中國在人工智慧專利領域領先全球的資料解析與背景分析一、核心資料：中國AI專利的全球佔比激增2010–2023 年全球人工智慧專利授權數量根據史丹佛大學《人工智慧指數報告 2025》（基於 Statista 圖表資料）：2023 年：中國獲得全球約 70% 的 AI 專利授權，較 2013 年的 20% 大幅增長。美國佔比下滑：從 2015 年的 43% 降至 2023 年的 14.2%。歐洲佔比萎縮：從 2017 年的 6.6% 降至最新的 2.8%。二、中國領先的政策驅動與戰略佈局1. 國家層面的早期戰略定位2017 年推出《新一代人工智慧發展規劃》，目標是到 2030 年成為全球 AI 市場領導者。核心措施包括：- 大規模投資科研、初創企業、高校及資料基礎設施；- 將專利申請作為創新衡量標準，系統性激勵高校、企業和研究機構高頻申請專利。2. 專利導向的創新激勵機制在中國，專利數量被視為技術實力的重要指標，政策驅動下形成了從研發到申請的全鏈條激勵，例如：企業可通過專利獲得政府補貼、稅收優惠；高校和科研機構將專利數量納入考核體系，推動技術成果快速轉化為專利。2013- 2023 年部分國家 人工智慧相關合同的公共支出（總額）三、歐美佔比下滑的深層原因1. 美國：開源模式與專利策略的差異美國科技巨頭（如 OpenAI、Meta、Google）更傾向於開源技術（如 PyTorch、TensorFlow、大型語言模型），這類項目技術複雜度高但通常不申請專利，因此未被納入專利統計，但對全球技術發展影響深遠。美國創新體系更注重技術落地與商業應用，而非單純的專利數量競爭。2. 歐洲：缺乏統一戰略與資源整合歐洲缺乏類似中美的統一 AI 戰略及明確的資金支援，多數計畫以國家為單位分散推進（如德國 “工業 4.0”、法國 AI 戰略），難以形成規模效應。監管框架（如《人工智慧法案》）更側重倫理與風險管控，一定程度上可能延緩技術商業化與專利申請的速度。四、專利資料背後的技術生態差異2013-2023 年全球電腦科學領域人工智慧出版物數量中國：專利數量的爆發式增長反映了政策驅動下的 “規模優勢”，但需關注專利質量（如核心技術原創性、商業化轉化率）。美國：開源生態推動技術快速迭代與全球協作，雖專利佔比下降，但在演算法理論、基礎模型等領域仍保持技術話語權。歐洲：在 AI 倫理、隱私保護等細分領域積累優勢，但整體競爭力因碎片化佈局而被削弱。2023 年電腦科學領域人工智慧出版物（佔總數的百分比）按行業和特定地區分類情況2021-2023 年按特定地區劃分的前100名高被引出版物數量2021–2023年按機構劃分的前100篇高被引出版物數量五、未來趨勢：從 “專利數量” 到 “技術主導權” 的競爭中國若要鞏固領先地位，需從 “專利規模” 轉向 “專利質量”，加強基礎研究與核心技術突破；而歐美可能通過開源標準、技術生態建構維持影響力。全球 AI 競爭將不僅限於專利數量，更聚焦於技術標準制定、人才儲備及產業鏈主導權。六、美國AI教育2016 年，歐巴馬總統推出 “全民電腦科學” 倡議，投入數十億美元，旨在確保所有幼兒園至 12 年級（K - 12）的學生都能學習電腦科學，從而成為數字經濟中的創造者以及技術驅動型社會中負責任的公民。聯邦資金專門用於加強專業學習舉措、完善教學資源，以及建立有效的區域合作關係，以擴大電腦科學教育的覆蓋範圍。美國國家科學基金會還牽頭開發並推行了兩門新的電腦課程（“探索電腦科學” 和 “大學預修課程：電腦科學原理”），旨在吸引更多學生參與電腦領域的學習。與此同時，科技行業和慈善機構也投入數百萬資金，在全國範圍內開展相關工作，讓數百萬學生接觸電腦科學。1.美國高中電腦科學課程的普及與差距美國高中電腦科學（CS）課程的可及性和註冊率較上學年略有提升，但差距仍然存在。學生參與度因州別、種族、學校規模、地理位置、收入水平、性別及殘障狀況而異。2.美國CS教師的AI教學困境美國CS教師希望教授AI，但自感能力不足。儘管81%的CS教師認同AI應用與學習應納入基礎CS課程，但僅有不到一半的高中CS教師認為自己具備教授AI的能力。3.全球K-12電腦教育的發展與挑戰全球三分之二的國家已開設或計畫開設K-12階段的CS教育，這一比例較2019年翻倍，其中非洲和拉丁美洲國家進展最快。然而，非洲國家的學生因學校缺電，獲得CS教育的機會最少。4.美國AI碩士學位人數激增2022至2023年間，美國AI專業碩士畢業生數量幾乎翻倍。儘管本科和博士學位對AI的關注增長較慢，但碩士人數的激增可能預示各學歷層次的相關趨勢正在形成。5.美國ICT人才培養的全球領先地位美國在各層次資訊、技術與通訊（ICT）人才培養上持續保持全球領先。西班牙、巴西和英國在不同層次緊隨其後，而土耳其在性別平等方面表現最佳。按年級劃分的電腦科學課堂中學習人工智慧的時間在2245名在課堂上教授人工智慧內容的教師中，大多數教師每門課程花費的時間少於5小時。小學教師花費的時間最少，其中70%的教師僅花費1 - 2小時 。從圖表來看，在1 - 2小時這個時間段，小學教師佔比70%，中學教師佔比48%，高中教師佔比42%；在3 - 5小時時間段，小學教師佔比22%，中學教師佔比33%，高中教師佔比35% ；在6 - 19小時以及20 +小時的時間段，小學教師佔比均低於中學和高中教師 。這都進一步驗證了文中所說小學教師教授人工智慧內容花費時間最少的情況。七、公眾對AI的看法不同人口群體對人工智慧是否會顯著影響個人工作的看法存在差異（圖3）。與X世代和嬰兒潮一代等較年長群體相比，Z世代和千禧一代等年輕群體更傾向於認同人工智慧將改變他們的工作方式。具體而言，2024年有67%的Z世代認同“人工智慧可能會影響其當前工作”這一說法，而嬰兒潮一代中僅有49%的人表示認同。2023至2024年間，所有代際群體均越來越認同“人工智慧將在未來五年改變其工作方式”這一觀點。有趣的是，在認同該觀點的比例增長了3%的群體中，千禧一代和嬰兒潮一代的增幅最大，這或許表明跨代際的認知正在提升。2023年與2024年關於人工智慧是否會在未來五年改變當前工作方式的全球看法（認同該說法的比例）圖3下面圖1 和圖 2 對上述資料進行了相關性分析，探究了對某些問題的回答之間的關聯程度。值得注意的是，受訪者認同人工智慧將改善就業市場與他們相信人工智慧會對自己的工作有益之間存在很強的相關性。在一些國家，比如波蘭，這兩方面的樂觀情緒都很低，分別只有 17% 和 21% 的受訪者表示認同。相比之下，中國的情緒則積極得多，44% 的人認為人工智慧將改善就業市場，62% 的人認為它會改善自己的工作。同樣，受訪者認為人工智慧會減少完成任務所需時間的國家，也更有可能表示人工智慧會改善他們個人的工作。 (OfferSea)2024 年全球關於人工智慧改善就業市場潛力與個人工作影響的觀點對比圖12024 年全球關於人工智慧在縮短工作完成時間潛力與對個人工作影響方面的看法圖2

4月初，史丹佛大學發佈了2025年人工智慧指數報告《Artificial Intelligence Index Report 2025》，該指數報告呈現了目前最全面、最完整的人工智慧發展現況。它也被全球媒體、政府和領先公司公認為值得信賴的資源，為政策制定者、商業領袖和公眾提供了對人工智慧技術進步、經濟影響和社會影響的嚴謹、客觀的見解。這份報告長達456頁，涵蓋了人工智慧研發、績效指標、經濟影響力、科學與醫藥、政策與治理、教育等內容。由於報告篇幅較長，本文重點在於對人工智慧研發現況、效能指標以及對經濟的影響進行解讀，如果想瞭解報告的完整內容，文末也放置了下載方式。第一部分：人工智慧研發現狀本部分主要探討了人工智慧研究和開發的趨勢，涵蓋了人工智慧模型的發展趨勢、使用成本、以及專利發佈和使用的情況。1. 美國仍然是人工智慧模型的主要來源。 2024年，美國生產了40個人工智慧模型，大大超過了中國的15個和法國的3個。在過去的十年中，來自美國的機器學習模型比其他國家都多。2. 美國的企業在生產機器學習模型方面仍處於領先地位。 2024年，貢獻最大的是OpenAI（7款）、Google（7款）和阿里巴巴（6款）。自2014年以來，Google以187款車型領先，其次是Meta（82款）和微軟（39款）。在學術機構中，卡內基美隆大學（25款）、史丹佛大學（25款）和清華大學（22款）是自2014年以來最多產的大學。3. 人工智慧模型所需的運算資源越來越大。人工智慧模型中的「計算」一詞表示訓練和操作機器學習模型所需的運算資源。通常，模型的複雜性和訓練資料集的大小直接影響所需的計算量。模型越複雜，基礎訓練資料越大，訓練所需的運算量就越大。最近，人工智慧模型變得越來越大，運算要求越來越高，能耗也越來越高。新的研究發現，著名AI模型的訓練計算大約每五個月翻一番，這一趨勢在過去五年中尤其明顯。計算需求的快速成長具有重要意義。例如，需要更多計算的模型通常具有更高的環境需求，公司通常比學術機構有更多的計算資源。4. 人工智慧模型的使用成本越來越低。 MMLU是評估語言模型性能的流行基準，查詢一個在MMLU上得分相當於GPT-3.5（64.8）的AI模型的成本從2022年11月的每百萬代幣20.00美元下降到2024年10月的每一百萬代幣0.07美元（Gemini-1.5-Flash-8B個月），大約在28B個月內減少了180個月。類似的趨勢在GPQA得分超過50%的模型成本中也很明顯，GPQA是比MMLU更具挑戰性的基準。在那裡，推理成本從2024年5月的每百萬代幣15美元下降到2024年12月的每一百萬代幣0.12美元（Phi 4）。根據任務的不同，LLM推理價格每年下降9到900次。5. 人工智慧專利申請正在增加。 2010年至2023年間，人工智慧專利數量穩定大幅成長，從3833件激增至122511件。