劍橋大學：
2020 AI全景報告
（完整版 .pdf）
下面僅顯示部分内容
O 背景回複"20201005"由于今日頭條背景需求量大，根本不回複，請VOX搜尋"人工智能産業鍊聯盟"進行回複。
全文： 5233 字-25 圖
預計閱讀時間： 14 分鐘
在NeurIPS的獲獎論文中，29%的作者擁有中國大學的大學學位，但其中54%的作者畢業後前往美國攻讀研究所學生博士學位，90%的作者選擇留在美國。劍橋大學2020年人工智能全景報告中有哪些新的觀察結果值得關注？
人工智能是基礎科學與工程實踐相結合的技術領域，近年來融合了越來越多的其他方向。在當今的數字世界中，人工智能将推動技術進步。
近日，劍橋大學2020年版《AI全景報告》終于釋出，這是第三期年度報告。與往年一樣，該報告引用了知名科技公司和研究小組的資料。新的AI Panorama報告以多種方式介紹了AI智能的最新趨勢：研究，人才，行業，政策和未來前景。
該研究的兩位主要作者Nathan Benaich和Ian Hogarth來自劍橋大學。
一、人工智能研究進展
雖然人工智能的發展伴随着開源架構和活躍的社群，但在今年的報告開始時，我們需要用資料來說話，首先要明确人工智能研究并不像我們想象的那麼開放。
在深度學習架構中，正如我們最近所感受到的那樣，研究人員在各種AI峰會論文中廣泛使用PyTorch，占據了大部分原始的TensorFlow位置。
在GitHub上，PyTorch也有比TensorFlow更多的新研究實作：據統計，現在大約47%的實作基于PyTorch，而TensorFlow的這一比例約為18%。
另一方面，大尺寸模型正在推動NLP領域的技術進步，OpenAI的GPT-3等新研究已将深度學習模型中的參數數量推高到數千億。根據目前的雲服務定價，訓練模型每1000個參數的平均成本為1美元，而具有1750億個參數的GPT-3可能花費數百萬美元，一些專家認為這一數字超過1000萬美元。高昂的教育訓練成本使研究人員難以探索新的方向。
雖然AI模型訓練需要越來越多的計算能力，但傳統的計算機架構正在接近摩爾定律的終結。麻省理工學院等大學的研究表明，科學家可能需要數百億美元才能将ImageNet資料集中圖像分類任務的錯誤率從11.5%降低到1%。
然而，提高模型效率的方法也在研究中，OpenAI統計資料顯示，自2012年以來，訓練深度學習神經網絡将ImageNet圖像分類到特定水準所需的計算量每16個月減少一半。
毫無疑問，GPT-3和BERT等模型将NLP領域的研究帶到了一個新的階段。甚至還有無監督的機器翻譯工具可以自動翻譯程式設計語言。在 GitHub 上以 90% 的準确率将C++函數轉換為 Java。
技術的快速發展源于人工智能領域的高研究力度。據統計，全球關于人工智能方法（深度學習、NLP、計算機視覺、強化學習等）的論文數量比2017年以每年50%的速度增長，到2020年，我們可能會看到超過21，000篇人工智能的新論文。
然而，如今大多數機器學習應用都是由統計學來運作的，忽視了人類學習知識、因果推理這一重要方法。因果推理是為患者找到診斷和治療計劃的更好方法。Judea Pearl和Yoshua Bengio等人工智能先驅一緻認為，因果推理是機器學習系統更好地推廣、更強大、更響應決策的新方向。
二、AI人才：美國主導
近年來，人工智能領域研究人員的分布顯示出幾個新趨勢。
人才流動
首先，學者面臨人才流失，美國的許多研究教授離開大學，為科技公司工作。從2004年到2018年，谷歌、DeepMind、亞馬遜和微軟已經從美國大學聘請了52名終身教授。卡内基梅隆大學、華盛頓大學和伯克利大學在同一時期失去了38位教授。值得注意的是，僅在2018年就有41名人工智能教授離職。
從人工智能峰會的角度來看，具有中國教育經驗的研究人員近年來為人工智能研究做出了突出貢獻。以國際人工智能之巅NeurIPS 2019為例，獲得論文的作者中有29%在中國獲得了大學學位。
但從中國大學畢業後，繼續發表關于NeurIPS論文的畢業生中有54%去了美國。
在人工智能領域，美國仍然是國際研究中心，90%的美國畢業博士留在美國繼續工作。
非美國人工智能博士畢業生畢業後更有可能為大型科技公司工作，而美國博士畢業生更有可能為初創企業工作或加入學術研究。
與此同時，許多美國人工智能博士畢業生畢業到英國和中國。
