スタンフォードグローバルAIレポート：人材需要は2年間で35倍に増加し、中国のロボット導入は500％増加

先ほど、スタンフォード グローバル AI レポートが正式に発表されました。

スタンフォード大学は昨年から、MIT、OpenAI、ハーバード、マッキンゼーなどの機関の専門家や教授らと共同でグループを結成し、人工知能の発展状況と動向を総合的に追跡するAI指数年次報告書を毎年発行している。

「我々は確かなデータに基づいて話している」と、報告書の責任者でスタンフォード大学教授、元グーグル主任科学者のヨアブ・ショハム氏は最新の報告書について語った。

今年のレポートでは、学術界、産業界、オープンソース、政府の観点から人工知能開発の現状を詳しく説明し、コンピュータービジョンや自然言語理解などの分野における技術の進歩を記録しています。

レポートのハイライト:

1. 米国は最も強力な総合的なAI能力を持っている

米国はAI論文の出版数では1位ではないものの、米国の研究者による論文の引用数では世界1位であり、世界平均より83%高い。

2018年の米国のAIスタートアップ企業の数は2015年に比べて2.1倍に増加しました。 2013年から2017年にかけて、米国のAIスタートアップが受け取った資金の額は4.5倍に増加しました。平均の2倍以上です。

2. 中国のAIの追い上げスピードは驚異的

2017年に清華大学でAIと機械学習を学ぶ学生の数は2010年と比べて16倍になった。

AAAI論文の70%は米国または中国からのものです。両国に受理された論文の数はほぼ同じですが、中国から提出された論文の総数は米国より30%多くなっています。

査読付き論文データベースであるScopusのデータによると、2018年に最も多くのAI論文を発表した地域は、ヨーロッパ（28％）、中国（25％）、米国（17％）でした。

2000年と比較すると、2016年の中国のAI研究者の論文の引用数は44%増加しました。

中国におけるロボットの年間導入・設置量は、2012年から現在までに500%増加しました。 2017 年、中国からの ROS.org へのアクセス数は 2012 年と比較して 18 倍に増加しました。

3. 世界のAI開発は加速しているが、まだ不均一

2017 年、ML 人材に対する世界的な需要は 2015 年の 35 倍になりました。

全体的に、2016 年以降、米国、カナダ、英国政府による議会会議での AI と機械学習への言及が急増しています。

カリフォルニア大学バークレー校、スタンフォード大学、イリノイ大学カリフォルニア大学ユニバーシティ校、カーネギーメロン大学、カリフォルニア大学ロンドン校、オックスフォード大学、スイス連邦工科大学チューリッヒ校の統計によると、AI教授の80%は男性です。

米国の AI 関連の仕事に応募する人の 71% は男性です。

このレポートを読んだ後、人工知能の専門家アンドリュー・ン氏は次の 2 つの点をまとめました。1. AI は学術界と産業界の両方で急速に発展しています。 2. AIの発展はまだ不均一であり、多様性と包括性の面でさらなる努力が必要です。

報告書の主なポイントは次のとおりです。

AI論文の分析

出版物の総数は急速に増加した

1996年から2017年にかけて、CS分野では年間論文発表数が約5倍（6倍）に増加し、AI分野では年間論文発表数が約7倍（8倍）に増加しました。比較すると、すべての分野にわたって毎年発表される論文の総数は、2 倍未満 (<3 倍) の増加となっています。

重要な点は、AI 論文の年間出版量が CS 論文よりも速いペースで増加していることです。

地域別に発表されたAI論文

2017 年、Scopus に掲載された AI 論文の 83% は米国外からのものでした。具体的なデータとしては、28%がヨーロッパ、25%が中国、17%がアメリカとなっています。

2007年から2017年にかけて、中国で発表されたAI論文の数は150%増加しました。

分野別論文発表

2017年に発表されたAI論文のうち、56%は機械学習と確率的推論の研究方向からのものでした。

比較すると、2010 年に発表された AI 論文のうち、この方向からのものはわずか 28% でした。

さらに、グラフに示されている研究方向のほとんどは、2010 年から 2014 年の間よりも 2014 年から 2017 年の間の方が複合年間成長率 (CAGR) が高くなっています。

