刚刚，斯（sī）坦福全（quán）球AI报告正式发布。

从去年开始，斯坦福大学主导、来（lái）自MIT、OpenAI、哈佛（fó）、麦肯锡等机构的多位专家（jiā）教授（shòu），组建（jiàn）了一个小组，每年发（fā）布AIindex年度报告，全面追踪（zōng）人工（gōng）智能的发展现状和（hé）趋势（shì）。

“我们用硬数据（jù）说话。”报告的（de）负责人、斯坦福大学（xué）教授、前任谷歌（gē）首席科学（xué）家YoavShoham谈（tán）到这份最新的报（bào）告时（shí）表示。

今（jīn）年的报告，从学术、工业、开源、政府等方面（miàn）详细介绍了人工智能发展的现状，并且记录（lù）了计算机视觉、自（zì）然语言理解等（děng）领域（yù）的技术进（jìn）展。

报告要点：

一、美国AI综合（hé）实力最强

美（měi）国的AI论文发布数（shù）量虽然（rán）不是（shì）第一，但美国学者论文被引（yǐn）用的次数（shù）却是全球第一，比（bǐ）全（quán）球平（píng）均水（shuǐ）平高出83%。

2018年美国AI创业公司的（de）数量，比（bǐ）2015年增长2.1倍。而（ér）从2013年到2017年，美国AI初创企业（yè）获得的融资额增长了4.5倍。均高于平（píng）均水平一（yī）倍（bèi）以上。

二、中国AI追赶速度惊人（rén）

清华2017年学AI和机器学（xué）习的学生（shēng）数量（liàng），是2010年16倍。

70%的AAAI论（lùn）文来自（zì）美国或（huò）中国（guó），两国获（huò）接收的（de）论文数量相近，但（dàn）中国提（tí）交的论文总量比美（měi）国多30%。

基于（yú）经同行评议论文数（shù）据库（kù）Scopus的数据，2018年（nián）发布AI论文（wén）最多（duō）的（de）地区（qū）是欧洲（28%）、中国（25%）和美（měi）国（17%）。

与（yǔ）2000相比，2016年中国AI学者论文被引用的次（cì）数，提高了44%。

中国一年的机器人部署安装量，从2012到（dào）现（xiàn）在（zài）增长（zhǎng）了500%。ROS.org来自中（zhōng）国的访（fǎng）问量，2017年比2012年增加了18倍。

三、全球AI发展提速但（dàn）仍不均衡

2017年，全球ML人才需求已经是（shì）2015年的35倍。

整体来说（shuō），自2016年以来，美国、加拿（ná）大、英国（guó）政府在国会/议（yì）会会议中（zhōng）对人工智能（néng）和机器学习的提及（jí）激增（zēng）。

80%的AI教授是男性，统（tǒng）计数据来自UC伯克利、斯坦（tǎn）福、UIUC、CMU、UCLondon、牛津（jīn）和苏黎世联邦理工学院。

美国AI工作岗（gǎng）位的应聘（pìn）者中71%为（wéi）男性。

看过这份（fèn）报告之后（hòu），人工智能大牛吴恩（ēn）达总结（jié）了两点（diǎn）：1、AI正在快速（sù）发（fā）展，不（bú）管是（shì）学术（shù）界还是（shì）工业界都是如此。2、AI的发（fā）展仍不均衡，在多样性（xìng）、包容性方面仍需（xū）努力。

以下（xià）是这份报告的主要内容：

AI论文（wén）情况分析（xī）

发表总量增长迅猛

从1996年到2017年，CS领域的年发表（biǎo）论（lùn）文（wén）增长了约五倍(6x)，AI领（lǐng）域的年发表论文增长了约七倍(8x)。对比一下，所有（yǒu）学科的年发（fā）表论文总（zǒng）量增长了不到两（liǎng）倍(

划重点，AI论（lùn）文（wén）的年发表量，比（bǐ）CS论文增长要快（kuài）。

各地区AI论文（wén）发表情况

2017年（nián），Scopus上面的AI论（lùn）文，有83%来自美（měi）国以（yǐ）外的地方（fāng）。具体数据（jù）是，28%来自欧（ōu）洲，25%来自中国，17%来（lái）自美国。

