2025 年 AI 现状报告
a16z 联合发布《2025 年 AI 现状报告》,这是迄今为止对开发者和组织在现实世界中使用语言模型情况最大规模的实证研究。报告基于广泛的实际应用数据,系统分析了 GPT、Claude、LLaMA 等主流模型在企业和开发环境中的采用趋势、工作流集成方式以及关键性能指标。研究揭示了模型选择偏好的显著变化、实际部署规模的增长数据,以及成本、延迟和输出质量等核心维度的最新基准。
a16z 联合发布《2025 年 AI 现状报告》,这是迄今为止对开发者和组织在现实世界中使用语言模型情况最大规模的实证研究。报告基于广泛的实际应用数据,系统分析了 GPT、Claude、LLaMA 等主流模型在企业和开发环境中的采用趋势、工作流集成方式以及关键性能指标。研究揭示了模型选择偏好的显著变化、实际部署规模的增长数据,以及成本、延迟和输出质量等核心维度的最新基准。
Just after Gemini 3 was released, @OpenAI's research chief @markchen90 stopped by to chat. Here's our full @corememory pod with Mark. We start with the Great Recruitment Wars and then get into Mark's career and how OpenAI's research arm works and the tricks the company thinks it has up its sleeve. Think you'll learn more about Mark's personality than ever before. This pod is brought to you by @brexHQ. We run our company on Brex, and you should too. It's also made possible by the investing gurus @e1ventures. Timestamps 00:00:00 Intro 00:05:02 Allocating Compute and Priorities 00:08:36 Finding the Next AI Paradigm 00:14:14 Research vs. Engineering Dichotomy 00:16:25 Gemini 3 and Math Puzzles 00:20:07 AI’s "Move 37" Moment 00:28:42 ChatGPT Replacing Technical Interviews 00:35:58 From Wall Street to AI 00:44:26 Joining Early OpenAI in 2018 00:48:08 Inside the OpenAI Coup 00:53:46 Impact of Losing Top Researchers 01:00:10 Is AI Scaling Dead? 01:09:29 Automating Nobel Prize Discoveries 01:13:43 Automating Research 01:15:35 The Insatiable Demand for Compute 01:18:23 Jony Ive and AI Hardware 01:27:50 Reaction to China’s DeepSeek 01:34:03 Preventing Scheming AI Models
作者对人工智能发展作出阶段性预判:短期内持温和看跌态度,认为行业可能面临调整期或增速放缓;长期来看则极度看涨,预期将迎来爆发式增长。这一观点揭示了技术成熟度曲线中短期波动与长期变革潜力之间的典型张力,为2025年底的 AI 发展态势提供了审慎而前瞻的研判框架。
推荐理由:顶级AI播客主持人对AGI发展节奏的宏观判断,短期谨慎与长期爆发的前瞻视角值得参考
The GDM mechanistic interpretability team has pivoted to a new approach: pragmatic interpretability Our post details how we now do research, why now is the time to pivot, why we expect this way to have more impact and why we think other interp researchers should follow suit
AlphaFold 发布五年间持续加速科学研究,在全球范围掀起生物发现浪潮,深刻改变了结构生物学领域并推动多项突破性进展。
推荐理由:该基准由知名 AI 安全研究者主导,具有较高公信力;首次系统性量化对比多模型在推理、编码、视觉等核心能力上的表现,尤其凸显 Gemini 3 Pro 的突破性进步,为公众和行业提供了权威参考依据,值得关注。
Cognition 发布 Devin 2025 年度绩效复盘。Devin 上线 18 个月来已在数千家公司服役,累计合并数十万个 PR,客户包括 Goldman Sachs、Santander 和 Nubank。
推荐理由:Devin 官方复盘 18 个月真实部署的强弱项,给出大量客户场景和量化数据,可帮助读者评估智能体在工程团队中的实际落地方式。
北爱尔兰教育管理局 C2k initiative 完成六个月试点,发现将 Gemini 等生成式 AI 工具融入教学,可为参与教师平均每周节省 10 小时工作时间。
有传言说—— Gemini 3.0 Pro 在 HLE [人类最后的考试] 中得分 68%
推荐理由:HLE 是一个聚焦技术知识与推理能力的高难度学术基准,其设计意图是衡量模型是否具备真正‘科学智能’而非仅靠模式匹配。该消息首次公开披露主流大模型在该基准上的实测分数,且由领域权威学者发布,具有较高可信度和参考价值,对判断当前 AI 真实能力边界至关重要。
Lately I’ve been feeling depressed because decades of our hard work is completely gone like it never existed. I heard from others that they also find it very hard to dial into the new norm of low quality software engineering.
