最近读了长达400多页的《斯坦福2026年AI指数报告》（The 2026 AI Index Report），这份报告是由斯坦福大学以人为本人工智能研究所（Stanford HAI）主导，在2017年首次发布，今年是第十年。

在2016年Alpha Go打败李世石后，这无疑一个非常好的公关案例让全世界知道了人工智能能够击败人类的一个侧面。在2017年，那时正值深度学习（Deep Learning）全面爆发，全球科技大厂和学术泡沫漫天飞舞。这个报告诞生之初的一个远景就是为了去伪存真。希望由计算机科学家、经济学家、社会学家和法学家共同联手，可以通过跨学科打破商业的壁垒，用纯粹客观的数据说话，来度量AI的各种维度指标。而且这份报告的数据也联合了顶级的学术与商业机构（例如麦肯锡、LinkedIn、Github、Hugging Face等），将碎片化的数据拼接成完整的商业版图。

我看完这篇报告之后，感觉不仅仅是数据和一些洞察，还有一些研究方法是非常有启发的，所以我觉得除了直接把顶层的一些洞察给出来之外，我还想分为底层基础（算力、芯片、数据、人才）、技术性能、监管合规、多行业，组成一个新的系列，详细深入的讲述一下。这样可以让大家用极少的时间就可以获得这份长报告的完整精华。

今天是第一部分，12大核心结论（Top Takeaways），我把原文全篇内容提炼为8个核心观点和4个反常识的洞察，我们先不到细节，先整体的了解一下这个报告的核心观点。

8大核心观点：读懂AI的底层真相

观点1: AI行业公司几乎完全主导前沿开发，学术界沦为旁观者

2025年全球知名的102款模型，其中93款来自行业企业，仅仅有两个来自高校。而且可以看到产学合作的模型也不到5%。并且从2020年左右开始了行业与其他组成之间的明显分化。

我们可以看到全球领先的模型，主要是OpenAI、Google、Alibaba等头部企业占比较大，美国全年发布顶尖模型为50个，中国约30个。

这不仅仅是数量之间的对比，这其实是AI研发逻辑的根本转变。我们知道任何一个顶尖模型的训练费用的中位数已经要突破1亿美金。这就是为什么我们可以看到高校无力参与这场军备竞争。

而且目前AI模型并没有遵从常规的科研先行，产品后落地的分工转化。而是AI研究的前沿阵地直接把科研创新和商业创新链接得更加紧密。而学术界智能去钻研一些小众垂直领域的小规模模型，在理论研究突破这个部分寻找机会。这意味着整体AI演进的方向是“训以致用”的主导方向，而不仅仅是科研主导或者好奇心主导。

观点2: 头部大厂的透明度断崖式下滑，黑箱化成为主流。

基础模型的透明度从2024年的平均58分跌落到2025年整体平均的40分。我们可以看到马斯克的xAI和顶级生图模型Midjourney的透明度仅有14分。在2025年中95个知名模型，其中80个都没有公布训练代码，仅有4个完整公布了。OpenAI、Anthropic、谷歌等都不再公布训练参数、训练数据集、算力消耗等核心信息。

我们能够看到最讽刺的不是仅仅不透明那么简单，而是越强的模型越不透明。我们能够看到我之前说的不可能三角中的技术壁垒其实是每一个商业公司都很在乎的，站在商业保密的角度，参数量、训练方法确实都是核心数据，是核心竞争力。其次就是合规风险的规避，披露的信息越少，合规风险的担责就越可控。而且为了自己的技术权威性，不希望让其他组织和公司能够有条件仿制来挑战自己的权威话语权。所以在我们使用顶级大模型的时候，“黑盒的担忧”或许是悬在每一个用户头顶的达摩克利斯之剑，大家都不知道能够解释你超高难度的问题的模型，我们却连他的参数量都不知道。

观点3: 算力狂飙3.3倍/年，英伟达一家独大，供应链脆弱如纸

从2022年至今，全球AI总算力年均增长3.3倍，折合H100等效算力达到1700万+卡。英伟达占总体算力规模的6成以上，其他是谷歌和亚马逊其次，华为虽然占比很小但是增幅较为明显。HBM高带宽内存和先进封装技术全部集中在韩国（海力士、三星）、美国（Micron）三家中；而全球几乎全部高端芯片都是由台积电来代工的（绝对壁垒），形成了单点供应链风险。

