剛剛，斯坦福全球AI報告正式發(fā)布。

從去年開始，斯坦福大學主導、來自MIT、OpenAI、哈佛、麥肯錫等機構(gòu)的多位專家教授，組建了一個小組，每年發(fā)布AIindex年度報告，全面追蹤人工智能的發(fā)展現(xiàn)狀和趨勢。

“我們用硬數(shù)據(jù)說話?！眻蟾娴呢撠熑?、斯坦福大學教授、前任谷歌首席科學家YoavShoham談到這份最新的報告時表示。

今年的報告，從學術(shù)、工業(yè)、開源、政府等方面詳細介紹了人工智能發(fā)展的現(xiàn)狀，并且記錄了計算機視覺、自然語言理解等領(lǐng)域的技術(shù)進展。

報告要點：

一、美國AI綜合實力最強

美國的AI論文發(fā)布數(shù)量雖然不是第一，但美國學者論文被引用的次數(shù)卻是全球第一，比全球平均水平高出83%。

2018年美國AI創(chuàng)業(yè)公司的數(shù)量，比2015年增長2.1倍。而從2013年到2017年，美國AI初創(chuàng)企業(yè)獲得的融資額增長了4.5倍。均高于平均水平一倍以上。

二、中國AI追趕速度驚人

清華2017年學AI和機器學習的學生數(shù)量，是2010年16倍。

70%的AAAI論文來自美國或中國，兩國獲接收的論文數(shù)量相近，但中國提交的論文總量比美國多30%。

基于經(jīng)同行評議論文數(shù)據(jù)庫Scopus的數(shù)據(jù)，2018年發(fā)布AI論文最多的地區(qū)是歐洲（28%）、中國（25%）和美國（17%）。

與2000相比，2016年中國AI學者論文被引用的次數(shù)，提高了44%。

中國一年的機器人部署安裝量，從2012到現(xiàn)在增長了500%。ROS.org來自中國的訪問量，2017年比2012年增加了18倍。

三、全球AI發(fā)展提速但仍不均衡

2017年，全球ML人才需求已經(jīng)是2015年的35倍。

整體來說，自2016年以來，美國、加拿大、英國政府在國會/議會會議中對人工智能和機器學習的提及激增。

80%的AI教授是男性，統(tǒng)計數(shù)據(jù)來自UC伯克利、斯坦福、UIUC、CMU、UCLondon、牛津和蘇黎世聯(lián)邦理工學院。

美國AI工作崗位的應聘者中71%為男性。

看過這份報告之后，人工智能大牛吳恩達總結(jié)了兩點：1、AI正在快速發(fā)展，不管是學術(shù)界還是工業(yè)界都是如此。2、AI的發(fā)展仍不均衡，在多樣性、包容性方面仍需努力。

以下是這份報告的主要內(nèi)容：

AI論文情況分析

發(fā)表總量增長迅猛

從1996年到2017年，CS領(lǐng)域的年發(fā)表論文增長了約五倍(6x)，AI領(lǐng)域的年發(fā)表論文增長了約七倍(8x)。對比一下，所有學科的年發(fā)表論文總量增長了不到兩倍(

劃重點，AI論文的年發(fā)表量，比CS論文增長要快。

各地區(qū)AI論文發(fā)表情況

2017年，Scopus上面的AI論文，有83%來自美國以外的地方。具體數(shù)據(jù)是，28%來自歐洲，25%來自中國，17%來自美國。

從2007年到2017年，中國的年發(fā)表AI論文數(shù)增長了150%。

細分領(lǐng)域論文發(fā)表情況

2017年發(fā)表的AI論文中，有56%來自機器學習與概率推理這一研究方向。

對比一下，2010年發(fā)表的AI論文，只有28%來自這個方向。

另外，圖表里顯示的大部分研究方向，在2014-2017年間，復合年均增長率(CAGR)比2010-2014年要高。

比如，神經(jīng)網(wǎng)絡(luò)這一方向的論文發(fā)表數(shù)量，2014-2017年之間，復合年均增長率達到37%(如圖中紅色曲線)，最為突出。

做個對比，在2010-2014年之間，神經(jīng)網(wǎng)絡(luò)論文發(fā)表數(shù)，復合年均增長率僅有3%。

arXiv論文

自2010年以來，arXiv論文總體呈現(xiàn)迅速增長，從2010年發(fā)布的1,073篇，到2017年發(fā)布的13,325篇，增長超過11倍(12x)。許多細分領(lǐng)域也呈現(xiàn)增長。

這表示，論文作者們傾向于把自己的研究成果傳播出去，不論是經(jīng)過同行評審還是在AI會議上發(fā)表的論文。這也體現(xiàn)了，AI這個領(lǐng)域競爭激烈的特質(zhì)。

