AIトレンド早見表
Epoch AI のデータインサイトと「AIのトレンド」から、AIの進歩を示す成長率・倍増期間などの数値を分野別に一覧にしたページです。
「年◯倍」は1年あたりの増加倍率、「倍増期間」は値が2倍になるまでの期間を表します。各項目の数値は、それぞれの原文が公開された時点のものです。「AIのトレンド」の指標は各分野の先頭に置いています。
全104項目。数値は各原文の公開時点のものです。
モデルの能力
ベンチマーク、Epoch能力指数（ECI）、コンテキスト長、オープンモデルとの差など
-
モデルの能力
年14 ECIポイント
ECIのフロンティアは、推論モデルの登場以降、年14ポイントのペースで前進している。
グラフを見る
-
SOTAモデルと一般消費者向けハードウェアのモデル
8か月
最先端のAI性能は、1年以内に一般消費者向けハードウェアでも利用できるようになる。
グラフを見る
-
LLMのコンテキストウィンドウ
年30倍
倍増期間：2.4か月 年1.5桁（OOM）
LLMのコンテキストウィンドウは、2023年以降、年30倍のペースで拡大している。
グラフを見る
-
学習計算量10倍あたりのGPQA Diamond正答率の上昇
約12ポイント
GPQA Diamondでは、学習計算量が10²⁴ FLOPを超えると、計算量が10倍になるごとに正答率が約12ポイント上がる。それ未満のモデルの多くはランダムな回答の水準を超えられない。
グラフを見る
-
事前学習計算量10倍あたりのMATH Level 5正答率の上昇
約17ポイント
MATH Level 5では、事前学習の計算量が10倍になるごとに正答率が約17ポイント上がる。ただし傾向はGPQA Diamondよりはるかにばらつきが大きい。
グラフを見る
-
家庭用GPU1基で動くモデルのフロンティアからの遅れ
6〜12か月の遅れ
あらゆる規模のオープンウェイトモデルでは5〜22か月
RTX 5090のような最上位のゲーム用GPU1基があれば、わずか6〜12か月前のLLMの最先端に並ぶモデルを誰でもローカルで動かせる。オープンウェイトモデル全体の遅れの推定（5〜22か月）とも整合する。
グラフを見る
-
最長のコンテキストウィンドウ
年約30倍
LLMのコンテキストウィンドウの最長値は、2023年半ば以降年約30倍で伸びている。ただし多くの長文タスクはベンチマークより難しく、最長のウィンドウにも収まらない内容がある。
-
上位モデルが正答率80%に達する入力長
9か月で250倍超
長い入力を有効に使う能力はウィンドウの拡大よりも速く向上している。2つの長文コンテキストのベンチマークで、上位モデルが正答率80%に達する入力長は過去9か月で250倍超に伸びた。
-
Epoch能力指数（ECI）のフロンティア
年14ポイント
非推論モデルは年6ポイント
2024年9月に最初の推論モデルが登場して以降、Epoch能力指数（ECI）のフロンティアは年14ポイントのペースで直線的に上昇している。非推論モデルは年6ポイントである。
グラフを見る
-
ECI首位の保持期間（中央値）
約7週間
GPT-4はおよそ1年
2024年2月にClaude 3 OpusがGPT-4を抜いて以降、2026年6月までに17のモデルがECIの首位に立ち、首位の保持期間の中央値は約7週間である。GPT-4はおよそ1年首位を保った。
グラフを見る
-
ベンチマークが飽和するまでの期間
1〜3年
個々のベンチマークは1〜3年で飽和しがちであり、能力のトレンドを長期で追うにはEpoch能力指数（ECI）のように複数のベンチマークをつなぎ合わせる必要がある。
-
重みがダウンロード可能な大規模モデル
ほぼ半数（84モデル）
学習計算量が判明している大規模モデルのうち84モデルは重みがダウンロード可能である。多くは学習計算量10²³〜10²⁴ FLOPで、最大の独自モデルより小さい。
グラフを見る
-
オープンウェイトモデルのクローズドモデルへの遅れ（ECI）
平均4か月
ECI差 平均8ポイント
2026年1月以降、最も高性能なオープンウェイトモデルは、ECIでフロンティアのクローズドモデルに平均4か月遅れている。2025年10月時点の分析（平均3か月）よりやや広がった。
