锦秋基金认为，对比两年的AI Index报告，可以看到：

一、研究与开发

本章追踪人工智能研究和开发的最新进展，涵盖推动进步的模型和开源生态系统、支持它的基础设施和环境影响，以及塑造该领域的出版物、专利和投资者。

1.2025 年，业界生产了 90% 以上的知名 AI 模型，但目前最强大的模型却是最不透明的。

对于一些资源消耗最大的系统，包括 OpenAI、Anthropic 和 Google 的系统，训练代码、参数数量、数据集大小和训练持续时间不再公开。

2.中国在研究方面领先，而美国在著名模型开发方面领先。

中国在论文发表量、引用量和专利授权方面领先，而美国拥有更高影响力的专利，并在2025年产生了50个值得关注的模型，而中国只有30个。韩国在人均人工智能专利方面领先，中国在人工智能论文引用量排名前100的论文中所占份额从2021年的33%增长到2024年的41%。

3.报告参数数额高达数万亿美元，而披露信息却有所下降。

参数数量三年来一直维持在1万亿左右，尽管前沿实验室已停止发布相关数据。而训练计算量（可以独立估算）则持续增长。

4.合成数据在预训练中仍然无法取代真实数据，但数据质量和后训练技术正在展现出良好的前景。

OLMo 3.1 Think 32B 的参数比 Grok 4 少了近 90 倍，仅通过修剪、去重和整理就在多个基准测试中取得了可比的结果。

5.自 2022 年以来，全球人工智能计算能力每年增长 3.3 倍，达到 1710 万 H100 计算能力。

英伟达占据了超过60%的计算总量，谷歌和亚马逊提供了剩余的大部分，华为的份额虽小但正在增长。此次规模扩张是由超大规模数据中心的扩容以及对前沿模型训练和推理的持续需求所驱动的。

6.美国在人工智能数据中心方面处于领先地位，而其中大部分芯片是由一家中国台湾代工厂制造的。

美国拥有5427个数据中心，是其他任何国家的十倍以上，能源消耗量也高于其他任何地区。几乎所有领先的人工智能芯片都由台积电（TSMC）一家公司制造，使得全球人工智能硬件供应链依赖于中国台湾的一家晶圆厂，尽管台积电在美国的扩建项目已于2025年开始运营。

7.人工智能对环境的影响在能源、水和排放方面都在增加。

预计到2025年，Grok 4的训练排放量将达到72,816吨二氧化碳当量。人工智能数据中心的电力容量将增至29.6吉瓦，相当于纽约州高峰期的用电量，而仅GPT-4o推理的年用水量就可能超过1200万人的饮用水需求。

8.开源人工智能开发持续扩大规模，GitHub 上有 560 万个项目，自 2023 年以来 Hugging Face 的上传量增加了两倍。

美国的项目仍然最能吸引用户参与，GitHub 上累计获得超过 10 颗星的项目数量已达 3000 万颗星。 

9.自 2017 年以来，移居美国的 AI 研究人员和开发人员数量下降了 89%。

这一趋势正在加速，仅去年一年就下降了80%。美国仍然拥有比其他任何国家都多的AI人才，但其吸引新人才的速度却处于十多年来的最低水平。

10.人工智能人才格局正在发生变化，但性别差距依然存在。

瑞士和新加坡在人均人工智能研究人员和开发人员数量方面领先世界，一些国家的女性占比相对较高，包括沙特阿拉伯（32.3%）、加拿大（29.6%）和澳大利亚（30.1%），但没有一个国家接近性别平等。

二、技术性能

本章对 2025 年人工智能性能的全面概述，涵盖图像、视频、语言、语音、推理、机器人和智能体系统。

11.人工智能能力正在超越衡量它的基准，并超越人类水平的性能。

在“人类最后的考试”（Humanity's Last Exam）这项旨在对人工智能构成挑战、对人类专家有利的基准测试中，前沿模型仅一年就取得了30个百分点的提升。原本旨在持续数年的挑战性评估，如今却在短短几个月内就趋于饱和，这大大缩短了基准测试在追踪进展方面仍然有效的窗口期。

2.顶级模型的性能正在趋于一致，4 家公司在 Arena 排行榜和基准测试中通过人工投票相互比较时，现在聚集在 25 Elo 分以内（受国际象棋等级分的启发）。

截至 2026 年 3 月，Anthropic (1,503)、xAI (1,495)、Google (1,494)、OpenAI (1,481)、阿里巴巴 (1,449) 和 DeepSeek (1,424) 均位列 Arena Elo 评级榜首，竞争压力转向成本、可靠性和特定领域的性能。

3.开源模式的性能差距在 2024 年短暂缩小后，于 2025 年再次出现。

截至 2026 年 3 月，排名最高的闭源模型领先排名最高的开源模型 3.3%，高于 2024 年 8 月的 0.5%。竞技场排行榜前十名中的六个模型现在是闭源模型。

4.中美人工智能模型性能差距已基本消除。

自2025年初以来，美国和中国的模型在性能排名中多次互换位置。2025年2月，DeepSeek-R1曾短暂地与美国顶级模型并驾齐驱。截至2026年3月，美国顶级模型以2.7%的优势领先，过去一年来，这一差距虽有波动，但始终保持在个位数。

5.用于衡量人工智能进步的基准面临着日益增长的可靠性和作弊问题，广泛使用的评估中的错误率高达 42%。

一项调查发现，无效题比例从MMLU数学的2%到GSM8K的42%不等。另有研究表明，Arena排行榜的排名可能部分反映了考生对平台的适应程度，而非其整体能力。

6.视频生成模型开始捕捉物体的行为方式，而不仅仅是生成逼真的内容。

Google DeepMind 的 Veo 3 在超过 18,000 个生成的视频中进行了测试，证明了其无需接受相关训练即可模拟浮力和解决迷宫等能力。

7.人工智能模型可以在国际数学奥林匹克竞赛中获得金牌，但仍然无法可靠地计时，这说明了研究人员所说的锯齿状智能。

Gemini Deep Think 在 2025 年国际数学奥林匹克竞赛 (IMO) 中获得 35 分（金奖），在 4.5 小时的时间限制内以自然语言完成了端到端的计算，比 2024 年获得的 28 分（银奖）有所提高。在 ClockBench 测试中，顶级模型正确读取模拟时钟的准确率为 50.1%，而人类的准确率为 90.1%。

8.人工智能模型正在扩展到专业领域，在税务、抵押贷款处理、公司财务和法律推理的评估中，其性能表现从 60% 到 90% 不等。

排名前15的模型在各项基准测试中的性能差距仅为3个百分点。这类对性能和可靠性要求极高的领域，对人工智能模型而言仍然是一项巨大的挑战。

9.人工智能代理将在 2025 年从回答问题发展到完成任务，尽管它们在结构化基准测试中仍然大约有三分之一的尝试会失败。

在 OSWorld 上，该测试旨在评估智能体在各种操作系统上的计算机任务表现，结果显示，智能体的准确率从大约 12% 提高到 66.3%，与人类的表现相差不到 6 个百分点。 

10.机器人虽然在受控环境中表现出色，但在大多数家务劳动中仍然表现不佳。

机器人仅能成功完成12%的实际家务任务，这凸显了人工智能距离真正掌握物理世界还有很长的路要走。在RLBench平台上，基于软件模拟的机器人操作成功率达到了89.4%，但可预测的实验室环境与不可预测的家庭环境之间存在着巨大的差距。

11.自动驾驶汽车将于 2025 年实现大规模部署。

Waymo在美国五个城市实现了每周约45万次的出行量。在中国，Apollo Go完成了1100万次完全无人驾驶出行，同比增长175%。欧洲的运营商也在积极开展无人驾驶服务，但由于缺乏公开的部署数据，全球情况尚不明朗。目前，这些服务主要部署在气候条件较好的地区，并且有人员在场外待命，以便在必要时接管车辆。

