最近，斯坦福大学发布了2021年的《人工智能指数报告》。该报告共分七个章节，涵盖了研发、技术表现、经济影响、AI教育、伦理问题、AI多样性以及国家战略等多个领域，系统地跟踪、整合并可视化了与AI相关的数据。这些信息为政策制定者、科研人员、企业高管、媒体和普通公众提供了公正且经过严格验证的全球数据，以帮助他们更直观地理解这一复杂领域。

本报告的目标是在全球范围内成为最具权威性和可信度的AI数据及见解来源。与往年相比，今年的报告特别关注了COVID-19对AI进展的多重影响。

本期内参

原标题：

《人工智能指数2021年度报告》

作者：Jack Clark 等

一、研发

研发活动是推动人工智能进步的基石。自20世纪50年代首次引起计算机科学家和数学家的关注以来，人工智能已发展成为一项具有重要商业应用潜力的研究领域。

报告中所关注的研发指标主要为学术论文，利用Elsevier/Scopus和微软学术图谱（MAG）数据库的数据，以及来源于arXiv预印本和Nesta的数据，旨在了解经过同行评审的期刊论文、会议论文和专利等人工智能相关出版物的数量和影响力。

根据Elsevier Scopus数据库的数据显示，从2000年到2019年，人工智能出版物的总量几乎增长了12倍。同时，这一时期经过同行评审的出版物比例也从2000年的0.82%提升至2019年的3.8%。

2000-2019年经同行评审的AI出版物数量

2000-2019年经同行评审的AI出版物占总数的百分比

自2004年以来，东亚及太平洋地区在全球同行评审的人工智能出版物中占据了最大份额，紧随其后的是欧洲和中亚以及北美地区。

2000-2019年按地区展示的同行评审的AI出版物（占总数的百分比）

在人工智能研究领域，中国、美国和欧盟是三大主要参与者。到2019年，中国在2017年超越欧盟后，始终保持在同行评审的人工智能出版物中占据领先地位。2019年，中国发表的同行评审论文数量是2014年的3.5倍，而同期欧盟的论文数量仅为2014年的2倍，美国则是2014年的2.75倍。

2000-2019年按地理区域展示的同行评审的AI出版物（占总数的百分比）

从发表机构的角度来看，2019年，中国约95.4%的同行评审人工智能出版物与学术界相关，而欧盟和美国的这一比例分别为81.9%和89.6%。需要注意的是，这些机构的附属关系并不互斥，部分作者可能同时隶属于多个机构。

数据显示，除了学术界，政府在中国和欧盟的同行评审人工智能出版物中占有最高比例（2019年分别为15.6%和17.2%），而在美国，企业附属机构则占据了除学术机构外的最高比例（19.2%）。

2000-2019年按机构隶属关系展示的中国经同行评审的AI出版物数量

2000-2019年按机构隶属关系展示的欧盟经同行评审的AI出版物数量

二、技术性能

本章节将深入探讨人工智能不同子领域的技术进展，涵盖计算机视觉、自然语言处理、语音识别、概念学习以及定理证明等领域。为了有效展示这些最前沿技术的发展情况，我们将结合多种定量评估方法，包括常见的基准测试、竞赛奖项以及学术论文的定性分析。

技术进步与人工智能伦理挑战

虽然科技的快速发展使得人工智能的广泛应用变得更加便捷，但人们对于其使用的关注度却在不断提升，尤其是关于算法偏差等问题的讨论愈发热烈。随着新型人工智能技术的出现，比如合成图像和视频的能力，也随之带来了伦理层面的挑战。

1、计算机视觉——图像处理

自20世纪10年代起，图像识别和分类领域逐渐从传统的人工智能方法转向机器学习，尤其是深度学习技术。其中，最为人知的就是2009年由斯坦福大学和普林斯顿大学的计算机科学家共同创建的ImageNet数据集。

ImageNet挑战的核心任务是对图像中的主要对象进行分类，为其分配相应的标签。下方的图示展示了ImageNet系统在性能上的演变，以及算法和基础设施的改进如何帮助研究人员提高图像识别系统的训练效率，显著缩短高性能系统训练所需的时间。

