The 2017 AI Index Report (FA)

From Systems analysis Wiki
Jump to navigation Jump to search

AI Index Report 2017 — اولین گزارش سالانه (افتتاحیه) پروژه AI Index، که در نوامبر ۲۰۱۷ منتشر شد[1]. این پروژه در چارچوب ابتکار One Hundred Year Study on AI (AI100) در دانشگاه استنفورد ایجاد شده و یک پروژه غیرانتفاعی و آزاد برای پایش فعالیت و پیشرفت در حوزه هوش مصنوعی است. گزارش ۲۰۱۷ نخستین تلاش برای تجمیع و تجسم سیستماتیک داده‌ها درباره وضعیت هوش مصنوعی بود که حجم فعالیت در دانشگاه و صنعت، عملکرد فنی سیستم‌های هوش مصنوعی، معیارهای مشتق و پیشرفت به سمت سطح انسانی را پوشش داد. نویسندگان تأکید می‌کنند که بدون داده‌های مرتبط درباره وضعیت فناوری‌های هوش مصنوعی، جامعه در بحث‌ها و تصمیم‌گیری‌های مرتبط با هوش مصنوعی «کورکورانه پرواز می‌کند»[1].

پیش‌زمینه و اهداف

تا سال ۲۰۱۷، هوش مصنوعی به پیشانی گفتمان جهانی آمده بود و توجه متخصصان، رهبران صنعت، سیاست‌گذاران و عموم مردم را به خود جلب کرده بود. حوزه هوش مصنوعی آنقدر سریع در حال توسعه بود که حتی متخصصان نیز در درک و پیگیری پیشرفت‌ها با دشواری روبرو می‌شدند. AI Index به عنوان ابزاری برای گفتگوی آگاهانه درباره هوش مصنوعی بر پایه داده، نه گمان‌زنی یا شواهد پراکنده، طراحی شد[1].

ایده این پروژه در جریان بحث‌های کمیته دائمی AI100 در سال ۲۰۱۵ شکل گرفت[2]. گزارش هم داده‌های آزادانه در دسترس از اینترنت و هم داده‌های اصیل را تجمیع می‌کند و معیارهای جدیدی را از ترکیب سری‌های موجود استخراج می‌نماید. تمام داده‌های استفاده‌شده برای تولید گزارش به صورت آزاد در سایت aiindex.org منتشر می‌شوند[1].

ساختار گزارش

گزارش ۲۰۱۷ از چهار بخش اصلی داده و چند بخش بحث تشکیل شده است[1]:

  1. حجم فعالیت (Volume of Activity) — معیارهای «چقدر»: انتشارات، پذیرش در دوره‌ها، حضور در کنفرانس‌ها، استارتاپ‌ها، تأمین مالی، فرصت‌های شغلی، واردات ربات، نرم‌افزار متن‌باز، علاقه عمومی.
  2. عملکرد فنی (Technical Performance) — معیارهای «چقدر خوب»: بینایی کامپیوتر، پردازش زبان طبیعی، تشخیص گفتار، اثبات قضیه، حل مسائل SAT.
  3. معیارهای مشتق (Derivative Measures) — روابط بین روندها، پویایی «دانشگاه — صنعت»، شاخص سرزندگی هوش مصنوعی (AI Vibrancy Index).
  4. در مسیر سطح انسانی؟ (Towards Human-Level Performance?) — فهرستی از دستاوردهایی که در آن‌ها هوش مصنوعی به سطح انسانی نزدیک شده یا از آن پیشی گرفته است.
  5. چه چیزی غایب است؟ (What's Missing?) — اذعان به محدودیت‌های گزارش و مسیرهای کار آینده.
  6. انجمن متخصصان (Expert Forum) — نظرات متخصصان پیشرو در حوزه هوش مصنوعی.

حجم فعالیت

انتشارات دانشگاهی

تعداد مقالات علمی در حوزه هوش مصنوعی که در پایگاه داده Scopus (انتشارات Elsevier) با کلیدواژه «Artificial Intelligence» در حوزه موضوعی «Computer Science» منتشر و نمایه شده‌اند، از سال ۱۹۹۶ بیش از ۹ برابر افزایش یافته است[3]. برای مقایسه: کل تعداد انتشارات در حوزه علوم کامپیوتر در همان دوره تقریباً ۶ برابر شده است، که نشان می‌دهد رشد انتشارات هوش مصنوعی صرفاً ناشی از گسترش علاقه به علوم کامپیوتر به طور کلی نیست، بلکه به‌طور خاص بازتاب توجه فزاینده به هوش مصنوعی است[1].

در زمان تهیه گزارش، پایگاه Scopus بیش از ۲۰۰٬۰۰۰ مقاله در حوزه علوم کامپیوتر با کلیدواژه «Artificial Intelligence» و نزدیک به ۵ میلیون مقاله علوم کامپیوتر به طور کلی از مجموع حدود ۷۰ میلیون سند نمایه‌شده داشت[3].

پذیرش در دوره‌های آموزشی

پذیرش دانشجویان در دوره‌های مقدماتی هوش مصنوعی و Machine Learning رشد چشمگیری نشان می‌داد. در دانشگاه استنفورد، پذیرش در دوره مقدماتی هوش مصنوعی از سال ۱۹۹۶ تا ۱۱ برابر افزایش یافت[1]. Machine Learning (ML) به عنوان زیرحوزه‌ای از هوش مصنوعی به دلیل رشد بسیار سریع پذیرش و نقش محوری تکنیک‌های ML در دستاوردهای اخیر هوش مصنوعی، جداگانه بررسی شد.

