The 2018 AI Index Report (FA)
AI Index Report 2018 — دومین نشریه سالانه گزارش AI Index، که در دسامبر ۲۰۱۸ توسط کمیته راهبری AI Index در دانشگاه استنفورد تهیه شده است[1]. مأموریت پروژه AI Index تأمین دادههای عینی برای گفتمان پیرامون هوش مصنوعی است. گزارش ۲۰۱۸ در مقایسه با نخستین نسخه (۲۰۱۷) از گسترش قابل توجه پوشش جهانی برخوردار است: در حالی که گزارش پیشین عمدتاً بر مسائل آمریکای شمالی تمرکز داشت، نسخه ۲۰۱۸ میکوشد دادههایی از اروپا، چین، کره جنوبی، ژاپن و سایر مناطق جهان را نیز دربرگیرد. این گزارش دادههای مرتبط با هوش مصنوعی را ردیابی، طبقهبندی و بصریسازی میکند و اطلاعاتی را برای سیاستگذاران، پژوهشگران، مدیران، روزنامهنگاران و عموم مردم فراهم میآورد.
ساختار گزارش
گزارش ۲۰۱۸ از چهار بخش اصلی تشکیل شده است[1]:
- دادهها: حجم فعالیت (Volume of Activity) — انتشارات، ثبتنام در دورهها، شرکت در کنفرانسها، بارگیری نرمافزار رباتیک، استارتاپها و سرمایهگذاریها، فرصتهای شغلی، ثبت اختراعات، پذیرش هوش مصنوعی در شرکتها، اشارات در گزارشهای سود، نصب رباتها، پروژههای متنباز، علاقه عمومی.
- دادهها: عملکرد فنی (Technical Performance) — بینایی ماشین، پردازش زبان طبیعی، ترجمه ماشینی، سیستمهای پرسش و پاسخ.
- معیارهای دیگر (Other Measures) — شاخصهای مشتق، ابتکارات دولتی، دستاوردهای در سطح تواناییهای انسانی.
- پیوست (Appendix) — شرح کامل منابع، روششناسیها و ظرافتها.
یافتههای کلیدی گزارش
نویسندگان گزارش ۲۰۱۸ چندین تز اصلی را تدوین کردند[1]:
هوش مصنوعی — پدیدهای جهانی
۸۳٪ از مقالات هوش مصنوعی در پایگاه داده Scopus در سال ۲۰۱۷ توسط نویسندگانی خارج از ایالات متحده منتشر شده بودند. ۲۸٪ از کل مقالات هوش مصنوعی به اروپا تعلق داشت — بالاترین رقم در میان تمام مناطق جهان. ثبتنام دانشجویان در دورههای هوش مصنوعی و Machine Learning در سراسر جهان افزایش یافت، بهویژه در دانشگاه تسینگهوا (چین)، که ثبتنام تجمعی در دورههای هوش مصنوعی و ML در سال ۲۰۱۷، شانزده برابر سال ۲۰۱۰ بود[1].
فعالیت در حوزه هوش مصنوعی تقریباً در همهجا در حال رشد است
رشد در انتشارات، دورهها، کنفرانسها، استارتاپها، تأمین مالی سرمایهگذاری خطرپذیر، ثبت اختراعات و سایر معیارها مشاهده میشود. عملکرد فناورانه در تمام زمینهها بهبود یافته است[1].
Machine Learning بهعنوان زیرشاخه غالب هوش مصنوعی
در سال ۲۰۱۷، ۵۶٪ از مقالات هوش مصنوعی در Scopus به دسته «Machine Learning و استدلال احتمالاتی» تعلق داشتند (در مقایسه با ۲۸٪ در سال ۲۰۱۰). ثبتنام در دورههای مقدماتی ML سریعتر از دورههای هوش مصنوعی بهطور کلی رشد کرد. کنفرانسهای NeurIPS و ICML، که به Machine Learning اختصاص دارند، بیشترین رشد در حضور و استقبال را نشان دادند[2].
تنوع جنسیتی همچنان مشکلی جدی است
بهطور میانگین، ۸۰٪ از اساتید هوش مصنوعی در دانشگاههای برتر (UC Berkeley، Stanford، UIUC، CMU، University College London، Oxford، ETH Zurich) مرد بودند. بهطور میانگین، ۷۱٪ از متقاضیان شغل مرتبط با هوش مصنوعی در ایالات متحده مرد بودند[1].
بخش ۱. حجم فعالیت: پژوهش
انتشارات
تعداد مقالات هوش مصنوعی در پلتفرم Scopus از سال ۱۹۹۶ هفت برابر شد، در حالی که مقالات علوم کامپیوتر (Computer Science) در همان دوره پنج برابر افزایش یافت. این نشان میدهد که رشد انتشارات هوش مصنوعی نهتنها به دلیل علاقه کلی به علوم کامپیوتر، بلکه به دلیل پویایی مستقل آن است[2].
توزیع منطقهای. اروپا بهطور پیوسته بزرگترین منطقه از نظر تعداد انتشارات در حوزه هوش مصنوعی بود: در سال ۲۰۱۷، ۲۸٪ از مقالات هوش مصنوعی در Scopus با نویسندگان اروپایی مرتبط بودند، پس از آن چین (۲۵٪) و ایالات متحده (۱۷٪) قرار داشتند. در عین حال، تعداد انتشارات از چین در دوره ۲۰۰۷ تا ۲۰۱۷ به میزان ۱۵۰٪ افزایش یافت[2].
