文 | 产业家
把研发、技术、治理、经济、科学、医学等放在一起看，2025 年的 AI 产业已经很难用 " 模型进步 " 四个字概括。
上半场比的是谁能训练出更强模型，下半场比的是谁能把模型变成稳定、可靠、可监管、可商业化、可持续的生产力。
过去一年，AI 行业最显著的变化，是判断 AI 进展的方式变了。过去一年，AI 行业最显著的变化，是判断 AI 进展的方式变了。
在更长一段时间里，外界习惯用参数规模、榜单排名、融资金额和产品发布节奏来理解 AI。但进入 2025 年后，这套叙事开始显得不够用了。模型还在变强，算力还在扩张，资本还在涌入，AI 也正在进入科学、医疗、教育、企业服务和自动驾驶等更深的产业场景。可与此同时，顶级模型之间的性能差距正在缩小，前沿系统的透明度正在下降，算力和芯片供应链越来越集中，治理、能源、就业和公平问题也开始从幕后走到台前。
这意味着，AI 竞争正在从单点技术竞赛，变成一场更复杂的系统竞争。真正值得追问的，已经不只是 " 谁的模型更强 "，而是 " 谁能把 AI 变成稳定、可信、可规模化的生产力 "。
也正是在这个节点，斯坦福大学以人为本人工智能研究院旗下 AI Index 项目发布了《2026 AI Index Report》。作为一份长期被全球政策界、学术界、产业界和媒体引用的年度报告，它并不只是一份技术榜单，而是试图用跨越研发、技术性能、负责任 AI、经济、科学、医学和教育等多个维度的数据，重新描绘 AI 产业的真实坐标。
这份报告释放出的信号很清晰：AI 的上半场，比的是模型能力和技术突破；AI 的下半场，比的将是基础设施、真实场景、商业效率和社会信任。换句话说，AI 已经不再只是技术公司的故事，而是正在成为一套重新分配产业资源、人才结构和全球竞争优势的新基础设施。
围绕这份报告，我们试图从七个维度梳理 2025 年以来 AI 产业正在发生的关键变化。一个越来越明确的判断是：当模型能力逐渐逼近，真正决定下一轮产业格局的，将是把技术落到产业深处的能力。
以下为报告转译后归纳总结：
要点概述：
1、AI 远未见顶，反而在加速狂飙，正以史无前例的广度野蛮渗透大众
2、中美 AI 模型的性能鸿沟，如今已被生生抹平
3、 既能斩获奥数金牌，又会在数秒报时上沦为白痴， AI 陷入极度失衡的 " 参差前沿 "
4、尽管机器人在受控环境中表现出色，但在大多数家务任务上仍束手无策
5、负责任的人工智能发展速度跟不上人工智能能力的提升，安全基准滞后，相关事件数量大幅上升
6、人工智能的普及速度正创下历史纪录，消费者正从这些通常免费使用的工具中获得可观价值
7、人工智能正在改变临床医疗，但相关严谨的证据依然有限
一、研发进入巨头时代：AI 越来越强，也越来越不透明
2025 年的 AI 研发呈现出一种鲜明的矛盾：一方面，支撑 AI 发展的资源还在增长，算力、开源项目、论文和专利都在继续扩张；另一方面，真正处在前沿位置的模型系统却越来越集中，透明度也在下降。
最直接的变化是，行业已经成为 AI 模型开发的绝对主角。2025 年，行业产出了超过 90% 的知名 AI 模型，学术机构在前沿模型中的角色被进一步挤压。原因并不复杂，训练一个顶级模型所需要的算力、数据、工程团队和资金投入，已经不是一般高校或研究机构能够独立承担的。AI 研发正在从过去相对开放的科研竞争，变成少数巨头之间的基础设施竞赛。
算力是这场竞争最硬的底座。自 2022 年以来，全球 AI 计算能力每年约增长 3.3 倍，到 2025 年已达到 1710 万颗 H100 等效芯片的规模。英伟达占据总计算量的 60% 以上，谷歌和亚马逊供应了剩余的大部分份额，华为虽然占比仍小，但份额正在增长。算力扩张背后，是超大规模数据中心建设和前沿模型训练、推理需求的持续上升。
但越往底层看，风险越集中。美国拥有全球最多的数据中心，数量是其他任何国家的十倍以上；而台积电几乎制造了所有主流 AI 芯片，使全球 AI 硬件供应链高度依赖台湾的一家代工厂。AI 看似是云端软件革命，底层却是高度集中的半导体制造、能源供应和数据中心部署能力。
这种扩张还带来了环境代价。2025 年，Grok 4 的训练排放量预估达到 72816 吨二氧化碳当量；AI 数据中心电力容量升至 29.6 吉瓦，接近纽约州峰值用电量；仅 GPT-4o 的年度推理用水量，就可能超过 120 万人的饮用水需求。
AI 越强，越不只是技术问题，而是能源、供应链和公共资源问题。
二、模型能力追平之后，竞争从 " 跑分 " 转向 " 有用 "
AI 技术性能仍在快速提升，但 2025 年最重要的信号不是 " 模型又变强了 "，而是 " 强模型之间越来越难拉开差距 "。
