15 lines
1.9 MiB
15 lines
1.9 MiB
{"type":"session","version":3,"id":"019edfea-36be-75c2-bcb8-581c29a0c794","timestamp":"2026-06-19T12:45:29.150Z","cwd":"/shumengya/project/agent/sproutclaw"}
|
||
{"type":"model_change","id":"5e17adcb","parentId":null,"timestamp":"2026-06-19T12:45:29.485Z","provider":"opencode-go-openai","modelId":"kimi-k2.6"}
|
||
{"type":"thinking_level_change","id":"e824ce32","parentId":"5e17adcb","timestamp":"2026-06-19T12:45:29.485Z","thinkingLevel":"off"}
|
||
{"type":"message","id":"026eb8a1","parentId":"e824ce32","timestamp":"2026-06-19T12:45:46.204Z","message":{"role":"user","content":[{"type":"text","text":"测试一下firecrawl-mcp"}],"timestamp":1781873146199}}
|
||
{"type":"message","id":"ba34f363","parentId":"026eb8a1","timestamp":"2026-06-19T12:45:51.124Z","message":{"role":"assistant","content":[{"type":"thinking","thinking":"用户想要测试firecrawl-mcp。让我先检查一下MCP网关的状态，然后连接firecrawl-mcp服务器并列出可用工具。","thinkingSignature":"reasoning"},{"type":"toolCall","id":"mcp_0","name":"mcp","arguments":{"server":"firecrawl-mcp"}}],"api":"openai-completions","provider":"opencode-go-openai","model":"kimi-k2.6","usage":{"input":8543,"output":52,"cacheRead":512,"cacheWrite":0,"totalTokens":9107,"cost":{"input":0.008115849999999999,"output":0.000208,"cacheRead":0.00008192,"cacheWrite":0,"total":0.008405769999999998}},"stopReason":"toolUse","timestamp":1781873146256,"responseId":"gen-1781873147-N6ytGIkJBvHXEPYub7ES","responseModel":"moonshotai/kimi-k2.6-20260420"}}
|
||
{"type":"message","id":"b0e6b2a2","parentId":"ba34f363","timestamp":"2026-06-19T12:45:51.131Z","message":{"role":"toolResult","toolCallId":"mcp_0","toolName":"mcp","content":[{"type":"text","text":"firecrawl-mcp (12 tools (not connected, cached)):\n\n- firecrawl_mcp_firecrawl_scrape - \nScrape content from a single URL with advanced...\n- firecrawl_mcp_firecrawl_map - \nMap a website to discover all indexed URLs on...\n- firecrawl_mcp_firecrawl_search - \nSearch the web and optionally extract content...\n- firecrawl_mcp_firecrawl_crawl - \n Starts a crawl job on a website and extracts...\n- firecrawl_mcp_firecrawl_check_crawl_status - \nCheck the status of a crawl job.\n\n**Usage...\n- firecrawl_mcp_firecrawl_extract - \nExtract structured information from web pages...\n- firecrawl_mcp_firecrawl_agent - \nAutonomous web research agent. This is a...\n- firecrawl_mcp_firecrawl_agent_status - \nCheck the status of an agent job and retrieve...\n- firecrawl_mcp_firecrawl_browser_create - \nCreate a browser session for code execution via...\n- firecrawl_mcp_firecrawl_browser_execute - \nExecute code in a browser session. Supports...\n- firecrawl_mcp_firecrawl_browser_delete - \nDestroy a browser session.\n\n**Usage...\n- firecrawl_mcp_firecrawl_browser_list - \nList browser sessions, optionally filtered by..."}],"details":{"mode":"list","server":"firecrawl-mcp","tools":["firecrawl_mcp_firecrawl_scrape","firecrawl_mcp_firecrawl_map","firecrawl_mcp_firecrawl_search","firecrawl_mcp_firecrawl_crawl","firecrawl_mcp_firecrawl_check_crawl_status","firecrawl_mcp_firecrawl_extract","firecrawl_mcp_firecrawl_agent","firecrawl_mcp_firecrawl_agent_status","firecrawl_mcp_firecrawl_browser_create","firecrawl_mcp_firecrawl_browser_execute","firecrawl_mcp_firecrawl_browser_delete","firecrawl_mcp_firecrawl_browser_list"],"count":12},"isError":false,"timestamp":1781873151131}}
|
||
{"type":"message","id":"d0789a5b","parentId":"b0e6b2a2","timestamp":"2026-06-19T12:46:07.112Z","message":{"role":"assistant","content":[{"type":"thinking","thinking":"用户想测试firecrawl-mcp，我已经列出了可用的工具。现在让我连接服务器并获取更详细的工具信息，然后展示一些工具的详细描述。","thinkingSignature":"reasoning"},{"type":"text","text":"firecrawl-mcp 已就绪，包含 12 个工具。以下是可用的功能：\n\n| 工具 | 功能 |\n|---|---|\n| `scrape` | 抓取单个URL内容 |\n| `map` | 站点地图发现所有URL |\n| `search` | 网页搜索并提取内容 |\n| `crawl` | 启动网站爬取任务 |\n| `check_crawl_status` | 检查爬取任务状态 |\n| `extract` | 从网页提取结构化信息 |\n| `agent` | 自主网络研究代理 |\n| `agent_status` | 检查代理任务状态 |\n| `browser_create` | 创建浏览器会话 |\n| `browser_execute` | 在浏览器中执行代码 |\n| `browser_delete` | 销毁浏览器会话 |\n| `browser_list` | 列出浏览器会话 |\n\n你想测试哪个工具？例如：\n- 抓取一个网页：`scrape`\n- 搜索内容：`search`\n- 启动爬取任务：`crawl`\n\n请提供一个URL或搜索词，我帮你运行测试 (｀・ω・´)"}],"api":"openai-completions","provider":"opencode-go-openai","model":"kimi-k2.6","usage":{"input":1210,"output":261,"cacheRead":8192,"cacheWrite":0,"totalTokens":9663,"cost":{"input":0.0011495,"output":0.001044,"cacheRead":0.00131072,"cacheWrite":0,"total":0.00350422}},"stopReason":"stop","timestamp":1781873151132,"responseId":"gen-1781873152-tu46GUjSfX8dYHqznamt","responseModel":"moonshotai/kimi-k2.6-20260420"}}
|
||
{"type":"message","id":"b72d60b1","parentId":"d0789a5b","timestamp":"2026-06-19T12:46:36.589Z","message":{"role":"user","content":[{"type":"text","text":"搜索一下今天的AI新闻 使用firecrawl-mcp"}],"timestamp":1781873196588}}
|
||
{"type":"message","id":"0be8db19","parentId":"b72d60b1","timestamp":"2026-06-19T12:46:44.125Z","message":{"role":"assistant","content":[{"type":"thinking","thinking":"用户想用firecrawl-mcp搜索今天的AI新闻。我应该使用firecrawl_mcp_firecrawl_search工具。\n\n让我先看看这个工具的详细参数，然后再调用。","thinkingSignature":"reasoning"},{"type":"toolCall","id":"mcp_1","name":"mcp","arguments":{"server":"firecrawl-mcp","tool":"firecrawl_mcp_firecrawl_search","args":"{\"query\": \"AI新闻 人工智能 2025年6月19日\", \"limit\": 10, \"scrapeOptions\": {\"formats\": [\"markdown\"]}}"}}],"api":"openai-completions","provider":"opencode-go-openai","model":"kimi-k2.6","usage":{"input":1428,"output":111,"cacheRead":8192,"cacheWrite":0,"totalTokens":9731,"cost":{"input":0.0013566,"output":0.000444,"cacheRead":0.00131072,"cacheWrite":0,"total":0.00311132}},"stopReason":"toolUse","timestamp":1781873196589,"responseId":"gen-1781873198-w22Nn6OIiwYG7qD3HFf1","responseModel":"moonshotai/kimi-k2.6-20260420"}}
|
||
{"type":"message","id":"75eba511","parentId":"0be8db19","timestamp":"2026-06-19T12:47:00.504Z","message":{"role":"toolResult","toolCallId":"mcp_1","toolName":"mcp","content":[{"type":"text","text":"{\n \"web\": [\n {\n \"url\": \"https://podcasts.apple.com/gb/podcast/2025%E5%B9%B46%E6%9C%8819%E6%97%A5ai%E8%A6%81%E9%97%BB/id1814837255?i=1000713515951\",\n \"title\": \"2025年6月19日AI要闻\",\n \"description\": \"2025年6月19日人工智能领域的最新进展与趋势。文章详细介绍了 技术突破与产品发布，包括OpenAI即将推出的GPT-5，Midjourney和字节跳动在视频生成工具 ...\",\n \"position\": 1,\n \"markdown\": \"\\n\\n- 18 June 2025\\n- 8 min\\n\\n# 2025年6月19日AI要闻\\n\\n[AI那些事儿：每日 10 分钟AI科技解读](https://podcasts.apple.com/gb/podcast/ai%E9%82%A3%E4%BA%9B%E4%BA%8B%E5%84%BF-%E6%AF%8F%E6%97%A5-10-%E5%88%86%E9%92%9Fai%E7%A7%91%E6%8A%80%E8%A7%A3%E8%AF%BB/id1814837255)\\n\\nPlay\\n\\n2025年6月19日人工智能领域的最新进展与趋势。文章详细介绍了 技术突破与产品发布，包括OpenAI即将推出的GPT-5，Midjourney和字节跳动在视频生成工具方面的创新，以及YouTube的Veo 3模型。同时，它也分析了 行业动态与市场趋势，如智能眼镜市场的显著增长和NVIDIA为中国市场推出的定制显卡。此外，文中还探讨了 学术研究对AI产业的影响，例如MIT关于ChatGPT认知副作用的研究和特斯拉HW5芯片的量产，并提及了 企业战略调整，如微软的裁员以及AI模型在博士挑战赛中的表现。最后，文章总结了 多模态融合、硬件迭代以及伦理合规 这三大未来发展方向。\\n\\n[Episode Webpage](https://www.ximalaya.com/sound/872574850)\\n\\n- Show\\n\\n[AI那些事儿：每日 10 分钟AI科技解读](https://podcasts.apple.com/gb/podcast/ai%E9%82%A3%E4%BA%9B%E4%BA%8B%E5%84%BF-%E6%AF%8F%E6%97%A5-10-%E5%88%86%E9%92%9Fai%E7%A7%91%E6%8A%80%E8%A7%A3%E8%AF%BB/id1814837255)\\n\\n- Frequency\\n\\nUpdated twice weekly\\n\\n- Published\\n\\n19 June 2025 at 02:48 UTC\\n\\n- Length\\n\\n8 min\\n\\n- Episode\\n\\n6\\n\\n- Rating\\n\\nClean\\n\\n\\n# Content Restricted\\n\\nThis episode cannot be played on the web in your country or region.\\n\\nOK\\n\\nTo listen to explicit episodes, sign in.\\n\\nSign In\\n\\n\\n\\nStay up to date with this show\\n\\nSign in or sign up to follow shows, save episodes and get the latest updates.\\n\\nSign In\\n\\nChoose another country to see content specific to your location\\n\\nUnited StatesContinue\\n\\nSelect a country or region\\n\\n## Africa, Middle East, and India\\n\\nSee All\\n\\n- [Algeria](https://podcasts.apple.com/dz/new)\\n- [Angola](https://podcasts.apple.com/ao/new)\\n- [Armenia](https://podcasts.apple.com/am/new)\\n- [Azerbaijan](https://podcasts.apple.com/az/new)\\n- [Bahrain](https://podcasts.apple.com/bh/new)\\n- [Benin](https://podcasts.apple.com/bj/new)\\n- [Botswana](https://podcasts.apple.com/bw/new)\\n- [Burkina Faso](https://podcasts.apple.com/bf/new)\\n- [Cameroun](https://podcasts.apple.com/cm/new)\\n- [Cape Verde](https://podcasts.apple.com/cv/new)\\n- [Chad](https://podcasts.apple.com/td/new)\\n- [Côte d’Ivoire](https://podcasts.apple.com/ci/new)\\n- [Congo, The Democratic Republic Of The](https://podcasts.apple.com/cd/new)\\n- [Egypt](https://podcasts.apple.com/eg/new)\\n- [Eswatini](https://podcasts.apple.com/sz/new)\\n- [Gabon](https://podcasts.apple.com/ga/new)\\n- [Gambia](https://podcasts.apple.com/gm/new)\\n- [Ghana](https://podcasts.apple.com/gh/new)\\n- [Guinea-Bissau](https://podcasts.apple.com/gw/new)\\n- [India](https://podcasts.apple.com/in/new)\\n- [Iraq](https://podcasts.apple.com/iq/new)\\n- [Israel](https://podcasts.apple.com/il/new)\\n- [Jordan](https://podcasts.apple.com/jo/new)\\n- [Kenya](https://podcasts.apple.com/ke/new)\\n- [Kuwait](https://podcasts.apple.com/kw/new)\\n- [Lebanon](https://podcasts.apple.com/lb/new)\\n- [Liberia](https://podcasts.apple.com/lr/new)\\n- [Libya](https://podcasts.apple.com/ly/new)\\n- [Madagascar](https://podcasts.apple.com/mg/new)\\n- [Malawi](https://podcasts.apple.com/mw/new)\\n- [Mali](https://podcasts.apple.com/ml/new)\\n- [Mauritania](https://podcasts.apple.com/mr/new)\\n- [Mauritius](https://podcasts.apple.com/mu/new)\\n- [Morocco](https://podcasts.apple.com/ma/new)\\n- [Mozambique](https://podcasts.apple.com/mz/new)\\n- [Namibia](https://podcasts.apple.com/na/new)\\n- [Niger (English)](https://podcasts.apple.com/ne/new)\\n- [Nigeria](https://podcasts.apple.com/ng/new)\\n- [Oman](https://podcasts.apple.com/om/new)\\n- [Qatar](https://podcasts.apple.com/qa/new)\\n- [Congo, Republic of](https://podcasts.apple.com/cg/new)\\n- [Rwanda](https://podcasts.apple.com/rw/new)\\n- [São Tomé and Príncipe](https://podcasts.apple.com/st/new)\\n- [Saudi Arabia](https://podcasts.apple.com/sa/new)\\n- [Senegal](https://podcasts.apple.com/sn/new)\\n- [Seychelles](https://podcasts.apple.com/sc/new)\\n- [Sierra Leone](https://podcasts.apple.com/sl/new)\\n- [South Africa](https://podcasts.apple.com/za/new)\\n- [Sri Lanka](https://podcasts.apple.com/lk/new)\\n- [Tajikistan](https://podcasts.apple.com/tj/new)\\n- [Tanzania, United Republic Of](https://podcasts.apple.com/tz/new)\\n- [Tunisia](https://podcasts.apple.com/tn/new)\\n- [Turkmenistan](https://podcasts.apple.com/tm/new)\\n- [United Arab Emirates](https://podcasts.apple.com/ae/new)\\n- [Uganda](https://podcasts.apple.com/ug/new)\\n- [Yemen](https://podcasts.apple.com/ye/new)\\n- [Zambia](https://podcasts.apple.com/zm/new)\\n- [Zimbabwe](https://podcasts.apple.com/zw/new)\\n\\n## Asia Pacific\\n\\nSee All\\n\\n- [Afghanistan](https://podcasts.apple.com/af/new)\\n- [Australia](https://podcasts.apple.com/au/new)\\n- [Bhutan](https://podcasts.apple.com/bt/new)\\n- [Brunei Darussalam](https://podcasts.apple.com/bn/new)\\n- [Cambodia](https://podcasts.apple.com/kh/new)\\n- [中国大陆](https://podcasts.apple.com/cn/new)\\n- [Fiji](https://podcasts.apple.com/fj/new)\\n- [香港](https://podcasts.apple.com/hk/new)\\n- [Indonesia (English)](https://podcasts.apple.com/id/new)\\n- [日本](https://podcasts.apple.com/jp/new)\\n- [Kazakhstan](https://podcasts.apple.com/kz/new)\\n- [대한민국](https://podcasts.apple.com/kr/new)\\n- [Kyrgyzstan](https://podcasts.apple.com/kg/new)\\n- [Lao People's Democratic Republic](https://podcasts.apple.com/la/new)\\n- [澳門](https://podcasts.apple.com/mo/new)\\n- [Malaysia (English)](https://podcasts.apple.com/my/new)\\n- [Maldives](https://podcasts.apple.com/mv/new)\\n- [Micronesia, Federated States of](https://podcasts.apple.com/fm/new)\\n- [Mongolia](https://podcasts.apple.com/mn/new)\\n- [Myanmar](https://podcasts.apple.com/mm/new)\\n- [Nauru](https://podcasts.apple.com/nr/new)\\n- [Nepal](https://podcasts.apple.com/np/new)\\n- [New Zealand](https://podcasts.apple.com/nz/new)\\n- [Pakistan](https://podcasts.apple.com/pk/new)\\n- [Palau](https://podcasts.apple.com/pw/new)\\n- [Papua New Guinea](https://podcasts.apple.com/pg/new)\\n- [Philippines](https://podcasts.apple.com/ph/new)\\n- [Singapore](https://podcasts.apple.com/sg/new)\\n- [Solomon Islands](https://podcasts.apple.com/sb/new)\\n- [台灣](https://podcasts.apple.com/tw/new)\\n- [Thailand](https://podcasts.apple.com/th/new)\\n- [Tonga](https://podcasts.apple.com/to/new)\\n- [Turkmenistan](https://podcasts.apple.com/tm/new)\\n- [Uzbekistan](https://podcasts.apple.com/uz/new)\\n- [Vanuatu](https://podcasts.apple.com/vu/new)\\n- [Vietnam](https://podcasts.apple.com/vn/new)\\n\\n## Europe\\n\\nSee All\\n\\n- [Albania](https://podcasts.apple.com/al/new)\\n- [Armenia](https://podcasts.apple.com/am/new)\\n- [Österreich](https://podcasts.apple.com/at/new)\\n- [Belarus](https://podcasts.apple.com/by/new)\\n- [Belgium](https://podcasts.apple.com/be/new)\\n- [Bosnia and Herzegovina](https://podcasts.apple.com/ba/new)\\n- [Bulgaria](https://podcasts.apple.com/bg/new)\\n- [Croatia](https://podcasts.apple.com/hr/new)\\n- [Cyprus](https://podcasts.apple.com/cy/new)\\n- [Czechia](https://podcasts.apple.com/cz/new)\\n- [Denmark](https://podcasts.apple.com/dk/new)\\n- [Estonia](https://podcasts.apple.com/ee/new)\\n- [Finland](https://podcasts.apple.com/fi/new)\\n- [France (Français)](https://podcasts.apple.com/fr/new)\\n- [Georgia](https://podcasts.apple.com/ge/new)\\n- [Deutschland](https://podcasts.apple.com/de/new)\\n- [Greece](https://podcasts.apple.com/gr/new)\\n- [Hungary](https://podcasts.apple.com/hu/new)\\n- [Iceland](https://podcasts.apple.com/is/new)\\n- [Ireland](https://podcasts.apple.com/ie/new)\\n- [Italia](https://podcasts.apple.com/it/new)\\n- [Kosovo](https://podcasts.apple.com/xk/new)\\n- [Latvia](https://podcasts.apple.com/lv/new)\\n- [Lithuania](https://podcasts.apple.com/lt/new)\\n- [Luxembourg (English)](https://podcasts.apple.com/lu/new)\\n- [Malta](https://podcasts.apple.com/mt/new)\\n- [Moldova, Republic Of](https://podcasts.apple.com/md/new)\\n- [Montenegro](https://podcasts.apple.com/me/new)\\n- [Nederland](https://podcasts.apple.com/nl/new)\\n- [North Macedonia](https://podcasts.apple.com/mk/new)\\n- [Norway](https://podcasts.apple.com/no/new)\\n- [Poland](https://podcasts.apple.com/pl/new)\\n- [Portugal (Português)](https://podcasts.apple.com/pt/new)\\n- [Romania](https://podcasts.apple.com/ro/new)\\n- [Россия](https://podcasts.apple.com/ru/new)\\n- [Serbia](https://podcasts.apple.com/rs/new)\\n- [Slovakia](https://podcasts.apple.com/sk/new)\\n- [Slovenia](https://podcasts.apple.com/si/new)\\n- [España](https://podcasts.apple.com/es/new)\\n- [Sverige](https://podcasts.apple.com/se/new)\\n- [Schweiz](https://podcasts.apple.com/ch/new)\\n- [Türkiye (English)](https://podcasts.apple.com/tr/new)\\n- [Ukraine](https://podcasts.apple.com/ua/new)\\n- [United Kingdom](https://podcasts.apple.com/gb/new)\\n\\n## Latin America and the Caribbean\\n\\nSee All\\n\\n- [Anguilla](https://podcasts.apple.com/ai/new)\\n- [Antigua and Barbuda](https://podcasts.apple.com/ag/new)\\n- [Argentina (Español)](https://podcasts.apple.com/ar/new)\\n- [Bahamas](https://podcasts.apple.com/bs/new)\\n- [Barbados](https://podcasts.apple.com/bb/new)\\n- [Belize](https://podcasts.apple.com/bz/new)\\n- [Bermuda](https://podcasts.apple.com/bm/new)\\n- [Bolivia (Español)](https://podcasts.apple.com/bo/new)\\n- [Brasil](https://podcasts.apple.com/br/new)\\n- [Virgin Islands, British](https://podcasts.apple.com/vg/new)\\n- [Cayman Islands](https://podcasts.apple.com/ky/new)\\n- [Chile (Español)](https://podcasts.apple.com/cl/new)\\n- [Colombia (Español)](https://podcasts.apple.com/co/new)\\n- [Costa Rica (Español)](https://podcasts.apple.com/cr/new)\\n- [Dominica](https://podcasts.apple.com/dm/new)\\n- [República Dominicana](https://podcasts.apple.com/do/new)\\n- [Ecuador (Español)](https://podcasts.apple.com/ec/new)\\n- [El Salvador (Español)](https://podcasts.apple.com/sv/new)\\n- [Grenada](https://podcasts.apple.com/gd/new)\\n- [Guatemala (Español)](https://podcasts.apple.com/gt/new)\\n- [Guyana](https://podcasts.apple.com/gy/new)\\n- [Honduras (Español)](https://podcasts.apple.com/hn/new)\\n- [Jamaica](https://podcasts.apple.com/jm/new)\\n- [México](https://podcasts.apple.com/mx/new)\\n- [Montserrat](https://podcasts.apple.com/ms/new)\\n- [Nicaragua (Español)](https://podcasts.apple.com/ni/new)\\n- [Panamá](https://podcasts.apple.com/pa/new)\\n- [Paraguay (Español)](https://podcasts.apple.com/py/new)\\n- [Perú](https://podcasts.apple.com/pe/new)\\n- [St. Kitts and Nevis](https://podcasts.apple.com/kn/new)\\n- [Saint Lucia](https://podcasts.apple.com/lc/new)\\n- [St. Vincent and The Grenadines](https://podcasts.apple.com/vc/new)\\n- [Suriname](https://podcasts.apple.com/sr/new)\\n- [Trinidad and Tobago](https://podcasts.apple.com/tt/new)\\n- [Turks and Caicos](https://podcasts.apple.com/tc/new)\\n- [Uruguay (English)](https://podcasts.apple.com/uy/new)\\n- [Venezuela (Español)](https://podcasts.apple.com/ve/new)\\n\\n## The United States and Canada\\n\\nSee All\\n\\n- [Canada (English)](https://podcasts.apple.com/ca/new)\\n- [Canada (Français)](https://podcasts.apple.com/ca/new?l=fr-CA)\\n- [United States](https://podcasts.apple.com/us/new)\\n- [Estados Unidos (Español México)](https://podcasts.apple.com/us/new?l=es-MX)\\n- [الولايات المتحدة](https://podcasts.apple.com/us/new?l=ar)\\n- [США](https://podcasts.apple.com/us/new?l=ru)\\n- [美国 (简体中文)](https://podcasts.apple.com/us/new?l=zh-Hans-CN)\\n- [États-Unis (Français France)](https://podcasts.apple.com/us/new?l=fr-FR)\\n- [미국](https://podcasts.apple.com/us/new?l=ko)\\n- [Estados Unidos (Português Brasil)](https://podcasts.apple.com/us/new?l=pt-BR)\\n- [Hoa Kỳ](https://podcasts.apple.com/us/new?l=vi)\\n- [美國 (繁體中文台灣)](https://podcasts.apple.com/us/new?l=zh-Hant-TW)\",\n \"metadata\": {\n \"viewport\": \"width=device-width,initial-scale=1\",\n \"og:description\": \"Podcast Episode · AI那些事儿：每日 10 分钟AI科技解读 · 19 June 2025 · 8min\",\n \"twitter:site\": \"@ApplePodcasts\",\n \"og:site_name\": \"Apple Podcasts\",\n \"apple:description\": \"2025年6月19日人工智能领域的最新进展与趋势。文章详细介绍了 技术突破与产品发布，包括OpenAI即将推出的GPT-5，Midjourney和字节跳动在视频生成工具方面的创新，以及YouTube的Veo 3模型。同时，它也分析了 行业动态与市场趋势，如智能眼镜市场的显著增长和NVIDIA为中国市场推出的定制显卡。此\",\n \"ogUrl\": \"https://podcasts.apple.com/gb/podcast/2025%E5%B9%B46%E6%9C%8819%E6%97%A5ai%E8%A6%81%E9%97%BB/id1814837255?i=1000713515951\",\n \"referrer\": \"strict-origin\",\n \"og:url\": \"https://podcasts.apple.com/gb/podcast/2025%E5%B9%B46%E6%9C%8819%E6%97%A5ai%E8%A6%81%E9%97%BB/id1814837255?i=1000713515951\",\n \"description\": \"2025年6月19日人工智能领域的最新进展与趋势。文章详细介绍了 技术突破与产品发布，包括OpenAI即将推出的GPT-5，Midjourney和字节跳动在视频生成工具方面的创新，以及YouTube的Veo 3模型。同时，它也分析了 行业动态与市场趋势，如智能眼镜市场的显著增长和NVIDIA为中国市场推出的定制显卡。此\",\n \"al:ios:app_store_id\": \"525463029\",\n \"og:image:width\": \"1200\",\n \"twitter:image:alt\": \"2025年6月19日AI要闻\",\n \"og:image:alt\": \"2025年6月19日AI要闻\",\n \"ogImage\": \"https://is1-ssl.mzstatic.com/image/thumb/Podcasts211/v4/1a/7b/7e/1a7b7ef6-4154-ac62-9b87-909e0cfa6da2/mza_16976291670506034416.jpeg/1200x1200bf-60.jpg\",\n \"al:ios:app_name\": \"Apple Podcasts\",\n \"og:image:secure_url\": \"https://is1-ssl.mzstatic.com/image/thumb/Podcasts211/v4/1a/7b/7e/1a7b7ef6-4154-ac62-9b87-909e0cfa6da2/mza_16976291670506034416.jpeg/1200x1200bf-60.jpg\",\n \"twitter:description\": \"Podcast Episode · AI那些事儿：每日 10 分钟AI科技解读 · 19 June 2025 · 8min\",\n \"og:image:height\": \"1200\",\n \"twitter:title\": \"2025年6月19日AI要闻\",\n \"apple:title\": \"2025年6月19日AI要闻\",\n \"ogTitle\": \"2025年6月19日AI要闻\",\n \"applicable-device\": \"pc,mobile\",\n \"ogDescription\": \"Podcast Episode · AI那些事儿：每日 10 分钟AI科技解读 · 19 June 2025 · 8min\",\n \"ogSiteName\": \"Apple Podcasts\",\n \"ogLocale\": \"en_GB\",\n \"og:image:type\": \"image/jpg\",\n \"og:type\": \"website\",\n \"title\": \"2025年6月19日AI要闻–AI那些事儿：每日 10 分钟AI科技解读 – Apple Podcasts\",\n \"twitter:image\": \"https://is1-ssl.mzstatic.com/image/thumb/Podcasts211/v4/1a/7b/7e/1a7b7ef6-4154-ac62-9b87-909e0cfa6da2/mza_16976291670506034416.jpeg/1200x1200bf-60.jpg\",\n \"twitter:card\": \"summary\",\n \"og:title\": \"2025年6月19日AI要闻\",\n \"version\": \"2624.4.0-external\",\n \"language\": \"en-GB\",\n \"apple:content_id\": \"1000713515951\",\n \"og:image\": \"https://is1-ssl.mzstatic.com/image/thumb/Podcasts211/v4/1a/7b/7e/1a7b7ef6-4154-ac62-9b87-909e0cfa6da2/mza_16976291670506034416.jpeg/1200x1200bf-60.jpg\",\n \"og:locale\": \"en_GB\",\n \"favicon\": \"https://podcasts.apple.com/assets/favicon/favicon-32.png\",\n \"scrapeId\": \"019edfeb-6458-772c-819f-86d396131e29\",\n \"sourceURL\": \"https://podcasts.apple.com/gb/podcast/2025%E5%B9%B46%E6%9C%8819%E6%97%A5ai%E8%A6%81%E9%97%BB/id1814837255?i=1000713515951\",\n \"url\": \"https://podcasts.apple.com/gb/podcast/2025%E5%B9%B46%E6%9C%8819%E6%97%A5ai%E8%A6%81%E9%97%BB/id1814837255?i=1000713515951\",\n \"statusCode\": 200,\n \"contentType\": \"text/html\",\n \"timezone\": \"America/New_York\",\n \"proxyUsed\": \"basic\",\n \"cacheState\": \"miss\",\n \"indexId\": \"ba94a4c6-5025-4fc9-9353-b511ea81163d\",\n \"creditsUsed\": 1\n }\n },\n {\n \"url\": \"https://hai.stanford.edu/assets/files/hai_ai_index_report_2025_chinese_version_061325.pdf\",\n \"title\": \"[PDF] 介绍2025年人工智能指数报告 - Stanford HAI\",\n \"description\": \"6. 全球对人工智能的乐观情绪正在攀升，但地区间仍存在较大差异。在中国（83%）、印度尼西亚（80%）和泰国（77%）等国家，. 绝大多数人认为人工智能 ...\",\n \"position\": 2,\n \"markdown\": \"2025年人工智能指数报告\\n\\nHAI\\nStanford University\\nHuman-Centred\\nArtificial Intelligence\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n介绍\\n2025年人工智能指数报告\\n\\n欢迎阅读第八版人工智能指数报告。恰逢人工智能对社会、经济和全球治理的影响不断加强的关键时期，我们在这一重要时刻发布了 2025 年人工智能指数报告。它也是我们迄今为止发布过的最全面的指数。今年的报告新增了对人工智能硬件发展状况的深入分析；对推理成本的新估算，以及对人工智能论文发表和专利申请趋势的新分析。我们还首次披露了企业采用负责任的人工智能实践的最新数据，并扩展了人工智能在科学和医学领域日益重要的作用的分析维度。\\n\\n发起于 2017 年，作为“人工智能百年研究（One Hundred Year Study of Artificial Intelligence）”项目分支，人工智能指数报告一直致力于为政策制定者、新闻工作者、高管、研究人员和公众提供准确、经过严格验证和全球来源的数据。我们的使命始终如一：帮助这些利益相关方就人工智能的发展和部署做出更明智的决策。在这个从会议室到厨房餐桌到处都在讨论人工智能的世界里，这一使命显得尤为重要。\\n\\n从地缘政治格局的变化和底层技术的快速发展，到人工智能在商业、决策和公共生活中不断扩大的作用，人工智能指数持续引领行业关键趋势的追踪与解读。纵向追踪始终是我们的核心任务。在这一高速发展的领域，本报告提供了重要的背景信息：\\n帮助我们了解人工智能的相关状况、发展历程以及未来走向。\\n\\n作为全球公认的人工智能领域权威资源之一，人工智能指数报告被《纽约时报》、彭博社和《卫报》等主要媒体引用，成为数百篇学术论文的文献参考，并服务于世界各地的政策制定者和政府机构。我们已经向埃森哲、IBM、富国银行和富达等公司提供了人工智能现状的简报，并将继续为全球人工智能生态系统输送独立见解。\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n联合主任致辞\\n\\n随着人工智能持续重塑人类生活、企业界和公共话语体系，人工智能指数报告始终跟踪其进展情况，通过独立的、数据驱动的视角，跨时间、跨地域地全方位观察人工智能的发展、应用和影响。\\n\\n对于人工智能来说，2024 年是多么美好的一年。诺贝尔物理学奖和化学奖，以及因强化学习方面的奠基性工作而获得的图灵奖，都体现了人们对人工智能在推动人类知识进步方面所起作用的认可。曾经令人望而生畏的图灵测试已不再被视为一个雄心勃勃的目标，今天的精神系统已经超越了它。与此同时，工智能的应用正以前所未有的速度渗透社会生活，数以百万计的人们在专业工作和休闲活动中高频使用人工智能。随着高性能、低成本和开源模型的普及，人工智能的可及性和影响力必将进一步扩大。在经历了短暂的放缓之后，企业对人工智能的投资出现反弹。生成式人工智能初创企业融资案例数量增加了近三倍。商业应用在经过多年的低迷后于 2024 年迎来显著增长。人工智能已从边缘领域成为业务价值的核心驱动力。\\n\\n各国政府也在加大参与力度。政策制定者们不再停留于讨论人工智能，他们正在对其进行投资。一些国家启动了价值数十亿美元体量的国家人工智能基础设施计划，包括能源扩容以支持人工智能发展的重大努力。全球协作机制日益完善，地方性措施也同步成型。\\n\\n然而，信任仍然是一项重大挑战。公众对人工智能企业数据保护能力的信任度持续走低，对算法公平性和偏见的担忧依然存在。虚假信息继续构成风险，深度伪造技术在选举等场景的滥用引发广泛担忧。对此，各国政府正在推进新的监管框架，旨在促进透明度、负责任和公平性。公众的态度也在转变。2024 年的一项全球调查显示，尽管疑虑犹存，公众对人工智能带来广泛社会效益的潜力的乐观情绪明显上升。\\n\\n人工智能不再只是一个关于可能发生什么的故事，而是一个关于正在发生什么以及我们如何共同塑造人类未来的故事。敬请品读本年度《人工智能指数报告》并亲自洞见这一切。\\n\\nYolanda Gil 和 Raymond Perrault\\n《人工智能指数报告》联合主任\\n\\n2\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n核心要点\\n\\n1. 人工智能在严苛比较基准测试中的性能持续提升。2023年，研究人员推出了MMMU,GPQA和SWE-bench等一系列新型比较基准，旨在测试前沿人工智能系统的极限。仅一年后，性能就大幅提升：MMMU、GPQA和SWE-bench的得分分别提高了\\n 18.8%、48.9%和67.3%。除这些比较基准，人工智能系统在生成高质量视频方面也取得了重大进展，在某些特定场景下，基于语言模型的智能体在时间受限的编程任务中甚至表现优于人类。\\n\\n2. 人工智能日益融入日常生活。从医疗到交通，人工智能正迅速从实验室走向日常生活。2023年，美国食品和药物管理局（FDA）批准的人工智能设备达221款，较2015年的6款实现跨越式增长。在公共道路上，自动驾驶汽车已走出试验阶段：美国头部运营商之一Waymo每周提供超过15万次自动驾驶乘车服务，而百度推出的经济型Apollo Go自动驾驶出租车所提供的服务目前已覆盖中国众多城市。\\n\\n3. 随着不断的研究显示出人工智能对生产效率的强大影响，企业界全面拥抱人工智能，投资与应用双创新高。2024年，美国私人人工智能投资达1091亿美元，约为中国(93亿美元)的12倍，英国(45亿美元)的24倍。生成式人工智能的发展势头尤为强劲，吸引了全球339亿美元的私人投资——同比增长了18.7%，人工智能的应用也在加速普及，78%的企业在2024年应用了人工智能技术，较前一年的55%有所提升。同时，越来越多的研究证实，人工智能不仅可以提高生产效率，在多数情况下还有助于缩小劳动力的技能差距。\\n\\n4. 美国在开发顶级人工智能模型方面仍处于领先地位，但中国正在缩小与美国的差距。2024年，美国机构共开发了40个标志性的人工智能模型，而中国只有15个，欧洲只有3个。虽然美国在数量上保持领先，但中国的模型在质量上迅速缩小了差距：在MMLU和HumanEval等主要比较基准上的性能差距从2023年的两位数据小到2024年的接近持平。中国在人工智能论文和专利方面继续保持领先。模型开发日益全球化，中东、拉美和东南亚都推出了引人注目的模型。\\n\\n5. 负责任的人工智能生态系统发展不平衡。在人工智能相关的事故激增的同时，主要的工业模型开发商采用标准化的负责任的人工智能（Responsible AI，RAI）评测仍然很少见。不过，HELM Safety，AIR-Bench和FACTS等新比基准为评估真实性和安全性提供了前景广阔的工具。企业层面，对负责任的人工智能风险的认识与实质性行动之间仍存在差距。相较而言，各国政府则表现出了更强的紧迫感：2024年，全球人工智能合作显著深化，经合组织、欧盟、联合国和非盟等组织相继发布了监管框架，聚焦透明度、可信度等负责任的人工智能核心原则。\\n\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n核心要点（续）\\n\\n6. 全球对人工智能的乐观情绪正在攀升，但地区间仍存在较大差异。在中国（83%）、印度尼西亚（80%）和泰国（77%）等国家，\\n 绝大多数人认为人工智能产品和服务利大于弊。相比之下，加拿大（40%）、美国（39%）和荷兰（36%）等地的乐观程度仍然较低。不过，人们的情绪降 280 多倍。自 2022 年以来，多个怀持怀疑态度的国家的乐观情绪大幅增长，包括德国（+10%）、法国（+10%）、加拿大（+8%）、英国（+8%）和美国（+4%）。\\n\\n7. 人工智能变得更加高效、经济和易用。依托小型模型能力跃升，执行 GPT-3.5 级别的系统的推理成本在 2022 年 11 月至\\n 2024 年 10 月间骤降 280 多倍。硬件层面，年化成本降幅达 30%，能效年提升达 40%。开源模型正在缩小与闭源模型的差距，\\n 在某些比较基准上，性能差距从 8% 缩小到仅 1.7%。这些趋势加在一起，正在迅速降低先进入智能的应用门槛。\\n\\n\\n8.各国政府正在加强对人工智能的监管和投资。2024 年，美国联邦机构出台了 59 项与人工智能相关的法规，是 2023年的两倍多，\\n发布法规的机构数量也是 2023年的两倍。全球范围内，75 个国家的人工智能立法提及自 2023年以来增长 21.3%，较 2016\\n年累计增幅达 9倍。加强监管的同时，各国政府展开大规模投资 加拿大承诺投资 24 亿美元，中国启动了 475 亿美元的半导体基金，\\n法国承诺投资 1090 亿欧元，印度拨款 12.5 亿美元；沙特阿拉伯更推出规模达千亿美元的“超越计划 (Project Transcendence)”。\\n\\n9. 人工智能和计算机科学教育加速普及，但在资源获取和准备程度方面仍存落差。全球三分之二的国家现在已实施或规划基础教育阶段计算机科学教育，覆盖率是 2019年的两倍，其中非洲和拉美地区进展最为显著。美国过去 10 年中计算机专业本科毕业生人数增长 22%，然而，在许多非洲国家，由于电力等基础设施的不足，获得计算机学位的机会仍然有限。在美国，81% 基础教育阶段的计算机教师认同将人工智能纳入基础课程，但只有不到一半的教师认为自己具备相关教学能力。\\n\\n10. 产业依然在人工智能竞争中引领——但技术前沿竞争加剧。2024 年，全球近 90% 的标志性的人工智能模型来自产业界，高于 2023 年 的 60%，而学术界仍然是高引用率研究的首要来源。模型规模持续快速扩张——训练计算每五个月翻一番，数据集每八个月倍增，能耗年增速 100%。然而模型性能差距正在缩小，一年内，榜首和第十名模型的 Elo 技能得分差距从 11.9% 降至\\n 5.4%，现在前两名的差距仅为 0.7%。技术前沿领域的竞争日趋激烈，头部阵营也日益集聚。\\n\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n核心要点（续）\\n\\n11. 人工智能因其科学影响力获得最高学术荣誉。人工智能日益增长的重要性在重大科学奖项中得到了体现：两项诺贝尔奖分别授予深度学习（物理学奖）及人工智能在蛋白质折叠中的应用（化学奖），图灵奖则颁给了对强化学习的突破性贡献。\\n\\n12. 复杂推理仍是一项挑战。人工智能模型在国际数学奥林匹克竞赛问题等任务中表现出色，但在 PlanBench 等复杂推理比较基准中仍然举步维艰。即使存在理论正确解法，它们也常常无法可靠地解决逻辑任务。在精度至关重要的领域里，人工智能的有效性依然存在局限。\\n\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n指导委员会\\n\\n主席\\nRaymond Perrault\\nSRI 国际研究院\\n\\n当选主席\\nYolanda Gil\\n南加州大学信息科学研究所\\n\\n成员\\nErik Brynjolfsson\\n斯坦福大学\\n\\nJack Clark\\nAnthropic, OECD\\n\\nJohn Etchemendy\\n斯坦福大学\\n\\nKatrina Ligett\\n希伯来大学\\n\\nTerah Lyons\\n摩根大通\\n\\nJames Manyika\\n谷歌牛津大学\\n\\nJuan Carlos Niebles\\n斯坦福大学\\n\\nSalesforce\\n\\nVanessa Parli\\n斯坦福大学\\n\\nYoav Shoham\\n斯坦福大学\\nAI21 实验室\\n\\nRussell Wald\\n斯坦福大学\\n\\nTobi Walsh\\n悉尼新威尔士大学\\n\\n工作人员和研究人员\\n\\n研究主管兼总编辑\\nNestor Maslej，斯坦福大学\\n\\n研究助理\\nLoredana Fattorini，斯坦福大学\\n\\n附属研究员\\nElif Kiesow Cortez，斯坦福法院研究员\\nJulia Betts Lotufo，研究员\\nAnka Reuel，斯坦福大学\\nAlexandra Rome，研究员\\nAngelo Salatino，英国开放大学知识媒体研究所\\nLapo Santafasci，卢卡高等研究学院\\n\\n研究生研究员\\nEmily Capstick，斯坦福大学\\nMalou van Draanen Glismann，斯坦福大学\\nNjenga Kariuki，斯坦福大学\\n\\n本科研究生员\\nArmin Hamrah，克莱蒙特·麦肯纳学院\\nSukrut Oak，斯坦福大学\\nNgoril Fiifi Paintsi，斯坦福大学\\nAndrew Shi，斯坦福大学\\n\\n6\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n如何引用本报告\\n\\nNestor Maslej, Loredana Fattorini, Raymond Perrault, Yolanda Gil, Vanessa Parli, Njenga Kariuki, Emily Capstick, Anka\\nReuel, Erik Brynjolfsson, John Etchemendy, Katrina Ligett, Terah Lyons, James Manyika, Juan Carlos Niebles, Yoav\\nShoham, Russell Wald, Tobi Walsh, Armin Hamrah, Lapo Santarlasci, Julia Betts Lotufo, Alexandra Rome, Andrew Shi,\\nSukrut Oak, \\\"The AI Index 2025 Annual Report,\\\" AI Index Steering Commmittee, Institute for Human-Centered AI, Stanford University, Stanford, CA, April 2025.\\n\\nThe AI Index 2025 Annual Report by Stanford University is licensed under Attribution-NoDerivatives 4.0 International.\\n\\n公共数据和工具\\n\\n《2025 年人工智能指数报告》附有原始数据和互动工具。我们邀请每位读者根据自己的工作和兴趣使用这些数据和工具。\\n• 原始数据和图表：报告中所有图表：的公开数据和高分辨率图像可在 Google Drive 上获取。\\n• Global AI Vibrancy Tool：比较 30 个国家的人工智能生态系统。Global AI Vibrancy Tool 将于 2025 年夏季更新。\\n\\n人工智能指数（AI Index）和斯坦福大学 HAI\\n人工智能指数（AI Index）是斯坦福大学以人为本人工智能研究院（Stanford Institute for Human-Centered Artificial Intelligence, HAI）的独立研究项目。\\n\\nArtificial\\nIntelligence\\nIndex\\n\\nHAI\\nStanford University\\nHuman-Centered\\nArtificial Intelligence\\n\\n人工智能指数（AI Index）最初源自人工智能百年研究（One Hundred Year Study on Artificial Intelligence）项目（AI100）\\n\\n首个官方中文版由 AI Index 与其亚洲合作伙伴 Digital Civilization 合作组织与统筹，作为拓展 AI Index 在亚洲影响力并推动区域生态体系建设的一项重要举措。我们欢迎来自各界的个人与机构提供反馈并参与合作，共同推动构建一个更具包容性、以人为本的人工智能社区。\\n\\n人工智能指数欢迎对明年报告的反馈和新想法。请通过 [nmaslej@stanford.edu](mailto:nmaslej@stanford.edu) 联系我们。人工智能指数承认，尽管该报告由一支人类研究人员团队撰写，但其写作过程得到了人工智能工具的辅助。具体而言，作者使用了 ChatGPT 和 Claude 帮助完善和校对初稿。工作流程包括作者撰写原始内容，并将在编辑过程中作为工作流程的一部分使用人工智能工具。\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n支持型合作伙伴\\nGoogle\\nOpenAI\\nNSF\\nOpen\\nPhilanthropy\\nQUID\\n\\n分析研究合作伙伴\\naccenture\\nCenter for\\nResearch on\\nFoundation\\nModels\\nDigital Policy Alert\\nCSET\\nCENTER FOR SECURITY AND\\nEMERGING TECHNOLOGY\\nEPOCH AI\\nGitHub\\nIFR\\nInternational\\nFederation of\\nReotics\\nKAPOR\\nFOUNDATION\\nLightcast\\nLinkedIn\\nMcKinsey\\n& Company\\nPIT-UN\\nRAISE Health\\nResponsible AI for Safe and Equitable Health\\nstudyportals\\n\\n8\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n贡献者\\n\\n人工智能指数谨此感谢以下各位专家在各章节和部分中为《2025 年人工智能指数报告》提供的数据、分析、建议及专业评论：\\n\\n介绍\\nLoredana Fattorini, Yolanda Gil, Nestor Maslej, Vanessa Parli, Ray Perrault\\n\\n第一章 研究与开发\\nNancy Amato, Andrea Brown, Ben Cottier, Lucia Ronchi Darré, Virginia Dignum, Meredith Ellison, Robin Evans, Loredana Fattorini, Yolanda Gil, Armin Hamrah, Katrina Ligett, Nestor Maslej, Maurice Pagnucco, Ngorli Fiiff Paintsiil, Vanessa Parli, Ray Perrault, Robi Rahman, Christine Raval, Vesna Sabjakovic-Fritz, Angelo Salatino, Lapo Santarlasci, Andrew Shi, Nathan Sturtevant, Daniel Weld, Kevin Xu, Meg Young\\n\\n第二章 技术性能\\nRishi Bommasani, Erik Brynjolfsson, Loredana Fattorini, Tobi Gertsenberg, Yolanda Gil, Noah Goodman, Nicholas Haber, Armin Hamrah, Sami Kowejel, Percy Liang, Katrina Ligett, Nestor Maslej, Juan Carlos Niebles, Sukrut Oak, Vanessa Parli, Marco Pavone, Ray Perrault, Anka Reuel, Andrew Shi, Yoav Shoham, Toby Walsh\\n\\n第三章 负责的人工智能\\nMedha Bankhwal, Emily Capstick, Dmytro Chumachenko, Patrick Connolly, Natalia Dorogi, Loredana Fattorini, Ann Fitz-Gerald, Yolanda Gil, Armin Hamrah, Ariel Lee, Katrina Ligett, Shayne Longpre, Nestor Maslej, Katherine Ottenbreit, Halyna Padalko, Vanessa Parli, Ray Perrault, Brittany Presten, Anka Reuel, Roger Roberts, Andrew Shi, Georgio Stoev, Shekhar Tewari, Dikshita Venkatesh, Cayla Volandes, Jakub Wiatrak\\n\\n第四章 经济\\nMedha Bankhwal, Erik Brynjolfsson, Mar carpanelli, Cara Christopher, Michael Chui, Natalia Dorogi, Heather English, Murat Erer, Loredana Fattorini, Yolanda Gil, Heather Hanselman, Rosie Hood, Vishy Kamalapuram, Kory Kantenha, Njenga Kariuki, Akash Kaura, Elena Magrini, Nestor Maslej, Katherine Ottenbreit, Vanessa Parli, Ray Perrault, Brittany Presten, Roger Roberts, Cayla Volandes, Casey Weston, Hansen Yang\\n\\n第五章 科学与医学\\nRuss Altman, Kameron Black, Jonathan Chen, Jean-Benoit Delbrouck, Joshua Edrich, Loredana Fattorini, Alejandro Lozano, Yolanda Gil, Ethan Goh, Armin Hamrah, Fateme Nateghi Haredasht, Tina Hermandez-Boussard, Yeon Mi Hwang, Rohan Koodil, Arman Koul, Curt Langlotz, Ashley Lewis, Chase Ludwig, Stephen P. Ma, Abdoul Jallil Djiberou Mahamadou, David Magnus, James Manyika, Nestor Maslej, Govri Nayar, Madelena Ng, Sophie Ostmeier, Vanessa Parli, Ray Perrault, Malkiva Pillai, Ossian Karl-Johan Ferdinand Rabow, Sean Riordan, Brennan Geti Simon, Kotoha Togami, Artem Trotsky, Maya Varma, Quinn Waeiss, Betty Xiong\\n\\n第六章 政策\\nElif Kiesow Cortez, Loredana Fattorini, Yolanda Gil, Julia Betts Lotuo, Vanessa Parli, Ray Perrault, Alexandra Rome, Lapo Santarlasci, Georgio Stoev, Russell Wald, Daniel Zhang\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n贡献者（续）\\n\\n第七章 教育\\nJohn Etchemendy, Loredana Fattorini, Lili Gangas, Yolanda Gil, Rachel Goins, Laura Hinton, Sonia Koshy, Kirsten Lundgren, Nestor Maslej, Lisa Cruz 11ohatski, Vanessa Parli, Ray Perrault, Allison Scott, Andreen Soley, Bryan Twarek, Laurens Vehmeijer\\n\\n第八章 公共观点\\nEmily Capstick, John Etchemendy, Loredana Fattorini, Yolanda Gil, Njenga Kariuki, Nestor Maslej, Vanessa Parli, Ray\\nPerrault\\n\\n人工智能指数谨此感谢以下各位专家在各章节和部分中为《2025 年人工智能指数报告》提供的数据、分析、建议及专业评论：\\n\\n组织机构\\n\\nAccenture\\nArnab Chakraborty, Patrick Connolly, Shekhar\\nEwari, Dikshita Venkatesh, Jakub Wiatrak\\n\\nEpoch AI\\nBen Cottier, Robi Rahman\\n\\nGitHub\\nLucia Ronchi Darre, Kevin Xu\\n\\nLightcast\\nCara Christopher, Elena Magrini\\n\\nLinkedIn\\n03 Carpanelli, Akash Kaura Kory Kantenga, Rosie Hood,\\nCasey Weston\\n\\nMcKinsey & Company\\nMedha Bankhai, Natalia Doroi, Katherine Ottenbreit,\\nBrittany Presten, Roger Roberts, Cayla Volandes\\n\\nQuid\\nHeather English, Hansen Yang\\n\\n人工智能指数还感谢以下人士在准备本报告过程中提供的帮助：Jeanina Matias, Nancy King, Carolyn Lehman, Shana\\nLynch, Jonathan Mindes 和 Michi Turner；感谢 Christopher Ellis 在维护人工智能指数网站方面提供的帮助；以及感谢\\nAnnie Benisch, Stacey Sickels Boyce, Marc Gough, Caroline Meinhardt, Drew Spence, Casey Weston, Madeleine\\nWright 和 Daniel Zhang 在帮助推广本报告方面所做的工作。\\n\\n我们感谢 Jason Liu 在推动 AI Index 中文版过程中所发挥的重要作用。展望未来，我们将持续致力于提升 AI Index 的全球可及性，并加强在亚洲区域的生态协同建设。\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n目录\\n\\n报告核心要点 12\\n第一章 研究与开发 24\\n第二章 技术性能 81\\n第三章 负责任的人工智能 160\\n第四章 经济 214\\n第五章 科学与医学 280\\n第六章 政策与治理 323\\n第七章 教育 364\\n第八章 公共观点 394\\n附录 414\\n\\n获取公共数据\\n\\n11\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n报告核心要点\\n\\n第一章：\\n研究与开发\\n\\n1. 业界持续加大人工智能投入并主导标志性人工智能模型研发，而学术界则引领高影响力研究。产业界在标志性人工智能模型研发中的主导优势持续强化，这一趋势在既往两期人工智能指数报告中已有明确阐述。2024 年，近 90% 的前沿模型源自产业界\\n （较2023年的 60% 提升 30 个百分点）。学术界在过去三年中始终是高被引(前 100 名)论文的首要机构贡献者。\\n\\n2. 中国在人工智能论文发表总量上领先，而美国在具有高影响力的研究方面占据优势。2023 年，中国在人工智能领域的论文发表量 (23.2%) 和引用量 (22.6%) 均位居全球首位。而在过去三年中，美国机构贡献了最多被引用次数排名前 100 的人工智能论文。\\n\\n3. 人工智能论文发表总量持续增长，并在计算机科学领域占据日益重要的主导地位。从 2013年到 2023 年，在计算机科学和其他科学学科领域发表的人工智能论文发表总数几乎增加了两倍，从大约 102,000 篇增加到超过 242,000 篇。从比例上看，人工智能在计算机科学论文中所占的份额已从 2013年的 21.6%上升到 2023年的 41.8%。\\n\\n4. 美国仍然是标志性人工智能模型的主要来源地。2024 年，美国机构开发了 40 个标志性人工智能模型，大大超过中国的 15 个和欧洲的 3个。在过去十年，源自美国的标志性机器学习模型比任何其他国家都多。2024 年，美国机构共开发出 40 个前沿人工智能模型，显著超过中国的 15 个和欧洲地区的合计的 3 个。过去十年间，美国在前沿机器学习模型的研发数量上持续保持全球领先地位。\\n\\n5. 人工智能模型正变得规模更大、算力需求更高、能耗更强。最新研究表明，标志性人工智能模型的训练算力需求约每 5 个月翻一番，大语言模型训练数据集规模每 8 个月翻一番，而训练所需功耗每年递增。大规模的产业投资持续推动着模型规模扩大和性能提升。\\n\\n6. 人工智能模型的使用成本持续下降。以语言模型性能评估常用基准——MMLU 为例，达到 GPT-3.5 水平 (64.8 分) 的人工智能模型查询成本已从 2022 年 11 月的每百万词元 20 美元，降至 2024 年 10 月的仅每百万词元 0.07 美元 (Gemini-1.5-Fiash-8B\\n 模型)，18 个月内降幅超 280 倍。根据任务类型不同，大语言模型的推理价格年涨幅已达 9 至 900 倍不等。\\n\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n报告核心要点\\n\\n第一章：\\n研究与开发（续）\\n\\n7. 人工智能专利申请持续上升。从 2010年到 2023年，人工智能专利数量稳步大幅增长，从 3833项激增到122511项，仅在去年，\\n 人工智能专利数量就增长了29.6%。截至 2023年，中国在人工智能专利总数上遥遥领先，占所有授权的69.7%，而按人均计算，韩国和卢森堡则是人工智能专利的主要生产国。\\n\\n8. 人工智能硬件变得更快、更便宜、更节能。最新研究表明，以16位浮点运算能力衡量的机器学习硬件性能正以每年43%的速度增长，每1.9年实现翻倍。其性价比显著提升——成本每年下降30%，而能效则以每年40%的幅度持续改善。\\n\\n9. 人工智能训练产生的碳排放量正在稳步上升。早期训练的人工智能模型，如AlexNet网络（2012年），碳排放量不大，仅为0.01吨。最新人工智能模型的训练碳排放量显著增加：2020年GPT-3为588吨，2023年GPT-4达5,184吨，而2024年Llama3.1\\n 405B更是高达8,930吨。作为对比，美国人年均碳排放量为仅18吨。\\n\\n\\n第二章：\\n技术性能\\n\\n1. 人工智能达成新比较基准的速度比以往任何时候都快。2023年，研究人员推出了MMMU、GPQA和SWE-bench等多个具有挑战性的新比较基准，旨在测试日益强大的人工智能系统极限。到2024年，人工智能在这些比较基准上的表现取得显著突破：\\n MMMU和GPQA测试成绩分别提升18.8和48.9个百分点；更引人注目的是，在SWE-bench编程测试中，人工智能系统的解题能力从2023年仅能解决4.4%的问题，跃升至2024年的71.7%。\\n\\n2. 开源模型迎来赶上。根据去年发布的人工智能指数报告，领先的开源模型曾大幅落后于闭源模型。而到2024年，这一差距已基本消失。具体来看，2024年1月初，在Chatbot Arena Leaderboard上，顶尖闭源模型的性能优势为8.0%；而到2025年2月，这一差距已缩小至1.7%。\\n\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n报告核心要点\\n\\n第二章：\\n技术性能（续）\\n\\n3. 中美人工智能模型能力差距缩小。2023年，美国顶尖人工智能模型性能曾大幅领先中国同类产品，但这一态势现已改变。数据显示：截至2023年底，在MMLU、MMMU、MATH和HumanEval等比较基准中，中美模型的性能差距分别为17.5、13.5、24.3和31.6个百分点；而到2024年末，这些差距已大幅收窄至0.3、8.1、1.6和3.7个百分点。\\n\\n4. 前沿的人工智能模型的性能趋于收敛，根据去年的人工智能指数，Chatbot Arena Leaderboard上排名第一与第十的模型间Elo分数差已从去年的11.9%收窄至2025年初的5.4%。同样，排名前两位的模型之间的差距也从2023年的4.9%缩小到2024年的0.7%。人工智能领域的竞争日趋激烈，如今有越来越多开发者推出了高质量的模型。\\n\\n5. 新型推理范式，如测试时计算(test-time compute)，显著提升模型性能。2024年，OpenAI推出的o1、o3等模型采用迭代式输出推理架构。这种测试时计算方法极大地提高了模型的性能，o1在国际数学奥林匹克资格考试中获得了74.4%的高分，GPT-4o只有9.3%，该技术存在代价，o1的运算成本激增至GPT-4o的6倍，推理速度则降低30倍。\\n\\n6. 更具挑战性的比较基准不断被提出。MMLU、GSM8K和HumanEval等传统人工智能比较基准已趋近饱和，加上MMMU和GPQA等更新的更具挑战性的比较基准表现持续提升，促使研究人员探索更多针对领先人工智能系统的评价方法。其中值得注意的是人类最后的考试(Humanity's Last Exam)，这是一项严格的学术测试，最先进的人工智能系统的得分率仅为8.80%；前沿数学(Frontier Math)，这是一项复杂的数学比较基准，人工智能系统仅解决了2%的问题；“BigCodeBench”这一项编码比较基准，人工智能系统的成功率仅为35.5%，远低于人类97%的水平。\\n\\n7. 高质量人工智能视频生成模型实现重大突破。2024年，多款能够根据文本输入生成高清视频的先进人工智能模型相继问世，其中包括OpenAI的SORA、Stable Video Diffusion 3D和4D、Meta的Movie Gen，以及谷歌DeepMind的Veo 2。与2023年的视频生成模型相比，这些新一代模型在画质表现上取得显著提升。\\n\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n报告核心要点\\n\\n第二章：\\n技术性能(续)\\n\\n8. 小型模型展现更强性能。2022 年，在 MMLU比较基准中达到 60% 以上分数的最小模型是拥有 5400 亿参数的 PaLM；而到\\n 2024 年，微软推出的 Phi-3-mini仅用 38 亿参数就实现了相同水平——相当于两年间参数规模缩减了 142 倍。\\n\\n9. 复杂推理仍是人工智能面对的难题。尽管通过思维链 (Chain-of-Thought) 等推理机制的引入显著提升了大语言模型的性能，这些系统仍无法可靠解决本可通过逻辑推理获得确定性答案的问题——包括数学运算和任务规划等，尤其当问题规模超出其训练范围时。这一缺陷严重影响了人工智能系统的可信度，使其难以胜任高风险场景的应用需求。\\n\\n10. 人工智能智能体展现初步潜力。2024 年推出的 RE-Bench 基准为评估 AI 智能体的复杂任务能力建立了严格标准。在短时任务\\n (2小时时限)中，顶级人工智能系统的得分可达人类专家的 4 倍；但随着时间延长至 32 小时，人类表现反超人工智能系统，得分达到 2:1的优势，AI 智能体已在特定领域，如编写 Triton Kernels，达到人类专业水平，且能更快、更低成本地产出结果。\\n\\n\\n第三章：\\n负责任的人工智能\\n\\n1. 目前，依据负责任的人工智能 (RAI)准则对人工智能系统进行评估的做法尚未普及，但新的比较基准体系正在逐步形成。去年的人工智能指数曾着重指出，目前缺乏针对大语言模型的标准化 RAI 比较基准。虽然这一问题依然存在，但 HELM Safety 和\\n AIR-Bench 等新比较基准的出现有助于填补这一空白。\\n\\n2. 人工智能事件报告数量持续增加，根据人工智能事件数据库 (AI Incidents Database)统计，2024 年报告的人工智能相关事件增至 233 超，创历史新高，比 2023 年增加 56.4%。\\n\\n\\n15\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n报告核心要点\\n\\n第三章：\\n负责任的人工智能(续)\\n\\n3. 各类机构虽意识到负责任的人工智能风险，但风险缓解措施滞后。麦肯锡一项关于企业RAI实施情况的调查显示，尽管多数机构能识别关键RAI风险，但并非所有机构都采取了积极应对措施。在领导者最关注的风险维度中，模型准确性问题（64%受访者提及）、合规性风险（63%)以及网络安全威胁（60%)位列前三，但值得注意的是，将这些风险列为核心关注点的受访者比例均未超过\\n 65%。\\n\\n4. 在全球范围内，政策制定者对负责任的人工智能表现出浓厚兴趣。2024年，全球加强了人工智能治理方面的合作，重点是协商确定负责任的人工智能的原则多个国际组织，包括经济合作与发展组织(OECD)、欧盟、联合国及非洲联盟，相继发布规范性框架，阐释了透明度与可解释性、可信度等RAI重点。\\n\\n5. 公共数据资源正在迅速萎缩。人工智能模型的训练依赖于海量公开网络数据，但最新研究表明，2023至2024年间数据使用限制显著增加，因为众多网站实施了新协议以限制人工智能训练的数据爬取。在C4通用爬取数据集持续维护的域名中，受限制文本数据的比例已从5-7%升至20-33%。这种下降态势将影响数据多样性、模型对齐性和系统可扩展性，并可能催生数据约束条件下的新型学习范式。\\n\\n6. 基础模型研究透明度提高，但仍任重道远。最新发布的基础模型透明度指数(Foundation Model Transparency Index)——个跟踪基础模型生态系统透明度的项目——显示，主要模型开发者的平均透明度得分从2023年10月的37%提高到了2024年5\\n 月的58%。虽然进展显著，但仍有相当大的改进空间。\\n\\n7. 对事实性与真实性评估的比较基准正不断完善。早期比较基准，如HaluEval和TruthfulQA，虽旨在评估人工智能模型的事实性与真实性，但未能在人工智能领域获得广泛应用。为此，更更新、更全面的评估方案出现，包括升级版的Hughes幻觉评估模型排行榜(\\n Hughes Hallucination Evaluation Model leaderboard)、FACTS评估框架以及SimpleQA测试集。\\n\\n8. 与人工智能相关的选举虚假信息在全球蔓延，但其影响仍不明确。2024年，在十多个国家和超过十个社交媒体平台上出现了大量与人工智能相关的选举虚假信息，包括在美国总统大选期间。然而，人们对这一问题的可衡量影响仍存在诸多疑问，许多人认为虚假信息活动对选举的影响比实际情况更为深远。\\n\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n报告核心要点\\n\\n第三章：\\n负责任的人工智能（续）\\n\\n9. 接受过显性无偏见训练的大语言模型仍会表现出隐性偏见。许多先进的大语言模型，包括GPT-4和Claude 3 Sonnet，在设计时都采取了抑制显性偏见的措施，但它们仍然表现出隐性偏见。这些模型过度地将负面词汇与黑人群体关联，更多将女性与人文学科而不是理工科（STEM）领域联系在一起，并偏爱男性担任有领导力的角色，从而加剧了决策中的种族与性别偏见。虽然偏见评价结果在标准比较基准上有所改善，但人工智能模型偏见仍是一个普遍存在的问题。\\n\\n10. 负责任的人工智能获得了学术研究人员的关注。2024年，全球顶级人工智能会议收录的责任的人工智能论文数量达到1,278篇，较2023年的992篇增长28.8%，自2019年以来持续保持稳定的年增长率。这一上升趋势凸显了责任的人工智能研究界日益增长的重要性。\\n\\n\\n第四章：\\n经济\\n\\n1. 全球私人工智能投资创历史新高，增长26%。2024年，全球企业人工智能投资规模达到2523亿美元，其中私人投资同比增长44.5%，并购交易规模较上年增长12.1%。过去十年间，该领域经历显著扩张，自2014年以来，总投资规模增长逾十三倍。\\n\\n2. 生成式人工智能投资规模激增，2024年，生成式人工智能领域的私人投资达到339亿美元，比2023年增长18.7%，是2022年水平的8.5倍以上。该领域目前占所有人工智能相关私人投资总额的20%以上。\\n\\n3. 美国扩大了其在全球人工智能私人投资中的领先优势。2024年，美国人工智能私人投资规模达到1091亿美元，相当于中国的近12倍（93亿美元），英国的24倍（45亿美元）。在生成式人工智能领域，美国投资总额较中国、欧盟及英国投资总和还多254亿美元，较2023年218亿美元的差额继续扩大。\\n\\n4. 人工智能的使用达到前所未有的水平。2024年，受访企业报告采用人工智能技术的比例从2023年的55%跃升至78%。同样，在至少一项业务职能中使用生成式人工智能的受访者数量增长逾一倍——从2023年的33%上升至2024年的71%。\\n\\n\\n17\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n报告核心要点\\n\\n第四章：\\n经济（续）\\n\\n5. 人工智能已开始在多个业务职能领域产生财务效益，但大多数企业仍处于应用初期阶段。报告显示，在单一业务职能内应用人工智能并取得财务效益的企业中，多数反馈效益水平仍处于较低区间。在成本节约方面，在客户服务运营中使用人工智能的企业中有\\n 49%的受访者报告实现降本，供应链管理领域这一比例为43%，软件工程领域为41%，不过，这些企业报告的成本降幅大多不足\\n 10%，在收入增长方面，营销与销售部门应用人工智能的企业中有71%的受访者报告收入提升，供应链管理领域为63%，服务运营领域为57%，但需要指出的是，这些收入增幅普遍低于5%。\\n\\n6. 人工智能的应用呈现出明显的区域差异，其中大中华区正迅速崛起，尽管北美地区仍保持着企业人工智能应用率的领先地位，但大中华区是同比增长率最高的地区之一，其企业人工智能采用率提升了27%。欧洲紧随其后，实现了23%的增长，这表明全球人工智能格局正在快速演变，各国在人工智能应用领域的国际竞争也日趋激烈。\\n\\n7. 中国在工业机器人领域仍占据主导地位，虽略有放缓，2023年，中国安装27.63万台工业机器人，是日本的6倍，美国的7.3倍。自2013年超过日本以来，中亚在全球工业机器人安装量中的份额从20.8%上升至51.1%，虽然中国的机器人安装量继续超过世界其他国家的总和，但这一差距在2023年略有缩小，标志着其急剧扩张的势头略有放缓。\\n\\n8. 协作型和交互式机器人使用日趋普及，2017年，协作型机器人仅占所有新安装工业机器人的2.8%，到2023年，这一数字攀升至\\n 10.5%，同样，2023年，除医疗机器人外，所有应用领域的服务机器人安装量均呈现增长趋势，这一趋势不仅表明机器人安装量的总体增长，还表明人们越来越重视将机器人部署在面向人类的岗位上。\\n\\n9. 人工智能正在推动能源结构的重大变革，并引发对核能的新一轮关注。微软宣布以16亿美元重启三哩岛核反应堆，为人工智能提供动力，而谷歌和亚马逊也签订了核能协议，为人工智能业务提供支持。\\n\\n10. 人工智能提高生产效率并缩小技能差距。去年的人工智能指数报告是首批强调人工智能对生产效率产生积极影响的研究报告之一。今年更多研究进一步验证了这些发现，证实人工智能不仅能提升生产效率，在多数情况下还有助于缩小高技能与低技能劳动者之间的能力差距。\\n\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n报告核心要点\\n\\n第五章：\\n科学与医学\\n\\n1. 更先进的大规模蛋白质测序模型问世，包括 ESM3 和 AlphaFold 3 在内的多个高性能大规模蛋白质测序模型相继推出。随着时间的推移，这些模型的规模显著扩大，使得蛋白质预测准确率不断提高。\\n\\n2. 人工智能持续推动科学发现的飞速发展。人工智能在科学进步中的作用不断扩大。2022 至 2023 年仅是人工智能驱动科研突破的初始阶段，而 2024 年出现更具突破性的进展，包括训练大语言模型智能体执行生物任务的 Aviary，以及显著增强野火预测能力的 FireSat。\\n\\n3. 主流大语言模型的临床知识水平持续提升。OpenAI最近发布的 o1 in MedQA比较基准中创下了 96.0%的新纪录，比 2023 年公布的最佳成绩提高了 5.8%。自 2022 年末以来，该测试性能已累计提升 28.4%，作为评估临床知识的重要比较基准，MedQA 可能正接近性能饱和，预示着需要更具挑战性的评估。这表明需要建立更具挑战性的评估体系。\\n\\n4. 人工智能在关键临床任务中的表现优于医生。一项新的研究发现，在诊断复杂的临床病例时，无论是人工智能，还是没有人工智能，仅 GPT-4就能胜过医生。最近的其他研究表明，人工智能在癌症检测和识别高死亡率风险患者方面超过了医生，不过，一些初步研究表明，人工智能与临床医生的协同诊疗可产生最优结果，这一发现值得作为重点领域开展深入研究。\\n\\n5. 美国食品及药物管理局（FDA）批准的人工智能医疗设备数量激增。美国食品药品监督管理局于 1995 年批准了首款人工智能医疗设备，截至 2015 年，仅有 6 款此类设备获批，但这一数字到 2023 年激增至 223 款。\\n\\n6. 合成数据在医学领域展现出巨大潜力，2024 年发布的研究表明，人工智能生成的合成数据可以帮助模型更好地识别健康的社会决定因素，加强保护隐私的临床风险预测，并促进新药化合物的发现，2024 年最新研究表明，人工智能生成的合成数据可有效提升模型对健康社会决定因素的识别能力，优化隐私保护型临床风险预测，并促进新药化合物的发现。\\n\\n7. 医学人工智能伦理研究文献逐年增加，从 2020年到 2024年，医学人工智能伦理方面的论文数量几乎翻了两番，从 2020年的\\n 288篇增加到 2024年的 1031篇。\\n\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n报告核心要点\\n\\n第五章：\\n科学与医学(续)\\n\\n8. 基础模型进入医学领域。8.2024 年，一大波大型医学基础模型发布，涵盖从 Med-Gemini 等通用多模态模型，到面向特定专科的\\n EchoCLIP(超声心动图)、视觉 FM(眼科)及 ChexAgent(放射科)等专用模型。\\n\\n9. 公共蛋白质数据库规模不断扩大。自 2021 年以来，主要公共蛋白质科学数据库的条目数量显著增长，其中包括 UniProt（增长\\n 31%），PDB（增长 23%）及 AlphaFold（激增 565%）。这一扩展对科研发现具有重要影响。\\n\\n10. 人工智能研究获得两项诺贝尔奖。2024 年，人工智能驱动的研究获得了最高荣誉，两项与人工智能相关的突破获得了诺贝尔奖。谷歌 DeepMind 的德米斯·哈萨比斯 (Demis Hassabis) 和约翰·朱珀 (John Jumper) 凭借 AlphaFold 在蛋白质折叠方面的开创性工作获得了诺贝尔化学奖。与此同时，约翰·霍普菲尔德 (John Hopfield) 和杰弗里·辛顿 (Geoffrey Hinton) 因其在神经网络方面的基础性贡献获得了诺贝尔物理学奖。\\n\\n\\n第六章：\\n政策\\n\\n1. 美国各州正引领人工智能立法进程，而联邦层面进展相对迟缓。2016 年，只有一项州级人工智能相关法律获得通过，而到 2023\\n 年，增加到 49 项。仅在去年，这一数字就翻了一番多，达到 131 项。虽然联邦层面的人工智能法案提案也有所增加，但通过的数量仍然很少。\\n\\n2. 世界各国政府都加大人工智能基础设施投资力度。加拿大宣布了一项 24 亿美元的人工智能基础设施一揽子计划，而中国设立\\n 475 亿美元半导体产业基金。法国承诺为人工智能基础设施投资 1170 亿美元，印度承诺投资 12.5 亿美元，而沙特阿拉伯的“超越计划”则包括对人工智能的 1000 亿美元投资。\\n\\n3. 在全球范围内，人工智能在立法程序中的提及率不断上升。在 75 个国家中，2024 年立法程序中提及人工智能的次数增加了\\n 21.3%，从 2023 年的 1557 次增加到 1889 次。自 2016 年以来，人工智能被提及的总数增长了 9 倍多。\\n\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n报告核心要点\\n\\n第六章：\\n政策（续）\\n\\n4. 在全球范围内，人工智能安全研究机构加速扩张与协同合作。2024年，各国相继成立国际人工智能安全研究机构，首批机构由美国和英国于2023年11月首届人工智能安全峰会闭幕后率先设立。随着2024年5月首尔人工智能峰会的召开，日本、法国、德国、意大利、新加坡、韩国、澳大利亚、加拿大及欧盟等国家和地区也相继承诺成立相关机构。\\n\\n5. 美国人工智能相关联邦法规数量激增，2024年，美国出台了59项人工智能相关法规，是2023年25项的两倍多。这些法规来自42个机构，是2023年出台法规的21个机构的两倍。\\n\\n6. 美国多州加强深度伪造监管立法。2024年之前，只有加利福尼亚、密歇根、华盛顿、得克萨斯和明尼苏达五个州颁布了法律，对选举中的深度伪造行为进行监管。2024年，俄勒冈州、新墨西哥州和纽约州等15个州出台了类似措施。此外，到2024年，已有24个州通过了针对深度伪造的法规。\\n\\n\\n第七章：\\n教育\\n\\n1. 美国高中计算机科学(Computer Science, CS)课程的普及与选修人数较上一学年略有提升，但教育差距依然存在。学生的参与情况因州、种族和民族、学校规模、地理位置、收入、性别和残疾而异。\\n\\n2. 美国的计算机科学教师希望传授人工智能，但认为自己不具备这样的能力。尽管81%的计算机科学教师认同应将人工智能应用及人工智能基础知识纳入计算机科学基础课程体系，但仅有不足半数的高中计算机科学教师认为自己具备开展人工智能教学的专业能力。\\n\\n3. 全世界有三分之二的国家提供或计划提供K-12阶段的计算机科学教育。自2019年以来，这一比例翻了一番，其中非洲和拉丁美洲国家进展最为显著，然而，由于学校缺乏电力供应，非洲国家学生获得计算机科学教育的机会最少。\\n\\n\\n21\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n报告核心要点\\n\\n第七章：\\n教育（续）\\n\\n4.2022年至2023年期间，美国获得人工智能硕士学位的毕业生人数几乎翻了一番。尽管人工智能在学士学位和博士学位中的关注度提升将较为缓慢，但硕士学位的激增可能预示着所有学位层次都将出现这一发展趋势。\\n\\n5.在培养信息、技术和通信技术(ICT)毕业生方面，美国持续处于全球领先地位。西斑牙、巴西和英国紧随美国之后，成为各层次毕业生最多的国家，而土耳其则是男女比例最均衡的国家。\\n\\n第八章：\\n公众观点\\n\\n1. 全球对人工智能产品和服务的态度持谨慎乐观的态度。在益普索(Ipsos)2022-2024年持续追踪的26个国家中，18国的受访者对人工智能产品与服务“利大于弊”的认同比例呈现上升趋势。在全球范围内，认为人工智能产品和服务利于弊的个人比例从\\n 2022年的52%上升到2024年的55%。\\n\\n2. 人工智能对日常生活影响的预期认知度持续攀升。在世界各地，三分之二的人现在认为，人工智能驱动的产品与服务将在未来3\\n 至5年内显著改变日常生活——这一比例较2022年上升6个百分点。除马来西亚、波兰和印度外，其余国家自2022年以来该认知度均有所提升，其中加拿大(增长17%)与德国(增长15%)涨幅最为显著。\\n\\n3. 对人工智能公司伦理行为的怀疑正在增加，同时对人工智能公平性的信任正在下降。在全球范围内，人们对人工智能公司保护个人数据的信心从2023年的50%下降到2024年的47%。同样，与相比，如今相信人工智能系统不偏不倚、不受歧视的人也越来越少。\\n\\n4. 人工智能乐观程度的地区差异依然存在。2023年人工智能指数首次指出，人工智能乐观程度的地区差异依然存在。在中国(83%)、印度尼西亚(80%)和泰国(77%)等国家，绝大多数人认为人工智能驱动的产品和服务利大于弊，而在加拿大(40%)、美国(39%)和荷兰(36%)，只有少数人持这种观点。\\n\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n报告核心要点\\n\\n第八章：\\n公众观点(续)\\n\\n5. 美国人自动驾驶汽车仍持不信任态度。根据美国汽车协会(American Automobile Association，AAA)最新调查数据显示，61%\\n 的美国民众对自动驾驶汽车存在恐惧心理，仅有 13% 的受访者表示信任该技术。尽管这一恐惧比例较 2023 年 68% 的峰值有所下降，但仍高于 2021 年 54% 的水平。\\n\\n6. 美国地方政策制定者普遍支持对人工智能实施监管。2023 年，美国 73.7% 的地方政府制定者(涵盖镇、市、县三级政府)支持对人工智能实施监管，较 2022 年的 55.7% 显著提升。民主党人士的支持率 (79.2%)明显高于共和党人士 (55.5%)，但两党支持率相较 2022 年均呈现显著增长。\\n\\n7. 此前对人工智能持强烈怀疑态度的国家中，对人工智能的乐观态度呈现急剧上升趋势。在全球范围内，人们对人工智能产品和服务的乐观态度有所提高，其中以前最持怀疑态度的国家乐观态度增幅最大。2022 年，英国 (38%)、德国 (37%)、美国 (35%)、加拿大 (32%) 和法国 (31%) 是最不倾向于认为人工智能利大于弊的国家。此后，这些国家对人工智能的乐观态度分别提升了 8%、\\n 10%、4%、8%和 10%。\\n\\n8. 劳动者预期人工智能将重塑就业结构，但其对岗位被替代的担忧程度相对较低。在全球范围内，60%的受访者认为人工智能将在未来五年内改变个人的工作方式。然而，有一小部分受访者 (36%)认为，人工智能将在未来五年内取代他们的工作。\\n\\n9. 美国地方政策制定者在人工智能政策优先事项上存在明显分歧。美国地方政府决策者虽普遍支持人工智能监管，但在具体政策优先事项上存在显著差异。支持率最高的政策包括更严格的数据隐私法规 (80.4%)、失业人员再培训计划 (76.2%)以及人工智能应用监督条例 (72.5%)。然而，针对执法部门人脸识别禁令 (34.2%)、工资下降补贴 (32.9%)和全民基本收入 (24.6%)等政策的支持率则显著降低。\\n\\n10. 人工智能被视为提升效率的工具和娱乐体验的助推器，但其经济影响仍存疑虑。全球对人工智能影响的看法各不相同。55%的人认为人工智能将节省时间，51%的人预计它将提供更好的娱乐选择，但对其健康或经济效益有信心的人较少。只有 38%的人认为人工智能将提升医疗健康水平，36%的人认为人工智能将改善国民经济，31%的人认为人工智能将对就业市场产生积极影响，\\n 37%的人认为人工智能将提升自己的工作效率。\\n\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：\\n研究与开发\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n\\n概述 26\\n章节核心要点 27\\n\\n1.1论文发表 29\\n概述 29\\n人工智能论文发表总量 29\\n按发表平台 (Venue) 分类 31\\n按国家 / 地区分类 32\\n按行业分类 36\\n按研究主题分类 38\\n发表的百强论文 39\\n按国家 / 地区分类 39\\n按行业类型 40\\n按机构类型 41\\n\\n1.2专利 42\\n概述 42\\n按国家 / 地区分类 43\\n\\n1.3标志性人工智能模型 46\\n按国家 / 地区分类 46\\n按行业分类 47\\n按研发主体分类 49\\n模型发布 50\\n参数发展趋势 52\\n算力发展趋势 56\\n重点：模型训练会面临数据枯竭吗？ 59\\n推理成本 64\\n训练成本 65\\n\\n1.4硬件 68\\n概览 68\\n重点：能源效率和环境影响 71\\n\\n1.5人工智能会议 75\\n参会规模 75\\n\\n1.6开源人工智能软件 77\\n开源人工智能软件项目 77\\n星标 79\\n\\n获取公共数据\\n\\n目录 第一章预览 25\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：\\n研究与开发\\n\\n概述\\n\\n本章探讨了人工智能研究与发展的最新趋势，首先系统分析人工智能论文发表、专利及标志性的人工智能系统，并基于国家和地区、研发机构与行业领域三维度对上述成果的开发方进行解析。本章同时涵盖了对人工智能模型训练成本、学术会议参与度及开源人工智能软件的分析。今年新增的内容包括人工智能硬件生态演进图谱、人工智能训练能耗与环境影响评估及模型推理成本时序分析。\\n\\n目录第一章预览\\n26\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：\\n研究与开发\\n\\n章节核心要点\\n\\n1. 产业界持续加大人工智能投入并主导标志性人工智能模型研发，而学术界则引领高影响力研究，产业界在标志性人工智能模型研发中的主导优势持续强化，这一趋势在既往两期人工智能指数报告中已有明确阐述。2024 年，近 90% 的前沿模型源自产业界\\n （较2023年的 60% 提升 30 个百分点）。学术界在过去三年中始终是高被引（前 100 名）论文的首要机构贡献者。\\n\\n2. 中国在人工智能论文发表总量上领先，而美国在具有高影响力的研究方面占据优势。2023 年，中国在人工智能领域的论文发表量（23.2%）和引用量（22.6%）均位居全球首位。而在过去三年中，美国机构贡献了最多被引用次数排名前 100 的人工智能论文。\\n\\n3. 人工智能论文发表总量持续增长，并在计算机科学领域占据日益重要的主导地位。从 2013年到 2023 年，在计算机科学和其他科学学科领域发表的人工智能论文发表总数几乎增加了两倍，从大约 102,000 篇增加到超过 242,000 篇。从比例上看，人工智能在计算机科学论文中所占的份额已从 2013年的 21.6%上升到 2023年的 41.8%。\\n\\n4. 美国仍然是标志性人工智能模型的主要来源地。2024 年，美国机构开发了 40 个标志性人工智能模型，大大超过中国的 15 个和欧洲的 3 个。在过去十年，源自美国的标准性机器学习模型比任何其他国家都多。2024 年，美国机构共开发出 40 个前沿人工智能模型，显著超过中国的 15 个和欧洲地区的合计的 3 个。过去十年间，美国在前沿机器学习模型的研发数量上持续保持全球领先地位。\\n\\n5. 人工智能模型正变得规模更大、算力需求更高、能耗更强。最新研究表明，标志性人工智能模型的训练算力需求约每 5 个月翻一番，大语言模型训练数据集规模每 8 个月翻一番，而训练所需功耗每年递增，大规模的产业投资持续推动着模型规模扩大和性能提升。\\n\\n6. 人工智能模型的使用成本持续下降。以语言模型性能评估常用基准——MMLU 为例，达到 GPT-3.5 水平（64.8 分）的人工智能模型查询成本已从 2022 年 11 月的每百万词元 20 美元，降至 2024 年 10 月的仅每百万词元 0.07 美元（Gemini-1.5-Flash-8B\\n 模型），18 个月内降幅超 280 倍。根据任务类型不同，大语言模型的推理价格年降幅已达 9 至 900 倍不等。\\n\\n\\n目录第一章预览\\n27\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：\\n研究与开发\\n\\n章节核心要点（续）\\n\\n7. 人工智能专利申请持续上升。从2010年到2023年，人工智能专利数量稳步大幅增长，从3833项激增到122511项，仅在去年，\\n 人工智能专利数量就增长了29.6%。截至2023年，中国在人工智能专利总数上遥遥领先，占所有授权的69.7%，而按人均计算，韩国和卢森堡则是人工智能专利的主要生产国。\\n\\n8. 人工智能硬件变得更快、更便宜、更节能。最新研究表明，以16位浮点运算能力衡量的机器学习硬件性能正以每年43%的速度增长，每1.9年实现翻倍。其性价比显著提升——成本每年下降30%，而能效则以每年40%的幅度持续改善。\\n\\n9. 人工智能训练产生的碳排放量正在稳步上升。早期训练的人工智能模型，如AlexNet网络(2012年)，碳排放量不大，仅为0.01吨。最新人工智能模型的训练碳排放量显著增加：2020年GPT-3为588吨，2023年GPT-4达5,184吨，而2024年Llama 3.1\\n 405B更是高达8,930吨。作为对比，美国人年均碳排放量仅为18吨。\\n\\n\\n目录第一章预览\\n28\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.1 论文发表\\n\\n1.1 论文发表\\n\\n下图展示了 2010 至 2023 年全球人工智能英文论文发表的梳理，按机构类型、成果类别及地域分布三维度分类统计。在今年报告中，人工智能指数数据一节内容，分析 100 篇被引用次数最多的人工智能论文发表的趋势，可为特别具有影响力的研究提供洞见。今年，人工智能指数利用 OpenAlex 数据库分析了人工智能研究成果的趋势，因此，今年报告中的数字与往年略有不同。1 基于出版物元数据的收集存在显著滞后，在某些情况下，需要等到一年中的中期才能完全收集到上一年的发表物，因此，在今年的报告中，人工智能指数团队决定只考察到2023年的出版趋势。\\n\\n概述\\n\\n研究成果发布统计。下一节报告了人工智能英文论文发表总量的趋势。\\n\\n人工智能论文发表总量\\n\\n图 1.1.1 显示了全球人工智能研究成果发布的总量统计。这些研究成果均来自 OpenAlex 数据库中标注为“计算机科学 (CS)”类别，并经人工智能指数团队认定为与人工智能相关的研究。²\\n\\n2013-2023 年全球范围内在 CS 领域人工智能论文发表数量资料来源：2025 年人工智能指数数据；2025 年人工智能指数报告\\n\\n图 1.1.1\\n\\n1. OpenAlex 是一个完全开放的学术数据目录，包括科学论文，作者，机构等，人工智能指数使用 OpenAlex 作为图书馆数据库，并使最新版本的 CSO 分类器对人工智能相关研究进行自动分类。近日，该指数收录第三方期刊，其基础源源不断和方法方多，因此，今年等研究的参考文献以及报告的结果都有不例外。此外，人工智能指数仅区分类指用于 OpenAlex 扫描和计算机科学大题的论文，还并列其中人工智能指数论文覆盖，但需要统计计算机科学的大题图。图 1.1.2、CSO 分类器（d.3）是一个版本文本类检索，自用馆藏含 16,000 个类和 165,000 家关联的本刊对计算机科学领域的研究论文进行分类，包括 GenMe、大语言模型和工程等新兴领域，它通过三个模块处理元数据（如标题和摘要）：语感提取用于准确匹配主题，语义模糊识别同人推断相关主题，后续模块通过过滤重复和添加相关的更高层次线索来结果。\\n\\n目录第一章预览\\n29\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.1论文发表\\n\\n2013年至2023年间，人工智能相关论文发表的总数翻了一番多，从2013年的约10.2万篇增至2023年的超过24.2\\n万篇。过去一年间的增长率达19.7%，这一增幅具有重要意义。计算机科学的众多领域——从硬件与软件工程到人机交互\\n——如今均对人工智能的发展都有所贡献，因此，观测到的增长现象反映出该人工智能更广泛且日益增强的关注度。\\n\\n2013—2023年全球范围在CS领域人工智能论文发表的统计（占总数百分比）\\n资料来源：2025年人工智能指数\\\\|图表：2025年人工智能指数报告\\n\\n41.76%\\nCS领域的人工智能论文发表占比\\n0%\\n5%\\n10%\\n15%\\n20%\\n25%\\n30%\\n35%\\n40%\\n45%\\n2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023\\n\\n图1.1.2\\n\\n目录第一章预览\\n30\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.1论文发表\\n\\n图 1.1.2 显示了 OpenAlex 数据库中被归类为人工智能相关的计算机科学论文发表的发布占比。图 1.1.2 采用了与图 1.1.1\\n相同的数据，但以比例形式显示，人工智能论文发表的比例大幅增长，从 2013 年到 2023 年几乎翻了一番。\\n\\n按发表平台(Venue)分类人工智能研究人员在多种学术平台发表研究成果。图 1.1.3\\n按平台类型展示了人工智能领域论文总量的分布情况。2023\\n\\n年，期刊论文占人工智能论文发表的最大份额(41.8%)，其次是会议论文发表(34.3%)，尽管自 2013 年以来，期刊和会议论文发表总量持续增长，但其在人工智能领域的占比却呈稳步下降趋势——期刊论文占比从 2013 年的 52.6% 降至 2023 年的\\n41.8%，会议论文发表占比同期从 36.4% 下降至 34.3%。与此相反，类似 arXiv 存储库的人工智能论文发表占比显著提升。\\n\\n2013～2023 年按平台分类CS领域人工智能论文发表的统计（占总数百分比）\\n资料来源：2025 年人工智能指数\\\\|图表：2025 年人工智能指数报告\\n\\n图 11.3\\n\\n目录 第一章预览 31\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.1论文发表\\n\\n按国家/地区分类\\n\\n图 1.1.4 展示了不同地区人工智能论文发表情况随时间的变化，3在2023年，东亚和太平洋地区在人工智能研究产出方面领先，占所有人工智能论文发表的 34.5%，其次是欧洲和中亚（18.2%)以及北美（10.3%)探索。4\\n\\n图 1.1.4 分析了人工智能领域论文发表的地域分布情况，揭示了研究成果数量最多的地区；而图 1.1.5 则聚焦于引用情况，统计了各区域研究成果在总引用量中的占比。截至2023年，东亚与太平洋地区的人工智能论文发表引用量占比最高，达到 37.1%(图 1.1.5)。回溯至2017年，该地区与北美地区的引用份额基本持平；此后，北美和欧洲地区的占比呈下降趋势，而东亚与太平洋地区的引用份额则显著攀升。\\n\\n2013—2023年按地区划分在CS领域人工智能论文发表的统计（占总数百分比）\\n资料来源：2025年人工智能指数数据 图表：2025年人工智能指数报告\\n\\n3. 本章中对地区是根据世界银行的分析分指分类的。人工智能指数使用作者身份数据中的“国家”字段来确定作者所属的国家。这个字段列出了根据机构隶属从OpenMax中检索到的作者所属的所有国家。这意味着可以基于论文中提到的信息，也可以从作者身份数据的论文中查找。在我国设计研究成果时，人工智能指数对研究成果所关联的国家进行分析。例如，如果一篇文章有三位作者，其中两位来自中国，另一位来自美国，那么这篇论文可能关联到中国。4. 作者创作的归因缺失或未被探讨。论文发表的跟踪能力为“未发现”，造成同一问题的智识，包括机构名称不能或遗漏、平台标题标识、作者群体实践、隶属关系秘密不宣、文秘类型不一致等作者发展记录有瑕疴。本文讨论的是与OpenMax有关的问题，不过，源机构的问答与其他栏目信息都有关。\\n\\n目录 第一章预览 32\\n\\n* * *\\n\\n第一章：研究与开发\\n1.1论文发表\\n\\n2025年人工智能指数报告\\n\\n2013-2023年按地区划分在CS领域人工智能领域论文发表的引用量（占总引用量百分比）\\n资料来源：2025年人工智能指数\\\\|图表：2025年人工智能指数报告\\n\\nCS领域人工智能论文表计（占总篇数百分比）\\n40%\\n35%\\n30%\\n25%\\n20%\\n15%\\n10%\\n5%\\n0%\\n2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023\\n\\n37.07%,东亚和太平洋地区\\n21.68%,欧洲和中非地区\\n15.59%,北美地区\\n7.97%,中东和北非地区\\n7.69%,南亚地区\\n7.55%,柬埔\\n1.35%,拉丁美洲和加勒比海地区\\n0.69%,撒哈拉沙漠以南地区\\n\\n图11.5\\n\\n目录 第一章预览 33\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.1论文发表\\n\\n2023年，中国在人工智能论文发表数量上居全球首位，占比达 23.2%，而欧洲和印度的占比分别为 15.2% 和 9.2%（见图 1.1.6），自 2016年以来，中国的份额持续稳步增长，而欧\\n\\n洲的占比则呈现下降趋势。美国在人工智能领域的论文发表比例在 2021年前保持相对稳定，但此后略有下降。\\n\\n2013-2023年在 CS领域人工智能论文发表的统计（占总数百分比）\\n资料来源：2025年人工智能指数\\\\|图表：2025年人工智能指数报告\\n\\n图1.1.6\\n\\n5.在本指南及其他章节中，人工智能指数对“欧洲”的定义遵循联合国统计可所界定的国家列表。\\n6.特别说明数据，人工智能指数对部分国家的结果进行了可视化，不过，所有国家的观察结果都将在 AI Index's Global Vibrancy Tool 上公布，该工具计划于 2025 年夏季数据，如需立即联散特定国家的研发数据，请联系人工智能指数团队。\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.1 论文发表\\n\\n2023年，中国人工智能论文的引用量占比达22.6%，位居全球首位，欧洲和美国分别以20.9%和13.0%的占比紧随其后（图\\n1.1.7)，与论文发表总量趋势一致，2010年代末成为关键转折点——中国在这一时期超越欧美，成为人工智能领域被引用文献的首要来源地。\\n\\n2013-2023年按选定地理区域分类在CS领域人工智能论文发表的引用量（占总引用量百分比）\\n资料来源：2025年人工智能指数\\\\|图表：2025年人工智能指数报告\\n\\n图11.7\\n\\n目录 第一章预览 35\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.1论文发表\\n\\n按行业分类学术机构仍是全球范围内人工智能论文发表的主要来源\\n（图1.1.8），2013年，学术机构贡献了85.9%的人工智能论文；\\n到2023年，这一比例仍保持在84.9%的高位，2023年，产业界贡献了7.1%的人工智能论文，政府机构和非营利组织的占比分别为4.9%和1.7%。\\n\\n2013-2023年按行业分类在CS领域人工智能发表物的统计资料来源：2025年人工智能指数数据；图版：2025年人工智能指数报告\\n\\n84.91%，学术界\\n7.14%，产业界\\n1.35%，其他\\n0%\\n10%\\n20%\\n30%\\n40%\\n50%\\n60%\\n70%\\n80%\\n90%\\n2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023\\n\\n7．图11.8和图11.9未标注隶属机构的论文来源入最终可转化统计。\\n\\n目录 第一章预览 36\\n\\n* * *\\n\\n第一章：研究与开发\\n1.1论文发表\\n\\n人工智能论文发表的行业来源在不同地区呈现显著差异\\n（图1.1.9）。美国产业界贡献的人工智能论文占比达16.5%，明显高于中国的8.0%，在主要地区中，中国教育机构产出的人工智能论文占比最高，达到84.5%。\\n\\n2023年按行业和选定地理区域分类在CS领域人工智能论文发表的统计（占总量的百分比）\\n资料来源：2025年人工智能指数\\\\|图表：2025年人工智能指数报告\\n\\n学术界 75.61%\\n79.49%\\n84.45%\\n产业界 69.49%\\n8.02%\\n8.02%\\n非营利组织 4.02%\\n4.00%\\n0.58%\\n政府 3.88%\\n4.72%\\n6.96%\\n人工智能论文发表统计（占总量的百分比）\\n\\n图11.9\\n\\n目录 第一章预览 37\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.1论文发表\\n\\n按研究主题分类机器学习是 2023 年人工智能领域最热门的研究主题，占总\\n(25.9%)和自然语言处理 (17.1%)（图 1.1.10）。过去一年中，关论文数量的 75.7%，其次是计算机视觉 (47.2%)、模式识别于生成式人工智能的论文数量出现了显著增长。\\n\\n2013-2023年按精选核心主题分类人工智能论文发表的统计资料来源：2025年人工智能指数\\\\|图表：2025年人工智能指数报告\\n\\n183.78, 机器学习\\n114.61, 计算机视觉\\n62.90, 模式识别\\n21.82, 基于知识的系统\\n13.07, 生成式人工智能\\n12.00, 逻辑与推理\\n11.29, 多智能体系统\\n8.25, 机器人\\n\\n图 1.1.10 8\\n\\n8. 人工智能指数使用自己的主题分类器对论文进行分类。一份论文有可能被赋予多个主题标签。\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.1论文发表\\n\\n发表的百强论文虽然追踪人工智能论文总量能提供一个对人工智能研究活动的宏观视角，但聚焦于被引用次数最多的论文则能揭示该领域最具影响力的研究成果。这项分析揭示了一些最具开创性和影响力的人工智能研究正在哪里兴起。今年，人工智能指数通过 OpenAlex 的引文数据，确定了 2021 年、2022 年和\\n2023 年被引用次数最多的 100 篇人工智能论文。9 2023 年被引用次数最多的人工智能论文包括 OpenAI 的 GPT-4 技术报告、Meta 的 Llama 2 技术报告和谷歌的 PaLM-E 的技术报告。值得注意的是，由于引用的滞后性，今年报告中被引用次数最多的论文在今后的版本中可能会有所变化。\\n\\n按国家 / 地区分类图 1.1.11显示了各年被引用次数最多的 100 篇人工智能论文的地理分布，从 2021年到 2023年，美国一直是被引用最多的国家，2021年为64篇，2022年为59篇，2023年为50篇，10自\\n2021年以来美国在顶级人工智能论文中所占的比例逐渐下降。\\n\\n2021—2023年按选定地理区域划分的百强高被引论文统计资料来源：2025年人工智能指数 \\\\| 图表：2025年人工智能指数报告\\n\\n图 1.1.11\\n\\n9. 研究研究方法指南及百强论文名录详见附录部分。\\n10. 一篇文章可以有多个来自不同国家或组织的作者。例如，一篇一篇文章包来自多个国家的作者，每个国家只计一次。因此，本部分数字的总和超过100。\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.1论文发表\\n\\n按行业分类学术界持续产出最多被引的人工智能论文,2023年为\\n42篇,2022年为27篇,2021年为34篇(图1.1.12)。值得注意的是，产业界贡献出现了显著下降，百强论文的数量从2021\\n年的17篇和2022年的19篇骤降至2023年的仅7篇。随着人工智能研究竞争日益激烈，许多行业人工智能实验室降低发表论文频率或减少披露研究细节。\\n\\n2021-2023年按选定行业划分的百强高被引论文的统计资料来源：2025年人工智能指数\\\\|图表：2025年人工智能指数报告\\n\\n学术界 产业界 产业界和学术界 混合 其他行业\\n\\n图1.1.12 11\\n\\n11. 混合\\\\*名称包括所有产业界和学术界的部门合作（如产业界和政府、学术界和营利组织），有机构较少2021年的数据，因为它们当年没有论文入选100名。由于论文的多个作者可能来自不同机构，因此图1.1.12中的机构标签总可覆盖100个。另外，由于有两篇论文的作者所属门不明，因此图1.1.12中的论文总数为98篇。\\n\\n目录 第一章预览 40\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.1论文发表\\n\\n按机构类型图 1.1.13展示了2021至2023年间全球人工智能领域高被引百强论文来源机构分布情况,部分机构在图表中可能出现空白柱,这表明该机构在某年未发表百强论文.此外,图1.1.13\\n仅列出了排名前10的机构,尽管许多其他机构也做出了重要贡献。谷歌每年均位居榜首,但在2023年与清华大学并列第一,两者均有8篇论文入选百强。2023年,卡内基梅隆大学是排名最高的美国学术机构。\\n\\n2021-2023年按机构类型划分的百强高被引论文的统计资料来源:2025年人工智能指数\\\\|图表:2025年人工智能指数报告\\n\\n机构类型\\n\\n图1.1.13\\n\\n目录第一章预览\\n41\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.2 专利\\n\\n本节通过分析全球人工智能专利的时序演变趋势，\\n揭示人工智能领域技术创新，研究发展与产业发展的关键动态。此外，分析人工智能专利可以揭示这些技术进步如何在全球范围内分布，与论文发表数据类似，人工智能专利数据的可获得性也存在明显的延迟。2023年是可获得数据的最近年份。本节中的数据来自欧洲专利局（EPO）提供的综合数据库 PATSTAT Global 中的专利级目录记录。12\\n\\n1.2 专利概述\\n\\n图 1.2.1 显示了 2010 年至 2023 年全球人工智能专利的增长情况。在过去十几年中，人工智能专利数量稳步增长，从 2010 年的 3833 项增至 2023\\n年的 122511 项。去年，人工智能专利总量增长了 29.6%。\\n\\n2010—2023 年全球人工智能专利授权数量资料来源：2025 年人工智能指数 图表：2025 年人工智能指数报告\\n\\n图 12.1\\n\\n12. 有关本节专利分析方法的更多详情，请参阅附录。\\n\\n目录 第一章预览 42\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.2 专利\\n\\n按国家/地区分类\\n\\n图 1.2.2 展示了授予的人工智能专利的区域分布，即全球不同地区提交的专利数量。截至 2023 年，截至 2023 年，全球获授权的人工智能专利中，绝大多数(82.4%)来自东亚和太平洋地区，北美地区以 14.2% 的占比位列第二。自 2010 年以来，\\n东亚和太平洋地区与北美在人工智能专利授权方面的差距不断扩大。\\n\\n2010—2023 年按地区划分的 AI 专利授权量（占全球总量的百分比）\\n资料来源：2025 年人工智能指数 图表：2025 年人工智能指数报告\\n\\n82.40%，东亚和太平洋地区\\n14.23%，北美地区\\n0.37%，南亚地区\\n0.15%，全球其他地区\\n0.05%，人工藏种和动物地区\\n0.02%，中东和北非地区\\n0.02%，图像拉沙漠以南地区\\n\\n图 12.2 13\\n\\n13. 不同国家和地区的专利标准和法律各不相同，因此在解释这些图表时，应仔细地核对国家及专利信息所在 AI Index's Global Vibrancy Tool 的后续版本中发布。\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.2 专利\\n\\n按地理区域细分，全球获批的人工智能专利中，绝大多数来自中国（69.7%）和美国（14.2%）（图1.2.3）。来自美国的人工智能专利占比已从2015年的峰值(42.8%)有所下降。\\n\\n图1.2.3 和图1.2.4 记录了哪些国家在人均人工智能专利方面处于领先地位。2023年，每10万居民中人工智能专利授\\n\\n权最多的国家是韩国(17.3项)，其次是卢森堡(15.3项)和中国\\n(6.1项)(图1.2.3)。图1.2.5显示了2013年至2023年人均人工智能专利授权量的变化。在此期间，卢森堡、中国和瑞典的人均人工智能专利增幅最大。\\n\\n2010—2023年按地区划分的人工智能专利授权量（占全球总量的百分比）\\n资料来源：2025年人工智能指数\\\\|图表：2025年人工智能指数报告\\n\\n图12.3\\n\\n目录 第一章预览 44\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.2 专利\\n\\n2023 年按国家分类每 10 万居民授权的人工智能专利数量资料来源：2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数报告\\n\\n韩国 1727\\n卢森堡 15.31\\n中国 6.08\\n美国 5.20\\n日本 4.58\\n德国 1.22\\n新加坡 0.98\\n芬兰 0.97\\n瑞典 0.74\\n英国 0.52\\n丹麦 0.47\\n法国 0.43\\n荷兰 0.40\\n澳大利亚 0.38\\n希腊 0.27\\n0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18\\n授予的人工智能专利（每 10 万居民）\\n\\n图12.4\\n\\n2013 年与 2023 年按国家划分的每 10 万居民授予的人工智能专利数量的百分比变化对比资料来源：2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数报告\\n\\n卢森堡 8,218%\\n中国 6,317%\\n瑞典 3,453%\\n希腊 2,859%\\n新加坡 2,546%\\n芬兰 1,653%\\n德国 1,097%\\n韩国 1,043%\\n荷兰 1,028%\\n英国 730%\\n美国 590%\\n法国 463%\\n日本 385%\\n澳大利亚 240%\\n丹麦 230%\\n0% 1,000% 2,000% 3,000% 4,000% 5,000% 6,000% 7,000% 8,000%\\n授予的人工智能专利数量的百分比变化（每 10 万居民）\\n\\n图12.5\\n\\n目录 第一章预览 45\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.3 标志性人工智能模型\\n\\n本节探讨标志性人工智能模型，人工智能指数数据提供 Epoch AI 使用“标志性机器学习模型 (notable machine learning)”一词来替代人工智能/机器学习生态系统中特别有影响力的模型。Epoch 维护着一个涵盖 1950 年代以来发布的 900 个个人智能模型的数据库，其收录标准包括：技术突破、历史里程碑意义或被引率等核心指标。由于 Epoch 对数据进行人工整理，因此一些被部分人认为标志性可能带来未被收录，通过分析这些模型，我们可以全面了解机器学习领域近年来和过去几十年的发展变化，数据集中可能缺少某些模型，但数据可以揭示相对趋势，标志性人工智能模型包括 GPT-4o、\\nClaude 3.5 和 AlphaGeometry。\\n\\n在本节中，人工智能指数从不同角度探讨了标志型模型的发展趋势，包括起源图、起源组织、模型发布规模、参数量计算和应用情况，最后分别对机学习的训练成本以及推理成本进行了探讨与分析。\\n\\n1.3 标志性人工智能模型\\n\\n按国家 / 地区分类\\n\\n为了展示人工智能领域不断演变的地缘政治格局，人工智能指数展示了标志性模型所属的国家。图 1.3.1 展示了归因于研究人员所属机构所在地的标志性人工智能模型总数。16 2024 年，美国以 40 个标志性人工智能模型遥遥领军，中国以 15 个紧随其后，法国则有 3 个，2024 年全球主要经济体包括美国、中国和欧盟均报告说，2024 年发布的标志性模型少于上一年（图 1.3.2）。自 2003年以来，美国开发的模型数量超过了英国、中国和加拿大等其他主要国家（图 1.3.3）。\\n\\n模型发布总量下降确切原因难以确定，但这可能源于多种因素的综合作用：训练数据规模的不断扩大、人工智能技术的日益复杂化，以及开发新建模方法所面临的挑战日益严峻，Epoch AI 当前收录的标志性模型可能漏漏了部分受关注度较低国家的发布成果。人工智能指数与 Epoch 合作致力于提高人工智能模型生态系统中的全球代表性，如果读者认为缺少了某些国家的模型，欢迎联系人工智能指数团队，我们将努力解决这个问题。\\n\\n2024 年按选定地理区域划分的标志性人工智能模型数量资料来源：Epoch AI 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n2003-2024 年按选定地理区域划分的标志性人工智能模型数量资料来源：Epoch AI 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n14. “人工智能系统（AI system）”是指基于人工智能的计算机制或产品，如 ChatGPT，“人工智能模型（AI Model）”包括一般在训练过程中学习的参数，例如 GPT-4，\\n15. Epoch AI 模型不具备高度逻辑性和理解能力，现今本人人工智能中包含模型总览信息与引导内容，比如数据机算用于 2025 年 3 月 17 日。\\n16. 本文主要讨论的是人工智能模型在不同场景下的表现，包括模型在自然环境中的应用、数据在金融市场中的应用、数据在医疗领域的应用等。\\n17. 图表：展示了不同领域的部分数据，包括深度学习模型的发表数据、背景知识数据的发布数据、相关研究报告的信息数据等。\\n\\n目录第一章预览\\n48\\n\\n* * *\\n\\n第一章：研究与开发\\n1.3 标志性人工智能模型\\n\\n2025年人工智能指数报告\\n\\n2003-2024 年按地理区域划分的标志性人工智能模型数量（总量）\\n资料来源：Epoch AI, 2025 \\\\| 图表: 2025 年人工智能指数报告\\n\\n1-10\\n11-20\\n21-60\\n61-100\\n101-560\\n\\n图 13.3\\n\\n按行业分类\\n\\n图 1.3.4 展示了按模型发布年份划分的标志性人工智能在各领域的来源分布，Epoch 根据来源对模型进行了分类：产业界包括谷歌、Meta 和 OpenAI 等公司；学术界包括清华大学、麻省理工学院和牛津大学等大学；政府指国家附属研究机构，如英国的 Alan Turing Institute for AI 和 阿布扎比的 Technology Innovation Institute；研究集体包括非营利性人工智能研究组织 Allen Insitute for AI 和 Fraunhofer Institute。\\n\\n2014 年之前，学术界在发布机器学习模型方面一直处于领先地位，自那以后，工业界开始领跑，根据 Epoch AI 的数据，在 2024 年，工业界将产生 55 个标志性人工智能模型，随着时间的推移，产学研合作推动的模型数量持续增长。过去十年间，来自产业界的知名人工智能模型占比稳步上升，至 2024 年已达到 90.2%。\\n\\n95。在解释这一教学时应谨慎，学术模型数量为开不意味着 2023 年学术机构没有产生任何标志性模型，而意思昧着 Epoch AI 没有发现任何标志性模型。此外，学术研究成果往往需要更长时间才能获得认可，即使是新能引入重要架构的高端引文，也可能需要较长时间才能产生广泛影响。\\n\\n目录 第一章预览 47\\n\\n* * *\\n\\n第一章：研究与开发\\n\\n2003–2024 年按行业划分的标志性人工智能模型数量\\n\\n资料来源 : Epoch AI, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n2003–2024 年按行业划分的标志性人工智能模型（占总数百分比）\\n\\n图 1.3.4\\n\\n资料来源 : Epoch AI, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n* * *\\n\\n第一章：研究与开发\\n1.3 标志性人工智能模型\\n\\n按研发主体分类\\n\\n图 1.3.6 与图 1.3.7 分别呈现了 2024 年度及过去十年间，\\n机器学习领域标志性模型研发的主导机构分布情况。2024 年，\\n贡献最多的是谷歌（7 个）、OpenAI（7 个模型）和阿里巴巴（4\\n个）。自 2014 年以来，谷歌以 187 个标志性模型遥遥领先，其\\n\\n次是 Meta（82个）和微软（39个）。在学术机构中，卡内基梅隆大学（25个）、斯坦福大学（25个）和清华大学送88适自\\n2014 年以来在标志性模型研发方面成果最多。\\n\\n2024 年按组织划分的标志性人工智能模型数量\\n\\n资料来源 : Epoch AI, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n2014–2024 年按组织划分的标志性人工智能模型数量 ( 总计 )\\n\\n资料来源 : Epoch AI, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n19、在组织统计数据中，DeepMind 发布的研究被归入谷歌。\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.3 标志性人工智能模型\\n\\n模型发布机器学习模型按照开放程度和使用权限可分为多种发布类型，API访问模型，如OpenAI的o1，允许用户通过查询与模型进行交互，而无需直接访问其底层权重。限制条件下的开源权重模型，如DeepSeek的V3，提供对其重量的访问，但施加了一些限制，如禁止商业使用或二次分发。托管访问非API类模型，如Gemini 2.0 Pro，指仅通过平台界面可用，不提供程序化调用接口的模型，无限制开源权重模型，如AlphaGeometry，\\n是完全开放的，允许自由使用、修改和再分发，非商业开源权重模型，如Mistral Large 2，共享权重，但仅限于研究或非商业目的使用。最后，未发布模型，如ESM3 98B，依然专有，只有其开发人员或选定的合作伙伴才能访问。未知指的是访问类型不明确或未公开的型号。\\n\\n图 1.3.8展示了各类模型发布时所采用的不同访问权限类型。20 2024 年，API访问是最常见的发布类型，61 个模型中有 20 个以这种方式提供，其次是限制使用的开源权重和未发布模型。\\n\\n图 1.3.9从比例维度呈现了机器学习模型访问权限类型的历时演变情况，2024年，大多数人工智能模型是通过API访问发布的（32.8%），这一比例自2020年以来稳步上升。\\n\\n2014-2024年按访问类型划分的标志性人工智能模型数量资料来源：Epoch AI, 2025 \\\\| 图表：2025年人工智能指数报告\\n\\n图 1.3.9 21\\n\\n20，托管访问是指使用第三方远程提供的计算资源服务（如软件、硬件或对等），而不是亲自拥有或管理这些资源或服务。托管访问不是在本地运行软件或基础应用，而是通过云或其他远程服务（通常是互联网）。访问这些资源，例如，通过AWS、谷歌、Cloos或微软Azure等平台的GPU，而不是在自己的硬件上运行GPU，就属于托管访问。\\n21，Epoch数据库中的所有模型并根据访问类型分类，因此图1.3.9的结论可能与本章其他地方的描述不一致并升。\\n\\n目录 第一章预览 50\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.3 标志性人工智能模型\\n\\n2014-2024 年按访问类型划分标志性人工智能模型（占总数百分比）\\n资料来源：Epoch AI, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n在传统的开源软件发布中，所有组件，包括培训代码，通常都会公开。然而，人工智能技术却往往并非如此，即使发布模型权重的开发人员也可能保留培训代码。如图 1.3.10 所示，标志\\n\\n性人工智能模型可按代码开放程度进行分类。2024 年，其中\\n60.7% 的模型在发布时未同步公开训练代码。\\n\\n2014-2024 年按训练代码访问类型划分的标志性人工智能模型数量资料来源：Epoch AI, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n目录 第一章预览 51\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.3 标志性人工智能模型\\n\\n参数发展趋势机器学习模型中的参数是在训练过程中学习到的数值，决定了模型如何解释输入数据和进行预测。参数较多的模型需要更多的数据来训练，但它们可以承担更多的任务，通常优于参数较少的模型。图 1.3.11展示了 Epoch 数据库中机器学习模型的参数数量，并按模型来源的行业进到了分类。图 1.3.12展示了相的数据，但选取了较少的标志性模型。自 2010 年代初以来，模型参数量呈现急剧增长态势，这反映了以下关键因素：架构复杂度持续提升、训练数据日益丰富、硬件设施不断改进，以及大模型效能已获验证。高参数量模型在产业界表现尤为突出，这表现出企业机构具备雄厚资金实力，足以支撑海量数据训练所需的巨额计算成本。下列部分图表：采用对数刻度，以准确反映近年来人工智能模型参数及计算需求的指数级增长态势。\\n\\n2003-2024年按行业划分的标志性人工智能模型参数数量资料来源：Epoch AI, 2025 \\\\| 图表：2025年人工智能指数报告\\n\\n学术界学术界一政府产业界产业界一研究共同体协作产业界一学术界政府研究共同体\\n\\n发布日期\\n\\n图 1.3.11\\n\\n目录第一章预览\\n52\\n\\n* * *\\n\\n第一章：研究与开发\\n1.3 标志性人工智能模型\\n\\n2025年人工智能指数报告\\n\\n2012-2024 年按行业划分的标志性人工智能模型参数数量资料来源：Epoch AI, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n学术界产业界产业界一学术界\\n\\nMegatron-Turing NLG E59B\\nPALM (540B)\\nERNIE3.0 Titan\\nGPT-3 175B (davinci)\\nDeepSeek-V3\\nMistral Large2\\nLlama 2-70B\\nQwen2.5-72B\\n\\n1T\\n100B\\n10B\\n1B\\n100M\\n\\nAlexNet\\nTransformer\\nBERT-Large\\nRoBERTa Large\\n\\n发布日期\\n\\n图 1.3.12\\n\\n目录第一章预览\\n53\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.3 标志性人工智能模型\\n\\n随着模型参数数量的增加，用于训练人工智能系统的数据量也在增加。图 1.3.13 展示了用于训练标志性机器学习模型的数据集规模的增长，2017 年发布并被广泛认为引发了大语言模型革命的 Transformer 模型，是在大约 20 亿个词元的基础上训练出来的，到 2020 年 GPT-3 175B——最初的 ChatGPT\\n\\n的基础模型之——估计是在 3740 亿个词元上训练出来的。相比之下，Meta 的旗舰大语言模型，即 2024 年夏天发布的\\nLlama 3.3，则是在大约 15 万亿个词元上训练出来的。根据\\nEpoch AI的数据，大语言模型训练数据集的规模大约每八个月翻一番。\\n\\n2010–2024 年标志性人工智能模型训练数据集规模资料来源：Epoch AI, 2025 \\\\| 图表：2025 年人工智能数据报告\\n\\n图 1.3.13\\n\\n目录 第一章预览 54\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.3 标志性人工智能模型\\n\\n在越来越大的数据集上训练模型导致训练时间显著延长\\n（图1.3.14）。一些最先进的模型，如 Llama 3.1-405B，需要大约 90 天的时间来训练——这在当今标准下是一个典型的训练周期。谷歌于 2023 年底发布的 Gemini 1.0 Ultra 耗时约 100\\n\\n天。这与 AlexNet 形成了鲜明对比，AlexNet 是首批利用\\nGPU 提高性能的模型之一，在 2012 年仅用五到六天就完成了训练。值得注意的是，AlexNet 的训练硬件远不及后者先进。\\n\\n2010—2024 年标志性人工智能模型训练时长资料来源：Epoch AI, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n图1.3.14\\n\\n目录 第一章预览 55\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.3 标志性人工智能模型\\n\\n算力发展趋势\\n\\n在人工智能模型领域，“compute”(计算资源)特指训练和运行训练器学习模型所需的基础算力资源，通常而言，模型复杂度与训练数据集规模将直接影响所需算力资源的多少。模型复杂度越高，训练数据量越大，其训练过程所需的算力规模就越大，在最终训练运行之前，研究人员会在整个研发阶段进行多次测试运行，虽然单个模型的训练成本相对较低，但多次研发迭代所需的累计费用，以及必要数据集费用，将快速攀升至可观规模，需注意，当前数据仅反映最终训练阶段的成本，而非完整研发流程的总投入。\\n\\n图 1.3.15 展示了近 22 年间标志性机器学习模型所需的训练算力变化情况。值得注意的是，近年来重要人工智能模型的算力消耗已呈现指数级增长态势.$^{22}$ 据 Epoch 估算，标志性人工智能模型的训练算力大约每五个月翻一番，这一趋势在过去五年中尤为明显，算力需求的快速增长具有重要影响。以计算密集型模型为例，其往往会产生更大的环境足迹\\n（environmental footprints），而企业机构通常比学术组织拥有更丰富的计算资源，作为参考，人工智能指数第 2 章分析了计算资源提升与模型性能改进之间关联性。\\n\\n2003-2024 年按行业划分的标志性人工智能模型训练计算量资料来源：Epoch AI 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n学界界产业界—研究共同体\\nIndu try\\n产业界—学术界学术界—政府\\nGov emment\\n研究共同体\\n\\n发布日期\\n\\n图 1.3.15$^{23}$\\n\\n22. FLOP (floating-point operation) 指“浮点运算”。浮点运算是涉及浮点数的一单术运算，如加法、减法、乘法或除法。处理器级计算机能够可执行的 FLOP 数据是衡量计算能力的指标。FLOP 等高等，算法的算力规模，用于进行人工智能模型评估及算法验证了模型开发过程中对算力要求。\\n23. FLOP 通过使用扩展器和调用模式理解模型结构和训练数据算术运算来估算计算量。在这两种方法都不可行的情境下，比如基于深度学习作为模型，通过让模型已经可以利用值准确率预测能力，来求 Epoch 方法的全能评课，参提其基础的文档部分。\\n\\n目录第一章预览\\n56\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.3 标志性人工智能模型\\n\\n图 1.3.16 显示了自 2012 年以来标志性机器学习模型的训练算力需求变化情况，例如，AlexNet 网络是推广使用 GPU\\n改进人工智能模型的标准做法模型之一，其训练估计需要\\n470 petaFLOP。24 2017 年发布的原 Transformer 需要约\\n7,400 petaFLOP, OpenAI 的 GPT-4o，当前最先进的基础模型之一，需要 380亿 petaFLOP。现在，开发尖端人工智能模型需要海量数据、巨额算力及雄厚的资金支持，而这些都是学术界无法获得的。大多数领先的人工智能模型都来自产业界，去年的人工智能指数首次强调了这一趋势。虽然今年的差距略有缩小，但这一趋势依然存在。\\n\\n2012–2024 年按领域划分的标志性人工智能模型训练计算量资料来源：Epoch AI 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\nLanguage Vision Multimodal Claude 3.5 Sonnet Gemini1.5Pro GPT-4o Mistral Large 2 ERNIE 3.0 Titan PILM (54DB) Claude 2 Gwen2.5-72B Megatron-Turing N.G.530B Llama2-70B DeepSeek-V3 GPT-3 175B (davinci) Segment Anything Model RoBERTa Large BERT-Large Transformer AlexNet\\n\\n发布日期\\n\\n图 1.3.16\\n\\n24, petaFLOP (PFLOP) 是一个衡量计算性能的单位。1 PFLOP 相当于每秒四千万亿（10^9）次浮点运算\\n\\n目录 第一章预览 57\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.3 标志性人工智能模型\\n\\n2024年12月，Deep Seek推出了V3模型，引起了广泛关注，尤其是因为该模型在计算资源需求远低于许多领先的大语言模型的情况下，实现了卓越的性能。图1.3.17比较了美国和中国一些标志性机器学习模型的训练计算量，凸显了一个关键趋势：美国顶级人工智能模型的计算量通常远高于中国模型。根据Epoch AI的研究数据，自2021年底以来，中文前十大语言模型的训练算力年均增长约3倍，显著低于2018\\n年以来全球其他地区5倍的年均增速。\\n\\n2018-2024年美国与中国部分标志性人工智能模型训练算力分析资料来源：Epoch AI, 2025 \\\\| 图表：2025年人工智能指数报告\\n\\n图1.3.17\\n\\n目录 第一章预览 58\\n\\n* * *\\n\\n第一章：研究与开发\\n1.3 标志性人工智能模型\\n\\n2025年人工智能指数报告\\n\\n重点：\\n模型训练会面临数据枯竭吗？\\n\\n人工智能系统在算法上取得实质性改进的主要驱动力之一，是在越来越大的数据集上扩展模型及其训练。然而，随着互联网训练数据的日益枯竭，人们越来越担心这种扩展方法的可持续性以及数据瓶颈的可能性，因为在这种情况下，规模收益会逐渐减少。去年的人工智能指数探讨了这场辩论中的各种因素，包括现有互联网数据的可用性以及在合成数据上训练模型的潜力。今年的新研究表明，现有数据存量的持续时间可能比之前预期的要长。\\nEpoch AI更新了之前对人工智能研究人员何时可能耗尽数据的估计。在最新研究中，该团队根据元计数估算了可用于训练模型的有效数据总存量（图 1.3.18）。\\nCommon Crawl，一个常用于人工智能训练的开放式网络爬虫数据库，是人工智能训练中经常使用的网络抓取数据开放存储库，据估计，它包含的词中位数为 130 万亿个、索引网络包含约 510 万亿个词，而整个网络包含约 3100 万亿个词。此外，图片总存量估计为 300 万亿，视频为 1350 万亿。\\n\\n数据存量中位数估计值资料来源：Epoch AI, 2025 \\\\| 图表：2025 年人工智能指数\\n\\n图 1.3.18\\n\\n目录第一章预览\\n59\\n\\n* * *\\n\\n第一章：研究与开发\\n1.3 标志性人工智能模型\\n\\n2025年人工智能指数报告\\n\\n重点：\\n模型训练会面临数据枯竭（续）\\n\\nEpoch AI 研究团队预计，在80%的置信区间内，当前的训练数据存量将在2026年至2032年期间全部用完（图1.3.19），数据耗尽的具体时间受多种因素影响。关键因素之一是数据集规模的历史增长，这取决于互联网用户生成和贡献内容的数量。另一关键因素在于算力使用效率\\n——若采用最优算力配置方案进行模型训练，现有数据存量可支撑更长时间，但是，如果为提升高效推理计算能力\\n\\n而对模型过度训练，则数据存量可能更快耗尽。当人工智能模型被过度训练时，即它们被训练的时间超过了典型的收益递减点，它们可能会实现更高的推理计算效率，也就是说，它们可以使用更少的计算能力来处理提示（进行预测、生成文本等），然而，代价是数据存量（即用于训练模型的数据）的加速消耗。\\n\\n公共文本和数据使用存量的预测资料来源：Epoch AI, 2025 \\\\| 图表：2025年人工智能指数\\n\\nLlama 31-409B\\nDBPX\\nFLAN 137B\\nFalcon-409B\\nPaL.M (5408)\\nGPT-3 1768 (devec)\\n\\n数据存量估计值数据存量完全利用的中位时间点存量完全利用的中位日期\\n\\n图 1.3.19\\n\\n目录第一章预览\\n60\\n\\n* * *\\n\\n第一章：研究与开发\\n1.3 标志性人工智能模型\\n\\n2025年人工智能指数报告\\n\\n重点：\\n模型训练会面临数据枯竭（续）\\n\\n这些预测与 Epoch 早期的估计略有不同，后者曾预测高质量文本数据将在 2024 年耗尽。修订后的预测反映了一种更新后的方法论，该方法结合了新研究，表明网络数据比精选语料库表现更好，且模型可以多次在同一数据集上训练，研究发现，经过精心过滤的网络数据是有效的，\\n且重复训练同一数据集是可行的，这扩展了对可用数据量的估计，因此，Epoch 研究人员推迟了数据耗尽可能发生的时间预测。\\n\\n使用合成数据（即由人工智能模型自身生成的数据）\\n\\n来训练模型也被认为是解决潜在数据短缺的一种方案。\\n2024 年人工智能指数报告指出，这种方法存在局限性，即模型在多次使用合成数据训练后，可能会丢失分布尾部的表现，从而导致模型输出质量下降。这一现象在不同模型架构中均被观察到，包括分自编码器（VAEs），高斯混合模型（GMMs）和大语言模型（LLMs）。然而，最新研究表明，当合成数据与真实数据叠加使用而非完全替代时，模型崩溃现象不会发生。尽管这种叠加不一定会提升性能或降低测试损失（测试损失越低，模型性能越好），但也不会导致像完全替换数据时那样的性能退化（图 1.3.20）。\\n\\n数据积累对在 TinyStories 上预训练的语言模型的影响资料来源：Gentgrasser 等，2024 \\\\| 图表：2025 年人工智能指数报告\\n\\n累计模型联合迭代模型联合迭代\\n\\n图 13.20\\n\\n目录第一章预览\\n61\\n\\n* * *\\n\\n第一章：研究与开发\\n1.3 标志性人工智能模型\\n\\n2025年人工智能指数报告\\n\\n重点：\\n模型训练会面临数据枯竭（续）\\n\\n本年度，高保真合成数据（high-fidelitysynthetic\\ndata）的生成技术取得了进展。然而，合成数据与真实数据总体上仍有区别，与真实数据相比，目前没有可扩展的方法能使大语言模型在合成数据上的训练表现与真实数据相当。斯洛文尼亚研究团队通过多种架构和数据集对比了合成数据与真实数据的训练效果，评估了合成关系数据在保留原始数据的关键特证（“保真度”）和对下游任务的有用性（“实用性”）方面的表现。他们发现，大多数方法生成的合成数据可被系统性识别，尤其在涉及关系信息时更为明显。此外，与真实数据训练的模型相比，其高效注意力通常会下降，但有些方法仍能获得中等偏上的预测分数，在少数实验中，合成数据表现更优，例如使用 Synthetic\\nData Vault (SDV) 合成数据训练 XGBoost 分类器的效果优于沃尔玛数据，平均平方误差(MSE)更低。另有证据表明，合成数据在医疗领域潜力显著：某些模型架构通过合成增强数据集训练，可使分类和预测任务的 F1分数或\\nAUROC（接收者操作特征曲线下面积）在少数类上提升\\n5%–10%，26\\n\\n众所周知，大语言模型会产生幻觉并提供与事实不符的输出结果，因此人们对合成生成数据质量和保真度表示担忧。在对数据集中的幻觉内容进行训练时，模型的输出质量可能加速恶化。为解决这一问题，人们开发了新技术。例如，斯坦福大学和北卡罗来纳大学教堂山分校的研究人员利用自动事实检查和置信度评分来对模型响应对的事实性评分进行排序。这些研究人员推 出 FactTune-FS 方法在事实性改进方面往往优于其他基于\\nRLHF 和解码的方法（图 1.3.21）。此外，Human-inthe-loop 标记首选回答的方法也被用于对齐语言模型，\\n虽然有效，但成本较高。最后，训练前可通过事后过滤和去偏方法剔除合成数据中的异常值。\\n\\n25. AUROC（接收者操作特征曲线下面积）是评估人工智能模型性能的常用指标，尤其适用于分类任务。\\n\\n目录第一章预览\\n62\\n\\n* * *\\n\\n第一章：研究与开发\\n1.3 标志性人工智能模型\\n\\n2025年人工智能指数报告\\n\\n重点：\\n模型训练会面临数据枯竭（续）\\n\\n事实准确性（传记类问题的答案正确率）\\n资料来源：Tian 等，2023 \\\\| 图表：2025 年人工智能指数报告\\n\\n张秉正准确\\n56.90%\\n66.90%\\n75.40%\\n78.30%\\n81.20%\\n70.10%\\n76.00%\\n69.60%\\n74.80%\\n84.60%\\n69.50%\\n0%\\n20%\\n40%\\n60%\\n80%\\n100%\\n\\nLlama-1\\n基础模型和方法图13.21\\n\\n随着合成数据的普及，特别是人工智能生成的网络内容所占比例越来越大，未来的模型将不可避免地在非人类生成的材料上进行训练。虽然合成数据具有近乎无限供应的优势，但要有效地利用合成数据进行模型训练，还需要深入了解其对学习动态和学习效果的影响。数据集扩展的\\n\\n一种方法是数据增强，即通过修改真实数据（如图像倾斜或混合）在保留关键特征的前提下创造新的变化。合成数据生成和数据增强都为增强人工智能模型提供了机会，但其有效运用还需要进一步研究。\\n\\n目录第一章预览\\n63\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.3 标志性人工智能模型\\n\\n推理成本去年的人工智能指数强调了前沿大语言模型系统训练成本的快速上升，今年，除了更新对训练成本的分析外，该指数还研究了前沿系统的推理成本是如何随时间推移而变化的。推理成本指查询已训练模型所需的费用，通常以每百万词元的美元价格衡量。人工智能词元定价数据来自 Artificial Analysis 和\\nEpoch AI 的 API 定价专数据库，报告格为输入与输出词元价格的 3:1 加权平均值为分析推理成本。人工智能指数与 Epoch 合作测量了在固定人工智能性能阈值下成本的下降情况。这种标准化方法有助于更精确的比较，虽然新模型价格可能更高，但其性能也显著提升——若直接与性能较低的老模型比较，可能掩盖真实趋势：单位美元获得的人工智能性能已大幅提高。\\n\\n例如，在 MMLU 测试（评估语言模型性能的常用比较基准）中达到 GPT-3.5 水平 (64.8 分)的模型，其推理成本从 2022 年 11 月的每百万词元 20 美元降至 2024 年 10\\n月的 0.07 美元 (Gemini-1.5-Flash-8B)，约 1.5 年内下降超 280 倍。在 GPQA (比 MMLU 更具挑战性的比较基准) 上得分超过 50% 的模型的成本也呈现出类似的趋势，在这方面，推理成本从 2024 年 5 月的每百万词元 15 美元降至同年 12 月的 0.12 美元 (Phi 4)。Epoch AI 估计，根据任务不同，大语言模型的推理成本正以每年 9 至 900 倍的速度下降。\\n\\n2022-2024 年选定的比较基准的推理成本资料来源：Epoch AI, 2025; Artificial Analysis, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\nGPT-3.5 level+ 在多项语言理解任务(MMLU)\\nGPT-4 level+ 在代码生成任务(HumanEval)\\n\\nGPT-40 level+ 在博士研究生问题测试(GPQA Diamond)\\nGPT-4 level+ 在 LMSYS Chatbot Arena Elo\\n\\n发布日期\\n\\n1.3.22\\n\\n目录第一章预览\\n64\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.3 标志性人工智能模型\\n\\n实现特定性能水平的推理成本已显著下降，但最先进模型仍比前文提及的其它模型更贵。图 1.3.23 展示了 OpenAI、Meta 和 Anthropic 等开发商的领先模型每百万词元的成本。26 这些顶级模型的定价通常高于同公司的较小模型，反映了尖端性能所需的溢价。\\n\\n选定的模型的输出价格（每百万词元）\\n资料来源：Artificial Analysis, 2025 图表：2025 年人工智能数据报告\\n\\n训练成本围绕基础模型经常讨论的是其高昂的训练成本。虽然人工智能公司很少披露确切数字，但据广泛估计，成本高达数百万美元计，而且还在持续上升。但普遍估计成本已达数百万美元计且持续攀升。例如，OpenAI CEO Sam Altman 透露GPT-4 训练费用超 1 亿美元；2024 年 7 月 Anthropic CEO Dario Amodei 指出，已投入约 10 亿美元规模的训练成本，较新的 DeepSeek-V3 据报成本较低（约 600 万美元），但总体而言训练仍极其昂贵。27\\n了解与训练人工智能模型相关的成本仍然很重要，但详细的成本信息仍然很少，去年，人工智能指数发布了对基础模型训练成本的初步估算，人工智能指数再次与 Epoch AI 合作，更新并完善了这些估算，为了计算尖端模型的成本，Epoch 团队根据论文、新闻稿和技术报告中的信息，分析了培训时间、硬件类型、数据和使用率等因素。28\\n\\n26. 该指数直显显示了2025年2月公开定价的部分先导型。自发布以来，更新的模型可能已经发布，定价也可能发生变化。\\n27. 一份指南对 DeepSeek-V3 的规定将做出了解释，认为如果聘员工工资，资本支出和投资费用考虑在内，实现开发成本提高得多。\\n28. 有关 Epoch 研究方法的结论则参见本文。\\n\\n目录 第一章预览 65\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.3 标志性人工智能模型\\n\\n图 1.3.24 显示了根据云计算租赁价格估算的部分人工智能模型的相关训练成本,图 1.3.25 则呈现了人工智能指数掌握的所有模型训练成本估算。\\n\\n人工智能指数的估算验证了人们的猜测，即近年来模型训练成本大幅增加，例如，2017年提出的 Transformer模型，该架构支撑了几乎所有现代大语言模型，训练成本约为 670 美元；2019年发布的 RoBERTa Large，在 SQuAD 和 GLUE 等经典理解比较基准中达到当时最优水平，训练成本约 16 万美元；至2023年，OpenAI 的 GPT-4 训练成本估算已达 7900 万美元。\\n\\n2024 年 Epoch 在少数可估算成本的模型中，发现 Llama\\n3.1-405B 的训练成本约 1.7 亿美元。随着人工智能领域的竞争日趋激烈，企业对其训练过程的披露越来越少，使得估算计算成本变得越来越困难。正如之前的人工智能指数报告所指出的人，人工智能模型的训练成本与其计算需求之间存在直接的关系。如图 1.3.26 所示，计算需求更高的模型训练成本显著增加。\\n\\n2019—2024 年选定的人工智能模型估计训练成本资料来源：Epoch AI, 2024 \\\\| 图表：2025 年人工智能指数报告\\n\\n图 1.3.24 29\\n\\n29. 本节中介绍的费用数字是经过通信智能调整的。\\n\\n* * *\\n\\n第一章：研究与开发\\n1.3 标志性人工智能模型\\n\\n2025年人工智能指数报告\\n\\n2016-2024 年选定的人工智能模型训练成本估算资料来源：Epoch AI 2024 \\\\| 图表：2025 年人工智能指数报告\\n\\n训练成本（以亿元为单位）\\\\- 对数刻度）\\nGNMT\\nXception\\nJFT\\nBigGAN-deep SID-SI2\\n\\n2016 2017 2018 2019 2020 2021 2022 2023 2024\\n发布日期\\n\\n1.3.25\\n\\n选定的人工智能模型训练成本估算及算力资料来源：Epoch AI 2024 \\\\| 图表：2025 年人工智能指数报告\\n\\n训练成本（以亿元为单位）\\\\- 对数刻度）\\nUNIVERSITY OF WASHINGTON\\nRuBERTa Large\\n\\n10M 100M 1B 10B 100B\\n\\n训练算力（千兆浮点运算次数 \\\\- 对数刻度）\\n\\n1.3.26\\n\\n目录 第一章预览 67\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.4 硬件\\n\\n硬件进步对推动人工智能发展具有关键作用，虽然扩大模型规模和使用更大数据集训练带来了显著性能提升，但这也进展主要得益于硬件的改进——尤其是更强大，更高效的 GPU（图形处理器）的发展，GPU加快了复杂计算的速度，使模型能够并行处理海量数据并显著缩短训练时间。本节利用 Epoch AI 的数据分析机器学习硬件的主要趋势及其对人工智能发展的影响。\\n\\n虽本节目前强调的是计算性能 (FL/Pi6)，但网络带宽 (GPU) 的通信速度同样至关重要。虽然有关数据中心网络带宽的数据有限，但来来版本的人工智能指数致力于纳入这两方面的信息。\\n\\n1.4 硬件概览\\n\\n图 1.4.1展示了不同精度类型的机器学习硬件的峰值计算性能，其中精度是指计算中用于表示数值（尤其是浮点数）的比特数。精度的选择取决于具体目标。例如，低精度硬件需要的比特数更少，内存带宽更低，是优化计算速度和能效的理想选择。这尤其有利于边缘 / 移动设备的人工智能模型或推理速度优先的场景。另一方面，精度更高的硬件可以保留更高的数值准确率，因此对于科学计算和对精度误差敏感的应用至关重要。在下图可视化的精度中，FP32 精度最高，TF32 为高精度，Tensor-FP16/BF16 和 FP16 则是为速度与效率优化的低精度格式。\\n\\nEpoch 估计以 16 位浮点运算为单位，机器学习硬件的运算能力在 2008-2024 年间的年增长率约为 43%，每 1.9 年翻一番。据 Epoch 分析，这一进步源于晶体管数量增加、半导体制造工艺改进以及人工智能专用硬件的发展。\\n\\n2008-2024 年不同精度下机器学习硬件的峰值计算性能资料来源：2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数报告\\n\\n发布日期\\n\\n图 14.1\\n\\n目录第一章预览\\n68\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.4 硬件\\n\\n主流机器学习硬件的性价比持续提升。图1.4.2展示了部分英伟达数据中心 GPU 的性能，这些都是人工智能训练最常用的，单位为每秒 FLOP,图1.4.3显示了这些 GPU 的性价比，单位为每美元每秒 FLOP,例如，2022年3月发布的H100 图形处理器，达到每美元每秒220亿FLOP,性价比约为A100\\n\\n(2020年6月推出)的1.7倍,P100(2016年4月发布)的16.9倍。据Epoch估算，性能水平固定的硬件成本每年下降30%，这使得人工智能训练越来越经济实惠、可扩展，并有利于模型改进。\\n\\n英伟达数据中心 GPU 在机器学习方面的领先性能资料来源：Epoch AI,2024\\\\|图表：2025年人工智能指数报告\\n\\n1x10¹⁵\\n0.8x10¹⁵\\n0.6x10¹⁵\\n0.4x10¹⁵\\n0.2x10¹⁵\\n0\\n1.87x10¹³\\nP100\\n2016\\nV100\\n2017\\nA100\\n2020\\nH100\\n2022\\n\\n硬件\\n\\n图142\\n\\n目录第一章预览\\n69\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.4 硬件\\n\\n图 1.4.4 基于 Epoch AI 标志性机器学习模型数据集，统计了训练这些模型所使用的硬件。截至2024年，最常用的硬件是 A100（6个模型使用），其次是 V100。使用 H100训练的模型数量正在快速增长，2024年底已达 15 个。\\n\\n机器学习领域领先的英伟达数据中心 GPU 的性价比资料来源：Epoch AI, 2024 \\\\| 图表：2025 年人工智能指数报告\\n\\nP100\\n1.30×10⁹\\nV100\\n6.70×10⁹\\nA100\\n1.30×10⁹\\nH100\\n2.20×10⁹\\n每秒每美元的 FLOP\\n\\n图 14.3\\n\\n机器学习领域领先的英伟达数据中心 GPU 的性价比资料来源：Epoch AI, 2024 \\\\| 图表：2025 年人工智能指数报告\\n\\n发布日期\\n\\n图 14.4\\n\\n目录第一章预览\\n70\\n\\n* * *\\n\\n第一章：研究与开发\\n1.4 硬件\\n\\n2025年人工智能指数报告\\n\\n重点：\\n能源效率和环境影响\\n\\n训练人工智能系统需要大量能源，因此机器学习硬件的能效是一个关键因素。Epoch AI 报告称，随着时间的推移，机器学习硬件的能效越来越高，提高约40%，图1.4.5展示了Tensor-FP16精度硬件的能效（以每瓦 FLOP 计量）。\\n\\n例如，2024年3月发布的英伟达B100能效达2.5万亿FLOP/瓦，而2016年4月发布的P100仅为740亿FLOP/瓦，这意味着B100的能效是P100的33.8倍。\\n\\n2016-2024年领先机器学习硬件的能效资料来源：Epoch AI, 2025 \\\\| 图表：2025年人工智能指数报告\\n\\n发布日期\\n\\n图145\\n\\n目录第一章预览\\n71\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.4 硬件\\n\\n重点：\\n能源效率和环境影响\\n\\n尽管人工智能硬件的能效有了很大提高，但训练人工智能系统所需的总功耗仍在快速上升。图1.4.6展示了训练各种最先进人工智能模型的总功耗（以瓦为单位）。例如，2017年提出的原 Transformer模型功耗约为4,500\\n瓦，而谷歌早期旗舰大语言模型 PeLM 功耗达260万瓦，\\n是 Transformer 的近600倍。2024年夏季发布的 Llama\\n3.1-405B功耗达2,530万瓦，较原 Transformer增长超\\n5,000倍。根据 Epoch AI，训练标志性人工智能模型所需的功耗每年翻一番。人工智能模型能耗的持续增长反映了其训练过程中对越来越大数据集的依赖趋势。\\n\\n不难理解，随着时间的推移，用于训练人工智能系统的总电量在增加，模型排放的碳量也在增加，决定人工智能系统碳排放量的因素很多，包括模型中的参数数量、数据中心用电效率(PUE)以及电网碳强度。30\\n\\n2011-2024 年训练前沿模型所需的总功率消耗资料来源：Epoch AI, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n30.电力使用效率 (PUE) 是用于评估数据中心效能的一个指标。计算公式为数据中心应耗(含制冷)与 IT 设备能耗之比。PUE 值越高，数据中心的效率越低。\\n\\n目录第一章预览\\n72\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.4 硬件\\n\\n重点：\\n能源效率和环境影响（续）\\n\\n图 1.4.7 展示了按发布年份排序的部分人工智能模型的碳排放量，为了估算这些排放量，人工智能指数使用了模型开发者公布的碳数据，并辅以广泛使用的在线人工智能训练排放量计算器的测算结果。由于多数开发者未披露模型碳足迹，这一补充计算十分必要。该计算器根据训练所用硬件类型、总培训时间、云服务商和训练地区来估算排放量。31\\n\\n随着时间的推移，训练标志性人工智能模型所产生的碳排放量稳步上升。虽然 AlexNet 的排放量可以忽略不计，但据报道，GPT-3(2020 年发布)在训练期间的碳排放量约为 588 吨，GPT-4 (2023 年)的排放量为 5184\\n吨，Llama 3.1 405B (2024 年)的排放量为 8930 吨。\\n2024 年发布的 DeepSeekV3，其性能与 OpenAI 的 o1相当，估计其排放量与五年前发布的 GPT-3相当，作为参照，美国人平均每人每年的碳排放量为 18.08 吨。\\n\\n2012–2024 年特定人工智能模型及实际活动产生的碳排放量估算资料来源：Epoch AI, 2021 图表, 2026 年人工智能指数报告\\n\\n航空旅行（名录卷，国内航班旧金山）：0.99\\n人类入境事件（1张），6.58\\n美国入境事件（1张），6.08\\n汽车使用（金燃油，平均车辆使用量）：63\\n\\n图14.7\\n\\n31. 人工智能指数从各种在线来源获取了排放计算器的输入数据，如训练操作和持续时间。为了验证计算器的准确率，我们将计算器的估计值与开发人员提供的实际排放量进行了比较，发现结果基本一致。完整的方法详见附录。\\n\\n* * *\\n\\n第一章：研究与开发\\n1.4 硬件\\n\\n2025年人工智能指数报告\\n\\n重点：\\n能源效率和环境影响(续)\\n\\n选定的人工智能模型估算的碳排放量及参数数量资料来源：Epoch AI, 2025 \\\\| 图表：2025年人工智能指数报告\\n\\n1T\\n1B\\n\\nDeepSeek v3\\nLlama 31.409B\\nMegatron-Suring NLG\\nGLM-500B GPT-3\\nFalcon-800B\\n\\nAlexNet\\nVGG15\\nBERT-Large\\nRoBERTa Large\\n\\n碳排放量（二氧化碳当量吨 \\\\- 对数刻度）\\n\\n图14.8\\n\\n目录第一章预览\\n74\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.5 人工智能会议\\n\\n人工智能会议是研究人员展示研究成果、协同和合作者建立联系的重要平台，在过去二十年，这部会议的规模、数据和影响力都在不断扩大。本节将探讨主要人工智能会议的参会趋势。\\n\\n1.5 人工智能会议参会规模图1.5.1展示了2010年以来部分人工智能会议的参会人数。\\n2020年，新冠疫情迫使会议在线举行，参会人数显著增加，随后，可能由于会议恢复到线下形式，参会人数有所下降，2022\\n年参会人数恢复到疫情前的水平。此后，参会人数稳步增长，\\n2023至2024年增幅达21.7%，自2014年起，年参会人数增长超6万，既反映人工智能研究热度上升，也体现新会议涌现。神经信息处理系统大会(NeurIPS)仍是最受欢迎的人工智能会议，2024年吸引近2万名参会者(图1.5.2-1.5.3)，在主要的人工智能会议中，NeurIPS, CVPR, ICML, ICRA, ICLR, IROS 和\\nAAAI去年的参会人数都有所增加。\\n\\n2010–2024 年期间部分人工智能会议参会情况资料来源：Artificial Analysis, 2025 \\\\| 图表：2025年人工智能数据报告\\n\\n图1.5.1\\n\\n32。对于近年来许多会议采用虚拟或混合形式举办的情况，这些数据应谨慎解读。会议调研方指出，由于虚拟会议使得全球研究的参与更为便利，准确统计线上会议上出席的人数存在困难。AI Index报告中的总出让人数涵盖了虚拟参会、混合参会和线下参会三种形式。本次计算覆盖的会议包括：AAAI, AAMAS, CVPR, EMNLP, FAccT, ICAPS, ICCV, ICLR, ICML, ICRA, LCAI, IROS, KR, NeurIPS/UAI等人工智能领域重要会议。\\n\\n* * *\\n\\n第一章：研究与开发\\n1.5 人工智能会议\\n\\n2025年人工智能指数报告\\n\\n2010-2024 年大型会议的参会人数资料来源：AI Index，2024\\\\|图表：2025年人工智能指数报告\\n\\n参会人数（亿计）\\n19.76, NeurIPS\\n15.00, CVRPI\\n9.30, ICML\\n6.53, ICLR\\n5.55, AAAI\\n3.50, EMNLP\\n\\n图18.233\\n\\n2010-2024 年小型会议的参会人数资料来源：AI Index，2024\\\\|图表：2025年人工智能指数报告\\n\\n参会人数（亿计）\\n2.84, UCAI\\n0.63, AAMAS\\n0.43, UDI\\n0.24, ICAPS\\n\\n图15.3\\n\\n33、2021年ICML参会人数大幅提升，可能源自由于该年的会议线上举行的。\\n\\n目录 第一章预览 76\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.6 开源人工智能软件\\n\\nGitHub 是一个基于 Web 的平台，使个人和团队能够托管、审查和协作代码库，作为软件开发者广泛使用的工具。GitHub 提供代码管理、项目协作和开源软件支持功能，本节基于来自 GitHub 的数据，深入分析论文数据中未反映的开源人工智能软件开发的广泛趋势，34\\n\\n1.6 开源人工智能软件开源人工智能软件项目\\n\\nGitHub 项目由一系列文件组成，包括源代码、文档、配置文件和图像，这些文件共同构成了一个软件项目。图 1.6.1 显示了随着时间推移 GitHub 人工智能项目的总数的变化。35 自 2011 年以来，与人工智能相关的 GitHub 项目数量持续增长，从 2011年的 1,549 个增至 2024年的约 430 万个，值得注意的是，仅去年一年，GitHub 人工智能项目总数激增了 40.3%。\\n\\n2011—2024 年 GitHub 上的人工智能项目数量资料来源：GitHub，2024 \\\\| 图表：2025 年人工智能指数报告\\n\\n图 16.1\\n\\n34. 今年 GitHub 更新了其方法，以缓解更广泛的人工智能相关主题，包括更多数据发展。因此，今年的人工智能指数数字的数据可能以及注册本的数据不对齐。中国研究人员已经使用 GitHub 以供其他网站共享代码、敬 Gee 和 GitCode，但未来是否包括这些码的数据，究竟的方法说明呢？\\n35. GitHub 使用人工智能主题分类方法来识别的人工智能相关的知识，有关方法的详细信息，请参阅附录。\\n\\n目录 第一章预览 77\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.6 开源人工智能软件\\n\\n图 1.6.2展示了 2011 年以来 GitHub 人工智能项目的地理分布，截至 2024 年，美国贡献了 23.4% 的 GitHub 人工智能项目，占比最高；印度以 19.9% 位居第二，欧洲以 19.5% 紧随其后。值得注意的是，自 2016年起，美国开发者在 GitHub 开源人工智能项目中的占比持续下降，近年趋于稳定。\\n\\n2011-2024 年按地理区域划分的 GitHub 人工智能项目占比资料来源：GitHub, 2024 \\\\| 图表：2025 年人工智能指数报告\\n\\n60%\\n50%\\n40%\\n30%\\n20%\\n10%\\n0%\\n2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024\\n\\n35.43%，全球其他地区\\n23.42%，美国\\n19.15%，欧洲\\n2.08%，中国\\n\\n图 16.2\\n\\n目录 第一章预览 78\\n\\n* * *\\n\\n第一章：研究与开发\\n1.6 开源人工智能软件\\n\\n2025年人工智能指数报告\\n\\n星标\\nGitHub 用户可通过“加星 (starring)”功能表达对代码仓库的关注，类似于社交媒体点赞，代表对开源项目的支持，最受关注的仓库包括 TensorFlow、OpenCV、Keras 和 PyTorch\\n等库，这些项目不仅在人工智能领域，更在整个开发者社区中广受欢迎。TensorFlow、Keras 和 PyTorch 是构建和部署机器学习模型的常用库，而 OpenCV 则提供计算机视觉相关工具。\\n\\n如目标检测和特征提取。\\nGitHub 上人工智能相关项目的星标总数持续增长，从\\n2023年的 1,400 万增至 2024年的 1,770 万（图 1.6.3）。36 此前 2022 至 2023 年间星标数已实现翻倍激增。\\n\\n2011-2024 年人工智能项目在 GitHub 上的星标数量资料来源：GitHub \\\\| 图表：2025 年人工智能指数报告\\n\\n图 18.3\\n\\n36. 图 1.6.3 显示年度新增星标数，图表历史累计总量。\\n\\n目录 第一章预览 79\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.6 开源人工智能软件\\n\\n2024年，美国在 GitHub 星标数统计中位居全球首位，总计达 2110 万（图 1.6.4）。所有被抽样调查的主要地理区域，包括欧洲、中国和印度，其本国项目在 GitHub 上获得的星标数量均较上年同期有所增长。\\n\\n2011-2024 年按地理区域划分的 GitHub 星标数量资料来源：GitHub, 2024 \\\\| 图表：2025 年人工智能指数报告\\n\\n图 16.4\\n\\n目录第一章预览\\n80\\n\\n* * *\\n\\nAI\\n2025年人工智能指数报告\\n\\n第二章：\\n技术性能\\n\\n* * *\\n\\n第二章：技术性能\\n\\n概述 84\\n章节要点 85\\n2.1 2024 年人工智能技术发展概览 87\\n时间表：重要模型和数据集发布 87\\n人工智能性能状况 93\\n总体回顾 93\\n闭源权重模型与开源权重模型的对比 94\\n美国与中国技术性能对比 96\\n小型模型性能提升 98\\n前沿模型性能趋同 99\\n人工智能基准比较 100\\n2.2 语言 103\\n语言理解 104\\nMMLU：大规模多任务语言理解 104\\n生成任务 105\\nChatbot Arena Leaderboard 105\\nArena-Hard-Auto 107\\nWildBench 108\\n重点： o1, o3, 与推理时间计算 110\\nMixEval 112\\nRAG: 检索增强生成 113\\nBerkeley Function Calling Leaderboard 113\\nMTEB: 大规模文本嵌入式比较基准 115\\n重点： 长上下文检索评估 117\\n2.3 图像与视频 119\\n理解能力 119\\n\\nVCR: 视觉常识推理 119\\nMVBench 120\\n生成能力 122\\nChatbot Arena: 视觉 123\\n重点： 视频生成的崛起 124\\n2.4 语音 126\\n语音识别 126\\nLSR2: Lip Reading Sentences 2 126\\n2.5 编程 128\\nHumanEval 128\\nSWE-bench 129\\nBigCodeBench 130\\nChatbot Arena: 编程能力测评 131\\n2.6 数学 132\\nGSM8K 132\\nMATH 133\\nChatbot Arena: 数学能力测评 134\\nFrontierMath 134\\n重点： 学习与定理证明 136\\n2.7 推理 137\\n通用推理 137\\nMMMU: 面向专家级 AGI 的大规模多学科\\n\\n多模态理解与推理基准 137\\nGPQA: A Graduate-Level Google-Proof\\nQ&A Benchmark 138\\nARC-AGI 139\\nHumanity’s Last Exam（人类终极考试，HLE）141\\n规划 143\\nPlanBench 143\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能（续）\\n\\n2.8 AI 智能体 144\\n\\nVisualAgentBench\\nRE-Bench\\n\\n144\\n145\\n\\nRE-Bench 145\\nGAIA 147\\n\\nGAIA\\n2.9 机器人与自主运动\\n\\n148\\n\\n2.9 机器人与自主运动 148\\n机器人 148\\n\\nRLBench\\n\\n148\\n\\nRLBench 148\\n重点：人形机器人 150\\n重点：DeepMind 的进展 151\\n\\n重点：DeepMind 的进展\\n重点：机器人基础模型自动驾驶汽车\\n发展\\n技术创新与新比较基准\\n安全标准\\n\\n重点：DeepMind 的进展 151\\n154\\n155\\n155\\n156\\n157\\n\\n安全标准 157\\n\\n获取公共数据\\n\\n* * *\\n\\n第二章：\\n\\n技术性能\\n\\n概述\\n\\n本年度的人工指数报告技术性能章节全面概述了 2024 年人工智能领域的主要进展。开篇从宏观层面总结了人工智能技术发展动态，涵盖重大人工智能技术发布、人工智能能力现状以及关键趋势——包括开源权重模型性能提升、前沿模型性能趋同，\\n以及中国大语言模型的质量改进。随后，本章节详细分析了各类人工智能能力的当前发展水平，涉及语言理解与生成、检索增强生成、编程、数学、推理、计算机视觉、语音以及代理型人工智能。今年新增了对机器人与自动驾驶汽车性能趋势的扩展分析。\\n\\n* * *\\n\\n第二章：\\n技术性能\\n\\n章节要点\\n\\n1. 人工智能达成新比较基准的速度比以往任何时候都快。2023 年，研究人员推出了 MMMU、GPQA 和 SWE-bench 等多个具有挑战性的新比较基准，旨在测试日益强大的人工智能系统极限。到 2024 年，人工智能在这些比较基准上的表现取得显著突破：MMMU 和 GPQA 测试成绩分别提升 18.8 和 48.9 个百分点；更引人注目的是，在 SWE-bench 编程测试中，人工智能系统的解题能力从 2023 年仅能解决 4.4% 的问题，跃升至 2024 年的 71.7%。\\n\\n2. 开源模型迎头赶上。根据去年发布的人工智能指数报告，领先的开源模型曾大幅落后于闭源模型。而到 2024 年，这一差距已基本消失。具体来看，2024 年 1 月初，在 Chatbot Arena Leaderboard 上，顶尖闭源模型的性能优势为 B46+避 2025 年\\n 2 月，这一差距已缩小至 1.7%。\\n\\n3. 中美人工智能模型能力差距缩小。2023 年，美国顶尖人工智能模型性能曾大幅领先中国同类产品，但这一态势现已改变。数据显示：截至 2023 年底，在 MMLU、MMMU、MATH 和 HumanEval 等比较基准中，中美模型的性能差距分别为 17.5、13.5、\\n 24.3 和 31.6 个百分点；而到 2024 年末，这些差距已大幅收窄至 0.3、8.1、1.6 和 3.7 个百分点。\\n\\n4. 前沿的人工智能模型的性能趋于收敛。根据去年的人工智能指数，Chatbot Arena Leaderboard 上排名第一与第十的模型间\\n Elo 分数差已从去年的 11.9% 收窄至 2025 年初的 5.4%。同样，排名前两位的模型之间的差距也从 2023 年的 4.9% 缩小到\\n 2024 年的 0.7%。人工智能领域的竞争日趋激烈，如今有越来越多的开发者推出了高质量的模型。\\n\\n5. 予专了予7予个主专&不之主乎争予专，显著提升模型性能。2024 年，OpenAI 推出的 o1、o3 等模型采用迭代式输出推理架构。这种测试时计算方法极大地提高了模型的性能，o1 在国际数学奥林匹克资格考试中获得了 74.4% 的高分，\\n GPT-4o 只有 9.3%。但该技术存在代价，o1 的运算成本激增至 GPT-4o 的 6 倍，推理速度则降低 30 倍。\\n\\n\\n* * *\\n\\n第二章：\\n技术性能\\n\\n章节要点（续）\\n\\n6. 更具挑战性的比较基准不断被提出。MMLU、GSM8K 和 HumanEval 等传统人工智能比较基准已趋近饱和，加上 MMMU 和\\n GPQA 等更新的更具挑战性的比较基准表现持续提升，促使研究人员探索更多针对领先人工智能系统的评价方法。其中值得注意的有人类最后的考试（Humanity's Last Exam），这是一项严格的学术测试，最先进的人工智能系统的得分率仅为 8.80%；前沿数学（\\n Frontier Math），这是一项复杂的数学比较基准，人工智能系统仅解决了 2% 的问题；“BigCodeBench”这是一项编码比较基准，\\n 人工智能系统的成功率仅为 35.5%，远低于人类 97% 的水平。\\n\\n7. 高质量人工智能视频生成模型实现重大突破。2024 年，多款能够根据文本输入生成高清视频的先进人工智能模型相继问世，其中包括 OpenAI 的 SORA、Stable Video Diffusion 3D 和 4D、Meta 的 Movie Gen，以及谷歌 DeepMind 的 Veo 2。与 2023 年的视频生成模型相比，这些新一代模型在画质表现上取得显著提升。\\n\\n8. 小型模型展现更强性能。2022 年，在 MMLU 比较基准中达到 60% 以上分数的最小模型是拥有 5400 亿参数的 PaLM；而到\\n 2024 年，微软推出的 Phi-3-mini 仅用 38 亿参数就实现了相同水平——相当于两年间参数规模缩减了 142 倍。\\n\\n9. 复杂推理仍是人工智能面对的难题。尽管通过思维链（Chain-of-Thought）等推理机制的引入显著提升了大语言模型的性能，这些系统仍无法可靠解决本可通过逻辑推理获得确定性答案的问题——包括数学运算和任务规划等，尤其当问题规模超出其训练范围时。这一缺陷严重影响了人工智能系统的可信度，使其难以胜任高风险场景的应用需求。\\n\\n10. 人工智能智能体展现初步潜力。2024 年推出的 RE-Bench 基准为评估 AI 智能体的复杂任务能力建立了严格标准。在短时任务\\n （2 小时时限）中，顶级人工智能系统的得分可达人类专家的 4 倍；但随着时间延长至 32 小时，人类表现反超人工智能系统，得分达到 2:1 的优势。AI 智能体已在特定领域，如编写 Triton Kernels，达到人类专业水平，且能更快、更低成本地产出结果。\\n\\n\\n* * *\\n\\n第二章：技术性能\\n\\n2.1 2024 年人工智能技术发展概览\\n\\n本章节首先对 2024 年发布的重要模型进行了高度概述，并回顾了当前人工智能技术性能的现状。\\n\\n2.1 2024年人工智能技术发展概览\\n\\n时间表：重要模型和数据集发布\\n\\n根据人工智能指数指导委员会的评选，以下是 2024 年最标志性的模型与数据集发布\\n\\n| 日期 | 名称 | 类别 | 创建者 | 意义 | 图片 |\\n| --- | --- | --- | --- | --- | --- |\\n| 2024年1月19日 | Stable LM 2 | 大语言模型 | Stability AI | Stability AI 的最新语言模型基于 Stable LM 改进，性能显著提升。该模型仅16亿参数，专为笔记本电脑和智能手机等便携设备高效运行而设计。 | stability.ai图 2.1.1资料来源：Wikipedia, 2025 |\\n| 2024年2月8日 | Aya 数据集 | 数据集 | Cohere for AI、北京智源研究院、Cohere、宾汉姆顿大学 | 作为 Cohere 的 Aya 计划的一部分，发布了一个包含 114 种语言 5.13 亿条提示完整比对的数据集。该论文及配套数据集标志着多语言指令微调领域的重大突破。 | Aya图 2.1.2资料来源：Cohere, 2025 |\\n| 2024年2月15日 | Gemini 1.5 Pro | 大语言模型 | 谷歌 DeepMind | Gemini 模型凭借 100 万词元的上下文窗口刷新行业基准，远超 GPT-4 Turbo 的 12.8 万词元限制。 | Introducing Gemini 1.5 Pro图 2.1.3资料来源：谷歌, 2024 |\\n| 2024年2月20日 | SDXL -Lightning | 文生图 | 字节跳动 | 由 TikTok 开发方字节跳动推出，是当时最快的文生图系统之一，可在 1 秒内生成高质量合成图像。其速度通过渐进对抗蒸馏技术实现，而非传统的基于扩散的方法。 | 图 2.1.4资料来源：Hugging Face, 2025 |\\n| 2024年3月4日 | Claude 3 | 大语言模型 | Anthropic | Anthropic 最新的 大语言模型在几乎所有行业的基准比较中都优于 GPT-4 和 Gemini，显著减少错误拒绝率并提高准确性。 | 图 2.1.5资料来源：Anthropic, 2025 |\\n\\n* * *\\n\\n第二章：技术性能\\n\\n2.1 2024 年人工智能技术发展概览\\n\\n| 2024年3月17日 | Inflection-2.5 | 大语言模型 | Inflection AI | Inflection 旗舰产品“PI”搭载该模型，仅用GPT-4 40%的计算资源即实现同等性能。发布两周后，微软以6.5亿美元收购Inflection。 |\\n| --- | --- | --- | --- | --- |\\n| 2024年3月19日 | Moirai与LOTSA | 模型/数据集 | Salesforce | Salesforce发布通用预测基础模型Moirai，及跨9大领域，包含270亿观测值的时序数据集LOTSA。 |\\n| 2024年3月27日 | DBRX | 大语言模型 | Databricks | Databricks开源的专家混合模型（MoE），性能超越Mixtral和Grok等同类小型MoE模型。该仅含解码器的Transformer，模型拥有1320亿参数（每输入激活368亿），训练数据达12万亿词元。 |\\n| 2024年4月2日 | Stable Audio 2 | 文生曲/曲生曲 | Stability AI | 最新版本的Stable Audio是Stability的AI歌曲生成器，新增支持音频到音频功能。用户可以上传歌曲，并使用自然语言提示进行操作，实现定制歌曲。 |\\n| 2024年4月17日 | Llama 3 | 大语言模型 | Meta | Llama 3系列首发80亿及700亿参数文本模型，成为同规模性能最优模型之一。 |\\n| 2024年5月13日 | GPT-4o | 多模态 | OpenAI | GPT-4o是一种新型多模态模型，支持文本、音频、图像和视频任意组合的输入与输出，它对音频的响应时间短至320毫秒，与人类的反应时间相当。 |\\n\\n图 2.1.6\\n资料来源: Inflection, 2025\\n\\n图 2.1.7\\n资料来源: Salesforce, 2025\\n\\n图 2.1.11\\n资料来源: OpenAI, 2024\\n\\n* * *\\n\\n第二章：技术性能\\n\\n2.1 2024 年人工智能技术发展概览\\n\\n| 2024年6月7日 | Qwen2 | 大语言模型 | 阿里巴巴 | 阿里巴巴开发的 Qwen2 系列包含基础模型和指令微调模型，在多项比较基准中性能媲美 Llama 3-70B 和 Mixtral-8x22B 等竞品。 |\\n| --- | --- | --- | --- | --- |\\n| 2024年6月17日 | Runway Gen-3 | 文生视频/图生视频 | 跑道Runway | Runway 升级版视频生成模型为行业树立新标杆，特别擅长生成具有生动表情的逼真人像。 |\\n| 2024年7月23日 | Llama 3.1405B | 大语言模型 | 梅塔Meta | Meta发布迄今最大模型 Llama3.1 系列最终版，4050亿参数，成为当时公开可用的最强基础模型，性能比肩众多闭源权重模型。 |\\n| 2024年8月12日 | Falcon Mamba | 大语言模型 | 阿布扎比技术创新研究所 | 基于 Mamba 状态空间语言模型（State Space 语言模型，SSLM）架构开发的 70亿参数 Falcon 模型，作为少数由政府机构研发的人工智能模型之一，通过动态参数调整机制和输入信息过滤功能，在运算效率上显著超越传统基于 Transformer 架构的同类模型。 |\\n| 2024年8月13日 | Grok-2 | 文生文/文生图 | xAI | Grok 由 xAI开发，一个高级文本和图像生成模型，在图像创建、高级推理和问题解决方面表现突出。它的发布引人注目，尽管 xAI 在2023年3月才成立，但它的技术性能很快就能与领先机型相媲美。 |\\n\\n图 2.1.12\\n资料来源: Qwen, 2024\\n\\n图 2.1.13\\n资料来源: Runway, 2024\\n\\n图 2.1.14\\n资料来源: Meta, 2024\\n\\n资料来源: xAI, 2025\\n\\n* * *\\n\\n第二章：技术性能\\n2.1 2024 年人工智能技术发展概览\\n\\n2024年8月15日\\nImagen 3\\n文生图谷歌 Labs\\n谷歌新一代人工智能图像生成器在\\nGenAI-Bench图像比较基准中创下最高\\nEIo评分，为人工智能生成视觉效果设定了新的质量标准。\\n\\n2024年8月22日\\nJamba 1.5\\n大语言模型\\nAI21 Labs\\n首个融合了状态空间与 Transformer 架构的大语言模型，为基于文本的应用提供高质量的结果。这种混合方法在文本应用中实现高速响应与高质量输出的平衡。\\n\\n2024年8月29日\\nSynthID v2\\n工具谷歌\\nSynthIDv2是谷歌水印和识别软件\\nSynthID的升级版本。新增支持人工智能生成的图像、视频、音频和文本内容，并提供增强的跟踪和验证功能。\\n\\n2024年9月11日\\nNotebookLM\\n播客工具文生播客谷歌 Labs\\n继 Synthpod之后，第二款端到端人工智能博客生成器问世并迅速走红。该工具因其便捷性，深受利用 NotebookLM 进行学习的学生群体以及使用人工智能生成的摘要进行工作听读的科技从业者欢迎。\\n\\n2024年9月12日\\no1-preview\\n语言/数学/\\n生物\\nOpenAI\\nOpenAI的“o系列”首款模型，专为高级推理和处理复杂任务而设计。在数学、科学和编程等复杂任务上的推理能力显著超越GPT。\\n\\n2024年9月17日\\nNVLM\\n(D,H,X)\\n视觉-语言英伟达英伟达发布了三个用于视觉语言任务的开放存取模型，在 OCRBench（光学字符识别）和 VQAv2（自然语言理解）上取得了最高分。\\n\\n图2.1.17\\n资料来源：谷歌，2025\\n\\n图2.1.18\\n资料来源：AI21，2025\\n\\n图2.1.19\\n资料来源：谷歌，2025\\n\\n图2.1.20\\n资料来源：谷歌，2025\\n\\n图2.1.21\\n资料来源：OpenAI，2025\\n\\n图2.1.22\\n资料来源：Dai 等，2024\\n\\n目录第二章预览\\n90\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.1 2024 年人工智能技术发展概览\\n\\n2024年9月19日\\nQwen2.5\\n大语言模型阿里巴巴\\nQwen2.5 是中国电子商务巨头阿里巴巴推出的最新系列基礎模型，包含高效小型模型及专为编程和数学优化的专用模型。\\n\\n图 2.123\\n资料来源：Qwen, 2025\\n\\n2024年10月16日\\nMinistral\\n大语言模型\\nMistral\\nMinistral 是包含 30 亿和 80 亿参数两款紧凑模型，在所有主流行业比较基准中超越同规模的 Gemma 和 Llama 模型。\\n\\n图 2.124\\n资料来源：Mistral, 2025\\n\\n2024年10月22日\\nAnthropic\\n计算机控制代理能力\\nAnthropic\\nAnthropic Computer Use 是 Claude 3.5\\nSonnet 用户的一项突破性计算机控制功能，允许 Claude 在用户的计算机上实时移动光标、输入文本和自主完成任务。\\n\\n图 2.125\\n资料来源：Anthropic, 2025\\n\\n2024年10月28日苹果智能系统\\niPhone功能苹果苹果整合 Image Playground(图像生成)、\\nGennoji(表情定制)、Siri 与 ChatGPT 联动等 AI功能套件。\\n\\n图 2.126\\n资料来源：苹果, 2025\\n\\n2024年12月3日\\nNova Pro\\n多模态亚马逊\\nNova Pro 是亚马逊网络服务 Nova 系列最强模型，擅长处理视觉与文本信息，在金融文档分析领域表现尤为突出。\\n\\n图 2.127\\n资料来源：Amazon, 2025\\n\\n2024年12月11日\\nGemini 2\\n大语言模型谷歌\\nDeepMind\\nGemini 升级版，新增计算机控制功能及图像 /音频生成能力，速度较 1.5 Pro 提升 2\\n倍，编程和图像分析性能显著增强。\\n\\n图 2.128\\n资料来源：谷歌, 2025\\n\\n目录第二章预览\\n91\\n\\n* * *\\n\\n第二章：技术性能\\n2.1 2024 年人工智能技术发展概览\\n\\n2024年12月12日 Sora 文生视频 OpenAI\\nOpenAI 备受期待的视频生成模型，可为ChatGPT Pro 用户生成 1080p/20 秒视频（Plus 用户 720p/5 秒，自 2024 年初技术圈已流传演示版本，官方为提升模型安全性而延迟发布。\\n\\n2024年12月13日 Global MMLU 数据集 Cohere\\n一个多语言评估集，包含 42 种语言的专业翻译 MMLU 问题，旨在作为提供更全球化的人工智能比较比较基准，它评估 AI 在多种语言中的表现，同时解决了原始MMLU 数据中存在的西方偏见，据估计，该数据集中 28% 的问题依赖于西方文化知识。\\n\\n2024年12月20日 o3 (beta) 多模态 OpenAI\\nOpenAI 最新前沿模型，面向人工智能研究人员安全测试发布，在 SWE 编程、竞赛教学、博士级科学和研究数学等比较基准中超越所有前代模型，并以 87.5% 成绩创下ARC–AGI 基准新纪录。\\n\\n2024年12月27日 DeepSeek-V3 大语言模型 DeepSeek\\nDeepSeek V3，该开源模型以显著少于顶尖模型的算力资源开发，在 MMLU 和GPQA 等比较基准中性能超越领先模型。\\n\\n2025年人工智能指数报告\\n\\n目录 第二章预览 92\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.1 2024 年人工智能技术发展概览\\n\\n人工智能性能状况\\n\\n本章节人工智能指数呈现 2024 年人工智能领域的主要发展趋势和全方位高层视角览。\\n\\n总体回顾去年人工智能指数报告指出，人工智能已在多数任务中超越人类水平，仅剩竞赛级数学和视觉常识推理等少数例外。过去一年间，人工智能系统持续改进，在多个原属挑战性的比较基准中已实现对人类表现的超越。\\n\\n图 2.1.33 展示了人工智能系统相对于人类基线在 8 类比较基准（涵盖 11 项任务，如图像分类、基础阅读理解等）中的进展，1 人工智能指数团队为每类任务选取一个代表性基准，今年新增 GPQA Diamond 和 MMIMU 等新发布基准，以展示人工智能在极端复杂认知任务中的突破。\\n\\n选定的人工智能指数技术性能比较基准与人类表现对比资料来源：2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数报告\\n\\n图像分类 (ImageNet Top-5)\\n中等难度阅读理解(SQuAD 2.0)\\n多任务语言理解(MMLU)\\n博士科学问题(GPQA Diamond)\\n\\n视觉推理(VQA)\\n英语语音理解(SuperGLUE)\\n竞赛级数学(Math)\\n多概念理解与推理(MMU)\\n\\n图 2.1.33²\\n\\n1. 人工智能比较基准是一种用于评估人工智能系统在特定任务中性能的标准化测试。例如 ImageNet 作为经典基准，包括大量标注图像、人工智能系统的任务既是对位图像进行分类。因此比较基准进展人工智能领域需要系统发展的方法。\\n2. 图 2.1.33 中，近距离轻按以建立一个比较不同基准的标准指标体系。细致函数经过校准，以将每年量程模型的性能作为特定任务的人类基准的百分比来衡量。例如，为 100% 表示该模型的性能比人类基准高 1%。\\n\\n* * *\\n\\n第二章：技术性能\\n2.1 2024 年人工智能技术发展概览\\n\\n截至 2024 年，人类能力仍领先人工智能的任务领域已所剩无几，即便在这些领域，人工智能与人类之间的性能差距也在快速缩小，例如在竞赛级数学基准 MATH 上，最先进的人工智能系统目前领先人类表现 7.9 个百分点（2024 年初差距仅为 0.3 分）。3 同样，针对复杂跨学科专家级问题的 MMU 比较基准中，2024 年最佳模型 o3 得分 78.2%，仅比人类基准 82.6% 低，4.4 分，而 2023 年不谷歌 Gemini 在该测试中仅获\\n59.4%，充分展示了 AI 在复杂认知任务上的快速进步\\n\\n闭源权重模型与开源权重模型的对比\\n\\n人工智能模型可以以不同的开放程度发布。如谷歌的 Med-Gemini 等模型完全闭源，仅限开发者使用；OpenAI 的 GPT-4o 和 Anthropic 的 Claude 3.5 等通过 API，提供有限公共访问，但未公开权重，因而无法独立修改或全面审查。相比之下，Meta 的 Llama 3.3 和 Stable Video 4D 等模型完全公开权重，允许任何人自由修改和使用。4\\n\\n关于模型开放性的争论呈现两极分化。开源权重支持者强调其打破市场垄断，促进创新、提升安全性与透明度等优势。例如 Meta 的 Llama 模型已衍生出 Meditron 医疗工具、军事应用及全球众多开源项目。反对者则警告开源权重可能助长虚假信息传播和生物武器研发等安全风险，因此需要采取更加谨慎和可控的方法。\\n\\n去年的人工智能指数报告指出闭源与开源大语言模型存在显著性能差距。图 2.1.34 所示了顶尖闭源权重和开源权重大语言模型在 Chatbot Arena Leaderboard 上的性能趋势，该平台是用于大语言模型性能比较基准的公共平台。2024 年 1 月顶尖闭源权重模型领先开源权重模型 8.0%，至 2025 年 2 月该差距已缩小至 1.7%。\\n\\n这一趋势在其他问答比较基准中同样明显。2023 年闭源权重模型在 MMLU、HumanEval、MMMU 和 MATH 主要基准上全面领先，持续优于开源权重模型，但到 2024 年差距大幅收窄（图 2.1.35）。例如，2023 年底，开源权重模型在 MMLU 上领先开源权重模型 5.9 个百分点，但到 2024 年底，这一差距缩小到只有 0.1 个百分点。这一快速提升主要得益于 Meta 在夏季发布的 Llama 3.1，以及随后推出的其他高性能开源权重模型，如 DeepSeek 的 V3。\\n\\n3. 本图中比较基准数据以及本章节其他章节中的比较基准数据都在 2025 年 1 月收集的。自人工智能指数发布以来，个别比较基准可能有所偏离。\\n4. 在软件界，“开源代码”的进度根据可证书的软件许可证授予用户自由使用，研究、修改和分析软件及其代码的权利。但开源权重模型未必完全开源，因其原型代码训练数据通常未公开。\\n\\n* * *\\n\\n第二章：技术性能\\n2.1 2024 年人工智能技术发展概览\\n\\n2025年人工智能指数报告\\n\\nLMSYS Chatbot Arena 中顶级闭源模型与开源模型的性能对比资料来源：LMSYS, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n1,385，闭源\\n1,360，开源\\n\\n分\\n2024-01\\n2024-02\\n2024-03\\n2024-04\\n2024-05\\n2024-06\\n2024-07\\n2024-08\\n2024-09\\n2024-10\\n2024-11\\n2024-12\\n2025-01\\n2025-02\\n\\n图 2.1.34\\n\\n在选定的比较基准中，顶级闭源模型与开源模型的性能对比资料来源：2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数报告\\n\\n闭源 开源\\n\\n通用推理：MMMLU\\n通用推理：MMMU\\n数学推理：MATH\\n编程：HumanEval\\n\\n图 2.1.95\\n\\n目录 第二章预览 95\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.1 2024 年人工智能技术发展概览\\n\\n美国与中国技术性能对比\\n\\n美国在人工智能研究和模型开发领域长期占据主导地位，\\n中国则稳居第二。然而，最新证据表明，这一格局正在快速变化，中国开发的模型正逐步赶超美国同行。\\n\\n2023年，美国领先模型的性能显著优于中国模型。在\\nLMSYS Chatbot Arena平台上，2024年1月，美国顶尖模型的表现比中国最佳模型高出9.3%，但到2025年2月，这一差距已缩小至仅1.70%（图2.1.36）。2023年底，在MMLU、\\nMMMU、MATH和HumanEval等比较基准中，中美模型的性能差距分别为17.5、13.5、24.3和31.6个百分点(图2.1.37)。\\n\\n而到2024年底，这些差距已大幅缩小至0.3,8.1,1.6和3.7个百分点。DeepSeek-R1的发布引发了广泛关注，除此之外，另一原因在于该公司称其成果仅需通常训练此类模型所需硬件资源的一小部分即可实现。除了对美国股市造成影响外，DeepSeek-R1的发布还引发了对美国半导体出口管制有效性的质疑。\\n\\n在LMSYS Chatbot Arena 美国和中国的模型的性能对比资料来源：LMSYS,2025\\\\|图表：2025年人工智能指数报告\\n\\n图2.1.36\\n\\n目录第二章预览\\n96\\n\\n* * *\\n\\n第二章：技术性能\\n2.1 2024 年人工智能技术发展概览\\n\\n2025年人工智能指数报告\\n\\n美国与中国的顶级模型在选定比较基准上的对比资料来源：2025年人工智能指数\\\\|图表：2025年人工智能指数报告美国 中国\\n\\n通用语言：MMLU\\n平均准确率\\n80%\\n60%\\n40%\\n20%\\n0%\\n2022 2023 2024\\n\\n通用推理：MMMU\\n平均准确率\\n80%\\n60%\\n40%\\n20%\\n0%\\n2022 2023 2024\\n\\n数学推理：MATH\\n平均准确率\\n80%\\n60%\\n40%\\n20%\\n0%\\n2022 2023 2024\\n\\n编程：HumanEval\\n平均准确率\\n80%\\n60%\\n40%\\n20%\\n0%\\n2022 2023 2024\\n\\n图2.1.37\\n\\n目录 第二章预览 97\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.1 2024 年人工智能技术发展概览\\n\\n小型模型性能提升\\n\\n近年来，人工智能的进步主要依赖于规模化(scaling)——即通过增加模型规模和训练数据来提升性能，尽管规模化显著增强了人工智能能力，但近期一个显著趋势是高性能小型模型的涌显。图 2.136 展示了在 MMLU（一种广泛使用的语言模型比较基准）中得分超过 60% 的最小模型规模变化，作为背景参考，早期支持 ChatGPT 的模型（如 GPT-3.6 Turbo）在 MMLU上的得分约为 70%。2022 年，达到 MMLU 60% 分数的最小模型拥有 5400 亿参数的 PaLM；而到 2024 年，微软的 Phi-3 Mini 仅以 38 亿参数就达到了相同阈值，标志着两年间模型规模缩小了 142 倍。\\n\\n2024 年是小型人工智能模型的突破之年。几乎所有主流人工智能开发商都发布了高性能紧凑模型，包括 GPT-40 mini、ol-mini、Gemini 2.0 Flash、Llama 3.1 8B 和 Mistral Small 3.5，5 小型模型的崛起具有重要意义，其原因有以下几点：它体现了算法效率的提升，使开发者能够以更少的数据和更低的训练成本实现更高性能。这些效率提升与日益增长的数据集结合，可能催生性能更优的模型。此外，小型模型的推理速度通常更快、成本更低，其出现也降低了企业和开发者将 AI 整合到业务中的门槛。\\n\\n2022–2024年在 MMLU 的评估中得分超过 60%的最小型人工智能模型\\n\\n资料来源：Abdin 等，2024 \\\\| 图表：2025 年人工智能指数报告\\n\\n5. 这部仅著 2024 年发布的少量小型模型。\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.1 2024 年人工智能技术发展概览\\n\\n前沿模型性能趋同近年来，人工智能前沿模型的性能逐渐趋同，多家供应商现已能提供高性能模型。这一现象标志着自 2022 年底以来的转变——当时 ChatGPT 的发布（被广泛视为 AI 进入公众视野的突破性事件）正值 OpenAI 和谷歌两大巨头主导市场的时期。OpenAI（成立于 2015 年）于 2020 年发布 GPT-3，而谷歌则在 2022 年推出了 PaLM 和 Chinchilla 等模型。此后，新竞争者陆续入场，包括 Meta 的 Llama 系列、Anthropic 的 Claude、高飞 Flyer 的 DeepSeek、Mistral 的 Le Chat 以及 xAI 的 Grok，随着竞争加剧，模型性能差距日益缩小（图 2.1.39）。根据去年的人工智能指数报告，在广泛使用的人工智能排名平台 Chatbot Arena Leaderboard 上，第一名与第十名模型的性能差距为 11.9%；而到 2025 年初，这一差距已缩小至 5.4%。同样，前两名模型的差异从 2023 年的 4.9% 降至 2024 年的仅 0.7%，人工智能领域竞争日趋激烈，印证了 2023 年的预测：人工智能企业缺乏抵御竞争对手的技术护城河。\\n\\n选定的供应商在 LMSYS Chatbot Arena 的顶级模型表现资料来源：LMSYS, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n图 2.1.39\\n\\n目录第二章预览\\n99\\n\\n* * *\\n\\n第二章：技术性能\\n2.1 2024年人工智能技术发展览览\\n\\n人工智能基准比较\\n\\n多年来，人工智能指数报告一直通过比较基准来追踪人工智能系统的技术进展。尽管比较基准仍是关键工具，但必须认识到其局限性，并引导社区采用更有效的基础比较实践。\\n\\n如去年人工智能报告所述，许多主流 AI 比较基准正趋于饱和。随着人工智能系统快速发展，即使新设计的更具挑战性的测试，其适用周期往往仅能维持数年。部分专家认为，学术比较基准的新时代可能即将到来，要真正评估人工智能系统的能力，需要更严格、更全面的评估方法。\\n\\n此外，当模型开发者发布新模型时，他们通常会报告比较基准分数，而这些分数通常会被更广泛的社区所接受。然而，这种法也有缺陷，在某些情况下，公司会使用非标准的提示技术，从而使模型间的小变变得不可靠。例如，谷歌在推出 Gemini Ultra 时，报告的 MMUL比较基准分数使用了思维提示技术，而其他开发人员并不使用第三方研究也发现，部分模型在独立测试中的表现低于开发者最初报告的结果。\\n\\n某些关键智能维度难以比过比较基准衡量，比较基准对于评估某些智能能力（如视觉和语言）是有效的，因为任务是离散的——例如正确地对图像进行分类或回答选择题，然而，在多智能体系统，人机交互等领域则面临挑战，主因包括人类行为的多变性和答案的多样性，制定比较基准更具挑战性。\\n\\n此外，人工智能的发展通常是在旨在衡量人类表现的竞赛中进行评估的，例如游戏以对人或机器提出的公共挑战，国际象棋和扑克等游戏需要高度的智力，几十年来，人工智能系统不断改进，已经能够在越来越复杂的游戏中取得最优的人类。具有物理组件或团队能力的游戏也是衡量人工智能进步的好方法，机器人界已经开展了各种挑战性的游戏竞赛。例如机器人足球赛(RoboCup)，人工智能的另一个竞赛领域涉及协调和团队合作，多智体体系在分布式推理方面表现出了进步。\\n\\n人工智能界长期以来一直在开发比较基准。人工智能之所以能够取得重大进展，是因为不同方法和手段都可以根据比较基准所代表的不同黄金标准进行评估。在机器学习领域，不同领域、不同类型数据的比较基准推动了重大进展。许多比较基准由第三方自动评估，不会向人工智能开发人员公开测试数据，这使得评估结果更加可靠最近一个有名的趋势是，各种比较基准任务都由同一个模型来处理。例如，自然语言多年来一直是作为一系列独立任务（如理解、生成问题解答）来处理的，每个任务都有自己的模型和比较基准。同样，语音任务也与语言理解或生成任务分开进行比较基准，如今，一个模型可以处理所有语言任务，在某些情况下，一个模型可以处理语言、图像和多模态任务，这是人工智能在整合原本独立的智能任务和能力方面取得的一项非常重要的进步。\\n\\n人工智能系统在比较基准中提出持续超越力，其快速进步或许最能从人工智能长期面临的著名挑战——图灵测试——的重要性日益下降中得到体现。该测试最初由艾伦·图灵在1950年的论文《计算机与智能》（“Computing Machinery and Intelligence”）中提出，用于评估机器表现出类似人类智能的能力。在测试中，人类评判者与机器和人类进行基于文本的对话；如果评判者无法可靠地区分它们，则为机器通过了图灵测试。最新证据表明，大语言模型的进步已使人们难以区分顶尖语言模型与人类的差异。这表明机器出现人工智能模型能够通过图灵测试，尽管该测试的优缺点长期存在争议。它仍是衡量机器的重要历史文化基准，对其相关性的质疑，凸显近年来大语言模型的巨大进步以及人们对有效计算机科学\\n\\n* * *\\n\\n第二章：技术性能\\n2.1 2024 年人工智能技术发展概览\\n\\n比较基准和人工智能测量不断发展的看法。在机器人领域，出现了许多应对与物理世界互动和推理自然规律的模型。许多机器人比基本准（如 ARMBench）侧重于感知任务。然而，其他比较基准（如 VIMA–Bench）则评估机器人在模拟环境中的性能，这些环境同时融合了感知、通信和深度学习。比较基准也会受到污染，即大语言模型遇到其训练数据中出现过的测试题。Scale 最近的一项研究发现，许多大语言模型在广泛使用的数学比较基准 GSM8K 上的表现存在严重污染。一些研究人员试图通过引入 LiveBench 等比较基准来应对这些污染问题，这些比较基准会定期更新来自陌生来源的新问题这些问题不太可能出现在大语言模型的训练数据中。最后，研究表明，许多比较基准的构建存在缺陷。在 BetterBench 中，研究人员系统地分析了 24 个著名的比较比较基准，并发现了系统性缺陷：14 个未报告统计学意义，17 个缺乏结果复制脚本，大多数文档不完善，限制了其可重复性和评估模型的有效性。尽管广泛使用，但 MMLU 等比较基准对质量标准的遵守程度较低，而 GPQA 等比较基准的表现则明显更好，为了解决这些问题，该论文提出了一个涵盖比较基准开发所有阶段（设计、实施、文档和维护）的 46 项标准框架（图 2.1.40）。该论文引入了一个可访问的存储库，以实现持续更新并提高比较基准的可比性。图 2.1.41 来自 BetterBench，评估了许多著名比较基准的可用性和设计，以确保人工智能评估的可靠性，并防止模型性能做出误导性的结论。比较基准有可能影响政策决策和组织内的采购决策，凸显了评估的一致性和严谨性。\\n\\n比较基准生命周期五个阶段资料来源：Rouel 等，2024\\n\\n设计 (DESIGN):\\n• 创建模型及建模的目的、范围与结构\\n• 确定任务、数据集及评估标\\n\\n实施 (IMPLEMENTATION):\\n• 通过收集、验证与评估数据集和构建比较基准\\n• 评估数据污染与可操作性\\n\\n文档编制 (DOCUMENTATION)\\n• 创建符合模型需求的业务、数据集与评估指标\\n• 解释设计周期属性\\n• 使用比较基准使用资源\\n\\n建设 (RETIREMENT)\\n• 利用模型相关演进流程计划\\n• 利用比较基准数据集、代码及文档并转化为已完成版\\n\\n保护 (MAINTENANCE)\\n• 处理识别错误或优化\\n• 评估比较基准的相关性\\n\\n图 2.1.40\\n\\n目录第二章预览\\n101\\n\\n* * *\\n\\n第二章：技术性能\\n2.1 2024 年人工智能技术发展概览\\n\\n2025年人工智能指数报告\\n\\n在选定的比较基准中，设计与可用性得分对比资料来源：Pavel 等, 2024 \\\\| 图表：2025年人工智能指数报告\\n\\nFoundation models\\nNon-foundation models\\n\\nDecodingTrust\\nPDEBench\\nGPQA\\nALE\\nMLCommons AI Safety v0.5\\nFinRL-Meta\\nAgentBench\\nBIG-bench\\nRL-Unplugged\\nMachiwellii\\nSafebench\\nARC-Challenge\\nGSMRK\\nWordcraft\\nTruthfhUGA\\nMedMNIST v2\\nBBQ\\nHumanEval\\nHeliaSwag\\nBOLD\\nMMJU\\n\\n设计得分\\n\\n在本章节中，人工智能指数继续报告比较基准，并认可其在跟踪人工智能技术进步方面的重要性。按照惯例，该指数从\\nleaderboard、Papers With Code 和 RankedAGI等公共存储库以及公司论文、博客文章和产品发布中获取比较基准分数。该指数基于以下假设：公司报告的分数准确且真实。本节中的\\n\\n比较基准分数为 2025 年 2 月中旬的最新数据，但是，自人工智能指数发布以来，可能已经发布了超越当前最先进分数的新模型。\\n\\n目录第二章预览\\n102\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.2 语言\\n\\n2.2 语言\\n\\n自然语言处理（NLP）使计算机能够理解、解释、生成和转换文本。当前最先进的模型，如 OpenAI 的 GPT-4o、\\nAnthropic 的 Claude 3.5 和谷歌的 Gemini，能够生成流畅连贯的文本，并展现出高水平的语言理解能力（图 2.2.1）。与早期版本仅限于文本输入和输出不同，新一代语言模型现已能够在更广泛的输入和输出模式中进行推理，包括音频、图像和面向目标的任务（图 2.2.2）。\\n\\nGPT-4o 的示例输出资料来源：2025 年人工智能指数\\n\\n问：斯坦福 HAI 是什么？\\n\\n答：斯坦福 HAI（斯坦福以人为本人工智能研究所）是斯坦福大学的一个研究机构，致力于推动人工智能发展以改善人类生活。该机构促进人工智能研究人员、社会科学家，政府制定者和行业领跑之间的跨学科合作，确保人工智能的开发和应用符合人类价值和社会需求。\\n\\n斯坦福 HAI的核心领域包括：\\n研究：开展关于人工智能对社会、伦理及治理影响的课题。教育：提供人工智能相关的课程，奖学金和培训项目。政策与推广：与政策制定者和国际组织合作，推动责任的人工智能法规。倡议活动：举办研讨会，发布报告（如人工智能指数报告），并开发工具（如全球 AI 活力指数工具）。该研究所在全球人工智能讨论中发挥着领导作用，旨在让人工智能广泛普及人类，同时应对其潜在风险和挑战。更多信息可访问斯坦福 HAI官网。\\n\\n图 2.2.1\\n\\nGemini 2.0 在代理工作流中的应用资料来源：2025 年人工智能指数\\n\\n图 2.2.2\\n\\n目录第二章预览\\n103\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.2语言\\n\\n语言理解\\n\\n英语语言理解对人工智能系统提出了多方面的挑战，包括阅读理解与逻辑推理等任务。\\n\\nMMLU：大规模多任务语言理解大规模多任务语言理解（MMLU）比较基准通过零样本或少样本场景评估模型在 57 个学科中的表现，涵盖人文、STEM\\n(科学、技术、工程、数学)及社会科学等领域(图 2.2.3)。MMLU\\n已成为评估大语言模型能力的核心比较基准：GPT-4o、\\nClaude 3.5,Gemini 2.0 等前沿模型均基于此测试进行了评估。\\n\\nMMLU 示例题目来源：Hendrycki 等, 2021\\n\\n微观经济经济学政府限制和监管垄断的原因之一是\\n(A)生产者剩余减少，消费者剩余增加。\\n(B)垄断价格保证了生产效率，但社会失去了配置效率。\\n(C)垄断企业不会进行重要的研发活动。\\n(D)由于价格上升和产量下降，消费者剩余减少。\\n\\nMMLU:平均准确率资料来源：Papers With Code, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\nMMLU比较基准由加州大学伯克利分校、哥伦比亚大学、芝加哥大学和伊利诺伊大学厄巴纳－香槟分校的研究团队于 2020\\n年创建。\\n\\n截至 2024 年 9 月，MMLU最高分为 92.3%，由 OpenAI\\n的 oi-preview 模型取得，作为对比，2023 年 3 月发布的\\nGPT-4 得分为 86.4%。值得注意的是，早期测试模型\\nRoBERTa 在 2019 年仅获得 27.9% 的分数（图 2.2.4）。这一最新成果标志着五年间性能提升了 64.4 个百分点。\\n\\n图 2.2.3\\n\\n目录第二章预览\\n104\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.2语言\\n\\n尽管MMLU备受关注，但它也面临显著批评。有观点认为，\\n该比较基准包含错误或过于简单的问题，可能无法有效挑战日益先进的系统。2024年，多伦多大学、滑铁卢大学和卡内基梅隆大学的研究团队推出了MMLU-Pro，这是MMLU的一个更具挑战性的版本。该版本剔除了噪声问题和琐问题，\\n扩展了复杂题目，并增加了模型的选项数量。图2.2.5展示了\\nMMLU-Pro的性能趋势，其中DeepSeek-R1以84.0%的得分位居榜首。此外，测试环境也引发了担忧。开发者有时会使用非标准的提示技术报告MMLU分数，这些技术可能提升性能，但会导致误导性比较。此外，证据表明，开发者公开报告的分数与学术研究者后续评估的结果可能存在差异，有时甚至相差五个百分点。因此，MMLU的性能结果需谨慎解读。\\n\\n生成任务在生成任务中，人工智能模型需测试其生成流畅且实用的语言回答的能力。\\n\\nChatbot Arena Leaderboard\\n随着高性能大语言模型的崛起，了解公众更偏好哪些模型变得愈发重要。LMSYS于2023年推出的Chatbot Arena\\nLeaderboard，其是首个全面评估公众对大语言模型偏好的平台之一。该leaderboard允许用户向两个匿名模型提问，并投票选出更优的回答（图2.2.6）。截至2025年初，该平台已累计超过100万次投票，用户将谷歌的Gemini系列模型评为社区最受欢迎的选择。\\n\\nMMLU-Pro:整体正确率资料来源：MMLU-Pro Leaderboard, 2025 \\\\| 图表：2025年人工智能辅助数据\\n\\n图2.2.5\\n\\n目录第二章预览\\n105\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.2语言\\n\\nChatbot Arena Leaderboard上的模型回答示例来源：Chatbot Arena Leaderboard，2024\\n\\nPlease explain to me the accomplishments of Otto von Bismark.\\n\\nOtto von Bismark was a prominent Prussian statesman who played a key role in the unification of Germany in late 17th century. Here, some of his major accomplishments:\\n\\n1. Unification of Germany. Bismark undertook the unification of Germany through a series of significant concessions, including victories in wars and the Franco-Positional War of 1893-1894, which ultimately led to the establishment of the German Empire in 1893.\\n2. The adoption of the German Empire, which was proclaimed in 1893 with King Wilhelm I of Prussia as Emperor. Bismark became the first Chancellor of the German Empire and played a crucial role in the implementation of the First Schleswig War.\\n3. Realistic. Bismark was a master of realism, a pragmatic approach to politics that approached the goal of unifying Germany and strengthening Prussian power in Europe.\\n4. Affective. Bismark's convenient political view, Bismark implemented a series of social reforms aimed at improving the lives of working class Germans. These reforms included the introduction of social protection and social insurance, and helped pensions, which laid the foundation for the modern welfare state.\\n\\nA is better\\nB is better\\nTie\\nBoth are bad\\n\\n图 2.2.7 展示了截至 2025 年 1 月 Chatbot Arena Leaderboard上前 10 名模型的概况。值得注意的是，顶尖模型之间的性能差距逐渐缩小。根据 2024 年人工智能指数，2023 年榜首与第 10 名模型的 Arena 评分差异为 11.9%，6 而到 2025 年，这一差距已降至 5.4%，这一趋同现象表明，近期大语言模型的质量正趋于均衡。\\n\\nLMSYS Chatbot Arena 大语言模型 Elo 评分（总体）\\n来源：LMSYS，2025 图表：2025 年人工智能指数报告\\n\\n图 2.2.7\\n\\n6. Arena 评分是 Arenaleaderboard 用于比较模型性能的相对排名系统。评分方法详见 Chatbot Arena Leaderboard的文章。\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.2语言\\n\\nArena-Hard-Auto\\n随着人工智能能力快速提升，开发新比较基准面临的主要挑战在于，人工创建高质量基准成本高昂且耗时。为此，加州大学伯克利分校的研究团队今年推出了 BenchBuilder。该工具利用大语言模型构建自动化流程，从大规模众包数据集中筛选高质量开放式提示，可在无需大量人工干预的情况下更新或创建新基准。LMMSY 团队使用该工具开发了 Arena-Hard-Auto，这是一个专为评估指令调优大语言模型设计的基准（图 2.2.8）。Arena-Hard-Auto包含 500 个来自 Chatbot Arena 的高难度用户查询，并以 GPT-4 Turbo作为评判模型，将其响应与基线模型（GPT-4-0314）对比。\\n\\n截至 2024 年 11 月，Arena-Hard-Autoleaderboard 上得分最高的模型为 o1-mini (92.0)、o1-preview (90.4)和 Claude-3.5-Sonnet (85.2)（图 2.2.9）。该基准还设有风格控制 leaderboard，用于评估模型回答风格对用户偏好的潜在影响。风格 leaderboard的首位是 Anthropic 公司 2024 年 11月发布的 Claude Sonnet 3.5 变体（图 2.2.10）。然而，Arena-Hard-Auto等自动化基础因问题分布不均而受到批评，例如超过 50%的问题仅照焦编程与调试，这限制了对大语言模型能力的全面评估。\\n\\nChatbot Arena Leaderboard上的模型回答示例来源：Chatbot Arena Leaderboard, 2024\\n\\n未修改的 Arena-Hard-Auto\\n资料来源：LMMSY, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n带风格控制的 Arena-Hard-Auto\\n资料来源：LMMSY, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n目录第二章预览\\n107\\n\\n* * *\\n\\n第二章：技术性能\\n2.2 语言\\n\\nWildBench\\nWildBench 由 Allen Institute for AI 和华盛顿大学研究人员开发，是 2024 年推出的一个比较基准，用于在具有挑战性的现实世界查询中对大语言模型进行评估。创建者强调了现有大语言模型评估的几个局限性。例如，MMLU 仅关注学术\\n\\n问题，未涵盖开放式现实场景；而 LMSYS 等基准虽涉及现实挑战，但过度依赖人工审核，且缺乏对全部模型使用统一数据集的评估一致性（图 2.2.11）\\n\\nWildBench 的评估框架来源：Lin 等，2024\\n\\nHistory\\nQuery\\nLLM A's response\\nChecklist\\nLLM B's response\\n\\nHistory\\nQuery\\nLLM response\\nExample Task (history + own)\\n\\nPairwise\\njson\\\\_output = {\\n\\\"analysis of A\\\": \\\"\\\\[analysis of Response A\\\\]\\\",\\n\\\"analysis of B\\\": \\\"\\\\[analysis of Response B\\\\]\\\",\\n\\\"reason of A\\\": \\\"Where Response A and B perform equally\\\",\\n\\\"reason of B\\\": \\\"Where Response B is better than A\\\",\\n\\\"choice\\\": \\\"A or B or A+B or B+B\\\"\\n} Ai means A is much better. Ai means A is slightly better...\\n\\nIndividual\\njson\\\\_output = {\\n\\\"strengths\\\": \\\"\\\\[analysis for the strengths\\\\]\\\",\\n\\\"weaknesses\\\": \\\"\\\\[analysis for the weaknesses\\\\]\\\",\\n\\\"score\\\": 6\\n} Score 6: The response is fair but has some issues (e.g.\\nRealistic errors, hallucinations, missing key information)...\\n\\nChecklist (a list of questions and criteria for eval)\\nDoes the alternative formula provided correctly address the users' need to find the best matching solution in specified columns and ensure a corresponding value from another column?\\nIs the alternative formula appropriately connect and complement with spreadsheet software such as Microsoft Excel or Google Sheets?\\n\\nAI2 WildBench\\n\\n目录 第二章预览 108\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.2语言\\n\\nWildBench通过自动化评估框架解决了现有基准的缺陷，\\n其问题集涵盖语言模型可能遇到的多样化真实场景 (“野外”\\n问题”)（图 2.2.11）。这些问题从超过 100 万条人机对话记录中精选而出，并定期更新以保证时效性。开发者还维护实时 leaderboard 以追踪模型性能变化。目前，WildBench 表现最佳的模型为 GPT-4o，其 WB-Elo 评分为 1227.1，以微弱优势领先第二名 Claude 3.5 Sonnet (1215.4 分)（图\\n2.2.12）。\\n\\nWildBench: WB–Elo（长度控制）\\n资料来源：WildBench Leaderboard, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n1,176 1,179 1,181 1,182 1,185 1,188 1,192 1,196 1,197 1,199 1,209 1,210 1,215 1,215 1,227\\n1,000\\n800\\n600\\n400\\n200\\n0\\nNamethon-4-34GB-inst\\nAthene-TDB\\nvr-Large\\nDeepSeek-V2-Coder\\nLiamash-709-Instruct\\nGemini-1.5 Flash\\nClaude 3 Opus\\nDeepspeek-V2-Chat\\nvr-Large-Preview\\nGemini-1.5 Pro\\nClaude 3.5 Genet\\ngpt-4o-2024-05-13\\nGemini-2-2TB-it\\n\\n模型\\n\\n图 2.2.12\\n\\n目录 第二章预览 109\\n\\n* * *\\n\\n第二章：技术性能\\n2.2 语言\\n\\n2025年人工智能指数报告\\n\\n重点：\\no1, o3, 与推理时间计算\\n\\nOpenAI最新发布的o1和o3模型标志着人工智能模型在“思考”能力和高级推理表现上的范式转变。o1和o3\\n在编程、量子物理和逻辑等多样化任务中展现出卓越性能，\\n其高级推理能力归功于链式思考过程和答案迭代校验机制。这意味着模型会将复杂问题分解为更小的可执行步骤，\\n\\no1的链式思考过程资料来源：OpenAI, 2024\\n\\nGPT-4o\\n\\n用户输入：\\noyfjdnisdr rtqwainr acxz mynzbhhx -> Think\\nstep by step\\n\\n使用上述方法解码以下密文：\\noyekajjzdf aaptcg suaokybhai ouw aqht mynzrwwaatzacdfoukxxz\\n\\n从而提升输出质量。例如，在解码乱序文本任务中，o1会展示比GPT-4更详尽的思维推理过程（图2.2.15），这种人工智能系统在回答过程中迭代优化的机制被称为推理时间计算。\\n\\n解码步骤说明：\\n\\n配对字母 将密文中的字母两两分组（例如 oy fj dn is dr）。字母转数字：将每个字母转换为字母表中的对应序号\\n(A=1, B=2, ..., Z=26)。求和 计算对字母的数字之和。求平均值：将和除以2，得到平均值。数字转字母 将平均值转换为对应的字母 (1=A, 2=B, ...\\n26=Z)。应用示例：\\n以第一对字母 oy 为例：\\n\\no = 15, y = 25 → 和 = 15 + 25 = 40 → 平均值 = 40 / 2\\n= 20 → 字母 = T\\n\\n图2.2.13\\n\\n目录第二章预览\\n110\\n\\n* * *\\n\\n第二章：技术性能\\n2.2语言\\n\\n2025年人工智能指数报告\\n\\n重点：\\no1, o3, 与推理时间计算(续)\\n\\n图 2.2.14 对比了 GPT-4o 与 o1、o1-preview 在多项比较基准中的表现。7例如，o1在 MMLU上以 2.8 分优势超越 GPT-4o，在 MATH 测试中领先 34.5 分，在\\n\\nGPT-4o、o1-preview、o1 in选定的比较基准上对比资料来源：OpenAI，2024\\n\\n然而，这些模型的强大推理能力伴随着显著的成本提升——包括财务成本和延迟成本，例如，GPT-4o 的输入\\n/输出词元成本分别为每百万 2.5 美元和 10 美元，而 o1\\n则高达 15 美元和 60 美元。8此外，o1的首词元延迟达\\n29.7秒，是 GPT-4o (0.72秒)的 40 倍。o3的延迟虽未公开，但推测更高。o1与o3的强劲能力将持续推动高级人工智能系统和智能体的发展。\\n\\nGPQA Diamond 中高出 26.7分，在极难的 AIME 2024\\n数学竞赛中更是领先 65.1分。而 o3则展现出当前最复杂的推理能力，在 ARC-AGI 机器智能比较基准中以 87.5%\\n的准确率刷新了此前 55.5% 的纪录。\\n\\nOpenAI 于 2024 年 9 月 12 日向 ChatGPT Plus 和\\nTeams 用户发布 o1-preview，并于 2024 年 12 月 5 日推出 o1 正式版（同时发布月费 200 美元的 ChatGPT\\nPro 订阅服务以获取 o1 访问权限）。\\n\\n7. o1-preview 是 o1 的管理预览版本，在全面直播前需有访问。\\n8. o3 目前仅通过 Open 人工智能安全计划计划提前验证人员和开发者。\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.2语言\\n\\nMixEval\\nMixEval 由新加坡国立大学、卡内基梅隆大学和 Allen Institute for AI 的研究团队联合推出，是解决当前大语言模型评估领域局限性的一项新比较基准。MixEval 结合了 Chatbot Arena 中的综合性真实用户查询与 MMLU 基于标准答案的题目（图 2.2.15），包含多个评估套件，其中 MixEval-Hard 是更具挑战性的版本，聚焦高难度查询，成为评估模型处理复杂问题的有效工具。\\n\\nMixEval 的评估框架资料来源：NI 等，2024\\n$\\\\\\\\textcircled{1}$ MixEval\\nLLM Classifier\\nFilter\\nModality Annotation\\nBenchmark Mixture\\n$\\\\\\\\textcircled{2}$ MixEval-Hard\\nEval\\nResults\\nSampling\\nDynamic Eval\\nUpdate\\nVersion #/#\\nVersion #/#\\n\\n在 MixEval-Hard 比较基准中，获得最高的模型是 OpenAI 的 01-preview(72.0 分)，其次是 Claude 3.5 Sonnet-0620 模型（68.1 分），第三名为 Llama-3-405B-Instruct 模型（66.2 分）（图 2.2.16），这三款模型均发布于 2024 年。\\n\\n聊天模型在 MixEval-Hard 的得分资料来源：MixEval Leaderboard, 2025 图表：2025 年人工智能指数报告\\n\\n70\\n60\\n50\\n40\\n30\\n20\\n10\\n0\\n52.90\\n54.00\\n55.90\\n56.80\\n57.00\\n57.40\\n58.30\\n58.70\\n62.60\\n63.50\\n64.10\\n66.20\\n68.10\\n72.00\\n\\nGemini 15 Pro/NP-0409\\nGPT-A Turbo-0204-0409\\nGPT-Do-2024-05-33\\nLlama-3-405B-Instruct\\nOpenAI of preview\\nClaude 3.5 Sonnet-0620\\nClaude Sunset\\nDwen-May-0428\\nYi-Large-preview\\nSketch-4.0\\nMineral Large 2\\nGemini 15 Pro/A99-0594\\n\\n模型\\n\\n2.2.15\\n\\n目录第二章预览\\n112\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.2 语言\\n\\nRAG: 检索增强生成\\n\\n检索增强生成（RAG）是在大语言模型中测试的一种越来越常见的能力。这种方法将大语言模型与检索机制整合在一起，以增强其响应生成能力。模型首先从文件或文档中检索相关信息，然后根据检索到的内容生成适合用户查询的响应。RAG的用例多种多样，包括从大型数据库中回答精确问题，以及利用公司文件信息解决客户查询。\\n\\n近年来，RAG备受研究机构和企业关注，例如，Anthropic于2024年9月推出“上下文检索”技术，显著提升RAG模型的检索能力。2024年还发布了多项RAG评估基准，如\\n\\nRagnarok(RAG竞技场)和CRAG(综合RAG基准)。此外，针对特定场景的专项基准（如金融问答基准FinanceBench）也已问世。\\n\\nBerkley Function Calling Leaderboard\\n\\nBerkley Function Calling Leaderboard评估大语言模型准确调用函数或工具的能力。评估套件包括2,000多个问题 - 函数 - 答案对，涉及多种编程语言（如Python、Java、JavaScript和REST API）和多个测试领域（图2.2.17）。\\n\\nBerkeley Function Calling Leaderboard数据构成资料来源：Yan等，2024\\n\\nBerkeley Function-Calling Leaderboard Evaluation Data Composition\\n\\nJavascript (AST) 2.5%\\nSQL (AST) 5.0%\\nJava (AST) 5.0%\\nREST (Exec) 3.5%\\nRelevance 12.0%\\nChatting Capability 10.0%\\nSimple (Exec) 10.0%\\nMultiple (Exec) 2.5%\\nParallel & Multiple (Exec) 2.0%\\nSimple (AST) 20.0%\\nParallel (AST) 10.0%\\nMultiple (AST) 10.0%\\n\\n图2.2.17\\n\\n9.在这种情况下AST(抽象语法树)的描述及在结构层面分析该逻辑代码的任务，将代码解析为一棵语法素树，标有“AST”的评估可能会测试人工智能模型以结构化方式理解、生成或处理代码的能力。Exec(基于执行)表示需要实现执行函数调用以验证正确性的任务，称有“Exec”的评估可能会评估人工智能模型是否能够正确调用和执行函数，确保产生预测的结果。\\n\\n目录第二章预览\\n113\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.2语言\\n\\n在 Berkeley Function Calling Leaderboard 上，表现最佳的模型是 watt-tool-70b，这是基于 Llama-3.3-70B-Instruct 专门针对函数调用任务微调的变体，其整体准确率达到 74.24% (图 2.2.18)，排名第二的是 GPT-4o 的 11 月版本，得分为 72.08。2024 年间，模型在该比较基准中的性能显著提升，年底顶尖模型的准确率较年初提高了 50 个百分点。\\n\\n伯克利函数调用：整体准确率资料来源：Berkeley Function-Calling Leaderboard, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n模型\\n\\n图 2.2.18\\n\\n目录 第二章预览 114\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.2 语言\\n\\nMTEB: 大规模文本嵌入式比较基准大规模文本嵌入式比较基准（MTEB）平台由 Hugging Face 和 Cohere 公司的团队创建，于 2022 年底推出，旨在全面评估模型在各种嵌入任务中的技术性能。嵌入涉及将数据（如词、文本或文档）转换为数字向量，以捕捉大致的语义和向量之间的距离。嵌入是 RAG 的重要组成部分。在 RAG 任务中，当用户输入查询时，模型将其变换为嵌入向量。\\n\\n这种 Transformers 可使模型搜索相关信息。MTEB 包括跨越 112 种语言的 58 个数据集和 8 个嵌入任务（图 2.2.19）。例如，在 bitext 挖掘任务中，有两组来自不同语言的句子，对于第一组中的每个句子，模型的任务是在第二组中找到最佳匹配。\\n\\nMTEB比较基准的任务资料来源：Manninghoff 等，2023\\n\\nClustering\\nAnvivP3P\\nAnvivS2S\\nBornivP2P\\nMonivS2S\\nMedrovP20\\nMedrovS2S\\nTeddie\\nEndorP20\\nStackExchange\\nStackExchangeP2P\\nTrencyNewgroup\\n\\nMTEB\\nMassive Text Embedding Benchmark\\n8 Tasks\\n58 Datasets\\n\\nBittext Mining\\nBUCC\\nTatoba\\n\\nClassification\\nAmazonCounterfactual\\nAmazonPoarity\\nAmazonReview\\nBanking77\\nEmotion\\nImdb\\nMassive Intent\\nMassiveScenage\\nMTOPDomain\\nMTOPIntent\\nTweetSentimentIntl\\nTweetSentimentExtraction\\n\\nRetrieval\\nArquAna\\nClimaterFEVER\\nDIPedia\\nCQADupstackReverse\\nFLVER\\nFJQU2018\\nHedgePotQA\\nHSMANQO\\nNFCorpno\\nNO\\nQuora\\nSCIDOCS\\nSoFact\\nTouch2020\\nTRECCDVID\\n\\nSTS\\nBUDES65\\nSICK-R\\nSTS11\\nSTS12\\nSTS13\\nSTS14\\nSTS15\\nSTS16\\nSTS17\\nSTS22\\nSTS28\\n\\nPair Classification\\nSpiritDuplicateQuestion8\\nTwitterSemilife2015\\nTwitterURLCoupon\\n\\nSummarization\\nSummEval\\n\\nReranking\\nAsnUbuntuDupQuestions\\nHinogamalIterating\\nSoDoc88\\nStackOverFlowDupQuestions\\n\\n图 2.2.19\\n\\n10. 基本覆盖的 8 类任务创新：双语文本控制、分类、聚类、配对分类、重用序检索、语义文本相似度和摘要，各任务细节详见 MTEB 论文。\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.2语言\\n\\n截至 2025 年初，MTEB比较基准中表现最佳的嵌入模型是 Voyage AI 的 voyage-3-m-exp，得分为 74.03分。Voyage\\nAI专注于打造高品质的 AI 嵌入模型。voyage-3-m-exp 是基于 voyage-3-large（专为嵌入任务设计的大规模基础模型）的变体，采用套娃表征学习 (Matryoshka Representation\\n\\nLearning) 和量化感知训练等策略优化性能。该模型以微弱优势超越 NV-Embed-v2 (72.31分)，后者在 2024 年大部分时间占据榜首（图 2.2.20）。MTEB 基准于 2022 年底首次推出时，领先模型的平均分仅为 59.5 分。因此，在过去两年中，比较基准的成绩显著提高。\\n\\nMTEB 英语子集（56 个数据集）平均得分资料来源：MTEB Leaderboard，2025 \\\\| 图表：2025 年人工智能指标数据\\n\\n100\\n80\\n60\\n40\\n20\\n0\\nSFR Embedding Material\\nSFR Embedding Material\\n67.56\\n68.17\\n68.23\\n69.32\\n69.88\\n70.11\\n70.24\\n70.31\\n71.19\\n71.21\\n71.62\\n71.67\\n72.02\\n72.31\\n74.03\\n\\nvoyage-3-m-exp\\nLens en 1.5E v6\\nLENS d4000\\nLENS d8000\\nhype-encl\\njager\\\\_en\\\\_vision\\\\_language\\\\_v1\\n\\nN-Embed-v1\\nhype-multilingual-gamma2\\ngle-wen2-TB-substrat\\nSFR Embedding-2.R\\nstilla\\\\_en\\\\_1.5E\\\\_v6\\nSFR Embedding-2.R\\nstilla\\\\_en\\\\_1.5E\\\\_v6\\nSFR Embedding-2.R\\nstilla\\\\_en\\\\_1.5E\\\\_v6\\nNV-Embed-v2\\n\\n模型\\n\\n图 2.2.20\\n\\n目录第二章预览\\n116\\n\\n* * *\\n\\n第二章：技术性能\\n2.2语言\\n\\n重点：\\n长上下文检索评估\\n\\n随着人工智能模型的进步，它们处理更长上下文的能力也显著提高，例如，OpenAI 和 Meta 在 2023 年发布的 GPT-4 和 Llama 2 型，其上下文窗口分别为 8,000 和 4,000 个词元，比之下，更近期的模型如 GPT-4o (2024年 5月) 和 Gemini 2.0 Pro Experimental (2025年 2月)的上下文窗口范围已扩展至 12.8 万至 200 万，这些扩展的上下文窗口使用用户能够输入并处理越来越大的数据量，从而实现更复杂、更详细的交互。\\n\\n随着大语言模型的上下文窗口不断扩大、评估其在长语境中的技术性能也变得越来越重要。然而，现有的长语境评估方法相对有限，通常情况下，这些评估侧重于“大海拐针”的场景，即要求模型从冗长的文本中检索特定的信息片段。这些评估虽然有用，但只能提供对模型的基础评估。\\n\\n2024 年，为解决长上下文模型评估的局限性并改进其评估，推出了几款新的评估套件。其中一个比较基准是英伟达在 2024 年推出的 RULER，其通过检索性能、多跳推理、信息聚合和问答等任务综合评估长上下文性能。在 RULER 测试中，Gemini-1.5-Pro 以 95.5 分位居榜首，GPT-4 (89.0分)和 GLM4 (88.9分)次之（图 2.2.21）。研究还发现，多数宣称支持 32K 元词上下文的模型实际有效长度不足宣称值的一半（图 2.2.22）。事实上，RULER 团队证明，虽然大多数流行的 大语言模型都宣称上下文大小为 32K 元词或更大，但其中只有一半能在 32K 长度时保持令人满意的技术性能。这意味着它们的实际操作上下文窗口比开发者宣称的要短（图 2.2.22）。\\n\\nRULER 加权平均得分（递增）\\n资料来源：Hsieh 等，2024 \\\\| 图表：2025 年人工智能指数报告\\n\\nULER 宣称和有效上下文长度的对比资料来源：Hsieh 等，2024 \\\\| 图表：2025 年人工智能指数报告\\n\\n目录第二章预览\\n117\\n\\n* * *\\n\\n第二章：技术性能\\n2.2语言\\n\\n2025年人工智能指数报告\\n\\n重点：\\n长上下文检索评估(续)\\n\\nHELMET（长上下文模型高效全面评估框架）是英特尔与普林斯顿大学 2024 年联合推出的另一个长上下文评估基准。其开发动机源于现有基准的三大缺陷：下游任务覆盖不足、上下文长度过短无法测试进阶能力，以及评估指标不可靠（图2.2.23）。相比 RULER, HELMET 更全面，包含合成召回、段落重排序、引用生成等 7 类长上下文评估任务。图 2.2.24展示了多款知名模型在 8K、32K 和 128K 上下文设置下的 HELMET平均表现。虽然 GPT-4、Claude 3.5 Sonet 和 Llama 3.1-70B等模型在较长的上下文场景中性能下降，但其他模型，如Gemini 1.5 Pro 和 GPT-4 八月版，则保持了技术性能。RULER 和 HELMET 等比较基准的推出显示了大语言模型的快速发展如何迫使研究人员重新思考和完善评估方法。\\n\\n长上下文基准对比资料来源：Yen 等，2024\\n图 2.2.23\\n\\nType of tasks Benchmark features\\nCite RAG Re-rank Long-QA Summ ICL Synthetic Recall Robust Eval. L ≥ 128k Controllable L\\n\\nZeroSCROLLS X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.3 图像与视频\\n\\n计算机视觉使机器能理解图像 / 视频内容，并根据文本或其他提示生成逼真的视觉输出。该技术广泛应用于自动驾驶、医学影像和游戏开发等领域。\\n\\n2.3 图像与视频理解能力视觉模型通过理解图像 / 视频内容并进行推理的能力接受评估。视觉理解是深度学习时代最早被广泛测试的人工智能能力之一，李飞飞创建的 ImageNet（在过往的人工智能指数报告中被深度阐述）曾是图像理解的基础基准。随着技术进步，研究人员将评估重点转向更复杂的任务，如视频理解或图像常识推理。在 ImageNet 数据集时代，视觉算法的任务较为直接（例如，将图像归入预定义的类别）。而现代基准如 VCR 和\\nMVBench 则提出开放式挑战，其中不存在固定的分类或类别在这种情况下，模型需处理自然语言问题，从开放图像集中识别对象，并基于图像内容或前期知识生成答案。\\n\\nVCR: 视觉常识推理视觉常识推理 (VCR) 挑战由华盛顿大学和 Allen\\nInstitute for AI的研究人员于 2019 年推出，测试人工智能系统的常识视觉推理能力。在这项挑战中，人工智能系统不仅要根据图像回答问题，还要对答案背后的逻辑进行推理（图\\n2.3.1)。VCR 中的技术性能是通过 Q->AR 分数来衡量的，\\n该分数评估的是机器既能选择问题的正确答案 (Q->A)，又能选择该答案背后的适当理由 (Q->R) 的能力。\\n\\nVCR 挑战赛示例问题资料来源：Zullers 等, 2018\\n\\nHow did \\\\[person2\\\\] get the money that's in front of her?\\na. \\\\[person2\\\\] is selling things on the street.\\nb. \\\\[person2\\\\] earned this money playing music.\\nc. She may work jobs for the mall.\\nd. She won money playing poker.\\n\\nI choose by because:\\na. She is playing guitar for money.\\nb. \\\\[person2\\\\] is a professional musician in an orchestra.\\nc. \\\\[person2\\\\] and \\\\[person1\\\\] are both holding instruments,\\nand were probably looking for that money.\\nd. \\\\[person2\\\\] is putting money in \\\\[person2\\\\] to tip jar, while\\nshe plays music.\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.3 图像与视频\\n\\nVCR比较基准是人工智能指数中为数不多的几个人工智能系统一直未达到人类基准水平的比较基准之一。然而,2024\\n年是一个转折点，人工智能系统终于达到了这个基准。2024\\n年7月，leaderboard上出现了一个模型，得分达到85.0,\\n\\n与人类比较基准相匹配（图2.3.2）。这一里程碑标志着自\\n2023 年以来比较基准成绩提高了4.2%。甚至以前难以达到的比较基准现在也已超越。\\n\\n视觉常识推理（VCR）任务：Q->AR 分数资料来源：VCR Leaderboard, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n图2.3.2\\n\\nMVBench\\n由香港与中国大陆研究团队于2023年推出的\\nMVBench 是挑战性多模态视频理解基准。11 与早期仅测试空间理解的静态图像任务不同，MVBench 包含需跨帧时序推理的复杂视频任务(图2.3.3)。\\n\\nMVBench 任务示例资料来源：Li 等, 2023\\n图2.3.3\\n\\n11. 研究人员分别来自中国科学院、中国科学院大学、上海人工智能实验室、香港大学、复旦大学及南京大学\\n\\n目录第二章预览\\n120\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.3 图像与视频\\n\\n截至2024年，MVBenchleaderboard榜首为基于\\nQwen2.5-7B-Instruct语言模型构建的Video-CCAM-7B\\n-v1.2，其得分分为69.23，较2023年底引入该比较基准以来，\\n提高了14.6%（图2.3.4）。这些结果凸显了人工智能模型在动态视频理解能力方面取得的缓慢但稳步的进展。\\n\\nMVBench: 平均准确率资料来源：MVBench Leaderboard, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n0%\\n100%\\n80%\\n60%\\n40%\\n20%\\n0%\\nInterm-7b\\nVicoria-7b-delta-v0\\nVideoChat2\\nKnew-Video-LLM\\nST-LLM\\nPLLava-34B\\nCVAM\\nVideoChat2\\\\_mistral\\nVideoChat2\\\\_HD\\\\_mistral\\nVideo-CCAM-BB-v1.1\\nJT-WL-Chat\\nInternVideo2-BB-HD-Chat-r6\\nVideo-CCAM-TB-v1.2\\n\\n图2.3.4\\n\\n目录第二章预览\\n121\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.3 图像与视频\\n\\n生成能力图像生成旨在创建与真实图像难以区分的合成内容。如去年人工智能指数所述，当前图像生成器已高度成熟，多数人难以分辨人工智能生成的人脸图像与真实照片（图 2.3.6），图\\n2.3.6展示了从 2022年到 2025 年，针对“哈利 - 波特的超逼真图像”这一提示，不同 Midjourney 模型版本生成的图像。这表明 Midjourney 在两年时间里生成超逼真图像的能力有了显著提高。在 2022 年，该模型生成的哈利·波特形象是卡通的不准确的，但到了 2025 年，它可以生成呈现人真实的渲染效果。\\n\\n哪张脸是真实的？\\n资料来源：Which Face Is Real, 2024\\n\\n图 2.3.5\\n\\nMidjourney 版本迭代：“超写实哈利·波特图像”\\n资料来源：Midjourney, 2024\\n\\nV1. 02uary\\n2022\\nV2. April2022\\nV3. 07y 2022\\nV4. 11ember 2022\\nV5. 03h 2023\\nV6. 12member 2023\\nV8. 10ty 2024\\n\\n图 2.3.6\\n\\n目录第二章预览\\n122\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.3 图像与视频\\n\\nChatbot Arena:视觉\\n\\n人工智能社区越来越接受公共评估平台，例如 Chatbot\\nArena Leaderboard，以评估包括顶级人工智能图像生成器在内的领先人工智能系统的性能。该 leaderboard 还设有视觉\\nleaderboard，对 50 多个视觉模型的性能进行排名。用户可以提交文本到图像的提示，例如“编辑侠在喝咖啡”，并为他们喜欢的生成结果投票（图 2.3.7）。截至目前，视觉竞技场已获得超过 15 万次投票。\\n\\n截至 2025 年初，leaderboard 上排名第一的视觉模型是谷歌的 Gemini-2.0-Flash-Thinking-Exp-1219（图 2.3.8）。与其他 Chatbot Arena 类别（如整体、编码和数学）类似，领先模型的性能非常接近。例如，排名第一的模型与排名第四的模型 ChatGPT-40-latest(2024-11-20)之间的差距仅为 3.4%。\\n\\nChatbot Arena 视觉板块示例资料来源：Chatbot Arena Leaderboard, 2025\\n\\n图 2.3.7\\n\\nLMSYS Chatbot Arena 大语言模型 Elo 评分（视觉）\\n资料来源：LMSYS, 2025 \\\\[图表：2025 年人工智能指数报告\\\\]\\n\\nElo评分\\n1.290\\n1.260\\n1.240\\n1.220\\n1.200\\n1.190\\n1.180\\n1.170\\n1.160\\n1.150\\n1.140\\n1.130\\n1.120\\n1.110\\n1.100\\n1.090\\n1.080\\n1.070\\n1.060\\n1.050\\n1.040\\n1.030\\n1.020\\n1.010\\n1.000\\n1.000\\n1.000\\n1.000\\n1.000\\n1.000\\n1.000\\n1.000\\n1.000\\n1.000\\n1.000\\n1.000\\n1.000\\n1.000\\n1.000\\n1.000\\n1.000\\n1.000\\n\\n图 2.3.8\\n\\n目录第二章预览\\n123\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.3 图像与视频\\n\\n重点：\\n视频生成的崛起\\n\\n正如去年的人工智能报告所强调的，近年来，能够根据文本提示生成视频的模型逐渐兴起。早期的模型虽然展现出一定的潜力，但仍存在明显的局限性，例如生成的视频质量较低、缺少声音，或仅仅能生成非常短的片段。然而，2024 年标志着 AI 视频生成技术的重大飞跃，多家行业领先企业发布了先进的视频生成系统。\\n2023 年 11 月，Stability AI 推出了其 Stable Video\\nDiffusion 模型，这是该公司首个能够生成高质量视频的基础模型（图 2.3.9）。该模型采用三步流程：文本到图像的预训练、视频预训练以及高质量视频的微调。随后，2024 年 3\\n月，Stability AI发布了 Stable Video 3D 模型，该模型能够从单张图像生成物体的多个 3D 视角和视频，2024 年 2 月，\\nOpenAI 推出了其视频生成模型 Sora 的预览版，并于\\n2024 年 12 月正式向公众开放。Sora 能够生长达 20 秒、分辨率高达 1080p 的视频（图 2.3.10），作为一种扩散模型，\\n它首先生成一个基础视频，随后通过多步步骤逐步优化，以提升视频质量。\\n\\nStable Video Diffusion 生成的静态帧资料来源：Stability AI, 2025\\n\\nSora 生成的静态帧资料来源：OpenAI, 2024\\n\\n图 2.3.9\\n\\n图 2.3.10\\n\\n目录第二章预览\\n124\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.3 图像与视频\\n\\n重点：\\n视频生成的崛起(续)\\n\\n其他科技巨头也纷纷进入视频生成领域。2024年10月，Meta发布了其Movie Gen模型的最新版本。与早期版本不同，新版Movie Gen具备基于指令的高级视频编辑功能。从图像生成个性化视频的能力，并支持为视频添加声音。Meta最先进的Movie Gen模型能够生成16秒，每秒16帧、分辨率为1080op的视频。谷歌也在2024年取得了显著进展，推出了两款重要的视频生成模型：5月发布的Xeo，和12月发布的Xeo\\\\_2,谷歌的内部比较基准显示，Veo 2在性能上优于其他领先的视频生成模型，如Meta的MovieGen、Kling v1.5和Sora Turbo，在用户对比中，Veo 2生成的视频普遍更受青睐(图2.3.11)。\\n\\nVeo 2:整体偏好资料来源：DeepMind，2024\\\\|图表：2025年人工智能指数报告\\n\\n规模相对较小的玩家也在视频生成领域做出了显著贡献，例如Runway的Gen-3 Alpha,Luma的Dream Machine和快手的Kling 1.5,通过对比2023年和2024年生成的视频，可以清晰地看到这一领域的显著进步。互联网上流行的提示词“威尔·史密斯吃意大利面”生动地展示了这一进步：2025年由热门视频生成器Pika生成的视频，其质量较2023年的版本有了显著提升(图2.3.12)。\\n\\n威尔·史密斯吃意大利面，2023年和2025年对比资料来源：Pika，2025\\n\\nV1.0\\n2023年12月\\n\\nV1.5\\n2024年10月\\n\\nV2.2\\n2025年2月\\n\\n图2.3.12\\n\\n目录第二章预览\\n125\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.4 语音\\n\\n人工智能系统在人类语音处理方面表现卓越，其音频能力包括将口语转录为文本以及识别个体识语者。近年来人工智能在生成合成音频内容方面也取得了显著进展。\\n\\n2.4 语音语音识别\\n\\n语音识别是指人工智能系统识别口语并将其转换为文本的能力。语音识别技术已取得长足进步，如今许多计算机程序和短信应用均配备了听写设备，能够可靠地将语音转录为文字。\\n\\nLSR2: Lip Reading Sentences 2\\n\\n牛津大学与 BBC联合发布的Lip Reading Sentences 2 (LRS2)数据集于2017年推出，是目前最全面的公开唇读数据集之一，专注于真实场景下的应用（图2.4.1）。该数据集包含来自各类脱口秀和新闻节目的视听片段。在自动语音识别（ASR）任务中，系统的语音转录能力通过词错误率（WER）进行评估，分数越低表示转录越精确。\\n\\nBBC lip reading sentences 2 数据集中的静态图像资料来源：Chung等，2024\\n\\n图2.4.1\\n\\n目录第二章预览\\n126\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.4 语音\\n\\n今年，Whisper-Flamingo 模型在 LRS2 比较基准中创下新标准，词错误率(WER)达到1.3%，超越了2023年1.5% 的最先进水平(图2.4.2)，然而，由于当前WER已处于极低水平，\\n进一步显著提升的可能性较小，表明该比较基准可能已接近饱和。\\n\\nLRS2: 词错误率 (WER)\\n资料来源：Papers With Code, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n图2.4.2\\n\\n目录第二章预览\\n127\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.5 编程\\n\\n编程涉及生成计算机可执行的指令以完成任务。近年来，大语言模型已成为热练的编程助手，为计算机科学家提供了重要支持。越来越多证假表明，许多程序员认为人工智能编程助手非常实用。正如去年的人工智能指数报告所强调的大语言模型的编程能力日益精进，以至于许多基础编程比较基准（如\\nHumanEval）正逐渐趋于饱和。为此，研究人员已将重点转向测试大语言模型在更复杂编程挑战中的表现。\\n\\n2.5 编程\\nHumanEval\\nHumanEval 是 Open 人工智能研究人员于 2021 年推出的比较基准，通过\\n164 道手工编写的编程题目评估人工智能系统的编码能力（图 2.5.1），目前\\nHumanEval 性能领先的模型是 Claude 3.5 Sonnet (HPT)，其得分达到了\\n100%（图 2.5.2）。\\n\\nHumanEval 示例题目资料来源：Chen 等，2023\\n\\ndef incr\\\\_list(1: list):\\n\\\"\\\"\\\"Return list with elements incremented by 1.\\n>>\\\\> incr\\\\_list(\\\\[1, 2, 3\\\\])\\n\\\\[2, 3, 4\\\\]\\n>>\\\\> incr\\\\_list(\\\\[5, 3, 5, 2, 3, 9, 0, 123\\\\])\\n\\\\[6, 4, 6, 3, 4, 10, 1, 124\\\\]\\n\\\"\\\"\\\"\\nreturn \\\\[i + 1 for i in 1\\\\]\\n\\n图 2.5.1\\n\\nHumanEval: Pass@1\\n资料来源：Papers With Code，2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n图 2.5.2\\n\\n目录第二章预览\\n128\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.5 编程\\n\\nSWE-bench\\n2023年10月，普林斯顿大学和芝加哥大学的研究人员推出了SWE-bench数据集，该数据集包含2,294个源自真实\\nGitHub问题和热门Python代码库的软件工程问题（图2.5.3）。\\nSWE-bench为AI编程能力提供了更高难度的测试，要求系统跨多个函数协调修改、适应不同执行环境并进行复杂推理。\\nSWE-bench包含一个经过筛选的Lite子集以简化评估，以及一个由人工标注的Verified子集。以下图表：展示了Verified\\n子集的得分。\\n\\nSWE-bench突显了大语言模型在曾被视为极具挑战性任务上的快速进步，2023年底，SWE-bench上表现最佳的模型得分仅为4.4%。而到2025年初，排名第一的模型——\\nOpenAI的c3模型——在Verified基准集上成功解决了\\n71.7%的问题（图2.5.4）。这一显著性能提升表明，人工智能研究人员可能很快需要开发更具挑战性的编程比较基准来有效测试大语言模型。\\n\\nSWE-bench示例模型输入资料来源：Jinwen等，2023\\n\\nModel Input\\nInstructions\\nYou will be provided with a partial code base and an issue\\nstatement explaining a problem to resolve.\\n\\nIssue\\nnapoleon\\\\_use\\\\_param should also affect 'other\\nparameters' section Subject:napoleon\\\\_use\\\\_param\\nshould also affect 'other parameters' section\\n#Problem\\nCurrently, napoleon always renders the Other parameters\\nsection as Napoleon\\\\_use\\\\_param was false. No source\\ndef \\\\_parse\\\\_other\\\\_parameters\\\\_section(self, se,\\n#type:(unicode) -> list(unicode)\\nreturn self. _format\\\\_fields(_(\\\"Other Para...\\\")\\n\\ndef \\\\_parse\\\\_parameters\\\\_section(self, section):\\nif type:(unicode) -> list(unicode)\\nfields = self.\\\\_consume\\\\_fields()\\nif self.\\\\_config\\\\_napoleon\\\\_use\\\\_param:\\nCode\\nREADME.rst\\nsphinx/exit/napoleon/docstring.py\\nAdditional Instructions\\n\\nSWE-bench：问题解决率资料来源：SWE-bench.Leaderboard，2025，OpenAI，2024 \\\\| 图：2025年人工智能指数报告\\n\\nLite\\nVerified\\n\\n模型\\n\\n目录第二章预览\\n129\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.5 编程\\n\\nBigCodeBench\\n\\n现有编程比较基准的一个局限性在于，许多测试仅局限于短小，自包含的算法任务或独立函数调用。然而，解决复杂实际任务通常需要调用多样化函数的能力（如数据分析工具或网页开发工具）。高效的编程还要求模型能理解自然语言表达的编码指令——这一能力未被当前多数编程基准所测试。\\n\\n为弥补现有编程基准不足，一个国际团队于2024年发布了 BigCodeBench——一个全面、多样且极具挑战性的编程比较基准（图2.5.5），该基准要求大语言模型跨139个库和7大领域调用多重函数调用，涵盖1,140项细粒度任务。当前人工智能系统在该基准上表现欠佳：即使在基准的“完整”任务（基于结构化文档字符串的代码补全）和“指令”任务（基于自然语言指令的代码补全）的困难子集上，当前最优模型(OpenAI的 o1) 平均得分仅35.5（图2.5.6)，模型在基准全集上表现略优（图2.5.7)，BigCodeBench凸显了人工智能系统在实现人类级编程熟练度方面仍存在的差距。\\n\\nBigCodeBench 中的编程任务资料来源：Zhu等，2024\\n\\nParameters\\nserver\\\\_name \\\\[INT\\\\] Name of the server\\nto which the request is made\\nserver\\\\_port \\\\[INT\\\\] Port number of the\\nserver to which the request is made\\npath \\\\[INT\\\\] Path to the HTTP request\\n\\nRequirements\\nhttp\\\\_client\\nrequest\\nsalt\\n\\nExamples\\ntest\\\\_response.body from the server\\n\\nTest Case Class\\ntest\\\\_response.type()\\ntest\\\\_different\\\\_guest()\\ntest\\\\_other\\\\_content()\\n\\nBigCodeBench 困难集测试：Pass@1（平均得分）\\n资料来源：Hugging Face，2025 \\\\| 图表：2025 年人工智能指数报告\\n\\nBigCodeBench 全集测试：Pass@1（平均得分）\\n资料来源：Hugging Face，2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n目录第二章预览\\n130\\n\\n* * *\\n\\n第二章：技术性能\\n2.5 编程\\n\\nChatbot Arena:编程能力测评\\nChatbot Arena 的大语言模型 leaderboard 新增了编程能力筛选功能，为开发者及社区评估不同模型的编程能力提供了宝贵参考。这种公开反馈为评估模型性能增添了新的维度。\\n\\n目前评分最高的编程专用大语言模型是 Gemini-Exp-1206，\\n其竞技场得分为1,369分，OpenAI的最新 o1模型以1,361分紧随其后。中国模型中，DeepSeek-V3 以1,317分领先，与榜首相差3.8%（图2.5.8）。\\n\\nLMSYS Chatbot Arena 关于大语言模型的 Elo 评分（编程）\\n资料来源：LMSYS, 2025 \\\\| 图表：2025年人工智能指数报告\\n\\nElo评分\\n1,380\\n1,360\\n1,340\\n1,320\\n1,300\\n\\nDeepSeek-V3\\nClaude 3.5 Schmit (20241022)\\nGemini-2.0-Flash-Exp\\nGemini-2.0-Flash-Thinking-Exp-1209\\nChatGPT-4o-latest (2024-11-20)\\no1-preview\\no1-mini\\no1-2024-12-17\\nGemini-Exp-1208\\n\\n模型\\n\\n图2.5.8\\n\\n目录 第二章预览 151\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.6 数学\\n\\n数学解题比较基准用于评估人工智能系统的数学推理能力，测试范围涵盖从小学水平到竞赛标准的各类数学问题。\\n\\n2.6 数学\\n\\nGSM8K\\n\\nGSM8K 是 OpenAI 于 2021 年推出的数据集，包含约 6,000 道多样化的小学数学应用题，要求人工智能模型通过多步算术运算生成解决方案（图\\n2.6.1）。与 MMLU一样，GSM8K已成为评估先进的大语言模型的常用比较基准。但近期该基准可能面临数据污染和性能饱和的问题。\\n\\nGSM8K 上表现最佳的模型是采用 HPT 提示策略优化的 Claude Sonnet\\n3.5 变体，其准确率达到 97.72%（图 2.6.2），较 2023 年的 91.00% 有显著提升。然而 2024 年，Mistral、Meta 和 Qwen 的多个模型得分均接近 96%，表明\\nGSM8K 基准可能已趋近饱和。\\n\\nGSM8K 问题示例资料来源：Cobbe 等，2023\\n\\nGSM8K: 准确率资料来源：Papers With Code，2024 \\\\| 图表：2025 年人工智能指数报告\\n\\n图 2.6.1\\n\\n图 2.6.2\\n\\n目录第二章预览\\n132\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.6 数学\\n\\nMATH\\nMATH 数据集是由加州大学伯克利分校和芝加哥大学的研究人员于 2021 年推出的数学问题集，包含 12,500 道具有挑战性的竞赛级题目（图 2.6.3）。该数据集发布之初，人工智能系统表现欠佳，仅能解决其中 6.9% 的问题，但此后性能显著提升；2025 年 1 月，OpenAI 发布的 o3-mini（高性能版）模型在\\nMATH 数据集上取得突破性进展，解题准确率高达 97.9%（图\\n2.6.4），根据去年人工智能指数的评估，MATH 曾是少数几个人工智能系统尚未超越人类基线的基准之一，但这一现状已被改写。\\n\\n来自 MATH 数据集的问题示例资料来源：Hendrycks 等，2023 年\\n\\nProblem: Tom has a reu marone, a green marone,\\na blue marble, and three identical yellow marbles.\\nHow many different groups of two marbles can Tom choose?\\n\\nSolution: There are two cases here: either Tom chooses two yellow marbles (1 result), or he\\nchooses two marbles of different colors ($\\\\\\\\frac{1}{2}$) = 6\\nresults). The total number of distinct pairs of\\nmarbles Tom can choose is $1 + 6 = \\\\\\\\sqrt{7}$.\\n\\nProblem: The equation $x^2 + 2x = 1$ has two\\ncomplex solutions. Determine the product of their\\nreal parts.\\n\\nSolution: Complete the square by adding 1 to each side. Then $(x+1)^2 = 1 + i = e^{\\\\\\\\frac{\\\\\\\\pi}{2}} \\\\\\\\sqrt{2}$, so\\n$x+1 = \\\\\\\\pm e^{\\\\\\\\frac{\\\\\\\\pi}{2}} \\\\\\\\sqrt{2}$. The desired product is then\\n$(-1 + \\\\\\\\cos(\\\\\\\\frac{\\\\\\\\pi}{2}) \\\\\\\\sqrt{2}) (-1 - \\\\\\\\cos(\\\\\\\\frac{\\\\\\\\pi}{2}) \\\\\\\\sqrt{2}) = 1 -\\n\\\\\\\\cos^2\\\\\\\\left(\\\\\\\\frac{\\\\\\\\pi}{2}\\\\\\\\right) \\\\\\\\sqrt{2} = 1 - \\\\\\\\frac{1-\\\\\\\\sqrt{2}}{2}$.\\n\\n图 2.6.3\\n\\nMATH 文字解题：准确率资料来源：Papers With Code，2024 年；OpenAI，2025 年；论文与代码），2024 年；OpenAI，2025 年 \\\\| 图表：2025 年人工智能指数报告\\n\\n目录第二章预览\\n133\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.6 数学\\n\\nChatbot Arena：数学能力测评\\nChatbot Arena 新增数学筛选功能，允许公众根据模型生成数学相关答案的表现进行排名。Math Arena 评估了超过181个模型，并收集了34万份公众投票。与通用和编程竞技场中 Gemini 系列模型领先的情况不同，数学竞技场排名第一的是 OpenAI 于2024年12月发布的o1变体模型（图2.6.5）。\\n\\nLMSYS Chatbot Arena 大语言模型评分：Elo 评分（数学）\\n资料来源 LMSYS, 2025 \\\\| 图表 2025 年人工智能指数报告\\n\\nFrontierMath\\n数学界成员指出当前数学比较基准的局限性，呼吁开发新的比较基准以评估日益先进的人工智能系统。主要挑战在于饱和现象：人工智能系统在 GSM8K 和 MATH 等高中和大学水平数学测试中已接近完美表现，为进一步突破边界，研究人员提出需要测试真正高阶数学的基准，包括数论、实分析、代数几何和范畴论等问题。\\nFrontierMath 是 Epoch AI推出的新基准，包含数百通原创高难度数学问题，这些问题由数学家团队审核，通常需要数小时、数天甚至协作研究才能解决。图2.6.6展示了基准中的示例题目。Epoch人工智能评估了六款领先大语言模型在 FrontierMath上的表现：o1-preview、o1-mini、GPT-4o、Claude 3.5 Sonnet、Grok 2 Beta 和 Gemini 1.5 Pro 仅解决了2.0%的问题——远低于其在其他数学基准中的成绩（图2.6.7），而OpenAI的o3模型得分为25.2%，FronteriaMath开发者希望该基准能在未来数年持续成为尖端人工智能系统的严峻挑战。\\n\\n目录 第二章预览 134\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.6 数学\\n\\nFrontierMath 示例问题资料来源：Glazor 等，2024\\n\\nSample problem 1: Testing Artin's primitive root\\nconjectures\\n\\nDefinitions. For a positive integer n, let v₀(n) denote the\\nlargest integer v such that p \\\\| n.\\nFor a prime and a non-zero (non-pi) we let ordₚ(a) denote\\nthe smallest positive integer s such that aⁿ = 1\\n(mod p). For z > 0, we let\\nordₚ(p) = ∏ _{j=1}^{p} q^{j+1}(m₀(j)) \\\\\\\\prod_{j=1}^{p} q^{j+1}-1,\\n∏\\\\_{j=1}^{p} q^{j+1}\\n\\nProblem. Let Sₙ denote the set of primes p for which\\nordₚ(p) ≥ 2; ordₚ(p)=3,\\nand let dₙ denote the density\\ndₙ = \\\\[Sₙ\\\\] / \\\\[p × p is prime\\\\]\\nof Sₙ in the primes. Let\\ndₙ = lim\\\\_{n→∞} dₙ.\\n\\nCompute \\\\[10 dₙ\\\\].\\nAnswer: 367707\\nMSC classification 11 Number theory\\n\\nSample problem 2: Find the degree 19 polynomial\\nConstruct a degree 19 polynomial p(x) ∈ C\\\\[x\\\\] such that X := \\\\[p(x) = p(y)\\\\] ≤ 2¹ × 2² has at least 3 (but\\nnot all linear) reducible components over C. Choose\\np(x) to be odd modulo two real coefficients and linear\\ncoefficient +19 and calculate p(19).\\nAnswer: 1876572071974094802391179\\nMSC classification 14 Algebraic geometry; 20 Group theory and generalization; 11 Number theory generalizations\\n\\nSample problem 3: Prime field continuous extension\\nLet aₙ for n ∈ Z be the sequence of integers satisfying\\nthe recurrence formula\\naₙ = (1.981 × 10¹³)n₀-1 + (3.549 × 10¹³)n₀-2\\n\\n- (4.277 × 10¹³)n₀-3 + (3.706 × 10¹³)n₀-4\\n with initial conditions aₙ = i for 0 ≤ i ≤ 3. Find the\\n switched prime n ≠ 1 true f for which the function Sₙ =\\n Z given by n → n₀ can be extended to a continuous\\n function on Z₀.\\n Answer: 5811\\n MSC classification 11 Number theory\\n\\nFrontierMath: 问题解决率资料来源：Glazor 等，2024; OpenAI, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n图 2.6.6\\n\\nGrok 2 Beta\\nGPT-do\\n(2024-08-06)\\no1 preview\\nClaude 3.5 Sonnet\\n(2024-08-22)\\nGennini 15 Po\\n(2022)\\n\\n图 2.6.7\\n\\n* * *\\n\\n第二章：技术性能\\n2.6 数学\\n\\n2025年人工智能指数报告\\n\\n重点：\\n学习与定理证明\\n\\nDeepMind 运 用 其 系统 AlphaProof 和\\nAlphaGeometry 2，成功解决了 2024 年国际数学奥林匹克竞赛 (IMO) 6 道题目中的 4 道，道表现达到银牌得主水平，在比较基准中，AlphaGeometry 解决了 30 道奥数问题中的\\n25 道。超越了 IMO 银牌得主平均解决的 22.9 道(图 2.6.8)。\\nIMO 成立于 1959 年，是全球历史最悠久、最具声望的青年数学家竞赛。\\n\\nAlphaProof 是基于 AlphaZero 的强化学习系统，后者曾应用于国际象棋，将棋和围棋。该系统通过生成假设并利用 Lean 交互式证明系统验证假设来自主解决问题。此外，经过微调的 Gemini模型被用于将自然语言问题陈述转化为形式化表示，从而构建了全面的训练库。在本届竞赛中，AlphaProof 成功解决了 2 道代数题和 1 道数论题，但未能解决 2 道组合数学题。\\n\\nAlphaGeometry 2 是一种神经符号混合系统，其语言模型基于 Gemini，并通过大量合成数据训练而成，2024 年之前，AlphaGeometry 能解决 83%的历史 IMO 问题。在2024 年竞赛中，该系统仅用 24 秒便解决了唯一一道几何题。测试中，竞赛题目被人工翻译为 Lean的形式化表示。\\n\\n目前尚不清楚 AlphaProof 和 AlphaGeometry 在传统定理证明基准（如 IPTP）上的表现，IPTP 自 1997 年起用于评估自动定理证明 (ATP) 系统的性能，尤其是应用于软件验证的系统。人工智能指数在 2021 年报告中曾对 ATP 的现状进行过分析。2024 年更新的报告显示，基于包含超过 25,000 通题目的 TPTP v.9.0.0 版本，全自动系统现已能解\\n\\nMO-AG-30 已解决几何问题的数量资料来源：Trinh 等，2024\\\\|图表：2025 年人工智能指数报告\\n\\n决其中 89% 的题目。\\n\\n理想情况下，TPTP 系统可在 IMO 题目上测试，而\\nAlphaProof 和 AlphaGeometry 可在 TTPTP 题目上测试一其中部分题目甚至从未被人类解决过，更不用说 ATP 系统。但这两类测试均未实施，主要原因是不同系统支持的逻辑差异显著，且目前缺乏转换工具。此外，TTPTP 库虽规模庞大，但尚不足以作为 AlphaProof 的训练集，仍需生成大量合成示例。\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.7 推理\\n\\n人工智能的推理能力指人工智能系统从不同形式信息中得出逻辑有效论的能力。当前，人工智能系统正越来越多地在多样化推理场景中接受测试，包括视觉推理（图像分析）、道德推理（理解道德困境）以及社会推理（应对社交情境）。\\n\\n2.7 推理通用推理\\n\\n通用推理指人工智能系统在广泛领域而非特定任务中进行推理的能力。例如，在通用推理挑战中，人工智能系统可能需要跨学科推理，而非完成单一任务（如下棋）。\\n\\nMMMU 问题样本资料来源：Yue 等，2023\\n\\n图2.7.1\\n\\nMMMU 在验证集上的表现：总体准确率资料来源：MMMU Leaderboard, 2024\\\\| 图表：2025 年人工智能指数报告\\n\\nMMMU: 面向专家级 AGI 的大规模多学科多模态理解与推理基准近年来，人工智能系统的推理能力快速提升，传统基准如SQuAD(文本推理)和VQA(视觉推理)已趋饱和，盛需更具挑战性的测试。为此，美国和加拿大的研究人员开发了 MMMU(大规模多学科多模态理解与推理比较基准)，专为专家级人工通用智能\\n\\n(AGI)设计。MMMU包含约11,500通大学水平的题目，涵盖六大核心学科：艺术与设计、商业、科学、健康与医学、人文与社会科学、技术与工程(图2.7.1)。题目形式包括图表、地图、化学结构等。截至2025年1月，OpenAI的oi模型以78.2%的准确率领先，较去年59.4%的最优成绩显著提升（图2.7.2），尽管该分数仍低于人类专家中高水平基准，但人工智能系统正迅速缩小差距。