斯坦福大学刚刚发布了一份详尽的人工智能年度报告：《2025年人工智能指数报告》

核心主题：

本报告节选主要涵盖了人工智能领域的多个关键方面，包括：

• 研发进展： 包括专利、模型发展、训练算力、数据使用、硬件效率和开源软件的趋势。
• 技术性能： 评估了AI在语言、视觉、语音、代码、数学和推理等任务上的最新进展和基准。
• 负责任的AI： 探讨了AI的安全性、事实性和偏见等问题。
• 经济影响： 分析了AI对就业、人才流动、投资和企业活动的影响。
• 科学与医学应用： 展示了AI在生物科学、临床医疗和药物发现等领域的应用和伦理考量。
• 公共部门： 考察了公共领域AI相关的合同和政府采购情况。
• 教育： 审视了K-12和高等教育阶段的计算机科学和AI教育状况。
• 公众舆论和政策： 初步涉及了公众对AI政策的看法。

关键发现与重要观点：

1. 研发进展

• AI专利数量持续显著增长： 全球授予的AI专利数量从2010年的3,833件增长到2023年的122,511件，年增长率高达29.6%。
• 引用： “Over the past dozen years, the number of AI patents has grown steadily and significantly, increasing from 3,833 in 2010 to 122,511 in 2023. In the last year, the number of AI patents has risen 29.6%.”
• 专利地域分布集中： 截至2023年，中国在全球授予的AI专利中占比最高，达到69.70%，其次是美国（14.16%）和欧洲与中亚地区（13.00%）。
• 引用： 图表显示了 “Granted AI patents (% of world total) by select geographic areas, 2010–23″，清晰地展示了中国的领先地位。
• 人均专利数量方面，小国表现突出： 卢森堡在2023年的人均AI专利授予量最高，其次是韩国和美国。
• 引用： 图表 “Granted AI patents per 100,000 inhabitants by country, 2023” 提供了这一信息。
• AI模型训练所需的算力呈指数级增长： 报告通过图表展示了Notable AI模型的训练算力趋势，反映了模型复杂性的快速提升。
• 引用： 图表 “Training compute of notable AI models by sector, 2003–24” 和 “Training compute of notable AI models by domain, 2012–24” 直观地展示了算力的增长。
• AI模型训练数据可能面临枯竭： 报告探讨了公共文本和数据的使用情况预测，以及模型可能在何时用尽现有数据的问题。
• 引用： 图表 “Projections of the stock of public text and data usage” 描绘了数据利用的趋势。
• AI硬件能效显著提升： 例如，Nvidia B100的能效是2016年发布的P100的33.8倍。
• 引用： “This means the B100 is 33.8 times more energy efficient than the P100.”
• 模型训练的能源消耗和碳排放依然显著： 报告估算了不同AI模型的训练碳排放量，并与现实生活活动进行了对比。
• 引用： 图表 “Estimated carbon emissions from training select AI models and real-life activities, 2012–24” 提供了具体数据。
• 开源AI软件生态蓬勃发展： GitHub上的AI项目获得的Star数量持续增长，美国、欧洲和中国的贡献显著。
• 引用： 图表 “Number of GitHub stars by geographic area, 2011–24” 展示了开源社区的活跃度。

