AI医疗设备审批：2023年，美国食品药品监督管理局（FDA）批准了223款支持AI的医疗设备，而2015年仅批准了6款。

自动驾驶服务规模：Waymo每周提供超过15万次的自动驾驶服务。

AI领域投资：2024年，美国私营领域AI投资达到1091亿美元，约为中国（93亿美元）的12倍，英国（45亿美元）的24倍。

生成式AI投资：全球生成式AI私营投资总额达339亿美元，较2023年增长18.7%。

企业AI采用率：2024年，报告使用AI的组织比例达到78%，高于上一年的55%。

AI模型产出：2024年，美国机构产生了40个知名AI模型，中国为15个，欧洲为3个。

中美模型性能差距：中国模型在MMLU和HumanEval等主要基准上的性能与美国模型的差距，已从2023年的两位数百分点缩小至2024年的接近持平。

全球公众对AI的态度：在中国（83%）、印度尼西亚（80%）和泰国（77%），大多数人认为AI产品和服务利大于弊；而在加拿大（40%）、美国（39%）和荷兰（36%），持此观点的人比例较低。

部分国家AI乐观情绪增长：自2022年以来，德国（+10个百分点）、法国（+10个百分点）、加拿大（+8个百分点）、英国（+8个百分点）和美国（+4个百分点）对AI的乐观情绪有所增长。

AI推理成本下降：从2022年11月到2024年10月，达到GPT-3.5水平系统的推理成本下降了超过280倍。

硬件成本与效率：AI硬件成本以每年30%的速度下降，能源效率每年提高40%。

开源与闭源模型性能差距：在某些基准上，开源模型与闭源模型的性能差距在一年内从8个百分点缩小至1.7个百分点。

美国AI相关法规：2024年，美国联邦机构出台了59项与AI相关的法规，是2023年的两倍多，涉及的机构数量也增加了一倍。

全球立法关注度：自2023年以来，全球75个国家立法中提及AI的次数增加了21.3%，自2016年以来增长了九倍。

各国政府AI投资承诺：加拿大承诺投资24亿美元；中国启动475亿美元的半导体基金；法国承诺投入1090亿欧元；印度承诺12.5亿美元；沙特阿拉伯的Project Transcendence计划投资1000亿美元。

K-12计算机科学教育普及率：全球已有三分之二的国家提供或计划提供K-12计算机科学（CS）教育，是2019年的两倍。

美国计算机学位毕业生增长：过去10年，美国计算机学士学位毕业生数量增加了22%。

美国K-12教师对AI教育的态度：81%的美国K-12 CS教师认为AI应成为基础CS教育的一部分，但只有不到一半（<50%）的教师认为自己具备教授AI的能力。

行业在AI模型研发中的主导地位：2024年，近90%的知名AI模型来自工业界，高于2023年的60%。

AI模型规模增长速度：训练所需的计算量大约每五个月翻一番，数据集规模大约每八个月翻一番，电力使用量每年翻一番。

顶尖模型性能差距缩小：排名第一和第十的模型之间的得分差距在一年内从11.9个百分点降至5.4个百分点，排名前两位的模型差距仅为0.7个百分点。

AI对科学的贡献：两项诺贝尔奖表彰了与深度学习及其应用相关的工作。

​文档链接将分享到199IT知识星球，扫描下面二维码即可查阅！

1. AI在多项任务中的表现超越人类

AI的表现在一些维度已经超越了人类，如图像分类、视觉推理和英语理解等。

2. 工业界处于领先地位

在2014年前，机器学习模型的发布由学术界主导。然而，现状发生了改变。2023年，工业界开发了51个机器学习模型，而学术界只有15个。

3. 前沿模型的成本非常高昂

大语言模型的运行和训练成本不菲，行业领先的AI模型训练成本已经显著增加。

4.行业领先的AI模型主要来自美国

斯坦福大学分析了著名模型的来源国。结果显示，在2023年，美国共发布61个著名模型，超越了欧盟的21个和中国的15个，处于领先地位。

5. 缺乏负责任AI的标准化基准报告

AI工具的基准效果很大程度上依赖于其标准化的方法和应用。然而，人工智能指数的研究显示，负责任AI的报告标准化程度严重不足。

6. 生成式AI的投资飙升

尽管2023年整体的AI私人投资有所下降，但对生成式AI的投资大幅增加。生成式AI领域去年吸引了252亿美元的投资，几乎是2022年的9倍、2019年的约30倍。