Top-1准确度用于测试人工智能系统对图像标签的正确分配能力，尤其是其预测的单一最有可能的结果是否与目标标签一致。

最新的预训练系统在Top-1准确度测试中，每十次尝试中仅出现一次错误，而2012年12月的系统则每十次尝试中出现四次错误。谷歌大脑团队的模型在2021年1月达到了90.2%的最高准确率。

ImageNet挑战：Top-1准确度

Top-5准确度则考量正确标签是否在分类器前五个预测中出现。其错误率已从2013年的约85%降至2020年的99%左右。

ImageNet挑战：Top-5准确度

随着时间推移，原始准确度的提升使得评估在ImageNet上训练图像分类器所需的标准性能时间变得极具价值，这也揭示了大规模人工智能训练所依赖的计算基础设施的进展。

接下来是MLPerf的结果，这是一项由非营利组织MLCommons发起的竞赛，参赛者利用公共（残差网络）架构训练ImageNet网络，并根据训练系统所需的实际时间进行排名。

在ImageNet的训练时间上，从2018年12月的6.2分钟减少至2020年7月的47秒。同时，为实现这些成果所需的硬件数量也大幅提升。最前沿的系统主要使用“加速器”芯片，自2018年以来从GPU逐步转向谷歌的TPU，取得了同类最佳的成绩。

IMAGENET：培训时间的分配ImageNet：最佳系统的训练时间和硬件

那么，训练一个现代的图像识别系统究竟需要多少成本呢？根据斯坦福DAWNBench团队的研究，答案是2020年仅需几美元，这一数字较2017年大幅下降约150倍。从这个角度来看，2017年10月时，一个参赛者的成本为1100美元，而如今仅需约7.43美元。这一变化体现了算法设计的进步及云计算资源成本的显著降低。

ImageNet：训练成本（准确率达到93%）

2、计算机视觉——视频分析

在视频理解领域，目前的研究仍然主要集中在短时间事件的分析上，例如几秒钟的视频片段。而对较长时间视频的理解则正在逐步引起更多的关注。

视频分析的基准是2015年推出的ActivityNet。

ActivityNet时间动作定位任务

下方图示展示了2020年时间动作定位任务中最具挑战性的活动，以及它们的平均精度与2019年的结果进行对比。喝咖啡（Drinking coffee）依然被认为是2020年最具挑战性的活动。而石头剪子布（Rock-paper-scissors）虽然排名第十，但其准确率的提升相当显著，从2019年的6.6%增加至2020年的15.22%，增长幅度达到129.2%。

2019-20年ActivityNet：最困难的活动，2019-20

目标检测是指在图像中识别特定目标的任务。通常，实际应用中的图像分类与目标检测任务是紧密结合的。评估已部署目标识别系统的改进情况，有效的方法是关注广泛应用的目标监测系统的进展。

YOLO是一个广泛使用的开源目标检测系统。YOLO的进展已体现在其多个变体的标准任务中，这让我们能够更好地理解科学研究如何转化为开源工具的实际应用。

5、语音识别技术的演进

语音识别，也被称为自动语音识别（ASR），是一个让计算机能够理解并将口头语言转换为文本的过程。

自从1962年IBM首次推出语音识别技术以来，这项领域经历了巨大的变革。如今，像Amazon Alexa、Google Home和Apple Siri这样的语音助手，正在日益普及并被广泛应用。特别是深度神经网络的引入，极大地提升了系统的灵活性和预测能力，使得语音识别的准确性和效率不断提高。

2015年，LibriSpeech数据库的问世标志着语音识别研究的一个重要里程碑。这个数据库包含了1000小时的有声读物，为语音识别技术的研发和测试提供了宝贵的资源。近年来，基于神经网络的人工智能系统在LibriSpeech数据库上的表现显著提升，单词错误率（WER）已降低至大约2%左右，接近最佳性能的水平。

6、推理

SAT问题主要涉及一个由逻辑连接词相连的布尔变量的赋值方式，其目的在于判断是否存在某种赋值能够使得相应的逻辑公式为真。在实际应用中，例如电路设计、自动定理证明以及调度问题，这些都可以通过SAT问题来有效模拟和解决。

