一份报告引起的轰动，说中国人执人工智能AI牛耳咱有证据

人工智能这把火已经烧到了国家战略层面，连美国总统和政府机构也卷了进来。上周四，奥巴马主持白宫前沿峰会，展望美国在未来50年的发展。峰会中，白宫发布报告《国家人工智能研究与发展策略规划》（见原文链接）。相关情况，大家可以参考《连线》杂志的总统专访（Wired: Barack Obama on Artificial Intelligence, Autonomous Cars, and the Future of Humanity） 。

这两天，自媒体没少炒作这个报告；我自己呢，倒是特别地对这个报告中的两张趋势图感兴趣。报告中说，从2013年到2015年，SCI收录的论文里，提到“深度学习”的文章增长了约六倍，同时强调，“按文章数计算，美国已不再是世界第一了。”

美国不是世界第一？谁是世界第一呢？来看报告中的两张趋势图：

上图是每年SCI收录的文章里，提到“深度学习”或“深度神经网络”的文章数量变化趋势，同时按国家做了区分。数据本身是从Web of Science核心数据库里查询得到的。

第二张图和第一张图其他条件一样，只是增加了一个“文章必须至少被引用一次”的附加条件。也就是说，第二张图统计的文章数，是被引用过的“有效文章数”，相对来说更合理一些。

两张图里，中国都在2014年和2015年超过了美国（以及其他所有第二梯队的国家），居于领跑者的位置。

问题来了，在AI研究领域，中国人真有这么强吗？

从这些年的直觉看，中国人/华人在人工智能领域里的大牛比比皆是，吴恩达、孙剑、杨强、黄广斌、马毅、张大鹏 ……随口可以说出一大串，我自己在Google的研究团队，微软研究院等地亲眼看到的，也到处是中国人、华人的面孔。但这只是直观感受。整体来看，中国人/华人所做的科研贡献到底有多重要，对人工智能的推动作用到底有多大？白宫报告里的统计是不是科学、合理？

直接搜索关键字“深度学习”、“深度神经网络”，真的能涵盖这些年人工智能领域的所有科学研究进展？像机器人、智能控制、机器视觉、无人驾驶等领域里，没有提及深度学习的文章眼见还有不少。严格按关键词匹配会漏掉多少相关文章？是否影响统计结果？

“文章至少被引用一次”，比较科学，但好像还远远不够。这种统计，真的不需要考虑SCI的影响因子吗？不考虑的话，会混进多少较差期刊上发表的比较水的论文？这些数据会不会被国内研究机构靠SCI引用数来评职称的风气污染？

在全球化时代，按国家统计，会不会有明显偏差？白宫报告没有提到被统计的文章是如何归入不同国家的。如果按作者发表文章时的所在机构，那大量在国外机构访问的中国学者会不会被算成外国人？中国人和外国人合写的文章该如何统计？如果按期刊所属国家和地区，那不同国家间的期刊水平（影响因子）差异是不是会让统计结果带有偏见？

基于此，我也想自己去做个统计。

统计前，给自己设了几条原则：

从期刊的影响因子出发，只统计影响因子高的顶尖期刊。

从Web of Science主题词出发，涵盖人工智能相关的所有科研领域，而不仅是深度学习方面的文章。

关注对象是华人，而不是用国家分类的办法去比较中国和外国——这个是我自己的选择，因为今天的学术界，国家间的合作和交流已不可忽视。类似吴恩达这样的外籍华人，其实也在为中国的人工智能发展做贡献。与其限定国家，不如从整体上看一看，地球上的华人科学家、研究者群体，到底有多厉害。

关注时间范围是2006到2016年，跨度10年左右——因为许多人说，这一波人工智能大潮是从2006后的几年时间里，才开始真正兴起的。

我的统计结果

先说说我的统计结果，一会儿会在附录一中讲讲我用的统计方法。

来看下2006到2016年间华人作者的平均贡献：

在2006到2016年的时间段里，近两万篇最顶级的人工智能文章中，由华人贡献的文章数和被引用数，分别占全部数字的29.2%和31.8%。近十年，华人用五分之一左右的作者人数，平均贡献了三成的顶级AI研究文章和被引用数。统计角度，这已经是超出平均水平的科研贡献了。

但平均数并不能看出华人科学家、研究者在最近几年的发力程度。来看2006到2015年间，华人贡献的文章数和被引用数的变化趋势：

2006到2015年间，华人作者参与的顶级AI论文，占全部顶级AI论文数量的比例，从23.2%逐年递增到42.8%。而华人作者参与的顶级AI论文被引用次数，占全部顶级AI论文被引用次数的比例从25.5%逐年递增到55.8%（2016 年数据较少，未用于趋势比较）。

