گزارش شاخص هوش مصنوعی ۲۰۲۶ استنفورد

مروری بر گزارش شاخص هوش مصنوعی ۲۰۲۶ استنفورد

مؤسسه هوش مصنوعی انسان‌محور دانشگاه استنفورد (Stanford University Human-Centered Artificial Intelligence) برای نهمین سال پیاپی گزارش شاخص هوش مصنوعی خود را با همکاری بیش از ۲۰ دانشگاه و شرکت از جمله گوگل ، لینکدین ، OpenAI منتشر کرد.  درحالی‌که هوش مصنوعی با سرعتی فزاینده به پیشرفت خود ادامه می‌دهد ، این پرسش مطرح می‌شود که آیا سیستم‌های بنا شده پیرامون آن می‌توانند همگام با آن پیش بروند یا خیر.

نهمین ویرایش از گزارش شاخص هوش مصنوعی تصویری جامع از تقابل پیشرفت خیره‌کننده فناوری و کندی سیستم‌های حاکمیتی و ارزیابی ارائه می‌دهد.

این گزارش نشان می‌دهد که سرعت پذیرش هوش مصنوعی در سطح جوامع (۵۳%) و سازمان‌ها (۸۸%) رکوردهای تاریخی را جابه‌جا کرده است ؛ بااین‌حال ، شکاف عمیقی میان توانمندی‌های روزافزون این فناوری و آمادگی زیرساخت‌های آموزشی، قانونی و ایمنی ما برای مدیریت آن به چشم می‌خورد.

درحالی‌که مدل‌های پیشرو به سطح عملکرد انسانی در علوم تخصصی و ریاضیات رسیده‌اند ، پدیده «مرز ناهموار هوش مصنوعی» (Jagged Frontier of AI) نشان می‌دهد که این سیستم‌ها در انجام برخی وظایف ساده روزمره و فیزیکی همچنان دچار چالش هستند.

از منظر ژئوپلیتیک ، رقابت تنگاتنگی میان ایالات متحده و چین در توسعه مدل‌های لبه‌ای شکل گرفته و هم‌زمان مفهوم «هوش مصنوعی حاکمیتی» به محور اصلی سیاست‌گذاری‌های ملی در سراسر جهان تبدیل شده است.

این گزارش همچنین به بررسی تأثیرات متناقض هوش مصنوعی بر بازار کار (افزایش بهره‌وری هم‌زمان با کاهش مشاغل سطح پایه)، تحولات انقلابی در پزشکی و علم و چالش‌های نگران‌کننده زیست‌محیطی ناشی از مصرف انرژی مراکز داده می‌پردازد.

در نهایت، این سند مستقل ، ابزاری حیاتی برای مدیران، سیاست‌گذاران و متخصصان فراهم می‌کند تا با درک دقیق الگوهای زیربنایی، تصمیمات استراتژیک و آگاهانه‌ای در عصر تسلط هوش مصنوعی اتخاذ نمایند.

ساختار کلی

چارچوب‌های حاکمیتی، روش‌های ارزیابی، سیستم‌های آموزشی و زیرساخت‌های داده‌ای موردنیاز برای ردیابی تأثیرات هوش مصنوعی، در تلاش هستند تا خود را با سرعت پیشرفت این فناوری تطبیق دهند. رد پای این شکاف میان آنچه هوش مصنوعی قادر به انجام آن است و میزان آمادگی ما برای مدیریت آن؛ در تمام فصل‌های گزارش امسال به چشم می‌خورد. همچنین ویرایش ۲۰۲۶ گزارش بررسی می‌کند که چگونه هوش مصنوعی بیش‌ازپیش در زمینه‌های استدلال، ایمنی و اجرای وظایف در دنیای واقعی مورد آزمایش قرار می‌گیرد و چرا اتکا به این اندازه‌گیری‌ها روزبه‌روز دشوارتر شده است. این گزارش همچنین دربرگیرنده برآوردهای جدیدی از ارزش اقتصادی هوش مصنوعی مولد در کنار شواهد نوظهور از اثرات آن بر بازار کار، یک چارچوب تحلیلی در خصوص «هوش مصنوعی حاکمیتی» (AI sovereignty) است. برای نخستین‌بار، این گزارش دارای فصل‌های مستقلی در مورد هوش مصنوعی در علم و هوش مصنوعی در پزشکی است که نشان‌دهنده تأثیر روبه‌رشد هوش مصنوعی در این دو حوزه است.

تمامی مجموعه‌داده‌های خام و نمودارهای این گزارش با کیفیت بالا به صورت عمومی و از طریق این لینک در گوگل درایو در دسترس است.

این گزارش، سیاست‌گذاران، پژوهشگران، مدیران اجرایی، روزنامه‌نگاران و عموم مردم را نسبت به شواهد لازم برای اتخاذ تصمیمات آگاهانه در مورد هوش مصنوعی آگاه می‌کند. هرچه این فناوری بیشتر به کلاس‌های درس ، کلینیک‌ها و نهادهای قانون‌گذاری نفوذ می‌کند و نحوه کار، یادگیری و حکمرانی افراد را از نو شکل می‌دهد، هزینه ناشی از داده‌های ناقص نیز همچنان افزایش می‌یابد.

مرجع مراجعه جهانی

در حوزه‌ای که بخش عمده‌ای از داده‌های آن توسط سازمان‌هایی تولید می‌شود که در موفقیت این فناوری ذی‌نفع هستند، تقاضا برای سنجش بی‌طرفانه و دقیق بسیار ضروری است. شاخص هوش مصنوعی استنفورد همچنان مستقل باقی‌مانده و بر آشکارسازی الگوهای بلندمدت در پسِ تیترهای خبری متمرکز است. دولت‌ها، مؤسسات تحقیقاتی و شرکت‌ها در سراسر جهان به این گزارش استناد می‌کنند و رسانه‌ها و مقالات دانشگاهی نیز به آن ارجاع می‌دهند.