7. AI提高员工生产力和工作质量

尽管在缺少适当监督的情况下使用AI可能导致绩效下滑，但几项评估AI对劳动影响的研究表明，AI能够使工人更快完成任务，并提高工作成果的质量。

8. AI越来越推动科学进步

人工智能指数指出，AI从2022年就开始推动科学发现，2023年则在推出科学相关的AI应用方面取得了更大的飞跃。

9. 美国的AI法规正在增加

2023年，美国制定了25项AI相关的法规，总数增加了56.3%。

10. 人们更加了解AI的影响并感到更加紧张

调查显示，在过去一年中，认为人工智能将在未来3-5年内对其生活产生重大影响的人数比例已经从60%增加到66%。

然而，从2020年-2021年，中美合作的总数仅增长了2.1%，是自2010年以来的最小同比增长率。

此外，人工智能论文的总数自2010年以来翻了一番以上。从2010年的20万篇增长到2021年的近50万篇（49601）。

就AI论文发表的类型来看， 2021 年，所有已发表的AI论文中有60%是期刊文章，17%是会议论文，13%来自存储库。

虽然在过去12年中期刊和储存库论文分别增长了3倍和26.6倍，但会议论文的数量自2019年以来有所下降。

模式识别、机器学习和计算机视觉依旧是人工智能领域研究的热门话题。

中国在期刊、会议和储存库论文总量方面依旧处于领先地位。

美国在人工智能会议和储存库引用方面仍然领先，但这些领先优势正被慢慢削弱。尽管如此，世界上大多数的大型语言模型和多模态模型（2022年54%）是由美国机构产生的。

中国霸榜AI顶会，但引用量低于美国

AI期刊论文的发表，中国始终保持领先地位，2021年为39.8%，其次是欧盟和英国（15.1%），然后是美国（10.0%）。

自2010年以来，中国人工智能期刊论文被引频次占比逐步上升，欧盟、英国、美国均有所下降。中国、欧盟和英国、美国占全球总引用量的65.7%。

那么，世界顶会论文发表的情况又如何？

2021年，中国以26.15%的比例在全球AI顶会发表的论文数所占份额最大，而欧盟和英国以20.29%紧随其后，美国以17.23%位居第三。

从顶会论文引用量来看，中国虽然高产，但引用量相较于美国来说较低。美国顶会论文引用量23.9%，中国为22.02%。

从侧面可以看出，中国论文发表数量最多，但质量不如美国高。

在AI论文储存库提交方面，美国在世界居首，23.48%。中国最低，11.87%。

中国9所机构，AI论文发表赶超MIT

2021年，发表论文总量世界前十机构中，中国占了9所，不同机构发表的论文总数如下图，MIT位列第十，发表论文1745。

就计算机视觉领域（CV）来看，中国的十所机构位居世界前十，它们分别是，中国科学院、上海交通大学、中国科学院大学、清华大学、浙江大学、北京航空航天大学、武汉大学、北京理工大学、哈尔滨工业大学，以及天津大学。

