「2021年人工智能指數(shù)報告」由斯坦福大學Human-Centered人工智能研究所，以及來自哈佛大學，經(jīng)濟合作與發(fā)展組織，the Partnership on AI合作組織和SRI International的11名專家組成的指導委員會共同編制。這份報告引用了大量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Black in AI和Queer in AI等團體的調(diào)查。

 

報告對2021年度人工智能最新的研究趨勢和進展進行了總結(jié)，并分析了資本、政策對AI技術(shù)的影響，以及深度學習、圖像識別、語言識別等AI主要子領域的研究。

一 人工智能的盛夏

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

二 中國在人工智能研究領域取得顯著成就

自2017年中國研究人員發(fā)表的同行評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)領先全球。

AI指數(shù)指導委員會聯(lián)合主任Jack Clark表示，這些數(shù)據(jù)對中國來說似乎是「學術(shù)成功的指標」，也在一定程度上映射出不同國家在人工智能生態(tài)體系建設方面的現(xiàn)狀。他認為研究論文更像是一種學術(shù)權(quán)威認證，一個領域的學術(shù)性越弱，其行業(yè)實用性可能會越強。他指出：「中國有獲得期刊出版物的明確政策，政府機構(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 快速訓練=更好的AI

MLPerf以訓練速度與硬件的關(guān)系為基礎，分析了機器學習的系統(tǒng)性能，客觀地對機器學習系統(tǒng)性能進行排名。通過對各種圖像分類器系統(tǒng)在標準ImageNet數(shù)據(jù)庫上進行培訓，并根據(jù)訓練時間進行排名。2018年，訓練最佳系統(tǒng)需要6.2分鐘；2020年，培訓最佳系統(tǒng)需要47秒。這一進步也得益于近年來機器學習專用芯片的快速發(fā)展。

報告認為，硬件加速對機器學習的影響至關(guān)重要。系統(tǒng)訓練耗時幾秒和幾小時的差別巨大，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險。

四 AI不能理解「喝咖啡」？

在過去的幾年里，人工智能在靜態(tài)圖像識別方面的進展突飛猛進，而計算機視覺未來必將朝著視頻識別的方向發(fā)展。研究人員正在構(gòu)建可以從視頻剪輯中識別各種活動的系統(tǒng)，因為如果將機器視覺應用到現(xiàn)實世界（例如自動駕駛汽車、監(jiān)控攝像頭等），這種類型的識別可能會大有用處。計算機視覺性能的基準之一是ActivityNet數(shù)據(jù)集，其中包含來自2萬個視頻的近650小時鏡頭。在其中顯示的200項日常生活活動中，人工智能系統(tǒng)在2019年和2020年都很難識別「喝咖啡」這項活動。這似乎是一個主要問題，因為喝咖啡是所有其他活動的基本活動。無論如何，這是未來幾年值得關(guān)注的領域。

五 自然語言識別需要更難的測試

自然語言處理（NLP）的迅速崛起似乎遵循了計算機視覺的軌跡，在過去十年中，計算機視覺從學術(shù)領域的分支專業(yè)發(fā)展成為廣泛的商業(yè)部署。今天的NLP也由深度學習驅(qū)動，Jack Clark認為，NLP繼承了計算機視覺工作的策略，例如對大型數(shù)據(jù)庫的訓練和特定應用程序的微調(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領域。」

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

六 NLP也存在「種族歧視」

語音識別和文本生成等任務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)中仍存在認知偏差，如果這些問題不得到解決，則可能會嚴重影響這些技術(shù)的商業(yè)應用。

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)化語音識別程序的錯誤率。

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

七 AI就業(yè)市場全球化

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最快。而這并不意味著這些國家的絕對就業(yè)機會最多（美國和中國仍占據(jù)AI就業(yè)機會的首位），但這些國家對人工智能的投入將會對人工智能技術(shù)以及整個社會的發(fā)展產(chǎn)生積極影響。LinkedIn發(fā)現(xiàn)，2020年的全球疫情并未對AI領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LinkedIn的應用并不廣泛，因此這些國家的人才市場狀況在LinkedIn上的數(shù)據(jù)并不具有充分的代表性。

八 企業(yè)對AI的投資熱度「不想停，也不會停」

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

九 創(chuàng)業(yè)狂潮接近尾聲

從前面一張圖表可以看出，AI領域的企業(yè)投資持續(xù)增長，但在增長的背后，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。雖然疫情可能對初創(chuàng)企業(yè)的活動產(chǎn)生了影響，但AI初創(chuàng)企業(yè)數(shù)量下降的明顯趨勢始于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。

十 新冠病毒帶來的影響

雖然人工智能的許多趨勢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對新冠病毒中發(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。而對教育技術(shù)和游戲的投資增長，也與2020年疫情隔離導致人們把更多時間花費在電腦前有直接關(guān)系。

十一風險？有風險嗎？

大量企業(yè)在電信、金融服務和汽車等行業(yè)穩(wěn)步增加人工智能工具的應用。然而，大多數(shù)公司似乎不知道或不關(guān)心這項新技術(shù)帶來的風險。麥肯錫在一項研究中調(diào)查了企業(yè)對AI應用相關(guān)風險的認知，只有網(wǎng)絡安全風險受到了半數(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，是當今人工智能研究領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領域的博士們正在涌入企業(yè)

AI領域的學術(shù)工作有限，雖然高校增加了本科生和研究生級別的人工智能相關(guān)課程，終身制教師職位也相應增加，但學術(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，很多公司對人工智能的倫理問題重視程度不足，但研究人員對此越來越關(guān)心。許多團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議上倫理問題的相關(guān)論文正在逐年增加，Jack Clark認為這非常值得高興。他指出，由于有這么多學生參加這些人工智能會議，幾年后，將有大量關(guān)注AI倫理的從業(yè)者進入行業(yè)。

然而，除了會議文件的增加外，在這一問題上業(yè)界并沒有其他突出的進步。報告強調(diào)，人工智能系統(tǒng)中的偏差量化測試才剛剛開始出現(xiàn)。Jack Clark說，「這些評估體系，就像人工智能科學領域的一個新分支。」

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。這不是一個激進的概念。然而，報告稱，在學術(shù)界和行業(yè)，人工智能勞動力「仍然以男性為主」。這張圖表來自美國計算機研究協(xié)會年度調(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)講述了一個關(guān)于種族/民族身份的類似故事。這個問題在即將畢業(yè)的博士生中似乎相當明顯，有許多優(yōu)秀的科學、技術(shù)、工程和數(shù)學項目都以女孩和少數(shù)族裔為重點。這使我們想到了AI4ALL組織，或許社會可以更加關(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。

參考鏈接：

https://aiindex.stanford.edu/wp-content/uploads/2021/03/2021-AI-Index-Report_Master.pdf

https://spectrum.ieee.org/tech-talk/artificial-intelligence/machine-learning/the-state-of-ai-in-15-graphs