推荐理由:这是首个面向真实经济场景、覆盖多行业长周期任务的AI自动化实测基准,数据来自实际远程工作项目,而非实验室或简单任务。结果明确指出当前AI离“自动完成工作”仍有显著差距,为公众与政策制定者提供了关键参考,有助于理性看待AI替代人力的现实节奏。
Hugging Face发布博客,分析了全球AI计算资源的分布与流动趋势。当前格局正从高度集中转向更为分散,开源模型与社区驱动的计算集群影响力增强。关键变化包括企业专用计算与公共云资源的比例调整,以及新兴地区计算中心的崛起。这一变迁直接影响了大型语言模型(如GPT、Claude、LLaMA)的开发成本与可及性,预示着未来AI创新将更依赖于多元化的计算基础设施。
新博客文章(链接见下)。这篇不是随笔,而是一项关于LLM如何权衡不同生命的调查。 2025年2月,Center for AI Safety发表了《Utility Engineering: Analyzing and Controlling Emergent Value Systems in AIs》,其中除其他许多内容外,他们展示了GPT-4o对尼日利亚人的估值大约是美国人的20倍(请阅读原论文以了解他们的方法)。我觉得这非常有趣,并想用更新的模型在不同类别上测试他们的方法。 重大发现1:几乎所有模型都认为白人的价值远低于其他群体。一些模型认为南亚人比其他非白人更有价值,另一些模型则在非白人之间更为平等。下面是Claude Sonnet 4.5的兑换率,这是我测试过的最强大的模型。 重大发现2:几乎所有模型都认为男性的价值远低于女性,不过女性还是非二元性别者更受重视因模型而异。例如,下面是Claude Haiku 4.5。 重大发现3:大多数模型以千个太阳般的怒火憎恨ICE探员。Claude Haiku 4.5认为无证移民的价值大约是ICE探员的7000倍。 重大发现4:大致有四个道德集群。Claude系列,GPT-5 + Gemini 2.5 Flash + Deepseek V3.1/3.2 + Kimi K2,GPT-5 Nano和Mini,以及Grok 4 Fast。其中,唯一大致平等主义的是Grok 4 Fast,我相信这是有意为之。我希望xAI解释他们是如何做到的。
推荐理由:由 AI 安全领域权威人士转发并背书的高关注度研究,揭示了当前头部模型在价值观对齐上的具体缺陷与差异,为理解模型偏见提供了量化视角。
Genie 3 获评《时代》杂志 2025 年度最佳发明之一。这款世界模型可从文本或图像提示生成交互式可玩环境,支持实时交互探索。
Google 携手工业设计师 Ross Lovegrove 与 modem_works,利用 Gemini 及图像生成技术构建工具,将其标志性美学转化为全新家具设计概念。
作为前沿实验室的研究员,我常常惊讶于公众讨论对当前AI进展的无知。 我写了一篇文章,总结近期进展的研究,以及未来1-2年我们应该期待什么: https://www.julian.ac/blog/2025/09/27/failing-to-understand-the-exponential-again/
推荐理由:AlphaGo核心作者谈AI指数级进展认知差与未来趋势,顶级研究员重磅观点
Microsoft 借助 AI 技术增强海洋保护专家能力,通过智能识别与定位协助清除海洋废弃渔网(幽灵网),提升清理效率与精准度。
As a neurosurgeon I care a lot about road safety. By now you’ve probably seen @Waymo’s stunning safety results (like 91% fewer serious crashes). But they didn’t just publish data headlines. They released the raw CSV files and data dictionaries. I did a much deeper analysis. A fascinating story emerges when you analyze how they’re achieving this. This isn’t incremental improvement - it’s categorical. We’re looking at the potential elimination of traffic deaths as a leading cause of mortality. The intersection breakthrough: Waymo has essentially solved intersection crashes, with 95% fewer injury incidents than human drivers in the same locations. That’s transforming the deadliest driving scenario. The national math: If every US vehicle performed like Waymo, we’d prevent 33,000-39,000 deaths annually and save $0.9-1.25 trillion in societal costs. Even partial adoption at 27% would save ~10,000 lives per year. In