The 2018 AI Index Report (PL)

AI Index Report 2018 — drugie coroczne wydanie raportu AI Index, przygotowane przez Komitet Sterujący AI Index przy Uniwersytecie Stanforda w grudniu 2018 roku. Misją projektu AI Index jest zapewnienie dyskusji o sztucznej inteligencji obiektywnych danych. Raport z 2018 roku różni się od pierwszego wydania (2017) znaczącym rozszerzeniem zasięgu globalnego: o ile poprzedni raport był zorientowany głównie na problematykę północnoamerykańską, wydanie z 2018 roku dąży do uwzględnienia danych z Europy, Chin, Korei Południowej, Japonii i innych regionów świata. Raport śledzi, systematyzuje i wizualizuje dane związane ze sztuczną inteligencją, dostarczając informacji dla polityków, badaczy, menedżerów, dziennikarzy i szerokiej opinii publicznej.

Struktura raportu

Raport z 2018 roku składa się z czterech głównych sekcji:

1. Dane: wolumen aktywności (Volume of Activity) — publikacje, rejestracje na kursy, uczestnictwo w konferencjach, pobieranie oprogramowania robotycznego, startupy i inwestycje, oferty pracy, patenty, wdrożenie AI w firmach, wzmianki w raportach o zyskach, instalacje robotów, projekty open source, zainteresowanie społeczne.
2. Dane: wydajność techniczna (Technical Performance) — computer vision, przetwarzanie języka naturalnego, tłumaczenie maszynowe, systemy pytań i odpowiedzi.
3. Dodatkowe metryki (Other Measures) — wskaźniki pochodne, inicjatywy rządowe, osiągnięcia na poziomie ludzkich zdolności.
4. Załącznik (Appendix) — pełny opis źródeł, metodologii i niuansów.

Kluczowe wnioski raportu

Autorzy raportu z 2018 roku sformułowali kilka głównych tez:

AI — zjawisko globalne

83% artykułów dotyczących AI w bazie danych Scopus za rok 2017 zostało opublikowanych przez autorów spoza USA. 28% wszystkich artykułów na temat AI przypadało na Europę — najwyższy wskaźnik spośród wszystkich regionów świata. Liczba studentów zapisujących się na kursy z zakresu AI i Machine Learning rosła na całym świecie, szczególnie wyraźnie — na Uniwersytecie Tsinghua (Chiny), gdzie łączna liczba rejestracji na kursy AI i ML w 2017 roku była 16 razy większa niż w 2010 roku.

Aktywność w dziedzinie AI rośnie niemal wszędzie

Wzrost obserwowany jest w publikacjach, kursach, konferencjach, startupach, finansowaniu venture capital, patentach i innych metrykach. Wydajność technologiczna poprawia się we wszystkich obszarach.

Machine Learning dominuje jako poddziedzina AI

W 2017 roku 56% artykułów dotyczących AI w Scopus należało do kategorii „Machine Learning i wnioskowanie probabilistyczne" (w porównaniu z 28% w 2010 roku). Liczba rejestracji na kursy wprowadzające do ML rosła szybciej niż na kursy AI ogólnie. Konferencje NeurIPS i ICML poświęcone Machine Learning notowały największy wzrost frekwencji.

Różnorodność płci pozostaje poważnym problemem

Średnio 80% profesorów AI na czołowych uniwersytetach (UC Berkeley, Stanford, UIUC, CMU, University College London, Oxford, ETH Zurich) stanowili mężczyźni. Średnio 71% kandydatów ubiegających się o stanowiska związane z AI w USA stanowili mężczyźni.

Sekcja 1. Wolumen aktywności: Badania

Publikacje

Liczba artykułów dotyczących AI na platformie Scopus wzrosła 7-krotnie od 1996 roku, podczas gdy artykuły z zakresu informatyki (Computer Science) wzrosły 5-krotnie w tym samym okresie. Świadczy to o tym, że wzrost publikacji dotyczących AI wynika nie tylko z ogólnego zainteresowania informatyką, lecz ma własną dynamikę.

