2019 AI Index年度报告公布 对上一年度中AI领域的发展进行了统计

近日，AI Index 发布了 2019 年度报告。作为一个用于追踪 AI 动态和进展的非营利性项目，其报告通常从研发、技术、性能等多个指标出发，对上一年度中 AI 领域的发展进行统计。笔者在了解之后，结合其他各项报告的数据，对AI领域的变化进行了一个归纳与猜想。

一、AI 研究的发展方向逐渐由学术转向实践

近年来，人工智能早已成为国家研究机构和企业关注的焦点。随着大数据时代的到来，以及计算能力的提升，人工智能已成为引领未来的新兴技术。世界主要国家也将发展人工智能视为提升国家竞争力以及维护国家安全的重大战略，并加快出台相关规划和政策，力图在新一轮科技竞争中掌握主导权，从而引领世界。

根据 Scopus 的数据，从 1998 年到 2018 年，经过同行评议的 AI 论文数量增长了超过 300%，占同行评议期刊发表量的 3%，占已发表会议论文数的 9%。毋庸置疑，越来越多的学者正在投身于人工智能的研究之中。

此外，AI 及相关学科的注册学生数量正在持续快速增长。不仅传统大学如此，在线学习人数也增速迅猛。从北美的数据来看，AI 已经一跃而为最受北美计算机科学博士生欢迎的学科。而在美国和加拿大，就读人工智能专业的博士留学生数量持续增加，目前超过 60% 的博士生是国际学生，而 2010 年的同期数字还不到 40%。最关键的是，这些 AI 人才最大的流向地是工业界，在2018 年，有超过 60% 的 AI 博士去往工业界，而 2004 年这一数字还是 20%。

所以说，发展人工智能，已经远远不是一般意义上的科学技术问题，而是把“信息化”提升为“智能化”这样一个事关国家前途命运的国家总体战略的问题。也正基于此，在 2019 年，全球私有部门对人工智能的总投资达到了 700 多亿美元，其中对 AI 创业公司的投资为 370 亿美元，这是一个对 AI 创业公司极其有力的推动因素。所以国内近年也有旷视科技、极链科技等一大批优秀的人工智能相关企业诞生，为中国 AI 的实践领域添砖加瓦。

二、AI 芯片的进步可能才是进一步拔高人工智能地位的关键

虽说摩尔定律已经几乎是人尽皆知，但 AI 算力的增长仍超出了大部分人的想象。根据斯坦福大学的 DawnBench 项目数据显示，从 2017 年 10 月到 2019 年 7 月，也就是一年半的时间里，在被广泛使用的 ImageNet 数据集上训练一个系统所需的时间就已经从 3 小时降至 88 秒，这意味着能够将成本从 2323 美元大幅削减至 12 美元。

这种 AI 算力的飞速增长是建立在硬件革命的基石之上的，通过提升专业芯片和其他硬件，人工智能系统的能力被迅速拔高，AI 系统的训练时间和成本也得到大幅度的削减。

而这种提升也带来了两方面的影响。一方面，它让最前沿的人工智能领域变成了一场鲜有人能参与的“烧钱游戏”，只有那些控制了强大计算机的公司或政府才能取得参赛资格，比如说 OpenAI 就刚从微软处获得了十个亿美元的资金，以此来支持他们继续深入研究。另一方面，这种技术的提升也将人工智能推向了世界，为普通人提供了一个接触人工智能领域的机会。借助于云服务，低成本的硬件和机器学习工具可以被广泛的普及开来，比如说谷歌的 TPU ，大众最低只需每小时 1.35 美元便可以租赁使用，大大降低了人工智能入门的门槛。

那么这种趋势说明了什么呢？由于此前的人工智能一般运用于消费及工作等领域，我们就以工作领域来进行举例。

在算力得到爆炸式增长前，AI 强大的计算能力可以帮助我们处理大部分重复性的乏味工作，从而实现多方面的效率提升和质量提升，并且顺带减少工作的疲劳性失误。然而，在涉及到如决策、研究趋势、预测与规划之类的工作时，AI 便不能给予我们强大的助力了。

而在硬件革命之后，AI 可以巨幅推进自动化测试和代码生成过程的速度，且相比人类更精准、更严谨。此外，AI 在不断的训练中，也会对自动化架构和数据科学进行持续的优化、迭代。从长期来看，在未来，辅助和自动化模型代替编程将会变得非常普遍，AI 对于具体行业能力的掌握也会日渐丰富，它所能替代的工作类型和工作人群也在日益扩大中。

要知道，麦肯锡此前便曾发布过一个报告：在交通、零售、汽车、高科技、消费品等 19 个行业中，人工智能的引入可以创造 3.5 万亿到 5.8 万亿美元的潜在价值，而这些价值不存在于别处，就存在于更有意义的产品和服务、收入的增长、成本的节约、以及消费者剩余这些老生常谈之中。借助于 AI 的进步，我们可能会得以挖掘出这部分价值。

三、各国的AI研究重心可能会侧重于不同方向

在2018 年，中国政府研究机构发表的 AI 论文比中国企业多出近 300 倍。而这一情况在美国则恰恰相反，企业发表的论文数量比政府下属机构高出 50% 以上。值得注意的一点是，虽然中国年度 AI 期刊和会议论文发表量早在 2006 年便超过了美国，但直至今日，中国论文的被引相关指数上仍比美国低 50%。这不仅说明中国的论文有很大可能在实践价值上落后于美国，也侧面说明了中国的 AI 企业仍有极大的价值可以挖掘。

此前，美国数据、技术和公共政策交叉研究智库便曾发布过一份中、美、欧 AI 实力对比报告，从人才、研究、发展、应用、数据、硬件六个角度对三方的 AI 力量进行了对比。报告显示，美国各方面综合得分最高，为 44.2 分，中国则以 32.3 分紧随其后，而欧盟得分仅为 23.5。

其中，中国的顶级AI研究者数量仅为 977 人，远远落后于欧盟的 5787 人和美国的 5158 人。可见，虽然中国在应用和数据方面表现突出、在可用于 AI 发展和应用的数据领域建立了强大优势，但人才方面还是捉襟见肘。而来自 AAAI 会议的相关数据也证实了这一点。据其显示，来自中国的提交和被接收论文数量最多，但超过 68% 的提交论文，其第一作者是学生，而非从业人员。

AI Index 报告团队还在报告之外提供了一款分析工具，也就是 Global AI Vibrancy Tool 。它能够对国家的全局活动进行比较，其中既包括国家之间对比的视角，也包括对特定国家的专门分析。该团队提供的工具能让读者在进行国家比较时自己设置参数，然后从他们认为最相关的视角收获所需的见解。

通过这个工具可以发现，世界各地其实都存在着 AI 人才聚集的本地中心。比如说，芬兰擅长 AI 教育，印度则擅长 AI 技能的渗透，新加坡政府对 AI 有很好的系统性支持，而以色列则在对 AI 创业公司的人均私有投资方面出类拔萃等等。也就是说，在大众普遍认知中，那种 AI 发展只是美国和中国之间的角力的情况，是与现实情况相悖的。未来的 AI 发展，很可能会出现一种各国百花齐放的态势。

四、人工智能领域仍有着不少的问题亟待解决

尽管人工智能有广阔的发展前景，但是依然面临着诸多的挑战与限制。仅从数据层面来看，就存在着几处限制与挑战：

一、需要人工完成训练数据的标记，否则很难获取足够大且全面的训练资料集；

二、机器学习缺乏可替代性，难以从一个应用直接复制到另一个相似的应用，这意味着大量的时间与金钱会被来训练新模型，而这会造成大量的资源浪费；

三、数据和算法存在偏差的风险，如不同社会之间文化的差异等等，可能需要更广泛的步骤来解决；

四、人工智能存在被人为恶意利用的可能性，包括黑客的攻击和欺诈性的视频等安全威胁。

此外，深度学习也可能正在面临困境。深度学习之前一直都是人工智能的主宰，在它成为主流以来的六年里，它已经成为帮助机器感知和识别周围世界的主要方式。无论是 Alexa 的语音识别还是 Waymo 的自动驾驶汽车，都离不开它的帮助。多年来，深度学习看上去越来越好，不可阻挡地让机器拥有像人一样流畅、灵活的智力。

但事实上，深度学习可能永远不会产生广义上的“智能”。举例来说，当外界环境因素发生变化时，人类可以快速适应，人工智能的神经网络却不行。无论看起来多聪明的人工智能，都可能在一些细微的变化之中败下阵来。它需要的是一种另类的推动力，一种帮助它对世界进行推理的能力。

Vicarious 的共同创始人之一、计算机科学家迪利普 · 乔治便曾发言称，“我们人类不仅仅是模式识别器，我们也在为我们看到的东西建立模型。这些是因果模型——有我们对因果关系的理解。”

结语

人工智能作为一个处于快速发展阶段的技术，其重要性与战略意义不言而喻。最关键的是，它与其他产业之间也能形成互补互动，比如说 AI + 物品的物联网、AI + 视频的视联网等等，都可能会成为我们未来生活必不可缺的一部分。

对于国家而言，加快发展人工智能是赢得全球科技竞争主动权的关键战略抓手，是推动科技发展、生产力整体提升的重要战略。对于 AI 企业而言，如何将人工智能更完美的运用与落地则是它们的生存战略。

人工智能未来的发展方向在何方，仍旧是我们需要思考的问题。