1.3人工智能會議

會議出席

經過一段時間的出席人數增加后，AIIndex 收集數據的會議的總出席人數在 2021 年和 2022 年再次下降（圖 1.3.1）。這種下降可能是由于許多會議在之后恢復了混合或面對面的形式。 2020年和2021年完全虛擬。例如，國際人工智能聯合會議（IJCAI）和國際知識表示與推理原則會議（KR）均嚴格以現場形式舉行。神經信息處理系統（NeurIPS）仍然是其中之一 參加人數最多的會議，約有 15,530 人參加（圖 1.3.2）。參加人數一年增幅最大的會議是國際機器人與自動化大會 (ICRA)，從 2021 年的 1,000 人增加到 2022 年的 8,008 人。

2010-22年人工智能會議的與會者人數

圖 1.3.1

2010-22年出席大型會議

圖 1.3.2

2010-22年出席小型會議

圖 1.3.3

GitHub是一個基于web的平臺，個人和編碼團隊可以在各種代碼存儲庫上托管、審查和協作。GitHub被軟件開發人員廣泛用于管理和共享代碼、在各種項目上進行協作，并支持開源軟件。本小節使用了GitHub和經合組織提供的數據。人工智能政策天文臺。這些趨勢可以作為學術出版物數據沒有捕捉到的開源人工智能軟件世界中發生的一些更廣泛的趨勢的一個代理。

1.4開源人工智能軟件

項目

GitHub 項目是文件的集合，可以包括構成軟件項目的源代碼、文檔、配置文件和圖像。 自 2011 年以來，與人工智能相關的 GitHub 項目總數穩步增長，從 2011 年的 1,536 個增長到 2022 年的 347,934 個。

2011-22年GitHub AI項目數量

圖 1.4.1

截至2022年，很大一部分GitHub AI項目是由印度的軟件開發者貢獻的（24.2%）（圖1.4.2）。其次最代表性的地理區域是歐盟和英國（17.3%），然后是美國（14.0%）。自2016年以來，美國GitHub人工智能項目的份額一直在穩步下降。

2011-22年GitHub AI項目（總%）按地理區域劃分

圖 1.4.2

“點贊”

GitHub用戶可以通過“主演”它來收藏或保存一個感興趣的存儲庫。GitHub的明星類似于社交媒體平臺上的“點贊”，表示對某個開源項目的支持。一些最突出的GitHub存儲庫包括張量流、OpenCV、Keras和PyTorch等庫，這些庫被AI編碼社區的軟件開發人員廣泛使用。圖1.4.3顯示了屬于不同地理區域所有者的項目的累計星數。截至2022年，來自美國的GitHub AI項目獲得的星數最多，其次是歐盟和英國，然后是中國。在許多地理區域，新出現的GitHub恒星的總數在過去幾年中已經趨于穩定。

2011-22年按地理區域劃分的GitHub“點贊”數量

圖 1.4.3

第二章：技術性能要求

要點

今年的技術性能章節主要分析了2022年人工智能的技術進展。在以前的報告的基礎上，本章記錄了在計算機視覺、語言、語音、強化學習和硬件方面的進展。此外，今年本章將對人工智能對環境造成的影響進行分析，討論人工智能促進科學進步的方式，以及對最近一些最重要的人工智能發展的時間線式概述。

章節亮點

在傳統的基準測試上的性能飽和；人工智能繼續發布最先進的結果，但在許多基準測試上的同比改善仍然很少。此外，達到基準飽和度的速度也在增加。然而，新的、更全面的基準測試套件，如BIG-bench和HELM正在發布。

生成性人工智能進入了公眾的意識；2022年，DALL-E 2和穩定擴散等文本到圖像模型發布，make-視頻這樣的文本到視頻系統，以及ChatGPT這樣的聊天機器人。盡管如此，這些系統還是容易產生幻覺，自信地輸出不連貫或不真實的反應，這使得很難在關鍵的應用中依賴它們。

