刚刚，斯坦福（fú）全（quán）球（qiú）AI报告正式发布（bù）。

从（cóng）去年开始，斯坦福大（dà）学主导、来自（zì）MIT、OpenAI、哈佛、麦肯锡（xī）等机构（gòu）的（de）多位专家教授，组建了一个小组，每（měi）年发（fā）布AIindex年（nián）度报告，全面追（zhuī）踪人工智能的发展（zhǎn）现状和趋势。

“我们（men）用硬数据说话。”报告的负责人、斯坦福大（dà）学教授（shòu）、前任谷歌首（shǒu）席科学家YoavShoham谈到这份最新的报告时表示。

今（jīn）年的报告（gào），从学（xué）术、工业（yè）、开源（yuán）、政（zhèng）府等方面详细介绍了人工智能（néng）发展的现状，并（bìng）且记录了计算机视觉、自然语言理解等领域的技（jì）术（shù）进展。

报（bào）告（gào）要（yào）点：

一、美国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，但美国学者论文被（bèi）引用的次数却（què）是（shì）全球第（dì）一，比全球平均水（shuǐ）平高出（chū）83%。

2018年美国AI创业公司的数量，比2015年增长2.1倍。而（ér）从（cóng）2013年到2017年，美（měi）国（guó）AI初创企业获得（dé）的融资额增长了4.5倍。均（jun1）高于（yú）平均水平一倍以上。

二、中国AI追赶速度惊人（rén）

清华2017年学AI和机器学习的学生数量，是2010年16倍。

70%的AAAI论文来自（zì）美国或中（zhōng）国，两国获接收的论（lùn）文（wén）数（shù）量相近（jìn），但（dàn）中国提交的（de）论文总量（liàng）比（bǐ）美（měi）国多30%。

基于经同行评议（yì）论文数据库Scopus的数据（jù），2018年发布AI论文最多的（de）地区是欧洲（zhōu）（28%）、中国（25%）和（hé）美国（17%）。

与2000相比（bǐ），2016年（nián）中国AI学者论文被引用的次数，提高了44%。

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

三、全球AI发展提速但仍不均衡

2017年，全（quán）球ML人才需求已（yǐ）经是2015年的35倍（bèi）。

整（zhěng）体（tǐ）来（lái）说，自2016年以来，美国（guó）、加拿大、英国（guó）政府在（zài）国会/议（yì）会会议中（zhōng）对（duì）人工智能和机器学（xué）习的提及激增。

80%的AI教授（shòu）是男（nán）性（xìng），统计数据来自UC伯克利、斯坦福（fú）、UIUC、CMU、UCLondon、牛津（jīn）和苏黎世联邦理工学院。

美（měi）国AI工作岗位的应聘者中71%为男性。

看（kàn）过这份报（bào）告之后，人工智能大牛吴（wú）恩达总（zǒng）结了两点：1、AI正在快速发展，不管是（shì）学术（shù）界还是工业界都是如（rú）此。2、AI的发（fā）展仍不均（jun1）衡，在（zài）多样性、包容性方面仍需努力（lì）。

以下是这份报告的主要内容：

AI论文情况分析

发表总量增长迅猛

从1996年（nián）到（dào）2017年，CS领域的年发表论文（wén）增长了约五（wǔ）倍(6x)，AI领域的年发表论文增长了约七倍(8x)。对比一（yī）下（xià），所有学科的年发（fā）表论文总量增长了不到两（liǎng）倍（bèi）(

划重点，AI论（lùn）文的年发表量，比CS论文增长要快。

各地区AI论文发表情况（kuàng）

2017年，Scopus上面的（de）AI论文，有83%来自美国以外的地方。具（jù）体（tǐ）数据是，28%来自欧（ōu）洲（zhōu），25%来自中国，17%来自美国（guó）。

从2007年（nián）到2017年，中国的年（nián）发表AI论文（wén）数增长了150%。

细分领域论文发表情况

2017年发表的AI论文中，有56%来（lái）自机（jī）器学习与概率推（tuī）理这（zhè）一研究（jiū）方向。

对比一下，2010年发表的AI论文，只（zhī）有（yǒu）28%来自这（zhè）个（gè）方向。

另外（wài），图表里显示的大（dà）部（bù）分研究（jiū）方向（xiàng），在（zài）2014-2017年间，复合（hé）年均增长率(CAGR)比2010-2014年要（yào）高。