Rozkład regionalny. Europa stale pozostawała największym regionem pod względem liczby publikacji w dziedzinie AI: w 2017 roku 28% artykułów dotyczących AI w Scopus było powiązanych z autorami europejskimi, za nimi plasowały się Chiny (25%) i USA (17%). Liczba publikacji z Chin wzrosła o 150% w latach 2007–2017.

Podkategorie. Największy wzrost odnotowano w kategorii sieci neuronowych: średnioroczne tempo wzrostu (CAGR) wynosiło 3% w latach 2010–2014 i 37% w latach 2014–2017. Artykuły na platformie arXiv również wykazywały dynamiczny wzrost: computer vision i rozpoznawanie wzorców stały się największą podkategorią AI na arXiv od 2014 roku.

Przynależność sektorowa. Liczba artykułów dotyczących AI powiązanych z chińskimi organizacjami rządowymi wzrosła o 400% w latach 2007–2017, podczas gdy publikacje korporacyjne z Chin wzrosły jedynie o 73%. W USA udział publikacji korporacyjnych był znacznie wyższy: w 2017 roku proporcja korporacyjnych artykułów dotyczących AI w USA była 6,6 razy większa niż w Chinach i 4,1 razy większa niż w Europie.

Cytowalność. Autorzy z USA byli cytowani o 83% częściej niż średnia światowa. Choć Europa prowadziła pod względem bezwzględnej liczby publikacji, jej wskaźnik cytowalności pozostawał na poziomie średniej światowej. Chiny znacząco poprawiły swoją cytowalność: w 2016 roku chińscy autorzy byli cytowani o 44% częściej niż w 2000 roku.

Mobilność autorów. Mobilni autorzy (publikujący poza swoim macierzystym regionem) wykazywali wyższą cytowalność i produktywność w porównaniu z autorami „osiadłymi" (sedentary). Spośród trzech regionów Chiny miały największy udział autorów osiadłych (76%), za nimi plasowała się Europa (52%) i USA (38%).

Konferencja AAAI. Na konferencji AAAI 2018 około 70% złożonych i 67% przyjętych artykułów było powiązanych z USA lub Chinami. Choć Chiny złożyły największą liczbę artykułów, USA i Chiny miały niemal jednakową liczbę przyjętych prac (odpowiednio 268 i 265). Wskaźnik przyjęć dla USA wyniósł 29%, dla Chin — 21%.

Rejestracje na kursy

Uniwersytety USA. Liczba rejestracji na kursy wprowadzające do ML w 2017 roku była 5 razy większa niż w 2012 roku. Na UC Berkeley wzrost wyniósł 6,8 razy. Liczba rejestracji na kursy wprowadzające do AI wzrosła 3,6 razy w tym samym okresie. Przy tym 74–79% studentów na kursach wprowadzających do AI i ML na Stanford i Berkeley stanowili mężczyźni.

Uniwersytety międzynarodowe. Łączna liczba rejestracji na kursy AI+ML na Uniwersytecie Tsinghua w 2017 roku przewyższała wskaźnik z 2010 roku 16-krotnie. Wzrost odnotowano również na Uniwersytecie w Edynburgu, USTC i SJTU (Chiny), PUC (Chile) i innych uczelniach.

Uczestnictwo w konferencjach

Główne konferencje. NeurIPS i ICML odnotowały największy wzrost: w 2018 roku frekwencja na NeurIPS była 4,8 razy wyższa niż w 2012 roku, a na ICML — 6,8 razy. Odzwierciedlało to utrzymujące się zainteresowanie Machine Learning.

Mniejsze konferencje. Frekwencja na ICLR (International Conference on Learning Representations) w 2018 roku była 20 razy wyższa niż w 2012 roku — prawdopodobnie w wyniku rosnącego zainteresowania deep learning i Reinforcement Learning.