也就是说，即便只统计顶级出版物里的顶级文章，中国人/华人在人工智能领域的贡献，在发展趋势上也和白宫报告中揭示的规律如出一辙——无论从哪个角度来说，中国人/华人正在人工智能领域里发挥举足轻重的作用，而且，从2014年，2015年开始，中国人/华人已经处于人工智能研究的领先地位，占据了人工智能科研世界的半壁江山！

个案分析

会有人觉得这个统计很不可思议吗？这个结果会出乎很多人意料吗？我们还可以拿一个更具体的例子，来深入分析一下。

在顶级人工智能期刊和会议录里，我来举个大名鼎鼎的例子吧：IEEE模式分析与机器智能汇刊（IEEE Transactions on Pattern Analysis and Machine Intelligence，简称PAMI），2015年影响因子6.077，高到没朋友，想往这里投稿的同学可能都知道被接受和发表的难度有多恐怖。

我从《IEEE模式分析与机器智能汇刊》里按引用数选出2006到2016年间的前500篇论文，下面是这500篇论文的引用数分布情况：

其实很恐怖的，前500篇文章最高引用数2715，最低引用数41——真顶级期刊！普通期刊难以望其项背呀。

那么，这500篇最顶级的人工智能论文里，华人科学家、研究者的贡献如何呢？先说几个数字：500篇顶级文章的作者一共1220人，其中华人科学家、研究者316人，占25.9%。所有作者单独累加计算的被引用数总和是231361次，其中，华人科学家、研究者被引用数总和是63846 次，占27.6%。如果单看2014年（当年华人的文章数、引用数均较高）的数据，华人科学家、研究者被引用数占51.8%，超过了半数。

如果只看《IEEE模式分析与机器智能汇刊》在2006到2016年间，引用数最多的10位华人作者和10位非华人作者的具体情况，也是一个很有趣的表格：

《IEEE模式分析与机器智能汇刊》的华人前10位大牛，与非华人前10位大牛，在每个人的总引用数上几乎不相上下。的确，最顶尖的人工智能科学家里，中国人/华人的贡献丝毫不亚于其他科学家。

另外，如果对人工智能特别是模式识别的研究领域不熟悉，那么，记住表中这20位顶尖科学家的名字吧。有兴趣的话，大家可以去搜一搜他们的简历，看看他们都在哪里工作，在哪里做研究，他们的学生、同事都是谁，相信会有很多发现。

原因？

为什么中国人/华人在人工智能领域这么强？因为数学好？因为兴趣使然？因为思维习惯？因为勤奋？因为教育？大家可能都有自己的答案。

本文不想展开讨论，列举数据和事实，才是本文的目的。

附录一：统计方法介绍

简单介绍一下我是怎么得到上面那些比例和趋势数据的。

周末，我先去Web of Science数据库里，找到Computer Science / Artificial Intelligence的主题类目，根据2015年SCI影响因子从高到低排序，取前50个出版物（包括期刊和会议录），这50个人工智能领域顶级期刊和会议录的详细列表见附录二。

然后，对每份顶级期刊和会议录，基于文章的被引用数对2006到2016年的所有文章进行排序。这个时间段里，期刊和会议录的平均发表文章数在500左右，我以500为上界，取每份期刊和会议录中，被引用数最多的文章，至多500篇。由此得到2006到2016年间的顶级人工智能相关论文共计19855篇。

接下来，基于这些文章的作者列表和被引用数目，统计华人科学家、研究者与全部文章作者之间的比例和趋势关系。

如何识别华人作者？好像没有特别好的方法。我的方法是根据英文姓名判断，如果英文姓名主要由汉语拼音、韦氏拼音或粤语拼音组成（当然还要考虑姓氏、名字二者在英文表述上的区别，以及其他一些经验规则），那么就假定这个作者是华裔。根据小样本集验证，这个判别方法的检准率大约在96%以上，检全率大约在90%左右。也就是说，会有一定数量的遗漏，也会有少量误识，但基本可以反映整体情况与趋势。

如何解决合作者问题？我是分别统计，并且不加权重的。第一作者和其他作者共享文章计数和引用计数。为第一作者增加权重是否影响整体统计结果？也许，但不会影响总体趋势数据，因为并没有证据表明，华人更多地出任第一作者，还是非华人更多地出任第一作者。至于每个作者的文章数和引用计数，是采用简单累加，还是采用比例累加（如两人合作，每人的贡献算0.5还是1），我做了全数据集的对比试验，几乎完全不影响整体结果。