【行业资讯】2021年，这15张图表有助于你能理解人工智能-技术圈

正文共：3292字-20图

预计阅读时间：9分钟

如果你还没来得及阅读2021年人工智能指数报告，该报告长达222页，别担心，我们已经帮你总结好了。这份由斯坦福人类中心人工智能研究所（Stanford Institute for Human-Centered Artificial Intelligence）编制的海量文件中，充斥着大量的数据和图表，我们挑选出了15份，提供了人工智能当前状态的快照。

感兴趣的读者可以深入阅读该报告以了解更多信息；它包含有关研发、技术性能、经济、人工智能教育、人工智能应用的道德挑战、人工智能的多样性以及人工智能政策和国家战略的章节。

1.我们生活在人工智能的夏天

人工智能研究正在蓬勃发展：2019年发表了超过12万篇经同行评审的人工智能论文。报告还指出，2000年至2019年间，人工智能论文在所有同行评议论文中的比例从0.8%上升到2019年的3.8%。

2.中国获得最高荣誉

过去的消息是，中国研究人员发表的AI论文数量最多，同行评议最多，而中国在2017年处于领先地位。今年的新闻是，截至2020年，中国研究人员在AI期刊上发表的论文被引用的所占比例最大。

AI Index Steering Committee联合主任Jack Clark告诉IEEE Spectrum，该数据似乎对中国来说是“学术成就的指标”，同时也反映了不同国家/地区的不同AI生态系统。他指出：“中国制定了获取期刊出版物的明确政策，”政府机构在研究中扮演着更大的角色，而在美国，研发活动中有很大一部分发生在公司内部。他说：“如果您是一个行业，那么您撰写期刊文章的动力就会减弱。” “这更像是一种声望。”

3.更快的培训=更好的AI

这些数据来自MLPerf，这是一种客观地对机器学习系统的性能进行排序的方法。来自不同公司的图像分类系统在标准ImageNet数据库上进行培训，并根据培训所需的时间进行排名。2018年，训练出最佳系统需要6.2分钟；2020年则需要47秒。这一非凡的进步是通过采用专门为机器学习设计的加速器芯片实现的。

报告指出了这种加速的影响：“想象一下系统训练等待几秒钟和等待几个小时之间的区别，以及这种区别对研究人员探索的想法的类型和数量意味着什么，以及它们可能有多大的风险。”

4. AI不能理解喝咖啡

在过去的几年中，人工智能已经非常擅长静态图像识别。视频是计算机视觉的下一个前沿领域。研究人员正在构建可以识别视频片段中各种活动的系统，因为如果将这种识别类型移植到现实世界中（考虑自动驾驶汽车，监控摄像头等），它可能会大有用处。性能指标之一是ActivityNet数据集，其中包含来自20,000个视频的近650小时的素材。在其中显示的200种日常生活活动中，人工智能系统在识别2019年和2020年咖啡饮用活动的时间最困难。这似乎是一个主要问题，因为咖啡饮用是所有其他活动的基本活动。无论如何，这是未来几年值得关注的领域。

5.语言AI太好了，需要更艰苦的测试

自然语言处理（NLP）的迅猛发展似乎是随着计算机视觉的发展，计算机视觉的发展已从学术专业转变为过去十年中广泛的商业部署。如今的NLP还具有深度学习功能，AI Index的Clark表示，它已从计算机视觉工作中继承了策略，例如在大型数据库上进行培训以及针对特定应用进行微调。他说：“我们看到这些创新确实很快地传播到了AI的另一个领域。”衡量NLP系统的性能变得棘手：“学术界提出了他们认为没人能击败的指标，然后一个系统在六个月内问世并击败了它，” Clark说。此图表显示了两种称为SQuAD的阅读理解测试的性能，其中AI语言模型必须根据一段文本回答多项选择题。2.0版通过合并无法回答的问题而使任务更加艰巨，模型必须将这些问题识别出来并放弃回答。在第一个版本上，一个模型要花25个月才能超越人类的性能，但是在较艰巨的任务上要击败人类却只用了10个月。

