| 1. Research and Development |
1. 研究開発 |
| 1. Industry produced over 90% of notable AI models in 2025, but the most capable models are now the least transparent. |
1. 2025年には、注目すべきAIモデルの90%以上が産業界によって生み出されたが、現在、最も高性能なモデルほど透明性が低い。 |
| Training code, parameter counts, dataset sizes, and training duration are no longer disclosed for several of the most resource-intensive systems, including those from OpenAI, Anthropic, and Google. |
OpenAI、Anthropic、Googleなど、リソースを最も多く消費するシステムのいくつかについては、トレーニングコード、パラメータ数、データセットの規模、トレーニング期間などがもはや公開されていない。 |
| 2. China leads in research, while the U.S. leads in notable model development. |
2. 研究分野では中国が主導的立場にある一方、注目すべきモデルの開発では米国が主導的立場にある。 |
| China leads in publication volume, citations, and patent grants, while the U.S. retains higher-impact patents and produced 50 notable models in 2025 to China's 30. South Korea leads in AI patents per capita, and China's share of the top 100 most-cited AI papers grew from 33 in 2021 to 41 in 2024. |
中国は論文発表数、被引用数、特許取得数でリードしているが、米国は影響力の大きい特許を維持しており、2025年には中国が30モデルであるのに対し、50の注目すべきモデルを生み出した。韓国は一人当たりのAI特許数で首位に立ち、最も多く引用されたAI論文トップ100における中国のシェアは、2021年の33から2024年には41へと増加した。 |
| 3. Reported parameters held in the trillions as disclosure dropped. |
3. 開示が減少する中、報告されたパラメータ数は兆単位を維持した。 |
| Parameter counts have stayed near 1 trillion for three years, though reporting from frontier labs has stopped. Training compute, which can be estimated independently, has continued to rise. |
最先端の研究機関からの報告は途絶えたものの、パラメータ数は3年間1兆前後で推移している。独立して推定可能なトレーニング計算量は、引き続き増加している。 |
| 4. Synthetic data is still not replacing real data in pre-training, but data quality and post-training techniques are showing promise. |
4. 事前学習において合成データが実データに取って代わるには至っていないが、データ品質と事後学習技術には期待が持てる。 |
| OLMo 3.1 Think 32B, with nearly 90 times fewer parameters than Grok 4, achieves comparable results on several benchmarks through pruning, deduplication, and curation alone. |
OLMo 3.1 Think 32Bは、Grok 4に比べてパラメータ数が約90分の1であるにもかかわらず、プルーニング、重複排除、キュレーションのみによって、いくつかのベンチマークで同等の結果を達成している。 |
| 5. Global AI compute capacity grew 3.3x per year since 2022, reaching 17.1 million H100-equivalents. |
5. 世界のAI演算能力は2022年以降、年間3.3倍のペースで増加し、1710万H100相当に達した。 |
| Nvidia accounts for over 60% of total compute, with Google and Amazon supplying much of the remainder and Huawei holding a small but growing share. The buildout is being driven by hyperscaler data center expansion and sustained demand for frontier model training and inference. |
Nvidiaが総演算能力の60%以上を占め、残りの大部分はGoogleとAmazonが供給しており、Huaweiは小規模ながらシェアを拡大している。この拡大は、ハイパースケーラーによるデータセンターの拡張と、最先端モデルのトレーニングおよび推論に対する持続的な需要によって牽引されている。 |
| 6. The United States leads in AI data centers, and one Taiwanese foundry fabricates the majority of chips inside them. |
6. 米国はAIデータセンターで主導的立場にあり、その内部のチップの大部分は台湾の1つのファウンドリによって製造されている。 |
| The United States hosts 5,427 data centers, more than ten times any other country, and consuming more energy than any other region. A single company, TSMC, fabricates almost every leading AI chip and makes the global AI hardware supply chain dependent on one foundry in Taiwan, though a TSMC-U.S. expansion began to operate in 2025. |
米国には5,427のデータセンターがあり、これは他国の10倍以上に相当し、他のどの地域よりも多くのエネルギーを消費している。TSMCという単一の企業が主要なAIチップのほぼすべてを製造しており、世界のAIハードウェアサプライチェーンは台湾の1つのファウンドリに依存しているが、2025年にはTSMCと米国の合弁事業が稼働を開始した。 |
| 7. AI’s environmental footprint increases across power, water, and emissions. |
7. AIの環境負荷は、電力、水、排出量のすべてにおいて増加している。 |
| In 2025, Grok 4’s estimated training emissions reached 72,816 tons of CO₂ equivalent. AI data center power capacity rose to 29.6 GW, comparable to New York state at peak demand, and annual GPT-4o inference water use alone may exceed the drinking water needs of 12 million people. |
2025年、Grok 4の推定トレーニング排出量は72,816トンCO₂相当に達した。AIデータセンターの電力容量は29.6GWに増加し、これはニューヨーク州のピーク需要に匹敵する。また、GPT-4oの推論処理における年間水使用量だけでも、1,200万人の飲料水需要を上回る可能性がある。 |
| 8. Open-source AI development continues to scale, with 5.6 million projects on GitHub and Hugging Face uploads tripling since 2023. |
8. オープンソースAI開発は拡大を続けており、GitHub上のプロジェクト数は560万件に達し、Hugging Faceへのアップロード数は2023年以降3倍に増加した。 |
| U.S.-based projects still attract the most engagement, with 30 million cumulative GitHub stars across projects that have crossed the 10-star threshold. |
米国発のプロジェクトは依然として最も多くの関心を集めており、スター数が10件を超えたプロジェクトのGitHubにおける累計スター数は3,000万件に達している。 |
| 9. The number of AI researchers and developers moving to the United States has dropped 89% since 2017. |
9. 米国に移住するAI研究者および開発者の数は、2017年以降89%減少した。 |
| The decline is accelerating, down 80% in the last year alone. The U.S. is still home to more AI talent than any other country, but it is attracting new talent at the lowest rate in over a decade. |
この減少は加速しており、昨年だけで80％減少した。米国は依然として他国よりも多くのAI人材を抱えているが、新規人材の獲得率は過去10年以上で最低水準にある。 |
| 10. The AI talent map is shifting, but gender gaps remain. |
10. AI人材の分布は変化しているが、ジェンダー格差は依然として残っている。 |
| Switzerland and Singapore lead the world in AI researchers and developers per capita and some countries show relatively higher female representation, including Saudi Arabia (32.3%), Canada (29.6%), and Australia (30.1%), though no country approaches gender parity. |
スイスとシンガポールは一人当たりのAI研究者・開発者数で世界をリードしており、サウジアラビア（32.3%）、カナダ（29.6%）、オーストラリア（30.1%）など、女性の割合が比較的高い国もあるが、ジェンダー・パリティ（男女比の均衡）に近づいている国はない。 |
| Support the AI Index in our mission to provide comprehensive, unbiased data on artificial intelligence worldwide. Your support sustains rigorous research, data collection, and analysis that informs policymakers, researchers, journalists, and business leaders—ensuring transparent AI metrics guide humanity toward a better future. |
世界中の人工知能に関する包括的かつ偏りのないデータを提供するというAIインデックスの使命を支援してほしい。皆様の支援は、政策立案者、研究者、ジャーナリスト、ビジネスリーダーに情報を提供する厳格な調査、データ収集、分析を支え、透明性の高いAI指標が人類をより良い未来へと導くことを保証する。 |
