The 2017 AI Index Report (VI)

From Systems analysis Wiki
Jump to navigation Jump to search

AI Index Report 2017 — báo cáo thường niên đầu tiên (khai trương) của dự án AI Index, được công bố vào tháng 11 năm 2017[1]. Dự án được thành lập trong khuôn khổ sáng kiến One Hundred Year Study on AI (AI100) tại Đại học Stanford và là một dự án phi lợi nhuận, mã nguồn mở nhằm theo dõi hoạt động và tiến bộ trong lĩnh vực trí tuệ nhân tạo. Báo cáo năm 2017 là nỗ lực đầu tiên nhằm tổng hợp và trực quan hóa một cách có hệ thống dữ liệu về tình trạng AI, bao gồm khối lượng hoạt động trong học thuật và công nghiệp, hiệu suất kỹ thuật của các hệ thống AI, các chỉ số phái sinh và tiến độ hướng tới mức độ con người. Các tác giả nhấn mạnh rằng nếu không có dữ liệu liên quan về tình trạng công nghệ AI, xã hội sẽ «bay mù» trong các cuộc thảo luận và ra quyết định liên quan đến trí tuệ nhân tạo[1].

Tiền đề và mục tiêu

Đến năm 2017, trí tuệ nhân tạo đã vươn lên vị trí hàng đầu trong diễn ngôn toàn cầu, thu hút sự chú ý của các chuyên gia thực hành, lãnh đạo ngành, các nhà hoạch định chính sách và công chúng rộng rãi. Lĩnh vực AI phát triển nhanh đến mức ngay cả các chuyên gia cũng gặp khó khăn trong việc hiểu và theo dõi tiến bộ. AI Index được hình thành như một công cụ để có cuộc trò chuyện có thông tin về AI, dựa trên dữ liệu chứ không phải phỏng đoán hay bằng chứng giai thoại[1].

Ý tưởng về dự án nảy sinh trong các cuộc thảo luận của Ủy ban Thường trực AI100 vào năm 2015[2]. Báo cáo tổng hợp cả dữ liệu có sẵn tự do trên internet lẫn dữ liệu gốc, đồng thời trích xuất các chỉ số mới từ sự kết hợp của các chuỗi dữ liệu hiện có. Tất cả dữ liệu được sử dụng để tạo ra báo cáo đều được công bố công khai trên trang aiindex.org[1].

Cấu trúc báo cáo

Báo cáo năm 2017 bao gồm bốn phần dữ liệu chính và một số phần thảo luận[1]:

  1. Khối lượng hoạt động (Volume of Activity) — các chỉ số «bao nhiêu»: công bố, tuyển sinh khóa học, tham dự hội nghị, startup, tài trợ, tin tuyển dụng, nhập khẩu robot, phần mềm mã nguồn mở, sự quan tâm của công chúng.
  2. Hiệu suất kỹ thuật (Technical Performance) — các chỉ số «tốt đến mức nào»: thị giác máy tính, xử lý ngôn ngữ tự nhiên, nhận dạng giọng nói, chứng minh định lý, giải bài toán SAT.
  3. Chỉ số phái sinh (Derivative Measures) — mối tương quan giữa các xu hướng, động thái «học thuật — công nghiệp», AI Vibrancy Index.
  4. Trên con đường đến mức độ con người? (Towards Human-Level Performance?) — danh mục các thành tựu mà AI đã tiệm cận hoặc vượt qua mức độ con người.
  5. Còn thiếu gì? (What's Missing?) — thừa nhận những hạn chế của báo cáo và các hướng nghiên cứu trong tương lai.
  6. Diễn đàn chuyên gia (Expert Forum) — bình luận của các chuyên gia hàng đầu trong lĩnh vực AI.

Khối lượng hoạt động

Công bố học thuật

Số lượng bài báo khoa học về AI được công bố và lập chỉ mục trong cơ sở dữ liệu Scopus (nhà xuất bản Elsevier) với từ khóa «Artificial Intelligence» trong lĩnh vực chủ đề «Computer Science» đã tăng hơn 9 lần kể từ năm 1996[3]. Để so sánh: tổng số công bố trong lĩnh vực khoa học máy tính trong cùng giai đoạn tăng khoảng 6 lần, điều này cho thấy sự tăng trưởng của các công bố về AI không chỉ đơn thuần do sự mở rộng quan tâm đến tin học nói chung, mà chính xác là do sự chú ý ngày càng tăng đối với trí tuệ nhân tạo[1].