三、负责任的人工智能

本章从安全、公平、透明和治理等维度探讨负责任的人工智能，以及仍然存在的衡量差距。 

12.负责任的 AI 基准测试正在增加，但跟不上 AI 的发展和部署。

几乎所有领先的前沿模型开发商都会报告其在 MMLU 和 SWE-bench 等能力基准测试中的结果，但关于负责任的 AI 基准测试的报告仍然很少。有记录的 AI 事故持续上升，AI 事故数据库显示，2025 年的事故数量为 362 起，高于 2024 年的 233 起。

2.人工智能模型难以区分知识和信念。

在一项新的准确率基准测试中，26 个顶级模型的幻觉率介于 22% 到 94% 之间。GPT-4o 的准确率从 98.2% 下降到 64.4%，DeepSeek R1 的准确率则从 90% 以上下降到 14.4%。当错误陈述被呈现为他人所相信的内容时，模型能够很好地处理。但当同样的错误陈述被呈现为用户所相信的内容时，模型的性能就会急剧下降。

3.各组织正在规范负责任的人工智能工作，但知识和预算差距仍然阻碍了人工智能的普及。

到2025年，人工智能相关的治理角色增长了17%，而没有制定负责任的人工智能政策的企业比例从24%大幅下降至11%。实施的主要障碍仍然是知识差距（59%）、预算限制（48%）和监管不确定性（41%）。

4.塑造负责任的人工智能实践的监管组合正在向人工智能专用框架和技术标准转变。

GDPR仍然是被提及最多的监管影响因素，但其占比从2024年的65%下降到2025年的60%。2025年新增的监管影响因素包括ISO/IEC 42001（人工智能管理体系标准），被36%的受访者提及，以及NIST人工智能风险管理框架，占比33%。表示完全不受任何监管影响的组织比例从17%下降到12%。

5.人工智能在英语中表现最佳，而且差距比全球基准所显示的要大。

在针对阿拉伯语的区域性模型 HELM Arabic 测试中，其得分超过了 GPT-5.1 和 Gemini 2.5 Flash。在方言层面，这种差距进一步扩大。在斯洛文尼亚语常识推理测试中，一些领先的模型在用区域方言而非标准语进行测试时，准确率下降了近一半。

6.今年人工智能公司的透明度有所下降。

在 2023 年至 2024 年间，基础模型透明度指数从 37 上升至 58，但 2025 年平均得分下降至 40。在训练数据、计算资源和部署后影响等方面的披露仍然存在重大差距。

7.AI 模型在正常情况下通过安全测试表现良好，但在蓄意攻击下，其防御能力会减弱。

在 AILuminate 基准测试中，多个前沿模型在标准使用情况下获得了“非常好”或“好”的安全评级。然而，当使用对抗性提示进行越狱尝试测试时，所有受测模型的安全性能均有所下降。

8.负责任的人工智能的各个方面，如安全性、公平性和隐私性，彼此之间存在矛盾，而且权衡取舍的情况也还没有得到很好的理解。

最近的实证研究发现，旨在提高人工智能某一方面能力的训练技术，往往会降低其他方面的能力。

四、经济

本章从安全、公平、透明和治理等维度探讨负责任的人工智能，以及仍然存在的衡量差距。 

1.到 2025 年，全球企业对人工智能的投资将增加一倍以上。

私人投资增速最快，达到127.5%，目前占总额的60%。生成式人工智能引领了这波增长，增速超过200%，占据了近一半的私人人工智能融资。新获融资的人工智能公司数量增长了71%，十亿美元级融资事件的数量几乎翻了一番。