在細分領(lǐng)域中，計算機視覺(CV)是自2014年起增長最快的一個(上圖藍色曲線)，從1,099篇增長到2017年的4,895篇，漲幅近400%。

AI論文引用量

FWCI是領(lǐng)域權(quán)重引用影響系數(shù)，可以用來衡量論文的影響力。

報告重新定義了一種“改裝版”(Re-based)的FWCI，不按地區(qū)，而按世界平均值，來計算影響力。

在這個標準之下，雖然歐洲發(fā)表的AI論文數(shù)高于中國和美國，不過論文影響力曲線比較平緩；相比之下，中國發(fā)表的論文影響力增長劇烈：與2000年相比，2016年平均每位中國AI論文作者的引用率增長了44%。

不過在這方面，美國依然全球領(lǐng)先，美國AI論文作者的平均引用率，比世界平均值高出83%。

AAAI論文

AAAI2018，提交論文，中美占70%，中選論文，中美占67%。

中國的論文提交數(shù)高出美國約1/3，但二者中選論文數(shù)相差無幾，中國入選265篇，美國入選268篇。

高校AI課程注冊情況

AI和ML進軍高校的速度提升了不少。

報告顯示，截止到2017年底，AI課程注冊人數(shù)是2012年的3.4倍，ML課程注冊人數(shù)是2012年的5倍。

其中，UC伯克利的ML課程的注冊人數(shù)增長最快，是2012年的6.8倍，但此數(shù)值較2016年增長速度有明顯下降。

報告進一步統(tǒng)計了非美國地區(qū)院校AI+ML課程注冊人數(shù)的變化。結(jié)果顯示，清華是非美國院校外增長率最高的高校，幾乎是第二名多倫多大學的2倍。

縱向?qū)Ρ葋砜矗迦A2017年AI+ML課程注冊人數(shù)是2010年的16倍。

學術(shù)會議熱度

在大型會議中，NeurIPS(曾用名NIPS)、CVPR和ICML，是參與人數(shù)最多的三大AI會議。自2012年以來，論參與人數(shù)的增長率，這三者也領(lǐng)先于其他會議。

NeurIPS和ICML參與人數(shù)增長最快：將2018年與2012年相比，NeuRIPS增長3.8倍(4.8x)，ICML增長5.8倍(6.8x)。

上面討論的是大型會議，但小型會議的參與人數(shù)同樣有明顯的增長，甚至可以比大型會議的增長更加明顯。

這里最突出的是，ICLR2018的參會人數(shù)達到了2012年的20倍。

原因很可能是近年來，AI領(lǐng)域越來越關(guān)注深度學習和強化學習了。

AI創(chuàng)業(yè)投資情況

從2015年1月到2018年1月，人工智能創(chuàng)業(yè)公司的數(shù)量增長到了原來的2.1倍，而所有活躍的創(chuàng)業(yè)公司增長到了原來的1.3倍。

大多數(shù)情況下，創(chuàng)業(yè)公司的增長都保持相對穩(wěn)定，而人工智能創(chuàng)業(yè)公司呈指數(shù)級增長。

在風投資金方面，從2013年到2017年，人工智能領(lǐng)域的風投資金增長到了原來的4.5倍，而所有的風投資金只增長到了原來的2.08倍。這些數(shù)據(jù)都是年度數(shù)據(jù)，不是逐年累積的。

圖表中有兩個高峰期，1997-2000年風投資金的激增，對應的是網(wǎng)絡(luò)泡沫時期。2014-2015年出現(xiàn)了一個較小的增長，因為當時正處于一個相對較大的經(jīng)濟增長時期。

人才需求

報告顯示，近幾年，社會需要的AI相關(guān)人才大幅度增加，目前對有ML技能的人才需求最大，其次是深度學習。

可以看出，ML人才需求也是這兩年增長速度最快的。

報告統(tǒng)計，2017年，全球ML人才需求是2015年的35倍，從2016年到2017年的增幅尤為明顯。全球?qū)I人才的需求在2016年驟增。

專利

2014年，大約30%的人工智能專利發(fā)明人來自美國，其次是韓國和日本，各擁有16%。

在韓國和中國臺灣地區(qū)，專利的增長速度較快。2014年人工智能專利的數(shù)量幾乎是2004年的5倍。

財報電話會議中提及AI和ML的次數(shù)

2015年，科技公司在財報電話會議中提及AI和ML的次數(shù)開始有所增加。

2016年，其他行業(yè)提及AI次數(shù)才開始增長。

相比之下，科技行業(yè)的公司提及AI和ML的次數(shù)遠比其他行業(yè)多。

在財報電話會議中，除了科技行業(yè)之外，提及AI次數(shù)最多的公司，基本上分布在消費、金融和醫(yī)療保健行業(yè)。

機器人安裝量

2012年到2017年，中國機器人年安裝量增長了500%，其他地區(qū)，比如韓國和歐洲，分別增長了105%和122%。

在安裝量較小的地區(qū)中，中國臺灣比較突出，在2012-2017年增長最快。

開源框架GitHub標星數(shù)

