双叶实木家具图片十年来，人工智能（Artificial Intelligence, AI）作为当代科技革命的核心驱动力，正以前所未有的速度重塑全球科技创新格局和社会发展模式。7 月 3 日，全球首份基于高质量论文数据系统分析人工智能十年科研演进的报告——《全球人工智能科研态势报告（2015-2024）》，在北京举办的 2025 全球数字经济大会上面向全球发布。现场还揭晓了五份聚焦全球人工智能科研人才的榜单。

　　这份报告由联合国工业发展组织投资和技术促进办公室与东壁科技数据有限责任公司（东壁科技数据）联合发布，基于东壁指数（Dongbi Index）评价体系，对 2015-2024 年间发表的 96961 篇人工智能领域文献进行深度分析。

　　东壁指数（Dongbi Index）是东壁科技数据在今年 1 月发布的全球学术期刊评价指标体系，是一个由中国机构自主构建、采用「种子期刊引文追溯+引文网络层级结构分级」模型的创新评价系统，被中国科协官方平台视为「中国争取学术话语权的标志性事件」。

　　活动现场，东壁科技数据创始人、深圳大学特聘教授吴登生揭晓了报告核心内容。他提到：「从早期的多元探索，到深度学习的爆发式增长，再到如今的工程化落地与新兴方向涌现，这份报告绘制了一幅清晰的 AI 科研十年『跃迁图景』。」

　　报告勾勒出全球人工智能研究鲜明的阶段性特征，发文量总体呈上升趋势，粗略可分为初始起步期 (2015-2016 年)、快速发展期 (2017-2019 年)、成熟高峰期 (2020-2023 年)、波动调整期 (2024 年)。

　　2015-2016 年是初始起步期，全球 AI 年度论文数量出现了小幅下滑，从 2015 年的 4421 篇滑落至 2016 年的 3628 篇。「这个阶段就像是在技术森林中摸索，」吴登生形容道，「传统研究中，机器学习是主流，没有『超级明星』，大家都在多元化尝试。」

　　快速发展的黄金期出现在 2017-2019 年，此时论文数量迎来「三连跳」，至 2019 年一举突破万篇大关。2017-2018 年是关键转折点，关键词「深度学习」热度陡增，标志着 AI 研究开始从实验室的理论探索大规模走向实际应用的广阔天地。

　　随后的 2020-2023 年是成熟高峰期，虽有 2022 年的短暂回调，但 AI 科研整体呈现强劲势头。其中，2020-2021 年堪称「深度学习」的全面爆发季，2023 年论文量飙升至 17,074 篇，较 2015 年实现了近 4 倍的跨越式增长。在这个阶段，AI 工程化落地全面推进。

　　进入最近的 2024 年，数据则揭示出一个重要的调整信号——2024 年发文量回落至 14786 篇。「这并非退步，而是学术研究的战略聚焦，」吴登生表示，「AI 研究正告别『广撒网』，开始进入深度专业化与精准应用导向的新阶段。」

　　另一方面，从技术演进路径看，2015 年到 2017 年主要集中在传统机器学习算法和神经网络基础研究方面，2018 年到 2020 年深度学习、计算机视觉、自然语言处理等应用领域兴起，2021 年至 2023 年，大型语言模型、生成式 AI、多模态模型成为研究前沿，再到 2024 年至 2025 年，可解释性 AI、自适应学习、多智能体系统等新兴方向涌现。

　　「『深度学习』无疑是过去十年的绝对主角，」吴登生介绍道。「深度学习」关键词频率累计增长 84 倍，尤其在 2018-2023 年，年均增速高达 217%，展现出惊人的爆发力。但他也指出，「2024 年其增速首次降至 30%，进入平台期，预示着单靠模型规模扩张的发展模式面临瓶颈。」

　　在计算机视觉领域，「目标检测」（object detection）以高达 78% 的出现率成为该领域「最热」关键词。「语义分割」（semantic segmentation）在 2022-2023 年热度登顶，标志着计算机视觉技术形成了「目标检测-语义分割-视觉应用」的完整闭环。

　　机器学习基础理论持续夯实，「reinforcement learning」等子领域在 10 个年度保持活跃，年均增长 12%。语义理解相关关键词如「semantics」在 2022 年后年均增长 45%，预示着「认知智能」可能是下一轮突破的焦点。

　　报告还揭示了基础理论类关键词如「machine learning」、「classification」、「clustering」保持相对稳定的热度，体现了这些基础概念的重要性。

　　新兴技术崛起方面，「Transformers」关键词在 2022 年后异军突起，深刻改变自然语言处理和多模态 AI 领域。「Feature extraction」和「optimization」等工程化关键词在 2020 年后呈现持续升温趋势，表明研究重心正从算法创新转向工程优化和实际部署，是技术成熟和产业需求双重驱动的结果。

　　此外，报告还揭示了不同技术领域之间的融合趋势。报告发现，传统的计算机视觉关键词（如「object detection」、「segmentation」）与深度学习关键词（如「neural networks」、「deep learning」）在热度变化上高度同步。「这生动体现了 AI 发展的『融合』大趋势，孤岛式研究已成过去时。」吴登生总结道。

