今天上午，清華和中國工程院知識智能聯(lián)合研究中心在清華大學聯(lián)合發(fā)布《人工智能全球2000位最具影響力學者》，通過AMiner學術數(shù)據(jù)在全球范圍內遴選出了2000位人工智能學科最有影響力、最具活力的頂級學者并進行了分析，揭秘了人工智能領域人才現(xiàn)狀。
概述
AI2000簡介
AI2000人工智能全球最具影響力學者榜單（以下稱為AI2000）旨在未來10年通過AMiner學術數(shù)據(jù)在全球范圍內遴選2000位人工智能學科最有影響力、最具活力的頂級學者。AMiner由清華大學研發(fā)，檢索了19世紀以來全球1億3千余萬學者發(fā)表的2億7千萬余篇學術論文數(shù)據(jù)，已吸引全球220個國家/地區(qū)1000多萬獨立IP訪問，數(shù)據(jù)下載量230萬次，年度訪問量超過1100萬。
AI2000涵蓋人工智能學科20個子領域，具體遴選方法為每個子領域每年選出10名獲獎者，未來10年共產生2000名；每年遴選的時候，參考過去十年該領域最有影響力的會議和期刊發(fā)表論文的引用情況，排名前10的學者當選該領域當年【AI2000最具影響力學者獎】，排名前100的其他學者獲【AI2000最具影響力學者提名獎】；每個領域的期刊和會議由技術委員會專家確定。20個子領域分別為經典AI(AAAI/IJCAI)、機器學習、計算機視覺、自然語言處理、機器人、知識工程、語音識別、數(shù)據(jù)挖掘、信息檢索與推薦、數(shù)據(jù)庫、人機交互、計算機圖形、多媒體、可視化、安全與隱私、計算機網絡、計算機系統(tǒng)、計算理論、芯片技術和物聯(lián)網。
清華大學AMiner團隊秉持“植根學術土壤，促進學科發(fā)展”的初衷，以“客觀公正”為原則，以數(shù)據(jù)為基礎構建的全球學術知識圖譜、采用人工智能技術自動生成榜單。AMiner歷次榜單發(fā)布都受到世界著名大學和研究機構的官方認可，比如加州伯克利大學、康奈爾大學、杜克大學和新加坡國立大學，其影響力、公信力和專業(yè)性，可見一斑。
評選規(guī)則
1、具體規(guī)則
AI 2000涵蓋人工智能學科20個子領域，具體遴選方法為每個子領域每年選出10名獲獎者，未來10年共產生2000名；每年遴選的時候，參考過去10年該領域最有影響力的會議和期刊發(fā)表論文的引用情況，排名前10的學者當選該領域當年【AI 2000最具影響力學者獎】，排名前100的其他學者獲【AI 2000最具影響力學者提名獎】。
榜單通過AMiner系統(tǒng)中所收錄的學術數(shù)據(jù)用計算機算法自動化生成榜單排名，確保了榜單的客觀、公平、公正、公開。榜單采用的引用數(shù)據(jù)來源于Google Scholar，更新日期為2019年12月31日。
2、領域劃分
人工智能既是計算機科學的一個分支，又是一個融合了多種學科的交叉學科，加上其最近幾年的高速發(fā)展，內涵和外延也在不斷的變化，新興的子領域不斷涌現(xiàn)，導致工業(yè)界和學術界并沒有一個對人工智能的明確定義。在進行榜單生成時，綜合參考了計算機領域較為公認的具有權威性的機構（包括：ACM—Association for Computing Machinery 國際計算機學會；CCF—China Computer Federation 中國計算機學會；IEEE—Institute of Electrical and Electronics Engineers 電氣和電子工程師協(xié)會 ）中關于學科的分類 。同時，又融合了國內外專家學者的建議，選擇了經典AI（AAAI/IJCAI）、機器學習、計算機視覺、自然語言處理、機器人、知識工程、語音識別、數(shù)據(jù)挖掘、信息檢索與推薦、數(shù)據(jù)庫、人機交互、計算機圖形、多媒體、可視化、安全與隱私、計算機網絡、操作系統(tǒng)、計算理論、芯片技術和物聯(lián)網20個子領域。
AI 2000各子領域導圖
領域會議和期刊
每個子領域所參考的頂級會議和期刊是根據(jù)《CCF推薦國際學術期刊和會議目錄》和ACM計算分類系統(tǒng)相關子領域的A類期刊和會議作為數(shù)據(jù)的來源。然后征求相關專家和團體意見，補充新涌現(xiàn)的學科頂級期刊和會議。以下列表給出了20個子領域所采用的頂級會議和期刊。
|
領域 |
期刊/會議 |
|
經典AI（AAAI/IJCAI） |
AAAI Conference on Artificial Intelligence (AAAI) |
|
International Joint Conference on Artificial Intelligence (IJCAI) | |
|
機器學習 |
Annual Conference on Neural Information Processing Systems (NeurIPS) |
|
International Conference on Machine Learning (ICML) | |
|
International Conference on Learning Representations (ICLR) | |
|
計算機視覺 |
IEEE Conference on Computer Vision and Pattern Recognition (CVPR) |
|
IEEE International Conference on Computer Vision (ICCV) | |
|
European Conference on Computer Vision (ECCV) | |
|
自然語言處理 |
Annual Meeting of the Association for Computational Linguistics (ACL) |
|
