2021年斯坦福AI指數(shù)報告重磅出爐！中國AI期刊影響力首超美國，視頻處理是新風口

來源：AI科技評論

CV在快速工業(yè)化，大公司正擴大計算鴻溝。

就在剛剛，斯坦福大學正式發(fā)布《2021年人工智能指數(shù)報告》（“Artificial Intelligence Index Report 2021”）！

報告鏈接：https://aiindex.stanford.edu/report/

李飛飛教授十幾分鐘前也在推特上第一時間祝賀該報告的最新發(fā)布，表示會從頭到尾的認真閱讀并獻上對朋友們的敬意。

自 2017 年起，由斯坦福大學主導，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(fā)布 AI 指數(shù)年度報告，全面追蹤人工智能的最新發(fā)展狀態(tài)和趨勢。

“我們用硬數(shù)據(jù)說話。”該報告的負責人——斯坦福大學教授、前任谷歌首席科學家、2019年IJCAI 卓越研究獎得主Yoav Shoham 談到該指數(shù)報告時曾經(jīng)表示。

另外，本報告也是斯坦福以人為本人工智能學院（HAI）成立以來第二次發(fā)布AI指數(shù)報告，HAI是近兩年斯坦福大學成立的由李飛飛教授與哲學家John Etchemend等領導的新部門。

今年的報告，從學術、工業(yè)、開源、政府等方面詳細介紹了人工智能發(fā)展的現(xiàn)狀，并且記錄了計算機視覺、自然語言理解等領域的技術進展。報告章節(jié)如下：

• 一、研究與發(fā)展
• 二、技術表現(xiàn)
• 三、經(jīng)濟
• 四、AI 教育
• 五、AI 應用的道德挑戰(zhàn)
• 六、AI 多樣性
• 七、AI 政策與國家策略

以下是報告重點介紹：

1

第一章：研究與發(fā)展

研發(fā)是AI進步的基礎。自從1950年代技術首次激發(fā)計算機科學家和數(shù)學家的想象力以來，人工智能已發(fā)展成為具有重要商業(yè)應用的主要研究學科。在過去的20年中，AI論文的數(shù)量急劇增加。人工智能會議和預印本的興起擴大了研究和學術交流的傳播。包括中國、歐盟和美國在內(nèi)的主要大國都在競相投資人工智能研究。

1、中國AI頂會論文數(shù)量與引用量不成比例

從 2019 年到 2020 年，人工智能期刊的出版數(shù)量增長了34.5％，比 2018 年至 2019 年高出 19.6％。

2000-2020年AI期刊論文數(shù)量

從全球來看，經(jīng)過同行評審的 AI 論文中，來自學術機構的比例最高。但各區(qū)域中，排名第二的機構有所不同：在美國，企業(yè)研究的學術發(fā)表排名第二，占出版總數(shù)的 19.2％；而在中國與歐盟國家，政府主導的研究機構排名第二，分別占出版總數(shù)的 15.6％ 和歐盟 17.2％。

2000-2019年中國經(jīng)過同行評審的AI論文數(shù)量的機構分布

2020年，中國在 AI 期刊的全球引用量首次超過美國。但是，在過去的 10 年間，美國的AI 會議論文引用量一直高于中國。

2000-2020年AI期刊論文引用量的區(qū)域分布（占世界總數(shù)的百分比）

2000-2020年AI會議論文引用量的區(qū)域分布（占世界總數(shù)的百分比）

相比之下，中國在2019年全球AI會議論文數(shù)量中所占比例已經(jīng)超過美國，論文引用量對比和論文數(shù)量對比有較大差別。自2000年以來，其比例顯著增長。

2000-2020年AI會議論文的區(qū)域分布（占世界總數(shù)的百分比）

另外值得注意的是，在2000年至2019年之間，人工智能會議論文的數(shù)量增加了四倍，而在過去十年中增長趨于平穩(wěn)，2019年的會議論文數(shù)量僅比2010年的數(shù)量高1.09倍，2020年相比2019年則有大幅下降。

