2023 年人工智能指数报告发布了！这份报告显示，中国在 AI 顶会论文上表现世界居首，然而引用量却低于美国。另外，AI 论文发表量世界前十的机构中，中国占了 9 席，纷纷赶超 MIT。

今天，斯坦福发布了 2023 年 AI 指数报告。

值得注意的是，斯坦福 AI 指数报告列出了「AI 论文发表量」世界前十的机构，9 所全部来自中国，纷纷赶超 MIT。

它们分别是:中国科学院、清华大学、中国科学院大学、上海交通大学、浙江大学、哈尔滨工业大学、北京航空航天大学、电子科技大学、北京大学、以及 MIT。

今年的报告主要分为八大节:研究与发展，技术表现，人工智能技术伦理，经济，教育，政策和治理，多样性，以及公众观点。

以下内容提取了报告几项要点。

中美论文合作全球居首

从 2010 年-2021 年，尽管 AI 论文跨国合作的步伐已经放缓，但是自 2010 年以来，美国和中国的人工智能研究合作数量增加了大约 4 倍，比中国和英国合作总数多 2.5 倍。

然而，从 2020 年-2021 年，中美合作的总数仅增长了 2.1%，是自 2010 年以来的最小同比增长率。

此外，人工智能论文的总数自 2010 年以来翻了一番以上。从 2010 年的 20 万篇增长到 2021 年的近 50 万篇。

就 AI 论文发表的类型来看，2021 年，所有已发表的 AI 论文中有 60% 是期刊文章，17% 是会议论文，13% 来自存储库。

虽然在过去 12 年中期刊和储存库论文分别增长了 3 倍和 26.6 倍，但会议论文的数量自 2019 年以来有所下降。

模式识别、机器学习和计算机视觉依旧是人工智能领域研究的热门话题。

中国在期刊、会议和储存库论文总量方面依旧处于领先地位。

美国在人工智能会议和储存库引用方面仍然领先，但这些领先优势正被慢慢削弱。尽管如此，世界上大多数的大型语言模型和多模态模型是由美国机构产生的。

中国霸榜 AI 顶会，但引用量低于美国

AI 期刊论文的发表，中国始终保持领先地位，2021 年为 39.8%，其次是欧盟和英国，然后是美国(10.0%)。

自 2010 年以来，中国人工智能期刊论文被引频次占比逐步上升，欧盟、英国、美国均有所下降。中国、欧盟和英国、美国占全球总引用量的 65.7%。

那么，世界顶会论文发表的情况又如何？

2021 年，中国以 26.15% 的比例在全球 AI 顶会发表的论文数所占份额最大，而欧盟和英国以 20.29% 紧随其后，美国以 17.23% 位居第三。

从顶会论文引用量来看，中国虽然高产，但引用量相较于美国来说较低。美国顶会论文引用量 23.9%，中国为 22.02%。

从侧面可以看出，中国论文发表数量最多，但质量不如美国高。

在 AI 论文储存库提交方面，美国在世界居首，23.48%。中国最低，11.87%。

中国 9 所机构，AI 论文发表赶超 MIT

2021 年，发表论文总量世界前十机构中，中国占了 9 所，不同机构发表的论文总数如下图，MIT 位列第十，发表论文 1745。

就计算机视觉领域来看，中国的十所机构位居世界前十，它们分别是，中国科学院、上海交通大学、中国科学院大学、清华大学、浙江大学、北京航空航天大学、武汉大学、北京理工大学、哈尔滨工业大学，以及天津大学。

在自然语言处理领域，就有所不同了。

世界前十的机构 / 公司有:中国科学院、卡内基梅隆大学、微软、清华大学、卡内基梅隆大学-澳大利亚分校、谷歌、北京大学、中国科学院大学、阿里、亚马逊。

语音识别领域排名如下:

工业界领先学术界

在 2022 年发布的重要人工智能机器学习系统中，语言系统占最多，有 23 个，是多模态系统数量的 6 倍。

在论文产量上，工业界领先于学术界。

直到 2014 年，大多数重要的模型都是由学术界发布的。从那时起，工业界便逆袭翻身。到 2022 年，32 个重要的机器学习模型都诞生在工业界，而学术界仅有 3 个。

由此可见，与非营利组织和学术界相比，构建最先进的人工智能系统越来越需要大量的数据、计算机能力和资金资源，而行业参与者固然有更多的资金资源去做这件事情。

2022 年，美国产生了数量最多的重要机器学习系统，有 16 个，其次是英国和中国(3 个)。

此外，自 2002 年以来，就创建的重要机器学习系统总数而言，美国已经超过了英国和欧盟、中国

再来看做出这些重要 AI 系统背后研究者国分布，美国有最多的研究者，285 人，是英国的 2 倍多，是中国的近 6 倍。

LLM 越来越大，算力越贵

大型语言和多模态模型，有时称为基础模型，是当前一种新兴且日益流行的 AI 模型类型，它在大量数据上进行训练并适用于各种下游应用程序。

ChatGPT、DALL-E 2 和 MakeA-Video 等大型语言和多模态模型已经展示了令人印象深刻的功能，并开始在现实世界中广泛部署。

通过对这些模型作者的国家隶属关系进行了分析，这些研究人员中的大多数来自美国机构。

斯坦福 AI 指数报告还列出了大型语言和多模态模型发布的时间表。

大型语言模型正变得越来越大，也越来越昂贵。

第一个大型语言模型 GPT-2 于 2019 年发布，有 15 亿参数，训练成本约 50000 美元。谷歌 PaLM 是 2022 年推出的大型语言模型之一，有 5400 亿参数，成本高达 800 万美元。

从参数和训练成本来看，PalM 比 GPT-2 大 360 倍，成本高出 160 倍。

不仅仅是 PalM，从整体上看，大型语言和多模态模型变得越来越大和昂贵。

例如，DeepMind 于 2022 年 5 月推出的大型语言模型 Chinchilla 估计耗资 210 万美元，而 BLOOM 的训练大约耗资 230 万美元。

随着时间的推移，GAN 在人脸生成方面的进展，最后一个图像由 Diffusion-GAN 生成，这一模型在 STL-10 上取得了最新的 SOTA。

去年，随着 OpenAI 的 DALL-E 2、Stability AI 的 Stable Diffusion、Midjourney、Meta 的 Make-AScene，以及谷歌的 Imagen 等模型的发布，文本到图像生成模型逐渐走进大众视野。

如下，输入相同的提示，「一只熊猫在温暖的巴黎夜晚弹钢琴」，分别由 DALL-E 2、Stable Diffusion 和 Midjourney 这三个可公开访问的 AI 文本到图像系统生成的图像。

在最近发布的所有文本到图像生成模型中，谷歌的 Imagen 在 COCO 基准测试中表现最好。

今年，创建 Imagen 的谷歌研究人员还发布了一个更难的文本到图像基准测试 DrawBench，旨在挑战功能越来越强大的文本到图像模型。

此外，报告还介绍了当前生成式 AI 模型存在一些偏见，比如给 DELLE-2 提示 CEO 时，每个人似乎都采取了交叉双臂自信的姿势。

在 Midjourney 中，当提示生成「有影响力的人」时，它会生成 4 张看起来年长的白人男性图像。

完整报告内容请参见: