刚刚，斯坦福全（quán）球AI报（bào）告正式（shì）发布。

从去年开始，斯坦福大学（xué）主（zhǔ）导（dǎo）、来自MIT、OpenAI、哈佛（fó）、麦肯锡等机构（gòu）的多位专家教授，组（zǔ）建了（le）一个小组，每年（nián）发布（bù）AIindex年度报告，全面追踪人工智（zhì）能的发展现（xiàn）状和趋势。

“我们用（yòng）硬（yìng）数据说话。”报（bào）告的负责人、斯坦福大学（xué）教授、前（qián）任谷（gǔ）歌首席（xí）科（kē）学家YoavShoham谈到（dào）这份最新的（de）报（bào）告时表示。

今年的报告，从学术、工业、开源、政府等方面详细介绍了人工智能发展（zhǎn）的（de）现状，并（bìng）且记录了计算机视（shì）觉（jiào）、自（zì）然（rán）语言（yán）理解等（děng）领域的技术进展。

报告（gào）要点：

一、美国AI综合（hé）实力最（zuì）强

美国（guó）的（de）AI论（lùn）文发布（bù）数量虽然不（bú）是第一（yī），但（dàn）美国（guó）学者论文被引用的次数却是全（quán）球第一，比全球平均（jun1）水平（píng）高出83%。

2018年美国AI创业公司的数量，比（bǐ）2015年增长2.1倍。而（ér）从（cóng）2013年到2017年（nián），美国AI初（chū）创（chuàng）企业获得的融资额增（zēng）长了4.5倍。均高（gāo）于平（píng）均水平（píng）一倍以上。

二（èr）、中国AI追赶速度惊人（rén）

清华（huá）2017年学AI和（hé）机器学习的学生数量，是2010年16倍。

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

基于经同行（háng）评议论（lùn）文数（shù）据（jù）库（kù）Scopus的数据，2018年发布AI论文最多的（de）地区是欧洲（28%）、中国（25%）和美国（17%）。

与2000相比，2016年中国（guó）AI学者论文被引（yǐn）用的次数，提高了44%。

中（zhōng）国一年（nián）的机（jī）器（qì）人部署安装量，从2012到现在增（zēng）长了500%。ROS.org来自中国的（de）访问量，2017年比（bǐ）2012年（nián）增加（jiā）了18倍。

三（sān）、全球AI发（fā）展（zhǎn）提（tí）速但仍不均衡

2017年，全球ML人才（cái）需求已经（jīng）是2015年的35倍（bèi）。

整体（tǐ）来说（shuō），自2016年（nián）以来，美国（guó）、加拿大、英国政府在国会/议会会议中（zhōng）对人（rén）工智（zhì）能和（hé）机器学习（xí）的提及（jí）激增。

80%的AI教授是男性，统计（jì）数据来自UC伯（bó）克（kè）利、斯（sī）坦福（fú）、UIUC、CMU、UCLondon、牛津和苏黎世联邦理（lǐ）工学院。

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

看过这份报告之后，人工智能大牛（niú）吴恩达总结了两点：1、AI正在快（kuài）速发展，不管（guǎn）是学术界还是（shì）工业界都是（shì）如此（cǐ）。2、AI的发（fā）展仍不均（jun1）衡，在（zài）多样（yàng）性、包容性（xìng）方面仍需努力。

以下是这份报（bào）告的主要内容：

AI论（lùn）文情况分析

发表总量增（zēng）长迅猛（měng）

从1996年到2017年，CS领域的年发表（biǎo）论文增长了约五倍(6x)，AI领域的（de）年发表（biǎo）论文增长了约七（qī）倍(8x)。对（duì）比一下（xià），所有学科的年发表论文总量增长（zhǎng）了不到（dào）两（liǎng）倍(

划重点（diǎn），AI论文的年发表量，比CS论文增长要快。

各地区（qū）AI论文发（fā）表情况

2017年，Scopus上面（miàn）的AI论（lùn）文，有83%来自（zì）美国以外（wài）的地方。具体数据是，28%来自欧（ōu）洲，25%来自中（zhōng）国，17%来自（zì）美国。