2000-2020年AI會議論文數(shù)量

2、新冠疫情使AI頂會參會人數(shù)倍增

由于新冠疫情，大多 AI 頂會都是線上召開，因此出席人數(shù)明顯增加。2020年，九個 AI 頂會（IROS、ICML、CVPR、AAAI、ICLR、ACL、AAMAS、KR、ICAPS）的參會人數(shù)都增加了將近一倍。

2010-2020年參加大型AI會議的人數(shù)

2010-2020年參加小型AI會議的人數(shù)

3、大公司加劇計算鴻溝？

隨著時間推移，大型公司在人工智能會議中的存在率不斷提高 。西部大學、弗吉尼亞理工大學和艾維商學院的研究人員認為，學術界計算能力的不平等分布（他們稱之為“計算鴻溝”）加劇了深度學習時代的不平等現(xiàn)象。

大型科技公司往往擁有更多的資源來設計AI產(chǎn)品，但與精英或規(guī)模較小的機構相比，它們的多元化程度也較低，這引起了人們對人工智能內(nèi)部偏見和公平的擔憂。10個主要AI會議都顯示出公司參與度的上升趨勢，這進一步擴大了計算鴻溝。

《財富》全球500強發(fā)表在AI頂會中的論文數(shù)比例

4、TensorFlow依然領先

TensorFlow（由Google開發(fā)并于2017年公開發(fā)布）在2020年仍然是最受歡迎的AI框架。2020年第二大受歡迎的框架是Keras（也由Google開發(fā)，并基于TensorFlow 2.0構建）。

2014-2020年AI框架的GITHUB STARS數(shù)量

除TensorFlow之外，PyTorch（由Facebook創(chuàng)建）是另一個越來越受歡迎的框架。

2014-2020年AI框架的GITHUB STARS數(shù)量（不包括TensorFlow）

5、AI論文數(shù)量猛增

在過去的 6 年間，發(fā)表在 arXiv 上的 AI 論文數(shù)量增長了 6 倍以上（從 2015 年的 5,478 篇論文增加到 2020 年的 34,736 篇。

2015-2020年發(fā)表在arXiv上的AI論文數(shù)量

在2000年至2019年期間，AI論文的總數(shù)增長了近12倍。2019年，AI 學術論文占全球所有同行評審科學出版物的 3.8％，與 2011 年相比增加了 1.3％，在2000年這一比例為0.82%。

2000-2019年經(jīng)過同行評審的AI論文數(shù)量

2000-2019年經(jīng)過同行評審的AI論文（占總數(shù)的百分比）

 

2

第二章：技術表現(xiàn)

盡管技術的進步使AI系統(tǒng)的部署比以往任何時候都更加廣泛和輕松，但對AI使用的關注也在增長，尤其是在算法偏差等問題上。諸如能夠合成圖像和視頻的新AI功能的出現(xiàn)也帶來了道德挑戰(zhàn)。

1、萬物皆可生成？

AI 系統(tǒng)現(xiàn)在可以合成非常高質量的文本、音頻和圖像，人類甚至無法分辨出合成輸出與非合成輸出之間的區(qū)別。

在過去兩年里，生成模型在STL-10數(shù)據(jù)集中生成令人信服的合成圖像方面進展迅速，圖像真實性越來越高。

2018-2020年生成模型在STL-10數(shù)據(jù)集上的FID得分

2014-2020年GAN人臉生成技術的進步

這些技術將促進大量有利于社會或不利于社會的 AI 下游應用的出現(xiàn)，并促使研究員投入研究檢測生成模型的技術中。比如，DeepFake 檢測挑戰(zhàn)（DeepFake Detection Challenge）數(shù)據(jù)顯示了計算機在區(qū)分不同輸出上的優(yōu)秀能力。