Konferencja	Frekwencja (2018, przybliżona)	Wzrost od 2012 roku
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

Organizacje na rzecz inkluzji. Liczba rejestracji na warsztaty Women in Machine Learning (WiML) wzrosła o 600% od 2014 roku. Liczba absolwentów AI4ALL (inicjatywa na rzecz zwiększenia różnorodności w AI) wzrosła o 900% od 2015 roku.

Pobieranie oprogramowania robotycznego

Unikalne pobrania pakietów ROS (Robot Operating System) ze strony ROS.org wzrosły o 567% od 2014 roku. Liczba odsłon strony ROS.org z Chin w 2017 roku była 18 razy wyższa niż w 2012 roku.

Różnorodność płci w środowisku akademickim

Analiza wydziałów AI na siedmiu czołowych uniwersytetach świata wykazała, że średnio 80% profesorów AI stanowili mężczyźni. Wśród uczelni znalazły się UC Berkeley, Stanford, UIUC, CMU, University College London, Oxford i ETH Zurich. Nie stwierdzono istotnych różnic między regionami.

Sekcja 2. Wolumen aktywności: Przemysł

Startupy i inwestycje

Liczba aktywnych startupów AI w USA wspieranych przez venture capital wzrosła o 113% od stycznia 2015 do stycznia 2018 roku, podczas gdy ogólna liczba startupów wzrosła jedynie o 28%.

Finansowanie venture capital startupów AI w USA wzrosło o 350% w latach 2013–2017, podczas gdy ogólne finansowanie venture capital wzrosło o 100% w tym samym okresie.

Oferty pracy

Deep learning był umiejętnością o najszybszym wzroście popytu: liczba ofert pracy wymagających umiejętności z zakresu deep learning wzrosła 34-krotnie w latach 2015–2017. Machine Learning pozostawał najbardziej poszukiwaną umiejętnością pod względem wolumenu bezwzględnego.

Rozkład według płci. Średnio mężczyźni stanowili 71% puli kandydatów ubiegających się o stanowiska związane z AI w USA. Największą różnorodność płci odnotowano wśród kandydatów na stanowiska związane z deep learning i robotyką.

Patenty

W 2014 roku około 30% patentów w dziedzinie AI zostało zarejestrowanych w USA, za którymi plasowały się Korea Południowa i Japonia (po 16%). Korea Południowa i Tajwan odnotowały największy wzrost: liczba patentów AI w 2014 roku była niemal 5 razy większa niż w 2004 roku.

Wdrożenie AI w firmach

Zgodnie z danymi z badania McKinsey & Company (2 135 respondentów), najpowszechniejszymi technologiami AI były robotyczna automatyzacja procesów i Machine Learning. Organizacje zazwyczaj wdrażały AI w tych funkcjach biznesowych, które przynosiły największy zwrot w ich branży: firmy finansowe aktywnie stosowały AI w zarządzaniu ryzykiem, motoryzacyjne — w produkcji, handel detaliczny — w marketingu i sprzedaży.

Region	Najpopularniejsze możliwości AI (% respondentów)
Ameryka Północna	Robotyzacja procesów (23%), Machine Learning (23%)
Europa	Robotyzacja procesów (27%), Machine Learning (21%)
Rynki wschodzące (w tym Chiny)	Computer vision (26%), robotyzacja procesów (23%)
Indie	Machine Learning (25%), robotyzacja procesów (30%)

Wzmianki o AI w raportach korporacyjnych

Wzmianki o „sztucznej inteligencji" i „Machine Learning" w raportach o zyskach spółek notowanych na Nowojorskiej Giełdzie Papierów Wartościowych gwałtownie wzrosły od 2015 roku. W sektorze IT liderem pod względem liczby wzmianek o AI została NVIDIA (93 wzmianki w 2017 roku), za nią plasowały się LivePerson (50) i Pegasystems (44). Pod względem liczby wzmianek o ML prowadził Alphabet (57).

