更不用说，专注于科技行业的风险投资公司ThundermarkCapital每年都会这样做。最近，这家公司推出了他们的年度全球人工智能研究年度排名。他们这次选择的两个顶级会议是：ICML2021和NeurIPS2021，共计3523篇论文（其中ICML1184篇，NeurIPS2339篇）。不如看看有没有你熟悉的名字？2022人工智能研究排名前50国家/地区排名国家/地区排名国家/地区指数1美国1801.326越南5.02中国431.127阿联酋4.63英国189.028智利3.74德国131.829挪威3.15加拿大123.430巴西2.76法国116.271韩国伊朗101.132Greece2.28Switzerland100.233土耳其1.89以色列73.134新西兰1.610日本62.135巴基斯坦1.311新加坡46.436罗马尼亚1.312澳大利亚46.137泰国1.213荷兰33.238匈牙利1.114印度31.239克罗地亚1.015意大利23.740爱尔兰0.716俄罗斯18.941哥伦比亚0.517奥地利18.042墨西哥0.518沙特阿拉伯14.143卢森堡0.519瑞典13.044捷克0.520丹麦12.345塞尔维亚0.321芬兰10.146马来西亚0.322中国台湾8.547乌拉圭0.323比利时7.148哥斯达黎加0.224西班牙6.749葡萄牙0.125波兰6.350冰岛0.1Top100全球大学由于篇幅有限，仅列出了全球AI研究排名前20的大学桌子。一些大学表格是缩写的（不一定严格），后跟全名。由于ThundermarkCapital自己的失误，上图中南洋理工大学被标注为中国大学。相信在新加坡的朋友们不会太介意吧？RankingSchoolIndex排名学校指数1MIT（美国）107.111EPFL（瑞士）42.52Stanford（美国）102.712KAIST（韩国）42.43CMU（美国）86.013北京大学（中国）41.14UCB（美国）82.314Cornell（美国）39.65Oxford（英国）)67.715UW（美国）39.46清华大学（中国）65.516NYU（美国）36.67UCLA（美国）48.017NUS（新加坡）35.28ETH（瑞士）47.718Gatech（美国）33.79UT奥斯汀（美国）47.619哥伦比亚大学（美国）32.619普林斯顿（美国）44.820UofT（加拿大）32.4MIT=MIT；CMU=卡内基梅隆大学；UCB=加州大学伯克利分校；UCLA=加州大学洛杉矶分校；ETH=ETH苏黎世；UTAustin=德克萨斯大学奥斯汀分校；EPFL=洛桑联邦理工学院；KAIST=韩国科学技术院；UW=华盛顿大学；NYU=纽约大学；NUS=新加坡国立大学；Gatech=佐治亚理工学院；Columbia=哥伦比亚大学；UofT=Toronto其他上榜的中国大学包括：RankingSchoolIndexRankingSchoolIndex27上海交通大学25.273中国科学院9.043中国科学技术大学16.084复旦大学7.648南京大学14.288香港大学6.753香港中文大学13.790中山大学6.654香港科技大学13.192中国人民大学6.462浙江大学10.8Top100全球企业排名企业指数排名企业指数1谷歌（美国）200.211百度（中国）9.72微软（美国）79.312NTT（日本）7.53Meta（美国）54.913苹果（美国）74亚马逊（美国）26.514OpenAI（美国）6.75IBM（美国）26.315英特尔（美国）6.76华为（中国）21.816Adob??e（美国）6.27阿里巴巴（中国）13.117Salesforce（美国）6.08NVIDIA（美国）12.518Yandex（俄罗斯）6.09腾讯（中国）10.219NEC（日本）5.010三星（韩国）10.020VinAI（越南）4.5其他上榜的中国企业均有排名企业Iindex排行榜企业指数23字节跳动3.542联发科1.324Jingdong3.550快手InternationalEdition1.225快手Technology3.254PinganTechnology1.026MegviiTechnology3.062QiyuanWorld1.027SenseTimeTechnology2.966FourthParadigm0.930AntGroup2.579Meituan0.737Horizo??nRobotics1.680Hikvision0.741NetEase1.497DidiChuxing0.5rankingmethodThisrankingmethod指的是自然指数。