尽管从2016年到2018年，最佳解算器的性能并未显著提升，但在2019年和2020年，情况却有了显著的改善。这些进步不仅体现在顶尖解算器上，还包括其他竞争者。值得注意的是，2019年中位数解算器的表现已超越往年排名靠前的解算器，而2020年中位数解算器的表现更是与2019年顶尖解算器相当。

2016-2020年各解算器解决400个实例的总时间（越低越好）

2016-2020年单个解算器性能提升的时间夏普利价值贡献（越高越好）

7、医疗与生物学

在过去的25年中，制药行业逐步从利用自然资源（如植物）进行药物开发，转向了使用化学合成分子进行大规模的药物筛选。科学家们借助机器学习模型，能够识别出哪些潜在药物值得在实验室中进行进一步评估，并且找出进行药物分析的最佳方法。通过学习化学分子的表达形式，各种机器学习模型被应用于化学合成规划中。

下图展示了基于包含100万个美国专利反应的免费数据库所训练的模型的Top-1准确率。Top-1准确率指的是模型所预测的最可能的产品与实际报告中的产品一致的概率。数据显示，在过去三年中，化学合成规划的研究水平持续提升。

2020年的准确率相比2017年提升了15.6%。在2020年11月发布的最新分子transformer已经达到了92%的Top-1准确率。

化学合成规划基准：测试准确度TOP-1

为应对COVID-19疫情，基于人工智能的药物发现代码已被开源。COVID Moonshot是一个众包协议，吸引了500多名国际科学家的参与，旨在加快COVID-19抗病毒药物的开发。根据该协议，参与的科学家们自愿公开他们的分子设计。

人工智能初创公司PostEra利用机器学习和计算工具，基于科学家们提交的材料评估制造化合物的难易程度，并生成合成路线。在项目启动初期，Moonshot收到了超过2000份材料，PostEra在不到48小时内便设计了合成路线，而如果完全依靠人类化学家完成该任务，通常需要三至四周的时间。

下图展示了科学家们提交材料的累计数量。Moonshot在短短四个月内收到了来自全球365位科学家的超过10000份投稿。到2020年8月底，众包项目已完成其初衷，现阶段聚焦于优化铅化合物并开展动物实验。截止2021年2月，Moonshot计划在3月底前提名一名临床候选人。

POSTERA:MOONSHOT提交的材料总数

最后，报告的作者邀请人工智能专家分享他们对2020年最重大技术突破的看法。以下是他们的回答摘要，以及部分个人见解的要点。

2020年有哪些令人瞩目的人工智能进展呢？

在当前讨论中，最常提到的两个系统是AlphaFold（DeepMind）这一分子分析模型，以及GPT-3（OpenAI）这一文本生成模型。

2021年，人工智能的发展趋势会是什么呢？

专家们预见，通过运用预训练模型，人工智能将会迎来更多创新性突破。以GPT-3为例，它是一个庞大的自然语言处理（NLP）模型，经过微调后在特定任务中展现出卓越的性能。与此同时，2020年在计算机视觉领域也借助超大图像数据库的预训练模型实现了诸多进展。

在2021年，你对人工智能技术的哪些进步、实施和发展最感兴趣呢？

“我观察到Transformers架构的普及，最初用于机器翻译的它，如今已成为神经网络的标志性架构。更广泛地说，尽管NLP在深度学习应用方面起步较晚于视觉技术，但如今NLP的进步正在反过来推动视觉技术的发展。”—Percy Liang，斯坦福大学

“在语言生成领域的非凡进展，深刻影响了自然语言处理和机器学习的领域，使得一些原本极具挑战性的研究问题和数据库瞬间显得无关紧要。同时，这也激励研究人员投身于对这些复杂新模型的有趣且重要的能力（及其缺陷）的探索。”—Carissa Schoenick，艾伦人工智能研究所

三、经济

人工智能（AI）的崛起不可避免地引发了一个重要问题：其技术将如何影响企业、劳动力市场以及整体经济。在考虑到AI的最新进展和众多突破的背景下，这一领域为企业提供了巨大的机遇，包括通过自动化提升生产力、利用算法为消费者量身定制产品，以及进行大规模数据分析等。

