报告统计，2017年，全球ML人才需求是2015年的35倍，从2016年到2017年的增幅尤为明显。全球对AI人才的需求在2016年骤增。

  专利

  2014年，大约30%的人工智能专利发明人来自美国，其次是韩国和日本，各拥有16%。

  在韩国和中国台湾地区，专利的增长速度较快。2014年人工智能专利的数量几乎是2004年的5倍。

  财报电话会议中提及AI和ML的次数

  2015年，科技公司在财报电话会议中提及AI和ML的次数开始有所增加。

  2016年，其他行业提及AI次数才开始增长。

  相比之下，科技行业的公司提及AI和ML的次数远比其他行业多。

  在财报电话会议中，除了科技行业之外，提及AI次数最多的公司，基本上分布在消费、金融和医疗保健行业。

  机器人安装量

  2012年到2017年，中国机器人年安装量增长了500%，其他地区，比如韩国和欧洲，分别增长了105%和122%。

  在安装量较小的地区中，中国台湾比较突出，在2012-2017年增长最快。

  开源框架GitHub标星数

  各框架的标星数反映着他们在开发者群体中的流行程度。不过，因为开发者们日常不会“取关”GitHub项目，所以这些星星都是多年来积攒下的。

  我们可以明显发现，TensorFlow的受欢迎程度在开发者中遥遥领先、稳步增长。

  排除了第一热门，第二名和第三名分别是scikit-learn和BVLC/caffe。

  TensorFlow官方力推的keras排到了第四，但近一年来几无增长势头。

  另外两大热门PyTorch和MXNet分别排到了第七和第六，尤其是PyTorch，作为一个年轻的框架，自2017年初发布以来至今，GitHub标星数至少增长了4倍。获取新用户的势头很猛，不知道其中有多少被TensorFlow逼疯的人类。

  各类任务最新成绩

  这个部分分为CV和NLP两块，分别列举了各主流任务从发展之初到现在的成绩进步情况。

  ImageNet图像识别准确率

  2017年是ImageNet比赛的最后一届，2018年这项比赛就不再进行了。不过，验证集依然有人在用。

  图中，蓝色的线条为ImageNet挑战赛历年的成绩变化，由于每年比赛所用的数据不同，旁边多了一条黄色线条，是以ImageNet 2012验证集为评价标准绘制的。

  可以看出，到2015年，机器在图像分类任务上的能力已经明显超越了人眼，而即使比赛不再继续，学术研究者依然在认真推进该任务的表现。

  这也侧面说明，如果一项工作有了明确的评价标准和固定的挑战内容，研究者们围绕此竞争，更容易让技术在该领域取得突破。

  ImageNet训练速度

  这张图是训练ImageNet图像分类神经网络所需时间的历年变化（当然，是买得起足够计算资源的人和机构所用的时长）。

  从2017年6月的1小时，到2018年11月的4分钟，ImageNet图像分类神经网络的训练速度提升了16倍，除了硬件方面的贡献，算法上的提升也不容小觑。

  图像分割COCO

  ImageNet挑战赛“退休”之后，CV领域的朋友们就把重点放在了微软的COCO，挑战语义分割和实例分割。

  四年来，COCO数据集上图像分割挑战的精确度已经提升了0.2，2018年的成绩比2015提升了72%。不过，目前还没有超过0.5，这一项还有充足的进步空间。

  另外值得一提的是，COCO比赛近年来占据冠军位置的多是来自中国的公司，包括旷视、商汤等计算机视觉独角兽日常包揽数个项目的冠军。

  语法分析（Parsing）

  在确定句子结构这种语法分析的任务上，2003年到2018年的15年间，AI的表现（F1 Score得分）提升了将近10%。

  机器翻译

  在机器翻译任务上，报告拿英语-德语互相翻译举例，评估了AI模型在经典机器翻译评估算法BLEU标准中的表现。

  报告显示，2018年英语转德语的BLEU评分是2008年的3.5倍，德语转英语成绩是2008年的2.5倍。

  机器问答：AI2 Reasoning Challenge(ARC)

  在问答领域，AI表现进步更明显，可以按月计数了。

  报告统计了2018年从四月到11月间，AI在ARC推理挑战赛上成绩的变化：简单组得分从63%提升到69%，挑战组得分从27%提升到42%。

  这些，都仅是半年间的进步。

  机器问答：GLUE

  同样用于机器问答的GLUE基准（General Language Understanding Evaluation）推出至今只有7个月的时间，但目前的表现已经比半年前提升了90%。

  GLUE的推出者、纽约大学助理教授Sam Bowman说，虽然围绕GLUE的大型社区还没有出现，不过已经有了像谷歌BERT这样的代表性技术用了GLUE基准，面世一个月内已经被引用8次。在EMNLP会议中，GLUE时常被讨论，可能会成为语言理解领域中的一个基准线。

  政府提及

  整体来说，自2016年以来，美国、加拿大、英国政府在国会/议会会议中提及人工智能和机器学习的次数激增。

  2016年之前，机器学习很少被提及，与人工智能相比，机器学习在总提及量中只占很小的一部分。

  报告下载

  目前，这份2018年度报告已经开放下载了，可以登录官网获取：

  http://aiindex.org/