圖源：Unsplash

撰文 |張?zhí)炱?/strong>

責編 |李珊珊

4月13日，斯坦福大學(xué)發(fā)布了《2026年AI指數(shù)報告》。這是一份業(yè)內(nèi)人士翹首以待的AI領(lǐng)域重磅年度報告，報告以243頁的篇幅、9個章節(jié)、數(shù)百張圖表，記錄了過去一年AI發(fā)展的真實面貌。

在這份報告中，AI的發(fā)展繼續(xù)一路高歌猛進，大量原本預(yù)期可以維持數(shù)年的高難度基準測試，如今往往在幾個月內(nèi)便告破防。然而，在一些普通人類可以輕松完成的"簡單"任務(wù)中，AI卻依然屢屢碰壁。

AI持續(xù)進化的同時，全球地緣AI格局也在悄然生變。作為后來者，中國大模型的性能正日漸逼近美國。在AI領(lǐng)域，美國仍擁有更多頂尖大模型和高影響力專利；而中國在論文發(fā)表數(shù)量、引用次數(shù)、專利產(chǎn)出和工業(yè)機器人裝機量方面，已呈現(xiàn)出明顯的領(lǐng)先趨勢。

此外，報告還涉及AI4Science、AI與教育、大模型透明度、AI對就業(yè)的影響，以及大模型相關(guān)的能源與算力等議題。

以下為報告中的重要數(shù)據(jù)與結(jié)論摘選：

01 頂級模型性能，中美只差2.7%

過去幾年間，大家有一個普遍的印象：美國在大模型領(lǐng)域遙遙領(lǐng)先，中國在努力追趕但始終有差距。但本次報告給出了一個不一樣的判斷，中國的頂級的大模型已經(jīng)基本追上了美國。

2025年2月，DeepSeek發(fā)布的R1模型短暫追平了彼時的美國最強模型。當時DeepSeek-R1（1400分）僅比當時領(lǐng)先的美國模型 o1-2024-12-17（1405分）落后0.4%。此后兩國模型多次交替領(lǐng)先。

2025年，美國產(chǎn)出了50個代表性模型，中國產(chǎn)出了30個。根據(jù)各個模型在Arena排行榜上的得分，截至2026年3月，Anthropic的頂級模型在Arena排行榜上以Elo分1503領(lǐng)先，差距約為2.7%，且在過去一年中一直在持平到個位數(shù)范圍內(nèi)波動。

事實上，當前頂級AI梯隊已經(jīng)高度密集。在參考國際象棋建立的AI等級分系統(tǒng)里，Anthropic（1503）、xAI（1495）、谷歌（1494）、OpenAI（1481）、阿里巴巴（1449）、DeepSeek（1424），這六家公司的模型已經(jīng)全部擠進同一個分檔，也就意味著這些中美AI領(lǐng)域的“頂級高手”實力非常接近。競爭更多比的已經(jīng)不是性能，而是向成本、可靠性和特定場景表現(xiàn)轉(zhuǎn)移。此外，按代表性模型數(shù)量統(tǒng)計，阿里巴巴、DeepSeek、清華大學(xué)和字節(jié)跳動均位列全球前十。

但在模型和機構(gòu)評分之外，兩國的AI格局仍然存在結(jié)構(gòu)性差異。

美國私人AI投資達到2859億美元，是中國124億美元的23倍以上。另一方面，自2000年以來，中國政府引導(dǎo)基金向AI公司注入的資金累計已達約1840億美元。

中國論文數(shù)量、引用量、專利總量上領(lǐng)先，并以一國之力占據(jù)了2024年全球54%的工業(yè)機器人安裝量，且這一比例還在擴大。

在論文的引用占比方面，中國AI論文在2024年貢獻了20.6%的AI引用，歐洲為19.5%，美國為12.6%。在高被引論文中，美國仍然每年排名第一，但其份額從2021年的64篇下降至2024年的46篇，中國則上升至2024年的41篇，差距已經(jīng)很小。

從專利數(shù)量上看，中國占據(jù)絕對多數(shù)，占全球總量的 74.2%。美國位列第二，占 12.1%。但從引用上來說，全世界50%的專利引用都出自于美國專利，而且美國專利通常被引用更快且更穩(wěn)定，僅有 19% 未被引用。相比之下，其他地區(qū)這一比例為 32%–44%。從專利的影響力上看，美國仍更具優(yōu)勢。

