報告亮點

第一章：研究與發(fā)展

從2010年到2021年，美國和中國在人工智能出版物方面的跨界合作數(shù)量最多，盡管合作的速度已經(jīng)放緩。自2010年以來，美國和中國之間的人工智能研究合作數(shù)量增加了大約4倍，比僅次于最近的國家對英國和中國的合作總數(shù)高出2.5倍。然而，從2020年到2021年，U.S.-China合作的總數(shù)僅增長了2.1%，這是自2010年以來的最低同比增長率。

對人工智能的研究正在全面興起;自2010年以來，人工智能出版物的總數(shù)已經(jīng)增加了一倍多。繼續(xù)主導(dǎo)研究的特定人工智能主題包括模式識別、機器學(xué)習(xí)和計算機視覺。

中國在人工智能期刊、會議和知識庫出版物總量方面繼續(xù)領(lǐng)先;美國在人工智能會議和存儲庫引用方面仍領(lǐng)先，但這些領(lǐng)先優(yōu)勢正在慢慢侵蝕。盡管如此，世界上大多數(shù)的大型語言和多模態(tài)模式(2022年為54%)都是由美國機構(gòu)生產(chǎn)的。

工業(yè)界的競爭領(lǐng)先于學(xué)術(shù)界;直到2014年，最重要的機器學(xué)習(xí)模型都是由學(xué)術(shù)界發(fā)布的。從那時起，工業(yè)就接管了公司。在2022年，有32種重要的行業(yè)生產(chǎn)的機器學(xué)習(xí)模型，而學(xué)術(shù)界生產(chǎn)的只有3種。構(gòu)建最先進的人工智能系統(tǒng)越來越需要大量的數(shù)據(jù)、計算機能力和金錢——與非營利組織和學(xué)術(shù)界相比，行業(yè)參與者天生擁有更多的資源。

大型語言模型的規(guī)模越來越大，成本也越來越高;GPT-2發(fā)布于2019年，被許多人認(rèn)為是第一個大型語言模型，有15億個參數(shù)，培訓(xùn)成本估計為5萬美元。PaLM是2022年推出的旗艦大型語言模型之一，擁有5400億個參數(shù)，估計花費了800萬美元——PaLM大約是GPT-2的360倍，成本是160倍。這不僅僅是PaLM：總之，大型語言和多模式模型正變得越來越大、越來越昂貴。

第二章：技術(shù)性能

在傳統(tǒng)的基準(zhǔn)測試上的性能飽和;人工智能繼續(xù)發(fā)布最先進的結(jié)果，但在許多基準(zhǔn)測試上的同比改善仍然很少。此外，達到基準(zhǔn)飽和度的速度也在增加。然而，新的、更全面的基準(zhǔn)測試套件，如BIG-bench和HELM正在發(fā)布。

生成性人工智能進入了公眾的視野;2022年，像DALL-E 2和穩(wěn)定擴散這樣的文本到圖像模型發(fā)布了，像make-a-視頻這樣的文本到視頻系統(tǒng)，以及像ChatGPT這樣的聊天機器人。盡管如此，這些系統(tǒng)還是容易產(chǎn)生幻覺，自信地輸出不連貫或不真實的反應(yīng)，這使得很難在關(guān)鍵的應(yīng)用中依賴它們。

人工智能系統(tǒng)變得更加靈活;傳統(tǒng)上，人工智能系統(tǒng)在狹窄的任務(wù)上表現(xiàn)良好，但在更廣泛的任務(wù)中卻很困難。最近發(fā)布的模型挑戰(zhàn)了這一趨勢;BEiT-3、PaLI和Gato等地，單一的人工智能系統(tǒng)越來越能夠?qū)Ш蕉鄠€任務(wù)(例如，視覺、語言)。

有能力的語言模型仍然難以進行推理;語言模型繼續(xù)提高它們的生成能力，但新的研究表明，它們?nèi)匀浑y以完成復(fù)雜的規(guī)劃任務(wù)。

人工智能既幫助又破壞了環(huán)境;新的研究表明，人工智能系統(tǒng)可能會產(chǎn)生嚴(yán)重的環(huán)境影響。根據(jù)Luccioni等人，2022年，布魯姆的訓(xùn)練運行排放的碳比從紐約到舊金山的單程旅行者多25倍。盡管如此，像空氣冷卻器這樣的新的強化學(xué)習(xí)模型表明，人工智能系統(tǒng)可以用于優(yōu)化能源使用。