从2007年到2017年，中国的年发表AI论文数增长了150%。

细（xì）分领域论文发表情况

2017年（nián）发表的AI论（lùn）文（wén）中，有56%来自机器学习（xí）与概率推理这一研究方（fāng）向。

对比一下，2010年发表的（de）AI论文，只有（yǒu）28%来自这个方向（xiàng）。

另（lìng）外（wài），图表里（lǐ）显示的大部分研（yán）究方向，在2014-2017年间，复合年均增长率(CAGR)比2010-2014年（nián）要高。

比如，神（shén）经网络这一方向的论（lùn）文（wén）发表数量，2014-2017年之间，复合年（nián）均增长率达到37%(如图中红（hóng）色曲线（xiàn）)，最为突出。

做个对（duì）比，在2010-2014年（nián）之（zhī）间，神经网络论文发表数，复合（hé）年均增（zēng）长率仅有3%。

arXiv论（lùn）文（wén）

自（zì）2010年以来，arXiv论文总体（tǐ）呈现迅速增长，从（cóng）2010年发布的1，073篇，到2017年（nián）发布的13，325篇，增长超过11倍(12x)。许多细分领域也呈现（xiàn）增长。

这表示，论文作者们倾向于把自己的研究成（chéng）果传（chuán）播出去，不论是经过同行评（píng）审还是在AI会议上发表的（de）论文。这（zhè）也体现了，AI这（zhè）个领域竞争激烈的（de）特质。

在细分领域中（zhōng），计算（suàn）机（jī）视（shì）觉(CV)是（shì）自2014年（nián）起（qǐ）增（zēng）长最（zuì）快的一个(上图蓝色（sè）曲线)，从1，099篇增长（zhǎng）到2017年的4，895篇，涨幅（fú）近400%。

AI论（lùn）文引用量

FWCI是（shì）领域权重引用影（yǐng）响系数，可以（yǐ）用来衡量论文的影（yǐng）响力。

报告重新定义（yì）了（le）一种“改（gǎi）装版”(Re-based)的FWCI，不按地（dì）区，而按世（shì）界平均值，来计算影响（xiǎng）力。

在这（zhè）个标准（zhǔn）之下，虽然欧洲发表的AI论文数高（gāo）于中国和美国，不过论（lùn）文影（yǐng）响力曲（qǔ）线比较平缓；相比之下，中国发表（biǎo）的论文（wén）影响力增长剧烈：与2000年相（xiàng）比（bǐ），2016年（nián）平均每（měi）位中（zhōng）国AI论文作（zuò）者的引用率增长了44%。

不过在（zài）这方面，美国（guó）依然全球领先，美（měi）国AI论文作者的平均引用率，比世界平均值（zhí）高（gāo）出83%。

AAAI论文

AAAI2018，提交（jiāo）论文，中美占70%，中（zhōng）选论文，中美占67%。

中国的（de）论文提交（jiāo）数高出（chū）美国约1/3，但二（èr）者中选论文数相差无（wú）几，中国入选265篇（piān），美（měi）国入选（xuǎn）268篇。

高（gāo）校AI课程注册情况

AI和ML进（jìn）军高校的速（sù）度提（tí）升了不少。

报告显示，截（jié）止到2017年底，AI课程注册人数是2012年的3.4倍，ML课程注册（cè）人数是2012年的5倍。

其中，UC伯克利的ML课程的注（zhù）册人数（shù）增长（zhǎng）最快，是（shì）2012年（nián）的6.8倍，但此数值较（jiào）2016年（nián）增长速度（dù）有明显下（xià）降。

报告进一步统计了（le）非美国地区院校（xiào）AI+ML课程注册（cè）人数的变化。结果（guǒ）显示，清华是非（fēi）美国院校外增长率最高的高校，几乎是第二名多伦多大学的2倍。

纵向（xiàng）对比来看，清华2017年AI+ML课程注册人数是2010年的16倍。

学术会议热度

在（zài）大型会议中（zhōng），NeurIPS(曾用（yòng）名（míng）NIPS)、CVPR和ICML，是参与人数（shù）最多的三大AI会议。自2012年以来，论参与人数的增长率，这（zhè）三者也（yě）领先于其他会议（yì）。

NeurIPS和ICML参与人（rén）数增长最快：将（jiāng）2018年与2012年相（xiàng）比（bǐ），NeuRIPS增（zēng）长（zhǎng）3.8倍(4.8x)，ICML增长5.8倍(6.8x)。

