-
-
• 性能狂飙: AI在基准测试上进步神速，视频生成、小模型能力大增，智能体（Agent）显现潜力，但复杂推理仍是短板。前沿模型性能趋同，竞争进入新阶段。 -
• 经济爆发: 全球AI投资创新高（美国$1091亿领跑），企业应用普及率达78%，生产力提升明显，生成式AI是绝对焦点，吸金超$339亿。 -
• 全球格局: 产业界主导模型开发（近90%），美国模型数量多，但中国性能追赶迅猛，差距显著缩小。中国在AI专利和论文数量上领先。 -
• 社会融合: AI深入医疗（FDA批准设备达223个）、科学（AlphaFold获诺奖）、自动驾驶（Waymo每周15万次服务）等领域，深刻改变生活与科研范式。 -
• 关键挑战: “数据公地”萎缩威胁训练基础；模型训练碳排放激增引担忧；负责任AI（RAI）评估标准与实践亟待统一；模型透明度仍需提高。 -
• 公众与教育: 全球对AI乐观情绪上升（55%认为利大于弊），但区域分歧（亚洲乐观，欧美谨慎）与信任赤字（尤其在数据隐私和公平性上）并存。AI教育普及加速，但面临师资与公平挑战。 -
• 降本增效: AI推理成本骤降（类GPT-3.5性能成本18个月降超280倍），硬件效率持续提升（年增40%），开源模型性能逼近闭源，AI技术门槛快速降低。
AI已来，风暴已至——斯坦福AI Index 2025揭示了什么？
人工智能（AI）早已不是遥远的未来畅想，它正以惊人的速度渗透到我们生活的方方面面，成为驱动科技进步、经济增长和社会变革的核心引擎。当AlphaGo战胜李世石还恍如昨日，如今的AI已能在复杂科学问题上取得突破，能生成以假乱真的文本、图像乃至视频，甚至开始在特定任务中展现出超越人类专家的能力。斯坦福大学以人为本人工智能研究院（HAI）发布的年度《AI Index Report》被公认为全球最权威、最全面的人工智能发展“晴雨表”和“数据库”。这份报告通过追踪、整理、提炼和可视化全球AI相关数据，为我们理解这个日新月异且极端复杂的领域提供了无与伦比的宝贵视角。
刚刚发布的《2025 AI Index Report》（通常涵盖上一年度及当年的最新数据）描绘了一幅AI加速演进的壮丽画卷：技术性能以前所未有的速度狂飙，经济投入与商业融合达到新高峰，全球竞争格局发生微妙变化，社会影响日益深远。然而，在这片繁荣景象之下，挑战与风险也如影随形：复杂推理的瓶颈、数据资源的约束、环境成本的考量、负责任AI的落地困境、以及全球治理的紧迫性。这份报告不仅记录了AI的辉煌成就，更揭示了其发展道路上的关键十字路口。AI的下一个拐点，究竟在哪里？它将如何继续塑造我们的世界？让我们跟随这份翔实的报告，深入探寻答案。
一、性能狂飙：AI能力边界的指数级扩展
核心洞察与思考： AI技术正经历着一场令人目眩的能力大爆炸，不仅在速度上超越预期，更在广度上触及新领域。然而，性能的狂飙之下，是前沿技术差距的迅速弥合，预示着单纯依赖规模扩张的红利期可能接近尾声。同时，复杂推理这一基础能力的持续短板，以及智能体等新范式的初步探索，共同指向了AI技术演进正进入一个更加注重效率、落地与核心智能突破的新阶段。
新基准的快速征服：AI学习速度惊人
衡量AI能力进步的一个关键指标是其在标准化基准测试上的表现。过去一年，AI社区见证了模型能力的惊人飞跃。为了测试这些日益强大的AI系统，研究人员在2023年推出了如MMMU（大规模多任务语言理解）、GPQA（需要专家级知识的难题）和SWE-bench（软件工程任务）等一系列极具挑战性的新基准。这些基准的设计初衷就是触及当时AI能力的上限。