例えば、ニューラルネットワークの分野で発表された論文数は、2014年から2017年の間に年間平均成長率が37%（図の赤い曲線で示す）と最も顕著です。

比較すると、2010 年から 2014 年の間にニューラル ネットワークに関して発表された論文数の年平均成長率はわずか 3% でした。

arXiv論文

2010 年以降、arXiv 論文数は急速に増加し、2010 年に発表された 1,073 件から 2017 年には 13,325 件と 11 倍以上 (12 倍) 増加しました。多くのセグメントでも成長が見られました。

つまり、論文著者は、査読や AI カンファレンスでの発表を通じて、研究結果を広める傾向があります。これは、AI分野の激しい競争の性質を反映しています。

サブセクターの中で、コンピューター ビジョン (CV) は 2014 年以降最も急速に成長しており (上図の青い曲線)、2017 年には 1,099 件の論文から 4,895 件の論文に増加し、ほぼ 400% 増加しました。

AI論文引用

FWCI は分野加重引用影響係数であり、論文の影響を測定するために使用できます。

この報告書は、地域別ではなく世界平均に基づいて影響を計算する「再ベース」FWCIを再定義しています。

この基準では、ヨーロッパで発表されたAI論文の数は中国や米国よりも多いものの、論文の影響力曲線は比較的平坦です。対照的に、中国で発表された論文の影響力は劇的に増加しており、2000年と比較すると、2016年の中国のAI論文著者の平均引用率は44％増加しました。

しかし、この点では米国が依然として世界をリードしており、米国の AI 論文著者の平均引用率は世界平均より 83% 高くなっています。

AAAI論文

AAAI 2018では、提出された論文の70%が中国と米国からのものであり、選ばれた論文の67%が中国と米国からのものでした。

中国からの論文投稿数は米国より約3分の1多かったが、採択された論文数は中国が265件、米国が268件とほぼ同数だった。

大学におけるAIコースの受講者数

AI と ML が大学に導入されるスピードは大幅に増加しています。

報告書によると、2017年末までにAIコースの受講者数は2012年に比べて3.4倍、MLコースの受講者数は2012年に比べて5倍に増加した。

その中で、カリフォルニア大学バークレー校の機械学習コースの受講者数は2012年に比べて6.8倍と最も急速に増加しましたが、この数字は2016年の成長率と比較すると大幅に減少しています。

このレポートではさらに、米国以外の教育機関における AI + ML コースの登録者数の変動もカウントしています。調査結果によると、清華大学はアメリカの大学以外では最も高い成長率を誇り、第2位のトロント大学のほぼ2倍となっている。

垂直比較では、2017年に清華大学のAI + MLコースに登録した人の数は2010年の16倍でした。

学術会議の人気

大規模なカンファレンスの中で、NeurIPS（旧称NIPS）、CVPR、ICMLは、参加者数が最も多い3つの最大のAIカンファレンスです。これら 3 つのカンファレンスは、2012 年以降の参加者数の増加においても他のカンファレンスをリードしています。

NeurIPS と ICML は参加者数の増加が最も速く、2018 年と 2012 年を比較すると、NeuRIPS は 3.8 倍 (4.8 倍)、ICML は 5.8 倍 (6.8 倍) 増加しました。

