斯坦福大學人工智能發(fā)展指數(shù)研究報告

斯坦福大學人工智能發(fā)展指數(shù)研究報告

第1章?研發(fā)（R&D）1.1出版物人工智能出版物包括同行評審出版物、期刊文章、會議論文和專利。為了跟蹤這些出版物的發(fā)展趨勢以評估全球人工智能研發(fā)活動的狀況，本報告使用了以下數(shù)據(jù)集：Elsevier/Scopus同行審查出版物數(shù)據(jù)庫；所有期刊、會議論文和專利出版物的微軟學術(shù)圖譜（MAG）數(shù)據(jù)庫；以及arXiv和Nesta電子預印本數(shù)據(jù)。1.1.1同行評審的人工智能論文概覽：2000年至2019年間，出版物總數(shù)增長了近12倍。而這一時期同行評審出版物的比例從2000年的0.82%上升到2019年的3.8%。按地區(qū)：自2004年以來，在全世界同行評審的人工智能出版物總數(shù)中，東亞和太平洋地區(qū)所占份額最大，其次是歐洲和中亞以及北美。2009年至2019年間，南亞和撒哈拉以南非洲的同行評審人工智能出版物數(shù)量增長最快，分別增長了8倍和7倍。按地理區(qū)域劃分：為了比較世界主要人工智能參與者的活動，本節(jié)展示了來自中國、歐盟和美國的同行評審人工智能出版物的趨勢。截至2019年，中國在2017年超過歐盟）后，同行評審人工智能出版物中所占份額在全球一直處于領(lǐng)先地位。2019年，中國發(fā)表的同行評審人工智能論文數(shù)量是2014年的3.5倍，而這一時期歐盟發(fā)表的論文數(shù)量僅是2014年的2倍，美國則是2014年的2.75倍。按機構(gòu)隸屬關(guān)系：下圖表顯示了與中國的企業(yè)、政府、醫(yī)療和其他機構(gòu)、歐盟和美國相關(guān)的同行評審人工智能出版物的數(shù)量。2019年，中國大約有95.4%的同行評審人工智能出版物是與學術(shù)界相關(guān)的，而歐盟和美國的這一比例分別為81.9%和89.6%。這些機構(gòu)的附屬類別并不是互斥的，因為有些作者可能附屬于一種以上的機構(gòu)。數(shù)據(jù)表明，除學術(shù)界之外，政府機構(gòu)在中國和歐盟的同行評審人工智能出版物中所占比例始終最高（2019年分別為15.6%和17.2%），而在美國，除學術(shù)機構(gòu)外占比最高的機構(gòu)類型則是企業(yè)附屬機構(gòu)（19.2%）。產(chǎn)學合作：2015年至2019年間，美國出版的產(chǎn)學界合作、合著的同行評審的人工智能出版物數(shù)量最多，是歐盟的兩倍多，排在第二位。其次是中國，排在第三位。下圖給出了產(chǎn)學界合作如何影響不同地理區(qū)域人工智能出版物的領(lǐng)域加權(quán)引用影響（Field-WeightedCitationImpact，F(xiàn)WCI）。FWCI用于衡量出版物的引用次數(shù)與同一年、同一學科、同一格式（書籍、文章、會議論文等）其他類似出版物的平均引用次數(shù)的比較。FWCI值為1.0表示全球均值。根據(jù)全球均值，大于或小于1意味著出版物被引用的次數(shù)大于或小于預期。1.1.2人工智能期刊論文概述：總體而言，2020年人工智能期刊出版文獻數(shù)量比2000年高5.4倍。人工智能期刊出版文獻在全球所有出版文獻中的份額在2020年躍升了0.4個百分點，高于過去五年0.03個百分點的平均水平。按地區(qū)：下圖顯示了2000年至2020年間，按地區(qū)展示的人工智能期刊在MAG數(shù)據(jù)庫中所占的份額。按地理區(qū)域：下圖顯示，在三大人工智能大國中，自2017年以來，中國在人工智能期刊出版文獻中所占份額居世界首位，2020年為18.0%，其次是美國（12.3%）和歐盟（8.6%）。引用：從人工智能期刊引用比例的角度看，下圖顯示，2020年中國（20.7%）首次超過美國（19.8%），而歐盟的整體份額繼續(xù)保持下滑趨勢。1.1.3人工智能會議出版文獻概述：2000年至2019年間，人工智能會議出版文獻數(shù)量增長了4倍。在過去十年中，其增長已經(jīng)趨于平穩(wěn)，2019年的出版文獻數(shù)量僅為2010年的1.09倍。按地區(qū)：可以看出，與人工智能期刊出版文獻的趨勢類似，東亞和太平洋、歐洲和中亞以及北美是人工智能會議出版文獻的主要來源地。