《人工智能指數報告》由斯坦福大學、AI指數指導委員會及業內眾多大佬Raymond Perrault、Erik Brynjolfsson 、James Manyika、Jack Clark等人員和組織合著，旨在追蹤、整理、提煉并可視化與人工智能（AI）相關各類數據，該報告已被大多數媒體及機構公認為最權威、最具信譽的人工智能數據與洞察來源之一。2024年版《人工智能指數報告》是迄今為止最為詳盡的一份報告，包含了前所未有的大量原創數據。

報告一共分為九個章節，一共502頁，后續請關注“魯班模錘“一起深入探究。章節回目如下：

第一章節：研究與發展

基礎模型

工業界整體而言繼續主導前沿人工智能研究。2023年，工業界發布了51個機器學習模型，而學術界只貢獻了15個。2023年產學研合作創歷史新高，發布21個著名模型。如今，創建前沿AI模型需要大量的數據、計算能力和資金資源，這些都是學術界所不具備的。例如，GPT-4大概花費了7800萬美元，而Google的Gemini大概花費了1.9億美元。

2023年，總共發布了149個基礎模型，是2022年發布數量的兩倍多。在這些新發布的模型中，65.7%是開源的，而2022年和2021年分別只有44.4%和33.3%。近年來，基礎模型的數量急劇上升，自2022年以來翻了一番多，自2019年以來增長了近38倍。在2023年發布的149個基礎模型中，98個為開放訪問。

開源的基礎模型，谷歌推出了最多的模型（18個），其次是Meta（11個）和微軟（9個）。在2023年發布基礎模型最多的學術機構是加州大學伯克利分校（3個）。

2023年，世界上大多數基礎模型來自美國（109個），其次是中國（20個）和英國。自2019年以來，美國一直保持著主導地位。

算力與成本

根據人工智能指數的估計，最先進的人工智能模型的培訓成本已經達到了前所未有的水平。AI指數的估計證實了近年來模型訓練成本顯著增加的猜測。例如，2017年，引入了支撐幾乎所有現代LLM架構的原始Transformer模型，其訓練成本約為900美元。2019年發布的RoBERTa Large在許多經典理解基準測試（如SQuAD和GLUE）上取得了最先進的成果，其訓練成本約為16萬美元。快進到2023年，OpenAI的GPT-4和Google的Gemini Ultra的訓練成本分別約為7800萬美元和1.91億美元。

自 2012 年以來著名機器學習模型的訓練計算。例如較早的AlexNet需要 470 PFLOP 進行訓練。2017年發布的Transformer需要大約 7,400PFLOP。谷歌的 Gemini Ultra是目前最先進的基礎模型之一，所需算力直接到達500億 PFLOP。

專利

從2021年到2022年，全球人工智能專利授權增加大幅上升62.7%。自2010年以來，獲得授權的人工智能專利數量增長了31倍以上。中國在AI專利領域占據主導地位。

開源技術

自2011年起，GitHub上與AI相關的項目數量持續增長，從2011年的845個增至2023年的約180萬個。尤為顯著的2023，GitHub人工智能項目的總數就急劇增長了59.3%。

2023 年，美國在獲得 GitHub 星星數量最多的國家中處于領先地位，總數為 1050 萬。所有主要地理區域，包括歐盟和英國、中國和印度，授予其所在國家/地區的項目的 GitHub 星級總數均同比增加。

截至 2023 年，GitHub AI項目主要來至美國，印度為第二大貢獻者。值得深究的是自2016 年以來，來自美國的項目比例一直在穩步下降。

圖書出版

2010年至2022年間，人工智能出版物總量幾乎翻了兩番，從2010年的約8.8萬篇增至2022年的超過24萬篇。大部分的出版主題圍繞著機器學習，依托雜志，用于教學培訓。