劍橋2019年度《AI全景報告》出爐，全方位總結(jié)過去一年來AI領(lǐng)域的研究成果與突破、人才形勢、產(chǎn)業(yè)動態(tài)、政府政策，并作出未來預(yù)測。今年的報告額外關(guān)注中國，專門新設(shè)一章，介紹中國的AI技術(shù)、企業(yè)和應(yīng)用的迅猛發(fā)展。

2019年即將過去一半，劍橋大學(xué)的兩位研究人員近日推出了本年度的State AI 2019全景報告。

本報告基本沿襲去年的大體框架，從產(chǎn)業(yè)、人才、政策、預(yù)測等方面對過去一年來AI領(lǐng)域的技術(shù)的新進步、產(chǎn)業(yè)格局的新變化、政府政策的新特點等方面進行了總結(jié)，并作出關(guān)于未來的預(yù)測。

報告地址：

https://www.slideshare.net/StateofAIReport/state-of-ai-report-2019-151804430

值得一提的是，與去年不同的是，2019年的報告為中國單列一章，介紹中國AI技術(shù)在日常消費、機器人、半導(dǎo)體等領(lǐng)域的進步。

本文重點對報告中的AI研究、AI人才以及中國三部分內(nèi)容作出介紹。

AI研究與技術(shù)突破：游戲、NLP、醫(yī)療全面開花

強化學(xué)習(xí)開疆擴土：在多項競技性游戲中擊敗人類

目前已經(jīng)被AI統(tǒng)治的游戲包括《蒙特祖瑪?shù)膹?fù)仇》、《星際爭霸2》、《雷神之錘3》，在DOTA2上游戲水平實現(xiàn)大幅進步。未來的游戲AI可能讓人類更加遙不可及了。

未來，研究人員有望利用強化學(xué)習(xí)訓(xùn)練單個機器人來完成多個復(fù)雜任務(wù)，無需針對每個任務(wù)進行專門的再學(xué)習(xí)。

基于好奇心機制的探索：在獎勵稀疏或無獎勵機制的條件下，智能體可以依賴“好奇心”解決問題。

面向在線計劃學(xué)習(xí)動態(tài)模型：模型可從圖像中快速學(xué)習(xí)環(huán)境動態(tài)信息，準確預(yù)測數(shù)個時間段后的獎勵。

研究成果逐步進入實際生產(chǎn)環(huán)境：在眾多機器學(xué)習(xí)框架和工具的支持下，F(xiàn)acebook發(fā)布的開源端對端平臺Horizon，推進大規(guī)模生產(chǎn)環(huán)境下的系統(tǒng)優(yōu)化，如信息聯(lián)想、視頻流質(zhì)量、通知服務(wù)優(yōu)化等。

生命科學(xué)中的新突破：AlphaFold精準預(yù)測蛋白質(zhì)的折疊結(jié)構(gòu)

NLP大豐收：預(yù)訓(xùn)練語言模型大展身手

新的預(yù)訓(xùn)練模型不斷涌現(xiàn)，各大數(shù)據(jù)集新紀錄常看常新。Google AI的BERT, 、Transformer，艾倫研究所的ELMo、OpenAI的Transformer、 Ruder和Howard的 ULMFiT、微軟的MT-DNN等爭奇斗艷。

神經(jīng)機器翻譯：無需雙向文本

自然語言模型學(xué)會常識推理

對機器學(xué)習(xí)領(lǐng)域的數(shù)據(jù)隱私和保護越來越重視

醫(yī)學(xué)領(lǐng)域大展身手,診斷堪比人類專家

診斷眼疾

使用兩個階段機器學(xué)習(xí)方法，AI模型給出了專家級的眼疾診斷和治療參考建議

利用心電圖檢測心律不齊，達到人類醫(yī)生水平

超過60萬的X光片數(shù)據(jù)集已經(jīng)被分享出來，但遠遠不夠

用于成像診斷的深度學(xué)習(xí)模型可以很好地擬合數(shù)據(jù)集，但是它們難以推廣到新的數(shù)據(jù)分布。盡管改進了這個新數(shù)據(jù)集的文檔，但標簽定義很淺