Tại thời điểm lập báo cáo, cơ sở Scopus chứa hơn 200.000 bài báo trong lĩnh vực tin học với từ khóa «Artificial Intelligence» và gần 5 triệu bài báo về tin học nói chung trong tổng số khoảng 70 triệu tài liệu được lập chỉ mục[3].

Tuyển sinh các khóa học

Số lượng sinh viên đăng ký các khóa học nhập môn về trí tuệ nhân tạo và Machine Learning cho thấy sự tăng trưởng nhanh chóng. Tại Đại học Stanford, số lượng tuyển sinh vào khóa học nhập môn AI tăng 11 lần kể từ năm 1996[1]. Machine Learning (ML) với tư cách là một nhánh con của AI được xem xét riêng do tốc độ tăng trưởng tuyển sinh đặc biệt nhanh và vai trò quan trọng của các kỹ thuật ML trong những thành tựu AI gần đây.

Các xu hướng tương tự cũng được quan sát tại các trường đại học hàng đầu khác: Đại học California tại Berkeley, Đại học Carnegie Mellon, Viện Công nghệ Georgia, Đại học Illinois tại Urbana-Champaign, Viện Công nghệ Massachusetts và Đại học Washington[1]. Các tác giả báo cáo lưu ý rằng những dữ liệu này chỉ đại diện cho một phần nhỏ trong bức tranh giáo dục đại học và không nhất thiết mang tính đại diện cho phạm vi rộng hơn của các cơ sở đào tạo.

Tham dự hội nghị

Dữ liệu về số lượng tham dự các hội nghị AI hàng đầu (AAAI, AAMAS, ACL, CP, CVPR, ECAI, ICAPS, ICRA, ICLR, ICML, IJCAI, IROS, KR, NIPS, UAI) đã xác nhận sự dịch chuyển trọng tâm nghiên cứu từ suy luận ký hiệu sang Machine Learning và Deep Learning[1]. Các hội nghị về Machine Learning (NIPS, ICML, ICLR) cho thấy mức tăng trưởng số lượng tham dự đáng kể nhất, trong khi các hội nghị về phương pháp ký hiệu (KR, CP, ICAPS) duy trì một cộng đồng ổn định nhưng khiêm tốn hơn, tiếp tục đạt được tiến bộ bền vững[1].

Startup trong lĩnh vực AI

Số lượng startup Mỹ đang hoạt động phát triển các hệ thống AI với tài trợ từ vốn đầu tư mạo hiểm đã tăng 14 lần kể từ năm 2000[4][5]. Để xác định các công ty AI, các danh mục Crunchbase được sử dụng (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) với kiểm tra chéo theo cơ sở dữ liệu VentureSource[1].

Tài trợ vốn đầu tư mạo hiểm

Khối lượng đầu tư mạo hiểm hàng năm vào các startup AI của Mỹ đã tăng 6 lần kể từ năm 2000[5]. Dữ liệu bao gồm tất cả các giai đoạn tài trợ và được tổng hợp bởi Sand Hill Econometrics dựa trên cơ sở dữ liệu VentureSource[1].

Thị trường lao động

Dữ liệu từ hai nền tảng tuyển dụng trực tuyến lớn nhất — Indeed.com và Monster.com — cho thấy nhu cầu đáng kể đối với các chuyên gia trong lĩnh vực AI[6][7].

Indeed.com: Tỷ lệ tin tuyển dụng yêu cầu kỹ năng AI trên nền tảng tại Mỹ tăng 4,5 lần kể từ năm 2013[6]. Mức tăng trưởng nhanh tương tự cũng được quan sát tại Canada và Vương quốc Anh, mặc dù về quy mô tuyệt đối, thị trường của họ lần lượt chỉ chiếm 5% và 27% so với thị trường Mỹ[1].

Monster.com: Phân tích số lượng tuyệt đối tin tuyển dụng AI phân theo kỹ năng yêu cầu (Machine Learning, thị giác máy tính, xử lý ngôn ngữ tự nhiên và các kỹ năng khác) cũng xác nhận sự tăng trưởng bền vững. Một tin tuyển dụng có thể đồng thời yêu cầu nhiều kỹ năng[7].

Nhập khẩu robot

Dữ liệu từ báo cáo thường niên World Robotics Report do Liên đoàn Robot Quốc tế (IFR) chuẩn bị cho thấy sự tăng trưởng bền vững trong nhập khẩu robot công nghiệp cả vào Bắc Mỹ lẫn trên quy mô toàn cầu[8]. Các tác giả báo cáo lưu ý rằng không có cách đơn giản nào để xác định tỷ lệ phần trăm robot sử dụng phần mềm được coi là «AI», và ở mức độ nào các phát triển trong lĩnh vực AI góp phần vào sự tăng trưởng sử dụng robot công nghiệp[1].