| 2. Technical Performance |
2. 技術的性能 |
| 1. AI capability is outpacing the benchmarks designed to measure it, and surpassing human-level performance. |
1. AIの能力は、それを測定するために設計されたベンチマークを上回り、人間レベルのパフォーマンスを超えている。 |
| Frontier models gained 30 percentage points in a single year on Humanity's Last Exam, a benchmark built to be hard for AI and favorable to human experts. Evaluations intended to be challenging for years are saturated in months, compressing the window in which benchmarks remain useful for tracking progress. |
最先端モデルは、「Humanity's Last Exam」（AIにとっては難しく、人間の専門家にとっては有利なように設計されたベンチマーク）において、わずか1年で30ポイントのスコア向上を達成した。数年間は難関とされるはずの評価が数ヶ月で飽和状態に陥り、進捗を追跡するためにベンチマークが有用である期間が短縮されている。 |
| 2. Top model performance is converging, with 4 companies now clustered within 25 Elo points (inspired by chess ratings) when rated against one another by human voting in the Arena Leaderboard and benchmark. |
2. トップモデルの性能は収束しつつあり、Arena Leaderboardやベンチマークにおける人間の投票による相互評価では、現在4社が25 Eloポイント（チェスのレーティングに由来）以内に集まっている。 |
| As of March 2026, Anthropic (1,503), xAI (1,495), Google (1,494), OpenAI (1,481), Alibaba (1,449), and DeepSeek (1,424) all occupy the top tier of the Arena Elo ratings, shifting competitive pressure toward cost, reliability, and domain-specific performance. |
2026年3月現在、Anthropic（1,503）、xAI（1,495）、Google（1,494）、OpenAI（1,481）、Alibaba（1,449）、DeepSeek（1,424）がすべてArena Eloレーティングの上位層を占めており、競争の焦点はコスト、信頼性、および特定分野での性能へと移行している。 |
| 3. The open model performance gap reopened in 2025 after briefly closing in 2024. |
3. オープンモデルの性能格差は、2024年に一時的に縮小した後、2025年に再び拡大した。 |
| As of March 2026, the top closed model leads the top open model by 3.3%, up from 0.5% in August 2024. Six of the top ten models on the Arena Leaderboard are now closed. |
2026年3月現在、トップのクローズドモデルはトップのオープンモデルを3.3%上回っており、これは2024年8月の0.5%から拡大した数値だ。Arenaリーダーボードのトップ10モデルのうち、6つが現在クローズドモデルとなっている。 |
| 4. The U.S.-China AI model performance gap has effectively closed. |
4. 米国と中国のAIモデルの性能格差は事実上解消された。 |
| U.S. and Chinese models have traded places at the top of performance rankings multiple times since early 2025. In February 2025, DeepSeek-R1 briefly matched the top U.S. model. As of March 2026, the top U.S. model leads by 2.7%, with a gap that fluctuated over the past year while remaining in the single digits. |
2025年初頭以降、米国と中国のモデルは性能ランキングの首位を何度も入れ替えている。2025年2月には、DeepSeek-R1が一時的に米国のトップモデルに並んだ。2026年3月現在、米国のトップモデルは2.7%リードしており、この差は過去1年間で変動しながらも一桁台にとどまっている。 |
| 5. The benchmarks used to measure AI progress face growing reliability and gaming concerns, with error rates up to 42% on widely used evaluations. |
5. AIの進歩を測定するために使用されるベンチマークは、信頼性や不正利用に関する懸念が高まっており、広く使用されている評価ではエラー率が最大42%に達している。 |
| A review found invalid question rates ranging from 2% on MMLU Math to 42% on GSM8K. Separate research suggests that Arena leaderboard standing may partly reflect adaptation to the platform rather than general capability. |
ある調査では、MMLU Mathで2%、GSM8Kで42%という無効な質問率が確認された。別の研究によると、Arenaのリーダーボード順位は、一般的な能力というよりは、プラットフォームへの適応度を部分的に反映している可能性がある。 |
| 6. Video generation models are starting to capture how objects behave, not just produce realistic content. |
6. 動画生成モデルは、単にリアルなコンテンツを生成するだけでなく、物体の挙動を捉え始めている。 |
| Google DeepMind’s Veo 3, tested across more than 18,000 generated videos, demonstrated abilities like simulating buoyancy and solving mazes without being trained on those tasks. |
Google DeepMindのVeo 3は、18,000本以上の生成動画でテストされ、浮力のシミュレーションや迷路の解決といった能力を示したが、これらのタスクに関する事前学習は行われていなかった。 |
| Source: Video models are zero-shot learners and reasoners |
出典：動画モデルはゼロショット学習者であり推論者である |
| 7. AI models can win a gold medal at the International Mathematical Olympiad but still can’t reliably tell time, illustrating what researchers call jagged intelligence. |
7. AIモデルは国際数学オリンピックで金メダルを獲得できる一方で、依然として時間を正確に読み取ることができず、研究者が「ジャグド・インテリジェンス（不均一な知能）」と呼ぶ現象を浮き彫りにしている。 |
| Gemini Deep Think scored 35 points (gold) at the 2025 IMO, working end to end in natural language within the 4.5-hour time limit, up from the 28-point silver achieved in 2024. On ClockBench, the top model read analog clocks correctly 50.1% of the time, compared with 90.1% for humans. |
Gemini Deep Thinkは、2025年のIMOで35点（金メダル）を獲得した。4.5時間の制限時間内に自然言語でエンドツーエンドで処理を行い、2024年に達成した28点（銀メダル）からスコアを伸ばした。ClockBenchでは、最上位モデルがアナログ時計を正しく読み取った確率は50.1%であったのに対し、人間は90.1%であった。 |
| 8. AI models are expanding into professional domains, showing performance ranging from 60 to 90% in evaluations in tax, mortgage processing, corporate finance, and legal reasoning. |
8. AIモデルは専門分野へと進出しており、税務、住宅ローン処理、企業財務、法的推論の評価において、60%から90%の範囲の性能を示している。 |
| The performance of the top 15 models is separated by as little as 3 percentage points in each benchmark. These kinds of domains where high competency and reliability are required remain a great challenge for AI models. |
各ベンチマークにおいて、上位15モデルの性能差はわずか3パーセントポイントに過ぎない。高い能力と信頼性が求められるこうした分野は、依然としてAIモデルにとって大きな課題である。 |
| 9. AI agents advanced from answering questions to completing tasks in 2025, though they still fail roughly one in three attempts on structured benchmarks. |
9. 2025年、AIエージェントは質問への回答からタスクの遂行へと進化したが、構造化されたベンチマークでは依然として約3回に1回の割合で失敗している。 |
| On OSWorld, which tests agents on computer tasks across operating systems, accuracy rose from roughly 12% to 66.3%, within 6 percentage points of human performance. |
OSWorld（OSを横断してコンピュータタスクをテストするベンチマーク）では、正確性が約12%から66.3%へと上昇し、人間のパフォーマンスと6ポイント差にまで迫った。 |
| 10. Robots still fail at most household tasks, even as they excel in controlled environments. |
10. ロボットは制御された環境では優れた能力を発揮するものの、依然としてほとんどの家事タスクでは失敗している。 |