DeepFake檢測挑戰(zhàn)模型的對數(shù)損失變化

2、CV正快速工業(yè)化，視頻處理將是下一個風口？

CV 模型的性能在一些大型基準上開始趨于平緩，這表明社區(qū)需要開發(fā)并就更難的標準達成共識，以對性能進行進一步測試。

ImageNet挑戰(zhàn)的TOP-1準確率變化

COCO密集姿態(tài)估計挑戰(zhàn)的平均精度變化

同時，企業(yè)正在投入越來越多的計算資源，以前所未有的速度訓練 CV 系統(tǒng)。

ImageNet最佳系統(tǒng)的訓練時間和硬件消耗

ImageNet訓練時間分布的變化

ImageNet（到達93%準確率）的訓練成本的變化

而且，在部署系統(tǒng)中使用的技術（例如用于分析視頻中靜止幀的目標檢測框架）正在迅速成熟，表明將進一步部署 AI。

YOLO的目標檢測mAP變化

3、NLP 超越其評估指標

NLP的進展如此之快，以至于技術進步已經(jīng)超過了基準測試。這一點可以從在SuperGLUE上獲得人類水平性能的系統(tǒng)的快速興起看出。SuperGLUE是為響應早期 NLP 進展（超越 GLUE 評估的功能）而開發(fā)的 NLP 評估套件。

SuperGLUE基準

SQUAD 1.1 和 SQUAD 2.0的F1 SCORE變化

GPT-3在42個基準測試上的平均表現(xiàn)

4、AI推理取得顯著進步

大多數(shù)技術問題的度量標準都以固定的基準顯示了每個時間點上最佳系統(tǒng)的性能。針對 AI 指數(shù)開發(fā)的新分析提供了指標，這些指標可以用在不斷更新的基準測試上，也可以用在獲得一段時間內(nèi)一組系統(tǒng)整體性能表現(xiàn)的單個信用系統(tǒng)上。這些分析適用于兩個符號推理問題：自動定理證明（Automated Theorem Proving）和布爾公式的可滿足性（Satisfiability of Boolean formulas）。

在布爾滿足問題上，雖然從2016年到2018年最佳求解器的性能沒有明顯變化，但在2019年和2020年有明顯的改進。

2016-2020年解決所有400個實例的總時間（布爾滿足問題）

在自動定理證明上解決的問題比例持續(xù)上升，表明該領域取得了進展。值得注意的是，從2008年到2013年包括FOF、TF0和TH0子集實現(xiàn)了強勁發(fā)展。

1997-2020年解決的問題百分比（自動定理證明）

5、機器學習正在改變醫(yī)療保健和生物學領域

DeepMind 的 AlphaFold 2應用了深度學習技術，在長達數(shù)十年的蛋白質折疊生物學挑戰(zhàn)中取得了重大突破。

2006-2020年CASP最佳團隊在自由建模中的預測準確度

科學家使用 ML 模型來學習化學分子的表示形式，以進行更高效的化學合成規(guī)劃。

CHEMICAL SYNTHESIS PLANS 基準的TOP-1測試準確率 

AI 創(chuàng)業(yè)公司 PostEra 使用基于 ML的技術，在新冠疫情期間快速找到了相關的藥物。

PostEra：Moonshot提交的藥物總數(shù)（COVID Moonshot是一項眾包計劃，已有500多名國際科學家加入，以加快COVID-19抗病毒藥物的開發(fā)）

“Transformers架構的統(tǒng)治地位令人矚目，該架構最初是用于機器翻譯的，但現(xiàn)在已經(jīng)成為幾乎通用的神經(jīng)網(wǎng)絡架構。更廣泛地說，盡管NLP在利用深度學習方面落后于愿景，但現(xiàn)在看來NLP的進步也正在推動愿景?！?/span>——斯坦福大學Percy Liang

“最近在語言生成方面取得的令人難以置信的進步已對NLP和機器學習領域產(chǎn)生了深遠的影響，使以前困難的研究挑戰(zhàn)和數(shù)據(jù)集突然變得毫無用處，同時鼓勵了新的研究工作投入到這些復雜的新模型中。”——艾倫AI研究所Carissa Schoenick

