15张图表向您展示2021年人工智能的最新趋势组织和来自SRIInternational的11位专家组成的指导委员会。报告引用了大量人工智能研究数据，包括：来自arXiv的人工智能研究数据、来自Crunchbase的资助数据，以及对AI中的Black和Queer等群体的调查。报告总结了2021年人工智能的最新研究趋势和进展，分析了资本和政策对人工智能技术的影响，以及深度学习、图像识别、语言识别等人工智能主要子领域的研究。人工智能的盛夏人工智能研究工作正处于爆发式增长期：2019年，全球范围内发表了超过12万篇人工智能研究领域的同行评议论文。2000年以来，人工智能领域的论文占同行评审论文的比例从0.8%攀升至2019年的3.8%。2.中国在人工智能研究领域取得了显著成就自2017年以来，中国研究人员发表同行评议论文数量首次超过欧洲，中国人工智能研究论文数量持续攀升。到2020年，我国科研人员在权威期刊发表的人工智能研究论文被引用率世界领先。AI指数指导委员会联合主任杰克·克拉克表示，这些数据似乎是中国“学术成功的指标”，在一定程度上也反映了不同国家在人工智能方面的现状。智慧生态建设。他认为，研究论文更像是一种学术权威认证。一个领域的学术性越弱，其产业实用性就越强。“中国对期刊出版物的访问有明确的政策，政府机构在研究中发挥更大的作用，而在美国，大部分研发都集中在内部，”他指出。三个快速训练=更好的AIMLPerf基于训练速度和硬件之间的关系，分析机器学习的系统性能，客观地对机器学习系统的性能进行排名。各种图像分类器系统在标准ImageNet数据库上进行训练，并根据训练时间进行排序。2018年，训练最佳系统用时6.2分钟；2020年，训练最好的系统只用了47秒。这一进展也得益于近年来专用于机器学习的芯片的快速发展。根据该报告，硬件加速对机器学习的影响至关重要。系统训练几秒和几小时的区别是巨大的。这种差异直接影响到研究者的思路，以及研究的类型和数量，以及可能影响的研究风险。四大AI看不懂“喝咖啡”？在过去的几年里，人工智能在静态图像识别方面的进步突飞猛进，未来的计算机视觉势必会朝着视频识别的方向发展。研究人员正在构建可以从视频剪辑中识别各种活动的系统，因为如果将机器视觉应用于现实世界（例如自动驾驶汽车、监控摄像头等），这种类型的识别可能会很有用。计算机视觉性能的基准之一是ActivityNet数据集，其中包含来自20,000个视频的近650小时的镜头。在显示的200个日常生活活动中，AI系统在2019年和2020年都难以识别“喝咖啡”活动。这似乎是一个主要问题，因为喝咖啡是所有其他活动的基本活动。无论如何，这是未来几年值得关注的领域。5.自然语言识别需要更严格的测试自然语言处理(NLP)的迅速崛起似乎遵循着计算机视觉的轨迹，在过去十年中，计算机视觉已经从一个学术分支发展为广泛的商业部署。今天的NLP也是由深度学习驱动的，JackClark认为NLP从计算机视觉工作中继承了策略，例如在大型数据库上进行训练和针对特定应用程序进行微调。他说：“我们看到这些创新非常迅速地流向人工智能的另一个领域。”JackClark表示，衡量NLP系统的性能变得非常困难，学术界一直在开发难度更大的AI测试系统和指标，但无论什么样的系统，总会有一个新的人工智能在六个月内击败它。该图显示了两个版本的SQuAD的性能，SQuAD是一种阅读理解测试，其中AI语言模型必须根据一段文本回答多项选择题。2.0版增加了模型必须识别但不回答的无法回答的问题，从而使任务变得更加困难。在第一个版本上，一个模型用了25个月的时间超越了人类的表现，而另一个只用了10个月就完成了更艰巨的任务。六NLP也有“种族歧视”语音识别和文本生成等任务的语言模型总体上已经非常完备。但即使在主流、成熟的商业NLP系统中，认知偏差仍然存在，如果不解决这些问题，它们可能会严重阻碍这些技术的商业应用。例如，人工智能系统也存在种族歧视问题。该图显示了几个成熟的商业语音识别程序的错误率。虽然系统存在认知偏差，但大多数研究者只关注系统性能，很少有人关注这种偏差。