1、就业

在不同国家，人工智能相关职位的增长速度如何？本节首先介绍LinkedIn的数据，这些数据揭示了各国AI行业的招聘情况。

人工智能招聘率是根据在个人资料中标注人工智能技能的LinkedIn用户人数及同月新雇主增加人数与该国LinkedIn用户总数的比率进行计算的。这个比率与2016年的平均月份进行对比。

例如，如果2020年12月的指数为1.05，说明该月的招聘率比2016年的平均水平高出5%。考虑到用户更新个人资料的滞后，LinkedIn采用了按月的对比方式。年度指数则是该年所有月份的平均值。

数据显示，2020年所有被调查国家的就业率都在上升。巴西、印度、加拿大、新加坡以及南非在2016至2020年间的人工智能招聘增长率名列前茅。在分析的14个国家中，2020年人工智能的平均招聘率是2016年的2.2倍。特别是巴西，其就业指数增长超过3.5倍。此外，尽管遭遇COVID-19大流行，2020年14个抽样国家的人工智能招聘人数仍然持续增长。

2020年各国AI招聘指数

2016-20年各国AI招聘指数

在过去七年中，美国、英国、加拿大、澳大利亚、新西兰和新加坡等国家对人工智能劳动力的需求迅速增长。总体来看，2020年人工智能职位占所有职位的比例是2013年的五倍多。在这六个国家中，新加坡的增长最为显著。2020年，新加坡的人工智能职位招聘比例是2013年的13.5倍。

在这六个国家中，美国是唯一一个在2019至2020年期间人工智能招聘职位比例出现下降的国家，这也是该国六年来的首次下滑。这一现象的出现可能与新冠疫情有关，或是由于该国人工智能劳动力市场相对成熟。美国的人工智能职位总数也减少了8.2%，从2019年的325724个下降至2020年的300999个。

2013-20年各国AI职位招聘（占所有职位招聘的百分比）

人工智能技能在不同职业中的普及程度如何？人工智能技能普及指标显示每个职业前50名技能中人工智能技能的平均份额。这些数据是基于LinkedIn用户个人资料中列出的技能、职位及其所在地区等信息进行计算的。

在进行跨国比较时，人工智能技能的相对普及率是依据各国职业人工智能技能普及率之和与全球同类职业平均普及率的比值来计算的。例如，相对普及率为2，表明该国人工智能技能的平均普及率是全球同类职业平均水平的两倍。

在下图所示的样本国家中，2015年至2020年的汇总数据表明，印度的相对人工智能技能普及率最高，达全球平均水平的2.83倍，其次是美国（1.99倍）、中国（1.40倍）、德国（1.27倍）和加拿大（1.13倍）。

2015-20年各国相对AI技能普及率

为了对各行业和样本国家的人工智能技能普及率进行更加细致深入的分析，下图展示了过去五年全球人工智能技能普及率较高的五大行业：教育、金融、硬件与网络、制造业、软件与IT。

在这五个行业中，印度的人工智能技能相对普及率最高，而美国和中国在某些领域也名列前茅。其他一些相对技能普及率超过1的专业领域值得注意，包括德国的硬件、网络及制造业，以及以色列的制造业和教育领域。

2015-20年各行业的相对AI技能普及率

2、 投资

与2019年相比，2020年全球人工智能投资总额（包括私人投资、公开募股、并购和少数股权）增长了40%，达679亿美元。由于COVID-19大流行，许多小企业遭受了巨大的损失。

因此，2020年中，行业整合与并购的增加推动了企业对人工智能的投资总额的增长。2020年，并购占据了总投资的大部分，较2019年增长了121.7%。此外，2020年还发生了几起引人注目的人工智能相关收购，包括英伟达收购Mellanox Technologies和凯捷收购AltranTechnologies。

3、企业活动

在2020年的调查中，应用人工智能的受访者中，以高科技和电信行业的代表居多，这一趋势与2019年的结果保持一致。其次，金融服务业以及汽车和装配行业的受访者也表现活跃。

调查显示，不同的行业在应用人工智能的功能和任务上存在差异，情况与2019年（及2018年）相似。例如，汽车和装配行业的受访者更倾向于在制造相关的任务中应用人工智能，而金融服务行业则在风险相关的功能上使用人工智能的比例较高。此外，高科技和电信行业的受访者表示，他们在产品和服务开发中应用人工智能的比例最高。