在语言、推理、编码、数学等基准测试上，前沿模型的分数持续上升，甚至开始超过部分人类水平。前沿模型在 " 人类终极考试 " 这一高难度基准上一年内提升了 30 个百分点，许多原本被认为可以持续多年检验模型能力的测试，只用了几个月就被攻克。这说明 AI 进步速度已经超过评估体系的更新速度，旧的尺子正在变短。
开源与闭源的格局也出现反复。2024 年，开源模型一度大幅缩小与闭源模型的差距，但到 2025 年，这一差距又重新扩大。截至 2026 年 3 月，头部闭源模型领先头部开源模型 3.3%，Arena 排行榜前十中有六个为闭源模型。这说明开源仍然是生态扩散和产业创新的重要力量，但在最前沿能力上，闭源巨头仍借助算力、数据和工程优势保持领先。
与此同时，AI 能力呈现出一种 " 锯齿状智能 "。它可以在国际数学奥林匹克竞赛中拿到金牌，却仍无法可靠识别模拟时钟。Gemini Deep Think 在 2025 年 IMO 中获得 35 分金牌成绩，但顶级模型在 ClockBench 上的模拟时钟识别正确率只有 50.6%，而人类为 90.1%。这提醒我们，AI 不是线性变聪明，而是在某些任务上突飞猛进，在另一些常识性任务上仍然脆弱。
更值得关注的是，AI 正在从数字任务走向物理世界。视频生成模型开始捕捉物体运动规律，不再只是生成逼真画面。谷歌 DeepMind 的 Veo 3 在超过 1.8 万个生成视频测试中，展现出模拟浮力、解决迷宫等能力，且无需专门训练。智能体也从回答问题进阶到完成任务，OSWorld 测试中的准确率从约 12% 提升至 66.3%，与人类差距缩小到 6 个百分点以内。
相比之下，自动驾驶成为少数已经实现大规模部署的例外。Waymo 在美国五个城市每周行程约 45 万次，百度 Apollo Go 完成了 1100 万次全程无人驾驶行程。
AI 正在靠近物理世界，但离真正稳定地理解和改造物理世界，还有很长一段路。
三、负责任 AI 开始补课：治理追不上部署，风险已经进入现实
随着 AI 能力扩张，治理问题也被推到台前。2025 年的一个核心矛盾是，负责任 AI 的基础设施正在建设，但速度远远赶不上 AI 部署。
安全基准在增加，更多组织开始制定负责任 AI 政策，政府支持的 AI 安全机构也扩展到更多国家。但这些动作更多像是在补课，而不是主动引领。几乎所有领先模型开发者都会公布 MMLU、SWE-bench 等能力基准结果，但针对负责任 AI 基准测试的报告仍然很少。换句话说，企业很愿意展示模型有多强，却不太愿意完整披露模型有多安全、多公平、多透明。
风险已经在现实中累积。人工智能事件数据库显示，2025 年记录到 362 起 AI 事件，高于 2024 年的 233 起。模型幻觉仍是突出问题。
企业层面的治理意识确实在提升。2025 年，AI 专属治理岗位增长 17%，尚未制定负责任 AI 政策的企业占比从 24% 降至 11%。
但落地仍然受制于现实条件，主要障碍包括知识缺口、预算限制和监管不确定性。很多企业不是不想治理，而是不知道怎么治理、没有足够资源治理，也不确定未来监管会如何变化。
监管框架也在转向 AI 专属体系。GDPR 仍是被提及最多的监管影响因素，但影响力占比有所下降。与此同时，ISO/IEC 42001 人工智能管理体系标准、NIST 人工智能风险管理框架等更具体的 AI 治理工具开始进入企业视野。监管正在从隐私和数据合规，进一步走向模型开发、部署、监控和风险管理。
但更深层的挑战是，AI 治理并不是单一指标最优化。安全、公平、隐私、可解释性之间可能存在冲突。近期研究发现，提升某一个负责任 AI 维度的训练技术，可能持续损害其他维度。例如，隐私增强可能削弱公平性，安全优化可能降低准确率。今天行业还缺少成熟框架来处理这些权衡。
透明度下降则让治理更难。基础模型透明度指数在 2023 年至 2024 年从 37 分升至 58 分，但 2025 年又降至 40 分。训练数据、计算资源和部署后影响的披露仍存在重大空白。
四、钱还在涌入 AI，但红利分配并不均匀
技术竞争之外，AI 经济正在以前所未有的速度扩张。2025 年，全球企业 AI 投资增长了一倍多，私人投资增长最快，增速达到 127.5%，并占总投资的 60%。生成式 AI 是这轮增长的核心，投资增速超过 200%，几乎占据私人人工智能融资总额的一半。新获得融资的 AI 公司数量增长 71%，十亿美元级融资交易数量几乎翻番。
AI 公司的收入增长速度也创下历史纪录。头部企业在短时间内实现了可观营收，但算力成本和基础设施支出同样飙升。云服务商加快资本开支，谷歌披露 2025 年年度资本支出超过 1500 亿美元。这说明 AI 商业化并不是轻资产神话，而是一场重资产竞赛。模型收入增长越快，背后的芯片、服务器、能源和数据中心投入也越大。