这个问题很可能会阻碍未来各种形式的人工智能的发展，包括计算机视觉和决策支持工具。7AI就业市场全球化根据LinkedIn数据，2016年至2020年，巴西、印度、加拿大、新加坡和南非的AI就业增长最快。这并不意味着这些国家拥有最绝对的就业机会（美国和中国仍然占据人工智能就业机会的首位），但这些国家对人工智能的投资将对人工智能的发展产生积极影响技术和整个社会。LinkedIn发现，2020年的全球大流行并未对AI领域的职位招聘产生丝毫影响。值得注意的是，LinkedIn在印度和中国的人才使用并不广泛，因此LinkedIn上的数据并不能完全代表这些国家的人才市场状况。8、企业投资AI的热情“不想停，也不会停”。2015年以来，大量资金持续涌入人工智能领域。2020年全球企业对人工智能的投资飙升至近680亿美元，比上一年增长40%。九创业狂潮即将结束从上图可以看出，企业在AI领域的投资持续增长，但增长的背后，增速正在逐年放缓。这张图表显示人工智能初创公司获得的资金越来越少。虽然大流行可能对初创企业活动产生了影响，但2018年开始的AI初创企业数量明显下降的趋势从好的方面来看似乎表明该行业正在走向成熟。10、新冠病毒的影响尽管人工智能的很多趋势基本没有受到全球疫情的影响，但这张图表显示，2020年的AI投资更偏向在全球应对新冠疫情中发挥重要作用的单位病毒。制药相关公司的投资激增很好地说明了这一点。教育科技和游戏投入的增加也与2020年疫情的隔离有直接关系，会导致人们在电脑前的时间增加。十一险？有风险吗？大量企业正在稳步增加人工智能工具在电信、金融服务和汽车等行业的使用。然而，大多数公司似乎并不了解或不关心这项新技术带来的风险。在麦肯锡的一项研究中，调查了公司对与人工智能应用相关的风险的看法，只有网络安全风险受到了一半以上受访者的关注。与人工智能相关的隐私和公平等伦理问题是当今人工智能研究的热点之一，但这些问题并未引起企业足够的重视。12名AI博士涌向企业AI学术职位有限，虽然高校在本科和研究生阶段增加了AI相关课程，tenure-track教职职位也相应增加，但学术界仍无法吸纳新的年度人工智能博士。此图表仅代表AI博士。北美的毕业生中，绝大多数都去了人工智能公司。13.人工智能的伦理问题如前所述，许多公司对人工智能的伦理问题关注不够，但研究人员越来越关注这些问题。许多团体正在研究诸如人工智能系统的不透明决策（称为可解释性问题）、嵌入式偏见和歧视以及侵犯隐私等问题。这张图表显示，人工智能会议上涉及伦理问题的论文逐年增加，JackClark认为这是非常可喜的。他指出，有这么多学生参加这些人工智能会议，几年后，将会有大量关注人工智能伦理的从业者进入这个行业。不过，除了会议文件有所增加外，业界在这个问题上并没有其他突出的进展。该报告强调，人工智能系统偏差的定量测试才刚刚开始出现。杰克克拉克说，“这些评估系统就像是人工智能科学的一个新分支。”十四个多样性问题(1)解决人工智能系统中嵌入的偏见和歧视的一种方法是确保人工智能系统建立在群体多样性的基础上。这不是一个激进的概念。然而，报告称，AI劳动力在学术界和工业界“仍然以男性为主”。这张图表来自美国计算研究协会的年度调查，该调查显示，女性仅占北美AI相关博士项目毕业生的20%左右。15多样性问题(2)来自同一调查的数据讲述了关于种族/族裔身份的类似故事。这个问题在即将毕业的博士中似乎相当明显。学生，有许多专注于女孩和少数民族的优秀STEM项目。这就把我们带到了AI4ALL组织，也许社会可以更多地关注这些群体，给他们更多的资金，或者以某种方式参与进来。参考链接：https://aiindex.stanford.edu/wp-content/uploads/2021/03/2021-AI-Index-Report_Master.pdfhttps://spectrum.ieee.org/tech-talk/artificial-intelligence/machine-learning/the-state-of-ai-in-15-graphs
