به گزارش دانشمند، در نهمین ویرایش «گزارش شاخص هوش مصنوعی» که توسط «مؤسسه هوش مصنوعی انسانمحور» تولید شده است، خلاصهای از یافتهها درباره این حوزه به این شکل آمده است:
۱. توانایی هوش مصنوعی در حال توقف نیست. این قابلیت در حال شتاب گرفتن است و بیش از هر زمان دیگری به سطح انسانی دسترسی پیدا میکند. صنعت در سال ۲۰۲۵ بیش از ۹۰درصد از مدلهای پیشرو قابل توجه را تولید کرد و چندین مدل از این مدلها اکنون در سؤالات علمی سطح دکترا، استدلال چندوجهی و ریاضیات رقابتی به سطح پایه انسانی رسیده یا از آن فراتر رفتهاند. در یک معیار کلیدی کدنویسی – SWE-bench Verified – عملکرد از ۶۰درصد به نزدیک به ۱۰۰درصد رسیده و به سطح پایه انسانی در یک سال افزایش یافته است. پذیرش سازمانی به ۸۸درصد رسیده است و از هر ۵ دانشجوی دانشگاه، ۴ نفر از هوش مصنوعی مولد استفاده میکنند.
۲. شکاف عملکرد مدل هوش مصنوعی ایالات متحده و چین عملاً از بین رفته است. مدلهای ایالات متحده و چین از اوایل سال ۲۰۲۵ چندین بار جایگاه خود را عوض کردهاند. در فوریه ۲۰۲۵، DeepSeek-R برای مدت کوتاهی با مدل برتر ایالات متحده برابری کرد و تا مارس ۲۰۲۶، مدل برتر Anthropic تنها با ۲.۷درصد اختلاف پیشتاز است. ایالات متحده هنوز مدلهای هوش مصنوعی سطح بالا و اختراعات با تأثیر بالاتر تولید میکند، درحالیکه چین در حجم انتشار، استنادها، خروجی اختراعات و نصب رباتهای صنعتی پیشرو است. کرهجنوبی بهدلیل تراکم نوآوری خود، در صدر جهان در سرانه اختراعات هوش مصنوعی قرار دارد.
۳. ایالات متحده میزبان بیشترین مراکز داده هوش مصنوعی است که اکثر تراشههای آنها توسط یک کارخانه ریختهگری تایوانی ساخته شده است. ایالات متحده میزبان ۵۴۲۷مرکز داده است که بیش از ۱۰برابر هر کشور دیگری است و انرژی بیشتری نسبت به هر کشور دیگری مصرف میکند. یک شرکت به نام TSMC تقریباً هر تراشه هوش مصنوعی پیشرو را تولید میکند و زنجیره تأمین سختافزار هوش مصنوعی جهانی را به یک کارخانه ریختهگری در تایوان وابسته میکند، اگرچه گسترش TSMC در ایالات متحده در سال ۲۰۲۵آغاز شده است.
۴. مدلهای هوش مصنوعی میتوانند در المپیاد بینالمللی ریاضی مدال طلا کسب کنند، اما نمیتوانند بهطور قابل اعتمادی زمان را بگویند – نمونهای از آنچه محققان مرز ناهموار هوش مصنوعی مینامند. Gemini Deep Think در IMO مدال طلا گرفت، با این حال مدل برتر فقط ۵۰.۱درصد مواقع ساعتهای آنالوگ را به درستی میخواند. عاملهای هوش مصنوعی در OSWorld، که عاملها را روی وظایف واقعی کامپیوتر در سیستمعاملهای مختلف آزمایش میکند، از ۱۲درصد به حدود ۶۶درصد موفقیت در انجام وظایف جهش کردند، اگرچه آنها هنوز تقریباً از هر ۳ تلاش در معیارهای ساختاریافته، یک بار شکست میخورند.
۵. رباتها هنوز در اکثر کارهای خانگی شکست میخورند، حتی با اینکه در محیطهای کنترلشده عالی هستند. رباتها تنها در ۱۲درصد از کارهای خانگی موفق میشوند، که نشان میدهد هوش مصنوعی تا چه حد از تسلط بر دنیای فیزیکی فاصله دارد. در RLBench، دستکاری رباتیک در شبیهسازیهای مبتنی بر نرمافزار به ۸۹.۴درصد موفقیت رسیده است، اما شکاف بین تنظیمات آزمایشگاهی قابل پیشبینی و محیطهای خانگی غیرقابل پیشبینی زیاد است.
۶. «هوش مصنوعی مسئول» (Responsible AI) با توانایی هوش مصنوعی همگام نیست، بهطوری که معیارهای ایمنی عقب مانده و حوادث بهشدت افزایش یافته است. تقریباً همه توسعهدهندگان پیشرو مدلهای هوش مصنوعی نتایج مربوط به معیارهای قابلیت را گزارش میدهند، اما گزارش در مورد معیارهای هوش مصنوعی مسئول همچنان پراکنده است. حوادث مستند هوش مصنوعی از ۲۳۳ مورد در سال ۲۰۲۴ به ۳۶۲ مورد افزایش یافته است. تحقیقات اخیر نشان داده است که بهبود یک بعد هوش مصنوعی مسئول، مانند ایمنی، میتواند بُعد دیگری مانند دقت را کاهش دهد.
