斯坦福教授发布首份 AI Index 报告，指引 AI 工作者不再「flying blind」

2017 年 12 月 9 日 AI科技评论 camel

AI 科技评论按：前两天斯坦福大学计算机科学院教授，前谷歌首席科学家 Yoav Shoham 来到中国做了场《人工智能的过去、现在和未来》的报告，报告中他除了介绍了人工智能的发展历史、现在所面临的困境以及如何克服这些困境做了非常经常的解读外，还重点讲述了他一年来主导的一份工作：AI Index（链接：https://aiindex.org/）。

「AI Index」是什么？

了解一个国家的经济发展，我们要当然要看 GDP；但是想了解人工智能的发展状况时，我们看什么呢？Yoav Shoham 教授想要说的就是：AI Index。

这件事要从 2014 年说起，当时斯坦福大学决定启动一个叫做「AI100」的项目，中文理解就是「人工智能百年研究」。项目的首要目标简单来说就是持续地去调查、总结人工智能未来 100 年在学术研究、经济、道德伦理、法律等方面的进展和对此的展望。

在去年 9 月份，「AI100」的 panel 小组推出了第一份《斯坦福人工智能百年研究：2030 年的人工智能与人类生活》的报告。

但是「AI 100」有一个缺点就是，它每五年才会推出一份报告，不能及时跟踪 AI 的发展。于是在去年（2016 年）Yoav Shoham 退出了「AI100」的领导小组，并和 Ray、Erik、Jack 和 Kelven 等人开始领导、开发一项旨在及时跟踪并反映人工智能当前发展的现状的一个指标体系——AI Index。

如《AI index 2017 annual report》（链接：http://cdn.aiindex.org/2017-report.pdf）报告中所说：

AI 领域在迅猛地发展，即使是专家也很难理解和跟踪整个领域的进展。没有相关合理的数据来呈现 AI 技术的现状，那么我们去开会或者做一些 AI 相关的决策其实就像是在「flying blind」。

而现在，我们真的在「flying blind」！

Yoav Shoham 教授希望能通过这个开放的、公益的、基于数据的 AI index 报告给各个领域的 AI 研究人员提供导航。这个报告有几个特点，如下：

这是一个年报；
它所使用的所有数据都是公开的，且欢迎所有人提供新的数据；
This is just a beginning. Yoav 呼吁更多人加入，来共同改进 AI Index。

报告讲了啥？

简单来说，《AI Index》年报大致有两块：

数据章节：调查图表，并简要说明遗漏了哪些东西，以及附录的获取和处理数据的方法；
讨论章节：前面的图表太冰冷，各位领域大牛（例如吴恩达）来场温暖解读。

数据章节

一、活动体量——该领域的「how much」

1、学术

AI Index 从三个方面考量人工智能研究的发展：论文数量、高校招生情况以及AI会议参会人数的变化。

（1）发表论文数量

可以看到，从 1996 年到现在，AI相关的论文数量增长了近 9 倍！9倍是什么概念呢？或许对比一下更有感觉——

对比从 1996 年到现在所有论文、CS 领域论文和 AI 领域论文，增长比例分别为 2 倍、6 倍和 9 倍。通过仔细地观察图标就会发现，CS 论文数量在 04 年到 09 年有一个很快速的增长，而 AI 领域论文数量也随之开始急速增长，这说明 AI 的蓬勃发展是由 CS 其他领域的研究所驱动的。

（2）招生数量

限于数据的原因，AI Index只收集了斯坦福、伯克利、佐治亚大学、伊利诺伊大学香槟分校、华盛顿大学、卡内基·梅隆大学的招生情况。

斯坦福大学从1990年开始招收 ML、AI 的学生，我们看到ML的招生人数在2000年前一直都非常少，单丝从2006年之后则开始迅速增长。

而招收学习AI的学生数在90年代经历了一次涨幅之后跌落到了冰点。从 1996 年的冰点开始招生人数只是缓慢增长，但是在2006年后招生人数也出现了迅猛增长，2017年的人数是1996年的 11 倍之多。（注：17 年下降是由于学校管理的问题）