زیردستهها. بیشترین رشد در دسته شبکههای عصبی مشاهده شد: نرخ رشد سالانه مرکب (CAGR) در دوره ۲۰۱۰–۲۰۱۴ برابر با ۳٪ و در دوره ۲۰۱۴–۲۰۱۷ برابر با ۳۷٪ بود. مقالات در پلتفرم arXiv نیز رشد سریعی نشان دادند: بینایی ماشین و تشخیص الگو از سال ۲۰۱۴ به بزرگترین زیردسته هوش مصنوعی در arXiv تبدیل شدند[3].
وابستگی بخشی. تعداد مقالات هوش مصنوعی مرتبط با سازمانهای دولتی چین در دوره ۲۰۰۷ تا ۲۰۱۷ به میزان ۴۰۰٪ افزایش یافت، در حالی که انتشارات شرکتی از چین تنها ۷۳٪ رشد کرد. در ایالات متحده، برعکس، سهم انتشارات شرکتی بهمراتب بالاتر بود: در سال ۲۰۱۷، نسبت مقالات شرکتی هوش مصنوعی در ایالات متحده ۶.۶ برابر بیشتر از چین و ۴.۱ برابر بیشتر از اروپا بود[2].
استناد. نویسندگان آمریکایی ۸۳٪ بیشتر از میانگین جهانی مورد استناد قرار گرفتند. اگرچه اروپا از نظر تعداد مطلق انتشارات پیشتاز بود، شاخص استناد آن در سطح میانگین جهانی باقی ماند. چین استناد خود را بهطور قابل توجهی افزایش داد: در سال ۲۰۱۶، نویسندگان چینی ۴۴٪ بیشتر از سال ۲۰۰۰ مورد استناد قرار گرفتند[2].
تحرک نویسندگان. نویسندگان تحرکپذیر (کسانی که خارج از منطقه اصلی خود منتشر میکنند) در مقایسه با نویسندگان «ثابت» (sedentary) از استناد و بهرهوری بالاتری برخوردار بودند. در میان سه منطقه، چین بیشترین سهم نویسندگان ثابت را داشت (۷۶٪)، پس از آن اروپا (۵۲٪) و ایالات متحده (۳۸٪) قرار داشتند[2].
کنفرانس AAAI. در کنفرانس AAAI 2018، حدود ۷۰٪ از مقالات ارائهشده و ۶۷٪ از مقالات پذیرفتهشده با ایالات متحده یا چین مرتبط بودند. اگرچه چین بیشترین تعداد مقاله را ارائه کرد، ایالات متحده و چین تعداد تقریباً برابری از مقالات پذیرفتهشده داشتند (به ترتیب ۲۶۸ و ۲۶۵). نرخ پذیرش برای ایالات متحده ۲۹٪ و برای چین ۲۱٪ بود[4].
ثبتنام در دورهها
دانشگاههای ایالات متحده. ثبتنام در دورههای مقدماتی ML در سال ۲۰۱۷ پنج برابر سال ۲۰۱۲ بود. در UC Berkeley این رشد ۶.۸ برابر بود. ثبتنام در دورههای مقدماتی هوش مصنوعی در همان دوره ۳.۶ برابر افزایش یافت. در عین حال، ۷۴ تا ۷۹٪ از دانشجویان دورههای مقدماتی هوش مصنوعی و ML در Stanford و Berkeley مرد بودند[1].
دانشگاههای بینالمللی. ثبتنام تجمعی در دورههای هوش مصنوعی+ML در دانشگاه تسینگهوا در سال ۲۰۱۷ شانزده برابر سال ۲۰۱۰ بود. رشد همچنین در دانشگاه ادینبورگ، USTC و SJTU (چین)، PUC (شیلی) و سایر دانشگاهها مشاهده شد[1].
شرکت در کنفرانسها
کنفرانسهای بزرگ. NeurIPS و ICML بیشترین رشد را نشان دادند: در سال ۲۰۱۸، حضور در NeurIPS ۴.۸ برابر سال ۲۰۱۲ و در ICML ۶.۸ برابر بود. این امر علاقه مستمر به Machine Learning را منعکس میکرد[1].
کنفرانسهای کوچک. حضور در ICLR (International Conference on Learning Representations) در سال ۲۰۱۸ بیست برابر سال ۲۰۱۲ بود — احتمالاً در نتیجه علاقه فزاینده به یادگیری عمیق و Reinforcement Learning[1].
| کنفرانس | حضور (۲۰۱۸، تقریبی) | رشد از سال ۲۰۱۲ |
|---|---|---|
| NeurIPS | ~8 000 | 4,8x |
| CVPR | ~6 500 | 2,5x |
| ICML | ~5 000 | 6,8x |
| ICLR | ~2 000 | 20x |
| IJCAI | ~3 000 | 1,5x |
| AAAI | ~3 500 | 2,0x |
سازمانهای فراگیر. تعداد ثبتنامها در کارگاه Women in Machine Learning (WiML) از سال ۲۰۱۴ به میزان ۶۰۰٪ افزایش یافت. تعداد فارغالتحصیلان AI4ALL (ابتکاری برای افزایش تنوع در هوش مصنوعی) از سال ۲۰۱۵ به میزان ۹۰۰٪ رشد کرد[5][6].
