15张图表带你速览2023人工智能最新趋势
「中国人工智能研究论文总数已经超过了美国，成为全球第一」
「人工智能初创企业获得的资本青睐越来越少」
「主流NLP系统也存在种族歧视」
这些话题都出自斯坦福大学Human-Centered人工智能研究所近期发布的「2021年人工智能指数报告」。报告内容覆盖AI研发、技术性能、经济、教育、道德、多样性以及各国相关政策和国家战略等大量内容。
这份报告长达222页，包含大量数据和图表，我们从中精选了15份图表，带你速览这份斯坦福「2021年人工智能指数报告」，了解2021年人工智能发展现状。
作者|ElizaStrickland
编译|机器之能
「2021年人工智能指数报告」由斯坦福大学Human-Centered人工智能研究所，以及来自哈佛大学，经济合作与发展组织，thePartnershiponAI合作组织和SRIInternational的11名专家组成的指导委员会共同编制。这份报告引用了大量AI研究数据，引用了包括：arXiv的AI研究数据，Crunchbase的资金数据，以及对BlackinAI和QueerinAI等团体的调查。
报告对2021年度人工智能最新的研究趋势和进展进行了总结，并分析了资本、政策对AI技术的影响，以及深度学习、图像识别、语言识别等AI主要子领域的研究。
一
人工智能的盛夏
人工智能研究工作正处在爆炸增长期：2019年全球发布了超过12万篇人工智能研究领域的同行评审论文。自2000年以来，人工智能领域论文在同行评审论文中的占比，从0.8%一路攀升至2019年的3.8%。
二
中国在人工智能研究领域取得显著成就
自2017年中国研究人员发表的同行评审论文首次超过欧洲以来，中国的人工智能研究论文数量持续上升。到2020年，中国研究人员发布的人工智能研究论文在权威期刊的引用率已经领先全球。
AI指数指导委员会联合主任JackClark表示，这些数据对中国来说似乎是「学术成功的指标」，也在一定程度上映射出不同国家在人工智能生态体系建设方面的现状。他认为研究论文更像是一种学术权威认证，一个领域的学术性越弱，其行业实用性可能会越强。他指出：「中国有获得期刊出版物的明确政策，政府机构在研究中发挥更大的作用，而在美国，大部分这方面的研发主要集中在企业内部。」
三
快速训练=更好的AI
MLPerf以训练速度与硬件的关系为基础，分析了机器学习的系统性能，客观地对机器学习系统性能进行排名。通过对各种图像分类器系统在标准ImageNet数据库上进行培训，并根据训练时间进行排名。2018年，训练最佳系统需要6.2分钟；2020年，培训最佳系统需要47秒。这一进步也得益于近年来机器学习专用芯片的快速发展。
报告认为，硬件加速对机器学习的影响至关重要。系统训练耗时几秒和几小时的差别巨大，这种差异直接影响着研究人员的想法，以及研究的类型和数量，以及它可能影响到的研究风险。
四
AI不能理解「喝咖啡」？
在过去的几年里，人工智能在静态图像识别方面的进展突飞猛进，而计算机视觉未来必将朝着视频识别的方向发展。研究人员正在构建可以从视频剪辑中识别各种活动的系统，因为如果将机器视觉应用到现实世界（例如自动驾驶汽车、监控摄像头等），这种类型的识别可能会大有用处。计算机视觉性能的基准之一是ActivityNet数据集，其中包含来自2万个视频的近650小时镜头。在其中显示的200项日常生活活动中，人工智能系统在2019年和2020年都很难识别「喝咖啡」这项活动。这似乎是一个主要问题，因为喝咖啡是所有其他活动的基本活动。无论如何，这是未来几年值得关注的领域。
五
自然语言识别需要更难的测试