光是去年，人工智慧專利數量就增加了29.6%。截至2023年，中國在人工智慧專利總量方面處於領先地位，佔所有授權的69.7%，而韓國和盧森堡在人均人工智慧專利生產國中名列前茅。第二部分：人工智慧效能指標本部分詳細介紹了2024年人工智慧模型技術效能的進步。涵蓋了與人工智慧模型的發佈情況、人工智慧能力現狀和關鍵趨勢，如開放權重模型性能的提升、前沿模型性能的趨同以及中國LLM品質的提高。1. 在過去的一年裡，人工智慧系統不斷改進，在其中幾個以前具有挑戰性的基準測試中超過了人類的表現。人工智慧和人類之間的差距正在迅速縮小。例如，在競賽等級數學的基準MATH上，最先進的人工智慧系統現在比人類的表現領先7.9個百分點，與2024年的0.3個百分點差距相比有了顯著改善。同樣，在複雜、多學科、專家級問題的基準MMMU上，2024年最佳模型o1的得分為78.2%，僅比人類82.6%的基準低4.4個百分點。相反，在2023年底，GoogleGemini模型的得分僅為59.4%，進一步說明了人工智慧在認知要求任務上的快速進步。2. 開放式重量模型（開源模型）迎頭趕上。去年的報告中顯示，領先的開放權重模型明顯落後於封閉權重模型。到了2024年，這一差距幾乎消失。 2024年1月初，領先的閉式權重模型在聊天機器人競技場排行榜上的表現比頂級開放式權重模型高出8.04%。到2025年2月，這差距縮小到1.70%。兩者之間的差距基本上被抹平。3. 中美模型差距正在縮小。 2023年，美國領先模型的表現明顯優於中國同行，然而，最近的證據表明，情況正在迅速變化，中國模型正在趕上美國模型。2023年底，MMLU、MMMU、MATH和HumanEval等基準的效能差距分別為17.5、13.5、24.3和31.6個百分點。到2024年底，這些差異已大幅縮小，僅為0.3、8.1、1.6和3.7個百分點。 DeepSeek-R1的推出引起了人們的關注還有另一個原因：該公司報告稱，它只使用了訓練這種模型通常所需的一小部分硬體資源就取得了成果。除了影響美國股市外，DeepSeek的R1發佈也引發了人們對美國半導體出口管制有效性的懷疑。4. 人工智慧模型效能正在快速收斂。 2022年，當時ChatGPT的推出讓人工智慧在公眾視野中引起了不小的波瀾，當時主要的參與者只有OpenAI和Google。但隨後，不斷有新的玩家進入了這個領域，包括Meta及其Llama模型、Anthropic與Claude、High-Flyer的DeepSeek、Mistral的Le Chat和xAI與Grok。隨著競爭的加劇，模型效能越來越趨同。根據去年的AI指數，聊天機器人競技場排行榜（一個廣泛使用的人工智慧排名平台）上排名最高和第十的模型之間的表現差距為11.9%。到2025年初，這一比例已降至5.4%。同樣，前兩款模型之間的差異從2023年的4.9%下降到2024年的0.7%。人工智慧領域的競爭越來越激烈，這也說明，人工智慧公司如果單純靠技術，很難形成護城河來保護自己免受競爭對手的攻擊。5. 影像生成品質有了顯著提升。影像生成是產生與真實影像無法區分的影像的任務。正如去年的人工智慧指數所指出的那樣，今天的圖像生成器非常先進，以至於大多數人很難區分人工智慧生成的圖像和人臉的實際圖像。下圖突出顯示了2022年至2025年間Midjourney模型變體的幾代人，以提示“哈利波特的超現實圖像”。這項進展顯示Midjourner在兩年內產生超現實影像的能力有了顯著提高。 2022年，該模型製作了卡通和不準確的《哈利波特》渲染圖，但到2025年，它可以創造出令人震驚的逼真描繪。另外，高品質的AI視訊生成也顯示出顯著的改進。 2024年，推出了幾種能夠從文字輸入產生高品質影片的先進人工智慧模型。值得注意的版本包括OpenAI的SORA、Stable Video 3D和4D、Meta的Movie Gen和Google DeepMind的Veo 2。與2023年的影片相比，這些模型製作的影片品質要高得多。6. 小模型實現突破，性能越來越強。 2022年，在MMLU上得分高於60%的最小模型是PaLM，有5400億個參數。到了2024年，微軟的Phi-3-mini只有38億個參數，達到相同的效能，這意味著在兩年多的時間裡減少142倍。除了微軟，還有許多AI廠商都發表了小巧、高效能的模型，包括GPT-4o mini、o1 mini、Gemini 2.0 Flash、Llama 3.1 8B和Mistral Small 3.5。小模型的興起有幾個重要原因：首先，它展示了演算法效率的提高，使開發人員能夠以更少的資料和更低的訓練成本實現更多的目標。這些效率的提高，再加上不斷增長的資料集，可能會導致更高效能的模型。其次，對較小模型的推理通常更快、更便宜。它們的出現也降低了人工智慧開發人員和希望將人工智慧整合到其營運中的企業的進入門檻。