引 言

人工智能(AI)作为当今全球科技创新的核心驱动力之一，近年来在多个领域取得了突破性进展。2023-2024年，AI技术的迅猛发展引发了学术界、产业界和社会各界的广泛关注。在此背景下，斯坦福大学发布的《2023年AI指数报告》和《2024年AI指数报告》为我们提供了评估全球AI进展的重要依据。这两份报告通过全面收集和分析来自全球的AI相关数据，涵盖了研究成果、技术进展经济影响、政策实施及公众舆论等多个维度。

报告的数据来源广泛，包括学术出版物、专利申请、投资数据、基准测试结果、政策文件以及公众调查等。这些数据不仅反映了AI领域的最新发展趋势，也为我们理解AI对全球经济、社会和科技发展的影响提供了宝贵的洞见。

本报告旨在基于斯坦福大学的这两份AI指数报告，对2023至2024年AI技术的发展进行全面分析和总结。为决策者、研究人员和行业从业者提供对AI技术最新进展及其全球影响的全面认识，以助力相关领域的决策制定和未来发展规划。AI研究与开发的新进展2023-2024年间，AI研究展现出快速发展、多元化和产业化的显著趋势。大规模语言模型和多模态模型的显著进步，行业主导地位的进一步加强，以及AI在科学研究中的广泛应用，共同推动了AI技术的快速演进。同时，开源项目的繁荣和新基准测试的建立，为AI生态系统的健康发展提供了坚实的支撑。这些进展不仅显著提升了AI技术的性能，还深远地改变了各行各业的研究范式与实践应用方式。AI发表文章趋势发表总量持续增长

近十余年来，全球AI领域的学术产出呈现出显著的增长态势。从2010年至2022年，AI相关文章的发表总量实现了大幅增长，由约8.8万篇攀升至24万篇以上，增长幅度近三倍。然而，2023年的数据表明，这一增长趋势已有所放缓，增长率降至1.1%。这意味着AI研究的发展已经进入了一个相对稳定的阶段，不再是之前那种迅猛的增长态势。尽管如此，AI领域的研究仍然保持正增长，反映出该领域的研究活力依然旺盛。这种增长态势的变化可能预示着AI研究正在从快速扩张期过渡到深化发展期，未来研究的重心可能会更多地转向提升研究质量和推动应用落地。

未来，我们预计AI研究将继续保持稳步增长，但增速可能会进一步趋缓，跨学科融合和产学研合作可能会成为推动AI研究继续向前发展的重要动力。

研究领域分布变化机视觉、模式识别以及过程管理三大领域，其发表量分别达到了21309篇、19841篇和12052篇，彰显了这些领域在AI技术体系中的核心地位与广泛应用前景。然而，更为引人注目的变化在于机器学习领域的迅猛发展。自2015年以来，机器学习领域的文献数量经历了显著的增长，增长幅度接近七倍。这一现象不仅彰显了机器学习作为人工智能核心分支的强劲发展态势，同时也体现了全球科研界对其在数据驱动决策、智能系统构建等领域的巨大潜力所给予的广泛认可和深入研究。出版物类型演变

AI研究呈现出多元化的发表方式，既保持了传统学术出版的规范，又融入了新兴的交流形式。期刊文章仍然是AI研究成果发表的主要渠道，占据了较大比例。从2021年到2022年，AI文献的发布量显著增加，特别是期刊文章和会议论文方面。2021年，期刊文章占据了AI文献的60%，而会议论文和存储库(研究人员在预印本仓库中分享的研究论文)提交分别占17%和13%。到2022年，期刊文章数量达到约23万篇，而会议论文约为4.2万篇。

这一趋势表明，AI研究的学术交流主要通过期刊文章进行，期刊的权威性和影响力在学术界依然保持强劲。然而，会议论文在AI领域仍然扮演着重要角色，特别是在快速传播新研究成果和推动学术讨论方面。国际竞争格局.

近年来，在AI研究领域，中美两国呈现出既竞争中国在研究数量上保持又各具特色的发展态势。显著优势，尤其在期刊、会议论文和存储库提交

等方面表现突出。2021年数据显示，中国贡献了全球AI期刊文章的39.8%，远超美国的10.0%，充分体现了我国在AI研究规模上的领先地位。然而，美国在研究质量和影响力方面仍占据优势，特别是在高质量引用、AI会议与存储库引用数上保持领先。这表明美国在AI前沿研究和学术影响力方面仍然具有较强的竞争力。值得注意的是，这一差距正在逐步缩小，反映出我国AI研究质量的不断提升。

行业主导地位的加强与2014年之前学术界主导AI技术发展的趋势不同，自2015年起，工业界逐渐占据了主导地位，尤其在大规模模型的研发领域。报告显示，仅在2023年，工业界就发布了51个重要的机器学习模型，这一数字显著超过了学术界的贡献(15个)。

虽然学术界在理论研究方面仍有其独特价值，但在实际应用和模型开发上，工业界已明显领先。企业，尤其是科技行业巨头，凭借其在数据、计算资源和资金上的显著优势，已成为推动AI技术进步和产业化的中坚力量。此外，企业还能通过产品销售和广告收入来筹集资金，以支持其AI研发项目，这一点是学术界和非营利组织所无法比拟的。关键研究项目的进展近年来，人工智能(AI)研究的主题不断扩展尤其在大规模语言模型(LLMS)和多模态模型的开发方面取得了显著的成就。随着技术的持续演进，人工智能系统的效能和复杂性均实现了显著的提升。

大规模语言模型的飞跃2023-2024年间，LLMs的规模和复杂度达到了前所未有的高度。GPT-4和Gemini Ultra等标志性模型不仅展示出强大的自然语言处理能力，还推动了A1技术在各个领域的应用。这些模型的训练成本也随之飙升，如GPT-4的训练成本据估计高达7800万美元，而Gemini

Ultra更是达到了惊人的1.91亿美元，反映了A研发领域巨额的资金投入。自2019年GPT-2发布以来，LLMs的参数量和性能均实现了快速增长。例如，2022年发布的PaLM模型，拥有5400亿参数，训练成本达800万美元。

多模态模型的兴起多模态模型的兴起是AI技术发展的另一重要里程碑。这类模型能够同时处理文本、图像、音频等多种数据类型，实现了跨模态的信息融合与理解。如，2022年发布的PaLM和BEiT-3等模型，通过结合不同的输入模态，展现了卓越的跨任务处理能力。它们不仅在单一任务上表现优异，还在多个领域间灵活切换，实现了AI系统的通用性和适应性。