自然语言处理（NLP）的迅速崛起似乎遵循了计算机视觉的轨迹，在过去十年中，计算机视觉从学术领域的分支专业发展成为广泛的商业部署。今天的NLP也由深度学习驱动，JackClark认为，NLP继承了计算机视觉工作的策略，例如对大型数据库的训练和特定应用程序的微调。他说：「我们看到这些创新非常迅速地流向人工智能的另一个领域。」
JackClark表示，衡量NLP系统的性能正在变得很棘手，学术界一直在研发更为困难的AI测试系统和指标，但无论何种系统总会在六个月内出现新的AI击败它。这份图表显示了两个版本的阅读理解测试SQuAD的表现，人工智能语言模型必须根据一段文本回答多项选择题。2.0版通过包含无法回答的问题来使任务更加困难，模型必须识别这些问题，并且不回答。一个模型在第一个版本上花了25个月才超过人类的性能，但另一个模型只花了10个月就完成了更艰巨的任务。
六
NLP也存在「种族歧视」
语音识别和文本生成等任务的语言模型总的来说已经非常完善了。但即便在主流的成熟商业NLP系统中仍存在认知偏差，如果这些问题不得到解决，则可能会严重影响这些技术的商业应用。
例如AI系统也存在种族歧视问题，图表显示了几款较为成熟的商业化语音识别程序的错误率。
虽然系统存在认知偏差，但大多数研究人员只注重系统性能，而很少有人会去注意到这种偏差。这个问题在未来很可能会阻碍各种形式的人工智能发展，包括计算机视觉和决策支持工具。
七
AI就业市场全球化
据LinkedIn数据显示，从2016年到2020年，巴西、印度、加拿大、新加坡和南非的人工智能岗位增长最快。而这并不意味着这些国家的绝对就业机会最多（美国和中国仍占据AI就业机会的首位），但这些国家对人工智能的投入将会对人工智能技术以及整个社会的发展产生积极影响。LinkedIn发现，2020年的全球疫情并未对AI领域的工作岗位招聘造成丝毫影响。
值得注意的是，印度和中国的人才对LinkedIn的应用并不广泛，因此这些国家的人才市场状况在LinkedIn上的数据并不具有充分的代表性。
八
企业对AI的投资热度「不想停，也不会停」
自2015年以来大量资金持续涌入人工智能领域。2020年，全球企业对人工智能的投资飙升至近680亿美元，比前一年增长40%。
九
创业狂潮接近尾声
从前面一张图表可以看出，AI领域的企业投资持续增长，但在增长的背后，却是增速逐年放缓。这张图表显示，AI初创企业得到的投资越来越少。虽然疫情可能对初创企业的活动产生了影响，但AI初创企业数量下降的明显趋势始于2018年，从好的方面来看，这似乎是行业正在逐步走向成熟的信号。
十
新冠病毒带来的影响
虽然人工智能的许多趋势在很大程度上没有受到全球疫情的影响，但这张图表显示，2020年的AI投资更偏向于全球应对新冠病毒中发挥重要作用的单位。制药相关公司投资的激增就很好的说明了这一点。而对教育技术和游戏的投资增长，也与2020年疫情隔离导致人们把更多时间花费在电脑前有直接关系。
十一
风险？有风险吗？
大量企业在电信、金融服务和汽车等行业稳步增加人工智能工具的应用。然而，大多数公司似乎不知道或不关心这项新技术带来的风险。麦肯锡在一项研究中调查了企业对AI应用相关风险的认知，只有网络安全风险受到了半数以上受访者的关注。与人工智能相关的伦理问题，如隐私和公平，是当今人工智能研究领域最热门的话题之一，然而这些问题并未引起企业的足够重视。
十二
AI领域的博士们正在涌入企业
AI领域的学术工作有限，虽然高校增加了本科生和研究生级别的人工智能相关课程，终身制教师职位也相应增加，但学术界仍然无法吸收逐年新增的AI博士。这份图表仅代表北美地区的AI博士毕业生，这些毕业生中的绝大多数正在流向AI企业。
十三
AI的伦理问题
