「中國人工智能研究論文總數(shù)已經(jīng)超過了美國，成為全球第一」

「人工智能初創(chuàng)企業(yè)獲得的資本青睞越來越少」 「主流NLP系統(tǒng)也存在種族歧視」

這些話題都出自斯坦福大學(xué)Human-Centered人工智能研究所近期發(fā)布的「2021年人工智能指數(shù)報(bào)告」。報(bào)告內(nèi)容覆蓋AI研發(fā)、技術(shù)性能、經(jīng)濟(jì)、教育、道德、多樣性以及各國相關(guān)政策和國家戰(zhàn)略等大量?jī)?nèi)容。

這份報(bào)告長(zhǎng)達(dá)222頁，包含大量數(shù)據(jù)和圖表，我們從中精選了15份圖表，帶你速覽這份斯坦?！?021年人工智能指數(shù)報(bào)告」，了解2021年人工智能發(fā)展現(xiàn)狀。

「2021年人工智能指數(shù)報(bào)告」由斯坦福大學(xué)Human-Centered人工智能研究所，以及來自哈佛大學(xué)，經(jīng)濟(jì)合作與發(fā)展組織，the Partnership on AI合作組織和SRI International的11名專家組成的指導(dǎo)委員會(huì)共同編制。這份報(bào)告引用了大量AI研究數(shù)據(jù)，引用了包括：arXiv的AI研究數(shù)據(jù)，Crunchbase的資金數(shù)據(jù)，以及對(duì)Black in AI和Queer in AI等團(tuán)體的調(diào)查。

報(bào)告對(duì)2021年度人工智能最新的研究趨勢(shì)和進(jìn)展進(jìn)行了總結(jié)，并分析了資本、政策對(duì)AI技術(shù)的影響，以及深度學(xué)習(xí)、圖像識(shí)別、語言識(shí)別等AI主要子領(lǐng)域的研究。

一

人工智能的盛夏

人工智能研究工作正處在爆炸增長(zhǎng)期：2019年全球發(fā)布了超過12萬篇人工智能研究領(lǐng)域的同行評(píng)審論文。自2000年以來，人工智能領(lǐng)域論文在同行評(píng)審論文中的占比，從0.8%一路攀升至2019年的3.8%。

二

中國在人工智能研究領(lǐng)域取得顯著成就

自2017年中國研究人員發(fā)表的同行評(píng)審論文首次超過歐洲以來，中國的人工智能研究論文數(shù)量持續(xù)上升。到2020年，中國研究人員發(fā)布的人工智能研究論文在權(quán)威期刊的引用率已經(jīng)領(lǐng)先全球。

AI指數(shù)指導(dǎo)委員會(huì)聯(lián)合主任Jack Clark表示，這些數(shù)據(jù)對(duì)中國來說似乎是「學(xué)術(shù)成功的指標(biāo)」，也在一定程度上映射出不同國家在人工智能生態(tài)體系建設(shè)方面的現(xiàn)狀。他認(rèn)為研究論文更像是一種學(xué)術(shù)權(quán)威認(rèn)證，一個(gè)領(lǐng)域的學(xué)術(shù)性越弱，其行業(yè)實(shí)用性可能會(huì)越強(qiáng)。他指出：「中國有獲得期刊出版物的明確政策，政府機(jī)構(gòu)在研究中發(fā)揮更大的作用，而在美國，大部分這方面的研發(fā)主要集中在企業(yè)內(nèi)部。」

三

快速訓(xùn)練=更好的AI

MLPerf以訓(xùn)練速度與硬件的關(guān)系為基礎(chǔ)，分析了機(jī)器學(xué)習(xí)的系統(tǒng)性能，客觀地對(duì)機(jī)器學(xué)習(xí)系統(tǒng)性能進(jìn)行排名。通過對(duì)各種圖像分類器系統(tǒng)在標(biāo)準(zhǔn)ImageNet數(shù)據(jù)庫上進(jìn)行培訓(xùn)，并根據(jù)訓(xùn)練時(shí)間進(jìn)行排名。2018年，訓(xùn)練最佳系統(tǒng)需要6.2分鐘；2020年，培訓(xùn)最佳系統(tǒng)需要47秒。這一進(jìn)步也得益于近年來機(jī)器學(xué)習(xí)專用芯片的快速發(fā)展。

報(bào)告認(rèn)為，硬件加速對(duì)機(jī)器學(xué)習(xí)的影響至關(guān)重要。系統(tǒng)訓(xùn)練耗時(shí)幾秒和幾小時(shí)的差別巨大，這種差異直接影響著研究人員的想法，以及研究的類型和數(shù)量，以及它可能影響到的研究風(fēng)險(xiǎn)。

