技術進展程度

在2015年，ImageNet視覺識別挑戰(zhàn)賽中的算法模型識別精度已經超過人類水平，2017年進一步提升至了97％左右。盡管競賽在2017年已是最后一屆，ImageNet2012開放數據集仍在被引用，可以說，ImageNet所構建的規(guī)則為研究者提供了標準的研究度量進行比較競爭。

利用ImageNet數據集培訓能夠進行高精度圖像分類的大型網絡在以往需要耗費不少時間。對于擁有足夠資源機進行開發(fā)的參與者而言，培訓網絡所需的時間已經從一年半前的1小時降到了大約4分鐘，速度提升了16倍，算法創(chuàng)新和硬件進步在其中發(fā)揮了重要作用。

其他如COCO（微軟發(fā)布的圖像數據庫，用于對象檢測、分割、人體關鍵點檢測、語義分割和字幕生成等）、Parsing（語法分析）、機器翻譯、機器問答等競賽或應用領域在近年來的算法精度也均有不同程度的提高，此處不一一贅述。

其他

專利：從區(qū)域來看，2014年，人工智能專利中有30％便來自美國，其次則是日、韓兩國，各占有16％的比例。

學校開設課程：AI的火熱也發(fā)生在高校中，學生報名注冊人工智能和機器學習的比例和數量也隨之增長。在報告的統計的幾所美國頂尖計算機科學高校中，2017年機器學習基礎課程的注冊人數是2012年水平的5倍，AI課程注冊人數是2012年的3．4倍。在中國，清華大學的AI及機器學習課程自2010年到2017年更是實現了16倍的增長。

Github星數：GitHub（知名開源軟件網站）的星數類似于關注數，基本能判定AI編程語言的流行程度。目前TensorFlow（Google）一騎絕塵，其后是Pytorch（Facebook）、mxnet（Amazon）。

ROS安裝：ROS（robot operating system，機器人操作系統）是目前在人工智能領域被廣泛使用的機器人軟件平臺。自2014年， 來自唯一IP地址的ROS安裝包下載次數實現了567％的增長。從頁面瀏覽量來看，中國增長最為明顯，值得一提的是，百度的自動駕駛平臺Apollo就是基于ROS開發(fā)的。

工業(yè)機器人安裝量：自2012年以來，中國每年的機器人安裝量增長了500％，而韓國和歐洲等其他地區(qū)分別增長了105％和122％。

媒體報道情緒：在包含人工智能一次的媒體文章中，情感表達正面的文章所占比例逐步增多，為30％，負面文章則一直保持低水平。

政府關注度：通過采集美國、加拿大、英國議會的記錄文本，報告發(fā)現自2016年來政府對人工智能和機器學習的提及次數大幅增加。

報告最后還列舉了歷年來重要的里程碑式事件、中國及歐美政府在人工智能領域的主要舉措、專家對人工智能目前缺陷所給的建議等內容。