刚刚，斯坦福全球人工智能报告正式发布。去年以来，以斯坦福大学为首，麻省理工学院、OpenAI、哈佛大学、麦肯锡等机构的多位专家教授组成了一个小组，每年发布AI指数年度报告，全面追踪人工智能的发展现状和趋势。人工智能。“我们用硬数据说话，”该报告的负责人、斯坦福大学教授、谷歌前首席科学家YoavShoham在谈到最新报告时说。今年的报告从学术界、产业界、开源和政府等方面详细介绍了人工智能发展现状，记录了计算机视觉、自然语言理解等领域的技术进步。报告要点：1、美国AI综合实力最强。虽然在AI论文发表数量上美国不是第一，但美国学者论文被引用次数全球第一，比全球平均水平高出83%。2018年，美国AI初创企业数量较2015年增长2.1倍。2013年至2017年，美国AI初创企业获得的融资额增长了4.5倍。是平均水平的两倍多。2、中国人工智能追赶速度惊人。2017年清华大学学习人工智能和机器学习的学生人数是2010年的16倍。70%的AAAI论文来自美国或中国，两国接受的论文数量相似，但中国提交的论文多出30%比美国论文。根据同行评审论文数据库Scopus的数据，2018年发表人工智能论文最多的地区是欧洲(28%)、中国(25%)和美国(17%)。与2000年相比，2016年中国人工智能学者引用的论文数量增长了44%。从2012年到现在，中国一年的机器人部署安装量增长了500%。2017年中国对ROS.org的访问量比2012年增长了18倍。3.全球AI发展加速但仍不平衡2017年全球对ML人才的需求是2015年的35倍。总体来看，自2016年以来，在美国、加拿大和英国政府的国会/议会会议上，对人工智能和机器学习的提及激增。80%的AI教授是男性，统计数据来自加州大学伯克利分校、斯坦福大学、UIUC、CMU、加州大学伦敦分校、牛津大学和苏黎世联邦理工学院。在美国，71%的AI工作申请人是男性。看完这份报告，人工智能专家吴恩达总结了两点：1.人工智能无论在学术界还是产业界都在快速发展。2、人工智能发展仍不平衡，在多样性和包容性方面仍需努力。以下为本次报告的主要内容：AI论文分析发表论文总数快速增长从1996年到2017年，CS??领域每年发表的论文数量增长了大约五倍（6x），每年发表的论文数量在AI领域增长了大约七倍（8x）。相比之下，所有学科的年度出版物总量增长不到两倍(<3x)。聚焦重点，AI论文年发文量增速快于CS论文。AI论文按地区发表2017年，Scopus上83%的AI论文来自美国以外地区。具体数据是，28%来自欧洲，25%来自中国，17%来自美国。从2007年到2017年，中国每年发表的人工智能论文数量增长了150%。细分领域发表论文2017年发表的AI论文中，56%来自机器学习和概率推理研究方向。相比之下，2010年发表的AI论文中只有28%来自这个方向。此外，对于图中所示的大部分研究方向，2014-2017年的复合年增长率（CAGR）均高于2010-2014年。比如神经网络方向的论文发表数量，2014-2017年间，年复合增长率高达37%（图中红色曲线），最为突出。作为对比，2010年至2014年间，神经网络论文发表数量的年复合增长率仅为3%。arXiv论文自2010年以来，arXiv论文总体呈快速增长态势，从2010年发表的1,073篇增加到2017年发表的13,325篇，增长超过11倍（12x）。许多细分市场也出现增长。这意味着论文作者倾向于传播他们的研究成果，无论是经过同行评审还是在AI会议上发表。这也反映出AI领域的激烈竞争。在细分领域中，计算机视觉（CV）是2014年以来增长最快的领域（上图中蓝色曲线），从1099个增加到2017年的4895个，增幅接近400%。AIpapercitationsFWCI是领域权重引用影响系数，可以用来衡量论文的影响力。该报告重新定义了FWCI的“修改版”（Re-based），不是按地区，而是按世界平均水平来计算影响力。在此标准下，虽然欧洲发表的AI论文数量高于中国和美国，但论文的影响力曲线相对平坦；相比之下，中国发表论文的影响力增长迅猛：与2000年相比，中国人工智能论文作者人均引用次数增加了44%。但是，在这方面，美国仍然领先于世界。美国人工智能论文作者的平均引用率比世界平均水平高出83%。AAAI论文AAAI2018，投稿论文中美占70%，入选论文中美占67%。中国提交的论文数量比美国高出约1/3，但入选论文数量却相差无几。中国265篇，美国268篇。高校AI课程报名AI和ML进入高校的速度提高了很多。报告显示，截至2017年底，AI课程注册人数是2012年的3.4倍，ML课程注册人数是2012年的5倍。其中，UCBerkeley的ML课程注册人数增长最快，6.8是2012年的2倍，但与2016年相比，这个数值已经大幅下降。报告进一步统计了非美国地区高校AI+ML课程注册人数的变化。结果显示，清华大学的增长率在美国大学之外最高，几乎是排名第二的多伦多大学的两倍。纵向对比，2017年清华AI+ML课程注册人数是2010年的16倍。参加人数最多的会议。自2012年以来，这三个会议的出席人数增长率也领先于其他会议。NeurIPS和ICML的参加人数增长最多：与2018年相比，2012年，NeuRIPS增加了3.8倍（4.8x），ICML增加了5.8倍（6.8x）。上面讨论的是大型会议，但是小型会议的参会人数也有明显的增长，甚至可能比大型会议的增长更为明显。这里比较突出的是，ICLR2018的参会人数达到了2012年的20倍，原因很可能是近年来AI领域越来越重视深度学习和强化学习。