グラフを見る
-
最良のオープンLLMのクローズドLLMへの遅れ（ベンチマーク別）
6〜20か月
GPQA Diamondで6か月、MMLUで20か月
最良のオープンLLMは最良のクローズドLLMに、GPQA Diamondで6か月、MMLUで20か月遅れていた。ただし2025年1月のDeepSeek-R1の公開で差は大きく縮まった。
-
オープンウェイトモデルの最高水準への遅れ（ECI）
平均約3か月
ECI差 約7ポイント
最先端のオープンウェイトモデルは、ECIで最も高性能なモデルに平均3か月遅れている。ECI差にして約7ポイントで、差は時期により大きく変動し、一時的に解消したこともある。
グラフを見る
-
推論モデルの回答の長さ
年5倍
非推論モデルは年2.2倍 推論モデルは平均約8倍のトークン
ベンチマークの問題に対するLLMの回答は長くなっており、推論モデルは年5倍、非推論モデルは年2.2倍で伸びている。推論モデルの回答は現在平均約8倍のトークンを使う。
グラフを見る
学習の規模
学習計算量、学習データ、学習コスト、学習期間、消費電力
-
学習計算量
年5倍
倍増期間：5.2か月 年0.7桁（OOM）
フロンティア言語モデルの学習計算量は、2020年以降、年5倍のペースで増加している。
-
ソフトウェアの進歩
年3.0倍
倍増期間：7.6か月 年0.5桁（OOM）
事前学習の計算効率は年約3.0倍のペースで向上している（同じ性能に必要な計算量が年約3分の1になる）。
-
学習コスト
年3.5倍
倍増期間：7か月 年0.5桁（OOM）
フロンティア言語モデルの学習コストは、2020年以降、年3.5倍のペースで増加している。
-
最先端AIスーパーコンピュータのハードウェア取得コスト
年1.9倍
倍増期間 13か月
最先端のAIスーパーコンピュータの計算ハードウェアのコストは、2019年以降年1.9倍で増えている。2025年6月時点で最も高価なのはxAIのColossusで、ハードウェアは70億ドル超と推定される。
グラフを見る
-
最先端AIスーパーコンピュータの計算性能
年2.5倍
倍増期間 9か月 クラスタあたりチップ数 年1.6倍 チップあたり性能 年1.6倍
最先端のAIスーパーコンピュータの計算性能は2019年以降年2.5倍で伸びている。クラスタあたりのチップ数とチップあたりの性能が、いずれも年1.6倍で向上したことによる。
グラフを見る
-
生物学AIモデルの学習計算量
年2〜4倍
2018〜2021年は1,000〜10,000倍に増加
生物学データで学習した上位AIモデルの学習計算量は、2019〜2021年に急増した後、年2〜4倍のより持続的なペースで伸びている。2021年以降の増加は10〜100倍にとどまる。
グラフを見る
-
ロボットマニピュレーションモデルの学習計算量（フロンティア比）
約1%
最大級のロボットマニピュレーションモデルの学習計算量は、ほかの分野のフロンティアモデルの約1%にとどまる。計算資源の不足ではなく、データやハードウェアの制約が要因とみられる。
グラフを見る
-
主要AIモデルの学習計算量
年4.4倍
倍増期間 約6か月
AIモデルの作成に使われる学習計算量は、2010年以降年4.4倍で伸びており、およそ6か月ごとに倍増している。伸びの大半は支出の増加によるもので、ハードウェアの改良も寄与している。
グラフを見る
-
大規模モデルの学習コスト
年2.4倍
倍増期間 8か月
大規模な機械学習モデルの学習への支出は年2.4倍で伸びており、最先端のモデルでは数億ドルに達する。支出の約半分がGPUで、残りはほかのハードウェアとエネルギーである。
グラフを見る
-
言語モデルの学習データセットのサイズ
年3.7倍
倍増期間 約6か月
言語モデルの学習データセットは年3.7倍で大きくなっており、最大級のモデルは数十兆語のデータセットを使う。最大の公開データセットはその約10倍の規模がある。
グラフを見る
-
最大のデータセンターで1か月に可能なGPT-4規模の学習回数
月23回
2027年末のFairwater（ウィスコンシン州）は月225回超の見込み
