2019年,政府工作报告明确表示深化大数据、人工智能等研发应用,进一步扩大人工智能应用场景。由于人工智能领域的最前沿研究往往聚集在顶会会议论文上,对顶会会议论文文本的挖掘,对于理解人工智能的发展脉络、把握人工智能的学术热点话题有着重要作用。基于此,本文选取了人工智能领域顶级会议NeurIPS（原NIPS）自1987年创办以来到2019年共9680篇会议论文作为研究对象,首先从描述分析层面,对Neur IPS的论文作者机构、标题文本内容和论文数量及话题丰富度的时间分布做了全局分析。随后在主题算法层面,创新性地使用多单词（n-gram）作为关键词粒度搭建主题模型,在对文本进行预处理后,测试不同单词数作为关键词粒度的效果并最终选取三元词组（3-gram）作为主题关键词最终粒度以得出含义清晰、指向性强的关键词集合,结合ATM作者主题模型和DTM动态主题模型对Neur IPS论文文本进行主题发现,得到多年来人工智能领域会议论文的整体主题分类划分和各主题的时间动态演变,主题的静态分布反映了人工智能领域论文的研究方向分类,动态模型则捕捉了特定研究方向的重要程度及热门程度的变化。对NeurIPS论文的整体的分析表明,人工智能领域受到学界和业界的共同看好和关注;深度神经网络的突破性进展,带动了机器学习、人工智能领域研究和应用,人工智能领域论文数量和论文主题丰富度均在近年迅速上涨。对NeurIPS论文的主题的静态分析表明,NeurIPS会议论文主题主要包括有监督学习、无监督/半监督学习以及强化学习三个方向,涵盖了人工智能领域的基本方法,静态主题模型很好地捕捉了论文文本的主题,划分准确全面。主题词对相关领域的刻画角度较为丰富,各主题内的关键词既包含该方向的具体算法,也包含算法的典型应用场景,或是相关联的算法概念。论文关键词词频变化的角度可以看出,早期对于人工智能的探索多以传统机器学习方法为主,但近些年来人工智能的论文和研究往往趋向于使用更大的模型、更深的网络、更多的参数以实现更好的模型效果。人工智能领域论文主题随时间的变化来自往往以下两个原因（1）全新方法的出现带动了相关领域大量新的研究产生。（2）市场对于特定领域算法的需要带动相关领域大量研究产生。动态主题模型捕捉了NeurIPS论文文本随时间的动态变化,并以主题关键词的概率排序反映了特定方法的研究和应用热度。主题中关键词概率稳定排序较高的,往往是主题中关键的逻辑或算法。稳定排序较高的趋势表明,在循环神经网络这类算法中,“长短期记忆网络”是重要的一种循环神经网络,持续性地保持其研究和应用热度。而在强化学习领域内,尽管近年来model-free方法非常流行,与之相对立的model-based方法依然是强化学习的主流并被广泛研究和应用。关键词概率有所下降的,表明一类算法热度有所下降,如在2010年前热度较高,近些年研究热度下降的“尖峰时间依赖可塑性”（STDP）算法。关键词概率有明显上升的,是近年研究的热点,如强化学习主题中的“深度神经网络”和“分层强化学习”,半监督/非监督学习主题中的“生成对抗网络”等。强化学习领域学术研究的趋势变化为:（1）深度神经网络被广泛用于强化学习领域。（2）分层强化学习尽管并不是一个新的研究领域,但却是强化学习领域当今比较流行的研究方向。半监督/非监督学习领域的趋势变化为:（1）生成对抗网络自提出以来,有较高的研究和应用热度,被视作人工智能领域最有前景的方向之一。（2）由生成对抗网络衍生出一系列生成类模型,在近年的半监督/非监督学习领域有主导性的地位。