3

第三章：經(jīng)濟

人工智能（AI）的興起不可避免地提出了一個問題，即技術將在多大程度上影響企業(yè)、勞動力和經(jīng)濟?？紤]到AI的最新進展和眾多突破，該領域為企業(yè)帶來了巨大的利益和機遇，從自動化的生產(chǎn)率提高到使用算法為消費者量身定制產(chǎn)品、大規(guī)模分析數(shù)據(jù)等等。

但是，人工智能所承諾的效率和生產(chǎn)率的提高也帶來了巨大的挑戰(zhàn)：公司必須努力尋找并留住熟練的人才來滿足他們的生產(chǎn)需求，同時要牢記實施措施以減輕使用人工智能的風險。此外，COVID-19大流行給全球經(jīng)濟造成混亂和持續(xù)的不確定性。私營公司如何依靠并擴展AI技術來幫助其企業(yè)度過最困難的時期？

1、AI生物獲得最多AI投資

“藥物、癌癥、分子、藥物發(fā)現(xiàn)”在 2020 年獲得了最大的私人 AI 投資，總額超過 138 億美元，是 2019 年的 4.5 倍。

2019年與2020年AI全球私人投資的領域分布

2、新冠沒有阻止AI人才的工作熱情

2016 年至 2020 年，巴西、印度、加拿大、新加坡和南非是 AI 招聘人數(shù)增長最快的國家。盡管新冠疫情爆發(fā)，但2020年，所有采樣國家的 AI 招聘人數(shù)都還在繼續(xù)增長。

2020年AI招聘指數(shù)的國家分布

2016-2020年AI招聘指數(shù)在不同國家變化

2013-2020年美國的AI招聘信息（占所有招聘信息的百分比）

3、印度AI技術普及度最高？

2015年至2020年的匯總數(shù)據(jù)顯示，印度（全球平均水平的2.83倍）的AI技術相對普及率最高，其次是美國（全球平均水平的1.99倍）， 中國（全球平均值的1.40倍），德國（全球平均值的1.27倍）和加拿大（全球平均值的1.13倍）。

2015-2020年按國家劃分的AI技能相對普及率

4、AI私人投資趨向頭部獨角獸？

越來越多 AI 私人投資集中到少數(shù)的初創(chuàng)公司中。盡管出現(xiàn)疫情，但 2020 年的私人 AI 投資金額比 2019 年增加了9.3％，比2018年至2019年的增長率（5.7％）更高，盡管新成立公司的數(shù)量連續(xù)三年都在下降。

2015-2020年全球新增AI公司數(shù)量

2015-2020年度AI基金公司的私人投資額

2015-2020年AI私人投資的國家分布

5、AI道德問題不受關注？

麥肯錫的一項調(diào)查顯示，盡管越來越多人呼吁解決 AI 使用相關的道德問題，但業(yè)界在解決這些問題的努力上非常少。例如，AI 的平等和公平問題受到公司的關注相對較少。此外，與2019年相比，2020年，越來越少公司將個人隱私視為相關風險，并且受訪者中，正在采取措施來減輕這些特殊風險的企業(yè)百分比沒有發(fā)生變化。

2020年機構認為與采用AI技術相關的風險的比例

2020年機構采取措施以緩解AI帶來的風險的比例

6、新冠疫情沒有阻擋投資者的熱情

盡管疫情造成了經(jīng)濟衰退，但在麥肯錫的一項調(diào)查中，有一半的受訪者表示，新冠疫情對他們在 AI 方面的投資沒有影響，27％ 的受訪者甚至表示 AI 投資有所增加。只有不到四分之一的企業(yè)減少了對 AI 的投資。