然而，仅仅一年后，AI在这些基准上的表现就实现了令人瞠目的提升。在MMMU上，得分提高了18.8个百分点；在GPQA上，提升了惊人的48.9个百分点；而在SWE-bench上，AI系统解决编程问题的能力从2023年的区区4.4%飙升至2024年的71.7%！ 这种“闪电般”的进步速度凸显了AI学习和适应能力的加速，表明模型在更复杂、更专业领域的理解和执行能力有了质的飞跃。
同时，随着现有基准（如MMLU, GSM8K, HumanEval）逐渐被顶尖模型“刷爆”（接近饱和），研究界也在不断提出更严苛的挑战，以更准确地评估和推动AI能力的边界。例如，“人类最后考试”（Humanity’s Last Exam）——一个极其严格的学术测试，目前顶尖系统得分仅为8.80%；FrontierMath——一个复杂的数学基准，AI解决率仅2%；以及BigCodeBench——一个编码基准，AI系统的成功率仅为35.5%，远低于人类97%的水平。这些新基准的存在，既是对当前AI能力的检验，也指明了未来研究需要攻克的难关。
开源模型奋起直追：打破闭源垄断格局
去年的AI Index报告曾指出，领先的开源模型在性能上显著落后于闭源模型，引发了对AI技术是否会被少数巨头垄断的担忧。然而，2024年的数据显示，这一局面正在被快速改写。
根据广泛使用的Chatbot Arena Leaderboard（一个通过匿名用户投票对模型进行排名的平台），2024年初，领先闭源模型对顶尖开源模型的性能优势（以Elo评分衡量）还有8.04%。但仅仅一年后的2025年初，这一差距已急剧缩小至仅1.70%！ 这意味着，在许多用户感知的任务上，最好的开源模型已经非常接近甚至在某些方面可以媲美最好的闭源模型。开源社区的活跃发展、众多高质量模型的不断涌现（2023年发布的149个基础模型中，65.7%是开源的，比例远高于前两年），正在快速拉近与闭源巨头的距离，极大地促进了AI技术的民主化、普及化和创新活力。这对于研究人员、初创公司乃至整个AI生态都是一个极其积极的信号。
[创新观察] 前沿模型性能趋同：竞争白热化，拐点或已至？
一个更深层次且可能反直觉的发现是，不仅中美之间的差距在缩小，顶尖模型之间的性能差距本身也在缩小。根据Chatbot Arena Leaderboard数据，一年前，排名第一的模型与排名第十的模型之间的Elo评分差距为11.9%。而到了2025年初，这个差距已缩小至仅5.4%。更令人惊讶的是，排名第一和第二的模型之间的差距，从2023年的4.9%缩小到了2024年底的仅0.7%！
这意味着AI技术的最前沿变得异常拥挤，竞争进入白热化阶段。高质量的模型不再是少数几家公司的专利，而是来自越来越多的开发者。这可能预示着什么？
-
• 可能一： 单纯依靠扩大模型规模和数据量来提升通用性能的“暴力美学”可能正遭遇边际效益递减。 -
• 可能二： 技术扩散加速，最佳实践和架构思想被快速学习和采纳，使得追赶者能够更快地接近领先者。 -
• 可能三： 未来的竞争优势可能不再仅仅取决于单一的通用性能指标（这些指标可能已接近天花板或难以区分），而是更多地体现在效率、成本、特定任务的深度优化能力、部署速度、安全可靠性、以及满足特定行业需求的定制化能力上。
这或许正是AI发展的一个潜在拐点：从追求“更高更快更强”的通用模型军备竞赛，转向更加务实、多元化和垂直化的价值创造。
推理新范式：测试时计算的威力与代价
为了突破现有模型的性能瓶颈，尤其是在复杂推理任务上，新的方法正在被探索。2024年，OpenAI展示了像o1和o3这样的模型，它们采用了*测试时计算”（test-time compute）的策略，即模型在生成答案的过程中会进行多轮的内部思考和推理迭代，而不是一次性输出。