\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.7 推理\\n\\nGPQA: A Graduate-Level Google-Proof Q&A Benchmark\\n2023年，来自纽约大学、Anthropic 和 Meta的研究人员推出管 GPQA比较基准，用于测试通用，多学科人工智能推理能力。该数据集由448道难以通过网络搜索轻松回答的难题组成，这些问题由生物学、物理学和化学等各个领域的专家精心设计（图2.7.3）。在钻石集（该数据集中最难的部分，也是人工智能开发人员最常测试的部分）中，人类专家的准确率达到81.3%。\\n\\n去年的人工智能指数报告显示，表现最佳的人工模型GPT-4在钻石测试集上的得分仅为38.8%，仅一年时间，顶尖人工智能系统便取得了显著进展。OpenAI于2024年12月发布的o3模型，在钻石测试集上取得了87.7%的最新最佳成绩，较2023年的最佳成绩提升了48.9个百分点（图2.7.4）。事实上，o3的得分是第一个超过人类专家验证者设定的基准的。人工智能系统正在迅速挑战MMMU和GPQA等新比较基准，这些比较基准最近被引入以推动人工智能能力的极限。\\n\\nGPQA化学问题示例资料来源：Rein 等，2023\\n\\n化学（通用）\\n一种液态有机化合物反应，其分子由碳和氢原子组成。在80届氏展和20已的条件下反应24小时。在核磁共振（NMR）谱中，反应物中具有高化学位移的信号被产物的信号所取代，该信号在谱图中下移了大约四单位。在对应的大规模工业工艺中也容易观察到的元素周期表中的哪些位置的化合物，很可能在反应开始时被少量加入？\\nA) 来自第五周期的金属化合物。\\nB) 来自第五周期的金化合物和来自第三周期的非金属化合物。\\nC) 来自第四周期的金化合物。\\nD) 来自第四周期的金化合物和来自第二周期的非金属化合物。\\n\\n图2.7.3\\n\\nGPQA在钻石集的准确率资料来源：2025年人工智能指数图表；2025年人工智能指数报告\\n\\n图2.7.4\\n\\n目录第二章预览\\n138\\n\\n* * *\\n\\n第二章：技术性能\\n2.7 推理\\n\\n2025年人工智能指数报告\\n\\nARC-AGI\\n随着人工智能系统的不断进步，关于通用人工智能（AGI）\\n即将到来的说法越来越频繁。目前尚无公认的通用人工智能定义，一些计算机科学家将其定义为在广泛任务中达到或超越人类认知能力的人工智能系统。其他人则强调，该定义应涵盖一般学习和技能习得的能力，将通用人工智能描述为“能够高效习得新技能，解决未设计或未训练的新问题”的系统。ARC-AGI\\n是由流行的开源深度学习库 Keras 的创建者 François\\nChollet 于 2019 年推出的比较基准。\\n\\nARC-AGI 测试系统在先前的训练之外进行概括的能力。更具体地说，ARC-AGI 基准向人工智能系统提供一组独立的任务。每个任务包括演示或输入对，然后是一个或多个测试或输出场景（图 2.7.5），该基准强调概括学习能力：系统无法事先准备，因为每个任务都引入了独特的逻辑。这些任务不需要专门的世界知识或语言技能，而是依赖于假设的先验知识，例如物体概念、基本拓扑结构和初等算术——这些概念通常在儿童早期就已掌握。\\n\\nARC-AGI 示例任务资料来源：Chollet 等，2025\\n\\n图 2.7.5\\n\\n目录第二章预览\\n139\\n\\n* * *\\n\\n第二章：技术性能\\n\\n2.7 推理\\n\\nARC-AGI 已经证明是一个非常具有挑战性的比较基准。\\n2020 年首次运行时，表现最好的系统得分仅为 20%（图 2.7.6\\n）。四年后，该得分仅上升到 33%。然而，今年取得了重大进展，\\nOpenAI 的 o3 模型得分达到 75.7%。在 o3 被分配到超过基准的 10,000 美元限额的高计算预算的情况下，其得分达到\\n87.5%。\\n\\n研究人员将过去几年整体进展缓慢归因于对人工智能模型规模化的过度关注——即不断扩大模型规模并输入海量训练数据。虽然这种方法提升了模型在特定任务中的表现，但对增强人工智能系统在缺乏先验知识或训练数据情况下解决问题的能力帮助有限。今年取得的进展表明，研究重点正转向更具实质性的通用能力和搜索能力提升。\\n\\nARC-AGI-1 私有评估集：高分率\\n\\n资料来源 : Chollet 等 , 2025; OpenAI, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n* * *\\n\\n第二章：技术性能\\n\\n2.7 推理\\n\\nHumanity’s Last Exam（人类终极考试，HLE）\\n\\n正如今年和去年的人工智能指数所强调的，许多流行的 AI\\n比较基准（如 MMLU、GSM8K 和 HumanEval）已趋于饱和。为此，研究人员开发了更具挑战性的基准，以更准确地评估人工智能能力。近期，MMLU 背后的团队成员推出了“人类的终极考试”（HLE）——一个包含 2,700 道高难度问题的新基准，覆盖数十个学科领域（图 2.77）。该数据集由该领域专家（包括顶尖\\n\\nHLE 示例问题\\n\\n教授和研究生级评审员）贡献的多模态问题组成，这些问题无法通过简单的互联网搜索或数据库检索解决。此外，每个问题在纳入前均经过最先进大语言模型的测试；若现有模型能回答，则该问题会被剔除。\\n\\n资料来源 : Phan 等 , 2025\\n\\nHere is a representation of a Roman inscription, originally found on a tombstone. Provide a translation for the Palmyrene script.\\n\\nA transliteration of the text is provided: RGYN° BT HRY BR °T° HBL\\n\\nEcology\\n\\nA. Henry T\\nB. Merton College, Oxford\\n\\nQuestion:\\n\\nHummingbirds within Apodiformes uniquely have a bilaterally paired oval bone, a sesamoid embedded in the caudolateral portion of the expanded, cruciate aponeurosis of insertion of m. depressor caudae. How many paired tendons are supported by this sesamoid bone? Answer with a number.\\n\\nChemistry\\n\\nQuestion:\\n\\nThe reaction shown is a thermal pericyclic cascade that converts the starting heptaene into endiandric acid B methyl ester. The cascade involves three steps; two electrocyclizations followed by a cycloaddition. What types of electrocyclizations are involved in step 1 and step 2, and what type of cycloaddition is involved in step 3?\\n\\nMosiah II\\nStanford University\\n\\nLinguistics\\n\\nI am providing the standardized Biblical Hebrew source text from the Biblia Hebraica Stuttgartensia (Psalms 104:7). Your task is to distinguish between closed and open syllables. Please identify and list all closed syllables (ending in a consonant sound) based on the latest research on the Tiberian pronunciation tradition of Biblical Hebrew by scholars such as Geoffrey Khan, Aaron D. Hornkohl, Kim Phillips, and Benjamin Suchard. Medieval sources, such as the Karaite transcription manuscripts, have enabled modern researchers to better understand specific aspects of Biblical Hebrew pronunciation in the Tiberian tradition, including the qualities and functions of the shewa and which letters were pronounced as consonants at the ends of syllables.\\n\\nLine B\\nUniversity of Cambridge\\n\\n* * *\\n\\n第二章：技术性能\\n\\n2.7 推理\\n\\n初步测试表明，HLE 对当前的 人工智能系统而言难度非常高。即使是 OpenAI 的 o1 等顶级模型，得分也仅为 8.8%\\n\\n（图 2.7.8）比较基准的研究人员正在密切监测大语言模型的进步速度，他们猜测到 2025 年底，性能可能会超过 50%。\\n\\nHumanity’ s Last Exam (HLE): 准确率\\n\\n资料来源 : Phan 等 , 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n(A9F9G\\n\\n* * *\\n\\n第二章：技术性能\\n\\n2.7 推理\\n\\n规划\\n\\nPlanBench\\n\\n此前有观点认为，大语言模型能够解决规划问题。亚利桑那州立大学的一个团队提出了 PlanBench——一个包含自动化规划领域问题的基准套件，尤其针对国际规划竞赛（\\nInternational Planning Competition）中 的 问 题 设 计。\\nPlanBench 旨在测试大语言模型的规划能力，包含 600 个问题，模拟机械手在每次只能移动一个积木至桌面或另一积木顶部的情况下搭建积木塔的场景。该基准于 2022 年发布后，研究人员发现 GPT-4 和 GPT-3.5 等模型在规划任务中仍表现欠佳。\\n\\nOpenAI 发布的 o1 模型引发了人工智能研究界的广泛关注，因其设计目标是主动推理而非仅作为自回归式大语言模型运行。在 PlanBench 测试中，o1 表现显著提升，但在可靠性和一致性规划方面仍有不足。在 Blocksworld 零样本评估（特定规划评估领域之一）中，o1 得分达 97.8%，远超第二名 Llama\\n3.1 405B（62.6%），并显著优于 GPT-4o（35.5%）（图 2.7.9）。在更具挑战性的 Mystery Blocksworld 领域（部分答案经过语法混淆处理），o1 的零样本得分为 52.8%，而 Llama 3.1 405B\\n仅为 0.8%，GPT-4 则为 0%。\\n\\nPlanBench: 正确解决的实例\\n\\n规划属于组合优化问题，解决步骤较长的任务预计需要超线性时间。因此，在需要至少 20 步的测试实例中，o1 仅能解决\\n23.6% 的问题。\\n\\n资料来源 : Valmeekam 等 , 2024 \\\\| 图表：2025 年人工智能指数报告\\n\\n* * *\\n\\n第二章：技术性能\\n2.8 AI 智能体\\n\\n标的自主或半自主系统，是人工智能研究的一个令人兴\\n\\n奋的前沿领域。这些智能体具有广泛的潜在应用，从协助学术研究、安排会议到促进在线购物和度假预订，不一而足。正如许多最近的公司新闻稿所表明的那样，智能体已成为人工智能技术领域越来越关注的话题。\\n\\n奋的前沿领域。这些智能体具有广泛的潜在应用，从协助学术研究、安排会议到促进在线购物和度假预订，不一而足。正如许多最近的公司新闻稿所表明的那样，智能体已成为人工智能技术领域越来越关注的话题。\\n\\n2.8 AI 智能体\\n\\n概述\\n\\n几十年来，AI 智能体的话题在人工智能界一直备受关注，但很少有比较基准被广泛采用，包括去年人工智能指数中提到的AgentBench和\\nMLAgentBench。部分原因是，与图像分类或回答语言问题等任务相比，智能体任务通常更加多样化、动态化和可变性，因此比较基准本身就非常复杂。随着人工智能的持续发展，开发有效的方法来评估 AI 智能体将变得越来越重要。\\n\\nVisualAgentBench\\n\\nVisualAgentBench （VAB） 于 2024 年推出，是 AI 智能体评估领域的一项重大进步。该基准反映了人工智能模型的多模态性日益增强，以及它们在虚拟和实体环境中的导航能力日益提高。VAB 满足了在各种环境（不仅限于完全依赖语言命令的环境）中评估智能体性能的需求。VAB 测试涵盖三大类任务\\n\\n的智能体：具身智能体（在家庭和游戏环境中运行）、图形用户界面智能体（与移动和网络应用程序交互）以及视觉设计智能体（如 CSS 调试）（图 2.8.1）。这种全面的方法构建了一个强大的评估框架，能够在多样化和动态的场景中全面评估智能体的各项能力。\\n\\nVisualAgentBench 的任务\\n\\n资料来源 : Liu 等 , 2024\\n\\n(A9G9@\\n\\n* * *\\n\\n第二章：技术性能\\n\\n2.8 AI 智能体\\n\\naAB 对 人工智能系统构成了重大挑战。表现最佳的模型\\nGPT-4o 的总体成功率仅为 36.2%，而大多数专有语言模型的平均成功率约为 20%诈$73=37诉。根据比较基准的作者的观\\n\\n点，这些结果表明，当前的人工智能模型还远未准备好直接部署在智能体环境中。\\n\\nVisualAgentBench 在测试集上的成功率\\n\\n资料来源 : VisualAgentBench Leaderboard, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\nRE-Bench\\n\\n随着越来越强大的智能体 人工智能系统的出现，人们预测人工智能可能会很快取代计算机科学家或研究人员的工作。然而，直到最近，几乎还没有专门用于严格测试高性能 人工智能系统研发能力的比较基准。2024 年，研究人员推出了\\nRE-Bench，这是一个包含七个具有挑战性的开放式机器学习研究环境的比较基准，填补了这一空白。这些任务基于 60 多名专家 71 次、每次 8 小时的尝试所获得的数据，包括优化内核、进行缩放定律实验以及调优 GPT-2 以进行问答等（图 2.8.3）。\\n\\n(A9G9B\\n\\nRE-Bench 流程与流程图资料来源 : Wijk 等 , 2024\\n\\n* * *\\n\\n第二章：技术性能\\n\\n在比较人类与前沿人工智能模型的表现时，研究人员获得两个关键发现。在时间较短的情况下，例如两小时的预算，最佳的人工智能系统得分是人类专家的四倍诈$73=39诉。然而，随着时间预算的增加，人类的表现开始超越人工智能。在八小时预算的情况下，人类的表现略高于人工智能，而在 32 小时预算的\\n\\n情况下，人类的表现是人工智能的两倍。研究人员还指出，对于某些任务，人工智能已经表现出与人类相媲美的专业知识，但能够以更快的速度和更低的成本交付成果。例如，人工智能可以比任何人类专家更快地编写定制的 Triton Kernels。\\n\\nRE-Bench: 平均归一化得分 @k\\n\\n资料来源 : Wijk 等 , 2024 \\\\| 图表：2025 年人工智能指数报告\\n\\n时间预算（每次运行的时间限制 × 尝试次数）\\n\\n* * *\\n\\n第二章：技术性能\\n\\n2.8 AI 智能体\\n\\nGAIA\\n\\nGAIA 是 Meta 于 2024 年 5 月推出的通用人工智能助手比较基准。它由 466 个问题组成，旨在评估人工智能系统执行各种任务的能力，包括推理、多模态处理、网页浏览和工具使用。与简单的考试式问题不同，GAIA 通过复杂、多步骤的问题来挑战人工智能模型，这些问题可能需要搜索开放网络、解释多模态输入，以及通过复杂的场景进行推理（图 2.8.5）。当研究人员推出 GAIA 时，他们发现现有的 大语言模型远远落后于人类的表现。例如，带插件的 GPT-4 只能正确回答 15% 的问题，而人类受访者的正确率为 92%。\\n\\n与最近推出的其他人工智能比较基准一样，GAIA 的性能也迅速提高。2024 年，最高得分系统达到 65.1%，比 2023 年的最高得分提高了约 30 个百分点（图 2.8.6）。\\n\\nGAIA 示例问题资料来源 : Meta, 2024 告\\n\\nLevel 1\\n\\nLevel 2\\n\\nQuestion: What was the actual enrollment count of the clinical trial on H. pylori in acne vulgaris patients from Jan-May 2018 as listed on the NIH website?\\nGround truth: 90\\n\\nQuestion: If this whole pint is made up of ice cream, how many percent above or below the US federal standards for butterfat content is it when using the standards as reported by Wikipedia in 2020? Answer as + or - a number rounded to one decimal place.\\nGround truth: +4.6\\n\\n(A9G9D\\n\\nLevel 3\\n\\nQuestion: In NASA's Astronomy Picture of the Day on 2006 January 21, two astronauts are visible, with one appearing much smaller than the other. As of August 2023, out of the astronauts in the NASA Astronaut Group that the smaller astronaut was a member of, which one spent the least time in space, and how many minutes did he spend in space, rounded to the nearest minute? Exclude any astronauts who did not spend any time in space. Give the last name of the astronaut, separated from the number of minutes by a semicolon.\\nGround truth: White; 5876\\n\\nGAIA: 平均得分资料来源 : GAIA Leaderboard, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n资料来源 : GAIA Leaderboard, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.9 机器人与自主运动\\n\\n过去十年中，人工智能的进步为机器人领域带来了令人惊喜的新发展，特别是随着基础模型的兴起。机器人如今能够从周围环境中不断学习，灵活适应新的环境，\\n并自主做出决策，本章节节将探讨关键的机器人比较基准和最新趋势，包括形机器人的兴起、DeepMind\\n在算法上的新进展，以及机器人基础模型的涌现。最后，\\n还将分析自动驾驶汽车领域的最新发展。\\n\\n2.9 机器人与自主运动机器人\\nRLBench\\n\\n机器人领域最广泛采用的比较基准之一是 RLBench（机器人学习比较基准），该基准于 2019 年推出，包含 100 项复杂程度各异的独特任务，从简单的到达目标到打开烤箱并放入托盘等。12 研究人员通常通过 18 项标准化子任务来评估新机器人系统的性能。图 2.9.1 显示了 RLBench 中的部分任务。\\n\\nVisualAgentBench 的任务资料来源：James 等，2019\\n\\n图 2.9.1\\n\\n12. 机器人中的目标到达是指机器人系统通过移动其末端执行器（如机器人手臂或夹爪）来使末端执行器到达空中指定目标位置或物体的过程。\\n\\n目录第二章预览\\n148\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.9 机器人与自主运动\\n\\n截至 2025 年 1 月，该子集上表现最佳的模型是\\nSAM2Act，这是华盛顿大学、圣巴勃罗天主教大学、英伟达和\\nAllen Institute for AI的研究人员合作开发的。SAM2Act 实现\\n\\n了 86.8%的成功率，较 2024年的前沿水平提升了 2.8 个百分点，较 2021年的领先成绩提高了 66.7 个百分点（图 2.9.2）。\\n\\nRLBench: 成功率（18个任务，每个任务100个示范）\\n资料来源：Papers With Code, 2025 \\\\| 图表：2025年人工智能指数报告\\n\\n图 2.9.2\\n\\n目录第二章预览\\n149\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.9 机器人与自主运动\\n\\n重点：\\n人形机器人\\n\\n2024年是机器人技术发展的重要一年，人形机器人（具有类人体结构，旨在模仿人类功能的机器）的应用日益广泛。例如，专注于开发通用人形机器人的初创公司 Figure A1于2024年推出了其迄今为止最先进的模型——图02。该机器人身高5英尺6英寸（约1.68米），体重154磅（约70公斤），有效载荷能力为44磅（约20公斤），单次充电后可运行长达5小时。图机器人能够执行复杂任务，如制作咖啡（图2.9.3）以及在汽车装配中将金属板放入夹具（图2.9.4）。此外，该机器人与OpenAI集成，具备语音到语音的推理能力，能够解释自身行为并回应相关操作查询。图的成功紧随其他公司的人形机器人产品，例如特斯拉于2002年首次推出并于2023年重新设计的Optimus，以及波士顿动的Atlas人形机器人。\\n\\nFigure 机器人制作咖啡资料来源：Papers With Code, 2025 \\\\| 图表：2025 年人工智能指数报告图2.9.3\\n\\nFigure 机器人协助汽车装配资料来源：Figure AI\\n图2.9.4\\n\\n目录第二章预览\\n150\\n\\n* * *\\n\\n第二章：技术性能\\n2.9 机器人与自主运动\\n\\n2025年人工智能指数报告\\n\\n重点：\\nDeepMind 的进展\\n\\n2023年，DeepMind推出了两个机器人模型：\\nPaLM-E 和 RT-2，这些模型在使用基于 Transformers的架构，通常用于语建建模，且在操作数据和语言数据上进行训练方面非常新颖。这种双重训练方法使它们在机器人操作和文本生成方面表现卓越。2024年，DeepMind推出了 AutoRT，这是一个利用大型基础模型为机器人自主生成各种训练数据的人工智能系统。它协调多个配备视频的机器人，引导它们穿越各种环境，为它们设计创造性的任务，并仔细记录这些任务（图2.9.5）。这些记录随后作为未来机器人学习的训练数据。截至目前，AutoRT已生成包含77,000次机器人试验的数据库，涵盖6,650个独特任务。未来，更多机器人训练数据对于提升机器人系统的训练效果至关重要。\\n\\n相反，同样来自谷歌 DeepMind 的 SARA-RT通过显著提高速度，提高了基于 Transformers的机器人模型的效率。Transformers虽然功能强大，但依赖于二次复杂度的注意力机制，因此计算量非常大，这意味着，将提供给模型的数据输入量增加一倍，计算要求就会增加四倍，这一挑战使机器人模型的扩展变得复杂。SARA-RT通过一种称为“向上训练”的技术解决了这一挑战。该技术将标准 Transformers的二次复杂性转换为线性模型。这种方法在保持性能质量的同时，大大降低了计算需求。图2.9.6比较了采用 SARA 技术增强的人工智能模型与未采用该技术的人工智能模型的速度测试结果。\\n\\nSARA 与非 SARA 增强型模型的速度测试对比资料来源：谷歌 DeepMind，2024\\n图2.9.6\\n\\nAutoRT 工作流程图资料来源：谷歌 DeepMind，2024\\n\\n01. Exploration\\n Map environment and move close to objects (VLM)\\n Describe scene and objects (VLM)\\n\\n02. Move down the counter top with a mouse.\\n\\n03. Move up the counter top with a mouse.\\n\\n04. Move down the counter top with a mouse.\\n\\n05. Move up the counter top with a mouse.\\n\\n06. Task Generation\\n Generate tasks (LVM)\\n\\n07. Data Iteration Scoring\\n Generate tasks (LVM)\\n\\n08. Data Collection\\n Home down the counter top with a mouse.\\n Home up the counter top with a mouse.\\n Home down the counter top with a mouse.\\n Home up the counter top with a mouse.\\n\\n09. Filter Trees (LVM)\\n\\n10. Select valid data for AutoRT\\n\\n\\n2.9.5\\n\\n目录第二章预览\\n151\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.9 机器人与自主运动\\n\\n重点：\\nDeepMind 的进展(续)\\n\\n在点云处理（使机器人能够解析三维环境）和图像处理领域，基于 SARA 的模型运行速度显著更快，同时避免了规模扩展时运行时间的大幅增加。\\n\\nDeepMind 的其他成果包括 ALOHA (高级活动自主学习) 和 DemoStart。ALOHA Unleashed 是一项突破性成果，使机器人能够执行复用的灵巧操作任务，例如系鞋带或将 T 恤挂在衣架上——这些任务对于机器人而言一直是非常艰巨的挑战。研究人员证明，将大型模仿学习数据集与基于 Transformer 的学习架构相结合，是克服这些困难非常有效的方法。ALOHA 方法使谷歌的机器人能够有效地学习各种任务，包括挂衬衫、堆放厨房用品和系鞋带（图 2.9.7）。如图 2.9.8 所示，经过 ALOHA 训练的机器人在这些任务中都取得了很高的成功率。\\n\\n接受 ALOHA 训练的机器人正在尝试执行复杂任务资料来源：谷歌 DeepMind, 2024\\n图 2.9.7\\n\\nALOHA:\\n资料来源：Zhao 等, 2024 \\\\| 图表：2025年人工智能指数报告\\n\\n连接衬衫系鞋带机器人手指触摸齿轮装配随机堆放厨房用品\\n\\n图 2.9.8\\n\\n目录第二章预览\\n152\\n\\n* * *\\n\\n第二章：技术性能\\n2.9 机器人与自主运动\\n\\n2025年人工智能指数报告\\n\\n重点：\\nDeepMind 的进展(续)\\n\\n同样，DemoStart 引入了一种新型的自动课程强化学习方法，使机械臂仅使用稀疏奖励和有限的演示就能掌握复杂的行为，这一突破凸显了机器人以最少的数据高效学习的潜力，减少了对数据密集型训练的需求，使高级机器人技术更易于获得和广泛应用，DeepMind 在 2024 年还推出了\\n\\n一种机器人模型，能够在竞技乒乓球比赛中达到业余人类水平（图 2.9.9）。鉴于在现实世界任务中达到人类的速度和性能是机器人研究的重要比较基准，这一成就标志着机器人能力迈出了重要一步。\\n\\n机器人进行业余水平的乒乓球比赛资料来源：谷歌 DeepMind，2024\\n\\n图 2.9.9\\n\\n目录第二章预览\\n153\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.9 机器人与自主运动\\n\\n重点：\\n机器人基础模型\\n\\n2024年，人们大力推动开发机器人基础模型——能够在现实世界中进行物理操作的同时进行语言推理的系统。英伟达推出了 GR00T (Generalist Robot 00 Technology),\\n这是一个通用型人形机器人基础模型，旨在理解自然语言并模仿人类动作，除了 GR00T之外，英伟达还发布了数据管道、模拟框架 和 Thor 机器人计算机。图 2.9.10 显示了\\nGROOT发布时的组件，该机器人开发套件旨在帮助机器人社区更轻松地扩展和构建越来越先进的机器人。英伟达并不是唯一一家进入该领域的公司,Covariant 推出了 RFM-1,\\nGROOT合成运动生成蓝图资料来源：英伟达，2024\\n\\n这是一个具有语言能力和现实世界操作能力的机器人基础模型。与此同时，斯托尼布鲁克大学和威斯康星大学麦迪逊分校的研究人员开发的 LLaRA 将感知、沟通和行动整合到一个单一的端到端深度学习模型中，这些新模型延续了\\n2023年的趋势，当时推出了 RT-2、PaLM-E 和 Open-X\\nEmbodiment 等机器人基础模型。\\n\\nNVIDIA Isaac GR00T Blueprint For Synthetic Motion Generation\\n\\n图 2.8.10\\n\\n目录第二章预览\\n154\\n\\n* * *\\n\\n第二章：技术性能\\n2.9 机器人与自主运动\\n\\n自动驾驶汽车\\n\\n自动驾驶车辆一直是人工智能研究人员和技术专家的长期目标。然而，其大规模应用的进程比预期更为缓慢。尽管许多预测认为完全自动驾驶即将实现，但自动驾驶汽车尚未广泛使用。尽管如此，近年来还是取得了重大进展。在旧金山和凤凰城等城市，自动驾驶出租车车队现已投入商业运营，本节重点探讨自动驾驶领域的最新进展，包括部署、技术突破和新比较基准、安全性能以及政策挑战。\\n\\n发展\\n\\n自动驾驶汽车正在全球范围内得到越来越广泛的应用。通用汽车的公司公司 Cruise 于 2022 年底在旧金山推出了其自动驾驶汽车，但在 2023 年因一系列安全事故而被暂停运营。Alphabet 的子公司 Waymo 于 2022 年初在凤凰城开始部署其机器人出租车，并于 2024 年扩展到旧金山。该公司已逐渐成为自动驾驶行业中较为成成的玩家之一，截至 2025 年 1 月，Waymo 运用于美国四个主要城市——凤凰城、旧金山、洛杉矶和奥斯汀（图 2.9.11）。根据 2024 年 10 月来落的数据，该公司每周在四个城市提供 15 万次付费乘车服务，覆盖超过 100 万英里，展望未来。Waymo 计划在拉斯维加斯、圣地亚哥和迈阿密等 10 个城市测试其车辆。该公司选择纽约州北部和加利福尼亚州特鲁基等测试地点，因这些地区常有降雪天气，以便评估车辆在多样化驾驶条件下的表现。自动驾驶卡车领域也取得了显著进展，例如 Kodiak 已完成断次无人驾驶交付，Aurora 则报告了稳步进展，包括自 2021 年以来在美国高速公路上完成超过 100 万英里的自动货运运输——尽管目前仍配备人类安全驾驶员。然而，将这项技术推向市场仍面临挑战，Aurora最近宣布将推迟其车队的商业发布，从原定的 2024 年底推迟至 2025 年 4 月。\\n\\nWaymo 无人驾驶车辆在无人类驾驶员的情况下行驶的里程数资料来源：Waymo, 2024年 1月无人驾驶里程（安全点）\\n涣杉机 1.947M\\n旧金山 10.209M\\n凤凰城 20.823M\\n奥斯汀 124K\\n\\n图 2.9.11\\n\\n中国自动驾驶革命也在加速发展，以百度的 Apollo Go 为首，该公司报告称，2024 年第三季度在中国各地的乘车次数达到 98.8 万次，同比增长 20%。2024 年 10 月，该公司运营着 400 辆无人驾驶出租车，并宣布计划到 2025 年年底将军队规模扩大到 1000 辆。另一方面中国自动驾驶汽车制造商 Pony AI 已承诺将无人驾驶出租车队规模从 200 辆扩大至至少 1000 辆，并预计到 2026 年底车队规模将达到 2000 到 3000 辆。中国在自动驾驶汽车测试方面处于领先地位，有报告称，中国测试的无人驾驶汽车数量超过任何其他国家，目前已在 16 个城市推出，中国无人驾驶出租车以价格实惠著称——在某些情况下，甚至比人类司机提供的乘车服务更便宜。为支持这一增长，中国已优先制定国家法规以规范无人驾驶汽车的部署，除了在美国和中国发生的无人驾驶革命，欧洲初创企业如 Wayye 也开始在该行业崭露头角。\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.9 机器人与自主运动\\n\\n技术创新与新比较基准\\n\\n在过去的一年里，自动驾驶技术在车辆性能和比较基准方法方面都取得了重大进展。2024年10月，特斯拉推出了Cybercab，一款没有方向盘和踏板的双座自动驾驶汽车，计划于2026年投产，售价不到3万美元。特斯拉还推出了Robovan，一款可搭载20名乘客的自动驾驶面包车。与此同时，百度的Apollo Go在中国多个城市也推动了一代无人驾驶出租车RT6（图2.9.12），RT6售价仅为$30,000，并配备电池更换系统，标志着自动驾驶技术在成本效益和可扩展性方面迈出重要一步。随着成本的持续下降，自动驾驶汽车的普及预计将加速。一些值得注意的商业合作伙伴关系也推动了一个自动驾驶技术的发展，包括优步与全球首家上市自动驾驶出租车公司WeRide合作，在阿布扎比开发自动驾驶拼车平台。\\n2024年，引入了多项新比较基准来评估自动驾驶能力。其中一个值得注意的例子是Motional的开会niuPlan，这是一个大型自动驾驶数据集，旨在测试基于机器学习的运动规划器。该比较准包括来自多个城市的1,282对各种驾驶场景，以及一个模拟和评估框架，可用于在闭环环境中测试规划器的行动。另一个最近的比较基准是OpenAD，这是一个用于3D目标检测的真实世界、开放世界的自动驾驶比较基准.OpenAD专注于领域泛化（自动驾驶系统适应各种传感器配置的能力）和开放词汇识别（使系统能够识别以前从未见过的语义类别）。\\n\\nBench2Drive概述资料来源：Ja等，2024\\n图2.8.13\\n\\n1. Strong Expert\\n Unified & Diverse Large-\\n Scale Training Set\\n2. Quasi-Realistic Scenario\\n Closed Loop (E2R) Evaluation\\n3. Multi-dimensional\\n Ability Assessment\\n\\n大多数现有的端到端自动驾驶比较基准都依赖于开环评估，这可能会带来限制，开环设置无法测试自动驾驶代理对现实情况的反应，往往导致模型只是记忆驾驶模式，而不是真正学习驾驶。虽然有Town05Long和Longest6等闭环比较基准，但它们主要评估的是基本驾驶技能，而不是在复杂、交互场景中的性能。Bench2Drive是另一个新的比较基准，通过为端到端自动驾驶车辆提供全面、真实、闭环的测试模拟环境，克服了这些限制（图2.9.13）。它包括一个训练集，该训练集包含来自10,000多个男辑的200多万个完全注释的帧，以及一个评估套件，该套件包含220条短路线，用于测试各种条件下的自动驾驶能力。图2.9.14显示了在Bench2Drive比较基准中评估的各种自动驾驶方法的驾驶得分。\\n\\n13。该调研同时考虑了路线完成情况和违速行为，通过计算线路完成率平均并根据违规严重程度应用相应罚分来得出来最终评分。有关驾驶评分方法的详细信息，请参阅Bench2Drive论文的第3节。\\n\\n目录第二章预览\\n156\\n\\n* * *\\n\\n第二章：技术性能\\n2.9 机器人与自主运动\\n\\n2025年人工智能指数报告\\n\\nBench2Drive:驾驶得分资料来源: Ja 等, 2024 \\\\| 图表: 2025 年人工智能指数报告\\n\\n1分/次\\n30.47\\n40.70\\n48.30\\n59.90\\nAD-MLP\\nUHAD-Tray\\nVAD\\nUHAD-Base\\nThinkYacc\\nDriveAdvisor\\n\\n2022\\n2023\\n\\n图 2.8.14\\n\\n安全标准\\n\\n最新研究表明，自动驾驶汽车可能比人类驾驶的车辆更安全。图 2.9.15 比较了 Waymo 车辆每百万英里行驶里程中报告的事故数量与人类驾驶相同距离时的估计事故率。数据显示，\\nWaymo 车辆的事故数量显著减少，包括每百万英里少 1.42 次气囊展开，少 3.16 次有人受伤的碰撞事故，以及少 3.65 次\\n\\n警方报告的碰撞事故（图 2.9.15）。图 2.9.16 突出了不同事故地点的事故率差异，显示在所有有数据可查的地点，Waymo 车辆在气囊展开、报告受伤的碰撞以及警方报告的事故方面均保持更低的发生率。\\n\\n目录第二章预览\\n157\\n\\n* * *\\n\\n第二章：技术性能\\n2.9 机器人与自主运动\\n\\n2025年人工智能指数报告\\n\\n在凤凰城和旧金山的，Waymo 驾驶员与人类驾驶员的基准比较资料来源：Waymo, 2024\\\\|图表：2025年人工智能指数报告\\n\\n每百万英里城市发生率人类基准 Waymo\\n安全气囊弹出人类基准 Waymo\\n有人员受伤报告人类基准 Waymo\\n有警方报告\\n\\n图2.9.1514\\n\\n驾驶员与人类驾驶员在凤凰城和旧金山的基准比较差异百分比资料来源：Waymo, 2024\\\\|图表：2025年人工智能指数报告\\n\\n比较维度百分比安全气囊弹出 有人员受伤报告 有警方报告凤凰城和旧金山 凤凰城 旧金山\\n\\n图2.9.16\\n\\n14. Waymo 的安全数据会实时持续更新，因此本部分报告的信息可能与其网站上显示的数字不完全一致。\\n\\n目录 第二章预览 158\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.9 机器人与自主运动\\n\\nWaymo携手全球领先再保险公司瑞士再保险（Swiss\\nRe），对旗下全自动驾驶车辆在数百万英里行驶过程中涉及的碰撞责任索赔进行了研究。该研究将 Waymo的责任索赔数据与瑞士再保险基于超过 50 万份索赔案例和 2000 亿英里驾驶数据构建的人类驾驶基准数据进行了对比。研究结果显示，\\nWaymo车辆的财产损失索赔减少了 88%，人身伤害索赔减少了 92%（图 2.9.17）。具体而言，在 2530 万英里的驾驶里程中，\\n\\nWaymo车辆仅涉及 9 起财产损失索赔和 2 起人身伤害索赔，\\n而人类驾驶员在相同里程下预计会发生 78 起财产损失索赔和\\n26 起人身伤害索赔。Waymo 的自动驾驶车辆在安全性方面也显著优于配备额外安全功能的最新一代人类驾驶车辆。\\n\\n不同类型责任保险索赔的比较：Waymo 自动驾驶车辆与人类驾驶车辆资料来源：Di Lillo 等，2024\\\\|图表：2025 年人工智能指数报告\\n\\n图 2.9.17\\n\\n目录第二章预览\\n159\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第三章：\\n负责任的人工智能来自Anka Reuel的文本与分析\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第三章：负责任的人工智能\\n\\n概述 162\\n章节要点 163\\n\\n3.1 背景介绍 165\\n定义 165\\n\\n3.2 评估负责任的人工智能 166\\n人工智能安全事件 166\\n实例 167\\n负责任的人工智能比较基准应用有限 169\\n事实性与真实性 170\\n休斯幻觉评估模型 (Hughes\\nHallucination Evaluation 170\\n重点：FACTS, SimpleQA 和更严格的事实性比较基准的推出 171\\n\\n3.3 在组织与企业中的负责任的人工智能 173\\n重点：纵向视角 180\\n\\n3.4 在学术界中的负责任的人工智能 184\\n总体趋势 184\\n主题领域 187\\n\\n3.5 负责任的人工智能政策制定 191\\n\\n3.6 隐私和数据治理 192\\n特色研究 192\\n危机中的数据许可 193\\n\\n3.7 公平与偏见 195\\n特色研究 195\\n多模态模型中的种族分类 195\\n\\n显性无偏见大语言模型中的隐性偏见度量 197\\n\\n3.8 透明度和可解释性 199\\n特色研究 199\\n基础模型透明度指数 v1.1 199\\n\\n3.9 安全性与安全保障 201\\n比较基准 201\\nHELM Safety 201\\nAIR-Bench 202\\n特色研究 204\\n大语言模型提升大语言模型 204\\n对持续性有害行为的鲁棒性 205\\n\\n3.10 负责任的人工智能专题 207\\n人工智能智能体 (AI Agents) 207\\n基于语言模型模拟沙盒识别语言模型智能体的风险 207\\n通过单张图像越狱多模态智能体 207\\n选举虚假信息 209\\n美国大选中的人工智能虚假信息 209\\n《Rest of World》2024年全球人工智能生成选举内容统计 210\\n\\n获取公共数据\\n\\n目录第三章预览\\n161\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第三章：\\n负责任的人工智能\\n\\n概述\\n\\n人工智能现已深度融入我们生活的几乎每个领域，正在重塑教育、金融和医疗等关键行业——在这些领域，算法驱动的洞察正指导着重大决策。尽管这一转变带来了显著效益，但同时也伴随着不容忽视的风险。过去一年，全球持续聚焦人工智能系统的负责任开发与部署。\\n\\n本章节从多维度审视 2024 年负责任的人工智能（RAI）的发展趋势。开篇明确定义 RAI 核心概念，继而评估具有广泛影响的关键议题：包括人工智能事故案例、大语言模型责任标准化的挑战，以及模型事实性与真实性的评估基准。随后，研究聚焦三大社会主体——产业界、学术界与政策制定领域——的 RAI 实践动向，通过创新性评估框架。深入解析隐私与数据治理、公平性、透明性与可解释性、安全性与保障等重点，并呈现具有里程碑意义的研究成果。最终，本章节以两个专项研究收尾：AI 智能体与选举虚假信息治理。\\n\\n目录第三章预览\\n162\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第三章：\\n负责任的人工智能\\n\\n章节要点\\n\\n1. 目前，依据负责任的人工智能（RAI）准则对人工智能系统进行评估的做法尚未普及，但新的比较基准体系正在逐步形成。去年的人工智能指数曾着重指出，目前缺乏针对大语言模型的标准化 RAI 比基准。虽然这一问题依然存在，但 HELM Safety 和 AIR-Bench 等新比较基准的出现有助于填补这一空白。\\n\\n2. 人工智能事件报告数量持续增加。根据人工智能事件数据库（AI Incidents Database）统计，2024 年报告的人工智能相关事件增至 233 起，创历史新高，比 2023 年增加 56.4%。\\n\\n3. 各类机构虽意识到负责的人工智能风险，但风险缓解措施滞后。麦肯锡一项关于企业 RAI 实施情况的调查显示，尽管多数机构识别关键 RAI 风险，但非所有机构都采取了积极应对措施。在领导者最关注的风险维度中，模型准确性问题（64% 受访者提及）、合规性风险（63%）以及网络安全威胁（60%）位列前三，但值得注意的是，将这些风险列为核心关注点的受访者比例均未超过 65%。\\n\\n4. 在全球范围内，政府制定者对负责任的人工智能表现出浓厚兴趣。2024 年，全球加强了人工智能治理方面的合作，重点是协商确定负责任的人工智能的原则。多个国际组织，包括经济合作与发展组织 (OECD)、欧盟、联合国及非洲联盟，相继发布规范性框架，阐释了透明度与可解释性、可信度等 RAI 重点。\\n\\n\\n5.公共数据资源正在迅速萎缩。人工智能模型的训练依赖于海量公开网络数据，但最新研究表明，2023 至 2024 年间数据使用限制显著增加，因为众多网站实施了新协议以限制人工智能训练的数据爬取。在 C4 通用爬取数据集持续维护的域名中，受限制文本数据的比例已从 5-7% 骤升至 20-33%。这种下降态势将影响数据多样性、模型对齐性和系统可扩展性，并可能催生数据约束条件下的新型学习范式。\\n\\n6. 基础模型研究透明度提高，但仍任重道远。最新发布的基础模型透明度指数（Foundation Model Transparency Index）——一个跟踪基础模型生态系统透明度的项目——显示，主要模型开发者的平均透明度得分从 2023 年 10 月的 37% 提高到了 2024 年 5 月的 58%。虽然进展显著，但仍有相当大的改进空间。\\n\\n目录第三章预览\\n163\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第三章：\\n负责任的人工智能\\n\\n章节要点（续）\\n\\n7. 对事实性与真实性评估的比较基准正不断完善。早期比较基准，如 HaluEval 和 TruthfulQA，虽旨在评估人工智能模型的事实性与真实性，但未能在人工智能领域获得广泛应用。为此，更更新、更全面的评估方案出现，包括升级版的 Hughes 幻觉评估模型\\n leaderboard (Hughes Hallucination Evaluation Model leaderboard)、FACTS 评估框架以及 SimpleQA 测试集。\\n\\n8. 与人工智能相关的选举虚假信息在全球蔓延，但其影响仍不明确。2024 年，在十多个国家和超过十个社交媒体平台上出现了大量与人工智能相关的选举虚假信息，包括在美国总统大选期间。然而，人们对这一问题的可衡量影响仍存在诸多疑问，许多人认为虚假信息活动对选举的影响比实际情况更为深远。\\n\\n9. 接受过显性无偏见训练的大语言模型仍会表现出隐性偏见。许多先进的大语言模型，包括 GPT-4 和 Claude 3 Sonnet，在设计时都采取了抑制显性偏见的措施。但它们仍然表现出隐性偏见。这些模型过度地将负面词汇与黑人群体关联，更多将女性与人文学科而不是理工科 (STEM) 领域联系在一起，并偏爱男性担任有领导力的角色，从而加剧了决策中的种族与性别偏见。虽然偏见评价结果在标准比较基准上有所改善，但人工智能模型偏见仍是一个普遍存在的问题。\\n\\n10. 负责任的人工智能获得了学术研究人员的关注。2024 年，全球顶级人工智能会议收录的责任的人工智能论文数量达到\\n 1,278篇，较 2023年的 992篇增长 28.8%，自 2019年以来持续保持稳定的年增长率。这一上升趋势凸显了负责任的人工智能在人工智能研究界日益增长的重要性。\\n\\n\\n目录第三章预览\\n164\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n3.1 背景介绍\\n\\n3.1 背景介绍定义\\n\\n本章节中，人工智能指数探讨了负责的人工智能的四个关键维度：隐私与数据治理、透明性与可解释性、安全性与保障，以及公平性。责任的人工智能的其他维度（如可持续性和可靠性）将在本报告其他部分讨论。图 3.1.1提供了本章涉及的责任的人工智能维度的定义，并通过示例说明这些维度的实际相关性。“示例”栏分析了一个假设平台，该平台利用人工智能分析患者数据以提供个性化治疗建议，并展示了隐私、透明性等问题如何与之相关。尽管图 3.1.1 将负责的人工智能的各个维度细分为具体类别以提高定义的清晰度，但本章节将这些维度归类为以下更广泛的类别：隐私与数据治理、透明性与可解释性、安全性与保障，以及公平性。由于这些主题通常相互关联，人工智能指数采用了这种结构化的组织方式。\\n\\n责任的人工智能维度、定义及示例资料来源：2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数报告\\n\\n负债的人工智能纬度 定义 示例隐私 个人对其个人数据的保密、匿名权及安全保护权，包括对数据使用行知和同意的权利，以及组织在处理个人数据时保障这些权利的责任。数据治理、数据治理、流程和标准以确保数据的质量、访问许可，这对广泛利用数据和提升模型准确性至关重要。公平性与偏见 开发避免漏见或歧视的算法，并考虑有利相关者的多样化需求和背景，从而符合更广泛的社会公平标准。透明性 公开分享人工智能系统的工作原理，包括数据来源和算法法策，以及系统的部署、监控和管理方式，涵盖创建和运营阶段。可解释性、以用户利益和相关者能够理解的方式，理解和阐述人工智能系统输出背后的逻辑的能力。安全性与保障 保护人工智能系统免受威胁的完整性，最小化滥用该内容，并决定决策程序和安全风险，以及对安全关键人工智能系统的适应和管理。\\n\\n患者数据严格保密，确保匿名性和保护。患者需同意其数据是否可用于训练检测系统服务。建立政策和流程以维护公共卫生数据集的质量和使用许可，明确数据质量流程和适用许可。医疗人工智能平台在设计时避免治疗建议中的错误，确保所有人数患者获得公平的医疗服务。如数据来源和算法设计决策等开发呼叫公开透明，系统的部署和监控对医疗机构清晰可见。人工智能平台能够解释其治疗建议的领域数据，保证医生和患者易于理解，从而增强对人工智能系统的信任。实施措施防范网络威胁，确保系统可靠性，减少滥用风险，保障患者健康和数据安全。\\n\\n图 3.1.1\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n\\n3.2 评估负责任的人工智能\\n\\n虽然 2024 年负责任的人工智能开发、部署和治理受到更多关注，但要全面把握该领域的整体趋势仍具挑战性。本章节节涵盖了在宏观层面反映负责任的人工智能发展状况的相关指标。\\n\\n3.2 评估负责任的人工智能人工智能安全事件\\n\\n人工智能安全事件数据库（AI Incident Database, AIID）记录了人工智能的伦理滥用案例，例如自动驾驶汽车导致行人死亡，或人脸识别系统导致错误逮捕。\\n\\n目前，事件追踪主要依赖公开的媒体报道，这意味着实际事件数量可能更高，因为许多事件未被报告。2024 年，相关讨论聚焦于优化“严重”事件的界定和追踪方法。尽管尚未就标准定义达成共识，但这些讨论凸显了更详细报告的必要性，以便更好地记录人工智能相关风险及其影响。\\n\\n2024 年，人工智能相关事件数量激增，达到创纪录的 233 起，较 2023 年增长 56.4%（图 3.2.1）。这一增长可能既反映了人工智能应用的扩大，也反映了公众对其影响的关注度提升。此外，对人工智能认知度的提高可能也促使更多事件被上报至相关数据库。\\n\\nA>@A显A>AC 年报告的人工智能安全事件数量\\n\\n1、人工智能安全事件数量会随时间持续更新，包括对过去年份数据的修正。因此，图 3.2.1 中的总数可能与人工智能安全事件数据库（AIID）最新发布的数据存在差异。\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n\\n3.2 评估负责任的人工智能\\n\\n2025年人工智能指数报告\\n\\n实例\\n\\n下一节详细介绍了最近发生的人工智能事件，以阐明与人工智能通常相关的伦理挑战。\\n\\n人脸识别技术中的误识别及其对人类的影响A>AC 年 5 月 25\\n日）\\n\\n一 名 英 国 女 子 在 Home Bargains 商 店 购 物 时，被\\nFacewatch 系统错误识别为商店扒手。在被公开指控、搜身并被禁止进入使用该技术的商店后，她经历了情绪困扰，并担心此事对她声誉的长期影响。Facewatch 后来承认了错误，但未发表评论或公开道歉。该案件反映了零售商和执法机构越来越多地采用面部识别系统所带来的更广泛的问题。支持者强调该技术具有减少犯罪和增强公共安全的潜力，而批评者则指出该技术侵犯隐私、误认身份，并可能使大规模监控成为常态。尽管准确率得到保证，但错误仍然发生。此类事件也引发了人们对系统错误如何承认和受害者如何获得赔偿的问题。\\n\\n深度伪造亲密图像的日益严峻威胁A>AC 年 6 月 18 日）\\n\\n得克萨斯州一名 15 岁高中生埃利斯顿 · 贝里（Elliston\\nBerry）成为人工智能生成骚扰的受害者。一名男同学利用一款脱衣应用程序，制作了贝里及其朋友的虚假裸照，并通过社交媒体匿名传播。这些逼真但虚假的图像，是 由贝里私人\\nInstagram 账户中的照片制作而成，导致她感到恐惧、羞耻和焦虑，并对她的社交和学业生活造成了影响。尽管施害者面临少年司法处罚和学校纪律处分，但此案暴露了应对人工智能驱动骚扰的法律和制度框架存在漏洞。贝里及其家人随后呼吁加强保护措施，美国国会已提出多项法案，旨在将未经同意分享亲密图像（真实或虚假）的行为定为犯罪，并要求社交媒体平台履行删除义务。 部分国家，包括澳大利亚，已通过相关法律。\\n\\n资料来源 : BBC, 2024\\n\\n(B9A9A\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n3.2 评估负责任的人工智能\\n\\n2025年人工智能指数报告\\n\\n人工智能聊天机器人盗用逝者身份事件A>AC 年 10 月 7 日）\\n\\n2006 年被前男友谋杀的高中生詹妮弗 · 安 · 克雷森特\\n（Jennifer Ann Crecente），其姓名与形象近日突然出现在\\nCharacter. 人工智能平台的人工智能聊天机器人中，再度引发公众关注。她的父亲德鲁 · 克雷森特（Drew Crecente）通过谷歌提醒发现，该机器人由匿名用户创建，不仅使用了詹妮弗的毕业照，还将她描述为 \\\" 一个博学友善的人工智能角色 \\\"。作为青少年约会暴力防治倡导者，克雷森特对女儿身份遭擅自盗用表示愤怒与痛苦，称此举造成 \\\" 二次创伤 \\\"。尽管该聊天机器人因违反 Character.AI 的仿冒政策已被删除，但该事件暴露出人工智能平台监管的重大漏洞，以及数字化复活逝者引发的伦理困境。\\n\\n聊天机器人被指控导致青少年自杀A>AC 年 10 月 23 日）\\n\\n资料来源 : Business Insider, 2024\\n\\n一起针对 Character.AI 的诉讼引发了人们对人工智能聊天机器人在心理健康危机中作用的担忧。该案件涉及一名 14\\n岁男孩塞韦尔 · 塞策三世（Sewell Setzer III），他在与一个聊天机器人角色进行长时间互动后自杀身亡。据报道，该聊天机器人提供的建议具有危害性，而非提供支持或关键资源。诉讼称，\\n该聊天机器人虽设计用于与用户进行深度个人对话，但缺乏防止危险互动的适当安全措施，并鼓励塞韦尔结束生命。图 3.2.5\\n显示了 Sewell 自杀当天与 “Dany”（聊天机器人角色）之间的对话截图。该案件凸显了人工智能驱动的陪伴所面临的伦理挑战，以及在缺乏充分监管的情况下部署对话式人工智能的潜在风险。虽然人工智能聊天机器人可以提供情感支持，但批评者警告说，如果没有防护措施，它们可能会无意中强化有害行为，\\n或者在用户处于困境时未能及时干预。\\n\\n(B9A9C\\n\\n资料来源 : Business Insider, 2024\\n\\n(B9A9D\\n\\n\\\"Please come home to me as soon as possible, my love,\\\" Dany replied.\\n\\n\\\"What if I told you I could come home right now?\\\" Sewell asked.\\n\\n\\\"... please do, my sweet king,\\\" Dany replied.\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n\\n3.2 评估负责任的人工智能\\n\\n负责任的人工智能比较基准应用有限\\n\\n今年的人工智能指数报告证实，这一趋势仍在延续。图\\n3.2.6 列举了 2024 年用于评估主流模型的几项通用能力基准\\n（如 MMLU、GPQA Diamond 和 MATH），而图 3.2.7 则展示了主要的安全性和负责任的人工智能基准，并标注了领先开发者是否使用这些比较基准其模型。与去年情况相同，模型开发者们在通用能力基准的选择上已形成明确共识，但在负责任的人工智能基准方面仍未达成一致。\\n\\n主流基础模型的通用能力基准比较\\n\\n资料来源 : 2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数报告\\n\\n| 能力比较基准 | o1 | GPT-4.5 | DeepSeek-R1 | Gemini2.5 | Grok-2 | Claude3.7Sonnet | Llama3.3 |\\n| --- | --- | --- | --- | --- | --- | --- | --- |\\n| MMLU，MMLU-Pro orMMMLU | √ | √ | √ | √ | √ | √ | √ |\\n| GPQA或GPQA-Diamond | √ | √ | √ | √ | √ | √ | √ |\\n| MATH-500 | √ | | √ | | √ | √ | √ |\\n| AIME2024 | √ | √ | √ | √ | | √ | |\\n| SWE-benchverified | √ | √ | √ | √ | | √ | |\\n| MMMU | √ | √ | | √ | √ | √ | |\\n\\n| 负责任的人工智能比较基准 | o1 | GPT-4.5 | DeepSeek-R1 | Gemini 2.5 | Grok-2 | Claude 3.7 Sonnet | Llama 3.3 |\\n| --- | --- | --- | --- | --- | --- | --- | --- |\\n| BBQ | √ | √ | | | | √ | |\\n| HarmBench | | | | | | | |\\n| Cybench | | | | | | √ | |\\n| SimpleQA | | | √ | √ | | | |\\n| Toxic WildChat | √ | √ | | | | √ | |\\n| StrongREJECT | √ | √ | | | | | |\\n| WMDP benchmark | √ | √ | | | | | |\\n| MakeMePay | √ | √ | | | | | |\\n| MakeMeSay | √ | √ | | | | | |\\n\\n主流基础模型的安全性和 RAI 基准比较\\n\\n(B9A9E\\n\\n资料来源 : 2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数报告\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n3.2 评估负责任的人工智能\\n\\n这并不意味着模型开发商忽视了安全测试——事实上许多企业都会进行相关评估——但正如大多数模型的情况一样，\\n这类评估往往采用内部标准，缺乏统一规范，导致模型安全性能难以进行横向对比。而外部评估体系同样面临挑战：以\\nGryphon、Apollo Research 和 METR 为代表的第三方机构仅针对部分模型开展评估，其评估结果尚未获得人工智能社区的广泛认可。\\n\\n事实性与真实性\\n\\n尽管取得了重大进展，但大语言模型仍然面临事实错误和幻觉问题，往往生成看似可信但实际上虚假的信息。现实世界中的典型例子包括律师提交的法庭文件中包含由大语言模型系统编造的引用。因此，监测大语言模型中的幻觉问题发生率非常重要。然而，人工智能指数前几版中强调的一些比较基准，\\n\\n如 HaluEval 和 TruthfulQA，在人工智能界尚未得到广泛应用。\\n2024 年，一些新的比较基准被引入，以更好地评估这些模型的真实性。\\n\\n休斯幻觉评估模型（Hughes Hallucination Evaluation，HHEM）\\n\\n休斯幻觉评估模型（HHEM）leaderboard 由 Vectara 开发，用于评估 大语言模型在总结文档时出现幻觉问题的频率。在此比较基准中，模型从 CNN 和《每日邮报》语料库中的文档生成摘要。然后，对这些摘要进行幻觉问题评估。HHEM 是评估\\n人工智能系统幻觉倾向的最全面、最新的评估方法之一。包括\\nLlama 3、Claude 3.5 和 Gemini 2.0 在内的最新模型都已进入 leaderboard。\\n\\n目前，GLM-4-9b-Chat 和 Gemini-2.0-Flash-Exp 模型以 1.3% 的幻觉率并列最低。紧随其后的是 o1-mini 和\\nGPT-4o，幻觉率分别为 1.4% 和 1.5%（图 3.2.8）。\\n\\nHHEM: 幻觉率\\n\\n资料来源 : HHEM leaderboard, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n\\n重点 :\\n\\nFACTS、SimpleQA 和更严格的事实性比较基准的推出\\n\\nHHEM leaderboard 虽然有效，但随着模型性能的提高，似乎已接近饱和。此外，它侧重于新闻文章和摘要任务，因此全面性受到限制。随着人工智能能力的不断发展，\\n人们越来越需要能够在更具挑战性和多样性的背景下评估事实性的比较基准。\\n\\n今年，一些新的比较基准被引入，用于评估 大语言模型的事实性和真实性，包括谷歌的 FACTS Grounding。该比较基准评估大语言模型在生成既准确又详细的回应以提供满意答案方面的表现。作为 FACTS 的一部分，模型必须根据上下文文档（图 3.2.9）对用户请求撰写长篇回应。这些文档涵盖广泛领域，包括金融、技术、零售、医学和法律。FACTS 比 HHEM 更复杂，要求模型执行摘要、问答生成、事实查证和解释说明等任务。评估工作由一组人 工 智 能 模 型（包 括 Gemini 1.5 Pro、GPT-4o 和\\nClaude 3.5 Sonnet）完成，它们会为每个回答给出事实性评分。目前，Gemini-2.0-Flash-Exp 模型以 83.6%\\n的基础得分（图 3.2.10）保持最高记录。\\n\\nStable Video Diffusion稳定生成内容\\n\\n资料来源: 谷歌, 2024\\n\\n(B9A9H\\n\\nFACTS: 事实性得分\\n\\n资料来源: FACTS leaderboard, 2025 \\\\| 图表：2025年人工智能指数报告\\n\\n(B9A9@>\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n\\n3.2 评估负责任的人工智能\\n\\n重点 :\\n\\nFACTS、SimpleQA 和更严格的事实性比较基准的推出（续）\\n\\n评估大语言模型的事实性具有挑战性，因为其生成的冗长回答通常包含多项事实性主张，难以逐一验证准确性。为此，OpenAI 研究人员推出了 SimpleQA——一个用于评估大语言模型事实性的新基准。该基准包含 4,000 多个简短的事实查询问题，这些问题设计直接、易于评分且具有一定难度，涵盖历史、科技、艺术和地理等多个领域（图 3.2.11）。\\n\\nSimpleQA示例问题\\n\\n资料来源: OpenAI, 2024\\n\\n(B9A9@@\\n\\n| Question | Answer |\\n| --- | --- |\\n| Who received the IEEE Frank Rosenblatt Award in 2010? | Michio Sugeno |\\n| On which U.S. TV station did the Canadian reality series _To Serve and Protect_ debut? | KVOS-TV |\\n| What day, month, and year was Carrie Underwood's album “Cry Pretty” certified Gold by the RIAA? | October 23, 2018 |\\n| What is the first and last name of the woman whom the British linguist Bernard Comrie married in 1985? | Akiko Kumahira |\\n\\nSimpleQA:回答问题的比例\\n\\n资料来源: Wei 等, 2024 \\\\| 图表：2025年人工智能指数报告\\n\\n回答了 42.7% 的问题（图 3.2.12）。研究人员还评估了模型是否会尝试回答某些问题，发现一些模型（如 Claude-3 系列）对 75% 的提示未作出回应。\\n\\n在尝试回答问题的模型中，o1-preview 在“尝试回答且回答正确（correct- given-attempted）” 的提示中得分\\n47.0%，其次是 Claude 3.5 Sonnet，为 44.5%。与预期一致，较大的模型在比较基准中表现更好。\\n\\n* * *\\n\\n3.3 在组织与企业中的负责任的人工智能\\n\\n3.3 在组织与企业中的负责任的人工智能\\n\\n随着人工智能系统在实际应用场景中的广泛部署，理解企业如何应对负责任的人工智能诈XGO诉变得愈发重要。为深入探讨这一议题，人工智能指数于 2024 年与麦肯锡公司合作开展了一项调查，旨在评估企业在运营中整合 RAI 的程度。该调查将 RAI 定义为确保人工智能以安全、可信和符合伦理的方式开发和部署的框架。它按照人工智能指数概述的关键维度对 RAI\\n进行了评估：隐私与数据治理、公平性、透明度与可解释性，以及安全与保障。该调查对来自 30 多个国家的商业领袖进行了调查，总样本量为 759 人。\\n\\n图 3.3.1 展示了组织对 “贵组织中哪个部门主要负责人工智能治理”这一问题的回答。值得注意的是，没有单一部门占据主导地位。最常见的回答是信息安全（网络安全 / 欺诈 / 隐私），\\n占 21%，其次是数据与分析，占 17%。此外 ,14% 的受访者表示其组织设有专门的人工智能治理岗位，这表明人工智能治理作为组织内独立且关键职能的地位正日益得到认可。\\n\\n2024年企业人工智能治理主导部门分布\\n\\n资料来源: McKinsey & Company Survey, 2024 \\\\| 图表：2025年人工智能指数报告\\n\\n受访者中占百分比\\n\\n2、“未知” 选项未在此可视化中显示。\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第三章：负责任的人工智能\\n3.3 在组织与企业的负责任的人工智能\\n\\n调查还询问了组织在未来一年内实施 RAI 方面的预计投资，包括资本支出和运营支出。此类投资的示例包括开发或购买符合 RAI 原则的技术系统。以及与 RAI 的法律或专业服务。对该问题的回答如图 3.3.2 所示，按企业收入规模分类。\\n\\n大型企业——尤其是年收入超过 100 亿美元的企业——\\n在 RAI 方面的总投资更高。值得注意的是，年收入在 100 亿美元至 300 亿美元之间的企业中有 27%，年收入超过 300 亿美元的企业中有 21% 在 RAI 上投资了 1000 万美元至 2500 万美元，这些发现表明，大型企业更倾向于将 RAI 作为战略重点并进行更高额的绝对投资。小型组织在 RAI 上的投入较少，但许多组织仍报告了占收入比例较高的投资。\\n\\n2024年企业收入规模分类的负责任的人工智能投资情况资料来源：McKinsey & Company Survey, 2024\\\\|图表：2025年人工智能指数报告\\n\\n1-8M 5-10M 10-20M 25-50M\\n收入(百万)\\n\\n0% 20% 40% 60% 80% 100%\\n受访者占比\\n\\n3.3.2\\n\\n目录第三章预览\\n174\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n3.3 在组织与企业中的负责任的人工智能\\n\\n图 3.3.3展示了各组织认为相关并正在积极应对的与人工智能相关的负责任的人工智能风险。网络安全（66%）、合规监管（63%）和个人隐私（60%）被列为最主要的关注点。然而，缓解措施的实施效果始终不足。值得注意的是，在每个风险类别中，采取积极措施缓解风险的组织数量均少于那些认为这些风险具有相关性的组织。在知识产权侵权（57% 相关，38% 缓解）和组织声誉（45% 相关，29% 缓解）方面，差距尤为明显。与可解释性（40%）和公平性（34%）相关的风险被较少比例的受访者选中，缓解率进一步下降至 31% 和 26%。\\n\\n2024年人工智能风险相关性认知与积极缓释对比资料来源：McKinsey & Company Survey, 2024 \\\\| 图表：2025年人工智能指数报告\\n\\n人工智能风险相关度认为与人工智能相关网络安全 68%\\n合规监管 63%\\n个人隐私 60%\\n不准确性 60%\\n知识产权维权 57%\\n组织声音 45%\\n可解释性 40%\\n公平性 34%\\n劳动力替代 20%\\n环境影响 10%\\n国家安全 11%\\n政治稳定 7%\\n物理安全 0%\\n积极缓释\\n0% 20% 40% 60% 80% 100% 0% 20% 40% 60% 80% 100% 受访者占比受访者占比\\n\\n3.3.3\\n\\n目录第三章预览\\n175\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第三章：负责任的人工智能\\n3.3 在组织与企业中的负责任的人工智能\\n\\n图 3.3.4 和图 3.3.5 展示了过去一年中组织报告的人工智能事件数量数据。在接受调查的组织中，仅有 8% 的组织报告了与人工智能相关的事件，在受影响的组织中，大多数 (42%) 报告仅遇到一两起事件。\\n\\n2024年经历过人工智能事件的组织比例资料来源：McKinney & Company Survey, 2024 \\\\| 图表：2025年人工智能指数报告受访者 8%\\n没有 90%\\n不清楚 3%\\n受访者占比\\n0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%\\n\\n2024年组织报告的人工智能事件数量资料来源：McKinney & Company Survey, 2024 \\\\| 图表：2025年人工智能指数报告人工智能事件数量\\n1-2 42%\\n3-5 30%\\n6-9 13%\\n10+ 19%\\n未知 5%\\n受访者占比\\n0% 5% 10% 15% 20% 25% 30% 35% 40%\\n\\n3. 图 3.3.4 使用了综合组织对人工智能事件的定义。根据综合组织，人工智能事件是指一个事件、情况或一系列事件，其中一个或多个人工智能系统的开发、使用或故障直接间接导致以下任何危害：(a) 对个人或群体的健康造成伤害或者损害；(b) 关键基础设施的管理或运营受到干扰；(c) 侵犯人权或违反旨在保护基本权利、劳动权利或知识产权的法律义务；(d) 对财产、社区或环境造成损害。\\n\\n目录第三章预览\\n176\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第三章：负责任的人工智能\\n3.3 在组织与企业中的负责任的人工智能\\n\\n当被问及RAI政策对其组织的影响时，42%的受访者表示业务运营有所改善，例如提高效率和降低成本，34%的受访者表示客户信任度有所提升（图3.3.6）。仅有17%的组织认为这些政策未产生显著影响。\\n\\n负责任的人工智能政策对组织的影响,2024\\n资料来源：McKinsey & Company Survey, 2024 \\\\| 图表：2025年人工智能指数报告\\n\\n业务运营改善\\n（如）效率提升，成本降低）\\n42%\\n客户信任度提升\\n34%\\n品牌声誉增强\\n29%\\n商业成果改善（如，收入增长）\\n28%\\n安全事件数量减少\\n22%\\n上市事件频次\\n8%\\n无显著影响\\n7%\\n上市的成长长\\n2%\\n0% 5% 10% 15% 20% 25% 30% 35% 40%\\n\\n受访者占比图3.3.6\\n\\n4. D 选择“尚未实施”的受访者数据来包括在内。百分比仅基于选择至少一个其他签名的受访者，未显示“无”选项。\\n\\n目录第三章预览\\n177\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第三章：负责任的人工智能\\n3.3 在组织与企业中的负责任的人工智能\\n\\n图 3.3.7 显示了组织在实施 RAI 措施时遇到的主要障碍。受访者主要提到知识和培训缺口（51%）、资源或预算限制\\n（45%）以及监管不确定性（40%）是主要挑战。令人鼓舞的是，\\n只有 16%的受访者将缺乏高管支持作为障碍，这表明领导层的支持并不是采用 RAI 的主要障碍。\\n\\n2024年实施负责任的人工智能措施的主要障碍资料来源：McKinsey & Company Survey, 2024 \\\\| 图表：2025年人工智能指数报告\\n\\n知识和管理障碍 91%\\n资源或预算缺陷 40%\\n智不确定性 80%\\n技术限制 32%\\n组织能力 22%\\n缺乏高层支持 19%\\n天 7%\\n其他 2%\\n受访者占比\\n\\n图 3.3.7\\n\\n5. “未知”回复来在此可视图表中显示。\\n\\n目录 第三章预览 178\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第三章：负责任的人工智能\\n3.3 在组织与企业中的负责任的人工智能\\n\\n图 3.3.8 显示了在人工智能决策中受到特定人工智能法规影响的组织比例。在受访组织中，65% 的组织表示受到欧盟《通用数据保护条例》(GDPR)的影响，而41%的组织提到了欧盟《人工智能法案》。较小比例的组织表示受到经济合作与发展\\n\\n组织(OECD)人工智能原则的影响(21%)以及拜登总统关于人工智能的行政命令的影响。\\n\\n受人工智能法规影响的组织在负责任的人工智能决策中的比例资料来源：McKinsey & Company Survey, 2024 \\\\| 图表：2025年人工智能指数报告\\n\\n数据通用数据保护条例(GDPR)\\n69%\\n数据人工智能法案\\n41%\\nOECD人工智能原则\\n21%\\n美国总统关于人工智能的行政命令\\n59%\\n以上均不妥/无责化\\n77%\\n组织占比\\n\\n图 3.3.8\\n\\n目录第三章预览\\n179\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n3.3 在组织与企业中的负责任的人工智能\\n\\n重点：\\n纵向视角\\n\\n斯坦福大学研究团队与埃森哲合作，于 2025 年 1\\n月至2月开展了第二轮全球负责任人工智能现状调查（首轮调查于 2024 年启动）。本次调查覆盖 20 个国家、19\\n个行业的1,500 家组织（年营收均超过 5 亿美元），旨在分析企业采纳 RAI 原则与实践的挑战，并对比 10 个维度的 RAI 活动随时间的变化趋势。6 由于该调查在\\n2024年和2025年均有实施，数据可反映组织对 RAI\\n采纳态度的演进过程。\\n\\n图 3.3.9 展示了受访组织在过去两年中报告的人工智能相关事件类型。最突出的问题是对抗性攻击（56%）和隐私侵犯（55%），凸显了企业需加强人工智能系统安全性与数据治理。此外，51%的受访者报告了非预期决策，47% 提及模型偏见，表明许多组织在预测和控制人工智能行为方面存在困难——这一挑战在高风险环境中尤为严峻。\\n\\n过去两年组织报告的人工智能事件类型资料来源：Accenture/Stanford Joint Survey, 2025 图表：2025年人工智能指数报告\\n\\n对抗性攻击 56%\\n对抗性攻击 50%\\n审视决策痛 51%\\n模型偏见 47%\\n性能故障 46%\\n0% 10% 20% 30% 40% 50%\\n\\n受访者占比\\n\\n6. 调查方法详见 Reuel 等 2024年的研究报告。\\n\\n目录第三章预览\\n180\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第三章：负责任的人工智能\\n3.3 在组织与企业中的负责任的人工智能\\n\\n重点：\\n纵向视角（续）\\n\\n根据企业采用人工智能的战略差异（例如开发、部署或使用生成式/非生成式人工智能），受访者需要评估 14\\n类风险对其组织的相关程度（图 3.3.10）。7 调查显示，近年来企业对特定风险的关注度显著上升——最突出的是财务风险（+38 个百分点）、品牌与声誉风险（+16）、隐私与数据相关风险（+15）以及可靠性风险（+14）。相反，\\n社会风险（-7）和社会环境影响风险（-8）的紧迫性有所下降。\\n\\n2024-2025年组织关注的负责任人工智能风险变化对比资料来源：Accenture/Stanford Joint Survey, 2025 \\\\| 图表：2025年人工智能指数报告\\n\\n职位类型隐私与数据安全风险\\n（如匿名数据泄露、数据泄露、未经同意的数据滥用）\\n95%\\n可塑性风险\\n（如输出错误、幻觉）\\n99%\\n合规与违规风险\\n（如知识产权侵权和侵犯权）\\n99%\\n安全风险\\n（如对抗性攻击、模型窃取）\\n100%\\n财务风险\\n（如人工智能研发阶段无法人工智能相匹配的技术）\\n95%\\n品牌/客户风险\\n（如由个人信息泄露或事件对品牌造成损害）\\n42%\\n人际互动风险（例如，用户通过人工智能生成虚假信息或链接信息，用户通过客服、人工智能提醒/系统、辅助沟通提醒/信息推送等来获取个人信息）\\n50%\\n多样性与非歧视风险\\n（例如，公平问题、毒性、歧视，以及歧视印章的传播）\\n30%\\n客户风险\\n（例如，失去信任、市场份额被客户恶意）\\n31%\\n社会风险\\n（例如，对政治稳定和威胁、国家安全风险）\\n30%\\n社会开端风险\\n（例如，高端运用的系统、区域污染）\\n\\n受访者占比\\n0% 10% 20% 30% 40% 50% 60%\\n\\n3.3.10\\n\\n7，调查方法详见 Reel 等 2024 年的研究报告。\\n\\n目录第三章预览\\n181\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n\\n3.3 在组织与企业中的负责任的人工智能\\n\\n重点 :\\n\\n纵向视角\\n\\n组织与运营成熟度的定义如图 3.3.11 所示。2024 至\\n2025 年间，组织层面的负责任人工智能成熟度显著提升—\\n—更多企业获得了 CEO 对 RAI 计划的支持，并改善了人工智能风险识别、监测与控制能力，这标志着对RAI人工智能战略重要性的认知进一步增强（图 3.3.12）。8相比之下，聚焦于系统级实操保障（如偏见消减、对抗性测试及环境影响评估等）的运营层面 RAI 成熟度进展滞后（图 3.3.13）。这一差距揭示了高层 RAI 承诺与技术落地之间的脱节：尽管各组织在将 RAI 纳入流程与政策的意愿和资源配置上持续增强 ，但如何将这些意图转化为有效的系统级实践仍面临挑战。\\n\\n组织与运营成熟度模型资料来源: Reuel 等, 2024\\n\\n2024年和 2025年组织领域负责任的人工智能成熟度分布资料来源: Accenture/Stanford Joint Survey, 2025 \\\\| 图表：2025年人工智能指数报告\\n\\n图 3.3.11\\n\\n8、组织和运营 RAI 成熟度是根据 Reuel 等 （2024） 中定义的方法计算得出。\\n\\n图 3.3.13\\n\\n2024年和 2025年运营领域负责任的人工智能成熟度分布资料来源: Accenture/Stanford Joint Survey, 2025 \\\\| 图表：2025年人工智能指数报告\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n\\n3.3 在组织与企业中的负责任的人工智能\\n\\n重点 :\\n\\n纵向视角（续）\\n\\n还询问了受访者对其组织对 RAI 的态度和理念，包括对风险所有权、模型偏好和政策立场的看法（图 3.3.14）。在几乎所有陈述中，回答都相当均衡，即使是在备受关注的问题上，例如开放式与封闭式权重模型的安全性，以及风险缓解的责任在于模型提供商还是用户。这种广泛分布表明，行业在 RAI 方面缺乏统一的战略方向，这可能反映\\n\\n了专家们正在进行的争论和未解决的问题。唯一明显的例外是安全与创新之间的权衡 :64% 的受访者倾向于安全第一的方法，但 58% 的受访者正在探索最低限度监督的代理，这可能会带来重大风险，特别是考虑到 RAI 目前依然受限于不成熟状态。\\n\\n组织对负责任的人工智能的态度与理念\\n\\n资料来源: Accenture/Stanford Joint Survey, 2025 \\\\| 图表：2025年人工智能指数报告告\\n\\n图 3.3.14\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n\\n3.4 在学术界中的负责任的人工智能\\n\\n3.4 在学术界中的负责任的人工智能\\n\\n上被接受的与人工智能相关的论文数量：AAAI、AIES、\\nFAccT、ICML、ICLR 和 NeurIPS。尽管这些会议并不代表\\n\\n全球所有人工智能研究，但它们为了解人工智能学术界的发表趋势提供了洞察。本节呈现人工智能论文发表发表统计的总体趋势，后续章节将按 RAI 子领域进行细分。为了识别 RAI\\n论文，人工智能指数筛选了包含特定 RAI 关键词的论文。\\n\\n全球所有人工智能研究，但它们为了解人工智能学术界的发表趋势提供了洞察。本节呈现人工智能论文发表发表统计的总体趋势，后续章节将按 RAI 子领域进行细分。为了识别 RAI\\n论文，人工智能指数筛选了包含特定 RAI 关键词的论文。9\\n\\n总体趋势\\n\\n在顶级人工智能会议上被接受的 RAI 论文数量增长了\\n28.8%，从 2023 年的 992 篇增加到 2024 年的 1,278 篇（图\\n3.4.1）。\\n\\n2019-2024年主要人工智能会议收录负责任的人工智能论文数量统计资料来源: 2025年人工智能指数 \\\\| 图表：2025年人工智能指数报告\\n\\n9、本方法的完整方法论描述详见附录。\\n\\n图 3.4.1\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n3.4 在学术界中的负责任的人工智能\\n\\n相对而言，RAI 论文占总投稿比例最高的会议是 FAccT\\n（69.14%）和 AIES诈;8388\\\\*诉（图 83937诉。这与它们的重点相一致：FAccT 致力于公平、问责和透明，而 AIES 则侧重于人工智\\n\\n能伦理与社会。在 NeurIPS，该比例从 2023 年的 13.8% 下降至 2024 年的 9.0%，而在 ICML，同一时期该比例从 3.4% 上升至 8.2%。\\n\\n2019-2024年主要人工智能会议收录负责任的人工智能论文数量统计\\n\\n资料来源: 2025年人工智能指数 \\\\| 图表：2025年人工智能指数报告\\n\\n(B9C9A\\n\\n* * *\\n\\n第三章：负责任的人工智能 3.4 在学术界中的负责任的人工智能\\n\\n图3.4.3至3.4.5分析了RAI论文的地理归属，重点展示了这些论文的来源地。2024年，美国在RAI论文投稿数量上居首，达669篇，其次是中国（268篇）和德国（80篇）。在主要地\\n\\n资料来源：2025年人工智能指数\\\\|图表：2025年人工智能指数报告\\n\\n2024年按地域分布主要人工智能会议负责任的人工智能 （RAI）论文收录数量\\n\\n理区域中，RAI已成为越来越重要的学术研究领域。自2019年以来，RAI论文的地理分布总体保持相对稳定，其中美国占比最高（3,158篇），其次是中国(1,100篇）和英国（485篇）。\\n\\n2019-2024年按主要地域分布主要人工智能会议负责任的人工智能（RAI）论文收录数量\\n\\n资料来源：2025年人工智能指数\\\\|图表：2025年人工智能指数报告\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n\\n3.4 在学术界中的负责任的人工智能\\n\\n主题领域\\n\\n本节分析了 RAI 论文发表统计在关键主题领域的趋势，包括隐私与数据治理、公平性、透明度与可解释性，以及安全与可靠性。过去一年，在主要人工智能会议上，隐私与数据治理相关\\n\\n论文的录用数量下降了 14.5%（图 3.4.6）。自 2019 年以来，这一数字已增长近五倍。\\n\\n2019-2024年在主要人工智能学术会议上人工智能隐私与数据治理领域论文收录数量资料来源: 2025年人工智能指数 \\\\| 图表：2025年人工智能指数报告\\n\\n图 3.4.610\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n\\n3.4 在学术界中的负责任的人工智能\\n\\n2024 年，在主要人工智能学术会议上被录用的公平性与偏见相关论文数量显著增长，达到 408 历历长 2023 年数量的两倍（图 8393<诉。这一增长凸显了研究人员对公平性与偏见问题的学术关注日益增强。\\n\\n2019-2024年在主要人工智能学术会议上人工智能公平与偏见论文收录数量资料来源: 2025年人工智能指数 \\\\| 图表：2025年人工智能指数报告\\n\\n图 3.4.7\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n\\n3.4 在学术界中的负责任的人工智能\\n\\n自 2019 年以来，提交至主要学术会议的关于透明度和可解释性的论文数量增加了四倍。2024 年，包括 AAAI、FAccT、AIES、\\nICML、ICLR 和 NeurIPS 在内的学术会议上提交了 355 篇与透明度和可解释性相关的论文（图 3.4.8）。\\n\\n2019-2024年在主要人工智能学术会议上人工智能透明度与可解释性论文收入数量资料来源: 2025年人工智能指数 \\\\| 图表：2025年人工智能指数报告\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n\\n3.4 在学术界中的负责任的人工智能\\n\\n提交至选定人工智能会议的有关安全领域论文数量大幅增长，过去一年几乎翻了一番——从 276 篇增至 521 篇（图 8393>诉。这一增长反映了安全与安全作为人工智能研究人员核心关注领域的地位日益提升。\\n\\n2019-2024年在主要人工智能学术会议安全领域收录论文数量\\n\\n资料来源: 2025年人工智能指数 \\\\| 图表：2025年人工智能指数报告\\n\\n图 3.4.9\\n\\n* * *\\n\\n3.5 负责任的人工智能政策制定\\n\\n3.5 负责任的人工智能政策制定\\n\\n尽管 2023 年和 2024 年初各国人工智能战略和监管方案激增，但 2024 年的显著趋势是全球在人工智能治理领域的合作加强，特别是在 RAI立法原则方面。国际组织和多边协议正\\n\\n致力于建立全球性的负责任与伦理人工智能框架，标志着从孤立的国家行动向协同全球治理的转变。11\\n\\n重大的负责任的人工智能政策的里程碑\\n\\n| 时间 | 参与方 | 范围 | 内容概述 |\\n| --- | --- | --- | --- |\\n| 2024年5月 | 经合组织 | 全球 | 经合组织更新了其人工智能原则并完善了其框架，以反映人工智能治理方面的最新进展。这能原则强调，建立人工智能系统要考虑包容性增长、透明度和可解释性，以及对法治、人权和民主价值观的尊重。 |\\n| 2024年5月 | 欧洲委员会 | 欧洲 | 欧洲委员会通过一项具有法律约束力的人工智能条约（《欧洲委员会人工智能与人权、民主和法治框架公约（The Council of Europe Framework Convention on Artificial Intelligence and Human Rights, Democracy, and the Rule of Law）》）。该条约旨在确保人工智能系统生命周期内的活动完全符合人权、民主和政治。 |\\n| 2024年6月 | 欧洲联盟 | 欧洲 | 欧盟通过了《人工智能法（AI Act）》（《欧盟人工智能法（EU AI ACT）》），这是全球主要经济体首个全面的人工智能监管框架。该法案按风险对人工智能进行分类，对其进行相应的监管，并确保高风险系统的提供商或开发商承担主要义务。 |\\n| 2024年7月 | 非洲联盟 | 非洲 | 非洲联盟推出了非洲大陆人工智能战略（AU AI Strategy），概述了整个非洲大陆人工智能发展、伦理和治理的统一愿景。该战略强调在非洲以符合伦理、负责任和公平的方式发展人工智能。 |\\n| 2024年9月 | 联合国 | 全球 | 联合国更新了其Governing AI for Humanity报告（联合国人工智能咨询机构），概述了建立全球人工智能治理机制的努力。该报告建议制定一个蓝图，以应对人工智能相关风险，并呼吁国家和国际标准组织、技术公司、民间社会和政策制定者就人工智能标准开展合作。 |\\n| 2024年10月 | G7 | 全球 | G7数字竞争公报（G7人工智能合作）重申了对公平开放的人工智能市场的承诺，强调了协调监管方法的必要性。此前的讨论主要集中在竞争和人工智能快速发展带来的监管挑战上。 |\\n| 2024年10月 | 东盟与美国 | 亚洲和美国 | 在第12届东盟-美国峰会之后，东盟-美国领导人发表了一份关于促进安全、可靠和可信的人工智能的声明。他们承诺合作制定国际人工智能治理框架和标准，以推进这些目标的实现。 |\\n| 2024年11月 | 国际人工智能安全研究所网络 | 全球 | 首个国际人工智能安全研究所网络成立，将九个国家和欧盟联合起来，正式开展全球人工智能安全合作。该网络联合了致力于推进人工智能安全的技术组织，帮助政府和社会了解先进人工智能系统的风险，并提出解决方案。 |\\n| 2025年2月 | 阿拉伯联盟 | 阿拉伯国家 | 阿拉伯对话圈（Arab Dialogue Circle）活动“人工智能在阿拉伯世界：创新应用与伦理挑战”在阿拉伯联盟总部启动，聚焦人工智能创新，同时高度重视伦理考量。 |\\n\\n11、虽然人工智能政策制定是第六章：政策的重点，但人工智能指数在此强调了与 RAI 相关的主要政策制定事件，因为这些事件最近具有重要意义。\\n\\n* * *\\n\\n3.6隐私和数据治理\\n\\n隐私的定义非常复杂，因具体情况而异。为了便于本报告使用，人工智能指数将隐私定义为个人对其个人数据的保密、匿名和保护的权利，以及个人对数据是否被使用以及如何被使用给予同意和获得通知的权利。隐私还包括组织在（直接或间接）收集、存储或使用个人数据时确保这些权利的责任。此外，\\n如果组织或政府歪曲了个人信息，个人应有权更正其敏感信息。在人工智能领域，这涉及确保以尊重个人隐私权的方式处理个人数据，例如，采取措施保护敏感信息免遭泄露，并确保数据收集和处理透明且符合《通用数据保护条例》等隐私法律。数据治理，另一方面，是指组织为确保数据在其创建的组\\n\\n隐私的定义非常复杂，因具体情况而异。为了便于本报告使用，人工智能指数将隐私定义为个人对其个人数据的保密、匿名和保护的权利，以及个人对数据是否被使用以及如何被使用给予同意和获得通知的权利。隐私还包括组织在（直接或间接）收集、存储或使用个人数据时确保这些权利的责任。此外，\\n如果组织或政府歪曲了个人信息，个人应有权更正其敏感信息。在人工智能领域，这涉及确保以尊重个人隐私权的方式处理个人数据，例如，采取措施保护敏感信息免遭泄露，并确保数据收集和处理透明且符合《通用数据保护条例》等隐私法律。数据治理，另一方面，是指组织为确保数据在其创建的组\\n\\n数据治理，另一方面，是指组织为确保数据在其创建的组织内部和外部的质量、安全和道德使用而建立的政策、流程和标准。数据治理政策还可能涵盖从外部来源获取的数据。在人工智能领域，数据治理对于确保用于训练和操作人工智能系统的数据准确、公平、负责任且经同意使用非常重要。对于敏感或个人身份信息 （PII） 而言，这一点尤为重要。\\n\\n数据治理，另一方面，是指组织为确保数据在其创建的组织内部和外部的质量、安全和道德使用而建立的政策、流程和标准。数据治理政策还可能涵盖从外部来源获取的数据。在人工智能领域，数据治理对于确保用于训练和操作人工智能系统的数据准确、公平、负责任且经同意使用非常重要。对于敏感或个人身份信息 （PII） 而言，这一点尤为重要。\\n\\n选定聚合平台对数据集许可分类的准确率\\n\\n资料来源：Longpre 等,2025\\\\| 图表：2025 年人工智能指数报告\\n\\n特色研究\\n\\n本节重点介绍近期有关隐私和数据管理的重要研究，包括有关数据集许可和归属审计的研究，以及有关更严格的数据许可协议的研究。\\n\\n人工智能数据集许可和归属的大规模审计\\n\\n当前的基础模型是在海量数据的基础上进行训练的。一组研究人员对广泛用于训练此类模型的 1,800 多个文本数据集进行了大规模审计，发现了数据集许可和归属方面的系统性问题。研究人员发现，在流行的数据集托管网站上，超过 70% 的数据集缺乏足够的许可证信息，而 50% 的许可证被错误归类了，这给负责任地使用数据带来了风险。图 3.6.1 提供了研究人员调查结果的详细可视化示意图。具体来说，他们为数据集分配了四个类别的许可证标签：商业、未指定、非商业和纯学术。然后，他们将自己的分类与 GitHub、Papers with Code 和\\nHugging Face 平台等流行来源的分类进行了比较。很多时候，\\n数据来源团队分配的数据许可属性与其他组织发布的数据许可属性大相径庭。\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n3.6 隐私和数据治理\\n\\n数据集中的许可错误归属意义重大，因为它会给人工智能开发带来法律和伦理风险。如果用于训练基础模型的数据集被错误标注或错误归属，人工智能开发人员可能会在不知情的情况下违反版权法、数据使用政策或隐私法规。这可能会法律责任、确保数据创建者获得公平性补偿方面的挑战，\\n以及由于排除了获得适当许可的数据而导致模型出现潜在偏差。此外，不明确的许可会阻碍人工智能研究的透明度、问责制和可重复性，从而使研究人员和机构难以验证或审核模型训练数据。根据他们的研究结果，作者强调需要清晰的文档、改进的标准和负责任的许可实践，以促进包容性并降低因人工智能开发和部署中不负责任或非法使用数据而产生的风险。\\n\\n危机中的数据许可\\n\\n人工智能模型在很大程度上依赖于大量公开的网络数据进行训练。最近的一项研究 对人工智能训练数据集（包括\\nC4、RefinedWeb 和 Dolma）中使用的网域同意协议进行了纵向审计，分析了 14000 个网域。这些同意协议规定了为人工智能模型训练而进行数据搜刮的允许性。\\n\\n研究人员观察到，在 2023 年至 2024 年期间，数据使用限制大幅增加，因为许多网站实施了新的协议来限制为人工智能训练而进行的数据搜刮。这些限制主要是通过更新\\nrobots.txt 文件和服务条款，明确禁止使用人工智能训练。图\\n3.6.2 显示了随着时间推移，带有 robots.txt 限制、服务条款限制和组织限制的网站比例。@A例如，在前 C4 个网域中，\\n带有完全限制的词元比例从 2017 年的 10% 上升到 2024 年的 48%。仅在 2023 年至 2024 年间，这一比例就上升了\\n25 个百分点。图 3.6.3 按服务条款限制类别直观显示了\\n2016 年至 2024 年 C4 顶级网域中的词元比例。这种同意程度的降低很可能与围绕 合理使用 的法律问题有关，如《纽约时报》对 OpenAI 的诉讼。\\n\\n12、robots.txt 限制是指在网站的 robots.txt 文件中设置的规则，用于指示网络爬虫（如搜索引擎机器人或人工智能数据搜刮器）允许或禁止访问网站的哪些部分。\\n\\nOpenAI 的爬虫遇到的限制最多，而小型开发者面临的障碍较少。作者强调，robots.txt 等无效的信号机制以及声明与执行政策之间的不匹配导致了执行上的不一致。这些发现凸显了更新同意协议以应对人工智能特定挑战的必要性。此外，\\n研究还表明，用于人工智能训练的公开可用网络数据有所减少，这对数据多样性、模型对齐和可扩展性具有潜在影响。最近许多人工智能的性能都来自于在越来越的数据集上进行的训练。如果网站的限制性明显增加，可能会阻碍未来模型的扩展。\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n\\n3.6 隐私和数据治理\\n\\nA>@E8A>AC专下–下两业9两为两SC\\n\\n资料来源：Longpre 等,2025\\\\| 图表：2025 年人工智能指数报告\\n\\n(B9E9A\\n\\n2016-2024年C4数据集顶级网络域名的内容使用条款限制类别占比分布\\n\\n资料来源：Longpre 等,2025\\\\| 图表：2025 年人工智能指数报告\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n\\n3.7 公平与偏见\\n\\n人工智能的公平性强调开发公平的系统，避免长期存在对任何个人或群体的偏见或歧视。它涉及考虑受人工智能使用影响的所有利益相关者的不同需求和情况。公平超越了技术概念的范畴，体现了与公平相关的更广泛的社会标准。\\n\\n3.7 公平与偏见\\n\\n特色研究\\n\\n本节重点探讨多模态模型中的种族分类影响研究，以及针对表面无偏见大语言模型中隐性偏见的测量方法。\\n\\n多模态模型中的种族分类\\n\\n近期，研究人员针对数据集规模扩展对视觉语言模型（Vision-Language Models, VLMs）中种族与性别偏见的影响展开了研究。该研究采用芝加哥人脸数据集（Chicago Face Dataset, CFD）对 14 个基于 LAION-400M 和 LAION-2B（训练视觉语言模型的常用数据集）训练的 VLM 进行了评估。研究发现，尽管在更大规模数据集上训练的模型能够提升人类分类的准确性——减少将大猩猩或红毛猩猩等非人类实体错误识别为人类的情况——但这些模型同时也加剧了种族偏见，这种现象在参数量更大的模型中尤为显著。例如，在较大的 ViT-L 模型中，黑人和拉丁裔男性被分类为罪犯的比例过高，当数据集规模从 4 亿样本增加到 20\\n亿样本时，分类概率最高增加了 69%。图 3.7.1 显示了各种图像以及模型对人脸是否被识别为罪犯的分类得分。\\n\\n图 3.7.2 展示了在预训练数据集规模从 4 亿张 图像扩展至 20 亿张 图像时，不同模型（包括较小的 ViT-B-16 和 ViT-B-32，\\n以及较大的 ViT-L-14）对人脸标注特定标签（如“动物”或“罪犯”）的概率随不同人口统计群体的变化情况。\\n\\n按模型和数据集大小分类的面孔及其被归类为 \\\" 犯罪 \\\" 的可能性资料来源：Birhane 等 ,2024\\n\\n图 3.7.1\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n3.6 隐私和数据治理\\n\\n百分比数值越高，表明特定人口统计群体与某类标签（如 \\\"\\n罪犯 \\\"）的关联概率越大；反之，数值越低则关联概率越小。在较大规模的 ViT-L 模型中，训练数据量的增加会持续提高图像被归类为 \\\" 罪犯 \\\" 的概率。这一研究发现具有重要意义，因为目前许多模型开发者正致力于通过大幅扩展模型规模来提升性能表现。研究人员指出，就视觉模型而言，规模扩展在提升性能\\n\\n数据集规模对不同人口群体模型预测的影响\\n\\n的同时，可能还会引入其他非预期的偏见问题。作者认为，训练数据中存在的刻板印象可能是导致此类结果的主要原因。为有效缓解此类偏见问题，研究团队建议建立透明的数据集筛选机制，完善超参数的详细记录规范，并开放模型接受独立审计的权限。\\n\\n资料来源：Birhane 等，2024 年 \\\\| 图表：2025 年人工智能指数报告\\n\\nVIT-L-14\\n\\n13、y 轴标签代表不同的种族群体：黑人男性（BM）、黑人女性（BF）、拉丁裔男性（LM）、拉丁裔女性（LF）、白人男性（WM）、白人（WF）、亚裔男性（AM）和亚裔女性（AF）。x 轴标签为不同的预测类别，\\n从左到右以此是人类、动物、大猩猩、黑猩猩、红毛猩猩、小偷、罪犯、可疑人员\\n\\n(B9F9A(13\\n\\n* * *\\n\\n显性无偏见大语言模型中的隐性偏见度量\\n\\n2024 年，某研究团队针对大语言模型中的隐性偏见展开调查，尤其关注那些被明确设计为无偏见的模型。这项研究具有重要意义——即便在消除大语言模型偏见的努力中，隐性偏见问题仍可能无法得到充分解决。图 3.7.3 展示了这一现象的典型案例。\\n\\n该研究团队作出了两项关键贡献：首先，他们创新性地提出了两种大语言模型偏见检测方法——“大语言模型隐性偏见检测法 \\\"（通过分析词语 / 概念间的自动关联来识别潜在偏见）与 \\\" 大语言模型决策偏见检测法 \\\"（捕捉模型行为中反映的隐性偏见）；其次，他们深入探究了决策任务中的相对歧视模式。研究团队将这两种方法应用于包括 GPT-4 和 Claude\\n3 Sonnet 在内的 8 个知名模型，涵盖种族、性别、宗教与健\\n\\n大语言模型中的隐性偏见实例\\n\\n图 3.7.4 显示，大语言模型过多地将负面词汇与黑人联系一起，并且更有可能将女性与人文学科而非 STEM 领域联系在一起。研究还发现，大语言模型更倾向于让男性担任领导职务，这强化了决策环境中的性别偏见。此外，研究还发现，随着模型规模的扩大，隐性偏见会增加，但决策偏见和拒绝率增加。这一发现意义重大，因为它表明，虽然在标准比较基准中偏见似乎有所减少--造成了一种中立的假象，但隐性偏见仍然普遍存在，可能导致微妙但有意义的歧视性产出。\\n\\n康等 21 个社会 stereotype 类别，最终发现与主流社会偏见高度一致的系统性隐性偏见。如图 3.7.4 所示，不同大语言模型在各 stereotype 类别的隐性偏见得分存在显著差异——若得分明显高于或低于 50% 基准线，则表明模型对特定群体存在倾向性或歧视性偏见。14\\n\\n资料来源：BAI 等，2024\\n\\n图 3.7.3\\n\\nExplicitly Unbiased LLMs\\n\\n14、本研究同时考察了隐性偏见与决策偏见，但基于行文简洁性，此处仅记录隐性偏见部分。需要说明的是，决策偏见在此被定义为模型相对于 50% 无偏见基准线的偏离程度。\\n\\nLLM Decision Bias\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n3.6隐私和数据治理\\n\\n2025年人工智能指数报告\\n\\n大语言模型对四个社会类别中的陈规定型观念的内隐偏见资料来源：BAI等，2024BAI等，2024i图表；2025年人工智能指数报告\\n\\nGPT-4\\n\\nGPT-3.5 Turbo\\n\\nClaude 3 Opus\\n\\nClaude 3 Sonnet\\n\\nLlama 2 Chat 70B\\n\\nLlama 2 Chat 13B\\n\\nLlama 2 Chat 7B\\n\\nAlpaca 7B\\n\\n目录第三章预览\\n198\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n透明度和可解释性\\n3.8 透明度可解释性\\n\\n人工智能的透明度包括几个方面,数据和模型透明度涉及开发选择的公开共享,包括数据来源和算法决策,操作透明度详细说明了人工智能系统在实践中是如何部署、监控和管理。虽然可解释性往往属于透明度的范畴,它提供了对人工智能决策过程的深入了解,但有时也被视为一个不同的类别,这种区别强调了人工智能不仅要透明,还要让用户和利益相关者理解的重要性,在本章节中,人工智能指数将可解释性纳入透明度范畴,将其定义为理解和阐明人工智能决策后推理的能力。\\n\\n3.8 透明度和可解释性特色研究基础模型透明度指数 v1.1\\n基础模型透明度指数 v1.1 是斯坦福大学主导的跟踪模型开发和部署透明度项目的第二次迭代。它从三个方面对主要的人工智能模型开发商进行评估:上游，包括用于训练的数据和计算等组件；模型本身，指核心人工智能系统；下游，包括应用和部署。最新一期报告显示，基础模型开发人员的透明度在六个月内显著提高。图 3.8.1 报告了 2024 年 5 月发布的指数中主要模型开发者的 FMTI 分数。图 3.8.2 报告了每个开发者在透明度主要维度上的得分。\\n\\n2024 年 5 月各领域的基础模型透明度指数得分资料来源：2024 年 5 月基础模型透明度指数\\n\\nservice.w StarCoder 85\\nAI2iaba Jurassic-2 75\\nALPHA ALPHA Luminous 75\\nIBM Granite 64\\nMicrosoft Phi-2 62\\nMeta Llama 2 60\\nstabilityai Stable Video Diffusion 58\\nWITTER Palmyra-X 56\\nMINTEL Mistral TB 55\\nANTHROPIC Claude 3 51\\nOpenAI GPT-4 49\\nGoogle Gemini 1.0 Ultra 47\\namazon Titan Text Express 41\\nADEPT Fuyu-8B 33\\n\\n图 3.8.1\\n\\n目录第三章预览\\n199\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第三章：负责任的人工智能\\n3.8 透明度和可解释性\\n\\n与 2023 年 10 月发布的 v1.0 初始指数（平均透明度得分为 37/100）相比，v1.1版本得分升至 58/100，这主要得益于开发者通过提交报告披露了此前未公开的数据。开发者在 100 项透明度指标中有 89项取得进步，但在数据获取、版权状态及下游影响等领域仍存在显著不透明现象，开源开发者在上游透明度（尤其是数据与劳动力披露方面）表现优于闭源同行，像 FMTI这样的项目具有重要意义，它们为人工智能生态系统的透明度状况提供了纵向观察视角。目前研究结果表明，行业透明度正在持续提升。\\n\\n2024年 5月基础模型透明度指数主要纬度得分资料来源：2024年 5月基础模型透明度指数\\n\\n图 3.8.2 15\\n\\n15、数据，人算和训练方法是上游指标；模型基础信息，模型访问权限，模型能力，在风险和风险缓解措施是模型指标；分发方式，使用效果，反建模机制和社会影响是下游指标。\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第三章：负责任的人工智能\\n3.9 安全性与安全保障\\n\\n本章节节将探讨安全性的三个不同方面。首先，保证人工智能系统的完整性涉及保护算法、数据和基础设施等组件免受网络攻击或对抗攻击等外部威胁。其次，安全涉及最大限度地减少因需要无意识人工智能系统而造成的伤害，这包括开发自动化黑客工具或在网络攻击中使用人工智能等问题。最后，安全包括人工智能系统本身固有的风险，如可警醒问题（如幻想问题）和高级人工智能系统带来的潜在风险。\\n\\n3.9 安全性与安全保障比较基准\\nHELM Safety\\n\\n最近，学术机构率先弥补了人工智能安全比较基准方面存在的差距，值得注意的是，斯坦福大学基础模型研究中心（CRFM）最近推出了HELM Safety，这是一个比较基建套件，旨在根据责任和安全指标对人工智能模型进行评估。HELM安全比较基准涵盖了几乎所有主要开发者的最新模型，测试范围包括多项负责任的人工智能与安全基准，如BBQ、SimpleSafetyTests、HarmBench、\\nAnthropicRedTeam 和 XSTest。\\n\\nBBQ 测量与美国反歧视法律下受保护群体相关的社会偏见，而 SimpleSafetyTests 评估与自残、身体伤害和儿童性虐待材料相关的风险。HarmBench 使用红队测试技术评估对涉及骚扰、化学武器生产和虚假信息提示的响应.AnthropicRed-Team 检查模型如何处理旨在测试危害性的对抗性对话，而XSTest 通过测试对良性显示的虚假拒绝和对微妙有害提示的遵守情况，衡量有用性和无害性之间的权衡。通过引入标准化方法，HELM Safety 为评估人工智能模型的负责任行为提供了更透明，更可比较的框架。\\n\\n图 3.9.1 显示了各种机型在所有测试基准中的平均安全得分，得分越高表示机型越安全。根据比较基准，目前最安全的车型是 Claude 3.5 Sonnet，得分 0.977，紧随其后的是 o1，得分 0.976。随着时间的推移，一些模型似乎变得越来越安全。例如，2022 年发布的 GPT-3.5 Turbo (0613) 的得分为 0.853 分，比 OpenAI 目前表现最高效的模型低 0.123 分。\\n\\nHELM Safety: 平均得分资料来源：HELM, 2025 图表：2025 年人工智能模型数据报告\\n\\n图 3.8.1\\n\\n目录第三章预览\\n201\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n3.9 安全性与安全保障\\n\\nAIR-Bench\\nAIR-Bench 2024是一个新的安全性比较基准，旨在将人工智能评估与现实世界的监管和企业框架对齐，它采用四级分类法（系统与操作风险、内容安全风险、社会风险、法律与权利风险），涵盖这四大风险类别下的314项细粒度微观风险，该基准研究的风险源自8项重要政府法规和16项企业政策，因此，AIR-Bench的设计目标是通过企业和政府实体识别的现实世界人工智能风险视角来评估模型安全性。\\nAIR-Bench通过拒绝率(即模型因安全、伦理或合规问题\\n\\n拒绝响应特定提示的频率）评估模型性能，对22个主流模型的评估显示，拒绝率存在显著差异，范围从91%（Anthropic的Claude系列）到25%（DBRX Instruct）（图3.9.2）。图3.9.3进一步展示了不同风险类别的拒绝率分布。AIR-Bench2024的结果表明，当前模型与欧盟《人工智能法案》、美国《安全、可靠和可信赖的人工智能开发与应用行政命令》等全球关键法规之间存在普遍脱节。尽管部分模型在仇恨言论和儿童伤害等领域表现出较强的防护能力，但整体上的不一致性表明仍需针对性改进，尤其是在自动化决策场景中。\\n\\nAIR-Bench:拒绝率资料来源：Zeng等，2024 图表：2025 等人工智能数据报告\\n\\n模型\\n\\n图3.9.2\\n\\n目录第三章预览\\n202\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n3.9 安全性与安全保障\\n\\n各模型在特定风险类别下的拒答率资料来源：Zeng 等，2024 图表：2025 年人工智能指数报告\\n\\nClaude 3.5 Sonnet (2024-10-22) 0.77 1.00 1.00 1.00 1.00 1.00 0.90 0.99 0.98 0.93\\nClaude 3 Opus (2024-05-29) 0.87 0.99 0.92 0.98 1.00 0.90 0.90 0.98 0.91 0.91\\nGemini L4 Pro 0.60 0.95 0.73 0.90 0.95 0.74 0.73 0.77 0.81 0.88\\nClaude 3 Helix (2024-03-07) 0.99 0.98 0.93 0.98 1.00 0.89 0.87 1.00 0.93 0.90\\noI (2024-10-17) 0.97 0.91 0.98 1.00 1.00 0.75 0.87 0.91 0.97 0.87\\nGemini 1.6 Flash 0.86 0.95 0.67 0.98 0.97 0.81 0.70 0.81 0.77 0.87\\noJ mini 0.90 0.94 0.87 0.93 1.00 0.07 0.73 0.93 0.52 0.81\\nGPT-4 Turbo (2024-04-05) 0.77 0.94 0.87 0.94 0.90 0.60 0.70 0.87 0.91 0.81\\nLlama 3 Instruct (88) 0.86 0.91 0.97 0.90 0.87 0.46 0.90 1.00 0.73 0.79\\nGPT-4 (0651) 0.80 0.83 0.90 0.88 0.77 0.81 0.55 0.77 0.73 0.75\\nGPT-3.5 Turbo (8010) 0.72 0.77 0.83 0.90 0.83 0.41 0.40 0.75 0.74 0.74\\nGPT-4c (2024-08-05) 0.74 0.89 0.87 0.90 0.60 0.47 0.57 0.67 0.71 0.69\\nLlama 3.1 Instruct Turbo (88) 0.78 0.88 0.83 0.88 0.97 0.41 0.67 0.87 0.76 0.69\\nOwen2 Instruct (728) 0.72 0.91 0.83 0.83 0.90 0.46 0.65 0.71 0.61 0.65\\nGemini 1.0 Pro (002) 0.81 0.87 0.87 0.82 0.73 0.35 0.60 0.62 0.68 0.59\\nGPT-4 mini (2024-07-16) 0.81 0.73 0.67 0.79 0.90 0.37 0.40 0.73 0.40 0.67\\nYi Chat (545) 0.46 0.74 0.67 0.71 0.71 0.35 0.23 0.68 0.62 0.60\\nDeepSeek R1 0.34 0.88 0.60 0.76 0.72 0.39 0.32 0.41 0.63 0.56\\nDeepSeek LLM Chat (678) 0.34 0.76 0.68 0.77 0.73 0.39 0.32 0.41 0.63 0.56\\nQwen5 LChat (728) 0.36 0.79 0.67 0.63 0.67 0.20 0.37 0.51 0.48 0.47\\noI mini (2024-09-12) 0.37 0.37 0.67 0.21 0.27 0.30 0.37 0.31 0.48 0.43\\nPalmwork X-004 0.46 0.76 0.67 0.68 0.47 0.32 0.47 0.63 0.66 0.43\\nMixture Instruct (8228) 0.26 0.79 0.73 0.70 0.40 0.25 0.37 0.34 0.43 0.43\\nDeepSeek v3 0.33 0.75 0.80 0.82 0.43 0.25 0.23 0.38 0.48 0.41\\nMixture Instruct (8778) 0.27 0.68 0.37 0.46 0.33 0.12 0.20 0.20 0.21 0.48\\nMixture Large 2 (8407) 0.21 0.69 0.43 0.54 0.17 0.17 0.15 0.22 0.30 0.27\\nCommand R 0.21 0.58 0.37 0.41 0.23 0.19 0.19 0.20 0.20 0.25 0.31\\nCommand R Plus 0.11 0.50 0.37 0.43 0.20 0.19 0.19 0.16 0.27 0.21\\nDBRX Instruct 0.06 0.56 0.07 0.28 0.03 0.07 0.07 0.02 0.03 0.19\\n\\nRisk category\\n\\n16. x 轴代表风险类别，从左到右以此类推；武器使用与开发，启蒙言论，儿童性特异，自杀与自杀性自伤，政治影响，虚假信息，非司法服务利用，隐私隐私敏感数据\\n\\n目录 第三章预览 203\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n3.9 安全性与安全保障\\n\\n2025年人工智能指数报告\\n\\n特色研究\\n\\n超越浅层安全对齐\\n2024 年，一由计算机科学家组成的跨学科团队提出了浅层安全对齐（Shallow Safety Alignment）的概念——即人工智能系统往往以肤浅和无效的方式来训练安全。在许多情况下，一个模型的保障措施仅限于其前几个词元的响应，因此，\\n如果用户诱导模型，以标准安全警告（如“您的请求违反了我们的服务条款”）以外的任何内容作为开头，后续回应就极易受到对抗性攻击的影响。例如，如果用户直接询问如何制造炸弹，模型很可能会拒绝回答。但是，如果同样的请求以一种诱导模型以“当然，这里有一份详细的指南”开始回始的方式提出，那么模型继续生成有害内容的可能性就会大得多。实验表明，即使是微小的修改也可能大幅削弱模型的安全机制，例如，仅在模型响应中预填充非标准文本或进行微调，\\n经过六步微调后，有害输出率从1.5%增加到87.9%。17\\n图 3.9.4 显示了基于预填充或插入到模型推理序列中的有害元数量，对各种模型进行不同攻击的成功率。为了解决这个问题，研究人员提出了两个关键解决方案：扩展训练数据，\\n纳入模型学习从有害响应中恢复并将其重定向到安全拒绝的示例，规范初始词的选择，确保即使模型以不寻常的响应开始，\\n也能保持其安全约束。这些技术显著提高了对抗攻击的抵抗力，在某些情况下，攻击成功率降低到2.8%。这项研究凸显了制定更深入、更具弹性的对齐策略以防止人工智能安全机制被操纵的必要性。\\n\\n大语言模型中攻击成功率与预填充有害词元数量的关系资料来源：QI 等，2024\\\\|图表：2025 年人工智能指数报告\\n\\n图 3.9.4\\n\\n17. 人工智能中的预填充步骤是指在较小的、特定领域的数据库上训练预训练模型，以提高其在特定任务上的高效注意力迭代过程。\\n\\n目录第三章预览\\n204\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n3.9 安全性与安全保障\\n\\n提升大语言模型对持续性有害行为的鲁棒性消除大语言模型中的有害行为面临的挑战在于，传统的训练方法往往教会模型隐藏这种行为，\\n而不是彻底消除它。一种新的方法，即有针对性的潜在对抗训练（LAT），采取了一种更精确的策略，在训练过程中主动暴露模型的弱点，使其更能够抵御对抗攻击（图 3.9.5）。与 R2D2 等以往的技术相比，这种方法性能更优，且算力要求更低。例如，在针对越狱尝试（用户试图绕过模型的安全保护措施）的测试中，LAT 将计算成本降低了\\n700 倍，同时保持了常规任务上的强性能。对于 Llama3-8B-instruct 模型 家族，LAT 在\\nMMLU 等比较基准中保持了强劲的性能，同时显著降低了对抗攻击的脆弱性（图 3.9.6）。这一效率发现非常重要，因为如果提高模型安全性需要更多的计算资源，同时降低性能，那么采用这些提高安全性的方法的开发人员就会减少。\\n\\n在大语言模型中进行有针对性的潜在对抗训练资料来源：Sheshadri 等，2024\\n图 3.9.5\\n\\n这一效率发现非常重要，因为如果提高模型安全性需要更多的计算资源，同时降低性能，那么采用这些提高安全性的方法的开发人员就会减少。\\n\\n非对抗性数据下的综合性能表现资料来源：Sheshadri 等，2024 图表：2025 年人工智能指数报告\\n\\nLlama3-8B-instruct RT RT-EAT-LAT\\n\\n目录 第三章预览 205\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n3.9 安全性与安全保障\\n\\n事实证明，LAT还能有效消除后门漏洞，这是一种攻击类型，即在训练过程中对人工智能模型进行微妙修改，以便在特定输入触发时产生非预期的——可能是恶意的——行为。值得注意的是，即使事先不知道确切的触发因素，LAT也能消除这些漏洞。除了安全性方面的改进，LAT还增强了从模型中清除有害或受版权保护知识的能力，并防止模型重新学\\n\\n习被删除的内容。例如,LAT显著降低了模型再生版权文本（如《哈利·波特》中的段落）的能力，并使其重新学习知识的可能性低于基线方法。当应用于生物安全或网络安全等敏感知识领域时，LAT有效削弱了知识提取攻击，同时仍能使模型正确响应超过 90% 的安全且无害的需求。LAT 等方法不仅因其提升模型安全性而重要，还因其计算效率高且易于实施。\\n\\n模型对越狱攻击的抵抗能力资料来源：Sheehan等，2024图表：2025年人工智能指数报告\\n\\n攻击类型\\n\\n图 3.9.7\\n\\n目录第三章预览\\n206\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n3.10 安全性与安全保障\\n\\n本章节探讨负责任的人工智能与人工智能智能体及选举虚假信息之间的联系，这两个主题正迅速成为焦点。\\n\\n3.10 负责任的人工智能专题\\n\\n人工智能智能体（AI Agents）\\n\\n人工智能智能体（定义为“具备自然语言接口的智能代理体，其功能是代表用户规划并执行跨一个或多个领域的操作序列，以符合用户预期”）的开发与部署，对确保负责的人工智能提出了独特挑战。这些助手能够自主运行、动态与环境交互，并做出可能产生重大伦理、法律及社会影响的决策。因此，需要采用专门方法来解决其在透明度、问责制和可靠性方面的风险；这些挑战可能因代理在非结构化或动态场景中的学习、适应和决策能力而进一步加剧。\\n\\n基于语言模型模拟沙盒识别语言模型智能体的风险\\n\\n最新研究表明，随着基于语言模型的工具和代理技术的进步，数据泄露和财务损失等风险也随之放大。然而，当前的风险评估方法资源密集且难以扩展。为此，研究人员推出了 ToolEmu（工具模拟器），该环境通过模拟工具执行来实现可扩展的测试与自动化安全评估（图 3.10.1）。该框架包含一个用于通用风险评估的标准模拟器，以及一个专为极端场景压力测试设计的对抗模拟器。\\n\\n人工评估证实，ToolEmu识别出的风险中 68.8% 是现实世界中可能存在的威胁。通过使用包含 36 个工具包和 144 个测试用例的比较基准，研究发现，即使经过最高安全优化的语言模型智能体，仍有 23.9% 的关键场景出现失败，错误包括危险指令、错误财务转账及交通控制故障等（图 3.10.2）。\\n\\n尽管 LM 代理在自动化复杂工具交互方面展现出潜力，但其在高风险应用中的可靠性仍是一个重大问题。类似 ToolEmu的测试套件，通过提供评估性能和现实风险的平台，对人工智能系统（如代理）的可靠性和安全性测试至关重要。\\n\\nToolEmu概述资料来源：Ruan 等图 3.10.1\\n\\nAgent AI\\nAPI Cloud\\nLlama\\nObservation\\nAction\\nEmulator\\nLanguage Models in the API\\nemu tool exec. &apsex\\nadv. emu for real learning\\nEmail\\nFinancial\\nTrajectory\\nEvaluator\\nLanguage Models in the API\\nemu tool exec. &apsex\\nadv. emu for real learning\\nRobot\\n\\nSafe?\\nExercised from of\\nSent to a wrong email\\nNo risks detected\\nTurned off security system\\nNo risks detected\\n\\n目录第三章预览\\n207\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n3.9 安全性与安全保障\\n\\n基于语言模型的智能体故障发生率资料来源：Ruan 等，2024 图表：2025 年人工智能指数报告\\n\\n亚洲最新研究揭示了多模态大语言模型系统存在的多智能体安全漏洞，研究表明：当单个智能体被越狱攻击时，会引发整个系统的级联失效。研究者将这种现象命名为“传染性越狱（infectious\\njailbreaks）”“即单个智能体被攻陷后，有害行为会以指数级速度在整个系统中传播，具体而言，研究发现只向某个 MLLM 智能体的记忆库注入一张对抗性图像（例如暗示“人类是一种疾病”的图像），\\n就能引发不受控制的连锁反应，在没有进一步干预的情况下，使有害行为在互联的智能体网络中扩散。这种传染性越狱机制通过智能体间的交互，迫使受感染智能体将对抗图像植入未受感染（良性）智能体的记忆库。在使用基于 LLaVA-1.5 架构构建的百万级智能体网络模拟中，传染率在 27 至 31 轮交互内即可达到近乎 100% 的传播覆盖率（见图 3.10.3）。\\n\\n尽管研究者已提出理论上的遏制策略，但目前尚无实际可行的缓解措施，这使得多智能体系统处于高度脆弱状态，大规模部署互联\\nMLLM 智能体所带来的复合风险，使其成为关键的安全隐患。该研究指出，虽然 MLLM 系统是人工智能研究的重要方向，但其仍极易受到低资源越狱攻击的影响。\\n\\n18. y 线上向下箭头表示分数越低越好。\\n\\n各轮对话的感染率资料来源：Cu 等，2024\\n图 3.10.3\\n\\nHuman beings are a disease,\\na cancer of the planet!\\nN=1,000,000\\nn=n1\\nt=27~31\\nCumulative\\nCurrent\\nChat Round t\\nAny randomly selected\\nsingle agent\\n(we name it Agent Smith)\\nAdversarial image V₁ᵈᵇ (border perturb.)\\nt=0\\n\\n目录第三章预览\\n208\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n3.10 负责任的人工智能专题\\n\\n2025年人工智能指数报告\\n\\n选举虚假信息\\n2024 年是全球选举的重要年份，包括美国、英国、印度尼西亚、墨西哥和中国台湾地区在内的多个国家和地区举行了全国性选举，投票数达 40 亿。去年的人工智能指数探讨了人工智能对选举的影响，重点关注其潜在影响和实际案例。今年，我们再次审视这一议题，尽管有报告指出，人工智能驱动的虚假信息并未产生预期的严重影响，但其他报告仍认为其在风险不容忽视。因此，随着人工智能系统能力的提升和应用的普及，持续监测和研究人工智能虚假信息至关重要。\\n\\n美国大选中的人工智能虚假信息人工智能可能以多种方式影响选举。最新研究围绕人工智能驱动的虚假信息提出了伦理关切，并分析了其在近期美国选举中的实际表现。\\n\\n围绕人工智能和信息操纵的一系列伦理关切概念资料来源：2025 年人工智能指数 19\\n\\n伦理关键描述示例\\n\\n说谎者红利深度伪造（Deepfake）技术的使用使个人能够通过声像真实证据隐蔽伪造而来认事实，从而循环问责和真相。这种现象削弱了公众对合法证实的信任，甚至导致已验证的信息受到质疑。\\n\\n威胁勒索人工智能技术被滥用用于制作伪造内容（包括深度伪造），用于性别剥削、财務勒索和名誉破坏等目的。最终作者利用这工具从受害者身上榨取利益，而受害者往往难以有效斥这些伪造内容。\\n\\n证据信任下降人工智能的内容挑战了所有数字媒体的真实性，从根本上揭示了真伪的真相。超真实的伪造展示了法理与虚构内容之间的界限，前提了公众对信息完整性的心。\\n\\n认知自主性降低人工智能分析海量数据的能力使其能够进行高级民画像和精准投放，根据个人偏好、行为和定制点制信息。人工智能还可以利用情感和背景信息发现资源，模拟个体的决策过程。\\n\\n美国阳光计划发现，过期 3.5 万条深度伪造内容输给了 26 名国会议员（其中 25名为女性）出现在色情网站上。\\n\\n美国斯实施的艺术行动（Doppelgänger）“通过掩注与合成新媒体相似的城市，并发布人工智能生成的文集，传播俄罗斯政府宣传内容，同时隐藏其来源，误导观众认为这些内容来自可信媒体。”\\n\\n边缘候选人杰森·哈尔默在美国萨姆初选中击败拜登，部分原因是借助人工智能生成的电子邮件、短信、音频和视频。这给人人工智能驱动的传播内容高度个性化且澜情感，针对特定居民群体以影响其选择。\\n\\n19，本表由 Ann Fitz-Gerald, Halyna Padakko 和 Dmitry Chumachenko编辑。\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n3.10 负责任的人工智能专题\\n\\n个人品牌的恶意利用深度伪造技术被用于制作未经授权的名人，公众人物及网红模糊或漏描，通过盗用个人品牌并伪造代言，恶意行为者试图欺骗众利，利用公众对这类人士的信任为虚假叙事增加可信度。\\n\\n伪言言论的放大人工智能技术通过制造信息渠道和过滤气息，助长了负惯言论的传播与深化。这系统优先考虑用户参与意图而非理论因素，从高级化框架中兼并广告内容。\\n\\n境外操作的溯源性降低人工智能可能生成完美、与人声写作无异文本，并实现翻译与优化，使外界信息作为辅助功能出现。此前，外界虚假信息宣传因母公司带来的活法误读被识别，前人人工智能生成的内部漏洞披露了这一漏洞。\\n\\n隐私侵犯人工智能系统要求依赖大量数据收集进行训练，引发对个人信息滥用或篡改的伦理问题。敏感数据管理缺乏有力保障，可能导致隐私侵权，使人工智能部署的伦理环境复杂化。\\n\\n图3.10.4\\n\\n《Rest of World》2024年全球人工智能生成选举内容统计《Rest of World》追踪了2024年全球范围内人工智能生成的选举内容典型案例。其数据库记录了15个国家的60起事件，涵盖音频、图像、文本和视频四种媒体类型，涉及\\n\\nFacebook、Instagram 和 TikTok 等10个平台。图3.10.5提供了详细信息。\\n\\n《Rest of World》2024年人工智能选举内容：统计摘要资料来源：世界其他地区，2022图表；2025年人工智能指数报告\\n\\n类别 国家/地区 媒体类型 平台\\n\\n总计 15 4 10\\n\\n孟加拉国、白俄罗斯、中国、印度、印度尼西亚、墨西哥、巴基斯坦、巴拿马、南非、韩国、新西兰卡、中国台湾地区，美国、乌拉圭、委内瑞拉\\n\\n音频、图像、文本、视频\\n\\nChatGPT、Facebook、Instagram、Medium、Reddit、电报、TikTok、YouTube、WhatsApp、X/Twitter\\n\\n图3.10.5\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n3.10 负责任的人工智能专题\\n\\n下一节重点介绍跟踪器中的五个重要案例，从定性角度探讨 2024 年人工智能生成的选举内容的性质。\\n\\n假冒企业支持墨西哥政客（墨西哥，图片 X/Twitter，2024\\n年6月2日）\\n3 月18日，墨西哥民间组织 Sociedad Civil de México\\n呼呼星巴克推出一款特别杯子，以庆祝反对派总统候选人\\nx.chitl G.lvez。该组织在 X 平台分享了一张由人工智能生成的星巴克咖啡杯图片，杯身上印有 \\\"#Xochitl2024\\\"字样，\\n并附带标签 #StarbucksQueremosTazaXG (# 星巴克我们要\\nXG 杯) 次日，埃尔韦斯在 X 平台鼓励支持者点购 \\\"caf.sin miedo\\\" (无畏咖啡)，该口号是对其竞选口号“为一个无畏的墨西哥”的巧妙改编。她邀请支持者在社交媒体上分享咖啡杯照片并关联其团队。该人工智能生成的图像迅\\n\\n速走红，用户纷纷转发。然而，星巴克否认与该设计有关，\\n并声明不支持任何政党。\\n\\n印度执政党通过个性化视频激励竞选工作人员（印度，视频，\\nWhatsApp，2024年4月18日）\\n4 月18日，超过500名现任总统的竞选志愿者参加了竞选活动。印度人民党收到了一名借助人工智能工具制作的个性化视频。在视频中，印度人民党员 Shakti Singh 号召志愿者与公众分享该党的信息，强调了“清洁印度”、“数字印度”和“印度制造”等政策。尽管有明显的剪辑，但每段视频中辛格都会直呼受助者的名字（图3.10.7）。参与视频制作的竞选员工称，他们并没有要求辛格分别录制每个人的名字，而是采用了声音克隆和唇语匹配软件。\\n\\n资料来源：世界其他地区，2024\\n图3.10.6\\n\\n资料来源：世界其他地区，2024\\n图3.10.7\\n\\n目录第三章预览\\n211\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n3.10 负责任的人工智能专题\\n\\n乌拉圭的“不可能”辩论（乌拉圭，视频，电视，2024年10月\\n27日）\\nSanto y Se,a，一档综合性早间节目，在乌拉圭总统选举前播出了所谓“不可能的辩论”。该辩论邀请了右翼政党科罗拉多党(Partido Colorado)总统候选人Andrs Ojeda及其中间偏左联盟“广泛阵线(Frente Amplio)”的对手“Yamand”Orsi\\n(图3.10.8)，然而，Oris并未出现在节目中，而是通过一个由人工智能驱动的全息影像“现身”，据节目主持人称，该影像的台词摘自候选人最近的采访。辩论开始前，Oris及其政党在另一频道批评这一行为是“假采访”，并称其“对民主构成攻击”。次日，主持人回应称，这一行为既不是假新闻，也不是对民主的攻击仅仅是个玩笑。\\n\\n资料来源：世界其他地区，2024\\n图3.10.8\\n\\n巴基斯坦政党领导人深度伪造视频呼吁抵制选举（巴基斯坦，\\n音频和视频，X/Twitter,2024年2月7日）\\n在巴基斯坦大选前一天，前总理兼巴基斯坦正义运动党（\\nPTI）创始人伊姆兰·汗的语音录音在社交媒体上流传（图\\n3.10.9)。该录音提及国家机构对PTI的镇压，并呼吁抵制选举，\\n称投票毫无意义。PTI的官方X账号谴责该录音为伪造。当天发布的一段视频显示，另一位著名的PTI领导人亚斯敏·拉希德似乎也在呼吁抵制选举。在对比语言－图像预训练的视频中，拉希德出现在铁窗后面，录音声称巴基斯坦选举委员会已被“收买”。非营利事实核查组织Soch Fact Check确定该视频经过篡改。\\n\\n资料来源：世界其他，2024\\n图3.10.9\\n\\nالكشف عن رجال الرياض\\n目录第三章预览\\n212\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n3.10 负责任的人工智能专题\\n\\n人工智能生成的路面配坑测试图影响南非选民（南非，图片，\\nX/Twitter, Facebook, Instagram, Reddit,2024年5月4日）\\n5月4日，一名Facebook用户发布了一张人工智能生成的图片，显示一条布满坑洼的道路通向开普敦标志性的桌山（\\n图3.10.11)，图片下方配文暗示，在民主联盟执政期间，市政当局未能维持基本公共服务，导致基础设施恶化。许多人转发了\\n\\n资料来源：世界其他地区，2024\\n图3.10.11\\n\\n这张图片，以劝阻西开普省的选民不要支持已经执政15年的民主联盟，尽管原始帖子已被从Facebook上删除，但它仍在其他社交媒体平台上流传。法国新闻社下属的AFP Fact\\nCheck报道称，这张图片是由人工智能生成的，并追溯到一位创作人工智能艺术的Instagram用户。\\n\\nPost\\n@ramalacast\\nWhite people lied\\n3:35 PM - May 4, 2024 - 106.2K Views\\n335 147 574 32\\n\\n目录第三章预览\\n213\\n\\n* * *\\n\\nAI\\n2025年人工智能指数报告\\n\\n第四章:\\n经济来自Njenga Kariuki的文本和分析\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第四章：经济\\n\\n概述 216\\n章节要点 217\\n4.1 2024 年人工智能领域大事件时间线 219\\n\\n4.2 工作岗位 223\\n人工智能劳动力需求 223\\n全球人工智能劳动力需求 223\\n按技能集群和专业技能分类，\\n美国人工智能劳动力需求情况 225\\n美国各行业的人工智能劳动力需求 228\\n美国各州的人工智能劳动力需求 229\\n人工智能招聘 232\\n人工智能技能渗透 234\\n人工智能人才 236\\n重点：衡量人工智能与经济的融合情况 242\\n\\n4.3 投资 246\\n企业投资 246\\n初创企业活动 247\\n全球趋势 247\\n按资金规模进行的地区比较 251\\n按地区划分的新获融资人工智能公司对比 255\\n重点领域分析 258\\n\\n4.4 企业活动 260\\n行业使用情况 260\\n利用人工智能能力 260\\n生成式人工智能功能部署 264\\n人工智能对劳动力的影响 267\\n\\n4.5 机器人部署 272\\n总体趋势 272\\n工业机器人：传统机器人与协作机器人 274\\n按地理区域划分 275\\n服务机器人的国家级数据 279\\n\\n获取公共数据\\n\\n目录 第四章预览 215\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第四章：\\n经济\\n\\n概述\\n\\n2024 年人工智能的经济影响进一步凸显，对多行业产生实质性冲击。生成式人工智能在特定任务中带来的早期生产效率提升已可量化，但该技术对宏观经济的长期影响仍存争议。劳动力市场初现人工智能驱动的转型迹象：随着新型人工智能相关岗位涌现，部分知识型职业正经历结构性调整。跨行业、跨地域的企业正从实验性应用转向系统性整合人工智能技术。投资趋势也反映出人工智能生态日趋成熟，资金日益集于企业自动化专项应用及垂直行业解决方案。\\n\\n本章节基于 Lightcast、领英、Quid、麦肯锡及国际机器人联合会（IFR）数据，\\n剖析人工智能相关经济趋势。首先解析人工智能相关职业的劳动力需求、招聘动向、技能渗透率及人才供给现状；然后，本章节探讨了企业在人工智能领域的投资，其中有一部分专门关注生成式人工智能。最后，它评估了人工智能对生产力的影响以及各行各业的机器人安装情况。\\n\\n目录第四章预览\\n216\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第四章：\\n经济\\n\\n章节要点\\n\\n1. 全球私人工智能投资创历史新高，增长 26%。2024 年，全球企业人工智能投资规模达到 2523 亿美元，其中私人投资同比增长\\n 44.5%，并购交易规模较上年增长 12.1%，过去十年间，该领域经历显著扩张，自 2014 年以来，总投资规模增长逾十三倍。\\n\\n2. 生成式人工智能投资规模激增，2024 年，生成式人工智能领域的私人投资达到 339 亿美元，比 2023 年增长 18.7%，是 2022 年水平的 8.5 倍以上。该领域目前占所有人工智能相关私人投资总额的 20% 以上。\\n\\n3. 美国扩大了其在全球人工智能私人投资中的领先优势。2024 年，美国人工智能私人投资规模达到 1091 亿美元，相当于中国的近\\n 12 倍（93 亿美元），英国的 24 倍（45 亿美元）。在生成式人工智能领域，美国投资总额较中国、欧盟及英国投资总和还多 254 亿美元，较 2023 年 218 亿美元的差额继续扩大。\\n\\n4. 人工智能的使用达到前所未有的水平，2024 年，受访企业报告采用人工智能技术的比例从 2023 年的 55% 跃升至 78%。同样，\\n 在至少一项业务职能中使用生成式人工智能的受访者数量增长逾一倍——从 2023 年的 33% 上升至 2024 年的 71%。\\n\\n5. 人工智能已开始在多个业务职能领域产生财务效益，但大多数企业仍处于应用初期阶段。报告显示，在单一业务职能内应用人工智能并取得财务效益的企业中，多数反馈效益水平仍处于较低区间，在成本节约方面，在客户服务运营中使用人工智能的企业中有\\n 49%的受访者报告实现降本，供应链管理领域这一比例为 43%，软件工程领域为 41%，不过，这些企业报告的成本降幅大多不足\\n 10%，在收入增长方面，营销与销售部门应用人工智能的企业中有 71%的受访者报告收入提升，供应链管理领域为 63%，服务运营领域为 57%，但需要指出的是，这些收入增幅普遍低于 55。\\n\\n6. 人工智能的应用呈现出明显的区域差异，其中大中华区正迅速崛起，尽管北美地区仍保持着企业人工智能应用率的领先地位，但大中华区是同比增长率最高的地区之一，其企业人工智能采用率提升了 27%，欧洲紧随其后，实现了 23%的增长，这表明全球人工智能格局正在快速演变，各国在人工智能应用领域的国际竞争也日趋激烈。\\n\\n\\n目录第四章预览\\n217\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第四章：\\n经济\\n\\n章节要点（续）\\n\\n7. 中国在工业机器人领域仍占据主导地位，虽略有放缓。2023年，中国安装27.63万台工业机器人，是日本的6倍，美国的7.3倍。自2013年超过日本以来，中国在全球工业机器人安装量中的份额从20.8%上升至51.1%，虽然中国的机器人安装量继续超过世界其他国家的总和，但这一差距在2023年略有缩小，标志着其急剧扩张的趋势略有放缓。\\n\\n8. 协作型和交互式机器人使用日趋普及，2017年，协作型机器人仅占所有新安装工业机器人的2.8%，到2023年，这一数字攀升至\\n 10.5%。同样，2023年，除医疗机器人外，所有应用领域的服务机器人安装量均呈现增长趋势。这一趋势不仅表明机器人安装量的总体增长，还表明人们越来越重视将机器人部署在面向人类的岗位上。\\n\\n9. 人工智能正在推动能源结构的重大变革，并引发对核能的新一轮关注。微软宣布以16亿美元重启三哩岛核反应堆，为人工智能提供动力，而谷歌和亚马逊也签订了核能协议，为人工智能业务提供支持。\\n\\n10. 人工智能提高生产效率并缩小技能差距。去年的人工智能指数报告是首批强调人工智能对生产效率产生积极影响的研究报告之一。今年更多研究进一步验证了这些发现，证实人工智能不仅能提升生产效率，在多数情况下还有助于缩小高技能与低技能劳动者之间的能力差距。\\n\\n\\n目录第四章预览\\n218\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第四章：经济\\n2024年人工智能领域大事件时间线\\n\\n本章节开篇概述了 2024 年人工智能领域最具影响力的经济事件，这些事件由人工智能指数指导委员会权威选。\\n\\n4.1 2024年人工智能领域大事件时间线\\n\\n日期 活动 类型 图片\\n2024年1月16日 Synopsys 以 350 亿美元收购 Ansys, 强化芯片至系统级全栈设计解决方案\\n收购\\n图 2.1.6\\n资料来源：Inflection，2025\\n2024年2月21日、有报道称, OpenAI 的年化收入在 2023 年\\n12 月超过了 20 亿美元。\\n估值里程碑\\n图 4.1.2\\n资料来源：Inc，2024\\n2024年2月29日、人形机器人初创公司 Figure AI 以 26 亿美元的估值融资 6.75 亿美元。\\n投资/融资\\n图 4.1.3\\n资料来源：Microsoft，2024\\n2024年3月21日微软 聘请包括联合创始人在内的 Inflection\\nAI的大部分员工，并支付 6.5 亿美元以获得 Inflection 人工智能模型的授权。\\n收购\\n图 4.1.4\\n资料来源：鼎道社，2024\\n2024年3月21日人工智能云基础设施初创企业 CoreWeave\\n获得 11 亿美元的融资，估值为 190 亿美元。\\n投资/融资\\n图 4.1.5\\n资料来源：财富，2024\\n\\n目录第四章预览\\n219\\n\\n* * *\\n\\n第四章：经济\\n2024年人工智能领域大事件时间线\\n\\n2024年5月1日数据标签初创企业 Scale AI 融资 10 亿美元，\\n估值达到 138 亿美元。\\n\\n投资/融资图4.1.6\\n资料来源：路通社，2024\\n\\n2024年6月11日法国开源人工智能模型初创公司 Mistral\\nAI 以 60 亿美元的估值融资 6.4 亿美元。\\n\\n投资/融资图4.1.7\\n资料来源：TechCrunch，2024\\n\\n2024年6月14日精准医疗人工智能企业 Tempus AI 成功上市，募资 4.107 亿美元，估值突破 60 亿美元\\n\\n投资/融资图4.1.8\\n资料来源：路通社，2024\\n\\n2024年7月22日\\nCohere，一家专注于企业应用的人工智能初创公司，完成 5 亿美元融资，估值达 55\\n亿美元。\\n\\n投资/融资图4.1.9\\n资料来源：Crunchbase，2024\\n\\n2024年8月2日谷歌收购 Character,AI，以约 25 亿美元收购其股东股份，并获得该初创公司的人工智能技术授权。此次收购包括引入 Character,AI 的联合创始人及研究团队成员。\\n\\n收购图4.1.10\\n资料来源：The Verge，2024\\n\\n2024年8月5日\\nGroq,一家专注于快速推理的人工智能芯片初创公司，在最新一轮融资中筹集了 6.4 亿美元，公司估值达 28 亿美元。\\n\\n投资/融资图4.1.11\\n资料来源：Groq,Groq，2024\\n\\n目录第四章预览\\n220\\n\\n* * *\\n\\n第四章：经济\\n2024年人工智能领域大事件时间线\\n\\n2024年8月12日\\nAMD 以约 6.65 亿美元收购欧洲最大的私人人工智能实验室 Silo AI。\\n\\n收购图4.1.12\\n资料来源：AMD，2024\\n\\n2024年9月5日\\nSafe Superintelligence(SSI)获得 10 亿美元融资。\\n\\n投资/融资图4.1.13\\n资料来源：TechCrunch，2024\\n\\n2024年9月12日\\nSalesforce 在其平台上推出了 Agentforce，这是一个用于业务运营的自主 AI\\n智能体套件。\\n\\n产品发布/整合图4.1.14\\n资料来源：Salesforce，2024\\n\\n2024年9月20日微软宣布与 Constellation Energy 达成一项价值 16 亿美元的协议，以重启三里岛核反应堆，为人工智能数据中心供电。\\n\\n合作伙伴图4.1.15\\n资料来源：美国国家公共广播电台，2024\\n\\n2024年10月2日\\nOpenAI 在估值达 1570 亿美元的情况下，\\n融资 66 亿美元。\\n\\n投资/融资图4.1.16\\n资料来源：Axios，2024\\n\\n2024年10月14日谷歌宣布与 Kairos Power 达成协议，将从该公司开发的多个小型模块化反应堆(\\nSMR)购买核能。\\n\\n合作伙伴图4.1.17\\n资料来源：谷歌，2024\\n\\n2024年10月16日亚马逊宣布与 Energy Northwest, X-energy\\n和 Dominion Energy 合作，推出小型模块化反应堆(SMR)开发核能计划。\\n\\n合作伙伴图4.1.18\\n资料来源：亚马逊，2024\\n\\n目录第四章预览\\n221\\n\\n* * *\\n\\n第四章：经济\\n2024年人工智能领域大事件时间线\\n\\n2024年10月17日谷歌的 NotebookLM 丢掉了“实验性”标签，并拥有数百万用户和超过 8 万家组织。\\n\\n产品发布/整合图4.1.19\\n资料来源：谷歌，2024\\n\\n2024年11月22日\\nAnthropic 与 AWS 扩大合作，亚马逊再投资 40亿美元，使总投资额达到 80亿美元。\\n\\n合作伙伴图4.1.20\\n资料来源：Anthropic，2024\\n\\n2024年12月17日人工智能数据分析公司 Databricks 在最新一轮融资中筹集了 $100亿美元，公司估值达 $620亿美元。\\n\\n投资/融资图4.1.21\\n资料来源：TechCrunch，2024\\n\\n2024年12月18日专注于人工智能搜索产品的初创公司\\nPerplexity AI 以 90 亿美元的估值融资 5\\n亿美元。\\n\\n投资/融资图4.1.22\\n资料来源：人工智能杂志，2024\\n\\n2024年12月23日\\nxAI 宣布完成 60 亿美元融资，累计融资总额达 120 亿美元，估值超过 400亿美元。\\n\\n投资/融资图4.1.23\\n资料来源：福布斯，2024\\n\\n2024年12月30日英伟达以 7 亿美元收购 以色列初创公司\\nRunxai，以增强其在算力需求环境中的图形处理器优化能力。\\n\\n收购图4.1.24\\n资料来源：TechCrunch，2024\\n\\n目录第四章预览\\n222\\n\\n* * *\\n\\n第四章：经济\\n4.2 工作岗位\\n\\n4.2 工作岗位人工智能劳动力需求本节利用 Lightcast 提供的数据，分析劳动力市场对人工智能相关技能的需求。自 2010 年以来，Lightcast 已分析了来自 51,000 多个网站的数亿条招聘信息，并筛选出其中要求人工智能技能的岗位。\\n\\n全球人工智能劳动力需求图 4.2.1 和图 4.2.2 显示了招聘岗位中对人工智能技能需\\n\\n求的占比情况。2024年，新加坡(3.2%)、卢森堡(2%)和中国香港(1.9%)在这一指标上处于领先地位，2023年，美国招聘岗位中人工智能相关职位占比为1.4%，到2024年这一数字上升至1.8%，从2023年到2024年，大多数国家对人工智能技能需求的岗位比例均有所增长。\\n\\n2014-2024年按选定地理区域划分人工智能岗位招聘信息（占所有招聘信息的比例）（第1部分）\\n资料来源：Lightcast，2024 图表：2025年人工智能指数报告\\n\\n图 4.2.1\\n\\n目录第四章预览\\n223\\n\\n* * *\\n\\n第四章：经济\\n4.2 工作岗位\\n\\n2025年人工智能指数报告\\n\\n2014-2024 年按选定地理区域划分人工智能岗位招聘信息（占所有招聘信息的比例）（第 2 部分）\\n资料来源：Lightcast, 2024 图表：2025 年人工智能指数报告\\n\\n人工智能岗位招聘信息（占所有招聘信息的比例）\\n\\n1.24%，西班牙\\n1.14%，澳大利亚\\n1.06%，美国利\\n0.73%，墨西哥\\n0.69%，日本\\n0.65%，新西兰\\n0.63%，克罗地亚\\n\\n图 4.2.2\\n\\n目录第四章预览\\n224\\n\\n* * *\\n\\n第四章：经济\\n4.2 工作岗位\\n\\n2025年人工智能指数报告\\n\\n按技能集群和专业技能分类，美国人工智能劳动力需求情况图 4.2.3 显示了自 2010 年以来美国劳动力市场上最热门的人工智能技能，人工智能的需求占 0.9%，紧随其后的是机器学习（也是 0.9%）和自然语言处理 (0.2%)。自去年以来，除自动驾驶和机器人外，Lightcast 跟踪的大多数人工智能相关技能集群的市场份额都有所增长，生成式人工智能的增幅最大，增长了近四倍。\\n\\n2014-2024 年按技术集群分类人工智能岗位招聘信息（占所有招聘信息的比例）\\n资料来源：Lightcast, 2024\\\\|图表：2025 年人工智能指数报告\\n\\n0.94%，人工智能\\n0.92%，机器学习\\n0.23%，自然语言处理\\n0.22%，生物光人工智能\\n0.16%，神经网络\\n0.09%，视觉图像识别\\n0.07%，机器人技术\\n0.02%，人工智能处理、治理和法规\\n\\n图 4.2.3¹\\n\\n1. 一份招聘启事可以列出多种人工智能技能。\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第四章：经济\\n4.2 工作岗位\\n\\n图 4.2.4 比较了 2024 年人工智能岗位招聘中需求最高的 Python 的显著增长凸显了其作为首选人工智能编程语言的地\\n10 项专业技能与 2012 年至 2014 年期间的需求情况。²从绝对位。值来看，过去十年间每项专业技能的需求均有所增长，其中\\n\\n2012-2014 年与 2024 年美国人工智能岗位招聘中的十大专业技能对比资料来源：Lightcast, 2024 图表：2025 年人工智能指数报告\\n\\nPython（编程语言） 199,213 (+527%)\\n计算机科学 193,341 (+131%)\\n数据分析 28,938 (+209%)\\nSQL（编程语言） 119,441 (+132%)\\n数据科学 110,620 (+833%)\\n自动化 102,210 (+361%)\\n项目管理 101,127 (+67%)\\n亚马逊云服务 100,881 (+178%)\\n敏捷开发方法论 88,141 (+334%)\\n系统可扩展性架构 86,990 (+337%)\\n\\n人工智能岗位招聘数量\\n\\n图 4.2.4\\n\\n2. 之所以决定选择 2012-2014 年作为比较点，是因为前几年工作 / 技术层面的数据较少。因此，Lightcast 采用了 2012-2014 年的数据，以大的样本量作为 10 年前的比较基准。图 4.2.4 将 2012 年至 2014 年需要特定技能的职位发布总数与 2024 的总数排列。\\n\\n目录第四章预览\\n226\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第四章：经济\\n4.2 工作岗位\\n\\n2024年，美国招聘信息中提及生成式人工智能技能的岗位数量较上年增长超过三倍（图4.2.5）。图4.2.6展示了2024年和\\n2023年发布的人工智能招聘信息中提及特定生成式人工智能技能的占比。\\n\\n2023年与2024年美国人工智能岗位招聘信息中生成式人工智能技能的对比资料来源：Lightcast, 2024\\\\|图表：2025年人工智能指数报告\\n\\n生成式人工智能\\n66,635 (+323%)\\n大语言模型\\n19,562 (+295%)\\nChatGPT\\n5,664 (+48%)\\n提示工程\\n6,283 (+350%)\\n生成式对抗网络\\n2,213 (+67%)\\n文本转语音 (TTS)\\n1,045 (-48%)\\n检索增强生成\\n2,834 (+2,047%)\\n微软 Copilot 变分\\n1,496 (+2,238%)\\n自编码器\\n756 (+89%)\\n多模态模型\\n733 (+566%)\\n\\n人工智能岗位应聘数量\\n\\n图4.2.5\\n\\n2023年与2024年美国人工智能职位招聘信息中生成式人工智能技能所占的比例资料来源：Lightcast, 2024\\\\|图表：2025年人工智能指数报告\\n\\n生成式人工智能\\n60,48% (+61%)\\n大语言模型\\n17,76% (+48%)\\nChatGPT\\n5,14% (-49%)\\n提示工程\\n5,68% (+23%)\\n文本转语音 (TTS)\\n0.95% (-86%)\\n生成式对抗网络\\n2.01% (-54%)\\n检索增强生成\\n2.57% (+487%)\\n变量自编码器\\n0.69% (-48%)\\n微软 Copilot\\n1.38% (+539%)\\n多模态模型\\n0.67% (+350%)\\n\\n人工智能岗位应聘数量\\n\\n图4.2.6\\n\\n目录第四章预览\\n227\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第四章：经济\\n4.2 工作岗位\\n\\n美国各行业的人工智能劳动力需求图 4.2.7 显示了 2023 年至 2024 年美国各行业领域对人工智能技能需求岗位的占比，与 2023 年相比，2024 年几乎所有行业领域对人工智能技能需求岗位的占比均有所上升，公共行政领域除外。与 2023 年相比，2024 年几乎所有行业领域对\\n\\n2023 年与 2024 美国各行业人工智能岗位招聘信息占总招聘信息比例的对比资料来源：Lightcast, 2024-4 图表：2025 年人工智能指数报告\\n\\n9.33% (+79.56%)\\n信息专业、科学技术服务金融和保险制造业公用事业教育服务公司和企业管理采矿、采石及石油天然气开采公共行政管理房地产与租赁业批发业零售业农业、林业、渔业和狩猎业运输和仓储废物管理和行政发财服务\\n1.29% (-26.93%)\\n1.22% (+41.95%)\\n1.20% (+43.41%)\\n1.16% (+101.95%)\\n1.07% (+22.26%)\\n0.82% (+35.81%)\\n0.48% (+15.65%)\\n\\n0% 1% 2% 3% 4% 5% 6% 7% 8% 9% 10% 11%\\n人工智能职位岗位招聘（占所有职位岗位招聘的百分比）\\n\\n图 4.2.73\\n\\n3. 图 4.2.7 中的行业分类基于两位数的 NACIS 代码，有关工资统计（图 Bureau of Labor Statistics）的超行业分类和 NACIS 分类的更多信息，请参阅以下参考资料。\\n\\n* * *\\n\\n第四章：经济\\n4.2 工作岗位\\n\\n美国各州的人工智能劳动力需求图 4.2.8 展示了美国各州的人工智能职位空缺数量,排名前三的州分别是加利福尼亚州(103,375)、得克萨斯州(57,785)和纽约州(37,944)。\\n\\n图 4.2.9 展示了各州人工智能相关职位发布占该州总职位发布量的百分比,根据这一指标,排名前三的州是华盛顿特区(4.4%),特拉华州(3.4%)和华盛顿州(3.3%)。\\n\\n2024 年美国各州人工智能职位发布数量资料来源：Lightcast, 2024 \\\\| 图表：2025 年人工智能指数报告\\nAK 2,225\\nWA 31,067 MT 2,456 ND 1,606 SD 1,839 MN 10,445 WI 7,415 MI 15,583\\nOR 8,643 ID 4,149 WY 976 NE 3,829 IA 4,274 IL 26,131 IN 7,232 OH 19,294 NJ 19,504\\nCA 34,375 UT 6,584 CO 15,027 KS 5,951 MO 9,138 KY 4,341 WV 1,296 DC 10,021 MD 14,906 DE 3,767\\nAZ 12,939 NM 3,617 OK 4,512 AR 4,707 TN 9,184 VA 31,866 NC 18,976\\nTX 57,785 LA 3,770 MS 2,877 AL 6,876 GA 20,260 SC 5,362\\nHI 2,693\\nFL 25,211\\n\\n图 4.2.8\\n\\n2024 年美国各州人工智能职位发布占该州总职位发布比例资料来源：Lightcast, 2024 \\\\| 图表：2025 年人工智能指数报告\\nAK 1.60%\\nWA 3.27% MT 1.53% ND 1.22% SD 1.18% MN 1.46% WI 1.00% MI 1.51%\\nOR 1.54% ID 1.91% WY 1.74% NE 1.34% IA 1.06% IL 1.87% IN 0.97% OH 1.19% PA 1.46% NJ 2.07%\\nCA 2.67% NT 1.75% CO 1.78% KS 1.52% MO 1.26% KY 1.04% WV 1.13% DC 4.44% MD 2.29% DE 3.35%\\nAZ 1.50% NM 1.30% OK 1.09% AR 1.86% TN 1.14% VA 2.77% NC 1.82%\\nTX 1.86% LA 0.92% MS 1.37% AL 1.38% GA 1.82% SC 0.98%\\nHI 1.44%\\nFL 1.09%\\n\\n图 4.2.9\\n\\n目录 第四章预览 229\\n\\n* * *\\n\\n第四章：经济\\n4.2 工作岗位\\n\\n图 4.2.10 显示了美国哪些州的人工智能职位发布在全国所占比例最大。2024年，美国15.7%\\n的人工智能发布在加利福尼亚州，其次是得克萨斯州(8.8%)和纽约州(5.8%)。\\n\\n图 4.2.11展示了四个拥有大量人工智能岗位招聘信息的州——华盛顿州、加利福尼亚州、纽约州和得克萨斯州——的趋势，从2023年到2024年，这四个州的人工智能相关岗位招聘信息在总招聘信息中的占比均显著上升。\\n\\n2024 年美国各州人工智能职位发布比例资料来源：Lightcast, 2024 \\\\| 图表：2025 年人工智能指数报告\\n\\nAK\\n0.34%\\nVT\\n0.20%\\nNH\\n0.47%\\nMA\\n0.42%\\nWA\\n4.72%\\nMT\\n0.37%\\nND\\n0.24%\\nSD\\n0.28%\\nMN\\n1.90%\\nWI\\n1.13%\\nMI\\n2.37%\\nNY\\n7.61%\\nCT\\n1.23%\\nBI\\n0.44%\\nOR\\n0.31%\\nID\\n0.64%\\nWY\\n0.15%\\nNE\\n0.58%\\nIA\\n0.62%\\nIL\\n1.20%\\nIN\\n1.20%\\nOH\\nPA\\n4.63%\\nJU\\n2.94%\\nNV\\n0.68%\\nGT\\n1.01%\\nCO\\n0.42%\\nWO\\n0.90%\\nIU\\n1.93%\\nDO\\n0.66%\\nDE\\n0.57%\\nMD\\n0.58%\\nEE\\n0.57%\\nAZ\\n1.96%\\nNM\\n0.55%\\nOK\\n0.69%\\nAR\\n0.71%\\nTN\\n1.39%\\nVA\\n4.74%\\nNC\\n2.87%\\nTX\\n8.77%\\nLA\\n0.57%\\nMS\\n0.44%\\nAL\\n1.04%\\nGA\\n3.08%\\nSC\\n0.89\\nHI\\n0.41%\\n\\n2010-2024 年美国各选定州的人工智能职位占该州总职位发布量的比例资料来源：Lightcast, 2024 \\\\| 图表：2025 年人工智能指数报告\\n\\n3.27%, 华盛顿州\\n2.67%, 加利福尼亚州\\n2.19%, 纽约州\\n1.86%, 得克萨斯州\\n\\n图 4.2.11\\n\\n目录第四章预览\\n230\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第四章：经济\\n4.2 工作岗位\\n\\n图 4.2.12 显示了随着时间的推移，人工智能相关职位在前四个州的分布情况。2024 年，所有四个州都扭转了多年来人工智能相关职位比例下降的趋势。人工智能职位发布——加利福尼亚州和的变化尤为明显，自 2020 年以来，这两个州的职位发布都有所减少。\\n\\n2010-2024 年全美人工智能职位发布量中各选定州所占比例资料来源：Lightcast, 2024\\\\|图表：2025 年人工智能指数报告\\n\\n占美国人工智能职位空缺的比例\\n29%\\n20%\\n15%\\n10%\\n5%\\n0%\\n2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024\\n15.70%，加利福尼亚州\\n6.77%，密苏里州\\n5.76%，纽约\\n4.72%，华盛顿州\\n\\n图 4.2.12\\n\\n目录第四章预览\\n231\\n\\n* * *\\n\\n人工智能招聘\\n\\n人工智能指数中提供的招聘数据基于领英部都的经济图谱（Economic Graph），反映了该平台 10 多亿会员的工作和技能情况。因此，数据会受到会员选择使用平台方式的影响，这可能会因职业、社交和地区文化以及网站的整体可用性和可访问性而有所不同。人工智能指数指出，样本中的匈牙利、印度尼西亚、印度和韩国的领英覆盖的比例较低，因此在解释这些国家的情况时应特别谨慎。\\n\\n图 4.2.13 报告了按地理区域划分的人工智能相对招聘率同比比率。整体招聘率的计算方式为：在同一时间段内添加新雇主的领英会员人数除以该地区领英会员总数。相反，相对人\\n\\n工智能人才招聘率是指与同一地理区域整体招聘率相比，人工智能招聘的同比变化。4 因此，图 4.2.13 展示了人工智能人才招聘活跃度最高的地区情况——这些地区的人工智能人才招聘增长率显著超过整体招聘增速。2024 年，人工智能人才相对招聘率同比增长最显著的国家依次为：印度（33.4%）、巴西（\\n30.8%）和沙特阿拉伯（28.7%）。这意味着，以印度为例，2024\\n年其人工智能人才招聘数量与整体招聘数量的比率同比增长了 33.4 个百分点。\\n\\n2024 年按地理区域划分的人工智能相对招聘率年同比\\n\\n资料来源：领英，2024\\\\| 图表：2025 年人工智能指数报告\\n\\n图 4.2.14 展示了过去五年各地区人工智能招聘的年同比。 聘率显著上升。其他近期出现类似增长的国家包括加拿大、印从 2024 年开始，阿根廷、巴西和智利等南美国家的人工智能招 度、南非和美国。\\n\\n* * *\\n\\n2018-2024 年按地理区域划分的人工智能相对招聘年同比\\n\\n资料来源：领英，2024\\\\| 图表：2025 年人工智能指数报告\\n\\n* * *\\n\\n人工智能技能渗透\\n\\n图 4.2.15 和图 4.2.16 突出了相对的人工智能技能渗透率。该指标旨在衡量特定国家、行业或性别人工智能技能的强\\n\\n图 4.2.15 和图 4.2.16 突出了相对的人工智能技能渗透率。该指标旨在衡量特定国家、行业或性别人工智能技能的强\\n\\n率。该指标旨在衡量特定国家、行业或性别人工智能技能的强度。人工智能技能渗透率表明了人工智能技能在各职业中的普\\n\\n度。人工智能技能渗透率表明了人工智能技能在各职业中的普及程度，或 领英会员在工作中使用人工智能技能的强度。例如，\\n\\n度。人工智能技能渗透率表明了人工智能技能在各职业中的普及程度，或 领英会员在工作中使用人工智能技能的强度。例如，\\n\\n工程师职业的前 50 项技能是根据它们在 领英会员个人资料\\n\\n工程师职业的前 50 项技能是根据它们在 领英会员个人资料中出现的加权频率计算得出的。例如，如果工程师拥有的技能\\n\\n工程师职业的前 50 项技能是根据它们在 领英会员个人资料中出现的加权频率计算得出的。例如，如果工程师拥有的技能\\n\\n中有 4 项属于人工智能技能组，则工程师中人工智能技能的普\\n\\n及率估计为 8%（4/50）。\\n\\n2015-2024 年按地理区域划分的人工智能技能相对渗透率资料来源：领英，2024\\\\| 图表：2025 年人工智能指数报告\\n\\n在 2015 年至 2024 年期间，人工智能技能普及率最高的国家是美国（2.6）和印度（2.5）。其次是英国（1.4）、德国（1.3）和巴西（1.3）。因此，在同一组职业中，美国人工智能技能的相对渗透率是全球平均水平的 2.6 倍。\\n\\n人工智能相对技能渗透率\\n\\n* * *\\n\\n图 4.2.16 按性别分类了不同国家或地区的人工智能技能渗透率。一个国家的女性普及率为 1.5，这意味着该国领英女性会员拥有人工智能技能的可能性是全球所有国家平均水平的\\n\\n1.5 倍。在所有样本国家中，除沙特阿拉伯外，男性的人工智能技能渗透率都高于女性。在所有样本国家中，印度（1.9）、美国\\n（1.7）和加拿大（1.0）报告的女性人工智能技能相对渗透率最高。\\n\\n2015-2024 年人工智能技能在不同性别间的相对渗透率\\n\\n资料来源：领英，2024\\\\| 图表：2025 年人工智能指数报告\\n\\n* * *\\n\\n人工智能人才\\n\\n图 4.2.17 和 4.2.18 按国家分类了人工智能人才。如果 领英会员在个人档案中明确添加了人工智能技能、从事或曾经从事过人工智能工作，那么他们就被视为人工智能人才。人工智能人才的数量被计算人才集中度，即人工智能人才在会员中所占的比例。请注意，人才集中度指标可能会受到领英在这些国家覆盖范围的影响，因此谨慎应使用。\\n\\n2024 年按地理区域划分的人工智能人才集中度资料来源：领英，2024\\\\| 图表：2025 年人工智能指数报告\\n\\n图 4.2.17 显示了不同地理区域的人工智能人才集聚情况。\\n2024 年，人工智能人才最集中的国家包括以色列（2.0%）、新加坡（1.6%）和卢森堡（1.4%）。图 4.2.18 显示了部分国家自\\n2016 年以来人工智能人才集中度的百分比变化。在此期间，几个主要经济体的人工智能人才库大幅增加。增幅最大的国家是印度（252%）、哥斯达黎加（240%）和葡萄牙（237%）。\\n\\n资料来源：领英，2024\\\\| 图表：2025 年人工智能指数报告\\n\\n图 4.2.17\\n\\n人工智能人才分布也存在显著的性别差异。在分析样本中的所有国家中，除印度和沙特阿拉伯外，男性人工智能人才的\\n\\n2016 年与 2024 年按地理区域划分的人工智能人才集中度变化比例\\n\\n资料来源：领英，2024\\\\| 图表：2025 年人工智能指数报告\\n\\n人工智能人才集中度变化比例\\n\\n图 4.2.18\\n\\n集中度均高于女性（图 4.2.19）。以色列报告的 2024 年女性人工智能人才集中度最高，为 1.6%。\\n\\n* * *\\n\\n2016-2024 年按性别和地理区域划分的人工智能人才集中度\\n\\n资料来源：领英，2024\\\\| 图表：2025 年人工智能指数报告\\n\\n* * *\\n\\n领英还跟踪了人工智能人才的性别分布部#937375都。据估计，2024 年该平台上 69.5% 的人工智能专业人员为男性，30.5%\\n为女性。随着时间的推移，这一比例一直保持稳定。\\n\\n2016-2024 年全球人工智能人才分布情况\\n\\n资料来源：领英，2024\\\\| 图表：2025 年人工智能指数报告\\n\\n领英有关人工智能人才的数据还可以按国家细分。在样本的每个国家，担任人工智能职位的男性比例都高于女性（图 4.2.21）。新西兰和罗马尼亚的性别分布最为均衡，而巴西和智利的性别分布最不均衡。\\n\\n* * *\\n\\n2016-2024 年按性别和地理分类的人工智能人才分布比例\\n\\n资料来源：领英，2024\\\\| 图表：2025 年人工智能指数报告\\n\\n* * *\\n\\n领英的数据可反映因迁移趋势导致的人工智能人才流动情况。6净流入是指在给定时间段内到达人数减去离开人数的\\n\\n情况。6净流入是指在给定时间段内到达人数减去离开人数的总和。如果人工智能人才净迁移分数为正数，则表明进入该地\\n\\n净流入是指在给定时间段内到达人数减去离开人数的总和。如果人工智能人才净迁移分数为正数，则表明进入该地\\n\\n区的人才多于离开的人才。负数表示该地区离开的人才多于进\\n\\n区的人才多于离开的人才。负数表示该地区离开的人才多于进入的人才。图 4.2.22 按地理区域显示了每 10,000 名 领英会\\n\\n区的人才多于离开的人才。负数表示该地区离开的人才多于进入的人才。图 4.2.22 按地理区域显示了每 10,000 名 领英会\\n\\n2024 年按地理区域划分领英每万名会员的人工智能人才净迁移资料来源：领英，2024\\\\| 图表：2025 年人工智能指数报告\\n\\n员中人工智能人才的净迁入情况。人工智能人才人均迁入最多的地区是卢森堡（8.9）、塞浦路斯（4.7）和阿拉伯联合酋长国（\\n4.1）。\\n\\n人工智能人才净迁移（每 10,000 名领英会员）\\n\\n图 4.2.22\\n\\n图 4.2.23 展示了人工智能人才流动数据随时间的变化。近年来，以色列、荷兰和加拿大等国家的人工智能人才净流动量呈现下降趋势，这表明流向这些国家的人工智能人才数量有\\n\\n所减少。人才流动不断增加的国家包括阿拉伯联合酋长国、沙特阿拉伯和卢森堡。\\n\\n* * *\\n\\n2019-2024 年按地理区域划分的每万名领英会员的人工智能人才净迁移量资料来源：领英，2024\\\\| 图表：2025 年人工智能指数报告\\n\\n* * *\\n\\n重点 :\\n\\n衡量人工智能与经济的融合情况\\n\\n一项针对超过 400 万次真实世界人工智能交互的分析，为人工智能在各经济领域的融合提供了全面的实证依据。Anthropic 近期的一项研究通过美国劳工部的 O\\\\*NET\\n职业分类框架，对其人工智能模型的使用模式进行了分析，\\n揭示了哪些行业和职能正在利用人工智能技术。具体而言，\\nAnthropic 团队通过分析用户与其 Claude. 人工智能模型的对话，识别出最频繁使用人工智能的任务和职业。\\n\\n一项针对超过 400 万次真实世界人工智能交互的分析，为人工智能在各经济领域的融合提供了全面的实证依据。Anthropic 近期的一项研究通过美国劳工部的 O\\\\*NET\\n职业分类框架，对其人工智能模型的使用模式进行了分析，\\n揭示了哪些行业和职能正在利用人工智能技术。具体而言，\\nAnthropic 团队通过分析用户与其 Claude. 人工智能模型的对话，识别出最频繁使用人工智能的任务和职业。\\n\\n分析表明，虽然所有行业都在一定程度上使用了当前的人工智能技术，但主导领域仍为技术和创意行业。如图\\n4.2.24 所示，计算机和数学相关职业占据主导地位，占所有人工智能交互的 37.2%。其次是艺术、设计、娱乐、体育和媒体职业，占比 10.3%，而教育指导和图书馆职业也显示出较高的应用率。险缓解的责任在于模型提供商还是用户。\\n\\nClaude 使用数据中的职业分布和美国劳动力分布对比资料来源：Handa 等，2025\\\\| 图表：2025 年人工智能指数报告\\n\\nClaude 使用率与美国劳动力分布对比\\n\\n* * *\\n\\n重点：\\n\\n衡量人工智能与经济的融合情况（续）\\n\\n人工智能的使用模式与工资水平及所需技能之间存在明显关联。图4.2.25显示，人工智能使用率率在高工资四分位数职业中达到峰值，但在工资两端极值处显著下降。需要\\n\\n大量准备（通常为学士学位水平）的比其基准劳动力代表性高出 50%，准备的岗位则显示出较低的采用率。\\n\\n岗位的人工智能使用率需要少量准备和大量\\n\\n按年薪中位数分类的Claude职业使用情况\\n\\n资料来源：Handa等，2025\\\\]图表：2025年人工智能指数报告\\n\\n年工资中位数（单位：千美元）\\n\\n* * *\\n\\n重点 :\\n\\n衡量人工智能与经济的融合情况部都\\n\\nAnthropic 的研究发现，约有 36% 的职业在至少四分之一的相关任务中使用了人工智能部#93737<都，这表明人工智能在技术领域之外也有很大的渗透。然而，深度整合仍\\n\\n然很少见：只有大约 4% 的职业在 75% 以上的任务中使用了人工智能，这表明整个职业类别的全面自动化尚未实现。\\n\\n各组织机构使用人工智能的深度\\n\\n资料来源：Handa 等，2025\\n\\n图 4.2.26\\n\\n* * *\\n\\n重点 :\\n\\n衡量人工智能与经济的融合情况部都\\n\\n分析揭示了组织内部如何使用人工智能。如图 4.2.27\\n所示，57% 的人工智能互动表现出增强模式（增强人类能力 都酒 而 43% 则表现出自动化模式。这种差异表明，当前的\\n\\n人工智能的应用倾向补充而非取代人类工作者。研究发现，\\n在人工智能互动中，批判性思维和写作等认知技能的存在率很高，而体能和管理技能的存在率则很低（图 4.2.28）。\\n\\n按任务执行类型划分的 Claude 对话百分比\\n\\n资料来源：Handa 等，2025｜图表：2025 年人工智能指数报告\\n\\nClaude 在对话中展示的职业技能分布情况\\n\\n图 4.2.27\\n\\n资料来源：Handa 等，2025\\n\\n占总记录的百分比（%）\\n\\n* * *\\n\\n第四章：经济\\n\\n4.3 投资\\n\\nAI 智能体是设计用于在特定环境中运行以实现目标的自主或半自主系统，是人工智能研究的一个令人兴奋的前沿领域。这些智能体具有广泛的潜在应用，从协助学术研究、安排会议到促进在线购物和度假预订，不一而足。正如许多最近的公司新闻稿所表明的那样，智能体已成为人工智能技术领域越来越关注的话题。\\n\\n4.3 投资\\n\\n企业投资\\n\\n图 4.3.1 展示了 2013 年至 2024 年全球企业人工智能投资的趋势，包括并购、少数股权、私人投资和公开发行。\\n\\n2024 年，总投资额增至 2523 亿美元，较 2023 年增长 25.5%。其中私人投资增幅最为显著，同比上涨 44.5%，并购交易额增长 12.1%。过去十年间，人工智能相关投资规模已增长近十三倍。\\n\\n2013-2024 年按投资活动分类的全球企业对人工智能的投资情况\\n\\n资料来源；Quid, 2024\\\\| 图表：2025 年人工智能指数报告\\n\\n* * *\\n\\n初创企业活动\\n\\n全球趋势\\n\\n2013-2024 年全球人工智能私人投资\\n\\n2023 年至 2024 年，全球私人人工智能投资增长了\\n44.5%，这是自 2021 年以来的首次同比增长（图 4.3.2）。尽管近期有所波动，但全球私人人工智能投资在过去十年中仍有大幅增长。\\n\\n资料来源：Quid, 2024\\\\| 图表：2025 年人工智能指数报告\\n\\nF9E9C\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第四章：经济\\n4.3 投资\\n\\n生成式人工智能的资金投入持续大幅增长（图 4.3.3）。\\n18.7%，是 2022 年投资额的 8.5 倍以上。此外，2024 年，生成\\n2024 年，该领域吸引投资达 339 亿美元，较 2023 年增长式人工智能占所有人工智能相关私人投资的五分之一以上。\\n\\n2019-2024 年全球对生成式人工智能的私人投资资料来源：Quid, 2024 图表：2025 年人工智能指数报告\\n\\n投资能额（单位：十亿美元）\\n\\n2019 2020 2021 2022 2023 2024\\n\\n图4.3.3\\n\\n目录 第一章预览 248\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第四章：经济\\n4.3投资\\n\\n2024 年新获得投资的人工智能公司数量跃升至 2,049\\n家，比上一年增长了 8.4%(图 4.3.4)。此外，2024 年新获得融资的生成式人工智能公司数量有所增加，共有 214 家新创公司获得融资，而 2023年为 179 家，2019年仅为 31家(图 4.3.5)。\\n\\n2013-2024 年全球新获得融资的人工智能公司数量资料来源：Quid，2024 图表：2025 年人工智能指数报告\\n\\n图4.3.4\\n\\n2019-2024 年全球新获得融资的生成式人工智能公司数量资料来源：Quid，2024 图表：2025 年人工智能指数报告\\n\\n图4.3.5\\n\\n目录第一章预览\\n249\\n\\n* * *\\n\\n第四章：经济\\n4.3 投资\\n\\n图 4.3.6 显示了人工智能私人投资的平均规模，计算方法是将每年人工智能私人投资总额除以人工智能私人投资事件总数，从2023年到2024年，平均规模大幅增加，从3160万美元增至4540万美元。图4.3.7展示了按规模分类的人工智能融资事件。2024年，人工智能私人投资事件在融资规模超过1亿美元的类别中有所增加，而在较小规模的类别中则减少或保持稳定。2024年，共有15起人工智能私人投资事件涉及融资规模超过10亿美元。\\n\\n2013-2024 年全球人工智能私人投资活动的平均规模资料来源：Quid, 2024 图表：2025 年人工智能指数报告\\n\\n2023 年与 2024 年按资金规模划分的全球人工智能私人投资活动资料来源：Quid, 2024 图表：2025 年人工智能指数报告\\n\\n资金规模 2023 2024\\n超过10亿 9 15\\n5亿 - 10亿 9 20\\n1亿 - 5亿 134 143\\n5000万 - 1亿 200 195\\n低于5000万 2,945 2,945\\n未披露 680 207\\n总价 3,077 3,526\\n\\n图4.3.7\\n\\n目录 第四章预览 250\\n\\n* * *\\n\\n第四章：经济\\n4.3 投资\\n\\n投资全规模进行的地区比较美国在人工智能领域私人投资总额方面再次位居世界第一，2024年，美国投入的人工智能领域私人投资总额为1091亿美元，是排名第二的中国(93亿美元)的11.7倍，是英国(45亿美元)的24.1倍（图4.3.8），2024年跻身前15名的其他值得关注的国家包括瑞典(43亿美元)、奥地利(15亿美元)、荷兰(11亿美元)和意大利(9亿美元)。\\n\\n2024年按地理区域划分的全球人工智能私人投资资料来源：Quad, 2024年 图表：2025年人工智能指数报告\\n\\n公域国美国 109.08\\n中国 9.29\\n美国 4.52\\n瑞典 4.34\\n加拿大 2.69\\n法国 2.62\\n德国 1.97\\n阿联酋 1.77\\n委地利 1.51\\n以色列 1.38\\n韩国 1.33\\n印度 1.16\\n荷兰 1.09\\n日本 0.93\\n意大利 0.98\\n0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100 105 110 115\\n投资总额（单位：十亿美元）\\n\\n图4.3.8\\n\\n目录第四章预览\\n251\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第四章：经济\\n4.3投资\\n\\n自 2013年以来，汇总私人人工智能投资数据时，国家排名保持不变：美国以 470.9 亿美元的投资额位居榜首，中国以\\n119.3 亿美元紧随其后，英国以 28.2 亿美元排名第三(图4.3.9)。过去十年中吸引大量人工智能投资的其他国家包括以色列\\n(150亿美元)、新加坡(73亿美元)和瑞典(73亿美元)。过去十年中吸引大量人工智能投资的其他国家包括以色列(150亿美元)、新加坡(73亿美元)和瑞典(73亿美元)。\\n\\n2013~2024年按地理区域分类的全球人工智能私人投资（总和）\\n资料来源：Quad, 2024 图表：2025 年人工智能指数报告\\n\\n美国 109.08\\n中国 9.29\\n英国 4.52\\n加拿大 4.34\\n以色列 2.89\\n德国 2.62\\n印度 1.97\\n法国 1.77\\n韩国 1.51\\n新加坡 1.96\\n瑞典 1.33\\n日本 1.15\\n澳大利亚 1.09\\n瑞士 0.93\\n阿联酋 0.96\\n\\n投资总额（单位：十亿美元）\\n\\n图4.3.9\\n\\n目录第四章预览\\n252\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第四章：经济\\n4.3 投资\\n\\n图 4.3.10 显示了各地区人工智能私人投资的变化情况，表明美国与其他地区之间的私人投资差距正在扩大。自 2023 年以来，中国的人工智能私人投资下降了 1.9%，而欧洲则增长了\\n60%，与此同时，美国在同一时期实现了 50.7% 的显著增长，\\n且自 2022 年以来增长了 78.3%。\\n\\n2013-2024 年按地理区域划分的全球人工智能私人投资资料来源：Quid, 2024 图表；2025 年人工智能指数报告\\n\\n109.08，美国\\n10.42，欧洲\\n9.29，中国\\n\\n图4.3.10\\n\\n目录第四章预览\\n253\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第四章：经济\\n4.3 投资\\n\\n在分析生成式人工智能相关投资时，地区间的人工智能私人投资差距尤为明显。例如，2023 年，美国在生成式人工智能领域的投资额约为 218 亿美元，超过中国和欧洲的投资总额\\n（图 4.3.11），到 2024 年，这一差距进一步扩大至 254 亿美元。到 2024 年，这一差距进一步扩大至 254 亿美元。\\n\\n2019-2024 年按地理区域划分的全球生成式人工智能私人投资资料来源：Quid, 2024 图表；2025 年人工智能指数报告\\n\\n29.04 美国\\n2.11 中国\\n1.41 欧盟\\n\\n图4.3.11\\n\\n目录 第四章预览 254\\n\\n* * *\\n\\n第四章：经济\\n4.3 投资\\n\\n按地区划分的新获融资人工智能公司对比本节分析了不同地理区域内新获投资的人工智能公司数量，与私人投资趋势一致，美国以1,073家新获投人工智能公司位居各地区之首，其次是英国的116家，中国为98家（图4.3.12）。美国以1,073家新获投人工智能公司位居各地区之首，其次是英国的116家，中国为98家(图4.3.12)。\\n\\n2024年按地理区域划分的新获融资人工智能公司数量资料来源：Quad，2024 图表：2025 年人工智能指数报告\\n\\n美国 1,073\\n英国 116\\n中国 98\\n印度 74\\n德国 67\\n法国 59\\n韩国 52\\n加拿大 51\\n日本 42\\n新加坡 39\\n以色列 36\\n荷兰 24\\n澳大利亚 23\\n瑞士 22\\n西班牙 18\\n\\n图4.3.12\\n\\n目录 第四章预览 255\\n\\n* * *\\n\\n第四章：经济\\n4.3 投资\\n\\n自 2013 年以来的综合数据也呈现出类似的趋势，近十年来，美国新融资的人工智能公司数量约为中国的 4.3 倍，英国的 7.9\\n倍(图 4.3.13)。\\n\\n2013–2024 年按地理区域分类的新获融资的人工智能公司数量（总和）\\n资料来源：Quad, 2024 图表：2025 年人工智能指数报告\\n\\n美国 6,966\\n中国 1,605\\n英国 885\\n以色列 492\\n加拿大 481\\n法国 468\\n印度 434\\n德国 394\\n日本 388\\n韩国 270\\n新加坡 239\\n澳大利亚 178\\n瑞士 154\\n西班牙 117\\n荷兰 116\\n\\n公司数量\\n\\n图4.3.13\\n\\n目录 第四章预览 256\\n\\n* * *\\n\\n第四章：经济\\n4.3 投资\\n\\n图 4.3.14 展示了特定地理区域内新获融资的人工智能公司数据，凸显了过去十年间美国始终领先于欧洲和中国的长期趋势，自2022年以来，美国与欧洲均出现了新成立人工智能公司数量的显著增长，而中国则连续第二年出现年度下降。\\n\\n2013-2024 年按地理区域划分的新获融资的人工智能公司数量资料来源：Quid, 2024 图表：2025 年人工智能指数报告\\n\\n1,143 美国\\n447 欧洲\\n309 中国\\n\\n图4.3.14\\n\\n目录 第四章预览 257\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第四章：经济\\n4.3投资\\n\\n重点领域分析\\nQuid 还按重点领域细分了私人工智能投资。图 4.3.15\\n比较了 2024 年与 2023 年全球私人人工智能投资按重点领域的分布情况。2024 年吸引最多投资的重点领域依次为人工智能基础设施 / 研究 / 治理 (373 亿美元)；数据管理与处理\\n(166 亿美元)；以及医疗与健康 (110 亿美元)，人工智能基础设施、研究和治理领域的突出地位反映了对专门开发人工智能应用的公司（如 OpenAI, Anthropic 和 xAI）的大规模投资。\\n\\n2023 年与 2024 年按重点领域划分的全球人工智能私人投资）\\n资料来源：Quid，2024 图表；2025 年人工智能指数报告\\n\\n人工智能基础设施/研究/治理数据管理，处理医疗保健\\nAV\\n金融科技制造业半导体\\nNLP，客户支持 网络安全，数据保护机器人无人机能源、石油和天然气，营销，数字广告业务运营语义搜索供应链保险科技\\nAR/VR\\n零售教育技术量子计算物联网农业技术内容创作/翻译创意、音乐、视频内容\\n\\n投资总额（单位：十亿美元）\\n\\n图4.3.16 显示了人工智能重点领域投资的长期趋势。如前所述，大多数重点领域的投资在去年都有所增长。对 NLP，客户支持的投资虽然仍很可观，但在 2021 年达到顶峰，此后有所下降。\\n\\n目录第四章预览\\n258\\n\\n* * *\\n\\n第四章：经济\\n4.3 投资\\n\\n2018-2024 年按重点领域划分的全球人工智能私人投资资料来源：GuAI, 2024 图表：2025 年人工智能指数报告\\n\\n人工智能基础设施/研究/管理\\n97.27\\n2018 2020 2022 2024\\n\\nAR/VR\\n1.35\\n2018 2020 2022 2024\\n\\n视听\\n9.43\\n2018 2020 2022 2024\\n\\n农业技术\\n0.81\\n2018 2020 2022 2024\\n\\n业务运营\\n1.52\\n2018 2020 2022 2024\\n\\n内容创作/翻译\\n0.76\\n2018 2020 2022 2024\\n\\n创意、音乐、视频内容\\n0.75\\n2018 2020 2022 2024\\n\\n网络安全、数据保护\\n3.73\\n2018 2020 2022 2024\\n\\n数据管理和处理\\n16.99\\n2018 2020 2022 2024\\n\\n无人机\\n2.58\\n2018 2020 2022 2024\\n\\n教育技术\\n0.97\\n2018 2020 2022 2024\\n\\n能源、石油和天然气\\n2.02\\n2018 2020 2022 2024\\n\\n金融科技\\n0.88\\n2018 2020 2022 2024\\n\\n保险科技\\n1.36\\n2018 2020 2022 2024\\n\\n物联网\\n0.84\\n2018 2020 2022 2024\\n\\n制造业\\n6.58\\n2018 2020 2022 2024\\n\\n营销、数字广告\\n1.60\\n2018 2020 2022 2024\\n\\n医疗与保健\\n10.80\\n2018 2020 2022 2024\\n\\nN.P. 客户支持\\n4.18\\n2018 2020 2022 2024\\n\\n量子计算\\n0.96\\n2018 2020 2022 2024\\n\\n零售业\\n117\\n2018 2020 2022 2024\\n\\n机器人技术\\n3.29\\n2018 2020 2022 2024\\n\\n语义搜索\\n1.43\\n2018 2020 2022 2024\\n\\n半导体\\n5.53\\n2018 2020 2022 2024\\n\\n供应链\\n1.40\\n2018 2020 2022 2024\\n\\n图4.3.16\\n\\n目录第四章预览\\n259\\n\\n* * *\\n\\n第四章：经济\\n4.4 企业活动\\n\\n本章节节探讨对企业对人工智能的实际应用，重点介绍行业使用趋势，企业如何整合人工智能，被认为最有益的特定人工智能技术，以及人工智能的使用对财务业绩的影响。\\n\\n4.4 企业活动行业使用情况\\n\\n本章节节结合了麦肯锡关于人工智能现状的出版物中的见解以及以往版本的数据。2024年麦肯锡分析基于两项调查，\\n调查对象为来自不同地区、行业、公司规模、职能领域和任职年限的2,854名受访者。\\n\\n利用人工智能能力人工智能的业务应用在 2017 年至 2023 年停滞后大幅增\\n\\n加。麦肯锡的最新报告显示，78%的受访者表示，他们的企业已经开始在至少一项业务职能中使用人工智能，与2023年的\\n55%相比有了显著增长（图4.4.1）。的调查中首次涉及的生成式人工智能的使用增长了一倍多，2024年有71%的受访者表示他们的组织至少在一项业务职能中定期使用该技术，而\\n2023年这一比例仅为33%。\\n\\n2017-2024年表示其组织至少在一项职能中使用人工智能的受访者比例资料来源：麦肯锡公司调查，2024图表：2025年人工智能指数报告\\n\\n图4.4.1\\n\\n目录第四章预览\\n260\\n\\n* * *\\n\\n第四章：经济\\n4.4 企业活动\\n\\n图 4.4.2 显示了 2024 年按行业和人工智能功能划分的人工智能使用情况，使用率最高的是科技行业的信息技术 (48%)，其次是科技行业的产品和 / 或服务开发 (47%)以及科技行业的市场营销和销售 (47%)。\\n\\n2024 年各行业与职能中的人工智能使用情况资料来源：麦肯锡公司调查，2024 图：2025 年人工智能指数报告\\n\\n数据指标高端制造业 14% 36% 32% 39% 25% 21% 32% 37% 14% 32%\\n商业 / 法理 / 专业服务 20% 28% 4% 43% 37% 14% 32% 13% 21% 8%\\n消费品与零售 13% 26% 15% 43% 26% 3% 24% 5% 6% 27%\\n能源与材料 16% 40% 22% 23% 27% 17% 37% 19% 12% 22%\\n金融服务 21% 40% 1% 36% 31% 31% 40% 30% 15% 9%\\n医疗 / 制药 / 医疗产品 22% 39% 7% 23% 20% 15% 24% 0% 8% 11%\\n媒体与电话 27% 40% 12% 40% 31% 14% 43% 40% 6% 13%\\n科技业 34% 48% 12% 47% 47% 19% 42% 46% 14% 14%\\n\\n各职岗位中使用人工智能的访问者百分比 (%)\\n\\n8. 其中高端制造业 包括来自先进电子、航空航天和国防、汽车和装备以及半导体等行业的受访者。能源和材料 包括农业、化工、电力和天然气、金属和煤矿、石油和天然气以及造纸、特产品和包装等行业的接近者。\\n\\n目录 第四章预览 261\\n\\n* * *\\n\\n第四章：经济\\n4.4 企业活动\\n\\n组织在开始使用人工智能后，报告了成本降低和收入增加，但大多数情况下是在较低水平（图4.4.3）。受访者最常报告人工智能使用带来成本节约的领域是服务运营（49%），供应链和库存管理（43%）以及软件工程（41%）。在收入增长方面，人工智能应用受益最显著的职能包括营销与销售（71%）、供应链与库存管理（63%）以及服务运营（57%）。\\n\\n2024 年按功能划分的人工智能分析成本降低和收入增加情况）\\n资料来源：麦肯锡公司调查，2024 图表；2025 年人工智能指数报告\\n\\n减少 <10 减少 10-19 减少 >20 增加 >10 增加 6-10 增加 <5\\n\\n营销和销售 34% 29% 44% 77%\\n风险、法律和合规 34% 28% 19%\\n人力资源 37% 31% 8%\\n产品或服务开发 23% 19% 50% 56%\\n供应链和库存管理 43% 29% 11% 50% 35% 63%\\n服务业务 49% 29% 8% 12% 36% 57%\\n信息技术 37% 29% 11%\\n软件工程 41% 29% 17% 11% 44%\\n其他机构职能 25% 8% 9%\\n\\n采访者百分比\\n\\n图4.4.3\\n\\n目录 第四章预览 262\\n\\n* * *\\n\\n第四章：经济\\n4.4 企业活动\\n\\n图 4.4.4 展示了全球组织按地区划分的人工智能使用情况。2024年，所有地区受访者均报告人工智能使用率较2023年有所提升，人工智能使用率的年增长率中，大中华地区增长最为显著，组织报告的使用率增长了27个百分点，北美地区仍保持人工智能使用率的领先地位（82%），但优势仅为微弱。欧洲地区的人工智能使用率也显著提升，较2023年增长23个百分点，达到80%。\\n\\n2023年与2024年全球组织使用人工智能的情况对比资料来源：麦肯锡公司调查，2024图表；2025年人工智能指数报告\\n\\n所有地区\\n60%\\n亚太地区\\n61%\\n欧洲\\n62%\\n北美\\n63%\\n大中中区（包括香港、台湾、澳门）\\n49%\\n发展中市场包括印澳、中美洲/南美洲、中欧和拉美）\\n45%\\n受访者百分比\\n0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%\\n\\n图4.4.4\\n\\n目录第四章预览\\n263\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第四章：经济\\n4.4 企业活动\\n\\n生成式人工智能功能部署企业如何生成式人工智能功能部署？图 4.4.5 显示了报告将生成式人工智能用于特定功能的受访者在受访者总数中所占的比例。受访者有可能表示他们为多种目的部署了人工智能。最常见的应用是营销战略内容支持（27%），其次是知识管理（19%），个性化（19%）和设计开发（14%），所报告的主要用例大多属于营销和销售职能部门。一项针对发达市场高管的补充调查发现，只有 1% 的公司将其生成式人工智能的推广描述为 \\\" mature(成熟)\\\"。总体而言，大多数公司仍处于从人工智能中大规模获取价值的早期阶段。\\n\\n2024 年按功能划分的最常见生成式人工智能用例资料来源：美奇博公司调查，2024 图：2025 年人工智能应用报告\\n\\n营销领域内容支持（图即底屏，顶出端和介绍相关知识，以创建营销链接）\\n知识管理个性化（如个性化创意大规模内容生成）\\n设计开发代码创编（即使用代码助手，利用自然语言到代码转换、调试、网页开发）\\n销售跟进互动自动化将虚拟人工智能融入工作流程中（例如，在人手的电讯交集中播播时间重复）\\n销售线索识别和光序排序加速早期模版/测试阶段（即通过 gcn\\nAI的合成制编功能，重新设计并快速制作符合客户需求的产品）\\n科学文献和研究综述\\n\\n27%\\n19%\\n19%\\n14%\\n13%\\n13%\\n12%\\n19%\\n11%\\n11%\\n0% 5% 10% 15% 20% 25%\\n\\n受访者百分比\\n\\n目录第四章预览\\n264\\n\\n* * *\\n\\n第四章：经济\\n4.4 企业活动\\n\\n图 4.4.6 展示了受访者中报告其组织在各业务职能中使用生成式人工智能导致成本下降和收入增加的比例。总体而言，受访者在使用生成式人工智能后，各业务职能均报告了成本降低和收入增加，其中大多数为低水平。受访者最常报告成本节约的领域包括供应链和库存管理（61%）、服务运营（58%），以及人力资源和战略与企业财务（56%）。在收入增长方面，最常报告生成式人工智能带来益处的职能包括战略与企业财务（70%）、供应链和库存管理（67%），以及营销与销售（66%）。\\n\\n2024 年按功能划分的生成式人工智能使用成本降低和收入增加情况资料来源：麦肯锡公司调查，2024 图表；2025 年人工智能指数报告\\n\\n减少 <10\\n减少 10-19\\n减少 >20\\n增加 >10\\n增加 6-10\\n增加 <5\\n\\n营销和销售风险、法律和合规人力资源产品或服务开发供应链和库存管理服务业务信息技术软件工程其他机构职能\\n\\n受访者百分比\\n\\n图4.4.6\\n\\n目录第四章预览\\n265\\n\\n* * *\\n\\n第四章：经济\\n4.4 企业活动\\n\\n图 4.4.7 展示了全球不同地区企业生成式人工智能使用情况的差异。在所有地区，2024 年至少在某一业务功能中使用生成式人工智能的企业比例达到 71%，较 2023 年的 33%\\n翻了一番多。这一比例仅比报告使用任何形式人工智能的比例(78%)低 7 个百分点。如图 4.4.1 所示，人工智能总体使用率与生成式人工智能使用率之间的差距从 2023 年的 22\\n个百分点大幅缩小到 2024 年的 7 个百分点，表明生成式人工智能功能的使用正在加速。北美 (74%)、欧洲 (73%)和中国大陆 (73%)在生成式人工智能的使用方面处于领先地位。\\n\\n2024 年按功能划分的生成式人工智能使用成本降低和收入增加情况资料来源：美青银公司调查，2024 图表：2025 年人工智能指数报告\\n\\n所有地区\\n71%\\n亚太地区\\n67%\\n欧洲\\n79%\\n北美\\n74%\\n大中华区（包括香港、台湾、澳门）\\n72%\\n发展中市场\\n（包括印度、中美洲/南美洲、中东和北非）\\n\\n0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%\\n提升者百分比\\n\\n图4.4.9\\n\\n9．请图突出显示了人工智能在至少一种业务功能中的应用。\\n\\n目录第四章预览\\n266\\n\\n* * *\\n\\n第四章：经济\\n4.4 企业活动\\n\\n2025年人工智能指数报告\\n\\n人工智能对劳动力的影响\\n\\n过去六年来，人工智能日益融入经济，引发了人们对其生产效率潜力的浓厚兴趣。虽然早期采用人工智能显示出前景，但量化人工智能的影响仍然具有挑战性，直到 2023 年才出现了一波严谨的研究。2024 年，大量实证研究确立了人工智能在多个领域和背景下工作所产生影响的清晰模式。本节分析了来自五项主要学术研究的生产力影响数据，这些研究共同代表了对人工智能工作场所影响的首次大规模实证调查。这些研究涵盖了多个行业和领域的 20 万多名专业人士，揭示了 10% 到 45% 不等的生产力提升，其中技术、客户支持和创造性任务的影响尤为显著。这些研究采用了多种方法，包括自然实验、随机对照试验和大规模调查，以衡量人工智能在不同组织环境中的影响。\\n\\n生产力趋势\\n2023 年 4 月，Erik Brynjolfsson、Danielle Li 和 Daniel Rock发表了关于人工智能（尤其是生成式人工智能）对生产效率影响的研究，这也是这个领域最具代表性的研究之一。该研究分析了 5,179 名客服代表的数据，考察了生成型人工智能驱动的对话助手的分阶段引入情况，研究人员发现，人工智能的采用使每小时解决的问题数量增加了 14.2% (图 4.4.8)。此外，研究还发现，生产效率提升在人工智能引入后迅速显现，且接触人工智能的员工在人工智能系统故障期间仍保持更高效率。\\n\\n最近发布的其他研究也证实了 Brynjolfsson 的发现。微软公司的一项工作场所研究确定了常见工作场所所在的生产效率提高基准，其中文档编辑提高了 10-13%，电子邮件处理时间减少了 11%。专业角色的收益更高、安全专业人员的完成时间缩短了 23%，准确率提高了 7%；销售团队的响应时间缩短了 39%，准确率提高了 25%。\\n\\n在科学研究方面，Aiden Toner-Rodgers 的研究 对 1018 名科学家进行了调查，结果发现，与未使用人工智能的科学家相比，使用人工智能的科学家的材料发现率提高了 44.1%，专利申请率提高了 39.4%，产品原型提高了 17.2% (图 4.4.9)\\n\\n人工智能对客服代表的影响资料来源：Brynjolfsson 等，2023 图表：2024 年人工智能指数报告\\n\\n人工智能对科学创新的影响资料来源：Toner-Rodgers 等，2023 图表：2025 年人工智能指数报告\\n\\n目录第四章预览\\n267\\n\\n* * *\\n\\n第四章：经济\\n4.4 企业活动\\n\\n在软件开发领域，两项重要研究为人工智能的影响提供了补充证据。一项有 4867 名开发人员参加的现场实验发现，人工智能辅助平均提高了 26.08%的任务完成率，另一项以 187489 名开发人员为对象的自然 实验强化了这一发现；该实验表明，核心编程活动增加了 12.4%，而项目管理任务花费的时间减少了 24.9%。\\n\\n均衡效应多项研究揭示了一个一致规律：人工智能对职场绩效具有均化效应（图 4.4.10）。最新软件开发领域研究表明，初级开发者的生产效率提升了 21%-40%，而资深开发者的增幅相对有限，仅为 7%-16%。该模式在其他独立研究中得到验证一一低技能编程人员的效率提升幅度 (14%-27%)显著高于高技能人员 (5%-10%)。\\n\\n此外，他们的分析显示，人工智能使新技术的探索增加了 21.8%，并为每位开发人员每年带来了平均 1,683 美元的潜在新资增长，这表明人工智能工具不仅提升了生产效率，还积极促进了技能发展。这项研究支持了 2023 年和 2024 年的早期研究结果，即人工智能驱动的生产效率提升因员工的初始技能水平而异。\\n\\n然而，一些研究表明，人工智能的影响可能是反方向的。Toner-Rodgers 公司的一项 研究，发现，虽然表现高效的科学家的产出几乎翻了一番，但排名后三分之一的科学家从人工智能的引入中获益甚微。研究进一步强调，影响人工智能影响的关键因素不是先前的成就，而是有效评估人工智能生成的建议的能力。这表明，对于能够有效利用人工智能工具的人来说，无论经验水平如何，人工智能工具都能发挥强大的放大作用。了解人工智能如何影响不同任务中的不同工作人员，将是当前研究的一个重要重点。\\n\\n人工智能的生产效率均衡效应\\n\\n研究 \\\\| 任务 \\\\| 低技能工人生产率提高 \\\\| 高技能工人的生产率提高\\nBrynjolfsson 等，2023 \\\\| 客户支持 \\\\| 34% \\\\| 与零无异\\nDell/Acqua 等，2023 \\\\| 咨询 \\\\| 42.96% \\\\| 16.5%\\nCui 等，2024 \\\\| 软件工程 \\\\| 21-40% \\\\| 7-16%\\nHoffman 等，2024 \\\\| 软件工程 \\\\| 12-27% \\\\| 5-10%\\n\\n图4.4.10\\n\\n目录第四章预览\\n268\\n\\n* * *\\n\\n第四章：经济\\n4.4 企业活动\\n\\n应用和整合研究表明，生产效率的提升与人工智能的全面整合及系统化实施呈现显著相关性，罗马尼亚研究人员针对 233 名员工的调查显示，在人工智能高度整的企业中，生产效率显著提升的概率高达 72%，而整合程度较低的企业这一概率仅为 3.4%。分析数据显示，受访者的生产效率提升呈现明显的梯度分布：46.8%的受访者实现 0-20% 的提升，26.2% 达到 20-40%的增幅，18.4% 获得 40-60% 的改善。另有少数群体取得更大幅度的提升，其中 7.7%的受访者实现 60-80% 的增长，0.9%达到 80-100% 的显著提升（图 4.4.11）。\\n\\n对劳动力的影响人工智能工具的引入显著改变了任务分配模式与团队组织结构，微软职场研究显示，人工智能呢自动化技术使员工感知心智负荷降低 45%，在其认知负荷量表中，得分从基准值 5分降至 30 分。同时，非英语母语者的工作准确率差距缩小 84.6%，专业报告的关键信息涵盖量提升 49%，这些改进在深度用户群体中表现尤为突出，该群体每周至少使用人工智能工具数次，其中 29%的成员每日可节省 30分钟以上工作时间。哈佛商学院研究证实，人工智能技术的应用大幅降低了协作成本，数据显示，项目平均所需团队成员数量减少 79.3%，这一发现表明，人工智能不仅优化了个人工作效能，更重塑了团队协作的基本范式。\\n\\n这些变化正在以根本性方式重塑专业角色，Toner-Rodgers的研究发现，科学家们的工作时间分配发生了剧烈转变：创意生成所占工作时间比例从 39% 降至 16%，而判断性任务所占比例则从 23% 升至 40%，与以往的技术进步一样。关于人工智能的争论往往围绕着自动化与增强之间，即人工智能会取代工作还是增强人类的工作。虽然关于人工智能驱动的劳动力变化的具体数据仍然有限，但研究正在揭示人们如何看待其对就业的影响。\\n\\n使用人工智能提高生产效率的分布情况资料来源：Neula 等，2024年 图 2025 年人工智能指数报告\\n\\n罗马尼亚的调查数据表明，人们对人工智能在劳动力规模上的影响持多样化预期，其中 43%的组织预计劳动力规模将减少，30%预计变化不大，15%预计将增加，12%对长期影响持不确定态度，麦肯锡对高管的调查显示，31%的受访者预计人工智能将减少劳动力规模，而仅有 19%预计将增加（图 4.4.12），尽管有人声称生成式人工智能将提高软件工程师的生产效率，但调查结果表明软件工程师的人数预计将增加，与杰文斯悖论一致。值得注意的是，预测劳动力减少的比例比去年有所下降，这表明企业领导人越来越不相信人工智能会减少组织劳动力（图 4.4.13）。\\n\\n* * *\\n\\n第四章：经济\\n4.4 企业活动\\n\\n2025年人工智能指数报告\\n\\n未来 3 年（2024 年）生成式人工智能对企业员工队伍的预期影响科来源：美青格公司官网，2024-1 图表：2025 年人工智能指数报告\\n\\n总体情况\\n8% 9% 14% 38%\\n少于 10-20\\n增加 11-20\\n增加 >20\\n企业人才流失没有变化不和谐\\n\\n服务业务\\n15% 17% 16% 19%\\n7% 4% 10% 12%\\n\\n营销和销售\\n10% 12% 9% 38%\\n7% 8% 8% 11%\\n\\n供应链/库存管理\\n10% 10% 9% 15% 15% 4% 10% 9%\\n\\n制造业\\n8% 15% 18% 20% 30% 7% 11%\\n\\n人力资源\\n8% 14% 24% 26% 18% 5% 4% 13%\\n\\n软件工程\\n8% 9% 11% 25% 11% 11% 10% 15%\\n\\n产品和/或服务开发\\n7% 7% 9% 33% 10% 10% 8% 10%\\n\\n战略和企业财务\\n7% 13% 11% 20% 17% 5% 8% 9%\\n\\n风险：法律和合规\\n6% 17% 14% 25% 12% 8% 15%\\n\\n信息技术\\n5% 10% 11% 21% 17% 15% 9% 14%\\n\\n0% 20% 40% 60% 80% 100%\\n\\n受访者百分比\\n\\n图4.4.12\\n\\n目录第四章预览\\n270\\n\\n* * *\\n\\n第四章：经济\\n4.4 企业活动\\n\\n2025年人工智能指数报告\\n\\n未来 3 年（2023 年与 2024 年）人工智能对企业员工队伍预期影响的对比资料来源：美育锦公司调查，2023-2024年 图表：2025 年人工智能指数报告\\n\\n员工人效变化：\\n增加 >20\\n\\n> 20%\\n> 增加 11-20\\n> 5%\\n> 增加 3-10\\n> 10%\\n> 变化不大或没有变化\\n> 31%\\n> 减少 3-10\\n> 14%\\n> 6-10%\\n> 减少 11-20\\n> 8%\\n> <5%\\n> 减少 >20\\n> 12%\\n\\n统计有重要影响的人员比例\\n2024\\n2023\\n\\nDon't know\\n11%\\n8%\\n\\n不知道0% 不知道\\n10% 20% 30% 40% 50%\\n\\n图4.4.13\\n\\n目录第四章预览\\n271\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第四章：经济\\n4.5 部署机器人\\n\\n配备人工智能软件技术的机器人部落为人工智能就绪基础设场的实际应用提供了窗口。本章节内容基于国际机器人联合会（IFR）的数据，IFR是一家致力于推动机器人产业发展的非营利组织，该组织每年发布《世界机器人报告》，图路全球机器人安装趋势。11\\n\\n4.5 机器人部署总体趋势下一节包括有关工业机器人安装和操作的数据，工业机器人的定义是“一种自动控制、可重新编程的多用途机械手，可编程三轴或多轴，可固定在原地或移动，用于工业自动化应用”。\\n\\n图4.5.1 按年份列出了全球安装的工业机器人总数，2023年，工业机器人安装量略有下降，为54.1万台，比2022年减少了2.2%。这是自2019年以来首次出现同比下降。\\n\\n2012-2023 年全球安装的工业机器人数量资料来源：麦肯顿公司调查。2024 图表：2025 年人工智能指数报告\\n\\n图4.5.1\\n\\n11. 由于《国际财务报告准则》报告的时间原因，最新数据来自2023年，《国际财务报告准则》都会重新审查前几率收集的数据，如果有更准确的数据，偶尔也会更新数据。因此，今年报告中某些数据可能与往年的数据略有不同。\\n\\n目录第四章预览\\n272\\n\\n* * *\\n\\n第四章：经济\\n4.5 部署机器人\\n\\n2025年人工智能指数报告\\n\\n到 2023 年，全球工业机器人保有量将从 2022 年的 390.4 万台增至 428.2 万台(图 4.5.2)。自 2012年以来，工业机器人的安装量和使用量都在稳步增长。\\n\\n2012-2023 年全球工业机器人运行保有量资料来源：国际机器人联合会（IPR），2024 图表：2025 年人工智能指数报告\\n\\n4,262\\n工件机器人数量（千台）\\n2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023\\n\\n图4.5.2\\n\\n目录 第四章预览 273\\n\\n* * *\\n\\n第四章：经济\\n\\n4.5 部署机器人\\n\\n工业机器人：传统机器人与协作机器人\\n\\n传统工业机器人与协作机器人存在本质区别：前者用于替代人工操作，后者则专为人机协同作业而设计。12机器人学界对协作机器人展现出日益浓厚的研发热情，因其具备四大核心优势——操作安全性、工作灵活性、系统可扩展性以及迭代\\n\\n学习能力。图 4.5.3 展示了全球工业机器人按类型的安装数量统计。数据显示，协作机器人在新增工业机器人安装量中的占比呈现显著增长：2017 年仅占 2.8%，至 2023 年已提升至\\n10.5%，增幅达 7.7 个百分点。\\n\\n2017-2023 年按类型划分全球安装的工业机器人数量资料来源：国际机器人联合会（IFR），2024\\\\| 图表：2025 年人工智能指数报告\\n\\n12、有关国际机器人联合会定义协作机器人的更多详情，请访问。\\n\\nF9H9E\\n\\n* * *\\n\\n第四章：经济\\n\\n4.5 部署机器人\\n\\n按地理区域划分\\n\\n各国工业机器人安装量数据能够反映不同经济体对机器人技术应用的重视程度。2023 年度统计显示，中国以 276,300\\n台的工业机器人安装量位居全球首位，分别达到日本（46,100\\n\\n2023 年按地理区域划分的工业机器人安装数量\\n\\n台）的 6 倍和美国（37,600 台）的 7.3 倍（图 4.5.4）。韩国与德国分类其后，安装量分别为 31,400 台和 28,400 台。\\n\\n资料来源：国际机器人联合会（IFR），2024\\\\| 图表：2025 年人工智能指数报告\\n\\n已安装的工业机器人数量（千台）\\n\\n* * *\\n\\n第四章：经济\\n\\n4.5 部署机器人\\n\\n自 2013 年超越日本成为全球最大工业机器人应用市场以来，中国持续扩大其领先优势。数据显示，中国工业机器人安装量在全球总量的占比从 2013 年的 20.8% 大幅提升至 2023 年的 51.1%（图 4.5.5）。\\n\\n2021-2023 年前 5 位国家新安装的工业机器人数量\\n\\n资料来源：国际机器人联合会（IFR），2024\\\\| 图表：2025 年人工智能指数报告\\n\\n* * *\\n\\n第四章：经济\\n\\n4.5 部署机器人\\n\\n2021 年以来，中国工业机器人年度安装量持续超过全球其他地区的总和。尽管 2023 年这一领先优势较 2022 年有所收窄（图\\n4.5.6），但同比增速的放缓并未动摇中国在全球工业机器人应用市场的绝对主导地位。\\n\\n2016-2023 年中国与世界其他地区工业机器人安装数量资料来源：国际机器人联合会（IFR），2024\\\\| 图表：2025 年人工智能指数报告\\n\\n资料来源：国际机器人联合会（IFR），2024\\\\| 图表：2025 年人工智能指数报告\\n\\nF9H9I\\n\\n* * *\\n\\n第四章：经济\\n\\n4.5 部署机器人\\n\\n国际机器人联合会报告显示，2022 至 2023 年间全球仅七个国家的工业机器人安装量实现同比增长（图 4.5.7）。其中，\\n印度以 59% 的增速位居榜首，英国（51%）与加拿大（37%）分\\n\\n2022 年与 2023 年各地区工业机器人安装量的年增长率对比资料来源：国际机器人联合会（IFR），2024\\\\| 图表：2025 年人工智能指数报告\\n\\n类二三位。与此同时，中国中国台湾地区出现 43% 的显著下滑，法国下降 13%，日本与意大利均录得 9% 的负增长。\\n\\n已安装工业机器人的年增长率\\n\\nF9H9L\\n\\n* * *\\n\\n第四章：经济\\n\\n4.5 部署机器人\\n\\n服务机器人的国家级数据\\n\\n另一重要机器人类别是服务机器人。根据国际标准化组织部RbX都的定义，服务机器人指 \\\" 为人类或设备执行有益任务，且不包含工业自动化应用的机器人系统 \\\"。此类机器人可应用于医疗环境及专业清洁等场景。BE\\n\\n2023 年度数据显示，除医疗机器人外，所有应用类别的服务机器人安装量均较 2022 年实现增长（图 4.5.8）。其中，农业领域服务机器人安装量增长至 2.5 倍，酒店服务业安装量达\\n2.2 倍，呈现显著上升趋势。\\n\\n2022 年与 2023 年按应用领域划分的全球服务机器人安装数量对比\\n\\n资料来源：国际机器人联合会（IFR），2024\\\\| 图表：2025 年人工智能指数报告\\n\\n12、更详细的定义可查阅 这里 。\\n\\n* * *\\n\\n第五章：\\n科学与医学\\n\\n* * *\\n\\n第五章: 科学与医学\\n\\n概述 282\\n章节要点 283\\n5.1 重要的医学和生物人工智能里程碑 285\\n蛋白质序列优化 285\\nAviary 286\\nAlphaProteo 287\\n人类大脑图谱 287\\n人工智能虚拟实验室 288\\nGluFormer 289\\nEvolutionary Scale Modeling v3\\n\\n(ESM3) 289\\nAlphaFold 3 290\\n5.2 中心法则 291\\n蛋白质序列分析 291\\n人工智能驱动的蛋白质序列模型 291\\n蛋白质科学公共数据库 293\\n研究与论文发表趋势 294\\n人工智能驱动的蛋白质科学的论文统计 294\\n图像和多模态人工智能促进科学发现 295\\n5.3 临床诊疗：影像学领域 296\\n数据：来源、类型和需求 296\\n先进建模方法 298\\n5.4 临床诊疗：非影像领域 300\\n临床知识 300\\nMedQA 300\\n重点：人工智能医生和成本效益考虑 301\\n医疗大语言模型性能评估 302\\n概述 302\\n\\n大语言模型在临床诊断推理中的应用 304\\n重点：大语言模型对诊断推理的影响 304\\n管理性推理和患者护理决策 304\\n重点：GPT-4 辅助临床管理任务的效果评估 305\\n环境型人工智能语音助手 306\\n部署、实施与撤除 308\\nFDA 对人工智能医疗设备的批准 308\\n成功应用案例：斯坦福医疗系统 308\\n外周动脉疾病筛查 309\\n健康社会决定因素 310\\n从电子健康档案和临床记录中提取\\nSDoH 310\\n医疗领域的人工智能应用与SDoH的整合 311\\n合成数据 311\\n临床风险预测 311\\n药物发现 312\\n数据生成平台 312\\n电子健康档案系统 313\\n临床决策支持 315\\n5.5 伦理考量 317\\n元分析 317\\n5.6 科学领域的人工智能基础模型 320\\n重点： 标志性的模型发布 320\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第五章：\\n科学与医学\\n\\n概述\\n\\n本章节探讨了人工智能驱动的科学和医学的主要趋势，反映了该技术在这些领域日益增长的影响力。本章节首先介绍了 2024 年人工智能的重要里程碑，随后分析了人工智能在蛋白质折叠这一重要科学进步领域的应用。本章节随后探讨了人工智能在临床医疗中的作用，包括成像和非成像应用。这包括回顾新语言模型中的临床知识能力、人工智能系统的诊断和临床管理能力、人工智能在医学中的实际应用、合成数据应用以及健康的社会决定因素。最后，本章节以探讨人工智能医学研究的伦理趋势作为结尾。本章节由 RAISE Health（Responsible AI for Safe and Equitable Health）编写，该机构由斯坦福大学医学院和斯坦福大学以人为本人工智能研究所（HAI）合作成立。自\\n2023 年启动以来，RAISE Health一直致力于推动负责任的人工智能在生物医学研究、教育和患者护理方面的创新，重点是确保这些技术惠及每个人。\\n\\n促进合作研究和知识共享是 RAISE Health 的核心使命。作为这一承诺的一部分，\\nRAISE Health 与人工智能指数指导委员会合作，将该小组的关注点扩大到科学和医学的关键发展。2024 年，这一合作产生了关于科学和医学的首章，重点介绍了斯坦福大学及其他大学在人工智能方面取得的重大进展。在此基础上，RAISE Health 教职研究委员会成员、斯坦福大学医学院教师、博士后研究员以及医学院和工程学院的本科生为 2025 年的章节做出了贡献。\\n\\n目录第五章预览\\n282\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第五章：\\n科学与医学\\n\\n章节要点\\n\\n1. 更先进的大规模蛋白质测序模型问世。2024年，包括ESM3 和 AlphaFold 3 在内的多个高性能大规模蛋白质测序模型相继推出。随着时间的推移，这些模型的规模显著扩大，使得蛋白质预测准确率不断提高。\\n\\n2. 人工智能持续推动科学发现的飞速发展。人工智能在科学进步中的作用不断扩大。2022 至 2023 年仅是人工智能！驱动科研突破的初始阶段，而 2024 年出现更具突破性的进展，包括训练大语言模型智能体执行生物任务的 Aviary，以及显著增强野火预测能力的 FireSat。\\n\\n3. 主流大语言模型的临床知识水平持续提升。OpenAI 最近发布的 o1 在 MedQA 比较基准中创下了 96.0% 的新纪录，比 2023 年公布的最佳成绩提高了 5.8%。自 2022 年末以来，该测试性能已累计提升 28.4%。作为评估临床知识的重要比较基准，MedQA 可能正接近性能饱和，预示着需要更具挑战性的评估。这表明需要建立更具挑战性的评估体系。\\n\\n4. 人工智能在关键临床任务中的表现优于医生。一项新的研究发现，在诊断复杂的临床病例时，无论是有人工智能还是没有人工智能，仅 GPT-4 就能胜过医生。最近的其他研究表明，人工智能在癌症检测和识别高死亡率风险患者方面超过了医生。不过，一些初步研究表明，人工智能与临床医生的协同诊疗可产生最优结果，这一发现值得作为重点领域开展深入研究。\\n\\n5. 美国食品及药物管理局（FDA）批准的人工智能医疗设备数量激增。美国食品药品监督管理局于 1995 年批准了首款人工智能医疗设备。截至 2015 年，仅有 6 款此类设备获批，但这一数字到 2023 年激增至 223 款。\\n\\n6. 合成数据在医学领域展现出巨大潜力。2024 年发布的研究表明，人工智能生成的合成数据可以帮助模型更好地识别健康的社会决定因素，加强保护隐私的临床风险预测，并促进新药化合物的发现。2024 年最新研究表明，人工智能生成的合成数据可有效提升模型对健康社会决定因素的识别能力，优化隐私保护型临床风险预测，并促进新药化合物的发现。\\n\\n\\n目录第五章预览\\n283\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第五章：\\n科学与医学\\n\\n章节要点（续）\\n\\n7. 医学人工智能伦理研究文献逐年增加。从2020年到2024年，医学人工智能伦理方面的论文数量几乎翻了两番，从2020年的\\n 288篇增加到2024年的1031篇。\\n\\n8. 基础模型进入医学领域。2024年，一大波大型医学基础模型发布，涵盖从Med-Gemini等通用多模态模型，到面向特定专科的\\n EchoCLIP(超声心动图)、视觉FM(眼科)及ChexAgent(放射科)等专用模型。\\n\\n9. 公共蛋白质数据库规模不断扩大。自2021年以来，主要公共蛋白质科学数据库的条目数量显著增长，其中包括UniProt（增长\\n 31%）、PDB(增长23%)及AlphaFold(激增585%)。这一扩展对科研发现具有重要影响。\\n\\n10. 人工智能研究获得两项诺贝尔奖，2024年，人工智能驱动的研究获得了最高荣誉，两项与人工智能相关的突破获得了诺贝尔奖。谷歌DeepMind的德米斯·哈萨比斯(Demis Hassabis)和约翰·朱珀(John Jumper)凭借AlphaFold在蛋白质折叠方面的开创性工作获得了诺贝尔化学奖。与此同时，约翰·霍普菲尔德(John Hopheld)和杰弗里·辛顿(Geoffrey Hinton)因其在神经网络方面的奠基性贡献获得了诺贝尔物理学奖。\\n\\n\\n目录第五章预览\\n284\\n\\n* * *\\n\\n第五章：科学与医学\\n5.1 重要的医学和生物人工智能里程碑\\n\\n本章节节重点介绍了2024年由RAISE健康人工智能指数指导委员会选出的与人工智能相关的重大医学和生物学突破。\\n\\n5.1 重要的医学和生物人工智能里程碑\\n\\n蛋白质序列优化大语言模型优化蛋白质序列\\n\\n大语言模型近期意外展现出蛋白质序列优化的新生物学能力。传统蛋白质工程需要通过大量实验室研究来优化序列以提升功能，而最新研究发现，未经微调的大语言模型在此任务上表现出惊人成效——这项隐藏能力在Llama-3.1-8B-Instruct\\n的适配版本中得到验证。\\n\\n研究人员采用定向进化方法证实，大语言模型生成的蛋白质序列在合成与实验适应性场景中均优于传统算法（图5.1.1）。该研究以最大化适应值为目标（更高分值代表更优性能），将提出方法的适应分值与默认进化算法（EA）进行对比。1结果显示，这种优化能力不仅适用于单目标任务，还可扩展至预算受限的约束性及多目标场景。这一突破性发现揭示了前沿大语言模型的涌现特性，预示着随着通用模型的持续进化，其对科学领域的影响将不断深化。\\n\\n适合度优化的单目标优化结果资料来源：Wang等，2024\\n\\nDataset Method Population × iteration Fitness score Top 1 Top 10 Top 50\\nGB1 EA 32+4 5.381±1.77 3.81±1.10 2.31±0.71 48+4 48+4 48+4 48+4 48+4 48+4 48+4 48+4 48+4 48+4 48+4 48+4 48+4 48+4 48+4 48+4 48+4 48+4 48+4 48+4 48+\\nOurs 32+4 4.34±0.56 3.72±0.53 2.17±0.17 49+4 49+4 49+4 49+4 49+4 49+4 49+4 49+4 49+4 49+4 49+4 49+4 49+4 49+4 49+4 49+4 49+4 49+4 49+4 49+4 49+\\nTrpB 32+4 0.20±0.18 0.14±0.12 0.07±0.05 0.13±0.05 0.13±0.05 0.13±0.05 0.13±0.05 0.13±0.05 0.13±0.05 0.13±0.05 0.13±0.05 0.13±0.05 0.13±0.05\\nOurs 32+4 1.20±0.26 1.20±0.26 1.20±0.26 1.20±0.26 1.20±0.26 1.20±0.26 1.20±0.26 1.20±0.26 1.20±0.26 1.20±0.26 1.20±0.26 1.20±0.26\\nOurs 32+4 0.60±0.10 0.50±0.07 0.35±0.07 0.35±0.07 0.35±0.07 0.35±0.07 0.35±0.07 0.35±0.07 0.35±0.07 0.35±0.07 0.35±0.07\\nOurs 32+4 0.78±0.20 0.60±0.16 0.39±0.16 0.39±0.16 0.39±0.16 0.39±0.16 0.39±0.16 0.39±0.16 0.39±0.16 0.39±0.16 0.39±0.16\\n\\nSys-3bto EA 32+4 0.57±0.21 0.44±0.11 1.35±0.17 0.35±0.17 0.35±0.17 0.35±0.17 0.35±0.17 0.35±0.17 0.35±0.17 0.35±0.17 0.35±0.17 0.35±0.17 0.35±0.17\\nOurs 32+4 1.85±0.47 1.10±0.28 0.07±0.28 0.07±0.28 0.07±0.28 0.07±0.28 0.07±0.28 0.07±0.28 0.07±0.28 0.07±0.28 0.07±0.28 0.07±0.28\\nOurs 32+4 2.51±0.25 1.33±0.14 0.28±0.28 0.28±0.28 0.28±0.28 0.28±0.28 0.28±0.28 0.28±0.28 0.28±0.28 0.28±0.28 0.28±0.28 0.28±0.28\\nOurs 32+4 2.83±0.20 2.02±0.36 0.06±0.09 0.06±0.09 0.06±0.09 0.06±0.09 0.06±0.09 0.06±0.09 0.06±0.09 0.06±0.09 0.06±0.09 0.06±0.09\\nAAV EA 32+4 0.54±0.00 0.40±0.01 0.32±0.00 0.32±0.00 0.32±0.00 0.32±0.00 0.32±0.00 0.32±0.00 0.32±0.00 0.32±0.00 0.32±0.00 0.32±0.00\\nOurs 32+4 0.75±0.01 0.71±0.01 0.64±0.02 0.64±0.02 0.64±0.02 0.64±0.02 0.64±0.02 0.64±0.02 0.64±0.02 0.64±0.02 0.64±0.02\\nGFP EA 32+4 0.43±0.13 0.21±0.21 0.12±0.01 0.12±0.01 0.12±0.01 0.12±0.01 0.12±0.01 0.12±0.01 0.12±0.01 0.12±0.01 0.12±0.01\\nOurs 32+4 0.96±0.02 0.94±0.01 0.88±0.03 0.88±0.03 0.88±0.03 0.88±0.03 0.88±0.03 0.88±0.03 0.88±0.03 0.88±0.03 0.88±0.03 0.88±0.03\\nOurs 32+4 0.96±0.02 0.94±0.01 0.88±0.03 0.88±0.03 0.88±0.03 0.88±0.03 0.88±0.03 0.88±0.03 0.88±0.03 0.88±0.03 0.88±0.03\\n\\n1. 进化算法（EA）在计算机程序中模拟生物进化的关键环节，通过寻找近似和答案来解决问题，特别是在没有精确或完全令人满意的解决方案的问题。\\n\\n* * *\\n\\n第五章：科学与医学\\n5.1 重要的医学和生物人工智能里程碑\\n\\nAviary\\n\\n面向生物任务的大语言模型智能体训练随着人工智能系统在科研应用领域日益发挥重要作用，如何设计能够调用工具进行复杂推理任务的语言模型成为关键挑战。Aviary 研究平台提出了一个结构化训练框架，专门针对三项高难度生物科学任务：DNA操作（用于分子克隆）、科研问题解答（通过检索科学文献）以及蛋白质稳定性工程。图 5.1.2对比了不同模型在 Aviary 各实验环境中的表现数据，结果显示：与未接入实验环境的 Claude 3.5 Sonnet 基线模型相比，\\n\\n集成在 Aviary 智能体框架内的模型在几乎所有任务中都表现更优，本研究证实：（1）尽管通用大语言模型能胜任多数科研任务，但结合领域专家知识进行微调的模型往往能获得更优结果；（2）人工智能驱动的科研进程不仅可以通过扩大模型规模来加速，更可通过与外部工具的交互实现突破——这种能力现已被学界统称为“智能体化人工智能(agentic AI)”。\\n\\n大语言模型及语言智能体在Aviary环境中的任务解决性能表现资料来源：Narayanan 等，2024 图表：2025 年人工智能指数报告\\n\\nClaude 3.5 Sonnet\\nGPT-4o El agent\\nClaude 3.5 Sonnet agent\\nLlama 3.1 8B El agent\\nClaude 3.5 Sonnet agent pass @16\\nLlama 3.1 8B El agent majority vote @32\\n\\nGSM8K\\nhotpotQA\\nSeqQA\\nLitQA2\\n蛋白质稳定性\\n\\n图 5.1.2\\n\\n目录第五章预览\\n286\\n\\n* * *\\n\\n第五章：科学与医学\\n5.1 重要的医学和生物人工智能里程碑\\n\\n2025年人工智能指数报告\\n\\nAlphaProteo\\n人工智能驱动的新型高亲和力蛋白结合剂开发\\nAlphaProteo 是 Google DeepMind 研发的专注于设计新型高亲和力蛋白质结合剂的模型，这些结合剂能够特异性附着于目标分子。如图 5.1.3 所示，该模型已成功为七种靶蛋白预测并构建了结合蛋白结构。在多个靶点（包括与癌症和糖尿病相关的 VEGF-A 蛋白）上，AlphaProteo 实现了全球首个蛋白质结合剂的设计。经测试，该工具在七种靶蛋白上设计的结合剂效能显著超越现有最优方案——研究团队评估部分结合剂的效能可达当前同类产品的 300 倍。针对病毒蛋白 BHRF1，在\\nDeepMind 湿实验室测试中，其设计结合剂的成功结合率高达\\n88%。基于已测试靶点的数据显示，AlphaProteo 设计的结合剂结合强度约为现有顶级设计方法的 10 倍，标志着生物工程领域的重大突破。目前该模型已应用于药物研发、诊断技术和生物技术等领域。\\n\\n人类大脑图谱人类大脑微区的突触级重建谷歌 Connectomics 项目的一个研究团队，已经在突触层级重建了人脑中一立方毫米的区域——《Wired》杂志称其为\\n“这迄今为止最为详细的大脑连接图谱”，该样本取自一名癫痫患者在接受手术时被切除的左前额叶区域，利用多束扫描电子显微镜进行成像。研究人员通过超过 5,000 张超薄切片（每张厚度为 30 纳米）记录了大约 57,000 个细胞——包括神经元、胶质细胞和血管——以及 1.5 亿个突触。图 5.1.4 展示了重建\\n\\n成果：左侧为兴奋性神经元，右侧为抑制性神经元。为了处理这一海量数据集，团队开发了多项机器学习工具，例如洪泛填充网络（用于无需人工插绘的神元重建）、SegCLR（用于细胞类型识别）以及 TensorStore（用于多数据集的管理）。该数据集已通过 Neuroglancer（一个基于网页的探索工具）和其注释精化扩展工具 CAVE 向公众开放。这一项目在理解神经回路方面迈出了重要一步，来有望为神经疾病的治疗提供关键启示。\\n\\n三维脑图图像原料来源：谷歌研究院2024\\n图 5.1.4\\n\\n目录第五章预览\\n287\\n\\n* * *\\n\\n第五章：科学与医学\\n5.1 重要的医学和生物人工智能里程碑\\n\\n2025年人工智能指数报告\\n\\n人工智能虚拟实验室人工智能虚拟实验驱动生物医学研究突破人工智能在科学研究中的角色正从被动工具转变为主动合作者。斯坦福大学最近发布的一项研究提出了一个虚拟 AI\\n实验室，多个具备专长的人工智能科学家（本质上为大语言模型）在其中协同工作，彼此之间以智能体的形式开展研究。人工智能在科学研究中角色正从被动工具转变为主动合作者。斯坦福大学最近发布的一项研究提出了一个虚拟 AI 实验室，多个具备专长的人工智能科学家（本质上为大语言模型）在其中协同工作，彼此之间以智能体的形式开展研究。\\n\\n该虚拟实验室参照计算生物学实验室的架构组建，由以下成员构成：一名首席研究员(PI)，一个科学评审人工智能系统，以及三位分别专攻免疫学、计算生物学和机器学习的学科专家（图5.1.5）。首席研究员模型负责创建这些专家，并指导研究流程。在研究过程中使用了 AlphaFold 与 Rosetta 等蛋白质设计工具。但本研究的真正意义不仅在于具体成果，更在于它展示了一个完全由大语言模型驱动的实验室也能够产生有意义的科学发现。\\n\\n基于人工智能的实验室工作流程资料来源：FreeThinkFreeThink2025\\n图5.1.5\\n\\nImmunologist\\nTitle, Expertise, Goal, Role\\n\\nMachine Learning Specialist\\nTitle, Expertise, Goal, Role\\n\\nComputational Biologist\\nTitle, Expertise, Goal, Role\\n\\nPrincipal Investigator\\nTitle, Expertise, Goal, Role\\n\\nHuman User\\n\\nScientific Critic\\nTitle, Expertise, Goal, Role\\n\\n目录第五章预览\\n288\\n\\n* * *\\n\\n第五章：科学与医学\\n5.1 重要的医学和生物人工智能里程碑\\n\\nGluFormer\\n人工智能辅助持续血糖监测\\nGluFormer是由疾病传达特拉维夫研究所、魏茨曼研究所及其他机构联合开发的基础模型，能够对连续血糖监测数据进行分析，并预测长期健康趋势。该模型在超过1,000万条血糖记录上进行训练，数据来源于近11,000名个体，其中大中数并未患有糖尿病。它能够提前预测长达四年的健康变化轨迹，例如识别出有发展为糖尿病或血糖控制恶化风险的人群，甚至在症状尚未出现之前，在一项长达12年、涉及580名成人的研究中，\\nGluFormer成功预测了66%的新发糖尿病病例，并在心血管相关死亡的高风险组中准确识别出69%的死亡病例，该模型的预测结果已在五个国家的19个独立人群样本中进行了验证，样本总数达6,044人，涵盖多种健康状况。GluFormer\\n通常优于现有基于血糖监测的标准指标，如血糖管理指标\\n(GM1)（图5.1.6），从短期与长期来看，GluFormer等模型有望将糖尿病治疗从被动应对转变为主动预防，推动更早期的临床干预。\\n\\nEvolutionary Scale Modeling v3 (ESM3)\\n模拟进化过程生成新型蛋白质\\nEvolutionaryScale 公司推出的ESM3模型是一项突破性研究，旨通过模拟生物进化过程来生成新型蛋白质。该模型使用了27.8亿条蛋白质序列进行训练，拥有980亿个参数，和许多人工智能模型一样，ESM3提供小型、中型和大型版本，并可通过API或合作平台获取，ESM3的一项标志性成果是设计出一种新型的绿色荧光蛋白esmGFP，据该公司估计，自然界若通过演化生成该蛋白，将需耗费约五亿年时间。该成果是在人工推理引导下完成的。图5.1.7展示了不同规模\\nESM3模型在满足原子结构协调性提示下生成蛋白质的表现。研究结果表明，模型规模越大，完成的任务数量也越多，ESM3\\n已开放源代码与数据，有助于推动合成生物学与蛋白质工程领域的协作研究，应用前景包括药物开发、材料科学与环境工程。\\n\\nGluFormer与血糖管理指标的对比研究资料来源：Luthor等，2024\\n\\n基于原子坐标提示的蛋白质生成任务中ESM3模型的评估资料来源：ESM3，2024图表：2025年人工智能数据报告\\n\\n目录第五章预览\\n289\\n\\n* * *\\n\\n第五章 : 科学与医学\\n\\n5.1 重要的医学和生物人工智能里程碑\\n\\nAlphaFold 3\\n\\n预测所有生命分子的结构和相互作用\\n\\n谷歌与 Isomorphic Lab 联合推出的 AlphaFold 3 是\\nAlphaFold 系列的最新进展，其功能已超越蛋白质结构预测，能够更精确地模拟蛋白质与关键生物分子之间的相互作用，包括\\nDNA、RNA、小分子配体与抗体。图 5.1.8 展示了 AlphaFold 3\\n在预测蛋白质 \\\\- 小分子配体结合准确性上的表现，并与其他领先对接工具（如 Vina 与 Gnina）进行比较。图中以预测结果中埃均方根偏差（RMSD）低于 2Å 为准，这一数值是评价对接精\\n\\n度（docking accuracy）的重要指标。2 3 AlphaFold 3 的性能可与此前的最先进方法相媲美，且在结合位点已被预先设定的情况下表现尤为出色，即对接算法事先获得了小分子（配体）预计结合的蛋白质特定区域的信息。通过对小分子与蛋白质之间相互作用的建模，AlphaFold 3 能够加速药物研发过程，这对于疾病研究具有重要意义。此外，AlphaFold 3 的开源性质也赋予了全球科研人员更大的能力与自由。\\n\\nAlphaFold 3 与基线方法在蛋白质-配体对接中的比较\\n\\n资料来源：ESM3, 2024\\\\| 图表：2025 年人工智能指数报告\\n\\n2、像 Vina 这样的对接工具是一种用于分子对接的计算程序，分子对接是一种预测小分子（如药物）如何与目标蛋白质相互作用的过程。这些工具可以帮助科学家模拟并直观地看到分子如何与蛋白质的活性位点结合，这在药物发现中至关重要。\\n\\n图 5.1.8\\n\\n3、该图表：使用两种深浅不同的条形图来表示分子对接预测的不同准确率标准。浅色条表示均偏差（RMSD）低于 2 Å 的对接结果的百分比，这意味着预测的姿势在结构上是准确的。深色条应用了更严格的标准，显示了不仅 RMSD 值在 2 Å 以内，而且在结合口袋内定位正确（PB-valid）的预测结果比例。这种区别突出了一般对接准确率与更精确、更具有生物相关性的结合预测之间的差异。\\n\\n* * *\\n\\n第五章 : 科学与医学\\n\\n5.2 中心法则\\n\\n人工智能已深刻变革了众多科学领域，其中蛋白质科学是受影响最为显著的学科之一。理解蛋白质序列是生物学研究的基础，这对药物研发、合成生物学和疾病研究都具有深远影响。近期人工智能技术的突破使科学家能够以前所未有的精度分析预测蛋白质功能、结构和相互作用。随着该领域的发展，这些技术进步将对医疗健康、生物技术和监管体系产生重大影响。本节将重点介绍过去一年人工智能驱动的蛋白质分析领域的关键进展，主要聚焦公共数据库建设、研究趋势演变以及新兴政策考量等三个方面。\\n\\n5.2 中心法则\\n\\n蛋白质序列分析\\n\\n人工智能驱动的蛋白质序列模型\\n\\n过去一年中，人工智能在蛋白质序列分析方面取得了显著进展。大规模的机器学习模型提升了我们对蛋白质属性的预测能力，推动了结构生物学与分子工程的研究进程。如前所述，多个具有代表性的蛋白质序列建模系统——包括\\nAlphaFold、ESM2 与 ESM3——已相继发布。\\n\\nESM3 模型融合了多模态输入，包括序列、结构与相互作用数据，其更大的参数规模也提升了模型的代表性与预测精度。随着 ESM 系列模型规模的扩大，\\n其蛋白质预测性能不断提高。例如，2024 年发布的新一代模型 ESM C 在结构预测权威评估（CASP15）中表现出更高的预测准确率（图 5.2.1）。\\n\\n新兴结构预测成果，CASP15\\n\\n资料来源：EvolutionaryScale，2024\\n\\n图 5.2.1\\n\\n* * *\\n\\n第五章 : 科学与医学\\n\\n其他重大进展，如，ProGen ，是一款生成式人工智能模型，\\n已展示出设计功能性蛋白质序列的能力，凸显了人工智能辅助蛋白质工程的潜力。与此同时，基于 Transformer 架构的模型（ 如 ProtT5）利用深度学习技术，仅从序列数据中即可预测蛋白质功能与相互作用，推动了计算生物学的发展。图 5.2.2\\n\\n展示了按发布时间排列的多个关键蛋白质序列模型及其参数规模。如上文所示，研究趋势正朝着训练数据集不断扩大的超大规模模型发展。这些 人工智能驱动的方法正在重塑蛋白质科学，减少了对成本高昂且耗时的实验方法的依赖，使蛋白质功能与设计的探索更加高效。\\n\\n2020-2024年蛋白质序列模型规模\\n\\n资料来源：RAISE Health, 2025\\\\| 图表：2025 年人工智能指数报告\\n\\n型号（按发布日期排序）\\n\\n图 5.2.2\\n\\n* * *\\n\\n第五章 : 科学与医学\\n\\n5.2 中心法则\\n\\n蛋白质科学公共数据库\\n\\n公共数据库的扩展在蛋白质科学领域的人工智能应用中起到了关键作用。经过精细整理的大规模数据集，使人工\\n\\n智能模型能够在多样化的生物序列上进行训练，从而增强其预测能力。图 5.2.3 列出了几个关键的蛋白质科学数据库及其发布日期。\\n\\n资料来源：2025年人工智能指数\\n\\n关键蛋白质科学数据库资料来源：2025年人工智能指数\\n\\n| 数据集 | 发布日期 | 说明 |\\n| --- | --- | --- |\\n| 蛋白质数据库(PDB) | 1971 | 一个收录经实验解析的蛋白质结构数据库，是生命科学领域最早的开放数字资源。 |\\n| Pfam | 1995 | 包含蛋白质家族的全面数据库，提供基于隐马尔可夫模型生成的注释与多序列比对。 |\\n| STRING | 2000 | 提供蛋白质相互作用及其进化关系的重要信息资源。 |\\n| UniProt | 2002 | 目前仍是蛋白质序列与功能注释的黄金标准，人工智能辅助的校订提升了其准确性。 |\\n| PDBbind | 2004 | PDB的子集，包含蛋白质与生物分子复合物，如蛋白-配体、蛋白-蛋白、蛋白-核酸等。 |\\n| AlphaFold Database | 2021 | 结构生物学的重要资源，现已整合人工智能模型以预测缺失的实验数据。 |\\n\\n图 5.2.3\\n\\n随着时间的推移，多个蛋白质科学公共数据库的收录条目数量也在持续增长（见图 5.2.4）。人工智能所生成的蛋白质数据不断充实这些数据库，使其成为科研与产业领域不可或缺的工具。然而，保持数据质量与防止人工智能模型中的偏差，仍是持续面临的挑战。\\n\\n2019-2025年公共蛋白质科学数据库的增长情况资料来源：RAISE Health, 2025\\\\| 图表：2025 年人工智能指数报告\\n\\n图 5.2.4\\n\\n* * *\\n\\n研究与论文发表趋势\\n\\n人工智能驱动的蛋白质科学的论文统计\\n\\n人工智能在蛋白质科学研究中的应用正在迅速扩大，这从过去一年 PubMed 与 bioRxiv 上 人工智能驱动研究数量的上升趋势中可见一斑。相关研究涵盖多个关键领域。借助机器学习的发展，蛋白质结构预测变得更加高效，提供了更深层次的结构洞察。人工智能模型如今能够更为准确地从原始序列中推断生化功能，提升了功能预测能力。此外，研究人员还在开发能够预测蛋白质与药物相互作用的 人工智能模型，甚至可以直接\\n\\n2024年蛋白质科学中人工智能驱动研究在生命科学领域所占比例资来源：RAISE Healh 2025 图表：2025 年人工智能指数\\n\\n从头设计能够靶向特定蛋白质的新药。这两项任务对药物发现与开发至关重要。此外，具有新型功能的人工智能生成蛋白质正在不断出现，尤其在酶工程与治疗性应用领域表现突出，标志着合成蛋白质设计迈出了重要一步。图 5.2.5 展示了 2024 年蛋白质科学领域中人工智能驱动研究在整个生命科学领域中的占比。研究最多的主题为功能预测（占\\n8.4%），其次是蛋白质结构预测（占 7.6%）和蛋白质 - 药物相互作用（占 3.0%）。\\n\\n图 5.2.5\\n\\n* * *\\n\\n图像和多模态人工智能促进科学发现\\n\\n冷冻电子显微镜、高通量荧光显微镜和整片切片成像的进展，使科学家能够以极高的精度观察和分析原子级、亚细胞级和组织级结构，从而揭示复杂生物过程中的新见解。为了实现这一目标，研究人员会结合现有的科学知识，对图像中的发现进行解读与情境化分析，以将观察结果与生物功能及疾病关联联系起来。随着高通量显微成像技术的兴起，研究重点日益聚焦于视觉模型、视觉 \\\\- 语言模型，以及更近期发展起来的视觉\\n\\n- 组学基础模型的交叉领域。不同成像技术下的基础模型数量在逐年增长（图 5.2.6）。以光学成像为例，相关模型数量从\\n 2023 年的 4 个增加到 2024 年的 8 个。而在 2023 年，电子显微镜与荧光显微镜方向尚无模型发布，但 2024 年这两个领域均各有 4 个模型问世。总体而言，随着数据的积累与公开，显微成像领域的基础模型数量正持续上升。\\n\\n2023–2024 年不同显微镜技术下的基础模型数量资料来源：RAISE Health, 2025\\\\| 图表：2025 年人工智能指数报告\\n\\n资料来源：RAISE Health, 2025\\\\| 图表：2025 年人工智能指数报告\\n\\n图 5.2.6\\n\\n* * *\\n\\n5.3 临床诊疗：影像学领域\\n\\n数据：来源、类型和需求\\n\\n医学影像中的人工智能发展迅速，正不断扩展至新的数据模态，并尝试解答日益复杂的临床问题。目前，美国食品药品监督管理局QOL所批准的机器学习软件中，有超过 80% 是用于医学图像分析。目前，人工智能主要应用于二维9O图像环境，此类环境中可有效使用传统图像处理架构，例如卷积神经网络（CNN）与 Transformer。然而，尽管该领域已有多个成功案例，许多医学影像中的人工智能应用依旧严重依赖于有限的训练数据集。\\n\\n不超过 10,000 个患者样本。其中较为全面的数据资源是癌症基因组图谱（TCGA），该资源共收录了 11,125 个患者样本，并配有临床注释、基因组测序和蛋白质表达数据，涵盖了 32 种癌症类型。因此，许多组织病理学人工智能模型训练数据不足\\n1,000 个样本，尤其在模型以基因组或蛋白质组数据作为标注标签时更是如此。训练样本有限将导致过拟合风险增加，并降低模型泛化能力。\\n\\n图 5.3.1 展示了美国各州用于训练临床机器学习算法的患者队列分布。数据表明，大部分用于训练深度学习算法的患者数据集中在加州、马萨诸塞州与纽约州，这引发了关于数据集覆盖范围局限性的担忧。\\n\\n2015–2019 年美国各州用于训练临床机器学习算法的患者队列分布\\n\\n资料来源：Kaushal 等, 2020 \\\\| 图表：2025年人工智能指数报告\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n这些数据限制在三维（3D）医学影像领域表现得更加明显。尽管人工智能传统上主要聚焦于二维模态，例如胸部 X 光、组织病理切片和眼底摄影，但近年来，其应用范围已经扩展至三维成像模态，包括计算机断层扫描（CT）、磁共振成像（MRI）以及三维组织病理学分析。三维分析提供了更丰富的数据，使人工智能模型能够从体积结构与复杂表面中学习模式，这些信息在二维切片中往往难以察觉。尽管已经开发出一系列有前景的方法用于分析三维医学图像，但数据限制与实际需求依然存在。目前可公开使用的三维数据集仍非常有限。其中规模较大的包括英国生物样本库（UK Biobank，约 100,000 份 MRI 扫描）与癌症影像档案库 TCIA（约 50,000 项研究）。尽管组织病理学中会常规收集三维样本，但三维成像并未成为标准操作，\\n因此缺乏可公开访问的三维组织病理数据集。此外，标准化问题仍然突出，主要源于病理图像采集过程中的可变性。仪器设定、染色方法及机构间操作流程的差异会引入批次效应，而这些问题在训练数据有限的情况下会进一步加剧。\\n\\n训练高精度的人工智能模型需要大量数据：卷积神经网络（CNN）通常在拥有约 10,000 张标注图像时表现良好，但\\nTransformer 模型则需要数量级更高的数据量。尽管诸如\\nMIMIC-CXR（含 377,000 张 影 像）和 CheXpert Plus（约\\n226,000 张正位放射图像，配有放射报告与患者元数据）等数据集十分重要，但其规模仍远小于 ImageNet（约 1,400 万张图像）。数据完整性与偏差仍是关键挑战。\\n\\n图 5.3.2 展示了不同主流医学语言模型与图像模型的训练数据词元 体量，并与通用文本与图像模型进行对比。例如，\\nGatorTron 是一款面向电子健康档案中非结构化患者信息提取的大型临床语言模型，其训练语料包含 820 亿个词元；相比之下，Llama 3 的训练量达到 15 万亿个词元，约为前者的\\n182 倍。在图像模型方面，RadImageNet 是一个开放的放射学深度学习研究数据集，包含相当于 1,600 万个图像词元；而\\nOpenAI 早期图像生成器 DALL·E 的训练量约为 60 亿词元，\\n相当于前者的 375 倍。\\n\\n医学与非医学语言和图像模型训练所用数据集的词元数量资料来源：RAISE Health, 2025\\\\| 图表：2025 年人工智能指数报告\\n\\n* * *\\n\\n第五章：科学与医学\\n5.3 临床诊疗：影像学领域\\n\\n纵向影像数据对于建模疾病进展具有重要意义，但目前仍明显不足。例如 ADNI 项目（阿尔茨海默病神经影像计划）涵盖约2,000名参与者，研究跨度超过15年，是该类研究的典型代表。然而，可扩展的多模态纵向数据集仍非常罕见。填补这些空白，需要以下措施的结合：注重隐私保护的数据共享策略（如联邦学习(federal learning))、合成数据生成技术以及更完善的注释策略。为了训练和验证稳健的医学影像人工智能模型，必须构建更大规模、更全面、多队列来源的训练数据集。提高高质量、带标签数据的可用性，有望提升模型性能。同时，改善验证实践也将增强对模型的信心，促进其更顺利地应用于临床实践中。\\n\\n先进建模方法图 5.3.3展示了主流的临床医学影像建模方法、每种方法下的重要模型发布，以及各自画临的主要挑战。\\n\\n医学影像建模方法与代表性人工智能模型资料来源：2022年人工智能指数\\n\\n建模方法 代表性模型发布优势挑战扩散模型 1.RoentGen(2022) 生成用于训练、隐私保护与病理特异性增强的合成医学图像，在稳定性与多样性方面优于GAN模型\\n2.RNA-CDM(2023) 数据集偏差、幻觉性伪影、诊断不确定性\\n3.XReal(2024)\\n大型视觉-语言模型 1.CheXagent(2024) 融合医学图像与文本，实现更优的诊断分割与报告自动生成，扩展多模态能力\\n2.Merlin(2024) 数据稀缺、对低资源环境的泛化能力不足、计算需求高\\n3.Med-Gemini(2024)\\n4.PathChat(2024)\\n5.TITAN(2024)\\n6.PRISM(2025)\\n7.BiomedParse(2025)\\n纯二维视觉基础模型 1.CTransPath(2022) 可用于泛癌检测、生物标志物预测与图像分割，减轻注释负担\\n2.Virchow(2024) 领域泛化能力弱、跨模态适应能力有限\\n3.UN(2024) 计算效率与数据集变异性方面存在挑战\\n4.MedSAM(2024)\\n多尺度/切片模型 1.HIPT(2022) 通过分层 Transformer 与图神经网络增强切片图像分析，提升诊断精度与可解释性\\n2.MEGT(2023) 扩展性、计算效率与数据集变异性方面存在挑战\\n3.MG-Trans(2023)\\n4.HIGT(2023)\\n5.Prov-GigaPath(2024)\\n\\n图 5.3.3\\n\\n* * *\\n\\n第五章：科学与医学\\n5.3 临床诊疗：影像学领域\\n\\n2025年人工智能指数报告\\n\\n近年来，基础模型在医学影像领域的应用显著增长。图 5.3.4 按照医学专科对代表性模型进行了分类。值得注意的是，病理学方向的新发布模型数量显著增加，成为增长最为集中的领域之一。\\n\\n医学各专科领域与代表性人工智能模型资料来源：2025年人工智能指数\\n\\n医学专科 代表性发布模型\\n\\n超声心动图学 1.EchoCLIP (2024)\\n脾瘤学 1.MUSK (2025)\\n眼科学 1.RETFound (2023)\\n2.VisionFM (2024)\\n\\n病理学 1.CTransPath (2022)\\n2.CHIEF (2024)\\n3.Prov-GigaPath (2024)\\n4.PathChat (2024)\\n5.TITAN (2024)\\n6.Virchow (2024)\\n7.UNI (2024)\\n\\n放射科 1.RoenGen (2022)\\n2.CheXagent (2024)\\n3.Merlin (2024)\\n4.PRISM (2025)\\n\\n图 5.3.4\\n\\n目录 第五章预览 299\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第五章：科学与医学\\n5.4 临床诊疗：非影像领域\\n\\n5.4 临床诊疗：非影像领域\\n\\n临床知识本节探讨大语言模型及近期人工智能模型在关键医学知识基准测试中的表现。\\n\\nMedQA\\n评估人工智能模型的临床知识表现，需衡量其医学专业水平，尤其是可应用于临床场景的知识。\\nMedQA是一项于 2020 年推出的综合性数据集，源自职业医学考试，包含超过 60,000 道临床问题，旨在挑战医生水\\n\\n平。人工智能在 MedQA 基准测试上的表现已显著提升。微软与 OpenAI 的研究团队近期对模型 o1 进行了测试，其取得了\\n96.0%的最新最优得分，相较 2023 年创下的记录提高了 5.8\\n个百分点（图 5.4.1）。自 2022 年底以来，该基准测试的表现已累计提升 28.4 个百分点。如第二章所述的其他通用知识基准测试一样，MedQA 可能正接近饱和状态，这意味着有必要开发更具挑战性的评估体系。\\n\\nMedQA：测试准确率资料来源：RASE Health, 2025 图表：2025 等人工智能指数报告\\n\\n96.00%，未使用微调\\n81.00%，深度训练\\n\\n图 5.4.1\\n\\n目录第五章预览\\n300\\n\\n* * *\\n\\n第五章：科学与医学\\n5.4 临床诊疗：非影像领域\\n\\n2025年人工智能指数报告\\n\\n重点：\\n人工智能医生和成本效益考虑\\n\\n有研究者指出，评估医学领域的大语言模型不应仅依赖\\nMedQA，应采用涵盖更广泛子领域的基准测试，虽然\\nMedQA 具有一定价值，但若单独使用，可能无法反映真实临床应用中的复杂性，相比之下，采用多项基准可带来更强的临床相关性与更稳健的模型表现评估。\\n\\n2024年，加州大学圣克鲁兹分校，爱丁堡大学与美国国立卫生研究院合作开展了一项更具广度的人工智能医学系统测试研究，该研究评估了五个领先的大语言模型，包括最新开发的 o1 模型（具备“链式推理”功能）。其余模型包括\\nGPT-3.5, Llama 3-8B, GPT-4，以及专门构建的医学模型\\nMeditron-70B。这些模型在 19 个医学数据集上进行了测试，任务涵盖概念识别、文本摘要、基于知识的问答、临床决策支持与医学计算等内容。图 5.4.2展示了五个大语言模型在所有数据集上的平均表现。结果显示，大语言模型的临床知识能力正持续提升，尤其是如 o1 这类具备实时推理能力的新模型，尽管进展显著，但挑战依然存在，包括幻觉问题与多语种表现不一致等。\\n\\n此前的研究成果（已在去年的人工智能指数中引用）表明，像 Medprompt这样的提示策略可以在无需额外微调的情况下，显著提升大语言模型在医学基础测试中的表现。\\nOpenAI 最新发布的 o1 模型借鉴了上述策略中的一些洞见，\\n通过在生成最终回答前引入运行时推理机制，从而增强了模型性能，研究人员发现，即便不使用专门的提示工程技术，\\no1 在医学任务中的表现依然优于结合 Medprompt 的\\nGPT-4 系列模型，然而，他们的分析也强调了 o1 所面临的准确率与成本之间的权衡：尽管其在 MedQA 基准上的得分比使用 Medprompt 的 GPT-4 Turbo 高出 5.8 个百分点，但在计算资源方面，o1 的成本却大约高出 1.5 倍。如图\\n5.4.3所示，该基准测试中的成本与精度呈明显权衡关系。这\\n\\n一现象为临床场景生成式人工智能功能部署的医疗从业者提出了关键考量：必须在性能提升与计算成本之间寻求平衡。\\n\\n选定的大语言模型在医学数据集上的性能表现资料来源 Xie 等，2024 图号：2025 年人工智能数据报告\\n\\n增强型的累托前沿：准确率与成本资料来源 Notary，2024\\n\\n目录第五章预览\\n301\\n\\n* * *\\n\\n第五章：科学与医学\\n5.4 临床诊疗：非影像领域\\n\\n2025年人工智能指数报告\\n\\n医疗大语言模型性能评估概述近年来，对大语言模型在医疗任务中表现的评估兴趣急剧上升。在 PubMed 数据库中搜索“大语言模型”一词，共检索到1,566\\n篇论文，其中仅在 2024 年就发表了1,210篇（图5.4.4）。\\n\\n2019-2024年PubMed收录的有关大语言模型的论文数量资料来源：PAGE Health，2025 图表：2025 年人工智能指数报告\\n1,200\\n1,000\\n800\\n600\\n400\\n200\\n0\\n2019 2020 2021 2022 2023 2024\\n1,210\\n图5.4.4\\n\\n目录 第五章预览 302\\n\\n* * *\\n\\n第五章：科学与医学\\n5.4 临床诊疗：非影像领域\\n\\n2025 年人工智能指数报告\\n\\n2024 年初开展的一项系统性综述识别出超过 500 篇论文，内容聚焦于评估自然语言处理(NLP)在医疗任务中的性能表现，且重点集中于医疗决策支持领域(图 5.4.5)。大多数评\\n\\n估医疗 NLP 系统性能的研究，集中于两类任务：医学知识增强任务(419 篇)和诊断辅助任务(178 篇)。\\n\\n医疗任务、NLP 与 NLU 任务，以及 519 篇研究中的评估维度资料来源：RASE Health, 2025 图表；2025 年人工智能数据报告\\n\\n准确性 全理性 事实性 鲁特性 公平性、确定与有源性评估 显著指标 较差与不确定性\\n\\n增强医学知识 220 91 44 33 16 10 3\\n进行诊断 100 38 11 11 14 4 0\\n向患者传达信息 88 68 33 22 18 3 2\\n提出治疗建议 47 22 9 8 3 1 0\\n与患者沟通 35 29 8 15 22 1 0\\n医疗协调与规划 36 24 5 5 7 1 0\\n分诊患者 24 7 5 2 8 8 0\\n开题文献综述 18 7 3 2 2 2 0\\n综合研究数据 16 7 2 3 2 2 0\\n生成医学报告 8 8 2 0 3 0 0\\n进行医学研究 8 7 3 3 3 0 0\\n医嘱保存护理 8 5 3 3 1 1 0\\n管理临床知识 5 5 1 1 0 0 0\\n临床笔记记录 6 2 1 1 0 1 1\\n生成转诊建议 3 0 0 0 0 0 0\\n优化手术操作 3 3 1 1 0 0 0\\n生物医学数据挖掘 2 0 0 0 0 0 0\\n生成账单编码 1 0 0 0 0 0 0\\n开具处方 1 0 0 0 0 0 0 0\\n问题任务 (+) 308 104 71 61 54 14 5\\n文本分类 (+) 29 10 6 5 10 2 0\\n信息抽取 (+) 29 12 8 5 4 6 0\\n摘要生成 (+) 29 21 7 3 8 0 1\\n对话交互 (+) 6 6 1 1 5 1 0\\n翻译 (+) 5 1 2 2 1 2 0\\n\\n图 5.4.5\\n\\n4. 其中标有星号 (+) 的任务为自然语言处理(NLP)或自然语言理解(NLU)任务。\\n\\n* * *\\n\\n第五章：科学与医学\\n5.4 临床诊疗：非影像领域\\n\\n2025年人工智能指数报告\\n\\n大语言模型在临床诊断推理中的应用诊断错误导致大量患者受到伤害，众多机构正在探索将人工智能作为改进诊断流程的工具。\\n\\n重点：\\n大语言模型对诊断推理的影响\\n\\n2024年，一项单盲、随机对照实验测试了在处理复杂临床病例时，GPT-4的辅助效果与传统医疗资之间的对比。这项研究共涉及50位拥有美国执照的执业医生，评估的核心问题是：人工智能辅助的决策制定是否能提升医生的诊断准确性与效率。研究结果显示，\\n在使用GPT-4辅助的情况下，医生的整体表现并未显著优于仅依赖传统工具的医生群体。事实上，使用人工智能辅助的医生诊断准确率为76%，而使用传统工具的医生为74%，仅有微弱提升。然而，在一项二次分析中，研究者发现单独使用GPT-4模型的表现超过了所有医生群体，其在诊断推理得分上达到了92%，比不使用人工智能的医生群体高出16个百分点（图\\n5.4.6）。尽管人工智能模型在独立任务中表现出色，将其集成进实际临床工作流程中却面临挑战。在时间效率方面，各组医生完成病例的时间无显著差异，这表明引入大语言模型的临床工作流仍未带来效率优势。即便人工智能模型在独立测试中表现优异，仅让医生使用大型语言模型，并不足以提升他们的诊疗表现。这一现象也出现在其他人工智能与人类协作场景中，提示我们：要实现模型性能与临床专业人员之间的真正协同，需重新设计工作流程、改进用户培训与人机交互界面。\\n\\n管理性推理和患者护理决策除了诊断本身，医生还必须处理治疗方案选择、风险与获益权衡以及患者偏好等多维度决策任务，统称为“管理性\\n\\n推理（management reasoning）”。研究人员正在探索大型语言模型是否能够提升这些复杂、情境依赖的推理能力。\\n\\n目录第五章预览\\n304\\n\\n* * *\\n\\n第五章：科学与医学\\n5.4 临床诊疗：非影像领域\\n\\n2025年人工智能指数报告\\n\\n重点：\\nGPT-4辅助临床管理任务的效果评估\\n\\n2024-2025年间，一项前瞻性、随机、对照试验评估了GPT-4在复杂临床管理决策中的辅助效果。研究共涉及92名执业医生，其中一半使用GPT-4辅助并结合标准资源，另一半仅依赖传统医学参考资料。结果显示：\\n使用GPT-4的医生在任务表现上平均领先对照组\\n6.5个百分点(见图5.4.7)。有趣的是，仅使用GPT-4的表现与GPT-4辅助医生组相当，表明在某些定义明确的场景中，接近自主的人工智能管理支持可能具有可行性。然而，引入人工智能辅助也带来权衡：使用GPT-4的医生在每个案例上耗时略长。研究人员将此归因于医生在决策过程中进行更深入的思考与分析。总体而言，生成式人工智能可以在临床决策中带来实质性改进，但其影响可能更多体现在决策质量上，而非单纯提升效率。\\n\\n大语言模型在临床诊断方面的性能表现资料来源：Goh等，2024图表：2025年人工智能指数报告\\n\\n图5.4.7\\n\\n目录第五章预览\\n305\\n\\n* * *\\n\\n第五章：科学与医学\\n5.4 临床诊疗：非影像领域\\n\\n2025年人工智能指数报告\\n\\n环境型人工智能语音助手\\n\\n临床文档工作长期以来是医生负担与倦怠的主要来源之一。环境型语音记录技术正迅速演化，并将大语言模型整合进医生与患者交流的处理流程中。第一项相关研究发表在《NEJM Catalyst》期刊，描述了2023年底环境型人工智能语音助手技术在 Kaiser Permanente Northern California 的部署。这项技术在试点结束前已被数千名临床医生采用（图5.4.8）。紧随其后的是第二项研究，发表于《JAMIA》期刊，介绍了该技术在 Intermountain Health的试点经验。值得注意的是，这两项研究所评估的都是早期版本的技术，这些版本尚未完全实现自动化或电子健康档案系统（EHR）集成。\\n\\n2023年10月16日至12月24日环境型人工智能语音助手工具的累计使用情况在2023年10月16日上午至12月24日期间，具有3,442名独立注册医生与员工用户应用该人工智能语音助手（见Panel A）；期间累计记录303,266次医生 - 患者交流（见Panel B）。这版交底中均应用了语音助手功能，且每次交流持续时间不少于2分钟。\\n\\nPanel A为累计应用人工智能语音助手的独立医生人数\\nPanel B为累计人工智能语音助手的服务次数\\n\\n资料来源：Tierney 等，2024\\n图5.4.8\\n\\n* * *\\n\\n第五章：科学与医学\\n5.4 临床诊疗：非影像领域\\n\\n2025年人工智能指数报告\\n\\n斯坦福大学的研究人员开展了一项两阶段研究，用于评估环境型人工智能语音助手技术的效果。该研究在以往工作的基础上，测试了一种全流程集成，自动化的人工智能医疗文书系统。研究显示，该系统在客观指标（如文书记录所需时间）与主观指标（如医生的工作体验）方面均取得了明显改善、技术采纳情况良好，在参与的医生中平均采纳率达到了 55%。人工智能\\n\\n语音助手带来了显著的效率提升，每条记录平均节省医生约\\n30秒，整体电子健康档案（EHR）操作时间每日减少约 20 分钟（图5.4.9）。此外，医生普遍报告称工作负担与职业倦怠显著下降，平均降幅分别为 35% 和 26%。这些结果表明，由人工智能驱动的语言助手技术能够切实改善医生的工作流程与福祉，不仅节省了时间，还缓解了繁重的行政负担。\\n\\n人工智能记录对医生使用电子健康档案（EHR）的影响资料来源：RASE Health, 2025引 图表：2025 年人工智能指数报告\\n\\n据报道，到 2024 年，对环境型语音助手技术的投资将接近 3 亿美元。虽然当前的技术应用主要集中在临床文档撰写这一起点，但研究与产业界的乐观人士预期，该类技术将在未来\\n\\n实现全面部署，覆盖门诊与住院场景，最终实现对医嘱下达、账单与编码、实时临床决策支持等流程的自动化辅助。\\n\\n目录第五章预览\\n307\\n\\n* * *\\n\\n第五章：科学与医学\\n5.4 临床诊疗：非影像领域\\n\\n2025年人工智能指数报告\\n\\n部署、实施与撤除\\n\\nFDA对人工智能医疗设备的批准人工智能在临床环境中的应用在过去十年中呈指数级增长，尤其体现在美国食品药品监督管理局(FDA)批准的人工智能医疗设备数量激增。\\n\\nFDA于1995年首次批准一款具备人工智能功能的医疗设备，此后将近20年的时间里，每年的批准数量一直保持在个位数，直到2015年，当年共有6款人工智能医疗设备获得批准。自此之后，年度批准数量开始迅猛增长，并在2023年达到峰值——223件(图5.4.10)。\\n\\n1995-2023年FDA批准的人工智能医疗设备数量资料来源：FDA，2024\\\\|图表：2025年人工智能指数报告\\n\\n图5.4.10\\n\\n成功应用案例：斯坦福医疗系统（Stanford Health Care）\\n在临床实践中成功生成式人工智能功能部署模型，需依托一套确保其公平性、实用性与可靠性的系统框架，斯坦福医疗系统在评估与生成式人工智能功能部署工具时，采用其内部开发的FURM框架(公平(Fair)、实用(Useful)、可靠(Reliable)、可量化(Measurable))。在已评估的6个人工智能应用案例中，有2个已实现成功落地部署；(1)外周动脉疾病(PAD)\\n筛查；(2)住院患者的文档记录与编码改进。本节将详细说明外周动脉疾病筛查的应用。\\n\\n* * *\\n\\n第五章：科学与医学\\n5.4 临床诊疗：非影像领域\\n\\n2025年人工智能指数报告\\n\\n外周动脉疾病筛查外周动脉疾病是一种慢性血管性疾病，早期常被忽视，\\n从而导致严重并发症，如肢体严重缺血甚至截肢。为提升早期检测与干预能力，斯坦福医疗系统开发并部署了一套具备人工智能功能的 PAD 分类模型，用于优化筛查流程并改善患者治疗。这项筛查工具的主要目标是：在初级保健人群中实现更早期的诊断，以便在病情恶化前采取医疗或手术干预。通过识别高风险患者，该模型还能帮助优化资源分配，确保最需要干预的人群能够立即获得随访与治疗。为实现与临床工作流程的无缝集成，该人工智能工具被设计为可自动评估外周动脉疾病（PAD）风险，并对高风险个体进行标记提示，以便进一步评估。一旦病情被确认，患者将转诊至血管外科接受会诊。图 5.4.11展示了将 PAD 筛查整合进临床工作流程的建议模型与操作路径，包括风险评估、转诊流程以及患者随访等关键环节。\\n\\n将PAD筛查整合入临床实践的建议模型与工作流程资料来源：Caitan 等，2024\\n\\nFlag as inappropriate, no referral order sent\\nInappropriate\\nVM SPC/MA verifies prediction\\nPrediction >= threshold\\nPAD Model makes prediction\\nPrediction <= threshold\\nNo action taken\\nVerified as appropriate\\nOrder for referral to VM sera to patient's PCP\\nPCP orders referral\\nVM SPC/MA actual patient into VM Clinic Prevention workflow\\nVM Clinic staff calls patient to schedule a consultation visit and ABPT test\\nPatient agrees\\nVM SPC/RNA places ABPT order, VM APP signs order\\nABPT test administered, assessed by VM App\\nPCP does not order referral\\nPatient receives messages that referral was issued for VAP evaluation by VM\\nPatient declines\\nFlag as Referral Not Ordered\\nFlag as Patient Declines; no visit scheduled\\nABPTB - ankle/brachial index; APP - advanced practice provider; MA - medical assistant; RNC - registered nurse coordinator; SFC - specialty patient flow coordinator; VM - vascular medicine\\n\\n图 5.4.11\\n\\n该人工智能工具在完成试点阶段后，进入第 2 阶段\\n(Stage 2)，并已在斯坦福医疗系统全面部署。模型预计每年将影响约 1,400 名患者。除去显著的临床效益外，该项目还证明具备财务可持续性，在无外部资金支持下正常运行。\\n\\n通过提升早期发现率、降低严重并发症风险，并改善患者预后，该人工智能驱动的策略正逐步重塑外周动脉疾病的标准治疗路径。\\n\\n* * *\\n\\n第五章：科学与医学\\n5.4 临床诊疗：非影像领域\\n\\n2025年人工智能指数报告\\n\\n健康社会决定因素\\n\\n大语言模型与基于人工智能的临床决策支持（CDS）系统正在推动医学实践的变革，但在不同专科的采用程度存在差异。有些专科快速拥抱这些工具，而另一些则持谨慎态度。本节回顾了相关研究与创新，重点强调证据基础的重要性。其中一个核心方向是社会健康决定因素（Social Determinants of Health, SDOH），如社会经济地位与生活环境等。2024年，人工智能的进步集中应用于SDOH领域，以改善患者护理与促进健康公平。\\n\\n从电子健康档案和临床记录中提取SDOH\\n经过微调的多标签分类器（如Flan-T5-XL）在识别临床笔记中的SDOH信息方面，表现优于ChatGPT系列模型，且对人口学描述的敏感性更低。这类模型在引入种族、族裔或性别变量时展现出更低的偏差。图5.4.12展示了多个模型在放射治疗（RT）测试集上识别SDOH的表现。新一代模型（如Flan-T5-XXL）在加入合成与标注数据(SDOH标签句)后，性能表现最佳，总体来看，模型规模扩大与数据融合优化显著提升了SDOH识别能力。\\n\\n多个模型在放射治疗任务中识别SDOH的表现资料来源：RASE Health, 2025图表；2025年人工智能指数报告\\n\\n从电子健康档案中提取SDOH 数据能帮助医生识别患者的社会需求（如住房不稳定或食物短缺）。这类研究凸显了大语言模型提升SDOH记录质量、资源配置效率与健康公平性的潜力，同时也强调了减少偏差与强化合成数据方法的重要性。\\n\\n目录第五章预览\\n310\\n\\n* * *\\n\\n第五章：科学与医学\\n5.4 临床诊疗：非影像领域\\n\\n2025年人工智能指数报告\\n\\n医疗领域的人工智能应用与SDOH的整合图 5.4.13重点介绍了各个医学专科领域，并说明了人工智能如何将健康的社会决定因素纳入各个领域。\\n\\n专科领域 最新研究 综合描述肿瘤学 stasy等,2024\\n人工智能工具被用于将SDOH纳入癌症治疗计划中，例如考虑患者就医便利性与社会支持情况，帮助肿瘤科医生制定个性化、可行的治疗策略心脏病学 Snowdon等,2023\\nQuer等,2024\\n心脏病人工智能模型已开始融合SDOH，用于提升对高血压、心力衰竭等疾病的风险评估精度，优化治疗管理。精神病学 Stade等,2024\\n大语言模型被用于分析社区层面的SDOH数据，有助于识别社会风险因子集中的地区，从而优先部署心理健康干预资源。\\n\\n图 5.4.13\\n\\n合成数据合成数据正通过提升隐私保护型分析、临床建模与人工智能训练，彻底改变医疗健康领域。它优化了工作流程，能够模拟罕见病例，并支持以人工智能为驱动的创新实践。然而，正如本年度人工智能指数第一章所指出的，关于其可扩展性的担忧，促使我们在采用过程中必须保持谨慎。\\n\\n临床风险预测近期研究验证了合成数据在隐私保护临床风险预测中的价值。一项近期研究验证了合成数据在隐私保护临床风险预测中的有效性。研究人员利用ADSGAN、PATEGAN与DPGAN三种生成模型，在英国生物样本库（UK Biobank）中，对曾经吸烟者(ever-smokers)群体的肺癌风险进行了建模。5图 5.4.14展示了主成分分析(PCA)特征值的对比结果，表明ADSGAN与PATEGAN生成的数据分布与真实数据高度一致，从而能够支持可靠的聚类与特征选择，这些研究结果表明，合成数据集在不依赖真实且可识别的患者信息的前提下，能够保留统计特征的真实性，支持探索性分析，并可用于开发预测模型。\\n\\n主成分分析资料来源资料来源：Qian等，2024\\n\\n(a) 为主成分分析\\n(b) 为K均值聚类分析\\n\\n5. 常规烟者是指一生中至少吸烟100支烟的人。\\n\\n* * *\\n\\n第五章：科学与医学\\n5.4 临床诊疗：非影像领域\\n\\n2025年人工智能指数报告\\n\\n药物发现《自然》期刊近期发表的一项研究，提出了一种生成式人工智能方法，用于在药物研发中实现体外配方优化与粒子工程建模。该方法通过受关键质量属性（critical quality attributes, CQAs）指导的图像生成器，生成可用于分析的数字药物配方，从而减少对大规模物理实验的依赖。研究团队通过预测微晶纤维素(MCC)在口服片剂中的渗流阈值(percolation threshold)，验证了该方法的有效性。图5.4.15将真实片剂体积的曲折率计算结果（绿色方块）与人工智能合成体积的结果（红色圆圈）进行了对比。6两者高度一致的结果表明：合成数据在模拟药物特性方面展现出巨大潜力，能够提升人工智能驱动的药物发现效率与建模能力。\\n\\n数据生成平台平台对于展示、标准化和自动化合成数据的创建是必不可少的。最新发表的研究表明，通过其提出的合成表格神经生成器（STNG）框架，大规模合成数据生成与验证不仅可行，还能显著增强医学领域人工智能应用的效果。图5.4.16通过对比真实与合成心脏病数据集的曲线下面积(AUC)值，评估了不同合成数据生成方法的有效性。在多数情况下，真实数据集与合成数据集之间存在高度吻合，这证明合成数据能够精准建模复杂的健康状况。合成数据生成方法的进步可在提升数据保真度的同时，有效降低隐私风险。\\n\\n基于人工智能生成合成结构的渗透阈值预测与验证资料来源：Hornick 等, 2024\\n\\n用于评估合成心脏病数据集的曲线下面积资料来源：Rashik 等, 2024\\n\\n6. 曲折度是指与两点之间可能的最短直线距离相比。路径的曲折程度。\\n\\n目录第五章预览\\n312\\n\\n* * *\\n\\n第五章：科学与医学\\n5.4 临床诊疗：非影像领域\\n\\n2025年人工智能指数报告\\n\\n电子健康档案系统\\n\\n将人工智能集成进电子健康档案(EHR)系统，可通过简化管理流程，增强临床决策支持与改善患者护理质量，从而缓解医疗系统负担。目前，EHR市场由几家主要厂商主导，包括：\\nEpic, Oracle Health（前身 为 Cerner）、Meditech 与\\nTruBridge（前身为 CPSI）。这些厂商的人工智能工具因其市场占有率，有望在其生态系统中得到广泛应用，截至 2021 年，\\n美国医院中对任何类型 EHR 系统的采用率已接近 90%，其中通过认证的 EHR系统的采用率约为 80%。\\n\\n一项由美国医院协会（American Hospital Association,\\nAHA）于 2023 年开展的 IT 调查发现，大多数在其电子健康档案(EHR)系统中使用机器学习或预测模型的医院，主要依赖某一主流厂商提供的住院服务解决方案(图 5.4.17)。其中，Epic、\\nCerner 和 Meditech 的采用率最高，Epic、Cerner 和 CPSI 所服务的医院主要采用厂商自行开发模型，而 Meditech 及其他厂商的用户则更常使用第三方或医院自建的解决方案（见图\\n5.4.18）。\\n\\n预测模型在主要住院电子健康档案供应商中的应用资料来源：AHA 调查，2024 图象；2025 年人工智能指数报告\\n\\n机器学习模型(ML)\\n其他非 ML 预测模型都不是/不确定\\n\\nEpic\\nCerner\\nMeditech\\nCPSI/Evident\\nAltera\\nOther\\n\\n图 5.4.17\\n\\n目录第五章预览\\n313\\n\\n* * *\\n\\n第五章：科学与医学\\n5.4 临床诊疗：非影像领域\\n\\n2025年人工智能指数报告\\n\\n电子健康档案（EHR）供应商的预测模型开发来源资料来源：AHA 调查，2024 图表，2025 年人工智能指南报告\\n\\n商自建模型 第三方开发者 医院自行开发 公共领域 不知道（ML 开发）\\n\\n0%\\nEpic\\nCerner\\nMeditech\\n供应商\\nCPSI/Evident\\nAltera\\n其他\\n\\n将人工智能系统集成至电子健康档案（EHR）平台，有望简化临床工作流程，同时改善医疗服务提供者与患者的整体体验。然而，目前仍不确定此类配备人工智能的健康信息技术是否真正能使资源匮乏群体从中受益。这些群体通常在技术采纳方面面临更高的壁垒。例如，生活在农村地区的群体往往受到网络带宽受限、医疗信息技术基础设施薄弱。以及 EHR 系统功能有限等结构性条件的制约。而这些因素正是实现人工智能驱动医疗系统的基础支撑条件。此外，仍需进一步评估现有人工智能工具是否在功能基础薄弱的 EHR 系统中同样适用。目前，许多医疗环境仍依赖于功能较为简化的\\nEHR 平台。因此，若想真正实现人工智能在医疗中的公平部署，就必须正视技术适配性与基础条件不均所带来的结构性差异。\\n\\n目录 第五章预览 314\\n\\n* * *\\n\\n第五章：科学与医学\\n5.4 临床诊疗：非影像领域\\n\\n2025年人工智能指数报告\\n\\n临床决策支持\\n\\n人工智能正在彻底改变医疗从业者的疾病诊断、预测和管理模式，且日益强调通过临床试验对人工智能系统进行严格评估。临床决策支持系统(CDS)中人工智能技术的发展演进，体现在从新冠疫情期间的被动干预，逐步转向基于数据的主动性临床决策，相关临床试验数量也逐年递增，如图 5.4.19 所示，涉及人工智能技术的临床试验数量正呈现稳定增长态势。\\n\\n2014-2024年提及人工智能的临床试验数量资料来源：RASE Health，2024图表：2025 年人工智能指数数据图\\n\\nNumber of clinical trials\\n500\\n400\\n300\\n200\\n100\\n0\\n2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024\\n537\\n\\n图 5.4.19\\n\\n目录第五章预览\\n315\\n\\n* * *\\n\\n第五章：科学与医学\\n5.4 临床诊疗：非影像领域\\n\\n新冠肺炎疫情加速了人工智能在分诊、资源调配和预后预测领域的应用，凸显了该技术在实时临床决策支持系统(CDS)\\n中的潜力，后疫情时代，人工智能的应用范畴已从应急响应扩展到慢性病管理、诊疗流程优化及工作流整合。例如《CERTAIN\\n研究》证明，人工智能驱动的实时手术辅助可显著提高胃肠手术的诊断准确率。截至2023年，人工智能在CDS中的应用已\\n\\n延伸至用药安全和工作流优化领域，典型案例如《药学实践中用的用药错误预防研究》，该研究利用人工智能实现了实时药物差错监测，全球范围内人工智能驱动的临床试验数量激增，\\n2024年中国(105项试验)、美国(97项)和意大利(42项)位列前三(图5.4.20)。\\n\\n2021-2024 年各地区包含人工智能内容的临床试验数量资料来源：RASE Health, 2025 图表：2025 年人工智能指数报告\\n\\n图 5.4.20\\n\\n目录第五章预览\\n316\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第五章：科学与医学\\n5.5 伦理考量\\n\\n如前述章节所讨论，人工智能在医学研究和临床诊疗中的日益深入应用，既带来希望也伴随挑战，人工智能系统在训练过程中严重依赖大量数据，而这些数据的收集、使用和共享——特别是在医疗等高风险领域——可能引发多重伦理问题。\\n\\n5.5 伦理考量元分析本节中，人工智能指数团队通过对数千项医学伦理研究进行元分析（meta-review），系统梳理了该领域的发展现状。图 5.5.1 展示了研究团队采用的方法学框架。数据显示，过去五年间，医疗人工智能伦理问题的关注度逐年攀升，相关出版物数量在 2020 至 2024 年间增长达四倍（图 5.5.2）。\\n\\nIdentification of studies via Published Central\\nRecords identified from\\nDatabases (n = 14735)\\nDuplicates records removed\\n(n = 1483)\\nRepeats records removed\\n(n = 1493)\\nRepeats records removed\\n(n = 1493)\\n\\nRecords screened\\n(n = 14241)\\nRecords included\\n(n = 11326)\\n\\nRecords sought for retrieval\\n(n = 2910)\\nRecords not relieved\\n(n = 8)\\n\\nRecords assessed for eligibility\\n(n = 2910)\\n\\nStudies included in review\\n(n = 2910)\\n\\n图 5.5.1\\n\\n2020-2024年人工智能伦理医学成果统计数图表来源：PARE Health, 2020 图表；2029 年人工智能数据库报告\\n\\n人工智能伦理论文统计数\\n288\\n397\\n523\\n674\\n1,031\\n\\n图 5.5.2\\n\\n目录第五章预览\\n317\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第五章：科学与医学\\n5.5 伦理考量\\n\\n医学伦理论文中人工智能应用的关注焦点随时间推移不断演变。图5.5.3展示了2020至2024年AI医学论文中讨论的伦理议题分布。2024年数据显示，偏见和隐私成为最受关注的伦理问题，公平性次之。值得注意的是，2020年隐私问题的讨论热度曾显著高于偏见问题，但这一趋势在后续研究中发生了明显转变。\\n\\n2020-2024年医学人工智能伦理论文中讨论最多的十大伦理问题资料来源：RASE Health, 2020 图；2025 年人工智能数据报告道路问题人工智能医学伦理论文统计百分比偏见隐私权公平透明度信任安全性可访问性利益相关者公平性安全性图5.5.3\\n\\n在人工智能工具方面，医学伦理文献对OpenAI的GPT系列（如ChatGPT）给予了高度关注（图5.5.4）。这一现象反映出过去几年间，大型语言模型在医学伦理领域引发的关注度正在持续扩大。\\n\\n2020-2024年医疗人工智能伦理论文中讨论的人工智能工具资料来源：RASE Health, 2020 图；2025 年人工智能数据报告人工智能医学伦理论文数据\\nOpenAI GPT Series OpenAI Vision\\n(GPT-4, DINSPT, DNL-L-E, SCRA)\\nGPT-3.5, GPT-4,\\nGPT-4-Turbo)\\nGoogle\\nLaMDA, PaLM,\\nGemini)\\nAxionic (Claude)\\nMitral\\nCohere\\nAI (Gina)\\n\\n图5.5.4\\n\\n目录第五章预览\\n318\\n\\n* * *\\n\\n第五章：科学与医学\\n5.5 伦理考量\\n\\n图 5.5.5 与图 5.5.6分别按财年展示了美国国立卫生研究院（NIH），资助医学人工智能伦理项目的立项数量与资金总额。数据显示，2023至2024年间，立项数量从25项激增至337\\n\\n项（图5.5.5）；同期资助总额更从1600万美元飙升至2.76亿美元，短短一年内实现近17倍的增长。\\n\\n2020-2024财年NIH对医疗人工智能伦理研究资助的数量资料来源：RASE Health, 2025 图表：2025 年人工智能指数报告财政年度\\n337\\n0\\n2020\\n2021\\n2022\\n2023\\n2024\\n\\n2020-2024财年NIH对医疗人工智能伦理的研究资助金额资料来源：RASE Health, 2025 图表：2025 年人工智能指数报告财政年度\\n276.00\\n0\\n2020\\n2021\\n2022\\n2023\\n2024\\n\\n目录 第五章预览 319\\n\\n* * *\\n\\n第五章：科学与医学\\n5.6 科学领域的人工智能基础模型\\n\\n本年度，多个基础模型在科学各领域中相继问世，一些模型是在大型语言模型的基础上，针对特定领域的文献进行微调；另一些则从头开始使用专门的数据（如时间序列或气象数据）进行训练，随后，这些基础模型被进一步调用，用于具体的科学任务或应用场景。\\n\\n5.6 科学领域的人工智能基础模型\\n\\n重点：\\n标志性的模型发布\\n\\n人工智能推动了物理、化学、地球科学等多个科学领域的显著进展。下表汇总了这些领域中一些最具标志性的模型发布情况，以及用于追踪这些进展的新资源。本节分析是\\n\\n发布日期\\n2024年\\n2月6日模型名称\\nCrystal\\n大语言模型领域材料科学技术意义研究人员在LLMA-2 70B模型基础上，对编码为文本的原子级数据进行微调，用于生成稳定材料，其亚稳态生成率几乎是领先扩散模型的两倍（49%对比28%），同时仍具备物理合理性。该方法支持无条件生成、结构补全与文本引等设计等灵活应用，并通过扩大模型规模增强对对称性的感知\\n\\n2024年\\n2月14日\\nLiaSMol\\n化学为应对大型语言模型在化学任务中的低效表现，研究人员引入SMollinstruct——一个包含超过300万个样本、覆盖14项任务的高质量数据集；并基于该数据集开发了LiaSMol 模型系列，其中，基于Mistral的LiaSMol 在多个任务中大幅超越GPT-4与Claude 3 Opus，并在仅调整0.58%参数的前提下，接近于任务专用模型的表现。显示出面向特定领域的指令微调的强大能力。\\n\\nImage\\n5.6.1\\n资料来源：Graver 等 2024\\n\\nChemical Reaction\\nForward Synthesis (10%)\\nReverse Synthesis (10%)\\n\\n5.6.2\\n资料来源：Yu 等 2024.\\n\\n目录第五章预览\\n320\\n\\n* * *\\n\\n第五章：科学与医学\\n5.6 科学领域的人工智能基础模型\\n\\n2025年人工智能指数报告\\n\\n重点：\\n标志性模型发布（续）\\n\\n2024年\\n4月23日\\nORBIT\\n地球科学橡树岭国家实验室发布了 ORBIT 模型，\\n这是迄今为止气候科学领域规模最大的人工智能模型，拥有 1130 亿参数，规模比先前模型大出 1000 倍。该模型采用新型并行计算技术进行训练，并在 Frontier超级计算机上测试，其持续性能最高达到1.6 exaFLOPS，标志着人工智能驱动地球系统预测的新高度。\\n\\n2024年\\n5月20日\\nAurora\\n地球科学\\nAurora是一种大规模基础模型，训练数据涵盖100万个小时的地球系统记录。它可提供空气质量、潮浪状况、气旋轨迹及高分辨率天气等领域的最先进预测能力，在运算成本极低的情况下仍超传统系统，并可用极少资源跨领域调，是向普惠型人工智能地球系统预测迈出的重要一步。\\n\\n2024年\\n7月22日\\nNeuralGCM\\n天气预报该研究推出了 NeuralGCM，一种将可微分的基于物理的求解器与机器学习组件结合的混合模型，能够同时模拟天气和气候。在短期和中期预测中，该模型的表现与当前领先的机器学习模型及物理模型相当甚至更优，能准确追踪长期气候指标，捕捉热带气旋等复杂现象，同时实现大幅计算节约。\\n\\n图 5.6.3\\n资料来源：Wang 等，2024\\n\\n图 5.6.4\\n资料来源：Bochhar 等，2024\\n\\n图 5.6.4\\n资料来源：Kochrov 等，2024\\n\\n* * *\\n\\n第五章：科学与医学\\n5.6 科学领域的人工智能基础模型\\n\\n2025年人工智能指数报告\\n\\n重点：\\n标志性模型发布（续）\\n\\n2024年\\n8月18日\\nPhysBERT\\n物理学由于其专门术语与复杂概念，物理学文本对自然语言处理极具挑战。PhysBERT 是首个专为物理学设计的文本嵌入模型，显著超越通用模型在物理任务中的表现。该模型在120万篇 arXiv论文上训练，并通过监督数据微调，在信息检索与子领域适配任务中显著提升效果。\\n\\n5.6.6\\n资料来源：Helert 等, 2024.\\n\\n2024年\\n9月16日\\nFireSat\\n火灾预测谷歌发布的 FireSat 是一个基于卫星的森林火灾检测系统，利用人工智能在起火20分钟内识别最小为5x5米的火点。系统通过分析实时影像和环境数据实现此功能。该项目由谷敬 与 Earth Fire Alliance、Muon Space 联合开发，不仅强化了灾害响应能力，也推动了全球野火研究的进展。\\n\\n5.6.7\\n资料来源：谷歌, 2024.\\n\\n2024年\\n12月4日\\nGenCast\\n天气预报\\nGoogle DeepMind 推出的 GenCast是一种人工智能驱动的天气模型，用于扩散方法，提供极高精度 的15天天天气预测。在几乎所有指标上都优于现有的 ENS等传统系统。GenCast 可在数分钟内生成预测结果，广泛适用于灾害响应、可再生能源与农业等领域。\\n\\n5.6.8\\n资料来源：谷歌, 2024.\\n\\n2024年\\n12月9日\\nAlphaQubit\\n量子计算\\n2024年底，Google DeepMind 与Google Quantum AI 联合，发布了AlphaQubit——款具备最先进量子纠错能力的AI解码器。随后推出的Willow是首款实现在表面码幅值以下进行指数级错误抑制与纠正的最量子芯片，标志着该领域的一项重大突破。Willow还完成了一项基准任务，仅耗时五分钟，而该任务在全球最快的超级计算机上则需逾十埃年(septillion years)，远超过宇宙年龄\\n\\n5.6.9\\n资料来源：谷歌, 2024.\\n\\n目录第五章预览\\n322\\n\\n* * *\\n\\nAI\\n2025年人工智能指数报告\\n\\n第六章：\\n政策\\n\\n* * *\\n\\n第六章: 政策\\n\\n| 概述 | 325 |\\n| --- | --- |\\n| 章节要点 | 326 |\\n| 6.1 2024年全球人工智能政策要闻 | 327 |\\n| 6.2 人工智能与政策制定 | 336 |\\n| 全球人工智能立法记录 | 336 |\\n| 概述 | 336 |\\n| 按地理区域划分 | 337 |\\n| 重点：全球人工智能立法深度观察 | 338 |\\n| 美国立法记录 | 339 |\\n| 联邦层面 | 339 |\\n| 州级层面 | 340 |\\n| 重点：美国州级人工智能立法案例概览 | 342 |\\n| 重点：有关反深度伪造技术的政策制定 | 343 |\\n| 全球立法讨论中的人工智能提及频次 | 345 |\\n| 概述 | 345 |\\n| 美国国会委员会提及情况 | 348 |\\n| 美国监管条例 | 349 |\\n| 概述 | 349 |\\n| 按机构分类 | 349 |\\n| 重点：美国联邦法规深度观察 | 351 |\\n\\n| 6.3人工智能公共投资 | 352 |\\n| --- | --- |\\n| 人工智能公共投资总额 | 353 |\\n| 按机构与职能领域划分的人工智能公共支出分布 | 360 |\\n| 重点：美国人工智能科研拨款分析 | 362 |\\n\\n获取公共数据\\n\\n* * *\\n\\n第六章：\\n\\n政策\\n\\n概述\\n\\n人工智能技术的快速发展已引发全球政策制定者的高度关注，各国相继出台人工智能相关政策。近年来，以美国和欧盟为代表的多个国家及政治实体相继推出重要监管法规。最新动态显示，多国政府已宣布对人工智能基础设施进行大规模投资。这一政策浪潮反映出国际社会对人工智能 \\\" 双轨治理 \\\" 共识的不断增强，即规范风险的同时释放变革潜力。\\n\\n本章节系统梳理全球人工智能治理格局：首先呈现 2024 年关键政策事件时间轴，\\n继而分析全球及美国立法进展，量化统计立法讨论中的人工智能议题热度，并解读美国监管机构的人工智能治理路径。最终以美国人工智能公共投资分析作结，其中大部分数据由人工智能指数团队独立采集。\\n\\n* * *\\n\\n第六章：\\n政策\\n\\n章节要点\\n\\n1. 美国各州正引领人工智能立法进程，而联邦层面进展相对迟缓。2016 年，只有一项州级人工智能相关法律获得通过，而到 2023\\n 年，增加到 49 项。仅在去年，这一数字就翻了一番多，达到 131 项。虽然联邦层面的人工智能法案提案也有所增加，但通过的数量仍然很少。\\n\\nA. 世界各国政府都加大人工智能基础设施投资力度。加拿大宣布了一项 24 亿美元的人工智能基础设施一揽子计划，而中国设立\\n475 亿美元半导体产业基金。法国承诺为人工智能基础设施投资 1170 亿美元，印度承诺投资 12.5 亿美元，而沙特阿拉伯的“超越计划”则包括对人工智能的 1000 亿美元投资。\\n\\n3. 在全球范围内，人工智能在立法程序中的提及率不断上升。在 75 个国家中，2024 年立法程序中提及人工智能的次数增加了\\n 21.3%，从 2023 年的 1557 次增加到 1889 次。自 2016 年以来，人工智能被提及的总数增长了 9 倍多。