上記の議論は大規模な会議に関するものですが、小規模な会議の参加者数も大幅に増加しており、大規模な会議の増加よりも顕著である可能性があります。

ここで注目すべきは、ICLR 2018 の参加者数が 2012 年の 20 倍になったことです。

その理由は、近年、AIの分野でディープラーニングや強化学習に注目が集まっているからと考えられます。

AIスタートアップ投資

2015年1月から2018年1月までの間に、AIスタートアップの数は2.1倍に増加し、活動中のスタートアップ全体は1.3倍に増加しました。

スタートアップの成長は大部分で比較的安定していますが、AI スタートアップは飛躍的に成長しています。

ベンチャーキャピタルに関して言えば、2013年から2017年にかけて、人工知能分野のベンチャーキャピタルは4.5倍に増加しましたが、ベンチャーキャピタル全体は2.08倍しか増加しませんでした。これらのデータは年次データであり、年ごとの累積データではありません。

グラフには 2 つのピークがあります。1997 年から 2000 年にかけてのベンチャー キャピタル資金の急増は、インターネット バブルに相当します。 2014年から2015年は比較的大きな経済成長の時期であったため、増加は小さかった。

人材需要

報告書によると、近年、社会におけるAI関連人材の需要が大幅に増加しています。現在、MLスキルを持つ人材の需要が最も大きく、次いでディープラーニングとなっています。

ML 人材の需要も過去 2 年間で最も急速に増加したことがわかります。

報告書によると、2017年のML人材の世界的な需要は2015年に比べて35倍となり、特に2016年から2017年にかけての増加が顕著でした。 2016年、AI人材に対する世界的な需要が急増しました。

特許

2014年、AI特許発明者の約30%は米国出身で、続いて韓国と日本がそれぞれ16%を占めた。

韓国、台湾、中国では、特許はより速いペースで増加しています。 2014 年の AI 特許の数は 2004 年のほぼ 5 倍になりました。

決算説明会でのAIとMLに関する言及

2015 年、テクノロジー企業は収益報告の電話会議で AI と ML についてより頻繁に言及し始めました。

他の業界で AI に関する言及が増え始めたのは 2016 年になってからでした。

対照的に、テクノロジー業界の企業は、他の業界の企業よりも AI と ML についてはるかに頻繁に言及しました。

決算説明会では、テクノロジー業界に加えて、AIについて最も多く言及したのは、基本的に消費者、金融、ヘルスケア業界の企業でした。

ロボット設置量

2012年から2017年にかけて、中国におけるロボットの年間設置数は500%増加し、韓国やヨーロッパなどの他の地域でもそれぞれ105%と122%増加しました。

設置量が少ない地域の中では、台湾が2012年から2017年にかけて最も急速な成長を遂げ、際立っています。

オープンソースフレームワーク GitHub スター数

各フレームワークの星の数は、開発者コミュニティにおける人気を反映しています。ただし、開発者は通常、GitHub プロジェクトを「フォロー解除」しないため、これらのスターは長年にわたって蓄積されます。

開発者の間で TensorFlow の人気がはるかに高く、着実に成長していることがはっきりとわかります。

1位を除いて、2位と3位はそれぞれ scikit-learn と BVLC/caffe です。

TensorFlow が公式に推進する Keras は 4 位にランクされましたが、過去 1 年間でほとんど成長の勢いが見られません。

他の 2 つの人気フレームワークである PyTorch と MXNet は、それぞれ 7 位と 6 位にランクされました。特に PyTorch は新しいフレームワークですが、2017 年初頭のリリース以来、GitHub スターの数は少なくとも 4 倍に増加しています。新規ユーザー獲得の勢いが非常に強く、TensorFlow に狂わされた人間がどれだけいるのか気になるところです。

各種タスクの最新結果

この部分は CV と NLP の 2 つの部分に分かれており、それぞれ開発の開始から現在までの各主流タスクの進捗状況をリストします。

ImageNet画像認識精度

2017 年は ImageNet コンテストの最後であり、2018 年にはコンテストは開催されなくなります。ただし、検証セットはまだ一部の人々によって使用されています。

図中の青い線は、ImageNet Challenge の結果の年ごとの変化を表しています。コンテストで使用するデータは毎年異なるため、その横には ImageNet 2012 検証セットを評価基準として描いた黄色い線が追加されています。

