AI人才需求兩年暴增35倍，斯坦福全球AI報告新鮮出爐！
今天，來自斯坦福AI Index年度報告的AI人才需求居然在兩年暴漲了35倍！
事實上，近年來AI愈發火熱已是不爭的事實，業內對AI人才的猛烈需求也並非無跡可尋——AI人才薪資待遇一路領先、居高不下；企業人才爭奪戰事激烈、手段出奇。
據中新電商分析：從去年開始，斯坦福大學主導、來自MIT、OpenAI、哈佛、麥肯錫等機構的多位專家教授，組建了一個小組，每年發佈AI index年度報告，全面追蹤人工智能的發展現狀和趨勢。
“我們用硬數據說話。”報告的負責人、斯坦福大學教授、前任谷歌首席科學家Yoav Shoham談到這份最新的報告時表示。
今年的報告，從學術、工業、開源、政府等方面詳細介紹了人工智能發展的現狀，並且記錄了計算機視覺、自然語言理解等領域的技術進展。
▌報告要點
一、美國AI綜合實力最強
- 美國的AI論文發佈數量雖然不是第一，但美國學者論文被引用的次數卻是全球第一，比全球平均水平高出83%。
- 2018年美國AI創業公司的數量，比2015年增長2.1倍。而從2013年到2017年，美國AI初創企業獲得的融資額增長了4.5倍。均高於平均水平一倍以上。
二、中國AI追趕速度驚人
- 清華2017年學AI和機器學習的學生數量，是2010年16倍。
- 70%的AAAI論文來自美國或中國，兩國獲接收的論文數量相近，但中國提交的論文總量比美國多30%。
- 基於經同行評議論文數據庫Scopus的數據，2018年發佈AI論文最多的地區是歐洲（28%）、中國（25%）和美國（17%）。
- 與2000相比，2016年中國AI學者論文被引用的次數，提高了44%。
- 中國一年的機器人部署安裝量，從2012到現在增長了500%。ROS.org來自中國的訪問量，2017年比2012年增加了18倍。
三、全球AI發展提速但仍不均衡
- 2017年，全球ML人才需求已經是2015年的35倍。
- 整體來說，自2016年以來，美國、加拿大、英國政府在國會/議會會議中對人工智能和機器學習的提及激增。
- 80%的AI教授是男性，統計數據來自UC伯克利、斯坦福、UIUC、CMU、UC London、牛津和蘇黎世聯邦理工學院。
- 美國AI工作崗位的應聘者中71%爲男性。
看過這份報告之後，人工智能大牛吳恩達總結了兩點：
- AI正在快速發展，不管是學術界還是工業界都是如此。
- AI的發展仍不均衡，在多樣性、包容性方面仍需努力。
以下是這份報告的主要內容▼▼▼
▌AI論文情況分析
發表總量增長迅猛
從1996年到2017年，CS領域的年發表論文增長了約五倍 (6x) ，AI領域的年發表論文增長了約七倍 (8x) 。對比一下，所有學科的年發表論文總量增長了不到兩倍 (<3x) 。
劃重點，AI論文的年發表量，比CS論文增長要快。
各地區AI論文發表情況
2017年，Scopus上面的AI論文，有83%來自美國以外的地方。具體數據是，28%來自歐洲，25%來自中國，17%來自美國。
從2007年到2017年，中國的年發表AI論文數增長了150%。
細分領域論文發表情況
2017年發表的AI論文中，有56%來自機器學習與概率推理這一研究方向。
對比一下，2010年發表的AI論文，只有28%來自這個方向。
另外，圖表裏顯示的大部分研究方向，在2014-2017年間，複合年均增長率 (CAGR) 比2010-2014年要高。
比如，神經網絡這一方向的論文發表數量，2014-2017年之間，複合年均增長率達到37% (如圖中紅色曲線) ，最爲突出。
做個對比，在2010-2014年之間，神經網絡論文發表數，複合年均增長率僅有3%。
arXiv論文
自2010年以來，arXiv論文總體呈現迅速增長，從2010年發佈的1,073篇，到2017年發佈的13,325篇，增長超過11倍 (12x) 。許多細分領域也呈現增長。
這表示，論文作者們傾向於把自己的研究成果傳播出去，不論是經過同行評審還是在AI會議上發表的論文。這也體現了，AI這個領域競爭激烈的特質。
在細分領域中，計算機視覺 (CV) 是自2014年起增長最快的一個 (上圖藍色曲線) ，從1,099篇增長到2017年的4,895篇，漲幅近400%。
AI論文引用量
FWCI是領域權重引用影響係數，可以用來衡量論文的影響力。
報告重新定義了一種“改裝版” (Re-based) 的FWCI，不按地區，而按世界平均值，來計算影響力。
在這個標準之下，雖然歐洲發表的AI論文數高於中國和美國，不過論文影響力曲線比較平緩；相比之下，中國發表的論文影響力增長劇烈：與2000年相比，2016年平均每位中國AI論文作者的引用率增長了44%。
不過在這方面，美國依然全球領先，美國AI論文作者的平均引用率，比世界平均值高出83%。
AAAI論文
AAAI 2018，提交論文，中美佔70%，中選論文，中美佔67%。
中國的論文提交數高出美國約1/3，但二者中選論文數相差無幾，中國入選265篇，美國入選268篇。
▌高校AI課程註冊情況
AI和ML進軍高校的速度提升了不少。
報告顯示，截止到2017年底，AI課程註冊人數是2012年的3.4倍，ML課程註冊人數是2012年的5倍。
其中，UC伯克利的ML課程的註冊人數增長最快，是2012年的6.8倍，但此數值較2016年增長速度有明顯下降。
報告進一步統計了非美國地區院校AI+ML課程註冊人數的變化。結果顯示，清華是非美國院校外增長率最高的高校，幾乎是第二名多倫多大學的2倍。
縱向對比來看，清華2017年AI+ML課程註冊人數是2010年的16倍。
▌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，這三者也領先於其他會議。
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。
這裏最突出的是，ICLR 2018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。
圖表中有兩個高峯期，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，因爲當時正處於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年的增幅尤爲明顯。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次數纔開始增長。
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，基本上分佈在消費、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着他們在開發者羣體中的流行程度。不過，因爲開發者們日常不會“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，作爲一個年輕的框架，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
這個部分分爲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比賽的最後一屆，2018年這項比賽就不再進行了。不過，驗證集依然有人在用。
圖中，藍色的線條爲ImageNet挑戰賽歷年的成績變化，由於每年比賽所用的數據不同，旁邊多了一條黃色線條，是以ImageNet 2012驗證集爲評價標準繪製的。
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”之後，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比賽近年來佔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（F1 Score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：AI2 Reasoning Challenge(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
同樣用於機器問答的GLUE基準（General Language Understanding Evaluation）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Sam Bowman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，可能會成爲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佔很小的一部分。