بارگیری نرمافزار رباتیک
بارگیریهای یکتای بستههای ROS (Robot Operating System) از سایت ROS.org از سال ۲۰۱۴ به میزان ۵۶۷٪ افزایش یافت. تعداد بازدید از صفحات ROS.org از چین در سال ۲۰۱۷ هجده برابر سال ۲۰۱۲ بود[7].
تنوع جنسیتی در دانشگاه
تحلیل هیئت علمی هوش مصنوعی در هفت دانشگاه برتر جهان نشان داد که بهطور میانگین ۸۰٪ از اساتید هوش مصنوعی مرد بودند. دانشگاههای مورد بررسی عبارت بودند از UC Berkeley، Stanford، UIUC، CMU، University College London، Oxford و ETH Zurich. تفاوت قابل توجهی بین مناطق مشاهده نشد[1].
بخش ۲. حجم فعالیت: صنعت
استارتاپها و سرمایهگذاریها
تعداد استارتاپهای فعال هوش مصنوعی در ایالات متحده که با سرمایهگذاری خطرپذیر پشتیبانی میشدند، از ژانویه ۲۰۱۵ تا ژانویه ۲۰۱۸ به میزان ۱۱۳٪ افزایش یافت، در حالی که تعداد کل استارتاپها تنها ۲۸٪ رشد کرد[8].
تأمین مالی سرمایهگذاری خطرپذیر استارتاپهای هوش مصنوعی در ایالات متحده از سال ۲۰۱۳ تا ۲۰۱۷ به میزان ۳۵۰٪ افزایش یافت، در حالی که کل تأمین مالی سرمایهگذاری خطرپذیر در همان دوره ۱۰۰٪ رشد کرد[8].
فرصتهای شغلی
یادگیری عمیق (deep learning) مهارتی بود که سریعترین رشد تقاضا را داشت: تعداد آگهیهای شغلی که مهارت یادگیری عمیق را میطلبیدند، از سال ۲۰۱۵ تا ۲۰۱۷ سی و چهار برابر شد. Machine Learning همچنان پُرتقاضاترین مهارت از نظر حجم مطلق بود[9].
توزیع جنسیتی. بهطور میانگین، مردان ۷۱٪ از مجموع متقاضیان مشاغل مرتبط با هوش مصنوعی در ایالات متحده را تشکیل میدادند. بیشترین تنوع جنسیتی در میان متقاضیان موقعیتهای مرتبط با یادگیری عمیق و رباتیک مشاهده شد[9].
ثبت اختراعات
در سال ۲۰۱۴، حدود ۳۰٪ از ثبت اختراعات در حوزه هوش مصنوعی در ایالات متحده ثبت شد، پس از آن کره جنوبی و ژاپن (هر کدام ۱۶٪) قرار داشتند. کره جنوبی و تایوان بیشترین رشد را نشان دادند: تعداد ثبت اختراعات هوش مصنوعی در سال ۲۰۱۴ تقریباً پنج برابر سال ۲۰۰۴ بود[10].
پذیرش هوش مصنوعی در شرکتها
بر اساس نظرسنجی McKinsey & Company (۲۱۳۵ پاسخدهنده)، رایجترین فناوریهای هوش مصنوعی، اتوماسیون فرآیند رباتیک و Machine Learning بودند. سازمانها معمولاً هوش مصنوعی را در آن عملکردهای تجاری پیادهسازی میکردند که در صنعت آنها بیشترین بازده را داشت: شرکتهای مالی هوش مصنوعی را بهطور گسترده در مدیریت ریسک، شرکتهای خودروسازی در تولید، و خردهفروشی در بازاریابی و فروش بهکار میبردند[11].
| منطقه | محبوبترین قابلیتهای هوش مصنوعی (٪ پاسخدهندگان) |
|---|---|
| آمریکای شمالی | اتوماسیون فرآیند رباتیک (۲۳٪)، Machine Learning (۲۳٪) |
| اروپا | اتوماسیون فرآیند رباتیک (۲۷٪)، Machine Learning (۲۱٪) |
| بازارهای نوظهور (شامل چین) | بینایی ماشین (۲۶٪)، اتوماسیون فرآیند رباتیک (۲۳٪) |
| هند | Machine Learning (۲۵٪)، اتوماسیون فرآیند رباتیک (۳۰٪) |
اشارات به هوش مصنوعی در گزارشهای شرکتی
اشارات به «هوش مصنوعی» و «Machine Learning» در گزارشهای سود شرکتهای معاملهشده در بورس اوراق بهادار نیویورک از سال ۲۰۱۵ بهشدت افزایش یافت. در بخش فناوری اطلاعات، NVIDIA با بیشترین تعداد اشاره به هوش مصنوعی پیشتاز بود (۹۳ اشاره در سال ۲۰۱۷)، پس از آن LivePerson (۵۰) و Pegasystems (44) قرار داشتند. از نظر تعداد اشارات به ML، Alphabet (57) پیشتاز بود[12].
نصب رباتهای صنعتی
چین از سال ۲۰۱۲ تا ۲۰۱۷ افزایش ۵۰۰ درصدی در نصب سالانه رباتهای صنعتی را تجربه کرد. کره جنوبی و اروپا به ترتیب ۱۰۵٪ و ۱۲۲٪ رشد در نصب داشتند. در میان بازارهای کوچکتر، تایوان بیشترین حجم و رشد را نشان داد[13].
