就在刚刚，每年都备受瞩目的斯坦福AI指数报告，重磅发布了！
斯坦福大学以人为本 AI 研究员发布了这份报告，这份报告代表着对每年 AI 领域最核心和前沿动向的总结。
今年，这份报告长达456页，抛出不少惊人观点。
如今是 2025 年，中美顶级 AI 模型的性能差距已缩小至 0.3%。而在 2023 年，这一数字还是 20%。中国模型正快速追赶美国的领先地位。
DeepSeek 领衔的开放权重模型，以 1.7%的差距对各大闭源巨头形成压力。前者与后者的差距，从 2024 年的 8%缩小到了 2025 年的 1.7%。
目前从行业主导企业的角度来看，美国在这方面是领先于中国的。在 2024 年，有 90%的知名 AI 模型是由企业所拥有的。其中，美国拥有 40 个这样的模型，而中国则有 15 个。
如今一个更明显的趋势是大模型的性能已趋同。2024 年时，TOP1 和 TOP10 模型的差距可达 12%，然而如今，它们的差距在不断缩小，已锐减至 5%。
十二大亮点
斯坦福 HAI 的两篇最新博文中，将 2025 年 AI 指数报告的十二大亮点进行了浓缩。
1. AI性能再攀高峰，从基准测试到视频生成全面突破
2023 年，研究人员推出了新基准。这些新基准包括 MMMU、GPQA 和 SWE-bench 等。它们被用于测试先进 AI 系统的极限。
一年后，性能有了大幅提升。AI 在三项基准上的得分分别有显著变化，其中一项得分飙升了 18.8%，另一项得分飙升了 48.9%，还有一项得分飙升了 67.3%。
AI 在生成高质量视频方面取得了重大突破。并且，在某些场景下，AI 智能体的表现超越了人类。
·更有用智能体崛起
2024 年发布了 RE-Bench 基准测试，这个基准测试为评估 AI 智能体的复杂任务能力设定了严格的标准。
数据表明，在短期任务（2 小时内）的这种场景当中，顶级 AI 系统的表现能够达到人类专家的 4 倍。然而，要是把任务的时限延长到 32 小时，人类就以 2 比 1 的优势实现了反超。
值得注意的是，AI 在特定领域展现出专业水平，比如编写特定类型的代码。它与人类的专业水平相当，并且执行效率更优。
2. 美国领跑顶尖模型研发，但中国与之差距逐渐缩小
2024 年，美国产出的重要 AI 模型数量为 40 个。这个数量远超中国产出的 15 个重要 AI 模型，也远超欧洲产出的 3 个重要 AI 模型。
然而，中国模型在性能方面的差距正在逐渐缩小。在 MMLU 等基准测试中，中美 AI 的差异从两位数减少到几乎持平。
中国在 AI 学术论文方面的数量持续处于领先地位，在专利申请量上也一直领跑。中东地区、拉美地区以及东南亚地区都有具有竞争力的模型涌现出来。
3. AI正变得高效且普惠，推理成本暴降280倍
小模型性能提升后，两年间达到 GPT - 3.5 水平的推理成本下降了 280 倍。硬件成本每年以 30%的速度在递减。能效年提升率达到 40%。
令人振奋的是，开源模型的性能有了很大提升。在部分基准测试中，它与闭源模型的差距从 8%缩小到了 1.7%。
· 大模型使用成本持续走低，年降幅最高900倍
在 MMLU 基准测试中能达到 GPT-3.5 水平，其准确率为 64.8%。该 AI 模型的调用成本，在 2022 年 11 月是 20 美元每百万 token，到 2024 年 10 月已骤降至 0.07 美元每百万 token，这里指的是谷歌 DeepMind 的 Gemini-1.5-Flash-8B 模型。在 18 个月内，AI 成本下降了 280 倍。
根据具体的任务需求，LLM 推理服务价格在一年时间里的降幅能够达到 9 倍到 900 倍这样不同的程度。
·小模型性能显著提升，参数暴减142倍
2022 年，在大规模多任务语言理解（MMLU）基准测试方面。得分超过 60%的最小模型是 PaLM，其参数量为 5400 亿。
2024 年时，微软 Phi-3-mini 仅凭借 38 亿参数，便达到了同样的实力。
这代表，两年多的时间里模型参数减少了142倍。
4. 科技巨头称霸AI前沿，但竞争白热化
2024 年，重要模型中近 90%源自企业。同时，学术界保持着基础研究的优势。
模型规模呈指数式上升。训练所需的算力每隔 5 个月就会翻倍。数据集每隔 8 个月就会扩充一倍。
值得注意的是，头部模型的性能差距明显缩小了。榜首与第十名的得分差，已经从 11.9%降低到了 5.4%。
5. AI逻辑短板，推理能力仍是瓶颈