从2007年到2017年，中国的年发表AI论文数增长了150%。

细分领（lǐng）域论文发表情况

2017年发表的AI论文中，有56%来（lái）自机器学习与概率推理这一研究方（fāng）向。

对（duì）比一下，2010年发（fā）表（biǎo）的AI论文（wén），只有28%来自这个方向。

另外，图表里显示的（de）大（dà）部分研究方向，在2014-2017年间，复合年均增长率(CAGR)比2010-2014年要高。

比如，神经网络这一方向的（de）论文发表数量（liàng），2014-2017年之间，复合年均增长率达到37%(如（rú）图中红色曲线)，最（zuì）为突出。

做个对比（bǐ），在2010-2014年之（zhī）间，神经网络论文发（fā）表数（shù），复合年均增（zēng）长（zhǎng）率仅（jǐn）有3%。

arXiv论文

自2010年以来，arXiv论文总（zǒng）体呈现迅速（sù）增长，从（cóng）2010年发布的1，073篇（piān），到2017年发（fā）布的13，325篇，增长（zhǎng）超过11倍（bèi）(12x)。许多细分领域也呈现增长。

这（zhè）表示，论文作者们倾（qīng）向于把（bǎ）自（zì）己的研究成（chéng）果传播（bō）出去，不论是经过同行评审还是在AI会议上发表的论文（wén）。这也体现（xiàn）了，AI这个领域竞争激烈的特质。

在细（xì）分领（lǐng）域中，计算机视（shì）觉(CV)是自2014年（nián）起增长最快的一（yī）个(上（shàng）图蓝色曲线)，从1，099篇增长到（dào）2017年的4，895篇（piān），涨幅近400%。

AI论文引（yǐn）用量

FWCI是领（lǐng）域（yù）权重引用影（yǐng）响系数，可（kě）以用来衡量（liàng）论文的影响力。

报（bào）告重新定义了一种“改装版”(Re-based)的（de）FWCI，不按地区（qū），而（ér）按世界平均值，来计算影响力。

在这个（gè）标准之下，虽然欧（ōu）洲（zhōu）发表的AI论文（wén）数高于中国（guó）和美国，不（bú）过论文（wén）影响力（lì）曲线比较平（píng）缓（huǎn）；相比之下（xià），中国发表的论文影响力（lì）增长剧烈：与2000年（nián）相（xiàng）比（bǐ），2016年平均每位中国AI论文作者的引用率（lǜ）增长了（le）44%。

不过（guò）在这方面，美国（guó）依（yī）然全球领先，美国AI论（lùn）文作者（zhě）的平均引用率，比世界平均值高出83%。

AAAI论（lùn）文

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

中国的论文提交数（shù）高出美国约1/3，但（dàn）二者中选论文数相差（chà）无几，中国入（rù）选265篇，美国入选268篇。

高（gāo）校AI课程注册情况

AI和ML进军高（gāo）校的速（sù）度提（tí）升了不少。

报告显（xiǎn）示，截止到2017年底，AI课（kè）程注（zhù）册人（rén）数是（shì）2012年的3.4倍，ML课（kè）程（chéng）注（zhù）册人数是（shì）2012年的5倍。

其中，UC伯克利的ML课程的注册人数增（zēng）长最快，是2012年的6.8倍，但此数（shù）值（zhí）较2016年增长速（sù）度有（yǒu）明显下降。

报告进一步统计（jì）了非美国地区院校AI+ML课程（chéng）注册人数（shù）的变（biàn）化。结果（guǒ）显示，清华是非美（měi）国院校外增长（zhǎng）率最高的高校，几（jǐ）乎是第二名多伦多大学（xué）的（de）2倍。

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

学术（shù）会议热（rè）度

在大型会议中，NeurIPS(曾（céng）用名NIPS)、CVPR和（hé）ICML，是参（cān）与人数最多的三（sān）大AI会（huì）议（yì）。自2012年以来，论参与人（rén）数的增长率，这三者也领先于其他会议。

NeurIPS和ICML参与人数增长（zhǎng）最快：将（jiāng）2018年与2012年相比，NeuRIPS增长3.8倍(4.8x)，ICML增长5.8倍(6.8x)。

上面（miàn）讨（tǎo）论（lùn）的是（shì）大型会议，但小型会议的参与人数同样（yàng）有明显的（de）增长（zhǎng），甚至可以比大型（xíng）会议的增长更加明显（xiǎn）。

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

原（yuán）因很可能（néng）是近年来，AI领域（yù）越来越关注深（shēn）度（dù）学习和强化学习了。

AI创（chuàng）业投资情（qíng）况

从2015年（nián）1月（yuè）到2018年1月（yuè），人工智能创（chuàng）业公司的数量增（zēng）长到了原来（lái）的2.1倍，而所有活跃的创（chuàng）业公司增长到（dào）了原（yuán）来的1.3倍。