7. 複雜的推理仍然是一個問題。人工智慧模型擅長國際數學奧林匹克問題等任務，但仍難以應對PlanBench等複雜的推理基準。即使存在可證明正確的解決方案，它們也往往無法可靠地解決邏輯任務，這限制了它們在精確度至關重要的高風險環境中的有效性。第三部分：人工智慧對經濟的影響2024年，人工智慧的經濟影響變得更加突出，對許多產業產生了實質影響。生成式人工智慧的早期生產力效益在特定任務中變得可以衡量，而關於該技術對更廣泛經濟的長期影響的問題仍然存在。勞動市場已經開始顯示出AI驅動轉型的跡象，隨著新的與AI相鄰職位的出現，某些知識工作者的角色正在經歷顛覆。不同產業和地理區域的公司正在從實驗性的AI採用轉向系統整合。投資模式反映了人工智慧領域的日益複雜，資金越來越多地流向企業自動化和行業特定解決方案中的專業應用。1. 自2010年以來美國勞動市場最受歡迎的是人工智慧技能。引領需求的是人工智慧，佔0.9%，緊跟在後的是機器學習，也佔0.9%，自然語言處理佔0.2%。自去年以來，生成型人工智慧的成長幅度最大，成長了近四倍。而職業技能方面，在人工智慧職位招募中前10項專業技能，從絕對規模上講，過去十年，對每項專業技能的需求都在增加，但Python的受歡迎程度顯著提高，突顯了它作為首選AI程式語言的優勢。2. 全球私人人工智慧投資創歷史新高，成長26%。 2024年，企業人工智慧投資達2,523億美元，其中私人投資年增44.5%，併購年增12.1%。該行業在過去十年中經歷了急劇擴張，自2014年以來，總投資增加了13倍多。（註：mergers acquisitions：併購；Private investment：私人投資；Minority stake：少數股權；Public offering：公開發行）3. 生成式人工智慧資金激增。 2024年，生成式人工智慧的私人投資達到339億美元，比2023年成長18.7%，比2022年的水準高出8.5倍以上。該產業目前佔所有人工智慧相關私人投資的20%以上。4. 美國擴大了在全球人工智慧私人投資的領先地位。 2024年，美國私人人工智慧投資達到1,091億美元，比中國的93億美元高出近12倍，是英國45億美元的24倍。這一差距在生成式人工智慧方面更為明顯，美國的投資超過了中國、歐盟和英國的總和254億美元，比2023年的218億美元差距有所擴大。5. 美國新投資的人工智慧公司大幅領先。與私人投資趨勢一致，美國以1,073家新的人工智慧公司領先所有地區，其次是英國，有116家，中國有98家。自2013年以來的整體數據中也出現了類似的趨勢。在過去十年中，美國新投資的人工智慧公司數量約為中國的4.3倍，是英國的7.9倍。6. 人工智慧的使用達到了前所未有的水平。人工智慧的商業使用在2019年至2023年停滯不前，之後後大幅增加。麥肯錫的最新報告顯示，78%的受訪者表示，他們的組織已經開始在至少一個業務職能中使用人工智慧，與2023年的55%相比有了顯著成長。去年的調查首次涉及生成式人工智慧的使用，年增了一倍多，2024年71%的受訪者表示，他們的組織至少在一個業務職能中經常使用該技術，而2023年這一比例為33%。下圖顯示了2024年按行業和AI功能劃分的AI使用情況。使用率最高的是IT技術（48%），其次是產品和服務開發（47%）和技術行銷和銷售（47%）。7. 人工智慧開始在各個業務職能部門產生財務影響，但大多數公司都處於起步階段。大多數報告在業務職能中使用人工智慧對財務影響的公司估計，其收益水準較低。49%的受訪者表示，其組織在服務營運中使用人工智慧可以節省成本，其次是供應鏈管理（43%）和軟體工程（41%），但他們中的大多數人表示節省的成本不到10%。在收入方面，71%在行銷和銷售中使用人工智慧的受訪者報告收入成長，63%在供應鏈管理中，57%在服務營運中，但最常見的收入成長水準不到5%。8. 隨著大中華區的崛起，人工智慧的使用顯示出各地區的巨大變化。雖然北美在組織使用人工智慧方面保持領先地位，但大中華區的年成長率最高，組織人工智慧使用率成長了27個百分點。歐洲緊追在後，成長了23個百分點，顯示全球人工智慧格局正在迅速發展，人工智慧實施的國際競爭也在加劇。9. 企業部署生成式人工智慧最常見的應用是行銷策略內容支援（27%），其次是知識管理（19%）、個人化（19%）和設計開發（14%）。大多數報告的主要用例都在行銷和銷售職能部門。一項針對已開發市場高管的補充調查發現，只有1%的人將他們的生成式人工智慧部署描述為「成熟」。總體而言，大多數公司仍處於從人工智慧中大規模獲取價值的早期階段。10. 儘管略有放緩，但中國在工業機器人領域的主導地位仍在持續。 2023年，中國安裝了27.63萬台工業機器人，是日本的6倍，是美國的7.3倍。自2013年超過日本（佔全球安裝量的20.8%）以來，中國的份額已上升至51.1%。