如前所述，很多公司对人工智能的伦理问题重视程度不足，但研究人员对此越来越关心。许多团体正在研究人工智能系统的不透明决策（称为可解释性问题），嵌入偏见和歧视，以及隐私入侵等问题。这份图表显示了人工智能会议上伦理问题的相关论文正在逐年增加，JackClark认为这非常值得高兴。他指出，由于有这么多学生参加这些人工智能会议，几年后，将有大量关注AI伦理的从业者进入行业。
然而，除了会议文件的增加外，在这一问题上业界并没有其他突出的进步。报告强调，人工智能系统中的偏差量化测试才刚刚开始出现。JackClark说，「这些评估体系，就像人工智能科学领域的一个新分支。」
十四
多样性问题（1）
解决人工智能系统中嵌入的偏见和歧视的一种方法是确保构建人工智能系统的群体的多样性。这不是一个激进的概念。然而，报告称，在学术界和行业，人工智能劳动力「仍然以男性为主」。这张图表来自美国计算机研究协会年度调查，数据显示，在北美人工智能相关的博士课程的毕业生中，女性仅占约20%。
十五
多样性问题（2）
来自同一调查的数据讲述了一个关于种族/民族身份的类似故事。这个问题在即将毕业的博士生中似乎相当明显，有许多优秀的科学、技术、工程和数学项目都以女孩和少数族裔为重点。这使我们想到了AI4ALL组织，或许社会可以更加关注这些群体，给他们更多的资助，或者以某种方式参与其中。
参考链接：
https://aiindex.stanford.edu/wp-content/uploads/2021/03/2021-AI-Index-Report_Master.pdf
https://spectrum.ieee.org/tech-talk/artificial-intelligence/machine-learning/the-state-of-ai-in-15-graphs
机器之能面向正在进行数字化转型及智能化升级的各领域产业方，为他们提供高质量信息、研究洞见、数据库、技术供应商调研及对接等服务，帮助他们更好的理解并应用技术。产业方对以上服务有任何需求，都可联系我们。
zhaoyunfeng@jiqizhixin.com
原标题：《15张图表带你速览2021人工智能最新趋势》
阅读原文
微生物+人工智能：开启新一代生物制造
光明图片/视觉中国
新闻事件
近期，中国科学院微生物研究所的吴边团队通过使用人工智能计算技术，构建出一系列的新型酶蛋白，实现了自然界未曾发现的催化反应；并在世界上首次通过完全的计算指导，获得了工业级微生物工程菌株，取得了人工智能驱动生物制造在工业化应用层面的率先突破。成果发表在学术期刊《自然·化学生物学》杂志上。
该项研究不仅降低了传统化学合成中对反应条件的苛刻要求，更重要的是解决了化学合成带来的污染问题。这是人工智能技术在工业菌株设计方向的成功案例，验证了其科学理论基础，也将为人工智能与传统生物产业的互作融合打开新局面。
现代生物制造已经成为全球性的战略性新兴产业，在化工、材料、医药、食品、农业等诸多重大工业领域得到了广泛的应用，根据OECD预测，到2030年约有35%的化学品和其他工业产品来自生物制造。欧、美、日等主要发达国家都将绿色生物制造确立为战略发展重点，并分别制定了相应的国家规划。我国正处于建设创新型国家与加快生态文明体制改革的决定性阶段，紧随并引领世界科技前沿，发展新型绿色生物制造技术，支撑传统产业升级变革，关乎资源、环境、健康，符合国家重大战略需求。
近年来，人工智能技术迅猛发展，其影响开始推广到绿色生物制造领域，尤其是在其核心元件蛋白质的设计方面，发挥了巨大的作用。通过人工智能技术，预测蛋白质结构、设计蛋白质功能，可以极大地扩展人工改造生命体的应用场景，变革性地推动绿色生物制造的发展。蛋白质的工程改造正在经历了从传统实验进化到计算机虚拟设计的演变过程，计算机辅助蛋白结构预测以及新功能酶设计策略得到了前所未有的重视和发展，成为了生物学、化学、物理学、数学等多学科交叉的热点前沿领域。
