就在剛剛，每年都備受矚目的斯坦福AI指數報告，重磅發布了！

這份報告由斯坦福大學以人為本AI研究員發布，代表著每年AI領域最核心和前沿的動向總結。

今年，這份報告長達456頁，拋出不少驚人觀點。

圖片

比如，如今在2025年，中美頂級AI模型的性能差距已經縮小到了0.3%（2023年，這一數字還是20%），中國模型正在快速追趕美國的領先地位！

而DeepSeek領銜的開放權重模型，更是以1.7%之差，逼宮各大閉源巨頭。前者和后者的差距，已經由2024年的8%，縮小至2025年的1.7%。

當然，目前從行業主導企業來看，美國仍然領先于中國。在2024年，90%的知名AI模型來自企業，美國以40個模型領先，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，它們的差距已經越來越小，銳減至5%。

圖片

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。

圖片

· 更有用智能體崛起 

2024年發布的RE-Bench基準測試，為評估AI智能體復雜任務能力設立了嚴苛標準。

數據顯示：在短期任務（2小時內）場景下，頂級AI系統的表現可達人類專家的4倍；但當任務時限延長至32小時，人類則以2:1的優勢反超。

值得注意的是，AI已在特定領域，如編寫特定類型代碼，展現出與人類相當的專業水平，且執行效率更勝一籌。

圖片

2. 美國領跑頂尖模型研發，但中國與之差距逐漸縮小

2024年，美國產出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差異從兩位數縮小至近乎持平。

同時，中國在AI學術論文和專利申請量上持續領跑，中東、拉美和東南亞地區也涌現出具有競爭力的模型。

圖片

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AI成本下降280倍。

視具體任務需求，LLM推理服務價格的年降幅可達9-900倍不等。

圖片

· 小模型性能顯著提升，參數暴減142倍

2022年，在大規模多任務語言理解（MMLU）基準測試中，得分超60%的最小模型是 PaLM，參數量為5400億。

到了2024年，微軟Phi-3-mini僅用38億參數，就取得了同樣的實力。

這代表，兩年多的時間里模型參數減少了142倍。

圖片

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，學術界則保持基礎研究優勢。

模型規模呈指數增長：訓練算力每5個月翻番，數據集每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%。

圖片

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，能較好解決IMO問題（雖未達人類頂尖水平），但LLM在MMMU等復雜推理任務中表現欠佳，尤其不擅長算術推導和規劃類強邏輯性任務。

這一局限影響了其在醫療診斷等高風險場景的應用可靠性。

圖片

6. 大廠ALL in AI，投資與采用率創雙紀錄

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AI采用率從55%升至78%。研究證實，AI不僅能提升生產力，多數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應用于至少一項業務職能的企業數量激增——從2023年的33%躍升至去年的71%，增幅超一倍。

圖片

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（物理學）和蛋白質折疊預測（化學）研究，圖靈獎則花落強化學習領域。

圖片

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，但非洲地區受限于電力等基礎設施，推進緩慢。

美國81%的計算機教師認為AI應納入基礎課程，但僅47%具備相應教學能力。

9. AI正深度融入日常生活

從醫療到交通，AI正快速從實驗室走向現實。

1995年，FDA批準了第一款AI賦能的醫療器械。

截至2024年8月，FDA已批準950款AI醫療設備——較2015年的6款和2023年的221款，增長迅猛。

而在自動駕駛領域，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。

圖片

10. 全球AI樂觀情緒上升，但地區差異顯著

中國（83%）、印尼（80%）和泰國（77%）民眾對AI持積極態度，而加拿大（40%）、美國（39%）等發達國家則相對保守。

值得關注的是，德國（+10%）、法國（+10%）等原懷疑論國家態度明顯轉變。

圖片

圖片

11. 負責任AI生態發展不均

雖然AI安全事件激增，但主流模型開發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。

企業普遍存在「認知與行動脫節」，而各國政府加速協作：2024年，經合組織、歐盟等國際機構相繼發布聚焦透明度、可信度的治理框架。

圖片

· 問題AI數量躍升

根據權威AI危害追蹤數據庫「AI事件庫」（AI Incidents Database）統計，2024年全球AI相關危害事件激增至233起，創下歷史新高，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。

盡管該統計未能涵蓋全部案例，但已清晰揭示AI技術濫用正在呈現驚人增長態勢。

圖片

12. 全球監管力度持續加強

2024年美國聯邦機構頒布59項AI法規，涉及部門數量翻倍。

75個國家立法機構提及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」。

圖片

詳細亮點解讀

下面，我們將摘出報告中的亮點內容，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。

圖片

圖片

報告中強調，雖然2024年，美國在頂尖AI模型的研發上依然領先，但中美模型之間的性能差距，正在迅速縮小！

為了衡量AI領域過去一年演變的全球格局，HAI特意用AI指數，列出了具有代表性的模型所屬國家，美國依然居首。

數據顯示，在2024年，美國機構以擁有40個知名模型領先，遠遠超過中國的15個和歐洲的3個。

圖片

總體來說，模型發布總量已經下降，可能是多個因素共同導致的，比如訓練規模日益龐大、AI技術日益復雜，開發新模型方法的難度也在增加。

AI模型已成為算力巨獸

圖片

· 參數趨勢

簡單的說，參數就是AI模型通過訓練學到的一些數字，這些數字決定了模型如何理解輸入和怎樣輸出。

AI的參數越多需要的訓練數據也越多，但同時性能也更厲害。

從2010年代初開始，模型的參數量就蹭蹭往上漲，這背后是因為模型設計得越來越復雜、數據更容易獲取、硬件算力也更強了。

更重要的是，大模型確實效果好。

下圖用了對數刻度，方便大家看清楚AI模型參數和算力近年來的爆炸式增長。

圖片

隨著模型參數數量的增加，訓練所需的數據量也在暴漲。

2017年發布的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模型的訓練數據已經飆到了約3740億個token。

而Meta在2024年夏天發布的模型Llama 3.3，更是用了大約15萬億個token來訓練。

根據Epoch AI的數據，大型語言模型的訓練數據集規模大約每八個月翻一倍。

圖片

訓練數據集越來越大，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，這在如今已經算是「正常」的了。

谷歌在2023年底發布的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在的先進。

圖片

· 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級增長。據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。

圖片

去年12月，DeepSeek V3一經推出就引發了廣泛關注，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。

圖片

· 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的價格數據，來源于Artificial Analysis和Epoch AI的API定價專有數據庫，而價格是根據輸入與輸出token的價格按3:1的權重平均計算得出的。

可以看出，單位性能的AI成本正在顯著下降。

而Epoch AI估計，根據不同任務類型，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OpenAI、Meta和Anthropic的模型，仍需支付不小的溢價。

圖片

· 訓練成本

雖然很少有AI公司披露具體的訓練成本，但這個數字普遍已達到數百位美元。

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。

圖片

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。

圖片

圖1.3.25展示了AI指數所估算的所有AI模型的訓練成本。

圖片

在2024年，Epoch能估算的少數模型之一，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聯。如圖1.3.26所示，計算需求更大的模型訓練成本顯著更高。

圖片

參考資料：YZNH

https://www.nature.com/articles/d41586-025-01033-y

https://hai.stanford.edu/ai-index/2025-ai-index-report

https://hai.stanford.edu/news/ai-index-2025-state-of-ai-in-10-charts