您好,欢迎来到河南华体会hth体育仪器设备有限公司!
全国咨询热线0371-53370142
河南华体会hth体育仪器设备有限公司

行业新闻

NEWS
斯坦福发布AI年度报告 中国AI论文数全球第二
发布时间:2022-06-21浏览次数:66

  月17日消息】近日【网易智能讯12,18年度全球AI报告》斯坦福大学发布了《20,面介绍2018年人工智能(AI)技术的发展从学术研究、产业、软件开源、公共利益等方,语言理解等领域的技术进展并记录计算机视觉、自然。

  介绍据,取和可视化与人工智能相关的数据这份报告致力于追踪、整理、提,、记者和普通大众全面了解AI的依据并成为政策制定者、研究人员、高管,领域形成更直观印象以便对复杂的AI。

  了两个目标:首先今年的报告实现,年的指标刷新了去。次其,下解析AI技术的进展它尽可能在全球背景。告的使命至关重要前者对实现这份报,对话的基础即奠定AI,推进技术进步这意味着持续。必不可少的但后者也是。球视角没有全,AI故事就没有。

  偏重于北美地区的活动2017年的报告严重,伴关系数量有限的短板这反映出该项目全球伙,固有偏见并非一种。年今,小全球差距我们开始缩。认识到我们,覆盖足够全面要使本报告的,的路要走还有很长,合作和外部参与且需要进一步的。过不,I是全球性的技术我们可以断言A。

  的AI论文有83%来自美国以外2017年Scopus数据库。中其,来自欧洲28%,中比例最高的是所有地区。L)课程的招生人数都在增加全球大学AI和机器学习(M,国清华大学尤其是中,总招生人数是2010年的16倍其2017年AI+ML课程的。

  和欧洲取得了进展不仅美国、中国,14年20,利的第二大和第三大生产国韩国和日本分别是AI专,于美国仅次。外此,度学习Indaba大会南非还主办了第二届深,ML教学活动之一这是世界上最大的,洲国家的500多人参加吸引了来自20多个非。

  仅仅是地理上的AI的多样性不。今如,合作项目都是盈利的超过50%的AI,学人类未来研究所以及联合国开发计划署等的项目包括来自美国公民自由联盟(ACLU)、牛津大。同时与此,族多样性对AI进步的重要性人们也越来越意识到性别和种。如例, Learning (WiML)等组织的人数都有所增加我们看到AI4ALL和Women in Machine,了的参与这鼓励。

  企业家以及公众对AI活动的参与度活跃度指标体现了学术界、企业、。习AI的人数从大学生学,作的女性比例到申请AI工,业风险投资的增长再到AI初创企,包罗万象这些数据。

  I性能随时间的变化技术性能指标指A。如例,和计算机在测试中检测对象的速度我们可以测量AI回答问题的质量。机器人安装和AI会议出席率)增加了额外的国家级粒度《2018年度全球AI报告》为去年的许多指标(如。外此,的度量标准和研究领域我们还增加了许多新,GLUE度量和COCO排行榜等如专利、机器人操作系统下载、。

  来说总的,几乎所有地方的AI活动都在增加我们看到了去年主要成果的延续:,在全面提高技术性能也。过不,趣的成果特别值得注意今年还是有些特别有。言的显著进步这包括自然语,限的性别多样性以及课堂上有。

  96年来说相对于19,论文的年度出版率的增长情况下图显示了2018年度学术。(CS)和人工智能(AI)领域的论文增长这张图表比较了所有科研领域、计算机科学。到2017年从1996年,长率都超过了CS领域每年发表的AI论文增,人们对计算机科学的兴趣才有所增加的这表明AI论文的增长不仅仅是出于。

  每年发表的AI论文数量下图显示了按地区分类。的AI论文出产地欧洲一直是最大,库中28%的AI论文源自欧洲2017年Scopus数据。同时与此,国AI论文数量出现波动尽管2008年左右中,至2017年间但在2007年,量增长了150%中国发表的论文数。

  opus数据库中的AI论文数量下图按细分领域分类显示了Sc。非互相排斥的这些子类别并。

  表的AI论文中2017年发,与概率推理这一研究方向有56%来自机器学习,010年而在2,只有28%这一比例。17年大多数期间论文发表速度图中展示的2014年到20,2014年期间快都比2010年到。注意的是最值得,的复合年增长率(CAGR)在2014年只有3%神经网络( Neural Networks ),年却达到37%而到2017。

  v上的AI论文数量下图显示了arXi,主要子类别分类按照每篇论文的。机科学、生物学与数理经济学论文预印本的网站arXiv是个收集关于物理学、数学、计算。论文的总和(以灰色虚线表示)右轴表示arXiv上所有AI。

