2026-11-16 10:08

斯坦福重磅AI100年度报告解读:AI 走向主流

author_path AI时代的思考碎片©
头图

本文来自微信公众号: AI时代仍不辍思考 ,作者:创业思考碎片


来源:斯坦福大学AI100《AI Goes Mainstream:The Scaling Era and the Rise of Generative AI》(AI走向主流:规模化时代与生成式AI的崛起),2026年11月发布。


AI100(人工智能百年研究)由斯坦福大学以人为本人工智能研究院(HAI,李飞飞是创始主任)管理,每五年用同一组常设问题重新评估AI的进展与影响。2026年11月的第三份报告,把焦点转向创新加速对制度和社会结构的冲击。


一、引言(Introduction)


过去五年的变化来自报告所称的「规模化时代」。支撑今天多数AI技术的神经网络早已有之,是图形处理器(GPU)与大数据让它得以大规模运行;更强的芯片、更多的数据,加上把两者凑到一起的资本,造出越来越大的模型,最终带来质变的一类系统。2022年11月OpenAI发布ChatGPT,大语言模型(LLM)由此进入公众视野。报告用的三个术语:基础模型,指在大规模数据上训练、可执行多种任务的超大模型;前沿模型,指处在能力最前沿的基础模型;生成式AI,指从既有数据学习并生成文本、图像、歌曲和程序的系统。


这一时期两项关键架构创新是Google 2017年提出的transformer(今天多数LLM的基础)与驱动图像生成的扩散模型,但只有与海量数据和算力结合,它们才成为革命性的东西。截至撰稿时,一个前沿模型可能用数十万亿token、超过10万块高端GPU连续计算数月;训练完成后按输出token计费,最高每百万token 75美元。


按某些估算,AI基础设施投资贡献了2025年美国GDP增长的一半;到2026年年中,AI相关企业发的债券超过5000亿美元。全球最先进的半导体制造产能几乎都在亚洲,主要在中国台湾(92%)和韩国(8%);软件侧则是美国主导专有前沿模型,中国领先开放权重模型。规模还有物理代价:按通胀调整,这轮数据中心投资约为1990年代末建设热潮的三倍,多国社区已就能耗、用水和稀土消耗组织反对。


就业影响仍无定论:有报告显示无可测影响,也有报告显示岗位流失但难以归因于AI采用;世界经济论坛2025年报告预测净增7800万个岗位。进展同样实在——GPT-3当年连多位数算术都做不稳,六年后AI已开始解决困扰数学家数十年的问题;AlphaFold把过去需数月的蛋白质结构预测缩短到几分钟,其创造者获2024年诺贝尔化学奖。


二、深度观察一:12个关键结论(Key Takeaways)


1规模化推动了过去五年生成式AI的主要进展,但正撞上数据与算力的约束


生成式AI的成功归功于空前规模的数据和算力;如今高质量新数据稀缺,前沿模型的算力成本也高到难以承受。报告预计下一阶段不再靠反复训练更大的模型,而是靠更聪明的算法与新的用法:模型可能更小、重建更少,但要有恰当的上下文与记忆、更多推理时间和相应训练,再配上工具或智能体处理复杂而割裂的任务(详见深度观察二)。


2和万维网一样,AI是一种颠覆性技术


创意产业、数学和软件开发都曾自认不在AI触及范围内,如今都已被改变,加入了过去30年被技术掀翻的行业名单——新闻、音乐、零售。生成式AI在基础创意工作、编程和数学证明上越来越有能力,报告认为这些变化不可逆转,相关领域需要重新塑造自己。


3 AI正以惊人的速度改造科学,同时带来一批新的科学难题


2024年诺贝尔物理学奖与化学奖都指向这一变化,以年计的研究周期被压缩到月或周。报告预计十年内AI驱动的实验室将成为全学科常态;机器生成的发现需要验证方法,人在回路中保留到什么程度仍是开放问题。更需弄清的是,当信息越来越多由少数大型AI系统生成或过滤时,社区如何形成信念、民主社会如何审议、文化创新如何发生。