گزارش AI Index Report 2026 تصویری جامع و مستقل از مسیر حرکت هوش مصنوعی را ارائه می‌دهد. همچنین به‌روشنی نشان می‌دهند که این تصویر در کجا همچنان ناقص است؛ زیرا آنچه هنوز قادر به اندازه‌گیری آن نیستیم، به همان اندازه اهمیت دارد که آنچه می‌توانیم بسنجیم.

گزارش AI Index Report 2025  ورود هوش مصنوعی را به‌عنوان یک نیروی جریان‌ساز عنوان کرد. داده‌های امسال نشان می‌دهد پس از این ورود چه رخ می‌دهد. این فناوری سریع‌تر از رایانه‌های شخصی یا اینترنت به پذیرش انبوه رسیده است. هوش مصنوعی مولد در عرض سه سال به پذیرشی در سطح نزدیک به ۵۳درصد از جمعیت دست یافت. شرکت‌های پیشرو در حوزه هوش مصنوعی، در کسری از زمانِ موردنیاز برای نسل‌های قبلی فناوری، به مقیاس درآمدی قابل‌توجهی دست می‌یابند و سرمایه‌گذاری شرکت‌های جهانی در سال ۲۰۲۵ بیش از دو برابر شده است. پذیرش سازمانی به ۸۸ درصد افزایش یافت و برآوردهای اولیه نشان می‌دهد ارزش مصرف‌کننده هوش مصنوعی مولد در طول یک سال رشد چشمگیری داشته است.

داده‌ها چه می‌گویند؟

داده‌ها به یک جهت واحد اشاره نمی‌کنند. آن‌ها حوزه‌ای را نشان می‌دهند که با سرعتی بیشتر از آنکه سیستم‌های پیرامونش بتوانند خود را تطبیق دهند، در حال گسترش است.

در لبه فناوری، مدل‌های پیشرو اکنون تقریباً از یکدیگر غیرقابل‌تشخیص هستند. مدل‌های با وزن‌باز (Open-weight) بیش از هر زمان دیگری رقابتی شده‌اند. اما با همگرایی مدل‌ها، ابزارهایی که برای ارزیابی آن‌ها استفاده می‌شوند، برای حفظ کاربرد و تناسب خود با مشکل مواجه هستند. بنچمارک‌ها در حال اشباع شدن هستند، آزمایشگاه‌های پیشرو اطلاعات کمتری را فاش می‌کنند و آزمایش‌های مستقل همیشه آنچه را که توسعه‌دهندگان گزارش می‌دهند تأیید نمی‌کنند.

این گزارش بررسی می‌کند که این مقیاس از فعالیت و قابلیت در عمل به چه معناست. در حوزه علم، هوش مصنوعی از تسریع مراحل تحقیقاتی فردی به سمت تلاش برای جایگزینی کامل کل جریان‌های کاری تغییر مسیر داده است. در پزشکی نیز ابزارهای بالینی هوش مصنوعی از برنامه‌های آزمایشی (پایلوت) به استقرار گسترده‌تر رسیده‌اند.

دولت‌ها در سراسر جهان در سال ۲۰۲۵ در زمینه هوش مصنوعی اقداماتی انجام دادند؛ اما نه در یک جهت واحد. اولین ممنوعیت‌های «قانون هوش مصنوعی اتحادیه اروپا» به اجرا درآمد، درحالی‌که ایالات متحده به سمت مقررات‌زدایی حرکت کرد. ژاپن، کره جنوبی و ایتالیا هر یک قوانین ملی هوش مصنوعی را تصویب کردند و بیش از نیمی از استراتژی‌های ملی هوش مصنوعی که به‌تازگی به تصویب رسیده‌اند متعلق به کشورهای درحال‌توسعه‌ای بود که برای اولین‌بار وارد چشم‌انداز سیاست‌گذاری این حوزه می‌شدند. حاکمیت هوش مصنوعی به‌عنوان یک اصل سازمان‌دهنده مرکزی در تمام این تلاش‌ها پدیدار شد. افکار عمومی نیز در حال هدایت در میان سیگنال‌های متناقض است. خوش‌بینی جهانی نسبت به هوش مصنوعی در سال ۲۰۲۵ افزایش یافت، اما به‌موازات آن نگرانی‌ها نیز بیشتر شد.

یافته‌های کلیدی گزارش

قابلیت‌های هوش مصنوعی دچار رکود نشده است. روند رشد این قابلیت‌ها در حال شتاب گرفتن بوده و اکنون افراد بیشتری را نسبت به گذشته شامل می‌شود.در سال ۲۰۲۵، صنعت هوش مصنوعی بیش از ۹۰درصد از مدل‌های پیشرویِ قابل‌توجه را تولید کرد و در حال حاضر چندین مورد از این مدل‌ها در سؤالات علمی در سطح دکتری، استدلال چندوجهی و ریاضیات به میانگین پایه انسانی رسیده یا از آن‌ها فراتر رفته‌اند. در یک بنچمارک کلیدی برنامه‌نویسی به نام   SWE-bench Verified عملکرد مدل‌ها طی تنها یک سال از ۶۰ درصد به نزدیک ۱۰۰ درصد افزایش یافت. پذیرش سازمانی به ۸۸درصد رسید و در حال حاضر ۴ نفر از هر ۵ دانشجو از هوش مصنوعی مولد استفاده می‌کنند.