使用醫(yī)生筆記中的NLP提取標簽存在挑戰(zhàn)：容易出錯且容易受到影響。放射學(xué)報告中包含的信息不足，大多數(shù)標簽類別的錯誤率為5-15％

大量重復(fù)掃描，其中70％的掃描來自30％的患者。這減少了數(shù)據(jù)集的有效大小及其多樣性，影響訓(xùn)練模型的普適性

研究人員從聽覺皮層的神經(jīng)活動中重建語音

哥倫比亞大學(xué)的研究人員使用侵入性腦電圖來測量5名接受癲癇治療的患者在連續(xù)收聽語音時的神經(jīng)活動

反過來使研究人員能夠通過大腦活動的聲碼器合成語音。通過聲碼器測試單個數(shù)字“口語”時，系統(tǒng)的準確度達到75％。與基線線性回歸方法相比，深度方法將語音的可懂度提高了65％

該研究表明，大腦計算機界面有可能恢復(fù)癱瘓患者的溝通

使用蒙特卡羅樹搜索神經(jīng)網(wǎng)絡(luò)通過訓(xùn)練1240萬個反應(yīng)來解決逆向合成

一個由三個NN（3N-MCTS）構(gòu)建的系統(tǒng)：

通過提出有限數(shù)量的自動提取轉(zhuǎn)換來指導(dǎo)向有希望的方向搜索

預(yù)測擬議的反應(yīng)是否實際可行

估計位置值并迭代

這種方法比最先進的計算機輔助綜合計劃快得多。實際上，3N-MCTS解決了超過80％的分子測試集，每個目標分子的時間限制為5秒。

相比之下，一種稱為最佳第一搜索的方法，其中通過神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)函數(shù)可以解決40％的測試集。使用手動編碼啟發(fā)式功能設(shè)計的最佳首次搜索執(zhí)行最差：它在5秒內(nèi)解決了0％。

AutoML：神經(jīng)網(wǎng)絡(luò)架構(gòu)和超參數(shù)的進化算法

共同優(yōu)化超參數(shù)，最大化網(wǎng)絡(luò)性能，同時最小化復(fù)雜性和大小

之前的AutoML工作使用RL單獨優(yōu)化超參數(shù)或網(wǎng)絡(luò)架構(gòu)。遺憾的是，RL系統(tǒng)要求用戶事先為算法定義適當?shù)乃阉骺臻g以用作起點，可以針對每個層優(yōu)化的超參數(shù)的數(shù)量也是有限的

此外，計算非常繁重。為了生成最終的最佳網(wǎng)絡(luò)，必須對數(shù)千個候選架構(gòu)進行評估和訓(xùn)練，這需要大約100k GPU小時

另一種選擇（Learning Evolutionary AI Framework：LEAF）是使用進化算法進行超參數(shù)和網(wǎng)絡(luò)架構(gòu)優(yōu)化，最終產(chǎn)生更小，更有效的網(wǎng)絡(luò)

例如，LEAF與手工制作的數(shù)據(jù)集特定網(wǎng)絡(luò)（CheXNet）的性能相匹配，用于胸部X射線診斷分類，并且優(yōu)于Google的AutoML

AutoML：使用真實的設(shè)備性能反饋設(shè)計資源受限的網(wǎng)絡(luò)

基于CNN的自動化架構(gòu)搜索的步伐正在加快：Facebook與谷歌的競爭加劇

谷歌展示了一種基于RL的多目標方法（MnasNet），可以在Google Pixel平臺上測量具有低實際推理延遲的高精度CNN模型。該系統(tǒng)在Pixel手機上達到74.0％的Top-1精度，延遲為76ms，比MobileNetV2快1.5倍