接下來，讓我們從研究機構的角度看一下AI領域。
例如，在NeurIPS 2019中，谷歌，斯坦福大學，卡内基梅隆大學，麻省理工學院和微軟發表了前五名的論文。
人才短缺
作為當今最熱門的研究領域之一，對人工智能人才的需求不斷增長。許多頂尖大學也在擴大他們的人工智能招生。例如，斯坦福大學近年來人工智能專業的學生人數是1999-2004年的十倍，2012-2014年的人工智能學生人數翻了一番。盡管如此，Indeed的資料顯示，職位空缺的數量仍然是求職者數量的三倍左右。
然而，不可避免的是，人工智能的人才市場将受到2020年新冠疫情的嚴重影響。根據LinkedIn釋出的資料，2020年機器學習工作本已強勁的增長趨勢在2月份受到打擊并開始下降。
三、行業快速發展
人工智能設計的藥物已經開始在日本進行臨床試驗。在人工智能和醫療保健領域，許多初創企業已經收集了大量資金來實作"平台戰略"。
在新冠疫情爆發期間，許多科技公司也迅速将AI醫療成像技術付諸實踐。最近，醫療保險和醫療補助服務中心提出了基于深度學習的醫學成像産品的成本标準。人工智能系統可以快速掃描各種醫學圖像，包括胸部測量學，并将篩查結果送出給人類專家，以消除非敏感因素。
當談到人工智能最有趣的自動駕駛時。自2018年以來，加州66家擁有自動駕駛汽車測試執照的公司中，隻有三家被允許在沒有安全駕駛員的情況下進行測試：Waymo，Nuro和AutoX。
即使在政策最開放的加利福尼亞州，與人類相比，自動駕駛汽車迄今為止的範圍也微不足道 - 與2018年相比，自動駕駛汽車在2019年增長了42%。但這隻是2019年擁有駕駛執照的加州司機的0.000737%。
在每次人工幹預之前，自動駕駛汽車的行駛裡程作為标準，其實并不一定是最客觀的。在美國的一些州，司機沒有完全偏離方向盤的駕駛距離記錄。
然而，最近，我們看到這些資料發生了新的變化。百度的自動駕駛已經達到了每次人為幹預18，050英裡，超過了Waymo的13，219英裡。對于正在增加AI投資的百度來說，最近的投資開始得到回報。
自動駕駛領域的公司必須獲得雄厚的資金。Zoox被亞馬遜以13億美元收購，自2015年以來已籌集了超過9.55億美元，Zoox的最新估值約為32億美元。根據交易檔案，Zoox将在2020年初每月燃燒3000萬美元。
國内旅遊公司滴滴最近也剝離了其自動駕駛業務，并從軟銀願景（SoftBank Vision）等機構籌集了5億美元。7月，滴滴在上海推出了自動駕駛汽車服務。
目前，自動駕駛系統中的大多數機器學習算法隻關注車輛周圍的事物，并且基于大規模設計的手寫規則。研究人員正在開發類似于AlphaGo的新算法，這些算法可以訓練大量的人類駕駛體驗。最近，Waymo、Uber和Lyft都展示了模仿學習和逆向增強學習的新技術。
自動駕駛等領域的發展也需要大量的計算，而Graphcore和Yvida等公司今年推出的下一代晶片已經成為一種希望。
政策變更
除了人工智能研究之外，人工智能應用的快速登陸也引發了隐私和道德問題。
人臉識别技術面臨前所未有的争議
目前，世界上50%的人臉識别技術是允許的，隻有三個國家（比利時，盧森堡，摩洛哥）部分禁止它，并且隻在某些情況下。
頭部科技公司對使用面部識别技術也更加謹慎：
微軟已經删除了其1000萬張面孔的資料庫 - 這是目前最大的資料庫。資料庫中的人臉是在未經各方許可的情況下從網絡中爬取的。
亞馬遜宣布暫停警方使用其面部識别工具Rekognition一年，以允許"國會有足夠的時間制定适當的法規"。
IBM宣布放棄其人臉識别産品和技術。
紐約大都會交通管理局（MTA）已要求蘋果允許乘客在戴口罩時使用FaceID，以防止新冠病毒的傳播。
今年，人臉識别技術面臨的争議比以往任何時候都多。
美國繼續在軍事人工智能系統上投入巨資
随着機器學習技術的登陸，軍方也越來越多地探索這個領域，盡管目前還不清楚這種趨勢會對現實世界産生多大影響。
美國總務管理局和美國國防部人工智能聯合中心授予Bos Allen Consulting一項為期五年，價值8億美元半的訂單，其中包括"資料标記，資料管理和人工智能産品開發"等關鍵字。
在國防層面，還有更多的人工智能公司正在獲得利潤豐厚的政府合同和風險投資。戴爾的Pivotal軟體公司與美國國防部簽訂了價值1.21億美元的合同，涉及無人機、高分辨率衛星地圖、資訊管理以及Anduril、Rebellion和Skydio等其他業務的公司已經獲得了大量的風險投資。