具體而言，東亞及太平洋地區(qū)從2004年開始就一直處于領(lǐng)先地位，2020年其占比已經(jīng)超過了27%。北美在2018年超過歐洲和中亞占據(jù)第二位，共占比20.1%。而其2020年的占比為21.7%。按地理區(qū)域：2019年，中國在人工智能會議出版文獻中所占比例超過了美國。引用：關(guān)于人工智能會議出版文獻的引用情況，由下圖顯示可知，美國在過去21年中在主要大國中都占據(jù)主導地位。2020年，美國以40.1%的總引用率位居榜首，其次是中國（11.8%）和歐盟（10.9%）。1.1.4人工智能專利概述：在過去20年中，世界上公布的人工智能專利總數(shù)一直在穩(wěn)步增長，從2000年的21806項增長到2019年的101876項，增長超過了4.5倍。人工智能專利在世界范圍內(nèi)的份額增長較小，從2000年的2%左右增長到2020年的2.9%。1.1.5ARXIV出版文獻概述：在短短的六年時間里，arXiv上與人工智能相關(guān)的出版文獻數(shù)量增長了六倍多，從2015年的5478篇增加到2020年的34736篇。按地區(qū)：按地區(qū)進行的分析顯示，雖然北美在arXiV人工智能相關(guān)出版文獻的全球份額中仍然領(lǐng)先，但其份額已從2017年的41.6%下降到2020年的36.3%。與此同時，東亞及太平洋地區(qū)的出版文獻份額在過去五年中穩(wěn)步增長，從2015年的17.3%增長到2020年的26.5%。按地理區(qū)域：在三大人工智能強國有關(guān)arXiv的人工智能相關(guān)出版文獻總數(shù)不斷增加的同時，中國正在趕超美國。另一方面，歐盟的出版文獻份額基本保持不變。按研究領(lǐng)域：在arXiv與人工智能有關(guān)的六個領(lǐng)域中，機器人學(cs.RO)和計算機科學中的機器學習(cs.LG)這兩個領(lǐng)域的出版文獻數(shù)量在2015年至2020年間增長最快，分別增長11倍和10倍。1.2會議出席會議情況是工業(yè)界和學術(shù)界對科學領(lǐng)域感興趣程度的一個很好的指標。在過去的20年里，人工智能會議不僅在規(guī)模上，而且在數(shù)量和聲望上都有所增長。本節(jié)介紹了主要的人工智能會議的出席情況和提交論文趨勢數(shù)據(jù)。會議出席:會議組織者介紹說，虛擬形式使得來自世界各地的研究人員的出席率提高，但是準確的出席人數(shù)很難衡量。1.3人工智能開源軟件庫軟件庫是喲用于創(chuàng)建應(yīng)用程序和產(chǎn)品的計算機代碼的集合。如TensorFlow和P有Torch等流行的特定于人工智能的軟件庫可以幫助開發(fā)人員快速有效地創(chuàng)建其智能解決方案。本節(jié)通過GitHub數(shù)據(jù)來分析討論各類軟件庫的受歡迎程度。下圖表明TensorFlow（由Google開發(fā)，2017年公開發(fā)布）是最受歡迎的人工智能軟件庫。2020年第二受歡迎的軟件庫是Keras（也是由Google開發(fā)的，建立在Tensorflow2.0之上）。除TensorFlow之外，下圖顯示PyTorch（由Facebook創(chuàng)建）是另一個越來越受歡迎的庫。第2章?技術(shù)性能——計算機視覺2.1計算機視覺-圖像2.1.1圖像分類：由于基礎(chǔ)技術(shù)的進步，圖像識別已經(jīng)從一種昂貴的、特定領(lǐng)域的技術(shù)轉(zhuǎn)變?yōu)橐环N經(jīng)濟的、適用于更多領(lǐng)域的技術(shù)。ImageNet：ImageNet挑戰(zhàn)的圖像分類任務(wù)要求機器根據(jù)圖像中的主要對象為圖像分配一個類別標簽。ImageNet——Top-1準確度：使用預訓練數(shù)據(jù)的最新系統(tǒng)在Top-1準確度中每10次嘗試中會出現(xiàn)1次錯誤，而在2012年12月，當時的系統(tǒng)每10次嘗試中會出現(xiàn)4次錯誤。谷歌大腦團隊的模型在2021年1月達到了90.2%的最高準確率。ImageNet——Top-5準確度：Top-5準確度考察的是正確的標簽是否出現(xiàn)在分類器的前五個預測中。下圖顯示，錯誤率已從2013年的85%左右提高到2020年的99%左右。