Phần mềm mã nguồn mở

Sự quan tâm của các nhà phát triển đối với các framework AI trên nền tảng GitHub cho thấy sự tăng trưởng đáng kể. Số lượng sao (Stars) cho các gói Machine Learning và Deep Learning chính — TensorFlow, Scikit-Learn, Keras, PyTorch, Caffe, MXNet, CNTK và Theano — tăng nhanh chóng[9]. TensorFlow của Google và Scikit-Learn được xác định là các gói phổ biến nhất, với xu hướng về số lượng sao và fork (Forks) gần như giống hệt nhau[1].

Sự quan tâm của công chúng: cảm xúc truyền thông

Phân tích cảm xúc của các bài đăng trên các phương tiện truyền thông đại chúng có chứa thuật ngữ «Artificial Intelligence», dựa trên dữ liệu từ dịch vụ TrendKite, cho thấy sự biến động trong tỷ lệ bài viết tích cực và tiêu cực[10]. Bộ phân loại TrendKite phân phối các bài báo tiếng Anh (trừ thông cáo báo chí, tin tức tài chính và cáo phó) vào các danh mục «tích cực», «tiêu cực» và «trung lập»[1].

Hiệu suất kỹ thuật

Phần hiệu suất kỹ thuật theo dõi tiến bộ của các hệ thống AI trong các nhiệm vụ thị giác máy tính, xử lý ngôn ngữ tự nhiên, nhận dạng giọng nói, chứng minh định lý và giải bài toán SAT[1].

Thị giác máy tính

Phát hiện đối tượng (Object Detection)

Trong cuộc thi Large Scale Visual Recognition Challenge (LSVRC) dựa trên bộ dữ liệu ImageNet, tỷ lệ lỗi trong nhận dạng hình ảnh đã giảm từ 28,5% xuống dưới 2,5% trong giai đoạn từ 2010 đến 2017[11]. Để so sánh: mức lỗi của con người được ước tính khoảng 5%[12], tức là đến năm 2017, các hệ thống AI đã vượt qua đáng kể mức độ con người trên benchmark này. Cuộc thi ImageNet kết thúc vào năm 2017[1].

Hỏi đáp thị giác (Visual Question Answering)

Trên bộ dữ liệu VQA 1.0 — nhiệm vụ tạo ra câu trả lời mở cho các câu hỏi về hình ảnh — các hệ thống AI cho thấy tiến bộ bền vững[13]. Các tác giả lưu ý rằng bộ dữ liệu VQA 1.0 đã bị thay thế bởi VQA 2.0, và không rõ liệu có bao nhiêu sự chú ý tiếp tục được dành cho phiên bản gốc[1].

Xử lý ngôn ngữ tự nhiên

Phân tích cú pháp (Parsing)

Trên bộ kiểm tra tiêu chuẩn — phần 23 của kho ngữ liệu Wall Street Journal từ Penn Treebank — các bộ phân tích cú pháp tự động cho thấy sự tăng trưởng bền vững trong chỉ số F1[14]. Kết quả được ghi nhận cho cả các câu có độ dài dưới 40 từ và cho toàn bộ tập câu[1].

Dịch máy (Machine Translation)

Trong cuộc thi thường niên Workshop on Machine Translation (WMT) về nhiệm vụ dịch tin tức giữa tiếng Anh và tiếng Đức, các hệ thống tốt nhất cho thấy xu hướng tăng chung theo chỉ số BLEU[15]. Chỉ số BLEU — phương pháp tự động so sánh bản dịch máy với nhiều bản dịch do con người thực hiện — là phiên bản sửa đổi của độ chính xác (precision) với các giá trị từ 0 đến 1. Mặc dù BLEU có tương quan với đánh giá chuyên gia về chất lượng dịch thuật, nhưng không thể sử dụng nó để so sánh giữa các kho ngữ liệu, và việc so sánh giữa các hệ thống có thể gây hiểu nhầm[1].

Năm 2017, điểm BLEU giảm đáng kể so với năm 2016 (mặc dù vẫn cao hơn mức năm 2015), điều này có thể được giải thích bởi đặc điểm của bộ kiểm tra chứ không phải sự suy giảm thực sự về chất lượng của các hệ thống dịch máy[15].