Conference on Empirical Methods in Natural Language Processing (EMNLP) | |
|
North American Chapter of the Association for Computational Linguistics (NAACL) | |
|
機器人 |
IEEE International Conference on Robotics and Automation (ICRA) |
|
IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) | |
|
知識工程 |
International Semantic Web Conference (ISWC) |
|
International Conference on Principles of Knowledge Representation and Reasoning (KR) | |
|
語音識別 |
IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) |
|
數(shù)據(jù)挖掘 |
ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD) |
|
ACM International Conference on Web Search and Data Mining (WSDM) | |
|
信息檢索與推薦 |
International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR) |
|
ACM Recommender Systems (RecSys) | |
|
International World Wide Web Conference (WWW) | |
|
數(shù)據(jù)庫 |
ACM SIGMOD International Conference on Management of Data (SIGMOD) |
|
International Conference on Very Large Data Bases (VLDB) | |
|
人機交互 |
ACM CHI Conference on Human Factors in Computing Systems (CHI) |
|
ACM Conference on Computer-Supported Cooperative Work & Social Computing (CSCW) | |
|
計算機圖形 |
ACM SIGGRAPH Conference (SIGGRAPH) |
|
多媒體 |
ACM International Conference on Multimedia (MM) |
|
可視化 |
IEEE Transactions on Visualization & Computer Graphics (TVCG) |
|
IEEE Visualization Conference (IEEE VIS) | |
|
安全與隱私 |
ACM Conference on Computer and Communications Security (CCS) |
|
IEEE Symposium on Security and Privacy (S&P) | |
|
USENIX Security Symposium (USS) | |
|
計算機網絡 |
ACM International Conference on Mobile Computing and Networking (MobiCom) |
|
ACM SIGCOMM Conference (SIGCOMM) | |
|
計算機系統(tǒng) |
ACM Symposium on Operating Systems Principles (SOSP) |
|
USENIX Symposium on Operating Systems Design and Implementation (OSDI) | |
|
計算理論 |
ACM Symposium on Theory of Computing (STOC) |
|
IEEE Annual Symposium on Foundations of Computer Science (FOCS) | |
|
芯片技術 |
IEEE International Solid-State Circuits Conference (ISSCC) |
|
Design Automation Conference (DAC) | |
|
Symposium on Field Programmable Gate Arrays (FPGA) | |
|
物聯(lián)網 |
IEEE Internet of Things Journal (IoT-J) |
|
IEEE Transactions on Wireless Communications (TWC) |
子領域相應會議/期刊
數(shù)據(jù)分析
美國學者數(shù)量領跑全球
學者地圖用于描述特定領域學者的分布情況，對于進行學者調查、分析各地區(qū)競爭力現(xiàn)況尤為重要，下圖為AI 2000全球學者分布情況：
AI 2000學者全球分布
地圖根據(jù)學者當前就職機構地理位置進行繪制，其中不同圖標顏色代表不同地區(qū)的學者，圖標大小代表學者數(shù)量。從地區(qū)角度看，AI 2000的學者主要集中在北美洲的美國地區(qū)；歐洲中西部也有一定的學者分布；亞洲的人才主要分布于我國及日韓地區(qū)；其他諸如南美洲、非洲等地區(qū)的學者非常稀少。學者人數(shù)TOP10國家如下所示：
學者人數(shù)TOP10國家