AI 系统采用符号推理方法，能够较好地解决 IMO 问题，尽管尚未达到人类的顶尖水平。然而，LLM 在 MMMU 等复杂推理任务中表现不佳，尤其在算术推导和规划类强逻辑性任务方面不擅长。
这一局限影响了其在医疗诊断等高风险场景的应用可靠性。
6. 大厂ALL in AI，投资与采用率创双纪录
科技大厂们，正全力押注AI。
2024 年，美国私营 AI 的投资达到了 1091 亿美元。这个数字大约是中国（93 亿）的 12 倍，同时也是英国（45 亿）的 24 倍。
生成式 AI 的发展势头非常迅猛。在全球范围内，私募投资达到了 339 亿美元。这一投资金额同比增长了 18.7%。
企业 AI 采用率有了提升，从 55%上升到了 78%。研究表明，AI 具备提升生产力的能力，并且在多数情况下能够缩小劳动力技能方面的差距。
引人注目的是，企业将生成式 AI 应用于至少一项业务职能的数量有了大幅增长。2023 年这一比例为 33%，去年跃升至 71%，增幅超过一倍。
7. AI荣膺科学界最高荣誉，摘诺奖桂冠
2024 年，图灵奖授予了强化学习领域。
8. AI教育普及加速，但资源差距仍存
全球有 2/3 的国家已经或者计划开展 K-12 计算机科学教育。然而，非洲地区由于受到电力等基础设施的限制，其推进的速度较为缓慢。
美国的计算机教师中，有 81%的人认为 AI 应该被纳入基础课程，然而，在这些教师当中，只有 47%的人具备相应的教学能力。
9. AI正深度融入日常生活
从医疗到交通，AI正快速从实验室走向现实。
1995年，FDA批准了第一款AI赋能的医疗器械。
到 2024 年 8 月的时候，FDA 已经批准了 950 款 AI 医疗设备。与 2015 年的 6 款相比，与 2023 年的 221 款相比，增长速度非常迅猛。
在自动驾驶领域，汽车已经不再处于实验阶段。美国的头部运营商 Waymo 每周能够提供超过 15 万次的无人驾驶服务。
10. 全球AI乐观情绪上升，但地区差异显著
中国民众对 AI 持积极态度，占比 83%；印尼民众对 AI 持积极态度，占比 80%；泰国民众对 AI 持积极态度，占比 77%。同时，加拿大民众对 AI 相对保守，占比 40%；美国民众对 AI 相对保守，占比 39%。这些发达国家民众对 AI 的态度相对较为保守。
值得关注的是，德国的态度有明显转变，增长了 10%。同时，法国的态度也有明显转变，同样增长了 10%。这些原属于怀疑论的国家态度发生了改变。
11. 负责任AI生态发展不均
AI 安全事件呈现出激增的态势，然而主流模型开发商在这方面却缺乏标准化的评估体系。
FACTS 为事实性与安全性评估提供工具。
企业普遍存在“认知与行动脱节”的情况，与此同时各国政府在加速协作。在 2024 年，经合组织、欧盟等国际机构陆续发布了聚焦于透明度和可信度的治理框架。
· 问题AI数量跃升
权威 AI 危害追踪数据库「AI 事件库」（AI Incidents Database）的统计显示，2024 年全球 AI 相关危害事件数量大幅增加到 233 起。这一数字创下了历史新高，与 2023 年相比，暴涨了 56.4%。
其中包含深度伪造私密图像的案件，同时还涉及聊天机器人似乎导致青少年自杀等不良事件。
该统计虽未涵盖全部案例，却已清晰地揭示出 AI 技术滥用正呈现出惊人的增长态势。
12. 全球监管力度持续加强
2024 年美国联邦机构颁布了 59 项关于 AI 的法规。这些法规所涉及的部门数量相较于之前翻倍了。
75 个国家的立法机构提及 AI 的频次呈现出同比增长的态势，增长幅度为 21.3%。并且与 2016 年相比，增长了九倍之多。
投资方面：加拿大做出 24 亿美元的承诺；中国设立了 475 亿美元的半导体基金；法国投入了 1090 亿欧元；印度拨出 12.5 亿美元；沙特启动了千亿美元级的“超越计划”。
详细亮点解读
下面，我们将摘出报告中的亮点内容，提供更详细的解读。
中美差距仅剩0.3%
打开 502 页的报告，其中最引人注目的部分，就是中美 AI 差异这部分啦。
报告强调，2024 年时，美国在顶尖 AI 模型的研发方面处于领先地位。然而，中美模型之间的性能差距正在快速地缩小。
HAI 为了衡量 AI 领域过去一年演变的全球格局，特意使用 AI 指数，将具有代表性的模型所属国家列了出来，其中美国依然处于首位。
数据表明，2024 年时，美国机构拥有 40 个知名模型处于领先地位，其数量远远多于中国的 15 个以及欧洲的 3 个。