2.美国继续在全球私人人工智能投资领域保持领先地位，其投资额是中国的 23 倍。

在生成式人工智能领域，美国的投资额远远超过中国和欧洲的总和。然而，私人投资数据可能低估了中国在人工智能领域的总支出，因为政府指导基金在2000年至2023年间已向人工智能企业投入了约1840亿美元。

3.人工智能公司的收入正以历史性的速度增长，但计算成本和基础设施支出也达到了创纪录的水平。

领先的前沿公司在短时间内实现了可观的营收规模，但计算支出却逐年大幅增长。主要云服务提供商加快了资本支出，谷歌预计到2025年，其年度资本支出将超过1500亿美元。

4.美国消费者从生成式人工智能中获得的价值在一年内增长了54%，达到1720亿美元。

预计到2026年初，美国消费者剩余将达到每年1720亿美元，高于前一年的1120亿美元，同期每位用户的中位数价值将增长两倍。这些工具大多仍然免费或价格接近免费。

5.到 2025 年，组织机构对人工智能的采用率继续上升，高达 88% 的受访组织采用人工智能，尽管 AI Agent的使用仍处于早期阶段。

目前，70% 的企业至少在一个业务职能部门中使用了生成式人工智能，其中中国和欧洲的同比增长率最高。几乎所有业务职能部门的AI Agent部署比例都只有个位数。

6.生成式人工智能在三年内普及率达到 53%，比个人电脑或互联网的普及速度更快。

各国人工智能的普及率差异很大，且与人均GDP密切相关，尽管有些国家的普及率超过了收入水平所预测的水平，例如新加坡的普及率为61%，阿联酋的普及率为54%。尽管美国在人工智能投资和模型开发方面处于领先地位，但其普及率仅为28.3%，排名第24位。

7.人工智能对劳动力市场的影响并不均衡，主要集中在招聘渠道和受影响职业中最年轻的劳动者身上。

22至25岁软件开发人员的就业人数比2024年下降了近20%。雇主调查显示，未来还将有进一步的变化，三分之一的受访者预计未来一年将出现裁员。

8.三分之一的组织预计人工智能将在未来一年减少其员工人数，尽管大规模的失业尚未在整体就业数据中显现出来。

近半数受访机构预计不会有太大变化或变化甚微。预计降幅最大的部门是服务运营、供应链和软件工程。几乎所有职能部门的预期降幅都超过了实际降幅。

9.人工智能带来的生产力提升在结构化、可衡量的工作中最为显著，因为这类工作的产出很容易监控。

研究报告显示，人工智能在客户支持方面可提升 14% 至 15%，在软件开发方面可提升 26%，在市场营销方面可提升 50%。在需要深度推理的任务中，提升幅度较小。此外，近期证据表明，过度依赖人工智能可能会带来长期的学习损耗，随着时间的推移，这种损耗会减缓技能的提升。

10.中国安装的工业机器人数量继续超过世界其他国家的总和，而且到 2024 年，这一差距进一步扩大。

中国占全球工业机器人装机量的54%，高于2023年的51.1%。全球同比增速持平，包括美国、德国和意大利在内的几个主要市场出现下滑。台湾地区是个例外，同比增长率最高，达到33%。

五、科学

本章是今年人工智能指数报告的新增内容，探讨了人工智能在生物学、化学、物理学和天文学等科学领域中日益扩大的作用。 

1.与人工智能相关的科学出版物逐年增长。

2025 年，自然科学领域人工智能相关出版物数量约为 80150 篇，比 2024 年增长 26%。人工智能目前占科学研究产出的 5.8% 至 8.8%（具体比例取决于领域），而 2010 年这一比例还不到 1%。

2.前沿模型平均而言比人类化学家表现更好，但无法重现已发表的研究。

在 ChemBench 平台上，最佳模型在 2700 多道化学题上的表现均优于人类专家的平均水平，但在一些基础任务上却表现不佳。在 ReplicationBench 平台上，前沿模型在天体物理学纸质实验的复现准确率低于 20%。在 UnivEarth 平台上，LLM 智能体回答地球观测问题的准确率仅为 33%，且其代码的失败率高达 58%。

