斯坦福大学发布2025年人工智能指数报告，聚焦技术性能与中美模型发展差距缩小

2025年4月，斯坦福大学的“以人为本 人工智能研究院”推出了《2025年人工智能指数报告》（Artificial Intelligence Index Report 2025），该报告涉及人工智能领域的多个方面，包括研发、技术性能、负责任的人工智能、经济影响、科学医疗、政策、教育及社会舆论等。尤其值得关注的是，报告第二章“技术性能”基于最新的基准测试数据，通过综合分析展示了人工智能系统在速度、准确性和推理能力上的演变轨迹，并揭示了中美在人工智能模型表现上的差距正在迅速缩小。

在报告中对2024年人工智能技术性能的发展进行了深度回顾，包括众多关键模型及数据集的发布，以及整体性能状况和模型开放程度的演变等。数据表明，随着OpenAI、Google DeepMind、DeepSeek和xAI等多个竞争对手的创新，前10名模型在Chatbot Arena的表现分数也相应地缩小。尤其是在复杂推理任务和修复性学习的处理能力方面，先进模型的进步给予了人们对人工智能未来的信心。

以图1为例，报告列举了2024年间人工智能领域最具影响力的模型和数据集，通过Stable LM 2和DeepSeek-V3等30多个代表性成果展示了技术创新带来的积极成果。报告还指出，在图像分类、多学科推理等任务领域，即便是竞赛级别的数学和视觉常识推理，2024年最先进的系统表现亦已逼近甚至超越人类，图2显示了这些进步的轨迹。

值得一提的是，报告中对美国和中国人工智能模型的实力对比做了详尽分析。2023年，美国模型在多项基准测试中的表现领先于中国同行，但到2024年底，这些差距显著缩小，分别减至0.3、8.1、1.6和3.7个百分点（详见图4），这表明开放权重生态的发展正在有效地促进全球人工智能的平衡竞争氛围。

2024年还是小型高效模型崛起的一年，模型如GPT-4o mini和o1-mini开始涌现出众多优秀成果。报告强调，越来越多的小型模型在速度和效率上都有惊人的优势，显示出给定的任务可以通过更少的资源实现高效解答。图5中展示的不同模型在Chatbot Arena的Elo分数对比，进一步反映了这一高度竞争的市场格局。

报告还特别强调了“人类的考试”（HLE）、FrontierMath及BigCodeBench等新基准出现的重要性。尤其是在复杂逻辑与跨学科推理方面的测试，这些新基准不仅揭示了模型的短板，还为未来研究指明了方向。人工智能在自然语言处理（NLP）领域的技术应用和研究仍然是关注的重点，MMLU基准在这一领域的表现得到了系统随着模型性能的不断提升，准确率在过去一年内提升了64.4%，但噪声题目与文化偏差等问题仍在继续影响评估的公平性。

呈现在报告中的视觉领域也展示了新的进展，随着引入MVBench等新基准，人工智能在视频与多视角理解上展现更高要求。主要评估工具如ImageNet和VCR在分类、检测与多模态推理能力上进行了良好的横向对比，为行业发展提供了充足的参考。

在自动语音识别领域，报告也进一步强调了模型在多语言和高噪声环境下的鲁棒性。基于最新评测结果，研究者们提出了解决智能体在多场景下的各类挑战的有效方法。编程相关的基准测试BigCodeBench和SWE-bench则强调了代码生成能力的逐渐提升，但在多个指标上仍与人类专家存在明显差距。

即使如此，2024年也标志着人工智能在某些任务如数学问题求解和跨学科推理的突破，例如MATH数据集中的问题解答能力，OpenAI的o3-mini模型已成功解答了97.9%的问题，显示出人工智能在复杂推理能力的迅速增长。

报告还展望了未来的发展方向，强调了应对挑战的必要性。随着行业内对透明度和负责任的人工智能的推动，开源模型的快速发展必将推动科研和应用领域的新一轮进步。

《2025年人工智能指数报告》不仅全面回顾了2024年间的技术进展，还系统性地分析了中美在人工智能模型发展上的差距缩小，有望为相关领域的研究者和从业者提供有力的参考和依据，助力于推动人工智能的负责任和可持续发展。