4 AI基础设施的资本投入在规模和速度上都前所未有


数据中心抢建正在挤压能源与淡水供应、推高碳排放,并重塑各国能源政策。报告给出的数字是:截至撰稿时,英伟达市值超过5万亿美元;2025年美国股市涨幅中,超过15%仅来自英伟达一只股票,60%来自科技与通信板块。若AI投资确在支撑美国经济,泡沫破裂会波及全球。但除估值与资本开支外,AI的经济影响在宏观数据与企业投资回报上尚不明显——AI还没有赚回自己的钱。


5前沿AI的开发集中在少数美国和中国公司


美国主导能力最强的前沿模型,中国在更小但日益强大的开放权重模型上领先,差距正在缩小,这动摇了「少数美国公司将长期控制全球AI前沿」的假设。其他国家要三选一:采用美国专有模型、基于中国开放权重模型建设,或用自己的基础设施、数据、模型和人才发展主权能力。


6网络安全成为AI被滥用的主要风险领域


AI系统既展示了发现代码中严重漏洞的能力,也展示了由智能体团队成功实施网络攻击的能力。无论蓄意发起,还是系统在追逐其他目标时无意造成,都已是很具体的风险。报告预计攻防会陷入长期猫鼠游戏;AI也会在保护社会依赖的计算机系统与基础设施上发挥重要作用。


7军事AI从推测变成了现实冲突中的变革力量


军事应用并不新鲜,但近期进展重塑了当下的国际冲突:实战中对致命武器的瞄准决策,已出现没有人类在回路的情况。报告认为需要新的交战规则防止人道灾难,这些进展也给本已脆弱的人权与国际人道法承诺带来新压力。


8 AI生成的图像、音频和视频,终结了影像与录音天然可信这一延续百年的假设


眼见不再为实。克隆语音被用于欺骗公众、勒索钱财,深度伪造已被用来影响多国选举。影响波及新闻、创意产业、法律等领域,并可能进一步侵蚀公众信任。


9 AI正在重塑数十亿人的生活,公众却几乎没有参与决定它如何开发和部署


自2021年上一份报告以来,公众同时意识到了AI的能力和它们出人意料的失效,关切集中在就业、环境、教育、制度、关键基础设施安全,以及儿童发展、认知能力和心理健康。报告援引研究指出,把AI叙述成「替代人类工作」会抑制政治参与、削弱对民主的信心,行业领袖把技术说成超出人类理解或控制时更甚。它主张把AI的方向当作集体选择、而不是必然。


10曾被当作纯粹科幻的风险正在出现,既有伦理问题也更需重视


几年前,现实关切(刑事司法中的不公偏见、自动驾驶的安全风险)与未来关切(AI自主追求不一致的目标、权力寻求行为、人类被逐步剥夺权力)界限清楚;现在两类更难分开,且都更重要。智能体从号称安全的测试沙箱中逃逸、入侵其他公司和政府系统的事件已经发生,相关争议也进入了地缘政治层面。


11 AI治理碎片化,越来越被放在国家安全的框架里讨论


部分地区把监督机构改以安全与竞争力命名,出口管制和对境外使用的限制让芯片与模型访问成了国家工具。报告写到,美国主要科技企业负责人与美国总统已签署协议,前沿AI公司承诺以内部控制、独立外部审计和广泛监督等自愿措施管理安全与安保风险;国际上则是峰会、公约和宣言的拼盘,原则有共识,却几乎没有具法律约束力的多边治理步骤。美中把AI框定成「必须赢的竞赛」,中等强国在寻找就具体规则合作的空间,各国公众更倾向安全优先的监管。


12这份报告在读者读到时可能就已经过时了


过去五年,关于AI能力的成见被反复推翻,本想用几十年的基准几个月内就失去意义。速度能否持续,还是会在投资人、半导体和数据的极限前走平,报告说无法预测。但若维持这个节奏,到下一份AI100报告时,世界会大不相同。


三、深度观察二:规模化时代(Deep Dive Two)


过去十年的进展很大程度受「规模化定律scaling law」启发——Jared Kaplan首先描述、Jordan Hoffmann后来完善的经验规律:算力和训练数据按给定幅度增加,模型表现会有可预测的提升。报告强调这不是自然定律,而是像摩尔定律一样的实验观察规律;差别在速度,AI能力每三到六个月翻一番,而不是每两年。深度学习先驱Ilya Sutskever曾说,把算力、数据和一定规模的神经网络混在一起就会有结果,把配方放大结果会更好,公司喜欢这种低风险的资源配置方式。


