中国和美国谁能成人工智能领域的领军者？ 第1页

学术研究和市场应用是两回事。

市场应用可以短时间内推广，学术研究则需要时间积累。

中国的学术水平肯定是不如美国的，短期内难以赶上。能做的就是争取在技术应用上超过美国，学术方面紧跟就可以。AI不只是学术，更是经济发展的催化剂。比如人脸识别，我们可以到处都是摄像头，美国这点就办不到。从论文到应用，也是一段很长的路。

二战前美国的科学远远落后于西欧，甚至落后于俄罗斯/苏联，但人家紧跟西欧科技发展的步伐，抓住二战移民潮的历史机遇，一下子反超。我们未必有这么好的机遇，但起码紧跟是可以做到的。

只要经济不断发展，当国内的生活水平接近发达国家时，我们引进人才最大的劣势就没有了。（如果美国在二战时不是发达国家，而是一个生活水平和西欧差距很大的国家，那些欧洲的科学家也不会去美国。）这个时候只要有政策和资金支持，我们一定可以有资本在人才上和最顶尖的西方发达国家直接竞争。

在我回答之前，绝大部分的回答讲得都是美国在AI领域处于领先地位，并且嘲讽中国竟然在AI领域同美国进行对比的自大，还有指出中国在AI领域尚且不如英日等国云云。

然而几乎所有的回答者都没有认真仔细阅读提问者的问题。中国和美国谁能成人工智能领域的领军者？这里问的是将来谁最有可能成为领军者，而不是现在已经成为了领军者。打个比方，老板问某个项目你能不呢做好，其含义并不是这个项目你已经做好了，很显然这么问的潜台词是项目还没有做完。所有，如果就提问者的问题来说，几乎所有的回答全部不合格。

那么话说回来，既然提问者已经提出了问题是关于未来的，各位回答者回答是关于现在的和过去的，那么描述好中美两国在AI领域的过去，现在和未来的前景就成了一个很值得回答的问题了。

闲话不多说，AI领域范围比较广，即使作为从业者也很难简单根据自己的经历来回答这么一个庞大的问题。那么使用一些权威的数据进行分析就很有必要了。以下分析数据均来自

为了方便理解，我将1996-2016年的部分数据进行了整理汇总成表格

这其中比较重要的几组数据是论文数量、他引数量、论文平均他引及这些数据的中美数量对比值。

首先看论文数量

从图上看中国的数据第13、14、15、16年存在异常，对应到数据表格中表明08-11年这四年数据异常增高，这极有可能意味着存在着论文灌水的情况。为了排除论文灌水对分析的影响，对这四年的数据进行线性拟合处理。为了简化分析，我们认为这些灌水论文水平较差，虽然会影响引用数量，但是主要是自我引用，对他引数量影响不大。则处理后的数据见下表

一、论文数量分析

论文数量情况如下图所示：

其中虚线是进行多项式拟合的曲线。

而中美论文数量的比值情况见下图：

很显然，从以上两图的情况来看，中国在AI领域的SCI论文数量不仅已经超过了美国，而且未来领先的优势会越来越大。

二、论文质量分析

文章被引用的数量往往能够反映文章质量的好坏，而为了避免自我引用造成的误差，我们选取他国引用数量作为衡量标准。由于文章的引用数量随着时间增加而增加，简单看被引用数量会不利于最近发表的优秀文章，而AI领域又是非常注重时效性的领域。因此，为了更好得衡量文章整体质量的好坏，我们选取了中美两国论文被引数量和单位论文平均被引数量的比值进行分析。

从中美总的被引数量比值来看，美国的他引数量依然领先于中国，但是中国正快速迎头赶上。而反应论文质量的论文平均被引数量比值来看，中国的论文在进入21世纪后的头5-6年在论文质量上有所下降，而在随后的10年时间里整体论文数量有明显上升。