3.天文学于 2025 年发布了第一个基础模型、第一个可视化基准测试和 100TB 的训练数据集，这标志着该领域向人工智能基础设施的全面转变。

AION-1模型基于来自5个主要巡天项目的超过2亿个天体数据进行训练，是首个天文基础模型。AstroVisBench则引入了该领域首个用于LLM科学计算和可视化的基准测试。

4.人工智能系统于 2025 年首次实现了端到端的完整天气预报流程。

Aardvark Weather 用单一的机器学习系统取代了传统的数值预测流程，多个 AI 天气模型已投入实际应用。FourCastNet 3 可在不到 4 分钟内生成 60 天的全球天气预报，速度比以往方法快 8 到 60 倍。

5.在端到端的科学研究任务中，最好的 AI 代理的得分大约只有博士专家的一半。

在 PaperArena 测试中，最佳代理的准确率达到 38.8%，而博士专家的基准准确率达到 83.5%。在 BixBench 测试中，前沿模型在真实世界的生物信息学分析中准确率约为 17%。

6.第一篇完全由人工智能生成的论文于 2025 年在同行评审研讨会上被接受，但经实验证实的人工智能发现清单仍然很短。

Sakana 的 AI Scientist-v2 无需人工编写模板，即可生成一篇被 ICLR 研讨会接收的论文。谷歌的 AI Co-Scientist 已在三个生物医学领域得到验证。

来源：Gottweis等人，2025

7.大多数用于科学的 AI 模型都源自学术界和政府机构，这与以行业为主导的通用 AI 领域形成鲜明对比。

许多用于科学领域的人工智能基础模型都源于国际合作。地球科学数据集完全来自政府和学术机构，而天气和气候领域的基础模型开发则主要由产业界主导。

六、医药

本章主要概述人工智能在医学领域的进展，包括科学发现、临床应用、患者参与和伦理考量。

1.在分子生物学中，较小的模型比大的模型表现更好。

MSAPairformer是一个拥有 1.11 亿个参数的蛋白质语言模型，在基准测试 ProteinGym 上的表现优于之前的领先方法；GPN-Star是一个拥有 2 亿个参数的基因组学模型，其表现优于一个拥有 400 亿个参数的模型。

2.虚拟细胞模型在 2025 年成为一个新的前沿领域，主要版本包括 Arc Institute 的 Evo 2、STATE 和 DeepMind 的 AlphaGenome。

这些模型旨在预测细胞对药物和基因扰动的反应，而无需进行湿实验室实验，但目前的系统仍然需要实验验证。

3.与其他人工智能领域一样，生物模型开发越来越受到数据而非架构的制约。

随着共折叠模型现在代表了蛋白质数据库中的所有结构类型，2025 年出现了向 AI 预测结构的精简数据集和基于组合实验数据源的训练的转变，训练集从数十万个条目扩展到数千万个条目。

4.能够根据患者就诊情况自动生成临床笔记的人工智能工具在 2025 年得到了广泛应用。

多家医院系统的医生报告称，他们花在写病历上的时间减少了高达 83%，职业倦怠感也显著降低，其中一家医院系统报告称投资回报率高达 112%。

5.2025 年，FDA 批准了 258 种人工智能医疗设备，其中大多数是通过不需要新的临床试验的途径批准的。

绝大多数医疗器械都是通过器械改良途径进入市场的，这些途径依赖于现有的安全性和有效性证据，而不是新的随机试验，只有 2.4% 的器械有随机试验数据支持的临床研究。

6.多智能体人工智能系统在复杂的已发表案例研究中得分 85.5%，而未接受辅助的医生得分仅为 20%。

微软的AI诊断协调器与OpenAI的o3结合使用，在从医学文献中提取的复杂病例上进行了测试，并与不使用常用工具的医生进行了对比。更广泛地说，多智能体框架已证明其诊断准确率比单智能体基线模型提高了7%到60%以上。