目前的全球算力需求不是线性增长的，是指数级狂奔。而这种极度的增长的背后，在美国5427家数据中心（全球第一），德国529家数据中心（全球第二，大概是美国的十分之一）。从供应的角度却是建立在芯片生产完全依赖台积电（TSMC）的基础上，这个政治风险是空前的。如果地缘政治产生一些变化，可能全球的AI算力扩张就会停摆。而且算力越来越像是军备资源，90%以上的高端算力全部掌握在头部大公司手中，进一步加剧马太效应。

观点4: 环境成本爆炸式增长，水电碳成为沉重的负担

全球AI数据中心总功率高达29.6GW，已经接近纽约州用电规模的峰值（31GW）。

另一方面Grok 4的训练的碳排放是72,816吨二氧化碳，这个数字相当于400万棵大树整整一年的吸收量。

训练GPT-4o所需要的水与120万人一年需要饮用的水的体量所差无几。

所以我们看到算力不仅仅有成本一个维度，我们使用的Token在成本维度确实是在不断降低，但是从总资源消耗的角度，也是我们需要重点关注的维度。

AI的“绿色神话”本身就是一个饼，我们以后再计算Token成本的时候除了对于算力的绝对直接成本外，还需要加上能源、水资源、碳排放三重账单。这些成本不是一次性的，是持续产生的。在模型训练完成之后，在推理阶段可能会产生更多的消耗。我们还能够看到这些能源消耗数据，到2025年头部性能的模型都已经不再披露这部分数据了，他们所消耗的量应该会更加巨大。所以从整体社会和自然环境上来讲，AI可能在加剧能源紧张和气候变化。也就是说你每次在跟人工智能助理对话的同时，都在消耗真实的水、电，在排放真实的二氧化碳，是一个持续的过程。

观点5: 开源生态爆发，但优质项目仍被美国垄断

Github AI 项目2025年达560万个，10星以上的优质项目也有20.68万个。

Hugging Face的数据集数量25年Q4比23年Q4同期增长约600%，模型数量也增长约200%。

Hugging Face的美国模型比例虽然有所下降，但是仍为主导，而中国在25年明显开始发力。

所以我们可以看到就算不看头部的闭源模型，开源模型方面，其实也存在“数量繁荣，质量垄断”的局面。高热度的优质项目，例如Transformers库、知名的一些基础库的所属还是集中在Google、Meta等美国企业和美国开发者手中。中国开源虽然活跃，但更多是应用层的创新，底层框架和数据集方面还是依赖美国。这意味着全球开源生态的话语权和规则定制权也还是在美国手中。另外我们也能看到欧洲和印度等地区的开源贡献也在增长，呈现多元化发展的态势。

观点6: 从论文维度，中国量胜，美国质优

我们可以看到2024年中国产出的AI论文总量包括全球引用都是全球第一。但可以看到单篇论文的影响力来看，全球TOP100的论文，中美差距在拉近。美国64篇到46篇，中国33篇到41篇。而且我们能够看到现在论文主要68.1%还是产出自学术机构，产业贡献的论文数量只占11.5%。

这是非常典型的量与质的辩证关系，中国论文数量和引用全球第一，说明我们在此方面的科研投入足够大，参与动力足够强，而且美国的单篇论文质量更高，代表从原创性到创新性方面还是有优势。但值得注意的也有另一方面，由于之前看到的高校的模型占比小，所以大量的论文停留在学术研究阶段，很难使用大规模模型进行验证，所以这种科研的高产和落地的验证匮乏之间产生了剪刀差。这种剪刀差或许会影响长期AI的创新能力，毕竟基础理论的突破还是在学界，而资源在商界。我们看到的产学联合的比例又比较有限。

不知不觉写了接近3000字了，还有6个观点，我拆成下一篇来继续为大家讲述吧。感谢你阅读到这里，请关注大厂续航社，下一篇我们再见。