斯坦福2025 AI指数出炉！中美AI终极对决差距仅剩0.3%，DeepSeek领衔

来自科技2025-04-09 12:30:51

【导语】斯坦福大学发布的2025年AI指数报告震撼出炉，全面剖析了全球AI领域的最新趋势。报告显示，中美顶级AI模型的性能差距已缩至0.3%，中国模型正以DeepSeek等为代表快速崛起。同时，AI推理成本大幅下降，小模型性能飙升，AI正变得更加高效且普惠。这份456页的重磅报告，不仅揭示了AI性能的再攀高峰，还展现了AI在科技、教育、日常生活等领域的广泛应用与挑战，为全球AI发展描绘了一幅波澜壮阔的图景。

新智元报道

编辑：编辑部

【新智元导读】2025年斯坦福HAI报告重磅发布，456页深度剖析全球AI领域的最新趋势：中美顶级模型性能差距缩至0.3%，以DeepSeek为代表的模型强势崛起，逼近闭源巨头；推理成本暴降，小模型性能飙升，AI正变得更高效、更普惠。

就在刚刚，每年都备受瞩目的斯坦福AI指数报告，重磅发布了！

这份报告由斯坦福大学以人为本AI研究员发布，代表着每年AI领域最核心和前沿的动向总结。

今年，这份报告长达456页，抛出不少惊人观点。

比如，如今在2025年，中美顶级AI模型的性能差距已经缩小到了0.3%（2023年，这一数字还是20%），中国模型正在快速追赶美国的领先地位！

而DeepSeek领衔的开放权重模型，更是以1.7%之差，逼宫各大闭源巨头。前者和后者的差距，已经由2024年的8%，缩小至2025年的1.7%。

当然，目前从行业主导企业来看，美国仍然领先于(yú)中国。在2024年，90%的知名AI模型来自企业，美国以40个模型领先，中国有15个。

更明显的一个趋势，就是如今大模型的性能已经趋同！在2024年，TOP1和TOP10的模型的差距能有12%，但如今，它们的差距已经越来越小，锐减至5%。

十二大亮点

最新的斯坦福HAI两篇博文中，浓缩了2025年AI指数报告的十二大亮点。

1. AI性能再攀高峰，从基准测试到视频生成全面突破

2023年，研究人员推出了MMMU、GPQA和SWE-bench等新基准来测试先进AI系统的极限。

仅一年后，性能便大幅提升：AI在三项基准得分分别飙升18.8%、48.9%和67.3%。

不仅如此，AI在生成高质量视频方面取得重大突破，甚至，在某些场景下AI智能体甚至超越人类表现。

· 更有用智能体崛起

2024年发布的RE-Bench基准测试，为评估AI智能体复杂任务能力设立了严苛标准。

数据显示：在短期任务（2小时内）场景下，顶级AI系统的表现可达人类专家的(de)4倍(bèi)；但当任务时限延长至32小时，人类则以2:1的优势反超。

值得注意的是，AI已在特定领域，如编写特定类型代码，展现出与人类相当的专业水平，且执行效率更胜一筹。

2. 美国领跑顶尖模型研发，但中国与之差距逐渐缩小

2024年，美国产出40个重要AI模型，远超中国(guó)的(de)15个(gè)和(hé)欧(ōu)洲(zhōu)的3个。

然而，中国模型在性能上的差距正加速缩小：MMLU等基准测试中，中美AI差异从两位数缩小至近乎持平。

同时，中国在AI学术论文和专利申请量上持续领跑，中东、拉美和东南亚地区也涌现出具有竞争力的模型。

3. AI正变得高效且普惠，推理成本暴降280倍

随着小模型性能提升，达到GPT-3.5水平的推理成本在两年间下降280倍，硬件成本以每年30%的速度递减，能效年提升率达40%。

更令人振奋的是，开源模型性能突飞猛进，部分基准测试中与闭源模型的差距从8%缩至1.7%。

· 大模型使用成本持续走低，年降幅最高900倍

在MMLU基准测试中达到GPT-3.5水平（MMLU准确率64.8%）的AI模型调用成本，已从2022年11月的20美元/每百万token，骤降至2024年10月的0.07美元/每百万token（谷歌DeepMind的Gemini-1.5-Flash-8B模型），18个月(yuè)内(nèi)AI成(chéng)本(běn)下(xià)降(jiàng)280倍(bèi)。