COVID-19大流行期間的AI投資變化

7、美國AI人才就業(yè)嚴峻

自 2019 年到 2020 年，美國的 AI 崗位發(fā)布比例有所下降，這也是 6 年以來的首次下降。從 2019 年到 2020 年，美國的 AI 崗位發(fā)布總數(shù)下降了8.2％，從 2019 年的 325,724 個崗位減少到 2020 年的 300,999 個職位。

2013-2020年按國家劃分的AI職位（占所有職位的百分比）

 

4

第四章：AI教育

隨著AI成為經(jīng)濟活動的越來越重要驅動力，想要了解它并獲得從事該領域工作的必要資格的人們對之越來越感興趣。同時，工業(yè)界對AI的需求不斷增長，正吸引著更多的教授離開學術界進入私營部門。本章重點介紹AI人才的流動趨勢。

1、世界頂級大學對AI教育的重視度如何？

2020年 的一項 AI 指數(shù)調(diào)查顯示，過去 4 年間，世界頂級大學均提高了在 AI 教育上的投資。在過去的 4 個學年里，向本科生與研究生傳授 AI 應用技能的課程數(shù)量分別增加了 102.9％ 和  41.7％ ，如下圖所示。

2、AI博士生更多選擇學術界還是工業(yè)界？

根據(jù)計算機研究協(xié)會（CRA）的年度調(diào)查，過去的10年里，在北美地區(qū)，選擇進入工業(yè)界的 AI 博士生更多，而選擇進入學術界工作的較少。

具體而言，過去 10 年選擇進入業(yè)界工作的 AI 博士畢業(yè)生的比例增加了48％ （從 2010 年的 44.4％ 增至 2019 年的 65.7％，如下圖藍線所示）。

相比之下，進入學術界的 AI 博士畢業(yè)生的比例下降了44％（從 2010 年的42.1％ 下降至 2019 年的 23.7％，如下圖紅線所示）。

3、AI專業(yè)在CS博士群體中有多火爆？

根據(jù) CRA 的調(diào)查，在過去的10年里，美國AI 博士畢業(yè)生數(shù)量占比可真謂是一沖再沖、獨占鰲頭———從占 CS 博士畢業(yè)生總數(shù)的 14.2%，上升到了2019 年的約 23％（如下圖所示），而排名二三位的 理論&算法、機器人/視覺占比都是不到10%。

同時，其他以前熱門的 CS 博士學位專業(yè)的人氣則是有所下降，比如網(wǎng)絡、軟件工程和編程語言。相對于2010年，所有編譯器專業(yè)都減少了博士學位的授予數(shù)量，而 AI 和機器人/視覺專業(yè)領域則有了大幅增長。

4、AI 教職人員轉業(yè)界發(fā)展趨勢下降還是增長？

經(jīng)過兩年的發(fā)展，在北美地區(qū)，從大學 AI 教職人員轉到業(yè)界發(fā)展的人數(shù)從 2018 年的 42 人下降至 2019 年的 33 人（其中 28 人是終身教職，5 人是無教職員工）。

其中卡內(nèi)基梅隆大學在 2004 年至 2019 年間的 AI 教職員工人數(shù)最多（16人），其次是佐治亞理工學院（14人）和華盛頓大學（12人）。

5、AI 博士國際畢業(yè)生占比如何？

2019年，北美地區(qū) AI 博士畢業(yè)生的國際學生比例繼續(xù)上升，達到64.3％，相比 2018 年增長了 4.3％。

6、AI 博士國際畢業(yè)生去向如何？

調(diào)查數(shù)據(jù)顯示，大約81.8％的國際畢業(yè)生會留在美國工作，而 8.6％ 的畢業(yè)生則在其他地區(qū)任職。這大概能說明美國對AI博士國際畢業(yè)生的吸引力很強，人才留存率很高。

另外在歐盟國家中，絕大多數(shù)專業(yè)的 AI 學術課程都只是面向碩士生授課。目前，機器人技術和自動化是本科生和碩士生最常學習的課程，而機器學習在短期課程專業(yè)中占最大比例。

