由斯坦福大學(xué)人工智能百年研究（AI100）推出的「人工智能指數(shù)」（AI Index）是一個(gè)追蹤 人工智能行業(yè)動(dòng)態(tài)與發(fā)展的非營(yíng)利性項(xiàng)目，其研究覆蓋了百年以來(lái)人工智能的總體情況， 目標(biāo)是基于數(shù)據(jù)來(lái)推動(dòng)人工智能的廣泛交流和有效對(duì)話。2017 年，AI Index 推出了首份年度報(bào)告，從多個(gè)角度觀察和解讀了人工智能領(lǐng)域的動(dòng)態(tài)和進(jìn)展。

1.論文發(fā)表數(shù)量

下圖統(tǒng)計(jì)了 Scopus 學(xué)術(shù)論文庫(kù)中標(biāo)注關(guān)鍵詞「人工智能」的計(jì)算科學(xué)論文數(shù)量。

自 1996 年至今，每年發(fā)布的 人工智能論文數(shù)量增加了 9 倍多。

這里是各類學(xué)術(shù)論文年發(fā)表率與其 1996 年發(fā)表率的比較。圖表顯示了各領(lǐng)域論文、 計(jì)算機(jī)科學(xué)領(lǐng)域論文以及計(jì)算機(jī)領(lǐng)域內(nèi)人工智能論文年發(fā)表率的增速。

數(shù)據(jù)揭示了人工智能論文發(fā)表率的增長(zhǎng)不僅僅是出于對(duì)更廣泛計(jì)算機(jī)科學(xué)領(lǐng)域興趣的 增長(zhǎng)。具體來(lái)說(shuō)，盡管自 1996 年以來(lái)整體計(jì)算機(jī)科學(xué)領(lǐng)域內(nèi)的論文數(shù)量已經(jīng)增長(zhǎng)了 6 倍，同時(shí)期人工智能領(lǐng)域每年發(fā)表的論文數(shù)量已經(jīng)增長(zhǎng)了 9 倍多。

2.課程選修人數(shù)

除了論文發(fā)表數(shù)以外，課程的參與人數(shù)也能體現(xiàn)這個(gè)領(lǐng)域的活力。以下展示的是斯坦 福大學(xué)每年選修人工智能與機(jī)器學(xué)習(xí)導(dǎo)論課程的學(xué)生數(shù)量。機(jī)器學(xué)習(xí)是人工智能的子領(lǐng)域。我們著重關(guān)注機(jī)器學(xué)習(xí)導(dǎo)論課程的參與度是因?yàn)槟壳叭斯?智能領(lǐng)域很多成果都基于機(jī)器學(xué)習(xí)的算法與理論。

自 1996 年以來(lái)，選修斯坦福大學(xué)人工智能導(dǎo)論課程的人數(shù)已經(jīng)增長(zhǎng)了 11 倍。

注:斯坦福大學(xué) 2016 學(xué)年機(jī)器學(xué)習(xí)入學(xué)人數(shù)的下降是基于當(dāng)年的行政問(wèn)題而非學(xué)生興趣。

本報(bào)告之所以著重突出斯坦福大學(xué)導(dǎo)論課程的選修人數(shù)是因?yàn)槠鋽?shù)據(jù)最全面。不過(guò)如下所示，其它高校導(dǎo)論課程的選修趨勢(shì)也與斯坦福相似。

注:許多大學(xué)從上世紀(jì) 90 年代起開(kāi)設(shè)人工智能課程。上圖展示的是可獲取數(shù)據(jù)的年份的情況。

注:許多大學(xué)從上世紀(jì) 90 年代起開(kāi)設(shè)機(jī)器學(xué)習(xí)課程。上圖展示的是可獲取數(shù)據(jù)的年份的情況。

需要注意的是，這些圖表展示了高等教育領(lǐng)域中的一個(gè)側(cè)面，這些數(shù)據(jù)并不一定代表 學(xué)術(shù)機(jī)構(gòu)總體的發(fā)展趨勢(shì)。

3.學(xué)術(shù)會(huì)議出席情況

以下展示了人工智能領(lǐng)域有代表性的學(xué)術(shù)會(huì)議的參會(huì)情況，其中既有如 AAAI、IJCAI 和 ICML 這樣的大型綜合性會(huì)議 (按 2016 年參會(huì)人數(shù)超過(guò) 1000 人為標(biāo)準(zhǔn))，也有像 CVPR、ACL、ICRA 那樣專注于計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理和機(jī)器人的小型會(huì)議 (2016 年參 會(huì)人數(shù)不足 1000 人)。

注:大多數(shù)學(xué)術(shù)會(huì)議自 1980 年代起即開(kāi)始舉辦，上圖展示的是參會(huì)人數(shù)有記錄的年份的情況。

研究重心轉(zhuǎn)移:上圖的參會(huì)人數(shù)同樣表明了研究重點(diǎn)已經(jīng)從符號(hào)推理轉(zhuǎn)向了機(jī)器學(xué)習(xí)與深 度學(xué)習(xí)。

