斯坦福全球AI報告：中國機器人部署量漲500％

　　學(xué)術(shù)會(huì )議熱度

　　在大型會(huì )議中，NeurIPS(曾用名NIPS)、CVPR和ICML，是參與人數最多的三大AI會(huì )議。自2012年以來(lái)，論參與人數的增長(cháng)率，這三者也領(lǐng)先于其他會(huì )議。

　　NeurIPS和ICML參與人數增長(cháng)最快：將2018年與2012年相比，NeuRIPS增長(cháng)3.8倍(4.8x)，ICML增長(cháng)5.8倍(6.8x)。

　　上面討論的是大型會(huì )議，但小型會(huì )議的參與人數同樣有明顯的增長(cháng)，甚至可以比大型會(huì )議的增長(cháng)更加明顯。

　　這里最突出的是，ICLR2018的參會(huì )人數達到了2012年的20倍。

　　原因很可能是近年來(lái)，AI領(lǐng)域越來(lái)越關(guān)注深度學(xué)習和強化學(xué)習了。

　　AI創(chuàng )業(yè)投資情況

　　從2015年1月到2018年1月，人工智能創(chuàng )業(yè)公司的數量增長(cháng)到了原來(lái)的2.1倍，而所有活躍的創(chuàng )業(yè)公司增長(cháng)到了原來(lái)的1.3倍。

　　大多數情況下，創(chuàng )業(yè)公司的增長(cháng)都保持相對穩定，而人工智能創(chuàng )業(yè)公司呈指數級增長(cháng)。

　　在風(fēng)投資金方面，從2013年到2017年，人工智能領(lǐng)域的風(fēng)投資金增長(cháng)到了原來(lái)的4.5倍，而所有的風(fēng)投資金只增長(cháng)到了原來(lái)的2.08倍。這些數據都是年度數據，不是逐年累積的。

　　圖表中有兩個(gè)高峰期，1997-2000年風(fēng)投資金的激增，對應的是網(wǎng)絡(luò )泡沫時(shí)期。2014-2015年出現了一個(gè)較小的增長(cháng)，因為當時(shí)正處于一個(gè)相對較大的經(jīng)濟增長(cháng)時(shí)期。

　　人才需求

　　報告顯示，近幾年，社會(huì )需要的AI相關(guān)人才大幅度增加，目前對有ML技能的人才需求最大，其次是深度學(xué)習。

　　可以看出，ML人才需求也是這兩年增長(cháng)速度最快的。

　　報告統計，2017年，全球ML人才需求是2015年的35倍，從2016年到2017年的增幅尤為明顯。全球對AI人才的需求在2016年驟增。

　　專(zhuān)利

　　2014年，大約30%的人工智能專(zhuān)利發(fā)明人來(lái)自美國，其次是韓國和日本，各擁有16%。

　　在韓國和中國臺灣地區，專(zhuān)利的增長(cháng)速度較快。2014年人工智能專(zhuān)利的數量幾乎是2004年的5倍。

　　財報電話(huà)會(huì )議中提及AI和ML的次數

　　2015年，科技公司在財報電話(huà)會(huì )議中提及AI和ML的次數開(kāi)始有所增加。

　　2016年，其他行業(yè)提及AI次數才開(kāi)始增長(cháng)。

　　相比之下，科技行業(yè)的公司提及AI和ML的次數遠比其他行業(yè)多。

　　在財報電話(huà)會(huì )議中，除了科技行業(yè)之外，提及AI次數最多的公司，基本上分布在消費、金融和醫療保健行業(yè)。

　　機器人安裝量

　　2012年到2017年，中國機器人年安裝量增長(cháng)了500%，其他地區，比如韓國和歐洲，分別增長(cháng)了105%和122%。

　　在安裝量較小的地區中，中國臺灣比較突出，在2012-2017年增長(cháng)最快。

　　開(kāi)源框架GitHub標星數

　　各框架的標星數反映著(zhù)他們在開(kāi)發(fā)者群體中的流行程度。不過(guò)，因為開(kāi)發(fā)者們日常不會(huì )“取關(guān)”GitHub項目，所以這些星星都是多年來(lái)積攢下的。

　　我們可以明顯發(fā)現，TensorFlow的受歡迎程度在開(kāi)發(fā)者中遙遙領(lǐng)先、穩步增長(cháng)。

　　排除了第一熱門(mén)，第二名和第三名分別是scikit-learn和BVLC/caffe。

　　TensorFlow官方力推的keras排到了第四，但近一年來(lái)幾無(wú)增長(cháng)勢頭。

　　另外兩大熱門(mén)PyTorch和MXNet分別排到了第七和第六，尤其是PyTorch，作為一個(gè)年輕的框架，自2017年初發(fā)布以來(lái)至今，GitHub標星數至少增長(cháng)了4倍。獲取新用戶(hù)的勢頭很猛，不知道其中有多少被TensorFlow逼瘋的人類(lèi)。