从跨行业的角度来看，2020年，企业最有可能将人工智能技术应用于服务运营（如现场服务、客户支持和后台管理）、产品与服务开发以及市场销售等领域。这一现象与2019年的调查结果十分相似。

不同的行业对人工智能能力的需求也有所不同。综合各行业来看，2020年，企业普遍认为机器学习、机器人流程自动化和计算机视觉是实现业务功能所必需的能力之一。

人工智能的教育与伦理挑战

随着人工智能日益成为经济活动的核心驱动力，公众对这一领域的关注度也随之提升。人们渴望掌握人工智能的相关知识，并获取从事该领域所需的技能。同时，产业界对人工智能专业人才的需求不断增加，越来越多的教授选择离开学术界，投身于私营企业。

在2020年，人工智能指数进行了一项调查，旨在探讨全球顶尖大学及新兴经济体中计算机科学系或计算与信息学院在人工智能教育方面的情况，具体涵盖本科课程、研究生课程、人工智能伦理课程以及教师的专业知识和多样性等四个方面。

2016-20年间，学生掌握构建实用人工智能模型所需技能的本科课程数量变化

在过去的四年中，计算机科学系在实用人工智能课程方面的投资显著增加。在18所大学中，教授学生如何构建或部署实用人工智能模型的课程数量从2016-17学年的102门增至2019-20学年的207门，增长幅度达到102.9%。

与此同时，过去四年中，选择或尝试注册人工智能入门课程和机器学习入门课程的学生人数增加了近60%。尽管2019-20学年入门级课程的整体注册人数有所下降，这主要与美国大学课程数量的减少有关，但欧盟的相关课程注册人数却增长了165%。

2016-20年间，参与人工智能与机器学习课程的学生人数变化情况

调查还涉及研究生课程的设置，特别是教授学生建立或部署实用人工智能模型的课程。在过去四年中，相关研究生课程数量增加了41.7%，从151门增长至214门。同时，参与该领域研究的终身教职教师人数也显著上升，从105人增加到167人，增幅为59.1%。

随着人工智能技术的广泛应用，伦理挑战也愈加突出。这些问题包括隐私侵犯、基于性别、种族等的歧视，以及决策过程的透明度等。针对这些伦理挑战，建立公正且负责任的人工智能创新机制显得尤为重要。

自2015年以来，政府、企业及研究机构等多个组织积极制定规范性文件，以指导人工智能应用的伦理管理。这些文件涉及隐私、问责和透明度等多个主题，旨在为解决伦理问题提供框架和评估标准。

虽然伦理原则的发布显示出对人工智能治理的重视，但伦理学者和人权倡导者也对这些原则的有效性提出了质疑，认为缺乏约束力且实施细则不明确。分析显示，人工智能伦理相关的新闻报道在2020年中引起了广泛关注，其中欧盟委员会的人工智能白皮书发布等事件尤为突出。

六、 人工智能的多样性与其影响

人工智能系统对社会的潜在影响是深远的，但值得注意的是，构建这些系统的人员并不一定代表其服务的对象。目前，人工智能行业的从业人员主要是男性，这一现象在学术界和工业界均有所体现。尽管多年来对于缺乏多样性可能带来的负面后果有诸多讨论，但在从业者的多样性方面，依然面临显著挑战。

在种族、性别认同及性取向等方面的单一性，可能导致权力分配的不公，甚至加剧人工智能系统所反映的社会不平等现象。这种局面限制了这些系统能够服务的个人和组织范围，最终可能造成不公正的结果。

1、 性别多样性在人工智能中的体现

本节将探讨一项调查，分析全球顶尖大学计算机系在人工智能教育方面的现状。此外，计算机研究协会（CRA）每年进行的Taulbee调查，关注北美地区信息学、计算机科学及计算机工程领域博士的招生、毕业及就业情况。

调查结果显示，女性在人工智能及计算机科学博士毕业生和终身教职教师中的比例依然偏低。在过去十年内，女性在人工智能博士和计算机科学博士中的平均比例仅为18.3%。

根据全球计算机科学项目的人工智能指数调查，17所大学的数据显示，女性在人工智能领域的终身教职教师中仅占16.1%。

下图展示了选定国家中，男女在人工智能技能普及率方面的差异。数据显示，在大多数调查的12个国家中，女性的人工智能技能普及率普遍低于男性，而印度、韩国、新加坡和澳大利亚在这方面的性别差异相对较小。