2. 技术性能

• 多模态理解与生成取得进展： 报告关注了图像、视频和语音等领域的AI模型进展，特别提到了视频生成质量的显著提升。
• 引用： 对比了2023年和2025年Pika生成的“Will Smith eating spaghetti”视频，说明了视频生成能力的飞跃。
• 长文本理解能力持续增强： 报告评估了不同模型在长上下文检索任务中的表现。
• 引用： 图表 “Evaluating Retrieval Across Long Contexts” 比较了不同LLM在长文本处理上的加权平均得分。
• 代码生成能力不断提高： SWE-bench和BigCodeBench等基准测试结果显示，AI在解决编程任务方面取得了进展。
• 引用： 图表 “SWE-bench: percent solved” 和 “BigCodeBench on the hard set: Pass@1 (average)” 展示了模型在代码任务上的性能。
• 数学和推理能力是关键的挑战和进展领域： AlphaGeometry在解决国际数学奥林匹克几何问题上表现出色，通用推理基准测试如MMMU和GPQA也在不断评估模型的跨领域推理能力。
• 引用： 图表 “Number of solved geometry problems in IMO-AG-30” 和 “MMMU on validation set: overall accuracy” 等反映了这些领域的进展。
• AgentBench等基准的出现，用于评估LLM作为智能体的能力。
• 新的数据集和模型不断涌现，例如Aya Dataset (多语言指令调优) 和Gemini 1.5 Pro (超长上下文窗口)。

3. 负责任的AI

• 事实性是LLM的关键评估指标： FACTS排行榜评估了不同模型的生成内容的事实性。
• 引用： 图表 “FACTS: factuality score” 对比了不同模型的得分。
• AI模型中仍然存在偏见问题： 报告通过图表展示了不同模型在种族、性别、宗教和健康等方面的内隐偏见。
• 引用： 图表 “Implicit bias” 使用雷达图对比了不同LLM的偏见程度。
• HELM Safety基准用于评估LLM的安全性。引用： 图表 “HELM Safety: mean score” 展示了不同模型的安全得分。

4. 经济影响

• AI相关的职位发布数量持续增长： 报告分析了美国各州以及不同行业的AI职位发布情况。
• 引用： 图表 “Number of AI job postings in the United States by state, 2024” 和 “AI job postings by industry cluster in the U.S., 2018–24” 提供了详细数据。
• AI人才的地域分布和性别差异显著： 报告基于LinkedIn数据分析了不同国家和地区的AI人才集中度以及性别比例。
• 引用： 图表 “AI talent concentration by geographic area, 2016–24” 和 “AI talent concentration by gender and geographic area, 2016–24” 揭示了人才分布的特点。
• AI人才的净迁移趋势显示出一些国家的人才吸引力： 例如，美国和加拿大在2019-2024年期间表现出较高的AI人才净流入。
• 引用： 图表 “Net AI talent migration per 10,000 LinkedIn members by geographic area, 2019–24” 展示了人才流动的方向和规模。
• 生成式AI领域的私人投资大幅增长： 2024年的全球私人投资总额预计将达到339.4亿美元。
• 引用： 图表 “Global private investment in generative AI, 2019–24” 显示了投资的快速增长。
• 新成立的AI公司数量和平均投资规模也在增加。
• 企业正在不同职能部门探索和部署AI，但影响程度各异。引用： 图表 “AI adoption by enterprise function, 2024” 展示了不同部门AI应用的变化趋势。
• 工业机器人的安装增长率在不同国家和地区存在差异。引用： 图表 “Annual growth rate of industrial robots installed” 对比了不同国家和地区的增长率。

5. 科学与医学应用

• AI在蛋白质科学领域取得突破性进展： AlphaFold等工具极大地扩展了公共蛋白质科学数据库。
• 引用： 图表 “Growth of public protein science databases, 2019–25” 展示了数据库的快速增长。
• AI驱动的生物科学出版物比例持续上升。引用： 图表 “AI-driven publications in the biological sciences (% of total)” 显示了AI在科研中的影响力。
• 医学成像领域涌现出越来越多的AI基础模型。引用： 图表 “Number of foundation models per microscopy techniques, 2023–24” 展示了不同成像技术领域的模型数量。
• 临床医疗、医学影像和药物发现是AI的重要应用领域，并发布了多个值得关注的模型。引用： 报告Highlight部分 “Notable Model Releases” 提到了多个科学领域的AI模型。
• 医学AI伦理问题受到越来越多的关注，相关出版物和NIH资助均有所增加。引用： 图表 “Top 10 ethical concerns discussed in medical AI ethics publications, 2020–24” 和 “NIH grant funding for medical AI ethics by fiscal year, 2020–24” 表明了伦理考量的重视程度。