这种方法带来了显著的性能提升。例如，在国际数学奥林匹克（IMO）资格考试的一个子集上，o1模型取得了74.4%的惊人成绩，而之前的GPT-4o得分仅为9.3%。这证明了通过增加推理时间（计算量），模型可以解决更复杂的问题。
然而，这种强大的能力是有代价的。报告指出，o1模型的使用成本几乎是GPT-4o的6倍，速度则慢了30倍。这提出了一个关键的权衡：在追求更高智能的同时，我们是否愿意并能够承受相应的计算成本和时间延迟？这对于需要实时响应或成本敏感的应用场景来说，是一个巨大的挑战。测试时计算的探索，也预示着未来模型发展可能需要更精细化的资源调度和成本效益优化。
高质量视频生成实现跨越：AI进入动态视觉时代
如果说过去几年是AI在文本和静态图像生成领域大放异彩的时期，那么2024年无疑标志着AI在视频生成领域取得了里程碑式的进展。
包括OpenAI的SORA、Stable Video Diffusion 3D/4D、Meta的Movie Gen以及Google DeepMind的Veo 2在内的一系列先进AI模型相继发布或展示。这些模型能够根据文本描述生成长度更长、画面更连贯、细节更丰富、物理交互更真实的高质量视频。相比2023年及之前的模型，其生成的视频质量有了质的飞跃，几乎达到了可以用于创意产业、内容制作甚至模拟仿真的水平。这不仅将深刻改变影视、广告、游戏等行业，也为科学研究、教育培训等领域带来了全新的可能性。AI正从静态理解走向动态模拟，一个全新的视觉叙事时代正在开启。
小模型大能量：效率与性能的再平衡
在追求更大模型的同时，另一个重要的趋势是小型化、高效化模型的快速发展。曾经，达到某个性能阈值（如MMLU得分超过60%）被认为是超大模型的专利。例如，2022年达到这一水平的最小模型是拥有5400亿参数的PaLM。
但到了2024年，情况发生了巨大变化。微软发布的Phi-3-mini模型，仅用38亿参数就达到了同样的性能阈值！这相比PaLM，参数量减少了惊人的142倍。这表明，通过改进模型架构、优化训练方法和使用更高质量的数据，可以在显著降低模型规模（及其带来的训练和推理成本）的同时，保持相当高的性能水平。
小模型的崛起意义重大，它意味着先进的AI能力不再仅仅是资源雄厚的巨头们的专属，中小型企业、资源有限的研究机构甚至个人开发者，都可能部署和使用强大的AI模型。这极大地降低了AI应用的门槛，将加速AI技术在更广泛场景中的落地。
智能体（Agent）崭露头角：特定任务超越人类
AI的发展正从被动响应指令向主动执行复杂任务的“智能体”（Agent）演进。智能体是指能够感知环境、做出决策并采取行动以达成目标的AI系统。2024年，评估AI智能体能力的基准（如RE-Bench）开始出现，初步结果令人振奋。
在限定时间较短（如2小时预算）的复杂任务环境中，顶尖AI系统的得分竟然是人类专家的4倍！这显示了AI在快速处理和执行特定流程上的潜力。不过，随着时间预算的增加（如32小时），人类的深度思考和策略规划优势显现，表现反超AI两倍。
尽管通用智能体仍处于早期阶段，但在一些特定领域，AI智能体已经展现出实用价值。例如，在编写高性能计算中常用的Triton内核这类专业任务上，AI智能体已经能够达到甚至超过人类专家的水平，同时交付速度更快、成本更低。AI智能体的兴起，预示着未来AI可能不仅仅是工具，更可能成为我们工作和生活中的自主协作者。
复杂推理仍是“阿喀琉斯之踵”：AI的逻辑短板
尽管AI在模式识别、语言生成等方面取得了巨大成功，但在需要严谨逻辑推理和规划的任务上，仍然表现不佳，这可以说是当前AI技术最显著的短板之一，即“阿喀琉斯之踵”。