在全球范围内，人工智能安全研究机构加速扩张与协同合作。\\n\\nC7A9AC 年，各国相继成立国际人工智能安全研究机构。首批机构由美国和英国于 2023 年 11 月首届人工智能安全峰会闭幕后率先设立。随着 2024 年 5 月首尔人工智能峰会的召开，日本、法国、德国、意大利、新加坡、韩国、澳大利亚、加拿大及欧盟等国家和地区也相继承诺成立相关机构。\\n\\n5. 美国人工智能相关联邦法规数量激增。2024 年，美国出台了 59 项人工智能相关法规，是 2023 年 25 项的两倍多。这些法规来自 42 个机构，是 2023 年出台法规的 21 个机构的两倍。\\n\\n6. 美国多州加强深度伪造监管立法。2024 年之前，只有加利福尼亚、密歇根、华盛顿、得克萨斯和明尼苏达五个州颁布了法律，对选举中的深度伪造行为进行监管。2024 年，俄勒冈州、新墨西哥州和纽约州等 15 个州出台了类似措施。此外，到 2024 年，已有24 个州通过了针对深度伪造的法规。\\n\\n\\n* * *\\n\\n第六章：政策与管理\\n6.1 2024 年全球人工智能政策要闻\\n\\n本 章节节概述了由人工智能指数指导委员会遴选的 2024 年全球范围内最重要的人工智能相关政策事件。\\n\\n6.1 2024 年全球人工智能政策要闻\\n\\n2024 年 2 月 21 日\\n\\n新加坡计划 5 年内投资 10 亿美元发展人工智能\\n\\n营非萨副总理兼财政部长黄循财在 2024 年 2 月 16 日的预算报告中宣布，政府将在未来五年内拨款超过 10 亿美元，用于支持人工智能计算、人才培养和行业发展。\\n\\n来源：《海峡时报》， 2024\\n\\n2024 年 3 月 11 日\\n\\n阿布扎比成立千亿美元人工智能投资公司\\n\\n2024 年 3 月，阿布扎比成立了国有投资基金 MGX Fund\\nManagement Limited，专注于人工智能技术领域，目标管理资产规模达 1000 亿美元。此举与阿联酋将自身定位为全球人工智能技术创新引领者的战略目标相一致。\\n\\n2024 年 3 月 13 日\\n\\n欧盟议会在达成初步协议三个月后，正式通过了具有里程碑意义的《人工智能法案》。该法案是全球首个全面人工智能监管框架，包含诸多规定，如透明度与报告义务、基于风险的监管机制，以及禁止社交评分、人为操控与基于“敏感特征”的生物识别分类等用途。大部分条款将在两年实施期后，于 2026 年生效。由于该法案采取更为严格的监管手段，相较于其他地区更具限制性，引发了业界广泛关注与争议。\\n\\n资料来源：彭博社，2024\\n\\n欧洲议会通过《人工智能法案》\\n\\n* * *\\n\\n2024 年 3 月 15 日\\n\\n印度撤销强制审批新人工智能模型的计划\\n\\n在发布要求科技公司推出新人工智能模型前须获政府批准的行政指导不到一个月后，印度因面临企业家和投资者的强烈反对，于近日发布了修订后的企业自律指导方针。新规要求企业对用户明示其人工智能模型是否未经充分测试或存在可靠性问题。印度电子信息技术部仍强调，人工智能模型不得破坏选举公正性，或助长偏见与歧视。\\n\\n资料来源：TechCrunch ，2024\\n\\n2024 年 3 月 17 日\\n\\n印度启动印度人工智能使命计划 (IndiaAI Mission)，投资 :A7D 亿美元\\n\\n2024 年 3 月，印度正式启动印度人工智能使命计划以强化其人工智能生态系统。这项总投资达 12.5 亿美元的倡议将通过公私合作模式实现三大目标：建设超 1 万块 GPU 的算力基础设施、开发国家非个人数据平台、扶持本土人工智能模型与深度科技初创企业。该计划同时强调构建伦理人工智能治理框架，并通过在非中心城市扩展人工智能实验室来促进技术普惠发展。\\n\\n资料来源《自然》 2024\\n\\n2024 年 3 月 20 日\\n\\n法国政府因谷歌使用受版权保护的信息对其处以 A7D 亿欧元罚款\\n\\n法 国 竞 争 监 管 机 构 \\\" 竞 争 管 理 局 \\\"（Autorité de la\\nConcurrence）对谷歌公司处以 2.5 亿欧元罚款，原因是该公司在未通知媒体机构的情况下，使用法国新闻内容训练其人工智能聊天机器人 Bard（现更名为 Gemini）。监管机构指出，这一行为违反了欧盟知识产权规则，并导致新闻出版商和通讯社无法就内容使用进行公平定价协商。谷歌已接受处罚决定，并提出一系列整改措施以解决内容抓取问题。\\n\\n资料来源来源：NBC 新闻 2024\\n\\n* * *\\n\\n2024年 3 月 21 日\\n\\n联合国大会通过促进 \\\" 安全、可靠、可信 \\\" 的人工智能的决议\\n\\n在 120 多个成员国的支持下，联合国大会通过了一项由美国主导的具有“历史性”的决议（尽管该决议在法律上并不具有约束力），旨在促进“安全、可信任”的人工智能系统的使用。大会呼吁各方确保人工智能系统的使用应遵循人权法律，并承认这些系统在加速实现联合国可持续发展目标方面可能发挥的作用。该决议获得包括中国在内的 120 多个国家支持，并经联合国 193 个成员国一致通过，无需投票表决。\\n\\n资料来源：联合国新闻，2024\\n\\n2024 年 4 月 7 日\\n\\n加拿大承诺投资 24 亿加元来确保本国的在人工智能领域优势地位\\n\\n加拿大2024年联邦预算案提出了一揽子24亿加元的措施，\\n以在全球人工智能开发和采用竞争日益激烈的背景下，“确保加拿大在人工智能方面的优势”。资金将用于一系列举措，包括增强研究人员和开发人员的能力与基础设施、扶持人工智能初创企业、帮助中小企业通过人工智能提升生产率、支持受人工智能影响的工人，以及成立新的“加拿大人工智能安全研究所”。\\n\\n资料来源：国际中心 治理创新，2024\\n\\n2024 年 5 月 11 日\\n\\n英国人工智能安全研究所推出评估人工智能模型安全性的开源工具\\n\\n研究机构发布了一套名为 Inspect 的工具集，旨在评估人工智能模型在多个领域的能力，包括核心知识、推理能力以及自主能力。该研究所表示，这是首次由政府支持机构牵头推出的人工智能安全测试平台，并以开源许可形式公开发布，以惠及业界、研究机构和学术界。\\n\\n* * *\\n\\n2024 年 5 月 21 日\\n\\n英国和韩国在首尔联合举办人工智能安全峰会\\n\\n在人工智能首尔峰会期间，与会国家分享了它们依据《布莱奇利宣言》所采取的安全措施。该宣言是前一年在英国人工智能安全峰会期间签署的，强调人工智能的伦理与负责任开发。在英国峰会成果的基础上，各国随后陆续设立或宣布成立人工智能安全研究机构。在首尔，相关国家更进一步，签署了一份意向书，旨在建立一个由各机构组成的协作网络，强调推进全球合作以提升人工智能安全的重要性。\\n\\n资料来源：战略与国际研究中心，2024\\n\\n2024 年 5 月 27 日\\n\\n国成立有史以来规模最大的国家支持投资基金，用于推动半导体产业发展中\\n\\n中国启动了一项规模达 475 亿美元的基金，用以提升半导体产能。该基金的设立标志着中国 “国家集成电路产业投资基金”\\n（简称“大基金”）第三期的启动。自 2014 年以来，该基金已通过关键投资支持国内两大芯片制造龙头企业发展。此次举措是在美国对诸如半导体等关键技术加强出口管制的背景下提出的，这些技术是训练人工智能系统所依赖的 GPU 等硬件组件的基础。\\n\\n资料来源：路透社 ，2024\\n\\n2024 年 5 月 28 日\\n\\n欧盟委员会成立人工智能办公室\\n\\n在《人工智能法案》提出三年后，欧盟委员会公布了其核心执行机构——人工智能办公室（AI Office）。该办公室将在法案实施过程中发挥关键作用，具体包括：执行通用人工智能模型的监管标准、协调实践准则的制定、并对违反行为实施处罚。该机构拥有逾 140 名员工，由五个部门组成，分别负责不同的人工智能相关目标，包括通过人工智能促进社会福祉以及推动人工智能与机器人领域的卓越发展。\\n\\n资料来源：战略与国际研究中心，2024\\n\\n* * *\\n\\n2024 年 6 月 26 日\\n\\n美国国家标准与技术研究院icpr发布框架，帮助机构识别与缓解生成式人工智能风险\\n\\n美国国家标准与技术研究院营TOYZ萨发布了一项自愿性框架，\\n旨在协助各类组织识别生成式人工智能所带来的独特风险，并就缓解这些风险提出了一系列建议措施。该框架是在 2023 年发布的《NIST 人工智能风险管理框架》的基础上延伸而来。建议措施包括：确定组织的人工智能风险容忍度与相应的风险管理需求、明确管理人工智能风险的责任分工、以及定期邀请非开发人员的专家参与风险评估与更新过程。该框架发布前，NIST 还发布了一份关于对抗性机器学习的文档，系统阐述了攻击类型分类、此类攻击的潜在影响，以及相关的缓解策略。\\n\\n资料来源：FedScoop，2024\\n\\n2024 年 7 月 25 日\\n\\n美国国务院发布《人工智能与人权风险管理指南》\\n\\n美国国务院设计了《人工智能与人权风险管理档案》，为各国政府、企业与民间社会提供指导，以便将人工智能风险管理与人权保障相结合。该档案基于 NIST 的人工智能风险管理框架，提出四项关键功能——治理、映射、评估与管理，用于评估并缓解从偏见到监控滥用等各类人工智能相关风险。通过连接人工智能治理与人权保护，该档案为全球负责任地开发与部署人工智能提供了一种可适用的工具。\\n\\n资料来源：美国国务院，2024\\n\\n2024 年 8 月 2 日\\n\\n英国工党政府取消了前任政府所承诺的 13 亿英镑技术与人工智能项目资金，称这些承诺“资金不足”。这些项目原于 2023 年宣布，包括为“人工智能研究资源”（AI Research Resource）提供\\n5 亿英镑，以资助算力基础设施，以及为爱丁堡大学建造百亿亿次级超算提供 8 亿英镑资金。\\n\\n英国撤销 13 亿英镑技术与人工智能基础设施承\\n\\n* * *\\n\\n2024 年 9 月 13 日\\n\\n美国白宫成立人工智能数据中心基础设施工作组\\n\\n白宫召集了一场会议，邀请联邦官员与科技企业高管，共同讨论保障强大数据中心基础设施的能源来源问题，而此类基础设施对于支撑人工智能模型的运行至关重要。出席会议的企业包括\\nOpenAI、Anthropic、亚马逊云服务（AWS）、英伟达与谷歌母公司\\nAlphabet。白宫在新闻稿中强调，推进人工智能在美国的发展对国家安全至关重要，并有助于确保人工智能系统的安全性、保障性与可信赖性。新成立的人工智能数据中心基础设施工作组将负责识别建设机会，并与相关机构合作，优先发展人工智能数据中心。\\n\\n资料来源：FedScoop，2024\\n\\n2024 年 9 月 17 日\\n\\n加州州长签署三项关于人工智能与选举传播的法案\\n\\n在 2024 年旧金山市长选举前夕，加州州长 Gavin Newsom\\n宣布签署三项旨在打击深度伪造选举内容的法案。分别为 AB\\n2655、AB 2839 与 AB 2355，这些法案要求大型在线平台在特定时期内移除或标注数字伪造的选举内容；延长禁止传播误导性人工智能生成选举内容的时间窗口；并强制要求所有使用人工智能生成或修改内容的选举广告必须附带适当的披露说明。\\n\\n资料来源：《华尔街日报》，2024\\n\\n2024 年 9 月 22 日\\n\\n联合国通过《全球数字契约》以确保包容与安全的数字未来\\n\\n在“未来峰会”，联合国成员国通过了《全球数字契约》（Global\\nDigital Compact），旨在为所有人构建一个包容、开放、可持续、公正、安全与保障的数字未来。该契约强调以下目标：弥合数字鸿沟、扩大数字经济带来的普惠成果、营造一个尊重人权的数字空间、推动公平的数据治理、并加强人工智能的国际治理。契约所依据的原则以国际法与人权为核心，力图通过数字技术的力量，加速实现可持续发展目标。\\n\\n资料来源:联合国，2024\\n\\n* * *\\n\\n2024 年 9 月 29 日\\n\\n加州州长否决扩张性人工智能立法\\n\\n加州州长 Gavin Newsom 否决了一项加州人工智能安全法案。该法案原本有望在全国范围内为人工智能监管设立先例，因加州是众多领先人工智能企业的所在地。法案拟要求对前沿人工智能模型在公开发布前进行安全测试，并赋予州总检察长就人工智能相关危害起诉企业的权力。支持者认为该法案是在确保人工智能安全与问责方面迈出的必要一步，而批评者则认为该法案过于限制，可能抑制人工智能的发展，尤其是不利于开源权重的人工智能生态。鉴于加州作为世界第五大经济体的地位，该法案的影响或将超出州界，类似“布鲁塞尔效应”，在国家乃至国际层面塑造人工智能治理方向。Newsom 为其否决辩护称，该法案施加了过高的标准。\\n\\n资料来源：《金融时报》，2024\\n\\n2024 年 10 月 2 日\\n\\n美国法官叫停加州新人工智能法案，因涉及卡玛拉 · 哈里斯的深度伪造视频\\n\\n2024 年 11 月，沙特阿拉伯宣布启动 “超越计划”（Project\\nTranscendence），这是一项价值 1000 亿美元的人工智能倡议，\\n旨在将该国建设成为全球科技中心。该计划由沙特主权财富基金——公共投资基金（Public Investment Fund，PIF）牵头执行，并与谷歌母公司 Alphabet 达成合作协议，计划投资 50 亿至 100 亿美元，用于开发阿拉伯语人工智能模型。此举与沙特“2030 愿景”\\n高度契合，该愿景致力于推动经济多元化，摆脱对石油的依赖，并将人工智能建设为未来发展的重要支柱。\\n\\n2024 年 11 月 8 日\\n\\n沙特阿拉伯宣布 \\\" 超越项目 \\\"\\n\\n* * *\\n\\n第六章：政策与管理\\n\\n2024 年 11 月 14 日\\n\\n欧盟人工智能办公室发布《通用人工智能实践准则》初稿\\n\\n欧洲人工智能办公室发布了《通用人工智能实践准则》四份初稿中的第一份。该准则由四个独立专家工作组制定，重点关注以下领域：透明度与版权、风险识别与评估、风险缓解以及内部治理。一旦正式定稿，该准则将作为《人工智能法案》的补充机制，使人工智能模型提供方在最终标准发布前，得以通过该准则证明其合规性。\\n\\n资料来源：欧洲联盟，2024\\n\\n2024 年 11 月 25 日\\n\\n美国与全球合作伙伴共同启动国际人工智能安全网络\\n\\n2024 年 11 月，美国商务部与国务院在旧金山共同主办了“国际人工智能安全研究机构网络”（International Network of AI\\nSafety Institutes）的首次会议。该倡议旨在加强全球在安全人工智能创新方面的协调合作，重点包括：管理合成内容风险、测试基础模型、以及对先进人工智能系统进行风险评估。美国担任首任轮值主席国，初始成员包括：澳大利亚、加拿大、欧盟、法国、日本、肯尼亚、大韩民国、新加坡以及英国。该网络已获得超过 1100 万美元的全球研究资助承诺，以支持其后续工作。\\n\\n资料来源：美联社，2024\\n\\n2024 年 12 月 2 日\\n\\n美国加强对华半导体制造设备和软件的出口管制\\n\\n美国商务部工业与安全局宣布了新的出口管制措施，进一步限制中国制造先进半导体的能力。新规包括：对 24 类半导体制造设备、3 类软件工具的出口限制，以及额外的限制措施。美国商务部长强调，此类措施对维护美国国家安全至关重要。\\n\\n资料来源：CNBC， 2024\\n\\n* * *\\n\\n2024 年 12 月 19 日\\n\\n联合国安理会讨论人工智能在冲突中的应用并呼吁建立全球框架\\n\\n2024 年 12 月 19 日，联合国安理会召开会议，专门讨论人工智能在军事环境中所带来的挑战。联合国秘书长安东尼奥 · 古特雷斯强调，人工智能的迅猛发展正超越现有治理框架的适应能力，\\n可能会削弱人类对武器系统的控制能力。他呼吁建立 “国际护栏”\\n（international guardrails），以确保人工智能的安全与包容性应用。此次讨论的背景，是关于乌克兰战争中广泛使用自主无人机和机器人武器系统的持续报道。\\n\\n资料来源：《伯克利政治评论》，2016\\n\\n* * *\\n\\n6.2 人工智能与政策制定\\n\\n全球人工智能立法记录\\n\\n概述\\n\\n人工智能指数分析了2016年至2024年间114个国家包含“人工智能”一词的立法。1其中，39个国家已制定至少一项与人工智能相关的法律（图6.2.1）。2总体来看，这些国家共通过了 204项与人工智能相关的法律。图6.2.2展示了自2016年以来\\n\\n每年颁布的与人工智能相关的法律数量。2024年通过的人工智能相关法律共计40项，高于2023年的30项，使其成为继 2022年之后立法数量第二高的一年。自2016年以来，人工智能相关法律的通过数量从1项增长至40项。\\n\\n2016-2024年各国通过的人工智能相关法律数量分布\\n\\n资料来源：2025年人工智能指数\\\\|图表：2025年人工智能指数报告\\n\\n1、由于提出的大型法案可能包括多个与人工智能有关的章节，因此该分析可能低估了实际通过的法律数量。例如，《国防授权法案》是作为一个单一的综合法案提出的，但其中包括一系列较小的法案，这些法案最初是单独提出的，后来合并为一个单一的综合。\\n\\n2、由于某些国家的立法数据库访问受限，人工智能指数在本年度缩减了分析国家样本，因此本年度所报告的人工智能相关法律数量可能低于往年报告。此外，香港与澳门尽管并非被正式承认为主权国家，亦被纳入统计，总体分析涵盖116个国家和地区。\\n\\n图6.2.1\\n\\n* * *\\n\\n第六章：政策与管理\\n\\n2016-2024 年 116 个选定地区通过人工智能相关法律的数量资料来源：人工智能指数，2025\\\\| 图表：2025 年人工智能指数报告\\n\\n%E7A7A\\n\\n按地理区域划分\\n\\n%E7A7B\\n\\n图 6.2.3 展示了 2024 年全球前 15 大地区颁布的人工智能相关法律数量。俄罗斯以 7 部法律居首，比利时和葡萄牙各以 5\\n部法律紧随其后。图 6.2.4 显示了自 2016 年以来全球颁布的人\\n\\n工智能相关法律总数，美国以 27 部法律位居榜首，葡萄牙和俄罗斯各以 20 部法律并列第二。3\\n\\n2024 年选定地区通过人工智能相关法律数量\\n\\n资料来源：2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数报告\\n\\n图 6.2.4\\n\\n3、为简明起见，图 6.2.3 和图 6.2.4 显示了按计数排名前 15 位的地理区域的数据。完整的国家级总数将 2025 年夏季更新的 Global AI Vibrancy Tool 中提供。如需立即获取，请联系人工智能指数团队。\\n\\nA9:E6A9AC 年部分地区通过人工智能相关法律数量（总和）\\n\\n* * *\\n\\n6.2 人工智能与政策制定\\n\\n重点 :\\n\\n全球人工智能立法深度观察\\n\\n本节详细分析 2024 年通过的部分人工智能相关法律。图 6.2.5 选取了五个国家的法律案例，涵盖人工智能治理的多个领域。\\n\\n| 国家 | 法案名称 | 内容摘要 |\\n| --- | --- | --- |\\n| 奥地利 | 《联邦法律修正案：修订（通讯监管局法）与〈2021年电信法〉》 | 本法案设立“人工智能服务中心”，负责支持、建议并协调在媒体、电信与邮政领域的人工智能治理。该法设立一个人工智能咨询委员会，负责监测人工智能发展趋势，向政府提供政策建议，并协助塑造国家人工智能政策。服务中心需运营一个人工智能项目信息门户，特别是涵盖公共资金资助项目，并就人工智能监管、网络安全与合规性提供指导。为支持相关活动，法案每年拨款70万欧元，后续将依据通胀调整。 |\\n| 比利时 | 《关于设立人工智能指导委员会的皇家法令》 | 本法案设立联邦人工智能指导委员会，为政府提供人工智能政策建议，并作为人工智能治理的主要联络机制。委员会成员由各部委及公共机构代表组成，定期召开会议，以协调比利时的人工智能政策实施。 |\\n| 法国 | 《2021年10月25日第2021-1382号法：关于数字时代文化作品访问的规范与保护》（2024年由第2024-449号法修订）4 | 本法案设立视听与数字传播监管局(ARCOM)，通过合并原“视听高级委员会”（CSA)与“网络作品传播与版权保护高级机构”(HADOPI)而成。该法强化了打击网络盗版的措施，并加强对数字平台的监管，以保障文化内容的数字访问权。修订案扩大了ARCOM的职权，授权其使用人工智能工具监管数字平台，特别是在版权侵权识别与打击盗版方面。 |\\n| 拉脱维亚 | 《竞选宣传法修正案》 | 本修正案规范政治广告中人工智能的使用，要求在付费竞选材料中对人工智能生成内容进行明确披露。同时，禁止在选举活动中使用带有虚假或匿名社交媒体账户的自动化系统。 |\\n| 俄罗斯 | 《关于修订(个人数据联邦法)及(在俄罗斯联邦主体——联邦城市莫斯科中建立促进人工智能技术发展与实施的特定规制试验法)，以及对(个人数据法)第6条与第10条的修正案》 | 本法案确立了匿名化个人数据处理与共享的框架，以支持政府职能中的人工智能发展。法案对人工智能驱动的决定制定进行规范，设定了生物识别数据的安全标准，并限制对敏感人工智能相关数据集的外国访问权限。 |\\n\\n%E7A7D\\n\\n4、2024 年通过的第 2024-449 号法律对原 2021 年颁布的第 2021-1382 号法律进行了修订，扩展其适用范围至人工智能领域，并正式授权 ARCOM 运用人工智能技术。\\n\\n* * *\\n\\n美国立法记录\\n\\n联邦层面\\n\\n图 6.2.6 展示了美国国会在 2016 至 2024 年间通过与提出的人工智能相关法案数量，并揭示了提案数量的显著增长。\\n52023 年，美国国会提出了 171 项人工智能相关法案，而 2024\\n年该数字增至 221 项，自 2022 年以来几乎增长了三倍。然而，\\n\\n在所有提出的人工智能法案中，实际通过的比例仍然较低。此类立法活跃趋势，反映了政策制定者对人工智能技术（尤其是生成式人工智能）能力与公众关注度上升的回应。6\\n\\nA9:E6A9AC 年美国国会提出的与人工智能相关的法案数量及通过的法律数量\\n\\n资料来源：2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数报告\\n\\n6、本节仅涵盖国会立法，不含行政部门（如特朗普总统的 “Stargate” 声明）及联邦监管机构（如 FTC 对人工智能生成评论与社交媒体机器人的新规）制定的政策。\\n\\n* * *\\n\\n第六章：政策与管理\\n6.2 人工智能与政策制定\\n\\n州级层面人工智能指数亦追踪了美国各州在人工智能领域的立法情况。图6.2.7展示了2024年各州通过的人工智能相关法案数量，加利福尼亚州以22项居首，其后为犹他州（12项）与马里兰州（8项）。图6.2.8展示了2016至2024年间各州累计通过的人工智能立法数量，加州同样居首（42项），其次为马里兰州、弗吉尼亚州与犹他州，三州均为17项。\\n\\n2024 年美国部分州通过的人工智能相关法案数量资料来源：2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数报告加利福尼亚州 22\\n犹他州 12\\n马里兰州 8\\n泰吉尼亚州 6\\n伊利诺伊州 5\\n新罕布什尔州 5\\n纽约州 5\\n阿拉巴马州 4\\n亚利桑那州 4\\n科罗拉多州 4\\n佛罗里达州 4\\n马萨诸塞州 4\\n密西西比州 4\\n田纳西州 4\\n蒙达州 3\\n\\n通过的人工智能相关法案数量\\n\\n图6.2.7\\n\\n2016-2024 年美国各州通过的人工智能相关法案数量（总和）\\n资料来源：2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数报告\\n\\nAK 0\\nME 1\\nVT 7 NH 6 MA 11\\nNY 6 CT 3 RI 0\\nOR 1D WY 1 NE 1A 1L IN 4 OH 3 PA 3 NJ 3\\nCA 42 NV 2 UT 17 CO 7 KS 0 MO 0 HY 4 WV 4 MD 17 DE 1\\nAZ 6 NM 3 OK 0 AR 0 TN 17 VA 6 NC 1\\nTY 5 LA 4 MS 6 AL 7 GA 3 SC 1\\nFI 4\\n\\n图6.2.8\\n\\n目录 第六章预览 340\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第六章：政策与管理\\n6.2 人工智能与政策制定\\n\\n自2016年以来，美国州一级通过的人工智能相关法律数量显著上升。2016年仅通过1项，至2023年增长至49项。而在过去一年内，这一数字翻倍以上，达到了131项（图6.2.9）。\\n\\n2016-2024 年美国各州通过的人工智能相关法案数量资料来源：2025 年人工智能指数\\\\|图表：2025 年人工智能指数报告\\n\\n图6.2.9\\n\\n目录第六章预览\\n341\\n\\n* * *\\n\\n第六章：政策与管理\\n6.2 人工智能与政策制定\\n\\n2025年人工智能指数报告\\n\\n重点：\\n美国州级人工智能立法案例概览\\n\\n本节精选了2024年美国多个州通过的人工智能相关法律案例，涵盖加利福尼亚和纽约等人工智能企业聚集地，也包括阿拉巴马与科罗拉多等在产业中地位相对较小的州，反映出州一级在人工智能治理方面的多样化关注焦点（图6.2.10）。\\n\\n州 法案名称 内容摘要阿拉巴马州 《有关选举；规定散布重大误导性媒体为犯罪行为》 本法案禁止在选举前90天内散布人工智能生成的、旨在误导选民或损害候选人的欺骗性媒体。若无明确免责声明，连读者可被判处轻罪；重复违规者可被判重罪。新闻报道、讽刺内容及带有免责声明的媒体可获豁免，受警方可提起民事诉讼。加利福尼亚州 《加州人工智能透明法案》 该法案要求大型人工智能提供方免费提供人工智能检测工具，并在人工智能生成内容中标明清晰且永久的来源说明，每次违反将被罚款5000美元，由总检察长或地方执法机关执行。科罗拉多州 《人工智能消费者保护法案》 第七法案对高风险人工智能系统提出透明、公正的使用要求。开发与部署方必须防止算法歧视，保障用户对人工智能决策的申诉权，并进行定期影响评估。马萨诸塞州 《关于满足马萨诸塞州未来信息技术需求的法案》 法案拨款12.6亿美元，用于全州的信息技术、网络安全与宽带基础设施现代化建设。其中2500万美元用于将人工智能与机器学习技术整合进州政府系统，以提高自动化、效率与安全性。纽约 《修订（普通商业法）关于社交媒体服务条款披露要求的法案》 本法案要求社交媒体公司以明确且可访问的方式公开其各平台的服务条款，并向州总检察长提交条款报告。若不合规，将面临惩罚。\\n\\n图6.2.10\\n\\n目录 第六章预览 342\\n\\n* * *\\n\\n第六章：政策与管理\\n6.2 人工智能与政策制定\\n\\n重点：\\n有关反深度伪造技术的政策制定\\n\\n美国各州在通过立法打击深度伪造技术（deepfake）方面表现为积极。深度伪造是指通过人工智能生成的合成媒体，能够篡改或替换视频、音频或图像中的人物形象，通常会产生通真但具有欺骗性的内容。如今年人工智能指数第三章所讨论的，深度伪造可能被用于操纵选举结果，或生成不雅图像。非营利组织“Public Citizen”维护着一个追踪人工智能深度伪造法的数据库，涵盖选举相关滥用和私密图像滥用两方面内容。图6.2.11展示了美国各州随时间推移通过的反深度伪造法律数量，包括与选举和私密图像相关的法规。8图6.2.12重点呈现了各州通过选举相关人工智能深度伪造法规的时间节点：在2024年之前，加利福尼亚、华盛顿、得克萨斯、密歇根和明尼苏达五个州已通过此类法律；2024年，又有包括俄勒冈、新墨西哥和纽约在内的12个州出台了类似法规。\\n\\n针对私密深度伪造的州级法规远比针对选举滥用的法规更为普遍。共有25个州颁布了覆盖所有个人的法律，另有5个州通过了仅适用于未成年人的法规（图6.2.13）。怀俄明和俄亥俄是目前仅有的两个尚未实施任何形式私密深度伪造法规的州。\\n\\n2019-2024 年美国各州通过的反深度伪造法律数量统计资料来源：Public Citizen，2025 图：2025 年人工智能指数报告\\n\\n图6.2.11\\n\\n8. 由于部分州的反深度伪造法律生效日期未完全落实，图6.2.11仅统计已确认通过时间的违策。\\n\\n* * *\\n\\n第六章：政策与管理\\n6.2 人工智能与政策制定\\n\\n重点：\\n有关反深度伪造技术的政策制定（续）\\n\\n截至 2024年，美国各州针对人工智能生成的选举类深度伪造内容的州级法规及其状态资料来源：Public Citizen, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n图 6.2.12\\n\\n截至 2024年，美国各州针对人工智能生成的私密影像深度伪造内容的州级法规及其状态资料来源：Public Citizen, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n图 6.2.13\\n\\n目录第六章预览\\n344\\n\\n* * *\\n\\n第六章：政策与管理\\n6.2 人工智能与政策制定\\n\\n2025年人工智能指数报告\\n\\n全球立法讨论中的人工智能提及频次\\n\\n立法关注度的另一项指标是政府及议会会议记录中提及\\n“人工智能”的次数。人工智能指数分析了2016年至2024年间\\n73个国家和地区的立法会议记录，统计包含关键词“人工智能”\\n的会议场次。9\\n\\n概述图6.2.14展示了2016至2024年间，全球立法程序中“人工智能”一词的年提及次数。2023年为1557次，2024年增长至1889次，增幅达21.3%。自2016年起，该数字增长超过九倍。\\n\\n2016—2024年 75 个地区立法会议中人工智能提及频次统计资料来源：2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数数据\\n\\n图 6.2.14\\n\\n9. 被分析国家的完整名录见附录。人工智能指数研究小组的目标是审查世界各地的政府和议会程序，但并非所有国家都有可公开访问的数据。今年，指数数据调整了跟踪方法，导致可以往的总数略有不同。要具体地说，需及众法报会设计计算，因此在同一立法会议上多次提及人工智能指数并一次完整的方法详述附录。此外，人工智能指数数据描述除了澳门和香港的情况，虽然它们不属于正式的国家，但它们的提及仍然在图 6.2.14 的统计中。该指数总共测量了 75 个地理区域的人工智能提及情况。\\n\\n目录第六章预览\\n345\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第六章：政策与管理\\n6.2 人工智能与政策制定\\n\\n2024年在立法程序中提及人工智能最多的国家为西班牙（314次），其后为爱尔兰（145次）和澳大利亚（123次）。在被分析的75个国家和地区中，有57个在至少一次立法程序中提及了人工智能。\\n\\n2024 年各国立法程序中提及人工智能的次数资料来源：2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数报告\\n\\n将 2016 年至 2024 年的立法提及次数汇总后，出现了一种类似的趋势（图 6.2.16）。西班牙以1200次位列第一，紧随其后的是英国（710次）和爱尔兰（659次）。\\n\\n2016-2024 年各国立法程序中提及人工智能的次数（总和）\\n资料来源：2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数报告\\n\\n图 6.2.15\\n\\n图 6.2.16\\n\\n目录第六章预览\\n346\\n\\n* * *\\n\\n第六章：政策与管理\\n6.2 人工智能与政策制定\\n\\n图6.2.17基于部分国家的数据，对比了人工智能在议会讨论中被提及的频率与通过的人工智能相关法律数量。总体而言，议会中对人工智能的高关注度与人工智能立法数量呈正相关。然而，部分国家如比利时、葡萄牙和俄罗斯，在讨论频率与实际立法之间存在明显偏离，表明议会关注不一定直接转化为立法成果。\\n\\n2016-2024 年各国立法程序中提及人工智能的次数与人工智能相关法案通过数量的对比资料来源：2025 年人工智能指数（图表：2025 年人工智能指数报告）\\n\\n图 6.2.17\\n\\n目录第六章预览\\n347\\n\\n* * *\\n\\n第六章：政策与管理\\n\\n6.2 人工智能与政策制定\\n\\n美国国会委员会提及情况\\n\\n美国众议院与参议院各委员会在其报告中对人工智能的提及情况，是衡量国会对人工智能关注程度的另一指标。这些委员会通常负责立法、政策事务、调查与内部事务。图6.2.18记\\n\\n录了2001年至2024年间，美国各届国会委员会报告中提及人工智能的频次。第118届国会（2023–2024）提及次数达136\\n次，创历史新高，较第117届增长了83.8%。\\n\\nA99:6A9AC 年美国各届国会会期委员会报告中的人工智能提及次数统计\\n\\n资料来源：2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数报告\\n\\n* * *\\n\\n美国监管条例\\n\\n人工智能的兴起引发了监管机构的高度关注——这些联邦机构负责监管经济中的特定领域，并指导法律的执行。本节探讨的是美国的人工智能监管情况。与确立国家法律框架的立法不同，监管条例是由行政当局制定的详细指令，用以执行立法条文。在美国，具有代表性的监管机构包括：环境保护署\\n（EPA）、食品药品监督管理局（FDA）、联邦通信委员会\\n（FCC）。由于立法的具体内容通常通过监管行动得以体现，\\n理解人工智能监管格局是深入理解人工智能政策制定的重要组成部分。本节分析了2016年至2024年间由美国监管机构颁布的人工智能相关监管条例，涵盖监管总数、主题、适用范围、监管意图与发起机构等多个方面。为收集相关数据，人工智能\\n\\n指数研究团队在美国联邦公报（Federal Register）中进行了关键词“artificial intelligence”的检索。联邦公报是涵盖美国政府几乎所有部门文件的综合性数据库，汇集了来自超过436个联邦机构的信息。\\n\\nA9:E急A9AC 年间美国人工智能相关监管条例数量\\n\\n按机构分类\\n\\n过去六年中，人工智能相关监管数量急剧上升。尤其在过去一年中，增长趋势尤为显著（图6.2.19）。2024年，美国共发布59项人工智能相关监管条例，远高于2023年的25项，实现了超过两倍的增长。\\n\\n图6.2.20展示了自2016年以来，美国不同联邦监管机构所发布的人工智能相关监管条例数量。10 2024年，美国卫生与公众服务部发布了最多的人工智能监管条例（共14项），其次是\\n\\n资料来源：2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数报告\\n\\n概述\\n\\n医疗保险与医疗补助服务中心（7项）和商务部（7项）。人工智能监管条例的来源机构数也达到了历史最高——共计42个机构，远高于2023年的21个与2022年的17个。这一趋势反映出：人工智能正受到美国越来越多监管机构的广泛关注。\\n\\n* * *\\n\\nA9:E急A9AC 年美国各联邦机构发布的人工智能相关监管条例数量\\n\\n资料来源：2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数报告\\n\\n| | 2016 | 2017 | 2018 | 2019 | 2020 | 2021 | 2022 | 2023 | 2024 |\\n| --- | --- | --- | --- | --- | --- | --- | --- | --- | --- |\\n| Agency for International Development | | | | | | | | | 1 |\\n| Census Bureau | | | | | | | | | 1 |\\n| Centers for Medicare and Medicaid Services | | | 1 | 2 | 4 | 5 | 4 | 3 | 7 |\\n| Children and Families Administration | | | | | 1 | 1 | 1 | | |\\n| Commerce Department | | | | | 1 | 1 | 3 | 5 | 7 |\\n| Commodity Futures Trading Commission | | | | | | | | | 1 |\\n| Comproller of the Currency | | | | | | | 1 | | 2 |\\n| Consumer Financial Protection Bureau | | | | 1 | | | 1 | 1 | 4 |\\n| Copyright Office, Library of Congress | | | | 1 | | | | 1 | 1 |\\n| Defense Acquisition Regulations System | | | | | | | | | 1 |\\n| Defense Department | | | | | | | | | 1 |\\n| Education Department | | | | | 2 | | | | 2 |\\n| Employee Benefits Security Administration | | | | | | | 1 | | |\\n| Employment and Training Administration | | | | | | 1 | | | |\\n| Energy Department | | | | | | | | 1 | 1 |\\n| Environmental Protection Agency | | | | | | | | | 2 |\\n| Executive Office for Immigration Review | | | | | | | | | 1 |\\n| Executive Office of the President | | | 2 | 6 | 5 | 2 | 3 | 5 | 5 |\\n| Federal Aviation Administration | | | | | | | | | 1 |\\n| Federal Communications Commission | | | | | 1 | | | | 2 |\\n| Federal Deposit Insurance Corporation | | | | | | | | | 1 |\\n| Federal Election Commission | | | | | | | | | 1 |\\n| Federal Energy Regulatory Commission | | | | | | | | | 1 |\\n| Federal Housing Finance Agency | | | | | | | | | 1 |\\n| Federal Railroad Administration | | | | | | | | 1 | 1 |\\n| Federal Reserve System | | | | | | | | | 1 |\\n| Federal Trade Commission | | | | | | | | | 2 |\\n| Financial Crimes Enforcement Network | | | | | 1 | 1 | 2 | 1 | 2 |\\n| Food and Drug Administration | | | | | 1 | 5 | 5 | 4 | 14 |\\n| Health and Human Services Department | | | 1 | 2 | 5 | 5 | 5 | 4 | 14 |\\n| Homeland Security Department | 1 | | | | | 3 | | 1 | 2 |\\n| Housing and Urban Development Department | | | | | 1 | | | 1 | 1 |\\n| Industry and Security Bureau | | | | | 1 | | 3 | 4 | 4 |\\n| Investment Security Office | | | | | 1 | | | | 1 |\\n| Justice Department | | | | | | | | | 1 |\\n\\n* * *\\n\\n6.3 人工智能公共投资\\n\\n重点 :\\n\\n美国联邦法规深度观察\\n\\n本节重点介绍了2024年美国联邦政府通过的部分以“规则”与“行政命”形式发布的人工智能相关监管条例（图6.2.21）。\\n\\n| 机构 | 法规名称 | 内容摘要 |\\n| --- | --- | --- |\\n| 总统行政办公室 | 《防止“关注国家”获取美国敏感个人数据与与美国政府相关的数据》(Preventing Access to Americans' Bulk Sensitive Personal Data and United States Government-Related Data by Countries of Concern) | 本行政命令将“关注国家”(countries of concern)利用人工智能构成的国家安全威胁列为重大风险。命令特别警告称,外国敌对势力可能借助大量敏感个人数据和美国政府相关数据,训练人工智能算法以执行间谍活动、网络行动和舆论操控。为应对此类风险,命令提出一系列数据保护措施,包括限制或禁止与这些国家的数据交易行为,并强化网络基础设施安全防护。 |\\n| 工业与安全局 | 《外国生产直接产品规则的补充与对先进计算与半导体制造产品的出口控制强化》(Foreign-Produced Direct Product Rule Additions, and Refinements to Control for Advanced Computing and Semiconductor Manufacturing Items) | 本规则修订《美国出口管理条例》,收紧对半导体制造设备和超级计算机出口的管控,特别是对中国的相关限制,规则新增了对半导体制造的进一步限制,更新现有条款,并引入“红旗”(Red Flags)制度,以识别潜在的非法出口风险。此举旨在遏制中国规避原有限制的行为,并限制其开发可对美国国家安全构成威胁的高级计算与人工智能系统的能力。 |\\n| 消费者金融保护局 | 《2024-06号消费者金融保护通告：用于招聘、晋升和其他就业决策的背景档案与算法评分》(Consumer Financial Protection Circular 2024-06: Background Dossiers and Algorithmic Scores for Hiring, Promotion, and Other Employment Decisions) | 本通告明确规定,雇主在作出就业决策时,不得在未经合规的前提下依赖背景档案、算法评分或第三方报告,该规定重申了《公平信用报告法》(Fair Credit Reporting Act, FCRA)下的核心义务,特别是对人工智能驱动系统而言,如获取员工同意后方可调用消费者报告等条款。通过该通告,监管机构对在招聘与人中使用算法评分设定了明确的边界。 |\\n| 联邦选举委员会 | 《关于竞选权威虚假陈述的解释性规则》(Fraudulent Misrepresentation of Campaign Authority) | 该解释性规则针对人工智能生成内容日益增多的背景,对《联邦选举法案》(Federal Election Campaign Act, FECA)进行了补充说明,规则重申FECA具有“技术中立性”,监管重点并非特指人工智能误用,而是聚焦于个人或组织是否参与了与选举有关的虚假陈述行为。 |\\n| 财政部投资安全办公室 | 《关于美国在“关注国家”中对某些国家安全技术与产品投资的条款》(Provisions Pertaining to U.S. Investments in Certain National Security Technologies and Products in Countries of Concern) | 本最终规则落实了第14105号总统行政命令,要求美国公民在与“关注国家”中从事敏感技术领域的实体进行交易时,必须向财政部进行通报,并在某些情况下禁止交易,该命令发布于2023年,所涉风险技术领域包括人工智能、半导体与量子计算。美国政府认为,对这些领域的投资可能提升敌对国家对美国家安全构成威胁的能力。 |\\n\\n%E7A7A9\\n\\n* * *\\n\\n11\\n6.3 人工智能公共投资\\n\\n随着人工智能持续推动医疗、交通、国防等关键领域的创新，公共资金已成为各国实现其人工智能战略的关键支柱。了解各国政府在人工智能研究与开发上的投入，对于理解更广阔的地缘政治人工智能格局至关重要，但对这些投资进行追踪仍面临重大挑战。尽管国家预算可能会列出与人工智能相关的支出项目，但这些预算拨款并不总能直接反映为实际支出。此外，\\n人工智能投资往往被嵌套在更广义的科学或技术倡议中，导致精准识别人工智能专属资金配置变得较为困难。\\n\\n为解决这一问题，人工智能指数使用自然语言处理（NLP）\\n技术分析了各国公开发布的招标与合同文件，从中识别与人工智能相关的政府支出。1A这种对招标文件的分析方式，能更直接反映投资趋势，也更好展现政府随时间推移如何配置资源。由于人工智能指数仅分析了公开披露合同和招标数据的国家，\\n一些国家因此未被纳入分析范畴。13本节还单独分析了美国在人工智能领域的科研拨款支出总额。\\n\\n人工智能指数报告特别提醒：基于本节公布的政府支出数据进行跨国直接比较需谨慎。尽管本次分析涵盖了多国政府合同数据，但仅包含美国联邦层面的科研资助支出数据。这种数据不对称性源于从欧盟、中国等其他国家和地区获取可比性资\\n\\n助数据的复杂性和难度。以美国为例，政府人工智能指数支出中科研资助占据重要比重。2023年，据人工智能指数估算，美国政府人工智能指数相关公共合同金额约8.3亿美元，而同期人工智能指数相关科研资助高达45亿美元。鉴于当前跨国数据可获性和一致性的局限，进行各国人工智能指数公共支出的比较分析仍为时过早。本项研究旨在为建立更全面的全球数据覆盖迈出第一步。人工智能指数报告将持续推进这项工作，并欢迎有意提升数据范围和质量的研究人员、机构及政府开展合作。\\n\\n* * *\\n\\n人工智能公共投资总额\\n\\n图6.3.1总结了各国人工智能相关合同数量及其价值的核心数据。14 从2013年至2023年，美国在人工智能公共投资方面位居全球首位，共签订2678份独立人工智能合同，总金额约为52亿美元（图6.3.1和图6.3.2）。在欧洲，英国、德国和\\n\\nA9:B6A9AB 年部分国家人工智能相关公共合同支出总额资料来源：2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数报告\\n\\n法国的人工智能合同总价值最高，合计占欧洲公共人工智能投资的56%。在欧洲，英国、德国和法国的人工智能合同总价值最高，合计占欧洲公共人工智能投资的56%。\\n\\n人工智能相关公共合同支出（单位：百万美元）\\n\\n14、所提供的结果和数字受特定匹配投标样本缺失值比率的影响：NAICS 代码为 0.16%，美元价值为 26.8%。值得注意的是，样本中不包括北爱尔兰的投标书，因为其办事处不提供 API 服务或批量下载选项以进行大规模数据收集。\\n\\n* * *\\n\\n第六章：政策与管理\\n\\nA9:B6A9AB 年部分国家人工智能相关合同总数\\n\\n资料来源：2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数报告\\n\\n与人工智能有关的合同数量\\n\\n%E7B7A\\n\\nA9:B6A9AB 年部分国家人工智能相关公共合同的中位数金额\\n\\n与人工智能相关的公共合同中值（单位：百万美元）\\n\\n* * *\\n\\n第六章：政策与管理\\n\\n6.3 人工智能公共投资\\n\\n过去十年间，哪些国家在人工智能领域的投入最高？美国以每 10 万居民投入 158 万美元位居榜首，芬兰（130 万美元）和丹麦（\\n130 万美元）紧随其后（图 6.3.4）。\\n\\nA9:B6A9AB 年，部分国家每 10 万居民在人工智能相关公共合同支出金额（合计）\\n资料来源：2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数报告\\n\\n每 10 万居民用于人工智能相关公共合同支出（单位：百万美元）\\n\\n* * *\\n\\n第六章：政策与管理\\n\\n图 6.3.5 展示了 2023 年人工智能领域的公共投资情况。美国的人工智能合同支出为 8.31 亿美元，远超其他国家，英国以 2.63 亿美元位列第二。虽然德国、西班牙、英国依然是欧洲\\n\\n投资大户，但罗马尼亚、希腊、匈牙利和波兰等以往排名靠后的国家也进入了前十。这一变化表明，人工智能资金在欧洲的分布趋于更加平衡。\\n\\n2023 年部分国家用于人工智能相关公共支出合同金额\\n\\n资料来源：2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数报告\\n\\n每 10 万居民用于人工智能相关公共合同支出（单位：百万美元）\\n\\n图 6.3.5\\n\\n* * *\\n\\n第六章：政策与管理\\n6.3 人工智能公共投资\\n\\n图6.3.6展示了美国与欧洲这两个人工智能投资重点地区在过去十年间的公共人工智能投资趋势。数据显示，两地区的人工智能相关支出均显著增长。尤其值得注意的是，2023年欧洲的人工智能投资总额较2013年增长约67倍，而美国则增长约15\\n倍。欧洲在2017年和2019年经历了特别显著的跃升：2017年同\\n\\nA9:B6A9AB 年美国和欧洲人工智能相关公共合同支出金额\\n\\n比增长400%，2019年再次上涨200%。值得一提的是，2019\\n年也是全球范围内国家人工智能战略发布数量达到峰值的一年。这一持续上升趋势清晰地说明了各国政府在财政上对人工智能的重视程度与投入意愿。\\n\\n资料来源：2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数报告\\n\\n图 6.3.6\\n\\n* * *\\n\\n第六章：政策与管理\\n6.3 人工智能公共投资\\n\\n图6.3.7呈现了美国与欧洲在人工智能公共支出方面的差额变化。数据显示，这一差距在2020年前持续扩大，但过去三年\\n\\n开始逐步缩小，表明欧洲国家正在逐步赶上美国在人工智能相关公共支出方面的步伐。\\n\\n2013--2023 年美国和欧洲在人工智能相关公共合同支出差异资料来源：2025 年人工智能指数\\\\|图表·2025 年人工智能指数报告\\n\\n人工智能相关公共合同支出（单位：百万美元）\\n\\n249.60\\n\\n图6.3.7\\n\\n目录第六章预览\\n358\\n\\n* * *\\n\\n第六章：政策与管理\\n6.3 人工智能公共投资\\n\\n图6.3.8展示了2013年至2023年欧洲五大主要国家——比利时、法国、德国、西班牙和英国的人工智能相关公共支出数据显示投资呈现稳定增长趋势，并伴有周期性峰值。其中，德国在2018年11月发布国家人工智能战略后，于2019年实现显著增长。英国则在2021年和2023年出现两次人工智能公共投资的急剧上升，这与其人工智能委员会提出的国家战略密切相关——该独立专家委员会成立于2019年，旨在为政府提供建议并对人工智能生态系统进行高层指导。相比之下，比利时、法国和西班牙的增长幅度较为温和但保持稳定态势。\\n\\n2013-2023 年欧洲五大主要国家用于人工智能相关公共合同支出金额资料来源：2025 年人工智能指数 图表：2025 年人工智能指数报告\\n\\n图6.3.8\\n\\n目录 第六章预览 359\\n\\n* * *\\n\\n第六章：政策与管理\\n6.3 人工智能公共投资\\n\\n2025年人工智能指数报告\\n\\n按机构与职能领域划分的人工智能公共支出分布\\n\\n美国与欧洲在人工智能公共招标投资的分布格局存在显著差异，这种差异源于双方在战略优先级与制度结构上的不同。如图6.3.9所示，自2013年以来，美国绝大多数人工智能相关合同由国防部签订，这与该机构在美国技术创新体系中长期扮演的核心角色相一致。2023年，美国人工智能相关公共合同中，国防部占比为75.04%。退伍军人事务部位列第二，占比为6.83%；财政部位居第三，占比为5.34%。\\n\\n退伍军人事务部在人工智能领域的投资主要集中在医疗和康复相关应用，包括基于人工智能的辅助诊断、机器人义肢研发以及心理健康支持系统的构建等方向。这些应用反映出该部门在推动智能医疗服务方面的持续投入。\\n\\n2013-2023 年按机构分类的人工智能相关科研拨款的公共支出（占总额的百分比）\\n资料来源：2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数报告\\n\\n图 6.3.9\\n\\n目录第六章预览\\n360\\n\\n* * *\\n\\n第六章：政策与管理\\n6.3 人工智能公共投资\\n\\n在欧洲，通过公共招标实现的人工智能投资呈现出与美国显著不同的模式。由于缺乏类似美国那样集中汇总的财政支出数据，人工智能指数采用了按主要职能类别对资助实体进行分类的方法，以分析欧洲的人工智能公共投资结构。如图6.3.10\\n所示，欧洲的人工智能投资在不同职能类别之间分布更加均衡。其中，2023年排名前三的资助领域为：一般公共服务、教育、医疗健康，三者合计占据了当年欧洲人工智能相关公共投资总额的约84%。在同一年，国防相关支出仅占全部人工智能公共招标投资的0.84%，这一比例与美国形成了鲜明对比。在美国，国防是人工智能资金的绝对主要接收方。\\n\\n2013-2023年，按资金提供机构分类，欧洲各国政府在人工智能相关公共合同支出（占总支出的百分比）\\n资料来源：2025年人工智能指数（图表：2025年人工智能指数报告）\\n\\n图6.3.10\\n\\n目录第六章预览\\n361\\n\\n* * *\\n\\n第六章：政策与管理\\n6.3 人工智能公共投资\\n\\n重点：\\n美国人工智能科研拨款分析\\n\\n公共拨款是政府支持人工智能项目和相关计划的重要渠道之一。通过此类拨款，公共机构可以直接投资于多种人工智能应用项目，例如，提升 X 光血管造影(X-ray angiography)的解读效果，构建用于自动化土壤监测的人工智能驱动无人机系统。开发可解释的机器学习工具等，政府可通过向国家科学基金会(NSF)或卫生与公众服务部(HHS)，其包括国家卫生研究院(NIH)等机构提供研究拨款，以支持专注于人工智能的科研项目。在本节中，人工智能指数对美国政府在人工智能相关专项中的拨款数据进行了分析。与前文一致，人工智能指数同样采用自然语言处理(NLP)方法来识别人工智能相关拨款项目。15\\n\\n图 6.3.11展示了2013年至2023年美国人工智能相关拔款支出的汇总数据。在此期间，美国联邦政府累计向人工智能相关研究项目拨款总额约197亿美元。\\n\\n2013-2023 年美国人工智能相关拨款金额统计资料来源：2025 年人人工智能指数表；2025 年人人工智能指数报告\\n\\n资助金额统计 价值资助项目数量 18,399\\n总金额（百万美元） 19,748.44\\n中位数（单位：千美元） 247.53\\n平均金额（单位：千美元） 1,073.34\\n人均资助额（千美元/10万人） 5,965.769\\n\\n图 6.3.12展示了美国人工智能拨款随时间的变化趋势。2013年至2023年间，美国人工智能科研拨款总额增长近19倍，从最初的2.3亿美元上升至45亿美元。在2014年至2020年期间，拨款年均增长率约为40%。这一下拨款规模的迅速扩张，与人工智能技术在过去十年间的持续演进密切相关。特别是在深度学习、自然语言处理以及计算机视觉等核心领域取得关键性进展的背景下，公共部门对于人工智能具体应用场景中的部署需求不断上升，进而推动了政府对相关研究项目的持续加码投入。\\n\\n2013-2023 年按机构分类的人工智能相关科研拨款的公共支出（占总额的百分比）\\n资料来源：2025 年人人工智能指数图表；2025 年人人工智能指数报告\\n\\n目录 第六章预览 342\\n\\n* * *\\n\\n第六章：政策与管理\\n6.3 人工智能公共投资\\n\\n2025年人工智能指数报告\\n\\n重点：\\n美国人工智能科研资助分析（续）\\n\\n图6.3.13展示了2013年至2023年间，美国人工智能相关拔款在各资助机构之间的分布情况。其中，卫生与公众服务部所获得的拨款比例最高，达43.6%，其次为国家科学基金会，占27.9%，商务部位列第三，占5.4%。\\n\\n2013-2023 年按机构分类的人工智能相关科研拨款的公共支出（占总额的百分比）\\n资料来源：2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数报告\\n\\n卫生和公众服务部 43.57%\\n国家科学基金会 2799%\\n其他机构 16.06%\\n商务部 5.38%\\n国防部 2.62%\\n农业部 1.87%\\n能源部 1.47%\\n国家航空航天局 1.12%\\n0% 5% 10% 15% 20% 25% 30% 35% 40% 45%\\n\\n人工智能相关科研拨款的公共支出（占总额的百分比）\\n\\n图6.3.13\\n\\n目录第六章预览\\n363\\n\\n* * *\\n\\nAI\\n2025年人工智能指数报告\\n\\n第七章：\\n教育\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第七章：教育\\n\\n概述 366\\n章节要点 367\\n\\n7.1背景介绍 368\\n\\n7.2 K-12阶段的计算机科学与人工智能教育 369\\n美国 369\\n基础计算机科学教育 369\\n高阶计算机科学教育 373\\n教育标准与政策指导 376\\n教师视角 377\\n全球现状 379\\n普及情况 379\\n政策指导 380\\n\\n7.3高等教育阶段的计算机科学与人工智能教育 382\\n学位授予情况 382\\n美国 382\\n全球 388\\n指导政策 392\\n\\n7.4展望未来 393\\n\\n获取公共数据\\n\\n目录 第七章预览 378\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第七章：\\n教育\\n\\n概述\\n\\n人工智能通过生成式人工智能对工作的影响——提升效率、实现任务自动化——\\n已进入公众视野，同时也推动了教育领域个性化学习的创新。然而这项技术虽前景广阔，\\n却暗藏风险：从生成虚假输出的“幻觉问题”，到强化社会偏见、削弱批判性思维。随着人工智能教育市场规模预计将大幅增长，技术滥用引发的伦理问题日益凸显——人工智能工具曾错误指控边缘化学生作弊的事件，正警示着负责任的技术开发与部署的紧迫性。\\n\\n应对这些挑战需要技术素养与批判性审视社会影响的双重能力。培养 AI 专业人才必须从 K-12 阶段基础教育与高等教育着手，确保学生成为负责任的使用者与开发者。人工智能教育不能孤立存在——必须与更广泛的计算机科学（CS）教育体系协同发展。本章节将审视全球人工智能与计算机科学教育发展现状、教育机会差异，以及塑造人工智能教育角色的政策框架。\\n\\n本章节由卡普尔基金会、计算机科学教师协会（CSTA）、公共利益技术大学联盟\\n(PIT-UN) 与人工智能指数联合撰写。卡普尔基金会致力于种族平等与技术创新的交叉领域，通过构建公平包容的计算教育路径、推进减轻技术危害并促进机会平等的政策、部署资本支持负责任且符合伦理的技术方案来实现使命。计算机科学教师协会作为全球会员组织，通过团结、支持并赋能教育工作者来提升计算机科学教育的质量、可及性与包容性。公共利益技术大学联盟（PIT-UN）则促进高校间合作，共同建设公共利益技术领域，培养心系公共利益的新一代技术人才。\\n\\n目录第七章预览\\n378\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第七章：\\n教育\\n\\n章节要点\\n\\n1. 美国高中计算机科学(Computer Science, CS)课程的普及率与选修人数较上一学年略有提升，但教育差距依然存在。学生的参与情况因州、种族和民族、学校规模、地理位置、收入、性别和残疾而异。\\n\\n2. 美国计算机科学的教师希望传授人工智能，但认为自己不具备这样的能力。尽管 81% 的计算机科学教师认同应将人工智能应用及人工智能基础知识纳入计算机科学基础课程体系，但仅有不足半数的高中计算机科学教师认为自己具备开展人工智能教学的专业能力。\\n\\n3. 全世界有三分之二的国家提供或计划提供 K-12 阶段的计算机科学教育。自 2019 年以来，这一比例翻了一番，其中非洲和拉丁美洲国家进展最为显著。然而，由于学校缺乏电力供应，非洲国家学生获得计算机科学教育的机会最少。\\n\\n\\n4.2022 年至 2023 年期间，美国获得人工智能硕士学位的毕业生人数几乎翻了一番。尽管人工智能在学士学位和博士学位中的关注度提升较为缓慢，但硕士学位的激增可能预示着所有学位层次都将出现这一发展趋势。\\n\\n5. 在培养信息、技术和通信技术(ICT)毕业生方面，美国持续处于全球领先地位。西班牙、巴西和英国紧随美国之后，成为各层次毕业最多的国家，而土耳其则是男女比例最均衡的国家。\\n\\n目录第七章预览\\n378\\n\\n* * *\\n\\n第七章：教育\\n7.1 背景介绍\\n\\n7.1 背景介绍\\n\\n要深入把握当前人工智能教育的发展态势，必须对教育领域的人工智能应用、人工智能素养教育以及人工智能专业教育这三者作出明确界定（图 7.1.1）。教育领域的人工智能应用主要指人工智能技术在教学过程中的实际运用；人工智能素养教育则侧重于培养对人工智能技术的基本认知能力，包括理解其运作机制、掌握使用方法以及认识潜在风险；而人工智能专业教育不仅包含上述素养要求，更致力于培养学生开发人工智能系统所需的专业技术能力，例如支撑人工智能技术的数据分析能力、数据偏差的识别与修正等关键技能，本章节所采用的数据指标主要针对人工智能专业教育这一范畴。\\n\\n教育领域的人工智能应用在教学与学习中使用人工智能工具\\n\\n人工智能素养教育对人工智能的基础理解，\\n包括其工作原理、使用方法及使用风险\\n\\n人工智能专业教育人工智能素养构建人工智能所需的技术技能\\n\\n图 7.1.1\\n\\n目录第七章预览\\n378\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第七章：教育\\n7.2 K-12阶段的计算机科学与人工智能教育\\n\\n全球在构建一个具备韧性与多样性的劳动力队伍方面面临严峻挑战，尤其是在基建设施、资源获取、课程参与等方面存在巨大差异，而这些差异进一步加剧了K-12阶段学生在迈向科技驱动未来中的不平等起点。尽管由于数据收集与指标设定缺乏标准化，问题的实际规模难以精准估算。本节仍聚焦于计算技术教育早期环节，结合现有的全球数据审查当前K-12阶段的计算机科学及人工智能教育现状。\\n\\n7.2 K-12 阶段的计算机科学与人工智能教育¹\\n美国\\n\\n在探讨美国人工智能教育的普及程度与教育质量之前，有必要先回顾其在计算机科学教育方面的历史演进。自2016年奥巴马总统发超“全民计算机科学教育”倡议以来，联邦政府投入数十亿美元，旨在确保所有K-12学生皆具备计算机科学学习机会，以培养他们成为数字经济的创造者与科技社会中的负责任公民，该项拨款重点支持专业教师培训、教学资源优化及区域合作机制建设，以扩大计算机科学教育的覆盖面。国家科学基金会（NSF）也主导开发与推行两门新课程——《探索计算机科学》和《AP计算机科学原理》，以吸引更广泛的学生群体参与计算教育。同时，科技产业界与慈善机构亦共同出资，推动全国性项目，\\n使数以百万计的学生得以接触计算机科学教育。\\n\\n基础计算机科学教育\\n\\n过去十年中，教育倡导者敦促政策制定者通过立法改善计算机科学教育的普及。这一系列努力已取得初步成效：2017-2018学年，仅有35%的美国高中开设计算机科学课程；而到了2023-2024学年，该比例已上升至60%。然而，国家层面的整体数据仍可能掩盖不同州之间的差异，例如，阿肯色州与马里兰州的所有高中（100%）皆开设计算机科学课程，而蒙大拿州的覆盖率仅为31%(图7.2.1)\\n\\n2024年各州公立高中开设计算机科学基础课程的比例（占该州高中总数的百分比）\\n资料来源：Cook.org, CSTA, and ECEP Alliance, 2024 \\\\| 图表：2025年人工智能指数报告\\n\\nAK 91\\nWA 50 MT 31 ND 47 SD 61 MN 36 WI 52 MI 54\\nVT 72 NH 95 MA 83\\nNY 52 CT 84 RI 83\\nOR 60 ID 40 WY 74 NE 84 IA 84 JL 60 IN 91 OH 61 PA 75 NJ 86\\nCA 82 UT 61 CO 69 KS 35 MD 80 KY 76 WW 79 DC 53 MD 100 DE 61\\nNV 95 UT 61 CO 69 KS 35 MD 80 KY 76 WW 79 DC 53 MD 100 DE 61\\nAZ 43NM 94OK 64AR 100TN 64VA 69NC 91\\nTX 86LA 39MS 85AL 94GA 79SC 92\\n\\n图7.2.1\\n\\n1. 由于人工智能待机上高于计算机科学的分领域，本章节在缺乏人工智能专项数据时引用计算机科学教育数据。\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第七章：教育\\n7.2 K-12阶段的计算机科学与人工智能教育\\n\\n在公平接受计算机科学教育方面仍存在显著差距，部分学生群体被边缘化，2023—2024 年学年，部分学生群体的课程覆盖仍显不足：包括符合免费或减价午餐(FRL)资格的学生、小型\\n\\n学校学生、城市与乡村地区的学生，以及美洲原住民学生（图\\n7.2.2 至 7.2.5）。\\n\\n2024年按规模分类的开设计算机科学基础课程的学校资料来源：Code.org, CSTA, and ECEP Alliance, 2024 图表：2025 年人工智能指数报告\\n\\n图 7.2.2\\n\\n2024年按地理区域划分的开设计算机科学基础课程的学校资料来源：Code.org, CSTA, and ECEP Alliance, 2024 图表：2025 年人工智能指数报告\\n\\n图 7.2.3\\n\\n2024年按免费和减免午餐学生人数分类的开设计算机科学基础课程的学校资料来源：Code.org, CSTA, and ECEP Alliance, 2024 图表：2025 年人工智能指数报告\\n\\n图 7.2.4\\n\\n享受免费和减免午餐的学生百分比\\n\\n目录第七章预览\\n378\\n\\n* * *\\n\\n第七章：教育\\n7.2 K-12阶段的计算机科学与人工智能教育\\n\\n2024 年按种族/族裔分类的学习计算机科学基础课程的情况资料来源：Code.org, CSTA, and ECEP Alliance, 2024 \\\\| 图表：2025 年人工智能指数报告\\n\\n此外，根据41个州的学生参与数据，\\n计算机科学课程的实际选修情况亦显不足。2020-2021学年，仅有5.1%的高中生参与了计算机科学课程；至2023-2024学年，该比例仅微幅上升至6.4%。各州之间的参与差异同样显著——例如南卡罗来纳州有26%的高中生参与计算机科学课程，而佛罗里达州、亚利桑那州与爱达荷州的参与率仅为2%(图7.2.6)\\n\\n2024年高中计算机科学专业招生人数占学生总数的比例资料来源：Code.org, CSTA, and ECEP Alliance, 2024 \\\\| 图表：2025年人工智能指数报告\\n\\nAK\\nWA 5%\\nMT 4%\\nND 5%\\nSD MN 2%\\nWI 4%\\nMI\\nOR 7%\\nID 2%\\nWY 9%\\nNE 4%\\nIA 5%\\nL 7%\\nIN 7%\\nOH\\nPA 6%\\nNU 9%\\nDE 5%\\nCA NV\\nUT 13%\\nCO KS 3%\\nMO 3%\\nKY 11%\\nWW 4%\\nDC\\nMD 10%\\nNC 5\\nAZ 2%\\nNM 3%\\nOK 5%\\nAP 20%\\nTN 6%\\nVA 5%\\nGA 7%\\nSC 26%\\nHI 4%\\nFL 2%\\n\\n图7.2.6\\n\\n目录第七章预览\\n371\\n\\n* * *\\n\\n第七章：教育\\n7.2 K-12阶段的计算机科学与人工智能教育\\n\\n按种族和族裔划分的计算机科学课程参与数据显示，推广工作的确在一定程度上提高了非洲裔、美洲原住民 / 阿拉斯加原住民以及白人学生的参与度，在全国范围内接近甚至超过其人口占比（图 7.2.7）。然而，据数据不完整（尤其缺少九个州的数据）\\n也提醒我们应谨慎解读整体趋势。女性学生在计算机科学课程中的参与度明显低于其在K-12阶段人口中的比例。此外，拉丁裔与太平洋岛裔学生、持有个性化教育计划(IEP)学生、FRL\\n学生以及英语学习者在全国范围内均呈现参与不足的趋势（图\\n7.2.7 与图 7.2.8）。\\n\\n2024年按种族／族裔分类计算机科学公立高中入学率与全国人口统计数据对比资料来源：Code.org, CSTA, and ECEP Alliance, 2024 图表：2025 年人工智能指数报告\\n\\n亚洲人黑人 / 非洲裔美国人西班牙裔 / 拉美裔 / 拉丁裔 / 拉美人美国原住民 / 阿拉斯加夏威夷原住民 / 太平洋居民两个及以上种族白人\\n\\n计算机科学专业入学率与全国人口统计的比率\\n\\n图7.2.7\\n\\n目录第七章预览\\n372\\n\\n* * *\\n\\n第七章：教育\\n7.2 K-12阶段的计算机科学与人工智能教育\\n\\n2024年按子群体划分的计算机科学公立高中入学率与全国人口统计数据对比资料来源：Code.org, CSTA, and ECEP Alliance, 2024\\\\] 图；2025 年人工智能指数报告\\n\\n经济困难\\n0.72\\n英语语言学习者\\n0.64\\n女孩\\n0.65\\n504计划的学生\\n1.33\\n有个人教育计划的学生\\n0.67\\n0.00\\n0.50\\n1.00\\n1.50\\n计算机科学专业入学率与全国人口统计的比率\\n\\n图 7.2.9²\\n\\n高阶计算机科学教育为提升学生在人工智能领域的能力，仅提供基础课程远远不够，还需确保其能接触更高阶的课程内容。尽管当前的 AP 计算机科学 A(AP CS A)课程并未明确覆盖人工智能内容，但《AP 计算机科学原理》(AP CS Principles, AP CS P)课程已开始纳入相关主题。因此，AP CS P具备潜力，可让更广泛的学生群体初步接触人工智能相关知识。尽管参加 AP CS 考试的学生总人\\n\\n数呈现持续增长（图 7.2.9），但就整体学生人口的种族与族裔构成而言，各群体参与情况仍存在失衡（图 7.2.10 和图 7.2.11）。具体而言，亚裔学生、白人男生以及多种族学生在 AP CS 考试中比例显著偏高，而其他学生群体的参与程度则明显不足（图 7.2.12）。\\n\\n2. 504 计能为 (1073 年康爱法第) 第 504 节所示规定，保障聘用学生在教育科研中的平等机会；而 IEP（个别化教育计划）则依据《残障人士教育法案》，为有特殊需要的学生量身定制教育方案，具有法律效力。\\n\\n目录第七章预览\\n373\\n\\n* * *\\n\\n第七章：教育\\n\\nA99F6A9AB 年参加 AP 计算机科学考试的人数\\n\\n资料来源：Code.org, CSTA, and ECEP Alliance, 2024\\\\| 图表：2025 年人工智能指数报告\\n\\n%F7A7H\\n\\nA99F6A9AB 年按种族 / 族裔分类的 AP 计算机科学考试参加情况\\n\\n%F7A7:9\\n\\n* * *\\n\\n第七章：教育\\n\\n7.2 K-12 阶段的计算机科学与人工智能教育\\n\\nA99F6A9AB 年按种族 / 族裔分类的参加 AP 计算机科学考试的学生人数（占答卷学生总人数的百分比）\\n资料来源：Code.org, CSTA, and ECEP Alliance, 2024\\\\| 图表：2025 年人工智能指数报告\\n\\n%F7A7::\\n\\nA9AB 年按种族 / 族裔分类的 AP 计算机科学考试参与率与全国人口统计对比情况\\n\\n参加 AP 计算机科学考试的人数与全国人口的比例\\n\\n* * *\\n\\n第七章：教育\\n\\n7.2 K-12 阶段的计算机科学与人工智能教育\\n\\n教育标准与政策指导\\n\\n迄今为止，美国联邦层面的政策指导主要聚焦于 “教育中的人工智能”（AI in education），而非 “人工智能教育”（AI\\neducation）。2023 年与 2024 年，美国教育部教育技术办公室发布了一系列有关教育中人工智能应用的报告。其中一份面向教育技术开发者，另外两份则面向教育工作者、教育管理者以及政策制定者。最新的一份报告于 2024 年 10 月发布，旨在为\\nK–12 阶段学校提供关于人工智能安全与有效实施的政策建议。\\n\\n截至 2025 年 1 月，美国已有 26 个州发布了有关“教育中人工智能应用” 的指导性文件。尽管计算机科学与人工智能教育在内容上存在大量重叠，且教师在实际教学中常常交叉涵盖两者，但 K–12 阶段的计算机科学课程标准中涉及人工智能的内容极为有限。由计算机科学教师协会（CSTA）于 2017 年发布\\n\\n美国各州采用人工智能特定的 e6:A 阶段阶段计算机科学标准资料来源 : CSTA and IACE, 2024 \\\\| 图表：2025 年人工智能指数报告\\n\\n的 K–12 阶段计算机科学课程标准中，仅在高中高年级设有两条标准明确要求学生具备人工智能相关知识。然而，该标准仍对人工智能教育的基础知识与技能提供了支撑，涵盖感知、数据结构与算法等主题。美国在 K–12 阶段所采纳的计算机科学课程标准，平均覆盖了 CSTA 标准中相同子概念的 97%，显示出国家层面的教学内容高度一致性。在 44 个已采纳 K–12 CS\\n标准的州中，有 33 个州设定了与人工智能相关的课程标准。这些标准通常内容简略，符合 CSTA 框架，且主要集中于高中阶段（图 7.2.13）。3其中，科罗拉多州（2024 年）、佛罗里达州\\n（2024 年）、俄亥俄州（2022 年）与弗吉尼亚州（2024 年）最近颁布了覆盖K–12全阶段、内容更为详尽的人工智能课程标准；\\n阿肯色州则为高中阶段的人工智能与机器学习课程制定了独立标准。\\n\\n3、本项目由美国国家科学基金会（NSF）资助，资助号为 2311746。本材料中表述的任何观点、发现、结论或建议均为作者个人观点，不代表美国国家科学基金会的观点。\\n\\n* * *\\n\\n第七章：教育\\n\\n7.2 K-12 阶段的计算机科学与人工智能教育\\n\\n教师视角\\n\\n为了探讨计算机科学教师在人工智能教育中的认知与实践，计算机科学教师现状调查收集了全国 2,901 名学前教育至\\n12 年级计算机科学教师的数据（其中 33% 的受访者为小学教师 ,36% 为初中教师 ,51% 为高中教师）。4 5\\n\\n随着人工智能教育在未来劳动力发展中愈发重要，评估现有教师群体的准备状况变得尤为关键。尽管 81% 的计算机科学教师认为人工智能应被纳入计算机科学基础教育体系中，但仅有 46% 的高中教师、44% 的初中教师与 34% 的小学教师表示自己具备传授人工智能的能力（图 7.2.14）。\\n\\n当被问及实际教授的内容时，超过三分之二的初中与高中计算机科学教师表示尽管课程标准中并未明确规定，他们仍在课堂中主动涵盖 AI 内容，而小学教师中这一比例为 65%（图\\n7.2.15）。除此之外，更多教师表示他们涵盖了与人工智能相关的各类内容，如算法、计算系统、计算思维以及编程。\\n\\n按年级分类，认为自己有能力传授人工智能的教师百分比资料来源：计算机科学教师现状调查，2024\\\\| 图表：2025 年人工智能指数报告\\n\\n按年级划分的计算机科学课堂中教授的人工智能概念\\n\\n资料来源：计算机科学教师现状调查，2024\\\\| 图表：2025 年人工智能指数报告\\n\\n%F7A7:C\\n\\n%F7A7:D\\n\\n* * *\\n\\n第七章：教育\\n\\n7.2 K-12 阶段的计算机科学与人工智能教育\\n\\n在2,245名在课堂中传授人工智能内容的教师中，大多数每门课花费在该主题上的时间不足五小时。小学教师所投入时间最少，70%仅教授1至2小时（图7.2.16）。\\n\\n按年级分类学生在计算机科学课堂上学习人工智能所花费的时间资料来源：计算机科学教师现状调查，2024\\\\| 图表：2025 年人工智能指数报告\\n\\n%F7A7:E\\n\\n在谈及人工智能在课堂中的主要益处时，教师普遍认为其有助于提升教学效率、实现因材施教、改善学生的学业支持机制，并为学生的未来做好准备。然而，当被问及潜在风险时，教师最担忧的问题则包括人工智能滥用（尤其涉及学术诚信）、技术对学生学习与参与度的削弱、对人工智能的过度依赖、人工智能生成虚假信息与复制偏见的风险，以及学生隐私等伦理问题。\\n\\n在谈及人工智能在课堂中的主要益处时，教师普遍认为其有助于提升教学效率、实现因材施教、改善学生的学业支持机制，并为学生的未来做好准备。然而，当被问及潜在风险时，教师最担忧的问题则包括人工智能滥用（尤其涉及学术诚信）、技术对学生学习与参与度的削弱、对人工智能的过度依赖、人工智能生成虚假信息与复制偏见的风险，以及学生隐私等伦理问题。\\n\\n为了使学生能够负责任地使用人工智能，教师群体本身也需要接受技能提升。2024 年一项针对 364 位计算机科学教师的调查显示，88% 的受访者表示急需获得更多人工智能相关的专业发展资源。具体而言，教师认为他们亟需提升自身在人工智能领域的素养，包括了解人工智能的工作机制、使用方式与伦理影响。\\n\\n* * *\\n\\n第七章：教育\\n\\n7.2 K-12阶段的计算机科学与人工智能教育\\n\\n全球现状\\n\\n截至目前，明确在国家课程中纳入人工智能教育的国家仍属少数（如加纳、韩国与荷兰）；多数国家虽在教育战略层面强调人工智能教育的重要性，但尚未提出具体的实施方案。由于历史上人工智能教育往往被纳入计算机科学（CS）或信息与通信技术（ICT）教育体系之中，故在本节分析中，以CS和/或 ICT教育的普及程度作为人工智能教育发展的替代指标。然而，与追踪美国计算机科学教育发展所面临的挑战类似，在解读全球教育指标时也需保持审慎态度，因为计算机科学（CS）与信息通信技术（ICT）教育常被混同为数字素养或计算机素养教育。6\\n\\n普及情况\\n\\n截至2024年，全球约有三分之二的国家已实施或计划实施计算机科学教育（图7.2.17）。其中，约 30%的国家将计算机科学教育设为小学和/或中学阶段的必修课程，且欧洲是实施此类政策国家数量最多的地区。过去五年内，全球各大洲在推广计算机科学教育方面均取得了不同程度的进展，非洲与拉丁美洲的增长尤为显著（图7.2.18）。尽管如此，非洲国家的学生依然是全球范围内最难获得计算机科学教育机会的群体。造成这一现象的主要原因在于基础设施匮乏：截至2023年，撒哈拉以南非洲地区仅有 34% 的小学具备电力供应，这一现实不仅制约了学生的计算机基础技能培养，更进一步阻碍了计算机科学与人工智能课程的实施。\\n\\n2024年按国家分类的计算机科学教育普及情况\\n\\n数字素养指\\\"运用信息通信技术查找、评估、创建和传递信息的能力，需兼具认知与技术技能\\\";计算机素养则指\\\"对计算机及生产力软件等程序的通用操作能力\\\"。\\n\\n图7.2.17\\n\\n* * *\\n\\n第七章：教育\\n\\n全球范围内，由于缺乏标准化的数据收集机制，追踪人工智能教育进展面临挑战。语言障碍及各国实施情况更新滞后，进一步加大了跨国精准监测的难度。\\n\\nA9:H 年与 A9AC 年按大洲分类的接受计算机科学教育的变化\\n\\n资料来源：Raspberry Pi 计算教育研究中心，2024\\\\| 图表：2025 年人工智能指数报告\\n\\n提供计算机科学教育的国家百分比\\n\\n%F7A7:G\\n\\n政策指导\\n\\n在全球范围内，各国在发展“人工智能教育标准”方面的推进速度显著落后于 “教育中人工智能应用” 的政策制定。截止\\n2024 年 11 月，共有 10 个国家发布了人工智能教育相关的指导文件，分别为：澳大利亚、比利时、加拿大、日本、新西兰、韩国、乌克兰、英国、美国与乌拉圭。这一发展轨迹并不令人意外，\\n各国就人工智能在教育领域的政策与指南制定已展开长达十年的探讨。早在 2015 年，联合国教科文组织的成员国便在全球\\n\\n层面承诺推动科技发展，以确保“包容与公平的优质教育，并促进全民终身学习机会”（即可持续发展目标 4）。随后，教科文组织于 2019 年发布《北京共识：人工智能与教育》，旨在提出具体建议，引导各国在 2030 年前实现全民公平获取优质教育的目标（详见《教育 2030 议程》）。在这一框架中，有四项关于\\nK–12 阶段教育政策与执行层面的指导意见明确涉及人工智能相关内容。\\n\\n* * *\\n\\n第七章：教育\\n\\n7.2 K-12 阶段的计算机科学与人工智能教育\\n\\n与 AI4K12 倡议相似，国际组织也正积极构建人工智能教育课程框架，以供各国采纳与本地化应用。AI4K12 提出的 “五大核心理念”（Five Big Ideas in AI）成为当前 K–12 阶段人工智能教育的重要内容组织框架（图 7.2.19）。2023 年，联合国教科文组织发布了面向学生与教师的人工智能能力框架。学生框架涵盖四大核心能力：以人为本的价值观、人工智能伦理、人工智能技术与应用，以及人工智能系统设计。在每一项能力中，\\n学生需经历“理解、应用、创造”的认知递进过程。在欧盟层面，\\n多数成员国采用 DigComp 2.2 框架，作为提升公民数字能力的重要指南，并结合计算机科学学习目标推动学生数字素养的全面发展。DigComp 2.2 的最新版内容已包括关于与人工智能互动所需知识、技能与态度的建议，尽管其并未明确纳入教授公民构建人工智能系统的相关指导。\\n\\nRcCe:A 指导方针围绕人工智能领域的五大理念展开资料来源：AI4K12，2024\\n\\n7、注：图 7.2.19 介绍了 “五大核心”，这五个核心理念分别如下：1. 感知（Perception），计算机通过传感器感知世界。2. 表征与推理（Representation and Reasoning），智能体维护世界的表征，并利用这些表征进行推理。3. 学习（Learning），计算机可以从数据中学习。4. 自然交互（Natural Interaction），智能体需要多种知识以自然地与人类互动。5. 社会影响（Societal Impact），人工智能可能以积极或消极的方式影响社会。\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第七章：教育\\n7.3 高等教育阶段的计算机科学与人工智能教育\\n\\n人工智能将在美国劳动力结构和经济未来中所扮演的角色尚未完全明确，但其影响预计将极为深远。当前，技术类从业者已在美国经济中占据重要地位，全国已有 960 万人在各行业担任技术岗位。尽管自动化所引发的就业替代问题令人担忧，但对人工智能相关岗位的需求——如数据库管理与数据基础设施解决方案——预计将持续增长，因此，全球必须共同致力于确保高等教育机构具备培训未来劳动力的能力，并进一步扩展计算技术人才培养体系。\\n\\n7.3 高等教育阶段的计算机科学与人工智能教育\\n\\n学位授予情况美国本节中关于美国高等教育阶段计算机科学与人工智能教育趋势的数据，主要来源于国家教育统计中心(NCES)。值得注意的是，学科分类标准(CIP)由该中心隶属于美国教育部制定，用于统一划分各类学术项目。自 2016 年起，人工智能相关课程被纳入 CIP 编码 11.0102、涵盖“以符号推理、知识表示和仿仿真为核心”的课程，重点在于通过计算机和软件模拟人类学习与推理的过程与能力，以及人类运动控制与动作的计算建模。相关课程内容包括计算理论、控制论、人因工程、自然语言处理，以及工程技术及具体应用领域中的相关知识。\\n\\n尽管过去十年来计算机科学副学士学位获得者数量大致保持稳定，部分社区学院已率先探索人工智能教育，开设了相关证书课程，以及人工智能与相关领域的副学士与学士学位项目（图\\n7.3.2）。代表性机构包括：马里科帕社区学院系统(Maricopa)、休斯敦社区学院(Houston Community College)、迈阿密五所高校依次为：Western Governors University、加州大学伯克利分校、南新罕布什尔大学、德州大学达拉斯分校以及密歇根大学。8 尽管人工智能在学士层面的增长尚需时间体现（因其学制通常为四年），人工智能领域的快速扩张已在硕士阶段显现出来：2022 至 2023 年间计算机科学硕士毕业生数量增长了 26%，过去十年累计增长达 83%。\\n\\n8. Western Governors University 和南新罕布什尔大学主要在线教育机构。\\n\\n目录第七章预览\\n382\\n\\n* * *\\n\\n第七章：教育\\n7.3 高等教育阶段的计算机科学与人工智能教育\\n\\n2013-2023年美国高等教育阶段计算机科学毕业生人数资料来源：国家教育统计中心高等教育综合数据系统，2013-2023年\\\\|图表：2025年人工智能指数报告\\n\\n874,365 学士学位\\n12,837 硕士\\n20,725 副学士\\n1,540 Phd\\n\\n尽管女性整体高等教育毕业率高于男性，但学位完成率数据显示女性在计算机科学领域中仍处于代表性不足的状态（图\\n7.3.2）。\\n\\n2023年按性别分类的美国高等教育阶段计算机科学毕业生资料来源：国家教育统计中心高等教育综合数据系统，2013-2023年\\\\|图表：2025年人工智能指数报告\\n\\n百分人工智能毕业生人数男性 女性\\n\\n77%\\n22%\\n78%\\n22%\\n69%\\n32%\\n76%\\n22%\\n0%\\n副学士 学士 硕士 Phd\\n\\n图7.3.1\\n\\n图7.3.2\\n\\n目录 第七章预览 383\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第七章：教育\\n7.3 高等教育阶段的计算机科学与人工智能教育\\n\\n非洲裔学生在计算机相关学科中所占比例为：本科阶段\\n8%，硕士阶段8%，博士阶段7%（图7.3.3）。拉丁裔学生在本科阶段占比为13%，在硕士阶段为8%，在博士阶段则下降至4%。相较之下，白人学生在本科阶段的占比为46%，在博士阶段超过半数（52%）。亚裔学生在高等教育阶段的计算机专业中则表现出显著的过度代表趋势，其在本科、硕士与博士阶段的占比分别为23%、28%与17%。\\n\\n2023 年拔种族/族裔分类的美国计算机科学与所有高等教育毕业生的对比（仅美国居民）\\n资料来源：国家教育统计中心中学后教育综合数据系统，2019-2023年 \\\\| 图：2025 年人工画像指数报告\\n\\n美国原住民/阿拉斯加 康人 西斑牙裔 NHPI 两个或以上 亚裔 白人 未知全部学士 CS 12% 27% 4% 52% 47% 4%\\n全部学士 CS 12% 20% 4% 12% 44% 6%\\n全部学士 CS 10% 18% 4% 9% 56% 8%\\n全部硕士 CS 8% 13% 4% 22% 46% 5%\\n全部硕士 CS 12% 13% 3% 8% 57% 6%\\n全部硕士 CS 8% 8% 3% 29% 40% 12%\\n全部博士 CS 10% 10% 3% 12% 59% 8%\\n全部博士 CS 8% 4% 9% 17% 52% 15%\\n\\n高等教育毕业生百分比\\n\\n图7.3.3\\n\\n计算机相关研究生项目中的学生大多数来自美国以外国家，这一比例在过去几年中持续上升。2023年，非本国居民占计算机硕士学位毕业生的67%，博士学位毕业生的60%。在2022年至2023年间，国际计算机科学硕士生人数增长超过两倍，从15,811人增至34,850人（数据来源：IPEDS）。其中，来自印度与中国的学生构成了该研究生群体的绝大多数，分别占国际计算机科学硕士生总数的93%（共95,130人）和国际CS博士生总数的60%（共13,070人）（图7.3.4与图7.3.5）。与此同时，开设人工智能专属学士学位课程的美国高校数量在2022年至2023年间几乎翻倍；提供人工智能专属硕士项目的院校数量亦呈现出显著增长（图7.3.6）。\\n\\n目录 第七章预览 384\\n\\n* * *\\n\\n第七章：教育\\n7.3 高等教育阶段的计算机科学与人工智能教育\\n\\n2022年美国高校国际计算机科学硕士在课人数资料来源：美国国家科学委员会；美国国家科学基金会，2022年 图表：2025 年人工智能指数报告\\n\\n印度 72.02\\n中国 13.10\\n中国软件城 1.18\\n合肥市 0.99\\n孟加拉国 0.68\\n巴日雅 0.96\\n南非 0.58\\n巴基斯坦 0.48\\n斯里兰卡 0.29\\n沙特阿拉伯 0.26\\n土耳其 0.23\\n加拿大 0.23\\n加纳 0.18\\n巴西 0.14\\n伊拉克 0.14\\n新加坡 0.10\\n日本 0.09\\n德国 0.08\\n法国 0.07\\n墨西哥 0.06\\n其他地点 3.14\\n国际计算机科学硕士生人数（千人）\\n\\n图7.3.4\\n\\n2022年美国高校国际计算机科学博士在课人数资料来源：美国国家科学委员会；美国国家科学基金会，2022年 图表：2025 年人工智能指数报告\\n\\n中国 5,130\\n印度 2,760\\n孟加拉国 980\\n伊拉克 680\\n韩国 390\\n沙特阿拉伯 370\\n尼罗尔 250\\n巴基斯坦 240\\n中国台湾地区 220\\n印度日喀则 190\\n越南 190\\n土耳其 160\\n菲律宾 130\\n葡萄牙 85\\n巴基斯坦 50\\n加纳 50\\n埃塞俄比亚 50\\n哥伦比亚 45\\n摩洛哥 40\\n墨西哥 30\\n其他地点 1,060\\n国际计算机科学博士生人数\\n\\n图7.3.5\\n\\n目录 第七章预览 385\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第七章：教育\\n7.3 高等教育阶段的计算机科学与人工智能教育\\n\\n2013-2023 年美国提供人工智能学士和硕士学位院校数量资料来源：国家教育统计中心中学后教育综合数据系统，2013-2023年\\\\|图表：2025 年人工智能指数报告\\n\\n图 7.3.6\\n\\n2022年至2023年间，获得人工智能硕士学位的学生人数出现显著增长（图7.3.7）。卡耐基梅隆大学作为当年人工智能专业毕业生人数最多的高校，其毕业人数在一年内实现翻番；\\n\\n与此同时，宾夕法尼亚州立大学则于2022年迎来了首届人工智能专业的毕业生（图7.3.8）。在此之前，卡耐基梅隆大学曾长期是为数不多开设人工智能专属学位项目的高校之一。\\n\\n2013-2023 年美国人工智能学士和硕士应届毕业生资料来源：国家教育统计中心中学后教育综合数据系统，2013-2023年\\\\|图表：2025 年人工智能指数报告\\n\\n图 7.3.7\\n\\n目录第七章预览\\n386\\n\\n* * *\\n\\n第七章：教育\\n7.3 高等教育阶段的计算机科学与人工智能教育\\n\\n按学位类型分类的 2023 年人工智能专业毕业生最多的高等教育机构⁹\\n资料来源：国家教育统计中心的《中学后教育综合数据系统》，2023年。\\n\\n人工智能本科毕业生卡内基梅隆大学 32\\n富勒塞尔大学 19\\n威斯康星康考迪亚大学 16\\n高等技术大学 10\\n宾夕法尼亚州立大学主校区 7\\n\\n人工智能硕士课程毕业生卡内基梅隆大学 178\\n宾夕法尼亚大学 98\\n北德克萨斯大学 76\\n东北大学 55\\n圣何塞州立大学 52\\n\\n人工智能博士课程毕业生卡内基梅隆大学 28\\n国会技术大学 4\\n匹兹堡大学匹兹堡校区 1\\n\\n图 7.3.8\\n\\n9. 本刊仅包括使用人工智能专业 CIP 代码大学，而不是使用一般 CS 代码的大学。然而，全球许多学习人工智能的学生很可能就读于更广泛的 CS。\\n\\n目录 第七章预览 387\\n\\n* * *\\n\\n第七章：教育\\n7.3 高等教育阶段的计算机科学与人工智能教育\\n\\n全球\\n\\n在全球范围内，尚无任何单一数据集能够对所有国家的人工智能或计算机科学高等教育状况进行统一且标准化的统计。然而，经济合作与发展组织(OECD)已整合了其成员国及若干非成员国的相关数据，用以提供一定程度上的比较基础。10其中，教育统计的国际标准分类(ISCED)被用于进行跨国对比，该分类体系亦为OECD评估全球教育进展的基准。信息与通信技术（ICT）涵盖“信息学、信息与通信技术及计算机科学”等研究领域，其核心内容涵盖一系列新兴技术，涉及数字信息的处理与传输，包括计算机、计算机网络（如互联网）、微电子学、多媒体、软件及程序设计等方面。\\n\\n在该数据集中，美国依然是信息与通信技术相关领域的全球领导者，其在副学士、学士、硕士及博士层级的毕业生数量均高于其他任何国家（见图7.3.9至图7.3.12）。尤其值得注意的是，在副学士、硕士与博士层级，美国的毕业生人数超过第二位国家的两倍；在学士层级，美国的毕业生人数接近第二位国家的两倍。\\n\\n2022年按国家分类的信息和通信技术短周期高等教育应届毕业生人数资料来源：联合组织，2026图表；2025年人人工智能指数报告\\n\\n美国 38,748\\n西班牙 17,754\\n土耳其 15,464\\n加拿大 16,275\\n哥伦比亚 12,892\\n法国 10,820\\n英国 9,425\\n澳大利亚 7,249\\n韩国 6,983\\n墨西哥 3,720\\n智利 2,946\\n瑞典 2,885\\n以色列 2,357\\n新西兰 1,899\\n奥地利 1,273\\n\\n新的信息和通信技术短周期高等教育毕业生人数\\n\\n图7.3.9\\n\\n10。虽然该数据集提供了对一些国家的深入了解，但它忽略了一些拥有大量ICT毕业的国家。中国和中国国家数据库在外，这凸显了全球标准化数据的必要性。以确保视频放在计算机教育方面进行了大量投资并在全球大多数国家占据大比例的国家包括在内。在收集和报告全球数据方面也存在很大的弹性。因此，可获得数据的最近年份是2022年。\\n\\n* * *\\n\\n第七章：教育\\n7.3 高等教育阶段的计算机科学与人工智能教育\\n\\n2022年按国家分类的新增信息与通信技术本科毕业生资料来源：综合组织，2022 图表：2025 年人工智能指数报告\\n\\n美国 16,401\\n巴西 61,760\\n墨西哥 32,738\\n德国 21,365\\n英国 20,435\\n韩国 19,603\\n澳大利亚 14,584\\n秘鲁 13,054\\n加拿大 13,053\\n波兰 12,817\\n法国 10,472\\n西银牙 6,650\\n罗马尼亚 6,206\\n土耳其 8,023\\n智利 5,090\\n应届ICT本科毕业生人数\\n\\n图 7.3.10\\n\\n2022年按国家分类的新增信息与通信技术硕士毕业生人数资料来源：综合组织，2022 图表：2025 年人工智能指数报告\\n\\n美国 55,706\\n英国 21,688\\n法国 13,940\\n德国 12,500\\n澳大利亚 9,776\\n波兰 4,164\\n加拿大 4,044\\n塞尔兰 3,728\\n墨西哥 3,373\\n西班牙 3,214\\n哥伦比亚 2,982\\n韩国 2,910\\n荷兰 2,452\\n意大利 2,403\\n罗马尼亚 2,200\\n应届ICT硕士毕业生人数\\n\\n图 7.3.11\\n\\n目录 第七章预览 389\\n\\n* * *\\n\\n第七章：教育\\n\\n7.3 高等教育阶段的计算机科学与人工智能教育\\n\\nA9AA 年按国家分类的新晋的信息与通信技术博士毕业生\\n\\n资料来源：经合组织，2022\\\\| 图表：2025 年人工智能指数报告\\n\\n%F7B7:A\\n\\n性别平衡仍是全球人工智能相关学科中的一项重大挑战\\n（图7.3.13）。在全球范围内，女性在信息与通信技术相关高等教育毕业生中所占比例平均约为四分之一，在副学士、学士及博士层级皆为如此。相较之下，硕士阶段女性占比略高，约\\n\\n接近三分之一。在各国之中，土耳其在性别平衡方面表现尤为突出，该国女性在副学士、学士、硕士及博士层级的毕业生中均至少占据一半以上的比例。\\n\\n* * *\\n\\n2022 年按国家分类的 ICT 高等教育应届毕业生中女性所占百分比\\n\\n资料来源：经合组织，2022\\\\| 图表：2025 年人工智能指数报告\\n\\n图 7.3.13\\n\\n* * *\\n\\n7.3 高等教育阶段的计算机科学与人工智能教育\\n\\n指导政策\\n\\n目前，大学层面的人工智能政策和指导主要集中于学生在作业中使用人工智能的行为规范，而针对人工智能教育本身的指导通常由各个院系（主要为计算类院系）在内部制定。\\n\\n人工智能在高校校园中的使用已极为普遍，无论是学生还是教师群体都高度依赖：有 86% 的学生在学习中使用人工智能，61% 的教师在教学中使用人工智能。然而，围绕人工智能使用的相关指导方针在高校内部仍缺乏清晰性与标准化。至\\n2025 年初，仅有 39% 的高等教育机构制定了与人工智能相关的 “可接受使用政策”，尽管这一比例较 2024 年增长了 16 个百分点。在学生规模超过一万人的大型高校中，制定相关政策的比例显著高于学生人数不足五千人的小型高校。尽管人工智\\n\\n人工智能在高校校园中的使用已极为普遍，无论是学生还是教师群体都高度依赖：有 86% 的学生在学习中使用人工智能，61% 的教师在教学中使用人工智能。然而，围绕人工智能使用的相关指导方针在高校内部仍缺乏清晰性与标准化。至\\n2025 年初，仅有 39% 的高等教育机构制定了与人工智能相关的 “可接受使用政策”，尽管这一比例较 2024 年增长了 16 个百分点。在学生规模超过一万人的大型高校中，制定相关政策的比例显著高于学生人数不足五千人的小型高校。尽管人工智\\n\\n能对教学与学习政策的影响最为显著，但实际上，几乎所有类型的高校政策都受到人工智能技术的波及，包括技术采购流程\\n（如是否可使用校方资源采购人工智能工具）、知识产权与版权法律的遵守、是否允许使用人工智能创建恶意软件或病毒等。在网络安全、数据隐私、在线教学以及数据分析等诸多政策领域，人工智能的应用与管控均引发了系统性的连锁反应。\\n\\n能对教学与学习政策的影响最为显著，但实际上，几乎所有类型的高校政策都受到人工智能技术的波及，包括技术采购流程\\n（如是否可使用校方资源采购人工智能工具）、知识产权与版权法律的遵守、是否允许使用人工智能创建恶意软件或病毒等。在网络安全、数据隐私、在线教学以及数据分析等诸多政策领域，人工智能的应用与管控均引发了系统性的连锁反应。\\n\\n除了 2019 年《北京共识：人工智能与教育》为 K–12 阶段提供的指导之外，联合国教科文组织还发布了适用于 K–12 及高等教育的综合性指导政策，意在借助人工智能技术，推动实现“教育 2030 议程”中所设定的全球目标。该报告中提出了五项专门针对高等教育阶段人工智能教育的执行与政策建议。\\n\\n除了 2019 年《北京共识：人工智能与教育》为 K–12 阶段提供的指导之外，联合国教科文组织还发布了适用于 K–12 及高等教育的综合性指导政策，意在借助人工智能技术，推动实现“教育 2030 议程”中所设定的全球目标。该报告中提出了五项专门针对高等教育阶段人工智能教育的执行与政策建议。\\n\\n* * *\\n\\n7.4 展望未来\\n\\n公平的人工智能教育生态系统的有意识设计，将对未来技术创新的负责任发展与部署发挥至关重要的作用。当前人工智能得以迅速扩展的制度环境，已导致一系列不良后果，包括操纵国家政治进程的虚假信息与误导性信息活动、人工智能赋能武器的发展，以及对受版权保护的知识产权的侵犯。这些现象凸显出：在人工智能构建路径上亟需优先确立一种更加稳健与负责任的方式。为实现这一目标，必须重新设想人工智能教育的整体方案，将人工智能能力视作学生通往技术驱动未来所不可或缺的核心素养。其中，这些能力不仅应涵盖技术开发本身，也应包括一种伦理视角，即能够主动识别、分析并质询人工\\n\\n智能所带来的社会影响。当前已有以计算机科学为基础的基础设施、政策框架与实施机制，为人工智能教育的系统性整合提供了现实路径。然而，随着人工智能技术的持续演进，教育体系的转型已刻不容缓。唯有如此，才能确保未来技术的构建者充分意识到人工智能可能带来的风险，并具备有效减缓其负面影响的能力。全球范围内的高等教育机构应持续推进人工智能教育通道的构建，并在此过程中进行阶段性成效监测。同时，有必要制定相应政策以扩大课程获取的公平性，并实施切实可行的策略，提升教师专业能力，促进学生的广泛参与，从而实现人工智能核心素养在教育系统中的公平普及与能力构建。\\n\\n* * *\\n\\n第八章：公众观点\\n\\n来自Emily Capstick的文本和分析\\n\\n* * *\\n\\n第八章：公众观点\\n\\n概述 396\\n章节要点 397\\n8.1 公众观点 399\\n全球公众观点 399\\n人工智能产品和服务 399\\n人工智能与就业 405\\n人工智能与民生 407\\n重点：自动驾驶汽车 409\\nG7A 美国政策制定者的观点 410\\n获取公共数据\\n\\n* * *\\n\\n第八章：\\n\\n公共观点\\n\\n概述\\n\\n随着人工智能日益深入社会各个层面，理解公众对于这一技术的态度正变得愈发重要。有关人们如何看待人工智能的洞察，不仅有助于预测其可能引发的社会影响，\\n也能揭示不同国家与人口群体在采纳与接受程度上的差异。初步数据显示，公众对于人工智能的焦虑情绪正在上升，且某些地区的悲观情绪远高于其他地区。随着技术的持续演进，这一趋势是否将延续，仍有待进一步观察。\\n\\n本章节将从全球、国家、人口统计和族群等多个维度探讨公众对人工智能的看法。所用数据来自多项研究来源，包括益普索公司持续追踪全球人工智能态度的长期调查、美国汽车协会关于自动驾驶车辆的民意调查，以及针对美国地方政策制定者对人工智能观点的最新研究。\\n\\n* * *\\n\\n第八章：\\n\\n公共观点\\n\\n章节要点\\n\\n1. 全球对人工智能产品和服务的态度持谨慎乐观的态度。在益普索（益普索）2022-2024 年持续追踪的 26 个国家中，18 国的受访者对人工智能产品与服务 “利大于弊” 的认同比例呈现上升趋势。在全球范围内，认为人工智能产品和服务利大于弊的个人比例从\\n 2022 年的 52% 上升到 2024 年的 55%。\\n\\nA7 人工智能对日常生活影响的预期认知度持续攀升。在世界各地，三分之二的人现在认为，人工智能驱动的产品与服务将在未来 3\\n至 5 年内显著改变日常生活——这一比例较 2022 年上升 6 个百分点。除马来西亚、波兰和印度外，其余国家自 2022 年以来该认知度均有所提升，其中加拿大（增长 17%）与德国（增长 15%）涨幅最为显著。\\n\\n3. 对人工智能公司伦理行为的怀疑正在增加，同时对人工智能公平性的信任正在下降。在全球范围内，人们对人工智能公司保护个人数据的信心从 2023 年的50% 下降到 2024 年的47%。同样，与相比，如今相信人工智能系统不偏不倚、不受歧视的人也越来越少。\\n\\n4. 人工智能乐观程度的地区差异依然存在。A023 年人工智能指数首次指出，人工智能乐观程度的地区差异依然存在。在中国（\\n 83%）、印度尼西亚（80%）和泰国（77%）等国家，绝大多数人认为人工智能驱动的产品和服务利大于弊，而在加拿大（40%）、美国（\\n 39%）和荷兰（36%），只有少数人持这种观点。\\n\\n5. 美国人自动驾驶汽车仍持不信任态度。根据美国汽车协会（American Automoblie Association，AAA）最新调查数据显示，61%\\n 的美国民众对自动驾驶汽车存在恐惧心理，仅有 13% 的受访者表示信任该技术。尽管这一恐惧比例较 2023 年 68% 的峰值有所下降，但仍高于 2021 年 54% 的水平。\\n\\n6. 美国地方政策制定者普遍支持对人工智能实施监管。2023 年，美国 73.7% 的地方政策制定者（涵盖镇、市、县三级政府）支持对人工智能实施监管，较 2022 年的 55.7% 显著提升。民主党人士的支持率（79.2%）明显高于共和党人士（55.5%），但两党支持率相较 2022 年均呈现显著增长。\\n\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第八章：\\n公共观点\\n\\n章节要点（续）\\n\\n7. 此前对人工智能持最强烈怀疑态的国家中，对人工智能的乐观态度呈现急剧上升趋势。在全球范围内，人们对人工智能产品和服务的乐观态度有所提高，其中以前最持怀疑态的国家乐观态度增幅最大，2022年，英国（38%）、德国（37%）、美国（35%）、加拿大（32%）和法国（31%）是最不倾向于认为人工智能利大于弊的国家。此后，这些国家对人工智能的乐观态度分别提升了8%、10%、4%、8%和10%。\\n\\n8. 劳动者预期人工智能将重塑就业结构，但其对岗位被替代的担忧程度相对较低。在全球范围内，60%的受访者认为人工智能将在未来五年内改变个人的工作方式，然而，有一小部分受访者(36%)认为，人工智能将在未来五年内取代他们的工作。\\n\\n9. 美国地方政策制定者在人工智能政策优先事项上存在明显分歧。美国地方政府决策者虽普遍支持人工智能监管，但在具体政策优先事项上存在显著差异，支持率最高的政策包括更严格的数据隐私法规(80.4%)、失业人员再培训计划(76.2%)以及人工智能应用监管条例(72.5%)。然而，针对执法部门人脸识别禁令(34.2%)、工资下降补贴(32.9%)和全民基本收入(24.6%)等政策的支持率则显著降低。\\n\\n10. 人工智能被视为提升效率的工具和娱乐体验的助推器，但其经济影响仍存疑虑。全球对人工智能影响的看法各不相同。55%的人认为人工智能将节省时间，51%的人预计它将提供更好的娱乐选择，但对其健康或经济效益有信心的人较少。只有38%的人认为人工智能将提升医疗健康水平，36%的人认为人工智能将改善国民经济，31%的人认为人工智能将对就业市场产生积极影响，37%的人认为人工智能将提升自己的工作效率。\\n\\n\\n目录第八章预览\\n398\\n\\n* * *\\n\\n第八章：公共观点\\n8.1 公众观点\\n\\n8.1 公众观点全球公众观点本节通过益普索在 2022 年、2023 年与 2024 年所开展的调查，探讨全球公众对人工智能的看法差异。结果表明，不同国家与人口群体间对人工智能的认知与态度存在显著差异。\\n\\n人工智能产品和服务\\n2024年，益普索开展了一项关于全球公众对人工智能态度的调查。该调查通过对 32 个国家 23,685 名成年人进行访谈完成。1 图 8.1.1展示了受访者对特定陈述表达同意的比例。\\n2022年至2024年间，公众对人工智能的认知总体保持相对稳定。2024年，67%的受访者表示对人工智能有良好理解，\\n66%预期人工智能将在未来三到五年内深刻改变其日常生活。认为人工智能驱动的产品与服务利大于弊的人群比例从\\n2022年的52%小幅上升至2024年的55%。\\n\\n然而，图 8.1.1也揭示了人们日益增长的担忧。过去一年中，相信人工智能企业会保护其个人数据的受访者比例下降了\\n3个百分点，认为人工智能不会对任何群体产生歧视或偏见的受访者比例下降了2个百分点。\\n\\n2022-2024年全球公众对使用人工智能的产品和服务的看法（占总数的百分比）\\n资料来源：益普索，2022-2024年\\\\|图表，2025年人工智能指数报告\\n\\n我清楚人工智能是什么我知道哪些类型的产品和服务使用人工智能在过去三年里，使用人工智能的产品和服务深刻改变了我的日常生活使用人工智能的产品和服务将在未来三年五年内深刻改变我的日常生活使用人工智能的产品和服务利于于我相信人们不会歧视或偏向任何群体我相信人工智能不会歧视或偏向于任何群体我相信，使用人工智能的公司会保护我的个人资料使用人工智能的产品和服务让我感到不安同意的受访者百分比\\n\\n图8.1.1\\n\\n1. 有关调查方法的详细信息，请参见附录。调查时间为2024年4月至5月。\\n\\n* * *\\n\\n第八章：公共观点\\n8.1 公众观点\\n\\n根据益普索调查，不同国家之间对人工智能利弊的认知差异显著，总体而言，亚洲与拉丁美洲的受访者更倾向于认为人工智能利大于弊，例如中国（83%）、墨西哥（70%）与印度\\n（62%）的受访者对人工智能持正面看法，相较之下，欧洲及英语国家则更为谨慎，如英国（46%）、澳大利亚（44%）、加拿大\\n（40%）与美国（39%）的受访者认为人工智能利大于弊的比例明显偏低。\\n\\n值得注意的是，曾在2022年持较强怀疑态度的国家中，\\n公众情绪正逐步改善，益普索对26个国家的2022年与2024\\n年数据对比显示，其中18个国家中，对人工智能持正面态度的比例有所提升。2022年，法国（31%）、加拿大（32%）、美国\\n（35%）、德国（37%）、澳大利亚（37%）与英国（38%）是最不看好人工智能的国家之一，而到了2024年，这些国家的相关比例均有所上升。\\n\\n2022-2024 年各国公众认为人工智能利大于弊的比例资料来源：益普索，2024年\\\\|图表：2025年人工智能指数报告\\n\\n图8.1.2\\n\\n受访者所占比例 (%)\\n\\n* * *\\n\\n第八章：公共观点\\n8.1 公众观点\\n\\n图 8.1.3 进一步展示了各国公众对人工智能产品与服务的认知、信任与情绪反应。在所有国家中，中国受访者对人工智能的认知程度、信任水平与兴奋感均为最高：81%的人知道哪些产品或服务使用了人工智能，80%对这些产品表示兴奋，76%信任人工智能不会对群体产生偏见，86%预期人工智能将在三至五年内深刻改变其生活。与之形成对比的是，\\n仅有58%的美国受访者相信人工智能将在未来三至五年内显著影响其生活，仅34%对人工智能产品表示兴奋。\\n\\n对个人数据隐私的担忧在日本与加拿大最为显著，而对人工智能歧视性的担忧则在瑞典与比利时最高。\\n\\n2024年各国公众对人工智能产品的认知与态度资料来源：益普索，2024年 \\\\| 图表：2025年人人工智能指数报告\\n\\n我对人工智能是什么有很好的认识，我知道这些产品能帮助了人工智能。在过去三年里中，使用人工智能的产品和服务已深别改变我的日常生活。在未来五年中，使用人工智能的产品、服务和改变我的日常生活。我相信人工智能不会对任何群体表现出歧视现象。我相信使用人工智能的公司会保护我的个人数据。使用人工智能的产品和服务让我感到兴奋。使用人工智能的产品和服务让我感到不安\\n\\n图 8.1.3\\n\\n目录 第八章预览 401\\n\\n* * *\\n\\n第八章：公共观点\\n8.1 公众观点\\n\\n图 8.1.4 揭示了不同国家受访者对于人工智能的“兴奋感”\\n与“焦虑感”之间的关系,结果显示,英语国家(如英国、美国、加拿大、澳大利亚与新西兰)对人工智能的焦虑感显著高于其他国家,而兴奋感却普遍偏低。相对而言,亚洲国家,如中国、韩国与印度尼西亚的受访者则表现出较高的兴奋度与较低的焦虑水平。日本是该地区中对人工智能最为谨慎的例外。\\n\\n2024 年各国公众对人工智能产品的“兴奋”与“焦虑”交叉态度分布图资料来源:益普索,2024 图表:2025 年人工智能指数报告\\n\\n0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%\\n高兴（同意的受访者百分比）\\n\\n图 8.1.4\\n\\n目录 第八章预览 402\\n\\n* * *\\n\\n第八章：公共观点\\n8.1 公众观点\\n\\n益普索连续两年对大多数国家进行调查，使得跨年度对比成为可能。图 8.1.5 显示了各项人工智能相关问题的年度变化趋势。整体来看，人工智能指数观察到对使用人工智能的担忧略有上升，正面回答平均下降了 0.6%，这主要是由于对使用人工智能公司是否会保护个人数据的信任度下降了 3%，以及人工智能是否不会歧视或偏袒任何群体信任度下降了 2%。²巴西和马来西亚对人工智能的认知度、信任度和热情度降幅最为显著。在这两个国家，负面趋势主要源于信任人工智能企业能保护其个人数据的受访者比例急剧下降。\\n\\n南非和爱尔兰则在人工智能认知度、信任度和热情度方面呈现最显著的平均增幅。爱尔兰的积极趋势似乎源于良好的用户体验——该国自认日常生活深受人工智能产品服务深刻影响的受访者比例增幅高居全球之首。\\n\\n2023-2024 年全球公众对人工智能的态度变化资料来源：益普索，2022-2024 年（图表：2025 年人工智能指数报告）\\n\\n我对人工智能是什么样的理解\\n0% 4% 4% 3% 9% 6% -4% 2% -3% -1% -1% 2% 0% 2% -2% -1% -4% -5% -1% 6% 6% -1% -2% -4% -1% -2% -3% -1%\\n我知道海底能量的产品和服务给了人工智能\\n1% 7% 0% 2% -5% -2% -4% 6% 3% -1% -2% 3% 0% 4% 4% 1% 2% -7% -4% -4% 5% 0% 0% -4% 3% -0% 3% -4% 3%\\n在过去三年中，使用人工智能的产品和服务已深深影响日常生活\\n1% 2% 0% 3% -2% -3% -1% 2% 0% 3% 1% 0% -1% -2% -3% -7% -6% -2% -3% 2% -1% -5% 4% 6% -2% -2% 0% 1% -2%\\n在过去五年中，使用人工智能的产品和服务已经改变我的日常生活\\n0% 3% -1% 8% -7% -6% -2% -9% 5% 2% 0% 2% 0% 1% -5% -3% -2% -7% -6% 0% 3% -0% 2% -1% 6% -2% -2% 3% -1%\\n我相信人工智能不会对任何群体表现出歧视或偏袒意见\\n-2% -1% -2% -3% -3% -1% -5% 3% 1% -2% -2% -3% -7% -1% 2% -4% -6% -4% -3% -2% -5% -3% -6% -4% 1% 0% -9% -2% 2%\\n我相信使用人工智能的顾客会严格执行个人服务\\n-3% -1% -6% 0% -11% -6% -1% -3% -2% -1% -1% -4% -4% -2% -3% -1% -4% -6% -2% -2% -2% -1% 0% -9% -2% 2%\\n使用人工智能的产品和服务会给员工带来不利影响\\n-1% -6% 1% -1% -9% 0% -4% -1% -1% -4% -4% -2% -3% -1% -4% -6% -2% -2% -2% -1% 0% -9% -2% 2%\\n使用人工智能的产品和服务让接受到不安\\n-2% -0% -4% -1% -4% -0% -3% -2% -2% -1% -2% -6% 0% 5% 7% -1% -5% 0% -1% -3% -1% -1% -2% -3% -4% -1% 1%\\n\\n图 8.1.5\\n\\n2. 对“使用人工智能的产品和服务让我感到满意”这一问题的全球平均回答不包括在内因为这是一个正分数产生明显负面的结果的问题。\\n\\n目录第八章预览\\n403\\n\\n* * *\\n\\n第八章：公共观点\\n8.1 公众观点\\n\\n图 8.1.6 对比了 2022 年和 2024 年益普索（益普索）调查数据，重点呈现了自 ChatGPT 推出以来的公众态度变化。全球范围内，认为人工智能驱动的产品和服务将在未来 3-5 年内深刻改变日常生活的观点比例上升了 6%。除印度、马来西亚和波兰外，所有国家这一认知度自 2022 年以来均有提升，其中加拿大 (17%) 和德国 (15%) 涨幅最为显著。\\n\\n2022 年和 2024 年公众对“人工智能将深刻改变生活”的认知变化比较资料来源：益普索，2022-2024年 图表：2025 年人工智能指数报告\\n\\n我对人工智能是什么有良好的理解\\n3% 8% 4% 5% -5% -6% -11% 5% 0% 11% 10% 6% -8% -9% 3% 0% 6% 5% 3% 1% -2% 0% 3% 5% 6% 5%\\n我知道哪类类型的产品和服务使用了人工智能的产品和服务已经改变了我的日常生活\\n2% 4% 0% 0% -1% 0% -6% 5% -2% 7% 4% 3% -3% -7% 6% 12% 0% 3% -4% -5% 7% 0%\\n在过去三到五年中，使用人工智能的产品和服务已经改变了我的日常生活\\n1% -5% -3% -2% 5% -7% -6% -3% -3% 8% 5% -1% -4% -1% 13% -1% -7% -6% 1% -4% 7% 9% -6% 1% 1%\\n在未来三到五年中，使用人工智能的产品和服务已经改变了我的日常生活\\n6% 7% 11% 9% 1% 17% 2% 6% 12% 12% 15% 12% 9% -9% 7% 10% 0% 11% 10% 5% 0% 4% 3% 2% 3% 13%\\n使用人工智能的产品和服务让我感到不安\\n11% 14% 15% 9% 12% 14% 15% 4% 9% 17% 7% 14% 13% -2% 17% 5% 2% 10% 13% 15% 7% 2% 8% 0% 19% 5% 12%\\n\\n图 8.1.6\\n\\n目录 第八章预览 404\\n\\n* * *\\n\\n第八章：公共观点\\n8.1 公众观点\\n\\n2025年人工智能指数报告\\n\\n人工智能与就业\\n\\n2024 年益普索调查新增了若干问题，探讨公众对人工智能影响当前工作的看法。图 8.1.7 展示了全球公众对人工智能将如何改变工作方式或取代现有岗位的预期。总体而言，60%的受访者认为人工智能“可能”在未来五年内改变他们的工作方式，另有36%的受访者认为人工智能“可能”在同一时间内取代其当前职位，即每三人中就有一人持此观点。由于 2023\\n\\n年版本未区分“非常可能”与“有些可能”，跨年比较存在一定局限性，但将 2024 年数据按总“可能性”加总后与 2023 年进行对比，整体情绪变化不太，2023 年，有 57%的受访者认为人工智能将改变工作方式，36% 认为其可能取代当前工作，与 2024 年几乎一致。\\n\\n2024 年全球对人工智能对当前工作影响的看法资料来源：益普索，2024\\\\|图表：2025 年人工智能指数报告\\n\\n很有可能 有点可能 不知道 不太可能完全不可能\\n\\n未来 5 年人工智能将改变你的工作方式\\n29%\\n39%\\n8%\\n22%\\n10%\\n\\n未来 5 年人工智能将取代你目前的工作\\n11%\\n29%\\n8%\\n30%\\n23%\\n\\n受访者百分比\\n\\n图 8.1.7\\n\\n目录 第八章预览 405\\n\\n* * *\\n\\n第八章：公共观点\\n8.1 公众观点\\n\\n关于人工智能是否将在未来五年内改变人们当前工作的看法，不同代际群体之间存在显著差异（见图 8.1.8）。年轻一代\\n（如 Z 世代与千禧一代）比年长群体（如 X 世代与婴儿潮一代）\\n更倾向于认为人工智能将会改变他们的工作方式。具体而言，\\n2024 年有 67% 的 Z 世代认同人工智能可能影响其当前工作，\\n而婴儿潮一代中这一比例仅为 49%。\\n\\n从 2023年到 2024 年，所有代际群体中认为人工智能将改变工作方式的比例均有所上升。值得注意的是，在新增的 3% 受访者中，千禧一代与婴儿潮一代的增幅最大，或许表明跨代对人工智能影响力的意识正在增强。\\n\\n2023 年与 2024 年全球公众对“人工智能将在未来五年改变当前工作方式”的认同比例（按代际划分）\\n资料来源：益普索，2024 年 \\\\| 图表：2025 年人工智能指数报告\\n\\nZ 世代\\n0.7%\\n千禧一代\\n0.6%\\nX 代\\n0.5%\\n婴儿潮一代\\n0.4%\\n0% 10% 20% 30% 40% 50% 60% 70%\\n(占受访者百分比)\\n\\n图 8.1.8\\n\\n目录第八章预览\\n406\\n\\n* * *\\n\\n第八章：公共观点\\n8.1 公众观点\\n\\n2025年人工智能指数报告\\n\\n人工智能与民生\\n\\n益普索调查还探讨了受访者在人工智能将对生活各个方面产生影响问题上的看法，包括经济、娱乐和健康等领域。根据图 8.1.9，55% 的全球受访者认为人工智能将减少完成任务所需的时间，51%的人认为人工智能将改善其娱乐选择，而在经济与就业市场方面，受访者则表现出更为谨慎的态度，分别仅有 36% 与 31%的人认为人工智能将在这些领域产生积极影响。图 8.1.9 还显示，不同国家中对人工智能“将改善本国经济”抱有信心的比例差异显著。亚洲国家最为乐观，其中中国有 72%的受访者表达正面预期，其次是印尼(54%)，相比之下，在荷兰、美国、比利时、瑞典与加拿大，认为人工智能将改善经济的比例均低于 25%。此外，在每一个国家中，若受访者对人工智能改善经济抱有乐观态度，他们在其他领域的评价也往往更为积极。例如，那些认为人工智能将改善本国经济的群体也普遍相信人工智能能够节省时间并改善健康。全球平均来看，有 38% 的受访者认为人工智能将改善健康。其中，墨西哥受访者的乐观程度最高，达 56%；而日本则为最低，仅有 19%。\\n\\n2024 年全球公众对人工智能在经济、娱乐、健康等方面影响的认知资料来源：益普索，2024 年；图表：2025 年人工智能指数报告\\n\\n人工智能将改善国民经济状况 36% 39% 26% 23% 40% 18% 32% 72% 59% 25% 31% 26% 27% 64% 54% 31% 28% 23% 43% 50% 24% 27% 64% 53% 69% 40% 34% 26% 21% 22% 53% 35% 24%\\n人工智能将改善就业市场性能 31% 40% 21% 17% 41% 18% 32% 44% 44% 27% 22% 21% 40% 40% 25% 18% 28% 22% 21% 19% 47% 74% 43% 93% 18% 26% 51% 47% 21%\\n人工智能将改善的工作 31% 40% 25% 26% 46% 24% 39% 46% 33% 27% 26% 24% 40% 50% 32% 21% 14% 35% 27% 33% 28% 32% 29% 53% 41% 37%\\n人工智能将减少我完成事务所需的时间 35% 60% 44% 49% 42% 42% 76% 60% 40% 41% 40% 60% 24% 17% 47% 39% 71% 31% 31% 64% 41% 60% 70% 62% 41% 43% 66% 62% 43%\\n人工智能改善我的娱乐（如电视/视频内容、电影、音乐、图书） 31% 61% 45% 39% 57% 43% 76% 61% 33% 42% 39% 64% 41% 44% 35% 69% 42% 47% 31% 64% 41% 60% 70% 62% 41% 43% 66% 62% 43%\\n人工智能将改善我的健康状况 38% 49% 25% 34% 44% 44% 55% 30% 27% 30% 31% 31% 31% 35% 38% 19% 43% 26% 31% 57% 24% 41% 49% 30% 33% 21% 30% 61% 43% 28%\\n\\n图 8.1.9\\n\\n目录 第八章预览 407\\n\\n* * *\\n\\n第八章：公共观点\\n8.1 公众观点\\n\\n图 8.1.10 与图 8.1.11对前文数据进行了相关性分析，旨在探究不同问题反馈之间的关联程度，研究发现，受访者对于“\\n人工智能将改善就业市场”的认同度与其认为“人工智能将使自身工作受益”的信念呈现高度相关性，部分国家如波兰在这两方面的乐观程度均较低，分别仅有17%和21%的受访者表示认同，相比之下，中国受访者态度更为积极，44%认为人\\n\\n工智能将促进就业市场发展，62%相信人工智能会改善自身工作状况。\\n\\n同样地，在那些受访者认为人工智能将缩短任务完成时间的国家，民众也更倾向于认为人工智能会改善他们的个人工作状况。\\n\\n2024 年全球对人工智能改善就业市场潜力与个人工作的看法资料来源：益普索，2024年\\\\|图表：2025年人工智能指数报告\\n\\n就业市场（占受访者百分比）\\n\\n图 8.1.10\\n\\n2024 年全球对人工智能改善完成工作时间与个人工作的潜力的看法资料来源：益普索，2024年\\\\|图表：2025年人工智能指数报告\\n\\n完成工作所需的时间（占受访者百分比）\\n\\n图 8.1.11\\n\\n目录第八章预览\\n408\\n\\n* * *\\n\\n第八章：公共观点\\n8.1 公众观点\\n\\n2025年人工智能指数报告\\n\\n重点：\\n自动驾驶汽车\\n\\n正如第二章技术性能中所讨论的，自驾车技术在能力与实际部署方面均取得显著进展。随着 Waymo 与 Zoox 等公司的发展，理解公众对自动驾驶技术的态度变得更加关键。\\n\\n美国汽车协会（AAA）每年都会就自驾车公众认知开展调查于 2025 年 1 月进行，覆盖约 97% 的美国家庭。图 8.1.12 显示，尽管自动驾驶车辆正在逐步进入公共道路，但仍有 61% 的美国人表示对该技术感到恐惧，仅有 13% 的受访者表示信任自动驾驶汽车。尽管“恐惧感”较 2023 年的高峰（68%)略有下降，但仍高于 2021年的 54%。者支持这一观点，较 2022 年的 55.7% 显著上升。ChatGPT 的发布似乎是推动政策制定者转向支持监管的关键因素。民主党人对人工智能监管的支持率 (79.2%)高于共和党人 (55.5%), 但 2022年后两党在此问题上的支持率均呈现明显提升。\\n\\n2021-2025 年美国驾驶员对自动驾驶汽车的态度资料来源：AAA, 2025 图表：2025 年人工智能指数报告\\n\\n害怕 不确定 信任\\n\\n图 8.1.12\\n\\n目录 第八章预览 409\\n\\n* * *\\n\\n第八章：公共观点\\n8.2 美国政策制定者的意见\\n\\n8.2 美国政策制定者的观点\\n\\n在评估公众对人工智能的态度时，仅考察大众舆情是不够的，还必须关注关键利益相关方的看法，尤其是政策制定者，因为他们在人工智能监管与政策制定中扮演着核心角色。2022年与2023年，由乌普萨拉大学、牛津大学、哈佛大学和雪城大学联合组成的研究团队开展了一项涵盖美国地方政策制定者（包括市政、镇区与县级层面）的调研，这项研究共收集了约1,000名地方官员的反馈，其时间跨度恰好涵盖ChatGPT发布前后，从而使得研究者能够比较政策制定者态度的变化。图8.2.1显示了地方政府制定者对“政府应监管人工智能”这一陈述的认同程度。2023年，73.7%的美国地方政策制定者支持这一观点，较2022年的55.7%显著上升。ChatGPT的发布似乎是推动政策制定者转向支持监管的关键因素。民主党人对人工智能监管的支持率（79.2%）高于共和党人（55.5%），但2022年后两党在此问题上的支持率均呈现明显提升。\\n\\n按政党和年份分类的美国地方官员对政府监管人工智能的支持程度资料来源：Hetz 等，2022 图表：2025 年人工智能指数报告\\n\\n同意 不同意也不反对 不同意\\n\\n2023年的民主党人 64.40% 19.00% 98.40%\\n2022年的民主党人 73.70% 14.40% 12.00%\\n2022年的民主党人 55.70% 23.60% 20.70%\\n民主党人 79.20% 16.00% 5.70%\\n共和党 55.50% 21.60% 22.00%\\n2023年的民主党人 84.40% 18.00%\\n2022年的民主党人 74.60% 15.30% 7.90%\\n2023年的共和党人 67.90% 15.50% 16.60%\\n2022年的共和党人 42.70% 23.00% 29.40%\\n受访者百分比\\n\\n图8.2.1\\n\\n目录 第八章预览 410\\n\\n* * *\\n\\n第八章：公共观点\\n8.2 美国政策制定者的意见\\n\\n鉴于大多数地方政策制定者支持某种形式的人工智能监管，他们具体倾向哪些政策？数据显示（图8.2.2），支持率最高的是加强数据隐私监管（80.4%），此外，76.2%的受访者支持针对失业人员的再培训计划，72.5%支持实施人工智能应用\\n\\n监管条例,相比之下，对再分配措施的支持率明显较低：仅\\n33.9% 支持通过工资补贴抵消收入下降，24.6% 支持全民基本收入制度。\\n\\n美国地方官员认为在 2025-2050 年间具有积极意义的人工智能政策选项资料来源：Hatz 等，2025 图表：2025 年人工智能指数报告\\n\\n同意 不同意也不反对 不同意\\n\\n加强数据隐私管理 89.40% 89.00% 90.10%\\n为失业人提供紧急项目 76.20% 74.00% 9.80%\\n对人工智能服务进行监管 72.50% 74.00% 13.00%\\n加强政策监督 57.00% 54.00% 17.60%\\n对招聘与录用人工智能进行监督 54.20% 39.20% 25.40%\\n对招聘与晋升中职人工智能进行审计 51.70% 33.30% 30.00%\\n强化社保保障 46.40% 34.50% 29.00%\\n对地方政府使用人工智能辅助解困和安置 45.00% 29.50% 31.70%\\n提供手续与《聘书》 44.40% 29.00% 28.90%\\n提高企业纳税 42.50% 38.50% 26.60%\\n对机器人歧视 42.40% 22.30% 35.30%\\n针对人工智能并要求实习条件改革 39.00% 34.30% 26.60%\\n禁止机构使用人工智能技术 34.20% 29.00% 39.80%\\n提供工作补贴以获取收入下调 33.90% 29.00% 39.00%\\n提供全额基本收入（比例） 24.00% 17.00% 65.30%\\n\\n0% 20% 40% 60% 80% 100%\\n\\n受访者百分比\\n\\n图 8.2.2\\n\\n目录 第八章预览 411\\n\\n* * *\\n\\n第八章：公共观点\\n8.2 美国政策制定者的意见\\n\\n尽管多数地方官员支持人工智能监管，但只有少数人认为自己需要在短期内采取行动（见图 8.2.3）。2023 年，仅有\\n34.3% 的受访者认为其将在未来数年内需要做出相关决策，而\\n56.5% 认为不太可能。但这一比例已较 2022 年有所上升：从\\n32.2% 升至 36.6%，这一变化反映了诸如 ChatGPT 等重要人工智能发展成果对政策制定者态度的影响。\\n\\n按党派和年份分类的美国地方官员制定人工智能相关政策的决定的可能性资料来源：Hatz 等，2022 图表：2025 年人工智能指数报告\\n\\n可能 不知道 不太可能\\n\\n全部 34.30% 9.20% 56.50%\\n2023 36.60% 9.00% 54.30%\\n2022 32.20% 9.20% 58.60%\\n民主党 35.50% 8.90% 55.60%\\n共和党 33.60% 9.10% 57.70%\\n2023年的民主党人 40.50% 8.90% 61.40%\\n2022年的民主党人 31.90% 9.70% 59.20%\\n2023年的共和党人 34.90% 8.40% 57.40%\\n2022年的共和党人 33.00% 9.10% 57.90%\\n\\n0% 20% 40% 60% 80% 100%\\n\\n受访者百分比\\n\\n图 8.2.3\\n\\n目录 第八章预览 412\\n\\n* * *\\n\\n第八章：公共观点\\n8.2 美国政策制定者的意见\\n\\n仅有 29.8% 的当地选举产生的官员认为自己具备足够的信息来制定人工智能政策(图 8.2.4)。虽然从 2022 到 2023 年，民主党与共和党官员的信心水平均有所提升，但整体水平仍相对较低。\\n\\n按政党和年份分类的美国地方官员对制定人工智能政策具备充足信息的认同程度资料来源：Hatz 等，2025 图表：2025 年人工智能指数报告\\n\\n同意 既不同意也不反对 不同意\\n\\n全部 29.80% 17.90% 52.50%\\n2023 31.30% 14.90% 53.80%\\n2022 28.50% 20.60% 50.80%\\n民主党 28.60% 25.10% 58.10%\\n共和党 31.50% 39.00% 48.70%\\n2023年的民主党人 28.50% 11.00% 59.50%\\n2022年的民主党人 24.40% 18.80% 56.80%\\n2023年的共和党人 31.80% 17.60% 50.70%\\n2022年的共和党人 31.20% 29.00% 46.70%\\n0% 20% 40% 60% 80% 100%\\n\\n受访者百分比\\n\\n图 8.2.4\\n\\n目录 第八章预览 413\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n附录\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n附录\\n\\n第一章 研究与开发 416\\n第二章 技术性能 420\\n第三章 负责任的人工智能 427\\n第四章 经济 431\\n第五章 科学与医学 441\\n第六章 政策与治理 451\\n第七章 教育 454\\n第八章 公共观点 455\\n\\n目录\\n附录\\n415\\n\\n* * *\\n\\n附录第一章：研究与开发\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n\\n致谢人工智能指数谨此致谢：Angelo Salatino 对人工智能论文分类的贡献，Ben Cottier 领导的机器学习推理成本分析，Lapo Santarlasci 领导的人工智能专利分析，Andrew Shi 领导的人工智能模型环境影响分析。\\n\\n人工智能论文发表分析在这项分析中，人工智能指数使用 OpenAlex 作为主要据源，这是一个开放式学术数据库，拥有超过 2.6亿份研究论文统计。OpenAlex 使用自己的知识组织系统对论文进行分类，该系统被称为 OpenAlex Topics——这是一个包含约 4500 个主题的分类系统，将 Scopus代码 和 CWTS分类 结合在一起。该系统使用深度学习模型，考虑了标题、摘要、期刊名称和文网络进行分类。为了更精确地识别人工智能相关主题，人工智能指数分析了 OpenAlex 识别的计算机科学论文统计，并使用计算机科学本体和 CSO 类器完善了分类。\\n\\n计算机科学本体 (CSO) 是一个大规模的、自动生成的研究领域本体，它是利用 Klink-2算法从 1600 万个论文统计得出的。它的特点是具有数千个子主题的分层结构，可以精确率地将特定术语映射到更广泛的研究领域。与 OpenAlex、Scopus and Web of Science 等通用学术数据库相比，CSO提供了更详细的和更精细的研究领域表。它已被广泛用于学术数据探索、分析、建模以及专家鉴定和推荐。本分析中使用的 3.4.1版包括计算机科学领域的约 15,000 个主题和 166,000个关系。该版本于 2025 年 1 月 17 日发布，引入了 150 多个人工智能方面的新研究课题，使人工智能相关的课题总数达到\\n\\n2369个，仅人工智能领域就有 12620 个层次关系，为了分析研究趋势，人工智能指数使用了 CSO 类器——种基于 CSO 主题自动对研究论文进行分类的无监督方法，分类器采用三阶段流程处理论文标题和摘要：语法模块检测 CSO 主题的直接提及；语义模块使用词嵌入来识别相关概念；后处理模块合并结果，过滤掉不相关的主题，并添加更广泛的类别，以实现更精细的分类。在本次分析中，人工智能指数扩展了 CSO 类器，特别人工智能及其子主题。自首次发布以来，该分类器因其多功能性获得了越来越多的关注。例如，Springer Nature使用它对论文集书籍进行常规分类，提高元数据质量。除了学术出版之外，它还被成功应用于研究软件、YouTube视频、新闻稿、招聘广告和 IT 博物馆藏品的分类。\\n\\n准确地将研究论文归类为会议论文或期刊论文对本分析至关重要。OpenAlex 的元数字段——类型、交叉引用类型和来源类型——有时会发生冲突。为了解决这些不一致问题，人工智能指数将 OpenAlex 记录映射到 DBLP。这是一个领先的计算机科学研究统计数据库。DBLP以其高质量的元数据而著称，它通过严格的小自动化整理过程不断增加新的论文统计，目前已为 360 万篇会议论文和 300 万篇期刊论文编制了索引。OpenAlex 和 DBLP之间的初始匹配是用 DOI进行的。对于其余未匹配的论文，人工智能索引引用标题和出版年份的组合，为了简化这一过程，人工智能指数建立了一个标题索引，以优化搜索并确保跨数据集的高效映射。\\n\\n人工智能论文统计根据多个参数进行汇总，以提供综合分析。论文统计考虑到最新版本的出版日期，按年份对论文进行了分\\n\\n* * *\\n\\n附录第一章：研究与开发\\n\\n组。此外人工智能指数团队还按照作者所属的地理区域或 世界银行地区 进行分组。这就意味着，如果一篇论文由来自不同国家的研究人员共同撰写，那么这篇论文可能会被多次统计，每个国家都会被统计一次。如果作者所属单位缺失，这些论文统计将被映射为 “未知”，此外，如果有作者所属单位，则通过作者所属单位将部门与论文统计联系起来，这可能导致一篇出版物被多个部门统计。如有引文数据，则包括引文计数；没有引文数据的出版物归类为 “未知”。\\n\\n百强论文统计分析人工智能指数通过收集和分析 OpenAlex、谷歌学术（Google Scholar）和 Semantic Scholar等多个来源的引文数据，对有影响力的人工智能论文发表统计进行了全面分析。最初从 OpenAlex收集的是每个出版年被引用最多的 150 篇论文，经过仔细审核后，该名单被细化为 100 篇论文统计。\\n\\n该方法将论文统计归属于作者所属单位所代表的所有国家和地区，这意味着一篇论文可以被多次统计。例如，一篇由美国和中国人员共同撰写的合文在每个国家都会被统计一次。这种方法可能会导致汇总统计中的总数重叠。无论是在期刊、会议还是 arXiv这样的资料库中，发表年份都以最新版本为准。为保持准确率，对组织隶属关系进行了核实和标准化，根据总部所在地分配国家。\\n\\n人工智能论文发表统计 100 强的完整名单可在这里查阅。\\n\\n人工智能专利分析人工智能指数采用混合分类法，将基于关键词的文本分析与基于分类代码的识别相结合，识别与人工智能相关的专利。\\n\\n专利文献数据来自 PATSTAT Global，这是一个由欧洲专利局 (EPO) 发布的综合数据库。1 专利根据最早记录的授权出版物的出版机构归属于各个国家。\\n\\n使用 deep-translator工具、谷歌翻译引擎和 Meta NLLB-200机器翻译模型翻译了最初以英语以外的语言出版的专利摘要和标题。翻译后，使用自然语言处理(NLP)技术对专利文本进行处理。这些技术包括删除停顿词和特殊字符。保留关键语法类别的语篇(POS)标记、小写转换、语法化以及 标记替换数字量。\\n\\n与人工智能相关的专利是通过使用正则表达式 (regex) 搜索标题和摘要中的相关术语来确定的。人工智能专用关键词典是通过一个结构化的多步骤过程开发的，其中纳入了人工智能模型生成的关键词，并使用已建立的人工智能词典（如 Yamashita 等(2021) 中的词典）进行了扩展，还通过基于 Word2Vec 的同义词识别进行了完善。使用 BERTopic 主题建模和基于 DeBERTA 的零头分类进行了进一步验证，并采用人工检查以减少误报。除了基于关键词的分类外，使用 国际专利分类 (IPC) 和 合作专利分类 (CPC) 代码识别了与人工智能相关的专利。通过人工智能模型分析、基于 regex 的探索和先前的研究（包括来自 Pairelero 等(2023)和 WIPO(2024)），编制了一份人工智能相关代码的整理清单。最终的数据集是通过合并两种方法的结果构建的，同时兼顾了覆盖率和准确率。\\n\\nEpoch 标志性模型分析人工智能预测研究小组 Epoch AI 维护着一个 数据集其中包括具有里程碑意义的人工智能和机器学习模型，以及关于这些\\n\\n1. 所答用了这种汇总表，但在同一 DOCDB 拔中的申请书相同且单项查询的边缘情况下，偶尔会出现重复。人工智能数据在进行分析时，会删除与汇总变量（如年份计算）有关的重复值。\\n\\n* * *\\n\\n附录第一章：研究与开发\\n\\n模型的创建者和论文统计的相关信息，如作者列表、引用次数、完成的人工智能任务类型以及在训练中使用的计算量。这些论文作者的国家对人工智能地政治预测具有重要影响。随着各种研究机构和技术公司开始生产先进的机器学习，人工智能发展的全球分布可能会转移或集中在某些地方，进而影响地缘政治局，因为人工智能有望在不久的将来成为经济和军事实力的重要组成部分。\\n\\n为了追踪各国在地标性论文统计上的人工智能研究贡献分布情况，大纪元数据集按照以下方法进行编码：\\n\\n1. 数据集截取于 2025 年 3 月。其中包括有关里程碑式模型的论文，这些论文是根据“计算趋势”数据文档中所述的重要性、相关性和其他特性等纳入标准筛选出来的。\\n2. 作者所属国家以论文中注明的所属单位汇编，以确定国际组织，除非注明更具体的地点，否则作者归属于该组织的总部所在国。\\n3. 所有具有里程碑意义的论文统计都会在时间段内（如每月或每年）进行汇总，并对各国的贡献进行汇编，以确定每个国家在每个时间段内对具有里程碑意义的人工智能研究的贡献程度。\\n4. 对不同国家的贡献进行长期比较，以确定任何趋势。\\n\\n训练成本分析为了创建成本估算数据集，Epoch 数据库过滤了大规模机器学习时代 2 发布的模型，这些模型在发布时的训练计算量排名各前 10位。这样就筛选出了最大规模的机器学习。Transformor\\n模型被添加到这组模型中，以进一步了解背景情况。\\n\\n对于所选的机器学习，其训练时间、类型、数量和硬件使用率均根据适用情况从出版物、新闻稿或技术报告中确定。这些模型使用的计算硬件的云租赁价格是从云供应商网站的在线历史档案中收集的。3\\n\\n训练成本是根据硬件类型、数量和时间估算得出的，方法是将每小时的云费（培训时 1 乘以硬件小时数，然而，有些开发人员购买了硬件而不是租用云计算，而且云计算价格因供应商和租用承诺而异，因此开发人员的真实成本可能会有所不同。\\n\\n在估算这些模型的训练成本时遇到了各种挑战。通常情况下，\\n开发人员不会透露培训时间或所使用的硬件。在其他情况下，\\n硬件的云计算价格也无法获得。关于训练成本趋势的调查，在\\nEpoch AI 的另一份报告 中有详尽说明。\\n\\n人工智能会议参会规模人工智能指数联系了 2024 年各种人工智能学术会议的组织者，请他们提供有关总出席人数的信息。对于在网上公布了总出席人数的会议，人工智能指数采用了这些报告的总人数，而没有联系会议组织者。\\n\\nGitHub\\n确定人工智能项目\\nGitHub 与哈佛商学院、微软研究院和微软人工智能公益实验室的研究人员合作，按照 Gonzalez, Zimmerman, and\\nNagapan (2020) 和 Dohmke, Iasiti, and Richards(2023)\\n的方法识别公共人工智能资源库，分别使用 AI/ML 生成式人工智能相关的主题标签，以及通过雪球样取确定的其他相关\\n\\n2. 根据 Compute Trends Across Three Era of Machine Learning (Epoch, 2022 等)，确定截止日期为 2015 年 9 月 1 日。\\n3. 历史数据是指互联网网络数据，服务 Azure 和 Amazon Cloud Computing 的份额。例如，通过 Internet Archive Wayback Machine 重查。\\n4. 通过虚拟现实模型来发展计算机视觉和深度学习的能力，例如通过图像识别软件，例如像猫眼的价格……要么是不相同的数据的模拟器，\\n 或者不相同的应用程序，例如，根据三维扫描结果，模拟出云机的不同细节以从传统角度中理解。如果没有准确的模型类型（如 Neural A200 3034A 4038），则使用通用类型（如\\n Neural A100）。\\n\\n目录附录\\n418\\n\\n* * *\\n\\n附录第一章：研究与开发\\n\\n键词，如“机器学习”、“深度学习”和“人工智能”。GitHub 通过依赖 Python 的 PyTorch, TensorFlow, OpenAI, Transformers, XGBoost, scikit-learn 和 SciPy 库的资源库进一步扩充了数据集。\\n\\n将人工智能项目映射到地理区域公共人工智能项目通 IP 地址地理位置映射到地理区域，以确定项目所有者每年的模式位置。每个项目所有者在 GitHub交互时都会根据其 IP 地址分配一个位置。如果项目所有者在一年内更换了位置，那么项目的位置将由这一年中每天采样的所有者的模式位置决定。此外，即使项目所有者没有执行任何活动，项目所有者的最后已知位置也会按日结转。，如果项目所有人美国境内开展了活动，然后有六天没有开展活动，那么该项目所有人在这七天中将被视为在美国境内。\\n\\n环境影响分析人工智能指数使用（2019年）提出的计算器估算了训练语言和视觉模型的碳排放量。分析的重点是培训阶段的排放，不包括硬件生产、闲置基础设施和部署排放。研究考察了四类模型：工业语言模型、学术语言模型、工业愿景模型和学术愿景模型。\\n\\n计算器的准确率已根据公布的排放值进行了验证。计算器的输入包括硬件类型、图形处理器小时数，提供商和计算域，对于较新的硬件，如 H100 图形处理器（2022 年发布），计算中使用 A100 SXM4 80GB 作为替代，提供商的选择基于已知的合作伙伴关系（例如，谷歌模型使用 GCP, OpenAI 使用 Azure），而计算区域则由团队所在地决定。\\n\\n特别考虑了在定制硬件上训练的模型，如 BLOOM 在法国使用\\n\\nJean Zay 超级计算机，在这些情况下，私人基础设施的计算纳入了碳效率(千克/千瓦时)和抵消百分比。\\n\\n该研究共评估了 50 个模型：34 个行业语言模型（2018-24年）、8个行业愿景模型（2019-23年）、4个学术语言模型（2020-23年）和 4个学术愿景模型（2011-22年），并选择了在各自领域具有特别影响力的模型。\\n\\n* * *\\n\\n附录第二章：技术性能\\n\\n第二章：技术性能\\n\\n致谢人工智能指数谨此致谢：Andrew Shi（负责生成Midjourney 和\\nPika视频制作样本）以及Armin Hamrah（负责梳理人工智能重大技术进展时间线）所作出的贡献。\\n\\n比较基准在本章节中，人工智能指数对比较基准进行了报告，承认比较基准在跟踪人工智能技术进步方面的重要性。作为标准做法，指数从 leaderboard、公共资料库（如 Papers With Code 和 RankedAGI）以及公司论文、博客文章和产品发布中获取比较基准分数。指数运行的前提是各公司报告的分数是准确和真实的。本节中的比较基准分数是截至 2025 年 2 月中旬的最新分数。不过，自人工智能指数发布以来可能会更新的机型发布，从而超过当前的最先进分数。\\n\\n1.ARC-AGI 通用人工智能：有关 ARC-AGI 的数据取自\\n2025年2月ARC-AGI论文和OpenAI视频。要了解有关\\nARC-AGI的更多信息，请阅读原文。\\n\\n2.Arena-Hard-Auto：Arena-Hard-Auto的数据来自\\n2025年2月的LMSYS leaderboard。要了解有关\\nArena-Hard-Auto的更多信息，请阅读原文。\\n\\n3.Bench2Drive：有关Bench2Drive的数据自2025年\\n2月Bench2Drive论文要了解有关Bench2Drive的更多信息，请阅读原文。\\n\\n4.伯克利函数调用：有关伯克利函数调用的数据取自\\n2025年2月伯克利函数调用leaderboard，要了解有关伯克利函数调用的更多信息，请阅读原著。\\n\\n5.BigCodeBench：有关BigCodeBench的数据取自\\n2025年2月BigCodeBenchleaderboard，欲了解有关\\nBigCodeBench的数据取自2025年2月Chatbot Arena Leaderboard，要了解有关Chatbot\\nArena的更多信息，请阅读原文。\\n\\n7.FrontierMath：有关FrontierMath的数据来自\\nFrontierMath论文和OpenAI视频。要了解有关\\nFrontierMath的更多信息，请阅读原文，视觉效果还辅以\\nOpenAI的o3模型的比较基准数据，这些数据来自\\nYouTube视频，该视频分布于2025年12月推出该模型。\\n\\n8.GAIA：有关GAIA的数据取自2025年2月GAIA\\nleaderboard。要了解有关GAIA的更多信息，请阅读原文。\\n\\n9.GPQA：有关GPQA的数据来自2025年2PQA论文和\\nOpenAI视频。要了解有关GPQA的更多信息，请阅读原文。\\n\\n10.GSM8K：有关GSM8K的数据取自2025年2月的\\nGSM8KPapersWithCodeleaderboard。要了解有关\\nGSM8K的更多信息，请阅读原文。\\n\\n11.HELMET：有关HELMET（如何有效、彻底地评估长语境模型）的数据摘自2025年2月的HELMET论文，要了解有关\\nHELMET的更多信息，请阅读原文。\\n\\n12.HLE：有关HLE的数据摘自2025年2月HLE论文，要了解有关HLE的更多信息，请阅读原文。\\n\\n13.HumanEval：有关HumanEval的数据来自2025年2月的人类EvalPapersWithCodeleaderboard，要了解有关\\nHumanEval的更多信息，请阅读原文。\\n\\n14.LRRS2：Oxford-BBC Lip Reading Sentences\\n\\n目录附录\\n420\\n\\n* * *\\n\\n附录第二章：技术性能\\n\\n15.2 (LRS2) 的数据取自 2025 年 2 月 LRS2 Papers With Code leaderboard,要了解有 LRS2 的更多信息,请阅读原文。\\n16.MATH:有关 MATH的数据取自 2025 年 2月 MATH Papers With Code leaderboard和 o3-mini模型发布会。要了解有关 MATH的更多信息,请阅读原文。\\n17.MixEval:有关 MixEval的数据取自 2025 年 2月的 MixEval leaderboard,要了解有关 MixEval的更多信息，请阅读原文。\\n18.MLU:关于 MLU的数据取自 2025 年 2月 MMLU Papers With Code leaderboard 要了解更多关于 MLU的信息,请阅读原文。\\n19.MMLU-Pro:有关 MMLU-Pro的数据取自 2025年 2月 MMLU-Pro leaderboard,要了解有关 MMLU-Pro的更多信息,请阅读原文。\\n20.MMMU:有关 MMMU的数据取自 2025年 2月的 MMMU leaderboard.要了解有关 MMMU的更多信息,请阅读原文。\\n21.MTEB:有关海量文本嵌入比较基准(MTEB)的数据取自 2025年 2月 MTEB leaderboard,要了解有关 MTEB的更多信息,请阅读原文。\\n22.MVBench:有关 MVBench的数据取自 2025年 2月 MVBench leaderboard要了解有关 MVBench的更多信息,请阅读原文。\\n23.PlanBench:有关 PlanBench的数据摘自 2025年 2月 PlanBench paper.要了解有关 PlanBench的更多信息,请阅读原文。\\n24.RE-Bench:RE-Bench的数据取自 2025年 2月 RE- Bench paper.要了解有关 RE-Bench的更多信息,请阅读原文。\\n25.RLBench:关于 RLBench的数据来自 2025年 2月的 RLBench Papers With Code leaderboard.要了解有关 RLBench的更多信息,请阅读原文。\\n26.标尺有关 Ruler的数据取自 2025年 2月的 Ruler资源库,要了解有关 Ruler的更多信息,请阅读原文。\\n27.SWE-bench:有关 SWE-bench的数据取自 2025年 2月的 SWE-benchleaderboard,要了解有关 SWE-bench的更多信息,请阅读原文。\\n28.VAB:VisualAgentBench(VAB)上的数据取自 2025年 2月的 VAB leaderboard,要了解有关 VAB的更多信息,请阅读原文。\\n29.VCR:有关 VCR的数据取自 2025年 2月 VCRleaderboard,要了解有关 VCR的更多信息,请阅读原文。\\n30.WildBench:有关 WildBench的数据取自 2025年 2月 WildBench leaderboard要了解有关 WildBench的更多信息,请阅读原文。\\n\\n目录附录\\n421\\n\\n* * *\\n\\n附录第二章：技术性能\\n\\n引用作品\\n\\nAkter, S. N, Yu, Z, Muhamed, A, Ou, T, Bauerle, A, Cabrera, A, Dholakia, K, Xiong, C, & Neubig, G. (2023). An In-Depth Look at Gemini’s Language Abilities (arXiv:2312.11444). arXiv. [https://doi.org/10.48550/arXiv.2312.11444](https://doi.org/10.48550/arXiv.2312.11444)\\n\\nBairi, R, Sorwane, A, Kanade, A, C. V, D, Iyer, A, Parthasarathy, S, Rajamani, S, Ashok, B, & Shet, S. (2023). CodePlan: Repository-Level Coding Using LLMs and Planning (arXiv:2309.12499). arXiv. [https://doi.org/10.48550/arXiv.2309.12499](https://doi.org/10.48550/arXiv.2309.12499)\\n\\nBauza, M, Chen, J. E, Dailbard, V, Gileadi, N, Hafner, R, Martins, M. F, Moore, J, Pevoeviciute, R, Laurens, A, Rao, D, Zambelli,\\nM, Riedmiller, M, Scholz, J, Bousmalis, K, Nori, J, Heess, N. (2024). DemoStart: Demonstration-Led Auto-Curriculum Applied to Sim-to-Rreal With Multi-finger Robots (arXiv:2409.06613). arXiv. [https://doi.org/10.48550/arXiv.2409.06613](https://doi.org/10.48550/arXiv.2409.06613)\\n\\nBommasani, R, Kapoor, S, Klyman, K, Longpre, S, Ramaswami, A, Zhang, D, Schaake, M, Ho, D. E, Narayanan, A, & Liang, P.\\n(2024). “Considerations for Governing Open Foundation Models.” Science, 386(6718), 151–53. [https://doi.org/10.1126/](https://doi.org/10.1126/)\\nscience.adp1848\\n\\nBrohan, A, Brown, N, Carbajal, J, Chebotar, Y, Chen, X, Choromanski, K, … & Zitkovich, B. (2023).RT-2: Vision-LanguageAction Models Transfer Web Knowledge to Robotic Control (arXiv:2307.15818). arXiv. [https://aniv.org/abs/2307.15818](https://aniv.org/abs/2307.15818)\\n\\nBudagam, D, Kumar, A, Khoshnoodil, M, KJ, S, Jain, V, & Chadha, A. (2024).Hierarchical Prompting Taxonomy: A Universal\\nEvaluation Framework for Large Language Models Aligned With Human Cognitive Principles (arXiv:2406.12644; Version 4). arXiv.\\n[https://doi.org/10.48550/arXiv.2406.12644](https://doi.org/10.48550/arXiv.2406.12644)\\n\\nCao, Z, Long, M, Wang, J, & Yu, P. S. (2017). HashNet: Deep Learning to Hash by Continuation (arXiv:1702.00758). arXiv.\\n[https://doi.org/10.48550/arXiv.1702.00758](https://doi.org/10.48550/arXiv.1702.00758)\\n\\nChen, M, Tworek, J, Jun, H, Yuan, Q, Pintro, H. P. de O, Kaplan, J, Edwards, H, Burda, Y, Joseph, N, Brockman, G, Ray, A,\\nPuri, R, Krueger, G, Petrov, M, Khlaiaf, H, Sastry, G, Mishkin, P, Chan, B, Gray, S, … Zaremba, W. (2021). Evaluating Large Language Models Trained on Code (arXiv:2107.03374). arXiv. [https://doi.org/10.48550/arXiv.2107.03374](https://doi.org/10.48550/arXiv.2107.03374)\\n\\nChiang, W.-L., Zheng, L., Sheng, Y, Angelopoulos, A, N, Li, T, Li, D, Zhang, H, Zhu, B, Jordan, M, Gonzalez, J, E, & Stoica, I\\n(2024). Chatbot Arena: An Open Platform for Evaluating LLMs by Human Preference (arXiv:2403.04132). arXiv. [https://doiorg/10.48550/arXiv.2403.04132](https://doiorg/10.48550/arXiv.2403.04132)\\n\\nChollet, F, Knoop, M, Kamradt, G, & Landers, B. (2015).ARC Prize 2024: Technical Report (arXiv:2412.04604). arXiv. [https://doi](https://doi/).\\norg/10.48550/arXiv.2412.04604\\n\\nChung, J. S, Senior, A, Vinyals, O, & Zisserman, A. (2017).\\\"Lip Reading Sentences in the Wild.\\\" 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 3444–53. [https://doi.org/10.1109/CVPR.2017.367](https://doi.org/10.1109/CVPR.2017.367)\\n\\n* * *\\n\\n附录第二章：技术性能\\n\\nCobbe, K, Kosaraju, V, Bavarian, M, Chen, M, Jun, H, Kaiser, L, Plaappert, M, Tworek, J, Hilton, J, Nakano, R, Hesse, C, &\\nSchulman, J. (2021). Training Verifiers to Solve Math Word Problems (arXiv:2110.14168). arXiv. [https://doi.org/10.48550/arXiv.2110.14168](https://doi.org/10.48550/arXiv.2110.14168)\\n\\nDriess, D, Xia, F, Saijadi, M. S, M Lynch, C, Chowdhery, A, Ichter, B, Wahid, A, Tompson, J, Vuong, Q, Yu, T, Huang, W,\\nChebotar, Y, Semmert, P, Duckworth, D, Levine, S, Vanhoucke, V, Hausman, K, Tousaint, M, Greff, K, ... Florence, P. (2023).\\nPatLM-E An Embodied Multimodal Language Model (arXiv:2303.03378). arXiv. [https://doi.org/10.48550/arXiv.2303.03378](https://doi.org/10.48550/arXiv.2303.03378)\\n\\nFang, H, Grotz, M, Pumacay, W, Wang, Y. R, Fox, D, Krishna, R, & Duan, J. (2025). SAM2Act: Integrating Visual Foundation\\nModel With a Memory Architecture for Robotic Manipulation (arXiv:2501.18564). arXiv. [https://doi.org/10.48550/arXiv.2501.18564](https://doi.org/10.48550/arXiv.2501.18564)\\n\\nFattorini, L, Maslej, N, Perrault, R, Parli, V, Etchemendy, J, Shoham, Y, & Ligett, K. (2024). The Global AI Vibrancy Tool (arXiv.2412.04486). arXiv. [https://doi.org/10.48550/arXiv.2412.04486](https://doi.org/10.48550/arXiv.2412.04486)\\n\\nGlazer, E, Erdill, E, Besiroglu, T., Chicharro, D, Chen, E, Gunning, A, Olsson, C, F, Denain, J.-S, Ho, A, Santos, E. de O., Jarviniemi, O, Barnett, M, Sandler, R, Vrzala, M, Sevilla, J, Ren, Q, Pratt, E, Levine, L, Barkley, G, ... Wilden, M. (2024). Frontier-\\nMath: A Benchmark for Evaluating Advanced Mathematical Reasoning in AI (arXiv:2411.04872). arXiv. [https://-](https://-/)\\ndoi.org/10.48550/arXiv.2411.04872\\n\\nHendrycks, D, Burns, C, Basart, S, Zou, A, Mazeka, M, Song, D, & Steinhardt, J. (2021). Measuring Massive Multitask Language\\nUnderstanding (arXiv:2009.03300). arXiv. [https://doi.org/10.48550/arXiv.2009.03300](https://doi.org/10.48550/arXiv.2009.03300)\\n\\nHendrycks, D, Burns, C, Kadavath, S, Arora, A, Basart, S, Tang, E, Song, D, & Steinhardt, J. (2021). Measuring Mathematical\\nProblem Solving With the MATH Dataset (arXiv:2103.03874). arXiv. [https://doi.org/10.48550/arXiv.2103.03874](https://doi.org/10.48550/arXiv.2103.03874)\\n\\nHsieh, C.-P, Sun, S, Kriman, S, Achanya, S, Rekesh, D, Jia, F, Zhang, Y, & Ginsburg, B. (2024). RULER: What's the Real Context\\nSize of Your Long-Context Language Models? (arXiv:2404.06654). arXiv. [https://doi.org/10.48550/arXiv.2404.06654](https://doi.org/10.48550/arXiv.2404.06654)\\n\\nHuang, Q, Vora, J, Liang, P, & Leskovec, J. (2024). MLAgentBench: Evaluating Language Agents on Machine Learning Experimentation (arXiv:2310.0302) arXiv. [https://doi.org/10.48550/arXiv.2310.0302](https://doi.org/10.48550/arXiv.2310.0302)\\n\\nIslam, P, Kannappan, A, Kiela, D, Qian, R, Scherrer, N, & Vidgen, B. (2023). FinanceBench: A New Benchmark for Financial\\nQuestion Answering (arXiv:2311.1944). arXiv. [https://doi.org/10.48550/arXiv.2311.1944](https://doi.org/10.48550/arXiv.2311.1944)\\n\\nJames, S, Ma, Z, Arrojo, D, R, & Davison, A. J. (2019). RLBench: The Robot Learning Benchmark & Learning Environment (arXiv.1909.1227); Version 1). arXiv. [https://doi.org/10.48550/arXiv.1909.12271](https://doi.org/10.48550/arXiv.1909.12271)\\n\\nJia, X, Yang, Z, Li, Q, Zhang, Z, & Yan, J. (2024). Bench2Drive: Towards Multi-ability Benchmarking of Closed-Loop\\nEnd-to-End Autonomous Driving (arXiv:2406.03877). arXiv. [https://doi.org/10.48550/arXiv.2406.03877](https://doi.org/10.48550/arXiv.2406.03877)\\n\\n* * *\\n\\nJimenez, C. E., Yang, J., Wettig, A., Yao, S., Pei, K., Press, O., & Narasimhan, K. (2024). SWE-bench: Can Language Models Resolve Real-World GitHub Issues? (arXiv:2310.06770). arXiv. [https://doi.org/10.48550/arXiv.2310.06770](https://doi.org/10.48550/arXiv.2310.06770)\\n\\nJones, C. R., & Bergen, B. K. (2024). People Cannot Distinguish GPT-4 From a Human in a Turing Test (arXiv:2405.08007). arXiv.\\n[https://doi.org/10.48550/arXiv.2405.08007](https://doi.org/10.48550/arXiv.2405.08007)\\n\\nKarnchanachari, N., Geromichalos, D., Tan, K. S., Li, N., Eriksen, C., Yaghoubi, S., Meh-dipour, N., Bernasconi, G., Fong, W. K.,\\nGuo, Y., & Caesar, H. (2024). Towards Learning-Based Planning: The nuPlan Benchmark for Real-World Autonomous Driving\\n(arXiv:2403.04133). arXiv. [https://doi.org/10.48550/arXiv.2403.04133](https://doi.org/10.48550/arXiv.2403.04133)\\n\\nKusupati, A., Bhatt, G., Rege, A., Wallingford, M., Sinha, A., Ramanujan, V., Howard-Snyder, W., Chen, K., Kakade, S., Jain, P.,&\\nFarhadi, A. (2024). Matryoshka Representation Learning (arXiv:2205.13147). arXiv. [https://doi.org/10.48550/arXiv.2205.13147](https://doi.org/10.48550/arXiv.2205.13147)\\n\\nLeal, I., Choromanski, K., Jain, D., Dubey, A., Varley, J., Ryoo, M., Lu, Y., Liu, F., Sindhwani, V., Vuong, Q., Sarlos, T., Oslund, K.,\\nHausman, K., & Rao, K. (2023). SARA-RT: Scaling Up Robotics Transformers With Self-Adaptive Robust Attention (arXiv:2312.01990). arXiv. [https://doi.org/10.48550/arXiv.2312.01990](https://doi.org/10.48550/arXiv.2312.01990)\\n\\nLi, K., Wang, Y., He, Y., Li, Y., Wang, Y., Liu, Y., Wang, Z., Xu, J., Chen, G., Luo, P., Wang, L., & Qiao, Y. (2024). MVBench: A Comprehensive Multi-modal Video Understanding Benchmark (arXiv:2311.17005). arXiv. [https://doi.org/10.48550/arXiv.2311.17005](https://doi.org/10.48550/arXiv.2311.17005)\\n\\nLi, T., Chiang, W.-L., Frick, E., Dunlap, L., Wu, T., Zhu, B., Gonzalez, J. E., & Stoica, I. (2024). From Crowdsourced Data to High-\\nQuality Benchmarks: Arena-Hard and BenchBuilder Pipeline (arXiv:2406.11939). arXiv. [https://doi.org/10.48550/arXiv.2406.11939](https://doi.org/10.48550/arXiv.2406.11939)\\n\\nLi, X., Mata, C., Park, J., Kahatapitiya, K., Jang, Y. S., Shang, J., Ranasinghe, K., Burgert, R., Cai, M., Lee, Y. J., & Ryoo, M. S.\\n(2025). LLaRA: Supercharging Robot Learning Data for Vision-Language Policy (arXiv:2406.20095). arXiv. [https://-](https://-/)\\ndoi.org/10.48550/arXiv.2406.20095\\n\\nMuennighoff, N., Tazi, N., Magne, L., & Reimers, N. (2023). MTEB: Massive Text Embedding Benchmark (arXiv:2210.07316). arXiv.\\n[https://doi.org/10.48550/arXiv.2210.07316](https://doi.org/10.48550/arXiv.2210.07316)\\n\\n* * *\\n\\nTr2%P42%aÁn2%L42%bÁn2%a42%Jnwp2%b42%Yqjq2%S42%Pjrn, K., Neubig, G., & You, Y. (2024). MixEval: Deriving Wisdom of the Crowd From LLM\\nBenchmark Mixtures (arXiv:2406.06565). arXiv. [https://doi.org/10.48550/arXiv.2406.06565](https://doi.org/10.48550/arXiv.2406.06565)\\n\\nO’Neill, A., Rehman, A., Gupta, A., Maddukuri, A., Gupta, A., Padalkar, A., Lee, A., Pooley, A., Gupta, A., Mandlekar, A., Jain, A., Tung,\\nA., Bewley, A., Herzog, A., Irpan, A., Khazatsky, A., Rai, A., Gupta, A., … Lin, Z. (2024). Open X-Embodiment: Robotic Learning\\nDatasets and RT-X Models (arXiv:2310.08864). arXiv. [https://doi.org/10.48550/arXiv.2310.08864](https://doi.org/10.48550/arXiv.2310.08864)\\n\\nPhan, L., Gatti, A., Han, Z., Li, N., Hu, J., Zhang, H., Zhang, C. B. C., Shaaban, M., Ling, J., Shi, S., Choi, M., Agrawal, A., Chopra, A.,\\nKhoja, A., Kim, R., Ren, R., Hausenloy, J., Zhang, O., Mazeika, M., … Hendrycks, D. (2025). Humanity’ s Last Exam (arXiv:2501.14249). arXiv. [https://doi.org/10.48550/arXiv.2501.14249](https://doi.org/10.48550/arXiv.2501.14249)\\n\\nRein, D., Hou, B. L., Stickland, A. C., Petty, J., Pang, R. Y., Dirani, J., Michael, J., & Bowman, S. R. (2023). GPQA: A Graduate-Level\\nGoogle-Proof Q&A Benchmark (arXiv:2311.12022). arXiv. [https://doi.org/10.48550/arXiv.2311.12022](https://doi.org/10.48550/arXiv.2311.12022)\\n\\nReuel, A., Hardy, A., Smith, C., Lamparth, M., Hardy, M., & Kochenderfer, M. J. (2024). BetterBench: Assessing AI Benchmarks,\\nUncovering Issues, and Establishing Best Practices (arXiv:2411.12990). arXiv. [https://doi.org/10.48550/arXiv.2411.12990](https://doi.org/10.48550/arXiv.2411.12990)\\n\\nTuring, A. M. (2009). Computing Machinery and Intelligence. In Epstein, R., Roberts, G., & Beber, G., eds., Parsing the Turing Test:\\nPhilosophical and Methodological Issues in the Quest for the Thinking Computer (23–65). Springer Netherlands. [https://-](https://-/)\\ndoi.org/10.1007/978-1-4020-6710-5\\\\_3\\n\\nValmeekam, K., Stechly, K., & Kambhampati, S. (2024). LLMs Still Can’ t Plan; Can LRMs? A Preliminary Evaluation of OpenAI’ s o1\\non PlanBench (arXiv:2409.13373). arXiv. [https://doi.org/10.48550/arXiv.2409.13373](https://doi.org/10.48550/arXiv.2409.13373)\\n\\nXia, Z., Li, J., Lin, Z., Wang, X., Wang, Y., & Yang, M.-H. (2024). OpenAD: Open-World Autonomous Driving Benchmark for 3D\\nObject Detection (arXiv:2411.17761). arXiv. [https://doi.org/10.48550/arXiv.2411.17761](https://doi.org/10.48550/arXiv.2411.17761)\\n\\nXu, C., Guan, S., Greene, D., & Kechadi, M.-T. (2024). Benchmark Data Contamination of Large Language Models: A Survey\\n(arXiv:2406.04244). arXiv. [https://doi.org/10.48550/arXiv.2406.04244](https://doi.org/10.48550/arXiv.2406.04244)\\n\\n* * *\\n\\nYue, a42%Ni, Y., Zhang, K., Zheng, T., Liu, R., Zhang, G., Stevens, S., Jiang, D., Ren, W., Sun, Y., Wei, C., Yu, B., Yuan, R., Sun, R., Yin,\\nM., Zheng, B., Yang, Z., Liu, Y., Huang, W., … Chen, W. (2024). MMMU: A Massive Multi-discipline Multimodal Understanding and\\nReasoning Benchmark for Expert AGI (arXiv:2311.16502). arXiv. [https://doi.org/10.48550/arXiv.2311.16502](https://doi.org/10.48550/arXiv.2311.16502)\\n\\nZellers, R., Bisk, Y., Far-hadi, A., & Choi, Y. (2019). From Recognition to Cognition: Visual Commonsense Reasoning\\n(arXiv:1811.10830). arXiv. [https://-doi.org/10.48550/arXiv.1811.10830](https://-doi.org/10.48550/arXiv.1811.10830)\\n\\nZhang, H., Da, J., Lee, D., Robinson, V., Wu, C., Song, W., Zhao, T., Raja, P., Zhuang, C., Slack, D., Lyu, Q., Hendryx, S., Kaplan,\\nR., Lunati, M., & Yue, S. (2024). A Careful Examination of Large Language Model Performance on Grade School Arithmetic\\n(arXiv:2405.00332). arXiv. [https://doi.org/10.48550/arXiv.2405.00332](https://doi.org/10.48550/arXiv.2405.00332)\\n\\n* * *\\n\\n第三章： 负责任的人工智能\\n\\n致谢\\n\\n人工智能指数谨此致谢Andrew Shi在负责任的人工智能相关会议报告分析方面所做的工作。人工智能指数承认 \\\"全球负责任的人工智能状况 \\\"分析是与埃森哲合作进行的。人工智能指数特别强调了埃森哲Chief Responsible AI Officer ，Arnab\\nChakraborty，以及埃森哲研究团队（包括Patrick Connolly、\\nJakub Wiatrak、Dikshita Venkatesh和Shekhar Tewari）在数据收集和分析方面做出的贡献。人工智能指数谨此致谢麦肯锡团队（特别是 Medha Bankhwal、Emily Capstick、\\nKatherine Ottenbreit、Brittany Presten、Roger Roberts 和\\nCayla Volandes）在负责任的人工智能生态系统调查中的合作。\\n\\n会议材料分析\\n\\n关于负责任的人工智能相关会议论文的分析，人工智能指数研究了以下会议中负责任的人工智能相关的数量：AAAI,\\nAIES,FAccT, ICML,ICLR, 和 NeurIPS。具体来说，团队从会议网站或会议投稿库中搜索包含相关关键字的论文，这些关键字表明这些论文可能属于特定的负责任的人工智能类别。然后，由一个人工团队对论文进行人工验证，以确认其分类。一篇论文有可能属于多个负责任的人工智能类别。\\n\\n搜索的关键词包括\\n\\n隐私和数据管理：anonymity, confidentiality,data breach, data\\nethics, data governance, data integrity, data privacy, data\\nprotection, data transparency, differential privacy, inferenceprivacy, machine unlearning, privacy by design, privacy-preserving, secure data storage, trustworthy data curation.\\n\\n安全：adversarial attack, adversarial learning, AI incident,\\nattacks, audits, cybersecurity, ethical hacking, forensic analysis,\\nfraud detection, red teaming, safety, security, security ethics,\\nthreat detection, vulnerability assessment.\\n\\n透明度和可解释性：algorithmic transparency, audit, auditing,\\ncausal reasoning, causality, explainability, explainable AI,\\nexplainable models, human-understandable decisions, interpretability, interpretable models, model explainability, outcome\\nexplanation, transparency, xAI.\\n\\n埃森哲全球负责任的人工智能状况调查\\n\\n斯坦福大学的研究人员与埃森哲公司合作进行第二次 \\\"全球负责任的人工智能状况 \\\"调查。调查收集了来自 20 个国家和 19\\n个行业的 1,500 家企业的回复，每家企业的总收入至少为 5\\n亿美元。调查于 2025 年 1 月至 2 月进行。负责任的人工智能全球状况调查的目的是了解采用 RAI 原则和实践所面临的挑战，并对组织和运营 RAI 活动的 10 个方面进行长期比较。\\n\\n* * *\\n\\n麦肯锡负责任的人工智能调查\\n\\n麦肯锡公司最近对 38 个国家的 750 多位领导者进行了调查，\\n深入了解了企业 RAI 的现状。这些领导者代表了从技术到医疗保健等各行各业，包括法律、数据 / 人工智能、工程、风险和财务领域的专业人士。麦肯锡 RAI 成熟度模型是一个负责任的人工智能框架，包含 RAI 的四个维度——战略、风险管理、数据和技术以及运营模式——以及 21 个子维度。RAI 成熟度分为四个等级，从开发基础 RAI 实践到全面、积极的计划。\\n\\n* * *\\n\\n引用作品\\n\\nAlanazi, S., & Asif, S. (2024). “Exploring Deepfake Technology: Creation, Consequences and Countermeasures.” Human- Intelligent Systems Integration, 6(1), 49–60. [https://doi.org/10.1007/s42454-024-00054-8](https://doi.org/10.1007/s42454-024-00054-8)\\n\\nBai, X., Wang, A., Sucholutsky, I., & Grifths, T. L. (2024). Measuring Implicit Bias in Explicitly Unbiased Large Language Models\\n(arXiv:2402.04105). arXiv. [https://doi.org/10.48550/arXiv.2402.04105](https://doi.org/10.48550/arXiv.2402.04105)\\n\\nBirhane, A., Dehdashtian, S., Prabhu, V. U., & Boddeti, V. (2024). “The Dark Side of Dataset Scaling: Evaluating Racial Classifcation\\nin Multimodal Models.” The 2024 ACM Conference on Fairness, Accountability, and Transparency, 1229–44. [https://doi](https://doi/).\\norg/10.1145/3630106.3658968\\n\\nBommasani, R., Klyman, K., Kapoor, S., Longpre, S., Xiong, B., Maslej, N., & Liang, P. (2025). The 2024 Foundation Model Transparency Index (arXiv:2407.12929). arXiv. [https://doi.org/10.48550/arXiv.2407.12929](https://doi.org/10.48550/arXiv.2407.12929)\\n\\nGermani, F., Spitale, G., & Biller-Andorno, N. (2024). The Dual Nature of AI in Information Dissemination: Ethical Considerations.\\nJmir Ai, 3, e53505. [https://doi.org/10.2196/53505](https://doi.org/10.2196/53505)\\n\\nGu, X., Zheng, X., Pang, T., Du, C., Liu, Q., Wang, Y., Jiang, J., & Lin, M. (2024). Agent Smith: A Single Image Can Jailbreak One\\nMillion Multimodal LLM Agents Exponentially Fast (arXiv:2402.08567). arXiv. [https://doi.org/10.48550/arXiv.2402.08567](https://doi.org/10.48550/arXiv.2402.08567)\\n\\nLi, J., Cheng, X., Zhao, W. X., Nie, J.-Y., & Wen, J.-R. (2023). HaluEval: A Large-Scale Hallucination Evaluation Benchmark for\\nLarge Language Models (arXiv:2305.11747). arXiv. [https://doi.org/10.48550/arXiv.2305.11747](https://doi.org/10.48550/arXiv.2305.11747)\\n\\nLiebowitz, J., ed. (2024). Regulating Hate Speech Created by Generative AI. Auerbach Publications. [https://doi](https://doi/).\\norg/10.1201/9781032654829\\n\\nLongpre, S., Mahari, R., Lee, A., Lund, C., Oderinwale, H., Brannon, W., Saxena, N., Obeng-Marnu, N., South, T., Hunter, C., Klyman,\\nK., Klamm, C., Schoelkopf, H., Singh, N., Cherep, M., Anis, A., Dinh, A., Chitongo, C., Yin, D., … Pentland, S. (2024). Consent in\\nCrisis: The Rapid Decline of the AI Data Commons (arXiv:2407.14933). arXiv. [https://doi.org/10.48550/arXiv.2407.14933](https://doi.org/10.48550/arXiv.2407.14933)\\n\\n* * *\\n\\nMazeika, M., Phan, L., Yin, a42%Zou, A., Wang, Z., Mu, N., Sakhaee, E., Li, N., Basart, S., Li, B., Forsyth, D., & Hendrycks, D. (2024a).\\nHarmBench: A Standardized Evaluation Framework for Automated Red Teaming and Robust Refusal (arXiv:2402.04249). arXiv.\\n[https://doi.org/10.48550/arXiv.2402.04249](https://doi.org/10.48550/arXiv.2402.04249)\\n\\nParrish, A., Chen, A., Nangia, N., Padmakumar, V., Phang, J., Thompson, J., Htut, P. M., & Bowman, S. R. (2022). BBQ: A Hand-\\nBuilt Bias Benchmark for Question Answering (arXiv:2110.08193). arXiv. [https://doi.org/10.48550/arXiv.2110.08193](https://doi.org/10.48550/arXiv.2110.08193)\\n\\nQi, X., Panda, A., Lyu, K., Ma, X., Roy, S., Beirami, A., Mittal, P., & Henderson, P. (2024). Safety Alignment Should Be Made More\\nThan Just a Few Tokens Deep (arXiv:2406.05946). arXiv. [https://doi.org/10.48550/arXiv.2406.05946](https://doi.org/10.48550/arXiv.2406.05946)\\n\\nReuel, A., Connolly, P., Meimandi, K. J., Tewari, S., Wiatrak, J., Venkatesh, D., & Kochenderfer, M. (2024). Responsible AI in the\\nGlobal Context: Maturity Model and Survey (arXiv:2410.09985). arXiv. [https://doi.org/10.48550/arXiv.2410.09985](https://doi.org/10.48550/arXiv.2410.09985)\\n\\nRöttger, P., Kirk, H. R., Vidgen, B., AttanasioB, G., ianchi, F., & Hovy, D. (2024). XSTest: A Test Suite for Identifying Exaggerated\\nSafety Behaviours in Large Language Models (arXiv:2308.01263). arXiv. [https://doi.org/10.48550/arXiv.2308.01263](https://doi.org/10.48550/arXiv.2308.01263)\\n\\nRuan, Y., Dong, H., Wang, A., Pitis, S., Zhou, Y., Ba, J., Dubois, Y., Maddison, C. J., & Hashimoto, T. (2024). Identifying the Risks of\\nLM Agents with an LM-Emulated Sandbox (arXiv:2309.15817). arXiv. [https://doi.org/10.48550/arXiv.2309.15817](https://doi.org/10.48550/arXiv.2309.15817)\\n\\nSimchon, A., Edwards, M., & Lewandowsky, S. (2024). The Persuasive Efects of Political Microtargeting in the Age of Generative\\nArtifcial Intelligence. PNAS Nexus, 3(2), pgae035. [https://doi.org/10.1093/pnasnexus/pgae035](https://doi.org/10.1093/pnasnexus/pgae035)\\n\\nSpivak, R. (2018). “Deepfakes”: The Newest Way to Commit One of the Oldest Crimes. Georgetown Law Technology Review, 3,\\n339\\\\. [https://georgetownlawtechreview.org/wp-content/uploads/2019/05/3.1-Spivak-pp-339-400.pdf](https://georgetownlawtechreview.org/wp-content/uploads/2019/05/3.1-Spivak-pp-339-400.pdf)\\n\\nVidgen, B., Scherrer, N., Kirk, H. R., Qian, R., Kannappan, A., Hale, S. A., & Röttger, P. (2024). SimpleSafetyTests: A Test Suite for\\nIdentifying Critical Safety Risks in Large Language Models (arXiv:2311.08370). arXiv. [https://doi.org/10.48550/arXiv.2311.08370](https://doi.org/10.48550/arXiv.2311.08370)\\n\\nZeng, Y., Yang, Y., Zhou, A., Tan, J. Z., Tu, Y., Mai, Y., Klyman, K., Pan, M., Jia, R., Song, D., Liang, P., & Li, B. (2024). AIR-Bench\\n2024: A Safety Benchmark Based on Risk Categories From Regulations and Policies (arXiv:2407.17436). arXiv. [https://-](https://-/)\\ndoi.org/10.48550/ arXiv.2407.17436\\n\\n* * *\\n\\n第四章：经济\\n\\n第四章：经济\\n\\n国际机器人联合会营OLX萨\\n\\nLightcast\\n\\nVishy Kamalapuram 和 Elena Magrini 编写\\n\\n为了支持这些分析，Lightcast 挖掘了其自 2010 年以来收集的数百万个招聘信息数据集。Lightcast 收集了 51,000 多个在线招聘网站的招聘信息，对劳动力市场需求进行全面、实时的描绘。它汇总招聘信息，删除重复信息，并从招聘信息文本中提取数据。其中包括职位名称、雇主、行业和地区信息，以及所需的经验、教育和技能。\\n\\n1、 [https://lightcast.io/open-skills](https://lightcast.io/open-skills)\\n\\n数据来源是劳工统计局开展的职位空缺和劳动力流动调查\\n（JOLTS）项目。根据 JOLTS 和 Lightcast 之间的比较，\\nLightcast 数据捕捉到的劳动力市场需求占劳动力的 99% 以上。未在网上发布的职位通常出现在小企业（如餐馆橱窗上的 \\\"Help Wanted \\\"招牌）和工会招聘大厅。\\n\\n为了衡量雇主对人工智能技能的需求，Lightcast 使用其包含\\n33,000 多种技能的技能分类法。1 以下是 Lightcast 提供的人工智能技能列表，以及相关的技能集群。在本报告中，以下所有技能均被视为人工智能技能。如果招聘信息中提到这些技能中的任何一项，则被视为人工智能职位。\\n\\n衡量对人工智能的需求\\n\\n人工智能伦理、治理和监管：ethical AI, data sovereignty, AI\\nsecurity, artifcial intelligence risk.\\n\\n人工智能：agentic systems, AI/ML inference, AIOps (artifcial\\nintelligence for IT operations), AI personalization, AI testing,\\napplications of artifcial intelligence, artifcial general intelligence,\\nartifcial intelligence, artifcial intelligence development, Artifcial\\nIntelligence Markup Language (AIML), artifcial intelligence\\nsystems, automated data cleaning, Azure Cognitive Services,\\nBaidu, cognitive automation, cognitive computing, computational intelligence, Cortana, Data Version Control (DVC), Edge\\nIntelligence, embedded AI, expert systems, explainable AI (XAI),\\nintelligent control, intelligent systems, interactive kiosk, IPSoft\\nAmelia, knowledge distillation, knowledge engineering, knowledge- based confguration, knowledge-based systems, knowledge representation, multi-agent systems, neuro-symbolic AI,\\n\\n* * *\\n\\n第四章：经济\\n\\nOpen Neural Network Exchange (ONNX), OpenAI Gym, operationalizing AI, PineCone, Qdrant, reasoning systems, swarm\\nintelligence, synthetic data generation, Watson Conversation,\\nWatson Studio, Weka Weaviate.\\n\\n自主驾驶：advanced driver-assistance systems, autonomous\\ncruise control systems, autonomous system, autonomous\\nvehicles, dynamic routing, guidance navigation and control\\nsystems, light detection and ranging (LiDAR), object tracking,\\nOpenCV, path analysis, path fnding, remote sensing, scene\\nunderstanding, unmanned aerial systems (UAS).。\\n\\n生成式人工智能：Adobe Sensei, ChatGPT, CrewAI, DALL-E\\nimage generator, generative adversarial networks, generative\\nAI agents, generative artifcial intelligence,Google Bard, image\\ninpainting, image super-resolution, LangGraph, large language\\nmodeling, Microsoft Copilot, multimodal learning, multimodal\\nmodels, prompt engineering, retrieval- augmented generation,\\nStable Difusion, text summarization, text to speech (TTS),\\nvariational autoencoders (VAEs).\\n\\n机器学习：AdaBoost (adaptive boosting), adversarial machine\\nlearning, Apache MADlib, Apache Mahout, Apache SINGA,\\nApache Spark, association rule learning, attention mechanisms, AutoGen, automated machine learning, autonomic\\ncomputing, AWS SageMaker, Azure Machine Learning, bagging techniques, Bayesian belief networks, Boltzmann Machine, boosting, Chi-Squared Automatic Interaction Detection\\n(CHAID), Classifcation and Regression Tree (CART), cluster\\nanalysis, collaborative fltering, concept drift detection, confusion matrix, cyber-physical systems, Dask (Software), data\\nclassifcation, Dbscan, decision models, decision-tree learning,\\ndimensionality reduction, distributed machine learning, Dlib\\n(C++ library), embedded intelligence, ensemble methods, evolutionary programming, expectation maximization algorithm,\\nfeature engineering, feature extraction, feature learning, feature selection, federated learning, game AI, Gaussian process,\\ngenetic algorithm, Google AutoML, Google Cloud ML Engine,\\ngradient boosting, gradient boosting machines (GBM), H2O.ai,\\n\\nai, hidden Markov model, hyperparameter optimization, incremental learning, inference engine, k-means clustering, kernel\\nmethods, Kubefow, LIBSVM, loss functions, machine learning,\\nmachine learning algorithms, machine learning methods, machine learning model monitoring and evaluation, machine\\nlearning model training, Markov chain, matrix factorization,\\nmeta learning, Microsoft Cognitive Toolkit (CNTK), MLfow,\\nMLOps (machine learning operations), mlpack (C++ library),\\nModelOps, Naive Bayes Classifer, neural architecture compression, neural architecture search (NAS), objective function,\\nOracle Autonomous Database, Perceptron, Predictionio, predictive modeling, programmatic media buying, Pydata, Py-\\nTorch (machine learning library), PyTorch Lightning, Random\\nForest Algorithm, recommender systems, reinforcement learning, Scikit-Learn (Python package), semi-uupervised learning,\\nsoft computing, sorting algorithm, supervised learning, support\\nvector machines (SVM), t-SNE (t-distributed Stochastic\\nNeighbor Embedding), test datasets, topological data analysis\\n(TDA), Torch (machine learning), training datasets, transfer\\nlearning, transformer (machine learning model), unsupervised\\nlearning, Vowpal Wabbit, Xgboost, Theano (software).\\n\\n自然语言处理：AI copywriting, Amazon Alexa, Amazon\\nTextract, ANTLR, Apache OpenNLP, BERT (NLP Model), chatbot, computational linguistics, conversational AI, DeepSpeech,\\ndialog systems, fastText, fuzzy logic, handwriting recognition,\\nHugging Face (NLP framework), Hugging Face Transformers,\\nintelligent agent, intelligent virtual assistant, Kaldi, language\\nmodel, latent Dirichlet allocation, Lexalytics, machine translation, Microsoft LUIS, natural language generation (NLG), natural language processing (NLP), natural language programming,\\nnatural language toolkits, natural language understanding\\n(NLU), natural language user interface, nearest neighbour\\nalgorithm, Nuance Mix, optical character recognition (OCR),\\nscreen reader, semantic analysis, semantic interpretation for\\nspeech recognition, semantic kernel, semantic parsing,\\nsemantic search, sentence transformers, sentiment analysis,\\nSeq2Seq, Shogun, small language model, speech recognition,\\nspeech recognition software, speech synthesis, statistical language\\n\\n* * *\\n\\n第四章：经济\\n\\nstatistical language acquisition, summarization methods, text\\nmining, text retrieval systems, text to speech (TTS), tokenization, Vespa, voice assistant technology, voice interaction, voice\\nuser interface, word embedding, Word2Vec models.\\n\\n神经网络：Apache MXNet, artifcial neural networks, autoencoders, Cafe (framework), Cafe2, Chainer (Deep Learning\\nFramework), convolutional neural networks (CNN), Cudnn,\\ndeep learning, deep learning methods, Deeplearning4j, deep\\nreinforcement learning (DRL), evolutionary acquisition of\\nneural topologies, Fast. AI, graph neural networks (GNNs),\\nKeras (neural network library), Long Short-Term Memory\\n(LSTM), neural ordinary diferential equations, OpenVINO, PaddlePaddle, Pybrain, recurrent neural network (RNN), reinforcement learning (RL), residual networks (ResNet),\\nsequence-to-sequence models (seq2seq), spiking neural networks, TensorFlow.\\n\\n机器人：advanced robotics, bot framework, cognitive robotics,\\nmeta-reinforcement learning, motion planning, Nvidia Jetson,\\nOpenAI Gym environments, reinforcement learning from\\nhuman feedback (RLHF), robot framework, robot operating\\nsystems, robotic automation software, robotic liquid handling\\nsystems, robotic programming, robotic systems, servomotor,\\nSLAM algorithms (Simultaneous Localization and Mapping).\\n\\n视觉图像识别：3D reconstruction, activity recognition,\\ncomputer vision, contextual image classifcation, Deck.gl, digital image processing, digital twin technology, eye tracking,\\nface detection, facial recognition, general-purpose computing\\non graphics processing units, gesture recognition, image analysis, image captioning, image matching, image recognition,\\nimage segmentation, image sensor, ImageNet, instance segmentation, machine vision, MNIST, motion analysis, object\\nrecognition, OmniPage, pose estimation, RealSense, thermal\\nimaging analysis.\\n\\n领英\\n\\nRosie Hood、Akash Kaura 和 Mar Carpanelli 编写\\n\\n这组作品代表了通过领英数据所看到的世界，这些数据来自领英全球超过 10 亿会员的匿名和汇总的个人资料信息。因此，它受到会员选择使用平台方式的影响，而会员选择使用平台的方式可能因职业、社交和地区文化以及网站的整体可用性和可访问性而有所不同。在发布 领英经济图谱的洞察时，领英提供准确的统计数据，同时确保 领英会员的隐私。因此，所有数据显示的都是相应时期汇总信息，遵循严格的数据质量阈值，不会披露任何特定个人的信息。\\n\\n领英 数据\\n\\n领英 提供了阿根廷、澳大利亚、奥地利、比利时、巴西、加拿大、智利、哥斯达黎加、克罗地亚、塞浦路斯、捷克、丹麦、爱沙尼亚、芬兰、法国、德国、希腊、香港特别行政区、匈牙利、冰岛、印度、印度尼西亚、爱尔兰、以色列、意大利、拉脱维亚、立陶宛、卢森堡、墨西哥、荷兰、新西兰、挪威、波兰、葡萄牙、罗马尼亚、沙特阿拉伯、新加坡、斯洛文尼亚、南非、韩国、西班牙、瑞典、瑞士、土耳其、阿拉伯联合酋长国、英国、美国和乌拉圭的数据。\\n\\n国家样本\\n\\n领英 将人工智能技能分为两个相互排斥的类别：\\\" 人工智能工程 \\\" 和 \\\" 人工智能素养 \\\"。从广义上讲，人工智能工程技能指的是设计、开发、部署和维护人工智能系统所需的专业技术和实践能力，而人工智能素养技能指的是理解、评估和有效地与人工智能技术互动所需的知识、能力和批判性思维能力。随着技能的不断发展，我们会定期维护和更新这些分类。有关本分析中包含的技能列表，请参阅下面的 领英 人工智能技能列表。\\n\\n* * *\\n\\n附录\\n\\n第四章：经济\\n\\n行业\\n\\n领英 的行业分类法是共享经济活动并对特定产品或服务做出贡献的实体的集合。一个行业代表一家公司提供或销售的产品或服务。领英 分析了人工智能背景下的以下行业：教育；金融服务；制造业；专业服务；以及技术、信息和媒体。\\n\\n性别\\n\\n领英认识到，一些领英会员的性别认同超越了 \\\" 男性 \\\" 和 \\\" 女性 \\\" 的传统性别建构。如果没有明确的自我认同，领英 会根据\\n领英 资料中使用的代词或根据名字来推断本次分析中会员的性别。性别无法被推断为男性或女性的会员，将被排除在任何性别分析之外。请注意，领英 过滤了其性别归因算法覆盖范围不足的国家。\\n\\n人工智能工作或职业\\n\\n领英会员的头衔是标准化的，分为 16,000 多种职业。这些职业并不针对特定行业或国家。人工智能工作需要具备人工智能技能才能高效注意力地完成工作。这类职业的例子包括（但不限于）：机器学习工程师、人工智能专家、数据科学家和计算机视觉工程师。\\n\\n如果领英会员在个人档案中明确添加了至少两项人工智能技能，并且 / 或者他们现在或曾经受雇于人工智能工作，那么他们就被视为人工智能人才。\\n\\nA7 增长最快的人工智能技能\\n\\n所有会员最常添加的人工智能技能的同比增长率。请注意，领英 对最近一年的技能添加量设置了阈值，该阈值设定为最近一年按国家分类的人工智能技能添加量分布的第 50 百分位数。\\n\\n解读：全球增长最快的人工智能工程技能是定制 GPT、人工智能生产力和人工智能智能体。\\n\\n人工智能人才计数用于计算人才集中度指标。换句话说，在计算国家级人工智能人才集中度时，领英 使用特定国家的人工智能人才数量除以该国的 领英会员数量。请注意，集中度指标可能会受到 领英 在这些国家覆盖范围的影响，因此应谨慎使用。\\n\\n3. 人工智能人才集聚\\n\\n解读：拥有人工智能工程技能的人工智能人才占美国领英会员的 0.78%。\\n\\n4. 相对人工智能人才聘用率同比比率\\n\\n领英雇用率是按领英会员人数归一化的雇用衡量标准。它的计算方法是，在工作开始的同期新增雇主的 领英会员的百分比除以相应地点的 领英会员总数。\\n\\n人工智能聘用率采用总体聘用率方法计算，但只考虑被归类为\\n\\n* * *\\n\\n人工智能人才的成员。相对人工智能人才招聘率同比比是指人工智能人才招聘率相对于同一国家整体招聘率的同比变化。领英 分享的是 12 个月的移动平均值。\\n\\n解读：在美国，人工智能人才招聘相对于整体招聘的比例增长了 24.7%。\\n\\n5. 技能穿透\\n\\n技能基因组（SKILLS GENOME）\\n\\n对于任何类别（职业、国家、行业等），技能基因组都是该类别最具特征的 50 种技能的有序列表（向量）。这些最具特征的技能是通过 TF-IDF 算法确定的，该算法会将那些对特定实体（如\\nMicrosoft Word）增加信息很少的无处不在技能向下排序，而将特定实体（如人工智能）独有的技能向上排序。更多详情，请参 阅 LinkedIn’ s skills genome 和 LinkedIn–World Bank\\nMethodology 说明。\\n\\n例如，表 1 详细列出了 2024 年美国技术、信息和媒体行业的技能基因组，显示了按 TF-IDF 排序的前 10 项技能。\\n\\n| 技能名称 | TF-IDF技能等级 |\\n| --- | --- |\\n| Amazon Web Services (AWS) | 1 |\\n| Softwarea a Service (SaaS) | 2 |\\n| Artifcialintelligence(AI) | 3 |\\n| Python (programminglanguage) | 4 |\\n| Go-to-marketstrategy | 5 |\\n| Customer success | 6 |\\n| Large language models (LLM) | 7 |\\n| Salesforce.com | 8 |\\n| SQL | 9 |\\n| Generative AI | 10 |\\n\\n这一指标的目的是采用以下方法衡量某一类别中人工智能技能的强度：\\n\\n人工智能技能渗透\\n\\n•领英 计算了 2015 年以来 领英会员在特定实体（职业、行业等）中自我添加的所有技能的频率。\\n\\n•领英 使用 TF-IDF 模型对技能频率进行重新加权，以获得该实体中最具代表性的前 50 种技能。这 50 种技能构成了该实体的 \\\" 技能基因组 \\\"。\\n\\n•领英 会计算属于人工智能技能组的技能在所选实体的顶级技能中所占的比例。\\n\\n解释：人工智能技能渗透率表明人工智能技能在各职业中的普及程度，或者说 领英会员在工作中使用人工智能技能的强度。例如，工程师这一职业的前 50 项技能是根据它们在 领英会员资料中出现的加权频率计算出来。如果工程师所掌握的技能中有四项属于人工智能技能组，那么这一测量结果表明，人工智能技能在工程师中的渗透率估计为 8%（即 4/50）。\\n\\n解释：如果一个国家的人工智能技能相对渗透率为 1.5，这意味着在一组重叠的职业中，人工智能技能的使用频率是比较基准的 1.5 倍。\\n\\n* * *\\n\\n附录\\n\\n第四章：经济\\n\\n解释：相对渗透率为 2 意味着在同一组职业中，该国人工智能技能的平均渗透率是全球平均水平的 2 倍。\\n\\n全球比较：按行业\\n\\n按国家分类特定行业的相对人工智能技能渗透率，对各行业和各国的人工智能技能渗透率进行了深入的行业分解。\\n\\n解释：一个国家教育领域的人工智能技能相对渗透率为 2，意味着在该领域的同一组职业中，该国人工智能技能的平均渗透率是全球平均水平的 2 倍。\\n\\n全球比较：按性别分类\\n\\n解释：一个国家的女性人工智能技能渗透率为 1.5，这意味着该国女性成员掌握人工智能技能的可能性是所有国家女性成员平均水平的 1.5 倍。\\n\\n6.人工智能领域的女性代表\\n\\n由于 领英 将一个国家的人工智能技能渗透率按性别与相同的全球平均水平进行比较，而不分性别，因此性别间的相对人工智能技能渗透率可以在全球各国内部和各国之间跨性别比较。\\n\\n7.人工智能人才迁移\\n\\n移民数据来自 World Bank Group– LinkedIn \\\" 数字数据促进发展（Digital Data for Development） \\\" 合 作 项 目（见\\n[https://linkedindata.worldbank.org/](https://linkedindata.worldbank.org/) 和 Zhu 等 (2018) ）。领英的迁移率来自领英会员档案中自我认定的地点。例如，当 领英会员将其所在地从巴黎更新为伦敦时，这将被算作一次迁移。迁移数据自 2019 年起可用。\\n\\n领英 数据可帮助各国深入了解因迁移趋势而增减的人工智能人才。人工智能人才迁移是指在时间 \\\"t\\\"，A 国为相关国家，B 国为流入来源国和流出目的国，所有拥有人工智能技能 / 从事人工智能工作的成员。因此，A 国与 B 国之间的人工智能人才净迁徙计算如下：\\n\\n$$\\n\\\\\\\\text {N e t A I T a l e n t M i g r a t i o n} \\\\_ {a, b, t} = \\\\\\\\frac {\\\\\\\\text {N e t A I T a l e n t f l o w s} \\\\_ {a , b , t}}{\\\\\\\\text {M e m b e r c o u n t} \\\\_ {a , t}}\\n$$\\n\\n净流量的定义是在特定时间段内到达人数减去离开人数。不同国家的 领英会员人数各不相同，这对解释会员从一个国家到另一个国家的绝对流动情况具有挑战性。因此，我们对每个国家的迁徙流量进行了归一化处理。例如，就 A 国而言，所有进出 A 国的绝对净流量（不考虑原籍国和目的地国）都根据 A 国每年年底的 领英会员人数进行了归一化处理，然后乘以 10,000。因此，该指标显示的是从所有国家迁入或迁出 A 国的相对人才流动情况。请注意为了使过渡具有足够的样本量，我们采用了最低阈值。\\n\\n解释：美国的人工智能人才净流量与其成员规模相比呈正数，每\\n10,000 名成员中有 1.07 名人工智能人才净流入。\\n\\n8.进入人工智能工作的职业转型\\n\\n领英 考虑了为人工智能职业提供养分的来源职业，分析了五年转入人工智能职业的比例。职业转换的计算方法是将成员从一个职\\n\\n* * *\\n\\n附录\\n\\n第四章：经济\\n\\n业到另一个职业的工作转换进行汇总。领英 不包括新毕业生新增的第一份职业和职业内部的转换。\\n\\n解读：在美国，有 26.9% 的人工智能工程师是从软件工程师转型而来，其次是 13.3% 的数据科学家。\\n\\n领英人工智能技能列表\\n\\n人工智能工程\\n3D reconstruction, AI agents, AI productivity, AI strategy, algorithm analysis, algorithm development, Amazon Bedrock,\\nApache Spark ML, applied machine learning, artifcial intelligence (AI), artifcial neural networks, association rules, audio\\nsynthesis, autoencoders, automated clustering, automated\\nfeature engineering, automated machine learning (AutoML),\\nautomated reasoning, autoregressive models, Azure AI Studio,\\nCafe, chatbot development, chatbots, classifcation, cognitive\\ncomputing, computational geometry, computational intelligence, computational linguistics, concept drift adaptation,\\nconditional generation, conditional image generation, convolutional neural networks (CNN), custom GPTs, decision trees,\\ndeep convolutional generative adversarial networks (DCGAN),\\ndeep convolutional neural nNetworks (DCNN), deep learning,\\ndeep neural networks (DNN), evolutionary algorithms, expert\\nsystems, facial recognition, feature extraction, feature selection, fuzzy logic, generative adversarial imitation learning, generative adversarial networks (GANs), generative AI, generative\\ndesign optimization, generative fow models, generative modeling, generative neural networks, generative optimization,\\ngenerative pre-training, generative query networks (GQNs),\\ngenerative replay memory, generative synthesis, gesture recognition, Google Cloud AutoML, graph embeddings, graph\\nnetworks, hyperparameter optimization, hyperparameter\\ntuning, image generation, image inpainting, image processing,\\nimage synthesis, image-to-image translation, information\\nextraction, intelligent agents, k-means clustering, Keras,\\nknowledge discovery, knowledge representation and reasoning,\\n\\nLangChain, large language model operations (LLMOps), large\\nlanguage models (LLM), machine learning, machine learning\\nalgorithms, machine translation, Microsoft Azure Machine\\nLearning, MLOps, model compression, model interpretation,\\nmodel training, music generation,nNatural language generation, natural language processing (NLP), natural language understanding, neural network architecture design, neural networks, NLTK, object recognition, ontologies, OpenAI API,\\nOpenCV, parsing, pattern recognition, predictive modeling,\\nprobabilistic generative models, probabilistic programming,\\nprompt fow, PyTorch, question answering, random forest,\\nRapidMiner, recommender systems, recurrent neural networks\\n(RNN), reinforcement learning, responsible AI, Scikit-Learn,\\nsemantic technologies, semantic web, sentiment analysis,\\nspeech recognition, Spring AI, statistical inference, style transfer, StyleGAN, supervised learning, support vector machine\\n(SVM), synthetic data generation, TensorFlow, text analytics,\\ntext classifcation, text generation, text mining, text-to-image\\ngeneration, Theano, time series forecasting, transformer\\nmodels, unsupervised learning, variational autoencoders\\n(VAEs), video generation, web mining, Weka, WordNet.\\n\\nAI Builder, AI prompting, Anthropic Claude, ChatGPT, DALL-E,\\ngenerative AI, Generative AI Studio, generative AI tools, generative art, GitHub Copilot, Google Bard, Google Gemini, GPT-3,\\nGPT-4, LLaMA, Microsoft Copilot, Microsoft Copilot Studio,\\nMidjourney, multimodal prompting, prompt engineering, Stable\\nDifusion.\\n\\n领英谨此致谢 Murat Erer 和 Carl Shan 在制定这些方法和指标方面所做的贡献，以及我们在经合组织人工智能组织（OECD.AI）、\\nStanford Institute for Human-Centered AI 和 Centro Nacional\\nde Inteligencia Artificial，Cenia 的合作者提供的反馈意见。\\n\\n* * *\\n\\nQuid\\n\\n由 Heather English 和 Hansen Yang 撰写的 Quid 见解\\n\\nQuid 利用自身的内部 大语言模型和其他智能搜索功能以及传统的布尔查询，搜索许多数据集中的重点领域、主题和关键词：社交媒体、新闻、论坛和博客、公司、专利，以及其他自定义（如调查数据）。Quid拥有多种可视化选项和数据交付终端，包括基于语义相似性的网络图表、平台内仪表盘功能和程序化PostgreSQL数据库交付。Quid 应用一流的人工智能和 NLP 来揭示大型数据集中隐藏的模式，使用户能够准确、快速、高效地做出数据驱动型决策。\\n\\n搜索、数据来源和范围\\n\\n对来自多个数据源的 800 多万条全球上市和私营公司简介进行索引，以便在公司描述中进行搜索，同时过滤并包含从投资信息到公司地理信息（如成立年份、总部所在地等）的元数据。公司信息每周更新一次。Quid 算法从每份文档中读取大量文本数据，根据不同文档的相似语言在它们之间建立链接。这一过程在巨大的范围内重复进行，从而产生一个由不同集群组成的网络，识别出不同的主题或重点领域。趋势是根据 Quid 识别的关键词、短语、人物、公司和机构以及其他输入软件的元数据确定的。\\n\\n组织数据来自 Capital IQ 和Crunchbase.这些公司包括全球各种类型的组织（私营、上市、运营、作为子公司运营、停业）。投资数据包括私人投资、并购、公开募股、私募股权投资/风险投资公司持有的少数股权、企业风险部门、政府以及境内外的机构。有些数据\\n\\n数据公司\\n\\n无法获得。例如，当投资者姓名或融资金额未披露时。Quid 默认嵌入了 Capital IQ 的数据，并将来自 Crunchbase 的数据添加到 Capital IQ 未捕获的数据点中。这不仅能获得有关所有全球机构的全面而准确的数据，还能捕捉早期初创企业和融资事件的数据。\\n\\n布尔查询用于搜索存档公司数据库及其业务描述和网站内的重点领域、主题和关键字。Quid 可根据总部所在地区、投资金额、运营状况、组织类型（私营 / 公共）和成立年份过滤搜索结果。然后，Quid 根据语义相似性对这些公司进行可视化处理。如果搜索结果中有超过 7,000 家公司，Quid 会根据语言算法选择 7,000 家最相关的公司进行可视化。布尔搜索：\\\" 人工智能 \\\" 或 \\\"AI \\\" 或 \\\" 机器学习 \\\" 或 \\\" 深度学习”。\\n\\n搜索参数\\n\\n•2014 年 1 月 1 日至 2024 年 12 月 31 日期间获得投资\\n（私募、IPO、并购）的全球人工智能和机器学习公司。\\n\\n公司\\n\\n•在 过 去 10 年（2014 年 1 月 1 日 至 2024 年 12 月 31\\n日）融资超过 150 万美元的全球人工智能和机器学习公司\\n•我们还提取了生成式人工智能查询的全球数据（布尔搜索：\\\" 生成式人工智能 \\\" 或 \\\" 生成式人工智能 \\\" 或 \\\" 生成式人工智能 \\\"）查询过去 10 年（2014 年 1 月 1 日至 2024\\n年 12 月 31 日）中获得超过 150 万美元的公司。\\n\\n•私募投资：私募是公司向特定投资者或投资者群体私下出售新发行的证券（股权或债务）。买方在私募中获得的股权通常是少数股权（50% 以下），不过有可能通过私募获得\\n\\n* * *\\n\\n附录\\n\\n第四章：经济\\n\\n公司的控制权，在这种情况下，私募就是多数股权投资。\\n\\n•少数股权投资：这是指 Quid 的少数股权收购，即买方收购实体、资产产品和业务部门50%以下的现有所有权股权。\\n\\n麦肯锡\\n\\n企业活动 \\\"部分使用的数据来自麦肯锡的两项全球调查：The\\nState of AI in Early 2024: Gen AI Adoption Spikes and\\nStarts to Generate Value \\\" 和 \\\"The State of AI: How Organizations Are Rewiring to Capture Value .\\\" 。\\n\\n2024 年的首次在线调查于 2 月 22 日至 3 月 5 日进行，共收到1363名参与者的回复，他们代表了不同地区、行业、公司规模、职能专业和任期。在受访者中，981人表示他们的组织至少在一项业务职能中采用了人工智能，878人表示他们的组织至少在一项职能中定期使用人工智能技术。\\n\\n2024 年的第二次在线调查于 7 月 16 日至 7 月 31 日进行，\\n共收到来自 101 个国家的 1491 位参与者的回复，他们代表了不同的地区、行业、公司规模、职能专业和任期。42% 的受访者表示，他们为年收入超过 5 亿美元的企业工作。\\n\\n为调整答复率差异，数据按每个答复国对全球 GDP 的贡献进行加权。\\n\\n人工智能指数还考虑了麦肯锡前几次调查的数据。这些数据包括：\\n\\nThe State of AI in 2023: Generative AI’ s Breakout Year\\nThe State of AI in 2022—and a Half Decade in Review\\n\\nThe State of AI in 2021\\n\\nThe State of AI in 2020\\n\\nAI Proves Its Worth, But Few Scale Impact (2019)\\n\\nAI Adoption Advances, But Foundational Barriers Remain\\n(2018)\\n\\n* * *\\n\\n引用作品\\n\\nBrynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at Work. The Quarterly Journal of Economics, qjae044. [https://doi](https://doi/).\\norg/10.1093/qje/qjae044\\n\\nCui, Z. (Kevin), Demirer, M., Jafe, S., Musolf, L., Peng, S., & Salz, T. (2025). The Efects of Generative AI on High-Skilled Work: Evidence From Three Field Experiments With Software Developers (SSRN Scholarly Paper 4945566). [https://doi.org/10.2139/](https://doi.org/10.2139/)\\nssrn.4945566\\n\\nDell’Acqua, F., McFowland, E., Mollick, E. R., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K.\\nR. (2023). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Efects of AI on Knowledge Worker\\nProductivity and Quality. SSRN Electronic Journal. [https://doi.org/10.2139/ssrn.4573321](https://doi.org/10.2139/ssrn.4573321)\\n\\nHanda, K., Tamkin, A., McCain, M., Huang, S., Durmus, E., Heck, S., Mueller, J., Hong, J., Ritchie, S., Belonax, T., Troy, K. K.,\\nAmodei, D., Kaplan, J., Clark, J., & Ganguli, D. (2025). Which Economic Tasks Are Performed with AI? Evidence From Millions of\\nClaude Conversations (arXiv:2503.04761). arXiv. [https://doi.org/10.48550/arXiv.2503.04761](https://doi.org/10.48550/arXiv.2503.04761)\\n\\nHofmann, M., Boysel, S., Nagle, F., Peng, S., & Xu, K. (2024). Generative AI and the Nature of Work (No. 11479). CESifo Working\\nPaper. [https://www.econstor.eu/bitstream/10419/308375/1/cesifo1\\\\_wp11479.pdf](https://www.econstor.eu/bitstream/10419/308375/1/cesifo1_wp11479.pdf)\\n\\nJafe, S., Shah, N. P., Butler, J., Farach, A., Cambon, A., Hecht, B., Schwarz, M., & Teevan, J. (eEds.). (2024). Generative AI in Real-World Workplaces: The Second Microsoft Report on AI and Productivity Research. Microsoft. [https://www.microsoft.com/](https://www.microsoft.com/)\\nen-us/research/wp-content/uploads/2024/07/Generative-AI-in-Real-World-Workplaces.pdf\\n\\nNecula, S.-C., Fotache, D., & Rieder, E. (2024). Assessing the Impact of Artifcial Intelligence Tools on Employee Productivity:\\nInsights From a Comprehensive Survey Analysis. Electronics, 13(18), Article 18. [https://doi.org/10.3390/electronics13183758](https://doi.org/10.3390/electronics13183758)\\n\\nToner-Rodgers, A. (2024). Artifcial Intelligence, Scientifc Discovery, and Product Innovation (arXiv:2412.17866). arXiv. [https://doi](https://doi/).\\norg/10.48550/arXiv.2412.17866\\n\\n* * *\\n\\n第五章：科学与医学\\n\\n致谢\\n\\n人工智能指数谨此致谢 Armin Hamrah 在调查与人工智能相关的科学和医学重大趋势方面所做的工作。\\n\\n比较基准\\n\\n74SnmWG表 关 MedQA 的 数 据 来 自 2025 年 2 月 的\\nMedQA Papers With Code leaderboard。要 了 解 有 关\\nMedQA 的更多信息，请阅读 原文 。\\n\\n人工智能驱动的蛋白质科学论文统计\\n\\n人工智能指数利用 Semantic Scholar 和谷歌学术（Google\\nScholar）来衡量 2023 年至 2025 年发表的手稿数量。然后对每 个 关 键 术 语（如 “foundation models,” “microscopy,”\\n“electron microscopy,” “fuorescence microscopy,” “light\\nmicroscopy”）进行搜索，要求这些术语同时出现在标题和摘要中。此外，还对搜索进行了改进，以严格遵守基础模型的定义\\n\\\\-\\\\- 具体来说，就是在大量数据集上训练出来的、可广泛应用于各种用例的模型。为此，任何被认为是基础模型的模型，如果在\\n\\n图像和多模态人工智能促进科学发现\\n\\n少于 100 万个数据点上进行过训练，或者没有在多个任务上进行过评估，则会被舍弃。\\n\\nFDA 批准的人工智能医疗设备\\n\\nFDA 批准的人工智能医疗设备数据来自 FDA 网站 ，该网站跟踪支持人工智能和机器学习（AI/ML）的医疗设备。\\n\\n人工智能指数使用 PubMedCentral 的 API 查询 2020 年 1 月\\n1 日至 2024 年 12 月 31 日期间发表的英文 - 语言索引文章，\\n搜索关键词涉及人工智能、医学和伦理问题。为了只获取这三个主题交叉点上的文章，人工智能指数进一步缩小了文章范围，只收录那些摘要包含与以下内容相关的关键词的文章：(a)\\n人工智能；(c) 伦理问题：(a) 人工智能，(b) 医学，c) 至少一个伦理问题。在剔除预印本、被撤回的文章和不符合纳入标准的文章后，还剩下 2,916 篇文章。人工智能伦理指数利用这批文章摘要中提及伦理问题的频率进行分析。\\n\\n伦理方面的考虑\\n\\n( “artifcial intelligence”\\\\[MeSH\\\\] OR “machine learning”\\\\[MeSH\\\\]\\nOR “deep learning”\\\\[All Fields\\\\] OR “AI”\\\\[All Fields\\\\] OR “ML”\\\\[All\\\\\\nFields\\\\] OR “predictive analytics” \\\\[All Fields\\\\]) AND (( “ethics”\\n\\\\[MeSH\\\\] OR “ethical implications” \\\\[All Fields\\\\] OR “fair\\\\*” \\\\[All\\\\\\nFields\\\\] OR “unfair\\\\*” \\\\[All Fields\\\\] OR “bias” \\\\[All Fields\\\\] OR “accountability” \\\\[All Fielzds\\\\] OR “transparency” \\\\[All Fields\\\\] OR\\n“explainability” \\\\[All Fields\\\\] OR “privacy” \\\\[All Fields\\\\] OR “trustworthy AI” \\\\[All Fields\\\\]) OR ( “bioethics” \\\\[MeSH\\\\] OR “ELSI” \\\\[All\\\\\\nFields\\\\] OR “autonomy”\\\\[All Fields\\\\] OR “equity”\\\\[All Fields\\\\] OR\\n\\n* * *\\n\\n“equitab\\\\*” \\\\[All Fields\\\\] OR “justice” \\\\[All Fields\\\\] OR “benefcence”\\\\[All Fields\\\\] OR “non-malefcence”\\\\[All Fields\\\\] OR “independent review” \\\\[All Fields\\\\] OR “oversight” \\\\[All Fields\\\\] OR\\n“racis\\\\*” \\\\[All Fields\\\\] OR “prejud\\\\*” \\\\[All Fields\\\\] OR “inequit\\\\*” \\\\[All\\\\\\nFields\\\\] OR “community engagement” \\\\[All Fields\\\\] OR “misuse”\\n\\\\[All Fields\\\\] OR “dual use”\\\\[All Fields\\\\])) AND (“medicine”\\\\[MeSH\\\\]\\nOR “medical AI” \\\\[All Fields\\\\] OR “clinical decision support” \\\\[All\\\\\\nFields\\\\] OR “health informatics”\\\\[All Fields\\\\]) AND (“2020/01/01”\\n\\\\[PubDate\\\\] : “2024/12/31”\\\\[PubDate\\\\]\\n\\n•人工智能关键词：“artifcial intelligence,” “ AI,” “algorithm,”\\n“ML,” “machine learning,” “deep learning,” predictive analytics.\\n•医学关键词：“medicine,” “medical,” “health,” “healthcare.”\\n•伦理关键词：“ethic\\\\*,” “fairness,” “bias,” “accountability,”\\n“transparency,” “explainability,” “privacy,” “trustworthy AI,”\\n“bioethics,” “ELSI,” “autonomy,” “equit\\\\*,” “justice,” “benefcence,” “non- malefcence,” “independent review,” “oversight,” “racism,” “inequit\\\\*,” community engagement, misuse,\\ndual use.\\n\\n搜索日期：2/14/2025\\n\\n因此，只包括讨论医学的文章、人工智能，以及摘要中至少一个伦理问题（N= 2,916）。\\n\\n摘要纳入标准：\\n\\n* * *\\n\\n引用作品\\n\\nAbramson, J., Adler, J., Dunger, J., Evans, R., Green, T., Pritzel, A., Ronneberger, O., Willmore, L., Ballard, A. J., Bambrick, J.,\\nBodenstein, S. W., Evans, D. A., Hung, C.-C., O’ Neill, M., Reiman, D., Tunyasuvunakool, K., Wu, Z., Žemgulytė, A., Arvaniti, E., …\\nJumper, J. M. (2024). Accurate Structure Prediction of Biomolecular Interactions With AlphaFold 3. Nature, 630(8016), 493–500.\\n[https://doi.org/10.1038/s41586-024-07487-w](https://doi.org/10.1038/s41586-024-07487-w)\\n\\nAcharya, R., Abanin, D. A., Aghababaie-Beni, L., Aleiner, I., Andersen, T. I., Ansmann, M., Arute, F., Arya, K., Asfaw, A., Astrakhantsev, N., Atalaya, J., Babbush, R., Bacon, D., Ballard, B., Bardin, J. C., Bausch, J., Bengtsson, A., Bilmes, A., Blackwell, S., … Google\\nQuantum AI and Collaborators. (2025). Quantum Error Correction Below the Surface Code Threshold. Nature, 638(8052), 920–26.\\n[https://doi.org/10.1038/s41586-024-08449-y](https://doi.org/10.1038/s41586-024-08449-y)\\n\\nBlankemeier, L., Cohen, J. P., Kumar, A., Veen, D. V., Gardezi, S. J. S., Paschali, M., Chen, Z., Delbrouck, J.-B., Reis, E., Truyts,\\nC., Bluethgen, C., Jensen, M. E. K., Ostmeier, S., Varma, M., Valanarasu, J. M. J., Fang, Z., Huo, Z., Nabulsi, Z., Ardila, D., … Chaudhari, A. S. (2024). Merlin: A Vision Language Foundation Model for 3D Computed Tomography (arXiv:2406.06512). arXiv. [https://-](https://-/)\\ndoi.org/10.48550/arXiv.2406.06512\\n\\nBodnar, C., Bruinsma, W. P., Lucic, A., Stanley, M., Vaughan, A., Brandstetter, J., Garvan, P., Riechert, M., Weyn, J. A., Dong, H.,\\nGupta, J. K., Thambiratnam, K., Archibald, A. T., Wu, C.-C., Heider, E., Welling, M., Turner, R. E., & Perdikaris, P. (2024). A Foundation Model for the Earth System (arXiv:2405.13063). arXiv. [https://doi.org/10.48550/arXiv.2405.13063](https://doi.org/10.48550/arXiv.2405.13063)\\n\\nCampanella, G., Chen, S., Verma, R., Zeng, J., Stock, A., Croken, M., Veremis, B., Elmas, A., Huang, K., Kwan, R., Houldsworth, J.,\\nSchoenfeld, A. J., & Vanderbilt, C. (2024). A Clinical Benchmark of Public Self-Supervised Pathology Foundation Models (arXiv:2407.06508). arXiv. [https://doi.org/10.48550/arXiv.2407.06508](https://doi.org/10.48550/arXiv.2407.06508)\\n\\n* * *\\n\\nChambon, P., Bluethgen, C., Delbrouck, J.-B., Sluijs, R. V. der, Połacin, M., Chaves, J. M. Z., Abraham, T. M., Purohit, S., Langlotz, C.\\nP., & Chaudhari, A. (2022). RoentGen: Vision-Language Foundation Model for Chest X-ray Generation (arXiv:2211.12737). arXiv.\\n[https://doi.org/10.48550/arXiv.2211.12737](https://doi.org/10.48550/arXiv.2211.12737)\\n\\nChambon, P., Delbrouck, J.-B., Sounack, T., Huang, S.-C., Chen, Z., Varma, M., Truong, S. Q., Chuong, C. T., & Langlotz, C.\\nP. (2024). CheXpert Plus: Augmenting a Large Chest X-ray Dataset With Text Radiology Reports, Patient Demographics and Additional Image Formats (arXiv:2405.19538). arXiv. [https://doi.org/10.48550/arXiv.2405.19538](https://doi.org/10.48550/arXiv.2405.19538)\\n\\nChen, R. J., Chen, C., Li, Y., Chen, T. Y., Trister, A. D., Krishnan, R. G., & Mahmood, F. (2022). Scaling Vision Transformers to\\nGigapixel Images via Hierarchical Self-Supervised Learning (arXiv:2206.02647). arXiv. [https://doi.org/10.48550/arXiv.2206.02647](https://doi.org/10.48550/arXiv.2206.02647)\\n\\nChen, Z., Varma, M., Xu, J., Paschali, M., Veen, D. V., Johnston, A., Youssef, A., Blankemeier, L., Bluethgen, C., Altmayer, S., Valanarasu, J. M. J., Muneer, M. S. E., Reis, E. P., Cohen, J. P., Olsen, C., Abraham, T. M., Tsai, E. B., Beaulieu, C. F., Jitsev, J., … Langlotz, C. P. (2024). A Vision-Language Foundation Model to Enhance Efciency of Chest X-ray Interpretation\\n(arXiv:2401.12208). arXiv. [https://doi.org/10.48550/arXiv.2401.12208](https://doi.org/10.48550/arXiv.2401.12208)\\n\\nChristensen, M., Vukadinovic, M., Yuan, N., & Ouyang, D. (2024). Vision–Language Foundation Model for Echocardiogram Interpretation. Nature Medicine, 30(5), 1481–88. [https://doi.org/10.1038/s41591-024-02959-y](https://doi.org/10.1038/s41591-024-02959-y)\\n\\nDing, S., Li, J., Wang, J., Ying, S., & Shi, J. (2023). Multi-scale Efcient Graph-Transformer for Whole Slide Image Classifcation\\n(arXiv:2305.15773). arXiv. [https://doi.org/10.48550/arXiv.2305.15773](https://doi.org/10.48550/arXiv.2305.15773)\\n\\nGoh, E., Gallo, R., Hom, J., Strong, E., Weng, Y., Kerman, H., Cool, J. A., Kanjee, Z., Parsons, A. S., Ahuja, N., Horvitz, E., Yang, D.,\\nMilstein, A., Olson, A. P. J., Rodman, A., & Chen, J. H. (2024). Large Language Model Infuence on Diagnostic Reasoning: A Randomized Clinical Trial. JAMA Network Open, 7(10), e2440969. [https://doi.org/10.1001/jamanetworkopen.2024.40969](https://doi.org/10.1001/jamanetworkopen.2024.40969)\\n\\nF. K., Chen, B., Almagro-Perez, C., Doucet, P., Sahai, S., Chen, C., Komura, D., Kawabe, A., Ishikawa, S., … Mahmood, F. (2024).\\nMultimodal Whole Slide Foundation Model for Pathology(arXiv:2411.19666). arXiv. [https://doi.org/10.48550/arXiv.2411.19666](https://doi.org/10.48550/arXiv.2411.19666)\\n\\n* * *\\n\\nGruver, N., Sriram, A., Madotto, A., Wilson, A. G., Zitnick, C. L., & Ulissi, Z. (2024). Fine-Tuned Language Models Generate Stable\\nInorganic Materials as Text (arXiv:2402.04379). arXiv. [https://doi.org/10.48550/arXiv.2402.04379](https://doi.org/10.48550/arXiv.2402.04379)\\n\\nGuevara, M., Chen, S., Thomas, S., Chaunzwa, T. L., Franco, I., Kann, B. H., Moningi, S., Qian, J. M., Goldstein, M., Harper, S., Aerts,\\nH. J. W. L., Catalano, P. J., Savova, G. K., Mak, R. H., & Bitterman, D. S. (2024). Large Language Models to Identify Social Determinants of Health in Electronic Health Records. Npj Digital Medicine, 7(1), 1–14. [https://doi.org/10.1038/s41746-023-](https://doi.org/10.1038/s41746-023-) 00970-0\\n\\nGuo, Z., Zhao, W., Wang, S., & Yu, L. (2023). HIGT: Hierarchical Interaction Graph-Transformer for Whole Slide Image Analysis\\n(arXiv:2309.07400). arXiv. [https://doi.org/10.48550/arXiv.2309.07400](https://doi.org/10.48550/arXiv.2309.07400)\\n\\nHaberle, T., Cleveland, C., Snow, G. L., Barber, C., Stookey, N., Thornock, C., Younger, L., Mullahkhel, B., & Ize-Ludlow, D. (2024).\\nThe Impact of Nuance DAX Ambient Listening AI Documentation: A Cohort Study. Journal of the American Medical Informatics Association, 31(4), 975–79. [https://doi.org/10.1093/jamia/ocae022](https://doi.org/10.1093/jamia/ocae022)\\n\\nHashmi, A. U. R., Almakky, I., Qazi, M. A., Sanjeev, S., Papineni, V. R., Jagdish, J., & Yaqub, M. (2024). XReal: Realistic Anatomy and\\nPathology-Aware X-ray Generation via Controllable Difusion Model (arXiv:2403.09240). arXiv. [https://doi.org/10.48550/](https://doi.org/10.48550/) arXiv.2403.09240\\n\\nHayes, T., Rao, R., Akin, H., Sofroniew, N. J., Oktay, D., Lin, Z., Verkuil, R., Tran, V. Q., Deaton, J., Wiggert, M., Badkundri, R.,\\nShafkat, I., Gong, J., Derry, A., Molina, R. S., Thomas, N., Khan, Y. A., Mishra, C., Kim, C., … Rives, A. (2024). Simulating 500 Million\\nYears of Evolution With a Language Model (p. 2024.07.01.600583). bioRxiv. [https://doi.org/10.1101/2024.07.01.600583](https://doi.org/10.1101/2024.07.01.600583)\\n\\nHellert, T., Montenegro, J., & Pollastro, A. (2024). PhysBERT: A Text Embedding Model for Physics Scientifc Literature\\n(arXiv:2408.09574). arXiv. [https://doi.org/10.48550/arXiv.2408.09574](https://doi.org/10.48550/arXiv.2408.09574)\\n\\nHornick, T., Mao, C., Koynov, A., Yawman, P., Thool, P., Salish, K., Giles, M., Nagapudi, K., & Zhang, S. (2024). In Silico Formulation\\nOptimization and Particle Engineering of Pharmaceutical Products Using a Generative Artifcial Intelligence Structure Synthesis\\nMethod. Nature Communications, 15(1), 9622. [https://doi.org/10.1038/s41467-024-54011-9](https://doi.org/10.1038/s41467-024-54011-9)\\n\\nJiang, J. X., Qi, K., Bai, G., & Schulman, K. (2023). Pre-pandemic Assessment: A Decade of Progress in Electronic Health Record\\nAdoption Among U.S. Hospitals. Health Afairs Scholar, 1(5), qxad056. [https://doi.org/10.1093/haschl/qxad056](https://doi.org/10.1093/haschl/qxad056)\\n\\nJin, D., Pan, E., Oufattole, N., Weng, W.-H., Fang, H., & Szolovits, P. (2020). What Disease Does This Patient Have? A Large- Scale\\nOpen Domain Question Answering Dataset From Medical Exams (arXiv:2009.13081). arXiv. [https://doi.org/10.48550/](https://doi.org/10.48550/) arXiv.2009.13081\\n\\n* * *\\n\\nJohnson, A. E. W., Pollard, T. J., Berkowitz, S. J., Greenbaum, N. R., Lungren, M. P., Deng, C., Mark, R. G., & Horng, S. (2019). MIM-\\nIC-CXR, a De-identifed Publicly Available Database of Chest Radiographs With Free-Text Reports. Scientifc Data, 6(1), 317.\\n[https://doi.org/10.1038/s41597-019-0322-0](https://doi.org/10.1038/s41597-019-0322-0)\\n\\nKochkov, D., Yuval, J., Langmore, I., Norgaard, P., Smith, J., Mooers, G., Klwer, M., Lottes, J., Rasp, S., Dben, P., Hatfeld, S.,\\nBattaglia, P., Sanchez-Gonzalez, A., Willson, M., Brenner, M. P., & Hoyer, S. (2024). Neural General Circulation Models for Weather\\nand Climate. Nature, 632(8027), 1060–66. [https://doi.org/10.1038/s41586-024-07744-ya](https://doi.org/10.1038/s41586-024-07744-ya)\\n\\nKudiabor, H. (2024). Virtual Lab Pow-ered by ‘AI Scientists’ Super-Charges Biomedical Research. Nature,\\n636(8043), 532–33. [https://-doi.org/10.1038/d41586-024-01684-3](https://-doi.org/10.1038/d41586-024-01684-3)\\n\\nKumar, A., Kriz, A., Havaei, M., & Arbel, T. (2025). PRISM: High-Resolution & Precise Counterfactual Medical Image Generation\\nUsing Language-Guided Stable Difusion (arXiv:2503.00196). arXiv. [https://doi.org/10.48550/arXiv.2503.00196](https://doi.org/10.48550/arXiv.2503.00196)\\n\\nLu, M. Y., Chen, B., Williamson, D. F. K., Chen, R. J., Zhao, M., Chow, A. K., Ikemura, K., Kim, A., Pouli, D., Patel, A., Soliman, A.,\\nChen, C., Ding, T., Wang, J. J., Gerber, G., Liang, I., Le, L. P., Parwani, A. V., Weishaupt, L. L., & Mahmood, F. (2024). A Multimodal\\nGenerative AI Copilot for Human Pathology. Nature, 634(8033), 466–73. [https://doi.org/10.1038/s41586-024-07618-3](https://doi.org/10.1038/s41586-024-07618-3)\\n\\nMa, J., He, Y., Li, F., Han, L., You, C., & Wang, B. (2024). Segment Anything in Medical Images. Nature Communications, 15(1), 654.\\n[https://doi.org/10.1038/s41467-024-44824-z](https://doi.org/10.1038/s41467-024-44824-z)\\n\\nMadani, A., Krause, B., Greene, E. R., Subramanian, S., Mohr, B. P., Holton, J. M., Olmos, J. L., Xiong, C., Sun, Z. Z., Socher, R.,\\nFraser, J. S., & Naik, N. (2023). Large Language Models Generate Functional Protein Sequences Across Diverse Families. Nature\\nBiotechnology, 41(8), 1099–1106. [https://doi.org/10.1038/s41587-022-01618-2](https://doi.org/10.1038/s41587-022-01618-2)\\n\\nMaier-Hein, L., Eisenmann, M., Reinke, A., Onogur, S., Stankovic, M., Scholz, P., Arbel, T., Bogunovic, H., Bradley, A. P., Carass, A.,\\nFeldmann, C., Frangi, A. F., Full, P. M., van Ginneken, B., Hanbury, A., Honauer, K., Kozubek, M., Landman, B. A., März, K., …\\nKopp-Schneider, A. (2018). Why Rankings of Biomedical Image Analysis Competitions Should Be Interpreted With Care. Nature\\nCommunications, 9(1), 5217. [https://doi.org/10.1038/s41467-018-07619-7](https://doi.org/10.1038/s41467-018-07619-7)\\n\\n* * *\\n\\nSnr2%a42%RrÁ2%c42%Xxbson, P. M., Marinelli, B., Huang, M., Doshi, A., Jacobi, A., Cao, C., Link, K. E., Yang, T., Wang, Y., Greenspan, H.,\\nDeyer, T., Fayad, Z. A., & Yang, Y. (2022). RadImageNet: An Open Radiologic Deep Learning Research Dataset for Efective Transfer Learning. Radiology: Artifcial Intelligence, 4(5), e210315. [https://doi.org/10.1148/ryai.210315](https://doi.org/10.1148/ryai.210315)\\n\\nNarayanan, S., Braza, J. D., Grifths, R.-R., Ponnapati, M., Bou, A., Laurent, J., Kabeli, O., Wellawatte, G., Cox, S., Rodriques, S. G., &\\nWhite, A. D. (2024). Aviary: Training Language Agents on Challenging Scientifc Tasks (arXiv:2412.21154). arXiv. [https://doi](https://doi/).\\norg/10.48550/arXiv.2412.21154\\n\\nNori, H., Lee, Y. T., Zhang, S., Carignan, D., Edgar, R., Fusi, N., King, N., Larson, J., Li, Y., Liu, W., Luo, R., McKinney, S. M., Ness, R.\\nO., Poon, H., Qin, T., Usuyama, N., White, C., & Horvitz, E. (2023). Can Generalist Foundation Models Outcompete Special- Purpose Tuning? Case Study in Medicine (arXiv:2311.16452). arXiv. [https://doi.org/10.48550/arXiv.2311.16452](https://doi.org/10.48550/arXiv.2311.16452)\\n\\nNori, H., Usuyama, N., King, N., McKinney, S. M., Fernandes, X., Zhang, S., & Horvitz, E. (2024). From Medprompt to o1:\\nExploration of Run-Time Strate-gies for Medical Challenge Problems and Beyond (arXiv:2411.03590). arXiv. https://\\ndoi.org/10.48550/ arXiv.2411.03590\\n\\nPokharel, S., Pratyush, P., Heinzinger, M., Newman, R. H., & Kc, D. B. (2022). Improving Protein Succinylation Sites Prediction Using\\nEmbeddings From Protein Language Model. Scientifc Reports, 12(1), 16933. [https://doi.org/10.1038/s41598-022-21366-2](https://doi.org/10.1038/s41598-022-21366-2)\\n\\nQian, Z., Callender, T., Cebere, B., Janes, S. M., Navani, N., & van der Schaar, M. (2024). Synthetic Data for Privacy-Preserving\\nClinical Risk Prediction. Scientifc Reports, 14(1), 25676. [https://doi.org/10.1038/s41598-024-72894-y](https://doi.org/10.1038/s41598-024-72894-y)\\n\\nShah, S. J., Devon-Sand, A., Ma, S. P., Jeong, Y., Crowell, T., Smith, M., Liang, A. S., Delahaie, C., Hsia, C., Shanafelt, T., Pfefer, M.\\nA., Sharp, C., Lin, S., & Garcia, P. (2025). Ambient Artifcial Intelligence Scribes: Physician Burnout and Perspectives on Usability\\nand Documentation Burden. Journal of the American Medical Informatics Association, 32(2), 375–80. [https://doi.org/10.1093/](https://doi.org/10.1093/)\\njamia/ocae295\\n\\nRashidi, H. H., Albahra, S., Rubin, B. P., & Hu, B. (2024). A Novel and Fully Automated Platform for Synthetic Tabular Data Generation and Validation. Scientifc Reports, 14(1), 23312. [https://doi.org/10.1038/s41598-024-73608-0](https://doi.org/10.1038/s41598-024-73608-0)\\n\\n* * *\\n\\nShapson-Coe, A, Januszewski, M, Berger, D, R, Pope, A, Wu, Y, Blakely, T, Schalek, R, L, Li, P, H, Wang, S, Maitin-Shepard,\\nJ, Karlupia, N, Dorkenwald, S, Sjostedt, E, Leavitt, L, Lee, D Troidi, J, Collman, F, Bailey, L, Fitzmaurice, A, ... Lichtman,\\nJ. W. (2024). A Petavaxel Fragment of Human Cerebral Cortex Reconstructed at Nanoscale Resolution. Science, 384(6696),\\neadk4858. [https://doi.org/10.1126/science.adk4858](https://doi.org/10.1126/science.adk4858)\\n\\nSheller, M. J, Edwards, B, Reina, G, A, Martin, J, Pati, S, Kotrotsou, A, Milchenko, M, Xu, W, Marcus, D, Colen, R, R, & Bakas, S\\n(2020). Federated Learning in Medicine: Facilitating Multi-institutional Collaborations Without Sharing Patient Data. Scientific Reports, 10(1), 12598. [https://doi.org/10.1038/s41598-020-69250-1](https://doi.org/10.1038/s41598-020-69250-1)\\n\\nShi, J, Tang, L, Lao, Z, Li, Y, Wang, C, Gong, T, Li, C, & Fu, H. (2023). MG-Trans: Multi-scale Graph Transformer With Information Bottleneck for Whole Slide Image Classification. IEEE Transactions on Medical Imaging, 42(12), 3871–83. [https://doi.org/10.1109/TM.2023.3313252](https://doi.org/10.1109/TM.2023.3313252)\\n\\nSnel, B, Lehmann, G, Bork, P, & Hyuynen, M. A. (2000). STRING: A Web-Server to Retrieve and Display the Repeatedly Occurring Neighbourhood of a Gene. Nucleic Acids Research, 28(18), 3442–44. [https://-doi.org/10.1093/nar/28.18.3442](https://-doi.org/10.1093/nar/28.18.3442)\\n\\nSnowdon, J. L, Scheufele, E. L, Pritts, J, Le, P–T, Mensah, G. A, Zhang, X, & Dankwa-Mullan, I. (2023). Evaluating Social Determinants of Health Variables in Advanced Analytic and Artificial Intelligence Models for Cardiovascular Disease Risk and Outcomes: A Targeted Review. Ethnicity & Disease, 33(1), 33–43. [https://doi.org/10.18665/1704](https://doi.org/10.18665/1704)\\n\\nStade, E. C, Stirman, S. W, Ungar, L. H, Boland, C. L, Schwartz, H. A, Yaden, D. B, Sedoc, J, DeRubeis, R. J, Willer, R, & Eichstaedt, J. C. (2024). Large Language Models Could Change the Future of Behavioral Healthcare: A Proposal for Responsible Development and Evaluation. Njv Mental Health Research, 3(1), 1–12. [https://doi.org/10.1038/s44184-024-00056-z](https://doi.org/10.1038/s44184-024-00056-z)\\n\\nSudlow, C, Gallacher, J, Allen, N, Beral, V, Burton, P, Danesh, J, Downey, P, Elliott, P, Green, J, Landray, M, Liu, B, Matthews, P, Ong, G, Pell, J, Silman, A, Young, A, Sprosen, T, Peakman, T, & Collins, R (2015). UK Biobank: An Open Access Resource for Identifying the Causes of a Wide Range of Complex Diseases of Middle and Old Age. PLoS Medicine, 12(3), e1001779. [https://doi.org/10.1371/journal.pmed.1001779](https://doi.org/10.1371/journal.pmed.1001779)\\n\\nTierney, A. A, Gayre, G, Hoberman, B, Mattern, B, Bailesca, M, Kipnis, P, Liu, V, & Lee, K. (2024). Ambient Artificial Intelligence Scribes to Alleviate the Burden of Clinical Documentation. NEJM Catalyst, 5(3), CAT.23.0404. [https://doi.org/10.1056/CAT.23.0404](https://doi.org/10.1056/CAT.23.0404)\\n\\nVaradi, M, Anyango, S, Deshpande, M, Nair, S, Natassia, C, Yordanova, G, Yuan, D, Stroe, O, Wood, G, Laydon, A, Židek, A, Green, T, Tunyasuvunakool, K, Petersen, S, Jumper, J, Clancy, E, Green, R, Vora, A, Luff, M, ... Velakar, S. (2022). AlphaFold Protein Structure Database: Massively Expanding the Structural Coverage of Protein—Sequence Space With High-Accuracy Models. Nucleic Acids Research, 50(D1), D439–44. [https://doi.org/10.1093/nar/gkab1061](https://doi.org/10.1093/nar/gkab1061)\\n\\n* * *\\n\\n附录第五章：科学与医学\\n\\nVeitch, D. P., Weiner, M. W., Aisen, P. S., Beckett, L. A., Cairns, N. J., Green, R. C., Harvey, D., Jack, C. R., Jagust, W., Morris,\\nJ. C., Petersen, R. C., Saykin, A. J., Shaw, L. M., Toga, A. W., Trojanowski, J. Q., & Alzheimer’s disease Neuroimaging Initiative. (2019). Understanding Disease Progression and Improving Alzheimer’s Disease Clinical Trials: Recent Highlights From\\nthe Alzheimer’s Disease Neuroimaging Initiative. _Alzheimer’s & Dementia: The Journal of the Alzheimer’s Association_, 15(1),\\n106–52. [https://doi.org/10.1016/j.jalz.2018.08.005](https://doi.org/10.1016/j.jalz.2018.08.005)\\n\\nVorontsov, E., Bozkurt, A., Casson, A., Shaikovski, G., Zelechowski, M., Severson, K., Zimmermann, E., Hall, J., Tenenholtz, N.\\nFusi, N, Yang, E., Mathieu, P., van Ek, A., Lee, D., Viret, J., Robert, E., Wang, Y. K., Kunz, J. D., Lee, M. C. H., … Fuchs, T. J\\n(2024). A Foundation Model for Clinical-Grade Computational Pathology and Rare Cancers Detection. _Nature Medicine_, 30\\n(10), 2924–35. [https://doi.org/10.1038/s41591-024-03141-0](https://doi.org/10.1038/s41591-024-03141-0)\\n\\nWang, R., Fang, X, Lu, Y., & Wang, S. (2004). The PDBBind Database: Collection of Binding Afnities for Protein—Ligand\\nComplexes With Known Three-Dimensional Structures. _Journal of Medicinal Chemistry_, 47(12), 2977–80. [https://-](https://-/)\\ndoi.org/10.1021/jm0305801\\n\\nWang, X, Liu, S., Tsaris, A., Choi, J.-Y., Aji, A., Fan, M., Zhang, W., Yin, J., Ashfaq, M., Lu, D., & Balaprakash, P. (2024).\\nORBIT: Oak Ridge Base Foundation Model for Earth System Predictability (arXiv:2404.14712). arXiv. [https://-](https://-/)\\ndoi.org/10.48550/arXiv.2404.14712\\n\\nWang, X, Yang, S., Zhang, J., Wang, M., Zhang, J., Yang, W., Huang, J., & Han, X. (2022a). Transformer-Based Unsupervised Contrastive Learning for Histopathological Image Classification. _Medical Image Analysis_, 81, 102559. [https://-](https://-/)\\ndoi.org/10.1016/j.media.2022.102559\\n\\nWang, X, Yang, S., Zhang, J., Wang, M., Zhang, J., Yang, W., Huang, J., & Han, X. (2022b). Transformer-Based Unsupervised\\nContrastive Learning for Histopathological Image Classification. _Medical Image Analysis_, 81, 102559. [https://doi.org/10.1016/j.media.2022.102559](https://doi.org/10.1016/j.media.2022.102559)\\n\\nWang, X, Zhao, J, Marostica, E., Yuan, W., Jin, J, Zhang, J, Li, R, Tang, H, Wang, K, Li, Y., Wang, F, Peng, Y, Zhu, J,\\nZhang, J, Jackson, C. R., Zhang, J, Dillon, D, Lin, N. U, Sholl, L., … Yu, K.-H. (2024). A Pathology Foundation Model for\\nCancer Diagnosis and Prognosis Prediction. _Nature_, 634(8035), 970–78. [https://doi.org/10.1038/s41586-024-07894-z](https://doi.org/10.1038/s41586-024-07894-z)\\n\\nWang, Y, He, J, Du, Y, Chen, X, Li, J, C, Liu, L.