ImageNet——訓練時間：想象一下等待幾秒鐘系統(tǒng)訓練和等待幾個小時訓練之間的區(qū)別，以及這種區(qū)別對于研究人員探索的研究思路的類型和數(shù)量意味著什么，以及它們可能有多大的風險。ImageNet——訓練代價：訓練一個現(xiàn)代的圖像識別系統(tǒng)大概需要多少錢？根據(jù)斯坦福DAWNBench團隊的測試，答案是2020年只需要幾美元。這一數(shù)字比2017年的成本下降了大約150倍。2.1.2圖像生成STL-10——FréchetInceptionDistance（FID）得分：下圖顯示了過去兩年中生成模型在STL-10數(shù)據(jù)庫中生成合成圖像方面的研究進展。STL-10數(shù)據(jù)庫旨在測試系統(tǒng)在生成圖像和收集其他圖像信息方面的有效性。FID與現(xiàn)實生活：作為一種評估技術(shù)，F(xiàn)ID有它的缺點：它通過使用模型本身數(shù)據(jù)的定量測量來評估圖像生成的質(zhì)量。而其它一些方法則能夠利用人類團隊來評估這些模型的輸出。2.1.3Deepfake檢測DFDC要求參賽者從大約100000個剪輯過的公共數(shù)據(jù)庫中訓練和測試他們的模型。參賽者提交的材料是根據(jù)對數(shù)損失函數(shù)評分的，這是一種基于概率的分類標準。較小的對數(shù)損失意味著能夠更準確地預測deepfake視頻。根據(jù)下圖，2019年12月至2020年3月間，隨著參賽方法或模型的不斷改進，對數(shù)損失下降了約0.5。2.1.4人體姿態(tài)估計上下文中的公共對象（COCO）數(shù)據(jù)集——關(guān)鍵點檢測挑戰(zhàn)：在過去四年中，該任務(wù)中算法的準確度提高了約33%，最新算法的平均準確度達到了80.8%。上下文中的公共對象（COCO）數(shù)據(jù)集——DensePose挑戰(zhàn)：COCO-DensePose挑戰(zhàn)的任務(wù)包括：檢測人、分割人體，以及估計屬于人體的圖像像素和模板3D模型之間的對應(yīng)關(guān)系。該任務(wù)使用測地線點相似性（GPS）測量計算平均精度，GPS測量是用于測量估計點與圖像中身體點的真實位置之間的測地線距離的對應(yīng)關(guān)系匹配程度得分。該任務(wù)的準確度從2018年的56%提高到了2019年的72%。2.1.5語義分割城市景觀Cityscapes數(shù)據(jù)集：Cityscapes中的語義分割是一個像素級的語義標注任務(wù)。這個任務(wù)需要一個算法來預測圖像的每個像素的語義標記，從而將圖像劃分為不同的類別，如汽車、公共汽車、人、樹和道路。參賽者基于交并比（IoU）分數(shù)對參賽結(jié)果進行評估。較高的IoU分數(shù)代表著較好的分割準確度。2014年至2020年間，平均IoU分數(shù)提高了35%。2.1.6嵌入式視覺這一領(lǐng)域的研究進展目前是由復雜模擬環(huán)境的發(fā)展推動的，研究人員可以在虛擬空間中部署機器人，模擬他們的相機看到和捕捉到的東西，并開發(fā)用于導航、目標搜索和目標物抓取等交互任務(wù)的人工智能算法。由于這一領(lǐng)域還處于相對較早的研究階段，目前很少有標準化的測量標準來衡量研究進展。2.2計算機視覺-視頻2.2.1活動識別活動識別的任務(wù)是從視頻片段中識別出各種各樣的活動。它有許多重要的日常應(yīng)用，包括攝像機監(jiān)控和機器人自主導航。ActivityNet：ActivityNet于2015年推出，是一個人類活動理解的大型視頻基準。該基準測試了算法在視頻中標記和分類人類行為的能力。通過提高ActivityNet等類似任務(wù)的性能，人工智能研究人員正在開發(fā)一種系統(tǒng)，這種系統(tǒng)可以對復雜行為進行分類，這種復雜行為比單個圖像中包含的行為分類難度更大。ActivityNet時間動作定位任務(wù)：在過去五年中，所提交的關(guān)于時間動作定位任務(wù)的結(jié)果的最高平均精度增長了140%。ActivityNet最困難的活動：下圖顯示了2020年時間行動定位任務(wù)中最困難的活動，以及它們的平均精度與2019年結(jié)果的比較。2.2.2目標識別你只看一眼（YOLO）：隨著時間的推移，YOLO已經(jīng)沿著兩個約束條件進行了優(yōu)化：性能和推理延遲。