روندهای مشابهی در سایر دانشگاه‌های پیشرو نیز مشاهده شد: دانشگاه کالیفرنیا در برکلی، دانشگاه کارنگی ملون، مؤسسه فناوری جورجیا، دانشگاه ایلینوی در اربانا-شمپین، مؤسسه فناوری ماساچوست و دانشگاه واشینگتن[1]. نویسندگان گزارش تأکید می‌کنند که این داده‌ها تنها بخش محدودی از چشم‌انداز آموزش عالی را نشان می‌دهند و لزوماً نماینده طیف گسترده‌تری از مؤسسات آموزشی نیستند.

حضور در کنفرانس‌ها

داده‌های حضور در کنفرانس‌های پیشرو هوش مصنوعی (AAAI، AAMAS، ACL، CP، CVPR، ECAI، ICAPS، ICRA، ICLR، ICML، IJCAI، IROS، KR، NIPS، UAI) تغییر تمرکز پژوهشی از استدلال نمادین به Machine Learning و Deep Learning را تأیید کردند[1]. کنفرانس‌های Machine Learning (NIPS، ICML، ICLR) بیشترین رشد حضور را نشان می‌دادند، در حالی که کنفرانس‌های روش‌های نمادین (KR، CP، ICAPS) جامعه‌ای پایدار اما کوچکتر داشتند که به پیشرفت مستمر ادامه می‌داد[1].

استارتاپ‌های حوزه هوش مصنوعی

تعداد استارتاپ‌های فعال آمریکایی که سیستم‌های هوش مصنوعی با سرمایه‌گذاری مخاطره‌پذیر توسعه می‌دهند، از سال ۲۰۰۰ تا ۱۴ برابر افزایش یافت[4][5]. برای شناسایی شرکت‌های هوش مصنوعی از دسته‌بندی‌های Crunchbase (Artificial Intelligence، Machine Learning، Natural Language Processing، Computer Vision، Facial Recognition، Image Recognition، Speech Recognition، Semantic Search، Semantic Web، Text Analytics، Virtual Assistant، Visual Search، Predictive Analytics، Intelligent System) با تأیید متقابل از پایگاه داده VentureSource استفاده شد[1].

سرمایه‌گذاری مخاطره‌پذیر

حجم سرمایه‌گذاری مخاطره‌پذیر سالانه در استارتاپ‌های آمریکایی حوزه هوش مصنوعی از سال ۲۰۰۰ تا ۶ برابر افزایش یافت[5]. داده‌ها تمام مراحل تأمین مالی را پوشش می‌دهند و توسط شرکت Sand Hill Econometrics بر اساس پایگاه داده VentureSource تجمیع شدند[1].

بازار کار

داده‌های دو پلتفرم بزرگ فرصت‌های شغلی آنلاین — Indeed.com و Monster.com — رشد قابل توجهی در تقاضا برای متخصصان حوزه هوش مصنوعی نشان داد[6][7].

Indeed.com: سهم آگهی‌های شغلی که مهارت‌های هوش مصنوعی را در پلتفرم آمریکایی می‌طلبند، از سال ۲۰۱۳ تا ۴.۵ برابر افزایش یافت[6]. رشد سریع مشابهی در کانادا و بریتانیا نیز مشاهده شد، هرچند از نظر حجم مطلق، بازارهای آن‌ها به ترتیب ۵٪ و ۲۷٪ از بازار آمریکا بودند[1].

Monster.com: تحلیل تعداد مطلق آگهی‌های هوش مصنوعی بر اساس مهارت‌های مورد نیاز (Machine Learning، بینایی کامپیوتر، پردازش زبان طبیعی و غیره) نیز رشد پایداری را تأیید کرد. یک آگهی شغلی می‌توانست همزمان چندین مهارت را بطلبد[7].

واردات ربات

داده‌های گزارش سالانه World Robotics Report که توسط فدراسیون بین‌المللی رباتیک (IFR) تهیه شده، رشد پایدار واردات ربات‌های صنعتی هم به آمریکای شمالی و هم در مقیاس جهانی را نشان داد[8]. نویسندگان گزارش تأکید می‌کنند که هیچ روش ساده‌ای برای تعیین اینکه چه درصدی از ربات‌ها از نرم‌افزاری استفاده می‌کنند که به عنوان «هوش مصنوعی» طبقه‌بندی می‌شود وجود ندارد، و اینکه تا چه اندازه پیشرفت‌های هوش مصنوعی به رشد استفاده از ربات‌های صنعتی کمک می‌کند[1].

نرم‌افزار متن‌باز

علاقه توسعه‌دهندگان به چارچوب‌های هوش مصنوعی در پلتفرم GitHub رشد قابل توجهی نشان داد. تعداد ستاره‌ها (Stars) برای بسته‌های اصلی Machine Learning و Deep Learning — TensorFlow، Scikit-Learn، Keras، PyTorch، Caffe، MXNet، CNTK و Theano — به سرعت افزایش یافت[9]. TensorFlow از Google و Scikit-Learn به عنوان محبوب‌ترین بسته‌ها شناخته شدند، در حالی که روندهای تعداد ستاره و fork تقریباً یکسان بودند[1].

علاقه عمومی: لحن رسانه‌ای

تحلیل لحن انتشارات در رسانه‌های عمومی که حاوی اصطلاح «Artificial Intelligence» بودند، بر اساس داده‌های سرویس TrendKite، پویایی نسبت مقالات مثبت و منفی را نشان داد[10]. طبقه‌بندی‌کننده TrendKite مقالات انگلیسی‌زبان (به استثنای اطلاعیه‌های مطبوعاتی، اخبار مالی و یادبودها) را به دسته‌های «مثبت»، «منفی» و «خنثی» تقسیم می‌کرد[1].

