【行業(yè)資訊】2021年，這15張圖表有助于你能理解人工智能

正文共：3292字-20圖

預(yù)計閱讀時間：9分鐘

如果你還沒來得及閱讀2021年人工智能指數(shù)報告，該報告長達(dá)222頁，別擔(dān)心，我們已經(jīng)幫你總結(jié)好了。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閱讀該報告以了解更多信息；它包含有關(guān)研發(fā)、技術(shù)性能、經(jīng)濟(jì)、人工智能教育、人工智能應(yīng)用的道德挑戰(zhàn)、人工智能的多樣性以及人工智能政策和國家戰(zhàn)略的章節(jié)。

1.我們生活在人工智能的夏天

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.中國獲得最高榮譽

過去的消息是，中國研究人員發(fā)表的AI論文數(shù)量最多，同行評議最多，而中國在2017年處于領(lǐng)先地位。今年的新聞是，截至2020年，中國研究人員在AI期刊上發(fā)表的論文被引用的所占比例最大。

AI Index Steering Committee聯(lián)合主任Jack Clark告訴IEEE Spectrum，該數(shù)據(jù)似乎對中國來說是“學(xué)術(shù)成就的指標(biāo)”，同時也反映了不同國家/地區(qū)的不同AI生態(tài)系統(tǒng)。他指出：“中國制定了獲取期刊出版物的明確政策，”政府機構(gòu)在研究中扮演著更大的角色，而在美國，研發(fā)活動中有很大一部分發(fā)生在公司內(nèi)部。他說：“如果您是一個行業(yè)，那么您撰寫期刊文章的動力就會減弱?！?nbsp; “這更像是一種聲望?！?/span>

3.更快的培訓(xùn)=更好的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(jìn)行排序的方法。來自不同公司的圖像分類系統(tǒng)在標(biāo)準(zhǔn)ImageNet數(shù)據(jù)庫上進(jìn)行培訓(xùn)，并根據(jù)培訓(xùn)所需的時間進(jìn)行排名。2018年，訓(xùn)練出最佳系統(tǒng)需要6.2分鐘；2020年則需要47秒。這一非凡的進(jìn)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：“想象一下系統(tǒng)訓(xùn)練等待幾秒鐘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?！?/span>

4. AI不能理解喝咖啡

在過去的幾年中，人工智能已經(jīng)非常擅長靜態(tài)圖像識別。視頻是計算機視覺的下一個前沿領(lǐng)域。研究人員正在構(gòu)建可以識別視頻片段中各種活動的系統(tǒng)，因為如果將這種識別類型移植到現(xiàn)實世界中（考慮自動駕駛汽車，監(jiān)控攝像頭等），它可能會大有用處。性能指標(biāo)之一是ActivityNet數(shù)據(jù)集，其中包含來自20,000個視頻的近650小時的素材。在其中顯示的200種日常生活活動中，人工智能系統(tǒng)在識別2019年和2020年咖啡飲用活動的時間最困難。這似乎是一個主要問題，因為咖啡飲用是所有其他活動的基本活動。無論如何，這是未來幾年值得關(guān)注的領(lǐng)域。

5.語言AI太好了，需要更艱苦的測試

自然語言處理（NLP）的迅猛發(fā)展似乎是隨著計算機視覺的發(fā)展，計算機視覺的發(fā)展已從學(xué)術(shù)專業(yè)轉(zhuǎn)變?yōu)檫^去十年中廣泛的商業(yè)部署。如今的NLP還具有深度學(xué)習(xí)功能，AI Index的Clark表示，它已從計算機視覺工作中繼承了策略，例如在大型數(shù)據(jù)庫上進(jìn)行培訓(xùn)以及針對特定應(yīng)用進(jìn)行微調(diào)。他說：“我們看到這些創(chuàng)新確實很快地傳播到了AI的另一個領(lǐng)域?！焙饬縉LP系統(tǒng)的性能變得棘手：“學(xué)術(shù)界提出了他們認(rèn)為沒人能擊敗的指標(biāo)，然后一個系統(tǒng)在六個月內(nèi)問世并擊敗了它，” Clark說。此圖表顯示了兩種稱為SQuAD的閱讀理解測試的性能，其中AI語言模型必須根據(jù)一段文本回答多項選擇題。2.0版通過合并無法回答的問題而使任務(wù)更加艱巨，模型必須將這些問題識別出來并放棄回答。在第一個版本上，一個模型要花25個月才能超越人類的性能，但是在較艱巨的任務(wù)上要擊敗人類卻只用了10個月。

6.一個巨大的警告

是的，總體而言，用于語音識別和文本生成等任務(wù)的語言模型已經(jīng)非常好。但是，除非根除，否則它們會有一些特定的缺陷，可能會使商業(yè)用途脫軌。許多語言存在嚴(yán)重的有害偏見問題，例如對一部分人的表現(xiàn)不佳或生成反映歷史偏見的文字。此處的示例顯示了領(lǐng)先公司的語音識別程序中的錯誤率。

