2016全球人工智能发展报告·学术与研究篇

《2016全球人工智能发展报告·学术与研究篇》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、乌镇指数：全球人工智能发展报告（2016）（学术与研究篇）乌镇智库网易科技网易智能联合出品2016/10/28目录l概述2l学科相关性3l论文与专利趋势8l大学排行榜13l企业排行榜16l学界前瞻181概述l生物学与人工智能的相关性，并没有大家想象的高。l自2004年以来，中国专利申请数量呈现爆发趋势；美国整体上保持稳定的增长速度；日本自2001年以来，没有太大的起伏，甚至在2010年之后呈现下滑趋势。l虽然日本专利呈现下滑趋势，但仍有不少日本企业占据全球人工智能榜单位置。l2001-2015年，中国专利申请数、授权数均增长了40倍左右；申请、授权专利数量在201

2、2年开始超过美国。l从图表看，经济环境的好坏，与专利、论文数量的增长趋势，也有一定的相关关系。比如2000年互联网泡沫破灭、2008年美国金融危机爆发后，专利、论文的增长趋势转缓。l在人工智能方向，全球排名TOP50的大学中没有一所中国大陆大学。2学科相关性人工智能代表细分领域与各学科相关性机器学习与各学科的相关性普遍较高，机器人则相反。计算机科学与四类细分领域紧密相关，而生物学与四类细分领域的相关性均不高。注：本图为2016年的相关性数值工程学包括电子工程、机械工程、建筑工程等工程相关学科3学科相关性机器学习与各学科的相关性机器学习与计算机科学、数学及逻辑学相关

3、性最近，与各学科的相关性各年间虽有起伏，但整体上呈现上升趋势，也即相关性越来越高。4学科相关性计算机视觉与各学科的相关性计算机科学与计算机视觉的相关性明显高于其它各学科。5学科相关性自然语言处理与各学科的相关性在2007-2016年间，除计算机科学有较明显提高外，其余各学科与自然语言处理的相关性有起伏，但最终前后变化不大。6学科相关性机器人与各学科的相关性在2007-2016年间，除计算机科学与物理学有显示提高外，其余各学科与机器人的相关性前后基本一致。7论文与专利趋势人工智能专利国家分布全球人工智能申请专利数量，美国、中国、日本位列前三，且数量级接近，三国占总体

4、专利的73.85%。位列第四的德国人工智能专利数量仅为中国的27.8%，美国的16.8%。8论文与专利趋势中国专利申请数大幅度增长美国增速稳定日本下滑中国自2004年以来，专利申请数呈现爆发趋势；美国整体上保持稳定的增长速度；日本自2001年以来，没有太大的起伏，甚至在2010年之后呈现下滑趋势。9论文与专利趋势中美人工智能专利数在2012年明显跃升15年来，中国人工智能每年新增专利数增幅较大，申请数、授权数增长了40倍左右；专利申请、授权数在2012年开始超过美国；美国整体上保持稳定增长趋势，在2011年开始加速，这与资本开始涌入该领域的节奏相近。10论文与专利

5、趋势北上深为中国人工智能专利分布中心中国人工智能专利申请数集中于北京、长三角、珠三角，中西部以重庆、成都为中心。整体上集中于一线、省会城市。11论文与专利趋势历年专利、论文数量与纳斯达克指数对比2000年互联网泡沫破灭、2008年美国金融危机爆发后，专利、论文增长趋势转缓。12大学排行榜人工智能全球大学排名（一）13大学排行榜人工智能全球大学排名（二）14大学排行榜人工智能中国大学排名不出意料，清华大学排名第一。15企业排行榜2011-2015企业人工智能专利影响力排名（全球）微软、IBM等老牌企业位列前茅并不让人意外，值得关注的是达芬奇机器人（INTUITIVE

6、SURGICAL），2000年就通过美国食物药品管理局(FDA)认证，成为了美国FDA批准的第一个腹腔镜微创手术的自动控制机械系统。16企业排行榜企业人工智能论文数量排名（全球）除了互联网企业对人工智能比较关注外，近半传统企业的上榜，意味着它们对这一领域的重视程度不亚于互联网公司。17专家观察（一）人工智能历史虽然只有六十年左右，但已经大起大落几回，这是一个飞速发展的学科和产业。即使是内行，也无法凭一己之力对学科历史现状做总结，对未来做展望。数据和知识为我们全面客观地了解这一领域提供了工具，我们期待和大家分享我们的洞见。——乌镇智库理事长张晓东人工智能要从牛顿时代

7、跳到默顿时代，从大定律小数据向大数据小定律进军，今天这个会如此成功就是默顿时代的有力证明。我们相信，知识自动化和软件定义的一切将成为未来社会最重要的实力。——中国科学院自动化研究所复杂系统管理与控制国家重点实验室主任王飞跃人工智能的研究和应用应该聚焦于解决人类的核心命题，其中一个关键点就是如何跨越工作和生活两个核心场景提升效率。聚焦在关键点上，才能积跬步而至千里。——微软亚洲互联网工程院常务副院长兼产品及开发总经理幺宝刚18专家观察（二）人工智能下一阶段的热点在于从大数据驱动的蛮力计算和刺激式学习到数据驱动与知识引导相结合的深度推理和探索式学习迈进，为此，整合传统

8、人工智能中