人工智能“计算”新酶已成为国际热点
酶是生物催化技术中的核心“发动机”，其本质是一种蛋白质。蛋白质的生物学功能很大程度上由其三维结构决定，结构预测是了解酶功能的一种重要途径。《科学》杂志将蛋白质折叠问题列为125个最为重大的科学问题之一。
近年来，随着计算机科学、计算化学、生物信息学等多学科的联合进步，这一问题的解决看到了曙光。尤其是在CASP竞赛推动下，蛋白质结构预测方法和新功能酶计算设计策略得到了迅猛的发展。
设计蛋白质一方面可以揭示蛋白质结构与功能关系的规律，另一方面可以创造具有潜在应用价值的蛋白质。2016年，《自然》杂志发表了题为《全新蛋白质设计时代来临》的重要综述。同年，《科学》杂志也将蛋白质计算机设计遴选为年度十大科技突破之一。2017年，美国化学会将人工智能设计新型蛋白质结构列为化学领域八大科研进展之首。多个来自美国、瑞士等国的科研团队活跃在这个领域，文章发表在《自然》、《科学》等顶级学术期刊上。
我国在工业化应用上率先获得突破
目前，全球微生物酶制剂市场主要由几家跨国企业垄断。与之相比，国内企业在市场竞争中仍然处于不利的位置，以大宗普通微生物催化剂（如淀粉酶、糖化酶）为主，行业呈现出竞争白热化的态势。但我国已经注意到这个问题，并着力改善。2017年5月，《“十三五”生物技术创新专项规划》在坚持创新发展、着力提高发展质量和效益层面，提出拓展产业发展空间、支持人工智能技术等具有重大产业变革前景的颠覆性技术发展要求。
在此规划的指引下，我国的多个研究团队在该领域取得了不俗成绩。例如，中国科学院微生物研究所的吴边团队通过人工智能计算技术，赋能传统微生物资源，在世界上首次完成了工业级工程菌株的计算设计，获得人工智能驱动生物制造工业化的率先突破。该团队不仅设计了β-氨基酸这一类具备特殊生物活性的非天然氨基酸的最优合成途径，还借助人工智能计算手段，成功设计出一系列的β-氨基酸合成酶，并据此构建出能够高效合成β-氨基酸的工程菌株。
不仅如此，微生物研究所还积极推进成果的落地转化。通过与企业的合作，已经建成千吨级的生产线，相关产品潜在市场规模超过30亿，有望在紫杉醇、度鲁特韦与马拉维若等抗癌与艾滋病治疗药物的生产过程中大幅度降低生产成本。中国科技大学的刘海燕团队则提出了一种新的统计能量模型，为搭建具有高“可设计性”的蛋白质主链结构提供了可行性解决方案。2017年，该团队与中科院脑科学与智能技术卓越创新中心杨弋团队合作，设计出了新一代细胞代谢荧光蛋白质探针，并将其应用于活体动物成像与高通量药物筛选，相关成果发表于《自然·方法学》。
除此之外，中国科学院天津工业生物技术研究所的江会锋团队，通过使用人工智能技术进行关键合成酶的发掘，在国际上首次实现了重要中药活性成分灯盏花素的人工生物合成，相关成果发表于《自然·通讯》，引起强烈反响。
建立适合人工智能驱动生物技术的科研环境
开展人工智能设计元件的核心算法与策略研究。人工智能技术应用于生物制造领域最为基础的部分是核心算法与设计策略的创造。考虑到基础研究的难度与特点，建议选拔一批在该领域的拔尖科学家，提供相对稳定的支持，让他们潜心研究、长期攻关、实现更多原创发现，提出更多原创理论，开辟更多领域发展方向。将人工智能技术与蛋白质结构与功能理论、合成化学理论、量子化学理论有机交叉融合，发展新型算法，搭建“高可设计性”系统策略，把控底层核心技术源头，力争实现人工智能关键技术驱动生物制造的国际领跑地位。