-P, Xu, X, & Hassoun, S. (2025). Large Language Model is Secretly a Protein Sequence Optimizer (arXiv:2501.09274). arXiv. [https://doi.org/10.48550/arXiv.2501.09274](https://doi.org/10.48550/arXiv.2501.09274)\\n\\nXiang, J, Wang, X, Zhang, X, Xi, Y, Eweje, F, Chen, Y, Li, Y, Bergstrom, C, Gopauchan, M, Kim, T., Yu, K.-H., Willens, S,\\nOliguin, F, M, Nirschl, J, J, Neal, J, Diehn, M, Yang, S, & Li, R. (2025). A Vision-Language Foundation Model for Precision\\nOncology. _Nature_, 638(8051), 769–78. [https://doi.org/10.1038/s41586-024-08378-w](https://doi.org/10.1038/s41586-024-08378-w)\\n\\nXie, Y, Wu, J, Tu, H, Yang, S, Zhao, B, Zong, Y, Jin, Q, Xie, C, & Zhou, Y. (2024). A Preliminary Study of o1 in Medicine:\\nAre We Closer to an AI Doctor? (arXiv:2409.15277). arXiv. [https://doi.org/10.48550/arXiv.2409.15277](https://doi.org/10.48550/arXiv.2409.15277)\\n\\n* * *\\n\\n附录第五章：科学与医学\\n\\nXu, H., Usuyama, N., Bagga, J., Zhang, S., Rao, R., Naumann, T., Wong, C., Gero, Z., Gonzlez, J., Gu, Y., Xu, Y., Wei, M., Wang, W, Ma, S., Wei, F., Yang, J, Li, C., Gao, J., Rosemon, J., ... Poon, H. (2024). A Whole-Slide Foundation Model for Digital Pathology From Real-World Data. Nature, 630(8015), 181–88. [https://doi.org/10.1038/s41586-024-07441-w](https://doi.org/10.1038/s41586-024-07441-w)\\n\\nYang, L., Xu, S., Sellergren, A., Kohlberger, T., Zhou, Y., Ktena, I, Kiraly, A., Ahmed, F., Hormozdliari, F., Jaroensri, T., Wang, E., Wulczyn, E., Jamil, F., Guidroz, T., Lau, C., Qiao, S., Liu, Y., Goel, A, Park, K., ... Golden, D. (2024). Advancing Multimodal Medical Capabilities of Gemini (arXiv:2405.03162). arXiv. [https://doi.org/10.48550/arXiv.2405.03162](https://doi.org/10.48550/arXiv.2405.03162)\\n\\nYang, X., Chen, A., PourNejatian, N., Shin, H. C., Smith, K. E., Parisien, C., Compas, C., Martin, C., Flores, M. G., Zhang, Y., Magoc, T., Harle, C. A., Lipori, G., Mitchell, D. A., Hogan, W. R., Shenkman, E. A., Bian, J., & Wu, Y. (2022). GatorTron: A Large Clinical Language Model to Unlock Patient Information from Unstructured Electronic Health Records (arXiv:2203.03540). arXiv. [https://doi.org/10.48550/arXiv.2203.03540](https://doi.org/10.48550/arXiv.2203.03540)\\n\\nYu, B., Baker, F. N., Chen, Z., Ning, X., & Sun, H. (2024). LiaSMol: Advancing Large Language Models for Chemistry With a Large-Scale, Comprehensive, High-Quality Instruction Tuning Dataset (arXiv:2402.09391). arXiv. [https://doi.org/10.48550/arXiv.2402.09391](https://doi.org/10.48550/arXiv.2402.09391)\\n\\nZambaldi, V., La, D., Chu, A. E., Patani, H., Danson, A. E., Kwan, T. O. C., Frix, T., Schneider, R. G., Saxton, D., Thillaisunda-ram, A, Wu, Z., Moraees, I, Lange, O., Papa, E., Stanton, G., Martin, V., Singh, S., Wong, L. H., Bates, R., ... Wang, J. (2024). De Novo Design of High-Afnity Protein Binders with AlphaProteo (arXiv:2409.08022). arXiv. [https://doi.org/10.48550/arXiv.2409.08022](https://doi.org/10.48550/arXiv.2409.08022)\\n\\nZhao, T., Gu, Y., Yang, J., Usuyama, N., Lee, H. H., Kiblai, S., Naumann, T., Gao, J., Crabtree, A., Abel, J., Moung-Wen, C., Piening, B., Bifulco, C., Wei, M., Poon, H., & Wang, S. (2025). A Foundation Model for Joint Segmentation, Detection and Recognition of Biomedical Objects Across Nine Modalities. Nature Methods, 22(1), 166–76. [https://doi.org/10.1038/s41592-024-02499-w](https://doi.org/10.1038/s41592-024-02499-w)\\n\\nZhou, Y., Chia, M. A., Wagner, S. K., Ayhan, M. S., Williamson, D. J., Struvven, R. R., Liu, T., Xu, M., Lozano, M. G., Woodward-Court, P., Kihara, Y., Altmann, A., Lee, A. Y., Topol, E. J., Denniston, A. K., Alexander, D. C., & Keane, P. A. (2023). A Foundation Model for Generalizable Disease Detection From Retinal Images. Nature, 622(7981), 156–63. [https://doi.org/10.1038/s41586-023-026555-x](https://doi.org/10.1038/s41586-023-026555-x)\\n\\n* * *\\n\\n附录第六章：政策\\n\\n第六章：政策\\n\\n致谢人工智能指数谨此感谢 Julia Betts Lotufo 和 Alexandra Rome 在收集人工智能重大政策事件信息方面所做的努力，此外，人工智能指数还要感谢 Lapo Santarlasci 领导了对人工智能公共支出和美国赠款相关人工智能支出的分析工作。\\n\\n全球人工智能提及率对于世界各地与人工智能相关的立法程序中提及人工智能的内容，人工智能指数在 75 个地理区域的国会或议会网站上，通常在名为 “minutes”，\\\"hansard”，栏目下，用各自的语言搜索关键词“人工智能”，提及次数按届计算，因此在一同一届立法会议上多次“人工智能”算作一次。人工智能指数小组调查了以下数据库：\\n安道尔.亚美尼亚、澳大利亚、阿塞拜疆、巴巴多斯、比利时、百慕大、巴西、加拿大、开曼群岛、中国1、捷克共和国、丹麦、多米尼加共和国、厄基多尔、萨尔瓦多、爱沙尼亚、斐济、芬兰、法国、德国、直布罗陀、希腊、冰岛、印度、爱尔兰、马恩岛、意大利、日本、肯尼亚、科索沃、拉脱维亚、莱索托、列支敦士登、卢森堡、中国澳门特别行政区、马达加斯加、马来西亚、马尔代夫、马耳他、毛里求斯、墨西哥、摩尔多瓦、荷兰、新西兰、北马里亚纳群岛、挪威、巴基斯坦、巴拿马、巴布亚新几内亚、菲律宾、波兰、葡萄牙、罗马尼亚、俄罗斯、圣马力诺、塞舌尔、塞拉利恩、新加坡、斯洛文尼亚、南非、非韩国、西班牙、斯里兰卡、瑞典、瑞士、坦桑尼亚、特立尼达和多巴哥、乌克兰、英国、美国、乌拉圭、赞比亚、津巴布韦\\n\\n美国委员会提及为了研究美国委员会提及人工智能的趋势，我们进行了以下搜索网站：Congress.gov\\n关键词：人工智能过滤器：Committee Reports\\n\\n全球人工智能立法记录对于已通过成为法律的人工智能相关法案，人工智能指数在 116 个国会或会议网站上，以各自的语言文字和法案全文检索关键词“人工智能”，需要注意的是，只有 2016 年至 2024年间由州级立法机构通过并签署成为法律（如由总统签署或获得皇家批准）的法律才包含在内，已获批准但随后被废除的法律不在分析之列，对于在最初颁布后增加或修订了人工智能相关条款的法律，人工智能指数在相关情况下使用纳入年份而非最初通过年份，未来的人工智能指数报告希望包括对其类型法律文件的分析，如国家或超国家、政府机构等通过的法规和标准。\\n\\n人工智能指数小组调查了以下地理区域的数据：\\n阿尔及利亚、安道尔、安提瓜和巴达阿根廷、亚美尼亚、澳大利亚、奥地利、阿塞拜疆、巴哈巴、马林孟加拉国、巴多斯、白俄罗斯，比利时、伯利兹、大不丹、玻利维亚、巴西、文莱、保加利亚、喀麦隆、加拿大、智利、中国、克罗地亚、古巴、库拉索岛、塞浦路斯、捷克共和国、丹麦、爱沙尼亚、里亚罗群岛、委济、芬兰、法国的直布罗陀、希腊、格陵兰、格林纳达、关岛、危地马拉、圭那瓦、香港、匈牙利、冰岛、印度、伊拉克、爱尔兰、马思岛、以色列 爱尔兰、马恩岛、以色列、意大利、牙买加、日本、哈萨克斯坦、肯尼亚、基里巴斯、大韩民国、科索沃、吉利克斯共和国、拉脱维亚、列支敦士登、立陶宛、卢森堡、中国（澳）特别行政、马拉维、马来西亚、马耳他、毛里求斯、墨西哥、摩纳哥、黑山、摩洛哥、莫桑比克、瑞鲁、荷兰、新西兰、北马里亚纳群岛、挪威、巴拿马、菲律宾、波兰、葡萄牙、罗马尼亚、俄罗斯、萨摩亚、特阿拉伯、美国维亚、墨西哥、南非、西西班牙、圣基茨和尼维斯苏里南、瑞典、瑞士吉克斯坦、坦桑尼亚、多哥、参加、土耳其、图瓦卢、乌干达、克劳、阿拉伯联合酋长国、英国、美国、乌拉圭、越南、也门、赞比亚、津巴布韦。\\n\\n目录附录\\n2025年人工智能指数报告\\n\\n目录附录\\n451\\n\\n* * *\\n\\n附录第六章：政策\\n\\n美国州级人工智能立法对于已通过成为法案的人工智能相关法案，人工智能指数在美国50个州的网络上对法案全文中的关键词“人工智能”进行了搜索。只有当该关键词出现在法案最终版本（而不仅仅是介绍版本）中时，该法案才算通过成为法律，请注意，仅包括2015年至2024年通过的法律。拟议法案的统计包括已通过的拟议法律和尚未通过或目前处于非活动状态的拟议法律。人工智能指数团队调查了以下数据库：\\n阿拉巴马州、阿拉斯加州、亚利桑那州、阿肯色州、加利福尼亚州、科罗拉多州、康涅狄格州、特拉华州、佛罗里达州、佐治亚州、夏威夷州、爱荷茨州、伊利诺伊州、印第安州、爱荷华州、堪萨斯州、青塔基州、路易斯安那州、缅因州、马里州、马萨诸塞州、密歇根州、明尼苏达州、密西西比州、密苏里州、蒙大拿州、内布拉加州、内华达州、新罕布什州、新泽西州、新墨西哥州、纽约州、北卡罗来纳州、北达科他州、俄克俄湾州、俄克拉邦州、俄勒冈州、宾夕法尼亚州、罗得岛州、南卡罗来纳州、南达科他州、田纳西州、得克萨斯州、犹他州、佛蒙特州弗吉尼亚州、华盛顿州、西弗吉尼亚州、威斯康星州、怀俄明州。为了进行更全面的审查，人工智能指数还包括了Multistate Al state legislation tracker 上列的与人工智能相关的法律，即使这些法律没有具体提及“人工智能”这一关键词。\\n\\n美国人工智能监管条例本节探讨了以下机构颁布的与人工智能相关的监管条例，从2016年到2024年美国监管机构的人工智能指数，分析了监管条例总数及其发起机构，为了编制这些数据，人工智能指数在Federal Register上对“人工智能”进行了关键词搜索，这是一个全面的政治文件库，收录了超过436个机构和美国政府几乎所有部门的文件。\\n\\n美国委员会提及为了研究美国委员会提及人工智能的趋势，我们进行了以下搜索\\n\\n网站：Congress.gov\\n关键词：人工智能过滤器：Committee Reports\\n\\n人工智能领域的公共投资人工智能指数分析了欧洲各国和美国的政府人工智能支出，重点关注数据更容易获取的地区，需要注意的是，由于数据的可获得性和质量可能存在很大差异，因此本本分析可能无法完全代表所有国家或地区。此外，虽然本分析包括各国政府合同的数据，但只涉及美国赠款级支出，造成这一差异的原因是从欧盟和中国等其他国家和地区收集可赠款数据存在困难，不过，美国的情况说明，政府在人工智能方面的支出有很大一部分是通过拨款实现的，随着更多数据的出现，人工智能指数的覆盖范围将在未来迭代中扩大，但现有数据中的差异和差距可能会影响研究结果的全面性和准确率。\\n\\n数据来源对于欧洲国家，人工智能指数指数从Tenders Electronic Daily (TED) (Publications Ofe of the European Union, 2024)——欧盟官方期刊在线刊，专门报道欧洲公共采购——收集公开招标数据。虽然合同有多种格式，但最详细的数据来自批量XML下载，其中包括招标程序，发标实体、中标承包商，批量价值，说明，中标日期和通用采购词(CPV)代码等综合信息。TED的发布受欧盟法律thresholds的制约：超过特定货币价值的投标，如果被认为具有跨国界利益，必须在TED上公布。不过，一些国家也报告低于阈值的采购，导致各国的覆盖范围不同。\\n\\n* * *\\n\\n附录第六章：政策\\n\\n英国的数据来源 包括 TED, Find a Tender, Contracts\\nFinder，和 Contracts Finder Archive。苏格兰和 威尔士的数据是通过其采购网站的 API 访问的，而北爱尔兰不提供这种服务，因此必须将其排除在分析之外，并可能导致低估英国在人工智能方面的公共投资。由于 API 限制了历史数据的访问，\\n人工智能指数利用 Open Contracting Partnership 的数据注册表，通过 Kingfisher Collect 获得苏格兰和威尔士的全面数据。\\n\\n美国的数据来源于可公开访问的 USAspending 平台，这是一个方便批量下载合同授予通知和赠款数据相关信息的官方存储库。虽然该数据集比 TED 数据集涵盖的时间更长，但必须指出的是，数据质量可能存在差异。此外，美国政府问责局 (GAO,\\n2023)）的一项研究发现，49 个机构（包括 25 个行政部门）没有向 USAspending 报告数据，这占 2022 财年超过 50 亿美元的净支出。\\n\\n数据处理由于合同说明的存储不一致，根据发布时间和采购类型的不同，\\nXML 标记名称也不尽相同，这给处理 TED 数据带来了巨大挑战。一些文件包含汇总说明，而另一些文件则详细说明了每批授予的合同，为了获取全面的信息，我们将每项竞争要求的主要说明与现有的部分说明合并在一起。州的标准于 2024 年底通过，不包括在本数据集中。\\n\\n由于来自不同国家的数据具有语言多样性，因此需要使用\\ndeep- translator 工具和谷歌翻译引擎将所有文本翻译成英文。翻译后，使用自然语言处理 (NLP) 技术对投标本进行处理。这些技术包括删除停顿词和特殊字符。保留关键语法类别的语篇 (POS) 标记，小写转换、语法化以及用 标记替换数字量。\\n\\n为便于比较，所有货币金额均换算成美元，并使用购买力平价\\n(PPP)指数对价格水平差异进行调整。\\n\\n分类使用正则表达式进行全文检索，对人工智能相关合同和赠款进行分类。通过生成与人工智能相关的表达式，并纳入\\nYamashita 等的 (2021) 词汇表中的“核心”表达式，编制了人工智能词典。此外，Word2Vec模型用每个基线表达式的余弦相似词扩展了词典，这些词经过人工审核后被纳入最终词汇。这一过程提供了对识别人工智能内容至关重要的关键词和共现模式。\\n\\n分类采用了多步骤方法。首先，通过正则表达式 (regex) 匹配确定合同和中的人工智能术语，然后，这些文件被归类为“非人工智能相关”或“人工智能相关”，为了验证人工智能相关匹配，采用了 BERTopic 模型和预训练的 DeBERTA Transformer 来评估特定人工智能相关主题的概率分数。相关性得分低于 20% 的奖项需要经过人工审核，而得分较高的奖项被认为与人工智能相关，为确保更高的准确率，所有高价值的标书也都经过了人工审核。\\n\\n目录附录\\n453\\n\\n* * *\\n\\n附录第七章：教育\\n\\n第七章：教育\\n\\nCode.org、CSTA、ECEP 联盟州级数据\\nState of Computer Science Education 2024报告附录 2 全面介绍了 Code.org、CSTA 和 ECEP 联盟收集数据的方法。\\nCode.org 的工作人员还维护着一个数据库，其中收录了美国 K-12阶段阶段教育的状况，并在本policy primer中提供了有关美国各州 K-12阶段阶段教育状况的更多详细信息。\\n\\nAP 计算机科学数据\\nAP 计算机科学数据是根据学院委员会与 Code.org 签订的协议提供给 Code.org。AP 计算机科学数据来自大学委员会的\\nnational and state summary reports 。\\n\\n获得计算机科学教育有关接受计算机科学教育的数据来自Code.org，CSTA和ECEP\\n联盟的State of Computer Science Education 2024报告。\\n\\n2024 年 K-12 阶段阶段计算机科学领域教师队伍状况调查欲了解更多信息或访问数据集，请联系 [membership@csteachers.org](mailto:membership@csteachers.org)。\\n\\n州标准比较\\nCSTA 和计算机教育促进协会（IACE）于 2024 年 12 月发布了州标准比较报告。该数据集包含约 10,000 个州采用的 K-12\\n阶段阶段标准，以电子表格的形式提供，以及Python notebook，可能对数据分析有用。科罗拉多州 和 弗吉尼亚州 的标准于 2024 年底通过，不包括在本数据集中。\\n\\n全球 K-12 阶段阶段人工智能教育剑桥大学计算机科学与技术系 Raspberry Pi Computing\\nEducation Research Centre 在 Brookings Institution 为其\\n2021年的报告 Building Skills for Life: How to Expand and\\nImprove Computer Science Education Around the World\\n所做研究的基础上，编制了本数据集。我们对他们的数据集做了一处修改，以澄清美国的 CS 课程在一些学校 / 地区开设，\\n而不是在所有地方都作为选修课开设。有关方法的更多信息，\\n请参阅 报告。\\n\\nIPEDS\\n高等教育综合数据系统 (IPEDS) 结合了美国教育部国家教育统计中心 (NCES) 开展的年度调查。IPEDS 从参与联邦学生资助计划的每所学院、大学、技术和职业机构收集信息。\\n\\n完成数据本章节使用的数据来自 Completions survey，该调查收集了完成中学后教育课程的学生人数据。根据教学计划分类（CIP）代码，人工智能相关领域的毕业生被认定为第一主修专业为计算机与信息科学，普通（11.01）；计算机编程（11.02）或计算机科学（11.07），今年报告中包含的人工智能相关专业的毕业生人数与往年不同，因为人工智能指数使用了多个 CIP 代码。\\n\\n经合组织本章节使用了经合组织数据资源管理器中的数据，特别是“按教育领域划分的在校学生、毕业生和新入学生人数”表中的数据，该数据集的方法可参见 Education at a Glance2024\\nSources, Methodologies and Technical Notes。\\n\\n* * *\\n\\n附录第八章：公众观点\\n\\n2025年人工智能指数报告\\n\\n第八章：公众观点\\n\\n益普索为简洁起见，2025年人工智能指数报告选择不重新发布报告中介绍的益普索调查所使用的方法。有关益普索调查方法的更多详情，请参阅调查。\\n\\n目录第二章预览\\n455\",\n \"metadata\": {\n \"scrapeId\": \"019edfeb-6458-772c-819f-8aec8b19ed8d\",\n \"sourceURL\": \"https://hai.stanford.edu/assets/files/hai_ai_index_report_2025_chinese_version_061325.pdf\",\n \"url\": \"https://hai.stanford.edu/assets/files/hai_ai_index_report_2025_chinese_version_061325.pdf\",\n \"statusCode\": 200,\n \"numPages\": 456,\n \"contentType\": \"application/pdf\",\n \"proxyUsed\": \"basic\",\n \"cacheState\": \"hit\",\n \"cachedAt\": \"2026-06-19T11:03:10.161Z\",\n \"creditsUsed\": 456\n }\n },\n {\n \"url\": \"https://flex.com/zh/newsroom/news\",\n \"title\": \"新闻| Flex\",\n \"description\": \"Flex 新闻报道 ; 2026 年6 月1 日. 彭博社：人工智能电力激增引发的数据中心重新设计竞赛 ; 2026 年5 月28 日. 《财富》杂志将Revathi Advaithi评为最具影响力的女性之一.\",\n \"position\": 3,\n \"markdown\": \"2026 年 6 月 1 日\\n\\n[彭博社：人工智能电力激增引发的数据中心重新设计竞赛](https://www.bloomberg.com/graphics/2026-ai-data-center-redesign/ \\\"彭博社：人工智能电力激增引发的数据中心重新设计竞赛\\\")\\n\\n2026 年 5 月 28 日\\n\\n[《财富》杂志将Revathi Advaithi评为最具影响力的女性之一](https://fortune.com/ranking/most-powerful-women/2026/revathi-advaithi/ \\\"《财富》杂志将Revathi Advaithi评为最具影响力的女性之一\\\")\\n\\n2026 年 5 月 11 日\\n\\n[彭博未平仓合约：Flex CEO 重仓人工智能](https://www.bloomberg.com/news/videos/2026-05-11/flex-ceo-bets-big-on-ai-video \\\"彭博未平仓合约：Flex CEO 重仓人工智能\\\")\\n\\n2026 年 5 月 11 日\\n\\n[福布斯：金屋举办第五届年度黄金盛典，表彰亚太地区领袖](https://www.forbes.com/sites/laurasirikul/2026/05/11/gold-house-honors-asian-pacific-leaders-at-its-fifth-annual-gold-gala/ \\\"福布斯：金屋举办第五届年度黄金盛典，表彰亚太地区领袖\\\")\\n\\n7 2026 年 5 月\\n\\n[彭博商业周刊日报：Flex宣布分拆云计算和电力基础设施部门](https://www.bloomberg.com/news/videos/2026-05-07/flex-plans-spin-off-of-cloud-power-infrastructure-unit-video \\\"彭博商业周刊日报：Flex宣布分拆云计算和电力基础设施部门\\\")\\n\\n6 2026 年 5 月\\n\\n[CNBC Squawk Box：Flex CEO Revathi 谈分拆云业务和电力业务](https://www.cnbc.com/video/2026/05/06/flex-ceo-revathi-advaithi-on-spinning-off-cloud-power-units-the-timing-makes-a-lot-of-sense.html \\\"CNBC Squawk Box：Flex CEO Revathi 谈分拆云业务和电力业务\\\")\\n\\n8 2026 年 4 月\\n\\n[吸收人工智能数据中心的冲击波](https://www.datacenterdynamics.com/en/marketwatch/absorbing-the-shockwaves-of-the-ai-data-center/ \\\"吸收人工智能数据中心的冲击波\\\")\\n\\n2026年3月20日\\n\\n[福布斯女性：Revathi Advaithi 如何重塑 Flex 的企业文化](https://www.forbes.com/sites/yolarobert1/2026/03/20/how-revathi-advaithi-is-reshaping--culture-at-flex/ \\\"福布斯女性：Revathi Advaithi 如何重塑 Flex 的企业文化\\\")\\n\\n16 2026 年 1 月\\n\\n[英飞凌和 Flex 共同打造区域控制器的基础模块](https://www.electronicdesign.com/technologies/embedded/article/55344153/electronic-design-infineon-introduces-development-kit-for-zonal-controllers-with-flex \\\"英飞凌和 Flex 共同打造区域控制器的基础模块\\\")\\n\\n12 2026 年 1 月\\n\\n[电压越高，风险越大：人工智能数据中心蓬勃发展中的安全问题](https://broadbandnation.prod.qtxquartz.com/network-technology/higher-voltage-higher-risk-safety-ai-data-center-boom \\\"电压越高，风险越大：人工智能数据中心蓬勃发展中的安全问题\\\")\\n\\n2026 年 9 月 1 日\\n\\n[Flex 推进数据中心运营的可持续冷却](https://sustainabilitymag.com/news/flex-advances-sustainable-cooling-for-data-centre-operations \\\"Flex 推进数据中心运营的可持续冷却\\\")\\n\\n5 2026 年 1 月\\n\\n[Flex 与 Equinix 携手拓展可持续制冷创新](https://datacentremagazine.com/magazine/data-centre-magazine-january-2026 \\\"Flex 与 Equinix 携手拓展可持续制冷创新\\\")\\n\\n2025年10月11日\\n\\n[LG 和 Flex：为日益增长的人工智能功率降温](https://datacentremagazine.com/news/lg-and-flex-cooling-the-growing-heat-of-ai-power \\\"LG 和 Flex：为日益增长的人工智能功率降温\\\")\\n\\n4 2025 年 11 月\\n\\n[人工智能时代的电能质量：解决次谐波问题](https://www.powermag.com/power-quality-in-the-ai-era-solving-for-subharmonics/ \\\"人工智能时代的电能质量：解决次谐波问题\\\")\\n\\n4 2025 年 11 月\\n\\n[Flex 与 LG 合作开发模块化散热解决方案](https://www.datacenterdynamics.com/en/news/flex-and-lg-team-up-on-modular-cooling-solutions/ \\\"Flex 与 LG 合作开发模块化散热解决方案\\\")\\n\\n2025 年 10 月 31 日\\n\\n[千兆瓦时代的冷却技术](https://techarena.ai/content/cooling-for-the-gigawatt-era-jetcools-roadmap-for-ai-data-centers \\\"千兆瓦时代的冷却技术\\\")\\n\\n2025 年 10 月 30 日\\n\\n[你需要了解的英伟达GTC新闻](https://www.networkworld.com/article/4082056/nvidia-gtc-show-news-you-need-to-know-round-up.html \\\"你需要了解的英伟达GTC新闻\\\")\\n\\n15 2025 年 10 月\\n\\n[OCP Flex：Chris Butler 谈打破 IT 电源壁垒](https://www.techarena.ai/content/flex-at-ocp-chris-butler-on-breaking-the-it-power-wall \\\"OCP Flex：Chris Butler 谈打破 IT 电源壁垒\\\")\\n\\n13 2025 年 10 月\\n\\n[Flex 通过全集成预制系统加速数据中心部署](https://www.powerelectronicsnews.com/flex-accelerates-data-center-deployment-with-fully-integrated-prefabricated-systems/ \\\"Flex 通过全集成预制系统加速数据中心部署\\\")\\n\\n13 2025 年 10 月\\n\\n[NVIDIA 携手合作伙伴为 Vera Rubin 打造下一代高效千兆瓦 AI 工厂](https://blogs.nvidia.com/blog/gigawatt-ai-factories-ocp-vera-rubin/ \\\"NVIDIA 携手合作伙伴为 Vera Rubin 打造下一代高效千兆瓦 AI 工厂\\\")\\n\\n13 2025 年 10 月\\n\\n[Flex 全新 AI 平台加速基础设施部署](https://www.sdcexec.com/warehousing/automation/news/22952364/flex-flexs-new-ai-platform-to-speed-infrastructure-deployment \\\"Flex 全新 AI 平台加速基础设施部署\\\")\\n\\n13 2025 年 10 月\\n\\n[不容错过的 3 个 OCP 新版本](https://www.fierce-network.com/cloud/3-ocp-new-releases-you-cant-miss \\\"不容错过的 3 个 OCP 新版本\\\")\\n\\n2025 年 9 月 23 日\\n\\n[Flex 和 JetCool 推出新型模块化 CDU](https://www.datacenterdynamics.com/en/news/flex-and-jetcool-launch-new-modular-cdu/ \\\"Flex 和 JetCool 推出新型模块化 CDU\\\")\\n\\n2025 年 9 月 19 日\\n\\n[Flex 的 Chris Butler 为您快速讲解计算效率的 5 个事实](https://www.techarena.ai/content/5-fast-facts-on-compute-efficiency-with-flexs-chris-butler \\\"Flex 的 Chris Butler 为您快速讲解计算效率的 5 个事实\\\")\\n\\n2025 年 9 月 19 日\\n\\n[扩展到 1MW 机架：面向 AI 数据中心的电网到芯片解决方案](https://www.datacenterdynamics.com/en/magazines/scaling-to-1mw-racks-grid-to-chip-solutions-for-ai-data-centers/ \\\"扩展到 1MW 机架：面向 AI 数据中心的电网到芯片解决方案\\\")\\n\\n2025 年 9 月 15 日\\n\\n[新的投资可能会改变数据中心的电力状况](https://www.fierce-network.com/cloud/new-investments-could-transform-data-center-power-equation \\\"新的投资可能会改变数据中心的电力状况\\\")\\n\\n5 2025 年 8 月\\n\\n[2025年100家优秀供应链合作伙伴](https://www.supplychainbrain.com/articles/42201-100-great-table \\\"2025年100家优秀供应链合作伙伴\\\")\\n\\n2025 年 7 月 31 日\\n\\n[新兴技术如何促进数据中心和工业领域的热量再利用？](https://www.intelligentdatacentres.com/2025/07/31/how-can-emerging-tech-boost-heat-reuse-in-data-centres-and-industry/ \\\"新兴技术如何促进数据中心和工业领域的热量再利用？\\\")\\n\\n2025 年 7 月 29 日\\n\\n[Flex 的 CEO 接任时没有任何行业经验。一套久经考验的策略指导着他的每一步](https://fortune.com/2025/07/28/flex-ceo-manufacturing-ai/ \\\"Flex 的 CEO 接任时没有任何行业经验。一套久经考验的策略指导着他的每一步\\\")\\n\\n2025 年 7 月 25 日\\n\\n[1 MW 机架和供应链弹性：规划未来的数据中心](https://www.datacenterknowledge.com/supply-chain/1-mw-racks-and-supply-chain-resilience-planning-for-the-data-centers-of-the-future \\\"1 MW 机架和供应链弹性：规划未来的数据中心\\\")\\n\\n2025 年 9 月 7 日\\n\\n[Flex 首席执行官 Revathi Advaithi 与 Jim Cramer 做客 CNBC 的“Mad Money”节目](https://www.cnbc.com/video/2025/07/08/flex-ceo-revathi-advaithi-goes-one-on-one-with-jim-cramer.html \\\"Flex 首席执行官 Revathi Advaithi 与 Jim Cramer 做客 CNBC 的“Mad Money”节目\\\")\\n\\n2025 年 6 月 16 日\\n\\n[制造业CEO预见工厂复苏](https://www.bloomberg.com/news/videos/2025-06-16/manufacturing-ceo-sees-a-factory-resurgence-video \\\"制造业CEO预见工厂复苏\\\")\\n\\n2025 年 6 月 12 日\\n\\n[伟创力被 Expansion 评为“墨西哥最重要的公司”之一](https://expansion.mx/revista-digital-junio-2025 \\\"Flex 被 Expansion 评为墨西哥最重要的公司之一\\\")\\n\\n11 2025 年 6 月\\n\\n[Flex 被 Expansion 评为墨西哥最具影响力的 500 强公司之一](https://flex.com/zh/resources/flex-named-one-of-the-top-500-most-influential-companies-in-mexico-by-expansion/ \\\"Flex 被 Expansion 评为墨西哥最具影响力的 500 强公司之一\\\")\\n\\n6 2025 年 6 月\\n\\n[数据中心脉搏：1MW机架即将问世](https://www.fierce-network.com/cloud/data-center-pulse-1mw-racks-are-way \\\"数据中心脉搏：1MW机架即将问世\\\")\\n\\n2 2025 年 6 月\\n\\n[SolarEdge 在德克萨斯州奥斯汀制造基地的 Flex 达到关键里程碑](https://www.businesswire.com/news/home/20250602663561/en/SolarEdge-Reaches-Key-Milestone-at-Austin-Texas-Manufacturing-Site-Driving-Local-Job-Growth-and-U.S.-Energy-Independence-with-Flex \\\"SolarEdge 在德克萨斯州奥斯汀制造基地的 Flex 达到关键里程碑\\\")\\n\\n2 2025 年 6 月\\n\\n[Flex 首席执行官谈如何平衡技术与同理心](https://www.industryweek.com/leadership/corporate-culture/article/55293779/flex-ceo-on-balancing-empathy-and-operational-excellence \\\"Flex 首席执行官谈如何平衡技术与同理心\\\")\\n\\n2025 年 5 月 19 日\\n\\n[这些液体冷却供应商在美国生产他们的设备](https://www.fierce-network.com/cloud/these-liquid-cooling-vendors-manufacture-their-gear-us \\\"这些液体冷却供应商在美国生产他们的设备\\\")\\n\\n2025 年 5 月 1 日\\n\\n[Arch Systems 和 Flex 扩大全球合作伙伴关系](https://archsys.io/blog/arch-systems-and-flex-expand-partnership-to-accelerate-ai-guided-digital-transformation-across-global-manufacturing-sites/ \\\"Arch Systems 和 Flex 扩大全球合作伙伴关系\\\")\\n\\n2025 年 4 月 8 日\\n\\n[Flex 荣获 2025 年美国投资者关系影响力奖，荣获企业交易期间最佳投资者关系奖](https://www.ir-impact.com/wp-content/uploads/2025/03/US-Awards-25-List-of-nominees-and-winners-v2.pdf \\\"Flex 荣获 2025 年美国投资者关系影响力奖，荣获企业交易期间最佳投资者关系奖\\\")\\n\\n2025 年 4 月\\n\\n[Flex 和 BMW 如何应对 ECU 验证挑战](https://manufacturingdigital.com/articles/flex-bmws-addresses-challenge-ecu-tracking \\\"Flex 和 BMW 如何应对 ECU 验证挑战\\\")\\n\\n2025 年 3 月 27 日\\n\\n[伟创力与宝马集团启动首个基于 Catena-X 的跨区域 ECU 数据交换](https://flex.com/zh/resources/flex-launches-first-multiregional-catena-x-based-ecu-data-exchange-with-bmw-group/ \\\"伟创力与宝马集团启动首个基于 Catena-X 的跨区域 ECU 数据交换\\\")\\n\\n2025年3月18日\\n\\n[Torc 与 Flex 合作开发自动驾驶卡车物理 AI 平台，由 NVIDIA 加速](https://torc.ai/nvidia-flex-industry-first-physical-ai-platform-autonomous-trucks/ \\\"Torc 与 Flex 合作开发自动驾驶卡车物理 AI 平台，由 NVIDIA 加速\\\")\\n\\n2025年3月11日\\n\\n[人工智能工作负载如何推动数据中心电力需求，以及电网到芯片解决方案为何对超大规模企业至关重要](https://www.powersystemsdesign.com/articles/power-management-in-ai-data-centers/22/22554 \\\"人工智能工作负载如何推动数据中心电力需求，以及电网到芯片解决方案为何对超大规模企业至关重要\\\")\\n\\n2025年3月11日\\n\\n[NXP S32K5 微控制器系列推进区域 SDV 架构](https://www.nxp.com/company/about-nxp/newsroom/NW-NEW-S32K5-MICROCONTROLLER \\\"NXP S32K5 微控制器系列推进区域 SDV 架构\\\")\\n\\n2025年3月10日\\n\\n[减少浪费，提高产出](https://flickread.com/edition/html/67bee92f070bb#24 \\\"减少浪费，提高产出\\\")\\n\\n2025年3月10日\\n\\n[打造精通技术的团队对未来成功的重要性](https://www.supplychainit.com/the-importance-of-building-tech-savy-teams-for-future-success/ \\\"打造精通技术的团队对未来成功的重要性\\\")\\n\\n2025年3月10日\\n\\n[什么时候才是思考工业4.0的最佳时机？](https://manufacturingdigital.com/articles/flex-how-manufacturers-can-navigate-constant-change \\\"什么时候才是思考工业4.0的最佳时机？\\\")\\n\\n2025年3月10日\\n\\n[向他人学习](https://vehicle-electronics.biz/sites/default/files/VE135Mar25.pdf \\\"向他人学习\\\")\\n\\n2025年5月\\n\\n[制造商如何应对持续的变化](https://manufacturingdigital.com/articles/flex-how-manufacturers-can-navigate-constant-change \\\"制造商如何应对持续的变化\\\")\\n\\n2025 年 3 月 4 日\\n\\n[案例研究：Flex 数字化转型历程中的经验教训](https://docket.acc.com/case-study-lessons-learned-flexs-digital-transformation-journey \\\"案例研究：Flex 数字化转型历程中的经验教训\\\")\\n\\n2025年2月\\n\\n[改造汽车供应链，实现未来出行](https://www.all-electronics.de/automotive-transportation/transformation-der-automobil-lieferkette-fuer-mobilitaet-der-zukunft-832.html \\\"改造汽车供应链，实现未来出行\\\")\\n\\n2025年2月4日\\n\\n[Husqvarna 和 Flex 宣布建立战略合作伙伴关系](https://www.prnewswire.com/news-releases/husqvarna-and-flex-announce-strategic-partnership-302367930.html \\\"Husqvarna 和 Flex 宣布建立战略合作伙伴关系\\\")\\n\\n2025年1月31日\\n\\n[MPO 论坛：2024 年值得关注的事件和 2025 年的预测](https://www.mpo-mag.com/exclusives/sounding-board-2024-noteworthy-events-and-2025-predictions/ \\\"MPO 论坛：2024 年值得关注的事件和 2025 年的预测\\\")\\n\\n2025年1月22日\\n\\n[外包对于医疗科技和医疗保健领域的成功至关重要](https://www.mddionline.com/manufacturing/outsourcing-is-crucial-for-success-in-medtech-healthcare \\\"外包对于医疗科技和医疗保健领域的成功至关重要\\\")\\n\\n2025年1月13日\\n\\n[Telehouse 与 Accelsius™、EkkoSense、JetCool® 和 Legrand 合作推出开创性的液体冷却实验室](https://www.telehouse.net/news/telehouse-launches-pioneering-liquid-cooling-lab/ \\\"Telehouse 与 Accelsius™、EkkoSense、JetCool® 和 Legrand 合作推出开创性的液体冷却实验室\\\")\\n\\n2024年11月12日\\n\\n[2024 年北美创新律师奖](https://www.ft.com/content/ba265d48-8ea5-48d5-9a1d-d49c428f7c8d \\\"2024 年北美创新律师奖\\\")\\n\\n2024年12月4日\\n\\n[重塑汽车价值链，实现下一代出行](https://www.wardsauto.com/software-defined-vehicles/reinventing-the-automotive-value-chain-for-next-gen-mobility \\\"重塑汽车价值链，实现下一代出行\\\")\\n\\n2024年12月\\n\\n[扩大汽车生态系统以扩大软件定义汽车的规模](https://www.just-auto.com/interview/expanding-the-automotive-ecosystem-to-scale-software-defined-vehicles/ \\\"扩大汽车生态系统以扩大软件定义汽车的规模\\\")\\n\\n2024年11月14日\\n\\n[HP 与 Flex 合作，为世界各地的儿童带来更多希望](https://www.hp.com/us-en/newsroom/blogs/2024/hp-flex.html \\\"HP 与 Flex 合作，为世界各地的儿童带来更多希望\\\")\\n\\n2024 年 11 月 12 日\\n\\n[在 2024 年慕尼黑国际电子元器件展（Electronica）上，伟创力电源模块推出了适用于 AI 数据中心的高密度数字电源解决方案](https://flex.com/zh/resources/flex-power-modules-introduces-high-density-digital-power-solutions-for-ai-data-centers-at-electronica-2024/ \\\"在 2024 年慕尼黑国际电子元器件展（Electronica）上，伟创力电源模块推出了适用于 AI 数据中心的高密度数字电源解决方案\\\")\\n\\n2024年10月28日\\n\\n[Flex 收购 Crown Technical Systems；进军模块化数据中心和配电市场](https://www.datacenterfrontier.com/energy/article/55238866/flex-acquires-crown-technical-systems-moves-into-modular-data-center-power-distribution-markets \\\"Flex 收购 Crown Technical Systems；进军模块化数据中心和配电市场\\\")\\n\\n2024年10月22日\\n\\n[Chiplet 市场和可持续性成为 OCP 峰会热门讨论话题](https://www.eetimes.com/chiplet-marketplace-sustainability-top-discussions-at-ocp-summit/ \\\"Chiplet 市场和可持续性成为 OCP 峰会热门讨论话题\\\")\\n\\n2024年10月22日\\n\\n[人工智能和机器学习如何彻底改变电子制造业](https://www.node-magazine.com/thoughtleadership/how-ai-and-ml-are-revolutionising-electronics-manufacturing \\\"人工智能和机器学习如何彻底改变电子制造业\\\")\\n\\n2024 年 10 月 14 日\\n\\n[Electronics Weekly：Flex Power Modules 在圣何塞 OCP 全球峰会上推出了 750W 中间总线转换器](https://www.electronicsweekly.com/news/products/power-supplies/ocp-global-summit-750w-81-dc-dc-down-converter-can-peak-at-1-5kw-2024-10/ \\\"Electronics Weekly：Flex Power Modules 在圣何塞 OCP 全球峰会上推出了 750W 中间总线转换器\\\")\\n\\n2024 年 10 月 14 日\\n\\n[HPCWire：Flex 在 OCP 全球峰会上宣布推出适用于数据中心的液冷机架和电源解决方案](https://www.hpcwire.com/off-the-wire/flex-announces-liquid-cooled-rack-and-power-solutions-for-data-centers-at-ocp-global-summit/ \\\"HPCWire：Flex 在 OCP 全球峰会上宣布推出适用于数据中心的液冷机架和电源解决方案\\\")\\n\\n2024 年 10 月 14 日\\n\\n[数据中心前沿：Flex、JetCool 数据中心液冷合作凸显 2024 年 OCP 峰会的 AI 创新重点](https://www.datacenterfrontier.com/cooling/article/55234762/flex-jetcool-data-center-liquid-cooling-collab-highlights-2024-ocp-summits-ai-innovation-focus \\\"数据中心前沿：Flex、JetCool 数据中心液冷合作凸显 2024 年 OCP 峰会的 AI 创新重点\\\")\\n\\n2024 年 10 月 14 日\\n\\n[福布斯：Flex 在 OCP 活动上发布液冷机架和电源解决方案](https://www.forbes.com/sites/karlfreund/2024/10/14/flex-announces-liquid-cooled-rack-and-power-solutions-at-ocp-event/ \\\"福布斯：Flex 在 OCP 活动上发布液冷机架和电源解决方案\\\")\\n\\n2024 年 10 月 14 日\\n\\n[伟创力电源模块推出适用于数据中心 AI 应用的新型数字中间总线转换器](https://flexpowermodules.com/new-powerful-small-ibc-bmr321 \\\"伟创力电源模块推出适用于数据中心 AI 应用的新型数字中间总线转换器\\\")\\n\\n2024 年 10 月 14 日\\n\\n[伟创力和 JetCool 合作开发适用于 AI 和高密度工作负载的液体冷却服务器](https://jetcool.com/post/flex-and-jetcool-partner-to-develop-liquid-cooling-ready-servers-for-ai-and-high-density-workloads/ \\\"伟创力和 JetCool 合作开发适用于 AI 和高密度工作负载的液体冷却服务器\\\")\\n\\n2024 年 10 月 8 日\\n\\n[云提供商希望将机架功率提高 10 倍以用于 AI](https://www.fierce-network.com/cloud/cloud-providers-want-crank-rack-power-10x-ai \\\"云提供商希望将机架功率提高 10 倍以用于 AI\\\")\\n\\n2024年10月6日\\n\\n[2023 年制造业的面貌：独特的回报，每天都带来新的挑战](https://www.industryweek.com/operations/media-gallery/21275024/faces-of-manufacturing-2023-uniquely-rewarding-every-day-brings-a-new-challenge?id=21275024&slide=3 \\\"2023 年制造业的面貌：独特的回报，每天都带来新的挑战\\\")\\n\\n2024年9月30日\\n\\n[2024 年《财富》最具影响力女性 (MPW) – Revathi Advaithi](https://urldefense.com/v3/__https:/links.newsletter.fortune.com/u/click?_t=5c2d888702774d17aa3d0350287b6d73&_m=651f2c23dd5f47e7a658fe2bc970baa5&_e=99YPobk5ZFxWtHkiaRJVYXtfPqMmcY71b_OUGoL7KmMcOgVBkwoqUeug-QswEBabB4h_6yGMZbE25ylcTMFqsNFZkkcjCqT60uKo4ioOTGmzVLhYwrmlO-bomLR_raKVRL0_A_DXfFCBoLElpAyuISHqPkvNrB2vIqOVyfntzb53Js4Xlw_zdNUSpENp7g7vq0zAtw3YF4QKD10kV37yoFA2duKZhgo5xde2Xqau78pdtA_tSEJmD0EfbqPryIpM96mcZcNOy4Gf2FynW6riXYngYHCSds99hKc0r2dPIn0FeBhVu0Lq8M5j3tWO2GkDwraI9M-xtBoH1f7dalV1HjonIKRePrOcuYvxAaDuapaNHlvlvUq9ZR2unXzJS3Lu__;!!HSntlCg!SGWtCGdfmvEA72iSb4sgQ62JBwI-dt7xZA93nzWwIZeA8ixY9mCCqStLANlcaLZv54d4sBrnavV5qE9OBw$ \\\"2024 年《财富》最具影响力女性 (MPW) – Revathi Advaithi\\\")\\n\\n2024年9月23日\\n\\n[什么时候才是思考工业4.0的最佳时机？](https://www.sdcexec.com/software-technology/software-solutions/article/22920636/flex-when-is-the-right-time-to-think-about-industry-40 \\\"什么时候才是思考工业4.0的最佳时机？\\\")\\n\\n2024年9月21日\\n\\n[Flex：紧跟制造业创新](https://manufacturingdigital.com/articles/flex-keeping-up-with-manufacturing-innovation \\\"Flex：紧跟制造业创新\\\")\\n\\n2024年5月9日\\n\\n[全公司协作：可持续发展之路](https://bc-ccc.uberflip.com/i/1526187-issue46v4-draft1-20240905/9?_cldee=6m-Q_W3BG9n4TwyHBHBMcqwzJyu1D13NPNL11eZrVTLPONfLCQpV3tcQce58zo_G&recipientid=contact-12fc57b643ebec11bb3d000d3a3349bd-09e189091d6045e3b158a63e8092f5f8&esid=95c08ff5-d16a-ef11-bfe3-000d3a5aaecc \\\"全公司协作：可持续发展之路\\\")\\n\\n2024 年 3 月\\n\\n[就目前而言，调峰可以帮助数据中心解决人工智能电力问题](https://www.fierce-network.com/cloud/peak-shaving-could-help-data-centers-solve-ai-power-problem-now \\\"就目前而言，调峰可以帮助数据中心解决人工智能电力问题\\\")\\n\\n2024年8月24日\\n\\n[如何克服汽车供应链挑战](https://supplychaindigital.com/digital-supply-chain/flex-future-mobility-transforming-automotive \\\"如何克服汽车供应链挑战\\\")\\n\\n2024年7月31日\\n\\n[可持续发展的领导者：Flex 的 Barjouth Aguilar](https://iconnect007.uberflip.com/i/1523888-community-q324/77?utm_content=300918111&utm_medium=social&utm_source=linkedin&hss_channel=lcp-90388962 \\\"可持续发展的领导者：Flex 的 Barjouth Aguilar\\\")\\n\\n2024年6月28日\\n\\n[利用人工智能和机器学习改变产品质量检测](https://industrytoday.com/transforming-product-quality-inspections-with-ai-and-ml/ \\\"利用人工智能和机器学习改变产品质量检测\\\")\\n\\n2024 年 6 月 14 日\\n\\n[Flex 被 Expansion 评为 2024 年墨西哥 500 家最重要公司之一](https://flex.com/zh/resources/flex-recognized-as-one-of-mexicos-500-most-important-companies-in-2024-by-expansion/ \\\"Flex 被 Expansion 评为 2024 年墨西哥 500 家最重要公司之一\\\")\\n\\n2024年5月23日\\n\\n[PLI 计划将促进制造业和就业：Flex](https://telecom.economictimes.indiatimes.com/news/telecom-equipment/pli-scheme-to-boost-manufacturing-jobs-flex/110211148 \\\"PLI 计划将促进制造业和就业：Flex\\\")\\n\\n2024年5月21日\\n\\n[驾驶座上：Flex 汽车工程副总裁 Andreas Heim](https://www.techne-talent.com/view/behind-the-wheel-andreas-heim-the-vp-of-engineering---automotive-at-flex \\\"驾驶座上：Flex 汽车工程副总裁 Andreas Heim\\\")\\n\\n2024年5月17日\\n\\n[在车间有效部署人工智能——制造商的方法](https://www.youtube.com/watch?v=yoEArfLd_kM&list=PLQpI2vXmjWoqHrZeHU8QwDdI1n0dW5d3b&index=3 \\\"在车间有效部署人工智能——制造商的方法\\\")\\n\\n2024 年 4 月 25 日\\n\\n[伟创力荣获爱立信 \\\"2023 年供应商可持续发展奖\\\"](https://flex.com/zh/resources/flex-receives-ericsson-2023-supplier-sustainability-award/ \\\"伟创力荣获爱立信 \\\\\\\"2023 年供应商可持续发展奖\\\\\\\"\\\")\\n\\n2024 年 2 月 4 日\\n\\n[伟创力庆祝墨西哥瓜达拉哈拉运营点连续 10 年获得福特 Q1 认证荣誉](https://flex.com/zh/resources/10-years-of-maintaining-fords-q1-quality-certification/ \\\"伟创力庆祝墨西哥瓜达拉哈拉运营点连续 10 年获得福特 Q1 认证荣誉\\\")\\n\\n2024年3月4日\\n\\n[Ethisphere 将 Flex 评为 2024 年全球最具商业道德企业之一](https://investors.flex.com/news/news-details/2024/Flex-Earns-Coveted-Spot-on-Ethispheres-2024-Worlds-Most-Ethical-Companies-for-Second-Consecutive-Year/default.aspx?_gl=1*18hremx*_ga*MTA4OTU1MTY2Mi4xNjgzNjY4ODg1*_ga_LE3NL4XEBD*MTcxNDA2ODI1OS4xNTYuMS4xNzE0MDY4MjY5LjUwLjAuMA.. \\\"Ethisphere 将 Flex 评为 2024 年全球最具商业道德企业之一\\\")\\n\\n2024年13月\\n\\n[使预充式注射器变得智能化：改善患者护理和临床试验结果的技术解决方案](https://drug-dev.com/prefilled-syringes-making-a-prefilled-syringe-smart-technological-solutions-to-advance-patient-care-clinical-trial-outcomes/ \\\"使预充式注射器变得智能化：改善患者护理和临床试验结果的技术解决方案\\\")\\n\\n2024年13月\\n\\n[Flex：人工智能和机器学习可以简化运营](https://manufacturingdigital.com/ai-and-automation/flex-ai-machine-learning-can-streamline-operations \\\"Flex：人工智能和机器学习可以简化运营\\\")\\n\\n2024年1月17日\\n\\n[世界经济论坛案例研究：范围 3 减排的挑战](https://initiatives.weforum.org/net-zero-supply-chain-support-hub/flex \\\"世界经济论坛案例研究：范围 3 减排的挑战\\\")\\n\\n2024 年 10 月\\n\\n[Flex 创新服务技术专家 Cassandra Fong 被评为 30 位 30 岁以下中小企业之一](https://digitaleditions.walsworth.com/publication/?m=67292&i=809533&p=20&pre=1&ver=html5 \\\"Flex 创新服务技术专家 Cassandra Fong 被评为 30 位 30 岁以下中小企业之一\\\")\\n\\n2024 年 9 月 1 日\\n\\n[伟创力和 STMicroelectronics 展示下一代电力电子产品](https://flex.com/zh/resources/flex-and-stmicroelectronics-showcase-next-generation-power-electronics/ \\\"伟创力和 STMicroelectronics 展示下一代电力电子产品\\\")\\n\\n2024 年 9 月 1 日\\n\\n[吸引优先供应商以减少范围 3.1 的排放](https://initiatives.weforum.org/industry-net-zero-accelerator/case-studies/flex---engaging-preferred-suppliers-to-reduce-scope-3.1-emissions/aJYTG00000003yn4AA# \\\"吸引优先供应商以减少范围 3.1 的排放\\\")\\n\\n15 2023年12月\\n\\n[乌克兰Flex荣获波兰质量奖](https://qualitymagazyn.eu/wp-content/uploads/2023/12/qmag-16.pdf#page=14 \\\"乌克兰Flex荣获波兰质量奖\\\")\\n\\n2023年11月14日\\n\\n[Asensus Surgical, Inc. 宣布与 Flex 达成协议，为 LUNA™ 提供设计和先进制造服务](https://ir.asensus.com/news-releases/news-release-details/asensus-surgical-inc-announces-agreement-flex-design-and \\\"Asensus Surgical, Inc. 宣布与 Flex 达成协议，为 LUNA™ 提供设计和先进制造服务\\\")\\n\\n2023 年 10 月 11 日\\n\\n[Flex 因开创性地使用新的人工智能驱动工具而被评为 2023 年企业法律顾问协会价值冠军](https://flex.com/zh/resources/flex-recognized-for-groundbreaking-use-of-new-ai-driven-tool/ \\\"Flex 因开创性地使用新的人工智能驱动工具而被评为 2023 年企业法律顾问协会价值冠军\\\")\\n\\n2023年11月8日\\n\\n[巴西 Jaguariuna 的伟创力工厂荣获 AME 颁发的卓越制造奖](https://flex.com/zh/resources/flex-site-in-jaguariuna-brazil-receives-manufacturing-excellence-award-from-ame/ \\\"巴西 Jaguariuna 的伟创力工厂荣获 AME 颁发的卓越制造奖\\\")\\n\\n2023年11月7日\\n\\n[人工智能增强机器视觉](https://www.assemblymag.com/articles/98118-ai-augments-machine-vision \\\"人工智能增强机器视觉\\\")\\n\\n2023年10月5日\\n\\n[Revathi Advaithi 与其他杰出领导者一起跻身《财富》杂志最具影响力女性榜单](https://fortune.com/ranking/most-powerful-women/2023/ \\\"Revathi Advaithi 与其他杰出领导者一起跻身《财富》杂志最具影响力女性榜单\\\")\\n\\n2023 年 8 月 9 日\\n\\n[伟创力被Expansion评为\\\"墨西哥最负责任的公司之一\\\"](https://flex.com/zh/resources/flex-recognized-as-one-of-mexicos-most-responsible-companies-by-expansion/ \\\"伟创力被Expansion评为\\\\\\\"墨西哥最负责任的公司之一\\\\\\\"\\\")\\n\\n2023 年 9 月 6 日\\n\\n[注射装置：可持续性、可用性和数字化设计，以满足患者依从性](https://drug-dev.com/special-feature-injection-devices-designing-in-sustainability-usability-digitization-for-patient-compliance/ \\\"注射装置：可持续性、可用性和数字化设计，以满足患者依从性\\\")\\n\\n2023 年 9 月 6 日\\n\\n[《财富》杂志评选出的 2023 年印度最具影响力女性](https://www.fortuneindia.com/mpw?year=2023 \\\"《财富》杂志评选出的 2023 年印度最具影响力女性\\\")\\n\\n2023 年 9 月 6 日\\n\\n[Flex 成长的建筑师](https://www.fortuneindia.com/mpw/revathi-advaithi?year=2023 \\\"Flex 成长的建筑师\\\")\\n\\n2023年8月18日\\n\\n[供应链危机已经结束，但我们从中学到了什么](https://www.raconteur.net/supply-chain/supply-chain-crisis-lessons \\\"供应链危机已经结束，但我们从中学到了什么\\\")\\n\\n2023年8月4日\\n\\n[马来西亚加入爱立信全球5G设备制造供应链](https://www.ericsson.com/en/press-releases/2/2023/8/malaysia-joins-ericssons-global-5g-equipment-manufacturing-supply-chain \\\"马来西亚加入爱立信全球5G设备制造供应链\\\")\\n\\n2023年8月4日\\n\\n[庆祝女性领导力的卓越表现](https://economictimes.indiatimes.com/spotlight/etpwla2023 \\\"庆祝女性领导力的卓越表现\\\")\\n\\n2023年7月31日\\n\\n[探索制造业的未来](https://www.sme.org/technologies/articles/2023/july/discovering-the-future-of-manufacturing-an-exclusive-qa-with-paul-baldassari-president-of-manufacturing-and-services-at-flex/ \\\"探索制造业的未来\\\")\\n\\n2023 年 7 月 20 日\\n\\n[E+E 年度最佳项目](https://flex.com/zh/resources/flex-honored-with-ee-top-project-of-the-year/ \\\"E+E 年度最佳项目\\\")\\n\\n2023年7月12日\\n\\n[人工智能和机器学习如何彻底改变电子制造业](https://www.powermotiontech.com/technologies/artificial-intelligence/article/21268760/how-ai-and-ml-are-revolutionizing-electronics-manufacturing \\\"人工智能和机器学习如何彻底改变电子制造业\\\")\\n\\n2023年7月11日\\n\\n[医疗设备开发中的 HMI 创新至关重要](https://healthcare-digital.com/medical-devices-and-pharma/hmi-innovation-in-medical-device-development-is-essential \\\"医疗设备开发中的 HMI 创新至关重要\\\")\\n\\n2023年6月7日\\n\\n[Enphase 宣布开始从美国发货 Flex 微型逆变器](https://flex.com/zh/resources/enphase-announces-beginning-of-microinverter-shipments-from-united-states-with-flex/ \\\"Enphase 宣布开始从美国发货 Flex 微型逆变器\\\")\\n\\n2023年6月28日\\n\\n[美国能源部长参观 ABB 电动汽车充电设施](https://new.abb.com/news/detail/104751/us-secretary-of-energy-tours-abb-e-mobility-ev-charging-facility \\\"美国能源部长参观 ABB 电动汽车充电设施\\\")\\n\\n2023年6月16日\\n\\n[汽车制造走向虚拟化](https://www.digitalengineering247.com/article/automotive-manufacturing-gone-virtual \\\"汽车制造走向虚拟化\\\")\\n\\n2023年6月15日\\n\\n[爱立信庆祝其在波兰为 Telia 独家生产了第 100 万台 5G 无线设备](https://www.ericsson.com/en/press-releases/3/2023/ericsson-celebrates-the-millionth-5g-radio-produced-in-poland-exclusively-for-telia \\\"爱立信庆祝其在波兰为 Telia 独家生产了第 100 万台 5G 无线设备\\\")\\n\\n2023年6月6日\\n\\n[20年：医疗产品外包的过去与未来的探讨](https://www.mpo-mag.com/issues/2023-06-01/view_features/20-years-a-discussion-on-the-past-future-of-medical-product-outsourcing/?widget=listSection \\\"20年：医疗产品外包的过去与未来的探讨\\\")\\n\\n2023年5月24日\\n\\n[2023 年亚太气候领袖](https://www.ft.com/climate-leaders-asia-pacific-2023 \\\"2023 年亚太气候领袖\\\")\\n\\n2023 年 5 月 22 日\\n\\n[重新审视塑料：环保设计如何推动可持续变革](https://www.ondrugdelivery.com/rethinking-plastic-how-eco-friendly-design-is-driving-sustainable-change/ \\\"重新审视塑料：环保设计如何推动可持续变革\\\")\\n\\n2023年5月16日\\n\\n[ESG 领袖荣获 2023 年 Seal 商业可持续发展奖](https://sealawards.com/sustainability-award-2023/ \\\"ESG 领袖荣获 2023 年 Seal 商业可持续发展奖\\\")\\n\\n2023 年 2 月 5 日\\n\\n[伟创力 Althofen 的质量和创新计划因组织卓越而获得 EFQM 的最高认可](https://flex.com/zh/resources/quality-and-innovation-programs-at-flex-althofen-earns-site-highest-recognition-from-efqm-for-organizational-excellence/ \\\"伟创力 Althofen 的质量和创新计划因组织卓越而获得 EFQM 的最高认可\\\")\\n\\n2023年4月7日\\n\\n[数字孪生模拟如何推动制造业的数字化转型](https://www.controleng.com/articles/how-digital-twin-simulations-advance-digital-transformation-in-manufacturing/ \\\"数字孪生模拟如何推动制造业的数字化转型\\\")\\n\\n2023年3月31日\\n\\n[2023 年 15 大首席采购官通过创新改变现状](https://diversityplus.com/FinTOC/Top15_Chief_Procurement_Officers_2023?id=1CPO2023 \\\"2023 年 15 大首席采购官通过创新改变现状\\\")\\n\\n2023年3月30日\\n\\n[Enphase Energy 在罗马尼亚开始生产 IQ 微型逆变器 Flex](https://investor.enphase.com/news-releases/news-release-details/enphase-energy-begins-iq-microinverter-production-shipments-flex \\\"Enphase Energy 在罗马尼亚开始生产 IQ 微型逆变器 Flex\\\")\\n\\n2023 年 3 月 20 日\\n\\n[深化伙伴关系以促进价值链可持续性的最佳实践](https://issuu.com/swattdesign/docs/sbm_112/20 \\\"深化伙伴关系以促进价值链可持续性的最佳实践\\\")\\n\\n2023 年 3 月 15 日\\n\\n[问题解答：贸易数字化](https://treasurytoday.com/trade-and-supply-chain/trade-digitisation/trade-digitisation \\\"问题解答：贸易数字化\\\")\\n\\n2023年3月13日\\n\\n[好问题：旺季给您带来的最大的供应链启示是什么？](https://www.inboundlogistics.com/articles/good-question-whats-your-biggest-supply-chain-takeaway-from-peak-season/ \\\"好问题：旺季给您带来的最大的供应链启示是什么？\\\")\\n\\n2023年3月8日\\n\\n[国际妇女节：女性在制造业中的作用](https://manufacturingdigital.com/procurement-and-supply-chain/international-womens-day-womens-role-in-manufacturing \\\"国际妇女节：女性在制造业中的作用\\\")\\n\\n2023年3月6日\\n\\n[Flex 专注于自动化，以实现数字化的最佳回报](https://chiefexecutive.net/flex-focuses-on-autonomation-for-best-returns-from-digitalizing/ \\\"Flex 专注于自动化，以实现数字化的最佳回报\\\")\\n\\n2023年2月\\n\\n[制造业的未来：为什么没有仿真就无法拥有数字孪生](https://www.dpaonthenet.net/article/196176/The-future-of-manufacturing--Why-you-can-t-have-a-digital-twin-without-simulation.aspx \\\"制造业的未来：为什么没有仿真就无法拥有数字孪生\\\")\\n\\n2023 年 2 月 23 日\\n\\n[伟创力每年在墨西哥哈利斯科州帮助 2,000 多名员工提升技能](https://flex.com/zh/resources/flex-to-upskill-over-2000-employees-each-year-in-jalisco-mexico/ \\\"伟创力每年在墨西哥哈利斯科州帮助 2,000 多名员工提升技能\\\")\\n\\n2023年2月16日\\n\\n[Flex：使用数字孪生消除客户旅程中的摩擦](https://anchor.fm/insidedt/episodes/S1E7---Flex-Using-Digital-Twins-to-Remove-Friction-from-the-Customer-Journey-e1rljb2 \\\"Flex：使用数字孪生消除客户旅程中的摩擦\\\")\\n\\n2023年12月\\n\\n[为什么应该采用数字孪生](https://www.plasticstoday.com/medical/why-you-should-adopt-digital-twin \\\"为什么应该采用数字孪生\\\")\\n\\n2023年1月26日\\n\\n[为什么医疗器械设计师需要变得更加敏捷——以及如何做到这一点](https://www.medtechdive.com/news/why-medical-device-designers-need-to-become-more-agile-and-how-they-can-d/640878/ \\\"为什么医疗器械设计师需要变得更加敏捷——以及如何做到这一点\\\")\\n\\n2023年1月17日\\n\\n[2023 年制造业预测 - 第二部分](https://www.manufacturing.net/supply-chain/blog/22657653/predictions-for-manufacturing-in-2023-part-ii \\\"2023 年制造业预测 - 第二部分\\\")\\n\\n2023年5月1日\\n\\n[“无借口”框架加速实现净零制造和价值链](https://www.weforum.org/whitepapers/the-no-excuse-framework-to-accelerate-the-path-to-net-zero-manufacturing-and-value-chains \\\"“无借口”框架加速实现净零制造和价值链\\\")\\n\\n2022 年 12 月 12 日\\n\\n[数字孪生如何提高敏捷性并增强运营](https://www.powermotiontech.com/sensors-software/article/21256025/how-digital-twins-can-increase-agility-and-bolster-operations \\\"数字孪生如何提高敏捷性并增强运营\\\")\\n\\n2022 年 12 月\\n\\n[回顾 2022 年以及医疗技术的未来：MPO 论坛](https://www.mpo-mag.com/issues/2023-01-02/view_columns/reflections-on-2022-and-whats-ahead-mpo-sounding-board/ \\\"回顾 2022 年以及医疗技术的未来：MPO 论坛\\\")\\n\\n2022 年 11 月 30 日\\n\\n[Flex 发布第一份 TCFD 报告](https://flex.com/zh/resources/flex-publishes-first-tcfd-report/ \\\"Flex 发布第一份 TCFD 报告\\\")\\n\\n2022年11月23日\\n\\n[未来属于物联网：克服新技术的挑战](https://www.electronicspecifier.com/products/iot/the-future-is-iot-overcoming-the-challenges-of-new-technology \\\"未来属于物联网：克服新技术的挑战\\\")\\n\\n2022年11月14日\\n\\n[您的供应链中的公司希望您了解什么](https://www.greenbiz.com/article/what-companies-your-supply-chain-wish-you-knew \\\"您的供应链中的公司希望您了解什么\\\")\\n\\n2022 年 11 月 1 日\\n\\n[合作开发适用于商业领域的新型机器人解决方案](https://braincorp.com/newsroom/brain-corp-launches-third-generation-ai-autonomy-platform-to-power-the-next-generation-of-autonomous-commercial-robots/ \\\"合作开发适用于商业领域的新型机器人解决方案\\\")\\n\\n2022年10月26日\\n\\n[在全球范围内实现 ESG 本地化](https://podcasts.google.com/feed/aHR0cHM6Ly9mZWVkcy5saWJzeW4uY29tLzQxMDU3OS9yc3M/episode/ZmQ2OWRmMjQtMGEyNy00MmE5LTg5MDQtNmYzMDFkNGYzOWEw? \\\"在全球范围内实现 ESG 本地化\\\")\\n\\n2022年10月13日\\n\\n[全球灯塔网络：2022 年灯塔直播](https://www.youtube.com/watch?v=gtgrQIAF1OQ \\\"全球灯塔网络：2022 年灯塔直播\\\")\\n\\n2022年10月13日\\n\\n[灯塔工厂如何利用技术为制造业构建有弹性、可持续的未来](https://www.weforum.org/agenda/2022/10/how-lighthouse-factories-are-using-technology-to-build-a-resilient-sustainable-human-centric-future-of-manufacturing/ \\\"灯塔工厂如何利用技术为制造业构建有弹性、可持续的未来\\\")\\n\\n2022 年 7 月 9 日\\n\\n[没有模拟就无法实现数字孪生](https://www.controldesign.com/articles/2022/you-cant-do-a-digital-twin-without-simulation/ \\\"没有模拟就无法实现数字孪生\\\")\\n\\n2022年6月9日\\n\\n[2022 年“年度可持续发展倡议”奖](https://www.bintelligence.com/blog/2022/9/6/104-sustainability-award-winners-highlight-global-successes \\\"2022 年“年度可持续发展倡议”奖\\\")\\n\\n2022年19月\\n\\n[Flex Althofen：（几乎）所有工业 4.0 技术都汇聚一堂](https://www.industryweek.com/technology-and-iiot/article/21249898/flex-althofen-almost-every-industry-40-technology-under-one-roof \\\"Flex Althofen：（几乎）所有工业 4.0 技术都汇聚一堂\\\")\\n\\n2022年19月\\n\\n[汽车行业的女性](https://www.6-group.com/ways-women-lead/ \\\"汽车行业的女性\\\")\\n\\n2022年3月8日\\n\\n[全球财务主管：财务主管必须采用 ESG 实践来维护公司品牌声誉](https://www.theglobaltreasurer.com/2022/08/03/treasurers-must-embrace-esg-practices-to-safeguard-companies-brand-reputation-with-external-stakeholders/ \\\"全球财务主管：财务主管必须采用 ESG 实践来维护公司品牌声誉\\\")\\n\\n2022年18月\\n\\n[2022年联想供应商卓越奖](https://flex.com/zh/newsroom/press-releases/2022/flex-receives-4th-consecutive-lenovo-emea-logistics-supplier-of-the-year-award/ \\\"2022年联想供应商卓越奖\\\")\\n\\n2022年18月\\n\\n[AR 和 VR 如何推动制造业的新时代](https://industrytoday.com/how-ar-and-vr-are-driving-the-next-era-of-manufacturing/ \\\"AR 和 VR 如何推动制造业的新时代\\\")\\n\\n2022年7月30日\\n\\n[Times Tech India：机器人永远无法取代经验和批判性思维](https://timestech.in/a-robot-can-never-replace-experience-and-critical-thinking-sekaran/ \\\"Times Tech India：机器人永远无法取代经验和批判性思维\\\")\\n\\n2022年7月\\n\\n[SCMR 采访](https://www.scmr.com/article/the_scmr_interview_lynn_torrel_flex \\\"SCMR 采访\\\")\\n\\n2022年6月29日\\n\\n[WL Mellon 演讲系列：Advaithi 建议学生“勇敢尝试”](https://www.cmu.edu/tepper/news/stories/2022/june/wl-mellon-revathi-advaithi.html \\\"WL Mellon 演讲系列：Advaithi 建议学生“勇敢尝试”\\\")\\n\\n2022年6月8日\\n\\n[机器和资产的数字孪生如何帮助行业创新](https://www.businesstoday.in/magazine/technology/story/how-digital-twins-of-machines-and-assets-are-helping-industries-innovate-336753-2022-06-08 \\\"机器和资产的数字孪生如何帮助行业创新\\\")\\n\\n2022 年 5 月 31 日\\n\\n[将 DEI 纳入可持续发展战略的 5 个最佳实践](https://www.greenbiz.com/article/5-best-practices-incorporating-dei-your-sustainability-strategy \\\"将 DEI 纳入可持续发展战略的 5 个最佳实践\\\")\\n\\n2022 年 5 月 25 日\\n\\n[2022 年亚太气候领袖峰会](https://www.ft.com/climate-leaders-asia-pacific-2022 \\\"2022 年亚太气候领袖峰会\\\")\\n\\n2022年5月18日\\n\\n[AMR 不仅仅是新型 AGV](https://www.sme.org/technologies/articles/2022/may/amrs-not-just-new-agvs/ \\\"AMR 不仅仅是新型 AGV\\\")\\n\\n2022年5月9日\\n\\n[Flex 首席执行官 Revathi Advaithi 谈印度如何成为全球制造业中心](https://www.businesstoday.in/magazine/interview/story/flex-ceo-revathi-advaithi-on-how-india-can-become-a-global-manufacturing-hub-332793-2022-05-09 \\\"Flex 首席执行官 Revathi Advaithi 谈印度如何成为全球制造业中心\\\")\\n\\n2022年4月28日\\n\\n[波兰特切夫 Flex 工厂生产 100 万台爱立信 5G 产品](https://www.ericsson.com/en/news/3/2022/one-million-ericsson-5g-products-made-at-tczew-factory-in-poland \\\"波兰特切夫 Flex 工厂生产 100 万台爱立信 5G 产品\\\")\\n\\n2022年4月\\n\\n[Enphase Energy 使用 Flex 扩大生产能力](https://newsroom.enphase.com/news-releases/news-release-details/enphase-energy-expands-manufacturing-capacity-flex-romania \\\"Enphase Energy 使用 Flex 扩大生产能力\\\")\\n\\n2022年3月28日\\n\\n[Ball Aerospace 与 Flex 合作开发经济高效的平板天线](https://www.microwavejournal.com/articles/37883-ball-aerospace-and-flex-collaborate-to-ramp-production-on-cost-effective-flat-panel-antennas \\\"Ball Aerospace 与 Flex 合作开发经济高效的平板天线\\\")\\n\\n2022 年 3 月 16 日\\n\\n[自动化如何加强工厂的信息控制](https://www.controleng.com/articles/how-automation-can-bolster-information-control-in-a-factory/ \\\"自动化如何加强工厂的信息控制\\\")\\n\\n2022年2月24日\\n\\n[医疗技术电子制造服务的快速发展](https://www.mpo-mag.com/issues/2022-02-02/view_features/the-rapid-evolution-of-electronic-manufacturing-services-for-medtech/?widget=listSection \\\"医疗技术电子制造服务的快速发展\\\")\\n\\n2022年2月17日\\n\\n[为预测提供一点帮助的机会](https://www.scmr.com/article/a_chance_to_give_forecasting_a_little_help \\\"为预测提供一点帮助的机会\\\")\\n\\n2022年5月\\n\\n[2022 年制造商将如何实现数字化转型](https://www.industryweek.com/technology-and-iiot/digital-tools/article/21212251/how-manufacturers-will-digitally-transform-in-2022 \\\"2022 年制造商将如何实现数字化转型\\\")\\n\\n2022年1月4日\\n\\n[2022 年供应链和可持续发展战略预测](https://www.industryweek.com/technology-and-iiot/article/21212518/how-supply-chain-and-sustainability-strategy-will-evolve-in-2022 \\\"2022 年供应链和可持续发展战略预测\\\")\\n\\n2021年12月26日\\n\\n[Flex 对 2022 年可持续制造业的预测](https://businesschief.com/sustainability/sustainable-manufacturing-predictions-2022-flex \\\"Flex 对 2022 年可持续制造业的预测\\\")\\n\\n2021 年 12 月 22 日\\n\\n[电子制造业正在发生转变](https://www.industryweek.com/supply-chain/supplier-relationships/article/21212493/a-shift-is-underway-in-electronics-manufacturing \\\"电子制造业正在发生转变\\\")\\n\\n2021年12月17日\\n\\n[反弹：从供应链重新设计到韧性](https://therebound.podbean.com/e/the-rebound-from-supply-chain-re-design-to-resilience/ \\\"反弹：从供应链重新设计到韧性\\\")\\n\\n2021年12月16日\\n\\n[供应与需求链高管绿色供应链奖](https://www.sdcexec.com/sustainability/carbon-footprint/article/21927700/green-supply-chains-preva \\\"供应与需求链高管绿色供应链奖\\\")\\n\\n2021 年 12 月 3 日\\n\\n[施乐辉携手伟创力](https://flex.com/zh/resources/smith-nephew-partners-with-flex/ \\\"施乐辉携手伟创力\\\")\\n\\n2021 年 9 月 30 日\\n\\n[世界经济论坛小组](https://www.linkedin.com/video/live/urn:li:ugcPost:6848993839307395072/ \\\"世界经济论坛小组\\\")\\n\\n2021年9月28日\\n\\n[Avnet 分销智慧播客第 6 集供应链](https://www.avnet.com/wps/portal/us/resources/podcasts/distributing-wisdom/ \\\"Avnet 分销智慧播客第 6 集供应链\\\")\\n\\n2021年9月24日\\n\\n[《新闻周刊》评选出的 100 个最受喜爱的工作场所](https://mostlovedworkplace.com/companies/flex/ \\\"《新闻周刊》评选出的 100 个最受喜爱的工作场所\\\")\\n\\n2021年9月23日\\n\\n[供应链中最强大的环节](https://wpcareymagazine.com/issue/autumn-2021/the-strongest-links-in-the-supply-chain/ \\\"供应链中最强大的环节\\\")\\n\\n2021年9月\\n\\n[多物理场激发电子设计创新](https://www.digitalengineering247.com/article/multiphysics-sparks-innovation-in-electronics-design \\\"多物理场激发电子设计创新\\\")\\n\\n2021年9月6日\\n\\n[供应链一线希望剧本](https://www.raconteur.net/sponsored/supply-chain-linings-playbook/ \\\"供应链一线希望剧本\\\")\\n\\n2021年8月26日\\n\\n[可持续发展杂志 – 2021 年 9 月](https://issuu.com/energydigital/docs/sustainability-magazine-sept2021/48 \\\"可持续发展杂志 – 2021 年 9 月\\\")\\n\\n2021年8月24日\\n\\n[Flex在中国通过可持续方式运营](https://www.chinadaily.com.cn/a/202108/24/WS61245f50a310efa1bd66ac48_1.html \\\"Flex在中国通过可持续方式运营\\\")\\n\\n2021年8月14日\\n\\n[16 位印度裔高管“统治”全球科技行业](https://www.gadgetsnow.com/slideshows/16-indian-origin-top-executives-ruling-tech-industry-globally/photolist/85343036.cms \\\"16 位印度裔高管“统治”全球科技行业\\\")\\n\\n2021年8月13日\\n\\n[Flex 首席执行官谈如何在新冠疫情期间维持全球供应链运转](https://fortune.com/2021/08/13/flex-ceo-revathi-advaithi-global-supply-chain-leadership-next/ \\\"Flex 首席执行官谈如何在新冠疫情期间维持全球供应链运转\\\")\\n\\n2021年8月10日\\n\\n[供应链不仅至关重要。2021 年，它们还是一个高风险的赌场](https://fortune.com/2021/08/10/supply-chains-arent-just-critical-in-2021-theyre-a-high-stakes-casino/ \\\"供应链不仅至关重要。2021 年，它们还是一个高风险的赌场\\\")\\n\\n2021年8月2日\\n\\n[传感器如何帮助发掘隐藏的工厂见解](https://industrytoday.com/how-sensors-can-help-uncover-hidden-factory-insights/ \\\"传感器如何帮助发掘隐藏的工厂见解\\\")\\n\\n2021年7月16日\\n\\n[从角落办公室](https://bc-ccc.uberflip.com/i/1391357-corporatecitizens-issue37-2021/21 \\\"从角落办公室\\\")\\n\\n2021年6月29日\\n\\n[你如何体现道德的价值？](https://www.corporatecomplianceinsights.com/value-of-ethics/ \\\"你如何体现道德的价值？\\\")\\n\\n2021 年 6 月 21 日\\n\\n[美国雇主在监管“混乱”中应对新冠疫苗要求](https://www.reuters.com/article/idCAKCN2DX0Y3?edition-redirect=ca \\\"美国雇主在监管“混乱”中应对新冠疫苗要求\\\")\\n\\n2021 年 6 月 20 日\\n\\n[Flex 副总裁：疫情过后复工取决于员工诚信](https://www.reuters.com/video/watch/idRCV009VQO \\\"Flex 副总裁：疫情过后复工取决于员工诚信\\\")\\n\\n2021 年 6 月 15 日\\n\\n[机器人和自动化是否意味着熄灯？Flex 并非如此](https://www.industryweek.com/technology-and-iiot/article/21166972/do-robotics-and-automation-equal-lights-out-not-at-flex \\\"机器人和自动化是否意味着熄灯？Flex 并非如此\\\")\\n\\n2021 年 6 月 15 日\\n\\n[为什么模拟对于促进下一个制造时代至关重要](https://www.manufacturingtomorrow.com/article/2021/06/why-simulation-is-critical-for-driving-the-next-era-of-manufacturing/17147 \\\"为什么模拟对于促进下一个制造时代至关重要\\\")\\n\\n2021 年 6 月 10 日\\n\\n[你必须做好准备：雪佛龙、纳斯达克、思科和 Flex 的首席执行官如何应对疫情](https://fortune.com./2021/06/08/ceos-chevron-nasdaq-flex-cisco-coronavirus-pandemic/ \\\"你必须做好准备：雪佛龙、纳斯达克、思科和 Flex 的首席执行官如何应对疫情\\\")\\n\\n2021年6月3日\\n\\n[更好地合作：人类与机器人的关系](https://www.roboticstomorrow.com/article/2021/05/better-together-the-human-and-robot-relationship/16914 \\\"更好地合作：人类与机器人的关系\\\")\\n\\n2021年5月28日\\n\\n[《财富》杂志 2021 年全球最受赞赏公司](https://investors.flex.com/news/news-details/2021/Flex-Recognized-as-One-of-Fortune-2021-Worlds-Most-Admired-Companies/default.aspx \\\"《财富》杂志 2021 年全球最受赞赏公司\\\")\\n\\n2021年5月26日\\n\\n[2021 年制造业领导力奖](https://investors.flex.com/news/news-details/2021/Flex-Wins-Multiple-2021-Manufacturing-Leadership-Awards/default.aspx \\\"2021 年制造业领导力奖\\\")\\n\\n2021年5月4日\\n\\n[明年有望实现正增长和强劲增长](https://www.livemint.com/companies/news/growth-could-be-positive-strong-through-next-year-revathi-advaithi-ceo-flex-11620043737070.html \\\"明年有望实现正增长和强劲增长\\\")\\n\\n2021年4月7日\\n\\n[2021 年标普全球可持续发展年鉴](https://www.spglobal.com/esg/csa/yearbook/ \\\"2021 年标普全球可持续发展年鉴\\\")\\n\\n2021年3月24日\\n\\n[2021 年催化剂奖的 10 个关键要点](https://www.catalyst.org/2021/03/24/10-key-takeaways-from-the-2021-catalyst-awards/ \\\"2021 年催化剂奖的 10 个关键要点\\\")\\n\\n2021年3月9日\\n\\n[对于首席财务官来说，扭转局面往往会带来更大的机遇](https://www.forbes.com/sites/jacksweeney/2021/03/09/for-cfos-turnaround-chapters-frequently-open-the-door-to-bigger-opportunities/?sh=733995d3db3d \\\"对于首席财务官来说，扭转局面往往会带来更大的机遇\\\")\\n\\n2021年2月15日\\n\\n[全球制造商通过新冠疫情审视工业 4.0](https://www.industryweek.com/technology-and-iiot/article/21154897/global-manufacturer-looks-at-industry-40-through-covid19-lenses \\\"全球制造商通过新冠疫情审视工业 4.0\\\")\\n\\n2021年2月8日\\n\\n[未来柔性制造给疫苗行业带来的教训](https://www.forbes.com/sites/michaelgale/2021/02/08/a-lesson-for-the-vaccine-industry-from-the-future-of-flexible-manufacturing/?sh=127ed0bc4466 \\\"未来柔性制造给疫苗行业带来的教训\\\")\\n\\n2021年12月\\n\\n[预计 2021 年将实现增长](https://www.todaysmedicaldevelopments.com/article/medical-device-market-expecting-growth-in-2021/ \\\"预计 2021 年将实现增长\\\")\\n\\n2021年10月10日\\n\\n[疫情推动企业投资员工](https://www.ft.com/content/98939b68-d246-40b2-be74-63e75683b3ec \\\"疫情推动企业投资员工\\\")\\n\\n2020年10月28日\\n\\n[Revathi Advaithi 加入 Catalyst 董事会](https://www.catalyst.org/media-release/new-board-directors-2020/ \\\"Revathi Advaithi 加入 Catalyst 董事会\\\")\\n\\n2020年10月19日\\n\\n[Revathi Advaithi 被《财富》杂志评为 2020 年最具影响力的女性之一](https://fortune.com/most-powerful-women/2020/revathi-advaithi/ \\\"Revathi Advaithi 被《财富》杂志评为 2020 年最具影响力的女性之一\\\")\\n\\n2020年10月12日\\n\\n[疫情考验 Flex 的供应链弹性](https://epsnews.com/2020/10/12/pandemic-tests-flexs-supply-chain-resilience/ \\\"疫情考验 Flex 的供应链弹性\\\")\\n\\n2020年7月2日\\n\\n[Uber 董事会再添一名董事：Flex 首席执行官 Revathi Advaithi](https://techcrunch.com/2020/07/02/uber-adds-another-independent-director-to-its-board-flex-ceo-revathi-advaithi/ \\\"Uber 董事会再添一名董事：Flex 首席执行官 Revathi Advaithi\\\")\\n\\n2020年6月22日\\n\\n[认识 Flex：您可能不熟悉的最重要的公司之一](https://www.forbes.com/sites/moorinsights/2020/06/22/meet-flex-one-of-the-most-crucial-companies-you-may-not-be-familiar-with/ \\\"认识 Flex：您可能不熟悉的最重要的公司之一\\\")\\n\\n## 保持联系\\n\\n[X 上的 Flex](https://x.com/flexintl \\\"X 上的 Flex\\\")[LinkedIn 上的 Flex](https://www.linkedin.com/company/flexintl/ \\\"LinkedIn 上的 Flex\\\")[Flex 在 Facebook 上](https://www.facebook.com/FlexCorporate/ \\\"Flex 在 Facebook 上\\\")[Instagram 上的 Flex](https://www.instagram.com/flexintl/ \\\"Instagram 上的 Flex\\\")[YouTube 上的 Flex](https://www.youtube.com/c/flexintl \\\"YouTube 上的 Flex\\\")\\n\\n[订阅](https://flex.com/zh/subscribe/ \\\"订阅\\\")\\n\\n[主页](https://flex.com/zh/ \\\"主页\\\")\\n\\n[供应商信息](https://flex.com/zh/supplier-information/ \\\"供应商信息\\\")\\n\\n[关于强迫劳动的声明](https://flex.com/zh/downloads/forced-labor-and-human-trafficking-statement/ \\\"关于强迫劳动的声明\\\")\\n\\n[隐私政策](https://flex.com/zh/privacy-policy/ \\\"隐私政策\\\")\\n\\n[所有政策](https://flex.com/zh/policies/ \\\"政策\\\")\\n\\n[商标](https://flex.com/zh/trademarks/ \\\"商标\\\")\\n\\n© 2026 FLEX LTD. Flextronics International, LTD. 保留所有权利。\\n\\n\\n**我们在本网站上使用 cookie 来增强您的用户体验。** 您可以详细了解我们对 cookie 的使用以及您的选择 [这里](https://flex.com/zh/company/policies/privacy-policy/)。通过与此页面交互，即表示您同意我们设置 cookie。 [解雇](https://flex.com/zh/newsroom/news#dismiss)\",\n \"metadata\": {\n \"description\": \"Flex 新闻报道\",\n \"ogLocale\": \"zh_CN\",\n \"viewport\": \"width=device-width, initial-scale=1.0\",\n \"robots\": \"follow, index, max-snippet:-1, max-video-preview:-1, max-image-preview:large\",\n \"og:image:secure_url\": \"https://flex.com/wp-content/uploads/2022/11/pulse-thumbnail.jpg\",\n \"twitter:description\": \"Flex 新闻报道\",\n \"generator\": \"Site Kit by Google 1.174.0\",\n \"ogTitle\": \"新闻 | Flex\",\n \"ogDescription\": \"Flex 新闻报道\",\n \"og:locale\": \"zh_CN\",\n \"twitter:site\": \"@flexintl\",\n \"twitter:data1\": \"Less than a minute\",\n \"og:url\": \"https://flex.com/zh/newsroom/news\",\n \"msapplication-TileImage\": \"https://flex.com/wp-content/uploads/2023/03/logo.svg\",\n \"modifiedTime\": \"2023-05-31T16:47:19-05:00\",\n \"og:type\": \"article\",\n \"og:image:height\": \"550\",\n \"ogUrl\": \"https://flex.com/zh/newsroom/news\",\n \"publishedTime\": \"2022-08-31T22:35:07-05:00\",\n \"og:site_name\": \"Flex\",\n \"title\": \"新闻 | Flex\",\n \"ogImage\": \"https://flex.com/wp-content/uploads/2022/11/pulse-thumbnail.jpg\",\n \"ogSiteName\": \"Flex\",\n \"article:publisher\": \"https://www.facebook.com/FlexCorporate/\",\n \"article:section\": \"公司的\",\n \"og:updated_time\": \"2023-05-31T16:47:19-05:00\",\n \"og:image:alt\": \"弯曲脉冲\",\n \"og:description\": \"Flex 新闻报道\",\n \"twitter:title\": \"新闻 | Flex\",\n \"twitter:label1\": \"Time to read\",\n \"og:image:type\": \"image/jpeg\",\n \"og:image:width\": \"979\",\n \"og:image\": \"https://flex.com/wp-content/uploads/2022/11/pulse-thumbnail.jpg\",\n \"twitter:creator\": \"@flexintl\",\n \"og:title\": \"新闻 | Flex\",\n \"article:published_time\": \"2022-08-31T22:35:07-05:00\",\n \"article:modified_time\": \"2023-05-31T16:47:19-05:00\",\n \"twitter:image\": \"https://flex.com/wp-content/uploads/2022/11/pulse-thumbnail.jpg\",\n \"twitter:card\": \"summary_large_image\",\n \"favicon\": \"https://flex.com/wp-content/themes/flex-main/images/icon.png\",\n \"scrapeId\": \"019edfeb-6458-772c-819f-8d6527b3eb10\",\n \"sourceURL\": \"https://flex.com/zh/newsroom/news\",\n \"url\": \"https://flex.com/zh/newsroom/news\",\n \"statusCode\": 200,\n \"contentType\": \"text/html; charset=UTF-8\",\n \"proxyUsed\": \"basic\",\n \"cacheState\": \"hit\",\n \"cachedAt\": \"2026-06-17T07:41:43.043Z\",\n \"creditsUsed\": 1\n }\n },\n {\n \"url\": \"https://cn.news.synopsys.com/releases?l=50\",\n \"title\": \"新思科技(Synopsys Inc.) - 新闻中心\",\n \"description\": \"英伟达、AMD、Arm和SiFive等行业领先企业纷纷部署新思科技的原型验证与仿真技术摘要：... 3月19日, 2025年 ... 6月19日, 2024年. 新思科技推出业界首款PCIe 7.0 IP解决 ...\",\n \"position\": 4,\n \"markdown\": \"Search Synopsys.com[联系销售](https://www.synopsys.com/zh-cn/contact-sales.html)\\n\\n[联系销售](https://www.synopsys.com/zh-cn/contact-sales.html)\\n\\n##### 搜索新思科技\\n\\nCancel\\n\\n##### 热门内容\\n\\n[\\\\\\\\\\n\\\\\\\\\\n**白皮书合集** **汇聚业界领先的技术洞察与应用实践，涵盖芯片设计、验证、IP、AI、汽车、Multi-Die等多个关键领域**](https://synopsys.snps.tech/mF/aggregateListPage/content/XrgCpKaZ2XzZKjkH7SoGuP/home?pushId=frnAQDe8w7GqFRWTTaBE931)\\n\\n[\\\\\\\\\\n\\\\\\\\\\n**芯课程合集** **新思科技基于微信平台推出的技术分享系列课程，覆盖全线产品组合，内容涵盖产品讲解、使用技巧及前沿解决方案介绍**](https://synopsys.snps.tech/mF/websiteEditorLandingPage/page/efb0e36bf7b246ada8614bfba29713da?pushId=ABcrqdNfw3Gg9nHBSSCr9F)\\n\\n关于我们\\n\\n- [为何选择我们？](https://www.synopsys.com/zh-cn/china/about-us.html)\\n- [求职机会](https://careers.synopsys.com/)\\n- [技术生态](https://www.synopsys.com/partners.html)\\n- [全球布局](https://www.synopsys.com/company/contact-synopsys/office-locations.html)\\n- [投资者关系](https://investor.synopsys.com/overview/default.aspx)\\n- [核心管理团队](https://www.synopsys.com/company/management-team.html)\\n- [可持续发展](https://www.synopsys.com/company/responsible-business.html)\\n\\n\\n\\n[新思科技完成收购Ansys\\\\\\\\\\n\\\\\\\\\\n更多详情](https://www.synopsys.com/synopsys-ansys-united.html)\\n\\n行业\\n\\n- [\\\\\\\\\\nAI芯片开发](https://www.synopsys.com/ai/ai-chip-development.html)\\n- [\\\\\\\\\\n汽车](https://www.synopsys.com/automotive.html)\\n- [\\\\\\\\\\n边缘AI](https://www.synopsys.com/designware-ip/ip-market-segments/edge-ai.html)\\n- [\\\\\\\\\\n高性能计算/数据中心](https://www.synopsys.com/hpc-data-center.html)\\n- [\\\\\\\\\\n移动终端](https://www.synopsys.com/5g.html)\\n\\n技术\\n\\n- [\\\\\\\\\\n人工智能](https://www.synopsys.com/ai.html)\\n- [\\\\\\\\\\n低功耗SoC](https://www.synopsys.com/energy-efficient.html)\\n- [\\\\\\\\\\n存储器设计](https://www.synopsys.com/memory.html)\\n- [\\\\\\\\\\nMulti-Die](https://www.synopsys.com/multi-die-system.html)\\n- [\\\\\\\\\\nRISC-V](https://www.synopsys.com/risc-v.html)\\n\\n\\n\\n[白皮书：释放创新潜力，从芯片到系统设计解决方案超全解析\\\\\\\\\\n\\\\\\\\\\n下载](https://synopsys.snps.tech/mF/aggregateListPage/content/XrgCpKaZ2XzZKjkH7SoGuP/home?pushId=frnAQDe8w7GqFRWTTaBE931)\\n\\n按功能分类\\n\\n- [模拟设计](https://www.synopsys.com/implementation-and-signoff/custom-design-platform.html)\\n- [数字设计](https://www.synopsys.com/implementation-and-signoff/fusion-design-platform.html)\\n- [可测性设计](https://www.synopsys.com/implementation-and-signoff/test-automation.html)\\n- [验证](https://www.synopsys.com/verification.html)\\n- [硬件辅助验证 (HAV)](https://www.synopsys.com/verification/emulation-prototyping.html)\\n- [签核](https://www.synopsys.com/implementation-and-signoff/signoff.html)\\n- [芯片生命周期管理 (SLM)](https://www.synopsys.com/solutions/silicon-lifecycle-management.html)\\n- [制造](https://www.synopsys.com/manufacturing.html)\\n- [半导体IP](https://www.synopsys.com/designware-ip.html)\\n\\n[查看所有产品](https://www.synopsys.com/products.html)\\n\\n[\\\\\\\\\\n\\\\\\\\\\n新思科技 AI 平台](https://www.synopsys.com/ai.html)\\n\\n- [AI 赋能的EDA工具链\\\\\\\\\\n设计、自动化、洞察](https://www.synopsys.com/ai/ai-powered-eda.html)\\n- [AI 驱动的优化\\\\\\\\\\n设计、验证、测试、模拟](https://www.synopsys.com/ai/ai-powered-eda.html)\\n- [AI 驱动的数据分析\\\\\\\\\\n设计、工艺控制、生产](https://www.synopsys.com/ai/ai-powered-eda.html)\\n- [生成式AI\\\\\\\\\\n全天候专家助手Copilot](https://www.synopsys.com/ai/generative-ai.html)\\n- [智能体 AI\\\\\\\\\\n多智能体工作流](https://www.synopsys.com/ai/agentic-ai.html)\\n\\n[\\\\\\\\\\n\\\\\\\\\\nEDA工具](https://www.synopsys.com/silicon-design.html)\\n\\n- [Fusion Compiler\\\\\\\\\\n综合与实现](https://www.synopsys.com/implementation-and-signoff/physical-implementation/fusion-compiler.html)\\n- [Custom Compiler\\\\\\\\\\n模拟与定制IC设计](https://www.synopsys.com/implementation-and-signoff/custom-design-platform/custom-compiler.html)\\n- [3DIC Compiler\\\\\\\\\\nMulti-Die设计](https://www.synopsys.com/implementation-and-signoff/3dic-design.html)\\n- [PrimeTime\\\\\\\\\\n设计签核](https://www.synopsys.com/implementation-and-signoff/signoff/primetime.html)\\n- [VCS\\\\\\\\\\n逻辑仿真](https://www.synopsys.com/verification/simulation/vcs.html)\\n- [TestMAX\\\\\\\\\\nIC测试](https://www.synopsys.com/implementation-and-signoff/test-automation.html)\\n- [ICV\\\\\\\\\\n物理验证](https://www.synopsys.com/implementation-and-signoff/physical-verification.html)\\n- [HFSS-IC\\\\\\\\\\n\\\\\\\\\\nIC电磁分析](https://www.ansys.com/zh-cn/products/electronics/ansys-hfss-ic)\\n\\n[\\\\\\\\\\n\\\\\\\\\\nSystem](https://www.synopsys.com/systems.html)\\n\\n- [平台架构工具Platform Architect\\\\\\\\\\nSoC架构探索](https://www.synopsys.com/verification/virtual-prototyping/platform-architect.html)\\n- [ZeBu仿真平台\\\\\\\\\\nIC仿真](https://www.synopsys.com/verification/emulation-prototyping/emulation.html)\\n- [HAPS原型验证平台\\\\\\\\\\nIC 原型验证](https://www.synopsys.com/verification/emulation-prototyping/prototyping.html)\\n- [Virtualizer 虚拟化工具\\\\\\\\\\n虚拟原型验证](https://www.synopsys.com/verification/virtual-prototyping/virtualizer.html)\\n- [Synplify\\\\\\\\\\n完整 FPGA 设计流程](https://www.synopsys.com/implementation-and-signoff/fpga-based-design/synplify.html)\\n- [多物理场分析\\\\\\\\\\n\\\\\\\\\\n3DIC封装分析](https://www.ansys.com/simulation-topics/what-is-multiphysics)\\n- [HFSS\\\\\\\\\\n\\\\\\\\\\n电磁分析](https://www.ansys.com/products/electronics/ansys-hfss)\\n- [Icepak\\\\\\\\\\n\\\\\\\\\\n热分析](https://www.ansys.com/products/electronics/ansys-icepak)\\n\\n[\\\\\\\\\\n\\\\\\\\\\nIP](https://www.synopsys.com/designware-ip.html)\\n\\n- [接口IP\\\\\\\\\\nPCIe、DDR、MIPI、USB 等...](https://www.synopsys.com/designware-ip/interface-ip.html)\\n- [基础IP\\\\\\\\\\n逻辑、存储器、IO...](https://www.synopsys.com/designware-ip/memories-logic-libraries.html)\\n- [安全 IP\\\\\\\\\\n信任根、加密技术...](https://www.synopsys.com/designware-ip/security-ip.html)\\n- [处理器 IP 与工具\\\\\\\\\\nCPU、DSP、NPU、ASIP...](https://www.synopsys.com/designware-ip/processor-solutions.html)\\n- [SoC 基础架构 IP\\\\\\\\\\nAMBA、基础模块、验证 IP](https://www.synopsys.com/designware-ip/soc-infrastructure-ip.html)\\n- [按市场分类的 IP\\\\\\\\\\nAI、汽车、5G](https://www.synopsys.com/designware-ip/ip-market-segments.html)\\n- [芯片生命周期管理 IP\\\\\\\\\\n芯片内监控 IP](https://www.synopsys.com/solutions/silicon-lifecycle-management/environmental-monitors/slm-pvt-monitor-ip.html)\\n- [验证 IP\\\\\\\\\\nAMBA、以太网、MIPI](https://www.synopsys.com/verification/verification-ip.html)\\n\\n[\\\\\\\\\\n\\\\\\\\\\nSolvNetPlus\\\\\\\\\\n\\\\\\\\\\nSolvNetPlus 是一个在线支持平台，用户可以即时访问产品文档、软件下载、培训课程以及自助服务资源。](https://solvnetplus.synopsys.com/)\\n\\n[\\\\\\\\\\n\\\\\\\\\\n培训中心\\\\\\\\\\n\\\\\\\\\\n新思科技提供由资深专家授课的培训课程，支持公开报名和企业定制，助力客户高效掌握关键技术。](https://training.synopsys.com/learn)\\n\\n学习\\n\\n- [中文博客](https://www.synopsys.com/zh-cn/blogs/chip-design.html)\\n- [新闻发布](https://www.synopsys.com/zh-cn/china/about-us/newsroom.html)\\n- [技术文章](https://www.synopsys.com/articles.html)\\n- [术语表](https://www.synopsys.com/zh-cn/glossary.html)\\n\\n- [成功案例](https://www.synopsys.com/success-stories.html)\\n- [微信线上培训课](https://synopsys.snps.tech/mF/websiteEditorLandingPage/page/efb0e36bf7b246ada8614bfba29713da?pushId=ABcrqdNfw3Gg9nHBSSCr9F)\\n- [中文白皮书](https://synopsys.snps.tech/mF/aggregateListPage/content/XrgCpKaZ2XzZKjkH7SoGuP/home?pushId=frnAQDe8w7GqFRWTTaBE931)\\n\\nSNUG\\n\\n- [硅谷SNUG](https://www.synopsys.com/community/snug/snug-silicon-valley.html)\\n- [中国SNUG](https://www.synopsys.com/community/snug/snug-china.html)\\n\\n# 新闻中心\\n\\n以下新思科技新闻稿按照时间顺序排列。请使用下方工具凭年份、分类和关键词搜索新闻稿。为了其他搜索选项，请使用高级搜索。\\n\\n六月 2026\\n\\n| 周日 | 周一 | 周二 | 周三 | 周四 | 周五 | 周六 |\\n| --- | --- | --- | --- | --- | --- | --- |\\n| 31 | 1 | 2 | 3 | 4 | 5 | 6 |\\n| 7 | 8 | 9 | 10 | 11 | 12 | 13 |\\n| 14 | 15 | 16 | 17 | 18 | 19 | 20 |\\n| 21 | 22 | 23 | 24 | 25 | 26 | 27 |\\n| 28 | 29 | 30 | 1 | 2 | 3 | 4 |\\n| 5 | 6 | 7 | 8 | 9 | 10 | 11 |\\n\\n取消 进入\\n\\n六月 2026\\n\\n| 周日 | 周一 | 周二 | 周三 | 周四 | 周五 | 周六 |\\n| --- | --- | --- | --- | --- | --- | --- |\\n| 31 | 1 | 2 | 3 | 4 | 5 | 6 |\\n| 7 | 8 | 9 | 10 | 11 | 12 | 13 |\\n| 14 | 15 | 16 | 17 | 18 | 19 | 20 |\\n| 21 | 22 | 23 | 24 | 25 | 26 | 27 |\\n| 28 | 29 | 30 | 1 | 2 | 3 | 4 |\\n| 5 | 6 | 7 | 8 | 9 | 10 | 11 |\\n\\n取消 进入\\n\\n[获取电邮提示](https://cn.news.synopsys.com/alerts?type=2)\\n\\nYear所有年份2026202520242023202220212020201920182017201620152014类别所有类别芯片设计验证IP核软件安全汽车AI云5G物联网并购新思Uncategorized关键字确认\\n\\n[高级搜索](https://cn.news.synopsys.com/releases?l=50#)\\n\\n查找\\n\\n仅搜索标题\\n\\n类别\\n\\n所有类别芯片设计验证IP核软件安全汽车AI云5G物联网并购新思Uncategorized\\n\\n从\\n\\n至\\n\\nAsset Types\\n\\nPhotosVideoAudioDocumentsEventsStandard\\n\\n[基本搜索](https://cn.news.synopsys.com/releases?l=50#)\\n\\n- 6月02日, 2026年\\n\\n\\n\\n[新思科技全栈设计解决方案助力 Arm 发布全新 Arm AGI CPU](https://cn.news.synopsys.com/2026-06-02-Arm-Arm-AGI-CPU)\\n\\n\\n\\n\\n\\n新思科技与 Arm 的合作进一步扩展到全新 Arm 数据中心 CPU，提供包括 EDA、IP 以及硬件辅助验证解决方案在内的全面支持。 摘要：...\\n\\n- 6月02日, 2026年\\n\\n\\n\\n[新思科技携手台积公司，以通过硅验证的 IP 与认证 EDA 流程赋能下一代 AI 系统](https://cn.news.synopsys.com/2026-06-02-,-IP-EDA-AI)\\n\\n\\n\\n\\n\\n由 AI 驱动的数字、模拟及验证流程，以及广泛的 IP 解决方案，为台积公司先进制程技术带来行业领先的设计结果质量 摘要： 在台积公司 N2P...\\n\\n- 5月28日, 2026年\\n\\n\\n\\n[新思科技推出面向台积公司N6C 和N4C 工艺的IP产品组合，助力新一代高速增长应用](https://cn.news.synopsys.com/2026-05-28-Synopsys-launches-IP-portfolio-for-TSMCs-N6C-and-N4C-processes-to-support-next-generation-high-growth-applications)\\n\\n\\n\\n\\n\\n助力快速增长的边缘AI与物理AI应用，实现可扩展且具成本效益的创新 2026年5月28日 —— 新思科技（Synopsys, Inc.）今日宣布，面向台积公司N6C...\\n\\n- 4月20日, 2026年\\n\\n\\n\\n[新思科技解决方案支持NASA“阿尔忒弥斯计划”，助力航天服分析与通信系统开发](https://cn.news.synopsys.com/2026-04-20-Ansys-HFSS)\\n\\n\\n\\n\\n\\n新思科技与Electro Magnetic Applications 公司（EMA）以及Bentley Systems旗下的Cesium合作，通过对组件、系统和月球环境进行虚拟建模的方式，来测试设备功能...\\n\\n- 3月25日, 2026年\\n\\n\\n\\n[新思科技重磅亮相GTC 2026大会 展示与英伟达合作成果及生态创新](https://cn.news.synopsys.com/releases?item=122844)\\n\\n\\n\\n千行百业的客户正借助由新思科技集成英伟达加速技术的工程解决方案，重塑产品设计并加速创新。\\n\\n\\n\\n\\n\\n摘要： 新思科技正与英伟达合作构建一个开放、安全、硬件加速的Agentic AI技术栈，覆盖从芯片到系统的全栈需求。...\\n\\n- 3月19日, 2026年\\n\\n\\n\\n[新思科技擘画“工程未来”愿景](https://cn.news.synopsys.com/03-19-2026)\\n\\n\\n\\n\\n\\n在新思科技Converge 2026 大会上发布全新设计、验证与仿真解决方案，重塑人工智能驱动的产品创新 摘要： 推出新思科技Multiphysics-Fusion™...\\n\\n- 3月19日, 2026年\\n\\n\\n\\n[新思科技推出软件定义硬件辅助验证解决方案，推动 AI 规模化普及](https://cn.news.synopsys.com/03-19-2026-,-AI)\\n\\n\\n\\n\\n\\n全新产品带来领先的性能、容量以及业内首创的硬件辅助测试自动化，赋能从数据中心到边缘的 AI 芯片创新 摘要： 采用创新的软件定义方法使 ZeBu...\\n\\n- 3月19日, 2026年\\n\\n\\n\\n[新思科技推出电子数字孪生平台，加速物理人工智能系统开发](https://cn.news.synopsys.com/03-19-2026-,)\\n\\n\\n\\n\\n\\n开放平台支持与全面技术生态系统及云部署的无缝集成，提升工程协作效率，加速智能系统上市 摘要：...\\n\\n- 3月13日, 2026年\\n\\n\\n\\n[新思科技推出Ansys 2026 R1版本，通过联合解决方案和AI驱动型产品重塑工程领域](https://cn.news.synopsys.com/2026-03-13)\\n\\n\\n\\n\\n\\n此次发布的新版本将AI、多物理场仿真和真实世界数字孪生技术相结合，彻底改变团队设计探索、早期验证以及构建更智能、更具韧性的系统的方式...\\n\\n- 3月12日, 2026年\\n\\n\\n\\n[Innatera采用新思科技仿真解决方案 扩展面向边缘设备的类脑处理器](https://cn.news.synopsys.com/2026-03-12-Innatera)\\n\\n\\n\\n\\n\\nInnatera采用新思科技的仿真技术，助力设计支持可穿戴设备、智能家居设备和工业数字孪生传感器的低功耗 AI 神经形态芯片 摘要： 新思科技助力...\\n\\n- 1月23日, 2026年\\n\\n\\n\\n[新思科技即将亮相 2026 CES 展示汽车工程未来](https://cn.news.synopsys.com/releases?item=122838)\\n\\n\\n\\n\\n\\n加利福尼亚州桑尼维尔，2025年12月11日——新思科技（Synopsys,...\\n\\n- 1月23日, 2026年\\n\\n\\n\\n[新思科技任命 Mike Ellow 为首席营收官](https://cn.news.synopsys.com/releases?item=122837)\\n\\n\\n\\n\\n\\n加利福尼亚州桑尼维尔，2025年12月11日 ——新思科技（Synopsys, Inc.，纳斯达克代码：SNPS）今日宣布，Mike Ellow 于 11 月 20...\\n\\n- 1月23日, 2026年\\n\\n\\n\\n[新思科技全新 Converge 大会将于 3 月 11-12 日举行，赋能智能系统创新](https://cn.news.synopsys.com/releases?item=122836)\\n\\n\\n\\n新思科技首次将SNUG全球用户大会、全球仿真大会与高管论坛同期举办，打造一场融合领导力洞察、技术深度研讨及先进仿真的高规格技术盛宴\\n\\n\\n\\n\\n\\n美国加利福尼亚州森尼韦尔，2026 年 1 月 20 日 —— 新思科技（纳斯达克代码：SNPS）近日宣布将于 3 月 11 - 12...\\n\\n- 1月23日, 2026年\\n\\n\\n\\n[新思科技与格罗方德签署最终协议，出售处理器IP解决方案业务](https://cn.news.synopsys.com/releases?item=122835)\\n\\n\\n\\n\\n\\n摘要： 新思科技进一步将IP资源和技术路线图聚焦于拓展其在接口和基础IP领域的领导地位，同时积极开拓从云到边缘的最高价值、AI驱动的机遇。...\\n\\n- 1月23日, 2026年\\n\\n\\n\\n[新思科技总裁兼首席执行官盖思新（Sassine Ghazi）2026年致辞：人工智能时代重塑工程创新](https://cn.news.synopsys.com/releases?item=122834)\\n\\n\\n\\n\\n\\n致所有的股东、客户、合作伙伴及同事们：...\\n\\n- 1月16日, 2026年\\n\\n\\n\\n[新思科技亮相CES 2026，赋能AI驱动与软件定义汽车工程新时代](https://cn.news.synopsys.com/releases?item=122833)\\n\\n\\n\\n\\n\\n新思科技解决方案加速从芯片到系统的创新，助力超过 90%...\\n\\n- [](https://cn.news.synopsys.com/2025-12-18-NVDA)\\n\\n\\n\\n12月18日, 2025年\\n\\n\\n\\n[英伟达与新思科技宣布战略合作，携手重塑工程设计未来](https://cn.news.synopsys.com/2025-12-18-NVDA)\\n\\n\\n\\n• 长期战略合作范围包括英伟达CUDA 加速计算、智能体与物理 AI，以及 Omniverse 数字孪生技术，实现传统 CPU 计算难以企及的仿真速度与规模，开拓工程领域全新市场机遇。\\n\\n\\n\\n\\n\\n美国加州森尼韦尔，2025年12月1日 /美通社/ ——...\\n\\n- 12月02日, 2025年\\n\\n\\n\\n[新思科技即将亮相CES 2026，从芯片到系统全新定义智能汽车创新](https://cn.news.synopsys.com/2025-12-02-CES-2026,)\\n\\n\\n\\n\\n\\n新思科技近期携手全球汽车生态系统的领导者举办了一系列技术创新活动，探讨推动人工智能驱动的软件定义汽车（SDV）发展的趋势、技术及工程能\\n\\n- 12月02日, 2025年\\n\\n\\n\\n[新思科技亮相微软Ignite大会，展示数字孪生赋能的制造流程优化框架](https://cn.news.synopsys.com/2025-12-02-Ignite-,)\\n\\n\\n\\n\\n\\n该框架集成了英伟达Omniverse 库、英伟达 CUDA-X 库、微软Azure...\\n\\n- [](https://cn.news.synopsys.com/2025-11-18-GTC-Agentic-AI-AI)\\n\\n\\n\\n11月18日, 2025年\\n\\n\\n\\n[新思科技于英伟达GTC大会上重点展示Agentic AI、加速计算和AI物理技术](https://cn.news.synopsys.com/2025-11-18-GTC-Agentic-AI-AI)\\n\\n\\n\\n\\n\\n加利福尼亚州桑尼维尔，2025年10月28日——新思科技（纳斯达克代码：SNPS）出席了10月27日至29日举办的英伟达GTC大会，展示了从芯片到系统工程解决\\n\\n\\n\\n\\n\\n - [Photos4](https://cn.news.synopsys.com/2025-11-18-GTC-Agentic-AI-AI#assets_20295_122829-117)\\n\\n- 10月11日, 2025年\\n\\n\\n\\n[新思科技获最终监管批准，将完成对光学解决方案部门和Ansys PowerArtist 的计划剥离](https://cn.news.synopsys.com/releases?item=122828)\\n\\n\\n\\n\\n\\n加利福尼亚州桑尼维尔，2025年10月10日——新思科技（Synopsys,...\\n\\n- 9月11日, 2025年\\n\\n\\n\\n[新思科技领先EDA解决方案宣布拓展AI功能](https://cn.news.synopsys.com/2025-09-11-EDA)\\n\\n\\n\\n\\n\\nGenAI功能可将工作流程耗时从几天缩短至数小时，从数小时缩短至数分钟...\\n\\n- 7月17日, 2025年\\n\\n\\n\\n[新思科技完成对Ansys的收购](https://cn.news.synopsys.com/2025-07-17-Ansys)\\n\\n\\n\\n\\n\\n打造从芯片到系统工程解决方案领导者 摘要: 整合芯片设计、IP核、仿真与分析领域的领先优势，助力开发者加快创新AI赋能产品...\\n\\n- 7月15日, 2025年\\n\\n\\n\\n[新思科技赋能三星先进工艺，加速AI和Multi-Die设计创新](https://cn.news.synopsys.com/2025-07-15-,-AI-Multi-Die)\\n\\n\\n\\n\\n\\n双方深化合作，基于三星先进技术成功实现HBM客户设计流片，完成EDA流程认证，并推出实现PPA优化的IP 解决方案 摘要...\\n\\n- 7月15日, 2025年\\n\\n\\n\\n[新思科技收购Ansys交易已获全部所需批准](https://cn.news.synopsys.com/2025-07-14-Ansys)\\n\\n\\n\\n\\n\\n新思科技（Synopsys, Inc.，纳斯达克股票代码：SNPS）宣布，其拟议收购Ansys（ANSYS,...\\n\\n- 7月07日, 2025年\\n\\n\\n\\n[新思科技和 Ansys 就收购完成的预计时间发布更新](https://cn.news.synopsys.com/Ansys-2025-06-30)\\n\\n\\n\\n\\n\\n加利福尼亚州桑尼维尔和宾西法尼亚州匹兹堡，2025年6月30日 ——新思科技（Synopsys, Inc.，纳斯达克股票代码：SNPS）与Ansys（ANSYS,...\\n\\n- 7月01日, 2025年\\n\\n\\n\\n[新思科技PCIe 6.x与博通PEX90000系列交换机于PCI-SIG DevCon 2025实现互操作性里程碑](https://cn.news.synopsys.com/2025-07-01-PCIe-6-x-PEX90000-PCI-SIG-DevCon-2025)\\n\\n\\n\\n\\n\\n基于成熟PCIe 6.x技术的64 GT/s演示可降低设计风险并加速高性能人工智能和计算解决方案的落地部署...\\n\\n- 6月17日, 2025年\\n\\n\\n\\n[新思科技与台积公司面向A16和N2P工艺推出已认证的EDA流程，携手开启埃米级设计时代](https://cn.news.synopsys.com/2025-06-17-A16-N2P-EDA-,)\\n\\n\\n\\n\\n\\nAI驱动的数字/模拟流程、多芯片集成创新以及广泛的IP产品组合可提供业界领先的性能、功耗和面积（PPA）优势 摘要:...\\n\\n- 6月17日, 2025年\\n\\n\\n\\n[新思科技携手英特尔共同推动基于18A和18A-P工艺的埃米级芯片设计](https://cn.news.synopsys.com/2025-06-17-18A-18A-P)\\n\\n\\n\\n\\n\\n新思科技 完整的 EDA流程和广泛的IP产品组合 助英特尔的先进工艺和封装技术实现最佳PPA 摘要：...\\n\\n- 3月19日, 2025年\\n\\n\\n\\n[新思科技全新升级业界领先的硬件辅助验证产品组合，助力下一代半导体与设计创新](https://cn.news.synopsys.com/2025-03-19-HAV)\\n\\n\\n\\n\\n\\n英伟达、AMD、Arm和SiFive等行业领先企业纷纷部署新思科技的原型验证与仿真技术 摘要：...\\n\\n- 3月19日, 2025年\\n\\n\\n\\n[新思科技携手英伟达加速芯片设计，提升芯片电子设计自动化效率](https://cn.news.synopsys.com/2025-03-19-GTC-PR)\\n\\n\\n\\n\\n\\n宣布在英伟达 Grace Blackwell平台上实现高达30倍的预期性能提升，加速下一代半导体的电路仿真 摘要：...\\n\\n- 3月12日, 2025年\\n\\n\\n\\n[新思科技推出基于Arm服务器原生运行的Virtualizer虚拟仿真技术，加速软件定义产品开发](https://cn.news.synopsys.com/2025-03-12-Arm-Virtualizer)\\n\\n\\n\\n端到端虚拟原型开发工作流可加速汽车、HPC和物联网系统的软件开发和上市速度\\n\\n\\n\\n\\n\\n摘要： 通过在Arm服务器上原生执行软件工作负载，实现Virtualizer性能加速...\\n\\n- 3月12日, 2025年\\n\\n\\n\\n[新思科技与Vector宣布达成战略合作，携手赋能软件定义汽车的开发](https://cn.news.synopsys.com/2025-03-12-Vector)\\n\\n\\n\\n新思科技电子数字孪生功能与Vector软件工厂集成，共同推动应用左移软件开发范式\\n\\n\\n\\n\\n\\n摘要： 全新自动化云就绪解决方案，助力合作伙伴大幅加快软件开发和验证的速度 两家公司携手提升电子数字孪生的重要组成部分——开源库SIL...\\n\\n- 12月11日, 2024年\\n\\n\\n\\n[新思科技推出业界首款连接大规模AI加速器集群的超以太网和UALink IP 解决方案](https://cn.news.synopsys.com/2024-12-11-AI-UALink-IP)\\n\\n\\n\\n\\n\\n摘要： 新思科技超以太网IP解决方案将提供高达1.6 Tbps的带宽，可连接多达一百万个端点。 新思科技UALink IP解决方案将提供每通道高达200...\\n\\n- 10月08日, 2024年\\n\\n\\n\\n[新思科技携手台积公司助力万亿晶体管时代的人工智能和多芯片系统设计](https://cn.news.synopsys.com/2024-08-10)\\n\\n\\n\\n经过优化的 EDA 和 IP 全面解决方案为台积公司 N2 和 A16 工艺带来强化的计算性能、功耗和工程生产力\\n\\n\\n\\n\\n\\n摘要： 由Synopsys.ai赋能、可投入生产的人工智能驱动EDA流程面向N2工艺可实现全球领先的结果质量，并加速科技行业领导者的设计节点迁移...\\n\\n- 9月10日, 2024年\\n\\n\\n\\n[新思科技发布全球领先的40G UCIe IP，助力多芯片系统设计全面提速](https://cn.news.synopsys.com/40G-UCIe-IP,)\\n\\n\\n\\n新思科技40G UCIe IP 全面解决方案为高性能人工智能数据中心芯片中的芯片到芯片连接提供全球领先的带宽\\n\\n\\n\\n\\n\\n摘要 业界首个完整的 40G UCIe IP 全面解决方案，包括控制器、物理层和验证 IP，可实现异构和同构芯片之间的快速连接 新思科技40G UCIe PHY IP...\\n\\n- 7月09日, 2024年\\n\\n\\n\\n[新思科技面向英特尔代工推出可量产的多裸晶芯片设计参考流程，加速芯片创新](https://cn.news.synopsys.com/releases?item=122811)\\n\\n\\n\\n3DIC Compiler协同设计与分析解决方案结合新思科技IP，加速英特尔代工EMIB技术的异构集成\\n\\n\\n\\n\\n\\n摘要： 新思科技人工智能（AI）驱动型多裸晶芯片（Multi-die）设计参考流程已扩展至英特尔代工（Intel...\\n\\n- 6月19日, 2024年\\n\\n\\n\\n[新思科技推出业界首款PCIe 7.0 IP解决方案，加速HPC和AI等万亿参数领域的芯片设计](https://cn.news.synopsys.com/2024-06-19-PCIe-7-0-IP)\\n\\n\\n\\n新思科技PCIe 7.0 IP可满足超大规模AI数据中心设备未来的带宽需求\\n\\n\\n\\n\\n\\n摘要： 业界唯一完整PCIe 7.0 IP，包含控制器、IDE安全模块、PHY和验证IP，可实现高达512 GB/s的数据传输速度； 预先验证的PCIe 7.0控制器和PHY...\\n\\n- [](https://cn.news.synopsys.com/2024-05-29)\\n\\n\\n\\n5月29日, 2024年\\n\\n\\n\\n[新思科技面向台积公司先进工艺加速下一代芯片创新](https://cn.news.synopsys.com/2024-05-29)\\n\\n\\n\\n新思科技携手台积公司共同开发人工智能驱动的芯片设计流程以优化并提高生产力，推动光子集成电路领域的发展，并针对台积公司的2纳米工艺开发广泛的IP组合\\n\\n\\n\\n\\n\\n摘要： 由Synopsys.ai™ EDA套件赋能可投产的数字和模拟设计流程能够针对台积公司N3/N3P和N2工艺，助力实现芯片设计成功，并加速模拟设计迁移。...\\n\\n\\n\\n\\n\\n - [Photos2](https://cn.news.synopsys.com/2024-05-29#assets_20295_122809-117)\\n\\n- [](https://cn.news.synopsys.com/2024-04-01-Synopsys-Intrinsic-ID)\\n\\n\\n\\n4月01日, 2024年\\n\\n\\n\\n[新思科技收购Intrinsic ID，持续拓展全球领先的半导体IP产品组合](https://cn.news.synopsys.com/2024-04-01-Synopsys-Intrinsic-ID)\\n\\n\\n\\n\\n\\n加利福尼亚州桑尼维尔，2024年3月29日 – 新思科技（Synopsys, Inc.，纳斯达克股票代码：SNPS）近日宣布完成对Intrinsic...\\n\\n\\n\\n\\n\\n - [Photos1](https://cn.news.synopsys.com/2024-04-01-Synopsys-Intrinsic-ID#assets_20295_122808-117)\\n\\n- 3月25日, 2024年\\n\\n\\n\\n[SNUG 2024：新思科技发布全新AI驱动型EDA、IP和系统设计解决方案](https://cn.news.synopsys.com/2024-03-25-PR-2-SNUG-2024-AI-EDA-IP)\\n\\n\\n\\n新思科技全球总裁兼首席执行官Sassine Ghazi深入分享万物智能时代的全新机遇\\n\\n\\n\\n\\n\\n摘要： 展示Synopsys.ai 在合作伙伴中的强劲应用势头，包括DSO.ai和VSO.ai等工具对PPA、周转时间等方面的显著优化；...\\n\\n- [](https://cn.news.synopsys.com/2024-03-25-PR-1-AI-Omniverse-EDA)\\n\\n\\n\\n3月25日, 2024年\\n\\n\\n\\n[新思科技携手英伟达：基于加速计算、生成式AI和Omniverse释放下一代EDA潜能](https://cn.news.synopsys.com/2024-03-25-PR-1-AI-Omniverse-EDA)\\n\\n\\n\\n将双方数十年的合作深入扩展到新思科技EDA全套技术栈\\n\\n\\n\\n\\n\\n摘要： 新思科技携手英伟达，将其领先的AI驱动型电子设计自动化（EDA）全套技术栈部署于英伟达GH200 Grace...\\n\\n- 3月18日, 2024年\\n\\n\\n\\n[新思科技推出业界首个1.6T以太网IP整体解决方案，满足AI和超大规模数据中心芯片的高带宽需求](https://cn.news.synopsys.com/2024-03-18)\\n\\n\\n\\n该解决方案采用全新 1.6T 以太网控制器 IP、经过硅验证的224G PHY IP和验证IP，助力未来基础设施的升级建设\\n\\n\\n\\n\\n\\n摘要： 新思科技1.6T以太网IP整体解决方案现已上市并被多家客户采用，与现有实现方案相比，其互连功耗最多可降低50%；...\\n\\n- 3月04日, 2024年\\n\\n\\n\\n[新思科技与英特尔深化合作，以新思科技IP和经Intel 18A工艺认证的EDA流程加速先进芯片设计](https://cn.news.synopsys.com/2024-03-04-Synopsys-and-Intel-deepen-cooperation-to-accelerate-advanced-chip-design-using-Synopsys-IP-and-Intel-18A-process-certified-EDA-process)\\n\\n\\n\\n芯片制造商与EDA解决方案和广泛的IP组合紧密合作，能够提升产品性能并加快上市时间\\n\\n\\n\\n\\n\\n摘要： 新思科技数字和模拟 EDA 流程经过认证和优化，针对Intel 18A工艺实现功耗、性能和面积目标 新思科技广泛的高质量 IP...\\n\\n- [](https://cn.news.synopsys.com/2024-1-19-Ansys,)\\n\\n\\n\\n1月19日, 2024年\\n\\n\\n\\n[新思科技计划收购Ansys，进一步强化从芯片到系统设计全球领导地位](https://cn.news.synopsys.com/2024-1-19-Ansys,)\\n\\n\\n\\n\\n\\n加利福尼亚州桑尼维尔和宾夕法尼亚州匹兹堡，2024年1月16日——新思科技（纳斯达克股票代码：SNPS）和Ansys（纳斯达克股票代码：ANSS）今日宣布，双...\\n\\n\\n\\n\\n\\n - [Photos1](https://cn.news.synopsys.com/2024-1-19-Ansys,#assets_20295_122803-117)\\n\\n- 12月05日, 2023年\\n\\n\\n\\n[新思科技携手三星提升SF2工艺上新兴领域SoC的PPA](https://cn.news.synopsys.com/2023-12-05-SF2-SoC-PPA)\\n\\n\\n\\n由Synopsys.ai EDA解决方案加持的优化数字和定制设计流程加速了针对三星先进节点设计的开发\\n\\n\\n\\n\\n\\n为应对高性能计算、AI、移动和汽车应用市场的高速增长，新思科技（Synopsys,...\\n\\n- 12月05日, 2023年\\n\\n\\n\\n[新思科技携手Ansys面向三星工艺提供全新参考流程，助力射频 IC设计加速腾飞](https://cn.news.synopsys.com/2023-12-05-Ansys-,-IC)\\n\\n\\n\\n针对三星14LPU技术的全新参考流程将领先的电磁仿真与现代实现环境相结合，以达到更高的预测精度和生产率\\n\\n\\n\\n\\n\\n新思科技携手Ansys针对三星晶圆代工14LPU工艺开发全新射频集成电路设计参考流程...\\n\\n- 12月05日, 2023年\\n\\n\\n\\n[新思科技和三星深化合作，加速先进工艺下多裸晶芯片系统设计](https://cn.news.synopsys.com/2023-12-05-Synopsys-and-Samsung-deepen-cooperation-to-accelerate-multi-die-chip-system-design-using-advanced-processes)\\n\\n\\n\\n新思科技IP和经认证的EDA设计参考流程助力加速SF5/4/3节点异构集成\\n\\n\\n\\n\\n\\n新思科技经认证的多裸晶芯片系统设计参考流程和安全的Die-to-Die IP解决方案，加速了三星SF 5/4/3工艺和I-Cube及X-Cube技术的设计和流片成功。...\\n\\n- 11月14日, 2023年\\n\\n\\n\\n[新思科技于2023台积公司OIP生态系统论坛上荣获多项年度合作伙伴大奖](https://cn.news.synopsys.com/2023-11-14-2023-OIP)\\n\\n\\n\\n多个奖项高度认可新思科技在推动先进工艺硅片成功和技术创新领导方面所做出的卓越贡献\\n\\n\\n\\n\\n\\n摘要： 新思科技全新数字与模拟设计流程认证针对台积公司N2和N3P工艺可提供经验证的功耗、性能和面积（PPA）结果。...\\n\\n- 11月14日, 2023年\\n\\n\\n\\n[新思科技重磅发布全新RISC-V处理器系列，进一步扩大ARC处理器IP组合](https://cn.news.synopsys.com/2020-11-14-RISC-V-,-ARC-IP)\\n\\n\\n\\n面向汽车嵌入式软件、存储和物联网应用的新一代ARC-V处理器\\n\\n\\n\\n\\n\\n摘要： 新思科技全新32位和64位ARC-V处理器IP建立在其数十年的处理器开发经验之上，为开发者提供更广泛的RISC-V IP选择空间；...\\n\\n\\n每页显示\\n\\n50\\n\\n- [print](https://cn.news.synopsys.com/releases?l=50#print \\\"print\\\")\\n- [email](https://cn.news.synopsys.com/releases?l=50#email \\\"email\\\")\\n- [rss](https://cn.news.synopsys.com/rss?rsspage=20295 \\\"rss\\\")\\n\\n[订阅 ](https://cn.news.synopsys.com/rss)\\n\\n[获取电邮提示](https://cn.news.synopsys.com/alerts)\\n\\n- [Twitter](https://twitter.com/synopsys \\\"Twitter\\\")\\n- [Linkedin](https://www.linkedin.com/company/synopsys \\\"Linkedin\\\")\\n- [Facebook](https://www.facebook.com/Synopsys/ \\\"Facebook\\\")\\n- [Youtube](https://www.youtube.com/user/synopsys \\\"Youtube\\\")\\n\\n新闻资料\\n\\n[PR 联系人](https://www.synopsys.com/newsroom/press-contacts.html)\\n\\n[公司简介](https://www.synopsys.com/content/dam/synopsys/company/company-pdfs/corporate-backgrounder.pdf)\\n\\n[发言人简历与照片](https://www.synopsys.com/company/management-team/leadersandspokepersons.html)\\n\\n[Synopsys 商标](https://www.synopsys.com/company/legal/logos-usage.html)\\n\\n[下载新闻资料](https://www.synopsys.com/content/dam/synopsys/company/press-kit.zip)\\n\\n关于我们\\n\\n[我们是谁 & 我们做什么](https://www.synopsys.com/zh-cn/china/about-us.html)\\n\\n[管理团队](https://www.synopsys.com/company/management-team.html)\\n\\n[董事会](https://www.synopsys.com/company/corporate-governance-ethics/board-of-directors.html)\\n\\n发表作品\\n\\n[文章](https://www.synopsys.com/zh-cn/china/resources/industry-articles.html)\\n\\n[博客](https://blogs.synopsys.com/smart-everything-cn/)\\n\\n[新闻通讯](https://www.synopsys.com/company/resources/newsletters.html)\\n\\n##### 更多资源\\n\\n[近期活动](https://www.synopsys.com/zh-cn/china/events.html)\\n[SNUG 主题演讲](https://www.synopsys.com/community/resources/videos/snug-keynotes.html)\\n[投资者关系](https://investor.synopsys.com/overview/default.aspx)\\n[社区参与](https://www.synopsys.com/company/corporate-social-responsibility.html)\\n[管理 & 价值观](https://www.synopsys.com/company/corporate-governance-ethics.html)\\n\\n[5](https://cn.news.synopsys.com/releases?l=5) [10](https://cn.news.synopsys.com/releases?l=10) [25](https://cn.news.synopsys.com/releases?l=25) [50](https://cn.news.synopsys.com/releases?l=50) [100](https://cn.news.synopsys.com/releases?l=100)\",\n \"metadata\": {\n \"keywords\": \"新思科技, Synopsys, EDA,电子自动化设计,IP核,半导体IP, 芯片设计,芯片验证, 软件安全，数字芯片，集成电路，IC产业新闻，EDA新闻\",\n \"title\": \"新思科技(Synopsys Inc.) - 新闻中心\",\n \"language\": \"zh-CN\",\n \"caption\": [\n \"ufs-blog-blue-image-thumbnail.jpg\",\n \"Synopsys Core Curriculum Thumbnail (芯课程)\",\n \"Synopsys Unleash Innovation Potential Thumbnail (释放心创新潜力)\"\n ],\n \"ogUrl\": \"https://cn.news.synopsys.com/releases?l=50\",\n \"description\": \"新思科技(Synopsys Inc.)是业界排名第一的电子自动化设计(EDA) 解决方案提供商，排名第一的芯片接口IP供应商，同时也是信息安全和软件质量的行业领导者。\",\n \"viewport\": \"width=device-width, initial-scale=1.0\",\n \"twitter:card\": \"summary\",\n \"og:url\": \"https://cn.news.synopsys.com/releases?l=50\",\n \"favicon\": \"https://www.synopsys.com/etc/designs/synopsys/favicon.ico\",\n \"scrapeId\": \"019edfeb-6458-772c-819f-925cc6dc1963\",\n \"sourceURL\": \"https://cn.news.synopsys.com/releases?l=50\",\n \"url\": \"https://cn.news.synopsys.com/releases?l=50\",\n \"statusCode\": 200,\n \"contentType\": \"text/html; charset=UTF-8\",\n \"proxyUsed\": \"basic\",\n \"cacheState\": \"hit\",\n \"cachedAt\": \"2026-06-17T07:41:43.635Z\",\n \"creditsUsed\": 1\n }\n },\n {\n \"url\": \"https://www.huawei.com/cn/news/2025/6/mwcsh-wbba-ubb-network\",\n \"title\": \"华为汪涛：AI全面重构超宽带网络，激发商业新增长 - Huawei\",\n \"description\": \"[中国，上海，2025年6月19日] 在2025 MWC 上海期间，全球云网宽带产业协会WBBA举办了上海BDC峰会。在峰会上，华为常务董事汪涛发表了“AI全面重构超 ...\",\n \"position\": 5,\n \"markdown\": \"[集团网站](https://www.huawei.com/cn/news/2025/6/mwcsh-wbba-ubb-network#) [选择区域/语言](https://www.huawei.com/cn/news/2025/6/mwcsh-wbba-ubb-network#)\\n\\n返回主菜单\\n\\n集团网站\\n\\n[ 企业业务网站](https://e.huawei.com/cn/)[ 运营商业务网站](https://carrier.huawei.com/cn/)[ 消费者业务网站](https://consumer.huawei.com/cn)[ 华为云业务网站](https://www.huaweicloud.com/)[ 数字能源业务网站](https://digitalpower.huawei.com/cn)\\n\\n返回主菜单\\n\\n### 选择区域/语言\\n\\n- Australia \\\\- [English](https://www.huawei.com/au/)\\n- Brazil \\\\- [Português](https://www.huawei.com/br/)\\n- China \\\\- [简体中文](https://www.huawei.com/cn/)\\n- Europe \\\\- [English](https://www.huawei.com/eu/)\\n- France \\\\- [Français](https://www.huawei.com/fr/)\\n- Germany \\\\- [Deutsch](https://www.huawei.com/de/)\\n- Ireland \\\\- [English](https://www.huawei.com/ie/)\\n- Italy \\\\- [Italiano](https://www.huawei.com/it/)\\n- Japan \\\\- [日本語](https://www.huawei.com/jp/)\\n- Kazakhstan \\\\- [Қазақ тілі](https://www.huawei.com/kz/)\\n- Kazakhstan \\\\- [Pусский](https://www.huawei.com/kz-ru/)\\n- Kenya \\\\- [English](https://www.huawei.com/ke/)\\n- Korea \\\\- [한국어](https://www.huawei.com/kr/)\\n- Malaysia \\\\- [English](https://www.huawei.com/my/)\\n- Mexico \\\\- [Español](https://www.huawei.com/mx/)\\n- Mongolia \\\\- [Mонгол](https://www.huawei.com/mn/)\\n- New Zealand \\\\- [English](https://www.huawei.com/nz/)\\n- Netherlands \\\\- [Nederlands](https://www.huawei.com/nl/)\\n- Poland \\\\- [Polski](https://www.huawei.com/pl/)\\n- Romania \\\\- [Română](https://www.huawei.com/ro/)\\n- Singapore \\\\- [English](https://www.huawei.com/sg/)\\n- South Africa \\\\- [English](https://www.huawei.com/za/)\\n- Spain \\\\- [Español](https://www.huawei.com/es/)\\n- Switzerland \\\\- [Deutsch](https://www.huawei.com/ch/)\\n- Switzerland \\\\- [Français](https://www.huawei.com/ch-fr/)\\n- Switzerland \\\\- [Italiano](https://www.huawei.com/ch-it/)\\n- Switzerland \\\\- [English](https://www.huawei.com/ch-en/)\\n- Tanzania \\\\- [English](https://www.huawei.com/tz/)\\n- Thailand \\\\- [ภาษาไทย](https://www.huawei.com/th/)\\n- Turkiye \\\\- [Türkçe](https://www.huawei.com/tr/)\\n- Ukraine \\\\- [Українська](https://www.huawei.com/ua/)\\n- United Kingdom \\\\- [English](https://www.huawei.com/uk/)\\n- Uzbekistan \\\\- [Pусский](https://www.huawei.com/uz/)\\n- Uzbekistan \\\\- [O’zbek](https://www.huawei.com/uz-uz/)\\n- Vietnam \\\\- [Tiếng Việt](https://www.huawei.com/vn/)\\n- Global \\\\- [English](https://www.huawei.com/en/)\\n\\n搜索历史 清空\\n\\n热门链接\\n\\n\\n- [消费者产品保修查询](https://consumer.huawei.com/cn/support/warranty-query/)\\n- [HiSuite华为手机助手](https://consumer.huawei.com/cn/support/hisuite/)\\n- [穿戴](https://consumer.huawei.com/cn/wearables/)\\n- [华为电脑管家](https://consumer.huawei.com/cn/support/pc-manager/)\\n- [ensp](https://info.support.huawei.com/info-finder/encyclopedia/zh/eNSP+Pro.html)\\n- [打印机](https://consumer.huawei.com/cn/printers/)\\n- [驱动程序下载](https://consumer.huawei.com/cn/support/driver-list/)\\n- [华为视频](https://consumer.huawei.com/cn/mobileservices/video/)\\n\\n新闻与活动\\n\\n- [新闻](https://www.huawei.com/cn/news)\\n\\n- [展会活动](https://www.huawei.com/cn/events)\\n\\n- [多媒体](https://www.huawei.com/cn/gallery)\\n\\n- [展会活动](https://www.huawei.com/cn/events)\\n\\n- [多媒体](https://www.huawei.com/cn/gallery)\\n\\n# 华为汪涛：AI全面重构超宽带网络，激发商业新增长\\n\\n2025年06月19日\\n\\n- [Weibo](https://www.huawei.com/cn/news/2025/6/mwcsh-wbba-ubb-network# \\\"Weibo\\\")\\n- [× **微信扫一扫: 分享** \\\\\\\\\\n\\\\\\\\\\n\\\\\\\\\\n\\\\\\\\\\n微信里点“发现”，扫一下\\\\\\\\\\n\\\\\\\\\\n二维码便可将本文分享至朋友圈。\\\\\\\\\\n\\\\\\\\\\n**网页链接已复制** \\\\\\\\\\n\\\\\\\\\\n快去微信分享给好友吧！\\\\\\\\\\n\\\\\\\\\\n我知道了](https://www.huawei.com/cn/news/2025/6/mwcsh-wbba-ubb-network# \\\"分享到微信\\\")\\n\\n\\\\[中国，上海，2025年6月19日\\\\] 在2025 MWC 上海期间，全球云网宽带产业协会WBBA举办了上海BDC峰会。在峰会上，华为常务董事汪涛发表了“AI全面重构超宽带（UBB）网络，激发商业新增长”主题演讲，并推出AI UBB解决方案，包括AI FAN、AI OTN、AI WAN和ADN四大部分，端到端覆盖家庭网络、承载网络和UBB智能管控系统。AI UBB解决方案通过端到端设备内生智能和全面能力提升，为AI应用提供极致体验，实现高品质入算和高效算力互联，加速网络迈向高阶自智，激发商业新增长。\\n\\n\\n\\n华为常务董事汪涛发表主题演讲\\n\\n当前，通用人工智能时代正在加速到来。大模型正在从LLM走向多模态，Agent的能力和MCP（模型上下文协议）、A2A（智能体到智能体协议）等使能技术正在快速发展，推动AI行业应用成熟度快速提升。MOE（混合专家模型）、模型蒸馏、高性能算力的发展使得推理成本快速下降，过去两年LLM的推理成本下降了约100倍。高性能的小模型和端云协同技术支撑AI正在加速进入智能手机、眼镜、PC等各种终端。\\n\\n面向AI时代，华为持续推进全面智能化（All Intelligence)战略，通过构建全栈AI能力和开放生态平台，为电信行业、政企客户、消费者提供领先的AI解决方案，同时使用AI技术全面重构移动宽带（MBB）和超宽带（UBB）网络基础设施。\\n\\n在家庭场景，数字家庭正在迈向智能家庭，运营商基于网络和云服务不断拓展业务边界，为用户提供丰富的智能应用。在承载网侧，算力互联、端云协同的海量需求驱动承载网从尽力而为走向确定性保障，承载网需要提供更高带宽、确定低时延和超高安全性能。为匹配上述业务需求，UBB网络需要在架构、系统、运维等方面进行能力提升。为此，华为正式推出AI UBB解决方案，使用AI全面重构UBB网络，包括AI FAN、AI OTN、AI WAN、ADN四个组成部分。通过端到端设备内生智能和能力提升，为AI应用提供极致体验，实现高品质入算和高效算力互联，加速网络迈向高阶智能。\\n\\n**AI FAN：围绕家庭智能体，使能家宽升级为家庭智慧服务**\\n\\n为了用户更加便捷的使用AI服务，AI FAN将家庭网关升级为统一的AI入口，通过语音、视频、手势等多种方式与用户进行无感交互，基于端侧算力，支持本地智能服务的快速闭环。家庭多模态特别是高清视频类智能应用的极致体验，需要更大的网络带宽，家庭网络需要从千兆升级到万兆，从10G PON技术升级到50G PON，AI FAN通过业界领先的50G PON解决方案，支撑运营商构建泛在万兆接入能力。此外，AI FAN 将OLT从传统网络设备升级为具备边缘算力的智能设备，通过端边云的算力协同，支撑AI应用的最佳体验。\\n\\n**AI OTN：内生智能和光电协同能力提升，为AI应用和算力协同提供高品质运力**\\n\\n更低的时延是AI应用的关键体验诉求之一，1ms入算、用算成为城市AI算力网络的基本诉求。同时，越来越多的企业本地算力中心的建设，对于低时延、灵活带宽分配、可靠的SLA保证的OTN算力网络提出更高的需求。AI OTN通过端到端设备内生智能和光电协同能力的创新，为AI应用和算力调度提供高品质运力。AI OTN基于智能应用业务流特征的AI分析，主动感知业务类型和SLA需求，并提供端到端差异化保障。更低的网络传输时延是云边端算力高效协同的关键，AI OTN支持光层频谱资源灵活分配，将光交换从波长级升级到子波长级，让不同颗粒度的企业业务实现从企业到数据中心的一跳直达，确保极致低时延体验。AI及算力应用需要随拆随建的敏捷体验，AI OTN基于海量历史数据，建立AI数字孪生仿真模型，做到光层参数可视、可预测，实现从光电独立调度升级到光电协同自动调度，提升业务部署效率。\\n\\n**AI WAN：以AI全面赋能IP承载网，高效用算、精准护算**\\n\\n传统网络无法识别和保障AI应用中的视频加密流和智算大象流，AI WAN基于AI流感知模型，可实现从特定业务识别升级到对包括加密流和大象流在内的AI业务精准识别，提供差异化的业务套餐保障。为了确保极致用算体验，AI WAN引入智能流调度、长距无损等技术，实现高吞吐、0丢包、0抖动等体验多维保障。为了保障用算安全，AI WAN通过路由器内置安全防护引擎，实时识别未知威胁，达到分钟级阻断，保障全网攻击0入侵，数据0窃取，实现内生安全防护。\\n\\n**ADN：三层AI协同架构，以Agent为核心，支撑UBB网络走向高阶自智**\\n\\nADN基于智能硬件、数字孪生、通信大模型等技术创新，以Agent为核心，支撑UBB网络走向高阶自智。迈向L4高阶自智需要三层AI协同架构：网元层基于智能硬件实现业务和网络质量的精细化感知和实时闭环；管控层部署基于通信大模型的Agent和Copilot两类智能体；业务层需要打造跨域、跨厂商的运营平台。UBB网络的L4目标是实现不动网无人化、动网上站少人化。面向家宽、OTN、IP整网部署统一的Agent，可以全天候在线服务，实现自动化的故障处理、网络优化和体验保障，大幅降低NOC中心和现场代维、装维人员的日常工作量。当需要现场服务时，Agent自动指派人工现场处理，Copilot辅助人员精准上站，快速处理现场工作。\\n\\n最后，汪涛表示，通用人工智能加速到来，给超宽带产业带来前所未有的机遇。华为希望携手产业界，共同推动AI全面重构UBB网络，通过构建统一的产业标准，加速AI UBB的能力成熟，不断繁荣应用生态，探索新的商业模式，达成产业各方的协同发展，共赢AI时代新增长。\\n\\n2025 MWC 上海于6月18日至6月20日在中国上海举行。华为展区位于上海新国际博览中心（SNIEC）N1馆。2025年5G-A商用加速发展,华为与全球运营商、行业精英、意见领袖等一同深入探讨通过AI技术创新，重塑业务、基础设施及运营运维，实现商业新增长，加速迈向智能世界。欲了解更多详情，请阅: [https://carrier.huawei.com/cn/events/mwcs2025](https://carrier.huawei.com/cn/events/mwcs2025)\\n\\n- [Weibo](https://www.huawei.com/cn/news/2025/6/mwcsh-wbba-ubb-network# \\\"Weibo\\\")\\n- [× **微信扫一扫: 分享** \\\\\\\\\\n\\\\\\\\\\n\\\\\\\\\\n\\\\\\\\\\n微信里点“发现”，扫一下\\\\\\\\\\n\\\\\\\\\\n二维码便可将本文分享至朋友圈。\\\\\\\\\\n\\\\\\\\\\n**网页链接已复制** \\\\\\\\\\n\\\\\\\\\\n快去微信分享给好友吧！\\\\\\\\\\n\\\\\\\\\\n我知道了](https://www.huawei.com/cn/news/2025/6/mwcsh-wbba-ubb-network# \\\"分享到微信\\\")\\n\\n## 相关新闻\\n\\n[查看全部](https://www.huawei.com/cn/news \\\"查看全部\\\")\\n\\n\\n\\n\\n\\n## 在线客服\\n\\n#### 个人及家庭产品\\n\\n热线：950800（7\\\\*24小时）\\n\\n[查找零售店](https://consumer.huawei.com/cn/stores/)\\n\\n[咨询客服](https://celia.consumer.huawei.com/official/#/?businessUUID=fe8192189f0a40e8a883ab8bdf1ba8ea)\\n\\n#### 华为云服务\\n\\n热线：4000-955-988\\\\|950808\\n\\n[预约售前专属顾问](https://www.huaweicloud.com/service/contact.html)\\n\\n[智能客服](https://console.huaweicloud.com/smartadvisor/)\\n\\n#### 企业服务\\n\\n热线：400-822-9999\\n\\n[查找经销商](https://partner.huawei.com/web/china/channel-find-partner)\\n\\n[咨询客服](https://support.huawei.com/livechat/cn)\\n\\n#### 运营商网络服务\\n\\n热线：4008302118\\n\\n[技术支持中心](https://support.huawei.com/carrierindex/index)\\n\\n[查看全部联系方式](https://www.huawei.com/cn/contact-us)\",\n \"metadata\": {\n \"msvalidate.01\": \"9B78E6BE82A5A69C61096A84EA718DB6\",\n \"ogSiteName\": \"\",\n \"ogDescription\": \"在2025 MWC 上海期间，全球云网宽带产业协会WBBA举办了上海BDC峰会。\",\n \"thumbnail\": \"https://www-file.huawei.com/dam/asset/view/b83989e53cd642f5ae7d4899ad7b8755.jpg\",\n \"twitter:description\": \"在2025 MWC 上海期间，全球云网宽带产业协会WBBA举办了上海BDC峰会。\",\n \"title\": \"华为汪涛：AI全面重构超宽带网络，激发商业新增长\",\n \"viewport\": \"width=device-width, initial-scale=1\",\n \"language\": \"zh\",\n \"og:site_name\": \"\",\n \"description\": \"在2025 MWC 上海期间，全球云网宽带产业协会WBBA举办了上海BDC峰会。\",\n \"og:image\": \"https://www-file.huawei.com/dam/asset/view/b83989e53cd642f5ae7d4899ad7b8755.jpg\",\n \"keywords\": \"\",\n \"og:url\": \"https://www.huawei.com/cn/news/2025/6/mwcsh-wbba-ubb-network\",\n \"twitter:image\": \"https://www-file.huawei.com/dam/asset/view/b83989e53cd642f5ae7d4899ad7b8755.jpg\",\n \"ogUrl\": \"https://www.huawei.com/cn/news/2025/6/mwcsh-wbba-ubb-network\",\n \"twitter:title\": \"\",\n \"og:title\": \"\",\n \"google-site-verification\": \"wqACMoaM-tJAtTNspMBb0JCRVzOL4wcawL0B9QAcJPw\",\n \"ogTitle\": \"\",\n \"twitter:card\": \"summary\",\n \"baidu-site-verification\": [\n \"mXsUjBxk6j\",\n \"code-pCX4L0hvYH\"\n ],\n \"og:description\": \"在2025 MWC 上海期间，全球云网宽带产业协会WBBA举办了上海BDC峰会。\",\n \"ogImage\": \"https://www-file.huawei.com/dam/asset/view/b83989e53cd642f5ae7d4899ad7b8755.jpg\",\n \"favicon\": \"https://www.huawei.com/-/media/htemplate-home/1.0.1.20251205144752/components/assets/img/apple-touch-icon-precomposed-180.png\",\n \"scrapeId\": \"019edfeb-6458-772c-819f-9510e58cef0d\",\n \"sourceURL\": \"https://www.huawei.com/cn/news/2025/6/mwcsh-wbba-ubb-network\",\n \"url\": \"https://www.huawei.com/cn/news/2025/6/mwcsh-wbba-ubb-network\",\n \"statusCode\": 200,\n \"contentType\": \"text/html\",\n \"timezone\": \"America/New_York\",\n \"proxyUsed\": \"basic\",\n \"cacheState\": \"miss\",\n \"indexId\": \"488124cc-3b81-4485-b158-fd9f1ba3660a\",\n \"creditsUsed\": 1\n }\n },\n {\n \"url\": \"https://k.sina.com.cn/article_7857201856_1d45362c0019071swi.html?from=tech\",\n \"title\": \"新浪人工智能热点小时报丨2026年06月19日15时\",\n \"description\": \"新浪人工智能热点小时报丨2026年06月19日15时_今日实时人工智能热点速递,李想,Minimax,法拉利,模型,人类,专家,智能化,系统,特朗普.\",\n \"position\": 6,\n \"markdown\": \"- [新浪首页](http://www.sina.com.cn/)\\n- [新闻](http://news.sina.com.cn/)\\n- [体育](http://sports.sina.com.cn/)\\n- [财经](http://finance.sina.com.cn/)\\n- [娱乐](http://ent.sina.com.cn/)\\n- [科技](http://tech.sina.com.cn/)\\n- [博客](http://blog.sina.com.cn/)\\n- [图片](http://photo.sina.com.cn/)\\n- [专栏](http://zhuanlan.sina.com.cn/)\\n- [更多](https://k.sina.com.cn/article_7857201856_1d45362c0019071swi.html?from=tech#)\\n\\n- [汽车](http://auto.sina.com.cn/) [教育](http://edu.sina.com.cn/) [时尚](http://fashion.sina.com.cn/) [女性](http://eladies.sina.com.cn/) [星座](http://astro.sina.com.cn/) [健康](http://health.sina.com.cn/)\\n- [房产](http://www.leju.com/#source=pc_sina_dbdh1&source_ext=pc_sina) [历史](http://history.sina.com.cn/) [视频](http://video.sina.com.cn/) [收藏](http://collection.sina.com.cn/) [育儿](http://baby.sina.com.cn/) [读书](http://book.sina.com.cn/)\\n- [佛学](http://fo.sina.com.cn/) [游戏](http://games.sina.com.cn/) [旅游](http://travel.sina.com.cn/) [邮箱](http://mail.sina.com.cn/) [导航](http://news.sina.com.cn/guide/)\\n\\n[移动客户端](https://k.sina.com.cn/article_7857201856_1d45362c0019071swi.html?from=tech#)\\n\\n- [新浪微博](http://m.sina.com.cn/m/weibo.shtml)\\n- [新浪新闻](http://news.sina.com.cn/m/sinanews.html)\\n- [新浪财经](http://finance.sina.com.cn/mobile/comfinanceweb.shtml?source=daohang01)\\n- [新浪体育](http://m.sina.com.cn/m/sinasports.shtml)\\n- [新浪众测](http://zhongce.sina.com.cn/about/app)\\n- [新浪博客](http://blog.sina.com.cn/lm/z/app/)\\n- [新浪视频](http://video.sina.com.cn/app)\\n- [新浪游戏](http://games.sina.com.cn/o/kb/12392.shtml)\\n- [天气通](http://m.sina.com.cn/m/weather.shtml)\\n\\n[我的收藏](http://my.sina.com.cn/#location=fav)\\n\\n[注册](https://login.sina.com.cn/signup/signup?entry=news)\\n\\n[登录](https://k.sina.com.cn/article_7857201856_1d45362c0019071swi.html?from=tech#)\\n\\n×\\n\\n新浪微博、博客、邮箱帐号，请直接登录\\n\\n- 加载中...换个账号登录\\n- ×\\n\\n- 登录\\n\\n下次自动登录\\n- [忘记密码](https://login.sina.com.cn/getpass.html) [立即注册](https://login.sina.com.cn/signup/signup.php)\\n- [使用QQ登录](https://k.sina.com.cn/article_7857201856_1d45362c0019071swi.html?from=tech#)\\n\\n请用最新版微博客户端扫码\\n\\n\\n\\n\\n\\n\\n\\n扫描成功！\\n\\n点击手机上的确认即可登录\\n\\n\\n\\n# 新浪看点\\n\\n科技看点>正文\\n\\n\\n\\n新浪新闻客户端\\n\\n\\n\\n新浪新闻公众号\\n\\n\\n\\n新浪新闻视频号\\n\\n\\n\\n新浪新闻抖音\\n\\n\\n\\n新浪新闻快手\\n\\n\\n\\n新浪新闻小红书\\n\\n\\n\\n新浪新闻B站\\n\\n\\n\\n热搜时代小宇宙\\n\\n×\\n\\n\\n\\n点击任意位置关闭\\n\\n新闻图片视频\\n\\n新闻\\n\\n新闻\\n\\n图片\\n\\n视频\\n\\n# 新浪人工智能热点小时报丨2026年06月19日15时\\\\_今日实时人工智能热点速递\\n\\n新浪人工智能热点小时报丨2026年06月19日15时\\\\_今日实时人工智能热点速递\\n\\n2026年06月19日 15:00 [新浪网](http://www.sina.com.cn/) 作者\\n\\n[每日新闻摘录](http://k.sina.com.cn/mediaDocList.d.html?uid=7857201856)\\n\\n[举报](https://news.sina.com.cn/blank/report_news.shtml?docId=nicxqkx9646352 \\\"打开举报页\\\")缩小字体放大字体收藏[微博](http://service.weibo.com/share/share.php?url=https%3A%2F%2Fk.sina.cn%2Farticle_7857201856_1d45362c0019071swi.html%3Ffrom&title=%E6%96%B0%E6%B5%AA%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E7%83%AD%E7%82%B9%E5%B0%8F%E6%97%B6%E6%8A%A5%E4%B8%A82026%E5%B9%B406%E6%9C%8819%E6%97%A515%E6%97%B6_%E4%BB%8A%E6%97%A5%E5%AE%9E%E6%97%B6%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E7%83%AD%E7%82%B9%E9%80%9F%E9%80%92&pic= \\\"分享到微博\\\")微信分享\\n\\n[腾讯QQ](http://connect.qq.com/widget/shareqq/index.html?url=https%3A%2F%2Fk.sina.cn%2Farticle_7857201856_1d45362c0019071swi.html%3Ffrom&desc=&title=%E6%96%B0%E6%B5%AA%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E7%83%AD%E7%82%B9%E5%B0%8F%E6%97%B6%E6%8A%A5%E4%B8%A82026%E5%B9%B406%E6%9C%8819%E6%97%A515%E6%97%B6_%E4%BB%8A%E6%97%A5%E5%AE%9E%E6%97%B6%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E7%83%AD%E7%82%B9%E9%80%9F%E9%80%92&summary=&pics=&flash=&site= \\\"分享到QQ\\\")[QQ空间](http://sns.qzone.qq.com/cgi-bin/qzshare/cgi_qzshare_onekey?url=https%3A%2F%2Fk.sina.cn%2Farticle_7857201856_1d45362c0019071swi.html%3Ffrom&title=%E6%96%B0%E6%B5%AA%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E7%83%AD%E7%82%B9%E5%B0%8F%E6%97%B6%E6%8A%A5%E4%B8%A82026%E5%B9%B406%E6%9C%8819%E6%97%A515%E6%97%B6_%E4%BB%8A%E6%97%A5%E5%AE%9E%E6%97%B6%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E7%83%AD%E7%82%B9%E9%80%9F%E9%80%92&desc=&summary=&pics= \\\"分享到QQ空间\\\")\\n\\n## 1、中国驻美大使谢锋：人工智能不能野蛮生长、跑马圈地\\n\\n转自：证券时报人民财讯6月19日电，2026年6月17日，中国驻美国大使谢锋在美中贸易全国委员会2026年度庆典晚宴上发表演讲，鼓励美国工商界做中美科创合作新赛道的领跑者。谢锋说，人工智能等新兴技术正在深刻改变经济形态、人类生活和社会治理，必须确保向善普惠、有序发展，不能放任自流、野蛮生长，不能“跑马圈地”、再设“铁幕”，更不能爆发“AI版星球大战”。中美作为全球领先的人工智能大国，完全可以优势互补、合作共赢。我们要用好人工智能政府间对话机制。\\n\\n[http://finance.sina.com.cn/jjxw/2026-06-19/doc-inicxkay2966543.shtml](http://finance.sina.com.cn/jjxw/2026-06-19/doc-inicxkay2966543.shtml)\\n\\n## 2、《经济学人》封面文章丨人工智能赋予美国巨大的新权力\\n\\n（来源：invest wallstreet）AI has granted America vast new power美国政府现已成为前沿模型及大部分算力的“守门人”2026年6月18日新闻充斥着这样的论调：与伊朗达成的一项不光彩的和平协议，正是美国国力衰落的例证。这种结论简直大错特错。6月12日，特朗普政府下令要求Anthropic公司禁止外国人使用其最新、最强大的前沿AI模型Fable和Mythos。顷刻之间，世人皆知美国政府已能决定谁有资格使用全球最重要的技术。没有什么比这更能彰显权力的了。\\n\\n[http://k.sina.com.cn/article\\\\_5953189932\\\\_162d6782c06704grvo.html](http://k.sina.com.cn/article_5953189932_162d6782c06704grvo.html)\\n\\n## 3、为什么买法拉利?李想:体验法拉利到底是怎么做的\\n\\n12月25日晚间，在2024理想AI Talk直播中，主持人问道：“你为什么买法拉利啊？”对此理想汽车创始人李想回答称，他认为做的最好的品牌，并且他最喜欢的品牌一个是宝马，一个是法拉利，法拉利他还没有体验过，他只有通过体验来看，法拉利到底是怎么做的，这才能变成他自己的认知和能力。目前，理想汽车最新的智能驾驶系统已经实现了高速道路和城市道路的全场景覆盖，能够在多种复杂交通环境中为用户提供安全、舒适的驾驶体验。这一系统的成功得益于理想汽车在人工智能算法和传感器技术上的持续投入和突破。李想还特别指出汽车行业的上半场是电动化，而下半场则是智能化。\\n\\n[http://k.sina.com.cn/article\\\\_7857141524\\\\_1d452771401903epjs.html](http://k.sina.com.cn/article_7857141524_1d452771401903epjs.html)\\n\\n## 4、李想表示“我不想当车企CEO了” 打算做一名人工智能企业CEO\\n\\n近日，理想汽车举办了“2024理想AI Talk”直播。在这场直播中，主持人透露了一条令人惊讶的消息：李想表示自己已经不再想做一名车企CEO，他的目标转向了成为一名人工智能企业的CEO。主持人进一步提问，考虑到现在很多车企都开始转向增程技术，而理想最初便是走增程路线，李想为何选择不再造车，而是要投身人工智能领域？李想在回答时解释道，虽然造车依然是理想的重要目标，但他认为电动化是汽车产业的“上半场”，而智能化则是“下半场”。他强调，这里的智能化不仅仅是传统的车辆软件智能，而是指真正的人工智能。\\n\\n[http://k.sina.com.cn/article\\\\_7857141524\\\\_1d452771401903epu6.html](http://k.sina.com.cn/article_7857141524_1d452771401903epu6.html)\\n\\n## 5、猜猜谁是AI辩手 国产大模型通过人机辩论图灵测试\\n\\n冯妍 本报记者 王春大屏幕上，长相、穿戴一模一样的两位辩手，对涉及情感、伦理、心理学、哲学的辩题“如果能一键消除所有痛苦回忆，要不要按”展开激烈辩论。其中，一方辩手是真人陈铭――武汉大学教师，另一方“辩手”则是AI陈铭――上海稀宇科技（MiniMax）提供的大模型。在7月26日举办的“2025中国・AI盛典”辩论赛赛后投票中，42%的观众把大模型认作人类，这表示该款大模型已通过了人机辩论的图灵测试。图灵测试是衡量机器是否具备人类智能水平的经典标准，由被誉为“人工智能之父”的图灵在1950年提出：如果一台机器在自然语言对话中能“骗过”超过30%的人类参与者，那就可以被视作具有智能。\\n\\n[http://k.sina.com.cn/article\\\\_7857201856\\\\_1d45362c0019071pyy.html](http://k.sina.com.cn/article_7857201856_1d45362c0019071pyy.html)\\n\\n## 6、中国经济面面观｜新技术、新应用、新生态——看“AI+”如何赋能千行百业 造福千家万户\\n\\n人工智能技术加速迭代 正迎来爆发式发展 当前我国“AI+”应用处于什么水平？ AI终端有哪些前沿技术和应用？ 如何进化机器人“大脑”水平？ 7月6日，浙江省金华市金华之光文化广场科技馆内，小朋友与智能机器狗互动。新华社发（时宽兵 摄） 2024年我国人工智能产业规模突破7000亿元，连续多年保持20%以上的增长率。今年以来，人工智能产业迎来新一轮变革，大模型能力的突破式迭代和推理成本快速下降使得人工智能应用迅速发展。以上海为例，今年一季度规上人工智能产业规模突破1180亿元，同比增长29%，利润增长65%，成为拉动经济增长的新引擎。\\n\\n[http://k.sina.com.cn/article\\\\_7857201856\\\\_1d45362c0019071qw2.html](http://k.sina.com.cn/article_7857201856_1d45362c0019071qw2.html)\\n\\n## 7、“花果山下”AI沙龙 在这里，每个人都可以“72变”\\n\\n转自：扬子晚报“今年Token这个词彻底火了，Token就是AI时代的GDP，连云港的核电绿电+算力更具发展想象力……”6月17日晚，一场主题为“算电协同：AI基础设施的底层逻辑”的沙龙在连云港市移动公司精彩上演，核电专家、电力规划师、数据中心“包工头”“卖Token”的云厂商、“搭网子”的通信运营商等五路人马，一起探讨如何让AI算力中心用上最便宜、最绿色的电。前不久，连云港市“人工智能+”推进会提出，要将推动“人工智能+”摆在全局工作突出位置，深入研究新情况、解决新问题，以智能化变革为全市高质量发展注入强劲动能。\\n\\n[http://finance.sina.com.cn/jjxw/2026-06-19/doc-inicxqkv1527812.shtml](http://finance.sina.com.cn/jjxw/2026-06-19/doc-inicxqkv1527812.shtml)\\n\\n## 8、图解未来五年全球最具增长潜力的职业TOP15\\n\\n格隆汇7月22日｜根据世界经济论坛发布的《2025年未来就业报告》，基于对全球1043家公司、涉及超1410万名员工的调查，下图列出2025年至2030年最具增长潜力的15个职业。其中，大数据专家位居榜首，预计2025年至2030年将录得110%的净增长。紧随其后的是金融科技工程师以及人工智能和机器学习专家，预计未来五年将分别增长95%和85%。这表明，就业市场对于能够构建和管理人工智能系统并洞察海量数据的专业人员的需求十分巨大。另外，软件和应用程序开发人员依然至关重要，预计将增长60%。网络安全相关职位也榜上有名，包括安全管理专家和信息安全分析师，预计将分别增长55%和40%。\\n\\n[http://k.sina.com.cn/article\\\\_7857201856\\\\_1d45362c0019071pcm.html](http://k.sina.com.cn/article_7857201856_1d45362c0019071pcm.html)\\n\\n特别声明：以上文章内容仅代表作者本人观点，不代表新浪网观点或立场。如有关于作品内容、版权或其它问题请于作品发表后的30日内与新浪网联系。\\n\\n[](https://weibo.com/u/5893229038)\\n\\n[赛博对话](https://weibo.com/u/5893229038)\\n\\n[](https://www.xiaoyuzhoufm.com/podcast/67c01fbc657dae09d80ed3e8)\\n\\n[热搜时代](https://www.xiaoyuzhoufm.com/podcast/67c01fbc657dae09d80ed3e8)\\n\\n[](https://weibo.com/u/1653545015)\\n\\n[一天零一页](https://weibo.com/u/1653545015)\\n\\n[](https://weibo.com/u/3231920057)\\n\\n[无双](https://weibo.com/u/3231920057)\\n\\n[](https://weibo.com/u/6979546667)\\n\\n[热浪之外](https://weibo.com/u/6979546667)\\n\\n关键字 : [李想](https://tags.sina.com.cn/%E6%9D%8E%E6%83%B3) [人工智能](https://tags.sina.com.cn/%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD) [理想汽车](https://tags.sina.com.cn/%E7%90%86%E6%83%B3%E6%B1%BD%E8%BD%A6) [法拉利](https://tags.sina.com.cn/%E6%B3%95%E6%8B%89%E5%88%A9) [辩手](https://tags.sina.com.cn/%E8%BE%A9%E6%89%8B)\\n\\n[权利保护声明页/Notice to Right Holders](http://mp.sina.com.cn/faq/index?vt=4#/Notice/Right)\\n\\n_[0](https://comment5.news.sina.com.cn/comment/skin/default.html?channel=mp&newsid=7857201856-1d45362c0019071swi)_ 条评论\\\\| _[0](https://comment5.news.sina.com.cn/comment/skin/default.html?channel=mp&newsid=7857201856-1d45362c0019071swi)_ 人参与网友评论\\n\\n[](https://weibo.com/ \\\"\\\")\\n\\n[](https://weibo.com/)\\n\\n表情\\n\\n登录\\\\| [注册](https://login.sina.com.cn/signup/signup.php)\\n\\n\\\\|退出\\n\\n分享到微博\\n\\n发布\\n\\n最热评论刷新\\n\\n最新评论刷新\\n\\n[更多精彩评论>>](https://comment5.news.sina.com.cn/comment/skin/default.html?channel=mp&newsid=7857201856-1d45362c0019071swi&group=0)\\n\\n相关新闻\\n[投资热点尽在新浪财经APP>](https://finance.sina.com.cn/mobile/comfinanceweb.shtml?source=xwzxzhengwen01)\\n\\n加载中 ~~~~\\n\\n点击加载更多\\n\\n手机新浪网\\n\\n[阅读排行榜](http://news.sina.com.cn/hotnews/) [评论排行榜](http://news.sina.com.cn/hotnews/)\\n\\n- 01[当着全球媒体的面，特朗普又让日本尴尬了……](https://news.sina.com.cn/w/2026-06-19/doc-inicwaim5308871.shtml)\\n- 02[欧盟27国领导人一致通过涉乌结论文件](https://news.sina.com.cn/w/2026-06-19/doc-inicwtfh3165652.shtml)\\n- 03[中方点名，“特别是以色列”](https://news.sina.com.cn/c/2026-06-19/doc-inicxkay2929144.shtml)\\n- 04[美国纽约时报广场发生枪击事件](https://news.sina.com.cn/w/2026-06-19/doc-inicwtfc5045171.shtml)\\n- 05[拜登罕见公开露面，在台上茫然问道：我孙女哪去了](https://news.sina.com.cn/w/2026-06-19/doc-inicxqkt4768443.shtml)\\n\\n- 01[意大利单日新增6557例确诊病例，累计确诊破5万](http://comment5.news.sina.com.cn/comment/skin/default.html?channel=gj&newsid=comos-imxxsth0871469&style=0)\\n- 02[习近平给新华社老党员张连生回信](http://comment5.news.sina.com.cn/comment/skin/default.html?channel=gn&newsid=comos-nicuyvz2311158&style=0)\\n- 03[习近平谈政绩观｜要发扬钉钉子精神](http://comment5.news.sina.com.cn/comment/skin/default.html?channel=gn&newsid=comos-nictaen8951162&style=0)\\n- 04[时政微观察丨文化根脉 生生不息](http://comment5.news.sina.com.cn/comment/skin/default.html?channel=gn&newsid=comos-nicuyvv3328328&style=0)\\n- 05[上合组织天津峰会\\\\|习近平在“上海合作组织+”会议上的讲话（全文）](http://comment5.news.sina.com.cn/comment/skin/default.html?channel=gn&newsid=comos-nfnyunh9696676&style=0)\\n\\n### 图片新闻\\n\\n[美加墨世界杯：瑞士4-1波黑](https://photo.sina.cn/album_1_2841_621958.htm?ch=1)\\n\\n[福建长乐：夜赛龙舟热闹非凡](https://photo.sina.cn/album_1_2841_621955.htm?ch=1)\\n\\n[2026年俄罗斯—东盟峰会](https://photo.sina.cn/album_1_2841_621957.htm?ch=1)\\n\\n[浙江长兴：民众参加多彩活动迎端午](https://photo.sina.cn/album_1_2841_621929.htm?ch=1)\\n\\n[视频新闻](http://news.video.sina.com.cn/)\\n\\n[美伊会谈因以色列军事行动取消](https://video.sina.com.cn/mini/?dataid=comos:nicxusr4708387)\\n\\n[我国将启动2026新能源汽车下乡活动](https://video.sina.com.cn/mini/?dataid=comos:nicxqkv1541052)\\n\\n[35岁孙杨拿到最后一张决赛门票](https://video.sina.com.cn/mini/?dataid=comos:nicxyyr1385183)\\n\\n[孩子烧光数十万手机，父亲询问是否开心](https://video.sina.com.cn/mini/?dataid=comos:nicxkax1651942)\\n\\n### 新媒体实验室\\n\\n- [朋友圈47%的内容在炫耀](https://news.sina.com.cn/zx/2020-10-15/doc-iiznezxr6122869.shtml)\\n- [近300起杀妻案如何判罚](https://news.sina.com.cn/c/2020-07-30/doc-iivhuipn5894776.shtml)\\n- [谈恋爱反降低生活质量？](https://news.sina.com.cn/s/2020-08-26/doc-iivhvpwy3205551.shtml)\\n- [全国最能吃的省市竟是它](https://news.sina.com.cn/c/2020-09-10/doc-iivhvpwy5962650.shtml)\\n- [性犯罪者再犯几率达12.8%](https://news.sina.com.cn/2020-09-03/doc-iivhuipp2286397.shtml)\\n\\n- [联系我们](http://www.sina.com.cn/contactus.html) \\\\| [广告营销](https://marketing.hd.weibo.com/?fr=C003004_P001) \\\\| [通行证注册](http://login.sina.com.cn/signup/signup)\\n- [产品答疑](http://help.sina.com.cn/) \\\\| [招聘信息](http://career.sina.com.cn/) \\\\| [网站律师](http://corp.sina.com.cn/lawfirm/sina.htm)\\n- [SINA English](http://english.sina.com/)\\n\\n举报邮箱：jubao@vip.sina.com\\n\\nCopyright © 1996-2026 SINA Corporation\\n\\nAll Rights Reserved 新浪公司 [版权所有](http://corp.sina.com.cn/chn/copyright.html)\\n\\n手机新浪网\\n\\n[新浪首页](https://www.sina.com.cn/)相关新闻 [改版调查](https://vote.sina.com.cn/106)返回顶部\",\n \"metadata\": {\n \"jspreload\": \"jspreload\",\n \"ogUrl\": \"https://k.sina.com.cn/article_7857201856_1d45362c0019071swi.html\",\n \"description\": \"1、中国驻美大使谢锋：人工智能不能野蛮生长、跑马圈地转自：证券时报人民财讯6月19日电，2026年6月17日，中国驻美国..._新浪网, 手机新浪网新闻中心，新浪网新闻中心是新浪网最重要的频道之一，24小时滚动报道国内、国际及社会新闻。每日编发新闻数以万计。新浪新闻触屏- news.sina.cn, 手机新浪网新闻中心，新浪网新闻中心是新浪网最重要的频道之一，24小时滚动报道国内、国际及社会新闻。每日编发新闻数以万计。新浪新闻触屏- news.sina.cn\",\n \"sudameta\": [\n \"allCIDs:187175,258,171240,223658,171239,257\",\n \"comment_channel:mp;comment_id:7857201856-1d45362c0019071swi\",\n \"dataid:comos:nicxqkx9646352\",\n \"sinaog:0\",\n \"dataid:comos:nicxqkx9646352\"\n ],\n \"ogImage\": \"\",\n \"language\": \"zh-CN\",\n \"keywords\": [\n \"Minimax,人工智能,李想,新浪,法拉利,模型,热点,人类,专家,智能化,系统,特朗普\",\n \"新闻,时事,时政,国际,国内,社会,法治,聚焦,评论,文化,教育,视点,深度,网评,专题,环球,传播,论坛,图片,军事,焦点,排行,环保,校园,法治,奇闻,真情\",\n \"新闻,时事,时政,国际,国内,社会,法治,聚焦,评论,文化,教育,视点,深度,网评,专题,环球,传播,论坛,图片,军事,焦点,排行,环保,校园,法治,奇闻,真情\"\n ],\n \"og:title\": \"新浪人工智能热点小时报丨2026年06月19日15时_今日实时人工智能热点速递\",\n \"og:description\": \"1、中国驻美大使谢锋：人工智能不能野蛮生长、跑马圈地转自：证券时报人民财讯6月19日电，2026年6月17日，中国驻美国大使谢锋在美中贸易全国委员会2026年度庆典晚宴上发表演讲，鼓励美国工商界做中美科创合作新赛道的领跑者。谢锋说，人工智能等新兴技术正在深刻改...\",\n \"msvalidate.01\": \"0EBC6AF737F6405C0F32D73B4AA6A640\",\n \"format-detection\": [\n \"telephone=no\",\n \"telephone=no\"\n ],\n \"og:image\": \"\",\n \"author\": [\n \"sina_mobile\",\n \"sina_mobile\"\n ],\n \"ogTitle\": \"新浪人工智能热点小时报丨2026年06月19日15时_今日实时人工智能热点速递\",\n \"og:author\": \"每日新闻摘录\",\n \"apple-mobile-web-app-title\": [\n \"新浪移动_手机新浪网\",\n \"新浪移动_手机新浪网\"\n ],\n \"modifiedTime\": \"2026-06-19 15:00:10\",\n \"comment\": \"mp:7857201856-1d45362c0019071swi\",\n \"og:time\": \"2026-06-19 15:00:10\",\n \"og:updated_time\": \"2026-06-19 15:00:10\",\n \"publishid\": \"nicxqkx9646352\",\n \"ogSiteName\": \"新浪网\",\n \"MobileOptimized\": \"width\",\n \"apple-mobile-web-app-status-bar-style\": \"black\",\n \"publishedTime\": \"2026-06-19 15:00:10\",\n \"ogDescription\": \"1、中国驻美大使谢锋：人工智能不能野蛮生长、跑马圈地转自：证券时报人民财讯6月19日电，2026年6月17日，中国驻美国大使谢锋在美中贸易全国委员会2026年度庆典晚宴上发表演讲，鼓励美国工商界做中美科创合作新赛道的领跑者。谢锋说，人工智能等新兴技术正在深刻改...\",\n \"article:modified_time\": \"2026-06-19 15:00:10\",\n \"mobile-agent\": [\n \"format=html5; url=https://k.sina.cn/article_7857201856_1d45362c0019071swi.html?from=tech\",\n \"format=xhtml; url=https://k.sina.cn/article_7857201856_1d45362c0019071swi.html?from=tech\",\n \"format=wml; url=https://k.sina.cn/article_7857201856_1d45362c0019071swi.html?from=tech\"\n ],\n \"baidu-site-verification\": [\n \"cO0BoDSJ7A\",\n \"cO0BoDSJ7A\"\n ],\n \"og:site_name\": \"新浪网\",\n \"stencil\": \"PGLS000526\",\n \"viewport\": [\n \"width=device-width, initial-scale=1.0, minimum-scale=1.0, maximum-scale=1.0, user-scalable=no\",\n \"width=device-width,initial-scale=1,maximum-scale=1,minimum-scale=1,user-scalable=no\",\n \"width=device-width,initial-scale=1,maximum-scale=1,minimum-scale=1,user-scalable=no\"\n ],\n \"tags\": \"李想,人工智能,理想汽车,法拉利,辩手\",\n \"referrer\": [\n \"always\",\n \"always\",\n \"always\"\n ],\n \"og:contentid\": \"comos:nicxqkx9646352\",\n \"og:locale\": \"zh_CN\",\n \"applicable-device\": \"pc,mobile\",\n \"article:tag\": \"日本动态\",\n \"og:type\": \"news\",\n \"article:published_time\": \"2026-06-19 15:00:10\",\n \"weibo: article:update_at\": \"2026-06-19 15:05:07\",\n \"og:category\": \"国际\",\n \"og:url\": \"https://k.sina.com.cn/article_7857201856_1d45362c0019071swi.html\",\n \"title\": \"新浪人工智能热点小时报丨2026年06月19日15时_今日实时人工智能热点速递|Minimax|李想|法拉利|模型|人类_新浪新闻\",\n \"og:published_time\": \"2026-06-19 15:00:10\",\n \"mediaid\": \"每日新闻摘录\",\n \"article:author\": \"每日新闻摘录\",\n \"bytedance-verification-code\": \"AbPpBnubCvNNDQBICbx6\",\n \"article:section\": \"国际\",\n \"ogLocale\": \"zh_CN\",\n \"weibo: article:create_at\": \"2026-06-19 15:00:10\",\n \"HandheldFriendly\": \"true\",\n \"favicon\": \"https://www.sina.com.cn/favicon.svg\",\n \"scrapeId\": \"019edfeb-6458-772c-819f-999ef1c97c0f\",\n \"sourceURL\": \"https://k.sina.com.cn/article_7857201856_1d45362c0019071swi.html?from=tech\",\n \"url\": \"https://k.sina.com.cn/article_7857201856_1d45362c0019071swi.html?from=tech\",\n \"statusCode\": 200,\n \"contentType\": \"text/html\",\n \"timezone\": \"America/New_York\",\n \"proxyUsed\": \"basic\",\n \"cacheState\": \"miss\",\n \"indexId\": \"f0274d20-f08e-4589-ba8e-ae72f755a656\",\n \"creditsUsed\": 1\n }\n },\n {\n \"url\": \"https://www.bbc.com/zhongwen/articles/cjdr4ekxezpo/trad\",\n \"title\": \"AI指令是否正在損害你的思考能力？ - BBC News 中文\",\n \"description\": \"研究發現，如果人們過度依賴AI，他們解決問題的能力可能會下降。\",\n \"position\": 7,\n \"markdown\": \"# AI指令是否正在損害你的思考能力？\\n\\n\\n\\n圖像來源，yacobchuk/Getty\\n\\n圖像加註文字，麻省理工學院研究人員在實驗中使用腦電圖（EEG）記錄參與者在使用生成式AI時的大腦活動。**Article Information**\\n\\n- Author, 喬治·桑德曼（George Sandeman）\\n- Published 2025年12月24日\\n\\n- 閱讀時間: 1 分鐘\\n\\n你上一次請AI（人工智能，人工智慧）聊天機器人幫你做什麼？\\n\\n也許你請它幫你擬定一篇論文的結構，以幫助回答棘手的問題，提供對龐大資料集的深入分析，或檢查你的求職信是否符合職位描述。\\n\\n一些專家擔心，將這類任務外包給AI，意味著你的大腦運作減少，甚至可能損害你的批判性思維和解決問題的能力。\\n\\n今年較早前，麻省理工學院（MIT）發表的一項研究顯示，使用ChatGPT撰寫論文的人，在進行該活動時，大腦神經網絡中與認知處理相關的活動較少。\\n\\n這些人也無法像未使用AI聊天機器人的作者那樣，輕鬆引用自己論文中的內容。\\n\\n研究人員表示，他們的研究顯示出「探索學習能力可能下降的迫切問題」。\\n\\n所有54名參與者均來自麻省理工及附近的大學。他們的大腦活動透過腦電圖（EEG）記錄，該技術需在頭皮上放置電極。\\n\\n參與者使用的指令包括請AI總結論文問題、尋找資料來源，以及改善語法和風格。\\n\\n[Skip 熱讀 and continue reading](https://www.bbc.com/zhongwen/articles/cjdr4ekxezpo/trad#end-of-recommendations)\\n\\n**熱讀**\\n\\n- \\n\\n\\n\\n\\n\\n\\n\\n[倫敦香港經貿辦案判刑：衛志樑監禁十年、袁松彪八年](https://www.bbc.com/zhongwen/articles/c0lyn1zep14o/trad)\\n\\n- \\n\\n\\n\\n\\n\\n\\n\\n[日菲啓動EEZ劃界談判後續：中國海警東進，北京為何稱對台「近海治理」成功](https://www.bbc.com/zhongwen/articles/c24y1ep146lo/trad)\\n\\n- \\n\\n\\n\\n\\n\\n\\n\\n[FIFA世界盃2026：賽程及比分即時更新](https://www.bbc.com/zhongwen/articles/cx211w7zkkeo/trad)\\n\\n- \\n\\n\\n\\n\\n\\n\\n\\n[球迷打掃世界盃球場，家務沉重的日本妻子們看不下去了：雙標嗎？](https://www.bbc.com/zhongwen/articles/cy5ve9v7r92o/trad)\\n\\n\\nEnd of 熱讀\\n\\nAI也被用來生成和闡述想法——但有些使用者認為AI在這方面表現不佳。\\n\\n## 「AI讓找到答案太容易」\\n\\n另一邊，卡內基梅隆大學（Carnegie Mellon University）與微軟（Copilot的營運方）進行了一項研究，發現如果人們過度依賴AI，他們解決問題的能力可能會下降。\\n\\n研究團隊調查了319名每週至少使用一次AI工具工作的白領，了解他們在使用AI時如何運用批判性思維。\\n\\n他們分析了900個給AI的任務範例，從分析資料以獲取新見解，到檢查作品是否符合特定規範。\\n\\n這項研究發現，對AI工具完成任務能力的信心與「批判性思維努力減少」有關。\\n\\n「雖然生成式AI可以提高工作效率，但它可能抑制對工作的批判性投入，並可能導致長期過度依賴工具，削弱獨立解決問題的能力。」\\n\\n英國的學童也在牛津大學出版社於10月發表的一項研究中接受調查。\\n\\n結果顯示，六成學生認為AI對他們學習技能產生負面影響。\\n\\n那麼，隨著AI使用的爆炸式增長，我們的認知能力是否面臨衰退的風險？\\n\\n\\n\\n圖像來源，Klaus Vedfelt/Getty\\n\\n圖像加註文字，牛津大學出版社的一項調查發現，十名學童中有六名認為AI對他們的技能產生了負面影響。\\n\\n參與了該學童調查的牛津大學出版社生成式AI專家亞歷桑德拉·托梅斯庫 （Alexandra Tomescu）博士說，不一定。\\n\\n「我們的研究顯示，九成學生認為AI幫助他們至少提升了一項和學校作業相關的技能——無論是解決問題、創造力還是複習。」\\n\\n「但同時，大約四分之一的學生表示，AI讓完成作業變得太容易……所以這是一個相當微妙的情況。」\\n\\n她補充說，很多學生希望獲得更多關於如何使用AI的指導。\\n\\nChatGPT執行長山姆·阿爾特曼（Sam Altman）表示，該平台每週活躍用戶超過8億，並已發佈100個指令，幫助學生充分利用該技術。\\n\\n但倫敦大學學院（UCL）人工只能與教育批判研究專家韋恩‧霍姆斯教授（Prof Wayne Holmes）認為，這還不夠。\\n\\n他希望在鼓勵學生使用AI工具之前，能有更多關於AI對學習影響的學術研究。\\n\\n他向我們表示：「目前沒有大規模的獨立證據證明這些工具在教育中的有效性、安全性，甚至它們是否真的有正面影響。」\\n\\n## 更好的分數，但更差的學習？\\n\\n霍姆斯教授指出，有關「認知萎縮」的研究顯示，人類在使用AI後，能力和技能可能會下降。\\n\\n他說，這在使用AI工具協助解讀X光片的放射科醫生中已成為問題。\\n\\n哈佛醫學院去年發表的一項研究發現，AI協助確實提高了部分臨床醫生的表現，但卻損害了其他人的表現，原因尚不清楚。\\n\\n研究作者呼籲，應進一步研究人類與AI的互動，以找出能「提升人類表現而非損害它」的使用方式。\\n\\n霍姆斯教授擔心，學生無論在中小學或大學，可能過度依賴AI完成作業，而未能培養教育應提供的基本技能。\\n\\n學生的論文可能因AI幫助而獲得更高分，但問題在於他們是否理解得更少。\\n\\n霍姆斯教授說：「他們的成績更好，但實際上學得更差。」\\n\\nChatGPT的母公司OpenAI的國際教育主管、幫助公司與牛津大學達成合作的傑娜·德瓦尼（Jayna Devani）表示，公司「非常清楚當前的討論」。\\n\\n\\n\\n圖像加註文字，牛津大學自九月起開始為學生和教職員免費提供ChatGPT。\\n\\n她向BBC表示：「我們絕對認為學生不應該使用ChatGPT來承擔任務。」\\n\\n在她看來，ChatGPT最好用作導師，而不是單純的答案提供者。\\n\\n她舉例說，學生可以使用ChatGPT的學習模式進行互動，輸入自己難以回答的問題，讓聊天機器人拆解問題並幫助理解。\\n\\n她舉的例子是一名學生深夜在做一個自己不太理解的作業：\\n\\n「如果你有一個即將到來的報告要做，而現在已經是午夜，你不會去發郵件給大學導師求助。」她說。\\n\\n「我認為，當ChatGPT以針對性的方式使用時，它確實有加速學習的潛力。」\\n\\n但霍姆斯教授強調，任何使用AI工具的學生都應了解其推理方式，以及提供這些工具的公司如何處理數據，並且對結果必須檢查。\\n\\n「它不僅僅是計算機的最新迭代版本，」他這樣形容AI的能力和影響。\\n\\n「我從不告訴我的學生，你不應該使用 AI……但我會說，我們需要了解它的各個方面，才能做出明智的決定。」\\n\\n## 更多相關內容\\n\\n- \\n\\n\\n\\n\\n\\n### [AI盛行會帶來更好的廣告，還是鋪天蓋地的「垃圾內容」？](https://www.bbc.com/zhongwen/articles/cn510ng33ryo/trad)\\n\\n2025年11月19日\\n\\n- \\n\\n\\n\\n\\n\\n### [中國網路AI微短劇爆紅 低成本高收益成新寵](https://www.bbc.com/zhongwen/articles/c4gwy79y7pzo/trad)\\n\\n2025年11月11日\\n\\n- \\n\\n\\n\\n\\n\\n### [AI會終結電話客服中心嗎？](https://www.bbc.com/zhongwen/articles/cn97878g34lo/trad)\\n\\n2025年11月3日\\n\\n- \\n\\n\\n\\n\\n\\n### [人工智能引發的裁員潮真的到來了嗎？](https://www.bbc.com/zhongwen/articles/ckgz60vd614o/trad)\\n\\n2025年10月30日\\n\\n- \\n\\n\\n\\n\\n\\n### [AI機器人「聽見我、陪伴我、回應我」，但它會誘導人自殺嗎？](https://www.bbc.com/zhongwen/articles/cd045m1lpm0o/trad)\\n\\n2025年10月28日\\n\\n- \\n\\n\\n\\n\\n\\n### [AI與人類：那些轉向人工智慧尋求約會和情感建議的人](https://www.bbc.com/zhongwen/articles/c7v1y17p807o/trad)\\n\\n2025年10月6日\\n\\n\\n## 頭條新聞\\n\\n- ### [中國「後地產時代」：地方政府從「賣地」到「做股東」的轉型成功了嗎？](https://www.bbc.com/zhongwen/articles/ce8j1rvjjvzo/trad)\\n\\n2 小時前\\n\\n- ### [伊朗和平協議影響你財務的五種可能](https://www.bbc.com/zhongwen/articles/cr7xzm1kpv5o/trad)\\n\\n8 小時前\\n\\n- ### [日菲啓動EEZ劃界談判後續：中國海警東進，北京為何稱對台「近海治理」成功](https://www.bbc.com/zhongwen/articles/c24y1ep146lo/trad)\\n\\n2026年6月18日\\n\\n\\n## 特別推薦\\n\\n- \\n\\n\\n\\n\\n\\n\\n\\n\\n\\n### [重慶虐狗風波：上百人集會抗議被清場，中國立法反虐待動物有多難？](https://www.bbc.com/zhongwen/articles/c3wye90n4djo/trad)\\n\\n2026年6月12日\\n\\n- \\n\\n\\n\\n\\n\\n\\n\\n### [全球衝擊下，為什麼美國經濟持續逆勢而上？](https://www.bbc.com/zhongwen/articles/cy04552x7r1o/trad)\\n\\n2026年6月15日\\n\\n- \\n\\n\\n\\n\\n\\n\\n\\n### [「沒想過他們這麼有錢」：台灣民間網站揭露多名立委、議員持股上億元](https://www.bbc.com/zhongwen/articles/cgqj1ndz78zo/trad)\\n\\n2026年6月12日\\n\\n- \\n\\n\\n\\n\\n\\n\\n\\n### [香港籃球教練體罰親歷者：「全部人都覺得不妥，但你又可以怎麼樣？」](https://www.bbc.com/zhongwen/articles/c621r56739no/trad)\\n\\n2026年6月11日\\n\\n- \\n\\n\\n\\n\\n\\n\\n\\n### [《嘆春風》與中國「男色經濟」：女性慾望如何變成一門生意？](https://www.bbc.com/zhongwen/articles/c4g5nnd6v3do/trad)\\n\\n2026年6月10日\\n\\n\\n## 熱門內容\\n\\n01. 1\\n\\n\\n\\n [倫敦香港經貿辦案判刑：衛志樑監禁十年、袁松彪八年](https://www.bbc.com/zhongwen/articles/c0lyn1zep14o/trad)\\n\\n02. 2\\n\\n\\n\\n [日菲啓動EEZ劃界談判後續：中國海警東進，北京為何稱對台「近海治理」成功](https://www.bbc.com/zhongwen/articles/c24y1ep146lo/trad)\\n\\n03. 3\\n\\n\\n\\n [FIFA世界盃2026：賽程及比分即時更新](https://www.bbc.com/zhongwen/articles/cx211w7zkkeo/trad)\\n\\n04. 4\\n\\n\\n\\n [球迷打掃世界盃球場，家務沉重的日本妻子們看不下去了：雙標嗎？](https://www.bbc.com/zhongwen/articles/cy5ve9v7r92o/trad)\\n\\n05. 5\\n\\n\\n\\n [美國與伊朗正式簽署協議 包含哪些內容？](https://www.bbc.com/zhongwen/articles/c17y54xx749o/trad)\\n\\n06. 6\\n\\n\\n\\n [伊朗和平協議影響你財務的五種可能](https://www.bbc.com/zhongwen/articles/cr7xzm1kpv5o/trad)\\n\\n07. 7\\n\\n\\n\\n [「我在現場。馬拉多納『上帝之手』固然經典，但他的第二個精彩入球呢？』」](https://www.bbc.com/zhongwen/articles/c3wyd6l1wjno/trad)\\n\\n08. 8\\n\\n\\n\\n [德黑蘭將美伊協議包裝成勝利，而伊朗民眾想要的是柴米油鹽](https://www.bbc.com/zhongwen/articles/c621j8z4rlno/trad)\\n\\n09. 9\\n\\n\\n\\n [世界盃攻略：48隊賽制、分組與奪冠熱門一次掌握](https://www.bbc.com/zhongwen/articles/c0q2jvpenj8o/trad)\\n\\n10. 10\\n\\n\\n\\n [一部描繪潮汕華僑的中國電影《給阿嬤的情書》為何大賣](https://www.bbc.com/zhongwen/articles/cpv3zj4lepvo/trad)\",\n \"metadata\": {\n \"article:author\": \"https://www.facebook.com/bbcworldservice/\",\n \"language\": \"zh-hant\",\n \"ogLocale\": \"zh-hant\",\n \"ogTitle\": \"AI指令是否正在損害你的思考能力？ - BBC News 中文\",\n \"robots\": \"noodp, noydir, max-image-preview:large\",\n \"mobile-web-app-capable\": \"yes\",\n \"og:title\": \"AI指令是否正在損害你的思考能力？ - BBC News 中文\",\n \"twitter:card\": \"summary_large_image\",\n \"article:modified_time\": \"2025-12-24T00:08:13.541Z\",\n \"application-name\": \"BBC News 中文\",\n \"ogUrl\": \"https://www.bbc.com/zhongwen/articles/cjdr4ekxezpo/trad\",\n \"msapplication-TileImage\": \"https://static.files.bbci.co.uk/ws/simorgh-assets/public/zhongwen/images/icons/icon-144x144.png\",\n \"og:url\": \"https://www.bbc.com/zhongwen/articles/cjdr4ekxezpo/trad\",\n \"og:image\": \"https://ichef.bbci.co.uk/news/1024/branded_zhongwen/b571/live/1a53ee20-dab1-11f0-b2d6-8b03c56348b7.jpg\",\n \"apple-mobile-web-app-title\": \"BBC News 中文\",\n \"ogSiteName\": \"BBC News 中文\",\n \"twitter:description\": \"研究發現，如果人們過度依賴AI，他們解決問題的能力可能會下降。\",\n \"description\": \"研究發現，如果人們過度依賴AI，他們解決問題的能力可能會下降。\",\n \"article:published_time\": \"2025-12-24T00:08:13.541Z\",\n \"og:locale\": \"zh-hant\",\n \"article:tag\": [\n \"ChatGPT\",\n \"教育概況\",\n \"Brain\",\n \"Google\",\n \"人工智慧\",\n \"微軟\"\n ],\n \"twitter:title\": \"AI指令是否正在損害你的思考能力？ - BBC News 中文\",\n \"og:description\": \"研究發現，如果人們過度依賴AI，他們解決問題的能力可能會下降。\",\n \"og:type\": \"article\",\n \"theme-color\": \"#B80000\",\n \"ogImage\": \"https://ichef.bbci.co.uk/news/1024/branded_zhongwen/b571/live/1a53ee20-dab1-11f0-b2d6-8b03c56348b7.jpg\",\n \"facebook-domain-verification\": \"mydfaj4vz8t5psneihy4nm6ff52fac\",\n \"og:site_name\": \"BBC News 中文\",\n \"msapplication-TileColor\": \"#B80000\",\n \"articleTag\": \"ChatGPT\",\n \"viewport\": [\n \"width=device-width\",\n \"width=device-width, initial-scale=1, minimum-scale=1\"\n ],\n \"title\": \"AI指令是否正在損害你的思考能力？ - BBC News 中文\",\n \"fb:app_id\": \"1609039196070050\",\n \"og:image:alt\": \"一名女子躺在醫療床上，頭戴連接多條電線的電極帽。背景中，一位身穿白袍的醫護人員正在檢視顯示腦部掃描影像的螢幕\",\n \"twitter:creator\": \"@bbcchinese\",\n \"twitter:image:src\": \"https://ichef.bbci.co.uk/news/1024/branded_zhongwen/b571/live/1a53ee20-dab1-11f0-b2d6-8b03c56348b7.jpg\",\n \"twitter:image:alt\": \"一名女子躺在醫療床上，頭戴連接多條電線的電極帽。背景中，一位身穿白袍的醫護人員正在檢視顯示腦部掃描影像的螢幕\",\n \"twitter:site\": \"@bbcchinese\",\n \"ogDescription\": \"研究發現，如果人們過度依賴AI，他們解決問題的能力可能會下降。\",\n \"favicon\": \"https://static.files.bbci.co.uk/ws/simorgh-assets/public/zhongwen/images/icons/icon-72x72.png\",\n \"scrapeId\": \"019edfeb-6458-772c-819f-9f7e31f062be\",\n \"sourceURL\": \"https://www.bbc.com/zhongwen/articles/cjdr4ekxezpo/trad\",\n \"url\": \"https://www.bbc.com/zhongwen/articles/cjdr4ekxezpo/trad\",\n \"statusCode\": 200,\n \"contentType\": \"text/html; charset=utf-8\",\n \"timezone\": \"America/New_York\",\n \"proxyUsed\": \"basic\",\n \"cacheState\": \"miss\",\n \"indexId\": \"ccae9def-38e4-4065-917c-694fa0aea3ed\",\n \"creditsUsed\": 1\n }\n },\n {\n \"url\": \"https://www.mofcom.gov.cn/zwgk/zcfb/art/2025/art_c29bed8111a5406ea44f363694865ac2.html\",\n \"title\": \"不可靠实体清单工作机制关于将护盾人工智能公司等6家美国企业列入 ...\",\n \"description\": \"不可靠实体清单工作机制公告2025年第8号为维护国家主权、安全和发展利益，根据《中华人民共和国对外贸易法》《中华人民共和国国家安全法》《中华人民共和国反外国制裁 ...\",\n \"position\": 8,\n \"markdown\": \"搜索搜索\\n\\n[首页](https://www.mofcom.gov.cn/index.html) _>_ [政务公开](https://www.mofcom.gov.cn/zwgk/index.html) _>_ [政策发布](https://www.mofcom.gov.cn/zwgk/zcfb/index.html)\\n\\n来源：安全与管制局\\n类型：原创 2025-04-09 19:00\\n\\n不可靠实体清单工作机制关于将护盾人工智能公司等6家美国企业列入不可靠实体清单的公告\\n\\n【发布单位】安全与管制局\\n\\n【发布文号】不可靠实体清单工作机制〔2025〕8号\\n\\n【发文日期】2025年04月09日\\n\\n\\n**不** **可** **靠** **实** **体** **清** **单** **工** **作** **机制**\\n\\n**公 告**\\n\\n2025年 第8号\\n\\n 为维护国家主权、安全和发展利益，根据《中华人民共和国对外贸易法》《中华人民共和国国家安全法》《中华人民共和国反外国制裁法》等有关法律，不可靠实体清单工作机制依据《不可靠实体清单规定》第二条、第八条和第十条等有关规定，决定将护盾人工智能公司（Shield AI,Inc.）、内华达山脉公司（Sierra Nevada Corporation）、赛博勒克斯公司（Cyberlux Corporation）、边缘自治运营公司（Edge Autonomy Operations LLC）、Group W公司（Group W）和哈德森技术公司（Hudson Technologies Co.）等6家实体列入不可靠实体清单，并采取以下处理措施：\\n\\n一、禁止上述企业从事与中国有关的进出口活动；\\n\\n二、禁止上述企业在中国境内新增投资。\\n\\n本公告未尽事宜，按《不可靠实体清单规定》执行。\\n\\n本公告自2025年4月10日12时01分起实施。\\n\\n 不可靠实体清单工作机制\\n\\n （商务部代章）\\n\\n 2025年4月9日\\n\\n[首 页](https://www.mofcom.gov.cn/)[机构设置](https://www.mofcom.gov.cn/jgsz/index.html)[新闻发布](https://www.mofcom.gov.cn/xwfb/index.html)[政务公开](https://www.mofcom.gov.cn/zwgk/index.html)[政务大厅](https://www.mofcom.gov.cn/zwdt/zwdt/index.html)[互动交流](https://www.mofcom.gov.cn/hdjl/index.html)[公共服务](https://www.mofcom.gov.cn/ggfw/index.html)[智能问答](https://gzlynew.mofcom.gov.cn/mzsm/)\\n\\n[移动端\\\\\\\\\\n](https://www.mofcom.gov.cn/fzlm/khdapp/index.html) [邮箱登录](http://mail.mofcom.gov.cn/) [关注微博](https://weibo.com/mofcom?is_hot=1) [微信公众号\\\\\\\\\\n](https://www.mofcom.gov.cn/fzlm/wxfw/index.html) [@国务院 我来说](https://liuyan.www.gov.cn/2025wwzfgzbgtjy/bmdf.html?q=swb)\",\n \"metadata\": {\n \"server\": \"/zwgk/zcfb/art/2025/art_c29bed8111a5406ea44f363694865ac2.html\",\n \"extend1\": \"0\",\n \"MakeTime\": \"2026-06-16 13:45:25\",\n \"ColId\": \"fc8bdff48fa345a48b651c1285b70b8f\",\n \"SiteIDCode\": \"bm22000001\",\n \"Author\": \"aqygzj\",\n \"viewport\": \"width=device-width, initial-scale=1\",\n \"title\": \"不可靠实体清单工作机制关于将护盾人工智能公司等6家美国企业列入不可靠实体清单的公告\",\n \"Description\": \"不可靠实体清单工作机 制公 告2025年 第8号 为维护国家主权、安全和发展利益，根据《中华人民共和国对外贸易法》《中华人民共和国国家安全法》《中华人民共和国反外国制裁法》等有关法律，不可靠实体清单工作机制依据《不可靠实体清单规定》第二条、第八条和第十条等有关规定，决定将护盾人工智能公司（Shield AI,Inc.）、内华达山脉公司（Sierra Nevada Corporation）...\",\n \"ArticleTitle\": \"不可靠实体清单工作机制关于将护盾人工智能公司等6家美国企业列入不可靠实体清单的公告\",\n \"SiteName\": \"中华人民共和国商务部\",\n \"SiteDomain\": \"www.mofcom.gov.cn\",\n \"ColumnName\": \"政策发布\",\n \"ContentSource\": \"安全与管制局\",\n \"ColumnDescription\": \"\",\n \"ColumnType\": \"政策发布\",\n \"renderer\": \"webkit\",\n \"Keywords\": \"实体,清单,可靠,公告,公司\",\n \"Url\": \"/zwgk/zcfb/art/2025/art_c29bed8111a5406ea44f363694865ac2.html\",\n \"PubDate\": \"2025-10-27 16:21\",\n \"ColumnKeywords\": \"政策发布\",\n \"scrapeId\": \"019edfeb-6458-772c-819f-a2cdf4c18455\",\n \"sourceURL\": \"https://www.mofcom.gov.cn/zwgk/zcfb/art/2025/art_c29bed8111a5406ea44f363694865ac2.html\",\n \"url\": \"https://www.mofcom.gov.cn/zwgk/zcfb/art/2025/art_c29bed8111a5406ea44f363694865ac2.html\",\n \"statusCode\": 200,\n \"contentType\": \"text/html\",\n \"proxyUsed\": \"basic\",\n \"cacheState\": \"hit\",\n \"cachedAt\": \"2026-06-16T18:36:00.177Z\",\n \"creditsUsed\": 1\n }\n },\n {\n \"url\": \"https://www.youtube.com/watch?v=HNuqzXZUcDk\",\n \"title\": \"机器人大秀实用新技能！2025世界人工智能大会亮点速览 - YouTube\",\n \"description\": \"本期节目主要内容：7月26日至28日，2025世界人工智能大会在上海举办，展览面积首次突破7万平方米，展出3000多项前沿产品，规模创历届之最。156个采购团组 ...\",\n \"position\": 9,\n \"markdown\": \"\\n# [机器人大秀实用新技能！2025世界人工智能大会亮点速览 | CCTV「新闻1+1」20250728](https://www.youtube.com/watch?v=HNuqzXZUcDk)\\n\\n**Visibility**: Public\\n**Uploaded by**: [CCTV中国中央电视台](https://www.youtube.com/@CCTV)\\n**Uploaded at**: 2025-07-29\\n**Published at**: \\n**Length**: 24:12\\n**Views**: 12292\\n**Likes**: 210\\n**Category**: News & Politics\\n\\n## Description\\n\\n```\\n本期节目主要内容：7月26日至28日，2025世界人工智能大会在上海举办，展览面积首次突破7万平方米，展出3000多项前沿产品，规模创历届之最。156个采购团组达成意向采购金额约162亿元，闭幕式上共有31个项目签约，投资额超过150亿元。\\n\\n《新闻1+1》播放列表：https://bit.ly/3MPuJfW\\n【欢迎订阅CCTV中国中央电视台频道】：https://bit.ly/3tjXkBJ\\n \\n#柴璐 #CCTV #世界人工智能大会 #人工智能\\n\\n■□其他CCTV精彩内容■□\\n《焦点访谈》播放列表：https://bit.ly/3EXVQBF\\n《面对面》播放列表：https://bit.ly/3kzg2S6\\n《三餐四季 第二季》播放列表：https://bit.ly/3PfDnGW\\n《非遗里的中国 第三季》播放列表：https://bit.ly/4grtmCn\\n《简牍探中华 第二季》播放列表：https://bit.ly/4fgYkfm\\n《中国中医药大会 第二季》播放列表：https://bit.ly/3BlJG8E\\n《城市风华录》播放列表：https://bit.ly/416YB0M\\n《宗师列传·唐宋八大家》播放列表：https://bit.ly/4aUk2UW\\n《正大综艺》播放列表：https://bit.ly/398xHg1\\n《典籍里的中国》播放列表：https://bit.ly/3kEYHHv\\n《经典咏流传》播放列表：https://bit.ly/3kIXCOZ\\n\\n■□更多精彩视频，请关注我们■□\\nCCTV春晚：https://bit.ly/CCTVGala\\nCCTV科教：https://bit.ly/CCTVScienceAndEducation\\nCCTV百家讲坛官方频道：https://bit.ly/Chinahistorytalks\\nCCTV电视剧：https://bit.ly/CCTVDRAMA\\nCCTV热播剧场：https://bit.ly/CCTVHitdrama\\nCCTV今日说法官方频道：https://bit.ly/CCTVLegalreport\\n\\n■□关注CCTV系列账号 Like us on Facebook■□\\nFacebook（中文）: https://www.facebook.com/CCTV.CH/ \\nFacebook（英文）: https://www.facebook.com/cctvcom\\n\\n■□更多精彩内容欢迎关注CCTV Global：https://global.cctv.com/\\n```\",\n \"metadata\": {\n \"twitter:app:url:ipad\": \"vnd.youtube://www.youtube.com/watch?v=HNuqzXZUcDk&feature=applinks\",\n \"requiresSubscription\": \"False\",\n \"al:android:url\": \"vnd.youtube://www.youtube.com/watch?v=HNuqzXZUcDk&feature=applinks\",\n \"og:type\": \"video.other\",\n \"og:video:width\": \"1280\",\n \"ogImage\": \"https://i.ytimg.com/vi/HNuqzXZUcDk/maxresdefault.jpg\",\n \"twitter:site\": \"@youtube\",\n \"interactionType\": [\n \"https://schema.org/LikeAction\",\n \"https://schema.org/WatchAction\"\n ],\n \"name\": [\n \"机器人大秀实用新技能！2025世界人工智能大会亮点速览 | CCTV「新闻1+1」20250728\",\n \"CCTV中国中央电视台\"\n ],\n \"twitter:title\": \"机器人大秀实用新技能！2025世界人工智能大会亮点速览 | CCTV「新闻1+1」20250728\",\n \"twitter:app:id:ipad\": \"544007664\",\n \"twitter:description\": \"本期节目主要内容：7月26日至28日，2025世界人工智能大会在上海举办，展览面积首次突破7万平方米，展出3000多项前沿产品，规模创历届之最。156个采购团组达成意向采购金额约162亿元，闭幕式上共有31个项目签约，投资额超过150亿元。《新闻1+1》播放列表：https://bit.ly/3MPuJfW【欢迎...\",\n \"ogDescription\": \"本期节目主要内容：7月26日至28日，2025世界人工智能大会在上海举办，展览面积首次突破7万平方米，展出3000多项前沿产品，规模创历届之最。156个采购团组达成意向采购金额约162亿元，闭幕式上共有31个项目签约，投资额超过150亿元。《新闻1+1》播放列表：https://bit.ly/3MPuJfW【欢迎...\",\n \"og:title\": \"机器人大秀实用新技能！2025世界人工智能大会亮点速览 | CCTV「新闻1+1」20250728\",\n \"ogTitle\": \"机器人大秀实用新技能！2025世界人工智能大会亮点速览 | CCTV「新闻1+1」20250728\",\n \"twitter:app:id:iphone\": \"544007664\",\n \"al:android:app_name\": \"YouTube\",\n \"og:video:tag\": [\n \"新闻1+1\",\n \"2025世界人工智能大会\",\n \"人工智能\",\n \"机器人\",\n \"AI\",\n \"无人驾驶\",\n \"自动驾驶\",\n \"2025世界人工智能大會\",\n \"機器人\",\n \"無人駕駛\",\n \"自動駕駛\",\n \"白岩松\",\n \"柴璐\",\n \"董倩\",\n \"深度访谈\",\n \"新闻资讯\",\n \"央视新闻\",\n \"政治\",\n \"军事\",\n \"经济\",\n \"人文\",\n \"China News\",\n \"軍事\",\n \"經濟\",\n \"爆炸新闻\",\n \"新聞\",\n \"China News Today\",\n \"World News China\",\n \"CCTV\",\n \"China Report\",\n \"China Latest\",\n \"China Breaking News\",\n \"CCTV News\",\n \"央視新聞\"\n ],\n \"og:video:url\": \"https://www.youtube.com/embed/HNuqzXZUcDk\",\n \"og:video:secure_url\": \"https://www.youtube.com/embed/HNuqzXZUcDk\",\n \"al:web:url\": \"http://www.youtube.com/watch?v=HNuqzXZUcDk&feature=applinks\",\n \"fb:app_id\": \"87741124305\",\n \"playerType\": \"HTML5 Flash\",\n \"identifier\": \"HNuqzXZUcDk\",\n \"twitter:image\": \"https://i.ytimg.com/vi/HNuqzXZUcDk/maxresdefault.jpg\",\n \"uploadDate\": \"2025-07-28T22:40:30-07:00\",\n \"twitter:player\": \"https://www.youtube.com/embed/HNuqzXZUcDk\",\n \"genre\": \"News & Politics\",\n \"height\": [\n \"720\",\n \"720\"\n ],\n \"al:ios:app_name\": \"YouTube\",\n \"twitter:app:url:iphone\": \"vnd.youtube://www.youtube.com/watch?v=HNuqzXZUcDk&feature=applinks\",\n \"twitter:app:name:ipad\": \"YouTube\",\n \"duration\": \"PT24M13S\",\n \"language\": \"en\",\n \"datePublished\": \"2025-07-28T22:40:30-07:00\",\n \"al:ios:url\": \"vnd.youtube://www.youtube.com/watch?v=HNuqzXZUcDk&feature=applinks\",\n \"twitter:app:id:googleplay\": \"com.google.android.youtube\",\n \"isFamilyFriendly\": \"true\",\n \"og:video:height\": \"720\",\n \"og:video:type\": \"text/html\",\n \"userInteractionCount\": [\n \"210\",\n \"12292\"\n ],\n \"twitter:player:height\": \"720\",\n \"al:android:package\": \"com.google.android.youtube\",\n \"og:image\": \"https://i.ytimg.com/vi/HNuqzXZUcDk/maxresdefault.jpg\",\n \"twitter:url\": \"https://www.youtube.com/watch?v=HNuqzXZUcDk\",\n \"og:description\": \"本期节目主要内容：7月26日至28日，2025世界人工智能大会在上海举办，展览面积首次突破7万平方米，展出3000多项前沿产品，规模创历届之最。156个采购团组达成意向采购金额约162亿元，闭幕式上共有31个项目签约，投资额超过150亿元。《新闻1+1》播放列表：https://bit.ly/3MPuJfW【欢迎...\",\n \"twitter:card\": \"player\",\n \"og:image:width\": \"1280\",\n \"og:image:height\": \"720\",\n \"viewport\": \"initial-scale=1, minimum-scale=1, width=device-width\",\n \"twitter:player:width\": \"1280\",\n \"og:url\": \"https://www.youtube.com/watch?v=HNuqzXZUcDk\",\n \"og:site_name\": \"YouTube\",\n \"ogUrl\": \"https://www.youtube.com/watch?v=HNuqzXZUcDk\",\n \"al:ios:app_store_id\": \"544007664\",\n \"position\": \"1\",\n \"theme-color\": \"rgba(255, 255, 255, 0.98)\",\n \"description\": \"本期节目主要内容：7月26日至28日，2025世界人工智能大会在上海举办，展览面积首次突破7万平方米，展出3000多项前沿产品，规模创历届之最。156个采购团组达成意向采购金额约162亿元，闭幕式上共有31个项目签约，投资额超过150亿元。《新闻1+1》播放列表：https://bit.ly/3MPuJfW【欢迎..., 本期节目主要内容：7月26日至28日，2025世界人工智能大会在上海举办，展览面积首次突破7万平方米，展出3000多项前沿产品，规模创历届之最。156个采购团组达成意向采购金额约162亿元，闭幕式上共有31个项目签约，投资额超过150亿元。《新闻1+1》播放列表：https://bit.ly/3MPuJfW【欢迎...\",\n \"title\": \"机器人大秀实用新技能！2025世界人工智能大会亮点速览 | CCTV「新闻1+1」20250728 - YouTube\",\n \"twitter:app:name:googleplay\": \"YouTube\",\n \"width\": [\n \"1280\",\n \"1280\"\n ],\n \"ogSiteName\": \"YouTube\",\n \"twitter:app:url:googleplay\": \"https://www.youtube.com/watch?v=HNuqzXZUcDk\",\n \"twitter:app:name:iphone\": \"YouTube\",\n \"referrer\": \"origin-when-cross-origin\",\n \"keywords\": [\n \"新闻1+1, 2025世界人工智能大会, 人工智能, 机器人, AI, 无人驾驶, 自动驾驶, 2025世界人工智能大會, 機器人, 無人駕駛, 自動駕駛, 白岩松, 柴璐, 董倩, 深度访谈, 新闻资讯, 央视新闻, 政治, 军事, 经济, 人文, China News, 軍事, 經濟, 爆炸新闻, 新聞, China News Today, World News China, CCTV, China Report, China Latest, China Breaking News, CCTV News, 央視新聞\",\n \"新闻1+1,2025世界人工智能大会,人工智能,机器人,AI,无人驾驶,自动驾驶,2025世界人工智能大會,機器人,無人駕駛,自動駕駛,白岩松,柴璐,董倩,深度访谈,新闻资讯,央视新闻,政治,军事,经济,人文,China News,軍事,經濟,爆炸新闻,新聞,China News Today,World News China,CCTV,China Report,China Latest,China Breaking News,CCTV News,央視新聞\"\n ],\n \"regionsAllowed\": \"AD,AE,AF,AG,AI,AL,AM,AO,AQ,AR,AS,AT,AU,AW,AX,AZ,BA,BB,BD,BE,BF,BG,BH,BI,BJ,BL,BM,BN,BO,BQ,BR,BS,BT,BV,BW,BY,BZ,CA,CC,CD,CF,CG,CH,CI,CK,CL,CM,CN,CO,CR,CU,CV,CW,CX,CY,CZ,DE,DJ,DK,DM,DO,DZ,EC,EE,EG,EH,ER,ES,ET,FI,FJ,FK,FM,FO,FR,GA,GB,GD,GE,GF,GG,GH,GI,GL,GM,GN,GP,GQ,GR,GS,GT,GU,GW,GY,HK,HM,HN,HR,HT,HU,ID,IE,IL,IM,IN,IO,IQ,IR,IS,IT,JE,JM,JO,JP,KE,KG,KH,KI,KM,KN,KP,KR,KW,KY,KZ,LA,LB,LC,LI,LK,LR,LS,LT,LU,LV,LY,MA,MC,MD,ME,MF,MG,MH,MK,ML,MM,MN,MO,MP,MQ,MR,MS,MT,MU,MV,MW,MX,MY,MZ,NA,NC,NE,NF,NG,NI,NL,NO,NP,NR,NU,NZ,OM,PA,PE,PF,PG,PH,PK,PL,PM,PN,PR,PS,PT,PW,PY,QA,RE,RO,RS,RU,RW,SA,SB,SC,SD,SE,SG,SH,SI,SJ,SK,SL,SM,SN,SO,SR,SS,ST,SV,SX,SY,SZ,TC,TD,TF,TG,TH,TJ,TK,TL,TM,TN,TO,TR,TT,TV,TW,TZ,UA,UG,UM,US,UY,UZ,VA,VC,VE,VG,VI,VN,VU,WF,WS,YE,YT,ZA,ZM,ZW\",\n \"favicon\": \"https://www.youtube.com/s/desktop/61baa440/img/favicon_32x32.png\",\n \"scrapeId\": \"019edfeb-6458-772c-819f-a794bf75f073\",\n \"sourceURL\": \"https://www.youtube.com/watch?v=HNuqzXZUcDk\",\n \"url\": \"https://www.youtube.com/watch?v=HNuqzXZUcDk\",\n \"statusCode\": 200,\n \"contentType\": \"text/html; charset=utf-8\",\n \"timezone\": \"America/New_York\",\n \"proxyUsed\": \"basic\",\n \"cacheState\": \"miss\",\n \"postprocessorsUsed\": [\n \"youtube\"\n ],\n \"indexId\": \"ca633639-69a2-4fe2-afad-69bf41d36a9e\",\n \"creditsUsed\": 1\n }\n },\n {\n \"url\": \"https://news.un.org/zh/story/2026/06/1142260\",\n \"title\": \"联合国大学报告：人工智能快速扩张正加剧能源、水资源和土地压力\",\n \"description\": \"联合国大学最新发布的一份研究报告警告，随着人工智能技术迅速发展，支撑其运行的数据中心正对能源、水资源和土地带来日益增长的压力。\",\n \"position\": 10,\n \"markdown\": \"[跳至主要内容/导航](https://news.un.org/zh/story/2026/06/1142260#main-content)\\n\\n[](https://news.un.org/zh/ \\\"United Nations\\\")\\n\\n[联合国新闻](https://news.un.org/zh/ \\\"联合国新闻\\\")\\n\\n全球视野, 常人故事\\n\\n\\n搜索\\n\\n搜索\\n\\n[高级搜索](https://news.un.org/zh/advanced-search)\\n\\n[联合国新闻](https://news.un.org/zh/ \\\"联合国新闻\\\")\\n\\n全球视野, 常人故事\\n\\n\\n# 联合国大学报告：人工智能快速扩张正加剧能源、水资源和土地压力\\n\\n\\n\\n版权所有 Unsplash/努曼阿里人工智能技术正在迅速发展。\\n\\n[Weibo](https://service.weibo.com/share/share.php?url=https://news.un.org/zh/story/2026/06/1142260&title=%E8%81%94%E5%90%88%E5%9B%BD%E5%A4%A7%E5%AD%A6%E6%8A%A5%E5%91%8A%EF%BC%9A%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E5%BF%AB%E9%80%9F%E6%89%A9%E5%BC%A0%E6%AD%A3%E5%8A%A0%E5%89%A7%E8%83%BD%E6%BA%90%E3%80%81%E6%B0%B4%E8%B5%84%E6%BA%90%E5%92%8C%E5%9C%9F%E5%9C%B0%E5%8E%8B%E5%8A%9B \\\"Share this via Weibo (opens in a new window)\\\") [Twitter](https://twitter.com/intent/tweet?text=%E8%81%94%E5%90%88%E5%9B%BD%E5%A4%A7%E5%AD%A6%E6%8A%A5%E5%91%8A%EF%BC%9A%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E5%BF%AB%E9%80%9F%E6%89%A9%E5%BC%A0%E6%AD%A3%E5%8A%A0%E5%89%A7%E8%83%BD%E6%BA%90%E3%80%81%E6%B0%B4%E8%B5%84%E6%BA%90%E5%92%8C%E5%9C%9F%E5%9C%B0%E5%8E%8B%E5%8A%9B&url=https://news.un.org/zh/story/2026/06/1142260 \\\"Share this via Twitter (opens in a new window)\\\") [打印](https://news.un.org/zh/story/2026/06/1142260 \\\"Share this via 打印\\\") [电子邮件](mailto:?subject=%E8%81%94%E5%90%88%E5%9B%BD%E5%A4%A7%E5%AD%A6%E6%8A%A5%E5%91%8A%EF%BC%9A%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E5%BF%AB%E9%80%9F%E6%89%A9%E5%BC%A0%E6%AD%A3%E5%8A%A0%E5%89%A7%E8%83%BD%E6%BA%90%E3%80%81%E6%B0%B4%E8%B5%84%E6%BA%90%E5%92%8C%E5%9C%9F%E5%9C%B0%E5%8E%8B%E5%8A%9B&body=https://news.un.org/zh/story/2026/06/1142260 \\\"Share this via 电子邮件\\\")\\n\\n# 联合国大学报告：人工智能快速扩张正加剧能源、水资源和土地压力\\n\\n2026年6月3日[经济发展](https://news.un.org/zh/news/topic/economic-development)\\n\\n[联合国大学](https://unu.edu/ \\\"(opens in a new window)\\\") 最新发布的一份研究报告警告，随着人工智能技术迅速发展，支撑其运行的数据中心正对能源、水资源和土地带来日益增长的压力。报告指出，到2030年，全球数据中心用电需求预计将达到945太瓦时，其相关用水量将相当于13亿人一年的基本生活用水需求，而土地占用面积将超过14500平方公里。\\n\\n联合国大学水、环境与健康研究所周三发布题为《人工智能能耗的环境成本：碳、水和土地足迹》的报告，对人工智能基础设施产生的碳足迹、水足迹和土地足迹进行了量化分析。\\n\\n#### 人工智能环境成本被低估\\n\\n报告指出，目前有关人工智能环境影响的评估大多聚焦于模型训练过程中的碳排放，但这并不足以反映其整体环境成本。\\n\\n研究发现，人工智能每消耗1千瓦时电力，不仅会产生碳排放，还会带来冷却和发电过程中的水资源消耗，以及能源基础设施和供应链所占用的土地资源。三种环境足迹之间并不总是同步变化。例如，从煤炭转向生物能源可大幅降低碳足迹，但同时可能显著增加水资源和土地需求。\\n\\n联合国大学水、环境与健康研究所所长马达尼表示：“这份报告并非反对人工智能。这项技术变革正在改善全球数十亿人的生活。报告旨在呼吁负责任地使用人工智能，并主动应对其意想不到的影响，以确保其可持续发展和公平性。”\\n\\n报告显示，2025年全球数据中心耗电量估计达到448太瓦时。若将其视为一个国家，其耗电量将位居全球前列。预计到2030年，数据中心电力需求将增至945太瓦时，约占全球电力消费总量的3%。\\n\\n#### 推理阶段成为主要能耗来源\\n\\n报告指出，公众普遍关注训练大型人工智能模型所需的能源消耗，但模型部署后的“推理”过程已成为主要能耗来源。\\n\\n研究显示，推理环节占人工智能总能耗的80%至90%。仅ChatGPT每天处理的提示请求估计约达25亿次，对应年耗电量约383吉瓦时。\\n\\n报告指出，不同人工智能任务之间的能耗差异巨大。典型聊天查询的能耗约为基础文本分类任务的200倍；生成一张人工智能图像的能耗约为后者的1450倍；生成一段短视频的能耗则相当于20万次垃圾邮件分类任务。\\n\\n研究人员警告，随着模型效率提高和成本下降，使用量往往同步增长，从而抵消节能收益。这种现象被称为“反弹效应”或“杰文斯悖论”。\\n\\n马达尼表示：“更高效、更经济的人工智能和能源意味着人工智能消耗量增加，导致整体生态足迹远大于通过效率提升所节省的部分。”\\n\\n\\n\\n© Unsplash广告中的人工智能可能加速全球信息完整性危机。\\n\\n#### 环境负担与收益分布不均\\n\\n报告指出，人工智能基础设施扩张带来的收益与环境负担在全球范围内分布并不均衡。\\n\\n研究列举多个案例显示，一些地区正承受人工智能基础设施快速扩张带来的资源压力。在爱尔兰，2023年数据中心耗电量占全国计量用电量的21%；在墨西哥克雷塔罗，数据中心扩张正加剧当地水资源压力；在乌拉圭，一项大型数据中心项目建设曾引发有关淡水资源供应的担忧。\\n\\n报告还指出，到2030年，人工智能基础设施每年可能产生多达250万吨电子废弃物，而关键矿物开采和电子废弃物处理往往集中于环境监管较弱的发展中国家。\\n\\n联合国大学研究人员表示，一些承担资源消耗和环境成本的社区，并非人工智能技术主要受益者，这种不对称现象引发环境公平问题。\\n\\n#### 全球算力高度集中\\n\\n报告显示，目前全球仅有32个国家拥有专门的人工智能数据中心，超过90%的人工智能专用云计算资源集中在美国和中国两国。\\n\\n与此同时，全球150多个国家几乎没有自主人工智能计算能力。\\n\\n联合国大学校长兼联合国副秘书长马瓦拉表示：“人工智能基础设施在世界特权地区的集中发展正在造成巨大的数字鸿沟，这对人工智能的公平发展构成了深刻挑战。”\\n\\n他指出，人工智能能够促进繁荣与人类福祉，但能否公平实现这些目标已成为治理问题，而不仅仅是技术问题。\\n\\n#### 建立负责任的人工智能治理框架\\n\\n报告提出，应建立基于透明度、设计效率、公平与环境正义、生命周期责任、全球合作以及可持续利用六项原则的人工智能治理框架。\\n\\n报告建议，各国政府应将人工智能基础设施纳入能源规划、水资源治理和土地使用管理体系，并建立统一的环境足迹披露标准；企业应将模型选择和产品设计纳入环境影响考量；国际机构则应推动统一测量标准，并支持缺乏人工智能计算能力国家的发展。\\n\\n报告强调，仅关注碳排放已不足以评估人工智能的环境影响，未来需要同时关注碳足迹、水足迹和土地足迹，以确保人工智能发展保持在地球资源承载能力范围内。\\n\\n直接通过您的邮箱接收每日更新 [**点击此处订阅相关主题**](https://news.un.org/zh/content/un-newsletter-subscribe?utm_source=UN%20News&utm_medium=email&utm_campaign=un_news_newsletter)\\n\\n下载适用于您的 [**iOS**](https://itunes.apple.com/us/app/un-news-reader/id496893005?mt=8 \\\"(opens in a new window)\\\") 或 [**Android**](https://play.google.com/store/apps/details?id=org.un.mobile.news&hl=en \\\"(opens in a new window)\\\") 设备的联合国新闻应用程序\\n\\n- [人工智能](https://news.un.org/zh/tags/rengongzhineng)\\n- [联合国大学](https://news.un.org/zh/tags/lianheguodaxue)\\n\\n[Weibo](https://service.weibo.com/share/share.php?url=https://news.un.org/zh/story/2026/06/1142260&title=%E8%81%94%E5%90%88%E5%9B%BD%E5%A4%A7%E5%AD%A6%E6%8A%A5%E5%91%8A%EF%BC%9A%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E5%BF%AB%E9%80%9F%E6%89%A9%E5%BC%A0%E6%AD%A3%E5%8A%A0%E5%89%A7%E8%83%BD%E6%BA%90%E3%80%81%E6%B0%B4%E8%B5%84%E6%BA%90%E5%92%8C%E5%9C%9F%E5%9C%B0%E5%8E%8B%E5%8A%9B \\\"Share this via Weibo (opens in a new window)\\\") [Twitter](https://twitter.com/intent/tweet?text=%E8%81%94%E5%90%88%E5%9B%BD%E5%A4%A7%E5%AD%A6%E6%8A%A5%E5%91%8A%EF%BC%9A%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E5%BF%AB%E9%80%9F%E6%89%A9%E5%BC%A0%E6%AD%A3%E5%8A%A0%E5%89%A7%E8%83%BD%E6%BA%90%E3%80%81%E6%B0%B4%E8%B5%84%E6%BA%90%E5%92%8C%E5%9C%9F%E5%9C%B0%E5%8E%8B%E5%8A%9B&url=https://news.un.org/zh/story/2026/06/1142260 \\\"Share this via Twitter (opens in a new window)\\\") [打印](https://news.un.org/zh/story/2026/06/1142260 \\\"Share this via 打印\\\") [电子邮件](mailto:?subject=%E8%81%94%E5%90%88%E5%9B%BD%E5%A4%A7%E5%AD%A6%E6%8A%A5%E5%91%8A%EF%BC%9A%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E5%BF%AB%E9%80%9F%E6%89%A9%E5%BC%A0%E6%AD%A3%E5%8A%A0%E5%89%A7%E8%83%BD%E6%BA%90%E3%80%81%E6%B0%B4%E8%B5%84%E6%BA%90%E5%92%8C%E5%9C%9F%E5%9C%B0%E5%8E%8B%E5%8A%9B&body=https://news.un.org/zh/story/2026/06/1142260 \\\"Share this via 电子邮件\\\")\",\n \"metadata\": {\n \"rights\": \"COPYRIGHT © UNITED NATIONS\",\n \"og:title\": \"联合国大学报告：人工智能快速扩张正加剧能源、水资源和土地压力\",\n \"twitter:title\": \"联合国大学报告：人工智能快速扩张正加剧能源、水资源和土地压力\",\n \"twitter:creator\": \"@UN_News_Centre\",\n \"ogSiteName\": \"联合国新闻\",\n \"og:url\": \"https://news.un.org/zh/story/2026/06/1142260\",\n \"apple-itunes-app\": \"app-id=496893005\",\n \"apple-mobile-web-app-title\": \"UN News Reader\",\n \"al:ipad:app_name\": \"UN News Reader\",\n \"al:iphone:app_store_id\": \"496893005\",\n \"twitter:app:id:googleplay\": \"org.un.mobile.news\",\n \"ogImage\": \"https://global.unitednations.entermediadb.net/assets/mediadb/services/module/asset/downloads/preset/Collections/Graphics%20Library/19-02-2026-Unsplash-artificial-intel-05.jpg/image770x420cropped.jpg\",\n \"ogTitle\": \"联合国大学报告：人工智能快速扩张正加剧能源、水资源和土地压力\",\n \"ogUrl\": \"https://news.un.org/zh/story/2026/06/1142260\",\n \"al:android:app_name\": \"UN News Reader\",\n \"og:description\": \"联合国大学最新发布的一份研究报告警告，随着人工智能技术迅速发展，支撑其运行的数据中心正对能源、水资源和土地带来日益增长的压力。报告指出，到2030年，全球数据中心用电需求预计将达到945太瓦时，其相关用水量将相当于13亿人一年的基本生活用水需求，而土地占用面积将超过14500平方公里。\",\n \"twitter:description\": \"联合国大学最新发布的一份研究报告警告，随着人工智能技术迅速发展，支撑其运行的数据中心正对能源、水资源和土地带来日益增长的压力。报告指出，到2030年，全球数据中心用电需求预计将达到945太瓦时，其相关用水量将相当于13亿人一年的基本生活用水需求，而土地占用面积将超过14500平方公里。\",\n \"msvalidate.01\": \"4810E42D0C6EFA40969557F307A275F0\",\n \"article:modified_time\": \"2026-06-03T13:45:01-04:00\",\n \"twitter:site\": \"@UN_News_Centre\",\n \"al:iphone:app_name\": \"UN News Reader\",\n \"article:published_time\": \"2026-06-03T13:45:01-04:00\",\n \"description\": \"联合国大学最新发布的一份研究报告警告，随着人工智能技术迅速发展，支撑其运行的数据中心正对能源、水资源和土地带来日益增长的压力。