The 2018 AI Index Report (TH)

AI Index Report 2018 — รายงาน AI Index ฉบับประจำปีฉบับที่สอง จัดทำโดยคณะกรรมการกำกับดูแล AI Index แห่งมหาวิทยาลัย Stanford ในเดือนธันวาคม พ.ศ. 2561 พันธกิจของโครงการ AI Index คือการจัดหาข้อมูลที่เป็นกลางสำหรับการอภิปรายเรื่องปัญญาประดิษฐ์ รายงานปี 2018 แตกต่างจากฉบับแรก (2017) ตรงที่มีการขยายขอบเขตครอบคลุมระดับโลกอย่างมีนัยสำคัญ หากรายงานฉบับก่อนหน้ามุ่งเน้นไปที่ประเด็นของอเมริกาเหนือเป็นหลัก รายงานปี 2018 มุ่งรวมข้อมูลจากยุโรป จีน เกาหลีใต้ ญี่ปุ่น และภูมิภาคอื่น ๆ ของโลก รายงานนี้ติดตาม จัดระบบ และแสดงภาพข้อมูลที่เกี่ยวข้องกับ AI โดยให้ข้อมูลแก่ผู้กำหนดนโยบาย นักวิจัย ผู้บริหาร นักข่าว และสาธารณชนทั่วไป

โครงสร้างของรายงาน

รายงานปี 2018 ประกอบด้วยหมวดหลักสี่หมวด:

1. ข้อมูล: ปริมาณกิจกรรม (Volume of Activity) — สิ่งพิมพ์ การลงทะเบียนเรียน การเข้าร่วมการประชุม การดาวน์โหลดซอฟต์แวร์หุ่นยนต์ สตาร์ทอัพและการลงทุน ตำแหน่งงาน สิทธิบัตร การนำ AI ไปใช้ในบริษัท การกล่าวถึงในรายงานกำไร การติดตั้งหุ่นยนต์ โครงการโอเพนซอร์ส และความสนใจของสาธารณชน
2. ข้อมูล: ประสิทธิภาพทางเทคนิค (Technical Performance) — การมองเห็นด้วยคอมพิวเตอร์ การประมวลผลภาษาธรรมชาติ การแปลด้วยเครื่อง ระบบถาม-ตอบ
3. ตัวชี้วัดอื่น ๆ (Other Measures) — ตัวชี้วัดอนุพันธ์ โครงการริเริ่มของรัฐบาล ความสำเร็จในระดับความสามารถของมนุษย์
4. ภาคผนวก (Appendix) — คำอธิบายแหล่งข้อมูล ระเบียบวิธี และรายละเอียดปลีกย่อยครบถ้วน

ข้อสรุปหลักของรายงาน

ผู้เขียนรายงานปี 2018 ได้กำหนดวิทยานิพนธ์หลักหลายประการ:

AI — ปรากฏการณ์ระดับโลก

ร้อยละ 83 ของบทความด้าน AI ในฐานข้อมูล Scopus ในปี 2017 ได้รับการตีพิมพ์โดยผู้เขียนนอกสหรัฐอเมริกา ร้อยละ 28 ของบทความด้าน AI ทั้งหมดมาจากยุโรป ซึ่งเป็นสัดส่วนสูงสุดในบรรดาทุกภูมิภาคของโลก จำนวนนักศึกษาที่ลงทะเบียนเรียนในหลักสูตร AI และ Machine Learning เพิ่มขึ้นทั่วโลก โดยเห็นได้ชัดเจนเป็นพิเศษที่มหาวิทยาลัย Tsinghua (จีน) ซึ่งยอดลงทะเบียนสะสมในหลักสูตร AI และ Machine Learning ในปี 2017 สูงกว่าปี 2010 ถึง 16 เท่า

กิจกรรมด้าน AI เติบโตแทบทุกด้าน

มีการเติบโตในด้านสิ่งพิมพ์ หลักสูตร การประชุม สตาร์ทอัพ การระดมทุนแบบ Venture Capital สิทธิบัตร และตัวชี้วัดอื่น ๆ ประสิทธิภาพทางเทคโนโลยีดีขึ้นในทุกทิศทาง

Machine Learning ครองความเป็นสาขาย่อยหลักของ AI

ในปี 2017 ร้อยละ 56 ของบทความด้าน AI บน Scopus จัดอยู่ในหมวด «Machine Learning และการใช้เหตุผลเชิงความน่าจะเป็น» (เทียบกับร้อยละ 28 ในปี 2010) การลงทะเบียนในหลักสูตรเบื้องต้นด้าน Machine Learning เติบโตเร็วกว่าหลักสูตร AI โดยรวม การประชุม NeurIPS และ ICML ที่เกี่ยวข้องกับ Machine Learning แสดงการเติบโตของจำนวนผู้เข้าร่วมสูงสุด