即使引入了思维链（Chain-of-Thought）等技术来改善推理过程，现有的大语言模型（LLM）仍然无法可靠地解决那些可以通过逻辑推导找到确定性正确答案的问题，尤其是在面对比训练数据规模更大或更复杂实例时。这包括基础的算术运算、逻辑谜题、以及需要多步规划的任务（如PlanBench基准测试）。模型可能会产生看似合理但实际上错误的答案，或者无法泛化到新的问题变种。
这种在复杂推理上的不可靠性，极大地限制了AI在金融、医疗、工程、法律等高风险、高精度要求领域的应用潜力，也影响了公众对这些系统的信任度。如何赋予AI真正可靠的逻辑推理和规划能力，是通往更通用、更可信AI道路上必须攻克的关键科学难题。
二、研发现状：投入、产出与能耗的全球图景
核心洞察与思考： AI研发已进入一个由产业界深度主导、资本密集驱动的新时代。巨大的投入换来了模型能力的飞跃，但也带来了算力、数据和能源消耗的指数级增长，环境代价成为不可回避的议题。中美在全球研发布局中呈现出复杂的分工与竞争态势，而硬件效率的提升和推理成本的下降则为技术的普及注入了活力。理解研发背后的动力机制与资源约束，是把握AI未来走向的关键。
产业界主导模型研发，学界引领前沿研究：分工与合作
AI Index报告连续多年观察到，产业界在开发“知名”（notable）AI模型方面的主导地位日益巩固。2024年，近90%的知名AI模型源自产业界（公司或公司资助的研究实验室），这一比例相比2023年的60%有了大幅跃升。这反映了构建和训练前沿大模型所需的海量数据、算力和工程投入，已非多数传统学术机构所能独立承担。
然而，这并不意味着学术界在AI研究中无足轻重。恰恰相反，报告指出，在过去三年中，学术界仍然是产出高被引（排名前100）AI研究论文的最主要力量。这表明，尽管产业界在将研究成果转化为大规模模型方面占据优势，但基础理论的突破、新算法的提出、以及对AI伦理和社会影响的深度思考，仍然高度依赖于开放的学术环境。健康的AI生态需要产学研之间的紧密合作与良性互动。
AI论文持续井喷，主导计算机科学
AI作为研究领域的热度持续不减。报告显示，从2013年到2023年，在计算机科学及其他相关学科领域发表的AI论文总数几乎翻了三倍，从约10.2万篇增长到超过24.2万篇。
更值得注意的是AI在整个计算机科学领域的占比。2013年，AI论文约占所有CS论文的21.6%，而到了2023年，这一比例已飙升至41.8%！ 这意味着，人工智能已经成为计算机科学研究中绝对的主导方向，吸引了最多的研究资源和人才投入。这一趋势无疑将继续推动AI理论和应用的边界拓展。
模型规模、算力与能耗的指数级增长：摩尔定律在AI时代的体现？
前沿AI模型性能的提升，很大程度上是建立在模型规模、训练数据和所需算力急剧膨胀的基础上的。报告引用的一项新研究揭示了这种惊人的“指数级”增长趋势：
-
• 训练知名AI模型所需的计算量大约每5个月翻一番。 -
• 用于训练大语言模型的数据集规模大约每8个月翻一番。 -
• 训练这些模型所需的电力则大约每年翻一番。
这种增长速度，让人联想到半导体行业的摩尔定律。它既是AI能力快速进步的驱动力（尤其是在大规模产业投资的推动下），也带来了巨大的挑战，包括对算力基础设施的极致需求、高昂的训练成本，以及日益严峻的能源消耗和环境影响问题。这种近乎“不惜代价”的规模竞赛是否可持续？ 寻找更高效的训练方法和模型架构，已成为AI研究的关键方向。
AI硬件：更快、更便宜、更节能的持续进化
支撑AI算力需求的基础是硬件的不断进步。报告引用研究指出，AI硬件（特指用于机器学习的芯片，如GPU、TPU等）的发展也呈现出积极态势：
-
• 性能增长： 以16位浮点运算性能衡量，机器学习硬件性能平均每年增长43%，大约每1.9年翻一番。 -
• 成本下降： 硬件的价格性能比（即单位性能的价格）持续改善，成本平均每年下降30%。 -