從人才上講，2025年，美國在高影響力AI研究者與發(fā)明人規(guī)模上仍領(lǐng)先于其他國家。在吸引頂尖AI人才這方面。美國自2020年以來一直保持人才凈流入狀態(tài)，吸引的人才多于流出的人才。

但這一優(yōu)勢正在減弱，自 2017 年以來，移居美國的頂尖 AI 研究人員和開發(fā)人員數(shù)量下降了 89%。凈流入規(guī)模從2022年的峰值324.6下降至2025年的26.0。

02 AI飛速進化，現(xiàn)有的測量基準被攻陷

理解 AI 的能力，很大程度上依賴于一套不斷被使用的評測體系。長期以來，無論是學(xué)術(shù)界還是產(chǎn)業(yè)界，都共享著相對穩(wěn)定的基準框架：通過分數(shù)、排名與標準化任務(wù)來比較模型能力。但今年AI的能力飛漲，一些測量基準開始跟不上AI的腳步了。

首先，AI能力的進步實在太快。原本預(yù)期可以維持好幾年的高難度評估，如今往往在幾個月就被失守了。

一些幾年前AI表現(xiàn)還很不行的領(lǐng)域，都在今年有了飛速的進步。包括博士級科學(xué)問題（GPQA Diamond）、多模態(tài)推理（MMMU）以及數(shù)學(xué)推理（AIME），都達到或者接近了人類專家水平。

變化最直觀的是多模態(tài)推理領(lǐng)域。MMMU要求模型在文本與視覺信息之間建立對應(yīng)關(guān)系，例如讀取圖表中的約束條件并將其應(yīng)用到文字問題，或根據(jù)工程與醫(yī)學(xué)示意圖推導(dǎo)答案。到2026年2月，Gemini 3.1 Pro Preview在該基準上取得88.2%的成績，僅比人類專家基準低0.4個百分點。

另一項進展出現(xiàn)在純文本高難度推理任務(wù)上。GPQA主要評估研究生級別的科學(xué)推理能力，問題設(shè)計刻意排除了依賴檢索的可能性，需要通過多步推導(dǎo)才能完成。

在該基準的Diamond子集中，模型表現(xiàn)已率先超過81.2%的專家驗證基準（見圖2.4.2）。這一突破發(fā)生在2024年末，由OpenAI的o3首次實現(xiàn)，達到87.7%。隨后一年中，平均準確率繼續(xù)上升，到2025年提升至93%，穩(wěn)定超過專家參考線。

在真實軟件工程任務(wù)測試集 SWE-bench Verified 上，模型在修復(fù) bug 的表現(xiàn)相較人類基準，從約60%的完成水平迅速提升至接近100%，雖然還沒有真正達到人類基準，但這一過程僅用了不到一年時間。

“人類最后的考試”（Humanity's Last Exam）還沒有失守。這個基準是專門為難住AI而設(shè)計的，出題方有意拔高難度，想讓它至少維持幾年的有效性。但是從2024到2025年，它的準確率提升約30個百分點，從不足10%上升至38.3%。

另外，很多評價基準本身也有問題。一項針對主流基準的系統(tǒng)性審查顯示，其中無效或存在問題的題目比例差異極大：在 MMLU 的數(shù)學(xué)子集上約為 2%，而在 GSM8K 中則高達 42%。這意味著，在一些被頻繁引用測試中，接近一半的題目本身并不具備穩(wěn)定的測量意義。然而，我們還在用這些基準測量AI是否達到人類水平。

第三個問題是操縱。已有研究指出，在某些公開排行榜（如 Arena）上的排名，可能并不完全反映模型的真實通用能力，只是模型適應(yīng)了平臺的出題風(fēng)格。

AI的能力在以肉眼可見的速度增長，但我們賴以描述這種增長的語言和工具，反而出現(xiàn)了失效。我們越來越難以回答一個最基本的問題：這些模型到底有多好？

03 能拿奧運金牌，但卻看不懂手表

通過一套基準來判斷AI能力的另一個問題是，AI實在是偏科過于嚴重。

2025年的IMO（國際數(shù)學(xué)奧林匹克競賽）上，谷歌的Gemini Deep Think以35分的成績獲得金牌，在4.5小時的限時內(nèi)全程用自然語言推理作答，比2024年的銀牌成績（28分）大幅提升。

