學術(shù)會議熱度

　　在大型會議中，NeurIPS(曾用名NIPS)、CVPR和ICML，是參與人數(shù)最多的三大AI會議。自2012年以來，論參與人數(shù)的增長率，這三者也領先于其他會議。

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

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

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

　　原因很可能是近年來，AI領域越來越關注深度學習和強化學習了。

　　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(shù)量增長到了原來的2.1倍，而所有活躍的創(chuàng)業(yè)公司增長到了原來的1.3倍。

　　大多數(shù)情況下，創(chuàng)業(yè)公司的增長都保持相對穩(wěn)定，而人工智能創(chuàng)業(yè)公司呈指數(shù)級增長。

　　在風投資金方面，從2013年到2017年，人工智能領域的風投資金增長到了原來的4.5倍，而所有的風投資金只增長到了原來的2.08倍。這些數(shù)據(jù)都是年度數(shù)據(jù)，不是逐年累積的。

　　圖表中有兩個高峰期，1997-2000年風投資金的激增，對應的是網(wǎng)絡泡沫時期。2014-2015年出現(xiàn)了一個較小的增長，因為當時正處于一個相對較大的經(jīng)濟增長時期。

　　人才需求

　　報告顯示，近幾年，社會需要的AI相關人才大幅度增加，目前對有ML技能的人才需求最大，其次是深度學習。

　　可以看出，ML人才需求也是這兩年增長速度最快的。

　　報告統(tǒng)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?qū)I人才的需求在2016年驟增。

　　專利

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

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

　　財報電話會議中提及AI和ML的次數(shù)

　　2015年，科技公司在財報電話會議中提及AI和ML的次數(shù)開始有所增加。

　　2016年，其他行業(yè)提及AI次數(shù)才開始增長。

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

　　在財報電話會議中，除了科技行業(yè)之外，提及AI次數(shù)最多的公司，基本上分布在消費、金融和醫(yī)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了500%，其他地區(qū)，比如韓國和歐洲，分別增長了105%和122%。

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

　　開源框架GitHub標星數(shù)

　　各框架的標星數(shù)反映著他們在開發(fā)者群體中的流行程度。不過，因為開發(fā)者們?nèi)粘２粫叭￡P”GitHub項目，所以這些星星都是多年來積攢下的。

　　我們可以明顯發(fā)現(xiàn)，TensorFlow的受歡迎程度在開發(fā)者中遙遙領先、穩(wěn)步增長。

　　排除了第一熱門，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，但近一年來幾無增長勢頭。

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

　　各類任務最新成績

　　這個部分分為CV和NLP兩塊，分別列舉了各主流任務從發(fā)展之初到現(xiàn)在的成績進步情況。

　　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行了。不過，驗證集依然有人在用。

　　藍色的線條為ImageNet挑戰(zhàn)賽歷年的成績變化，由于每年比賽所用的數(shù)據(jù)不同，旁邊多了一條黃色線條，是以ImageNet2012驗證集為評價標準繪制的。

　　可以看出，到2015年，機器在圖像分類任務上的能力已經(jīng)明顯超越了人眼，而即使比賽不再繼續(xù)，學術(shù)研究者依然在認真推進該任務的表現(xiàn)。

　　這也側(cè)面說明，如果一項工作有了明確的評價標準和固定的挑戰(zhàn)內(nèi)容，研究者們圍繞此競爭，更容易讓技術(shù)在該領域取得突破。

　　ImageNet訓練速度

　　這張圖是訓練ImageNet圖像分類神經(jīng)網(wǎng)絡所需時間的歷年變化(當然，是買得起足夠計算資源的人和機構(gòu)所用的時長)。

　　從2017年6月的1小時，到2018年11月的4分鐘，ImageNet圖像分類神經(jīng)網(wǎng)絡的訓練速度提升了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(zhàn)賽“退休”之后，CV領域的朋友們就把重點放在了微軟的COCO，挑戰(zhàn)語義分割和實例分割。

　　四年來，COCO數(shù)據(jù)集上圖像分割挑戰(zhàn)的精確度已經(jīng)提升了0.2，2018年的成績比2015提升了72%。不過，目前還沒有超過0.5，這一項還有充足的進步空間。

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

　　語法分析(Parsing)

　　在確定句子結(jié)構(gòu)這種語法分析的任務上，2003年到2018年的15年間，AI的表現(xiàn)(F1Score得分)提升了將近10%。

　　機器翻譯

　　在機器翻譯任務上，報告拿英語-德語互相翻譯舉例，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(xiàn)。

　　報告顯示，2018年英語轉(zhuǎn)德語的BLEU評分是2008年的3.5倍，德語轉(zhuǎn)英語成績是2008年的2.5倍。

　　機器問答：AI2ReasoningChallenge(ARC)

　　在問答領域，AI表現(xiàn)進步更明顯，可以按月計數(shù)了。

　　報告統(tǒng)計了2018年從四月到11月間，AI在ARC推理挑戰(zhàn)賽上成績的變化：簡單組得分從63%提升到69%，挑戰(zhàn)組得分從27%提升到42%。

　　這些，都僅是半年間的進步。

　　機器問答：GLUE

　　同樣用于機器問答的GLUE基準(GeneralLanguageUnderstandingEvaluation)推出至今只有7個月的時間，但目前的表現(xiàn)已經(jīng)比半年前提升了90%。

　　GLUE的推出者、紐約大學助理教授SamBowman說，雖然圍繞GLUE的大型社區(qū)還沒有出現(xiàn)，不過已經(jīng)有了像谷歌BERT這樣的代表性技術(shù)用了GLUE基準，面世一個月內(nèi)已經(jīng)被引用8次。在EMNLP會議中，GLUE時常被討論，可能會成為語言理解領域中的一個基準線。

　　政府提及

　　整體來說，自2016年以來，美國、加拿大、英國政府在國會/議會會議中提及人工智能和機器學習的次數(shù)激增。

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