شکاف عملکردی مدل‌های هوش مصنوعی میان ایالات متحده و چین عملاً از بین رفته است. مدل‌های آمریکایی و چینی از اوایل سال ۲۰۲۵ چندین بار جایگاه نخست را بین خود دست‌به‌دست کرده‌اند. در فوریه ۲۰۲۵، مدل DeepSeek-R1 برای مدت کوتاهی با برترین مدل ایالات متحده برابری کرد و تا مارس ۲۰۲۶، برترین مدل Anthropic تنها با اختلاف ۲.۷ درصد پیشتاز است. ایالات متحده همچنان مدل‌های هوش مصنوعی سطح بالا و پتنت‌های (ثبت اختراع) مؤثر بیشتری تولید می‌کند، درحالی‌که چین در حجم مقالات منتشر شده، استنادات، خروجی پتنت و نصب ربات‌های صنعتی پیشتاز است. کره جنوبی به دلیل تراکم نوآوری خود متمایز است و در سرانه ثبت پتنت‌های هوش مصنوعی در جهان رتبه اول را دارد.

ایالات متحده میزبان بیشترین مراکز داده هوش مصنوعی است، درحالی‌که اکثریت تراشه‌های آن‌ها توسط یک شرکت تایوانی ساخته می‌شود. ایالات متحده میزبان ۵,۴۲۷ مرکز داده است که بیش از ۱۰ برابر هر کشور دیگری است و بیش از هر کشور دیگری انرژی مصرف می‌کند. شرکت TSMC، تقریباً تمامی تراشه‌های پیشرفته هوش مصنوعی را تولید می‌کند که این امر زنجیره تأمین جهانی سخت‌افزار هوش مصنوعی را به یک کارخانه در تایوان وابسته کرده است؛ اگرچه فعالیت‌های توسعه‌ای مشترک TSMC-U.S. در سال ۲۰۲۵ آغاز به کار کرد.

مدل‌های هوش مصنوعی می‌توانند مدال طلای المپیاد بین‌المللی ریاضی را کسب کنند اما نمی‌توانند ساعت را بگویند. این تناقض نمونه‌ای از چیزی است که محققان آن را «مرز ناهموار هوش مصنوعی» (Jagged Frontier of AI) می‌نامند. مدل Gemini Deep Think در IMO مدال طلا کسب کرد، اما برترین مدل تنها در ۵۰.۱ درصد از مواقع ساعت‌های آنالوگ را به‌درستی می‌خواند. عامل‌های هوشمند (AI agents) در سیستم ارزیابی OSWorld (که عامل‌ها را در وظایف واقعی رایانه‌ای در سیستم‌عامل‌های مختلف آزمایش می‌کند) از نرخ موفقیت ۱۲ درصد به حدود ۶۶ درصد جهش کردند، اگرچه هنوز در بنچمارک‌های ساختاریافته در تقریباً ۱ مورد از هر ۳ تلاش با شکست مواجه می‌شوند.

ربات‌ها همچنان در انجام بیشتر کارهای خانگی شکست می‌خورند، حتی باوجوداینکه در محیط‌های کنترل‌شده عالی عمل می‌کنند. ربات‌ها تنها در ۱۲درصد از وظایف خانگی موفق می‌شوند که این امر نشان‌دهنده فاصله زیاد هوش مصنوعی تا تسلط بر دنیای فیزیکی است. در بنچمارک RLBench، دست‌کاری رباتیک در شبیه‌سازی‌های مبتنی بر نرم‌افزار به موفقیت ۸۹.۴ درصد رسیده است؛ اما شکاف میان محیط‌های قابل‌پیش‌بینی آزمایشگاهی و محیط‌های غیرقابل‌پیش‌بینی خانگی بسیار عمیق است.

هوش مصنوعی مسئولانه همگام با قابلیت‌های هوش مصنوعی پیش نمی‌رود؛ بنچمارک‌های ایمنی عقب مانده‌اند و حوادث به‌شدت در حال افزایش است. تقریباً تمام توسعه‌دهندگان پیشروِ مدل‌های لبه‌ای هوش مصنوعی نتایج خود را در بنچمارک‌های مربوط به قابلیت‌ها گزارش می‌دهند، اما گزارش‌دهی در زمینه بنچمارک‌های هوش مصنوعی مسئولانه همچنان پراکنده و ناقص است. حوادث مستندشده مرتبط با هوش مصنوعی به ۳۶۲ مورد رسید که نسبت به ۲۳۳ مورد در سال ۲۰۲۴ افزایش داشته است. این نکته نیز بر چالش‌های موجود افزوده می‌شود که تحقیقات اخیر نشان داده است بهبود یک بُعد از هوش مصنوعی مسئولانه مانند ایمنی، می‌تواند باعث افت بُعد دیگری مانند دقت شود.

ایالات متحده در سرمایه‌گذاری هوش مصنوعی پیشتاز است، اما توانایی آن در جذب استعدادهای جهانی روبه‌کاهش است. سرمایه‌گذاری خصوصی در زمینه هوش مصنوعی در ایالات متحده در سال ۲۰۲۵ به ۲۸۵.۹ میلیارد دلار رسید که بیش از ۲۳ برابرِ سرمایه‌گذاری ۱۲.۴ میلیارددلاری در چین است. هر چند که بررسی صرفِ ارقام سرمایه‌گذاری خصوصی باتوجه‌به وجود صندوق‌های هدایتی دولتی در چین، احتمالاً کل هزینه‌های هوش مصنوعی این کشور را کمتر از حد واقعی برآورد می‌کند. ایالات متحده همچنین در فعالیت‌های کارآفرینانه با ۱,۹۵۳ شرکت هوش مصنوعیِ تازه‌تأسیس در سال ۲۰۲۵ پیشتاز بود که بیش از ۱۰ برابر بیشتر از دومین کشور است. بااین‌حال، تعداد محققان و توسعه‌دهندگان هوش مصنوعی که به ایالات متحده مهاجرت می‌کنند روبه‌کاهش است.