报告指出，到2030年，全球数据中心用电需求预计将达到945太瓦时，其相关用水量将相当于13亿人一年的基本生活用水需求，而土地占用面积将超过14500平方公里。 |\",\n \"al:android:package\": \"org.un.mobile.news\",\n \"twitter:app:name:ipad\": \"UN News Reader\",\n \"og:image\": \"https://global.unitednations.entermediadb.net/assets/mediadb/services/module/asset/downloads/preset/Collections/Graphics%20Library/19-02-2026-Unsplash-artificial-intel-05.jpg/image770x420cropped.jpg\",\n \"og:type\": \"article\",\n \"twitter:image\": \"https://global.unitednations.entermediadb.net/assets/mediadb/services/module/asset/downloads/preset/Collections/Graphics%20Library/19-02-2026-Unsplash-artificial-intel-05.jpg/image770x420cropped.jpg\",\n \"google-site-verification\": \"LKspUbfye0GUGtlKqeTr01z0qRp1cUO7DtBekw7n5Ek\",\n \"format-detection\": \"telephone=no\",\n \"al:ios:app_store_id\": \"496893005\",\n \"twitter:app:id:ipad\": \"496893005\",\n \"og:site_name\": \"联合国新闻\",\n \"MobileOptimized\": \"width\",\n \"modifiedTime\": \"2026-06-03T13:45:01-04:00\",\n \"title\": \"联合国大学报告：人工智能快速扩张正加剧能源、水资源和土地压力 | | 1联合国新闻\",\n \"ogDescription\": \"联合国大学最新发布的一份研究报告警告，随着人工智能技术迅速发展，支撑其运行的数据中心正对能源、水资源和土地带来日益增长的压力。报告指出，到2030年，全球数据中心用电需求预计将达到945太瓦时，其相关用水量将相当于13亿人一年的基本生活用水需求，而土地占用面积将超过14500平方公里。\",\n \"al:ios:app_name\": \"UN News Reader\",\n \"viewport\": \"width=device-width, initial-scale=1, shrink-to-fit=no\",\n \"al:ipad:app_store_id\": \"496893005\",\n \"og:updated_time\": \"2026-06-03T13:45:01-04:00\",\n \"twitter:card\": \"summary_large_image\",\n \"publishedTime\": \"2026-06-03T13:45:01-04:00\",\n \"twitter:app:name:iphone\": \"UN News Reader\",\n \"twitter:app:id:iphone\": \"496893005\",\n \"twitter:app:name:googleplay\": \"UN News Reader\",\n \"HandheldFriendly\": \"true\",\n \"language\": \"zh-hans\",\n \"favicon\": \"https://news.un.org/zh/themes/custom/un_base_theme/favicon.ico\",\n \"scrapeId\": \"019edfeb-6458-772c-819f-aab1c9b446e6\",\n \"sourceURL\": \"https://news.un.org/zh/story/2026/06/1142260\",\n \"url\": \"https://news.un.org/zh/story/2026/06/1142260\",\n \"statusCode\": 200,\n \"contentType\": \"text/html; charset=UTF-8\",\n \"proxyUsed\": \"basic\",\n \"cacheState\": \"hit\",\n \"cachedAt\": \"2026-06-19T10:04:27.587Z\",\n \"creditsUsed\": 1\n }\n }\n ]\n}"}],"details":{"mode":"call","mcpResult":{"content":[{"type":"text","text":"{\n \"web\": [\n {\n \"url\": \"https://podcasts.apple.com/gb/podcast/2025%E5%B9%B46%E6%9C%8819%E6%97%A5ai%E8%A6%81%E9%97%BB/id1814837255?i=1000713515951\",\n \"title\": \"2025年6月19日AI要闻\",\n \"description\": \"2025年6月19日人工智能领域的最新进展与趋势。文章详细介绍了 技术突破与产品发布，包括OpenAI即将推出的GPT-5，Midjourney和字节跳动在视频生成工具 ...\",\n \"position\": 1,\n \"markdown\": \"\\n\\n- 18 June 2025\\n- 8 min\\n\\n# 2025年6月19日AI要闻\\n\\n[AI那些事儿：每日 10 分钟AI科技解读](https://podcasts.apple.com/gb/podcast/ai%E9%82%A3%E4%BA%9B%E4%BA%8B%E5%84%BF-%E6%AF%8F%E6%97%A5-10-%E5%88%86%E9%92%9Fai%E7%A7%91%E6%8A%80%E8%A7%A3%E8%AF%BB/id1814837255)\\n\\nPlay\\n\\n2025年6月19日人工智能领域的最新进展与趋势。文章详细介绍了 技术突破与产品发布，包括OpenAI即将推出的GPT-5，Midjourney和字节跳动在视频生成工具方面的创新，以及YouTube的Veo 3模型。同时，它也分析了 行业动态与市场趋势，如智能眼镜市场的显著增长和NVIDIA为中国市场推出的定制显卡。此外，文中还探讨了 学术研究对AI产业的影响，例如MIT关于ChatGPT认知副作用的研究和特斯拉HW5芯片的量产，并提及了 企业战略调整，如微软的裁员以及AI模型在博士挑战赛中的表现。最后，文章总结了 多模态融合、硬件迭代以及伦理合规 这三大未来发展方向。\\n\\n[Episode Webpage](https://www.ximalaya.com/sound/872574850)\\n\\n- Show\\n\\n[AI那些事儿：每日 10 分钟AI科技解读](https://podcasts.apple.com/gb/podcast/ai%E9%82%A3%E4%BA%9B%E4%BA%8B%E5%84%BF-%E6%AF%8F%E6%97%A5-10-%E5%88%86%E9%92%9Fai%E7%A7%91%E6%8A%80%E8%A7%A3%E8%AF%BB/id1814837255)\\n\\n- Frequency\\n\\nUpdated twice weekly\\n\\n- Published\\n\\n19 June 2025 at 02:48 UTC\\n\\n- Length\\n\\n8 min\\n\\n- Episode\\n\\n6\\n\\n- Rating\\n\\nClean\\n\\n\\n# Content Restricted\\n\\nThis episode cannot be played on the web in your country or region.\\n\\nOK\\n\\nTo listen to explicit episodes, sign in.\\n\\nSign In\\n\\n\\n\\nStay up to date with this show\\n\\nSign in or sign up to follow shows, save episodes and get the latest updates.\\n\\nSign In\\n\\nChoose another country to see content specific to your location\\n\\nUnited StatesContinue\\n\\nSelect a country or region\\n\\n## Africa, Middle East, and India\\n\\nSee All\\n\\n- [Algeria](https://podcasts.apple.com/dz/new)\\n- [Angola](https://podcasts.apple.com/ao/new)\\n- [Armenia](https://podcasts.apple.com/am/new)\\n- [Azerbaijan](https://podcasts.apple.com/az/new)\\n- [Bahrain](https://podcasts.apple.com/bh/new)\\n- [Benin](https://podcasts.apple.com/bj/new)\\n- [Botswana](https://podcasts.apple.com/bw/new)\\n- [Burkina Faso](https://podcasts.apple.com/bf/new)\\n- [Cameroun](https://podcasts.apple.com/cm/new)\\n- [Cape Verde](https://podcasts.apple.com/cv/new)\\n- [Chad](https://podcasts.apple.com/td/new)\\n- [Côte d’Ivoire](https://podcasts.apple.com/ci/new)\\n- [Congo, The Democratic Republic Of The](https://podcasts.apple.com/cd/new)\\n- [Egypt](https://podcasts.apple.com/eg/new)\\n- [Eswatini](https://podcasts.apple.com/sz/new)\\n- [Gabon](https://podcasts.apple.com/ga/new)\\n- [Gambia](https://podcasts.apple.com/gm/new)\\n- [Ghana](https://podcasts.apple.com/gh/new)\\n- [Guinea-Bissau](https://podcasts.apple.com/gw/new)\\n- [India](https://podcasts.apple.com/in/new)\\n- [Iraq](https://podcasts.apple.com/iq/new)\\n- [Israel](https://podcasts.apple.com/il/new)\\n- [Jordan](https://podcasts.apple.com/jo/new)\\n- [Kenya](https://podcasts.apple.com/ke/new)\\n- [Kuwait](https://podcasts.apple.com/kw/new)\\n- [Lebanon](https://podcasts.apple.com/lb/new)\\n- [Liberia](https://podcasts.apple.com/lr/new)\\n- [Libya](https://podcasts.apple.com/ly/new)\\n- [Madagascar](https://podcasts.apple.com/mg/new)\\n- [Malawi](https://podcasts.apple.com/mw/new)\\n- [Mali](https://podcasts.apple.com/ml/new)\\n- [Mauritania](https://podcasts.apple.com/mr/new)\\n- [Mauritius](https://podcasts.apple.com/mu/new)\\n- [Morocco](https://podcasts.apple.com/ma/new)\\n- [Mozambique](https://podcasts.apple.com/mz/new)\\n- [Namibia](https://podcasts.apple.com/na/new)\\n- [Niger (English)](https://podcasts.apple.com/ne/new)\\n- [Nigeria](https://podcasts.apple.com/ng/new)\\n- [Oman](https://podcasts.apple.com/om/new)\\n- [Qatar](https://podcasts.apple.com/qa/new)\\n- [Congo, Republic of](https://podcasts.apple.com/cg/new)\\n- [Rwanda](https://podcasts.apple.com/rw/new)\\n- [São Tomé and Príncipe](https://podcasts.apple.com/st/new)\\n- [Saudi Arabia](https://podcasts.apple.com/sa/new)\\n- [Senegal](https://podcasts.apple.com/sn/new)\\n- [Seychelles](https://podcasts.apple.com/sc/new)\\n- [Sierra Leone](https://podcasts.apple.com/sl/new)\\n- [South Africa](https://podcasts.apple.com/za/new)\\n- [Sri Lanka](https://podcasts.apple.com/lk/new)\\n- [Tajikistan](https://podcasts.apple.com/tj/new)\\n- [Tanzania, United Republic Of](https://podcasts.apple.com/tz/new)\\n- [Tunisia](https://podcasts.apple.com/tn/new)\\n- [Turkmenistan](https://podcasts.apple.com/tm/new)\\n- [United Arab Emirates](https://podcasts.apple.com/ae/new)\\n- [Uganda](https://podcasts.apple.com/ug/new)\\n- [Yemen](https://podcasts.apple.com/ye/new)\\n- [Zambia](https://podcasts.apple.com/zm/new)\\n- [Zimbabwe](https://podcasts.apple.com/zw/new)\\n\\n## Asia Pacific\\n\\nSee All\\n\\n- [Afghanistan](https://podcasts.apple.com/af/new)\\n- [Australia](https://podcasts.apple.com/au/new)\\n- [Bhutan](https://podcasts.apple.com/bt/new)\\n- [Brunei Darussalam](https://podcasts.apple.com/bn/new)\\n- [Cambodia](https://podcasts.apple.com/kh/new)\\n- [中国大陆](https://podcasts.apple.com/cn/new)\\n- [Fiji](https://podcasts.apple.com/fj/new)\\n- [香港](https://podcasts.apple.com/hk/new)\\n- [Indonesia (English)](https://podcasts.apple.com/id/new)\\n- [日本](https://podcasts.apple.com/jp/new)\\n- [Kazakhstan](https://podcasts.apple.com/kz/new)\\n- [대한민국](https://podcasts.apple.com/kr/new)\\n- [Kyrgyzstan](https://podcasts.apple.com/kg/new)\\n- [Lao People's Democratic Republic](https://podcasts.apple.com/la/new)\\n- [澳門](https://podcasts.apple.com/mo/new)\\n- [Malaysia (English)](https://podcasts.apple.com/my/new)\\n- [Maldives](https://podcasts.apple.com/mv/new)\\n- [Micronesia, Federated States of](https://podcasts.apple.com/fm/new)\\n- [Mongolia](https://podcasts.apple.com/mn/new)\\n- [Myanmar](https://podcasts.apple.com/mm/new)\\n- [Nauru](https://podcasts.apple.com/nr/new)\\n- [Nepal](https://podcasts.apple.com/np/new)\\n- [New Zealand](https://podcasts.apple.com/nz/new)\\n- [Pakistan](https://podcasts.apple.com/pk/new)\\n- [Palau](https://podcasts.apple.com/pw/new)\\n- [Papua New Guinea](https://podcasts.apple.com/pg/new)\\n- [Philippines](https://podcasts.apple.com/ph/new)\\n- [Singapore](https://podcasts.apple.com/sg/new)\\n- [Solomon Islands](https://podcasts.apple.com/sb/new)\\n- [台灣](https://podcasts.apple.com/tw/new)\\n- [Thailand](https://podcasts.apple.com/th/new)\\n- [Tonga](https://podcasts.apple.com/to/new)\\n- [Turkmenistan](https://podcasts.apple.com/tm/new)\\n- [Uzbekistan](https://podcasts.apple.com/uz/new)\\n- [Vanuatu](https://podcasts.apple.com/vu/new)\\n- [Vietnam](https://podcasts.apple.com/vn/new)\\n\\n## Europe\\n\\nSee All\\n\\n- [Albania](https://podcasts.apple.com/al/new)\\n- [Armenia](https://podcasts.apple.com/am/new)\\n- [Österreich](https://podcasts.apple.com/at/new)\\n- [Belarus](https://podcasts.apple.com/by/new)\\n- [Belgium](https://podcasts.apple.com/be/new)\\n- [Bosnia and Herzegovina](https://podcasts.apple.com/ba/new)\\n- [Bulgaria](https://podcasts.apple.com/bg/new)\\n- [Croatia](https://podcasts.apple.com/hr/new)\\n- [Cyprus](https://podcasts.apple.com/cy/new)\\n- [Czechia](https://podcasts.apple.com/cz/new)\\n- [Denmark](https://podcasts.apple.com/dk/new)\\n- [Estonia](https://podcasts.apple.com/ee/new)\\n- [Finland](https://podcasts.apple.com/fi/new)\\n- [France (Français)](https://podcasts.apple.com/fr/new)\\n- [Georgia](https://podcasts.apple.com/ge/new)\\n- [Deutschland](https://podcasts.apple.com/de/new)\\n- [Greece](https://podcasts.apple.com/gr/new)\\n- [Hungary](https://podcasts.apple.com/hu/new)\\n- [Iceland](https://podcasts.apple.com/is/new)\\n- [Ireland](https://podcasts.apple.com/ie/new)\\n- [Italia](https://podcasts.apple.com/it/new)\\n- [Kosovo](https://podcasts.apple.com/xk/new)\\n- [Latvia](https://podcasts.apple.com/lv/new)\\n- [Lithuania](https://podcasts.apple.com/lt/new)\\n- [Luxembourg (English)](https://podcasts.apple.com/lu/new)\\n- [Malta](https://podcasts.apple.com/mt/new)\\n- [Moldova, Republic Of](https://podcasts.apple.com/md/new)\\n- [Montenegro](https://podcasts.apple.com/me/new)\\n- [Nederland](https://podcasts.apple.com/nl/new)\\n- [North Macedonia](https://podcasts.apple.com/mk/new)\\n- [Norway](https://podcasts.apple.com/no/new)\\n- [Poland](https://podcasts.apple.com/pl/new)\\n- [Portugal (Português)](https://podcasts.apple.com/pt/new)\\n- [Romania](https://podcasts.apple.com/ro/new)\\n- [Россия](https://podcasts.apple.com/ru/new)\\n- [Serbia](https://podcasts.apple.com/rs/new)\\n- [Slovakia](https://podcasts.apple.com/sk/new)\\n- [Slovenia](https://podcasts.apple.com/si/new)\\n- [España](https://podcasts.apple.com/es/new)\\n- [Sverige](https://podcasts.apple.com/se/new)\\n- [Schweiz](https://podcasts.apple.com/ch/new)\\n- [Türkiye (English)](https://podcasts.apple.com/tr/new)\\n- [Ukraine](https://podcasts.apple.com/ua/new)\\n- [United Kingdom](https://podcasts.apple.com/gb/new)\\n\\n## Latin America and the Caribbean\\n\\nSee All\\n\\n- [Anguilla](https://podcasts.apple.com/ai/new)\\n- [Antigua and Barbuda](https://podcasts.apple.com/ag/new)\\n- [Argentina (Español)](https://podcasts.apple.com/ar/new)\\n- [Bahamas](https://podcasts.apple.com/bs/new)\\n- [Barbados](https://podcasts.apple.com/bb/new)\\n- [Belize](https://podcasts.apple.com/bz/new)\\n- [Bermuda](https://podcasts.apple.com/bm/new)\\n- [Bolivia (Español)](https://podcasts.apple.com/bo/new)\\n- [Brasil](https://podcasts.apple.com/br/new)\\n- [Virgin Islands, British](https://podcasts.apple.com/vg/new)\\n- [Cayman Islands](https://podcasts.apple.com/ky/new)\\n- [Chile (Español)](https://podcasts.apple.com/cl/new)\\n- [Colombia (Español)](https://podcasts.apple.com/co/new)\\n- [Costa Rica (Español)](https://podcasts.apple.com/cr/new)\\n- [Dominica](https://podcasts.apple.com/dm/new)\\n- [República Dominicana](https://podcasts.apple.com/do/new)\\n- [Ecuador (Español)](https://podcasts.apple.com/ec/new)\\n- [El Salvador (Español)](https://podcasts.apple.com/sv/new)\\n- [Grenada](https://podcasts.apple.com/gd/new)\\n- [Guatemala (Español)](https://podcasts.apple.com/gt/new)\\n- [Guyana](https://podcasts.apple.com/gy/new)\\n- [Honduras (Español)](https://podcasts.apple.com/hn/new)\\n- [Jamaica](https://podcasts.apple.com/jm/new)\\n- [México](https://podcasts.apple.com/mx/new)\\n- [Montserrat](https://podcasts.apple.com/ms/new)\\n- [Nicaragua (Español)](https://podcasts.apple.com/ni/new)\\n- [Panamá](https://podcasts.apple.com/pa/new)\\n- [Paraguay (Español)](https://podcasts.apple.com/py/new)\\n- [Perú](https://podcasts.apple.com/pe/new)\\n- [St. Kitts and Nevis](https://podcasts.apple.com/kn/new)\\n- [Saint Lucia](https://podcasts.apple.com/lc/new)\\n- [St. Vincent and The Grenadines](https://podcasts.apple.com/vc/new)\\n- [Suriname](https://podcasts.apple.com/sr/new)\\n- [Trinidad and Tobago](https://podcasts.apple.com/tt/new)\\n- [Turks and Caicos](https://podcasts.apple.com/tc/new)\\n- [Uruguay (English)](https://podcasts.apple.com/uy/new)\\n- [Venezuela (Español)](https://podcasts.apple.com/ve/new)\\n\\n## The United States and Canada\\n\\nSee All\\n\\n- [Canada (English)](https://podcasts.apple.com/ca/new)\\n- [Canada (Français)](https://podcasts.apple.com/ca/new?l=fr-CA)\\n- [United States](https://podcasts.apple.com/us/new)\\n- [Estados Unidos (Español México)](https://podcasts.apple.com/us/new?l=es-MX)\\n- [الولايات المتحدة](https://podcasts.apple.com/us/new?l=ar)\\n- [США](https://podcasts.apple.com/us/new?l=ru)\\n- [美国 (简体中文)](https://podcasts.apple.com/us/new?l=zh-Hans-CN)\\n- [États-Unis (Français France)](https://podcasts.apple.com/us/new?l=fr-FR)\\n- [미국](https://podcasts.apple.com/us/new?l=ko)\\n- [Estados Unidos (Português Brasil)](https://podcasts.apple.com/us/new?l=pt-BR)\\n- [Hoa Kỳ](https://podcasts.apple.com/us/new?l=vi)\\n- [美國 (繁體中文台灣)](https://podcasts.apple.com/us/new?l=zh-Hant-TW)\",\n \"metadata\": {\n \"viewport\": \"width=device-width,initial-scale=1\",\n \"og:description\": \"Podcast Episode · AI那些事儿：每日 10 分钟AI科技解读 · 19 June 2025 · 8min\",\n \"twitter:site\": \"@ApplePodcasts\",\n \"og:site_name\": \"Apple Podcasts\",\n \"apple:description\": \"2025年6月19日人工智能领域的最新进展与趋势。文章详细介绍了 技术突破与产品发布，包括OpenAI即将推出的GPT-5，Midjourney和字节跳动在视频生成工具方面的创新，以及YouTube的Veo 3模型。同时，它也分析了 行业动态与市场趋势，如智能眼镜市场的显著增长和NVIDIA为中国市场推出的定制显卡。此\",\n \"ogUrl\": \"https://podcasts.apple.com/gb/podcast/2025%E5%B9%B46%E6%9C%8819%E6%97%A5ai%E8%A6%81%E9%97%BB/id1814837255?i=1000713515951\",\n \"referrer\": \"strict-origin\",\n \"og:url\": \"https://podcasts.apple.com/gb/podcast/2025%E5%B9%B46%E6%9C%8819%E6%97%A5ai%E8%A6%81%E9%97%BB/id1814837255?i=1000713515951\",\n \"description\": \"2025年6月19日人工智能领域的最新进展与趋势。文章详细介绍了 技术突破与产品发布，包括OpenAI即将推出的GPT-5，Midjourney和字节跳动在视频生成工具方面的创新，以及YouTube的Veo 3模型。同时，它也分析了 行业动态与市场趋势，如智能眼镜市场的显著增长和NVIDIA为中国市场推出的定制显卡。此\",\n \"al:ios:app_store_id\": \"525463029\",\n \"og:image:width\": \"1200\",\n \"twitter:image:alt\": \"2025年6月19日AI要闻\",\n \"og:image:alt\": \"2025年6月19日AI要闻\",\n \"ogImage\": \"https://is1-ssl.mzstatic.com/image/thumb/Podcasts211/v4/1a/7b/7e/1a7b7ef6-4154-ac62-9b87-909e0cfa6da2/mza_16976291670506034416.jpeg/1200x1200bf-60.jpg\",\n \"al:ios:app_name\": \"Apple Podcasts\",\n \"og:image:secure_url\": \"https://is1-ssl.mzstatic.com/image/thumb/Podcasts211/v4/1a/7b/7e/1a7b7ef6-4154-ac62-9b87-909e0cfa6da2/mza_16976291670506034416.jpeg/1200x1200bf-60.jpg\",\n \"twitter:description\": \"Podcast Episode · AI那些事儿：每日 10 分钟AI科技解读 · 19 June 2025 · 8min\",\n \"og:image:height\": \"1200\",\n \"twitter:title\": \"2025年6月19日AI要闻\",\n \"apple:title\": \"2025年6月19日AI要闻\",\n \"ogTitle\": \"2025年6月19日AI要闻\",\n \"applicable-device\": \"pc,mobile\",\n \"ogDescription\": \"Podcast Episode · AI那些事儿：每日 10 分钟AI科技解读 · 19 June 2025 · 8min\",\n \"ogSiteName\": \"Apple Podcasts\",\n \"ogLocale\": \"en_GB\",\n \"og:image:type\": \"image/jpg\",\n \"og:type\": \"website\",\n \"title\": \"2025年6月19日AI要闻–AI那些事儿：每日 10 分钟AI科技解读 – Apple Podcasts\",\n \"twitter:image\": \"https://is1-ssl.mzstatic.com/image/thumb/Podcasts211/v4/1a/7b/7e/1a7b7ef6-4154-ac62-9b87-909e0cfa6da2/mza_16976291670506034416.jpeg/1200x1200bf-60.jpg\",\n \"twitter:card\": \"summary\",\n \"og:title\": \"2025年6月19日AI要闻\",\n \"version\": \"2624.4.0-external\",\n \"language\": \"en-GB\",\n \"apple:content_id\": \"1000713515951\",\n \"og:image\": \"https://is1-ssl.mzstatic.com/image/thumb/Podcasts211/v4/1a/7b/7e/1a7b7ef6-4154-ac62-9b87-909e0cfa6da2/mza_16976291670506034416.jpeg/1200x1200bf-60.jpg\",\n \"og:locale\": \"en_GB\",\n \"favicon\": \"https://podcasts.apple.com/assets/favicon/favicon-32.png\",\n \"scrapeId\": \"019edfeb-6458-772c-819f-86d396131e29\",\n \"sourceURL\": \"https://podcasts.apple.com/gb/podcast/2025%E5%B9%B46%E6%9C%8819%E6%97%A5ai%E8%A6%81%E9%97%BB/id1814837255?i=1000713515951\",\n \"url\": \"https://podcasts.apple.com/gb/podcast/2025%E5%B9%B46%E6%9C%8819%E6%97%A5ai%E8%A6%81%E9%97%BB/id1814837255?i=1000713515951\",\n \"statusCode\": 200,\n \"contentType\": \"text/html\",\n \"timezone\": \"America/New_York\",\n \"proxyUsed\": \"basic\",\n \"cacheState\": \"miss\",\n \"indexId\": \"ba94a4c6-5025-4fc9-9353-b511ea81163d\",\n \"creditsUsed\": 1\n }\n },\n {\n \"url\": \"https://hai.stanford.edu/assets/files/hai_ai_index_report_2025_chinese_version_061325.pdf\",\n \"title\": \"[PDF] 介绍2025年人工智能指数报告 - Stanford HAI\",\n \"description\": \"6. 全球对人工智能的乐观情绪正在攀升，但地区间仍存在较大差异。在中国（83%）、印度尼西亚（80%）和泰国（77%）等国家，. 绝大多数人认为人工智能 ...\",\n \"position\": 2,\n \"markdown\": \"2025年人工智能指数报告\\n\\nHAI\\nStanford University\\nHuman-Centred\\nArtificial Intelligence\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n介绍\\n2025年人工智能指数报告\\n\\n欢迎阅读第八版人工智能指数报告。恰逢人工智能对社会、经济和全球治理的影响不断加强的关键时期，我们在这一重要时刻发布了 2025 年人工智能指数报告。它也是我们迄今为止发布过的最全面的指数。今年的报告新增了对人工智能硬件发展状况的深入分析；对推理成本的新估算，以及对人工智能论文发表和专利申请趋势的新分析。我们还首次披露了企业采用负责任的人工智能实践的最新数据，并扩展了人工智能在科学和医学领域日益重要的作用的分析维度。\\n\\n发起于 2017 年，作为“人工智能百年研究（One Hundred Year Study of Artificial Intelligence）”项目分支，人工智能指数报告一直致力于为政策制定者、新闻工作者、高管、研究人员和公众提供准确、经过严格验证和全球来源的数据。我们的使命始终如一：帮助这些利益相关方就人工智能的发展和部署做出更明智的决策。在这个从会议室到厨房餐桌到处都在讨论人工智能的世界里，这一使命显得尤为重要。\\n\\n从地缘政治格局的变化和底层技术的快速发展，到人工智能在商业、决策和公共生活中不断扩大的作用，人工智能指数持续引领行业关键趋势的追踪与解读。纵向追踪始终是我们的核心任务。在这一高速发展的领域，本报告提供了重要的背景信息：\\n帮助我们了解人工智能的相关状况、发展历程以及未来走向。\\n\\n作为全球公认的人工智能领域权威资源之一，人工智能指数报告被《纽约时报》、彭博社和《卫报》等主要媒体引用，成为数百篇学术论文的文献参考，并服务于世界各地的政策制定者和政府机构。我们已经向埃森哲、IBM、富国银行和富达等公司提供了人工智能现状的简报，并将继续为全球人工智能生态系统输送独立见解。\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n联合主任致辞\\n\\n随着人工智能持续重塑人类生活、企业界和公共话语体系，人工智能指数报告始终跟踪其进展情况，通过独立的、数据驱动的视角，跨时间、跨地域地全方位观察人工智能的发展、应用和影响。\\n\\n对于人工智能来说，2024 年是多么美好的一年。诺贝尔物理学奖和化学奖，以及因强化学习方面的奠基性工作而获得的图灵奖，都体现了人们对人工智能在推动人类知识进步方面所起作用的认可。曾经令人望而生畏的图灵测试已不再被视为一个雄心勃勃的目标，今天的精神系统已经超越了它。与此同时，工智能的应用正以前所未有的速度渗透社会生活，数以百万计的人们在专业工作和休闲活动中高频使用人工智能。随着高性能、低成本和开源模型的普及，人工智能的可及性和影响力必将进一步扩大。在经历了短暂的放缓之后，企业对人工智能的投资出现反弹。生成式人工智能初创企业融资案例数量增加了近三倍。商业应用在经过多年的低迷后于 2024 年迎来显著增长。人工智能已从边缘领域成为业务价值的核心驱动力。\\n\\n各国政府也在加大参与力度。政策制定者们不再停留于讨论人工智能，他们正在对其进行投资。一些国家启动了价值数十亿美元体量的国家人工智能基础设施计划，包括能源扩容以支持人工智能发展的重大努力。全球协作机制日益完善，地方性措施也同步成型。\\n\\n然而，信任仍然是一项重大挑战。公众对人工智能企业数据保护能力的信任度持续走低，对算法公平性和偏见的担忧依然存在。虚假信息继续构成风险，深度伪造技术在选举等场景的滥用引发广泛担忧。对此，各国政府正在推进新的监管框架，旨在促进透明度、负责任和公平性。公众的态度也在转变。2024 年的一项全球调查显示，尽管疑虑犹存，公众对人工智能带来广泛社会效益的潜力的乐观情绪明显上升。\\n\\n人工智能不再只是一个关于可能发生什么的故事，而是一个关于正在发生什么以及我们如何共同塑造人类未来的故事。敬请品读本年度《人工智能指数报告》并亲自洞见这一切。\\n\\nYolanda Gil 和 Raymond Perrault\\n《人工智能指数报告》联合主任\\n\\n2\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n核心要点\\n\\n1. 人工智能在严苛比较基准测试中的性能持续提升。2023年，研究人员推出了MMMU,GPQA和SWE-bench等一系列新型比较基准，旨在测试前沿人工智能系统的极限。仅一年后，性能就大幅提升：MMMU、GPQA和SWE-bench的得分分别提高了\\n 18.8%、48.9%和67.3%。除这些比较基准，人工智能系统在生成高质量视频方面也取得了重大进展，在某些特定场景下，基于语言模型的智能体在时间受限的编程任务中甚至表现优于人类。\\n\\n2. 人工智能日益融入日常生活。从医疗到交通，人工智能正迅速从实验室走向日常生活。2023年，美国食品和药物管理局（FDA）批准的人工智能设备达221款，较2015年的6款实现跨越式增长。在公共道路上，自动驾驶汽车已走出试验阶段：美国头部运营商之一Waymo每周提供超过15万次自动驾驶乘车服务，而百度推出的经济型Apollo Go自动驾驶出租车所提供的服务目前已覆盖中国众多城市。\\n\\n3. 随着不断的研究显示出人工智能对生产效率的强大影响，企业界全面拥抱人工智能，投资与应用双创新高。2024年，美国私人人工智能投资达1091亿美元，约为中国(93亿美元)的12倍，英国(45亿美元)的24倍。生成式人工智能的发展势头尤为强劲，吸引了全球339亿美元的私人投资——同比增长了18.7%，人工智能的应用也在加速普及，78%的企业在2024年应用了人工智能技术，较前一年的55%有所提升。同时，越来越多的研究证实，人工智能不仅可以提高生产效率，在多数情况下还有助于缩小劳动力的技能差距。\\n\\n4. 美国在开发顶级人工智能模型方面仍处于领先地位，但中国正在缩小与美国的差距。2024年，美国机构共开发了40个标志性的人工智能模型，而中国只有15个，欧洲只有3个。虽然美国在数量上保持领先，但中国的模型在质量上迅速缩小了差距：在MMLU和HumanEval等主要比较基准上的性能差距从2023年的两位数据小到2024年的接近持平。中国在人工智能论文和专利方面继续保持领先。模型开发日益全球化，中东、拉美和东南亚都推出了引人注目的模型。\\n\\n5. 负责任的人工智能生态系统发展不平衡。在人工智能相关的事故激增的同时，主要的工业模型开发商采用标准化的负责任的人工智能（Responsible AI，RAI）评测仍然很少见。不过，HELM Safety，AIR-Bench和FACTS等新比基准为评估真实性和安全性提供了前景广阔的工具。企业层面，对负责任的人工智能风险的认识与实质性行动之间仍存在差距。相较而言，各国政府则表现出了更强的紧迫感：2024年，全球人工智能合作显著深化，经合组织、欧盟、联合国和非盟等组织相继发布了监管框架，聚焦透明度、可信度等负责任的人工智能核心原则。\\n\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n核心要点（续）\\n\\n6. 全球对人工智能的乐观情绪正在攀升，但地区间仍存在较大差异。在中国（83%）、印度尼西亚（80%）和泰国（77%）等国家，\\n 绝大多数人认为人工智能产品和服务利大于弊。相比之下，加拿大（40%）、美国（39%）和荷兰（36%）等地的乐观程度仍然较低。不过，人们的情绪降 280 多倍。自 2022 年以来，多个怀持怀疑态度的国家的乐观情绪大幅增长，包括德国（+10%）、法国（+10%）、加拿大（+8%）、英国（+8%）和美国（+4%）。\\n\\n7. 人工智能变得更加高效、经济和易用。依托小型模型能力跃升，执行 GPT-3.5 级别的系统的推理成本在 2022 年 11 月至\\n 2024 年 10 月间骤降 280 多倍。硬件层面，年化成本降幅达 30%，能效年提升达 40%。开源模型正在缩小与闭源模型的差距，\\n 在某些比较基准上，性能差距从 8% 缩小到仅 1.7%。这些趋势加在一起，正在迅速降低先进入智能的应用门槛。\\n\\n\\n8.各国政府正在加强对人工智能的监管和投资。2024 年，美国联邦机构出台了 59 项与人工智能相关的法规，是 2023年的两倍多，\\n发布法规的机构数量也是 2023年的两倍。全球范围内，75 个国家的人工智能立法提及自 2023年以来增长 21.3%，较 2016\\n年累计增幅达 9倍。加强监管的同时，各国政府展开大规模投资 加拿大承诺投资 24 亿美元，中国启动了 475 亿美元的半导体基金，\\n法国承诺投资 1090 亿欧元，印度拨款 12.5 亿美元；沙特阿拉伯更推出规模达千亿美元的“超越计划 (Project Transcendence)”。\\n\\n9. 人工智能和计算机科学教育加速普及，但在资源获取和准备程度方面仍存落差。全球三分之二的国家现在已实施或规划基础教育阶段计算机科学教育，覆盖率是 2019年的两倍，其中非洲和拉美地区进展最为显著。美国过去 10 年中计算机专业本科毕业生人数增长 22%，然而，在许多非洲国家，由于电力等基础设施的不足，获得计算机学位的机会仍然有限。在美国，81% 基础教育阶段的计算机教师认同将人工智能纳入基础课程，但只有不到一半的教师认为自己具备相关教学能力。\\n\\n10. 产业依然在人工智能竞争中引领——但技术前沿竞争加剧。2024 年，全球近 90% 的标志性的人工智能模型来自产业界，高于 2023 年 的 60%，而学术界仍然是高引用率研究的首要来源。模型规模持续快速扩张——训练计算每五个月翻一番，数据集每八个月倍增，能耗年增速 100%。然而模型性能差距正在缩小，一年内，榜首和第十名模型的 Elo 技能得分差距从 11.9% 降至\\n 5.4%，现在前两名的差距仅为 0.7%。技术前沿领域的竞争日趋激烈，头部阵营也日益集聚。\\n\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n核心要点（续）\\n\\n11. 人工智能因其科学影响力获得最高学术荣誉。人工智能日益增长的重要性在重大科学奖项中得到了体现：两项诺贝尔奖分别授予深度学习（物理学奖）及人工智能在蛋白质折叠中的应用（化学奖），图灵奖则颁给了对强化学习的突破性贡献。\\n\\n12. 复杂推理仍是一项挑战。人工智能模型在国际数学奥林匹克竞赛问题等任务中表现出色，但在 PlanBench 等复杂推理比较基准中仍然举步维艰。即使存在理论正确解法，它们也常常无法可靠地解决逻辑任务。在精度至关重要的领域里，人工智能的有效性依然存在局限。\\n\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n指导委员会\\n\\n主席\\nRaymond Perrault\\nSRI 国际研究院\\n\\n当选主席\\nYolanda Gil\\n南加州大学信息科学研究所\\n\\n成员\\nErik Brynjolfsson\\n斯坦福大学\\n\\nJack Clark\\nAnthropic, OECD\\n\\nJohn Etchemendy\\n斯坦福大学\\n\\nKatrina Ligett\\n希伯来大学\\n\\nTerah Lyons\\n摩根大通\\n\\nJames Manyika\\n谷歌牛津大学\\n\\nJuan Carlos Niebles\\n斯坦福大学\\n\\nSalesforce\\n\\nVanessa Parli\\n斯坦福大学\\n\\nYoav Shoham\\n斯坦福大学\\nAI21 实验室\\n\\nRussell Wald\\n斯坦福大学\\n\\nTobi Walsh\\n悉尼新威尔士大学\\n\\n工作人员和研究人员\\n\\n研究主管兼总编辑\\nNestor Maslej，斯坦福大学\\n\\n研究助理\\nLoredana Fattorini，斯坦福大学\\n\\n附属研究员\\nElif Kiesow Cortez，斯坦福法院研究员\\nJulia Betts Lotufo，研究员\\nAnka Reuel，斯坦福大学\\nAlexandra Rome，研究员\\nAngelo Salatino，英国开放大学知识媒体研究所\\nLapo Santafasci，卢卡高等研究学院\\n\\n研究生研究员\\nEmily Capstick，斯坦福大学\\nMalou van Draanen Glismann，斯坦福大学\\nNjenga Kariuki，斯坦福大学\\n\\n本科研究生员\\nArmin Hamrah，克莱蒙特·麦肯纳学院\\nSukrut Oak，斯坦福大学\\nNgoril Fiifi Paintsi，斯坦福大学\\nAndrew Shi，斯坦福大学\\n\\n6\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n如何引用本报告\\n\\nNestor Maslej, Loredana Fattorini, Raymond Perrault, Yolanda Gil, Vanessa Parli, Njenga Kariuki, Emily Capstick, Anka\\nReuel, Erik Brynjolfsson, John Etchemendy, Katrina Ligett, Terah Lyons, James Manyika, Juan Carlos Niebles, Yoav\\nShoham, Russell Wald, Tobi Walsh, Armin Hamrah, Lapo Santarlasci, Julia Betts Lotufo, Alexandra Rome, Andrew Shi,\\nSukrut Oak, \\\"The AI Index 2025 Annual Report,\\\" AI Index Steering Commmittee, Institute for Human-Centered AI, Stanford University, Stanford, CA, April 2025.\\n\\nThe AI Index 2025 Annual Report by Stanford University is licensed under Attribution-NoDerivatives 4.0 International.\\n\\n公共数据和工具\\n\\n《2025 年人工智能指数报告》附有原始数据和互动工具。我们邀请每位读者根据自己的工作和兴趣使用这些数据和工具。\\n• 原始数据和图表：报告中所有图表：的公开数据和高分辨率图像可在 Google Drive 上获取。\\n• Global AI Vibrancy Tool：比较 30 个国家的人工智能生态系统。Global AI Vibrancy Tool 将于 2025 年夏季更新。\\n\\n人工智能指数（AI Index）和斯坦福大学 HAI\\n人工智能指数（AI Index）是斯坦福大学以人为本人工智能研究院（Stanford Institute for Human-Centered Artificial Intelligence, HAI）的独立研究项目。\\n\\nArtificial\\nIntelligence\\nIndex\\n\\nHAI\\nStanford University\\nHuman-Centered\\nArtificial Intelligence\\n\\n人工智能指数（AI Index）最初源自人工智能百年研究（One Hundred Year Study on Artificial Intelligence）项目（AI100）\\n\\n首个官方中文版由 AI Index 与其亚洲合作伙伴 Digital Civilization 合作组织与统筹，作为拓展 AI Index 在亚洲影响力并推动区域生态体系建设的一项重要举措。我们欢迎来自各界的个人与机构提供反馈并参与合作，共同推动构建一个更具包容性、以人为本的人工智能社区。\\n\\n人工智能指数欢迎对明年报告的反馈和新想法。请通过 [nmaslej@stanford.edu](mailto:nmaslej@stanford.edu) 联系我们。人工智能指数承认，尽管该报告由一支人类研究人员团队撰写，但其写作过程得到了人工智能工具的辅助。具体而言，作者使用了 ChatGPT 和 Claude 帮助完善和校对初稿。工作流程包括作者撰写原始内容，并将在编辑过程中作为工作流程的一部分使用人工智能工具。\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n支持型合作伙伴\\nGoogle\\nOpenAI\\nNSF\\nOpen\\nPhilanthropy\\nQUID\\n\\n分析研究合作伙伴\\naccenture\\nCenter for\\nResearch on\\nFoundation\\nModels\\nDigital Policy Alert\\nCSET\\nCENTER FOR SECURITY AND\\nEMERGING TECHNOLOGY\\nEPOCH AI\\nGitHub\\nIFR\\nInternational\\nFederation of\\nReotics\\nKAPOR\\nFOUNDATION\\nLightcast\\nLinkedIn\\nMcKinsey\\n& Company\\nPIT-UN\\nRAISE Health\\nResponsible AI for Safe and Equitable Health\\nstudyportals\\n\\n8\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n贡献者\\n\\n人工智能指数谨此感谢以下各位专家在各章节和部分中为《2025 年人工智能指数报告》提供的数据、分析、建议及专业评论：\\n\\n介绍\\nLoredana Fattorini, Yolanda Gil, Nestor Maslej, Vanessa Parli, Ray Perrault\\n\\n第一章 研究与开发\\nNancy Amato, Andrea Brown, Ben Cottier, Lucia Ronchi Darré, Virginia Dignum, Meredith Ellison, Robin Evans, Loredana Fattorini, Yolanda Gil, Armin Hamrah, Katrina Ligett, Nestor Maslej, Maurice Pagnucco, Ngorli Fiiff Paintsiil, Vanessa Parli, Ray Perrault, Robi Rahman, Christine Raval, Vesna Sabjakovic-Fritz, Angelo Salatino, Lapo Santarlasci, Andrew Shi, Nathan Sturtevant, Daniel Weld, Kevin Xu, Meg Young\\n\\n第二章 技术性能\\nRishi Bommasani, Erik Brynjolfsson, Loredana Fattorini, Tobi Gertsenberg, Yolanda Gil, Noah Goodman, Nicholas Haber, Armin Hamrah, Sami Kowejel, Percy Liang, Katrina Ligett, Nestor Maslej, Juan Carlos Niebles, Sukrut Oak, Vanessa Parli, Marco Pavone, Ray Perrault, Anka Reuel, Andrew Shi, Yoav Shoham, Toby Walsh\\n\\n第三章 负责的人工智能\\nMedha Bankhwal, Emily Capstick, Dmytro Chumachenko, Patrick Connolly, Natalia Dorogi, Loredana Fattorini, Ann Fitz-Gerald, Yolanda Gil, Armin Hamrah, Ariel Lee, Katrina Ligett, Shayne Longpre, Nestor Maslej, Katherine Ottenbreit, Halyna Padalko, Vanessa Parli, Ray Perrault, Brittany Presten, Anka Reuel, Roger Roberts, Andrew Shi, Georgio Stoev, Shekhar Tewari, Dikshita Venkatesh, Cayla Volandes, Jakub Wiatrak\\n\\n第四章 经济\\nMedha Bankhwal, Erik Brynjolfsson, Mar carpanelli, Cara Christopher, Michael Chui, Natalia Dorogi, Heather English, Murat Erer, Loredana Fattorini, Yolanda Gil, Heather Hanselman, Rosie Hood, Vishy Kamalapuram, Kory Kantenha, Njenga Kariuki, Akash Kaura, Elena Magrini, Nestor Maslej, Katherine Ottenbreit, Vanessa Parli, Ray Perrault, Brittany Presten, Roger Roberts, Cayla Volandes, Casey Weston, Hansen Yang\\n\\n第五章 科学与医学\\nRuss Altman, Kameron Black, Jonathan Chen, Jean-Benoit Delbrouck, Joshua Edrich, Loredana Fattorini, Alejandro Lozano, Yolanda Gil, Ethan Goh, Armin Hamrah, Fateme Nateghi Haredasht, Tina Hermandez-Boussard, Yeon Mi Hwang, Rohan Koodil, Arman Koul, Curt Langlotz, Ashley Lewis, Chase Ludwig, Stephen P. Ma, Abdoul Jallil Djiberou Mahamadou, David Magnus, James Manyika, Nestor Maslej, Govri Nayar, Madelena Ng, Sophie Ostmeier, Vanessa Parli, Ray Perrault, Malkiva Pillai, Ossian Karl-Johan Ferdinand Rabow, Sean Riordan, Brennan Geti Simon, Kotoha Togami, Artem Trotsky, Maya Varma, Quinn Waeiss, Betty Xiong\\n\\n第六章 政策\\nElif Kiesow Cortez, Loredana Fattorini, Yolanda Gil, Julia Betts Lotuo, Vanessa Parli, Ray Perrault, Alexandra Rome, Lapo Santarlasci, Georgio Stoev, Russell Wald, Daniel Zhang\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n贡献者（续）\\n\\n第七章 教育\\nJohn Etchemendy, Loredana Fattorini, Lili Gangas, Yolanda Gil, Rachel Goins, Laura Hinton, Sonia Koshy, Kirsten Lundgren, Nestor Maslej, Lisa Cruz 11ohatski, Vanessa Parli, Ray Perrault, Allison Scott, Andreen Soley, Bryan Twarek, Laurens Vehmeijer\\n\\n第八章 公共观点\\nEmily Capstick, John Etchemendy, Loredana Fattorini, Yolanda Gil, Njenga Kariuki, Nestor Maslej, Vanessa Parli, Ray\\nPerrault\\n\\n人工智能指数谨此感谢以下各位专家在各章节和部分中为《2025 年人工智能指数报告》提供的数据、分析、建议及专业评论：\\n\\n组织机构\\n\\nAccenture\\nArnab Chakraborty, Patrick Connolly, Shekhar\\nEwari, Dikshita Venkatesh, Jakub Wiatrak\\n\\nEpoch AI\\nBen Cottier, Robi Rahman\\n\\nGitHub\\nLucia Ronchi Darre, Kevin Xu\\n\\nLightcast\\nCara Christopher, Elena Magrini\\n\\nLinkedIn\\n03 Carpanelli, Akash Kaura Kory Kantenga, Rosie Hood,\\nCasey Weston\\n\\nMcKinsey & Company\\nMedha Bankhai, Natalia Doroi, Katherine Ottenbreit,\\nBrittany Presten, Roger Roberts, Cayla Volandes\\n\\nQuid\\nHeather English, Hansen Yang\\n\\n人工智能指数还感谢以下人士在准备本报告过程中提供的帮助：Jeanina Matias, Nancy King, Carolyn Lehman, Shana\\nLynch, Jonathan Mindes 和 Michi Turner；感谢 Christopher Ellis 在维护人工智能指数网站方面提供的帮助；以及感谢\\nAnnie Benisch, Stacey Sickels Boyce, Marc Gough, Caroline Meinhardt, Drew Spence, Casey Weston, Madeleine\\nWright 和 Daniel Zhang 在帮助推广本报告方面所做的工作。\\n\\n我们感谢 Jason Liu 在推动 AI Index 中文版过程中所发挥的重要作用。展望未来，我们将持续致力于提升 AI Index 的全球可及性，并加强在亚洲区域的生态协同建设。\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n目录\\n\\n报告核心要点 12\\n第一章 研究与开发 24\\n第二章 技术性能 81\\n第三章 负责任的人工智能 160\\n第四章 经济 214\\n第五章 科学与医学 280\\n第六章 政策与治理 323\\n第七章 教育 364\\n第八章 公共观点 394\\n附录 414\\n\\n获取公共数据\\n\\n11\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n报告核心要点\\n\\n第一章：\\n研究与开发\\n\\n1. 业界持续加大人工智能投入并主导标志性人工智能模型研发，而学术界则引领高影响力研究。产业界在标志性人工智能模型研发中的主导优势持续强化，这一趋势在既往两期人工智能指数报告中已有明确阐述。2024 年，近 90% 的前沿模型源自产业界\\n （较2023年的 60% 提升 30 个百分点）。学术界在过去三年中始终是高被引(前 100 名)论文的首要机构贡献者。\\n\\n2. 中国在人工智能论文发表总量上领先，而美国在具有高影响力的研究方面占据优势。2023 年，中国在人工智能领域的论文发表量 (23.2%) 和引用量 (22.6%) 均位居全球首位。而在过去三年中，美国机构贡献了最多被引用次数排名前 100 的人工智能论文。\\n\\n3. 人工智能论文发表总量持续增长，并在计算机科学领域占据日益重要的主导地位。从 2013年到 2023 年，在计算机科学和其他科学学科领域发表的人工智能论文发表总数几乎增加了两倍，从大约 102,000 篇增加到超过 242,000 篇。从比例上看，人工智能在计算机科学论文中所占的份额已从 2013年的 21.6%上升到 2023年的 41.8%。\\n\\n4. 美国仍然是标志性人工智能模型的主要来源地。2024 年，美国机构开发了 40 个标志性人工智能模型，大大超过中国的 15 个和欧洲的 3个。在过去十年，源自美国的标志性机器学习模型比任何其他国家都多。2024 年，美国机构共开发出 40 个前沿人工智能模型，显著超过中国的 15 个和欧洲地区的合计的 3 个。过去十年间，美国在前沿机器学习模型的研发数量上持续保持全球领先地位。\\n\\n5. 人工智能模型正变得规模更大、算力需求更高、能耗更强。最新研究表明，标志性人工智能模型的训练算力需求约每 5 个月翻一番，大语言模型训练数据集规模每 8 个月翻一番，而训练所需功耗每年递增。大规模的产业投资持续推动着模型规模扩大和性能提升。\\n\\n6. 人工智能模型的使用成本持续下降。以语言模型性能评估常用基准——MMLU 为例，达到 GPT-3.5 水平 (64.8 分) 的人工智能模型查询成本已从 2022 年 11 月的每百万词元 20 美元，降至 2024 年 10 月的仅每百万词元 0.07 美元 (Gemini-1.5-Fiash-8B\\n 模型)，18 个月内降幅超 280 倍。根据任务类型不同，大语言模型的推理价格年涨幅已达 9 至 900 倍不等。\\n\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n报告核心要点\\n\\n第一章：\\n研究与开发（续）\\n\\n7. 人工智能专利申请持续上升。从 2010年到 2023年，人工智能专利数量稳步大幅增长，从 3833项激增到122511项，仅在去年，\\n 人工智能专利数量就增长了29.6%。截至 2023年，中国在人工智能专利总数上遥遥领先，占所有授权的69.7%，而按人均计算，韩国和卢森堡则是人工智能专利的主要生产国。\\n\\n8. 人工智能硬件变得更快、更便宜、更节能。最新研究表明，以16位浮点运算能力衡量的机器学习硬件性能正以每年43%的速度增长，每1.9年实现翻倍。其性价比显著提升——成本每年下降30%，而能效则以每年40%的幅度持续改善。\\n\\n9. 人工智能训练产生的碳排放量正在稳步上升。早期训练的人工智能模型，如AlexNet网络（2012年），碳排放量不大，仅为0.01吨。最新人工智能模型的训练碳排放量显著增加：2020年GPT-3为588吨，2023年GPT-4达5,184吨，而2024年Llama3.1\\n 405B更是高达8,930吨。作为对比，美国人年均碳排放量为仅18吨。\\n\\n\\n第二章：\\n技术性能\\n\\n1. 人工智能达成新比较基准的速度比以往任何时候都快。2023年，研究人员推出了MMMU、GPQA和SWE-bench等多个具有挑战性的新比较基准，旨在测试日益强大的人工智能系统极限。到2024年，人工智能在这些比较基准上的表现取得显著突破：\\n MMMU和GPQA测试成绩分别提升18.8和48.9个百分点；更引人注目的是，在SWE-bench编程测试中，人工智能系统的解题能力从2023年仅能解决4.4%的问题，跃升至2024年的71.7%。\\n\\n2. 开源模型迎来赶上。根据去年发布的人工智能指数报告，领先的开源模型曾大幅落后于闭源模型。而到2024年，这一差距已基本消失。具体来看，2024年1月初，在Chatbot Arena Leaderboard上，顶尖闭源模型的性能优势为8.0%；而到2025年2月，这一差距已缩小至1.7%。\\n\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n报告核心要点\\n\\n第二章：\\n技术性能（续）\\n\\n3. 中美人工智能模型能力差距缩小。2023年，美国顶尖人工智能模型性能曾大幅领先中国同类产品，但这一态势现已改变。数据显示：截至2023年底，在MMLU、MMMU、MATH和HumanEval等比较基准中，中美模型的性能差距分别为17.5、13.5、24.3和31.6个百分点；而到2024年末，这些差距已大幅收窄至0.3、8.1、1.6和3.7个百分点。\\n\\n4. 前沿的人工智能模型的性能趋于收敛，根据去年的人工智能指数，Chatbot Arena Leaderboard上排名第一与第十的模型间Elo分数差已从去年的11.9%收窄至2025年初的5.4%。同样，排名前两位的模型之间的差距也从2023年的4.9%缩小到2024年的0.7%。人工智能领域的竞争日趋激烈，如今有越来越多开发者推出了高质量的模型。\\n\\n5. 新型推理范式，如测试时计算(test-time compute)，显著提升模型性能。2024年，OpenAI推出的o1、o3等模型采用迭代式输出推理架构。这种测试时计算方法极大地提高了模型的性能，o1在国际数学奥林匹克资格考试中获得了74.4%的高分，GPT-4o只有9.3%，该技术存在代价，o1的运算成本激增至GPT-4o的6倍，推理速度则降低30倍。\\n\\n6. 更具挑战性的比较基准不断被提出。MMLU、GSM8K和HumanEval等传统人工智能比较基准已趋近饱和，加上MMMU和GPQA等更新的更具挑战性的比较基准表现持续提升，促使研究人员探索更多针对领先人工智能系统的评价方法。其中值得注意的是人类最后的考试(Humanity's Last Exam)，这是一项严格的学术测试，最先进的人工智能系统的得分率仅为8.80%；前沿数学(Frontier Math)，这是一项复杂的数学比较基准，人工智能系统仅解决了2%的问题；“BigCodeBench”这一项编码比较基准，人工智能系统的成功率仅为35.5%，远低于人类97%的水平。\\n\\n7. 高质量人工智能视频生成模型实现重大突破。2024年，多款能够根据文本输入生成高清视频的先进人工智能模型相继问世，其中包括OpenAI的SORA、Stable Video Diffusion 3D和4D、Meta的Movie Gen，以及谷歌DeepMind的Veo 2。与2023年的视频生成模型相比，这些新一代模型在画质表现上取得显著提升。\\n\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n报告核心要点\\n\\n第二章：\\n技术性能(续)\\n\\n8. 小型模型展现更强性能。2022 年，在 MMLU比较基准中达到 60% 以上分数的最小模型是拥有 5400 亿参数的 PaLM；而到\\n 2024 年，微软推出的 Phi-3-mini仅用 38 亿参数就实现了相同水平——相当于两年间参数规模缩减了 142 倍。\\n\\n9. 复杂推理仍是人工智能面对的难题。尽管通过思维链 (Chain-of-Thought) 等推理机制的引入显著提升了大语言模型的性能，这些系统仍无法可靠解决本可通过逻辑推理获得确定性答案的问题——包括数学运算和任务规划等，尤其当问题规模超出其训练范围时。这一缺陷严重影响了人工智能系统的可信度，使其难以胜任高风险场景的应用需求。\\n\\n10. 人工智能智能体展现初步潜力。2024 年推出的 RE-Bench 基准为评估 AI 智能体的复杂任务能力建立了严格标准。在短时任务\\n (2小时时限)中，顶级人工智能系统的得分可达人类专家的 4 倍；但随着时间延长至 32 小时，人类表现反超人工智能系统，得分达到 2:1的优势，AI 智能体已在特定领域，如编写 Triton Kernels，达到人类专业水平，且能更快、更低成本地产出结果。\\n\\n\\n第三章：\\n负责任的人工智能\\n\\n1. 目前，依据负责任的人工智能 (RAI)准则对人工智能系统进行评估的做法尚未普及，但新的比较基准体系正在逐步形成。去年的人工智能指数曾着重指出，目前缺乏针对大语言模型的标准化 RAI 比较基准。虽然这一问题依然存在，但 HELM Safety 和\\n AIR-Bench 等新比较基准的出现有助于填补这一空白。\\n\\n2. 人工智能事件报告数量持续增加，根据人工智能事件数据库 (AI Incidents Database)统计，2024 年报告的人工智能相关事件增至 233 超，创历史新高，比 2023 年增加 56.4%。\\n\\n\\n15\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n报告核心要点\\n\\n第三章：\\n负责任的人工智能(续)\\n\\n3. 各类机构虽意识到负责任的人工智能风险，但风险缓解措施滞后。麦肯锡一项关于企业RAI实施情况的调查显示，尽管多数机构能识别关键RAI风险，但并非所有机构都采取了积极应对措施。在领导者最关注的风险维度中，模型准确性问题（64%受访者提及）、合规性风险（63%)以及网络安全威胁（60%)位列前三，但值得注意的是，将这些风险列为核心关注点的受访者比例均未超过\\n 65%。\\n\\n4. 在全球范围内，政策制定者对负责任的人工智能表现出浓厚兴趣。2024年，全球加强了人工智能治理方面的合作，重点是协商确定负责任的人工智能的原则多个国际组织，包括经济合作与发展组织(OECD)、欧盟、联合国及非洲联盟，相继发布规范性框架，阐释了透明度与可解释性、可信度等RAI重点。\\n\\n5. 公共数据资源正在迅速萎缩。人工智能模型的训练依赖于海量公开网络数据，但最新研究表明，2023至2024年间数据使用限制显著增加，因为众多网站实施了新协议以限制人工智能训练的数据爬取。在C4通用爬取数据集持续维护的域名中，受限制文本数据的比例已从5-7%升至20-33%。这种下降态势将影响数据多样性、模型对齐性和系统可扩展性，并可能催生数据约束条件下的新型学习范式。\\n\\n6. 基础模型研究透明度提高，但仍任重道远。最新发布的基础模型透明度指数(Foundation Model Transparency Index)——个跟踪基础模型生态系统透明度的项目——显示，主要模型开发者的平均透明度得分从2023年10月的37%提高到了2024年5\\n 月的58%。虽然进展显著，但仍有相当大的改进空间。\\n\\n7. 对事实性与真实性评估的比较基准正不断完善。早期比较基准，如HaluEval和TruthfulQA，虽旨在评估人工智能模型的事实性与真实性，但未能在人工智能领域获得广泛应用。为此，更更新、更全面的评估方案出现，包括升级版的Hughes幻觉评估模型排行榜(\\n Hughes Hallucination Evaluation Model leaderboard)、FACTS评估框架以及SimpleQA测试集。\\n\\n8. 与人工智能相关的选举虚假信息在全球蔓延，但其影响仍不明确。2024年，在十多个国家和超过十个社交媒体平台上出现了大量与人工智能相关的选举虚假信息，包括在美国总统大选期间。然而，人们对这一问题的可衡量影响仍存在诸多疑问，许多人认为虚假信息活动对选举的影响比实际情况更为深远。\\n\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n报告核心要点\\n\\n第三章：\\n负责任的人工智能（续）\\n\\n9. 接受过显性无偏见训练的大语言模型仍会表现出隐性偏见。许多先进的大语言模型，包括GPT-4和Claude 3 Sonnet，在设计时都采取了抑制显性偏见的措施，但它们仍然表现出隐性偏见。这些模型过度地将负面词汇与黑人群体关联，更多将女性与人文学科而不是理工科（STEM）领域联系在一起，并偏爱男性担任有领导力的角色，从而加剧了决策中的种族与性别偏见。虽然偏见评价结果在标准比较基准上有所改善，但人工智能模型偏见仍是一个普遍存在的问题。\\n\\n10. 负责任的人工智能获得了学术研究人员的关注。2024年，全球顶级人工智能会议收录的责任的人工智能论文数量达到1,278篇，较2023年的992篇增长28.8%，自2019年以来持续保持稳定的年增长率。这一上升趋势凸显了责任的人工智能研究界日益增长的重要性。\\n\\n\\n第四章：\\n经济\\n\\n1. 全球私人工智能投资创历史新高，增长26%。2024年，全球企业人工智能投资规模达到2523亿美元，其中私人投资同比增长44.5%，并购交易规模较上年增长12.1%。过去十年间，该领域经历显著扩张，自2014年以来，总投资规模增长逾十三倍。\\n\\n2. 生成式人工智能投资规模激增，2024年，生成式人工智能领域的私人投资达到339亿美元，比2023年增长18.7%，是2022年水平的8.5倍以上。该领域目前占所有人工智能相关私人投资总额的20%以上。\\n\\n3. 美国扩大了其在全球人工智能私人投资中的领先优势。2024年，美国人工智能私人投资规模达到1091亿美元，相当于中国的近12倍（93亿美元），英国的24倍（45亿美元）。在生成式人工智能领域，美国投资总额较中国、欧盟及英国投资总和还多254亿美元，较2023年218亿美元的差额继续扩大。\\n\\n4. 人工智能的使用达到前所未有的水平。2024年，受访企业报告采用人工智能技术的比例从2023年的55%跃升至78%。同样，在至少一项业务职能中使用生成式人工智能的受访者数量增长逾一倍——从2023年的33%上升至2024年的71%。\\n\\n\\n17\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n报告核心要点\\n\\n第四章：\\n经济（续）\\n\\n5. 人工智能已开始在多个业务职能领域产生财务效益，但大多数企业仍处于应用初期阶段。报告显示，在单一业务职能内应用人工智能并取得财务效益的企业中，多数反馈效益水平仍处于较低区间。在成本节约方面，在客户服务运营中使用人工智能的企业中有\\n 49%的受访者报告实现降本，供应链管理领域这一比例为43%，软件工程领域为41%，不过，这些企业报告的成本降幅大多不足\\n 10%，在收入增长方面，营销与销售部门应用人工智能的企业中有71%的受访者报告收入提升，供应链管理领域为63%，服务运营领域为57%，但需要指出的是，这些收入增幅普遍低于5%。\\n\\n6. 人工智能的应用呈现出明显的区域差异，其中大中华区正迅速崛起，尽管北美地区仍保持着企业人工智能应用率的领先地位，但大中华区是同比增长率最高的地区之一，其企业人工智能采用率提升了27%。欧洲紧随其后，实现了23%的增长，这表明全球人工智能格局正在快速演变，各国在人工智能应用领域的国际竞争也日趋激烈。\\n\\n7. 中国在工业机器人领域仍占据主导地位，虽略有放缓，2023年，中国安装27.63万台工业机器人，是日本的6倍，美国的7.3倍。自2013年超过日本以来，中亚在全球工业机器人安装量中的份额从20.8%上升至51.1%，虽然中国的机器人安装量继续超过世界其他国家的总和，但这一差距在2023年略有缩小，标志着其急剧扩张的势头略有放缓。\\n\\n8. 协作型和交互式机器人使用日趋普及，2017年，协作型机器人仅占所有新安装工业机器人的2.8%，到2023年，这一数字攀升至\\n 10.5%，同样，2023年，除医疗机器人外，所有应用领域的服务机器人安装量均呈现增长趋势，这一趋势不仅表明机器人安装量的总体增长，还表明人们越来越重视将机器人部署在面向人类的岗位上。\\n\\n9. 人工智能正在推动能源结构的重大变革，并引发对核能的新一轮关注。微软宣布以16亿美元重启三哩岛核反应堆，为人工智能提供动力，而谷歌和亚马逊也签订了核能协议，为人工智能业务提供支持。\\n\\n10. 人工智能提高生产效率并缩小技能差距。去年的人工智能指数报告是首批强调人工智能对生产效率产生积极影响的研究报告之一。今年更多研究进一步验证了这些发现，证实人工智能不仅能提升生产效率，在多数情况下还有助于缩小高技能与低技能劳动者之间的能力差距。\\n\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n报告核心要点\\n\\n第五章：\\n科学与医学\\n\\n1. 更先进的大规模蛋白质测序模型问世，包括 ESM3 和 AlphaFold 3 在内的多个高性能大规模蛋白质测序模型相继推出。随着时间的推移，这些模型的规模显著扩大，使得蛋白质预测准确率不断提高。\\n\\n2. 人工智能持续推动科学发现的飞速发展。人工智能在科学进步中的作用不断扩大。2022 至 2023 年仅是人工智能驱动科研突破的初始阶段，而 2024 年出现更具突破性的进展，包括训练大语言模型智能体执行生物任务的 Aviary，以及显著增强野火预测能力的 FireSat。\\n\\n3. 主流大语言模型的临床知识水平持续提升。OpenAI最近发布的 o1 in MedQA比较基准中创下了 96.0%的新纪录，比 2023 年公布的最佳成绩提高了 5.8%。自 2022 年末以来，该测试性能已累计提升 28.4%，作为评估临床知识的重要比较基准，MedQA 可能正接近性能饱和，预示着需要更具挑战性的评估。这表明需要建立更具挑战性的评估体系。\\n\\n4. 人工智能在关键临床任务中的表现优于医生。一项新的研究发现，在诊断复杂的临床病例时，无论是人工智能，还是没有人工智能，仅 GPT-4就能胜过医生。最近的其他研究表明，人工智能在癌症检测和识别高死亡率风险患者方面超过了医生，不过，一些初步研究表明，人工智能与临床医生的协同诊疗可产生最优结果，这一发现值得作为重点领域开展深入研究。\\n\\n5. 美国食品及药物管理局（FDA）批准的人工智能医疗设备数量激增。美国食品药品监督管理局于 1995 年批准了首款人工智能医疗设备，截至 2015 年，仅有 6 款此类设备获批，但这一数字到 2023 年激增至 223 款。\\n\\n6. 合成数据在医学领域展现出巨大潜力，2024 年发布的研究表明，人工智能生成的合成数据可以帮助模型更好地识别健康的社会决定因素，加强保护隐私的临床风险预测，并促进新药化合物的发现，2024 年最新研究表明，人工智能生成的合成数据可有效提升模型对健康社会决定因素的识别能力，优化隐私保护型临床风险预测，并促进新药化合物的发现。\\n\\n7. 医学人工智能伦理研究文献逐年增加，从 2020年到 2024年，医学人工智能伦理方面的论文数量几乎翻了两番，从 2020年的\\n 288篇增加到 2024年的 1031篇。\\n\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n报告核心要点\\n\\n第五章：\\n科学与医学(续)\\n\\n8. 基础模型进入医学领域。8.2024 年，一大波大型医学基础模型发布，涵盖从 Med-Gemini 等通用多模态模型，到面向特定专科的\\n EchoCLIP(超声心动图)、视觉 FM(眼科)及 ChexAgent(放射科)等专用模型。\\n\\n9. 公共蛋白质数据库规模不断扩大。自 2021 年以来，主要公共蛋白质科学数据库的条目数量显著增长，其中包括 UniProt（增长\\n 31%），PDB（增长 23%）及 AlphaFold（激增 565%）。这一扩展对科研发现具有重要影响。\\n\\n10. 人工智能研究获得两项诺贝尔奖。2024 年，人工智能驱动的研究获得了最高荣誉，两项与人工智能相关的突破获得了诺贝尔奖。谷歌 DeepMind 的德米斯·哈萨比斯 (Demis Hassabis) 和约翰·朱珀 (John Jumper) 凭借 AlphaFold 在蛋白质折叠方面的开创性工作获得了诺贝尔化学奖。与此同时，约翰·霍普菲尔德 (John Hopfield) 和杰弗里·辛顿 (Geoffrey Hinton) 因其在神经网络方面的基础性贡献获得了诺贝尔物理学奖。\\n\\n\\n第六章：\\n政策\\n\\n1. 美国各州正引领人工智能立法进程，而联邦层面进展相对迟缓。2016 年，只有一项州级人工智能相关法律获得通过，而到 2023\\n 年，增加到 49 项。仅在去年，这一数字就翻了一番多，达到 131 项。虽然联邦层面的人工智能法案提案也有所增加，但通过的数量仍然很少。\\n\\n2. 世界各国政府都加大人工智能基础设施投资力度。加拿大宣布了一项 24 亿美元的人工智能基础设施一揽子计划，而中国设立\\n 475 亿美元半导体产业基金。法国承诺为人工智能基础设施投资 1170 亿美元，印度承诺投资 12.5 亿美元，而沙特阿拉伯的“超越计划”则包括对人工智能的 1000 亿美元投资。\\n\\n3. 在全球范围内，人工智能在立法程序中的提及率不断上升。在 75 个国家中，2024 年立法程序中提及人工智能的次数增加了\\n 21.3%，从 2023 年的 1557 次增加到 1889 次。自 2016 年以来，人工智能被提及的总数增长了 9 倍多。\\n\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n报告核心要点\\n\\n第六章：\\n政策（续）\\n\\n4. 在全球范围内，人工智能安全研究机构加速扩张与协同合作。2024年，各国相继成立国际人工智能安全研究机构，首批机构由美国和英国于2023年11月首届人工智能安全峰会闭幕后率先设立。随着2024年5月首尔人工智能峰会的召开，日本、法国、德国、意大利、新加坡、韩国、澳大利亚、加拿大及欧盟等国家和地区也相继承诺成立相关机构。\\n\\n5. 美国人工智能相关联邦法规数量激增，2024年，美国出台了59项人工智能相关法规，是2023年25项的两倍多。这些法规来自42个机构，是2023年出台法规的21个机构的两倍。\\n\\n6. 美国多州加强深度伪造监管立法。2024年之前，只有加利福尼亚、密歇根、华盛顿、得克萨斯和明尼苏达五个州颁布了法律，对选举中的深度伪造行为进行监管。2024年，俄勒冈州、新墨西哥州和纽约州等15个州出台了类似措施。此外，到2024年，已有24个州通过了针对深度伪造的法规。\\n\\n\\n第七章：\\n教育\\n\\n1. 美国高中计算机科学(Computer Science, CS)课程的普及与选修人数较上一学年略有提升，但教育差距依然存在。学生的参与情况因州、种族和民族、学校规模、地理位置、收入、性别和残疾而异。\\n\\n2. 美国的计算机科学教师希望传授人工智能，但认为自己不具备这样的能力。尽管81%的计算机科学教师认同应将人工智能应用及人工智能基础知识纳入计算机科学基础课程体系，但仅有不足半数的高中计算机科学教师认为自己具备开展人工智能教学的专业能力。\\n\\n3. 全世界有三分之二的国家提供或计划提供K-12阶段的计算机科学教育。自2019年以来，这一比例翻了一番，其中非洲和拉丁美洲国家进展最为显著，然而，由于学校缺乏电力供应，非洲国家学生获得计算机科学教育的机会最少。\\n\\n\\n21\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n报告核心要点\\n\\n第七章：\\n教育（续）\\n\\n4.2022年至2023年期间，美国获得人工智能硕士学位的毕业生人数几乎翻了一番。尽管人工智能在学士学位和博士学位中的关注度提升将较为缓慢，但硕士学位的激增可能预示着所有学位层次都将出现这一发展趋势。\\n\\n5.在培养信息、技术和通信技术(ICT)毕业生方面，美国持续处于全球领先地位。西斑牙、巴西和英国紧随美国之后，成为各层次毕业生最多的国家，而土耳其则是男女比例最均衡的国家。\\n\\n第八章：\\n公众观点\\n\\n1. 全球对人工智能产品和服务的态度持谨慎乐观的态度。在益普索(Ipsos)2022-2024年持续追踪的26个国家中，18国的受访者对人工智能产品与服务“利大于弊”的认同比例呈现上升趋势。在全球范围内，认为人工智能产品和服务利于弊的个人比例从\\n 2022年的52%上升到2024年的55%。\\n\\n2. 人工智能对日常生活影响的预期认知度持续攀升。在世界各地，三分之二的人现在认为，人工智能驱动的产品与服务将在未来3\\n 至5年内显著改变日常生活——这一比例较2022年上升6个百分点。除马来西亚、波兰和印度外，其余国家自2022年以来该认知度均有所提升，其中加拿大(增长17%)与德国(增长15%)涨幅最为显著。\\n\\n3. 对人工智能公司伦理行为的怀疑正在增加，同时对人工智能公平性的信任正在下降。在全球范围内，人们对人工智能公司保护个人数据的信心从2023年的50%下降到2024年的47%。同样，与相比，如今相信人工智能系统不偏不倚、不受歧视的人也越来越少。\\n\\n4. 人工智能乐观程度的地区差异依然存在。2023年人工智能指数首次指出，人工智能乐观程度的地区差异依然存在。在中国(83%)、印度尼西亚(80%)和泰国(77%)等国家，绝大多数人认为人工智能驱动的产品和服务利大于弊，而在加拿大(40%)、美国(39%)和荷兰(36%)，只有少数人持这种观点。\\n\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n报告核心要点\\n\\n第八章：\\n公众观点(续)\\n\\n5. 美国人自动驾驶汽车仍持不信任态度。根据美国汽车协会(American Automobile Association，AAA)最新调查数据显示，61%\\n 的美国民众对自动驾驶汽车存在恐惧心理，仅有 13% 的受访者表示信任该技术。尽管这一恐惧比例较 2023 年 68% 的峰值有所下降，但仍高于 2021 年 54% 的水平。\\n\\n6. 美国地方政策制定者普遍支持对人工智能实施监管。2023 年，美国 73.7% 的地方政府制定者(涵盖镇、市、县三级政府)支持对人工智能实施监管，较 2022 年的 55.7% 显著提升。民主党人士的支持率 (79.2%)明显高于共和党人士 (55.5%)，但两党支持率相较 2022 年均呈现显著增长。\\n\\n7. 此前对人工智能持强烈怀疑态度的国家中，对人工智能的乐观态度呈现急剧上升趋势。在全球范围内，人们对人工智能产品和服务的乐观态度有所提高，其中以前最持怀疑态度的国家乐观态度增幅最大。2022 年，英国 (38%)、德国 (37%)、美国 (35%)、加拿大 (32%) 和法国 (31%) 是最不倾向于认为人工智能利大于弊的国家。此后，这些国家对人工智能的乐观态度分别提升了 8%、\\n 10%、4%、8%和 10%。\\n\\n8. 劳动者预期人工智能将重塑就业结构，但其对岗位被替代的担忧程度相对较低。在全球范围内，60%的受访者认为人工智能将在未来五年内改变个人的工作方式。然而，有一小部分受访者 (36%)认为，人工智能将在未来五年内取代他们的工作。\\n\\n9. 美国地方政策制定者在人工智能政策优先事项上存在明显分歧。美国地方政府决策者虽普遍支持人工智能监管，但在具体政策优先事项上存在显著差异。支持率最高的政策包括更严格的数据隐私法规 (80.4%)、失业人员再培训计划 (76.2%)以及人工智能应用监督条例 (72.5%)。然而，针对执法部门人脸识别禁令 (34.2%)、工资下降补贴 (32.9%)和全民基本收入 (24.6%)等政策的支持率则显著降低。\\n\\n10. 人工智能被视为提升效率的工具和娱乐体验的助推器，但其经济影响仍存疑虑。全球对人工智能影响的看法各不相同。55%的人认为人工智能将节省时间，51%的人预计它将提供更好的娱乐选择，但对其健康或经济效益有信心的人较少。只有 38%的人认为人工智能将提升医疗健康水平，36%的人认为人工智能将改善国民经济，31%的人认为人工智能将对就业市场产生积极影响，\\n 37%的人认为人工智能将提升自己的工作效率。\\n\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：\\n研究与开发\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n\\n概述 26\\n章节核心要点 27\\n\\n1.1论文发表 29\\n概述 29\\n人工智能论文发表总量 29\\n按发表平台 (Venue) 分类 31\\n按国家 / 地区分类 32\\n按行业分类 36\\n按研究主题分类 38\\n发表的百强论文 39\\n按国家 / 地区分类 39\\n按行业类型 40\\n按机构类型 41\\n\\n1.2专利 42\\n概述 42\\n按国家 / 地区分类 43\\n\\n1.3标志性人工智能模型 46\\n按国家 / 地区分类 46\\n按行业分类 47\\n按研发主体分类 49\\n模型发布 50\\n参数发展趋势 52\\n算力发展趋势 56\\n重点：模型训练会面临数据枯竭吗？ 59\\n推理成本 64\\n训练成本 65\\n\\n1.4硬件 68\\n概览 68\\n重点：能源效率和环境影响 71\\n\\n1.5人工智能会议 75\\n参会规模 75\\n\\n1.6开源人工智能软件 77\\n开源人工智能软件项目 77\\n星标 79\\n\\n获取公共数据\\n\\n目录 第一章预览 25\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：\\n研究与开发\\n\\n概述\\n\\n本章探讨了人工智能研究与发展的最新趋势，首先系统分析人工智能论文发表、专利及标志性的人工智能系统，并基于国家和地区、研发机构与行业领域三维度对上述成果的开发方进行解析。本章同时涵盖了对人工智能模型训练成本、学术会议参与度及开源人工智能软件的分析。今年新增的内容包括人工智能硬件生态演进图谱、人工智能训练能耗与环境影响评估及模型推理成本时序分析。\\n\\n目录第一章预览\\n26\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：\\n研究与开发\\n\\n章节核心要点\\n\\n1. 产业界持续加大人工智能投入并主导标志性人工智能模型研发，而学术界则引领高影响力研究，产业界在标志性人工智能模型研发中的主导优势持续强化，这一趋势在既往两期人工智能指数报告中已有明确阐述。2024 年，近 90% 的前沿模型源自产业界\\n （较2023年的 60% 提升 30 个百分点）。学术界在过去三年中始终是高被引（前 100 名）论文的首要机构贡献者。\\n\\n2. 中国在人工智能论文发表总量上领先，而美国在具有高影响力的研究方面占据优势。2023 年，中国在人工智能领域的论文发表量（23.2%）和引用量（22.6%）均位居全球首位。而在过去三年中，美国机构贡献了最多被引用次数排名前 100 的人工智能论文。\\n\\n3. 人工智能论文发表总量持续增长，并在计算机科学领域占据日益重要的主导地位。从 2013年到 2023 年，在计算机科学和其他科学学科领域发表的人工智能论文发表总数几乎增加了两倍，从大约 102,000 篇增加到超过 242,000 篇。从比例上看，人工智能在计算机科学论文中所占的份额已从 2013年的 21.6%上升到 2023年的 41.8%。\\n\\n4. 美国仍然是标志性人工智能模型的主要来源地。2024 年，美国机构开发了 40 个标志性人工智能模型，大大超过中国的 15 个和欧洲的 3 个。在过去十年，源自美国的标准性机器学习模型比任何其他国家都多。2024 年，美国机构共开发出 40 个前沿人工智能模型，显著超过中国的 15 个和欧洲地区的合计的 3 个。过去十年间，美国在前沿机器学习模型的研发数量上持续保持全球领先地位。\\n\\n5. 人工智能模型正变得规模更大、算力需求更高、能耗更强。最新研究表明，标志性人工智能模型的训练算力需求约每 5 个月翻一番，大语言模型训练数据集规模每 8 个月翻一番，而训练所需功耗每年递增，大规模的产业投资持续推动着模型规模扩大和性能提升。\\n\\n6. 人工智能模型的使用成本持续下降。以语言模型性能评估常用基准——MMLU 为例，达到 GPT-3.5 水平（64.8 分）的人工智能模型查询成本已从 2022 年 11 月的每百万词元 20 美元，降至 2024 年 10 月的仅每百万词元 0.07 美元（Gemini-1.5-Flash-8B\\n 模型），18 个月内降幅超 280 倍。根据任务类型不同，大语言模型的推理价格年降幅已达 9 至 900 倍不等。\\n\\n\\n目录第一章预览\\n27\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：\\n研究与开发\\n\\n章节核心要点（续）\\n\\n7. 人工智能专利申请持续上升。从2010年到2023年，人工智能专利数量稳步大幅增长，从3833项激增到122511项，仅在去年，\\n 人工智能专利数量就增长了29.6%。截至2023年，中国在人工智能专利总数上遥遥领先，占所有授权的69.7%，而按人均计算，韩国和卢森堡则是人工智能专利的主要生产国。\\n\\n8. 人工智能硬件变得更快、更便宜、更节能。最新研究表明，以16位浮点运算能力衡量的机器学习硬件性能正以每年43%的速度增长，每1.9年实现翻倍。其性价比显著提升——成本每年下降30%，而能效则以每年40%的幅度持续改善。\\n\\n9. 人工智能训练产生的碳排放量正在稳步上升。早期训练的人工智能模型，如AlexNet网络(2012年)，碳排放量不大，仅为0.01吨。最新人工智能模型的训练碳排放量显著增加：2020年GPT-3为588吨，2023年GPT-4达5,184吨，而2024年Llama 3.1\\n 405B更是高达8,930吨。作为对比，美国人年均碳排放量仅为18吨。\\n\\n\\n目录第一章预览\\n28\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.1 论文发表\\n\\n1.1 论文发表\\n\\n下图展示了 2010 至 2023 年全球人工智能英文论文发表的梳理，按机构类型、成果类别及地域分布三维度分类统计。在今年报告中，人工智能指数数据一节内容，分析 100 篇被引用次数最多的人工智能论文发表的趋势，可为特别具有影响力的研究提供洞见。今年，人工智能指数利用 OpenAlex 数据库分析了人工智能研究成果的趋势，因此，今年报告中的数字与往年略有不同。1 基于出版物元数据的收集存在显著滞后，在某些情况下，需要等到一年中的中期才能完全收集到上一年的发表物，因此，在今年的报告中，人工智能指数团队决定只考察到2023年的出版趋势。\\n\\n概述\\n\\n研究成果发布统计。下一节报告了人工智能英文论文发表总量的趋势。\\n\\n人工智能论文发表总量\\n\\n图 1.1.1 显示了全球人工智能研究成果发布的总量统计。这些研究成果均来自 OpenAlex 数据库中标注为“计算机科学 (CS)”类别，并经人工智能指数团队认定为与人工智能相关的研究。²\\n\\n2013-2023 年全球范围内在 CS 领域人工智能论文发表数量资料来源：2025 年人工智能指数数据；2025 年人工智能指数报告\\n\\n图 1.1.1\\n\\n1. OpenAlex 是一个完全开放的学术数据目录，包括科学论文，作者，机构等，人工智能指数使用 OpenAlex 作为图书馆数据库，并使最新版本的 CSO 分类器对人工智能相关研究进行自动分类。近日，该指数收录第三方期刊，其基础源源不断和方法方多，因此，今年等研究的参考文献以及报告的结果都有不例外。此外，人工智能指数仅区分类指用于 OpenAlex 扫描和计算机科学大题的论文，还并列其中人工智能指数论文覆盖，但需要统计计算机科学的大题图。图 1.1.2、CSO 分类器（d.3）是一个版本文本类检索，自用馆藏含 16,000 个类和 165,000 家关联的本刊对计算机科学领域的研究论文进行分类，包括 GenMe、大语言模型和工程等新兴领域，它通过三个模块处理元数据（如标题和摘要）：语感提取用于准确匹配主题，语义模糊识别同人推断相关主题，后续模块通过过滤重复和添加相关的更高层次线索来结果。\\n\\n目录第一章预览\\n29\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.1论文发表\\n\\n2013年至2023年间，人工智能相关论文发表的总数翻了一番多，从2013年的约10.2万篇增至2023年的超过24.2\\n万篇。过去一年间的增长率达19.7%，这一增幅具有重要意义。计算机科学的众多领域——从硬件与软件工程到人机交互\\n——如今均对人工智能的发展都有所贡献，因此，观测到的增长现象反映出该人工智能更广泛且日益增强的关注度。\\n\\n2013—2023年全球范围在CS领域人工智能论文发表的统计（占总数百分比）\\n资料来源：2025年人工智能指数\\\\|图表：2025年人工智能指数报告\\n\\n41.76%\\nCS领域的人工智能论文发表占比\\n0%\\n5%\\n10%\\n15%\\n20%\\n25%\\n30%\\n35%\\n40%\\n45%\\n2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023\\n\\n图1.1.2\\n\\n目录第一章预览\\n30\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.1论文发表\\n\\n图 1.1.2 显示了 OpenAlex 数据库中被归类为人工智能相关的计算机科学论文发表的发布占比。图 1.1.2 采用了与图 1.1.1\\n相同的数据，但以比例形式显示，人工智能论文发表的比例大幅增长，从 2013 年到 2023 年几乎翻了一番。\\n\\n按发表平台(Venue)分类人工智能研究人员在多种学术平台发表研究成果。图 1.1.3\\n按平台类型展示了人工智能领域论文总量的分布情况。2023\\n\\n年，期刊论文占人工智能论文发表的最大份额(41.8%)，其次是会议论文发表(34.3%)，尽管自 2013 年以来，期刊和会议论文发表总量持续增长，但其在人工智能领域的占比却呈稳步下降趋势——期刊论文占比从 2013 年的 52.6% 降至 2023 年的\\n41.8%，会议论文发表占比同期从 36.4% 下降至 34.3%。与此相反，类似 arXiv 存储库的人工智能论文发表占比显著提升。\\n\\n2013～2023 年按平台分类CS领域人工智能论文发表的统计（占总数百分比）\\n资料来源：2025 年人工智能指数\\\\|图表：2025 年人工智能指数报告\\n\\n图 11.3\\n\\n目录 第一章预览 31\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.1论文发表\\n\\n按国家/地区分类\\n\\n图 1.1.4 展示了不同地区人工智能论文发表情况随时间的变化，3在2023年，东亚和太平洋地区在人工智能研究产出方面领先，占所有人工智能论文发表的 34.5%，其次是欧洲和中亚（18.2%)以及北美（10.3%)探索。4\\n\\n图 1.1.4 分析了人工智能领域论文发表的地域分布情况，揭示了研究成果数量最多的地区；而图 1.1.5 则聚焦于引用情况，统计了各区域研究成果在总引用量中的占比。截至2023年，东亚与太平洋地区的人工智能论文发表引用量占比最高，达到 37.1%(图 1.1.5)。回溯至2017年，该地区与北美地区的引用份额基本持平；此后，北美和欧洲地区的占比呈下降趋势，而东亚与太平洋地区的引用份额则显著攀升。\\n\\n2013—2023年按地区划分在CS领域人工智能论文发表的统计（占总数百分比）\\n资料来源：2025年人工智能指数数据 图表：2025年人工智能指数报告\\n\\n3. 本章中对地区是根据世界银行的分析分指分类的。人工智能指数使用作者身份数据中的“国家”字段来确定作者所属的国家。这个字段列出了根据机构隶属从OpenMax中检索到的作者所属的所有国家。这意味着可以基于论文中提到的信息，也可以从作者身份数据的论文中查找。在我国设计研究成果时，人工智能指数对研究成果所关联的国家进行分析。例如，如果一篇文章有三位作者，其中两位来自中国，另一位来自美国，那么这篇论文可能关联到中国。4. 作者创作的归因缺失或未被探讨。论文发表的跟踪能力为“未发现”，造成同一问题的智识，包括机构名称不能或遗漏、平台标题标识、作者群体实践、隶属关系秘密不宣、文秘类型不一致等作者发展记录有瑕疴。本文讨论的是与OpenMax有关的问题，不过，源机构的问答与其他栏目信息都有关。\\n\\n目录 第一章预览 32\\n\\n* * *\\n\\n第一章：研究与开发\\n1.1论文发表\\n\\n2025年人工智能指数报告\\n\\n2013-2023年按地区划分在CS领域人工智能领域论文发表的引用量（占总引用量百分比）\\n资料来源：2025年人工智能指数\\\\|图表：2025年人工智能指数报告\\n\\nCS领域人工智能论文表计（占总篇数百分比）\\n40%\\n35%\\n30%\\n25%\\n20%\\n15%\\n10%\\n5%\\n0%\\n2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023\\n\\n37.07%,东亚和太平洋地区\\n21.68%,欧洲和中非地区\\n15.59%,北美地区\\n7.97%,中东和北非地区\\n7.69%,南亚地区\\n7.55%,柬埔\\n1.35%,拉丁美洲和加勒比海地区\\n0.69%,撒哈拉沙漠以南地区\\n\\n图11.5\\n\\n目录 第一章预览 33\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.1论文发表\\n\\n2023年，中国在人工智能论文发表数量上居全球首位，占比达 23.2%，而欧洲和印度的占比分别为 15.2% 和 9.2%（见图 1.1.6），自 2016年以来，中国的份额持续稳步增长，而欧\\n\\n洲的占比则呈现下降趋势。美国在人工智能领域的论文发表比例在 2021年前保持相对稳定，但此后略有下降。\\n\\n2013-2023年在 CS领域人工智能论文发表的统计（占总数百分比）\\n资料来源：2025年人工智能指数\\\\|图表：2025年人工智能指数报告\\n\\n图1.1.6\\n\\n5.在本指南及其他章节中，人工智能指数对“欧洲”的定义遵循联合国统计可所界定的国家列表。\\n6.特别说明数据，人工智能指数对部分国家的结果进行了可视化，不过，所有国家的观察结果都将在 AI Index's Global Vibrancy Tool 上公布，该工具计划于 2025 年夏季数据，如需立即联散特定国家的研发数据，请联系人工智能指数团队。\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.1 论文发表\\n\\n2023年，中国人工智能论文的引用量占比达22.6%，位居全球首位，欧洲和美国分别以20.9%和13.0%的占比紧随其后（图\\n1.1.7)，与论文发表总量趋势一致，2010年代末成为关键转折点——中国在这一时期超越欧美，成为人工智能领域被引用文献的首要来源地。\\n\\n2013-2023年按选定地理区域分类在CS领域人工智能论文发表的引用量（占总引用量百分比）\\n资料来源：2025年人工智能指数\\\\|图表：2025年人工智能指数报告\\n\\n图11.7\\n\\n目录 第一章预览 35\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.1论文发表\\n\\n按行业分类学术机构仍是全球范围内人工智能论文发表的主要来源\\n（图1.1.8），2013年，学术机构贡献了85.9%的人工智能论文；\\n到2023年，这一比例仍保持在84.9%的高位，2023年，产业界贡献了7.1%的人工智能论文，政府机构和非营利组织的占比分别为4.9%和1.7%。\\n\\n2013-2023年按行业分类在CS领域人工智能发表物的统计资料来源：2025年人工智能指数数据；图版：2025年人工智能指数报告\\n\\n84.91%，学术界\\n7.14%，产业界\\n1.35%，其他\\n0%\\n10%\\n20%\\n30%\\n40%\\n50%\\n60%\\n70%\\n80%\\n90%\\n2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023\\n\\n7．图11.8和图11.9未标注隶属机构的论文来源入最终可转化统计。\\n\\n目录 第一章预览 36\\n\\n* * *\\n\\n第一章：研究与开发\\n1.1论文发表\\n\\n人工智能论文发表的行业来源在不同地区呈现显著差异\\n（图1.1.9）。美国产业界贡献的人工智能论文占比达16.5%，明显高于中国的8.0%，在主要地区中，中国教育机构产出的人工智能论文占比最高，达到84.5%。\\n\\n2023年按行业和选定地理区域分类在CS领域人工智能论文发表的统计（占总量的百分比）\\n资料来源：2025年人工智能指数\\\\|图表：2025年人工智能指数报告\\n\\n学术界 75.61%\\n79.49%\\n84.45%\\n产业界 69.49%\\n8.02%\\n8.02%\\n非营利组织 4.02%\\n4.00%\\n0.58%\\n政府 3.88%\\n4.72%\\n6.96%\\n人工智能论文发表统计（占总量的百分比）\\n\\n图11.9\\n\\n目录 第一章预览 37\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.1论文发表\\n\\n按研究主题分类机器学习是 2023 年人工智能领域最热门的研究主题，占总\\n(25.9%)和自然语言处理 (17.1%)（图 1.1.10）。过去一年中，关论文数量的 75.7%，其次是计算机视觉 (47.2%)、模式识别于生成式人工智能的论文数量出现了显著增长。\\n\\n2013-2023年按精选核心主题分类人工智能论文发表的统计资料来源：2025年人工智能指数\\\\|图表：2025年人工智能指数报告\\n\\n183.78, 机器学习\\n114.61, 计算机视觉\\n62.90, 模式识别\\n21.82, 基于知识的系统\\n13.07, 生成式人工智能\\n12.00, 逻辑与推理\\n11.29, 多智能体系统\\n8.25, 机器人\\n\\n图 1.1.10 8\\n\\n8. 人工智能指数使用自己的主题分类器对论文进行分类。一份论文有可能被赋予多个主题标签。\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.1论文发表\\n\\n发表的百强论文虽然追踪人工智能论文总量能提供一个对人工智能研究活动的宏观视角，但聚焦于被引用次数最多的论文则能揭示该领域最具影响力的研究成果。这项分析揭示了一些最具开创性和影响力的人工智能研究正在哪里兴起。今年，人工智能指数通过 OpenAlex 的引文数据，确定了 2021 年、2022 年和\\n2023 年被引用次数最多的 100 篇人工智能论文。9 2023 年被引用次数最多的人工智能论文包括 OpenAI 的 GPT-4 技术报告、Meta 的 Llama 2 技术报告和谷歌的 PaLM-E 的技术报告。值得注意的是，由于引用的滞后性，今年报告中被引用次数最多的论文在今后的版本中可能会有所变化。\\n\\n按国家 / 地区分类图 1.1.11显示了各年被引用次数最多的 100 篇人工智能论文的地理分布，从 2021年到 2023年，美国一直是被引用最多的国家，2021年为64篇，2022年为59篇，2023年为50篇，10自\\n2021年以来美国在顶级人工智能论文中所占的比例逐渐下降。\\n\\n2021—2023年按选定地理区域划分的百强高被引论文统计资料来源：2025年人工智能指数 \\\\| 图表：2025年人工智能指数报告\\n\\n图 1.1.11\\n\\n9. 研究研究方法指南及百强论文名录详见附录部分。\\n10. 一篇文章可以有多个来自不同国家或组织的作者。例如，一篇一篇文章包来自多个国家的作者，每个国家只计一次。因此，本部分数字的总和超过100。\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.1论文发表\\n\\n按行业分类学术界持续产出最多被引的人工智能论文,2023年为\\n42篇,2022年为27篇,2021年为34篇(图1.1.12)。值得注意的是，产业界贡献出现了显著下降，百强论文的数量从2021\\n年的17篇和2022年的19篇骤降至2023年的仅7篇。随着人工智能研究竞争日益激烈，许多行业人工智能实验室降低发表论文频率或减少披露研究细节。\\n\\n2021-2023年按选定行业划分的百强高被引论文的统计资料来源：2025年人工智能指数\\\\|图表：2025年人工智能指数报告\\n\\n学术界 产业界 产业界和学术界 混合 其他行业\\n\\n图1.1.12 11\\n\\n11. 混合\\\\*名称包括所有产业界和学术界的部门合作（如产业界和政府、学术界和营利组织），有机构较少2021年的数据，因为它们当年没有论文入选100名。由于论文的多个作者可能来自不同机构，因此图1.1.12中的机构标签总可覆盖100个。另外，由于有两篇论文的作者所属门不明，因此图1.1.12中的论文总数为98篇。\\n\\n目录 第一章预览 40\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.1论文发表\\n\\n按机构类型图 1.1.13展示了2021至2023年间全球人工智能领域高被引百强论文来源机构分布情况,部分机构在图表中可能出现空白柱,这表明该机构在某年未发表百强论文.此外,图1.1.13\\n仅列出了排名前10的机构,尽管许多其他机构也做出了重要贡献。谷歌每年均位居榜首,但在2023年与清华大学并列第一,两者均有8篇论文入选百强。2023年,卡内基梅隆大学是排名最高的美国学术机构。\\n\\n2021-2023年按机构类型划分的百强高被引论文的统计资料来源:2025年人工智能指数\\\\|图表:2025年人工智能指数报告\\n\\n机构类型\\n\\n图1.1.13\\n\\n目录第一章预览\\n41\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.2 专利\\n\\n本节通过分析全球人工智能专利的时序演变趋势，\\n揭示人工智能领域技术创新，研究发展与产业发展的关键动态。此外，分析人工智能专利可以揭示这些技术进步如何在全球范围内分布，与论文发表数据类似，人工智能专利数据的可获得性也存在明显的延迟。2023年是可获得数据的最近年份。本节中的数据来自欧洲专利局（EPO）提供的综合数据库 PATSTAT Global 中的专利级目录记录。12\\n\\n1.2 专利概述\\n\\n图 1.2.1 显示了 2010 年至 2023 年全球人工智能专利的增长情况。在过去十几年中，人工智能专利数量稳步增长，从 2010 年的 3833 项增至 2023\\n年的 122511 项。去年，人工智能专利总量增长了 29.6%。\\n\\n2010—2023 年全球人工智能专利授权数量资料来源：2025 年人工智能指数 图表：2025 年人工智能指数报告\\n\\n图 12.1\\n\\n12. 有关本节专利分析方法的更多详情，请参阅附录。\\n\\n目录 第一章预览 42\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.2 专利\\n\\n按国家/地区分类\\n\\n图 1.2.2 展示了授予的人工智能专利的区域分布，即全球不同地区提交的专利数量。截至 2023 年，截至 2023 年，全球获授权的人工智能专利中，绝大多数(82.4%)来自东亚和太平洋地区，北美地区以 14.2% 的占比位列第二。自 2010 年以来，\\n东亚和太平洋地区与北美在人工智能专利授权方面的差距不断扩大。\\n\\n2010—2023 年按地区划分的 AI 专利授权量（占全球总量的百分比）\\n资料来源：2025 年人工智能指数 图表：2025 年人工智能指数报告\\n\\n82.40%，东亚和太平洋地区\\n14.23%，北美地区\\n0.37%，南亚地区\\n0.15%，全球其他地区\\n0.05%，人工藏种和动物地区\\n0.02%，中东和北非地区\\n0.02%，图像拉沙漠以南地区\\n\\n图 12.2 13\\n\\n13. 不同国家和地区的专利标准和法律各不相同，因此在解释这些图表时，应仔细地核对国家及专利信息所在 AI Index's Global Vibrancy Tool 的后续版本中发布。\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.2 专利\\n\\n按地理区域细分，全球获批的人工智能专利中，绝大多数来自中国（69.7%）和美国（14.2%）（图1.2.3）。来自美国的人工智能专利占比已从2015年的峰值(42.8%)有所下降。\\n\\n图1.2.3 和图1.2.4 记录了哪些国家在人均人工智能专利方面处于领先地位。2023年，每10万居民中人工智能专利授\\n\\n权最多的国家是韩国(17.3项)，其次是卢森堡(15.3项)和中国\\n(6.1项)(图1.2.3)。图1.2.5显示了2013年至2023年人均人工智能专利授权量的变化。在此期间，卢森堡、中国和瑞典的人均人工智能专利增幅最大。\\n\\n2010—2023年按地区划分的人工智能专利授权量（占全球总量的百分比）\\n资料来源：2025年人工智能指数\\\\|图表：2025年人工智能指数报告\\n\\n图12.3\\n\\n目录 第一章预览 44\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.2 专利\\n\\n2023 年按国家分类每 10 万居民授权的人工智能专利数量资料来源：2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数报告\\n\\n韩国 1727\\n卢森堡 15.31\\n中国 6.08\\n美国 5.20\\n日本 4.58\\n德国 1.22\\n新加坡 0.98\\n芬兰 0.97\\n瑞典 0.74\\n英国 0.52\\n丹麦 0.47\\n法国 0.43\\n荷兰 0.40\\n澳大利亚 0.38\\n希腊 0.27\\n0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18\\n授予的人工智能专利（每 10 万居民）\\n\\n图12.4\\n\\n2013 年与 2023 年按国家划分的每 10 万居民授予的人工智能专利数量的百分比变化对比资料来源：2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数报告\\n\\n卢森堡 8,218%\\n中国 6,317%\\n瑞典 3,453%\\n希腊 2,859%\\n新加坡 2,546%\\n芬兰 1,653%\\n德国 1,097%\\n韩国 1,043%\\n荷兰 1,028%\\n英国 730%\\n美国 590%\\n法国 463%\\n日本 385%\\n澳大利亚 240%\\n丹麦 230%\\n0% 1,000% 2,000% 3,000% 4,000% 5,000% 6,000% 7,000% 8,000%\\n授予的人工智能专利数量的百分比变化（每 10 万居民）\\n\\n图12.5\\n\\n目录 第一章预览 45\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.3 标志性人工智能模型\\n\\n本节探讨标志性人工智能模型，人工智能指数数据提供 Epoch AI 使用“标志性机器学习模型 (notable machine learning)”一词来替代人工智能/机器学习生态系统中特别有影响力的模型。Epoch 维护着一个涵盖 1950 年代以来发布的 900 个个人智能模型的数据库，其收录标准包括：技术突破、历史里程碑意义或被引率等核心指标。由于 Epoch 对数据进行人工整理，因此一些被部分人认为标志性可能带来未被收录，通过分析这些模型，我们可以全面了解机器学习领域近年来和过去几十年的发展变化，数据集中可能缺少某些模型，但数据可以揭示相对趋势，标志性人工智能模型包括 GPT-4o、\\nClaude 3.5 和 AlphaGeometry。\\n\\n在本节中，人工智能指数从不同角度探讨了标志型模型的发展趋势，包括起源图、起源组织、模型发布规模、参数量计算和应用情况，最后分别对机学习的训练成本以及推理成本进行了探讨与分析。\\n\\n1.3 标志性人工智能模型\\n\\n按国家 / 地区分类\\n\\n为了展示人工智能领域不断演变的地缘政治格局，人工智能指数展示了标志性模型所属的国家。图 1.3.1 展示了归因于研究人员所属机构所在地的标志性人工智能模型总数。16 2024 年，美国以 40 个标志性人工智能模型遥遥领军，中国以 15 个紧随其后，法国则有 3 个，2024 年全球主要经济体包括美国、中国和欧盟均报告说，2024 年发布的标志性模型少于上一年（图 1.3.2）。自 2003年以来，美国开发的模型数量超过了英国、中国和加拿大等其他主要国家（图 1.3.3）。\\n\\n模型发布总量下降确切原因难以确定，但这可能源于多种因素的综合作用：训练数据规模的不断扩大、人工智能技术的日益复杂化，以及开发新建模方法所面临的挑战日益严峻，Epoch AI 当前收录的标志性模型可能漏漏了部分受关注度较低国家的发布成果。人工智能指数与 Epoch 合作致力于提高人工智能模型生态系统中的全球代表性，如果读者认为缺少了某些国家的模型，欢迎联系人工智能指数团队，我们将努力解决这个问题。\\n\\n2024 年按选定地理区域划分的标志性人工智能模型数量资料来源：Epoch AI 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n2003-2024 年按选定地理区域划分的标志性人工智能模型数量资料来源：Epoch AI 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n14. “人工智能系统（AI system）”是指基于人工智能的计算机制或产品，如 ChatGPT，“人工智能模型（AI Model）”包括一般在训练过程中学习的参数，例如 GPT-4，\\n15. Epoch AI 模型不具备高度逻辑性和理解能力，现今本人人工智能中包含模型总览信息与引导内容，比如数据机算用于 2025 年 3 月 17 日。\\n16. 本文主要讨论的是人工智能模型在不同场景下的表现，包括模型在自然环境中的应用、数据在金融市场中的应用、数据在医疗领域的应用等。\\n17. 图表：展示了不同领域的部分数据，包括深度学习模型的发表数据、背景知识数据的发布数据、相关研究报告的信息数据等。\\n\\n目录第一章预览\\n48\\n\\n* * *\\n\\n第一章：研究与开发\\n1.3 标志性人工智能模型\\n\\n2025年人工智能指数报告\\n\\n2003-2024 年按地理区域划分的标志性人工智能模型数量（总量）\\n资料来源：Epoch AI, 2025 \\\\| 图表: 2025 年人工智能指数报告\\n\\n1-10\\n11-20\\n21-60\\n61-100\\n101-560\\n\\n图 13.3\\n\\n按行业分类\\n\\n图 1.3.4 展示了按模型发布年份划分的标志性人工智能在各领域的来源分布，Epoch 根据来源对模型进行了分类：产业界包括谷歌、Meta 和 OpenAI 等公司；学术界包括清华大学、麻省理工学院和牛津大学等大学；政府指国家附属研究机构，如英国的 Alan Turing Institute for AI 和 阿布扎比的 Technology Innovation Institute；研究集体包括非营利性人工智能研究组织 Allen Insitute for AI 和 Fraunhofer Institute。\\n\\n2014 年之前，学术界在发布机器学习模型方面一直处于领先地位，自那以后，工业界开始领跑，根据 Epoch AI 的数据，在 2024 年，工业界将产生 55 个标志性人工智能模型，随着时间的推移，产学研合作推动的模型数量持续增长。过去十年间，来自产业界的知名人工智能模型占比稳步上升，至 2024 年已达到 90.2%。\\n\\n95。在解释这一教学时应谨慎，学术模型数量为开不意味着 2023 年学术机构没有产生任何标志性模型，而意思昧着 Epoch AI 没有发现任何标志性模型。此外，学术研究成果往往需要更长时间才能获得认可，即使是新能引入重要架构的高端引文，也可能需要较长时间才能产生广泛影响。\\n\\n目录 第一章预览 47\\n\\n* * *\\n\\n第一章：研究与开发\\n\\n2003–2024 年按行业划分的标志性人工智能模型数量\\n\\n资料来源 : Epoch AI, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n2003–2024 年按行业划分的标志性人工智能模型（占总数百分比）\\n\\n图 1.3.4\\n\\n资料来源 : Epoch AI, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n* * *\\n\\n第一章：研究与开发\\n1.3 标志性人工智能模型\\n\\n按研发主体分类\\n\\n图 1.3.6 与图 1.3.7 分别呈现了 2024 年度及过去十年间，\\n机器学习领域标志性模型研发的主导机构分布情况。2024 年，\\n贡献最多的是谷歌（7 个）、OpenAI（7 个模型）和阿里巴巴（4\\n个）。自 2014 年以来，谷歌以 187 个标志性模型遥遥领先，其\\n\\n次是 Meta（82个）和微软（39个）。在学术机构中，卡内基梅隆大学（25个）、斯坦福大学（25个）和清华大学送88适自\\n2014 年以来在标志性模型研发方面成果最多。\\n\\n2024 年按组织划分的标志性人工智能模型数量\\n\\n资料来源 : Epoch AI, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n2014–2024 年按组织划分的标志性人工智能模型数量 ( 总计 )\\n\\n资料来源 : Epoch AI, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n19、在组织统计数据中，DeepMind 发布的研究被归入谷歌。\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.3 标志性人工智能模型\\n\\n模型发布机器学习模型按照开放程度和使用权限可分为多种发布类型，API访问模型，如OpenAI的o1，允许用户通过查询与模型进行交互，而无需直接访问其底层权重。限制条件下的开源权重模型，如DeepSeek的V3，提供对其重量的访问，但施加了一些限制，如禁止商业使用或二次分发。托管访问非API类模型，如Gemini 2.0 Pro，指仅通过平台界面可用，不提供程序化调用接口的模型，无限制开源权重模型，如AlphaGeometry，\\n是完全开放的，允许自由使用、修改和再分发，非商业开源权重模型，如Mistral Large 2，共享权重，但仅限于研究或非商业目的使用。最后，未发布模型，如ESM3 98B，依然专有，只有其开发人员或选定的合作伙伴才能访问。未知指的是访问类型不明确或未公开的型号。\\n\\n图 1.3.8展示了各类模型发布时所采用的不同访问权限类型。20 2024 年，API访问是最常见的发布类型，61 个模型中有 20 个以这种方式提供，其次是限制使用的开源权重和未发布模型。\\n\\n图 1.3.9从比例维度呈现了机器学习模型访问权限类型的历时演变情况，2024年，大多数人工智能模型是通过API访问发布的（32.8%），这一比例自2020年以来稳步上升。\\n\\n2014-2024年按访问类型划分的标志性人工智能模型数量资料来源：Epoch AI, 2025 \\\\| 图表：2025年人工智能指数报告\\n\\n图 1.3.9 21\\n\\n20，托管访问是指使用第三方远程提供的计算资源服务（如软件、硬件或对等），而不是亲自拥有或管理这些资源或服务。托管访问不是在本地运行软件或基础应用，而是通过云或其他远程服务（通常是互联网）。访问这些资源，例如，通过AWS、谷歌、Cloos或微软Azure等平台的GPU，而不是在自己的硬件上运行GPU，就属于托管访问。\\n21，Epoch数据库中的所有模型并根据访问类型分类，因此图1.3.9的结论可能与本章其他地方的描述不一致并升。\\n\\n目录 第一章预览 50\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.3 标志性人工智能模型\\n\\n2014-2024 年按访问类型划分标志性人工智能模型（占总数百分比）\\n资料来源：Epoch AI, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n在传统的开源软件发布中，所有组件，包括培训代码，通常都会公开。然而，人工智能技术却往往并非如此，即使发布模型权重的开发人员也可能保留培训代码。如图 1.3.10 所示，标志\\n\\n性人工智能模型可按代码开放程度进行分类。2024 年，其中\\n60.7% 的模型在发布时未同步公开训练代码。\\n\\n2014-2024 年按训练代码访问类型划分的标志性人工智能模型数量资料来源：Epoch AI, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n目录 第一章预览 51\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.3 标志性人工智能模型\\n\\n参数发展趋势机器学习模型中的参数是在训练过程中学习到的数值，决定了模型如何解释输入数据和进行预测。参数较多的模型需要更多的数据来训练，但它们可以承担更多的任务，通常优于参数较少的模型。图 1.3.11展示了 Epoch 数据库中机器学习模型的参数数量，并按模型来源的行业进到了分类。图 1.3.12展示了相的数据，但选取了较少的标志性模型。自 2010 年代初以来，模型参数量呈现急剧增长态势，这反映了以下关键因素：架构复杂度持续提升、训练数据日益丰富、硬件设施不断改进，以及大模型效能已获验证。高参数量模型在产业界表现尤为突出，这表现出企业机构具备雄厚资金实力，足以支撑海量数据训练所需的巨额计算成本。下列部分图表：采用对数刻度，以准确反映近年来人工智能模型参数及计算需求的指数级增长态势。\\n\\n2003-2024年按行业划分的标志性人工智能模型参数数量资料来源：Epoch AI, 2025 \\\\| 图表：2025年人工智能指数报告\\n\\n学术界学术界一政府产业界产业界一研究共同体协作产业界一学术界政府研究共同体\\n\\n发布日期\\n\\n图 1.3.11\\n\\n目录第一章预览\\n52\\n\\n* * *\\n\\n第一章：研究与开发\\n1.3 标志性人工智能模型\\n\\n2025年人工智能指数报告\\n\\n2012-2024 年按行业划分的标志性人工智能模型参数数量资料来源：Epoch AI, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n学术界产业界产业界一学术界\\n\\nMegatron-Turing NLG E59B\\nPALM (540B)\\nERNIE3.0 Titan\\nGPT-3 175B (davinci)\\nDeepSeek-V3\\nMistral Large2\\nLlama 2-70B\\nQwen2.5-72B\\n\\n1T\\n100B\\n10B\\n1B\\n100M\\n\\nAlexNet\\nTransformer\\nBERT-Large\\nRoBERTa Large\\n\\n发布日期\\n\\n图 1.3.12\\n\\n目录第一章预览\\n53\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.3 标志性人工智能模型\\n\\n随着模型参数数量的增加，用于训练人工智能系统的数据量也在增加。图 1.3.13 展示了用于训练标志性机器学习模型的数据集规模的增长，2017 年发布并被广泛认为引发了大语言模型革命的 Transformer 模型，是在大约 20 亿个词元的基础上训练出来的，到 2020 年 GPT-3 175B——最初的 ChatGPT\\n\\n的基础模型之——估计是在 3740 亿个词元上训练出来的。相比之下，Meta 的旗舰大语言模型，即 2024 年夏天发布的\\nLlama 3.3，则是在大约 15 万亿个词元上训练出来的。根据\\nEpoch AI的数据，大语言模型训练数据集的规模大约每八个月翻一番。\\n\\n2010–2024 年标志性人工智能模型训练数据集规模资料来源：Epoch AI, 2025 \\\\| 图表：2025 年人工智能数据报告\\n\\n图 1.3.13\\n\\n目录 第一章预览 54\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.3 标志性人工智能模型\\n\\n在越来越大的数据集上训练模型导致训练时间显著延长\\n（图1.3.14）。一些最先进的模型，如 Llama 3.1-405B，需要大约 90 天的时间来训练——这在当今标准下是一个典型的训练周期。谷歌于 2023 年底发布的 Gemini 1.0 Ultra 耗时约 100\\n\\n天。这与 AlexNet 形成了鲜明对比，AlexNet 是首批利用\\nGPU 提高性能的模型之一，在 2012 年仅用五到六天就完成了训练。值得注意的是，AlexNet 的训练硬件远不及后者先进。\\n\\n2010—2024 年标志性人工智能模型训练时长资料来源：Epoch AI, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n图1.3.14\\n\\n目录 第一章预览 55\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.3 标志性人工智能模型\\n\\n算力发展趋势\\n\\n在人工智能模型领域，“compute”(计算资源)特指训练和运行训练器学习模型所需的基础算力资源，通常而言，模型复杂度与训练数据集规模将直接影响所需算力资源的多少。模型复杂度越高，训练数据量越大，其训练过程所需的算力规模就越大，在最终训练运行之前，研究人员会在整个研发阶段进行多次测试运行，虽然单个模型的训练成本相对较低，但多次研发迭代所需的累计费用，以及必要数据集费用，将快速攀升至可观规模，需注意，当前数据仅反映最终训练阶段的成本，而非完整研发流程的总投入。\\n\\n图 1.3.15 展示了近 22 年间标志性机器学习模型所需的训练算力变化情况。值得注意的是，近年来重要人工智能模型的算力消耗已呈现指数级增长态势.$^{22}$ 据 Epoch 估算，标志性人工智能模型的训练算力大约每五个月翻一番，这一趋势在过去五年中尤为明显，算力需求的快速增长具有重要影响。以计算密集型模型为例，其往往会产生更大的环境足迹\\n（environmental footprints），而企业机构通常比学术组织拥有更丰富的计算资源，作为参考，人工智能指数第 2 章分析了计算资源提升与模型性能改进之间关联性。\\n\\n2003-2024 年按行业划分的标志性人工智能模型训练计算量资料来源：Epoch AI 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n学界界产业界—研究共同体\\nIndu try\\n产业界—学术界学术界—政府\\nGov emment\\n研究共同体\\n\\n发布日期\\n\\n图 1.3.15$^{23}$\\n\\n22. FLOP (floating-point operation) 指“浮点运算”。浮点运算是涉及浮点数的一单术运算，如加法、减法、乘法或除法。处理器级计算机能够可执行的 FLOP 数据是衡量计算能力的指标。FLOP 等高等，算法的算力规模，用于进行人工智能模型评估及算法验证了模型开发过程中对算力要求。\\n23. FLOP 通过使用扩展器和调用模式理解模型结构和训练数据算术运算来估算计算量。在这两种方法都不可行的情境下，比如基于深度学习作为模型，通过让模型已经可以利用值准确率预测能力，来求 Epoch 方法的全能评课，参提其基础的文档部分。\\n\\n目录第一章预览\\n56\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.3 标志性人工智能模型\\n\\n图 1.3.16 显示了自 2012 年以来标志性机器学习模型的训练算力需求变化情况，例如，AlexNet 网络是推广使用 GPU\\n改进人工智能模型的标准做法模型之一，其训练估计需要\\n470 petaFLOP。24 2017 年发布的原 Transformer 需要约\\n7,400 petaFLOP, OpenAI 的 GPT-4o，当前最先进的基础模型之一，需要 380亿 petaFLOP。现在，开发尖端人工智能模型需要海量数据、巨额算力及雄厚的资金支持，而这些都是学术界无法获得的。大多数领先的人工智能模型都来自产业界，去年的人工智能指数首次强调了这一趋势。虽然今年的差距略有缩小，但这一趋势依然存在。\\n\\n2012–2024 年按领域划分的标志性人工智能模型训练计算量资料来源：Epoch AI 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\nLanguage Vision Multimodal Claude 3.5 Sonnet Gemini1.5Pro GPT-4o Mistral Large 2 ERNIE 3.0 Titan PILM (54DB) Claude 2 Gwen2.5-72B Megatron-Turing N.G.530B Llama2-70B DeepSeek-V3 GPT-3 175B (davinci) Segment Anything Model RoBERTa Large BERT-Large Transformer AlexNet\\n\\n发布日期\\n\\n图 1.3.16\\n\\n24, petaFLOP (PFLOP) 是一个衡量计算性能的单位。1 PFLOP 相当于每秒四千万亿（10^9）次浮点运算\\n\\n目录 第一章预览 57\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.3 标志性人工智能模型\\n\\n2024年12月，Deep Seek推出了V3模型，引起了广泛关注，尤其是因为该模型在计算资源需求远低于许多领先的大语言模型的情况下，实现了卓越的性能。图1.3.17比较了美国和中国一些标志性机器学习模型的训练计算量，凸显了一个关键趋势：美国顶级人工智能模型的计算量通常远高于中国模型。根据Epoch AI的研究数据，自2021年底以来，中文前十大语言模型的训练算力年均增长约3倍，显著低于2018\\n年以来全球其他地区5倍的年均增速。\\n\\n2018-2024年美国与中国部分标志性人工智能模型训练算力分析资料来源：Epoch AI, 2025 \\\\| 图表：2025年人工智能指数报告\\n\\n图1.3.17\\n\\n目录 第一章预览 58\\n\\n* * *\\n\\n第一章：研究与开发\\n1.3 标志性人工智能模型\\n\\n2025年人工智能指数报告\\n\\n重点：\\n模型训练会面临数据枯竭吗？\\n\\n人工智能系统在算法上取得实质性改进的主要驱动力之一，是在越来越大的数据集上扩展模型及其训练。然而，随着互联网训练数据的日益枯竭，人们越来越担心这种扩展方法的可持续性以及数据瓶颈的可能性，因为在这种情况下，规模收益会逐渐减少。去年的人工智能指数探讨了这场辩论中的各种因素，包括现有互联网数据的可用性以及在合成数据上训练模型的潜力。今年的新研究表明，现有数据存量的持续时间可能比之前预期的要长。\\nEpoch AI更新了之前对人工智能研究人员何时可能耗尽数据的估计。在最新研究中，该团队根据元计数估算了可用于训练模型的有效数据总存量（图 1.3.18）。\\nCommon Crawl，一个常用于人工智能训练的开放式网络爬虫数据库，是人工智能训练中经常使用的网络抓取数据开放存储库，据估计，它包含的词中位数为 130 万亿个、索引网络包含约 510 万亿个词，而整个网络包含约 3100 万亿个词。此外，图片总存量估计为 300 万亿，视频为 1350 万亿。\\n\\n数据存量中位数估计值资料来源：Epoch AI, 2025 \\\\| 图表：2025 年人工智能指数\\n\\n图 1.3.18\\n\\n目录第一章预览\\n59\\n\\n* * *\\n\\n第一章：研究与开发\\n1.3 标志性人工智能模型\\n\\n2025年人工智能指数报告\\n\\n重点：\\n模型训练会面临数据枯竭（续）\\n\\nEpoch AI 研究团队预计，在80%的置信区间内，当前的训练数据存量将在2026年至2032年期间全部用完（图1.3.19），数据耗尽的具体时间受多种因素影响。关键因素之一是数据集规模的历史增长，这取决于互联网用户生成和贡献内容的数量。另一关键因素在于算力使用效率\\n——若采用最优算力配置方案进行模型训练，现有数据存量可支撑更长时间，但是，如果为提升高效推理计算能力\\n\\n而对模型过度训练，则数据存量可能更快耗尽。当人工智能模型被过度训练时，即它们被训练的时间超过了典型的收益递减点，它们可能会实现更高的推理计算效率，也就是说，它们可以使用更少的计算能力来处理提示（进行预测、生成文本等），然而，代价是数据存量（即用于训练模型的数据）的加速消耗。\\n\\n公共文本和数据使用存量的预测资料来源：Epoch AI, 2025 \\\\| 图表：2025年人工智能指数\\n\\nLlama 31-409B\\nDBPX\\nFLAN 137B\\nFalcon-409B\\nPaL.M (5408)\\nGPT-3 1768 (devec)\\n\\n数据存量估计值数据存量完全利用的中位时间点存量完全利用的中位日期\\n\\n图 1.3.19\\n\\n目录第一章预览\\n60\\n\\n* * *\\n\\n第一章：研究与开发\\n1.3 标志性人工智能模型\\n\\n2025年人工智能指数报告\\n\\n重点：\\n模型训练会面临数据枯竭（续）\\n\\n这些预测与 Epoch 早期的估计略有不同，后者曾预测高质量文本数据将在 2024 年耗尽。修订后的预测反映了一种更新后的方法论，该方法结合了新研究，表明网络数据比精选语料库表现更好，且模型可以多次在同一数据集上训练，研究发现，经过精心过滤的网络数据是有效的，\\n且重复训练同一数据集是可行的，这扩展了对可用数据量的估计，因此，Epoch 研究人员推迟了数据耗尽可能发生的时间预测。\\n\\n使用合成数据（即由人工智能模型自身生成的数据）\\n\\n来训练模型也被认为是解决潜在数据短缺的一种方案。\\n2024 年人工智能指数报告指出，这种方法存在局限性，即模型在多次使用合成数据训练后，可能会丢失分布尾部的表现，从而导致模型输出质量下降。这一现象在不同模型架构中均被观察到，包括分自编码器（VAEs），高斯混合模型（GMMs）和大语言模型（LLMs）。然而，最新研究表明，当合成数据与真实数据叠加使用而非完全替代时，模型崩溃现象不会发生。尽管这种叠加不一定会提升性能或降低测试损失（测试损失越低，模型性能越好），但也不会导致像完全替换数据时那样的性能退化（图 1.3.20）。\\n\\n数据积累对在 TinyStories 上预训练的语言模型的影响资料来源：Gentgrasser 等，2024 \\\\| 图表：2025 年人工智能指数报告\\n\\n累计模型联合迭代模型联合迭代\\n\\n图 13.20\\n\\n目录第一章预览\\n61\\n\\n* * *\\n\\n第一章：研究与开发\\n1.3 标志性人工智能模型\\n\\n2025年人工智能指数报告\\n\\n重点：\\n模型训练会面临数据枯竭（续）\\n\\n本年度，高保真合成数据（high-fidelitysynthetic\\ndata）的生成技术取得了进展。然而，合成数据与真实数据总体上仍有区别，与真实数据相比，目前没有可扩展的方法能使大语言模型在合成数据上的训练表现与真实数据相当。斯洛文尼亚研究团队通过多种架构和数据集对比了合成数据与真实数据的训练效果，评估了合成关系数据在保留原始数据的关键特证（“保真度”）和对下游任务的有用性（“实用性”）方面的表现。他们发现，大多数方法生成的合成数据可被系统性识别，尤其在涉及关系信息时更为明显。此外，与真实数据训练的模型相比，其高效注意力通常会下降，但有些方法仍能获得中等偏上的预测分数，在少数实验中，合成数据表现更优，例如使用 Synthetic\\nData Vault (SDV) 合成数据训练 XGBoost 分类器的效果优于沃尔玛数据，平均平方误差(MSE)更低。另有证据表明，合成数据在医疗领域潜力显著：某些模型架构通过合成增强数据集训练，可使分类和预测任务的 F1分数或\\nAUROC（接收者操作特征曲线下面积）在少数类上提升\\n5%–10%，26\\n\\n众所周知，大语言模型会产生幻觉并提供与事实不符的输出结果，因此人们对合成生成数据质量和保真度表示担忧。在对数据集中的幻觉内容进行训练时，模型的输出质量可能加速恶化。为解决这一问题，人们开发了新技术。例如，斯坦福大学和北卡罗来纳大学教堂山分校的研究人员利用自动事实检查和置信度评分来对模型响应对的事实性评分进行排序。这些研究人员推 出 FactTune-FS 方法在事实性改进方面往往优于其他基于\\nRLHF 和解码的方法（图 1.3.21）。此外，Human-inthe-loop 标记首选回答的方法也被用于对齐语言模型，\\n虽然有效，但成本较高。最后，训练前可通过事后过滤和去偏方法剔除合成数据中的异常值。\\n\\n25. AUROC（接收者操作特征曲线下面积）是评估人工智能模型性能的常用指标，尤其适用于分类任务。\\n\\n目录第一章预览\\n62\\n\\n* * *\\n\\n第一章：研究与开发\\n1.3 标志性人工智能模型\\n\\n2025年人工智能指数报告\\n\\n重点：\\n模型训练会面临数据枯竭（续）\\n\\n事实准确性（传记类问题的答案正确率）\\n资料来源：Tian 等，2023 \\\\| 图表：2025 年人工智能指数报告\\n\\n张秉正准确\\n56.90%\\n66.90%\\n75.40%\\n78.30%\\n81.20%\\n70.10%\\n76.00%\\n69.60%\\n74.80%\\n84.60%\\n69.50%\\n0%\\n20%\\n40%\\n60%\\n80%\\n100%\\n\\nLlama-1\\n基础模型和方法图13.21\\n\\n随着合成数据的普及，特别是人工智能生成的网络内容所占比例越来越大，未来的模型将不可避免地在非人类生成的材料上进行训练。虽然合成数据具有近乎无限供应的优势，但要有效地利用合成数据进行模型训练，还需要深入了解其对学习动态和学习效果的影响。数据集扩展的\\n\\n一种方法是数据增强，即通过修改真实数据（如图像倾斜或混合）在保留关键特征的前提下创造新的变化。合成数据生成和数据增强都为增强人工智能模型提供了机会，但其有效运用还需要进一步研究。\\n\\n目录第一章预览\\n63\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.3 标志性人工智能模型\\n\\n推理成本去年的人工智能指数强调了前沿大语言模型系统训练成本的快速上升，今年，除了更新对训练成本的分析外，该指数还研究了前沿系统的推理成本是如何随时间推移而变化的。推理成本指查询已训练模型所需的费用，通常以每百万词元的美元价格衡量。人工智能词元定价数据来自 Artificial Analysis 和\\nEpoch AI 的 API 定价专数据库，报告格为输入与输出词元价格的 3:1 加权平均值为分析推理成本。人工智能指数与 Epoch 合作测量了在固定人工智能性能阈值下成本的下降情况。这种标准化方法有助于更精确的比较，虽然新模型价格可能更高，但其性能也显著提升——若直接与性能较低的老模型比较，可能掩盖真实趋势：单位美元获得的人工智能性能已大幅提高。\\n\\n例如，在 MMLU 测试（评估语言模型性能的常用比较基准）中达到 GPT-3.5 水平 (64.8 分)的模型，其推理成本从 2022 年 11 月的每百万词元 20 美元降至 2024 年 10\\n月的 0.07 美元 (Gemini-1.5-Flash-8B)，约 1.5 年内下降超 280 倍。在 GPQA (比 MMLU 更具挑战性的比较基准) 上得分超过 50% 的模型的成本也呈现出类似的趋势，在这方面，推理成本从 2024 年 5 月的每百万词元 15 美元降至同年 12 月的 0.12 美元 (Phi 4)。Epoch AI 估计，根据任务不同，大语言模型的推理成本正以每年 9 至 900 倍的速度下降。\\n\\n2022-2024 年选定的比较基准的推理成本资料来源：Epoch AI, 2025; Artificial Analysis, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\nGPT-3.5 level+ 在多项语言理解任务(MMLU)\\nGPT-4 level+ 在代码生成任务(HumanEval)\\n\\nGPT-40 level+ 在博士研究生问题测试(GPQA Diamond)\\nGPT-4 level+ 在 LMSYS Chatbot Arena Elo\\n\\n发布日期\\n\\n1.3.22\\n\\n目录第一章预览\\n64\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.3 标志性人工智能模型\\n\\n实现特定性能水平的推理成本已显著下降，但最先进模型仍比前文提及的其它模型更贵。图 1.3.23 展示了 OpenAI、Meta 和 Anthropic 等开发商的领先模型每百万词元的成本。26 这些顶级模型的定价通常高于同公司的较小模型，反映了尖端性能所需的溢价。\\n\\n选定的模型的输出价格（每百万词元）\\n资料来源：Artificial Analysis, 2025 图表：2025 年人工智能数据报告\\n\\n训练成本围绕基础模型经常讨论的是其高昂的训练成本。虽然人工智能公司很少披露确切数字，但据广泛估计，成本高达数百万美元计，而且还在持续上升。但普遍估计成本已达数百万美元计且持续攀升。例如，OpenAI CEO Sam Altman 透露GPT-4 训练费用超 1 亿美元；2024 年 7 月 Anthropic CEO Dario Amodei 指出，已投入约 10 亿美元规模的训练成本，较新的 DeepSeek-V3 据报成本较低（约 600 万美元），但总体而言训练仍极其昂贵。27\\n了解与训练人工智能模型相关的成本仍然很重要，但详细的成本信息仍然很少，去年，人工智能指数发布了对基础模型训练成本的初步估算，人工智能指数再次与 Epoch AI 合作，更新并完善了这些估算，为了计算尖端模型的成本，Epoch 团队根据论文、新闻稿和技术报告中的信息，分析了培训时间、硬件类型、数据和使用率等因素。28\\n\\n26. 该指数直显显示了2025年2月公开定价的部分先导型。自发布以来，更新的模型可能已经发布，定价也可能发生变化。\\n27. 一份指南对 DeepSeek-V3 的规定将做出了解释，认为如果聘员工工资，资本支出和投资费用考虑在内，实现开发成本提高得多。\\n28. 有关 Epoch 研究方法的结论则参见本文。\\n\\n目录 第一章预览 65\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.3 标志性人工智能模型\\n\\n图 1.3.24 显示了根据云计算租赁价格估算的部分人工智能模型的相关训练成本,图 1.3.25 则呈现了人工智能指数掌握的所有模型训练成本估算。\\n\\n人工智能指数的估算验证了人们的猜测，即近年来模型训练成本大幅增加，例如，2017年提出的 Transformer模型，该架构支撑了几乎所有现代大语言模型，训练成本约为 670 美元；2019年发布的 RoBERTa Large，在 SQuAD 和 GLUE 等经典理解比较基准中达到当时最优水平，训练成本约 16 万美元；至2023年，OpenAI 的 GPT-4 训练成本估算已达 7900 万美元。\\n\\n2024 年 Epoch 在少数可估算成本的模型中，发现 Llama\\n3.1-405B 的训练成本约 1.7 亿美元。随着人工智能领域的竞争日趋激烈，企业对其训练过程的披露越来越少，使得估算计算成本变得越来越困难。正如之前的人工智能指数报告所指出的人，人工智能模型的训练成本与其计算需求之间存在直接的关系。如图 1.3.26 所示，计算需求更高的模型训练成本显著增加。\\n\\n2019—2024 年选定的人工智能模型估计训练成本资料来源：Epoch AI, 2024 \\\\| 图表：2025 年人工智能指数报告\\n\\n图 1.3.24 29\\n\\n29. 本节中介绍的费用数字是经过通信智能调整的。\\n\\n* * *\\n\\n第一章：研究与开发\\n1.3 标志性人工智能模型\\n\\n2025年人工智能指数报告\\n\\n2016-2024 年选定的人工智能模型训练成本估算资料来源：Epoch AI 2024 \\\\| 图表：2025 年人工智能指数报告\\n\\n训练成本（以亿元为单位）\\\\- 对数刻度）\\nGNMT\\nXception\\nJFT\\nBigGAN-deep SID-SI2\\n\\n2016 2017 2018 2019 2020 2021 2022 2023 2024\\n发布日期\\n\\n1.3.25\\n\\n选定的人工智能模型训练成本估算及算力资料来源：Epoch AI 2024 \\\\| 图表：2025 年人工智能指数报告\\n\\n训练成本（以亿元为单位）\\\\- 对数刻度）\\nUNIVERSITY OF WASHINGTON\\nRuBERTa Large\\n\\n10M 100M 1B 10B 100B\\n\\n训练算力（千兆浮点运算次数 \\\\- 对数刻度）\\n\\n1.3.26\\n\\n目录 第一章预览 67\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.4 硬件\\n\\n硬件进步对推动人工智能发展具有关键作用，虽然扩大模型规模和使用更大数据集训练带来了显著性能提升，但这也进展主要得益于硬件的改进——尤其是更强大，更高效的 GPU（图形处理器）的发展，GPU加快了复杂计算的速度，使模型能够并行处理海量数据并显著缩短训练时间。本节利用 Epoch AI 的数据分析机器学习硬件的主要趋势及其对人工智能发展的影响。\\n\\n虽本节目前强调的是计算性能 (FL/Pi6)，但网络带宽 (GPU) 的通信速度同样至关重要。虽然有关数据中心网络带宽的数据有限，但来来版本的人工智能指数致力于纳入这两方面的信息。\\n\\n1.4 硬件概览\\n\\n图 1.4.1展示了不同精度类型的机器学习硬件的峰值计算性能，其中精度是指计算中用于表示数值（尤其是浮点数）的比特数。精度的选择取决于具体目标。例如，低精度硬件需要的比特数更少，内存带宽更低，是优化计算速度和能效的理想选择。这尤其有利于边缘 / 移动设备的人工智能模型或推理速度优先的场景。另一方面，精度更高的硬件可以保留更高的数值准确率，因此对于科学计算和对精度误差敏感的应用至关重要。在下图可视化的精度中，FP32 精度最高，TF32 为高精度，Tensor-FP16/BF16 和 FP16 则是为速度与效率优化的低精度格式。\\n\\nEpoch 估计以 16 位浮点运算为单位，机器学习硬件的运算能力在 2008-2024 年间的年增长率约为 43%，每 1.9 年翻一番。据 Epoch 分析，这一进步源于晶体管数量增加、半导体制造工艺改进以及人工智能专用硬件的发展。\\n\\n2008-2024 年不同精度下机器学习硬件的峰值计算性能资料来源：2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数报告\\n\\n发布日期\\n\\n图 14.1\\n\\n目录第一章预览\\n68\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.4 硬件\\n\\n主流机器学习硬件的性价比持续提升。图1.4.2展示了部分英伟达数据中心 GPU 的性能，这些都是人工智能训练最常用的，单位为每秒 FLOP,图1.4.3显示了这些 GPU 的性价比，单位为每美元每秒 FLOP,例如，2022年3月发布的H100 图形处理器，达到每美元每秒220亿FLOP,性价比约为A100\\n\\n(2020年6月推出)的1.7倍,P100(2016年4月发布)的16.9倍。据Epoch估算，性能水平固定的硬件成本每年下降30%，这使得人工智能训练越来越经济实惠、可扩展，并有利于模型改进。\\n\\n英伟达数据中心 GPU 在机器学习方面的领先性能资料来源：Epoch AI,2024\\\\|图表：2025年人工智能指数报告\\n\\n1x10¹⁵\\n0.8x10¹⁵\\n0.6x10¹⁵\\n0.4x10¹⁵\\n0.2x10¹⁵\\n0\\n1.87x10¹³\\nP100\\n2016\\nV100\\n2017\\nA100\\n2020\\nH100\\n2022\\n\\n硬件\\n\\n图142\\n\\n目录第一章预览\\n69\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.4 硬件\\n\\n图 1.4.4 基于 Epoch AI 标志性机器学习模型数据集，统计了训练这些模型所使用的硬件。截至2024年，最常用的硬件是 A100（6个模型使用），其次是 V100。使用 H100训练的模型数量正在快速增长，2024年底已达 15 个。\\n\\n机器学习领域领先的英伟达数据中心 GPU 的性价比资料来源：Epoch AI, 2024 \\\\| 图表：2025 年人工智能指数报告\\n\\nP100\\n1.30×10⁹\\nV100\\n6.70×10⁹\\nA100\\n1.30×10⁹\\nH100\\n2.20×10⁹\\n每秒每美元的 FLOP\\n\\n图 14.3\\n\\n机器学习领域领先的英伟达数据中心 GPU 的性价比资料来源：Epoch AI, 2024 \\\\| 图表：2025 年人工智能指数报告\\n\\n发布日期\\n\\n图 14.4\\n\\n目录第一章预览\\n70\\n\\n* * *\\n\\n第一章：研究与开发\\n1.4 硬件\\n\\n2025年人工智能指数报告\\n\\n重点：\\n能源效率和环境影响\\n\\n训练人工智能系统需要大量能源，因此机器学习硬件的能效是一个关键因素。Epoch AI 报告称，随着时间的推移，机器学习硬件的能效越来越高，提高约40%，图1.4.5展示了Tensor-FP16精度硬件的能效（以每瓦 FLOP 计量）。\\n\\n例如，2024年3月发布的英伟达B100能效达2.5万亿FLOP/瓦，而2016年4月发布的P100仅为740亿FLOP/瓦，这意味着B100的能效是P100的33.8倍。\\n\\n2016-2024年领先机器学习硬件的能效资料来源：Epoch AI, 2025 \\\\| 图表：2025年人工智能指数报告\\n\\n发布日期\\n\\n图145\\n\\n目录第一章预览\\n71\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.4 硬件\\n\\n重点：\\n能源效率和环境影响\\n\\n尽管人工智能硬件的能效有了很大提高，但训练人工智能系统所需的总功耗仍在快速上升。图1.4.6展示了训练各种最先进人工智能模型的总功耗（以瓦为单位）。例如，2017年提出的原 Transformer模型功耗约为4,500\\n瓦，而谷歌早期旗舰大语言模型 PeLM 功耗达260万瓦，\\n是 Transformer 的近600倍。2024年夏季发布的 Llama\\n3.1-405B功耗达2,530万瓦，较原 Transformer增长超\\n5,000倍。根据 Epoch AI，训练标志性人工智能模型所需的功耗每年翻一番。人工智能模型能耗的持续增长反映了其训练过程中对越来越大数据集的依赖趋势。\\n\\n不难理解，随着时间的推移，用于训练人工智能系统的总电量在增加，模型排放的碳量也在增加，决定人工智能系统碳排放量的因素很多，包括模型中的参数数量、数据中心用电效率(PUE)以及电网碳强度。30\\n\\n2011-2024 年训练前沿模型所需的总功率消耗资料来源：Epoch AI, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n30.电力使用效率 (PUE) 是用于评估数据中心效能的一个指标。计算公式为数据中心应耗(含制冷)与 IT 设备能耗之比。PUE 值越高，数据中心的效率越低。\\n\\n目录第一章预览\\n72\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.4 硬件\\n\\n重点：\\n能源效率和环境影响（续）\\n\\n图 1.4.7 展示了按发布年份排序的部分人工智能模型的碳排放量，为了估算这些排放量，人工智能指数使用了模型开发者公布的碳数据，并辅以广泛使用的在线人工智能训练排放量计算器的测算结果。由于多数开发者未披露模型碳足迹，这一补充计算十分必要。该计算器根据训练所用硬件类型、总培训时间、云服务商和训练地区来估算排放量。31\\n\\n随着时间的推移，训练标志性人工智能模型所产生的碳排放量稳步上升。虽然 AlexNet 的排放量可以忽略不计，但据报道，GPT-3(2020 年发布)在训练期间的碳排放量约为 588 吨，GPT-4 (2023 年)的排放量为 5184\\n吨，Llama 3.1 405B (2024 年)的排放量为 8930 吨。\\n2024 年发布的 DeepSeekV3，其性能与 OpenAI 的 o1相当，估计其排放量与五年前发布的 GPT-3相当，作为参照，美国人平均每人每年的碳排放量为 18.08 吨。\\n\\n2012–2024 年特定人工智能模型及实际活动产生的碳排放量估算资料来源：Epoch AI, 2021 图表, 2026 年人工智能指数报告\\n\\n航空旅行（名录卷，国内航班旧金山）：0.99\\n人类入境事件（1张），6.58\\n美国入境事件（1张），6.08\\n汽车使用（金燃油，平均车辆使用量）：63\\n\\n图14.7\\n\\n31. 人工智能指数从各种在线来源获取了排放计算器的输入数据，如训练操作和持续时间。为了验证计算器的准确率，我们将计算器的估计值与开发人员提供的实际排放量进行了比较，发现结果基本一致。完整的方法详见附录。\\n\\n* * *\\n\\n第一章：研究与开发\\n1.4 硬件\\n\\n2025年人工智能指数报告\\n\\n重点：\\n能源效率和环境影响(续)\\n\\n选定的人工智能模型估算的碳排放量及参数数量资料来源：Epoch AI, 2025 \\\\| 图表：2025年人工智能指数报告\\n\\n1T\\n1B\\n\\nDeepSeek v3\\nLlama 31.409B\\nMegatron-Suring NLG\\nGLM-500B GPT-3\\nFalcon-800B\\n\\nAlexNet\\nVGG15\\nBERT-Large\\nRoBERTa Large\\n\\n碳排放量（二氧化碳当量吨 \\\\- 对数刻度）\\n\\n图14.8\\n\\n目录第一章预览\\n74\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.5 人工智能会议\\n\\n人工智能会议是研究人员展示研究成果、协同和合作者建立联系的重要平台，在过去二十年，这部会议的规模、数据和影响力都在不断扩大。本节将探讨主要人工智能会议的参会趋势。\\n\\n1.5 人工智能会议参会规模图1.5.1展示了2010年以来部分人工智能会议的参会人数。\\n2020年，新冠疫情迫使会议在线举行，参会人数显著增加，随后，可能由于会议恢复到线下形式，参会人数有所下降，2022\\n年参会人数恢复到疫情前的水平。此后，参会人数稳步增长，\\n2023至2024年增幅达21.7%，自2014年起，年参会人数增长超6万，既反映人工智能研究热度上升，也体现新会议涌现。神经信息处理系统大会(NeurIPS)仍是最受欢迎的人工智能会议，2024年吸引近2万名参会者(图1.5.2-1.5.3)，在主要的人工智能会议中，NeurIPS, CVPR, ICML, ICRA, ICLR, IROS 和\\nAAAI去年的参会人数都有所增加。\\n\\n2010–2024 年期间部分人工智能会议参会情况资料来源：Artificial Analysis, 2025 \\\\| 图表：2025年人工智能数据报告\\n\\n图1.5.1\\n\\n32。对于近年来许多会议采用虚拟或混合形式举办的情况，这些数据应谨慎解读。会议调研方指出，由于虚拟会议使得全球研究的参与更为便利，准确统计线上会议上出席的人数存在困难。AI Index报告中的总出让人数涵盖了虚拟参会、混合参会和线下参会三种形式。本次计算覆盖的会议包括：AAAI, AAMAS, CVPR, EMNLP, FAccT, ICAPS, ICCV, ICLR, ICML, ICRA, LCAI, IROS, KR, NeurIPS/UAI等人工智能领域重要会议。\\n\\n* * *\\n\\n第一章：研究与开发\\n1.5 人工智能会议\\n\\n2025年人工智能指数报告\\n\\n2010-2024 年大型会议的参会人数资料来源：AI Index，2024\\\\|图表：2025年人工智能指数报告\\n\\n参会人数（亿计）\\n19.76, NeurIPS\\n15.00, CVRPI\\n9.30, ICML\\n6.53, ICLR\\n5.55, AAAI\\n3.50, EMNLP\\n\\n图18.233\\n\\n2010-2024 年小型会议的参会人数资料来源：AI Index，2024\\\\|图表：2025年人工智能指数报告\\n\\n参会人数（亿计）\\n2.84, UCAI\\n0.63, AAMAS\\n0.43, UDI\\n0.24, ICAPS\\n\\n图15.3\\n\\n33、2021年ICML参会人数大幅提升，可能源自由于该年的会议线上举行的。\\n\\n目录 第一章预览 76\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.6 开源人工智能软件\\n\\nGitHub 是一个基于 Web 的平台，使个人和团队能够托管、审查和协作代码库，作为软件开发者广泛使用的工具。GitHub 提供代码管理、项目协作和开源软件支持功能，本节基于来自 GitHub 的数据，深入分析论文数据中未反映的开源人工智能软件开发的广泛趋势，34\\n\\n1.6 开源人工智能软件开源人工智能软件项目\\n\\nGitHub 项目由一系列文件组成，包括源代码、文档、配置文件和图像，这些文件共同构成了一个软件项目。图 1.6.1 显示了随着时间推移 GitHub 人工智能项目的总数的变化。35 自 2011 年以来，与人工智能相关的 GitHub 项目数量持续增长，从 2011年的 1,549 个增至 2024年的约 430 万个，值得注意的是，仅去年一年，GitHub 人工智能项目总数激增了 40.3%。\\n\\n2011—2024 年 GitHub 上的人工智能项目数量资料来源：GitHub，2024 \\\\| 图表：2025 年人工智能指数报告\\n\\n图 16.1\\n\\n34. 今年 GitHub 更新了其方法，以缓解更广泛的人工智能相关主题，包括更多数据发展。因此，今年的人工智能指数数字的数据可能以及注册本的数据不对齐。中国研究人员已经使用 GitHub 以供其他网站共享代码、敬 Gee 和 GitCode，但未来是否包括这些码的数据，究竟的方法说明呢？\\n35. GitHub 使用人工智能主题分类方法来识别的人工智能相关的知识，有关方法的详细信息，请参阅附录。\\n\\n目录 第一章预览 77\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.6 开源人工智能软件\\n\\n图 1.6.2展示了 2011 年以来 GitHub 人工智能项目的地理分布，截至 2024 年，美国贡献了 23.4% 的 GitHub 人工智能项目，占比最高；印度以 19.9% 位居第二，欧洲以 19.5% 紧随其后。值得注意的是，自 2016年起，美国开发者在 GitHub 开源人工智能项目中的占比持续下降，近年趋于稳定。\\n\\n2011-2024 年按地理区域划分的 GitHub 人工智能项目占比资料来源：GitHub, 2024 \\\\| 图表：2025 年人工智能指数报告\\n\\n60%\\n50%\\n40%\\n30%\\n20%\\n10%\\n0%\\n2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024\\n\\n35.43%，全球其他地区\\n23.42%，美国\\n19.15%，欧洲\\n2.08%，中国\\n\\n图 16.2\\n\\n目录 第一章预览 78\\n\\n* * *\\n\\n第一章：研究与开发\\n1.6 开源人工智能软件\\n\\n2025年人工智能指数报告\\n\\n星标\\nGitHub 用户可通过“加星 (starring)”功能表达对代码仓库的关注，类似于社交媒体点赞，代表对开源项目的支持，最受关注的仓库包括 TensorFlow、OpenCV、Keras 和 PyTorch\\n等库，这些项目不仅在人工智能领域，更在整个开发者社区中广受欢迎。TensorFlow、Keras 和 PyTorch 是构建和部署机器学习模型的常用库，而 OpenCV 则提供计算机视觉相关工具。\\n\\n如目标检测和特征提取。\\nGitHub 上人工智能相关项目的星标总数持续增长，从\\n2023年的 1,400 万增至 2024年的 1,770 万（图 1.6.3）。36 此前 2022 至 2023 年间星标数已实现翻倍激增。\\n\\n2011-2024 年人工智能项目在 GitHub 上的星标数量资料来源：GitHub \\\\| 图表：2025 年人工智能指数报告\\n\\n图 18.3\\n\\n36. 图 1.6.3 显示年度新增星标数，图表历史累计总量。\\n\\n目录 第一章预览 79\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n1.6 开源人工智能软件\\n\\n2024年，美国在 GitHub 星标数统计中位居全球首位，总计达 2110 万（图 1.6.4）。所有被抽样调查的主要地理区域，包括欧洲、中国和印度，其本国项目在 GitHub 上获得的星标数量均较上年同期有所增长。\\n\\n2011-2024 年按地理区域划分的 GitHub 星标数量资料来源：GitHub, 2024 \\\\| 图表：2025 年人工智能指数报告\\n\\n图 16.4\\n\\n目录第一章预览\\n80\\n\\n* * *\\n\\nAI\\n2025年人工智能指数报告\\n\\n第二章：\\n技术性能\\n\\n* * *\\n\\n第二章：技术性能\\n\\n概述 84\\n章节要点 85\\n2.1 2024 年人工智能技术发展概览 87\\n时间表：重要模型和数据集发布 87\\n人工智能性能状况 93\\n总体回顾 93\\n闭源权重模型与开源权重模型的对比 94\\n美国与中国技术性能对比 96\\n小型模型性能提升 98\\n前沿模型性能趋同 99\\n人工智能基准比较 100\\n2.2 语言 103\\n语言理解 104\\nMMLU：大规模多任务语言理解 104\\n生成任务 105\\nChatbot Arena Leaderboard 105\\nArena-Hard-Auto 107\\nWildBench 108\\n重点： o1, o3, 与推理时间计算 110\\nMixEval 112\\nRAG: 检索增强生成 113\\nBerkeley Function Calling Leaderboard 113\\nMTEB: 大规模文本嵌入式比较基准 115\\n重点： 长上下文检索评估 117\\n2.3 图像与视频 119\\n理解能力 119\\n\\nVCR: 视觉常识推理 119\\nMVBench 120\\n生成能力 122\\nChatbot Arena: 视觉 123\\n重点： 视频生成的崛起 124\\n2.4 语音 126\\n语音识别 126\\nLSR2: Lip Reading Sentences 2 126\\n2.5 编程 128\\nHumanEval 128\\nSWE-bench 129\\nBigCodeBench 130\\nChatbot Arena: 编程能力测评 131\\n2.6 数学 132\\nGSM8K 132\\nMATH 133\\nChatbot Arena: 数学能力测评 134\\nFrontierMath 134\\n重点： 学习与定理证明 136\\n2.7 推理 137\\n通用推理 137\\nMMMU: 面向专家级 AGI 的大规模多学科\\n\\n多模态理解与推理基准 137\\nGPQA: A Graduate-Level Google-Proof\\nQ&A Benchmark 138\\nARC-AGI 139\\nHumanity’s Last Exam（人类终极考试，HLE）141\\n规划 143\\nPlanBench 143\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能（续）\\n\\n2.8 AI 智能体 144\\n\\nVisualAgentBench\\nRE-Bench\\n\\n144\\n145\\n\\nRE-Bench 145\\nGAIA 147\\n\\nGAIA\\n2.9 机器人与自主运动\\n\\n148\\n\\n2.9 机器人与自主运动 148\\n机器人 148\\n\\nRLBench\\n\\n148\\n\\nRLBench 148\\n重点：人形机器人 150\\n重点：DeepMind 的进展 151\\n\\n重点：DeepMind 的进展\\n重点：机器人基础模型自动驾驶汽车\\n发展\\n技术创新与新比较基准\\n安全标准\\n\\n重点：DeepMind 的进展 151\\n154\\n155\\n155\\n156\\n157\\n\\n安全标准 157\\n\\n获取公共数据\\n\\n* * *\\n\\n第二章：\\n\\n技术性能\\n\\n概述\\n\\n本年度的人工指数报告技术性能章节全面概述了 2024 年人工智能领域的主要进展。开篇从宏观层面总结了人工智能技术发展动态，涵盖重大人工智能技术发布、人工智能能力现状以及关键趋势——包括开源权重模型性能提升、前沿模型性能趋同，\\n以及中国大语言模型的质量改进。随后，本章节详细分析了各类人工智能能力的当前发展水平，涉及语言理解与生成、检索增强生成、编程、数学、推理、计算机视觉、语音以及代理型人工智能。今年新增了对机器人与自动驾驶汽车性能趋势的扩展分析。\\n\\n* * *\\n\\n第二章：\\n技术性能\\n\\n章节要点\\n\\n1. 人工智能达成新比较基准的速度比以往任何时候都快。2023 年，研究人员推出了 MMMU、GPQA 和 SWE-bench 等多个具有挑战性的新比较基准，旨在测试日益强大的人工智能系统极限。到 2024 年，人工智能在这些比较基准上的表现取得显著突破：MMMU 和 GPQA 测试成绩分别提升 18.8 和 48.9 个百分点；更引人注目的是，在 SWE-bench 编程测试中，人工智能系统的解题能力从 2023 年仅能解决 4.4% 的问题，跃升至 2024 年的 71.7%。\\n\\n2. 开源模型迎头赶上。根据去年发布的人工智能指数报告，领先的开源模型曾大幅落后于闭源模型。而到 2024 年，这一差距已基本消失。具体来看，2024 年 1 月初，在 Chatbot Arena Leaderboard 上，顶尖闭源模型的性能优势为 B46+避 2025 年\\n 2 月，这一差距已缩小至 1.7%。\\n\\n3. 中美人工智能模型能力差距缩小。2023 年，美国顶尖人工智能模型性能曾大幅领先中国同类产品，但这一态势现已改变。数据显示：截至 2023 年底，在 MMLU、MMMU、MATH 和 HumanEval 等比较基准中，中美模型的性能差距分别为 17.5、13.5、\\n 24.3 和 31.6 个百分点；而到 2024 年末，这些差距已大幅收窄至 0.3、8.1、1.6 和 3.7 个百分点。\\n\\n4. 前沿的人工智能模型的性能趋于收敛。根据去年的人工智能指数，Chatbot Arena Leaderboard 上排名第一与第十的模型间\\n Elo 分数差已从去年的 11.9% 收窄至 2025 年初的 5.4%。同样，排名前两位的模型之间的差距也从 2023 年的 4.9% 缩小到\\n 2024 年的 0.7%。人工智能领域的竞争日趋激烈，如今有越来越多的开发者推出了高质量的模型。\\n\\n5. 予专了予7予个主专&不之主乎争予专，显著提升模型性能。2024 年，OpenAI 推出的 o1、o3 等模型采用迭代式输出推理架构。这种测试时计算方法极大地提高了模型的性能，o1 在国际数学奥林匹克资格考试中获得了 74.4% 的高分，\\n GPT-4o 只有 9.3%。但该技术存在代价，o1 的运算成本激增至 GPT-4o 的 6 倍，推理速度则降低 30 倍。\\n\\n\\n* * *\\n\\n第二章：\\n技术性能\\n\\n章节要点（续）\\n\\n6. 更具挑战性的比较基准不断被提出。MMLU、GSM8K 和 HumanEval 等传统人工智能比较基准已趋近饱和，加上 MMMU 和\\n GPQA 等更新的更具挑战性的比较基准表现持续提升，促使研究人员探索更多针对领先人工智能系统的评价方法。其中值得注意的有人类最后的考试（Humanity's Last Exam），这是一项严格的学术测试，最先进的人工智能系统的得分率仅为 8.80%；前沿数学（\\n Frontier Math），这是一项复杂的数学比较基准，人工智能系统仅解决了 2% 的问题；“BigCodeBench”这是一项编码比较基准，\\n 人工智能系统的成功率仅为 35.5%，远低于人类 97% 的水平。\\n\\n7. 高质量人工智能视频生成模型实现重大突破。2024 年，多款能够根据文本输入生成高清视频的先进人工智能模型相继问世，其中包括 OpenAI 的 SORA、Stable Video Diffusion 3D 和 4D、Meta 的 Movie Gen，以及谷歌 DeepMind 的 Veo 2。与 2023 年的视频生成模型相比，这些新一代模型在画质表现上取得显著提升。\\n\\n8. 小型模型展现更强性能。2022 年，在 MMLU 比较基准中达到 60% 以上分数的最小模型是拥有 5400 亿参数的 PaLM；而到\\n 2024 年，微软推出的 Phi-3-mini 仅用 38 亿参数就实现了相同水平——相当于两年间参数规模缩减了 142 倍。\\n\\n9. 复杂推理仍是人工智能面对的难题。尽管通过思维链（Chain-of-Thought）等推理机制的引入显著提升了大语言模型的性能，这些系统仍无法可靠解决本可通过逻辑推理获得确定性答案的问题——包括数学运算和任务规划等，尤其当问题规模超出其训练范围时。这一缺陷严重影响了人工智能系统的可信度，使其难以胜任高风险场景的应用需求。\\n\\n10. 人工智能智能体展现初步潜力。2024 年推出的 RE-Bench 基准为评估 AI 智能体的复杂任务能力建立了严格标准。在短时任务\\n （2 小时时限）中，顶级人工智能系统的得分可达人类专家的 4 倍；但随着时间延长至 32 小时，人类表现反超人工智能系统，得分达到 2:1 的优势。AI 智能体已在特定领域，如编写 Triton Kernels，达到人类专业水平，且能更快、更低成本地产出结果。\\n\\n\\n* * *\\n\\n第二章：技术性能\\n\\n2.1 2024 年人工智能技术发展概览\\n\\n本章节首先对 2024 年发布的重要模型进行了高度概述，并回顾了当前人工智能技术性能的现状。\\n\\n2.1 2024年人工智能技术发展概览\\n\\n时间表：重要模型和数据集发布\\n\\n根据人工智能指数指导委员会的评选，以下是 2024 年最标志性的模型与数据集发布\\n\\n| 日期 | 名称 | 类别 | 创建者 | 意义 | 图片 |\\n| --- | --- | --- | --- | --- | --- |\\n| 2024年1月19日 | Stable LM 2 | 大语言模型 | Stability AI | Stability AI 的最新语言模型基于 Stable LM 改进，性能显著提升。该模型仅16亿参数，专为笔记本电脑和智能手机等便携设备高效运行而设计。 | stability.ai图 2.1.1资料来源：Wikipedia, 2025 |\\n| 2024年2月8日 | Aya 数据集 | 数据集 | Cohere for AI、北京智源研究院、Cohere、宾汉姆顿大学 | 作为 Cohere 的 Aya 计划的一部分，发布了一个包含 114 种语言 5.13 亿条提示完整比对的数据集。该论文及配套数据集标志着多语言指令微调领域的重大突破。 | Aya图 2.1.2资料来源：Cohere, 2025 |\\n| 2024年2月15日 | Gemini 1.5 Pro | 大语言模型 | 谷歌 DeepMind | Gemini 模型凭借 100 万词元的上下文窗口刷新行业基准，远超 GPT-4 Turbo 的 12.8 万词元限制。 | Introducing Gemini 1.5 Pro图 2.1.3资料来源：谷歌, 2024 |\\n| 2024年2月20日 | SDXL -Lightning | 文生图 | 字节跳动 | 由 TikTok 开发方字节跳动推出，是当时最快的文生图系统之一，可在 1 秒内生成高质量合成图像。其速度通过渐进对抗蒸馏技术实现，而非传统的基于扩散的方法。 | 图 2.1.4资料来源：Hugging Face, 2025 |\\n| 2024年3月4日 | Claude 3 | 大语言模型 | Anthropic | Anthropic 最新的 大语言模型在几乎所有行业的基准比较中都优于 GPT-4 和 Gemini，显著减少错误拒绝率并提高准确性。 | 图 2.1.5资料来源：Anthropic, 2025 |\\n\\n* * *\\n\\n第二章：技术性能\\n\\n2.1 2024 年人工智能技术发展概览\\n\\n| 2024年3月17日 | Inflection-2.5 | 大语言模型 | Inflection AI | Inflection 旗舰产品“PI”搭载该模型，仅用GPT-4 40%的计算资源即实现同等性能。发布两周后，微软以6.5亿美元收购Inflection。 |\\n| --- | --- | --- | --- | --- |\\n| 2024年3月19日 | Moirai与LOTSA | 模型/数据集 | Salesforce | Salesforce发布通用预测基础模型Moirai，及跨9大领域，包含270亿观测值的时序数据集LOTSA。 |\\n| 2024年3月27日 | DBRX | 大语言模型 | Databricks | Databricks开源的专家混合模型（MoE），性能超越Mixtral和Grok等同类小型MoE模型。该仅含解码器的Transformer，模型拥有1320亿参数（每输入激活368亿），训练数据达12万亿词元。 |\\n| 2024年4月2日 | Stable Audio 2 | 文生曲/曲生曲 | Stability AI | 最新版本的Stable Audio是Stability的AI歌曲生成器，新增支持音频到音频功能。用户可以上传歌曲，并使用自然语言提示进行操作，实现定制歌曲。 |\\n| 2024年4月17日 | Llama 3 | 大语言模型 | Meta | Llama 3系列首发80亿及700亿参数文本模型，成为同规模性能最优模型之一。 |\\n| 2024年5月13日 | GPT-4o | 多模态 | OpenAI | GPT-4o是一种新型多模态模型，支持文本、音频、图像和视频任意组合的输入与输出，它对音频的响应时间短至320毫秒，与人类的反应时间相当。 |\\n\\n图 2.1.6\\n资料来源: Inflection, 2025\\n\\n图 2.1.7\\n资料来源: Salesforce, 2025\\n\\n图 2.1.11\\n资料来源: OpenAI, 2024\\n\\n* * *\\n\\n第二章：技术性能\\n\\n2.1 2024 年人工智能技术发展概览\\n\\n| 2024年6月7日 | Qwen2 | 大语言模型 | 阿里巴巴 | 阿里巴巴开发的 Qwen2 系列包含基础模型和指令微调模型，在多项比较基准中性能媲美 Llama 3-70B 和 Mixtral-8x22B 等竞品。 |\\n| --- | --- | --- | --- | --- |\\n| 2024年6月17日 | Runway Gen-3 | 文生视频/图生视频 | 跑道Runway | Runway 升级版视频生成模型为行业树立新标杆，特别擅长生成具有生动表情的逼真人像。 |\\n| 2024年7月23日 | Llama 3.1405B | 大语言模型 | 梅塔Meta | Meta发布迄今最大模型 Llama3.1 系列最终版，4050亿参数，成为当时公开可用的最强基础模型，性能比肩众多闭源权重模型。 |\\n| 2024年8月12日 | Falcon Mamba | 大语言模型 | 阿布扎比技术创新研究所 | 基于 Mamba 状态空间语言模型（State Space 语言模型，SSLM）架构开发的 70亿参数 Falcon 模型，作为少数由政府机构研发的人工智能模型之一，通过动态参数调整机制和输入信息过滤功能，在运算效率上显著超越传统基于 Transformer 架构的同类模型。 |\\n| 2024年8月13日 | Grok-2 | 文生文/文生图 | xAI | Grok 由 xAI开发，一个高级文本和图像生成模型，在图像创建、高级推理和问题解决方面表现突出。它的发布引人注目，尽管 xAI 在2023年3月才成立，但它的技术性能很快就能与领先机型相媲美。 |\\n\\n图 2.1.12\\n资料来源: Qwen, 2024\\n\\n图 2.1.13\\n资料来源: Runway, 2024\\n\\n图 2.1.14\\n资料来源: Meta, 2024\\n\\n资料来源: xAI, 2025\\n\\n* * *\\n\\n第二章：技术性能\\n2.1 2024 年人工智能技术发展概览\\n\\n2024年8月15日\\nImagen 3\\n文生图谷歌 Labs\\n谷歌新一代人工智能图像生成器在\\nGenAI-Bench图像比较基准中创下最高\\nEIo评分，为人工智能生成视觉效果设定了新的质量标准。\\n\\n2024年8月22日\\nJamba 1.5\\n大语言模型\\nAI21 Labs\\n首个融合了状态空间与 Transformer 架构的大语言模型，为基于文本的应用提供高质量的结果。这种混合方法在文本应用中实现高速响应与高质量输出的平衡。\\n\\n2024年8月29日\\nSynthID v2\\n工具谷歌\\nSynthIDv2是谷歌水印和识别软件\\nSynthID的升级版本。新增支持人工智能生成的图像、视频、音频和文本内容，并提供增强的跟踪和验证功能。\\n\\n2024年9月11日\\nNotebookLM\\n播客工具文生播客谷歌 Labs\\n继 Synthpod之后，第二款端到端人工智能博客生成器问世并迅速走红。该工具因其便捷性，深受利用 NotebookLM 进行学习的学生群体以及使用人工智能生成的摘要进行工作听读的科技从业者欢迎。\\n\\n2024年9月12日\\no1-preview\\n语言/数学/\\n生物\\nOpenAI\\nOpenAI的“o系列”首款模型，专为高级推理和处理复杂任务而设计。在数学、科学和编程等复杂任务上的推理能力显著超越GPT。\\n\\n2024年9月17日\\nNVLM\\n(D,H,X)\\n视觉-语言英伟达英伟达发布了三个用于视觉语言任务的开放存取模型，在 OCRBench（光学字符识别）和 VQAv2（自然语言理解）上取得了最高分。\\n\\n图2.1.17\\n资料来源：谷歌，2025\\n\\n图2.1.18\\n资料来源：AI21，2025\\n\\n图2.1.19\\n资料来源：谷歌，2025\\n\\n图2.1.20\\n资料来源：谷歌，2025\\n\\n图2.1.21\\n资料来源：OpenAI，2025\\n\\n图2.1.22\\n资料来源：Dai 等，2024\\n\\n目录第二章预览\\n90\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.1 2024 年人工智能技术发展概览\\n\\n2024年9月19日\\nQwen2.5\\n大语言模型阿里巴巴\\nQwen2.5 是中国电子商务巨头阿里巴巴推出的最新系列基礎模型，包含高效小型模型及专为编程和数学优化的专用模型。\\n\\n图 2.123\\n资料来源：Qwen, 2025\\n\\n2024年10月16日\\nMinistral\\n大语言模型\\nMistral\\nMinistral 是包含 30 亿和 80 亿参数两款紧凑模型，在所有主流行业比较基准中超越同规模的 Gemma 和 Llama 模型。\\n\\n图 2.124\\n资料来源：Mistral, 2025\\n\\n2024年10月22日\\nAnthropic\\n计算机控制代理能力\\nAnthropic\\nAnthropic Computer Use 是 Claude 3.5\\nSonnet 用户的一项突破性计算机控制功能，允许 Claude 在用户的计算机上实时移动光标、输入文本和自主完成任务。\\n\\n图 2.125\\n资料来源：Anthropic, 2025\\n\\n2024年10月28日苹果智能系统\\niPhone功能苹果苹果整合 Image Playground(图像生成)、\\nGennoji(表情定制)、Siri 与 ChatGPT 联动等 AI功能套件。\\n\\n图 2.126\\n资料来源：苹果, 2025\\n\\n2024年12月3日\\nNova Pro\\n多模态亚马逊\\nNova Pro 是亚马逊网络服务 Nova 系列最强模型，擅长处理视觉与文本信息，在金融文档分析领域表现尤为突出。\\n\\n图 2.127\\n资料来源：Amazon, 2025\\n\\n2024年12月11日\\nGemini 2\\n大语言模型谷歌\\nDeepMind\\nGemini 升级版，新增计算机控制功能及图像 /音频生成能力，速度较 1.5 Pro 提升 2\\n倍，编程和图像分析性能显著增强。\\n\\n图 2.128\\n资料来源：谷歌, 2025\\n\\n目录第二章预览\\n91\\n\\n* * *\\n\\n第二章：技术性能\\n2.1 2024 年人工智能技术发展概览\\n\\n2024年12月12日 Sora 文生视频 OpenAI\\nOpenAI 备受期待的视频生成模型，可为ChatGPT Pro 用户生成 1080p/20 秒视频（Plus 用户 720p/5 秒，自 2024 年初技术圈已流传演示版本，官方为提升模型安全性而延迟发布。\\n\\n2024年12月13日 Global MMLU 数据集 Cohere\\n一个多语言评估集，包含 42 种语言的专业翻译 MMLU 问题，旨在作为提供更全球化的人工智能比较比较基准，它评估 AI 在多种语言中的表现，同时解决了原始MMLU 数据中存在的西方偏见，据估计，该数据集中 28% 的问题依赖于西方文化知识。\\n\\n2024年12月20日 o3 (beta) 多模态 OpenAI\\nOpenAI 最新前沿模型，面向人工智能研究人员安全测试发布，在 SWE 编程、竞赛教学、博士级科学和研究数学等比较基准中超越所有前代模型，并以 87.5% 成绩创下ARC–AGI 基准新纪录。\\n\\n2024年12月27日 DeepSeek-V3 大语言模型 DeepSeek\\nDeepSeek V3，该开源模型以显著少于顶尖模型的算力资源开发，在 MMLU 和GPQA 等比较基准中性能超越领先模型。\\n\\n2025年人工智能指数报告\\n\\n目录 第二章预览 92\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.1 2024 年人工智能技术发展概览\\n\\n人工智能性能状况\\n\\n本章节人工智能指数呈现 2024 年人工智能领域的主要发展趋势和全方位高层视角览。\\n\\n总体回顾去年人工智能指数报告指出，人工智能已在多数任务中超越人类水平，仅剩竞赛级数学和视觉常识推理等少数例外。过去一年间，人工智能系统持续改进，在多个原属挑战性的比较基准中已实现对人类表现的超越。\\n\\n图 2.1.33 展示了人工智能系统相对于人类基线在 8 类比较基准（涵盖 11 项任务，如图像分类、基础阅读理解等）中的进展，1 人工智能指数团队为每类任务选取一个代表性基准，今年新增 GPQA Diamond 和 MMIMU 等新发布基准，以展示人工智能在极端复杂认知任务中的突破。\\n\\n选定的人工智能指数技术性能比较基准与人类表现对比资料来源：2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数报告\\n\\n图像分类 (ImageNet Top-5)\\n中等难度阅读理解(SQuAD 2.0)\\n多任务语言理解(MMLU)\\n博士科学问题(GPQA Diamond)\\n\\n视觉推理(VQA)\\n英语语音理解(SuperGLUE)\\n竞赛级数学(Math)\\n多概念理解与推理(MMU)\\n\\n图 2.1.33²\\n\\n1. 人工智能比较基准是一种用于评估人工智能系统在特定任务中性能的标准化测试。例如 ImageNet 作为经典基准，包括大量标注图像、人工智能系统的任务既是对位图像进行分类。因此比较基准进展人工智能领域需要系统发展的方法。\\n2. 图 2.1.33 中，近距离轻按以建立一个比较不同基准的标准指标体系。细致函数经过校准，以将每年量程模型的性能作为特定任务的人类基准的百分比来衡量。例如，为 100% 表示该模型的性能比人类基准高 1%。\\n\\n* * *\\n\\n第二章：技术性能\\n2.1 2024 年人工智能技术发展概览\\n\\n截至 2024 年，人类能力仍领先人工智能的任务领域已所剩无几，即便在这些领域，人工智能与人类之间的性能差距也在快速缩小，例如在竞赛级数学基准 MATH 上，最先进的人工智能系统目前领先人类表现 7.9 个百分点（2024 年初差距仅为 0.3 分）。3 同样，针对复杂跨学科专家级问题的 MMU 比较基准中，2024 年最佳模型 o3 得分 78.2%，仅比人类基准 82.6% 低，4.4 分，而 2023 年不谷歌 Gemini 在该测试中仅获\\n59.4%，充分展示了 AI 在复杂认知任务上的快速进步\\n\\n闭源权重模型与开源权重模型的对比\\n\\n人工智能模型可以以不同的开放程度发布。如谷歌的 Med-Gemini 等模型完全闭源，仅限开发者使用；OpenAI 的 GPT-4o 和 Anthropic 的 Claude 3.5 等通过 API，提供有限公共访问，但未公开权重，因而无法独立修改或全面审查。相比之下，Meta 的 Llama 3.3 和 Stable Video 4D 等模型完全公开权重，允许任何人自由修改和使用。4\\n\\n关于模型开放性的争论呈现两极分化。开源权重支持者强调其打破市场垄断，促进创新、提升安全性与透明度等优势。例如 Meta 的 Llama 模型已衍生出 Meditron 医疗工具、军事应用及全球众多开源项目。反对者则警告开源权重可能助长虚假信息传播和生物武器研发等安全风险，因此需要采取更加谨慎和可控的方法。\\n\\n去年的人工智能指数报告指出闭源与开源大语言模型存在显著性能差距。图 2.1.34 所示了顶尖闭源权重和开源权重大语言模型在 Chatbot Arena Leaderboard 上的性能趋势，该平台是用于大语言模型性能比较基准的公共平台。2024 年 1 月顶尖闭源权重模型领先开源权重模型 8.0%，至 2025 年 2 月该差距已缩小至 1.7%。\\n\\n这一趋势在其他问答比较基准中同样明显。2023 年闭源权重模型在 MMLU、HumanEval、MMMU 和 MATH 主要基准上全面领先，持续优于开源权重模型，但到 2024 年差距大幅收窄（图 2.1.35）。例如，2023 年底，开源权重模型在 MMLU 上领先开源权重模型 5.9 个百分点，但到 2024 年底，这一差距缩小到只有 0.1 个百分点。这一快速提升主要得益于 Meta 在夏季发布的 Llama 3.1，以及随后推出的其他高性能开源权重模型，如 DeepSeek 的 V3。\\n\\n3. 本图中比较基准数据以及本章节其他章节中的比较基准数据都在 2025 年 1 月收集的。自人工智能指数发布以来，个别比较基准可能有所偏离。\\n4. 在软件界，“开源代码”的进度根据可证书的软件许可证授予用户自由使用，研究、修改和分析软件及其代码的权利。但开源权重模型未必完全开源，因其原型代码训练数据通常未公开。\\n\\n* * *\\n\\n第二章：技术性能\\n2.1 2024 年人工智能技术发展概览\\n\\n2025年人工智能指数报告\\n\\nLMSYS Chatbot Arena 中顶级闭源模型与开源模型的性能对比资料来源：LMSYS, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n1,385，闭源\\n1,360，开源\\n\\n分\\n2024-01\\n2024-02\\n2024-03\\n2024-04\\n2024-05\\n2024-06\\n2024-07\\n2024-08\\n2024-09\\n2024-10\\n2024-11\\n2024-12\\n2025-01\\n2025-02\\n\\n图 2.1.34\\n\\n在选定的比较基准中，顶级闭源模型与开源模型的性能对比资料来源：2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数报告\\n\\n闭源 开源\\n\\n通用推理：MMMLU\\n通用推理：MMMU\\n数学推理：MATH\\n编程：HumanEval\\n\\n图 2.1.95\\n\\n目录 第二章预览 95\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.1 2024 年人工智能技术发展概览\\n\\n美国与中国技术性能对比\\n\\n美国在人工智能研究和模型开发领域长期占据主导地位，\\n中国则稳居第二。然而，最新证据表明，这一格局正在快速变化，中国开发的模型正逐步赶超美国同行。\\n\\n2023年，美国领先模型的性能显著优于中国模型。在\\nLMSYS Chatbot Arena平台上，2024年1月，美国顶尖模型的表现比中国最佳模型高出9.3%，但到2025年2月，这一差距已缩小至仅1.70%（图2.1.36）。2023年底，在MMLU、\\nMMMU、MATH和HumanEval等比较基准中，中美模型的性能差距分别为17.5、13.5、24.3和31.6个百分点(图2.1.37)。\\n\\n而到2024年底，这些差距已大幅缩小至0.3,8.1,1.6和3.7个百分点。DeepSeek-R1的发布引发了广泛关注，除此之外，另一原因在于该公司称其成果仅需通常训练此类模型所需硬件资源的一小部分即可实现。除了对美国股市造成影响外，DeepSeek-R1的发布还引发了对美国半导体出口管制有效性的质疑。\\n\\n在LMSYS Chatbot Arena 美国和中国的模型的性能对比资料来源：LMSYS,2025\\\\|图表：2025年人工智能指数报告\\n\\n图2.1.36\\n\\n目录第二章预览\\n96\\n\\n* * *\\n\\n第二章：技术性能\\n2.1 2024 年人工智能技术发展概览\\n\\n2025年人工智能指数报告\\n\\n美国与中国的顶级模型在选定比较基准上的对比资料来源：2025年人工智能指数\\\\|图表：2025年人工智能指数报告美国 中国\\n\\n通用语言：MMLU\\n平均准确率\\n80%\\n60%\\n40%\\n20%\\n0%\\n2022 2023 2024\\n\\n通用推理：MMMU\\n平均准确率\\n80%\\n60%\\n40%\\n20%\\n0%\\n2022 2023 2024\\n\\n数学推理：MATH\\n平均准确率\\n80%\\n60%\\n40%\\n20%\\n0%\\n2022 2023 2024\\n\\n编程：HumanEval\\n平均准确率\\n80%\\n60%\\n40%\\n20%\\n0%\\n2022 2023 2024\\n\\n图2.1.37\\n\\n目录 第二章预览 97\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.1 2024 年人工智能技术发展概览\\n\\n小型模型性能提升\\n\\n近年来，人工智能的进步主要依赖于规模化(scaling)——即通过增加模型规模和训练数据来提升性能，尽管规模化显著增强了人工智能能力，但近期一个显著趋势是高性能小型模型的涌显。图 2.136 展示了在 MMLU（一种广泛使用的语言模型比较基准）中得分超过 60% 的最小模型规模变化，作为背景参考，早期支持 ChatGPT 的模型（如 GPT-3.6 Turbo）在 MMLU上的得分约为 70%。2022 年，达到 MMLU 60% 分数的最小模型拥有 5400 亿参数的 PaLM；而到 2024 年，微软的 Phi-3 Mini 仅以 38 亿参数就达到了相同阈值，标志着两年间模型规模缩小了 142 倍。\\n\\n2024 年是小型人工智能模型的突破之年。几乎所有主流人工智能开发商都发布了高性能紧凑模型，包括 GPT-40 mini、ol-mini、Gemini 2.0 Flash、Llama 3.1 8B 和 Mistral Small 3.5，5 小型模型的崛起具有重要意义，其原因有以下几点：它体现了算法效率的提升，使开发者能够以更少的数据和更低的训练成本实现更高性能。这些效率提升与日益增长的数据集结合，可能催生性能更优的模型。此外，小型模型的推理速度通常更快、成本更低，其出现也降低了企业和开发者将 AI 整合到业务中的门槛。\\n\\n2022–2024年在 MMLU 的评估中得分超过 60%的最小型人工智能模型\\n\\n资料来源：Abdin 等，2024 \\\\| 图表：2025 年人工智能指数报告\\n\\n5. 这部仅著 2024 年发布的少量小型模型。\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.1 2024 年人工智能技术发展概览\\n\\n前沿模型性能趋同近年来，人工智能前沿模型的性能逐渐趋同，多家供应商现已能提供高性能模型。这一现象标志着自 2022 年底以来的转变——当时 ChatGPT 的发布（被广泛视为 AI 进入公众视野的突破性事件）正值 OpenAI 和谷歌两大巨头主导市场的时期。OpenAI（成立于 2015 年）于 2020 年发布 GPT-3，而谷歌则在 2022 年推出了 PaLM 和 Chinchilla 等模型。此后，新竞争者陆续入场，包括 Meta 的 Llama 系列、Anthropic 的 Claude、高飞 Flyer 的 DeepSeek、Mistral 的 Le Chat 以及 xAI 的 Grok，随着竞争加剧，模型性能差距日益缩小（图 2.1.39）。根据去年的人工智能指数报告，在广泛使用的人工智能排名平台 Chatbot Arena Leaderboard 上，第一名与第十名模型的性能差距为 11.9%；而到 2025 年初，这一差距已缩小至 5.4%。同样，前两名模型的差异从 2023 年的 4.9% 降至 2024 年的仅 0.7%，人工智能领域竞争日趋激烈，印证了 2023 年的预测：人工智能企业缺乏抵御竞争对手的技术护城河。\\n\\n选定的供应商在 LMSYS Chatbot Arena 的顶级模型表现资料来源：LMSYS, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n图 2.1.39\\n\\n目录第二章预览\\n99\\n\\n* * *\\n\\n第二章：技术性能\\n2.1 2024年人工智能技术发展览览\\n\\n人工智能基准比较\\n\\n多年来，人工智能指数报告一直通过比较基准来追踪人工智能系统的技术进展。尽管比较基准仍是关键工具，但必须认识到其局限性，并引导社区采用更有效的基础比较实践。\\n\\n如去年人工智能报告所述，许多主流 AI 比较基准正趋于饱和。随着人工智能系统快速发展，即使新设计的更具挑战性的测试，其适用周期往往仅能维持数年。部分专家认为，学术比较基准的新时代可能即将到来，要真正评估人工智能系统的能力，需要更严格、更全面的评估方法。\\n\\n此外，当模型开发者发布新模型时，他们通常会报告比较基准分数，而这些分数通常会被更广泛的社区所接受。然而，这种法也有缺陷，在某些情况下，公司会使用非标准的提示技术，从而使模型间的小变变得不可靠。例如，谷歌在推出 Gemini Ultra 时，报告的 MMUL比较基准分数使用了思维提示技术，而其他开发人员并不使用第三方研究也发现，部分模型在独立测试中的表现低于开发者最初报告的结果。\\n\\n某些关键智能维度难以比过比较基准衡量，比较基准对于评估某些智能能力（如视觉和语言）是有效的，因为任务是离散的——例如正确地对图像进行分类或回答选择题，然而，在多智能体系统，人机交互等领域则面临挑战，主因包括人类行为的多变性和答案的多样性，制定比较基准更具挑战性。\\n\\n此外，人工智能的发展通常是在旨在衡量人类表现的竞赛中进行评估的，例如游戏以对人或机器提出的公共挑战，国际象棋和扑克等游戏需要高度的智力，几十年来，人工智能系统不断改进，已经能够在越来越复杂的游戏中取得最优的人类。具有物理组件或团队能力的游戏也是衡量人工智能进步的好方法，机器人界已经开展了各种挑战性的游戏竞赛。例如机器人足球赛(RoboCup)，人工智能的另一个竞赛领域涉及协调和团队合作，多智体体系在分布式推理方面表现出了进步。\\n\\n人工智能界长期以来一直在开发比较基准。人工智能之所以能够取得重大进展，是因为不同方法和手段都可以根据比较基准所代表的不同黄金标准进行评估。在机器学习领域，不同领域、不同类型数据的比较基准推动了重大进展。许多比较基准由第三方自动评估，不会向人工智能开发人员公开测试数据，这使得评估结果更加可靠最近一个有名的趋势是，各种比较基准任务都由同一个模型来处理。例如，自然语言多年来一直是作为一系列独立任务（如理解、生成问题解答）来处理的，每个任务都有自己的模型和比较基准。同样，语音任务也与语言理解或生成任务分开进行比较基准，如今，一个模型可以处理所有语言任务，在某些情况下，一个模型可以处理语言、图像和多模态任务，这是人工智能在整合原本独立的智能任务和能力方面取得的一项非常重要的进步。\\n\\n人工智能系统在比较基准中提出持续超越力，其快速进步或许最能从人工智能长期面临的著名挑战——图灵测试——的重要性日益下降中得到体现。该测试最初由艾伦·图灵在1950年的论文《计算机与智能》（“Computing Machinery and Intelligence”）中提出，用于评估机器表现出类似人类智能的能力。在测试中，人类评判者与机器和人类进行基于文本的对话；如果评判者无法可靠地区分它们，则为机器通过了图灵测试。最新证据表明，大语言模型的进步已使人们难以区分顶尖语言模型与人类的差异。这表明机器出现人工智能模型能够通过图灵测试，尽管该测试的优缺点长期存在争议。它仍是衡量机器的重要历史文化基准，对其相关性的质疑，凸显近年来大语言模型的巨大进步以及人们对有效计算机科学\\n\\n* * *\\n\\n第二章：技术性能\\n2.1 2024 年人工智能技术发展概览\\n\\n比较基准和人工智能测量不断发展的看法。在机器人领域，出现了许多应对与物理世界互动和推理自然规律的模型。许多机器人比基本准（如 ARMBench）侧重于感知任务。然而，其他比较基准（如 VIMA–Bench）则评估机器人在模拟环境中的性能，这些环境同时融合了感知、通信和深度学习。比较基准也会受到污染，即大语言模型遇到其训练数据中出现过的测试题。Scale 最近的一项研究发现，许多大语言模型在广泛使用的数学比较基准 GSM8K 上的表现存在严重污染。一些研究人员试图通过引入 LiveBench 等比较基准来应对这些污染问题，这些比较基准会定期更新来自陌生来源的新问题这些问题不太可能出现在大语言模型的训练数据中。最后，研究表明，许多比较基准的构建存在缺陷。在 BetterBench 中，研究人员系统地分析了 24 个著名的比较比较基准，并发现了系统性缺陷：14 个未报告统计学意义，17 个缺乏结果复制脚本，大多数文档不完善，限制了其可重复性和评估模型的有效性。尽管广泛使用，但 MMLU 等比较基准对质量标准的遵守程度较低，而 GPQA 等比较基准的表现则明显更好，为了解决这些问题，该论文提出了一个涵盖比较基准开发所有阶段（设计、实施、文档和维护）的 46 项标准框架（图 2.1.40）。该论文引入了一个可访问的存储库，以实现持续更新并提高比较基准的可比性。图 2.1.41 来自 BetterBench，评估了许多著名比较基准的可用性和设计，以确保人工智能评估的可靠性，并防止模型性能做出误导性的结论。比较基准有可能影响政策决策和组织内的采购决策，凸显了评估的一致性和严谨性。\\n\\n比较基准生命周期五个阶段资料来源：Rouel 等，2024\\n\\n设计 (DESIGN):\\n• 创建模型及建模的目的、范围与结构\\n• 确定任务、数据集及评估标\\n\\n实施 (IMPLEMENTATION):\\n• 通过收集、验证与评估数据集和构建比较基准\\n• 评估数据污染与可操作性\\n\\n文档编制 (DOCUMENTATION)\\n• 创建符合模型需求的业务、数据集与评估指标\\n• 解释设计周期属性\\n• 使用比较基准使用资源\\n\\n建设 (RETIREMENT)\\n• 利用模型相关演进流程计划\\n• 利用比较基准数据集、代码及文档并转化为已完成版\\n\\n保护 (MAINTENANCE)\\n• 处理识别错误或优化\\n• 评估比较基准的相关性\\n\\n图 2.1.40\\n\\n目录第二章预览\\n101\\n\\n* * *\\n\\n第二章：技术性能\\n2.1 2024 年人工智能技术发展概览\\n\\n2025年人工智能指数报告\\n\\n在选定的比较基准中，设计与可用性得分对比资料来源：Pavel 等, 2024 \\\\| 图表：2025年人工智能指数报告\\n\\nFoundation models\\nNon-foundation models\\n\\nDecodingTrust\\nPDEBench\\nGPQA\\nALE\\nMLCommons AI Safety v0.5\\nFinRL-Meta\\nAgentBench\\nBIG-bench\\nRL-Unplugged\\nMachiwellii\\nSafebench\\nARC-Challenge\\nGSMRK\\nWordcraft\\nTruthfhUGA\\nMedMNIST v2\\nBBQ\\nHumanEval\\nHeliaSwag\\nBOLD\\nMMJU\\n\\n设计得分\\n\\n在本章节中，人工智能指数继续报告比较基准，并认可其在跟踪人工智能技术进步方面的重要性。按照惯例，该指数从\\nleaderboard、Papers With Code 和 RankedAGI等公共存储库以及公司论文、博客文章和产品发布中获取比较基准分数。该指数基于以下假设：公司报告的分数准确且真实。本节中的\\n\\n比较基准分数为 2025 年 2 月中旬的最新数据，但是，自人工智能指数发布以来，可能已经发布了超越当前最先进分数的新模型。\\n\\n目录第二章预览\\n102\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.2 语言\\n\\n2.2 语言\\n\\n自然语言处理（NLP）使计算机能够理解、解释、生成和转换文本。当前最先进的模型，如 OpenAI 的 GPT-4o、\\nAnthropic 的 Claude 3.5 和谷歌的 Gemini，能够生成流畅连贯的文本，并展现出高水平的语言理解能力（图 2.2.1）。与早期版本仅限于文本输入和输出不同，新一代语言模型现已能够在更广泛的输入和输出模式中进行推理，包括音频、图像和面向目标的任务（图 2.2.2）。\\n\\nGPT-4o 的示例输出资料来源：2025 年人工智能指数\\n\\n问：斯坦福 HAI 是什么？\\n\\n答：斯坦福 HAI（斯坦福以人为本人工智能研究所）是斯坦福大学的一个研究机构，致力于推动人工智能发展以改善人类生活。该机构促进人工智能研究人员、社会科学家，政府制定者和行业领跑之间的跨学科合作，确保人工智能的开发和应用符合人类价值和社会需求。\\n\\n斯坦福 HAI的核心领域包括：\\n研究：开展关于人工智能对社会、伦理及治理影响的课题。教育：提供人工智能相关的课程，奖学金和培训项目。政策与推广：与政策制定者和国际组织合作，推动责任的人工智能法规。倡议活动：举办研讨会，发布报告（如人工智能指数报告），并开发工具（如全球 AI 活力指数工具）。该研究所在全球人工智能讨论中发挥着领导作用，旨在让人工智能广泛普及人类，同时应对其潜在风险和挑战。更多信息可访问斯坦福 HAI官网。\\n\\n图 2.2.1\\n\\nGemini 2.0 在代理工作流中的应用资料来源：2025 年人工智能指数\\n\\n图 2.2.2\\n\\n目录第二章预览\\n103\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.2语言\\n\\n语言理解\\n\\n英语语言理解对人工智能系统提出了多方面的挑战，包括阅读理解与逻辑推理等任务。\\n\\nMMLU：大规模多任务语言理解大规模多任务语言理解（MMLU）比较基准通过零样本或少样本场景评估模型在 57 个学科中的表现，涵盖人文、STEM\\n(科学、技术、工程、数学)及社会科学等领域(图 2.2.3)。MMLU\\n已成为评估大语言模型能力的核心比较基准：GPT-4o、\\nClaude 3.5,Gemini 2.0 等前沿模型均基于此测试进行了评估。\\n\\nMMLU 示例题目来源：Hendrycki 等, 2021\\n\\n微观经济经济学政府限制和监管垄断的原因之一是\\n(A)生产者剩余减少，消费者剩余增加。\\n(B)垄断价格保证了生产效率，但社会失去了配置效率。\\n(C)垄断企业不会进行重要的研发活动。\\n(D)由于价格上升和产量下降，消费者剩余减少。\\n\\nMMLU:平均准确率资料来源：Papers With Code, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\nMMLU比较基准由加州大学伯克利分校、哥伦比亚大学、芝加哥大学和伊利诺伊大学厄巴纳－香槟分校的研究团队于 2020\\n年创建。\\n\\n截至 2024 年 9 月，MMLU最高分为 92.3%，由 OpenAI\\n的 oi-preview 模型取得，作为对比，2023 年 3 月发布的\\nGPT-4 得分为 86.4%。值得注意的是，早期测试模型\\nRoBERTa 在 2019 年仅获得 27.9% 的分数（图 2.2.4）。这一最新成果标志着五年间性能提升了 64.4 个百分点。\\n\\n图 2.2.3\\n\\n目录第二章预览\\n104\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.2语言\\n\\n尽管MMLU备受关注，但它也面临显著批评。有观点认为，\\n该比较基准包含错误或过于简单的问题，可能无法有效挑战日益先进的系统。2024年，多伦多大学、滑铁卢大学和卡内基梅隆大学的研究团队推出了MMLU-Pro，这是MMLU的一个更具挑战性的版本。该版本剔除了噪声问题和琐问题，\\n扩展了复杂题目，并增加了模型的选项数量。图2.2.5展示了\\nMMLU-Pro的性能趋势，其中DeepSeek-R1以84.0%的得分位居榜首。此外，测试环境也引发了担忧。开发者有时会使用非标准的提示技术报告MMLU分数，这些技术可能提升性能，但会导致误导性比较。此外，证据表明，开发者公开报告的分数与学术研究者后续评估的结果可能存在差异，有时甚至相差五个百分点。因此，MMLU的性能结果需谨慎解读。\\n\\n生成任务在生成任务中，人工智能模型需测试其生成流畅且实用的语言回答的能力。\\n\\nChatbot Arena Leaderboard\\n随着高性能大语言模型的崛起，了解公众更偏好哪些模型变得愈发重要。LMSYS于2023年推出的Chatbot Arena\\nLeaderboard，其是首个全面评估公众对大语言模型偏好的平台之一。该leaderboard允许用户向两个匿名模型提问，并投票选出更优的回答（图2.2.6）。截至2025年初，该平台已累计超过100万次投票，用户将谷歌的Gemini系列模型评为社区最受欢迎的选择。\\n\\nMMLU-Pro:整体正确率资料来源：MMLU-Pro Leaderboard, 2025 \\\\| 图表：2025年人工智能辅助数据\\n\\n图2.2.5\\n\\n目录第二章预览\\n105\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.2语言\\n\\nChatbot Arena Leaderboard上的模型回答示例来源：Chatbot Arena Leaderboard，2024\\n\\nPlease explain to me the accomplishments of Otto von Bismark.\\n\\nOtto von Bismark was a prominent Prussian statesman who played a key role in the unification of Germany in late 17th century. Here, some of his major accomplishments:\\n\\n1. Unification of Germany. Bismark undertook the unification of Germany through a series of significant concessions, including victories in wars and the Franco-Positional War of 1893-1894, which ultimately led to the establishment of the German Empire in 1893.\\n2. The adoption of the German Empire, which was proclaimed in 1893 with King Wilhelm I of Prussia as Emperor. Bismark became the first Chancellor of the German Empire and played a crucial role in the implementation of the First Schleswig War.\\n3. Realistic. Bismark was a master of realism, a pragmatic approach to politics that approached the goal of unifying Germany and strengthening Prussian power in Europe.\\n4. Affective. Bismark's convenient political view, Bismark implemented a series of social reforms aimed at improving the lives of working class Germans. These reforms included the introduction of social protection and social insurance, and helped pensions, which laid the foundation for the modern welfare state.\\n\\nA is better\\nB is better\\nTie\\nBoth are bad\\n\\n图 2.2.7 展示了截至 2025 年 1 月 Chatbot Arena Leaderboard上前 10 名模型的概况。值得注意的是，顶尖模型之间的性能差距逐渐缩小。根据 2024 年人工智能指数，2023 年榜首与第 10 名模型的 Arena 评分差异为 11.9%，6 而到 2025 年，这一差距已降至 5.4%，这一趋同现象表明，近期大语言模型的质量正趋于均衡。\\n\\nLMSYS Chatbot Arena 大语言模型 Elo 评分（总体）\\n来源：LMSYS，2025 图表：2025 年人工智能指数报告\\n\\n图 2.2.7\\n\\n6. Arena 评分是 Arenaleaderboard 用于比较模型性能的相对排名系统。评分方法详见 Chatbot Arena Leaderboard的文章。\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.2语言\\n\\nArena-Hard-Auto\\n随着人工智能能力快速提升，开发新比较基准面临的主要挑战在于，人工创建高质量基准成本高昂且耗时。为此，加州大学伯克利分校的研究团队今年推出了 BenchBuilder。该工具利用大语言模型构建自动化流程，从大规模众包数据集中筛选高质量开放式提示，可在无需大量人工干预的情况下更新或创建新基准。LMMSY 团队使用该工具开发了 Arena-Hard-Auto，这是一个专为评估指令调优大语言模型设计的基准（图 2.2.8）。Arena-Hard-Auto包含 500 个来自 Chatbot Arena 的高难度用户查询，并以 GPT-4 Turbo作为评判模型，将其响应与基线模型（GPT-4-0314）对比。\\n\\n截至 2024 年 11 月，Arena-Hard-Autoleaderboard 上得分最高的模型为 o1-mini (92.0)、o1-preview (90.4)和 Claude-3.5-Sonnet (85.2)（图 2.2.9）。该基准还设有风格控制 leaderboard，用于评估模型回答风格对用户偏好的潜在影响。风格 leaderboard的首位是 Anthropic 公司 2024 年 11月发布的 Claude Sonnet 3.5 变体（图 2.2.10）。然而，Arena-Hard-Auto等自动化基础因问题分布不均而受到批评，例如超过 50%的问题仅照焦编程与调试，这限制了对大语言模型能力的全面评估。\\n\\nChatbot Arena Leaderboard上的模型回答示例来源：Chatbot Arena Leaderboard, 2024\\n\\n未修改的 Arena-Hard-Auto\\n资料来源：LMMSY, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n带风格控制的 Arena-Hard-Auto\\n资料来源：LMMSY, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n目录第二章预览\\n107\\n\\n* * *\\n\\n第二章：技术性能\\n2.2 语言\\n\\nWildBench\\nWildBench 由 Allen Institute for AI 和华盛顿大学研究人员开发，是 2024 年推出的一个比较基准，用于在具有挑战性的现实世界查询中对大语言模型进行评估。创建者强调了现有大语言模型评估的几个局限性。例如，MMLU 仅关注学术\\n\\n问题，未涵盖开放式现实场景；而 LMSYS 等基准虽涉及现实挑战，但过度依赖人工审核，且缺乏对全部模型使用统一数据集的评估一致性（图 2.2.11）\\n\\nWildBench 的评估框架来源：Lin 等，2024\\n\\nHistory\\nQuery\\nLLM A's response\\nChecklist\\nLLM B's response\\n\\nHistory\\nQuery\\nLLM response\\nExample Task (history + own)\\n\\nPairwise\\njson\\\\_output = {\\n\\\"analysis of A\\\": \\\"\\\\[analysis of Response A\\\\]\\\",\\n\\\"analysis of B\\\": \\\"\\\\[analysis of Response B\\\\]\\\",\\n\\\"reason of A\\\": \\\"Where Response A and B perform equally\\\",\\n\\\"reason of B\\\": \\\"Where Response B is better than A\\\",\\n\\\"choice\\\": \\\"A or B or A+B or B+B\\\"\\n} Ai means A is much better. Ai means A is slightly better...\\n\\nIndividual\\njson\\\\_output = {\\n\\\"strengths\\\": \\\"\\\\[analysis for the strengths\\\\]\\\",\\n\\\"weaknesses\\\": \\\"\\\\[analysis for the weaknesses\\\\]\\\",\\n\\\"score\\\": 6\\n} Score 6: The response is fair but has some issues (e.g.\\nRealistic errors, hallucinations, missing key information)...\\n\\nChecklist (a list of questions and criteria for eval)\\nDoes the alternative formula provided correctly address the users' need to find the best matching solution in specified columns and ensure a corresponding value from another column?\\nIs the alternative formula appropriately connect and complement with spreadsheet software such as Microsoft Excel or Google Sheets?\\n\\nAI2 WildBench\\n\\n目录 第二章预览 108\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.2语言\\n\\nWildBench通过自动化评估框架解决了现有基准的缺陷，\\n其问题集涵盖语言模型可能遇到的多样化真实场景 (“野外”\\n问题”)（图 2.2.11）。这些问题从超过 100 万条人机对话记录中精选而出，并定期更新以保证时效性。开发者还维护实时 leaderboard 以追踪模型性能变化。目前，WildBench 表现最佳的模型为 GPT-4o，其 WB-Elo 评分为 1227.1，以微弱优势领先第二名 Claude 3.5 Sonnet (1215.4 分)（图\\n2.2.12）。\\n\\nWildBench: WB–Elo（长度控制）\\n资料来源：WildBench Leaderboard, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n1,176 1,179 1,181 1,182 1,185 1,188 1,192 1,196 1,197 1,199 1,209 1,210 1,215 1,215 1,227\\n1,000\\n800\\n600\\n400\\n200\\n0\\nNamethon-4-34GB-inst\\nAthene-TDB\\nvr-Large\\nDeepSeek-V2-Coder\\nLiamash-709-Instruct\\nGemini-1.5 Flash\\nClaude 3 Opus\\nDeepspeek-V2-Chat\\nvr-Large-Preview\\nGemini-1.5 Pro\\nClaude 3.5 Genet\\ngpt-4o-2024-05-13\\nGemini-2-2TB-it\\n\\n模型\\n\\n图 2.2.12\\n\\n目录 第二章预览 109\\n\\n* * *\\n\\n第二章：技术性能\\n2.2 语言\\n\\n2025年人工智能指数报告\\n\\n重点：\\no1, o3, 与推理时间计算\\n\\nOpenAI最新发布的o1和o3模型标志着人工智能模型在“思考”能力和高级推理表现上的范式转变。o1和o3\\n在编程、量子物理和逻辑等多样化任务中展现出卓越性能，\\n其高级推理能力归功于链式思考过程和答案迭代校验机制。这意味着模型会将复杂问题分解为更小的可执行步骤，\\n\\no1的链式思考过程资料来源：OpenAI, 2024\\n\\nGPT-4o\\n\\n用户输入：\\noyfjdnisdr rtqwainr acxz mynzbhhx -> Think\\nstep by step\\n\\n使用上述方法解码以下密文：\\noyekajjzdf aaptcg suaokybhai ouw aqht mynzrwwaatzacdfoukxxz\\n\\n从而提升输出质量。例如，在解码乱序文本任务中，o1会展示比GPT-4更详尽的思维推理过程（图2.2.15），这种人工智能系统在回答过程中迭代优化的机制被称为推理时间计算。\\n\\n解码步骤说明：\\n\\n配对字母 将密文中的字母两两分组（例如 oy fj dn is dr）。字母转数字：将每个字母转换为字母表中的对应序号\\n(A=1, B=2, ..., Z=26)。求和 计算对字母的数字之和。求平均值：将和除以2，得到平均值。数字转字母 将平均值转换为对应的字母 (1=A, 2=B, ...\\n26=Z)。应用示例：\\n以第一对字母 oy 为例：\\n\\no = 15, y = 25 → 和 = 15 + 25 = 40 → 平均值 = 40 / 2\\n= 20 → 字母 = T\\n\\n图2.2.13\\n\\n目录第二章预览\\n110\\n\\n* * *\\n\\n第二章：技术性能\\n2.2语言\\n\\n2025年人工智能指数报告\\n\\n重点：\\no1, o3, 与推理时间计算(续)\\n\\n图 2.2.14 对比了 GPT-4o 与 o1、o1-preview 在多项比较基准中的表现。7例如，o1在 MMLU上以 2.8 分优势超越 GPT-4o，在 MATH 测试中领先 34.5 分，在\\n\\nGPT-4o、o1-preview、o1 in选定的比较基准上对比资料来源：OpenAI，2024\\n\\n然而，这些模型的强大推理能力伴随着显著的成本提升——包括财务成本和延迟成本，例如，GPT-4o 的输入\\n/输出词元成本分别为每百万 2.5 美元和 10 美元，而 o1\\n则高达 15 美元和 60 美元。8此外，o1的首词元延迟达\\n29.7秒，是 GPT-4o (0.72秒)的 40 倍。o3的延迟虽未公开，但推测更高。o1与o3的强劲能力将持续推动高级人工智能系统和智能体的发展。\\n\\nGPQA Diamond 中高出 26.7分，在极难的 AIME 2024\\n数学竞赛中更是领先 65.1分。而 o3则展现出当前最复杂的推理能力，在 ARC-AGI 机器智能比较基准中以 87.5%\\n的准确率刷新了此前 55.5% 的纪录。\\n\\nOpenAI 于 2024 年 9 月 12 日向 ChatGPT Plus 和\\nTeams 用户发布 o1-preview，并于 2024 年 12 月 5 日推出 o1 正式版（同时发布月费 200 美元的 ChatGPT\\nPro 订阅服务以获取 o1 访问权限）。\\n\\n7. o1-preview 是 o1 的管理预览版本，在全面直播前需有访问。\\n8. o3 目前仅通过 Open 人工智能安全计划计划提前验证人员和开发者。\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.2语言\\n\\nMixEval\\nMixEval 由新加坡国立大学、卡内基梅隆大学和 Allen Institute for AI 的研究团队联合推出，是解决当前大语言模型评估领域局限性的一项新比较基准。MixEval 结合了 Chatbot Arena 中的综合性真实用户查询与 MMLU 基于标准答案的题目（图 2.2.15），包含多个评估套件，其中 MixEval-Hard 是更具挑战性的版本，聚焦高难度查询，成为评估模型处理复杂问题的有效工具。\\n\\nMixEval 的评估框架资料来源：NI 等，2024\\n$\\\\\\\\textcircled{1}$ MixEval\\nLLM Classifier\\nFilter\\nModality Annotation\\nBenchmark Mixture\\n$\\\\\\\\textcircled{2}$ MixEval-Hard\\nEval\\nResults\\nSampling\\nDynamic Eval\\nUpdate\\nVersion #/#\\nVersion #/#\\n\\n在 MixEval-Hard 比较基准中，获得最高的模型是 OpenAI 的 01-preview(72.0 分)，其次是 Claude 3.5 Sonnet-0620 模型（68.1 分），第三名为 Llama-3-405B-Instruct 模型（66.2 分）（图 2.2.16），这三款模型均发布于 2024 年。\\n\\n聊天模型在 MixEval-Hard 的得分资料来源：MixEval Leaderboard, 2025 图表：2025 年人工智能指数报告\\n\\n70\\n60\\n50\\n40\\n30\\n20\\n10\\n0\\n52.90\\n54.00\\n55.90\\n56.80\\n57.00\\n57.40\\n58.30\\n58.70\\n62.60\\n63.50\\n64.10\\n66.20\\n68.10\\n72.00\\n\\nGemini 15 Pro/NP-0409\\nGPT-A Turbo-0204-0409\\nGPT-Do-2024-05-33\\nLlama-3-405B-Instruct\\nOpenAI of preview\\nClaude 3.5 Sonnet-0620\\nClaude Sunset\\nDwen-May-0428\\nYi-Large-preview\\nSketch-4.0\\nMineral Large 2\\nGemini 15 Pro/A99-0594\\n\\n模型\\n\\n2.2.15\\n\\n目录第二章预览\\n112\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.2 语言\\n\\nRAG: 检索增强生成\\n\\n检索增强生成（RAG）是在大语言模型中测试的一种越来越常见的能力。这种方法将大语言模型与检索机制整合在一起，以增强其响应生成能力。模型首先从文件或文档中检索相关信息，然后根据检索到的内容生成适合用户查询的响应。RAG的用例多种多样，包括从大型数据库中回答精确问题，以及利用公司文件信息解决客户查询。\\n\\n近年来，RAG备受研究机构和企业关注，例如，Anthropic于2024年9月推出“上下文检索”技术，显著提升RAG模型的检索能力。2024年还发布了多项RAG评估基准，如\\n\\nRagnarok(RAG竞技场)和CRAG(综合RAG基准)。此外，针对特定场景的专项基准（如金融问答基准FinanceBench）也已问世。\\n\\nBerkley Function Calling Leaderboard\\n\\nBerkley Function Calling Leaderboard评估大语言模型准确调用函数或工具的能力。评估套件包括2,000多个问题 - 函数 - 答案对，涉及多种编程语言（如Python、Java、JavaScript和REST API）和多个测试领域（图2.2.17）。\\n\\nBerkeley Function Calling Leaderboard数据构成资料来源：Yan等，2024\\n\\nBerkeley Function-Calling Leaderboard Evaluation Data Composition\\n\\nJavascript (AST) 2.5%\\nSQL (AST) 5.0%\\nJava (AST) 5.0%\\nREST (Exec) 3.5%\\nRelevance 12.0%\\nChatting Capability 10.0%\\nSimple (Exec) 10.0%\\nMultiple (Exec) 2.5%\\nParallel & Multiple (Exec) 2.0%\\nSimple (AST) 20.0%\\nParallel (AST) 10.0%\\nMultiple (AST) 10.0%\\n\\n图2.2.17\\n\\n9.在这种情况下AST(抽象语法树)的描述及在结构层面分析该逻辑代码的任务，将代码解析为一棵语法素树，标有“AST”的评估可能会测试人工智能模型以结构化方式理解、生成或处理代码的能力。Exec(基于执行)表示需要实现执行函数调用以验证正确性的任务，称有“Exec”的评估可能会评估人工智能模型是否能够正确调用和执行函数，确保产生预测的结果。\\n\\n目录第二章预览\\n113\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.2语言\\n\\n在 Berkeley Function Calling Leaderboard 上，表现最佳的模型是 watt-tool-70b，这是基于 Llama-3.3-70B-Instruct 专门针对函数调用任务微调的变体，其整体准确率达到 74.24% (图 2.2.18)，排名第二的是 GPT-4o 的 11 月版本，得分为 72.08。2024 年间，模型在该比较基准中的性能显著提升，年底顶尖模型的准确率较年初提高了 50 个百分点。\\n\\n伯克利函数调用：整体准确率资料来源：Berkeley Function-Calling Leaderboard, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n模型\\n\\n图 2.2.18\\n\\n目录 第二章预览 114\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.2 语言\\n\\nMTEB: 大规模文本嵌入式比较基准大规模文本嵌入式比较基准（MTEB）平台由 Hugging Face 和 Cohere 公司的团队创建，于 2022 年底推出，旨在全面评估模型在各种嵌入任务中的技术性能。嵌入涉及将数据（如词、文本或文档）转换为数字向量，以捕捉大致的语义和向量之间的距离。嵌入是 RAG 的重要组成部分。在 RAG 任务中，当用户输入查询时，模型将其变换为嵌入向量。\\n\\n这种 Transformers 可使模型搜索相关信息。MTEB 包括跨越 112 种语言的 58 个数据集和 8 个嵌入任务（图 2.2.19）。例如，在 bitext 挖掘任务中，有两组来自不同语言的句子，对于第一组中的每个句子，模型的任务是在第二组中找到最佳匹配。\\n\\nMTEB比较基准的任务资料来源：Manninghoff 等，2023\\n\\nClustering\\nAnvivP3P\\nAnvivS2S\\nBornivP2P\\nMonivS2S\\nMedrovP20\\nMedrovS2S\\nTeddie\\nEndorP20\\nStackExchange\\nStackExchangeP2P\\nTrencyNewgroup\\n\\nMTEB\\nMassive Text Embedding Benchmark\\n8 Tasks\\n58 Datasets\\n\\nBittext Mining\\nBUCC\\nTatoba\\n\\nClassification\\nAmazonCounterfactual\\nAmazonPoarity\\nAmazonReview\\nBanking77\\nEmotion\\nImdb\\nMassive Intent\\nMassiveScenage\\nMTOPDomain\\nMTOPIntent\\nTweetSentimentIntl\\nTweetSentimentExtraction\\n\\nRetrieval\\nArquAna\\nClimaterFEVER\\nDIPedia\\nCQADupstackReverse\\nFLVER\\nFJQU2018\\nHedgePotQA\\nHSMANQO\\nNFCorpno\\nNO\\nQuora\\nSCIDOCS\\nSoFact\\nTouch2020\\nTRECCDVID\\n\\nSTS\\nBUDES65\\nSICK-R\\nSTS11\\nSTS12\\nSTS13\\nSTS14\\nSTS15\\nSTS16\\nSTS17\\nSTS22\\nSTS28\\n\\nPair Classification\\nSpiritDuplicateQuestion8\\nTwitterSemilife2015\\nTwitterURLCoupon\\n\\nSummarization\\nSummEval\\n\\nReranking\\nAsnUbuntuDupQuestions\\nHinogamalIterating\\nSoDoc88\\nStackOverFlowDupQuestions\\n\\n图 2.2.19\\n\\n10. 基本覆盖的 8 类任务创新：双语文本控制、分类、聚类、配对分类、重用序检索、语义文本相似度和摘要，各任务细节详见 MTEB 论文。\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.2语言\\n\\n截至 2025 年初，MTEB比较基准中表现最佳的嵌入模型是 Voyage AI 的 voyage-3-m-exp，得分为 74.03分。Voyage\\nAI专注于打造高品质的 AI 嵌入模型。voyage-3-m-exp 是基于 voyage-3-large（专为嵌入任务设计的大规模基础模型）的变体，采用套娃表征学习 (Matryoshka Representation\\n\\nLearning) 和量化感知训练等策略优化性能。该模型以微弱优势超越 NV-Embed-v2 (72.31分)，后者在 2024 年大部分时间占据榜首（图 2.2.20）。MTEB 基准于 2022 年底首次推出时，领先模型的平均分仅为 59.5 分。因此，在过去两年中，比较基准的成绩显著提高。\\n\\nMTEB 英语子集（56 个数据集）平均得分资料来源：MTEB Leaderboard，2025 \\\\| 图表：2025 年人工智能指标数据\\n\\n100\\n80\\n60\\n40\\n20\\n0\\nSFR Embedding Material\\nSFR Embedding Material\\n67.56\\n68.17\\n68.23\\n69.32\\n69.88\\n70.11\\n70.24\\n70.31\\n71.19\\n71.21\\n71.62\\n71.67\\n72.02\\n72.31\\n74.03\\n\\nvoyage-3-m-exp\\nLens en 1.5E v6\\nLENS d4000\\nLENS d8000\\nhype-encl\\njager\\\\_en\\\\_vision\\\\_language\\\\_v1\\n\\nN-Embed-v1\\nhype-multilingual-gamma2\\ngle-wen2-TB-substrat\\nSFR Embedding-2.R\\nstilla\\\\_en\\\\_1.5E\\\\_v6\\nSFR Embedding-2.R\\nstilla\\\\_en\\\\_1.5E\\\\_v6\\nSFR Embedding-2.R\\nstilla\\\\_en\\\\_1.5E\\\\_v6\\nNV-Embed-v2\\n\\n模型\\n\\n图 2.2.20\\n\\n目录第二章预览\\n116\\n\\n* * *\\n\\n第二章：技术性能\\n2.2语言\\n\\n重点：\\n长上下文检索评估\\n\\n随着人工智能模型的进步，它们处理更长上下文的能力也显著提高，例如，OpenAI 和 Meta 在 2023 年发布的 GPT-4 和 Llama 2 型，其上下文窗口分别为 8,000 和 4,000 个词元，比之下，更近期的模型如 GPT-4o (2024年 5月) 和 Gemini 2.0 Pro Experimental (2025年 2月)的上下文窗口范围已扩展至 12.8 万至 200 万，这些扩展的上下文窗口使用用户能够输入并处理越来越大的数据量，从而实现更复杂、更详细的交互。\\n\\n随着大语言模型的上下文窗口不断扩大、评估其在长语境中的技术性能也变得越来越重要。然而，现有的长语境评估方法相对有限，通常情况下，这些评估侧重于“大海拐针”的场景，即要求模型从冗长的文本中检索特定的信息片段。这些评估虽然有用，但只能提供对模型的基础评估。\\n\\n2024 年，为解决长上下文模型评估的局限性并改进其评估，推出了几款新的评估套件。其中一个比较基准是英伟达在 2024 年推出的 RULER，其通过检索性能、多跳推理、信息聚合和问答等任务综合评估长上下文性能。在 RULER 测试中，Gemini-1.5-Pro 以 95.5 分位居榜首，GPT-4 (89.0分)和 GLM4 (88.9分)次之（图 2.2.21）。研究还发现，多数宣称支持 32K 元词上下文的模型实际有效长度不足宣称值的一半（图 2.2.22）。事实上，RULER 团队证明，虽然大多数流行的 大语言模型都宣称上下文大小为 32K 元词或更大，但其中只有一半能在 32K 长度时保持令人满意的技术性能。这意味着它们的实际操作上下文窗口比开发者宣称的要短（图 2.2.22）。\\n\\nRULER 加权平均得分（递增）\\n资料来源：Hsieh 等，2024 \\\\| 图表：2025 年人工智能指数报告\\n\\nULER 宣称和有效上下文长度的对比资料来源：Hsieh 等，2024 \\\\| 图表：2025 年人工智能指数报告\\n\\n目录第二章预览\\n117\\n\\n* * *\\n\\n第二章：技术性能\\n2.2语言\\n\\n2025年人工智能指数报告\\n\\n重点：\\n长上下文检索评估(续)\\n\\nHELMET（长上下文模型高效全面评估框架）是英特尔与普林斯顿大学 2024 年联合推出的另一个长上下文评估基准。其开发动机源于现有基准的三大缺陷：下游任务覆盖不足、上下文长度过短无法测试进阶能力，以及评估指标不可靠（图2.2.23）。相比 RULER, HELMET 更全面，包含合成召回、段落重排序、引用生成等 7 类长上下文评估任务。图 2.2.24展示了多款知名模型在 8K、32K 和 128K 上下文设置下的 HELMET平均表现。虽然 GPT-4、Claude 3.5 Sonet 和 Llama 3.1-70B等模型在较长的上下文场景中性能下降，但其他模型，如Gemini 1.5 Pro 和 GPT-4 八月版，则保持了技术性能。RULER 和 HELMET 等比较基准的推出显示了大语言模型的快速发展如何迫使研究人员重新思考和完善评估方法。\\n\\n长上下文基准对比资料来源：Yen 等，2024\\n图 2.2.23\\n\\nType of tasks Benchmark features\\nCite RAG Re-rank Long-QA Summ ICL Synthetic Recall Robust Eval. L ≥ 128k Controllable L\\n\\nZeroSCROLLS X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.3 图像与视频\\n\\n计算机视觉使机器能理解图像 / 视频内容，并根据文本或其他提示生成逼真的视觉输出。该技术广泛应用于自动驾驶、医学影像和游戏开发等领域。\\n\\n2.3 图像与视频理解能力视觉模型通过理解图像 / 视频内容并进行推理的能力接受评估。视觉理解是深度学习时代最早被广泛测试的人工智能能力之一，李飞飞创建的 ImageNet（在过往的人工智能指数报告中被深度阐述）曾是图像理解的基础基准。随着技术进步，研究人员将评估重点转向更复杂的任务，如视频理解或图像常识推理。在 ImageNet 数据集时代，视觉算法的任务较为直接（例如，将图像归入预定义的类别）。而现代基准如 VCR 和\\nMVBench 则提出开放式挑战，其中不存在固定的分类或类别在这种情况下，模型需处理自然语言问题，从开放图像集中识别对象，并基于图像内容或前期知识生成答案。\\n\\nVCR: 视觉常识推理视觉常识推理 (VCR) 挑战由华盛顿大学和 Allen\\nInstitute for AI的研究人员于 2019 年推出，测试人工智能系统的常识视觉推理能力。在这项挑战中，人工智能系统不仅要根据图像回答问题，还要对答案背后的逻辑进行推理（图\\n2.3.1)。VCR 中的技术性能是通过 Q->AR 分数来衡量的，\\n该分数评估的是机器既能选择问题的正确答案 (Q->A)，又能选择该答案背后的适当理由 (Q->R) 的能力。\\n\\nVCR 挑战赛示例问题资料来源：Zullers 等, 2018\\n\\nHow did \\\\[person2\\\\] get the money that's in front of her?\\na. \\\\[person2\\\\] is selling things on the street.\\nb. \\\\[person2\\\\] earned this money playing music.\\nc. She may work jobs for the mall.\\nd. She won money playing poker.\\n\\nI choose by because:\\na. She is playing guitar for money.\\nb. \\\\[person2\\\\] is a professional musician in an orchestra.\\nc. \\\\[person2\\\\] and \\\\[person1\\\\] are both holding instruments,\\nand were probably looking for that money.\\nd. \\\\[person2\\\\] is putting money in \\\\[person2\\\\] to tip jar, while\\nshe plays music.\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.3 图像与视频\\n\\nVCR比较基准是人工智能指数中为数不多的几个人工智能系统一直未达到人类基准水平的比较基准之一。然而,2024\\n年是一个转折点，人工智能系统终于达到了这个基准。2024\\n年7月，leaderboard上出现了一个模型，得分达到85.0,\\n\\n与人类比较基准相匹配（图2.3.2）。这一里程碑标志着自\\n2023 年以来比较基准成绩提高了4.2%。甚至以前难以达到的比较基准现在也已超越。\\n\\n视觉常识推理（VCR）任务：Q->AR 分数资料来源：VCR Leaderboard, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n图2.3.2\\n\\nMVBench\\n由香港与中国大陆研究团队于2023年推出的\\nMVBench 是挑战性多模态视频理解基准。11 与早期仅测试空间理解的静态图像任务不同，MVBench 包含需跨帧时序推理的复杂视频任务(图2.3.3)。\\n\\nMVBench 任务示例资料来源：Li 等, 2023\\n图2.3.3\\n\\n11. 研究人员分别来自中国科学院、中国科学院大学、上海人工智能实验室、香港大学、复旦大学及南京大学\\n\\n目录第二章预览\\n120\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.3 图像与视频\\n\\n截至2024年，MVBenchleaderboard榜首为基于\\nQwen2.5-7B-Instruct语言模型构建的Video-CCAM-7B\\n-v1.2，其得分分为69.23，较2023年底引入该比较基准以来，\\n提高了14.6%（图2.3.4）。这些结果凸显了人工智能模型在动态视频理解能力方面取得的缓慢但稳步的进展。\\n\\nMVBench: 平均准确率资料来源：MVBench Leaderboard, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n0%\\n100%\\n80%\\n60%\\n40%\\n20%\\n0%\\nInterm-7b\\nVicoria-7b-delta-v0\\nVideoChat2\\nKnew-Video-LLM\\nST-LLM\\nPLLava-34B\\nCVAM\\nVideoChat2\\\\_mistral\\nVideoChat2\\\\_HD\\\\_mistral\\nVideo-CCAM-BB-v1.1\\nJT-WL-Chat\\nInternVideo2-BB-HD-Chat-r6\\nVideo-CCAM-TB-v1.2\\n\\n图2.3.4\\n\\n目录第二章预览\\n121\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.3 图像与视频\\n\\n生成能力图像生成旨在创建与真实图像难以区分的合成内容。如去年人工智能指数所述，当前图像生成器已高度成熟，多数人难以分辨人工智能生成的人脸图像与真实照片（图 2.3.6），图\\n2.3.6展示了从 2022年到 2025 年，针对“哈利 - 波特的超逼真图像”这一提示，不同 Midjourney 模型版本生成的图像。这表明 Midjourney 在两年时间里生成超逼真图像的能力有了显著提高。在 2022 年，该模型生成的哈利·波特形象是卡通的不准确的，但到了 2025 年，它可以生成呈现人真实的渲染效果。\\n\\n哪张脸是真实的？\\n资料来源：Which Face Is Real, 2024\\n\\n图 2.3.5\\n\\nMidjourney 版本迭代：“超写实哈利·波特图像”\\n资料来源：Midjourney, 2024\\n\\nV1. 02uary\\n2022\\nV2. April2022\\nV3. 07y 2022\\nV4. 11ember 2022\\nV5. 03h 2023\\nV6. 12member 2023\\nV8. 10ty 2024\\n\\n图 2.3.6\\n\\n目录第二章预览\\n122\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.3 图像与视频\\n\\nChatbot Arena:视觉\\n\\n人工智能社区越来越接受公共评估平台，例如 Chatbot\\nArena Leaderboard，以评估包括顶级人工智能图像生成器在内的领先人工智能系统的性能。该 leaderboard 还设有视觉\\nleaderboard，对 50 多个视觉模型的性能进行排名。用户可以提交文本到图像的提示，例如“编辑侠在喝咖啡”，并为他们喜欢的生成结果投票（图 2.3.7）。截至目前，视觉竞技场已获得超过 15 万次投票。\\n\\n截至 2025 年初，leaderboard 上排名第一的视觉模型是谷歌的 Gemini-2.0-Flash-Thinking-Exp-1219（图 2.3.8）。与其他 Chatbot Arena 类别（如整体、编码和数学）类似，领先模型的性能非常接近。例如，排名第一的模型与排名第四的模型 ChatGPT-40-latest(2024-11-20)之间的差距仅为 3.4%。\\n\\nChatbot Arena 视觉板块示例资料来源：Chatbot Arena Leaderboard, 2025\\n\\n图 2.3.7\\n\\nLMSYS Chatbot Arena 大语言模型 Elo 评分（视觉）\\n资料来源：LMSYS, 2025 \\\\[图表：2025 年人工智能指数报告\\\\]\\n\\nElo评分\\n1.290\\n1.260\\n1.240\\n1.220\\n1.200\\n1.190\\n1.180\\n1.170\\n1.160\\n1.150\\n1.140\\n1.130\\n1.120\\n1.110\\n1.100\\n1.090\\n1.080\\n1.070\\n1.060\\n1.050\\n1.040\\n1.030\\n1.020\\n1.010\\n1.000\\n1.000\\n1.000\\n1.000\\n1.000\\n1.000\\n1.000\\n1.000\\n1.000\\n1.000\\n1.000\\n1.000\\n1.000\\n1.000\\n1.000\\n1.000\\n1.000\\n1.000\\n\\n图 2.3.8\\n\\n目录第二章预览\\n123\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.3 图像与视频\\n\\n重点：\\n视频生成的崛起\\n\\n正如去年的人工智能报告所强调的，近年来，能够根据文本提示生成视频的模型逐渐兴起。早期的模型虽然展现出一定的潜力，但仍存在明显的局限性，例如生成的视频质量较低、缺少声音，或仅仅能生成非常短的片段。然而，2024 年标志着 AI 视频生成技术的重大飞跃，多家行业领先企业发布了先进的视频生成系统。\\n2023 年 11 月，Stability AI 推出了其 Stable Video\\nDiffusion 模型，这是该公司首个能够生成高质量视频的基础模型（图 2.3.9）。该模型采用三步流程：文本到图像的预训练、视频预训练以及高质量视频的微调。随后，2024 年 3\\n月，Stability AI发布了 Stable Video 3D 模型，该模型能够从单张图像生成物体的多个 3D 视角和视频，2024 年 2 月，\\nOpenAI 推出了其视频生成模型 Sora 的预览版，并于\\n2024 年 12 月正式向公众开放。Sora 能够生长达 20 秒、分辨率高达 1080p 的视频（图 2.3.10），作为一种扩散模型，\\n它首先生成一个基础视频，随后通过多步步骤逐步优化，以提升视频质量。\\n\\nStable Video Diffusion 生成的静态帧资料来源：Stability AI, 2025\\n\\nSora 生成的静态帧资料来源：OpenAI, 2024\\n\\n图 2.3.9\\n\\n图 2.3.10\\n\\n目录第二章预览\\n124\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.3 图像与视频\\n\\n重点：\\n视频生成的崛起(续)\\n\\n其他科技巨头也纷纷进入视频生成领域。2024年10月，Meta发布了其Movie Gen模型的最新版本。与早期版本不同，新版Movie Gen具备基于指令的高级视频编辑功能。从图像生成个性化视频的能力，并支持为视频添加声音。Meta最先进的Movie Gen模型能够生成16秒，每秒16帧、分辨率为1080op的视频。谷歌也在2024年取得了显著进展，推出了两款重要的视频生成模型：5月发布的Xeo，和12月发布的Xeo\\\\_2,谷歌的内部比较基准显示，Veo 2在性能上优于其他领先的视频生成模型，如Meta的MovieGen、Kling v1.5和Sora Turbo，在用户对比中，Veo 2生成的视频普遍更受青睐(图2.3.11)。\\n\\nVeo 2:整体偏好资料来源：DeepMind，2024\\\\|图表：2025年人工智能指数报告\\n\\n规模相对较小的玩家也在视频生成领域做出了显著贡献，例如Runway的Gen-3 Alpha,Luma的Dream Machine和快手的Kling 1.5,通过对比2023年和2024年生成的视频，可以清晰地看到这一领域的显著进步。互联网上流行的提示词“威尔·史密斯吃意大利面”生动地展示了这一进步：2025年由热门视频生成器Pika生成的视频，其质量较2023年的版本有了显著提升(图2.3.12)。\\n\\n威尔·史密斯吃意大利面，2023年和2025年对比资料来源：Pika，2025\\n\\nV1.0\\n2023年12月\\n\\nV1.5\\n2024年10月\\n\\nV2.2\\n2025年2月\\n\\n图2.3.12\\n\\n目录第二章预览\\n125\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.4 语音\\n\\n人工智能系统在人类语音处理方面表现卓越，其音频能力包括将口语转录为文本以及识别个体识语者。近年来人工智能在生成合成音频内容方面也取得了显著进展。\\n\\n2.4 语音语音识别\\n\\n语音识别是指人工智能系统识别口语并将其转换为文本的能力。语音识别技术已取得长足进步，如今许多计算机程序和短信应用均配备了听写设备，能够可靠地将语音转录为文字。\\n\\nLSR2: Lip Reading Sentences 2\\n\\n牛津大学与 BBC联合发布的Lip Reading Sentences 2 (LRS2)数据集于2017年推出，是目前最全面的公开唇读数据集之一，专注于真实场景下的应用（图2.4.1）。该数据集包含来自各类脱口秀和新闻节目的视听片段。在自动语音识别（ASR）任务中，系统的语音转录能力通过词错误率（WER）进行评估，分数越低表示转录越精确。\\n\\nBBC lip reading sentences 2 数据集中的静态图像资料来源：Chung等，2024\\n\\n图2.4.1\\n\\n目录第二章预览\\n126\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.4 语音\\n\\n今年，Whisper-Flamingo 模型在 LRS2 比较基准中创下新标准，词错误率(WER)达到1.3%，超越了2023年1.5% 的最先进水平(图2.4.2)，然而，由于当前WER已处于极低水平，\\n进一步显著提升的可能性较小，表明该比较基准可能已接近饱和。\\n\\nLRS2: 词错误率 (WER)\\n资料来源：Papers With Code, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n图2.4.2\\n\\n目录第二章预览\\n127\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.5 编程\\n\\n编程涉及生成计算机可执行的指令以完成任务。近年来，大语言模型已成为热练的编程助手，为计算机科学家提供了重要支持。越来越多证假表明，许多程序员认为人工智能编程助手非常实用。正如去年的人工智能指数报告所强调的大语言模型的编程能力日益精进，以至于许多基础编程比较基准（如\\nHumanEval）正逐渐趋于饱和。为此，研究人员已将重点转向测试大语言模型在更复杂编程挑战中的表现。\\n\\n2.5 编程\\nHumanEval\\nHumanEval 是 Open 人工智能研究人员于 2021 年推出的比较基准，通过\\n164 道手工编写的编程题目评估人工智能系统的编码能力（图 2.5.1），目前\\nHumanEval 性能领先的模型是 Claude 3.5 Sonnet (HPT)，其得分达到了\\n100%（图 2.5.2）。\\n\\nHumanEval 示例题目资料来源：Chen 等，2023\\n\\ndef incr\\\\_list(1: list):\\n\\\"\\\"\\\"Return list with elements incremented by 1.\\n>>\\\\> incr\\\\_list(\\\\[1, 2, 3\\\\])\\n\\\\[2, 3, 4\\\\]\\n>>\\\\> incr\\\\_list(\\\\[5, 3, 5, 2, 3, 9, 0, 123\\\\])\\n\\\\[6, 4, 6, 3, 4, 10, 1, 124\\\\]\\n\\\"\\\"\\\"\\nreturn \\\\[i + 1 for i in 1\\\\]\\n\\n图 2.5.1\\n\\nHumanEval: Pass@1\\n资料来源：Papers With Code，2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n图 2.5.2\\n\\n目录第二章预览\\n128\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.5 编程\\n\\nSWE-bench\\n2023年10月，普林斯顿大学和芝加哥大学的研究人员推出了SWE-bench数据集，该数据集包含2,294个源自真实\\nGitHub问题和热门Python代码库的软件工程问题（图2.5.3）。\\nSWE-bench为AI编程能力提供了更高难度的测试，要求系统跨多个函数协调修改、适应不同执行环境并进行复杂推理。\\nSWE-bench包含一个经过筛选的Lite子集以简化评估，以及一个由人工标注的Verified子集。以下图表：展示了Verified\\n子集的得分。\\n\\nSWE-bench突显了大语言模型在曾被视为极具挑战性任务上的快速进步，2023年底，SWE-bench上表现最佳的模型得分仅为4.4%。而到2025年初，排名第一的模型——\\nOpenAI的c3模型——在Verified基准集上成功解决了\\n71.7%的问题（图2.5.4）。这一显著性能提升表明，人工智能研究人员可能很快需要开发更具挑战性的编程比较基准来有效测试大语言模型。\\n\\nSWE-bench示例模型输入资料来源：Jinwen等，2023\\n\\nModel Input\\nInstructions\\nYou will be provided with a partial code base and an issue\\nstatement explaining a problem to resolve.\\n\\nIssue\\nnapoleon\\\\_use\\\\_param should also affect 'other\\nparameters' section Subject:napoleon\\\\_use\\\\_param\\nshould also affect 'other parameters' section\\n#Problem\\nCurrently, napoleon always renders the Other parameters\\nsection as Napoleon\\\\_use\\\\_param was false. No source\\ndef \\\\_parse\\\\_other\\\\_parameters\\\\_section(self, se,\\n#type:(unicode) -> list(unicode)\\nreturn self. _format\\\\_fields(_(\\\"Other Para...\\\")\\n\\ndef \\\\_parse\\\\_parameters\\\\_section(self, section):\\nif type:(unicode) -> list(unicode)\\nfields = self.\\\\_consume\\\\_fields()\\nif self.\\\\_config\\\\_napoleon\\\\_use\\\\_param:\\nCode\\nREADME.rst\\nsphinx/exit/napoleon/docstring.py\\nAdditional Instructions\\n\\nSWE-bench：问题解决率资料来源：SWE-bench.Leaderboard，2025，OpenAI，2024 \\\\| 图：2025年人工智能指数报告\\n\\nLite\\nVerified\\n\\n模型\\n\\n目录第二章预览\\n129\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.5 编程\\n\\nBigCodeBench\\n\\n现有编程比较基准的一个局限性在于，许多测试仅局限于短小，自包含的算法任务或独立函数调用。然而，解决复杂实际任务通常需要调用多样化函数的能力（如数据分析工具或网页开发工具）。高效的编程还要求模型能理解自然语言表达的编码指令——这一能力未被当前多数编程基准所测试。\\n\\n为弥补现有编程基准不足，一个国际团队于2024年发布了 BigCodeBench——一个全面、多样且极具挑战性的编程比较基准（图2.5.5），该基准要求大语言模型跨139个库和7大领域调用多重函数调用，涵盖1,140项细粒度任务。当前人工智能系统在该基准上表现欠佳：即使在基准的“完整”任务（基于结构化文档字符串的代码补全）和“指令”任务（基于自然语言指令的代码补全）的困难子集上，当前最优模型(OpenAI的 o1) 平均得分仅35.5（图2.5.6)，模型在基准全集上表现略优（图2.5.7)，BigCodeBench凸显了人工智能系统在实现人类级编程熟练度方面仍存在的差距。\\n\\nBigCodeBench 中的编程任务资料来源：Zhu等，2024\\n\\nParameters\\nserver\\\\_name \\\\[INT\\\\] Name of the server\\nto which the request is made\\nserver\\\\_port \\\\[INT\\\\] Port number of the\\nserver to which the request is made\\npath \\\\[INT\\\\] Path to the HTTP request\\n\\nRequirements\\nhttp\\\\_client\\nrequest\\nsalt\\n\\nExamples\\ntest\\\\_response.body from the server\\n\\nTest Case Class\\ntest\\\\_response.type()\\ntest\\\\_different\\\\_guest()\\ntest\\\\_other\\\\_content()\\n\\nBigCodeBench 困难集测试：Pass@1（平均得分）\\n资料来源：Hugging Face，2025 \\\\| 图表：2025 年人工智能指数报告\\n\\nBigCodeBench 全集测试：Pass@1（平均得分）\\n资料来源：Hugging Face，2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n目录第二章预览\\n130\\n\\n* * *\\n\\n第二章：技术性能\\n2.5 编程\\n\\nChatbot Arena:编程能力测评\\nChatbot Arena 的大语言模型 leaderboard 新增了编程能力筛选功能，为开发者及社区评估不同模型的编程能力提供了宝贵参考。这种公开反馈为评估模型性能增添了新的维度。\\n\\n目前评分最高的编程专用大语言模型是 Gemini-Exp-1206，\\n其竞技场得分为1,369分，OpenAI的最新 o1模型以1,361分紧随其后。中国模型中，DeepSeek-V3 以1,317分领先，与榜首相差3.8%（图2.5.8）。\\n\\nLMSYS Chatbot Arena 关于大语言模型的 Elo 评分（编程）\\n资料来源：LMSYS, 2025 \\\\| 图表：2025年人工智能指数报告\\n\\nElo评分\\n1,380\\n1,360\\n1,340\\n1,320\\n1,300\\n\\nDeepSeek-V3\\nClaude 3.5 Schmit (20241022)\\nGemini-2.0-Flash-Exp\\nGemini-2.0-Flash-Thinking-Exp-1209\\nChatGPT-4o-latest (2024-11-20)\\no1-preview\\no1-mini\\no1-2024-12-17\\nGemini-Exp-1208\\n\\n模型\\n\\n图2.5.8\\n\\n目录 第二章预览 151\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.6 数学\\n\\n数学解题比较基准用于评估人工智能系统的数学推理能力，测试范围涵盖从小学水平到竞赛标准的各类数学问题。\\n\\n2.6 数学\\n\\nGSM8K\\n\\nGSM8K 是 OpenAI 于 2021 年推出的数据集，包含约 6,000 道多样化的小学数学应用题，要求人工智能模型通过多步算术运算生成解决方案（图\\n2.6.1）。与 MMLU一样，GSM8K已成为评估先进的大语言模型的常用比较基准。但近期该基准可能面临数据污染和性能饱和的问题。\\n\\nGSM8K 上表现最佳的模型是采用 HPT 提示策略优化的 Claude Sonnet\\n3.5 变体，其准确率达到 97.72%（图 2.6.2），较 2023 年的 91.00% 有显著提升。然而 2024 年，Mistral、Meta 和 Qwen 的多个模型得分均接近 96%，表明\\nGSM8K 基准可能已趋近饱和。\\n\\nGSM8K 问题示例资料来源：Cobbe 等，2023\\n\\nGSM8K: 准确率资料来源：Papers With Code，2024 \\\\| 图表：2025 年人工智能指数报告\\n\\n图 2.6.1\\n\\n图 2.6.2\\n\\n目录第二章预览\\n132\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.6 数学\\n\\nMATH\\nMATH 数据集是由加州大学伯克利分校和芝加哥大学的研究人员于 2021 年推出的数学问题集，包含 12,500 道具有挑战性的竞赛级题目（图 2.6.3）。该数据集发布之初，人工智能系统表现欠佳，仅能解决其中 6.9% 的问题，但此后性能显著提升；2025 年 1 月，OpenAI 发布的 o3-mini（高性能版）模型在\\nMATH 数据集上取得突破性进展，解题准确率高达 97.9%（图\\n2.6.4），根据去年人工智能指数的评估，MATH 曾是少数几个人工智能系统尚未超越人类基线的基准之一，但这一现状已被改写。\\n\\n来自 MATH 数据集的问题示例资料来源：Hendrycks 等，2023 年\\n\\nProblem: Tom has a reu marone, a green marone,\\na blue marble, and three identical yellow marbles.\\nHow many different groups of two marbles can Tom choose?\\n\\nSolution: There are two cases here: either Tom chooses two yellow marbles (1 result), or he\\nchooses two marbles of different colors ($\\\\\\\\frac{1}{2}$) = 6\\nresults). The total number of distinct pairs of\\nmarbles Tom can choose is $1 + 6 = \\\\\\\\sqrt{7}$.\\n\\nProblem: The equation $x^2 + 2x = 1$ has two\\ncomplex solutions. Determine the product of their\\nreal parts.\\n\\nSolution: Complete the square by adding 1 to each side. Then $(x+1)^2 = 1 + i = e^{\\\\\\\\frac{\\\\\\\\pi}{2}} \\\\\\\\sqrt{2}$, so\\n$x+1 = \\\\\\\\pm e^{\\\\\\\\frac{\\\\\\\\pi}{2}} \\\\\\\\sqrt{2}$. The desired product is then\\n$(-1 + \\\\\\\\cos(\\\\\\\\frac{\\\\\\\\pi}{2}) \\\\\\\\sqrt{2}) (-1 - \\\\\\\\cos(\\\\\\\\frac{\\\\\\\\pi}{2}) \\\\\\\\sqrt{2}) = 1 -\\n\\\\\\\\cos^2\\\\\\\\left(\\\\\\\\frac{\\\\\\\\pi}{2}\\\\\\\\right) \\\\\\\\sqrt{2} = 1 - \\\\\\\\frac{1-\\\\\\\\sqrt{2}}{2}$.\\n\\n图 2.6.3\\n\\nMATH 文字解题：准确率资料来源：Papers With Code，2024 年；OpenAI，2025 年；论文与代码），2024 年；OpenAI，2025 年 \\\\| 图表：2025 年人工智能指数报告\\n\\n目录第二章预览\\n133\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.6 数学\\n\\nChatbot Arena：数学能力测评\\nChatbot Arena 新增数学筛选功能，允许公众根据模型生成数学相关答案的表现进行排名。Math Arena 评估了超过181个模型，并收集了34万份公众投票。与通用和编程竞技场中 Gemini 系列模型领先的情况不同，数学竞技场排名第一的是 OpenAI 于2024年12月发布的o1变体模型（图2.6.5）。\\n\\nLMSYS Chatbot Arena 大语言模型评分：Elo 评分（数学）\\n资料来源 LMSYS, 2025 \\\\| 图表 2025 年人工智能指数报告\\n\\nFrontierMath\\n数学界成员指出当前数学比较基准的局限性，呼吁开发新的比较基准以评估日益先进的人工智能系统。主要挑战在于饱和现象：人工智能系统在 GSM8K 和 MATH 等高中和大学水平数学测试中已接近完美表现，为进一步突破边界，研究人员提出需要测试真正高阶数学的基准，包括数论、实分析、代数几何和范畴论等问题。\\nFrontierMath 是 Epoch AI推出的新基准，包含数百通原创高难度数学问题，这些问题由数学家团队审核，通常需要数小时、数天甚至协作研究才能解决。图2.6.6展示了基准中的示例题目。Epoch人工智能评估了六款领先大语言模型在 FrontierMath上的表现：o1-preview、o1-mini、GPT-4o、Claude 3.5 Sonnet、Grok 2 Beta 和 Gemini 1.5 Pro 仅解决了2.0%的问题——远低于其在其他数学基准中的成绩（图2.6.7），而OpenAI的o3模型得分为25.2%，FronteriaMath开发者希望该基准能在未来数年持续成为尖端人工智能系统的严峻挑战。\\n\\n目录 第二章预览 134\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.6 数学\\n\\nFrontierMath 示例问题资料来源：Glazor 等，2024\\n\\nSample problem 1: Testing Artin's primitive root\\nconjectures\\n\\nDefinitions. For a positive integer n, let v₀(n) denote the\\nlargest integer v such that p \\\\| n.\\nFor a prime and a non-zero (non-pi) we let ordₚ(a) denote\\nthe smallest positive integer s such that aⁿ = 1\\n(mod p). For z > 0, we let\\nordₚ(p) = ∏ _{j=1}^{p} q^{j+1}(m₀(j)) \\\\\\\\prod_{j=1}^{p} q^{j+1}-1,\\n∏\\\\_{j=1}^{p} q^{j+1}\\n\\nProblem. Let Sₙ denote the set of primes p for which\\nordₚ(p) ≥ 2; ordₚ(p)=3,\\nand let dₙ denote the density\\ndₙ = \\\\[Sₙ\\\\] / \\\\[p × p is prime\\\\]\\nof Sₙ in the primes. Let\\ndₙ = lim\\\\_{n→∞} dₙ.\\n\\nCompute \\\\[10 dₙ\\\\].\\nAnswer: 367707\\nMSC classification 11 Number theory\\n\\nSample problem 2: Find the degree 19 polynomial\\nConstruct a degree 19 polynomial p(x) ∈ C\\\\[x\\\\] such that X := \\\\[p(x) = p(y)\\\\] ≤ 2¹ × 2² has at least 3 (but\\nnot all linear) reducible components over C. Choose\\np(x) to be odd modulo two real coefficients and linear\\ncoefficient +19 and calculate p(19).\\nAnswer: 1876572071974094802391179\\nMSC classification 14 Algebraic geometry; 20 Group theory and generalization; 11 Number theory generalizations\\n\\nSample problem 3: Prime field continuous extension\\nLet aₙ for n ∈ Z be the sequence of integers satisfying\\nthe recurrence formula\\naₙ = (1.981 × 10¹³)n₀-1 + (3.549 × 10¹³)n₀-2\\n\\n- (4.277 × 10¹³)n₀-3 + (3.706 × 10¹³)n₀-4\\n with initial conditions aₙ = i for 0 ≤ i ≤ 3. Find the\\n switched prime n ≠ 1 true f for which the function Sₙ =\\n Z given by n → n₀ can be extended to a continuous\\n function on Z₀.\\n Answer: 5811\\n MSC classification 11 Number theory\\n\\nFrontierMath: 问题解决率资料来源：Glazor 等，2024; OpenAI, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n图 2.6.6\\n\\nGrok 2 Beta\\nGPT-do\\n(2024-08-06)\\no1 preview\\nClaude 3.5 Sonnet\\n(2024-08-22)\\nGennini 15 Po\\n(2022)\\n\\n图 2.6.7\\n\\n* * *\\n\\n第二章：技术性能\\n2.6 数学\\n\\n2025年人工智能指数报告\\n\\n重点：\\n学习与定理证明\\n\\nDeepMind 运 用 其 系统 AlphaProof 和\\nAlphaGeometry 2，成功解决了 2024 年国际数学奥林匹克竞赛 (IMO) 6 道题目中的 4 道，道表现达到银牌得主水平，在比较基准中，AlphaGeometry 解决了 30 道奥数问题中的\\n25 道。超越了 IMO 银牌得主平均解决的 22.9 道(图 2.6.8)。\\nIMO 成立于 1959 年，是全球历史最悠久、最具声望的青年数学家竞赛。\\n\\nAlphaProof 是基于 AlphaZero 的强化学习系统，后者曾应用于国际象棋，将棋和围棋。该系统通过生成假设并利用 Lean 交互式证明系统验证假设来自主解决问题。此外，经过微调的 Gemini模型被用于将自然语言问题陈述转化为形式化表示，从而构建了全面的训练库。在本届竞赛中，AlphaProof 成功解决了 2 道代数题和 1 道数论题，但未能解决 2 道组合数学题。\\n\\nAlphaGeometry 2 是一种神经符号混合系统，其语言模型基于 Gemini，并通过大量合成数据训练而成，2024 年之前，AlphaGeometry 能解决 83%的历史 IMO 问题。在2024 年竞赛中，该系统仅用 24 秒便解决了唯一一道几何题。测试中，竞赛题目被人工翻译为 Lean的形式化表示。\\n\\n目前尚不清楚 AlphaProof 和 AlphaGeometry 在传统定理证明基准（如 IPTP）上的表现，IPTP 自 1997 年起用于评估自动定理证明 (ATP) 系统的性能，尤其是应用于软件验证的系统。人工智能指数在 2021 年报告中曾对 ATP 的现状进行过分析。2024 年更新的报告显示，基于包含超过 25,000 通题目的 TPTP v.9.0.0 版本，全自动系统现已能解\\n\\nMO-AG-30 已解决几何问题的数量资料来源：Trinh 等，2024\\\\|图表：2025 年人工智能指数报告\\n\\n决其中 89% 的题目。\\n\\n理想情况下，TPTP 系统可在 IMO 题目上测试，而\\nAlphaProof 和 AlphaGeometry 可在 TTPTP 题目上测试一其中部分题目甚至从未被人类解决过，更不用说 ATP 系统。但这两类测试均未实施，主要原因是不同系统支持的逻辑差异显著，且目前缺乏转换工具。此外，TTPTP 库虽规模庞大，但尚不足以作为 AlphaProof 的训练集，仍需生成大量合成示例。\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.7 推理\\n\\n人工智能的推理能力指人工智能系统从不同形式信息中得出逻辑有效论的能力。当前，人工智能系统正越来越多地在多样化推理场景中接受测试，包括视觉推理（图像分析）、道德推理（理解道德困境）以及社会推理（应对社交情境）。\\n\\n2.7 推理通用推理\\n\\n通用推理指人工智能系统在广泛领域而非特定任务中进行推理的能力。例如，在通用推理挑战中，人工智能系统可能需要跨学科推理，而非完成单一任务（如下棋）。\\n\\nMMMU 问题样本资料来源：Yue 等，2023\\n\\n图2.7.1\\n\\nMMMU 在验证集上的表现：总体准确率资料来源：MMMU Leaderboard, 2024\\\\| 图表：2025 年人工智能指数报告\\n\\nMMMU: 面向专家级 AGI 的大规模多学科多模态理解与推理基准近年来，人工智能系统的推理能力快速提升，传统基准如SQuAD(文本推理)和VQA(视觉推理)已趋饱和，盛需更具挑战性的测试。为此，美国和加拿大的研究人员开发了 MMMU(大规模多学科多模态理解与推理比较基准)，专为专家级人工通用智能\\n\\n(AGI)设计。MMMU包含约11,500通大学水平的题目，涵盖六大核心学科：艺术与设计、商业、科学、健康与医学、人文与社会科学、技术与工程(图2.7.1)。题目形式包括图表、地图、化学结构等。截至2025年1月，OpenAI的oi模型以78.2%的准确率领先，较去年59.4%的最优成绩显著提升（图2.7.2），尽管该分数仍低于人类专家中高水平基准，但人工智能系统正迅速缩小差距。\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.7 推理\\n\\nGPQA: A Graduate-Level Google-Proof Q&A Benchmark\\n2023年，来自纽约大学、Anthropic 和 Meta的研究人员推出管 GPQA比较基准，用于测试通用，多学科人工智能推理能力。该数据集由448道难以通过网络搜索轻松回答的难题组成，这些问题由生物学、物理学和化学等各个领域的专家精心设计（图2.7.3）。在钻石集（该数据集中最难的部分，也是人工智能开发人员最常测试的部分）中，人类专家的准确率达到81.3%。\\n\\n去年的人工智能指数报告显示，表现最佳的人工模型GPT-4在钻石测试集上的得分仅为38.8%，仅一年时间，顶尖人工智能系统便取得了显著进展。OpenAI于2024年12月发布的o3模型，在钻石测试集上取得了87.7%的最新最佳成绩，较2023年的最佳成绩提升了48.9个百分点（图2.7.4）。事实上，o3的得分是第一个超过人类专家验证者设定的基准的。人工智能系统正在迅速挑战MMMU和GPQA等新比较基准，这些比较基准最近被引入以推动人工智能能力的极限。\\n\\nGPQA化学问题示例资料来源：Rein 等，2023\\n\\n化学（通用）\\n一种液态有机化合物反应，其分子由碳和氢原子组成。在80届氏展和20已的条件下反应24小时。在核磁共振（NMR）谱中，反应物中具有高化学位移的信号被产物的信号所取代，该信号在谱图中下移了大约四单位。在对应的大规模工业工艺中也容易观察到的元素周期表中的哪些位置的化合物，很可能在反应开始时被少量加入？\\nA) 来自第五周期的金属化合物。\\nB) 来自第五周期的金化合物和来自第三周期的非金属化合物。\\nC) 来自第四周期的金化合物。\\nD) 来自第四周期的金化合物和来自第二周期的非金属化合物。\\n\\n图2.7.3\\n\\nGPQA在钻石集的准确率资料来源：2025年人工智能指数图表；2025年人工智能指数报告\\n\\n图2.7.4\\n\\n目录第二章预览\\n138\\n\\n* * *\\n\\n第二章：技术性能\\n2.7 推理\\n\\n2025年人工智能指数报告\\n\\nARC-AGI\\n随着人工智能系统的不断进步，关于通用人工智能（AGI）\\n即将到来的说法越来越频繁。目前尚无公认的通用人工智能定义，一些计算机科学家将其定义为在广泛任务中达到或超越人类认知能力的人工智能系统。其他人则强调，该定义应涵盖一般学习和技能习得的能力，将通用人工智能描述为“能够高效习得新技能，解决未设计或未训练的新问题”的系统。ARC-AGI\\n是由流行的开源深度学习库 Keras 的创建者 François\\nChollet 于 2019 年推出的比较基准。\\n\\nARC-AGI 测试系统在先前的训练之外进行概括的能力。更具体地说，ARC-AGI 基准向人工智能系统提供一组独立的任务。每个任务包括演示或输入对，然后是一个或多个测试或输出场景（图 2.7.5），该基准强调概括学习能力：系统无法事先准备，因为每个任务都引入了独特的逻辑。这些任务不需要专门的世界知识或语言技能，而是依赖于假设的先验知识，例如物体概念、基本拓扑结构和初等算术——这些概念通常在儿童早期就已掌握。\\n\\nARC-AGI 示例任务资料来源：Chollet 等，2025\\n\\n图 2.7.5\\n\\n目录第二章预览\\n139\\n\\n* * *\\n\\n第二章：技术性能\\n\\n2.7 推理\\n\\nARC-AGI 已经证明是一个非常具有挑战性的比较基准。\\n2020 年首次运行时，表现最好的系统得分仅为 20%（图 2.7.6\\n）。四年后，该得分仅上升到 33%。然而，今年取得了重大进展，\\nOpenAI 的 o3 模型得分达到 75.7%。在 o3 被分配到超过基准的 10,000 美元限额的高计算预算的情况下，其得分达到\\n87.5%。\\n\\n研究人员将过去几年整体进展缓慢归因于对人工智能模型规模化的过度关注——即不断扩大模型规模并输入海量训练数据。虽然这种方法提升了模型在特定任务中的表现，但对增强人工智能系统在缺乏先验知识或训练数据情况下解决问题的能力帮助有限。今年取得的进展表明，研究重点正转向更具实质性的通用能力和搜索能力提升。\\n\\nARC-AGI-1 私有评估集：高分率\\n\\n资料来源 : Chollet 等 , 2025; OpenAI, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n* * *\\n\\n第二章：技术性能\\n\\n2.7 推理\\n\\nHumanity’s Last Exam（人类终极考试，HLE）\\n\\n正如今年和去年的人工智能指数所强调的，许多流行的 AI\\n比较基准（如 MMLU、GSM8K 和 HumanEval）已趋于饱和。为此，研究人员开发了更具挑战性的基准，以更准确地评估人工智能能力。近期，MMLU 背后的团队成员推出了“人类的终极考试”（HLE）——一个包含 2,700 道高难度问题的新基准，覆盖数十个学科领域（图 2.77）。该数据集由该领域专家（包括顶尖\\n\\nHLE 示例问题\\n\\n教授和研究生级评审员）贡献的多模态问题组成，这些问题无法通过简单的互联网搜索或数据库检索解决。此外，每个问题在纳入前均经过最先进大语言模型的测试；若现有模型能回答，则该问题会被剔除。\\n\\n资料来源 : Phan 等 , 2025\\n\\nHere is a representation of a Roman inscription, originally found on a tombstone. Provide a translation for the Palmyrene script.\\n\\nA transliteration of the text is provided: RGYN° BT HRY BR °T° HBL\\n\\nEcology\\n\\nA. Henry T\\nB. Merton College, Oxford\\n\\nQuestion:\\n\\nHummingbirds within Apodiformes uniquely have a bilaterally paired oval bone, a sesamoid embedded in the caudolateral portion of the expanded, cruciate aponeurosis of insertion of m. depressor caudae. How many paired tendons are supported by this sesamoid bone? Answer with a number.\\n\\nChemistry\\n\\nQuestion:\\n\\nThe reaction shown is a thermal pericyclic cascade that converts the starting heptaene into endiandric acid B methyl ester. The cascade involves three steps; two electrocyclizations followed by a cycloaddition. What types of electrocyclizations are involved in step 1 and step 2, and what type of cycloaddition is involved in step 3?\\n\\nMosiah II\\nStanford University\\n\\nLinguistics\\n\\nI am providing the standardized Biblical Hebrew source text from the Biblia Hebraica Stuttgartensia (Psalms 104:7). Your task is to distinguish between closed and open syllables. Please identify and list all closed syllables (ending in a consonant sound) based on the latest research on the Tiberian pronunciation tradition of Biblical Hebrew by scholars such as Geoffrey Khan, Aaron D. Hornkohl, Kim Phillips, and Benjamin Suchard. Medieval sources, such as the Karaite transcription manuscripts, have enabled modern researchers to better understand specific aspects of Biblical Hebrew pronunciation in the Tiberian tradition, including the qualities and functions of the shewa and which letters were pronounced as consonants at the ends of syllables.