比如，神经网络这一方向（xiàng）的（de）论文发（fā）表数量，2014-2017年（nián）之间，复合年均增长（zhǎng）率达到37%(如（rú）图中红色曲线（xiàn）)，最（zuì）为突出。

做（zuò）个对比，在2010-2014年之间，神经网（wǎng）络论文发表数，复合（hé）年均增长（zhǎng）率仅有3%。

arXiv论文

自2010年以来，arXiv论文总体（tǐ）呈（chéng）现迅（xùn）速（sù）增长（zhǎng），从2010年发布的（de）1，073篇，到（dào）2017年发布的13，325篇，增（zēng）长超（chāo）过11倍(12x)。许多（duō）细分领域也呈现增（zēng）长。

这表示，论文作者们（men）倾向于把自己的研究（jiū）成果传播出去，不论是经过同行评审还是在AI会（huì）议上发表的（de）论（lùn）文。这也体现了（le），AI这个（gè）领域竞争激烈的特质。

在细分领域（yù）中（zhōng），计（jì）算机视觉(CV)是自2014年起增长最快的一（yī）个(上图蓝色曲线（xiàn）)，从1，099篇（piān）增（zēng）长到2017年的4，895篇，涨幅（fú）近（jìn）400%。

AI论（lùn）文引用量

FWCI是领域权重引用影响系数，可以用来衡量论文（wén）的（de）影响（xiǎng）力。

报告（gào）重新定义了（le）一种“改（gǎi）装版”(Re-based)的FWCI，不按地（dì）区（qū），而（ér）按世界（jiè）平（píng）均（jun1）值（zhí），来计算（suàn）影响力。

在这（zhè）个（gè）标（biāo）准之下，虽然欧（ōu）洲发表的AI论文数高于中国和美国，不过（guò）论（lùn）文影响力曲线比（bǐ）较平缓；相比之下，中国发表的论文影（yǐng）响力增长剧（jù）烈：与2000年（nián）相（xiàng）比，2016年（nián）平均每（měi）位中国AI论文（wén）作者的引（yǐn）用（yòng）率增长了（le）44%。

不过（guò）在这方面，美国依然全球领先，美国（guó）AI论文作者的平均引（yǐn）用率，比世（shì）界平（píng）均值高出（chū）83%。

AAAI论文

AAAI2018，提交论文，中美占70%，中选（xuǎn）论文（wén），中美占67%。

中（zhōng）国（guó）的（de）论文提交数高（gāo）出美（měi）国约1/3，但二者（zhě）中（zhōng）选（xuǎn）论文数相差无几，中国（guó）入选265篇，美国入选268篇。

高校（xiào）AI课程注册情况

AI和ML进军高（gāo）校的（de）速（sù）度提升了不少。

报告（gào）显示，截止到2017年底，AI课程注册人数是（shì）2012年的3.4倍，ML课（kè）程注册人数是2012年的5倍。

其中，UC伯克利的ML课程的注册人数增长最快，是2012年的6.8倍，但此数值较2016年增长速度有明显下降。

报（bào）告进（jìn）一步统计了非（fēi）美国地区院校AI+ML课程注册人数（shù）的变化（huà）。结果显示，清华是（shì）非美国院校外增长率最高的高校，几乎是（shì）第二名多伦（lún）多大学的2倍。

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

学术会议热（rè）度（dù）

在大型会议（yì）中（zhōng），NeurIPS(曾用名NIPS)、CVPR和ICML，是参（cān）与人数最多的（de）三（sān）大（dà）AI会议。自2012年以来，论参与人（rén）数（shù）的增（zēng）长率，这三者也（yě）领先于其他会议（yì）。

NeurIPS和（hé）ICML参与人数（shù）增长最快：将（jiāng）2018年（nián）与2012年相比，NeuRIPS增长3.8倍（bèi）(4.8x)，ICML增长5.8倍(6.8x)。

上面讨论的是大型会议，但小型（xíng）会议的参与人数同样（yàng）有（yǒu）明显的增长，甚至可以（yǐ）比大型（xíng）会议的增长（zhǎng）更加明显（xiǎn）。