儘管中國安裝的機器人數量繼續超過世界其他地區的總和，但這一差距在2023年略有縮小，標誌著其急劇擴張的適度放緩。自2021年以來，中國安裝的工業機器人數量超過了世界其他地區的總和，但與2022年相比，2023年的安裝率有所下降。儘管同比下降，但這一持續趨勢突顯了中國在工業機器人安裝方面的主導地位。11. 協作和互動式機器人安裝變得越來越普遍。傳統機器人取代人類工作，而協作機器人則與人類協同工作，兩者之間存在差異。 2017年，協作機器人僅佔所有新工業機器人安裝的2.8%，到2023年，數字攀升至10.5%。同樣，2023年，除醫療機器人外，所有應用類別的服務機器人安裝量都有所增加。這一趨勢不僅表明機器人安裝的整體增加​​，而且越來越強調將機器人部署到面向人類的角色中。第四部分：其他1. 人工智慧正在重塑教育、金融和醫療保健等領域，在這些領域，演算法驅動的見解引導著關鍵決策。雖然這種轉變帶來了巨大的好處，但也帶來了顯著的風險。在過去的一年裡，人們繼續集中精力負責任地開發和部署人工智慧系統。2024年，與人工智慧相關的事件急劇增加，達到創紀錄的233起，比2023年增加了56.4%。這一增長可能反映了人工智慧使用的擴大和公眾對其影響的認識提高。對人工智慧的更熟悉也可能推動向相關資料庫更頻繁地報告事件。當被問及負責任的人工智慧（Responsible AI,  RAI ）政策對其組織的影響時，42%的人表示會對業務營運有所改善，例如提高效率和降低成本；34%的人表示客戶信任度會有所提高。只有17%的組織認為結果沒有產生重大影響。2. 人工智慧越來越融入日常生活。從醫療保健到交通，人工智慧正迅速從實驗室走向日常生活。 2023年，美國食品藥物管理局批准了223台支援人工智慧的醫療裝置，而2015年只有6台。在道路上，自動駕駛汽車不再是實驗性的：美國最大的營運商之一Waymo每周提供超過15萬次自動駕駛，而百度營運的阿波羅Go無人駕駛計程車車隊現在為中國各地的許多城市提供服務。3. 全球對人工智慧的樂觀情緒正在上升，但不分地區分歧依然存在。在中國（83%）、印尼（80%）和泰國（77%）等國家，絕大多數人認為人工智慧產品和服務利大於弊。相較之下，加拿大（40%）、美國（39%）和荷蘭（36%）等地的樂觀情緒仍然很低。儘管如此，人們的情緒正在改變：自2022年以來，在幾個以前持懷疑態度的國家，樂觀情緒顯著增長，包括德國（+10%）、法國（+10%”）、加拿大（+8%）、英國（+8%”）和美國（+4%”）。4. 人工智慧和電腦科學教育正在擴大，但在獲取和準備方面仍存在差距。三分之二的國家現在提供或計畫提供K-12電腦科學教育，是2019年的兩倍，其中非洲和拉丁美洲的進展最大。在美國，擁有電腦學士學位的畢業生人數在過去10年中成長了22%。然而，由於電力等基礎設施的缺口，許多非洲國家的接入仍然有限。在美國，81%的K-12電腦科學教師表示，人工智慧應該成為基礎電腦科學教育的一部分，但不到一半的教師認為自己有能力教導人工智慧。5. 各國政府正透過監管和投資加強人工智慧。 2024年，美國聯邦機構推出了59項與人工智慧相關的法規，是2023年的兩倍多，由兩倍多的機構發佈。自2023年以來，全球75個國家對人工智慧的立法提及量增加了21.3%，自2016年以來增加了9倍。隨著人們的關注度越來越高，各國政府也大規模投資：加拿大承諾提供24億美元，中國啟動了475億美元的半導體基金，法國承諾提供1090億歐元，印度承諾提供12.5億美元，沙烏地阿拉伯的超驗計畫代表了1000億美元的倡議。 （點滴智識）

《2025年人工智慧指數報告》作為史丹佛大學人工智慧實驗室與多方合作的年度重磅研究，以超過千頁的篇幅全景式展現了人工智慧技術在全球範圍內的發展軌跡和深遠影響。這份報告不僅延續了對AI技術性能、科研進展與產業應用的追蹤，更首次深入探討了AI硬體的演化、推理成本的測算方法，以及AI在科學發現與醫療健康領域的突破性進展。從生成式AI對創意產業的顛覆到大模型訓練的能源消耗爭議，從AI倫理治理框架的建構到全球政策博弈的加劇，這份報告以資料為錨點，勾勒出一幅技術與社會深度交織的複雜圖景。技術績效突破：從逼近人類基線到算力革命人工智慧技術在2024年展現前所未有的效能躍遷。以自然語言處理領域為例，GPT-4o在MMLU測試中達到92.3%的精確率，與人類基線（92.8%）的差距已微乎其微。 Gemini 2.0透過分層推理機制，在ARC-AGI測試中取得75.7%的突破性成績，較2023年提升14個百分點，標誌著AI在複雜邏輯推理能力上的質變。視覺生成領域同樣取得革命性進展，Stable Video Diffusion整合動態物理引擎後，其產生的分子動力學模擬影片獲得學術界92%的可信度評分，為科學研究可視化提供了全新工具。