剛剛，斯坦福全球AI報(bào)告正式發(fā)布。
從去年開(kāi)始，斯坦福大學(xué)主導(dǎo)、來(lái)自MIT、OpenAI、哈佛、麥肯錫等機(jī)構(gòu)的多位專家教授，組建了一個(gè)小組，每年發(fā)布AIindex年度報(bào)告，全面追蹤人工智能的發(fā)展現(xiàn)狀和趨勢(shì)。
“我們用硬數(shù)據(jù)說(shuō)話。”報(bào)告的負(fù)責(zé)人、斯坦福大學(xué)教授、前任谷歌首席科學(xué)家YoavShoham談到這份最新的報(bào)告時(shí)表示。
今年的報(bào)告，從學(xué)術(shù)、工業(yè)、開(kāi)源、政府等方面詳細(xì)介紹了人工智能發(fā)展的現(xiàn)狀，并且記錄了計(jì)算機(jī)視覺(jué)、自然語(yǔ)言理解等領(lǐng)域的技術(shù)進(jìn)展。
報(bào)告要點(diǎn)：
一、美國(guó)AI綜合實(shí)力最強(qiáng)
美國(guó)的AI論文發(fā)布數(shù)量雖然不是第一，但美國(guó)學(xué)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(guó)AI創(chuàng)業(yè)公司的數(shù)量，比2015年增長(zhǎng)2.1倍。而從2013年到2017年，美國(guó)AI初創(chuàng)企業(yè)獲得的融資額增長(zhǎng)了4.5倍。均高于平均水平一倍以上。
二、中國(guó)AI追趕速度驚人
清華2017年學(xué)AI和機(jī)器學(xué)習(xí)的學(xué)生數(shù)量，是2010年16倍。
70%的AAAI論文來(lái)自美國(guó)或中國(guó)，兩國(guó)獲接收的論文數(shù)量相近，但中國(guó)提交的論文總量比美國(guó)多30%。
基于經(jīng)同行評(píng)議論文數(shù)據(jù)庫(kù)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(guó)(25%)和美國(guó)(17%)。
與2000相比，2016年中國(guó)AI學(xué)者論文被引用的次數(shù)，提高了44%。
中國(guó)一年的機(jī)器人部署安裝量，從2012到現(xiàn)在增長(zhǎng)了500%。ROS.org來(lái)自中國(guó)的訪問(wèn)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(lái)說(shuō)，自2016年以來(lái)，美國(guó)、加拿大、英國(guó)政府在國(guó)會(huì)/議會(huì)會(huì)議中對(duì)人工智能和機(jī)器學(xué)習(xí)的提及激增。
80%的AI教授是男性，統(tǒng)計(jì)數(shù)據(jù)來(lái)自UC伯克利、斯坦福、UIUC、CMU、UCLondon、牛津和蘇黎世聯(lián)邦理工學(xué)院。
美國(guó)AI工作崗位的應(yīng)聘者中71%為男性。
看過(guò)這份報(bào)告之后，人工智能大牛吳恩達(dá)總結(jié)了兩點(diǎn)：1、AI正在快速發(fā)展，不管是學(xué)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(bào)告的主要內(nèi)容：
AI論文情況分析
發(fā)表總量增長(zhǎng)迅猛
從1996年到2017年，CS領(lǐng)域的年發(fā)表論文增長(zhǎng)了約五倍(6x)，AI領(lǐng)域的年發(fā)表論文增長(zhǎng)了約七倍(8x)。對(duì)比一下，所有學(xué)科的年發(fā)表論文總量增長(zhǎng)了不到兩倍(
劃重點(diǎn)，AI論文的年發(fā)表量，比CS論文增長(zhǎng)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(lái)自美國(guó)以外的地方。具體數(shù)據(jù)是，28%來(lái)自歐洲，25%來(lái)自中國(guó)，17%來(lái)自美國(guó)。
從2007年到2017年，中國(guó)的年發(fā)表AI論文數(shù)增長(zhǎng)了150%。
細(xì)分領(lǐng)域論文發(fā)表情況
2017年發(fā)表的AI論文中，有56%來(lái)自機(jī)器學(xué)習(xí)與概率推理這一研究方向。
對(duì)比一下，2010年發(fā)表的AI論文，只有28%來(lái)自這個(gè)方向。