对比一下在AI方向几所高校的招生情况，可以看到伯克利在这方面似乎更有热情一些，而其他几所学校就稍微比较缓慢了一些。

在ML方面，斯坦福大学则较为活跃。另一个值得注意的是，CMU 从 12 年才开始有 ML 这门专业，却发展迅速。

（3）参会人数

以上是在2016 年参会人数超过一千人的大会。这种整体「碗底形」的数据表也说明人们的注意力逐渐由符号推理转向了机器学习和深度学习，真所谓「三十年河东，三十年河西」。我们也知道今年的NIPS会议的参会人数高达8000多人。

这个则是在 2016 年参会人数小于一千人的小会。从这里也可以看到尽管人们的注意力转移了，但仍有一小群人在 AI 中稳步地推进符号推理方法的研究。总有一部分人的学术研究不是跟风的。

2、产业

（1）AI 相关的初创公司

在 21 世纪之前，AI 公司几乎没有。但是从 2000 年之后则迅速出现很多AI公司，尤其是在 2006 年之后，致力于发展 AI 系统的美国初创公司数量开始呈指数增长，2016 年的 AI 公司数量是 2000 年的 14 倍之多。

（2）AI 相关的基金

投向美国 AI 初创公司的资金从2012年之后才开始注意到人工智能，并开始大量地投资。对比一下 2000 年，2016年的总量是其 6 倍。

（3）职位空缺

以下数据主要来源于两个网站 Indeed.com 和 Monster.com。

数据从2013年开始，我们可以看到在美国从 2013 年到现在要求有 AI 技能的工作增长了 4.5 倍。

不同国家的 AI 相关职位空缺增长情况也不一样，可以看出加拿大和英国在这两年增长非常迅速。不过虽然增长较快，但它们的绝对数量只有美国的 5% 和 27%。

在特定领域，可以看出有 ML 相关经验的工作显得更多，空缺量两年时间增长了近10 K。而对深度学习有要求的工作在今年也成倍增长。

（4）机器人影响

北美和全球范围内，工业机器人装置的货运数量在 2009 年之后增长了近 200K。

北美和全球范围内，工业机器人增长倍数。可以看出从 2009 年之后，工业机器人货运数量急剧增长。

3、开源软件——Github 项目统计

Github 上 tensorflowh（深度学习软件包）和 Scikit-learn（机器学习软件包）的 star 数（相当于喜欢或者收藏），深度学习的关注度似乎远多于机器学习的关注度。

来张集体照，Tensorflow简直是「遥遥领先」。

4、公众兴趣——媒体报道情绪

包含「Artificial Intelligence」词项的媒体文章数量：积极和消极。可以看出积极占大部分，尤其是进入 2017 年以后。

二、技术表现——该领域的「how good」

1、视觉——物体检测

大场景视觉识别挑战（LSVRC）比赛中物体检测的表现。可以看出，从 2010 年 28.5% 的误差率迅速降低到 2017 年的 2.5%，甚至超过了人类的表现。