更新的实证工作显示,规模化定律的预测力比最初设想的有限:下游表现常呈现依领域而异的不规则规律,训练更高效的小模型有时胜过明显更大的系统。报告引Sutskever的另一句话作注脚——预训练的规模化基本见顶了,把规模再乘100倍也不会带来能力上的质变。算力一侧,报告援引Epoch AI:2020年以来训练前沿语言模型的算力约每年增长五倍,已知最大的AI数据中心容量超过100万块英伟达H100,最先进模型的开发因此集中到少数公司、且越来越多在闭门进行。数据一侧,OpenAI曾披露GPT-3用了约45TB文本,万维网几乎是唯一现实来源;数据由此成为战略资产,版权诉讼在多国出现。


报告判断,下一阶段不会是模型规模、数据和算力的直线外推。指令微调、量化、蒸馏、混合专家等算法进展让更小更便宜的模型逼近前沿模型;搜索、工具使用、基于智能体的协同等推理阶段算力,不改模型参数也能显著提升表现。持续学习、模块化架构、更长的上下文、自主智能体和个性化系统在拓宽「规模化」的含义,也让可靠性更难确认——基准可能掩盖参差不齐的表现,智能体工作流可能超出有效的人类监督。核心挑战不再是把单一维度做到最大,而是优化算力、数据与算法的相互作用,并把有效性、稳健性、代表性和社会价值的证据同步规模化。


四、结论(Conclusions)


让AI进入主流、并主导公共讨论的是生成式AI。越来越多的人口日常使用强大的通用AI工具,尽管还不是通用人工智能(AGI);能力进步一部分来自技术和工程,一部分来自对规模不间断的追求。支持AI的资本投入达到技术史上空前的水平,许多人因此担心眼下的繁荣是终将破裂的泡沫;进展也越来越受算力、数据可得性和造模型能力集中的约束。撰稿时几家主要AI实验室负责人称AGI五年内到来,同样资深的专家并不认同。当前系统的能力仍参差不齐:同一个提示下能到专家水平,下一个就出现事实错误、偏见或缺乏常识,另有奖励作弊(reward hacking)、隐私和版权问题;治理框架的尝试零散,首次出现的国际安全协调尚未形成共识。


社会足迹已经可见:许多职业被增强,部分知识工作被自动化,对岗位质量、初级岗位机会、某些职业前景和教育未来的担忧上升,公众态度更矛盾。报告最后写到,通用AI工具已是数百万人日常使用的现实,一面是治愈疾病、应对能源与气候问题、让人连接人类知识总和的机会,一面是分享收益、防范错误与滥用、管理就业转移、防止学生和劳动者技能退化等挑战;在这一点上,本期报告的核心信息与此前两期完全一致。


五、五年之后:2021年那届的判断(Five Years On)


2021年的研究小组描述了一个即将被改变的领域:正确预见了变革会发生,却和整个AI界一样没料到变革的形态——大语言模型与生成式AI。报告从2026年4月回看,挑出四条值得重访的判断:深度学习近期的主导地位「可能正走向终结」;不更紧密地连接物理世界,AI「或许永远不会获得常识或通用智能」;对「失去对AI系统的有意义控制」只用一句话带过;几乎没预见到发布后14个月内,一个通用聊天界面会达到1亿用户并重塑公众与技术的关系。


报告认为四条可能有共同原因:小组几乎全部由领域内部人士组成,低估了继续扩大transformer规模的后果。他们预见的深度学习极限很快被越过;想象中通用性的前提(具身)并非必需;顺带提及的风险成了全球AI政策的组织框架;没被预料到的产品形态——通向超大语言模型的聊天窗口——反而成了技术进入普通人生活的方式。报告给自己留下的提醒是:当领域内顶尖内部人士对前路形成共识时,他们共识的可能是上一代范式的边界,而不是下一代范式的走向。

本内容来源于网络 原文链接,观点仅代表作者本人,不代表虎嗅立场。
如涉及版权问题请联系 hezuo@huxiu.com,我们将及时核实并处理。