5

第五章：AI 應用的道德挑戰(zhàn)

隨著以人工智能為基礎的創(chuàng)新在我們的生活中變得越來越普遍，人工智能應用的道德挑戰(zhàn)越來越明顯，并且受到了嚴格審查。如前幾章所述，各種AI技術的使用會導致意想不到但有害的后果，例如侵犯隱私、基于性別、種族/民族、性取向或性別認同的歧視和不透明的決策等問題。

應對現(xiàn)有的道德挑戰(zhàn)，并在部署之前構建負責任的、公平的AI創(chuàng)新，這一點正從未如此重要過。

本章介紹了為解決隨著AI應用程序的興起而出現(xiàn)的道德問題所做的努力。

1、AI道德關鍵字在論文標題上的體現(xiàn)如何？

自2015 年起，盡管在主流 AI 會議上，論文標題與道德關鍵字相匹配的論文平均數(shù)量仍處于較低水平，但這一數(shù)量已經(jīng)多少有所增加，每年增長大概1到2個百分點如下圖所示。

2、各個國家地區(qū)新出臺了多少AI道德原則？

自2015年以來，政府，私人公司，政府組織和研究/專業(yè)組織一直在編寫規(guī)范性原則文件，以應對AI應用道德挑戰(zhàn)的方法。

AI原則的發(fā)布表明組織正在注意并建立AI治理的愿景。即便如此，所謂倫理原則的泛濫也遭到了倫理研究者和人權從業(yè)者的批評，他們反對與倫理有關的術語的不精確使用以及缺乏制度框架，在大多數(shù)情況下不具有約束力。這些原則的模糊和抽象無法為如何具體實施與AI相關的道德準則提供指導。

下圖顯示了在2015年至2020年期間，共發(fā)布了117篇與AI原則有關的文件。

數(shù)據(jù)顯示，截至2020年，歐洲和中亞地區(qū)的發(fā)布數(shù)量最多（52），其次是北美（41）、東亞和太平洋地區(qū)（14）。

而就推行道德原則而言，在2018年對于包括IBM，Google和Facebook在內(nèi)的科技公司以及英國，歐盟和澳大利亞政府機構在內(nèi)的高科技公司來說無疑是一波小高潮。而推行之后的效果如何就得另說了。

3、AI道德相關的新聞報道主題？

從下圖可以看出，排在前四位的分別是：1、指導咨詢，框架；2、研究，教育；3、人臉識別；4、算法偏差。

4、最受關注的AI倫理新聞話題？

2020年有關AI倫理的話題真可謂是一波未平，一波又起，其中最受關注的 5 個 AI 倫理新聞話題分別是：

1、歐盟委員會發(fā)布AI白皮書；

2、谷歌解雇 AI 倫理學研究員 Timnit Gebru；

3、聯(lián)合國成立 AI 倫理委員會；

4、梵蒂岡發(fā)布AI 倫理計劃；

5、IBM退出人臉識別業(yè)務。

 

6

第六章：AI多樣性

盡管人工智能具有極大地影響社會的潛力，但構建AI系統(tǒng)的人員并不能代表那些系統(tǒng)所服務的人員。盡管多年來人民一直在強調(diào)AI帶來的不利因素和風險，但AI勞動力在學術界和行業(yè)中仍然主要是男性為主，并且缺乏多樣性。

種族、性別認同和性取向方面缺乏多樣性，不僅有可能在勞動力中造成權力分配不均的風險，而且同樣重要的是，加劇了人工智能系統(tǒng)產(chǎn)生的不平等現(xiàn)象，并導致不公正的結果。

1、AI多樣性在性別上的寫實？

十多年來，女性AI博士畢業(yè)生和計算機科學終身制教師的比例一直很低。根據(jù)計算機研究協(xié)會（CRA）的年度調(diào)查，北美AI博士女畢業(yè)生平均不到所有博士畢業(yè)生的18％。另一項AI指數(shù)調(diào)查顯示，在全球很多所大學中，女教師僅占所有終身制CS教職員工的16％。