视(shì)具(jù)体(tǐ)任(rèn)务(wu)需(xū)求(qiú)，LLM推(tuī)理(lǐ)服(fú)务(wu)价(jià)格(gé)的(de)年(nián)降(jiàng)幅(fú)可(kě)达(dá)9-900倍(bèi)不(bù)等(děng)。

· 小模型性能显著提升，参数暴减142倍

2022年，在大规模多任务语言理解（MMLU）基准测试中，得分超60%的最小模型是 PaLM，参数量为5400亿。

到了2024年，微软Phi-3-mini仅用38亿参数，就取得了同样的实力。

这代表，两年多的时间里模型参数减少了142倍。

4. 科技巨头称霸AI前沿，但竞争白热化

2024年，近90%的重要模型源自企业，学术界则保持基础研究优势。

模型规模呈指数增长：训练算力每5个月翻番，数据集每8个月扩容一倍。

值得注意的是，头部模型性能差距显著缩小，榜首与第十名得分差已从11.9%降至5.4%。

5. AI逻(luó)辑(ji)短(duǎn)板(bǎn)，推(tuī)理(lǐ)能(néng)力(lì)仍(réng)是(shì)瓶(píng)颈(jǐng)

采用(yòng)符(fú)号(hào)推(tuī)理(lǐ)方(fāng)法(fǎ)的(de)AI系(xì)统(tǒng)，能(néng)较(jiào)好(hǎo)解决IMO问题（虽未达人类顶尖水平），但LLM在MMMU等复杂推理任务中表现欠佳，尤其不擅长算术推导和规划类强逻辑性任务。

这一局限影响了其在医疗诊断等高风险场景的应用可靠性。

6. 大厂ALL in AI，投资与采用率创双纪录

科技大厂们，正全力押注AI。

2024年，美国私营AI投资达1091亿美元，约为中国（93亿）的12倍、英国（45亿）的24倍。

生成式AI势头尤猛，全球私募投资达339亿美元（同比增18.7%）。

与此同(tóng)时(shí)，企(qǐ)业(yè)AI采用(yòng)率(lǜ)从(cóng)55%升(shēng)至(zhì)78%。研(yán)究(jiū)证(zhèng)实(shí)，AI不(bù)仅(jǐn)能(néng)提(tí)升(shēng)生(shēng)产(chǎn)力(lì)，多(duō)数(shù)情(qíng)况(kuàng)下(xià)还(hái)可(kě)缩(suō)小(xiǎo)劳(láo)动(dòng)力(lì)技(jì)能(néng)差(chà)距(jù)。

更(gèng)引(yǐn)人(rén)注(zhù)目(mù)的(de)是(shì)，将(jiāng)生(shēng)成(chéng)式(shì)AI应(yīng)用(yòng)于(yú)至(zhì)少(shǎo)一(yī)项业务职能的企(qǐ)业(yè)数(shù)量(liàng)激(jī)增(zēng)——从(cóng)2023年(nián)的(de)33%跃(yuè)升(shēng)至(zhì)去(qù)年(nián)的(de)71%，增(zēng)幅(fú)超(chāo)一(yī)倍(bèi)。

7. AI荣(róng)膺(yīng)科(kē)学(xué)界(jiè)最高荣誉，摘诺奖桂冠

2024年(nián)，两(liǎng)项(xiàng)诺(nuò)贝(bèi)尔(ěr)奖(jiǎng)分(fēn)别(bié)授(shòu)予(yǔ)深度学习理论基础（物理学）和蛋白质折叠预测（化学）研究，图灵奖则花落强化学习领域。