| Robots succeed in only 12% of real household tasks, highlighting how far AI is from mastering the physical world. On RLBench, robotic manipulation in software-based simulations has reached 89.4% success, but the gap between predictable lab settings and unpredictable household environments is wide. |
ロボットが実際の家事タスクで成功するのはわずか12%であり、AIが物理的な世界を習得するにはまだ程遠いことが浮き彫りになっている。ソフトウェアベースのシミュレーションにおけるロボット操作の成功率はRLBenchで89.4%に達しているが、予測可能な実験室環境と予測不可能な家庭環境との間には大きな隔たりがある。 |
| 11. Autonomous vehicles reached mass-scale deployment in 2025. |
11. 2025年、自動運転車は大規模な展開段階に達した。 |
| Waymo reached approximately 450,000 weekly trips across five U.S. cities. In China, Apollo Go completed 11 million fully driverless rides, a 175% year-over-year increase. European operators are active but comparable deployment data is not publicly available, limiting the global picture. Deployments so far are in areas with generally favorable weather and humans are available off-site to take over when necessary. |
Waymoは米国内5都市で、週あたり約45万回の運行を達成した。中国では、Apollo Goが1,100万回の完全無人運転を完了し、前年比175％増となった。欧州の事業者も活動しているが、比較可能な展開データは公開されておらず、全体像を把握するのは難しい。これまでの展開は概して天候に恵まれた地域に限られており、必要に応じて遠隔地から人間が操作を引き継げる体制が整っている。 |
| Support the AI Index in our mission to provide comprehensive, unbiased data on artificial intelligence worldwide. Your support sustains rigorous research, data collection, and analysis that informs policymakers, researchers, journalists, and business leaders—ensuring transparent AI metrics guide humanity toward a better future. |
世界中の人工知能に関する包括的かつ偏りのないデータを提供するというAI Indexの使命を支援してほしい。皆様の支援は、政策立案者、研究者、ジャーナリスト、ビジネスリーダーに情報を提供する厳格な調査、データ収集、分析を支え、透明性のあるAI指標が人類をより良い未来へと導くことを保証する。 |
| 3. Responsible AI |
3. 責任あるAI |
| 1. Responsible AI benchmarking is increasing, but is not keeping up with AI advances and deployments. |
1. 責任あるAIのベンチマークは増加しているが、AIの進歩や展開のペースには追いついていない。 |
| Almost all leading frontier model developers report results on capability benchmarks like MMLU and SWE-bench, but reporting on responsible AI benchmarks remains sparse. Documented AI incidents continued to rise, with the AI Incident Database recording 362 in 2025, up from 233 in 2024. |
ほぼすべての主要な最先端モデル開発者は、MMLUやSWE-benchのような能力ベンチマークの結果を報告しているが、責任あるAIに関するベンチマークの報告は依然として少ない。記録されたAIインシデントは増加し続け、AIインシデントデータベースによると、2024年の233件から2025年には362件に増加した。 |
| 2. AI models struggle to tell the difference between knowledge and belief. |
2. AIモデルは、知識と信念の区別をつけるのに苦労している。 |
| In a new accuracy benchmark, hallucination rates across 26 top models range from 22% to 94%. GPT-4o's accuracy dropped from 98.2% to 64.4%, and DeepSeek R1 fell from over 90% to 14.4%. When a false statement is presented as something another person believes, models handle it well. When the same false statement is presented as something a user believes, performance collapses. |
新たな精度ベンチマークでは、上位26モデルの幻覚発生率は22%から94%の範囲に及ぶ。GPT-4oの精度は98.2%から64.4%に低下し、DeepSeek R1は90%超から14.4%へと落ち込んだ。虚偽の記述が「他者が信じていること」として提示された場合、モデルは適切に処理する。同じ虚偽の記述が「ユーザーが信じていること」として提示されると、性能は急落する。 |
| 3. Organizations are formalizing responsible AI work, but knowledge and budget gaps still slow adoption. |
3. 組織は責任あるAIの取り組みを制度化しているが、知識と予算の不足が依然として導入を遅らせている。 |
| AI-specific governance roles grew 17% in 2025, and the share of businesses with no responsible AI policies in place fell sharply from 24% to 11%. The main obstacles to implementation remain gaps in knowledge (59%), budget constraints (48%), and regulatory uncertainty (41%). |
2025年にはAIに特化したガバナンス職が17%増加し、責任あるAIポリシーを策定していない企業の割合は24%から11%へと急減した。導入の主な障壁は、依然として知識の不足（59%）、予算の制約（48%）、規制の不確実性（41%）である。 |
| 4. The mix of regulations shaping responsible AI practices is shifting toward AI-specific frameworks and technical standards. |
4. 責任あるAIの実践を形作る規制の構成は、AIに特化した枠組みや標準へと移行しつつある。 |
| GDPR remains the most cited regulatory influence but slipped from 65% in 2024 to 60% in 2025. New entries in 2025 include ISO/IEC 42001, an AI management system standard, cited by 36% of respondents, and the NIST AI Risk Management Framework at 33%. The share of organizations reporting no regulatory influence at all fell from 17% to 12%. |
GDPRは依然として最も多く言及される規制要因だが、2024年の65%から2025年には60%へと低下した。2025年の新規参入には、回答者の36％が挙げたAIマネジメント標準であるISO/IEC 42001や、33％が挙げたNIST AIリスクマネジメント枠組みが含まれる。規制の影響を全く受けていないと報告した組織の割合は、17％から12％に減少した。 |
| 5. AI works best in English, and the gap is wider than global benchmarks suggest. |
5. AIは英語で最も効果を発揮し、その差はグローバルなベンチマークが示唆するよりも大きい。 |
| On HELM Arabic, a regionally developed model for the Arabic language, outscored GPT-5.1 and Gemini 2.5 Flash. The gap widens at the dialect level. On a Slovenian commonsense reasoning test, several leading models lost close to half their accuracy when tested in a regional dialect rather than the standard language. |
アラビア語向けに地域開発されたモデル「HELM Arabic」は、GPT-5.1やGemini 2.5 Flashを上回る成績を収めた。この差は方言レベルになるとさらに広がる。スロベニア語の常識推論テストでは、主要なモデルのいくつかが、標準語ではなく地域の方言でテストされた際、精度のほぼ半分を失った。 |
| 6. AI companies grew less transparent this year. |
6. 今年、AI企業の透明性は低下した。 |
| After rising on the Foundation Model Transparency Index from 37 to 58 between 2023 and 2024, the average score dropped to 40 in 2025. Major gaps persist in disclosure around training data, compute resources, and post-deployment impact. |
2023年から2024年にかけて「ファウンデーションモデル透明性指数」が37から58へと上昇した後、2025年には平均スコアが40に低下した。トレーニングデータ、計算リソース、展開後の影響に関する開示には依然として大きな格差が残っている。 |
| 7. AI models perform well on safety tests under normal conditions, but their defenses weaken under deliberate attack. |
7. AIモデルは通常の条件下での安全性テストでは良好な性能を示すものの、意図的な攻撃下では防御力が弱まる。 |
| On the AILuminate benchmark, several frontier models received “Very Good” or “Good” safety ratings under standard use. When tested against jailbreak attempts using adversarial prompts, safety performance dropped across all models tested. |
AILuminateベンチマークでは、いくつかの最先端モデルが標準的な使用条件下で「Very Good」または「Good」の安全性評価を受けた。しかし、敵対的プロンプトを用いた脱獄（jailbreak）攻撃に対するテストでは、テスト対象となった全モデルにおいて安全性のパフォーマンスが低下した。 |