另外，圖表里顯示的大部分研究方向，在2014-2017年間，復(fù)合年均增長(zhǎng)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(fù)合年均增長(zhǎng)率達(dá)到37%(如圖中紅色曲線)，最為突出。
做個(gè)對(duì)比，在2010-2014年之間，神經(jīng)網(wǎng)絡(luò)論文發(fā)表數(shù)，復(fù)合年均增長(zhǎng)率僅有3%。
arXiv論文
自2010年以來(lái)，arXiv論文總體呈現(xiàn)迅速增長(zhǎng)，從2010年發(fā)布的1，073篇，到2017年發(fā)布的13，325篇，增長(zhǎng)超過(guò)11倍(12x)。許多細(xì)分領(lǐng)域也呈現(xiàn)增長(zhǎng)。
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(guò)同行評(píng)審還是在AI會(huì)議上發(fā)表的論文。這也體現(xiàn)了，AI這個(gè)領(lǐng)域競(jìng)爭(zhēng)激烈的特質(zhì)。
在細(xì)分領(lǐng)域中，計(jì)算機(jī)視覺(jué)(CV)是自2014年起增長(zhǎng)最快的一個(gè)(上圖藍(lán)色曲線)，從1，099篇增長(zhǎng)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(lái)衡量論文的影響力。
報(bào)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(lái)計(jì)算影響力。
在這個(gè)標(biāo)準(zhǔn)之下，雖然歐洲發(fā)表的AI論文數(shù)高于中國(guó)和美國(guó)，不過(guò)論文影響力曲線比較平緩;相比之下，中國(guó)發(fā)表的論文影響力增長(zhǎng)劇烈：與2000年相比，2016年平均每位中國(guó)AI論文作者的引用率增長(zhǎng)了44%。
不過(guò)在這方面，美國(guó)依然全球領(lǐng)先，美國(guó)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(guó)的論文提交數(shù)高出美國(guó)約1/3，但二者中選論文數(shù)相差無(wú)幾，中國(guó)入選265篇，美國(guó)入選268篇。
高校AI課程注冊(cè)情況
AI和ML進(jìn)軍高校的速度提升了不少。
報(bào)告顯示，截止到2017年底，AI課程注冊(cè)人數(shù)是2012年的3.4倍，ML課程注冊(cè)人數(shù)是2012年的5倍。
其中，UC伯克利的ML課程的注冊(cè)人數(shù)增長(zhǎng)最快，是2012年的6.8倍，但此數(shù)值較2016年增長(zhǎng)速度有明顯下降。
報(bào)告進(jìn)一步統(tǒng)計(jì)了非美國(guó)地區(qū)院校AI+ML課程注冊(cè)人數(shù)的變化。結(jié)果顯示，清華是非美國(guó)院校外增長(zhǎng)率最高的高校，幾乎是第二名多倫多大學(xué)的2倍。
縱向?qū)Ρ葋?lái)看，清華2017年AI+ML課程注冊(cè)人數(shù)是2010年的16倍。
學(xué)術(shù)會(huì)議熱度
在大型會(huì)議中，NeurIPS(曾用名NIPS)、CVPR和ICML，是參與人數(shù)最多的三大AI會(huì)議。自2012年以來(lái)，論參與人數(shù)的增長(zhǎng)率，這三者也領(lǐng)先于其他會(huì)議。
NeurIPS和ICML參與人數(shù)增長(zhǎng)最快：將2018年與2012年相比，NeuRIPS增長(zhǎng)3.8倍(4.8x)，ICML增長(zhǎng)5.8倍(6.8x)。
上面討論的是大型會(huì)議，但小型會(huì)議的參與人數(shù)同樣有明顯的增長(zhǎng)，甚至可以比大型會(huì)議的增長(zhǎng)更加明顯。
這里最突出的是，ICLR2018的參會(huì)人數(shù)達(dá)到了2012年的20倍。
原因很可能是近年來(lái)，AI領(lǐng)域越來(lái)越關(guān)注深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)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(zhǎng)到了原來(lái)的2.1倍，而所有活躍的創(chuàng)業(yè)公司增長(zhǎng)到了原來(lái)的1.3倍。