从2015年1月到2018年1月，AI初创公司数量增长了2.1倍，而所有活跃的初创公司增长了1.3倍。在大多数情况下，初创企业的增长保持相对稳定，而人工智能初创企业呈指数级增长。在创投基金方面，2013年至2017年，人工智能领域的创投基金增长了4.5倍，而所有创投基金仅增长了2.08倍。这些数据是年度数据，并非逐年累积。图中有两个高峰期，1997-2000年创投基金的激增对应互联网泡沫时期。2014-2015年略有增加，因为当时处于经济增长比较大的时期。人才需求报告显示，近年来，社会对人工智能相关人才的需求量大幅增加。目前，对具有ML技能的人才需求最大，其次是深度学习。可以看出，对ML人才的需求也是近两年增长最快的。据报告统计，2017年全球ML人才需求量是2015年的35倍，其中2016-2017年增长尤为明显。2016年全球人工智能人才需求激增，2014年约30%的人工智能专利发明人来自美国，其次是韩国和日本，各占16%。在韩国和中国台湾，专利的增长速度更快。2014年人工智能专利数量几乎是2004年的五倍。财报电话会议中提及人工智能和机器学习2015年，科技公司财报电话会议中提及人工智能和机器学习的次数开始增加。2016年，其他行业提及AI的次数开始增加。相比之下，科技行业的公司提及AI和ML的次数远超其他行业。财报电话会议中，除了科技行业，提到AI最多的公司基本分布在消费、金融和医疗等行业。机器人安装量2012年至2017年，中国机器人年安装量增长500%，而韩国、欧洲等其他地区分别增长105%和122%。在安装量较小的地区中，中国台湾脱颖而出，2012-2017年增长最快。开源框架GitHubStars每个框架的星数反映了它们在开发者社区中的受欢迎程度。然而，由于开发者不会每天“取消关注”GitHub项目，这些星数是多年来积累起来的。我们可以清楚地发现，TensorFlow的受欢迎程度遥遥领先，并且在开发者中稳步增长。除去第一喜欢，第二和第三分别是scikit-learn和BVLC/caffe。TensorFlow官方推广的keras排名第四，但近一年增长势头不大。另外两个热门的PyTorch和MXNet分别排名第七和第六，尤其是PyTorch，作为一个年轻的框架，自2017年初发布以来，GitHubstar数至少增长了4倍。获取新用户的势头非常强劲，不知道有多少是被TensorFlow逼疯的人类。各种任务的最新成果分为CV和NLP两部分，分别列出了各个主流任务从开始发展到现在的进展情况。ImageNetImageRecognitionAccuracy2017是ImageNet比赛的最后一届，2018年本次比赛将不再举办，但验证集仍在使用。图中，蓝线是历年ImageNetChallenge成绩的变化。由于每年比赛使用的数据都不一样，所以旁边多了一条黄线，是根据ImageNet2012验证集作为评价标准绘制的。可以看出，到2015年，机器对图像进行分类的能力已经明显超过了人眼，即使竞争不再继续，学术研究人员仍在认真推进这项任务的性能。这也说明，如果一项工作有明确的评价标准和固定的挑战内容，研究人员就会围绕此进行竞争，使得技术更容易在该领域取得突破。ImageNet训练速度这张图是多年来训练ImageNet图像分类神经网络所需要的时间（当然是能够负担得起足够计算资源的人和机构使用的时间长度）。从2017年6月的1小时到2018年11月的4分钟，ImageNet图像分类神经网络的训练速度提升了16倍。除了硬件的贡献，算法的提升也不容小觑。图像分割COCOImageNetChallenge“退役”后，CV领域的朋友关注微软的COCO，挑战语义分割和实例分割。过去四年，图像分割挑战赛在COCO数据集上的准确率提升了0.2，2018年的表现比2015年提升了72%，但目前还没有超过0.5，还有这个项目有很大的改进空间。还值得一提的是，近年来COCO大赛的冠军多为中国企业，包括旷视科技、商汤科技等计算机视觉独角兽，每天都拿下多个冠军。语法分析（Parsing）在判断句子结构的语法分析任务中，AI（F1Score）的性能在2003年到2018年的15年间提高了近10%。机器翻译在机器翻译任务中，报告取以英德互译为例，在经典的机器翻译评价算法BLEU标准中评价AI模型的性能。报告显示，2018年英德转换BLEU分数是2008年的3.5倍，德英转换分数是2008年的2.5倍。机器问答：AI2推理挑战赛（ARC）在问答领域，AI性能提升更为明显，可以按月统计。报告统计了2018年4-11月ARC推理挑战赛AI成绩变化：简单组分数从63%提升到69%，挑战组分数从27%提升到42%.这些只是半年的进步。机器问答：GLUE也用于机器问答。GLUEbenchmark（通用语言理解评估）推出仅7个月，但目前的性能较半年前提升了90%。GLUE的发起人、纽约大学助理教授SamBowman表示，虽然目前还没有出现围绕GLUE的大型社区，但谷歌BERT等代表性技术已经使用了GLUE基准，一个月内被引用了8次它的发布。GLUE经常在EMNLP会议上讨论，可能成为语言理解领域的基线。政府提及总体而言，自2016年以来，美国、加拿大和英国的议会/议会会议中政府提及人工智能和机器学习的次数激增。2016年之前，机器学习很少被提及，与人工智能相比，只占总提及次数的一小部分。报告下载目前这份2018年年度报告已开放下载，您可以登录官网获取：http://aiindex.org/在量子位回复“94页报告”公众号(QbitAI)对话界面，也可以直接下载PDF版报告~