نرمافزار متنباز
تحلیل ستارههای (stars) مخازن GitHub رشد قابل توجهی در محبوبیت frameworkهای پشتیبانیشده توسط شرکتهای بزرگ نشان داد: TensorFlow (Google)، PyTorch (Facebook)، MXNet (Amazon). TensorFlow از نظر محبوبیت بهطور قابل توجهی از سایر frameworkها پیش افتاد و تا سال ۲۰۱۸ به بیش از ۱۰۰٬۰۰۰ ستاره رسید[14].
بخش ۳. حجم فعالیت: علاقه عمومی
لحن پوشش رسانهای
مقالاتی که حاوی اصطلاح «هوش مصنوعی» بودند کمتر خنثی و بیشتر مثبت شدند: سهم مقالات مثبت از ۱۲٪ در ژانویه ۲۰۱۶ به ۳۰٪ در جولای ۲۰۱۶ افزایش یافت و تا سال ۲۰۱۸ در همین سطح باقی ماند[15].
اشارات در اسناد دولتی
اشارات به اصطلاحات «هوش مصنوعی» و «Machine Learning» در متن جلسات کنگره ایالات متحده، پارلمانهای کانادا و بریتانیا از سال ۲۰۱۶ بهشدت افزایش یافت. قابل توجه است که «Machine Learning» تا قبل از سال ۲۰۱۶ تقریباً در اسناد پارلمانی ذکر نمیشد[1].
بخش ۴. عملکرد فنی
بینایی ماشین: ImageNet
دقت. عملکرد روی ImageNet حتی پس از پایان مسابقه رسمی در سال ۲۰۱۷ به رشد خود ادامه داد. AI Index پیشرفت را بر اساس نتایج روی مجموعه داده اعتبارسنجی ImageNet 2012 ردیابی کرد. دقت طبقهبندی تصویر بهطور قابل توجهی از سطح انسانی (حدود ۵٪ خطا) فراتر رفت[16].
سرعت آموزش. زمان آموزش شبکه عصبی برای طبقهبندی تصاویر ImageNet از حدود ۶۰ دقیقه (ژوئن ۲۰۱۷) به ۳.۷ دقیقه (نوامبر ۲۰۱۸) کاهش یافت — شانزده برابر شتاب در طول یک و نیم سال. این امر هم نوآوریهای الگوریتمی و هم سرمایهگذاری در زیرساخت (سختافزار و نرمافزار) را منعکس میکرد[17].
| تاریخ | زمان آموزش ImageNet |
|---|---|
| ژوئن ۲۰۱۷ | ~60 دقیقه |
| نوامبر ۲۰۱۷ | ~30 دقیقه |
| نوامبر ۲۰۱۷ | ~15 دقیقه |
| جولای ۲۰۱۸ | ~6.6 دقیقه |
| نوامبر ۲۰۱۸ | ~3.7 دقیقه |
بینایی ماشین: COCO
در مسابقه COCO (Common Objects in Context) برای تقسیمبندی اشیاء، بالاترین میانگین دقت از سال ۲۰۱۵ تا ۲۰۱۸ به میزان ۷۲٪ افزایش یافت (از ۰.۲۸ به ۰.۴۸). جامعه بینایی ماشین از وظایف نسبتاً ساده (طبقهبندی) به وظایف پیچیدهتر (مکانیابی اشیاء با دقت پیکسلی، تقسیمبندی معنایی) گذار کرد[18].
پردازش زبان طبیعی: تجزیه
معیار F1 برای تجزیه نحوی جملات (Penn Treebank) از سال ۲۰۰۳ تا ۲۰۱۸ به میزان ۹ نقطه درصد افزایش یافت (از حدود ۸۶٪ به حدود ۹۵٪). تجزیه تقریباً بهطور کامل از روشهایی مشابه تجزیه زبانهای برنامهنویسی به روشهای مبتنی بر یادگیری عمیق گذار کرد[19].
ترجمه ماشینی
امتیازات BLEU برای ترجمه از انگلیسی به آلمانی در مسابقه WMT نسبت به سال ۲۰۰۸ به میزان ۳.۵ برابر افزایش یافت؛ برای ترجمه از آلمانی به انگلیسی — ۲.۵ برابر. پیشرفت به دلیل معماری Transformer و استفاده مؤثرتر از دادهها حاصل شد[20].
سیستمهای پرسش و پاسخ: ARC
در benchmark ایآی۲ AI2 Reasoning Challenge (ARC)، که توسط Allen Institute for AI در آوریل ۲۰۱۸ منتشر شد، عملکرد روی Challenge Set (سؤالات دشوار سطح کلاسهای ۳–۹ مدارس آمریکایی) از ۲۷٪ به ۴۲٪ بهبود یافت، و روی Easy Set از ۶۳٪ به ۶۹٪ در دوره آوریل تا نوامبر ۲۰۱۸[21].