大多數(shù)情況下，創(chuàng)業(yè)公司的增長(zhǎng)都保持相對(duì)穩(wěn)定，而人工智能創(chuàng)業(yè)公司呈指數(shù)級(jí)增長(zhǎng)。
在風(fēng)投資金方面，從2013年到2017年，人工智能領(lǐng)域的風(fēng)投資金增長(zhǎng)到了原來(lái)的4.5倍，而所有的風(fēng)投資金只增長(zhǎng)到了原來(lái)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(gè)高峰期，1997-2000年風(fēng)投資金的激增，對(duì)應(yīng)的是網(wǎng)絡(luò)泡沫時(shí)期。2014-2015年出現(xiàn)了一個(gè)較小的增長(zhǎng)，因?yàn)楫?dāng)時(shí)正處于一個(gè)相對(duì)較大的經(jīng)濟(jì)增長(zhǎng)時(shí)期。
人才需求
報(bào)告顯示，近幾年，社會(huì)需要的AI相關(guān)人才大幅度增加，目前對(duì)有ML技能的人才需求最大，其次是深度學(xué)習(xí)。
可以看出，ML人才需求也是這兩年增長(zhǎng)速度最快的。
報(bào)告統(tǒng)計(jì)，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(lái)自美國(guó)，其次是韓國(guó)和日本，各擁有16%。
在韓國(guó)和中國(guó)臺(tái)灣地區(qū)，專利的增長(zhǎng)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(cái)報(bào)電話會(huì)議中提及AI和ML的次數(shù)
2015年，科技公司在財(cái)報(bào)電話會(huì)議中提及AI和ML的次數(shù)開(kāi)始有所增加。
2016年，其他行業(yè)提及AI次數(shù)才開(kāi)始增長(zhǎng)。
相比之下，科技行業(yè)的公司提及AI和ML的次數(shù)遠(yuǎn)比其他行業(yè)多。
在財(cái)報(bào)電話會(huì)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(fèi)、金融和醫(yī)療保健行業(yè)。
機(jī)器人安裝量
2012年到2017年，中國(guó)機(jī)器人年安裝量增長(zhǎng)了500%，其他地區(qū)，比如韓國(guó)和歐洲，分別增長(zhǎng)了105%和122%。
在安裝量較小的地區(qū)中，中國(guó)臺(tái)灣比較突出，在2012-2017年增長(zhǎng)最快。
開(kāi)源框架GitHub標(biāo)星數(shù)
各框架的標(biāo)星數(shù)反映著他們?cè)陂_(kāi)發(fā)者群體中的流行程度。不過(guò)，因?yàn)殚_(kāi)發(fā)者們?nèi)粘２粫?huì)“取關(guān)”GitHub項(xiàng)目，所以這些星星都是多年來(lái)積攢下的。
我們可以明顯發(fā)現(xiàn)，TensorFlow的受歡迎程度在開(kāi)發(fā)者中遙遙領(lǐng)先、穩(wěn)步增長(zhǎng)。
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(lái)幾無(wú)增長(zhǎng)勢(shì)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(gè)年輕的框架，自2017年初發(fā)布以來(lái)至今，GitHub標(biāo)星數(shù)至少增長(zhǎng)了4倍。獲取新用戶的勢(shì)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(jī)
這個(gè)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(jī)進(jìn)步情況。
ImageNet圖像識(shí)別準(zhǔn)確率
2017年是ImageNet比賽的最后一屆，2018年這項(xiàng)比賽就不再進(jìn)行了。不過(guò)，驗(yàn)證集依然有人在用。
藍(lán)色的線條為ImageNet挑戰(zhàn)賽歷年的成績(jī)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(yàn)證集為評(píng)價(jià)標(biāo)準(zhǔn)繪制的。