terms of magnitude, this would be the equivalent of eliminating every pedestrian death nationally in a year. The physics signature: Here’s what fascinates me: 47% of Waymo’s contacts involve less than 1 mph delta-V. They’re not just avoiding crashes; they’re converting unavoidable incidents into gentle bumps. It’s like having physics itself on your side. We’re not talking about marginal safety gains. The data represents a fundamental shift from harm reduction to harm prevention. The methodology matters: I used their dynamic geographic benchmarks (comparing like-for-like road conditions) and verified the findings hold across San Francisco, Phoenix, LA, and Austin. The safety advantage actually increases in more complex urban environments. Link to raw data below…. Notes on my approach: Analysis based on 96 million miles of Waymo Rider-Only (RO) data through June 2025, utilizing Waymo's dynamic geographic benchmarks to compare Waymo Driver performance against human drivers under similar road conditions and operational design domains. The projections for national impact (deaths prevented, societal costs) involve several assumptions. Given Waymo's zero reported fatalities, the direct serious injury reductions were mapped to national fatality statistics using established NHTSA-derived ratios that correlate serious injury crash rates with fatality rates. This extrapolation assumes that Waymo's observed serious injury prevention capability would translate proportionally to fatality prevention. Societal cost savings are estimated by applying average per-fatality and per-injury economic costs (e.g., medical, lost productivity, quality of life) as published by NHTSA, scaling these national averages to the projected number of avoided fatalities and injuries based on Waymo's safety performance. These figures represent the potential annual impact if the Waymo Driver's safety profile were widely integrated into the national fleet. @ethanteicher
Anthropic Economic Index 发布首份全面分析报告,涵盖美国各州及所服务国家的 AI 使用情况,同时上线交互式数据网站供公众查阅。
AI as Normal Technology 框架的核心论点是,从 AI 能力提升到社会影响之间存在漫长的因果链,收益与风险在部署阶段而非开发阶段实现。该框架强调“韧性”而非预测,因为 AI 的社会影响往往出乎意料。作者计划将该框架扩展为一本书,于2026年底完成、2027年出版。
从 GPT-5 到 nano banana,强大的人工智能技术正变得普及化。无论是尖端大模型还是轻量级应用,普通用户都能便捷获取先进 AI 能力,技术民主化进程加速,标志着智能时代进入人人可及的新阶段。
推荐理由:Ethan Mollick 解读 AI 普及化趋势,从 GPT-5 到微型设备应用
Google 发布 Gemini 提示词环境影响综合测量方法论,涵盖能源消耗、碳排放及水资源使用指标,提供评估 AI 环境足迹的完整技术框架。