MicrosoftのFairwater Atlantaデータセンターは、GPT-4規模の学習を毎月23回実行できる。2027年末までに、ウィスコンシン州のFairwaterでは月225回超が可能になると見込まれる。
グラフを見る
-
Grok 4の学習計算コスト
約5億ドル
推定4億9,000万ドル 学習の電力 310 GWh
Grok 4の学習計算には約5億ドルを要し、米国の人口4,000人の町をまかなえるほどの電力を使ったと推定される。人件費や実験・提供の計算コストは含まない。
グラフを見る
-
学習計算量10²³ FLOP超のモデル数
205モデル（2024年まで）
2020年まで3モデル 2022年まで36モデル
学習計算量が10²³ FLOPを超えるモデルは2017年にはゼロだったが、2024年までにデータベース上で205モデルに増え、ほかに未確認ながら超える可能性が高いものが126モデルある。
-
フロンティアLLMの学習期間
年1.4倍
フロンティアLLMの学習期間は2020年以降年約1.4倍で延びている。学習期間は2018年以降の規模拡大の約3分の1を担ってきた。
グラフを見る
-
学習期間が非効率な長さ（9か月超）に達する時期
2027年ごろ
長すぎる学習は、後から始めてハードウェアとアルゴリズムの改善を取り込んだ学習に負けるため、9か月超の学習は非効率となりうる。現在のペースでは2027年ごろにこの長さに達する。
グラフを見る
-
学習計算量10²⁵ FLOP超のモデル数
30超
2024年は月平均約2モデル
GPT-4規模にあたる10²⁵ FLOP超で学習されたと見られる公表済みAIモデルは、12の開発者による30超にのぼる。2024年には月平均約2モデルのペースで公表された。
-
最先端のオープンウェイトモデルの学習計算量
年4.7倍
最先端のオープンウェイトモデルの学習計算量は年約4.7倍で拡大してきた。過去の趨勢を外挿すると、最大のオープンモデルは2025年11月に10²⁶ FLOPを超える。
グラフを見る
-
オープンモデルが学習計算量10²⁶ FLOPを超える時期
2025年11月（予測）
過去の趨勢の外挿では、最大のオープンモデルの学習計算量は2025年11月に10²⁶ FLOPを超える。バイデン政権の拡散枠組みはこの水準をクローズドモデル規制の基準としていた。
グラフを見る
-
フロンティアモデルの学習に必要な電力
毎年倍増
学習計算量は年約4倍
フロンティアモデルの学習に必要な電力は毎年倍増している。学習計算量は年約4倍とさらに速く伸びているが、ハードウェアの効率化や低精度化、学習期間の長期化が電力の伸びを抑えている。
グラフを見る
-
学習に使われるプロセッサ数
20倍超
800 GPU（2016年）→16,384 H100（2024年）
2016年にGPU 800基で学習されたGoogleのNASv3から、2024年にH100を16,384基使ったMetaのLlama 3.1 405Bまで、学習に使われるプロセッサ数は20倍超に増えた。
グラフを見る
-
注目すべきモデルの学習期間
年1.2倍
基盤モデルからのファインチューニングを除く注目すべきモデルの学習期間は、2010年以降年1.2倍で延びている。延長はチップや電力を増やさずに学習計算量を増やせる。
グラフを見る
-
新しい数値フォーマットが学習で普及するまでの期間
3〜4年
FP8の標準化は2028年ごろ（見通し）
FP16やBF16は3年目ごろに採用率50%に達し、5年以内に標準となった。普及のパターンが続けば、FP8は2028年ごろに標準となる可能性がある。
グラフを見る
-
オープンウェイトLLMの有効パラメータあたり学習トークン数
年3.1倍
2022年 約10→2025年 約300 Chinchilla最適比の20倍
オープンウェイトLLMの学習データ量と有効パラメータ数の比は2022年以降年3.1倍で伸びている。最近のモデルはChinchillaの最適比の20倍のデータで学習されている。
グラフを見る
計算資源とAIチップ
チップの生産・保有量、価格性能、エネルギー効率、メモリ帯域
-
1ドルあたりのチップ性能
年1.49倍
倍増期間：1.7年 年0.17桁（OOM）