  及许多子类别的论文数量都在增加arXiv上的AI论文总数以。评议还是已被AI会议接受这些论文无论是经过同行,向于传播他们的研究都表明AI作者倾,领域的竞争性这也表明了该。4年以来自201,直是arXiv中最大的AI子类别计算机视觉(CV)和模式识别一。4年之前201,I和机器学习密切相关这一类别的增长与A。通用应用程序)日益增长的兴趣外除了显示出对计算机视觉(及其,I应用领域的增长这也表明其他A,和机器人技术等如计算、语言。

  年到2017年间图4::2010,别划分的AI论文数arXiv上按子类量

  国的相对活动指数(RAI)下图显示了美国、欧洲和中。活动进行比较来近似区域的专业化程度RAI通过将其与AI中的全球研究。的定义是RAI,出版物份额来说相对于全球AI,版物所占比重某个国家的出。.0表明数值1,与全球在AI方面的活动完全一致一个国家在AI方面的研究活动。值意味着更重视高于1.0的,值意味着较少重视而低于1.0的。

  工程技术和农业科学领域中国的AI论文更侧重于,向于人文科学和医疗卫生科学而美国和欧洲的AI论文则倾。年的数据相比与2000,的数据显示2017年,业化程度有所提高这三个地区的专,正转向农业中国的重点。预期是一致的这与我们的,最大的食品生产国因为中国是世界上,点放在应用AI方面并且倾向于将研究重。

  构合作的Scopus数据库中AI论文的数量下面的5张图表显示了与政府、企业和医疗机。中其,三个地区按机构关注度分类的AI论文数量前三张图直接比较了中国、美国以及欧洲这,企业和政府发表的论文数量后两张图则显示了各地区。

  17年20,数量是中国企业的近4倍中国政府发表的AI论文。7年以来自200,文数量增长了400%中国政府发表的AI论,文数量仅增长了73%而同期企业发表的论。

  美国在,I论文中所有A,比例相对较大企业论文所占。17年20,例比中国企业高6.6倍美国企业发表AI论文比,高4.1倍比欧洲企业。

  域加权引用(FWCI)下图显示了AI作者的地。均引用次数除以所有AI作者的平均引用次数地域加权引用是是AI作者在该地区接收的平。张图中在这,重新建立的FWCI是,对于世界平均水平显示的这意味着引用次数是相。I的重新计算表明基于1的FWC,数与世界平均水平相当这些出版物被引用的次。

  为0.85若FWCI,世界平均水平低15%表明论文的被引用率比。的AI论文数量最多尽管欧洲每年发表,保持相对平稳水平但欧洲FWCI仍,均水平相当与世界平。之下相比,加其FWCI中国已大幅增。16年20,比2000年高出44%中国的AI作者被引用率。如此尽管,仍高于其他地区美国的总引用率,平高出83%比全球平均水。

  论文发表率和被引用率的影响下图显示了国际流动性对AI。、暂时性、迁移性流入和迁移性流出我们研究了四种流动类型:久坐性。华体会hth体育活跃的研究人员久坐性作者是,家乡以外发表过文章他们没有在自己的。区发表文章的时间不超过两年暂时性作者在他们家乡意外地。的时间里向其他地区投稿迁移性作者在两年或更长。

  年到2017年间图12:1998,文的发表率和地域加权引用影中美欧三个地区AI作者论响

  表示相对发表率下图中的X轴,数除以该区域的总体平均发表次数即每个类别中作者的平均发表次。域加权引用Y轴表示地,数除以该区域总体上的平均引用次数即每个迁移性作者收到的平均引用次。

  少有30%涉及AI如果作者的论文中至,为“AI作者”那么他就被视。中国和欧洲在美国、,的出版率最低暂时性作者。外此,个地区在这三,FWCI最高迁移性作者的。此因,次数和更频繁发表文章的作者他们倾向于是拥有更多引用。

  个地区中在这三,者比例最高(76%)中国的久坐性AI作,(52%)其次是欧洲,(38%)然后是美国。性作者比例较大虽然中国久坐,非久坐性作者相比但与其他地区的,者发表率往往较高中国的非久坐性作。话说换句,性的中国作者相对较少尽管在地理上具有流动,方的迁移性作者更多产但他们往往比其他地。