2.2.3人臉檢測和識別美國國家標準與技術(shù)研究所（NIST）人臉識別供應(yīng)商測試（FRVT）：下圖給出了在多個不同數(shù)據(jù)庫中根據(jù)錯誤不匹配率（FNMR）測量的性能最好的1:1算法的結(jié)果。FNMR是指當試圖將圖像與個體匹配時算法失敗的速率。在過去四年中，入案照和簽證照的面部識別技術(shù)改進最為顯著，錯誤率從接近50%下降到2020年的只有百分之零點幾。2.3語言2.3.1英語語言理解基準SuperGLUE：快速的研究進展表明，未來SuperGLUE可能需要更具挑戰(zhàn)性，或者是被更難的測試所取代，就像SuperGLUE取代了GLUE一樣。SQuAD：SQuAD1.1的F1成績從2016年8月的67.75分提高到了2018年9月的91.22分（25個月），而SQuAD2.0僅用了10個月的時間就超過了人類的表現(xiàn)（從2018年5月的66.3分提高到2019年3月的89.47分）。2020年，最先進的SQuAD1.1和SQuAD2.0的F1成績分別達到了95.38分和93.01分。2.3.2商業(yè)機器翻譯（MT）商用機器翻譯系統(tǒng)的數(shù)量：商用機器翻譯系統(tǒng)數(shù)量的變化趨勢說明了商用機器翻譯技術(shù)的顯著改進及其在商用市場的迅速推廣。據(jù)一家評估商用機器翻譯服務(wù)的初創(chuàng)公司Intento介紹，2020年，使用預訓練模型的商用獨立云機器翻譯系統(tǒng)數(shù)量從2017年的8個增加到了28個。2.3.3GPT-3下圖引用自GPT-3論文，展示了在零樣本、單樣本和少樣本學習模式下，模型規(guī)模（從模型參數(shù)量角度評估）對任務(wù)完成的準確度（越高越好）的影響。2.4語言推理技術(shù)——視覺和語言推理：視覺和語言推理主要研究解決機器對視覺和文本數(shù)據(jù)的聯(lián)合推理能力。視覺問答（VQA）挑戰(zhàn)：下圖顯示，自2015年在國際計算機視覺會議（ICCV）上第一次發(fā)布以來，VQA挑戰(zhàn)的準確度增長了近40%。2020年挑戰(zhàn)賽的最高準確度為76.4%。這一成果已經(jīng)非常接近于人類基線80.8%的準確度，與2019年排名靠前的幾個算法相比性能提高了1.1%。視覺常識推理任務(wù)：VCR任務(wù)的主要評估模式是Q->AR分數(shù)。它要求機器首先在四個答案選項（Q->A）中選擇一個問題（Q）的正確答案（A），然后根據(jù)答案在四個理由選項中選擇正確的理由（R）。得分越高代表任務(wù)完成的越好。人類在這項任務(wù)中的QA->R得分為85分。性能最好的模型的Q->AR分數(shù)從2018年的44分提高到了2020年的70.5分。2.5語音——語音識別：語音識別，或稱為自動語音識別（ASR），是指令機器能夠識別口語單詞并將其轉(zhuǎn)換為文本的過程。語音轉(zhuǎn)錄LibriSpeech:基于神經(jīng)網(wǎng)絡(luò)的人工智能系統(tǒng)顯著提高了LibriSpeech的性能，將單詞錯誤率（WER；0%是最佳性能）降低到了2%左右。說話人識別VoxCeleb:說話人識別的任務(wù)目的是測試機器學習系統(tǒng)如何將語音對應(yīng)到特定的人。到2020年，該任務(wù)中的錯誤率已經(jīng)非常低，計算機能夠大概率（99.4%）將語音正確對應(yīng)到特定的說話人。2.6推理布爾可滿足性問題：雖然2016年至2018年最佳解決方案的性能并沒有明顯的改進，但2019年和2020年的情況卻有了很大改善。下圖顯示了不同競賽年份中每個解算器的時間夏普利值貢獻。其中值得注意的是，2016年解算器的貢獻是最高的。這是因為在我們的評估中，沒有可以與之進行比較的以前的先進技術(shù)，因此這一年中解算器的貢獻沒有折損。自動定理證明（ATP）：從下圖看解決問題的比例持續(xù)攀升，表明了該領(lǐng)域不斷取得研究進展。2.7醫(yī)療和生物學分子合成：用于正向化學合成規(guī)劃的測試集正確性。給出了一些模型的Top-1準確度，這些模型是基于一個包含了美國專利中100萬個反應(yīng)的免費數(shù)據(jù)庫為基準訓練得到的。COVID-19和藥物發(fā)現(xiàn)：下圖顯示了一段時間以來科學家們提交材料的累計數(shù)量。