「中國人工智能研究論文總數已經超過了美國，成爲全球第一」
「人工智能初創企業獲得的資本青睐越來越少」
「主流NLP系統也存在種族歧視」
這些話題都出自斯坦福大學Human-Centered人工智能研究所近期發布的「2021年人工智能指數報告」。報告內容覆蓋AI研發、技術性能、經濟、教育、道德、多樣性以及各國相關政策和國家戰略等大量內容。
這份報告長達222頁，包含大量數據和圖表，我們從中精選了15份圖表，帶你速覽這份斯坦福「2021年人工智能指數報告」，了解2021年人工智能發展現狀。
作者 | Eliza Strickland
編譯 | 機器之能
「2021年人工智能指數報告」由斯坦福大學Human-Centered人工智能研究所，以及來自哈佛大學，經濟合作與發展組織，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研究數據，引用了包括：arXiv的AI研究數據，Crunchbase的資金數據，以及對Black in AI和Queer in AI等團體的調查。
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，並分析了資本、政策對AI技術的影響，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量持續上升。到2020年，中國研究人員發布的人工智能研究論文在權威期刊的引用率已經領先全球。
AI指數指導委員會聯合主任Jack Clark表示，這些數據對中國來說似乎是「學術成功的指標」，也在一定程度上映射出不同國家在人工智能生態體系建設方面的現狀。他認爲研究論文更像是一種學術權威認證，一個領域的學術性越弱，其行業實用性可能會越強。他指出：「中國有獲得期刊出版物的明確政策，政府機構在研究中發揮更大的作用，而在美國，大部分這方面的研發主要集中在企業內部。」
三 快速訓練=更好的AI
MLPerf以訓練速度與硬件的關系爲基礎，分析了機器學習的系統性能，客觀地對機器學習系統性能進行排名。通過對各種圖像分類器系統在標准ImageNet數據庫上進行培訓，並根據訓練時間進行排名。2018年，訓練最佳系統需要6.2分鍾；2020年，培訓最佳系統需要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展。
報告認爲，硬件加速對機器學習的影響至關重要。系統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」？
在過去的幾年裏，人工智能在靜態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展。研究人員正在構建可以從視頻剪輯中識別各種活動的系統，因爲如果將機器視覺應用到現實世界（例如自動駕駛汽車、監控攝像頭等），這種類型的識別可能會大有用處。計算機視覺性能的基准之一是ActivityNet數據集，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，因爲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迹，在過去十年中，計算機視覺從學術領域的分支專業發展成爲廣泛的商業部署。今天的NLP也由深度學習驅動，Jack Clark認爲，NLP繼承了計算機視覺工作的策略，例如對大型數據庫的訓練和特定應用程序的微調。他說：「我們看到這些創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系統的性能正在變得很棘手，學術界一直在研發更爲困難的AI測試系統和指標，但無論何種系統總會在六個月內出現新的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，人工智能語言模型必須根據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，並且不回答。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非常完善了。但即便在主流的成熟商業NLP系統中仍存在認知偏差，如果這些問題不得到解決，則可能會嚴重影響這些技術的商業應用。
例如AI系統也存在種族歧視問題，圖表顯示了幾款較爲成熟的商業化語音識別程序的錯誤率。
雖然系統存在認知偏差，但大多數研究人員只注重系統性能，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展，包括計算機視覺和決策支持工具。
七 AI就業市場全球化
據LinkedIn數據顯示，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。而這並不意味著這些國家的絕對就業機會最多（美國和中國仍占據AI就業機會的首位），但這些國家對人工智能的投入將會對人工智能技術以及整個社會的發展産生積極影響。LinkedIn發現，2020年的全球疫情並未對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的應用並不廣泛，因此這些國家的人才市場狀況在LinkedIn上的數據並不具有充分的代表性。
八 企業對AI的投資熱度「不想停，也不會停」
自2015年以來大量資金持續湧入人工智能領域。2020年，全球企業對人工智能的投資飙升至近680億美元，比前一年增長40%。
九 創業狂潮接近尾聲
從前面一張圖表可以看出，AI領域的企業投資持續增長，但在增長的背後，卻是增速逐年放緩。這張圖表顯示，AI初創企業得到的投資越來越少。雖然疫情可能對初創企業的活動産生了影響，但AI初創企業數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揮重要作用的單位。制藥相關公司投資的激增就很好的說明了這一點。而對教育技術和遊戲的投資增長，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系。
十一風險？有風險嗎？
大量企業在電信、金融服務和汽車等行業穩步增加人工智能工具的應用。然而，大多數公司似乎不知道或不關心這項新技術帶來的風險。麥肯錫在一項研究中調查了企業對AI應用相關風險的認知，只有網絡安全風險受到了半數以上受訪者的關注。與人工智能相關的倫理問題，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，然而這些問題並未引起企業的足夠重視。
十二 AI領域的博士們正在湧入企業
AI領域的學術工作有限，雖然高校增加了本科生和研究生級別的人工智能相關課程，終身制教師職位也相應增加，但學術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的AI博士畢業生，這些畢業生中的絕大多數正在流向AI企業。
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心。許多團體正在研究人工智能系統的不透明決策（稱爲可解釋性問題），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論文正在逐年增加，Jack Clark認爲這非常值得高興。他指出，由于有這麽多學生參加這些人工智能會議，幾年後，將有大量關注AI倫理的從業者進入行業。
然而，除了會議文件的增加外，在這一問題上業界並沒有其他突出的進步。報告強調，人工智能系統中的偏差量化測試才剛剛開始出現。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）
解決人工智能系統中嵌入的偏見和歧視的一種方法是確保構建人工智能系統的群體的多樣性。這不是一個激進的概念。然而，報告稱，在學術界和行業，人工智能勞動力「仍然以男性爲主」。這張圖表來自美國計算機研究協會年度調查，數據顯示，在北美人工智能相關的博士課程的畢業生中，女性僅占約20%。
十五 多樣性問題（2）
來自同一調查的數據講述了一個關于種族/民族身份的類似故事。這個問題在即將畢業的博士生中似乎相當明顯，有許多優秀的科學、技術、工程和數學項目都以女孩和少數族裔爲重點。這使我們想到了AI4ALL組織，或許社會可以更加關注這些群體，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