可以看出，到2015年，機(jī)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(xué)術(shù)研究者依然在認(rèn)真推進(jìn)該任務(wù)的表現(xiàn)。
這也側(cè)面說(shuō)明，如果一項(xiàng)工作有了明確的評(píng)價(jià)標(biāo)準(zhǔn)和固定的挑戰(zhàn)內(nèi)容，研究者們圍繞此競(jìng)爭(zhēng)，更容易讓技術(shù)在該領(lǐng)域取得突破。
ImageNet訓(xùn)練速度
這張圖是訓(xùn)練ImageNet圖像分類神經(jīng)網(wǎng)絡(luò)所需時(shí)間的歷年變化(當(dāng)然，是買得起足夠計(jì)算資源的人和機(jī)構(gòu)所用的時(shí)長(zhǎng))。
從2017年6月的1小時(shí)，到2018年11月的4分鐘，ImageNet圖像分類神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度提升了16倍，除了硬件方面的貢獻(xiàn)，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(diǎn)放在了微軟的COCO，挑戰(zhàn)語(yǔ)義分割和實(shí)例分割。
四年來(lái)，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(jī)比2015提升了72%。不過(guò)，目前還沒(méi)有超過(guò)0.5，這一項(xiàng)還有充足的進(jìn)步空間。
另外值得一提的是，COCO比賽近年來(lái)占據(jù)冠軍位置的多是來(lái)自中國(guó)的公司，包括曠視、商湯等計(jì)算機(jī)視覺(jué)獨(dú)角獸日常包攬數(shù)個(gè)項(xiàng)目的冠軍。
語(yǔ)法分析（Parsing）
在確定句子結(jié)構(gòu)這種語(yǔ)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(jī)器翻譯
在機(jī)器翻譯任務(wù)上，報(bào)告拿英語(yǔ)-德語(yǔ)互相翻譯舉例，評(píng)估了AI模型在經(jīng)典機(jī)器翻譯評(píng)估算法BLEU標(biāo)準(zhǔn)中的表現(xiàn)。
報(bào)告顯示，2018年英語(yǔ)轉(zhuǎn)德語(yǔ)的BLEU評(píng)分是2008年的3.5倍，德語(yǔ)轉(zhuǎn)英語(yǔ)成績(jī)是2008年的2.5倍。
機(jī)器問(wèn)答：AI2ReasoningChallenge(ARC)
在問(wèn)答領(lǐng)域，AI表現(xiàn)進(jìn)步更明顯，可以按月計(jì)數(shù)了。
報(bào)告統(tǒng)計(jì)了2018年從四月到11月間，AI在ARC推理挑戰(zhàn)賽上成績(jī)的變化：簡(jiǎn)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(jìn)步。
機(jī)器問(wèn)答：GLUE
同樣用于機(jī)器問(wèn)答的GLUE基準(zhǔn)(GeneralLanguageUnderstandingEvaluation)推出至今只有7個(gè)月的時(shí)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(xué)助理教授SamBowman說(shuō)，雖然圍繞GLUE的大型社區(qū)還沒(méi)有出現(xiàn)，不過(guò)已經(jīng)有了像谷歌BERT這樣的代表性技術(shù)用了GLUE基準(zhǔn)，面世一個(gè)月內(nèi)已經(jīng)被引用8次。在EMNLP會(huì)議中，GLUE時(shí)常被討論，可能會(huì)成為語(yǔ)言理解領(lǐng)域中的一個(gè)基準(zhǔn)線。
政府提及
整體來(lái)說(shuō)，自2016年以來(lái)，美國(guó)、加拿大、英國(guó)政府在國(guó)會(huì)/議會(huì)會(huì)議中提及人工智能和機(jī)器學(xué)習(xí)的次數(shù)激增。
2016年之前，機(jī)器學(xué)習(xí)很少被提及，與人工智能相比，機(jī)器學(xué)習(xí)在總提及量中只占很小的一部分。
關(guān)鍵詞：