Moonshot在短短四個月內(nèi)就收到了來自全球365位科學家的超過10000份投稿。AlphaFold和蛋白質(zhì)折疊：下圖引用自DeepMind博客文章，該圖顯示了過去14年中最佳團隊在CASP中對一些較難預測的蛋白質(zhì)類型（蛋白質(zhì)的“自由建?！鳖悇e）進行預測的GDT中位數(shù)得分。過去，獲勝算法通常基于物理模型。第3章?經(jīng)濟3.1工作3.1.1AI招聘巴西、印度、加拿大、新加坡和南非是2016年至2020年人工智能招聘增長率最高的國家。對于排名第一的國家巴西來說，就業(yè)指數(shù)增長了3.5倍以上。此外，盡管出現(xiàn)了COVID-19大流行，但2020年14個抽樣國家的人工智能招聘人數(shù)仍在繼續(xù)增長。3.1.2AI勞動力需求全球人工智能勞動力需求：過去七年來，美國、英國、加拿大、澳大利亞、新西蘭和新加坡六個國家對人工智能勞動力的需求大幅增長。美國人工智能勞動力需求——按技能分類：根據(jù)技能分類對這一時期的需求進行了逐年細分。每個技能類別都由一系列與人工智能相關(guān)的技能組成。美國勞動力需求——按行業(yè)劃分：為了深入了解美國勞動力市場人工智能職位需求在不同行業(yè)之間的差異，本節(jié)將研究2020年美國各行業(yè)人工智能職位數(shù)量占所有職位總數(shù)的比例，以及過去10年的變化趨勢。美國勞動力需求——按州劃分：下圖分析了2020年美國各州的勞動力需求，其中，y軸表示所有工作崗位上人工智能工作崗位的份額，x軸表示對數(shù)刻度上人工智能工作崗位的總數(shù)。3.1.3AI技能普及全球比較：在下圖所示的樣本國家中，2015年至2020年的匯總數(shù)據(jù)顯示，印度（全球平均水平的2.83倍）的相對人工智能技能普及率最高，其次是美國（全球平均水平的1.99倍）、中國（全球平均水平的1.40倍）、德國（全球平均水平的1.27倍）和加拿大（全球平均水平的1.13倍）。全球比較——按行業(yè)：為了對各行業(yè)和樣本國家的人工智能技能普及率進行更加細致深入的分解，下圖展示出了過去五年全球人工智能技能普及率最高的五大行業(yè)的匯總數(shù)據(jù)：教育、金融、硬件和網(wǎng)絡(luò)、制造業(yè)、軟件和IT。3.2投資3.2.1企業(yè)投資：相對于2019年，2020年全球人工智能投資總額（包括私人投資、公開募股、并購和少數(shù)股權(quán)）增長了40%，總額為679億美元。3.2.2初創(chuàng)公司活動全球趨勢：越來越多針對人工智能的私人投資正流入越來越少的初創(chuàng)企業(yè)。盡管COVID-19大流行，2020年人工智能私人投資額較2019年仍然增長了9.3%，高于2019年的5.7%。不過，獲得資助的公司數(shù)量連續(xù)第三年下降。區(qū)域比較：美國仍然是私人投資的主要流向地，2020年的私人投資金額超過了236億美元。其次是中國（99億美元）和英國（19億美元）。雖然中國在2018年的人工智能私人投資額異常高，但其在2020年的投資水平還不到美國的一半。重點領(lǐng)域分析：下圖顯示了2020年私人投資額最大的前10個重點領(lǐng)域的排名，以及2019年各自的投資額?！八幬?、癌癥、分子、藥物發(fā)現(xiàn)”領(lǐng)域高居榜首，人工智能私人投資超過138億美元，是2019年的4.5倍。3.3公司活動3.3.1行業(yè)應(yīng)用人工智能的全球應(yīng)用：2020年的調(diào)查結(jié)果表明，與2019年相比，人工智能應(yīng)用率沒有增加。超過50%的受訪者表示，他們的組織至少在一項業(yè)務(wù)職能中應(yīng)用了人工智能。行業(yè)和職能部門應(yīng)用人工智能：2020年，報告應(yīng)用人工智能的情況最多的是代表高科技和電信企業(yè)的受訪者，這與2019年的結(jié)果是相似的。其次是金融服務(wù)和汽車及裝配業(yè)。與2019年（和2018年）類似的另外一個情況是，2020年的調(diào)查表明，公司最有可能應(yīng)用人工智能的功能/任務(wù)因行業(yè)而異。應(yīng)用的人工智能的能力類型：跨行業(yè)來看，2020年，公司最有可能將機器學習技術(shù)、機器人過程自動化和計算機視覺確定為至少一項業(yè)務(wù)功能所需要應(yīng)用的能力?？