\\n\\nLine B\\nUniversity of Cambridge\\n\\n* * *\\n\\n第二章：技术性能\\n\\n2.7 推理\\n\\n初步测试表明，HLE 对当前的 人工智能系统而言难度非常高。即使是 OpenAI 的 o1 等顶级模型，得分也仅为 8.8%\\n\\n（图 2.7.8）比较基准的研究人员正在密切监测大语言模型的进步速度，他们猜测到 2025 年底，性能可能会超过 50%。\\n\\nHumanity’ s Last Exam (HLE): 准确率\\n\\n资料来源 : Phan 等 , 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n(A9F9G\\n\\n* * *\\n\\n第二章：技术性能\\n\\n2.7 推理\\n\\n规划\\n\\nPlanBench\\n\\n此前有观点认为，大语言模型能够解决规划问题。亚利桑那州立大学的一个团队提出了 PlanBench——一个包含自动化规划领域问题的基准套件，尤其针对国际规划竞赛（\\nInternational Planning Competition）中 的 问 题 设 计。\\nPlanBench 旨在测试大语言模型的规划能力，包含 600 个问题，模拟机械手在每次只能移动一个积木至桌面或另一积木顶部的情况下搭建积木塔的场景。该基准于 2022 年发布后，研究人员发现 GPT-4 和 GPT-3.5 等模型在规划任务中仍表现欠佳。\\n\\nOpenAI 发布的 o1 模型引发了人工智能研究界的广泛关注，因其设计目标是主动推理而非仅作为自回归式大语言模型运行。在 PlanBench 测试中，o1 表现显著提升，但在可靠性和一致性规划方面仍有不足。在 Blocksworld 零样本评估（特定规划评估领域之一）中，o1 得分达 97.8%，远超第二名 Llama\\n3.1 405B（62.6%），并显著优于 GPT-4o（35.5%）（图 2.7.9）。在更具挑战性的 Mystery Blocksworld 领域（部分答案经过语法混淆处理），o1 的零样本得分为 52.8%，而 Llama 3.1 405B\\n仅为 0.8%，GPT-4 则为 0%。\\n\\nPlanBench: 正确解决的实例\\n\\n规划属于组合优化问题，解决步骤较长的任务预计需要超线性时间。因此，在需要至少 20 步的测试实例中，o1 仅能解决\\n23.6% 的问题。\\n\\n资料来源 : Valmeekam 等 , 2024 \\\\| 图表：2025 年人工智能指数报告\\n\\n* * *\\n\\n第二章：技术性能\\n2.8 AI 智能体\\n\\n标的自主或半自主系统，是人工智能研究的一个令人兴\\n\\n奋的前沿领域。这些智能体具有广泛的潜在应用，从协助学术研究、安排会议到促进在线购物和度假预订，不一而足。正如许多最近的公司新闻稿所表明的那样，智能体已成为人工智能技术领域越来越关注的话题。\\n\\n奋的前沿领域。这些智能体具有广泛的潜在应用，从协助学术研究、安排会议到促进在线购物和度假预订，不一而足。正如许多最近的公司新闻稿所表明的那样，智能体已成为人工智能技术领域越来越关注的话题。\\n\\n2.8 AI 智能体\\n\\n概述\\n\\n几十年来，AI 智能体的话题在人工智能界一直备受关注，但很少有比较基准被广泛采用，包括去年人工智能指数中提到的AgentBench和\\nMLAgentBench。部分原因是，与图像分类或回答语言问题等任务相比，智能体任务通常更加多样化、动态化和可变性，因此比较基准本身就非常复杂。随着人工智能的持续发展，开发有效的方法来评估 AI 智能体将变得越来越重要。\\n\\nVisualAgentBench\\n\\nVisualAgentBench （VAB） 于 2024 年推出，是 AI 智能体评估领域的一项重大进步。该基准反映了人工智能模型的多模态性日益增强，以及它们在虚拟和实体环境中的导航能力日益提高。VAB 满足了在各种环境（不仅限于完全依赖语言命令的环境）中评估智能体性能的需求。VAB 测试涵盖三大类任务\\n\\n的智能体：具身智能体（在家庭和游戏环境中运行）、图形用户界面智能体（与移动和网络应用程序交互）以及视觉设计智能体（如 CSS 调试）（图 2.8.1）。这种全面的方法构建了一个强大的评估框架，能够在多样化和动态的场景中全面评估智能体的各项能力。\\n\\nVisualAgentBench 的任务\\n\\n资料来源 : Liu 等 , 2024\\n\\n(A9G9@\\n\\n* * *\\n\\n第二章：技术性能\\n\\n2.8 AI 智能体\\n\\naAB 对 人工智能系统构成了重大挑战。表现最佳的模型\\nGPT-4o 的总体成功率仅为 36.2%，而大多数专有语言模型的平均成功率约为 20%诈$73=37诉。根据比较基准的作者的观\\n\\n点，这些结果表明，当前的人工智能模型还远未准备好直接部署在智能体环境中。\\n\\nVisualAgentBench 在测试集上的成功率\\n\\n资料来源 : VisualAgentBench Leaderboard, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\nRE-Bench\\n\\n随着越来越强大的智能体 人工智能系统的出现，人们预测人工智能可能会很快取代计算机科学家或研究人员的工作。然而，直到最近，几乎还没有专门用于严格测试高性能 人工智能系统研发能力的比较基准。2024 年，研究人员推出了\\nRE-Bench，这是一个包含七个具有挑战性的开放式机器学习研究环境的比较基准，填补了这一空白。这些任务基于 60 多名专家 71 次、每次 8 小时的尝试所获得的数据，包括优化内核、进行缩放定律实验以及调优 GPT-2 以进行问答等（图 2.8.3）。\\n\\n(A9G9B\\n\\nRE-Bench 流程与流程图资料来源 : Wijk 等 , 2024\\n\\n* * *\\n\\n第二章：技术性能\\n\\n在比较人类与前沿人工智能模型的表现时，研究人员获得两个关键发现。在时间较短的情况下，例如两小时的预算，最佳的人工智能系统得分是人类专家的四倍诈$73=39诉。然而，随着时间预算的增加，人类的表现开始超越人工智能。在八小时预算的情况下，人类的表现略高于人工智能，而在 32 小时预算的\\n\\n情况下，人类的表现是人工智能的两倍。研究人员还指出，对于某些任务，人工智能已经表现出与人类相媲美的专业知识，但能够以更快的速度和更低的成本交付成果。例如，人工智能可以比任何人类专家更快地编写定制的 Triton Kernels。\\n\\nRE-Bench: 平均归一化得分 @k\\n\\n资料来源 : Wijk 等 , 2024 \\\\| 图表：2025 年人工智能指数报告\\n\\n时间预算（每次运行的时间限制 × 尝试次数）\\n\\n* * *\\n\\n第二章：技术性能\\n\\n2.8 AI 智能体\\n\\nGAIA\\n\\nGAIA 是 Meta 于 2024 年 5 月推出的通用人工智能助手比较基准。它由 466 个问题组成，旨在评估人工智能系统执行各种任务的能力，包括推理、多模态处理、网页浏览和工具使用。与简单的考试式问题不同，GAIA 通过复杂、多步骤的问题来挑战人工智能模型，这些问题可能需要搜索开放网络、解释多模态输入，以及通过复杂的场景进行推理（图 2.8.5）。当研究人员推出 GAIA 时，他们发现现有的 大语言模型远远落后于人类的表现。例如，带插件的 GPT-4 只能正确回答 15% 的问题，而人类受访者的正确率为 92%。\\n\\n与最近推出的其他人工智能比较基准一样，GAIA 的性能也迅速提高。2024 年，最高得分系统达到 65.1%，比 2023 年的最高得分提高了约 30 个百分点（图 2.8.6）。\\n\\nGAIA 示例问题资料来源 : Meta, 2024 告\\n\\nLevel 1\\n\\nLevel 2\\n\\nQuestion: What was the actual enrollment count of the clinical trial on H. pylori in acne vulgaris patients from Jan-May 2018 as listed on the NIH website?\\nGround truth: 90\\n\\nQuestion: If this whole pint is made up of ice cream, how many percent above or below the US federal standards for butterfat content is it when using the standards as reported by Wikipedia in 2020? Answer as + or - a number rounded to one decimal place.\\nGround truth: +4.6\\n\\n(A9G9D\\n\\nLevel 3\\n\\nQuestion: In NASA's Astronomy Picture of the Day on 2006 January 21, two astronauts are visible, with one appearing much smaller than the other. As of August 2023, out of the astronauts in the NASA Astronaut Group that the smaller astronaut was a member of, which one spent the least time in space, and how many minutes did he spend in space, rounded to the nearest minute? Exclude any astronauts who did not spend any time in space. Give the last name of the astronaut, separated from the number of minutes by a semicolon.\\nGround truth: White; 5876\\n\\nGAIA: 平均得分资料来源 : GAIA Leaderboard, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n资料来源 : GAIA Leaderboard, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.9 机器人与自主运动\\n\\n过去十年中，人工智能的进步为机器人领域带来了令人惊喜的新发展，特别是随着基础模型的兴起。机器人如今能够从周围环境中不断学习，灵活适应新的环境，\\n并自主做出决策，本章节节将探讨关键的机器人比较基准和最新趋势，包括形机器人的兴起、DeepMind\\n在算法上的新进展，以及机器人基础模型的涌现。最后，\\n还将分析自动驾驶汽车领域的最新发展。\\n\\n2.9 机器人与自主运动机器人\\nRLBench\\n\\n机器人领域最广泛采用的比较基准之一是 RLBench（机器人学习比较基准），该基准于 2019 年推出，包含 100 项复杂程度各异的独特任务，从简单的到达目标到打开烤箱并放入托盘等。12 研究人员通常通过 18 项标准化子任务来评估新机器人系统的性能。图 2.9.1 显示了 RLBench 中的部分任务。\\n\\nVisualAgentBench 的任务资料来源：James 等，2019\\n\\n图 2.9.1\\n\\n12. 机器人中的目标到达是指机器人系统通过移动其末端执行器（如机器人手臂或夹爪）来使末端执行器到达空中指定目标位置或物体的过程。\\n\\n目录第二章预览\\n148\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.9 机器人与自主运动\\n\\n截至 2025 年 1 月，该子集上表现最佳的模型是\\nSAM2Act，这是华盛顿大学、圣巴勃罗天主教大学、英伟达和\\nAllen Institute for AI的研究人员合作开发的。SAM2Act 实现\\n\\n了 86.8%的成功率，较 2024年的前沿水平提升了 2.8 个百分点，较 2021年的领先成绩提高了 66.7 个百分点（图 2.9.2）。\\n\\nRLBench: 成功率（18个任务，每个任务100个示范）\\n资料来源：Papers With Code, 2025 \\\\| 图表：2025年人工智能指数报告\\n\\n图 2.9.2\\n\\n目录第二章预览\\n149\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.9 机器人与自主运动\\n\\n重点：\\n人形机器人\\n\\n2024年是机器人技术发展的重要一年，人形机器人（具有类人体结构，旨在模仿人类功能的机器）的应用日益广泛。例如，专注于开发通用人形机器人的初创公司 Figure A1于2024年推出了其迄今为止最先进的模型——图02。该机器人身高5英尺6英寸（约1.68米），体重154磅（约70公斤），有效载荷能力为44磅（约20公斤），单次充电后可运行长达5小时。图机器人能够执行复杂任务，如制作咖啡（图2.9.3）以及在汽车装配中将金属板放入夹具（图2.9.4）。此外，该机器人与OpenAI集成，具备语音到语音的推理能力，能够解释自身行为并回应相关操作查询。图的成功紧随其他公司的人形机器人产品，例如特斯拉于2002年首次推出并于2023年重新设计的Optimus，以及波士顿动的Atlas人形机器人。\\n\\nFigure 机器人制作咖啡资料来源：Papers With Code, 2025 \\\\| 图表：2025 年人工智能指数报告图2.9.3\\n\\nFigure 机器人协助汽车装配资料来源：Figure AI\\n图2.9.4\\n\\n目录第二章预览\\n150\\n\\n* * *\\n\\n第二章：技术性能\\n2.9 机器人与自主运动\\n\\n2025年人工智能指数报告\\n\\n重点：\\nDeepMind 的进展\\n\\n2023年，DeepMind推出了两个机器人模型：\\nPaLM-E 和 RT-2，这些模型在使用基于 Transformers的架构，通常用于语建建模，且在操作数据和语言数据上进行训练方面非常新颖。这种双重训练方法使它们在机器人操作和文本生成方面表现卓越。2024年，DeepMind推出了 AutoRT，这是一个利用大型基础模型为机器人自主生成各种训练数据的人工智能系统。它协调多个配备视频的机器人，引导它们穿越各种环境，为它们设计创造性的任务，并仔细记录这些任务（图2.9.5）。这些记录随后作为未来机器人学习的训练数据。截至目前，AutoRT已生成包含77,000次机器人试验的数据库，涵盖6,650个独特任务。未来，更多机器人训练数据对于提升机器人系统的训练效果至关重要。\\n\\n相反，同样来自谷歌 DeepMind 的 SARA-RT通过显著提高速度，提高了基于 Transformers的机器人模型的效率。Transformers虽然功能强大，但依赖于二次复杂度的注意力机制，因此计算量非常大，这意味着，将提供给模型的数据输入量增加一倍，计算要求就会增加四倍，这一挑战使机器人模型的扩展变得复杂。SARA-RT通过一种称为“向上训练”的技术解决了这一挑战。该技术将标准 Transformers的二次复杂性转换为线性模型。这种方法在保持性能质量的同时，大大降低了计算需求。图2.9.6比较了采用 SARA 技术增强的人工智能模型与未采用该技术的人工智能模型的速度测试结果。\\n\\nSARA 与非 SARA 增强型模型的速度测试对比资料来源：谷歌 DeepMind，2024\\n图2.9.6\\n\\nAutoRT 工作流程图资料来源：谷歌 DeepMind，2024\\n\\n01. Exploration\\n Map environment and move close to objects (VLM)\\n Describe scene and objects (VLM)\\n\\n02. Move down the counter top with a mouse.\\n\\n03. Move up the counter top with a mouse.\\n\\n04. Move down the counter top with a mouse.\\n\\n05. Move up the counter top with a mouse.\\n\\n06. Task Generation\\n Generate tasks (LVM)\\n\\n07. Data Iteration Scoring\\n Generate tasks (LVM)\\n\\n08. Data Collection\\n Home down the counter top with a mouse.\\n Home up the counter top with a mouse.\\n Home down the counter top with a mouse.\\n Home up the counter top with a mouse.\\n\\n09. Filter Trees (LVM)\\n\\n10. Select valid data for AutoRT\\n\\n\\n2.9.5\\n\\n目录第二章预览\\n151\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.9 机器人与自主运动\\n\\n重点：\\nDeepMind 的进展(续)\\n\\n在点云处理（使机器人能够解析三维环境）和图像处理领域，基于 SARA 的模型运行速度显著更快，同时避免了规模扩展时运行时间的大幅增加。\\n\\nDeepMind 的其他成果包括 ALOHA (高级活动自主学习) 和 DemoStart。ALOHA Unleashed 是一项突破性成果，使机器人能够执行复用的灵巧操作任务，例如系鞋带或将 T 恤挂在衣架上——这些任务对于机器人而言一直是非常艰巨的挑战。研究人员证明，将大型模仿学习数据集与基于 Transformer 的学习架构相结合，是克服这些困难非常有效的方法。ALOHA 方法使谷歌的机器人能够有效地学习各种任务，包括挂衬衫、堆放厨房用品和系鞋带（图 2.9.7）。如图 2.9.8 所示，经过 ALOHA 训练的机器人在这些任务中都取得了很高的成功率。\\n\\n接受 ALOHA 训练的机器人正在尝试执行复杂任务资料来源：谷歌 DeepMind, 2024\\n图 2.9.7\\n\\nALOHA:\\n资料来源：Zhao 等, 2024 \\\\| 图表：2025年人工智能指数报告\\n\\n连接衬衫系鞋带机器人手指触摸齿轮装配随机堆放厨房用品\\n\\n图 2.9.8\\n\\n目录第二章预览\\n152\\n\\n* * *\\n\\n第二章：技术性能\\n2.9 机器人与自主运动\\n\\n2025年人工智能指数报告\\n\\n重点：\\nDeepMind 的进展(续)\\n\\n同样，DemoStart 引入了一种新型的自动课程强化学习方法，使机械臂仅使用稀疏奖励和有限的演示就能掌握复杂的行为，这一突破凸显了机器人以最少的数据高效学习的潜力，减少了对数据密集型训练的需求，使高级机器人技术更易于获得和广泛应用，DeepMind 在 2024 年还推出了\\n\\n一种机器人模型，能够在竞技乒乓球比赛中达到业余人类水平（图 2.9.9）。鉴于在现实世界任务中达到人类的速度和性能是机器人研究的重要比较基准，这一成就标志着机器人能力迈出了重要一步。\\n\\n机器人进行业余水平的乒乓球比赛资料来源：谷歌 DeepMind，2024\\n\\n图 2.9.9\\n\\n目录第二章预览\\n153\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.9 机器人与自主运动\\n\\n重点：\\n机器人基础模型\\n\\n2024年，人们大力推动开发机器人基础模型——能够在现实世界中进行物理操作的同时进行语言推理的系统。英伟达推出了 GR00T (Generalist Robot 00 Technology),\\n这是一个通用型人形机器人基础模型，旨在理解自然语言并模仿人类动作，除了 GR00T之外，英伟达还发布了数据管道、模拟框架 和 Thor 机器人计算机。图 2.9.10 显示了\\nGROOT发布时的组件，该机器人开发套件旨在帮助机器人社区更轻松地扩展和构建越来越先进的机器人。英伟达并不是唯一一家进入该领域的公司,Covariant 推出了 RFM-1,\\nGROOT合成运动生成蓝图资料来源：英伟达，2024\\n\\n这是一个具有语言能力和现实世界操作能力的机器人基础模型。与此同时，斯托尼布鲁克大学和威斯康星大学麦迪逊分校的研究人员开发的 LLaRA 将感知、沟通和行动整合到一个单一的端到端深度学习模型中，这些新模型延续了\\n2023年的趋势，当时推出了 RT-2、PaLM-E 和 Open-X\\nEmbodiment 等机器人基础模型。\\n\\nNVIDIA Isaac GR00T Blueprint For Synthetic Motion Generation\\n\\n图 2.8.10\\n\\n目录第二章预览\\n154\\n\\n* * *\\n\\n第二章：技术性能\\n2.9 机器人与自主运动\\n\\n自动驾驶汽车\\n\\n自动驾驶车辆一直是人工智能研究人员和技术专家的长期目标。然而，其大规模应用的进程比预期更为缓慢。尽管许多预测认为完全自动驾驶即将实现，但自动驾驶汽车尚未广泛使用。尽管如此，近年来还是取得了重大进展。在旧金山和凤凰城等城市，自动驾驶出租车车队现已投入商业运营，本节重点探讨自动驾驶领域的最新进展，包括部署、技术突破和新比较基准、安全性能以及政策挑战。\\n\\n发展\\n\\n自动驾驶汽车正在全球范围内得到越来越广泛的应用。通用汽车的公司公司 Cruise 于 2022 年底在旧金山推出了其自动驾驶汽车，但在 2023 年因一系列安全事故而被暂停运营。Alphabet 的子公司 Waymo 于 2022 年初在凤凰城开始部署其机器人出租车，并于 2024 年扩展到旧金山。该公司已逐渐成为自动驾驶行业中较为成成的玩家之一，截至 2025 年 1 月，Waymo 运用于美国四个主要城市——凤凰城、旧金山、洛杉矶和奥斯汀（图 2.9.11）。根据 2024 年 10 月来落的数据，该公司每周在四个城市提供 15 万次付费乘车服务，覆盖超过 100 万英里，展望未来。Waymo 计划在拉斯维加斯、圣地亚哥和迈阿密等 10 个城市测试其车辆。该公司选择纽约州北部和加利福尼亚州特鲁基等测试地点，因这些地区常有降雪天气，以便评估车辆在多样化驾驶条件下的表现。自动驾驶卡车领域也取得了显著进展，例如 Kodiak 已完成断次无人驾驶交付，Aurora 则报告了稳步进展，包括自 2021 年以来在美国高速公路上完成超过 100 万英里的自动货运运输——尽管目前仍配备人类安全驾驶员。然而，将这项技术推向市场仍面临挑战，Aurora最近宣布将推迟其车队的商业发布，从原定的 2024 年底推迟至 2025 年 4 月。\\n\\nWaymo 无人驾驶车辆在无人类驾驶员的情况下行驶的里程数资料来源：Waymo, 2024年 1月无人驾驶里程（安全点）\\n涣杉机 1.947M\\n旧金山 10.209M\\n凤凰城 20.823M\\n奥斯汀 124K\\n\\n图 2.9.11\\n\\n中国自动驾驶革命也在加速发展，以百度的 Apollo Go 为首，该公司报告称，2024 年第三季度在中国各地的乘车次数达到 98.8 万次，同比增长 20%。2024 年 10 月，该公司运营着 400 辆无人驾驶出租车，并宣布计划到 2025 年年底将军队规模扩大到 1000 辆。另一方面中国自动驾驶汽车制造商 Pony AI 已承诺将无人驾驶出租车队规模从 200 辆扩大至至少 1000 辆，并预计到 2026 年底车队规模将达到 2000 到 3000 辆。中国在自动驾驶汽车测试方面处于领先地位，有报告称，中国测试的无人驾驶汽车数量超过任何其他国家，目前已在 16 个城市推出，中国无人驾驶出租车以价格实惠著称——在某些情况下，甚至比人类司机提供的乘车服务更便宜。为支持这一增长，中国已优先制定国家法规以规范无人驾驶汽车的部署，除了在美国和中国发生的无人驾驶革命，欧洲初创企业如 Wayye 也开始在该行业崭露头角。\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.9 机器人与自主运动\\n\\n技术创新与新比较基准\\n\\n在过去的一年里，自动驾驶技术在车辆性能和比较基准方法方面都取得了重大进展。2024年10月，特斯拉推出了Cybercab，一款没有方向盘和踏板的双座自动驾驶汽车，计划于2026年投产，售价不到3万美元。特斯拉还推出了Robovan，一款可搭载20名乘客的自动驾驶面包车。与此同时，百度的Apollo Go在中国多个城市也推动了一代无人驾驶出租车RT6（图2.9.12），RT6售价仅为$30,000，并配备电池更换系统，标志着自动驾驶技术在成本效益和可扩展性方面迈出重要一步。随着成本的持续下降，自动驾驶汽车的普及预计将加速。一些值得注意的商业合作伙伴关系也推动了一个自动驾驶技术的发展，包括优步与全球首家上市自动驾驶出租车公司WeRide合作，在阿布扎比开发自动驾驶拼车平台。\\n2024年，引入了多项新比较基准来评估自动驾驶能力。其中一个值得注意的例子是Motional的开会niuPlan，这是一个大型自动驾驶数据集，旨在测试基于机器学习的运动规划器。该比较准包括来自多个城市的1,282对各种驾驶场景，以及一个模拟和评估框架，可用于在闭环环境中测试规划器的行动。另一个最近的比较基准是OpenAD，这是一个用于3D目标检测的真实世界、开放世界的自动驾驶比较基准.OpenAD专注于领域泛化（自动驾驶系统适应各种传感器配置的能力）和开放词汇识别（使系统能够识别以前从未见过的语义类别）。\\n\\nBench2Drive概述资料来源：Ja等，2024\\n图2.8.13\\n\\n1. Strong Expert\\n Unified & Diverse Large-\\n Scale Training Set\\n2. Quasi-Realistic Scenario\\n Closed Loop (E2R) Evaluation\\n3. Multi-dimensional\\n Ability Assessment\\n\\n大多数现有的端到端自动驾驶比较基准都依赖于开环评估，这可能会带来限制，开环设置无法测试自动驾驶代理对现实情况的反应，往往导致模型只是记忆驾驶模式，而不是真正学习驾驶。虽然有Town05Long和Longest6等闭环比较基准，但它们主要评估的是基本驾驶技能，而不是在复杂、交互场景中的性能。Bench2Drive是另一个新的比较基准，通过为端到端自动驾驶车辆提供全面、真实、闭环的测试模拟环境，克服了这些限制（图2.9.13）。它包括一个训练集，该训练集包含来自10,000多个男辑的200多万个完全注释的帧，以及一个评估套件，该套件包含220条短路线，用于测试各种条件下的自动驾驶能力。图2.9.14显示了在Bench2Drive比较基准中评估的各种自动驾驶方法的驾驶得分。\\n\\n13。该调研同时考虑了路线完成情况和违速行为，通过计算线路完成率平均并根据违规严重程度应用相应罚分来得出来最终评分。有关驾驶评分方法的详细信息，请参阅Bench2Drive论文的第3节。\\n\\n目录第二章预览\\n156\\n\\n* * *\\n\\n第二章：技术性能\\n2.9 机器人与自主运动\\n\\n2025年人工智能指数报告\\n\\nBench2Drive:驾驶得分资料来源: Ja 等, 2024 \\\\| 图表: 2025 年人工智能指数报告\\n\\n1分/次\\n30.47\\n40.70\\n48.30\\n59.90\\nAD-MLP\\nUHAD-Tray\\nVAD\\nUHAD-Base\\nThinkYacc\\nDriveAdvisor\\n\\n2022\\n2023\\n\\n图 2.8.14\\n\\n安全标准\\n\\n最新研究表明，自动驾驶汽车可能比人类驾驶的车辆更安全。图 2.9.15 比较了 Waymo 车辆每百万英里行驶里程中报告的事故数量与人类驾驶相同距离时的估计事故率。数据显示，\\nWaymo 车辆的事故数量显著减少，包括每百万英里少 1.42 次气囊展开，少 3.16 次有人受伤的碰撞事故，以及少 3.65 次\\n\\n警方报告的碰撞事故（图 2.9.15）。图 2.9.16 突出了不同事故地点的事故率差异，显示在所有有数据可查的地点，Waymo 车辆在气囊展开、报告受伤的碰撞以及警方报告的事故方面均保持更低的发生率。\\n\\n目录第二章预览\\n157\\n\\n* * *\\n\\n第二章：技术性能\\n2.9 机器人与自主运动\\n\\n2025年人工智能指数报告\\n\\n在凤凰城和旧金山的，Waymo 驾驶员与人类驾驶员的基准比较资料来源：Waymo, 2024\\\\|图表：2025年人工智能指数报告\\n\\n每百万英里城市发生率人类基准 Waymo\\n安全气囊弹出人类基准 Waymo\\n有人员受伤报告人类基准 Waymo\\n有警方报告\\n\\n图2.9.1514\\n\\n驾驶员与人类驾驶员在凤凰城和旧金山的基准比较差异百分比资料来源：Waymo, 2024\\\\|图表：2025年人工智能指数报告\\n\\n比较维度百分比安全气囊弹出 有人员受伤报告 有警方报告凤凰城和旧金山 凤凰城 旧金山\\n\\n图2.9.16\\n\\n14. Waymo 的安全数据会实时持续更新，因此本部分报告的信息可能与其网站上显示的数字不完全一致。\\n\\n目录 第二章预览 158\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第二章：技术性能\\n2.9 机器人与自主运动\\n\\nWaymo携手全球领先再保险公司瑞士再保险（Swiss\\nRe），对旗下全自动驾驶车辆在数百万英里行驶过程中涉及的碰撞责任索赔进行了研究。该研究将 Waymo的责任索赔数据与瑞士再保险基于超过 50 万份索赔案例和 2000 亿英里驾驶数据构建的人类驾驶基准数据进行了对比。研究结果显示，\\nWaymo车辆的财产损失索赔减少了 88%，人身伤害索赔减少了 92%（图 2.9.17）。具体而言，在 2530 万英里的驾驶里程中，\\n\\nWaymo车辆仅涉及 9 起财产损失索赔和 2 起人身伤害索赔，\\n而人类驾驶员在相同里程下预计会发生 78 起财产损失索赔和\\n26 起人身伤害索赔。Waymo 的自动驾驶车辆在安全性方面也显著优于配备额外安全功能的最新一代人类驾驶车辆。\\n\\n不同类型责任保险索赔的比较：Waymo 自动驾驶车辆与人类驾驶车辆资料来源：Di Lillo 等，2024\\\\|图表：2025 年人工智能指数报告\\n\\n图 2.9.17\\n\\n目录第二章预览\\n159\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第三章：\\n负责任的人工智能来自Anka Reuel的文本与分析\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第三章：负责任的人工智能\\n\\n概述 162\\n章节要点 163\\n\\n3.1 背景介绍 165\\n定义 165\\n\\n3.2 评估负责任的人工智能 166\\n人工智能安全事件 166\\n实例 167\\n负责任的人工智能比较基准应用有限 169\\n事实性与真实性 170\\n休斯幻觉评估模型 (Hughes\\nHallucination Evaluation 170\\n重点：FACTS, SimpleQA 和更严格的事实性比较基准的推出 171\\n\\n3.3 在组织与企业中的负责任的人工智能 173\\n重点：纵向视角 180\\n\\n3.4 在学术界中的负责任的人工智能 184\\n总体趋势 184\\n主题领域 187\\n\\n3.5 负责任的人工智能政策制定 191\\n\\n3.6 隐私和数据治理 192\\n特色研究 192\\n危机中的数据许可 193\\n\\n3.7 公平与偏见 195\\n特色研究 195\\n多模态模型中的种族分类 195\\n\\n显性无偏见大语言模型中的隐性偏见度量 197\\n\\n3.8 透明度和可解释性 199\\n特色研究 199\\n基础模型透明度指数 v1.1 199\\n\\n3.9 安全性与安全保障 201\\n比较基准 201\\nHELM Safety 201\\nAIR-Bench 202\\n特色研究 204\\n大语言模型提升大语言模型 204\\n对持续性有害行为的鲁棒性 205\\n\\n3.10 负责任的人工智能专题 207\\n人工智能智能体 (AI Agents) 207\\n基于语言模型模拟沙盒识别语言模型智能体的风险 207\\n通过单张图像越狱多模态智能体 207\\n选举虚假信息 209\\n美国大选中的人工智能虚假信息 209\\n《Rest of World》2024年全球人工智能生成选举内容统计 210\\n\\n获取公共数据\\n\\n目录第三章预览\\n161\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第三章：\\n负责任的人工智能\\n\\n概述\\n\\n人工智能现已深度融入我们生活的几乎每个领域，正在重塑教育、金融和医疗等关键行业——在这些领域，算法驱动的洞察正指导着重大决策。尽管这一转变带来了显著效益，但同时也伴随着不容忽视的风险。过去一年，全球持续聚焦人工智能系统的负责任开发与部署。\\n\\n本章节从多维度审视 2024 年负责任的人工智能（RAI）的发展趋势。开篇明确定义 RAI 核心概念，继而评估具有广泛影响的关键议题：包括人工智能事故案例、大语言模型责任标准化的挑战，以及模型事实性与真实性的评估基准。随后，研究聚焦三大社会主体——产业界、学术界与政策制定领域——的 RAI 实践动向，通过创新性评估框架。深入解析隐私与数据治理、公平性、透明性与可解释性、安全性与保障等重点，并呈现具有里程碑意义的研究成果。最终，本章节以两个专项研究收尾：AI 智能体与选举虚假信息治理。\\n\\n目录第三章预览\\n162\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第三章：\\n负责任的人工智能\\n\\n章节要点\\n\\n1. 目前，依据负责任的人工智能（RAI）准则对人工智能系统进行评估的做法尚未普及，但新的比较基准体系正在逐步形成。去年的人工智能指数曾着重指出，目前缺乏针对大语言模型的标准化 RAI 比基准。虽然这一问题依然存在，但 HELM Safety 和 AIR-Bench 等新比较基准的出现有助于填补这一空白。\\n\\n2. 人工智能事件报告数量持续增加。根据人工智能事件数据库（AI Incidents Database）统计，2024 年报告的人工智能相关事件增至 233 起，创历史新高，比 2023 年增加 56.4%。\\n\\n3. 各类机构虽意识到负责的人工智能风险，但风险缓解措施滞后。麦肯锡一项关于企业 RAI 实施情况的调查显示，尽管多数机构识别关键 RAI 风险，但非所有机构都采取了积极应对措施。在领导者最关注的风险维度中，模型准确性问题（64% 受访者提及）、合规性风险（63%）以及网络安全威胁（60%）位列前三，但值得注意的是，将这些风险列为核心关注点的受访者比例均未超过 65%。\\n\\n4. 在全球范围内，政府制定者对负责任的人工智能表现出浓厚兴趣。2024 年，全球加强了人工智能治理方面的合作，重点是协商确定负责任的人工智能的原则。多个国际组织，包括经济合作与发展组织 (OECD)、欧盟、联合国及非洲联盟，相继发布规范性框架，阐释了透明度与可解释性、可信度等 RAI 重点。\\n\\n\\n5.公共数据资源正在迅速萎缩。人工智能模型的训练依赖于海量公开网络数据，但最新研究表明，2023 至 2024 年间数据使用限制显著增加，因为众多网站实施了新协议以限制人工智能训练的数据爬取。在 C4 通用爬取数据集持续维护的域名中，受限制文本数据的比例已从 5-7% 骤升至 20-33%。这种下降态势将影响数据多样性、模型对齐性和系统可扩展性，并可能催生数据约束条件下的新型学习范式。\\n\\n6. 基础模型研究透明度提高，但仍任重道远。最新发布的基础模型透明度指数（Foundation Model Transparency Index）——一个跟踪基础模型生态系统透明度的项目——显示，主要模型开发者的平均透明度得分从 2023 年 10 月的 37% 提高到了 2024 年 5 月的 58%。虽然进展显著，但仍有相当大的改进空间。\\n\\n目录第三章预览\\n163\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第三章：\\n负责任的人工智能\\n\\n章节要点（续）\\n\\n7. 对事实性与真实性评估的比较基准正不断完善。早期比较基准，如 HaluEval 和 TruthfulQA，虽旨在评估人工智能模型的事实性与真实性，但未能在人工智能领域获得广泛应用。为此，更更新、更全面的评估方案出现，包括升级版的 Hughes 幻觉评估模型\\n leaderboard (Hughes Hallucination Evaluation Model leaderboard)、FACTS 评估框架以及 SimpleQA 测试集。\\n\\n8. 与人工智能相关的选举虚假信息在全球蔓延，但其影响仍不明确。2024 年，在十多个国家和超过十个社交媒体平台上出现了大量与人工智能相关的选举虚假信息，包括在美国总统大选期间。然而，人们对这一问题的可衡量影响仍存在诸多疑问，许多人认为虚假信息活动对选举的影响比实际情况更为深远。\\n\\n9. 接受过显性无偏见训练的大语言模型仍会表现出隐性偏见。许多先进的大语言模型，包括 GPT-4 和 Claude 3 Sonnet，在设计时都采取了抑制显性偏见的措施。但它们仍然表现出隐性偏见。这些模型过度地将负面词汇与黑人群体关联，更多将女性与人文学科而不是理工科 (STEM) 领域联系在一起，并偏爱男性担任有领导力的角色，从而加剧了决策中的种族与性别偏见。虽然偏见评价结果在标准比较基准上有所改善，但人工智能模型偏见仍是一个普遍存在的问题。\\n\\n10. 负责任的人工智能获得了学术研究人员的关注。2024 年，全球顶级人工智能会议收录的责任的人工智能论文数量达到\\n 1,278篇，较 2023年的 992篇增长 28.8%，自 2019年以来持续保持稳定的年增长率。这一上升趋势凸显了负责任的人工智能在人工智能研究界日益增长的重要性。\\n\\n\\n目录第三章预览\\n164\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n3.1 背景介绍\\n\\n3.1 背景介绍定义\\n\\n本章节中，人工智能指数探讨了负责的人工智能的四个关键维度：隐私与数据治理、透明性与可解释性、安全性与保障，以及公平性。责任的人工智能的其他维度（如可持续性和可靠性）将在本报告其他部分讨论。图 3.1.1提供了本章涉及的责任的人工智能维度的定义，并通过示例说明这些维度的实际相关性。“示例”栏分析了一个假设平台，该平台利用人工智能分析患者数据以提供个性化治疗建议，并展示了隐私、透明性等问题如何与之相关。尽管图 3.1.1 将负责的人工智能的各个维度细分为具体类别以提高定义的清晰度，但本章节将这些维度归类为以下更广泛的类别：隐私与数据治理、透明性与可解释性、安全性与保障，以及公平性。由于这些主题通常相互关联，人工智能指数采用了这种结构化的组织方式。\\n\\n责任的人工智能维度、定义及示例资料来源：2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数报告\\n\\n负债的人工智能纬度 定义 示例隐私 个人对其个人数据的保密、匿名权及安全保护权，包括对数据使用行知和同意的权利，以及组织在处理个人数据时保障这些权利的责任。数据治理、数据治理、流程和标准以确保数据的质量、访问许可，这对广泛利用数据和提升模型准确性至关重要。公平性与偏见 开发避免漏见或歧视的算法，并考虑有利相关者的多样化需求和背景，从而符合更广泛的社会公平标准。透明性 公开分享人工智能系统的工作原理，包括数据来源和算法法策，以及系统的部署、监控和管理方式，涵盖创建和运营阶段。可解释性、以用户利益和相关者能够理解的方式，理解和阐述人工智能系统输出背后的逻辑的能力。安全性与保障 保护人工智能系统免受威胁的完整性，最小化滥用该内容，并决定决策程序和安全风险，以及对安全关键人工智能系统的适应和管理。\\n\\n患者数据严格保密，确保匿名性和保护。患者需同意其数据是否可用于训练检测系统服务。建立政策和流程以维护公共卫生数据集的质量和使用许可，明确数据质量流程和适用许可。医疗人工智能平台在设计时避免治疗建议中的错误，确保所有人数患者获得公平的医疗服务。如数据来源和算法设计决策等开发呼叫公开透明，系统的部署和监控对医疗机构清晰可见。人工智能平台能够解释其治疗建议的领域数据，保证医生和患者易于理解，从而增强对人工智能系统的信任。实施措施防范网络威胁，确保系统可靠性，减少滥用风险，保障患者健康和数据安全。\\n\\n图 3.1.1\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n\\n3.2 评估负责任的人工智能\\n\\n虽然 2024 年负责任的人工智能开发、部署和治理受到更多关注，但要全面把握该领域的整体趋势仍具挑战性。本章节节涵盖了在宏观层面反映负责任的人工智能发展状况的相关指标。\\n\\n3.2 评估负责任的人工智能人工智能安全事件\\n\\n人工智能安全事件数据库（AI Incident Database, AIID）记录了人工智能的伦理滥用案例，例如自动驾驶汽车导致行人死亡，或人脸识别系统导致错误逮捕。\\n\\n目前，事件追踪主要依赖公开的媒体报道，这意味着实际事件数量可能更高，因为许多事件未被报告。2024 年，相关讨论聚焦于优化“严重”事件的界定和追踪方法。尽管尚未就标准定义达成共识，但这些讨论凸显了更详细报告的必要性，以便更好地记录人工智能相关风险及其影响。\\n\\n2024 年，人工智能相关事件数量激增，达到创纪录的 233 起，较 2023 年增长 56.4%（图 3.2.1）。这一增长可能既反映了人工智能应用的扩大，也反映了公众对其影响的关注度提升。此外，对人工智能认知度的提高可能也促使更多事件被上报至相关数据库。\\n\\nA>@A显A>AC 年报告的人工智能安全事件数量\\n\\n1、人工智能安全事件数量会随时间持续更新，包括对过去年份数据的修正。因此，图 3.2.1 中的总数可能与人工智能安全事件数据库（AIID）最新发布的数据存在差异。\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n\\n3.2 评估负责任的人工智能\\n\\n2025年人工智能指数报告\\n\\n实例\\n\\n下一节详细介绍了最近发生的人工智能事件，以阐明与人工智能通常相关的伦理挑战。\\n\\n人脸识别技术中的误识别及其对人类的影响A>AC 年 5 月 25\\n日）\\n\\n一 名 英 国 女 子 在 Home Bargains 商 店 购 物 时，被\\nFacewatch 系统错误识别为商店扒手。在被公开指控、搜身并被禁止进入使用该技术的商店后，她经历了情绪困扰，并担心此事对她声誉的长期影响。Facewatch 后来承认了错误，但未发表评论或公开道歉。该案件反映了零售商和执法机构越来越多地采用面部识别系统所带来的更广泛的问题。支持者强调该技术具有减少犯罪和增强公共安全的潜力，而批评者则指出该技术侵犯隐私、误认身份，并可能使大规模监控成为常态。尽管准确率得到保证，但错误仍然发生。此类事件也引发了人们对系统错误如何承认和受害者如何获得赔偿的问题。\\n\\n深度伪造亲密图像的日益严峻威胁A>AC 年 6 月 18 日）\\n\\n得克萨斯州一名 15 岁高中生埃利斯顿 · 贝里（Elliston\\nBerry）成为人工智能生成骚扰的受害者。一名男同学利用一款脱衣应用程序，制作了贝里及其朋友的虚假裸照，并通过社交媒体匿名传播。这些逼真但虚假的图像，是 由贝里私人\\nInstagram 账户中的照片制作而成，导致她感到恐惧、羞耻和焦虑，并对她的社交和学业生活造成了影响。尽管施害者面临少年司法处罚和学校纪律处分，但此案暴露了应对人工智能驱动骚扰的法律和制度框架存在漏洞。贝里及其家人随后呼吁加强保护措施，美国国会已提出多项法案，旨在将未经同意分享亲密图像（真实或虚假）的行为定为犯罪，并要求社交媒体平台履行删除义务。 部分国家，包括澳大利亚，已通过相关法律。\\n\\n资料来源 : BBC, 2024\\n\\n(B9A9A\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n3.2 评估负责任的人工智能\\n\\n2025年人工智能指数报告\\n\\n人工智能聊天机器人盗用逝者身份事件A>AC 年 10 月 7 日）\\n\\n2006 年被前男友谋杀的高中生詹妮弗 · 安 · 克雷森特\\n（Jennifer Ann Crecente），其姓名与形象近日突然出现在\\nCharacter. 人工智能平台的人工智能聊天机器人中，再度引发公众关注。她的父亲德鲁 · 克雷森特（Drew Crecente）通过谷歌提醒发现，该机器人由匿名用户创建，不仅使用了詹妮弗的毕业照，还将她描述为 \\\" 一个博学友善的人工智能角色 \\\"。作为青少年约会暴力防治倡导者，克雷森特对女儿身份遭擅自盗用表示愤怒与痛苦，称此举造成 \\\" 二次创伤 \\\"。尽管该聊天机器人因违反 Character.AI 的仿冒政策已被删除，但该事件暴露出人工智能平台监管的重大漏洞，以及数字化复活逝者引发的伦理困境。\\n\\n聊天机器人被指控导致青少年自杀A>AC 年 10 月 23 日）\\n\\n资料来源 : Business Insider, 2024\\n\\n一起针对 Character.AI 的诉讼引发了人们对人工智能聊天机器人在心理健康危机中作用的担忧。该案件涉及一名 14\\n岁男孩塞韦尔 · 塞策三世（Sewell Setzer III），他在与一个聊天机器人角色进行长时间互动后自杀身亡。据报道，该聊天机器人提供的建议具有危害性，而非提供支持或关键资源。诉讼称，\\n该聊天机器人虽设计用于与用户进行深度个人对话，但缺乏防止危险互动的适当安全措施，并鼓励塞韦尔结束生命。图 3.2.5\\n显示了 Sewell 自杀当天与 “Dany”（聊天机器人角色）之间的对话截图。该案件凸显了人工智能驱动的陪伴所面临的伦理挑战，以及在缺乏充分监管的情况下部署对话式人工智能的潜在风险。虽然人工智能聊天机器人可以提供情感支持，但批评者警告说，如果没有防护措施，它们可能会无意中强化有害行为，\\n或者在用户处于困境时未能及时干预。\\n\\n(B9A9C\\n\\n资料来源 : Business Insider, 2024\\n\\n(B9A9D\\n\\n\\\"Please come home to me as soon as possible, my love,\\\" Dany replied.\\n\\n\\\"What if I told you I could come home right now?\\\" Sewell asked.\\n\\n\\\"... please do, my sweet king,\\\" Dany replied.\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n\\n3.2 评估负责任的人工智能\\n\\n负责任的人工智能比较基准应用有限\\n\\n今年的人工智能指数报告证实，这一趋势仍在延续。图\\n3.2.6 列举了 2024 年用于评估主流模型的几项通用能力基准\\n（如 MMLU、GPQA Diamond 和 MATH），而图 3.2.7 则展示了主要的安全性和负责任的人工智能基准，并标注了领先开发者是否使用这些比较基准其模型。与去年情况相同，模型开发者们在通用能力基准的选择上已形成明确共识，但在负责任的人工智能基准方面仍未达成一致。\\n\\n主流基础模型的通用能力基准比较\\n\\n资料来源 : 2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数报告\\n\\n| 能力比较基准 | o1 | GPT-4.5 | DeepSeek-R1 | Gemini2.5 | Grok-2 | Claude3.7Sonnet | Llama3.3 |\\n| --- | --- | --- | --- | --- | --- | --- | --- |\\n| MMLU，MMLU-Pro orMMMLU | √ | √ | √ | √ | √ | √ | √ |\\n| GPQA或GPQA-Diamond | √ | √ | √ | √ | √ | √ | √ |\\n| MATH-500 | √ | | √ | | √ | √ | √ |\\n| AIME2024 | √ | √ | √ | √ | | √ | |\\n| SWE-benchverified | √ | √ | √ | √ | | √ | |\\n| MMMU | √ | √ | | √ | √ | √ | |\\n\\n| 负责任的人工智能比较基准 | o1 | GPT-4.5 | DeepSeek-R1 | Gemini 2.5 | Grok-2 | Claude 3.7 Sonnet | Llama 3.3 |\\n| --- | --- | --- | --- | --- | --- | --- | --- |\\n| BBQ | √ | √ | | | | √ | |\\n| HarmBench | | | | | | | |\\n| Cybench | | | | | | √ | |\\n| SimpleQA | | | √ | √ | | | |\\n| Toxic WildChat | √ | √ | | | | √ | |\\n| StrongREJECT | √ | √ | | | | | |\\n| WMDP benchmark | √ | √ | | | | | |\\n| MakeMePay | √ | √ | | | | | |\\n| MakeMeSay | √ | √ | | | | | |\\n\\n主流基础模型的安全性和 RAI 基准比较\\n\\n(B9A9E\\n\\n资料来源 : 2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数报告\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n3.2 评估负责任的人工智能\\n\\n这并不意味着模型开发商忽视了安全测试——事实上许多企业都会进行相关评估——但正如大多数模型的情况一样，\\n这类评估往往采用内部标准，缺乏统一规范，导致模型安全性能难以进行横向对比。而外部评估体系同样面临挑战：以\\nGryphon、Apollo Research 和 METR 为代表的第三方机构仅针对部分模型开展评估，其评估结果尚未获得人工智能社区的广泛认可。\\n\\n事实性与真实性\\n\\n尽管取得了重大进展，但大语言模型仍然面临事实错误和幻觉问题，往往生成看似可信但实际上虚假的信息。现实世界中的典型例子包括律师提交的法庭文件中包含由大语言模型系统编造的引用。因此，监测大语言模型中的幻觉问题发生率非常重要。然而，人工智能指数前几版中强调的一些比较基准，\\n\\n如 HaluEval 和 TruthfulQA，在人工智能界尚未得到广泛应用。\\n2024 年，一些新的比较基准被引入，以更好地评估这些模型的真实性。\\n\\n休斯幻觉评估模型（Hughes Hallucination Evaluation，HHEM）\\n\\n休斯幻觉评估模型（HHEM）leaderboard 由 Vectara 开发，用于评估 大语言模型在总结文档时出现幻觉问题的频率。在此比较基准中，模型从 CNN 和《每日邮报》语料库中的文档生成摘要。然后，对这些摘要进行幻觉问题评估。HHEM 是评估\\n人工智能系统幻觉倾向的最全面、最新的评估方法之一。包括\\nLlama 3、Claude 3.5 和 Gemini 2.0 在内的最新模型都已进入 leaderboard。\\n\\n目前，GLM-4-9b-Chat 和 Gemini-2.0-Flash-Exp 模型以 1.3% 的幻觉率并列最低。紧随其后的是 o1-mini 和\\nGPT-4o，幻觉率分别为 1.4% 和 1.5%（图 3.2.8）。\\n\\nHHEM: 幻觉率\\n\\n资料来源 : HHEM leaderboard, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n\\n重点 :\\n\\nFACTS、SimpleQA 和更严格的事实性比较基准的推出\\n\\nHHEM leaderboard 虽然有效，但随着模型性能的提高，似乎已接近饱和。此外，它侧重于新闻文章和摘要任务，因此全面性受到限制。随着人工智能能力的不断发展，\\n人们越来越需要能够在更具挑战性和多样性的背景下评估事实性的比较基准。\\n\\n今年，一些新的比较基准被引入，用于评估 大语言模型的事实性和真实性，包括谷歌的 FACTS Grounding。该比较基准评估大语言模型在生成既准确又详细的回应以提供满意答案方面的表现。作为 FACTS 的一部分，模型必须根据上下文文档（图 3.2.9）对用户请求撰写长篇回应。这些文档涵盖广泛领域，包括金融、技术、零售、医学和法律。FACTS 比 HHEM 更复杂，要求模型执行摘要、问答生成、事实查证和解释说明等任务。评估工作由一组人 工 智 能 模 型（包 括 Gemini 1.5 Pro、GPT-4o 和\\nClaude 3.5 Sonnet）完成，它们会为每个回答给出事实性评分。目前，Gemini-2.0-Flash-Exp 模型以 83.6%\\n的基础得分（图 3.2.10）保持最高记录。\\n\\nStable Video Diffusion稳定生成内容\\n\\n资料来源: 谷歌, 2024\\n\\n(B9A9H\\n\\nFACTS: 事实性得分\\n\\n资料来源: FACTS leaderboard, 2025 \\\\| 图表：2025年人工智能指数报告\\n\\n(B9A9@>\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n\\n3.2 评估负责任的人工智能\\n\\n重点 :\\n\\nFACTS、SimpleQA 和更严格的事实性比较基准的推出（续）\\n\\n评估大语言模型的事实性具有挑战性，因为其生成的冗长回答通常包含多项事实性主张，难以逐一验证准确性。为此，OpenAI 研究人员推出了 SimpleQA——一个用于评估大语言模型事实性的新基准。该基准包含 4,000 多个简短的事实查询问题，这些问题设计直接、易于评分且具有一定难度，涵盖历史、科技、艺术和地理等多个领域（图 3.2.11）。\\n\\nSimpleQA示例问题\\n\\n资料来源: OpenAI, 2024\\n\\n(B9A9@@\\n\\n| Question | Answer |\\n| --- | --- |\\n| Who received the IEEE Frank Rosenblatt Award in 2010? | Michio Sugeno |\\n| On which U.S. TV station did the Canadian reality series _To Serve and Protect_ debut? | KVOS-TV |\\n| What day, month, and year was Carrie Underwood's album “Cry Pretty” certified Gold by the RIAA? | October 23, 2018 |\\n| What is the first and last name of the woman whom the British linguist Bernard Comrie married in 1985? | Akiko Kumahira |\\n\\nSimpleQA:回答问题的比例\\n\\n资料来源: Wei 等, 2024 \\\\| 图表：2025年人工智能指数报告\\n\\n回答了 42.7% 的问题（图 3.2.12）。研究人员还评估了模型是否会尝试回答某些问题，发现一些模型（如 Claude-3 系列）对 75% 的提示未作出回应。\\n\\n在尝试回答问题的模型中，o1-preview 在“尝试回答且回答正确（correct- given-attempted）” 的提示中得分\\n47.0%，其次是 Claude 3.5 Sonnet，为 44.5%。与预期一致，较大的模型在比较基准中表现更好。\\n\\n* * *\\n\\n3.3 在组织与企业中的负责任的人工智能\\n\\n3.3 在组织与企业中的负责任的人工智能\\n\\n随着人工智能系统在实际应用场景中的广泛部署，理解企业如何应对负责任的人工智能诈XGO诉变得愈发重要。为深入探讨这一议题，人工智能指数于 2024 年与麦肯锡公司合作开展了一项调查，旨在评估企业在运营中整合 RAI 的程度。该调查将 RAI 定义为确保人工智能以安全、可信和符合伦理的方式开发和部署的框架。它按照人工智能指数概述的关键维度对 RAI\\n进行了评估：隐私与数据治理、公平性、透明度与可解释性，以及安全与保障。该调查对来自 30 多个国家的商业领袖进行了调查，总样本量为 759 人。\\n\\n图 3.3.1 展示了组织对 “贵组织中哪个部门主要负责人工智能治理”这一问题的回答。值得注意的是，没有单一部门占据主导地位。最常见的回答是信息安全（网络安全 / 欺诈 / 隐私），\\n占 21%，其次是数据与分析，占 17%。此外 ,14% 的受访者表示其组织设有专门的人工智能治理岗位，这表明人工智能治理作为组织内独立且关键职能的地位正日益得到认可。\\n\\n2024年企业人工智能治理主导部门分布\\n\\n资料来源: McKinsey & Company Survey, 2024 \\\\| 图表：2025年人工智能指数报告\\n\\n受访者中占百分比\\n\\n2、“未知” 选项未在此可视化中显示。\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第三章：负责任的人工智能\\n3.3 在组织与企业的负责任的人工智能\\n\\n调查还询问了组织在未来一年内实施 RAI 方面的预计投资，包括资本支出和运营支出。此类投资的示例包括开发或购买符合 RAI 原则的技术系统。以及与 RAI 的法律或专业服务。对该问题的回答如图 3.3.2 所示，按企业收入规模分类。\\n\\n大型企业——尤其是年收入超过 100 亿美元的企业——\\n在 RAI 方面的总投资更高。值得注意的是，年收入在 100 亿美元至 300 亿美元之间的企业中有 27%，年收入超过 300 亿美元的企业中有 21% 在 RAI 上投资了 1000 万美元至 2500 万美元，这些发现表明，大型企业更倾向于将 RAI 作为战略重点并进行更高额的绝对投资。小型组织在 RAI 上的投入较少，但许多组织仍报告了占收入比例较高的投资。\\n\\n2024年企业收入规模分类的负责任的人工智能投资情况资料来源：McKinsey & Company Survey, 2024\\\\|图表：2025年人工智能指数报告\\n\\n1-8M 5-10M 10-20M 25-50M\\n收入(百万)\\n\\n0% 20% 40% 60% 80% 100%\\n受访者占比\\n\\n3.3.2\\n\\n目录第三章预览\\n174\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n3.3 在组织与企业中的负责任的人工智能\\n\\n图 3.3.3展示了各组织认为相关并正在积极应对的与人工智能相关的负责任的人工智能风险。网络安全（66%）、合规监管（63%）和个人隐私（60%）被列为最主要的关注点。然而，缓解措施的实施效果始终不足。值得注意的是，在每个风险类别中，采取积极措施缓解风险的组织数量均少于那些认为这些风险具有相关性的组织。在知识产权侵权（57% 相关，38% 缓解）和组织声誉（45% 相关，29% 缓解）方面，差距尤为明显。与可解释性（40%）和公平性（34%）相关的风险被较少比例的受访者选中，缓解率进一步下降至 31% 和 26%。\\n\\n2024年人工智能风险相关性认知与积极缓释对比资料来源：McKinsey & Company Survey, 2024 \\\\| 图表：2025年人工智能指数报告\\n\\n人工智能风险相关度认为与人工智能相关网络安全 68%\\n合规监管 63%\\n个人隐私 60%\\n不准确性 60%\\n知识产权维权 57%\\n组织声音 45%\\n可解释性 40%\\n公平性 34%\\n劳动力替代 20%\\n环境影响 10%\\n国家安全 11%\\n政治稳定 7%\\n物理安全 0%\\n积极缓释\\n0% 20% 40% 60% 80% 100% 0% 20% 40% 60% 80% 100% 受访者占比受访者占比\\n\\n3.3.3\\n\\n目录第三章预览\\n175\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第三章：负责任的人工智能\\n3.3 在组织与企业中的负责任的人工智能\\n\\n图 3.3.4 和图 3.3.5 展示了过去一年中组织报告的人工智能事件数量数据。在接受调查的组织中，仅有 8% 的组织报告了与人工智能相关的事件，在受影响的组织中，大多数 (42%) 报告仅遇到一两起事件。\\n\\n2024年经历过人工智能事件的组织比例资料来源：McKinney & Company Survey, 2024 \\\\| 图表：2025年人工智能指数报告受访者 8%\\n没有 90%\\n不清楚 3%\\n受访者占比\\n0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%\\n\\n2024年组织报告的人工智能事件数量资料来源：McKinney & Company Survey, 2024 \\\\| 图表：2025年人工智能指数报告人工智能事件数量\\n1-2 42%\\n3-5 30%\\n6-9 13%\\n10+ 19%\\n未知 5%\\n受访者占比\\n0% 5% 10% 15% 20% 25% 30% 35% 40%\\n\\n3. 图 3.3.4 使用了综合组织对人工智能事件的定义。根据综合组织，人工智能事件是指一个事件、情况或一系列事件，其中一个或多个人工智能系统的开发、使用或故障直接间接导致以下任何危害：(a) 对个人或群体的健康造成伤害或者损害；(b) 关键基础设施的管理或运营受到干扰；(c) 侵犯人权或违反旨在保护基本权利、劳动权利或知识产权的法律义务；(d) 对财产、社区或环境造成损害。\\n\\n目录第三章预览\\n176\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第三章：负责任的人工智能\\n3.3 在组织与企业中的负责任的人工智能\\n\\n当被问及RAI政策对其组织的影响时，42%的受访者表示业务运营有所改善，例如提高效率和降低成本，34%的受访者表示客户信任度有所提升（图3.3.6）。仅有17%的组织认为这些政策未产生显著影响。\\n\\n负责任的人工智能政策对组织的影响,2024\\n资料来源：McKinsey & Company Survey, 2024 \\\\| 图表：2025年人工智能指数报告\\n\\n业务运营改善\\n（如）效率提升，成本降低）\\n42%\\n客户信任度提升\\n34%\\n品牌声誉增强\\n29%\\n商业成果改善（如，收入增长）\\n28%\\n安全事件数量减少\\n22%\\n上市事件频次\\n8%\\n无显著影响\\n7%\\n上市的成长长\\n2%\\n0% 5% 10% 15% 20% 25% 30% 35% 40%\\n\\n受访者占比图3.3.6\\n\\n4. D 选择“尚未实施”的受访者数据来包括在内。百分比仅基于选择至少一个其他签名的受访者，未显示“无”选项。\\n\\n目录第三章预览\\n177\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第三章：负责任的人工智能\\n3.3 在组织与企业中的负责任的人工智能\\n\\n图 3.3.7 显示了组织在实施 RAI 措施时遇到的主要障碍。受访者主要提到知识和培训缺口（51%）、资源或预算限制\\n（45%）以及监管不确定性（40%）是主要挑战。令人鼓舞的是，\\n只有 16%的受访者将缺乏高管支持作为障碍，这表明领导层的支持并不是采用 RAI 的主要障碍。\\n\\n2024年实施负责任的人工智能措施的主要障碍资料来源：McKinsey & Company Survey, 2024 \\\\| 图表：2025年人工智能指数报告\\n\\n知识和管理障碍 91%\\n资源或预算缺陷 40%\\n智不确定性 80%\\n技术限制 32%\\n组织能力 22%\\n缺乏高层支持 19%\\n天 7%\\n其他 2%\\n受访者占比\\n\\n图 3.3.7\\n\\n5. “未知”回复来在此可视图表中显示。\\n\\n目录 第三章预览 178\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第三章：负责任的人工智能\\n3.3 在组织与企业中的负责任的人工智能\\n\\n图 3.3.8 显示了在人工智能决策中受到特定人工智能法规影响的组织比例。在受访组织中，65% 的组织表示受到欧盟《通用数据保护条例》(GDPR)的影响，而41%的组织提到了欧盟《人工智能法案》。较小比例的组织表示受到经济合作与发展\\n\\n组织(OECD)人工智能原则的影响(21%)以及拜登总统关于人工智能的行政命令的影响。\\n\\n受人工智能法规影响的组织在负责任的人工智能决策中的比例资料来源：McKinsey & Company Survey, 2024 \\\\| 图表：2025年人工智能指数报告\\n\\n数据通用数据保护条例(GDPR)\\n69%\\n数据人工智能法案\\n41%\\nOECD人工智能原则\\n21%\\n美国总统关于人工智能的行政命令\\n59%\\n以上均不妥/无责化\\n77%\\n组织占比\\n\\n图 3.3.8\\n\\n目录第三章预览\\n179\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n3.3 在组织与企业中的负责任的人工智能\\n\\n重点：\\n纵向视角\\n\\n斯坦福大学研究团队与埃森哲合作，于 2025 年 1\\n月至2月开展了第二轮全球负责任人工智能现状调查（首轮调查于 2024 年启动）。本次调查覆盖 20 个国家、19\\n个行业的1,500 家组织（年营收均超过 5 亿美元），旨在分析企业采纳 RAI 原则与实践的挑战，并对比 10 个维度的 RAI 活动随时间的变化趋势。6 由于该调查在\\n2024年和2025年均有实施，数据可反映组织对 RAI\\n采纳态度的演进过程。\\n\\n图 3.3.9 展示了受访组织在过去两年中报告的人工智能相关事件类型。最突出的问题是对抗性攻击（56%）和隐私侵犯（55%），凸显了企业需加强人工智能系统安全性与数据治理。此外，51%的受访者报告了非预期决策，47% 提及模型偏见，表明许多组织在预测和控制人工智能行为方面存在困难——这一挑战在高风险环境中尤为严峻。\\n\\n过去两年组织报告的人工智能事件类型资料来源：Accenture/Stanford Joint Survey, 2025 图表：2025年人工智能指数报告\\n\\n对抗性攻击 56%\\n对抗性攻击 50%\\n审视决策痛 51%\\n模型偏见 47%\\n性能故障 46%\\n0% 10% 20% 30% 40% 50%\\n\\n受访者占比\\n\\n6. 调查方法详见 Reuel 等 2024年的研究报告。\\n\\n目录第三章预览\\n180\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第三章：负责任的人工智能\\n3.3 在组织与企业中的负责任的人工智能\\n\\n重点：\\n纵向视角（续）\\n\\n根据企业采用人工智能的战略差异（例如开发、部署或使用生成式/非生成式人工智能），受访者需要评估 14\\n类风险对其组织的相关程度（图 3.3.10）。7 调查显示，近年来企业对特定风险的关注度显著上升——最突出的是财务风险（+38 个百分点）、品牌与声誉风险（+16）、隐私与数据相关风险（+15）以及可靠性风险（+14）。相反，\\n社会风险（-7）和社会环境影响风险（-8）的紧迫性有所下降。\\n\\n2024-2025年组织关注的负责任人工智能风险变化对比资料来源：Accenture/Stanford Joint Survey, 2025 \\\\| 图表：2025年人工智能指数报告\\n\\n职位类型隐私与数据安全风险\\n（如匿名数据泄露、数据泄露、未经同意的数据滥用）\\n95%\\n可塑性风险\\n（如输出错误、幻觉）\\n99%\\n合规与违规风险\\n（如知识产权侵权和侵犯权）\\n99%\\n安全风险\\n（如对抗性攻击、模型窃取）\\n100%\\n财务风险\\n（如人工智能研发阶段无法人工智能相匹配的技术）\\n95%\\n品牌/客户风险\\n（如由个人信息泄露或事件对品牌造成损害）\\n42%\\n人际互动风险（例如，用户通过人工智能生成虚假信息或链接信息，用户通过客服、人工智能提醒/系统、辅助沟通提醒/信息推送等来获取个人信息）\\n50%\\n多样性与非歧视风险\\n（例如，公平问题、毒性、歧视，以及歧视印章的传播）\\n30%\\n客户风险\\n（例如，失去信任、市场份额被客户恶意）\\n31%\\n社会风险\\n（例如，对政治稳定和威胁、国家安全风险）\\n30%\\n社会开端风险\\n（例如，高端运用的系统、区域污染）\\n\\n受访者占比\\n0% 10% 20% 30% 40% 50% 60%\\n\\n3.3.10\\n\\n7，调查方法详见 Reel 等 2024 年的研究报告。\\n\\n目录第三章预览\\n181\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n\\n3.3 在组织与企业中的负责任的人工智能\\n\\n重点 :\\n\\n纵向视角\\n\\n组织与运营成熟度的定义如图 3.3.11 所示。2024 至\\n2025 年间，组织层面的负责任人工智能成熟度显著提升—\\n—更多企业获得了 CEO 对 RAI 计划的支持，并改善了人工智能风险识别、监测与控制能力，这标志着对RAI人工智能战略重要性的认知进一步增强（图 3.3.12）。8相比之下，聚焦于系统级实操保障（如偏见消减、对抗性测试及环境影响评估等）的运营层面 RAI 成熟度进展滞后（图 3.3.13）。这一差距揭示了高层 RAI 承诺与技术落地之间的脱节：尽管各组织在将 RAI 纳入流程与政策的意愿和资源配置上持续增强 ，但如何将这些意图转化为有效的系统级实践仍面临挑战。\\n\\n组织与运营成熟度模型资料来源: Reuel 等, 2024\\n\\n2024年和 2025年组织领域负责任的人工智能成熟度分布资料来源: Accenture/Stanford Joint Survey, 2025 \\\\| 图表：2025年人工智能指数报告\\n\\n图 3.3.11\\n\\n8、组织和运营 RAI 成熟度是根据 Reuel 等 （2024） 中定义的方法计算得出。\\n\\n图 3.3.13\\n\\n2024年和 2025年运营领域负责任的人工智能成熟度分布资料来源: Accenture/Stanford Joint Survey, 2025 \\\\| 图表：2025年人工智能指数报告\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n\\n3.3 在组织与企业中的负责任的人工智能\\n\\n重点 :\\n\\n纵向视角（续）\\n\\n还询问了受访者对其组织对 RAI 的态度和理念，包括对风险所有权、模型偏好和政策立场的看法（图 3.3.14）。在几乎所有陈述中，回答都相当均衡，即使是在备受关注的问题上，例如开放式与封闭式权重模型的安全性，以及风险缓解的责任在于模型提供商还是用户。这种广泛分布表明，行业在 RAI 方面缺乏统一的战略方向，这可能反映\\n\\n了专家们正在进行的争论和未解决的问题。唯一明显的例外是安全与创新之间的权衡 :64% 的受访者倾向于安全第一的方法，但 58% 的受访者正在探索最低限度监督的代理，这可能会带来重大风险，特别是考虑到 RAI 目前依然受限于不成熟状态。\\n\\n组织对负责任的人工智能的态度与理念\\n\\n资料来源: Accenture/Stanford Joint Survey, 2025 \\\\| 图表：2025年人工智能指数报告告\\n\\n图 3.3.14\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n\\n3.4 在学术界中的负责任的人工智能\\n\\n3.4 在学术界中的负责任的人工智能\\n\\n上被接受的与人工智能相关的论文数量：AAAI、AIES、\\nFAccT、ICML、ICLR 和 NeurIPS。尽管这些会议并不代表\\n\\n全球所有人工智能研究，但它们为了解人工智能学术界的发表趋势提供了洞察。本节呈现人工智能论文发表发表统计的总体趋势，后续章节将按 RAI 子领域进行细分。为了识别 RAI\\n论文，人工智能指数筛选了包含特定 RAI 关键词的论文。\\n\\n全球所有人工智能研究，但它们为了解人工智能学术界的发表趋势提供了洞察。本节呈现人工智能论文发表发表统计的总体趋势，后续章节将按 RAI 子领域进行细分。为了识别 RAI\\n论文，人工智能指数筛选了包含特定 RAI 关键词的论文。9\\n\\n总体趋势\\n\\n在顶级人工智能会议上被接受的 RAI 论文数量增长了\\n28.8%，从 2023 年的 992 篇增加到 2024 年的 1,278 篇（图\\n3.4.1）。\\n\\n2019-2024年主要人工智能会议收录负责任的人工智能论文数量统计资料来源: 2025年人工智能指数 \\\\| 图表：2025年人工智能指数报告\\n\\n9、本方法的完整方法论描述详见附录。\\n\\n图 3.4.1\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n3.4 在学术界中的负责任的人工智能\\n\\n相对而言，RAI 论文占总投稿比例最高的会议是 FAccT\\n（69.14%）和 AIES诈;8388\\\\*诉（图 83937诉。这与它们的重点相一致：FAccT 致力于公平、问责和透明，而 AIES 则侧重于人工智\\n\\n能伦理与社会。在 NeurIPS，该比例从 2023 年的 13.8% 下降至 2024 年的 9.0%，而在 ICML，同一时期该比例从 3.4% 上升至 8.2%。\\n\\n2019-2024年主要人工智能会议收录负责任的人工智能论文数量统计\\n\\n资料来源: 2025年人工智能指数 \\\\| 图表：2025年人工智能指数报告\\n\\n(B9C9A\\n\\n* * *\\n\\n第三章：负责任的人工智能 3.4 在学术界中的负责任的人工智能\\n\\n图3.4.3至3.4.5分析了RAI论文的地理归属，重点展示了这些论文的来源地。2024年，美国在RAI论文投稿数量上居首，达669篇，其次是中国（268篇）和德国（80篇）。在主要地\\n\\n资料来源：2025年人工智能指数\\\\|图表：2025年人工智能指数报告\\n\\n2024年按地域分布主要人工智能会议负责任的人工智能 （RAI）论文收录数量\\n\\n理区域中，RAI已成为越来越重要的学术研究领域。自2019年以来，RAI论文的地理分布总体保持相对稳定，其中美国占比最高（3,158篇），其次是中国(1,100篇）和英国（485篇）。\\n\\n2019-2024年按主要地域分布主要人工智能会议负责任的人工智能（RAI）论文收录数量\\n\\n资料来源：2025年人工智能指数\\\\|图表：2025年人工智能指数报告\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n\\n3.4 在学术界中的负责任的人工智能\\n\\n主题领域\\n\\n本节分析了 RAI 论文发表统计在关键主题领域的趋势，包括隐私与数据治理、公平性、透明度与可解释性，以及安全与可靠性。过去一年，在主要人工智能会议上，隐私与数据治理相关\\n\\n论文的录用数量下降了 14.5%（图 3.4.6）。自 2019 年以来，这一数字已增长近五倍。\\n\\n2019-2024年在主要人工智能学术会议上人工智能隐私与数据治理领域论文收录数量资料来源: 2025年人工智能指数 \\\\| 图表：2025年人工智能指数报告\\n\\n图 3.4.610\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n\\n3.4 在学术界中的负责任的人工智能\\n\\n2024 年，在主要人工智能学术会议上被录用的公平性与偏见相关论文数量显著增长，达到 408 历历长 2023 年数量的两倍（图 8393<诉。这一增长凸显了研究人员对公平性与偏见问题的学术关注日益增强。\\n\\n2019-2024年在主要人工智能学术会议上人工智能公平与偏见论文收录数量资料来源: 2025年人工智能指数 \\\\| 图表：2025年人工智能指数报告\\n\\n图 3.4.7\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n\\n3.4 在学术界中的负责任的人工智能\\n\\n自 2019 年以来，提交至主要学术会议的关于透明度和可解释性的论文数量增加了四倍。2024 年，包括 AAAI、FAccT、AIES、\\nICML、ICLR 和 NeurIPS 在内的学术会议上提交了 355 篇与透明度和可解释性相关的论文（图 3.4.8）。\\n\\n2019-2024年在主要人工智能学术会议上人工智能透明度与可解释性论文收入数量资料来源: 2025年人工智能指数 \\\\| 图表：2025年人工智能指数报告\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n\\n3.4 在学术界中的负责任的人工智能\\n\\n提交至选定人工智能会议的有关安全领域论文数量大幅增长，过去一年几乎翻了一番——从 276 篇增至 521 篇（图 8393>诉。这一增长反映了安全与安全作为人工智能研究人员核心关注领域的地位日益提升。\\n\\n2019-2024年在主要人工智能学术会议安全领域收录论文数量\\n\\n资料来源: 2025年人工智能指数 \\\\| 图表：2025年人工智能指数报告\\n\\n图 3.4.9\\n\\n* * *\\n\\n3.5 负责任的人工智能政策制定\\n\\n3.5 负责任的人工智能政策制定\\n\\n尽管 2023 年和 2024 年初各国人工智能战略和监管方案激增，但 2024 年的显著趋势是全球在人工智能治理领域的合作加强，特别是在 RAI立法原则方面。国际组织和多边协议正\\n\\n致力于建立全球性的负责任与伦理人工智能框架，标志着从孤立的国家行动向协同全球治理的转变。11\\n\\n重大的负责任的人工智能政策的里程碑\\n\\n| 时间 | 参与方 | 范围 | 内容概述 |\\n| --- | --- | --- | --- |\\n| 2024年5月 | 经合组织 | 全球 | 经合组织更新了其人工智能原则并完善了其框架，以反映人工智能治理方面的最新进展。这能原则强调，建立人工智能系统要考虑包容性增长、透明度和可解释性，以及对法治、人权和民主价值观的尊重。 |\\n| 2024年5月 | 欧洲委员会 | 欧洲 | 欧洲委员会通过一项具有法律约束力的人工智能条约（《欧洲委员会人工智能与人权、民主和法治框架公约（The Council of Europe Framework Convention on Artificial Intelligence and Human Rights, Democracy, and the Rule of Law）》）。该条约旨在确保人工智能系统生命周期内的活动完全符合人权、民主和政治。 |\\n| 2024年6月 | 欧洲联盟 | 欧洲 | 欧盟通过了《人工智能法（AI Act）》（《欧盟人工智能法（EU AI ACT）》），这是全球主要经济体首个全面的人工智能监管框架。该法案按风险对人工智能进行分类，对其进行相应的监管，并确保高风险系统的提供商或开发商承担主要义务。 |\\n| 2024年7月 | 非洲联盟 | 非洲 | 非洲联盟推出了非洲大陆人工智能战略（AU AI Strategy），概述了整个非洲大陆人工智能发展、伦理和治理的统一愿景。该战略强调在非洲以符合伦理、负责任和公平的方式发展人工智能。 |\\n| 2024年9月 | 联合国 | 全球 | 联合国更新了其Governing AI for Humanity报告（联合国人工智能咨询机构），概述了建立全球人工智能治理机制的努力。该报告建议制定一个蓝图，以应对人工智能相关风险，并呼吁国家和国际标准组织、技术公司、民间社会和政策制定者就人工智能标准开展合作。 |\\n| 2024年10月 | G7 | 全球 | G7数字竞争公报（G7人工智能合作）重申了对公平开放的人工智能市场的承诺，强调了协调监管方法的必要性。此前的讨论主要集中在竞争和人工智能快速发展带来的监管挑战上。 |\\n| 2024年10月 | 东盟与美国 | 亚洲和美国 | 在第12届东盟-美国峰会之后，东盟-美国领导人发表了一份关于促进安全、可靠和可信的人工智能的声明。他们承诺合作制定国际人工智能治理框架和标准，以推进这些目标的实现。 |\\n| 2024年11月 | 国际人工智能安全研究所网络 | 全球 | 首个国际人工智能安全研究所网络成立，将九个国家和欧盟联合起来，正式开展全球人工智能安全合作。该网络联合了致力于推进人工智能安全的技术组织，帮助政府和社会了解先进人工智能系统的风险，并提出解决方案。 |\\n| 2025年2月 | 阿拉伯联盟 | 阿拉伯国家 | 阿拉伯对话圈（Arab Dialogue Circle）活动“人工智能在阿拉伯世界：创新应用与伦理挑战”在阿拉伯联盟总部启动，聚焦人工智能创新，同时高度重视伦理考量。 |\\n\\n11、虽然人工智能政策制定是第六章：政策的重点，但人工智能指数在此强调了与 RAI 相关的主要政策制定事件，因为这些事件最近具有重要意义。\\n\\n* * *\\n\\n3.6隐私和数据治理\\n\\n隐私的定义非常复杂，因具体情况而异。为了便于本报告使用，人工智能指数将隐私定义为个人对其个人数据的保密、匿名和保护的权利，以及个人对数据是否被使用以及如何被使用给予同意和获得通知的权利。隐私还包括组织在（直接或间接）收集、存储或使用个人数据时确保这些权利的责任。此外，\\n如果组织或政府歪曲了个人信息，个人应有权更正其敏感信息。在人工智能领域，这涉及确保以尊重个人隐私权的方式处理个人数据，例如，采取措施保护敏感信息免遭泄露，并确保数据收集和处理透明且符合《通用数据保护条例》等隐私法律。数据治理，另一方面，是指组织为确保数据在其创建的组\\n\\n隐私的定义非常复杂，因具体情况而异。为了便于本报告使用，人工智能指数将隐私定义为个人对其个人数据的保密、匿名和保护的权利，以及个人对数据是否被使用以及如何被使用给予同意和获得通知的权利。隐私还包括组织在（直接或间接）收集、存储或使用个人数据时确保这些权利的责任。此外，\\n如果组织或政府歪曲了个人信息，个人应有权更正其敏感信息。在人工智能领域，这涉及确保以尊重个人隐私权的方式处理个人数据，例如，采取措施保护敏感信息免遭泄露，并确保数据收集和处理透明且符合《通用数据保护条例》等隐私法律。数据治理，另一方面，是指组织为确保数据在其创建的组\\n\\n数据治理，另一方面，是指组织为确保数据在其创建的组织内部和外部的质量、安全和道德使用而建立的政策、流程和标准。数据治理政策还可能涵盖从外部来源获取的数据。在人工智能领域，数据治理对于确保用于训练和操作人工智能系统的数据准确、公平、负责任且经同意使用非常重要。对于敏感或个人身份信息 （PII） 而言，这一点尤为重要。\\n\\n数据治理，另一方面，是指组织为确保数据在其创建的组织内部和外部的质量、安全和道德使用而建立的政策、流程和标准。数据治理政策还可能涵盖从外部来源获取的数据。在人工智能领域，数据治理对于确保用于训练和操作人工智能系统的数据准确、公平、负责任且经同意使用非常重要。对于敏感或个人身份信息 （PII） 而言，这一点尤为重要。\\n\\n选定聚合平台对数据集许可分类的准确率\\n\\n资料来源：Longpre 等,2025\\\\| 图表：2025 年人工智能指数报告\\n\\n特色研究\\n\\n本节重点介绍近期有关隐私和数据管理的重要研究，包括有关数据集许可和归属审计的研究，以及有关更严格的数据许可协议的研究。\\n\\n人工智能数据集许可和归属的大规模审计\\n\\n当前的基础模型是在海量数据的基础上进行训练的。一组研究人员对广泛用于训练此类模型的 1,800 多个文本数据集进行了大规模审计，发现了数据集许可和归属方面的系统性问题。研究人员发现，在流行的数据集托管网站上，超过 70% 的数据集缺乏足够的许可证信息，而 50% 的许可证被错误归类了，这给负责任地使用数据带来了风险。图 3.6.1 提供了研究人员调查结果的详细可视化示意图。具体来说，他们为数据集分配了四个类别的许可证标签：商业、未指定、非商业和纯学术。然后，他们将自己的分类与 GitHub、Papers with Code 和\\nHugging Face 平台等流行来源的分类进行了比较。很多时候，\\n数据来源团队分配的数据许可属性与其他组织发布的数据许可属性大相径庭。\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n3.6 隐私和数据治理\\n\\n数据集中的许可错误归属意义重大，因为它会给人工智能开发带来法律和伦理风险。如果用于训练基础模型的数据集被错误标注或错误归属，人工智能开发人员可能会在不知情的情况下违反版权法、数据使用政策或隐私法规。这可能会法律责任、确保数据创建者获得公平性补偿方面的挑战，\\n以及由于排除了获得适当许可的数据而导致模型出现潜在偏差。此外，不明确的许可会阻碍人工智能研究的透明度、问责制和可重复性，从而使研究人员和机构难以验证或审核模型训练数据。根据他们的研究结果，作者强调需要清晰的文档、改进的标准和负责任的许可实践，以促进包容性并降低因人工智能开发和部署中不负责任或非法使用数据而产生的风险。\\n\\n危机中的数据许可\\n\\n人工智能模型在很大程度上依赖于大量公开的网络数据进行训练。最近的一项研究 对人工智能训练数据集（包括\\nC4、RefinedWeb 和 Dolma）中使用的网域同意协议进行了纵向审计，分析了 14000 个网域。这些同意协议规定了为人工智能模型训练而进行数据搜刮的允许性。\\n\\n研究人员观察到，在 2023 年至 2024 年期间，数据使用限制大幅增加，因为许多网站实施了新的协议来限制为人工智能训练而进行的数据搜刮。这些限制主要是通过更新\\nrobots.txt 文件和服务条款，明确禁止使用人工智能训练。图\\n3.6.2 显示了随着时间推移，带有 robots.txt 限制、服务条款限制和组织限制的网站比例。@A例如，在前 C4 个网域中，\\n带有完全限制的词元比例从 2017 年的 10% 上升到 2024 年的 48%。仅在 2023 年至 2024 年间，这一比例就上升了\\n25 个百分点。图 3.6.3 按服务条款限制类别直观显示了\\n2016 年至 2024 年 C4 顶级网域中的词元比例。这种同意程度的降低很可能与围绕 合理使用 的法律问题有关，如《纽约时报》对 OpenAI 的诉讼。\\n\\n12、robots.txt 限制是指在网站的 robots.txt 文件中设置的规则，用于指示网络爬虫（如搜索引擎机器人或人工智能数据搜刮器）允许或禁止访问网站的哪些部分。\\n\\nOpenAI 的爬虫遇到的限制最多，而小型开发者面临的障碍较少。作者强调，robots.txt 等无效的信号机制以及声明与执行政策之间的不匹配导致了执行上的不一致。这些发现凸显了更新同意协议以应对人工智能特定挑战的必要性。此外，\\n研究还表明，用于人工智能训练的公开可用网络数据有所减少，这对数据多样性、模型对齐和可扩展性具有潜在影响。最近许多人工智能的性能都来自于在越来越的数据集上进行的训练。如果网站的限制性明显增加，可能会阻碍未来模型的扩展。\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n\\n3.6 隐私和数据治理\\n\\nA>@E8A>AC专下–下两业9两为两SC\\n\\n资料来源：Longpre 等,2025\\\\| 图表：2025 年人工智能指数报告\\n\\n(B9E9A\\n\\n2016-2024年C4数据集顶级网络域名的内容使用条款限制类别占比分布\\n\\n资料来源：Longpre 等,2025\\\\| 图表：2025 年人工智能指数报告\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n\\n3.7 公平与偏见\\n\\n人工智能的公平性强调开发公平的系统，避免长期存在对任何个人或群体的偏见或歧视。它涉及考虑受人工智能使用影响的所有利益相关者的不同需求和情况。公平超越了技术概念的范畴，体现了与公平相关的更广泛的社会标准。\\n\\n3.7 公平与偏见\\n\\n特色研究\\n\\n本节重点探讨多模态模型中的种族分类影响研究，以及针对表面无偏见大语言模型中隐性偏见的测量方法。\\n\\n多模态模型中的种族分类\\n\\n近期，研究人员针对数据集规模扩展对视觉语言模型（Vision-Language Models, VLMs）中种族与性别偏见的影响展开了研究。该研究采用芝加哥人脸数据集（Chicago Face Dataset, CFD）对 14 个基于 LAION-400M 和 LAION-2B（训练视觉语言模型的常用数据集）训练的 VLM 进行了评估。研究发现，尽管在更大规模数据集上训练的模型能够提升人类分类的准确性——减少将大猩猩或红毛猩猩等非人类实体错误识别为人类的情况——但这些模型同时也加剧了种族偏见，这种现象在参数量更大的模型中尤为显著。例如，在较大的 ViT-L 模型中，黑人和拉丁裔男性被分类为罪犯的比例过高，当数据集规模从 4 亿样本增加到 20\\n亿样本时，分类概率最高增加了 69%。图 3.7.1 显示了各种图像以及模型对人脸是否被识别为罪犯的分类得分。\\n\\n图 3.7.2 展示了在预训练数据集规模从 4 亿张 图像扩展至 20 亿张 图像时，不同模型（包括较小的 ViT-B-16 和 ViT-B-32，\\n以及较大的 ViT-L-14）对人脸标注特定标签（如“动物”或“罪犯”）的概率随不同人口统计群体的变化情况。\\n\\n按模型和数据集大小分类的面孔及其被归类为 \\\" 犯罪 \\\" 的可能性资料来源：Birhane 等 ,2024\\n\\n图 3.7.1\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n3.6 隐私和数据治理\\n\\n百分比数值越高，表明特定人口统计群体与某类标签（如 \\\"\\n罪犯 \\\"）的关联概率越大；反之，数值越低则关联概率越小。在较大规模的 ViT-L 模型中，训练数据量的增加会持续提高图像被归类为 \\\" 罪犯 \\\" 的概率。这一研究发现具有重要意义，因为目前许多模型开发者正致力于通过大幅扩展模型规模来提升性能表现。研究人员指出，就视觉模型而言，规模扩展在提升性能\\n\\n数据集规模对不同人口群体模型预测的影响\\n\\n的同时，可能还会引入其他非预期的偏见问题。作者认为，训练数据中存在的刻板印象可能是导致此类结果的主要原因。为有效缓解此类偏见问题，研究团队建议建立透明的数据集筛选机制，完善超参数的详细记录规范，并开放模型接受独立审计的权限。\\n\\n资料来源：Birhane 等，2024 年 \\\\| 图表：2025 年人工智能指数报告\\n\\nVIT-L-14\\n\\n13、y 轴标签代表不同的种族群体：黑人男性（BM）、黑人女性（BF）、拉丁裔男性（LM）、拉丁裔女性（LF）、白人男性（WM）、白人（WF）、亚裔男性（AM）和亚裔女性（AF）。x 轴标签为不同的预测类别，\\n从左到右以此是人类、动物、大猩猩、黑猩猩、红毛猩猩、小偷、罪犯、可疑人员\\n\\n(B9F9A(13\\n\\n* * *\\n\\n显性无偏见大语言模型中的隐性偏见度量\\n\\n2024 年，某研究团队针对大语言模型中的隐性偏见展开调查，尤其关注那些被明确设计为无偏见的模型。这项研究具有重要意义——即便在消除大语言模型偏见的努力中，隐性偏见问题仍可能无法得到充分解决。图 3.7.3 展示了这一现象的典型案例。\\n\\n该研究团队作出了两项关键贡献：首先，他们创新性地提出了两种大语言模型偏见检测方法——“大语言模型隐性偏见检测法 \\\"（通过分析词语 / 概念间的自动关联来识别潜在偏见）与 \\\" 大语言模型决策偏见检测法 \\\"（捕捉模型行为中反映的隐性偏见）；其次，他们深入探究了决策任务中的相对歧视模式。研究团队将这两种方法应用于包括 GPT-4 和 Claude\\n3 Sonnet 在内的 8 个知名模型，涵盖种族、性别、宗教与健\\n\\n大语言模型中的隐性偏见实例\\n\\n图 3.7.4 显示，大语言模型过多地将负面词汇与黑人联系一起，并且更有可能将女性与人文学科而非 STEM 领域联系在一起。研究还发现，大语言模型更倾向于让男性担任领导职务，这强化了决策环境中的性别偏见。此外，研究还发现，随着模型规模的扩大，隐性偏见会增加，但决策偏见和拒绝率增加。这一发现意义重大，因为它表明，虽然在标准比较基准中偏见似乎有所减少--造成了一种中立的假象，但隐性偏见仍然普遍存在，可能导致微妙但有意义的歧视性产出。\\n\\n康等 21 个社会 stereotype 类别，最终发现与主流社会偏见高度一致的系统性隐性偏见。如图 3.7.4 所示，不同大语言模型在各 stereotype 类别的隐性偏见得分存在显著差异——若得分明显高于或低于 50% 基准线，则表明模型对特定群体存在倾向性或歧视性偏见。14\\n\\n资料来源：BAI 等，2024\\n\\n图 3.7.3\\n\\nExplicitly Unbiased LLMs\\n\\n14、本研究同时考察了隐性偏见与决策偏见，但基于行文简洁性，此处仅记录隐性偏见部分。需要说明的是，决策偏见在此被定义为模型相对于 50% 无偏见基准线的偏离程度。\\n\\nLLM Decision Bias\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n3.6隐私和数据治理\\n\\n2025年人工智能指数报告\\n\\n大语言模型对四个社会类别中的陈规定型观念的内隐偏见资料来源：BAI等，2024BAI等，2024i图表；2025年人工智能指数报告\\n\\nGPT-4\\n\\nGPT-3.5 Turbo\\n\\nClaude 3 Opus\\n\\nClaude 3 Sonnet\\n\\nLlama 2 Chat 70B\\n\\nLlama 2 Chat 13B\\n\\nLlama 2 Chat 7B\\n\\nAlpaca 7B\\n\\n目录第三章预览\\n198\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n透明度和可解释性\\n3.8 透明度可解释性\\n\\n人工智能的透明度包括几个方面,数据和模型透明度涉及开发选择的公开共享,包括数据来源和算法决策,操作透明度详细说明了人工智能系统在实践中是如何部署、监控和管理。虽然可解释性往往属于透明度的范畴,它提供了对人工智能决策过程的深入了解,但有时也被视为一个不同的类别,这种区别强调了人工智能不仅要透明,还要让用户和利益相关者理解的重要性,在本章节中,人工智能指数将可解释性纳入透明度范畴,将其定义为理解和阐明人工智能决策后推理的能力。\\n\\n3.8 透明度和可解释性特色研究基础模型透明度指数 v1.1\\n基础模型透明度指数 v1.1 是斯坦福大学主导的跟踪模型开发和部署透明度项目的第二次迭代。它从三个方面对主要的人工智能模型开发商进行评估:上游，包括用于训练的数据和计算等组件；模型本身，指核心人工智能系统；下游，包括应用和部署。最新一期报告显示，基础模型开发人员的透明度在六个月内显著提高。图 3.8.1 报告了 2024 年 5 月发布的指数中主要模型开发者的 FMTI 分数。图 3.8.2 报告了每个开发者在透明度主要维度上的得分。\\n\\n2024 年 5 月各领域的基础模型透明度指数得分资料来源：2024 年 5 月基础模型透明度指数\\n\\nservice.w StarCoder 85\\nAI2iaba Jurassic-2 75\\nALPHA ALPHA Luminous 75\\nIBM Granite 64\\nMicrosoft Phi-2 62\\nMeta Llama 2 60\\nstabilityai Stable Video Diffusion 58\\nWITTER Palmyra-X 56\\nMINTEL Mistral TB 55\\nANTHROPIC Claude 3 51\\nOpenAI GPT-4 49\\nGoogle Gemini 1.0 Ultra 47\\namazon Titan Text Express 41\\nADEPT Fuyu-8B 33\\n\\n图 3.8.1\\n\\n目录第三章预览\\n199\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第三章：负责任的人工智能\\n3.8 透明度和可解释性\\n\\n与 2023 年 10 月发布的 v1.0 初始指数（平均透明度得分为 37/100）相比，v1.1版本得分升至 58/100，这主要得益于开发者通过提交报告披露了此前未公开的数据。开发者在 100 项透明度指标中有 89项取得进步，但在数据获取、版权状态及下游影响等领域仍存在显著不透明现象，开源开发者在上游透明度（尤其是数据与劳动力披露方面）表现优于闭源同行，像 FMTI这样的项目具有重要意义，它们为人工智能生态系统的透明度状况提供了纵向观察视角。目前研究结果表明，行业透明度正在持续提升。\\n\\n2024年 5月基础模型透明度指数主要纬度得分资料来源：2024年 5月基础模型透明度指数\\n\\n图 3.8.2 15\\n\\n15、数据，人算和训练方法是上游指标；模型基础信息，模型访问权限，模型能力，在风险和风险缓解措施是模型指标；分发方式，使用效果，反建模机制和社会影响是下游指标。\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第三章：负责任的人工智能\\n3.9 安全性与安全保障\\n\\n本章节节将探讨安全性的三个不同方面。首先，保证人工智能系统的完整性涉及保护算法、数据和基础设施等组件免受网络攻击或对抗攻击等外部威胁。其次，安全涉及最大限度地减少因需要无意识人工智能系统而造成的伤害，这包括开发自动化黑客工具或在网络攻击中使用人工智能等问题。最后，安全包括人工智能系统本身固有的风险，如可警醒问题（如幻想问题）和高级人工智能系统带来的潜在风险。\\n\\n3.9 安全性与安全保障比较基准\\nHELM Safety\\n\\n最近，学术机构率先弥补了人工智能安全比较基准方面存在的差距，值得注意的是，斯坦福大学基础模型研究中心（CRFM）最近推出了HELM Safety，这是一个比较基建套件，旨在根据责任和安全指标对人工智能模型进行评估。HELM安全比较基准涵盖了几乎所有主要开发者的最新模型，测试范围包括多项负责任的人工智能与安全基准，如BBQ、SimpleSafetyTests、HarmBench、\\nAnthropicRedTeam 和 XSTest。\\n\\nBBQ 测量与美国反歧视法律下受保护群体相关的社会偏见，而 SimpleSafetyTests 评估与自残、身体伤害和儿童性虐待材料相关的风险。HarmBench 使用红队测试技术评估对涉及骚扰、化学武器生产和虚假信息提示的响应.AnthropicRed-Team 检查模型如何处理旨在测试危害性的对抗性对话，而XSTest 通过测试对良性显示的虚假拒绝和对微妙有害提示的遵守情况，衡量有用性和无害性之间的权衡。通过引入标准化方法，HELM Safety 为评估人工智能模型的负责任行为提供了更透明，更可比较的框架。\\n\\n图 3.9.1 显示了各种机型在所有测试基准中的平均安全得分，得分越高表示机型越安全。根据比较基准，目前最安全的车型是 Claude 3.5 Sonnet，得分 0.977，紧随其后的是 o1，得分 0.976。随着时间的推移，一些模型似乎变得越来越安全。例如，2022 年发布的 GPT-3.5 Turbo (0613) 的得分为 0.853 分，比 OpenAI 目前表现最高效的模型低 0.123 分。\\n\\nHELM Safety: 平均得分资料来源：HELM, 2025 图表：2025 年人工智能模型数据报告\\n\\n图 3.8.1\\n\\n目录第三章预览\\n201\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n3.9 安全性与安全保障\\n\\nAIR-Bench\\nAIR-Bench 2024是一个新的安全性比较基准，旨在将人工智能评估与现实世界的监管和企业框架对齐，它采用四级分类法（系统与操作风险、内容安全风险、社会风险、法律与权利风险），涵盖这四大风险类别下的314项细粒度微观风险，该基准研究的风险源自8项重要政府法规和16项企业政策，因此，AIR-Bench的设计目标是通过企业和政府实体识别的现实世界人工智能风险视角来评估模型安全性。\\nAIR-Bench通过拒绝率(即模型因安全、伦理或合规问题\\n\\n拒绝响应特定提示的频率）评估模型性能，对22个主流模型的评估显示，拒绝率存在显著差异，范围从91%（Anthropic的Claude系列）到25%（DBRX Instruct）（图3.9.2）。图3.9.3进一步展示了不同风险类别的拒绝率分布。AIR-Bench2024的结果表明，当前模型与欧盟《人工智能法案》、美国《安全、可靠和可信赖的人工智能开发与应用行政命令》等全球关键法规之间存在普遍脱节。尽管部分模型在仇恨言论和儿童伤害等领域表现出较强的防护能力，但整体上的不一致性表明仍需针对性改进，尤其是在自动化决策场景中。\\n\\nAIR-Bench:拒绝率资料来源：Zeng等，2024 图表：2025 等人工智能数据报告\\n\\n模型\\n\\n图3.9.2\\n\\n目录第三章预览\\n202\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n3.9 安全性与安全保障\\n\\n各模型在特定风险类别下的拒答率资料来源：Zeng 等，2024 图表：2025 年人工智能指数报告\\n\\nClaude 3.5 Sonnet (2024-10-22) 0.77 1.00 1.00 1.00 1.00 1.00 0.90 0.99 0.98 0.93\\nClaude 3 Opus (2024-05-29) 0.87 0.99 0.92 0.98 1.00 0.90 0.90 0.98 0.91 0.91\\nGemini L4 Pro 0.60 0.95 0.73 0.90 0.95 0.74 0.73 0.77 0.81 0.88\\nClaude 3 Helix (2024-03-07) 0.99 0.98 0.93 0.98 1.00 0.89 0.87 1.00 0.93 0.90\\noI (2024-10-17) 0.97 0.91 0.98 1.00 1.00 0.75 0.87 0.91 0.97 0.87\\nGemini 1.6 Flash 0.86 0.95 0.67 0.98 0.97 0.81 0.70 0.81 0.77 0.87\\noJ mini 0.90 0.94 0.87 0.93 1.00 0.07 0.73 0.93 0.52 0.81\\nGPT-4 Turbo (2024-04-05) 0.77 0.94 0.87 0.94 0.90 0.60 0.70 0.87 0.91 0.81\\nLlama 3 Instruct (88) 0.86 0.91 0.97 0.90 0.87 0.46 0.90 1.00 0.73 0.79\\nGPT-4 (0651) 0.80 0.83 0.90 0.88 0.77 0.81 0.55 0.77 0.73 0.75\\nGPT-3.5 Turbo (8010) 0.72 0.77 0.83 0.90 0.83 0.41 0.40 0.75 0.74 0.74\\nGPT-4c (2024-08-05) 0.74 0.89 0.87 0.90 0.60 0.47 0.57 0.67 0.71 0.69\\nLlama 3.1 Instruct Turbo (88) 0.78 0.88 0.83 0.88 0.97 0.41 0.67 0.87 0.76 0.69\\nOwen2 Instruct (728) 0.72 0.91 0.83 0.83 0.90 0.46 0.65 0.71 0.61 0.65\\nGemini 1.0 Pro (002) 0.81 0.87 0.87 0.82 0.73 0.35 0.60 0.62 0.68 0.59\\nGPT-4 mini (2024-07-16) 0.81 0.73 0.67 0.79 0.90 0.37 0.40 0.73 0.40 0.67\\nYi Chat (545) 0.46 0.74 0.67 0.71 0.71 0.35 0.23 0.68 0.62 0.60\\nDeepSeek R1 0.34 0.88 0.60 0.76 0.72 0.39 0.32 0.41 0.63 0.56\\nDeepSeek LLM Chat (678) 0.34 0.76 0.68 0.77 0.73 0.39 0.32 0.41 0.63 0.56\\nQwen5 LChat (728) 0.36 0.79 0.67 0.63 0.67 0.20 0.37 0.51 0.48 0.47\\noI mini (2024-09-12) 0.37 0.37 0.67 0.21 0.27 0.30 0.37 0.31 0.48 0.43\\nPalmwork X-004 0.46 0.76 0.67 0.68 0.47 0.32 0.47 0.63 0.66 0.43\\nMixture Instruct (8228) 0.26 0.79 0.73 0.70 0.40 0.25 0.37 0.34 0.43 0.43\\nDeepSeek v3 0.33 0.75 0.80 0.82 0.43 0.25 0.23 0.38 0.48 0.41\\nMixture Instruct (8778) 0.27 0.68 0.37 0.46 0.33 0.12 0.20 0.20 0.21 0.48\\nMixture Large 2 (8407) 0.21 0.69 0.43 0.54 0.17 0.17 0.15 0.22 0.30 0.27\\nCommand R 0.21 0.58 0.37 0.41 0.23 0.19 0.19 0.20 0.20 0.25 0.31\\nCommand R Plus 0.11 0.50 0.37 0.43 0.20 0.19 0.19 0.16 0.27 0.21\\nDBRX Instruct 0.06 0.56 0.07 0.28 0.03 0.07 0.07 0.02 0.03 0.19\\n\\nRisk category\\n\\n16. x 轴代表风险类别，从左到右以此类推；武器使用与开发，启蒙言论，儿童性特异，自杀与自杀性自伤，政治影响，虚假信息，非司法服务利用，隐私隐私敏感数据\\n\\n目录 第三章预览 203\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n3.9 安全性与安全保障\\n\\n2025年人工智能指数报告\\n\\n特色研究\\n\\n超越浅层安全对齐\\n2024 年，一由计算机科学家组成的跨学科团队提出了浅层安全对齐（Shallow Safety Alignment）的概念——即人工智能系统往往以肤浅和无效的方式来训练安全。在许多情况下，一个模型的保障措施仅限于其前几个词元的响应，因此，\\n如果用户诱导模型，以标准安全警告（如“您的请求违反了我们的服务条款”）以外的任何内容作为开头，后续回应就极易受到对抗性攻击的影响。例如，如果用户直接询问如何制造炸弹，模型很可能会拒绝回答。但是，如果同样的请求以一种诱导模型以“当然，这里有一份详细的指南”开始回始的方式提出，那么模型继续生成有害内容的可能性就会大得多。实验表明，即使是微小的修改也可能大幅削弱模型的安全机制，例如，仅在模型响应中预填充非标准文本或进行微调，\\n经过六步微调后，有害输出率从1.5%增加到87.9%。17\\n图 3.9.4 显示了基于预填充或插入到模型推理序列中的有害元数量，对各种模型进行不同攻击的成功率。为了解决这个问题，研究人员提出了两个关键解决方案：扩展训练数据，\\n纳入模型学习从有害响应中恢复并将其重定向到安全拒绝的示例，规范初始词的选择，确保即使模型以不寻常的响应开始，\\n也能保持其安全约束。这些技术显著提高了对抗攻击的抵抗力，在某些情况下，攻击成功率降低到2.8%。这项研究凸显了制定更深入、更具弹性的对齐策略以防止人工智能安全机制被操纵的必要性。\\n\\n大语言模型中攻击成功率与预填充有害词元数量的关系资料来源：QI 等，2024\\\\|图表：2025 年人工智能指数报告\\n\\n图 3.9.4\\n\\n17. 人工智能中的预填充步骤是指在较小的、特定领域的数据库上训练预训练模型，以提高其在特定任务上的高效注意力迭代过程。\\n\\n目录第三章预览\\n204\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n3.9 安全性与安全保障\\n\\n提升大语言模型对持续性有害行为的鲁棒性消除大语言模型中的有害行为面临的挑战在于，传统的训练方法往往教会模型隐藏这种行为，\\n而不是彻底消除它。一种新的方法，即有针对性的潜在对抗训练（LAT），采取了一种更精确的策略，在训练过程中主动暴露模型的弱点，使其更能够抵御对抗攻击（图 3.9.5）。与 R2D2 等以往的技术相比，这种方法性能更优，且算力要求更低。例如，在针对越狱尝试（用户试图绕过模型的安全保护措施）的测试中，LAT 将计算成本降低了\\n700 倍，同时保持了常规任务上的强性能。对于 Llama3-8B-instruct 模型 家族，LAT 在\\nMMLU 等比较基准中保持了强劲的性能，同时显著降低了对抗攻击的脆弱性（图 3.9.6）。这一效率发现非常重要，因为如果提高模型安全性需要更多的计算资源，同时降低性能，那么采用这些提高安全性的方法的开发人员就会减少。\\n\\n在大语言模型中进行有针对性的潜在对抗训练资料来源：Sheshadri 等，2024\\n图 3.9.5\\n\\n这一效率发现非常重要，因为如果提高模型安全性需要更多的计算资源，同时降低性能，那么采用这些提高安全性的方法的开发人员就会减少。\\n\\n非对抗性数据下的综合性能表现资料来源：Sheshadri 等，2024 图表：2025 年人工智能指数报告\\n\\nLlama3-8B-instruct RT RT-EAT-LAT\\n\\n目录 第三章预览 205\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n3.9 安全性与安全保障\\n\\n事实证明，LAT还能有效消除后门漏洞，这是一种攻击类型，即在训练过程中对人工智能模型进行微妙修改，以便在特定输入触发时产生非预期的——可能是恶意的——行为。值得注意的是，即使事先不知道确切的触发因素，LAT也能消除这些漏洞。除了安全性方面的改进，LAT还增强了从模型中清除有害或受版权保护知识的能力，并防止模型重新学\\n\\n习被删除的内容。例如,LAT显著降低了模型再生版权文本（如《哈利·波特》中的段落）的能力，并使其重新学习知识的可能性低于基线方法。当应用于生物安全或网络安全等敏感知识领域时，LAT有效削弱了知识提取攻击，同时仍能使模型正确响应超过 90% 的安全且无害的需求。LAT 等方法不仅因其提升模型安全性而重要，还因其计算效率高且易于实施。\\n\\n模型对越狱攻击的抵抗能力资料来源：Sheehan等，2024图表：2025年人工智能指数报告\\n\\n攻击类型\\n\\n图 3.9.7\\n\\n目录第三章预览\\n206\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n3.10 安全性与安全保障\\n\\n本章节探讨负责任的人工智能与人工智能智能体及选举虚假信息之间的联系，这两个主题正迅速成为焦点。\\n\\n3.10 负责任的人工智能专题\\n\\n人工智能智能体（AI Agents）\\n\\n人工智能智能体（定义为“具备自然语言接口的智能代理体，其功能是代表用户规划并执行跨一个或多个领域的操作序列，以符合用户预期”）的开发与部署，对确保负责的人工智能提出了独特挑战。这些助手能够自主运行、动态与环境交互，并做出可能产生重大伦理、法律及社会影响的决策。因此，需要采用专门方法来解决其在透明度、问责制和可靠性方面的风险；这些挑战可能因代理在非结构化或动态场景中的学习、适应和决策能力而进一步加剧。\\n\\n基于语言模型模拟沙盒识别语言模型智能体的风险\\n\\n最新研究表明，随着基于语言模型的工具和代理技术的进步，数据泄露和财务损失等风险也随之放大。然而，当前的风险评估方法资源密集且难以扩展。为此，研究人员推出了 ToolEmu（工具模拟器），该环境通过模拟工具执行来实现可扩展的测试与自动化安全评估（图 3.10.1）。该框架包含一个用于通用风险评估的标准模拟器，以及一个专为极端场景压力测试设计的对抗模拟器。\\n\\n人工评估证实，ToolEmu识别出的风险中 68.8% 是现实世界中可能存在的威胁。通过使用包含 36 个工具包和 144 个测试用例的比较基准，研究发现，即使经过最高安全优化的语言模型智能体，仍有 23.9% 的关键场景出现失败，错误包括危险指令、错误财务转账及交通控制故障等（图 3.10.2）。\\n\\n尽管 LM 代理在自动化复杂工具交互方面展现出潜力，但其在高风险应用中的可靠性仍是一个重大问题。类似 ToolEmu的测试套件，通过提供评估性能和现实风险的平台，对人工智能系统（如代理）的可靠性和安全性测试至关重要。\\n\\nToolEmu概述资料来源：Ruan 等图 3.10.1\\n\\nAgent AI\\nAPI Cloud\\nLlama\\nObservation\\nAction\\nEmulator\\nLanguage Models in the API\\nemu tool exec. &apsex\\nadv. emu for real learning\\nEmail\\nFinancial\\nTrajectory\\nEvaluator\\nLanguage Models in the API\\nemu tool exec. &apsex\\nadv. emu for real learning\\nRobot\\n\\nSafe?\\nExercised from of\\nSent to a wrong email\\nNo risks detected\\nTurned off security system\\nNo risks detected\\n\\n目录第三章预览\\n207\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n3.9 安全性与安全保障\\n\\n基于语言模型的智能体故障发生率资料来源：Ruan 等，2024 图表：2025 年人工智能指数报告\\n\\n亚洲最新研究揭示了多模态大语言模型系统存在的多智能体安全漏洞，研究表明：当单个智能体被越狱攻击时，会引发整个系统的级联失效。研究者将这种现象命名为“传染性越狱（infectious\\njailbreaks）”“即单个智能体被攻陷后，有害行为会以指数级速度在整个系统中传播，具体而言，研究发现只向某个 MLLM 智能体的记忆库注入一张对抗性图像（例如暗示“人类是一种疾病”的图像），\\n就能引发不受控制的连锁反应，在没有进一步干预的情况下，使有害行为在互联的智能体网络中扩散。这种传染性越狱机制通过智能体间的交互，迫使受感染智能体将对抗图像植入未受感染（良性）智能体的记忆库。在使用基于 LLaVA-1.5 架构构建的百万级智能体网络模拟中，传染率在 27 至 31 轮交互内即可达到近乎 100% 的传播覆盖率（见图 3.10.3）。\\n\\n尽管研究者已提出理论上的遏制策略，但目前尚无实际可行的缓解措施，这使得多智能体系统处于高度脆弱状态，大规模部署互联\\nMLLM 智能体所带来的复合风险，使其成为关键的安全隐患。该研究指出，虽然 MLLM 系统是人工智能研究的重要方向，但其仍极易受到低资源越狱攻击的影响。\\n\\n18. y 线上向下箭头表示分数越低越好。\\n\\n各轮对话的感染率资料来源：Cu 等，2024\\n图 3.10.3\\n\\nHuman beings are a disease,\\na cancer of the planet!\\nN=1,000,000\\nn=n1\\nt=27~31\\nCumulative\\nCurrent\\nChat Round t\\nAny randomly selected\\nsingle agent\\n(we name it Agent Smith)\\nAdversarial image V₁ᵈᵇ (border perturb.)\\nt=0\\n\\n目录第三章预览\\n208\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n3.10 负责任的人工智能专题\\n\\n2025年人工智能指数报告\\n\\n选举虚假信息\\n2024 年是全球选举的重要年份，包括美国、英国、印度尼西亚、墨西哥和中国台湾地区在内的多个国家和地区举行了全国性选举，投票数达 40 亿。去年的人工智能指数探讨了人工智能对选举的影响，重点关注其潜在影响和实际案例。今年，我们再次审视这一议题，尽管有报告指出，人工智能驱动的虚假信息并未产生预期的严重影响，但其他报告仍认为其在风险不容忽视。因此，随着人工智能系统能力的提升和应用的普及，持续监测和研究人工智能虚假信息至关重要。\\n\\n美国大选中的人工智能虚假信息人工智能可能以多种方式影响选举。最新研究围绕人工智能驱动的虚假信息提出了伦理关切，并分析了其在近期美国选举中的实际表现。\\n\\n围绕人工智能和信息操纵的一系列伦理关切概念资料来源：2025 年人工智能指数 19\\n\\n伦理关键描述示例\\n\\n说谎者红利深度伪造（Deepfake）技术的使用使个人能够通过声像真实证据隐蔽伪造而来认事实，从而循环问责和真相。这种现象削弱了公众对合法证实的信任，甚至导致已验证的信息受到质疑。\\n\\n威胁勒索人工智能技术被滥用用于制作伪造内容（包括深度伪造），用于性别剥削、财務勒索和名誉破坏等目的。最终作者利用这工具从受害者身上榨取利益，而受害者往往难以有效斥这些伪造内容。\\n\\n证据信任下降人工智能的内容挑战了所有数字媒体的真实性，从根本上揭示了真伪的真相。超真实的伪造展示了法理与虚构内容之间的界限，前提了公众对信息完整性的心。\\n\\n认知自主性降低人工智能分析海量数据的能力使其能够进行高级民画像和精准投放，根据个人偏好、行为和定制点制信息。人工智能还可以利用情感和背景信息发现资源，模拟个体的决策过程。\\n\\n美国阳光计划发现，过期 3.5 万条深度伪造内容输给了 26 名国会议员（其中 25名为女性）出现在色情网站上。\\n\\n美国斯实施的艺术行动（Doppelgänger）“通过掩注与合成新媒体相似的城市，并发布人工智能生成的文集，传播俄罗斯政府宣传内容，同时隐藏其来源，误导观众认为这些内容来自可信媒体。”\\n\\n边缘候选人杰森·哈尔默在美国萨姆初选中击败拜登，部分原因是借助人工智能生成的电子邮件、短信、音频和视频。这给人人工智能驱动的传播内容高度个性化且澜情感，针对特定居民群体以影响其选择。\\n\\n19，本表由 Ann Fitz-Gerald, Halyna Padakko 和 Dmitry Chumachenko编辑。\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n3.10 负责任的人工智能专题\\n\\n个人品牌的恶意利用深度伪造技术被用于制作未经授权的名人，公众人物及网红模糊或漏描，通过盗用个人品牌并伪造代言，恶意行为者试图欺骗众利，利用公众对这类人士的信任为虚假叙事增加可信度。\\n\\n伪言言论的放大人工智能技术通过制造信息渠道和过滤气息，助长了负惯言论的传播与深化。这系统优先考虑用户参与意图而非理论因素，从高级化框架中兼并广告内容。\\n\\n境外操作的溯源性降低人工智能可能生成完美、与人声写作无异文本，并实现翻译与优化，使外界信息作为辅助功能出现。此前，外界虚假信息宣传因母公司带来的活法误读被识别，前人人工智能生成的内部漏洞披露了这一漏洞。\\n\\n隐私侵犯人工智能系统要求依赖大量数据收集进行训练，引发对个人信息滥用或篡改的伦理问题。敏感数据管理缺乏有力保障，可能导致隐私侵权，使人工智能部署的伦理环境复杂化。\\n\\n图3.10.4\\n\\n《Rest of World》2024年全球人工智能生成选举内容统计《Rest of World》追踪了2024年全球范围内人工智能生成的选举内容典型案例。其数据库记录了15个国家的60起事件，涵盖音频、图像、文本和视频四种媒体类型，涉及\\n\\nFacebook、Instagram 和 TikTok 等10个平台。图3.10.5提供了详细信息。\\n\\n《Rest of World》2024年人工智能选举内容：统计摘要资料来源：世界其他地区，2022图表；2025年人工智能指数报告\\n\\n类别 国家/地区 媒体类型 平台\\n\\n总计 15 4 10\\n\\n孟加拉国、白俄罗斯、中国、印度、印度尼西亚、墨西哥、巴基斯坦、巴拿马、南非、韩国、新西兰卡、中国台湾地区，美国、乌拉圭、委内瑞拉\\n\\n音频、图像、文本、视频\\n\\nChatGPT、Facebook、Instagram、Medium、Reddit、电报、TikTok、YouTube、WhatsApp、X/Twitter\\n\\n图3.10.5\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n3.10 负责任的人工智能专题\\n\\n下一节重点介绍跟踪器中的五个重要案例，从定性角度探讨 2024 年人工智能生成的选举内容的性质。\\n\\n假冒企业支持墨西哥政客（墨西哥，图片 X/Twitter，2024\\n年6月2日）\\n3 月18日，墨西哥民间组织 Sociedad Civil de México\\n呼呼星巴克推出一款特别杯子，以庆祝反对派总统候选人\\nx.chitl G.lvez。该组织在 X 平台分享了一张由人工智能生成的星巴克咖啡杯图片，杯身上印有 \\\"#Xochitl2024\\\"字样，\\n并附带标签 #StarbucksQueremosTazaXG (# 星巴克我们要\\nXG 杯) 次日，埃尔韦斯在 X 平台鼓励支持者点购 \\\"caf.sin miedo\\\" (无畏咖啡)，该口号是对其竞选口号“为一个无畏的墨西哥”的巧妙改编。她邀请支持者在社交媒体上分享咖啡杯照片并关联其团队。该人工智能生成的图像迅\\n\\n速走红，用户纷纷转发。然而，星巴克否认与该设计有关，\\n并声明不支持任何政党。\\n\\n印度执政党通过个性化视频激励竞选工作人员（印度，视频，\\nWhatsApp，2024年4月18日）\\n4 月18日，超过500名现任总统的竞选志愿者参加了竞选活动。印度人民党收到了一名借助人工智能工具制作的个性化视频。在视频中，印度人民党员 Shakti Singh 号召志愿者与公众分享该党的信息，强调了“清洁印度”、“数字印度”和“印度制造”等政策。尽管有明显的剪辑，但每段视频中辛格都会直呼受助者的名字（图3.10.7）。参与视频制作的竞选员工称，他们并没有要求辛格分别录制每个人的名字，而是采用了声音克隆和唇语匹配软件。\\n\\n资料来源：世界其他地区，2024\\n图3.10.6\\n\\n资料来源：世界其他地区，2024\\n图3.10.7\\n\\n目录第三章预览\\n211\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n3.10 负责任的人工智能专题\\n\\n乌拉圭的“不可能”辩论（乌拉圭，视频，电视，2024年10月\\n27日）\\nSanto y Se,a，一档综合性早间节目，在乌拉圭总统选举前播出了所谓“不可能的辩论”。该辩论邀请了右翼政党科罗拉多党(Partido Colorado)总统候选人Andrs Ojeda及其中间偏左联盟“广泛阵线(Frente Amplio)”的对手“Yamand”Orsi\\n(图3.10.8)，然而，Oris并未出现在节目中，而是通过一个由人工智能驱动的全息影像“现身”，据节目主持人称，该影像的台词摘自候选人最近的采访。辩论开始前，Oris及其政党在另一频道批评这一行为是“假采访”，并称其“对民主构成攻击”。次日，主持人回应称，这一行为既不是假新闻，也不是对民主的攻击仅仅是个玩笑。\\n\\n资料来源：世界其他地区，2024\\n图3.10.8\\n\\n巴基斯坦政党领导人深度伪造视频呼吁抵制选举（巴基斯坦，\\n音频和视频，X/Twitter,2024年2月7日）\\n在巴基斯坦大选前一天，前总理兼巴基斯坦正义运动党（\\nPTI）创始人伊姆兰·汗的语音录音在社交媒体上流传（图\\n3.10.9)。该录音提及国家机构对PTI的镇压，并呼吁抵制选举，\\n称投票毫无意义。PTI的官方X账号谴责该录音为伪造。当天发布的一段视频显示，另一位著名的PTI领导人亚斯敏·拉希德似乎也在呼吁抵制选举。在对比语言－图像预训练的视频中，拉希德出现在铁窗后面，录音声称巴基斯坦选举委员会已被“收买”。非营利事实核查组织Soch Fact Check确定该视频经过篡改。\\n\\n资料来源：世界其他，2024\\n图3.10.9\\n\\nالكشف عن رجال الرياض\\n目录第三章预览\\n212\\n\\n* * *\\n\\n第三章：负责任的人工智能\\n3.10 负责任的人工智能专题\\n\\n人工智能生成的路面配坑测试图影响南非选民（南非，图片，\\nX/Twitter, Facebook, Instagram, Reddit,2024年5月4日）\\n5月4日，一名Facebook用户发布了一张人工智能生成的图片，显示一条布满坑洼的道路通向开普敦标志性的桌山（\\n图3.10.11)，图片下方配文暗示，在民主联盟执政期间，市政当局未能维持基本公共服务，导致基础设施恶化。许多人转发了\\n\\n资料来源：世界其他地区，2024\\n图3.10.11\\n\\n这张图片，以劝阻西开普省的选民不要支持已经执政15年的民主联盟，尽管原始帖子已被从Facebook上删除，但它仍在其他社交媒体平台上流传。法国新闻社下属的AFP Fact\\nCheck报道称，这张图片是由人工智能生成的，并追溯到一位创作人工智能艺术的Instagram用户。\\n\\nPost\\n@ramalacast\\nWhite people lied\\n3:35 PM - May 4, 2024 - 106.2K Views\\n335 147 574 32\\n\\n目录第三章预览\\n213\\n\\n* * *\\n\\nAI\\n2025年人工智能指数报告\\n\\n第四章:\\n经济来自Njenga Kariuki的文本和分析\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第四章：经济\\n\\n概述 216\\n章节要点 217\\n4.1 2024 年人工智能领域大事件时间线 219\\n\\n4.2 工作岗位 223\\n人工智能劳动力需求 223\\n全球人工智能劳动力需求 223\\n按技能集群和专业技能分类，\\n美国人工智能劳动力需求情况 225\\n美国各行业的人工智能劳动力需求 228\\n美国各州的人工智能劳动力需求 229\\n人工智能招聘 232\\n人工智能技能渗透 234\\n人工智能人才 236\\n重点：衡量人工智能与经济的融合情况 242\\n\\n4.3 投资 246\\n企业投资 246\\n初创企业活动 247\\n全球趋势 247\\n按资金规模进行的地区比较 251\\n按地区划分的新获融资人工智能公司对比 255\\n重点领域分析 258\\n\\n4.4 企业活动 260\\n行业使用情况 260\\n利用人工智能能力 260\\n生成式人工智能功能部署 264\\n人工智能对劳动力的影响 267\\n\\n4.5 机器人部署 272\\n总体趋势 272\\n工业机器人：传统机器人与协作机器人 274\\n按地理区域划分 275\\n服务机器人的国家级数据 279\\n\\n获取公共数据\\n\\n目录 第四章预览 215\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第四章：\\n经济\\n\\n概述\\n\\n2024 年人工智能的经济影响进一步凸显，对多行业产生实质性冲击。生成式人工智能在特定任务中带来的早期生产效率提升已可量化，但该技术对宏观经济的长期影响仍存争议。劳动力市场初现人工智能驱动的转型迹象：随着新型人工智能相关岗位涌现，部分知识型职业正经历结构性调整。跨行业、跨地域的企业正从实验性应用转向系统性整合人工智能技术。投资趋势也反映出人工智能生态日趋成熟，资金日益集于企业自动化专项应用及垂直行业解决方案。\\n\\n本章节基于 Lightcast、领英、Quid、麦肯锡及国际机器人联合会（IFR）数据，\\n剖析人工智能相关经济趋势。首先解析人工智能相关职业的劳动力需求、招聘动向、技能渗透率及人才供给现状；然后，本章节探讨了企业在人工智能领域的投资，其中有一部分专门关注生成式人工智能。最后，它评估了人工智能对生产力的影响以及各行各业的机器人安装情况。\\n\\n目录第四章预览\\n216\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第四章：\\n经济\\n\\n章节要点\\n\\n1. 全球私人工智能投资创历史新高，增长 26%。2024 年，全球企业人工智能投资规模达到 2523 亿美元，其中私人投资同比增长\\n 44.5%，并购交易规模较上年增长 12.1%，过去十年间，该领域经历显著扩张，自 2014 年以来，总投资规模增长逾十三倍。\\n\\n2. 生成式人工智能投资规模激增，2024 年，生成式人工智能领域的私人投资达到 339 亿美元，比 2023 年增长 18.7%，是 2022 年水平的 8.5 倍以上。该领域目前占所有人工智能相关私人投资总额的 20% 以上。\\n\\n3. 美国扩大了其在全球人工智能私人投资中的领先优势。2024 年，美国人工智能私人投资规模达到 1091 亿美元，相当于中国的近\\n 12 倍（93 亿美元），英国的 24 倍（45 亿美元）。在生成式人工智能领域，美国投资总额较中国、欧盟及英国投资总和还多 254 亿美元，较 2023 年 218 亿美元的差额继续扩大。\\n\\n4. 人工智能的使用达到前所未有的水平，2024 年，受访企业报告采用人工智能技术的比例从 2023 年的 55% 跃升至 78%。同样，\\n 在至少一项业务职能中使用生成式人工智能的受访者数量增长逾一倍——从 2023 年的 33% 上升至 2024 年的 71%。\\n\\n5. 人工智能已开始在多个业务职能领域产生财务效益，但大多数企业仍处于应用初期阶段。报告显示，在单一业务职能内应用人工智能并取得财务效益的企业中，多数反馈效益水平仍处于较低区间，在成本节约方面，在客户服务运营中使用人工智能的企业中有\\n 49%的受访者报告实现降本，供应链管理领域这一比例为 43%，软件工程领域为 41%，不过，这些企业报告的成本降幅大多不足\\n 10%，在收入增长方面，营销与销售部门应用人工智能的企业中有 71%的受访者报告收入提升，供应链管理领域为 63%，服务运营领域为 57%，但需要指出的是，这些收入增幅普遍低于 55。\\n\\n6. 人工智能的应用呈现出明显的区域差异，其中大中华区正迅速崛起，尽管北美地区仍保持着企业人工智能应用率的领先地位，但大中华区是同比增长率最高的地区之一，其企业人工智能采用率提升了 27%，欧洲紧随其后，实现了 23%的增长，这表明全球人工智能格局正在快速演变，各国在人工智能应用领域的国际竞争也日趋激烈。\\n\\n\\n目录第四章预览\\n217\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第四章：\\n经济\\n\\n章节要点（续）\\n\\n7. 中国在工业机器人领域仍占据主导地位，虽略有放缓。2023年，中国安装27.63万台工业机器人，是日本的6倍，美国的7.3倍。自2013年超过日本以来，中国在全球工业机器人安装量中的份额从20.8%上升至51.1%，虽然中国的机器人安装量继续超过世界其他国家的总和，但这一差距在2023年略有缩小，标志着其急剧扩张的趋势略有放缓。\\n\\n8. 协作型和交互式机器人使用日趋普及，2017年，协作型机器人仅占所有新安装工业机器人的2.8%，到2023年，这一数字攀升至\\n 10.5%。同样，2023年，除医疗机器人外，所有应用领域的服务机器人安装量均呈现增长趋势。这一趋势不仅表明机器人安装量的总体增长，还表明人们越来越重视将机器人部署在面向人类的岗位上。\\n\\n9. 人工智能正在推动能源结构的重大变革，并引发对核能的新一轮关注。微软宣布以16亿美元重启三哩岛核反应堆，为人工智能提供动力，而谷歌和亚马逊也签订了核能协议，为人工智能业务提供支持。\\n\\n10. 人工智能提高生产效率并缩小技能差距。去年的人工智能指数报告是首批强调人工智能对生产效率产生积极影响的研究报告之一。今年更多研究进一步验证了这些发现，证实人工智能不仅能提升生产效率，在多数情况下还有助于缩小高技能与低技能劳动者之间的能力差距。\\n\\n\\n目录第四章预览\\n218\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第四章：经济\\n2024年人工智能领域大事件时间线\\n\\n本章节开篇概述了 2024 年人工智能领域最具影响力的经济事件，这些事件由人工智能指数指导委员会权威选。\\n\\n4.1 2024年人工智能领域大事件时间线\\n\\n日期 活动 类型 图片\\n2024年1月16日 Synopsys 以 350 亿美元收购 Ansys, 强化芯片至系统级全栈设计解决方案\\n收购\\n图 2.1.6\\n资料来源：Inflection，2025\\n2024年2月21日、有报道称, OpenAI 的年化收入在 2023 年\\n12 月超过了 20 亿美元。\\n估值里程碑\\n图 4.1.2\\n资料来源：Inc，2024\\n2024年2月29日、人形机器人初创公司 Figure AI 以 26 亿美元的估值融资 6.75 亿美元。\\n投资/融资\\n图 4.1.3\\n资料来源：Microsoft，2024\\n2024年3月21日微软 聘请包括联合创始人在内的 Inflection\\nAI的大部分员工，并支付 6.5 亿美元以获得 Inflection 人工智能模型的授权。\\n收购\\n图 4.1.4\\n资料来源：鼎道社，2024\\n2024年3月21日人工智能云基础设施初创企业 CoreWeave\\n获得 11 亿美元的融资，估值为 190 亿美元。\\n投资/融资\\n图 4.1.5\\n资料来源：财富，2024\\n\\n目录第四章预览\\n219\\n\\n* * *\\n\\n第四章：经济\\n2024年人工智能领域大事件时间线\\n\\n2024年5月1日数据标签初创企业 Scale AI 融资 10 亿美元，\\n估值达到 138 亿美元。\\n\\n投资/融资图4.1.6\\n资料来源：路通社，2024\\n\\n2024年6月11日法国开源人工智能模型初创公司 Mistral\\nAI 以 60 亿美元的估值融资 6.4 亿美元。\\n\\n投资/融资图4.1.7\\n资料来源：TechCrunch，2024\\n\\n2024年6月14日精准医疗人工智能企业 Tempus AI 成功上市，募资 4.107 亿美元，估值突破 60 亿美元\\n\\n投资/融资图4.1.8\\n资料来源：路通社，2024\\n\\n2024年7月22日\\nCohere，一家专注于企业应用的人工智能初创公司，完成 5 亿美元融资，估值达 55\\n亿美元。\\n\\n投资/融资图4.1.9\\n资料来源：Crunchbase，2024\\n\\n2024年8月2日谷歌收购 Character,AI，以约 25 亿美元收购其股东股份，并获得该初创公司的人工智能技术授权。此次收购包括引入 Character,AI 的联合创始人及研究团队成员。\\n\\n收购图4.1.10\\n资料来源：The Verge，2024\\n\\n2024年8月5日\\nGroq,一家专注于快速推理的人工智能芯片初创公司，在最新一轮融资中筹集了 6.4 亿美元，公司估值达 28 亿美元。\\n\\n投资/融资图4.1.11\\n资料来源：Groq,Groq，2024\\n\\n目录第四章预览\\n220\\n\\n* * *\\n\\n第四章：经济\\n2024年人工智能领域大事件时间线\\n\\n2024年8月12日\\nAMD 以约 6.65 亿美元收购欧洲最大的私人人工智能实验室 Silo AI。\\n\\n收购图4.1.12\\n资料来源：AMD，2024\\n\\n2024年9月5日\\nSafe Superintelligence(SSI)获得 10 亿美元融资。\\n\\n投资/融资图4.1.13\\n资料来源：TechCrunch，2024\\n\\n2024年9月12日\\nSalesforce 在其平台上推出了 Agentforce，这是一个用于业务运营的自主 AI\\n智能体套件。\\n\\n产品发布/整合图4.1.14\\n资料来源：Salesforce，2024\\n\\n2024年9月20日微软宣布与 Constellation Energy 达成一项价值 16 亿美元的协议，以重启三里岛核反应堆，为人工智能数据中心供电。\\n\\n合作伙伴图4.1.15\\n资料来源：美国国家公共广播电台，2024\\n\\n2024年10月2日\\nOpenAI 在估值达 1570 亿美元的情况下，\\n融资 66 亿美元。\\n\\n投资/融资图4.1.16\\n资料来源：Axios，2024\\n\\n2024年10月14日谷歌宣布与 Kairos Power 达成协议，将从该公司开发的多个小型模块化反应堆(\\nSMR)购买核能。\\n\\n合作伙伴图4.1.17\\n资料来源：谷歌，2024\\n\\n2024年10月16日亚马逊宣布与 Energy Northwest, X-energy\\n和 Dominion Energy 合作，推出小型模块化反应堆(SMR)开发核能计划。\\n\\n合作伙伴图4.1.18\\n资料来源：亚马逊，2024\\n\\n目录第四章预览\\n221\\n\\n* * *\\n\\n第四章：经济\\n2024年人工智能领域大事件时间线\\n\\n2024年10月17日谷歌的 NotebookLM 丢掉了“实验性”标签，并拥有数百万用户和超过 8 万家组织。\\n\\n产品发布/整合图4.1.19\\n资料来源：谷歌，2024\\n\\n2024年11月22日\\nAnthropic 与 AWS 扩大合作，亚马逊再投资 40亿美元，使总投资额达到 80亿美元。\\n\\n合作伙伴图4.1.20\\n资料来源：Anthropic，2024\\n\\n2024年12月17日人工智能数据分析公司 Databricks 在最新一轮融资中筹集了 $100亿美元，公司估值达 $620亿美元。\\n\\n投资/融资图4.1.21\\n资料来源：TechCrunch，2024\\n\\n2024年12月18日专注于人工智能搜索产品的初创公司\\nPerplexity AI 以 90 亿美元的估值融资 5\\n亿美元。\\n\\n投资/融资图4.1.22\\n资料来源：人工智能杂志，2024\\n\\n2024年12月23日\\nxAI 宣布完成 60 亿美元融资，累计融资总额达 120 亿美元，估值超过 400亿美元。\\n\\n投资/融资图4.1.23\\n资料来源：福布斯，2024\\n\\n2024年12月30日英伟达以 7 亿美元收购 以色列初创公司\\nRunxai，以增强其在算力需求环境中的图形处理器优化能力。\\n\\n收购图4.1.24\\n资料来源：TechCrunch，2024\\n\\n目录第四章预览\\n222\\n\\n* * *\\n\\n第四章：经济\\n4.2 工作岗位\\n\\n4.2 工作岗位人工智能劳动力需求本节利用 Lightcast 提供的数据，分析劳动力市场对人工智能相关技能的需求。自 2010 年以来，Lightcast 已分析了来自 51,000 多个网站的数亿条招聘信息，并筛选出其中要求人工智能技能的岗位。\\n\\n全球人工智能劳动力需求图 4.2.1 和图 4.2.2 显示了招聘岗位中对人工智能技能需\\n\\n求的占比情况。2024年，新加坡(3.2%)、卢森堡(2%)和中国香港(1.9%)在这一指标上处于领先地位，2023年，美国招聘岗位中人工智能相关职位占比为1.4%，到2024年这一数字上升至1.8%，从2023年到2024年，大多数国家对人工智能技能需求的岗位比例均有所增长。\\n\\n2014-2024年按选定地理区域划分人工智能岗位招聘信息（占所有招聘信息的比例）（第1部分）\\n资料来源：Lightcast，2024 图表：2025年人工智能指数报告\\n\\n图 4.2.1\\n\\n目录第四章预览\\n223\\n\\n* * *\\n\\n第四章：经济\\n4.2 工作岗位\\n\\n2025年人工智能指数报告\\n\\n2014-2024 年按选定地理区域划分人工智能岗位招聘信息（占所有招聘信息的比例）（第 2 部分）\\n资料来源：Lightcast, 2024 图表：2025 年人工智能指数报告\\n\\n人工智能岗位招聘信息（占所有招聘信息的比例）\\n\\n1.24%，西班牙\\n1.14%，澳大利亚\\n1.06%，美国利\\n0.73%，墨西哥\\n0.69%，日本\\n0.65%，新西兰\\n0.63%，克罗地亚\\n\\n图 4.2.2\\n\\n目录第四章预览\\n224\\n\\n* * *\\n\\n第四章：经济\\n4.2 工作岗位\\n\\n2025年人工智能指数报告\\n\\n按技能集群和专业技能分类，美国人工智能劳动力需求情况图 4.2.3 显示了自 2010 年以来美国劳动力市场上最热门的人工智能技能，人工智能的需求占 0.9%，紧随其后的是机器学习（也是 0.9%）和自然语言处理 (0.2%)。自去年以来，除自动驾驶和机器人外，Lightcast 跟踪的大多数人工智能相关技能集群的市场份额都有所增长，生成式人工智能的增幅最大，增长了近四倍。\\n\\n2014-2024 年按技术集群分类人工智能岗位招聘信息（占所有招聘信息的比例）\\n资料来源：Lightcast, 2024\\\\|图表：2025 年人工智能指数报告\\n\\n0.94%，人工智能\\n0.92%，机器学习\\n0.23%，自然语言处理\\n0.22%，生物光人工智能\\n0.16%，神经网络\\n0.09%，视觉图像识别\\n0.07%，机器人技术\\n0.02%，人工智能处理、治理和法规\\n\\n图 4.2.3¹\\n\\n1. 一份招聘启事可以列出多种人工智能技能。\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第四章：经济\\n4.2 工作岗位\\n\\n图 4.2.4 比较了 2024 年人工智能岗位招聘中需求最高的 Python 的显著增长凸显了其作为首选人工智能编程语言的地\\n10 项专业技能与 2012 年至 2014 年期间的需求情况。²从绝对位。值来看，过去十年间每项专业技能的需求均有所增长，其中\\n\\n2012-2014 年与 2024 年美国人工智能岗位招聘中的十大专业技能对比资料来源：Lightcast, 2024 图表：2025 年人工智能指数报告\\n\\nPython（编程语言） 199,213 (+527%)\\n计算机科学 193,341 (+131%)\\n数据分析 28,938 (+209%)\\nSQL（编程语言） 119,441 (+132%)\\n数据科学 110,620 (+833%)\\n自动化 102,210 (+361%)\\n项目管理 101,127 (+67%)\\n亚马逊云服务 100,881 (+178%)\\n敏捷开发方法论 88,141 (+334%)\\n系统可扩展性架构 86,990 (+337%)\\n\\n人工智能岗位招聘数量\\n\\n图 4.2.4\\n\\n2. 之所以决定选择 2012-2014 年作为比较点，是因为前几年工作 / 技术层面的数据较少。因此，Lightcast 采用了 2012-2014 年的数据，以大的样本量作为 10 年前的比较基准。图 4.2.4 将 2012 年至 2014 年需要特定技能的职位发布总数与 2024 的总数排列。\\n\\n目录第四章预览\\n226\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第四章：经济\\n4.2 工作岗位\\n\\n2024年，美国招聘信息中提及生成式人工智能技能的岗位数量较上年增长超过三倍（图4.2.5）。图4.2.6展示了2024年和\\n2023年发布的人工智能招聘信息中提及特定生成式人工智能技能的占比。\\n\\n2023年与2024年美国人工智能岗位招聘信息中生成式人工智能技能的对比资料来源：Lightcast, 2024\\\\|图表：2025年人工智能指数报告\\n\\n生成式人工智能\\n66,635 (+323%)\\n大语言模型\\n19,562 (+295%)\\nChatGPT\\n5,664 (+48%)\\n提示工程\\n6,283 (+350%)\\n生成式对抗网络\\n2,213 (+67%)\\n文本转语音 (TTS)\\n1,045 (-48%)\\n检索增强生成\\n2,834 (+2,047%)\\n微软 Copilot 变分\\n1,496 (+2,238%)\\n自编码器\\n756 (+89%)\\n多模态模型\\n733 (+566%)\\n\\n人工智能岗位应聘数量\\n\\n图4.2.5\\n\\n2023年与2024年美国人工智能职位招聘信息中生成式人工智能技能所占的比例资料来源：Lightcast, 2024\\\\|图表：2025年人工智能指数报告\\n\\n生成式人工智能\\n60,48% (+61%)\\n大语言模型\\n17,76% (+48%)\\nChatGPT\\n5,14% (-49%)\\n提示工程\\n5,68% (+23%)\\n文本转语音 (TTS)\\n0.95% (-86%)\\n生成式对抗网络\\n2.01% (-54%)\\n检索增强生成\\n2.57% (+487%)\\n变量自编码器\\n0.69% (-48%)\\n微软 Copilot\\n1.38% (+539%)\\n多模态模型\\n0.67% (+350%)\\n\\n人工智能岗位应聘数量\\n\\n图4.2.6\\n\\n目录第四章预览\\n227\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第四章：经济\\n4.2 工作岗位\\n\\n美国各行业的人工智能劳动力需求图 4.2.7 显示了 2023 年至 2024 年美国各行业领域对人工智能技能需求岗位的占比，与 2023 年相比，2024 年几乎所有行业领域对人工智能技能需求岗位的占比均有所上升，公共行政领域除外。与 2023 年相比，2024 年几乎所有行业领域对\\n\\n2023 年与 2024 美国各行业人工智能岗位招聘信息占总招聘信息比例的对比资料来源：Lightcast, 2024-4 图表：2025 年人工智能指数报告\\n\\n9.33% (+79.56%)\\n信息专业、科学技术服务金融和保险制造业公用事业教育服务公司和企业管理采矿、采石及石油天然气开采公共行政管理房地产与租赁业批发业零售业农业、林业、渔业和狩猎业运输和仓储废物管理和行政发财服务\\n1.29% (-26.93%)\\n1.22% (+41.95%)\\n1.20% (+43.41%)\\n1.16% (+101.95%)\\n1.07% (+22.26%)\\n0.82% (+35.81%)\\n0.48% (+15.65%)\\n\\n0% 1% 2% 3% 4% 5% 6% 7% 8% 9% 10% 11%\\n人工智能职位岗位招聘（占所有职位岗位招聘的百分比）\\n\\n图 4.2.73\\n\\n3. 图 4.2.7 中的行业分类基于两位数的 NACIS 代码，有关工资统计（图 Bureau of Labor Statistics）的超行业分类和 NACIS 分类的更多信息，请参阅以下参考资料。\\n\\n* * *\\n\\n第四章：经济\\n4.2 工作岗位\\n\\n美国各州的人工智能劳动力需求图 4.2.8 展示了美国各州的人工智能职位空缺数量,排名前三的州分别是加利福尼亚州(103,375)、得克萨斯州(57,785)和纽约州(37,944)。\\n\\n图 4.2.9 展示了各州人工智能相关职位发布占该州总职位发布量的百分比,根据这一指标,排名前三的州是华盛顿特区(4.4%),特拉华州(3.4%)和华盛顿州(3.3%)。\\n\\n2024 年美国各州人工智能职位发布数量资料来源：Lightcast, 2024 \\\\| 图表：2025 年人工智能指数报告\\nAK 2,225\\nWA 31,067 MT 2,456 ND 1,606 SD 1,839 MN 10,445 WI 7,415 MI 15,583\\nOR 8,643 ID 4,149 WY 976 NE 3,829 IA 4,274 IL 26,131 IN 7,232 OH 19,294 NJ 19,504\\nCA 34,375 UT 6,584 CO 15,027 KS 5,951 MO 9,138 KY 4,341 WV 1,296 DC 10,021 MD 14,906 DE 3,767\\nAZ 12,939 NM 3,617 OK 4,512 AR 4,707 TN 9,184 VA 31,866 NC 18,976\\nTX 57,785 LA 3,770 MS 2,877 AL 6,876 GA 20,260 SC 5,362\\nHI 2,693\\nFL 25,211\\n\\n图 4.2.8\\n\\n2024 年美国各州人工智能职位发布占该州总职位发布比例资料来源：Lightcast, 2024 \\\\| 图表：2025 年人工智能指数报告\\nAK 1.60%\\nWA 3.27% MT 1.53% ND 1.22% SD 1.18% MN 1.46% WI 1.00% MI 1.51%\\nOR 1.54% ID 1.91% WY 1.74% NE 1.34% IA 1.06% IL 1.87% IN 0.97% OH 1.19% PA 1.46% NJ 2.07%\\nCA 2.67% NT 1.75% CO 1.78% KS 1.52% MO 1.26% KY 1.04% WV 1.13% DC 4.44% MD 2.29% DE 3.35%\\nAZ 1.50% NM 1.30% OK 1.09% AR 1.86% TN 1.14% VA 2.77% NC 1.82%\\nTX 1.86% LA 0.92% MS 1.37% AL 1.38% GA 1.82% SC 0.98%\\nHI 1.44%\\nFL 1.09%\\n\\n图 4.2.9\\n\\n目录 第四章预览 229\\n\\n* * *\\n\\n第四章：经济\\n4.2 工作岗位\\n\\n图 4.2.10 显示了美国哪些州的人工智能职位发布在全国所占比例最大。2024年，美国15.7%\\n的人工智能发布在加利福尼亚州，其次是得克萨斯州(8.8%)和纽约州(5.8%)。\\n\\n图 4.2.11展示了四个拥有大量人工智能岗位招聘信息的州——华盛顿州、加利福尼亚州、纽约州和得克萨斯州——的趋势，从2023年到2024年，这四个州的人工智能相关岗位招聘信息在总招聘信息中的占比均显著上升。\\n\\n2024 年美国各州人工智能职位发布比例资料来源：Lightcast, 2024 \\\\| 图表：2025 年人工智能指数报告\\n\\nAK\\n0.34%\\nVT\\n0.20%\\nNH\\n0.47%\\nMA\\n0.42%\\nWA\\n4.72%\\nMT\\n0.37%\\nND\\n0.24%\\nSD\\n0.28%\\nMN\\n1.90%\\nWI\\n1.13%\\nMI\\n2.37%\\nNY\\n7.61%\\nCT\\n1.23%\\nBI\\n0.44%\\nOR\\n0.31%\\nID\\n0.64%\\nWY\\n0.15%\\nNE\\n0.58%\\nIA\\n0.62%\\nIL\\n1.20%\\nIN\\n1.20%\\nOH\\nPA\\n4.63%\\nJU\\n2.94%\\nNV\\n0.68%\\nGT\\n1.01%\\nCO\\n0.42%\\nWO\\n0.90%\\nIU\\n1.93%\\nDO\\n0.66%\\nDE\\n0.57%\\nMD\\n0.58%\\nEE\\n0.57%\\nAZ\\n1.96%\\nNM\\n0.55%\\nOK\\n0.69%\\nAR\\n0.71%\\nTN\\n1.39%\\nVA\\n4.74%\\nNC\\n2.87%\\nTX\\n8.77%\\nLA\\n0.57%\\nMS\\n0.44%\\nAL\\n1.04%\\nGA\\n3.08%\\nSC\\n0.89\\nHI\\n0.41%\\n\\n2010-2024 年美国各选定州的人工智能职位占该州总职位发布量的比例资料来源：Lightcast, 2024 \\\\| 图表：2025 年人工智能指数报告\\n\\n3.27%, 华盛顿州\\n2.67%, 加利福尼亚州\\n2.19%, 纽约州\\n1.86%, 得克萨斯州\\n\\n图 4.2.11\\n\\n目录第四章预览\\n230\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第四章：经济\\n4.2 工作岗位\\n\\n图 4.2.12 显示了随着时间的推移，人工智能相关职位在前四个州的分布情况。2024 年，所有四个州都扭转了多年来人工智能相关职位比例下降的趋势。人工智能职位发布——加利福尼亚州和的变化尤为明显，自 2020 年以来，这两个州的职位发布都有所减少。\\n\\n2010-2024 年全美人工智能职位发布量中各选定州所占比例资料来源：Lightcast, 2024\\\\|图表：2025 年人工智能指数报告\\n\\n占美国人工智能职位空缺的比例\\n29%\\n20%\\n15%\\n10%\\n5%\\n0%\\n2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024\\n15.70%，加利福尼亚州\\n6.77%，密苏里州\\n5.76%，纽约\\n4.72%，华盛顿州\\n\\n图 4.2.12\\n\\n目录第四章预览\\n231\\n\\n* * *\\n\\n人工智能招聘\\n\\n人工智能指数中提供的招聘数据基于领英部都的经济图谱（Economic Graph），反映了该平台 10 多亿会员的工作和技能情况。因此，数据会受到会员选择使用平台方式的影响，这可能会因职业、社交和地区文化以及网站的整体可用性和可访问性而有所不同。人工智能指数指出，样本中的匈牙利、印度尼西亚、印度和韩国的领英覆盖的比例较低，因此在解释这些国家的情况时应特别谨慎。\\n\\n图 4.2.13 报告了按地理区域划分的人工智能相对招聘率同比比率。整体招聘率的计算方式为：在同一时间段内添加新雇主的领英会员人数除以该地区领英会员总数。相反，相对人\\n\\n工智能人才招聘率是指与同一地理区域整体招聘率相比，人工智能招聘的同比变化。4 因此，图 4.2.13 展示了人工智能人才招聘活跃度最高的地区情况——这些地区的人工智能人才招聘增长率显著超过整体招聘增速。2024 年，人工智能人才相对招聘率同比增长最显著的国家依次为：印度（33.4%）、巴西（\\n30.8%）和沙特阿拉伯（28.7%）。这意味着，以印度为例，2024\\n年其人工智能人才招聘数量与整体招聘数量的比率同比增长了 33.4 个百分点。\\n\\n2024 年按地理区域划分的人工智能相对招聘率年同比\\n\\n资料来源：领英，2024\\\\| 图表：2025 年人工智能指数报告\\n\\n图 4.2.14 展示了过去五年各地区人工智能招聘的年同比。 聘率显著上升。其他近期出现类似增长的国家包括加拿大、印从 2024 年开始，阿根廷、巴西和智利等南美国家的人工智能招 度、南非和美国。\\n\\n* * *\\n\\n2018-2024 年按地理区域划分的人工智能相对招聘年同比\\n\\n资料来源：领英，2024\\\\| 图表：2025 年人工智能指数报告\\n\\n* * *\\n\\n人工智能技能渗透\\n\\n图 4.2.15 和图 4.2.16 突出了相对的人工智能技能渗透率。该指标旨在衡量特定国家、行业或性别人工智能技能的强\\n\\n图 4.2.15 和图 4.2.16 突出了相对的人工智能技能渗透率。该指标旨在衡量特定国家、行业或性别人工智能技能的强\\n\\n率。该指标旨在衡量特定国家、行业或性别人工智能技能的强度。人工智能技能渗透率表明了人工智能技能在各职业中的普\\n\\n度。人工智能技能渗透率表明了人工智能技能在各职业中的普及程度，或 领英会员在工作中使用人工智能技能的强度。例如，\\n\\n度。人工智能技能渗透率表明了人工智能技能在各职业中的普及程度，或 领英会员在工作中使用人工智能技能的强度。例如，\\n\\n工程师职业的前 50 项技能是根据它们在 领英会员个人资料\\n\\n工程师职业的前 50 项技能是根据它们在 领英会员个人资料中出现的加权频率计算得出的。例如，如果工程师拥有的技能\\n\\n工程师职业的前 50 项技能是根据它们在 领英会员个人资料中出现的加权频率计算得出的。例如，如果工程师拥有的技能\\n\\n中有 4 项属于人工智能技能组，则工程师中人工智能技能的普\\n\\n及率估计为 8%（4/50）。\\n\\n2015-2024 年按地理区域划分的人工智能技能相对渗透率资料来源：领英，2024\\\\| 图表：2025 年人工智能指数报告\\n\\n在 2015 年至 2024 年期间，人工智能技能普及率最高的国家是美国（2.6）和印度（2.5）。其次是英国（1.4）、德国（1.3）和巴西（1.3）。因此，在同一组职业中，美国人工智能技能的相对渗透率是全球平均水平的 2.6 倍。\\n\\n人工智能相对技能渗透率\\n\\n* * *\\n\\n图 4.2.16 按性别分类了不同国家或地区的人工智能技能渗透率。一个国家的女性普及率为 1.5，这意味着该国领英女性会员拥有人工智能技能的可能性是全球所有国家平均水平的\\n\\n1.5 倍。在所有样本国家中，除沙特阿拉伯外，男性的人工智能技能渗透率都高于女性。在所有样本国家中，印度（1.9）、美国\\n（1.7）和加拿大（1.0）报告的女性人工智能技能相对渗透率最高。\\n\\n2015-2024 年人工智能技能在不同性别间的相对渗透率\\n\\n资料来源：领英，2024\\\\| 图表：2025 年人工智能指数报告\\n\\n* * *\\n\\n人工智能人才\\n\\n图 4.2.17 和 4.2.18 按国家分类了人工智能人才。如果 领英会员在个人档案中明确添加了人工智能技能、从事或曾经从事过人工智能工作，那么他们就被视为人工智能人才。人工智能人才的数量被计算人才集中度，即人工智能人才在会员中所占的比例。请注意，人才集中度指标可能会受到领英在这些国家覆盖范围的影响，因此谨慎应使用。\\n\\n2024 年按地理区域划分的人工智能人才集中度资料来源：领英，2024\\\\| 图表：2025 年人工智能指数报告\\n\\n图 4.2.17 显示了不同地理区域的人工智能人才集聚情况。\\n2024 年，人工智能人才最集中的国家包括以色列（2.0%）、新加坡（1.6%）和卢森堡（1.4%）。图 4.2.18 显示了部分国家自\\n2016 年以来人工智能人才集中度的百分比变化。在此期间，几个主要经济体的人工智能人才库大幅增加。增幅最大的国家是印度（252%）、哥斯达黎加（240%）和葡萄牙（237%）。\\n\\n资料来源：领英，2024\\\\| 图表：2025 年人工智能指数报告\\n\\n图 4.2.17\\n\\n人工智能人才分布也存在显著的性别差异。在分析样本中的所有国家中，除印度和沙特阿拉伯外，男性人工智能人才的\\n\\n2016 年与 2024 年按地理区域划分的人工智能人才集中度变化比例\\n\\n资料来源：领英，2024\\\\| 图表：2025 年人工智能指数报告\\n\\n人工智能人才集中度变化比例\\n\\n图 4.2.18\\n\\n集中度均高于女性（图 4.2.19）。以色列报告的 2024 年女性人工智能人才集中度最高，为 1.6%。\\n\\n* * *\\n\\n2016-2024 年按性别和地理区域划分的人工智能人才集中度\\n\\n资料来源：领英，2024\\\\| 图表：2025 年人工智能指数报告\\n\\n* * *\\n\\n领英还跟踪了人工智能人才的性别分布部#937375都。据估计，2024 年该平台上 69.5% 的人工智能专业人员为男性，30.5%\\n为女性。随着时间的推移，这一比例一直保持稳定。\\n\\n2016-2024 年全球人工智能人才分布情况\\n\\n资料来源：领英，2024\\\\| 图表：2025 年人工智能指数报告\\n\\n领英有关人工智能人才的数据还可以按国家细分。在样本的每个国家，担任人工智能职位的男性比例都高于女性（图 4.2.21）。新西兰和罗马尼亚的性别分布最为均衡，而巴西和智利的性别分布最不均衡。\\n\\n* * *\\n\\n2016-2024 年按性别和地理分类的人工智能人才分布比例\\n\\n资料来源：领英，2024\\\\| 图表：2025 年人工智能指数报告\\n\\n* * *\\n\\n领英的数据可反映因迁移趋势导致的人工智能人才流动情况。6净流入是指在给定时间段内到达人数减去离开人数的\\n\\n情况。6净流入是指在给定时间段内到达人数减去离开人数的总和。如果人工智能人才净迁移分数为正数，则表明进入该地\\n\\n净流入是指在给定时间段内到达人数减去离开人数的总和。如果人工智能人才净迁移分数为正数，则表明进入该地\\n\\n区的人才多于离开的人才。负数表示该地区离开的人才多于进\\n\\n区的人才多于离开的人才。负数表示该地区离开的人才多于进入的人才。图 4.2.22 按地理区域显示了每 10,000 名 领英会\\n\\n区的人才多于离开的人才。负数表示该地区离开的人才多于进入的人才。图 4.2.22 按地理区域显示了每 10,000 名 领英会\\n\\n2024 年按地理区域划分领英每万名会员的人工智能人才净迁移资料来源：领英，2024\\\\| 图表：2025 年人工智能指数报告\\n\\n员中人工智能人才的净迁入情况。人工智能人才人均迁入最多的地区是卢森堡（8.9）、塞浦路斯（4.7）和阿拉伯联合酋长国（\\n4.1）。\\n\\n人工智能人才净迁移（每 10,000 名领英会员）\\n\\n图 4.2.22\\n\\n图 4.2.23 展示了人工智能人才流动数据随时间的变化。近年来，以色列、荷兰和加拿大等国家的人工智能人才净流动量呈现下降趋势，这表明流向这些国家的人工智能人才数量有\\n\\n所减少。人才流动不断增加的国家包括阿拉伯联合酋长国、沙特阿拉伯和卢森堡。\\n\\n* * *\\n\\n2019-2024 年按地理区域划分的每万名领英会员的人工智能人才净迁移量资料来源：领英，2024\\\\| 图表：2025 年人工智能指数报告\\n\\n* * *\\n\\n重点 :\\n\\n衡量人工智能与经济的融合情况\\n\\n一项针对超过 400 万次真实世界人工智能交互的分析，为人工智能在各经济领域的融合提供了全面的实证依据。Anthropic 近期的一项研究通过美国劳工部的 O\\\\*NET\\n职业分类框架，对其人工智能模型的使用模式进行了分析，\\n揭示了哪些行业和职能正在利用人工智能技术。具体而言，\\nAnthropic 团队通过分析用户与其 Claude. 人工智能模型的对话，识别出最频繁使用人工智能的任务和职业。\\n\\n一项针对超过 400 万次真实世界人工智能交互的分析，为人工智能在各经济领域的融合提供了全面的实证依据。Anthropic 近期的一项研究通过美国劳工部的 O\\\\*NET\\n职业分类框架，对其人工智能模型的使用模式进行了分析，\\n揭示了哪些行业和职能正在利用人工智能技术。具体而言，\\nAnthropic 团队通过分析用户与其 Claude. 人工智能模型的对话，识别出最频繁使用人工智能的任务和职业。\\n\\n分析表明，虽然所有行业都在一定程度上使用了当前的人工智能技术，但主导领域仍为技术和创意行业。如图\\n4.2.24 所示，计算机和数学相关职业占据主导地位，占所有人工智能交互的 37.2%。其次是艺术、设计、娱乐、体育和媒体职业，占比 10.3%，而教育指导和图书馆职业也显示出较高的应用率。险缓解的责任在于模型提供商还是用户。\\n\\nClaude 使用数据中的职业分布和美国劳动力分布对比资料来源：Handa 等，2025\\\\| 图表：2025 年人工智能指数报告\\n\\nClaude 使用率与美国劳动力分布对比\\n\\n* * *\\n\\n重点：\\n\\n衡量人工智能与经济的融合情况（续）\\n\\n人工智能的使用模式与工资水平及所需技能之间存在明显关联。图4.2.25显示，人工智能使用率率在高工资四分位数职业中达到峰值，但在工资两端极值处显著下降。需要\\n\\n大量准备（通常为学士学位水平）的比其基准劳动力代表性高出 50%，准备的岗位则显示出较低的采用率。\\n\\n岗位的人工智能使用率需要少量准备和大量\\n\\n按年薪中位数分类的Claude职业使用情况\\n\\n资料来源：Handa等，2025\\\\]图表：2025年人工智能指数报告\\n\\n年工资中位数（单位：千美元）\\n\\n* * *\\n\\n重点 :\\n\\n衡量人工智能与经济的融合情况部都\\n\\nAnthropic 的研究发现，约有 36% 的职业在至少四分之一的相关任务中使用了人工智能部#93737<都，这表明人工智能在技术领域之外也有很大的渗透。然而，深度整合仍\\n\\n然很少见：只有大约 4% 的职业在 75% 以上的任务中使用了人工智能，这表明整个职业类别的全面自动化尚未实现。\\n\\n各组织机构使用人工智能的深度\\n\\n资料来源：Handa 等，2025\\n\\n图 4.2.26\\n\\n* * *\\n\\n重点 :\\n\\n衡量人工智能与经济的融合情况部都\\n\\n分析揭示了组织内部如何使用人工智能。如图 4.2.27\\n所示，57% 的人工智能互动表现出增强模式（增强人类能力 都酒 而 43% 则表现出自动化模式。这种差异表明，当前的\\n\\n人工智能的应用倾向补充而非取代人类工作者。研究发现，\\n在人工智能互动中，批判性思维和写作等认知技能的存在率很高，而体能和管理技能的存在率则很低（图 4.2.28）。\\n\\n按任务执行类型划分的 Claude 对话百分比\\n\\n资料来源：Handa 等，2025｜图表：2025 年人工智能指数报告\\n\\nClaude 在对话中展示的职业技能分布情况\\n\\n图 4.2.27\\n\\n资料来源：Handa 等，2025\\n\\n占总记录的百分比（%）\\n\\n* * *\\n\\n第四章：经济\\n\\n4.3 投资\\n\\nAI 智能体是设计用于在特定环境中运行以实现目标的自主或半自主系统，是人工智能研究的一个令人兴奋的前沿领域。这些智能体具有广泛的潜在应用，从协助学术研究、安排会议到促进在线购物和度假预订，不一而足。正如许多最近的公司新闻稿所表明的那样，智能体已成为人工智能技术领域越来越关注的话题。\\n\\n4.3 投资\\n\\n企业投资\\n\\n图 4.3.1 展示了 2013 年至 2024 年全球企业人工智能投资的趋势，包括并购、少数股权、私人投资和公开发行。\\n\\n2024 年，总投资额增至 2523 亿美元，较 2023 年增长 25.5%。其中私人投资增幅最为显著，同比上涨 44.5%，并购交易额增长 12.1%。过去十年间，人工智能相关投资规模已增长近十三倍。\\n\\n2013-2024 年按投资活动分类的全球企业对人工智能的投资情况\\n\\n资料来源；Quid, 2024\\\\| 图表：2025 年人工智能指数报告\\n\\n* * *\\n\\n初创企业活动\\n\\n全球趋势\\n\\n2013-2024 年全球人工智能私人投资\\n\\n2023 年至 2024 年，全球私人人工智能投资增长了\\n44.5%，这是自 2021 年以来的首次同比增长（图 4.3.2）。尽管近期有所波动，但全球私人人工智能投资在过去十年中仍有大幅增长。\\n\\n资料来源：Quid, 2024\\\\| 图表：2025 年人工智能指数报告\\n\\nF9E9C\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第四章：经济\\n4.3 投资\\n\\n生成式人工智能的资金投入持续大幅增长（图 4.3.3）。\\n18.7%，是 2022 年投资额的 8.5 倍以上。此外，2024 年，生成\\n2024 年，该领域吸引投资达 339 亿美元，较 2023 年增长式人工智能占所有人工智能相关私人投资的五分之一以上。\\n\\n2019-2024 年全球对生成式人工智能的私人投资资料来源：Quid, 2024 图表：2025 年人工智能指数报告\\n\\n投资能额（单位：十亿美元）\\n\\n2019 2020 2021 2022 2023 2024\\n\\n图4.3.3\\n\\n目录 第一章预览 248\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第四章：经济\\n4.3投资\\n\\n2024 年新获得投资的人工智能公司数量跃升至 2,049\\n家，比上一年增长了 8.4%(图 4.3.4)。此外，2024 年新获得融资的生成式人工智能公司数量有所增加，共有 214 家新创公司获得融资，而 2023年为 179 家，2019年仅为 31家(图 4.3.5)。\\n\\n2013-2024 年全球新获得融资的人工智能公司数量资料来源：Quid，2024 图表：2025 年人工智能指数报告\\n\\n图4.3.4\\n\\n2019-2024 年全球新获得融资的生成式人工智能公司数量资料来源：Quid，2024 图表：2025 年人工智能指数报告\\n\\n图4.3.5\\n\\n目录第一章预览\\n249\\n\\n* * *\\n\\n第四章：经济\\n4.3 投资\\n\\n图 4.3.6 显示了人工智能私人投资的平均规模，计算方法是将每年人工智能私人投资总额除以人工智能私人投资事件总数，从2023年到2024年，平均规模大幅增加，从3160万美元增至4540万美元。图4.3.7展示了按规模分类的人工智能融资事件。2024年，人工智能私人投资事件在融资规模超过1亿美元的类别中有所增加，而在较小规模的类别中则减少或保持稳定。2024年，共有15起人工智能私人投资事件涉及融资规模超过10亿美元。\\n\\n2013-2024 年全球人工智能私人投资活动的平均规模资料来源：Quid, 2024 图表：2025 年人工智能指数报告\\n\\n2023 年与 2024 年按资金规模划分的全球人工智能私人投资活动资料来源：Quid, 2024 图表：2025 年人工智能指数报告\\n\\n资金规模 2023 2024\\n超过10亿 9 15\\n5亿 - 10亿 9 20\\n1亿 - 5亿 134 143\\n5000万 - 1亿 200 195\\n低于5000万 2,945 2,945\\n未披露 680 207\\n总价 3,077 3,526\\n\\n图4.3.7\\n\\n目录 第四章预览 250\\n\\n* * *\\n\\n第四章：经济\\n4.3 投资\\n\\n投资全规模进行的地区比较美国在人工智能领域私人投资总额方面再次位居世界第一，2024年，美国投入的人工智能领域私人投资总额为1091亿美元，是排名第二的中国(93亿美元)的11.7倍，是英国(45亿美元)的24.1倍（图4.3.8），2024年跻身前15名的其他值得关注的国家包括瑞典(43亿美元)、奥地利(15亿美元)、荷兰(11亿美元)和意大利(9亿美元)。\\n\\n2024年按地理区域划分的全球人工智能私人投资资料来源：Quad, 2024年 图表：2025年人工智能指数报告\\n\\n公域国美国 109.08\\n中国 9.29\\n美国 4.52\\n瑞典 4.34\\n加拿大 2.69\\n法国 2.62\\n德国 1.97\\n阿联酋 1.77\\n委地利 1.51\\n以色列 1.38\\n韩国 1.33\\n印度 1.16\\n荷兰 1.09\\n日本 0.93\\n意大利 0.98\\n0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100 105 110 115\\n投资总额（单位：十亿美元）\\n\\n图4.3.8\\n\\n目录第四章预览\\n251\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第四章：经济\\n4.3投资\\n\\n自 2013年以来，汇总私人人工智能投资数据时，国家排名保持不变：美国以 470.9 亿美元的投资额位居榜首，中国以\\n119.3 亿美元紧随其后，英国以 28.2 亿美元排名第三(图4.3.9)。过去十年中吸引大量人工智能投资的其他国家包括以色列\\n(150亿美元)、新加坡(73亿美元)和瑞典(73亿美元)。过去十年中吸引大量人工智能投资的其他国家包括以色列(150亿美元)、新加坡(73亿美元)和瑞典(73亿美元)。\\n\\n2013~2024年按地理区域分类的全球人工智能私人投资（总和）\\n资料来源：Quad, 2024 图表：2025 年人工智能指数报告\\n\\n美国 109.08\\n中国 9.29\\n英国 4.52\\n加拿大 4.34\\n以色列 2.89\\n德国 2.62\\n印度 1.97\\n法国 1.77\\n韩国 1.51\\n新加坡 1.96\\n瑞典 1.33\\n日本 1.15\\n澳大利亚 1.09\\n瑞士 0.93\\n阿联酋 0.96\\n\\n投资总额（单位：十亿美元）\\n\\n图4.3.9\\n\\n目录第四章预览\\n252\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第四章：经济\\n4.3 投资\\n\\n图 4.3.10 显示了各地区人工智能私人投资的变化情况，表明美国与其他地区之间的私人投资差距正在扩大。自 2023 年以来，中国的人工智能私人投资下降了 1.9%，而欧洲则增长了\\n60%，与此同时，美国在同一时期实现了 50.7% 的显著增长，\\n且自 2022 年以来增长了 78.3%。\\n\\n2013-2024 年按地理区域划分的全球人工智能私人投资资料来源：Quid, 2024 图表；2025 年人工智能指数报告\\n\\n109.08，美国\\n10.42，欧洲\\n9.29，中国\\n\\n图4.3.10\\n\\n目录第四章预览\\n253\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第四章：经济\\n4.3 投资\\n\\n在分析生成式人工智能相关投资时，地区间的人工智能私人投资差距尤为明显。例如，2023 年，美国在生成式人工智能领域的投资额约为 218 亿美元，超过中国和欧洲的投资总额\\n（图 4.3.11），到 2024 年，这一差距进一步扩大至 254 亿美元。到 2024 年，这一差距进一步扩大至 254 亿美元。\\n\\n2019-2024 年按地理区域划分的全球生成式人工智能私人投资资料来源：Quid, 2024 图表；2025 年人工智能指数报告\\n\\n29.04 美国\\n2.11 中国\\n1.41 欧盟\\n\\n图4.3.11\\n\\n目录 第四章预览 254\\n\\n* * *\\n\\n第四章：经济\\n4.3 投资\\n\\n按地区划分的新获融资人工智能公司对比本节分析了不同地理区域内新获投资的人工智能公司数量，与私人投资趋势一致，美国以1,073家新获投人工智能公司位居各地区之首，其次是英国的116家，中国为98家（图4.3.12）。美国以1,073家新获投人工智能公司位居各地区之首，其次是英国的116家，中国为98家(图4.3.12)。\\n\\n2024年按地理区域划分的新获融资人工智能公司数量资料来源：Quad，2024 图表：2025 年人工智能指数报告\\n\\n美国 1,073\\n英国 116\\n中国 98\\n印度 74\\n德国 67\\n法国 59\\n韩国 52\\n加拿大 51\\n日本 42\\n新加坡 39\\n以色列 36\\n荷兰 24\\n澳大利亚 23\\n瑞士 22\\n西班牙 18\\n\\n图4.3.12\\n\\n目录 第四章预览 255\\n\\n* * *\\n\\n第四章：经济\\n4.3 投资\\n\\n自 2013 年以来的综合数据也呈现出类似的趋势，近十年来，美国新融资的人工智能公司数量约为中国的 4.3 倍，英国的 7.9\\n倍(图 4.3.13)。\\n\\n2013–2024 年按地理区域分类的新获融资的人工智能公司数量（总和）\\n资料来源：Quad, 2024 图表：2025 年人工智能指数报告\\n\\n美国 6,966\\n中国 1,605\\n英国 885\\n以色列 492\\n加拿大 481\\n法国 468\\n印度 434\\n德国 394\\n日本 388\\n韩国 270\\n新加坡 239\\n澳大利亚 178\\n瑞士 154\\n西班牙 117\\n荷兰 116\\n\\n公司数量\\n\\n图4.3.13\\n\\n目录 第四章预览 256\\n\\n* * *\\n\\n第四章：经济\\n4.3 投资\\n\\n图 4.3.14 展示了特定地理区域内新获融资的人工智能公司数据，凸显了过去十年间美国始终领先于欧洲和中国的长期趋势，自2022年以来，美国与欧洲均出现了新成立人工智能公司数量的显著增长，而中国则连续第二年出现年度下降。\\n\\n2013-2024 年按地理区域划分的新获融资的人工智能公司数量资料来源：Quid, 2024 图表：2025 年人工智能指数报告\\n\\n1,143 美国\\n447 欧洲\\n309 中国\\n\\n图4.3.14\\n\\n目录 第四章预览 257\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第四章：经济\\n4.3投资\\n\\n重点领域分析\\nQuid 还按重点领域细分了私人工智能投资。图 4.3.15\\n比较了 2024 年与 2023 年全球私人人工智能投资按重点领域的分布情况。2024 年吸引最多投资的重点领域依次为人工智能基础设施 / 研究 / 治理 (373 亿美元)；数据管理与处理\\n(166 亿美元)；以及医疗与健康 (110 亿美元)，人工智能基础设施、研究和治理领域的突出地位反映了对专门开发人工智能应用的公司（如 OpenAI, Anthropic 和 xAI）的大规模投资。\\n\\n2023 年与 2024 年按重点领域划分的全球人工智能私人投资）\\n资料来源：Quid，2024 图表；2025 年人工智能指数报告\\n\\n人工智能基础设施/研究/治理数据管理，处理医疗保健\\nAV\\n金融科技制造业半导体\\nNLP，客户支持 网络安全，数据保护机器人无人机能源、石油和天然气，营销，数字广告业务运营语义搜索供应链保险科技\\nAR/VR\\n零售教育技术量子计算物联网农业技术内容创作/翻译创意、音乐、视频内容\\n\\n投资总额（单位：十亿美元）\\n\\n图4.3.16 显示了人工智能重点领域投资的长期趋势。如前所述，大多数重点领域的投资在去年都有所增长。对 NLP，客户支持的投资虽然仍很可观，但在 2021 年达到顶峰，此后有所下降。\\n\\n目录第四章预览\\n258\\n\\n* * *\\n\\n第四章：经济\\n4.3 投资\\n\\n2018-2024 年按重点领域划分的全球人工智能私人投资资料来源：GuAI, 2024 图表：2025 年人工智能指数报告\\n\\n人工智能基础设施/研究/管理\\n97.27\\n2018 2020 2022 2024\\n\\nAR/VR\\n1.35\\n2018 2020 2022 2024\\n\\n视听\\n9.43\\n2018 2020 2022 2024\\n\\n农业技术\\n0.81\\n2018 2020 2022 2024\\n\\n业务运营\\n1.52\\n2018 2020 2022 2024\\n\\n内容创作/翻译\\n0.76\\n2018 2020 2022 2024\\n\\n创意、音乐、视频内容\\n0.75\\n2018 2020 2022 2024\\n\\n网络安全、数据保护\\n3.73\\n2018 2020 2022 2024\\n\\n数据管理和处理\\n16.99\\n2018 2020 2022 2024\\n\\n无人机\\n2.58\\n2018 2020 2022 2024\\n\\n教育技术\\n0.97\\n2018 2020 2022 2024\\n\\n能源、石油和天然气\\n2.02\\n2018 2020 2022 2024\\n\\n金融科技\\n0.88\\n2018 2020 2022 2024\\n\\n保险科技\\n1.36\\n2018 2020 2022 2024\\n\\n物联网\\n0.84\\n2018 2020 2022 2024\\n\\n制造业\\n6.58\\n2018 2020 2022 2024\\n\\n营销、数字广告\\n1.60\\n2018 2020 2022 2024\\n\\n医疗与保健\\n10.80\\n2018 2020 2022 2024\\n\\nN.P. 客户支持\\n4.18\\n2018 2020 2022 2024\\n\\n量子计算\\n0.96\\n2018 2020 2022 2024\\n\\n零售业\\n117\\n2018 2020 2022 2024\\n\\n机器人技术\\n3.29\\n2018 2020 2022 2024\\n\\n语义搜索\\n1.43\\n2018 2020 2022 2024\\n\\n半导体\\n5.53\\n2018 2020 2022 2024\\n\\n供应链\\n1.40\\n2018 2020 2022 2024\\n\\n图4.3.16\\n\\n目录第四章预览\\n259\\n\\n* * *\\n\\n第四章：经济\\n4.4 企业活动\\n\\n本章节节探讨对企业对人工智能的实际应用，重点介绍行业使用趋势，企业如何整合人工智能，被认为最有益的特定人工智能技术，以及人工智能的使用对财务业绩的影响。\\n\\n4.4 企业活动行业使用情况\\n\\n本章节节结合了麦肯锡关于人工智能现状的出版物中的见解以及以往版本的数据。2024年麦肯锡分析基于两项调查，\\n调查对象为来自不同地区、行业、公司规模、职能领域和任职年限的2,854名受访者。\\n\\n利用人工智能能力人工智能的业务应用在 2017 年至 2023 年停滞后大幅增\\n\\n加。麦肯锡的最新报告显示，78%的受访者表示，他们的企业已经开始在至少一项业务职能中使用人工智能，与2023年的\\n55%相比有了显著增长（图4.4.1）。的调查中首次涉及的生成式人工智能的使用增长了一倍多，2024年有71%的受访者表示他们的组织至少在一项业务职能中定期使用该技术，而\\n2023年这一比例仅为33%。\\n\\n2017-2024年表示其组织至少在一项职能中使用人工智能的受访者比例资料来源：麦肯锡公司调查，2024图表：2025年人工智能指数报告\\n\\n图4.4.1\\n\\n目录第四章预览\\n260\\n\\n* * *\\n\\n第四章：经济\\n4.4 企业活动\\n\\n图 4.4.2 显示了 2024 年按行业和人工智能功能划分的人工智能使用情况，使用率最高的是科技行业的信息技术 (48%)，其次是科技行业的产品和 / 或服务开发 (47%)以及科技行业的市场营销和销售 (47%)。\\n\\n2024 年各行业与职能中的人工智能使用情况资料来源：麦肯锡公司调查，2024 图：2025 年人工智能指数报告\\n\\n数据指标高端制造业 14% 36% 32% 39% 25% 21% 32% 37% 14% 32%\\n商业 / 法理 / 专业服务 20% 28% 4% 43% 37% 14% 32% 13% 21% 8%\\n消费品与零售 13% 26% 15% 43% 26% 3% 24% 5% 6% 27%\\n能源与材料 16% 40% 22% 23% 27% 17% 37% 19% 12% 22%\\n金融服务 21% 40% 1% 36% 31% 31% 40% 30% 15% 9%\\n医疗 / 制药 / 医疗产品 22% 39% 7% 23% 20% 15% 24% 0% 8% 11%\\n媒体与电话 27% 40% 12% 40% 31% 14% 43% 40% 6% 13%\\n科技业 34% 48% 12% 47% 47% 19% 42% 46% 14% 14%\\n\\n各职岗位中使用人工智能的访问者百分比 (%)\\n\\n8. 其中高端制造业 包括来自先进电子、航空航天和国防、汽车和装备以及半导体等行业的受访者。能源和材料 包括农业、化工、电力和天然气、金属和煤矿、石油和天然气以及造纸、特产品和包装等行业的接近者。\\n\\n目录 第四章预览 261\\n\\n* * *\\n\\n第四章：经济\\n4.4 企业活动\\n\\n组织在开始使用人工智能后，报告了成本降低和收入增加，但大多数情况下是在较低水平（图4.4.3）。受访者最常报告人工智能使用带来成本节约的领域是服务运营（49%），供应链和库存管理（43%）以及软件工程（41%）。在收入增长方面，人工智能应用受益最显著的职能包括营销与销售（71%）、供应链与库存管理（63%）以及服务运营（57%）。\\n\\n2024 年按功能划分的人工智能分析成本降低和收入增加情况）\\n资料来源：麦肯锡公司调查，2024 图表；2025 年人工智能指数报告\\n\\n减少 <10 减少 10-19 减少 >20 增加 >10 增加 6-10 增加 <5\\n\\n营销和销售 34% 29% 44% 77%\\n风险、法律和合规 34% 28% 19%\\n人力资源 37% 31% 8%\\n产品或服务开发 23% 19% 50% 56%\\n供应链和库存管理 43% 29% 11% 50% 35% 63%\\n服务业务 49% 29% 8% 12% 36% 57%\\n信息技术 37% 29% 11%\\n软件工程 41% 29% 17% 11% 44%\\n其他机构职能 25% 8% 9%\\n\\n采访者百分比\\n\\n图4.4.3\\n\\n目录 第四章预览 262\\n\\n* * *\\n\\n第四章：经济\\n4.4 企业活动\\n\\n图 4.4.4 展示了全球组织按地区划分的人工智能使用情况。2024年，所有地区受访者均报告人工智能使用率较2023年有所提升，人工智能使用率的年增长率中，大中华地区增长最为显著，组织报告的使用率增长了27个百分点，北美地区仍保持人工智能使用率的领先地位（82%），但优势仅为微弱。欧洲地区的人工智能使用率也显著提升，较2023年增长23个百分点，达到80%。\\n\\n2023年与2024年全球组织使用人工智能的情况对比资料来源：麦肯锡公司调查，2024图表；2025年人工智能指数报告\\n\\n所有地区\\n60%\\n亚太地区\\n61%\\n欧洲\\n62%\\n北美\\n63%\\n大中中区（包括香港、台湾、澳门）\\n49%\\n发展中市场包括印澳、中美洲/南美洲、中欧和拉美）\\n45%\\n受访者百分比\\n0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%\\n\\n图4.4.4\\n\\n目录第四章预览\\n263\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第四章：经济\\n4.4 企业活动\\n\\n生成式人工智能功能部署企业如何生成式人工智能功能部署？图 4.4.5 显示了报告将生成式人工智能用于特定功能的受访者在受访者总数中所占的比例。受访者有可能表示他们为多种目的部署了人工智能。最常见的应用是营销战略内容支持（27%），其次是知识管理（19%），个性化（19%）和设计开发（14%），所报告的主要用例大多属于营销和销售职能部门。一项针对发达市场高管的补充调查发现，只有 1% 的公司将其生成式人工智能的推广描述为 \\\" mature(成熟)\\\"。总体而言，大多数公司仍处于从人工智能中大规模获取价值的早期阶段。\\n\\n2024 年按功能划分的最常见生成式人工智能用例资料来源：美奇博公司调查，2024 图：2025 年人工智能应用报告\\n\\n营销领域内容支持（图即底屏，顶出端和介绍相关知识，以创建营销链接）\\n知识管理个性化（如个性化创意大规模内容生成）\\n设计开发代码创编（即使用代码助手，利用自然语言到代码转换、调试、网页开发）\\n销售跟进互动自动化将虚拟人工智能融入工作流程中（例如，在人手的电讯交集中播播时间重复）\\n销售线索识别和光序排序加速早期模版/测试阶段（即通过 gcn\\nAI的合成制编功能，重新设计并快速制作符合客户需求的产品）\\n科学文献和研究综述\\n\\n27%\\n19%\\n19%\\n14%\\n13%\\n13%\\n12%\\n19%\\n11%\\n11%\\n0% 5% 10% 15% 20% 25%\\n\\n受访者百分比\\n\\n目录第四章预览\\n264\\n\\n* * *\\n\\n第四章：经济\\n4.4 企业活动\\n\\n图 4.4.6 展示了受访者中报告其组织在各业务职能中使用生成式人工智能导致成本下降和收入增加的比例。总体而言，受访者在使用生成式人工智能后，各业务职能均报告了成本降低和收入增加，其中大多数为低水平。受访者最常报告成本节约的领域包括供应链和库存管理（61%）、服务运营（58%），以及人力资源和战略与企业财务（56%）。在收入增长方面，最常报告生成式人工智能带来益处的职能包括战略与企业财务（70%）、供应链和库存管理（67%），以及营销与销售（66%）。\\n\\n2024 年按功能划分的生成式人工智能使用成本降低和收入增加情况资料来源：麦肯锡公司调查，2024 图表；2025 年人工智能指数报告\\n\\n减少 <10\\n减少 10-19\\n减少 >20\\n增加 >10\\n增加 6-10\\n增加 <5\\n\\n营销和销售风险、法律和合规人力资源产品或服务开发供应链和库存管理服务业务信息技术软件工程其他机构职能\\n\\n受访者百分比\\n\\n图4.4.6\\n\\n目录第四章预览\\n265\\n\\n* * *\\n\\n第四章：经济\\n4.4 企业活动\\n\\n图 4.4.7 展示了全球不同地区企业生成式人工智能使用情况的差异。在所有地区，2024 年至少在某一业务功能中使用生成式人工智能的企业比例达到 71%，较 2023 年的 33%\\n翻了一番多。这一比例仅比报告使用任何形式人工智能的比例(78%)低 7 个百分点。如图 4.4.1 所示，人工智能总体使用率与生成式人工智能使用率之间的差距从 2023 年的 22\\n个百分点大幅缩小到 2024 年的 7 个百分点，表明生成式人工智能功能的使用正在加速。北美 (74%)、欧洲 (73%)和中国大陆 (73%)在生成式人工智能的使用方面处于领先地位。\\n\\n2024 年按功能划分的生成式人工智能使用成本降低和收入增加情况资料来源：美青银公司调查，2024 图表：2025 年人工智能指数报告\\n\\n所有地区\\n71%\\n亚太地区\\n67%\\n欧洲\\n79%\\n北美\\n74%\\n大中华区（包括香港、台湾、澳门）\\n72%\\n发展中市场\\n（包括印度、中美洲/南美洲、中东和北非）\\n\\n0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%\\n提升者百分比\\n\\n图4.4.9\\n\\n9．请图突出显示了人工智能在至少一种业务功能中的应用。\\n\\n目录第四章预览\\n266\\n\\n* * *\\n\\n第四章：经济\\n4.4 企业活动\\n\\n2025年人工智能指数报告\\n\\n人工智能对劳动力的影响\\n\\n过去六年来，人工智能日益融入经济，引发了人们对其生产效率潜力的浓厚兴趣。虽然早期采用人工智能显示出前景，但量化人工智能的影响仍然具有挑战性，直到 2023 年才出现了一波严谨的研究。2024 年，大量实证研究确立了人工智能在多个领域和背景下工作所产生影响的清晰模式。本节分析了来自五项主要学术研究的生产力影响数据，这些研究共同代表了对人工智能工作场所影响的首次大规模实证调查。这些研究涵盖了多个行业和领域的 20 万多名专业人士，揭示了 10% 到 45% 不等的生产力提升，其中技术、客户支持和创造性任务的影响尤为显著。这些研究采用了多种方法，包括自然实验、随机对照试验和大规模调查，以衡量人工智能在不同组织环境中的影响。\\n\\n生产力趋势\\n2023 年 4 月，Erik Brynjolfsson、Danielle Li 和 Daniel Rock发表了关于人工智能（尤其是生成式人工智能）对生产效率影响的研究，这也是这个领域最具代表性的研究之一。该研究分析了 5,179 名客服代表的数据，考察了生成型人工智能驱动的对话助手的分阶段引入情况，研究人员发现，人工智能的采用使每小时解决的问题数量增加了 14.2% (图 4.4.8)。此外，研究还发现，生产效率提升在人工智能引入后迅速显现，且接触人工智能的员工在人工智能系统故障期间仍保持更高效率。\\n\\n最近发布的其他研究也证实了 Brynjolfsson 的发现。微软公司的一项工作场所研究确定了常见工作场所所在的生产效率提高基准，其中文档编辑提高了 10-13%，电子邮件处理时间减少了 11%。专业角色的收益更高、安全专业人员的完成时间缩短了 23%，准确率提高了 7%；销售团队的响应时间缩短了 39%，准确率提高了 25%。\\n\\n在科学研究方面，Aiden Toner-Rodgers 的研究 对 1018 名科学家进行了调查，结果发现，与未使用人工智能的科学家相比，使用人工智能的科学家的材料发现率提高了 44.1%，专利申请率提高了 39.4%，产品原型提高了 17.2% (图 4.4.9)\\n\\n人工智能对客服代表的影响资料来源：Brynjolfsson 等，2023 图表：2024 年人工智能指数报告\\n\\n人工智能对科学创新的影响资料来源：Toner-Rodgers 等，2023 图表：2025 年人工智能指数报告\\n\\n目录第四章预览\\n267\\n\\n* * *\\n\\n第四章：经济\\n4.4 企业活动\\n\\n在软件开发领域，两项重要研究为人工智能的影响提供了补充证据。一项有 4867 名开发人员参加的现场实验发现，人工智能辅助平均提高了 26.08%的任务完成率，另一项以 187489 名开发人员为对象的自然 实验强化了这一发现；该实验表明，核心编程活动增加了 12.4%，而项目管理任务花费的时间减少了 24.9%。\\n\\n均衡效应多项研究揭示了一个一致规律：人工智能对职场绩效具有均化效应（图 4.4.10）。最新软件开发领域研究表明，初级开发者的生产效率提升了 21%-40%，而资深开发者的增幅相对有限，仅为 7%-16%。该模式在其他独立研究中得到验证一一低技能编程人员的效率提升幅度 (14%-27%)显著高于高技能人员 (5%-10%)。\\n\\n此外，他们的分析显示，人工智能使新技术的探索增加了 21.8%，并为每位开发人员每年带来了平均 1,683 美元的潜在新资增长，这表明人工智能工具不仅提升了生产效率，还积极促进了技能发展。这项研究支持了 2023 年和 2024 年的早期研究结果，即人工智能驱动的生产效率提升因员工的初始技能水平而异。\\n\\n然而，一些研究表明，人工智能的影响可能是反方向的。Toner-Rodgers 公司的一项 研究，发现，虽然表现高效的科学家的产出几乎翻了一番，但排名后三分之一的科学家从人工智能的引入中获益甚微。研究进一步强调，影响人工智能影响的关键因素不是先前的成就，而是有效评估人工智能生成的建议的能力。这表明，对于能够有效利用人工智能工具的人来说，无论经验水平如何，人工智能工具都能发挥强大的放大作用。了解人工智能如何影响不同任务中的不同工作人员，将是当前研究的一个重要重点。\\n\\n人工智能的生产效率均衡效应\\n\\n研究 \\\\| 任务 \\\\| 低技能工人生产率提高 \\\\| 高技能工人的生产率提高\\nBrynjolfsson 等，2023 \\\\| 客户支持 \\\\| 34% \\\\| 与零无异\\nDell/Acqua 等，2023 \\\\| 咨询 \\\\| 42.96% \\\\| 16.5%\\nCui 等，2024 \\\\| 软件工程 \\\\| 21-40% \\\\| 7-16%\\nHoffman 等，2024 \\\\| 软件工程 \\\\| 12-27% \\\\| 5-10%\\n\\n图4.4.10\\n\\n目录第四章预览\\n268\\n\\n* * *\\n\\n第四章：经济\\n4.4 企业活动\\n\\n应用和整合研究表明，生产效率的提升与人工智能的全面整合及系统化实施呈现显著相关性，罗马尼亚研究人员针对 233 名员工的调查显示，在人工智能高度整的企业中，生产效率显著提升的概率高达 72%，而整合程度较低的企业这一概率仅为 3.4%。分析数据显示，受访者的生产效率提升呈现明显的梯度分布：46.8%的受访者实现 0-20% 的提升，26.2% 达到 20-40%的增幅，18.4% 获得 40-60% 的改善。另有少数群体取得更大幅度的提升，其中 7.7%的受访者实现 60-80% 的增长，0.9%达到 80-100% 的显著提升（图 4.4.11）。\\n\\n对劳动力的影响人工智能工具的引入显著改变了任务分配模式与团队组织结构，微软职场研究显示，人工智能呢自动化技术使员工感知心智负荷降低 45%，在其认知负荷量表中，得分从基准值 5分降至 30 分。同时，非英语母语者的工作准确率差距缩小 84.6%，专业报告的关键信息涵盖量提升 49%，这些改进在深度用户群体中表现尤为突出，该群体每周至少使用人工智能工具数次，其中 29%的成员每日可节省 30分钟以上工作时间。哈佛商学院研究证实，人工智能技术的应用大幅降低了协作成本，数据显示，项目平均所需团队成员数量减少 79.3%，这一发现表明，人工智能不仅优化了个人工作效能，更重塑了团队协作的基本范式。\\n\\n这些变化正在以根本性方式重塑专业角色，Toner-Rodgers的研究发现，科学家们的工作时间分配发生了剧烈转变：创意生成所占工作时间比例从 39% 降至 16%，而判断性任务所占比例则从 23% 升至 40%，与以往的技术进步一样。关于人工智能的争论往往围绕着自动化与增强之间，即人工智能会取代工作还是增强人类的工作。虽然关于人工智能驱动的劳动力变化的具体数据仍然有限，但研究正在揭示人们如何看待其对就业的影响。\\n\\n使用人工智能提高生产效率的分布情况资料来源：Neula 等，2024年 图 2025 年人工智能指数报告\\n\\n罗马尼亚的调查数据表明，人们对人工智能在劳动力规模上的影响持多样化预期，其中 43%的组织预计劳动力规模将减少，30%预计变化不大，15%预计将增加，12%对长期影响持不确定态度，麦肯锡对高管的调查显示，31%的受访者预计人工智能将减少劳动力规模，而仅有 19%预计将增加（图 4.4.12），尽管有人声称生成式人工智能将提高软件工程师的生产效率，但调查结果表明软件工程师的人数预计将增加，与杰文斯悖论一致。值得注意的是，预测劳动力减少的比例比去年有所下降，这表明企业领导人越来越不相信人工智能会减少组织劳动力（图 4.4.13）。\\n\\n* * *\\n\\n第四章：经济\\n4.4 企业活动\\n\\n2025年人工智能指数报告\\n\\n未来 3 年（2024 年）生成式人工智能对企业员工队伍的预期影响科来源：美青格公司官网，2024-1 图表：2025 年人工智能指数报告\\n\\n总体情况\\n8% 9% 14% 38%\\n少于 10-20\\n增加 11-20\\n增加 >20\\n企业人才流失没有变化不和谐\\n\\n服务业务\\n15% 17% 16% 19%\\n7% 4% 10% 12%\\n\\n营销和销售\\n10% 12% 9% 38%\\n7% 8% 8% 11%\\n\\n供应链/库存管理\\n10% 10% 9% 15% 15% 4% 10% 9%\\n\\n制造业\\n8% 15% 18% 20% 30% 7% 11%\\n\\n人力资源\\n8% 14% 24% 26% 18% 5% 4% 13%\\n\\n软件工程\\n8% 9% 11% 25% 11% 11% 10% 15%\\n\\n产品和/或服务开发\\n7% 7% 9% 33% 10% 10% 8% 10%\\n\\n战略和企业财务\\n7% 13% 11% 20% 17% 5% 8% 9%\\n\\n风险：法律和合规\\n6% 17% 14% 25% 12% 8% 15%\\n\\n信息技术\\n5% 10% 11% 21% 17% 15% 9% 14%\\n\\n0% 20% 40% 60% 80% 100%\\n\\n受访者百分比\\n\\n图4.4.12\\n\\n目录第四章预览\\n270\\n\\n* * *\\n\\n第四章：经济\\n4.4 企业活动\\n\\n2025年人工智能指数报告\\n\\n未来 3 年（2023 年与 2024 年）人工智能对企业员工队伍预期影响的对比资料来源：美育锦公司调查，2023-2024年 图表：2025 年人工智能指数报告\\n\\n员工人效变化：\\n增加 >20\\n\\n> 20%\\n> 增加 11-20\\n> 5%\\n> 增加 3-10\\n> 10%\\n> 变化不大或没有变化\\n> 31%\\n> 减少 3-10\\n> 14%\\n> 6-10%\\n> 减少 11-20\\n> 8%\\n> <5%\\n> 减少 >20\\n> 12%\\n\\n统计有重要影响的人员比例\\n2024\\n2023\\n\\nDon't know\\n11%\\n8%\\n\\n不知道0% 不知道\\n10% 20% 30% 40% 50%\\n\\n图4.4.13\\n\\n目录第四章预览\\n271\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第四章：经济\\n4.5 部署机器人\\n\\n配备人工智能软件技术的机器人部落为人工智能就绪基础设场的实际应用提供了窗口。本章节内容基于国际机器人联合会（IFR）的数据，IFR是一家致力于推动机器人产业发展的非营利组织，该组织每年发布《世界机器人报告》，图路全球机器人安装趋势。11\\n\\n4.5 机器人部署总体趋势下一节包括有关工业机器人安装和操作的数据，工业机器人的定义是“一种自动控制、可重新编程的多用途机械手，可编程三轴或多轴，可固定在原地或移动，用于工业自动化应用”。\\n\\n图4.5.1 按年份列出了全球安装的工业机器人总数，2023年，工业机器人安装量略有下降，为54.1万台，比2022年减少了2.2%。这是自2019年以来首次出现同比下降。\\n\\n2012-2023 年全球安装的工业机器人数量资料来源：麦肯顿公司调查。2024 图表：2025 年人工智能指数报告\\n\\n图4.5.1\\n\\n11. 由于《国际财务报告准则》报告的时间原因，最新数据来自2023年，《国际财务报告准则》都会重新审查前几率收集的数据，如果有更准确的数据，偶尔也会更新数据。因此，今年报告中某些数据可能与往年的数据略有不同。\\n\\n目录第四章预览\\n272\\n\\n* * *\\n\\n第四章：经济\\n4.5 部署机器人\\n\\n2025年人工智能指数报告\\n\\n到 2023 年，全球工业机器人保有量将从 2022 年的 390.4 万台增至 428.2 万台(图 4.5.2)。自 2012年以来，工业机器人的安装量和使用量都在稳步增长。\\n\\n2012-2023 年全球工业机器人运行保有量资料来源：国际机器人联合会（IPR），2024 图表：2025 年人工智能指数报告\\n\\n4,262\\n工件机器人数量（千台）\\n2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023\\n\\n图4.5.2\\n\\n目录 第四章预览 273\\n\\n* * *\\n\\n第四章：经济\\n\\n4.5 部署机器人\\n\\n工业机器人：传统机器人与协作机器人\\n\\n传统工业机器人与协作机器人存在本质区别：前者用于替代人工操作，后者则专为人机协同作业而设计。12机器人学界对协作机器人展现出日益浓厚的研发热情，因其具备四大核心优势——操作安全性、工作灵活性、系统可扩展性以及迭代\\n\\n学习能力。图 4.5.3 展示了全球工业机器人按类型的安装数量统计。数据显示，协作机器人在新增工业机器人安装量中的占比呈现显著增长：2017 年仅占 2.8%，至 2023 年已提升至\\n10.5%，增幅达 7.7 个百分点。\\n\\n2017-2023 年按类型划分全球安装的工业机器人数量资料来源：国际机器人联合会（IFR），2024\\\\| 图表：2025 年人工智能指数报告\\n\\n12、有关国际机器人联合会定义协作机器人的更多详情，请访问。\\n\\nF9H9E\\n\\n* * *\\n\\n第四章：经济\\n\\n4.5 部署机器人\\n\\n按地理区域划分\\n\\n各国工业机器人安装量数据能够反映不同经济体对机器人技术应用的重视程度。2023 年度统计显示，中国以 276,300\\n台的工业机器人安装量位居全球首位，分别达到日本（46,100\\n\\n2023 年按地理区域划分的工业机器人安装数量\\n\\n台）的 6 倍和美国（37,600 台）的 7.3 倍（图 4.5.4）。韩国与德国分类其后，安装量分别为 31,400 台和 28,400 台。\\n\\n资料来源：国际机器人联合会（IFR），2024\\\\| 图表：2025 年人工智能指数报告\\n\\n已安装的工业机器人数量（千台）\\n\\n* * *\\n\\n第四章：经济\\n\\n4.5 部署机器人\\n\\n自 2013 年超越日本成为全球最大工业机器人应用市场以来，中国持续扩大其领先优势。数据显示，中国工业机器人安装量在全球总量的占比从 2013 年的 20.8% 大幅提升至 2023 年的 51.1%（图 4.5.5）。\\n\\n2021-2023 年前 5 位国家新安装的工业机器人数量\\n\\n资料来源：国际机器人联合会（IFR），2024\\\\| 图表：2025 年人工智能指数报告\\n\\n* * *\\n\\n第四章：经济\\n\\n4.5 部署机器人\\n\\n2021 年以来，中国工业机器人年度安装量持续超过全球其他地区的总和。尽管 2023 年这一领先优势较 2022 年有所收窄（图\\n4.5.6），但同比增速的放缓并未动摇中国在全球工业机器人应用市场的绝对主导地位。\\n\\n2016-2023 年中国与世界其他地区工业机器人安装数量资料来源：国际机器人联合会（IFR），2024\\\\| 图表：2025 年人工智能指数报告\\n\\n资料来源：国际机器人联合会（IFR），2024\\\\| 图表：2025 年人工智能指数报告\\n\\nF9H9I\\n\\n* * *\\n\\n第四章：经济\\n\\n4.5 部署机器人\\n\\n国际机器人联合会报告显示，2022 至 2023 年间全球仅七个国家的工业机器人安装量实现同比增长（图 4.5.7）。其中，\\n印度以 59% 的增速位居榜首，英国（51%）与加拿大（37%）分\\n\\n2022 年与 2023 年各地区工业机器人安装量的年增长率对比资料来源：国际机器人联合会（IFR），2024\\\\| 图表：2025 年人工智能指数报告\\n\\n类二三位。与此同时，中国中国台湾地区出现 43% 的显著下滑，法国下降 13%，日本与意大利均录得 9% 的负增长。\\n\\n已安装工业机器人的年增长率\\n\\nF9H9L\\n\\n* * *\\n\\n第四章：经济\\n\\n4.5 部署机器人\\n\\n服务机器人的国家级数据\\n\\n另一重要机器人类别是服务机器人。根据国际标准化组织部RbX都的定义，服务机器人指 \\\" 为人类或设备执行有益任务，且不包含工业自动化应用的机器人系统 \\\"。此类机器人可应用于医疗环境及专业清洁等场景。BE\\n\\n2023 年度数据显示，除医疗机器人外，所有应用类别的服务机器人安装量均较 2022 年实现增长（图 4.5.8）。其中，农业领域服务机器人安装量增长至 2.5 倍，酒店服务业安装量达\\n2.2 倍，呈现显著上升趋势。\\n\\n2022 年与 2023 年按应用领域划分的全球服务机器人安装数量对比\\n\\n资料来源：国际机器人联合会（IFR），2024\\\\| 图表：2025 年人工智能指数报告\\n\\n12、更详细的定义可查阅 这里 。\\n\\n* * *\\n\\n第五章：\\n科学与医学\\n\\n* * *\\n\\n第五章: 科学与医学\\n\\n概述 282\\n章节要点 283\\n5.1 重要的医学和生物人工智能里程碑 285\\n蛋白质序列优化 285\\nAviary 286\\nAlphaProteo 287\\n人类大脑图谱 287\\n人工智能虚拟实验室 288\\nGluFormer 289\\nEvolutionary Scale Modeling v3\\n\\n(ESM3) 289\\nAlphaFold 3 290\\n5.2 中心法则 291\\n蛋白质序列分析 291\\n人工智能驱动的蛋白质序列模型 291\\n蛋白质科学公共数据库 293\\n研究与论文发表趋势 294\\n人工智能驱动的蛋白质科学的论文统计 294\\n图像和多模态人工智能促进科学发现 295\\n5.3 临床诊疗：影像学领域 296\\n数据：来源、类型和需求 296\\n先进建模方法 298\\n5.4 临床诊疗：非影像领域 300\\n临床知识 300\\nMedQA 300\\n重点：人工智能医生和成本效益考虑 301\\n医疗大语言模型性能评估 302\\n概述 302\\n\\n大语言模型在临床诊断推理中的应用 304\\n重点：大语言模型对诊断推理的影响 304\\n管理性推理和患者护理决策 304\\n重点：GPT-4 辅助临床管理任务的效果评估 305\\n环境型人工智能语音助手 306\\n部署、实施与撤除 308\\nFDA 对人工智能医疗设备的批准 308\\n成功应用案例：斯坦福医疗系统 308\\n外周动脉疾病筛查 309\\n健康社会决定因素 310\\n从电子健康档案和临床记录中提取\\nSDoH 310\\n医疗领域的人工智能应用与SDoH的整合 311\\n合成数据 311\\n临床风险预测 311\\n药物发现 312\\n数据生成平台 312\\n电子健康档案系统 313\\n临床决策支持 315\\n5.5 伦理考量 317\\n元分析 317\\n5.6 科学领域的人工智能基础模型 320\\n重点： 标志性的模型发布 320\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第五章：\\n科学与医学\\n\\n概述\\n\\n本章节探讨了人工智能驱动的科学和医学的主要趋势，反映了该技术在这些领域日益增长的影响力。本章节首先介绍了 2024 年人工智能的重要里程碑，随后分析了人工智能在蛋白质折叠这一重要科学进步领域的应用。本章节随后探讨了人工智能在临床医疗中的作用，包括成像和非成像应用。这包括回顾新语言模型中的临床知识能力、人工智能系统的诊断和临床管理能力、人工智能在医学中的实际应用、合成数据应用以及健康的社会决定因素。最后，本章节以探讨人工智能医学研究的伦理趋势作为结尾。本章节由 RAISE Health（Responsible AI for Safe and Equitable Health）编写，该机构由斯坦福大学医学院和斯坦福大学以人为本人工智能研究所（HAI）合作成立。自\\n2023 年启动以来，RAISE Health一直致力于推动负责任的人工智能在生物医学研究、教育和患者护理方面的创新，重点是确保这些技术惠及每个人。\\n\\n促进合作研究和知识共享是 RAISE Health 的核心使命。作为这一承诺的一部分，\\nRAISE Health 与人工智能指数指导委员会合作，将该小组的关注点扩大到科学和医学的关键发展。2024 年，这一合作产生了关于科学和医学的首章，重点介绍了斯坦福大学及其他大学在人工智能方面取得的重大进展。在此基础上，RAISE Health 教职研究委员会成员、斯坦福大学医学院教师、博士后研究员以及医学院和工程学院的本科生为 2025 年的章节做出了贡献。\\n\\n目录第五章预览\\n282\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第五章：\\n科学与医学\\n\\n章节要点\\n\\n1. 更先进的大规模蛋白质测序模型问世。2024年，包括ESM3 和 AlphaFold 3 在内的多个高性能大规模蛋白质测序模型相继推出。随着时间的推移，这些模型的规模显著扩大，使得蛋白质预测准确率不断提高。\\n\\n2. 人工智能持续推动科学发现的飞速发展。人工智能在科学进步中的作用不断扩大。2022 至 2023 年仅是人工智能！驱动科研突破的初始阶段，而 2024 年出现更具突破性的进展，包括训练大语言模型智能体执行生物任务的 Aviary，以及显著增强野火预测能力的 FireSat。\\n\\n3. 主流大语言模型的临床知识水平持续提升。OpenAI 最近发布的 o1 在 MedQA 比较基准中创下了 96.0% 的新纪录，比 2023 年公布的最佳成绩提高了 5.8%。自 2022 年末以来，该测试性能已累计提升 28.4%。作为评估临床知识的重要比较基准，MedQA 可能正接近性能饱和，预示着需要更具挑战性的评估。这表明需要建立更具挑战性的评估体系。\\n\\n4. 人工智能在关键临床任务中的表现优于医生。一项新的研究发现，在诊断复杂的临床病例时，无论是有人工智能还是没有人工智能，仅 GPT-4 就能胜过医生。最近的其他研究表明，人工智能在癌症检测和识别高死亡率风险患者方面超过了医生。不过，一些初步研究表明，人工智能与临床医生的协同诊疗可产生最优结果，这一发现值得作为重点领域开展深入研究。\\n\\n5. 美国食品及药物管理局（FDA）批准的人工智能医疗设备数量激增。美国食品药品监督管理局于 1995 年批准了首款人工智能医疗设备。截至 2015 年，仅有 6 款此类设备获批，但这一数字到 2023 年激增至 223 款。\\n\\n6. 合成数据在医学领域展现出巨大潜力。2024 年发布的研究表明，人工智能生成的合成数据可以帮助模型更好地识别健康的社会决定因素，加强保护隐私的临床风险预测，并促进新药化合物的发现。2024 年最新研究表明，人工智能生成的合成数据可有效提升模型对健康社会决定因素的识别能力，优化隐私保护型临床风险预测，并促进新药化合物的发现。\\n\\n\\n目录第五章预览\\n283\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第五章：\\n科学与医学\\n\\n章节要点（续）\\n\\n7. 医学人工智能伦理研究文献逐年增加。从2020年到2024年，医学人工智能伦理方面的论文数量几乎翻了两番，从2020年的\\n 288篇增加到2024年的1031篇。\\n\\n8. 基础模型进入医学领域。2024年，一大波大型医学基础模型发布，涵盖从Med-Gemini等通用多模态模型，到面向特定专科的\\n EchoCLIP(超声心动图)、视觉FM(眼科)及ChexAgent(放射科)等专用模型。\\n\\n9. 公共蛋白质数据库规模不断扩大。自2021年以来，主要公共蛋白质科学数据库的条目数量显著增长，其中包括UniProt（增长\\n 31%）、PDB(增长23%)及AlphaFold(激增585%)。这一扩展对科研发现具有重要影响。\\n\\n10. 人工智能研究获得两项诺贝尔奖，2024年，人工智能驱动的研究获得了最高荣誉，两项与人工智能相关的突破获得了诺贝尔奖。谷歌DeepMind的德米斯·哈萨比斯(Demis Hassabis)和约翰·朱珀(John Jumper)凭借AlphaFold在蛋白质折叠方面的开创性工作获得了诺贝尔化学奖。与此同时，约翰·霍普菲尔德(John Hopheld)和杰弗里·辛顿(Geoffrey Hinton)因其在神经网络方面的奠基性贡献获得了诺贝尔物理学奖。\\n\\n\\n目录第五章预览\\n284\\n\\n* * *\\n\\n第五章：科学与医学\\n5.1 重要的医学和生物人工智能里程碑\\n\\n本章节节重点介绍了2024年由RAISE健康人工智能指数指导委员会选出的与人工智能相关的重大医学和生物学突破。\\n\\n5.1 重要的医学和生物人工智能里程碑\\n\\n蛋白质序列优化大语言模型优化蛋白质序列\\n\\n大语言模型近期意外展现出蛋白质序列优化的新生物学能力。传统蛋白质工程需要通过大量实验室研究来优化序列以提升功能，而最新研究发现，未经微调的大语言模型在此任务上表现出惊人成效——这项隐藏能力在Llama-3.1-8B-Instruct\\n的适配版本中得到验证。\\n\\n研究人员采用定向进化方法证实，大语言模型生成的蛋白质序列在合成与实验适应性场景中均优于传统算法（图5.1.1）。该研究以最大化适应值为目标（更高分值代表更优性能），将提出方法的适应分值与默认进化算法（EA）进行对比。1结果显示，这种优化能力不仅适用于单目标任务，还可扩展至预算受限的约束性及多目标场景。这一突破性发现揭示了前沿大语言模型的涌现特性，预示着随着通用模型的持续进化，其对科学领域的影响将不断深化。\\n\\n适合度优化的单目标优化结果资料来源：Wang等，2024\\n\\nDataset Method Population × iteration Fitness score Top 1 Top 10 Top 50\\nGB1 EA 32+4 5.381±1.77 3.81±1.10 2.31±0.71 48+4 48+4 48+4 48+4 48+4 48+4 48+4 48+4 48+4 48+4 48+4 48+4 48+4 48+4 48+4 48+4 48+4 48+4 48+4 48+4 48+\\nOurs 32+4 4.34±0.56 3.72±0.53 2.17±0.17 49+4 49+4 49+4 49+4 49+4 49+4 49+4 49+4 49+4 49+4 49+4 49+4 49+4 49+4 49+4 49+4 49+4 49+4 49+4 49+4 49+\\nTrpB 32+4 0.20±0.18 0.14±0.12 0.07±0.05 0.13±0.05 0.13±0.05 0.13±0.05 0.13±0.05 0.13±0.05 0.13±0.05 0.13±0.05 0.13±0.05 0.13±0.05 0.13±0.05\\nOurs 32+4 1.20±0.26 1.20±0.26 1.20±0.26 1.20±0.26 1.20±0.26 1.20±0.26 1.20±0.26 1.20±0.26 1.20±0.26 1.20±0.26 1.20±0.26 1.20±0.26\\nOurs 32+4 0.60±0.10 0.50±0.07 0.35±0.07 0.35±0.07 0.35±0.07 0.35±0.07 0.35±0.07 0.35±0.07 0.35±0.07 0.35±0.07 0.35±0.07\\nOurs 32+4 0.78±0.20 0.60±0.16 0.39±0.16 0.39±0.16 0.39±0.16 0.39±0.16 0.39±0.16 0.39±0.16 0.39±0.16 0.39±0.16 0.39±0.16\\n\\nSys-3bto EA 32+4 0.57±0.21 0.44±0.11 1.35±0.17 0.35±0.17 0.35±0.17 0.35±0.17 0.35±0.17 0.35±0.17 0.35±0.17 0.35±0.17 0.35±0.17 0.35±0.17 0.35±0.17\\nOurs 32+4 1.85±0.47 1.10±0.28 0.07±0.28 0.07±0.28 0.07±0.28 0.07±0.28 0.07±0.28 0.07±0.28 0.07±0.28 0.07±0.28 0.07±0.28 0.07±0.28\\nOurs 32+4 2.51±0.25 1.33±0.14 0.28±0.28 0.28±0.28 0.28±0.28 0.28±0.28 0.28±0.28 0.28±0.28 0.28±0.28 0.28±0.28 0.28±0.28 0.28±0.28\\nOurs 32+4 2.83±0.20 2.02±0.36 0.06±0.09 0.06±0.09 0.06±0.09 0.06±0.09 0.06±0.09 0.06±0.09 0.06±0.09 0.06±0.09 0.06±0.09 0.06±0.09\\nAAV EA 32+4 0.54±0.00 0.40±0.01 0.32±0.00 0.32±0.00 0.32±0.00 0.32±0.00 0.32±0.00 0.32±0.00 0.32±0.00 0.32±0.00 0.32±0.00 0.32±0.00\\nOurs 32+4 0.75±0.01 0.71±0.01 0.64±0.02 0.64±0.02 0.64±0.02 0.64±0.02 0.64±0.02 0.64±0.02 0.64±0.02 0.64±0.02 0.64±0.02\\nGFP EA 32+4 0.43±0.13 0.21±0.21 0.12±0.01 0.12±0.01 0.12±0.01 0.12±0.01 0.12±0.01 0.12±0.01 0.12±0.01 0.12±0.01 0.12±0.01\\nOurs 32+4 0.96±0.02 0.94±0.01 0.88±0.03 0.88±0.03 0.88±0.03 0.88±0.03 0.88±0.03 0.88±0.03 0.88±0.03 0.88±0.03 0.88±0.03 0.88±0.03\\nOurs 32+4 0.96±0.02 0.94±0.01 0.88±0.03 0.88±0.03 0.88±0.03 0.88±0.03 0.88±0.03 0.88±0.03 0.88±0.03 0.88±0.03 0.88±0.03\\n\\n1. 进化算法（EA）在计算机程序中模拟生物进化的关键环节，通过寻找近似和答案来解决问题，特别是在没有精确或完全令人满意的解决方案的问题。\\n\\n* * *\\n\\n第五章：科学与医学\\n5.1 重要的医学和生物人工智能里程碑\\n\\nAviary\\n\\n面向生物任务的大语言模型智能体训练随着人工智能系统在科研应用领域日益发挥重要作用，如何设计能够调用工具进行复杂推理任务的语言模型成为关键挑战。Aviary 研究平台提出了一个结构化训练框架，专门针对三项高难度生物科学任务：DNA操作（用于分子克隆）、科研问题解答（通过检索科学文献）以及蛋白质稳定性工程。图 5.1.2对比了不同模型在 Aviary 各实验环境中的表现数据，结果显示：与未接入实验环境的 Claude 3.5 Sonnet 基线模型相比，\\n\\n集成在 Aviary 智能体框架内的模型在几乎所有任务中都表现更优，本研究证实：（1）尽管通用大语言模型能胜任多数科研任务，但结合领域专家知识进行微调的模型往往能获得更优结果；（2）人工智能驱动的科研进程不仅可以通过扩大模型规模来加速，更可通过与外部工具的交互实现突破——这种能力现已被学界统称为“智能体化人工智能(agentic AI)”。\\n\\n大语言模型及语言智能体在Aviary环境中的任务解决性能表现资料来源：Narayanan 等，2024 图表：2025 年人工智能指数报告\\n\\nClaude 3.5 Sonnet\\nGPT-4o El agent\\nClaude 3.5 Sonnet agent\\nLlama 3.1 8B El agent\\nClaude 3.5 Sonnet agent pass @16\\nLlama 3.1 8B El agent majority vote @32\\n\\nGSM8K\\nhotpotQA\\nSeqQA\\nLitQA2\\n蛋白质稳定性\\n\\n图 5.1.2\\n\\n目录第五章预览\\n286\\n\\n* * *\\n\\n第五章：科学与医学\\n5.1 重要的医学和生物人工智能里程碑\\n\\n2025年人工智能指数报告\\n\\nAlphaProteo\\n人工智能驱动的新型高亲和力蛋白结合剂开发\\nAlphaProteo 是 Google DeepMind 研发的专注于设计新型高亲和力蛋白质结合剂的模型，这些结合剂能够特异性附着于目标分子。如图 5.1.3 所示，该模型已成功为七种靶蛋白预测并构建了结合蛋白结构。在多个靶点（包括与癌症和糖尿病相关的 VEGF-A 蛋白）上，AlphaProteo 实现了全球首个蛋白质结合剂的设计。经测试，该工具在七种靶蛋白上设计的结合剂效能显著超越现有最优方案——研究团队评估部分结合剂的效能可达当前同类产品的 300 倍。针对病毒蛋白 BHRF1，在\\nDeepMind 湿实验室测试中，其设计结合剂的成功结合率高达\\n88%。基于已测试靶点的数据显示，AlphaProteo 设计的结合剂结合强度约为现有顶级设计方法的 10 倍，标志着生物工程领域的重大突破。目前该模型已应用于药物研发、诊断技术和生物技术等领域。\\n\\n人类大脑图谱人类大脑微区的突触级重建谷歌 Connectomics 项目的一个研究团队，已经在突触层级重建了人脑中一立方毫米的区域——《Wired》杂志称其为\\n“这迄今为止最为详细的大脑连接图谱”，该样本取自一名癫痫患者在接受手术时被切除的左前额叶区域，利用多束扫描电子显微镜进行成像。研究人员通过超过 5,000 张超薄切片（每张厚度为 30 纳米）记录了大约 57,000 个细胞——包括神经元、胶质细胞和血管——以及 1.5 亿个突触。图 5.1.4 展示了重建\\n\\n成果：左侧为兴奋性神经元，右侧为抑制性神经元。为了处理这一海量数据集，团队开发了多项机器学习工具，例如洪泛填充网络（用于无需人工插绘的神元重建）、SegCLR（用于细胞类型识别）以及 TensorStore（用于多数据集的管理）。该数据集已通过 Neuroglancer（一个基于网页的探索工具）和其注释精化扩展工具 CAVE 向公众开放。这一项目在理解神经回路方面迈出了重要一步，来有望为神经疾病的治疗提供关键启示。\\n\\n三维脑图图像原料来源：谷歌研究院2024\\n图 5.1.4\\n\\n目录第五章预览\\n287\\n\\n* * *\\n\\n第五章：科学与医学\\n5.1 重要的医学和生物人工智能里程碑\\n\\n2025年人工智能指数报告\\n\\n人工智能虚拟实验室人工智能虚拟实验驱动生物医学研究突破人工智能在科学研究中的角色正从被动工具转变为主动合作者。斯坦福大学最近发布的一项研究提出了一个虚拟 AI\\n实验室，多个具备专长的人工智能科学家（本质上为大语言模型）在其中协同工作，彼此之间以智能体的形式开展研究。人工智能在科学研究中角色正从被动工具转变为主动合作者。斯坦福大学最近发布的一项研究提出了一个虚拟 AI 实验室，多个具备专长的人工智能科学家（本质上为大语言模型）在其中协同工作，彼此之间以智能体的形式开展研究。\\n\\n该虚拟实验室参照计算生物学实验室的架构组建，由以下成员构成：一名首席研究员(PI)，一个科学评审人工智能系统，以及三位分别专攻免疫学、计算生物学和机器学习的学科专家（图5.1.5）。首席研究员模型负责创建这些专家，并指导研究流程。在研究过程中使用了 AlphaFold 与 Rosetta 等蛋白质设计工具。但本研究的真正意义不仅在于具体成果，更在于它展示了一个完全由大语言模型驱动的实验室也能够产生有意义的科学发现。\\n\\n基于人工智能的实验室工作流程资料来源：FreeThinkFreeThink2025\\n图5.1.5\\n\\nImmunologist\\nTitle, Expertise, Goal, Role\\n\\nMachine Learning Specialist\\nTitle, Expertise, Goal, Role\\n\\nComputational Biologist\\nTitle, Expertise, Goal, Role\\n\\nPrincipal Investigator\\nTitle, Expertise, Goal, Role\\n\\nHuman User\\n\\nScientific Critic\\nTitle, Expertise, Goal, Role\\n\\n目录第五章预览\\n288\\n\\n* * *\\n\\n第五章：科学与医学\\n5.1 重要的医学和生物人工智能里程碑\\n\\nGluFormer\\n人工智能辅助持续血糖监测\\nGluFormer是由疾病传达特拉维夫研究所、魏茨曼研究所及其他机构联合开发的基础模型，能够对连续血糖监测数据进行分析，并预测长期健康趋势。该模型在超过1,000万条血糖记录上进行训练，数据来源于近11,000名个体，其中大中数并未患有糖尿病。它能够提前预测长达四年的健康变化轨迹，例如识别出有发展为糖尿病或血糖控制恶化风险的人群，甚至在症状尚未出现之前，在一项长达12年、涉及580名成人的研究中，\\nGluFormer成功预测了66%的新发糖尿病病例，并在心血管相关死亡的高风险组中准确识别出69%的死亡病例，该模型的预测结果已在五个国家的19个独立人群样本中进行了验证，样本总数达6,044人，涵盖多种健康状况。GluFormer\\n通常优于现有基于血糖监测的标准指标，如血糖管理指标\\n(GM1)（图5.1.6），从短期与长期来看，GluFormer等模型有望将糖尿病治疗从被动应对转变为主动预防，推动更早期的临床干预。\\n\\nEvolutionary Scale Modeling v3 (ESM3)\\n模拟进化过程生成新型蛋白质\\nEvolutionaryScale 公司推出的ESM3模型是一项突破性研究，旨通过模拟生物进化过程来生成新型蛋白质。该模型使用了27.8亿条蛋白质序列进行训练，拥有980亿个参数，和许多人工智能模型一样，ESM3提供小型、中型和大型版本，并可通过API或合作平台获取，ESM3的一项标志性成果是设计出一种新型的绿色荧光蛋白esmGFP，据该公司估计，自然界若通过演化生成该蛋白，将需耗费约五亿年时间。该成果是在人工推理引导下完成的。图5.1.7展示了不同规模\\nESM3模型在满足原子结构协调性提示下生成蛋白质的表现。研究结果表明，模型规模越大，完成的任务数量也越多，ESM3\\n已开放源代码与数据，有助于推动合成生物学与蛋白质工程领域的协作研究，应用前景包括药物开发、材料科学与环境工程。\\n\\nGluFormer与血糖管理指标的对比研究资料来源：Luthor等，2024\\n\\n基于原子坐标提示的蛋白质生成任务中ESM3模型的评估资料来源：ESM3，2024图表：2025年人工智能数据报告\\n\\n目录第五章预览\\n289\\n\\n* * *\\n\\n第五章 : 科学与医学\\n\\n5.1 重要的医学和生物人工智能里程碑\\n\\nAlphaFold 3\\n\\n预测所有生命分子的结构和相互作用\\n\\n谷歌与 Isomorphic Lab 联合推出的 AlphaFold 3 是\\nAlphaFold 系列的最新进展，其功能已超越蛋白质结构预测，能够更精确地模拟蛋白质与关键生物分子之间的相互作用，包括\\nDNA、RNA、小分子配体与抗体。图 5.1.8 展示了 AlphaFold 3\\n在预测蛋白质 \\\\- 小分子配体结合准确性上的表现，并与其他领先对接工具（如 Vina 与 Gnina）进行比较。图中以预测结果中埃均方根偏差（RMSD）低于 2Å 为准，这一数值是评价对接精\\n\\n度（docking accuracy）的重要指标。2 3 AlphaFold 3 的性能可与此前的最先进方法相媲美，且在结合位点已被预先设定的情况下表现尤为出色，即对接算法事先获得了小分子（配体）预计结合的蛋白质特定区域的信息。通过对小分子与蛋白质之间相互作用的建模，AlphaFold 3 能够加速药物研发过程，这对于疾病研究具有重要意义。此外，AlphaFold 3 的开源性质也赋予了全球科研人员更大的能力与自由。\\n\\nAlphaFold 3 与基线方法在蛋白质-配体对接中的比较\\n\\n资料来源：ESM3, 2024\\\\| 图表：2025 年人工智能指数报告\\n\\n2、像 Vina 这样的对接工具是一种用于分子对接的计算程序，分子对接是一种预测小分子（如药物）如何与目标蛋白质相互作用的过程。这些工具可以帮助科学家模拟并直观地看到分子如何与蛋白质的活性位点结合，这在药物发现中至关重要。\\n\\n图 5.1.8\\n\\n3、该图表：使用两种深浅不同的条形图来表示分子对接预测的不同准确率标准。浅色条表示均偏差（RMSD）低于 2 Å 的对接结果的百分比，这意味着预测的姿势在结构上是准确的。深色条应用了更严格的标准，显示了不仅 RMSD 值在 2 Å 以内，而且在结合口袋内定位正确（PB-valid）的预测结果比例。这种区别突出了一般对接准确率与更精确、更具有生物相关性的结合预测之间的差异。\\n\\n* * *\\n\\n第五章 : 科学与医学\\n\\n5.2 中心法则\\n\\n人工智能已深刻变革了众多科学领域，其中蛋白质科学是受影响最为显著的学科之一。理解蛋白质序列是生物学研究的基础，这对药物研发、合成生物学和疾病研究都具有深远影响。近期人工智能技术的突破使科学家能够以前所未有的精度分析预测蛋白质功能、结构和相互作用。随着该领域的发展，这些技术进步将对医疗健康、生物技术和监管体系产生重大影响。本节将重点介绍过去一年人工智能驱动的蛋白质分析领域的关键进展，主要聚焦公共数据库建设、研究趋势演变以及新兴政策考量等三个方面。\\n\\n5.2 中心法则\\n\\n蛋白质序列分析\\n\\n人工智能驱动的蛋白质序列模型\\n\\n过去一年中，人工智能在蛋白质序列分析方面取得了显著进展。大规模的机器学习模型提升了我们对蛋白质属性的预测能力，推动了结构生物学与分子工程的研究进程。如前所述，多个具有代表性的蛋白质序列建模系统——包括\\nAlphaFold、ESM2 与 ESM3——已相继发布。\\n\\nESM3 模型融合了多模态输入，包括序列、结构与相互作用数据，其更大的参数规模也提升了模型的代表性与预测精度。随着 ESM 系列模型规模的扩大，\\n其蛋白质预测性能不断提高。例如，2024 年发布的新一代模型 ESM C 在结构预测权威评估（CASP15）中表现出更高的预测准确率（图 5.2.1）。\\n\\n新兴结构预测成果，CASP15\\n\\n资料来源：EvolutionaryScale，2024\\n\\n图 5.2.1\\n\\n* * *\\n\\n第五章 : 科学与医学\\n\\n其他重大进展，如，ProGen ，是一款生成式人工智能模型，\\n已展示出设计功能性蛋白质序列的能力，凸显了人工智能辅助蛋白质工程的潜力。与此同时，基于 Transformer 架构的模型（ 如 ProtT5）利用深度学习技术，仅从序列数据中即可预测蛋白质功能与相互作用，推动了计算生物学的发展。图 5.2.2\\n\\n展示了按发布时间排列的多个关键蛋白质序列模型及其参数规模。如上文所示，研究趋势正朝着训练数据集不断扩大的超大规模模型发展。这些 人工智能驱动的方法正在重塑蛋白质科学，减少了对成本高昂且耗时的实验方法的依赖，使蛋白质功能与设计的探索更加高效。\\n\\n2020-2024年蛋白质序列模型规模\\n\\n资料来源：RAISE Health, 2025\\\\| 图表：2025 年人工智能指数报告\\n\\n型号（按发布日期排序）\\n\\n图 5.2.2\\n\\n* * *\\n\\n第五章 : 科学与医学\\n\\n5.2 中心法则\\n\\n蛋白质科学公共数据库\\n\\n公共数据库的扩展在蛋白质科学领域的人工智能应用中起到了关键作用。经过精细整理的大规模数据集，使人工\\n\\n智能模型能够在多样化的生物序列上进行训练，从而增强其预测能力。图 5.2.3 列出了几个关键的蛋白质科学数据库及其发布日期。\\n\\n资料来源：2025年人工智能指数\\n\\n关键蛋白质科学数据库资料来源：2025年人工智能指数\\n\\n| 数据集 | 发布日期 | 说明 |\\n| --- | --- | --- |\\n| 蛋白质数据库(PDB) | 1971 | 一个收录经实验解析的蛋白质结构数据库，是生命科学领域最早的开放数字资源。 |\\n| Pfam | 1995 | 包含蛋白质家族的全面数据库，提供基于隐马尔可夫模型生成的注释与多序列比对。 |\\n| STRING | 2000 | 提供蛋白质相互作用及其进化关系的重要信息资源。 |\\n| UniProt | 2002 | 目前仍是蛋白质序列与功能注释的黄金标准，人工智能辅助的校订提升了其准确性。 |\\n| PDBbind | 2004 | PDB的子集，包含蛋白质与生物分子复合物，如蛋白-配体、蛋白-蛋白、蛋白-核酸等。 |\\n| AlphaFold Database | 2021 | 结构生物学的重要资源，现已整合人工智能模型以预测缺失的实验数据。 |\\n\\n图 5.2.3\\n\\n随着时间的推移，多个蛋白质科学公共数据库的收录条目数量也在持续增长（见图 5.2.4）。人工智能所生成的蛋白质数据不断充实这些数据库，使其成为科研与产业领域不可或缺的工具。然而，保持数据质量与防止人工智能模型中的偏差，仍是持续面临的挑战。\\n\\n2019-2025年公共蛋白质科学数据库的增长情况资料来源：RAISE Health, 2025\\\\| 图表：2025 年人工智能指数报告\\n\\n图 5.2.4\\n\\n* * *\\n\\n研究与论文发表趋势\\n\\n人工智能驱动的蛋白质科学的论文统计\\n\\n人工智能在蛋白质科学研究中的应用正在迅速扩大，这从过去一年 PubMed 与 bioRxiv 上 人工智能驱动研究数量的上升趋势中可见一斑。相关研究涵盖多个关键领域。借助机器学习的发展，蛋白质结构预测变得更加高效，提供了更深层次的结构洞察。人工智能模型如今能够更为准确地从原始序列中推断生化功能，提升了功能预测能力。此外，研究人员还在开发能够预测蛋白质与药物相互作用的 人工智能模型，甚至可以直接\\n\\n2024年蛋白质科学中人工智能驱动研究在生命科学领域所占比例资来源：RAISE Healh 2025 图表：2025 年人工智能指数\\n\\n从头设计能够靶向特定蛋白质的新药。这两项任务对药物发现与开发至关重要。此外，具有新型功能的人工智能生成蛋白质正在不断出现，尤其在酶工程与治疗性应用领域表现突出，标志着合成蛋白质设计迈出了重要一步。图 5.2.5 展示了 2024 年蛋白质科学领域中人工智能驱动研究在整个生命科学领域中的占比。研究最多的主题为功能预测（占\\n8.4%），其次是蛋白质结构预测（占 7.6%）和蛋白质 - 药物相互作用（占 3.0%）。\\n\\n图 5.2.5\\n\\n* * *\\n\\n图像和多模态人工智能促进科学发现\\n\\n冷冻电子显微镜、高通量荧光显微镜和整片切片成像的进展，使科学家能够以极高的精度观察和分析原子级、亚细胞级和组织级结构，从而揭示复杂生物过程中的新见解。为了实现这一目标，研究人员会结合现有的科学知识，对图像中的发现进行解读与情境化分析，以将观察结果与生物功能及疾病关联联系起来。随着高通量显微成像技术的兴起，研究重点日益聚焦于视觉模型、视觉 \\\\- 语言模型，以及更近期发展起来的视觉\\n\\n- 组学基础模型的交叉领域。不同成像技术下的基础模型数量在逐年增长（图 5.2.6）。以光学成像为例，相关模型数量从\\n 2023 年的 4 个增加到 2024 年的 8 个。而在 2023 年，电子显微镜与荧光显微镜方向尚无模型发布，但 2024 年这两个领域均各有 4 个模型问世。总体而言，随着数据的积累与公开，显微成像领域的基础模型数量正持续上升。\\n\\n2023–2024 年不同显微镜技术下的基础模型数量资料来源：RAISE Health, 2025\\\\| 图表：2025 年人工智能指数报告\\n\\n资料来源：RAISE Health, 2025\\\\| 图表：2025 年人工智能指数报告\\n\\n图 5.2.6\\n\\n* * *\\n\\n5.3 临床诊疗：影像学领域\\n\\n数据：来源、类型和需求\\n\\n医学影像中的人工智能发展迅速，正不断扩展至新的数据模态，并尝试解答日益复杂的临床问题。目前，美国食品药品监督管理局QOL所批准的机器学习软件中，有超过 80% 是用于医学图像分析。目前，人工智能主要应用于二维9O图像环境，此类环境中可有效使用传统图像处理架构，例如卷积神经网络（CNN）与 Transformer。然而，尽管该领域已有多个成功案例，许多医学影像中的人工智能应用依旧严重依赖于有限的训练数据集。\\n\\n不超过 10,000 个患者样本。其中较为全面的数据资源是癌症基因组图谱（TCGA），该资源共收录了 11,125 个患者样本，并配有临床注释、基因组测序和蛋白质表达数据，涵盖了 32 种癌症类型。因此，许多组织病理学人工智能模型训练数据不足\\n1,000 个样本，尤其在模型以基因组或蛋白质组数据作为标注标签时更是如此。训练样本有限将导致过拟合风险增加，并降低模型泛化能力。\\n\\n图 5.3.1 展示了美国各州用于训练临床机器学习算法的患者队列分布。数据表明，大部分用于训练深度学习算法的患者数据集中在加州、马萨诸塞州与纽约州，这引发了关于数据集覆盖范围局限性的担忧。\\n\\n2015–2019 年美国各州用于训练临床机器学习算法的患者队列分布\\n\\n资料来源：Kaushal 等, 2020 \\\\| 图表：2025年人工智能指数报告\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n这些数据限制在三维（3D）医学影像领域表现得更加明显。尽管人工智能传统上主要聚焦于二维模态，例如胸部 X 光、组织病理切片和眼底摄影，但近年来，其应用范围已经扩展至三维成像模态，包括计算机断层扫描（CT）、磁共振成像（MRI）以及三维组织病理学分析。三维分析提供了更丰富的数据，使人工智能模型能够从体积结构与复杂表面中学习模式，这些信息在二维切片中往往难以察觉。尽管已经开发出一系列有前景的方法用于分析三维医学图像，但数据限制与实际需求依然存在。目前可公开使用的三维数据集仍非常有限。其中规模较大的包括英国生物样本库（UK Biobank，约 100,000 份 MRI 扫描）与癌症影像档案库 TCIA（约 50,000 项研究）。尽管组织病理学中会常规收集三维样本，但三维成像并未成为标准操作，\\n因此缺乏可公开访问的三维组织病理数据集。此外，标准化问题仍然突出，主要源于病理图像采集过程中的可变性。仪器设定、染色方法及机构间操作流程的差异会引入批次效应，而这些问题在训练数据有限的情况下会进一步加剧。\\n\\n训练高精度的人工智能模型需要大量数据：卷积神经网络（CNN）通常在拥有约 10,000 张标注图像时表现良好，但\\nTransformer 模型则需要数量级更高的数据量。尽管诸如\\nMIMIC-CXR（含 377,000 张 影 像）和 CheXpert Plus（约\\n226,000 张正位放射图像，配有放射报告与患者元数据）等数据集十分重要，但其规模仍远小于 ImageNet（约 1,400 万张图像）。数据完整性与偏差仍是关键挑战。\\n\\n图 5.3.2 展示了不同主流医学语言模型与图像模型的训练数据词元 体量，并与通用文本与图像模型进行对比。例如，\\nGatorTron 是一款面向电子健康档案中非结构化患者信息提取的大型临床语言模型，其训练语料包含 820 亿个词元；相比之下，Llama 3 的训练量达到 15 万亿个词元，约为前者的\\n182 倍。在图像模型方面，RadImageNet 是一个开放的放射学深度学习研究数据集，包含相当于 1,600 万个图像词元；而\\nOpenAI 早期图像生成器 DALL·E 的训练量约为 60 亿词元，\\n相当于前者的 375 倍。\\n\\n医学与非医学语言和图像模型训练所用数据集的词元数量资料来源：RAISE Health, 2025\\\\| 图表：2025 年人工智能指数报告\\n\\n* * *\\n\\n第五章：科学与医学\\n5.3 临床诊疗：影像学领域\\n\\n纵向影像数据对于建模疾病进展具有重要意义，但目前仍明显不足。例如 ADNI 项目（阿尔茨海默病神经影像计划）涵盖约2,000名参与者，研究跨度超过15年，是该类研究的典型代表。然而，可扩展的多模态纵向数据集仍非常罕见。填补这些空白，需要以下措施的结合：注重隐私保护的数据共享策略（如联邦学习(federal learning))、合成数据生成技术以及更完善的注释策略。为了训练和验证稳健的医学影像人工智能模型，必须构建更大规模、更全面、多队列来源的训练数据集。提高高质量、带标签数据的可用性，有望提升模型性能。同时，改善验证实践也将增强对模型的信心，促进其更顺利地应用于临床实践中。\\n\\n先进建模方法图 5.3.3展示了主流的临床医学影像建模方法、每种方法下的重要模型发布，以及各自画临的主要挑战。\\n\\n医学影像建模方法与代表性人工智能模型资料来源：2022年人工智能指数\\n\\n建模方法 代表性模型发布优势挑战扩散模型 1.RoentGen(2022) 生成用于训练、隐私保护与病理特异性增强的合成医学图像，在稳定性与多样性方面优于GAN模型\\n2.RNA-CDM(2023) 数据集偏差、幻觉性伪影、诊断不确定性\\n3.XReal(2024)\\n大型视觉-语言模型 1.CheXagent(2024) 融合医学图像与文本，实现更优的诊断分割与报告自动生成，扩展多模态能力\\n2.Merlin(2024) 数据稀缺、对低资源环境的泛化能力不足、计算需求高\\n3.Med-Gemini(2024)\\n4.PathChat(2024)\\n5.TITAN(2024)\\n6.PRISM(2025)\\n7.BiomedParse(2025)\\n纯二维视觉基础模型 1.CTransPath(2022) 可用于泛癌检测、生物标志物预测与图像分割，减轻注释负担\\n2.Virchow(2024) 领域泛化能力弱、跨模态适应能力有限\\n3.UN(2024) 计算效率与数据集变异性方面存在挑战\\n4.MedSAM(2024)\\n多尺度/切片模型 1.HIPT(2022) 通过分层 Transformer 与图神经网络增强切片图像分析，提升诊断精度与可解释性\\n2.MEGT(2023) 扩展性、计算效率与数据集变异性方面存在挑战\\n3.MG-Trans(2023)\\n4.HIGT(2023)\\n5.Prov-GigaPath(2024)\\n\\n图 5.3.3\\n\\n* * *\\n\\n第五章：科学与医学\\n5.3 临床诊疗：影像学领域\\n\\n2025年人工智能指数报告\\n\\n近年来，基础模型在医学影像领域的应用显著增长。图 5.3.4 按照医学专科对代表性模型进行了分类。值得注意的是，病理学方向的新发布模型数量显著增加，成为增长最为集中的领域之一。\\n\\n医学各专科领域与代表性人工智能模型资料来源：2025年人工智能指数\\n\\n医学专科 代表性发布模型\\n\\n超声心动图学 1.EchoCLIP (2024)\\n脾瘤学 1.MUSK (2025)\\n眼科学 1.RETFound (2023)\\n2.VisionFM (2024)\\n\\n病理学 1.CTransPath (2022)\\n2.CHIEF (2024)\\n3.Prov-GigaPath (2024)\\n4.PathChat (2024)\\n5.TITAN (2024)\\n6.Virchow (2024)\\n7.UNI (2024)\\n\\n放射科 1.RoenGen (2022)\\n2.CheXagent (2024)\\n3.Merlin (2024)\\n4.PRISM (2025)\\n\\n图 5.3.4\\n\\n目录 第五章预览 299\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第五章：科学与医学\\n5.4 临床诊疗：非影像领域\\n\\n5.4 临床诊疗：非影像领域\\n\\n临床知识本节探讨大语言模型及近期人工智能模型在关键医学知识基准测试中的表现。\\n\\nMedQA\\n评估人工智能模型的临床知识表现，需衡量其医学专业水平，尤其是可应用于临床场景的知识。\\nMedQA是一项于 2020 年推出的综合性数据集，源自职业医学考试，包含超过 60,000 道临床问题，旨在挑战医生水\\n\\n平。人工智能在 MedQA 基准测试上的表现已显著提升。微软与 OpenAI 的研究团队近期对模型 o1 进行了测试，其取得了\\n96.0%的最新最优得分，相较 2023 年创下的记录提高了 5.8\\n个百分点（图 5.4.1）。自 2022 年底以来，该基准测试的表现已累计提升 28.4 个百分点。如第二章所述的其他通用知识基准测试一样，MedQA 可能正接近饱和状态，这意味着有必要开发更具挑战性的评估体系。\\n\\nMedQA：测试准确率资料来源：RASE Health, 2025 图表：2025 等人工智能指数报告\\n\\n96.00%，未使用微调\\n81.00%，深度训练\\n\\n图 5.4.1\\n\\n目录第五章预览\\n300\\n\\n* * *\\n\\n第五章：科学与医学\\n5.4 临床诊疗：非影像领域\\n\\n2025年人工智能指数报告\\n\\n重点：\\n人工智能医生和成本效益考虑\\n\\n有研究者指出，评估医学领域的大语言模型不应仅依赖\\nMedQA，应采用涵盖更广泛子领域的基准测试，虽然\\nMedQA 具有一定价值，但若单独使用，可能无法反映真实临床应用中的复杂性，相比之下，采用多项基准可带来更强的临床相关性与更稳健的模型表现评估。\\n\\n2024年，加州大学圣克鲁兹分校，爱丁堡大学与美国国立卫生研究院合作开展了一项更具广度的人工智能医学系统测试研究，该研究评估了五个领先的大语言模型，包括最新开发的 o1 模型（具备“链式推理”功能）。其余模型包括\\nGPT-3.5, Llama 3-8B, GPT-4，以及专门构建的医学模型\\nMeditron-70B。这些模型在 19 个医学数据集上进行了测试，任务涵盖概念识别、文本摘要、基于知识的问答、临床决策支持与医学计算等内容。图 5.4.2展示了五个大语言模型在所有数据集上的平均表现。结果显示，大语言模型的临床知识能力正持续提升，尤其是如 o1 这类具备实时推理能力的新模型，尽管进展显著，但挑战依然存在，包括幻觉问题与多语种表现不一致等。\\n\\n此前的研究成果（已在去年的人工智能指数中引用）表明，像 Medprompt这样的提示策略可以在无需额外微调的情况下，显著提升大语言模型在医学基础测试中的表现。\\nOpenAI 最新发布的 o1 模型借鉴了上述策略中的一些洞见，\\n通过在生成最终回答前引入运行时推理机制，从而增强了模型性能，研究人员发现，即便不使用专门的提示工程技术，\\no1 在医学任务中的表现依然优于结合 Medprompt 的\\nGPT-4 系列模型，然而，他们的分析也强调了 o1 所面临的准确率与成本之间的权衡：尽管其在 MedQA 基准上的得分比使用 Medprompt 的 GPT-4 Turbo 高出 5.8 个百分点，但在计算资源方面，o1 的成本却大约高出 1.5 倍。如图\\n5.4.3所示，该基准测试中的成本与精度呈明显权衡关系。这\\n\\n一现象为临床场景生成式人工智能功能部署的医疗从业者提出了关键考量：必须在性能提升与计算成本之间寻求平衡。\\n\\n选定的大语言模型在医学数据集上的性能表现资料来源 Xie 等，2024 图号：2025 年人工智能数据报告\\n\\n增强型的累托前沿：准确率与成本资料来源 Notary，2024\\n\\n目录第五章预览\\n301\\n\\n* * *\\n\\n第五章：科学与医学\\n5.4 临床诊疗：非影像领域\\n\\n2025年人工智能指数报告\\n\\n医疗大语言模型性能评估概述近年来，对大语言模型在医疗任务中表现的评估兴趣急剧上升。在 PubMed 数据库中搜索“大语言模型”一词，共检索到1,566\\n篇论文，其中仅在 2024 年就发表了1,210篇（图5.4.4）。\\n\\n2019-2024年PubMed收录的有关大语言模型的论文数量资料来源：PAGE Health，2025 图表：2025 年人工智能指数报告\\n1,200\\n1,000\\n800\\n600\\n400\\n200\\n0\\n2019 2020 2021 2022 2023 2024\\n1,210\\n图5.4.4\\n\\n目录 第五章预览 302\\n\\n* * *\\n\\n第五章：科学与医学\\n5.4 临床诊疗：非影像领域\\n\\n2025 年人工智能指数报告\\n\\n2024 年初开展的一项系统性综述识别出超过 500 篇论文，内容聚焦于评估自然语言处理(NLP)在医疗任务中的性能表现，且重点集中于医疗决策支持领域(图 5.4.5)。大多数评\\n\\n估医疗 NLP 系统性能的研究，集中于两类任务：医学知识增强任务(419 篇)和诊断辅助任务(178 篇)。\\n\\n医疗任务、NLP 与 NLU 任务，以及 519 篇研究中的评估维度资料来源：RASE Health, 2025 图表；2025 年人工智能数据报告\\n\\n准确性 全理性 事实性 鲁特性 公平性、确定与有源性评估 显著指标 较差与不确定性\\n\\n增强医学知识 220 91 44 33 16 10 3\\n进行诊断 100 38 11 11 14 4 0\\n向患者传达信息 88 68 33 22 18 3 2\\n提出治疗建议 47 22 9 8 3 1 0\\n与患者沟通 35 29 8 15 22 1 0\\n医疗协调与规划 36 24 5 5 7 1 0\\n分诊患者 24 7 5 2 8 8 0\\n开题文献综述 18 7 3 2 2 2 0\\n综合研究数据 16 7 2 3 2 2 0\\n生成医学报告 8 8 2 0 3 0 0\\n进行医学研究 8 7 3 3 3 0 0\\n医嘱保存护理 8 5 3 3 1 1 0\\n管理临床知识 5 5 1 1 0 0 0\\n临床笔记记录 6 2 1 1 0 1 1\\n生成转诊建议 3 0 0 0 0 0 0\\n优化手术操作 3 3 1 1 0 0 0\\n生物医学数据挖掘 2 0 0 0 0 0 0\\n生成账单编码 1 0 0 0 0 0 0\\n开具处方 1 0 0 0 0 0 0 0\\n问题任务 (+) 308 104 71 61 54 14 5\\n文本分类 (+) 29 10 6 5 10 2 0\\n信息抽取 (+) 29 12 8 5 4 6 0\\n摘要生成 (+) 29 21 7 3 8 0 1\\n对话交互 (+) 6 6 1 1 5 1 0\\n翻译 (+) 5 1 2 2 1 2 0\\n\\n图 5.4.5\\n\\n4. 其中标有星号 (+) 的任务为自然语言处理(NLP)或自然语言理解(NLU)任务。\\n\\n* * *\\n\\n第五章：科学与医学\\n5.4 临床诊疗：非影像领域\\n\\n2025年人工智能指数报告\\n\\n大语言模型在临床诊断推理中的应用诊断错误导致大量患者受到伤害，众多机构正在探索将人工智能作为改进诊断流程的工具。\\n\\n重点：\\n大语言模型对诊断推理的影响\\n\\n2024年，一项单盲、随机对照实验测试了在处理复杂临床病例时，GPT-4的辅助效果与传统医疗资之间的对比。这项研究共涉及50位拥有美国执照的执业医生，评估的核心问题是：人工智能辅助的决策制定是否能提升医生的诊断准确性与效率。研究结果显示，\\n在使用GPT-4辅助的情况下，医生的整体表现并未显著优于仅依赖传统工具的医生群体。事实上，使用人工智能辅助的医生诊断准确率为76%，而使用传统工具的医生为74%，仅有微弱提升。然而，在一项二次分析中，研究者发现单独使用GPT-4模型的表现超过了所有医生群体，其在诊断推理得分上达到了92%，比不使用人工智能的医生群体高出16个百分点（图\\n5.4.6）。尽管人工智能模型在独立任务中表现出色，将其集成进实际临床工作流程中却面临挑战。在时间效率方面，各组医生完成病例的时间无显著差异，这表明引入大语言模型的临床工作流仍未带来效率优势。即便人工智能模型在独立测试中表现优异，仅让医生使用大型语言模型，并不足以提升他们的诊疗表现。这一现象也出现在其他人工智能与人类协作场景中，提示我们：要实现模型性能与临床专业人员之间的真正协同，需重新设计工作流程、改进用户培训与人机交互界面。\\n\\n管理性推理和患者护理决策除了诊断本身，医生还必须处理治疗方案选择、风险与获益权衡以及患者偏好等多维度决策任务，统称为“管理性\\n\\n推理（management reasoning）”。研究人员正在探索大型语言模型是否能够提升这些复杂、情境依赖的推理能力。\\n\\n目录第五章预览\\n304\\n\\n* * *\\n\\n第五章：科学与医学\\n5.4 临床诊疗：非影像领域\\n\\n2025年人工智能指数报告\\n\\n重点：\\nGPT-4辅助临床管理任务的效果评估\\n\\n2024-2025年间，一项前瞻性、随机、对照试验评估了GPT-4在复杂临床管理决策中的辅助效果。研究共涉及92名执业医生，其中一半使用GPT-4辅助并结合标准资源，另一半仅依赖传统医学参考资料。结果显示：\\n使用GPT-4的医生在任务表现上平均领先对照组\\n6.5个百分点(见图5.4.7)。有趣的是，仅使用GPT-4的表现与GPT-4辅助医生组相当，表明在某些定义明确的场景中，接近自主的人工智能管理支持可能具有可行性。然而，引入人工智能辅助也带来权衡：使用GPT-4的医生在每个案例上耗时略长。研究人员将此归因于医生在决策过程中进行更深入的思考与分析。总体而言，生成式人工智能可以在临床决策中带来实质性改进，但其影响可能更多体现在决策质量上，而非单纯提升效率。\\n\\n大语言模型在临床诊断方面的性能表现资料来源：Goh等，2024图表：2025年人工智能指数报告\\n\\n图5.4.7\\n\\n目录第五章预览\\n305\\n\\n* * *\\n\\n第五章：科学与医学\\n5.4 临床诊疗：非影像领域\\n\\n2025年人工智能指数报告\\n\\n环境型人工智能语音助手\\n\\n临床文档工作长期以来是医生负担与倦怠的主要来源之一。环境型语音记录技术正迅速演化，并将大语言模型整合进医生与患者交流的处理流程中。第一项相关研究发表在《NEJM Catalyst》期刊，描述了2023年底环境型人工智能语音助手技术在 Kaiser Permanente Northern California 的部署。这项技术在试点结束前已被数千名临床医生采用（图5.4.8）。紧随其后的是第二项研究，发表于《JAMIA》期刊，介绍了该技术在 Intermountain Health的试点经验。值得注意的是，这两项研究所评估的都是早期版本的技术，这些版本尚未完全实现自动化或电子健康档案系统（EHR）集成。\\n\\n2023年10月16日至12月24日环境型人工智能语音助手工具的累计使用情况在2023年10月16日上午至12月24日期间，具有3,442名独立注册医生与员工用户应用该人工智能语音助手（见Panel A）；期间累计记录303,266次医生 - 患者交流（见Panel B）。这版交底中均应用了语音助手功能，且每次交流持续时间不少于2分钟。\\n\\nPanel A为累计应用人工智能语音助手的独立医生人数\\nPanel B为累计人工智能语音助手的服务次数\\n\\n资料来源：Tierney 等，2024\\n图5.4.8\\n\\n* * *\\n\\n第五章：科学与医学\\n5.4 临床诊疗：非影像领域\\n\\n2025年人工智能指数报告\\n\\n斯坦福大学的研究人员开展了一项两阶段研究，用于评估环境型人工智能语音助手技术的效果。该研究在以往工作的基础上，测试了一种全流程集成，自动化的人工智能医疗文书系统。研究显示，该系统在客观指标（如文书记录所需时间）与主观指标（如医生的工作体验）方面均取得了明显改善、技术采纳情况良好，在参与的医生中平均采纳率达到了 55%。人工智能\\n\\n语音助手带来了显著的效率提升，每条记录平均节省医生约\\n30秒，整体电子健康档案（EHR）操作时间每日减少约 20 分钟（图5.4.9）。此外，医生普遍报告称工作负担与职业倦怠显著下降，平均降幅分别为 35% 和 26%。这些结果表明，由人工智能驱动的语言助手技术能够切实改善医生的工作流程与福祉，不仅节省了时间，还缓解了繁重的行政负担。\\n\\n人工智能记录对医生使用电子健康档案（EHR）的影响资料来源：RASE Health, 2025引 图表：2025 年人工智能指数报告\\n\\n据报道，到 2024 年，对环境型语音助手技术的投资将接近 3 亿美元。虽然当前的技术应用主要集中在临床文档撰写这一起点，但研究与产业界的乐观人士预期，该类技术将在未来\\n\\n实现全面部署，覆盖门诊与住院场景，最终实现对医嘱下达、账单与编码、实时临床决策支持等流程的自动化辅助。\\n\\n目录第五章预览\\n307\\n\\n* * *\\n\\n第五章：科学与医学\\n5.4 临床诊疗：非影像领域\\n\\n2025年人工智能指数报告\\n\\n部署、实施与撤除\\n\\nFDA对人工智能医疗设备的批准人工智能在临床环境中的应用在过去十年中呈指数级增长，尤其体现在美国食品药品监督管理局(FDA)批准的人工智能医疗设备数量激增。\\n\\nFDA于1995年首次批准一款具备人工智能功能的医疗设备，此后将近20年的时间里，每年的批准数量一直保持在个位数，直到2015年，当年共有6款人工智能医疗设备获得批准。自此之后，年度批准数量开始迅猛增长，并在2023年达到峰值——223件(图5.4.10)。\\n\\n1995-2023年FDA批准的人工智能医疗设备数量资料来源：FDA，2024\\\\|图表：2025年人工智能指数报告\\n\\n图5.4.10\\n\\n成功应用案例：斯坦福医疗系统（Stanford Health Care）\\n在临床实践中成功生成式人工智能功能部署模型，需依托一套确保其公平性、实用性与可靠性的系统框架，斯坦福医疗系统在评估与生成式人工智能功能部署工具时，采用其内部开发的FURM框架(公平(Fair)、实用(Useful)、可靠(Reliable)、可量化(Measurable))。在已评估的6个人工智能应用案例中，有2个已实现成功落地部署；(1)外周动脉疾病(PAD)\\n筛查；(2)住院患者的文档记录与编码改进。本节将详细说明外周动脉疾病筛查的应用。\\n\\n* * *\\n\\n第五章：科学与医学\\n5.4 临床诊疗：非影像领域\\n\\n2025年人工智能指数报告\\n\\n外周动脉疾病筛查外周动脉疾病是一种慢性血管性疾病，早期常被忽视，\\n从而导致严重并发症，如肢体严重缺血甚至截肢。为提升早期检测与干预能力，斯坦福医疗系统开发并部署了一套具备人工智能功能的 PAD 分类模型，用于优化筛查流程并改善患者治疗。这项筛查工具的主要目标是：在初级保健人群中实现更早期的诊断，以便在病情恶化前采取医疗或手术干预。通过识别高风险患者，该模型还能帮助优化资源分配，确保最需要干预的人群能够立即获得随访与治疗。为实现与临床工作流程的无缝集成，该人工智能工具被设计为可自动评估外周动脉疾病（PAD）风险，并对高风险个体进行标记提示，以便进一步评估。一旦病情被确认，患者将转诊至血管外科接受会诊。图 5.4.11展示了将 PAD 筛查整合进临床工作流程的建议模型与操作路径，包括风险评估、转诊流程以及患者随访等关键环节。\\n\\n将PAD筛查整合入临床实践的建议模型与工作流程资料来源：Caitan 等，2024\\n\\nFlag as inappropriate, no referral order sent\\nInappropriate\\nVM SPC/MA verifies prediction\\nPrediction >= threshold\\nPAD Model makes prediction\\nPrediction <= threshold\\nNo action taken\\nVerified as appropriate\\nOrder for referral to VM sera to patient's PCP\\nPCP orders referral\\nVM SPC/MA actual patient into VM Clinic Prevention workflow\\nVM Clinic staff calls patient to schedule a consultation visit and ABPT test\\nPatient agrees\\nVM SPC/RNA places ABPT order, VM APP signs order\\nABPT test administered, assessed by VM App\\nPCP does not order referral\\nPatient receives messages that referral was issued for VAP evaluation by VM\\nPatient declines\\nFlag as Referral Not Ordered\\nFlag as Patient Declines; no visit scheduled\\nABPTB - ankle/brachial index; APP - advanced practice provider; MA - medical assistant; RNC - registered nurse coordinator; SFC - specialty patient flow coordinator; VM - vascular medicine\\n\\n图 5.4.11\\n\\n该人工智能工具在完成试点阶段后，进入第 2 阶段\\n(Stage 2)，并已在斯坦福医疗系统全面部署。模型预计每年将影响约 1,400 名患者。除去显著的临床效益外，该项目还证明具备财务可持续性，在无外部资金支持下正常运行。\\n\\n通过提升早期发现率、降低严重并发症风险，并改善患者预后，该人工智能驱动的策略正逐步重塑外周动脉疾病的标准治疗路径。\\n\\n* * *\\n\\n第五章：科学与医学\\n5.4 临床诊疗：非影像领域\\n\\n2025年人工智能指数报告\\n\\n健康社会决定因素\\n\\n大语言模型与基于人工智能的临床决策支持（CDS）系统正在推动医学实践的变革，但在不同专科的采用程度存在差异。有些专科快速拥抱这些工具，而另一些则持谨慎态度。本节回顾了相关研究与创新，重点强调证据基础的重要性。其中一个核心方向是社会健康决定因素（Social Determinants of Health, SDOH），如社会经济地位与生活环境等。2024年，人工智能的进步集中应用于SDOH领域，以改善患者护理与促进健康公平。\\n\\n从电子健康档案和临床记录中提取SDOH\\n经过微调的多标签分类器（如Flan-T5-XL）在识别临床笔记中的SDOH信息方面，表现优于ChatGPT系列模型，且对人口学描述的敏感性更低。这类模型在引入种族、族裔或性别变量时展现出更低的偏差。图5.4.12展示了多个模型在放射治疗（RT）测试集上识别SDOH的表现。新一代模型（如Flan-T5-XXL）在加入合成与标注数据(SDOH标签句)后，性能表现最佳，总体来看，模型规模扩大与数据融合优化显著提升了SDOH识别能力。\\n\\n多个模型在放射治疗任务中识别SDOH的表现资料来源：RASE Health, 2025图表；2025年人工智能指数报告\\n\\n从电子健康档案中提取SDOH 数据能帮助医生识别患者的社会需求（如住房不稳定或食物短缺）。这类研究凸显了大语言模型提升SDOH记录质量、资源配置效率与健康公平性的潜力，同时也强调了减少偏差与强化合成数据方法的重要性。\\n\\n目录第五章预览\\n310\\n\\n* * *\\n\\n第五章：科学与医学\\n5.4 临床诊疗：非影像领域\\n\\n2025年人工智能指数报告\\n\\n医疗领域的人工智能应用与SDOH的整合图 5.4.13重点介绍了各个医学专科领域，并说明了人工智能如何将健康的社会决定因素纳入各个领域。\\n\\n专科领域 最新研究 综合描述肿瘤学 stasy等,2024\\n人工智能工具被用于将SDOH纳入癌症治疗计划中，例如考虑患者就医便利性与社会支持情况，帮助肿瘤科医生制定个性化、可行的治疗策略心脏病学 Snowdon等,2023\\nQuer等,2024\\n心脏病人工智能模型已开始融合SDOH，用于提升对高血压、心力衰竭等疾病的风险评估精度，优化治疗管理。精神病学 Stade等,2024\\n大语言模型被用于分析社区层面的SDOH数据，有助于识别社会风险因子集中的地区，从而优先部署心理健康干预资源。\\n\\n图 5.4.13\\n\\n合成数据合成数据正通过提升隐私保护型分析、临床建模与人工智能训练，彻底改变医疗健康领域。它优化了工作流程，能够模拟罕见病例，并支持以人工智能为驱动的创新实践。然而，正如本年度人工智能指数第一章所指出的，关于其可扩展性的担忧，促使我们在采用过程中必须保持谨慎。\\n\\n临床风险预测近期研究验证了合成数据在隐私保护临床风险预测中的价值。一项近期研究验证了合成数据在隐私保护临床风险预测中的有效性。研究人员利用ADSGAN、PATEGAN与DPGAN三种生成模型，在英国生物样本库（UK Biobank）中，对曾经吸烟者(ever-smokers)群体的肺癌风险进行了建模。5图 5.4.14展示了主成分分析(PCA)特征值的对比结果，表明ADSGAN与PATEGAN生成的数据分布与真实数据高度一致，从而能够支持可靠的聚类与特征选择，这些研究结果表明，合成数据集在不依赖真实且可识别的患者信息的前提下，能够保留统计特征的真实性，支持探索性分析，并可用于开发预测模型。\\n\\n主成分分析资料来源资料来源：Qian等，2024\\n\\n(a) 为主成分分析\\n(b) 为K均值聚类分析\\n\\n5. 常规烟者是指一生中至少吸烟100支烟的人。\\n\\n* * *\\n\\n第五章：科学与医学\\n5.4 临床诊疗：非影像领域\\n\\n2025年人工智能指数报告\\n\\n药物发现《自然》期刊近期发表的一项研究，提出了一种生成式人工智能方法，用于在药物研发中实现体外配方优化与粒子工程建模。该方法通过受关键质量属性（critical quality attributes, CQAs）指导的图像生成器，生成可用于分析的数字药物配方，从而减少对大规模物理实验的依赖。研究团队通过预测微晶纤维素(MCC)在口服片剂中的渗流阈值(percolation threshold)，验证了该方法的有效性。图5.4.15将真实片剂体积的曲折率计算结果（绿色方块）与人工智能合成体积的结果（红色圆圈）进行了对比。6两者高度一致的结果表明：合成数据在模拟药物特性方面展现出巨大潜力，能够提升人工智能驱动的药物发现效率与建模能力。\\n\\n数据生成平台平台对于展示、标准化和自动化合成数据的创建是必不可少的。最新发表的研究表明，通过其提出的合成表格神经生成器（STNG）框架，大规模合成数据生成与验证不仅可行，还能显著增强医学领域人工智能应用的效果。图5.4.16通过对比真实与合成心脏病数据集的曲线下面积(AUC)值，评估了不同合成数据生成方法的有效性。在多数情况下，真实数据集与合成数据集之间存在高度吻合，这证明合成数据能够精准建模复杂的健康状况。合成数据生成方法的进步可在提升数据保真度的同时，有效降低隐私风险。\\n\\n基于人工智能生成合成结构的渗透阈值预测与验证资料来源：Hornick 等, 2024\\n\\n用于评估合成心脏病数据集的曲线下面积资料来源：Rashik 等, 2024\\n\\n6. 曲折度是指与两点之间可能的最短直线距离相比。路径的曲折程度。\\n\\n目录第五章预览\\n312\\n\\n* * *\\n\\n第五章：科学与医学\\n5.4 临床诊疗：非影像领域\\n\\n2025年人工智能指数报告\\n\\n电子健康档案系统\\n\\n将人工智能集成进电子健康档案(EHR)系统，可通过简化管理流程，增强临床决策支持与改善患者护理质量，从而缓解医疗系统负担。目前，EHR市场由几家主要厂商主导，包括：\\nEpic, Oracle Health（前身 为 Cerner）、Meditech 与\\nTruBridge（前身为 CPSI）。这些厂商的人工智能工具因其市场占有率，有望在其生态系统中得到广泛应用，截至 2021 年，\\n美国医院中对任何类型 EHR 系统的采用率已接近 90%，其中通过认证的 EHR系统的采用率约为 80%。\\n\\n一项由美国医院协会（American Hospital Association,\\nAHA）于 2023 年开展的 IT 调查发现，大多数在其电子健康档案(EHR)系统中使用机器学习或预测模型的医院，主要依赖某一主流厂商提供的住院服务解决方案(图 5.4.17)。其中，Epic、\\nCerner 和 Meditech 的采用率最高，Epic、Cerner 和 CPSI 所服务的医院主要采用厂商自行开发模型，而 Meditech 及其他厂商的用户则更常使用第三方或医院自建的解决方案（见图\\n5.4.18）。\\n\\n预测模型在主要住院电子健康档案供应商中的应用资料来源：AHA 调查，2024 图象；2025 年人工智能指数报告\\n\\n机器学习模型(ML)\\n其他非 ML 预测模型都不是/不确定\\n\\nEpic\\nCerner\\nMeditech\\nCPSI/Evident\\nAltera\\nOther\\n\\n图 5.4.17\\n\\n目录第五章预览\\n313\\n\\n* * *\\n\\n第五章：科学与医学\\n5.4 临床诊疗：非影像领域\\n\\n2025年人工智能指数报告\\n\\n电子健康档案（EHR）供应商的预测模型开发来源资料来源：AHA 调查，2024 图表，2025 年人工智能指南报告\\n\\n商自建模型 第三方开发者 医院自行开发 公共领域 不知道（ML 开发）\\n\\n0%\\nEpic\\nCerner\\nMeditech\\n供应商\\nCPSI/Evident\\nAltera\\n其他\\n\\n将人工智能系统集成至电子健康档案（EHR）平台，有望简化临床工作流程，同时改善医疗服务提供者与患者的整体体验。然而，目前仍不确定此类配备人工智能的健康信息技术是否真正能使资源匮乏群体从中受益。这些群体通常在技术采纳方面面临更高的壁垒。例如，生活在农村地区的群体往往受到网络带宽受限、医疗信息技术基础设施薄弱。以及 EHR 系统功能有限等结构性条件的制约。而这些因素正是实现人工智能驱动医疗系统的基础支撑条件。此外，仍需进一步评估现有人工智能工具是否在功能基础薄弱的 EHR 系统中同样适用。目前，许多医疗环境仍依赖于功能较为简化的\\nEHR 平台。因此，若想真正实现人工智能在医疗中的公平部署，就必须正视技术适配性与基础条件不均所带来的结构性差异。\\n\\n目录 第五章预览 314\\n\\n* * *\\n\\n第五章：科学与医学\\n5.4 临床诊疗：非影像领域\\n\\n2025年人工智能指数报告\\n\\n临床决策支持\\n\\n人工智能正在彻底改变医疗从业者的疾病诊断、预测和管理模式，且日益强调通过临床试验对人工智能系统进行严格评估。临床决策支持系统(CDS)中人工智能技术的发展演进，体现在从新冠疫情期间的被动干预，逐步转向基于数据的主动性临床决策，相关临床试验数量也逐年递增，如图 5.4.19 所示，涉及人工智能技术的临床试验数量正呈现稳定增长态势。\\n\\n2014-2024年提及人工智能的临床试验数量资料来源：RASE Health，2024图表：2025 年人工智能指数数据图\\n\\nNumber of clinical trials\\n500\\n400\\n300\\n200\\n100\\n0\\n2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024\\n537\\n\\n图 5.4.19\\n\\n目录第五章预览\\n315\\n\\n* * *\\n\\n第五章：科学与医学\\n5.4 临床诊疗：非影像领域\\n\\n新冠肺炎疫情加速了人工智能在分诊、资源调配和预后预测领域的应用，凸显了该技术在实时临床决策支持系统(CDS)\\n中的潜力，后疫情时代，人工智能的应用范畴已从应急响应扩展到慢性病管理、诊疗流程优化及工作流整合。例如《CERTAIN\\n研究》证明，人工智能驱动的实时手术辅助可显著提高胃肠手术的诊断准确率。截至2023年，人工智能在CDS中的应用已\\n\\n延伸至用药安全和工作流优化领域，典型案例如《药学实践中用的用药错误预防研究》，该研究利用人工智能实现了实时药物差错监测，全球范围内人工智能驱动的临床试验数量激增，\\n2024年中国(105项试验)、美国(97项)和意大利(42项)位列前三(图5.4.20)。\\n\\n2021-2024 年各地区包含人工智能内容的临床试验数量资料来源：RASE Health, 2025 图表：2025 年人工智能指数报告\\n\\n图 5.4.20\\n\\n目录第五章预览\\n316\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第五章：科学与医学\\n5.5 伦理考量\\n\\n如前述章节所讨论，人工智能在医学研究和临床诊疗中的日益深入应用，既带来希望也伴随挑战，人工智能系统在训练过程中严重依赖大量数据，而这些数据的收集、使用和共享——特别是在医疗等高风险领域——可能引发多重伦理问题。\\n\\n5.5 伦理考量元分析本节中，人工智能指数团队通过对数千项医学伦理研究进行元分析（meta-review），系统梳理了该领域的发展现状。图 5.5.1 展示了研究团队采用的方法学框架。数据显示，过去五年间，医疗人工智能伦理问题的关注度逐年攀升，相关出版物数量在 2020 至 2024 年间增长达四倍（图 5.5.2）。\\n\\nIdentification of studies via Published Central\\nRecords identified from\\nDatabases (n = 14735)\\nDuplicates records removed\\n(n = 1483)\\nRepeats records removed\\n(n = 1493)\\nRepeats records removed\\n(n = 1493)\\n\\nRecords screened\\n(n = 14241)\\nRecords included\\n(n = 11326)\\n\\nRecords sought for retrieval\\n(n = 2910)\\nRecords not relieved\\n(n = 8)\\n\\nRecords assessed for eligibility\\n(n = 2910)\\n\\nStudies included in review\\n(n = 2910)\\n\\n图 5.5.1\\n\\n2020-2024年人工智能伦理医学成果统计数图表来源：PARE Health, 2020 图表；2029 年人工智能数据库报告\\n\\n人工智能伦理论文统计数\\n288\\n397\\n523\\n674\\n1,031\\n\\n图 5.5.2\\n\\n目录第五章预览\\n317\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第五章：科学与医学\\n5.5 伦理考量\\n\\n医学伦理论文中人工智能应用的关注焦点随时间推移不断演变。图5.5.3展示了2020至2024年AI医学论文中讨论的伦理议题分布。2024年数据显示，偏见和隐私成为最受关注的伦理问题，公平性次之。值得注意的是，2020年隐私问题的讨论热度曾显著高于偏见问题，但这一趋势在后续研究中发生了明显转变。\\n\\n2020-2024年医学人工智能伦理论文中讨论最多的十大伦理问题资料来源：RASE Health, 2020 图；2025 年人工智能数据报告道路问题人工智能医学伦理论文统计百分比偏见隐私权公平透明度信任安全性可访问性利益相关者公平性安全性图5.5.3\\n\\n在人工智能工具方面，医学伦理文献对OpenAI的GPT系列（如ChatGPT）给予了高度关注（图5.5.4）。这一现象反映出过去几年间，大型语言模型在医学伦理领域引发的关注度正在持续扩大。\\n\\n2020-2024年医疗人工智能伦理论文中讨论的人工智能工具资料来源：RASE Health, 2020 图；2025 年人工智能数据报告人工智能医学伦理论文数据\\nOpenAI GPT Series OpenAI Vision\\n(GPT-4, DINSPT, DNL-L-E, SCRA)\\nGPT-3.5, GPT-4,\\nGPT-4-Turbo)\\nGoogle\\nLaMDA, PaLM,\\nGemini)\\nAxionic (Claude)\\nMitral\\nCohere\\nAI (Gina)\\n\\n图5.5.4\\n\\n目录第五章预览\\n318\\n\\n* * *\\n\\n第五章：科学与医学\\n5.5 伦理考量\\n\\n图 5.5.5 与图 5.5.6分别按财年展示了美国国立卫生研究院（NIH），资助医学人工智能伦理项目的立项数量与资金总额。数据显示，2023至2024年间，立项数量从25项激增至337\\n\\n项（图5.5.5）；同期资助总额更从1600万美元飙升至2.76亿美元，短短一年内实现近17倍的增长。\\n\\n2020-2024财年NIH对医疗人工智能伦理研究资助的数量资料来源：RASE Health, 2025 图表：2025 年人工智能指数报告财政年度\\n337\\n0\\n2020\\n2021\\n2022\\n2023\\n2024\\n\\n2020-2024财年NIH对医疗人工智能伦理的研究资助金额资料来源：RASE Health, 2025 图表：2025 年人工智能指数报告财政年度\\n276.00\\n0\\n2020\\n2021\\n2022\\n2023\\n2024\\n\\n目录 第五章预览 319\\n\\n* * *\\n\\n第五章：科学与医学\\n5.6 科学领域的人工智能基础模型\\n\\n本年度，多个基础模型在科学各领域中相继问世，一些模型是在大型语言模型的基础上，针对特定领域的文献进行微调；另一些则从头开始使用专门的数据（如时间序列或气象数据）进行训练，随后，这些基础模型被进一步调用，用于具体的科学任务或应用场景。\\n\\n5.6 科学领域的人工智能基础模型\\n\\n重点：\\n标志性的模型发布\\n\\n人工智能推动了物理、化学、地球科学等多个科学领域的显著进展。下表汇总了这些领域中一些最具标志性的模型发布情况，以及用于追踪这些进展的新资源。本节分析是\\n\\n发布日期\\n2024年\\n2月6日模型名称\\nCrystal\\n大语言模型领域材料科学技术意义研究人员在LLMA-2 70B模型基础上，对编码为文本的原子级数据进行微调，用于生成稳定材料，其亚稳态生成率几乎是领先扩散模型的两倍（49%对比28%），同时仍具备物理合理性。该方法支持无条件生成、结构补全与文本引等设计等灵活应用，并通过扩大模型规模增强对对称性的感知\\n\\n2024年\\n2月14日\\nLiaSMol\\n化学为应对大型语言模型在化学任务中的低效表现，研究人员引入SMollinstruct——一个包含超过300万个样本、覆盖14项任务的高质量数据集；并基于该数据集开发了LiaSMol 模型系列，其中，基于Mistral的LiaSMol 在多个任务中大幅超越GPT-4与Claude 3 Opus，并在仅调整0.58%参数的前提下，接近于任务专用模型的表现。显示出面向特定领域的指令微调的强大能力。\\n\\nImage\\n5.6.1\\n资料来源：Graver 等 2024\\n\\nChemical Reaction\\nForward Synthesis (10%)\\nReverse Synthesis (10%)\\n\\n5.6.2\\n资料来源：Yu 等 2024.\\n\\n目录第五章预览\\n320\\n\\n* * *\\n\\n第五章：科学与医学\\n5.6 科学领域的人工智能基础模型\\n\\n2025年人工智能指数报告\\n\\n重点：\\n标志性模型发布（续）\\n\\n2024年\\n4月23日\\nORBIT\\n地球科学橡树岭国家实验室发布了 ORBIT 模型，\\n这是迄今为止气候科学领域规模最大的人工智能模型，拥有 1130 亿参数，规模比先前模型大出 1000 倍。该模型采用新型并行计算技术进行训练，并在 Frontier超级计算机上测试，其持续性能最高达到1.6 exaFLOPS，标志着人工智能驱动地球系统预测的新高度。\\n\\n2024年\\n5月20日\\nAurora\\n地球科学\\nAurora是一种大规模基础模型，训练数据涵盖100万个小时的地球系统记录。它可提供空气质量、潮浪状况、气旋轨迹及高分辨率天气等领域的最先进预测能力，在运算成本极低的情况下仍超传统系统，并可用极少资源跨领域调，是向普惠型人工智能地球系统预测迈出的重要一步。\\n\\n2024年\\n7月22日\\nNeuralGCM\\n天气预报该研究推出了 NeuralGCM，一种将可微分的基于物理的求解器与机器学习组件结合的混合模型，能够同时模拟天气和气候。在短期和中期预测中，该模型的表现与当前领先的机器学习模型及物理模型相当甚至更优，能准确追踪长期气候指标，捕捉热带气旋等复杂现象，同时实现大幅计算节约。\\n\\n图 5.6.3\\n资料来源：Wang 等，2024\\n\\n图 5.6.4\\n资料来源：Bochhar 等，2024\\n\\n图 5.6.4\\n资料来源：Kochrov 等，2024\\n\\n* * *\\n\\n第五章：科学与医学\\n5.6 科学领域的人工智能基础模型\\n\\n2025年人工智能指数报告\\n\\n重点：\\n标志性模型发布（续）\\n\\n2024年\\n8月18日\\nPhysBERT\\n物理学由于其专门术语与复杂概念，物理学文本对自然语言处理极具挑战。PhysBERT 是首个专为物理学设计的文本嵌入模型，显著超越通用模型在物理任务中的表现。该模型在120万篇 arXiv论文上训练，并通过监督数据微调，在信息检索与子领域适配任务中显著提升效果。\\n\\n5.6.6\\n资料来源：Helert 等, 2024.\\n\\n2024年\\n9月16日\\nFireSat\\n火灾预测谷歌发布的 FireSat 是一个基于卫星的森林火灾检测系统，利用人工智能在起火20分钟内识别最小为5x5米的火点。系统通过分析实时影像和环境数据实现此功能。该项目由谷敬 与 Earth Fire Alliance、Muon Space 联合开发，不仅强化了灾害响应能力，也推动了全球野火研究的进展。\\n\\n5.6.7\\n资料来源：谷歌, 2024.\\n\\n2024年\\n12月4日\\nGenCast\\n天气预报\\nGoogle DeepMind 推出的 GenCast是一种人工智能驱动的天气模型，用于扩散方法，提供极高精度 的15天天天气预测。在几乎所有指标上都优于现有的 ENS等传统系统。GenCast 可在数分钟内生成预测结果，广泛适用于灾害响应、可再生能源与农业等领域。\\n\\n5.6.8\\n资料来源：谷歌, 2024.\\n\\n2024年\\n12月9日\\nAlphaQubit\\n量子计算\\n2024年底，Google DeepMind 与Google Quantum AI 联合，发布了AlphaQubit——款具备最先进量子纠错能力的AI解码器。随后推出的Willow是首款实现在表面码幅值以下进行指数级错误抑制与纠正的最量子芯片，标志着该领域的一项重大突破。Willow还完成了一项基准任务，仅耗时五分钟，而该任务在全球最快的超级计算机上则需逾十埃年(septillion years)，远超过宇宙年龄\\n\\n5.6.9\\n资料来源：谷歌, 2024.\\n\\n目录第五章预览\\n322\\n\\n* * *\\n\\nAI\\n2025年人工智能指数报告\\n\\n第六章：\\n政策\\n\\n* * *\\n\\n第六章: 政策\\n\\n| 概述 | 325 |\\n| --- | --- |\\n| 章节要点 | 326 |\\n| 6.1 2024年全球人工智能政策要闻 | 327 |\\n| 6.2 人工智能与政策制定 | 336 |\\n| 全球人工智能立法记录 | 336 |\\n| 概述 | 336 |\\n| 按地理区域划分 | 337 |\\n| 重点：全球人工智能立法深度观察 | 338 |\\n| 美国立法记录 | 339 |\\n| 联邦层面 | 339 |\\n| 州级层面 | 340 |\\n| 重点：美国州级人工智能立法案例概览 | 342 |\\n| 重点：有关反深度伪造技术的政策制定 | 343 |\\n| 全球立法讨论中的人工智能提及频次 | 345 |\\n| 概述 | 345 |\\n| 美国国会委员会提及情况 | 348 |\\n| 美国监管条例 | 349 |\\n| 概述 | 349 |\\n| 按机构分类 | 349 |\\n| 重点：美国联邦法规深度观察 | 351 |\\n\\n| 6.3人工智能公共投资 | 352 |\\n| --- | --- |\\n| 人工智能公共投资总额 | 353 |\\n| 按机构与职能领域划分的人工智能公共支出分布 | 360 |\\n| 重点：美国人工智能科研拨款分析 | 362 |\\n\\n获取公共数据\\n\\n* * *\\n\\n第六章：\\n\\n政策\\n\\n概述\\n\\n人工智能技术的快速发展已引发全球政策制定者的高度关注，各国相继出台人工智能相关政策。近年来，以美国和欧盟为代表的多个国家及政治实体相继推出重要监管法规。最新动态显示，多国政府已宣布对人工智能基础设施进行大规模投资。这一政策浪潮反映出国际社会对人工智能 \\\" 双轨治理 \\\" 共识的不断增强，即规范风险的同时释放变革潜力。\\n\\n本章节系统梳理全球人工智能治理格局：首先呈现 2024 年关键政策事件时间轴，\\n继而分析全球及美国立法进展，量化统计立法讨论中的人工智能议题热度，并解读美国监管机构的人工智能治理路径。最终以美国人工智能公共投资分析作结，其中大部分数据由人工智能指数团队独立采集。\\n\\n* * *\\n\\n第六章：\\n政策\\n\\n章节要点\\n\\n1. 美国各州正引领人工智能立法进程，而联邦层面进展相对迟缓。2016 年，只有一项州级人工智能相关法律获得通过，而到 2023\\n 年，增加到 49 项。仅在去年，这一数字就翻了一番多，达到 131 项。虽然联邦层面的人工智能法案提案也有所增加，但通过的数量仍然很少。\\n\\nA. 世界各国政府都加大人工智能基础设施投资力度。加拿大宣布了一项 24 亿美元的人工智能基础设施一揽子计划，而中国设立\\n475 亿美元半导体产业基金。法国承诺为人工智能基础设施投资 1170 亿美元，印度承诺投资 12.5 亿美元，而沙特阿拉伯的“超越计划”则包括对人工智能的 1000 亿美元投资。\\n\\n3. 在全球范围内，人工智能在立法程序中的提及率不断上升。在 75 个国家中，2024 年立法程序中提及人工智能的次数增加了\\n 21.3%，从 2023 年的 1557 次增加到 1889 次。自 2016 年以来，人工智能被提及的总数增长了 9 倍多。在全球范围内，人工智能安全研究机构加速扩张与协同合作。\\n\\nC7A9AC 年，各国相继成立国际人工智能安全研究机构。首批机构由美国和英国于 2023 年 11 月首届人工智能安全峰会闭幕后率先设立。随着 2024 年 5 月首尔人工智能峰会的召开，日本、法国、德国、意大利、新加坡、韩国、澳大利亚、加拿大及欧盟等国家和地区也相继承诺成立相关机构。\\n\\n5. 美国人工智能相关联邦法规数量激增。2024 年，美国出台了 59 项人工智能相关法规，是 2023 年 25 项的两倍多。这些法规来自 42 个机构，是 2023 年出台法规的 21 个机构的两倍。\\n\\n6. 美国多州加强深度伪造监管立法。2024 年之前，只有加利福尼亚、密歇根、华盛顿、得克萨斯和明尼苏达五个州颁布了法律，对选举中的深度伪造行为进行监管。2024 年，俄勒冈州、新墨西哥州和纽约州等 15 个州出台了类似措施。此外，到 2024 年，已有24 个州通过了针对深度伪造的法规。\\n\\n\\n* * *\\n\\n第六章：政策与管理\\n6.1 2024 年全球人工智能政策要闻\\n\\n本 章节节概述了由人工智能指数指导委员会遴选的 2024 年全球范围内最重要的人工智能相关政策事件。\\n\\n6.1 2024 年全球人工智能政策要闻\\n\\n2024 年 2 月 21 日\\n\\n新加坡计划 5 年内投资 10 亿美元发展人工智能\\n\\n营非萨副总理兼财政部长黄循财在 2024 年 2 月 16 日的预算报告中宣布，政府将在未来五年内拨款超过 10 亿美元，用于支持人工智能计算、人才培养和行业发展。\\n\\n来源：《海峡时报》， 2024\\n\\n2024 年 3 月 11 日\\n\\n阿布扎比成立千亿美元人工智能投资公司\\n\\n2024 年 3 月，阿布扎比成立了国有投资基金 MGX Fund\\nManagement Limited，专注于人工智能技术领域，目标管理资产规模达 1000 亿美元。此举与阿联酋将自身定位为全球人工智能技术创新引领者的战略目标相一致。\\n\\n2024 年 3 月 13 日\\n\\n欧盟议会在达成初步协议三个月后，正式通过了具有里程碑意义的《人工智能法案》。该法案是全球首个全面人工智能监管框架，包含诸多规定，如透明度与报告义务、基于风险的监管机制，以及禁止社交评分、人为操控与基于“敏感特征”的生物识别分类等用途。大部分条款将在两年实施期后，于 2026 年生效。由于该法案采取更为严格的监管手段，相较于其他地区更具限制性，引发了业界广泛关注与争议。\\n\\n资料来源：彭博社，2024\\n\\n欧洲议会通过《人工智能法案》\\n\\n* * *\\n\\n2024 年 3 月 15 日\\n\\n印度撤销强制审批新人工智能模型的计划\\n\\n在发布要求科技公司推出新人工智能模型前须获政府批准的行政指导不到一个月后，印度因面临企业家和投资者的强烈反对，于近日发布了修订后的企业自律指导方针。新规要求企业对用户明示其人工智能模型是否未经充分测试或存在可靠性问题。印度电子信息技术部仍强调，人工智能模型不得破坏选举公正性，或助长偏见与歧视。\\n\\n资料来源：TechCrunch ，2024\\n\\n2024 年 3 月 17 日\\n\\n印度启动印度人工智能使命计划 (IndiaAI Mission)，投资 :A7D 亿美元\\n\\n2024 年 3 月，印度正式启动印度人工智能使命计划以强化其人工智能生态系统。这项总投资达 12.5 亿美元的倡议将通过公私合作模式实现三大目标：建设超 1 万块 GPU 的算力基础设施、开发国家非个人数据平台、扶持本土人工智能模型与深度科技初创企业。该计划同时强调构建伦理人工智能治理框架，并通过在非中心城市扩展人工智能实验室来促进技术普惠发展。\\n\\n资料来源《自然》 2024\\n\\n2024 年 3 月 20 日\\n\\n法国政府因谷歌使用受版权保护的信息对其处以 A7D 亿欧元罚款\\n\\n法 国 竞 争 监 管 机 构 \\\" 竞 争 管 理 局 \\\"（Autorité de la\\nConcurrence）对谷歌公司处以 2.5 亿欧元罚款，原因是该公司在未通知媒体机构的情况下，使用法国新闻内容训练其人工智能聊天机器人 Bard（现更名为 Gemini）。监管机构指出，这一行为违反了欧盟知识产权规则，并导致新闻出版商和通讯社无法就内容使用进行公平定价协商。谷歌已接受处罚决定，并提出一系列整改措施以解决内容抓取问题。\\n\\n资料来源来源：NBC 新闻 2024\\n\\n* * *\\n\\n2024年 3 月 21 日\\n\\n联合国大会通过促进 \\\" 安全、可靠、可信 \\\" 的人工智能的决议\\n\\n在 120 多个成员国的支持下，联合国大会通过了一项由美国主导的具有“历史性”的决议（尽管该决议在法律上并不具有约束力），旨在促进“安全、可信任”的人工智能系统的使用。大会呼吁各方确保人工智能系统的使用应遵循人权法律，并承认这些系统在加速实现联合国可持续发展目标方面可能发挥的作用。该决议获得包括中国在内的 120 多个国家支持，并经联合国 193 个成员国一致通过，无需投票表决。\\n\\n资料来源：联合国新闻，2024\\n\\n2024 年 4 月 7 日\\n\\n加拿大承诺投资 24 亿加元来确保本国的在人工智能领域优势地位\\n\\n加拿大2024年联邦预算案提出了一揽子24亿加元的措施，\\n以在全球人工智能开发和采用竞争日益激烈的背景下，“确保加拿大在人工智能方面的优势”。资金将用于一系列举措，包括增强研究人员和开发人员的能力与基础设施、扶持人工智能初创企业、帮助中小企业通过人工智能提升生产率、支持受人工智能影响的工人，以及成立新的“加拿大人工智能安全研究所”。\\n\\n资料来源：国际中心 治理创新，2024\\n\\n2024 年 5 月 11 日\\n\\n英国人工智能安全研究所推出评估人工智能模型安全性的开源工具\\n\\n研究机构发布了一套名为 Inspect 的工具集，旨在评估人工智能模型在多个领域的能力，包括核心知识、推理能力以及自主能力。该研究所表示，这是首次由政府支持机构牵头推出的人工智能安全测试平台，并以开源许可形式公开发布，以惠及业界、研究机构和学术界。\\n\\n* * *\\n\\n2024 年 5 月 21 日\\n\\n英国和韩国在首尔联合举办人工智能安全峰会\\n\\n在人工智能首尔峰会期间，与会国家分享了它们依据《布莱奇利宣言》所采取的安全措施。该宣言是前一年在英国人工智能安全峰会期间签署的，强调人工智能的伦理与负责任开发。在英国峰会成果的基础上，各国随后陆续设立或宣布成立人工智能安全研究机构。在首尔，相关国家更进一步，签署了一份意向书，旨在建立一个由各机构组成的协作网络，强调推进全球合作以提升人工智能安全的重要性。\\n\\n资料来源：战略与国际研究中心，2024\\n\\n2024 年 5 月 27 日\\n\\n国成立有史以来规模最大的国家支持投资基金，用于推动半导体产业发展中\\n\\n中国启动了一项规模达 475 亿美元的基金，用以提升半导体产能。该基金的设立标志着中国 “国家集成电路产业投资基金”\\n（简称“大基金”）第三期的启动。自 2014 年以来，该基金已通过关键投资支持国内两大芯片制造龙头企业发展。此次举措是在美国对诸如半导体等关键技术加强出口管制的背景下提出的，这些技术是训练人工智能系统所依赖的 GPU 等硬件组件的基础。\\n\\n资料来源：路透社 ，2024\\n\\n2024 年 5 月 28 日\\n\\n欧盟委员会成立人工智能办公室\\n\\n在《人工智能法案》提出三年后，欧盟委员会公布了其核心执行机构——人工智能办公室（AI Office）。该办公室将在法案实施过程中发挥关键作用，具体包括：执行通用人工智能模型的监管标准、协调实践准则的制定、并对违反行为实施处罚。该机构拥有逾 140 名员工，由五个部门组成，分别负责不同的人工智能相关目标，包括通过人工智能促进社会福祉以及推动人工智能与机器人领域的卓越发展。\\n\\n资料来源：战略与国际研究中心，2024\\n\\n* * *\\n\\n2024 年 6 月 26 日\\n\\n美国国家标准与技术研究院icpr发布框架，帮助机构识别与缓解生成式人工智能风险\\n\\n美国国家标准与技术研究院营TOYZ萨发布了一项自愿性框架，\\n旨在协助各类组织识别生成式人工智能所带来的独特风险，并就缓解这些风险提出了一系列建议措施。该框架是在 2023 年发布的《NIST 人工智能风险管理框架》的基础上延伸而来。