各框架的標星數(shù)反映著他們在開發(fā)者群體中的流行程度。不過，因為開發(fā)者們?nèi)粘２粫叭￡P(guān)”GitHub項目，所以這些星星都是多年來積攢下的。

我們可以明顯發(fā)現(xiàn)，TensorFlow的受歡迎程度在開發(fā)者中遙遙領(lǐng)先、穩(wěn)步增長。

排除了第一熱門，第二名和第三名分別是scikit-learn和BVLC/caffe。

TensorFlow官方力推的keras排到了第四，但近一年來幾無增長勢頭。

另外兩大熱門PyTorch和MXNet分別排到了第七和第六，尤其是PyTorch，作為一個年輕的框架，自2017年初發(fā)布以來至今，GitHub標星數(shù)至少增長了4倍。獲取新用戶的勢頭很猛，不知道其中有多少被TensorFlow逼瘋的人類。

各類任務(wù)最新成績

這個部分分為CV和NLP兩塊，分別列舉了各主流任務(wù)從發(fā)展之初到現(xiàn)在的成績進步情況。

ImageNet圖像識別準確率

2017年是ImageNet比賽的最后一屆，2018年這項比賽就不再進行了。不過，驗證集依然有人在用。

藍色的線條為ImageNet挑戰(zhàn)賽歷年的成績變化，由于每年比賽所用的數(shù)據(jù)不同，旁邊多了一條黃色線條，是以ImageNet2012驗證集為評價標準繪制的。

可以看出，到2015年，機器在圖像分類任務(wù)上的能力已經(jīng)明顯超越了人眼，而即使比賽不再繼續(xù)，學術(shù)研究者依然在認真推進該任務(wù)的表現(xiàn)。

這也側(cè)面說明，如果一項工作有了明確的評價標準和固定的挑戰(zhàn)內(nèi)容，研究者們圍繞此競爭，更容易讓技術(shù)在該領(lǐng)域取得突破。

ImageNet訓練速度

這張圖是訓練ImageNet圖像分類神經(jīng)網(wǎng)絡(luò)所需時間的歷年變化（當然，是買得起足夠計算資源的人和機構(gòu)所用的時長）。

從2017年6月的1小時，到2018年11月的4分鐘，ImageNet圖像分類神經(jīng)網(wǎng)絡(luò)的訓練速度提升了16倍，除了硬件方面的貢獻，算法上的提升也不容小覷。

圖像分割COCO

ImageNet挑戰(zhàn)賽“退休”之后，CV領(lǐng)域的朋友們就把重點放在了微軟的COCO，挑戰(zhàn)語義分割和實例分割。

四年來，COCO數(shù)據(jù)集上圖像分割挑戰(zhàn)的精確度已經(jīng)提升了0.2，2018年的成績比2015提升了72%。不過，目前還沒有超過0.5，這一項還有充足的進步空間。

另外值得一提的是，COCO比賽近年來占據(jù)冠軍位置的多是來自中國的公司，包括曠視、商湯等計算機視覺獨角獸日常包攬數(shù)個項目的冠軍。

語法分析（Parsing）

在確定句子結(jié)構(gòu)這種語法分析的任務(wù)上，2003年到2018年的15年間，AI的表現(xiàn)（F1Score得分）提升了將近10%。

機器翻譯

在機器翻譯任務(wù)上，報告拿英語-德語互相翻譯舉例，評估了AI模型在經(jīng)典機器翻譯評估算法BLEU標準中的表現(xiàn)。

報告顯示，2018年英語轉(zhuǎn)德語的BLEU評分是2008年的3.5倍，德語轉(zhuǎn)英語成績是2008年的2.5倍。

機器問答：AI2ReasoningChallenge(ARC)

在問答領(lǐng)域，AI表現(xiàn)進步更明顯，可以按月計數(shù)了。

報告統(tǒng)計了2018年從四月到11月間，AI在ARC推理挑戰(zhàn)賽上成績的變化：簡單組得分從63%提升到69%，挑戰(zhàn)組得分從27%提升到42%。

這些，都僅是半年間的進步。

機器問答：GLUE

同樣用于機器問答的GLUE基準（GeneralLanguageUnderstandingEvaluation）推出至今只有7個月的時間，但目前的表現(xiàn)已經(jīng)比半年前提升了90%。

GLUE的推出者、紐約大學助理教授SamBowman說，雖然圍繞GLUE的大型社區(qū)還沒有出現(xiàn)，不過已經(jīng)有了像谷歌BERT這樣的代表性技術(shù)用了GLUE基準，面世一個月內(nèi)已經(jīng)被引用8次。在EMNLP會議中，GLUE時常被討論，可能會成為語言理解領(lǐng)域中的一個基準線。

政府提及

整體來說，自2016年以來，美國、加拿大、英國政府在國會/議會會議中提及人工智能和機器學習的次數(shù)激增。

2016年之前，機器學習很少被提及，與人工智能相比，機器學習在總提及量中只占很小的一部分。