斯坦福大学发布2023年人工智能指数报告——The AI Index 2023

The AI Index报告是斯坦福大学发布的人工智能发展研究报告。最早的报告开始于2017年，每年一个版本，主要是总结过去一年人工智能的发展情况。2023年斯坦福The AI Index已经在近日发布。相比较之前的报告，今年的报告新增对Foundation模型的分析。让我们看看斯坦福大学如何总结2022年人工智能领域的发展情况。

[TOC]

<center>![](https://www.datalearner.com/resources/blog_images/1052b43f-2edf-4dd6-b87b-02eb2e7e50a8.png)</center>
<center></center>

#### 一、报告概览和主要结论
The AI Index2023报告全文共386页，共8个章节，主要包含如下几个部分：
- 第一章：研究与开发
- 第二章：技术表现
- 第三章：技术AI伦理
- 第四章：经济
- 第五章：教育
- 第六章：政策和治理
- 第七章：多样性
- 第八章：公众意见

这里有几个10个重点总结结论：
**1.1、工业领先于学术界**
直到2014年，大多数重要的机器学习模型都是由学术界发布的。自那以后，工业界已经取代了学术界。到2022年，工业界生产了32个重要的机器学习模型，而学术界只生产了3个。建立最先进的人工智能系统越来越需要大量的数据、计算和资金，这些资源工业界拥有的数量相比非营利组织和学术界更多。

**1.2、传统基准测试中的性能饱和**
人工智能继续发布最先进的结果，但许多基准测试的年度改进仍然很小。此外，基准测试饱和的速度正在加快。然而，新的更全面的基准测试套件，例如BIG-bench和HELM正在发布。

**1.3、人工智能既有助于又有害于环境**
新的研究表明，人工智能系统可能会对环境产生严重影响。根据Luccioni等人的2022年研究，BLOOM的训练过程排放的碳排放量是一名从纽约到旧金山单程飞行的旅客的25倍。不过，像BCOOLER这样的新的强化学习模型表明，人工智能系统可以用于优化能源使用。

**1.4、全球最好的新科学家是人工智能吗？**
人工智能模型开始迅速推动科学进步，在2022年被用于辅助氢聚变、提高矩阵操作效率和生成新的抗体等方面。

**1.5、有关滥用人工智能的事件数量迅速增加**
根据追踪与伦理滥用人工智能相关的事件的AIAAIC数据库，自2012年以来，人工智能事件和争议的数量增加了26倍。2022年的一些值得注意的事件包括XX投降的深度伪造视频和美国监狱使用通话监控技术监视囚犯。这种增长是人工智能技术使用增加和对滥用可能性意识提高的证明。

**1.6、几乎所有美国工业领域对与人工智能相关的专业技能的需求都在增加**
在美国的每个领域中（除了农业、林业、渔业和狩猎业），与人工智能相关的职位发布数量平均增长了从2021年的1.7%到2022年的1.9%。美国的雇主越来越需要拥有与人工智能相关技能的工作者。

**1.7、过去十年中，私人投资在人工智能方面的同比增长首次下降**
2022年全球人工智能的私人投资为919亿美元，较2021年下降了26.7％。与此同时，与人工智能相关的融资事件总数以及新融资的人工智能公司数量也减少了。不过，在过去的十年中，人工智能的投资大幅增加。2022年，人工智能的私人投资金额比2013年增长了18倍。

**1.8、虽然采用人工智能的公司比例已经达到稳定，但采用人工智能的公司继续领先**
根据麦肯锡公司的年度研究调查结果，2022年采用人工智能的公司比例自2017年以来增加了一倍以上，尽管近年来已在50％至60％之间趋于稳定。采用人工智能的组织报告实现了有意义的成本降低和收入增加。

**1.9、政策制定者对人工智能的兴趣正在增加**
AI指数对127个国家的立法记录进行分析表明，包含“人工智能”的法案数量从2016年的1个增加到2022年的37个。对81个国家的议会记录进行的人工智能分析同样表明，自2016年以来全球立法程序中提到人工智能的次数增加了近6.5倍。