AIチップの1ドルあたり性能は、2023年以降、年49%向上している。
グラフを見る
-
メモリ帯域幅
年1.28倍
倍増期間：2.8年 年0.11桁（OOM）
GPUのメモリ帯域幅は、2008年以降、年28%のペースで増加している。
-
数値フォーマットの普及
3〜4年
過去のサイクルでは、新しい数値フォーマットが広く普及するまでに3〜4年かかった。
グラフを見る
-
1ワットあたりのFLOP/s
年1.34倍
倍増期間：2.4年 年0.13桁（OOM）
GPUのエネルギー効率は、2008年以降、年34%向上している。
グラフを見る
-
世界のAIチップの計算能力の総量
年3.3倍
倍増期間 7か月
主要な設計企業のAIチップ全体で利用できる計算能力（H100換算）は、2022年以降およそ年3.3倍で増えている。これは約7か月ごとに倍増するペースにあたる。
グラフを見る
-
AIチップが消費したCoWoS・HBM供給の割合
約90%
先端ロジックダイの生産では12%
最大手のAIチップ設計企業4社は、2025年に世界のCoWoSパッケージング能力とHBM供給の約90%を消費した。一方、先端ロジックダイの生産に占める割合は12%にとどまった。
グラフを見る
-
購入されたAIチップの1ドルあたり性能
年49%向上
倍増期間 1.7年
各四半期に購入されたAIチップの1ドルあたり性能は、2023年以降平均で年49%向上しており、1.7年で倍増するペースである。伸びは新世代チップへの支出の移行に合わせて段階的に生じている。
グラフを見る
-
世界の累計AI計算資源に占めるGoogleのシェア
約4分の1
GoogleはAI計算資源の単独で最大の保有者で、2025年第4四半期時点で世界の累計容量の約4分の1を持つと推定される。その大半はNVIDIAのGPUではなく独自のTPUによる。
グラフを見る
-
最先端AIチップ設計がフロンティア学習に使われる期間
約4年（中央値3.9年）
V100より古いチップを含めると2.7年
最先端のAIチップは、発売からそれを使って学習した最後のフロンティアモデルの公開までが中央値で3.9年であり、約4年間フロンティア学習に使われている。
グラフを見る
-
非テンソルFP32からテンソルINT8への切り替えによる性能向上
約13倍
TF32 約6倍 テンソルFP16 約11倍
AI向けに最適化した数値フォーマットとテンソルコアを使うと、非テンソルFP32と比べて性能が平均で大きく向上し、テンソルINT8では約13倍になる。
グラフを見る
-
出荷されたAIチップのメモリ帯域幅の総計
年4.1倍
2025年第4四半期に毎秒約7,000万テラバイト
2022年以降に出荷されたAIチップの広帯域メモリ（HBM）の帯域幅の累計は年4.1倍で伸び、2025年第4四半期時点で毎秒約7,000万テラバイトに達している。
グラフを見る
-
最先端GPU・TPUのエネルギー効率
2年で倍増
年40%向上
最先端のGPUとTPUのエネルギー効率は歴史的に2年ごとに倍増してきた。テンソルFP16で最も効率が高いのはMetaのMTIAとNVIDIA H100である。
グラフを見る
-
NVIDIAチップによる計算資源のストック
年2.3倍
10か月で倍増 約400万H100換算
NVIDIAチップで利用できる計算資源の総量は2019年以降年約2.3倍で伸びている。現在はHopper世代が全体の77%を占める。TPUなどは含まない。
グラフを見る
-
機械学習ハードウェアの計算性能（16ビット浮動小数点）
年36%向上
2.3年で倍増
16ビット浮動小数点演算で測った機械学習ハードウェアの性能は年36%で向上し、2.3年ごとに倍増している。32ビットでも同様の傾向がある。
グラフを見る
-
機械学習ハードウェアのドルあたり性能
年約30%向上
同じ数値精度・同じ性能水準のハードウェアは毎年30%安くなっている。その一方で、メーカーはより高性能で高価なハードウェアを投入し続けている。
グラフを見る
推論実行の価格
同じ性能を得るための推論実行コストの推移
-
誤答率を半減させる際の実行時間の増加
約2〜6倍
GPQA Diamond 6.0倍 MATH Level 5 1.7倍 OTIS Mock AIME 2.8倍