该指标的计算方法如下：为了收集一个国家、一个地区或一个机构对一篇文章的贡献并保证不被重复计算，NatureIndex采用分值计算，同时考虑作者的每篇文章的份额，NatureIndex中每篇文章的总分是1，在每个人的贡献相同的情况下由所有作者平分。例如，如果一篇文章有??10位作者，则每位作者的得分为0.1。如果一位作者隶属于多个机构，则作者的积分在机构之间平分。最终，研究机构的总分是其所有作者为该机构打分的总和。国分的计算过程类似，但计算过程比较复杂，因为有些机构有海外实验室，会计入国分总分。说完NatureIndex，再来说说这份报告的评分计算。其实和NatureIndex基本一样，唯一不同的是这份报告统计的是总部所在国家/地区的企业或机构的海外实验室论文，而不是实际所在国家/地区.确实，这种计算方式可能会引起争议，但这种方法更好地反映了知识产权的分配和收益对总部（而不是地方实验室）的积累。以2014年被美国跨国公司谷歌收购的英国人工智能研究实验室DeepMind为例，按照上述计算方法，DeepMind发表的论文将被归入其当前所有者——谷歌，即美国.这可能会让我们英国的朋友失望。然而，仅靠会议记录，在地图上定位每位作者太复杂了，这种方法现在是唯一一致的作者身份方法。希望这两个人工智能峰会的组织者在未来能够提供更详细的作者信息，这样就可以做出两个版本的名单，一个是基于公司的股权结构，另一个是基于作者所在的位置。举一个具体的例子。如果一篇论文有五位作者——三位来自麻省理工学院，一位来自牛津大学，一位来自谷歌。首先，每位作者将获得五分之一的分数，即每人0.2分。因此，仅从这篇论文来看，麻省理工学院将获得3*0.2=0.6分，牛津将获得0.2分，谷歌将获得0.2分。由于麻省理工学院位于美国，因此美国的分数提高了0.6分。同样，欧洲经济区+瑞士+英国地区将增加0.2分，因为牛津在英国。最后，谷歌是一家总部设在美国的跨国公司，因此美国的得分会额外增加0.2分，总分为0.8分。如果作者隶属于多个不同的机构，则相应的分数将在计算中平均分配给每个附属机构。对于上面的示例，如果最后一位作者列出了两个分支机构，即Google和Stanford，那么Google和Stanford都会得到额外的0.2/2=0.1分。从直观上看，谷歌的指数是200，可以理解为谷歌在2021年的这两个AI会议上发表了200篇完整的论文。关于参考数据集，榜单发布者认为结合ICML的论文比较公平和NeurIPS到同一个数据集。顶级AI研究人员的感知声望（可以理解为“口耳相传”）在两次会议之间非常接近。从研究机构参与度和论文接受率来看，两个会议的表现也不相上下。（ICML2021录取率21.5%，NeurIPS2021录取率20.1%）。事实上，这份榜单选择ICML和NeurIPS这两个会议作为“机器学习”领域的评测基准是有道理的。比如CVPR、ICCV等顶级会议的影响力可能更大，但都对子领域有明显的侧重。在中国计算机学会（CCF）发布的《中国计算机学会推荐国际学术会议和期刊目录》中，人工智能子类下共有7个A类会议，ICML和NeurIPS均上榜列表。根据去年7月更新的GoogleScholarMetrics各行业顶级会议和期刊影响力排名，NeurIPS和ICML在“工程与计算机科学”类别中分列第4和第7位。在清华AMiner的顶级计算机科学会议榜单中，结果也差不多。NeurIPS排名第2，ICML排名第4。根据Guide2Research整理的顶级会议排名，NeurIPS排名第2，而ICML可以排名第6。