人工智能如今无处不在。本报告将展示人工智能的发展历程。

人工智能越来越便宜，越来越能胜任我们分配给它的任务，而且应用范围越来越广——但人们对偏见、道德和监管监督的担忧仍然存在。在人工智能逐渐普及之际，斯坦福以人为本的人工智能研究所整理了一份全面的 2022 年报告，分析了这个不断发展的领域的来龙去脉。以下是一些亮点。

出版物数量不断增加

有关该主题的出版物数量本身就说明了问题：过去十年中，出版物数量翻了一番，从 2010 年的 162,444 份增加到 2021 年的 334,497 份。研究人员和其他人发表的最受欢迎的人工智能类别是模式识别、机器学习和算法。

此外，2021 年与人工智能创新相关的专利申请数量是 2015 年的 30 倍。2021 年，大多数申请的专利来自中国，但实际授予的专利大多数来自美国。

2015 年至 2021 年，参与 GitHub 上开源 AI 软件库的用户数量也有所增加。这些库收集了用于应用程序和产品的计算机代码。名为 TensorFlow 的库仍然是最受欢迎的，其次是 OpenCV、Keras 和 PyTorch（Meta AI 使用的）。

分析图像和理解语音的计算机

具体来说，在人工智能可以执行的各种任务中，去年研究界专注于将人工智能应用于计算机视觉，这是一个教机器理解图像和视频的子领域，以便擅长对图像进行分类、识别物体、映射人体关节的位置和运动，以及检测人脸（戴和不戴口罩）。

[相关：麻省理工学院的科学家教机器人如何互相破坏]

对于图像分类，用于训练 AI 模型的最流行的数据库是 ImageNet。一些研究人员在将模型暴露给 ImageNet 之前，会先在其他数据集上对其进行预训练。但模型仍然会犯错，平均每 10 张图像中就会有 1 张被误识别。表现最好的模型来自 Google Brain 团队。除了识别图像和人脸外，AI 还可以生成几乎与真实图像无法区分的假图像，为了解决这个问题，研究人员一直在研究基于 FaceForensics++ 等数据集的深度伪造检测算法。

[相关：谷歌的这款新 AI 工具可能会改变我们在线搜索的方式]

自然语言处理是自 20 世纪 50 年代以来一直被积极探索的一个子领域，它在英语理解、总结、推断合理结果、识别情感背景、语音识别和转录以及翻译方面正在慢慢取得进展。对于基本的阅读理解，人工智能可以比人类表现得更好，但当语言任务变得更加复杂时，比如当需要解释上下文线索时，人类仍然有优势。另一方面，人工智能伦理学家担心偏见可能会影响从混合训练数据中提取的大型语言模型。

大型科技和人工智能

亚马逊、Netflix、Spotify 和 YouTube 等科技公司一直在改进推荐系统中使用的人工智能。人工智能在强化学习中的作用也是如此，这使得它能够在国际象棋和围棋等虚拟游戏中做出反应并表现出色。强化学习还可用于教导自动驾驶汽车完成变道等任务，或帮助数据模型预测未来事件。

随着人工智能似乎越来越擅长做我们希望它做的事情，训练它的成本也下降了，自 2018 年以来下降了 60% 以上。与此同时，一个在 2018 年需要 6 分钟才能训练的系统现在只需要 13 秒多一点的时间。考虑到硬件成本，到 2021 年，一个图像分类系统的训练成本将不到 5 美元，而 2017 年这个成本将超过 1,000 美元。