今天，斯坦福大學發(fā)布了2022年人工智能指數(shù)報告。

李飛飛教授在報告發(fā)布后第一時間轉發(fā)。

今年的報告主要分為5大章節(jié)：研究及發(fā)展，技術表現(xiàn)，人工智能應用的道德挑戰(zhàn)，經濟和教育，人工智能政策和國家戰(zhàn)略。

以下將為你提取7項報告要點：

過去的10年，全球AI論文發(fā)表量實現(xiàn)翻番，從2010年的162444篇增長到334497篇，且逐年遞增。

具體而言，模式識別和機器學習領域的論文，僅2015年至2021年的6年間，就實現(xiàn)了倍增，其它諸如計算機視覺、數(shù)據(jù)挖掘和自然語言處理等領域，保持了比較平穩(wěn)的發(fā)展。

另外，從論文的刊載情況來看，期刊文章占比最大，51.5%；21.5%是頂會論文，17.0%來自存儲庫。

可以看出，在過去12年中，期刊和儲存庫的論文分別增長了2.5倍和30倍，但頂會論文的數(shù)量自2018年以來有所下降。

論文跨國合作來看，從2010年到2021年，中國和美國共同發(fā)表的人工智能論文數(shù)量全球最多，自2010年以來就增加了5倍。中美合作的出版物數(shù)量是中英的2.7，世界排名第二。

2021年，中國在人工智能期刊、頂會和知識庫出版物的數(shù)量上繼續(xù)領先世界。這三種出版物類型的總和比美國高出63.2%。

與此同時，美國在人工智能頂會論文數(shù)量和存儲庫引用的數(shù)量上處于領先地位。

就AI期刊論文發(fā)表數(shù)量來看，過去12年人工智能期刊論文發(fā)表數(shù)量占比，中國始終霸榜，2021年為31.0%（2020年占比18.0%），其次是歐盟和英國，為19.1%，美國為13.7%。

2021年，中國在AI期刊的全球引用量依舊領先。

值得注意的是，不論是AI期刊論文發(fā)表數(shù)量、引用數(shù)量，美國從去年第2名降至第3名。

那么中美在頂會發(fā)表論文的情況如何？

2021年，中國以27.6%的比例在全球AI頂會發(fā)表的論文數(shù)所占份額最大，比2020年的領先優(yōu)勢更大，而歐盟和英國以19.0%緊隨其后，美國以16.9%位居第3。

然而，美國一直在AI頂會論文引用量上居高不下，2021年引用總量占比29.52%，排名第2和第3的分別是歐盟英國（23.32%）和中國（15.32%)。

中國從去年第2名跌倒第3名，從側面可以看出，中國論文發(fā)表數(shù)量最多，但質量不如美國高。

總體來看，2021年人工智能專利申請量是2015年的30多倍，年復合增長率為76.9%。

具體講，中國申請了全球一半以上的AI專利，并獲得了約6%的授權，與歐盟和英國大致相同。

與不斷增長的人工智能專利申請和授權數(shù)量相比，中國的專利申請數(shù)量（2021年為87343件）遠高于授權數(shù)量（2021年為1407件）。

從2015年至2021年GitHub開源AI軟件庫的用戶數(shù)量可以看出，TensorFlow仍然是2021年最受歡迎的，GitHub累計星數(shù)約為161,000，比2020年略有增加。

排在第2名的便是OpenCV，緊隨其后的是Keras、PyTorch 和 Scikit-learn

先來看一組照片，這展示了人臉生成水平的年序發(fā)展。

對比2014年，我們僅能將原本膚色表情豐富的真人，生成一張黑白且模糊的人臉，但是到了2021年，計算機對黑色皮膚也能揭示更多細節(jié)，我們看到了圖像人物皮膚的黑里帶棕，以及表情的露齒帶笑。

報告展示了計算機圖像如何分類，下圖包括飛機、自動汽車、鳥、貓、鹿、狗、青蛙、馬、船、卡車等各種類別，通過給定圖像的分類模型與目標標簽，提高了圖像識別的智能化程度。

報告指出，隨著深度學習運用于AI圖像，圖像分類的準確性有了很大提升。

以下是AI圖像識別準確性的對比圖，藍色線條代表沒有使用訓練數(shù)據(jù)，綠色線條代表使用了訓練數(shù)據(jù)。很明顯，綠色線條（準確率99.02%）超越了藍色線條（準確率97.9%），這意味著，AI圖像識別經數(shù)據(jù)訓練后準確性提高。

而無論是否使用深訓練數(shù)據(jù)，AI圖像分類（99.02%&97.90%）在2017年后均表現(xiàn)出了高于常人（94.9%準確率）的水平。

看來，「臉盲癥」只存在于人類，AI幾乎不會患。

報告使用了一份來自北京郵電大學的口罩人臉圖片集，這6000個人臉識別數(shù)據(jù)集，提升了疫情期間人臉識別的準確率。

口罩遮擋住面部，這使得人臉識別系統(tǒng)收集到的面部信息大量減少，然而，來自中國的AI團隊將人臉識別的關鍵信息集中于眉毛和眼睛，并采用正確的模型進行訓練，實現(xiàn)了「戴著口罩也能刷臉」。

來看一下，計算機如何進行視覺常識推理的。

視覺常識推理，Visual Commonsense Reasoning（VCR）是AI領域的前沿熱點問題，這是一項非常富有挑戰(zhàn)的任務，包括認知、學習、推理，從單一的視覺問答、圖像識別、動作捕捉等數(shù)據(jù)處理，上升到「跨媒體智能」，代表了計算機視覺理解的新基準。

報告指出，目前，計算機視覺常識推理能力遠遠落后于人類，人類的視覺常識推理水平一直維持在85分，而2021年機器的最佳得分只有72分。

看來，這確實有點Low，不過相較于2018年的不及格水平（43分），機器用3年時間提高了29分，顯然是在大步向前了。

近年來，得益于語音識別技術的發(fā)展，完全機器翻譯的服務應用大幅提升，占比46%。

相較于其它的應用，機器翻譯的商業(yè)應用增速明顯，商用規(guī)模從2019年的21%擴大到2021年的38%，近2倍。

報告使用了2015年由斯坦福大學Bowman等人提供的自然語言處理的問題和標簽。

自然語言處理是在給定確定任務的前提下，假設4種邏輯，即錯誤（contradiction矛盾）、未決定（neutral中性）2種、是否為真（entailment蘊涵），機器對進行合理與不合理的推論。

報告顯示，2021年自然語言處理的精準度已達93.1%，而在2017年初就已經達到90%，這是在高起點的基礎上實現(xiàn)緩增長。

斯坦福自然語言推理（SNLI）數(shù)據(jù)集包含約60萬對被標記的句子，其性能精度是基于答對問題的百分比。

Burning Glass數(shù)據(jù)涵蓋的六個國家對人工智能勞動力的需求在過去九年中顯著增長。其中新加坡AI招聘崗位在總招聘崗位中占比2.33%，排名第一，美國0.90%排名第二。

就人工智能領域投資來講，從2013年到2021年，美國對人工智能公司的私人投資是中國的2倍多。

中國的AI投資出現(xiàn)了增長，從2020年的10%上升到了2021年的17.21%。

報告下載地址：

https://aiindex.stanford.edu/wp-content/uploads/2022/03/2022-AI-Index-Report_Master.pdf

本文來自微信公眾號“新智元”（ID：AI_era），36氪經授權發(fā)布。