　　各類(lèi)任務(wù)最新成績(jì)

　　這個(gè)部分分為CV和NLP兩塊，分別列舉了各主流任務(wù)從發(fā)展之初到現在的成績(jì)進(jìn)步情況。

　　ImageNet圖像識別準確率

　　2017年是ImageNet比賽的最后一屆，2018年這項比賽就不再進(jìn)行了。不過(guò)，驗證集依然有人在用。

　　藍色的線(xiàn)條為ImageNet挑戰賽歷年的成績(jì)變化，由于每年比賽所用的數據不同，旁邊多了一條黃色線(xiàn)條，是以ImageNet2012驗證集為評價(jià)標準繪制的。

　　可以看出，到2015年，機器在圖像分類(lèi)任務(wù)上的能力已經(jīng)明顯超越了人眼，而即使比賽不再繼續，學(xué)術(shù)研究者依然在認真推進(jìn)該任務(wù)的表現。

　　這也側面說(shuō)明，如果一項工作有了明確的評價(jià)標準和固定的挑戰內容，研究者們圍繞此競爭，更容易讓技術(shù)在該領(lǐng)域取得突破。

　　ImageNet訓練速度

　　這張圖是訓練ImageNet圖像分類(lèi)神經(jīng)網(wǎng)絡(luò )所需時(shí)間的歷年變化(當然，是買(mǎi)得起足夠計算資源的人和機構所用的時(shí)長(cháng))。

　　從2017年6月的1小時(shí)，到2018年11月的4分鐘，ImageNet圖像分類(lèi)神經(jīng)網(wǎng)絡(luò )的訓練速度提升了16倍，除了硬件方面的貢獻，算法上的提升也不容小覷。

　　圖像分割COCO

　　ImageNet挑戰賽“退休”之后，CV領(lǐng)域的朋友們就把重點(diǎn)放在了微軟的COCO，挑戰語(yǔ)義分割和實(shí)例分割。

　　四年來(lái)，COCO數據集上圖像分割挑戰的精確度已經(jīng)提升了0.2，2018年的成績(jì)比2015提升了72%。不過(guò)，目前還沒(méi)有超過(guò)0.5，這一項還有充足的進(jìn)步空間。

　　另外值得一提的是，COCO比賽近年來(lái)占據冠軍位置的多是來(lái)自中國的公司，包括曠視、商湯等計算機視覺(jué)獨角獸日常包攬數個(gè)項目的冠軍。

　　語(yǔ)法分析(Parsing)

　　在確定句子結構這種語(yǔ)法分析的任務(wù)上，2003年到2018年的15年間，AI的表現(F1Score得分)提升了將近10%。

　　機器翻譯

　　在機器翻譯任務(wù)上，報告拿英語(yǔ)-德語(yǔ)互相翻譯舉例，評估了AI模型在經(jīng)典機器翻譯評估算法BLEU標準中的表現。

　　報告顯示，2018年英語(yǔ)轉德語(yǔ)的BLEU評分是2008年的3.5倍，德語(yǔ)轉英語(yǔ)成績(jì)是2008年的2.5倍。

　　機器問(wèn)答：AI2ReasoningChallenge(ARC)

　　在問(wèn)答領(lǐng)域，AI表現進(jìn)步更明顯，可以按月計數了。

　　報告統計了2018年從四月到11月間，AI在A(yíng)RC推理挑戰賽上成績(jì)的變化：簡(jiǎn)單組得分從63%提升到69%，挑戰組得分從27%提升到42%。

　　這些，都僅是半年間的進(jìn)步。

　　機器問(wèn)答：GLUE

　　同樣用于機器問(wèn)答的GLUE基準(GeneralLanguageUnderstandingEvaluation)推出至今只有7個(gè)月的時(shí)間，但目前的表現已經(jīng)比半年前提升了90%。

　　GLUE的推出者、紐約大學(xué)助理教授SamBowman說(shuō)，雖然圍繞GLUE的大型社區還沒(méi)有出現，不過(guò)已經(jīng)有了像谷歌BERT這樣的代表性技術(shù)用了GLUE基準，面世一個(gè)月內已經(jīng)被引用8次。在EMNLP會(huì )議中，GLUE時(shí)常被討論，可能會(huì )成為語(yǔ)言理解領(lǐng)域中的一個(gè)基準線(xiàn)。

　　政府提及

　　整體來(lái)說(shuō)，自2016年以來(lái)，美國、加拿大、英國政府在國會(huì )/議會(huì )會(huì )議中提及人工智能和機器學(xué)習的次數激增。

　　2016年之前，機器學(xué)習很少被提及，與人工智能相比，機器學(xué)習在總提及量中只占很小的一部分。