2、AI多樣性在種族上的寫實？

CRA調(diào)查顯示，2019年美國居民AI博士新畢業(yè)生中，白人占45％，亞洲人占22.4％，西班牙裔占3.2％，非裔美國人占2.4％，如下圖所示。

在過去的十年中，白人（非西班牙裔）新計算機博士學位的百分比變化不大，平均占62.7％。同期黑人或非裔美國人（非西班牙裔）和西班牙裔計算機博士學位的比例明顯較低，平均分別為3.1％和3.3％。

3、AI頂會中的黑人研討會？

從下圖可以看出，近年來與 NeurIPS 共同舉辦的A黑人研討會中，2019年的與會者和提交的論文數(shù)量是2017年的2.6倍，而被接受論文的數(shù)量是2.1倍。

4、AI領域中受到的歧視如何？

在Queer在2020年對AI成員的調(diào)查中，幾乎一半的受訪者表示，他們認為該領域缺乏包容性是他們成為AI / ML領域從業(yè)者所面臨的障礙。接受調(diào)查的成員中，有40％以上表示他們在工作或學校中遭受過歧視或騷擾（以及被歧視的次數(shù)），如下圖所示。

 

7

第七章：人工智能政策與國家戰(zhàn)略

人工智能將在未來幾十年內(nèi)塑造全球競爭力，并有望為早期實踐應用者賦予重要的經(jīng)濟和戰(zhàn)略優(yōu)勢。迄今為止，各國政府以及地區(qū)和政府間組織已競相制定以AI為目標的政策，以最大程度地利用該技術，同時解決其社會和道德影響。

自加拿大于2017年發(fā)布全球首個國家人工智能戰(zhàn)略以來，截至2020年12月，其他30多個國家和地區(qū)也都積極發(fā)布了類似的文件。

1、美國如何做的？

2020年啟動了全球AI伙伴關系（GPAI）和經(jīng)濟合作與發(fā)展組織（OECD）AI政策觀察站以及AI專家網(wǎng)絡，促進了政府間共同努力以支持所有人的AI發(fā)展。

在美國，第116屆國會是歷史上最關注AI的國會會議。本屆國會在立法、委員會報告和國會研究服務（CRS）報告中提及AI的次數(shù)是第115屆國會的三倍多。

2019年和2020年的綜合數(shù)據(jù)表明，創(chuàng)新和技術，國際事務和國際安全，行業(yè)和法規(guī)等主題是美國AI政策文件的主要重點，如下圖所示。

2、中國如何做的？

中國是人工智能大國，中國選擇參加了一系列科技雙邊協(xié)議，這些協(xié)議強調(diào)在“一帶一路”倡議的框架下，開展作為數(shù)字絲綢之路一部分的人工智能合作。例如，在“一帶一路”倡議下與阿拉伯聯(lián)合酋長國的中國經(jīng)濟合作中提到了人工智能。

（注：關于中國在AI方面更多政策和戰(zhàn)略，本報告中未提及太多。）

最后，這是一份完整詳盡的全球AI指數(shù)報告，在新的一年為大家從各個方面展示了AI全球圖景，這或許能為各個國家、企業(yè)、組織、個人等做下一步的AI規(guī)劃參考。

更多內(nèi)容請移步完整版報告鏈接：https://aiindex.stanford.edu/wp-content/uploads/2021/03/2021-AI-Index-Report_Master.pdf

往年報告：

斯坦福2019全球AI報告：

https://hai.stanford.edu/sites/g/files/sbiybj10986/f/ai_index_2019_report.pdf

斯坦福2018全球AI報告：

http://cdn.aiindex.org/2018/AI%20Index%202018%20Annual%20Report.pdf

斯坦福2017全球AI報告：

https://hai.stanford.edu/sites/g/files/sbiybj10986/f/2017-report.pdf