在人工智能領(lǐng)域，由斯坦福大學發(fā)起的人工智能指數(shù)（AI Index）是一個追蹤 AI 動態(tài)和進展的非營利性項目，旨在全面研究 AI 行業(yè)狀況，旨在促進基于數(shù)據(jù)的 AI 廣泛交流和有效對話。

剛剛，AI Index 正式發(fā)布了 2022 年度報告。

報告下載地址：https://aiindex.stanford.edu/report/

2022 年度發(fā)布的報告要點可總結(jié)為以下八點：

1. AI 領(lǐng)域私人投資猛增，投資集中度加劇。

2021 年 AI 領(lǐng)域的私人投資總額約為 935 億美元，是 2020 年私人投資總額的兩倍多，但新投資的 AI 公司數(shù)量卻在繼續(xù)下降，從 2019 年的 1051 家和 2020 年的 762 家公司減少到 2021 年的 746 家。2020 年有 4 輪 5 億美元以上的融資，2021 年有 15 個。

2. 美國和中國主導了 AI 跨國合作。

盡管地緣政治緊張局勢加劇，但從 2010 年至 2021 年，美中兩國在 AI 出版物方面的跨國合作數(shù)量最多，自 2010 年以來增加了五倍。美中之間合作產(chǎn)生的出版物數(shù)量是英中之間合作數(shù)量（第二高）的 2.7 倍。

3. 語言模型比以往任何時候都更有能力，但也更有偏見。

大型語言模型在技術(shù)基準上創(chuàng)造了新的記錄，但新數(shù)據(jù)表明，更大的模型也更易于從訓練數(shù)據(jù)中反映出偏見。與 2018 年被認為是 SOTA 的 1.17 億參數(shù)模型相比，2021 年開發(fā)的 2800 億參數(shù)模型產(chǎn)生的「毒性」增加了 29%。隨著時間的推移，這些系統(tǒng)的能力顯著增強，既有性能增加也暴露出潛在愈加嚴重的偏見。

4. AI 倫理的興起無處不在。

自 2014 年以來，關(guān)于 AI 公平性和透明度的研究呈爆炸式增長，在倫理相關(guān)會議上的相關(guān)出版物增加了五倍。算法公平和偏見已經(jīng)從主要的學術(shù)追求轉(zhuǎn)變?yōu)榫哂袕V泛影響的主流研究課題。近年來，具有行業(yè)關(guān)系的研究人員在以倫理為中心的會議上發(fā)表的論文同比增加了 71%。

5. AI 變得更負擔得起，性能更高。

自 2018 年以來，訓練圖像分類系統(tǒng)的成本降低了 63.6%，而訓練時間提升了 94.4%。在其他 MLPerf 任務(wù)類別（如推薦、對象檢測和語言處理）中出現(xiàn)了訓練成本更低但訓練時間更快的趨勢，有利于 AI 技術(shù)更廣泛的商業(yè)應(yīng)用。

6. 數(shù)據(jù)，數(shù)據(jù)，還是數(shù)據(jù)。

跨技術(shù)基準測試的頂級結(jié)果越來越依賴于使用額外訓練數(shù)據(jù)來實現(xiàn)新的 SOTA 結(jié)果。截止 2021 年，本報告中 10 個基準測試中有 9 個 SOTA AI 系統(tǒng)接受了額外數(shù)據(jù)的訓練。這種趨勢隱式地有利于私人機構(gòu)參與者訪問大量數(shù)據(jù)集。

7. 關(guān)于 AI 的全球性立法比以往任何時候都多。

AI Index 對 25 個國家的 AI 立法記錄的分析顯示，被通過成為法令的包含 AI 的法案數(shù)量從 2016 年的 1 項增長到 2021 年的 18 項。2021 年，西班牙、英國和美國通過與 AI 相關(guān)的法案數(shù)量最多，平均通過了三項法案。

8. 機械臂越來越便宜

AI Index 調(diào)查顯示，在過去六年中，機械臂手臂的價格中位數(shù)下降了 4 倍，從 2016 年的每只手臂 50000 美元降至 2021 年的 12845 美元。機器人研究變得更易于獲得和負擔得起。

從結(jié)構(gòu)上來看，2022 AI Index 報告共分為五章，具體如下：

• 第一章：研究與開發(fā)（Research and Development）
• 第二章：技術(shù)性能（Technical Performance）
• 第三章：技術(shù) AI 倫理（Technical AI Ethics）
• 第四章：經(jīng)濟與教育（Economy and Education）
• 第五章：AI 政策與管理（AI Policy and Governance）
• 附錄

以下是對報告前兩章內(nèi)容的簡要解讀。

研究與開發(fā)

研發(fā)是推動人工智能快速發(fā)展不可或缺的力量。每年，廣泛的學術(shù)、行業(yè)、政府和民間社會專家和組織通過大量論文、期刊文章和其他與人工智能相關(guān)的出版物、人工智能會議或圖像識別等特定子主題的會議，為人工智能研發(fā)做出貢獻。

本報告第一章利用多個數(shù)據(jù)集分析 2021 年人工智能研發(fā)領(lǐng)域的主要趨勢。本章首先著眼于人工智能出版物，包括會議論文、期刊文章、專利和知識庫。然后，報告分析了 AI 會議出席情況。最后，報告檢查了研發(fā)過程中使用的 AI 開源軟件庫。

AI 出版物總體概覽

圖 1.1.1 為全球 AI 出版物數(shù)量。從 2010 年到 2021 年，AI 出版物的總數(shù)量翻了一番，從 2010 年的 162444 篇增加到 2021 年的 334497 篇。

按專業(yè)劃分：自 2015 年以來，模式識別和機器學習領(lǐng)域的出版物增長了一倍多。而受深度學習影響較大的其他領(lǐng)域，如計算機視覺、數(shù)據(jù)挖掘和自然語言處理方面，則增幅較小。

跨國合作：從 2010 年到 2021 年，中美在 AI 出版物方面的跨國合作數(shù)量最多，自 2010 年以來增加了五倍。兩國之間合作產(chǎn)生的出版物數(shù)量是中英合作產(chǎn)生出版物數(shù)量的 2.7 倍（排名第二）。

AI 期刊出版物

在從 2010 年到 2015 年僅略有增長之后，AI 期刊出版物的數(shù)量自 2015 年以來增長了近 2.5 倍（圖 1.1.7）。 

圖 1.1.10 按三大 AI 強國劃分了過去 12 年 AI 期刊出版物的份額。中國始終保持領(lǐng)先地位，2021 年為 31.0%，其次是歐盟和英國為 19.1%，美國為 13.7%。

引用次數(shù)：在 AI 期刊論文的引用次數(shù)上，中國的份額逐漸增加，而歐盟以及英國和美國的份額則在下降。這三個地理區(qū)域的總引用量占全球總引用量的 66% 以上。

AI 會議出版物

AI 會議出版物數(shù)量在 2019 年達到峰值，比 2021 年的峰值下降了約 19.4%（圖 1.1.12）。然而，盡管總數(shù)有所下降，但自 2010 年以來，人工智能會議出版物在全球會議出版物總數(shù)中的份額增加了超過 5 個百分點（圖 1.1.13）。

按地域劃分：2021 年，中國以 27.6% 的比例在全球 AI 會議出版物中所占份額最大，比 2020 年的領(lǐng)先優(yōu)勢更大，而歐盟和英國以 19.0% 緊隨其后，美國以 19.0% 位居第三 16.9%（圖 1.1.15）。

引用次數(shù)：盡管中國在 2021 年發(fā)表了最多的 AI 會議出版物，圖 1.1.16 顯示，美國在 AI 會議引用次數(shù)方面領(lǐng)先于其他大國，2021 年為 29.5%，其次是歐盟 + 英國 (23.3%) 和中國(15.3%)。

AI 專利

圖 1.1.22 為 2010 年到 2021 年 AI 專利申請數(shù)量。2021 年 AI 專利申請量是 2015 年的 30 倍以上，復合年增長率為 76.9%。

按地理區(qū)域：中國現(xiàn)在申請了全球一半以上的人工智能專利，并獲得了約 6% 的授權(quán)，與歐盟和英國大致相同。美國在北美申請了幾乎所有專利。圖 1.1.24c 顯示，與不斷增長的人工智能專利申請和授權(quán)數(shù)量相比，中國的專利申請數(shù)量（2021 年為 87,343 件）遠高于授權(quán)數(shù)量（2021 年為 1,407 件）。

AI 開源軟件庫

圖 1.3.1 和 1.3.2 反映了 2015 年至 2021 年 GitHub 開源 AI 軟件庫的用戶數(shù)量。TensorFlow 仍然是 2021 年迄今為止最受歡迎的，GitHub 累計 star 量約為 161,000 ，比 2020 年略有增加。TensorFlow 在 2021 年，它的受歡迎程度大約是排名第二的 GitHub 開源 AI 軟件庫 OpenCV 的三倍，緊隨其后的是 Keras、PyTorch 和 Scikit-learn。圖 1.3.2 顯示了 GitHub star 量少于 40,000 的庫的受歡迎程度—— FaceSwap 位居榜首，其次是 100-Days-Of-ML-Code、AiLearning 和 BVLC/caffe。

技術(shù)性能

今年，在技術(shù)性能一章對人工智能各個子領(lǐng)域的技術(shù)進步進行了比以往更多的分析，包括計算機視覺、語言、語音、推薦、強化學習、硬件和機器人技術(shù)的趨勢。

計算機視覺：圖像

截至 2021 年底，頂級圖像分類系統(tǒng) Top-1 準確率上平均每 10 次分類出現(xiàn) 1 個錯誤，而在 2012 年底，平均每 10 次分類出現(xiàn) 4 個錯誤。

圖 2.1.5 記錄了生成模型在 STL-10 數(shù)據(jù)集上取得的性能。由首爾大學等機構(gòu)的研究人員開發(fā)的最先進的 STL-10 模型的 FID 得分為 7.7，明顯優(yōu)于 2020 年 SOTA 結(jié)果。

人臉檢測：從 FRVT face-mask 測試中可以得出三個重要趨勢：（1）面部識別系統(tǒng)在 masked 上的表現(xiàn)仍然相對較好；(2) masked 的表現(xiàn)比 non-masked 差；(3) 2019 年以來差距縮小。盡管人臉識別技術(shù)已經(jīng)存在了幾十年，但最近幾年的技術(shù)進步是顯著的。當今一些表現(xiàn)最好的面部識別算法在具有挑戰(zhàn)性的數(shù)據(jù)集上的成功率接近 100%。

?

計算機視覺：視頻

MTV 是 Google Research、密歇根州立大學和布朗大學的合作項目，于 2022 年 1 月發(fā)布，在 600 系列上實現(xiàn)了 89.6% 的 Top-1 準確率，在 400 系列上實現(xiàn)了 89.1% 的準確率，在 700 系列上實現(xiàn)了 82.20% 的準確率 （圖 2.2.2）。

對 2022 AI Index 更多細節(jié)內(nèi)容感興趣的讀者，請閱讀原報告。