主要LLMの正答率と速度のトレードオフの境界では、誤答率を半分にするとモデルの実行時間はおおむね2〜6倍に延びる。倍率は課題によって異なる。
グラフを見る
-
一定の性能を得るためのLLM推論実行価格
年9〜900倍で下落
GPT-4相当（博士レベルの科学問題）は年40倍
同じ性能水準に達するLLMの推論実行価格は急速に下落しており、下落の速さは性能の目標によって年9倍から900倍まで大きく異なる。最速の下落は直近1年のもので、持続するかは不透明である。
グラフを見る
データセンターと電力
最大規模の施設、建設期間、電力、コスト
-
最大のAIデータセンター
110万 H100e
既知で最大のAIデータセンターは、NVIDIA H100チップ110万個分に相当する計算能力を持つ。
-
建設期間
2.1年
ギガワット級のデータセンターは、約2年で建設できる。
グラフを見る
-
1ギガワットあたりのコスト
380億ドル
IT電力1ギガワットの典型的なAIデータセンターには、初期設備投資（CapEx）として約380億ドルかかる。
-
世界のAIデータセンターの電力容量
約30GW
AIデータセンターの電力容量の合計は2025年第4四半期に約30GWに達した。ニューヨーク州のピーク電力使用量に匹敵し、多くの先進国の電力使用量を上回る。
グラフを見る
-
最先端AIスーパーコンピュータの電力需要
13か月で倍増
Summit（2019年1月）13MW → Colossus 280MW
最先端のAIスーパーコンピュータの電力需要は13か月ごとに倍増している。2019年1月に最大だったSummitは13MWだったが、現在のxAIのColossusは280MWと20倍超を使う。
グラフを見る
-
着工から施設電力1GWに達するまでの期間
1〜3.6年
xAIはColossus 2を12か月で建設する見込み
過去3年に着工したデータセンターのうち、着工から施設全体の電力1GWに達するまでの期間は1〜3.6年である。多くのハイパースケーラーが2年以内の建設を計画している。
グラフを見る
-
Microsoft Fairwater（ウィスコンシン州）の電力消費
3.3GW（2027年後半の見通し）
ロサンゼルス市の平均は約2.4GW（2023年）
ウィスコンシン州にあるMicrosoftのFairwaterデータセンターは、4棟目が稼働する2027年後半に3.3GWの電力を消費する見通しである。ロサンゼルス市の2023年の平均電力使用量約2.4GWを上回る。
グラフを見る
-
単一データセンターのIT電力容量の最高記録
10か月で倍増
現在の記録はColossus 2の推定950MW
IT電力容量で最大のAIデータセンターの記録は、2024年半ば以降10か月ごとに倍増している。現在の記録保持者はxAIのColossus 2で、推定950MWである。
グラフを見る
-
単一データセンターの計算能力の記録
7か月で倍増
計算能力で見た最大のAIデータセンターの記録は、2024年8月のColossus 1の稼働以降7か月ごとに倍増している。2027年後半まではColossus 2を大きく超える施設は出ない見通しである。
グラフを見る
企業・投資・売上
AI企業の売上、設備投資、資金調達、支出の内訳
-
計算資源の保有量の伸び
年3.4倍
倍増期間：6.8か月 年0.53桁（OOM）
AIチップの保有総量が持つ計算能力の合計は、年3.4倍のペースで増えている。
グラフを見る
-
OpenAIの売上成長
年3.2倍
倍増期間：7.2か月 年0.51桁（OOM）
OpenAIの年換算売上高は、2024年以降、年3.2倍のペースで伸びている。
グラフを見る
-
フロンティアの推論実行向け計算資源
30%
2024年にOpenAIが計算資源に費やした支出のうち、推論実行（インファレンス）に使われたのはわずか30%だった。
グラフを見る
-
フロンティアAIへの投資
3,700億ドル
フロンティアAIラボは3,700億ドル超を調達している。
-
主要AI企業の合計売上高
9倍超（2023〜2024年）
2024年下半期は年換算で年3倍超
