TED（Technology, Entertainment, Design）是全球领先的演讲平台，以其汇聚世界顶尖思想者、涵盖广泛领域的深刻演讲而著名，推动了全球范围内的知识共享和创新。

我经常在TED上观看人工智能（AI）有关的演讲，了解AI的能力、潜力和风险。截至目前，已有超过550个AI主题相关的TED视频，最早可追溯到2007年！

在学习TED上AI相关内容时，我意识到这些内容可以帮助我了解AI技术及其应用的演变。

为此，我开展了有史以来最大规模的数据分析，以梳理和追踪TED上AI主题的演化趋势。我使用YouTube上TED官方找好发布的视频作为数据来源，结合大模型和大Python代码，构建了一个知识图谱并开始分析。

本文重点在于分析过程，图谱构建过程将在其他文章分享。

AI的演变趋势

我们先了解下视频发布的时间趋势。

早期阶段：先驱和开拓者（2007-2015）

在2007年左右，当AI对大众仍是一个小众话题时，TED已经邀请雷·库兹韦尔（Ray Kurzweil）等AI先驱进行演讲，他因研究“奇点”而闻名，还有知名数字助理公司的Palm Computing的杰夫·霍金斯。

IBM的“Jeopardy!”挑战者Watson于2011年推出，是当时最大的AI事件。

在这一时期，AI的讨论是零星的，偶尔出现，但不是每年都有。

值得注意的是，到2012年，TEDx活动已经举办了数千场，所以要么内容没有集中在AI上，要么这些视频没有发布在YouTube上（或者现在已经被归档）。

转折点（2016-2017）

2016至2017年间，AI在TED演讲中的关注度显著上升。

DeepMind的AlphaGo击败了围棋大师，它在2016年战胜世界围棋冠军李世石的。

与此同时，TEDx活动也在迅速扩展。到2017年，TEDx的演讲已超过10万场，AI主题吸引了许多新兴社区的演讲者。

深度学习的繁荣期（2017-2019）

2017至2019年间，AI相关的TED演讲数量大幅增加。

这是多个因素共同作用的结果。深度学习和神经网络研究在这一时期取得了重大进展，同时科技公司和风险投资加大了对AI初创企业的投资。

当时，数据科学成为热门职业，大数据也成为焦点话题。AI技术在Gartner新兴技术炒作周期中达到顶峰，反映了公众对AI的热情。

技术进步、资金增加、专业知识增长和公众兴趣高涨，这些因素促使更多AI相关讨论出现在TED演讲中。人们看到了AI对社会和产业的影响，TED成为探讨这一转变的重要平台。

口罩时期（2020-2021）

2020至2021年间，TED主频道的重点转向了医疗、远程工作和COVID-19疫情对社会的影响。

尽管AI不是主要话题，但在讨论应对疫情挑战的技术解决方案时，AI仍是一个重要的潜在主题。

ChatGPT时代（2022年底至今）

2022年底ChatGPT的发布重新点燃了人们对AI的兴趣，尤其是对大模型的关注。2023年和2024年，AI和大模型成为TED演讲的核心话题。

演讲者们讨论了这一技术的潜力、机遇，以及它对社会的影响和潜在风险。

时间线展示了TED演讲中反映的AI趋势和事件

从谷歌指数可以看出，ChatGPT发布后，大众对AI的兴趣急剧上升，现在才稳定在比ChatGPT出现前高出十倍的水平。

“人工智能”词条在谷歌的趋势图

除了视频数量和发布时间外，我们再看看还能从视频中发现什么。

关键发现

接下来，我将深入挖掘这些视频的字幕和元数据。我的分析涉及提取关键概念（如主题、人物、机构等），并对视频进行分类，以构建知识图谱。

通过这些分析，我们可以了解主导TED AI视频的主题、人物和机构，并深入洞察AI时代精神。

最常见的50个词语

关键主题分布

AI类似电力或互联网，具备影响各行各业的潜力。这在视频数据集主题中得到了体现。

AI可能影响生活的方方面面，包括商业、社会、医疗、教育、工作、艺术和娱乐等。除了这些新兴应用，视频中还探讨了伦理、治理、安全等广泛问题。

从分布上看，大约55%的视频主要探讨AI的机遇，45%的视频关注AI的风险，相对平衡。

例如，有126个视频专门讨论AI与商业/工业。另一方面，113个视频关注AI对社会的影响、99个视频关注AI伦理与治理。

这种平衡在关注医疗（63个视频）和教育（55个视频）中也类似，同时也有关注未来工作（36个视频）。即使是较小的主题，这种平衡也依旧存在。

按主题划分的TED视频

上图从上到下分别是：商业/工业中的AI（126），社会中的AI（113），AI伦理和治理（99），医疗中的AI（63），教育中的AI（55），未来工作的AI（36），AI发展和安全（25），娱乐中的AI（24），AI与安全（8），其他（4）

提及最多的人物

比起抽象的趋势和概念，了解AI领域中的人物，有助于更深入地理解我们在视频中看到的内容。因为这些人物将是那段AI历史的重要组成部分。

视频中频繁提到的关键人物可以分为三类：

1. 1. 技术思想领袖：在AI领域具备开创性贡献和思想领导力而。如艾伦·图灵、斯蒂芬·霍金、雷·库兹韦尔、马文·明斯基。

2. 
   

