人工智能论文(人工智能论文3000字)

Mark wiens

发布时间:2022-09-04

人工智能论文(人工智能论文3000字)

 

新智元AI World 2017世界人工智能大会开场视频

中国人工智能资讯智库社交主平台新智元主办的AI WORLD 2017 世界人工智能大会11月8日在北京国家会议中心举行,大会以AI 新万象,中国智能+为主题,上百位AI领袖作了覆盖技术、学术和产业最前沿的报告和讨论,2000多名业内人士参会。新智元创始人兼CEO杨静在会上发布全球首个AI专家互动资讯平台新智元V享圈。

全程回顾新智元AI World 2017世界人工智能大会盛况:

新华网图文回顾http://www.xinhuanet.com/money/jrzb20171108/index.htm

爱奇艺上午:http://www.iqiyi.com/v_19rrdp002w.html

下午:http://www.iqiyi.com/v_19rrdozo4c.html

互联网小常识:E-mail服务器的主要参数为:域、用户和组。

阿里云云栖社区https://yq.aliyun.com/webinar/play/316?spm=5176.8067841.wnnow.14.ZrBcrm

新智元编译

来源:aiindex.org

编译:编辑部

【新智元导读】AI Index(AI指数)近日重磅发布,这是斯坦福大学AI百年研究(AI 100)的一个项目,旨在追踪人工智能的活动和进展。该报告列出了2017年人工智能在计算机视觉、自然语言理解等方向上的最新进展,分学术、产业多个角度盘点人工智能进度。报告还综合学术论文数量、招生数量和VC投资数量,得出AI发展活力指数,数据显示,最新一波AI浪潮在2015年活力最高,自那以后其实活力开始有小幅减弱。

报告全文:https://aiindex.org/2017-report.pdf

如果缺乏AI技术的相关数据,我们在有关AI的讨论和决策中,基本上是盲目的。

在与人工智能相关的讨论和决策中,我们本质上是盲目的。

AI Index(AI指数)是斯坦福大学AI百年研究的一个项目,它是一个开放的非营利性项目,旨在追踪人工智能的活动和进展。它的目的是促进以数据为基础的对AI的了解。本报告是AI Index的第一份年度报告,在这份报告中,我们通过多个视角来观察AI的活动和进展。我们汇总了网络上的数据,也贡献了原始数据,并从数据序列的组合中提取新的度量标准。

本报告的数据都将在AI Index网站(aiindex.org)上公开。但是,提供数据只是一个开始。为了真正实现作用,AI指数需要来自更大的社区的支持。最后,这份报告呼吁更多人的参与。你有能力提供数据、分析收集的数据,并列出你希望跟踪的数据。无论你是否有答案或问题,我们都希望这份报告能让你了解AI指数,并成为有关AI的话题的一部分。

报告总览

报告的前半部分展示了AI Index团队收集的数据。后半部分,我们讨论了报告中没有提到的一些关键领域、专家对报告中显示的趋势的评论,最后呼吁采取行动支持我们的数据收集工作,并加入关于AI技术的度量和交流进展的讨论。

数据部分

本报告中的数据包括4个主要部分:

活动量

技术表现

衍生测量

人类水平表现?

活动量(Volume of Activity)部分有关这个领域的多少(how much)的方面,例如参加AI会议的人数、VC对开发AI系统的初创公司的投资等。技术表现的部分有关how good,例如计算机在理解图像和证明数学定理方面已经做到什么程度。在报告附录中详细描述了每个数据集的收集方法。

这两组数据证实了实际上是公认的一个事实,即:所有的图表都是向上和向右的,反映了AI的活动是不断增加,AI技术是不断进步的趋势。在衍生测量(Derivative Measures)部分,我们调查了趋势之间的关系。我们还引入了一个探索性的测量方法——AI活力指数(AI Vibrancy Index),结合了学术界和工业界的趋势,量化了AI作为一个领域的活力。

在衡量AI系统的表现时,很自然地会将其与人类的表现进行比较。在人类水平表现面这一节中,我们列出了一些值得注意的领域,其中AI系统在达到甚至超越人类水平方面取得了重大进展。我们还讨论了进行这种比较时存在的困难,并提出了适当的警告。

讨论部分

在报告了团队收集的数据之后,我们将对报告中所强调的趋势进行一些讨论,并对该报告的重要领域进行全面的讨论。

部分讨论集中在报告的局限性上。这份报告的数据源倾向于以美国为中心,并且可能只通过跟踪了定义良好的基准,因此可能高估了技术领域的进展。它还缺乏数据的人口统计数据,也不包含政府和企业对AI研发投资的信息。这些领域是非常重要的,我们打算在未来的报告中解决这些问题。

我们将进一步讨论这些局限,以及其他一些在报告中缺失的部分。正如该报告的局限性所显示的, AI Index 只是描绘了局部图景。出于这个原因,这份报告也加入了各个领域的AI专家的主观评论。专家评论部分补充了对数据背后的故事的生动解释。

