斯坦福HAI報告揭示AI在科學領域表現

根據斯坦福大學以人為本人工智能中心（HAI）發布的最新人工智能指數（AI Index）報告，人工智能在一系列專業領域的進展持續加速。在科學、數學和推理方面，多個前沿AI模型現已達到或超越博士級問題的基準線。然而，AI模型仍存在缺限，其在現實世界中的應用方式也仍有不足。

斯坦福HAI中心的AI Index報告具有較高價值，因為它們收集的是運行于現實世界的AI模型的硬數據，而非僅詢問人們的意見（HAI也開展這方面的調查）。在2026年的報告中，HAI研究了多種AI模型的已發表基準測試結果，發現它們持續以驚人速度改進。

例如，研究人員發現，前沿模型在"人類終極考試"（Humanity's Last Exam）上一年內提升了30個百分點——這是一個由近1000名學科專家（主要是教授、研究人員和研究生學位持有者）出題組成的基準測試。HAI在報告中指出，"人類終極考試"旨在真正考驗AI模型的能力，但模型已變得如此強大，原本預期需要數年才能完成的評估，如今數月內即可完成。

HAI報告稱根據Arena排行榜，2026年初排名前六的AI模型——來自Anthropic、xAI、谷歌、OpenAI、阿里巴巴和DeepSeek——在能力上已趨于收斂。Meta目前位居頂尖模型陣營之外，且在該基準測試上過去22個月未有提升�？傮w而言，HAI指出，像Meta的Llama這樣的開源模型表現不如OpenAI等閉源模型。頂尖閉源模型與頂尖開源模型之間的差距，從2024年8月的0.3%擴大到2026年3月的3.3%。

"AI能力并未進入平臺期，而是在加速發展，并觸達比以往更多的人。"AI Index報告作者寫道，"2025年，業界生產了超過90%的知名前沿模型，其中多個模型現已在博士級科學問題、多模態推理和競賽數學方面達到或超越人類基準。在關鍵編程基準SWE-bench Verified上，性能在一年內從60%提升至接近100%的人類基準線。組織采用率達88%，五分之四的大學生現使用生成式人工智能（GenAI）。"

在科學領域，AI模型持續取得大幅進展。然而，其整體實用性表現參差不齊。例如，HAI指出，前沿模型現已普遍超越人類化學家，這一點由ChemBench證明——這是一個旨在評估大語言模型化學知識和推理能力的基準測試。據HAI介紹，最佳AI模型現已在ChemBench超過2700道化學問題上超越人類專家平均水平。

HAI還提及Polymathic的AION-1的發布——這是首個天文學基礎模型，并指出天氣預報領域的重大進展，包括FourCastNet 3全球天氣模型和劍橋大學開發的Aardvark Weather AI預報器。

HAI還指出，2025年首篇完全由AI生成的論文被同行評議研討會接收。Sakana的AI Scientist-v2模型生成了一篇被ICLR研討會接收的論文，且未使用任何人工模板；該論文此后已被《自然》期刊接受發表。HAI表示，谷歌的AI Co-Scientist在三個生物醫學領域得到驗證。

盡管取得這些進展，AI的科學能力庫仍存在空白，包括復現科學研究的能力。HAI指出，前沿模型在ReplicationBench的天體物理學論文級復現任務上得分低于20%——這是2025年由斯坦福和多倫多大學研究人員引入的框架，用于評估AI輔助天體物理學研究的有效性。HAI還指出，LLM智能體在UnivEarth上回答地球觀測問題的準確率僅為33%——這是為衡量AI輔助地球觀測和地理空間分析研究可靠性而創建的基準測試。此外，LLM智能體的代碼在UnivEarth上的失敗率達58%。

科學LLM智能體處理端到端任務的能力也尚未達標。HAI指出，最佳智能體在康奈爾大學研究人員去年推出的PaperArena評估工具上達到38.8%的準確率，而博士專家基準為83.5%。前沿模型在BixBench衡量的現實世界生物信息學分析中準確率約為17%——這是去年推出的計算生物學基準測試。

AI在醫學領域也在取得進展，這在AI Index中占據完整一章。得益于AI轉錄準確性的廣泛提升，醫生在就診后撰寫病歷的時間減少了高達83%。報告指出，這對減少職業倦怠產生了實質性影響。AI在疾病診斷方面也展現出一定技能，微軟的AI診斷編排器（利用OpenAI的o3）證明了這一點——在一項復雜已發表病例研究測試中準確率達85.5%。相比之下，"無輔助醫生"（意味著無法使用其"常規工具"）僅得分20%。

但AI模型在衡量端到端科學工作流的PaperArena等基準上尚未達到人類基準。

AI Index指出，分子生物學領域正出現向更小模型的轉變。HAI提到MSA Pairformer的報道——這是一個1.11億參數的蛋白質語言模型，盡管參數量少兩個數量級，卻在ProteinGym基準上超越了此前的領先者。報告還指出，2億參數的基因組學模型GPN-Star超越了400億參數的模型。

盡管AI已取得長足進步，但仍存在一些差距，這導致了AI的"鋸齒狀前沿"問題。例如，還存在一個奇怪的問題：AI模型無法可靠地讀取時間。據斯坦福HAI介紹，頂尖模型讀取模擬時鐘的正確率僅為50.1%。

幻覺問題仍然存在。GPT-4o的準確率從98.2%下降至64.4%，而DeepSeek R1從約90%下降至14.4%。

模型還會區分"虛假陳述"的歸屬主體。"當虛假陳述被呈現為其他人相信的內容時，模型能夠妥善處理。"AI Index作者寫道，"當同樣的虛假陳述被呈現為用戶自己相信的內容時，性能便急劇下降。"