• 能效提升： 单位能耗所能完成的计算量（能源效率）平均每年提升40%。
硬件层面的这些进步，是推动AI训练和推理成本下降、性能提升的重要基础。尽管模型本身的算力需求在暴涨，但硬件效率的提升在一定程度上缓解了压力，并使得更强大的AI能力能够更快地普及。
AI推理成本急剧下降：应用门槛快速降低
训练大模型的成本固然高昂，但模型训练完成后，在实际应用中“使用”模型（即进行推理）的成本，对于AI技术的普及至关重要。好消息是，AI推理的成本正在以惊人的速度下降。
报告以达到GPT-3.5（MMLU得分64.8）性能水平的模型为例，在2022年11月，每处理一百万token（约相当于75万个英文单词）的推理成本约为20美元。而到了2024年10月，使用像Gemini-1.5-Flash-8B这样更高效的模型达到同等性能水平，成本已降至仅0.07美元！在短短约18个月内，成本下降了超过280倍！
报告进一步指出，根据任务类型的不同，LLM推理价格的年化下降率在9倍到900倍之间。这种成本的急剧下降，极大地降低了企业和个人使用先进AI服务的门槛，是推动AI应用从少数科技巨头向各行各业广泛渗透的关键因素。AI正变得前所未有的“便宜”和易用。
训练碳排放激增：不可忽视的环境代价
然而，AI发展的背后并非全是光明。模型规模和算力需求的指数级增长，带来了日益严峻的环境问题，尤其是训练过程中的碳排放。
报告追踪了不同时期代表性AI模型的训练碳排放量：
-
• 早期模型如AlexNet（2012年）的训练碳排放仅为0.01吨二氧化碳当量。 -
• 到了GPT-3（2020年），这一数字飙升至588吨。 -
• 最新的GPT-4（2023年）据估计达到5184吨。 -
• 而Meta的Llama 3.1 405B（2024年）的训练碳排放更是高达8930吨！
作为对比，一个普通美国人一年的碳排放量约为18吨。这意味着，训练一个顶尖大模型的碳足迹相当于数百甚至数千人一年的排放量。随着更大模型的不断涌现和训练频率的增加，AI行业的整体碳排放问题将愈发突出。如何在追求AI能力进步的同时，有效控制和降低环境影响，已成为AI领域必须严肃面对和解决的挑战。
三、经济浪潮：AI投资创纪录，生产力革命进行时
核心洞察与思考： AI正以前所未有的力量搅动全球经济格局。资本以前所未有的热情涌入，特别是对生成式AI寄予厚望，推动投资额屡创新高。企业界则从观望迅速转向实战，AI应用普及率飙升，其提升生产力的潜力已获多方验证。然而，AI经济价值的全面释放并非一蹴而就，多数企业的财务回报仍处早期，这提示我们关注从技术潜力到商业成功的转化路径，以及AI可能带来的结构性变革。
全球AI投资再创新高，美国遥遥领先
2024年见证了全球对人工智能领域的投资热情达到了新的顶峰。报告显示，全球企业在AI领域的总投资（包括私有投资、并购、公开发行和少数股权）达到了惊人的2523亿美元。其中，私有投资表现尤为强劲，同比增长了44.5%；并购活动也增长了12.1%。回顾过去十年，AI领域的总投资增长了超过13倍，显示出资本市场对AI长期价值的坚定信心。
在这股投资浪潮中，美国的领先地位进一步巩固。2024年，美国的私有AI投资总额达到了1091亿美元，这几乎是中国的12倍（93亿美元），是英国的24倍（45亿美元）。这种巨大的投资差距，尤其是在高风险、高回报的前沿AI研发领域，是美国能够持续产出大量顶尖模型的重要原因之一。
生成式AI：资本追逐的绝对焦点
自ChatGPT引爆全球以来，生成式AI（Generative AI）无疑成为了AI领域最受瞩目的焦点，也自然成为了资本追逐的热点。报告数据显示，2024年，全球对生成式AI的私有投资达到了339亿美元，比2023年增长了18.7%，更是2022年水平的8.5倍以上！