消费端已经证明 AI 具备真实价值。到 2026 年初，美国消费者从生成式 AI 中获得的年度消费者剩余估计达到 1720 亿美元，较一年前的 1120 亿美元明显增长，每位用户的中位数价值翻了三倍。更关键的是，这些工具大多仍免费或接近免费。AI 正在像搜索引擎和社交网络一样，先通过低成本、高频使用形成普及，再逐步重构商业模式。
企业采用率也在提升。2025 年，受访企业中 AI 采用率达到 88%，70% 的企业至少在一项业务职能中应用生成式 AI。中国和欧洲同比增幅位居前列。但智能体应用仍处于早期，在几乎所有业务职能中的部署数量仍为个位数。企业已经接受 AI 工具，但还没有大规模把 AI 交给自动化流程和关键业务闭环。
五、医疗 AI 走过炫技阶段，进入临床证据之战
医疗是 AI 最受期待、也最需要谨慎的领域。2025 年，医疗 AI 在分子生物学、临床推理、临床记录、诊断辅助和健康搜索等方向都有明显进展，但一个核心问题越来越突出：模型的高分表现，并不等于真实临床效果。
在分子生物学领域，小模型的表现开始挑战 " 大模型崇拜 "。MSAPairformer 只有 1.11 亿参数，却在 ProteinGym 基准测试中超过以往领先方法；GPN-Star 作为 2 亿参数的基因组学模型，性能超过一个 400 亿参数模型。这说明医疗和生命科学领域并不总是需要更大的通用模型，更小、更专业、更贴近领域数据的模型，可能反而更有效。
临床应用中，最先跑出来的不是最炫的诊断模型，而是能嵌入医生工作流的工具。2025 年，能够根据患者就诊自动生成临床笔记的 AI 工具得到广泛应用。在多家医疗机构中，医生表示写病历时间减少最高达 83%，职业倦怠感也显著下降，部分机构还实现了 112% 的投资回报率。
监管层面，AI 医疗设备数量快速增加。2025 年，美国 FDA 批准了 258 款 AI 医疗设备，但大多数通过无需开展新临床试验的渠道获批。绝大多数设备是通过设备改造途径进入市场，依赖现有安全性和有效性证据，而非新的随机试验。仅有 2.4% 的临床研究设备得到随机试验数据支持。这意味着医疗 AI 的商业化速度，已经明显快于临床证据积累速度。
诊断能力也在提升。微软 AI 诊断协调器搭配 OpenAI o3 模型，在复杂医学案例研究中获得 85.5% 的得分，而未借助辅助工具的医生仅为 20%。多智能体框架相比单智能体基准模型，诊断准确率提升 7% 至 60% 以上。但这类结果仍需要谨慎解读，因为测试往往基于医学文献中的疑难病例，并不完全等同于真实医院环境中的诊疗流程。
与此同时，患者正在更早接触 AI 健康信息。如今，84% 至 92% 的健康相关谷歌搜索结果顶部都会显示 AI 生成摘要。症状和常见健康问题最容易触发 AI 概述。这意味着很多患者在见医生之前，已经通过 AI 形成对疾病、治疗和风险的初步理解。问题在于，这些信息往往不经过正式医疗器械监管，却可能影响患者决策。
因此，医疗 AI 下一阶段的关键词不是 " 模型多强 "，而是证据、治理和伦理。它需要随机试验、真实世界数据、临床责任边界和更充分的伦理讨论。AI 对医疗的影响已经出现，但要真正规模化进入临床，不能只靠演示和榜单，必须经得起医学证据体系的检验。
写在最后：
把研发、技术、治理、经济、科学、医学和教育放在一起看，2025 年的 AI 产业已经很难用 " 模型进步 " 四个字概括。
它当然还在变强。模型能力快速提升，中美差距缩小，视频模型开始理解物理规律，智能体开始完成复杂任务，AI 也正在进入科学、医疗和教育等高价值场景。但与此同时，AI 也变得更昂贵、更集中、更不透明、更依赖基础设施，并带来更多治理、能源、就业和公平问题。
这正是 AI 进入下半场的标志。上半场比的是谁能训练出更强模型，下半场比的是谁能把模型变成稳定、可靠、可监管、可商业化、可持续的生产力。
真正的产业价值，不会只属于参数最多、榜单最高的模型，而会属于那些能在真实场景中完成闭环的系统。它要接得住企业流程，扛得住医疗证据，经得起安全审查，解释得清成本收益，也能在教育和劳动力市场中创造新的能力，而不是简单替代旧岗位。
AI 的故事还在加速，但它已经不再只是技术公司的故事。它是算力供应链的故事，是全球资本流动的故事，是科研范式变化的故事，是医生、教师、学生、工程师和普通用户共同参与的故事。
下一阶段，AI 最大的悬念不是它能不能继续变强，而是它能不能被社会真正吸收，成为一种可信、可控、可分配的生产力。谁能回答这个问题，谁才真正站在 AI 产业的下一轮中心。