這里有一個更大的偏差問題，困擾著所有形式的AI，包括計算機視覺和決策支持工具。研究人員測試其系統(tǒng)的性能，但很少測試其系統(tǒng)的有害偏差。

7.人工智能就業(yè)市場是全球性的

LinkedIn的數(shù)據(jù)顯示，從2016年到2020年，巴西，印度，加拿大，新加坡和南非的AI招聘增長最快。這并不意味著這些國家的絕對就業(yè)機會最多（美國和中國繼續(xù)保持領(lǐng)先地位），但看看那些努力推動AI的國家所產(chǎn)生的結(jié)果將是LinkedIn發(fā)現(xiàn)，全球大流行并未對2020年的AI招聘產(chǎn)生影響。

值得注意的是，印度和中國的勞動力中都有較少的人在LinkedIn上有個人資料，因此這些國家/地區(qū)的數(shù)據(jù)可能無法完全代表。

8.企業(yè)投資無法停止，也不會停止

資金繼續(xù)大量涌入。2020年，全球企業(yè)對AI的投資猛增至近680億美元，同比增長40％。

9.創(chuàng)業(yè)熱潮已經(jīng)結(jié)束

之前的圖表顯示，私人投資仍在同比增長，但增速較慢。該圖顯示，這筆錢被用于更少的AI初創(chuàng)公司。盡管大流行可能影響了初創(chuàng)企業(yè)的活動，但初創(chuàng)企業(yè)數(shù)量的下降是始于2018年的明顯趨勢。這似乎是一個行業(yè)日趨成熟的信號。

10. COVID效應(yīng)

盡管AI的許多趨勢在很大程度上不受全球流行的影響，但該圖顯示2020年的私人投資向某些領(lǐng)域傾斜，這些領(lǐng)域在全球應(yīng)對COVID-19的行動中發(fā)揮了重要作用。制藥業(yè)相關(guān)公司的投資熱潮最為明顯，但似乎也有可能增加了對教育技術(shù)和游戲業(yè)的投資，這與以下事實有關(guān)：學(xué)生和成年人在去年之前花費了很多時間在他們的計算機上。

11.風(fēng)險？有風(fēng)險嗎？

在電信，金融服務(wù)和汽車等行業(yè)中，公司正在穩(wěn)步增加對AI工具的采用。但是，大多數(shù)公司似乎都不知道或不擔(dān)心這種新技術(shù)帶來的風(fēng)險。在麥肯錫調(diào)查中被問及他們認(rèn)為哪些風(fēng)險相關(guān)時，超過一半的受訪者注冊網(wǎng)絡(luò)安全。與AI相關(guān)的道德問題（例如隱私和公平性）是當(dāng)今AI研究中最熱門的話題之一，但顯然企業(yè)尚未獲得備忘錄。

12.博士聽到行業(yè)的警報

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)界每年仍然可以把越來越多的人工智能博士釋放到世界各地。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.道德問題

公司可能尚未在乎AI倫理，但研究人員越來越在意。許多小組正在研究諸如AI系統(tǒng)做出不透明的決策（稱為可解釋性問題），嵌入的偏見和歧視以及隱私入侵等問題。下圖顯示了AI會議上與道德相關(guān)的論文的增長，AI Index的Clark認(rèn)為這是令人鼓舞的信號。他指出，由于有這么多的學(xué)生參加會議，“幾年后，將有大量的人涌入這個行業(yè)?！?但是，除了會議論文的增加以外，沒有什么可衡量的。該報告強調(diào)，人工智能系統(tǒng)中偏差的定量測試才剛剛開始出現(xiàn)。Clark表示，創(chuàng)建這些評估“感覺就像是AI科學(xué)領(lǐng)域的新組成部分”。

14.多樣性問題，第一部分

在AI系統(tǒng)中解決嵌入式偏見和歧視的一種方法是確保正在構(gòu)建它們的團(tuán)隊中的多樣性。這幾乎不是一個激進(jìn)的概念。報告指出，在學(xué)術(shù)界和工業(yè)界，人工智能勞動力“仍然主要是男性，缺乏多樣性”。該圖根據(jù)計算機研究協(xié)會的年度調(diào)查數(shù)據(jù)顯示，在北美AI相關(guān)博士學(xué)位課程的畢業(yè)生中，女性僅占約20％。

15.多樣性問題，第二部分

來自同一調(diào)查的數(shù)據(jù)講述了關(guān)于種族/民族認(rèn)同的類似故事。怎么辦？好吧，鑒于這個問題在即將畢業(yè)的博士水平上似乎很明顯，因此進(jìn)一步研究可能是有意義的。有許多針對女孩和代表性不足的少數(shù)族裔的優(yōu)秀STEM計劃。我想到了AI 4 ALL。也許給他們幾美元，還是以某種方式參與其中？

來源 | 河南省產(chǎn)學(xué)研人工智能研究院

版權(quán)聲明：本號內(nèi)容部分來自互聯(lián)網(wǎng)，轉(zhuǎn)載請注明原文鏈接和作者，如有侵權(quán)或出處有誤請和我們聯(lián)系。

點擊“閱讀原文”，AI學(xué)院課程等你來學(xué)習(xí)！