紤]和減輕應(yīng)用人工智能的風險：只有少數(shù)公司承認應(yīng)用人工智能存在風險，而在采訪中報告會采取措施減輕這些風險的公司就更少了。COVID-19的影響：盡管流感大流行造成了經(jīng)濟衰退，但半數(shù)受訪者表示流感大流行對他們在人工智能方面的投資沒有影響，而有27%的受訪者表示他們實際增加了投資。3.3.2工業(yè)機器人部署全球趨勢：在經(jīng)歷了連續(xù)六年的增長后，全球新部署的工業(yè)機器人數(shù)量下降了12%，從2018年的422271臺降至2019年的373240臺。區(qū)域比較：亞洲、歐洲和北美三個最大的工業(yè)機器人市場都見證了機器人部署數(shù)量連續(xù)六年增長期的結(jié)束。2019年北美的降幅最大，達到了16%，而歐洲為5%，亞洲為13%。下圖顯示了五大工業(yè)機器人市場的安裝部署數(shù)量。占全球機器人安裝部署量73%的五個國家的安裝部署量都出現(xiàn)了大致相同的下降趨勢，但德國除外。3.3.3收益報告：自2013年以來，在企業(yè)收益報告中人工智能的提及數(shù)量大幅增加。2020年，人工智能在收益報告中的提及次數(shù)是大數(shù)據(jù)、云計算和機器學習的總和的兩倍，不過這一數(shù)字比2019年下降了8.5%。第4章?人工智能教育4.1高等教育機構(gòu)的人工智能教育狀況：通過評估教授學生建立或部署實用人工智能模型所需技能的課程趨勢、入門級人工智能和機器學習課程，以及招生統(tǒng)計數(shù)據(jù)，我們對本科階段的課程設(shè)置進行了調(diào)查。4.1.1本科人工智能課程教授人工智能技能的本科課程：在18所大學中，教授學生建立或部署實用人工智能模型所需技能的課程數(shù)量增加了102.9%，從2016-17學年的102門增加到了2019-20學年的207門。人工智能和機器學習入門課程：數(shù)據(jù)顯示，在過去四個學年中，注冊或嘗試注冊人工智能入門課程和機器學習入門課程的學生人數(shù)增加了近60%。在過去的四個學年中，歐盟的入門級課程注冊人數(shù)增加了165%，而美國的此類注冊人數(shù)在上一個學年出現(xiàn)了明顯的下降。4.1.2研究生人工智能課程專注于人工智能技能的研究生課程：在過去四個學年中，教授學生建立或部署實用人工智能模型所需技能的研究生課程增加了41.7%，從2016-17學年的151門課程增加到了2019-20學年的214門課程。4.1.3專注于人工智能的教職人員在過去四個學年中，參與此次調(diào)查的大學中主要研究人工智能的終身教職教師人數(shù)顯著增長，與人工智能課程和學位課程需求的增長相一致。4.2北美地區(qū)人工智能和計算機科學學位畢業(yè)生4.2.1北美地區(qū)計算機科學本科畢業(yè)生：北美地區(qū)大多數(shù)的人工智能課程都是本科階段計算機科學課程的一部分。在過去十年中，北美地區(qū)具有博士學位授予資質(zhì)機構(gòu)的計算機科學本科畢業(yè)生人數(shù)穩(wěn)步增長。4.2.2美國新增計算機科學博士——按專業(yè)劃分的新計算機科學博士，在2019年畢業(yè)的所有計算機科學博士中，人工智能/機器學習（22.8%）、理論與算法（8.0%）和機器人學/視覺（7.3%）專業(yè)的畢業(yè)生數(shù)量高居榜首。在過去十年中，與其他18個專業(yè)相比，人工智能/機器學習和機器人學/視覺是計算機科學專業(yè)博士畢業(yè)生人數(shù)中增長最為顯著的。美國新增計算機科學博士——具備人工智能/機器學習和機器人學/視覺專長的新計算機科學博士。2010年至2019年間，人工智能/機器學習專業(yè)畢業(yè)生的數(shù)量增長了77%，而這些新博士在所有計算機科學博士畢業(yè)生中的比例則增長了61%。人工智能/機器學習和機器人學/視覺博士畢業(yè)生的數(shù)量在2019年達到歷史最高水平。4.2.3北美地區(qū)新AI專業(yè)博士畢業(yè)生就業(yè)情況產(chǎn)業(yè)界與學術(shù)界：在過去十年中，北美地區(qū)新畢業(yè)的AI專業(yè)AI專業(yè)博士選擇進入產(chǎn)業(yè)界工作的人數(shù)持續(xù)增長，其比例從2010年的44.4%增加到2019年的65.7%。