上（shàng）面讨论的是大型会议，但小型会议的参（cān）与人数同样有明显的增长，甚至可以（yǐ）比大型会议的增长更加明显。

这里最突出（chū）的是，ICLR2018的参会人数达（dá）到了2012年的20倍。

原（yuán）因很可（kě）能是近（jìn）年（nián）来，AI领域越来越关（guān）注深度学习和强化学习了。

AI创业投资情况

从2015年1月到2018年1月，人工智能创业公司的数量增（zēng）长到了（le）原来的2.1倍，而所（suǒ）有活跃的创（chuàng）业公司增长到了（le）原来的1.3倍。

大多数情况（kuàng）下，创业公司的增长都保持相对稳定，而（ér）人工智能创业公司呈指数级增长。

在风投资金方面，从2013年到2017年（nián），人工智能领域的风投（tóu）资金增长到了原来的4.5倍，而所有的风投（tóu）资金只（zhī）增长到了原来的2.08倍。这（zhè）些数据都是年度数（shù）据，不是逐（zhú）年累（lèi）积的。

图（tú）表中有两（liǎng）个高峰（fēng）期，1997-2000年风投资金的（de）激增，对（duì）应的是（shì）网络泡沫时期。2014-2015年出现了一（yī）个较小（xiǎo）的增长，因为当时正处（chù）于一个相对较大的经（jīng）济增长时期。

人才需求（qiú）

报告显示，近几（jǐ）年，社会需（xū）要的（de）AI相关人（rén）才大幅度增加（jiā），目前（qián）对有ML技能的人（rén）才（cái）需求最（zuì）大，其次是深度学习。

可以看（kàn）出，ML人才（cái）需（xū）求也是这两年增长速度最快的。

报告统（tǒng）计，2017年，全（quán）球（qiú）ML人才（cái）需求是（shì）2015年的35倍，从2016年（nián）到2017年的（de）增幅尤为明（míng）显。全球对AI人才的需求（qiú）在2016年骤增。

专利

2014年，大约30%的人工智能专利发明人来自美国，其次（cì）是韩国和（hé）日本，各拥有16%。

在韩国和（hé）中国（guó）台湾（wān）地区，专（zhuān）利的增长速度较快（kuài）。2014年（nián）人工智能专利的数量几乎是2004年（nián）的5倍（bèi）。

财报（bào）电话会议中提及AI和ML的次（cì）数

2015年，科技公司在（zài）财报电话会议中提及AI和（hé）ML的次数（shù）开始有所增加。

2016年，其他行业提及AI次数才开始增长。

相比之下，科技行业的公司提及AI和（hé）ML的次数远比其他行业多。

在财报电话会议（yì）中，除了科技行（háng）业之外，提及AI次数（shù）最多的（de）公司，基本（běn）上分（fèn）布在消费、金融和医疗保健行（háng）业。

机器人安装量

2012年到（dào）2017年，中国机（jī）器人年安装量增长了500%，其他地区，比如韩（hán）国和欧洲，分别（bié）增长（zhǎng）了105%和122%。

在安装量（liàng）较小的地区中，中（zhōng）国台湾比较突出，在（zài）2012-2017年增长最快。

开源（yuán）框架（jià）GitHub标星数

各框架（jià）的标（biāo）星数（shù）反映着他们在开发（fā）者（zhě）群体中的流（liú）行程度。不过，因（yīn）为开发者（zhě）们（men）日常不会“取关”GitHub项目，所以这些星（xīng）星都是多年来积攒下的。

我们可以明显发现，TensorFlow的（de）受欢迎程度在开发者中遥遥领（lǐng）先、稳步增长。

排除（chú）了第一热门，第二名和第（dì）三名分别是scikit-learn和BVLC/caffe。

TensorFlow官方力推的（de）keras排到了第四，但近一年来几无增长势头（tóu）。

另外（wài）两大（dà）热门PyTorch和MXNet分别排到（dào）了第（dì）七和第六，尤其是（shì）PyTorch，作为一个年轻的框架（jià），自2017年初（chū）发布以来至今，GitHub标星数至（zhì）少增长了4倍。获取新用户的势头（tóu）很猛，不知道其中有多少被（bèi）TensorFlow逼疯的人类（lèi）。

