人工智能因为其中推动效率提高和发掘机会方面的推动器作用，正在越来越受到各国政府和各大企业的高度重视。发展AI，人才是关键因素。为了分析各国在AI人才方面的储备情况，AI初创企业element.ai的Grace Kiser and Yoan Mantha利用顶级AI会议的作者和文章引用数据，再加上LinkedIn与其他AI报告的辅助，做出了2019年的全球AI人才报告。我们摘取其中部分进行了编译，原文标题是：Global AI Talent Report 2019
一些有力的证据表明，AI顶级人才供不应求。但是对于人才的稀缺度和集中度却缺少精确的信息。为此，element.ai团队连续第二年对全球AI人才的范围和广度进行调查。其研究主要依赖3个数据来源。1）AI领域21个领先的科学会议的出版物，分析其作者的概况。2）分析若干LinkedIn定向搜索的结果，看看有多少人自称是博士并且具备相应的必须技能的。3）外部报告及其他二手来源，帮助寻找相关背景，并更好地理解迅速变化的全球AI版图中的人才情况。
报告发现，2018年有22400人在一或多个机器学习的顶级会议上发表了论文，比2015年提升了36%，比2018年也涨了19%。同行评审的出版物数量也比2015年提高了25%，比2018年提高了16%。不过在这些会议上发表文章的研究人员当中，女性仅占18%，显得名额不足。报告还发现，全球的AI人才池是高度流动的，大概有1/3的研究人员的雇主所在国家与其获得博士学位所在国家是不一样的。报告的分析表明，在21种刊物上发表过作品的作者当中有18%（约4000人）对有着重大影响的研究（以过去2年被引用数为衡量）做出过贡献。而拥有高影响力研究人员最多的国家依次是美国、中国、英国、澳大利亚以及加拿大。
对LinkedIn简历的辅助调查表明，有36524人符合自称的AI专家资格，这比2018年的报告数字增加了66%。
此次调查的发现表明，无论是自我报告的AI专家数量，还是作者和在AI会议上发表的科学论文数量，均有了显著的提升和拓展，这反映出该领域的活力和国际化。
对AI专家的需求空前高涨，自学习的算法预计可让公司更好地驾驭发展性，获取重要但此前不可见的信号，提供实时洞察，帮助员工更好地完成工作。
2018年的第一次全球AI人才调查确认了一个AI业界的普遍假设：即有人工智能经验的博士很难找。2019年的调查将学术会议的样本从3个提高到21个。同时还细分了性别、人才流动以及影响力指数情况。同时，报告还收集了LinkedIn上面的简历情况来评估自我报告的AI专家趋势。最后，报告还将发现与外部报告和来源的数据进行关联。
我们2018年跟《连线》合作分析了人才池的情况，试图弄清楚女性在机器学习研究人员的占比。我们的评估认为目前这个领域的性别平衡问题依然非常严重：2018年调查的3个领先的AI学术会议里面，我们发现只有12%的作者是女性。
2019年的调查范围扩大到了21个学术会议，结果发现虽占比有所提升，但这个群体的女性名额依然不足，比例为18%左右。根据我们的调查，AI存在的这种性别不平衡体现在了产业和学术两方面：我们的数据表明学术界 19% 的会议作者为女性，而产业界的女性作者占比为16%。
考虑到机器学习潜在的广泛社会影响，女性在AI开发和部署方面的参与度是个重要问题。Facebook AI研究实验室负责人Joelle Pineau教授阐明了要增加本领域女性数量的理由：“相对于其他领域我们肩负着更多的科学责任，因为我们正在开发会影响很大一部分比例人口的技术。”OpenAI的CEO Sam Altman也提出了类似的观点，称机器学习在博士毕业生的性别方面是“目前我所知道的最扭曲的领域”，同时又是“对我们未来所生活的世界会产生最大影响的领域”。
据斯坦福大学发布的2018年AI指数报告，女性在学习AI和机器学习课程的大学生当中的占比也不足：学习斯坦福2017年的《AI导论》课程的 74%为男性学生，加州大学伯克利分校的比例则是73%。报读《机器学习导论》的女性占比甚至更低，斯坦福大学这门课程男学生占到了 76%，而加州大学伯克利分校同样课程的男学生占比更是高达79%。同一份报告还发现，美国绝大部分AI职位的申请者都是男性（71%）。
此次调查的数据表明，不同国家/地区之间的性别差距各不相同。女性作者占比高于18%的平均水平的国家/地区包括西班牙（26%）、台湾（23%）、新加坡（23%）、中国大陆（22%）、澳大利亚（22%）、美国（20%）、瑞士（19%）。在绝对数量上，美国的女性作者数量最多，其后是中国、英国、德国、加拿大、法国、澳大利亚、印度、意大利与新加坡。
