一、斯坦福 AI 指数报告的历史地位与方法论
斯坦福大学 AI 指数报告（AI Index Report）是全球最具权威性的 AI 行业年度报告之一。自 2018 年首次发布以来，它已经成为政策制定者、行业分析师和研究者了解 AI 发展趋势的必备参考。2026 年的报告以 12 张核心图表为框架，从研究投入、产业应用、社会影响、风险治理等多个维度全景式地呈现了 AI 行业的真实面貌。
与行业媒体的报道不同，斯坦福 AI 指数报告的核心价值在于数据驱动——每一个结论都有具体的数据支撑，每一个趋势都有多年的纵向对比。报告的数据来源包括 arXiv 论文统计、全球专利数据库、投资交易数据库、技术人才招聘数据、公众民意调查等数十个权威渠道。这意味着你读到的不是某个分析师的主观判断，而是基于大规模数据集合的客观事实。
2026 年报告的特殊意义在于：这是 AI 行业经历 生成式 AI 爆发（2023-2024）、Agent 生态崛起（2025） 之后，第一份全面反映这些变化对行业产生系统性影响的年度报告。报告揭示了从技术狂欢到价值验证的关键转折——2026 年正在成为 AI 行业的"证明之年"。
本报告的核心框架是 12 张图表，涵盖研究趋势、产业投资、技术性能、人才流动、伦理治理、公众认知六大维度。理解这 12 张图表，就能掌握 2026 年 AI 行业的全貌。
阅读建议：如果你时间有限，重点关注 产业投资、技术性能、公众认知 三个维度——这三个维度直接影响行业决策、技术选型和市场预期。
AI 指数报告的数据有 6-12 个月的滞后性——2026 年报告中引用的很多数据实际反映的是 2025 年的情况。对于判断最新趋势，需要结合当季度的行业动态进行补充判断。
二、图表一：全球 AI 研究产出——论文数量与质量的双增长
2026 年斯坦福 AI 指数报告的第一个核心发现是：全球 AI 研究产出继续高速增长，但增长结构发生了根本性变化。
论文数量：2025 年全球 AI 相关论文数量超过 35 万篇（arXiv + 同行评审期刊），相比 2024 年增长 18%。但这个增速相比 2023 年的 30% 已经明显放缓——这意味着 AI 研究的数量扩张阶段正在过渡到质量深化阶段。
区域格局：中国仍然是 AI 论文产出的最大来源国，占全球总量的 36%；美国位居第二（24%）；欧盟（15%）和印度（8%）紧随其后。值得注意的是，中国的论文增速正在放缓（从 2024 年的 25% 降至 2025 年的 12%），而印度和中东地区（阿联酋、沙特）的论文增速分别达到 28% 和 45%——这反映了全球 AI 研究能力的多极化扩散。
质量指标：论文数量的增长放缓，但高质量论文的比例在上升。2025 年顶级 AI 会议（NeurIPS、ICML、CVPR、ACL）的投稿数量增长了 22%，但录取率从 2024 年的 26% 降至 23%——这意味着竞争更加激烈，只有真正有创新性的工作才能被接受。
开源 vs 闭源：2025 年是开源 AI 研究的分水岭。一方面，开源模型（Llama 系列、Mistral、DeepSeek）的论文引用量首次超过了闭源模型的学术论文引用量；另一方面，闭源模型（GPT-5.5、Claude Opus 4.7）的商业影响力远超开源社区。这种"开源主导学术讨论、闭源主导产业实践"的双轨格局正在深刻影响 AI 研究的方向和动力。
AI 研究的核心变化：从"能不能做"转向"做得好不好"。2023-2024 年是技术可行性验证阶段（Transformer 能否生成合理文本、扩散模型能否生成高质量图像），2025-2026 年是系统优化和工程化阶段（如何让模型更可靠、更高效、更安全）。
如果你关注 AI 研究趋势：印度和中东是下一个增长极。如果你在做国际化布局，这些地区的 AI 研究人才和合作机会值得关注。