2、视觉——视觉问答

对一个图片问题的开放式回答任务中 AI 系统的表现。嗯，离人类表现差的还远。

3、自然语言处理——Parsing

AI 系统在检测语句语法结构任务中的表现在近十年的时间里似乎并没有太多的改变。

4、机器翻译

AI 系统在英-德之间新闻翻译任务中的表现在2015年之后有一次大的提升。注意之所以会出现下降，是因为翻译系统在不同的任务中会有不同的表现能力。

5、问答

AI 系统在从文件中给问题找答案任务中的表现也像翻译系统一样，在2015年有一次大的提升，但是随后则较为缓慢。

6、语音识别

AI 系统在识别手机电话中语音任务中的表现在进入今年以后逐渐逼近甚至超越人类水平。

7、理论证明

自动定理证明的一大组定理证明问题的平均易处理性。（易处理性有下降是因为不同的 solver 可能只擅长特定的问题）

8、SAT Solving

在工业应用问题上 SAT（学术能力测验）solver 解决问题的比率，从2009年已经能够做好及格水平，但是近十年也并没有较大的提升。

三、衍生测量——多方数据交叉比较

1、学术-工业

很明显，数据显示学术活动（论文发表和招生数量）驱动了工程的发展。在 2010 年，投资者开始注意到 AI 的发展，到 2013 年投资开始急剧增长。

2、AI 活力指数

AI 活力指数汇总了来自学术界和产业界的结果（论文出版，招生数量和投资），以量化 AI 作为一个领域的活力。为了计算 AI 活力指数，我们对以上三个因素求了平均。

这只是一个简单的计算，Yoav 等人希望通过这个简单的调查能够引发人们对如何更准确地分析 AI 指数的指标产生兴趣，并能够探讨出一个能够经得住时间考验的方案来。

四、朝向人类水平性能

把 AI 系统和人类对比，这几乎是自然而然的事情。显然在某些任务中，例如计算，计算机远远优于人类。但在处理复杂任务（例如问答、游戏、医学诊断等）时 AI 系统就比较难以评估了。

AI 系统往往是针对狭窄的背景设计的，所以它在某一个特定任务中可能会表现出卓越的性能；但是如果稍微地修改一下任务，AI 系统的性能可能就会大大降低。而人类则完全不同。

不过虽然拿人类和 AI 系统进行比较有点困难，但是在某些方面，这类比较还是非常有意思的。例如下面罗列的这些 milestones：

1980 年，黑白棋

在 20 世纪 80 年代，李开复和 Sanjoy Mahajan 开发了 BILL，这是一个用语玩「黑白棋」游戏的贝叶斯学习系统。1989 年这个程序赢得了美国电脑玩家的全国锦标赛，并以 56-8 的成绩击败了排名最高的美国选手 Brian Rose。在 1997 年，一个名为 Logistello 的程序在对阵黑白棋世界冠军的比赛中六场全胜。

1995 年，跳棋

1952 年，亚瑟·塞缪尔（Arthur Samuels）制作了一系列玩跳棋的程序，并通过自我学习进行改进。然而直到 1995 年，一个名为 Chinook 的跳棋程序才击败了世界冠军。

1997 年，国际象棋

在 20 世纪 50 年代就有一些计算机科学家语言计算机将在 1967 年击败人类国际象棋冠军。但直到 1997 年，IBM 的 DeepBlue 系统才击败了国际象棋冠军加里·卡斯帕罗夫（Gary Kasparov）。今天你可以在智能手机上运行的国际象棋与大师级的程序进行玩。

2011年，Jeopardy！

在 2011 年，IBM 的 Watson 计算机系统参加了热门的智力竞赛节目 Jeopardy！对抗前赢家 Brad Rutter 和 Ken Jennings。最终，Watson 赢得了 100 万美元的第一名。

2015 年，Atari 游戏

2015 年，Google 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。这个系统可以在大部分游戏中达到人类级别的表现（例如突出重围），尽管有些仍然显得遥不可及（例如蒙特祖玛的复仇）。

2016 年，ImageNet 中的对象检测

在 2016 年 ImageNet 自动标注的误差率从 2010 年的 28.5% 降到低于 3%，而人类的误差则是 5%。

2016 年，围棋

2016 年 3 月，Google DeepMind 团队开发的 AlphaGo 系统击败了世界上最流弊的围棋高手之一李世石，4-1。在 2017 年 3 月，DeepMind 发布的 AlphaGo Master，又打败世界排名第一的围棋大师柯洁。在 2017 年 10 月份，《自然》期刊上发表了另一个新版本的 AlphaGo Zero，以 100-0 的比分完败之前的 AlphaGo。