综上所述，仅从1996-1016年的数据可以分析得到以下几个事实和推论：

1、美国在AI领域整体领先中国，但领先优势并没有许多人想象的那么大；

2、中国在AI领域正快速追赶美国，从他国引用数量上看已经非常接近美国；

3、从中国在AI领域整体快速追赶并接近美国的情况看，在AI领域的某些细分专业可能已经与美国并驾齐驱甚至超过美国；

4、从发展趋势上看，中国在AI领域的发展速度和潜力远非美国所能比拟。

总结一下，在AI领域，美国拥有过去，中美共享现在，而中国拥有未来。目前的AI领域可以说刚刚进入快速发展期，离瓶颈期还早得很。

因此，现在可以正式回答提问者的问题，以目前中国在AI领域的发展态势来看，中国迟早会成为AI领域的领军者。

最后插点题外话，很多关于人工智能的文章说，中国在人工智能领域处于领先位置，可为什么在学习过程中找到的资料都是国外的？这个问题下面 @罗浩.ZJU 的回答很具有代表性。事实上仅看顶级会议的最佳论文，CVPR和ICLR已经连续两年的best paper出现中国人的身影。

至于AI产业的产业化，我想看下图（CVPR2017的赞助企业）能认识哪些中国企业或许就能回答。

（@Higerra 引用一下你的图，如有冒犯请联系我即刻撤除。）

回复里面提出了不少质疑，尤其是 @刘垚。他提出了一些质疑，我简要将他的质疑总结一下：中国CS领域绝大多数SCI都是灌水，而美国则没有，因此用SCI数量衡量AI水平高低不具有可信度。

这里我必须澄清一下，我的回复里一开始就提到了论文数量，他国引用数量（排除小圈子相互引用的弊病），中美篇均他引数量的比值（用以衡量论文质量），并不是纯粹只拿论文数量说事。我想 @刘垚 既然你自称都已经读到CS的博士了，这点理解力就不要我过多解释了吧。

@刘垚 在回复里提到了AI领域的顶级会议，强调绝大多数SCI达不到顶级会议论文的水平，提到了一些顶级会议比如ICML/NIPS/ICLR/COLT水平以及CV/NLP/Robotics等应用领域顶会。同时他还指出中国的顶级faculty水平只相当于美国的普通faculty，其意思是表明中国的顶级研究者或者研究机构只相当于美国普通水平。

然而事实情况是什么？

ICML2016、ICML2017的best paper都有中国人身影，CV领域的顶会CVPR 2016、2017两年的best paper也都有中国人的身影。既然很多人质疑SCI论文的水平，那么顶会的best paper总不会全是垃圾吧？

我可以再举一个例子——何凯明，CVPR2016 best paper获得者，ICCV2017拿下双 Best paper，拿各种best paper拿得手软，曾供职于MSRA（微软中国研究院），后供职于FAIR（facebook人工智能研究院），这水平放美国怎么也不能算是普普通通吧？MSRA、FAIR也算得上是顶级的研究机构了吧？然后在 COCO + Places 2017 中，何凯明所在的FAIR同各路豪杰们展开对垒，比赛的结果如下：

这里说明下，比赛的大赢家megvii是一家来自中国的公司北京旷视科技有限公司￣□￣｜｜

这里补充一些国内AI领域产业化取得的成绩和整体技术水平，这里着重关注计算机视觉和深度学习（根据柏格(Berger)的研究,人类由眼睛所获取的资讯占80%，所以CV+DL的组合也是未来前景最大的），主要的应用范围包括但不限于：自动驾驶、人脸识别、语音识别等等。

1、上文提到了的，旷视科技在ICCV2017的最后一天的 COCO + Places 2017 中力压MSRA和FAIR，取得六个单项中的3项第一和1项第二。

2、科大讯飞在2017 Blizzard Challenge国际语音合成评测中连续12年获得第一（BC是国际上规模最大、最具影响力的语音合成评测活动，历届活动吸引了美国卡耐基-梅隆大学、英国爱丁堡大学、日本名古屋工业大学、IBM研究院、微软亚洲研究院等世界一流研究机构与企业参加。）。

3、2016年9月19日，国内计算机视觉与人工智能创业企业图森互联宣布，图森互联研发的计算机视觉与深度学习算法在全球最权威、最具影响力的自动驾驶算法公开排行榜KITTI和Cityscapes评测数据集上均获得世界第一。仅KITTI数据集中，图森互联就横扫目标检测三个单项、目标追踪两个单项、道路分割四个单项，共计九个单项的全部世界第一。据悉，参加KITTI和Cityscapes评测的不乏百度、三星研究院、英伟达、UCSD、斯坦福、中科院等名企名校及科研机构。