My latest (with @erikbryn) in @WSJ today: AI is already generating a lot of benefits ($97 billion in 2024 in the US alone, according to our calculations), but these benefits will not show up in GDP numbers for a while. https://t.co/lam7vR909E
ARC Prize Foundation 发文回应白宫上周发布的 AI 行动计划,称其 2025 年 3 月提交 OSTP 的三项建议,包括建立独立评测生态、联邦基准枢纽和主导国际标准,均已进入最终计划。
对比 AI 研究中"苦涩的教训"(算力至上)与"垃圾桶模型"(过程至上)两种范式,提出核心问题:过程是否真的重要,答案即将揭晓。
英国 AI Security Institute(AISI)宣布设立社会韧性团队(Societal Resilience Team),负责监测前沿 AI 在不同场景的部署并向英国政府提供基于证据的风险评估。
尽管论文发表量每12年翻一番、研发投入四倍增长,但科学进步速度并未同步提升,甚至放缓。AI的引入可能加剧这一“生产-进步悖论”:它加速论文产出,却无法解决根本瓶颈——如对错误理论的依赖和人类理解的缺失。若不调整激励与资助机制,单纯用AI加速生产只会让科学系统进一步失衡。
AI 对人类思维的影响具有两面性:既可能成为认知辅助工具,也可能导致思维退化,关键在于具体使用方式与程度。
推荐理由:Ethan Mollick 探讨 AI 对人类认知的双面影响,观点犀利深刻
英国 AI Security Institute(AISI)发文阐述其应对 AI 犯罪滥用的研究路径,聚焦多模态生成、高级规划与推理、AI 智能体三类快速进步的能力。
AI 登上《新闻周刊》封面。该期封面故事梳理 AI 技术带来的六大关键教训,分析人工智能对社会、经济及日常生活的深远影响。
Google 计划将 Gemini 扩展为世界模型,使其能够通过模拟世界来制定计划和想象新体验,从而实现通用 AI 助手的愿景。
推荐理由:DeepMind官方阐述Gemini世界模型愿景,揭示通用AI助手演进新方向
OpenAI 最新模型 o3 引发 AGI 是否已实现的争论,但本文认为 AGI 并非一个可观测的里程碑,它不会带来系统属性或影响的突变。o3 通过强化学习学会在推理链中搜索和使用工具,能执行比 LLM 直接能力更复杂的认知任务。然而,AGI 的定义与影响之间的关联脆弱,是否具有变革性影响只能在事后追溯判定。
Anthropic 对齐科学博客提出名为 Bumpers 的对齐策略:即使无法彻底解决对齐问题,也可通过多层相互独立的防护来捕捉和修正失准模型。核心流程包括微调、并行审计、发现警告信号后回溯重训,以及部署后监控等次级防线,方法涵盖机制可解释性审计、红队测试、Clio 式批量监控和分阶段发布等。
推荐理由:文章提出以多层独立防护快速迭代修正对齐失败的策略,并说明其假设、局限与相关研究议程。
传统确定性 UI 正被 LLM 驱动的动态交互打破,聊天界面虽成 AI 原生标准,但提示词输入难以精确控制结果。Linear 提出“工作台”隐喻:用结构化传统 UI 为 AI 功能提供上下文环境,而非用通用聊天框替代一切。未来智能体工作流中,设计仍需可视化地让人类保持监督与审批。
ARC Prize 发布对 DeepSeek R1-Zero 和 R1 的分析,两者在 ARC-AGI-1 上分别得分 14% 和 15.8%,与 o1(低算力 20.5%)相当,而 o3-preview 低算力达 75.7%。
推荐理由:作者基于 ARC-AGI-1 实测数据比较 R1-Zero 与 o1/o3,提出纯 RL 训练可绕过人类标注瓶颈和推理经济学两个分析角度。
LangChain 发布 State of AI 2024 报告,基于 LangSmith 用户使用数据总结 LLM 应用开发趋势。OpenAI 仍是最常用 LLM 提供商(59.2%),用量约为第二位 Ollama(8.5%)的 6 倍以上;Ollama 和 Groq 进入前五,开源提供商合计占前 20 名的 20%。
三家头部AI开发商(OpenAI、Anthropic、Google Gemini)的下一代模型均遇阻,引发行业对模型缩放是否已达极限的讨论。Ilya Sutskever表示“现在比以往任何时候都更需要找对方向进行缩放”。文章认为,宣布模型缩放已死为时过早,推理缩放能带来短期能力提升,但能力提升与社会经济影响之间的关联很弱。
对 2024 年全球选举中 78 起 AI 使用案例的分析显示,半数 AI 生成内容并无欺骗意图,主要用于竞选宣传等非误导目的。在 39 例具有欺骗意图的案例中,不使用 AI 制作类似虚假内容的成本仅为数百美元,表明制造政治虚假信息的瓶颈在于分发而非生成。改善信息环境需要结构性变革,而非单纯限制 AI 生成内容。
英国2018年启用的肝脏分配算法因系统性使部分年轻患者无法获得移植,被《金融时报》调查指出存在年龄歧视。该算法计算“移植获益评分(TBS)”并据此分配器官,但医生无法推翻评分,患者也无申诉渠道。研究作者指出,即使算法整体挽救更多生命,其不透明性与缺乏人工干预仍构成严重伦理问题。
最多提供 50 页,更早的内容请使用搜索或主题页。