پذیرش هوش مصنوعی با سرعتی تاریخی درحال‌رشد است و مصرف‌کنندگان ارزش قابل‌توجهی از ابزارهایی به دست می‌آورند که اغلب به‌صورت رایگان به آن‌ها دسترسی دارند. هوش مصنوعی مولد در عرض سه سال به پذیرش ۵۳ درصدی در سطح جمعیت رسید که سریع‌تر از سرعت پذیرش رایانه شخصی یا اینترنت است؛ اگرچه سرعت آن در کشورهای مختلف متفاوت است و ارتباط تنگاتنگی با سرانه تولید ناخالص داخلی (GDP) دارد. برخی از کشورها نرخ پذیرش بالاتر از حد انتظار را نشان می‌دهند، مانند سنگاپور (۶۱درصد) و امارات متحده عربی (۵۴درصد)، درحالی‌که ایالات متحده با نرخ ۲۸.۳درصددر رتبه بیست و چهارم قرار دارد. ارزش برآوردیِ ابزارهای هوش مصنوعی مولد برای مصرف‌کنندگان آمریکایی تا اوایل سال ۲۰۲۶ به ۱۷۲ میلیارد دلار در سال رسید، به‌طوری که میانگین ارزش‌آفرینی آن برای هر کاربر بین سال‌های ۲۰۲۵ و ۲۰۲۶ سه برابر شده است.

دستاوردهای بهره‌وری ناشی از هوش مصنوعی در بسیاری از همان حوزه‌هایی ظاهر می‌شوند که استخدام در سطوح پایه (entry-level) در آن حوزه‌ها حال کاهش است. مطالعات نشان‌دهنده دستاوردهای بهره‌وری بین ۱۴ تا ۲۶درصد در پشتیبانی مشتریان و توسعه نرم‌افزار است، درحالی‌که تأثیرات ضعیف‌تر یا منفی در وظایفی که نیازمند قضاوت انسانی بیشتری هستند مشاهده می‌شود. نرخ استقرار عامل‌های هوشمند در تقریباً تمامی کارکردهای تجاری همچنان تک‌رقمی است. در توسعه نرم‌افزار، جایی که دستاوردهای بهره‌وریِ اندازه‌گیری‌شده هوش مصنوعی آشکارتر است
توسعه‌دهندگان آمریکایی ۲۲ تا ۲۵ ساله شاهد کاهش نزدیک به ۲۰ درصدی اشتغال از سال ۲۰۲۴ بوده‌اند، درحالی‌که آمار استخدام توسعه‌دهندگان مسن‌تر همچنان درحال‌رشد است.

ردپای زیست‌محیطی هوش مصنوعی همگام با قابلیت‌های آن در حال گسترش است. انتشار گازهای گلخانه‌ای برآوردشده برای آموزش مدل Grok 4 به ۷۲,۸۱۶ تن معادل CO2 رسید، ظرفیت توان مراکز داده هوش مصنوعی به ۲۹.۶ گیگاوات افزایش یافت (قابل‌مقایسه با ایالت نیویورک در زمان اوج مصرف) و مصرف سالانه آب تنها برای استنتاج مدل GPT-4o ممکن است از نیاز آب آشامیدنی ۱۲ میلیون نفر فراتر رود.

مدل‌های هوش مصنوعی اختصاصاً طراحی‌شده برای علم می‌توانند از دانشمندان انسانی پیشی بگیرند، اگرچه مدل‌های بزرگ‌تر همیشه عملکرد بهتری ندارند. مدل‌های پیشرو به طور متوسط در بنچمارک ChemBench از شیمی‌دانان انسانی بهتر عمل می‌کنند، اما در همتاسازی در اخترفیزیک امتیازی کمتر از ۲۰درصد و در سؤالات رصدخانه‌های زمینی امتیازی کمتر از ۳۳درصد کسب کردند. یک مدل زبانی پروتئینی با ۱۱۱ میلیون پارامتر به نام MSAPairformer، روش‌های قبلی را در ProteinGym شکست داد و یک مدل Genomics با ۲۰۰ میلیون پارامتر به نام GPN-Star از مدلی که تقریباً ۲۰۰ برابر بزرگ‌تر بود پیشی گرفت. بیشتر مدل‌های پایه هوش مصنوعی، برای پاسخ‌گویی به سؤالات علمی از همکاری‌های بین‌بخشی کمک می‌گیرند که در تضاد با چشم‌انداز تحت سلطه صنعت در هوش مصنوعی همه‌منظوره است.

هوش مصنوعی در حال تحول مراقبت‌های بالینی است، اما شواهد دقیق همچنان محدود است. ابزارهای هوش مصنوعی که به طور خودکار یادداشت‌های بالینی را از ویزیت‌های بیماران تولید می‌کنند، در سال ۲۰۲۵ شاهد پذیرش چشمگیری بودند. در سیستم‌های بیمارستانی متعدد، پزشکان تا ۸۳ درصد کاهش در زمان صرف‌شده برای نوشتن یادداشت‌ها و کاهش قابل‌توجهی در فرسودگی شغلی را گزارش کردند. بااین‌حال، فراتر از برخی ابزارهای خاص، پایگاه شواهد برای هوش مصنوعی بالینی همچنان ضعیف است. بررسی بیش از ۵۰۰ مطالعه هوش مصنوعی بالینی نشان داد که نزدیک به نیمی از آن‌ها به‌جای داده‌های واقعی بیماران به سؤالات امتحانی متکی بوده‌اند و تنها ۵درصد از داده‌های بالینی واقعی استفاده کرده‌اند.