Instalacja robotów przemysłowych

Chiny odnotowały 500-procentowy wzrost rocznych instalacji robotów przemysłowych w latach 2012–2017. Korea Południowa i Europa zwiększyły instalacje odpowiednio o 105% i 122%. Wśród mniejszych rynków Tajwan wykazał największy wolumen i wzrost.

Oprogramowanie open source

Analiza gwiazdek (stars) repozytoriów GitHub wykazała znaczący wzrost popularności frameworków wspieranych przez duże firmy: TensorFlow (Google), PyTorch (Facebook), MXNet (Amazon). TensorFlow znacznie wyprzedzał pozostałe frameworki pod względem popularności, osiągając ponad 100 000 gwiazdek do 2018 roku.

Sekcja 3. Wolumen aktywności: Zainteresowanie społeczne

Ton przekazu medialnego

Artykuły zawierające termin „sztuczna inteligencja" stały się mniej neutralne i bardziej pozytywne: udział artykułów pozytywnych wzrósł z 12% w styczniu 2016 roku do 30% w lipcu 2016 roku i utrzymywał się na tym poziomie do 2018 roku.

Wzmianki w dokumentach rządowych

Wzmianki o terminach „sztuczna inteligencja" i „Machine Learning" w stenogramach Kongresu USA, parlamentów Kanady i Wielkiej Brytanii gwałtownie wzrosły od 2016 roku. Warto zauważyć, że „Machine Learning" niemal nie pojawiało się w dokumentach parlamentarnych przed 2016 rokiem.

Sekcja 4. Wydajność techniczna

Computer vision: ImageNet

Dokładność. Wydajność na ImageNet nadal rosła nawet po zakończeniu oficjalnego konkursu w 2017 roku. AI Index śledził postęp na podstawie wyników na zbiorze walidacyjnym ImageNet 2012. Dokładność klasyfikacji obrazów znacznie przekroczyła poziom ludzki (około 5% błędów).

Szybkość uczenia. Czas uczenia sieci neuronowej do klasyfikacji obrazów ImageNet skrócił się z około 60 minut (czerwiec 2017) do 3,7 minuty (listopad 2018) — przyspieszenie 16-krotne w ciągu półtora roku. Odzwierciedlało to zarówno innowacje algorytmiczne, jak i inwestycje w infrastrukturę (sprzęt i oprogramowanie).

Data	Czas uczenia ImageNet
Czerwiec 2017	~60 minut
Listopad 2017	~30 minut
Listopad 2017	~15 minut
Lipiec 2018	~6,6 minuty
Listopad 2018	~3,7 minuty

Computer vision: COCO

Na konkursie COCO (Common Objects in Context) w zakresie segmentacji obiektów najwyższa średnia dokładność wzrosła o 72% w latach 2015–2018 (z 0,28 do 0,48). Społeczność computer vision przeszła od stosunkowo prostych zadań (klasyfikacja) do bardziej złożonych (lokalizacja obiektów z dokładnością do piksela, segmentacja semantyczna).

Przetwarzanie języka naturalnego: parsowanie

Metryka F1 dla syntaktycznego parsowania zdań (Penn Treebank) wzrosła o 9 punktów procentowych w latach 2003–2018 (z ~86% do ~95%). Parsowanie niemal całkowicie przeszło od metod analogicznych do parsowania języków programowania do metod opartych na deep learning.

Tłumaczenie maszynowe

Wyniki BLEU dla tłumaczenia z angielskiego na niemiecki w konkursie WMT wzrosły 3,5-krotnie w porównaniu z 2008 rokiem; dla tłumaczenia z niemieckiego na angielski — 2,5-krotnie. Postęp był napędzany architekturą Transformer i bardziej efektywnym wykorzystaniem danych.

Systemy pytań i odpowiedzi: ARC

Na benchmarku AI2 Reasoning Challenge (ARC), opublikowanym przez Allen Institute for AI w kwietniu 2018 roku, wydajność na Challenge Set (trudne pytania na poziomie klas 3–9 amerykańskich szkół) poprawiła się z 27% do 42%, a na Easy Set — z 63% do 69% w okresie od kwietnia do listopada 2018 roku.

Systemy pytań i odpowiedzi: GLUE

Benchmark GLUE (General Language Understanding Evaluation), opublikowany w maju 2018 roku, był przeznaczony do testowania systemów rozumienia języka naturalnego w dziewięciu podzadaniach. Mimo że benchmark istniał krócej niż pół roku, wydajność zdążyła już zniwelować mniej więcej połowę luki między pierwszym opublikowanym wskaźnikiem bazowym a szacowanym poziomem ludzkim (~90%). Model BERT od Google stał się nowym standardem — cytowano go osiem razy w ciągu pierwszego miesiąca po wydaniu.

Sekcja 5. Metryki pochodne

Dynamika „akademia — przemysł"

W celu zbadania zależności między aktywnością akademicką a przemysłową w dziedzinie AI autorzy zestawili trzy znormalizowane wskaźniki: publikacje w Scopus, rejestracje na kursy AI/ML na uniwersytetach USA i inwestycje venture capital w startupy AI. Wszystkie trzy metryki wykazywały wzrost począwszy od 2010 roku, jednak inwestycje venture capital rosły znacznie szybciej od pozostałych.

Indeks żywotności AI (AI Vibrancy Index)

Indeks żywotności agregował trzy metryki (publikacje, rejestracje, inwestycje venture capital) w jeden wskaźnik znormalizowany do 2010 roku. Do 2017 roku indeks wzrósł około 7–9 razy w stosunku do wartości bazowej z 2010 roku, głównie za sprawą wzrostu finansowania venture capital.

Sekcja 6. Inicjatywy rządowe

Raport po raz pierwszy zawierał przegląd inicjatyw rządowych w dziedzinie AI w trzech regionach:

USA

W październiku 2016 roku administracja Obamy zaproponowała narodową strategię AI i opublikowała pierwszy dokument polityczny dotyczący przygotowania na przyszłość AI (Preparing for the Future of Artificial Intelligence). W maju 2018 roku administracja Trumpa zorganizowała Szczyt AI i powołała Specjalny Komitet ds. Sztucznej Inteligencji. We wrześniu 2018 roku DARPA ogłosiło plan inwestycji przekraczających 2 mld dolarów w program AI Next. Prywatne firmy odgrywały centralną rolę: w 2017 roku Amazon i Alphabet zainwestowały odpowiednio 16,1 mld i 13,9 mld dolarów w R&D — znacznie więcej niż łączny budżet NSF, DARPA i DOT (~5,3 mld dolarów).

Europa

W kwietniu 2018 roku państwa członkowskie UE podpisały Deklarację o współpracy w dziedzinie AI, a Komisja Europejska przeznaczyła 1,5 mld euro na wsparcie badań nad AI w latach 2018–2020 (dodatkowo do 2,6 mld euro z programu Horizon 2020). Celem było przyciągnięcie 20 mld euro inwestycji w AI w ciągu 10 lat. Wielka Brytania opublikowała AI Sector Deal z inwestycjami o wartości 950 mln funtów. Francja wydała trzy raporty, w tym „Mission Villani", poświęcony polityce, zapobieganiu drenażowi mózgów i różnorodności w AI.

Chiny

Od 2014 roku chiński rząd uruchomił serię krajowych inicjatyw mających na celu stworzenie rynku AI o wartości 14,7 mld dolarów do 2018 roku i zapewnienie światowego przywództwa Chin w AI do 2030 roku. Kluczowym dokumentem był „Plan rozwoju AI nowej generacji" (lipiec 2017 roku), przewidujący osiągnięcie poziomu krajów przodujących do 2020 roku, duże przełomy do 2025 roku i status światowego centrum innowacji w AI do 2030 roku.