建议措施包括：确定组织的人工智能风险容忍度与相应的风险管理需求、明确管理人工智能风险的责任分工、以及定期邀请非开发人员的专家参与风险评估与更新过程。该框架发布前，NIST 还发布了一份关于对抗性机器学习的文档，系统阐述了攻击类型分类、此类攻击的潜在影响，以及相关的缓解策略。\\n\\n资料来源：FedScoop，2024\\n\\n2024 年 7 月 25 日\\n\\n美国国务院发布《人工智能与人权风险管理指南》\\n\\n美国国务院设计了《人工智能与人权风险管理档案》，为各国政府、企业与民间社会提供指导，以便将人工智能风险管理与人权保障相结合。该档案基于 NIST 的人工智能风险管理框架，提出四项关键功能——治理、映射、评估与管理，用于评估并缓解从偏见到监控滥用等各类人工智能相关风险。通过连接人工智能治理与人权保护，该档案为全球负责任地开发与部署人工智能提供了一种可适用的工具。\\n\\n资料来源：美国国务院，2024\\n\\n2024 年 8 月 2 日\\n\\n英国工党政府取消了前任政府所承诺的 13 亿英镑技术与人工智能项目资金，称这些承诺“资金不足”。这些项目原于 2023 年宣布，包括为“人工智能研究资源”（AI Research Resource）提供\\n5 亿英镑，以资助算力基础设施，以及为爱丁堡大学建造百亿亿次级超算提供 8 亿英镑资金。\\n\\n英国撤销 13 亿英镑技术与人工智能基础设施承\\n\\n* * *\\n\\n2024 年 9 月 13 日\\n\\n美国白宫成立人工智能数据中心基础设施工作组\\n\\n白宫召集了一场会议，邀请联邦官员与科技企业高管，共同讨论保障强大数据中心基础设施的能源来源问题，而此类基础设施对于支撑人工智能模型的运行至关重要。出席会议的企业包括\\nOpenAI、Anthropic、亚马逊云服务（AWS）、英伟达与谷歌母公司\\nAlphabet。白宫在新闻稿中强调，推进人工智能在美国的发展对国家安全至关重要，并有助于确保人工智能系统的安全性、保障性与可信赖性。新成立的人工智能数据中心基础设施工作组将负责识别建设机会，并与相关机构合作，优先发展人工智能数据中心。\\n\\n资料来源：FedScoop，2024\\n\\n2024 年 9 月 17 日\\n\\n加州州长签署三项关于人工智能与选举传播的法案\\n\\n在 2024 年旧金山市长选举前夕，加州州长 Gavin Newsom\\n宣布签署三项旨在打击深度伪造选举内容的法案。分别为 AB\\n2655、AB 2839 与 AB 2355，这些法案要求大型在线平台在特定时期内移除或标注数字伪造的选举内容；延长禁止传播误导性人工智能生成选举内容的时间窗口；并强制要求所有使用人工智能生成或修改内容的选举广告必须附带适当的披露说明。\\n\\n资料来源：《华尔街日报》，2024\\n\\n2024 年 9 月 22 日\\n\\n联合国通过《全球数字契约》以确保包容与安全的数字未来\\n\\n在“未来峰会”，联合国成员国通过了《全球数字契约》（Global\\nDigital Compact），旨在为所有人构建一个包容、开放、可持续、公正、安全与保障的数字未来。该契约强调以下目标：弥合数字鸿沟、扩大数字经济带来的普惠成果、营造一个尊重人权的数字空间、推动公平的数据治理、并加强人工智能的国际治理。契约所依据的原则以国际法与人权为核心，力图通过数字技术的力量，加速实现可持续发展目标。\\n\\n资料来源:联合国，2024\\n\\n* * *\\n\\n2024 年 9 月 29 日\\n\\n加州州长否决扩张性人工智能立法\\n\\n加州州长 Gavin Newsom 否决了一项加州人工智能安全法案。该法案原本有望在全国范围内为人工智能监管设立先例，因加州是众多领先人工智能企业的所在地。法案拟要求对前沿人工智能模型在公开发布前进行安全测试，并赋予州总检察长就人工智能相关危害起诉企业的权力。支持者认为该法案是在确保人工智能安全与问责方面迈出的必要一步，而批评者则认为该法案过于限制，可能抑制人工智能的发展，尤其是不利于开源权重的人工智能生态。鉴于加州作为世界第五大经济体的地位，该法案的影响或将超出州界，类似“布鲁塞尔效应”，在国家乃至国际层面塑造人工智能治理方向。Newsom 为其否决辩护称，该法案施加了过高的标准。\\n\\n资料来源：《金融时报》，2024\\n\\n2024 年 10 月 2 日\\n\\n美国法官叫停加州新人工智能法案，因涉及卡玛拉 · 哈里斯的深度伪造视频\\n\\n2024 年 11 月，沙特阿拉伯宣布启动 “超越计划”（Project\\nTranscendence），这是一项价值 1000 亿美元的人工智能倡议，\\n旨在将该国建设成为全球科技中心。该计划由沙特主权财富基金——公共投资基金（Public Investment Fund，PIF）牵头执行，并与谷歌母公司 Alphabet 达成合作协议，计划投资 50 亿至 100 亿美元，用于开发阿拉伯语人工智能模型。此举与沙特“2030 愿景”\\n高度契合，该愿景致力于推动经济多元化，摆脱对石油的依赖，并将人工智能建设为未来发展的重要支柱。\\n\\n2024 年 11 月 8 日\\n\\n沙特阿拉伯宣布 \\\" 超越项目 \\\"\\n\\n* * *\\n\\n第六章：政策与管理\\n\\n2024 年 11 月 14 日\\n\\n欧盟人工智能办公室发布《通用人工智能实践准则》初稿\\n\\n欧洲人工智能办公室发布了《通用人工智能实践准则》四份初稿中的第一份。该准则由四个独立专家工作组制定，重点关注以下领域：透明度与版权、风险识别与评估、风险缓解以及内部治理。一旦正式定稿，该准则将作为《人工智能法案》的补充机制，使人工智能模型提供方在最终标准发布前，得以通过该准则证明其合规性。\\n\\n资料来源：欧洲联盟，2024\\n\\n2024 年 11 月 25 日\\n\\n美国与全球合作伙伴共同启动国际人工智能安全网络\\n\\n2024 年 11 月，美国商务部与国务院在旧金山共同主办了“国际人工智能安全研究机构网络”（International Network of AI\\nSafety Institutes）的首次会议。该倡议旨在加强全球在安全人工智能创新方面的协调合作，重点包括：管理合成内容风险、测试基础模型、以及对先进人工智能系统进行风险评估。美国担任首任轮值主席国，初始成员包括：澳大利亚、加拿大、欧盟、法国、日本、肯尼亚、大韩民国、新加坡以及英国。该网络已获得超过 1100 万美元的全球研究资助承诺，以支持其后续工作。\\n\\n资料来源：美联社，2024\\n\\n2024 年 12 月 2 日\\n\\n美国加强对华半导体制造设备和软件的出口管制\\n\\n美国商务部工业与安全局宣布了新的出口管制措施，进一步限制中国制造先进半导体的能力。新规包括：对 24 类半导体制造设备、3 类软件工具的出口限制，以及额外的限制措施。美国商务部长强调，此类措施对维护美国国家安全至关重要。\\n\\n资料来源：CNBC， 2024\\n\\n* * *\\n\\n2024 年 12 月 19 日\\n\\n联合国安理会讨论人工智能在冲突中的应用并呼吁建立全球框架\\n\\n2024 年 12 月 19 日，联合国安理会召开会议，专门讨论人工智能在军事环境中所带来的挑战。联合国秘书长安东尼奥 · 古特雷斯强调，人工智能的迅猛发展正超越现有治理框架的适应能力，\\n可能会削弱人类对武器系统的控制能力。他呼吁建立 “国际护栏”\\n（international guardrails），以确保人工智能的安全与包容性应用。此次讨论的背景，是关于乌克兰战争中广泛使用自主无人机和机器人武器系统的持续报道。\\n\\n资料来源：《伯克利政治评论》，2016\\n\\n* * *\\n\\n6.2 人工智能与政策制定\\n\\n全球人工智能立法记录\\n\\n概述\\n\\n人工智能指数分析了2016年至2024年间114个国家包含“人工智能”一词的立法。1其中，39个国家已制定至少一项与人工智能相关的法律（图6.2.1）。2总体来看，这些国家共通过了 204项与人工智能相关的法律。图6.2.2展示了自2016年以来\\n\\n每年颁布的与人工智能相关的法律数量。2024年通过的人工智能相关法律共计40项，高于2023年的30项，使其成为继 2022年之后立法数量第二高的一年。自2016年以来，人工智能相关法律的通过数量从1项增长至40项。\\n\\n2016-2024年各国通过的人工智能相关法律数量分布\\n\\n资料来源：2025年人工智能指数\\\\|图表：2025年人工智能指数报告\\n\\n1、由于提出的大型法案可能包括多个与人工智能有关的章节，因此该分析可能低估了实际通过的法律数量。例如，《国防授权法案》是作为一个单一的综合法案提出的，但其中包括一系列较小的法案，这些法案最初是单独提出的，后来合并为一个单一的综合。\\n\\n2、由于某些国家的立法数据库访问受限，人工智能指数在本年度缩减了分析国家样本，因此本年度所报告的人工智能相关法律数量可能低于往年报告。此外，香港与澳门尽管并非被正式承认为主权国家，亦被纳入统计，总体分析涵盖116个国家和地区。\\n\\n图6.2.1\\n\\n* * *\\n\\n第六章：政策与管理\\n\\n2016-2024 年 116 个选定地区通过人工智能相关法律的数量资料来源：人工智能指数，2025\\\\| 图表：2025 年人工智能指数报告\\n\\n%E7A7A\\n\\n按地理区域划分\\n\\n%E7A7B\\n\\n图 6.2.3 展示了 2024 年全球前 15 大地区颁布的人工智能相关法律数量。俄罗斯以 7 部法律居首，比利时和葡萄牙各以 5\\n部法律紧随其后。图 6.2.4 显示了自 2016 年以来全球颁布的人\\n\\n工智能相关法律总数，美国以 27 部法律位居榜首，葡萄牙和俄罗斯各以 20 部法律并列第二。3\\n\\n2024 年选定地区通过人工智能相关法律数量\\n\\n资料来源：2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数报告\\n\\n图 6.2.4\\n\\n3、为简明起见，图 6.2.3 和图 6.2.4 显示了按计数排名前 15 位的地理区域的数据。完整的国家级总数将 2025 年夏季更新的 Global AI Vibrancy Tool 中提供。如需立即获取，请联系人工智能指数团队。\\n\\nA9:E6A9AC 年部分地区通过人工智能相关法律数量（总和）\\n\\n* * *\\n\\n6.2 人工智能与政策制定\\n\\n重点 :\\n\\n全球人工智能立法深度观察\\n\\n本节详细分析 2024 年通过的部分人工智能相关法律。图 6.2.5 选取了五个国家的法律案例，涵盖人工智能治理的多个领域。\\n\\n| 国家 | 法案名称 | 内容摘要 |\\n| --- | --- | --- |\\n| 奥地利 | 《联邦法律修正案：修订（通讯监管局法）与〈2021年电信法〉》 | 本法案设立“人工智能服务中心”，负责支持、建议并协调在媒体、电信与邮政领域的人工智能治理。该法设立一个人工智能咨询委员会，负责监测人工智能发展趋势，向政府提供政策建议，并协助塑造国家人工智能政策。服务中心需运营一个人工智能项目信息门户，特别是涵盖公共资金资助项目，并就人工智能监管、网络安全与合规性提供指导。为支持相关活动，法案每年拨款70万欧元，后续将依据通胀调整。 |\\n| 比利时 | 《关于设立人工智能指导委员会的皇家法令》 | 本法案设立联邦人工智能指导委员会，为政府提供人工智能政策建议，并作为人工智能治理的主要联络机制。委员会成员由各部委及公共机构代表组成，定期召开会议，以协调比利时的人工智能政策实施。 |\\n| 法国 | 《2021年10月25日第2021-1382号法：关于数字时代文化作品访问的规范与保护》（2024年由第2024-449号法修订）4 | 本法案设立视听与数字传播监管局(ARCOM)，通过合并原“视听高级委员会”（CSA)与“网络作品传播与版权保护高级机构”(HADOPI)而成。该法强化了打击网络盗版的措施，并加强对数字平台的监管，以保障文化内容的数字访问权。修订案扩大了ARCOM的职权，授权其使用人工智能工具监管数字平台，特别是在版权侵权识别与打击盗版方面。 |\\n| 拉脱维亚 | 《竞选宣传法修正案》 | 本修正案规范政治广告中人工智能的使用，要求在付费竞选材料中对人工智能生成内容进行明确披露。同时，禁止在选举活动中使用带有虚假或匿名社交媒体账户的自动化系统。 |\\n| 俄罗斯 | 《关于修订(个人数据联邦法)及(在俄罗斯联邦主体——联邦城市莫斯科中建立促进人工智能技术发展与实施的特定规制试验法)，以及对(个人数据法)第6条与第10条的修正案》 | 本法案确立了匿名化个人数据处理与共享的框架，以支持政府职能中的人工智能发展。法案对人工智能驱动的决定制定进行规范，设定了生物识别数据的安全标准，并限制对敏感人工智能相关数据集的外国访问权限。 |\\n\\n%E7A7D\\n\\n4、2024 年通过的第 2024-449 号法律对原 2021 年颁布的第 2021-1382 号法律进行了修订，扩展其适用范围至人工智能领域，并正式授权 ARCOM 运用人工智能技术。\\n\\n* * *\\n\\n美国立法记录\\n\\n联邦层面\\n\\n图 6.2.6 展示了美国国会在 2016 至 2024 年间通过与提出的人工智能相关法案数量，并揭示了提案数量的显著增长。\\n52023 年，美国国会提出了 171 项人工智能相关法案，而 2024\\n年该数字增至 221 项，自 2022 年以来几乎增长了三倍。然而，\\n\\n在所有提出的人工智能法案中，实际通过的比例仍然较低。此类立法活跃趋势，反映了政策制定者对人工智能技术（尤其是生成式人工智能）能力与公众关注度上升的回应。6\\n\\nA9:E6A9AC 年美国国会提出的与人工智能相关的法案数量及通过的法律数量\\n\\n资料来源：2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数报告\\n\\n6、本节仅涵盖国会立法，不含行政部门（如特朗普总统的 “Stargate” 声明）及联邦监管机构（如 FTC 对人工智能生成评论与社交媒体机器人的新规）制定的政策。\\n\\n* * *\\n\\n第六章：政策与管理\\n6.2 人工智能与政策制定\\n\\n州级层面人工智能指数亦追踪了美国各州在人工智能领域的立法情况。图6.2.7展示了2024年各州通过的人工智能相关法案数量，加利福尼亚州以22项居首，其后为犹他州（12项）与马里兰州（8项）。图6.2.8展示了2016至2024年间各州累计通过的人工智能立法数量，加州同样居首（42项），其次为马里兰州、弗吉尼亚州与犹他州，三州均为17项。\\n\\n2024 年美国部分州通过的人工智能相关法案数量资料来源：2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数报告加利福尼亚州 22\\n犹他州 12\\n马里兰州 8\\n泰吉尼亚州 6\\n伊利诺伊州 5\\n新罕布什尔州 5\\n纽约州 5\\n阿拉巴马州 4\\n亚利桑那州 4\\n科罗拉多州 4\\n佛罗里达州 4\\n马萨诸塞州 4\\n密西西比州 4\\n田纳西州 4\\n蒙达州 3\\n\\n通过的人工智能相关法案数量\\n\\n图6.2.7\\n\\n2016-2024 年美国各州通过的人工智能相关法案数量（总和）\\n资料来源：2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数报告\\n\\nAK 0\\nME 1\\nVT 7 NH 6 MA 11\\nNY 6 CT 3 RI 0\\nOR 1D WY 1 NE 1A 1L IN 4 OH 3 PA 3 NJ 3\\nCA 42 NV 2 UT 17 CO 7 KS 0 MO 0 HY 4 WV 4 MD 17 DE 1\\nAZ 6 NM 3 OK 0 AR 0 TN 17 VA 6 NC 1\\nTY 5 LA 4 MS 6 AL 7 GA 3 SC 1\\nFI 4\\n\\n图6.2.8\\n\\n目录 第六章预览 340\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第六章：政策与管理\\n6.2 人工智能与政策制定\\n\\n自2016年以来，美国州一级通过的人工智能相关法律数量显著上升。2016年仅通过1项，至2023年增长至49项。而在过去一年内，这一数字翻倍以上，达到了131项（图6.2.9）。\\n\\n2016-2024 年美国各州通过的人工智能相关法案数量资料来源：2025 年人工智能指数\\\\|图表：2025 年人工智能指数报告\\n\\n图6.2.9\\n\\n目录第六章预览\\n341\\n\\n* * *\\n\\n第六章：政策与管理\\n6.2 人工智能与政策制定\\n\\n2025年人工智能指数报告\\n\\n重点：\\n美国州级人工智能立法案例概览\\n\\n本节精选了2024年美国多个州通过的人工智能相关法律案例，涵盖加利福尼亚和纽约等人工智能企业聚集地，也包括阿拉巴马与科罗拉多等在产业中地位相对较小的州，反映出州一级在人工智能治理方面的多样化关注焦点（图6.2.10）。\\n\\n州 法案名称 内容摘要阿拉巴马州 《有关选举；规定散布重大误导性媒体为犯罪行为》 本法案禁止在选举前90天内散布人工智能生成的、旨在误导选民或损害候选人的欺骗性媒体。若无明确免责声明，连读者可被判处轻罪；重复违规者可被判重罪。新闻报道、讽刺内容及带有免责声明的媒体可获豁免，受警方可提起民事诉讼。加利福尼亚州 《加州人工智能透明法案》 该法案要求大型人工智能提供方免费提供人工智能检测工具，并在人工智能生成内容中标明清晰且永久的来源说明，每次违反将被罚款5000美元，由总检察长或地方执法机关执行。科罗拉多州 《人工智能消费者保护法案》 第七法案对高风险人工智能系统提出透明、公正的使用要求。开发与部署方必须防止算法歧视，保障用户对人工智能决策的申诉权，并进行定期影响评估。马萨诸塞州 《关于满足马萨诸塞州未来信息技术需求的法案》 法案拨款12.6亿美元，用于全州的信息技术、网络安全与宽带基础设施现代化建设。其中2500万美元用于将人工智能与机器学习技术整合进州政府系统，以提高自动化、效率与安全性。纽约 《修订（普通商业法）关于社交媒体服务条款披露要求的法案》 本法案要求社交媒体公司以明确且可访问的方式公开其各平台的服务条款，并向州总检察长提交条款报告。若不合规，将面临惩罚。\\n\\n图6.2.10\\n\\n目录 第六章预览 342\\n\\n* * *\\n\\n第六章：政策与管理\\n6.2 人工智能与政策制定\\n\\n重点：\\n有关反深度伪造技术的政策制定\\n\\n美国各州在通过立法打击深度伪造技术（deepfake）方面表现为积极。深度伪造是指通过人工智能生成的合成媒体，能够篡改或替换视频、音频或图像中的人物形象，通常会产生通真但具有欺骗性的内容。如今年人工智能指数第三章所讨论的，深度伪造可能被用于操纵选举结果，或生成不雅图像。非营利组织“Public Citizen”维护着一个追踪人工智能深度伪造法的数据库，涵盖选举相关滥用和私密图像滥用两方面内容。图6.2.11展示了美国各州随时间推移通过的反深度伪造法律数量，包括与选举和私密图像相关的法规。8图6.2.12重点呈现了各州通过选举相关人工智能深度伪造法规的时间节点：在2024年之前，加利福尼亚、华盛顿、得克萨斯、密歇根和明尼苏达五个州已通过此类法律；2024年，又有包括俄勒冈、新墨西哥和纽约在内的12个州出台了类似法规。\\n\\n针对私密深度伪造的州级法规远比针对选举滥用的法规更为普遍。共有25个州颁布了覆盖所有个人的法律，另有5个州通过了仅适用于未成年人的法规（图6.2.13）。怀俄明和俄亥俄是目前仅有的两个尚未实施任何形式私密深度伪造法规的州。\\n\\n2019-2024 年美国各州通过的反深度伪造法律数量统计资料来源：Public Citizen，2025 图：2025 年人工智能指数报告\\n\\n图6.2.11\\n\\n8. 由于部分州的反深度伪造法律生效日期未完全落实，图6.2.11仅统计已确认通过时间的违策。\\n\\n* * *\\n\\n第六章：政策与管理\\n6.2 人工智能与政策制定\\n\\n重点：\\n有关反深度伪造技术的政策制定（续）\\n\\n截至 2024年，美国各州针对人工智能生成的选举类深度伪造内容的州级法规及其状态资料来源：Public Citizen, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n图 6.2.12\\n\\n截至 2024年，美国各州针对人工智能生成的私密影像深度伪造内容的州级法规及其状态资料来源：Public Citizen, 2025 \\\\| 图表：2025 年人工智能指数报告\\n\\n图 6.2.13\\n\\n目录第六章预览\\n344\\n\\n* * *\\n\\n第六章：政策与管理\\n6.2 人工智能与政策制定\\n\\n2025年人工智能指数报告\\n\\n全球立法讨论中的人工智能提及频次\\n\\n立法关注度的另一项指标是政府及议会会议记录中提及\\n“人工智能”的次数。人工智能指数分析了2016年至2024年间\\n73个国家和地区的立法会议记录，统计包含关键词“人工智能”\\n的会议场次。9\\n\\n概述图6.2.14展示了2016至2024年间，全球立法程序中“人工智能”一词的年提及次数。2023年为1557次，2024年增长至1889次，增幅达21.3%。自2016年起，该数字增长超过九倍。\\n\\n2016—2024年 75 个地区立法会议中人工智能提及频次统计资料来源：2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数数据\\n\\n图 6.2.14\\n\\n9. 被分析国家的完整名录见附录。人工智能指数研究小组的目标是审查世界各地的政府和议会程序，但并非所有国家都有可公开访问的数据。今年，指数数据调整了跟踪方法，导致可以往的总数略有不同。要具体地说，需及众法报会设计计算，因此在同一立法会议上多次提及人工智能指数并一次完整的方法详述附录。此外，人工智能指数数据描述除了澳门和香港的情况，虽然它们不属于正式的国家，但它们的提及仍然在图 6.2.14 的统计中。该指数总共测量了 75 个地理区域的人工智能提及情况。\\n\\n目录第六章预览\\n345\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第六章：政策与管理\\n6.2 人工智能与政策制定\\n\\n2024年在立法程序中提及人工智能最多的国家为西班牙（314次），其后为爱尔兰（145次）和澳大利亚（123次）。在被分析的75个国家和地区中，有57个在至少一次立法程序中提及了人工智能。\\n\\n2024 年各国立法程序中提及人工智能的次数资料来源：2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数报告\\n\\n将 2016 年至 2024 年的立法提及次数汇总后，出现了一种类似的趋势（图 6.2.16）。西班牙以1200次位列第一，紧随其后的是英国（710次）和爱尔兰（659次）。\\n\\n2016-2024 年各国立法程序中提及人工智能的次数（总和）\\n资料来源：2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数报告\\n\\n图 6.2.15\\n\\n图 6.2.16\\n\\n目录第六章预览\\n346\\n\\n* * *\\n\\n第六章：政策与管理\\n6.2 人工智能与政策制定\\n\\n图6.2.17基于部分国家的数据，对比了人工智能在议会讨论中被提及的频率与通过的人工智能相关法律数量。总体而言，议会中对人工智能的高关注度与人工智能立法数量呈正相关。然而，部分国家如比利时、葡萄牙和俄罗斯，在讨论频率与实际立法之间存在明显偏离，表明议会关注不一定直接转化为立法成果。\\n\\n2016-2024 年各国立法程序中提及人工智能的次数与人工智能相关法案通过数量的对比资料来源：2025 年人工智能指数（图表：2025 年人工智能指数报告）\\n\\n图 6.2.17\\n\\n目录第六章预览\\n347\\n\\n* * *\\n\\n第六章：政策与管理\\n\\n6.2 人工智能与政策制定\\n\\n美国国会委员会提及情况\\n\\n美国众议院与参议院各委员会在其报告中对人工智能的提及情况，是衡量国会对人工智能关注程度的另一指标。这些委员会通常负责立法、政策事务、调查与内部事务。图6.2.18记\\n\\n录了2001年至2024年间，美国各届国会委员会报告中提及人工智能的频次。第118届国会（2023–2024）提及次数达136\\n次，创历史新高，较第117届增长了83.8%。\\n\\nA99:6A9AC 年美国各届国会会期委员会报告中的人工智能提及次数统计\\n\\n资料来源：2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数报告\\n\\n* * *\\n\\n美国监管条例\\n\\n人工智能的兴起引发了监管机构的高度关注——这些联邦机构负责监管经济中的特定领域，并指导法律的执行。本节探讨的是美国的人工智能监管情况。与确立国家法律框架的立法不同，监管条例是由行政当局制定的详细指令，用以执行立法条文。在美国，具有代表性的监管机构包括：环境保护署\\n（EPA）、食品药品监督管理局（FDA）、联邦通信委员会\\n（FCC）。由于立法的具体内容通常通过监管行动得以体现，\\n理解人工智能监管格局是深入理解人工智能政策制定的重要组成部分。本节分析了2016年至2024年间由美国监管机构颁布的人工智能相关监管条例，涵盖监管总数、主题、适用范围、监管意图与发起机构等多个方面。为收集相关数据，人工智能\\n\\n指数研究团队在美国联邦公报（Federal Register）中进行了关键词“artificial intelligence”的检索。联邦公报是涵盖美国政府几乎所有部门文件的综合性数据库，汇集了来自超过436个联邦机构的信息。\\n\\nA9:E急A9AC 年间美国人工智能相关监管条例数量\\n\\n按机构分类\\n\\n过去六年中，人工智能相关监管数量急剧上升。尤其在过去一年中，增长趋势尤为显著（图6.2.19）。2024年，美国共发布59项人工智能相关监管条例，远高于2023年的25项，实现了超过两倍的增长。\\n\\n图6.2.20展示了自2016年以来，美国不同联邦监管机构所发布的人工智能相关监管条例数量。10 2024年，美国卫生与公众服务部发布了最多的人工智能监管条例（共14项），其次是\\n\\n资料来源：2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数报告\\n\\n概述\\n\\n医疗保险与医疗补助服务中心（7项）和商务部（7项）。人工智能监管条例的来源机构数也达到了历史最高——共计42个机构，远高于2023年的21个与2022年的17个。这一趋势反映出：人工智能正受到美国越来越多监管机构的广泛关注。\\n\\n* * *\\n\\nA9:E急A9AC 年美国各联邦机构发布的人工智能相关监管条例数量\\n\\n资料来源：2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数报告\\n\\n| | 2016 | 2017 | 2018 | 2019 | 2020 | 2021 | 2022 | 2023 | 2024 |\\n| --- | --- | --- | --- | --- | --- | --- | --- | --- | --- |\\n| Agency for International Development | | | | | | | | | 1 |\\n| Census Bureau | | | | | | | | | 1 |\\n| Centers for Medicare and Medicaid Services | | | 1 | 2 | 4 | 5 | 4 | 3 | 7 |\\n| Children and Families Administration | | | | | 1 | 1 | 1 | | |\\n| Commerce Department | | | | | 1 | 1 | 3 | 5 | 7 |\\n| Commodity Futures Trading Commission | | | | | | | | | 1 |\\n| Comproller of the Currency | | | | | | | 1 | | 2 |\\n| Consumer Financial Protection Bureau | | | | 1 | | | 1 | 1 | 4 |\\n| Copyright Office, Library of Congress | | | | 1 | | | | 1 | 1 |\\n| Defense Acquisition Regulations System | | | | | | | | | 1 |\\n| Defense Department | | | | | | | | | 1 |\\n| Education Department | | | | | 2 | | | | 2 |\\n| Employee Benefits Security Administration | | | | | | | 1 | | |\\n| Employment and Training Administration | | | | | | 1 | | | |\\n| Energy Department | | | | | | | | 1 | 1 |\\n| Environmental Protection Agency | | | | | | | | | 2 |\\n| Executive Office for Immigration Review | | | | | | | | | 1 |\\n| Executive Office of the President | | | 2 | 6 | 5 | 2 | 3 | 5 | 5 |\\n| Federal Aviation Administration | | | | | | | | | 1 |\\n| Federal Communications Commission | | | | | 1 | | | | 2 |\\n| Federal Deposit Insurance Corporation | | | | | | | | | 1 |\\n| Federal Election Commission | | | | | | | | | 1 |\\n| Federal Energy Regulatory Commission | | | | | | | | | 1 |\\n| Federal Housing Finance Agency | | | | | | | | | 1 |\\n| Federal Railroad Administration | | | | | | | | 1 | 1 |\\n| Federal Reserve System | | | | | | | | | 1 |\\n| Federal Trade Commission | | | | | | | | | 2 |\\n| Financial Crimes Enforcement Network | | | | | 1 | 1 | 2 | 1 | 2 |\\n| Food and Drug Administration | | | | | 1 | 5 | 5 | 4 | 14 |\\n| Health and Human Services Department | | | 1 | 2 | 5 | 5 | 5 | 4 | 14 |\\n| Homeland Security Department | 1 | | | | | 3 | | 1 | 2 |\\n| Housing and Urban Development Department | | | | | 1 | | | 1 | 1 |\\n| Industry and Security Bureau | | | | | 1 | | 3 | 4 | 4 |\\n| Investment Security Office | | | | | 1 | | | | 1 |\\n| Justice Department | | | | | | | | | 1 |\\n\\n* * *\\n\\n6.3 人工智能公共投资\\n\\n重点 :\\n\\n美国联邦法规深度观察\\n\\n本节重点介绍了2024年美国联邦政府通过的部分以“规则”与“行政命”形式发布的人工智能相关监管条例（图6.2.21）。\\n\\n| 机构 | 法规名称 | 内容摘要 |\\n| --- | --- | --- |\\n| 总统行政办公室 | 《防止“关注国家”获取美国敏感个人数据与与美国政府相关的数据》(Preventing Access to Americans' Bulk Sensitive Personal Data and United States Government-Related Data by Countries of Concern) | 本行政命令将“关注国家”(countries of concern)利用人工智能构成的国家安全威胁列为重大风险。命令特别警告称,外国敌对势力可能借助大量敏感个人数据和美国政府相关数据,训练人工智能算法以执行间谍活动、网络行动和舆论操控。为应对此类风险,命令提出一系列数据保护措施,包括限制或禁止与这些国家的数据交易行为,并强化网络基础设施安全防护。 |\\n| 工业与安全局 | 《外国生产直接产品规则的补充与对先进计算与半导体制造产品的出口控制强化》(Foreign-Produced Direct Product Rule Additions, and Refinements to Control for Advanced Computing and Semiconductor Manufacturing Items) | 本规则修订《美国出口管理条例》,收紧对半导体制造设备和超级计算机出口的管控,特别是对中国的相关限制,规则新增了对半导体制造的进一步限制,更新现有条款,并引入“红旗”(Red Flags)制度,以识别潜在的非法出口风险。此举旨在遏制中国规避原有限制的行为,并限制其开发可对美国国家安全构成威胁的高级计算与人工智能系统的能力。 |\\n| 消费者金融保护局 | 《2024-06号消费者金融保护通告：用于招聘、晋升和其他就业决策的背景档案与算法评分》(Consumer Financial Protection Circular 2024-06: Background Dossiers and Algorithmic Scores for Hiring, Promotion, and Other Employment Decisions) | 本通告明确规定,雇主在作出就业决策时,不得在未经合规的前提下依赖背景档案、算法评分或第三方报告,该规定重申了《公平信用报告法》(Fair Credit Reporting Act, FCRA)下的核心义务,特别是对人工智能驱动系统而言,如获取员工同意后方可调用消费者报告等条款。通过该通告,监管机构对在招聘与人中使用算法评分设定了明确的边界。 |\\n| 联邦选举委员会 | 《关于竞选权威虚假陈述的解释性规则》(Fraudulent Misrepresentation of Campaign Authority) | 该解释性规则针对人工智能生成内容日益增多的背景,对《联邦选举法案》(Federal Election Campaign Act, FECA)进行了补充说明,规则重申FECA具有“技术中立性”,监管重点并非特指人工智能误用,而是聚焦于个人或组织是否参与了与选举有关的虚假陈述行为。 |\\n| 财政部投资安全办公室 | 《关于美国在“关注国家”中对某些国家安全技术与产品投资的条款》(Provisions Pertaining to U.S. Investments in Certain National Security Technologies and Products in Countries of Concern) | 本最终规则落实了第14105号总统行政命令,要求美国公民在与“关注国家”中从事敏感技术领域的实体进行交易时,必须向财政部进行通报,并在某些情况下禁止交易,该命令发布于2023年,所涉风险技术领域包括人工智能、半导体与量子计算。美国政府认为,对这些领域的投资可能提升敌对国家对美国家安全构成威胁的能力。 |\\n\\n%E7A7A9\\n\\n* * *\\n\\n11\\n6.3 人工智能公共投资\\n\\n随着人工智能持续推动医疗、交通、国防等关键领域的创新，公共资金已成为各国实现其人工智能战略的关键支柱。了解各国政府在人工智能研究与开发上的投入，对于理解更广阔的地缘政治人工智能格局至关重要，但对这些投资进行追踪仍面临重大挑战。尽管国家预算可能会列出与人工智能相关的支出项目，但这些预算拨款并不总能直接反映为实际支出。此外，\\n人工智能投资往往被嵌套在更广义的科学或技术倡议中，导致精准识别人工智能专属资金配置变得较为困难。\\n\\n为解决这一问题，人工智能指数使用自然语言处理（NLP）\\n技术分析了各国公开发布的招标与合同文件，从中识别与人工智能相关的政府支出。1A这种对招标文件的分析方式，能更直接反映投资趋势，也更好展现政府随时间推移如何配置资源。由于人工智能指数仅分析了公开披露合同和招标数据的国家，\\n一些国家因此未被纳入分析范畴。13本节还单独分析了美国在人工智能领域的科研拨款支出总额。\\n\\n人工智能指数报告特别提醒：基于本节公布的政府支出数据进行跨国直接比较需谨慎。尽管本次分析涵盖了多国政府合同数据，但仅包含美国联邦层面的科研资助支出数据。这种数据不对称性源于从欧盟、中国等其他国家和地区获取可比性资\\n\\n助数据的复杂性和难度。以美国为例，政府人工智能指数支出中科研资助占据重要比重。2023年，据人工智能指数估算，美国政府人工智能指数相关公共合同金额约8.3亿美元，而同期人工智能指数相关科研资助高达45亿美元。鉴于当前跨国数据可获性和一致性的局限，进行各国人工智能指数公共支出的比较分析仍为时过早。本项研究旨在为建立更全面的全球数据覆盖迈出第一步。人工智能指数报告将持续推进这项工作，并欢迎有意提升数据范围和质量的研究人员、机构及政府开展合作。\\n\\n* * *\\n\\n人工智能公共投资总额\\n\\n图6.3.1总结了各国人工智能相关合同数量及其价值的核心数据。14 从2013年至2023年，美国在人工智能公共投资方面位居全球首位，共签订2678份独立人工智能合同，总金额约为52亿美元（图6.3.1和图6.3.2）。在欧洲，英国、德国和\\n\\nA9:B6A9AB 年部分国家人工智能相关公共合同支出总额资料来源：2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数报告\\n\\n法国的人工智能合同总价值最高，合计占欧洲公共人工智能投资的56%。在欧洲，英国、德国和法国的人工智能合同总价值最高，合计占欧洲公共人工智能投资的56%。\\n\\n人工智能相关公共合同支出（单位：百万美元）\\n\\n14、所提供的结果和数字受特定匹配投标样本缺失值比率的影响：NAICS 代码为 0.16%，美元价值为 26.8%。值得注意的是，样本中不包括北爱尔兰的投标书，因为其办事处不提供 API 服务或批量下载选项以进行大规模数据收集。\\n\\n* * *\\n\\n第六章：政策与管理\\n\\nA9:B6A9AB 年部分国家人工智能相关合同总数\\n\\n资料来源：2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数报告\\n\\n与人工智能有关的合同数量\\n\\n%E7B7A\\n\\nA9:B6A9AB 年部分国家人工智能相关公共合同的中位数金额\\n\\n与人工智能相关的公共合同中值（单位：百万美元）\\n\\n* * *\\n\\n第六章：政策与管理\\n\\n6.3 人工智能公共投资\\n\\n过去十年间，哪些国家在人工智能领域的投入最高？美国以每 10 万居民投入 158 万美元位居榜首，芬兰（130 万美元）和丹麦（\\n130 万美元）紧随其后（图 6.3.4）。\\n\\nA9:B6A9AB 年，部分国家每 10 万居民在人工智能相关公共合同支出金额（合计）\\n资料来源：2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数报告\\n\\n每 10 万居民用于人工智能相关公共合同支出（单位：百万美元）\\n\\n* * *\\n\\n第六章：政策与管理\\n\\n图 6.3.5 展示了 2023 年人工智能领域的公共投资情况。美国的人工智能合同支出为 8.31 亿美元，远超其他国家，英国以 2.63 亿美元位列第二。虽然德国、西班牙、英国依然是欧洲\\n\\n投资大户，但罗马尼亚、希腊、匈牙利和波兰等以往排名靠后的国家也进入了前十。这一变化表明，人工智能资金在欧洲的分布趋于更加平衡。\\n\\n2023 年部分国家用于人工智能相关公共支出合同金额\\n\\n资料来源：2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数报告\\n\\n每 10 万居民用于人工智能相关公共合同支出（单位：百万美元）\\n\\n图 6.3.5\\n\\n* * *\\n\\n第六章：政策与管理\\n6.3 人工智能公共投资\\n\\n图6.3.6展示了美国与欧洲这两个人工智能投资重点地区在过去十年间的公共人工智能投资趋势。数据显示，两地区的人工智能相关支出均显著增长。尤其值得注意的是，2023年欧洲的人工智能投资总额较2013年增长约67倍，而美国则增长约15\\n倍。欧洲在2017年和2019年经历了特别显著的跃升：2017年同\\n\\nA9:B6A9AB 年美国和欧洲人工智能相关公共合同支出金额\\n\\n比增长400%，2019年再次上涨200%。值得一提的是，2019\\n年也是全球范围内国家人工智能战略发布数量达到峰值的一年。这一持续上升趋势清晰地说明了各国政府在财政上对人工智能的重视程度与投入意愿。\\n\\n资料来源：2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数报告\\n\\n图 6.3.6\\n\\n* * *\\n\\n第六章：政策与管理\\n6.3 人工智能公共投资\\n\\n图6.3.7呈现了美国与欧洲在人工智能公共支出方面的差额变化。数据显示，这一差距在2020年前持续扩大，但过去三年\\n\\n开始逐步缩小，表明欧洲国家正在逐步赶上美国在人工智能相关公共支出方面的步伐。\\n\\n2013--2023 年美国和欧洲在人工智能相关公共合同支出差异资料来源：2025 年人工智能指数\\\\|图表·2025 年人工智能指数报告\\n\\n人工智能相关公共合同支出（单位：百万美元）\\n\\n249.60\\n\\n图6.3.7\\n\\n目录第六章预览\\n358\\n\\n* * *\\n\\n第六章：政策与管理\\n6.3 人工智能公共投资\\n\\n图6.3.8展示了2013年至2023年欧洲五大主要国家——比利时、法国、德国、西班牙和英国的人工智能相关公共支出数据显示投资呈现稳定增长趋势，并伴有周期性峰值。其中，德国在2018年11月发布国家人工智能战略后，于2019年实现显著增长。英国则在2021年和2023年出现两次人工智能公共投资的急剧上升，这与其人工智能委员会提出的国家战略密切相关——该独立专家委员会成立于2019年，旨在为政府提供建议并对人工智能生态系统进行高层指导。相比之下，比利时、法国和西班牙的增长幅度较为温和但保持稳定态势。\\n\\n2013-2023 年欧洲五大主要国家用于人工智能相关公共合同支出金额资料来源：2025 年人工智能指数 图表：2025 年人工智能指数报告\\n\\n图6.3.8\\n\\n目录 第六章预览 359\\n\\n* * *\\n\\n第六章：政策与管理\\n6.3 人工智能公共投资\\n\\n2025年人工智能指数报告\\n\\n按机构与职能领域划分的人工智能公共支出分布\\n\\n美国与欧洲在人工智能公共招标投资的分布格局存在显著差异，这种差异源于双方在战略优先级与制度结构上的不同。如图6.3.9所示，自2013年以来，美国绝大多数人工智能相关合同由国防部签订，这与该机构在美国技术创新体系中长期扮演的核心角色相一致。2023年，美国人工智能相关公共合同中，国防部占比为75.04%。退伍军人事务部位列第二，占比为6.83%；财政部位居第三，占比为5.34%。\\n\\n退伍军人事务部在人工智能领域的投资主要集中在医疗和康复相关应用，包括基于人工智能的辅助诊断、机器人义肢研发以及心理健康支持系统的构建等方向。这些应用反映出该部门在推动智能医疗服务方面的持续投入。\\n\\n2013-2023 年按机构分类的人工智能相关科研拨款的公共支出（占总额的百分比）\\n资料来源：2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数报告\\n\\n图 6.3.9\\n\\n目录第六章预览\\n360\\n\\n* * *\\n\\n第六章：政策与管理\\n6.3 人工智能公共投资\\n\\n在欧洲，通过公共招标实现的人工智能投资呈现出与美国显著不同的模式。由于缺乏类似美国那样集中汇总的财政支出数据，人工智能指数采用了按主要职能类别对资助实体进行分类的方法，以分析欧洲的人工智能公共投资结构。如图6.3.10\\n所示，欧洲的人工智能投资在不同职能类别之间分布更加均衡。其中，2023年排名前三的资助领域为：一般公共服务、教育、医疗健康，三者合计占据了当年欧洲人工智能相关公共投资总额的约84%。在同一年，国防相关支出仅占全部人工智能公共招标投资的0.84%，这一比例与美国形成了鲜明对比。在美国，国防是人工智能资金的绝对主要接收方。\\n\\n2013-2023年，按资金提供机构分类，欧洲各国政府在人工智能相关公共合同支出（占总支出的百分比）\\n资料来源：2025年人工智能指数（图表：2025年人工智能指数报告）\\n\\n图6.3.10\\n\\n目录第六章预览\\n361\\n\\n* * *\\n\\n第六章：政策与管理\\n6.3 人工智能公共投资\\n\\n重点：\\n美国人工智能科研拨款分析\\n\\n公共拨款是政府支持人工智能项目和相关计划的重要渠道之一。通过此类拨款，公共机构可以直接投资于多种人工智能应用项目，例如，提升 X 光血管造影(X-ray angiography)的解读效果，构建用于自动化土壤监测的人工智能驱动无人机系统。开发可解释的机器学习工具等，政府可通过向国家科学基金会(NSF)或卫生与公众服务部(HHS)，其包括国家卫生研究院(NIH)等机构提供研究拨款，以支持专注于人工智能的科研项目。在本节中，人工智能指数对美国政府在人工智能相关专项中的拨款数据进行了分析。与前文一致，人工智能指数同样采用自然语言处理(NLP)方法来识别人工智能相关拨款项目。15\\n\\n图 6.3.11展示了2013年至2023年美国人工智能相关拔款支出的汇总数据。在此期间，美国联邦政府累计向人工智能相关研究项目拨款总额约197亿美元。\\n\\n2013-2023 年美国人工智能相关拨款金额统计资料来源：2025 年人人工智能指数表；2025 年人人工智能指数报告\\n\\n资助金额统计 价值资助项目数量 18,399\\n总金额（百万美元） 19,748.44\\n中位数（单位：千美元） 247.53\\n平均金额（单位：千美元） 1,073.34\\n人均资助额（千美元/10万人） 5,965.769\\n\\n图 6.3.12展示了美国人工智能拨款随时间的变化趋势。2013年至2023年间，美国人工智能科研拨款总额增长近19倍，从最初的2.3亿美元上升至45亿美元。在2014年至2020年期间，拨款年均增长率约为40%。这一下拨款规模的迅速扩张，与人工智能技术在过去十年间的持续演进密切相关。特别是在深度学习、自然语言处理以及计算机视觉等核心领域取得关键性进展的背景下，公共部门对于人工智能具体应用场景中的部署需求不断上升，进而推动了政府对相关研究项目的持续加码投入。\\n\\n2013-2023 年按机构分类的人工智能相关科研拨款的公共支出（占总额的百分比）\\n资料来源：2025 年人人工智能指数图表；2025 年人人工智能指数报告\\n\\n目录 第六章预览 342\\n\\n* * *\\n\\n第六章：政策与管理\\n6.3 人工智能公共投资\\n\\n2025年人工智能指数报告\\n\\n重点：\\n美国人工智能科研资助分析（续）\\n\\n图6.3.13展示了2013年至2023年间，美国人工智能相关拔款在各资助机构之间的分布情况。其中，卫生与公众服务部所获得的拨款比例最高，达43.6%，其次为国家科学基金会，占27.9%，商务部位列第三，占5.4%。\\n\\n2013-2023 年按机构分类的人工智能相关科研拨款的公共支出（占总额的百分比）\\n资料来源：2025 年人工智能指数 \\\\| 图表：2025 年人工智能指数报告\\n\\n卫生和公众服务部 43.57%\\n国家科学基金会 2799%\\n其他机构 16.06%\\n商务部 5.38%\\n国防部 2.62%\\n农业部 1.87%\\n能源部 1.47%\\n国家航空航天局 1.12%\\n0% 5% 10% 15% 20% 25% 30% 35% 40% 45%\\n\\n人工智能相关科研拨款的公共支出（占总额的百分比）\\n\\n图6.3.13\\n\\n目录第六章预览\\n363\\n\\n* * *\\n\\nAI\\n2025年人工智能指数报告\\n\\n第七章：\\n教育\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第七章：教育\\n\\n概述 366\\n章节要点 367\\n\\n7.1背景介绍 368\\n\\n7.2 K-12阶段的计算机科学与人工智能教育 369\\n美国 369\\n基础计算机科学教育 369\\n高阶计算机科学教育 373\\n教育标准与政策指导 376\\n教师视角 377\\n全球现状 379\\n普及情况 379\\n政策指导 380\\n\\n7.3高等教育阶段的计算机科学与人工智能教育 382\\n学位授予情况 382\\n美国 382\\n全球 388\\n指导政策 392\\n\\n7.4展望未来 393\\n\\n获取公共数据\\n\\n目录 第七章预览 378\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第七章：\\n教育\\n\\n概述\\n\\n人工智能通过生成式人工智能对工作的影响——提升效率、实现任务自动化——\\n已进入公众视野，同时也推动了教育领域个性化学习的创新。然而这项技术虽前景广阔，\\n却暗藏风险：从生成虚假输出的“幻觉问题”，到强化社会偏见、削弱批判性思维。随着人工智能教育市场规模预计将大幅增长，技术滥用引发的伦理问题日益凸显——人工智能工具曾错误指控边缘化学生作弊的事件，正警示着负责任的技术开发与部署的紧迫性。\\n\\n应对这些挑战需要技术素养与批判性审视社会影响的双重能力。培养 AI 专业人才必须从 K-12 阶段基础教育与高等教育着手，确保学生成为负责任的使用者与开发者。人工智能教育不能孤立存在——必须与更广泛的计算机科学（CS）教育体系协同发展。本章节将审视全球人工智能与计算机科学教育发展现状、教育机会差异，以及塑造人工智能教育角色的政策框架。\\n\\n本章节由卡普尔基金会、计算机科学教师协会（CSTA）、公共利益技术大学联盟\\n(PIT-UN) 与人工智能指数联合撰写。卡普尔基金会致力于种族平等与技术创新的交叉领域，通过构建公平包容的计算教育路径、推进减轻技术危害并促进机会平等的政策、部署资本支持负责任且符合伦理的技术方案来实现使命。计算机科学教师协会作为全球会员组织，通过团结、支持并赋能教育工作者来提升计算机科学教育的质量、可及性与包容性。公共利益技术大学联盟（PIT-UN）则促进高校间合作，共同建设公共利益技术领域，培养心系公共利益的新一代技术人才。\\n\\n目录第七章预览\\n378\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第七章：\\n教育\\n\\n章节要点\\n\\n1. 美国高中计算机科学(Computer Science, CS)课程的普及率与选修人数较上一学年略有提升，但教育差距依然存在。学生的参与情况因州、种族和民族、学校规模、地理位置、收入、性别和残疾而异。\\n\\n2. 美国计算机科学的教师希望传授人工智能，但认为自己不具备这样的能力。尽管 81% 的计算机科学教师认同应将人工智能应用及人工智能基础知识纳入计算机科学基础课程体系，但仅有不足半数的高中计算机科学教师认为自己具备开展人工智能教学的专业能力。\\n\\n3. 全世界有三分之二的国家提供或计划提供 K-12 阶段的计算机科学教育。自 2019 年以来，这一比例翻了一番，其中非洲和拉丁美洲国家进展最为显著。然而，由于学校缺乏电力供应，非洲国家学生获得计算机科学教育的机会最少。\\n\\n\\n4.2022 年至 2023 年期间，美国获得人工智能硕士学位的毕业生人数几乎翻了一番。尽管人工智能在学士学位和博士学位中的关注度提升较为缓慢，但硕士学位的激增可能预示着所有学位层次都将出现这一发展趋势。\\n\\n5. 在培养信息、技术和通信技术(ICT)毕业生方面，美国持续处于全球领先地位。西班牙、巴西和英国紧随美国之后，成为各层次毕业最多的国家，而土耳其则是男女比例最均衡的国家。\\n\\n目录第七章预览\\n378\\n\\n* * *\\n\\n第七章：教育\\n7.1 背景介绍\\n\\n7.1 背景介绍\\n\\n要深入把握当前人工智能教育的发展态势，必须对教育领域的人工智能应用、人工智能素养教育以及人工智能专业教育这三者作出明确界定（图 7.1.1）。教育领域的人工智能应用主要指人工智能技术在教学过程中的实际运用；人工智能素养教育则侧重于培养对人工智能技术的基本认知能力，包括理解其运作机制、掌握使用方法以及认识潜在风险；而人工智能专业教育不仅包含上述素养要求，更致力于培养学生开发人工智能系统所需的专业技术能力，例如支撑人工智能技术的数据分析能力、数据偏差的识别与修正等关键技能，本章节所采用的数据指标主要针对人工智能专业教育这一范畴。\\n\\n教育领域的人工智能应用在教学与学习中使用人工智能工具\\n\\n人工智能素养教育对人工智能的基础理解，\\n包括其工作原理、使用方法及使用风险\\n\\n人工智能专业教育人工智能素养构建人工智能所需的技术技能\\n\\n图 7.1.1\\n\\n目录第七章预览\\n378\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第七章：教育\\n7.2 K-12阶段的计算机科学与人工智能教育\\n\\n全球在构建一个具备韧性与多样性的劳动力队伍方面面临严峻挑战，尤其是在基建设施、资源获取、课程参与等方面存在巨大差异，而这些差异进一步加剧了K-12阶段学生在迈向科技驱动未来中的不平等起点。尽管由于数据收集与指标设定缺乏标准化，问题的实际规模难以精准估算。本节仍聚焦于计算技术教育早期环节，结合现有的全球数据审查当前K-12阶段的计算机科学及人工智能教育现状。\\n\\n7.2 K-12 阶段的计算机科学与人工智能教育¹\\n美国\\n\\n在探讨美国人工智能教育的普及程度与教育质量之前，有必要先回顾其在计算机科学教育方面的历史演进。自2016年奥巴马总统发超“全民计算机科学教育”倡议以来，联邦政府投入数十亿美元，旨在确保所有K-12学生皆具备计算机科学学习机会，以培养他们成为数字经济的创造者与科技社会中的负责任公民，该项拨款重点支持专业教师培训、教学资源优化及区域合作机制建设，以扩大计算机科学教育的覆盖面。国家科学基金会（NSF）也主导开发与推行两门新课程——《探索计算机科学》和《AP计算机科学原理》，以吸引更广泛的学生群体参与计算教育。同时，科技产业界与慈善机构亦共同出资，推动全国性项目，\\n使数以百万计的学生得以接触计算机科学教育。\\n\\n基础计算机科学教育\\n\\n过去十年中，教育倡导者敦促政策制定者通过立法改善计算机科学教育的普及。这一系列努力已取得初步成效：2017-2018学年，仅有35%的美国高中开设计算机科学课程；而到了2023-2024学年，该比例已上升至60%。然而，国家层面的整体数据仍可能掩盖不同州之间的差异，例如，阿肯色州与马里兰州的所有高中（100%）皆开设计算机科学课程，而蒙大拿州的覆盖率仅为31%(图7.2.1)\\n\\n2024年各州公立高中开设计算机科学基础课程的比例（占该州高中总数的百分比）\\n资料来源：Cook.org, CSTA, and ECEP Alliance, 2024 \\\\| 图表：2025年人工智能指数报告\\n\\nAK 91\\nWA 50 MT 31 ND 47 SD 61 MN 36 WI 52 MI 54\\nVT 72 NH 95 MA 83\\nNY 52 CT 84 RI 83\\nOR 60 ID 40 WY 74 NE 84 IA 84 JL 60 IN 91 OH 61 PA 75 NJ 86\\nCA 82 UT 61 CO 69 KS 35 MD 80 KY 76 WW 79 DC 53 MD 100 DE 61\\nNV 95 UT 61 CO 69 KS 35 MD 80 KY 76 WW 79 DC 53 MD 100 DE 61\\nAZ 43NM 94OK 64AR 100TN 64VA 69NC 91\\nTX 86LA 39MS 85AL 94GA 79SC 92\\n\\n图7.2.1\\n\\n1. 由于人工智能待机上高于计算机科学的分领域，本章节在缺乏人工智能专项数据时引用计算机科学教育数据。\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第七章：教育\\n7.2 K-12阶段的计算机科学与人工智能教育\\n\\n在公平接受计算机科学教育方面仍存在显著差距，部分学生群体被边缘化，2023—2024 年学年，部分学生群体的课程覆盖仍显不足：包括符合免费或减价午餐(FRL)资格的学生、小型\\n\\n学校学生、城市与乡村地区的学生，以及美洲原住民学生（图\\n7.2.2 至 7.2.5）。\\n\\n2024年按规模分类的开设计算机科学基础课程的学校资料来源：Code.org, CSTA, and ECEP Alliance, 2024 图表：2025 年人工智能指数报告\\n\\n图 7.2.2\\n\\n2024年按地理区域划分的开设计算机科学基础课程的学校资料来源：Code.org, CSTA, and ECEP Alliance, 2024 图表：2025 年人工智能指数报告\\n\\n图 7.2.3\\n\\n2024年按免费和减免午餐学生人数分类的开设计算机科学基础课程的学校资料来源：Code.org, CSTA, and ECEP Alliance, 2024 图表：2025 年人工智能指数报告\\n\\n图 7.2.4\\n\\n享受免费和减免午餐的学生百分比\\n\\n目录第七章预览\\n378\\n\\n* * *\\n\\n第七章：教育\\n7.2 K-12阶段的计算机科学与人工智能教育\\n\\n2024 年按种族/族裔分类的学习计算机科学基础课程的情况资料来源：Code.org, CSTA, and ECEP Alliance, 2024 \\\\| 图表：2025 年人工智能指数报告\\n\\n此外，根据41个州的学生参与数据，\\n计算机科学课程的实际选修情况亦显不足。2020-2021学年，仅有5.1%的高中生参与了计算机科学课程；至2023-2024学年，该比例仅微幅上升至6.4%。各州之间的参与差异同样显著——例如南卡罗来纳州有26%的高中生参与计算机科学课程，而佛罗里达州、亚利桑那州与爱达荷州的参与率仅为2%(图7.2.6)\\n\\n2024年高中计算机科学专业招生人数占学生总数的比例资料来源：Code.org, CSTA, and ECEP Alliance, 2024 \\\\| 图表：2025年人工智能指数报告\\n\\nAK\\nWA 5%\\nMT 4%\\nND 5%\\nSD MN 2%\\nWI 4%\\nMI\\nOR 7%\\nID 2%\\nWY 9%\\nNE 4%\\nIA 5%\\nL 7%\\nIN 7%\\nOH\\nPA 6%\\nNU 9%\\nDE 5%\\nCA NV\\nUT 13%\\nCO KS 3%\\nMO 3%\\nKY 11%\\nWW 4%\\nDC\\nMD 10%\\nNC 5\\nAZ 2%\\nNM 3%\\nOK 5%\\nAP 20%\\nTN 6%\\nVA 5%\\nGA 7%\\nSC 26%\\nHI 4%\\nFL 2%\\n\\n图7.2.6\\n\\n目录第七章预览\\n371\\n\\n* * *\\n\\n第七章：教育\\n7.2 K-12阶段的计算机科学与人工智能教育\\n\\n按种族和族裔划分的计算机科学课程参与数据显示，推广工作的确在一定程度上提高了非洲裔、美洲原住民 / 阿拉斯加原住民以及白人学生的参与度，在全国范围内接近甚至超过其人口占比（图 7.2.7）。然而，据数据不完整（尤其缺少九个州的数据）\\n也提醒我们应谨慎解读整体趋势。女性学生在计算机科学课程中的参与度明显低于其在K-12阶段人口中的比例。此外，拉丁裔与太平洋岛裔学生、持有个性化教育计划(IEP)学生、FRL\\n学生以及英语学习者在全国范围内均呈现参与不足的趋势（图\\n7.2.7 与图 7.2.8）。\\n\\n2024年按种族／族裔分类计算机科学公立高中入学率与全国人口统计数据对比资料来源：Code.org, CSTA, and ECEP Alliance, 2024 图表：2025 年人工智能指数报告\\n\\n亚洲人黑人 / 非洲裔美国人西班牙裔 / 拉美裔 / 拉丁裔 / 拉美人美国原住民 / 阿拉斯加夏威夷原住民 / 太平洋居民两个及以上种族白人\\n\\n计算机科学专业入学率与全国人口统计的比率\\n\\n图7.2.7\\n\\n目录第七章预览\\n372\\n\\n* * *\\n\\n第七章：教育\\n7.2 K-12阶段的计算机科学与人工智能教育\\n\\n2024年按子群体划分的计算机科学公立高中入学率与全国人口统计数据对比资料来源：Code.org, CSTA, and ECEP Alliance, 2024\\\\] 图；2025 年人工智能指数报告\\n\\n经济困难\\n0.72\\n英语语言学习者\\n0.64\\n女孩\\n0.65\\n504计划的学生\\n1.33\\n有个人教育计划的学生\\n0.67\\n0.00\\n0.50\\n1.00\\n1.50\\n计算机科学专业入学率与全国人口统计的比率\\n\\n图 7.2.9²\\n\\n高阶计算机科学教育为提升学生在人工智能领域的能力，仅提供基础课程远远不够，还需确保其能接触更高阶的课程内容。尽管当前的 AP 计算机科学 A(AP CS A)课程并未明确覆盖人工智能内容，但《AP 计算机科学原理》(AP CS Principles, AP CS P)课程已开始纳入相关主题。因此，AP CS P具备潜力，可让更广泛的学生群体初步接触人工智能相关知识。尽管参加 AP CS 考试的学生总人\\n\\n数呈现持续增长（图 7.2.9），但就整体学生人口的种族与族裔构成而言，各群体参与情况仍存在失衡（图 7.2.10 和图 7.2.11）。具体而言，亚裔学生、白人男生以及多种族学生在 AP CS 考试中比例显著偏高，而其他学生群体的参与程度则明显不足（图 7.2.12）。\\n\\n2. 504 计能为 (1073 年康爱法第) 第 504 节所示规定，保障聘用学生在教育科研中的平等机会；而 IEP（个别化教育计划）则依据《残障人士教育法案》，为有特殊需要的学生量身定制教育方案，具有法律效力。\\n\\n目录第七章预览\\n373\\n\\n* * *\\n\\n第七章：教育\\n\\nA99F6A9AB 年参加 AP 计算机科学考试的人数\\n\\n资料来源：Code.org, CSTA, and ECEP Alliance, 2024\\\\| 图表：2025 年人工智能指数报告\\n\\n%F7A7H\\n\\nA99F6A9AB 年按种族 / 族裔分类的 AP 计算机科学考试参加情况\\n\\n%F7A7:9\\n\\n* * *\\n\\n第七章：教育\\n\\n7.2 K-12 阶段的计算机科学与人工智能教育\\n\\nA99F6A9AB 年按种族 / 族裔分类的参加 AP 计算机科学考试的学生人数（占答卷学生总人数的百分比）\\n资料来源：Code.org, CSTA, and ECEP Alliance, 2024\\\\| 图表：2025 年人工智能指数报告\\n\\n%F7A7::\\n\\nA9AB 年按种族 / 族裔分类的 AP 计算机科学考试参与率与全国人口统计对比情况\\n\\n参加 AP 计算机科学考试的人数与全国人口的比例\\n\\n* * *\\n\\n第七章：教育\\n\\n7.2 K-12 阶段的计算机科学与人工智能教育\\n\\n教育标准与政策指导\\n\\n迄今为止，美国联邦层面的政策指导主要聚焦于 “教育中的人工智能”（AI in education），而非 “人工智能教育”（AI\\neducation）。2023 年与 2024 年，美国教育部教育技术办公室发布了一系列有关教育中人工智能应用的报告。其中一份面向教育技术开发者，另外两份则面向教育工作者、教育管理者以及政策制定者。最新的一份报告于 2024 年 10 月发布，旨在为\\nK–12 阶段学校提供关于人工智能安全与有效实施的政策建议。\\n\\n截至 2025 年 1 月，美国已有 26 个州发布了有关“教育中人工智能应用” 的指导性文件。尽管计算机科学与人工智能教育在内容上存在大量重叠，且教师在实际教学中常常交叉涵盖两者，但 K–12 阶段的计算机科学课程标准中涉及人工智能的内容极为有限。由计算机科学教师协会（CSTA）于 2017 年发布\\n\\n美国各州采用人工智能特定的 e6:A 阶段阶段计算机科学标准资料来源 : CSTA and IACE, 2024 \\\\| 图表：2025 年人工智能指数报告\\n\\n的 K–12 阶段计算机科学课程标准中，仅在高中高年级设有两条标准明确要求学生具备人工智能相关知识。然而，该标准仍对人工智能教育的基础知识与技能提供了支撑，涵盖感知、数据结构与算法等主题。美国在 K–12 阶段所采纳的计算机科学课程标准，平均覆盖了 CSTA 标准中相同子概念的 97%，显示出国家层面的教学内容高度一致性。在 44 个已采纳 K–12 CS\\n标准的州中，有 33 个州设定了与人工智能相关的课程标准。这些标准通常内容简略，符合 CSTA 框架，且主要集中于高中阶段（图 7.2.13）。3其中，科罗拉多州（2024 年）、佛罗里达州\\n（2024 年）、俄亥俄州（2022 年）与弗吉尼亚州（2024 年）最近颁布了覆盖K–12全阶段、内容更为详尽的人工智能课程标准；\\n阿肯色州则为高中阶段的人工智能与机器学习课程制定了独立标准。\\n\\n3、本项目由美国国家科学基金会（NSF）资助，资助号为 2311746。本材料中表述的任何观点、发现、结论或建议均为作者个人观点，不代表美国国家科学基金会的观点。\\n\\n* * *\\n\\n第七章：教育\\n\\n7.2 K-12 阶段的计算机科学与人工智能教育\\n\\n教师视角\\n\\n为了探讨计算机科学教师在人工智能教育中的认知与实践，计算机科学教师现状调查收集了全国 2,901 名学前教育至\\n12 年级计算机科学教师的数据（其中 33% 的受访者为小学教师 ,36% 为初中教师 ,51% 为高中教师）。4 5\\n\\n随着人工智能教育在未来劳动力发展中愈发重要，评估现有教师群体的准备状况变得尤为关键。尽管 81% 的计算机科学教师认为人工智能应被纳入计算机科学基础教育体系中，但仅有 46% 的高中教师、44% 的初中教师与 34% 的小学教师表示自己具备传授人工智能的能力（图 7.2.14）。\\n\\n当被问及实际教授的内容时，超过三分之二的初中与高中计算机科学教师表示尽管课程标准中并未明确规定，他们仍在课堂中主动涵盖 AI 内容，而小学教师中这一比例为 65%（图\\n7.2.15）。除此之外，更多教师表示他们涵盖了与人工智能相关的各类内容，如算法、计算系统、计算思维以及编程。\\n\\n按年级分类，认为自己有能力传授人工智能的教师百分比资料来源：计算机科学教师现状调查，2024\\\\| 图表：2025 年人工智能指数报告\\n\\n按年级划分的计算机科学课堂中教授的人工智能概念\\n\\n资料来源：计算机科学教师现状调查，2024\\\\| 图表：2025 年人工智能指数报告\\n\\n%F7A7:C\\n\\n%F7A7:D\\n\\n* * *\\n\\n第七章：教育\\n\\n7.2 K-12 阶段的计算机科学与人工智能教育\\n\\n在2,245名在课堂中传授人工智能内容的教师中，大多数每门课花费在该主题上的时间不足五小时。小学教师所投入时间最少，70%仅教授1至2小时（图7.2.16）。\\n\\n按年级分类学生在计算机科学课堂上学习人工智能所花费的时间资料来源：计算机科学教师现状调查，2024\\\\| 图表：2025 年人工智能指数报告\\n\\n%F7A7:E\\n\\n在谈及人工智能在课堂中的主要益处时，教师普遍认为其有助于提升教学效率、实现因材施教、改善学生的学业支持机制，并为学生的未来做好准备。然而，当被问及潜在风险时，教师最担忧的问题则包括人工智能滥用（尤其涉及学术诚信）、技术对学生学习与参与度的削弱、对人工智能的过度依赖、人工智能生成虚假信息与复制偏见的风险，以及学生隐私等伦理问题。\\n\\n在谈及人工智能在课堂中的主要益处时，教师普遍认为其有助于提升教学效率、实现因材施教、改善学生的学业支持机制，并为学生的未来做好准备。然而，当被问及潜在风险时，教师最担忧的问题则包括人工智能滥用（尤其涉及学术诚信）、技术对学生学习与参与度的削弱、对人工智能的过度依赖、人工智能生成虚假信息与复制偏见的风险，以及学生隐私等伦理问题。\\n\\n为了使学生能够负责任地使用人工智能，教师群体本身也需要接受技能提升。2024 年一项针对 364 位计算机科学教师的调查显示，88% 的受访者表示急需获得更多人工智能相关的专业发展资源。具体而言，教师认为他们亟需提升自身在人工智能领域的素养，包括了解人工智能的工作机制、使用方式与伦理影响。\\n\\n* * *\\n\\n第七章：教育\\n\\n7.2 K-12阶段的计算机科学与人工智能教育\\n\\n全球现状\\n\\n截至目前，明确在国家课程中纳入人工智能教育的国家仍属少数（如加纳、韩国与荷兰）；多数国家虽在教育战略层面强调人工智能教育的重要性，但尚未提出具体的实施方案。由于历史上人工智能教育往往被纳入计算机科学（CS）或信息与通信技术（ICT）教育体系之中，故在本节分析中，以CS和/或 ICT教育的普及程度作为人工智能教育发展的替代指标。然而，与追踪美国计算机科学教育发展所面临的挑战类似，在解读全球教育指标时也需保持审慎态度，因为计算机科学（CS）与信息通信技术（ICT）教育常被混同为数字素养或计算机素养教育。6\\n\\n普及情况\\n\\n截至2024年，全球约有三分之二的国家已实施或计划实施计算机科学教育（图7.2.17）。其中，约 30%的国家将计算机科学教育设为小学和/或中学阶段的必修课程，且欧洲是实施此类政策国家数量最多的地区。过去五年内，全球各大洲在推广计算机科学教育方面均取得了不同程度的进展，非洲与拉丁美洲的增长尤为显著（图7.2.18）。尽管如此，非洲国家的学生依然是全球范围内最难获得计算机科学教育机会的群体。造成这一现象的主要原因在于基础设施匮乏：截至2023年，撒哈拉以南非洲地区仅有 34% 的小学具备电力供应，这一现实不仅制约了学生的计算机基础技能培养，更进一步阻碍了计算机科学与人工智能课程的实施。\\n\\n2024年按国家分类的计算机科学教育普及情况\\n\\n数字素养指\\\"运用信息通信技术查找、评估、创建和传递信息的能力，需兼具认知与技术技能\\\";计算机素养则指\\\"对计算机及生产力软件等程序的通用操作能力\\\"。\\n\\n图7.2.17\\n\\n* * *\\n\\n第七章：教育\\n\\n全球范围内，由于缺乏标准化的数据收集机制，追踪人工智能教育进展面临挑战。语言障碍及各国实施情况更新滞后，进一步加大了跨国精准监测的难度。\\n\\nA9:H 年与 A9AC 年按大洲分类的接受计算机科学教育的变化\\n\\n资料来源：Raspberry Pi 计算教育研究中心，2024\\\\| 图表：2025 年人工智能指数报告\\n\\n提供计算机科学教育的国家百分比\\n\\n%F7A7:G\\n\\n政策指导\\n\\n在全球范围内，各国在发展“人工智能教育标准”方面的推进速度显著落后于 “教育中人工智能应用” 的政策制定。截止\\n2024 年 11 月，共有 10 个国家发布了人工智能教育相关的指导文件，分别为：澳大利亚、比利时、加拿大、日本、新西兰、韩国、乌克兰、英国、美国与乌拉圭。这一发展轨迹并不令人意外，\\n各国就人工智能在教育领域的政策与指南制定已展开长达十年的探讨。早在 2015 年，联合国教科文组织的成员国便在全球\\n\\n层面承诺推动科技发展，以确保“包容与公平的优质教育，并促进全民终身学习机会”（即可持续发展目标 4）。随后，教科文组织于 2019 年发布《北京共识：人工智能与教育》，旨在提出具体建议，引导各国在 2030 年前实现全民公平获取优质教育的目标（详见《教育 2030 议程》）。在这一框架中，有四项关于\\nK–12 阶段教育政策与执行层面的指导意见明确涉及人工智能相关内容。\\n\\n* * *\\n\\n第七章：教育\\n\\n7.2 K-12 阶段的计算机科学与人工智能教育\\n\\n与 AI4K12 倡议相似，国际组织也正积极构建人工智能教育课程框架，以供各国采纳与本地化应用。AI4K12 提出的 “五大核心理念”（Five Big Ideas in AI）成为当前 K–12 阶段人工智能教育的重要内容组织框架（图 7.2.19）。2023 年，联合国教科文组织发布了面向学生与教师的人工智能能力框架。学生框架涵盖四大核心能力：以人为本的价值观、人工智能伦理、人工智能技术与应用，以及人工智能系统设计。在每一项能力中，\\n学生需经历“理解、应用、创造”的认知递进过程。在欧盟层面，\\n多数成员国采用 DigComp 2.2 框架，作为提升公民数字能力的重要指南，并结合计算机科学学习目标推动学生数字素养的全面发展。DigComp 2.2 的最新版内容已包括关于与人工智能互动所需知识、技能与态度的建议，尽管其并未明确纳入教授公民构建人工智能系统的相关指导。\\n\\nRcCe:A 指导方针围绕人工智能领域的五大理念展开资料来源：AI4K12，2024\\n\\n7、注：图 7.2.19 介绍了 “五大核心”，这五个核心理念分别如下：1. 感知（Perception），计算机通过传感器感知世界。2. 表征与推理（Representation and Reasoning），智能体维护世界的表征，并利用这些表征进行推理。3. 学习（Learning），计算机可以从数据中学习。4. 自然交互（Natural Interaction），智能体需要多种知识以自然地与人类互动。5. 社会影响（Societal Impact），人工智能可能以积极或消极的方式影响社会。\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第七章：教育\\n7.3 高等教育阶段的计算机科学与人工智能教育\\n\\n人工智能将在美国劳动力结构和经济未来中所扮演的角色尚未完全明确，但其影响预计将极为深远。当前，技术类从业者已在美国经济中占据重要地位，全国已有 960 万人在各行业担任技术岗位。尽管自动化所引发的就业替代问题令人担忧，但对人工智能相关岗位的需求——如数据库管理与数据基础设施解决方案——预计将持续增长，因此，全球必须共同致力于确保高等教育机构具备培训未来劳动力的能力，并进一步扩展计算技术人才培养体系。\\n\\n7.3 高等教育阶段的计算机科学与人工智能教育\\n\\n学位授予情况美国本节中关于美国高等教育阶段计算机科学与人工智能教育趋势的数据，主要来源于国家教育统计中心(NCES)。值得注意的是，学科分类标准(CIP)由该中心隶属于美国教育部制定，用于统一划分各类学术项目。自 2016 年起，人工智能相关课程被纳入 CIP 编码 11.0102、涵盖“以符号推理、知识表示和仿仿真为核心”的课程，重点在于通过计算机和软件模拟人类学习与推理的过程与能力，以及人类运动控制与动作的计算建模。相关课程内容包括计算理论、控制论、人因工程、自然语言处理，以及工程技术及具体应用领域中的相关知识。\\n\\n尽管过去十年来计算机科学副学士学位获得者数量大致保持稳定，部分社区学院已率先探索人工智能教育，开设了相关证书课程，以及人工智能与相关领域的副学士与学士学位项目（图\\n7.3.2）。代表性机构包括：马里科帕社区学院系统(Maricopa)、休斯敦社区学院(Houston Community College)、迈阿密五所高校依次为：Western Governors University、加州大学伯克利分校、南新罕布什尔大学、德州大学达拉斯分校以及密歇根大学。8 尽管人工智能在学士层面的增长尚需时间体现（因其学制通常为四年），人工智能领域的快速扩张已在硕士阶段显现出来：2022 至 2023 年间计算机科学硕士毕业生数量增长了 26%，过去十年累计增长达 83%。\\n\\n8. Western Governors University 和南新罕布什尔大学主要在线教育机构。\\n\\n目录第七章预览\\n382\\n\\n* * *\\n\\n第七章：教育\\n7.3 高等教育阶段的计算机科学与人工智能教育\\n\\n2013-2023年美国高等教育阶段计算机科学毕业生人数资料来源：国家教育统计中心高等教育综合数据系统，2013-2023年\\\\|图表：2025年人工智能指数报告\\n\\n874,365 学士学位\\n12,837 硕士\\n20,725 副学士\\n1,540 Phd\\n\\n尽管女性整体高等教育毕业率高于男性，但学位完成率数据显示女性在计算机科学领域中仍处于代表性不足的状态（图\\n7.3.2）。\\n\\n2023年按性别分类的美国高等教育阶段计算机科学毕业生资料来源：国家教育统计中心高等教育综合数据系统，2013-2023年\\\\|图表：2025年人工智能指数报告\\n\\n百分人工智能毕业生人数男性 女性\\n\\n77%\\n22%\\n78%\\n22%\\n69%\\n32%\\n76%\\n22%\\n0%\\n副学士 学士 硕士 Phd\\n\\n图7.3.1\\n\\n图7.3.2\\n\\n目录 第七章预览 383\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第七章：教育\\n7.3 高等教育阶段的计算机科学与人工智能教育\\n\\n非洲裔学生在计算机相关学科中所占比例为：本科阶段\\n8%，硕士阶段8%，博士阶段7%（图7.3.3）。拉丁裔学生在本科阶段占比为13%，在硕士阶段为8%，在博士阶段则下降至4%。相较之下，白人学生在本科阶段的占比为46%，在博士阶段超过半数（52%）。亚裔学生在高等教育阶段的计算机专业中则表现出显著的过度代表趋势，其在本科、硕士与博士阶段的占比分别为23%、28%与17%。\\n\\n2023 年拔种族/族裔分类的美国计算机科学与所有高等教育毕业生的对比（仅美国居民）\\n资料来源：国家教育统计中心中学后教育综合数据系统，2019-2023年 \\\\| 图：2025 年人工画像指数报告\\n\\n美国原住民/阿拉斯加 康人 西斑牙裔 NHPI 两个或以上 亚裔 白人 未知全部学士 CS 12% 27% 4% 52% 47% 4%\\n全部学士 CS 12% 20% 4% 12% 44% 6%\\n全部学士 CS 10% 18% 4% 9% 56% 8%\\n全部硕士 CS 8% 13% 4% 22% 46% 5%\\n全部硕士 CS 12% 13% 3% 8% 57% 6%\\n全部硕士 CS 8% 8% 3% 29% 40% 12%\\n全部博士 CS 10% 10% 3% 12% 59% 8%\\n全部博士 CS 8% 4% 9% 17% 52% 15%\\n\\n高等教育毕业生百分比\\n\\n图7.3.3\\n\\n计算机相关研究生项目中的学生大多数来自美国以外国家，这一比例在过去几年中持续上升。2023年，非本国居民占计算机硕士学位毕业生的67%，博士学位毕业生的60%。在2022年至2023年间，国际计算机科学硕士生人数增长超过两倍，从15,811人增至34,850人（数据来源：IPEDS）。其中，来自印度与中国的学生构成了该研究生群体的绝大多数，分别占国际计算机科学硕士生总数的93%（共95,130人）和国际CS博士生总数的60%（共13,070人）（图7.3.4与图7.3.5）。与此同时，开设人工智能专属学士学位课程的美国高校数量在2022年至2023年间几乎翻倍；提供人工智能专属硕士项目的院校数量亦呈现出显著增长（图7.3.6）。\\n\\n目录 第七章预览 384\\n\\n* * *\\n\\n第七章：教育\\n7.3 高等教育阶段的计算机科学与人工智能教育\\n\\n2022年美国高校国际计算机科学硕士在课人数资料来源：美国国家科学委员会；美国国家科学基金会，2022年 图表：2025 年人工智能指数报告\\n\\n印度 72.02\\n中国 13.10\\n中国软件城 1.18\\n合肥市 0.99\\n孟加拉国 0.68\\n巴日雅 0.96\\n南非 0.58\\n巴基斯坦 0.48\\n斯里兰卡 0.29\\n沙特阿拉伯 0.26\\n土耳其 0.23\\n加拿大 0.23\\n加纳 0.18\\n巴西 0.14\\n伊拉克 0.14\\n新加坡 0.10\\n日本 0.09\\n德国 0.08\\n法国 0.07\\n墨西哥 0.06\\n其他地点 3.14\\n国际计算机科学硕士生人数（千人）\\n\\n图7.3.4\\n\\n2022年美国高校国际计算机科学博士在课人数资料来源：美国国家科学委员会；美国国家科学基金会，2022年 图表：2025 年人工智能指数报告\\n\\n中国 5,130\\n印度 2,760\\n孟加拉国 980\\n伊拉克 680\\n韩国 390\\n沙特阿拉伯 370\\n尼罗尔 250\\n巴基斯坦 240\\n中国台湾地区 220\\n印度日喀则 190\\n越南 190\\n土耳其 160\\n菲律宾 130\\n葡萄牙 85\\n巴基斯坦 50\\n加纳 50\\n埃塞俄比亚 50\\n哥伦比亚 45\\n摩洛哥 40\\n墨西哥 30\\n其他地点 1,060\\n国际计算机科学博士生人数\\n\\n图7.3.5\\n\\n目录 第七章预览 385\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第七章：教育\\n7.3 高等教育阶段的计算机科学与人工智能教育\\n\\n2013-2023 年美国提供人工智能学士和硕士学位院校数量资料来源：国家教育统计中心中学后教育综合数据系统，2013-2023年\\\\|图表：2025 年人工智能指数报告\\n\\n图 7.3.6\\n\\n2022年至2023年间，获得人工智能硕士学位的学生人数出现显著增长（图7.3.7）。卡耐基梅隆大学作为当年人工智能专业毕业生人数最多的高校，其毕业人数在一年内实现翻番；\\n\\n与此同时，宾夕法尼亚州立大学则于2022年迎来了首届人工智能专业的毕业生（图7.3.8）。在此之前，卡耐基梅隆大学曾长期是为数不多开设人工智能专属学位项目的高校之一。\\n\\n2013-2023 年美国人工智能学士和硕士应届毕业生资料来源：国家教育统计中心中学后教育综合数据系统，2013-2023年\\\\|图表：2025 年人工智能指数报告\\n\\n图 7.3.7\\n\\n目录第七章预览\\n386\\n\\n* * *\\n\\n第七章：教育\\n7.3 高等教育阶段的计算机科学与人工智能教育\\n\\n按学位类型分类的 2023 年人工智能专业毕业生最多的高等教育机构⁹\\n资料来源：国家教育统计中心的《中学后教育综合数据系统》，2023年。\\n\\n人工智能本科毕业生卡内基梅隆大学 32\\n富勒塞尔大学 19\\n威斯康星康考迪亚大学 16\\n高等技术大学 10\\n宾夕法尼亚州立大学主校区 7\\n\\n人工智能硕士课程毕业生卡内基梅隆大学 178\\n宾夕法尼亚大学 98\\n北德克萨斯大学 76\\n东北大学 55\\n圣何塞州立大学 52\\n\\n人工智能博士课程毕业生卡内基梅隆大学 28\\n国会技术大学 4\\n匹兹堡大学匹兹堡校区 1\\n\\n图 7.3.8\\n\\n9. 本刊仅包括使用人工智能专业 CIP 代码大学，而不是使用一般 CS 代码的大学。然而，全球许多学习人工智能的学生很可能就读于更广泛的 CS。\\n\\n目录 第七章预览 387\\n\\n* * *\\n\\n第七章：教育\\n7.3 高等教育阶段的计算机科学与人工智能教育\\n\\n全球\\n\\n在全球范围内，尚无任何单一数据集能够对所有国家的人工智能或计算机科学高等教育状况进行统一且标准化的统计。然而，经济合作与发展组织(OECD)已整合了其成员国及若干非成员国的相关数据，用以提供一定程度上的比较基础。10其中，教育统计的国际标准分类(ISCED)被用于进行跨国对比，该分类体系亦为OECD评估全球教育进展的基准。信息与通信技术（ICT）涵盖“信息学、信息与通信技术及计算机科学”等研究领域，其核心内容涵盖一系列新兴技术，涉及数字信息的处理与传输，包括计算机、计算机网络（如互联网）、微电子学、多媒体、软件及程序设计等方面。\\n\\n在该数据集中，美国依然是信息与通信技术相关领域的全球领导者，其在副学士、学士、硕士及博士层级的毕业生数量均高于其他任何国家（见图7.3.9至图7.3.12）。尤其值得注意的是，在副学士、硕士与博士层级，美国的毕业生人数超过第二位国家的两倍；在学士层级，美国的毕业生人数接近第二位国家的两倍。\\n\\n2022年按国家分类的信息和通信技术短周期高等教育应届毕业生人数资料来源：联合组织，2026图表；2025年人人工智能指数报告\\n\\n美国 38,748\\n西班牙 17,754\\n土耳其 15,464\\n加拿大 16,275\\n哥伦比亚 12,892\\n法国 10,820\\n英国 9,425\\n澳大利亚 7,249\\n韩国 6,983\\n墨西哥 3,720\\n智利 2,946\\n瑞典 2,885\\n以色列 2,357\\n新西兰 1,899\\n奥地利 1,273\\n\\n新的信息和通信技术短周期高等教育毕业生人数\\n\\n图7.3.9\\n\\n10。虽然该数据集提供了对一些国家的深入了解，但它忽略了一些拥有大量ICT毕业的国家。中国和中国国家数据库在外，这凸显了全球标准化数据的必要性。以确保视频放在计算机教育方面进行了大量投资并在全球大多数国家占据大比例的国家包括在内。在收集和报告全球数据方面也存在很大的弹性。因此，可获得数据的最近年份是2022年。\\n\\n* * *\\n\\n第七章：教育\\n7.3 高等教育阶段的计算机科学与人工智能教育\\n\\n2022年按国家分类的新增信息与通信技术本科毕业生资料来源：综合组织，2022 图表：2025 年人工智能指数报告\\n\\n美国 16,401\\n巴西 61,760\\n墨西哥 32,738\\n德国 21,365\\n英国 20,435\\n韩国 19,603\\n澳大利亚 14,584\\n秘鲁 13,054\\n加拿大 13,053\\n波兰 12,817\\n法国 10,472\\n西银牙 6,650\\n罗马尼亚 6,206\\n土耳其 8,023\\n智利 5,090\\n应届ICT本科毕业生人数\\n\\n图 7.3.10\\n\\n2022年按国家分类的新增信息与通信技术硕士毕业生人数资料来源：综合组织，2022 图表：2025 年人工智能指数报告\\n\\n美国 55,706\\n英国 21,688\\n法国 13,940\\n德国 12,500\\n澳大利亚 9,776\\n波兰 4,164\\n加拿大 4,044\\n塞尔兰 3,728\\n墨西哥 3,373\\n西班牙 3,214\\n哥伦比亚 2,982\\n韩国 2,910\\n荷兰 2,452\\n意大利 2,403\\n罗马尼亚 2,200\\n应届ICT硕士毕业生人数\\n\\n图 7.3.11\\n\\n目录 第七章预览 389\\n\\n* * *\\n\\n第七章：教育\\n\\n7.3 高等教育阶段的计算机科学与人工智能教育\\n\\nA9AA 年按国家分类的新晋的信息与通信技术博士毕业生\\n\\n资料来源：经合组织，2022\\\\| 图表：2025 年人工智能指数报告\\n\\n%F7B7:A\\n\\n性别平衡仍是全球人工智能相关学科中的一项重大挑战\\n（图7.3.13）。在全球范围内，女性在信息与通信技术相关高等教育毕业生中所占比例平均约为四分之一，在副学士、学士及博士层级皆为如此。相较之下，硕士阶段女性占比略高，约\\n\\n接近三分之一。在各国之中，土耳其在性别平衡方面表现尤为突出，该国女性在副学士、学士、硕士及博士层级的毕业生中均至少占据一半以上的比例。\\n\\n* * *\\n\\n2022 年按国家分类的 ICT 高等教育应届毕业生中女性所占百分比\\n\\n资料来源：经合组织，2022\\\\| 图表：2025 年人工智能指数报告\\n\\n图 7.3.13\\n\\n* * *\\n\\n7.3 高等教育阶段的计算机科学与人工智能教育\\n\\n指导政策\\n\\n目前，大学层面的人工智能政策和指导主要集中于学生在作业中使用人工智能的行为规范，而针对人工智能教育本身的指导通常由各个院系（主要为计算类院系）在内部制定。\\n\\n人工智能在高校校园中的使用已极为普遍，无论是学生还是教师群体都高度依赖：有 86% 的学生在学习中使用人工智能，61% 的教师在教学中使用人工智能。然而，围绕人工智能使用的相关指导方针在高校内部仍缺乏清晰性与标准化。至\\n2025 年初，仅有 39% 的高等教育机构制定了与人工智能相关的 “可接受使用政策”，尽管这一比例较 2024 年增长了 16 个百分点。在学生规模超过一万人的大型高校中，制定相关政策的比例显著高于学生人数不足五千人的小型高校。尽管人工智\\n\\n人工智能在高校校园中的使用已极为普遍，无论是学生还是教师群体都高度依赖：有 86% 的学生在学习中使用人工智能，61% 的教师在教学中使用人工智能。然而，围绕人工智能使用的相关指导方针在高校内部仍缺乏清晰性与标准化。至\\n2025 年初，仅有 39% 的高等教育机构制定了与人工智能相关的 “可接受使用政策”，尽管这一比例较 2024 年增长了 16 个百分点。在学生规模超过一万人的大型高校中，制定相关政策的比例显著高于学生人数不足五千人的小型高校。尽管人工智\\n\\n能对教学与学习政策的影响最为显著，但实际上，几乎所有类型的高校政策都受到人工智能技术的波及，包括技术采购流程\\n（如是否可使用校方资源采购人工智能工具）、知识产权与版权法律的遵守、是否允许使用人工智能创建恶意软件或病毒等。在网络安全、数据隐私、在线教学以及数据分析等诸多政策领域，人工智能的应用与管控均引发了系统性的连锁反应。\\n\\n能对教学与学习政策的影响最为显著，但实际上，几乎所有类型的高校政策都受到人工智能技术的波及，包括技术采购流程\\n（如是否可使用校方资源采购人工智能工具）、知识产权与版权法律的遵守、是否允许使用人工智能创建恶意软件或病毒等。在网络安全、数据隐私、在线教学以及数据分析等诸多政策领域，人工智能的应用与管控均引发了系统性的连锁反应。\\n\\n除了 2019 年《北京共识：人工智能与教育》为 K–12 阶段提供的指导之外，联合国教科文组织还发布了适用于 K–12 及高等教育的综合性指导政策，意在借助人工智能技术，推动实现“教育 2030 议程”中所设定的全球目标。该报告中提出了五项专门针对高等教育阶段人工智能教育的执行与政策建议。\\n\\n除了 2019 年《北京共识：人工智能与教育》为 K–12 阶段提供的指导之外，联合国教科文组织还发布了适用于 K–12 及高等教育的综合性指导政策，意在借助人工智能技术，推动实现“教育 2030 议程”中所设定的全球目标。该报告中提出了五项专门针对高等教育阶段人工智能教育的执行与政策建议。\\n\\n* * *\\n\\n7.4 展望未来\\n\\n公平的人工智能教育生态系统的有意识设计，将对未来技术创新的负责任发展与部署发挥至关重要的作用。当前人工智能得以迅速扩展的制度环境，已导致一系列不良后果，包括操纵国家政治进程的虚假信息与误导性信息活动、人工智能赋能武器的发展，以及对受版权保护的知识产权的侵犯。这些现象凸显出：在人工智能构建路径上亟需优先确立一种更加稳健与负责任的方式。为实现这一目标，必须重新设想人工智能教育的整体方案，将人工智能能力视作学生通往技术驱动未来所不可或缺的核心素养。其中，这些能力不仅应涵盖技术开发本身，也应包括一种伦理视角，即能够主动识别、分析并质询人工\\n\\n智能所带来的社会影响。当前已有以计算机科学为基础的基础设施、政策框架与实施机制，为人工智能教育的系统性整合提供了现实路径。然而，随着人工智能技术的持续演进，教育体系的转型已刻不容缓。唯有如此，才能确保未来技术的构建者充分意识到人工智能可能带来的风险，并具备有效减缓其负面影响的能力。全球范围内的高等教育机构应持续推进人工智能教育通道的构建，并在此过程中进行阶段性成效监测。同时，有必要制定相应政策以扩大课程获取的公平性，并实施切实可行的策略，提升教师专业能力，促进学生的广泛参与，从而实现人工智能核心素养在教育系统中的公平普及与能力构建。\\n\\n* * *\\n\\n第八章：公众观点\\n\\n来自Emily Capstick的文本和分析\\n\\n* * *\\n\\n第八章：公众观点\\n\\n概述 396\\n章节要点 397\\n8.1 公众观点 399\\n全球公众观点 399\\n人工智能产品和服务 399\\n人工智能与就业 405\\n人工智能与民生 407\\n重点：自动驾驶汽车 409\\nG7A 美国政策制定者的观点 410\\n获取公共数据\\n\\n* * *\\n\\n第八章：\\n\\n公共观点\\n\\n概述\\n\\n随着人工智能日益深入社会各个层面，理解公众对于这一技术的态度正变得愈发重要。有关人们如何看待人工智能的洞察，不仅有助于预测其可能引发的社会影响，\\n也能揭示不同国家与人口群体在采纳与接受程度上的差异。初步数据显示，公众对于人工智能的焦虑情绪正在上升，且某些地区的悲观情绪远高于其他地区。随着技术的持续演进，这一趋势是否将延续，仍有待进一步观察。\\n\\n本章节将从全球、国家、人口统计和族群等多个维度探讨公众对人工智能的看法。所用数据来自多项研究来源，包括益普索公司持续追踪全球人工智能态度的长期调查、美国汽车协会关于自动驾驶车辆的民意调查，以及针对美国地方政策制定者对人工智能观点的最新研究。\\n\\n* * *\\n\\n第八章：\\n\\n公共观点\\n\\n章节要点\\n\\n1. 全球对人工智能产品和服务的态度持谨慎乐观的态度。在益普索（益普索）2022-2024 年持续追踪的 26 个国家中，18 国的受访者对人工智能产品与服务 “利大于弊” 的认同比例呈现上升趋势。在全球范围内，认为人工智能产品和服务利大于弊的个人比例从\\n 2022 年的 52% 上升到 2024 年的 55%。\\n\\nA7 人工智能对日常生活影响的预期认知度持续攀升。在世界各地，三分之二的人现在认为，人工智能驱动的产品与服务将在未来 3\\n至 5 年内显著改变日常生活——这一比例较 2022 年上升 6 个百分点。除马来西亚、波兰和印度外，其余国家自 2022 年以来该认知度均有所提升，其中加拿大（增长 17%）与德国（增长 15%）涨幅最为显著。\\n\\n3. 对人工智能公司伦理行为的怀疑正在增加，同时对人工智能公平性的信任正在下降。在全球范围内，人们对人工智能公司保护个人数据的信心从 2023 年的50% 下降到 2024 年的47%。同样，与相比，如今相信人工智能系统不偏不倚、不受歧视的人也越来越少。\\n\\n4. 人工智能乐观程度的地区差异依然存在。A023 年人工智能指数首次指出，人工智能乐观程度的地区差异依然存在。在中国（\\n 83%）、印度尼西亚（80%）和泰国（77%）等国家，绝大多数人认为人工智能驱动的产品和服务利大于弊，而在加拿大（40%）、美国（\\n 39%）和荷兰（36%），只有少数人持这种观点。\\n\\n5. 美国人自动驾驶汽车仍持不信任态度。根据美国汽车协会（American Automoblie Association，AAA）最新调查数据显示，61%\\n 的美国民众对自动驾驶汽车存在恐惧心理，仅有 13% 的受访者表示信任该技术。尽管这一恐惧比例较 2023 年 68% 的峰值有所下降，但仍高于 2021 年 54% 的水平。\\n\\n6. 美国地方政策制定者普遍支持对人工智能实施监管。2023 年，美国 73.7% 的地方政策制定者（涵盖镇、市、县三级政府）支持对人工智能实施监管，较 2022 年的 55.7% 显著提升。民主党人士的支持率（79.2%）明显高于共和党人士（55.5%），但两党支持率相较 2022 年均呈现显著增长。\\n\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n第八章：\\n公共观点\\n\\n章节要点（续）\\n\\n7. 此前对人工智能持最强烈怀疑态的国家中，对人工智能的乐观态度呈现急剧上升趋势。在全球范围内，人们对人工智能产品和服务的乐观态度有所提高，其中以前最持怀疑态的国家乐观态度增幅最大，2022年，英国（38%）、德国（37%）、美国（35%）、加拿大（32%）和法国（31%）是最不倾向于认为人工智能利大于弊的国家。此后，这些国家对人工智能的乐观态度分别提升了8%、10%、4%、8%和10%。\\n\\n8. 劳动者预期人工智能将重塑就业结构，但其对岗位被替代的担忧程度相对较低。在全球范围内，60%的受访者认为人工智能将在未来五年内改变个人的工作方式，然而，有一小部分受访者(36%)认为，人工智能将在未来五年内取代他们的工作。\\n\\n9. 美国地方政策制定者在人工智能政策优先事项上存在明显分歧。美国地方政府决策者虽普遍支持人工智能监管，但在具体政策优先事项上存在显著差异，支持率最高的政策包括更严格的数据隐私法规(80.4%)、失业人员再培训计划(76.2%)以及人工智能应用监管条例(72.5%)。然而，针对执法部门人脸识别禁令(34.2%)、工资下降补贴(32.9%)和全民基本收入(24.6%)等政策的支持率则显著降低。\\n\\n10. 人工智能被视为提升效率的工具和娱乐体验的助推器，但其经济影响仍存疑虑。全球对人工智能影响的看法各不相同。55%的人认为人工智能将节省时间，51%的人预计它将提供更好的娱乐选择，但对其健康或经济效益有信心的人较少。只有38%的人认为人工智能将提升医疗健康水平，36%的人认为人工智能将改善国民经济，31%的人认为人工智能将对就业市场产生积极影响，37%的人认为人工智能将提升自己的工作效率。\\n\\n\\n目录第八章预览\\n398\\n\\n* * *\\n\\n第八章：公共观点\\n8.1 公众观点\\n\\n8.1 公众观点全球公众观点本节通过益普索在 2022 年、2023 年与 2024 年所开展的调查，探讨全球公众对人工智能的看法差异。结果表明，不同国家与人口群体间对人工智能的认知与态度存在显著差异。\\n\\n人工智能产品和服务\\n2024年，益普索开展了一项关于全球公众对人工智能态度的调查。该调查通过对 32 个国家 23,685 名成年人进行访谈完成。1 图 8.1.1展示了受访者对特定陈述表达同意的比例。\\n2022年至2024年间，公众对人工智能的认知总体保持相对稳定。2024年，67%的受访者表示对人工智能有良好理解，\\n66%预期人工智能将在未来三到五年内深刻改变其日常生活。认为人工智能驱动的产品与服务利大于弊的人群比例从\\n2022年的52%小幅上升至2024年的55%。\\n\\n然而，图 8.1.1也揭示了人们日益增长的担忧。过去一年中，相信人工智能企业会保护其个人数据的受访者比例下降了\\n3个百分点，认为人工智能不会对任何群体产生歧视或偏见的受访者比例下降了2个百分点。\\n\\n2022-2024年全球公众对使用人工智能的产品和服务的看法（占总数的百分比）\\n资料来源：益普索，2022-2024年\\\\|图表，2025年人工智能指数报告\\n\\n我清楚人工智能是什么我知道哪些类型的产品和服务使用人工智能在过去三年里，使用人工智能的产品和服务深刻改变了我的日常生活使用人工智能的产品和服务将在未来三年五年内深刻改变我的日常生活使用人工智能的产品和服务利于于我相信人们不会歧视或偏向任何群体我相信人工智能不会歧视或偏向于任何群体我相信，使用人工智能的公司会保护我的个人资料使用人工智能的产品和服务让我感到不安同意的受访者百分比\\n\\n图8.1.1\\n\\n1. 有关调查方法的详细信息，请参见附录。调查时间为2024年4月至5月。\\n\\n* * *\\n\\n第八章：公共观点\\n8.1 公众观点\\n\\n根据益普索调查，不同国家之间对人工智能利弊的认知差异显著，总体而言，亚洲与拉丁美洲的受访者更倾向于认为人工智能利大于弊，例如中国（83%）、墨西哥（70%）与印度\\n（62%）的受访者对人工智能持正面看法，相较之下，欧洲及英语国家则更为谨慎，如英国（46%）、澳大利亚（44%）、加拿大\\n（40%）与美国（39%）的受访者认为人工智能利大于弊的比例明显偏低。\\n\\n值得注意的是，曾在2022年持较强怀疑态度的国家中，\\n公众情绪正逐步改善，益普索对26个国家的2022年与2024\\n年数据对比显示，其中18个国家中，对人工智能持正面态度的比例有所提升。2022年，法国（31%）、加拿大（32%）、美国\\n（35%）、德国（37%）、澳大利亚（37%）与英国（38%）是最不看好人工智能的国家之一，而到了2024年，这些国家的相关比例均有所上升。\\n\\n2022-2024 年各国公众认为人工智能利大于弊的比例资料来源：益普索，2024年\\\\|图表：2025年人工智能指数报告\\n\\n图8.1.2\\n\\n受访者所占比例 (%)\\n\\n* * *\\n\\n第八章：公共观点\\n8.1 公众观点\\n\\n图 8.1.3 进一步展示了各国公众对人工智能产品与服务的认知、信任与情绪反应。在所有国家中，中国受访者对人工智能的认知程度、信任水平与兴奋感均为最高：81%的人知道哪些产品或服务使用了人工智能，80%对这些产品表示兴奋，76%信任人工智能不会对群体产生偏见，86%预期人工智能将在三至五年内深刻改变其生活。与之形成对比的是，\\n仅有58%的美国受访者相信人工智能将在未来三至五年内显著影响其生活，仅34%对人工智能产品表示兴奋。\\n\\n对个人数据隐私的担忧在日本与加拿大最为显著，而对人工智能歧视性的担忧则在瑞典与比利时最高。\\n\\n2024年各国公众对人工智能产品的认知与态度资料来源：益普索，2024年 \\\\| 图表：2025年人人工智能指数报告\\n\\n我对人工智能是什么有很好的认识，我知道这些产品能帮助了人工智能。在过去三年里中，使用人工智能的产品和服务已深别改变我的日常生活。在未来五年中，使用人工智能的产品、服务和改变我的日常生活。我相信人工智能不会对任何群体表现出歧视现象。我相信使用人工智能的公司会保护我的个人数据。使用人工智能的产品和服务让我感到兴奋。使用人工智能的产品和服务让我感到不安\\n\\n图 8.1.3\\n\\n目录 第八章预览 401\\n\\n* * *\\n\\n第八章：公共观点\\n8.1 公众观点\\n\\n图 8.1.4 揭示了不同国家受访者对于人工智能的“兴奋感”\\n与“焦虑感”之间的关系,结果显示,英语国家(如英国、美国、加拿大、澳大利亚与新西兰)对人工智能的焦虑感显著高于其他国家,而兴奋感却普遍偏低。相对而言,亚洲国家,如中国、韩国与印度尼西亚的受访者则表现出较高的兴奋度与较低的焦虑水平。日本是该地区中对人工智能最为谨慎的例外。\\n\\n2024 年各国公众对人工智能产品的“兴奋”与“焦虑”交叉态度分布图资料来源:益普索,2024 图表:2025 年人工智能指数报告\\n\\n0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%\\n高兴（同意的受访者百分比）\\n\\n图 8.1.4\\n\\n目录 第八章预览 402\\n\\n* * *\\n\\n第八章：公共观点\\n8.1 公众观点\\n\\n益普索连续两年对大多数国家进行调查，使得跨年度对比成为可能。图 8.1.5 显示了各项人工智能相关问题的年度变化趋势。整体来看，人工智能指数观察到对使用人工智能的担忧略有上升，正面回答平均下降了 0.6%，这主要是由于对使用人工智能公司是否会保护个人数据的信任度下降了 3%，以及人工智能是否不会歧视或偏袒任何群体信任度下降了 2%。²巴西和马来西亚对人工智能的认知度、信任度和热情度降幅最为显著。在这两个国家，负面趋势主要源于信任人工智能企业能保护其个人数据的受访者比例急剧下降。\\n\\n南非和爱尔兰则在人工智能认知度、信任度和热情度方面呈现最显著的平均增幅。爱尔兰的积极趋势似乎源于良好的用户体验——该国自认日常生活深受人工智能产品服务深刻影响的受访者比例增幅高居全球之首。\\n\\n2023-2024 年全球公众对人工智能的态度变化资料来源：益普索，2022-2024 年（图表：2025 年人工智能指数报告）\\n\\n我对人工智能是什么样的理解\\n0% 4% 4% 3% 9% 6% -4% 2% -3% -1% -1% 2% 0% 2% -2% -1% -4% -5% -1% 6% 6% -1% -2% -4% -1% -2% -3% -1%\\n我知道海底能量的产品和服务给了人工智能\\n1% 7% 0% 2% -5% -2% -4% 6% 3% -1% -2% 3% 0% 4% 4% 1% 2% -7% -4% -4% 5% 0% 0% -4% 3% -0% 3% -4% 3%\\n在过去三年中，使用人工智能的产品和服务已深深影响日常生活\\n1% 2% 0% 3% -2% -3% -1% 2% 0% 3% 1% 0% -1% -2% -3% -7% -6% -2% -3% 2% -1% -5% 4% 6% -2% -2% 0% 1% -2%\\n在过去五年中，使用人工智能的产品和服务已经改变我的日常生活\\n0% 3% -1% 8% -7% -6% -2% -9% 5% 2% 0% 2% 0% 1% -5% -3% -2% -7% -6% 0% 3% -0% 2% -1% 6% -2% -2% 3% -1%\\n我相信人工智能不会对任何群体表现出歧视或偏袒意见\\n-2% -1% -2% -3% -3% -1% -5% 3% 1% -2% -2% -3% -7% -1% 2% -4% -6% -4% -3% -2% -5% -3% -6% -4% 1% 0% -9% -2% 2%\\n我相信使用人工智能的顾客会严格执行个人服务\\n-3% -1% -6% 0% -11% -6% -1% -3% -2% -1% -1% -4% -4% -2% -3% -1% -4% -6% -2% -2% -2% -1% 0% -9% -2% 2%\\n使用人工智能的产品和服务会给员工带来不利影响\\n-1% -6% 1% -1% -9% 0% -4% -1% -1% -4% -4% -2% -3% -1% -4% -6% -2% -2% -2% -1% 0% -9% -2% 2%\\n使用人工智能的产品和服务让接受到不安\\n-2% -0% -4% -1% -4% -0% -3% -2% -2% -1% -2% -6% 0% 5% 7% -1% -5% 0% -1% -3% -1% -1% -2% -3% -4% -1% 1%\\n\\n图 8.1.5\\n\\n2. 对“使用人工智能的产品和服务让我感到满意”这一问题的全球平均回答不包括在内因为这是一个正分数产生明显负面的结果的问题。\\n\\n目录第八章预览\\n403\\n\\n* * *\\n\\n第八章：公共观点\\n8.1 公众观点\\n\\n图 8.1.6 对比了 2022 年和 2024 年益普索（益普索）调查数据，重点呈现了自 ChatGPT 推出以来的公众态度变化。全球范围内，认为人工智能驱动的产品和服务将在未来 3-5 年内深刻改变日常生活的观点比例上升了 6%。除印度、马来西亚和波兰外，所有国家这一认知度自 2022 年以来均有提升，其中加拿大 (17%) 和德国 (15%) 涨幅最为显著。\\n\\n2022 年和 2024 年公众对“人工智能将深刻改变生活”的认知变化比较资料来源：益普索，2022-2024年 图表：2025 年人工智能指数报告\\n\\n我对人工智能是什么有良好的理解\\n3% 8% 4% 5% -5% -6% -11% 5% 0% 11% 10% 6% -8% -9% 3% 0% 6% 5% 3% 1% -2% 0% 3% 5% 6% 5%\\n我知道哪类类型的产品和服务使用了人工智能的产品和服务已经改变了我的日常生活\\n2% 4% 0% 0% -1% 0% -6% 5% -2% 7% 4% 3% -3% -7% 6% 12% 0% 3% -4% -5% 7% 0%\\n在过去三到五年中，使用人工智能的产品和服务已经改变了我的日常生活\\n1% -5% -3% -2% 5% -7% -6% -3% -3% 8% 5% -1% -4% -1% 13% -1% -7% -6% 1% -4% 7% 9% -6% 1% 1%\\n在未来三到五年中，使用人工智能的产品和服务已经改变了我的日常生活\\n6% 7% 11% 9% 1% 17% 2% 6% 12% 12% 15% 12% 9% -9% 7% 10% 0% 11% 10% 5% 0% 4% 3% 2% 3% 13%\\n使用人工智能的产品和服务让我感到不安\\n11% 14% 15% 9% 12% 14% 15% 4% 9% 17% 7% 14% 13% -2% 17% 5% 2% 10% 13% 15% 7% 2% 8% 0% 19% 5% 12%\\n\\n图 8.1.6\\n\\n目录 第八章预览 404\\n\\n* * *\\n\\n第八章：公共观点\\n8.1 公众观点\\n\\n2025年人工智能指数报告\\n\\n人工智能与就业\\n\\n2024 年益普索调查新增了若干问题，探讨公众对人工智能影响当前工作的看法。图 8.1.7 展示了全球公众对人工智能将如何改变工作方式或取代现有岗位的预期。总体而言，60%的受访者认为人工智能“可能”在未来五年内改变他们的工作方式，另有36%的受访者认为人工智能“可能”在同一时间内取代其当前职位，即每三人中就有一人持此观点。由于 2023\\n\\n年版本未区分“非常可能”与“有些可能”，跨年比较存在一定局限性，但将 2024 年数据按总“可能性”加总后与 2023 年进行对比，整体情绪变化不太，2023 年，有 57%的受访者认为人工智能将改变工作方式，36% 认为其可能取代当前工作，与 2024 年几乎一致。\\n\\n2024 年全球对人工智能对当前工作影响的看法资料来源：益普索，2024\\\\|图表：2025 年人工智能指数报告\\n\\n很有可能 有点可能 不知道 不太可能完全不可能\\n\\n未来 5 年人工智能将改变你的工作方式\\n29%\\n39%\\n8%\\n22%\\n10%\\n\\n未来 5 年人工智能将取代你目前的工作\\n11%\\n29%\\n8%\\n30%\\n23%\\n\\n受访者百分比\\n\\n图 8.1.7\\n\\n目录 第八章预览 405\\n\\n* * *\\n\\n第八章：公共观点\\n8.1 公众观点\\n\\n关于人工智能是否将在未来五年内改变人们当前工作的看法，不同代际群体之间存在显著差异（见图 8.1.8）。年轻一代\\n（如 Z 世代与千禧一代）比年长群体（如 X 世代与婴儿潮一代）\\n更倾向于认为人工智能将会改变他们的工作方式。具体而言，\\n2024 年有 67% 的 Z 世代认同人工智能可能影响其当前工作，\\n而婴儿潮一代中这一比例仅为 49%。\\n\\n从 2023年到 2024 年，所有代际群体中认为人工智能将改变工作方式的比例均有所上升。值得注意的是，在新增的 3% 受访者中，千禧一代与婴儿潮一代的增幅最大，或许表明跨代对人工智能影响力的意识正在增强。\\n\\n2023 年与 2024 年全球公众对“人工智能将在未来五年改变当前工作方式”的认同比例（按代际划分）\\n资料来源：益普索，2024 年 \\\\| 图表：2025 年人工智能指数报告\\n\\nZ 世代\\n0.7%\\n千禧一代\\n0.6%\\nX 代\\n0.5%\\n婴儿潮一代\\n0.4%\\n0% 10% 20% 30% 40% 50% 60% 70%\\n(占受访者百分比)\\n\\n图 8.1.8\\n\\n目录第八章预览\\n406\\n\\n* * *\\n\\n第八章：公共观点\\n8.1 公众观点\\n\\n2025年人工智能指数报告\\n\\n人工智能与民生\\n\\n益普索调查还探讨了受访者在人工智能将对生活各个方面产生影响问题上的看法，包括经济、娱乐和健康等领域。根据图 8.1.9，55% 的全球受访者认为人工智能将减少完成任务所需的时间，51%的人认为人工智能将改善其娱乐选择，而在经济与就业市场方面，受访者则表现出更为谨慎的态度，分别仅有 36% 与 31%的人认为人工智能将在这些领域产生积极影响。图 8.1.9 还显示，不同国家中对人工智能“将改善本国经济”抱有信心的比例差异显著。亚洲国家最为乐观，其中中国有 72%的受访者表达正面预期，其次是印尼(54%)，相比之下，在荷兰、美国、比利时、瑞典与加拿大，认为人工智能将改善经济的比例均低于 25%。此外，在每一个国家中，若受访者对人工智能改善经济抱有乐观态度，他们在其他领域的评价也往往更为积极。例如，那些认为人工智能将改善本国经济的群体也普遍相信人工智能能够节省时间并改善健康。全球平均来看，有 38% 的受访者认为人工智能将改善健康。其中，墨西哥受访者的乐观程度最高，达 56%；而日本则为最低，仅有 19%。\\n\\n2024 年全球公众对人工智能在经济、娱乐、健康等方面影响的认知资料来源：益普索，2024 年；图表：2025 年人工智能指数报告\\n\\n人工智能将改善国民经济状况 36% 39% 26% 23% 40% 18% 32% 72% 59% 25% 31% 26% 27% 64% 54% 31% 28% 23% 43% 50% 24% 27% 64% 53% 69% 40% 34% 26% 21% 22% 53% 35% 24%\\n人工智能将改善就业市场性能 31% 40% 21% 17% 41% 18% 32% 44% 44% 27% 22% 21% 40% 40% 25% 18% 28% 22% 21% 19% 47% 74% 43% 93% 18% 26% 51% 47% 21%\\n人工智能将改善的工作 31% 40% 25% 26% 46% 24% 39% 46% 33% 27% 26% 24% 40% 50% 32% 21% 14% 35% 27% 33% 28% 32% 29% 53% 41% 37%\\n人工智能将减少我完成事务所需的时间 35% 60% 44% 49% 42% 42% 76% 60% 40% 41% 40% 60% 24% 17% 47% 39% 71% 31% 31% 64% 41% 60% 70% 62% 41% 43% 66% 62% 43%\\n人工智能改善我的娱乐（如电视/视频内容、电影、音乐、图书） 31% 61% 45% 39% 57% 43% 76% 61% 33% 42% 39% 64% 41% 44% 35% 69% 42% 47% 31% 64% 41% 60% 70% 62% 41% 43% 66% 62% 43%\\n人工智能将改善我的健康状况 38% 49% 25% 34% 44% 44% 55% 30% 27% 30% 31% 31% 31% 35% 38% 19% 43% 26% 31% 57% 24% 41% 49% 30% 33% 21% 30% 61% 43% 28%\\n\\n图 8.1.9\\n\\n目录 第八章预览 407\\n\\n* * *\\n\\n第八章：公共观点\\n8.1 公众观点\\n\\n图 8.1.10 与图 8.1.11对前文数据进行了相关性分析，旨在探究不同问题反馈之间的关联程度，研究发现，受访者对于“\\n人工智能将改善就业市场”的认同度与其认为“人工智能将使自身工作受益”的信念呈现高度相关性，部分国家如波兰在这两方面的乐观程度均较低，分别仅有17%和21%的受访者表示认同，相比之下，中国受访者态度更为积极，44%认为人\\n\\n工智能将促进就业市场发展，62%相信人工智能会改善自身工作状况。\\n\\n同样地，在那些受访者认为人工智能将缩短任务完成时间的国家，民众也更倾向于认为人工智能会改善他们的个人工作状况。\\n\\n2024 年全球对人工智能改善就业市场潜力与个人工作的看法资料来源：益普索，2024年\\\\|图表：2025年人工智能指数报告\\n\\n就业市场（占受访者百分比）\\n\\n图 8.1.10\\n\\n2024 年全球对人工智能改善完成工作时间与个人工作的潜力的看法资料来源：益普索，2024年\\\\|图表：2025年人工智能指数报告\\n\\n完成工作所需的时间（占受访者百分比）\\n\\n图 8.1.11\\n\\n目录第八章预览\\n408\\n\\n* * *\\n\\n第八章：公共观点\\n8.1 公众观点\\n\\n2025年人工智能指数报告\\n\\n重点：\\n自动驾驶汽车\\n\\n正如第二章技术性能中所讨论的，自驾车技术在能力与实际部署方面均取得显著进展。随着 Waymo 与 Zoox 等公司的发展，理解公众对自动驾驶技术的态度变得更加关键。\\n\\n美国汽车协会（AAA）每年都会就自驾车公众认知开展调查于 2025 年 1 月进行，覆盖约 97% 的美国家庭。图 8.1.12 显示，尽管自动驾驶车辆正在逐步进入公共道路，但仍有 61% 的美国人表示对该技术感到恐惧，仅有 13% 的受访者表示信任自动驾驶汽车。尽管“恐惧感”较 2023 年的高峰（68%)略有下降，但仍高于 2021年的 54%。者支持这一观点，较 2022 年的 55.7% 显著上升。ChatGPT 的发布似乎是推动政策制定者转向支持监管的关键因素。民主党人对人工智能监管的支持率 (79.2%)高于共和党人 (55.5%), 但 2022年后两党在此问题上的支持率均呈现明显提升。\\n\\n2021-2025 年美国驾驶员对自动驾驶汽车的态度资料来源：AAA, 2025 图表：2025 年人工智能指数报告\\n\\n害怕 不确定 信任\\n\\n图 8.1.12\\n\\n目录 第八章预览 409\\n\\n* * *\\n\\n第八章：公共观点\\n8.2 美国政策制定者的意见\\n\\n8.2 美国政策制定者的观点\\n\\n在评估公众对人工智能的态度时，仅考察大众舆情是不够的，还必须关注关键利益相关方的看法，尤其是政策制定者，因为他们在人工智能监管与政策制定中扮演着核心角色。2022年与2023年，由乌普萨拉大学、牛津大学、哈佛大学和雪城大学联合组成的研究团队开展了一项涵盖美国地方政策制定者（包括市政、镇区与县级层面）的调研，这项研究共收集了约1,000名地方官员的反馈，其时间跨度恰好涵盖ChatGPT发布前后，从而使得研究者能够比较政策制定者态度的变化。图8.2.1显示了地方政府制定者对“政府应监管人工智能”这一陈述的认同程度。2023年，73.7%的美国地方政策制定者支持这一观点，较2022年的55.7%显著上升。ChatGPT的发布似乎是推动政策制定者转向支持监管的关键因素。民主党人对人工智能监管的支持率（79.2%）高于共和党人（55.5%），但2022年后两党在此问题上的支持率均呈现明显提升。\\n\\n按政党和年份分类的美国地方官员对政府监管人工智能的支持程度资料来源：Hetz 等，2022 图表：2025 年人工智能指数报告\\n\\n同意 不同意也不反对 不同意\\n\\n2023年的民主党人 64.40% 19.00% 98.40%\\n2022年的民主党人 73.70% 14.40% 12.00%\\n2022年的民主党人 55.70% 23.60% 20.70%\\n民主党人 79.20% 16.00% 5.70%\\n共和党 55.50% 21.60% 22.00%\\n2023年的民主党人 84.40% 18.00%\\n2022年的民主党人 74.60% 15.30% 7.90%\\n2023年的共和党人 67.90% 15.50% 16.60%\\n2022年的共和党人 42.70% 23.00% 29.40%\\n受访者百分比\\n\\n图8.2.1\\n\\n目录 第八章预览 410\\n\\n* * *\\n\\n第八章：公共观点\\n8.2 美国政策制定者的意见\\n\\n鉴于大多数地方政策制定者支持某种形式的人工智能监管，他们具体倾向哪些政策？数据显示（图8.2.2），支持率最高的是加强数据隐私监管（80.4%），此外，76.2%的受访者支持针对失业人员的再培训计划，72.5%支持实施人工智能应用\\n\\n监管条例,相比之下，对再分配措施的支持率明显较低：仅\\n33.9% 支持通过工资补贴抵消收入下降，24.6% 支持全民基本收入制度。\\n\\n美国地方官员认为在 2025-2050 年间具有积极意义的人工智能政策选项资料来源：Hatz 等，2025 图表：2025 年人工智能指数报告\\n\\n同意 不同意也不反对 不同意\\n\\n加强数据隐私管理 89.40% 89.00% 90.10%\\n为失业人提供紧急项目 76.20% 74.00% 9.80%\\n对人工智能服务进行监管 72.50% 74.00% 13.00%\\n加强政策监督 57.00% 54.00% 17.60%\\n对招聘与录用人工智能进行监督 54.20% 39.20% 25.40%\\n对招聘与晋升中职人工智能进行审计 51.70% 33.30% 30.00%\\n强化社保保障 46.40% 34.50% 29.00%\\n对地方政府使用人工智能辅助解困和安置 45.00% 29.50% 31.70%\\n提供手续与《聘书》 44.40% 29.00% 28.90%\\n提高企业纳税 42.50% 38.50% 26.60%\\n对机器人歧视 42.40% 22.30% 35.30%\\n针对人工智能并要求实习条件改革 39.00% 34.30% 26.60%\\n禁止机构使用人工智能技术 34.20% 29.00% 39.80%\\n提供工作补贴以获取收入下调 33.90% 29.00% 39.00%\\n提供全额基本收入（比例） 24.00% 17.00% 65.30%\\n\\n0% 20% 40% 60% 80% 100%\\n\\n受访者百分比\\n\\n图 8.2.2\\n\\n目录 第八章预览 411\\n\\n* * *\\n\\n第八章：公共观点\\n8.2 美国政策制定者的意见\\n\\n尽管多数地方官员支持人工智能监管，但只有少数人认为自己需要在短期内采取行动（见图 8.2.3）。2023 年，仅有\\n34.3% 的受访者认为其将在未来数年内需要做出相关决策，而\\n56.5% 认为不太可能。但这一比例已较 2022 年有所上升：从\\n32.2% 升至 36.6%，这一变化反映了诸如 ChatGPT 等重要人工智能发展成果对政策制定者态度的影响。\\n\\n按党派和年份分类的美国地方官员制定人工智能相关政策的决定的可能性资料来源：Hatz 等，2022 图表：2025 年人工智能指数报告\\n\\n可能 不知道 不太可能\\n\\n全部 34.30% 9.20% 56.50%\\n2023 36.60% 9.00% 54.30%\\n2022 32.20% 9.20% 58.60%\\n民主党 35.50% 8.90% 55.60%\\n共和党 33.60% 9.10% 57.70%\\n2023年的民主党人 40.50% 8.90% 61.40%\\n2022年的民主党人 31.90% 9.70% 59.20%\\n2023年的共和党人 34.90% 8.40% 57.40%\\n2022年的共和党人 33.00% 9.10% 57.90%\\n\\n0% 20% 40% 60% 80% 100%\\n\\n受访者百分比\\n\\n图 8.2.3\\n\\n目录 第八章预览 412\\n\\n* * *\\n\\n第八章：公共观点\\n8.2 美国政策制定者的意见\\n\\n仅有 29.8% 的当地选举产生的官员认为自己具备足够的信息来制定人工智能政策(图 8.2.4)。虽然从 2022 到 2023 年，民主党与共和党官员的信心水平均有所提升，但整体水平仍相对较低。\\n\\n按政党和年份分类的美国地方官员对制定人工智能政策具备充足信息的认同程度资料来源：Hatz 等，2025 图表：2025 年人工智能指数报告\\n\\n同意 既不同意也不反对 不同意\\n\\n全部 29.80% 17.90% 52.50%\\n2023 31.30% 14.90% 53.80%\\n2022 28.50% 20.60% 50.80%\\n民主党 28.60% 25.10% 58.10%\\n共和党 31.50% 39.00% 48.70%\\n2023年的民主党人 28.50% 11.00% 59.50%\\n2022年的民主党人 24.40% 18.80% 56.80%\\n2023年的共和党人 31.80% 17.60% 50.70%\\n2022年的共和党人 31.20% 29.00% 46.70%\\n0% 20% 40% 60% 80% 100%\\n\\n受访者百分比\\n\\n图 8.2.4\\n\\n目录 第八章预览 413\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n附录\\n\\n* * *\\n\\n2025年人工智能指数报告\\n\\n附录\\n\\n第一章 研究与开发 416\\n第二章 技术性能 420\\n第三章 负责任的人工智能 427\\n第四章 经济 431\\n第五章 科学与医学 441\\n第六章 政策与治理 451\\n第七章 教育 454\\n第八章 公共观点 455\\n\\n目录\\n附录\\n415\\n\\n* * *\\n\\n附录第一章：研究与开发\\n\\n2025年人工智能指数报告\\n\\n第一章：研究与开发\\n\\n致谢人工智能指数谨此致谢：Angelo Salatino 对人工智能论文分类的贡献，Ben Cottier 领导的机器学习推理成本分析，Lapo Santarlasci 领导的人工智能专利分析，Andrew Shi 领导的人工智能模型环境影响分析。\\n\\n人工智能论文发表分析在这项分析中，人工智能指数使用 OpenAlex 作为主要据源，这是一个开放式学术数据库，拥有超过 2.6亿份研究论文统计。OpenAlex 使用自己的知识组织系统对论文进行分类，该系统被称为 OpenAlex Topics——这是一个包含约 4500 个主题的分类系统，将 Scopus代码 和 CWTS分类 结合在一起。该系统使用深度学习模型，考虑了标题、摘要、期刊名称和文网络进行分类。为了更精确地识别人工智能相关主题，人工智能指数分析了 OpenAlex 识别的计算机科学论文统计，并使用计算机科学本体和 CSO 类器完善了分类。\\n\\n计算机科学本体 (CSO) 是一个大规模的、自动生成的研究领域本体，它是利用 Klink-2算法从 1600 万个论文统计得出的。它的特点是具有数千个子主题的分层结构，可以精确率地将特定术语映射到更广泛的研究领域。与 OpenAlex、Scopus and Web of Science 等通用学术数据库相比，CSO提供了更详细的和更精细的研究领域表。它已被广泛用于学术数据探索、分析、建模以及专家鉴定和推荐。本分析中使用的 3.4.1版包括计算机科学领域的约 15,000 个主题和 166,000个关系。该版本于 2025 年 1 月 17 日发布，引入了 150 多个人工智能方面的新研究课题，使人工智能相关的课题总数达到\\n\\n2369个，仅人工智能领域就有 12620 个层次关系，为了分析研究趋势，人工智能指数使用了 CSO 类器——种基于 CSO 主题自动对研究论文进行分类的无监督方法，分类器采用三阶段流程处理论文标题和摘要：语法模块检测 CSO 主题的直接提及；语义模块使用词嵌入来识别相关概念；后处理模块合并结果，过滤掉不相关的主题，并添加更广泛的类别，以实现更精细的分类。在本次分析中，人工智能指数扩展了 CSO 类器，特别人工智能及其子主题。自首次发布以来，该分类器因其多功能性获得了越来越多的关注。例如，Springer Nature使用它对论文集书籍进行常规分类，提高元数据质量。除了学术出版之外，它还被成功应用于研究软件、YouTube视频、新闻稿、招聘广告和 IT 博物馆藏品的分类。\\n\\n准确地将研究论文归类为会议论文或期刊论文对本分析至关重要。OpenAlex 的元数字段——类型、交叉引用类型和来源类型——有时会发生冲突。为了解决这些不一致问题，人工智能指数将 OpenAlex 记录映射到 DBLP。这是一个领先的计算机科学研究统计数据库。DBLP以其高质量的元数据而著称，它通过严格的小自动化整理过程不断增加新的论文统计，目前已为 360 万篇会议论文和 300 万篇期刊论文编制了索引。OpenAlex 和 DBLP之间的初始匹配是用 DOI进行的。对于其余未匹配的论文，人工智能索引引用标题和出版年份的组合，为了简化这一过程，人工智能指数建立了一个标题索引，以优化搜索并确保跨数据集的高效映射。\\n\\n人工智能论文统计根据多个参数进行汇总，以提供综合分析。论文统计考虑到最新版本的出版日期，按年份对论文进行了分\\n\\n* * *\\n\\n附录第一章：研究与开发\\n\\n组。此外人工智能指数团队还按照作者所属的地理区域或 世界银行地区 进行分组。这就意味着，如果一篇论文由来自不同国家的研究人员共同撰写，那么这篇论文可能会被多次统计，每个国家都会被统计一次。如果作者所属单位缺失，这些论文统计将被映射为 “未知”，此外，如果有作者所属单位，则通过作者所属单位将部门与论文统计联系起来，这可能导致一篇出版物被多个部门统计。如有引文数据，则包括引文计数；没有引文数据的出版物归类为 “未知”。\\n\\n百强论文统计分析人工智能指数通过收集和分析 OpenAlex、谷歌学术（Google Scholar）和 Semantic Scholar等多个来源的引文数据，对有影响力的人工智能论文发表统计进行了全面分析。最初从 OpenAlex收集的是每个出版年被引用最多的 150 篇论文，经过仔细审核后，该名单被细化为 100 篇论文统计。\\n\\n该方法将论文统计归属于作者所属单位所代表的所有国家和地区，这意味着一篇论文可以被多次统计。例如，一篇由美国和中国人员共同撰写的合文在每个国家都会被统计一次。这种方法可能会导致汇总统计中的总数重叠。无论是在期刊、会议还是 arXiv这样的资料库中，发表年份都以最新版本为准。为保持准确率，对组织隶属关系进行了核实和标准化，根据总部所在地分配国家。\\n\\n人工智能论文发表统计 100 强的完整名单可在这里查阅。\\n\\n人工智能专利分析人工智能指数采用混合分类法，将基于关键词的文本分析与基于分类代码的识别相结合，识别与人工智能相关的专利。\\n\\n专利文献数据来自 PATSTAT Global，这是一个由欧洲专利局 (EPO) 发布的综合数据库。1 专利根据最早记录的授权出版物的出版机构归属于各个国家。\\n\\n使用 deep-translator工具、谷歌翻译引擎和 Meta NLLB-200机器翻译模型翻译了最初以英语以外的语言出版的专利摘要和标题。翻译后，使用自然语言处理(NLP)技术对专利文本进行处理。这些技术包括删除停顿词和特殊字符。保留关键语法类别的语篇(POS)标记、小写转换、语法化以及 标记替换数字量。\\n\\n与人工智能相关的专利是通过使用正则表达式 (regex) 搜索标题和摘要中的相关术语来确定的。人工智能专用关键词典是通过一个结构化的多步骤过程开发的，其中纳入了人工智能模型生成的关键词，并使用已建立的人工智能词典（如 Yamashita 等(2021) 中的词典）进行了扩展，还通过基于 Word2Vec 的同义词识别进行了完善。使用 BERTopic 主题建模和基于 DeBERTA 的零头分类进行了进一步验证，并采用人工检查以减少误报。除了基于关键词的分类外，使用 国际专利分类 (IPC) 和 合作专利分类 (CPC) 代码识别了与人工智能相关的专利。通过人工智能模型分析、基于 regex 的探索和先前的研究（包括来自 Pairelero 等(2023)和 WIPO(2024)），编制了一份人工智能相关代码的整理清单。最终的数据集是通过合并两种方法的结果构建的，同时兼顾了覆盖率和准确率。\\n\\nEpoch 标志性模型分析人工智能预测研究小组 Epoch AI 维护着一个 数据集其中包括具有里程碑意义的人工智能和机器学习模型，以及关于这些\\n\\n1. 所答用了这种汇总表，但在同一 DOCDB 拔中的申请书相同且单项查询的边缘情况下，偶尔会出现重复。人工智能数据在进行分析时，会删除与汇总变量（如年份计算）有关的重复值。\\n\\n* * *\\n\\n附录第一章：研究与开发\\n\\n模型的创建者和论文统计的相关信息，如作者列表、引用次数、完成的人工智能任务类型以及在训练中使用的计算量。这些论文作者的国家对人工智能地政治预测具有重要影响。随着各种研究机构和技术公司开始生产先进的机器学习，人工智能发展的全球分布可能会转移或集中在某些地方，进而影响地缘政治局，因为人工智能有望在不久的将来成为经济和军事实力的重要组成部分。\\n\\n为了追踪各国在地标性论文统计上的人工智能研究贡献分布情况，大纪元数据集按照以下方法进行编码：\\n\\n1. 数据集截取于 2025 年 3 月。其中包括有关里程碑式模型的论文，这些论文是根据“计算趋势”数据文档中所述的重要性、相关性和其他特性等纳入标准筛选出来的。\\n2. 作者所属国家以论文中注明的所属单位汇编，以确定国际组织，除非注明更具体的地点，否则作者归属于该组织的总部所在国。\\n3. 所有具有里程碑意义的论文统计都会在时间段内（如每月或每年）进行汇总，并对各国的贡献进行汇编，以确定每个国家在每个时间段内对具有里程碑意义的人工智能研究的贡献程度。\\n4. 对不同国家的贡献进行长期比较，以确定任何趋势。\\n\\n训练成本分析为了创建成本估算数据集，Epoch 数据库过滤了大规模机器学习时代 2 发布的模型，这些模型在发布时的训练计算量排名各前 10位。这样就筛选出了最大规模的机器学习。Transformor\\n模型被添加到这组模型中，以进一步了解背景情况。\\n\\n对于所选的机器学习，其训练时间、类型、数量和硬件使用率均根据适用情况从出版物、新闻稿或技术报告中确定。这些模型使用的计算硬件的云租赁价格是从云供应商网站的在线历史档案中收集的。3\\n\\n训练成本是根据硬件类型、数量和时间估算得出的，方法是将每小时的云费（培训时 1 乘以硬件小时数，然而，有些开发人员购买了硬件而不是租用云计算，而且云计算价格因供应商和租用承诺而异，因此开发人员的真实成本可能会有所不同。\\n\\n在估算这些模型的训练成本时遇到了各种挑战。通常情况下，\\n开发人员不会透露培训时间或所使用的硬件。在其他情况下，\\n硬件的云计算价格也无法获得。关于训练成本趋势的调查，在\\nEpoch AI 的另一份报告 中有详尽说明。\\n\\n人工智能会议参会规模人工智能指数联系了 2024 年各种人工智能学术会议的组织者，请他们提供有关总出席人数的信息。对于在网上公布了总出席人数的会议，人工智能指数采用了这些报告的总人数，而没有联系会议组织者。\\n\\nGitHub\\n确定人工智能项目\\nGitHub 与哈佛商学院、微软研究院和微软人工智能公益实验室的研究人员合作，按照 Gonzalez, Zimmerman, and\\nNagapan (2020) 和 Dohmke, Iasiti, and Richards(2023)\\n的方法识别公共人工智能资源库，分别使用 AI/ML 生成式人工智能相关的主题标签，以及通过雪球样取确定的其他相关\\n\\n2. 根据 Compute Trends Across Three Era of Machine Learning (Epoch, 2022 等)，确定截止日期为 2015 年 9 月 1 日。\\n3. 历史数据是指互联网网络数据，服务 Azure 和 Amazon Cloud Computing 的份额。例如，通过 Internet Archive Wayback Machine 重查。\\n4. 通过虚拟现实模型来发展计算机视觉和深度学习的能力，例如通过图像识别软件，例如像猫眼的价格……要么是不相同的数据的模拟器，\\n 或者不相同的应用程序，例如，根据三维扫描结果，模拟出云机的不同细节以从传统角度中理解。如果没有准确的模型类型（如 Neural A200 3034A 4038），则使用通用类型（如\\n Neural A100）。\\n\\n目录附录\\n418\\n\\n* * *\\n\\n附录第一章：研究与开发\\n\\n键词，如“机器学习”、“深度学习”和“人工智能”。GitHub 通过依赖 Python 的 PyTorch, TensorFlow, OpenAI, Transformers, XGBoost, scikit-learn 和 SciPy 库的资源库进一步扩充了数据集。\\n\\n将人工智能项目映射到地理区域公共人工智能项目通 IP 地址地理位置映射到地理区域，以确定项目所有者每年的模式位置。每个项目所有者在 GitHub交互时都会根据其 IP 地址分配一个位置。如果项目所有者在一年内更换了位置，那么项目的位置将由这一年中每天采样的所有者的模式位置决定。此外，即使项目所有者没有执行任何活动，项目所有者的最后已知位置也会按日结转。，如果项目所有人美国境内开展了活动，然后有六天没有开展活动，那么该项目所有人在这七天中将被视为在美国境内。\\n\\n环境影响分析人工智能指数使用（2019年）提出的计算器估算了训练语言和视觉模型的碳排放量。分析的重点是培训阶段的排放，不包括硬件生产、闲置基础设施和部署排放。研究考察了四类模型：工业语言模型、学术语言模型、工业愿景模型和学术愿景模型。\\n\\n计算器的准确率已根据公布的排放值进行了验证。计算器的输入包括硬件类型、图形处理器小时数，提供商和计算域，对于较新的硬件，如 H100 图形处理器（2022 年发布），计算中使用 A100 SXM4 80GB 作为替代，提供商的选择基于已知的合作伙伴关系（例如，谷歌模型使用 GCP, OpenAI 使用 Azure），而计算区域则由团队所在地决定。\\n\\n特别考虑了在定制硬件上训练的模型，如 BLOOM 在法国使用\\n\\nJean Zay 超级计算机，在这些情况下，私人基础设施的计算纳入了碳效率(千克/千瓦时)和抵消百分比。\\n\\n该研究共评估了 50 个模型：34 个行业语言模型（2018-24年）、8个行业愿景模型（2019-23年）、4个学术语言模型（2020-23年）和 4个学术愿景模型（2011-22年），并选择了在各自领域具有特别影响力的模型。\\n\\n* * *\\n\\n附录第二章：技术性能\\n\\n第二章：技术性能\\n\\n致谢人工智能指数谨此致谢：Andrew Shi（负责生成Midjourney 和\\nPika视频制作样本）以及Armin Hamrah（负责梳理人工智能重大技术进展时间线）所作出的贡献。\\n\\n比较基准在本章节中，人工智能指数对比较基准进行了报告，承认比较基准在跟踪人工智能技术进步方面的重要性。作为标准做法，指数从 leaderboard、公共资料库（如 Papers With Code 和 RankedAGI）以及公司论文、博客文章和产品发布中获取比较基准分数。指数运行的前提是各公司报告的分数是准确和真实的。本节中的比较基准分数是截至 2025 年 2 月中旬的最新分数。不过，自人工智能指数发布以来可能会更新的机型发布，从而超过当前的最先进分数。\\n\\n1.ARC-AGI 通用人工智能：有关 ARC-AGI 的数据取自\\n2025年2月ARC-AGI论文和OpenAI视频。要了解有关\\nARC-AGI的更多信息，请阅读原文。\\n\\n2.Arena-Hard-Auto：Arena-Hard-Auto的数据来自\\n2025年2月的LMSYS leaderboard。要了解有关\\nArena-Hard-Auto的更多信息，请阅读原文。\\n\\n3.Bench2Drive：有关Bench2Drive的数据自2025年\\n2月Bench2Drive论文要了解有关Bench2Drive的更多信息，请阅读原文。\\n\\n4.伯克利函数调用：有关伯克利函数调用的数据取自\\n2025年2月伯克利函数调用leaderboard，要了解有关伯克利函数调用的更多信息，请阅读原著。\\n\\n5.BigCodeBench：有关BigCodeBench的数据取自\\n2025年2月BigCodeBenchleaderboard，欲了解有关\\nBigCodeBench的数据取自2025年2月Chatbot Arena Leaderboard，要了解有关Chatbot\\nArena的更多信息，请阅读原文。\\n\\n7.FrontierMath：有关FrontierMath的数据来自\\nFrontierMath论文和OpenAI视频。要了解有关\\nFrontierMath的更多信息，请阅读原文，视觉效果还辅以\\nOpenAI的o3模型的比较基准数据，这些数据来自\\nYouTube视频，该视频分布于2025年12月推出该模型。\\n\\n8.GAIA：有关GAIA的数据取自2025年2月GAIA\\nleaderboard。要了解有关GAIA的更多信息，请阅读原文。\\n\\n9.GPQA：有关GPQA的数据来自2025年2PQA论文和\\nOpenAI视频。要了解有关GPQA的更多信息，请阅读原文。\\n\\n10.GSM8K：有关GSM8K的数据取自2025年2月的\\nGSM8KPapersWithCodeleaderboard。要了解有关\\nGSM8K的更多信息，请阅读原文。\\n\\n11.HELMET：有关HELMET（如何有效、彻底地评估长语境模型）的数据摘自2025年2月的HELMET论文，要了解有关\\nHELMET的更多信息，请阅读原文。\\n\\n12.HLE：有关HLE的数据摘自2025年2月HLE论文，要了解有关HLE的更多信息，请阅读原文。\\n\\n13.HumanEval：有关HumanEval的数据来自2025年2月的人类EvalPapersWithCodeleaderboard，要了解有关\\nHumanEval的更多信息，请阅读原文。\\n\\n14.LRRS2：Oxford-BBC Lip Reading Sentences\\n\\n目录附录\\n420\\n\\n* * *\\n\\n附录第二章：技术性能\\n\\n15.2 (LRS2) 的数据取自 2025 年 2 月 LRS2 Papers With Code leaderboard,要了解有 LRS2 的更多信息,请阅读原文。\\n16.MATH:有关 MATH的数据取自 2025 年 2月 MATH Papers With Code leaderboard和 o3-mini模型发布会。要了解有关 MATH的更多信息,请阅读原文。\\n17.MixEval:有关 MixEval的数据取自 2025 年 2月的 MixEval leaderboard,要了解有关 MixEval的更多信息，请阅读原文。\\n18.MLU:关于 MLU的数据取自 2025 年 2月 MMLU Papers With Code leaderboard 要了解更多关于 MLU的信息,请阅读原文。\\n19.MMLU-Pro:有关 MMLU-Pro的数据取自 2025年 2月 MMLU-Pro leaderboard,要了解有关 MMLU-Pro的更多信息,请阅读原文。\\n20.MMMU:有关 MMMU的数据取自 2025年 2月的 MMMU leaderboard.要了解有关 MMMU的更多信息,请阅读原文。\\n21.MTEB:有关海量文本嵌入比较基准(MTEB)的数据取自 2025年 2月 MTEB leaderboard,要了解有关 MTEB的更多信息,请阅读原文。\\n22.MVBench:有关 MVBench的数据取自 2025年 2月 MVBench leaderboard要了解有关 MVBench的更多信息,请阅读原文。\\n23.PlanBench:有关 PlanBench的数据摘自 2025年 2月 PlanBench paper.要了解有关 PlanBench的更多信息,请阅读原文。\\n24.RE-Bench:RE-Bench的数据取自 2025年 2月 RE- Bench paper.要了解有关 RE-Bench的更多信息,请阅读原文。\\n25.RLBench:关于 RLBench的数据来自 2025年 2月的 RLBench Papers With Code leaderboard.要了解有关 RLBench的更多信息,请阅读原文。\\n26.标尺有关 Ruler的数据取自 2025年 2月的 Ruler资源库,要了解有关 Ruler的更多信息,请阅读原文。\\n27.SWE-bench:有关 SWE-bench的数据取自 2025年 2月的 SWE-benchleaderboard,要了解有关 SWE-bench的更多信息,请阅读原文。\\n28.VAB:VisualAgentBench(VAB)上的数据取自 2025年 2月的 VAB leaderboard,要了解有关 VAB的更多信息,请阅读原文。\\n29.VCR:有关 VCR的数据取自 2025年 2月 VCRleaderboard,要了解有关 VCR的更多信息,请阅读原文。\\n30.WildBench:有关 WildBench的数据取自 2025年 2月 WildBench leaderboard要了解有关 WildBench的更多信息,请阅读原文。\\n\\n目录附录\\n421\\n\\n* * *\\n\\n附录第二章：技术性能\\n\\n引用作品\\n\\nAkter, S. N, Yu, Z, Muhamed, A, Ou, T, Bauerle, A, Cabrera, A, Dholakia, K, Xiong, C, & Neubig, G. (2023). An In-Depth Look at Gemini’s Language Abilities (arXiv:2312.11444). arXiv. [https://doi.org/10.48550/arXiv.2312.11444](https://doi.org/10.48550/arXiv.2312.11444)\\n\\nBairi, R, Sorwane, A, Kanade, A, C. V, D, Iyer, A, Parthasarathy, S, Rajamani, S, Ashok, B, & Shet, S. (2023). CodePlan: Repository-Level Coding Using LLMs and Planning (arXiv:2309.12499). arXiv. [https://doi.org/10.48550/arXiv.2309.12499](https://doi.org/10.48550/arXiv.2309.12499)\\n\\nBauza, M, Chen, J. E, Dailbard, V, Gileadi, N, Hafner, R, Martins, M. F, Moore, J, Pevoeviciute, R, Laurens, A, Rao, D, Zambelli,\\nM, Riedmiller, M, Scholz, J, Bousmalis, K, Nori, J, Heess, N. (2024). DemoStart: Demonstration-Led Auto-Curriculum Applied to Sim-to-Rreal With Multi-finger Robots (arXiv:2409.06613). arXiv. [https://doi.org/10.48550/arXiv.2409.06613](https://doi.org/10.48550/arXiv.2409.06613)\\n\\nBommasani, R, Kapoor, S, Klyman, K, Longpre, S, Ramaswami, A, Zhang, D, Schaake, M, Ho, D. E, Narayanan, A, & Liang, P.\\n(2024). “Considerations for Governing Open Foundation Models.” Science, 386(6718), 151–53. [https://doi.org/10.1126/](https://doi.org/10.1126/)\\nscience.adp1848\\n\\nBrohan, A, Brown, N, Carbajal, J, Chebotar, Y, Chen, X, Choromanski, K, … & Zitkovich, B. (2023).RT-2: Vision-LanguageAction Models Transfer Web Knowledge to Robotic Control (arXiv:2307.15818). arXiv. [https://aniv.org/abs/2307.15818](https://aniv.org/abs/2307.15818)\\n\\nBudagam, D, Kumar, A, Khoshnoodil, M, KJ, S, Jain, V, & Chadha, A. (2024).Hierarchical Prompting Taxonomy: A Universal\\nEvaluation Framework for Large Language Models Aligned With Human Cognitive Principles (arXiv:2406.12644; Version 4). arXiv.\\n[https://doi.org/10.48550/arXiv.2406.12644](https://doi.org/10.48550/arXiv.2406.12644)\\n\\nCao, Z, Long, M, Wang, J, & Yu, P. S. (2017). HashNet: Deep Learning to Hash by Continuation (arXiv:1702.00758). arXiv.\\n[https://doi.org/10.48550/arXiv.1702.00758](https://doi.org/10.48550/arXiv.1702.00758)\\n\\nChen, M, Tworek, J, Jun, H, Yuan, Q, Pintro, H. P. de O, Kaplan, J, Edwards, H, Burda, Y, Joseph, N, Brockman, G, Ray, A,\\nPuri, R, Krueger, G, Petrov, M, Khlaiaf, H, Sastry, G, Mishkin, P, Chan, B, Gray, S, … Zaremba, W. (2021). Evaluating Large Language Models Trained on Code (arXiv:2107.03374). arXiv. [https://doi.org/10.48550/arXiv.2107.03374](https://doi.org/10.48550/arXiv.2107.03374)\\n\\nChiang, W.-L., Zheng, L., Sheng, Y, Angelopoulos, A, N, Li, T, Li, D, Zhang, H, Zhu, B, Jordan, M, Gonzalez, J, E, & Stoica, I\\n(2024). Chatbot Arena: An Open Platform for Evaluating LLMs by Human Preference (arXiv:2403.04132). arXiv. [https://doiorg/10.48550/arXiv.2403.04132](https://doiorg/10.48550/arXiv.2403.04132)\\n\\nChollet, F, Knoop, M, Kamradt, G, & Landers, B. (2015).ARC Prize 2024: Technical Report (arXiv:2412.04604). arXiv. [https://doi](https://doi/).\\norg/10.48550/arXiv.2412.04604\\n\\nChung, J. S, Senior, A, Vinyals, O, & Zisserman, A. (2017).\\\"Lip Reading Sentences in the Wild.\\\" 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 3444–53. [https://doi.org/10.1109/CVPR.2017.367](https://doi.org/10.1109/CVPR.2017.367)\\n\\n* * *\\n\\n附录第二章：技术性能\\n\\nCobbe, K, Kosaraju, V, Bavarian, M, Chen, M, Jun, H, Kaiser, L, Plaappert, M, Tworek, J, Hilton, J, Nakano, R, Hesse, C, &\\nSchulman, J. (2021). Training Verifiers to Solve Math Word Problems (arXiv:2110.14168). arXiv. [https://doi.org/10.48550/arXiv.2110.14168](https://doi.org/10.48550/arXiv.2110.14168)\\n\\nDriess, D, Xia, F, Saijadi, M. S, M Lynch, C, Chowdhery, A, Ichter, B, Wahid, A, Tompson, J, Vuong, Q, Yu, T, Huang, W,\\nChebotar, Y, Semmert, P, Duckworth, D, Levine, S, Vanhoucke, V, Hausman, K, Tousaint, M, Greff, K, ... Florence, P. (2023).\\nPatLM-E An Embodied Multimodal Language Model (arXiv:2303.03378). arXiv. [https://doi.org/10.48550/arXiv.2303.03378](https://doi.org/10.48550/arXiv.2303.03378)\\n\\nFang, H, Grotz, M, Pumacay, W, Wang, Y. R, Fox, D, Krishna, R, & Duan, J. (2025). SAM2Act: Integrating Visual Foundation\\nModel With a Memory Architecture for Robotic Manipulation (arXiv:2501.18564). arXiv. [https://doi.org/10.48550/arXiv.2501.18564](https://doi.org/10.48550/arXiv.2501.18564)\\n\\nFattorini, L, Maslej, N, Perrault, R, Parli, V, Etchemendy, J, Shoham, Y, & Ligett, K. (2024). The Global AI Vibrancy Tool (arXiv.2412.04486). arXiv. [https://doi.org/10.48550/arXiv.2412.04486](https://doi.org/10.48550/arXiv.2412.04486)\\n\\nGlazer, E, Erdill, E, Besiroglu, T., Chicharro, D, Chen, E, Gunning, A, Olsson, C, F, Denain, J.-S, Ho, A, Santos, E. de O., Jarviniemi, O, Barnett, M, Sandler, R, Vrzala, M, Sevilla, J, Ren, Q, Pratt, E, Levine, L, Barkley, G, ... Wilden, M. (2024). Frontier-\\nMath: A Benchmark for Evaluating Advanced Mathematical Reasoning in AI (arXiv:2411.04872). arXiv. [https://-](https://-/)\\ndoi.org/10.48550/arXiv.2411.04872\\n\\nHendrycks, D, Burns, C, Basart, S, Zou, A, Mazeka, M, Song, D, & Steinhardt, J. (2021). Measuring Massive Multitask Language\\nUnderstanding (arXiv:2009.03300). arXiv. [https://doi.org/10.48550/arXiv.2009.03300](https://doi.org/10.48550/arXiv.2009.03300)\\n\\nHendrycks, D, Burns, C, Kadavath, S, Arora, A, Basart, S, Tang, E, Song, D, & Steinhardt, J. (2021). Measuring Mathematical\\nProblem Solving With the MATH Dataset (arXiv:2103.03874). arXiv. [https://doi.org/10.48550/arXiv.2103.03874](https://doi.org/10.48550/arXiv.2103.03874)\\n\\nHsieh, C.-P, Sun, S, Kriman, S, Achanya, S, Rekesh, D, Jia, F, Zhang, Y, & Ginsburg, B. (2024). RULER: What's the Real Context\\nSize of Your Long-Context Language Models? (arXiv:2404.06654). arXiv. [https://doi.org/10.48550/arXiv.2404.06654](https://doi.org/10.48550/arXiv.2404.06654)\\n\\nHuang, Q, Vora, J, Liang, P, & Leskovec, J. (2024). MLAgentBench: Evaluating Language Agents on Machine Learning Experimentation (arXiv:2310.0302) arXiv. [https://doi.org/10.48550/arXiv.2310.0302](https://doi.org/10.48550/arXiv.2310.0302)\\n\\nIslam, P, Kannappan, A, Kiela, D, Qian, R, Scherrer, N, & Vidgen, B. (2023). FinanceBench: A New Benchmark for Financial\\nQuestion Answering (arXiv:2311.1944). arXiv. [https://doi.org/10.48550/arXiv.2311.1944](https://doi.org/10.48550/arXiv.2311.1944)\\n\\nJames, S, Ma, Z, Arrojo, D, R, & Davison, A. J. (2019). RLBench: The Robot Learning Benchmark & Learning Environment (arXiv.1909.1227); Version 1). arXiv. [https://doi.org/10.48550/arXiv.1909.12271](https://doi.org/10.48550/arXiv.1909.12271)\\n\\nJia, X, Yang, Z, Li, Q, Zhang, Z, & Yan, J. (2024). Bench2Drive: Towards Multi-ability Benchmarking of Closed-Loop\\nEnd-to-End Autonomous Driving (arXiv:2406.03877). arXiv. [https://doi.org/10.48550/arXiv.2406.03877](https://doi.org/10.48550/arXiv.2406.03877)\\n\\n* * *\\n\\nJimenez, C. E., Yang, J., Wettig, A., Yao, S., Pei, K., Press, O., & Narasimhan, K. (2024). SWE-bench: Can Language Models Resolve Real-World GitHub Issues? (arXiv:2310.06770). arXiv. [https://doi.org/10.48550/arXiv.2310.06770](https://doi.org/10.48550/arXiv.2310.06770)\\n\\nJones, C. R., & Bergen, B. K. (2024). People Cannot Distinguish GPT-4 From a Human in a Turing Test (arXiv:2405.08007). arXiv.\\n[https://doi.org/10.48550/arXiv.2405.08007](https://doi.org/10.48550/arXiv.2405.08007)\\n\\nKarnchanachari, N., Geromichalos, D., Tan, K. S., Li, N., Eriksen, C., Yaghoubi, S., Meh-dipour, N., Bernasconi, G., Fong, W. K.,\\nGuo, Y., & Caesar, H. (2024). Towards Learning-Based Planning: The nuPlan Benchmark for Real-World Autonomous Driving\\n(arXiv:2403.04133). arXiv. [https://doi.org/10.48550/arXiv.2403.04133](https://doi.org/10.48550/arXiv.2403.04133)\\n\\nKusupati, A., Bhatt, G., Rege, A., Wallingford, M., Sinha, A., Ramanujan, V., Howard-Snyder, W., Chen, K., Kakade, S., Jain, P.,&\\nFarhadi, A. (2024). Matryoshka Representation Learning (arXiv:2205.13147). arXiv. [https://doi.org/10.48550/arXiv.2205.13147](https://doi.org/10.48550/arXiv.2205.13147)\\n\\nLeal, I., Choromanski, K., Jain, D., Dubey, A., Varley, J., Ryoo, M., Lu, Y., Liu, F., Sindhwani, V., Vuong, Q., Sarlos, T., Oslund, K.,\\nHausman, K., & Rao, K. (2023). SARA-RT: Scaling Up Robotics Transformers With Self-Adaptive Robust Attention (arXiv:2312.01990). arXiv. [https://doi.org/10.48550/arXiv.2312.01990](https://doi.org/10.48550/arXiv.2312.01990)\\n\\nLi, K., Wang, Y., He, Y., Li, Y., Wang, Y., Liu, Y., Wang, Z., Xu, J., Chen, G., Luo, P., Wang, L., & Qiao, Y. (2024). MVBench: A Comprehensive Multi-modal Video Understanding Benchmark (arXiv:2311.17005). arXiv. [https://doi.org/10.48550/arXiv.2311.17005](https://doi.org/10.48550/arXiv.2311.17005)\\n\\nLi, T., Chiang, W.-L., Frick, E., Dunlap, L., Wu, T., Zhu, B., Gonzalez, J. E., & Stoica, I. (2024). From Crowdsourced Data to High-\\nQuality Benchmarks: Arena-Hard and BenchBuilder Pipeline (arXiv:2406.11939). arXiv. [https://doi.org/10.48550/arXiv.2406.11939](https://doi.org/10.48550/arXiv.2406.11939)\\n\\nLi, X., Mata, C., Park, J., Kahatapitiya, K., Jang, Y. S., Shang, J., Ranasinghe, K., Burgert, R., Cai, M., Lee, Y. J., & Ryoo, M. S.\\n(2025). LLaRA: Supercharging Robot Learning Data for Vision-Language Policy (arXiv:2406.20095). arXiv. [https://-](https://-/)\\ndoi.org/10.48550/arXiv.2406.20095\\n\\nMuennighoff, N., Tazi, N., Magne, L., & Reimers, N. (2023). MTEB: Massive Text Embedding Benchmark (arXiv:2210.07316). arXiv.\\n[https://doi.org/10.48550/arXiv.2210.07316](https://doi.org/10.48550/arXiv.2210.07316)\\n\\n* * *\\n\\nTr2%P42%aÁn2%L42%bÁn2%a42%Jnwp2%b42%Yqjq2%S42%Pjrn, K., Neubig, G., & You, Y. (2024). MixEval: Deriving Wisdom of the Crowd From LLM\\nBenchmark Mixtures (arXiv:2406.06565). arXiv. [https://doi.org/10.48550/arXiv.2406.06565](https://doi.org/10.48550/arXiv.2406.06565)\\n\\nO’Neill, A., Rehman, A., Gupta, A., Maddukuri, A., Gupta, A., Padalkar, A., Lee, A., Pooley, A., Gupta, A., Mandlekar, A., Jain, A., Tung,\\nA., Bewley, A., Herzog, A., Irpan, A., Khazatsky, A., Rai, A., Gupta, A., … Lin, Z. (2024). Open X-Embodiment: Robotic Learning\\nDatasets and RT-X Models (arXiv:2310.08864). arXiv. [https://doi.org/10.48550/arXiv.2310.08864](https://doi.org/10.48550/arXiv.2310.08864)\\n\\nPhan, L., Gatti, A., Han, Z., Li, N., Hu, J., Zhang, H., Zhang, C. B. C., Shaaban, M., Ling, J., Shi, S., Choi, M., Agrawal, A., Chopra, A.,\\nKhoja, A., Kim, R., Ren, R., Hausenloy, J., Zhang, O., Mazeika, M., … Hendrycks, D. (2025). Humanity’ s Last Exam (arXiv:2501.14249). arXiv. [https://doi.org/10.48550/arXiv.2501.14249](https://doi.org/10.48550/arXiv.2501.14249)\\n\\nRein, D., Hou, B. L., Stickland, A. C., Petty, J., Pang, R. Y., Dirani, J., Michael, J., & Bowman, S. R. (2023). GPQA: A Graduate-Level\\nGoogle-Proof Q&A Benchmark (arXiv:2311.12022). arXiv. [https://doi.org/10.48550/arXiv.2311.12022](https://doi.org/10.48550/arXiv.2311.12022)\\n\\nReuel, A., Hardy, A., Smith, C., Lamparth, M., Hardy, M., & Kochenderfer, M. J. (2024). BetterBench: Assessing AI Benchmarks,\\nUncovering Issues, and Establishing Best Practices (arXiv:2411.12990). arXiv. [https://doi.org/10.48550/arXiv.2411.12990](https://doi.org/10.48550/arXiv.2411.12990)\\n\\nTuring, A. M. (2009). Computing Machinery and Intelligence. In Epstein, R., Roberts, G., & Beber, G., eds., Parsing the Turing Test:\\nPhilosophical and Methodological Issues in the Quest for the Thinking Computer (23–65). Springer Netherlands. [https://-](https://-/)\\ndoi.org/10.1007/978-1-4020-6710-5\\\\_3\\n\\nValmeekam, K., Stechly, K., & Kambhampati, S. (2024). LLMs Still Can’ t Plan; Can LRMs? A Preliminary Evaluation of OpenAI’ s o1\\non PlanBench (arXiv:2409.13373). arXiv. [https://doi.org/10.48550/arXiv.2409.13373](https://doi.org/10.48550/arXiv.2409.13373)\\n\\nXia, Z., Li, J., Lin, Z., Wang, X., Wang, Y., & Yang, M.-H. (2024). OpenAD: Open-World Autonomous Driving Benchmark for 3D\\nObject Detection (arXiv:2411.17761). arXiv. [https://doi.org/10.48550/arXiv.2411.17761](https://doi.org/10.48550/arXiv.2411.17761)\\n\\nXu, C., Guan, S., Greene, D., & Kechadi, M.-T. (2024). Benchmark Data Contamination of Large Language Models: A Survey\\n(arXiv:2406.04244). arXiv. [https://doi.org/10.48550/arXiv.2406.04244](https://doi.org/10.48550/arXiv.2406.04244)\\n\\n* * *\\n\\nYue, a42%Ni, Y., Zhang, K., Zheng, T., Liu, R., Zhang, G., Stevens, S., Jiang, D., Ren, W., Sun, Y., Wei, C., Yu, B., Yuan, R., Sun, R., Yin,\\nM., Zheng, B., Yang, Z., Liu, Y., Huang, W., … Chen, W. (2024). MMMU: A Massive Multi-discipline Multimodal Understanding and\\nReasoning Benchmark for Expert AGI (arXiv:2311.16502). arXiv. [https://doi.org/10.48550/arXiv.2311.16502](https://doi.org/10.48550/arXiv.2311.16502)\\n\\nZellers, R., Bisk, Y., Far-hadi, A., & Choi, Y. (2019). From Recognition to Cognition: Visual Commonsense Reasoning\\n(arXiv:1811.10830). arXiv. [https://-doi.org/10.48550/arXiv.1811.10830](https://-doi.org/10.48550/arXiv.1811.10830)\\n\\nZhang, H., Da, J., Lee, D., Robinson, V., Wu, C., Song, W., Zhao, T., Raja, P., Zhuang, C., Slack, D., Lyu, Q., Hendryx, S., Kaplan,\\nR., Lunati, M., & Yue, S. (2024). A Careful Examination of Large Language Model Performance on Grade School Arithmetic\\n(arXiv:2405.00332). arXiv. [https://doi.org/10.48550/arXiv.2405.00332](https://doi.org/10.48550/arXiv.2405.00332)\\n\\n* * *\\n\\n第三章： 负责任的人工智能\\n\\n致谢\\n\\n人工智能指数谨此致谢Andrew Shi在负责任的人工智能相关会议报告分析方面所做的工作。人工智能指数承认 \\\"全球负责任的人工智能状况 \\\"分析是与埃森哲合作进行的。人工智能指数特别强调了埃森哲Chief Responsible AI Officer ，Arnab\\nChakraborty，以及埃森哲研究团队（包括Patrick Connolly、\\nJakub Wiatrak、Dikshita Venkatesh和Shekhar Tewari）在数据收集和分析方面做出的贡献。人工智能指数谨此致谢麦肯锡团队（特别是 Medha Bankhwal、Emily Capstick、\\nKatherine Ottenbreit、Brittany Presten、Roger Roberts 和\\nCayla Volandes）在负责任的人工智能生态系统调查中的合作。\\n\\n会议材料分析\\n\\n关于负责任的人工智能相关会议论文的分析，人工智能指数研究了以下会议中负责任的人工智能相关的数量：AAAI,\\nAIES,FAccT, ICML,ICLR, 和 NeurIPS。具体来说，团队从会议网站或会议投稿库中搜索包含相关关键字的论文，这些关键字表明这些论文可能属于特定的负责任的人工智能类别。然后，由一个人工团队对论文进行人工验证，以确认其分类。一篇论文有可能属于多个负责任的人工智能类别。\\n\\n搜索的关键词包括\\n\\n隐私和数据管理：anonymity, confidentiality,data breach, data\\nethics, data governance, data integrity, data privacy, data\\nprotection, data transparency, differential privacy, inferenceprivacy, machine unlearning, privacy by design, privacy-preserving, secure data storage, trustworthy data curation.\\n\\n安全：adversarial attack, adversarial learning, AI incident,\\nattacks, audits, cybersecurity, ethical hacking, forensic analysis,\\nfraud detection, red teaming, safety, security, security ethics,\\nthreat detection, vulnerability assessment.\\n\\n透明度和可解释性：algorithmic transparency, audit, auditing,\\ncausal reasoning, causality, explainability, explainable AI,\\nexplainable models, human-understandable decisions, interpretability, interpretable models, model explainability, outcome\\nexplanation, transparency, xAI.\\n\\n埃森哲全球负责任的人工智能状况调查\\n\\n斯坦福大学的研究人员与埃森哲公司合作进行第二次 \\\"全球负责任的人工智能状况 \\\"调查。调查收集了来自 20 个国家和 19\\n个行业的 1,500 家企业的回复，每家企业的总收入至少为 5\\n亿美元。调查于 2025 年 1 月至 2 月进行。负责任的人工智能全球状况调查的目的是了解采用 RAI 原则和实践所面临的挑战，并对组织和运营 RAI 活动的 10 个方面进行长期比较。\\n\\n* * *\\n\\n麦肯锡负责任的人工智能调查\\n\\n麦肯锡公司最近对 38 个国家的 750 多位领导者进行了调查，\\n深入了解了企业 RAI 的现状。这些领导者代表了从技术到医疗保健等各行各业，包括法律、数据 / 人工智能、工程、风险和财务领域的专业人士。麦肯锡 RAI 成熟度模型是一个负责任的人工智能框架，包含 RAI 的四个维度——战略、风险管理、数据和技术以及运营模式——以及 21 个子维度。RAI 成熟度分为四个等级，从开发基础 RAI 实践到全面、积极的计划。\\n\\n* * *\\n\\n引用作品\\n\\nAlanazi, S., & Asif, S. (2024). “Exploring Deepfake Technology: Creation, Consequences and Countermeasures.” Human- Intelligent Systems Integration, 6(1), 49–60. [https://doi.org/10.1007/s42454-024-00054-8](https://doi.org/10.1007/s42454-024-00054-8)\\n\\nBai, X., Wang, A., Sucholutsky, I., & Grifths, T. L. (2024). Measuring Implicit Bias in Explicitly Unbiased Large Language Models\\n(arXiv:2402.04105). arXiv. [https://doi.org/10.48550/arXiv.2402.04105](https://doi.org/10.48550/arXiv.2402.04105)\\n\\nBirhane, A., Dehdashtian, S., Prabhu, V. U., & Boddeti, V. (2024). “The Dark Side of Dataset Scaling: Evaluating Racial Classifcation\\nin Multimodal Models.” The 2024 ACM Conference on Fairness, Accountability, and Transparency, 1229–44. [https://doi](https://doi/).\\norg/10.1145/3630106.3658968\\n\\nBommasani, R., Klyman, K., Kapoor, S., Longpre, S., Xiong, B., Maslej, N., & Liang, P. (2025). The 2024 Foundation Model Transparency Index (arXiv:2407.12929). arXiv. [https://doi.org/10.48550/arXiv.2407.12929](https://doi.org/10.48550/arXiv.2407.12929)\\n\\nGermani, F., Spitale, G., & Biller-Andorno, N. (2024). The Dual Nature of AI in Information Dissemination: Ethical Considerations.\\nJmir Ai, 3, e53505. [https://doi.org/10.2196/53505](https://doi.org/10.2196/53505)\\n\\nGu, X., Zheng, X., Pang, T., Du, C., Liu, Q., Wang, Y., Jiang, J., & Lin, M. (2024). Agent Smith: A Single Image Can Jailbreak One\\nMillion Multimodal LLM Agents Exponentially Fast (arXiv:2402.08567). arXiv. [https://doi.org/10.48550/arXiv.2402.08567](https://doi.org/10.48550/arXiv.2402.08567)\\n\\nLi, J., Cheng, X., Zhao, W. X., Nie, J.-Y., & Wen, J.-R. (2023). HaluEval: A Large-Scale Hallucination Evaluation Benchmark for\\nLarge Language Models (arXiv:2305.11747). arXiv. [https://doi.org/10.48550/arXiv.2305.11747](https://doi.org/10.48550/arXiv.2305.11747)\\n\\nLiebowitz, J., ed. (2024). Regulating Hate Speech Created by Generative AI. Auerbach Publications. [https://doi](https://doi/).\\norg/10.1201/9781032654829\\n\\nLongpre, S., Mahari, R., Lee, A., Lund, C., Oderinwale, H., Brannon, W., Saxena, N., Obeng-Marnu, N., South, T., Hunter, C., Klyman,\\nK., Klamm, C., Schoelkopf, H., Singh, N., Cherep, M., Anis, A., Dinh, A., Chitongo, C., Yin, D., … Pentland, S. (2024). Consent in\\nCrisis: The Rapid Decline of the AI Data Commons (arXiv:2407.14933). arXiv. [https://doi.org/10.48550/arXiv.2407.14933](https://doi.org/10.48550/arXiv.2407.14933)\\n\\n* * *\\n\\nMazeika, M., Phan, L., Yin, a42%Zou, A., Wang, Z., Mu, N., Sakhaee, E., Li, N., Basart, S., Li, B., Forsyth, D., & Hendrycks, D. (2024a).\\nHarmBench: A Standardized Evaluation Framework for Automated Red Teaming and Robust Refusal (arXiv:2402.04249). arXiv.\\n[https://doi.org/10.48550/arXiv.2402.04249](https://doi.org/10.48550/arXiv.2402.04249)\\n\\nParrish, A., Chen, A., Nangia, N., Padmakumar, V., Phang, J., Thompson, J., Htut, P. M., & Bowman, S. R. (2022). BBQ: A Hand-\\nBuilt Bias Benchmark for Question Answering (arXiv:2110.08193). arXiv. [https://doi.org/10.48550/arXiv.2110.08193](https://doi.org/10.48550/arXiv.2110.08193)\\n\\nQi, X., Panda, A., Lyu, K., Ma, X., Roy, S., Beirami, A., Mittal, P., & Henderson, P. (2024). Safety Alignment Should Be Made More\\nThan Just a Few Tokens Deep (arXiv:2406.05946). arXiv. [https://doi.org/10.48550/arXiv.2406.05946](https://doi.org/10.48550/arXiv.2406.05946)\\n\\nReuel, A., Connolly, P., Meimandi, K. J., Tewari, S., Wiatrak, J., Venkatesh, D., & Kochenderfer, M. (2024). Responsible AI in the\\nGlobal Context: Maturity Model and Survey (arXiv:2410.09985). arXiv. [https://doi.org/10.48550/arXiv.2410.09985](https://doi.org/10.48550/arXiv.2410.09985)\\n\\nRöttger, P., Kirk, H. R., Vidgen, B., AttanasioB, G., ianchi, F., & Hovy, D. (2024). XSTest: A Test Suite for Identifying Exaggerated\\nSafety Behaviours in Large Language Models (arXiv:2308.01263). arXiv. [https://doi.org/10.48550/arXiv.2308.01263](https://doi.org/10.48550/arXiv.2308.01263)\\n\\nRuan, Y., Dong, H., Wang, A., Pitis, S., Zhou, Y., Ba, J., Dubois, Y., Maddison, C. J., & Hashimoto, T. (2024). Identifying the Risks of\\nLM Agents with an LM-Emulated Sandbox (arXiv:2309.15817). arXiv. [https://doi.org/10.48550/arXiv.2309.15817](https://doi.org/10.48550/arXiv.2309.15817)\\n\\nSimchon, A., Edwards, M., & Lewandowsky, S. (2024). The Persuasive Efects of Political Microtargeting in the Age of Generative\\nArtifcial Intelligence. PNAS Nexus, 3(2), pgae035. [https://doi.org/10.1093/pnasnexus/pgae035](https://doi.org/10.1093/pnasnexus/pgae035)\\n\\nSpivak, R. (2018). “Deepfakes”: The Newest Way to Commit One of the Oldest Crimes. Georgetown Law Technology Review, 3,\\n339\\\\. [https://georgetownlawtechreview.org/wp-content/uploads/2019/05/3.1-Spivak-pp-339-400.pdf](https://georgetownlawtechreview.org/wp-content/uploads/2019/05/3.1-Spivak-pp-339-400.pdf)\\n\\nVidgen, B., Scherrer, N., Kirk, H. R., Qian, R., Kannappan, A., Hale, S. A., & Röttger, P. (2024). SimpleSafetyTests: A Test Suite for\\nIdentifying Critical Safety Risks in Large Language Models (arXiv:2311.08370). arXiv. [https://doi.org/10.48550/arXiv.2311.08370](https://doi.org/10.48550/arXiv.2311.08370)\\n\\nZeng, Y., Yang, Y., Zhou, A., Tan, J. Z., Tu, Y., Mai, Y., Klyman, K., Pan, M., Jia, R., Song, D., Liang, P., & Li, B. (2024). AIR-Bench\\n2024: A Safety Benchmark Based on Risk Categories From Regulations and Policies (arXiv:2407.17436). arXiv. [https://-](https://-/)\\ndoi.org/10.48550/ arXiv.2407.17436\\n\\n* * *\\n\\n第四章：经济\\n\\n第四章：经济\\n\\n国际机器人联合会营OLX萨\\n\\nLightcast\\n\\nVishy Kamalapuram 和 Elena Magrini 编写\\n\\n为了支持这些分析，Lightcast 挖掘了其自 2010 年以来收集的数百万个招聘信息数据集。Lightcast 收集了 51,000 多个在线招聘网站的招聘信息，对劳动力市场需求进行全面、实时的描绘。它汇总招聘信息，删除重复信息，并从招聘信息文本中提取数据。其中包括职位名称、雇主、行业和地区信息，以及所需的经验、教育和技能。\\n\\n1、 [https://lightcast.io/open-skills](https://lightcast.io/open-skills)\\n\\n数据来源是劳工统计局开展的职位空缺和劳动力流动调查\\n（JOLTS）项目。根据 JOLTS 和 Lightcast 之间的比较，\\nLightcast 数据捕捉到的劳动力市场需求占劳动力的 99% 以上。未在网上发布的职位通常出现在小企业（如餐馆橱窗上的 \\\"Help Wanted \\\"招牌）和工会招聘大厅。\\n\\n为了衡量雇主对人工智能技能的需求，Lightcast 使用其包含\\n33,000 多种技能的技能分类法。1 以下是 Lightcast 提供的人工智能技能列表，以及相关的技能集群。在本报告中，以下所有技能均被视为人工智能技能。如果招聘信息中提到这些技能中的任何一项，则被视为人工智能职位。\\n\\n衡量对人工智能的需求\\n\\n人工智能伦理、治理和监管：ethical AI, data sovereignty, AI\\nsecurity, artifcial intelligence risk.\\n\\n人工智能：agentic systems, AI/ML inference, AIOps (artifcial\\nintelligence for IT operations), AI personalization, AI testing,\\napplications of artifcial intelligence, artifcial general intelligence,\\nartifcial intelligence, artifcial intelligence development, Artifcial\\nIntelligence Markup Language (AIML), artifcial intelligence\\nsystems, automated data cleaning, Azure Cognitive Services,\\nBaidu, cognitive automation, cognitive computing, computational intelligence, Cortana, Data Version Control (DVC), Edge\\nIntelligence, embedded AI, expert systems, explainable AI (XAI),\\nintelligent control, intelligent systems, interactive kiosk, IPSoft\\nAmelia, knowledge distillation, knowledge engineering, knowledge- based confguration, knowledge-based systems, knowledge representation, multi-agent systems, neuro-symbolic AI,\\n\\n* * *\\n\\n第四章：经济\\n\\nOpen Neural Network Exchange (ONNX), OpenAI Gym, operationalizing AI, PineCone, Qdrant, reasoning systems, swarm\\nintelligence, synthetic data generation, Watson Conversation,\\nWatson Studio, Weka Weaviate.\\n\\n自主驾驶：advanced driver-assistance systems, autonomous\\ncruise control systems, autonomous system, autonomous\\nvehicles, dynamic routing, guidance navigation and control\\nsystems, light detection and ranging (LiDAR), object tracking,\\nOpenCV, path analysis, path fnding, remote sensing, scene\\nunderstanding, unmanned aerial systems (UAS).。\\n\\n生成式人工智能：Adobe Sensei, ChatGPT, CrewAI, DALL-E\\nimage generator, generative adversarial networks, generative\\nAI agents, generative artifcial intelligence,Google Bard, image\\ninpainting, image super-resolution, LangGraph, large language\\nmodeling, Microsoft Copilot, multimodal learning, multimodal\\nmodels, prompt engineering, retrieval- augmented generation,\\nStable Difusion, text summarization, text to speech (TTS),\\nvariational autoencoders (VAEs).\\n\\n机器学习：AdaBoost (adaptive boosting), adversarial machine\\nlearning, Apache MADlib, Apache Mahout, Apache SINGA,\\nApache Spark, association rule learning, attention mechanisms, AutoGen, automated machine learning, autonomic\\ncomputing, AWS SageMaker, Azure Machine Learning, bagging techniques, Bayesian belief networks, Boltzmann Machine, boosting, Chi-Squared Automatic Interaction Detection\\n(CHAID), Classifcation and Regression Tree (CART), cluster\\nanalysis, collaborative fltering, concept drift detection, confusion matrix, cyber-physical systems, Dask (Software), data\\nclassifcation, Dbscan, decision models, decision-tree learning,\\ndimensionality reduction, distributed machine learning, Dlib\\n(C++ library), embedded intelligence, ensemble methods, evolutionary programming, expectation maximization algorithm,\\nfeature engineering, feature extraction, feature learning, feature selection, federated learning, game AI, Gaussian process,\\ngenetic algorithm, Google AutoML, Google Cloud ML Engine,\\ngradient boosting, gradient boosting machines (GBM), H2O.ai,\\n\\nai, hidden Markov model, hyperparameter optimization, incremental learning, inference engine, k-means clustering, kernel\\nmethods, Kubefow, LIBSVM, loss functions, machine learning,\\nmachine learning algorithms, machine learning methods, machine learning model monitoring and evaluation, machine\\nlearning model training, Markov chain, matrix factorization,\\nmeta learning, Microsoft Cognitive Toolkit (CNTK), MLfow,\\nMLOps (machine learning operations), mlpack (C++ library),\\nModelOps, Naive Bayes Classifer, neural architecture compression, neural architecture search (NAS), objective function,\\nOracle Autonomous Database, Perceptron, Predictionio, predictive modeling, programmatic media buying, Pydata, Py-\\nTorch (machine learning library), PyTorch Lightning, Random\\nForest Algorithm, recommender systems, reinforcement learning, Scikit-Learn (Python package), semi-uupervised learning,\\nsoft computing, sorting algorithm, supervised learning, support\\nvector machines (SVM), t-SNE (t-distributed Stochastic\\nNeighbor Embedding), test datasets, topological data analysis\\n(TDA), Torch (machine learning), training datasets, transfer\\nlearning, transformer (machine learning model), unsupervised\\nlearning, Vowpal Wabbit, Xgboost, Theano (software).\\n\\n自然语言处理：AI copywriting, Amazon Alexa, Amazon\\nTextract, ANTLR, Apache OpenNLP, BERT (NLP Model), chatbot, computational linguistics, conversational AI, DeepSpeech,\\ndialog systems, fastText, fuzzy logic, handwriting recognition,\\nHugging Face (NLP framework), Hugging Face Transformers,\\nintelligent agent, intelligent virtual assistant, Kaldi, language\\nmodel, latent Dirichlet allocation, Lexalytics, machine translation, Microsoft LUIS, natural language generation (NLG), natural language processing (NLP), natural language programming,\\nnatural language toolkits, natural language understanding\\n(NLU), natural language user interface, nearest neighbour\\nalgorithm, Nuance Mix, optical character recognition (OCR),\\nscreen reader, semantic analysis, semantic interpretation for\\nspeech recognition, semantic kernel, semantic parsing,\\nsemantic search, sentence transformers, sentiment analysis,\\nSeq2Seq, Shogun, small language model, speech recognition,\\nspeech recognition software, speech synthesis, statistical language\\n\\n* * *\\n\\n第四章：经济\\n\\nstatistical language acquisition, summarization methods, text\\nmining, text retrieval systems, text to speech (TTS), tokenization, Vespa, voice assistant technology, voice interaction, voice\\nuser interface, word embedding, Word2Vec models.\\n\\n神经网络：Apache MXNet, artifcial neural networks, autoencoders, Cafe (framework), Cafe2, Chainer (Deep Learning\\nFramework), convolutional neural networks (CNN), Cudnn,\\ndeep learning, deep learning methods, Deeplearning4j, deep\\nreinforcement learning (DRL), evolutionary acquisition of\\nneural topologies, Fast. AI, graph neural networks (GNNs),\\nKeras (neural network library), Long Short-Term Memory\\n(LSTM), neural ordinary diferential equations, OpenVINO, PaddlePaddle, Pybrain, recurrent neural network (RNN), reinforcement learning (RL), residual networks (ResNet),\\nsequence-to-sequence models (seq2seq), spiking neural networks, TensorFlow.\\n\\n机器人：advanced robotics, bot framework, cognitive robotics,\\nmeta-reinforcement learning, motion planning, Nvidia Jetson,\\nOpenAI Gym environments, reinforcement learning from\\nhuman feedback (RLHF), robot framework, robot operating\\nsystems, robotic automation software, robotic liquid handling\\nsystems, robotic programming, robotic systems, servomotor,\\nSLAM algorithms (Simultaneous Localization and Mapping).\\n\\n视觉图像识别：3D reconstruction, activity recognition,\\ncomputer vision, contextual image classifcation, Deck.gl, digital image processing, digital twin technology, eye tracking,\\nface detection, facial recognition, general-purpose computing\\non graphics processing units, gesture recognition, image analysis, image captioning, image matching, image recognition,\\nimage segmentation, image sensor, ImageNet, instance segmentation, machine vision, MNIST, motion analysis, object\\nrecognition, OmniPage, pose estimation, RealSense, thermal\\nimaging analysis.\\n\\n领英\\n\\nRosie Hood、Akash Kaura 和 Mar Carpanelli 编写\\n\\n这组作品代表了通过领英数据所看到的世界，这些数据来自领英全球超过 10 亿会员的匿名和汇总的个人资料信息。因此，它受到会员选择使用平台方式的影响，而会员选择使用平台的方式可能因职业、社交和地区文化以及网站的整体可用性和可访问性而有所不同。在发布 领英经济图谱的洞察时，领英提供准确的统计数据，同时确保 领英会员的隐私。因此，所有数据显示的都是相应时期汇总信息，遵循严格的数据质量阈值，不会披露任何特定个人的信息。\\n\\n领英 数据\\n\\n领英 提供了阿根廷、澳大利亚、奥地利、比利时、巴西、加拿大、智利、哥斯达黎加、克罗地亚、塞浦路斯、捷克、丹麦、爱沙尼亚、芬兰、法国、德国、希腊、香港特别行政区、匈牙利、冰岛、印度、印度尼西亚、爱尔兰、以色列、意大利、拉脱维亚、立陶宛、卢森堡、墨西哥、荷兰、新西兰、挪威、波兰、葡萄牙、罗马尼亚、沙特阿拉伯、新加坡、斯洛文尼亚、南非、韩国、西班牙、瑞典、瑞士、土耳其、阿拉伯联合酋长国、英国、美国和乌拉圭的数据。\\n\\n国家样本\\n\\n领英 将人工智能技能分为两个相互排斥的类别：\\\" 人工智能工程 \\\" 和 \\\" 人工智能素养 \\\"。从广义上讲，人工智能工程技能指的是设计、开发、部署和维护人工智能系统所需的专业技术和实践能力，而人工智能素养技能指的是理解、评估和有效地与人工智能技术互动所需的知识、能力和批判性思维能力。随着技能的不断发展，我们会定期维护和更新这些分类。有关本分析中包含的技能列表，请参阅下面的 领英 人工智能技能列表。\\n\\n* * *\\n\\n附录\\n\\n第四章：经济\\n\\n行业\\n\\n领英 的行业分类法是共享经济活动并对特定产品或服务做出贡献的实体的集合。一个行业代表一家公司提供或销售的产品或服务。领英 分析了人工智能背景下的以下行业：教育；金融服务；制造业；专业服务；以及技术、信息和媒体。\\n\\n性别\\n\\n领英认识到，一些领英会员的性别认同超越了 \\\" 男性 \\\" 和 \\\" 女性 \\\" 的传统性别建构。如果没有明确的自我认同，领英 会根据\\n领英 资料中使用的代词或根据名字来推断本次分析中会员的性别。性别无法被推断为男性或女性的会员，将被排除在任何性别分析之外。请注意，领英 过滤了其性别归因算法覆盖范围不足的国家。\\n\\n人工智能工作或职业\\n\\n领英会员的头衔是标准化的，分为 16,000 多种职业。这些职业并不针对特定行业或国家。人工智能工作需要具备人工智能技能才能高效注意力地完成工作。这类职业的例子包括（但不限于）：机器学习工程师、人工智能专家、数据科学家和计算机视觉工程师。\\n\\n如果领英会员在个人档案中明确添加了至少两项人工智能技能，并且 / 或者他们现在或曾经受雇于人工智能工作，那么他们就被视为人工智能人才。\\n\\nA7 增长最快的人工智能技能\\n\\n所有会员最常添加的人工智能技能的同比增长率。请注意，领英 对最近一年的技能添加量设置了阈值，该阈值设定为最近一年按国家分类的人工智能技能添加量分布的第 50 百分位数。\\n\\n解读：全球增长最快的人工智能工程技能是定制 GPT、人工智能生产力和人工智能智能体。\\n\\n人工智能人才计数用于计算人才集中度指标。换句话说，在计算国家级人工智能人才集中度时，领英 使用特定国家的人工智能人才数量除以该国的 领英会员数量。请注意，集中度指标可能会受到 领英 在这些国家覆盖范围的影响，因此应谨慎使用。\\n\\n3. 人工智能人才集聚\\n\\n解读：拥有人工智能工程技能的人工智能人才占美国领英会员的 0.78%。\\n\\n4. 相对人工智能人才聘用率同比比率\\n\\n领英雇用率是按领英会员人数归一化的雇用衡量标准。它的计算方法是，在工作开始的同期新增雇主的 领英会员的百分比除以相应地点的 领英会员总数。\\n\\n人工智能聘用率采用总体聘用率方法计算，但只考虑被归类为\\n\\n* * *\\n\\n人工智能人才的成员。相对人工智能人才招聘率同比比是指人工智能人才招聘率相对于同一国家整体招聘率的同比变化。领英 分享的是 12 个月的移动平均值。\\n\\n解读：在美国，人工智能人才招聘相对于整体招聘的比例增长了 24.7%。\\n\\n5. 技能穿透\\n\\n技能基因组（SKILLS GENOME）\\n\\n对于任何类别（职业、国家、行业等），技能基因组都是该类别最具特征的 50 种技能的有序列表（向量）。这些最具特征的技能是通过 TF-IDF 算法确定的，该算法会将那些对特定实体（如\\nMicrosoft Word）增加信息很少的无处不在技能向下排序，而将特定实体（如人工智能）独有的技能向上排序。更多详情，请参 阅 LinkedIn’ s skills genome 和 LinkedIn–World Bank\\nMethodology 说明。\\n\\n例如，表 1 详细列出了 2024 年美国技术、信息和媒体行业的技能基因组，显示了按 TF-IDF 排序的前 10 项技能。\\n\\n| 技能名称 | TF-IDF技能等级 |\\n| --- | --- |\\n| Amazon Web Services (AWS) | 1 |\\n| Softwarea a Service (SaaS) | 2 |\\n| Artifcialintelligence(AI) | 3 |\\n| Python (programminglanguage) | 4 |\\n| Go-to-marketstrategy | 5 |\\n| Customer success | 6 |\\n| Large language models (LLM) | 7 |\\n| Salesforce.com | 8 |\\n| SQL | 9 |\\n| Generative AI | 10 |\\n\\n这一指标的目的是采用以下方法衡量某一类别中人工智能技能的强度：\\n\\n人工智能技能渗透\\n\\n•领英 计算了 2015 年以来 领英会员在特定实体（职业、行业等）中自我添加的所有技能的频率。\\n\\n•领英 使用 TF-IDF 模型对技能频率进行重新加权，以获得该实体中最具代表性的前 50 种技能。这 50 种技能构成了该实体的 \\\" 技能基因组 \\\"。\\n\\n•领英 会计算属于人工智能技能组的技能在所选实体的顶级技能中所占的比例。\\n\\n解释：人工智能技能渗透率表明人工智能技能在各职业中的普及程度，或者说 领英会员在工作中使用人工智能技能的强度。例如，工程师这一职业的前 50 项技能是根据它们在 领英会员资料中出现的加权频率计算出来。如果工程师所掌握的技能中有四项属于人工智能技能组，那么这一测量结果表明，人工智能技能在工程师中的渗透率估计为 8%（即 4/50）。\\n\\n解释：如果一个国家的人工智能技能相对渗透率为 1.5，这意味着在一组重叠的职业中，人工智能技能的使用频率是比较基准的 1.5 倍。\\n\\n* * *\\n\\n附录\\n\\n第四章：经济\\n\\n解释：相对渗透率为 2 意味着在同一组职业中，该国人工智能技能的平均渗透率是全球平均水平的 2 倍。\\n\\n全球比较：按行业\\n\\n按国家分类特定行业的相对人工智能技能渗透率，对各行业和各国的人工智能技能渗透率进行了深入的行业分解。\\n\\n解释：一个国家教育领域的人工智能技能相对渗透率为 2，意味着在该领域的同一组职业中，该国人工智能技能的平均渗透率是全球平均水平的 2 倍。\\n\\n全球比较：按性别分类\\n\\n解释：一个国家的女性人工智能技能渗透率为 1.5，这意味着该国女性成员掌握人工智能技能的可能性是所有国家女性成员平均水平的 1.5 倍。\\n\\n6.人工智能领域的女性代表\\n\\n由于 领英 将一个国家的人工智能技能渗透率按性别与相同的全球平均水平进行比较，而不分性别，因此性别间的相对人工智能技能渗透率可以在全球各国内部和各国之间跨性别比较。\\n\\n7.人工智能人才迁移\\n\\n移民数据来自 World Bank Group– LinkedIn \\\" 数字数据促进发展（Digital Data for Development） \\\" 合 作 项 目（见\\n[https://linkedindata.worldbank.org/](https://linkedindata.worldbank.org/) 和 Zhu 等 (2018) ）。领英的迁移率来自领英会员档案中自我认定的地点。例如，当 领英会员将其所在地从巴黎更新为伦敦时，这将被算作一次迁移。迁移数据自 2019 年起可用。\\n\\n领英 数据可帮助各国深入了解因迁移趋势而增减的人工智能人才。人工智能人才迁移是指在时间 \\\"t\\\"，A 国为相关国家，B 国为流入来源国和流出目的国，所有拥有人工智能技能 / 从事人工智能工作的成员。因此，A 国与 B 国之间的人工智能人才净迁徙计算如下：\\n\\n$$\\n\\\\\\\\text {N e t A I T a l e n t M i g r a t i o n} \\\\_ {a, b, t} = \\\\\\\\frac {\\\\\\\\text {N e t A I T a l e n t f l o w s} \\\\_ {a , b , t}}{\\\\\\\\text {M e m b e r c o u n t} \\\\_ {a , t}}\\n$$\\n\\n净流量的定义是在特定时间段内到达人数减去离开人数。不同国家的 领英会员人数各不相同，这对解释会员从一个国家到另一个国家的绝对流动情况具有挑战性。因此，我们对每个国家的迁徙流量进行了归一化处理。例如，就 A 国而言，所有进出 A 国的绝对净流量（不考虑原籍国和目的地国）都根据 A 国每年年底的 领英会员人数进行了归一化处理，然后乘以 10,000。因此，该指标显示的是从所有国家迁入或迁出 A 国的相对人才流动情况。请注意为了使过渡具有足够的样本量，我们采用了最低阈值。\\n\\n解释：美国的人工智能人才净流量与其成员规模相比呈正数，每\\n10,000 名成员中有 1.07 名人工智能人才净流入。\\n\\n8.进入人工智能工作的职业转型\\n\\n领英 考虑了为人工智能职业提供养分的来源职业，分析了五年转入人工智能职业的比例。职业转换的计算方法是将成员从一个职\\n\\n* * *\\n\\n附录\\n\\n第四章：经济\\n\\n业到另一个职业的工作转换进行汇总。领英 不包括新毕业生新增的第一份职业和职业内部的转换。\\n\\n解读：在美国，有 26.9% 的人工智能工程师是从软件工程师转型而来，其次是 13.3% 的数据科学家。\\n\\n领英人工智能技能列表\\n\\n人工智能工程\\n3D reconstruction, AI agents, AI productivity, AI strategy, algorithm analysis, algorithm development, Amazon Bedrock,\\nApache Spark ML, applied machine learning, artifcial intelligence (AI), artifcial neural networks, association rules, audio\\nsynthesis, autoencoders, automated clustering, automated\\nfeature engineering, automated machine learning (AutoML),\\nautomated reasoning, autoregressive models, Azure AI Studio,\\nCafe, chatbot development, chatbots, classifcation, cognitive\\ncomputing, computational geometry, computational intelligence, computational linguistics, concept drift adaptation,\\nconditional generation, conditional image generation, convolutional neural networks (CNN), custom GPTs, decision trees,\\ndeep convolutional generative adversarial networks (DCGAN),\\ndeep convolutional neural nNetworks (DCNN), deep learning,\\ndeep neural networks (DNN), evolutionary algorithms, expert\\nsystems, facial recognition, feature extraction, feature selection, fuzzy logic, generative adversarial imitation learning, generative adversarial networks (GANs), generative AI, generative\\ndesign optimization, generative fow models, generative modeling, generative neural networks, generative optimization,\\ngenerative pre-training, generative query networks (GQNs),\\ngenerative replay memory, generative synthesis, gesture recognition, Google Cloud AutoML, graph embeddings, graph\\nnetworks, hyperparameter optimization, hyperparameter\\ntuning, image generation, image inpainting, image processing,\\nimage synthesis, image-to-image translation, information\\nextraction, intelligent agents, k-means clustering, Keras,\\nknowledge discovery, knowledge representation and reasoning,\\n\\nLangChain, large language model operations (LLMOps), large\\nlanguage models (LLM), machine learning, machine learning\\nalgorithms, machine translation, Microsoft Azure Machine\\nLearning, MLOps, model compression, model interpretation,\\nmodel training, music generation,nNatural language generation, natural language processing (NLP), natural language understanding, neural network architecture design, neural networks, NLTK, object recognition, ontologies, OpenAI API,\\nOpenCV, parsing, pattern recognition, predictive modeling,\\nprobabilistic generative models, probabilistic programming,\\nprompt fow, PyTorch, question answering, random forest,\\nRapidMiner, recommender systems, recurrent neural networks\\n(RNN), reinforcement learning, responsible AI, Scikit-Learn,\\nsemantic technologies, semantic web, sentiment analysis,\\nspeech recognition, Spring AI, statistical inference, style transfer, StyleGAN, supervised learning, support vector machine\\n(SVM), synthetic data generation, TensorFlow, text analytics,\\ntext classifcation, text generation, text mining, text-to-image\\ngeneration, Theano, time series forecasting, transformer\\nmodels, unsupervised learning, variational autoencoders\\n(VAEs), video generation, web mining, Weka, WordNet.\\n\\nAI Builder, AI prompting, Anthropic Claude, ChatGPT, DALL-E,\\ngenerative AI, Generative AI Studio, generative AI tools, generative art, GitHub Copilot, Google Bard, Google Gemini, GPT-3,\\nGPT-4, LLaMA, Microsoft Copilot, Microsoft Copilot Studio,\\nMidjourney, multimodal prompting, prompt engineering, Stable\\nDifusion.\\n\\n领英谨此致谢 Murat Erer 和 Carl Shan 在制定这些方法和指标方面所做的贡献，以及我们在经合组织人工智能组织（OECD.AI）、\\nStanford Institute for Human-Centered AI 和 Centro Nacional\\nde Inteligencia Artificial，Cenia 的合作者提供的反馈意见。\\n\\n* * *\\n\\nQuid\\n\\n由 Heather English 和 Hansen Yang 撰写的 Quid 见解\\n\\nQuid 利用自身的内部 大语言模型和其他智能搜索功能以及传统的布尔查询，搜索许多数据集中的重点领域、主题和关键词：社交媒体、新闻、论坛和博客、公司、专利，以及其他自定义（如调查数据）。Quid拥有多种可视化选项和数据交付终端，包括基于语义相似性的网络图表、平台内仪表盘功能和程序化PostgreSQL数据库交付。Quid 应用一流的人工智能和 NLP 来揭示大型数据集中隐藏的模式，使用户能够准确、快速、高效地做出数据驱动型决策。\\n\\n搜索、数据来源和范围\\n\\n对来自多个数据源的 800 多万条全球上市和私营公司简介进行索引，以便在公司描述中进行搜索，同时过滤并包含从投资信息到公司地理信息（如成立年份、总部所在地等）的元数据。公司信息每周更新一次。Quid 算法从每份文档中读取大量文本数据，根据不同文档的相似语言在它们之间建立链接。这一过程在巨大的范围内重复进行，从而产生一个由不同集群组成的网络，识别出不同的主题或重点领域。趋势是根据 Quid 识别的关键词、短语、人物、公司和机构以及其他输入软件的元数据确定的。\\n\\n组织数据来自 Capital IQ 和Crunchbase.这些公司包括全球各种类型的组织（私营、上市、运营、作为子公司运营、停业）。投资数据包括私人投资、并购、公开募股、私募股权投资/风险投资公司持有的少数股权、企业风险部门、政府以及境内外的机构。有些数据\\n\\n数据公司\\n\\n无法获得。例如，当投资者姓名或融资金额未披露时。Quid 默认嵌入了 Capital IQ 的数据，并将来自 Crunchbase 的数据添加到 Capital IQ 未捕获的数据点中。这不仅能获得有关所有全球机构的全面而准确的数据，还能捕捉早期初创企业和融资事件的数据。\\n\\n布尔查询用于搜索存档公司数据库及其业务描述和网站内的重点领域、主题和关键字。Quid 可根据总部所在地区、投资金额、运营状况、组织类型（私营 / 公共）和成立年份过滤搜索结果。然后，Quid 根据语义相似性对这些公司进行可视化处理。如果搜索结果中有超过 7,000 家公司，Quid 会根据语言算法选择 7,000 家最相关的公司进行可视化。布尔搜索：\\\" 人工智能 \\\" 或 \\\"AI \\\" 或 \\\" 机器学习 \\\" 或 \\\" 深度学习”。\\n\\n搜索参数\\n\\n•2014 年 1 月 1 日至 2024 年 12 月 31 日期间获得投资\\n（私募、IPO、并购）的全球人工智能和机器学习公司。\\n\\n公司\\n\\n•在 过 去 10 年（2014 年 1 月 1 日 至 2024 年 12 月 31\\n日）融资超过 150 万美元的全球人工智能和机器学习公司\\n•我们还提取了生成式人工智能查询的全球数据（布尔搜索：\\\" 生成式人工智能 \\\" 或 \\\" 生成式人工智能 \\\" 或 \\\" 生成式人工智能 \\\"）查询过去 10 年（2014 年 1 月 1 日至 2024\\n年 12 月 31 日）中获得超过 150 万美元的公司。\\n\\n•私募投资：私募是公司向特定投资者或投资者群体私下出售新发行的证券（股权或债务）。买方在私募中获得的股权通常是少数股权（50% 以下），不过有可能通过私募获得\\n\\n* * *\\n\\n附录\\n\\n第四章：经济\\n\\n公司的控制权，在这种情况下，私募就是多数股权投资。\\n\\n•少数股权投资：这是指 Quid 的少数股权收购，即买方收购实体、资产产品和业务部门50%以下的现有所有权股权。\\n\\n麦肯锡\\n\\n企业活动 \\\"部分使用的数据来自麦肯锡的两项全球调查：The\\nState of AI in Early 2024: Gen AI Adoption Spikes and\\nStarts to Generate Value \\\" 和 \\\"The State of AI: How Organizations Are Rewiring to Capture Value .\\\" 。\\n\\n2024 年的首次在线调查于 2 月 22 日至 3 月 5 日进行，共收到1363名参与者的回复，他们代表了不同地区、行业、公司规模、职能专业和任期。在受访者中，981人表示他们的组织至少在一项业务职能中采用了人工智能，878人表示他们的组织至少在一项职能中定期使用人工智能技术。\\n\\n2024 年的第二次在线调查于 7 月 16 日至 7 月 31 日进行，\\n共收到来自 101 个国家的 1491 位参与者的回复，他们代表了不同的地区、行业、公司规模、职能专业和任期。42% 的受访者表示，他们为年收入超过 5 亿美元的企业工作。\\n\\n为调整答复率差异，数据按每个答复国对全球 GDP 的贡献进行加权。\\n\\n人工智能指数还考虑了麦肯锡前几次调查的数据。这些数据包括：\\n\\nThe State of AI in 2023: Generative AI’ s Breakout Year\\nThe State of AI in 2022—and a Half Decade in Review\\n\\nThe State of AI in 2021\\n\\nThe State of AI in 2020\\n\\nAI Proves Its Worth, But Few Scale Impact (2019)\\n\\nAI Adoption Advances, But Foundational Barriers Remain\\n(2018)\\n\\n* * *\\n\\n引用作品\\n\\nBrynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at Work. The Quarterly Journal of Economics, qjae044. [https://doi](https://doi/).\\norg/10.1093/qje/qjae044\\n\\nCui, Z. (Kevin), Demirer, M., Jafe, S., Musolf, L., Peng, S., & Salz, T. (2025). The Efects of Generative AI on High-Skilled Work: Evidence From Three Field Experiments With Software Developers (SSRN Scholarly Paper 4945566). [https://doi.org/10.2139/](https://doi.org/10.2139/)\\nssrn.4945566\\n\\nDell’Acqua, F., McFowland, E., Mollick, E. R., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K.\\nR. (2023). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Efects of AI on Knowledge Worker\\nProductivity and Quality. SSRN Electronic Journal. [https://doi.org/10.2139/ssrn.4573321](https://doi.org/10.2139/ssrn.4573321)\\n\\nHanda, K., Tamkin, A., McCain, M., Huang, S., Durmus, E., Heck, S., Mueller, J., Hong, J., Ritchie, S., Belonax, T., Troy, K. K.,\\nAmodei, D., Kaplan, J., Clark, J., & Ganguli, D. (2025). Which Economic Tasks Are Performed with AI? Evidence From Millions of\\nClaude Conversations (arXiv:2503.04761). arXiv. [https://doi.org/10.48550/arXiv.2503.04761](https://doi.org/10.48550/arXiv.2503.04761)\\n\\nHofmann, M., Boysel, S., Nagle, F., Peng, S., & Xu, K. (2024). Generative AI and the Nature of Work (No. 11479). CESifo Working\\nPaper. [https://www.econstor.eu/bitstream/10419/308375/1/cesifo1\\\\_wp11479.pdf](https://www.econstor.eu/bitstream/10419/308375/1/cesifo1_wp11479.pdf)\\n\\nJafe, S., Shah, N. P., Butler, J., Farach, A., Cambon, A., Hecht, B., Schwarz, M., & Teevan, J. (eEds.). (2024). Generative AI in Real-World Workplaces: The Second Microsoft Report on AI and Productivity Research. Microsoft. [https://www.microsoft.com/](https://www.microsoft.com/)\\nen-us/research/wp-content/uploads/2024/07/Generative-AI-in-Real-World-Workplaces.pdf\\n\\nNecula, S.-C., Fotache, D., & Rieder, E. (2024). Assessing the Impact of Artifcial Intelligence Tools on Employee Productivity:\\nInsights From a Comprehensive Survey Analysis. Electronics, 13(18), Article 18. [https://doi.org/10.3390/electronics13183758](https://doi.org/10.3390/electronics13183758)\\n\\nToner-Rodgers, A. (2024). Artifcial Intelligence, Scientifc Discovery, and Product Innovation (arXiv:2412.17866). arXiv. [https://doi](https://doi/).\\norg/10.48550/arXiv.2412.17866\\n\\n* * *\\n\\n第五章：科学与医学\\n\\n致谢\\n\\n人工智能指数谨此致谢 Armin Hamrah 在调查与人工智能相关的科学和医学重大趋势方面所做的工作。\\n\\n比较基准\\n\\n74SnmWG表 关 MedQA 的 数 据 来 自 2025 年 2 月 的\\nMedQA Papers With Code leaderboard。要 了 解 有 关\\nMedQA 的更多信息，请阅读 原文 。\\n\\n人工智能驱动的蛋白质科学论文统计\\n\\n人工智能指数利用 Semantic Scholar 和谷歌学术（Google\\nScholar）来衡量 2023 年至 2025 年发表的手稿数量。然后对每 个 关 键 术 语（如 “foundation models,” “microscopy,”\\n“electron microscopy,” “fuorescence microscopy,” “light\\nmicroscopy”）进行搜索，要求这些术语同时出现在标题和摘要中。此外，还对搜索进行了改进，以严格遵守基础模型的定义\\n\\\\-\\\\- 具体来说，就是在大量数据集上训练出来的、可广泛应用于各种用例的模型。为此，任何被认为是基础模型的模型，如果在\\n\\n图像和多模态人工智能促进科学发现\\n\\n少于 100 万个数据点上进行过训练，或者没有在多个任务上进行过评估，则会被舍弃。\\n\\nFDA 批准的人工智能医疗设备\\n\\nFDA 批准的人工智能医疗设备数据来自 FDA 网站 ，该网站跟踪支持人工智能和机器学习（AI/ML）的医疗设备。\\n\\n人工智能指数使用 PubMedCentral 的 API 查询 2020 年 1 月\\n1 日至 2024 年 12 月 31 日期间发表的英文 - 语言索引文章，\\n搜索关键词涉及人工智能、医学和伦理问题。为了只获取这三个主题交叉点上的文章，人工智能指数进一步缩小了文章范围，只收录那些摘要包含与以下内容相关的关键词的文章：(a)\\n人工智能；(c) 伦理问题：(a) 人工智能，(b) 医学，c) 至少一个伦理问题。在剔除预印本、被撤回的文章和不符合纳入标准的文章后，还剩下 2,916 篇文章。人工智能伦理指数利用这批文章摘要中提及伦理问题的频率进行分析。\\n\\n伦理方面的考虑\\n\\n( “artifcial intelligence”\\\\[MeSH\\\\] OR “machine learning”\\\\[MeSH\\\\]\\nOR “deep learning”\\\\[All Fields\\\\] OR “AI”\\\\[All Fields\\\\] OR “ML”\\\\[All\\\\\\nFields\\\\] OR “predictive analytics” \\\\[All Fields\\\\]) AND (( “ethics”\\n\\\\[MeSH\\\\] OR “ethical implications” \\\\[All Fields\\\\] OR “fair\\\\*” \\\\[All\\\\\\nFields\\\\] OR “unfair\\\\*” \\\\[All Fields\\\\] OR “bias” \\\\[All Fields\\\\] OR “accountability” \\\\[All Fielzds\\\\] OR “transparency” \\\\[All Fields\\\\] OR\\n“explainability” \\\\[All Fields\\\\] OR “privacy” \\\\[All Fields\\\\] OR “trustworthy AI” \\\\[All Fields\\\\]) OR ( “bioethics” \\\\[MeSH\\\\] OR “ELSI” \\\\[All\\\\\\nFields\\\\] OR “autonomy”\\\\[All Fields\\\\] OR “equity”\\\\[All Fields\\\\] OR\\n\\n* * *\\n\\n“equitab\\\\*” \\\\[All Fields\\\\] OR “justice” \\\\[All Fields\\\\] OR “benefcence”\\\\[All Fields\\\\] OR “non-malefcence”\\\\[All Fields\\\\] OR “independent review” \\\\[All Fields\\\\] OR “oversight” \\\\[All Fields\\\\] OR\\n“racis\\\\*” \\\\[All Fields\\\\] OR “prejud\\\\*” \\\\[All Fields\\\\] OR “inequit\\\\*” \\\\[All\\\\\\nFields\\\\] OR “community engagement” \\\\[All Fields\\\\] OR “misuse”\\n\\\\[All Fields\\\\] OR “dual use”\\\\[All Fields\\\\])) AND (“medicine”\\\\[MeSH\\\\]\\nOR “medical AI” \\\\[All Fields\\\\] OR “clinical decision support” \\\\[All\\\\\\nFields\\\\] OR “health informatics”\\\\[All Fields\\\\]) AND (“2020/01/01”\\n\\\\[PubDate\\\\] : “2024/12/31”\\\\[PubDate\\\\]\\n\\n•人工智能关键词：“artifcial intelligence,” “ AI,” “algorithm,”\\n“ML,” “machine learning,” “deep learning,” predictive analytics.\\n•医学关键词：“medicine,” “medical,” “health,” “healthcare.”\\n•伦理关键词：“ethic\\\\*,” “fairness,” “bias,” “accountability,”\\n“transparency,” “explainability,” “privacy,” “trustworthy AI,”\\n“bioethics,” “ELSI,” “autonomy,” “equit\\\\*,” “justice,” “benefcence,” “non- malefcence,” “independent review,” “oversight,” “racism,” “inequit\\\\*,” community engagement, misuse,\\ndual use.\\n\\n搜索日期：2/14/2025\\n\\n因此，只包括讨论医学的文章、人工智能，以及摘要中至少一个伦理问题（N= 2,916）。\\n\\n摘要纳入标准：\\n\\n* * *\\n\\n引用作品\\n\\nAbramson, J., Adler, J., Dunger, J., Evans, R., Green, T., Pritzel, A., Ronneberger, O., Willmore, L., Ballard, A. J., Bambrick, J.,\\nBodenstein, S. W., Evans, D. A., Hung, C.-C., O’ Neill, M., Reiman, D., Tunyasuvunakool, K., Wu, Z., Žemgulytė, A., Arvaniti, E., …\\nJumper, J. M. (2024). Accurate Structure Prediction of Biomolecular Interactions With AlphaFold 3. Nature, 630(8016), 493–500.\\n[https://doi.org/10.1038/s41586-024-07487-w](https://doi.org/10.1038/s41586-024-07487-w)\\n\\nAcharya, R., Abanin, D. A., Aghababaie-Beni, L., Aleiner, I., Andersen, T. I., Ansmann, M., Arute, F., Arya, K., Asfaw, A., Astrakhantsev, N., Atalaya, J., Babbush, R., Bacon, D., Ballard, B., Bardin, J. C., Bausch, J., Bengtsson, A., Bilmes, A., Blackwell, S., … Google\\nQuantum AI and Collaborators. (2025). Quantum Error Correction Below the Surface Code Threshold. Nature, 638(8052), 920–26.\\n[https://doi.org/10.1038/s41586-024-08449-y](https://doi.org/10.1038/s41586-024-08449-y)\\n\\nBlankemeier, L., Cohen, J. P., Kumar, A., Veen, D. V., Gardezi, S. J. S., Paschali, M., Chen, Z., Delbrouck, J.-B., Reis, E., Truyts,\\nC., Bluethgen, C., Jensen, M. E. K., Ostmeier, S., Varma, M., Valanarasu, J. M. J., Fang, Z., Huo, Z., Nabulsi, Z., Ardila, D., … Chaudhari, A. S. (2024). Merlin: A Vision Language Foundation Model for 3D Computed Tomography (arXiv:2406.06512). arXiv. [https://-](https://-/)\\ndoi.org/10.48550/arXiv.2406.06512\\n\\nBodnar, C., Bruinsma, W. P., Lucic, A., Stanley, M., Vaughan, A., Brandstetter, J., Garvan, P., Riechert, M., Weyn, J. A., Dong, H.,\\nGupta, J. K., Thambiratnam, K., Archibald, A. T., Wu, C.-C., Heider, E., Welling, M., Turner, R. E., & Perdikaris, P. (2024). A Foundation Model for the Earth System (arXiv:2405.13063). arXiv. [https://doi.org/10.48550/arXiv.2405.13063](https://doi.org/10.48550/arXiv.2405.13063)\\n\\nCampanella, G., Chen, S., Verma, R., Zeng, J., Stock, A., Croken, M., Veremis, B., Elmas, A., Huang, K., Kwan, R., Houldsworth, J.,\\nSchoenfeld, A. J., & Vanderbilt, C. (2024). A Clinical Benchmark of Public Self-Supervised Pathology Foundation Models (arXiv:2407.06508). arXiv. [https://doi.org/10.48550/arXiv.2407.06508](https://doi.org/10.48550/arXiv.2407.06508)\\n\\n* * *\\n\\nChambon, P., Bluethgen, C., Delbrouck, J.-B., Sluijs, R. V. der, Połacin, M., Chaves, J. M. Z., Abraham, T. M., Purohit, S., Langlotz, C.\\nP., & Chaudhari, A. (2022). RoentGen: Vision-Language Foundation Model for Chest X-ray Generation (arXiv:2211.12737). arXiv.\\n[https://doi.org/10.48550/arXiv.2211.12737](https://doi.org/10.48550/arXiv.2211.12737)\\n\\nChambon, P., Delbrouck, J.-B., Sounack, T., Huang, S.-C., Chen, Z., Varma, M., Truong, S. Q., Chuong, C. T., & Langlotz, C.\\nP. (2024). CheXpert Plus: Augmenting a Large Chest X-ray Dataset With Text Radiology Reports, Patient Demographics and Additional Image Formats (arXiv:2405.19538). arXiv. [https://doi.org/10.48550/arXiv.2405.19538](https://doi.org/10.48550/arXiv.2405.19538)\\n\\nChen, R. J., Chen, C., Li, Y., Chen, T. Y., Trister, A. D., Krishnan, R. G., & Mahmood, F. (2022). Scaling Vision Transformers to\\nGigapixel Images via Hierarchical Self-Supervised Learning (arXiv:2206.02647). arXiv. [https://doi.org/10.48550/arXiv.2206.02647](https://doi.org/10.48550/arXiv.2206.02647)\\n\\nChen, Z., Varma, M., Xu, J., Paschali, M., Veen, D. V., Johnston, A., Youssef, A., Blankemeier, L., Bluethgen, C., Altmayer, S., Valanarasu, J. M. J., Muneer, M. S. E., Reis, E. P., Cohen, J. P., Olsen, C., Abraham, T. M., Tsai, E. B., Beaulieu, C. F., Jitsev, J., … Langlotz, C. P. (2024). A Vision-Language Foundation Model to Enhance Efciency of Chest X-ray Interpretation\\n(arXiv:2401.12208). arXiv. [https://doi.org/10.48550/arXiv.2401.12208](https://doi.org/10.48550/arXiv.2401.12208)\\n\\nChristensen, M., Vukadinovic, M., Yuan, N., & Ouyang, D. (2024). Vision–Language Foundation Model for Echocardiogram Interpretation. Nature Medicine, 30(5), 1481–88. [https://doi.org/10.1038/s41591-024-02959-y](https://doi.org/10.1038/s41591-024-02959-y)\\n\\nDing, S., Li, J., Wang, J., Ying, S., & Shi, J. (2023). Multi-scale Efcient Graph-Transformer for Whole Slide Image Classifcation\\n(arXiv:2305.15773). arXiv. [https://doi.org/10.48550/arXiv.2305.15773](https://doi.org/10.48550/arXiv.2305.15773)\\n\\nGoh, E., Gallo, R., Hom, J., Strong, E., Weng, Y., Kerman, H., Cool, J. A., Kanjee, Z., Parsons, A. S., Ahuja, N., Horvitz, E., Yang, D.,\\nMilstein, A., Olson, A. P. J., Rodman, A., & Chen, J. H. (2024). Large Language Model Infuence on Diagnostic Reasoning: A Randomized Clinical Trial. JAMA Network Open, 7(10), e2440969. [https://doi.org/10.1001/jamanetworkopen.2024.40969](https://doi.org/10.1001/jamanetworkopen.2024.40969)\\n\\nF. K., Chen, B., Almagro-Perez, C., Doucet, P., Sahai, S., Chen, C., Komura, D., Kawabe, A., Ishikawa, S., … Mahmood, F. (2024).\\nMultimodal Whole Slide Foundation Model for Pathology(arXiv:2411.19666). arXiv. [https://doi.org/10.48550/arXiv.2411.19666](https://doi.org/10.48550/arXiv.2411.19666)\\n\\n* * *\\n\\nGruver, N., Sriram, A., Madotto, A., Wilson, A. G., Zitnick, C. L., & Ulissi, Z. (2024). Fine-Tuned Language Models Generate Stable\\nInorganic Materials as Text (arXiv:2402.04379). arXiv. [https://doi.org/10.48550/arXiv.2402.04379](https://doi.org/10.48550/arXiv.2402.04379)\\n\\nGuevara, M., Chen, S., Thomas, S., Chaunzwa, T. L., Franco, I., Kann, B. H., Moningi, S., Qian, J. M., Goldstein, M., Harper, S., Aerts,\\nH. J. W. L., Catalano, P. J., Savova, G. K., Mak, R. H., & Bitterman, D. S. (2024). Large Language Models to Identify Social Determinants of Health in Electronic Health Records. Npj Digital Medicine, 7(1), 1–14. [https://doi.org/10.1038/s41746-023-](https://doi.org/10.1038/s41746-023-) 00970-0\\n\\nGuo, Z., Zhao, W., Wang, S., & Yu, L. (2023). HIGT: Hierarchical Interaction Graph-Transformer for Whole Slide Image Analysis\\n(arXiv:2309.07400). arXiv. [https://doi.org/10.48550/arXiv.2309.07400](https://doi.org/10.48550/arXiv.2309.07400)\\n\\nHaberle, T., Cleveland, C., Snow, G. L., Barber, C., Stookey, N., Thornock, C., Younger, L., Mullahkhel, B., & Ize-Ludlow, D. (2024).\\nThe Impact of Nuance DAX Ambient Listening AI Documentation: A Cohort Study. Journal of the American Medical Informatics Association, 31(4), 975–79. [https://doi.org/10.1093/jamia/ocae022](https://doi.org/10.1093/jamia/ocae022)\\n\\nHashmi, A. U. R., Almakky, I., Qazi, M. A., Sanjeev, S., Papineni, V. R., Jagdish, J., & Yaqub, M. (2024). XReal: Realistic Anatomy and\\nPathology-Aware X-ray Generation via Controllable Difusion Model (arXiv:2403.09240). arXiv. [https://doi.org/10.48550/](https://doi.org/10.48550/) arXiv.2403.09240\\n\\nHayes, T., Rao, R., Akin, H., Sofroniew, N. J., Oktay, D., Lin, Z., Verkuil, R., Tran, V. Q., Deaton, J., Wiggert, M., Badkundri, R.,\\nShafkat, I., Gong, J., Derry, A., Molina, R. S., Thomas, N., Khan, Y. A., Mishra, C., Kim, C., … Rives, A. (2024). Simulating 500 Million\\nYears of Evolution With a Language Model (p. 2024.07.01.600583). bioRxiv. [https://doi.org/10.1101/2024.07.01.600583](https://doi.org/10.1101/2024.07.01.600583)\\n\\nHellert, T., Montenegro, J., & Pollastro, A. (2024). PhysBERT: A Text Embedding Model for Physics Scientifc Literature\\n(arXiv:2408.09574). arXiv. [https://doi.org/10.48550/arXiv.2408.09574](https://doi.org/10.48550/arXiv.2408.09574)\\n\\nHornick, T., Mao, C., Koynov, A., Yawman, P., Thool, P., Salish, K., Giles, M., Nagapudi, K., & Zhang, S. (2024). In Silico Formulation\\nOptimization and Particle Engineering of Pharmaceutical Products Using a Generative Artifcial Intelligence Structure Synthesis\\nMethod. Nature Communications, 15(1), 9622. [https://doi.org/10.1038/s41467-024-54011-9](https://doi.org/10.1038/s41467-024-54011-9)\\n\\nJiang, J. X., Qi, K., Bai, G., & Schulman, K. (2023). Pre-pandemic Assessment: A Decade of Progress in Electronic Health Record\\nAdoption Among U.S. Hospitals. Health Afairs Scholar, 1(5), qxad056. [https://doi.org/10.1093/haschl/qxad056](https://doi.org/10.1093/haschl/qxad056)\\n\\nJin, D., Pan, E., Oufattole, N., Weng, W.-H., Fang, H., & Szolovits, P. (2020). What Disease Does This Patient Have? A Large- Scale\\nOpen Domain Question Answering Dataset From Medical Exams (arXiv:2009.13081). arXiv. [https://doi.org/10.48550/](https://doi.org/10.48550/) arXiv.2009.13081\\n\\n* * *\\n\\nJohnson, A. E. W., Pollard, T. J., Berkowitz, S. J., Greenbaum, N. R., Lungren, M. P., Deng, C., Mark, R. G., & Horng, S. (2019). MIM-\\nIC-CXR, a De-identifed Publicly Available Database of Chest Radiographs With Free-Text Reports. Scientifc Data, 6(1), 317.\\n[https://doi.org/10.1038/s41597-019-0322-0](https://doi.org/10.1038/s41597-019-0322-0)\\n\\nKochkov, D., Yuval, J., Langmore, I., Norgaard, P., Smith, J., Mooers, G., Klwer, M., Lottes, J., Rasp, S., Dben, P., Hatfeld, S.,\\nBattaglia, P., Sanchez-Gonzalez, A., Willson, M., Brenner, M. P., & Hoyer, S. (2024). Neural General Circulation Models for Weather\\nand Climate. Nature, 632(8027), 1060–66. [https://doi.org/10.1038/s41586-024-07744-ya](https://doi.org/10.1038/s41586-024-07744-ya)\\n\\nKudiabor, H. (2024). Virtual Lab Pow-ered by ‘AI Scientists’ Super-Charges Biomedical Research. Nature,\\n636(8043), 532–33. [https://-doi.org/10.1038/d41586-024-01684-3](https://-doi.org/10.1038/d41586-024-01684-3)\\n\\nKumar, A., Kriz, A., Havaei, M., & Arbel, T. (2025). PRISM: High-Resolution & Precise Counterfactual Medical Image Generation\\nUsing Language-Guided Stable Difusion (arXiv:2503.00196). arXiv. [https://doi.org/10.48550/arXiv.2503.00196](https://doi.org/10.48550/arXiv.2503.00196)\\n\\nLu, M. Y., Chen, B., Williamson, D. F. K., Chen, R. J., Zhao, M., Chow, A. K., Ikemura, K., Kim, A., Pouli, D., Patel, A., Soliman, A.,\\nChen, C., Ding, T., Wang, J. J., Gerber, G., Liang, I., Le, L. P., Parwani, A. V., Weishaupt, L. L., & Mahmood, F. (2024). A Multimodal\\nGenerative AI Copilot for Human Pathology. Nature, 634(8033), 466–73. [https://doi.org/10.1038/s41586-024-07618-3](https://doi.org/10.1038/s41586-024-07618-3)\\n\\nMa, J., He, Y., Li, F., Han, L., You, C., & Wang, B. (2024). Segment Anything in Medical Images. Nature Communications, 15(1), 654.\\n[https://doi.org/10.1038/s41467-024-44824-z](https://doi.org/10.1038/s41467-024-44824-z)\\n\\nMadani, A., Krause, B., Greene, E. R., Subramanian, S., Mohr, B. P., Holton, J. M., Olmos, J. L., Xiong, C., Sun, Z. Z., Socher, R.,\\nFraser, J. S., & Naik, N. (2023). Large Language Models Generate Functional Protein Sequences Across Diverse Families. Nature\\nBiotechnology, 41(8), 1099–1106. [https://doi.org/10.1038/s41587-022-01618-2](https://doi.org/10.1038/s41587-022-01618-2)\\n\\nMaier-Hein, L., Eisenmann, M., Reinke, A., Onogur, S., Stankovic, M., Scholz, P., Arbel, T., Bogunovic, H., Bradley, A. P., Carass, A.,\\nFeldmann, C., Frangi, A. F., Full, P. M., van Ginneken, B., Hanbury, A., Honauer, K., Kozubek, M., Landman, B. A., März, K., …\\nKopp-Schneider, A. (2018). Why Rankings of Biomedical Image Analysis Competitions Should Be Interpreted With Care. Nature\\nCommunications, 9(1), 5217. [https://doi.org/10.1038/s41467-018-07619-7](https://doi.org/10.1038/s41467-018-07619-7)\\n\\n* * *\\n\\nSnr2%a42%RrÁ2%c42%Xxbson, P. M., Marinelli, B., Huang, M., Doshi, A., Jacobi, A., Cao, C., Link, K. E., Yang, T., Wang, Y., Greenspan, H.,\\nDeyer, T., Fayad, Z. A., & Yang, Y. (2022). RadImageNet: An Open Radiologic Deep Learning Research Dataset for Efective Transfer Learning. Radiology: Artifcial Intelligence, 4(5), e210315. [https://doi.org/10.1148/ryai.210315](https://doi.org/10.1148/ryai.210315)\\n\\nNarayanan, S., Braza, J. D., Grifths, R.-R., Ponnapati, M., Bou, A., Laurent, J., Kabeli, O., Wellawatte, G., Cox, S., Rodriques, S. G., &\\nWhite, A. D. (2024). Aviary: Training Language Agents on Challenging Scientifc Tasks (arXiv:2412.21154). arXiv. [https://doi](https://doi/).\\norg/10.48550/arXiv.2412.21154\\n\\nNori, H., Lee, Y. T., Zhang, S., Carignan, D., Edgar, R., Fusi, N., King, N., Larson, J., Li, Y., Liu, W., Luo, R., McKinney, S. M., Ness, R.\\nO., Poon, H., Qin, T., Usuyama, N., White, C., & Horvitz, E. (2023). Can Generalist Foundation Models Outcompete Special- Purpose Tuning? Case Study in Medicine (arXiv:2311.16452). arXiv. [https://doi.org/10.48550/arXiv.2311.16452](https://doi.org/10.48550/arXiv.2311.16452)\\n\\nNori, H., Usuyama, N., King, N., McKinney, S. M., Fernandes, X., Zhang, S., & Horvitz, E. (2024). From Medprompt to o1:\\nExploration of Run-Time Strate-gies for Medical Challenge Problems and Beyond (arXiv:2411.03590). arXiv. https://\\ndoi.org/10.48550/ arXiv.2411.03590\\n\\nPokharel, S., Pratyush, P., Heinzinger, M., Newman, R. H., & Kc, D. B. (2022). Improving Protein Succinylation Sites Prediction Using\\nEmbeddings From Protein Language Model. Scientifc Reports, 12(1), 16933. [https://doi.org/10.1038/s41598-022-21366-2](https://doi.org/10.1038/s41598-022-21366-2)\\n\\nQian, Z., Callender, T., Cebere, B., Janes, S. M., Navani, N., & van der Schaar, M. (2024). Synthetic Data for Privacy-Preserving\\nClinical Risk Prediction. Scientifc Reports, 14(1), 25676. [https://doi.org/10.1038/s41598-024-72894-y](https://doi.org/10.1038/s41598-024-72894-y)\\n\\nShah, S. J., Devon-Sand, A., Ma, S. P., Jeong, Y., Crowell, T., Smith, M., Liang, A. S., Delahaie, C., Hsia, C., Shanafelt, T., Pfefer, M.\\nA., Sharp, C., Lin, S., & Garcia, P. (2025). Ambient Artifcial Intelligence Scribes: Physician Burnout and Perspectives on Usability\\nand Documentation Burden. Journal of the American Medical Informatics Association, 32(2), 375–80. [https://doi.org/10.1093/](https://doi.org/10.1093/)\\njamia/ocae295\\n\\nRashidi, H. H., Albahra, S., Rubin, B. P., & Hu, B. (2024). A Novel and Fully Automated Platform for Synthetic Tabular Data Generation and Validation. Scientifc Reports, 14(1), 23312. [https://doi.org/10.1038/s41598-024-73608-0](https://doi.org/10.1038/s41598-024-73608-0)\\n\\n* * *\\n\\nShapson-Coe, A, Januszewski, M, Berger, D, R, Pope, A, Wu, Y, Blakely, T, Schalek, R, L, Li, P, H, Wang, S, Maitin-Shepard,\\nJ, Karlupia, N, Dorkenwald, S, Sjostedt, E, Leavitt, L, Lee, D Troidi, J, Collman, F, Bailey, L, Fitzmaurice, A, ... Lichtman,\\nJ. W. (2024). A Petavaxel Fragment of Human Cerebral Cortex Reconstructed at Nanoscale Resolution. Science, 384(6696),\\neadk4858. [https://doi.org/10.1126/science.adk4858](https://doi.org/10.1126/science.adk4858)\\n\\nSheller, M. J, Edwards, B, Reina, G, A, Martin, J, Pati, S, Kotrotsou, A, Milchenko, M, Xu, W, Marcus, D, Colen, R, R, & Bakas, S\\n(2020). Federated Learning in Medicine: Facilitating Multi-institutional Collaborations Without Sharing Patient Data. Scientific Reports, 10(1), 12598. [https://doi.org/10.1038/s41598-020-69250-1](https://doi.org/10.1038/s41598-020-69250-1)\\n\\nShi, J, Tang, L, Lao, Z, Li, Y, Wang, C, Gong, T, Li, C, & Fu, H. (2023). MG-Trans: Multi-scale Graph Transformer With Information Bottleneck for Whole Slide Image Classification. IEEE Transactions on Medical Imaging, 42(12), 3871–83. [https://doi.org/10.1109/TM.2023.3313252](https://doi.org/10.1109/TM.2023.3313252)\\n\\nSnel, B, Lehmann, G, Bork, P, & Hyuynen, M. A. (2000). STRING: A Web-Server to Retrieve and Display the Repeatedly Occurring Neighbourhood of a Gene. Nucleic Acids Research, 28(18), 3442–44. [https://-doi.org/10.1093/nar/28.18.3442](https://-doi.org/10.1093/nar/28.18.3442)\\n\\nSnowdon, J. L, Scheufele, E. L, Pritts, J, Le, P–T, Mensah, G. A, Zhang, X, & Dankwa-Mullan, I. (2023). Evaluating Social Determinants of Health Variables in Advanced Analytic and Artificial Intelligence Models for Cardiovascular Disease Risk and Outcomes: A Targeted Review. Ethnicity & Disease, 33(1), 33–43. [https://doi.org/10.18665/1704](https://doi.org/10.18665/1704)\\n\\nStade, E. C, Stirman, S. W, Ungar, L. H, Boland, C. L, Schwartz, H. A, Yaden, D. B, Sedoc, J, DeRubeis, R. J, Willer, R, & Eichstaedt, J. C. (2024). Large Language Models Could Change the Future of Behavioral Healthcare: A Proposal for Responsible Development and Evaluation. Njv Mental Health Research, 3(1), 1–12. [https://doi.org/10.1038/s44184-024-00056-z](https://doi.org/10.1038/s44184-024-00056-z)\\n\\nSudlow, C, Gallacher, J, Allen, N, Beral, V, Burton, P, Danesh, J, Downey, P, Elliott, P, Green, J, Landray, M, Liu, B, Matthews, P, Ong, G, Pell, J, Silman, A, Young, A, Sprosen, T, Peakman, T, & Collins, R (2015). UK Biobank: An Open Access Resource for Identifying the Causes of a Wide Range of Complex Diseases of Middle and Old Age. PLoS Medicine, 12(3), e1001779. [https://doi.org/10.1371/journal.pmed.1001779](https://doi.org/10.1371/journal.pmed.1001779)\\n\\nTierney, A. A, Gayre, G, Hoberman, B, Mattern, B, Bailesca, M, Kipnis, P, Liu, V, & Lee, K. (2024). Ambient Artificial Intelligence Scribes to Alleviate the Burden of Clinical Documentation. NEJM Catalyst, 5(3), CAT.23.0404. [https://doi.org/10.1056/CAT.23.0404](https://doi.org/10.1056/CAT.23.0404)\\n\\nVaradi, M, Anyango, S, Deshpande, M, Nair, S, Natassia, C, Yordanova, G, Yuan, D, Stroe, O, Wood, G, Laydon, A, Židek, A, Green, T, Tunyasuvunakool, K, Petersen, S, Jumper, J, Clancy, E, Green, R, Vora, A, Luff, M, ... Velakar, S. (2022). AlphaFold Protein Structure Database: Massively Expanding the Structural Coverage of Protein—Sequence Space With High-Accuracy Models. Nucleic Acids Research, 50(D1), D439–44. [https://doi.org/10.1093/nar/gkab1061](https://doi.org/10.1093/nar/gkab1061)\\n\\n* * *\\n\\n附录第五章：科学与医学\\n\\nVeitch, D. P., Weiner, M. W., Aisen, P. S., Beckett, L. A., Cairns, N. J., Green, R. C., Harvey, D., Jack, C. R., Jagust, W., Morris,\\nJ. C., Petersen, R. C., Saykin, A. J., Shaw, L. M., Toga, A. W., Trojanowski, J. Q., & Alzheimer’s disease Neuroimaging Initiative. (2019). Understanding Disease Progression and Improving Alzheimer’s Disease Clinical Trials: Recent Highlights From\\nthe Alzheimer’s Disease Neuroimaging Initiative. _Alzheimer’s & Dementia: The Journal of the Alzheimer’s Association_, 15(1),\\n106–52. [https://doi.org/10.1016/j.jalz.2018.08.005](https://doi.org/10.1016/j.jalz.2018.08.005)\\n\\nVorontsov, E., Bozkurt, A., Casson, A., Shaikovski, G., Zelechowski, M., Severson, K., Zimmermann, E., Hall, J., Tenenholtz, N.\\nFusi, N, Yang, E., Mathieu, P., van Ek, A., Lee, D., Viret, J., Robert, E., Wang, Y. K., Kunz, J. D., Lee, M. C. H., … Fuchs, T. J\\n(2024). A Foundation Model for Clinical-Grade Computational Pathology and Rare Cancers Detection. _Nature Medicine_, 30\\n(10), 2924–35. [https://doi.org/10.1038/s41591-024-03141-0](https://doi.org/10.1038/s41591-024-03141-0)\\n\\nWang, R., Fang, X, Lu, Y., & Wang, S. (2004). The PDBBind Database: Collection of Binding Afnities for Protein—Ligand\\nComplexes With Known Three-Dimensional Structures. _Journal of Medicinal Chemistry_, 47(12), 2977–80. [https://-](https://-/)\\ndoi.org/10.1021/jm0305801\\n\\nWang, X, Liu, S., Tsaris, A., Choi, J.-Y., Aji, A., Fan, M., Zhang, W., Yin, J., Ashfaq, M., Lu, D., & Balaprakash, P. (2024).\\nORBIT: Oak Ridge Base Foundation Model for Earth System Predictability (arXiv:2404.14712). arXiv. [https://-](https://-/)\\ndoi.org/10.48550/arXiv.2404.14712\\n\\nWang, X, Yang, S., Zhang, J., Wang, M., Zhang, J., Yang, W., Huang, J., & Han, X. (2022a). Transformer-Based Unsupervised Contrastive Learning for Histopathological Image Classification. _Medical Image Analysis_, 81, 102559. [https://-](https://-/)\\ndoi.org/10.1016/j.media.2022.102559\\n\\nWang, X, Yang, S., Zhang, J., Wang, M., Zhang, J., Yang, W., Huang, J., & Han, X. (2022b). Transformer-Based Unsupervised\\nContrastive Learning for Histopathological Image Classification. _Medical Image Analysis_, 81, 102559. [https://doi.org/10.1016/j.media.2022.102559](https://doi.org/10.1016/j.media.2022.102559)\\n\\nWang, X, Zhao, J, Marostica, E., Yuan, W., Jin, J, Zhang, J, Li, R, Tang, H, Wang, K, Li, Y., Wang, F, Peng, Y, Zhu, J,\\nZhang, J, Jackson, C. R., Zhang, J, Dillon, D, Lin, N. U, Sholl, L., … Yu, K.-H. (2024). A Pathology Foundation Model for\\nCancer Diagnosis and Prognosis Prediction. _Nature_, 634(8035), 970–78. [https://doi.org/10.1038/s41586-024-07894-z](https://doi.org/10.1038/s41586-024-07894-z)\\n\\nWang, Y, He, J, Du, Y, Chen, X, Li, J, C, Liu, L.-P, Xu, X, & Hassoun, S. (2025). Large Language Model is Secretly a Protein Sequence Optimizer (arXiv:2501.09274). arXiv. [https://doi.org/10.48550/arXiv.2501.09274](https://doi.org/10.48550/arXiv.2501.09274)\\n\\nXiang, J, Wang, X, Zhang, X, Xi, Y, Eweje, F, Chen, Y, Li, Y, Bergstrom, C, Gopauchan, M, Kim, T., Yu, K.-H., Willens, S,\\nOliguin, F, M, Nirschl, J, J, Neal, J, Diehn, M, Yang, S, & Li, R. (2025). A Vision-Language Foundation Model for Precision\\nOncology. _Nature_, 638(8051), 769–78. [https://doi.org/10.1038/s41586-024-08378-w](https://doi.org/10.1038/s41586-024-08378-w)\\n\\nXie, Y, Wu, J, Tu, H, Yang, S, Zhao, B, Zong, Y, Jin, Q, Xie, C, & Zhou, Y. (2024). A Preliminary Study of o1 in Medicine:\\nAre We Closer to an AI Doctor? (arXiv:2409.15277). arXiv. [https://doi.org/10.48550/arXiv.2409.15277](https://doi.org/10.48550/arXiv.2409.15277)\\n\\n* * *\\n\\n附录第五章：科学与医学\\n\\nXu, H., Usuyama, N., Bagga, J., Zhang, S., Rao, R., Naumann, T., Wong, C., Gero, Z., Gonzlez, J., Gu, Y., Xu, Y., Wei, M., Wang, W, Ma, S., Wei, F., Yang, J, Li, C., Gao, J., Rosemon, J., ... Poon, H. (2024). A Whole-Slide Foundation Model for Digital Pathology From Real-World Data. Nature, 630(8015), 181–88. [https://doi.org/10.1038/s41586-024-07441-w](https://doi.org/10.1038/s41586-024-07441-w)\\n\\nYang, L., Xu, S., Sellergren, A., Kohlberger, T., Zhou, Y., Ktena, I, Kiraly, A., Ahmed, F., Hormozdliari, F., Jaroensri, T., Wang, E., Wulczyn, E., Jamil, F., Guidroz, T., Lau, C., Qiao, S., Liu, Y., Goel, A, Park, K., ... Golden, D. (2024). Advancing Multimodal Medical Capabilities of Gemini (arXiv:2405.03162). arXiv. [https://doi.org/10.48550/arXiv.2405.03162](https://doi.org/10.48550/arXiv.2405.03162)\\n\\nYang, X., Chen, A., PourNejatian, N., Shin, H. C., Smith, K. E., Parisien, C., Compas, C., Martin, C., Flores, M. G., Zhang, Y., Magoc, T., Harle, C. A., Lipori, G., Mitchell, D. A., Hogan, W. R., Shenkman, E. A., Bian, J., & Wu, Y. (2022). GatorTron: A Large Clinical Language Model to Unlock Patient Information from Unstructured Electronic Health Records (arXiv:2203.03540). arXiv. [https://doi.org/10.48550/arXiv.2203.03540](https://doi.org/10.48550/arXiv.2203.03540)\\n\\nYu, B., Baker, F. N., Chen, Z., Ning, X., & Sun, H. (2024). LiaSMol: Advancing Large Language Models for Chemistry With a Large-Scale, Comprehensive, High-Quality Instruction Tuning Dataset (arXiv:2402.09391). arXiv. [https://doi.org/10.48550/arXiv.2402.09391](https://doi.org/10.48550/arXiv.2402.09391)\\n\\nZambaldi, V., La, D., Chu, A. E., Patani, H., Danson, A. E., Kwan, T. O. C., Frix, T., Schneider, R. G., Saxton, D., Thillaisunda-ram, A, Wu, Z., Moraees, I, Lange, O., Papa, E., Stanton, G., Martin, V., Singh, S., Wong, L. H., Bates, R., ... Wang, J. (2024). De Novo Design of High-Afnity Protein Binders with AlphaProteo (arXiv:2409.08022). arXiv. [https://doi.org/10.48550/arXiv.2409.08022](https://doi.org/10.48550/arXiv.2409.08022)\\n\\nZhao, T., Gu, Y., Yang, J., Usuyama, N., Lee, H. H., Kiblai, S., Naumann, T., Gao, J., Crabtree, A., Abel, J., Moung-Wen, C., Piening, B., Bifulco, C., Wei, M., Poon, H., & Wang, S. (2025). A Foundation Model for Joint Segmentation, Detection and Recognition of Biomedical Objects Across Nine Modalities. Nature Methods, 22(1), 166–76. [https://doi.org/10.1038/s41592-024-02499-w](https://doi.org/10.1038/s41592-024-02499-w)\\n\\nZhou, Y., Chia, M. A., Wagner, S. K., Ayhan, M. S., Williamson, D. J., Struvven, R. R., Liu, T., Xu, M., Lozano, M. G., Woodward-Court, P., Kihara, Y., Altmann, A., Lee, A. Y., Topol, E. J., Denniston, A. K., Alexander, D. C., & Keane, P. A. (2023). A Foundation Model for Generalizable Disease Detection From Retinal Images. Nature, 622(7981), 156–63. [https://doi.org/10.1038/s41586-023-026555-x](https://doi.org/10.1038/s41586-023-026555-x)\\n\\n* * *\\n\\n附录第六章：政策\\n\\n第六章：政策\\n\\n致谢人工智能指数谨此感谢 Julia Betts Lotufo 和 Alexandra Rome 在收集人工智能重大政策事件信息方面所做的努力，此外，人工智能指数还要感谢 Lapo Santarlasci 领导了对人工智能公共支出和美国赠款相关人工智能支出的分析工作。