对AI专家的需求空前高涨，自学习的算法预计可让公司更好地驾驭发展性，获取重要但此前不可见的信号，提供实时洞察，帮助员工更好地完成工作。
2018年的第一次全球AI人才调查确认了一个AI业界的普遍假设：即有人工智能经验的博士很难找。2019年的调查将学术会议的样本从3个提高到21个。同时还细分了性别、人才流动以及影响力指数情况。同时，报告还收集了LinkedIn上面的简历情况来评估自我报告的AI专家趋势。最后，报告还将发现与外部报告和来源的数据进行关联。
我们的会议研究人员数据让我们得以观察论文作者是在哪里接受培训的。首先，在培养AI人才方面，美国继续领先优势：在这份调查的会议作者样本中，44%的作者的博士学位是在美国获得的。而在中国受训的作者占到了约11%，其后是英国（6%），德国（5%）以及加拿大、法国和日本（均为4%）。
雇用数据也显示出了类似的地理分布特征。我们的调查表明，美国雇主继续吸引研究人员前往工作，样本数据中46%的人替美国的雇主工作，中国排名第二，占比为11%，第三的英国占比为7%。加拿大、德国、日本各占样本的4%。排名前18的国家就占到了作者总量的94%。而排名前5的国家美国、中国、英国、德国、加拿大的占比达到了72%。
会议样本绝大部分都是学术界的（77%），23%在产业界工作。尽管业界一些最大的私营公司仍继续吸引人才入驻其总部，但我们也看到很多公司开始招聘专家让他们在母国的办公地点工作。这份报告也把这些人看成是为公司总部所在国工作。比如说，某人是在法国修得博士然后在Google的法国分公司工作，报告会把此人看成是在法国受训为美国公司工作。所以在统计方面美国受益是最大的。
人才流动情况
左侧：在哪里获得博士学位；右侧：在哪里工作
本次的会议数据还分析了研究人员在完成博士学业后去到了哪里工作。总体而言，我们发现在样本当中将近有1/3（27%）的研究人员工作的雇主所在国家跟他们接受培训所在的国家是不一样的。在作者数量至少在150以上的国家当中，这个比例甚至高达32%。这些人才流动的全球地图很复杂，背后的故事当然是跟个人密切相关的。但无论如何，这一数据能让我们对AI人才的跨境流动一探端倪。
首先，我们的数据表明，某些国家对机器学习领域的研究人员特别有吸引力。总部在美国的雇主吸引海外受训研究人员的几率最高。中国是吸引在别国拿到博士学位的研究人员可能性第二大的国家，在吸引的研究人员数量上几乎是美国的1/4。我们估计会有若干因素对此产生影响，其中就包括每个国家的相关职位情况。
其中人才流入大于流出的10个国家/地区是：中国台湾、瑞典、韩国、西班牙、美国、瑞士、中国、日本、英国、澳大利亚。而在接受海外专家方面的赢家是瑞士和瑞典，外来人才占比分别达到了50%和49%。
不同国家人才流入流出情况对比
这一数据还可以让我们对比每个国家/地区的人才流入流出情况。人才流入表示的是在x国/地区工作但是在y国/地区拿到博士学位的人数除以x国/地区的AI人才总数。这个指标可以用来衡量一个生态体系对人才的吸引力。
另一方面，人才流出表示的是在x国/地区拿到博士学位但现在为y国/地区的雇主工作的人数，再除以x国/地区的AI人才总数。这个比例可以看出一个国家/地区留住人才的能力。
跟平均水平相比，澳大利亚、西班牙、中国台湾的流入情况要大于流出。这意味着这些国家/地区在挽留自己培养的人才并吸引外来人才方面相对更加成功。这些生态体系我们称之为邀请国。相反，法国、以色列这样的国家属于生产国，因为跟平均水平相比，其人才流出要高于人才流入，但是差距并不大。
美国的人才流入和流出情况都相对较少。这并不能反映出其人才库的深度：就绝对数字而言，美国依然是全球领先的人才磁石。相反，它反映的是人才库的相对稳定性。中国、德国、印度、意大利、日本和韩国也呈现出相同的模式。这类国家我们称之为锚定国。
最后，还有好几个国家的人才流入和流出都高于平均水平。这些国家成功地吸引了海外培养的人才，同时期研究生流动也高于平均水平。这些生态体系我们称之为平台国。，其中包括了加拿大、荷兰、新加坡、瑞士以及英国。
2019年的调查还发现在顶级国际学术会议上出现的作者数量比2018年增加了19%。为了评估这些作者目前在领域内的影响力，报告分析了其 2017、2018两年间出版物的被引用情况。其中有18%（约4000人）具有较为显著的影响力。这些人也是致力于将理论付诸应用的团队想要争取的对象。
而