世界上最好的新科學(xué)家……人工智能嗎?人工智能模型開始迅速加速科學(xué)進步，并于2022年被用于幫助氫聚變，提高矩陣操作效率并生成新抗體。

人工智能開始構(gòu)建更好的人工智能;英偉達使用了一種人工智能強化學(xué)習(xí)代理來改進為人工智能系統(tǒng)提供動力的芯片的設(shè)計。類似地，谷歌最近使用它的一種語言模型PaLM提出了改進相同模型的方法。自我改進的人工智能學(xué)習(xí)將加速人工智能的進步。

第三章：模型尺度

對偏差和毒性的影響被訓(xùn)練數(shù)據(jù)和緩解方法混淆了;在過去的一年里，一些機構(gòu)建立了自己的基于專有數(shù)據(jù)訓(xùn)練的大型模型——雖然大型模型仍然是有毒的和有偏見的，但新的證據(jù)表明，通過指令調(diào)優(yōu)訓(xùn)練大型模型后，這些問題可以在一定程度上得到緩解。

生成模型已經(jīng)出現(xiàn)，它們的倫理問題也出現(xiàn)了;2022年，生成模型成為時代精神的一部分。這些模式很有能力，但也帶有倫理上的挑戰(zhàn)。文本圖像生成器通常對性別維度有偏見，而像ChatGPT這樣的聊天機器人可以被騙去為邪惡的目標(biāo)服務(wù)。

有關(guān)濫用人工智能的事件數(shù)量正在迅速增加;根據(jù)追蹤人工智能道德濫用相關(guān)事件的AIAAIC數(shù)據(jù)庫，自2012年以來，人工智能事件和爭議的數(shù)量增加了26倍。2022年發(fā)生的一些值得注意的事件包括一段烏克蘭總統(tǒng)澤倫斯基投降的深度偽造視頻，以及美國監(jiān)獄對囚犯使用電話監(jiān)控技術(shù)。這一增長證明了人工智能技術(shù)的使用量增加，也意識到了濫用的可能性。

更公平的模型可能不會更有偏見;對語言模型的廣泛分析表明，雖然表現(xiàn)和公平之間存在明顯的相關(guān)性，但公平和偏見可能是不一致的：在某些公平基準(zhǔn)上表現(xiàn)更好的語言模型往往有更差的性別偏見。

人們對人工智能倫理學(xué)的興趣繼續(xù)飆升;領(lǐng)先的人工智能倫理會議FAccT被接受的提交數(shù)量自2021年以來增加了一倍多，自2018年以來增加了10倍。2022年，行業(yè)參與者的提交數(shù)量也比以往任何時候都多。

使用自然語言處理的自動事實核查畢竟并不是那么簡單;雖然已經(jīng)開發(fā)了幾個自動事實核查的基準(zhǔn)，但研究人員發(fā)現(xiàn)，16個數(shù)據(jù)集中有11個依賴于事實核查報告中“泄露”的證據(jù)，而這些證據(jù)在索賠出現(xiàn)時并不存在。

第四章：經(jīng)濟

幾乎所有美國工業(yè)部門對人工智能相關(guān)專業(yè)技能的需求都在增長;在美國所有有數(shù)據(jù)的部門(農(nóng)業(yè)、林業(yè)、漁業(yè)和狩獵除外)，與人工智能相關(guān)的職位發(fā)布數(shù)量平均從2021年的1.7%增加到2022年的1.9%。

美國的雇主正在越來越多地尋找具有人工智能相關(guān)技能的工人;過去十年來，私人在人工智能方面的投資首次同比下降。2022年，全球人工智能私人投資為919億美元，較2021年下降了26.7%。與人工智能相關(guān)的融資事件總數(shù)以及新融資的人工智能公司數(shù)量也同樣減少。盡管如此，在過去十年中，人工智能投資大幅增加。2022年，私人對人工智能的投資數(shù)量是2013年的18倍。

美國在人工智能方面的投資再次處于領(lǐng)先地位;美國在人工智能私人投資總額方面領(lǐng)先于世界。2022年，在美國投資的474億美元，大約是在排名第二高的國家中國(134億美元)的3.5倍。在新投資的人工智能公司總數(shù)方面，美國也繼續(xù)領(lǐng)先，是歐盟和英國的總和的1.9倍，是中國的3.4倍。

