AI 版 Nature Index 排名，两种结果折射中国 AI 实力软肋

智源导读：12月10日，Nature Index 发布了其 AI 增刊（Nature Index AI supplement），该刊分别使用了Nature Index（自然指数）数据和规模更大的Dimensions数据库，对全球范围内的人工智能学术研究做了分析和排名。但根据两个数据库的排名，中国的名次变化有点大，前者在美、英、德之后，位居第四；而后者则远超其他国家，雄踞第一。

仔细分析这两种数据排名，我们发现：中国在 AI 方向确实已经处于前沿地位，但我们在将 AI 应用于传统基础学科上仍有欠缺。这种欠缺，除了提示我们应当更加注重基础研究外，或许也告诉我们的 AI 专家们：在传统学科中或许有更多可探索的新天地，而非仅仅局限在 AI 的核心任务上。

简单来说，根据自然指数数据显示，2015年至2019年期间，尽管中国在自然指数论文库中的数量迅速增加（2019年论文数量增长到了2015年的340%），但仍排在美、英、德之后，位居第四。这里可以看到美国的 Share （后文解释含义）要大于2~10名全部总和。

 

图 1：自然指数的国家排名

然而，根据规模更大的 Dimensions 数据库，AI领先的国家和地区显然不同。中国在2015-2019年间的出版物以 318534的数量雄踞第一，而印度则以91563的数量排名第三。

图2：基于Dimensions Data的国家排名

 

这种差别的原因在于，自然指数数据分析聚焦在指数所追踪的82本高质量自然科学期刊上发表的AI相关文章的数量，这些期刊主要覆盖化学、物理、生命科学、地球与环境科学等。因此依据自然指数数据的排名，更强调的是 AI 在化学、物理、生命科学、地球与环境科学等方面的应用。

而Dimension相对则更为广泛，包括人工智能相关的各种期刊和会议论文，可追踪到所有领域AI相关文章的发表情况。

 

两相对比，更突显了：尽管中国的 AI 研究在总体上居于世界第一（以出版物数量来说），但在化、物、生、地等传统学科中的应用却是短板。

01 Dimensions Data 中的中国 AI

 

使用Dimensions Data，Nature Index AI不仅分析了每个国家的排名，还给出更为详细的研究机构的 AI 100 排名。在这个榜单上，来自中国的研究机构主导了前十强机构。

前 10 名中有 7 家来自中国的高校/科研单位：清华大学（第一）、中国科学院大学（第二）、上海交通大学（第三）、北京航空航天大学（第四）、浙江大学（第五）、哈尔滨工业大学（第六）、电子科技大学（第八）。

而前100强机构中，中国占到 39 家。

 

名词	研究机构	国家/地区	出版物2015–2019
1	清华大学	中国	11,867
2	中国科学院大学	中国	8,835
3	上海交通大学	中国	8,796
4	北京航空航天大学	中国	8,605
5	浙江大学	中国	8,337
6	哈尔滨工业大学	中国	8,315
7	南洋理工大学	新加坡	6,985
8	电子科技大学	中国	6,954
9	斯坦福大学	美国	6,609
10	麻省理工学院	美国	6,314
11	东南大学	中国	6,180
12	东京大学	日本	6,058
13	华中科技大学	中国	6,048
14	伦敦大学学院	英国	5,988
15	武汉大学	中国	5,797
16	北京理工大学	中国	5,641
17	北京大学	中国	5,612
18	哈佛大学	美国	5,553
19	密西根大学	美国	5,464
20	西安交通大学	中国	5,364
21	国防科技大学	中国	5,361
22	西安电子科技大学	中国	5,277
23	新加坡国立大学	新加坡	5,269
24	西北工业大学	中国	5,261
25	多伦多大学	加拿大	5,205
26	卡内基·梅隆大学	美国	5,192
27	佐治亚理工学院	美国	5,123
28	北京邮电大学	中国	5,010
29	牛津大学	英国	4,951
30	伦敦帝国理工学院	英国	4,915
31	天津大学	中国	4,914
32	安娜大学安娜	印度	4,838
33	加州大学伯克利分校	美国	4,754
34	慕尼黑工业大学	德国	4,551
35	东北大学	中国	4,436
36	剑桥大学	英国	4,423
37	中国科学技术大学	中国	4,368
38	华盛顿大学	美国	4,359
39	伊利诺伊大学香槟分校	美国	4,282
40	华南理工大学	中国	4,239
41	加州大学洛杉矶分校	美国	4,179
42	苏黎世联邦理工学院	瑞士	4,152
43	大连理工大学	中国	4,143
44	同济大学	中国	4,112
45	加州大学圣地亚哥分校	美国	4,083
46	悉尼新南威尔士大学	澳大利亚	4,080
47	中山大学	中国	4,058
48	南加州大学	美国	4,050
49	约翰·霍普金斯大学	美国	4,014
50	悉尼大学	澳大利亚	3,860