從國家角度看，美國學者人數(shù)的占比最高，有1128人，占比61.4%，超過總人數(shù)的一半，獨自領跑第一梯隊。中國排在美國之后，領跑第二梯隊，有171人，占比9.3%。德國位列第三，是歐洲國家中擁有高影響力學者最多的地方；其余國家的學者人數(shù)量均少在100人以下。
美國機構數(shù)量多實力強
統(tǒng)計各領域高引學者數(shù)TOP10的研究機構如下圖所示，位居首位的是谷歌公司，共165人入選榜單，也是唯一一家學者數(shù)過百的機構。從國家分布來看，只有清華大學為中國入選機構，其余均為美國研究機構，且美國機構學者總體人數(shù)遙遙領先。
學者人數(shù)TOP10機構
此外，各領域榜首機構統(tǒng)計如下圖所示。谷歌在經典人工智能等10個領域的學者數(shù)量都位居榜首；麻省理工學院在機器人以及計算理論2個領域的學者數(shù)量位居榜首；其他領域的榜首分布在不同的機構中，其中，中國科學院在多媒體領域的學者數(shù)量最多。
各領域學者數(shù)榜首機構統(tǒng)計
男女比例差異明顯
本報告高影響力學者信息的統(tǒng)計中，我們針對所有上榜學者性別做出統(tǒng)計。男性在各領域中均占多數(shù)，共1663人；女性學者稀少，共175人。其中，機器學習領域的男性學者比例最高，達98%；人機交互領域的女性學者比例最高，但也只占該領域的24%。
學者整體水平較高
h-index是國內外公認的評價學者學術成就的方法，從下圖可以看出本次AI 2000學者均具有較高h-index值，其中h-index大于60的人數(shù)最多，有385人，占比20.9%。
AI 2000學者h-index分布
研究領域多點開花
AI 2000的學者中，有多位學者的研究方向涉及了多個領域，其中有2位學者出現(xiàn)在四個領域，他們分別是Yoshua Bengio以及Alex J. Smola；此外，有19位學者出現(xiàn)在3個領域，有118位學者出現(xiàn)在2個領域。
領域技術分析系統(tǒng)
領域技術分析系統(tǒng)可以基于AMiner大量的論文和學者信息進行深入挖掘，對技術趨勢、國際趨勢等方面進行分析。在本榜單期刊/會議基礎上，AI 2000的趨勢分析如下：
1、技術發(fā)展趨勢
AI 2000技術趨勢分析如下圖所示。圖中每條色帶表示一個話題，其寬度表示該術語在當年的熱度，與當年該話題的論文數(shù)量呈正相關，每一年份中按照其熱度由高到低進行進行排序。通過技術趨勢分析可以發(fā)現(xiàn)當前熱點研究話題TOP10是：Neural Network（神經網絡）、Convolutional Neural Network（卷積神經網絡）、Machine Learning（機器學習）、Computer Vision（計算機視覺）、Mobile Device（移動設備）、Social Network（社交網絡）、Speech Recognition（語音識別）、Information Retrieval（信息檢索）、Support Vector Machine（支持向量機）、Data Mining（數(shù)據(jù)挖掘）。技術趨勢分析描述了技術的出現(xiàn)、變遷過程，可以幫助研究人員理解領域的研究歷史和現(xiàn)狀，快速識別研究的前沿熱點問題，例如下圖反映出的神經網絡、卷積神經網絡等領域在近期的快速發(fā)展。
AI 2000技術發(fā)展趨勢
2、國家發(fā)展趨勢
AI 2000國家趨勢分析如下圖所示。圖中每條色帶表示一個國家，其寬度表示該國家在當年的研究熱度，與當年該國論文數(shù)量呈正相關，每一年份中按照其熱度由高到低進行排序。通過國家趨勢分析可以發(fā)現(xiàn)熱度TOP10的國家分別是：United States（美國）、China（中國）、United Kingdom（英國）、Germany（德國）、Canada（加拿大）、Japan（日本）、Australia（澳大利亞）、South Korea（韓國）、Italy（意大利）、France（法國）。當前研究熱度最高的國家是美國，從全局熱度來看，美國早期就有著領先優(yōu)勢并一直保持著最高的熱度，同時中國的研究熱度緊隨美國之后。
AI 2000國家發(fā)展趨勢
3、國家合作
國家間論文合作情況可以根據(jù)論文中的單位信息，將作者映射到各個國家中，進而統(tǒng)計各國之間的論文合作情況，合作論文數(shù)量T OP10的關系如下圖所示。在合作論文數(shù)量上，中美合作的論文數(shù)遙遙領先；在合作對象上，絕大多數(shù)的合作關系都包含美國，體現(xiàn)出美國的突出地位。
國家間論文合作情況
結語
通過以上分析可以發(fā)現(xiàn)，在學者數(shù)量方面，美國在人工智能整體層面上占有絕對優(yōu)勢，擁有超過一半的高水平學者，為美國人工智能的發(fā)展奠定了堅實的人才基礎；這些學者又廣泛分布在高校、企業(yè)等研究機構中，人才聚集必然會帶動各機構的快速發(fā)展。
相較而言，雖然中國在學者規(guī)模上位列第二，但是與美國還有很大的差距，相應地，我國高水平學者集中的研究機構也很匱乏，我國人工智能領域的人才隊伍亟待加強。
在學者特點方面，AI 2000涵蓋的學者整體研究水平高，跨領域學者數(shù)量多，有利于各領域的協(xié)同發(fā)展，但是也有男女比例不均衡等問題。
在趨勢發(fā)展方面，我們可以通過分析技術趨勢了解先進技術的歷史和現(xiàn)狀，例如洞察神經網絡的發(fā)展進程；通過分析國家趨勢了解各個國家的發(fā)展情況，通過分析國家合作認識國際合作潮流，例如美國是現(xiàn)在發(fā)展熱度最高的國家，由此也帶動了其他國家與美國的合作。
相信不久的將來會有更多的人工智能關鍵技術實現(xiàn)突破，我國人工智能的發(fā)展也將更加耀眼，培養(yǎng)更多的人才投入到人工智能領域的發(fā)展建設中去。
來源：文章來源于網絡
（轉載）
