شاخص هوش‌مصنوعی استنفورد تحت نظر مؤسسه هوش‌مصنوعی انسان‌محور دانشگاه استنفورد و با همکاری گروهی از پژوهشگران برجسته از نهادهای دانشگاهی، صنعتی و دولتی سراسر جهان گردآوری شده است. به گزارش مهر، شاخص هوش‌مصنوعی استنفورد ۲۰۲۵، هشتمین نسخه از این گزارش معتبر سالانه است که تحت نظر مؤسسه هوش‌مصنوعی انسان‌محور دانشگاه استنفورد و با همکاری گروهی […]
شاخص هوش‌مصنوعی استنفورد تحت نظر مؤسسه هوش‌مصنوعی انسان‌محور دانشگاه استنفورد و با همکاری گروهی از پژوهشگران برجسته از نهادهای دانشگاهی، صنعتی و دولتی سراسر جهان گردآوری شده است. به گزارش مهر، شاخص هوش‌مصنوعی استنفورد ۲۰۲۵، هشتمین نسخه از این گزارش معتبر سالانه است که تحت نظر مؤسسه هوش‌مصنوعی انسان‌محور دانشگاه استنفورد و با همکاری گروهی از پژوهشگران برجسته از نهادهای دانشگاهی، صنعتی و دولتی سراسر جهان گردآوری شده است. این گزارش که اکنون به یکی از جامع‌‌ترین منابع جهانی برای پایش تحولات راهبردی، فنی و سیاستی هوش‌مصنوعی بدل شده، دربردارنده داده‌هایی دقیق، به‌روز، تطبیقی و قابل استناد در سطح جهانی است. هدف اصلی این گزارش، توانمندسازی سیاست‌گذاران، مدیران بخش‌خصوصی، پژوهشگران و روزنامه‌نگاران برای تصمیم‌گیری آگاهانه و مبتنی بر شواهد درباره توسعه و استقرار فناوری‌های هوش‌مصنوعی است. گزارش مذکور با ارائه تحلیل‌های چندبعدی از وضعیت فعلی، روندهای تاریخی و آینده‌پژوهی در زیست‌بوم هوش‌مصنوعی، بستری علمی و داده‌محور برای درک پیچیدگی‌‌ها و فرصت‌های این فناوری فراهم می‌کند. در این نوشتار کوتاه بر مهم‌‌ترین یافته‌ها، روندهای تحول‌آفرین و چالش‌های راهبردی مطرح‌شده در نسخه ۲۰۲۵ این گزارش تمرکز خواهد شد.
رتبه‌بندی جهانی پویایی هوش‌مصنوعی
یکی از بخش‌های برجسته گزارش شاخص هوش‌مصنوعی استنفورد ۲۰۲۵، رتبه‌بندی پویایی هوش‌مصنوعی کشورهای جهان است که در آن به معرفی ۳۶ کشور برتر در این زمینه پرداخته است. این رتبه‌بندی با توجه به وضعیت کشورها در هشت شاخص کلیدی شامل تحقیق و توسعه (R&D)، اقتصاد (Economy)، تنوع (Diversity)، افکار عمومی (Public Opinion)، مسئولیت‌پذیری (Responsible AI)، آموزش (Education)، سیاست‌گذاری و حکمرانی (Policy and Governance) و زیرساخت (Infrastructure) صورت گرفته است. در این رتبه‌بندی کشورهای آمریکا، چین، بریتانیا، هند و امارات به ترتیب رتبه‌های نخست تا پنجم را در اختیار دارند.