这（zhè）里最突出的是，ICLR2018的（de）参会（huì）人（rén）数达到了2012年（nián）的20倍。

原因很可能是近年来，AI领域越来越关注深度学（xué）习和强（qiáng）化学习（xí）了。

AI创业投资情况

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

大多数情况下，创业公司（sī）的增长都保持相对（duì）稳定（dìng），而（ér）人工智（zhì）能创业公司（sī）呈指（zhǐ）数（shù）级增长。

在风（fēng）投资（zī）金方（fāng）面，从2013年到2017年（nián），人工智能领（lǐng）域的风投（tóu）资（zī）金增长到（dào）了原来的（de）4.5倍，而（ér）所（suǒ）有的风投资金（jīn）只增长到了原来的（de）2.08倍。这些数据（jù）都是年度数（shù）据，不是逐年累积的（de）。

图表（biǎo）中有两个高峰期，1997-2000年（nián）风投资（zī）金的激（jī）增，对应的是网络泡沫时期。2014-2015年出现了一个（gè）较小的增长（zhǎng），因（yīn）为当时正处于一（yī）个相对较大的经济（jì）增（zēng）长时期。

人才需求

报告显示，近（jìn）几（jǐ）年（nián），社会需要的AI相关（guān）人（rén）才大幅度（dù）增加，目前对（duì）有ML技（jì）能的人才需（xū）求最大（dà），其次是深度学习。

可以看出，ML人（rén）才需求也是这两年增长速度最快的。

报告（gào）统计，2017年，全（quán）球ML人才需求是2015年的35倍，从2016年到2017年的增幅（fú）尤为明（míng）显。全球对（duì）AI人才的需求在2016年骤（zhòu）增。

专（zhuān）利

2014年，大约30%的人工智能专（zhuān）利（lì）发（fā）明人（rén）来自美国（guó），其次是韩国和日本（běn），各拥有（yǒu）16%。

在韩（hán）国和中国台湾地区，专（zhuān）利的增长（zhǎng）速度较快。2014年人工（gōng）智能专利（lì）的（de）数量几乎是2004年的5倍（bèi）。

财报电话会议中（zhōng）提及AI和（hé）ML的次数

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

2016年，其他行业提及AI次（cì）数才开始增长。

相比之下（xià），科（kē）技行业的公司（sī）提及AI和ML的次数远比其他行业多。

在财报电（diàn）话会议中，除（chú）了科技行（háng）业（yè）之外（wài），提及AI次数最（zuì）多（duō）的公司，基（jī）本上分布在消费（fèi）、金（jīn）融和（hé）医疗保健行业。

机器人安装量

2012年到2017年，中国机器人年安装量（liàng）增（zēng）长（zhǎng）了500%，其他地区（qū），比如韩国和欧洲，分（fèn）别增（zēng）长了105%和（hé）122%。

在安装量较小（xiǎo）的地区中，中国台（tái）湾比较突（tū）出，在2012-2017年（nián）增长（zhǎng）最（zuì）快。

开源（yuán）框（kuàng）架GitHub标星（xīng）数（shù）

各框（kuàng）架的标星数反映着他们（men）在开发（fā）者群体中的（de）流行（háng）程度。不过（guò），因为开发（fā）者们日常不会“取关”GitHub项目（mù），所以这些星星都是多年来积攒（zǎn）下的。

我们可以明显发现，TensorFlow的受（shòu）欢（huān）迎（yíng）程（chéng）度在开发者中遥遥领先、稳步（bù）增长。

排（pái）除了第一热门，第二名和第三名分别是scikit-learn和（hé）BVLC/caffe。

TensorFlow官方力推的keras排到了第四，但（dàn）近一（yī）年（nián）来几（jǐ）无（wú）增（zēng）长势头。

另外两大热门PyTorch和MXNet分别排到了第七（qī）和第六，尤（yóu）其（qí）是PyTorch，作为一（yī）个（gè）年轻的框架，自2017年初（chū）发布以来至今，GitHub标（biāo）星（xīng）数至少增长了4倍。获取新用户的势头（tóu）很猛，不知道其中有多少被TensorFlow逼疯的人类。

各类（lèi）任（rèn）务最新（xīn）成绩

这（zhè）个部分（fèn）分为CV和NLP两块，分别列举（jǔ）了各（gè）主（zhǔ）流（liú）任务（wù）从发展之初到现在的（de）成绩（jì）进步情况。

ImageNet图像识别准确率

2017年（nián）是ImageNet比赛的最（zuì）后一届（jiè），2018年这项比赛就（jiù）不再进行（háng）了。不过，验证集依然有人在用。

蓝色的线条为（wéi）ImageNet挑战赛（sài）历年（nián）的成绩（jì）变化，由于每年比赛所用的数据不同，旁边多了（le）一条黄色线（xiàn）条，是以ImageNet2012验证集为评价标准绘制的。