آموزش رسمی از هوش مصنوعی عقب مانده است، اما افراد در تمام سنین در حال یادگیری مهارت‌های هوش مصنوعی هستند. هم‌اکنون بیش از ۸۰ درصد از دانش‌آموزان دبیرستانی و دانشجویان در ایالات متحده از هوش مصنوعی برای تکالیف درسی خود استفاده می‌کنند، اما تنها نیمی از مدارس راهنمایی و دبیرستان‌ها دارای سیاست‌های مشخصی برای هوش مصنوعی هستند و فقط ۶درصد از معلمان می‌گویند این سیاست‌ها واضح و روشن است. در خارج از کلاس درس، مهارت‌های مهندسی هوش مصنوعی با بیشترین سرعت در امارات متحده عربی، شیلی و آفریقای جنوبی درحال‌رشد و توسعه است. تعداد فارغ‌التحصیلان جدید مقطع دکتری هوش مصنوعی در ایالات متحده و کانادا از سال ۲۰۲۲ تا ۲۰۲۴ به میزان ۲۲درصد افزایش یافته و فارغ‌التحصیلان در محیط‌های دانشگاهی مشغول به کار شدند، نه در صنعت.

حاکمیت هوش مصنوعی در حال تبدیل‌شدن به یک ویژگی تعیین‌کننده در سیاست ملی است، اما توانمندی‌ها همچنان نابرابر هستند، حتی در شرایطی که توسعه مدل‌های متن‌باز به بازتوزیع بازیگران و مشارکت‌کنندگان کمک می‌کند. استراتژی‌های ملی هوش مصنوعی به‌ویژه در میان اقتصادهای درحال‌توسعه، در حال گسترش است و سرمایه‌گذاری‌های تحت حمایت دولت در ابررایانه‌های هوش مصنوعی به‌موازات آن در حال افزایش است که نشانه‌ای از جاه‌طلبی‌های روبه‌رشد برای کنترل داخلی بر اکوسیستم‌های هوش مصنوعی است. بااین‌وجود، تولید مدل‌ها همچنان در ایالات متحده و چین متمرکز است. توسعه مدل‌های متن‌باز (Open-source) نیز در حال بازتوزیع شیوه مشارکت است، به‌طوری که مشارکت سایر نقاط جهان اکنون در GitHub از اروپا پیشی گرفته و به ایالات متحده نزدیک می‌شود که این امر سبب تولید مدل‌ها و بنچمارک‌های متنوع‌تری از نظر می‌شود.

کارشناسان هوش مصنوعی و عموم مردم دیدگاه‌های بسیار متفاوتی در مورد آینده این فناوری دارند و اعتماد جهانی به نهادها برای مدیریت هوش مصنوعی متفاوت است. وقتی صحبت از نحوه انجام کارها به میان می‌آید، ۷۳درصد از کارشناسان انتظار تأثیر مثبتی دارند؛ در مقایسه با تنها ۲۳ درصد از مردم که نشان‌دهنده یک شکاف ۵۰ درصدی است. شکاف‌های مشابهی در خصوص تأثیر هوش مصنوعی بر اقتصاد و مراقبت‌های پزشکی نیز دیده می‌شود. در سطح جهانی، میزان اعتماد به دولت‌ها برای قانون‌گذاری در زمینه هوش مصنوعی متفاوت است. در میان کشورهای موردبررسی، ایالات متحده کمترین میزان اعتماد را به دولت خود برای وضع قوانین در حوزه هوش مصنوعی، با نرخ ۳۱درصد گزارش کرده است. در سطح جهانی، اعتماد به اتحادیه اروپا برای قانون‌گذاری مؤثر بر هوش مصنوعی بیشتر از ایالات متحده و چین است.

منبع : هوشیو ـ رسانه تخصصی هوش مصنوعی ـ فروردین ماه 1405

---

مهم ترین نکات برجسته- گزارش شاخص هوش مصنوعی دانشگاه استنفورد – سال 2026

 1-هوش مصنوعی نه تنها متوقف نشده، که شتاب گرفته و بیشتر از همیشه در دسترس مردم قرار گرفته است.

درسال 2025، صنعت بیش از 90% مدل های برجسته را تولید کرد و برخی از این مدل ها در پاسخ به سؤالات علمی سطح دکترا، استدلال چند حالته و مسائل ریاضی رقابتی به سطح انسانی رسیده اند یا از آن فراتر رفته اند. در یک بنچمارک کلیدی کدنویسی، عملکرد مدل ها در یک سال از 60% به نزدیک 100% رسید. نرخ پذیرش در سازمان ها به 88% رسیده و از هر 5 دانشجوی دانشگاه، 4 نفر از هوش مصنوعی مولد استفاده می کنند.

2-شکاف عملکردی مدل های آمریکا و چین عملاٌ پر شده است.

از اوایل 2025، مدل های دو کشور چندین بار جای خود را با یکدیگر عوض کرده اند. در فوریه 2025، مدل Deep Seek-RI با بهترین مدل آمریکایی برابری کرد و تا مارس 2026، مدل برتر شرکت Anthropic تنها 2.7% جلوتر است. آمریکا همچنان مدل های بیشتری در سطح بالا تولید می کند و پتنت های تأثیر گذارتری دارد، در حالی که چین در تعداد مقالات، استنادات، تولید پتنت و نصب ربات های صنعتی پیشتاز است. کره جنوبی از نظر تراکم نوآوری، با بیشترین پتنت سرانه هوش مصنوعی در جهان، برجسته است.

3-آمریکا میزبان بیشترین تعداد دیتاسنترهای هوش مصنوعی است و اکثر تراشه های آنها در یک کارخانه تایوانی ساخته می شود.