四

AI不能理解「喝咖啡」？

在過去的幾年里，人工智能在靜態(tài)圖像識(shí)別方面的進(jìn)展突飛猛進(jìn)，而計(jì)算機(jī)視覺未來必將朝著視頻識(shí)別的方向發(fā)展。研究人員正在構(gòu)建可以從視頻剪輯中識(shí)別各種活動(dòng)的系統(tǒng)，因?yàn)槿绻麑?a href="http://m.brongaenegriffin.com/tags/機(jī)器視覺/" target="_blank">機(jī)器視覺應(yīng)用到現(xiàn)實(shí)世界（例如自動(dòng)駕駛汽車、監(jiān)控?cái)z像頭等），這種類型的識(shí)別可能會(huì)大有用處。計(jì)算機(jī)視覺性能的基準(zhǔn)之一是ActivityNet數(shù)據(jù)集，其中包含來自2萬個(gè)視頻的近650小時(shí)鏡頭。在其中顯示的200項(xiàng)日常生活活動(dòng)中，人工智能系統(tǒng)在2019年和2020年都很難識(shí)別「喝咖啡」這項(xiàng)活動(dòng)。這似乎是一個(gè)主要問題，因?yàn)楹瓤Х仁撬衅渌顒?dòng)的基本活動(dòng)。無論如何，這是未來幾年值得關(guān)注的領(lǐng)域。

五

自然語言識(shí)別需要更難的測(cè)試

自然語言處理（NLP）的迅速崛起似乎遵循了計(jì)算機(jī)視覺的軌跡，在過去十年中，計(jì)算機(jī)視覺從學(xué)術(shù)領(lǐng)域的分支專業(yè)發(fā)展成為廣泛的商業(yè)部署。今天的NLP也由深度學(xué)習(xí)驅(qū)動(dòng)，Jack Clark認(rèn)為，NLP繼承了計(jì)算機(jī)視覺工作的策略，例如對(duì)大型數(shù)據(jù)庫的訓(xùn)練和特定應(yīng)用程序的微調(diào)。他說：「我們看到這些創(chuàng)新非常迅速地流向人工智能的另一個(gè)領(lǐng)域?！?/p>

Jack Clark表示，衡量NLP系統(tǒng)的性能正在變得很棘手，學(xué)術(shù)界一直在研發(fā)更為困難的AI測(cè)試系統(tǒng)和指標(biāo)，但無論何種系統(tǒng)總會(huì)在六個(gè)月內(nèi)出現(xiàn)新的AI擊敗它。這份圖表顯示了兩個(gè)版本的閱讀理解測(cè)試SQuAD的表現(xiàn)，人工智能語言模型必須根據(jù)一段文本回答多項(xiàng)選擇題。2.0版通過包含無法回答的問題來使任務(wù)更加困難，模型必須識(shí)別這些問題，并且不回答。一個(gè)模型在第一個(gè)版本上花了25個(gè)月才超過人類的性能，但另一個(gè)模型只花了10個(gè)月就完成了更艱巨的任務(wù)。

六

NLP也存在「種族歧視」

語音識(shí)別和文本生成等任務(wù)的語言模型總的來說已經(jīng)非常完善了。但即便在主流的成熟商業(yè)NLP系統(tǒng)中仍存在認(rèn)知偏差，如果這些問題不得到解決，則可能會(huì)嚴(yán)重影響這些技術(shù)的商業(yè)應(yīng)用。

例如AI系統(tǒng)也存在種族歧視問題，圖表顯示了幾款較為成熟的商業(yè)化語音識(shí)別程序的錯(cuò)誤率。

雖然系統(tǒng)存在認(rèn)知偏差，但大多數(shù)研究人員只注重系統(tǒng)性能，而很少有人會(huì)去注意到這種偏差。這個(gè)問題在未來很可能會(huì)阻礙各種形式的人工智能發(fā)展，包括計(jì)算機(jī)視覺和決策支持工具。

七

AI就業(yè)市場(chǎng)全球化

據(jù)LinkedIn數(shù)據(jù)顯示，從2016年到2020年，巴西、印度、加拿大、新加坡和南非的人工智能崗位增長(zhǎng)最快。而這并不意味著這些國家的絕對(duì)就業(yè)機(jī)會(huì)最多（美國和中國仍占據(jù)AI就業(yè)機(jī)會(huì)的首位），但這些國家對(duì)人工智能的投入將會(huì)對(duì)人工智能技術(shù)以及整個(gè)社會(huì)的發(fā)展產(chǎn)生積極影響。LinkedIn發(fā)現(xiàn)，2020年的全球疫情并未對(duì)AI領(lǐng)域的工作崗位招聘造成絲毫影響。

值得注意的是，印度和中國的人才對(duì)LinkedIn的應(yīng)用并不廣泛，因此這些國家的人才市場(chǎng)狀況在LinkedIn上的數(shù)據(jù)并不具有充分的代表性。

八

企業(yè)對(duì)AI的投資熱度「不想停，也不會(huì)?！?/p>

自2015年以來大量資金持續(xù)涌入人工智能領(lǐng)域。2020年，全球企業(yè)對(duì)人工智能的投資飆升至近680億美元，比前一年增長(zhǎng)40%。