۷. ایالات متحده در سرمایهگذاری هوش مصنوعی پیشرو است، اما توانایی آن در جذب استعدادهای جهانی رو به کاهش است. سرمایهگذاری خصوصی هوش مصنوعی ایالات متحده در سال ۲۰۲۵ به ۲۸۵.۹ میلیارد دلار رسید که بیش از ۲۳ برابر ۱۲.۴ میلیارد دلار سرمایهگذاری در چین است – اگرچه با توجه به بودجههای هدایتی دولت، نگاه به ارقام سرمایهگذاری خصوصی احتمالاً کل هزینههای هوش مصنوعی چین را کمتر از حد واقعی نشان میدهد. ایالات متحده همچنین در فعالیتهای کارآفرینی با ۱۹۵۳ شرکت هوش مصنوعی تازه تأسیس در سال ۲۰۲۵ پیشرو بود که بیش از ۱۰ برابر نزدیکترین کشور به آن است. با این حال، تعداد محققان و توسعهدهندگان هوش مصنوعی که به ایالات متحده نقل مکان میکنند، رو به افزایش است.
۸. پذیرش هوش مصنوعی با سرعتی تاریخی در حال گسترش است و مصرفکنندگان از ابزارهایی که اغلب بهصورت رایگان به آنها دسترسی دارند، ارزش قابلتوجهی کسب میکنند. هوش مصنوعی مولد در عرض ۳ سال به ۵۳درصد از جمعیت رسید که سریعتر از گسترش رایانه شخصی یا اینترنت است، اگرچه سرعت آن در هر کشور متفاوت است و بهشدت با تولید ناخالص داخلی سرانه همبستگی دارد. برخی از کشورها، پذیرش بالاتر از حد انتظار را نشان میدهند، مانند سنگاپور (۶۱درصد) و امارات متحده عربی (۵۴درصد)، درحالیکه ایالات متحده با ۲۸.۳درصد در رتبه ۲۴ قرار دارد. ارزش تخمینی ابزارهای هوش مصنوعی مولد برای مصرفکنندگان آمریکایی تا اوایل سال ۲۰۲۶ به ۱۷۲ میلیارد دلار سالانه رسیده است و میانگین ارزش هر کاربر بین سالهای ۲۰۲۵ تا ۲۰۲۶ سه برابر میشود.
۹. افزایش بهرهوری ناشی از هوش مصنوعی در بسیاری از زمینههای مشابه که اشتغال در سطح مبتدی در آنها شروع به کاهش کرده است، در حال ظهور است. مطالعات نشان میدهد که افزایش بهرهوری ۱۴ تا ۲۶ درصدی در پشتیبانی مشتری و توسعه نرمافزار وجود دارد و اثرات ضعیفتر یا منفی در وظایفی که نیاز به قضاوت بیشتری دارند، مشاهده میشود. استقرار عامل هوش مصنوعی تقریباً در تمام عملکردهای تجاری تک رقمی باقی مانده است. در توسعه نرمافزار، جایی که دستاوردهای بهرهوری اندازهگیری شده هوش مصنوعی واضحتر است، توسعهدهندگان آمریکایی ۲۲ تا ۲۵ ساله شاهد کاهش اشتغال تقریباً ۲۰ درصدی نسبت به سال ۲۰۲۴ بودند، حتی با وجود اینکه تعداد کارکنان توسعهدهندگان مسنتر همچنان در حال افزایش است.
۱۰. اثرات زیستمحیطی هوش مصنوعی در کنار قابلیتهای آن در حال گسترش است. میزان انتشار تخمینی آموزش Grok 4به ۷۲۸۱۶ تن معادل CO2رسیده است. ظرفیت برق مرکز دادههای هوش مصنوعی به ۲۹.۶ گیگاوات افزایش یافته است که قابل مقایسه با ایالت نیویورک در اوج تقاضاست و مصرف سالانه آب به تنهایی ممکن است از نیاز آب آشامیدنی ۱۲ میلیون نفر فراتر رود.
۱۱. مدلهای هوش مصنوعی برای علم میتوانند از دانشمندان انسانی بهتر عمل کنند، اگرچه مدلهای بزرگتر همیشه عملکرد بهتری ندارند. مدلهای Frontier بهطور متوسط در ChemBench از شیمیدانان انسانی بهتر عمل میکنند، اما در تکرار در اخترفیزیک امتیاز کمتر از ۲۰درصد و در سؤالات مشاهده زمین امتیاز ۳۳درصد کسب میکنند. یک مدل زبان پروتئین ۱۱۱ میلیون پارامتری، MSAPairformer، روشهای پیشرو قبلی را در ProteinGym شکست داد و یک مدل ژنومیک ۲۰۰ میلیون پارامتری، GPN Star، از مدلی تقریباً ۲۰۰ برابر بزرگتر پیشی گرفت. اکثر مدلهای پایه هوش مصنوعی برای علم، برخلاف چشمانداز هوش مصنوعی عمومی که تحت سلطه صنعت است، از همکاریهای بین بخشی ناشی میشوند.