最后,我们将需要更多来自社区的反馈和参与来解决报告中显示的局限,揭示我们遗漏的问题,并建立一个追踪AI活动和进展的有效程序。

人工智能和机器学习全景式概览:学术、产业、人才流动、开源生态,各方各面活动量大增

这份报告做了大量调查和统计,从学术(论文发表、会议参加、学生课程选修)、产业(创业、投资)、人才(招聘、职位空缺)、开源生态(Github AI和ML软件包)、媒体报道等方面,比较全面地展现了AI和ML的图景。

1、学术

首先,论文发表数量激增:自从1996年以来,每年发表的AI论文数量增加了9倍以上

再看不同类别的学术论文的年度发表率与1996年的发表率相比较。下图显示了所有领域的论文、计算机科学领域的论文和计算机科学领域的AI论文的增长。数据表明,人工智能发表论文数量增多,不仅受计算机科学领域升温所致。具体而言,自1996年以来,计算机科学一般领域的论文数量增长了6倍,同期,每年的人工智能论文数量增长了9倍以上。

斯坦福大学入学选修人工智能和机器学习入门课程的学生人数,自从1996年以来增长了11倍以上。报告指出,由于其他大学的数据掌握有限,因此突出了斯坦福的数据。但是,有理由认为,其他大学的情况应该类似。同时,报告表示这只代表了高等教育图景的一个具体细节,不一定代表更广的趋势。

会议出席情况。业内人士都知道,在计算机科学领域,各种学术会议十分重要。这些出席人数表明,研究重点已经从符号推理转向了机器学习和深度学习

再来看小一些的会议的情况。尽管研究重点有所转换,但是在小一些的研究社区,仍然在符号推理方面稳步进展。

2、产业

现在将目光转向产业界。下图展示了在美国,有资本支持的AI创业公司数量,从2000年以来增加了14倍

在美国投资AI创业的基金数量也在增长,从2000年以来,每年投入AI创业的资本额增加了6倍:

根据两个在线求职平台Indeed和Monster的数据,人工智能相关岗位需求也在增长。下图展示了Indeed.com平台上,从2013年1月份起,对AI技术相关工作岗位的份额的增长。

而在美国,需要AI技术的工作岗位,在职业市场所占份额,从2013年到现在,有了4.5倍的增长。

按国家看,加拿大和英国的AI人才招聘市场规模也增长迅速。不过,Indeed.com报告指出,两者的绝对值仍然是美国AI招聘市场的5%和27%。

Monster平台上,按具体要求的技能细分,给定年份人工智能职位空缺的总数量:

再来看自动化应用的情况,下图展示了北美和全球工业机器人的购买以及购买增幅。工业机器人的使用正在增加。

3、开源生态

最后看开源软件使用和生态。下图展示了TensorFlow和Scikit-Learn软件包在GitHub上加星标的次数。

互联网小常识:分组转发分为直接转发和间接转发两类。若源主机与目的主机在同一个网络或路由器与目的主机在同一个网络则为直接转发,否则为间接转发。

这张图展示了Github上其他AI和ML软件包的星标情况。

4、公众认知 / 媒体报道

包含术语人工智能的主流媒体文章占所有报道的比例,按照正面情绪(蓝线)、负面情绪(紫线)分类:

技术表现

1. 视觉

物体识别

大规模视觉识别挑战赛(LSVRC)比赛中AI系统对物体检测任务的性能

图像标签的错误率从2010年的28.5%下降到了2.5%。

视觉问答

人工智能系统在完成回答有关图像的开放式问题任务上的表现。截止2017年8月,最好的AI系统准确率还不到70%,而人类水平在85%左右。

2. 自然语言理解

词语解析

人工智能系统在确定句子句法结构上的表现。

人工智能系统在翻译英文和德文的任务上的表现。

人工智能系统在从文档中找到既定问题答案任务的表现,已经越来越接近人类。

语音识别

人工智能系统识别语音录音的表现,2016已经达到人类水平。

定理证明

自动定理证明指的是一大组定理证明问题的平均易处理性。 可追踪性用来测量可以解决问题中最先进的自动定理证明器的一部分。

SAT Solving

具有竞争力的SAT解决者在行业应用问题上的平均表现。

另一种衡量方法:AI活力指数

通过检查各种趋势之间的关系,我们可以从前面部分衡量的标准中获得额外的洞见。下面这一部分的内容展示了AI指数所搜集到的数据如何被用于进一步分析和推动对AI发展和整个原始标准的再定义。

正如一个案例研究所展示的那样,我们通过研究学术和产业界的趋势,来探索他们的动能。进一步地,我们将这些标准综合起来,形成一个AI 活力指数。

Academia-Industry Dynamics

为了探索学术和产业界AI相关活动的关系,我们首先从前面部分的内容中选择了一些有代表性的衡量指标。值得一提的是,我们调查了AI论文的发表情况,结合斯坦福大学入门级 AI 和ML课程的报名情况、VC对AI相关初创企业的投资。这些衡量标准数据是不能直接被拿来比较的:论文发表情况、学生报名情况、投资数额。为了分析这些趋势之间的关系,我们将历史追溯到2000年,这能让我们衡量标准是如何随着时间发生变化的。