论文数量不等于技术实力。中国在论文数量上领先，但在顶级会议的最佳论文奖和开源模型的影响力方面，美国仍然占据主导地位。评价 AI 实力需要综合多个指标。
三、图表二：全球 AI 投资——从无限融资到价值验证
2026 年 AI 指数报告对投资趋势的分析揭示了一个重要转折：AI 行业正式进入"价值验证之年"。
投资总额：2025 年全球 AI 领域风险投资总额达到 670 亿美元，相比 2024 年的 520 亿美元增长 29%。但这笔钱的分配方式发生了显著变化——2023-2024 年的投资主要集中在模型开发公司（OpenAI、Anthropic、Inflection 等），而 2025 年的投资明显向应用层和基础设施层倾斜。
投资方向分化：
AI 基础设施获得了最大份额的投资（35%），包括 AI 芯片（NVIDIA、Cerebras、Groq）、云计算平台（AWS、Google Cloud、Azure 的 AI 服务）、数据中心建设等。这反映了行业共识：AI 的瓶颈不在算法，在算力。
AI 应用层投资占比达到 30%，涵盖医疗 AI、法律 AI、金融 AI、教育 AI 等垂直领域。与 2024 年相比，应用层投资的平均轮次从 A 轮升至 B 轮——这意味着投资者不再满足于概念验证，而是要求明确的营收路径和可量化的 ROI。
模型层投资占比下降：从 2024 年的 45% 降至 2025 年的 25%。这不是因为模型不重要了，而是因为头部格局已经基本确定——OpenAI、Anthropic、Google 三家占据了基础模型市场的绝大部分份额，新进入者的机会窗口在缩小。
估值理性化：2025 年 AI 初创公司的平均估值倍数（估值/营收比）从 2024 年的 50x 降至 30x。虽然仍然远高于传统软件公司的 10-15x，但泡沫程度在收窄。投资者开始关注 AI 公司的单位经济学——获客成本、客户生命周期价值、毛利率、烧钱速度——而不仅仅是技术参数和基准测试成绩。
AI 投资的关键词变化：从"AI 能做什么"（技术叙事）转向"AI 能赚多少钱"（商业叙事）。对于创业者来说，这意味着商业模式的说服力变得与技术能力同等重要。
如果你在做 AI 创业融资：现在的投资人要听的故事是「我们的 AI 产品如何为客户节省 X 万元/年」，而不是「我们的模型在某个 benchmark 上达到了 Y% 的准确率」。准备你的 pitch deck 时，把商业叙事放在技术叙事之前。
投资总额增长不等于所有 AI 公司都能受益。头部效应加剧——2025 年 Top 10 AI 融资事件占了总投资额的 40%。中小 AI 创业公司面临更大的融资压力，需要更清晰地证明差异化竞争优势。
四、图表三：企业 AI 采用率——从实验到生产的关键跨越
2026 年 Stanford AI 指数报告最受关注的发现之一：全球大型企业的 AI 采用率首次突破 50%，达到 55%——这意味着超过一半的大型企业已经在生产环境中部署了 AI 系统。
采用率的加速增长：回顾历史数据，2022 年企业 AI 采用率为 25%，2023 年为 33%，2024 年为 42%，2025 年达到 55%。这条增长曲线的斜率在加速——从每年增长 8 个百分点，到每年增长 13 个百分点。生成式 AI 的可用性提升和成本下降是主要推动力。
采用阶段的分化：
早期采用者（15%） 已经进入大规模部署阶段——他们不仅仅在几个试点项目中使用 AI，而是将 AI 嵌入到核心业务流程中。这些公司通常是科技公司、金融机构和咨询公司。
中期采用者（25%） 正处于从实验到生产的跨越阶段——他们已经证明了 AI 在某些场景下的价值，但还在解决规模化部署的挑战（数据治理、模型监控、人员培训、合规审批）。
晚期采用者（15%） 仍然处于概念验证或试点阶段——他们认可 AI 的潜力，但受制于数据基础设施不足、人才短缺、合规要求严格等因素，尚未进入生产部署。