2017 年，皮肤癌分类

在 2017 年《Nature》上的一篇文章中，Esteva 等人描述了一个 AI 系统，他们用一组包含了 2094 中不同疾病的 129450 张临床图像的数据集训练了这个系统，随后将它与 21 位认证皮肤科专家的诊断性能进行比较，发现 AI 系统在对皮肤癌的分类上可以媲美于皮肤科专家。

2017 年，语音识别

2017 年，微软和 IBM 分别实现了可以媲美于人类的语音识别能力。

2017 年，扑克

2017 年 1 月，来自 CMU 的一个名为 Libratus 的程序在一个有 12 万长比赛的锦标赛中击败了四位顶级的人类玩家。

2017 年 2 月，来自 Alberta 大学的一个名为 DeepStack 程序在 3000+场游戏中击败了 11 名专业选手。

2017 年，Ms.Pac - Man

微软收购的深度学习团队 Maluuba 开发了一个 AI 系统，在 Atari 2600 上学到了如何达到游戏的最高分 999,900。

以上所有的数据都是公开的，报告中还提供了数据的具体收集方式。有兴趣的同学可以在后台回复「AI Index」下载报告。

五、遗漏了什么？

前面的内容覆盖了很多，但很显然并没有包含 AI 的全部，这个报告还有很多有待改进的地方。

1、技术表现

这个报告有很多重要的技术领域并没有覆盖到，有些领域还没有明确的标准化的基准（如对话系统、pllanning、机器人的连续控制）。在其他一些领域，则有可能是它们还没有显著的进步，例如常识推理，所以很难进行技术表现的评估。第三，有一些领域还没来得及收集相关的数据（例如推荐系统、标准化测试）。

2、国际化

这份报告（的数据）目前主要还是以美国为中心，而我们知道中国在 AI 方面的研究和投资也是极为活跃的。之所以没有覆盖的中国，主要原因是 Yoav 等人还没来得及拿到中国 AI 相关的数据。未来这一情况可能会得到改善。

3、多样性和包容性

那些研究和开发人工智能系统的人在塑造人工智能对社会影响方面发挥着重要的作用。AI Index报告中应该量化谁来参与到人工智能的交流中，以及衡量谁有影响未来人工智能研究和开发的权力。

4、政府和法人投资

本报告展示的风险投资数据仅仅关注美国，并且仅能代表人工智能研发（R＆D）投资总额的一小部分。政府和企业在 AI 研发上其实已经投入大量的资金，这些数据可能很难收集，要想进一步深入，可能需要一些高度协调的合作。

5、特定垂直领域的影响

报告还缺少 AI 在医疗保健、汽车、金融、教育等领域的影响的相关指标。这些领域可能是最重要也最难处理的，因为相关指标很难被识别和聚合，它们要求有对其领域有很深入了解的背景知识的人来做才好。所以 Yoav 等人也期待有这些领域的专家能够与他们合作，共同完善报告的这部分内容。

此外，这份报告也没有讨论种族、性别等方面的调查。

6、社会影响

这份报告也没有关于 AI 造成的社会风险有关的问题。在随后的报告中，Yoav 等人希望能够提供有助于 AI 安全性、AI 可预测性、AI 算法的公平性、AI 时代的隐私、AI 的道德影响以及其他主题的讨论。

以上问题这么多，主要原因还是：缺人、缺数据！所以 Yoav 等人迫切地希望有人能够加入到他们，共同完善或者说改进 AI Index 这份报告，为 AI 社区的人提供 AI 发展准确、及时的直观趋势。

专家论坛

数据总是冰冷的且不完整的，它只能描绘过去，却无法告诉人们现在和未来。AI Index 独创性地在报告中加入一系列跨学术界、产业界、政府和媒体的 AI 专家的观点，让人们对 AI 的现在和未来有一个生动的认识。下面我们整理了其中 5 位专家的观点，以飨读者，感兴趣的读者可以查看报告原文。

