學術會議熱度

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

　　NeurIPS和ICML參與人數增長最快：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創業投資情況

　　從2015年1月到2018年1月，人工智能創業公司的數量增長到了原來的2.1倍，而所有活躍的創業公司增長到了原來的1.3倍。

　　大多數情況下，創業公司的增長都保持相對穩定，而人工智能創業公司呈指數級增長。

　　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。這些數據都是年度數據，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，對應的是網絡泡沫時期。2014-2015年出現了一個較小的增長，因為當時正處于一個相對較大的經濟增長時期。

　　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。全球對AI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，專利的增長速度較快。2014年人工智能專利的數量幾乎是2004年的5倍。

　　財報電話會議中提及AI和ML的次數

　　2015年，科技公司在財報電話會議中提及AI和ML的次數開始有所增加。

　　2016年，其他行業提及AI次數才開始增長。

　　相比之下，科技行業的公司提及AI和ML的次數遠比其他行業多。

　　在財報電話會議中，除了科技行業之外，提及AI次數最多的公司，基本上分布在消費、金融和醫療保健行業。

　　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，比如韓國和歐洲，分別增長了105%和122%。

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

　　開源框架GitHub標星數

　　各框架的標星數反映著他們在開發者群體中的流行程度。不過，因為開發者們日常不會“取關”GitHub項目，所以這些星星都是多年來積攢下的。

　　我們可以明顯發現，TensorFlow的受歡迎程度在開發者中遙遙領先、穩步增長。

　　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年初發布以來至今，GitHub標星數至少增長了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展之初到現在的成績進步情況。

　　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挑戰賽歷年的成績變化，由于每年比賽所用的數據不同，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明顯超越了人眼，而即使比賽不再繼續，學術研究者依然在認真推進該任務的表現。

　　這也側面說明，如果一項工作有了明確的評價標準和固定的挑戰內容，研究者們圍繞此競爭，更容易讓技術在該領域取得突破。

　　ImageNet訓練速度

　　這張圖是訓練ImageNet圖像分類神經網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圖像分類神經網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，挑戰語義分割和實例分割。

　　四年來，COCO數據集上圖像分割挑戰的精確度已經提升了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個項目的冠軍。

　　語法分析(Parsing)

　　在確定句子結構這種語法分析的任務上，2003年到2018年的15年間，AI的表現(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模型在經典機器翻譯評估算法BLEU標準中的表現。

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

　　機器問答：AI2ReasoningChallenge(ARC)

　　在問答領域，AI表現進步更明顯，可以按月計數了。

　　報告統計了2018年從四月到11月間，AI在ARC推理挑戰賽上成績的變化：簡單組得分從63%提升到69%，挑戰組得分從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，但目前的表現已經比半年前提升了90%。

　　GLUE的推出者、紐約大學助理教授SamBowman說，雖然圍繞GLUE的大型社區還沒有出現，不過已經有了像谷歌BERT這樣的代表性技術用了GLUE基準，面世一個月內已經被引用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。