عملکرد فنی

بخش عملکرد فنی پیشرفت سیستم‌های هوش مصنوعی را در وظایف بینایی کامپیوتر، پردازش زبان طبیعی، تشخیص گفتار، اثبات قضیه و حل مسائل SAT پیگیری می‌کند[1].

بینایی کامپیوتر

تشخیص اشیاء (Object Detection)

در مسابقه Large Scale Visual Recognition Challenge (LSVRC) بر اساس مجموعه داده ImageNet، نرخ خطا در تشخیص تصویر از ۲۸.۵٪ به کمتر از ۲.۵٪ در دوره ۲۰۱۰ تا ۲۰۱۷ کاهش یافت[11]. برای مقایسه: سطح خطای انسانی حدود ۵٪ تخمین زده می‌شود[12]، یعنی تا سال ۲۰۱۷ سیستم‌های هوش مصنوعی قبلاً سطح انسانی را در این benchmark به طور قابل توجهی پشت سر گذاشته بودند. مسابقه ImageNet در سال ۲۰۱۷ پایان یافت[1].

پرسش و پاسخ بصری (Visual Question Answering)

در مجموعه داده VQA 1.0 — وظیفه تولید پاسخ‌های باز به سؤالات درباره تصاویر — سیستم‌های هوش مصنوعی پیشرفت پایداری نشان می‌دادند[13]. نویسندگان اشاره کردند که مجموعه داده VQA 1.0 قبلاً توسط VQA 2.0 جایگزین شده بود و مشخص نبود چقدر توجه به نسخه اصلی ادامه خواهد یافت[1].

پردازش زبان طبیعی

تجزیه نحوی (Parsing)

در مجموعه آزمایشی استاندارد — بخش ۲۳ مجموعه داده Wall Street Journal از Penn Treebank — تجزیه‌گرهای خودکار رشد پایداری در معیار F1 نشان می‌دادند[14]. نتایج هم برای جملات کمتر از ۴۰ کلمه و هم برای مجموعه کامل جملات ثبت شدند[1].

ترجمه ماشینی (Machine Translation)

در مسابقه سالانه Workshop on Machine Translation (WMT) برای وظیفه ترجمه اخبار بین زبان‌های انگلیسی و آلمانی، بهترین سیستم‌ها روند صعودی کلی در معیار BLEU نشان می‌دادند[15]. معیار BLEU — روشی خودکار برای مقایسه ترجمه ماشینی با چندین ترجمه انسانی — نسخه اصلاح‌شده‌ای از دقت (precision) با مقادیر بین ۰ تا ۱ است. هرچند BLEU با ارزیابی‌های تخصصی کیفیت ترجمه همبستگی دارد، نمی‌توان از آن برای مقایسه بین مجموعه‌های داده استفاده کرد و مقایسه بین سیستم‌ها می‌تواند گمراه‌کننده باشد[1].

در سال ۲۰۱۷، امتیازهای BLEU نسبت به ۲۰۱۶ به طور قابل توجهی کاهش یافت (هرچند بالاتر از سطح ۲۰۱۵ باقی ماند)، که احتمالاً به ویژگی‌های مجموعه آزمایشی مربوط می‌شود و نه کاهش واقعی کیفیت سیستم‌های ترجمه ماشینی[15].

پرسش و پاسخ (Question Answering)

در مجموعه داده Stanford Question Answering Dataset (SQuAD) — بیش از ۵۰۰ مقاله و ۱۰۰٬۰۰۰ جفت «سؤال-پاسخ» — سیستم‌های هوش مصنوعی رشد سریعی در معیار Exact Match (EM) نشان می‌دادند که درصد پاسخ‌هایی را که دقیقاً با نمونه‌های مرجع مطابقت دارند اندازه می‌گیرد[16]. سطح عملکرد انسانی در SQuAD برابر ۸۲.۳٪ بود[1]. امتیازها در SQuAD از زمان ایجاد مجموعه در ژوئن ۲۰۱۶ به سرعت رشد کردند.

تشخیص گفتار

در مجموعه داده استاندارد Switchboard Hub5'00 — وظیفه تشخیص گفتار از مکالمات تلفنی — Microsoft و IBM در سال ۲۰۱۷ به عملکردی نزدیک به «برابری انسانی» دست یافتند[17]. معیار Word Error Rate (WER) — تعداد خطاها (جایگزینی، حذف و درج کلمات) نرمال‌شده بر اساس طول جمله — طی سال‌ها کاهش یافته بود. اختلاف نظرهایی درباره سطح دقیق خطای انسانی وجود داشت: مقادیر ۵.۱٪ و ۵.۹٪، و حتی کمتر از ۵٪ ذکر شده بودند. گزارش از آستانه ۵.۱٪ استفاده کرد[1].

نویسندگان نگرانی خود را درباره اینکه استفاده طولانی‌مدت از مجموعه Switchboard ممکن است منجر به overfitting قابل توجه سیستم‌های هوش مصنوعی بر روی داده‌های خاص شود، ابراز کردند[1].