رشد شتابان عملکرد فنی مدل‌های هوش‌مصنوعی
عملکرد مدل‌های هوش‌مصنوعی در آزمون‌های پیچیده به شکل کم‌سابقه‌ای افزایش یافته است، به‌طوری‌که این پیشرفت‌‌ها نه‌تنها از نظر آماری چشمگیر هستند، بلکه از حیث کیفی نیز تحول‌آفرین تلقی می‌شوند. در سال ۲۰۲۴، مدل‌های زبانی پیشرفته توانستند در آزمون‌های چندبعدی و پیچیده، نظیر «MMMU» (آزمونی چندرشته‌ای برای ارزیابی درک مفهومی)، «GPQA» (آزمونی در سطح دانش تخصصی) و «SWE-bench» (معیاری برای حل مسائل برنامه‌نویسی واقعی)، به ترتیب بهبودهایی معادل ۱۸٫۸، ۴۸٫۹ و ۶۷٫۳ واحد درصد نسبت به سال گذشته تجربه کنند. به عقیده کارشناسان، این نتایج تنها به معنای ارتقای کلی ارقام نیست، بلکه بیانگر آن است که این مدلها به‌سرعت در حال نزدیک شدن به مرزهای شناختی انسان در حل مسائل پیچیده هستند. به‌عنوان مثال، برخی مدلها در زمینه‌هایی چون برنامه‌نویسی، حتی در شرایط زمانی محدود عملکردی فراتر از انسان از خود نشان داده‌اند. چنین شتابی در ارتقای عملکرد، نشان‌دهنده بلوغ معماری‌های نوین، بهبود تکنیک‌های آموزش و گسترش دامنه داده‌های تمرینی است که همه در جهت توانمندسازی نسل جدیدی از مدل‌های هوش‌مصنوعی نقش داشته‌اند.
گذار هوش‌مصنوعی از آزمایشگاه به زندگی روزمره
براساس برآورد صورت گرفته توسط کارشناسان دانشگاه استنفورد، هوش‌مصنوعی اکنون به شکلی فزاینده در حوزه‌هایی چون سلامت، حمل‌ونقل، آموزش و خدمات عمومی حضور پررنگ و تأثیرگذار دارد و از مرحله آزمایشگاهی به بطن زندگی روزمره کاربران نفوذ کرده است. از همین روی، در حوزه سلامت، شاهد شتاب فزاینده‌ای در توسعه و تأیید دستگاه‌های پزشکی مبتنی بر هوش‌مصنوعی هستیم و تعداد این دستگاه‌ها که توسط سازمان غذا و داروی آمریکا (FDA) تأیید شده‌اند، از تنها شش مورد در سال ۲۰۱۵ به ۲۲۳ مورد در سال ۲۰۲۳ رسیده است. این دستگاه‌ها طیفی وسیع از کاربردها، از تشخیص خودکار بیماری‌‌ها در تصاویر پزشکی تا پیش‌بینی خطرات بالینی در زمان واقعی، را پوشش می‌دهند. همچنین در زمینه حمل‌ونقل نیز خودروهای خودران و رباتاکسی‌‌ها به یکی از نمادهای هوش‌مصنوعی کاربردی در عصر حاضر بدل شده‌اند. در چنین شرایطی، شرکت‌هایی همچون «Waymo» در ایالات متحده و «Baidu» در چین ناوگان عظیمی از خودروهای بدون راننده را در شهرهای مختلف مستقر کرده‌اند که هفته‌ای صد‌ها هزار سفر را بدون دخالت انسانی انجام می‌دهند. همچنین، استفاده از سامانه‌های هوشمند در آموزش، از جمله در یادگیری شخصی‌سازی‌شده، ارزیابی خودکار و پشتیبانی از معلمان، به سرعت در حال گسترش بوده و نویدبخش دگرگونی در ساختارهای سنتی آموزشی در سطح جهانی است.