在自然语言处理（NLP）领域，就有所不同了。

世界前十的机构/公司有：中国科学院、卡内基梅隆大学、微软、清华大学、卡内基梅隆大学-澳大利亚分校、谷歌、北京大学、中国科学院大学、阿里、亚马逊。

工业界领先学术界

在2022年发布的重要人工智能机器学习系统中，语言系统占最多，有23个，是多模态系统数量的6倍。

在论文产量上，工业界领先于学术界。

直到2014年，大多数重要的模型都是由学术界发布的。从那时起，工业界便逆袭翻身。到2022年，32个重要的机器学习模型都诞生在工业界，而学术界仅有3个。

由此可见，与非营利组织和学术界相比，构建最先进的人工智能系统越来越需要大量的数据、计算机能力和资金资源，而行业参与者固然有更多的资金资源去做这件事情。

2022年，美国产生了数量最多的重要机器学习系统，有16个，其次是英国（8个）和中国（3个）。

此外，自2002年以来，就创建的重要机器学习系统总数而言，美国已经超过了英国和欧盟、中国

再来看做出这些重要AI系统背后研究者国分布，美国有最多的研究者，285人，是英国的2倍多，是中国的近6倍。

LLM越来越大，算力越贵

大型语言和多模态模型，有时称为基础模型，是当前一种新兴且日益流行的AI模型类型，它在大量数据上进行训练并适用于各种下游应用程序。

ChatGPT、DALL-E 2和MakeA-Video等大型语言和多模态模型已经展示了令人印象深刻的功能，并开始在现实世界中广泛部署。

通过对这些模型作者的国家隶属关系进行了分析，这些研究人员中的大多数来自美国机构（54.2%）。

斯坦福AI指数报告还列出了大型语言和多模态模型发布的时间表。

大型语言模型正变得越来越大，也越来越昂贵。

第一个大型语言模型GPT-2于2019年发布，有15亿参数，训练成本约50000美元。谷歌PaLM是2022年推出的大型语言模型之一，有5400亿参数，成本高达800万美元。

从参数和训练成本来看，PalM比GPT-2大360倍，成本高出160倍。

不仅仅是 PalM，从整体上看，大型语言和多模态模型变得越来越大和昂贵。

例如，DeepMind于2022年5月推出的大型语言模型Chinchilla估计耗资210万美元，而BLOOM的训练大约耗资230 万美元。

随着时间的推移，GAN在人脸生成方面的进展，最后一个图像由Diffusion-GAN生成，这一模型在STL-10上取得了最新的SOTA。

文字来自：新智元

2022 QS世界大学学科排名出炉了！在计算机科学专业排名中，MIT、斯坦福、卡内基梅隆大学占领了世界前三席，中国大陆有6所高校进入百强，清华是进入世界前20的内地高校。2022 QS世界大学学科排名来了！总体和21年变化不大。

斯坦福大学每年都会发布一份《人工智能指数报告》(The AI Index Report)。近日2021年度报告已经发布，这也是该报告的第四期，主要讲述 AI 领域在2019-2020年的变化情况。

自 pingwest

AI Index在2017年年末公布了团队成立以来第一份报告，又于近日发布了第二份报告，我们将通过对比两份报告的数据变化，来探究AI行业2018年的发展趋势，以及中国对比世界其它国家在AI领域发展方向的异同。

PDF资料参考：https://t.zsxq.com/BaYRB6q

AI学术研究论文数量

2017年：1996年以来学术论文和研究的数量猛增了9倍以上

自1996年以来，每年发表的计算机科学的学术论文和研究的数量猛增了9倍以上。学术论文和研究通常能产生新的知识产权和专利。整个Scopus数据库中，含有“Artificial Intelligence”这个关键词的计算机科学领域的论文有超过200,000（200237）篇。Scopus数据库中“计算机科学”领域的论文总共有近500万（4868421）篇。

2018年：AI领域论文总量猛增

上图是相较于1996年，学术论文的年度出版率增长情况，该图比较了计算机科学（CS）领域和AI领域的论文发表率增长情况。从1996年到2017年，AI领域的论文增加了7倍（8x），CS领域的论文增加了5倍（6x）

对比总结：对比2017年报告，在2018年进一步注重细分领域。重点关注计算机领域和AI领域的论文数量，此外还补充了，各地区以及相关领域的论文发表情况。其中，中美两国的AI领域论文数量增长情况尤为瞩目。

AI风险投资

2017年：自2000年以来，在美国，风险投资者（VC）每年投入AI创业公司的投资额增加了6倍。

上图显示了VC在美国所有融资阶段对AI创业公司年度投资总额。VC每年投给初创公司的资金额，在某些关键领域起着重要作用。

2018年：在风投资金方面，从2013年到2017年，人工智能领域的风投资金增长到了原来的4.5倍，而所有的风投资金只增长到了原来的2.08倍。这些数据都是年度数据，不是逐年累积的。