　　报告清晰呈现出中美两国在 AI 领域「双核驱动」的格局，以及各具特色的发展路径。

　　报告显示，美国 AI 研究展现出基础理论扎实、技术创新驱动和均衡发展的特点，在机器学习、智能机器人、专家系统等基础理论和技术创新领域拥有绝对优势，研究注重底层突破和技术伦理，如 AI 安全与隐私保护。中国 AI 研究呈现出鲜明的应用导向和产业结合紧密的特点，在计算机视觉、知识图谱和自然语言处理方面具有相对优势。

　　「中国在计算机视觉领域的论文数量比美国高 40.8%，知识图谱领域高 50.1%，在自然语言处理领域也略有优势，」吴登生援引报告数据指出，「这与中国在自动驾驶、互联网应用、知识管理方面具有庞大市场需求和丰富应用场景密不可分。」

　　中国企业也在推荐系统、智能金融（如移动支付）、自动驾驶等强应用、强落地的领域表现突出。此外，在智能算法、边缘计算等新兴探索领域，中国虽起步相对较晚，但也展现出良好的发展态势。

　　基于报告的核心数据，本次发布会现场还重磅揭晓了五份全球人工智能人才榜单，分别是《全球人工智能人才榜 TOP100》、《全球人工智能南方国家人才榜 TOP 20（不含中国）》、《全球人工智能女性人才榜 TOP50》、《中国人工智能人才榜 TOP100》、《全球人工智能机构榜 TOP100》，更清晰明了地展现了全球 AI 人才分布、机构实力与生态发展的最新格局。

　　吴登生介绍，榜单基于东壁全球科技文献数据平台收录的顶级期刊、重要会议论文等公开高质量数据源统计分析得出，具有公开、透明、可重复、可验证等优点，反映的是近 10 年来科研活跃的一线学者，可能会遗漏部分早期做出重要贡献的学者，后续将增加对早期学者和新兴学者的关注，完善相关数据，更加全面地反应人工智能领域人才分布情况。

　　「这些榜单是对过去十年 AI 科研成就的致敬。」吴登生在发布榜单时表示，期待报告与榜单能为学术界、产业界及政策制定者提供全球人工智能研究的全景数据和全新视角，更好地观察人工智能研究的过去与未来。（完）

　　人工智能（Artificial Intelligence, AI）作为当代科技革命的核心驱动力，正以前所未有的速度重塑全球科技创新格局和社会发展模式。自 2015 年深度学习技术实现突破性应用以来，人工智能领域经历了从传统机器学习向深度神经网络的范式转换，并在 2020 年后进入以大型语言模型（Large Language Models, LLMs）为代表的生成式 AI 时代，技术演进呈现出指数级增长态势。这一发展轨迹不仅体现在算法理论的持续创新、计算能力的指数级提升和数据规模的爆炸式增长，更反映在机器学习、深度学习、计算机视觉、自然语言处理、强化学习等核心技术方向的深度融合与交叉发展。在此背景下，人工智能已从实验室的理论探索转向产业化应用的大规模部署，成为推动数字经济发展、促进产业结构升级、增强国家科技竞争力的战略性技术。然而，面对 AI 技术的快速迭代和复杂演进，传统的定性研究方法已难以全面、客观地把握其发展规律和趋势特征。文献计量学作为一门运用数学和统计学方法分析科学文献的定量研究学科，能够通过对大规模文献数据的系统性分析，客观揭示学科发展的内在规律、知识结构演变、研究热点迁移以及学术影响力分布等关键特征。特别是在人工智能这一高度跨学科、快速发展的技术领域中，文献计量分析不仅能够识别核心研究方向和技术热点的演进轨迹，评估不同国家、机构和学者的科研贡献与影响力，还能够通过国际比较分析揭示全球 AI 竞争格局，为学术界的前沿探索、产业界的技术布局以及政策制定者的战略决策提供科学依据。当前，在中美科技竞争日益激烈、人工智能成为国家战略制高点的时代背景下，通过系统性的文献计量研究深入剖析 AI 领域的发展态势、竞争优势和未来趋势，对于客观评估我国在全球 AI 创新体系中的地位、识别技术发展的关键路径、制定科学合理的发展战略具有重要的理论价值和现实意义。

　　基于上述背景分析，本研究认为有必要运用文献计量学的理论方法和分析工具，对人工智能领域的科学文献进行系统性的定量分析。文献计量学作为一门以文献体系和文献计量特征为研究对象的学科，能够通过数学和统计学方法，客观地揭示科学研究的发展规律、学科结构演变以及知识传播模式。在人工智能这一快速发展且高度复杂的技术领域中，传统的定性分析方法往往难以全面把握其发展全貌，而文献计量分析则能够基于大规模文献数据，运用科学的量化指标体系，为理解 AI 领域的知识生产、传播和应用提供客观、准确的实证依据。特别是在当前 AI 技术迭代加速、国际竞争加剧的背景下，迫切需要通过系统性的文献计量研究，深入剖析该领域的发展态势、竞争格局和未来趋势，为我国 AI 科技创新战略的制定和实施提供科学支撑。