大（dà）多（duō）数情况下，创业公司的增（zēng）长都保持相对稳定，而（ér）人工智能创业（yè）公（gōng）司呈指数级增（zēng）长。

在风投资金方（fāng）面，从2013年到2017年，人工智能领（lǐng）域的风投资金增长到了（le）原（yuán）来的4.5倍，而所有的风投资金只（zhī）增长到了原来的2.08倍（bèi）。这些数据都是年度数据（jù），不是逐年（nián）累积的。

图表中有两个高峰（fēng）期（qī），1997-2000年风投资金的（de）激增，对应的是网络泡沫时期。2014-2015年（nián）出现了一（yī）个较小的增（zēng）长，因为当时正处（chù）于一个相对（duì）较大的（de）经（jīng）济增长（zhǎng）时期。

人才（cái）需求

报告显示，近几（jǐ）年，社会（huì）需要的AI相关（guān）人才大幅度增（zēng）加，目前对有ML技能的（de）人才（cái）需求最大（dà），其次是深度学（xué）习。

可（kě）以看出，ML人才需求也是这两年增长速（sù）度（dù）最（zuì）快的（de）。

报（bào）告统计（jì），2017年，全球ML人（rén）才需求是2015年的35倍，从2016年（nián）到2017年（nián）的（de）增幅尤为（wéi）明显。全球对AI人才的需求（qiú）在（zài）2016年骤增。

专利

2014年（nián），大约30%的人（rén）工（gōng）智能专利发明（míng）人（rén）来自美（měi）国，其次（cì）是（shì）韩（hán）国和日本，各拥有16%。

在韩国和中国台湾地区，专利的（de）增长速度较快。2014年人工智能专利的数量几乎（hū）是2004年的（de）5倍。

财报电话会议中提及AI和ML的次数

2015年，科（kē）技公司在财报电（diàn）话会议中提及AI和ML的次（cì）数开（kāi）始有（yǒu）所增加。

2016年，其他行业（yè）提及AI次数才开始增长（zhǎng）。

相比（bǐ）之下（xià），科技（jì）行业的公（gōng）司提及AI和ML的次数远比其他（tā）行（háng）业多。

在财报电话会议（yì）中，除了科技行业之外（wài），提及AI次数最（zuì）多的（de）公司（sī），基（jī）本上分布在消费、金融和医疗保健行业（yè）。

机（jī）器人安装量

2012年到2017年，中国机器人年（nián）安装（zhuāng）量增长（zhǎng）了500%，其（qí）他地区，比如韩国（guó）和欧洲（zhōu），分别增长了105%和122%。

在安（ān）装（zhuāng）量较小的地区（qū）中，中国台（tái）湾比较突出，在2012-2017年增长（zhǎng）最快。

开源框架（jià）GitHub标星数

各框架的标星数（shù）反映着他（tā）们在开发者群体中的流行程（chéng）度。不过，因（yīn）为开发者们日常不（bú）会“取关”GitHub项目，所（suǒ）以这（zhè）些星星都是多年来积（jī）攒（zǎn）下的。

我（wǒ）们可以明显发（fā）现，TensorFlow的（de）受欢（huān）迎程度（dù）在开发者中遥遥领先、稳（wěn）步增（zēng）长。

排除了（le）第一热门，第二名和第三名（míng）分别（bié）是scikit-learn和BVLC/caffe。

TensorFlow官方力（lì）推的keras排（pái）到了第（dì）四，但（dàn）近（jìn）一年来（lái）几无增（zēng）长势头（tóu）。

另外两大热（rè）门PyTorch和MXNet分别排到了第七（qī）和第六，尤其是PyTorch，作为一个年（nián）轻的框架（jià），自2017年（nián）初（chū）发布以（yǐ）来（lái）至今，GitHub标星数至少增（zēng）长（zhǎng）了（le）4倍。获取（qǔ）新用户的势头很猛，不知道其中有多少被TensorFlow逼疯的人（rén）类。

各类任务最（zuì）新成绩

这个部分分为（wéi）CV和NLP两（liǎng）块，分别列举了各主流任务（wù）从发展之初到现在的成绩进步情况。

ImageNet图像（xiàng）识别准确率

2017年是ImageNet比（bǐ）赛的最后（hòu）一届，2018年这项（xiàng）比（bǐ）赛就不（bú）再（zài）进行了。不过（guò），验证集依然有人在用。