3. 2. 商业领袖：在商业世界中因其对AI/技术的采用和应用有重大影响。如埃隆·马斯克、比尔·盖茨、马克·扎克伯格、史蒂夫·乔布斯）。

4. 
   

5. 3. 受AI影响的其他领域专家：在其领域因AI进步而受到深远影响的专家。如棋界大师加里·卡斯帕罗夫、围棋冠军李世石、艺术家米开朗基罗。

按视频数量统计的18位最常被提及人物

上图从上到下依次是：埃隆·马斯克（45），艾伦·图灵（24），斯蒂芬·霍金（21），比尔·盖茨（15），克里斯·安德森（13），雷·库兹韦尔（13），加里·卡斯帕罗夫（13），李世石（9），马克·扎克伯格（9），马文·明斯基（9），史蒂夫·乔布斯（7），约翰·麦卡锡（6），尼克·博斯特罗姆（6），德米斯·哈萨比斯（5），亨利·福特（5），米开朗基罗（5），萨尔·汗（5），扬·勒昆（5）

尽管这些名字中的大多数都广为人知，但其中有几个我不得不进行研究，这份大名单几乎像是一场“AI名人知多少”的问答。

提及最多的关键机构

机构在AI的发展中同样扮演着重要角色。尽管最常被提及的机构名单可能不会让人惊讶，但它确实突出了过去17年TED视频的变化。

• •  Google被提及的次数几乎是第二名的两倍，即使将其收购的DeepMind视为单独实体。

• •  OpenAI尽管是新兴公司，但已经迅速获得了显著地位。

• •  MIT和斯坦福大学是AI研究和发展的领先学术机构。

• •  IBM、亚马逊和Meta在最新的大模型浪潮中被提及较少。提及他们的内容，超过80%的都在2022年前。

各机构多年累积视频数量

上图从上到下依次是：特斯拉（11），苹果（14），斯坦福大学（21），Facebook/Meta（24），IBM（26），DeepMind（29），亚马逊（30），MIT（34），微软（36），OpenAI（53），Google（94）

与个人相比机构的惯性更大。因此我们将在未来许多年内看到Google、微软、MIT、亚马逊、OpenAI等机构的身影。

但是并不意味着不会出现有影响力的新兴机构，但它们或被大公司收购（例如，Google收购DeepMind）。

对于这一趋势，17年的时间窗口可能还不够长。

结论

这些TED演讲提供了一个观察AI的视角，反映了AI从一个小众话题，逐渐转变为社会变革力量的过程。

随着AI的不断发展，TED将继续成为理解其潜力、挑战和围绕其发展的重要资源。单个演讲者和视频本身已经非常有影响力，但将它们汇总分析揭示的趋势增强了我们对AI的理解。

AI的故事仍处于早期，观察这些趋势如何演变，以及在这个动态领域中会出现哪些新话题非常有趣。

参考资料

YouTube视频播放列表：https://www.youtube.com/playlist?list=PLJYAFlvvM68vuFBaGUGjxcexlACtGcsn0

视频数据集：https://gist.github.com/garygeo-19/1240a9e6b5aba36efcf13894f119f54e

搜索AI相关视频的应用：https://garygeo-19.github.io/AI-TED-Talks-KG/

作者创建的运用。顶部是搜索栏，下面是缩略图、关于浏览/点赞/评论/时长的统计信息，然后是包含可点击的实体和概念标签，如Elon Musk，AI在医疗中的应用等）

数据集说明

截至2024年5月的数据集由作者手动生成，可能存在错误或选择不一致，并且部分TED视频未在YouTube上发布，因此不完全覆盖所有内容。

分析涵盖了主TED频道、TEDx、TED-Ed以及已不活跃的TED Institute频道，提供了广泛的话题视角。数据提取和分类通过OpenAI的ChatGPT-4完成，可能也存在一些误差。YouTube数据显示，由于早期发布的视频有更多时间积累浏览量、点赞和评论，这些指标可能有所不同。

分析方法说明

以下是我进行此分析的方法。我计划在未来撰写一篇关于这一过程和技术的单独文章。

1. 1. 确定YouTube并建立了截至2024年6月1日的相关视频播放列表。

2. 2. 使用API和Python收集YouTube元数据和字幕。

3. 3. 在Python笔记本中处理数据，包括字幕摘要、概念提取和分类。这是通过OpenAI API（即LLM）完成的。

4. 4. 结果存储在包含3500多个节点和11000个关系的知识图谱中。

5. 5. 手动审查捕获的节点和关系以消除问题/错误，并合并相似概念（如Stanford和Stanford University等）。

6. 6. 创建有助于分析的数据集（例如，按年份/频道的视频计数，按人物的视频计数等），然后创建可视化图表。

7. 7. 将这些知识图谱数据加载到一个JSON文件中供Web应用使用。