اثبات قضیه

در مجموعه مسائل Thousands of Problems for Theorem Provers (TPTP) میانگین «tractability» — درصد سیستم‌های خودکار اثبات قضیه (ATP) مدرن که قادر به حل یک مسئله هستند — پیگیری شد[18]. زیرمجموعه‌ای از مسائل که از نسخه TPTP v5.0.0 (سال ۲۰۱۰) به‌روز نشده بودند تحلیل شد. این معیار یک ویژگی خاص دارد: ظهور سیستم‌های ATP قدرتمند جدیدی که مسائل جدید را خوب حل می‌کنند اما در مسائلی که سایر سیستم‌ها حل می‌کنند ضعیف عمل می‌کنند، می‌تواند به کاهش میانگین tractability منجر شود[1].

حل مسائل SAT

در نمونه‌های صنعتی مسائل از مسابقه SAT Competition، رشد در درصد مسائل حل‌شده ثبت شد[19]. پژوهشگران Holger Hoos و Kevin Leyton-Brown روی ۶۹ حل‌کننده در ۱۰۷۶ نمونه مسئله ارائه‌شده در مسابقه از سال ۲۰۰۷ آزمایش کردند و همه حل‌کننده‌ها را روی سخت‌افزار یکسان برای مقایسه صحیح اجرا کردند[1]. نویسندگان اشاره کردند که بخشی از بهبودها ممکن است دستاوردهای مهندسی را منعکس کند نه پیشرفت‌های الگوریتمی[1].

معیارهای مشتق

پویایی «دانشگاه — صنعت»

برای بررسی روابط بین فعالیت هوش مصنوعی در دانشگاه و صنعت، سه معیار نماینده انتخاب شدند: تعداد انتشارات هوش مصنوعی، مجموع پذیرش در دوره‌های مقدماتی هوش مصنوعی و ML در استنفورد، و حجم سرمایه‌گذاری مخاطره‌پذیر در استارتاپ‌های هوش مصنوعی. تمام معیارها نسبت به سال ۲۰۰۰ نرمال‌سازی شدند[1].

تحلیل نشان داد که در ابتدا فعالیت دانشگاهی (انتشارات و پذیرش در دوره‌ها) پیشرفت پایداری را فراهم کرد. از حدود سال ۲۰۱۰، سرمایه‌گذاران شروع به توجه به این حوزه کردند و تا سال ۲۰۱۳ به نیروی محرکه افزایش شدید فعالیت کلی تبدیل شدند. پس از آن، دانشگاه «اشتیاق» صنعت را دنبال کرد[1].

شاخص سرزندگی هوش مصنوعی (AI Vibrancy Index)

AI Vibrancy Index — یک معیار ترکیبی آزمایشی است که شاخص‌های نرمال‌شده انتشارات، پذیرش در دوره‌ها و سرمایه‌گذاری مخاطره‌پذیر را برای ارزیابی کمّی «سرزندگی» هوش مصنوعی به عنوان یک حوزه تجمیع می‌کند[1]. این شاخص به عنوان میانگین معیارهای نرمال‌شده در طول زمان محاسبه شد و رشد شدیدی را نشان داد که افزایش همزمان هر سه مؤلفه را منعکس می‌کند. نویسندگان امیدواری خود را ابراز کردند که چنین معیارهای مشتقی علاقه به تحلیل بیشتر داده‌های AI Index را برانگیزد[1].

در مسیر سطح انسانی

گزارش موارد معتبری را فهرست کرد که در آن‌ها سیستم‌های کامپیوتری به سطح عملکرد انسانی رسیده یا از آن پیشی گرفته‌اند، همراه با تعدادی تحفظ مهم[1].

محدودیت‌های کلیدی مقایسه: ماشین‌ها اغلب در وظایف بسیار تخصصی از انسان‌ها پیشی می‌گیرند، اما عملکرد ممکن است با کوچکترین تغییر در شرایط به شدت کاهش یابد. برای مثال، انسانی که حروف چینی می‌خواند احتمالاً زبان چینی را نیز می‌فهمد، اطلاعاتی درباره فرهنگ چینی می‌داند و می‌تواند غذا در رستوران چینی توصیه کند. برای هوش مصنوعی، هر یک از این وظایف به یک سیستم کاملاً جداگانه نیاز دارد[1].