6.一个巨大的警告

是的，总体而言，用于语音识别和文本生成等任务的语言模型已经非常好。但是，除非根除，否则它们会有一些特定的缺陷，可能会使商业用途脱轨。许多语言存在严重的有害偏见问题，例如对一部分人的表现不佳或生成反映历史偏见的文字。此处的示例显示了领先公司的语音识别程序中的错误率。

这里有一个更大的偏差问题，困扰着所有形式的AI，包括计算机视觉和决策支持工具。研究人员测试其系统的性能，但很少测试其系统的有害偏差。

7.人工智能就业市场是全球性的

LinkedIn的数据显示，从2016年到2020年，巴西，印度，加拿大，新加坡和南非的AI招聘增长最快。这并不意味着这些国家的绝对就业机会最多（美国和中国继续保持领先地位），但看看那些努力推动AI的国家所产生的结果将是LinkedIn发现，全球大流行并未对2020年的AI招聘产生影响。

值得注意的是，印度和中国的劳动力中都有较少的人在LinkedIn上有个人资料，因此这些国家/地区的数据可能无法完全代表。

8.企业投资无法停止，也不会停止

资金继续大量涌入。2020年，全球企业对AI的投资猛增至近680亿美元，同比增长40％。

9.创业热潮已经结束

之前的图表显示，私人投资仍在同比增长，但增速较慢。该图显示，这笔钱被用于更少的AI初创公司。尽管大流行可能影响了初创企业的活动，但初创企业数量的下降是始于2018年的明显趋势。这似乎是一个行业日趋成熟的信号。

10. COVID效应

尽管AI的许多趋势在很大程度上不受全球流行的影响，但该图显示2020年的私人投资向某些领域倾斜，这些领域在全球应对COVID-19的行动中发挥了重要作用。制药业相关公司的投资热潮最为明显，但似乎也有可能增加了对教育技术和游戏业的投资，这与以下事实有关：学生和成年人在去年之前花费了很多时间在他们的计算机上。

11.风险？有风险吗？

在电信，金融服务和汽车等行业中，公司正在稳步增加对AI工具的采用。但是，大多数公司似乎都不知道或不担心这种新技术带来的风险。在麦肯锡调查中被问及他们认为哪些风险相关时，超过一半的受访者注册网络安全。与AI相关的道德问题（例如隐私和公平性）是当今AI研究中最热门的话题之一，但显然企业尚未获得备忘录。

12.博士听到行业的警报

公平地说，学术工作只有这么多。虽然大学在本科和研究生阶段都增加了人工智能相关课程的数量，终身教职员工的数量也相应增加，但学术界每年仍然可以把越来越多的人工智能博士释放到世界各地。这张仅代表北美博士毕业生的图表显示，这些毕业生中的绝大多数正在获得行业工作。

13.道德问题

公司可能尚未在乎AI伦理，但研究人员越来越在意。许多小组正在研究诸如AI系统做出不透明的决策（称为可解释性问题），嵌入的偏见和歧视以及隐私入侵等问题。下图显示了AI会议上与道德相关的论文的增长，AI Index的Clark认为这是令人鼓舞的信号。他指出，由于有这么多的学生参加会议，“几年后，将有大量的人涌入这个行业。” 但是，除了会议论文的增加以外，没有什么可衡量的。该报告强调，人工智能系统中偏差的定量测试才刚刚开始出现。Clark表示，创建这些评估“感觉就像是AI科学领域的新组成部分”。

14.多样性问题，第一部分

在AI系统中解决嵌入式偏见和歧视的一种方法是确保正在构建它们的团队中的多样性。这几乎不是一个激进的概念。报告指出，在学术界和工业界，人工智能劳动力“仍然主要是男性，缺乏多样性”。该图根据计算机研究协会的年度调查数据显示，在北美AI相关博士学位课程的毕业生中，女性仅占约20％。

15.多样性问题，第二部分

来自同一调查的数据讲述了关于种族/民族认同的类似故事。怎么办？好吧，鉴于这个问题在即将毕业的博士水平上似乎很明显，因此进一步研究可能是有意义的。有许多针对女孩和代表性不足的少数族裔的优秀STEM计划。我想到了AI 4 ALL。也许给他们几美元，还是以某种方式参与其中？

来源 | 河南省产学研人工智能研究院

点击“阅读原文”，AI学院课程等你来学习！