近日，AI Index 發布了 2019 年度報告。作為一個用于追蹤 AI 動態和進展的非營利性項目，其報告通常從研發、技術、性能等多個指標出發，對上一年度中 AI 領域的發展進行統計。筆者在了解之后，結合其他各項報告的數據，對AI領域的變化進行了一個歸納與猜想。

一、AI 研究的發展方向逐漸由學術轉向實踐

近年來，人工智能早已成為國家研究機構和企業關注的焦點。隨著大數據時代的到來，以及計算能力的提升，人工智能已成為引領未來的新興技術。世界主要國家也將發展人工智能視為提升國家競爭力以及維護國家安全的重大戰略，并加快出臺相關規劃和政策，力圖在新一輪科技競爭中掌握主導權，從而引領世界。

根據 Scopus 的數據，從 1998 年到 2018 年，經過同行評議的 AI 論文數量增長了超過 300%，占同行評議期刊發表量的 3%，占已發表會議論文數的 9%。毋庸置疑，越來越多的學者正在投身于人工智能的研究之中。

此外，AI 及相關學科的注冊學生數量正在持續快速增長。不僅傳統大學如此，在線學習人數也增速迅猛。從北美的數據來看，AI 已經一躍而為最受北美計算機科學博士生歡迎的學科。而在美國和加拿大，就讀人工智能專業的博士留學生數量持續增加，目前超過 60% 的博士生是國際學生，而 2010 年的同期數字還不到 40%。最關鍵的是，這些 AI 人才最大的流向地是工業界，在2018 年，有超過 60% 的 AI 博士去往工業界，而 2004 年這一數字還是 20%。

所以說，發展人工智能，已經遠遠不是一般意義上的科學技術問題，而是把“信息化”提升為“智能化”這樣一個事關國家前途命運的國家總體戰略的問題。也正基于此，在 2019 年，全球私有部門對人工智能的總投資達到了 700 多億美元，其中對 AI 創業公司的投資為 370 億美元，這是一個對 AI 創業公司極其有力的推動因素。所以國內近年也有曠視科技、極鏈科技等一大批優秀的人工智能相關企業誕生，為中國 AI 的實踐領域添磚加瓦。

二、AI 芯片的進步可能才是進一步拔高人工智能地位的關鍵

雖說摩爾定律已經幾乎是人盡皆知，但 AI 算力的增長仍超出了大部分人的想象。根據斯坦福大學的 DawnBench 項目數據顯示，從 2017 年 10 月到 2019 年 7 月，也就是一年半的時間里，在被廣泛使用的 ImageNet 數據集上訓練一個系統所需的時間就已經從 3 小時降至 88 秒，這意味著能夠將成本從 2323 美元大幅削減至 12 美元。

這種 AI 算力的飛速增長是建立在硬件革命的基石之上的，通過提升專業芯片和其他硬件，人工智能系統的能力被迅速拔高，AI 系統的訓練時間和成本也得到大幅度的削減。

而這種提升也帶來了兩方面的影響。一方面，它讓最前沿的人工智能領域變成了一場鮮有人能參與的“燒錢游戲”，只有那些控制了強大計算機的公司或政府才能取得參賽資格，比如說 OpenAI 就剛從微軟處獲得了十個億美元的資金，以此來支持他們繼續深入研究。另一方面，這種技術的提升也將人工智能推向了世界，為普通人提供了一個接觸人工智能領域的機會。借助于云服務，低成本的硬件和機器學習工具可以被廣泛的普及開來，比如說谷歌的 TPU ，大眾最低只需每小時 1.35 美元便可以租賃使用，大大降低了人工智能入門的門檻。

那么這種趨勢說明了什么呢？由于此前的人工智能一般運用于消費及工作等領域，我們就以工作領域來進行舉例。

在算力得到爆炸式增長前，AI 強大的計算能力可以幫助我們處理大部分重復性的乏味工作，從而實現多方面的效率提升和質量提升，并且順帶減少工作的疲勞性失誤。然而，在涉及到如決策、研究趨勢、預測與規劃之類的工作時，AI 便不能給予我們強大的助力了。

而在硬件革命之后，AI 可以巨幅推進自動化測試和代碼生成過程的速度，且相比人類更精準、更嚴謹。此外，AI 在不斷的訓練中，也會對自動化架構和數據科學進行持續的優化、迭代。從長期來看，在未來，輔助和自動化模型代替編程將會變得非常普遍，AI 對于具體行業能力的掌握也會日漸豐富，它所能替代的工作類型和工作人群也在日益擴大中。

要知道，麥肯錫此前便曾發布過一個報告：在交通、零售、汽車、高科技、消費品等 19 個行業中，人工智能的引入可以創造 3.5 萬億到 5.8 萬億美元的潛在價值，而這些價值不存在于別處，就存在于更有意義的產品和服務、收入的增長、成本的節約、以及消費者剩余這些老生常談之中。借助于 AI 的進步，我們可能會得以挖掘出這部分價值。