آمریکا با 5,427 دیتاسنتر، بیش از 10 برابر هر کشور دیگری دیتاسنتر دارد و بیشترین مصرف انرژی را نیز به خود اختصاص داده است. تقریباٌ تمام تراشه های پیشرو هوش مصنوعی توسط یک شرکت واحد به نام TSMC در تایوان تولید می شود که زنجیره تأمین سخت افزاری را به این کارخانه وابسته کرده است؛ هر چند توسعه TSMC در آمریکا از سال 2025 آغاز به کار کرده است.

4-مدل های هوش مصنوعی می توانند در المپیاد ریاضی مدال طلا بگیرند، اما هنوز نمی توانند به درستی ساعت بخوانند. این همان چیزی است که محققان “مرز دندانه دار“ هوش مصنوعی می نامند.

مدل Gemini Deep Think در المپیاد ریاضی مدال طلا گرفت، اما بهترین مدل فقط در 1، 50% موارد ساعت آنالوگ را درست می خواند. عامل های هوش مصنوعی در آزمون OSWorld که وظایف واقعی کامپیوتری را می سنجد، موفقیت را از 12% به حدود 66% رسانده اند، اما همچنان در حدود یک سوم تلاش ها در آزمون های ساختار یافته ناموفق هستند.

5-ربات ها هنوز در بیشتر کارهای خانگی ناموفق اند، هرچند در محیط های کنترل شده عالی عمل می کنند.

ربات ها تنها در 12% کارهای خانگی موفق می شوند که نشان می دهد هوش مصنوعی چقدر تا تسلط بر دنیای فیزیکی فاصله دارد. در شبیه سازی های نرم افزاری، موفقیت به 89.4% رسیده، اما فاصله بین محیط آزمایشگاهی قابل پیش بینی و محیط غیرقابل پیش بینی خانگی بسیار زیاد است.

6-هوش مصنوعی مسئولیت پذیر هم پای توانمندی های آن پیشرفت نکرده و بنچمارک های ایمنی عقب مانده و حوادث رو به افزایش است.

تقریباٌ همه توسعه دهندگان مدل های پیشرو، نتایج بنچمارک های توانمندی را گزارش می دهند، اما گزارش دهی در زمینه مسئولیت پذیری پراکنده است. حوادث مستند هوش مصنوعی به 362 مورد رسیده که نسبت به 233 مورد در 2024 افزایش داشته است. همچنین تحقیقات اخیر نشان داده که بهبود در یک بعد مسئولیت پذیری، مانند ایمنی، می تواند بعد دیگری مثل دقت را تضعیف کند.

7-آمریکا در سرمایه گذاری هوش مصنوعی پیشتاز است، اما توانایی جذب استعدادهای جهانی رو به کاهش است.

سرمایه گذاری خصوصی آمریکا در 2025 به 285.9 میلیارد دلار رسید که بیش از 23 برابر 12.4 میلیارد دلار چین است، هر چند این رقم احتمالاٌ کل هزینه های چین را کمتر نشان می دهد. آمریکا با 1,953 شرکت هوش مصنوعی تازه تأسیس، بیش از 10 برابر رتبه بعدی، پیشتاز کارآفرینی است. اما تعداد محققان و توسعه دهندگانی که به آمریکا مهاجرت می کنند از 2017 تاکنون %89 کاهش یافته و فقط در سال گذشته 80% افت داشته است.

8-پذیرش هوش مصنوعی با سرعتی بی سابقه در حال گسترش است و مصرف کنندگان از ابزارهایی که اغلب رایگان در دسترس دارند، ارزش زیادی می برند.

هوش مصنوعی مولد ظرف سه سال به 53% نفوذ در جمعیت رسیده که سریع تر از رایانه شخصی یا اینترنت است، هر چند سرعت آن در کشورها متفاوت و همبستگی شدیدی با تولید ناخالص داخلی سرانه دارد. سنگاپور (61%) و امارات (64%) پذیرش بالاتری دارند، در حالی که آمریکا با 28.3%  در رتبه 24 قرار دارد. ارزش تخمینی ابزارهای هوش مصنوعی مولد برای مصرف کنندگان آمریکایی تا اوایل 2026 به 172 میلیارد دلار در سال رسیده و ارزش میانه هر کاربر بین 2025 و 2026 سه برابر شده است.

9-بهره وری ناشی از هوش مصنوعی در بسیاری از حوزه هایی نمایان شده که اشتغال سطح پایه در آنها رو به کاهش است.

مطالعات افزایش بهره وری 14 تا 26% را در پشتیبانی مشتری و توسعه نرم افزار نشان می دهند، اما در کارهای نیازمند قضاوت، تأثیر ضعیف تر یا منفی بوده است. استقرار عامل های هوش مصنوعی در اکثر وظایف کسب و کار هنوز زیر 10% است. در توسعه نرم افزار، که بهره وری ناشی از هوش مصنوعی بیشترین وضوح را دارد، اشتغال توسعه دهندگان 22 تا 25 ساله آمریکایی از 2024 حدود 20% کاهش یافته، در حالی که تعداد توسعه دهندگان مسن تر همچنان در حال رشد است.

10-ردپای زیست محیطی هوش مصنوعی همراه با توانمندی های آن در حال گسترش است.

انتشار تخمینی ناشی از آموزش مدل Grok 4 به 72,816 تن معادل CO2 رسیده است. ظرفیت برق دیتاسنترهای هوش مصنوعی به 29.6 گیگاوات رسیده که معادل مصرف اوج ایالت نیویورک است و مصرف آب سالانه مدل GPT-40 برای استنتاج به تنهایی ممکن است از نیاز آشامیدنی 1.2 میلیون نفر بیشتر باشد.