九

創(chuàng)業(yè)狂潮接近尾聲

從前面一張圖表可以看出，AI領(lǐng)域的企業(yè)投資持續(xù)增長(zhǎng)，但在增長(zhǎng)的背后，卻是增速逐年放緩。這張圖表顯示，AI初創(chuàng)企業(yè)得到的投資越來越少。雖然疫情可能對(duì)初創(chuàng)企業(yè)的活動(dòng)產(chǎn)生了影響，但AI初創(chuàng)企業(yè)數(shù)量下降的明顯趨勢(shì)始于2018年，從好的方面來看，這似乎是行業(yè)正在逐步走向成熟的信號(hào)。

十

新冠病毒帶來的影響

雖然人工智能的許多趨勢(shì)在很大程度上沒有受到全球疫情的影響，但這張圖表顯示，2020年的AI投資更偏向于全球應(yīng)對(duì)新冠病毒中發(fā)揮重要作用的單位。制藥相關(guān)公司投資的激增就很好的說明了這一點(diǎn)。而對(duì)教育技術(shù)和游戲的投資增長(zhǎng)，也與2020年疫情隔離導(dǎo)致人們把更多時(shí)間花費(fèi)在電腦前有直接關(guān)系。

十一

風(fēng)險(xiǎn)？有風(fēng)險(xiǎn)嗎？

大量企業(yè)在電信、金融服務(wù)和汽車等行業(yè)穩(wěn)步增加人工智能工具的應(yīng)用。然而，大多數(shù)公司似乎不知道或不關(guān)心這項(xiàng)新技術(shù)帶來的風(fēng)險(xiǎn)。麥肯錫在一項(xiàng)研究中調(diào)查了企業(yè)對(duì)AI應(yīng)用相關(guān)風(fēng)險(xiǎn)的認(rèn)知，只有網(wǎng)絡(luò)安全風(fēng)險(xiǎn)受到了半數(shù)以上受訪者的關(guān)注。與人工智能相關(guān)的倫理問題，如隱私和公平，是當(dāng)今人工智能研究領(lǐng)域最熱門的話題之一，然而這些問題并未引起企業(yè)的足夠重視。

十二

AI領(lǐng)域的博士們正在涌入企業(yè)

AI領(lǐng)域的學(xué)術(shù)工作有限，雖然高校增加了本科生和研究生級(jí)別的人工智能相關(guān)課程，終身制教師職位也相應(yīng)增加，但學(xué)術(shù)界仍然無法吸收逐年新增的AI博士。這份圖表僅代表北美地區(qū)的AI博士畢業(yè)生，這些畢業(yè)生中的絕大多數(shù)正在流向AI企業(yè)。

十三

AI的倫理問題

如前所述，很多公司對(duì)人工智能的倫理問題重視程度不足，但研究人員對(duì)此越來越關(guān)心。許多團(tuán)體正在研究人工智能系統(tǒng)的不透明決策（稱為可解釋性問題），嵌入偏見和歧視，以及隱私入侵等問題。這份圖表顯示了人工智能會(huì)議上倫理問題的相關(guān)論文正在逐年增加，Jack Clark認(rèn)為這非常值得高興。他指出，由于有這么多學(xué)生參加這些人工智能會(huì)議，幾年后，將有大量關(guān)注AI倫理的從業(yè)者進(jìn)入行業(yè)。

然而，除了會(huì)議文件的增加外，在這一問題上業(yè)界并沒有其他突出的進(jìn)步。報(bào)告強(qiáng)調(diào)，人工智能系統(tǒng)中的偏差量化測(cè)試才剛剛開始出現(xiàn)。Jack Clark說，「這些評(píng)估體系，就像人工智能科學(xué)領(lǐng)域的一個(gè)新分支?！?/p>

十四

多樣性問題（1）

解決人工智能系統(tǒng)中嵌入的偏見和歧視的一種方法是確保構(gòu)建人工智能系統(tǒng)的群體的多樣性。這不是一個(gè)激進(jìn)的概念。然而，報(bào)告稱，在學(xué)術(shù)界和行業(yè)，人工智能勞動(dòng)力「仍然以男性為主」。這張圖表來自美國計(jì)算機(jī)研究協(xié)會(huì)年度調(diào)查，數(shù)據(jù)顯示，在北美人工智能相關(guān)的博士課程的畢業(yè)生中，女性僅占約20%。

十五

多樣性問題（2）

來自同一調(diào)查的數(shù)據(jù)講述了一個(gè)關(guān)于種族/民族身份的類似故事。這個(gè)問題在即將畢業(yè)的博士生中似乎相當(dāng)明顯，有許多優(yōu)秀的科學(xué)、技術(shù)、工程和數(shù)學(xué)項(xiàng)目都以女孩和少數(shù)族裔為重點(diǎn)。這使我們想到了AI4ALL組織，或許社會(huì)可以更加關(guān)注這些群體，給他們更多的資助，或者以某種方式參與其中。

責(zé)任編輯：lq