ความหลากหลายทางเพศยังคงเป็นปัญหาสำคัญ

โดยเฉลี่ย ร้อยละ 80 ของศาสตราจารย์ด้าน AI ในมหาวิทยาลัยชั้นนำ (UC Berkeley, Stanford, UIUC, CMU, University College London, Oxford, ETH Zurich) เป็นชาย โดยเฉลี่ย ร้อยละ 71 ของผู้สมัครงานที่เกี่ยวข้องกับ AI ในสหรัฐอเมริกาเป็นชาย

หมวดที่ 1. ปริมาณกิจกรรม: การวิจัย

สิ่งพิมพ์

จำนวนบทความด้าน AI บนแพลตฟอร์ม Scopus เพิ่มขึ้น 7 เท่าตั้งแต่ปี 1996 ขณะที่บทความด้านวิทยาการคอมพิวเตอร์ (Computer Science) เพิ่มขึ้น 5 เท่าในช่วงเวลาเดียวกัน ซึ่งแสดงให้เห็นว่าการเติบโตของสิ่งพิมพ์ด้าน AI ไม่ได้เกิดจากความสนใจในวิทยาการคอมพิวเตอร์โดยรวมเท่านั้น แต่มีพลวัตของตนเอง

การกระจายตามภูมิภาค ยุโรปยังคงเป็นภูมิภาคที่มีจำนวนสิ่งพิมพ์ด้าน AI มากที่สุดอย่างสม่ำเสมอ โดยในปี 2017 ร้อยละ 28 ของบทความด้าน AI บน Scopus เชื่อมโยงกับผู้เขียนชาวยุโรป ตามมาด้วยจีน (ร้อยละ 25) และสหรัฐอเมริกา (ร้อยละ 17) ในขณะที่จำนวนสิ่งพิมพ์จากจีนเพิ่มขึ้นร้อยละ 150 ในช่วงปี 2007 ถึง 2017

หมวดย่อย การเติบโตสูงสุดอยู่ในหมวด Neural Network โดยอัตราการเติบโตต่อปีแบบทบต้น (CAGR) อยู่ที่ร้อยละ 3 ในช่วงปี 2010–2014 และร้อยละ 37 ในช่วงปี 2014–2017 บทความบนแพลตฟอร์ม arXiv ก็แสดงการเติบโตอย่างรวดเร็ว โดยการมองเห็นด้วยคอมพิวเตอร์และการจดจำรูปแบบกลายเป็นหมวดย่อย AI ที่ใหญ่ที่สุดบน arXiv ตั้งแต่ปี 2014

สังกัดภาคส่วน จำนวนบทความด้าน AI ที่เชื่อมโยงกับองค์กรของรัฐบาลจีนเพิ่มขึ้นร้อยละ 400 ในช่วงปี 2007 ถึง 2017 ขณะที่สิ่งพิมพ์ภาคองค์กรจากจีนเพิ่มขึ้นเพียงร้อยละ 73 ในทางตรงกันข้าม สหรัฐอเมริกามีสัดส่วนสิ่งพิมพ์ภาคองค์กรสูงกว่ามาก โดยในปี 2017 สัดส่วนบทความด้าน AI ของภาคองค์กรในสหรัฐอเมริกาสูงกว่าจีน 6.6 เท่า และสูงกว่ายุโรป 4.1 เท่า

การอ้างอิง ผู้เขียนจากสหรัฐอเมริกาได้รับการอ้างอิงบ่อยกว่าค่าเฉลี่ยโลกร้อยละ 83 แม้ยุโรปจะนำในแง่จำนวนสิ่งพิมพ์สัมบูรณ์ แต่อัตราการอ้างอิงยังคงอยู่ในระดับค่าเฉลี่ยโลก จีนเพิ่มอัตราการอ้างอิงอย่างมีนัยสำคัญ โดยในปี 2016 ผู้เขียนชาวจีนได้รับการอ้างอิงบ่อยกว่าปี 2000 ถึงร้อยละ 44

ความคล่องตัวของผู้เขียน ผู้เขียนที่มีความคล่องตัว (ที่ตีพิมพ์งานนอกภูมิภาคบ้านเกิดของตน) แสดงอัตราการอ้างอิงและผลผลิตที่สูงกว่าเมื่อเทียบกับผู้เขียน «ที่อยู่ประจำ» (sedentary) ในบรรดาสามภูมิภาค จีนมีสัดส่วนผู้เขียนที่อยู่ประจำมากที่สุด (ร้อยละ 76) ตามมาด้วยยุโรป (ร้อยละ 52) และสหรัฐอเมริกา (ร้อยละ 38)