\\n\\n全球人工智能提及率对于世界各地与人工智能相关的立法程序中提及人工智能的内容，人工智能指数在 75 个地理区域的国会或议会网站上，通常在名为 “minutes”，\\\"hansard”，栏目下，用各自的语言搜索关键词“人工智能”，提及次数按届计算，因此在一同一届立法会议上多次“人工智能”算作一次。人工智能指数小组调查了以下数据库：\\n安道尔.亚美尼亚、澳大利亚、阿塞拜疆、巴巴多斯、比利时、百慕大、巴西、加拿大、开曼群岛、中国1、捷克共和国、丹麦、多米尼加共和国、厄基多尔、萨尔瓦多、爱沙尼亚、斐济、芬兰、法国、德国、直布罗陀、希腊、冰岛、印度、爱尔兰、马恩岛、意大利、日本、肯尼亚、科索沃、拉脱维亚、莱索托、列支敦士登、卢森堡、中国澳门特别行政区、马达加斯加、马来西亚、马尔代夫、马耳他、毛里求斯、墨西哥、摩尔多瓦、荷兰、新西兰、北马里亚纳群岛、挪威、巴基斯坦、巴拿马、巴布亚新几内亚、菲律宾、波兰、葡萄牙、罗马尼亚、俄罗斯、圣马力诺、塞舌尔、塞拉利恩、新加坡、斯洛文尼亚、南非、非韩国、西班牙、斯里兰卡、瑞典、瑞士、坦桑尼亚、特立尼达和多巴哥、乌克兰、英国、美国、乌拉圭、赞比亚、津巴布韦\\n\\n美国委员会提及为了研究美国委员会提及人工智能的趋势，我们进行了以下搜索网站：Congress.gov\\n关键词：人工智能过滤器：Committee Reports\\n\\n全球人工智能立法记录对于已通过成为法律的人工智能相关法案，人工智能指数在 116 个国会或会议网站上，以各自的语言文字和法案全文检索关键词“人工智能”，需要注意的是，只有 2016 年至 2024年间由州级立法机构通过并签署成为法律（如由总统签署或获得皇家批准）的法律才包含在内，已获批准但随后被废除的法律不在分析之列，对于在最初颁布后增加或修订了人工智能相关条款的法律，人工智能指数在相关情况下使用纳入年份而非最初通过年份，未来的人工智能指数报告希望包括对其类型法律文件的分析，如国家或超国家、政府机构等通过的法规和标准。\\n\\n人工智能指数小组调查了以下地理区域的数据：\\n阿尔及利亚、安道尔、安提瓜和巴达阿根廷、亚美尼亚、澳大利亚、奥地利、阿塞拜疆、巴哈巴、马林孟加拉国、巴多斯、白俄罗斯，比利时、伯利兹、大不丹、玻利维亚、巴西、文莱、保加利亚、喀麦隆、加拿大、智利、中国、克罗地亚、古巴、库拉索岛、塞浦路斯、捷克共和国、丹麦、爱沙尼亚、里亚罗群岛、委济、芬兰、法国的直布罗陀、希腊、格陵兰、格林纳达、关岛、危地马拉、圭那瓦、香港、匈牙利、冰岛、印度、伊拉克、爱尔兰、马思岛、以色列 爱尔兰、马恩岛、以色列、意大利、牙买加、日本、哈萨克斯坦、肯尼亚、基里巴斯、大韩民国、科索沃、吉利克斯共和国、拉脱维亚、列支敦士登、立陶宛、卢森堡、中国（澳）特别行政、马拉维、马来西亚、马耳他、毛里求斯、墨西哥、摩纳哥、黑山、摩洛哥、莫桑比克、瑞鲁、荷兰、新西兰、北马里亚纳群岛、挪威、巴拿马、菲律宾、波兰、葡萄牙、罗马尼亚、俄罗斯、萨摩亚、特阿拉伯、美国维亚、墨西哥、南非、西西班牙、圣基茨和尼维斯苏里南、瑞典、瑞士吉克斯坦、坦桑尼亚、多哥、参加、土耳其、图瓦卢、乌干达、克劳、阿拉伯联合酋长国、英国、美国、乌拉圭、越南、也门、赞比亚、津巴布韦。\\n\\n目录附录\\n2025年人工智能指数报告\\n\\n目录附录\\n451\\n\\n* * *\\n\\n附录第六章：政策\\n\\n美国州级人工智能立法对于已通过成为法案的人工智能相关法案，人工智能指数在美国50个州的网络上对法案全文中的关键词“人工智能”进行了搜索。只有当该关键词出现在法案最终版本（而不仅仅是介绍版本）中时，该法案才算通过成为法律，请注意，仅包括2015年至2024年通过的法律。拟议法案的统计包括已通过的拟议法律和尚未通过或目前处于非活动状态的拟议法律。人工智能指数团队调查了以下数据库：\\n阿拉巴马州、阿拉斯加州、亚利桑那州、阿肯色州、加利福尼亚州、科罗拉多州、康涅狄格州、特拉华州、佛罗里达州、佐治亚州、夏威夷州、爱荷茨州、伊利诺伊州、印第安州、爱荷华州、堪萨斯州、青塔基州、路易斯安那州、缅因州、马里州、马萨诸塞州、密歇根州、明尼苏达州、密西西比州、密苏里州、蒙大拿州、内布拉加州、内华达州、新罕布什州、新泽西州、新墨西哥州、纽约州、北卡罗来纳州、北达科他州、俄克俄湾州、俄克拉邦州、俄勒冈州、宾夕法尼亚州、罗得岛州、南卡罗来纳州、南达科他州、田纳西州、得克萨斯州、犹他州、佛蒙特州弗吉尼亚州、华盛顿州、西弗吉尼亚州、威斯康星州、怀俄明州。为了进行更全面的审查，人工智能指数还包括了Multistate Al state legislation tracker 上列的与人工智能相关的法律，即使这些法律没有具体提及“人工智能”这一关键词。\\n\\n美国人工智能监管条例本节探讨了以下机构颁布的与人工智能相关的监管条例，从2016年到2024年美国监管机构的人工智能指数，分析了监管条例总数及其发起机构，为了编制这些数据，人工智能指数在Federal Register上对“人工智能”进行了关键词搜索，这是一个全面的政治文件库，收录了超过436个机构和美国政府几乎所有部门的文件。\\n\\n美国委员会提及为了研究美国委员会提及人工智能的趋势，我们进行了以下搜索\\n\\n网站：Congress.gov\\n关键词：人工智能过滤器：Committee Reports\\n\\n人工智能领域的公共投资人工智能指数分析了欧洲各国和美国的政府人工智能支出，重点关注数据更容易获取的地区，需要注意的是，由于数据的可获得性和质量可能存在很大差异，因此本本分析可能无法完全代表所有国家或地区。此外，虽然本分析包括各国政府合同的数据，但只涉及美国赠款级支出，造成这一差异的原因是从欧盟和中国等其他国家和地区收集可赠款数据存在困难，不过，美国的情况说明，政府在人工智能方面的支出有很大一部分是通过拨款实现的，随着更多数据的出现，人工智能指数的覆盖范围将在未来迭代中扩大，但现有数据中的差异和差距可能会影响研究结果的全面性和准确率。\\n\\n数据来源对于欧洲国家，人工智能指数指数从Tenders Electronic Daily (TED) (Publications Ofe of the European Union, 2024)——欧盟官方期刊在线刊，专门报道欧洲公共采购——收集公开招标数据。虽然合同有多种格式，但最详细的数据来自批量XML下载，其中包括招标程序，发标实体、中标承包商，批量价值，说明，中标日期和通用采购词(CPV)代码等综合信息。TED的发布受欧盟法律thresholds的制约：超过特定货币价值的投标，如果被认为具有跨国界利益，必须在TED上公布。不过，一些国家也报告低于阈值的采购，导致各国的覆盖范围不同。\\n\\n* * *\\n\\n附录第六章：政策\\n\\n英国的数据来源 包括 TED, Find a Tender, Contracts\\nFinder，和 Contracts Finder Archive。苏格兰和 威尔士的数据是通过其采购网站的 API 访问的，而北爱尔兰不提供这种服务，因此必须将其排除在分析之外，并可能导致低估英国在人工智能方面的公共投资。由于 API 限制了历史数据的访问，\\n人工智能指数利用 Open Contracting Partnership 的数据注册表，通过 Kingfisher Collect 获得苏格兰和威尔士的全面数据。\\n\\n美国的数据来源于可公开访问的 USAspending 平台，这是一个方便批量下载合同授予通知和赠款数据相关信息的官方存储库。虽然该数据集比 TED 数据集涵盖的时间更长，但必须指出的是，数据质量可能存在差异。此外，美国政府问责局 (GAO,\\n2023)）的一项研究发现，49 个机构（包括 25 个行政部门）没有向 USAspending 报告数据，这占 2022 财年超过 50 亿美元的净支出。\\n\\n数据处理由于合同说明的存储不一致，根据发布时间和采购类型的不同，\\nXML 标记名称也不尽相同，这给处理 TED 数据带来了巨大挑战。一些文件包含汇总说明，而另一些文件则详细说明了每批授予的合同，为了获取全面的信息，我们将每项竞争要求的主要说明与现有的部分说明合并在一起。州的标准于 2024 年底通过，不包括在本数据集中。\\n\\n由于来自不同国家的数据具有语言多样性，因此需要使用\\ndeep- translator 工具和谷歌翻译引擎将所有文本翻译成英文。翻译后，使用自然语言处理 (NLP) 技术对投标本进行处理。这些技术包括删除停顿词和特殊字符。保留关键语法类别的语篇 (POS) 标记，小写转换、语法化以及用 标记替换数字量。\\n\\n为便于比较，所有货币金额均换算成美元，并使用购买力平价\\n(PPP)指数对价格水平差异进行调整。\\n\\n分类使用正则表达式进行全文检索，对人工智能相关合同和赠款进行分类。通过生成与人工智能相关的表达式，并纳入\\nYamashita 等的 (2021) 词汇表中的“核心”表达式，编制了人工智能词典。此外，Word2Vec模型用每个基线表达式的余弦相似词扩展了词典，这些词经过人工审核后被纳入最终词汇。这一过程提供了对识别人工智能内容至关重要的关键词和共现模式。\\n\\n分类采用了多步骤方法。首先，通过正则表达式 (regex) 匹配确定合同和中的人工智能术语，然后，这些文件被归类为“非人工智能相关”或“人工智能相关”，为了验证人工智能相关匹配，采用了 BERTopic 模型和预训练的 DeBERTA Transformer 来评估特定人工智能相关主题的概率分数。相关性得分低于 20% 的奖项需要经过人工审核，而得分较高的奖项被认为与人工智能相关，为确保更高的准确率，所有高价值的标书也都经过了人工审核。\\n\\n目录附录\\n453\\n\\n* * *\\n\\n附录第七章：教育\\n\\n第七章：教育\\n\\nCode.org、CSTA、ECEP 联盟州级数据\\nState of Computer Science Education 2024报告附录 2 全面介绍了 Code.org、CSTA 和 ECEP 联盟收集数据的方法。\\nCode.org 的工作人员还维护着一个数据库，其中收录了美国 K-12阶段阶段教育的状况，并在本policy primer中提供了有关美国各州 K-12阶段阶段教育状况的更多详细信息。\\n\\nAP 计算机科学数据\\nAP 计算机科学数据是根据学院委员会与 Code.org 签订的协议提供给 Code.org。AP 计算机科学数据来自大学委员会的\\nnational and state summary reports 。\\n\\n获得计算机科学教育有关接受计算机科学教育的数据来自Code.org，CSTA和ECEP\\n联盟的State of Computer Science Education 2024报告。\\n\\n2024 年 K-12 阶段阶段计算机科学领域教师队伍状况调查欲了解更多信息或访问数据集，请联系 [membership@csteachers.org](mailto:membership@csteachers.org)。\\n\\n州标准比较\\nCSTA 和计算机教育促进协会（IACE）于 2024 年 12 月发布了州标准比较报告。该数据集包含约 10,000 个州采用的 K-12\\n阶段阶段标准，以电子表格的形式提供，以及Python notebook，可能对数据分析有用。科罗拉多州 和 弗吉尼亚州 的标准于 2024 年底通过，不包括在本数据集中。\\n\\n全球 K-12 阶段阶段人工智能教育剑桥大学计算机科学与技术系 Raspberry Pi Computing\\nEducation Research Centre 在 Brookings Institution 为其\\n2021年的报告 Building Skills for Life: How to Expand and\\nImprove Computer Science Education Around the World\\n所做研究的基础上，编制了本数据集。我们对他们的数据集做了一处修改，以澄清美国的 CS 课程在一些学校 / 地区开设，\\n而不是在所有地方都作为选修课开设。有关方法的更多信息，\\n请参阅 报告。\\n\\nIPEDS\\n高等教育综合数据系统 (IPEDS) 结合了美国教育部国家教育统计中心 (NCES) 开展的年度调查。IPEDS 从参与联邦学生资助计划的每所学院、大学、技术和职业机构收集信息。\\n\\n完成数据本章节使用的数据来自 Completions survey，该调查收集了完成中学后教育课程的学生人数据。根据教学计划分类（CIP）代码，人工智能相关领域的毕业生被认定为第一主修专业为计算机与信息科学，普通（11.01）；计算机编程（11.02）或计算机科学（11.07），今年报告中包含的人工智能相关专业的毕业生人数与往年不同，因为人工智能指数使用了多个 CIP 代码。\\n\\n经合组织本章节使用了经合组织数据资源管理器中的数据，特别是“按教育领域划分的在校学生、毕业生和新入学生人数”表中的数据，该数据集的方法可参见 Education at a Glance2024\\nSources, Methodologies and Technical Notes。\\n\\n* * *\\n\\n附录第八章：公众观点\\n\\n2025年人工智能指数报告\\n\\n第八章：公众观点\\n\\n益普索为简洁起见，2025年人工智能指数报告选择不重新发布报告中介绍的益普索调查所使用的方法。有关益普索调查方法的更多详情，请参阅调查。\\n\\n目录第二章预览\\n455\",\n \"metadata\": {\n \"scrapeId\": \"019edfeb-6458-772c-819f-8aec8b19ed8d\",\n \"sourceURL\": \"https://hai.stanford.edu/assets/files/hai_ai_index_report_2025_chinese_version_061325.pdf\",\n \"url\": \"https://hai.stanford.edu/assets/files/hai_ai_index_report_2025_chinese_version_061325.pdf\",\n \"statusCode\": 200,\n \"numPages\": 456,\n \"contentType\": \"application/pdf\",\n \"proxyUsed\": \"basic\",\n \"cacheState\": \"hit\",\n \"cachedAt\": \"2026-06-19T11:03:10.161Z\",\n \"creditsUsed\": 456\n }\n },\n {\n \"url\": \"https://flex.com/zh/newsroom/news\",\n \"title\": \"新闻| Flex\",\n \"description\": \"Flex 新闻报道 ; 2026 年6 月1 日. 彭博社：人工智能电力激增引发的数据中心重新设计竞赛 ; 2026 年5 月28 日. 《财富》杂志将Revathi Advaithi评为最具影响力的女性之一.\",\n \"position\": 3,\n \"markdown\": \"2026 年 6 月 1 日\\n\\n[彭博社：人工智能电力激增引发的数据中心重新设计竞赛](https://www.bloomberg.com/graphics/2026-ai-data-center-redesign/ \\\"彭博社：人工智能电力激增引发的数据中心重新设计竞赛\\\")\\n\\n2026 年 5 月 28 日\\n\\n[《财富》杂志将Revathi Advaithi评为最具影响力的女性之一](https://fortune.com/ranking/most-powerful-women/2026/revathi-advaithi/ \\\"《财富》杂志将Revathi Advaithi评为最具影响力的女性之一\\\")\\n\\n2026 年 5 月 11 日\\n\\n[彭博未平仓合约：Flex CEO 重仓人工智能](https://www.bloomberg.com/news/videos/2026-05-11/flex-ceo-bets-big-on-ai-video \\\"彭博未平仓合约：Flex CEO 重仓人工智能\\\")\\n\\n2026 年 5 月 11 日\\n\\n[福布斯：金屋举办第五届年度黄金盛典，表彰亚太地区领袖](https://www.forbes.com/sites/laurasirikul/2026/05/11/gold-house-honors-asian-pacific-leaders-at-its-fifth-annual-gold-gala/ \\\"福布斯：金屋举办第五届年度黄金盛典，表彰亚太地区领袖\\\")\\n\\n7 2026 年 5 月\\n\\n[彭博商业周刊日报：Flex宣布分拆云计算和电力基础设施部门](https://www.bloomberg.com/news/videos/2026-05-07/flex-plans-spin-off-of-cloud-power-infrastructure-unit-video \\\"彭博商业周刊日报：Flex宣布分拆云计算和电力基础设施部门\\\")\\n\\n6 2026 年 5 月\\n\\n[CNBC Squawk Box：Flex CEO Revathi 谈分拆云业务和电力业务](https://www.cnbc.com/video/2026/05/06/flex-ceo-revathi-advaithi-on-spinning-off-cloud-power-units-the-timing-makes-a-lot-of-sense.html \\\"CNBC Squawk Box：Flex CEO Revathi 谈分拆云业务和电力业务\\\")\\n\\n8 2026 年 4 月\\n\\n[吸收人工智能数据中心的冲击波](https://www.datacenterdynamics.com/en/marketwatch/absorbing-the-shockwaves-of-the-ai-data-center/ \\\"吸收人工智能数据中心的冲击波\\\")\\n\\n2026年3月20日\\n\\n[福布斯女性：Revathi Advaithi 如何重塑 Flex 的企业文化](https://www.forbes.com/sites/yolarobert1/2026/03/20/how-revathi-advaithi-is-reshaping--culture-at-flex/ \\\"福布斯女性：Revathi Advaithi 如何重塑 Flex 的企业文化\\\")\\n\\n16 2026 年 1 月\\n\\n[英飞凌和 Flex 共同打造区域控制器的基础模块](https://www.electronicdesign.com/technologies/embedded/article/55344153/electronic-design-infineon-introduces-development-kit-for-zonal-controllers-with-flex \\\"英飞凌和 Flex 共同打造区域控制器的基础模块\\\")\\n\\n12 2026 年 1 月\\n\\n[电压越高，风险越大：人工智能数据中心蓬勃发展中的安全问题](https://broadbandnation.prod.qtxquartz.com/network-technology/higher-voltage-higher-risk-safety-ai-data-center-boom \\\"电压越高，风险越大：人工智能数据中心蓬勃发展中的安全问题\\\")\\n\\n2026 年 9 月 1 日\\n\\n[Flex 推进数据中心运营的可持续冷却](https://sustainabilitymag.com/news/flex-advances-sustainable-cooling-for-data-centre-operations \\\"Flex 推进数据中心运营的可持续冷却\\\")\\n\\n5 2026 年 1 月\\n\\n[Flex 与 Equinix 携手拓展可持续制冷创新](https://datacentremagazine.com/magazine/data-centre-magazine-january-2026 \\\"Flex 与 Equinix 携手拓展可持续制冷创新\\\")\\n\\n2025年10月11日\\n\\n[LG 和 Flex：为日益增长的人工智能功率降温](https://datacentremagazine.com/news/lg-and-flex-cooling-the-growing-heat-of-ai-power \\\"LG 和 Flex：为日益增长的人工智能功率降温\\\")\\n\\n4 2025 年 11 月\\n\\n[人工智能时代的电能质量：解决次谐波问题](https://www.powermag.com/power-quality-in-the-ai-era-solving-for-subharmonics/ \\\"人工智能时代的电能质量：解决次谐波问题\\\")\\n\\n4 2025 年 11 月\\n\\n[Flex 与 LG 合作开发模块化散热解决方案](https://www.datacenterdynamics.com/en/news/flex-and-lg-team-up-on-modular-cooling-solutions/ \\\"Flex 与 LG 合作开发模块化散热解决方案\\\")\\n\\n2025 年 10 月 31 日\\n\\n[千兆瓦时代的冷却技术](https://techarena.ai/content/cooling-for-the-gigawatt-era-jetcools-roadmap-for-ai-data-centers \\\"千兆瓦时代的冷却技术\\\")\\n\\n2025 年 10 月 30 日\\n\\n[你需要了解的英伟达GTC新闻](https://www.networkworld.com/article/4082056/nvidia-gtc-show-news-you-need-to-know-round-up.html \\\"你需要了解的英伟达GTC新闻\\\")\\n\\n15 2025 年 10 月\\n\\n[OCP Flex：Chris Butler 谈打破 IT 电源壁垒](https://www.techarena.ai/content/flex-at-ocp-chris-butler-on-breaking-the-it-power-wall \\\"OCP Flex：Chris Butler 谈打破 IT 电源壁垒\\\")\\n\\n13 2025 年 10 月\\n\\n[Flex 通过全集成预制系统加速数据中心部署](https://www.powerelectronicsnews.com/flex-accelerates-data-center-deployment-with-fully-integrated-prefabricated-systems/ \\\"Flex 通过全集成预制系统加速数据中心部署\\\")\\n\\n13 2025 年 10 月\\n\\n[NVIDIA 携手合作伙伴为 Vera Rubin 打造下一代高效千兆瓦 AI 工厂](https://blogs.nvidia.com/blog/gigawatt-ai-factories-ocp-vera-rubin/ \\\"NVIDIA 携手合作伙伴为 Vera Rubin 打造下一代高效千兆瓦 AI 工厂\\\")\\n\\n13 2025 年 10 月\\n\\n[Flex 全新 AI 平台加速基础设施部署](https://www.sdcexec.com/warehousing/automation/news/22952364/flex-flexs-new-ai-platform-to-speed-infrastructure-deployment \\\"Flex 全新 AI 平台加速基础设施部署\\\")\\n\\n13 2025 年 10 月\\n\\n[不容错过的 3 个 OCP 新版本](https://www.fierce-network.com/cloud/3-ocp-new-releases-you-cant-miss \\\"不容错过的 3 个 OCP 新版本\\\")\\n\\n2025 年 9 月 23 日\\n\\n[Flex 和 JetCool 推出新型模块化 CDU](https://www.datacenterdynamics.com/en/news/flex-and-jetcool-launch-new-modular-cdu/ \\\"Flex 和 JetCool 推出新型模块化 CDU\\\")\\n\\n2025 年 9 月 19 日\\n\\n[Flex 的 Chris Butler 为您快速讲解计算效率的 5 个事实](https://www.techarena.ai/content/5-fast-facts-on-compute-efficiency-with-flexs-chris-butler \\\"Flex 的 Chris Butler 为您快速讲解计算效率的 5 个事实\\\")\\n\\n2025 年 9 月 19 日\\n\\n[扩展到 1MW 机架：面向 AI 数据中心的电网到芯片解决方案](https://www.datacenterdynamics.com/en/magazines/scaling-to-1mw-racks-grid-to-chip-solutions-for-ai-data-centers/ \\\"扩展到 1MW 机架：面向 AI 数据中心的电网到芯片解决方案\\\")\\n\\n2025 年 9 月 15 日\\n\\n[新的投资可能会改变数据中心的电力状况](https://www.fierce-network.com/cloud/new-investments-could-transform-data-center-power-equation \\\"新的投资可能会改变数据中心的电力状况\\\")\\n\\n5 2025 年 8 月\\n\\n[2025年100家优秀供应链合作伙伴](https://www.supplychainbrain.com/articles/42201-100-great-table \\\"2025年100家优秀供应链合作伙伴\\\")\\n\\n2025 年 7 月 31 日\\n\\n[新兴技术如何促进数据中心和工业领域的热量再利用？](https://www.intelligentdatacentres.com/2025/07/31/how-can-emerging-tech-boost-heat-reuse-in-data-centres-and-industry/ \\\"新兴技术如何促进数据中心和工业领域的热量再利用？\\\")\\n\\n2025 年 7 月 29 日\\n\\n[Flex 的 CEO 接任时没有任何行业经验。一套久经考验的策略指导着他的每一步](https://fortune.com/2025/07/28/flex-ceo-manufacturing-ai/ \\\"Flex 的 CEO 接任时没有任何行业经验。一套久经考验的策略指导着他的每一步\\\")\\n\\n2025 年 7 月 25 日\\n\\n[1 MW 机架和供应链弹性：规划未来的数据中心](https://www.datacenterknowledge.com/supply-chain/1-mw-racks-and-supply-chain-resilience-planning-for-the-data-centers-of-the-future \\\"1 MW 机架和供应链弹性：规划未来的数据中心\\\")\\n\\n2025 年 9 月 7 日\\n\\n[Flex 首席执行官 Revathi Advaithi 与 Jim Cramer 做客 CNBC 的“Mad Money”节目](https://www.cnbc.com/video/2025/07/08/flex-ceo-revathi-advaithi-goes-one-on-one-with-jim-cramer.html \\\"Flex 首席执行官 Revathi Advaithi 与 Jim Cramer 做客 CNBC 的“Mad Money”节目\\\")\\n\\n2025 年 6 月 16 日\\n\\n[制造业CEO预见工厂复苏](https://www.bloomberg.com/news/videos/2025-06-16/manufacturing-ceo-sees-a-factory-resurgence-video \\\"制造业CEO预见工厂复苏\\\")\\n\\n2025 年 6 月 12 日\\n\\n[伟创力被 Expansion 评为“墨西哥最重要的公司”之一](https://expansion.mx/revista-digital-junio-2025 \\\"Flex 被 Expansion 评为墨西哥最重要的公司之一\\\")\\n\\n11 2025 年 6 月\\n\\n[Flex 被 Expansion 评为墨西哥最具影响力的 500 强公司之一](https://flex.com/zh/resources/flex-named-one-of-the-top-500-most-influential-companies-in-mexico-by-expansion/ \\\"Flex 被 Expansion 评为墨西哥最具影响力的 500 强公司之一\\\")\\n\\n6 2025 年 6 月\\n\\n[数据中心脉搏：1MW机架即将问世](https://www.fierce-network.com/cloud/data-center-pulse-1mw-racks-are-way \\\"数据中心脉搏：1MW机架即将问世\\\")\\n\\n2 2025 年 6 月\\n\\n[SolarEdge 在德克萨斯州奥斯汀制造基地的 Flex 达到关键里程碑](https://www.businesswire.com/news/home/20250602663561/en/SolarEdge-Reaches-Key-Milestone-at-Austin-Texas-Manufacturing-Site-Driving-Local-Job-Growth-and-U.S.-Energy-Independence-with-Flex \\\"SolarEdge 在德克萨斯州奥斯汀制造基地的 Flex 达到关键里程碑\\\")\\n\\n2 2025 年 6 月\\n\\n[Flex 首席执行官谈如何平衡技术与同理心](https://www.industryweek.com/leadership/corporate-culture/article/55293779/flex-ceo-on-balancing-empathy-and-operational-excellence \\\"Flex 首席执行官谈如何平衡技术与同理心\\\")\\n\\n2025 年 5 月 19 日\\n\\n[这些液体冷却供应商在美国生产他们的设备](https://www.fierce-network.com/cloud/these-liquid-cooling-vendors-manufacture-their-gear-us \\\"这些液体冷却供应商在美国生产他们的设备\\\")\\n\\n2025 年 5 月 1 日\\n\\n[Arch Systems 和 Flex 扩大全球合作伙伴关系](https://archsys.io/blog/arch-systems-and-flex-expand-partnership-to-accelerate-ai-guided-digital-transformation-across-global-manufacturing-sites/ \\\"Arch Systems 和 Flex 扩大全球合作伙伴关系\\\")\\n\\n2025 年 4 月 8 日\\n\\n[Flex 荣获 2025 年美国投资者关系影响力奖，荣获企业交易期间最佳投资者关系奖](https://www.ir-impact.com/wp-content/uploads/2025/03/US-Awards-25-List-of-nominees-and-winners-v2.pdf \\\"Flex 荣获 2025 年美国投资者关系影响力奖，荣获企业交易期间最佳投资者关系奖\\\")\\n\\n2025 年 4 月\\n\\n[Flex 和 BMW 如何应对 ECU 验证挑战](https://manufacturingdigital.com/articles/flex-bmws-addresses-challenge-ecu-tracking \\\"Flex 和 BMW 如何应对 ECU 验证挑战\\\")\\n\\n2025 年 3 月 27 日\\n\\n[伟创力与宝马集团启动首个基于 Catena-X 的跨区域 ECU 数据交换](https://flex.com/zh/resources/flex-launches-first-multiregional-catena-x-based-ecu-data-exchange-with-bmw-group/ \\\"伟创力与宝马集团启动首个基于 Catena-X 的跨区域 ECU 数据交换\\\")\\n\\n2025年3月18日\\n\\n[Torc 与 Flex 合作开发自动驾驶卡车物理 AI 平台，由 NVIDIA 加速](https://torc.ai/nvidia-flex-industry-first-physical-ai-platform-autonomous-trucks/ \\\"Torc 与 Flex 合作开发自动驾驶卡车物理 AI 平台，由 NVIDIA 加速\\\")\\n\\n2025年3月11日\\n\\n[人工智能工作负载如何推动数据中心电力需求，以及电网到芯片解决方案为何对超大规模企业至关重要](https://www.powersystemsdesign.com/articles/power-management-in-ai-data-centers/22/22554 \\\"人工智能工作负载如何推动数据中心电力需求，以及电网到芯片解决方案为何对超大规模企业至关重要\\\")\\n\\n2025年3月11日\\n\\n[NXP S32K5 微控制器系列推进区域 SDV 架构](https://www.nxp.com/company/about-nxp/newsroom/NW-NEW-S32K5-MICROCONTROLLER \\\"NXP S32K5 微控制器系列推进区域 SDV 架构\\\")\\n\\n2025年3月10日\\n\\n[减少浪费，提高产出](https://flickread.com/edition/html/67bee92f070bb#24 \\\"减少浪费，提高产出\\\")\\n\\n2025年3月10日\\n\\n[打造精通技术的团队对未来成功的重要性](https://www.supplychainit.com/the-importance-of-building-tech-savy-teams-for-future-success/ \\\"打造精通技术的团队对未来成功的重要性\\\")\\n\\n2025年3月10日\\n\\n[什么时候才是思考工业4.0的最佳时机？](https://manufacturingdigital.com/articles/flex-how-manufacturers-can-navigate-constant-change \\\"什么时候才是思考工业4.0的最佳时机？\\\")\\n\\n2025年3月10日\\n\\n[向他人学习](https://vehicle-electronics.biz/sites/default/files/VE135Mar25.pdf \\\"向他人学习\\\")\\n\\n2025年5月\\n\\n[制造商如何应对持续的变化](https://manufacturingdigital.com/articles/flex-how-manufacturers-can-navigate-constant-change \\\"制造商如何应对持续的变化\\\")\\n\\n2025 年 3 月 4 日\\n\\n[案例研究：Flex 数字化转型历程中的经验教训](https://docket.acc.com/case-study-lessons-learned-flexs-digital-transformation-journey \\\"案例研究：Flex 数字化转型历程中的经验教训\\\")\\n\\n2025年2月\\n\\n[改造汽车供应链，实现未来出行](https://www.all-electronics.de/automotive-transportation/transformation-der-automobil-lieferkette-fuer-mobilitaet-der-zukunft-832.html \\\"改造汽车供应链，实现未来出行\\\")\\n\\n2025年2月4日\\n\\n[Husqvarna 和 Flex 宣布建立战略合作伙伴关系](https://www.prnewswire.com/news-releases/husqvarna-and-flex-announce-strategic-partnership-302367930.html \\\"Husqvarna 和 Flex 宣布建立战略合作伙伴关系\\\")\\n\\n2025年1月31日\\n\\n[MPO 论坛：2024 年值得关注的事件和 2025 年的预测](https://www.mpo-mag.com/exclusives/sounding-board-2024-noteworthy-events-and-2025-predictions/ \\\"MPO 论坛：2024 年值得关注的事件和 2025 年的预测\\\")\\n\\n2025年1月22日\\n\\n[外包对于医疗科技和医疗保健领域的成功至关重要](https://www.mddionline.com/manufacturing/outsourcing-is-crucial-for-success-in-medtech-healthcare \\\"外包对于医疗科技和医疗保健领域的成功至关重要\\\")\\n\\n2025年1月13日\\n\\n[Telehouse 与 Accelsius™、EkkoSense、JetCool® 和 Legrand 合作推出开创性的液体冷却实验室](https://www.telehouse.net/news/telehouse-launches-pioneering-liquid-cooling-lab/ \\\"Telehouse 与 Accelsius™、EkkoSense、JetCool® 和 Legrand 合作推出开创性的液体冷却实验室\\\")\\n\\n2024年11月12日\\n\\n[2024 年北美创新律师奖](https://www.ft.com/content/ba265d48-8ea5-48d5-9a1d-d49c428f7c8d \\\"2024 年北美创新律师奖\\\")\\n\\n2024年12月4日\\n\\n[重塑汽车价值链，实现下一代出行](https://www.wardsauto.com/software-defined-vehicles/reinventing-the-automotive-value-chain-for-next-gen-mobility \\\"重塑汽车价值链，实现下一代出行\\\")\\n\\n2024年12月\\n\\n[扩大汽车生态系统以扩大软件定义汽车的规模](https://www.just-auto.com/interview/expanding-the-automotive-ecosystem-to-scale-software-defined-vehicles/ \\\"扩大汽车生态系统以扩大软件定义汽车的规模\\\")\\n\\n2024年11月14日\\n\\n[HP 与 Flex 合作，为世界各地的儿童带来更多希望](https://www.hp.com/us-en/newsroom/blogs/2024/hp-flex.html \\\"HP 与 Flex 合作，为世界各地的儿童带来更多希望\\\")\\n\\n2024 年 11 月 12 日\\n\\n[在 2024 年慕尼黑国际电子元器件展（Electronica）上，伟创力电源模块推出了适用于 AI 数据中心的高密度数字电源解决方案](https://flex.com/zh/resources/flex-power-modules-introduces-high-density-digital-power-solutions-for-ai-data-centers-at-electronica-2024/ \\\"在 2024 年慕尼黑国际电子元器件展（Electronica）上，伟创力电源模块推出了适用于 AI 数据中心的高密度数字电源解决方案\\\")\\n\\n2024年10月28日\\n\\n[Flex 收购 Crown Technical Systems；进军模块化数据中心和配电市场](https://www.datacenterfrontier.com/energy/article/55238866/flex-acquires-crown-technical-systems-moves-into-modular-data-center-power-distribution-markets \\\"Flex 收购 Crown Technical Systems；进军模块化数据中心和配电市场\\\")\\n\\n2024年10月22日\\n\\n[Chiplet 市场和可持续性成为 OCP 峰会热门讨论话题](https://www.eetimes.com/chiplet-marketplace-sustainability-top-discussions-at-ocp-summit/ \\\"Chiplet 市场和可持续性成为 OCP 峰会热门讨论话题\\\")\\n\\n2024年10月22日\\n\\n[人工智能和机器学习如何彻底改变电子制造业](https://www.node-magazine.com/thoughtleadership/how-ai-and-ml-are-revolutionising-electronics-manufacturing \\\"人工智能和机器学习如何彻底改变电子制造业\\\")\\n\\n2024 年 10 月 14 日\\n\\n[Electronics Weekly：Flex Power Modules 在圣何塞 OCP 全球峰会上推出了 750W 中间总线转换器](https://www.electronicsweekly.com/news/products/power-supplies/ocp-global-summit-750w-81-dc-dc-down-converter-can-peak-at-1-5kw-2024-10/ \\\"Electronics Weekly：Flex Power Modules 在圣何塞 OCP 全球峰会上推出了 750W 中间总线转换器\\\")\\n\\n2024 年 10 月 14 日\\n\\n[HPCWire：Flex 在 OCP 全球峰会上宣布推出适用于数据中心的液冷机架和电源解决方案](https://www.hpcwire.com/off-the-wire/flex-announces-liquid-cooled-rack-and-power-solutions-for-data-centers-at-ocp-global-summit/ \\\"HPCWire：Flex 在 OCP 全球峰会上宣布推出适用于数据中心的液冷机架和电源解决方案\\\")\\n\\n2024 年 10 月 14 日\\n\\n[数据中心前沿：Flex、JetCool 数据中心液冷合作凸显 2024 年 OCP 峰会的 AI 创新重点](https://www.datacenterfrontier.com/cooling/article/55234762/flex-jetcool-data-center-liquid-cooling-collab-highlights-2024-ocp-summits-ai-innovation-focus \\\"数据中心前沿：Flex、JetCool 数据中心液冷合作凸显 2024 年 OCP 峰会的 AI 创新重点\\\")\\n\\n2024 年 10 月 14 日\\n\\n[福布斯：Flex 在 OCP 活动上发布液冷机架和电源解决方案](https://www.forbes.com/sites/karlfreund/2024/10/14/flex-announces-liquid-cooled-rack-and-power-solutions-at-ocp-event/ \\\"福布斯：Flex 在 OCP 活动上发布液冷机架和电源解决方案\\\")\\n\\n2024 年 10 月 14 日\\n\\n[伟创力电源模块推出适用于数据中心 AI 应用的新型数字中间总线转换器](https://flexpowermodules.com/new-powerful-small-ibc-bmr321 \\\"伟创力电源模块推出适用于数据中心 AI 应用的新型数字中间总线转换器\\\")\\n\\n2024 年 10 月 14 日\\n\\n[伟创力和 JetCool 合作开发适用于 AI 和高密度工作负载的液体冷却服务器](https://jetcool.com/post/flex-and-jetcool-partner-to-develop-liquid-cooling-ready-servers-for-ai-and-high-density-workloads/ \\\"伟创力和 JetCool 合作开发适用于 AI 和高密度工作负载的液体冷却服务器\\\")\\n\\n2024 年 10 月 8 日\\n\\n[云提供商希望将机架功率提高 10 倍以用于 AI](https://www.fierce-network.com/cloud/cloud-providers-want-crank-rack-power-10x-ai \\\"云提供商希望将机架功率提高 10 倍以用于 AI\\\")\\n\\n2024年10月6日\\n\\n[2023 年制造业的面貌：独特的回报，每天都带来新的挑战](https://www.industryweek.com/operations/media-gallery/21275024/faces-of-manufacturing-2023-uniquely-rewarding-every-day-brings-a-new-challenge?id=21275024&slide=3 \\\"2023 年制造业的面貌：独特的回报，每天都带来新的挑战\\\")\\n\\n2024年9月30日\\n\\n[2024 年《财富》最具影响力女性 (MPW) – Revathi Advaithi](https://urldefense.com/v3/__https:/links.newsletter.fortune.com/u/click?_t=5c2d888702774d17aa3d0350287b6d73&_m=651f2c23dd5f47e7a658fe2bc970baa5&_e=99YPobk5ZFxWtHkiaRJVYXtfPqMmcY71b_OUGoL7KmMcOgVBkwoqUeug-QswEBabB4h_6yGMZbE25ylcTMFqsNFZkkcjCqT60uKo4ioOTGmzVLhYwrmlO-bomLR_raKVRL0_A_DXfFCBoLElpAyuISHqPkvNrB2vIqOVyfntzb53Js4Xlw_zdNUSpENp7g7vq0zAtw3YF4QKD10kV37yoFA2duKZhgo5xde2Xqau78pdtA_tSEJmD0EfbqPryIpM96mcZcNOy4Gf2FynW6riXYngYHCSds99hKc0r2dPIn0FeBhVu0Lq8M5j3tWO2GkDwraI9M-xtBoH1f7dalV1HjonIKRePrOcuYvxAaDuapaNHlvlvUq9ZR2unXzJS3Lu__;!!HSntlCg!SGWtCGdfmvEA72iSb4sgQ62JBwI-dt7xZA93nzWwIZeA8ixY9mCCqStLANlcaLZv54d4sBrnavV5qE9OBw$ \\\"2024 年《财富》最具影响力女性 (MPW) – Revathi Advaithi\\\")\\n\\n2024年9月23日\\n\\n[什么时候才是思考工业4.0的最佳时机？](https://www.sdcexec.com/software-technology/software-solutions/article/22920636/flex-when-is-the-right-time-to-think-about-industry-40 \\\"什么时候才是思考工业4.0的最佳时机？\\\")\\n\\n2024年9月21日\\n\\n[Flex：紧跟制造业创新](https://manufacturingdigital.com/articles/flex-keeping-up-with-manufacturing-innovation \\\"Flex：紧跟制造业创新\\\")\\n\\n2024年5月9日\\n\\n[全公司协作：可持续发展之路](https://bc-ccc.uberflip.com/i/1526187-issue46v4-draft1-20240905/9?_cldee=6m-Q_W3BG9n4TwyHBHBMcqwzJyu1D13NPNL11eZrVTLPONfLCQpV3tcQce58zo_G&recipientid=contact-12fc57b643ebec11bb3d000d3a3349bd-09e189091d6045e3b158a63e8092f5f8&esid=95c08ff5-d16a-ef11-bfe3-000d3a5aaecc \\\"全公司协作：可持续发展之路\\\")\\n\\n2024 年 3 月\\n\\n[就目前而言，调峰可以帮助数据中心解决人工智能电力问题](https://www.fierce-network.com/cloud/peak-shaving-could-help-data-centers-solve-ai-power-problem-now \\\"就目前而言，调峰可以帮助数据中心解决人工智能电力问题\\\")\\n\\n2024年8月24日\\n\\n[如何克服汽车供应链挑战](https://supplychaindigital.com/digital-supply-chain/flex-future-mobility-transforming-automotive \\\"如何克服汽车供应链挑战\\\")\\n\\n2024年7月31日\\n\\n[可持续发展的领导者：Flex 的 Barjouth Aguilar](https://iconnect007.uberflip.com/i/1523888-community-q324/77?utm_content=300918111&utm_medium=social&utm_source=linkedin&hss_channel=lcp-90388962 \\\"可持续发展的领导者：Flex 的 Barjouth Aguilar\\\")\\n\\n2024年6月28日\\n\\n[利用人工智能和机器学习改变产品质量检测](https://industrytoday.com/transforming-product-quality-inspections-with-ai-and-ml/ \\\"利用人工智能和机器学习改变产品质量检测\\\")\\n\\n2024 年 6 月 14 日\\n\\n[Flex 被 Expansion 评为 2024 年墨西哥 500 家最重要公司之一](https://flex.com/zh/resources/flex-recognized-as-one-of-mexicos-500-most-important-companies-in-2024-by-expansion/ \\\"Flex 被 Expansion 评为 2024 年墨西哥 500 家最重要公司之一\\\")\\n\\n2024年5月23日\\n\\n[PLI 计划将促进制造业和就业：Flex](https://telecom.economictimes.indiatimes.com/news/telecom-equipment/pli-scheme-to-boost-manufacturing-jobs-flex/110211148 \\\"PLI 计划将促进制造业和就业：Flex\\\")\\n\\n2024年5月21日\\n\\n[驾驶座上：Flex 汽车工程副总裁 Andreas Heim](https://www.techne-talent.com/view/behind-the-wheel-andreas-heim-the-vp-of-engineering---automotive-at-flex \\\"驾驶座上：Flex 汽车工程副总裁 Andreas Heim\\\")\\n\\n2024年5月17日\\n\\n[在车间有效部署人工智能——制造商的方法](https://www.youtube.com/watch?v=yoEArfLd_kM&list=PLQpI2vXmjWoqHrZeHU8QwDdI1n0dW5d3b&index=3 \\\"在车间有效部署人工智能——制造商的方法\\\")\\n\\n2024 年 4 月 25 日\\n\\n[伟创力荣获爱立信 \\\"2023 年供应商可持续发展奖\\\"](https://flex.com/zh/resources/flex-receives-ericsson-2023-supplier-sustainability-award/ \\\"伟创力荣获爱立信 \\\\\\\"2023 年供应商可持续发展奖\\\\\\\"\\\")\\n\\n2024 年 2 月 4 日\\n\\n[伟创力庆祝墨西哥瓜达拉哈拉运营点连续 10 年获得福特 Q1 认证荣誉](https://flex.com/zh/resources/10-years-of-maintaining-fords-q1-quality-certification/ \\\"伟创力庆祝墨西哥瓜达拉哈拉运营点连续 10 年获得福特 Q1 认证荣誉\\\")\\n\\n2024年3月4日\\n\\n[Ethisphere 将 Flex 评为 2024 年全球最具商业道德企业之一](https://investors.flex.com/news/news-details/2024/Flex-Earns-Coveted-Spot-on-Ethispheres-2024-Worlds-Most-Ethical-Companies-for-Second-Consecutive-Year/default.aspx?_gl=1*18hremx*_ga*MTA4OTU1MTY2Mi4xNjgzNjY4ODg1*_ga_LE3NL4XEBD*MTcxNDA2ODI1OS4xNTYuMS4xNzE0MDY4MjY5LjUwLjAuMA.. \\\"Ethisphere 将 Flex 评为 2024 年全球最具商业道德企业之一\\\")\\n\\n2024年13月\\n\\n[使预充式注射器变得智能化：改善患者护理和临床试验结果的技术解决方案](https://drug-dev.com/prefilled-syringes-making-a-prefilled-syringe-smart-technological-solutions-to-advance-patient-care-clinical-trial-outcomes/ \\\"使预充式注射器变得智能化：改善患者护理和临床试验结果的技术解决方案\\\")\\n\\n2024年13月\\n\\n[Flex：人工智能和机器学习可以简化运营](https://manufacturingdigital.com/ai-and-automation/flex-ai-machine-learning-can-streamline-operations \\\"Flex：人工智能和机器学习可以简化运营\\\")\\n\\n2024年1月17日\\n\\n[世界经济论坛案例研究：范围 3 减排的挑战](https://initiatives.weforum.org/net-zero-supply-chain-support-hub/flex \\\"世界经济论坛案例研究：范围 3 减排的挑战\\\")\\n\\n2024 年 10 月\\n\\n[Flex 创新服务技术专家 Cassandra Fong 被评为 30 位 30 岁以下中小企业之一](https://digitaleditions.walsworth.com/publication/?m=67292&i=809533&p=20&pre=1&ver=html5 \\\"Flex 创新服务技术专家 Cassandra Fong 被评为 30 位 30 岁以下中小企业之一\\\")\\n\\n2024 年 9 月 1 日\\n\\n[伟创力和 STMicroelectronics 展示下一代电力电子产品](https://flex.com/zh/resources/flex-and-stmicroelectronics-showcase-next-generation-power-electronics/ \\\"伟创力和 STMicroelectronics 展示下一代电力电子产品\\\")\\n\\n2024 年 9 月 1 日\\n\\n[吸引优先供应商以减少范围 3.1 的排放](https://initiatives.weforum.org/industry-net-zero-accelerator/case-studies/flex---engaging-preferred-suppliers-to-reduce-scope-3.1-emissions/aJYTG00000003yn4AA# \\\"吸引优先供应商以减少范围 3.1 的排放\\\")\\n\\n15 2023年12月\\n\\n[乌克兰Flex荣获波兰质量奖](https://qualitymagazyn.eu/wp-content/uploads/2023/12/qmag-16.pdf#page=14 \\\"乌克兰Flex荣获波兰质量奖\\\")\\n\\n2023年11月14日\\n\\n[Asensus Surgical, Inc. 宣布与 Flex 达成协议，为 LUNA™ 提供设计和先进制造服务](https://ir.asensus.com/news-releases/news-release-details/asensus-surgical-inc-announces-agreement-flex-design-and \\\"Asensus Surgical, Inc. 宣布与 Flex 达成协议，为 LUNA™ 提供设计和先进制造服务\\\")\\n\\n2023 年 10 月 11 日\\n\\n[Flex 因开创性地使用新的人工智能驱动工具而被评为 2023 年企业法律顾问协会价值冠军](https://flex.com/zh/resources/flex-recognized-for-groundbreaking-use-of-new-ai-driven-tool/ \\\"Flex 因开创性地使用新的人工智能驱动工具而被评为 2023 年企业法律顾问协会价值冠军\\\")\\n\\n2023年11月8日\\n\\n[巴西 Jaguariuna 的伟创力工厂荣获 AME 颁发的卓越制造奖](https://flex.com/zh/resources/flex-site-in-jaguariuna-brazil-receives-manufacturing-excellence-award-from-ame/ \\\"巴西 Jaguariuna 的伟创力工厂荣获 AME 颁发的卓越制造奖\\\")\\n\\n2023年11月7日\\n\\n[人工智能增强机器视觉](https://www.assemblymag.com/articles/98118-ai-augments-machine-vision \\\"人工智能增强机器视觉\\\")\\n\\n2023年10月5日\\n\\n[Revathi Advaithi 与其他杰出领导者一起跻身《财富》杂志最具影响力女性榜单](https://fortune.com/ranking/most-powerful-women/2023/ \\\"Revathi Advaithi 与其他杰出领导者一起跻身《财富》杂志最具影响力女性榜单\\\")\\n\\n2023 年 8 月 9 日\\n\\n[伟创力被Expansion评为\\\"墨西哥最负责任的公司之一\\\"](https://flex.com/zh/resources/flex-recognized-as-one-of-mexicos-most-responsible-companies-by-expansion/ \\\"伟创力被Expansion评为\\\\\\\"墨西哥最负责任的公司之一\\\\\\\"\\\")\\n\\n2023 年 9 月 6 日\\n\\n[注射装置：可持续性、可用性和数字化设计，以满足患者依从性](https://drug-dev.com/special-feature-injection-devices-designing-in-sustainability-usability-digitization-for-patient-compliance/ \\\"注射装置：可持续性、可用性和数字化设计，以满足患者依从性\\\")\\n\\n2023 年 9 月 6 日\\n\\n[《财富》杂志评选出的 2023 年印度最具影响力女性](https://www.fortuneindia.com/mpw?year=2023 \\\"《财富》杂志评选出的 2023 年印度最具影响力女性\\\")\\n\\n2023 年 9 月 6 日\\n\\n[Flex 成长的建筑师](https://www.fortuneindia.com/mpw/revathi-advaithi?year=2023 \\\"Flex 成长的建筑师\\\")\\n\\n2023年8月18日\\n\\n[供应链危机已经结束，但我们从中学到了什么](https://www.raconteur.net/supply-chain/supply-chain-crisis-lessons \\\"供应链危机已经结束，但我们从中学到了什么\\\")\\n\\n2023年8月4日\\n\\n[马来西亚加入爱立信全球5G设备制造供应链](https://www.ericsson.com/en/press-releases/2/2023/8/malaysia-joins-ericssons-global-5g-equipment-manufacturing-supply-chain \\\"马来西亚加入爱立信全球5G设备制造供应链\\\")\\n\\n2023年8月4日\\n\\n[庆祝女性领导力的卓越表现](https://economictimes.indiatimes.com/spotlight/etpwla2023 \\\"庆祝女性领导力的卓越表现\\\")\\n\\n2023年7月31日\\n\\n[探索制造业的未来](https://www.sme.org/technologies/articles/2023/july/discovering-the-future-of-manufacturing-an-exclusive-qa-with-paul-baldassari-president-of-manufacturing-and-services-at-flex/ \\\"探索制造业的未来\\\")\\n\\n2023 年 7 月 20 日\\n\\n[E+E 年度最佳项目](https://flex.com/zh/resources/flex-honored-with-ee-top-project-of-the-year/ \\\"E+E 年度最佳项目\\\")\\n\\n2023年7月12日\\n\\n[人工智能和机器学习如何彻底改变电子制造业](https://www.powermotiontech.com/technologies/artificial-intelligence/article/21268760/how-ai-and-ml-are-revolutionizing-electronics-manufacturing \\\"人工智能和机器学习如何彻底改变电子制造业\\\")\\n\\n2023年7月11日\\n\\n[医疗设备开发中的 HMI 创新至关重要](https://healthcare-digital.com/medical-devices-and-pharma/hmi-innovation-in-medical-device-development-is-essential \\\"医疗设备开发中的 HMI 创新至关重要\\\")\\n\\n2023年6月7日\\n\\n[Enphase 宣布开始从美国发货 Flex 微型逆变器](https://flex.com/zh/resources/enphase-announces-beginning-of-microinverter-shipments-from-united-states-with-flex/ \\\"Enphase 宣布开始从美国发货 Flex 微型逆变器\\\")\\n\\n2023年6月28日\\n\\n[美国能源部长参观 ABB 电动汽车充电设施](https://new.abb.com/news/detail/104751/us-secretary-of-energy-tours-abb-e-mobility-ev-charging-facility \\\"美国能源部长参观 ABB 电动汽车充电设施\\\")\\n\\n2023年6月16日\\n\\n[汽车制造走向虚拟化](https://www.digitalengineering247.com/article/automotive-manufacturing-gone-virtual \\\"汽车制造走向虚拟化\\\")\\n\\n2023年6月15日\\n\\n[爱立信庆祝其在波兰为 Telia 独家生产了第 100 万台 5G 无线设备](https://www.ericsson.com/en/press-releases/3/2023/ericsson-celebrates-the-millionth-5g-radio-produced-in-poland-exclusively-for-telia \\\"爱立信庆祝其在波兰为 Telia 独家生产了第 100 万台 5G 无线设备\\\")\\n\\n2023年6月6日\\n\\n[20年：医疗产品外包的过去与未来的探讨](https://www.mpo-mag.com/issues/2023-06-01/view_features/20-years-a-discussion-on-the-past-future-of-medical-product-outsourcing/?widget=listSection \\\"20年：医疗产品外包的过去与未来的探讨\\\")\\n\\n2023年5月24日\\n\\n[2023 年亚太气候领袖](https://www.ft.com/climate-leaders-asia-pacific-2023 \\\"2023 年亚太气候领袖\\\")\\n\\n2023 年 5 月 22 日\\n\\n[重新审视塑料：环保设计如何推动可持续变革](https://www.ondrugdelivery.com/rethinking-plastic-how-eco-friendly-design-is-driving-sustainable-change/ \\\"重新审视塑料：环保设计如何推动可持续变革\\\")\\n\\n2023年5月16日\\n\\n[ESG 领袖荣获 2023 年 Seal 商业可持续发展奖](https://sealawards.com/sustainability-award-2023/ \\\"ESG 领袖荣获 2023 年 Seal 商业可持续发展奖\\\")\\n\\n2023 年 2 月 5 日\\n\\n[伟创力 Althofen 的质量和创新计划因组织卓越而获得 EFQM 的最高认可](https://flex.com/zh/resources/quality-and-innovation-programs-at-flex-althofen-earns-site-highest-recognition-from-efqm-for-organizational-excellence/ \\\"伟创力 Althofen 的质量和创新计划因组织卓越而获得 EFQM 的最高认可\\\")\\n\\n2023年4月7日\\n\\n[数字孪生模拟如何推动制造业的数字化转型](https://www.controleng.com/articles/how-digital-twin-simulations-advance-digital-transformation-in-manufacturing/ \\\"数字孪生模拟如何推动制造业的数字化转型\\\")\\n\\n2023年3月31日\\n\\n[2023 年 15 大首席采购官通过创新改变现状](https://diversityplus.com/FinTOC/Top15_Chief_Procurement_Officers_2023?id=1CPO2023 \\\"2023 年 15 大首席采购官通过创新改变现状\\\")\\n\\n2023年3月30日\\n\\n[Enphase Energy 在罗马尼亚开始生产 IQ 微型逆变器 Flex](https://investor.enphase.com/news-releases/news-release-details/enphase-energy-begins-iq-microinverter-production-shipments-flex \\\"Enphase Energy 在罗马尼亚开始生产 IQ 微型逆变器 Flex\\\")\\n\\n2023 年 3 月 20 日\\n\\n[深化伙伴关系以促进价值链可持续性的最佳实践](https://issuu.com/swattdesign/docs/sbm_112/20 \\\"深化伙伴关系以促进价值链可持续性的最佳实践\\\")\\n\\n2023 年 3 月 15 日\\n\\n[问题解答：贸易数字化](https://treasurytoday.com/trade-and-supply-chain/trade-digitisation/trade-digitisation \\\"问题解答：贸易数字化\\\")\\n\\n2023年3月13日\\n\\n[好问题：旺季给您带来的最大的供应链启示是什么？](https://www.inboundlogistics.com/articles/good-question-whats-your-biggest-supply-chain-takeaway-from-peak-season/ \\\"好问题：旺季给您带来的最大的供应链启示是什么？\\\")\\n\\n2023年3月8日\\n\\n[国际妇女节：女性在制造业中的作用](https://manufacturingdigital.com/procurement-and-supply-chain/international-womens-day-womens-role-in-manufacturing \\\"国际妇女节：女性在制造业中的作用\\\")\\n\\n2023年3月6日\\n\\n[Flex 专注于自动化，以实现数字化的最佳回报](https://chiefexecutive.net/flex-focuses-on-autonomation-for-best-returns-from-digitalizing/ \\\"Flex 专注于自动化，以实现数字化的最佳回报\\\")\\n\\n2023年2月\\n\\n[制造业的未来：为什么没有仿真就无法拥有数字孪生](https://www.dpaonthenet.net/article/196176/The-future-of-manufacturing--Why-you-can-t-have-a-digital-twin-without-simulation.aspx \\\"制造业的未来：为什么没有仿真就无法拥有数字孪生\\\")\\n\\n2023 年 2 月 23 日\\n\\n[伟创力每年在墨西哥哈利斯科州帮助 2,000 多名员工提升技能](https://flex.com/zh/resources/flex-to-upskill-over-2000-employees-each-year-in-jalisco-mexico/ \\\"伟创力每年在墨西哥哈利斯科州帮助 2,000 多名员工提升技能\\\")\\n\\n2023年2月16日\\n\\n[Flex：使用数字孪生消除客户旅程中的摩擦](https://anchor.fm/insidedt/episodes/S1E7---Flex-Using-Digital-Twins-to-Remove-Friction-from-the-Customer-Journey-e1rljb2 \\\"Flex：使用数字孪生消除客户旅程中的摩擦\\\")\\n\\n2023年12月\\n\\n[为什么应该采用数字孪生](https://www.plasticstoday.com/medical/why-you-should-adopt-digital-twin \\\"为什么应该采用数字孪生\\\")\\n\\n2023年1月26日\\n\\n[为什么医疗器械设计师需要变得更加敏捷——以及如何做到这一点](https://www.medtechdive.com/news/why-medical-device-designers-need-to-become-more-agile-and-how-they-can-d/640878/ \\\"为什么医疗器械设计师需要变得更加敏捷——以及如何做到这一点\\\")\\n\\n2023年1月17日\\n\\n[2023 年制造业预测 - 第二部分](https://www.manufacturing.net/supply-chain/blog/22657653/predictions-for-manufacturing-in-2023-part-ii \\\"2023 年制造业预测 - 第二部分\\\")\\n\\n2023年5月1日\\n\\n[“无借口”框架加速实现净零制造和价值链](https://www.weforum.org/whitepapers/the-no-excuse-framework-to-accelerate-the-path-to-net-zero-manufacturing-and-value-chains \\\"“无借口”框架加速实现净零制造和价值链\\\")\\n\\n2022 年 12 月 12 日\\n\\n[数字孪生如何提高敏捷性并增强运营](https://www.powermotiontech.com/sensors-software/article/21256025/how-digital-twins-can-increase-agility-and-bolster-operations \\\"数字孪生如何提高敏捷性并增强运营\\\")\\n\\n2022 年 12 月\\n\\n[回顾 2022 年以及医疗技术的未来：MPO 论坛](https://www.mpo-mag.com/issues/2023-01-02/view_columns/reflections-on-2022-and-whats-ahead-mpo-sounding-board/ \\\"回顾 2022 年以及医疗技术的未来：MPO 论坛\\\")\\n\\n2022 年 11 月 30 日\\n\\n[Flex 发布第一份 TCFD 报告](https://flex.com/zh/resources/flex-publishes-first-tcfd-report/ \\\"Flex 发布第一份 TCFD 报告\\\")\\n\\n2022年11月23日\\n\\n[未来属于物联网：克服新技术的挑战](https://www.electronicspecifier.com/products/iot/the-future-is-iot-overcoming-the-challenges-of-new-technology \\\"未来属于物联网：克服新技术的挑战\\\")\\n\\n2022年11月14日\\n\\n[您的供应链中的公司希望您了解什么](https://www.greenbiz.com/article/what-companies-your-supply-chain-wish-you-knew \\\"您的供应链中的公司希望您了解什么\\\")\\n\\n2022 年 11 月 1 日\\n\\n[合作开发适用于商业领域的新型机器人解决方案](https://braincorp.com/newsroom/brain-corp-launches-third-generation-ai-autonomy-platform-to-power-the-next-generation-of-autonomous-commercial-robots/ \\\"合作开发适用于商业领域的新型机器人解决方案\\\")\\n\\n2022年10月26日\\n\\n[在全球范围内实现 ESG 本地化](https://podcasts.google.com/feed/aHR0cHM6Ly9mZWVkcy5saWJzeW4uY29tLzQxMDU3OS9yc3M/episode/ZmQ2OWRmMjQtMGEyNy00MmE5LTg5MDQtNmYzMDFkNGYzOWEw? \\\"在全球范围内实现 ESG 本地化\\\")\\n\\n2022年10月13日\\n\\n[全球灯塔网络：2022 年灯塔直播](https://www.youtube.com/watch?v=gtgrQIAF1OQ \\\"全球灯塔网络：2022 年灯塔直播\\\")\\n\\n2022年10月13日\\n\\n[灯塔工厂如何利用技术为制造业构建有弹性、可持续的未来](https://www.weforum.org/agenda/2022/10/how-lighthouse-factories-are-using-technology-to-build-a-resilient-sustainable-human-centric-future-of-manufacturing/ \\\"灯塔工厂如何利用技术为制造业构建有弹性、可持续的未来\\\")\\n\\n2022 年 7 月 9 日\\n\\n[没有模拟就无法实现数字孪生](https://www.controldesign.com/articles/2022/you-cant-do-a-digital-twin-without-simulation/ \\\"没有模拟就无法实现数字孪生\\\")\\n\\n2022年6月9日\\n\\n[2022 年“年度可持续发展倡议”奖](https://www.bintelligence.com/blog/2022/9/6/104-sustainability-award-winners-highlight-global-successes \\\"2022 年“年度可持续发展倡议”奖\\\")\\n\\n2022年19月\\n\\n[Flex Althofen：（几乎）所有工业 4.0 技术都汇聚一堂](https://www.industryweek.com/technology-and-iiot/article/21249898/flex-althofen-almost-every-industry-40-technology-under-one-roof \\\"Flex Althofen：（几乎）所有工业 4.0 技术都汇聚一堂\\\")\\n\\n2022年19月\\n\\n[汽车行业的女性](https://www.6-group.com/ways-women-lead/ \\\"汽车行业的女性\\\")\\n\\n2022年3月8日\\n\\n[全球财务主管：财务主管必须采用 ESG 实践来维护公司品牌声誉](https://www.theglobaltreasurer.com/2022/08/03/treasurers-must-embrace-esg-practices-to-safeguard-companies-brand-reputation-with-external-stakeholders/ \\\"全球财务主管：财务主管必须采用 ESG 实践来维护公司品牌声誉\\\")\\n\\n2022年18月\\n\\n[2022年联想供应商卓越奖](https://flex.com/zh/newsroom/press-releases/2022/flex-receives-4th-consecutive-lenovo-emea-logistics-supplier-of-the-year-award/ \\\"2022年联想供应商卓越奖\\\")\\n\\n2022年18月\\n\\n[AR 和 VR 如何推动制造业的新时代](https://industrytoday.com/how-ar-and-vr-are-driving-the-next-era-of-manufacturing/ \\\"AR 和 VR 如何推动制造业的新时代\\\")\\n\\n2022年7月30日\\n\\n[Times Tech India：机器人永远无法取代经验和批判性思维](https://timestech.in/a-robot-can-never-replace-experience-and-critical-thinking-sekaran/ \\\"Times Tech India：机器人永远无法取代经验和批判性思维\\\")\\n\\n2022年7月\\n\\n[SCMR 采访](https://www.scmr.com/article/the_scmr_interview_lynn_torrel_flex \\\"SCMR 采访\\\")\\n\\n2022年6月29日\\n\\n[WL Mellon 演讲系列：Advaithi 建议学生“勇敢尝试”](https://www.cmu.edu/tepper/news/stories/2022/june/wl-mellon-revathi-advaithi.html \\\"WL Mellon 演讲系列：Advaithi 建议学生“勇敢尝试”\\\")\\n\\n2022年6月8日\\n\\n[机器和资产的数字孪生如何帮助行业创新](https://www.businesstoday.in/magazine/technology/story/how-digital-twins-of-machines-and-assets-are-helping-industries-innovate-336753-2022-06-08 \\\"机器和资产的数字孪生如何帮助行业创新\\\")\\n\\n2022 年 5 月 31 日\\n\\n[将 DEI 纳入可持续发展战略的 5 个最佳实践](https://www.greenbiz.com/article/5-best-practices-incorporating-dei-your-sustainability-strategy \\\"将 DEI 纳入可持续发展战略的 5 个最佳实践\\\")\\n\\n2022 年 5 月 25 日\\n\\n[2022 年亚太气候领袖峰会](https://www.ft.com/climate-leaders-asia-pacific-2022 \\\"2022 年亚太气候领袖峰会\\\")\\n\\n2022年5月18日\\n\\n[AMR 不仅仅是新型 AGV](https://www.sme.org/technologies/articles/2022/may/amrs-not-just-new-agvs/ \\\"AMR 不仅仅是新型 AGV\\\")\\n\\n2022年5月9日\\n\\n[Flex 首席执行官 Revathi Advaithi 谈印度如何成为全球制造业中心](https://www.businesstoday.in/magazine/interview/story/flex-ceo-revathi-advaithi-on-how-india-can-become-a-global-manufacturing-hub-332793-2022-05-09 \\\"Flex 首席执行官 Revathi Advaithi 谈印度如何成为全球制造业中心\\\")\\n\\n2022年4月28日\\n\\n[波兰特切夫 Flex 工厂生产 100 万台爱立信 5G 产品](https://www.ericsson.com/en/news/3/2022/one-million-ericsson-5g-products-made-at-tczew-factory-in-poland \\\"波兰特切夫 Flex 工厂生产 100 万台爱立信 5G 产品\\\")\\n\\n2022年4月\\n\\n[Enphase Energy 使用 Flex 扩大生产能力](https://newsroom.enphase.com/news-releases/news-release-details/enphase-energy-expands-manufacturing-capacity-flex-romania \\\"Enphase Energy 使用 Flex 扩大生产能力\\\")\\n\\n2022年3月28日\\n\\n[Ball Aerospace 与 Flex 合作开发经济高效的平板天线](https://www.microwavejournal.com/articles/37883-ball-aerospace-and-flex-collaborate-to-ramp-production-on-cost-effective-flat-panel-antennas \\\"Ball Aerospace 与 Flex 合作开发经济高效的平板天线\\\")\\n\\n2022 年 3 月 16 日\\n\\n[自动化如何加强工厂的信息控制](https://www.controleng.com/articles/how-automation-can-bolster-information-control-in-a-factory/ \\\"自动化如何加强工厂的信息控制\\\")\\n\\n2022年2月24日\\n\\n[医疗技术电子制造服务的快速发展](https://www.mpo-mag.com/issues/2022-02-02/view_features/the-rapid-evolution-of-electronic-manufacturing-services-for-medtech/?widget=listSection \\\"医疗技术电子制造服务的快速发展\\\")\\n\\n2022年2月17日\\n\\n[为预测提供一点帮助的机会](https://www.scmr.com/article/a_chance_to_give_forecasting_a_little_help \\\"为预测提供一点帮助的机会\\\")\\n\\n2022年5月\\n\\n[2022 年制造商将如何实现数字化转型](https://www.industryweek.com/technology-and-iiot/digital-tools/article/21212251/how-manufacturers-will-digitally-transform-in-2022 \\\"2022 年制造商将如何实现数字化转型\\\")\\n\\n2022年1月4日\\n\\n[2022 年供应链和可持续发展战略预测](https://www.industryweek.com/technology-and-iiot/article/21212518/how-supply-chain-and-sustainability-strategy-will-evolve-in-2022 \\\"2022 年供应链和可持续发展战略预测\\\")\\n\\n2021年12月26日\\n\\n[Flex 对 2022 年可持续制造业的预测](https://businesschief.com/sustainability/sustainable-manufacturing-predictions-2022-flex \\\"Flex 对 2022 年可持续制造业的预测\\\")\\n\\n2021 年 12 月 22 日\\n\\n[电子制造业正在发生转变](https://www.industryweek.com/supply-chain/supplier-relationships/article/21212493/a-shift-is-underway-in-electronics-manufacturing \\\"电子制造业正在发生转变\\\")\\n\\n2021年12月17日\\n\\n[反弹：从供应链重新设计到韧性](https://therebound.podbean.com/e/the-rebound-from-supply-chain-re-design-to-resilience/ \\\"反弹：从供应链重新设计到韧性\\\")\\n\\n2021年12月16日\\n\\n[供应与需求链高管绿色供应链奖](https://www.sdcexec.com/sustainability/carbon-footprint/article/21927700/green-supply-chains-preva \\\"供应与需求链高管绿色供应链奖\\\")\\n\\n2021 年 12 月 3 日\\n\\n[施乐辉携手伟创力](https://flex.com/zh/resources/smith-nephew-partners-with-flex/ \\\"施乐辉携手伟创力\\\")\\n\\n2021 年 9 月 30 日\\n\\n[世界经济论坛小组](https://www.linkedin.com/video/live/urn:li:ugcPost:6848993839307395072/ \\\"世界经济论坛小组\\\")\\n\\n2021年9月28日\\n\\n[Avnet 分销智慧播客第 6 集供应链](https://www.avnet.com/wps/portal/us/resources/podcasts/distributing-wisdom/ \\\"Avnet 分销智慧播客第 6 集供应链\\\")\\n\\n2021年9月24日\\n\\n[《新闻周刊》评选出的 100 个最受喜爱的工作场所](https://mostlovedworkplace.com/companies/flex/ \\\"《新闻周刊》评选出的 100 个最受喜爱的工作场所\\\")\\n\\n2021年9月23日\\n\\n[供应链中最强大的环节](https://wpcareymagazine.com/issue/autumn-2021/the-strongest-links-in-the-supply-chain/ \\\"供应链中最强大的环节\\\")\\n\\n2021年9月\\n\\n[多物理场激发电子设计创新](https://www.digitalengineering247.com/article/multiphysics-sparks-innovation-in-electronics-design \\\"多物理场激发电子设计创新\\\")\\n\\n2021年9月6日\\n\\n[供应链一线希望剧本](https://www.raconteur.net/sponsored/supply-chain-linings-playbook/ \\\"供应链一线希望剧本\\\")\\n\\n2021年8月26日\\n\\n[可持续发展杂志 – 2021 年 9 月](https://issuu.com/energydigital/docs/sustainability-magazine-sept2021/48 \\\"可持续发展杂志 – 2021 年 9 月\\\")\\n\\n2021年8月24日\\n\\n[Flex在中国通过可持续方式运营](https://www.chinadaily.com.cn/a/202108/24/WS61245f50a310efa1bd66ac48_1.html \\\"Flex在中国通过可持续方式运营\\\")\\n\\n2021年8月14日\\n\\n[16 位印度裔高管“统治”全球科技行业](https://www.gadgetsnow.com/slideshows/16-indian-origin-top-executives-ruling-tech-industry-globally/photolist/85343036.cms \\\"16 位印度裔高管“统治”全球科技行业\\\")\\n\\n2021年8月13日\\n\\n[Flex 首席执行官谈如何在新冠疫情期间维持全球供应链运转](https://fortune.com/2021/08/13/flex-ceo-revathi-advaithi-global-supply-chain-leadership-next/ \\\"Flex 首席执行官谈如何在新冠疫情期间维持全球供应链运转\\\")\\n\\n2021年8月10日\\n\\n[供应链不仅至关重要。2021 年，它们还是一个高风险的赌场](https://fortune.com/2021/08/10/supply-chains-arent-just-critical-in-2021-theyre-a-high-stakes-casino/ \\\"供应链不仅至关重要。2021 年，它们还是一个高风险的赌场\\\")\\n\\n2021年8月2日\\n\\n[传感器如何帮助发掘隐藏的工厂见解](https://industrytoday.com/how-sensors-can-help-uncover-hidden-factory-insights/ \\\"传感器如何帮助发掘隐藏的工厂见解\\\")\\n\\n2021年7月16日\\n\\n[从角落办公室](https://bc-ccc.uberflip.com/i/1391357-corporatecitizens-issue37-2021/21 \\\"从角落办公室\\\")\\n\\n2021年6月29日\\n\\n[你如何体现道德的价值？](https://www.corporatecomplianceinsights.com/value-of-ethics/ \\\"你如何体现道德的价值？\\\")\\n\\n2021 年 6 月 21 日\\n\\n[美国雇主在监管“混乱”中应对新冠疫苗要求](https://www.reuters.com/article/idCAKCN2DX0Y3?edition-redirect=ca \\\"美国雇主在监管“混乱”中应对新冠疫苗要求\\\")\\n\\n2021 年 6 月 20 日\\n\\n[Flex 副总裁：疫情过后复工取决于员工诚信](https://www.reuters.com/video/watch/idRCV009VQO \\\"Flex 副总裁：疫情过后复工取决于员工诚信\\\")\\n\\n2021 年 6 月 15 日\\n\\n[机器人和自动化是否意味着熄灯？Flex 并非如此](https://www.industryweek.com/technology-and-iiot/article/21166972/do-robotics-and-automation-equal-lights-out-not-at-flex \\\"机器人和自动化是否意味着熄灯？Flex 并非如此\\\")\\n\\n2021 年 6 月 15 日\\n\\n[为什么模拟对于促进下一个制造时代至关重要](https://www.manufacturingtomorrow.com/article/2021/06/why-simulation-is-critical-for-driving-the-next-era-of-manufacturing/17147 \\\"为什么模拟对于促进下一个制造时代至关重要\\\")\\n\\n2021 年 6 月 10 日\\n\\n[你必须做好准备：雪佛龙、纳斯达克、思科和 Flex 的首席执行官如何应对疫情](https://fortune.com./2021/06/08/ceos-chevron-nasdaq-flex-cisco-coronavirus-pandemic/ \\\"你必须做好准备：雪佛龙、纳斯达克、思科和 Flex 的首席执行官如何应对疫情\\\")\\n\\n2021年6月3日\\n\\n[更好地合作：人类与机器人的关系](https://www.roboticstomorrow.com/article/2021/05/better-together-the-human-and-robot-relationship/16914 \\\"更好地合作：人类与机器人的关系\\\")\\n\\n2021年5月28日\\n\\n[《财富》杂志 2021 年全球最受赞赏公司](https://investors.flex.com/news/news-details/2021/Flex-Recognized-as-One-of-Fortune-2021-Worlds-Most-Admired-Companies/default.aspx \\\"《财富》杂志 2021 年全球最受赞赏公司\\\")\\n\\n2021年5月26日\\n\\n[2021 年制造业领导力奖](https://investors.flex.com/news/news-details/2021/Flex-Wins-Multiple-2021-Manufacturing-Leadership-Awards/default.aspx \\\"2021 年制造业领导力奖\\\")\\n\\n2021年5月4日\\n\\n[明年有望实现正增长和强劲增长](https://www.livemint.com/companies/news/growth-could-be-positive-strong-through-next-year-revathi-advaithi-ceo-flex-11620043737070.html \\\"明年有望实现正增长和强劲增长\\\")\\n\\n2021年4月7日\\n\\n[2021 年标普全球可持续发展年鉴](https://www.spglobal.com/esg/csa/yearbook/ \\\"2021 年标普全球可持续发展年鉴\\\")\\n\\n2021年3月24日\\n\\n[2021 年催化剂奖的 10 个关键要点](https://www.catalyst.org/2021/03/24/10-key-takeaways-from-the-2021-catalyst-awards/ \\\"2021 年催化剂奖的 10 个关键要点\\\")\\n\\n2021年3月9日\\n\\n[对于首席财务官来说，扭转局面往往会带来更大的机遇](https://www.forbes.com/sites/jacksweeney/2021/03/09/for-cfos-turnaround-chapters-frequently-open-the-door-to-bigger-opportunities/?sh=733995d3db3d \\\"对于首席财务官来说，扭转局面往往会带来更大的机遇\\\")\\n\\n2021年2月15日\\n\\n[全球制造商通过新冠疫情审视工业 4.0](https://www.industryweek.com/technology-and-iiot/article/21154897/global-manufacturer-looks-at-industry-40-through-covid19-lenses \\\"全球制造商通过新冠疫情审视工业 4.0\\\")\\n\\n2021年2月8日\\n\\n[未来柔性制造给疫苗行业带来的教训](https://www.forbes.com/sites/michaelgale/2021/02/08/a-lesson-for-the-vaccine-industry-from-the-future-of-flexible-manufacturing/?sh=127ed0bc4466 \\\"未来柔性制造给疫苗行业带来的教训\\\")\\n\\n2021年12月\\n\\n[预计 2021 年将实现增长](https://www.todaysmedicaldevelopments.com/article/medical-device-market-expecting-growth-in-2021/ \\\"预计 2021 年将实现增长\\\")\\n\\n2021年10月10日\\n\\n[疫情推动企业投资员工](https://www.ft.com/content/98939b68-d246-40b2-be74-63e75683b3ec \\\"疫情推动企业投资员工\\\")\\n\\n2020年10月28日\\n\\n[Revathi Advaithi 加入 Catalyst 董事会](https://www.catalyst.org/media-release/new-board-directors-2020/ \\\"Revathi Advaithi 加入 Catalyst 董事会\\\")\\n\\n2020年10月19日\\n\\n[Revathi Advaithi 被《财富》杂志评为 2020 年最具影响力的女性之一](https://fortune.com/most-powerful-women/2020/revathi-advaithi/ \\\"Revathi Advaithi 被《财富》杂志评为 2020 年最具影响力的女性之一\\\")\\n\\n2020年10月12日\\n\\n[疫情考验 Flex 的供应链弹性](https://epsnews.com/2020/10/12/pandemic-tests-flexs-supply-chain-resilience/ \\\"疫情考验 Flex 的供应链弹性\\\")\\n\\n2020年7月2日\\n\\n[Uber 董事会再添一名董事：Flex 首席执行官 Revathi Advaithi](https://techcrunch.com/2020/07/02/uber-adds-another-independent-director-to-its-board-flex-ceo-revathi-advaithi/ \\\"Uber 董事会再添一名董事：Flex 首席执行官 Revathi Advaithi\\\")\\n\\n2020年6月22日\\n\\n[认识 Flex：您可能不熟悉的最重要的公司之一](https://www.forbes.com/sites/moorinsights/2020/06/22/meet-flex-one-of-the-most-crucial-companies-you-may-not-be-familiar-with/ \\\"认识 Flex：您可能不熟悉的最重要的公司之一\\\")\\n\\n## 保持联系\\n\\n[X 上的 Flex](https://x.com/flexintl \\\"X 上的 Flex\\\")[LinkedIn 上的 Flex](https://www.linkedin.com/company/flexintl/ \\\"LinkedIn 上的 Flex\\\")[Flex 在 Facebook 上](https://www.facebook.com/FlexCorporate/ \\\"Flex 在 Facebook 上\\\")[Instagram 上的 Flex](https://www.instagram.com/flexintl/ \\\"Instagram 上的 Flex\\\")[YouTube 上的 Flex](https://www.youtube.com/c/flexintl \\\"YouTube 上的 Flex\\\")\\n\\n[订阅](https://flex.com/zh/subscribe/ \\\"订阅\\\")\\n\\n[主页](https://flex.com/zh/ \\\"主页\\\")\\n\\n[供应商信息](https://flex.com/zh/supplier-information/ \\\"供应商信息\\\")\\n\\n[关于强迫劳动的声明](https://flex.com/zh/downloads/forced-labor-and-human-trafficking-statement/ \\\"关于强迫劳动的声明\\\")\\n\\n[隐私政策](https://flex.com/zh/privacy-policy/ \\\"隐私政策\\\")\\n\\n[所有政策](https://flex.com/zh/policies/ \\\"政策\\\")\\n\\n[商标](https://flex.com/zh/trademarks/ \\\"商标\\\")\\n\\n© 2026 FLEX LTD. Flextronics International, LTD. 保留所有权利。\\n\\n\\n**我们在本网站上使用 cookie 来增强您的用户体验。** 您可以详细了解我们对 cookie 的使用以及您的选择 [这里](https://flex.com/zh/company/policies/privacy-policy/)。通过与此页面交互，即表示您同意我们设置 cookie。 [解雇](https://flex.com/zh/newsroom/news#dismiss)\",\n \"metadata\": {\n \"description\": \"Flex 新闻报道\",\n \"ogLocale\": \"zh_CN\",\n \"viewport\": \"width=device-width, initial-scale=1.0\",\n \"robots\": \"follow, index, max-snippet:-1, max-video-preview:-1, max-image-preview:large\",\n \"og:image:secure_url\": \"https://flex.com/wp-content/uploads/2022/11/pulse-thumbnail.jpg\",\n \"twitter:description\": \"Flex 新闻报道\",\n \"generator\": \"Site Kit by Google 1.174.0\",\n \"ogTitle\": \"新闻 | Flex\",\n \"ogDescription\": \"Flex 新闻报道\",\n \"og:locale\": \"zh_CN\",\n \"twitter:site\": \"@flexintl\",\n \"twitter:data1\": \"Less than a minute\",\n \"og:url\": \"https://flex.com/zh/newsroom/news\",\n \"msapplication-TileImage\": \"https://flex.com/wp-content/uploads/2023/03/logo.svg\",\n \"modifiedTime\": \"2023-05-31T16:47:19-05:00\",\n \"og:type\": \"article\",\n \"og:image:height\": \"550\",\n \"ogUrl\": \"https://flex.com/zh/newsroom/news\",\n \"publishedTime\": \"2022-08-31T22:35:07-05:00\",\n \"og:site_name\": \"Flex\",\n \"title\": \"新闻 | Flex\",\n \"ogImage\": \"https://flex.com/wp-content/uploads/2022/11/pulse-thumbnail.jpg\",\n \"ogSiteName\": \"Flex\",\n \"article:publisher\": \"https://www.facebook.com/FlexCorporate/\",\n \"article:section\": \"公司的\",\n \"og:updated_time\": \"2023-05-31T16:47:19-05:00\",\n \"og:image:alt\": \"弯曲脉冲\",\n \"og:description\": \"Flex 新闻报道\",\n \"twitter:title\": \"新闻 | Flex\",\n \"twitter:label1\": \"Time to read\",\n \"og:image:type\": \"image/jpeg\",\n \"og:image:width\": \"979\",\n \"og:image\": \"https://flex.com/wp-content/uploads/2022/11/pulse-thumbnail.jpg\",\n \"twitter:creator\": \"@flexintl\",\n \"og:title\": \"新闻 | Flex\",\n \"article:published_time\": \"2022-08-31T22:35:07-05:00\",\n \"article:modified_time\": \"2023-05-31T16:47:19-05:00\",\n \"twitter:image\": \"https://flex.com/wp-content/uploads/2022/11/pulse-thumbnail.jpg\",\n \"twitter:card\": \"summary_large_image\",\n \"favicon\": \"https://flex.com/wp-content/themes/flex-main/images/icon.png\",\n \"scrapeId\": \"019edfeb-6458-772c-819f-8d6527b3eb10\",\n \"sourceURL\": \"https://flex.com/zh/newsroom/news\",\n \"url\": \"https://flex.com/zh/newsroom/news\",\n \"statusCode\": 200,\n \"contentType\": \"text/html; charset=UTF-8\",\n \"proxyUsed\": \"basic\",\n \"cacheState\": \"hit\",\n \"cachedAt\": \"2026-06-17T07:41:43.043Z\",\n \"creditsUsed\": 1\n }\n },\n {\n \"url\": \"https://cn.news.synopsys.com/releases?l=50\",\n \"title\": \"新思科技(Synopsys Inc.) - 新闻中心\",\n \"description\": \"英伟达、AMD、Arm和SiFive等行业领先企业纷纷部署新思科技的原型验证与仿真技术摘要：... 3月19日, 2025年 ... 6月19日, 2024年. 新思科技推出业界首款PCIe 7.0 IP解决 ...\",\n \"position\": 4,\n \"markdown\": \"Search Synopsys.com[联系销售](https://www.synopsys.com/zh-cn/contact-sales.html)\\n\\n[联系销售](https://www.synopsys.com/zh-cn/contact-sales.html)\\n\\n##### 搜索新思科技\\n\\nCancel\\n\\n##### 热门内容\\n\\n[\\\\\\\\\\n\\\\\\\\\\n**白皮书合集** **汇聚业界领先的技术洞察与应用实践，涵盖芯片设计、验证、IP、AI、汽车、Multi-Die等多个关键领域**](https://synopsys.snps.tech/mF/aggregateListPage/content/XrgCpKaZ2XzZKjkH7SoGuP/home?pushId=frnAQDe8w7GqFRWTTaBE931)\\n\\n[\\\\\\\\\\n\\\\\\\\\\n**芯课程合集** **新思科技基于微信平台推出的技术分享系列课程，覆盖全线产品组合，内容涵盖产品讲解、使用技巧及前沿解决方案介绍**](https://synopsys.snps.tech/mF/websiteEditorLandingPage/page/efb0e36bf7b246ada8614bfba29713da?pushId=ABcrqdNfw3Gg9nHBSSCr9F)\\n\\n关于我们\\n\\n- [为何选择我们？](https://www.synopsys.com/zh-cn/china/about-us.html)\\n- [求职机会](https://careers.synopsys.com/)\\n- [技术生态](https://www.synopsys.com/partners.html)\\n- [全球布局](https://www.synopsys.com/company/contact-synopsys/office-locations.html)\\n- [投资者关系](https://investor.synopsys.com/overview/default.aspx)\\n- [核心管理团队](https://www.synopsys.com/company/management-team.html)\\n- [可持续发展](https://www.synopsys.com/company/responsible-business.html)\\n\\n\\n\\n[新思科技完成收购Ansys\\\\\\\\\\n\\\\\\\\\\n更多详情](https://www.synopsys.com/synopsys-ansys-united.html)\\n\\n行业\\n\\n- [\\\\\\\\\\nAI芯片开发](https://www.synopsys.com/ai/ai-chip-development.html)\\n- [\\\\\\\\\\n汽车](https://www.synopsys.com/automotive.html)\\n- [\\\\\\\\\\n边缘AI](https://www.synopsys.com/designware-ip/ip-market-segments/edge-ai.html)\\n- [\\\\\\\\\\n高性能计算/数据中心](https://www.synopsys.com/hpc-data-center.html)\\n- [\\\\\\\\\\n移动终端](https://www.synopsys.com/5g.html)\\n\\n技术\\n\\n- [\\\\\\\\\\n人工智能](https://www.synopsys.com/ai.html)\\n- [\\\\\\\\\\n低功耗SoC](https://www.synopsys.com/energy-efficient.html)\\n- [\\\\\\\\\\n存储器设计](https://www.synopsys.com/memory.html)\\n- [\\\\\\\\\\nMulti-Die](https://www.synopsys.com/multi-die-system.html)\\n- [\\\\\\\\\\nRISC-V](https://www.synopsys.com/risc-v.html)\\n\\n\\n\\n[白皮书：释放创新潜力，从芯片到系统设计解决方案超全解析\\\\\\\\\\n\\\\\\\\\\n下载](https://synopsys.snps.tech/mF/aggregateListPage/content/XrgCpKaZ2XzZKjkH7SoGuP/home?pushId=frnAQDe8w7GqFRWTTaBE931)\\n\\n按功能分类\\n\\n- [模拟设计](https://www.synopsys.com/implementation-and-signoff/custom-design-platform.html)\\n- [数字设计](https://www.synopsys.com/implementation-and-signoff/fusion-design-platform.html)\\n- [可测性设计](https://www.synopsys.com/implementation-and-signoff/test-automation.html)\\n- [验证](https://www.synopsys.com/verification.html)\\n- [硬件辅助验证 (HAV)](https://www.synopsys.com/verification/emulation-prototyping.html)\\n- [签核](https://www.synopsys.com/implementation-and-signoff/signoff.html)\\n- [芯片生命周期管理 (SLM)](https://www.synopsys.com/solutions/silicon-lifecycle-management.html)\\n- [制造](https://www.synopsys.com/manufacturing.html)\\n- [半导体IP](https://www.synopsys.com/designware-ip.html)\\n\\n[查看所有产品](https://www.synopsys.com/products.html)\\n\\n[\\\\\\\\\\n\\\\\\\\\\n新思科技 AI 平台](https://www.synopsys.com/ai.html)\\n\\n- [AI 赋能的EDA工具链\\\\\\\\\\n设计、自动化、洞察](https://www.synopsys.com/ai/ai-powered-eda.html)\\n- [AI 驱动的优化\\\\\\\\\\n设计、验证、测试、模拟](https://www.synopsys.com/ai/ai-powered-eda.html)\\n- [AI 驱动的数据分析\\\\\\\\\\n设计、工艺控制、生产](https://www.synopsys.com/ai/ai-powered-eda.html)\\n- [生成式AI\\\\\\\\\\n全天候专家助手Copilot](https://www.synopsys.com/ai/generative-ai.html)\\n- [智能体 AI\\\\\\\\\\n多智能体工作流](https://www.synopsys.com/ai/agentic-ai.html)\\n\\n[\\\\\\\\\\n\\\\\\\\\\nEDA工具](https://www.synopsys.com/silicon-design.html)\\n\\n- [Fusion Compiler\\\\\\\\\\n综合与实现](https://www.synopsys.com/implementation-and-signoff/physical-implementation/fusion-compiler.html)\\n- [Custom Compiler\\\\\\\\\\n模拟与定制IC设计](https://www.synopsys.com/implementation-and-signoff/custom-design-platform/custom-compiler.html)\\n- [3DIC Compiler\\\\\\\\\\nMulti-Die设计](https://www.synopsys.com/implementation-and-signoff/3dic-design.html)\\n- [PrimeTime\\\\\\\\\\n设计签核](https://www.synopsys.com/implementation-and-signoff/signoff/primetime.html)\\n- [VCS\\\\\\\\\\n逻辑仿真](https://www.synopsys.com/verification/simulation/vcs.html)\\n- [TestMAX\\\\\\\\\\nIC测试](https://www.synopsys.com/implementation-and-signoff/test-automation.html)\\n- [ICV\\\\\\\\\\n物理验证](https://www.synopsys.com/implementation-and-signoff/physical-verification.html)\\n- [HFSS-IC\\\\\\\\\\n\\\\\\\\\\nIC电磁分析](https://www.ansys.com/zh-cn/products/electronics/ansys-hfss-ic)\\n\\n[\\\\\\\\\\n\\\\\\\\\\nSystem](https://www.synopsys.com/systems.html)\\n\\n- [平台架构工具Platform Architect\\\\\\\\\\nSoC架构探索](https://www.synopsys.com/verification/virtual-prototyping/platform-architect.html)\\n- [ZeBu仿真平台\\\\\\\\\\nIC仿真](https://www.synopsys.com/verification/emulation-prototyping/emulation.html)\\n- [HAPS原型验证平台\\\\\\\\\\nIC 原型验证](https://www.synopsys.com/verification/emulation-prototyping/prototyping.html)\\n- [Virtualizer 虚拟化工具\\\\\\\\\\n虚拟原型验证](https://www.synopsys.com/verification/virtual-prototyping/virtualizer.html)\\n- [Synplify\\\\\\\\\\n完整 FPGA 设计流程](https://www.synopsys.com/implementation-and-signoff/fpga-based-design/synplify.html)\\n- [多物理场分析\\\\\\\\\\n\\\\\\\\\\n3DIC封装分析](https://www.ansys.com/simulation-topics/what-is-multiphysics)\\n- [HFSS\\\\\\\\\\n\\\\\\\\\\n电磁分析](https://www.ansys.com/products/electronics/ansys-hfss)\\n- [Icepak\\\\\\\\\\n\\\\\\\\\\n热分析](https://www.ansys.com/products/electronics/ansys-icepak)\\n\\n[\\\\\\\\\\n\\\\\\\\\\nIP](https://www.synopsys.com/designware-ip.html)\\n\\n- [接口IP\\\\\\\\\\nPCIe、DDR、MIPI、USB 等...](https://www.synopsys.com/designware-ip/interface-ip.html)\\n- [基础IP\\\\\\\\\\n逻辑、存储器、IO...](https://www.synopsys.com/designware-ip/memories-logic-libraries.html)\\n- [安全 IP\\\\\\\\\\n信任根、加密技术...](https://www.synopsys.com/designware-ip/security-ip.html)\\n- [处理器 IP 与工具\\\\\\\\\\nCPU、DSP、NPU、ASIP...](https://www.synopsys.com/designware-ip/processor-solutions.html)\\n- [SoC 基础架构 IP\\\\\\\\\\nAMBA、基础模块、验证 IP](https://www.synopsys.com/designware-ip/soc-infrastructure-ip.html)\\n- [按市场分类的 IP\\\\\\\\\\nAI、汽车、5G](https://www.synopsys.com/designware-ip/ip-market-segments.html)\\n- [芯片生命周期管理 IP\\\\\\\\\\n芯片内监控 IP](https://www.synopsys.com/solutions/silicon-lifecycle-management/environmental-monitors/slm-pvt-monitor-ip.html)\\n- [验证 IP\\\\\\\\\\nAMBA、以太网、MIPI](https://www.synopsys.com/verification/verification-ip.html)\\n\\n[\\\\\\\\\\n\\\\\\\\\\nSolvNetPlus\\\\\\\\\\n\\\\\\\\\\nSolvNetPlus 是一个在线支持平台，用户可以即时访问产品文档、软件下载、培训课程以及自助服务资源。](https://solvnetplus.synopsys.com/)\\n\\n[\\\\\\\\\\n\\\\\\\\\\n培训中心\\\\\\\\\\n\\\\\\\\\\n新思科技提供由资深专家授课的培训课程，支持公开报名和企业定制，助力客户高效掌握关键技术。](https://training.synopsys.com/learn)\\n\\n学习\\n\\n- [中文博客](https://www.synopsys.com/zh-cn/blogs/chip-design.html)\\n- [新闻发布](https://www.synopsys.com/zh-cn/china/about-us/newsroom.html)\\n- [技术文章](https://www.synopsys.com/articles.html)\\n- [术语表](https://www.synopsys.com/zh-cn/glossary.html)\\n\\n- [成功案例](https://www.synopsys.com/success-stories.html)\\n- [微信线上培训课](https://synopsys.snps.tech/mF/websiteEditorLandingPage/page/efb0e36bf7b246ada8614bfba29713da?pushId=ABcrqdNfw3Gg9nHBSSCr9F)\\n- [中文白皮书](https://synopsys.snps.tech/mF/aggregateListPage/content/XrgCpKaZ2XzZKjkH7SoGuP/home?pushId=frnAQDe8w7GqFRWTTaBE931)\\n\\nSNUG\\n\\n- [硅谷SNUG](https://www.synopsys.com/community/snug/snug-silicon-valley.html)\\n- [中国SNUG](https://www.synopsys.com/community/snug/snug-china.html)\\n\\n# 新闻中心\\n\\n以下新思科技新闻稿按照时间顺序排列。请使用下方工具凭年份、分类和关键词搜索新闻稿。为了其他搜索选项，请使用高级搜索。\\n\\n六月 2026\\n\\n| 周日 | 周一 | 周二 | 周三 | 周四 | 周五 | 周六 |\\n| --- | --- | --- | --- | --- | --- | --- |\\n| 31 | 1 | 2 | 3 | 4 | 5 | 6 |\\n| 7 | 8 | 9 | 10 | 11 | 12 | 13 |\\n| 14 | 15 | 16 | 17 | 18 | 19 | 20 |\\n| 21 | 22 | 23 | 24 | 25 | 26 | 27 |\\n| 28 | 29 | 30 | 1 | 2 | 3 | 4 |\\n| 5 | 6 | 7 | 8 | 9 | 10 | 11 |\\n\\n取消 进入\\n\\n六月 2026\\n\\n| 周日 | 周一 | 周二 | 周三 | 周四 | 周五 | 周六 |\\n| --- | --- | --- | --- | --- | --- | --- |\\n| 31 | 1 | 2 | 3 | 4 | 5 | 6 |\\n| 7 | 8 | 9 | 10 | 11 | 12 | 13 |\\n| 14 | 15 | 16 | 17 | 18 | 19 | 20 |\\n| 21 | 22 | 23 | 24 | 25 | 26 | 27 |\\n| 28 | 29 | 30 | 1 | 2 | 3 | 4 |\\n| 5 | 6 | 7 | 8 | 9 | 10 | 11 |\\n\\n取消 进入\\n\\n[获取电邮提示](https://cn.news.synopsys.com/alerts?type=2)\\n\\nYear所有年份2026202520242023202220212020201920182017201620152014类别所有类别芯片设计验证IP核软件安全汽车AI云5G物联网并购新思Uncategorized关键字确认\\n\\n[高级搜索](https://cn.news.synopsys.com/releases?l=50#)\\n\\n查找\\n\\n仅搜索标题\\n\\n类别\\n\\n所有类别芯片设计验证IP核软件安全汽车AI云5G物联网并购新思Uncategorized\\n\\n从\\n\\n至\\n\\nAsset Types\\n\\nPhotosVideoAudioDocumentsEventsStandard\\n\\n[基本搜索](https://cn.news.synopsys.com/releases?l=50#)\\n\\n- 6月02日, 2026年\\n\\n\\n\\n[新思科技全栈设计解决方案助力 Arm 发布全新 Arm AGI CPU](https://cn.news.synopsys.com/2026-06-02-Arm-Arm-AGI-CPU)\\n\\n\\n\\n\\n\\n新思科技与 Arm 的合作进一步扩展到全新 Arm 数据中心 CPU，提供包括 EDA、IP 以及硬件辅助验证解决方案在内的全面支持。 摘要：...\\n\\n- 6月02日, 2026年\\n\\n\\n\\n[新思科技携手台积公司，以通过硅验证的 IP 与认证 EDA 流程赋能下一代 AI 系统](https://cn.news.synopsys.com/2026-06-02-,-IP-EDA-AI)\\n\\n\\n\\n\\n\\n由 AI 驱动的数字、模拟及验证流程，以及广泛的 IP 解决方案，为台积公司先进制程技术带来行业领先的设计结果质量 摘要： 在台积公司 N2P...\\n\\n- 5月28日, 2026年\\n\\n\\n\\n[新思科技推出面向台积公司N6C 和N4C 工艺的IP产品组合，助力新一代高速增长应用](https://cn.news.synopsys.com/2026-05-28-Synopsys-launches-IP-portfolio-for-TSMCs-N6C-and-N4C-processes-to-support-next-generation-high-growth-applications)\\n\\n\\n\\n\\n\\n助力快速增长的边缘AI与物理AI应用，实现可扩展且具成本效益的创新 2026年5月28日 —— 新思科技（Synopsys, Inc.）今日宣布，面向台积公司N6C...\\n\\n- 4月20日, 2026年\\n\\n\\n\\n[新思科技解决方案支持NASA“阿尔忒弥斯计划”，助力航天服分析与通信系统开发](https://cn.news.synopsys.com/2026-04-20-Ansys-HFSS)\\n\\n\\n\\n\\n\\n新思科技与Electro Magnetic Applications 公司（EMA）以及Bentley Systems旗下的Cesium合作，通过对组件、系统和月球环境进行虚拟建模的方式，来测试设备功能...\\n\\n- 3月25日, 2026年\\n\\n\\n\\n[新思科技重磅亮相GTC 2026大会 展示与英伟达合作成果及生态创新](https://cn.news.synopsys.com/releases?item=122844)\\n\\n\\n\\n千行百业的客户正借助由新思科技集成英伟达加速技术的工程解决方案，重塑产品设计并加速创新。\\n\\n\\n\\n\\n\\n摘要： 新思科技正与英伟达合作构建一个开放、安全、硬件加速的Agentic AI技术栈，覆盖从芯片到系统的全栈需求。...\\n\\n- 3月19日, 2026年\\n\\n\\n\\n[新思科技擘画“工程未来”愿景](https://cn.news.synopsys.com/03-19-2026)\\n\\n\\n\\n\\n\\n在新思科技Converge 2026 大会上发布全新设计、验证与仿真解决方案，重塑人工智能驱动的产品创新 摘要： 推出新思科技Multiphysics-Fusion™...\\n\\n- 3月19日, 2026年\\n\\n\\n\\n[新思科技推出软件定义硬件辅助验证解决方案，推动 AI 规模化普及](https://cn.news.synopsys.com/03-19-2026-,-AI)\\n\\n\\n\\n\\n\\n全新产品带来领先的性能、容量以及业内首创的硬件辅助测试自动化，赋能从数据中心到边缘的 AI 芯片创新 摘要： 采用创新的软件定义方法使 ZeBu...\\n\\n- 3月19日, 2026年\\n\\n\\n\\n[新思科技推出电子数字孪生平台，加速物理人工智能系统开发](https://cn.news.synopsys.com/03-19-2026-,)\\n\\n\\n\\n\\n\\n开放平台支持与全面技术生态系统及云部署的无缝集成，提升工程协作效率，加速智能系统上市 摘要：...\\n\\n- 3月13日, 2026年\\n\\n\\n\\n[新思科技推出Ansys 2026 R1版本，通过联合解决方案和AI驱动型产品重塑工程领域](https://cn.news.synopsys.com/2026-03-13)\\n\\n\\n\\n\\n\\n此次发布的新版本将AI、多物理场仿真和真实世界数字孪生技术相结合，彻底改变团队设计探索、早期验证以及构建更智能、更具韧性的系统的方式...\\n\\n- 3月12日, 2026年\\n\\n\\n\\n[Innatera采用新思科技仿真解决方案 扩展面向边缘设备的类脑处理器](https://cn.news.synopsys.com/2026-03-12-Innatera)\\n\\n\\n\\n\\n\\nInnatera采用新思科技的仿真技术，助力设计支持可穿戴设备、智能家居设备和工业数字孪生传感器的低功耗 AI 神经形态芯片 摘要： 新思科技助力...\\n\\n- 1月23日, 2026年\\n\\n\\n\\n[新思科技即将亮相 2026 CES 展示汽车工程未来](https://cn.news.synopsys.com/releases?item=122838)\\n\\n\\n\\n\\n\\n加利福尼亚州桑尼维尔，2025年12月11日——新思科技（Synopsys,...\\n\\n- 1月23日, 2026年\\n\\n\\n\\n[新思科技任命 Mike Ellow 为首席营收官](https://cn.news.synopsys.com/releases?item=122837)\\n\\n\\n\\n\\n\\n加利福尼亚州桑尼维尔，2025年12月11日 ——新思科技（Synopsys, Inc.，纳斯达克代码：SNPS）今日宣布，Mike Ellow 于 11 月 20...\\n\\n- 1月23日, 2026年\\n\\n\\n\\n[新思科技全新 Converge 大会将于 3 月 11-12 日举行，赋能智能系统创新](https://cn.news.synopsys.com/releases?item=122836)\\n\\n\\n\\n新思科技首次将SNUG全球用户大会、全球仿真大会与高管论坛同期举办，打造一场融合领导力洞察、技术深度研讨及先进仿真的高规格技术盛宴\\n\\n\\n\\n\\n\\n美国加利福尼亚州森尼韦尔，2026 年 1 月 20 日 —— 新思科技（纳斯达克代码：SNPS）近日宣布将于 3 月 11 - 12...\\n\\n- 1月23日, 2026年\\n\\n\\n\\n[新思科技与格罗方德签署最终协议，出售处理器IP解决方案业务](https://cn.news.synopsys.com/releases?item=122835)\\n\\n\\n\\n\\n\\n摘要： 新思科技进一步将IP资源和技术路线图聚焦于拓展其在接口和基础IP领域的领导地位，同时积极开拓从云到边缘的最高价值、AI驱动的机遇。...\\n\\n- 1月23日, 2026年\\n\\n\\n\\n[新思科技总裁兼首席执行官盖思新（Sassine Ghazi）2026年致辞：人工智能时代重塑工程创新](https://cn.news.synopsys.com/releases?item=122834)\\n\\n\\n\\n\\n\\n致所有的股东、客户、合作伙伴及同事们：...\\n\\n- 1月16日, 2026年\\n\\n\\n\\n[新思科技亮相CES 2026，赋能AI驱动与软件定义汽车工程新时代](https://cn.news.synopsys.com/releases?item=122833)\\n\\n\\n\\n\\n\\n新思科技解决方案加速从芯片到系统的创新，助力超过 90%...\\n\\n- [](https://cn.news.synopsys.com/2025-12-18-NVDA)\\n\\n\\n\\n12月18日, 2025年\\n\\n\\n\\n[英伟达与新思科技宣布战略合作，携手重塑工程设计未来](https://cn.news.synopsys.com/2025-12-18-NVDA)\\n\\n\\n\\n• 长期战略合作范围包括英伟达CUDA 加速计算、智能体与物理 AI，以及 Omniverse 数字孪生技术，实现传统 CPU 计算难以企及的仿真速度与规模，开拓工程领域全新市场机遇。\\n\\n\\n\\n\\n\\n美国加州森尼韦尔，2025年12月1日 /美通社/ ——...\\n\\n- 12月02日, 2025年\\n\\n\\n\\n[新思科技即将亮相CES 2026，从芯片到系统全新定义智能汽车创新](https://cn.news.synopsys.com/2025-12-02-CES-2026,)\\n\\n\\n\\n\\n\\n新思科技近期携手全球汽车生态系统的领导者举办了一系列技术创新活动，探讨推动人工智能驱动的软件定义汽车（SDV）发展的趋势、技术及工程能\\n\\n- 12月02日, 2025年\\n\\n\\n\\n[新思科技亮相微软Ignite大会，展示数字孪生赋能的制造流程优化框架](https://cn.news.synopsys.com/2025-12-02-Ignite-,)\\n\\n\\n\\n\\n\\n该框架集成了英伟达Omniverse 库、英伟达 CUDA-X 库、微软Azure...\\n\\n- [](https://cn.news.synopsys.com/2025-11-18-GTC-Agentic-AI-AI)\\n\\n\\n\\n11月18日, 2025年\\n\\n\\n\\n[新思科技于英伟达GTC大会上重点展示Agentic AI、加速计算和AI物理技术](https://cn.news.synopsys.com/2025-11-18-GTC-Agentic-AI-AI)\\n\\n\\n\\n\\n\\n加利福尼亚州桑尼维尔，2025年10月28日——新思科技（纳斯达克代码：SNPS）出席了10月27日至29日举办的英伟达GTC大会，展示了从芯片到系统工程解决\\n\\n\\n\\n\\n\\n - [Photos4](https://cn.news.synopsys.com/2025-11-18-GTC-Agentic-AI-AI#assets_20295_122829-117)\\n\\n- 10月11日, 2025年\\n\\n\\n\\n[新思科技获最终监管批准，将完成对光学解决方案部门和Ansys PowerArtist 的计划剥离](https://cn.news.synopsys.com/releases?item=122828)\\n\\n\\n\\n\\n\\n加利福尼亚州桑尼维尔，2025年10月10日——新思科技（Synopsys,...\\n\\n- 9月11日, 2025年\\n\\n\\n\\n[新思科技领先EDA解决方案宣布拓展AI功能](https://cn.news.synopsys.com/2025-09-11-EDA)\\n\\n\\n\\n\\n\\nGenAI功能可将工作流程耗时从几天缩短至数小时，从数小时缩短至数分钟...\\n\\n- 7月17日, 2025年\\n\\n\\n\\n[新思科技完成对Ansys的收购](https://cn.news.synopsys.com/2025-07-17-Ansys)\\n\\n\\n\\n\\n\\n打造从芯片到系统工程解决方案领导者 摘要: 整合芯片设计、IP核、仿真与分析领域的领先优势，助力开发者加快创新AI赋能产品...\\n\\n- 7月15日, 2025年\\n\\n\\n\\n[新思科技赋能三星先进工艺，加速AI和Multi-Die设计创新](https://cn.news.synopsys.com/2025-07-15-,-AI-Multi-Die)\\n\\n\\n\\n\\n\\n双方深化合作，基于三星先进技术成功实现HBM客户设计流片，完成EDA流程认证，并推出实现PPA优化的IP 解决方案 摘要...\\n\\n- 7月15日, 2025年\\n\\n\\n\\n[新思科技收购Ansys交易已获全部所需批准](https://cn.news.synopsys.com/2025-07-14-Ansys)\\n\\n\\n\\n\\n\\n新思科技（Synopsys, Inc.，纳斯达克股票代码：SNPS）宣布，其拟议收购Ansys（ANSYS,...\\n\\n- 7月07日, 2025年\\n\\n\\n\\n[新思科技和 Ansys 就收购完成的预计时间发布更新](https://cn.news.synopsys.com/Ansys-2025-06-30)\\n\\n\\n\\n\\n\\n加利福尼亚州桑尼维尔和宾西法尼亚州匹兹堡，2025年6月30日 ——新思科技（Synopsys, Inc.，纳斯达克股票代码：SNPS）与Ansys（ANSYS,...\\n\\n- 7月01日, 2025年\\n\\n\\n\\n[新思科技PCIe 6.x与博通PEX90000系列交换机于PCI-SIG DevCon 2025实现互操作性里程碑](https://cn.news.synopsys.com/2025-07-01-PCIe-6-x-PEX90000-PCI-SIG-DevCon-2025)\\n\\n\\n\\n\\n\\n基于成熟PCIe 6.x技术的64 GT/s演示可降低设计风险并加速高性能人工智能和计算解决方案的落地部署...\\n\\n- 6月17日, 2025年\\n\\n\\n\\n[新思科技与台积公司面向A16和N2P工艺推出已认证的EDA流程，携手开启埃米级设计时代](https://cn.news.synopsys.com/2025-06-17-A16-N2P-EDA-,)\\n\\n\\n\\n\\n\\nAI驱动的数字/模拟流程、多芯片集成创新以及广泛的IP产品组合可提供业界领先的性能、功耗和面积（PPA）优势 摘要:...\\n\\n- 6月17日, 2025年\\n\\n\\n\\n[新思科技携手英特尔共同推动基于18A和18A-P工艺的埃米级芯片设计](https://cn.news.synopsys.com/2025-06-17-18A-18A-P)\\n\\n\\n\\n\\n\\n新思科技 完整的 EDA流程和广泛的IP产品组合 助英特尔的先进工艺和封装技术实现最佳PPA 摘要：...\\n\\n- 3月19日, 2025年\\n\\n\\n\\n[新思科技全新升级业界领先的硬件辅助验证产品组合，助力下一代半导体与设计创新](https://cn.news.synopsys.com/2025-03-19-HAV)\\n\\n\\n\\n\\n\\n英伟达、AMD、Arm和SiFive等行业领先企业纷纷部署新思科技的原型验证与仿真技术 摘要：...\\n\\n- 3月19日, 2025年\\n\\n\\n\\n[新思科技携手英伟达加速芯片设计，提升芯片电子设计自动化效率](https://cn.news.synopsys.com/2025-03-19-GTC-PR)\\n\\n\\n\\n\\n\\n宣布在英伟达 Grace Blackwell平台上实现高达30倍的预期性能提升，加速下一代半导体的电路仿真 摘要：...\\n\\n- 3月12日, 2025年\\n\\n\\n\\n[新思科技推出基于Arm服务器原生运行的Virtualizer虚拟仿真技术，加速软件定义产品开发](https://cn.news.synopsys.com/2025-03-12-Arm-Virtualizer)\\n\\n\\n\\n端到端虚拟原型开发工作流可加速汽车、HPC和物联网系统的软件开发和上市速度\\n\\n\\n\\n\\n\\n摘要： 通过在Arm服务器上原生执行软件工作负载，实现Virtualizer性能加速...\\n\\n- 3月12日, 2025年\\n\\n\\n\\n[新思科技与Vector宣布达成战略合作，携手赋能软件定义汽车的开发](https://cn.news.synopsys.com/2025-03-12-Vector)\\n\\n\\n\\n新思科技电子数字孪生功能与Vector软件工厂集成，共同推动应用左移软件开发范式\\n\\n\\n\\n\\n\\n摘要： 全新自动化云就绪解决方案，助力合作伙伴大幅加快软件开发和验证的速度 两家公司携手提升电子数字孪生的重要组成部分——开源库SIL...\\n\\n- 12月11日, 2024年\\n\\n\\n\\n[新思科技推出业界首款连接大规模AI加速器集群的超以太网和UALink IP 解决方案](https://cn.news.synopsys.com/2024-12-11-AI-UALink-IP)\\n\\n\\n\\n\\n\\n摘要： 新思科技超以太网IP解决方案将提供高达1.6 Tbps的带宽，可连接多达一百万个端点。 新思科技UALink IP解决方案将提供每通道高达200...\\n\\n- 10月08日, 2024年\\n\\n\\n\\n[新思科技携手台积公司助力万亿晶体管时代的人工智能和多芯片系统设计](https://cn.news.synopsys.com/2024-08-10)\\n\\n\\n\\n经过优化的 EDA 和 IP 全面解决方案为台积公司 N2 和 A16 工艺带来强化的计算性能、功耗和工程生产力\\n\\n\\n\\n\\n\\n摘要： 由Synopsys.ai赋能、可投入生产的人工智能驱动EDA流程面向N2工艺可实现全球领先的结果质量，并加速科技行业领导者的设计节点迁移...\\n\\n- 9月10日, 2024年\\n\\n\\n\\n[新思科技发布全球领先的40G UCIe IP，助力多芯片系统设计全面提速](https://cn.news.synopsys.com/40G-UCIe-IP,)\\n\\n\\n\\n新思科技40G UCIe IP 全面解决方案为高性能人工智能数据中心芯片中的芯片到芯片连接提供全球领先的带宽\\n\\n\\n\\n\\n\\n摘要 业界首个完整的 40G UCIe IP 全面解决方案，包括控制器、物理层和验证 IP，可实现异构和同构芯片之间的快速连接 新思科技40G UCIe PHY IP...\\n\\n- 7月09日, 2024年\\n\\n\\n\\n[新思科技面向英特尔代工推出可量产的多裸晶芯片设计参考流程，加速芯片创新](https://cn.news.synopsys.com/releases?item=122811)\\n\\n\\n\\n3DIC Compiler协同设计与分析解决方案结合新思科技IP，加速英特尔代工EMIB技术的异构集成\\n\\n\\n\\n\\n\\n摘要： 新思科技人工智能（AI）驱动型多裸晶芯片（Multi-die）设计参考流程已扩展至英特尔代工（Intel...\\n\\n- 6月19日, 2024年\\n\\n\\n\\n[新思科技推出业界首款PCIe 7.0 IP解决方案，加速HPC和AI等万亿参数领域的芯片设计](https://cn.news.synopsys.com/2024-06-19-PCIe-7-0-IP)\\n\\n\\n\\n新思科技PCIe 7.0 IP可满足超大规模AI数据中心设备未来的带宽需求\\n\\n\\n\\n\\n\\n摘要： 业界唯一完整PCIe 7.0 IP，包含控制器、IDE安全模块、PHY和验证IP，可实现高达512 GB/s的数据传输速度； 预先验证的PCIe 7.0控制器和PHY...\\n\\n- [](https://cn.news.synopsys.com/2024-05-29)\\n\\n\\n\\n5月29日, 2024年\\n\\n\\n\\n[新思科技面向台积公司先进工艺加速下一代芯片创新](https://cn.news.synopsys.com/2024-05-29)\\n\\n\\n\\n新思科技携手台积公司共同开发人工智能驱动的芯片设计流程以优化并提高生产力，推动光子集成电路领域的发展，并针对台积公司的2纳米工艺开发广泛的IP组合\\n\\n\\n\\n\\n\\n摘要： 由Synopsys.ai™ EDA套件赋能可投产的数字和模拟设计流程能够针对台积公司N3/N3P和N2工艺，助力实现芯片设计成功，并加速模拟设计迁移。...\\n\\n\\n\\n\\n\\n - [Photos2](https://cn.news.synopsys.com/2024-05-29#assets_20295_122809-117)\\n\\n- [](https://cn.news.synopsys.com/2024-04-01-Synopsys-Intrinsic-ID)\\n\\n\\n\\n4月01日, 2024年\\n\\n\\n\\n[新思科技收购Intrinsic ID，持续拓展全球领先的半导体IP产品组合](https://cn.news.synopsys.com/2024-04-01-Synopsys-Intrinsic-ID)\\n\\n\\n\\n\\n\\n加利福尼亚州桑尼维尔，2024年3月29日 – 新思科技（Synopsys, Inc.，纳斯达克股票代码：SNPS）近日宣布完成对Intrinsic...\\n\\n\\n\\n\\n\\n - [Photos1](https://cn.news.synopsys.com/2024-04-01-Synopsys-Intrinsic-ID#assets_20295_122808-117)\\n\\n- 3月25日, 2024年\\n\\n\\n\\n[SNUG 2024：新思科技发布全新AI驱动型EDA、IP和系统设计解决方案](https://cn.news.synopsys.com/2024-03-25-PR-2-SNUG-2024-AI-EDA-IP)\\n\\n\\n\\n新思科技全球总裁兼首席执行官Sassine Ghazi深入分享万物智能时代的全新机遇\\n\\n\\n\\n\\n\\n摘要： 展示Synopsys.ai 在合作伙伴中的强劲应用势头，包括DSO.ai和VSO.ai等工具对PPA、周转时间等方面的显著优化；...\\n\\n- [](https://cn.news.synopsys.com/2024-03-25-PR-1-AI-Omniverse-EDA)\\n\\n\\n\\n3月25日, 2024年\\n\\n\\n\\n[新思科技携手英伟达：基于加速计算、生成式AI和Omniverse释放下一代EDA潜能](https://cn.news.synopsys.com/2024-03-25-PR-1-AI-Omniverse-EDA)\\n\\n\\n\\n将双方数十年的合作深入扩展到新思科技EDA全套技术栈\\n\\n\\n\\n\\n\\n摘要： 新思科技携手英伟达，将其领先的AI驱动型电子设计自动化（EDA）全套技术栈部署于英伟达GH200 Grace...\\n\\n- 3月18日, 2024年\\n\\n\\n\\n[新思科技推出业界首个1.6T以太网IP整体解决方案，满足AI和超大规模数据中心芯片的高带宽需求](https://cn.news.synopsys.com/2024-03-18)\\n\\n\\n\\n该解决方案采用全新 1.6T 以太网控制器 IP、经过硅验证的224G PHY IP和验证IP，助力未来基础设施的升级建设\\n\\n\\n\\n\\n\\n摘要： 新思科技1.6T以太网IP整体解决方案现已上市并被多家客户采用，与现有实现方案相比，其互连功耗最多可降低50%；...\\n\\n- 3月04日, 2024年\\n\\n\\n\\n[新思科技与英特尔深化合作，以新思科技IP和经Intel 18A工艺认证的EDA流程加速先进芯片设计](https://cn.news.synopsys.com/2024-03-04-Synopsys-and-Intel-deepen-cooperation-to-accelerate-advanced-chip-design-using-Synopsys-IP-and-Intel-18A-process-certified-EDA-process)\\n\\n\\n\\n芯片制造商与EDA解决方案和广泛的IP组合紧密合作，能够提升产品性能并加快上市时间\\n\\n\\n\\n\\n\\n摘要： 新思科技数字和模拟 EDA 流程经过认证和优化，针对Intel 18A工艺实现功耗、性能和面积目标 新思科技广泛的高质量 IP...\\n\\n- [](https://cn.news.synopsys.com/2024-1-19-Ansys,)\\n\\n\\n\\n1月19日, 2024年\\n\\n\\n\\n[新思科技计划收购Ansys，进一步强化从芯片到系统设计全球领导地位](https://cn.news.synopsys.com/2024-1-19-Ansys,)\\n\\n\\n\\n\\n\\n加利福尼亚州桑尼维尔和宾夕法尼亚州匹兹堡，2024年1月16日——新思科技（纳斯达克股票代码：SNPS）和Ansys（纳斯达克股票代码：ANSS）今日宣布，双...\\n\\n\\n\\n\\n\\n - [Photos1](https://cn.news.synopsys.com/2024-1-19-Ansys,#assets_20295_122803-117)\\n\\n- 12月05日, 2023年\\n\\n\\n\\n[新思科技携手三星提升SF2工艺上新兴领域SoC的PPA](https://cn.news.synopsys.com/2023-12-05-SF2-SoC-PPA)\\n\\n\\n\\n由Synopsys.ai EDA解决方案加持的优化数字和定制设计流程加速了针对三星先进节点设计的开发\\n\\n\\n\\n\\n\\n为应对高性能计算、AI、移动和汽车应用市场的高速增长，新思科技（Synopsys,...\\n\\n- 12月05日, 2023年\\n\\n\\n\\n[新思科技携手Ansys面向三星工艺提供全新参考流程，助力射频 IC设计加速腾飞](https://cn.news.synopsys.com/2023-12-05-Ansys-,-IC)\\n\\n\\n\\n针对三星14LPU技术的全新参考流程将领先的电磁仿真与现代实现环境相结合，以达到更高的预测精度和生产率\\n\\n\\n\\n\\n\\n新思科技携手Ansys针对三星晶圆代工14LPU工艺开发全新射频集成电路设计参考流程...\\n\\n- 12月05日, 2023年\\n\\n\\n\\n[新思科技和三星深化合作，加速先进工艺下多裸晶芯片系统设计](https://cn.news.synopsys.com/2023-12-05-Synopsys-and-Samsung-deepen-cooperation-to-accelerate-multi-die-chip-system-design-using-advanced-processes)\\n\\n\\n\\n新思科技IP和经认证的EDA设计参考流程助力加速SF5/4/3节点异构集成\\n\\n\\n\\n\\n\\n新思科技经认证的多裸晶芯片系统设计参考流程和安全的Die-to-Die IP解决方案，加速了三星SF 5/4/3工艺和I-Cube及X-Cube技术的设计和流片成功。...\\n\\n- 11月14日, 2023年\\n\\n\\n\\n[新思科技于2023台积公司OIP生态系统论坛上荣获多项年度合作伙伴大奖](https://cn.news.synopsys.com/2023-11-14-2023-OIP)\\n\\n\\n\\n多个奖项高度认可新思科技在推动先进工艺硅片成功和技术创新领导方面所做出的卓越贡献\\n\\n\\n\\n\\n\\n摘要： 新思科技全新数字与模拟设计流程认证针对台积公司N2和N3P工艺可提供经验证的功耗、性能和面积（PPA）结果。...\\n\\n- 11月14日, 2023年\\n\\n\\n\\n[新思科技重磅发布全新RISC-V处理器系列，进一步扩大ARC处理器IP组合](https://cn.news.synopsys.com/2020-11-14-RISC-V-,-ARC-IP)\\n\\n\\n\\n面向汽车嵌入式软件、存储和物联网应用的新一代ARC-V处理器\\n\\n\\n\\n\\n\\n摘要： 新思科技全新32位和64位ARC-V处理器IP建立在其数十年的处理器开发经验之上，为开发者提供更广泛的RISC-V IP选择空间；...\\n\\n\\n每页显示\\n\\n50\\n\\n- [print](https://cn.news.synopsys.com/releases?l=50#print \\\"print\\\")\\n- [email](https://cn.news.synopsys.com/releases?l=50#email \\\"email\\\")\\n- [rss](https://cn.news.synopsys.com/rss?rsspage=20295 \\\"rss\\\")\\n\\n[订阅 ](https://cn.news.synopsys.com/rss)\\n\\n[获取电邮提示](https://cn.news.synopsys.com/alerts)\\n\\n- [Twitter](https://twitter.com/synopsys \\\"Twitter\\\")\\n- [Linkedin](https://www.linkedin.com/company/synopsys \\\"Linkedin\\\")\\n- [Facebook](https://www.facebook.com/Synopsys/ \\\"Facebook\\\")\\n- [Youtube](https://www.youtube.com/user/synopsys \\\"Youtube\\\")\\n\\n新闻资料\\n\\n[PR 联系人](https://www.synopsys.com/newsroom/press-contacts.html)\\n\\n[公司简介](https://www.synopsys.com/content/dam/synopsys/company/company-pdfs/corporate-backgrounder.pdf)\\n\\n[发言人简历与照片](https://www.synopsys.com/company/management-team/leadersandspokepersons.html)\\n\\n[Synopsys 商标](https://www.synopsys.com/company/legal/logos-usage.html)\\n\\n[下载新闻资料](https://www.synopsys.com/content/dam/synopsys/company/press-kit.zip)\\n\\n关于我们\\n\\n[我们是谁 & 我们做什么](https://www.synopsys.com/zh-cn/china/about-us.html)\\n\\n[管理团队](https://www.synopsys.com/company/management-team.html)\\n\\n[董事会](https://www.synopsys.com/company/corporate-governance-ethics/board-of-directors.html)\\n\\n发表作品\\n\\n[文章](https://www.synopsys.com/zh-cn/china/resources/industry-articles.html)\\n\\n[博客](https://blogs.synopsys.com/smart-everything-cn/)\\n\\n[新闻通讯](https://www.synopsys.com/company/resources/newsletters.html)\\n\\n##### 更多资源\\n\\n[近期活动](https://www.synopsys.com/zh-cn/china/events.html)\\n[SNUG 主题演讲](https://www.synopsys.com/community/resources/videos/snug-keynotes.html)\\n[投资者关系](https://investor.synopsys.com/overview/default.aspx)\\n[社区参与](https://www.synopsys.com/company/corporate-social-responsibility.html)\\n[管理 & 价值观](https://www.synopsys.com/company/corporate-governance-ethics.html)\\n\\n[5](https://cn.news.synopsys.com/releases?l=5) [10](https://cn.news.synopsys.com/releases?l=10) [25](https://cn.news.synopsys.com/releases?l=25) [50](https://cn.news.synopsys.com/releases?l=50) [100](https://cn.news.synopsys.com/releases?l=100)\",\n \"metadata\": {\n \"keywords\": \"新思科技, Synopsys, EDA,电子自动化设计,IP核,半导体IP, 芯片设计,芯片验证, 软件安全，数字芯片，集成电路，IC产业新闻，EDA新闻\",\n \"title\": \"新思科技(Synopsys Inc.) - 新闻中心\",\n \"language\": \"zh-CN\",\n \"caption\": [\n \"ufs-blog-blue-image-thumbnail.jpg\",\n \"Synopsys Core Curriculum Thumbnail (芯课程)\",\n \"Synopsys Unleash Innovation Potential Thumbnail (释放心创新潜力)\"\n ],\n \"ogUrl\": \"https://cn.news.synopsys.com/releases?l=50\",\n \"description\": \"新思科技(Synopsys Inc.)是业界排名第一的电子自动化设计(EDA) 解决方案提供商，排名第一的芯片接口IP供应商，同时也是信息安全和软件质量的行业领导者。\",\n \"viewport\": \"width=device-width, initial-scale=1.0\",\n \"twitter:card\": \"summary\",\n \"og:url\": \"https://cn.news.synopsys.com/releases?l=50\",\n \"favicon\": \"https://www.synopsys.com/etc/designs/synopsys/favicon.ico\",\n \"scrapeId\": \"019edfeb-6458-772c-819f-925cc6dc1963\",\n \"sourceURL\": \"https://cn.news.synopsys.com/releases?l=50\",\n \"url\": \"https://cn.news.synopsys.com/releases?l=50\",\n \"statusCode\": 200,\n \"contentType\": \"text/html; charset=UTF-8\",\n \"proxyUsed\": \"basic\",\n \"cacheState\": \"hit\",\n \"cachedAt\": \"2026-06-17T07:41:43.635Z\",\n \"creditsUsed\": 1\n }\n },\n {\n \"url\": \"https://www.huawei.com/cn/news/2025/6/mwcsh-wbba-ubb-network\",\n \"title\": \"华为汪涛：AI全面重构超宽带网络，激发商业新增长 - Huawei\",\n \"description\": \"[中国，上海，2025年6月19日] 在2025 MWC 上海期间，全球云网宽带产业协会WBBA举办了上海BDC峰会。在峰会上，华为常务董事汪涛发表了“AI全面重构超 ...\",\n \"position\": 5,\n \"markdown\": \"[集团网站](https://www.huawei.com/cn/news/2025/6/mwcsh-wbba-ubb-network#) [选择区域/语言](https://www.huawei.com/cn/news/2025/6/mwcsh-wbba-ubb-network#)\\n\\n返回主菜单\\n\\n集团网站\\n\\n[ 企业业务网站](https://e.huawei.com/cn/)[ 运营商业务网站](https://carrier.huawei.com/cn/)[ 消费者业务网站](https://consumer.huawei.com/cn)[ 华为云业务网站](https://www.huaweicloud.com/)[ 数字能源业务网站](https://digitalpower.huawei.com/cn)\\n\\n返回主菜单\\n\\n### 选择区域/语言\\n\\n- Australia \\\\- [English](https://www.huawei.com/au/)\\n- Brazil \\\\- [Português](https://www.huawei.com/br/)\\n- China \\\\- [简体中文](https://www.huawei.com/cn/)\\n- Europe \\\\- [English](https://www.huawei.com/eu/)\\n- France \\\\- [Français](https://www.huawei.com/fr/)\\n- Germany \\\\- [Deutsch](https://www.huawei.com/de/)\\n- Ireland \\\\- [English](https://www.huawei.com/ie/)\\n- Italy \\\\- [Italiano](https://www.huawei.com/it/)\\n- Japan \\\\- [日本語](https://www.huawei.com/jp/)\\n- Kazakhstan \\\\- [Қазақ тілі](https://www.huawei.com/kz/)\\n- Kazakhstan \\\\- [Pусский](https://www.huawei.com/kz-ru/)\\n- Kenya \\\\- [English](https://www.huawei.com/ke/)\\n- Korea \\\\- [한국어](https://www.huawei.com/kr/)\\n- Malaysia \\\\- [English](https://www.huawei.com/my/)\\n- Mexico \\\\- [Español](https://www.huawei.com/mx/)\\n- Mongolia \\\\- [Mонгол](https://www.huawei.com/mn/)\\n- New Zealand \\\\- [English](https://www.huawei.com/nz/)\\n- Netherlands \\\\- [Nederlands](https://www.huawei.com/nl/)\\n- Poland \\\\- [Polski](https://www.huawei.com/pl/)\\n- Romania \\\\- [Română](https://www.huawei.com/ro/)\\n- Singapore \\\\- [English](https://www.huawei.com/sg/)\\n- South Africa \\\\- [English](https://www.huawei.com/za/)\\n- Spain \\\\- [Español](https://www.huawei.com/es/)\\n- Switzerland \\\\- [Deutsch](https://www.huawei.com/ch/)\\n- Switzerland \\\\- [Français](https://www.huawei.com/ch-fr/)\\n- Switzerland \\\\- [Italiano](https://www.huawei.com/ch-it/)\\n- Switzerland \\\\- [English](https://www.huawei.com/ch-en/)\\n- Tanzania \\\\- [English](https://www.huawei.com/tz/)\\n- Thailand \\\\- [ภาษาไทย](https://www.huawei.com/th/)\\n- Turkiye \\\\- [Türkçe](https://www.huawei.com/tr/)\\n- Ukraine \\\\- [Українська](https://www.huawei.com/ua/)\\n- United Kingdom \\\\- [English](https://www.huawei.com/uk/)\\n- Uzbekistan \\\\- [Pусский](https://www.huawei.com/uz/)\\n- Uzbekistan \\\\- [O’zbek](https://www.huawei.com/uz-uz/)\\n- Vietnam \\\\- [Tiếng Việt](https://www.huawei.com/vn/)\\n- Global \\\\- [English](https://www.huawei.com/en/)\\n\\n搜索历史 清空\\n\\n热门链接\\n\\n\\n- [消费者产品保修查询](https://consumer.huawei.com/cn/support/warranty-query/)\\n- [HiSuite华为手机助手](https://consumer.huawei.com/cn/support/hisuite/)\\n- [穿戴](https://consumer.huawei.com/cn/wearables/)\\n- [华为电脑管家](https://consumer.huawei.com/cn/support/pc-manager/)\\n- [ensp](https://info.support.huawei.com/info-finder/encyclopedia/zh/eNSP+Pro.html)\\n- [打印机](https://consumer.huawei.com/cn/printers/)\\n- [驱动程序下载](https://consumer.huawei.com/cn/support/driver-list/)\\n- [华为视频](https://consumer.huawei.com/cn/mobileservices/video/)\\n\\n新闻与活动\\n\\n- [新闻](https://www.huawei.com/cn/news)\\n\\n- [展会活动](https://www.huawei.com/cn/events)\\n\\n- [多媒体](https://www.huawei.com/cn/gallery)\\n\\n- [展会活动](https://www.huawei.com/cn/events)\\n\\n- [多媒体](https://www.huawei.com/cn/gallery)\\n\\n# 华为汪涛：AI全面重构超宽带网络，激发商业新增长\\n\\n2025年06月19日\\n\\n- [Weibo](https://www.huawei.com/cn/news/2025/6/mwcsh-wbba-ubb-network# \\\"Weibo\\\")\\n- [× **微信扫一扫: 分享** \\\\\\\\\\n\\\\\\\\\\n\\\\\\\\\\n\\\\\\\\\\n微信里点“发现”，扫一下\\\\\\\\\\n\\\\\\\\\\n二维码便可将本文分享至朋友圈。\\\\\\\\\\n\\\\\\\\\\n**网页链接已复制** \\\\\\\\\\n\\\\\\\\\\n快去微信分享给好友吧！\\\\\\\\\\n\\\\\\\\\\n我知道了](https://www.huawei.com/cn/news/2025/6/mwcsh-wbba-ubb-network# \\\"分享到微信\\\")\\n\\n\\\\[中国，上海，2025年6月19日\\\\] 在2025 MWC 上海期间，全球云网宽带产业协会WBBA举办了上海BDC峰会。在峰会上，华为常务董事汪涛发表了“AI全面重构超宽带（UBB）网络，激发商业新增长”主题演讲，并推出AI UBB解决方案，包括AI FAN、AI OTN、AI WAN和ADN四大部分，端到端覆盖家庭网络、承载网络和UBB智能管控系统。AI UBB解决方案通过端到端设备内生智能和全面能力提升，为AI应用提供极致体验，实现高品质入算和高效算力互联，加速网络迈向高阶自智，激发商业新增长。\\n\\n\\n\\n华为常务董事汪涛发表主题演讲\\n\\n当前，通用人工智能时代正在加速到来。大模型正在从LLM走向多模态，Agent的能力和MCP（模型上下文协议）、A2A（智能体到智能体协议）等使能技术正在快速发展，推动AI行业应用成熟度快速提升。MOE（混合专家模型）、模型蒸馏、高性能算力的发展使得推理成本快速下降，过去两年LLM的推理成本下降了约100倍。高性能的小模型和端云协同技术支撑AI正在加速进入智能手机、眼镜、PC等各种终端。\\n\\n面向AI时代，华为持续推进全面智能化（All Intelligence)战略，通过构建全栈AI能力和开放生态平台，为电信行业、政企客户、消费者提供领先的AI解决方案，同时使用AI技术全面重构移动宽带（MBB）和超宽带（UBB）网络基础设施。\\n\\n在家庭场景，数字家庭正在迈向智能家庭，运营商基于网络和云服务不断拓展业务边界，为用户提供丰富的智能应用。在承载网侧，算力互联、端云协同的海量需求驱动承载网从尽力而为走向确定性保障，承载网需要提供更高带宽、确定低时延和超高安全性能。为匹配上述业务需求，UBB网络需要在架构、系统、运维等方面进行能力提升。为此，华为正式推出AI UBB解决方案，使用AI全面重构UBB网络，包括AI FAN、AI OTN、AI WAN、ADN四个组成部分。通过端到端设备内生智能和能力提升，为AI应用提供极致体验，实现高品质入算和高效算力互联，加速网络迈向高阶智能。\\n\\n**AI FAN：围绕家庭智能体，使能家宽升级为家庭智慧服务**\\n\\n为了用户更加便捷的使用AI服务，AI FAN将家庭网关升级为统一的AI入口，通过语音、视频、手势等多种方式与用户进行无感交互，基于端侧算力，支持本地智能服务的快速闭环。家庭多模态特别是高清视频类智能应用的极致体验，需要更大的网络带宽，家庭网络需要从千兆升级到万兆，从10G PON技术升级到50G PON，AI FAN通过业界领先的50G PON解决方案，支撑运营商构建泛在万兆接入能力。此外，AI FAN 将OLT从传统网络设备升级为具备边缘算力的智能设备，通过端边云的算力协同，支撑AI应用的最佳体验。\\n\\n**AI OTN：内生智能和光电协同能力提升，为AI应用和算力协同提供高品质运力**\\n\\n更低的时延是AI应用的关键体验诉求之一，1ms入算、用算成为城市AI算力网络的基本诉求。同时，越来越多的企业本地算力中心的建设，对于低时延、灵活带宽分配、可靠的SLA保证的OTN算力网络提出更高的需求。AI OTN通过端到端设备内生智能和光电协同能力的创新，为AI应用和算力调度提供高品质运力。AI OTN基于智能应用业务流特征的AI分析，主动感知业务类型和SLA需求，并提供端到端差异化保障。更低的网络传输时延是云边端算力高效协同的关键，AI OTN支持光层频谱资源灵活分配，将光交换从波长级升级到子波长级，让不同颗粒度的企业业务实现从企业到数据中心的一跳直达，确保极致低时延体验。AI及算力应用需要随拆随建的敏捷体验，AI OTN基于海量历史数据，建立AI数字孪生仿真模型，做到光层参数可视、可预测，实现从光电独立调度升级到光电协同自动调度，提升业务部署效率。\\n\\n**AI WAN：以AI全面赋能IP承载网，高效用算、精准护算**\\n\\n传统网络无法识别和保障AI应用中的视频加密流和智算大象流，AI WAN基于AI流感知模型，可实现从特定业务识别升级到对包括加密流和大象流在内的AI业务精准识别，提供差异化的业务套餐保障。为了确保极致用算体验，AI WAN引入智能流调度、长距无损等技术，实现高吞吐、0丢包、0抖动等体验多维保障。为了保障用算安全，AI WAN通过路由器内置安全防护引擎，实时识别未知威胁，达到分钟级阻断，保障全网攻击0入侵，数据0窃取，实现内生安全防护。\\n\\n**ADN：三层AI协同架构，以Agent为核心，支撑UBB网络走向高阶自智**\\n\\nADN基于智能硬件、数字孪生、通信大模型等技术创新，以Agent为核心，支撑UBB网络走向高阶自智。迈向L4高阶自智需要三层AI协同架构：网元层基于智能硬件实现业务和网络质量的精细化感知和实时闭环；管控层部署基于通信大模型的Agent和Copilot两类智能体；业务层需要打造跨域、跨厂商的运营平台。UBB网络的L4目标是实现不动网无人化、动网上站少人化。面向家宽、OTN、IP整网部署统一的Agent，可以全天候在线服务，实现自动化的故障处理、网络优化和体验保障，大幅降低NOC中心和现场代维、装维人员的日常工作量。当需要现场服务时，Agent自动指派人工现场处理，Copilot辅助人员精准上站，快速处理现场工作。\\n\\n最后，汪涛表示，通用人工智能加速到来，给超宽带产业带来前所未有的机遇。华为希望携手产业界，共同推动AI全面重构UBB网络，通过构建统一的产业标准，加速AI UBB的能力成熟，不断繁荣应用生态，探索新的商业模式，达成产业各方的协同发展，共赢AI时代新增长。\\n\\n2025 MWC 上海于6月18日至6月20日在中国上海举行。华为展区位于上海新国际博览中心（SNIEC）N1馆。2025年5G-A商用加速发展,华为与全球运营商、行业精英、意见领袖等一同深入探讨通过AI技术创新，重塑业务、基础设施及运营运维，实现商业新增长，加速迈向智能世界。欲了解更多详情，请阅: [https://carrier.huawei.com/cn/events/mwcs2025](https://carrier.huawei.com/cn/events/mwcs2025)\\n\\n- [Weibo](https://www.huawei.com/cn/news/2025/6/mwcsh-wbba-ubb-network# \\\"Weibo\\\")\\n- [× **微信扫一扫: 分享** \\\\\\\\\\n\\\\\\\\\\n\\\\\\\\\\n\\\\\\\\\\n微信里点“发现”，扫一下\\\\\\\\\\n\\\\\\\\\\n二维码便可将本文分享至朋友圈。\\\\\\\\\\n\\\\\\\\\\n**网页链接已复制** \\\\\\\\\\n\\\\\\\\\\n快去微信分享给好友吧！\\\\\\\\\\n\\\\\\\\\\n我知道了](https://www.huawei.com/cn/news/2025/6/mwcsh-wbba-ubb-network# \\\"分享到微信\\\")\\n\\n## 相关新闻\\n\\n[查看全部](https://www.huawei.com/cn/news \\\"查看全部\\\")\\n\\n\\n\\n\\n\\n## 在线客服\\n\\n#### 个人及家庭产品\\n\\n热线：950800（7\\\\*24小时）\\n\\n[查找零售店](https://consumer.huawei.com/cn/stores/)\\n\\n[咨询客服](https://celia.consumer.huawei.com/official/#/?businessUUID=fe8192189f0a40e8a883ab8bdf1ba8ea)\\n\\n#### 华为云服务\\n\\n热线：4000-955-988\\\\|950808\\n\\n[预约售前专属顾问](https://www.huaweicloud.com/service/contact.html)\\n\\n[智能客服](https://console.huaweicloud.com/smartadvisor/)\\n\\n#### 企业服务\\n\\n热线：400-822-9999\\n\\n[查找经销商](https://partner.huawei.com/web/china/channel-find-partner)\\n\\n[咨询客服](https://support.huawei.com/livechat/cn)\\n\\n#### 运营商网络服务\\n\\n热线：4008302118\\n\\n[技术支持中心](https://support.huawei.com/carrierindex/index)\\n\\n[查看全部联系方式](https://www.huawei.com/cn/contact-us)\",\n \"metadata\": {\n \"msvalidate.01\": \"9B78E6BE82A5A69C61096A84EA718DB6\",\n \"ogSiteName\": \"\",\n \"ogDescription\": \"在2025 MWC 上海期间，全球云网宽带产业协会WBBA举办了上海BDC峰会。\",\n \"thumbnail\": \"https://www-file.huawei.com/dam/asset/view/b83989e53cd642f5ae7d4899ad7b8755.jpg\",\n \"twitter:description\": \"在2025 MWC 上海期间，全球云网宽带产业协会WBBA举办了上海BDC峰会。\",\n \"title\": \"华为汪涛：AI全面重构超宽带网络，激发商业新增长\",\n \"viewport\": \"width=device-width, initial-scale=1\",\n \"language\": \"zh\",\n \"og:site_name\": \"\",\n \"description\": \"在2025 MWC 上海期间，全球云网宽带产业协会WBBA举办了上海BDC峰会。\",\n \"og:image\": \"https://www-file.huawei.com/dam/asset/view/b83989e53cd642f5ae7d4899ad7b8755.jpg\",\n \"keywords\": \"\",\n \"og:url\": \"https://www.huawei.com/cn/news/2025/6/mwcsh-wbba-ubb-network\",\n \"twitter:image\": \"https://www-file.huawei.com/dam/asset/view/b83989e53cd642f5ae7d4899ad7b8755.jpg\",\n \"ogUrl\": \"https://www.huawei.com/cn/news/2025/6/mwcsh-wbba-ubb-network\",\n \"twitter:title\": \"\",\n \"og:title\": \"\",\n \"google-site-verification\": \"wqACMoaM-tJAtTNspMBb0JCRVzOL4wcawL0B9QAcJPw\",\n \"ogTitle\": \"\",\n \"twitter:card\": \"summary\",\n \"baidu-site-verification\": [\n \"mXsUjBxk6j\",\n \"code-pCX4L0hvYH\"\n ],\n \"og:description\": \"在2025 MWC 上海期间，全球云网宽带产业协会WBBA举办了上海BDC峰会。\",\n \"ogImage\": \"https://www-file.huawei.com/dam/asset/view/b83989e53cd642f5ae7d4899ad7b8755.jpg\",\n \"favicon\": \"https://www.huawei.com/-/media/htemplate-home/1.0.1.20251205144752/components/assets/img/apple-touch-icon-precomposed-180.png\",\n \"scrapeId\": \"019edfeb-6458-772c-819f-9510e58cef0d\",\n \"sourceURL\": \"https://www.huawei.com/cn/news/2025/6/mwcsh-wbba-ubb-network\",\n \"url\": \"https://www.huawei.com/cn/news/2025/6/mwcsh-wbba-ubb-network\",\n \"statusCode\": 200,\n \"contentType\": \"text/html\",\n \"timezone\": \"America/New_York\",\n \"proxyUsed\": \"basic\",\n \"cacheState\": \"miss\",\n \"indexId\": \"488124cc-3b81-4485-b158-fd9f1ba3660a\",\n \"creditsUsed\": 1\n }\n },\n {\n \"url\": \"https://k.sina.com.cn/article_7857201856_1d45362c0019071swi.html?from=tech\",\n \"title\": \"新浪人工智能热点小时报丨2026年06月19日15时\",\n \"description\": \"新浪人工智能热点小时报丨2026年06月19日15时_今日实时人工智能热点速递,李想,Minimax,法拉利,模型,人类,专家,智能化,系统,特朗普.\",\n \"position\": 6,\n \"markdown\": \"- [新浪首页](http://www.sina.com.cn/)\\n- [新闻](http://news.sina.com.cn/)\\n- [体育](http://sports.sina.com.cn/)\\n- [财经](http://finance.sina.com.cn/)\\n- [娱乐](http://ent.sina.com.cn/)\\n- [科技](http://tech.sina.com.cn/)\\n- [博客](http://blog.sina.com.cn/)\\n- [图片](http://photo.sina.com.cn/)\\n- [专栏](http://zhuanlan.sina.com.cn/)\\n- [更多](https://k.sina.com.cn/article_7857201856_1d45362c0019071swi.html?from=tech#)\\n\\n- [汽车](http://auto.sina.com.cn/) [教育](http://edu.sina.com.cn/) [时尚](http://fashion.sina.com.cn/) [女性](http://eladies.sina.com.cn/) [星座](http://astro.sina.com.cn/) [健康](http://health.sina.com.cn/)\\n- [房产](http://www.leju.com/#source=pc_sina_dbdh1&source_ext=pc_sina) [历史](http://history.sina.com.cn/) [视频](http://video.sina.com.cn/) [收藏](http://collection.sina.com.cn/) [育儿](http://baby.sina.com.cn/) [读书](http://book.sina.com.cn/)\\n- [佛学](http://fo.sina.com.cn/) [游戏](http://games.sina.com.cn/) [旅游](http://travel.sina.com.cn/) [邮箱](http://mail.sina.com.cn/) [导航](http://news.sina.com.cn/guide/)\\n\\n[移动客户端](https://k.sina.com.cn/article_7857201856_1d45362c0019071swi.html?from=tech#)\\n\\n- [新浪微博](http://m.sina.com.cn/m/weibo.shtml)\\n- [新浪新闻](http://news.sina.com.cn/m/sinanews.html)\\n- [新浪财经](http://finance.sina.com.cn/mobile/comfinanceweb.shtml?source=daohang01)\\n- [新浪体育](http://m.sina.com.cn/m/sinasports.shtml)\\n- [新浪众测](http://zhongce.sina.com.cn/about/app)\\n- [新浪博客](http://blog.sina.com.cn/lm/z/app/)\\n- [新浪视频](http://video.sina.com.cn/app)\\n- [新浪游戏](http://games.sina.com.cn/o/kb/12392.shtml)\\n- [天气通](http://m.sina.com.cn/m/weather.shtml)\\n\\n[我的收藏](http://my.sina.com.cn/#location=fav)\\n\\n[注册](https://login.sina.com.cn/signup/signup?entry=news)\\n\\n[登录](https://k.sina.com.cn/article_7857201856_1d45362c0019071swi.html?from=tech#)\\n\\n×\\n\\n新浪微博、博客、邮箱帐号，请直接登录\\n\\n- 加载中...换个账号登录\\n- ×\\n\\n- 登录\\n\\n下次自动登录\\n- [忘记密码](https://login.sina.com.cn/getpass.html) [立即注册](https://login.sina.com.cn/signup/signup.php)\\n- [使用QQ登录](https://k.sina.com.cn/article_7857201856_1d45362c0019071swi.html?from=tech#)\\n\\n请用最新版微博客户端扫码\\n\\n\\n\\n\\n\\n\\n\\n扫描成功！\\n\\n点击手机上的确认即可登录\\n\\n\\n\\n# 新浪看点\\n\\n科技看点>正文\\n\\n\\n\\n新浪新闻客户端\\n\\n\\n\\n新浪新闻公众号\\n\\n\\n\\n新浪新闻视频号\\n\\n\\n\\n新浪新闻抖音\\n\\n\\n\\n新浪新闻快手\\n\\n\\n\\n新浪新闻小红书\\n\\n\\n\\n新浪新闻B站\\n\\n\\n\\n热搜时代小宇宙\\n\\n×\\n\\n\\n\\n点击任意位置关闭\\n\\n新闻图片视频\\n\\n新闻\\n\\n新闻\\n\\n图片\\n\\n视频\\n\\n# 新浪人工智能热点小时报丨2026年06月19日15时\\\\_今日实时人工智能热点速递\\n\\n新浪人工智能热点小时报丨2026年06月19日15时\\\\_今日实时人工智能热点速递\\n\\n2026年06月19日 15:00 [新浪网](http://www.sina.com.cn/) 作者\\n\\n[每日新闻摘录](http://k.sina.com.cn/mediaDocList.d.html?uid=7857201856)\\n\\n[举报](https://news.sina.com.cn/blank/report_news.shtml?docId=nicxqkx9646352 \\\"打开举报页\\\")缩小字体放大字体收藏[微博](http://service.weibo.com/share/share.php?url=https%3A%2F%2Fk.sina.cn%2Farticle_7857201856_1d45362c0019071swi.html%3Ffrom&title=%E6%96%B0%E6%B5%AA%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E7%83%AD%E7%82%B9%E5%B0%8F%E6%97%B6%E6%8A%A5%E4%B8%A82026%E5%B9%B406%E6%9C%8819%E6%97%A515%E6%97%B6_%E4%BB%8A%E6%97%A5%E5%AE%9E%E6%97%B6%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E7%83%AD%E7%82%B9%E9%80%9F%E9%80%92&pic= \\\"分享到微博\\\")微信分享\\n\\n[腾讯QQ](http://connect.qq.com/widget/shareqq/index.html?url=https%3A%2F%2Fk.sina.cn%2Farticle_7857201856_1d45362c0019071swi.html%3Ffrom&desc=&title=%E6%96%B0%E6%B5%AA%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E7%83%AD%E7%82%B9%E5%B0%8F%E6%97%B6%E6%8A%A5%E4%B8%A82026%E5%B9%B406%E6%9C%8819%E6%97%A515%E6%97%B6_%E4%BB%8A%E6%97%A5%E5%AE%9E%E6%97%B6%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E7%83%AD%E7%82%B9%E9%80%9F%E9%80%92&summary=&pics=&flash=&site= \\\"分享到QQ\\\")[QQ空间](http://sns.qzone.qq.com/cgi-bin/qzshare/cgi_qzshare_onekey?url=https%3A%2F%2Fk.sina.cn%2Farticle_7857201856_1d45362c0019071swi.html%3Ffrom&title=%E6%96%B0%E6%B5%AA%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E7%83%AD%E7%82%B9%E5%B0%8F%E6%97%B6%E6%8A%A5%E4%B8%A82026%E5%B9%B406%E6%9C%8819%E6%97%A515%E6%97%B6_%E4%BB%8A%E6%97%A5%E5%AE%9E%E6%97%B6%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E7%83%AD%E7%82%B9%E9%80%9F%E9%80%92&desc=&summary=&pics= \\\"分享到QQ空间\\\")\\n\\n## 1、中国驻美大使谢锋：人工智能不能野蛮生长、跑马圈地\\n\\n转自：证券时报人民财讯6月19日电，2026年6月17日，中国驻美国大使谢锋在美中贸易全国委员会2026年度庆典晚宴上发表演讲，鼓励美国工商界做中美科创合作新赛道的领跑者。谢锋说，人工智能等新兴技术正在深刻改变经济形态、人类生活和社会治理，必须确保向善普惠、有序发展，不能放任自流、野蛮生长，不能“跑马圈地”、再设“铁幕”，更不能爆发“AI版星球大战”。中美作为全球领先的人工智能大国，完全可以优势互补、合作共赢。我们要用好人工智能政府间对话机制。\\n\\n[http://finance.sina.com.cn/jjxw/2026-06-19/doc-inicxkay2966543.shtml](http://finance.sina.com.cn/jjxw/2026-06-19/doc-inicxkay2966543.shtml)\\n\\n## 2、《经济学人》封面文章丨人工智能赋予美国巨大的新权力\\n\\n（来源：invest wallstreet）AI has granted America vast new power美国政府现已成为前沿模型及大部分算力的“守门人”2026年6月18日新闻充斥着这样的论调：与伊朗达成的一项不光彩的和平协议，正是美国国力衰落的例证。这种结论简直大错特错。6月12日，特朗普政府下令要求Anthropic公司禁止外国人使用其最新、最强大的前沿AI模型Fable和Mythos。顷刻之间，世人皆知美国政府已能决定谁有资格使用全球最重要的技术。没有什么比这更能彰显权力的了。\\n\\n[http://k.sina.com.cn/article\\\\_5953189932\\\\_162d6782c06704grvo.html](http://k.sina.com.cn/article_5953189932_162d6782c06704grvo.html)\\n\\n## 3、为什么买法拉利?李想:体验法拉利到底是怎么做的\\n\\n12月25日晚间，在2024理想AI Talk直播中，主持人问道：“你为什么买法拉利啊？”对此理想汽车创始人李想回答称，他认为做的最好的品牌，并且他最喜欢的品牌一个是宝马，一个是法拉利，法拉利他还没有体验过，他只有通过体验来看，法拉利到底是怎么做的，这才能变成他自己的认知和能力。目前，理想汽车最新的智能驾驶系统已经实现了高速道路和城市道路的全场景覆盖，能够在多种复杂交通环境中为用户提供安全、舒适的驾驶体验。这一系统的成功得益于理想汽车在人工智能算法和传感器技术上的持续投入和突破。李想还特别指出汽车行业的上半场是电动化，而下半场则是智能化。\\n\\n[http://k.sina.com.cn/article\\\\_7857141524\\\\_1d452771401903epjs.html](http://k.sina.com.cn/article_7857141524_1d452771401903epjs.html)\\n\\n## 4、李想表示“我不想当车企CEO了” 打算做一名人工智能企业CEO\\n\\n近日，理想汽车举办了“2024理想AI Talk”直播。在这场直播中，主持人透露了一条令人惊讶的消息：李想表示自己已经不再想做一名车企CEO，他的目标转向了成为一名人工智能企业的CEO。主持人进一步提问，考虑到现在很多车企都开始转向增程技术，而理想最初便是走增程路线，李想为何选择不再造车，而是要投身人工智能领域？李想在回答时解释道，虽然造车依然是理想的重要目标，但他认为电动化是汽车产业的“上半场”，而智能化则是“下半场”。他强调，这里的智能化不仅仅是传统的车辆软件智能，而是指真正的人工智能。\\n\\n[http://k.sina.com.cn/article\\\\_7857141524\\\\_1d452771401903epu6.html](http://k.sina.com.cn/article_7857141524_1d452771401903epu6.html)\\n\\n## 5、猜猜谁是AI辩手 国产大模型通过人机辩论图灵测试\\n\\n冯妍 本报记者 王春大屏幕上，长相、穿戴一模一样的两位辩手，对涉及情感、伦理、心理学、哲学的辩题“如果能一键消除所有痛苦回忆，要不要按”展开激烈辩论。其中，一方辩手是真人陈铭――武汉大学教师，另一方“辩手”则是AI陈铭――上海稀宇科技（MiniMax）提供的大模型。在7月26日举办的“2025中国・AI盛典”辩论赛赛后投票中，42%的观众把大模型认作人类，这表示该款大模型已通过了人机辩论的图灵测试。图灵测试是衡量机器是否具备人类智能水平的经典标准，由被誉为“人工智能之父”的图灵在1950年提出：如果一台机器在自然语言对话中能“骗过”超过30%的人类参与者，那就可以被视作具有智能。\\n\\n[http://k.sina.com.cn/article\\\\_7857201856\\\\_1d45362c0019071pyy.html](http://k.sina.com.cn/article_7857201856_1d45362c0019071pyy.html)\\n\\n## 6、中国经济面面观｜新技术、新应用、新生态——看“AI+”如何赋能千行百业 造福千家万户\\n\\n人工智能技术加速迭代 正迎来爆发式发展 当前我国“AI+”应用处于什么水平？ AI终端有哪些前沿技术和应用？ 如何进化机器人“大脑”水平？ 7月6日，浙江省金华市金华之光文化广场科技馆内，小朋友与智能机器狗互动。新华社发（时宽兵 摄） 2024年我国人工智能产业规模突破7000亿元，连续多年保持20%以上的增长率。今年以来，人工智能产业迎来新一轮变革，大模型能力的突破式迭代和推理成本快速下降使得人工智能应用迅速发展。以上海为例，今年一季度规上人工智能产业规模突破1180亿元，同比增长29%，利润增长65%，成为拉动经济增长的新引擎。\\n\\n[http://k.sina.com.cn/article\\\\_7857201856\\\\_1d45362c0019071qw2.html](http://k.sina.com.cn/article_7857201856_1d45362c0019071qw2.html)\\n\\n## 7、“花果山下”AI沙龙 在这里，每个人都可以“72变”\\n\\n转自：扬子晚报“今年Token这个词彻底火了，Token就是AI时代的GDP，连云港的核电绿电+算力更具发展想象力……”6月17日晚，一场主题为“算电协同：AI基础设施的底层逻辑”的沙龙在连云港市移动公司精彩上演，核电专家、电力规划师、数据中心“包工头”“卖Token”的云厂商、“搭网子”的通信运营商等五路人马，一起探讨如何让AI算力中心用上最便宜、最绿色的电。前不久，连云港市“人工智能+”推进会提出，要将推动“人工智能+”摆在全局工作突出位置，深入研究新情况、解决新问题，以智能化变革为全市高质量发展注入强劲动能。\\n\\n[http://finance.sina.com.cn/jjxw/2026-06-19/doc-inicxqkv1527812.shtml](http://finance.sina.com.cn/jjxw/2026-06-19/doc-inicxqkv1527812.shtml)\\n\\n## 8、图解未来五年全球最具增长潜力的职业TOP15\\n\\n格隆汇7月22日｜根据世界经济论坛发布的《2025年未来就业报告》，基于对全球1043家公司、涉及超1410万名员工的调查，下图列出2025年至2030年最具增长潜力的15个职业。其中，大数据专家位居榜首，预计2025年至2030年将录得110%的净增长。紧随其后的是金融科技工程师以及人工智能和机器学习专家，预计未来五年将分别增长95%和85%。这表明，就业市场对于能够构建和管理人工智能系统并洞察海量数据的专业人员的需求十分巨大。另外，软件和应用程序开发人员依然至关重要，预计将增长60%。网络安全相关职位也榜上有名，包括安全管理专家和信息安全分析师，预计将分别增长55%和40%。\\n\\n[http://k.sina.com.cn/article\\\\_7857201856\\\\_1d45362c0019071pcm.html](http://k.sina.com.cn/article_7857201856_1d45362c0019071pcm.html)\\n\\n特别声明：以上文章内容仅代表作者本人观点，不代表新浪网观点或立场。如有关于作品内容、版权或其它问题请于作品发表后的30日内与新浪网联系。\\n\\n[](https://weibo.com/u/5893229038)\\n\\n[赛博对话](https://weibo.com/u/5893229038)\\n\\n[](https://www.xiaoyuzhoufm.com/podcast/67c01fbc657dae09d80ed3e8)\\n\\n[热搜时代](https://www.xiaoyuzhoufm.com/podcast/67c01fbc657dae09d80ed3e8)\\n\\n[](https://weibo.com/u/1653545015)\\n\\n[一天零一页](https://weibo.com/u/1653545015)\\n\\n[](https://weibo.com/u/3231920057)\\n\\n[无双](https://weibo.com/u/3231920057)\\n\\n[](https://weibo.com/u/6979546667)\\n\\n[热浪之外](https://weibo.com/u/6979546667)\\n\\n关键字 : [李想](https://tags.sina.com.cn/%E6%9D%8E%E6%83%B3) [人工智能](https://tags.sina.com.cn/%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD) [理想汽车](https://tags.sina.com.cn/%E7%90%86%E6%83%B3%E6%B1%BD%E8%BD%A6) [法拉利](https://tags.sina.com.cn/%E6%B3%95%E6%8B%89%E5%88%A9) [辩手](https://tags.sina.com.cn/%E8%BE%A9%E6%89%8B)\\n\\n[权利保护声明页/Notice to Right Holders](http://mp.sina.com.cn/faq/index?vt=4#/Notice/Right)\\n\\n_[0](https://comment5.news.sina.com.cn/comment/skin/default.html?channel=mp&newsid=7857201856-1d45362c0019071swi)_ 条评论\\\\| _[0](https://comment5.news.sina.com.cn/comment/skin/default.html?channel=mp&newsid=7857201856-1d45362c0019071swi)_ 人参与网友评论\\n\\n[](https://weibo.com/ \\\"\\\")\\n\\n[](https://weibo.com/)\\n\\n表情\\n\\n登录\\\\| [注册](https://login.sina.com.cn/signup/signup.php)\\n\\n\\\\|退出\\n\\n分享到微博\\n\\n发布\\n\\n最热评论刷新\\n\\n最新评论刷新\\n\\n[更多精彩评论>>](https://comment5.news.sina.com.cn/comment/skin/default.html?channel=mp&newsid=7857201856-1d45362c0019071swi&group=0)\\n\\n相关新闻\\n[投资热点尽在新浪财经APP>](https://finance.sina.com.cn/mobile/comfinanceweb.shtml?source=xwzxzhengwen01)\\n\\n加载中 ~~~~\\n\\n点击加载更多\\n\\n手机新浪网\\n\\n[阅读排行榜](http://news.sina.com.cn/hotnews/) [评论排行榜](http://news.sina.com.cn/hotnews/)\\n\\n- 01[当着全球媒体的面，特朗普又让日本尴尬了……](https://news.sina.com.cn/w/2026-06-19/doc-inicwaim5308871.shtml)\\n- 02[欧盟27国领导人一致通过涉乌结论文件](https://news.sina.com.cn/w/2026-06-19/doc-inicwtfh3165652.shtml)\\n- 03[中方点名，“特别是以色列”](https://news.sina.com.cn/c/2026-06-19/doc-inicxkay2929144.shtml)\\n- 04[美国纽约时报广场发生枪击事件](https://news.sina.com.cn/w/2026-06-19/doc-inicwtfc5045171.shtml)\\n- 05[拜登罕见公开露面，在台上茫然问道：我孙女哪去了](https://news.sina.com.cn/w/2026-06-19/doc-inicxqkt4768443.shtml)\\n\\n- 01[意大利单日新增6557例确诊病例，累计确诊破5万](http://comment5.news.sina.com.cn/comment/skin/default.html?channel=gj&newsid=comos-imxxsth0871469&style=0)\\n- 02[习近平给新华社老党员张连生回信](http://comment5.news.sina.com.cn/comment/skin/default.html?channel=gn&newsid=comos-nicuyvz2311158&style=0)\\n- 03[习近平谈政绩观｜要发扬钉钉子精神](http://comment5.news.sina.com.cn/comment/skin/default.html?channel=gn&newsid=comos-nictaen8951162&style=0)\\n- 04[时政微观察丨文化根脉 生生不息](http://comment5.news.sina.com.cn/comment/skin/default.html?channel=gn&newsid=comos-nicuyvv3328328&style=0)\\n- 05[上合组织天津峰会\\\\|习近平在“上海合作组织+”会议上的讲话（全文）](http://comment5.news.sina.com.cn/comment/skin/default.html?channel=gn&newsid=comos-nfnyunh9696676&style=0)\\n\\n### 图片新闻\\n\\n[美加墨世界杯：瑞士4-1波黑](https://photo.sina.cn/album_1_2841_621958.htm?ch=1)\\n\\n[福建长乐：夜赛龙舟热闹非凡](https://photo.sina.cn/album_1_2841_621955.htm?ch=1)\\n\\n[2026年俄罗斯—东盟峰会](https://photo.sina.cn/album_1_2841_621957.htm?ch=1)\\n\\n[浙江长兴：民众参加多彩活动迎端午](https://photo.sina.cn/album_1_2841_621929.htm?ch=1)\\n\\n[视频新闻](http://news.video.sina.com.cn/)\\n\\n[美伊会谈因以色列军事行动取消](https://video.sina.com.cn/mini/?dataid=comos:nicxusr4708387)\\n\\n[我国将启动2026新能源汽车下乡活动](https://video.sina.com.cn/mini/?dataid=comos:nicxqkv1541052)\\n\\n[35岁孙杨拿到最后一张决赛门票](https://video.sina.com.cn/mini/?dataid=comos:nicxyyr1385183)\\n\\n[孩子烧光数十万手机，父亲询问是否开心](https://video.sina.com.cn/mini/?dataid=comos:nicxkax1651942)\\n\\n### 新媒体实验室\\n\\n- [朋友圈47%的内容在炫耀](https://news.sina.com.cn/zx/2020-10-15/doc-iiznezxr6122869.shtml)\\n- [近300起杀妻案如何判罚](https://news.sina.com.cn/c/2020-07-30/doc-iivhuipn5894776.shtml)\\n- [谈恋爱反降低生活质量？](https://news.sina.com.cn/s/2020-08-26/doc-iivhvpwy3205551.shtml)\\n- [全国最能吃的省市竟是它](https://news.sina.com.cn/c/2020-09-10/doc-iivhvpwy5962650.shtml)\\n- [性犯罪者再犯几率达12.8%](https://news.sina.com.cn/2020-09-03/doc-iivhuipp2286397.shtml)\\n\\n- [联系我们](http://www.sina.com.cn/contactus.html) \\\\| [广告营销](https://marketing.hd.weibo.com/?fr=C003004_P001) \\\\| [通行证注册](http://login.sina.com.cn/signup/signup)\\n- [产品答疑](http://help.sina.com.cn/) \\\\| [招聘信息](http://career.sina.com.cn/) \\\\| [网站律师](http://corp.sina.com.cn/lawfirm/sina.htm)\\n- [SINA English](http://english.sina.com/)\\n\\n举报邮箱：jubao@vip.sina.com\\n\\nCopyright © 1996-2026 SINA Corporation\\n\\nAll Rights Reserved 新浪公司 [版权所有](http://corp.sina.com.cn/chn/copyright.html)\\n\\n手机新浪网\\n\\n[新浪首页](https://www.sina.com.cn/)相关新闻 [改版调查](https://vote.sina.com.cn/106)返回顶部\",\n \"metadata\": {\n \"jspreload\": \"jspreload\",\n \"ogUrl\": \"https://k.sina.com.cn/article_7857201856_1d45362c0019071swi.html\",\n \"description\": \"1、中国驻美大使谢锋：人工智能不能野蛮生长、跑马圈地转自：证券时报人民财讯6月19日电，2026年6月17日，中国驻美国..._新浪网, 手机新浪网新闻中心，新浪网新闻中心是新浪网最重要的频道之一，24小时滚动报道国内、国际及社会新闻。每日编发新闻数以万计。新浪新闻触屏- news.sina.cn, 手机新浪网新闻中心，新浪网新闻中心是新浪网最重要的频道之一，24小时滚动报道国内、国际及社会新闻。每日编发新闻数以万计。新浪新闻触屏- news.sina.cn\",\n \"sudameta\": [\n \"allCIDs:187175,258,171240,223658,171239,257\",\n \"comment_channel:mp;comment_id:7857201856-1d45362c0019071swi\",\n \"dataid:comos:nicxqkx9646352\",\n \"sinaog:0\",\n \"dataid:comos:nicxqkx9646352\"\n ],\n \"ogImage\": \"\",\n \"language\": \"zh-CN\",\n \"keywords\": [\n \"Minimax,人工智能,李想,新浪,法拉利,模型,热点,人类,专家,智能化,系统,特朗普\",\n \"新闻,时事,时政,国际,国内,社会,法治,聚焦,评论,文化,教育,视点,深度,网评,专题,环球,传播,论坛,图片,军事,焦点,排行,环保,校园,法治,奇闻,真情\",\n \"新闻,时事,时政,国际,国内,社会,法治,聚焦,评论,文化,教育,视点,深度,网评,专题,环球,传播,论坛,图片,军事,焦点,排行,环保,校园,法治,奇闻,真情\"\n ],\n \"og:title\": \"新浪人工智能热点小时报丨2026年06月19日15时_今日实时人工智能热点速递\",\n \"og:description\": \"1、中国驻美大使谢锋：人工智能不能野蛮生长、跑马圈地转自：证券时报人民财讯6月19日电，2026年6月17日，中国驻美国大使谢锋在美中贸易全国委员会2026年度庆典晚宴上发表演讲，鼓励美国工商界做中美科创合作新赛道的领跑者。谢锋说，人工智能等新兴技术正在深刻改...\",\n \"msvalidate.01\": \"0EBC6AF737F6405C0F32D73B4AA6A640\",\n \"format-detection\": [\n \"telephone=no\",\n \"telephone=no\"\n ],\n \"og:image\": \"\",\n \"author\": [\n \"sina_mobile\",\n \"sina_mobile\"\n ],\n \"ogTitle\": \"新浪人工智能热点小时报丨2026年06月19日15时_今日实时人工智能热点速递\",\n \"og:author\": \"每日新闻摘录\",\n \"apple-mobile-web-app-title\": [\n \"新浪移动_手机新浪网\",\n \"新浪移动_手机新浪网\"\n ],\n \"modifiedTime\": \"2026-06-19 15:00:10\",\n \"comment\": \"mp:7857201856-1d45362c0019071swi\",\n \"og:time\": \"2026-06-19 15:00:10\",\n \"og:updated_time\": \"2026-06-19 15:00:10\",\n \"publishid\": \"nicxqkx9646352\",\n \"ogSiteName\": \"新浪网\",\n \"MobileOptimized\": \"width\",\n \"apple-mobile-web-app-status-bar-style\": \"black\",\n \"publishedTime\": \"2026-06-19 15:00:10\",\n \"ogDescription\": \"1、中国驻美大使谢锋：人工智能不能野蛮生长、跑马圈地转自：证券时报人民财讯6月19日电，2026年6月17日，中国驻美国大使谢锋在美中贸易全国委员会2026年度庆典晚宴上发表演讲，鼓励美国工商界做中美科创合作新赛道的领跑者。谢锋说，人工智能等新兴技术正在深刻改...\",\n \"article:modified_time\": \"2026-06-19 15:00:10\",\n \"mobile-agent\": [\n \"format=html5; url=https://k.sina.cn/article_7857201856_1d45362c0019071swi.html?from=tech\",\n \"format=xhtml; url=https://k.sina.cn/article_7857201856_1d45362c0019071swi.html?from=tech\",\n \"format=wml; url=https://k.sina.cn/article_7857201856_1d45362c0019071swi.html?from=tech\"\n ],\n \"baidu-site-verification\": [\n \"cO0BoDSJ7A\",\n \"cO0BoDSJ7A\"\n ],\n \"og:site_name\": \"新浪网\",\n \"stencil\": \"PGLS000526\",\n \"viewport\": [\n \"width=device-width, initial-scale=1.0, minimum-scale=1.0, maximum-scale=1.0, user-scalable=no\",\n \"width=device-width,initial-scale=1,maximum-scale=1,minimum-scale=1,user-scalable=no\",\n \"width=device-width,initial-scale=1,maximum-scale=1,minimum-scale=1,user-scalable=no\"\n ],\n \"tags\": \"李想,人工智能,理想汽车,法拉利,辩手\",\n \"referrer\": [\n \"always\",\n \"always\",\n \"always\"\n ],\n \"og:contentid\": \"comos:nicxqkx9646352\",\n \"og:locale\": \"zh_CN\",\n \"applicable-device\": \"pc,mobile\",\n \"article:tag\": \"日本动态\",\n \"og:type\": \"news\",\n \"article:published_time\": \"2026-06-19 15:00:10\",\n \"weibo: article:update_at\": \"2026-06-19 15:05:07\",\n \"og:category\": \"国际\",\n \"og:url\": \"https://k.sina.com.cn/article_7857201856_1d45362c0019071swi.html\",\n \"title\": \"新浪人工智能热点小时报丨2026年06月19日15时_今日实时人工智能热点速递|Minimax|李想|法拉利|模型|人类_新浪新闻\",\n \"og:published_time\": \"2026-06-19 15:00:10\",\n \"mediaid\": \"每日新闻摘录\",\n \"article:author\": \"每日新闻摘录\",\n \"bytedance-verification-code\": \"AbPpBnubCvNNDQBICbx6\",\n \"article:section\": \"国际\",\n \"ogLocale\": \"zh_CN\",\n \"weibo: article:create_at\": \"2026-06-19 15:00:10\",\n \"HandheldFriendly\": \"true\",\n \"favicon\": \"https://www.sina.com.cn/favicon.svg\",\n \"scrapeId\": \"019edfeb-6458-772c-819f-999ef1c97c0f\",\n \"sourceURL\": \"https://k.sina.com.cn/article_7857201856_1d45362c0019071swi.html?from=tech\",\n \"url\": \"https://k.sina.com.cn/article_7857201856_1d45362c0019071swi.html?from=tech\",\n \"statusCode\": 200,\n \"contentType\": \"text/html\",\n \"timezone\": \"America/New_York\",\n \"proxyUsed\": \"basic\",\n \"cacheState\": \"miss\",\n \"indexId\": \"f0274d20-f08e-4589-ba8e-ae72f755a656\",\n \"creditsUsed\": 1\n }\n },\n {\n \"url\": \"https://www.bbc.com/zhongwen/articles/cjdr4ekxezpo/trad\",\n \"title\": \"AI指令是否正在損害你的思考能力？ - BBC News 中文\",\n \"description\": \"研究發現，如果人們過度依賴AI，他們解決問題的能力可能會下降。\",\n \"position\": 7,\n \"markdown\": \"# AI指令是否正在損害你的思考能力？\\n\\n\\n\\n圖像來源，yacobchuk/Getty\\n\\n圖像加註文字，麻省理工學院研究人員在實驗中使用腦電圖（EEG）記錄參與者在使用生成式AI時的大腦活動。**Article Information**\\n\\n- Author, 喬治·桑德曼（George Sandeman）\\n- Published 2025年12月24日\\n\\n- 閱讀時間: 1 分鐘\\n\\n你上一次請AI（人工智能，人工智慧）聊天機器人幫你做什麼？\\n\\n也許你請它幫你擬定一篇論文的結構，以幫助回答棘手的問題，提供對龐大資料集的深入分析，或檢查你的求職信是否符合職位描述。\\n\\n一些專家擔心，將這類任務外包給AI，意味著你的大腦運作減少，甚至可能損害你的批判性思維和解決問題的能力。\\n\\n今年較早前，麻省理工學院（MIT）發表的一項研究顯示，使用ChatGPT撰寫論文的人，在進行該活動時，大腦神經網絡中與認知處理相關的活動較少。\\n\\n這些人也無法像未使用AI聊天機器人的作者那樣，輕鬆引用自己論文中的內容。\\n\\n研究人員表示，他們的研究顯示出「探索學習能力可能下降的迫切問題」。\\n\\n所有54名參與者均來自麻省理工及附近的大學。他們的大腦活動透過腦電圖（EEG）記錄，該技術需在頭皮上放置電極。\\n\\n參與者使用的指令包括請AI總結論文問題、尋找資料來源，以及改善語法和風格。\\n\\n[Skip 熱讀 and continue reading](https://www.bbc.com/zhongwen/articles/cjdr4ekxezpo/trad#end-of-recommendations)\\n\\n**熱讀**\\n\\n- \\n\\n\\n\\n\\n\\n\\n\\n[倫敦香港經貿辦案判刑：衛志樑監禁十年、袁松彪八年](https://www.bbc.com/zhongwen/articles/c0lyn1zep14o/trad)\\n\\n- \\n\\n\\n\\n\\n\\n\\n\\n[日菲啓動EEZ劃界談判後續：中國海警東進，北京為何稱對台「近海治理」成功](https://www.bbc.com/zhongwen/articles/c24y1ep146lo/trad)\\n\\n- \\n\\n\\n\\n\\n\\n\\n\\n[FIFA世界盃2026：賽程及比分即時更新](https://www.bbc.com/zhongwen/articles/cx211w7zkkeo/trad)\\n\\n- \\n\\n\\n\\n\\n\\n\\n\\n[球迷打掃世界盃球場，家務沉重的日本妻子們看不下去了：雙標嗎？](https://www.bbc.com/zhongwen/articles/cy5ve9v7r92o/trad)\\n\\n\\nEnd of 熱讀\\n\\nAI也被用來生成和闡述想法——但有些使用者認為AI在這方面表現不佳。\\n\\n## 「AI讓找到答案太容易」\\n\\n另一邊，卡內基梅隆大學（Carnegie Mellon University）與微軟（Copilot的營運方）進行了一項研究，發現如果人們過度依賴AI，他們解決問題的能力可能會下降。\\n\\n研究團隊調查了319名每週至少使用一次AI工具工作的白領，了解他們在使用AI時如何運用批判性思維。\\n\\n他們分析了900個給AI的任務範例，從分析資料以獲取新見解，到檢查作品是否符合特定規範。\\n\\n這項研究發現，對AI工具完成任務能力的信心與「批判性思維努力減少」有關。\\n\\n「雖然生成式AI可以提高工作效率，但它可能抑制對工作的批判性投入，並可能導致長期過度依賴工具，削弱獨立解決問題的能力。」\\n\\n英國的學童也在牛津大學出版社於10月發表的一項研究中接受調查。\\n\\n結果顯示，六成學生認為AI對他們學習技能產生負面影響。\\n\\n那麼，隨著AI使用的爆炸式增長，我們的認知能力是否面臨衰退的風險？\\n\\n\\n\\n圖像來源，Klaus Vedfelt/Getty\\n\\n圖像加註文字，牛津大學出版社的一項調查發現，十名學童中有六名認為AI對他們的技能產生了負面影響。\\n\\n參與了該學童調查的牛津大學出版社生成式AI專家亞歷桑德拉·托梅斯庫 （Alexandra Tomescu）博士說，不一定。\\n\\n「我們的研究顯示，九成學生認為AI幫助他們至少提升了一項和學校作業相關的技能——無論是解決問題、創造力還是複習。」\\n\\n「但同時，大約四分之一的學生表示，AI讓完成作業變得太容易……所以這是一個相當微妙的情況。」\\n\\n她補充說，很多學生希望獲得更多關於如何使用AI的指導。\\n\\nChatGPT執行長山姆·阿爾特曼（Sam Altman）表示，該平台每週活躍用戶超過8億，並已發佈100個指令，幫助學生充分利用該技術。\\n\\n但倫敦大學學院（UCL）人工只能與教育批判研究專家韋恩‧霍姆斯教授（Prof Wayne Holmes）認為，這還不夠。\\n\\n他希望在鼓勵學生使用AI工具之前，能有更多關於AI對學習影響的學術研究。\\n\\n他向我們表示：「目前沒有大規模的獨立證據證明這些工具在教育中的有效性、安全性，甚至它們是否真的有正面影響。」\\n\\n## 更好的分數，但更差的學習？\\n\\n霍姆斯教授指出，有關「認知萎縮」的研究顯示，人類在使用AI後，能力和技能可能會下降。\\n\\n他說，這在使用AI工具協助解讀X光片的放射科醫生中已成為問題。\\n\\n哈佛醫學院去年發表的一項研究發現，AI協助確實提高了部分臨床醫生的表現，但卻損害了其他人的表現，原因尚不清楚。\\n\\n研究作者呼籲，應進一步研究人類與AI的互動，以找出能「提升人類表現而非損害它」的使用方式。\\n\\n霍姆斯教授擔心，學生無論在中小學或大學，可能過度依賴AI完成作業，而未能培養教育應提供的基本技能。\\n\\n學生的論文可能因AI幫助而獲得更高分，但問題在於他們是否理解得更少。\\n\\n霍姆斯教授說：「他們的成績更好，但實際上學得更差。」\\n\\nChatGPT的母公司OpenAI的國際教育主管、幫助公司與牛津大學達成合作的傑娜·德瓦尼（Jayna Devani）表示，公司「非常清楚當前的討論」。\\n\\n\\n\\n圖像加註文字，牛津大學自九月起開始為學生和教職員免費提供ChatGPT。\\n\\n她向BBC表示：「我們絕對認為學生不應該使用ChatGPT來承擔任務。」\\n\\n在她看來，ChatGPT最好用作導師，而不是單純的答案提供者。\\n\\n她舉例說，學生可以使用ChatGPT的學習模式進行互動，輸入自己難以回答的問題，讓聊天機器人拆解問題並幫助理解。\\n\\n她舉的例子是一名學生深夜在做一個自己不太理解的作業：\\n\\n「如果你有一個即將到來的報告要做，而現在已經是午夜，你不會去發郵件給大學導師求助。」她說。\\n\\n「我認為，當ChatGPT以針對性的方式使用時，它確實有加速學習的潛力。」\\n\\n但霍姆斯教授強調，任何使用AI工具的學生都應了解其推理方式，以及提供這些工具的公司如何處理數據，並且對結果必須檢查。\\n\\n「它不僅僅是計算機的最新迭代版本，」他這樣形容AI的能力和影響。\\n\\n「我從不告訴我的學生，你不應該使用 AI……但我會說，我們需要了解它的各個方面，才能做出明智的決定。」\\n\\n## 更多相關內容\\n\\n- \\n\\n\\n\\n\\n\\n### [AI盛行會帶來更好的廣告，還是鋪天蓋地的「垃圾內容」？](https://www.bbc.com/zhongwen/articles/cn510ng33ryo/trad)\\n\\n2025年11月19日\\n\\n- \\n\\n\\n\\n\\n\\n### [中國網路AI微短劇爆紅 低成本高收益成新寵](https://www.bbc.com/zhongwen/articles/c4gwy79y7pzo/trad)\\n\\n2025年11月11日\\n\\n- \\n\\n\\n\\n\\n\\n### [AI會終結電話客服中心嗎？](https://www.bbc.com/zhongwen/articles/cn97878g34lo/trad)\\n\\n2025年11月3日\\n\\n- \\n\\n\\n\\n\\n\\n### [人工智能引發的裁員潮真的到來了嗎？](https://www.bbc.com/zhongwen/articles/ckgz60vd614o/trad)\\n\\n2025年10月30日\\n\\n- \\n\\n\\n\\n\\n\\n### [AI機器人「聽見我、陪伴我、回應我」，但它會誘導人自殺嗎？](https://www.bbc.com/zhongwen/articles/cd045m1lpm0o/trad)\\n\\n2025年10月28日\\n\\n- \\n\\n\\n\\n\\n\\n### [AI與人類：那些轉向人工智慧尋求約會和情感建議的人](https://www.bbc.com/zhongwen/articles/c7v1y17p807o/trad)\\n\\n2025年10月6日\\n\\n\\n## 頭條新聞\\n\\n- ### [中國「後地產時代」：地方政府從「賣地」到「做股東」的轉型成功了嗎？](https://www.bbc.com/zhongwen/articles/ce8j1rvjjvzo/trad)\\n\\n2 小時前\\n\\n- ### [伊朗和平協議影響你財務的五種可能](https://www.bbc.com/zhongwen/articles/cr7xzm1kpv5o/trad)\\n\\n8 小時前\\n\\n- ### [日菲啓動EEZ劃界談判後續：中國海警東進，北京為何稱對台「近海治理」成功](https://www.bbc.com/zhongwen/articles/c24y1ep146lo/trad)\\n\\n2026年6月18日\\n\\n\\n## 特別推薦\\n\\n- \\n\\n\\n\\n\\n\\n\\n\\n\\n\\n### [重慶虐狗風波：上百人集會抗議被清場，中國立法反虐待動物有多難？](https://www.bbc.com/zhongwen/articles/c3wye90n4djo/trad)\\n\\n2026年6月12日\\n\\n- \\n\\n\\n\\n\\n\\n\\n\\n### [全球衝擊下，為什麼美國經濟持續逆勢而上？](https://www.bbc.com/zhongwen/articles/cy04552x7r1o/trad)\\n\\n2026年6月15日\\n\\n- \\n\\n\\n\\n\\n\\n\\n\\n### [「沒想過他們這麼有錢」：台灣民間網站揭露多名立委、議員持股上億元](https://www.bbc.com/zhongwen/articles/cgqj1ndz78zo/trad)\\n\\n2026年6月12日\\n\\n- \\n\\n\\n\\n\\n\\n\\n\\n### [香港籃球教練體罰親歷者：「全部人都覺得不妥，但你又可以怎麼樣？」](https://www.bbc.com/zhongwen/articles/c621r56739no/trad)\\n\\n2026年6月11日\\n\\n- \\n\\n\\n\\n\\n\\n\\n\\n### [《嘆春風》與中國「男色經濟」：女性慾望如何變成一門生意？](https://www.bbc.com/zhongwen/articles/c4g5nnd6v3do/trad)\\n\\n2026年6月10日\\n\\n\\n## 熱門內容\\n\\n01. 1\\n\\n\\n\\n [倫敦香港經貿辦案判刑：衛志樑監禁十年、袁松彪八年](https://www.bbc.com/zhongwen/articles/c0lyn1zep14o/trad)\\n\\n02. 2\\n\\n\\n\\n [日菲啓動EEZ劃界談判後續：中國海警東進，北京為何稱對台「近海治理」成功](https://www.bbc.com/zhongwen/articles/c24y1ep146lo/trad)\\n\\n03. 3\\n\\n\\n\\n [FIFA世界盃2026：賽程及比分即時更新](https://www.bbc.com/zhongwen/articles/cx211w7zkkeo/trad)\\n\\n04. 4\\n\\n\\n\\n [球迷打掃世界盃球場，家務沉重的日本妻子們看不下去了：雙標嗎？](https://www.bbc.com/zhongwen/articles/cy5ve9v7r92o/trad)\\n\\n05. 5\\n\\n\\n\\n [美國與伊朗正式簽署協議 包含哪些內容？](https://www.bbc.com/zhongwen/articles/c17y54xx749o/trad)\\n\\n06. 6\\n\\n\\n\\n [伊朗和平協議影響你財務的五種可能](https://www.bbc.com/zhongwen/articles/cr7xzm1kpv5o/trad)\\n\\n07. 7\\n\\n\\n\\n [「我在現場。馬拉多納『上帝之手』固然經典，但他的第二個精彩入球呢？』」](https://www.bbc.com/zhongwen/articles/c3wyd6l1wjno/trad)\\n\\n08. 8\\n\\n\\n\\n [德黑蘭將美伊協議包裝成勝利，而伊朗民眾想要的是柴米油鹽](https://www.bbc.com/zhongwen/articles/c621j8z4rlno/trad)\\n\\n09. 9\\n\\n\\n\\n [世界盃攻略：48隊賽制、分組與奪冠熱門一次掌握](https://www.bbc.com/zhongwen/articles/c0q2jvpenj8o/trad)\\n\\n10. 10\\n\\n\\n\\n [一部描繪潮汕華僑的中國電影《給阿嬤的情書》為何大賣](https://www.bbc.com/zhongwen/articles/cpv3zj4lepvo/trad)\",\n \"metadata\": {\n \"article:author\": \"https://www.facebook.com/bbcworldservice/\",\n \"language\": \"zh-hant\",\n \"ogLocale\": \"zh-hant\",\n \"ogTitle\": \"AI指令是否正在損害你的思考能力？ - BBC News 中文\",\n \"robots\": \"noodp, noydir, max-image-preview:large\",\n \"mobile-web-app-capable\": \"yes\",\n \"og:title\": \"AI指令是否正在損害你的思考能力？ - BBC News 中文\",\n \"twitter:card\": \"summary_large_image\",\n \"article:modified_time\": \"2025-12-24T00:08:13.541Z\",\n \"application-name\": \"BBC News 中文\",\n \"ogUrl\": \"https://www.bbc.com/zhongwen/articles/cjdr4ekxezpo/trad\",\n \"msapplication-TileImage\": \"https://static.files.bbci.co.uk/ws/simorgh-assets/public/zhongwen/images/icons/icon-144x144.png\",\n \"og:url\": \"https://www.bbc.com/zhongwen/articles/cjdr4ekxezpo/trad\",\n \"og:image\": \"https://ichef.bbci.co.uk/news/1024/branded_zhongwen/b571/live/1a53ee20-dab1-11f0-b2d6-8b03c56348b7.jpg\",\n \"apple-mobile-web-app-title\": \"BBC News 中文\",\n \"ogSiteName\": \"BBC News 中文\",\n \"twitter:description\": \"研究發現，如果人們過度依賴AI，他們解決問題的能力可能會下降。\",\n \"description\": \"研究發現，如果人們過度依賴AI，他們解決問題的能力可能會下降。\",\n \"article:published_time\": \"2025-12-24T00:08:13.541Z\",\n \"og:locale\": \"zh-hant\",\n \"article:tag\": [\n \"ChatGPT\",\n \"教育概況\",\n \"Brain\",\n \"Google\",\n \"人工智慧\",\n \"微軟\"\n ],\n \"twitter:title\": \"AI指令是否正在損害你的思考能力？ - BBC News 中文\",\n \"og:description\": \"研究發現，如果人們過度依賴AI，他們解決問題的能力可能會下降。\",\n \"og:type\": \"article\",\n \"theme-color\": \"#B80000\",\n \"ogImage\": \"https://ichef.bbci.co.uk/news/1024/branded_zhongwen/b571/live/1a53ee20-dab1-11f0-b2d6-8b03c56348b7.jpg\",\n \"facebook-domain-verification\": \"mydfaj4vz8t5psneihy4nm6ff52fac\",\n \"og:site_name\": \"BBC News 中文\",\n \"msapplication-TileColor\": \"#B80000\",\n \"articleTag\": \"ChatGPT\",\n \"viewport\": [\n \"width=device-width\",\n \"width=device-width, initial-scale=1, minimum-scale=1\"\n ],\n \"title\": \"AI指令是否正在損害你的思考能力？ - BBC News 中文\",\n \"fb:app_id\": \"1609039196070050\",\n \"og:image:alt\": \"一名女子躺在醫療床上，頭戴連接多條電線的電極帽。背景中，一位身穿白袍的醫護人員正在檢視顯示腦部掃描影像的螢幕\",\n \"twitter:creator\": \"@bbcchinese\",\n \"twitter:image:src\": \"https://ichef.bbci.co.uk/news/1024/branded_zhongwen/b571/live/1a53ee20-dab1-11f0-b2d6-8b03c56348b7.jpg\",\n \"twitter:image:alt\": \"一名女子躺在醫療床上，頭戴連接多條電線的電極帽。背景中，一位身穿白袍的醫護人員正在檢視顯示腦部掃描影像的螢幕\",\n \"twitter:site\": \"@bbcchinese\",\n \"ogDescription\": \"研究發現，如果人們過度依賴AI，他們解決問題的能力可能會下降。\",\n \"favicon\": \"https://static.files.bbci.co.uk/ws/simorgh-assets/public/zhongwen/images/icons/icon-72x72.png\",\n \"scrapeId\": \"019edfeb-6458-772c-819f-9f7e31f062be\",\n \"sourceURL\": \"https://www.bbc.com/zhongwen/articles/cjdr4ekxezpo/trad\",\n \"url\": \"https://www.bbc.com/zhongwen/articles/cjdr4ekxezpo/trad\",\n \"statusCode\": 200,\n \"contentType\": \"text/html; charset=utf-8\",\n \"timezone\": \"America/New_York\",\n \"proxyUsed\": \"basic\",\n \"cacheState\": \"miss\",\n \"indexId\": \"ccae9def-38e4-4065-917c-694fa0aea3ed\",\n \"creditsUsed\": 1\n }\n },\n {\n \"url\": \"https://www.mofcom.gov.cn/zwgk/zcfb/art/2025/art_c29bed8111a5406ea44f363694865ac2.html\",\n \"title\": \"不可靠实体清单工作机制关于将护盾人工智能公司等6家美国企业列入 ...\",\n \"description\": \"不可靠实体清单工作机制公告2025年第8号为维护国家主权、安全和发展利益，根据《中华人民共和国对外贸易法》《中华人民共和国国家安全法》《中华人民共和国反外国制裁 ...\",\n \"position\": 8,\n \"markdown\": \"搜索搜索\\n\\n[首页](https://www.mofcom.gov.cn/index.html) _>_ [政务公开](https://www.mofcom.gov.cn/zwgk/index.html) _>_ [政策发布](https://www.mofcom.gov.cn/zwgk/zcfb/index.html)\\n\\n来源：安全与管制局\\n类型：原创 2025-04-09 19:00\\n\\n不可靠实体清单工作机制关于将护盾人工智能公司等6家美国企业列入不可靠实体清单的公告\\n\\n【发布单位】安全与管制局\\n\\n【发布文号】不可靠实体清单工作机制〔2025〕8号\\n\\n【发文日期】2025年04月09日\\n\\n\\n**不** **可** **靠** **实** **体** **清** **单** **工** **作** **机制**\\n\\n**公 告**\\n\\n2025年 第8号\\n\\n 为维护国家主权、安全和发展利益，根据《中华人民共和国对外贸易法》《中华人民共和国国家安全法》《中华人民共和国反外国制裁法》等有关法律，不可靠实体清单工作机制依据《不可靠实体清单规定》第二条、第八条和第十条等有关规定，决定将护盾人工智能公司（Shield AI,Inc.）、内华达山脉公司（Sierra Nevada Corporation）、赛博勒克斯公司（Cyberlux Corporation）、边缘自治运营公司（Edge Autonomy Operations LLC）、Group W公司（Group W）和哈德森技术公司（Hudson Technologies Co.）等6家实体列入不可靠实体清单，并采取以下处理措施：\\n\\n一、禁止上述企业从事与中国有关的进出口活动；\\n\\n二、禁止上述企业在中国境内新增投资。\\n\\n本公告未尽事宜，按《不可靠实体清单规定》执行。\\n\\n本公告自2025年4月10日12时01分起实施。\\n\\n 不可靠实体清单工作机制\\n\\n （商务部代章）\\n\\n 2025年4月9日\\n\\n[首 页](https://www.mofcom.gov.cn/)[机构设置](https://www.mofcom.gov.cn/jgsz/index.html)[新闻发布](https://www.mofcom.gov.cn/xwfb/index.html)[政务公开](https://www.mofcom.gov.cn/zwgk/index.html)[政务大厅](https://www.mofcom.gov.cn/zwdt/zwdt/index.html)[互动交流](https://www.mofcom.gov.cn/hdjl/index.html)[公共服务](https://www.mofcom.gov.cn/ggfw/index.html)[智能问答](https://gzlynew.mofcom.gov.cn/mzsm/)\\n\\n[移动端\\\\\\\\\\n](https://www.mofcom.gov.cn/fzlm/khdapp/index.html) [邮箱登录](http://mail.mofcom.gov.cn/) [关注微博](https://weibo.com/mofcom?is_hot=1) [微信公众号\\\\\\\\\\n](https://www.mofcom.gov.cn/fzlm/wxfw/index.html) [@国务院 我来说](https://liuyan.www.gov.cn/2025wwzfgzbgtjy/bmdf.html?q=swb)\",\n \"metadata\": {\n \"server\": \"/zwgk/zcfb/art/2025/art_c29bed8111a5406ea44f363694865ac2.html\",\n \"extend1\": \"0\",\n \"MakeTime\": \"2026-06-16 13:45:25\",\n \"ColId\": \"fc8bdff48fa345a48b651c1285b70b8f\",\n \"SiteIDCode\": \"bm22000001\",\n \"Author\": \"aqygzj\",\n \"viewport\": \"width=device-width, initial-scale=1\",\n \"title\": \"不可靠实体清单工作机制关于将护盾人工智能公司等6家美国企业列入不可靠实体清单的公告\",\n \"Description\": \"不可靠实体清单工作机 制公 告2025年 第8号 为维护国家主权、安全和发展利益，根据《中华人民共和国对外贸易法》《中华人民共和国国家安全法》《中华人民共和国反外国制裁法》等有关法律，不可靠实体清单工作机制依据《不可靠实体清单规定》第二条、第八条和第十条等有关规定，决定将护盾人工智能公司（Shield AI,Inc.）、内华达山脉公司（Sierra Nevada Corporation）...\",\n \"ArticleTitle\": \"不可靠实体清单工作机制关于将护盾人工智能公司等6家美国企业列入不可靠实体清单的公告\",\n \"SiteName\": \"中华人民共和国商务部\",\n \"SiteDomain\": \"www.mofcom.gov.cn\",\n \"ColumnName\": \"政策发布\",\n \"ContentSource\": \"安全与管制局\",\n \"ColumnDescription\": \"\",\n \"ColumnType\": \"政策发布\",\n \"renderer\": \"webkit\",\n \"Keywords\": \"实体,清单,可靠,公告,公司\",\n \"Url\": \"/zwgk/zcfb/art/2025/art_c29bed8111a5406ea44f363694865ac2.html\",\n \"PubDate\": \"2025-10-27 16:21\",\n \"ColumnKeywords\": \"政策发布\",\n \"scrapeId\": \"019edfeb-6458-772c-819f-a2cdf4c18455\",\n \"sourceURL\": \"https://www.mofcom.gov.cn/zwgk/zcfb/art/2025/art_c29bed8111a5406ea44f363694865ac2.html\",\n \"url\": \"https://www.mofcom.gov.cn/zwgk/zcfb/art/2025/art_c29bed8111a5406ea44f363694865ac2.html\",\n \"statusCode\": 200,\n \"contentType\": \"text/html\",\n \"proxyUsed\": \"basic\",\n \"cacheState\": \"hit\",\n \"cachedAt\": \"2026-06-16T18:36:00.177Z\",\n \"creditsUsed\": 1\n }\n },\n {\n \"url\": \"https://www.youtube.com/watch?v=HNuqzXZUcDk\",\n \"title\": \"机器人大秀实用新技能！2025世界人工智能大会亮点速览 - YouTube\",\n \"description\": \"本期节目主要内容：7月26日至28日，2025世界人工智能大会在上海举办，展览面积首次突破7万平方米，展出3000多项前沿产品，规模创历届之最。156个采购团组 ...\",\n \"position\": 9,\n \"markdown\": \"\\n# [机器人大秀实用新技能！2025世界人工智能大会亮点速览 | CCTV「新闻1+1」20250728](https://www.youtube.com/watch?v=HNuqzXZUcDk)\\n\\n**Visibility**: Public\\n**Uploaded by**: [CCTV中国中央电视台](https://www.youtube.com/@CCTV)\\n**Uploaded at**: 2025-07-29\\n**Published at**: \\n**Length**: 24:12\\n**Views**: 12292\\n**Likes**: 210\\n**Category**: News & Politics\\n\\n## Description\\n\\n```\\n本期节目主要内容：7月26日至28日，2025世界人工智能大会在上海举办，展览面积首次突破7万平方米，展出3000多项前沿产品，规模创历届之最。156个采购团组达成意向采购金额约162亿元，闭幕式上共有31个项目签约，投资额超过150亿元。\\n\\n《新闻1+1》播放列表：https://bit.ly/3MPuJfW\\n【欢迎订阅CCTV中国中央电视台频道】：https://bit.ly/3tjXkBJ\\n \\n#柴璐 #CCTV #世界人工智能大会 #人工智能\\n\\n■□其他CCTV精彩内容■□\\n《焦点访谈》播放列表：https://bit.ly/3EXVQBF\\n《面对面》播放列表：https://bit.ly/3kzg2S6\\n《三餐四季 第二季》播放列表：https://bit.ly/3PfDnGW\\n《非遗里的中国 第三季》播放列表：https://bit.ly/4grtmCn\\n《简牍探中华 第二季》播放列表：https://bit.ly/4fgYkfm\\n《中国中医药大会 第二季》播放列表：https://bit.ly/3BlJG8E\\n《城市风华录》播放列表：https://bit.ly/416YB0M\\n《宗师列传·唐宋八大家》播放列表：https://bit.ly/4aUk2UW\\n《正大综艺》播放列表：https://bit.ly/398xHg1\\n《典籍里的中国》播放列表：https://bit.ly/3kEYHHv\\n《经典咏流传》播放列表：https://bit.ly/3kIXCOZ\\n\\n■□更多精彩视频，请关注我们■□\\nCCTV春晚：https://bit.ly/CCTVGala\\nCCTV科教：https://bit.ly/CCTVScienceAndEducation\\nCCTV百家讲坛官方频道：https://bit.ly/Chinahistorytalks\\nCCTV电视剧：https://bit.ly/CCTVDRAMA\\nCCTV热播剧场：https://bit.ly/CCTVHitdrama\\nCCTV今日说法官方频道：https://bit.ly/CCTVLegalreport\\n\\n■□关注CCTV系列账号 Like us on Facebook■□\\nFacebook（中文）: https://www.facebook.com/CCTV.CH/ \\nFacebook（英文）: https://www.facebook.com/cctvcom\\n\\n■□更多精彩内容欢迎关注CCTV Global：https://global.cctv.com/\\n```\",\n \"metadata\": {\n \"twitter:app:url:ipad\": \"vnd.youtube://www.youtube.com/watch?v=HNuqzXZUcDk&feature=applinks\",\n \"requiresSubscription\": \"False\",\n \"al:android:url\": \"vnd.youtube://www.youtube.com/watch?v=HNuqzXZUcDk&feature=applinks\",\n \"og:type\": \"video.other\",\n \"og:video:width\": \"1280\",\n \"ogImage\": \"https://i.ytimg.com/vi/HNuqzXZUcDk/maxresdefault.jpg\",\n \"twitter:site\": \"@youtube\",\n \"interactionType\": [\n \"https://schema.org/LikeAction\",\n \"https://schema.org/WatchAction\"\n ],\n \"name\": [\n \"机器人大秀实用新技能！2025世界人工智能大会亮点速览 | CCTV「新闻1+1」20250728\",\n \"CCTV中国中央电视台\"\n ],\n \"twitter:title\": \"机器人大秀实用新技能！2025世界人工智能大会亮点速览 | CCTV「新闻1+1」20250728\",\n \"twitter:app:id:ipad\": \"544007664\",\n \"twitter:description\": \"本期节目主要内容：7月26日至28日，2025世界人工智能大会在上海举办，展览面积首次突破7万平方米，展出3000多项前沿产品，规模创历届之最。156个采购团组达成意向采购金额约162亿元，闭幕式上共有31个项目签约，投资额超过150亿元。《新闻1+1》播放列表：https://bit.ly/3MPuJfW【欢迎...\",\n \"ogDescription\": \"本期节目主要内容：7月26日至28日，2025世界人工智能大会在上海举办，展览面积首次突破7万平方米，展出3000多项前沿产品，规模创历届之最。156个采购团组达成意向采购金额约162亿元，闭幕式上共有31个项目签约，投资额超过150亿元。《新闻1+1》播放列表：https://bit.ly/3MPuJfW【欢迎...\",\n \"og:title\": \"机器人大秀实用新技能！2025世界人工智能大会亮点速览 | CCTV「新闻1+1」20250728\",\n \"ogTitle\": \"机器人大秀实用新技能！2025世界人工智能大会亮点速览 | CCTV「新闻1+1」20250728\",\n \"twitter:app:id:iphone\": \"544007664\",\n \"al:android:app_name\": \"YouTube\",\n \"og:video:tag\": [\n \"新闻1+1\",\n \"2025世界人工智能大会\",\n \"人工智能\",\n \"机器人\",\n \"AI\",\n \"无人驾驶\",\n \"自动驾驶\",\n \"2025世界人工智能大會\",\n \"機器人\",\n \"無人駕駛\",\n \"自動駕駛\",\n \"白岩松\",\n \"柴璐\",\n \"董倩\",\n \"深度访谈\",\n \"新闻资讯\",\n \"央视新闻\",\n \"政治\",\n \"军事\",\n \"经济\",\n \"人文\",\n \"China News\",\n \"軍事\",\n \"經濟\",\n \"爆炸新闻\",\n \"新聞\",\n \"China News Today\",\n \"World News China\",\n \"CCTV\",\n \"China Report\",\n \"China Latest\",\n \"China Breaking News\",\n \"CCTV News\",\n \"央視新聞\"\n ],\n \"og:video:url\": \"https://www.youtube.com/embed/HNuqzXZUcDk\",\n \"og:video:secure_url\": \"https://www.youtube.com/embed/HNuqzXZUcDk\",\n \"al:web:url\": \"http://www.youtube.com/watch?v=HNuqzXZUcDk&feature=applinks\",\n \"fb:app_id\": \"87741124305\",\n \"playerType\": \"HTML5 Flash\",\n \"identifier\": \"HNuqzXZUcDk\",\n \"twitter:image\": \"https://i.ytimg.com/vi/HNuqzXZUcDk/maxresdefault.jpg\",\n \"uploadDate\": \"2025-07-28T22:40:30-07:00\",\n \"twitter:player\": \"https://www.youtube.com/embed/HNuqzXZUcDk\",\n \"genre\": \"News & Politics\",\n \"height\": [\n \"720\",\n \"720\"\n ],\n \"al:ios:app_name\": \"YouTube\",\n \"twitter:app:url:iphone\": \"vnd.youtube://www.youtube.com/watch?v=HNuqzXZUcDk&feature=applinks\",\n \"twitter:app:name:ipad\": \"YouTube\",\n \"duration\": \"PT24M13S\",\n \"language\": \"en\",\n \"datePublished\": \"2025-07-28T22:40:30-07:00\",\n \"al:ios:url\": \"vnd.youtube://www.youtube.com/watch?v=HNuqzXZUcDk&feature=applinks\",\n \"twitter:app:id:googleplay\": \"com.google.android.youtube\",\n \"isFamilyFriendly\": \"true\",\n \"og:video:height\": \"720\",\n \"og:video:type\": \"text/html\",\n \"userInteractionCount\": [\n \"210\",\n \"12292\"\n ],\n \"twitter:player:height\": \"720\",\n \"al:android:package\": \"com.google.android.youtube\",\n \"og:image\": \"https://i.ytimg.com/vi/HNuqzXZUcDk/maxresdefault.jpg\",\n \"twitter:url\": \"https://www.youtube.com/watch?v=HNuqzXZUcDk\",\n \"og:description\": \"本期节目主要内容：7月26日至28日，2025世界人工智能大会在上海举办，展览面积首次突破7万平方米，展出3000多项前沿产品，规模创历届之最。156个采购团组达成意向采购金额约162亿元，闭幕式上共有31个项目签约，投资额超过150亿元。《新闻1+1》播放列表：https://bit.ly/3MPuJfW【欢迎...\",\n \"twitter:card\": \"player\",\n \"og:image:width\": \"1280\",\n \"og:image:height\": \"720\",\n \"viewport\": \"initial-scale=1, minimum-scale=1, width=device-width\",\n \"twitter:player:width\": \"1280\",\n \"og:url\": \"https://www.youtube.com/watch?v=HNuqzXZUcDk\",\n \"og:site_name\": \"YouTube\",\n \"ogUrl\": \"https://www.youtube.com/watch?v=HNuqzXZUcDk\",\n \"al:ios:app_store_id\": \"544007664\",\n \"position\": \"1\",\n \"theme-color\": \"rgba(255, 255, 255, 0.98)\",\n \"description\": \"本期节目主要内容：7月26日至28日，2025世界人工智能大会在上海举办，展览面积首次突破7万平方米，展出3000多项前沿产品，规模创历届之最。156个采购团组达成意向采购金额约162亿元，闭幕式上共有31个项目签约，投资额超过150亿元。《新闻1+1》播放列表：https://bit.ly/3MPuJfW【欢迎..., 本期节目主要内容：7月26日至28日，2025世界人工智能大会在上海举办，展览面积首次突破7万平方米，展出3000多项前沿产品，规模创历届之最。156个采购团组达成意向采购金额约162亿元，闭幕式上共有31个项目签约，投资额超过150亿元。《新闻1+1》播放列表：https://bit.ly/3MPuJfW【欢迎...\",\n \"title\": \"机器人大秀实用新技能！2025世界人工智能大会亮点速览 | CCTV「新闻1+1」20250728 - YouTube\",\n \"twitter:app:name:googleplay\": \"YouTube\",\n \"width\": [\n \"1280\",\n \"1280\"\n ],\n \"ogSiteName\": \"YouTube\",\n \"twitter:app:url:googleplay\": \"https://www.youtube.com/watch?v=HNuqzXZUcDk\",\n \"twitter:app:name:iphone\": \"YouTube\",\n \"referrer\": \"origin-when-cross-origin\",\n \"keywords\": [\n \"新闻1+1, 2025世界人工智能大会, 人工智能, 机器人, AI, 无人驾驶, 自动驾驶, 2025世界人工智能大會, 機器人, 無人駕駛, 自動駕駛, 白岩松, 柴璐, 董倩, 深度访谈, 新闻资讯, 央视新闻, 政治, 军事, 经济, 人文, China News, 軍事, 經濟, 爆炸新闻, 新聞, China News Today, World News China, CCTV, China Report, China Latest, China Breaking News, CCTV News, 央視新聞\",\n \"新闻1+1,2025世界人工智能大会,人工智能,机器人,AI,无人驾驶,自动驾驶,2025世界人工智能大會,機器人,無人駕駛,自動駕駛,白岩松,柴璐,董倩,深度访谈,新闻资讯,央视新闻,政治,军事,经济,人文,China News,軍事,經濟,爆炸新闻,新聞,China News Today,World News China,CCTV,China Report,China Latest,China Breaking News,CCTV News,央視新聞\"\n ],\n \"regionsAllowed\": \"AD,AE,AF,AG,AI,AL,AM,AO,AQ,AR,AS,AT,AU,AW,AX,AZ,BA,BB,BD,BE,BF,BG,BH,BI,BJ,BL,BM,BN,BO,BQ,BR,BS,BT,BV,BW,BY,BZ,CA,CC,CD,CF,CG,CH,CI,CK,CL,CM,CN,CO,CR,CU,CV,CW,CX,CY,CZ,DE,DJ,DK,DM,DO,DZ,EC,EE,EG,EH,ER,ES,ET,FI,FJ,FK,FM,FO,FR,GA,GB,GD,GE,GF,GG,GH,GI,GL,GM,GN,GP,GQ,GR,GS,GT,GU,GW,GY,HK,HM,HN,HR,HT,HU,ID,IE,IL,IM,IN,IO,IQ,IR,IS,IT,JE,JM,JO,JP,KE,KG,KH,KI,KM,KN,KP,KR,KW,KY,KZ,LA,LB,LC,LI,LK,LR,LS,LT,LU,LV,LY,MA,MC,MD,ME,MF,MG,MH,MK,ML,MM,MN,MO,MP,MQ,MR,MS,MT,MU,MV,MW,MX,MY,MZ,NA,NC,NE,NF,NG,NI,NL,NO,NP,NR,NU,NZ,OM,PA,PE,PF,PG,PH,PK,PL,PM,PN,PR,PS,PT,PW,PY,QA,RE,RO,RS,RU,RW,SA,SB,SC,SD,SE,SG,SH,SI,SJ,SK,SL,SM,SN,SO,SR,SS,ST,SV,SX,SY,SZ,TC,TD,TF,TG,TH,TJ,TK,TL,TM,TN,TO,TR,TT,TV,TW,TZ,UA,UG,UM,US,UY,UZ,VA,VC,VE,VG,VI,VN,VU,WF,WS,YE,YT,ZA,ZM,ZW\",\n \"favicon\": \"https://www.youtube.com/s/desktop/61baa440/img/favicon_32x32.png\",\n \"scrapeId\": \"019edfeb-6458-772c-819f-a794bf75f073\",\n \"sourceURL\": \"https://www.youtube.com/watch?v=HNuqzXZUcDk\",\n \"url\": \"https://www.youtube.com/watch?v=HNuqzXZUcDk\",\n \"statusCode\": 200,\n \"contentType\": \"text/html; charset=utf-8\",\n \"timezone\": \"America/New_York\",\n \"proxyUsed\": \"basic\",\n \"cacheState\": \"miss\",\n \"postprocessorsUsed\": [\n \"youtube\"\n ],\n \"indexId\": \"ca633639-69a2-4fe2-afad-69bf41d36a9e\",\n \"creditsUsed\": 1\n }\n },\n {\n \"url\": \"https://news.un.org/zh/story/2026/06/1142260\",\n \"title\": \"联合国大学报告：人工智能快速扩张正加剧能源、水资源和土地压力\",\n \"description\": \"联合国大学最新发布的一份研究报告警告，随着人工智能技术迅速发展，支撑其运行的数据中心正对能源、水资源和土地带来日益增长的压力。\",\n \"position\": 10,\n \"markdown\": \"[跳至主要内容/导航](https://news.un.org/zh/story/2026/06/1142260#main-content)\\n\\n[](https://news.un.org/zh/ \\\"United Nations\\\")\\n\\n[联合国新闻](https://news.un.org/zh/ \\\"联合国新闻\\\")\\n\\n全球视野, 常人故事\\n\\n\\n搜索\\n\\n搜索\\n\\n[高级搜索](https://news.un.org/zh/advanced-search)\\n\\n[联合国新闻](https://news.un.org/zh/ \\\"联合国新闻\\\")\\n\\n全球视野, 常人故事\\n\\n\\n# 联合国大学报告：人工智能快速扩张正加剧能源、水资源和土地压力\\n\\n\\n\\n版权所有 Unsplash/努曼阿里人工智能技术正在迅速发展。\\n\\n[Weibo](https://service.weibo.com/share/share.php?url=https://news.un.org/zh/story/2026/06/1142260&title=%E8%81%94%E5%90%88%E5%9B%BD%E5%A4%A7%E5%AD%A6%E6%8A%A5%E5%91%8A%EF%BC%9A%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E5%BF%AB%E9%80%9F%E6%89%A9%E5%BC%A0%E6%AD%A3%E5%8A%A0%E5%89%A7%E8%83%BD%E6%BA%90%E3%80%81%E6%B0%B4%E8%B5%84%E6%BA%90%E5%92%8C%E5%9C%9F%E5%9C%B0%E5%8E%8B%E5%8A%9B \\\"Share this via Weibo (opens in a new window)\\\") [Twitter](https://twitter.com/intent/tweet?text=%E8%81%94%E5%90%88%E5%9B%BD%E5%A4%A7%E5%AD%A6%E6%8A%A5%E5%91%8A%EF%BC%9A%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E5%BF%AB%E9%80%9F%E6%89%A9%E5%BC%A0%E6%AD%A3%E5%8A%A0%E5%89%A7%E8%83%BD%E6%BA%90%E3%80%81%E6%B0%B4%E8%B5%84%E6%BA%90%E5%92%8C%E5%9C%9F%E5%9C%B0%E5%8E%8B%E5%8A%9B&url=https://news.un.org/zh/story/2026/06/1142260 \\\"Share this via Twitter (opens in a new window)\\\") [打印](https://news.un.org/zh/story/2026/06/1142260 \\\"Share this via 打印\\\") [电子邮件](mailto:?subject=%E8%81%94%E5%90%88%E5%9B%BD%E5%A4%A7%E5%AD%A6%E6%8A%A5%E5%91%8A%EF%BC%9A%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E5%BF%AB%E9%80%9F%E6%89%A9%E5%BC%A0%E6%AD%A3%E5%8A%A0%E5%89%A7%E8%83%BD%E6%BA%90%E3%80%81%E6%B0%B4%E8%B5%84%E6%BA%90%E5%92%8C%E5%9C%9F%E5%9C%B0%E5%8E%8B%E5%8A%9B&body=https://news.un.org/zh/story/2026/06/1142260 \\\"Share this via 电子邮件\\\")\\n\\n# 联合国大学报告：人工智能快速扩张正加剧能源、水资源和土地压力\\n\\n2026年6月3日[经济发展](https://news.un.org/zh/news/topic/economic-development)\\n\\n[联合国大学](https://unu.edu/ \\\"(opens in a new window)\\\") 最新发布的一份研究报告警告，随着人工智能技术迅速发展，支撑其运行的数据中心正对能源、水资源和土地带来日益增长的压力。报告指出，到2030年，全球数据中心用电需求预计将达到945太瓦时，其相关用水量将相当于13亿人一年的基本生活用水需求，而土地占用面积将超过14500平方公里。\\n\\n联合国大学水、环境与健康研究所周三发布题为《人工智能能耗的环境成本：碳、水和土地足迹》的报告，对人工智能基础设施产生的碳足迹、水足迹和土地足迹进行了量化分析。\\n\\n#### 人工智能环境成本被低估\\n\\n报告指出，目前有关人工智能环境影响的评估大多聚焦于模型训练过程中的碳排放，但这并不足以反映其整体环境成本。\\n\\n研究发现，人工智能每消耗1千瓦时电力，不仅会产生碳排放，还会带来冷却和发电过程中的水资源消耗，以及能源基础设施和供应链所占用的土地资源。三种环境足迹之间并不总是同步变化。例如，从煤炭转向生物能源可大幅降低碳足迹，但同时可能显著增加水资源和土地需求。\\n\\n联合国大学水、环境与健康研究所所长马达尼表示：“这份报告并非反对人工智能。这项技术变革正在改善全球数十亿人的生活。报告旨在呼吁负责任地使用人工智能，并主动应对其意想不到的影响，以确保其可持续发展和公平性。”\\n\\n报告显示，2025年全球数据中心耗电量估计达到448太瓦时。若将其视为一个国家，其耗电量将位居全球前列。预计到2030年，数据中心电力需求将增至945太瓦时，约占全球电力消费总量的3%。\\n\\n#### 推理阶段成为主要能耗来源\\n\\n报告指出，公众普遍关注训练大型人工智能模型所需的能源消耗，但模型部署后的“推理”过程已成为主要能耗来源。\\n\\n研究显示，推理环节占人工智能总能耗的80%至90%。仅ChatGPT每天处理的提示请求估计约达25亿次，对应年耗电量约383吉瓦时。\\n\\n报告指出，不同人工智能任务之间的能耗差异巨大。典型聊天查询的能耗约为基础文本分类任务的200倍；生成一张人工智能图像的能耗约为后者的1450倍；生成一段短视频的能耗则相当于20万次垃圾邮件分类任务。\\n\\n研究人员警告，随着模型效率提高和成本下降，使用量往往同步增长，从而抵消节能收益。这种现象被称为“反弹效应”或“杰文斯悖论”。\\n\\n马达尼表示：“更高效、更经济的人工智能和能源意味着人工智能消耗量增加，导致整体生态足迹远大于通过效率提升所节省的部分。”\\n\\n\\n\\n© Unsplash广告中的人工智能可能加速全球信息完整性危机。\\n\\n#### 环境负担与收益分布不均\\n\\n报告指出，人工智能基础设施扩张带来的收益与环境负担在全球范围内分布并不均衡。\\n\\n研究列举多个案例显示，一些地区正承受人工智能基础设施快速扩张带来的资源压力。在爱尔兰，2023年数据中心耗电量占全国计量用电量的21%；在墨西哥克雷塔罗，数据中心扩张正加剧当地水资源压力；在乌拉圭，一项大型数据中心项目建设曾引发有关淡水资源供应的担忧。\\n\\n报告还指出，到2030年，人工智能基础设施每年可能产生多达250万吨电子废弃物，而关键矿物开采和电子废弃物处理往往集中于环境监管较弱的发展中国家。\\n\\n联合国大学研究人员表示，一些承担资源消耗和环境成本的社区，并非人工智能技术主要受益者，这种不对称现象引发环境公平问题。\\n\\n#### 全球算力高度集中\\n\\n报告显示，目前全球仅有32个国家拥有专门的人工智能数据中心，超过90%的人工智能专用云计算资源集中在美国和中国两国。\\n\\n与此同时，全球150多个国家几乎没有自主人工智能计算能力。\\n\\n联合国大学校长兼联合国副秘书长马瓦拉表示：“人工智能基础设施在世界特权地区的集中发展正在造成巨大的数字鸿沟，这对人工智能的公平发展构成了深刻挑战。”\\n\\n他指出，人工智能能够促进繁荣与人类福祉，但能否公平实现这些目标已成为治理问题，而不仅仅是技术问题。\\n\\n#### 建立负责任的人工智能治理框架\\n\\n报告提出，应建立基于透明度、设计效率、公平与环境正义、生命周期责任、全球合作以及可持续利用六项原则的人工智能治理框架。\\n\\n报告建议，各国政府应将人工智能基础设施纳入能源规划、水资源治理和土地使用管理体系，并建立统一的环境足迹披露标准；企业应将模型选择和产品设计纳入环境影响考量；国际机构则应推动统一测量标准，并支持缺乏人工智能计算能力国家的发展。\\n\\n报告强调，仅关注碳排放已不足以评估人工智能的环境影响，未来需要同时关注碳足迹、水足迹和土地足迹，以确保人工智能发展保持在地球资源承载能力范围内。\\n\\n直接通过您的邮箱接收每日更新 [**点击此处订阅相关主题**](https://news.un.org/zh/content/un-newsletter-subscribe?utm_source=UN%20News&utm_medium=email&utm_campaign=un_news_newsletter)\\n\\n下载适用于您的 [**iOS**](https://itunes.apple.com/us/app/un-news-reader/id496893005?mt=8 \\\"(opens in a new window)\\\") 或 [**Android**](https://play.google.com/store/apps/details?id=org.un.mobile.news&hl=en \\\"(opens in a new window)\\\") 设备的联合国新闻应用程序\\n\\n- [人工智能](https://news.un.org/zh/tags/rengongzhineng)\\n- [联合国大学](https://news.un.org/zh/tags/lianheguodaxue)\\n\\n[Weibo](https://service.weibo.com/share/share.php?url=https://news.un.org/zh/story/2026/06/1142260&title=%E8%81%94%E5%90%88%E5%9B%BD%E5%A4%A7%E5%AD%A6%E6%8A%A5%E5%91%8A%EF%BC%9A%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E5%BF%AB%E9%80%9F%E6%89%A9%E5%BC%A0%E6%AD%A3%E5%8A%A0%E5%89%A7%E8%83%BD%E6%BA%90%E3%80%81%E6%B0%B4%E8%B5%84%E6%BA%90%E5%92%8C%E5%9C%9F%E5%9C%B0%E5%8E%8B%E5%8A%9B \\\"Share this via Weibo (opens in a new window)\\\") [Twitter](https://twitter.com/intent/tweet?text=%E8%81%94%E5%90%88%E5%9B%BD%E5%A4%A7%E5%AD%A6%E6%8A%A5%E5%91%8A%EF%BC%9A%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E5%BF%AB%E9%80%9F%E6%89%A9%E5%BC%A0%E6%AD%A3%E5%8A%A0%E5%89%A7%E8%83%BD%E6%BA%90%E3%80%81%E6%B0%B4%E8%B5%84%E6%BA%90%E5%92%8C%E5%9C%9F%E5%9C%B0%E5%8E%8B%E5%8A%9B&url=https://news.un.org/zh/story/2026/06/1142260 \\\"Share this via Twitter (opens in a new window)\\\") [打印](https://news.un.org/zh/story/2026/06/1142260 \\\"Share this via 打印\\\") [电子邮件](mailto:?subject=%E8%81%94%E5%90%88%E5%9B%BD%E5%A4%A7%E5%AD%A6%E6%8A%A5%E5%91%8A%EF%BC%9A%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E5%BF%AB%E9%80%9F%E6%89%A9%E5%BC%A0%E6%AD%A3%E5%8A%A0%E5%89%A7%E8%83%BD%E6%BA%90%E3%80%81%E6%B0%B4%E8%B5%84%E6%BA%90%E5%92%8C%E5%9C%9F%E5%9C%B0%E5%8E%8B%E5%8A%9B&body=https://news.un.org/zh/story/2026/06/1142260 \\\"Share this via 电子邮件\\\")\",\n \"metadata\": {\n \"rights\": \"COPYRIGHT © UNITED NATIONS\",\n \"og:title\": \"联合国大学报告：人工智能快速扩张正加剧能源、水资源和土地压力\",\n \"twitter:title\": \"联合国大学报告：人工智能快速扩张正加剧能源、水资源和土地压力\",\n \"twitter:creator\": \"@UN_News_Centre\",\n \"ogSiteName\": \"联合国新闻\",\n \"og:url\": \"https://news.un.org/zh/story/2026/06/1142260\",\n \"apple-itunes-app\": \"app-id=496893005\",\n \"apple-mobile-web-app-title\": \"UN News Reader\",\n \"al:ipad:app_name\": \"UN News Reader\",\n \"al:iphone:app_store_id\": \"496893005\",\n \"twitter:app:id:googleplay\": \"org.un.mobile.news\",\n \"ogImage\": \"https://global.unitednations.entermediadb.net/assets/mediadb/services/module/asset/downloads/preset/Collections/Graphics%20Library/19-02-2026-Unsplash-artificial-intel-05.jpg/image770x420cropped.jpg\",\n \"ogTitle\": \"联合国大学报告：人工智能快速扩张正加剧能源、水资源和土地压力\",\n \"ogUrl\": \"https://news.un.org/zh/story/2026/06/1142260\",\n \"al:android:app_name\": \"UN News Reader\",\n \"og:description\": \"联合国大学最新发布的一份研究报告警告，随着人工智能技术迅速发展，支撑其运行的数据中心正对能源、水资源和土地带来日益增长的压力。报告指出，到2030年，全球数据中心用电需求预计将达到945太瓦时，其相关用水量将相当于13亿人一年的基本生活用水需求，而土地占用面积将超过14500平方公里。\",\n \"twitter:description\": \"联合国大学最新发布的一份研究报告警告，随着人工智能技术迅速发展，支撑其运行的数据中心正对能源、水资源和土地带来日益增长的压力。报告指出，到2030年，全球数据中心用电需求预计将达到945太瓦时，其相关用水量将相当于13亿人一年的基本生活用水需求，而土地占用面积将超过14500平方公里。\",\n \"msvalidate.01\": \"4810E42D0C6EFA40969557F307A275F0\",\n \"article:modified_time\": \"2026-06-03T13:45:01-04:00\",\n \"twitter:site\": \"@UN_News_Centre\",\n \"al:iphone:app_name\": \"UN News Reader\",\n \"article:published_time\": \"2026-06-03T13:45:01-04:00\",\n \"description\": \"联合国大学最新发布的一份研究报告警告，随着人工智能技术迅速发展，支撑其运行的数据中心正对能源、水资源和土地带来日益增长的压力。报告指出，到2030年，全球数据中心用电需求预计将达到945太瓦时，其相关用水量将相当于13亿人一年的基本生活用水需求，而土地占用面积将超过14500平方公里。 |\",\n \"al:android:package\": \"org.un.mobile.news\",\n \"twitter:app:name:ipad\": \"UN News Reader\",\n \"og:image\": \"https://global.unitednations.entermediadb.net/assets/mediadb/services/module/asset/downloads/preset/Collections/Graphics%20Library/19-02-2026-Unsplash-artificial-intel-05.jpg/image770x420cropped.jpg\",\n \"og:type\": \"article\",\n \"twitter:image\": \"https://global.unitednations.entermediadb.net/assets/mediadb/services/module/asset/downloads/preset/Collections/Graphics%20Library/19-02-2026-Unsplash-artificial-intel-05.jpg/image770x420cropped.jpg\",\n \"google-site-verification\": \"LKspUbfye0GUGtlKqeTr01z0qRp1cUO7DtBekw7n5Ek\",\n \"format-detection\": \"telephone=no\",\n \"al:ios:app_store_id\": \"496893005\",\n \"twitter:app:id:ipad\": \"496893005\",\n \"og:site_name\": \"联合国新闻\",\n \"MobileOptimized\": \"width\",\n \"modifiedTime\": \"2026-06-03T13:45:01-04:00\",\n \"title\": \"联合国大学报告：人工智能快速扩张正加剧能源、水资源和土地压力 | | 1联合国新闻\",\n \"ogDescription\": \"联合国大学最新发布的一份研究报告警告，随着人工智能技术迅速发展，支撑其运行的数据中心正对能源、水资源和土地带来日益增长的压力。报告指出，到2030年，全球数据中心用电需求预计将达到945太瓦时，其相关用水量将相当于13亿人一年的基本生活用水需求，而土地占用面积将超过14500平方公里。\",\n \"al:ios:app_name\": \"UN News Reader\",\n \"viewport\": \"width=device-width, initial-scale=1, shrink-to-fit=no\",\n \"al:ipad:app_store_id\": \"496893005\",\n \"og:updated_time\": \"2026-06-03T13:45:01-04:00\",\n \"twitter:card\": \"summary_large_image\",\n \"publishedTime\": \"2026-06-03T13:45:01-04:00\",\n \"twitter:app:name:iphone\": \"UN News Reader\",\n \"twitter:app:id:iphone\": \"496893005\",\n \"twitter:app:name:googleplay\": \"UN News Reader\",\n \"HandheldFriendly\": \"true\",\n \"language\": \"zh-hans\",\n \"favicon\": \"https://news.un.org/zh/themes/custom/un_base_theme/favicon.ico\",\n \"scrapeId\": \"019edfeb-6458-772c-819f-aab1c9b446e6\",\n \"sourceURL\": \"https://news.un.org/zh/story/2026/06/1142260\",\n \"url\": \"https://news.un.org/zh/story/2026/06/1142260\",\n \"statusCode\": 200,\n \"contentType\": \"text/html; charset=UTF-8\",\n \"proxyUsed\": \"basic\",\n \"cacheState\": \"hit\",\n \"cachedAt\": \"2026-06-19T10:04:27.587Z\",\n \"creditsUsed\": 1\n }\n }\n ]\n}"}]},"server":"firecrawl-mcp","tool":"firecrawl_search"},"isError":false,"timestamp":1781873220504}}
|
||
{"type":"message","id":"746ce1d8","parentId":"75eba511","timestamp":"2026-06-19T12:47:03.102Z","message":{"role":"assistant","content":[],"api":"openai-completions","provider":"opencode-go-openai","model":"kimi-k2.6","usage":{"input":0,"output":0,"cacheRead":0,"cacheWrite":0,"totalTokens":0,"cost":{"input":0,"output":0,"cacheRead":0,"cacheWrite":0,"total":0}},"stopReason":"error","timestamp":1781873220533,"errorMessage":"400 Error from provider: This endpoint's maximum context length is 262144 tokens. However, you requested about 300584 tokens (295491 of text input, 5093 of tool input). Please reduce the length of either one, or use the context-compression plugin to compress your prompt automatically."}}
|
||
{"type":"model_change","id":"9e0cf28c","parentId":"746ce1d8","timestamp":"2026-06-19T12:47:40.859Z","provider":"opencode-go-openai","modelId":"kimi-k2.7-code"}
|
||
{"type":"message","id":"a0bcb998","parentId":"9e0cf28c","timestamp":"2026-06-19T12:47:43.932Z","message":{"role":"user","content":[{"type":"text","text":"继续"}],"timestamp":1781873263932}}
|
||
{"type":"message","id":"f52eac82","parentId":"a0bcb998","timestamp":"2026-06-19T12:48:50.515Z","message":{"role":"assistant","content":[],"api":"openai-completions","provider":"opencode-go-openai","model":"kimi-k2.7-code","usage":{"input":0,"output":0,"cacheRead":0,"cacheWrite":0,"totalTokens":0,"cost":{"input":0,"output":0,"cacheRead":0,"cacheWrite":0,"total":0}},"stopReason":"aborted","timestamp":1781873263937,"errorMessage":"Operation aborted"}}
|