| 8. Responsible AI dimensions such as safety, fairness, and privacy are at odds with one another, and the tradeoffs are not well understood. |
8. 安全性、公平性、プライバシーといった責任あるAIの側面は互いに相反しており、そのトレードオフは十分に理解されていない。 |
| Recent empirical studies found that training techniques aimed at improving one responsible AI dimension consistently degraded others. |
最近の実証研究によると、責任あるAIの1つの側面を改善することを目的としたトレーニング手法は、他の側面を一貫して悪化させることが判明した。 |
| Support the AI Index in our mission to provide comprehensive, unbiased data on artificial intelligence worldwide. Your support sustains rigorous research, data collection, and analysis that informs policymakers, researchers, journalists, and business leaders—ensuring transparent AI metrics guide humanity toward a better future. |
世界中の人工知能に関する包括的かつ偏りのないデータを提供するというAI Indexの使命を支援してほしい。皆様の支援は、政策立案者、研究者、ジャーナリスト、ビジネスリーダーに情報を提供する厳格な研究、データ収集、分析を支え、透明性の高いAI指標が人類をより良い未来へと導くことを保証する。 |
| 4. Economy |
4. 経済 |
| 1. Global corporate AI investment more than doubled in 2025. |
1. 2025年、世界の企業によるAI投資額は2倍以上に増加した。 |
| Private investment grew fastest at 127.5% and now accounts for 60% of the total. Generative AI led the surge, growing more than 200% and capturing nearly half of all private AI funding. Newly funded AI companies rose 71%, and billion-dollar funding events nearly doubled. |
民間投資は127.5%と最も急速に伸び、現在では総額の60%を占めている。生成的AIがこの急増を牽引し、200%以上成長して、民間AI資金調達のほぼ半分を占めた。新規資金調達を行ったAI企業は71%増加し、10億ドル規模の資金調達事例はほぼ倍増した。 |
| 2. The United States continues to lead in global private AI investment, committing 23 times more than China. |
2. 米国は世界の民間AI投資において引き続き主導的立場にあり、中国よりも23倍多くの資金を投じている。 |
| In generative AI, U.S. investment exceeded the combined total of China and Europe by a wide margin. However, private investment figures likely understate China’s total AI spending, as government guidance funds have deployed an estimated $184 billion into AI firms between 2000 and 2023. |
生成的AI分野では、米国の投資額は中国と欧州の合計を大幅に上回った。しかし、2000年から2023年にかけて政府系ファンドがAI企業に推定1,840億ドルを展開していることから、民間投資の数字だけでは中国のAI総支出を過小評価している可能性が高い。 |
| 3. AI company revenue is rising at historically fast rates, but compute costs and infrastructure spending are also reaching record levels. |
3. AI企業の売上高は歴史的なペースで伸びているが、コンピューティングコストとインフラ支出も過去最高水準に達している。 |
| Leading frontier companies are reaching meaningful revenue scale in a short period of time, but compute spend has increased significantly year-over-year. Major cloud providers have accelerated capital expenditures, with Google reporting more than $150 billion in annual capex in 2025. |
最先端の企業は短期間で相当な売上規模に達しているが、コンピューティング費用は前年比で大幅に増加している。主要なクラウドプロバイダは設備投資を加速させており、Googleは2025年の年間設備投資額が1,500億ドルを超えると報告している。 |
| 4. The value consumers get from generative AI grew 54% in a year, reaching $172 billion in the U.S. |
4. 生成的AIから消費者が得る価値は1年で54％増加し、米国では1,720億ドルに達した。 |
| Estimated U.S. consumer surplus reached $172 billion annually by early 2026, up from $112 billion a year earlier, with the median value per user tripling over the same period. Most of these tools remain free or close to it. |
2026年初頭までに、米国の消費者余剰は年間1,720億ドルに達すると推定されており、前年同期の1,120億ドルから増加した。また、ユーザー1人あたりの価値の中央値は同期間に3倍になった。これらのツールのほとんどは、依然として無料か、それに近い価格設定である。 |
| 5. Organizational AI adoption continued to rise in 2025, up to 88% of surveyed organizations, though AI agent use remains early. |
5. 2025年、組織におけるAIの導入率は上昇を続け、調査対象組織の88%に達したが、AIエージェントの利用は依然として初期段階にある。 |
| Generative AI is now used in at least one business function at 70% of organizations, and China and Europe posted the highest year-over-year increases. AI agent deployment was in the single digits across nearly all business functions. |
生成的AIは現在、組織の70％で少なくとも1つの業務機能に導入されており、中国と欧州が前年比で最も高い増加率を示した。AIエージェントの展開率は、ほぼすべての業務機能において一桁台にとどまった。 |
| 6. Generative AI reached 53% adoption in three years, faster than the personal computer or the internet. |
6. 生成的AIの導入率は3年で53％に達し、パソコンやインターネットよりも急速な普及を見せた。 |
| Adoption varies widely across countries and correlates strongly with GDP per capita, though some outpace what income would predict, including Singapore at 61% and the United Arab Emirates at 54%. Despite its lead in AI investment and model development, the United States ranks 24th at 28.3%. |
導入率は国によって大きく異なり、一人当たりGDPと強い相関関係にあるが、シンガポール（61%）やアラブ首長国連邦（54%）など、所得水準から予測されるペースを上回る国もある。AI投資やモデル開発で先行しているにもかかわらず、米国の導入率は28.3%で24位にとどまっている。 |
| 7. AI's labor market effects are showing up unevenly, concentrated in hiring pipelines and the youngest workers in exposed occupations. |
7. AIが労働市場に与える影響は不均一に現れており、採用プロセスや、影響を受けやすい職種に就く最年少の労働者に集中している。 |
| Employment for software developers ages 22 to 25 has fallen nearly 20% from 2024. Employer surveys point to further change ahead, with one-third of respondents expecting workforce reductions over the coming year. |
22歳から25歳のソフトウェア開発者の雇用は、2024年から20％近く減少した。雇用主への調査では、今後さらなる変化が予想されており、回答者の3分の1が今後1年間で人員削減を見込んでいる。 |
| 8. One-third of organizations expect AI to reduce their workforce in the coming year, even though large-scale job losses have not yet shown up in overall employment data. |
8. 組織の3分の1は、今後1年間でAIによる人員削減を見込んでいるが、大規模な雇用喪失は全体的な雇用データにはまだ現れていない。 |
| Almost half of organizations surveyed expected little to no change. Anticipated reductions are highest in service operations, supply chain, and software engineering. Across nearly all functions, anticipated decreases outpaces those already observed. |
調査対象企業のほぼ半数は、変化がほとんどないか、全くないと予想していた。人員削減の予想が最も高いのは、サービス業務、サプライチェーン、ソフトウェアエンジニアリングである。ほぼすべての機能において、予想される減少幅は、すでに観測されている減少幅を上回っている。 |
| 9. Productivity gains from AI are largest in structured, measurable work where outputs are easy to monitor. |
9. AIによる生産性の向上は、成果を容易に監視できる、構造化され測定可能な業務において最も大きい。 |