8. AI教育普及加速，但资源差距仍存

全球2/3国家已或计划开展K-12计算机科学教育，但非洲地区受限于电力等基础设施，推进缓慢。

美国81%的计算机教师认为AI应纳入基础课程，但仅47%具备相应教学能力。

9. AI正深度融入日常生活

从医疗到交通，AI正快速从实验室走向现实。

1995年，FDA批准了第一款AI赋能的医疗器械。

截至2024年8月，FDA已批准950款AI医疗设备——较2015年的6款和2023年的221款，增长迅猛。

而在自动驾驶领域，汽车已脱离实验阶段：美国头部运营商Waymo每周提供超15万次无人驾驶服务。

10. 全球(qiú)AI乐(lè)观情绪上升，但地区差异显著

中国（83%）、印尼（80%）和泰国（77%）民众对AI持积极态度，而(ér)加(jiā)拿(ná)大(dà)（40%）、美(měi)国(guó)（39%）等(děng)发(fā)达(dá)国(guó)家(jiā)则(zé)相(xiāng)对(duì)保(bǎo)守(shǒu)。

值(zhí)得(de)关注(zhù)的(de)是(shì)，德(dé)国(guó)（+10%）、法(fǎ)国(guó)（+10%）等(děng)原怀疑论国家态度明显转变。

11. 负责任AI生态发展不均

虽然AI安全事件激增，但主流模型开发商仍缺乏标准化评估体系。

HELM Safety、AIR-Bench和FACTS等新基准为事实性与安全性评估提供工具。

企业普遍存在「认知与行动脱节」，而各国政府加速协作：2024年，经合组织、欧盟等国际机构相继发布聚焦透明度、可信度的治理框架。

· 问题AI数量跃升

根据权威AI危害追踪数据库「AI事件库」（AI Incidents Database）统计，2024年全球AI相关危害事件激增至233起，创下历史新高，较2023年暴涨56.4%。

其中既包括深度伪造私密图像案件，也涉及聊天机器人疑似导致青少年自杀等恶性事件。

尽管该统计未能涵盖全部案例，但已清晰揭示AI技术滥用正在呈现惊人增长态势。

12. 全球监管力度持续加强

2024年美国联邦机构颁布59项AI法规，涉及部门数量翻倍。

75个国家立法机构提及AI频次同比增长21.3%，较2016年增长九倍。

投资方面：加拿大承诺24亿美元，中国设立475亿美元半导体基金，法国投入1090亿欧元，印度拨款12.5亿美元，沙特启动千亿美元级的「超越计划」。

详细亮点解读

下面，我们将摘出报告中的亮点内容，提供更详细的解读。

中美差距仅剩0.3%

翻开502页的报告，最吸睛的部分，莫过于中美AI差异这部分了。

报告中强调，虽然2024年，美国在顶尖AI模型的研发上依然领先，但中美模型之间的性能差距，正在迅速缩小！

为了衡量AI领域过去一年演变的全球格局，HAI特意用AI指数，列出了具有代表性的模型所属国家(jiā)，美(měi)国(guó)依(yī)然(rán)居(jū)首(shǒu)。

数(shù)据(jù)显(xiǎn)示(shì)，在(zài)2024年(nián)，美(měi)国(guó)机(jī)构(gòu)以(yǐ)拥(yōng)有(yǒu)40个(gè)知(zhī)名模(mó)型(xíng)领(lǐng)先(xiān)，远(yuǎn)远(yuǎn)超(chāo)过(guò)中(zhōng)国(guó)的(de)15个(gè)和(hé)欧(ōu)洲(zhōu)的(de)3个(gè)。

总体来说，模型发布总量已经下降，可能是多个因素共同导致的，比如训练规模日益庞大、AI技术日益复杂，开发新模型方法的难度也在增加。

AI模型已成(chéng)为算力巨兽

· 参数趋势

简单的说，参数就是AI模型通过训练学到的一些数字，这些数字决定了模型如何理解输入和怎样输出。

AI的参数越多需要的训练数据也越多，但同时性能也更厉害。

从2010年代初开始，模型的参数量就蹭蹭往上涨，这背后是因为模型设计得越来越复杂、数据更容易获取、硬件算力也更强了。

更重要的是，大模型确实效果好。

下图用了对数刻度，方便大家看清楚AI模型参数和算力近年来的爆炸式增长。

随着模型参数数量的增加，训练所需的数据量也在暴涨。

2017年发布的Transformer模型，掀起了大型语言模型的热潮，当时它用了大约20亿个token来训练。

到了2020年，GPT-3 175B模型的训练数据已经飙到了约3740亿个token。

而Meta在2024年夏天发布的模型Llama 3.3，更(gèng)是(shì)用(yòng)了(le)大(dà)约(yuē)15万(wàn)亿(yì)个(gè)token来(lái)训(xun)练(liàn)。