11-مدل های هوش مصنوعی برای علوم می توانند از دانشمندان انسانی بهتر عمل کنند، اما مدل های بزرگ تر همیشه عملکرد بهتری ندارند.

مدل های پیشرو در بنچمارک ChemBench به طور میانگین از شیمیدانان انسانی بهتر عمل می کنند، اما در تکرارپذیری در اخترفیزیک زیر 20% و در پرسش های زمین شناسی %33 امتیاز کسب می کنند. یک مدل زبانی پروتئینی با 111 میلیون پارامتر، روش های قبلی را شکست داد و یک مدل ژنومیک با 200 میلیون پارامتر از مدلی تقریباٌ 200 برابر بزرگ تر بهتر عمل کرد. برخلاف هوش مصنوعی عمومی که تحت سلطه صنعت است، بیشتر مدل های بنیادین علوم حاصل همکاری میان بخشی هستند.

12-هوش مصنوعی در حال تغییر مراقبت های بالینی است، اما شواهد محکم هنوز محدود است.

ابزارهای هوش مصنوعی که یادداشت های بالینی را از ویزیت بیمار تولید می کنند، در 2025پذیرش گسترده ای یافتند. پزشکان در چندین نظام بیمارستانی کاهش تا 83% زمان نوشتن یادداشت و کاهش چشمگیر فرسودگی شغلی گزارش کردند. اما خارج از برخی ابزارها، پایه شواهد بالینی هوش مصنوعی هنوز نازک است. مروری بر بیش از 500 مطالعه بالینی نشان داد که تقریباٌ نیمی از آنها از سؤالات امتحانی به جای داده های واقعی بیماران استفاده کرده اند و تنها 5% از داده های بالینی واقعی بهره برده اند.

13-آموزش رسمی از هوش مصنوعی عقب مانده، اما مردم در هر سنی مهارت های هوش مصنوعی یاد می گیرند.

بیش از 80% دانش آموزان و دانشجویان آمریکایی از هوش مصنوعی برای کارهای مدرسه استفاده می کنند، اما فقط نیمی از مدارس راهنمایی و دبیرستان سیاست های هوش مصنوعی دارند و فقط 6% معلمان می گویند این سیاست ها روشن است. در خارج از کلاس، مهارت های مهندسی هوش مصنوعی در امارات، شیلی و آفریقای جنوبی سریع ترین رشد را دارد. تعداد دکتری های جدید هوش مصنوعی در آمریکا و کانادا از 2022 تا 2024، 22% افزایش یافته، اما این دکتری ها در دانشگاه مشغول به کار شده اند، نه در صنعت.

14-حاکمیت هوش مصنوعی به ویژگی تعیین کننده سیاست ملی تبدیل شده، اما توانمندی ها نابرابر است، هر چند توسعه متن باز به توزیع مشارکت کمک می کند.

راهبردهای ملی هوش مصنوعی به ویژه در اقتصادهای در حال توسعه گسترش یافته و سرمایه گذاری دولتی در ابررایانه های هوش مصنوعی افزایش یافته است. اما تولید مدل همچنان در آمریکا و چین متمرکز است. توسعه متن باز مشارکت را توزیع کرده و سهم دیگر کشورها در GitHub از اروپا گذشته و به آمریکا نزدیک شده و مدل ها و بنچمارک های متنوع تری از نظر زبانی پدیدآورده است.

15-کارشناسان هوش مصنوعی و عموم مردم دیدگاه های بسیار متفاوتی نسبت به آینده این فناوری دارند و اعتماد جهانی به نهادهای متولی آن پراکنده است.

73% کارشناسان تأثیر هوش مصنوعی بر نحوه انجام کارها را مثبت می دانند، در حالی که فقط 23% مردم چنین نظری دارند؛ شکافی 50 درصدی. شکاف های مشابهی در تأثیر بر اقتصاد و مراقبت پزشکی دیده می شود. از نظر اعتماد به دولت ها برای تنظیم و مقررات گذاری هوش مصنوعی، آمریکا با 31% پایین ترین سطح اعتماد به دولت خود را داشته است. در سطح جهانی، مردم به اتحادیه اروپا برای تنظیم و مقررات گذاری مؤثر هوش مصنوعی بیش از آمریکا یا چین اعتماد دارند.

 

---

گزارش ویژه بررسی وضعیت هوش مصنوعی در سال ۲۰۲۶

گزارش جامع شاخص هوش مصنوعی ۲۰۲۶ که توسط موسسه هوش مصنوعی دانشگاه استنفورد (گیل و پرالت، ۲۰۲۶) منتشر شده است ، تصویر روشنی از شکاف موجود میان توانمندی‌های رو به رشد هوش مصنوعی و میزان آمادگی سیستم‌های حاکمیتی، آموزشی و داده‌ای در سطح جهان ارائه می‌دهد.

گزارش شاخص هوش مصنوعی ۲۰۲۶ استنفورد نشان می‌دهد که نفوذ سازمانی هوش مصنوعی مولد به ۸۸% رسیده و سرمایه‌گذاری خصوصی در این حوزه با رشد ۱۲۷.۵% بخش عمده بازار را در اختیار گرفته است.

اقتصاد هوش مصنوعی در سال ۲۰۲۵ نقطه عطفی را تجربه کرد، جایی که مازاد رفاه مصرف‌کننده در آمریکا به $\mathrm{۱۷۲}$ میلیارد دلار رسید و سرمایه‌گذاری بخش مولد بیش از ۲۰۰% رشد کرد.

ایالات متحده با اختلاف $\mathrm{۲۳}$ برابری نسبت به چین در سرمایه‌گذاری خصوصی پیشتاز است، هرچند چین بودجه‌های پنهان $\mathrm{۱۸۴}$ میلیارد دلاری تخصیص داده و ۵۴% روبات‌های صنعتی جهان را در اختیار دارد.