**1.10、中国人是对人工智能产品和服务感觉最积极的群体之一，而美国人则不太认同**
在2022年IPSOS的一项调查中，78％的中国受访者（调查国家中最高比例）同意这种说法：使用人工智能的产品和服务比缺点更多。在中国受访者之后，来自沙特阿拉伯（76％）和印度（71％）的人对人工智能产品的感受最积极。在受调查的国家中，仅有35％的美国人（最低比例之一）同意使用人工智能的产品和服务比缺点更多。

接下来，我们主要关注AI研究进展和技术表现部分的报告。

#### 二、AI研究和发展
本章介绍了人工智能研发的趋势。首先，它考虑了人工智能出版物，包括期刊文章、会议论文和存储库。接下来，它考虑了有关重要机器学习系统的数据，包括大型语言和多模式模型。最后，本章通过研究人工智能会议出席和开源人工智能研究来结束。尽管美国和中国继续主导人工智能研发，但研究工作变得越来越地分散在不同地理位置。

##### 2.1、中国是AI领域学术发表最多的国家

下图按地理区域分解了过去12年的人工智能期刊出版物份额。今年的AI指数将印度纳入其中，以认识到印度在人工智能生态系统中的日益重要的作用。中国一直是领导者，2021年占比39.8％，其次是欧盟和英国（15.1％），然后是美国（10.0％）。印度出版物的份额一直在稳步增加——从2010年的1.3％增加到2021年的5.6％。
<center>![](https://www.datalearner.com/resources/blog_images/8619de1e-7a0d-457a-ab9a-0bc9ccb60bda.png)</center>
<center></center>

自2010年至2021年，美国和中国在跨国合作的人工智能出版物中数量最多，但是大家都懂，现在合作速度已经放缓。下图是中美合作发表的AI论文数量

<center>![](https://www.datalearner.com/resources/blog_images/69146744-4542-4115-a62c-becccd635203.png)</center>
<center></center>

自2010年以来，美国和中国之间的人工智能研究合作数量增加了约4倍，比下一个最接近的国家组合英国和中国的合作总数多2.5倍。然而，从2020年到2021年，美中合作总数仅增加了2.1％，这是自2010年以来同比增长率最小的一年。

##### 2.2、过去10年发布AI论文最多的是中科院，前9名都是中国的机构，第10名是MIT

下图展示了2021年全球机构发表的AI论文数量排名。前9全是中国的大学和科研机构。第十名是MIT！

<center>![](https://www.datalearner.com/resources/blog_images/0e9636f4-c19b-4c83-8274-c091b44e55b8.png)</center>
<center></center>

而在CV、NLP、Speech Recognition三个领域的前10排名中，CV领域全是中国大学和机构，NLP里面中国只占了5席，Speech Recognition里面中国占有6席。剩余的上榜机构主要是美国的Google、AWS和Microsoft三巨头，以及CMU。
<center>![](https://www.datalearner.com/resources/blog_images/41d6b6a2-41e4-46a4-a1cb-88c631aa965d.png)</center>
<center></center>

##### 2.3、过去3年各个国家发布的大语言模型和多模态模型概览
在人工智能论文的引用方面，美国仍处于领先地位，但这些领先优势正在缓慢减少。不过，世界上大多数的大语言模型和多模态模型（2022年为54％）仍由美国机构发布。

<center>![](https://www.datalearner.com/resources/blog_images/e283efcf-370d-427f-85d0-c0588370bd07.png)</center>
<center></center>

上图可以看到一个有意思的现象，2021年之后中国发布的有影响的大模型只有清华大学2022年发布的GLM-130B模型（GLM-130B模型卡信息：https://www.datalearner.com/ai-models/pretrained-models/GLM-130B ）