Sekcja 7. Osiągnięcia na poziomie ludzkich zdolności

Raport kontynuował chronologię przypadków, w których AI osiągnęła lub przewyższyła poziom ludzki. W 2018 roku dodano cztery nowe osiągnięcia:

Rok	Osiągnięcie	Opis
1980	Othello	Program BILL (Ku-Fu Lee i S. Mahajan) pokonuje najlepszego amerykańskiego gracza; w 1997 roku Logistello pokona mistrza świata
1995	Warcaby	Program Chinook pokonuje mistrza świata
1997	Szachy	IBM DeepBlue pokonuje Garriego Kasparowa
2011	Jeopardy!	IBM Watson pokonuje mistrzów Brada Ruttera i Kena Jenningsa
2015	Atari	DeepMind osiąga poziom ludzki w 49 grach Atari
2016	Go	AlphaGo pokonuje Lee Sedola (4–1); AlphaGo Zero pokonuje AlphaGo 100–0
2016	Wykrywanie obiektów (ImageNet)	Błąd klasyfikacji obniżony z 28% (2010) do poniżej 3% przy ludzkim poziomie ~5%
2017	Rozpoznawanie mowy (Switchboard)	Microsoft i IBM osiągają poziom zbliżony do ludzkiej dokładności
2017	Poker	Libratus (CMU) pokonuje czterech zawodowych graczy w 120 000 rozdaniach; DeepStack (Alberta) pokonuje 11 profesjonalistów
2017	Klasyfikacja raka skóry	System AI (Esteva et al., Nature) osiąga poziom 21 certyfikowanych dermatologów
2017	Ms. Pac-Man	Zespół Maluuba (Microsoft) osiąga maksymalny wynik 999 900 na Atari 2600
2018	Capture the Flag	Agent DeepMind osiąga poziom ludzki w zmodyfikowanej wersji Quake III Arena CTF
2018	Dota 2	OpenAI Five pokonuje drużyny amatorskie (z ograniczeniami), ale przegrywa z profesjonalistami
2018	Ocena stopnia zaawansowania raka prostaty	System Google osiąga ogólną dokładność 70% wobec 61% u patologów
2018	Tłumaczenie chińsko-angielskie	System Microsoft osiąga poziom ludzki na zbiorze danych newstest2017

Autorzy raportu podkreślili, że tych wyników nie należy przeceniać: zadania miały wąskospecjalistyczny charakter, a osiągnięcia nie świadczyły o zdolności systemów do generalizacji.

Sekcja 8. Czego brakuje? (What's Missing?)

Sekcja przedstawiała opinie trzech ekspertów na temat kierunków rozwoju indeksu.

Francesca Rossi (IBM, Uniwersytet w Padwie) zaproponowała dodanie metryk dla wnioskowania zdroworozsądkowego (common sense reasoning), głębokiego rozumienia języka naturalnego, współpracy człowieka z maszyną (zamiast ich przeciwstawiania), a także łączenia Machine Learning z symboliczną AI oraz wnioskowania przyczynowo-skutkowego (causality).

Rodney Brooks (MIT) zwrócił uwagę na ograniczoność metryki robotów przemysłowych, które często nie zawierają komponentów AI. Zaproponował śledzenie robotów z komponentem AI: dronów (SLAM i inne algorytmy), robotów domowych (Roomba) i potencjalnych robotów społecznych.

Toby Walsh (UNSW Sydney, TU Berlin) wskazał na potrzebę ilościowych metryk do mierzenia rosnących inwestycji publicznych i prywatnych (Wielka Brytania — 1 mld funtów, Francja — 1,5 mld euro, Niemcy — 3 mld euro, Alibaba — 15 mld dolarów), a także do śledzenia militarnego zastosowania AI, w tym autonomicznej broni.