  进协会(AAAI)会议提交和接受的论文数量下图显示了按国家分类的2018年人工智能促。2月在美国路易斯安那州新奥尔良举行2018年AAAI会议于2018年。给AAAI的论文中在2018年提交,自美国或中国约有70%来。文投稿数量最多虽然中国的论,的论文数量几乎相同但美国和中国被接受,篇和265篇分别为268。此因,中选率为29%美国相关论文的,为21%而中国。论文中选率最高德国和意大利的,41%达到。

  ML)课程的本科学生所占百分比下图显示了入读AI和机器学习(。略高于ML课程(AI平均为5.2%虽然选择AI课程的本科生比例往往,.4%)ML为4,科生人数增长速度更快但入读ML课程的本。I子领域变得越来越重要这显示了机器学习作为A。

  大学AI和ML课程注册人数增长情况下图显示了美国几所领先的计算机科学。数比2012年增加了3.4倍2017年入读AI课程的人,人数比2012年增加了5倍而2017年ML课程入学。L课程的学生人数是2012年的6.8倍美国加州大学伯克利分校2017年入门M。

  算机科学大学的AI和ML课程注册情况下面两张图显示了美国以外几所领先计。17年20,人数比2010年增加了16倍清华大学的AI+ML课程入学,增长率最高的高校是非美国院校外。究的学校中在所有被研,生的增长相对依赖学校我们发现AI课程招,位置的特别影响并没有受到地理。

  年到2017年间图16:2010,课程注册人数增长情美国之外AI+ML况

  AI会议的出席率下图显示了大型,型会议出席人数的增长情况以及相对于2012年大。年超过2000人参加的会议大型AI会议是指2017。PR和ICML是参加人数最多的AI会议NeurIPS(前身是NIPS)、CV。2年以来自201,人数增长最快它们的出席。长最快:2018年与2012年相比NeurIPS和ICML参与人数增,S增长3.8倍NeuRIP,长5.8倍ICML增。I的子领域仍然非常感兴趣这表明人们对ML作为A。同时与此,续显示出较小的相对增长率专注于符号推理的会议继。

  AI会议的出席率下图显示了小型,AI会议出席人数的增长情况以及相对于2012年小型。年参会人数不足两千人的会议小型AI会议是指2017。人数比2012年增加了20倍ICLR 2018年的出席。更加注重深度和增强学习的结果这种增长很可能今天AI内部。

  组织WiML主办的年度会议的出席人数下图显示了致力于支持女性机器学习的,ll活动的校友人数以及参加AI4A。AI多样性和包容性的阻止AI4All是个旨在提高。去几年都看到了项目注册的增加WiML和AI4All在过,014年增加了600%WiML的参与者比2,015年增加了900%AI4ALL的校友比2。长表明这些增,努力吸纳女性和AI领域仍在。

  系统(ROS)二进制包的数量下图显示了从载的机器人操作。的机器人软件栈开源软件ROS是一种广泛使用,和学术研究人员使用它被许多商业制造商。的月平均下载次数左轴显示的是总,P地址的月平均下载次数而右轴仅显示来自唯一I。4年以来自201,增长了352%和567%总下载量和独立下载量分别。器人系统的使用越来越感兴趣这表明人们对机器人技术和机。比总下载数量增长更快由于独立下载的数量,更多的ROS用户我们可以推断出有,S使用得更频繁而不仅仅是RO。

  2年以来自201,览量最大的五个地区中ROS.org页面浏,S页面浏览量最高美国和欧洲的RO。区中增长速度最快的而中国是所有大型地,量是2012年的18倍2017年的中国浏览。

  年到2018年间图20:2011,OS)下载数量增长情机器人操作系统(R况

  在给定年份里下图显示了,美国私人创业公司数量由风险投资支持的活跃。只显示AI创业公司蓝色的线(左轴),有风险投资支持的创业公司而灰色的线(右轴)显示所,创业公司包括AI。1月份的创业公司总数这张图表显示了每年。到2018年1月从2015年1月,司增长了2.1倍活跃的AI创业公,公司增长了1.3倍而所有活跃的创业。程度上在很大,增长保持相对稳定活跃创业公司的,的数量呈指数增长而AI创业公司。