Hỏi đáp (Question Answering)

Trên bộ dữ liệu Stanford Question Answering Dataset (SQuAD) — hơn 500 bài báo và 100.000 cặp «câu hỏi-câu trả lời» — các hệ thống AI cho thấy sự tăng trưởng nhanh trong chỉ số Exact Match (EM), đo lường tỷ lệ phần trăm câu trả lời khớp chính xác với câu trả lời tham chiếu[16]. Mức hiệu suất của con người trên SQuAD là 82,3%[1]. Điểm số trên SQuAD tăng nhanh chóng kể từ khi bộ dữ liệu được tạo ra vào tháng 6 năm 2016.

Nhận dạng giọng nói

Trên bộ dữ liệu tiêu chuẩn Switchboard Hub5'00 — nhiệm vụ nhận dạng giọng nói từ các cuộc trò chuyện điện thoại — Microsoft và IBM vào năm 2017 đã đạt được hiệu suất gần «ngang bằng con người»[17]. Chỉ số Word Error Rate (WER) — số lỗi (thay thế, xóa và chèn từ), được chuẩn hóa theo độ dài câu — đã giảm trong nhiều năm. Có những bất đồng về mức lỗi chính xác của con người: các giá trị được đề cập là 5,1% và 5,9%, và thậm chí dưới 5%. Báo cáo sử dụng ngưỡng 5,1%[1].

Các tác giả bày tỏ lo ngại rằng việc sử dụng bộ Switchboard trong thời gian dài có thể dẫn đến tình trạng overfitting đáng kể của các hệ thống AI trên dữ liệu cụ thể này[1].

Chứng minh định lý

Trên bộ bài toán Thousands of Problems for Theorem Provers (TPTP), «tractability» (khả năng giải quyết) trung bình được theo dõi — tỷ lệ các hệ thống chứng minh định lý tự động (ATP) hiện đại có thể giải quyết bài toán[18]. Một tập con của các bài toán không được cập nhật kể từ phiên bản TPTP v5.0.0 (năm 2010) được phân tích. Chỉ số này có đặc điểm riêng: sự xuất hiện của các hệ thống ATP mạnh mới, giải tốt các bài toán mới nhưng xử lý kém các bài toán mà các hệ thống khác giải được, có thể dẫn đến giảm tractability trung bình[1].

Giải bài toán SAT

Trên các phiên bản bài toán công nghiệp từ SAT Competition, sự tăng trưởng trong tỷ lệ bài toán được giải quyết được ghi nhận[19]. Các nhà nghiên cứu Holger Hoos và Kevin Leyton-Brown đã kiểm tra 69 bộ giải trên 1076 phiên bản bài toán được trình bày tại cuộc thi kể từ năm 2007, chạy tất cả các bộ giải trên cùng một phần cứng để so sánh chính xác[1]. Các tác giả lưu ý rằng một phần cải tiến có thể phản ánh thành tựu kỹ thuật hơn là đột phá về thuật toán[1].

Chỉ số phái sinh

Động thái «học thuật — công nghiệp»

Để nghiên cứu mối tương quan giữa hoạt động AI trong học thuật và công nghiệp, ba chỉ số đại diện đã được chọn: số lượng công bố về AI, tổng tuyển sinh vào các khóa học nhập môn AI và ML tại Stanford, và khối lượng đầu tư mạo hiểm vào các startup AI. Tất cả các chỉ số được chuẩn hóa so với năm 2000[1].

Phân tích cho thấy rằng ban đầu hoạt động học thuật (công bố và tuyển sinh khóa học) đảm bảo tiến bộ bền vững. Khoảng từ năm 2010, các nhà đầu tư bắt đầu chú ý đến lĩnh vực này, và đến năm 2013, họ trở thành động lực thúc đẩy sự gia tăng mạnh mẽ trong hoạt động tổng thể. Sau đó, học thuật đã bắt kịp «sự nhiệt tình» của ngành công nghiệp[1].

AI Vibrancy Index

AI Vibrancy Index — một chỉ số tổng hợp thực nghiệm, tổng hợp các chỉ số chuẩn hóa về công bố, tuyển sinh khóa học và đầu tư mạo hiểm để định lượng «sức sống» của AI như một lĩnh vực[1]. Chỉ số được tính là trung bình của các chỉ số chuẩn hóa theo thời gian và cho thấy sự tăng trưởng mạnh mẽ, phản ánh sự gia tăng đồng thời của cả ba thành phần. Các tác giả bày tỏ hy vọng rằng các chỉ số phái sinh như vậy sẽ thu hút sự quan tâm đến việc phân tích thêm dữ liệu AI Index[1].