##### 2.4、大型语言模型变得越来越大、越来越昂贵
此外，随着时间的推移，新发布的大语言模型和多模态模型的参数数量已经大幅增加。例如，GPT-2是2019年发布的第一个大语言模型，仅有15亿个参数。谷歌在2022年发布的PaLM具有5400亿个参数，几乎是GPT-2的360倍。大语言模型和多模态模型的中位数参数数量随着时间呈指数增长。

<center>![](https://www.datalearner.com/resources/blog_images/328cc9e0-90c7-4302-b1c9-c7229bf268fd.png)</center>
<center></center>

大语言模型和多模态模型的训练计算量也在稳步增加。谷歌于2022年6月发布的大型语言和多模式模型Minerva（540B）用于训练的计算量大约是OpenAI的GPT-3（于2022年6月发布）的九倍，并且大约比用于GPT-2（于2019年2月发布）的计算量高1839倍，该模型在定量推理问题上显示出了惊人的能力。

<center>![](https://www.datalearner.com/resources/blog_images/0d2f67af-b65c-4f45-b746-391c6269c2d5.png)</center>
<center></center>

GPT-2于2019年发布，被许多人认为是第一个大型语言模型，拥有15亿个参数，估计训练成本为50,000美元。PaLM是2022年推出的旗舰大型语言模型之一，拥有5400亿个参数，估计训练成本为800万美元。PaLM的规模比GPT-2大约360倍，成本高160倍。不仅是PaLM，大型语言和多模式模型在整个领域中变得更大更昂贵。
<center>![](https://www.datalearner.com/resources/blog_images/18738f9d-8349-4d97-a7fe-95e7e9ed208c.png)</center>
<center></center>

#### 三、AI技术进展总结
今年的技术性能章节分析了2022年人工智能技术进展。基于以前的报告，本章记录了计算机视觉、语言、语音、强化学习和硬件等领域的进展。此外，今年这个章节还分析了人工智能的环境影响，讨论了人工智能如何推动科学进步，并以时间线的方式概述了一些最重要的近期人工智能发展。

##### 3.1、AI在传统的基准测试中进步越来越小
人工智能继续展示出最先进的结果，但是在许多基准测试中，年度改进仍然很微小。此外，基准测试饱和度达到的速度也在加快。然而，新的、更全面的基准测试套件，如BIG-bench和HELM正在发布。

<center>![](https://www.datalearner.com/resources/blog_images/885a3040-37e3-4721-9572-d11330a50759.png)</center>
<center></center>

##### 3.2、人工智能系统变得更加灵活
传统上，人工智能系统在狭窄任务上表现出色，但在更广泛的任务上表现较差。最近发布的模型打破了这一趋势；其中包括BEiT-3、PaLI和Gato等单一的人工智能系统，它们越来越能够处理多种任务（例如，视觉、语言）。

<center>![](https://www.datalearner.com/resources/blog_images/9692558b-e963-4021-a47f-d25d5eea65fe.png)</center>
<center></center>

##### 3.3、语言模型继续提高它们的生成能力，但是新的研究表明，它们仍然在复杂的规划任务中面临困难。

下图可以看到，在规划类的任务中，GPT-3、Instruct-GPT-3以及BLOOM表现都很差。

<center>![](https://www.datalearner.com/resources/blog_images/34c14893-9381-4d14-ad95-c9816d05f3c7.png)</center>
<center></center>

#### 四、完整版报告资源下载

Artificial Intelligence Index Report 2023完整版报告共386页，下载地址：https://www.datalearner.com/resources/report/HAI_AI-Index_Report_2023.pdf

Artificial Intelligence Index Report 2023第一章关于AI研究和进展的章节报告下载地址：https://www.datalearner.com/resources/report/HAI_AI-Index-Report-2023_CHAPTER_1.pdf

Artificial Intelligence Index Report 2023第二章关于AI技术进展的章节报告下载地址：https://www.datalearner.com/resources/report/HAI_AI-Index-Report-2023_CHAPTER_2.pdf

斯坦福大学发布2023年人工智能指数报告——The AI Index 2023

欢迎大家关注DataLearner官方微信，接受最新的AI技术推送

相关博客

最热博客