未采用者（45%） 包括中小型企业、传统行业公司和受严格监管的行业（如军工、部分政府机构）。这些公司面临的障碍包括预算有限、技术能力不足、对 AI 安全性的担忧。
行业差异：科技行业（78%）、金融行业（65%）、医疗健康（52%）的采用率最高；制造业（38%）、零售业（35%）、农业（22%）的采用率相对较低。这种差异反映了行业对 AI 的紧迫感和实施条件的不同。
ROI 验证：在已部署 AI 的企业中，72% 报告了正向的 ROI（投资回报），平均投资回收期为 12-18 个月。但 ROI 的分布非常不均衡——头部采用者的 ROI 是尾部采用者的 3-5 倍。这表明AI 部署的成功高度依赖于实施质量，而非技术本身。
企业 AI 采用的关键洞察：采用率超过 50% 是一个心理门槛——当大多数企业都在用 AI 时，不用的企业会感受到竞争压力。这个"跟随效应"将推动 2026-2027 年的采用率继续快速增长。
如果你在企业推动 AI 部署：从小场景开始，快速证明价值。选择一个高 ROI 的具体场景（如客服自动化、文档分析、代码辅助），在 3 个月内实现可量化的效果，然后以此为杠杆推动更大规模的部署。
55% 的采用率意味着近半数企业仍未部署 AI。不要被行业热点裹挟——如果你的企业数据基础设施不健全、没有明确的 AI 使用场景、缺乏技术团队，暂缓部署可能比仓促上马更明智。
五、图表四：AI 技术性能——基准测试成绩与成本趋势
2026 年 AI 指数报告对 AI 模型性能的跟踪揭示了一个令人瞩目的趋势：AI 模型的能力增长正在加速，而成本在下降。
基准测试成绩：在 MMLU（大规模多任务语言理解）基准上，2023 年最好的模型成绩约为 70%，2024 年达到 85%，2025 年突破了 92%——GPT-5.5、Claude Opus 4.7 和 Gemini 3.0 等顶级模型在人类大学水平的知识测试中已经超越了 99% 的人类参与者。
但基准测试成绩的边际改善在减缓——从 70% 到 85% 提升了 15 个百分点，从 85% 到 92% 只提升了 7 个百分点。这意味着传统的基准测试正在接近天花板，行业需要新的评估方法来衡量 AI 模型的进阶能力（如长链推理、创造性思维、跨领域迁移）。
成本趋势：这是最令人振奋的发现——每百万 tokens 的处理成本在过去两年下降了约 95%。2023 年初，GPT-4 的输入成本约为 30 美元/百万 tokens；2025 年底，同等能力的模型成本已经降至 1-2 美元/百万 tokens。成本下降的主要驱动因素包括：模型架构优化（MoE 架构的普及）、硬件效率提升（NVIDIA H100/B200 的大规模部署）、推理优化（量化、蒸馏、缓存）。
能力/价格比的指数级提升：将性能和成本结合起来看，每美元能获得的 AI 能力在过去两年增长了约 20 倍。这意味着 AI 不再是"昂贵的实验技术"，而是可以大规模部署的生产工具。对于中小企业而言，这是一个根本性的变化——他们现在可以用极低的成本获得世界级的 AI 能力。
开源 vs 闭源性能差距：2025 年，顶级开源模型（Llama 4、DeepSeek V4）在 MMLU 上的成绩达到 85-88%，与闭源模型（92-94%）的差距缩小到 5 个百分点以内。考虑到开源模型的成本优势（可以本地部署、无 API 调用费），这个差距正在快速缩小到可以忽略的程度。
AI 性能/成本趋势的核心结论：AI 正在成为"按能力付费"的通用基础设施——就像云计算一样，你不需要自己建数据中心，只需要按需使用。这将从根本上改变软件开发、内容创作、数据分析等行业的工作方式。
如果你是 AI 应用开发者：优先关注开源模型。当前开源模型的能力已经足够应对大多数应用场景，而且你可以完全控制数据和部署方式。只有在需要最顶尖能力时（如复杂推理、多模态理解），才考虑闭源模型。
基准测试成绩不等于真实世界表现。一个在 MMLU 上 92% 的模型，在实际客服场景中可能不如一个在客服数据上专门微调过的 80% 模型。不要唯基准论，务必在实际场景中评估模型表现。
六、图表五：AI 人才市场——供需失衡与区域流动
AI 人才市场是 2026 年 AI 指数报告中另一个被广泛引用的发现：全球 AI 人才的供需失衡仍在加剧，但区域格局正在变化。
供需比：2025 年全球 AI 相关职位的供需比约为 1:3.5——即每个合格的 AI 候选人对应 3.5 个职位。虽然比 2024 年的 1:4.2 有所改善（主要因为更多毕业生进入市场），但仍然处于严重供不应求的状态。
薪酬趋势：AI 工程师的平均年薪在全球范围内继续上涨。美国顶级 AI 工程师的年薪中位数为 28 万美元（包含股票），资深研究员可达 50 万美元以上。中国顶级 AI 工程师的年薪中位数为 80-120 万人民币，资深研究员可达 200 万以上。AI 人才薪酬相比传统软件工程师的溢价从 2024 年的 2.5 倍 缩小到 2 倍——这表明 AI 技能正在逐渐"常规化"。
区域流动：
人才流出地：印度仍然是全球最大的 AI 人才输出国（每年约 15 万 AI 相关毕业生），但其中 60% 选择出国工作。中国每年培养约 12 万 AI 相关毕业生，85% 留在国内——这解释了为什么中国 AI 论文数量领先但产业创新能力仍有差距的原因。
人才流入地：美国仍然是最大的 AI 人才流入地（每年净流入约 8 万人），但流入速度在放缓。中东地区（特别是阿联酋和沙特）正在成为新兴的 AI 人才磁石——通过高薪（免税）、先进的基础设施（如 G42 的 AI 研究集群）和宽松的监管环境吸引全球顶级人才。
技能需求变化：2023-2024 年，模型训练是最紧缺的 AI 技能；2025 年，需求转向 AI Agent 开发、MLOps、AI 安全合规。这意味着 AI 人才需要持续更新技能栈——两年前最值钱的技能，今天可能已经不再是紧缺资源。
教育与培训的响应：全球顶级大学正在快速调整课程设置。斯坦福、MIT、CMU 等学校已经开设了 AI Agent 开发、AI 安全、AI 伦理 等新课程。在线平台（Coursera、edX、DeepLearning.AI）的 AI 课程注册量在 2025 年增长了 45%。
AI 人才市场的核心矛盾：数量在增加，但结构性短缺依然存在。企业不缺"会用 AI API"的人，但缺"能设计 AI 系统架构、解决复杂工程问题"的人。后者仍然严重供不应求。
如果你是 AI 从业者：不要只学模型训练——这已经是红海市场。把精力投入到 AI Agent 架构设计、MLOps、AI 安全 等新兴方向上。这些领域的人才在未来 2-3 年将持续紧缺。
AI 人才薪酬的快速增长不可持续——随着 AI 技能的普及和工具的自动化，初级 AI 岗位的溢价将在未来 2-3 年内大幅缩小。尽早向系统架构和复杂问题解决方向转型。
七、图表六：AI 安全与伦理——风险增长与治理框架
2026 年 AI 指数报告对 AI 安全和伦理的分析揭示了一个令人担忧但必须正视的趋势：随着 AI 能力的增强，AI 相关的安全事件和伦理争议也在同步增加。
AI 安全事件：2025 年全球报告的 AI 安全事件（包括数据泄露、模型滥用、算法偏见、自动化系统故障）数量达到 1,847 起，相比 2024 年增长了 56%。其中数据泄露占最大比例（38%），主要是 AI 训练数据中包含敏感个人信息被意外泄露；模型滥用（深度伪造、自动化钓鱼邮件、AI 生成恶意代码）占比 28%，相比 2024 年增长了 120%——这是增长最快的类别。
深度伪造危机：2025 年检测到的深度伪造内容数量达到 260 万件，是 2024 年的 3 倍。其中 65% 是非自愿的色情内容，15% 用于金融诈骗，8% 用于政治操纵。深度伪造的检测技术虽然在进步，但生成技术的进步速度远超检测技术——这是一个持续的"猫鼠游戏"。
