学术会议热度
在大型会议中，NeurIPS(曾用名NIPS)、CVPR和ICML，是参与人数最多的三大AI会议。自2012年以来，论参与人数的增长率，这三者也领先于其他会议。
NeurIPS和ICML参与人数增长最快：将2018年与2012年相比，NeuRIPS增长3.8倍(4.8x)，ICML增长5.8倍(6.8x)。
上面讨论的是大型会议，但小型会议的参与人数同样有明显的增长，甚至可以比大型会议的增长更加明显。
这里最突出的是，ICLR2018的参会人数达到了2012年的20倍。
原因很可能是近年来，AI领域越来越关注深度学习和强化学习了。
AI创业投资情况
从2015年1月到2018年1月，人工智能创业公司的数量增长到了原来的2.1倍，而所有活跃的创业公司增长到了原来的1.3倍。
大多数情况下，创业公司的增长都保持相对稳定，而人工智能创业公司呈指数级增长。
在风投资金方面，从2013年到2017年，人工智能领域的风投资金增长到了原来的4.5倍，而所有的风投资金只增长到了原来的2.08倍。这些数据都是年度数据，不是逐年累积的。
图表中有两个高峰期，1997-2000年风投资金的激增，对应的是网络泡沫时期。2014-2015年出现了一个较小的增长，因为当时正处于一个相对较大的经济增长时期。
人才需求
报告显示，近几年，社会需要的AI相关人才大幅度增加，目前对有ML技能的人才需求最大，其次是深度学习。
可以看出，ML人才需求也是这两年增长速度最快的。
报告统计，2017年，全球ML人才需求是2015年的35倍，从2016年到2017年的增幅尤为明显。全球对AI人才的需求在2016年骤增。
专利
2014年，大约30%的人工智能专利发明人来自美国，其次是韩国和日本，各拥有16%。
在韩国和中国台湾地区，专利的增长速度较快。2014年人工智能专利的数量几乎是2004年的5倍。
财报电话会议中提及AI和ML的次数
2015年，科技公司在财报电话会议中提及AI和ML的次数开始有所增加。
2016年，其他行业提及AI次数才开始增长。
相比之下，科技行业的公司提及AI和ML的次数远比其他行业多。
在财报电话会议中，除了科技行业之外，提及AI次数最多的公司，基本上分布在消费、金融和医疗保健行业。
机器人安装量
2012年到2017年，中国机器人年安装量增长了500%，其他地区，比如韩国和欧洲，分别增长了105%和122%。
在安装量较小的地区中，中国台湾比较突出，在2012-2017年增长最快。
开源框架GitHub标星数
各框架的标星数反映着他们在开发者群体中的流行程度。不过，因为开发者们日常不会“取关”GitHub项目，所以这些星星都是多年来积攒下的。
我们可以明显发现，TensorFlow的受欢迎程度在开发者中遥遥领先、稳步增长。
排除了第一热门，第二名和第三名分别是scikit-learn和BVLC/caffe。
TensorFlow官方力推的keras排到了第四，但近一年来几无增长势头。
另外两大热门PyTorch和MXNet分别排到了第七和第六，尤其是PyTorch，作为一个年轻的框架，自2017年初发布以来至今，GitHub标星数至少增长了4倍。获取新用户的势头很猛，不知道其中有多少被TensorFlow逼疯的人类。
各类任务最新成绩
这个部分分为CV和NLP两块，分别列举了各主流任务从发展之初到现在的成绩进步情况。
ImageNet图像识别准确率
2017年是ImageNet比赛的最后一届，2018年这项比赛就不再进行了。不过，验证集依然有人在用。
蓝色的线条为ImageNet挑战赛历年的成绩变化，由于每年比赛所用的数据不同，旁边多了一条黄色线条，是以ImageNet2012验证集为评价标准绘制的。
可以看出，到2015年，机器在图像分类任务上的能力已经明显超越了人眼，而即使比赛不再继续，学术研究者依然在认真推进该任务的表现。
这也侧面说明，如果一项工作有了明确的评价标准和固定的挑战内容，研究者们围绕此竞争，更容易让技术在该领域取得突破。
ImageNet训练速度
这张图是训练ImageNet图像分类神经网络所需时间的历年变化（当然，是买得起足够计算资源的人和机构所用的时长）。
从2017年6月的1小时，到2018年11月的4分钟，ImageNet图像分类神经网络的训练速度提升了16倍，除了硬件方面的贡献，算法上的提升也不容小觑。
图像分割COCO
ImageNet挑战赛“退休”之后，CV领域的朋友们就把重点放在了微软的COCO，挑战语义分割和实例分割。
四年来，COCO数据集上图像分割挑战的精确度已经提升了0.2，2018年的成绩比2015提升了72%。不过，目前还没有超过0.5，这一项还有充足的进步空间。
另外值得一提的是，COCO比赛近年来占据冠军位置的多是来自中国的公司，包括旷视、商汤等计算机视觉独角兽日常包揽数个项目的冠军。
语法分析（Parsing）
在确定句子结构这种语法分析的任务上，2003年到2018年的15年间，AI的表现（F1Score得分）提升了将近10%。
机器翻译
在机器翻译任务上，报告拿英语-德语互相翻译举例，评估了AI模型在经典机器翻译评估算法BLEU标准中的表现。
报告显示，2018年英语转德语的BLEU评分是2008年的3.5倍，德语转英语成绩是2008年的2.5倍。
机器问答：AI2ReasoningChallenge(ARC)
在问答领域，AI表现进步更明显，可以按月计数了。
报告统计了2018年从四月到11月间，AI在ARC推理挑战赛上成绩的变化：简单组得分从63%提升到69%，挑战组得分从27%提升到42%。
这些，都仅是半年间的进步。
机器问答：GLUE
同样用于机器问答的GLUE基准（GeneralLanguageUnderstandingEvaluation）推出至今只有7个月的时间，但目前的表现已经比半年前提升了90%。
GLUE的推出者、纽约大学助理教授SamBowman说，虽然围绕GLUE的大型社区还没有出现，不过已经有了像谷歌BERT这样的代表性技术用了GLUE基准，面世一个月内已经被引用8次。在EMNLP会议中，GLUE时常被讨论，可能会成为语言理解领域中的一个基准线。
政府提及
整体来说，自2016年以来，美国、加拿大、英国政府在国会/议会会议中提及人工智能和机器学习的次数激增。
2016年之前，机器学习很少被提及，与人工智能相比，机器学习在总提及量中只占很小的一部分。