| Studies report gains of 14% to 15% in customer support, 26% in software development, and 50% in marketing output. Gains are smaller in tasks requiring deeper reasoning, and recent evidence raises concerns that heavy AI reliance may carry long-term learning penalties that slow skill development over time. |
調査によると、カスタマーサポートでは14～15％、ソフトウェア開発では26％、マーケティングの成果では50％の生産性向上が報告されている。より深い推論を必要とする業務では向上の幅は小さく、最近の知見からは、AIへの過度な依存が長期的な学習阻害をもたらし、時間の経過とともにスキル開発を遅らせる可能性があるという懸念が浮上している。 |
| 10. China continues to install more industrial robots than the rest of the world combined, and the gap widened in 2024. |
10. 中国は引き続き、世界の他の地域を合わせた数よりも多くの産業用ロボットを導入しており、2024年にはその差が拡大した。 |
| China accounted for 54% of industrial robots installed globally, up from 51.1% in 2023. Global year-over-year growth was flat, and several major markets, including the United States, Germany, and Italy saw declines. Taiwan was an exception, recording the highest year-over-year growth at 33%. |
中国は世界の産業用ロボット設置台数の54％を占め、2023年の51.1％から増加した。世界全体の前年比成長率は横ばいとなり、米国、ドイツ、イタリアを含む主要市場のいくつかは減少した。台湾は例外で、前年比33％増と最も高い成長率を記録した。 |
| Support the AI Index in our mission to provide comprehensive, unbiased data on artificial intelligence worldwide. Your support sustains rigorous research, data collection, and analysis that informs policymakers, researchers, journalists, and business leaders—ensuring transparent AI metrics guide humanity toward a better future. |
世界中の人工知能に関する包括的かつ偏りのないデータを提供するというAI Indexの使命を支援してほしい。皆様の支援は、政策立案者、研究者、ジャーナリスト、ビジネスリーダーに情報を提供する厳格な調査、データ収集、分析を支えるものであり、透明性の高いAI指標が人類をより良い未来へと導くことを保証する。 |
| 5. Science |
5. 科学 |
| 1. AI-related scientific publications are growing year-over–year. |
1. AI関連の科学論文は前年比で増加している。 |
| Natural sciences reached approximately 80,150 AI publications in 2025, up 26% from 2024. AI now accounts for 5.8%–8.8% of scientific research output depending on the field, up from below 1% in 2010. |
自然科学分野におけるAI関連の論文数は2025年に約80,150件に達し、2024年から26%増加した。AIは現在、分野によって異なるが科学研究成果の5.8%～8.8%を占めており、2010年の1%未満から増加している。 |
| 2. Frontier models outperform human chemists on average but cannot reproduce published research. |
2. 最先端モデルは平均的に人間の化学者を上回るが、公表された研究を再現することはできない。 |
| On ChemBench, the best models surpass human expert averages across 2,700+ chemistry questions while struggling with basic tasks. On ReplicationBench, frontier models score below 20% on paper-scale replication in astrophysics. On UnivEarth, LLM agents answer earth observation questions with 33% accuracy, and their code fails 58% of the time. |
ChemBenchでは、最良のモデルが2,700件以上の化学問題において人間の専門家の平均成績を上回った一方で、基本的な課題には苦戦している。ReplicationBenchでは、最先端モデルは天体物理学における論文規模の再現性評価で20%未満のスコアにとどまった。UnivEarthでは、LLMエージェントによる地球観測問題への回答精度は33%であり、その生成コードは58%の確率で失敗した。 |
| 3. Astronomy released its first foundation model, first visualization benchmark, and a 100TB training dataset in 2025, signaling a field-wide shift toward AI infrastructure. |
3. 天文学分野は2025年、初の基盤モデル、初の可視化ベンチマーク、および100TBのトレーニングデータセットを公開し、AIインフラへの分野全体の移行を示した。 |
| AION-1, trained on over 200 million celestial objects from 5 major surveys, is the first astronomy foundation model. AstroVisBench introduced the first benchmark for LLM scientific computing and visualization in the field. |
5大サーベイから得られた2億個以上の天体を用いて訓練されたAION-1は、天文学分野初のファウンデーションモデルである。AstroVisBenchは、同分野におけるLLMを用いた科学計算および可視化のための初のベンチマークを導入した。 |
| 4. An AI system ran a full weather forecasting pipeline end-to-end for the first time in 2025. |
4. 2025年、AIシステムが初めて気象予測パイプライン全体をエンドツーエンドで実行した。 |
| Aardvark Weather replaced the traditional numerical prediction pipeline with a single ML system, and multiple AI weather models reached operational deployment. FourCastNet 3 generates a 60-day global forecast in under 4 minutes, running 8 to 60 times faster than prior approaches. |
Aardvark Weatherは従来の数値予報パイプラインを単一のMLシステムに置き換え、複数のAI気象モデルが実展開段階に達した。FourCastNet 3は60日間の全球予報を4分未満で生成し、従来の手法より8～60倍高速に動作する。 |
| 5. On end-to-end scientific research tasks, the best AI agents score roughly half of what PhD experts achieve. |
5. エンドツーエンドの科学研究タスクにおいて、最良のAIエージェントのスコアは博士号を持つ専門家の約半分にとどまる。 |
| On PaperArena, the best agent reaches 38.8% accuracy versus a PhD expert baseline of 83.5%. On BixBench, frontier models achieve roughly 17% accuracy on real-world bioinformatics analysis. |
PaperArenaでは、最良のAIエージェントの精度は38.8%であるのに対し、博士号を持つ専門家のベースラインは83.5%である。BixBenchでは、最先端モデルが実世界のバイオインフォマティクス分析において約17%の精度を達成している。 |
| 6. The first fully AI-generated paper was accepted at a peer-reviewed workshop in 2025, but the list of experimentally confirmed AI discoveries remains short. |
6. 2025年、初の完全生成的AI生成論文が査読付きワークショップで採択されたが、実験的に確認されたAIによる発見のリストは依然として少ない。 |
| Sakana's AI Scientist-v2 produced a paper accepted at an ICLR workshop without human-coded templates. Google's AI Co-Scientist was validated in three biomedical areas. |
Sakanaの「AI Scientist-v2」は、人間が作成したテンプレートを使用せずに、ICLRのワークショップで採択された論文を生成した。Googleの「AI Co-Scientist」は、3つの生物医学分野で妥当性確認された。 |
| Source: Gottweis et al., 2025 |
出典：Gottweis et al., 2025 |
| 7. Most AI models for science originate from academic and government institutions, in contrast with the industry-dominated landscape of general-purpose AI. |
7. 汎用AIが産業界主導であるのとは対照的に、科学向けのAIモデルの多くは学術機関や政府機構に由来する。 |
| Many AI foundation models for science result from international collaborations. Earth science datasets come entirely from government and academic sources, while industry leads foundation model development in weather and climate. |
科学向けの多くのAI基盤モデルは、国際的な共同研究から生まれている。地球科学のデータセットはすべて政府や学術機関が提供している一方、気象・気候分野の基盤モデル開発は産業界が主導している。 |
| Support the AI Index in our mission to provide comprehensive, unbiased data on artificial intelligence worldwide. Your support sustains rigorous research, data collection, and analysis that informs policymakers, researchers, journalists, and business leaders—ensuring transparent AI metrics guide humanity toward a better future. |