4、2017年9月15日，在国际权威的医疗影像大赛LUNA的排行榜上，复星星际大数据（FONOVA）以平均召回率0.966的分数刷新“假阳性筛查”成绩，荣登世界首位。LUNA (LUng Nodule Analysis) 评测是肺结节检测领域权威的国际评测，也是医学影像领域最具代表性、最受关注的评测任务之一。其采用的数据来自美国多家医疗机构，并且由多名专家医生共同标注完成。该评测从2016年开始，吸引了大批国内外学术界和产业界团队的参与，包括香港中文大学、北京大学、浙江大学、奈梅亨大学、阿里巴巴、Mevis以及诸多新兴创业公司。

LUNA16的冠军争夺异常激烈，成绩不断地被刷新。今年年初，来自中国的杭州健培科技荣登榜首，并将此记录保持了6个月，7月13日该记录被阿里iDST打破，但6天后健培科技重新夺回冠军。8月3日，该成绩又被科大讯飞团队刷新，11天后，健培科技再次夺回第一，8月17日，讯飞以0.941的召回率再次刷新纪录，随后不久又被复星星际大数据（FONOVA）刷新纪录。

5、2017年11月7日，中国科学院计算技术研究所发布的全球首个能够“深度学习”的“神经网络”处理器芯片“寒武纪”。关于这款芯片， @杨军 和 @metaseq 都做了经常的回答，下面给出问题链接知乎用户：寒武纪神经网络处理器效能如何 ？。为方便观看，摘抄部分章节

寒武纪芯片由陈云霁、陈天石团队完成，从08年到16年的这八年里，陈老师课题组针对神经网络处理器做了一系列的出色研究：

12年国际首个神经网络硬件测试集

13年国际首个深度学习处理器

DianNao（电脑）：ASPLOS'14最佳论文 亚洲首获计算机硬件A类会议最佳论文

14年国际首个深度学习多核处理器

DaDianNao（大电脑）：MICRO'14最佳论文

15年国际首个通用机器学习处理器

PuDianNao（普电脑）：ASPLOS'15

15年摄像头上的智能识别IP

ShiDianNao（视电脑） ISCA'15

16年国际首个神经网络通用指令集

DianNaoYu（电脑语）ISCA2016接收，分数第一

另外我个人觉得 @杨军 的观点非常有趣：

陈老师ISCA 2016的文章《Cambricon: An Instruction Set Architecture for Neural Networks》，从体系结构设计的角度来看，这篇文章并没有提出多少突破性的东西，在文章中作者也专门提到了这一点（在文章的section IV.里讲到并没有使用到一些新兴的技术，比如最近在最新款的Nvidia GPU里用到的3d stacking技术[16]），恰恰相反，从体系结构设计的角度来看，文章中提到的技术都可以说是一些“大路货”的技术，无论是指令集的设计，还是微结构设计使用的大体上都是10年以前的技术方法。真正有创新性的东西，还是在于这篇文章找到了一种开创性解决问题的方式，横跨了多个domain，使用传统的经典技术，针对日益popular的神经网络应用，提出了一种在能耗比、灵活性、性能上获得极佳trade-off的解决方案。这是一种框架性的贡献。在这个框架下，实际上可以在每个局部模块不断细化，加入更为复杂，新兴的技术。比如存储部分为了获取更好的访存性能，就可以将新近的存储技术引入。另外，在指令集设计上，可以加入对workload里更多类型逻辑的支持，比如受限的计算精度支持。在微体系结构上，是否可以结合特定的计算任务类型，在指令的调度部分做更多的考究，来更为高效地支持更为复杂的网络连接（比如Relay Back-propagation[17]这样的多路连接的网络结构）。

这可能才是这篇文章能够获得ISCA 2016最高peer review score的原因。

最后再次强调下观点：在AI领域，美国拥有过去，中美共享现在，而中国拥有未来。目前的AI领域可以说刚刚进入快速发展期，离瓶颈期还早得很。因此，现在可以正式回答提问者的问题，以目前中国在AI领域的发展态势来看，中国迟早会成为AI领域的领军者。