拓展人工智能设计元件在生物制造领域的应用场景。在发展算法的基础上，我国还应积极推进人工智能设计在生物制造领域的应用拓展。建议由优势单位组织重大项目，协同全国相关单位联合攻关；发展系统、科学的新型化学应用拓展策略，利用新型生物催化反应改造和优化现有自然生物体系，从头创建合成可控、功能特定的人工生物体系，在创造研究工具和技术方法的基础上，推动化学、生物、材料、农业、医学等多学科的实质性交叉与合作，为天然化学品与有机化工原料摆脱对天然资源的依赖，促进可持续经济体系形成与发展奠定科学基础，全面提升我国生物制造产业的核心竞争力。
推进人工智能驱动生物制造技术的产业发展。创新驱动发展战略需要落实创新成果，创造新的经济增长点。人工智能驱动的生物制造技术的最终价值也应该体现在实实在在的产业活动上，如果没有与上下游的良好生态，再出色的技术或产品也只能是死路一条。建议在技术发展与市场需求的耦合驱动下，坚持产学研多方位的开放联合，消除成果转化过程执行层面仍然广泛存在的种种屏障；重视资本对于技术和产业发展的催化作用，探索设立专项产业发展基金等市场调控手段；在国家层面，协调沟通行业监管机构，破除不合时宜的陈旧政策限制，尽快建立有利于新兴生物技术的政策法规体系；实现资源、能源的节约与替代，加快转变经济增长模式，加速推进绿色与高效低碳生物经济的产业基础格局。
（作者：向华，系中国科学院微生物研究所副所长、微生物资源前期开发国家重点实验室主任）
人工智能在航天领域中有哪些应用
随着科技的不断进步，人工智能已经成为各个领域中的重要驱动力。在航天领域中，人工智能的应用正日益展现出巨大的潜力。航天领域对精确性、自动化和高效性的需求，使得人工智能成为实现这些目标的关键技术之一。人工智能正在以其独特的优势和算法能力，在航天领域中发挥着越来越重要的作用，本文将进一步深入探究人工智能在卫星研发、航天航行、控制系统和数据处理等方面的应用，展示其在航天领域中的精彩表现。
首先，在卫星研发方面，人工智能的应用可以赋予卫星更高的智能化、自动化和精准化能力。在卫星的操作过程中，人工智能算法可以提高卫星的操作效率，使其能够更加快速和准确地完成各种任务。例如，人工智能可以通过学习和分析历史数据，预测卫星的运行状态和故障情况，从而提前采取相应的措施进行修复或调整。此外，人工智能还可以让卫星具备自主处理突发事件的能力，提高卫星系统的自适应性和应急响应能力。
其次，在航天航行方面，人工智能的应用可以实现航天飞行的准确性和可控性的提高。通过利用人工智能的高效算法和自主决策能力，航天器可以更加精确地制定航线规划，考虑到大气层的动态变化、风速和方向等因素，以实现更安全和高效的航行。此外，人工智能还可以对舰载传感器的数据进行学习和分析，从而提高对危险天气和恶劣环境的应对能力，进一步保障航天器的稳定和安全。
在控制系统方面，人工智能的应用可以提高卫星和飞船的控制系统的可靠性和精度。通过算法的优化和模拟，人工智能可以制定更优的控制策略，提高控制系统的响应速度和准确性。同时，人工智能还可以监测和分析卫星和飞船的运行情况，及时发现问题并进行自动调整，防止控制系统的瘫痪和卫星的损坏，确保航天器的稳定运行。
总而言之，人工智能在航天领域中的应用已经引起了广泛的关注，并且持续地取得了令人瞩目的成果。它不仅提高了卫星研发的智能化和自动化水平，还加强了航天器的航行准确性和控制系统的可靠性。此外，人工智能通过快速、高效的数据处理和分析，为航天领域带来更具价值的信息和洞察力。未来，随着人工智能技术的不断发展，我们可以期待更多创新的应用和突破，推动航天科技迈向新的高度。在人工智能的助力下，航天领域将实现更加智能化、自主化和可持续发展，为探索宇宙奥秘和造福人类带来更大的机遇和挑战。