Barbara Grosz（哈佛大学）

Barbara Grosz是哈佛大学工程与应用科学学院自然科学家。

AI Index 的这份报告非常值得称赞，它弥补了很多缺失。但是报告中还没有覆盖到人工智能技术与人的交互的这方面。鉴于最近人们越来越重视开发能够补充或者增强人的能力而不是复制人类的人工智能技术，这一点还是尤其值得关注的。例如 IJCAI-16 就是以「人类认知 AI」为主题，AAAI-18 以「人与 AI 的合作」为主题，最近几年有见到许许多多关于 AI 与人的研讨会和座谈会。

这种 gap 反映在自然语言处理的部分，报告中提到了 parsing 、机器翻译等，但是却没有提到对话系统或聊天机器人。parsing 和机器翻译不需要考虑人的情感，但是对话系统和聊天机器人却需要。这是很重要的一点。

正如 AI Index 报告所指出的那样，只有当有很好的方法来衡量这些因素时才会把它们放到报告中。对考虑到人类因素的 AI 技术进行测量还真的是一个巨大的挑战，但是这却非常重要。光考虑 AI 算法和系统的效率、计算能力不行，还要考虑它们对人类生活的影响。如果 AI Index 报告能够促进对这些指标的衡量，那么它将对 AI 领域做出非常大的贡献，不论是对计算机工作者，还是整个社会。

此外，我也希望能够看到未来 AI Index 报告能够不仅调查人工智能课程的入学情况，也希望能够包括研究人工智能道德问题的课程情况。随着智能系统日益遍及我们的日常生活，AI 的教学课程需要向学生传达考虑道德的重要性。

AI Index 还需要考虑诸如有多少公司在设计 AI 系统时会考虑这个系统是否应该被设计出来，有多少 AI 系统设计者在他们的设计过程中会考虑他们设计出的系统是否会出现意想不到的结果并尽力去改善它们。

李开复（创新工场）

AI index 对人工智能的讨论做出了很大的努力。在其首份报告中有许多重要的统计数据可以用来了解 AI 的发展，不过主要是针对美国市场的。现在让我填补一些中国在 AI 方面的状况。

「数据从来都不嫌多。」（There's no data like more data.）数据越多，AI 就越智能。那么中国到底生成了多少数据呢？

中国拥有世界上最多的手机和互联网用户，是美国或者印度的大约三倍之多。可能很多人会认为中美之间的数据也是三倍这么大，而事实是远比这个大。在中国，人们使用手机支付是美国人的 50 倍；中国的粮食运输量是美国的十倍；共享单车公司摩拜只花了 10 个月的时间就从一无所有到每天 2000 万的订单。2000 万辆自行车提交它们的 GPS 数据和其他传感器信息到服务器上，每天创造了 20TB 的数据。同样的，据报道，中国的汽车共享公司 DiDi 将其数据与一些试点城市的交通管制联系起来。所有这些互联网连接的东西都将产生数据，这有助于使现有的产品和应用程序更加高效，也出现一些我们从来没有想到过的应用程序。

中国的 AI 产品质量如何呢？很多人可能还记得中国在 15 年前除了模仿之外别无所有。但是现在聪明而又热切的中国科技巨头和企业家们已经被西方的创新所推动，甚至超过了海外的同行们。举一个 AI 的例子，中国人脸识别创业公司 Face++最近在 3 个计算机视觉比赛中获得了第一名，领先于来自 Google、Microsoft、Facebook 和 CMU 的团队。

中国国务院宣布了一个明确的计划，到 2030 年要成为 AI 创新中心。

中国政府对技术发展持一个开放的态度。中国的环境也更有利于快速启动和迭代。2017 年 7 月，中国国务院公布了「下一代人工智能发展规划」，其目标非常明确，就是到 2030 年成为全球人工智能创新中心。该计划有望推动人工智能作为主要行业和省级政府的重中之重。如果你认为这只是一个大话，你可以看下中国过去在高铁等一些项目中的政策，最后都得到了很好的执行。我们可以期待中国政府在人工智能方面的政策也将走向类似的道路。