新AI專業(yè)博士留學生：2019年，北美新畢業(yè)的AI專業(yè)博士中的留學生比例繼續(xù)上升，達到了64.3%，比2018年上升了4.3個百分點。此外，2019年美國的AI專業(yè)博士留學生畢業(yè)生中，有81.8%的人選擇留在美國就業(yè)，而8.6%選擇到美國以外的國家或地區(qū)工作。4.3歐盟及其它地區(qū)的人工智能教育4.3.1歐盟的人工智能課程：這項研究揭示了27個歐盟國家的1032個人工智能項目的項目范圍和項目水平。人工智能相關(guān)課程中講授的內(nèi)容：在歐盟三個層次的專業(yè)人工智能課程中，哪些類型的人工智能技術(shù)最受歡迎？數(shù)據(jù)表明，迄今為止，機器人技術(shù)和自動化是專業(yè)學士和碩士課程中最常開設(shè)的課程，而機器學習在專業(yè)短期課程中占主導地位。4.3.2國際比較：下圖顯示了2019-20學年所有國家1680個專業(yè)人工智能課程的總數(shù)。美國提供了比任何其它地區(qū)都要更多的人工智能專業(yè)課程。就人工智能專業(yè)碩士課程數(shù)量而言，歐盟27國緊隨其后。第5章?人工智能應(yīng)用的倫理挑戰(zhàn)5.1人工智能原則和框架研究和專業(yè)組織是最早推出人工智能原則文件的組織之一，而私營企業(yè)是迄今為止所有組織類型中發(fā)布人工智能原則出版物數(shù)量最多的組織。截至2020年，歐洲和中亞的出版物數(shù)量最多（52），其次是北美（41），東亞和太平洋地區(qū)（14）。在推出倫理道德相關(guān)的具體原則方面，2018年，包括IBM、谷歌和Facebook在內(nèi)的科技公司以及英國、歐盟和澳大利亞政府機構(gòu)的表現(xiàn)最為突出。5.2全球新聞媒體在2020年，與人工智能倫理原則和框架相關(guān)的文章在最受關(guān)注的新聞主題中排名第一（21%），其次是研究和教育（20%）、人臉識別（20%）。5.3人工智能會議的倫理自2015年以來，提交給人工智能會議的論文中包含倫理相關(guān)關(guān)鍵詞的論文標題數(shù)量顯著增加。下圖給出了六個主要人工智能會議中所有出版論文中關(guān)鍵詞匹配的平均數(shù)。5.4高等教育機構(gòu)的倫理教育18個系中有11個曾經(jīng)主辦過關(guān)于人工智能倫理的主題活動或小組討論，其中7個系在其大學的計算機科學系或其他系開設(shè)了人工智能倫理課程。第6章?人工智能的多樣性問題6.1人工智能中的性別多樣性6.1.1學術(shù)屆的女性在過去十年中，人工智能博士和計算機科學博士的女性畢業(yè)生的人數(shù)平均占所有博士畢業(yè)生的18.3%。6.1.2人工智能勞動力中的女性數(shù)據(jù)表明，在圖中所示的大多數(shù)國家中，女性人工智能技能普及率低于男性。6.1.3參加機器學習研討會的女性研討會參加者：2020年的參會人員約為925名，這一數(shù)字是根據(jù)訪問虛擬平臺的人數(shù)估計得到的。人員情況詳細統(tǒng)計：在參會者中，89.5%是女性和/或非雙性戀，10.4%是男性，大部分都來自北美地區(qū)。此外，包括博士、碩士和本科生在內(nèi)的學生占參會者的一半以上（54.6%）。6.2人工智能中的種族和民族多樣性6.2.1美國的新人工智能博士（按種族劃分）：根據(jù)CRATaulbee調(diào)查，在2019年美國居民新人工智能博士中，白人（非西班牙裔）所占比例最大（45.6%），其次是亞裔（22.4%）。相比之下，非洲裔美國人（非西班牙裔）占2.4%，西班牙裔占3.2%。6.2.2美國的新計算機博士（按種族劃分）：CRA的調(diào)查顯示，白人（非西班牙裔）新博士的比例在過去10年中變化不大，平均占62.7%。6.2.3計算機科學終身教職教師（按民族/種族劃分）：終身教職教師中，黑人或非洲人，以及西班牙裔、拉丁裔或西班牙人教師的比例最小，分別占0.6%和0.8%。6.2.4人工智能中的黑人：BAI擁有約3000名社區(qū)成員和盟友，在大型人工智能會議上舉辦了10多個研討會，并幫助全球參與大型人工智能會議的黑人人數(shù)增加了40倍。6.3人工智能中的性別認同和性取向6.3.1人工智能中的LGBT群體：本節(jié)介紹QueerinAI(QAI）5組織成員的調(diào)查數(shù)據(jù)，該組織旨在使人工智能/機器學習社區(qū)成為一個歡迎、支持和重視LGBT群體科學家的社區(qū)。