Facebook提出了一種可區(qū)分的神經(jīng)架構(gòu)搜索（DNAS）框架，該框架使用基于梯度的方法在分層搜索空間上優(yōu)化CNN架構(gòu)。FBNet-B實現(xiàn)了與MnasNet相同的Top-1精度，但延遲僅為23.1ms，搜索成本降低了420倍

GAN的最新技術(shù)水平在不斷發(fā)展：從顆粒到GANgsta

較大的模型和大批量訓(xùn)練進一步提高了使用GAN生成的圖像的質(zhì)量

GAN中的最新技術(shù)水平在不斷發(fā)展：從面部到全身

通過將面部與口語相匹配（左），電影只需設(shè)置一次，即可以不同語言生成相同的視頻。下一步是從頭到腳生成整個身體，目前用于零售目的（右）

在圖像和視頻操作之后出現(xiàn)逼真的語音合成

從單個圖像中學(xué)習(xí)對象的3D形狀

模型輸出10個不同類別（如汽車、摩托車、行人、交通錐等）的3D邊界框，類特定屬性（如汽車是否正在行駛或停車）并提供當前速度矢量。

AI人才：五大國雇傭了72% 專家，論文引用率只有中國增長

人才方面，以研究論文的產(chǎn)出衡量，谷歌是最具生產(chǎn)力的一個組織。上圖為在人工智能頂會NeurIPS 2018上，谷歌發(fā)表的論文最多，其次是MIT、斯坦福、CMU和加州大學(xué)伯克利分校。

在NeurIPS、ICML或ICLR上發(fā)表論文的4000名研究人員中，88%是男性。

大型科技公司高級工程師的年薪接近100萬美元。

另一方面，數(shù)據(jù)標簽工作也有了巨大的增長，尤其是在中國。這類工作的最低工資可低至每小時10元人民幣。

神經(jīng)網(wǎng)絡(luò)的先驅(qū)、Yann LeCun、Geoffrey Hinton和YoshuaBengio獲得了圖靈獎，這是計算機科學(xué)的最高獎項。

歐洲發(fā)表的AI論文最多，但在平均引文率這個指標上，只有中國是增長的。

該領(lǐng)域論文的數(shù)量整體是增長的，不同地區(qū)論文的平均被引量表明，只有來自中國的論文變得更有影響力了。美國作者發(fā)表的論文被引用的次數(shù)比全球平均水平高出83%。

MIT在計算與人工智能領(lǐng)域新增10億美元投資。在3.5億美元捐贈的支持下，MIT新的計算學(xué)院將把MIT重新定位為向所有研究領(lǐng)域注入AI教育，提供了50個新的教職，使MIT在該領(lǐng)域的學(xué)術(shù)能力翻了一番。

大學(xué)里人工智能相關(guān)課程的注冊人數(shù)也在增長，中國的增長尤其快。

與2012年相比，清華大學(xué)和斯坦福大學(xué)的人工智能課程注冊人數(shù)分別增加了近16倍和5倍。

但人工智能課程中教授和學(xué)生的性別多樣性仍遠未達到平等。平均而言，80%教AI的教授是男性，75%的學(xué)AI的本科生是男生。

這造成的一個結(jié)果是，在美國，申請AI方面職位的人中71%是男性。

Element.AI 2019年進行的一項AI人才調(diào)查顯示：

對22400名個人作者在21個機器學(xué)習(xí)會議上發(fā)表的論文進行調(diào)查：只有19%的學(xué)術(shù)作者和16%的行業(yè)作者是女性。

44%的作者在美國獲得博士學(xué)位，11%來自中國，6%來自英國。

五大國家——美國、中國、英國、德國和加拿大——雇傭了72%的作者。圖上的圓圈表示每個國家在會議上發(fā)表論文的研究人員數(shù)量。

同樣是Element.AI，從AI人才流入和流出來看，加拿大、英國和瑞士都是“平臺國家”，既吸引外國人才，又輸出本土培養(yǎng)的人才。美國和中國的生態(tài)系統(tǒng)更為成熟——流入和流出都較低。