نقاط عطف دستاوردها

دستاورد سال توضیحات
Othello دهه ۱۹۸۰ / ۱۹۹۷ در سال ۱۹۸۹ برنامه BILL (کای‌فو لی، Sanjoy Mahajan) با نتیجه ۵۶-۸ بر قوی‌ترین بازیکن آمریکایی Brian Rose غلبه کرد. در سال ۱۹۹۷ برنامه Logistello در تمام بازی‌های یک مسابقه شش‌گانه از قهرمان جهان آن زمان برد[1].
شطرنج‌دام (Checkers) ۱۹۹۵ برنامه Chinook بر قهرمان جهان آن زمان غلبه کرد. اولین برنامه‌های شطرنج‌دام با قابلیت یادگیری‌خود توسط Arthur Samuel از سال ۱۹۵۲ ساخته می‌شد[1].
شطرنج ۱۹۹۷ IBM Deep Blue قهرمان جهان Garry Kasparov را شکست داد. برخی دانشمندان در دهه ۱۹۵۰ پیش‌بینی کرده بودند که کامپیوتر تا سال ۱۹۶۷ قهرمان جهان را شکست خواهد داد[20]. تا سال ۲۰۱۷ برنامه‌های شطرنج روی گوشی‌های هوشمند در سطح استاد بزرگ بازی می‌کردند[1].
Jeopardy! ۲۰۱۱ سیستم IBM Watson از برندگان سابق مسابقه تلویزیونی Brad Rutter و Ken Jennings پیشی گرفت و جایزه اصلی یک میلیون دلار را برد[1].
بازی‌های Atari ۲۰۱۵ تیم Google DeepMind از سیستم Reinforcement Learning برای آموزش بازی ۴۹ بازی Atari استفاده کرد و در اکثر آن‌ها (مثلاً Breakout) به سطح انسانی رسید، هرچند برخی بازی‌ها (مثلاً Montezuma's Revenge) دست‌نیافتنی ماندند[21].
تشخیص اشیاء (ImageNet) ۲۰۱۶ نرخ خطای طبقه‌بندی خودکار تصاویر ImageNet از ۲۸٪ (۲۰۱۰) به کمتر از ۳٪ کاهش یافت، در حالی که سطح انسانی حدود ۵٪ است[12].
گو (Go) ۲۰۱۶–۲۰۱۷ AlphaGo (Google DeepMind) در مارس ۲۰۱۶ با نتیجه ۴-۱ Lee Sedol را شکست داد، سپس AlphaGo Master در مارس ۲۰۱۷ بر Ke Jie غلبه کرد. در اکتبر ۲۰۱۷ AlphaGo Zero با نتیجه ۱۰۰-۰ AlphaGo اصلی را شکست داد[22][23].
طبقه‌بندی سرطان پوست ۲۰۱۷ سیستم هوش مصنوعی آموزش‌دیده روی ۱۲۹٬۴۵۰ تصویر بالینی از ۲٬۰۳۲ بیماری، سطح شایستگی در طبقه‌بندی سرطان پوستی برابر با ۲۱ متخصص پوست دارای گواهینامه نشان داد[24].
تشخیص گفتار (Switchboard) ۲۰۱۷ Microsoft و IBM در وظیفه تشخیص گفتار در مجموعه Switchboard به عملکردی نزدیک به «برابری انسانی» دست یافتند[17].
پوکر ۲۰۱۷ برنامه Libratus (CMU) در یک مسابقه ۱۲۰٬۰۰۰ دستی Texas Hold'em با شرط‌بندی نامحدود چهار بازیکن برتر را شکست داد. برنامه DeepStack (دانشگاه آلبرتا) برتری آماری معناداری خود را بر ۱۱ حرفه‌ای در بیش از ۳٬۰۰۰ دست برای هر یک اثبات کرد[25].
Ms. Pac-Man ۲۰۱۷ تیم Maluuba (که توسط Microsoft خریداری شد) سیستم هوش مصنوعی ساخت که به حداکثر امتیاز ۹۹۹٬۹۰۰ روی Atari 2600 دست یافت[1].

چه چیزی در گزارش غایب است

نویسندگان صادقانه به تعدادی از محدودیت‌های قابل توجه گزارش افتتاحیه اذعان کردند[1]:

عملکرد فنی

بسیاری از حوزه‌های فنی مهم پوشش داده نشدند: سیستم‌های گفتگو (که برای آن‌ها benchmark های استانداردشده وجود نداشت)، برنامه‌ریزی، کنترل مستمر در رباتیک، استدلال عقل سلیم (common sense reasoning)، سیستم‌های توصیه‌گر، آزمون استاندارد. نویسندگان هشدار دادند که پیگیری پیشرفت معمولاً در حوزه‌هایی انجام می‌شود که نتایج خوب دارند، که این انحراف خوش‌بینانه‌ای در ارزیابی وضعیت هوش مصنوعی ایجاد می‌کند[1].

پوشش بین‌المللی

گزارش بیش از حد آمریکا-محور شناخته شد، علی‌رغم فعالیت قابل توجه هوش مصنوعی در سایر کشورها. سطح سرمایه‌گذاری و فعالیت در چین «شگفت‌انگیز» توصیف شد اما از حوزه گزارش افتتاحیه خارج بود[1].

تنوع و فراگیری

گزارش هیچ تفکیکی بر اساس جنس، نژاد، هویت جنسیتی، قومیت، گرایش جنسی یا سایر ویژگی‌ها نداشت. نویسندگان اذعان کردند که سؤالات درباره اینکه چه کسی در گفتگوهای هوش مصنوعی مشارکت می‌کند و چه کسی قدرت تأثیرگذاری بر تحقیقات آینده و به‌کارگیری هوش مصنوعی را دارد، با پویایی قدرت در صنایع فناوری و سرمایه‌گذاری مخاطره‌پذیر و نیروهای سیستمیک تبعیض گسترده‌تر ارتباط تنگاتنگی دارند[1].

سرمایه‌گذاری دولتی و شرکتی

داده‌های سرمایه‌گذاری مخاطره‌پذیر فقط ایالات متحده را پوشش می‌داد و بخش بسیار کوچکی از کل سرمایه‌گذاری در تحقیق و توسعه هوش مصنوعی را نمایندگی می‌کرد. داده‌های سرمایه‌گذاری دولتی و شرکتی موجود نبود[1].

تأثیر بر صنایع خاص

معیارهای تأثیر هوش مصنوعی بر بهداشت و درمان، صنعت خودروسازی، امور مالی، آموزش و سایر حوزه‌های عمودی ارائه نشدند[1].

کاهش ریسک‌های اجتماعی

مسائل ایمنی هوش مصنوعی، پیش‌بینی‌پذیری، انصاف الگوریتم‌ها، حریم خصوصی و پیامدهای اخلاقی اتوماسیون مورد بررسی قرار نگرفت[1].

انجمن متخصصان

گزارش شامل نظرات متخصصان پیشرو از دانشگاه، صنعت، دولت و رسانه بود[1].