数据显示,最初,学术活动(论文发表和招生)驱动稳步前进。 2010年前后,投资者开始注意到这一趋势,这成为2013年投资者总体活动急剧增加的驱动因素。再后来,学术界逐渐赶上了工业的繁荣。

AI活力指数

AI活力指数(AI Vibrancy Index)汇集了对学术和产业的衡量标准(研究成果的发表、招生和VC投资)以对AI领域进行量化。为了计算AI活力指数,我们不断地对研究成果发表数量、招生、投资的标准取平均数。

达到人类水平表现的AI,里程碑

很自然地,我们会在同一个任务上将AI系统和人类的表现进行比较。显然,在某些任务中,计算机比人类要优秀得多,例如,1970年代的小计算器就可以比人类更好地完成算术运算。但是,AI系统在处理诸如回答问题、玩游戏和进行医学诊断等更通用的任务时更加困难。

AI系统的任务往往是在非常窄的背景下进行的,这样能在特定的问题或应用上取得进展。 虽然机器在特定的任务上可能表现出卓越的性能,但是如果任务稍微有所改动,系统性能可能会大大降低。 例如,一个能读懂汉字的人能够理解中国人的言论,了解中国文化,或者在中国餐馆无障碍点餐。相比之下,这些任务中的每一项都需要不同的AI系统来完成。

尽管将人类和AI系统进行比较不是件容易的事情,但列举那些声称计算机已达到或超过人类表现的那些成就很有意思。不过,需要说明的是,这些成就没有说明这些系统具有推广能力。我们还注意到下面的列表包含许多游戏上的成就。游戏是一个相对简单,可控的实验环境,因此经常用于AI研究。

里程碑

黑白棋

在20世纪80年代,李开复和Sanjoy Mahajan开发了一个人工智能系统BILL,这是一个玩黑白棋(Othello)游戏的贝叶斯学习系统。1989年这个系统拿了全美冠军,并以56-8击败了排名最高的美国玩家Brian Rose。在1997年,一个名为Logistello的黑白棋程序以6-0占战胜当时的冠军棋手。

跳棋

1952年,Arthur Samuel 设计了一系列玩西洋跳棋的程序,并通过自我对弈进行改进。但是,直到1995年,才出现一个击败人类世界冠军的跳棋程序Chinook。

国际象棋

上世纪50年代的一些计算机科学家预测,到1967年,计算机将击败人类象棋冠军。但直到1997年,IBM的深蓝系统才击败当时的国际象棋冠军Gary Kasparov。如今,在智能手机上运行的国际象棋程序可以表现出大师级的水平。

Jeopardy!

2011年,IBM的Watson计算机系统在流行电视节目Jeopardy!参与挑战,赢了前冠军Brad Rutter和Ken Jennings。

雅达利游戏

2015年,谷歌DeepMind的一个团队使用强化学习系统来学习如何玩49个Atari游戏。该系统在大多数游戏中都能达到人类水平的表现(例如Breakout打砖块游戏,虽然也有些仍然无法达到人类水平(例如,蒙特祖玛的复仇)。

ImageNet对象检测

2016年,ImageNet自动标注任务的错误率从2010年的28%下降到低于3%。人类的表现大约是5%的错误率。

围棋

2016年3月,谷歌DeepMind团队开发的AlphaGo系统击败了围棋冠军李世乭。DeepMind后来发布了AlphaGo Master,在2017年3月击败了排名第一的柯洁。2017年10月,DeepMind发表在Nature的论文详细介绍了AlphaGo的另一个新版本——AlphaGo Zero,它以100-0击败了最初的AlphaGo系统。

皮肤癌分类

在2017年的一篇Nature论文文章中,Esteva等人描述了一个AI系统,该系统在包含2032种不同疾病的129450张临床图像组成的数据集上训练,研究者将AI系统的诊断结果与21位皮肤科医生的结果进行比较,他们发现AI系统在分类皮肤癌任务上达到与人类皮肤科医生相当的水平。

Switchboard 语音识别

在2017年,微软和IBM都在Switchboard语音识别基准测试中实现了人类同等水平的语音识别词错率。

扑克

2017年1月,来自CMU的一个名为Libratus的AI系统在一场包含12万局游戏的双人无限注德州扑克比赛中击败了四名顶尖的人类选手。 2017年2月,来自阿尔伯塔大学的一个名为DeepStack的系统与11名专业玩家分别比赛超过3000局,胜率10/11。

吃豆人

Maluuba是微软收购的一个深度学习团队,他们创建了一个AI系统,该系统学会了在Atari 2600上玩吃豆人游戏打出999900的最高分。

报告原文:https://aiindex.org/2017-report.pdf

互联网小常识:网桥最主要面临的问题是帧转发率低与广播风暴,影响其性能的主要参数是:帧转发率与帧过滤率。

免责声明:本站所有信息均搜集自互联网,并不代表本站观点,本站不对其真实合法性负责。如有信息侵犯了您的权益,请告知,本站将立刻处理。联系QQ:1640731186