另一方面，如果是按照增长速率进行排名的话，中国高校/单位近乎呈现一种霸榜的态势，在前 25 个发展最快的机构中，有 23 个来自中国，而仅有 2 个来自美国：

名次	研究机构	国家/地区	出版物2015	出版物2019	2015-19年变化	变动2015–19（％）
1	中国科学院大学	中国	653	3,236	2,583	395.6％
2	清华大学	中国	1,629	3,418	1,789	109.8％
3	电子科技大学	中国	699	2,451	1,752	250.6％
4	上海交通大学	中国	1,124	2,692	1,568	139.5％
5	浙江大学	中国	1,166	2,644	1,478	126.8％
6	东南大学	中国	711	2,099	1,388	195.2％
7	西北工业大学	中国	500	1,804	1,304	260.8％
8	哈尔滨工业大学	中国	1,158	2,340	1,182	102.1％
9	北京航空航天大学	中国	1,172	2,339	1,167	99.6％
10	北京邮电大学	中国	500	1,660	1,160	232.0％
11	华中科技大学	中国	806	1,953	1,147	142.3％
12	北京理工大学	中国	680	1,824	1,144	168.2％
13	西安电子科技大学	中国	640	1,765	1,125	175.8％
14	武汉大学	中国	709	1,821	1,112	156.8％
15	中山大学	中国	414	1,513	1,099	265.5％
16	天津大学	中国	568	1,621	1,053	185.4％
17	哈佛大学	美国	710	1,709	999	140.7％
18	北京大学	中国	785	1,711	926	118.0％
19	国防科技大学	中国	655	1,578	923	140.9％
20	中南大学	中国	314	1,219	905	288.2％
20	斯坦福大学	美国	943	1,848	905	96.0％
21	中国科学技术大学	中国	548	1,421	873	159.3％
22	西安交通大学	中国	720	1,591	871	121.0％
23	重庆大学	中国	369	1,239	870	235.8％
24	深圳大学	中国	314	1,182	868	276.4％
25	东北大学	中国	502	1,366	864	172.1％

 

 

02 自然指数中的中国 AI

正如上文所说，自然指数的数据来源，是 82 本涵盖化学、物理、生命科学、地球与环境科学的高质量自然科学期刊，因此基于它所分析的 AI 现状，主要考虑 AI在这些领域中的应用情况。

 

首先需要强调一下它的排名计算方式。

 

1）count：对于一篇论文，如果作者中有一个以上来自中国，那么中国的count数就加 1（所以有两个也是加 1）；不管文章有多少作者，都是如此。这也就意味着，同一篇文章可以给多个国家/地区或机构的count数做贡献。

 

2）share：假如每篇文章的share 数值为 1，那么每个作者将均分这个总额。例如一篇有10人合作者的论文，每个作者的share值将为 0.1，因此作者所隶属的单位或国家的share值便加 0.1。

 

从前面图 1 中可以看出，美国无论是在count，还是share上都远超中国；甚至 share值大于2-10名的国家之和。

 

自然指数还排名了前 100 强机构，前20名如下，中国仅有中国科学院入榜：

排名	机构	国家/地区	2015–2019 Share	2015–2019 Count	国际文章（％）
1	哈佛大学	美国	331.08	937	57.0％
2	斯坦福大学	美国	257.90	629	54.4％
3	麻省理工学院（MIT）	美国	209.04	620	59.4％
4	马克斯·普朗克学会	德国	167.98	628	83.0％
5	牛津大学	英国（UK）	132.34	495	85.3％
6	剑桥大学	英国（UK）	130.68	485	84.9％
7	中国科学院	中国	130.00	492	73.2％
8	UCL	英国（UK）	129.70	415	77.1％
9	纽约市的哥伦比亚大学（CU）	美国	127.56	386	61.9％
10	国立卫生研究院（NIH）	美国	122.69	302	52.0％
11	纽约大学（NYU）	美国	117.40	353	67.4％
12	华盛顿大学	美国	110.68	338	59.8％
13	普林斯顿大学	美国	107.92	254	52.8％
14	加州大学伯克利分校（UC Berkeley）	美国	107.54	329	54.1％
15	加州大学圣地亚哥分校（UC San Diego）	美国	100.63	297	59.6％
16	宾夕法尼亚大学	美国	98.54	296	59.8％
17	约翰·霍普金斯大学（JHU）	美国	85.80	285	52.3％
18	耶鲁大学	美国	83.95	273	64.5％
19	加州理工学院（Caltech）	美国	83.59	205	57.1％
20	多伦多大学	加拿大	83.27	290	84.5％

