刚刚，斯坦（tǎn）福全（quán）球AI报告正式发布。

从（cóng）去（qù）年开始，斯坦福大学主导、来自MIT、OpenAI、哈（hā）佛、麦肯（kěn）锡等机构的多位专家（jiā）教授，组建了一个小组，每年（nián）发布AIindex年度报告（gào），全面（miàn）追踪人工智能（néng）的发展现状和趋势。

“我们（men）用硬（yìng）数据说话（huà）。”报（bào）告（gào）的负责人、斯坦福大学教授、前任谷歌首席（xí）科学家（jiā）YoavShoham谈到这份最新的报（bào）告时表（biǎo）示。

今年的报告，从学术、工业、开源、政府等方面详（xiáng）细介绍了人工智能发展（zhǎn）的（de）现状，并且记录了计（jì）算（suàn）机视觉、自然（rán）语言理解等领域的技术进展。

报（bào）告（gào）要点（diǎn）：

一、美（měi）国AI综合实力最强

美国（guó）的AI论文发（fā）布数量虽然不是第一，但（dàn）美国学者论文被（bèi）引（yǐn）用的次数却是全球第一，比全球平均水平（píng）高出83%。

2018年（nián）美国AI创（chuàng）业公司的数量，比2015年增长（zhǎng）2.1倍。而从2013年到2017年，美国AI初创企业获（huò）得的融资（zī）额增长（zhǎng）了4.5倍（bèi）。均高（gāo）于平（píng）均水平一倍以上。

二、中国（guó）AI追赶速（sù）度惊（jīng）人

清（qīng）华2017年学AI和机器学习的学生数量，是2010年（nián）16倍。

70%的AAAI论文来自美国或中国，两国获接收（shōu）的（de）论文数量相近，但中（zhōng）国提交的（de）论文总量比美国多（duō）30%。

基于（yú）经同行评议（yì）论文（wén）数据库Scopus的数据，2018年发布AI论文最多的地（dì）区是欧（ōu）洲（28%）、中国（25%）和美国（guó）（17%）。

与2000相比，2016年中国AI学者论文（wén）被引用的次数（shù），提高了44%。

中（zhōng）国一年（nián）的机（jī）器人部署安装量，从2012到现在增长了（le）500%。ROS.org来（lái）自中国的访问量，2017年比2012年增加了18倍。

三、全球AI发（fā）展（zhǎn）提速但仍（réng）不均衡

2017年，全球ML人才需求（qiú）已（yǐ）经是2015年的35倍。

整（zhěng）体（tǐ）来（lái）说，自2016年以来，美国、加拿大、英（yīng）国政（zhèng）府在国会/议（yì）会会（huì）议中对人（rén）工智能和机器学（xué）习的提（tí）及激（jī）增。

80%的AI教（jiāo）授是（shì）男性，统（tǒng）计（jì）数据（jù）来自（zì）UC伯克（kè）利、斯坦福、UIUC、CMU、UCLondon、牛津（jīn）和苏黎（lí）世（shì）联邦理工（gōng）学院（yuàn）。

美国AI工作（zuò）岗位（wèi）的应（yīng）聘（pìn）者中71%为男性。

看过这份（fèn）报告之后，人工（gōng）智能大（dà）牛吴恩达（dá）总结了两点：1、AI正在（zài）快速发展，不管是学术界还是工业界都是如此（cǐ）。2、AI的发展仍（réng）不均衡，在多（duō）样性、包容（róng）性方面仍需（xū）努力。

以下是这（zhè）份报告的主要内容：

AI论文情（qíng）况分析

发表总量增长迅猛

从1996年到2017年，CS领域的（de）年（nián）发表论文增长了约五倍（bèi）(6x)，AI领域（yù）的年发表论文增（zēng）长了约七倍(8x)。对比一下，所有学科的年发表论文总（zǒng）量增长了不到两倍(

划重点，AI论（lùn）文的年（nián）发表量，比CS论文增长要快。

各地区AI论文发表情（qíng）况

2017年，Scopus上面的AI论文，有（yǒu）83%来（lái）自（zì）美国以外的地方。具体数据是，28%来自欧（ōu）洲（zhōu），25%来（lái）自中国，17%来自美国。