Barbara Grosz (هاروارد)

Barbara Grosz اهمیت توسعه معیارهایی را برجسته کرد که نه تنها عملکرد سیستم‌های هوش مصنوعی را در انزوا، بلکه کیفیت تعامل هوش مصنوعی با انسان‌ها و تأثیر سیستم‌های هوش مصنوعی بر مردم به صورت فردی و در جامعه را نیز در نظر بگیرند. او به شکافی در گزارش توجه داد: بخش پردازش زبان طبیعی، تجزیه نحوی، ترجمه ماشینی و جستجوی پاسخ را پوشش می‌داد اما سیستم‌های گفتگو را که نیازمند توجه به حالت ذهنی طرف مقابل هستند در بر نمی‌گرفت. Grosz همچنین خواستار پیگیری سهم دوره‌های هوش مصنوعی که جنبه‌های اخلاقی را شامل می‌شوند و تعداد شرکت‌هایی شد که از خود می‌پرسند آیا اصلاً باید یک سیستم هوش مصنوعی خاص را بسازند یا نه[1].

Eric Horvitz (Microsoft)

Eric Horvitz انتشار گزارش افتتاحیه را گامی حیاتی در درگیر کردن جامعه گسترده‌تر در گفتگو خواند. او ارزش بخش معیارهای مشتق و AI Vibrancy Index را مورد توجه قرار داد و پیشنهاد کرد که آن‌ها را با داده‌های استخدام، ترکیب و جبران خسارت استعدادهای هوش مصنوعی در شرکت‌ها اعتبارسنجی کنند. Horvitz به‌ویژه بر اهمیت پیگیری پیشرفت در حوزه common sense reasoning تأکید کرد، که «حتی کودک خردسالی نیز نشان می‌دهد» اما فراتر از توانایی فناوری‌های کنونی هوش مصنوعی است[2].

Kai-Fu Lee (Sinovation Ventures)

Kai-Fu Lee شکاف گزارش در پوشش بین‌المللی را پر کرد و مروری بر وضعیت هوش مصنوعی در چین ارائه داد. او اشاره کرد که چین سه برابر ایالات متحده یا هند تلفن همراه و کاربر اینترنت دارد، و شکاف در حجم داده‌های تولیدشده بسیار بیشتر از ضریب سه است: چینی‌ها ۵۰ برابر بیشتر از آمریکایی‌ها پرداخت موبایلی انجام می‌دهند، حجم تحویل غذا ۱۰ برابر بیشتر است، و شرکت Didi قبلاً شروع به یکپارچه‌سازی داده‌ها با سیستم‌های مدیریت ترافیک کرده بود. Lee استارتاپ چینی Face++ را مثال زد که در سه مسابقه بینایی کامپیوتر مقام اول را کسب کرد و Google، Microsoft، Facebook و CMU را پشت سر گذاشت. او به برنامه شورای دولتی چین در ژوئیه ۲۰۱۷ برای تبدیل شدن به مرکز جهانی نوآوری در هوش مصنوعی تا سال ۲۰۳۰ اشاره کرد و پیش‌بینی کرد که دوقطبی آمریکا-چین در هوش مصنوعی نه تنها اجتناب‌ناپذیر است، بلکه قبلاً رخ داده است[1].

Andrew Ng (Coursera، استنفورد)

Andrew Ng هوش مصنوعی را به عنوان «برق جدید» توصیف کرد که صنایع گوناگونی را دگرگون می‌کند. او توالی تحول زیرحوزه‌های هوش مصنوعی توسط Deep Learning را شرح داد: ابتدا تشخیص گفتار، سپس بینایی کامپیوتر، سپس NLP (که به شکوفایی chatbot ها منجر می‌شود)، و پس از آن رباتیک (قابلیت‌های تولیدی جدید). Ng تأکید کرد که کشورهایی با سیاست‌های عاقلانه‌تر در حوزه هوش مصنوعی سریع‌تر پیشرفت خواهند کرد، در حالی که کشورهایی با اقدامات بدتدبیرانه در معرض خطر عقب ماندن هستند[1].

Daniela Rus (MIT)

Daniela Rus دیدگاه خوش‌بینانه‌ای درباره هوش مصنوعی به عنوان بردار تغییرات مثبت ارائه داد: از مقابله با تغییرات آب‌وهوایی و دموکراتیزاسیون آموزش تا خودروهای خودمختار و بهداشت و درمان شخصی‌سازی‌شده. او تأکید کرد که برخلاف باور رایج، هوش مصنوعی به مشاغل رضایت‌بخش‌تر، نه کمتر، منجر خواهد شد، زیرا رشد بهره‌وری از هوش مصنوعی و رباتیک انسان‌ها را از وظایف یکنواخت آزاد خواهد کرد[1].

Sebastian Thrun (استنفورد، Udacity)

Sebastian Thrun یک قیاس تاریخی مطرح کرد: پیش از اختراع موتور بخار، اکثر مردم کشاورز بودند که با نیروی جسمانی تعریف می‌شدند. ماشین‌ها کشاورزان را به «ابرانسان‌ها» تبدیل کردند — یک کشاورز آمریکایی ۱۵۵ نفر را تغذیه می‌کند، و کمتر از ۲٪ از جمعیت ایالات متحده در کشاورزی کار می‌کنند. به همین ترتیب، هوش مصنوعی می‌تواند الگوهای کار تکراری ما را یاد بگیرد و به ما کمک کند «ابرانسان» شویم. Thrun پیش‌بینی کرد که عصری از خلاقیت انسانی بی‌سابقه فرا خواهد رسید، اما هشدار داد که باید «شاگردان مادام‌العمر» شویم و با تغییرات سازگار شویم[1].

