2000-20年按地区分列的AI期刊出版文献（占全球总数的百分比 %）
在三大人工智能大国中，自2017年以来，中国在人工智能期刊出版文献中所占份额居世界首位，2020年为18.0%，其次是美国（12.3%）和欧盟（8.6%）。
2000-20年按地理区域展示的AI期刊出版文献（占世界总出版文献的百分比%）
从人工智能期刊引用比例的角度看，2020年中国（20.7%）首次超过美国（19.8%），而欧盟的整体份额继续保持下滑趋势。
2000-20年按地理区域展示的AI期刊引用情况（占世界总引用情况的百分比%）
专利方面，在过去20年中，世界上公布的人工智能专利总数一直在稳步增长，从2000年的21806项增长到2019年的101876项，增长超过了4.5倍。
会议方面，2020年，由于大多数会议都是通过虚拟形式召开的，人工智能会议的参与度显著提高。只有第34届国际人工智能大会（Association for the Advancement of Artificial Intelligence ，AAAI）在2020年2月线下召开。会议组织者介绍说，虚拟形式使得来自世界各地的研究人员的出席率提高，但是准确的出席人数很难衡量。
2020年，9个会议的参会者总人数几乎翻了一番。特别是，智能机器人与系统国际会议（IROS）将虚拟会议设置为允许用户在长达3个月的时间内观看会议活动，从而造成了非常高的出席率。
二、技术性能本章重点介绍人工智能各个子领域的技术进展，包括计算机视觉、语言、语音、概念学习和定理证明。本节使用多种定量测量方式的组合，如常用的基准和奖项挑战，以及学术论文的定性分析来展示最先进的人工智能技术的发展情况。
虽然技术进步使得人工智能系统的部署比以往更广泛、更容易，但人们对人工智能的使用也越来越关注，尤其是在算法偏差等问题上。新的人工智能技术能力的出现，例如能够合成图像和视频，也带来了伦理挑战。
1、计算机视觉——图像
在20世纪10年代，图像识别和分类领域开始从经典的人工智能技术转向基于机器学习的技术，特别是基于深度学习的技术。其中最出名的数据集是来自斯坦福大学和普林斯顿大学的计算机科学家于2009年创建的ImageNet。
ImageNet挑战的图像分类任务要求机器根据图像中的主要对象为图像分配一个类别标签。下图探讨了随着时间的推移，性能最好的ImageNet系统的演变情况，以及算法和基础设施的进步如何让研究人员提高训练图像识别系统的效率，同时减少训练高性能系统所需的绝对时间。
Top-1准确度测试人工智能系统为图像分配正确标签的能力，特别是其单个最有可能的预测结果（在所有可能的标签中）是否与目标标签相同。
使用预训练数据的最新系统在Top-1准确度中每10次尝试中会出现1次错误，而在2012年12月，当时的系统每10次尝试中会出现4次错误。谷歌大脑团队的模型在2021年1月达到了90.2%的最高准确率。
ImageNet挑战：Top-1准确度
Top-5准确度考察的是正确的标签是否出现在分类器的前五个预测中。错误率已从2013年的85%左右提高到2020年的99%左右。