模型发布总量总体上呈现下降趋势，这可能是由多个因素共同作用造成的。一方面，训练规模在不断增大；另一方面，AI 技术日益变得复杂；此外，开发新模型的方法难度也在持续提升。
AI模型已成为算力巨兽
· 参数趋势
简单来讲，参数是 AI 模型在训练过程中所学到的一些数字。这些数字对模型理解输入以及输出的方式起到了决定作用。
AI的参数越多需要的训练数据也越多，但同时性能也更厉害。
从 2010 年代初开始，模型的参数量呈现出不断上涨的趋势。这背后有着多方面的原因，一方面是模型设计变得越来越复杂，另一方面是数据更容易被获取，还有一方面是硬件算力变得更强了。
更重要的是，大模型确实效果好。
下图采用了对数刻度，这样能让大家清晰地看到 AI 模型参数以及算力在近年来呈现出的爆炸式增长态势。
随着模型参数数量的增加，训练所需的数据量也在暴涨。
Transformer 模型于 2017 年发布，它掀起了大型语言模型的热潮，当时是用大约 20 亿个 token 来进行训练的。
2020 年的时候，GPT-3 的 175B 模型其训练数据增长迅猛，已经达到了约 3740 亿个 token。
meta 在 2024 年夏天发布的模型是 Llama 3.3。它用了大约 15 万亿个 token 来进行训练。
Epoch AI 的数据表明，大型语言模型的训练数据集规模呈现出一种变化趋势，即大约每八个月就会翻倍一次。
训练数据集越来越大，导致的训练时间也变得越来越长。
像 Llama 3.1 - 405B 这样的模型，其训练大概需要 90 天的时间，在如今这种情况已经算是“正常”的了。
谷歌在 2023 年底发布了 Gemini 1.0 Ultra。它的训练时间大约是 100 天。
2012 年的 AlexNet 与之相比显得快很多。它训练只花费了五六天的时间。并且当时 AlexNet 使用的硬件远远没有现在的先进。
· 算力趋势
「算力」指的是训练和运行AI模型所需的计算资源。
最近，知名 AI 模型的算力消耗呈现出指数式的增长态势。Epoch AI 估计，知名 AI 模型的训练算力大概每过五个月就会翻倍一次。
这种趋势在过去五年尤为明显。
去年 12 月，DeepSeek V3 推出后引发了广泛关注。其主要原因是它在性能方面表现极其出色，然而它所使用的计算资源却比许多顶尖大型语言模型少很多。
下图 1.3.17 对中国和美国知名 AI 模型的训练算力进行了比较，这揭示出一个重要趋势：美国的顶级 AI 模型在训练算力方面通常比中国模型需要多得多的计算资源。
· 推理成本
推理成本指的是对一个已训练模型进行查询所需要的费用，并且通常是以“每百万 tokens 的美元价格”来进行衡量的。
这份报告中的 AI token 价格数据，是从 Artificial Analysis 和 Epoch AI 的 API 定价专有数据库得来的。价格是依据输入 token 与输出 token 的价格，以 3:1 的权重进行平均计算而得出的。
可以看出，单位性能的AI成本正在显著下降。
Epoch AI 估计，不同任务类型下，大型语言模型的推理成本每年下降幅度有所不同，有的可达 9 倍，有的可达 900 倍，且在 9 倍至 900 倍之间不等。
虽然如此，但要获得来自 OpenAI 的模型，需支付不小的溢价；要获得来自 meta 的模型，需支付不小的溢价；要获得来自 Anthropic 的模型，也需支付不小的溢价。
· 训练成本
AI 公司很少披露具体的训练成本，然而这个数字普遍已经达到了数百位美元。
OpenAI 的 CEO 奥特曼表明过，对 GPT-4 进行训练所耗费的成本超过了 1 亿美元。
Anthropic 的 CEO Dario Amodei 表明，当下正在进行训练的那个模型，其成本大概是 10 亿美元。
DeepSeek-V3的600万美元，则打破了新低。
图 1.3.24 展示了部分 AI 模型的训练成本估算，这些估算基于云计算的租赁价格。
图 1.3.25 展示了一些情况。它展示了 AI 指数所估算出来的内容。这些内容是所有 AI 模型的训练成本。
2024 年，Epoch 能够估算的模型数量较少，其中之一就是 Llama 3.1 - 405B，它的训练成本约为 1.7 亿美元。
另外，AI 模型的训练成本和它的计算需求有直接的关联。从图 1.3.26 可以看出，计算需求比较大的模型，其训练成本明显更高。