下圖展示了參會(huì)人數(shù)少于 1000 人的小型學(xué)術(shù)會(huì)議的參會(huì)情況，其中需要注意的是 ICLR，該會(huì)議專注于深度學(xué)習(xí)領(lǐng)域，第一次會(huì)議于 2013 年由深度學(xué)習(xí)先驅(qū) Yann LeCun 及 Yoshua Bengio 主辦。

穩(wěn)步前進(jìn):盡管學(xué)術(shù)界研究重點(diǎn)近年來(lái)已轉(zhuǎn)移至機(jī)器學(xué)習(xí)及深度學(xué)習(xí)，仍有一小部分 研究者繼續(xù)在符號(hào)推理方法上進(jìn)行探索并取得進(jìn)展。

產(chǎn)業(yè)領(lǐng)域

1.AI 領(lǐng)域創(chuàng)業(yè)公司

下圖展示了得到風(fēng)投資本支持并開(kāi)發(fā)了人工智能系統(tǒng)的美國(guó)活躍創(chuàng)業(yè)公司的數(shù)量。

這一數(shù)量自 2000 年以來(lái)已增加了 14 倍。

2.AI 領(lǐng)域風(fēng)險(xiǎn)投資

下圖為風(fēng)投資本對(duì)美國(guó)人工智能創(chuàng)業(yè)公司所有融資階段的年投資總額。

這一金額自 2000 年以來(lái)增加了 6 倍。

3.工作機(jī)會(huì)

下圖分別展示了需要人工智能技能的工作數(shù)量的增 長(zhǎng)。我們通過(guò)標(biāo)題和工作描述的關(guān)鍵詞區(qū)分出需要人工智能技能的工作。

下圖是美國(guó)需要人工智能技能的工作數(shù)量的增長(zhǎng)數(shù)據(jù)。漲幅是基于 美國(guó)要求人工智能技能的就業(yè)崗位所占份額的增長(zhǎng)倍數(shù)。

自 2013 年以來(lái)，在美國(guó)需要人工智能技能的工作比重增長(zhǎng)了 4.5 倍。

下圖為多個(gè)國(guó)家需要人工智能技能的工作比重的增長(zhǎng)趨勢(shì)。

注:雖然在加拿大和英國(guó) 人工智能就業(yè)市場(chǎng)增長(zhǎng)很快，但相對(duì)來(lái)說(shuō)它們?cè)?絕對(duì)規(guī)模上仍然只有美國(guó) AI 就業(yè)市場(chǎng)的 5% 和 27%。

下圖為按照所需的特定技能劃分的一年內(nèi)人工智能工作機(jī)會(huì)總量。

注:一份與人工智能相關(guān)的工作可能出現(xiàn)被計(jì)算兩次的情況 (屬于不同的類別)。比如，一份工作可能尤其需要自然語(yǔ)言處理和計(jì)算機(jī)視覺(jué)兩種技能。

4.自動(dòng)化及機(jī)器人應(yīng)用

工業(yè)機(jī)器人進(jìn)口到北美和全球的數(shù)量。

工業(yè)機(jī)器人進(jìn)口到北美和全球的數(shù)量增長(zhǎng)趨勢(shì)。

開(kāi)源生態(tài)

1.GitHub 項(xiàng)目統(tǒng)計(jì)

下圖展示了 GitHub 上 TensorFlow 和 Scikit-Learn 軟件包被收藏 (star) 的次數(shù)。二者都是深度學(xué)習(xí)和機(jī)器學(xué)習(xí)的常用軟件包。

軟件開(kāi)發(fā)者在 GitHub 上收藏 (Star) 軟件項(xiàng)目以表示感興趣并希望快速導(dǎo)航至該項(xiàng)目。收藏 可以代表開(kāi)發(fā)者對(duì)軟件和軟件使用的興趣。

下圖展示了 GitHub 上不同人工智能和機(jī)器學(xué)習(xí)軟件包被收藏的次數(shù)。

注:GitHub 庫(kù)的 fork 數(shù)量遵循幾乎同樣的趨勢(shì) (盡管每個(gè)庫(kù)的 fork 量和 star 量不同)。

公眾認(rèn)知及媒體報(bào)道

1.輿論傾向

下圖展示了包含關(guān)鍵詞「人工智能」的大眾媒體文章的百分比，文章根據(jù)其意見(jiàn)傾向性 被分為正面報(bào)道或負(fù)面報(bào)道。

技術(shù)性能

計(jì)算機(jī)視覺(jué)

1.物體檢測(cè)

下圖展示了 LSVRC 競(jìng)賽 (Large Scale Visual Recognition Challenge) 中人工智能系統(tǒng)在物體檢 測(cè)任務(wù)上的性能表現(xiàn)。

圖像標(biāo)注的誤差率從 2010 年的 28.5% 降至低于 2.5%。

2.視覺(jué)問(wèn)答

下圖展示了人工智能系統(tǒng)在針對(duì)圖像問(wèn)題提供開(kāi)放式回答任務(wù)上的表現(xiàn)。

注:VQA 1.0 數(shù)據(jù)集已經(jīng)被 VQA 2.0 數(shù)據(jù)集超越，目前尚不明確 VQA 1.0 數(shù)據(jù)集在未來(lái)會(huì) 獲得多少關(guān)注。