世界中の人工知能に関する包括的かつ偏りのないデータを提供するというAI Indexの使命を支援してほしい。皆様の支援は、政策立案者、研究者、ジャーナリスト、ビジネスリーダーに情報を提供する厳格な研究、データ収集、分析を支え、透明性のあるAI指標が人類をより良い未来へと導くことを保証する。 |
| 6. Medicine |
6. 医学 |
| 1. In molecular biology, smaller models are outperforming larger ones. |
1. 分子生物学の分野では、小規模なモデルが大規模なモデルを上回る性能を示している。 |
| MSAPairformer, a 111-million-parameter protein language model, outperformed previous leading methods on the benchmark, ProteinGym; and GPN-Star, a 200-million-parameter genomics model, outperformed a model with 40 billion parameters. |
1億1100万パラメータのタンパク質言語モデル「MSAPairformer」は、ベンチマーク「ProteinGym」において従来の最先端手法を上回る性能を示した。また、2億パラメータのゲノミクスモデル「GPN-Star」は、400億パラメータのモデルを上回る性能を示した。 |
| 2. Virtual cell models emerged as a new frontier in 2025, with major releases including Evo 2 from the Arc Institute, STATE, and DeepMind’s AlphaGenome. |
2. 2025年、仮想細胞モデルが新たなフロンティアとして登場し、Arc InstituteのEvo 2、STATE、DeepMindのAlphaGenomeなどの主要なモデルがリリースされた。 |
| These models aim to predict cellular responses to drugs and genetic perturbations without running wet-lab experiments, though current systems still require experimental validation. |
これらのモデルは、ウェットラボ実験を行わずに薬剤や遺伝的撹乱に対する細胞の反応を予測することを目指しているが、現在のシステムでは依然として実験による妥当性確認が必要である。 |
| 3. Like other areas of AI, biological model development is increasingly bottlenecked on data rather than architecture. |
3. AIの他の分野と同様、生物学的モデルの開発においても、アーキテクチャよりもデータがボトルネックとなる傾向が強まっている。 |
| With cofolding models now representing all structure types in the Protein Data Bank, 2025 saw a turn toward distilled datasets of AI-predicted structures and training on combined experimental data sources, expanding training sets from hundreds of thousands of entries to tens of millions. |
コフォールディングモデルがタンパク質データバンク（PDB）の全構造タイプを網羅するようになったことで、2025年にはAI予測構造の精選データセットや、複数の実験データソースを組み合わせたトレーニングへの転換が見られ、トレーニングセットは数十万件から数千万件へと拡大した。 |
| 4. AI tools that automatically generate clinical notes from patient visits saw broad adoption in 2025. |
4. 患者の診察記録から診療記録を自動生成するAIツールは、2025年に広く普及した。 |
| Across multiple hospital systems, physicians reported they were spending up to 83% less time writing notes, experiencing significant reductions in burnout, with one hospital system reporting a 112% return on investment. |
複数の病院システムにおいて、医師たちはカルテ作成に費やす時間が最大83%削減され、バーンアウトが大幅に軽減されたと報告しており、ある病院システムでは112%の投資対効果を報告している。 |
| 5. The FDA authorized 258 AI medical devices in 2025, most through pathways that do not require new clinical trials. |
5. FDAは2025年に258件のAI医療機器を認可したが、その大半は新たな臨床試験を必要としない認可経路を通じて行われた。 |
| The vast majority entered the market via device-modification pathways that rely on existing safety and efficacy evidence rather than new randomized trials, with only 2.4% of devices with clinical studies supported by randomized trial data. |
その大部分は、新たな無作為化試験ではなく既存の安全性・有効性データに基づく医療機器の改良経路を通じて市場に参入し、無作為化試験データに裏付けられた臨床試験を実施した機器はわずか2.4%であった。 |
| 6. A multi-agent AI system scored 85.5% on complex published case studies, versus 20% for unaided physicians. |
6. 多エージェントAIシステムは、複雑な既発表症例研究において85.5%の正答率を記録したのに対し、支援なしの医師は20%にとどまった。 |
| Microsoft's AI Diagnostic Orchestrator, paired with OpenAI's o3, was tested on challenging cases drawn from the medical literature against physicians working without their usual tools. Multi-agent frameworks more broadly have shown diagnostic accuracy gains of 7% to over 60% over single-agent baselines. |
マイクロソフトの「AI Diagnostic Orchestrator」とOpenAIの「o3」を組み合わせたシステムは、医学文献から抽出した難解な症例に対し、通常のツールを使用しない医師と比較してテストされた。より広義のマルチエージェント・枠組みは、単一エージェントのベースラインと比較して、診断精度が7%から60%以上向上していることが示されている。 |
| 7. AI-generated summaries now appear at the top of 84% to 92% of health-related Google searches. |
7. 現在、健康関連のGoogle検索の84%から92%において、AI生成の要約が検索結果の上位に表示される。 |
| Symptom and common health questions trigger an AI Overview 92% of the time, followed by treatment and condition queries. These summaries are now a routine feature of health information searches, shaping the initial interpretation of users' questions. |
症状や一般的な健康に関する質問では、92%の確率でAIによる概要が表示され、次いで治療法や疾患に関する問い合わせが続く。これらの要約は今や健康情報検索の定番機能となり、ユーザーの質問に対する初期の解釈を形作っている。 |
| 8. Ethics discussion in medical AI publications more than doubled in 2025, but the conversation is narrow. |
8. 医療AIに関する出版物における倫理議論は2025年に2倍以上に増えたが、議論の範囲は狭い。 |
| Governance dominates the discourse, while algorithm accountability, biosecurity, and global health equity remain underexplored. |
議論の中心はガバナンスに偏っており、アルゴリズムの説明責任、バイオセキュリティ、そしてグローバルな健康の公平性については、依然として十分に検討されていない。 |
| 9. Research interest in medical digital twins is growing fast, and where trials exist, early results are promising. |
9. 医療用デジタルツインに対する研究関心は急速に高まっており、臨床試験が行われている分野では、初期の結果は有望だ。 |
| In a randomized trial of 150 diabetes patients, 71% achieved healthy blood sugar levels over one year while safely reducing their medications. |
糖尿病患者150名を対象とした無作為化試験では、71％が1年間で健康的な血糖値レベルを達成し、同時に安全に投薬量を減らすことができた。 |
| Support the AI Index in our mission to provide comprehensive, unbiased data on artificial intelligence worldwide. Your support sustains rigorous research, data collection, and analysis that informs policymakers, researchers, journalists, and business leaders—ensuring transparent AI metrics guide humanity toward a better future. |
世界中の人工知能に関する包括的かつ偏りのないデータを提供するというAI Indexの使命を支援してほしい。皆様の支援は、政策立案者、研究者、ジャーナリスト、ビジネスリーダーに情報を提供する厳格な研究、データ収集、分析を支え、透明性のあるAI指標が人類をより良い未来へと導くことを保証する。 |
| 7. Education |
7. 教育 |
| 1. CS enrollment fell 11% at U.S. four-year universities between 2024 and 2025, but AI-related graduate programs continued to grow. |
1. 2024年から2025年にかけて、米国の4年制大学におけるコンピュータサイエンス（CS）の登録数は11％減少したが、AI関連の大学院プログラムは引き続き増加した。 |
