2025年4月7日，每年都備受矚目的斯坦福AI指數(shù)報告，重磅發(fā)布了！
這份報告由斯坦福大學以人為本AI研究員發(fā)布，代表著每年AI領(lǐng)域最核心和前沿的動向總結(jié)。
今年，這份報告長達456頁，拋出不少驚人觀點。
比如，如今在2025年，中美頂級AI模型的性能差距已經(jīng)縮小到了0.3%（2023年，這一數(shù)字還是20%），中國模型正在快速追趕美國的領(lǐng)先地位！
而DeepSeek領(lǐng)銜的開放權(quán)重模型，更是以1.7%之差，逼宮各大閉源巨頭。前者和后者的差距，已經(jīng)由2024年的8%，縮小至2025年的1.7%。
當然，目前從行業(yè)主導企業(yè)來看，美國仍然領(lǐng)先于中國。在2024年，90%的知名AI模型來自企業(yè)，美國以40個模型領(lǐng)先，中國有15個。
更
明顯的一個趨勢，就是如今大模型的性能已經(jīng)趨同！在2024年，TOP1和TOP10的模型的差距能有12%，但如今，它們的差距已經(jīng)越來越小，銳減至5%。
十二大亮點
最新的斯坦福HAI兩篇博文中，濃縮了2025年AI指數(shù)報告的十二大亮點。
1. AI性能再攀高峰，從基準測試到視頻生成全面突破
2023年，研究人員推出了MMMU、GPQA和SWE-bench等新基準來測試先進AI系統(tǒng)的極限。
僅一年后，性能便大幅提升：AI在三項基準得分分別飆升18.8%、48.9%和67.3%。
不僅如此，AI在生成高質(zhì)量視頻方面取得重大突破，甚至，在某些場景下AI智能體甚至超越人類表現(xiàn)。
· 更有用智能體崛起
2024年發(fā)布的RE-Bench基準測試，為評估AI智能體復雜任務(wù)能力設(shè)立了嚴苛標準。
數(shù)據(jù)顯示：在短期任務(wù)（2小時內(nèi)）場景下，頂級AI系統(tǒng)的表現(xiàn)可達人類專家的4倍；但當任務(wù)時限延長至32小時，人類則以2:1的優(yōu)勢反超。
值得注意的是，AI已在特定領(lǐng)域，如編寫特定類型代碼，展現(xiàn)出與人類相當?shù)膶I(yè)水平，且執(zhí)行效率更勝一籌。
2. 美國領(lǐng)跑頂尖模型研發(fā)，但中國與之差距逐漸縮小
2024年，美國產(chǎn)出40個重要AI模型，遠超中國的15個和歐洲的3個。
然而，中國模型在性能上的差距正加速縮小：MMLU等基準測試中，中美AI差異從兩位數(shù)縮小至近乎持平。
同時，中國在AI學術(shù)論文和專利申請量上持續(xù)領(lǐng)跑，中東、拉美和東南亞地區(qū)也涌現(xiàn)出具有競爭力的模型。
3. AI正變得高效且普惠，推理成本暴降280倍
隨著小模型性能提升，達到GPT-3.5水平的推理成本在兩年間下降280倍，硬件成本以每年30%的速度遞減，能效年提升率達40%。
更令人振奮的是，開源模型性能突飛猛進，部分基準測試中與閉源模型的差距從8%縮至1.7%。
· 大模型使用成本持續(xù)走低，年降幅最高900倍
在MMLU基準測試中達到GPT-3.5水平（MMLU準確率64.8%）的AI模型調(diào)用成本，已從2022年11月的20美元/每百萬token，驟降至2024年10月的0.07美元/每百萬token（谷歌DeepMind的Gemini-1.5-Flash-8B模型），18個月內(nèi)AI成本下降280倍。
視具體任務(wù)需求，LLM推理服務(wù)價格的年降幅可達9-900倍不等。
· 小模型性能顯著提升，參數(shù)暴減142倍
2022年，在大規(guī)模多任務(wù)語言理解（MMLU）基準測試中，得分超60%的最小模型是 PaLM，參數(shù)量為5400億。
到了2024年，微軟Phi-3-mini僅用38億參數(shù)，就取得了同樣的實力。
這代表，兩年多的時間里模型參數(shù)減少了142倍。
4. 科技巨頭稱霸AI前沿，但競爭白熱化
2024年，近90%的重要模型源自企業(yè)，學術(shù)界則保持基礎(chǔ)研究優(yōu)勢。
模型規(guī)模呈指數(shù)增長：訓練算力每5個月翻番，數(shù)據(jù)集每8個月擴容一倍。
值得注意的是，頭部模型性能差距顯著縮小，榜首與第十名得分差已從11.9%降至5.4%。