从2007年到（dào）2017年，中国的年发表AI论文数增长了150%。

细分领域论文发（fā）表情况

2017年发表的AI论文中，有（yǒu）56%来自机器学习（xí）与概率推理这（zhè）一研（yán）究（jiū）方（fāng）向。

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

另外，图表（biǎo）里显（xiǎn）示的大部分研究方向（xiàng），在（zài）2014-2017年间，复合年均增长率(CAGR)比2010-2014年要高。

比如，神经网络（luò）这一方向的论（lùn）文发表数量，2014-2017年之间（jiān），复合（hé）年均增长率（lǜ）达到37%(如图（tú）中（zhōng）红色（sè）曲线（xiàn）)，最为（wéi）突出。

做个对比（bǐ），在2010-2014年之（zhī）间，神经网络（luò）论文发表数，复合年均增长率仅（jǐn）有3%。

arXiv论文

自2010年以来，arXiv论（lùn）文总体呈现迅速增长，从2010年发（fā）布（bù）的1，073篇，到2017年发布的13，325篇，增长超过11倍(12x)。许（xǔ）多细（xì）分领域（yù）也呈现增（zēng）长。

这表示，论（lùn）文（wén）作者们（men）倾向（xiàng）于（yú）把自己的研究成果传播（bō）出去，不论（lùn）是（shì）经过同行评审还是在AI会议上发（fā）表（biǎo）的论文。这也体现了，AI这个（gè）领域竞争激烈的特质。

在细分领域（yù）中（zhōng），计算（suàn）机（jī）视觉(CV)是自2014年起增长最快的一个(上图蓝色曲（qǔ）线（xiàn）)，从（cóng）1，099篇增（zēng）长到2017年的4，895篇，涨幅近400%。

AI论（lùn）文引用（yòng）量

FWCI是领域权重引用影（yǐng）响系数，可以（yǐ）用来衡量论（lùn）文的（de）影响力（lì）。

报告重（chóng）新（xīn）定义（yì）了一种“改装版”(Re-based)的FWCI，不按（àn）地区，而按（àn）世界平均值，来计算影响力。

在（zài）这个标准之下，虽然欧洲发表的AI论文（wén）数高于（yú）中国和美国，不过论文影响力（lì）曲线比较平缓；相（xiàng）比之（zhī）下，中国发表（biǎo）的论文影（yǐng）响力增长剧（jù）烈（liè）：与2000年相比，2016年（nián）平均每位中（zhōng）国AI论（lùn）文作者的引用率增长了44%。

不过在这方面，美国依然（rán）全球领先，美国AI论文（wén）作者的平均引用（yòng）率，比世界平均值（zhí）高出83%。

AAAI论文

AAAI2018，提交论文（wén），中美占70%，中选论（lùn）文，中美（měi）占67%。

中国（guó）的论文提交（jiāo）数高出美国约1/3，但二（èr）者中选论文（wén）数相差无几，中国入选265篇，美国（guó）入（rù）选268篇。

高校AI课程注册（cè）情（qíng）况

AI和（hé）ML进（jìn）军高校的速度（dù）提升了不少。

报告显示，截止到2017年底，AI课程注册人数是2012年的3.4倍（bèi），ML课（kè）程注册（cè）人数是2012年（nián）的5倍（bèi）。

其中，UC伯（bó）克（kè）利的ML课程（chéng）的注册人数增长最快，是2012年的（de）6.8倍，但此数值较2016年增长速度有明显下降。

报告进一步（bù）统计了非（fēi）美国地区院校AI+ML课程注册人（rén）数的变化。结（jié）果（guǒ）显示，清华是非美国（guó）院校外（wài）增长率最高的高（gāo）校，几乎是第二（èr）名多伦多大学的2倍（bèi）。

纵向对（duì）比来看，清华2017年AI+ML课（kè）程注册（cè）人数（shù）是2010年的16倍。

学术会议（yì）热度

在（zài）大型（xíng）会议中，NeurIPS(曾用名NIPS)、CVPR和ICML，是参与（yǔ）人数最多的三大（dà）AI会议。自2012年以来（lái），论参与（yǔ）人数的增长率，这三者也领先于其他会议。

NeurIPS和ICML参（cān）与人数增长（zhǎng）最（zuì）快（kuài）：将2018年与2012年相（xiàng）比（bǐ），NeuRIPS增长3.8倍(4.8x)，ICML增长5.8倍(6.8x)。

上面（miàn）讨论的是大型会议，但（dàn）小型（xíng）会议的参与（yǔ）人（rén）数同（tóng）样（yàng）有明显的增长（zhǎng），甚至可以比大型会议的增长更加（jiā）明显。