OpenAI・Anthropic・Google DeepMindの合計売上高は2023〜2024年に9倍超に伸びた。3社とも2024年下半期に売上高を90%超伸ばしており、年換算で年3倍超のペースにあたる。
グラフを見る
-
Anthropicの年換算売上高
年10倍
2025年7月以降は年7倍
Anthropicの年換算売上高は、10億ドルに達して以降年10倍で伸びており、OpenAIの年3.4倍を上回る。この傾向が続けば2026年半ばにOpenAIを上回るが、伸びは鈍化している可能性がある。
グラフを見る
-
OpenAIの年換算売上高
年3.4倍
OpenAI自身の2026年の見通しは2.2倍
OpenAIの年換算売上高は、10億ドルに達して以降年3.4倍で伸びている。The Informationの報道によれば、OpenAIは2026年の伸びを2.2倍と見込んでいる。
グラフを見る
-
AI企業の支出に占める計算資源の割合
54〜62%
人件費は25%未満 支出は売上高の2〜3倍
推定が可能なAI企業3社（Anthropic、Minimax、Z.ai）では、研究開発用と推論実行用の計算資源が支出の54〜62%を占める。人件費は全体の25%未満で、支出は売上高の2〜3倍にのぼる。
グラフを見る
-
ハイパースケーラー5社の設備投資（CapEx）
年72%増
GPT-4の公開以降4倍 趨勢が続けば2026年に7,700億ドル
Alphabet、Amazon、Meta、Microsoft、Oracleの設備投資の合計は、AIインフラへの投資に牽引されて年平均72%で伸びている。趨勢が続けば2026年に7,700億ドルに達する。
グラフを見る
-
ハイパースケーラーの現金設備投資が営業キャッシュフローを上回る時期
2026年第3四半期ごろ
ハイパースケーラー5社の現金設備投資は営業キャッシュフローより速く伸びており、合計では2026年第3四半期ごろに営業キャッシュフローを上回る見通しである。
グラフを見る
-
Microsoftの有形資産の取得額
680億ドル（半年間）
増加分の57%がIT機器、39%が建物
Microsoftは2025年下半期に、除却資産の更新分を除いて680億ドルの有形資産を取得した。前年1年分に近い額で、増加分の57%をGPUやサーバーなどのIT機器が占める。
グラフを見る
-
OpenAIの2024年の計算資源支出
研究開発に約50億ドル
推論実行に約20億ドル
OpenAIは2024年、研究開発の計算資源に約50億ドル、推論実行に約20億ドルを使ったと報じられている。研究開発分の大半は、公開モデルの最終学習ではなく研究や実験に充てられた可能性が高い。
グラフを見る
-
OpenAIの年換算売上高
年3.2倍
2023年末 20億ドル→2025年8月 130億ドル
OpenAIの年換算売上高は2023年末の20億ドルから2025年8月には130億ドルに増えた。企業史上でも屈指の成長率で、年末までに200億ドルを超えるペースである。
グラフを見る
-
従業員1人あたり売上高
Anthropic 約900万ドル
OpenAI 約550万ドル
AnthropicとOpenAIの従業員1人あたり売上高はそれぞれ推定900万ドルと550万ドルで、上場すればForbes Global 2000のどの上場テック企業よりも高い。
グラフを見る
-
AI開発予算
年2〜3倍
AI開発予算は年約2〜3倍で拡大しており、巨大な学習・推論実行クラスタとモデルの大規模化を可能にしている。学習計算量の伸びの最大の要因はクラスタのハードウェア数の増加である。
利用と社会への影響
AIの利用率、サイバーセキュリティ、研究での利用など
-
過去1週間にClaudeを使った米国成人の割合
4.3%
2026年3月上旬は3.0% ChatGPTは30%
過去1週間にClaudeを使った米国成人の割合は、2026年3月上旬の3.0%から4月上旬の4.3%に上昇した。短期間で明確な上昇傾向を示した唯一のAIサービスだが、ChatGPTの30%には遠く及ばない。
グラフを見る
-
Codex開発者の貢献日のうち24時間超相当の作業の割合
8%
2025年第2四半期は2%