对比总结：整体来看，AI领域的投资热度依然很高，2018年报告更加关注近期的投资情况。从报告上看来，最近几年的AI领域投资占比进一步提高，相较于其他行业，AI领域发展速度将会在资本的助推下进一步加快。

AI创业公司

2017年：AI创业公司增加了14倍。

自2000年以来，在美国，有资本支持的AI创业公司数量增加了14倍。这个数字包括VentureSource数据库中Crunchbase列表中的任何有VC支持的公司。

2018年：从2015年1月到2018年1月，人工智能创业公司的数量增长到了原来的2.1倍，而所有活跃的创业公司增长到了原来的1.3倍。

图表显示，初创公司的数量是逐年累积的。在很大程度上，创业公司整体的增长保持相对稳定，而AI创业公司的数量呈指数级增长。

对比总结：相较于之前，近两年的AI公司数量增长幅度愈发加快，而活跃公司的数量也越来越多。进一步反应了AI市场的火热，创业热情也在进一步提高。

AI人才需求

2017年：自2013年以来，要求有AI技能的工作岗位增长了4.5倍。

在Indeed.com平台上，需要AI技能的工作岗位所占份额的计算方法是通过职业描述中的标题和关键字来确定是否与人工智能相关。AI Index研究还计算了在Indeed.com平台上，要求人工智能技术的工作岗位份额在不同国家的增长情况。报告显示，加拿大和英国分别占美国AI招聘市场绝对规模的5%和27%。

2018年：报告统计ML是最大的技能要求。从2016年到2017年的增幅尤为明显。全球对AI人才的需求在2016年骤增。深度学习(DL)的增长速度最快——从2015年到2017年，需要DL技能的职位空缺增加了35倍。

对比总结：2016年是AI人才需求量猛增的一年，此后AI行业人才需求量一直在高速发展，人才缺口的情况可能会进一步加剧，同时深度学习领域发展最为迅速，该技能人才最为抢手。

AI领域核心技能以及热门领域

2017年：机器学习，深度学习和自然语言处理（NLP）是最重要的三项技能。除了创建AI应用程序，最受欢迎的技能还包括机器学习技术，Python，Java，C++，开源开发环境的经验，Spark，MATLAB和Hadoop。

2018年：开源框架GitHub标星数，TensorFlow的受欢迎程度在开发者中遥遥领先、稳步增长。二名和第三名分别是scikit-learn和BVLC/caffe。TensorFlow官方力推的keras排到了第四，另外两大热门PyTorch和MXNet分别排到了第七和第六，尤其是PyTorch，作为一个年轻的框架，自2017年初发布以来至今，GitHub标星数至少增长了4倍。

对比总结：从最近两年可以大致看出，各类AI编程框架以及编程技能的受欢迎程度。而最近呈现的两大趋势是，由大公司支持的框架越来越受欢迎，如谷歌的TensorFlow、Facebook的Pytorch，亚马逊的mxnet等，以及TensorFlow在受欢迎程度上相对其他语言表现出越来越明显的优势。

AI领域各类任务成绩

2017年：自2010年以来，图像标注的错误率从28.5%下降到2.5%以下。

此外，在视觉问答、词语解析、语音识别、定理证明等众多领域，报告也做了详细阐述。报告显示，在某些领域AI还是距离人类成绩相差甚远。以视觉问答为例，截止2017年8月，最好的AI系统准确率还不到70%，而人类水平在85%左右。

2018年：2017年是ImageNet比赛的最后一届，2018年这项比赛就不再进行。可以看出，到2015年，机器在图像分类任务上的能力已经明显超越了人眼。

ImageNet挑战赛“退休”之后，CV领域的朋友们就把重点放在了微软的COCO，挑战语义分割和实例分割。四年来，COCO数据集上图像分割挑战的精确度已经提升了0.2，2018年的成绩比2015提升了72%。在确定句子结构这种语法分析的任务上，2003年到2018年的15年间，AI的表现（F1 Score得分）提升了将近10%。