2、 民族多样性的现状

根据CRA Taulbee调查，2019年新获得人工智能博士学位的美国居民中，白人（非西班牙裔）占比最高，达45.6%，其次为亚裔，比例为22.4%。相较之下，非洲裔美国人（非西班牙裔）仅占2.4%，西班牙裔占3.2%。

下图展示了2010年至2019年间，美国居民所获得的计算机科学（CS）、计算机工程（CE）和信息学（I）博士学位的种族/民族分布。CRA调查表明，白人（非西班牙裔）新博士的比例在过去十年保持在62.7%左右。

同期，新增的黑人或非裔美国人（非西班牙裔）及西班牙裔计算机博士的比例分别为3.1%和3.3%。由于存在未知案例，无法对2019年新增的人工智能博士与计算机科学博士数量进行直接比较，其中人工智能博士的新增比例为24.8%，计算机科学博士为8.5%。

七、 人工智能的政策与国家战略

在未来几十年内，人工智能将重塑全球竞争格局，并为率先引入这一技术的国家带来显著的经济和战略优势。目前，各国政府及区域性、政府间组织纷纷制定人工智能相关政策，以最大化技术的潜力，并有效应对可能出现的社会与伦理问题。

1、 各国及地区的人工智能战略

为促进人工智能的发展，各国正加快制定相应的战略和措施，以协调政府与政府间的努力。自2017年加拿大发布全球首个国家人工智能战略以来，截至2020年12月，已有超过30个国家和地区发布了类似政策。

以下是部分国家的人工智能战略：

加拿大：人工智能战略为泛加拿大人工智能战略，主要由加拿大高级研究所（CIFAR）负责。该战略注重未来人工智能劳动力的培养，支持主要的创新中心和科学研究，使加拿大成为在经济、伦理、政策和法律方面的思想领袖。资金投入为1.25亿加元（约9700万美元）。

在2020年11月，CIFAR发布了年度报告《AICAN》，跟踪了国家战略的实施进展，涵盖了加拿大人工智能生态系统的增长及其在医疗和社会影响方面的研究。

中国：中国的人工智能战略是全球最全面的之一，涉及研发和人才培养、伦理规范及国家安全等多个领域。战略目标包括：到2020年使行业与国际竞争者保持同步，至2025年成为无人机、语音和图像识别领域的全球领导者，到2030年成为人工智能创新的核心。资金信息未披露。

2019年2月，中国建立了新一代人工智能创新开发区，并在5月通过多方利益相关者联盟发布了“人工智能北京共识”。

日本：人工智能技术战略由人工智能技术战略委员会负责。该战略明确了三个独立的开发阶段，重点分别是数据利用、公共服务扩展及创建综合生态系统。资金信息未披露。

2019年，日本的综合创新战略促进委员会推出了另一项人工智能战略，旨在进一步推进技术发展，解决当前面临的问题。

欧盟：人工智能协调计划由欧盟委员会组织，旨在提升投资并建立人才渠道。该战略强调公私合作，创造数据空间并发展伦理原则。资金每年至少10亿欧元（约11亿美元），战略及其他领域至少49亿欧元（约54亿美元）。

这些多边举措表明，各国组织正以多样化的方法解决人工智能的实际应用问题，并扩大其影响力。许多国家依赖国际组织制定全球性规范，部分国家则积极参与双边协议。

人工智能的伦理问题以及其应用所带来的伦理挑战，已成为国际间努力的重点。日本、韩国、英国、美国及欧盟成员国在这些努力中积极参与。同时，作为人工智能的重要国家，中国也在参与科技双边协议，强调“一带一路”数字丝绸之路下的合作，例如与阿联酋的经济合作中提到的人工智能。

智东西指出，尽管2020年因新冠疫情影响严重，人工智能研究的热情并未减退。机器视觉、语音识别等领域取得了显著进展，同时在药物设计与发现方面的人工智能投资也大幅增加，2020年在“药物、癌症、分子、药物发现”领域的私人投资超过了138亿美元，约为2019年的4.5倍，这在一定程度上得益于疫情对AI研究的推动。