AI Index 2026: что данные Stanford говорят о мировой гонке нейросетей
США и Китай лидируют по разным показателям. Один рейтинг не описывает всю отрасль — и не выбирает лучшую нейросеть для вашей задачи.

Текстовая версия инфографики
- США
- 59
- Китай
- 35
Что произошло
В главе об исследованиях AI Index 2026 Stanford сообщает: в 2025 году США произвели 59 заметных моделей ИИ, Китай — 35. При этом Китай лидирует по объёму публикаций, цитирований и выданных патентов, а более 90% заметных моделей за тот же год создала индустрия. Здесь важно не перепутать год отчёта с периодом данных. Категория notable models — выборка исследователей, а не число всех существующих нейросетей или сервисов.
Первоисточник: Stanford HAI · AI Index 2026, Research and Development ↗
Почему нельзя выбрать победителя по одной диаграмме
Количество моделей показывает активность разработки, но не отвечает на вопрос, какая лучше пишет по‑русски или создаёт нужные вам изображения. Число публикаций характеризует другой слой отрасли. А производственная инфраструктура — третий. Если смешать эти показатели, получится эффектный, но неточный вывод «эта страна победила в ИИ». Корректнее назвать конкретную метрику, период и источник.
Как читать исследование без подготовки аналитика
Начните с подписи к графику. Что измеряется: модели, пользователи, деньги или ответы? За какой период? Как собрана выборка? Затем посмотрите, не сравниваются ли разные основания. Например, доля успешных ответов в тесте и доля довольных пользователей — не одно и то же. Такой порядок чтения занимает немного времени, но защищает от выводов по крупной цифре, вынесенной в заголовок.
Практический пример · Академия текста
Что можно попробовать
Возьмите любую диаграмму об ИИ и перепишите её вывод одним предложением, сохранив показатель и год. Например: «В выборке Stanford за 2025 год США создали 59 заметных моделей». Затем отдельно запишите, чего этот график не доказывает. Это полезная тренировка для презентаций и новостных текстов.
Что учитывать
Статистика зависит от определения показателей и доступных исследователям данных. Не переносите выводы об отрасли на конкретный сервис без собственного теста. Мы не делаем из числа моделей прогноз качества или доходности компаний.