对比总结：AI各领域的任务成绩在飞速提高，在某些领域甚至已经开始反超人类。可以看到随着AI能力的进一步提升，在不久的将来，更大范围上，AI的普遍能力将超过人类。

机器人安装数量

2017年：从国际上看，机器人的进口量已经从2000年的10万台左右增长到了2015年的25万台左右。

国际数据公司（IDC）预测对机器人的消费将在五年内加快，到2021年达到2307亿美元，复合年增长率（CAGR）为22.8%。

2018年：2012年到2017年，中国机器人年安装量增长了500%，其他地区，比如韩国和欧洲，分别增长了105%和122%。在安装量较小的地区中，中国台湾比较突出，在2012-2017年增长最快。

对比总结：相较于2017年报告，2018年的报告进一步细分了国际市场。与之前的北美市场相比较而言，中国市场的机器人市场增长速度尤为瞩目，目前已遥遥领先其它国家和地区，

2018年最新补充内容部分

2018年报告进一步细分领域论文发表情况：论文发表速度更加快速

2017年，56％的论文属于机器学习和概率推理领域，而2010年这一数字为28％。对于大多数细分领域，在2014-2017年期间论文的发表速度要快于2010年-2014年。例如，神经网络领域（上图红线）论文的2010-2014年复合年增长率（CAGR）仅为3％，而该领域2014-2017年的复合年增长率为37％。

ArXiv上的AI论文：数量迅猛增长

自2010年开始，arXiv上的AI论文迅猛增长，从2010年的1073篇，到2017年发布的13325篇。其中计算机视觉领域（CV) 是自2014年起增长最快的一个领域 (上图蓝线) 。这一趋势表明AI研究者倾向于传播他们的研究，无论是经过同行的认可亦或经过了顶会的检验，这也说明该领域竞争激烈。

高校AI教授性别：以男性为主

在收集相关数据的过程中，改善师资多样性成了改团队的关注点。在所研究的学校中，他们发现平均80％的AI教授都是男性，在世界各地、各大高校都是如此。

就业性别差异：AI目前还是男人的游戏

在美国，平均而言，男性求职者占AI求职者总数的71%，因为机器学习要求的求职者数量最多，平均而言，这主要是由机器学习求职者推动的。除了机器学习，深度学习和机器人技术相对于其他类别而言，性别差异更大。

政府部门对AI的关注：美国、英国和加拿大的议会记录中提及“人工智能”和“机器学习”的次数快速上升。

这三个国家的议会中，“机器学习”与“人工智能”的提及频率自2016年以来快速上升。相对于而言，“机器学习”在之前被提及的次数基本很少，主要是最近两年开始快速提升。

2018年报告中国内容部分总结

各地区发表论文情况：2007年至2017年在中国发表的论文数量增加了150％。欧洲是AI论文出产大户，2017年Scopus上的AI论文有28%来自欧洲，25%来自中国，17%来自美国。

在领域侧重（RAI）上：中国的AI论文更侧重于工程技术和农业科学

RAI可以看出一个区域的专业倾向，通过将其与AI全球研究活动进行比较。RAI值为1时，表明这个国家在AI中的研究活动与全球一致；高于1时，意味着该国更强调重视这个领域；低于1时，意味着更少关注。从图中可以看出，中国的AI论文更侧重于工程技术和农业科学，而美国和欧洲的AI论文则倾向于关注人文科学和医学与健康科学。

政府、企业和医学界主导研究情况对比：可以看到，从2007年到2017年，中国增长了400%；而企业论文在这期间增长了73%。在美国，相对较大比例的AI论文来源于企业，美国企业的AI论文比例要远高于中国和欧洲。

FWCI是领域权重引用影响系数，可以用来衡量论文的影响力。2016年中国AI论文的被引用率比2000年高出了44%，但整体仍处于平均水平之下。而美国在这方面表现突出，美国作者AI论文的引用率要比世界平均水平高83%。欧洲则一直在平均水平线徘徊。

在AI研究者流动率上，美国、中国和欧洲这三个国家和地区中，中国低流动性（Sedentary“久坐不动”）的AI作者比例最大（76%），其次是欧洲（52%），最后是美国（37%）。调查表明，流动性高的学者发表的AI论文具有更高的引用率和影响力，也更倾向于更频繁地发布论文。