生成式AI领域的投资额目前已占到所有AI相关私有投资总额的20%以上。在美国，这一领域的投资优势更为明显，其投资额比中国、欧盟和英国的总和还要多出254亿美元（2023年这一差距为218亿美元）。这表明，尽管生成式AI的商业模式和盈利前景仍在探索中，但投资者对其颠覆性潜力的预期极高，愿意投入巨资抢占赛道。
企业AI应用普及率飙升：从“要不要用”到“怎么用好”
如果说投资反映了对未来的预期，那么企业实际应用则体现了AI当前的价值。报告通过对全球组织的调查发现，AI在企业中的应用普及率正在经历爆炸式增长。
2024年，报告使用AI的受访组织比例从2023年的55%跃升至78%！这意味着，在短短一年内，又有近四分之一的企业开始将AI技术融入其运营或产品中。
同样地，报告在至少一个业务功能中使用生成式AI的受访者比例也翻了一番多，从2023年的33%激增至2024年的71%。这表明，生成式AI已经快速渗透到企业的实际业务流程中，例如营销、销售、客户服务、软件开发、内容创作等。企业对AI的态度，已经从过去的观望、尝试，转变为积极拥抱和规模化部署。如何更有效地利用AI来提升竞争力，已成为企业高管面临的核心议题。
AI驱动生产力提升，弥合技能差距：价值开始显现
AI究竟能否真正提升生产力？去年的AI Index报告就已初步展示了相关证据。今年的报告进一步强化了这一结论，汇集了更多研究证实：AI确实能够提升劳动生产率，并且在多数情况下，还有助于缩小低技能员工和高技能员工之间的能力差距。
例如，研究发现AI工具（如编程助手）可以帮助经验不足的开发者更快地完成任务，接近甚至达到资深开发者的水平。在客户服务领域，AI助手可以为客服人员提供实时建议和信息支持，提升其解决问题的效率和质量，尤其对新手帮助更大。AI的这种“赋能”效应，不仅能带来整体效率的提升，还可能通过降低技能门槛，促进更广泛的劳动力参与和价值创造。这对于应对人口老龄化、劳动力短缺等宏观挑战具有重要意义。
财务影响初显，但多数企业仍在“爬坡期”
尽管AI的生产力效应得到证实，但其对企业财务报表的直接贡献，目前看来多数还处于早期阶段。
报告调查显示，在使用AI的企业中，虽然有相当比例报告了成本节约或收入增加，但增益幅度通常还比较有限。
-
• 成本节约方面： 在服务运营中使用AI的组织中，49%报告了成本节约，其次是供应链管理（43%）和软件工程（41%）。但其中大多数报告的节约幅度低于10%。 -
• 收入增加方面： 在市场营销和销售中使用AI的组织中，71%报告了收入增加，其次是供应链管理（63%）和服务运营（57%）。但最常见的增收幅度同样低于5%。
这表明，虽然AI应用的广度在快速扩展，但深度和成熟度还有待提高。多数企业可能仍处于探索、试点或初步推广阶段，尚未完全释放AI的潜力以实现显著的财务回报。未来几年，随着AI技术的进一步成熟、企业应用的深化以及商业模式的创新，我们有望看到AI对企业盈利能力的更强劲驱动。
工业机器人：中国持续主导，人机协作成为新趋势
工业机器人是AI技术在制造业自动化中的重要体现。报告数据显示，中国在工业机器人领域的部署规模持续保持全球绝对领先。
2023年，中国安装了27.63万台工业机器人，是日本的6倍，美国的7.3倍。自2013年超越日本以来，中国在全球新增工业机器人安装量中的份额已从20.8%上升至51.1%，占据半壁江山。尽管2023年中国的份额相比峰值略有回调，但其“世界工厂”的自动化进程仍在高速推进。