但雇傭AI研究人員進入公司的趨勢似乎正在放緩。據(jù)稱，科技巨頭凍結(jié)或減少了對AI研究人才的招聘。這可能是一個跡象，表明企業(yè)現(xiàn)在需要人才來將應(yīng)用研究投入生產(chǎn)。

人工智能技術(shù)已經(jīng)滲入中國企業(yè)

人臉識別已經(jīng)成為日常消費付款方式。

養(yǎng)雞業(yè)：2016年，京東推出了一項“小雞快跑(running chicken)”計劃，幫助中國農(nóng)業(yè)地區(qū)減少貧困。根據(jù)該計劃，該公司將購買任何自由放養(yǎng)的雞肉，只要其步數(shù)超過100萬步，且價格是當前市場價格的三倍。現(xiàn)在，京東已經(jīng)擴展了該項目，將人工智能工具整合到畜牧工作流程中。這包括自動喂食、澆水和清除廢物。人工智能系統(tǒng)還將監(jiān)測和識別雞的食物攝入量、排便情況和其他生理狀況，如發(fā)病情況。如果一只雞生病了，專家會在網(wǎng)上提供醫(yī)療服務(wù)和處方藥物。

養(yǎng)豬業(yè)：在Dekon集團、特區(qū)集團和阿里巴巴云的合作中，計算機視覺和語音識別系統(tǒng)被用來通過紋在豬腹部的數(shù)字來識別個體豬，還可以監(jiān)測小豬發(fā)出的痛苦叫聲。到2020年，Dekon計劃每年飼養(yǎng)1000萬頭豬。

蟑螂養(yǎng)殖：好醫(yī)生集團在四川省每年生產(chǎn)60萬只蟑螂。他們利用人工智能系統(tǒng)收集和分析多達80種蟑螂的特征，如濕度、溫度和食物需求，這些特征可以刺激蟑螂的生長和繁殖速度。

中國企業(yè)的研發(fā)支出增長迅速但顯著落后于市場份額。美國企業(yè)仍占全球科技支出的61%。

中國半導(dǎo)體貿(mào)易逆差正(緩慢)上升。下圖反映了中國半導(dǎo)體銷售和采購的趨勢。

在過去的三年里，一些中國的工業(yè)企業(yè)已經(jīng)自動化了40%的勞動力。這可能部分歸因于自2012年以來，中國每年的機器人安裝數(shù)量增長了500%(歐洲為112%)。然而，目前尚不清楚AI軟件在多大程度上在運行這些已安裝的機器人或者是否有助于它們的發(fā)展。中國工業(yè)自動化水平不斷提高，就業(yè)崗位不斷流失。

京東上海配送中心每天使用自動化倉庫機器人組織、挑選和運送20萬份訂單。這個設(shè)施由四名工人照管。京東的倉庫數(shù)量和表面積同比增長45%。

2018年，有33家中國企業(yè)在美國上市，同比增長2倍，接近2010年的歷史最高水平。

發(fā)明專利的審批過程充滿挑戰(zhàn)，一旦獲得批準，將獲得20年的保護。實用新型和外觀設(shè)計專利都有10年的使用壽命，不需要經(jīng)過嚴格的審查，可以在不到1年內(nèi)授予。這種雙重專利制度使中國在專利方面領(lǐng)先于其他國家。中國企業(yè)擁有的專利最多，但2017年“發(fā)明專利”僅占23%。

91%的5年設(shè)計專利(左)和61%的5年實用新型專利(右)被放棄。相比之下，美國5年歷史專利的維護費占85.6%。

中國目前出版的機器學(xué)習(xí)影響較大的學(xué)術(shù)研究現(xiàn)狀。

中國發(fā)表的ML研究已經(jīng)超過美國。艾倫研究所(Allen Institute)最近的一項分析顯示，中國在質(zhì)量方面的差距也在迅速縮小。