سیستمهای پرسش و پاسخ: GLUE
benchmark GLUE (General Language Understanding Evaluation)، که در مه ۲۰۱۸ منتشر شد، برای آزمایش سیستمهای فهم زبان طبیعی در نه زیروظیفه طراحی شده بود. علیرغم اینکه benchmark کمتر از شش ماه وجود داشت، عملکرد از قبل تقریباً نیمی از فاصله بین اولین معیار پایه منتشرشده و سطح تخمینی انسان (~۹۰٪) را کاهش داده بود. مدل BERT از Google به استاندارد جدید تبدیل شد — در اولین ماه پس از انتشار هشت بار مورد استناد قرار گرفت[22][23].
بخش ۵. معیارهای مشتق
پویایی «دانشگاه — صنعت»
برای بررسی رابطه بین فعالیت دانشگاهی و صنعتی در هوش مصنوعی، نویسندگان سه شاخص نرمالشده را مقایسه کردند: انتشارات در Scopus، ثبتنام در دورههای هوش مصنوعی/ML در دانشگاههای ایالات متحده و سرمایهگذاری خطرپذیر در استارتاپهای هوش مصنوعی. هر سه معیار از سال ۲۰۱۰ رشد نشان دادند، اما سرمایهگذاری خطرپذیر بهمراتب سریعتر از سایرین رشد کرد[1].
شاخص پویایی هوش مصنوعی (AI Vibrancy Index)
شاخص پویایی سه معیار (انتشارات، ثبتنامها، سرمایهگذاری خطرپذیر) را در یک شاخص واحد نرمالشده نسبت به سال ۲۰۱۰ تجمیع کرد. تا سال ۲۰۱۷، این شاخص تقریباً ۷ تا ۹ برابر نسبت به مقدار پایه سال ۲۰۱۰ رشد کرده بود، که عمدتاً به دلیل رشد تأمین مالی سرمایهگذاری خطرپذیر بود[1].
بخش ۶. ابتکارات دولتی
گزارش برای اولین بار مروری بر ابتکارات دولتی در حوزه هوش مصنوعی در سه منطقه ارائه کرد[1][24]:
ایالات متحده
در اکتبر ۲۰۱۶، دولت اوباما استراتژی ملی هوش مصنوعی را پیشنهاد کرد و اولین گزارش سیاستی درباره آمادهسازی برای آینده هوش مصنوعی (Preparing for the Future of Artificial Intelligence) را منتشر کرد. در مه ۲۰۱۸، دولت ترامپ اجلاس هوش مصنوعی را برگزار کرد و کمیته ویژه هوش مصنوعی را تشکیل داد. در سپتامبر ۲۰۱۸، DARPA برنامه سرمایهگذاری بیش از ۲ میلیارد دلار در برنامه AI Next را اعلام کرد. شرکتهای خصوصی نقش محوری داشتند: در سال ۲۰۱۷، Amazon و Alphabet به ترتیب ۱۶.۱ میلیارد و ۱۳.۹ میلیارد دلار در R&D سرمایهگذاری کردند — بهمراتب بیشتر از بودجه مجموع NSF، DARPA و DOT (حدود ۵.۳ میلیارد دلار)[1].
اروپا
در آوریل ۲۰۱۸، کشورهای عضو اتحادیه اروپا اعلامیه همکاری در حوزه هوش مصنوعی را امضا کردند، و کمیسیون اروپا ۱.۵ میلیارد یورو برای حمایت از پژوهش هوش مصنوعی در سالهای ۲۰۱۸–۲۰۲۰ اختصاص داد (علاوه بر ۲.۶ میلیارد یورو از برنامه Horizon 2020). هدف جذب ۲۰ میلیارد یورو سرمایهگذاری در هوش مصنوعی در ۱۰ سال بود. بریتانیا AI Sector Deal با سرمایهگذاری ۹۵۰ میلیون پوندی منتشر کرد. فرانسه سه گزارش منتشر کرد، از جمله «Mission Villani» که به سیاست، جلوگیری از فرار مغزها و تنوع در هوش مصنوعی اختصاص داشت[25].
چین
از سال ۲۰۱۴، دولت چین مجموعهای از ابتکارات ملی را با هدف ایجاد بازار هوش مصنوعی به ارزش ۱۴.۷ میلیارد دلار تا سال ۲۰۱۸ و تضمین رهبری جهانی چین در هوش مصنوعی تا سال ۲۰۳۰ آغاز کرد. سند کلیدی «برنامه توسعه هوش مصنوعی نسل جدید» (جولای ۲۰۱۷) بود که دستیابی به سطح کشورهای پیشرفته تا سال ۲۰۲۰، پیشرفتهای بزرگ تا سال ۲۰۲۵ و مقام مرکز جهانی نوآوری در هوش مصنوعی تا سال ۲۰۳۰ را پیشبینی میکرد[26].