6. 公共部门

• 不同国家公共AI相关合同的中位数价值存在显著差异。引用： 图表 “Median value of public AI-related contracts in select countries, 2013–23” 进行了国家间的比较。
• 美国联邦政府在AI相关合同上的支出主要集中在少数部门，如退伍军人事务部和财政部。引用： 图表 “U.S. federal government AI-related contract spending by department, 2013–23” 展示了支出的部门分布。
• 美国各州在监管AI生成的亲密图像深度伪造方面采取了不同的立法措施。引用： 地图 “State-level laws regulating AI-generated deepfakes in intimate imagery in the US by state and status as of 2024” 展示了各州的立法状态。

7. 教育

• K-12阶段计算机科学教育的普及程度仍然存在差距，不同群体（如低收入家庭学生、少数族裔学生等）的参与度不均。引用： 报告提及不同群体在获得CS教育机会方面的差异。
• AP计算机科学考试的参与人数持续增长，但族裔和性别比例与全国人口结构存在差距。引用： 图表 “Number of AP computer science exams taken, 2007–23” 和 “AP computer science exam participation vs. national demographics by race/ethnicity, 2023” 提供了相关数据。
• 美国大学中计算机科学博士生的国际学生比例很高，主要来源国包括中国和印度。引用： 图表 “Number of international CS PhD students enrolled in US universities, 2022” 展示了国际学生的数量和来源地。
• 不同国家和地区的信息与通信技术（ICT）博士毕业生数量存在差异，美国、英国和德国等国的毕业生人数较多。引用： 图表 “New ICT PhD graduates by country, 2022” 进行了国际比较。
• 高等教育阶段不同学位层次（短期、本科、硕士、博士）的女性毕业生比例在不同国家和地区有所不同。引用： 图表 “Proportion of female ICT graduates by education level and country, 2022” 展示了性别比例的差异。

8. 公众舆论和政策

• 美国地方官员对制定AI政策的意愿受到党派归属的影响。引用： 图表 “Local US officials’ likelihood of making AI policy decisions by party and year” 对比了民主党和共和党官员的看法。

总结：

这份报告节选突显了人工智能领域在研发、技术性能、经济影响和社会责任等方面的快速发展和复杂性。全球AI专利数量持续飙升，中国在专利申请量上遥遥领先。AI模型的能力在多个任务上取得了显著进步，尤其是在多模态理解、代码生成和长文本处理方面。然而，模型训练所需的巨大算力、潜在的数据枯竭以及模型中存在的偏见和安全问题仍然是重要的挑战。

AI正在对经济产生深远的影响，创造新的就业机会，吸引大量投资，并改变企业的运作方式。然而，AI人才的分布不均和性别差距等问题需要关注。科学和医学领域正在积极探索AI的应用潜力，并在蛋白质科学、药物发现和临床医疗等方面取得了令人鼓舞的进展，但伦理考量也变得越来越重要。

公共部门在制定AI治理框架和进行相关采购方面扮演着关键角色，而教育系统需要适应AI时代的需求，培养未来的AI人才。公众对AI政策的看法也开始受到关注，预示着未来AI治理将是一个多方参与的复杂过程。

后续行动建议：

• 深入分析报告全文，获取更全面的信息和数据。
• 关注报告中提到的关键基准测试和排行榜，跟踪AI技术的最新进展。
• 进一步研究报告中提出的伦理和社会影响问题，为负责任的AI发展提供依据。
• 关注不同国家和地区的AI政策动向，了解全球AI治理的趋势。
• 结合自身业务和战略，评估AI发展带来的机遇和挑战。

请注意，这只是基于您提供的节选的简报，完整报告可能包含更多详细信息和分析。

报告地址：

https://t.zsxq.com/jikzW