5. AI邏輯短板，推理能力仍是瓶頸
采用符號推理方法的AI系統(tǒng)，能較好解決IMO問題（雖未達人類頂尖水平），但LLM在MMMU等復雜推理任務(wù)中表現(xiàn)欠佳，尤其不擅長算術(shù)推導和規(guī)劃類強邏輯性任務(wù)。
這一局限影響了其在醫(yī)療診斷等高風險場景的應用可靠性。
6. 大廠ALL in AI，投資與采用率創(chuàng)雙紀錄
科技大廠們，正全力押注AI。
2024年，美國私營AI投資達1091億美元，約為中國（93億）的12倍、英國（45億）的24倍。
生成式AI勢頭尤猛，全球私募投資達339億美元（同比增18.7%）。
與此同時，企業(yè)AI采用率從55%升至78%。研究證實，AI不僅能提升生產(chǎn)力，多數(shù)情況下還可縮小勞動力技能差距。
更引人注目的是，將生成式AI應用于至少一項業(yè)務(wù)職能的企業(yè)數(shù)量激增——從2023年的33%躍升至去年的71%，增幅超一倍。
7. AI榮膺科學界最高榮譽，摘諾獎桂冠
2024年，兩項諾貝爾獎分別授予深度學習理論基礎(chǔ)（物理學）和蛋白質(zhì)折疊預測（化學）研究，圖靈獎則花落強化學習領(lǐng)域。
8. AI教育普及加速，但資源差距仍存
全球2/3國家已或計劃開展K-12計算機科學教育，但非洲地區(qū)受限于電力等基礎(chǔ)設(shè)施，推進緩慢。
美國81%的計算機教師認為AI應納入基礎(chǔ)課程，但僅47%具備相應教學能力。
9. AI正深度融入日常生活
從醫(yī)療到交通，AI正快速從實驗室走向現(xiàn)實。
1995年，F(xiàn)DA批準了第一款AI賦能的醫(yī)療器械。
截至2024年8月，F(xiàn)DA已批準950款AI醫(yī)療設(shè)備——較2015年的6款和2023年的221款，增長迅猛。
而在自動駕駛領(lǐng)域，汽車已脫離實驗階段：美國頭部運營商Waymo每周提供超15萬次無人駕駛服務(wù)。
10. 全球AI樂觀情緒上升，但地區(qū)差異顯著
中國（83%）、印尼（80%）和泰國（77%）民眾對AI持積極態(tài)度，而加拿大（40%）、美國（39%）等發(fā)達國家則相對保守。
值得關(guān)注的是，德國（+10%）、法國（+10%）等原懷疑論國家態(tài)度明顯轉(zhuǎn)變。
11. 負責任AI生態(tài)發(fā)展不均
雖然AI安全事件激增，但主流模型開發(fā)商仍缺乏標準化評估體系。
HELM Safety、AIR-Bench和FACTS等新基準為事實性與安全性評估提供工具。
企業(yè)普遍存在「認知與行動脫節(jié)」，而各國政府加速協(xié)作：2024年，經(jīng)合組織、歐盟等國際機構(gòu)相繼發(fā)布聚焦透明度、可信度的治理框架。
· 問題AI數(shù)量躍升
根據(jù)權(quán)威AI危害追蹤數(shù)據(jù)庫「AI事件庫」（AI Incidents Database）統(tǒng)計，2024年全球AI相關(guān)危害事件激增至233起，創(chuàng)下歷史新高，較2023年暴漲56.4%。
其中既包括深度偽造私密圖像案件，也涉及聊天機器人疑似導致青少年自殺等惡性事件。
盡管該統(tǒng)計未能涵蓋全部案例，但已清晰揭示AI技術(shù)濫用正在呈現(xiàn)驚人增長態(tài)勢。
12. 全球監(jiān)管力度持續(xù)加強
2024年美國聯(lián)邦機構(gòu)頒布59項AI法規(guī)，涉及部門數(shù)量翻倍。
75個國家立法機構(gòu)提及AI頻次同比增長21.3%，較2016年增長九倍。
投資方面：加拿大承諾24億美元，中國設(shè)立475億美元半導體基金，法國投入1090億歐元，印度撥款12.5億美元，沙特啟動千億美元級的「超越計劃」。
詳細亮點解讀
下面，我們將摘出報告中的亮點內(nèi)容，提供更詳細的解讀。
中美差距僅剩0.3%
翻開502頁的報告，最吸睛的部分，莫過于中美AI差異這部分了。
報告中強調(diào)，雖然2024年，美國在頂尖AI模型的研發(fā)上依然領(lǐng)先，但中美模型之間的性能差距，正在迅速縮小！
為了衡量AI領(lǐng)域過去一年演變的全球格局，HAI特意用AI指數(shù)，列出了具有代表性的模型所屬國家，美國依然居首。
