本文讨论了人工智能（AI）能力提升的驱动因素对预测、监管和确保AI安全的重要性。了解这些驱动因素可以帮助政策制定者制定更有针对性的规定，预测人员避免过于依赖不可靠的指标，技术研究人员了解未来模型可能的训练数据。文章还提到了前沿模型训练的成本估算，包括硬件成本、运营支出和电力成本。作者认为，新的前沿模型可能需要耗资10亿美元左右，其中80%的成本用于超级计算机硬件，18%用于人员，2%用于电力。文章还讨论了ML GPU的成本，指出其通信和内存能力是导致成本高昂的主要原因。作者还提到了ML并行性技术的概述，以及数据成为ML扩展的主要瓶颈的可能性。最后，作者指出了FLOPs作为衡量ML计算能力的指标的局限性，并提出了其他可能的指标，如晶体管小时数、能源使用量和单比特逻辑运算。作者认为，这是一个开放的问题，对预测和监管具有重要影响。

作者在尝试进行明确计算时感到不确定，呼吁专家和互联网公民提供更多观察、解释和证据，以便更好地理解这个问题。