OpenAIのCodexリポジトリの主要貢献者41人について、AIの支援なしで24時間超かかると推定される作業を含む貢献日の割合は、2025年第2四半期の2%から2026年第2四半期には8%に増えた。
グラフを見る
-
深刻度が高・緊急のCVEの月間公表件数
約2,500件（2026年7月）
Claude Mythos Preview発表前の月間記録の約5倍 6月の記録を60%上回る
主要な組織が2026年7月に公表した深刻度「高」「緊急」のCVEは約2,500件で、Claude Mythos Preview発表前の月間記録の約5倍、過去最多だった6月を60%上回った。
グラフを見る
-
職場のAI利用を主に無料プランで行う働き手の割合
45〜61%
コンピューター・工学・科学職では67%が雇用主提供のサブスクリプションを利用
米国で最近仕事にAIを使った働き手の多くは、雇用主提供のサブスクリプションを使っていない。大半の職種グループで無料プランが最も一般的（45〜61%）だが、科学・技術職は例外である。
グラフを見る
-
AIの使用を明記した数学プレプリントの割合
25%
2026年4月は4%
arXivの数学プレプリントのうちAIの使用を明記したものは、2026年4月の4%から8月には25%に急増した。新たな著者の流入ではなく、既存の研究者の間でも同じ傾向である。
グラフを見る
-
AIが実質的な研究貢献をしたと明記した数学プレプリントの割合
6%
2026年8月には、arXivの全数学プレプリントの6%が、AIが共著者に近い水準の実質的な研究貢献をしたと明記している。既存の研究者の論文でもほぼ同じ割合である。
-
ほぼ毎日AIを使う米国成人の割合
19%
2026年3月は8%
前週に6日以上AIを使った米国成人の割合は、2026年3月の8%から8月には19%へと半年で2倍以上になった。週1日だけの利用者は17%から10%に減った。
グラフを見る
-
年収10万ドル以上の世帯に住む利用者の割合（Claude）
80%
Meta AIは37% 米国成人全体は約50% 他の主要サービスは56〜64%
前週にClaudeを使った米国成人の80%は年収10万ドル以上の世帯に住む一方、Meta AIの利用者では37%にとどまる。米国成人全体では約50%である。
グラフを見る
地政学
米中の比較、輸出規制、チップの流通
-
中国の上位言語モデルの学習計算量
年約3倍
中国以外は年5倍（2018年以降）
学習計算量で上位10位の中国の言語モデルは、2021年後半以降年約3倍で規模を拡大している。2018年以降に中国以外で続いている年5倍のペースより遅い。
グラフを見る
-
中国の言語モデルの学習計算量の遅れ
約2年
最大モデル同士では8か月
中国の現在の拡大ペースでは、世界の上位モデルの現在の学習計算量に達するまで約2年かかる。最大のモデル同士の比較では、Doubao-proからGrok-2の水準まで8か月である。
グラフを見る
-
大規模モデルの開発国
米国が半数超
中国が約4分の1 EU 45モデル、英国 42モデル
既知の大規模モデルの半数超は米国で開発されている。中国は約4分の1で近年その割合を伸ばしており、EUが45モデル、英国が42モデルで続く。
グラフを見る
-
マレーシア経由で中国へ流れた可能性のあるチップ
30億ドル超
約15万H100換算（H100e）
中国はマレーシアから38億ドルのサーバーを輸入したと記録したが、マレーシア側の対中輸出記録は6億ドルにとどまる。この差はマレーシア経由の密輸と整合する。
グラフを見る
-
中国モデルの米国フロンティアへの遅れ（ECI）
平均7か月
最小4か月、最大14か月
2023年以降、ECIで見たフロンティアのモデルはすべて米国製であり、中国のモデルは米国に平均7か月遅れている。中国の主要モデルはほぼオープンウェイトである。
グラフを見る
-
米国外の最良モデルと米国の最良モデルの差
2ポイント（MATH Level 5）
GPQA Diamondで4ポイント
米国の最良モデルは一貫して米国外の最良モデルを上回ってきたが、2025年1月のDeepSeek-R1で差は大きく縮まり、MATH Level 5で2ポイント、GPQA Diamondで4ポイントとなった。
グラフを見る