數(shù)據(jù)顯示，在2024年，美國機構(gòu)以擁有40個知名模型領(lǐng)先，遠遠超過中國的15個和歐洲的3個。
總體來說，模型發(fā)布總量已經(jīng)下降，可能是多個因素共同導致的，比如訓練規(guī)模日益龐大、AI技術(shù)日益復雜，開發(fā)新模型方法的難度也在增加。
AI模型已成為算力巨獸
· 參數(shù)趨勢
簡單的說，參數(shù)就是AI模型通過訓練學到的一些數(shù)字，這些數(shù)字決定了模型如何理解輸入和怎樣輸出。
AI的參數(shù)越多需要的訓練數(shù)據(jù)也越多，但同時性能也更厲害。
從2010年代初開始，模型的參數(shù)量就蹭蹭往上漲，這背后是因為模型設(shè)計得越來越復雜、數(shù)據(jù)更容易獲取、硬件算力也更強了。
更重要的是，大模型確實效果好。
下圖用了對數(shù)刻度，方便大家看清楚AI模型參數(shù)和算力近年來的爆炸式增長。
隨著模型參數(shù)數(shù)量的增加，訓練所需的數(shù)據(jù)量也在暴漲。
2017年發(fā)布的Transformer模型，掀起了大型語言模型的熱潮，當時它用了大約20億個token來訓練。
到了2020年，GPT-3 175B模型的訓練數(shù)據(jù)已經(jīng)飆到了約3740億個token。
而Meta在2024年夏天發(fā)布的模型Llama 3.3，更是用了大約15萬億個token來訓練。
根據(jù)Epoch AI的數(shù)據(jù)，大型語言模型的訓練數(shù)據(jù)集規(guī)模大約每八個月翻一倍。
訓練數(shù)據(jù)集越來越大，導致的訓練時間也變得越來越長。
像Llama 3.1-405B這樣的模型，訓練大概需要90天，這在如今已經(jīng)算是「正常」的了。
谷歌在2023年底發(fā)布的Gemini 1.0 Ultra，訓練時間大約是100天。
相比之下，2012年的AlexNet就顯得快多了，訓練只花了五六天，而且AlexNet當時用的硬件還遠沒有現(xiàn)在的先進。
· 算力趨勢
「算力」指的是訓練和運行AI模型所需的計算資源。
最近，知名AI模型的算力消耗呈指數(shù)級增長。據(jù)Epoch AI估計，知名AI模型的訓練算力大約每五個月翻一番。
這種趨勢在過去五年尤為明顯。
去年12月，DeepSeek V3一經(jīng)推出就引發(fā)了廣泛關(guān)注，主要就是因為它在性能上極其出色，但用的計算資源卻比許多頂尖大型語言模型少得多。
下圖1.3.17比較了中國和美國知名AI模型的訓練算力，揭示了一個重要趨勢：美國的頂級AI模型通常比中國模型需要多得多的計算資源。
· 推理成本
推理成本，指的是對一個已訓練模型進行查詢所需的費用，通常以「每百萬tokens的美元價格」來衡量。
這份報告中AI token的價格數(shù)據(jù)，來源于Artificial Analysis和Epoch AI的API定價專有數(shù)據(jù)庫，而價格是根據(jù)輸入與輸出token的價格按3:1的權(quán)重平均計算得出的。
可以看出，單位性能的AI成本正在顯著下降。
而Epoch AI估計，根據(jù)不同任務(wù)類型，大型語言模型的推理成本每年下降幅度可達9倍至900倍不等。
雖然如此，想要獲得來自O(shè)penAI、Meta和Anthropic的模型，仍需支付不小的溢價。
· 訓練成本
雖然很少有AI公司披露具體的訓練成本，但這個數(shù)字普遍已達到數(shù)百位美元。
OpenAI CEO奧特曼曾表示，訓練GPT-4的訓練成本超過了1億美元。
Anthropic的CEO Dario Amodei指出，目前正在訓練的模型，成本約為10億美元。
DeepSeek-V3的600萬美元，則打破了新低。
圖1.3.24展示了基于云計算租賃價格的部分AI模型的訓練成本估算。
圖1.3.25展示了AI指數(shù)所估算的所有AI模型的訓練成本。
在2024年，Epoch能估算的少數(shù)模型之一，就是Llama 3.1-405B，訓練成本約為1.7億美元。
另外，AI模型的訓練成本與其計算需求之間存在直接的關(guān)聯(lián)。如圖1.3.26所示，計算需求更大的模型訓練成本顯著更高。