 

考虑到2015年至2019年的增速，中国也仅有中国科学院和清华大学入榜：

 

排名	机构	国家/地区	2015–2019 share	2015–2019 count	2015-19 count变化	2015–19share变化（％）
1	哈佛大学	美国	89.44	273	41.68	87.3％
2	斯坦福大学	美国	76.03	187	39.94	110.6％
3	麻省理工学院	美国	61.77	171	34.28	124.7％
4	加州大学伯克利分校	美国	35.99	101	28.57	385.1％
5	中国科学院	中国	40.69	173	26.69	190.7％
6	加州大学圣地亚哥分校	美国	31.33	105	21.30	212.3％
7	加州大学旧金山分校	美国	27.17	76	20.17	288.2％
8	耶鲁大学	美国	28.32	78	19.41	218.1％
9	加州大学洛杉矶分校	美国	24.19	90	18.18	302.8％
10	马克斯·普朗克学会	德国	46.71	173	17.67	60.8％
11	宾夕法尼亚大学	美国	30.33	85	16.72	122.9％
12	剑桥大学	英国（UK）	33.06	124	16.53	100.0％
13	清华大学	中国	16.73	75	14.63	696.5％
14	瑞士苏黎世联邦理工学院	瑞士	24.61	76	14.33	139.4％
15	宾夕法尼亚州立大学	美国	16.63	40	13.72	471.1％
16	伦敦帝国理工学院	英国（UK）	18.13	82	13.67	306.1％
17	UCL	英国（UK）	35.36	108	13.49	61.7％
18	康奈尔大学	美国	20.90	85	13.23	172.3％
19	亥姆霍兹德国研究中心协会	德国	23.37	113	12.54	115.8％
20	杜克大学	美国	24.22	69	12.47	106.1％

 

比较有意思的是，自然指数还进行了医疗机构的 AI 排名，前十名全部来自美国。这说明，医疗 AI 在美国很有市场。

 

排名	机构	国家/地区	2015–2019 Share	2015–2019 Count	国际文章（％）
1	哥伦比亚大学欧文医学中心（CUIMC）	美国	68.25	216	54.2％
2	威斯康星大学医学	美国	49.31	154	48.1％
3	杜克大学卫生系统	美国	38.32	115	46.1％
4	加州大学圣地亚哥分校健康科学	美国	35.59	139	54.0％
5	麻省总医院（MGH）	美国	32.00	194	56.2％
6	纽约大学朗格尼医学中心（NYULMC）	美国	31.34	114	58.8％
7	加州大学洛杉矶分校健康	美国	30.75	127	59.1％
8	德克萨斯大学西南医学中心（UT Southwestern Medical Center）	美国	27.97	62	48.4％
9	UCSF健康	美国	27.18	110	40.0％
10	斯隆·凯特琳纪念癌症中心（MSKCC）	美国	26.02	78	60.3％

 

 

03 总  结

 

Nature Index的排名并非是对中国 AI 的否定，而Dimensions Data的出版物数量也不能说明中国 AI 已经引领。

图 3：2015-2019年间，六个国家（中、美、印、德、英、法）在 Share 和出版物数量上的增长情况

 

正如许多AI报告指出，中国在论文数量上占据优势，但平均引用量却低于世界平均水平。例如《AI 指数报告》统计发现，2019 年来自中国的论文被引用量比世界平均水平低约 20%，而来自美国的论文被引用量比世界平均水平高约 40%。

 

“仅仅是大量的、没有持久影响的原始论文并不是真正有用的，跟上技术前沿更重要。”牛津大学人类未来研究所研究中国 AI 战略的 Jeffrey Ding 博士说。

 

这两种数据排名的对比告诉我们，中国在 AI 方向确实已经处于前沿地位，但我们在将 AI 应用于传统基础学科上仍有欠缺。这种欠缺，除了提示我们应当更加注重基础研究外，或许也告诉我们 的AI 专家们：在传统学科中或许可以探索更多的新天地，而非仅仅局限在 AI 的核心任务上。