这里（lǐ）最突出的是，ICLR2018的参会人数达到了2012年的20倍。

原因（yīn）很可能是近年来（lái），AI领域（yù）越（yuè）来越关注深度（dù）学习和（hé）强化学习（xí）了。

AI创业投（tóu）资（zī）情况

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

大多数情况下，创业公司的（de）增长都保（bǎo）持相对稳定，而（ér）人工智（zhì）能创业公司呈（chéng）指数（shù）级增（zēng）长。

在风投资金方面，从2013年（nián）到2017年，人（rén）工智（zhì）能领域（yù）的风投资（zī）金增长到（dào）了原来的4.5倍，而所（suǒ）有的风投资金只增（zēng）长到了原来的（de）2.08倍。这（zhè）些数据（jù）都是年度数据，不是逐年累积的。

图（tú）表中有两（liǎng）个高峰期，1997-2000年风投（tóu）资金（jīn）的激增，对（duì）应的是（shì）网（wǎng）络（luò）泡沫时期（qī）。2014-2015年出现了（le）一个较小的增长，因为（wéi）当时正处于一（yī）个相对较大的经济增长时期（qī）。

人（rén）才需（xū）求

报告显示，近几年，社会需要的AI相关人才大幅度增（zēng）加（jiā），目前对有ML技能的人才需求最大（dà），其次是深度学习。

可（kě）以（yǐ）看出，ML人才需求也是这两年（nián）增（zēng）长速度最快的。

报告统计（jì），2017年，全（quán）球ML人才需求（qiú）是2015年的35倍（bèi），从2016年到2017年的增幅尤为（wéi）明显。全球对（duì）AI人才的需求在2016年骤增（zēng）。

专利

2014年，大约30%的（de）人工智能专利发（fā）明（míng）人来自美（měi）国，其次是韩（hán）国和日本，各拥有16%。

在韩国和中（zhōng）国台湾（wān）地区，专利（lì）的增长速（sù）度（dù）较快。2014年人工智能专利的数（shù）量几乎是2004年的5倍。

财报电话（huà）会（huì）议中提及AI和（hé）ML的次（cì）数

2015年，科（kē）技公司（sī）在财报电话会议（yì）中提（tí）及AI和ML的次数开始有所增加（jiā）。

2016年，其（qí）他行业提及（jí）AI次（cì）数才开（kāi）始（shǐ）增长。

相比之（zhī）下，科技行业的公司提及AI和ML的次数远比（bǐ）其他行业（yè）多。

在财报电话会议中（zhōng），除了（le）科技（jì）行业之（zhī）外，提及AI次数最（zuì）多的公（gōng）司，基本上分布在（zài）消费、金融和医（yī）疗保（bǎo）健（jiàn）行（háng）业。

机器人安装量

2012年到2017年，中国机（jī）器人年安装量增长了（le）500%，其他地区（qū），比如韩国和欧洲，分别增（zēng）长了105%和122%。

在安装量较小的地区中，中国台湾比较（jiào）突出，在2012-2017年增长最快。

开源框架（jià）GitHub标星（xīng）数

各框架的标星数（shù）反映着他（tā）们在开发（fā）者群体中的（de）流行程（chéng）度。不（bú）过，因为开发者们日（rì）常不会“取（qǔ）关”GitHub项目，所（suǒ）以这些（xiē）星星都是多年来积攒下（xià）的。

我们可（kě）以明显发（fā）现，TensorFlow的受欢（huān）迎程度在开发者中遥遥领先、稳（wěn）步增（zēng）长（zhǎng）。

排除（chú）了第一热门，第（dì）二名和第三名分（fèn）别是scikit-learn和BVLC/caffe。

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

另外两大热门PyTorch和（hé）MXNet分（fèn）别排到（dào）了第（dì）七（qī）和第六，尤其是PyTorch，作为（wéi）一（yī）个年轻的框架，自2017年初（chū）发布以来至今，GitHub标星数（shù）至少增（zēng）长了4倍。获取新用户（hù）的势头很猛，不知道其中有多少被（bèi）TensorFlow逼疯的人类（lèi）。