在2018-AAAI顶会上提交的论文中约有70％来自美国或中国。 中国提交的论文数量最多，有1242篇，美国次之，有934篇。但美国机构提交的论文获得了29％较高的录取率，被接受了268篇，中国被接受的论文录取率略低为21％，被录取了265篇。德语和意大利语的论文获得最高录取率（41％），但提交的篇数较少。

在非美国地区的高校AI和ML课程注册人数变化中，清华是非美国高校中增长率最高的，是第二名多伦多大学的2倍左右，而且2017年AI和ML课程注册人数是2010年的16倍。

自2012年以来全球访问ROS.org最多的五大地区，中国的增长速度位居第一。2017年，来自中国的访问次数已经相当于2012年的18倍。

ROS.org表示，来自中国的访问量增长是结构性的，而不是在中国增加市场营销和资源投入的结果。美国和欧洲的访问次数位居前两位。

AI Index 在2018年报告最后表示，人工智能无疑会继续变得更加复杂，得到越来越多的应用，但仍存在许多障碍，既有技术上的障碍，也有偏见和安全方面的障碍。同时，伴随着自动化的普及，大规模失业虽然不会很快到来，但作为一个社会，我们需要准备好迎接工作性质的转变，转向更不稳定、薪酬更低、缺乏医疗保险等安全保障的工作。

现在来说，可靠地测量AI对社会的影响也许为时过早——这个行业才刚刚起步，但我们要为这一切做好准备，了解这意味着什么，以及AI将如何影响日常生活、工作以及医疗保健、教育和执法等公共机构，这与AI研究和产品开发同等重要。只有同时投资于两者，我们才能让世界变得更好。

这份报告试图从学术、工业、政策等角度全面介绍全球人工智能的发展现状，今年的报告更加注重全球数据。报告指出，美国的 AI 研究力量仍是全球最强，但中国的追赶速度很快。报告特别介绍了清华大学学习 AI 课程的学生数量：2017 年人工智能+机器学习课程的入学人数比 2010 年时多 16 倍。

我们很高兴推出 AI Index 2018 年度报告。本年度的报告要实现两个目标：更新上一年的指标以及尽可能地提供全球性的背景。前一个目标是 AI Index 至关重要的使命——为探讨人工智能设定基础，即意味着要持续不断地跟踪规模和技术的进展。但后一个目标也很重要。没有全球化的视野，不可能讲好 AI 故事。2017 年的报告严重偏向了北美地区的活动。这只是因为我们的全球合作关系还有限，并不是因为我们有内在的偏见。今年，我们开始填补这一全球性漏洞。我们认识到，要使本报告真正完备全面，前方还有很长的路要走——会涉及到更多合作和外部参与。

尽管如此，我们仍可以断言 AI 是全球性的。2017 年，Scopus 上 83% 的 AI 论文都来自美国之外。其中来自欧洲的占到了最大的比例(28%)。在全世界范围内，AI 和机器学习(ML)大学课程的入学人数都在增多，尤其值得一提的是中国的清华大学，该校 2017 年人工智能+机器学习组合课程的入学人数比 2010 年时多 16 倍。2017 年，中国生产的工业机器人的数量也占到了世界的最大比重——占全球机器人总出货量的 30%。而且不只是美国、中国和欧洲，其它地方也在推进 AI 的发展。根据我们的统计 AI 专利的方法，韩国和日本在 2014 年产出的 AI 专利分列全球第二和第三，仅次于美国。另外，南非成功举办了第二届 Deep Learning Indaba 大会，这是世界最大型的机器学习教学活动之一，吸引了来自 20 多个非洲国家的超过 500 名参会者。

AI 的多样性不仅体现在地理上。如今，Partnership on AI 已有大约 50% 的成员组织是非营利性的，包括美国公民自由联盟、国际特赦组织、牛津大学人类未来研究所和联合国开发计划署。而且人们也对 AI 领域中的性别和少数族裔多样性的重要性有了更高的认识。AI4ALL 和 Women in Machine Learning(WiML)等组织正在加大力度鼓励和支持代表性不足的群体参与进来。

本文来自：网络大数据

PDF版本将分享到199IT交流群，支持我们发展可加入！

PDF版本将同步到199IT交流群，199IT感谢您的支持！