| Master's graduates in AI software-related fields rose 17% from 2023 to 2024, suggesting that demand for AI specialization is holding up even as broader CS enrollment cools. |
AIソフトウェア関連分野の修士課程修了者は2023年から2024年にかけて17％増加しており、コンピュータサイエンス全体の登録数が鈍化する中でも、AI専門分野への需要は堅調に推移していることが示唆される。 |
| 2. The U.S. remains a global leader in producing information, communications, and technology (ICT) graduates at all degree levels, but other countries are growing faster. |
2. 米国は依然として、あらゆる学位レベルにおける情報通信技術（ICT）分野の卒業生輩出において世界的なリーダーであるが、他国の伸び率はより高い。 |
| Turkey, Brazil, and Mexico have increased their ICT graduate output more rapidly in recent years. |
トルコ、ブラジル、メキシコでは、近年ICT卒業生の輩出数がより急速に増加している。 |
| 3. Four out of five U.S. high school and college students now use AI for schoolwork, while school policies have not kept pace. |
3. 米国の高校生および大学生の5人に4人が現在、学業にAIを利用しているが、学校の対応は追いついていない。 |
| Only half of middle and high schools have AI policies, and just 6% of teachers say those policies are clear. Students most commonly use generative AI for research, essay editing, and brainstorming. |
中学校・高校の半数しかAIに関する方針を定めておらず、その方針が明確だと答えた教師はわずか6%に留まる。学生が生成的AIを最もよく利用するのは、調査、小論文の推敲、およびアイデア出しである。 |
| 4. More than 90% of countries now offer computer science to primary or secondary students, but AI education has been slower to take hold. |
4. 現在、90％以上の国で小中学生にコンピュータサイエンスが提供されているが、AI教育の定着は遅れている。 |
| China and the United Arab Emirates both mandated AI education starting with the 2025-26 school year, signaling a shift toward formal AI instruction at the national level. |
中国とアラブ首長国連邦はともに、2025-26年度からAI教育を義務化しており、国家レベルでの正式なAI指導への転換を示している。 |
| 5. The number of new AI PhDs in the United States and Canada rose 22% from 2022 to 2024, but the share going to industry has stayed flat. |
5. 米国とカナダにおけるAI分野の新規博士号取得者数は、2022年から2024年にかけて22％増加したが、産業界への流入割合は横ばいである。 |
| All of the growth has gone to academia, reversing a decade-long trend of new AI PhDs flowing primarily into industry roles. |
増加分はすべて学術界に流れており、新規AI博士号取得者が主に産業界の職に就くという10年にわたる傾向が逆転した。 |
| 6. People are acquiring AI skills outside formal education, and advertising AI skills in their resumes. |
6. 人々は正規の教育以外でAIスキルを習得し、履歴書にAIスキルを記載している。 |
| AI literacy has grown faster than engineering-oriented AI skills in most countries. The United Arab Emirates, Chile, and South Africa are exceptions, where engineering skills show steeper growth since 2022. |
ほとんどの国において、AIリテラシーの伸びはエンジニアリング志向のAIスキルよりも速い。アラブ首長国連邦、チリ、南アフリカは例外であり、これらの国では2022年以降、エンジニアリングスキルの伸びがより急激である。 |
| Support the AI Index in our mission to provide comprehensive, unbiased data on artificial intelligence worldwide. Your support sustains rigorous research, data collection, and analysis that informs policymakers, researchers, journalists, and business leaders—ensuring transparent AI metrics guide humanity toward a better future. |
世界中の人工知能に関する包括的かつ偏りのないデータを提供するというAIインデックスの使命を支援してほしい。皆様の支援は、政策立案者、研究者、ジャーナリスト、ビジネスリーダーに情報を提供する厳格な調査、データ収集、分析を支え、透明性の高いAI指標が人類をより良い未来へと導くことを保証する。 |
| 8. Policy and Governance |
8. 政策とガバナンス |
| 1. National AI strategies are expanding fastest among countries that had no formal AI policy five years ago. |
1. 5年前に正式なAI政策を持っていなかった国々において、国家AI戦略の拡大が最も急速に進んでいる。 |
| In 2024, more than half of newly adopted strategies came from emerging economies and, as of 2025, additional countries across sub-Saharan Africa, Central Asia, and the Middle East have strategies in active development. |
2024年には、新たに採択された戦略の半数以上が新興経済国によるものであり、2025年現在、サハラ以南のアフリカ、中央アジア、中東のさらなる国々で戦略が活発に策定されている。 |
| 2. AI sovereignty, the goal of gaining more agency over domestic AI capabilities, is emerging as a central principle of national AI policy, but the infrastructure underpinning it is unevenly distributed. |
2. 国内のAI能力に対する主導権を強化するという目標である「AI主権」は、国家AI政策の中心的な原則として浮上しているが、それを支えるインフラは不均等に分布している。 |
| Between 2018 and 2025, Europe and Central Asia expanded state-backed AI supercomputing clusters from 3 to 44. South Asia, Latin America, and the Middle East and North Africa have only reached between 2, 3 and 8 each. |
2018年から2025年にかけて、欧州および中央アジアでは、国家が支援するAIスーパーコンピューティング・クラスターが3か所から44か所に拡大した。一方、南アジア、ラテンアメリカ、中東・北アフリカでは、それぞれ2～8か所に留まっている。 |
| 3. Regions are taking different approaches to data sovereignty. |
3. データ主権に対する各地域の取り組みは異なる。 |
| Through 2024, East Asia and the Pacific had adopted 77 data localization measures, followed by sub-Saharan Africa with 71 and Europe and Central Asia with 66. North America, by contrast, recorded only 3, reflecting a different approach to cross-border data flows. |
2024年までに、東アジア・太平洋地域は77件のデータローカライゼーション措置を導入し、次いでサハラ以南アフリカが71件、欧州・中央アジアが66件となった。対照的に、北米はわずか3件にとどまり、国境を越えるデータフローに対する異なるアプローチを反映している。 |
| 4. AI-related witnesses in U.S. congressional hearings have grown twentyfold since 2017. |
4. 米国議会公聴会におけるAI関連の証言者は、2017年以降20倍に増加した。 |
| The number rose from 5 in 2017 to 102 in 2025. Industry’s share nearly tripled from 13% to 37%, making it the largest witness group, while academia’s share fell to 15%. |
その数は2017年の5人から2025年には102人に増加した。産業界の割合は13％から37％へとほぼ3倍に増え、最大の証人グループとなった一方、学界の割合は15％に低下した。 |
| 5. U.S. public investment in AI remains modest compared to private-sector spending. |
5. 米国のAIへの公的投資は、民間部門の支出と比較すると依然として控えめである。 |
| Between 2013 and 2024, the United States invested approximately $20.4 billion in AI-related contracts and grants, against $285.9 billion in U.S. private investment in 2025 alone. |
2013年から2024年の間に、米国はAI関連の契約および助成金に約204億ドルを投資したが、2025年単年における米国の民間投資額は2,859億ドルに達した。 |
| 6. European AI public commitments reached approximately $3.7 billion in contracts over 2013–2024. |
6. 欧州のAIに関する公的コミットメントは、2013年から2024年にかけて契約額で約37億ドルに達した。 |