  阶段向活跃的美国初创企业提供的年度资金数额下图显示了风险投资公司(VC)在所有融资。示对AI创业公司的资助蓝色的线(左轴)只显,风险投资支持的创业公司的资助而灰色的线(右轴)显示对所有,创业公司包括AI。是年度数据这些数据都,据那样是逐年累积的不像上个图表中的数。到2017年从2013年,资资金增加了4.5倍扶持AI创企的风险投,资金增加了2.08倍而所有流向初创企业的。年期间的风险投资繁荣1997年到2000,泡沫来解释可以用网络。5年规模较小的繁荣2014年和201,济相对增长较高的情况则反映了一段时期内经。

  领域每年所需的职位空缺数量下面的图表显示了AI技能,空缺的相对增长情况以及所需AI的职位。非相互排斥的关系AI技能之间并。重要的技能要求虽然ML是最,正在以最快的速度增长但深度学习(DL)。到2017年从2015年,空缺数量增加了35倍需要DL技能的职位。

  职位空缺的男女申请者比例下图显示了2017年AI。需要的技能收集的这些数据是按照所,相互排斥的而且并非是。美国在,而言平均,位求职者总数的71%男性求职者占AI职,的求职者数量最多因为机器学习要求,由机器学习求职者推动的这一比例在很大程度上是。外此,类别相比与其他,器人性别多样性差距更大机器人学、深度学习和机。

  利的数量和增长情况下图显示了AI专,所在区域划分主要按发明人。用的是IPC代码AI专利的聚合使,以及人机界面技术领域它属于认知和意义理解。间推移随着时,十分困难的追踪专利是。14年20,I专利源自美国约30%的A。国和日本其次是韩,自占比达16%这两个国家各。明人地区中在顶级发,台湾增长最快韩国和中国,量是2004年的近5倍2014年AI专利数。

  &Company)对2135名受访者的调查结果下面的图表显示了麦肯锡公司(McKinsey ,的组织给出了回复每个人都代表他们。或业务单元中嵌入了AI功能的受访者比例这张图表显示的是那些组织至少在一个功能。择多种AI能力受访者可以选。I功能比其他区域更广泛虽然某些区域采用某些A,I的水平基本差不多但是跨区域采用A。

  对2135名受访者的调查结果下面的图表显示了麦肯锡公司,在的组织进行了回答每个人都代表他们所。经测试或嵌入AI功能的受访者比例图表中显示了在特定的业务功能中已。入其行业内最有价值的功能中这些组织倾向于将AI功能纳。如例,上利用AI应对风险金融服务在很大程度,营销/销售也是如此而汽车制造、零售。如制造业)方面的进展速度这意味着AI在特定应用(,要的行业中的应用程度相关可能与在那些专业化尤为重。

  的公司财报电话会议中下图显示了按行业划分,(ML)等关键词被提及次数人工智能(AI)和机器学习。财报电话会议中提及的AI和ML次数第一张图表仅显示了IT领域科技公司,ML的关系更为密切因为该行业与AI和。财报电话会议提到的AI和ML次数第二张图表显示了IT以外的行业在。L的IT公司数量持续增加2015年提到AI和M。其他行业而言但对于大多数,于2016年这一增长始。话会议中在财报电,行业之外除了科技,数最多的公司提及AI次,金融和医疗保健行业基本上分布在消费、。

  7年到2017年间图28: 200,财报电话会议中提到AI次科技公司和其他行业公司数

  工业机器人年度安装数据下图显示了按地区划分的。机器人安装最大的地区第一张图表显示了五个,地区的机器人安装情况第二张图表则显示其他。12年以来自从20,装增长了500%中国年度机器人安,分别增长了105%和122%而其他地区(比如韩国和欧洲)。

  包在GitHub上加星号的次数下图显示了各种AI和ML软件,框架流行程度的粗略度量这提供了各种AI编程。趋势是最近的,其他语言相比)越来越受欢迎由大公司支持的框架(即与,ok的Pytorch以及亚马逊的mxnet等包括谷歌的Tensorflow、Facebo。

  词组的大众媒体文章比例下图显示了包含AI这个,的、消极的或中性的这些文章被分为积极。得不那么中性AI文章变,加积极反而更,16年初以来特别是自20,的12%增至2016年7月的30%正面描述AI文章从2016年1月。以后从那,直徘徊在30%左右正面文章的比例一。