ご覧のとおり、2015 年までに、画像分類タスクでは機械が明らかに人間の目を上回っており、競争はもはや行われていなかったものの、学術研究者は依然としてこのタスクのパフォーマンスを真剣に向上させていました。

これはまた、研究に明確な評価基準と一定の課題があれば、研究者はそれを中心に競争し、その分野で技術のブレークスルーを達成しやすくなることを間接的に示しています。

ImageNetのトレーニング速度

このグラフは、ImageNet 画像分類ニューラル ネットワークを何年にもわたってトレーニングするのに必要な時間を示しています (もちろん、これは十分なコンピューティング リソースを利用できる個人や機関にかかる時間です)。

ImageNet 画像分類ニューラル ネットワークのトレーニング速度は、2017 年 6 月の 1 時間から 2018 年 11 月の 4 分へと 16 倍に向上しました。ハードウェアの貢献に加えて、アルゴリズムの改善も過小評価できません。

画像セグメンテーション COCO

ImageNet チャレンジが「引退」した後、CV 分野の友人たちは Microsoft の COCO に焦点を絞り、セマンティック セグメンテーションとインスタンス セグメンテーションに挑戦しました。

過去 4 年間で、COCO データセットでの画像セグメンテーション チャレンジの精度は 0.2 向上し、2018 年の結果は 2015 年よりも 72% 高くなりました。しかし、まだ0.5を超えていないので、改善の余地は十分にあります。

また、近年の COCO コンテストの優勝者のほとんどが中国企業であることも特筆に値します。その中には、Megvii や SenseTime などのコンピューター ビジョンのユニコーン企業も含まれており、これらの企業は複数のプロジェクトで優勝することがよくあります。

解析

文の構造を判断するなどの文法解析のタスクでは、2003年から2018年までの15年間でAIのパフォーマンス（F1スコア）が10％近く向上しました。

機械翻訳

機械翻訳タスクでは、レポートでは英語からドイツ語への翻訳を例にとり、機械翻訳の古典的な評価アルゴリズムであるBLEU標準でAIモデルのパフォーマンスを評価しています。

報告書によると、2018年の英語からドイツ語へのBLEUスコアは2008年の3.5倍、ドイツ語から英語へのBLEUスコアは2008年の2.5倍でした。

機械による質問応答: AI2 推論チャレンジ (ARC)

質問応答分野では、AIのパフォーマンスがさらに大幅に向上し、月単位でカウントできるようになりました。

このレポートでは、2018 年 4 月から 11 月までの ARC 推論チャレンジにおける AI パフォーマンスの変化を数えています。シンプル グループのスコアは 63% から 69% に増加し、チャレンジ グループのスコアは 27% から 42% に増加しました。

これらは、わずか半年間で達成された進歩です。

機械による質問応答: GLUE

機械による質問応答にも使用されるGLUEベンチマーク（一般言語理解評価）は、開始されてまだ7か月ですが、現在のパフォーマンスは半年前と比較して90％向上しています。

ニューヨーク大学助教授でGLUEの生みの親であるサム・ボウマン氏は、GLUEをめぐる大規模なコミュニティはまだ生まれていないものの、GoogleのBERTなどの代表的な技術がGLUEベンチマークを使用しており、リリースから1か月以内に8回引用されていると述べた。 GLUE は EMNLP カンファレンスで頻繁に議論されており、言語理解の分野におけるベンチマークになる可能性があります。

政府が言及

全体的に、2016 年以降、米国、カナダ、英国の政府が議会の会議で AI と機械学習について言及する回数が急増しています。

2016 年以前は、機械学習はほとんど言及されておらず、人工知能と比較すると言及全体のわずかな部分を占めるに過ぎませんでした。

レポートをダウンロード

現在、2018 年度の年次報告書はダウンロード可能です。公式 Web サイトにログインして入手できます。

http://aiindex.org/

Quantum Bitパブリックアカウント（QbitAI）のダイアログインターフェースで「94ページのレポート」と返信すると、レポートのPDFバージョンが直接ダウンロードされます。