QAI由WilliamAgnew、RaphaelGontijoLopes和EvaBreznik于2018年成立，通過會議、海報會議、原則和其他舉措，建立了一個由LGBT群體和盟友人工智能/機器學習科學家組成的可見社區(qū)。人員情況詳細統(tǒng)計：根據(jù)2020年的調(diào)查，在大約100份回復中，約31.5%的受訪者認為自己是同性戀（gay），其次是雙性戀（bisexual）、非異性戀（queer）和女同性戀（lesbian）。約37.0%和26.1%的受訪者分別認為自己是順性男和順性女，其次是性別酷兒、流性人、非二元性別和其他。變性女性和男性分別占總受訪者的5.0%和2.5%。此外，過去三年的調(diào)查顯示，學生是QAI成員中的大多數(shù)，平均占所有受訪者的41.7%，其次是學術(shù)界或行業(yè)的初級專業(yè)人員。LGBT群體從業(yè)者的經(jīng)歷：81.4%的人認為缺乏行為榜樣是他們職業(yè)生涯的主要困難，70.9%的人認為缺乏社區(qū)組織是造成這種現(xiàn)象的原因。超過40%的QAI成員曾在工作或?qū)W校因為是同性戀者而被歧視或騷擾。約9.7%的人曾五次以上遭受歧視或騷擾。第7章?人工智能政策和國家戰(zhàn)略7.1國家和地區(qū)人工智能戰(zhàn)略7.1.1已發(fā)布的戰(zhàn)略2017:加拿大——人工智能戰(zhàn)略：泛加拿大人工智能戰(zhàn)略；中國——人工智能戰(zhàn)略：新一代人工智能發(fā)展規(guī)劃；日本——人工智能戰(zhàn)略：人工智能技術(shù)戰(zhàn)略；芬蘭——芬蘭的人工智能時代；阿聯(lián)酋——阿聯(lián)酋人工智能戰(zhàn)略。2018：歐盟——人工智能戰(zhàn)略：人工智能協(xié)調(diào)計劃；法國——人工智能戰(zhàn)略：人工智能造福人類：法國人工智能；德國——人工智能戰(zhàn)略：德國制造的人工智能；印度——人工智能戰(zhàn)略：國家人工智能戰(zhàn)略；墨西哥——人工智能戰(zhàn)略：墨西哥人工智能綱領(lǐng)（2019年議程簡本）；英國——人工智能戰(zhàn)略：產(chǎn)業(yè)戰(zhàn)略：人工智能行業(yè)協(xié)議；瑞典——人工智能的國家方針；中國臺灣——臺灣人工智能行動計劃。2019：愛沙尼亞——人工智能戰(zhàn)略：2019-2021年國家人工智能戰(zhàn)略；俄羅斯——人工智能戰(zhàn)略：國家人工智能發(fā)展戰(zhàn)略；新加坡——人工智能戰(zhàn)略：國家人工智能戰(zhàn)略；美國——人工智能戰(zhàn)略：美國人工智能舉措；韓國——人工智能戰(zhàn)略：國家人工智能戰(zhàn)略；哥倫比亞——數(shù)字轉(zhuǎn)型和人工智能國家政策；捷克共和國——捷克共和國國家人工智能戰(zhàn)略；立陶宛——立陶宛人工智能戰(zhàn)略：未來展望；盧森堡——人工智能：盧森堡的戰(zhàn)略愿景；馬耳他——馬耳他：終極AI啟動臺；荷蘭——人工智能戰(zhàn)略行動計劃；葡萄牙——AI葡萄牙2030；卡塔爾——卡塔爾國家人工智能。2020：印度尼西亞——人工智能戰(zhàn)略：國家人工智能發(fā)展戰(zhàn)略（StranasKA）；沙特阿拉伯——國家數(shù)據(jù)和人工智能戰(zhàn)略（NSDAI）；匈牙利——匈牙利人工智能戰(zhàn)略；挪威——人工智能國家戰(zhàn)略；塞爾維亞——塞爾維亞共和國2020-2025年人工智能發(fā)展戰(zhàn)略；西班牙——國家人工智能戰(zhàn)略。7.1.2發(fā)展中戰(zhàn)略（截至2020年12月）——公共咨詢戰(zhàn)略。巴西——人工智能戰(zhàn)略草案：巴西人工智能戰(zhàn)略；意大利——人工智能戰(zhàn)略草案：意大利人工智能戰(zhàn)略方案；塞浦路斯——人工智能國家戰(zhàn)略；愛爾蘭——愛爾蘭人工智能國家戰(zhàn)略；波蘭——波蘭人工智能發(fā)展政策；烏拉圭——數(shù)字政府的人工智能戰(zhàn)略。7.1.3已宣布戰(zhàn)略：阿根廷、澳大利亞、奧地利：人工智能任務(wù)奧地利（官方報告）、保加利亞：2030年前保加利亞人