گزارش شاخص هوش مصنوعی ۲۰۲۶ استنفورد

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.

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.