Metodologia

Raport korzystał z danych z wielu źródeł:

• Publikacje: Elsevier Scopus (~70 mln dokumentów, ~800 słów kluczowych AI), arXiv.org.
• Konferencje: AAAI, NeurIPS, ICML, CVPR, ICLR, IJCAI, ACL, ICRA, ICAPS, UAI, KR, AAMAS, WiML, AI4ALL.
• Kursy: dane bezpośrednio od uniwersytetów (17 uczelni w 10 krajach).
• Startupy i inwestycje: Sand Hill Econometrics (Dow Jones VentureSource), Crunchbase API.
• Oferty pracy: Monster.com, Gartner TalentNeuron.
• Patenty: amplified (kody IPC: Cognition and meaning understanding, Human-interface technology).
• Wdrożenie AI: McKinsey & Company (badanie 2 135 respondentów).
• Raporty korporacyjne: Prattle (analiza tekstów raportów o zyskach z FactSet).
• Robotyka: International Federation of Robotics (IFR), ROS.org.
• Media: TrendKite (analiza tonu artykułów).
• Rząd: Congressional Record (USA), Hansards (Wielka Brytania i Kanada), McKinsey Global Institute.
• Benchmarki: ImageNet (LSVRC), COCO, Penn Treebank, WMT (EuroMatrix), ARC (Allen Institute for AI), GLUE.

Zespół autorski

Raport przygotował Komitet Sterujący AI Index pod przewodnictwem Yoava Shohama (Yoav Shoham, Stanford University) przy udziale Raymonda Perrault (Raymond Perrault, SRI International), Erika Brynjolfssona (Erik Brynjolfsson, MIT), Jacka Clarka (Jack Clark, OpenAI), Jamesa Manyiki (James Manyika, McKinsey Global Institute), Juana Carlosa Niebłesa (Juan Carlos Niebles, Stanford University), Terry Lyons (Terah Lyons, Partnership on AI), Johna Etchemendy'ego (John Etchemendy, Stanford University) i Barbary Grosz (Barbara Grosz, Harvard University). Menedżerem projektu była Zoe Bauer (Zoe Bauer). AI Index pierwotnie powstał w ramach projektu One Hundred Year Study on AI (AI100) i następnie został umieszczony w Stanfordskim Instytucie HAI (Human-Centered AI).

Kontekst i znaczenie

AI Index Report 2018 stał się ważnym etapem w rozwoju systematycznego monitorowania postępów AI. Udokumentował szereg przełomowych momentów: gwałtowny rozwój deep learning i jego dominację wśród podejść do AI, przejście społeczności computer vision do bardziej złożonych zadań po „nasyceniu" ImageNet, rewolucyjny wpływ modelu BERT na przetwarzanie języka naturalnego, a także bezprecedensowy wzrost udziału przemysłu w rozwoju zaawansowanych systemów AI. Raport po raz pierwszy systemowo udokumentował również „wyścig" między państwami w finansowaniu i strategicznym planowaniu AI — tendencję, która będzie kształtować rozwój branży w kolejnych latach.

Źródła

• Stanford HAI — AI Index (wszystkie raporty): https://aiindex.stanford.edu/report/
• AI Index 2018 Report (pełny tekst, PDF): https://aiindex.stanford.edu/wp-content/uploads/2019/01/2018-Artificial-Intelligence-Index.pdf
• Elsevier Scopus — baza danych publikacji naukowych: https://www.scopus.com/
• Elsevier AI Resource Center: https://www.elsevier.com/connect/the-rise-of-artificial-intelligence-in-6-charts
• arXiv.org — archiwum naukowych preprintów: 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 — AI Adoption Survey: 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 — Overview of National AI Strategies: https://medium.com/politics-ai/an-overview-of-national-ai-strategies-2a70ec6edfd
• NLP Progress — śledzenie postępów w NLP: https://nlpprogress.com/

Literatura

• 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