7.人工智能生成的摘要现在出现在 84% 到 92% 的健康相关 Google 搜索结果的顶部。

症状和常见健康问题有 92% 的概率会触发人工智能概览，其次是治疗和病情查询。这些概览现在已成为健康信息搜索的常规功能，有助于对用户问题的初步解读。

8.2025 年，医学人工智能出版物中关于伦理的讨论增加了一倍多，但讨论的范围很窄。

治理问题占据了讨论的主导地位，而算法问责制、生物安全和全球健康公平等问题仍未得到充分探讨。

9.对医学数字孪生的研究兴趣正在迅速增长，在已有试验的情况下，早期结果令人鼓舞。

在一项针对 150 名糖尿病患者的随机试验中，71% 的患者在一年内达到了健康的血糖水平，同时安全地减少了药物用量。

七、教育

本章评估人工智能如何重塑教育系统，以及这对教学、学习和职业准备意味着什么。 

1.2024 年至 2025 年间，美国四年制大学的计算机科学专业入学人数下降了 11%，但人工智能相关的研究生课程继续增长。

2023 年至 2024 年，人工智能软件相关领域的硕士毕业生人数增长了 17%，这表明即使计算机科学专业的入学人数普遍下降，对人工智能专业的需求依然强劲。

2.美国仍然是全球信息、通信和技术 (ICT) 各学位级别毕业生的领先者，但其他国家的增长速度更快。

近年来，土耳其、巴西和墨西哥的信息通信技术专业毕业生人数增长速度更快。

3.五分之四的美国高中生和大学生现在使用人工智能来完成学业，而学校政策却没有跟上步伐。

只有一半的中小学制定了人工智能政策，而只有6%的教师认为这些政策清晰明确。学生最常将生成式人工智能用于研究、论文修改和头脑风暴。

4.超过 90% 的国家现在为中小学生提供计算机科学课程，但人工智能教育的普及速度较慢。

中国和阿联酋都已规定从 2025-26 学年开始强制推行人工智能教育，这标志着国家层面正朝着正规的人工智能教育方向发展。

5.2022 年至 2024 年，美国和加拿大新增人工智能博士人数增长了 22%，但流向行业的份额却保持不变。

所有增长都流向了学术界，扭转了过去十年人工智能博士主要进入工业界的趋势。

6.人们在正规教育之外获得人工智能技能，并在简历中宣传人工智能技能。

在大多数国家，人工智能素养的增长速度超过了工程导向型人工智能技能的增长速度。阿联酋、智利和南非是例外，这些国家自2022年以来，工程技能的增长速度更快。

八、政策与监管

本章概述了全球政策格局，重点介绍了人工智能领域的政策制定和公共投资，以及对人工智能主权的日益重视。 

1.国家人工智能战略发展最快的国家是那些五年前还没有正式人工智能政策的国家。

2024 年，超过一半的新采用战略来自新兴经济体；截至 2025 年，撒哈拉以南非洲、中亚和中东的其他一些国家也正在积极制定相关战略。

2.人工智能主权，即获得对国内人工智能能力的更多自主权，正在成为国家人工智能政策的核心原则，但支撑它的基础设施分布不均。

2018 年至 2025 年间，欧洲和中亚国家支持的人工智能超级计算集群数量从 3 个增加到 44 个。南亚、拉丁美洲以及中东和北非地区各自仅达到 2 个、3 个或 8 个。

3.各个地区对数据主权采取了不同的方法。

截至 2024 年，东亚和太平洋地区已采取 77 项数据本地化措施，其次是撒哈拉以南非洲（71 项）和欧洲及中亚（66 项）。相比之下，北美仅记录了 3 项，反映出其在跨境数据流动方面采取了不同的方法。