Michael Wooldridge (آکسفورد)

Michael Wooldridge سؤال محوری را مطرح کرد: آیا «حباب هوش مصنوعی» وجود دارد و آیا منفجر خواهد شد (مانند حباب دات‌کام ۱۹۹۶–۲۰۰۱) یا به آرامی خواهد ترکید؟ نگرانی اصلی او «زمستان هوش مصنوعی» جدیدی بود که توسط ناامیدی پس از سرمایه‌گذاری‌های سفته‌بازانه گسترده ایجاد می‌شود. با این حال، او خوش‌بینی محتاطانه‌ای ابراز کرد: برخلاف چرخه‌های قبلی، زیر حباب کنونی، محتوای واقعی وجود دارد — سیستم‌های هوش مصنوعی پیشرفت پایداری نشان می‌دهند، و شرکت‌های بزرگ یاد گرفته‌اند از تکنیک‌های هوش مصنوعی به طور مؤثر استفاده کنند. Wooldridge همچنین سؤال اندازه‌گیری پیشرفت به سمت هوش مصنوعی عمومی (General AI) را مطرح کرد و اشاره کرد که نه او و نه هیچ‌کس دیگری نمی‌داند چگونه این را اندازه‌گیری کند[1].

Megan Smith و Susan Alzner

مدیر ارشد فناوری سابق ایالات متحده Megan Smith و Susan Alzner (سرویس ارتباط با سازمان‌های غیردولتی در سازمان ملل) بر اهمیت درجه اول تنوع و فراگیری تأکید کردند. آن‌ها اشاره کردند که اکثریت بشریت به دلیل «تعصب آگاهانه و ناخودآگاه گسترده، الگوهای فرهنگی تبعیض‌آمیز قابل توجه و رفتار آموخته‌شده طرد سیستماتیک» از گفتگو و تیم‌های طراحی کنار گذاشته شده‌اند. نویسندگان به تعدادی از ابتکارات کلیدی اشاره کردند: Algorithmic Justice League، درخواست به سازمان ملل درباره هوش مصنوعی در تسلیحات، جنبش CS for All، ابتکار AI4All[1].

روش‌شناسی

گزارش از داده‌های منابع متعددی استفاده کرد[1]:

  • انتشارات: Elsevier Scopus — پایگاه داده‌ای شامل نزدیک به ۷۰ میلیون سند؛ جستجو با کلیدواژه «Artificial Intelligence» در حوزه موضوعی «Computer Science» برای دوره از سال ۱۹۹۶[3].
  • پذیرش در دوره‌ها: سوابق دانشگاه‌ها — UC Berkeley، Carnegie Mellon، Georgia Tech، UIUC، MIT، Stanford، University of Washington[1].
  • حضور در کنفرانس‌ها: داده‌های ارائه‌شده توسط برگزارکنندگان ۱۵ کنفرانس (AAAI، AAMAS، ACL، CP، CVPR، ECAI، ICAPS، ICRA، ICLR، ICML، IJCAI، IROS، KR، NIPS، UAI)[1].
  • استارتاپ‌ها و تأمین مالی: Crunchbase (API برای شناسایی شرکت‌ها بر اساس دسته‌بندی)، VentureSource (داده‌های سرمایه‌گذاری مخاطره‌پذیر)، Sand Hill Econometrics (تجمیع)[4][5].
  • بازار کار: Indeed.com (سهم فرصت‌های شغلی هوش مصنوعی بر اساس کشور)، Monster.com / CEB TalentNeuron (تعداد مطلق فرصت‌های شغلی بر اساس مهارت)[6][7].
  • واردات ربات: International Federation of Robotics، World Robotics Report[8].
  • GitHub: GitHub Archive از طریق Google BigQuery — شمارش رویدادهای WatchEvent برای مخازن چارچوب‌های هوش مصنوعی[9].
  • لحن رسانه‌ای: TrendKite — طبقه‌بندی مقالات انگلیسی‌زبان با فیلتر کردن اطلاعیه‌های مطبوعاتی، اخبار مالی و یادبودها[10].
  • Benchmark ها: LSVRC ImageNet، VQA 1.0، Penn Treebank، WMT / EuroMatrix، SQuAD، Switchboard Hub5'00، TPTP، SAT Competition[1].

رهبری و تیم نویسندگان

پروژه AI Index 2017 زیر نظر کمیته راهبری تهیه شد[1]:

  • Yoav Shoham (دانشگاه استنفورد) — رئیس
  • Raymond Perrault (SRI International)
  • Erik Brynjolfsson (MIT)
  • Jack Clark (OpenAI)
  • Calvin LeGassick — مدیر پروژه

کمیته مشورتی شامل Michael Bowling، Ernie Davis، Julia Hirschberg، Eric Horvitz، Karen Levy، Alan Mackworth، Tom Mitchell، Sandy Pentland، Chris Ré، Daniela Rus، Sebastian Thrun، Hal Varian و Toby Walsh بود[1].

در میان سازمان‌های شریک: Allen Institute for Artificial Intelligence، Crunchbase، Electronic Frontier Foundation، Elsevier، EuroMatrix، Google Brain، Indeed.com، Monster.com، Sand Hill Econometrics، Sinovation Ventures، TrendKite، VentureSource. تأمین مالی اولیه توسط Google، Microsoft و Bytedance (Toutiao) انجام شد، اما AI Index بر استقلال خود تأکید می‌کند و تصریح می‌کند که لزوماً دیدگاه‌های این سازمان‌ها را منعکس نمی‌کند[1].