AI 偏见与公平性：尽管行业投入了大量资源来减少 AI 偏见，但 2025 年的审计结果显示，主流 AI 模型在种族、性别、地域等维度上的偏见仍然存在。例如，面部识别系统在深肤色人群上的错误率是浅肤色人群的 3-5 倍；招聘筛选 AI 对女性候选人的评分系统性低于男性。这些问题正在引起监管机构的重视。
治理框架的进展：
欧盟 AI Act 于 2025 年正式生效，是全球第一部全面的 AI 监管法规。它将 AI 系统按风险等级分类管理：不可接受风险（禁止）、高风险（严格监管）、有限风险（透明度要求）、低风险（无特殊要求）。这对在欧洲运营的 AI 公司产生了直接影响——他们需要投入大量资源来确保合规。
美国的 AI 监管则更加分散。2026 年 Trump 政府推迟了全面的 AI 行政令签署，倾向于行业自律 + 事后监管的模式。但这不意味着美国没有 AI 监管——FTC、FDA、NIST 等机构已经在各自的管辖范围内发布了 AI 相关的指导原则。
中国的 AI 监管最为严格。生成式 AI 管理办法、深度合成管理规定、算法推荐管理规定 构成了一个完整的 AI 监管框架。中国企业的 AI 产品上线前需要经过安全评估和备案，这在其他国家是罕见的。
AI 治理的核心挑战：技术创新的速度远超监管制定的速度。当监管框架到位时，技术可能已经进化到新的阶段。因此，负责任的 AI 开发不能仅仅依赖合规检查，而需要从设计阶段就将伦理和安全纳入考量。
如果你在做 AI 产品开发：在产品设计初期就纳入安全评估。不要等到产品上线前才做安全审查——那时候修改成本极高。推荐使用 NIST 的 AI Risk Management Framework 作为自检清单。
AI 监管环境正在快速变化。今天合规的设计，明天可能不合规。建立持续监控机制，跟踪目标市场的监管动态，而不是做一次性的合规检查。
八、图表七：公众对 AI 的认知——希望与担忧并存
斯坦福 AI 指数报告对公众 AI 认知的调查揭示了一个复杂而微妙的图景：公众对 AI 的态度既不是完全乐观，也不是完全悲观，而是希望与担忧并存。
总体态度：全球范围内，52% 的受访者认为 AI 对社会的总体影响是积极的，35% 认为是消极的，13% 不确定。与 2024 年相比，积极态度的比例从 58% 下降到 52%——这反映了公众对 AI 的期望在回归理性。
最大的希望：公众认为 AI 最有价值的三个领域是医疗健康（68% 的受访者认为 AI 将显著改善医疗服务）、科学研究（62%）和教育（55%）。这些领域有一个共同特征：AI 直接改善人类生活质量，而不是替代人类工作。
最大的担忧：公众最担心的三个 AI 风险是就业替代（71%）、隐私侵犯（65%）和虚假信息（58%）。其中就业担忧是所有年龄段、所有行业、所有地区的共识——这表明就业替代不仅仅是一个经济学问题，更是一个深层的社会心理问题。
年龄差异：18-34 岁年龄段对 AI 的态度最为积极（61% 正面），45-64 岁最为保守（42% 正面）。这反映了数字原生代和数字移民代对 AI 的不同认知框架。年轻人将 AI 视为工具和伙伴，年长一代更多将其视为威胁。
地区差异：亚洲地区（中国、印度、日本）对 AI 的总体态度最为积极（60% 正面），北美（50%）和欧洲（45%）相对保守。这种差异可能与文化对技术的态度和政府对 AI 的推广力度有关。
信任度变化：公众对 AI 系统的信任度从 2024 年的 48% 降至 2025 年的 43%。下降的主要原因包括：深度伪造事件的增加、AI 系统在实际应用中的失败案例、以及对 AI 决策透明度的担忧。
公众认知的核心启示：AI 行业需要更多的透明度、更多的公众教育和更多的成功案例来重建和维持公众信任。技术能力本身不足以赢得公众支持——可信赖的技术才是。