自然語(yǔ)言處理

1.解析

下圖展示了人工智能系統(tǒng)在確定句子句法結(jié)構(gòu)任務(wù)上的表現(xiàn)。

2.機(jī)器翻譯

下圖展示了人工智能系統(tǒng)在英德新聞互譯任務(wù)中的表現(xiàn)。

3.問(wèn)答

下圖展示了人工智能系統(tǒng)在從文檔中找到問(wèn)題答案任務(wù)上的表現(xiàn)。

4.語(yǔ)音識(shí)別

下圖展示了人工智能系統(tǒng)在語(yǔ)音識(shí)別上的表現(xiàn)。

定理證明

可處理度 (tractability) 是指自動(dòng)定理證明器在大量定理的數(shù)據(jù)集上的平均可處理程度。它可 以被用來(lái)衡量部分最先進(jìn)的自動(dòng)定理證明器。

注:引進(jìn)最先進(jìn)的證明器雖然可以解決新問(wèn)題，但由于其在處理其他證明器擅長(zhǎng)解決的問(wèn)題上表現(xiàn)糟糕，平均可處理度可能會(huì)下降。

SAT 求解

這里指的是 SAT 求解系統(tǒng)解決問(wèn)題 (那些可應(yīng)用到產(chǎn)業(yè)實(shí)踐中的問(wèn)題) 的百分比。

流行趨勢(shì)關(guān)系研究

通過(guò)研究不同流行趨勢(shì)之間的關(guān)系，我們可以從前述章節(jié)中的評(píng)估中獲得進(jìn)一步的領(lǐng) 悟。本章展示了人工智能指數(shù)收集的數(shù)據(jù)可以如何被應(yīng)用到進(jìn)一步的分析中，以及這些數(shù) 據(jù)如何推動(dòng)了一個(gè)全新、精確的衡量指標(biāo)的發(fā)展。

由于這是一個(gè)案例研究板塊，我們會(huì)著眼于橫跨學(xué)術(shù)圈與產(chǎn)業(yè)界的流行趨勢(shì)去探究其 之間的動(dòng)態(tài)關(guān)系。進(jìn)一步，我們會(huì)將這些標(biāo)準(zhǔn)整合成一個(gè)聯(lián)合的人工智能活力指數(shù)。

學(xué)術(shù)界-產(chǎn)業(yè)界的動(dòng)態(tài)關(guān)系

為了研究學(xué)術(shù)界與產(chǎn)業(yè)界人工智能相關(guān)活動(dòng)的關(guān)系，我們首先從之前章節(jié)中選擇了部 分具有代表性的評(píng)估結(jié)果。特別地，我們考察了人工智能論文的發(fā)布情況與斯坦福大學(xué)人 工智能與機(jī)器學(xué)習(xí)導(dǎo)論課程的修讀情況，此外還考察了風(fēng)投資本對(duì)人工智能創(chuàng)業(yè)公司的投 資情況。

論文發(fā)表數(shù)、注冊(cè)學(xué)生數(shù)和投資金額這些數(shù)量指標(biāo)并不能直接比較。為了分析這些趨 勢(shì)之間的關(guān)系，我們首先以 2000 年為起始為每個(gè)測(cè)量指標(biāo)設(shè)定了時(shí)間標(biāo)準(zhǔn)。這使得我們 可以來(lái)比較這些指標(biāo)隨時(shí)間的增長(zhǎng)情況變化，而不是僅僅從最后的絕對(duì)值入手分析。

注:注冊(cè)學(xué)生數(shù)在 2016 年有所下降，這反映了學(xué)校行政上的某些問(wèn)題，并非沒(méi)有足夠的學(xué)生對(duì)課程感興趣。

數(shù)據(jù)顯示，首先，學(xué)術(shù)活動(dòng)數(shù)量 (論文發(fā)表與注冊(cè)學(xué)生數(shù)) 在穩(wěn)步上升。在 2010 年 左右，投資者便開(kāi)始注意到了這個(gè)領(lǐng)域，到 2013 年，投資者已經(jīng)成為了推進(jìn)該領(lǐng)域發(fā)展 的核心驅(qū)動(dòng)力。此后，學(xué)術(shù)界逐漸趕上了產(chǎn)業(yè)界的步伐。

人工智能活力指數(shù)

人工智能活力指數(shù)整合了來(lái)自學(xué)術(shù)界和產(chǎn)業(yè)界的各類數(shù)據(jù) (論文發(fā)表量、課程注冊(cè)學(xué) 生數(shù)、風(fēng)險(xiǎn)資本投資) 來(lái)量化整個(gè)人工智能領(lǐng)域的活力。為了計(jì)算人工智能活力指數(shù)，我 們按照時(shí)間對(duì)來(lái)自論文發(fā)表、學(xué)生課程注冊(cè)和投資領(lǐng)域的數(shù)據(jù)進(jìn)行了歸一化平均處理。