اهمیت تاریخی

گزارش افتتاحیه AI Index سال ۲۰۱۷ پایه‌ای برای سری گزارش‌های سالانه بعدی گذاشت که به مرور زمان پوشش خود را به طور قابل توجهی از چهار بخش اولیه به نه فصل موضوعی در گزارش ۲۰۲۴ گسترش دادند. بسیاری از شکاف‌هایی که صادقانه در بخش «What's Missing» گزارش ۲۰۱۷ اذعان شد، به تدریج مورد توجه قرار گرفتند: پوشش بین‌المللی (از گزارش ۲۰۱۸)، داده‌های تنوع، سرمایه‌گذاری دولتی، تأثیر بر حوزه‌های عمودی، و همچنین هوش مصنوعی مسئولانه و مقررات[26]. پروژه AI Index سپس تحت سرپرستی مؤسسه HAI استنفورد (Human-Centered Artificial Intelligence) قرار گرفت که در سال ۲۰۱۹ تأسیس شد[1].

پیوندها

منابع

یادداشت‌ها

  1. ↑ 1.00 1.01 1.02 1.03 1.04 1.05 1.06 1.07 1.08 1.09 1.10 1.11 1.12 1.13 1.14 1.15 1.16 1.17 1.18 1.19 1.20 1.21 1.22 1.23 1.24 1.25 1.26 1.27 1.28 1.29 1.30 1.31 1.32 1.33 1.34 1.35 1.36 1.37 1.38 1.39 1.40 1.41 1.42 1.43 1.44 1.45 1.46 1.47 1.48 1.49 1.50 1.51 1.52 1.53 1.54 1.55 1.56 1.57 1.58 1.59 1.60 AI Index Steering Committee (2017). AI Index 2017 Annual Report. https://aiindex.stanford.edu/2017-report/
  2. ↑ 2.0 2.1 Horvitz, E. (2017). Commentary in AI Index 2017 Annual Report. https://aiindex.stanford.edu/2017-report/
  3. ↑ 3.0 3.1 3.2 Elsevier Scopus Database (2017). https://www.scopus.com/
  4. ↑ 4.0 4.1 Crunchbase (2017). AI-related startup data. https://www.crunchbase.com/
  5. ↑ 5.0 5.1 5.2 VentureSource / Sand Hill Econometrics (2017). Venture-backed AI company data.
  6. ↑ 6.0 6.1 6.2 Indeed.com (2017). AI job growth data. https://www.indeed.com/
  7. ↑ 7.0 7.1 7.2 Monster.com / CEB TalentNeuron (2017). AI job openings data. https://www.monster.com/
  8. ↑ 8.0 8.1 International Federation of Robotics (2017). World Robotics Report. https://ifr.org/worldrobotics/
  9. ↑ 9.0 9.1 GitHub Archive / Google BigQuery (2017). GitHub AI project statistics. https://www.gharchive.org/
  10. ↑ 10.0 10.1 TrendKite (2017). Media sentiment analysis data. https://www.trendkite.com/
  11. ↑ LSVRC ImageNet Competition (2010–2017). http://www.image-net.org/challenges/LSVRC/
  12. ↑ 12.0 12.1 Russakovsky, O. et al. (2015). ImageNet Large Scale Visual Recognition Challenge. International Journal of Computer Vision. https://arxiv.org/abs/1409.0575
  13. ↑ VQA Dataset (2017). http://www.visualqa.org/
  14. ↑ Marcus, M. et al. (1993). Building a Large Annotated Corpus of English: The Penn Treebank. Computational Linguistics, 19(2). https://catalog.ldc.upenn.edu/LDC99T42
  15. ↑ 15.0 15.1 Conference on Machine Translation / EuroMatrix (2017). WMT News Translation Task. http://www.statmt.org/wmt17/
  16. ↑ Rajpurkar, P. et al. (2016). SQuAD: 100,000+ Questions for Machine Comprehension of Text. https://arxiv.org/abs/1606.05250
  17. ↑ 17.0 17.1 Electronic Frontier Foundation (2017). AI Progress Metrics. https://www.eff.org/ai/metrics
  18. ↑ Sutcliffe, G. (2017). The TPTP Problem Library. http://www.tptp.org/
  19. ↑ SAT Competition (2017). http://www.satcompetition.org/
  20. ↑ Campbell, M. et al. (2002). Deep Blue. Artificial Intelligence, 134(1–2). https://doi.org/10.1016/S0004-3702(01)00129-1
  21. ↑ Mnih, V. et al. (2015). Human-level control through deep reinforcement learning. Nature, 518. https://doi.org/10.1038/nature14236
  22. ↑ Silver, D. et al. (2016). Mastering the game of Go with deep neural networks and tree search. Nature, 529. https://doi.org/10.1038/nature16961
  23. ↑ Silver, D. et al. (2017). Mastering the game of Go without human knowledge. Nature, 550. https://doi.org/10.1038/nature24270
  24. ↑ Esteva, A. et al. (2017). Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542. https://doi.org/10.1038/nature21056
  25. ↑ Brown, N. & Sandholm, T. (2017). Superhuman AI for heads-up no-limit poker: Libratus beats top professionals. Science, 359(6374). https://doi.org/10.1126/science.aao1733
  26. ↑ Stanford HAI (2024). Artificial Intelligence Index Report 2024. https://aiindex.stanford.edu/report/
Retrieved from "https://systems-analysis.info/int/index.php?title=The_2017_AI_Index_Report_(FA)&oldid=7914"