美國國防部進階研究計劃局（DARPA）組織了一場虛拟空戰競賽，人工智能系統互相競争，獲勝者，蒼鹭系統公司開發的頂級人工智能，以5-0擊敗人類飛行員。
從AlphaGo，AlphaStar到AlphaDogfight，人工智能正在通過深度學習技術在更多領域擊敗頂級人類玩家。這也充分說明，在對戰環境中訓練的制勝技術，可以快速遷移到軍事環境。"作為戰鬥機飛行員，我們通常的标準操作方法不再有效，"戰敗的飛行員說。
美國國防部長馬克·T·埃斯珀（Mark T. Esper）表示，這些算法在模拟戰鬥環境中經過訓練，将在2024年用于現實世界的戰争，包括全尺寸戰術飛機。他說，機器學習将對未來世界的戰争産生結構性影響。"那些率先利用最新疊代技術的人往往在未來的戰場上具有決定性的優勢。
兩款AI高層将采用新的道德準則。
NeurIPS和ICLR都提出了新的道德規範，但不強制執行代碼和資料共享。以人工智能領域的頂級會議NeurIPS為例：
NeurIPS将在機器學習和倫理學的跨領域建立一個專門的專家小組。
NeurIPS現在要求作者送出"作品的更廣泛含義，包括道德和未來社會"。
鑒于Facebook和谷歌等公司在NeurIPS中的影響力越來越大，"作者必須明确披露資金來源和競争利益。
NeurIPS"強烈鼓勵"共享資料和模型，但沒有強制性規定。
在這方面，機器學習落後于生命科學，例如，通過在《自然》雜志上發表論文，作者必須"及時為讀者提供材料，資料，代碼和協定"。
華為在智能手機領域的主導地位有所增強，并在機器學習技術上投入了大量資金。
這也是九年來蘋果和三星以外的公司首次處于領先地位，但到2020年9月中旬，由于美國的制裁，華為面臨着晶片供應困境。
使用美國晶片制造裝置的外國公司必須獲得美國政府的準許才能向華為提供某些晶片。"我們的手機業務非常困難，晶片供應困難且缺貨，"華為消費者業務首席執行官餘承東在2020年中國資訊技術協會峰會上表示。
華為的麒麟AI晶片與台積電簽訂合同，并受到美國制裁，台積電的最後一份訂單于2020年5月15日收到。華為現在正試圖向中芯國際尋求晶片制造方面的支援。
但台積電在研發支出和半導體制造方面仍占據行業主導地位。台積電的研發成本與中芯國際的收入相當，中芯國際是目前唯一的商用5nm制造技術（N5）制造商，目前正在研究一種3nm制造技術，其功率效率比7nm高2倍，性能比7nm高33%。不久前，中芯國際還表示，到2020年，中芯國際将把資本支出增加到67億美元（比原定目标高出31億美元）。
展望未來：8大趨勢
在最後一部分中，劍橋的2020年AI全景報告給出了未來12個月的八個趨勢預測。
1.建構更大語言模型的競賽将繼續下去，我們将見證第一個10萬億參數級模型的誕生。
2. 基于注意力的神經網絡将從NLP域遷移到CV域，以實作新的SOTA。
3、随着母公司戰略的調整，一家大型企業AI實驗室即将關閉。
4. 為了應對美國國防部的活動和美國軍方AI啟動融資，一些中國和歐洲的防務AI公司将在未來12個月内籌集超過1億美元。
5、一家頭部AI藥物發現初創公司（如Recursion、Exscientia）要麼進入IPO，要麼以超過10億美元的價格被收購。
6. DeepMind将在結構生物學和藥物發現方面取得重大突破。
7. Facebook将利用3D計算機視覺技術在AR和VR領域取得重大突破。
8、英偉達最終不會完成對Arm的收購。
推薦：
<H1級"pgc-h-right-arrow"資料軌道"187">"中國風動畫""江子牙"刷屏背後，隐藏在中國動畫100年的幕布中</h1>
<h1類"pgc-h-arrow-right"資料軌道"188">"中國風動畫"除了"哪個"，這些良心國産動畫也應該讓更多的人知道！</h1>
<H1級"pgc-h-arrow-right"資料軌道"189">"中國風動畫""霧山五行"大火，但很少有人知道其前身"老城玻璃心"一個拿着十米刀的男人死了！</h1>
更多報告
加入
"人工智能産業鍊聯盟"
知識星球，擷取相關報告！
報表部分的螢幕截圖
陳述
來源：劍橋大學AI産業鍊聯盟推薦閱讀，不代表AI産業鍊聯盟立場，轉載請注明，如涉及版權問題，請聯系我們删除或做相關處理！
編輯：零