машинное обучение масштабирование прогнозирование вычисления инвестиции энергопотребление научные исследования и разработки прогноз artificial intelligence machine learning scaling forecasting computing investment energy consumption research and development forecast

Bruun, L., & Bo, M. (2025). Bias in Military Artificial Intelligence and Compliance with International Humanitarian Law. SIPRI. Bruun, L., & Bo, M. (2025). Bias in Military Artificial Intelligence and Compliance with International Humanitarian Law. SIPRI. Additional Protocol I to the Geneva Conventions (1977). Additional Protocol I to the Geneva Conventions (1977). Henckaerts, J.-M., & Doswald-Beck, L. (2005). Customary International Humanitarian Law. Cambridge University Press. Henckaerts, J.-M., & Doswald-Beck, L. (2005). Customary International Humanitarian Law. Cambridge University Press. Moyes, R. (2019). Target Profiles. Article 36 Discussion Paper. Moyes, R. (2019). Target Profiles. Article 36 Discussion Paper. Dvaladze, G. (2023). Equality and Non-Discrimination in Armed Conflict: Humanitarian and Human Rights Law in Practice. Edward Elgar. Dvaladze, G. (2023). Equality and Non-Discrimination in Armed Conflict: Humanitarian and Human Rights Law in Practice. Edward Elgar. Kwik, J. (2024). Lawfully Using Autonomous Weapon Technologies. TMC Asser Press. Kwik, J. (2024). Lawfully Using Autonomous Weapon Technologies. TMC Asser Press. ICRC. (2021). ICRC Position on Autonomous Weapon Systems. ICRC. (2021). ICRC Position on Autonomous Weapon Systems. Reports and working papers of the CCW Group of Governmental Experts on Lethal Autonomous Weapons Systems (GGE on LAWS). Reports and working papers of the CCW Group of Governmental Experts on Lethal Autonomous Weapons Systems (GGE on LAWS). Sutton, Richard. 2019. “The Bitter Lesson”. http://www.incompleteideas.net/IncIdeas/BitterLesson.html Sutton, Richard. 2019. “The Bitter Lesson”. http://www.incompleteideas.net/IncIdeas/BitterLesson.html Sevilla, Jaime, and Edu Roldán. 2024. Training Compute of Frontier AI Models Grows by 4-5x per Year. Epoch AI. https://epoch.ai/blog/training-compute-of-frontier-ai-models-grows -by-4-5x-per-year. Sevilla, Jaime, and Edu Roldán. 2024. Training Compute of Frontier AI Models Grows by 4-5x per Year. Epoch AI. https://epoch.ai/blog/training-compute-of-frontier-ai-models-grows -by-4-5x-per-year.