根(gēn)据(jù)Epoch AI的(de)数(shù)据(jù)，大(dà)型(xíng)语(yǔ)言(yán)模(mó)型(xíng)的(de)训(xun)练(liàn)数(shù)据(jù)集规(guī)模(mó)大(dà)约(yuē)每(měi)八个月翻一倍。

训练数据集越来越大，导致的训练时间也变得越来越长。

像Llama 3.1-405B这样的模型，训练大概需要90天，这在如今已经算是「正常」的了。

谷歌在2023年底发布的Gemini 1.0 Ultra，训练时间大约是100天。

相比之下，2012年的AlexNet就显得快多了，训练只花了五六天，而且AlexNet当时用的硬件还远没有现在的先进。

· 算力趋势

「算力」指的是训练和运行AI模型所需的计算资源。

最近，知名AI模型的算力消耗呈指数级增长。据Epoch AI估计，知名AI模型的训练算力大约每五个月翻一番。

这种趋势在过去五年尤为明显。

去年12月，DeepSeek V3一经推出就引发了广泛关注，主要就是因为它在性能上极其出色，但用的计算资源却比许多顶尖大型语言模型少得多。

下图1.3.17比较了中国和美国知名AI模型的训练算力，揭示了一个重要趋势：美国的顶级AI模型通常比中国模型需要多得多的计算资源。

· 推理成(chéng)本(běn)

推(tuī)理(lǐ)成(chéng)本(běn)，指(zhǐ)的(de)是(shì)对(duì)一(yī)个(gè)已(yǐ)训(xun)练(liàn)模(mó)型(xíng)进(jìn)行(xíng)查(chá)询(xún)所(suǒ)需(xū)的(de)费(fèi)用(yòng)，通(tōng)常(cháng)以(yǐ)「每(měi)百(bǎi)万(wàn)tokens的(de)美(měi)元(yuán)价(jià)格(gé)」来(lái)衡(héng)量(liàng)。

这(zhè)份(fèn)报(bào)告(gào)中(zhōng)AI token的(de)价(jià)格(gé)数(shù)据(jù)，来(lái)源(yuán)于(yú)Artificial Analysis和(hé)Epoch AI的(de)API定(dìng)价(jià)专(zhuān)有(yǒu)数(shù)据(jù)库(kù)，而(ér)价(jià)格(gé)是(shì)根(gēn)据(jù)输(shū)入(rù)与(yǔ)输(shū)出(chū)token的(de)价(jià)格(gé)按(àn)3:1的(de)权(quán)重(zhòng)平(píng)均(jūn)计(jì)算(suàn)得(de)出(chū)的(de)。

可(kě)以(yǐ)看(kàn)出(chū)，单(dān)位(wèi)性(xìng)能(néng)的(de)AI成(chéng)本(běn)正(zhèng)在(zài)显(xiǎn)著(zhe)下(xià)降(jiàng)。

而(ér)Epoch AI估(gū)计(jì)，根(gēn)据(jù)不(bù)同(tóng)任(rèn)务(wu)类(lèi)型(xíng)，大(dà)型(xíng)语(yǔ)言(yán)模(mó)型(xíng)的推理成本每年下(xià)降(jiàng)幅(fú)度(dù)可(kě)达(dá)9倍(bèi)至(zhì)900倍(bèi)不(bù)等(děng)。

虽(suī)然(rán)如(rú)此(cǐ)，想(xiǎng)要(yào)获(huò)得(de)来(lái)自(zì)OpenAI、Meta和(hé)Anthropic的(de)模(mó)型(xíng)，仍(réng)需(xū)支(zhī)付(fù)不(bù)小(xiǎo)的(de)溢(yì)价(jià)。