各类任务最新成绩

这个部分（fèn）分为CV和NLP两（liǎng）块，分别列（liè）举了各主流任务从发展之初到现（xiàn）在的（de）成绩进步情况。

ImageNet图像识别准确（què）率

2017年是ImageNet比赛的最后（hòu）一届，2018年这项比赛就不再进（jìn）行了。不过，验证集依然有人在用。

蓝色的线条为ImageNet挑（tiāo）战赛历年的成绩变化，由（yóu）于每年比赛所用的数据（jù）不（bú）同，旁边多了一条（tiáo）黄色线条，是以ImageNet2012验证（zhèng）集为评（píng）价标准绘制的。

可以看出，到2015年，机器（qì）在图像分类任务上（shàng）的能力已经明显超越了人眼，而即使比赛不再继续（xù），学术（shù）研究者依然在认真推进该（gāi）任务的表现。

这也侧（cè）面说明，如（rú）果一项工作有了明确的评价标准和固定（dìng）的（de）挑战内容，研究者们围绕此竞争，更容易（yì）让技术在该领域取得突破。

ImageNet训练速度

这张（zhāng）图（tú）是训练ImageNet图像（xiàng）分类神经（jīng）网络所需时间的历年变化（huà）（当然，是（shì）买得（dé）起足够（gòu）计算资源的人和机构所用的（de）时长）。

从2017年6月的1小（xiǎo）时，到2018年11月（yuè）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（jiàn）方面的贡献，算法上的提升也不容小觑。

图像（xiàng）分割（gē）COCO

ImageNet挑战赛“退（tuì）休（xiū）”之后，CV领域的朋友们就（jiù）把重点放在了（le）微软（ruǎn）的（de）COCO，挑战（zhàn）语义分割和实（shí）例分割。

四年来，COCO数（shù）据集上图像分割挑战的精确度已经提升了0.2，2018年（nián）的成绩比（bǐ）2015提升了72%。不过，目前还没（méi）有超过0.5，这一项还（hái）有充足的进步（bù）空间。

另外值得一提（tí）的是，COCO比赛近年来占据冠军位置的（de）多是来自中（zhōng）国的公司，包括旷视、商汤等计算机视觉独角（jiǎo）兽日常包揽数个项目的冠军。

语（yǔ）法分析（Parsing）

在确定句子结构这（zhè）种语法分（fèn）析的（de）任务上（shàng），2003年到（dào）2018年的15年间，AI的表现（F1Score得（dé）分（fèn））提（tí）升了将近10%。

机器翻译

在机器翻译任务上（shàng），报（bào）告拿英语-德语互相翻（fān）译举例，评估了（le）AI模型在经典机器翻译评估算法BLEU标准中（zhōng）的（de）表现。

报告（gào）显示，2018年（nián）英（yīng）语转（zhuǎn）德语的BLEU评分是2008年的3.5倍，德语转英语成绩（jì）是2008年的2.5倍。

机器问答：AI2ReasoningChallenge(ARC)

在问答领域，AI表现进（jìn）步更明显，可以按月计（jì）数了（le）。

报告（gào）统计了2018年从四（sì）月到11月间，AI在ARC推理挑战赛（sài）上成（chéng）绩的（de）变（biàn）化：简（jiǎn）单（dān）组（zǔ）得分从63%提升到69%，挑战组得分从27%提升到42%。

这些，都仅是半年间的进步。

机器问答：GLUE

同样（yàng）用于（yú）机器问答的GLUE基准（GeneralLanguageUnderstandingevaluation）推出至今只有7个月的时间，但目（mù）前的表现（xiàn）已经比半年前提（tí）升了90%。

GLUE的推出者、纽约（yuē）大学助理教（jiāo）授SamBowman说，虽然围绕GLUE的大型社区还没有（yǒu）出现，不过已（yǐ）经有了（le）像谷歌BERT这（zhè）样的代（dài）表性技（jì）术用了GLUE基准，面世一（yī）个月内已经被引用8次。在EMNLP会（huì）议中，GLUE时常被（bèi）讨论，可能会成（chéng）为（wéi）语言理解领域中的一个基准线（xiàn）。

政（zhèng）府提及（jí）

整体来（lái）说，自2016年以来，美国、加拿（ná）大、英国（guó）政府在（zài）国会/议会会议中（zhōng）提及人工智能和机器学习的（de）次（cì）数激增。

2016年之（zhī）前，机器学习很少被提及，与人工智（zhì）能相比（bǐ），机器（qì）学习在（zài）总提及量中（zhōng）只（zhī）占很小的一部分。