بخش ۷. دستاوردهای در سطح تواناییهای انسانی
گزارش گاهشمار مواردی را که هوش مصنوعی به سطح انسانی رسیده یا از آن فراتر رفته بود ادامه داد. در سال ۲۰۱۸ چهار دستاورد جدید اضافه شدند[1]:
| سال | دستاورد | توضیح |
|---|---|---|
| 1980 | Othello | برنامه BILL (کو-فو لی و س. ماهاجان) بهترین بازیکن آمریکایی را شکست میدهد؛ در سال ۱۹۹۷ Logistello قهرمان جهان را شکست خواهد داد |
| 1995 | داما | برنامه Chinook قهرمان جهان را شکست میدهد |
| 1997 | شطرنج | IBM DeepBlue گری کاسپاروف را شکست میدهد |
| 2011 | Jeopardy! | IBM Watson قهرمانان Brad Rutter و Ken Jennings را شکست میدهد |
| 2015 | Atari | DeepMind در ۴۹ بازی Atari به سطح انسانی میرسد |
| 2016 | Go | AlphaGo لی سدول را شکست میدهد (4–1)؛ AlphaGo Zero با نتیجه 100–0 AlphaGo را شکست میدهد |
| 2016 | تشخیص اشیاء (ImageNet) | نرخ خطای طبقهبندی از ۲۸٪ (2010) به کمتر از ۳٪ در مقایسه با سطح انسانی ~۵٪ کاهش یافت |
| 2017 | تشخیص گفتار (Switchboard) | Microsoft و IBM به سطح نزدیک به دقت انسانی میرسند |
| 2017 | پوکر | Libratus (CMU) چهار بازیکن حرفهای را در ۱۲۰٬۰۰۰ دست شکست میدهد؛ DeepStack (آلبرتا) ۱۱ حرفهای را شکست میدهد |
| 2017 | طبقهبندی سرطان پوست | سیستم هوش مصنوعی (Esteva et al., Nature) به سطح ۲۱ متخصص پوست گواهیدار میرسد |
| 2017 | Ms. Pac-Man | تیم Maluuba (Microsoft) در Atari 2600 به حداکثر امتیاز ۹۹۹٬۹۰۰ میرسد |
| 2018 | Capture the Flag | عامل DeepMind در نسخه اصلاحشده Quake III Arena CTF به سطح انسانی میرسد |
| 2018 | Dota 2 | OpenAI Five تیمهای آماتور را شکست میدهد (با محدودیتهایی)، اما در برابر حرفهایها شکست میخورد |
| 2018 | درجهبندی سرطان پروستات | سیستم Google به دقت کلی ۷۰٪ در مقابل ۶۱٪ پاتولوژیستها میرسد |
| 2018 | ترجمه چینی — انگلیسی | سیستم Microsoft بر روی مجموعه داده newstest2017 به سطح انسانی میرسد |
نویسندگان گزارش تأکید کردند که این نتایج را نباید بیش از حد ارزیابی کرد: وظایف تخصصی و محدود بودند، و دستاوردها دلالتی بر توانایی سیستمها برای تعمیم نداشتند[1].
بخش ۸. چه چیزی کم است؟ (What's Missing?)
این بخش نظرات سه متخصص درباره جهتهای توسعه شاخص را ارائه کرد[1].
فرانچسکا روسی (IBM، دانشگاه پادوا) پیشنهاد کرد معیارهایی برای استدلال منطقی (common sense reasoning)، فهم عمیق زبان طبیعی، همکاری انسان و ماشین (نه رویارویی)، ترکیب Machine Learning با هوش مصنوعی نمادین و استنتاج علت و معلولی (causality) اضافه شود[1].
رودنی بروکس (MIT) بر محدودیت معیار رباتهای صنعتی تأکید کرد، که اغلب فاقد مؤلفههای هوش مصنوعی هستند. وی پیشنهاد کرد رباتهای دارای مؤلفه هوش مصنوعی ردیابی شوند: پهپادها (SLAM و سایر الگوریتمها)، رباتهای خانگی (Roomba) و رباتهای اجتماعی بالقوه[1].
توبی والش (UNSW Sydney، TU Berlin) بر ضرورت معیارهای کمّی برای اندازهگیری سرمایهگذاریهای دولتی و خصوصی رو به رشد (بریتانیا — ۱ میلیارد پوند، فرانسه — ۱.۵ میلیارد یورو، آلمان — ۳ میلیارد یورو، Alibaba — ۱۵ میلیارد دلار)، و همچنین برای ردیابی کاربردهای نظامی هوش مصنوعی، از جمله سلاحهای خودمختار، تأکید کرد[1].
روششناسی
گزارش از دادههای منابع متعددی استفاده کرد[1]:
- انتشارات: Elsevier Scopus (~۷۰ میلیون سند، ~۸۰۰ کلیدواژه هوش مصنوعی)، arXiv.org.
- کنفرانسها: AAAI، NeurIPS، ICML، CVPR، ICLR، IJCAI، ACL، ICRA، ICAPS، UAI، KR، AAMAS، WiML، AI4ALL.
- دورهها: دادههای مستقیم از دانشگاهها (۱۷ دانشگاه در ۱۰ کشور).
- استارتاپها و سرمایهگذاریها: Sand Hill Econometrics (Dow Jones VentureSource)، Crunchbase API.
- فرصتهای شغلی: Monster.com، Gartner TalentNeuron.
- ثبت اختراعات: amplified (کدهای IPC: Cognition and meaning understanding، Human-interface technology).
- پذیرش هوش مصنوعی: McKinsey & Company (نظرسنجی با ۲۱۳۵ پاسخدهنده).
- گزارشهای شرکتی: Prattle (تحلیل متن گزارشهای سود از FactSet).
- رباتیک: International Federation of Robotics (IFR)، ROS.org.
- رسانه: TrendKite (تحلیل لحن مقالات).
- دولت: Congressional Record (ایالات متحده)، Hansards (بریتانیا و کانادا)، McKinsey Global Institute.