這些突破背後是算力投入的指數級增長：PaLM 2訓練成本突破2億美元，Llama 3.1-405B的訓練資料量達到10^16 tokens量級，而輝達H100叢集將推理延遲壓縮至17ms/Token，為即時互動應用奠定基礎。在科學計算領域，AlphaFold 3將蛋白質結構預測準確率提升至98%，較前代提升25%，其原子坐標提示功能顯著加速藥物發現處理程序。 ESM3模型在多尺度生物分子互動作用預測中展現的泛化能力，標誌著AI開始突破傳統計算生物學的理論邊界。數學領域，MATH資料集上的問題解決率達到97.9%，逼近人類水平，顯示AI在符號推理方面的潛力。醫療與科學革命：從精準干預到藥物研發範式重構醫療AI的突破正在重塑健康管理範式。 GluFormer將血糖預測誤差控制在±0.3mmol/L以內，結合穿戴式裝置資料流建構的糖尿病個性化干預系統，實現了從被動治療向主動預防的轉變。醫學影像領域，CheXpert Plus資料集整合120萬例胸部X光報告與人口統計學資料後，亞裔病患識別精準率提升19%，凸顯資料多樣性對模型公平性的重要性。更具革命性的是AlphaFold DB與UniProt的聯動，蛋白質結構資料庫在2024年突破10億條目，為藥物發現提供大量基礎資源。 AI輔助的藥物研發管線將候選分子篩選周期從4.5年壓縮至11個月，2024年FDA核准的37種新藥中有11種深度依賴生成式AI技術。在臨床實踐層面，聯邦學習使醫療影像分析中資料外洩的風險降低82%，但跨機構協作仍面臨37%的合規障礙。 FDA首次將"演算法透明度指數"納入醫療器材審批標準，要求揭露訓練資料的時空分佈特徵，這標誌著醫療AI監管進入新階段。報告特別警示，2024年記錄的213起AI事故中，41%涉及自動駕駛感知失效，直接推動歐盟在AI法案中新增動態風險評估條款。產業化處理程序：重塑全球經濟與人才格局AI產業化正在重構全球價值鏈。 2024年全球AI勞動力需求成長68%，機器學習工程師薪資溢價達傳統軟體工程師的2.3倍，美國形成加州-馬薩諸塞州"研發雙核心"與德州-北卡州"應用雙極"的地理分佈格局。投資領域呈現明顯分化：基礎模型層吸納62%的總投資，垂直應用僅佔17%，其中AI晶片初創企業獲得47億美元融資，存算一體架構實現16倍能效提升，預示算力革命新方向。企業應用方面，71%的機構採用生成式AI，北美、歐洲、中國領先全球，AI使檔案編輯效率提升10-13%，銷售響應速度加快39%，安全分析提速23%。勞動力市場呈現結構性變化：低技能崗位效率提升顯著，但高技能崗位仍主導複雜任務。這種分化在醫療領域尤為明顯，AI輔助診斷系統使放射科醫師工作量減少40%，但臨床決策仍高度依賴人類專家。報告同時指出，AI技術護城河正在消融，LMSYS Chatbot Arena顯示頂級模型效能差距持續縮小，產業競爭進入白熱化階段。倫理治理：從框架建構到制度落地負責任的AI（RAI）實踐進入制度化新階段。 76%的企業建立倫理審查委員會，但僅34%制定量化風險指標，顯示實踐仍處初級階段。歐盟AI法案催生48億美元規模的"合規即服務"市場，237家諮詢機構參與標準制定。資料隱私方面，聯邦學習降低醫療資料外洩風險82%，但跨機構協作合規障礙仍存。 IEEE的AI倫理影響評估架構被47國採用，但開發中國家在ISO/IEC標準制定中參與度不足12%，凸顯治理鴻溝。演算法透明度取得進展，基礎模型透明度指數（FMTI）從37%（2023）上升至58%（2024），但訓練資料揭露仍不充分。報告強調，2024年記錄的213起AI事故中，自動駕駛感知失效佔比41%，直接推動歐盟要求L4級系統季度安全驗證。這種動態風險評估機制標誌著AI治理從靜態合規到持續監測的轉變。教育變革：從課程重構到培養範式創新AI教育呈現全學段滲透態勢。全球電腦科學課程中AI內容佔比從18%（2019）躍升至49%（2024），但32%高校依賴企業課件暴露師資短板。美國28州將AI素養納入K-12核心課程，Code.org模組覆蓋620萬中學生，其強化學習遊戲設計項目使演算法思維得分提升27%。高等教育變革更為劇烈：MIT推出"AI工程師"學位，要求2000小時超算訓練；斯坦福HAI實施"反嚮導師制"，讓大模型輔助設計個性化培養方案。教育公平性問題凸顯，AP電腦考試中白人佔比73%，西班牙裔/拉丁裔僅11%。這種差距在高等教育更為顯著，AI相關博士學程錄取中，亞裔佔比從2010年的18%上升至2024年的34%，而非裔維持在3%以下。報告呼籲建立包容性人才培養體系，防止技術鴻溝代際傳遞。全球治理：地緣博弈與資源鴻溝AI成為地緣政治博弈新戰場。美國《2024國家AI安全戰略》鎖定11個關鍵技術領域，中國《生成式AI服務管理辦法》首次對幻覺內容分級管控。算力資源分配呈現極端不平衡：北美人均算力密度是非洲的173倍，AI論文引用Gini係數達0.82的歷史高峰。這種鴻溝在技術標準領域同樣顯著，開發中國家在ISO/IEC標準制定中參與度不足12%。