蓝色的（de）线条为ImageNet挑战赛历年的成绩变（biàn）化（huà），由于（yú）每年比赛（sài）所用（yòng）的数据不同，旁边（biān）多了一条黄色线条（tiáo），是以ImageNet2012验证集为评（píng）价标准绘制（zhì）的（de）。

可（kě）以看出，到2015年，机器在图像分类任务上（shàng）的能力已经明显超越了（le）人眼，而即使比赛不再继（jì）续，学术研究者依然在认真推进该任务（wù）的表现。

这（zhè）也侧（cè）面（miàn）说明，如果一项工作有（yǒu）了明确（què）的评价标准（zhǔn）和固定（dìng）的挑战内容，研（yán）究者（zhě）们（men）围绕此竞争，更容易让技（jì）术（shù）在该领域取得突破。

ImageNet训练（liàn）速度

这张（zhāng）图是训（xùn）练（liàn）ImageNet图像分类神经（jīng）网络所需时间的历年变化（当然，是买（mǎi）得（dé）起足够计算资源的人和机构所用（yòng）的（de）时长）。

从2017年6月的1小时，到2018年11月的4分钟，ImageNet图像分类神经网络（luò）的训练速（sù）度提升（shēng）了16倍，除了硬件方面的（de）贡献，算法上的提升也不容小觑。

图像分割COCO

ImageNet挑战赛“退休”之后，CV领域的朋友（yǒu）们就把重点（diǎn）放在了微（wēi）软的COCO，挑战语义分割和实（shí）例（lì）分割。

四年来，COCO数据集上图像分（fèn）割挑战的（de）精确度已经提升（shēng）了（le）0.2，2018年的成绩（jì）比2015提升了72%。不（bú）过（guò），目前还（hái）没有超（chāo）过0.5，这一项还有充（chōng）足（zú）的进（jìn）步（bù）空间（jiān）。

另外值得一提（tí）的（de）是，COCO比赛近年来占（zhàn）据（jù）冠（guàn）军位置的（de）多是来自（zì）中国的公（gōng）司，包括旷视、商汤等计算（suàn）机视（shì）觉独角兽日常包揽（lǎn）数个项目的冠军。

语法分析（Parsing）

在（zài）确定（dìng）句子结构这种（zhǒng）语法分析的任务（wù）上，2003年到2018年的15年（nián）间，AI的（de）表现（F1Score得分）提升了将近10%。

机（jī）器翻译

在机器（qì）翻译任务上，报告（gào）拿英（yīng）语-德（dé）语互相（xiàng）翻译举例，评估（gū）了AI模型（xíng）在经典机（jī）器翻译评（píng）估算法BLEU标准（zhǔn）中的表现。

报告显示，2018年英语转德语的BLEU评分是2008年的（de）3.5倍（bèi），德语（yǔ）转英语（yǔ）成绩是2008年（nián）的（de）2.5倍。

机器问答：AI2ReasoningChallenge(ARC)

在（zài）问答领域，AI表现进（jìn）步更明显，可（kě）以（yǐ）按（àn）月计数了。

报告统计了（le）2018年从四月到11月间，AI在ARC推理（lǐ）挑战赛（sài）上（shàng）成绩的变化（huà）：简（jiǎn）单（dān）组得分从63%提升到69%，挑战（zhàn）组（zǔ）得分从27%提（tí）升到42%。

这些，都仅是半（bàn）年间的进步。

机器问答：GLUE

同样用于机器问答（dá）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（jīng）比（bǐ）半年前（qián）提升了90%。

GLUE的推出（chū）者、纽约大学助理教授SamBowman说，虽然围（wéi）绕GLUE的大型社区还没（méi）有出现，不过已经有了像谷歌BERT这样的（de）代表性技术用了GLUE基准（zhǔn），面世一个月内已经被引用（yòng）8次。在EMNLP会议中，GLUE时（shí）常被讨论，可能（néng）会成为语言理解（jiě）领域中的一个基准（zhǔn）线。

政府（fǔ）提及

整体来（lái）说，自（zì）2016年以来，美国（guó）、加拿大、英（yīng）国政府在国（guó）会/议会会（huì）议中提（tí）及人工（gōng）智能和机器学习的（de）次数激（jī）增（zēng）。

2016年之前，机（jī）器学（xué）习很（hěn）少被（bèi）提及，与人（rén）工智能相（xiàng）比，机器学习在总提及量中只（zhī）占很小（xiǎo）的一部分。