۱۲. هوش مصنوعی در حال تغییر مراقبتهای بالینی است، اما شواهد دقیق همچنان محدود است. ابزارهای هوش مصنوعی که بهطور خودکار یادداشتهای بالینی را از ویزیتهای بیمار تولید میکنند، در سال ۲۰۲۵ بهطور قابلتوجهی مورد استفاده قرار گرفتند. در سیستمهای بیمارستانی متعدد، پزشکان گزارش دادند که تا ۸۳درصد زمان کمتری را صرف نوشتن یادداشتها کردهاند که این موضوع فرسودگی شغلی را بهصورت قابل توجهی کاهش داده است. با این حال، فراتر از ابزارهای خاص، شواهد برای هوش مصنوعی بالینی همچنان اندک است. بررسی بیش از ۵۰۰ مطالعه هوش مصنوعی بالینی نشان داد که تقریباً نیمی از آنها به جای دادههای واقعی بیمار، به سؤالات به سبک امتحان متکی بودهاند و تنها ۵درصد از آنها از دادههای بالینی واقعی استفاده کردهاند.
۱۳. آموزش رسمی از هوش مصنوعی عقب مانده است، اما مردم در هر مرحله از زندگی مهارتهای هوش مصنوعی را یاد میگیرند. بیش از ۸۰درصد از دانشآموزان دبیرستانی و دانشگاهی ایالات متحده اکنون از هوش مصنوعی برای کارهای مربوط به مدرسه استفاده میکنند، اما تنها نیمی از مدارس راهنمایی و دبیرستان سیاستهای هوش مصنوعی را در دست دارند و تنها ۶درصد از معلمان میگویند که این سیاستها واضح هستند. در خارج از کلاس درس، مهارتهای مهندسی هوش مصنوعی در امارات متحده عربی، شیلی و آفریقای جنوبی با سرعت بیشتری در حال افزایش است. تعداد فارغالتحصیلان جدید دکتری هوش مصنوعی در ایالات متحده و کانادا از سال ۲۰۲۲ تا ۲۰۲۴، ۲۲درصد افزایش یافته است. فارغالتحصیلان دکترایی که این افزایش را تشکیل میدهند، در دانشگاهها مشغول بهکار شدهاند، نه در صنعت.
۱۴. حاکمیت هوش مصنوعی در حال تبدیل شدن به یک ویژگی تعیینکننده سیاست ملی است، اما تواناییها همچنان ناهموار هستند، حتی با اینکه توسعه متنباز به توزیع مجدد افراد شرکتکننده کمک میکند. استراتژیهای ملی هوش مصنوعی، بهویژه در میان اقتصادهای در حال توسعه، در حال گسترش هستند و سرمایهگذاریهای تحت حمایت دولت در ابررایانههای هوش مصنوعی به موازات آن در حال افزایش است – نشانهای از جاهطلبیهای فزاینده برای کنترل داخلی بر اکوسیستمهای هوش مصنوعی. با این حال، تولید مدل همچنان در ایالات متحده و چین متمرکز است. توسعه متنباز شروع به توزیع مجدد مشارکت کرده است، بهطوری که مشارکتهای سایر نقاط جهان اکنون از اروپا پیشی گرفته و در GitHub به ایالات متحده نزدیک میشود و مدلها و معیارهای متنوعتر زبانی را تقویت میکند.
۱۵. متخصصان هوش مصنوعی و عموم مردم دیدگاههای بسیار متفاوتی در مورد آینده این فناوری دارند و اعتماد جهانی به مؤسسات برای مدیریت هوش مصنوعی پراکنده است. وقتی صحبت از نحوه انجام وظایف افراد میشود، ۷۳درصد از متخصصان انتظار تأثیر مثبت دارند، درحالیکه تنها ۲۳درصد از مردم این انتظار را دارند، که نشاندهنده یک شکاف ۵۰ امتیازی است. شکافهای مشابهی در مورد تأثیر هوش مصنوعی بر اقتصاد و مراقبتهای پزشکی نیز وجود دارد. در سطح جهانی، اعتماد به دولتها برای تنظیم هوش مصنوعی متفاوت است. در میان کشورهای مورد بررسی، ایالات متحده با ۳۱درصد کمترین سطح اعتماد به دولت خود برای تنظیم هوش مصنوعی را گزارش کرد. در سطح جهانی، به اتحادیه اروپا بیش از ایالات متحده یا چین برای تنظیم مؤثر هوش مصنوعی اعتماد میشود.
دیدگاهتان را بنویسید