技術民族主義加劇，各國資料在地化政策導致全球AI研究出現"資料巴爾幹化"。報告警示，這種割裂可能阻礙跨國科研合作，延緩氣候變遷等全球性挑戰的應對處理程序。未來趨勢與風險警示具身智能：機器人與多模態大模型的融合報告預測，多模態大模型與機器人技術的結合將催生"具身智慧"新範式。波士頓動力Atlas的最新迭代版本已能透過自然語言指令完成精密裝配任務，其動作規劃模組與視覺-語言模型的即時互動延遲低於200ms。這種融合不僅限於工業場景：醫療護理機器人透過理解患者自然語言指令調整康複方案，農業機器人結合氣象資料與作物生長模型實現精準作業。值得關注的是，特斯拉Optimus Gen3的能源效率較2023年提升37%，其搭載的分佈式推理架構使邊緣計算成本降低42%。AI for Science：自主研究系統的崛起AI正在顛覆傳統科學研究流程。 DeepMind的AlphaGalaxy系統在2024年自主發現了3種新型超導材料，其通過強化學習最佳化實驗設計，使材料驗證周期從平均18個月縮短至6周。在生物醫藥領域，生成式AI與自動化實驗室的結合使化合物篩選通量提升兩個數量級，輝瑞等藥企已建立"AI-濕實驗"閉環系統。更深遠的影響在於科學研究方法論的變革：MIT開發的AutoScience架構可自主提出假說、設計實驗並驗證結論，其在量子化學領域的預測準確率超過初級研究員水準。永續發展：AI驅動的綠色革命AI技術開始規模化賦能可持續發展。 Google的碳足跡最佳化模型透過動態調整供應鏈路徑，為全球500強企業減少19%的碳排放。在能源領域，DeepMind的電網最佳化系統將再生能源利用率提升至92%，其預測模型使風電場輸出功率波動性降低34%。農業方面，ClimateAI平台整合衛星遙感與土壤感測器資料，為北美農場節省27%的灌溉用水。這些應用標誌著AI從效率工具轉向系統性變革引擎的轉變。技術奇點的預警訊號報告警示，AI的自主進化能力正逼近臨界點。 2024年全球AI算力消耗達到瑞典全國年用電量的1.3倍，大模型訓練的碳排放量已佔航空業的7%。更嚴峻的是，Meta的AutoML系統已能設計出比人類工程師更有效率的神經網路架構，這種"AI生成AI"的迭代速度呈指數級增長。當系統開始最佳化自身目標函數時，對齊問題（Alignment Problem）的複雜性將超越現有倫理框架的應對能力。報告呼籲建立全球性AI安全協議，要求L5級自主系統必須配備可解釋性驗證模組。社會技術系統的協同演化未來的AI發展將呈現"技術-制度"雙輪驅動特徵。歐盟正在測試的動態風險評估體系，要求自動駕駛系統每季提交安全驗證報告，這標誌著監管模式從事後追責向過程監控的轉變。在教育領域，史丹佛HAI的"反嚮導師制"讓大模型參與課程設計，使個性化學習效率提升39%。這種協同演化還體現在勞動力市場：AI原生崗位（如提示詞工程師、模型對齊專家）的需求年增長率達117%，而傳統職業的技能重構周期從5年壓縮至18個月。風險警示同樣迫切2024年全球AI算力消耗相當於瑞典年用電量的1.3倍，大模型訓練碳排放量佔航空業7%。當AI開始自主設計更有效率系統時，技術奇點的倫理與安全挑戰迫在眉睫。報告呼籲建立跨領域防控體系，在推動創新與防範風險間尋求平衡。2025年報告揭示，AI已從技術突破期進入社會嵌入期。其影響力橫跨科學研究、經濟、教育與全球治理，但算力消耗、倫理滯後與資源不平等威脅可持續發展。在享受AI紅利的同時，人類需建構新型協作機制：技術開發者需嵌入倫理設計，政策制定者應建立動態監管框架，國際社會亟待彌合數字鴻溝。唯有如此，方能確保智慧革命真正普惠全人類，在技術-社會的協同演化中開闢可持續發展新紀元。 （智慧建造碩博）

4月8日，由李飛飛聯合領導的斯坦福大學以人為本人工智慧研究所（Stanford HAI）發佈了《2025年人工智慧指數報告》（Artificial Intelligence Index Report 2025）。這份長達456頁的報告，深入剖析了2024年全球人工智慧行業的發展態勢，揭示了12大關鍵趨勢。圖片來源：斯坦福大學以人為本人工智慧研究所官網報告認為，AI正變得更高效、更普惠。隨著小模型性能飆升，達到GPT-3.5水平的系統推理成本在過去兩年間下降到了原來的280分之一。報告還指出，中國高性能AI模型的數量和質量不斷提升，中美AI模型性能近乎持平。與此同時，中國在AI領域論文數量和專利數量上保持領先地位。AI性能飆升，表現逐漸接近人類2023年，研究人員推出了MMMU、GPQA和SWE-bench等頗具挑戰性的新基準測試，用於測試AI系統的極限。測試發現，僅僅一年後，AI系統的性能便實現大幅躍升——在MMMU測試中得分提升18.8個百分點；在GPQA測試中提高48.9個百分點；SWE-bench測試裡更是提升了67.3個百分點。