- benchmarkها: ImageNet (LSVRC)، COCO، Penn Treebank، WMT (EuroMatrix)، ARC (Allen Institute for AI)، GLUE.
تیم نویسندگان
گزارش توسط کمیته راهبری AI Index به ریاست یوآو شوهام (Yoav Shoham، دانشگاه استنفورد) با مشارکت ریموند پرو (Raymond Perrault، SRI International)، اریک برینیولفسون (Erik Brynjolfsson، MIT)، جک کلارک (Jack Clark، OpenAI)، جیمز مانیکا (James Manyika، McKinsey Global Institute)، خوان کارلوس نیبلس (Juan Carlos Niebles، دانشگاه استنفورد)، ترا لیونز (Terah Lyons، Partnership on AI)، جان اچمندی (John Etchemendy، دانشگاه استنفورد) و باربارا گروس (Barbara Grosz، دانشگاه هاروارد) تهیه شد. مدیر پروژه زوئی بائر (Zoe Bauer) بود. AI Index در ابتدا در چارچوب پروژه One Hundred Year Study on AI (AI100) شکل گرفت و متعاقباً در مؤسسه HAI استنفورد (Human-Centered AI) جای گرفت[1].
زمینه و اهمیت
AI Index Report 2018 مرحله مهمی در توسعه پایش نظاممند پیشرفت هوش مصنوعی بود. این گزارش تعدادی از لحظات تحولآفرین را ثبت کرد: توسعه شتابان یادگیری عمیق و تسلط آن در میان رویکردهای هوش مصنوعی، گذار جامعه بینایی ماشین به وظایف پیچیدهتر پس از «اشباع» ImageNet، تأثیر انقلابی مدل BERT بر پردازش زبان طبیعی، و رشد بیسابقه مشارکت صنعت در توسعه سیستمهای پیشرفته هوش مصنوعی. این گزارش همچنین برای اولین بار بهصورت نظاممند «رقابت» دولتها در تأمین مالی و برنامهریزی راهبردی هوش مصنوعی را مستند کرد — روندی که توسعه این حوزه را در سالهای بعد تعیین خواهد کرد[1].
پیوندها
- Stanford HAI — AI Index (تمام گزارشها): https://aiindex.stanford.edu/report/
- AI Index 2018 Report (متن کامل، PDF): https://aiindex.stanford.edu/wp-content/uploads/2019/01/2018-Artificial-Intelligence-Index.pdf
- Elsevier Scopus — پایگاه داده انتشارات علمی: https://www.scopus.com/
- Elsevier AI Resource Center: https://www.elsevier.com/connect/the-rise-of-artificial-intelligence-in-6-charts
- arXiv.org — آرشیو پیشچاپهای علمی: https://arxiv.org/
- ImageNet (LSVRC): https://image-net.org/challenges/LSVRC/
- COCO — Common Objects in Context: https://cocodataset.org/
- GLUE Benchmark: https://gluebenchmark.com/
- ARC — AI2 Reasoning Challenge: https://allenai.org/data/arc
- WMT — Workshop on Machine Translation / EuroMatrix: http://www.statmt.org/
- McKinsey & Company — نظرسنجی پذیرش هوش مصنوعی: https://www.mckinsey.com/featured-insights/artificial-intelligence
- International Federation of Robotics: https://ifr.org/
- ROS.org — Robot Operating System: https://www.ros.org/
- Sand Hill Econometrics: https://www.sandhillecon.com/
- Partnership on AI: https://partnershiponai.org/
- Women in Machine Learning (WiML): https://wimlworkshop.org/
- AI4ALL: https://ai-4-all.org/
- Tim Dutton — مروری بر استراتژیهای ملی هوش مصنوعی: https://medium.com/politics-ai/an-overview-of-national-ai-strategies-2a70ec6edfd
- NLP Progress — ردیابی پیشرفت در NLP: https://nlpprogress.com/
منابع
- Shoham, Y., Perrault, R., Brynjolfsson, E., Clark, J., Manyika, J., Niebles, J.C., Lyons, T., Etchemendy, J., Grosz, B. and Bauer, Z. (2018). The AI Index 2018 Annual Report. AI Index Steering Committee, Human-Centered AI Initiative, Stanford University. https://aiindex.stanford.edu/wp-content/uploads/2019/01/2018-Artificial-Intelligence-Index.pdf
- Elsevier (2018). Artificial Intelligence: How knowledge is created, transferred, and used. https://www.elsevier.com/connect/the-rise-of-artificial-intelligence-in-6-charts
- Devlin, J. et al. (2018). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. https://arxiv.org/abs/1810.04805
- Wang, A. et al. (2018). GLUE: A Multi-Task Benchmark and Analysis Platform for Natural Language Understanding. https://arxiv.org/abs/1804.07461
- Clark, P. et al. (2018). Think you have Solved Question Answering? Try ARC, the AI2 Reasoning Challenge. https://arxiv.org/abs/1803.05457
- Esteva, A. et al. (2017). Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542(7639). https://doi.org/10.1038/nature21056
- Silver, D. et al. (2017). Mastering the game of Go without human knowledge. Nature, 550(7676). https://doi.org/10.1038/nature24270
- Jaderberg, M. et al. (2018). Human-level performance in first-person multiplayer games with population-based deep reinforcement learning. https://arxiv.org/abs/1807.01281
- OpenAI (2018). OpenAI Five. https://openai.com/blog/openai-five/
- Hassan, H. et al. (2018). Achieving Human Parity on Automatic Chinese to English News Translation. https://arxiv.org/abs/1803.05567