การประชุม AAAI ในการประชุม AAAI 2018 ประมาณร้อยละ 70 ของบทความที่ส่งเข้าและร้อยละ 67 ของบทความที่ได้รับการตอบรับเชื่อมโยงกับสหรัฐอเมริกาหรือจีน แม้จีนจะส่งบทความจำนวนมากที่สุด แต่สหรัฐอเมริกาและจีนมีจำนวนบทความที่ได้รับการตอบรับใกล้เคียงกัน (268 และ 265 ตามลำดับ) อัตราการตอบรับสำหรับสหรัฐอเมริกาอยู่ที่ร้อยละ 29 และสำหรับจีนอยู่ที่ร้อยละ 21

การลงทะเบียนเรียน

มหาวิทยาลัยในสหรัฐอเมริกา การลงทะเบียนในหลักสูตรเบื้องต้นด้าน Machine Learning ในปี 2017 สูงกว่าปี 2012 ถึง 5 เท่า ที่ UC Berkeley มีการเติบโต 6.8 เท่า การลงทะเบียนในหลักสูตรเบื้องต้นด้าน AI เพิ่มขึ้น 3.6 เท่าในช่วงเวลาเดียวกัน ทั้งนี้ ร้อยละ 74–79 ของนักศึกษาในหลักสูตรเบื้องต้นด้าน AI และ Machine Learning ที่ Stanford และ Berkeley เป็นชาย

มหาวิทยาลัยนานาชาติ ยอดลงทะเบียนสะสมในหลักสูตร AI+Machine Learning ที่มหาวิทยาลัย Tsinghua ในปี 2017 สูงกว่าปี 2010 ถึง 16 เท่า การเติบโตยังพบที่มหาวิทยาลัย Edinburgh, USTC และ SJTU (จีน), PUC (ชิลี) และสถาบันอื่น ๆ

การเข้าร่วมการประชุม

การประชุมขนาดใหญ่ NeurIPS และ ICML แสดงการเติบโตสูงสุด โดยในปี 2018 จำนวนผู้เข้าร่วม NeurIPS สูงกว่าปี 2012 ถึง 4.8 เท่า และ ICML สูงกว่า 6.8 เท่า สะท้อนให้เห็นความสนใจที่ยังคงมีอยู่ต่อ Machine Learning

การประชุมขนาดเล็ก จำนวนผู้เข้าร่วม ICLR (International Conference on Learning Representations) ในปี 2018 สูงกว่าปี 2012 ถึง 20 เท่า ซึ่งน่าจะเป็นผลจากความสนใจที่เพิ่มขึ้นในการเรียนรู้เชิงลึกและ Reinforcement Learning

การประชุม	จำนวนผู้เข้าร่วม (2018, โดยประมาณ)	การเติบโตจากปี 2012
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

องค์กรด้านความครอบคลุม จำนวนการลงทะเบียนในการประชุมเชิงปฏิบัติการ Women in Machine Learning (WiML) เพิ่มขึ้นร้อยละ 600 ตั้งแต่ปี 2014 จำนวนบัณฑิตของ AI4ALL (โครงการริเริ่มเพื่อเพิ่มความหลากหลายใน AI) เพิ่มขึ้นร้อยละ 900 ตั้งแต่ปี 2015

การดาวน์โหลดซอฟต์แวร์หุ่นยนต์

จำนวนการดาวน์โหลดแพ็กเกจ ROS (Robot Operating System) แบบไม่ซ้ำกันจากเว็บไซต์ ROS.org เพิ่มขึ้นร้อยละ 567 ตั้งแต่ปี 2014 จำนวนการเข้าชมหน้าเว็บ ROS.org จากจีนในปี 2017 สูงกว่าปี 2012 ถึง 18 เท่า

ความหลากหลายทางเพศในแวดวงวิชาการ

การวิเคราะห์คณาจารย์ด้าน AI ในมหาวิทยาลัยชั้นนำ 7 แห่งทั่วโลกแสดงให้เห็นว่าโดยเฉลี่ยร้อยละ 80 ของศาสตราจารย์ด้าน AI เป็นชาย มหาวิทยาลัยที่รวมอยู่ในการวิเคราะห์ ได้แก่ UC Berkeley, Stanford, UIUC, CMU, University College London, Oxford และ ETH Zurich โดยไม่พบความแตกต่างอย่างมีนัยสำคัญระหว่างภูมิภาค