از منظر بازار کار، تقاضا برای برنامه‌نویسان ۲۲ تا $\mathrm{۲۵}$ ساله افت ۲۰% داشته و $یک$سوم شرکت‌ها آماده تعدیل نیرو هستند. در عرصه علوم، فناوری به $سه$ سطح یادگیری روی داده‌ها، دستیاران تحلیلی و سیستم‌های خودمختار تقسیم شده است.

با وجود دستاوردهای بی‌نظیر در پیش‌بینی آب‌و‌هوا و طراحی آزمایش‌ها، همچنان شکاف عمیقی میان ایده تا اجرای فیزیکی، به‌ویژه در اعتبارسنجی داروهای جدید، وجود دارد که نیازمند سرمایه و زمان طولانی است .

نکات کلیدی و یافته‌های برجسته:

• پذیرش انبوه و رشد سازمانی: سال‌های ۲۰۲۵ و ۲۰۲۶ شاهد پذیرش گسترده هوش مصنوعی مولد بوده است. استفاده از این فناوری در سطح سازمان‌ها به رقم چشمگیر ۸۸% رسیده است که نشان‌دهنده نفوذ عمیق آن در فرآیندهای کسب‌وکار است.

• سرمایه‌گذاری‌های نجومی: همزمان با پذیرش گسترده، رشد سریع سرمایه‌گذاری‌ها در این حوزه به شدت به چشم می‌خورد.

• چالش‌های قانون‌گذاری: رویکردهای تنظیم‌گری در مناطق مختلف جهان با یکدیگر متفاوت است. در حالی که اتحادیه اروپا، ایالات متحده و سایر کشورها مسیرهای مختلفی را برای قانون‌گذاری انتخاب کرده‌اند، مفهومی جدید تحت عنوان حاکمیت هوش مصنوعی در حال ظهور است.

• نگاه عمومی: افکار عمومی در قبال هوش مصنوعی دوگانه است؛ ترکیبی از خوش‌بینی به پتانسیل‌های آن و نگرانی عمیق نسبت به پیامدهای احتمالی‌اش در جامعه به طور همزمان در حال افزایش است.

ساختار گزارش:

این گزارش جامع ابعاد مختلفی را پوشش می‌دهد که از جمله $\mathrm{۸}$ فصل اصلی آن شامل تحقیق و توسعه، عملکرد فنی، هوش مصنوعی مسئولانه، اقتصاد، علم و پزشکی، آموزش، سیاست و حکمرانی، و افکار عمومی است.

۱. فصل اقتصاد

این فصل نشان می‌دهد که سال ۲۰۲۵ یک نقطه عطف تاریخی در اقتصاد هوش مصنوعی بوده است.

• رشد خیره‌کننده سرمایه‌گذاری: سرمایه‌گذاری جهانی شرکت‌ها بیش از دو برابر شده است. سرمایه‌گذاری خصوصی با رشد ۱۲۷.۵% مواجه بوده و اکنون ۶۰% از کل سرمایه‌گذاری‌ها را تشکیل می‌دهد. بخش هوش مصنوعی مولد با رشد بیش از ۲۰۰% پیشتاز است.

• پیشتازی ایالات متحده: آمریکا با اختلافی فاحش ($\mathrm{۲۳}$ برابر بیشتر از چین) رهبر سرمایه‌گذاری خصوصی است. با این حال، سرمایه‌گذاری‌های پنهان دولتی چین (تخمین زده شده حدود $\mathrm{۱۸۴}$ میلیارد دلار بین سال‌های ۲۰۰۰ تا ۲۰۲۳) را نباید نادیده گرفت.

• پذیرش بی‌سابقه: هوش مصنوعی مولد در عرض سه سال به نرخ پذیرش ۵۳% در سطح عمومی رسیده است. همچنین ۸۸% از سازمان‌ها استفاده از آن را آغاز کرده‌اند.

• ارزش اقتصادی برای مصرف‌کننده: مازاد رفاه مصرف‌کنندگان آمریکایی با ۵۴% رشد، در اوایل ۲۰۲۶ به حدود $\mathrm{۱۷۲}$ میلیارد دلار در سال رسیده است.

• تاثیر بر بازار کار: تاثیرات بر اشتغال روی نیروهای جوان متمرکز است. استخدام توسعه‌دهندگان نرم‌افزار در رده سنی $\mathrm{۲۲}$ تا $\mathrm{۲۵}$ سال از ۲۰۲۴ تاکنون ۲۰% کاهش یافته و یک سوم سازمان‌ها انتظار دارند در سال آینده با کاهش نیروی کار مواجه شوند.

• روباتیک صنعتی: چین با نصب ۵۴% از کل ربات‌های صنعتی جهان در سال ۲۰۲۴، همچنان پیشتاز است.

۲. فصل علم

نقش هوش مصنوعی در علم به سه دسته تقسیم می‌شود: یادگیری ماشین روی داده‌های علمی، دستیاران هوش مصنوعی (رشد چشمگیر در ۲۰۲۵)، و سیستم‌های خودمختار (مراحل اولیه).

در سال ۲۰۲۵ پیشرفت‌های ملموسی رخ داد؛ سیستم‌های هواشناسی جایگزین روش‌های سنتی شدند و سیستم‌های علمی توانستند فرضیه‌سازی کنند. با این حال، چالش اصلی شکاف ایده تا عمل است؛ به عنوان مثال در کشف دارو، هوش مصنوعی مولکول پیشنهاد می‌دهد، اما آزمایش‌های بالینی همچنان فرآیندی گران و چندساله است.