中国在 AI 领域具有前沿的科技、专业的实验以及高速的发展，这些将使中国变成一个非常强大的 AI 大国。在这个 AI 时代，我预测中、美双寡头不仅是不可避免的，事实上它已经到了。

吴恩达（Coursera，Stanford）

人工智能是新电力，正在悄然改变着诸多的行业。而 AI Index 则帮助我们当代人跟踪并驾驭这种社会转型，同时也将帮助后代回顾并理解 AI 的崛起。

此外，AI 现在是一个全球现象，AI Index 也提示我们每一个人，必须超越自己的国界，了解全球的进步。美国和中国享有最大的投资以及最快速的应用，加拿大和英国在这方面也做出了开创性的研究贡献。由于人工智能改变了许多技术系统的基础——从网络搜索到自动驾驶，到客户服务聊天机器人。这给许多国家提供了在某些应用领域跳跃发展的机会，制定有明智的人工智能政策的国家将更加迅速地发展，而相反哪些政策模糊的国家将面临落后的风险。

深度学习首先颠覆了语音识别，其次是计算机视觉。今天自然语言处理和机器人也正在经历类似的革命。最近语音和视觉精度的提高也导致了使用语音（例如）或计算机视觉（如自动驾驶汽车）的应用呈现出蓬勃发展的现象。今天自然语言处理的深度学习转型也正在顺利进行，这将导致相应的应用（如聊天机器人）的蓬勃发展。机器人技术的深度学习也获得了巨大的推动力，这也将导致许多新的应用（如新的制造能力）。

Sebastian Thrun（斯坦福大学，Udacity）

Sebastian Thrun 是谷歌无人车之父。

人工智能领域已经有了 60 多年的历史，并且已经产生了重大的影响。例如，AI 是 Google 搜索算法、Amazon 网站设计、Netflix 电影推荐等的核心。但是，现在强大的计算能力和规模空前的数据相结合的出现渐渐成为了社会游戏规则的改变者。

在过去的几年里，系统已经发展到了与高技能的人类相媲美，甚至超越的地步。DeepMind 的 AlphaGo 击败了世界上最好的围棋大师。在我们自己的实验室，我们发现 AI 系统可以比一些取得资格证书的皮肤科医生更准确地诊断皮肤癌的图像。此外，我也一直认为 Google 的自动驾驶汽车比我这样的普通司机开得更好。还有创业公司 Cresta 现在已经证明，人工智能系统与人类专家合作可以使在线销售团队的效率翻番。

我相信在不远的将来，AI 将能够使我们摆脱重复的工作。人工智能系统将能够在工作中观看人类专家，并逐渐掌握我们再日常工作中所应具备的技能。当这种情况发生时，机器将会进行越来越多的重复性工作，而我们人类则将有更多的时间进行创造性工作。

这样的革命在历史上也有类似情况。在蒸汽机发明之前，我们大部分都是农民，大多数人都是通过自己的体力（而不是脑力）来定义的，不断地在耕种上进行高度重复的工作。而现在机器已经把农民变成了超人，根据 FarmersFeedUS.org 的数据，一个美国农民可以养活 155 个人。结果就是美国只有不到 2% 的人口在从事农业，这使我们中 98% 的人能够去做别的工作，而其中 75% 的美国劳动力都在办公室中。我们成为律师、会计师、医生、软件工程师等等。当然，我们的大部分工作现在也仍然是高度重复性的。可以想象，今天的 AI 技术可以学习那些重复性工作的模式，并帮助我们更快地完成工作。最终在 AI 协助下，无论是生活还是对世界的认知，我们可能将变成真正的「超人」。

这是好还是坏呢？我认为，当未来的人类回顾历史时，将会认为这是人类的巨大进步。当我们许多人不再从事重复性的体力劳动时，我们变得更有教育，变得更具创造力。随着这场新的革命，我们将进入一个前所未有的人类创造力的时代。

