Stanford AI Index 2026: 15 ключевых выводов

Stanford HAI опубликовал свой ежегодный отчет AI Index на 423 страницы. Это, пожалуй, самый масштабный срез того, что происходит с ИИ прямо сейчас. Разбираю ключевые выводы, которые стоит знать каждому, кто работает в индустрии.

Возможности ИИ не выходят на плато. Они ускоряются и охватывают все больше людей. Тем, кто в 2024-м говорил про стагнацию, стоит пересмотреть свои оценки.

Разрыв между США и Китаем в производительности моделей фактически закрылся. Это серьезный сигнал для всей геополитики ИИ, и он касается не только бенчмарков, но и стратегических ставок обеих стран.

Большинство ИИ-дата-центров по-прежнему находится в США, а основную массу чипов производит одна тайваньская фабрика. Концентрация инфраструктуры на таком уровне – это и преимущество, и уязвимость одновременно.

Модели берут золото на Международной математической олимпиаде, но не могут нормально определить время. Это и есть то, что исследователи называют jagged frontier – рваная граница возможностей ИИ, где гениальность соседствует с нелепыми провалами.

Роботы по-прежнему проваливаются на большинстве бытовых задач, хотя отлично работают в контролируемых средах. Между демо на конференции и реальной кухней все еще пропасть.

Ответственный ИИ не успевает за ростом возможностей. Бенчмарки безопасности отстают, а количество инцидентов резко растет. Это, пожалуй, самый тревожный пункт во всем отчете.

США лидируют по инвестициям в ИИ, но способность страны привлекать мировые таланты снижается. Деньги есть, а люди начинают выбирать другие направления.

Адаптация ИИ распространяется с исторической скоростью. Потребители получают огромную ценность от инструментов, к которым часто имеют бесплатный доступ. Порог входа падает, и это меняет экономику целых секторов.

Прирост продуктивности от ИИ появляется в тех же отраслях, где сокращается занятость на начальных позициях. Это не совпадение. Автоматизация входного уровня идет быстрее, чем многие предполагали.

Экологический след ИИ растет вместе с его возможностями. Про энергопотребление дата-центров говорят все, но реальных решений пока мало.

ИИ-модели для науки обгоняют ученых, но при этом “больше” не всегда значит “лучше”. Увеличение размера модели не гарантирует улучшение результатов, и это важный нюанс для тех, кто планирует бюджеты на обучение.

ИИ трансформирует клиническую медицину, но строгих доказательств эффективности по-прежнему мало. Хайп опережает науку, и это опасная зона.

Формальное образование отстает от ИИ, но люди учатся на всех этапах жизни. Университеты не успевают обновлять программы, зато онлайн-курсы и самообучение закрывают разрыв.

ИИ-суверенитет становится ключевой чертой национальной политики. Возможности распределены неравномерно, хотя опенсорс частично выравнивает ситуацию, расширяя круг участников.

Эксперты по ИИ и обычные люди смотрят на будущее технологии совершенно по-разному. Глобальное доверие к институтам, которые управляют ИИ, фрагментировано. И это, возможно, главная проблема, которую нельзя решить техническими средствами.

Полный отчет: https://hai.stanford.edu/ai-index/2026

Источник: https://x.com/LuizaJarovsky/status/2044033970560512149