三、各國的AI研究重心可能會側重于不同方向

在2018 年，中國政府研究機構發表的 AI 論文比中國企業多出近 300 倍。而這一情況在美國則恰恰相反，企業發表的論文數量比政府下屬機構高出 50% 以上。值得注意的一點是，雖然中國年度 AI 期刊和會議論文發表量早在 2006 年便超過了美國，但直至今日，中國論文的被引相關指數上仍比美國低 50%。這不僅說明中國的論文有很大可能在實踐價值上落后于美國，也側面說明了中國的 AI 企業仍有極大的價值可以挖掘。

此前，美國數據、技術和公共政策交叉研究智庫便曾發布過一份中、美、歐 AI 實力對比報告，從人才、研究、發展、應用、數據、硬件六個角度對三方的 AI 力量進行了對比。報告顯示，美國各方面綜合得分最高，為 44.2 分，中國則以 32.3 分緊隨其后，而歐盟得分僅為 23.5。

其中，中國的頂級AI研究者數量僅為 977 人，遠遠落后于歐盟的 5787 人和美國的 5158 人。可見，雖然中國在應用和數據方面表現突出、在可用于 AI 發展和應用的數據領域建立了強大優勢，但人才方面還是捉襟見肘。而來自 AAAI 會議的相關數據也證實了這一點。據其顯示，來自中國的提交和被接收論文數量最多，但超過 68% 的提交論文，其第一作者是學生，而非從業人員。

AI Index 報告團隊還在報告之外提供了一款分析工具，也就是 Global AI Vibrancy Tool 。它能夠對國家的全局活動進行比較，其中既包括國家之間對比的視角，也包括對特定國家的專門分析。該團隊提供的工具能讓讀者在進行國家比較時自己設置參數，然后從他們認為最相關的視角收獲所需的見解。

通過這個工具可以發現，世界各地其實都存在著 AI 人才聚集的本地中心。比如說，芬蘭擅長 AI 教育，印度則擅長 AI 技能的滲透，新加坡政府對 AI 有很好的系統性支持，而以色列則在對 AI 創業公司的人均私有投資方面出類拔萃等等。也就是說，在大眾普遍認知中，那種 AI 發展只是美國和中國之間的角力的情況，是與現實情況相悖的。未來的 AI 發展，很可能會出現一種各國百花齊放的態勢。

四、人工智能領域仍有著不少的問題亟待解決

盡管人工智能有廣闊的發展前景，但是依然面臨著諸多的挑戰與限制。僅從數據層面來看，就存在著幾處限制與挑戰：

一、需要人工完成訓練數據的標記，否則很難獲取足夠大且全面的訓練資料集；

二、機器學習缺乏可替代性，難以從一個應用直接復制到另一個相似的應用，這意味著大量的時間與金錢會被來訓練新模型，而這會造成大量的資源浪費；

三、數據和算法存在偏差的風險，如不同社會之間文化的差異等等，可能需要更廣泛的步驟來解決；

四、人工智能存在被人為惡意利用的可能性，包括黑客的攻擊和欺詐性的視頻等安全威脅。

此外，深度學習也可能正在面臨困境。深度學習之前一直都是人工智能的主宰，在它成為主流以來的六年里，它已經成為幫助機器感知和識別周圍世界的主要方式。無論是 Alexa 的語音識別還是 Waymo 的自動駕駛汽車，都離不開它的幫助。多年來，深度學習看上去越來越好，不可阻擋地讓機器擁有像人一樣流暢、靈活的智力。

但事實上，深度學習可能永遠不會產生廣義上的“智能”。舉例來說，當外界環境因素發生變化時，人類可以快速適應，人工智能的神經網絡卻不行。無論看起來多聰明的人工智能，都可能在一些細微的變化之中敗下陣來。它需要的是一種另類的推動力，一種幫助它對世界進行推理的能力。

Vicarious 的共同創始人之一、計算機科學家迪利普 · 喬治便曾發言稱，“我們人類不僅僅是模式識別器，我們也在為我們看到的東西建立模型。這些是因果模型——有我們對因果關系的理解。”

結語

人工智能作為一個處于快速發展階段的技術，其重要性與戰略意義不言而喻。最關鍵的是，它與其他產業之間也能形成互補互動，比如說 AI + 物品的物聯網、AI + 視頻的視聯網等等，都可能會成為我們未來生活必不可缺的一部分。

對于國家而言，加快發展人工智能是贏得全球科技競爭主動權的關鍵戰略抓手，是推動科技發展、生產力整體提升的重要戰略。對于 AI 企業而言，如何將人工智能更完美的運用與落地則是它們的生存戰略。

人工智能未來的發展方向在何方，仍舊是我們需要思考的問題。