4.自 2017 年以来，美国国会听证会上与人工智能相关的证人数量增加了 20 倍。

到 2025 年，这一数字从 2017 年的 5 人增加到 102 人。行业份额几乎翻了三倍，从 13% 增加到 37%，成为最大的见证群体，而学术界的份额下降到 15%。

5.与私营部门的支出相比，美国公共部门对人工智能的投资仍然有限。

2013 年至 2024 年间，美国在人工智能相关合同和拨款方面投资了约 204 亿美元，而仅 2025 年一年，美国私人投资就达到了 2859 亿美元。

6.2013 年至 2024 年间，欧洲在人工智能领域的公共承诺合同金额达到约 37 亿美元。

英国的支出最高，达16亿美元，其次是德国（5.05亿美元）和法国（3.2亿美元）。近期支出也在加速增长。仅在2024年，英国就承诺支出4.544亿美元（占其十年总额的28%），德国承诺支出2.066亿美元（占其总额的40%）。

九、舆论

本章利用全球调查数据，从信任度、透明度、监管到就业和人际关系等方面，反映了公众对人工智能的看法。 

1.人们对人工智能的乐观情绪正在上升，但焦虑情绪也在上升。

在全球范围内，认为人工智能产品和服务带来的益处大于弊端的受访者比例从 2024 年的 55% 上升到 2025 年的 59%，但与此同时，认为这些产品让他们感到不安的受访者比例也上升到 52%。

2.东南亚国家仍然是世界上对人工智能最乐观的国家之一。

在马来西亚、泰国、印度尼西亚和新加坡，超过 80% 的受访者表示，人工智能将在未来 3-5 年内深刻改变他们的生活，其中马来西亚预计从 2024 年开始增幅最大。

3.在所有受调查国家中，印度的AI焦虑情绪上升幅度最大。

2024 年至 2025 年间，印度对人工智能使用的担忧程度增幅最大（+14 个百分点），而兴奋程度仅略有上升（+2）。

4.在一些新兴经济体中，工作场所人工智能的使用率高于许多发达经济体。

2025 年，全球 58% 的员工表示在工作中经常或半定期使用人工智能，但在印度、中国、尼日利亚、阿拉伯联合酋长国、埃及和沙特阿拉伯，这一比例超过 80%。

5.除了选举和人际关系之外，人工智能专家和美国公众对人工智能的未来有着非常不同的看法。

关于人们如何开展工作，73%的专家预期会产生积极影响，而公众的这一比例仅为23%，两者相差50个百分点。经济（69%对21%）和医疗保健（84%对44%）领域也存在类似的认知差异。

6.近三分之二的美国人（64%）预计人工智能将在未来 20 年内导致就业岗位减少，而只有 5% 的人预计会增加就业岗位。

专家们的悲观程度有所降低（减少了 39%，增加了 19%），但他们预测人工智能的普及速度会快得多，预计到 2030 年，生成式人工智能将辅助美国 18% 的工作时间，而公众的估计为 10%。

7.人工智能陪伴仍然是一个小众领域，全球观点差异很大。

全球超过半数（52%）的受访者表示对使用人工智能陪伴感到兴奋，而美国只有42%的受访者持相同观点。专家预测，到2027年，10%的美国成年人将每天使用人工智能陪伴，到2040年，这一比例将上升至30%。

8.在所有受调查国家中，美国民众对本国政府负责任地监管人工智能的信任度最低，仅为 31%。

全球平均水平为 54%，东南亚国家领先（新加坡 81%，印度尼西亚 76%）。

9.在美国所有 50 个州，对人工智能监管不足的担忧超过了对监管过多的担忧。

在全国范围内，41% 的受访者表示联邦人工智能监管力度不够，而 27% 的受访者表示监管力度过大，不过超过三分之一的受访者表示不确定。

10.在全球范围内，欧盟在有效监管人工智能方面比美国或中国更受信任。

皮尤研究中心 2025 年的调查显示，在 25 个国家中，53% 的受访者表示信任欧盟，而对美国和中国的信任度分别为 37% 和 27%。