سلطه صنعت بر توسعه مدل‌های پیشرفته
این سند مکتوب در بخش دیگری به بررسی سلطه صنعت بر توسعه مدل‌های پیشرفته می‌پردازد. براساس برآوردهای صورت گرفته، در سال ۲۰۲۴، سهم صنعت از توسعه مدل‌های شاخص هوش‌مصنوعی به ۹۰ درصد رسید؛ رقمی که نسبت به ۶۰ درصد در سال ۲۰۲۳، جهشی چشمگیر محسوب می‌شود. این تغییر قابل‌توجه بیانگر انتقال محور نوآوری از محیط‌های آکادمیک به شرکت‌های فناوری‌محور است. به عبارت دیگر، در حالی‌که دانشگاه‌ها همچنان نقشی کلیدی در پیشبرد مرزهای دانش و تولید مقالات علمی پراستناد ایفا می‌کنند، این صنعت است که در زمینه طراحی، آموزش و پیاده‌سازی مدل‌های عملیاتی و تجاری‌شدنی نقش اصلی را برعهده گرفته است. علت این دگرگونی را می‌توان در تزریق سرمایه‌گذاری‌های کلان خصوصی، توسعه پلتفرم‌های ابری اختصاصی و شکل‌گیری اکوسیستم‌های بسته تحقیق و توسعه دانست. به‌ویژه در حوزه مدل‌های مولد مانند تولید متن، تصویر، صوت و ویدئو، شاهد ورود بازیگران بزرگ بازار فناوری مانند «OpenAI»، گوگل، متا و آنتروپیک هستیم که با ارائه مدل‌هایی مانند «GPT-4»، جمینای، لاما و کلاد، عملاً مسیر پیشرفت فناوری را در انحصار خود پیش گرفته‌اند. براساس شاخص هوش‌مصنوعی استنفورد این پدیده موجب شده است که عمق شکاف میان توان علمی آکادمیک و توان فناورانه صنعتی در حال افزایش باشد؛ این در حالی است که همکاری‌های پژوهشی مشترک و انتشار کدهای متن‌باز، می‌توانند به تعادل بخشی در این روند کمک کنند.
رشد نابرابر در مسئولیت‌پذیری هوش‌مصنوعی
داده‌های ارائه شده در این سند مکتوب حاکی از آن است که با وجود افزایش محسوس رخداد‌ها و حوادث مرتبط با مخاطرات هوش‌مصنوعی، از جمله سوگیری الگوریتمی، تولید اطلاعات نادرست، نقض حریم‌خصوصی و انتشار محتوای مخرب، استفاده از شاخص‌‌ها و چارچوب‌های ارزیابی استاندارد برای سنجش مسئولیت‌پذیری در توسعه مدلها، هنوز در میان شرکت‌های پیشرو صنعتی عمومیت نیافته است. بخش عمده‌ای از شرکت‌ها گرچه به‌صورت نظری به لزوم رعایت اصول مسئولانه اذعان دارند، اما اقدامات عملی، از جمله ارزیابی‌های پیش از استقرار (pre-deployment audits)، شفاف‌سازی داده‌های آموزشی و طراحی سامانه‌های پاسخگو، هنوز به صورت فراگیر اجرایی نشده‌اند. در این میان، شاخص‌‌ها و ابزارهایی نظیر «HELM Safety» و «AIR-Bench» در حال تکوین و معرفی هستند؛ شاخص‌هایی که می‌توانند به‌عنوان معیارهای مرجع برای ارزیابی ایمنی، صداقت و عدم سوگیری مدلها به کار گرفته شوند. همچنین داده‌های موجود در شاخص هوش‌مصنوعی استنفورد نشان می‌دهند که از منظر حکمرانی جهانی، روند روبه رشدی از همکاری‌های بین‌المللی در حال شکل‌گیری است. در چنین شرایطی، نهادهایی مانند سازمان همکاری اقتصادی و توسعه (OECD)، اتحادیه اروپا، سازمان ملل متحد و اتحادیه آفریقا با انتشار چارچوب‌های سیاستی و اصول راهنمای مشترک، تلاش دارند با ایجاد هماهنگی میان کشورها، بنیانی برای حکمرانی مسئولانه و قابل اعتماد هوش‌مصنوعی فراهم سازند. این رویکرد‌ها دربرگیرنده اصولی همچون شفافیت، قابلیت پاسخگویی، عدالت، امنیت و احترام به حقوق بشر هستند.