可（kě）以看出（chū），到2015年，机器在图像分类任务上的能力已经（jīng）明显超越了人眼（yǎn），而即使比（bǐ）赛不再继续，学术（shù）研究者依然在认真推进该任务的表（biǎo）现（xiàn）。

这（zhè）也侧面说（shuō）明，如（rú）果一项（xiàng）工作有了（le）明确的评价标准和固（gù）定（dìng）的挑战内容，研（yán）究者（zhě）们（men）围绕此竞争，更容易让技术在该（gāi）领域取得突破（pò）。

ImageNet训（xùn）练（liàn）速度（dù）

这张图（tú）是训练ImageNet图像分类神经网络所需时（shí）间（jiān）的历（lì）年变化（当然（rán），是买得起足够计算资源的人和机构所用的时长）。

从（cóng）2017年6月的1小时，到（dào）2018年11月的（de）4分钟，ImageNet图像分类神经（jīng）网（wǎng）络的训练速度提（tí）升了16倍，除了硬件方面的贡献（xiàn），算（suàn）法（fǎ）上的提升也不容（róng）小觑。

图像（xiàng）分（fèn）割（gē）COCO

ImageNet挑（tiāo）战赛“退（tuì）休”之后，CV领域的朋友们就（jiù）把（bǎ）重（chóng）点放在了微软的COCO，挑战语义（yì）分割和实例分（fèn）割（gē）。

四年来（lái），COCO数据集上图像分割挑战的精确度（dù）已经提升了（le）0.2，2018年的成绩比2015提升了72%。不过，目前还没有超过0.5，这一项还有（yǒu）充足的进步（bù）空间。

另外值得一提的是（shì），COCO比赛近年（nián）来占据冠军位（wèi）置的多是来（lái）自中国的公司，包括旷视、商（shāng）汤等（děng）计算（suàn）机视觉独角兽日常包揽数个项目的冠军。

语法（fǎ）分析（Parsing）

在（zài）确定句子结构这种语法分析的任务上，2003年到2018年的（de）15年间，AI的表（biǎo）现（xiàn）（F1Score得分）提升了将近10%。

机（jī）器翻译

在机器翻（fān）译任（rèn）务（wù）上，报告拿英语-德语互相翻译举例（lì），评估了AI模（mó）型在（zài）经典机器翻译（yì）评估算法BLEU标准中的表现（xiàn）。

报告显（xiǎn）示，2018年英（yīng）语转德语的BLEU评分是2008年的3.5倍，德语转英语成绩是2008年的2.5倍。

机器问（wèn）答：AI2ReasoningChallenge(ARC)

在（zài）问答领域，AI表现（xiàn）进步更明显，可（kě）以按（àn）月（yuè）计数（shù）了。

报告统计了（le）2018年从（cóng）四月到11月间，AI在（zài）ARC推理挑战赛上成绩的变化：简单组得分从63%提（tí）升到（dào）69%，挑战组（zǔ）得分从（cóng）27%提升到42%。

这些（xiē），都仅是（shì）半年间（jiān）的（de）进步。

机器问答：GLUE

同样用（yòng）于机器问答的GLUE基准（GeneralLanguageUnderstandingevaluation）推出至今只有7个月的时间，但目前的表现已（yǐ）经比半年前提升了90%。

GLUE的（de）推出者、纽约大（dà）学（xué）助理教授SamBowman说，虽然围（wéi）绕GLUE的大型（xíng）社区还没（méi）有出（chū）现，不（bú）过已经（jīng）有了（le）像谷（gǔ）歌BERT这样的代表性技术用了GLUE基（jī）准（zhǔn），面（miàn）世一个月（yuè）内已经被引用8次（cì）。在EMNLP会议中，GLUE时常被（bèi）讨（tǎo）论，可（kě）能会成为语言（yán）理解（jiě）领域中的（de）一个基准线。

政府提及（jí）

整体来说，自2016年以来，美国、加拿大、英国政府（fǔ）在国（guó）会/议会会议中提及人工智（zhì）能和机（jī）器学习的次数激增（zēng）。

2016年之前，机器学习很少被提及（jí），与人工智能相比，机（jī）器学（xué）习在总提及（jí）量（liàng）中只占很小的一部分。