当然这也给人类带来重负。据估计，如果自动驾驶出租车成为了日常交通的主要方式，那么人类有 1/9 的就业机会将面临危险。为了适应这些变化，我们人类必须成为终身学习者，我们必须掌握新的技能，学习新的技术。从整个社会的角度来考虑，我们需要找到新的方式来帮助所有人来适应这些变化。

这也是为什么这份报告（AI Index）很重要的原因。它认真地研究了人工智能的最新进展，并记录其对社会的影响。我希望这份报告能够为公众对 AI 的讨论有建设性的贡献。如果我们掌握了 AI 所带来的挑战，如果我们能够为这些挑战做好准备，而且如果我们能领先做好的话，那么未来将是惊人的。这对我们所有人都是如此。

Michael Wooldridge（牛津大学）

Michael Wooldridge 是牛津大学计算机科学系主任以及人工智能国际联合会议和欧洲人工智能协会主席。

这份报告用一系列的证据表明，人工智能技术在 AI 早期的一些核心问题（游戏、机器翻译、定理证明和问答等）方面正在取得稳步地进展；在许多方面，人工智能已经达到甚至超过人类的专业水平。报告还提供了非常明确的证据说明，人工智能正在吸引学生和工业街的注意力，人工智能课程招生人数激增，人工智能公司大幅增长。

显然，目前是人工智能的一个泡沫期。这个报告促使我想到一些问题：这个泡沫最终是会破裂（参见 1996-2001 年的互联网泡沫）还是会缓慢地缩减？以及什么时候发生？当发生之后会留下什么？我最担心的就是目前正在目睹的大规模投资之后会出现幻灭，我们可能会看到另一个 AI 寒冬。现在 AI 行业内有大量的行业骗子和蛇油推销员（snake oil salesman，通过夸大项目具有神奇的能力来销售自己的产品的人），他们所销售的是他们期望 AI 做到的，却不是当前 AI 能做到的。这可能会导致人们对 AI 变得越来越沮丧。

不过，虽然我认为未来数年内 AI 的泡沫会缩减是不可避免的，但我认为有理由期望一个温和的缩减，而不是一个剧烈的破裂。主要原因是，AI Index 清楚地表明，AI 正在履行人们期望的东西，在各种任务中，AI 系统正在稳步地（有时是快速地）提高性能，而且这些研究在许多不同的应用领域都取得了巨大的成功。换句话说，我认为在当前 AI 泡沫下有实质的东西 —— 现在各大公司都明白如何高效地使用 AI 技术。因为这些，所以我不相信我们会再次看到 AI 寒冬。（所以我期待阅读 2027 年的 AI Index 报告，看这个语言是如何被消除的。）

如何参与

需要再次重点强调的是，这份 AI Index 还非常的不完善，而另一方面，这是一个开放的报告，任何人都可以加入社区共同促进 AI Index 的完善和发展。那么如何参与呢？

很多种方法——

问题反馈。看完 AI Index 2017 报告后，你有啥想法，通过邮件或者 twitter 发个反馈。
开放你的数据。如果你或者你的组织有能力共享相关数据，那么就联系他们吧。
提供领域知识。未来 AI Index 报告会量化 AI 在具体垂直行业的影响，例如医疗保健、交通运输、农业等。如果你对你所在的行业对 AI 了解很充分，那么去吧，卡比丘！
指出错误。AI Index 的所有数据以及数据使用方法都是公开的，所以你可以从 step 1 到 the end 检验它的每一步。
帮忙收集数据。显然，关于 AI 的数据千千万，光靠 AI Index 小组的成员远远不能顾得下，有兴趣不妨帮忙把手边的数据收集整理一下，打包给他们。
一起国际化。从报告数据来源也可以看出，目前大多数数据都是来源于美国，关于中国的数据完全没有，那么难道我们不想在报告中看到我们的进展吗？