從整體趨勢來看，AI在各大領域的表現逐漸接近人類，甚至在某些情形下，AI智能體能在限時程式設計任務中超越人類。在部分評測指標上，AI技術性能表現與人類水平的對比 圖片來源：《2025年人工智慧指數報告》然而，複雜的推理對於AI模型而言，仍然是一個挑戰。在處理類似國際數學奧林匹克競賽題目這類任務時，AI模型表現出色。但面對諸如PlanBench等複雜推理基準測試時，卻仍顯得吃力。即使面對那些已知存在正解的邏輯任務，AI也經常無法可靠地解決邏輯任務，這極大限制了AI在對精度要求極高的高風險行業中的應用。各大模型在PlanBench基準測試上的正確率 圖片來源：《2025年人工智慧指數報告》全球AI投資飆升2024年，生成式AI在全球範圍內吸引了339億美元的私人投資，與2023年相比，增長幅度達到18.7%。與此同時，企業對AI的採用率顯著提升，從2023年的55%上升至2024年的78%。越來越多的研究結果表明，AI不僅能夠有效提升生產力，在多數情況下，還能縮小勞動力的技能差距。值得關注的是，將生成式AI應用於至少一項業務職能的企業數量出現了激增。2023年，這一比例僅為33%，而到了2024年，該比例躍升至71%，增幅超過一倍。2017年至2024年，將AI應用於至少一項業務職能企業的比例不斷上升 圖片來源：《2025年人工智慧指數報告》中美模型性能近乎持平資料顯示，美國在AI模型的數量上處於領先地位。2024年，總部位於美國的機構擁有40個知名AI模型，超過中國（15個）和法國（3個）。圖片來源：《2025年人工智慧指數報告》不過，報告強調，中美模型之間的性能差距正在迅速縮小。以MMLU和HumanEval等主流基準測試結果來看，2023年，中美頂尖模型之間的性能差距還在兩位數，然而到了2024年，這一差距已大幅縮小，幾乎處於同一水平。與此同時，中國在AI領域論文數量和專利數量上依舊保持領先地位。小模型性能飆升，推理成本降至280分之一報告指出，AI正變得更加高效、經濟實惠和易於獲取。隨著小模型性能提升，達到GPT-3.5水平的系統推理成本在過去兩年間下降至280分之一。在硬體層面，成本每年下降30%，而能源效率每年提高40%。2022年，在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，兩年多的時間裡模型參數減少了142倍。此外，開源模型正在迎頭趕上，與閉源模型的差距逐漸縮小。2023年，開源模型明顯落後於閉源模型。而到2024年，這一差距幾乎消失。2024年1月初，頂尖閉源模型在大模型競技場排行榜上以8.0%的成績超過了頂尖開源模型。而到2025年2月，這一差距已縮小至1.7%。2022年至2024年，在MMLU上得分高於60%的小模型 圖片來源：《2025年人工智慧指數報告》中國對AI的態度最樂觀在對AI的態度方面，中國是全球主要國家和地區中最樂觀的。報告顯示，2024年中國有83%的人認為AI產品和服務利大於弊，排在後面的是印度尼西亞（80%）和泰國（77%）。相比之下，美國（39%）、加拿大（40%）等的樂觀情緒遠低於中國。2022年至2024年，各國認為“使用AI產品和服務利大於弊”的比例 圖片來源：《2025年人工智慧指數報告》不過，從整體趨勢而言，各國對於AI的樂觀情緒正逐漸升溫，特別是在一些曾對AI最持懷疑態度的國家。資料顯示，自2022年起，美國認為“使用AI產品和服務利大於弊”的比例提升了4%，加拿大增長了8%，法國增長了10%。三分之二受訪者稱AI將在未來3至5年對日常生活產生顯著影響從醫療保健到交通運輸，AI正迅速從實驗室走向日常生活。2023年，美國食品藥品監督管理局（FDA）批准了223款AI醫療裝置，而2015年僅有6款。1995年至2023年FDA批准的AI醫療裝置數量 圖片來源：《2025年人工智慧指數報告》道路交通同樣因AI技術發生著日新月異的變化。自動駕駛汽車不再只是實驗，而是逐步駛入現實生活。美國最大的營運商之一Waymo每周提供超過15萬次自動駕駛服務，而百度旗下的“蘿蔔快跑”（Apollo Go）無人駕駛計程車隊已在中國多個城市正式投入營運。此外，人們對AI融入日常生活的期待與認可度正在上升。據統計，全球範圍內，有多達三分之二的受訪者認為，在未來三到五年內，AI產品及服務將對日常生活產生顯著影響。 (每日經濟新聞)

4月15日，李飛飛領導的史丹佛大學以人為本人工智慧研究院（HAI）發布2024年度《人工智慧指數報告》。 這是《人工智慧指數報告》的第七年。過去一年，以ChatGPT為代表的人工智慧模型席捲世界，許多人預測，人工智慧的「奇點時刻」正在臨近，機器超越人類的時代已經來臨。 這份報告涵蓋了過去一年人工智慧的技術進步、公眾對該技術的看法以及其未來的發展趨勢。它是科技快速發展下的一個註腳，幫助我們理解當下正在發生的變化，以便更好地理解我們所處的環境。 01 人工智慧發展的十個事實