值得注意的另一个趋势是协作机器人（Collaborative Robots, Cobots）的兴起。这类机器人被设计为可以与人类在共享空间内安全地协同工作。2017年，协作机器人仅占全球新增工业机器人安装量的2.8%，而到了2023年，这一比例已攀升至10.5%。此外，用于非工业场景（如物流、医疗、接待等）的服务机器人安装量也在大多数类别中持续增长。这表明，机器人技术正从单纯替代人力向与人协作、服务于人的方向发展，应用场景日益多元化。
AI驱动能源结构变革：核能因AI重获关注
训练和运行大规模AI模型需要消耗巨大的电力，这正对全球能源结构产生潜在影响，并意外地让核能重新获得了科技巨头的关注。
报告提到，微软宣布了一项价值16亿美元的交易，旨在重启著名的三里岛核反应堆的部分设施，以为其AI数据中心提供电力。无独有偶，谷歌和亚马逊也已签署了核能采购协议，以支持其日益增长的AI运营需求。由于核能具有零碳排放和稳定供能的特点，在AI算力需求暴涨和全球减碳目标双重压力下，它被一些人视为满足未来大规模计算能源需求的潜在解决方案。AI的发展，正在间接推动能源行业的深刻变革。
四、社会融合：AI渗透日常，重塑科学与医疗
核心洞察与思考： AI正以前所未有的深度和广度融入社会运行的脉络，不再是象牙塔中的概念，而是切实改变着我们的生活方式和认知边界。尤其在科学探索和医疗健康这两个关乎人类未来的基石领域，AI展现出重塑范式的强大力量，甚至开始挑战人类专家的权威。这种深度的社会融合，既带来了效率提升和问题解决的新路径，也必然引发关于伦理、公平和人机关系的新思考。
AI深入生活：从医疗审批到自动驾驶规模化
AI融入日常的一个直观体现是在医疗健康领域。美国食品药品监督管理局（FDA）对AI赋能医疗设备的审批流程提供了一个窗口。自1995年批准首个此类设备以来，早期进展缓慢，到2015年总共也只有6个。但此后审批数量开始指数级增长，仅2023年一年就批准了223个AI赋能的医疗设备！这些设备涵盖了诊断成像、疾病筛查、个性化治疗等多个方面，标志着AI在医疗领域的应用已从实验性探索进入规模化落地阶段。
另一个备受关注的领域是自动驾驶。尽管公众疑虑仍存（详见第七部分），但商业化运营正在稳步推进。报告指出，作为美国最大的自动驾驶服务运营商之一，Waymo目前每周提供超过15万次的完全自动驾驶（无安全员）出行服务。在中国，百度的Apollo Go Robotaxi车队也已在多个城市提供平价的自动驾驶出租车服务。这些规模化的商业运营，表明AI驱动的自动驾驶技术正在逐步克服挑战，走向成熟。
AI推动科学发现进入快车道：诺奖级别的认可
AI对科学研究的赋能作用日益凸显，甚至达到了获得诺贝尔奖肯定的高度。
2024年，AI驱动的科学研究获得了两项诺贝尔奖：
-
• 化学奖授予了Google DeepMind的Demis Hassabis和John Jumper，表彰他们利用AI（特别是AlphaFold）在蛋白质结构预测方面取得的革命性突破。AlphaFold能够以前所未有的速度和精度预测蛋白质的三维结构，极大地加速了生命科学的研究进程。 -
• 物理学奖则授予了John Hopfield和Geoffrey Hinton，表彰他们在神经网络方面的奠基性贡献，这些工作为现代深度学习的发展奠定了理论基础。
除了诺奖级别的认可，AI在其他科学领域的应用也亮点纷呈。2024年涌现了更多AI驱动的科学发现工具和应用，例如：
-
• ESM3 和 AlphaFold 3：更大、更强的蛋白质序列和结构预测模型，持续提升预测精度。
(图注：更大规模、更高性能的蛋白质预测模型如ESM3、AlphaFold 3相继发布) -
• Aviary：训练LLM智能体执行生物学任务的平台。 -
• FireSat：显著提升野火预测能力的AI系统。
（文：子非AI）