如果你在向公众推广 AI 产品：从医疗/教育/科研这些高信任领域切入，比从金融/法律等高争议领域切入更容易获得公众接受。
不要忽视公众对就业替代的担忧——这是最大的社会风险。AI 企业需要主动参与就业转型的讨论和方案制定，而不是回避这个问题。
九、图表八至十二：AI 行业的其他关键指标
除了上述六个核心维度，斯坦福 AI 指数报告还提供了多个重要的补充指标：
AI 专利数量：2025 年全球 AI 相关专利申请数量达到 12 万件，中国占 52%，美国占 22%。中国在 AI 专利数量上的领先优势继续扩大，但专利质量（被引用次数、国际申请比例）仍有提升空间。
AI 在行业中的应用分布：金融（35% 的企业使用 AI）、医疗（28%）、零售（22%）、制造（18%）是 AI 应用最广泛的行业。增长最快的行业是物流（年增 40%）和农业（年增 35%）——这两个传统行业正在快速拥抱 AI。
开源 AI 项目活跃度：2025 年 GitHub 上 AI 相关的开源项目数量超过 45 万个，贡献者超过 200 万人。最活跃的开源项目类别是 LLM 工具链（LangChain、LlamaIndex）、推理框架（vLLM、TensorRT-LLM）和Agent 框架（AutoGen、CrewAI）。
AI 对能源的影响：训练一个大型 AI 模型的碳排放量相当于 500 辆汽车一年的排放量。但 AI 在能源优化（智能电网、建筑能耗管理、工业流程优化）方面的应用可以减少全球 2-3% 的碳排放——净效应取决于 AI 的能效优化是否超过其自身的能源消耗。
AI 教育普及率：全球已有 35% 的 K-12 学校引入了 AI 相关课程（比 2024 年增长 12 个百分点），65% 的大学提供了 AI 相关的学位或辅修课程。AI 素养正在成为基础教育的一部分，而不仅仅是高等教育的专业方向。
这些指标的共同指向：AI 正在从"技术话题"转变为"基础设施"——它不再是一个独立的行业，而是渗透到每一个行业、每一类应用、每一个人的日常生活中。
如果你想了解 AI 行业的整体趋势：关注开源社区活跃度。开源项目的增长和创新速度往往领先于商业产品 6-12 个月。GitHub 上的趋势就是未来的商业趋势。
AI 的能源消耗问题不容忽视。随着模型规模的持续增长，训练和推理的碳排放可能成为行业发展的制约因素。关注绿色 AI（模型压缩、高效硬件、可再生能源）是长期趋势。
十、总结：2026 年 AI 行业的核心信号
综合斯坦福 2026 AI 指数报告的 12 张核心图表，我们可以提取出以下几个最关键的行业信号：
信号一：AI 正在从技术实验走向生产力工具。55% 的企业采用率、72% 的正向 ROI、95% 的成本下降——这三个数字共同指向一个结论：AI 不再是"未来技术"，而是当下可用的生产工具。对于开发者和企业而言，这意味着行动窗口正在关闭——等待的成本已经高于行动的风险。
信号二：价值验证成为行业主旋律。投资者不再为概念买单，而是要求明确的 ROI。这意味着 AI 公司需要更务实、更聚焦、更高效地证明自己的价值。对于开发者来说，这意味着你的 AI 项目需要从一开始就考虑商业模式，而不是先做技术再做商业。
信号三：多平台共存成为新常态。Anthropic 企业采用率超越 OpenAI、开源模型接近闭源性能、国产模型快速崛起——AI 市场不再是"一家独大"，而是多平台、多模型、多生态的竞争格局。这对开发者是利好——你有更多选择，更有议价能力。
信号四：AI 安全和治理不再是可选项。随着 AI 能力的增强，安全风险也在同步增加。深度伪造、数据泄露、算法偏见、自动化滥用——这些问题不再停留在学术讨论层面，而是已经造成了实际的社会影响。负责任的 AI 开发不再是道德选择，而是商业必需。
