報告亮點

　　第一章：研究與發展

　　從2010年到2021年，美國和中國在人工智能出版物方面的跨界合作數量最多，盡管合作的速度已經放緩。自2010年以來，美國和中國之間的人工智能研究合作數量增加了大約4倍，比僅次于最近的國家對英國和中國的合作總數高出2.5倍。然而，從2020年到2021年，U.S.-China合作的總數僅增長了2.1%，這是自2010年以來的最低同比增長率。

　　對人工智能的研究正在全面興起;自2010年以來，人工智能出版物的總數已經增加了一倍多。繼續主導研究的特定人工智能主題包括模式識別、機器學習和計算機視覺。

　　中國在人工智能期刊、會議和知識庫出版物總量方面繼續領先;美國在人工智能會議和存儲庫引用方面仍領先，但這些領先優勢正在慢慢侵蝕。盡管如此，世界上大多數的大型語言和多模態模式(2022年為54%)都是由美國機構生產的。

　　工業界的競爭領先于學術界;直到2014年，最重要的機器學習模型都是由學術界發布的。從那時起，工業就接管了公司。在2022年，有32種重要的行業生產的機器學習模型，而學術界生產的只有3種。構建最先進的人工智能系統越來越需要大量的數據、計算機能力和金錢——與非營利組織和學術界相比，行業參與者天生擁有更多的資源。

　　大型語言模型的規模越來越大，成本也越來越高;GPT-2發布于2019年，被許多人認為是第一個大型語言模型，有15億個參數，培訓成本估計為5萬美元。PaLM是2022年推出的旗艦大型語言模型之一，擁有5400億個參數，估計花費了800萬美元——PaLM大約是GPT-2的360倍，成本是160倍。這不僅僅是PaLM：總之，大型語言和多模式模型正變得越來越大、越來越昂貴。

　　第二章：技術性能

　　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視野;2022年，像DALL-E 2和穩定擴散這樣的文本到圖像模型發布了，像make-a-視頻這樣的文本到視頻系統，以及像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年被用于幫助氫聚變，提高矩陣操作效率并生成新抗體。

　　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。

　　第三章：模型尺度

　　對偏差和毒性的影響被訓練數據和緩解方法混淆了;在過去的一年里，一些機構建立了自己的基于專有數據訓練的大型模型——雖然大型模型仍然是有毒的和有偏見的，但新的證據表明，通過指令調優訓練大型模型后，這些問題可以在一定程度上得到緩解。

　　生成模型已經出現，它們的倫理問題也出現了;2022年，生成模型成為時代精神的一部分。這些模式很有能力，但也帶有倫理上的挑戰。文本圖像生成器通常對性別維度有偏見，而像ChatGPT這樣的聊天機器人可以被騙去為邪惡的目標服務。

　　有關濫用人工智能的事件數量正在迅速增加;根據追蹤人工智能道德濫用相關事件的AIAAIC數據庫，自2012年以來，人工智能事件和爭議的數量增加了26倍。2022年發生的一些值得注意的事件包括一段烏克蘭總統澤倫斯基投降的深度偽造視頻，以及美國監獄對囚犯使用電話監控技術。這一增長證明了人工智能技術的使用量增加，也意識到了濫用的可能性。

　　更公平的模型可能不會更有偏見;對語言模型的廣泛分析表明，雖然表現和公平之間存在明顯的相關性，但公平和偏見可能是不一致的：在某些公平基準上表現更好的語言模型往往有更差的性別偏見。

　　人們對人工智能倫理學的興趣繼續飆升;領先的人工智能倫理會議FAccT被接受的提交數量自2021年以來增加了一倍多，自2018年以來增加了10倍。2022年，行業參與者的提交數量也比以往任何時候都多。

　　使用自然語言處理的自動事實核查畢竟并不是那么簡單;雖然已經開發了幾個自動事實核查的基準，但研究人員發現，16個數據集中有11個依賴于事實核查報告中“泄露”的證據，而這些證據在索賠出現時并不存在。

　　第四章：經濟

　　幾乎所有美國工業部門對人工智能相關專業技能的需求都在增長;在美國所有有數據的部門(農業、林業、漁業和狩獵除外)，與人工智能相關的職位發布數量平均從2021年的1.7%增加到2022年的1.9%。