کاهش شدید هزینه‌ها و افزایش دسترسی‌پذیری
قیمت و هزینه توسعه و استقرار هوش‌مصنوعی، دیگر محور کلیدی این گزارش به شمار می‌رود. بر همین اساس، هزینه اجرای مدل‌هایی با عملکرد مشابه «GPT-3.5» ظرف مدت ۱۸ ماه با افتی بی‌سابقه، بیش از ۲۸۰ برابر کاهش یافته است؛ به‌گونه‌ای که هزینه پردازش یک میلیون توکن از ۲۰ دلار به تنها ۰٫۰۷ دلار رسیده است. این کاهش هزینه نه‌تنها در کاهش بار مالی کاربران و کسب‌وکار‌ها نقش داشته، بلکه در تغییر ماهیت دسترسی‌پذیری به فناوری نیز تحول ایجاد کرده است. یکی از عوامل کلیدی این کاهش چشمگیر هزینه، توسعه زیرساخت‌های محاسباتی نوین و استفاده بهینه از واحدهای پردازش شتاب‌یافته، مانند پردازنده‌های گرافیکی نسل جدید و شتاب‌دهنده‌های اختصاصی نظیر واحدهای پردازشی تنسور (TPU) است. در کنار این امر، حرکت به‌سوی مدل‌های متن‌باز و سبک‌تر، مانند «Mistral» و «Phi-2» که با هزینه کمتر عملکرد قابل‌قبولی ارائه می‌دهند، سبب شده است که استفاده از مدل‌های هوش‌مصنوعی برای استارت‌آپ‌ها، دولت‌‌ها و کاربران شخصی نیز عملی و مقرون‌به‌صرفه گردد. همچنین، بهبود بهره‌وری انرژی از طریق الگوریتم‌های آموزش فشرده و استفاده از معماری‌های بهینه‌تر، زمینه‌ساز کاهش مصرف منابع در کنار افزایش توان عملیاتی بوده است. در مجموع، می‌توان گفت که این تحولات باعث شده‌اند هوش‌مصنوعی از یک فناوری انحصاری به ابزاری عمومی‌تر تبدیل شود و راه را برای دموکراتیزه‌سازی فناوری‌های شناختی هموار سازد.
برتری چین در زمینه تولید مقالات و پتنت‌های هوش‌مصنوعی
براساس گزارش شاخص هوش‌مصنوعی استنفورد، چین با سهم ۲۳٫۲ درصدی از کل مقالات منتشرشده و ۶۹٫۷ درصدی از کل پتنت‌های ثبت‌شده در حوزه هوش‌مصنوعی، از منظر کمّی جایگاه نخست را در میان کشورهای جهان به خود اختصاص داده است. به عقیده کارشناسان، این کشور با اتکا به سیاست‌گذاری فعال دولتی، سرمایه‌گذاری در زیرساخت‌های تحقیقاتی و بسیج دانشگاه‌ها و صنایع داخلی، توانسته است در حوزه تولید دانش و مالکیت فکری در سطح گسترده‌ای رشد کند. با این وجود، ایالات متحده همچنان از نظر کیفیت علمی و نوآوری فناورانه، جایگاه برجسته‌ای دارد. این کشور در سال ۲۰۲۴ موفق به تولید ۴۰ مدل شاخص هوش‌مصنوعی شده است؛ مدل‌هایی که نه‌تنها در ارزیابی‌های فنی برتر ظاهر شده‌اند، بلکه پشتوانه‌ای از مقالات علمی پراستناد و پیشرفت‌های مرجع فراهم کرده‌اند. شایان ذکر است که شکاف عملکردی میان مدل‌های چین و آمریکا در آزمون‌های مهمی نظیر «MMLU» برای ارزیابی درک چندرشته‌ای و «HumanEval» به منظور ارزیابی توان برنامه‌نویسی به شکل چشمگیری کاهش یافته و در برخی موارد تقریباً از میان رفته است. متخصصان بر این باورند که تحولات اخیر بیانگر ورود چین به مرحله‌ای جدید از بلوغ فناورانه و توان رقابتی در سطح جهانی است.
دیدگاه بسته شده است.