信号五：AI 教育正在普及化。从 K-12 到大学，从在线课程到专业培训，AI 教育正在覆盖更广泛的人群。这意味着未来 3-5 年内，AI 人才供给将大幅增加，AI 技能的溢价将逐渐缩小。对于从业者来说，尽早建立系统级能力（而非工具级技能）是关键。
斯坦福 AI 指数报告的核心价值不在于提供预测，而在于提供基于数据的事实。2026 年的数据告诉我们：AI 行业正在成熟，但远未饱和。机会和挑战并存，关键在于你是否准备好了。
2026 年最值得关注的三个方向：AI Agent 开发（多平台共存意味着 Agent 框架的价值会持续增长）、AI 安全合规（监管趋严创造新的商业机会）、AI 教育（普及化趋势意味着巨大的培训市场需求）。
不要盲目跟风——AI 行业的噪音很多，信号很少。用数据说话，用 ROI 衡量价值，用实际效果评估技术。斯坦福 AI 指数报告提供的就是这种数据驱动的分析框架。
十一、附录：AI 指数报告数据分析代码示例
以下代码展示了如何用 Python 分析斯坦福 AI 指数报告中的关键数据。第一段代码用于企业 AI 采用率趋势可视化，第二段用于投资方向分布分析。
import matplotlib.pyplot as plt
import numpy as np
years = [2022, 2023, 2024, 2025]
values = [25, 33, 42, 55]
fig, ax = plt.subplots(figsize=(10, 6))
ax.plot(years, values, marker='o', linewidth=2)
ax.fill_between(years, values, alpha=0.2)
ax.axhline(y=50, color='red', linestyle='--')
ax.grid(True, alpha=0.3)
plt.savefig('ai-adoption-trend.png', dpi=150)
plt.close()
growth_rates = []
for i in range(1, len(values)):
growth = values[i] - values[i-1]
growth_rates.append(growth)
avg_growth = np.mean(growth_rates)
predicted = values[-1] + avg_growth
print('Average growth:', round(avg_growth, 1), 'percentage points')
print('Predicted 2026 rate:', int(predicted), 'percent')import matplotlib.pyplot as plt
cats = ['Infrastructure', 'Applications', 'Models', 'Other']
pcts = [35, 30, 25, 10]
colors = ['#581c87', '#1e3a5f', '#065f46', '#7c2d12']
fig, ax = plt.subplots(figsize=(8, 8))
ax.pie(pcts, labels=cats, colors=colors,
autopct='%%1.1f%%%%', startangle=90)
ax.set_title('2025 Global AI Investment')
plt.savefig('ai-investment.png', dpi=150)
plt.close()
for c, p in zip(cats, pcts):
print(c, p, 'percent')这些代码可以直接运行来分析 AI 行业数据，安装 matplotlib 和 numpy 即可。
数据来源为斯坦福 AI 指数报告的公开数据，分析结果仅供参考，不构成投资建议。