人工智能系統變得更加靈活；傳統上，人工智能系統在狹窄的任務上表現良好，但在更廣泛的任務中卻很困難。最近發布的模型挑戰了這一趨勢；BEiT-3、PaLI和Gato等地，單一的人工智能系統越來越能夠導航多個任務（例如，視覺、語言）。

有能力的語言模型仍然難以進行推理；語言模型繼續提高它們的生成能力，但新的研究表明，它們仍然難以完成復雜的規劃任務。

人工智能既幫助又破壞了環境；新的研究表明，人工智能系統可能會產生嚴重的環境影響。根據Luccioni等人，2022年，布魯姆的訓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習模型表明，人工智能系統可以用于優化能源使用。

世界上最好的新科學家……人工智能嗎？人工智能模型開始迅速加速科學進步，并于2022年被用于幫助氫氣融合，提高基質操作的效率，并產生新的抗體。

人工智能開始構建更好的人工智能；英偉達使用了一種人工智能強化學習代理來改進為人工智能系統提供動力的芯片的設計。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習將加速人工智能的進步。

2.12022年的新進展：時間軸

2022年2月2日 DeepMind發布字母代碼

這是一個在競爭水平上編寫計算機程序的人工智能系統，在人類編程競賽中排名前54%。這代表了對人工智能傳統上一直掙扎的更復雜的問題解決任務的改進。

圖2.1.1

2022年2月16日 DeepMind訓練強化學習代理來控制托卡馬克（環磁機）中的核聚變等離子體

圖2.1.2

2022年3月10日 IndicNLG 對印度語言的自然語言生成進行基準測試

一個國際研究團體啟動了IndicNLG，這是一個用于11種印度語言自然語言生成的數據集。IndicNLG的創建增加了人工智能系統在更多樣化、非英語語言環境中生成語言的潛力。

圖2.1.3

2022年3月24日  Meta AI（臉書之元宇宙人工智能）發布了make-scene（“制作場景”）

make-scene（“制作場景”）是一種文本到圖像的人工智能模型，用戶可以通過文本生成圖像。make-scene是2022年發布的眾多文本到圖像的模型之一。

圖2.1.4

2022年4月5日 谷歌發布PaLM

谷歌的人工智能團隊訓練了世界上最大的語言模型之一--PaLM。由5400億個參數組成的PaLM強化了這樣一種信念，即研究人員可以通過在更多數據上訓練大型語言模型來提高它們的性能。

圖2.1.5

2022年4月13日 OpenAI發布DALL-E 2

DALL-E 2是一個文本到圖像的人工智能系統，可以從文本描述中創建真實的藝術和圖像，它向公眾發布，引發了生成式人工智能熱潮。

圖2.1.6

2022年5月12日  DeepMind啟動Gato

Gato是一種新的強化學習代理，能夠完成廣泛的任務，如機器人操作、游戲玩、圖像字幕和自然語言生成。這些模型的發布表明，人工智能系統在泛化方面正變得更好。

圖2.1.7

2022年5月23日  谷歌發布Imagen

Imagen是一種文本到圖像的擴散模型，能夠產生具有高度的攝影真實感的圖像。Imagen的發布也伴隨著DrawBench的發布，這是一個具有挑戰性的文本到圖像系統的新基準測試。

圖2.1.8

2022年6月9日  來自132個機構的442名作者聯合起來推出“BIG-bench”項目

為了更好地挑戰能力日益強大的大型語言模型，一個由來自132個機構的442名作者組成的團隊推出了超越模仿游戲基準測試（“BIG-bench”）。該基準測試包括204個任務，這些任務的范圍包括語言學、兒童發展、數學、常識性推理、生物學、物理學、社會偏見和軟件開發。

圖2.1.9

2022年6月21日 GitHub為個人開發者提供了一種基于訂閱的副駕駛服務

副駕駛是一個生成式人工智能系統，能夠將自然語言提示轉換為跨多種語言的編碼建議。類似的系統包括OpenAI的法本和銷售部隊的CodeGen。調查顯示，副駕駛可以讓程序員更有效率，更少沮喪。