虽然说了这么多，但总体来说，这套评价标准称不上严谨，但仍可作为参考。各国AI研究情况简析读者可以看到，近两年，中国在人工智能领域进行了大规模的研究，论文发表指数分别增长了52%和53%每年——考虑到ICML和NeurIPS会议的竞争水平，这是一个非常了不起的成就。因此，中国的顶尖学府清华大学从两年前的第15位上升到今天的第8位，超越了Facebook、UCLA、ETH、EPFL、普林斯顿和UTAustin等强大的竞争者。中国另一所顶尖大学北京大学的人工智能研究成绩也紧随清华大学之后，论文发表指数落后一两年（目前排名第16位）。另一个巨大的进步来自德国，其论文发表指数在过去两年分别增长了42%和44%。评级机构没有发现任何单一的明星大学或公司支持这种动态（德国的顶级机构是排名第42位的图宾根大学）。德国人工智能研究的增长势头在地域上均匀分布在德国著名的马克斯普朗克研究所和各地的技术大学之间。此外，韩国的论文发表指数近两年分别增长了64%和32%。它在人工智能研究方面的实力现在与瑞士相当（并略微超过）。顺便说一下，韩国的区域邻国新加坡（尚未进入前10名）表现出奇的好，其论文出版指数在过去两年分别增长了128%和55%，目前排名第11位。按照这个速度，它可以在短短几年内赶上日本（第10位）。学术界与工业界将在AI、中国和美国领域处于领先地位的已发表论文总数的百分比今天，一场关于美国和中国在AI主导地位战略竞赛状态的激烈辩论正在进行中。2016年人工智能领域发生了两件大事：第一，Google的AlphaGo成为第一个无障碍击败9段职业围棋选手李世石的计算机程序；AI未来的方向和策略供思考，取名为《为人工智能的未来做准备》。作为回应，中国在2017年提出了《新一代人工智能发展规划》，不仅提出了政策支持，还提出了数十亿美元的研发投资。由于中国的共同努力，美国在人工智能方面的技术优势正在迅速消失：2017年，美国领先中国11倍；到2019年，美国的领先优势已经下降到7倍，根据ThundermarkCapital的分析，到2020年，美国只剩下6倍的领先优势；在撰写本文时，美国领先4倍。此外，艾伦人工智能研究所分析发现，中国作者在被引用次数前10%的论文中所占比例稳步上升。有人可能会争辩说，美国未来十年在人工智能方面的竞争力看起来并不乐观。然而，ThundermarkCapital认为，结果将取决于现代AI的三个关键要素：算法、硬件和训练数据的进步相互作用，这三个要素都必须做好才能在该领域占据主导地位。在麻省理工学院、斯坦福大学、卡内基梅隆大学和加州大学伯克利分校等世界一流大学数十年的计算机科学进步的基础上，美国在未来几年仍将在人工智能算法方面遥遥领先。此外，谷歌和Facebook等公司在学术AI会议上公开发表其内部研究成果，为顶尖AI研究人员创造了一个蓬勃发展的生态系统，这些研究人员现在可以在学术界和工业界之间无缝流动。此外，美国作为硅谷最初以硅为中心的定义的发源地，一直处于硬件创新的前沿。ThundermarkCapital认为，在未来五到十年内，中国很难在先进的微处理器技术上赶上美国，尤其是考虑到英特尔、AMD和Nvidia拥有的庞大专利组合的保护。然而，在训练数据的可用性方面，美国的优势值得怀疑。获取数据是更广泛的隐私与公共利益辩论的一部分，美国倾向于前者，而中国倾向于后者。在今天的中国，人工智能从数亿个街头摄像头扫描人脸，读取数十亿条微信消息，并分析数百万条健康记录。这种训练数据的可用性，加上中国14亿人口，为中国创造了巨大的战略优势。虽然很难得出结论，但作者仍然认为前两个因素（算法和硬件）将超过最后一个（数据的可用性），并且美国将在未来几年保持其在AI能力方面的领先地位。最近，针对中国的进步，白宫宣布向人工智能和量子计算等研究领域注资10亿美元，以回应许多政策顾问对美国在这些领域落后于中国的担忧。关于作者GlebChuvpilo是ThundermarkCapital的管理合伙人，ThundermarkCapital是一家投资深度技术初创公司的风险投资公司。他拥有麻省理工学院计算机科学和人工智能硕士学位以及宾夕法尼亚大学沃顿商学院金融和战略管理MBA学位。