但在ClockBench這個測試模型能否讀取指針式時鐘的評測中，最強模型的正確率只有50.1%，而人類的成績是90.1%。同一個系統(tǒng)，能解開人類頂級數(shù)學(xué)家才能駕馭的競賽題，但是卻看不懂手表。

這就是報告所描述的“鋸齒狀智能”（jagged intelligence）：AI的能力邊界不是一條平滑的曲線，而是一條參差不齊的鋸齒。它可以在某些人類最難的任務(wù)上完勝，卻在某些人類小學(xué)生都能完成的任務(wù)上潰敗。

在AI 智能體和機器人方面，問題也是相似的。在 OSWorld（跨操作系統(tǒng)真實任務(wù)測試）中，AI 智能體的成功率從 12% 提升至約 66%，但仍有約 1/3 任務(wù)失敗。機器人在實驗室模擬環(huán)境 RLBench 中，成功率達到 89.4%。但是真實情景中的成功率只有12%。

04 做題勝過科學(xué)家，但做研究還不行

“科學(xué)”章節(jié)是今年報告新增的一章，它通過一組數(shù)據(jù)展示了AI在科學(xué)領(lǐng)域的進展速度，同時也揭示了其可靠性仍然有限。

在ChemBench上，前沿模型在2700多道化學(xué)題目上的平均表現(xiàn)超越了人類化學(xué)家，但同時在基礎(chǔ)任務(wù)上表現(xiàn)掙扎。在ReplicationBench上，這些模型試圖復(fù)現(xiàn)天體物理學(xué)已發(fā)表論文的實驗結(jié)果，得分低于20%。

做題和做研究，是兩件完全不同的事。前者考驗的是從已有知識中檢索和推理的能力；后者要求的是理解一個實驗的完整邏輯、處理真實數(shù)據(jù)的噪聲、在不確定條件下作出判斷。目前的AI在前者上已經(jīng)相當出色，在后者上仍然非常有限。

在端到端科研任務(wù)評測PaperArena上，最好的AI 智能體得分38.8%，博士專家的基準是83.5%，不到一半。在真實生物信息學(xué)分析任務(wù)BixBench上，前沿模型的準確率約為17%。在地球觀測問題評測UnivEarth上，AI agent的回答準確率為33%，生成的代碼有58%運行失敗。

2025年，第一篇完全由AI生成的論文在同行評審的研討會上被接受，谷歌的AI Co-Scientist也在三個生物醫(yī)學(xué)領(lǐng)域獲得了實驗驗證。然而，經(jīng)過實驗確認的AI科學(xué)發(fā)現(xiàn)，清單仍然很短。

05 最強的模型，也是最不透明的模

2025年，產(chǎn)業(yè)界貢獻了超過90%的代表性AI模型，但最強的模型仍然主要是閉源模型。訓(xùn)練代碼、參數(shù)規(guī)模、數(shù)據(jù)集規(guī)模與訓(xùn)練時長等關(guān)鍵信息，在OpenAI、Anthropic和谷歌等資源投入最密集的模型中，已基本停止對外披露。

在2020年，開源與未公開訓(xùn)練代碼的模型數(shù)量還是大致相當?shù)摹５搅?025年，在95個重要模型中，有80個未公開其訓(xùn)練代碼，僅有4個實現(xiàn)了代碼開源。

從性能上，開源模型曾短暫逼近閉源模型，甚至接近改寫格局的邊界，但在2025年和閉源模型又稍稍拉開了差距。

雙方的起點差距很大，2023年5月，閉源模型 GPT-4-0314 在 Arena 排行榜上領(lǐng)先最強開源模型 Vicuna-13B 達174分（15.2%）。但隨后一年中，隨著 Mixtral、WizardLM 和 Llama-3.1-405B 等模型相繼出現(xiàn)，開源模型快速縮小差距，到2024年8月已將差距壓縮至僅7分（0.5%），一度接近追平。

然而，進入2025年后，隨著 o1-preview 和 Gemini 2.5 Pro 等新一代閉源模型發(fā)布，領(lǐng)先優(yōu)勢再次回到閉源陣營。截至2026年3月，Claude Opus 4.6（1503分）重新拉開與最強開源模型 GLM-5（1454分）的距離，差距回到49分（3.4%）。