Trên con đường đến mức độ con người

Báo cáo đã lập danh mục các trường hợp đáng tin cậy trong đó các hệ thống máy tính đã đạt hoặc vượt qua mức hiệu suất của con người, kèm theo một số lưu ý quan trọng[1].

Những hạn chế chính trong việc so sánh: máy móc thường vượt trội hơn con người trong các nhiệm vụ chuyên biệt hẹp, nhưng hiệu suất có thể giảm mạnh khi điều kiện bị thay đổi chút ít. Ví dụ, một người đọc được chữ Hán có thể cũng hiểu tiếng Trung Quốc, biết điều gì đó về văn hóa Trung Quốc và có thể gợi ý món ăn tại nhà hàng Trung Quốc. Đối với AI, mỗi nhiệm vụ trong số này sẽ đòi hỏi một hệ thống hoàn toàn riêng biệt[1].

Các mốc thành tựu

Thành tựu Năm Mô tả
Othello Thập niên 1980 / 1997 Năm 1989, chương trình BILL (Kai-Fu Lee, Sanjoy Mahajan) đã đánh bại kỳ thủ Mỹ hàng đầu Brian Rose (56–8). Năm 1997, chương trình Logistello thắng tất cả các ván trong trận đấu sáu ví với đương kim vô địch thế giới[1].
Checkers (Cờ đam) 1995 Chương trình Chinook đánh bại đương kim vô địch thế giới. Các chương trình đầu tiên chơi cờ đam với khả năng tự học được tạo ra bởi Arthur Samuel từ năm 1952[1].
Cờ vua 1997 IBM Deep Blue đánh bại vô địch thế giới Garry Kasparov. Một số nhà khoa học vào những năm 1950 đã dự đoán rằng máy tính sẽ đánh bại vô địch thế giới vào năm 1967[20]. Đến năm 2017, các chương trình cờ vua trên điện thoại thông minh đã chơi ở trình độ grandmaster[1].
Jeopardy! 2011 Hệ thống IBM Watson đánh bại các cựu vô địch chương trình truyền hình Brad Rutter và Ken Jennings, giành giải thưởng chính trị giá 1 triệu đô la[1].
Trò chơi Atari 2015 Nhóm Google DeepMind sử dụng hệ thống Reinforcement Learning để học chơi 49 trò chơi Atari, đạt mức độ con người trong hầu hết (ví dụ Breakout), mặc dù một số trò chơi (ví dụ Montezuma's Revenge) vẫn nằm ngoài tầm với[21].
Phát hiện đối tượng (ImageNet) 2016 Tỷ lệ lỗi phân loại hình ảnh ImageNet tự động giảm từ 28% (2010) xuống dưới 3% trong khi mức độ con người khoảng 5%[12].
Cờ vây 2016–2017 AlphaGo (Google DeepMind) đánh bại Lee Sedol 4–1 vào tháng 3 năm 2016, sau đó AlphaGo Master đánh bại Ke Jie vào tháng 3 năm 2017. Vào tháng 10 năm 2017, AlphaGo Zero đánh bại AlphaGo gốc với tỷ số 100–0[22][23].
Phân loại ung thư da 2017 Hệ thống AI được huấn luyện trên 129.450 hình ảnh lâm sàng của 2.032 bệnh, cho thấy mức độ năng lực trong phân loại ung thư da tương đương với 21 bác sĩ da liễu được chứng nhận[24].
Nhận dạng giọng nói (Switchboard) 2017 Microsoft và IBM đạt được hiệu suất gần «ngang bằng con người» trong nhiệm vụ nhận dạng giọng nói trên bộ dữ liệu Switchboard[17].
Poker 2017 Chương trình Libratus (CMU) đánh bại bốn kỳ thủ hàng đầu trong giải đấu gồm 120.000 ván Texas Hold'em không giới hạn cược. Chương trình DeepStack (Đại học Alberta) đã chứng minh tính có ý nghĩa thống kê của sự vượt trội của mình so với 11 chuyên gia trong hơn 3.000 ván mỗi người[25].
Ms. Pac-Man 2017 Nhóm Maluuba (được Microsoft mua lại) tạo ra hệ thống AI đạt điểm tối đa 999.900 điểm trên Atari 2600[1].

Những gì còn thiếu trong báo cáo

Các tác giả đã thẳng thắn thừa nhận một số hạn chế đáng kể của báo cáo khai trương[1]:

Hiệu suất kỹ thuật

Nhiều lĩnh vực kỹ thuật quan trọng không được đề cập: các hệ thống đối thoại (không có benchmark chuẩn hóa), lập kế hoạch, điều khiển liên tục trong robot học, suy luận thường thức (common sense reasoning), hệ thống gợi ý, kiểm tra chuẩn hóa. Các tác giả cảnh báo rằng việc theo dõi tiến bộ thường được thực hiện trong các lĩnh vực có kết quả tốt, tạo ra sự lệch quan quan tâm tích cực trong đánh giá tình trạng AI[1].

Phạm vi quốc tế

Báo cáo được thừa nhận là quá Mỹ trung tâm, mặc dù có hoạt động AI đáng kể ở các quốc gia khác. Mức độ đầu tư và hoạt động tại Trung Quốc được gọi là «đáng kinh ngạc», nhưng nằm ngoài phạm vi của báo cáo khai trương[1].

Đa dạng và hòa nhập

Báo cáo không có phân tích dữ liệu theo giới tính, chủng tộc, sắc tộc, xu hướng tình dục hay các đặc điểm khác. Các tác giả thừa nhận rằng các câu hỏi về ai tham gia vào các cuộc trò chuyện về AI và ai có quyền lực ảnh hưởng đến nghiên cứu và triển khai AI trong tương lai có liên quan chặt chẽ đến động thái quyền lực trong ngành công nghệ và đầu tư mạo hiểm, cũng như các lực lượng phân biệt đối xử có hệ thống rộng hơn[1].

Đầu tư của chính phủ và doanh nghiệp

Dữ liệu về tài trợ mạo hiểm chỉ bao gồm Mỹ và đại diện cho một phần rất nhỏ trong tổng đầu tư nghiên cứu và phát triển AI. Dữ liệu về đầu tư của chính phủ và doanh nghiệp không có[1].

Tác động đến các ngành cụ thể

Các chỉ số tác động của AI đến chăm sóc sức khỏe, ngành ô tô, tài chính, giáo dục và các lĩnh vực dọc khác không được trình bày[1].

Giảm thiểu rủi ro xã hội

Các vấn đề về an toàn AI, khả năng dự đoán, sự công bằng của thuật toán, quyền riêng tư và hậu quả đạo đức của tự động hóa không được đề cập[1].

Diễn đàn chuyên gia

Báo cáo bao gồm các bình luận của các chuyên gia hàng đầu đại diện cho học thuật, công nghiệp, chính phủ và truyền thông[1].

Barbara Grosz (Harvard)

Barbara Grosz nhấn mạnh tầm quan trọng của việc phát triển các chỉ số tính đến không chỉ hiệu suất của các hệ thống AI trong môi trường cô lập, mà còn chất lượng tương tác của AI với con người và tác động của các hệ thống AI đến con người cả ở cấp độ cá nhân lẫn xã hội. Bà chú ý đến khoảng trống trong báo cáo: phần về xử lý ngôn ngữ tự nhiên bao gồm phân tích cú pháp, dịch máy và tìm kiếm câu trả lời, nhưng không bao gồm các hệ thống đối thoại, vốn đòi hỏi phải tính đến trạng thái tinh thần của người đối thoại. Grosz cũng kêu gọi theo dõi tỷ lệ các khóa học AI có đề cập đến các khía cạnh đạo đức, và số lượng công ty tự hỏi liệu có nên tạo ra hệ thống AI này hay không[1].

Eric Horvitz (Microsoft)

Eric Horvitz gọi việc công bố báo cáo khai trương là bước đi quan trọng trong việc đưa cộng đồng rộng lớn hơn vào đối thoại. Ông lưu ý giá trị của phần chỉ số phái sinh và AI Vibrancy Index, đề xuất xác nhận chúng bằng cách đối chiếu với dữ liệu về tuyển dụng, thành phần và thù lao của nhân tài AI trong các tập đoàn. Horvitz đặc biệt nhấn mạnh tầm quan trọng của việc theo dõi tiến bộ trong lĩnh vực common sense reasoning, «điều mà ngay cả một đứa trẻ nhỏ cũng thể hiện», nhưng vẫn nằm ngoài tầm với của công nghệ AI hiện đại[2].

Kai-Fu Lee (Sinovation Ventures)

Kai-Fu Lee đã lấp đầy khoảng trống về phạm vi quốc tế của báo cáo bằng cách trình bày tổng quan về tình trạng AI tại Trung Quốc. Ông lưu ý rằng Trung Quốc có số lượng điện thoại di động và người dùng internet gấp ba lần so với Mỹ hay Ấn Độ, và khoảng cách về khối lượng dữ liệu được tạo ra vượt xa hệ số ba: người Trung Quốc thực hiện thanh toán di động nhiều hơn người Mỹ 50 lần, khối lượng giao hàng thức ăn lớn hơn 10 lần, và công ty Didi đã bắt đầu tích hợp dữ liệu với các hệ thống quản lý giao thông. Lee lấy startup Trung Quốc Face++ làm ví dụ, đã đứng đầu trong ba cuộc thi thị giác máy tính, vượt qua Google, Microsoft, Facebook và CMU. Ông chỉ ra kế hoạch của Hội đồng Nhà nước Trung Quốc từ tháng 7 năm 2017 nhằm trở thành trung tâm đổi mới AI toàn cầu vào năm 2030 và dự đoán rằng thế lưỡng cực Mỹ-Trung trong AI không chỉ là tất yếu mà đã xảy ra rồi[1].

Andrew Ng (Coursera, Stanford)

Andrew Ng mô tả AI là «điện lực mới», đang chuyển đổi nhiều ngành công nghiệp. Ông mô tả trình tự chuyển đổi các nhánh con của AI bằng Deep Learning: trước tiên là nhận dạng giọng nói, sau đó là thị giác máy tính, tiếp theo là NLP (dẫn đến sự bùng nổ của chatbot), và tiếp theo là robot học (các khả năng sản xuất mới). Ng nhấn mạnh rằng các quốc gia có chính sách AI hợp lý hơn sẽ tiến bộ nhanh hơn, trong khi các quốc gia có biện pháp được thiết kế kém có nguy cơ bị tụt hậu[1].

Daniela Rus (MIT)

Daniela Rus trình bày cái nhìn lạc quan về AI như một vector của sự thay đổi tích cực: từ chống biến đổi khí hậu và dân chủ hóa giáo dục đến xe tự lái và chăm sóc sức khỏe được cá nhân hóa. Bà nhấn mạnh rằng trái với quan niệm phổ biến, AI sẽ dẫn đến các công việc thỏa mãn hơn chứ không phải ít hơn, vì sự tăng trưởng năng suất từ AI và robot học sẽ giải phóng con người khỏi các nhiệm vụ đơn điệu[1].

Sebastian Thrun (Stanford, Udacity)

Sebastian Thrun đã vẽ ra sự song song lịch sử: trước khi phát minh ra động cơ hơi nước, hầu hết mọi người là nông dân, được xác định bởi sức mạnh thể chất. Máy móc đã biến nông dân thành «siêu nhân» — một nông dân Mỹ nuôi 155 người, và chưa đến 2% dân số Mỹ làm việc trong nông nghiệp. Tương tự, AI có thể học các mẫu công việc lặp đi lặp lại của chúng ta và giúp chúng ta trở thành «siêu nhân». Thrun dự đoán sự ra đời của kỷ nguyên sáng tạo con người chưa từng có, nhưng cảnh báo về sự cần thiết phải trở thành «học sinh suốt đời» và thích nghi với những thay đổi[1].

Michael Wooldridge (Oxford)

Michael Wooldridge đặt ra câu hỏi trọng tâm: liệu có tồn tại «bong bóng AI» hay không và liệu nó có vỡ (giống như bong bóng dotcom 1996–2001) hay xì hơi nhẹ nhàng? Mối lo ngại chính của ông là một «mùa đông AI» mới do thất vọng sau các khoản đầu tư đầu cơ lớn. Tuy nhiên, ông bày tỏ sự lạc quan thận trọng: không giống như các chu kỳ trước, dưới bong bóng hiện tại có một thực chất thực sự — các hệ thống AI cho thấy tiến bộ bền vững, và các công ty lớn đã học cách sử dụng hiệu quả các kỹ thuật AI. Wooldridge cũng đặt ra câu hỏi về việc đo lường tiến bộ hướng tới General AI, lưu ý rằng cả ông lẫn bất kỳ ai cũng không biết cách đo lường điều đó[1].

Megan Smith và Susannah Mittermaier

Cựu Giám đốc Công nghệ Mỹ Megan Smith và Susannah Mittermaier (Dịch vụ liên lạc với NGO tại Liên Hợp Quốc) nhấn mạnh tầm quan trọng hàng đầu của sự đa dạng và hòa nhập. Họ chỉ ra rằng phần lớn nhân loại bị loại khỏi cuộc trò chuyện và các nhóm thiết kế do «thành kiến ý thức và vô thức hàng loạt, các mẫu văn hóa phân biệt đối xử đáng kể và hành vi đã được học của sự loại trừ có hệ thống». Các tác giả đề cập đến một số sáng kiến chủ chốt: Algorithmic Justice League, kiến nghị tại Liên Hợp Quốc về AI vũ khí, phong trào CS for All, sáng kiến AI4All[1].

Phương pháp luận

Báo cáo sử dụng dữ liệu từ nhiều nguồn[1]:

  • Công bố: Elsevier Scopus — cơ sở dữ liệu gần 70 triệu tài liệu; truy vấn theo từ khóa «Artificial Intelligence» trong lĩnh vực chủ đề «Computer Science» cho giai đoạn từ năm 1996[3].
  • Tuyển sinh khóa học: Hồ sơ của các trường đại học — UC Berkeley, Carnegie Mellon, Georgia Tech, UIUC, MIT, Stanford, University of Washington[1].
  • Tham dự hội nghị: Dữ liệu từ ban tổ chức 15 hội nghị (AAAI, AAMAS, ACL, CP, CVPR, ECAI, ICAPS, ICRA, ICLR, ICML, IJCAI, IROS, KR, NIPS, UAI)[1].
  • Startup và tài trợ: Crunchbase (API để xác định công ty theo danh mục), VentureSource (dữ liệu đầu tư mạo hiểm), Sand Hill Econometrics (tổng hợp)[4][5].
  • Thị trường lao động: Indeed.com (tỷ lệ tin tuyển dụng AI theo quốc gia), Monster.com / CEB TalentNeuron (số lượng tuyệt đối tin tuyển dụng theo kỹ năng)[6][7].
  • Nhập khẩu robot: International Federation of Robotics, World Robotics Report[8].
  • GitHub: GitHub Archive qua Google BigQuery — đếm sự kiện WatchEvent cho các repository framework AI[9].
  • Cảm xúc truyền thông: TrendKite — phân loại các bài báo tiếng Anh với lọc thông cáo báo chí, tin tức tài chính và cáo phó[10].
  • Benchmark: LSVRC ImageNet, VQA 1.0, Penn Treebank, WMT / EuroMatrix, SQuAD, Switchboard Hub5'00, TPTP, SAT Competition[1].

Ban lãnh đạo và nhóm tác giả

Dự án AI Index 2017 được chuẩn bị dưới sự lãnh đạo của ủy ban điều hành[1]:

  • Yoav Shoham (Đại học Stanford) — chủ tịch
  • Raymond Perrault (SRI International)
  • Erik Brynjolfsson (MIT)
  • Jack Clark (OpenAI)
  • Calvin LeGassick — quản lý dự án

Ủy ban tư vấn bao gồm Michael Bowling, Ernie Davis, Julia Hirschberg, Eric Horvitz, Karen Levy, Alan Mackworth, Tom Mitchell, Sandy Pentland, Chris Ré, Daniela Rus, Sebastian Thrun, Hal Varian và Toby Walsh[1].

Trong số các tổ chức đối tác: Allen Institute for Artificial Intelligence, Crunchbase, Electronic Frontier Foundation, Elsevier, EuroMatrix, Google Brain, Indeed.com, Monster.com, Sand Hill Econometrics, Sinovation Ventures, TrendKite, VentureSource. Tài trợ khởi động được cung cấp bởi Google, Microsoft và Bytedance (Toutiao), tuy nhiên AI Index nhấn mạnh tính độc lập của mình và lưu ý rằng không nhất thiết phản ánh quan điểm của các tổ chức này[1].

Ý nghĩa lịch sử

Báo cáo khai trương AI Index 2017 đã đặt nền tảng cho chuỗi báo cáo thường niên tiếp theo, theo thời gian đã mở rộng đáng kể phạm vi — từ bốn phần ban đầu đến chín chương chuyên đề trong báo cáo năm 2024. Nhiều khoảng trống được thẳng thắn thừa nhận trong phần «What's Missing» của báo cáo 2017 đã được giải quyết lần lượt: phạm vi quốc tế (bắt đầu từ báo cáo 2018), dữ liệu về sự đa dạng, đầu tư của chính phủ, tác động đến các lĩnh vực dọc, cũng như AI có trách nhiệm và quản lý[26]. Dự án AI Index sau đó chuyển sang dưới sự bảo trợ của Viện HAI Stanford (Human-Centered Artificial Intelligence), được thành lập vào năm 2019[1].

Tham khảo

Tài liệu tham khảo

Chú thích

  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_(VI)&oldid=7929"