- McKinsey & Company (2018). Notes from the AI frontier: AI adoption advances, but foundational barriers remain. https://www.mckinsey.com/featured-insights/artificial-intelligence/notes-from-the-ai-frontier-ai-adoption-advances-but-foundational-barriers-remain
- International Federation of Robotics (2017). World Robotics Report 2017. https://ifr.org/worldrobotics/
- Dutton, T. (2018). An Overview of National AI Strategies. https://medium.com/politics-ai/an-overview-of-national-ai-strategies-2a70ec6edfd
- State Council of the People's Republic of China (2017). New Generation Artificial Intelligence Development Plan. https://flia.org/notice-state-council-issuing-new-generation-artificial-intelligence-development-plan/
- European Commission (2018). Communication on Artificial Intelligence for Europe. https://ec.europa.eu/digital-single-market/en/artificial-intelligence
- Russakovsky, O. et al. (2015). ImageNet Large Scale Visual Recognition Challenge. International Journal of Computer Vision, 115(3). https://doi.org/10.1007/s11263-015-0816-y
- He, K. et al. (2015). Deep Residual Learning for Image Recognition. https://arxiv.org/abs/1512.03385
یادداشتها
- ↑ 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 Shoham, Y., Perrault, R., Brynjolfsson, E., Clark, J., Manyika, J., Niebles, J.C., Lyons, T., Etchemendy, J., Grosz, B. and Bauer, Z. (2018). The AI Index 2018 Annual Report. AI Index Steering Committee, Human-Centered AI Initiative, Stanford University. https://aiindex.stanford.edu/wp-content/uploads/2019/01/2018-Artificial-Intelligence-Index.pdf
- ↑ 2.0 2.1 2.2 2.3 2.4 2.5 Elsevier (2018). Artificial Intelligence: How knowledge is created, transferred, and used. https://www.elsevier.com/connect/the-rise-of-artificial-intelligence-in-6-charts
- ↑ arXiv.org (2018). Submission statistics. https://arxiv.org/stats/yearly_submissions
- ↑ AAAI (2018). AAAI 2018 Conference Proceedings. https://aaai.org/aaai-conference/
- ↑ Women in Machine Learning (WiML) (2018). Workshop data. https://wimlworkshop.org/
- ↑ AI4ALL (2018). Program data. https://ai-4-all.org/
- ↑ ROS.org (2018). ROS Community Metrics Report. https://metrics.ros.org/
- ↑ 8.0 8.1 Sand Hill Econometrics (2018). AI Startup and VC Funding Data. Dow Jones VentureSource.
- ↑ 9.0 9.1 Monster.com / Gartner TalentNeuron (2018). AI Job Openings Data. https://www.monster.com/
- ↑ amplified (2018). AI Patent Data. https://www.amplified.ai/
- ↑ McKinsey & Company (2018). Notes from the AI frontier: AI adoption advances, but foundational barriers remain. https://www.mckinsey.com/featured-insights/artificial-intelligence/notes-from-the-ai-frontier-ai-adoption-advances-but-foundational-barriers-remain
- ↑ Prattle (2018). Earnings call analysis data. FactSet.
- ↑ International Federation of Robotics (2018). World Robotics Report 2017. https://ifr.org/worldrobotics/
- ↑ GitHub Archive / Google BigQuery (2018). GitHub repository stars data. https://github.com/
- ↑ TrendKite (2018). Media sentiment analysis data. https://www.trendkite.com/
- ↑ ImageNet (2018). LSVRC leaderboard and validation results. https://image-net.org/challenges/LSVRC/
- ↑ DAWNBench / Stanford (2018). ImageNet training time results. https://dawn.cs.stanford.edu/benchmark/
- ↑ COCO (2018). Instance Segmentation Leaderboard. https://cocodataset.org/#detection-leaderboard
- ↑ Penn Treebank (2018). Section 23 parsing results. See NLPProgress: https://nlpprogress.com/english/constituency_parsing.html
- ↑ Workshop on Machine Translation / EuroMatrix (2018). WMT News Translation Task results. http://www.statmt.org/wmt18/
- ↑ Clark, P. et al. (2018). Think you have Solved Question Answering? Try ARC, the AI2 Reasoning Challenge. https://arxiv.org/abs/1803.05457
- ↑ Wang, A. et al. (2018). GLUE: A Multi-Task Benchmark and Analysis Platform for Natural Language Understanding. https://arxiv.org/abs/1804.07461
- ↑ Devlin, J. et al. (2018). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. https://arxiv.org/abs/1810.04805
- ↑ Dutton, T. (2018). An Overview of National AI Strategies. https://medium.com/politics-ai/an-overview-of-national-ai-strategies-2a70ec6edfd
- ↑ European Commission (2018). Communication on Artificial Intelligence for Europe. https://ec.europa.eu/digital-single-market/en/artificial-intelligence
- ↑ State Council of the People's Republic of China (2017). New Generation Artificial Intelligence Development Plan. https://flia.org/notice-state-council-issuing-new-generation-artificial-intelligence-development-plan/