圖2.1.10

2022年7月8日 英偉達利用強化學習來設計性能更好的圖形處理器

英偉達利用其人工智能系統來提高其最新的H100級GPU芯片的性能。GPU對人工智能培訓至關重要，這是人工智能如何開始開發出更好的人工智能的一個例子。

圖2.1.11

2022年7月8日 Meta發布“No Language Left Behind”

“No Language Left Behind”（NLLB）是一系列可以翻譯200種不同語言的模型。NLLB是第一批能夠在Kamba語和老撾語等各種低資源語言中表現良好的系統之一。

圖2.1.12

2022年8月4日 清華大學的研究人員推出了GLM-130B

清華大學的中國研究人員發布了GLM-130B，這是一種大型語言模型，優于mate的OPT、Hugging Face’s BLOOM

和OpenAI的原始GPT-3。

圖2.1.13

2022年8月22日  Stability AI 發布Stable Diffusion

穩定擴散（Stable Diffusion ）是一個開源的基于文本到圖像擴散的模型，這意味著用戶可以自由地使用模型的權重來生成自己的圖像。穩定擴散是根據人類創建的現有圖像進行訓練的，沒有給予任何認可或承認，這給圖像生成器的倫理使用留下了一個懸而未決的問題。

圖2.1.14

2022年9月21日 OpenAI推出Whisper

Whisper是一個大規模的語音識別系統，以大約70萬小時的音頻數據進行訓練，能夠在各種語音識別任務上具有可觀的性能。耳語既不需要有監督的預訓練，也不需要無監督的微調訓練，但能夠僅僅通過增加訓練數據來獲得強大的性能，這一事實進一步驗證了越來越縮放人工智能模型的方法。

圖2.1.15

2022年9月29日Meta 發布 Make-A-Video

Make-A-Video是一個允許用戶從短文描述中創建視頻的系統。視頻的質量較高，再次證明了縮放方法的有效性。

圖2.1.16

2022年10月5日DeepMind 啟動 AlphaTensor

AlphaTensor（阿爾法張量）是一個基于人工智能強化學習的系統，能夠發現新的和有效的矩陣操作算法。矩陣操縱對于廣泛的數字實踐是必不可少的，也是研究人員幾十年來一直試圖提高效率的過程。

圖2.1.17

2022年10月22日 谷歌使用PaLM來改進PaLM的推理能力

谷歌的研究人員使用他們現有的語言模型之一，PaLM，來改進同一模型的推理能力。這一過程是人工智能系統利用自身知識進行改進的另一個例子。

圖2.1.18

2022年11月9日  國際研究小組發布“BLOOM”

由來自全球各地的100多名研究人員合作開發了一種名為BLOOM的開放獲取語言模型。BLOOM的公開發布讓人印象深刻，并進一步促進了在人工智能研究方面的國際合作的可能性。

圖2.1.19

2022年11月16日 斯坦福大學的研究人員發布HELM

作為根據更統一的標準來判斷新的語言模型的一部分，斯坦福大學的研究人員為大型語言模型開發了一種新的基準測試方法，稱為語言模型的整體評估（HELM）。HELM的推出證明了人工智能社區試圖圍繞日益強大、有能力和有影響力的大型語言模型開發透明度的證據。

圖2.1.20

2022年11月22日mate 發布CICERO

CICERO是第一個在人類參與的外交游戲中排名前10%的人工智能。CICERO的發布表明，人工智能系統在戰略推理方面得到了改進，這是他們傳統上一直在掙扎的領域，并且能夠有效地說服人類實現他們的目標。

圖2.1.21

2022年11月30日OpenAI推出ChatGPT

ChatGPT是一個令人印象深刻的、可公開使用的聊天機器人，能夠寫大學水平的論文。在推出幾個月后，ChatGPT的月活躍用戶達到了1億，使其成為歷史上增長最快的消費者應用程序。ChatGPT的發布結束了生成性人工智能成為時代精神的一部分的一年，并提出了對人工智能將對人類未來產生的影響的質疑。

圖2.1.21