2022年，投資最多的人工智能重點領(lǐng)域是醫(yī)療和醫(yī)療保健(61億美元);其次是數(shù)據(jù)管理、處理和云計算(59億美元);和金融科技(55億美元)。然而，與人工智能私人投資的更廣泛趨勢相一致，大多數(shù)人工智能重點領(lǐng)域在2022年的投資少于2021年。去年，最大的三場人工智能私人投資活動是：(1)中國電動汽車制造商廣汽新能源汽車獲得25億美元融資;(2)為軍事機構(gòu)和邊境監(jiān)控技術(shù)的美國國防產(chǎn)品公司提供15億美元的E輪融資;(3)向德國商業(yè)數(shù)據(jù)咨詢公司Celonis投資12億美元。

雖然采用人工智能的公司比例已經(jīng)趨于穩(wěn)定，但采用人工智能的公司仍在繼續(xù)領(lǐng)先;麥肯錫的年度研究調(diào)查結(jié)果顯示，自2027年以來，采用人工智能的公司在2027年的比例增加了一倍多，盡管近年來已穩(wěn)定在50%至60%之間。采用人工智能的組織報告稱，實現(xiàn)了有意義的成本下降和收入增加。

企業(yè)正在以多方面的方式部署人工智能;最有可能嵌入到企業(yè)中的人工智能能力包括機器人過程自動化(39%)、計算機視覺(34%)、NL文本理解(33%)和虛擬代理(33%)。此外，2022年最常采用的人工智能用例是服務(wù)運營優(yōu)化(24%)，其次是創(chuàng)建新的基于人工智能的產(chǎn)品(20%)、客戶細分(19%)、客戶服務(wù)分析(19%)和新的基于人工智能的產(chǎn)品增強功能(19%)。

像副駕駛這樣的人工智能工具完全可以幫助工人;GitHub調(diào)查的結(jié)果顯示，88%的受訪者在使用該系統(tǒng)時感到更有效率，74%的人認(rèn)為他們能夠?qū)Ｗ⒂诟钊藵M意的工作，88%的人認(rèn)為他們能夠更快地完成任務(wù)。

中國主導(dǎo)著工業(yè)機器人的安裝;2013年，中國超過了日本，成為安裝工業(yè)機器人最多的國家。從那以后，中國安裝的工業(yè)機器人總數(shù)與鄰近國家之間的差距擴大。2021年，中國安裝的工業(yè)機器人數(shù)量超過了世界其他地區(qū)的總和。

第五章教育

越來越多的人工智能專業(yè)化;2021年，美國大學(xué)計算機科學(xué)專業(yè)博士畢業(yè)生的比例從2020年的14.9%和2010年的10.2%躍升至2021年的19.1%。

新的人工智能博士越來越走向工業(yè);2011年，人工智能博士畢業(yè)生在工業(yè)界工作的比例(40.9%)，與學(xué)術(shù)界(41.6%)大致相同。然而，從那以后，大多數(shù)人工智能博士都進入了工業(yè)行業(yè)。2021年，65.4%的人工智能博士在工業(yè)界工作，是28.2%在學(xué)術(shù)界工作的兩倍多。

新的北美CS、CE和信息教員的招聘保持不變;在過去的十年里，北美計算機科學(xué)(CS)、計算機工程(CE)和信息教師的招聘總數(shù)有所下降：2021年為710人，而2012年為733人。同樣，終身教職員工總數(shù)在2019年達到了422人，然后在2021年下降到324人。

美國私人與公共CS部門的外部研究資金差距繼續(xù)擴大;2011年，美國私人和公共CS部門用于計算研究的外部總支出中位數(shù)大致相同。從那以后，差距擴大了，美國的私立計算機計算機系比公立大學(xué)多獲得了數(shù)百萬美元的額外資金。2021年，私立大學(xué)的支出中值為970萬美元，而公立大學(xué)為570萬美元。

美國和世界其他地區(qū)對K-12人工智能和計算機科學(xué)教育的興趣都在增長;2021年，美國學(xué)生共參加了181,040次AP計算機科學(xué)考試，較上年增長1.0%。自2007年以來，AP計算機科學(xué)考試的數(shù)量增加了九倍。截至2021年，包括比利時、中國和韓國在內(nèi)的11個國家已經(jīng)正式批準(zhǔn)并實施了K-12人工智能課程。