這一趨勢在“基礎(chǔ)模型透明度指數(shù)”上同樣清晰可見。這是一個一個用0到100分衡量AI模型“開放程度”的指標體系，評分依據(jù)包括：模型權(quán)重是否可以自由獲取與授權(quán)使用，以及訓(xùn)練方法、預(yù)訓(xùn)練數(shù)據(jù)與后訓(xùn)練數(shù)據(jù)的透明度水平。現(xiàn)在的主流模型的開放程度普遍較低，大多數(shù)得分集中在2到16分之間。

該指數(shù)的業(yè)界平均分在2023年為37分，2024年上升到了58分，一度讓人對透明度改善抱有期待。然而2025年，這個數(shù)字跌回了40分，幾乎抹掉了一年間的所有進展。

06 生產(chǎn)率在提升，入門級崗位在消失

總體來看，AI對經(jīng)濟增長具有一定的促進作用，但對就業(yè)來說卻未必。

一項針對1.2萬家歐洲企業(yè)的研究發(fā)現(xiàn)，AI采用使勞動生產(chǎn)率提高了4%，而培訓(xùn)能夠進一步增強這一效果。在美國，2025年的生產(chǎn)率增長達到2.7%，幾乎是過去十年平均水平1.4%的兩倍。

對打工人的利好是，AI在很多領(lǐng)域真的能提高效率。在客服領(lǐng)域，AI帶來了14%至15%的生產(chǎn)率提升；在軟件開發(fā)領(lǐng)域，實測提升幅度達26%；在營銷內(nèi)容輸出方面甚至高達73%。生成式AI工具為美國消費者帶來的年度價值估計已達1720億美元，較一年前的1120億美元增長54%，且其中大多數(shù)工具是免費或接近免費獲取的。

但是從就業(yè)上看，AI對年輕人很不友好。AI正在逐漸替代職業(yè)階梯的最底層，也就是那些原本由年輕人來承擔的入門級工作。年輕人失去的不只是一份薪水，而是積累經(jīng)驗、進入行業(yè)的通道本身。

從數(shù)據(jù)上看，美國22–25歲的年輕群體中，高AI暴露職業(yè)的就業(yè)水平相比低暴露職業(yè)下降了約16%。這一差距差距自2024年年中開始擴大，并在此后持續(xù)增長。

這一點，在年輕的軟件開發(fā)者身上體現(xiàn)的特別明顯。美國22-25這個年齡段的軟件開發(fā)者，就業(yè)人數(shù)自2024年以來下降了近20%。與此形成對比的是，更年長的開發(fā)者群體人數(shù)仍在增長。

雖然從整體來說，AI還沒有明確導(dǎo)致失業(yè)，但是從雇主的態(tài)度上，可能很多職位在未來都會受到削減。據(jù)麥肯錫2025年的調(diào)查，約三分之一的受訪者預(yù)計員工規(guī)模將出現(xiàn)下降，而且這一比例在大型企業(yè)（年收入≥10億美元的企業(yè)）中更高，而只有很少的雇主計劃增加人手。

報告還補充了一個細節(jié)。有證據(jù)顯示，對AI的高度依賴可能帶來長期學(xué)習(xí)懲罰，減慢人類技能的發(fā)展速度。生產(chǎn)率的短期提升，與人類能力的長期侵蝕，可能不是非此即彼的，而是正在同時進行。

07 能源與算力

自2022年以來，全球AI算力能力以每年3.3倍的速度增長，已達到約1710萬H100等效算力單位。

美國共擁有5427個數(shù)據(jù)中心，是其他任何國家的10倍以上，同時其能源消耗也高于世界上任何其他國家。德國（529個）、英國（523個）和中國（449個）位列其后，其余大多數(shù)國家的數(shù)據(jù)中心數(shù)量均不足300個。

AI公司的收入正以罕見速度增長，但算力與基礎(chǔ)設(shè)施成本同步攀升，且增速同樣顯著，這主要體現(xiàn)在云服務(wù)商資本開支的快速擴張上，例如谷歌在2025年的資本支出已超過1500億美元。

資源消耗也隨著模型能力同步上升。Grok 4 的訓(xùn)練排放約為 72816 噸二氧化碳當量，AI 數(shù)據(jù)中心電力容量達到 29.6 GW，這一規(guī)模接近紐約州的峰值電力需求。僅 GPT-4o 的年度推理用水量，就可能超過 1200 萬人的飲用水需求。不過模型能力未必完全等于能源消耗，DeepSeek v3 的排放就顯著低于同規(guī)模模型。

從規(guī)模上看，整體AI系統(tǒng)的用電需求已接近瑞士或奧地利的全國電力消費水平，也大約相當于比特幣挖礦的一半。在不計入加密貨幣的情況下，全球數(shù)據(jù)中心的電力需求約為47000 MW，其中AI硬件所占比例正在持續(xù)上升。

08 教育與治理，制度明顯滯后

AI 的擴散速度明顯快于以往技術(shù)。生成式 AI 在三年內(nèi)已經(jīng)達到 53% 的人口使用率，這一速度超過了個人電腦和互聯(lián)網(wǎng)。企業(yè)層面的采用率達到 88%，大學(xué)生中約有 80% 已經(jīng)使用生成式 AI 工具。

在印度、中國、尼日利亞、阿聯(lián)酋和沙特阿拉伯等新興經(jīng)濟體中，超過80%的受訪者表示在工作中經(jīng)常使用AI，同時這些國家的信任水平也相對較高。

教育系統(tǒng)中，AI也已經(jīng)廣泛普及。超過 80% 的美國中學(xué)生和大學(xué)生在學(xué)習(xí)中使用 AI。反倒是學(xué)校沒有跟上學(xué)生的腳步，只有約一半的學(xué)校制定了相關(guān)政策，而認為政策清晰的教師僅占 6%。

正規(guī)教育對AI發(fā)展的反應(yīng)正在顯現(xiàn)出明顯滯后，而越來越多的人開始繞開傳統(tǒng)教育體系，通過證書課程、在線學(xué)習(xí)和在職實踐學(xué)習(xí)AI。

總體來看，AI素養(yǎng)類技能（例如為AI寫提示詞）的增長更為迅速，但在阿聯(lián)酋、智利和南非等國，AI工程技能（例如構(gòu)建AI智能體）增長得更快，意味著在這些國家，學(xué)習(xí)不再停留在對工具的理解，而是更多進入應(yīng)用與實踐，在真實使用中學(xué)習(xí)。

從治理上看，民眾對AI的信任程度并不高。根據(jù)皮尤（Pew）調(diào)查，專家與公眾對AI的預(yù)期已經(jīng)出現(xiàn)了明顯的分歧。在美國，73% 的專家認為 AI 會對工作產(chǎn)生正面影響，而公眾中持相同看法的僅為 23%。近三分之二的美國人（64%）預(yù)計人工智能將在未來 20 年內(nèi)導(dǎo)致就業(yè)崗位減少，而只有 5% 的人預(yù)計會增加就業(yè)崗位。在醫(yī)療和經(jīng)濟方面，雙方同樣分歧嚴重。

不僅是不信任專家，美國公眾對AI政府監(jiān)管的信任度為 31%，在被調(diào)查國家中處于最低水平。也就是說，AI能力最強的國家，恰恰是本國公眾最不信任其政府來治理AI的國家。

而從美國國會的聽證會人員構(gòu)成來看，涉AI聽證會的參與者中，業(yè)界代表比例從2017年的13%飆升至2025年的37%，成為最大的群體，學(xué)術(shù)界則降至15%。民眾對于AI的不信任，并非沒有理由。誰在主導(dǎo)關(guān)于AI的政策討論，數(shù)字已經(jīng)給出了答案。

參考文獻：

• [1] Sha Sajadieh, Loredana Fattorini, Raymond Perrault, Yolanda Gil, Vanessa Parli, Lapo Santarlasci, Juan Pava, Nestor Maslej, Russ Altman, Erik Brynjolfsson, Carla Brodley, Jack Clark, Virginia Dignum, Vipin Kumar, James Landay, Terah Lyons, James Manyika, Juan Carlos Niebles, Yoav Shoham, Elham Tabassi, Russell Wald, Toby Walsh, Dan Weld. “The AI Index 2026 Annual Report,” AI Index Steering Committee, Institute for Human-Centered AI, Stanford University, Stanford, CA, April 2026.