各类（lèi）任务最新成绩

这个部（bù）分分为CV和NLP两块，分别列举了各主流任（rèn）务从发（fā）展之（zhī）初到现在的成绩进步情况。

ImageNet图（tú）像识（shí）别（bié）准确率

2017年是ImageNet比（bǐ）赛的最（zuì）后一届，2018年这项比赛就不（bú）再进行了。不过，验证集依然有人在用。

蓝色的线条为ImageNet挑战赛历年的成绩变化，由于每年比赛所用的（de）数据（jù）不（bú）同，旁边多了一（yī）条黄色线条，是以ImageNet2012验证集为评价标准绘制的（de）。

可以看（kàn）出，到2015年（nián），机器在图像分类任务上的（de）能力已（yǐ）经明显超越了人眼，而（ér）即使比赛不再继续，学术研究者依（yī）然在认真推进该任务的表现。

这也侧面说明，如果（guǒ）一项工作有（yǒu）了明确（què）的评价（jià）标准和固定的（de）挑（tiāo）战内容，研究者们围（wéi）绕此竞争，更容易让技术（shù）在该领域（yù）取得突破。

ImageNet训练速度

这（zhè）张图是训练ImageNet图像分类神经网络（luò）所（suǒ）需时间（jiān）的历年（nián）变化（huà）（当然，是买得起足够计（jì）算资源的人和机构所用的时（shí）长）。

从2017年6月（yuè）的1小时，到2018年11月的（de）4分钟，ImageNet图像分类神经（jīng）网络的训练速度提升（shēng）了（le）16倍，除了硬件方面的贡（gòng）献，算法上的提升也不（bú）容小觑。

图像分割COCO

ImageNet挑战赛“退休”之（zhī）后，CV领（lǐng）域的（de）朋友们就把重（chóng）点放在了（le）微软的COCO，挑战（zhàn）语义分割和实例分（fèn）割。

四（sì）年来，COCO数据集上（shàng）图（tú）像分割挑战的精（jīng）确度已经提升（shēng）了0.2，2018年的成（chéng）绩比2015提升了72%。不过，目前还没有超过0.5，这一项还（hái）有（yǒu）充足（zú）的（de）进步（bù）空（kōng）间。

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

语法分析（Parsing）

在确定（dìng）句子结构（gòu）这种语法分析的任务上，2003年到（dào）2018年（nián）的15年间，AI的（de）表现（xiàn）（F1Score得（dé）分）提升了（le）将近10%。

机器（qì）翻译

在机器翻（fān）译任务上，报告拿英（yīng）语-德语互相（xiàng）翻（fān）译举例，评估了AI模型在经（jīng）典（diǎn）机器翻译评估算法BLEU标准中（zhōng）的（de）表现。

报告显示，2018年英语（yǔ）转德语（yǔ）的BLEU评分是2008年的3.5倍，德语转（zhuǎn）英语成（chéng）绩是2008年的2.5倍。

机（jī）器问答：AI2ReasoningChallenge(ARC)

在问答（dá）领域，AI表现进步（bù）更明显（xiǎn），可以按月计数了（le）。

报告（gào）统计了（le）2018年从四月到（dào）11月间，AI在ARC推理（lǐ）挑战赛上（shàng）成绩的变化（huà）：简单组得（dé）分从63%提升到69%，挑（tiāo）战组得分从27%提升（shēng）到42%。

这（zhè）些，都仅是（shì）半年间的进步。

机器（qì）问答：GLUE

同样用于机器问答的GLUE基（jī）准（GeneralLanguageUnderstandingevaluation）推出（chū）至今只有7个月的（de）时（shí）间，但（dàn）目前的（de）表现已经比半年前提（tí）升（shēng）了90%。

GLUE的推出者、纽约大学助理教（jiāo）授SamBowman说，虽然围绕GLUE的大型社区还没有出现，不过已经有（yǒu）了像谷歌（gē）BERT这样（yàng）的代表性技术（shù）用了（le）GLUE基准，面（miàn）世一个月内已经（jīng）被（bèi）引用8次。在（zài）EMNLP会议中，GLUE时常被讨论（lùn），可能会成为语言理解领域中的一（yī）个（gè）基准线。

政府（fǔ）提及（jí）

整体来说，自2016年以来，美国、加拿大、英国政府在国会/议会会议中提及人（rén）工智能和机器学习的（de）次数激增。

2016年之前，机器（qì）学习很少被（bèi）提及，与人工智能（néng）相比，机器（qì）学（xué）习在总（zǒng）提及量中只占很小的（de）一部（bù）分（fèn）。