2021年人工智能指數(shù)（The 2021 AI Index）提供了就業(yè)、出版物、多樣性等方面的見解。

2021年人工智能指數(shù)報告長達(dá)222頁，如果你還沒來得及閱讀，別擔(dān)心，我們已經(jīng)幫你劃重點啦。這份由斯坦福人類中心人工智能研究所（Stanford Institute for Human-Centered Artificial Intelligence）編制的海量文件中，充斥著大量的數(shù)據(jù)和圖表，我們挑選出了15份，提供了人工智能當(dāng)前狀態(tài)的快照。

感興趣的讀者可以深入到報告中了解更多信息；它包含關(guān)于研發(fā)、技術(shù)性能、經(jīng)濟、人工智能教育、人工智能應(yīng)用的道德挑戰(zhàn)、人工智能的多樣性、人工智能政策和國家戰(zhàn)略的章節(jié)。

1. We’re Living in an AI Summer

人工智能研究正在蓬勃發(fā)展：2019年發(fā)表了超過12萬篇經(jīng)同行評審的人工智能論文。報告還指出，2000年至2019年間，人工智能論文在所有同行評議論文中的比例從0.8%上升到2019年的3.8%。

2. China Takes Top Citation Honors

中國研究人員發(fā)表了最具同行評議的人工智能論文 -- 在2017年率先做到了這一點。今年的消息是，截至2020年，中國研究人員在AI期刊上發(fā)表的論文獲得的引用比例最大。人工智能指數(shù)指導(dǎo)委員會聯(lián)合主任Jack Clark告訴IEEE Spectrum，“這些數(shù)據(jù)似乎是中國學(xué)術(shù)成功的指標(biāo)，也是不同國家不同人工智能生態(tài)系統(tǒng)的反映?！?/p>

3. Faster Training = Better AI

這些數(shù)據(jù)來自MLPerf，這是一種客觀地對機器學(xué)習(xí)系統(tǒng)的性能進行排序的方法。來自不同公司的圖像分類器系統(tǒng)在標(biāo)準(zhǔn)ImageNet數(shù)據(jù)庫上進行培訓(xùn)，并根據(jù)培訓(xùn)所需的時間進行排名。2018年，用6.2分鐘訓(xùn)練出最佳系統(tǒng)；在2020年，只花了47秒。這一非凡的進步是通過采用專門為機器學(xué)習(xí)設(shè)計的加速器芯片實現(xiàn)的。

報告指出了這種加速的影響：“想象一下等待幾秒鐘系統(tǒng)訓(xùn)練和等待幾個小時之間的區(qū)別，以及這種區(qū)別對研究人員探索的想法的類型和數(shù)量意味著什么，以及它們可能有多大的風(fēng)險。”

4. AI Doesn’t Understand Coffee Drinking

在過去的幾年里，人工智能已經(jīng)非常非常擅長靜態(tài)圖像識別；計算機視覺的下一個前沿是視頻。研究人員正在構(gòu)建一個系統(tǒng)，可以從視頻片段中識別各種活動，因為這種類型的識別如果移植到現(xiàn)實世界中（想想自動駕駛汽車、監(jiān)控攝像頭等）可能會非常有用。性能的一個基準(zhǔn)是ActivityNet數(shù)據(jù)集，它包含總共20000個視頻的近650個小時的片段。在其中顯示的200項日常生活活動中，人工智能系統(tǒng)在2019年和2020年最難識別咖啡飲用活動。不管怎樣，這是未來幾年需要關(guān)注的領(lǐng)域。

5. Language AI Is So Good， It Needs Harder Tests

自然語言處理（natural language processing，NLP）的迅速崛起似乎正跟隨計算機視覺的發(fā)展軌跡，在過去的十年中，計算機視覺從一個學(xué)術(shù)子專業(yè)發(fā)展到廣泛的商業(yè)應(yīng)用。如今的NLP也以深度學(xué)習(xí)為動力，AI Index的Clark說，“它繼承了計算機視覺工作的策略，比如對大型數(shù)據(jù)庫進行培訓(xùn)，并針對特定應(yīng)用進行微調(diào)。我們看到這些創(chuàng)新很快就進入了人工智能的另一個領(lǐng)域，”他說。

衡量NLP系統(tǒng)的性能已經(jīng)變得很棘手：“學(xué)者們提出了他們認(rèn)為沒有人能擊敗的指標(biāo)，然后一個系統(tǒng)在六個月內(nèi)出現(xiàn)并擊敗了它，”Clark說。這張圖表顯示了兩個版本的閱讀理解測試的表現(xiàn)，在這個測試中，人工智能語言模型必須根據(jù)一段文字回答多項選擇題。版本2.0通過包含無法回答的問題使任務(wù)變得更加困難，模型必須確定這些問題和回避回答的情況。在第一個版本中，一個模型用了25個月的時間超越了人類的表現(xiàn)，但在更艱巨的任務(wù)中，一個模型只用了10個月就擊敗了人類。

6. A Huge Caveat

是的，用于語音識別和文本生成等任務(wù)的語言模型總體上已經(jīng)非常好了。但它們有一些特定的缺陷，如果不加以解決，可能會影響其商業(yè)用途。許多人都存在著這樣一種問題 -- 帶有偏見，比如在一部分人身上表現(xiàn)不佳，或者產(chǎn)生反映歷史偏見的文本。這里的例子顯示了業(yè)內(nèi)領(lǐng)先公司的語音識別程序的錯誤率。

這里有一個更大的偏見問題困擾著所有形式的人工智能，包括計算機視覺和決策支持工具。研究人員測試他們的系統(tǒng)的性能，但很少有人測試他們的系統(tǒng)的有害偏見。

7. The AI Job Market Is Global

LinkedIn的數(shù)據(jù)顯示，巴西、印度、加拿大、新加坡和南非的人工智能招聘在2016年至2020年間增長最快。這并不意味著這些國家絕對擁有最多的就業(yè)機會（美國和中國繼續(xù)占據(jù)那里的榜首位置），但看看這些國家在大力推動人工智能方面會出現(xiàn)什么，將是一件有趣的事情。LinkedIn發(fā)現(xiàn)，COVID-19并沒有影響2020年人工智能領(lǐng)域的招聘。

值得注意的是，在印度和中國，只有一小部分員工在LinkedIn上有個人資料，因此這些國家的數(shù)據(jù)可能并不完全具有代表性。

8. Corporate Investment Can’t Stop， Won’t Stop

資金繼續(xù)涌入。2020年，全球企業(yè)對人工智能的投資飆升至近680億美元，比上年增長40%。

9. The Startup Frenzy Is Over

上一張圖表顯示，私人投資仍在逐年增加，但速度較慢。這張圖表顯示，這些資金正被引導(dǎo)到更少的人工智能初創(chuàng)公司。雖然COVID-19可能對創(chuàng)業(yè)活動產(chǎn)生了影響，但創(chuàng)業(yè)公司數(shù)量的下降是從2018年開始的明顯趨勢。這似乎是一個產(chǎn)業(yè)成熟的信號。

10. The COVID Effect

雖然人工智能的許多趨勢基本上沒有受到COVID-19的影響，但這張圖表顯示，2020年的私人投資傾向于在世界應(yīng)對COVID-19中發(fā)揮重要作用的某些行業(yè)。制藥相關(guān)公司的投資熱潮最為明顯，但edtech和游戲資金的增加似乎也有可能與學(xué)生和成年人去年在電腦前花了很多時間有關(guān)。

11. Risks？ There are Risks？

在電信、金融服務(wù)和汽車等行業(yè)，企業(yè)正在穩(wěn)步增加對人工智能工具的采用。然而，大多數(shù)公司似乎不知道或不關(guān)心這項新技術(shù)帶來的風(fēng)險。在麥肯錫的一項調(diào)查中，當(dāng)被問及他們認(rèn)為哪些風(fēng)險相關(guān)時，只有網(wǎng)絡(luò)安全問題在半數(shù)以上的受訪者中得到了登記。與人工智能相關(guān)的倫理問題，如隱私和公平，是當(dāng)今人工智能研究中最熱門的話題之一，但顯然商業(yè)界還沒有收到備忘錄。

12. PhDs Hear the Siren Call of Industry

公平地說，學(xué)術(shù)工作只有這么多。雖然大學(xué)在本科和研究生階段都增加了人工智能相關(guān)課程的數(shù)量，終身教職員工的數(shù)量也相應(yīng)增加，但學(xué)術(shù)界仍然無法吸收每年向世界釋放的越來越多的新的人工智能博士。這張僅代表北美博士畢業(yè)生的圖表顯示，這些畢業(yè)生中的絕大多數(shù)正在獲得行業(yè)工作。

13. Ethics Matter

企業(yè)可能還不那么關(guān)心人工智能倫理，但研究人員越來越關(guān)心。許多小組正在研究人工智能系統(tǒng)的不透明決策（稱為可解釋性問題）、嵌入式偏見和歧視以及隱私入侵等問題。下表顯示了在人工智能會議上與倫理相關(guān)的論文的增加，人工智能指數(shù)的Clark認(rèn)為這是一個令人鼓舞的跡象。他指出，由于參加會議的學(xué)生很多，“再過幾年，就會有一大批人在這種環(huán)境下進入這個行業(yè)。” 報告強調(diào)，人工智能系統(tǒng)中偏差的定量測試才剛剛開始出現(xiàn)。創(chuàng)建這些評估“感覺像是人工智能科學(xué)領(lǐng)域的一個新的部分，” Clark說。

14. The Diversity Problem， Part 1

解決人工智能系統(tǒng)中嵌入的偏見和歧視的一種方法是確保構(gòu)建這些系統(tǒng)的群體的多樣性。這并不是一個激進的概念。然而，在學(xué)術(shù)界和工業(yè)界，人工智能勞動力“仍然以男性為主，缺乏多樣性，”報告指出。通過這張圖表，加上計算機研究協(xié)會年度調(diào)查的數(shù)據(jù)，顯示在北美與人工智能相關(guān)的博士研究生中，女性只占20%左右。

15. The Diversity Problem， Part 2

來自同一項調(diào)查的數(shù)據(jù)講述了一個關(guān)于種族/民族認(rèn)同的類似故事?？紤]到這個問題在即將畢業(yè)的博士們看來非常明顯，對其進行進一步研究可能是有意義的。有許多優(yōu)秀的STEM項目，重點關(guān)注女孩和代表性不足的少數(shù)民族。

原文標(biāo)題：2021年這15張圖表 帶你理解人工智能

文章出處：【微信公眾號：IEEE電氣電子工程師學(xué)會】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。

責(zé)任編輯：haq

責(zé)任編輯：haq