　　美國的雇主正在越來越多地尋找具有人工智能相關技能的工人;過去十年來，私人在人工智能方面的投資首次同比下降。2022年，全球人工智能私人投資為919億美元，較2021年下降了26.7%。與人工智能相關的融資事件總數以及新融資的人工智能公司數量也同樣減少。盡管如此，在過去十年中，人工智能投資大幅增加。2022年，私人對人工智能的投資數量是2013年的18倍。

　　美國在人工智能方面的投資再次處于領先地位;美國在人工智能私人投資總額方面領先于世界。2022年，在美國投資的474億美元，大約是在排名第二高的國家中國(134億美元)的3.5倍。在新投資的人工智能公司總數方面，美國也繼續領先，是歐盟和英國的總和的1.9倍，是中國的3.4倍。

　　2022年，投資最多的人工智能重點領域是醫療和醫療保健(61億美元);其次是數據管理、處理和云計算(59億美元);和金融科技(55億美元)。然而，與人工智能私人投資的更廣泛趨勢相一致，大多數人工智能重點領域在2022年的投資少于2021年。去年，最大的三場人工智能私人投資活動是：(1)中國電動汽車制造商廣汽新能源汽車獲得25億美元融資;(2)為軍事機構和邊境監控技術的美國國防產品公司提供15億美元的E輪融資;(3)向德國商業數據咨詢公司Celonis投資12億美元。

　　雖然采用人工智能的公司比例已經趨于穩定，但采用人工智能的公司仍在繼續領先;麥肯錫的年度研究調查結果顯示，自2027年以來，采用人工智能的公司在2027年的比例增加了一倍多，盡管近年來已穩定在50%至60%之間。采用人工智能的組織報告稱，實現了有意義的成本下降和收入增加。

　　企業正在以多方面的方式部署人工智能;最有可能嵌入到企業中的人工智能能力包括機器人過程自動化(39%)、計算機視覺(34%)、NL文本理解(33%)和虛擬代理(33%)。此外，2022年最常采用的人工智能用例是服務運營優化(24%)，其次是創建新的基于人工智能的產品(20%)、客戶細分(19%)、客戶服務分析(19%)和新的基于人工智能的產品增強功能(19%)。

　　像副駕駛這樣的人工智能工具完全可以幫助工人;GitHub調查的結果顯示，88%的受訪者在使用該系統時感到更有效率，74%的人認為他們能夠專注于更令人滿意的工作，88%的人認為他們能夠更快地完成任務。

　　中國主導著工業機器人的安裝;2013年，中國超過了日本，成為安裝工業機器人最多的國家。從那以后，中國安裝的工業機器人總數與鄰近國家之間的差距擴大。2021年，中國安裝的工業機器人數量超過了世界其他地區的總和。

　　第五章教育

　　越來越多的人工智能專業化;2021年，美國大學計算機科學專業博士畢業生的比例從2020年的14.9%和2010年的10.2%躍升至2021年的19.1%。

　　新的人工智能博士越來越走向工業;2011年，人工智能博士畢業生在工業界工作的比例(40.9%)，與學術界(41.6%)大致相同。然而，從那以后，大多數人工智能博士都進入了工業行業。2021年，65.4%的人工智能博士在工業界工作，是28.2%在學術界工作的兩倍多。

　　新的北美CS、CE和信息教員的招聘保持不變;在過去的十年里，北美計算機科學(CS)、計算機工程(CE)和信息教師的招聘總數有所下降：2021年為710人，而2012年為733人。同樣，終身教職員工總數在2019年達到了422人，然后在2021年下降到324人。

　　美國私人與公共CS部門的外部研究資金差距繼續擴大;2011年，美國私人和公共CS部門用于計算研究的外部總支出中位數大致相同。從那以后，差距擴大了，美國的私立計算機計算機系比公立大學多獲得了數百萬美元的額外資金。2021年，私立大學的支出中值為970萬美元，而公立大學為570萬美元。

　　美國和世界其他地區對K-12人工智能和計算機科學教育的興趣都在增長;2021年，美國學生共參加了181,040次AP計算機科學考試，較上年增長1.0%。自2007年以來，AP計算機科學考試的數量增加了九倍。截至2021年，包括比利時、中國和韓國在內的11個國家已經正式批準并實施了K-12人工智能課程。