| The United Kingdom accounted for $1.6 billion, followed by Germany with $505 million and France with $320 million. Recent spending is accelerating as well. In 2024 alone, the U.K. committed $454.4 million (28% of its decade total) and Germany committed $206.6 million (40% of its total). |
そのうち英国が16億ドルを占め、次いでドイツが5億500万ドル、フランスが3億2000万ドルとなっている。最近の支出も加速している。2024年だけで、英国は4億5440万ドル（過去10年間の総額の28％）、ドイツは2億660万ドル（同40％）を拠出した。 |
| Support the AI Index in our mission to provide comprehensive, unbiased data on artificial intelligence worldwide. Your support sustains rigorous research, data collection, and analysis that informs policymakers, researchers, journalists, and business leaders—ensuring transparent AI metrics guide humanity toward a better future. |
世界中の人工知能に関する包括的かつ偏りのないデータを提供するというAIインデックスの使命を支援してほしい。皆様の支援は、政策立案者、研究者、ジャーナリスト、ビジネスリーダーに情報を提供する厳格な調査、データ収集、分析を支えるものであり、透明性の高いAI指標が人類をより良い未来へと導くことを保証する。 |
| 9. Public Opinion |
9. 世論 |
| 1. AI optimism is rising, but so is anxiety. |
1. AIに対する楽観論は高まっているが、不安も同様に高まっている。 |
| Globally, the share of respondents who say AI products and services offer more benefits than drawbacks rose from 55% in 2024 to 59% in 2025, even as the share saying these products make them nervous increased to 52%. |
世界的に見て、AI製品やサービスはデメリットよりもメリットが大きいと答えた回答者の割合は、2024年の55％から2025年には59％に上昇した。一方で、これらの製品に不安を感じると答えた割合も52％に増加した。 |
| 2. Southeast Asian countries remain among the world’s most optimistic about AI. |
2. 東南アジア諸国は、依然として世界で最もAIに対して楽観的な国々の一つだ。 |
| In Malaysia, Thailand, Indonesia, and Singapore, more than 80% of respondents say AI will profoundly change their lives in the next 3-5 years, with Malaysia posting the largest increase from 2024. |
マレーシア、タイ、インドネシア、シンガポールでは、回答者の80％以上が、今後3～5年でAIが自分の生活を大きく変えるだろうと答えており、マレーシアは2024年から最も大きな増加を示した。 |
| 3. India saw the sharpest rise in AI nervousness of any country surveyed. |
3. 調査対象国の中で、インドはAIに対する不安が最も急激に高まった。 |
| Between 2024 and 2025, India registered the sharpest rise in concern around AI usage (+14 percentage points) with only a modest increase in excitement (+2). |
2024年から2025年にかけて、インドではAI利用に対する懸念が最も急激に高まった（+14ポイント）一方で、期待感の増加はわずかだった（+2ポイント）。 |
| 4. Workplace AI usage is higher in several emerging economies than in many advanced ones. |
4. 職場でのAI利用率は、多くの先進国よりもいくつかの新興経済国の方が高い。 |
| In 2025, 58% of employees globally reported using AI at work on a semiregular or regular basis, but in India, China, Nigeria, the United Arab Emirates, Egypt, and Saudi Arabia, the share exceeded 80%. |
2025年、世界の従業員の58％が職場でAIを「ほぼ定期的に」または「定期的に」利用していると回答したが、インド、中国、ナイジェリア、アラブ首長国連邦、エジプト、サウジアラビアでは、その割合が80％を超えた。 |
| 5. AI experts and the U.S. public have very different perspectives on AI's future, except on elections and personal relationships. |
5. AI専門家と米国の一般市民は、選挙や個人的な関係を除き、AIの将来について非常に異なる見解を持っている。 |
| On how people do their jobs, 73% of experts expect a positive impact compared to just 23% of the public, a 50-point gap. Similar divides appear for the economy (69% vs. 21%) and medical care (84% vs. 44%). |
仕事の進め方について、専門家の73％がプラスの影響を予想しているのに対し、一般市民はわずか23％にとどまり、50ポイントの差がある。経済（69％対21％）や医療（84％対44％）についても同様の隔たりが見られる。 |
| 6. Nearly two-thirds of Americans (64%) expect AI to lead to fewer jobs over the next 20 years, while only 5% expect more. |
6. アメリカ人の3分の2近く（64%）が、今後20年間でAIによって雇用が減ると予想している一方、増えると予想しているのはわずか5%だ。 |
| Experts were less pessimistic (39% fewer, 19% more) but forecast far faster adoption, expecting generative AI to assist 18% of U.S. work hours by 2030 versus the public's estimate of 10%. |
専門家はそれほど悲観的ではなかった（減少と予想したのは39%、増加と予想したのは19%）が、導入のスピードについてははるかに速いと予測しており、2030年までに生成的AIが米国の労働時間の18%を支援すると見込んでいるのに対し、一般市民の推定は10%にとどまっている。 |
| 7. AI companionship is still niche, and global views vary widely. |
7. AIコンパニオンはまだニッチな存在であり、世界的な見解には大きなばらつきがある。 |
| More than half of respondents worldwide (52%) reported some excitement about using AI for companionship, compared with just 42% in the United States. Experts forecast that 10% of U.S. adults will use an AI companion daily by 2027, rising to 30% by 2040. |
世界中の回答者の半数以上（52%）が、AIをコンパニオンとして利用することに何らかの期待を抱いていると回答したが、米国ではわずか42%にとどまった。専門家は、2027年までに米国の成人の10%が毎日AIコンパニオンを利用するようになり、2040年までに30%に増加すると予測している。 |
| 8. The United States reported the lowest trust in its own government to regulate AI responsibly of any country surveyed, at 31%. |
8. 米国は、調査対象国の中で自国政府がAIを責任を持って規制できるとの信頼度が最も低く、31%だった。 |
| The global average was 54%, with Southeast Asian countries leading (Singapore 81%, Indonesia 76%). |
世界平均は54%で、東南アジア諸国がトップだった（シンガポール81%、インドネシア76%）。 |
| 9. Across all 50 U.S. states, concern about too little AI regulation outweighs concern about too much. |
9. 米国の全50州において、AI規制が不十分であるという懸念が、過剰であるという懸念を上回っている。 |
| Nationally, 41% of respondents said federal AI regulation will not go far enough, compared with 27% who said it will go too far, though more than one-third were unsure. |
全国的に、回答者の41％が連邦政府のAI規制は不十分だと答え、過剰だと答えたのは27％であった。ただし、3分の1以上が不明確と答えている。 |
| 10. Globally, the EU is trusted more than the United States or China to regulate AI effectively. |
10. 世界的に見て、AIを効果的に規制する能力については、米国や中国よりもEUの方が信頼されている。 |
| Across 25 countries in Pew's 2025 survey, a median of 53% said they trust the EU, compared to 37% for the United States and 27% for China. |
ピュー研究所の2025年調査対象25カ国において、EUを信頼すると答えた人の割合の中央値は53％であったのに対し、米国は37％、中国は27％であった。 |
| Support the AI Index in our mission to provide comprehensive, unbiased data on artificial intelligence worldwide. Your support sustains rigorous research, data collection, and analysis that informs policymakers, researchers, journalists, and business leaders—ensuring transparent AI metrics guide humanity toward a better future. |
世界中の人工知能に関する包括的かつ偏りのないデータを提供するというAIインデックスの使命を支援してほしい。皆様の支援は、政策立案者、研究者、ジャーナリスト、ビジネスリーダーに情報を提供する厳格な調査、データ収集、分析を支えるものであり、透明性の高いAI指標が人類をより良い未来へと導くことを保証する。 |
Recent Comments