  议事记录文本中AI和ML这两个术语被提及的次数下列图表显示了美国国会记录、加拿大和英国议会。6年以来自201,家的政府中在这三个国,提及大幅提高对这些术语的。于AI来说不过相对,年以前很少被提及ML在2016。

  准度随着时间变化而获得的性能改进下图显示了ImageNet的精。一直持续到2017年ImageNet大赛,”数据集上对模型进行评分旨在特定于大赛的“测试。已经结束由于比赛,跟踪ImageNet的持续进展我们的报告选择通过研究论文来。显示结果,的性能始终在提高ImageNet。果某个研究度量是围绕某场ImageNet大赛建立的这个度量标准还强调了建模AI进展所固有的挑战:如,真正进展变得更具有挑战性那么取消比赛可能会使获得。而然,据集的可用性由于开放数,的处理来确保连续性可以通过某些巧妙。

  像数据库)的具有高度可信度的图片进行分类所花费的时间下图显示了训练网络对来自ImageNet语料库(图,训大型网络执行AI任务(如图像分类)所需的时间这个度量标准是AI领域中资源丰富的参与者为培。对通用的监督学习任务由于图像分类是一项相,I应用程序的更快培训时间有关因此该指标的进展也与其他A。的时间里在一年半,1个小时降到了大约4分钟培训网络所需的时间从大约。量也反映了AI研究的产业化ImageNet训练时间度。创新和基础设施投资(例如用于培训系统的底层硬件减少ImageNet培训时间的因素包括:算法,些硬件的软件)或用于连接这。

  的目标检测和图像分类任务中取得了较高的性能随着计算机视觉算法在ImageNet提供,战赛于2017年结束ImageNet挑,了微软的COCO上CV领域把重点放在,割和实例分割即挑战语义分。时起从那,困难的计算机视觉任务这个研究团体转向了更。要更复杂推理的视觉任务上该社区将注意力转移到需,对象(称为对象实例分割)比如定位具有像素级精度的,精度的区域(称为语义分割)以及将场景划分为具有像素级。年来四,战的精确度已经提升了0.2COCO数据集上图像分割挑,2015提升了72%2018年的成绩比。过不,超过0.5目前还没有,充足的进步空间这各领域还有。

  句子句法结构任务中的表现下图显示了AI系统在确定。答问题)中理解自然语言的第一步解析度量是理解某些任务(如回。编程语言的算法完成最初使用类似于解析,使用深度学习现在几乎普遍。3年以来自200,了9个百分点(或10%)所有句子的F1得分都提高。

  译成德语、德语翻译成英语任务中的表现下图显示了AI系统在将新闻从英语翻。今如,比2008年好3.5倍从英语到德语的翻译表现,译量也提高了2.5倍而从德语到英语的翻。不同的测试集因为每年使用,EU分数并不完全相同所以不同年份的BL。如此尽管,机器翻译取得的巨大进步BLEU的分数显示了。

  )随时间推移在性能方面取得的进展下图显示了AI2推理挑战(ARC。真正小学水平的多选科学问题ARC数据集包含7787个,问答的研究以鼓励高级。题)和简易集(5197个问题)这问题分为挑战集(2590个问。和单词共现算法错误回答的问题挑战集仅包含基于检索的算法。的英语考试问题问题是纯文本,个年级涵盖几。构(通常有4个答案选项)每个问题都有多项选择结。RC语料库提供这些问题由A,序的、与科学相关的句子它包含着1400万条无,C相关的知识包括与AR。库中找到问题的答案无法保证可以在语料。2018年4月发布ARC基准测试于。集上从63%上升到69%2018年的表现在简易,7%上升到42%在挑战集上从2。

  基准测试排行榜的结果下图显示了GLUE。UE)是个新的测试基准通用语言理解评估(GL,U)系统在一系列任务上的表现旨在测试自然语言理解(NL,合特定任务的系统并鼓励开发不适。子任务组成它由九个,于相似性和释义的句子、四个关于自然语言推理的句子分别是两个单句(测量语言可接受性和情感)、三个关,rad模式挑战包括Winog。0个到超过40万个不等语料库大小从不到100。 F1和主题相关系数测量指标包括准确度/。2018年5月发布尽管该基准测试仅在,已经提高但性能。

在线客服
联系电话
全国免费咨询热线 0371-53370142
  • · 专业的设计咨询
  • · 精准的解决方案
  • · 灵活的价格调整
  • · 1对1贴心服务
在线留言
回到顶部