หมวดที่ 2. ปริมาณกิจกรรม: อุตสาหกรรม

สตาร์ทอัพและการลงทุน

จำนวนสตาร์ทอัพด้าน AI ที่ได้รับการสนับสนุนจาก Venture Capital ในสหรัฐอเมริกาเพิ่มขึ้นร้อยละ 113 ตั้งแต่เดือนมกราคม 2015 ถึงมกราคม 2018 ขณะที่จำนวนสตาร์ทอัพทั้งหมดเพิ่มขึ้นเพียงร้อยละ 28

การระดมทุนแบบ Venture Capital สำหรับสตาร์ทอัพด้าน AI ในสหรัฐอเมริกาเพิ่มขึ้นร้อยละ 350 ตั้งแต่ปี 2013 ถึง 2017 ขณะที่การระดมทุนแบบ Venture Capital โดยรวมเพิ่มขึ้นร้อยละ 100 ในช่วงเวลาเดียวกัน

ตำแหน่งงาน

การเรียนรู้เชิงลึก (deep learning) เป็นทักษะที่มีอัตราการเติบโตของความต้องการเร็วที่สุด โดยจำนวนตำแหน่งงานที่ต้องการทักษะ deep learning เพิ่มขึ้น 34 เท่าตั้งแต่ปี 2015 ถึง 2017 Machine Learning ยังคงเป็นทักษะที่ต้องการมากที่สุดในแง่ปริมาณสัมบูรณ์

การกระจายทางเพศ โดยเฉลี่ย ชายคิดเป็นร้อยละ 71 ของกลุ่มผู้สมัครงานที่เกี่ยวข้องกับ AI ในสหรัฐอเมริกา ความหลากหลายทางเพศสูงสุดพบในกลุ่มผู้สมัครตำแหน่งที่เกี่ยวข้องกับ deep learning และหุ่นยนต์

สิทธิบัตร

ในปี 2014 ประมาณร้อยละ 30 ของสิทธิบัตรด้าน AI ได้รับการจดทะเบียนในสหรัฐอเมริกา ตามมาด้วยเกาหลีใต้และญี่ปุ่น (ร้อยละ 16 ต่อประเทศ) เกาหลีใต้และไต้หวันแสดงการเติบโตสูงสุด โดยจำนวนสิทธิบัตรด้าน AI ในปี 2014 มากกว่าปี 2004 เกือบ 5 เท่า

การนำ AI ไปใช้ในบริษัท

จากการสำรวจของ McKinsey & Company (ผู้ตอบแบบสอบถาม 2,135 ราย) เทคโนโลยี AI ที่ใช้กันแพร่หลายที่สุดคือการทำให้กระบวนการเป็นอัตโนมัติแบบหุ่นยนต์และ Machine Learning โดยทั่วไปองค์กรต่าง ๆ นำ AI ไปใช้ในฟังก์ชันทางธุรกิจที่ให้ผลตอบแทนสูงสุดในอุตสาหกรรมของตน ได้แก่ บริษัทการเงินใช้ AI อย่างแข็งขันในการบริหารความเสี่ยง บริษัทยานยนต์ใช้ในการผลิต และบริษัทค้าปลีกใช้ในการตลาดและการขาย

ภูมิภาค	ความสามารถ AI ที่ได้รับความนิยมสูงสุด (% ของผู้ตอบแบบสอบถาม)
อเมริกาเหนือ	การทำให้กระบวนการเป็นอัตโนมัติแบบหุ่นยนต์ (23%), Machine Learning (23%)
ยุโรป	การทำให้กระบวนการเป็นอัตโนมัติแบบหุ่นยนต์ (27%), Machine Learning (21%)
ตลาดเกิดใหม่ (รวมจีน)	การมองเห็นด้วยคอมพิวเตอร์ (26%), การทำให้กระบวนการเป็นอัตโนมัติแบบหุ่นยนต์ (23%)
อินเดีย	Machine Learning (25%), การทำให้กระบวนการเป็นอัตโนมัติแบบหุ่นยนต์ (30%)

การกล่าวถึง AI ในรายงานขององค์กร

การกล่าวถึง «ปัญญาประดิษฐ์» และ «Machine Learning» ในรายงานกำไรของบริษัทที่จดทะเบียนในตลาดหลักทรัพย์นิวยอร์กเพิ่มขึ้นอย่างรวดเร็วตั้งแต่ปี 2015 ในภาค IT บริษัทที่มีการกล่าวถึง AI มากที่สุดคือ NVIDIA (93 ครั้งในปี 2017) ตามมาด้วย LivePerson (50) และ Pegasystems (44) ส่วน Alphabet นำในด้านการกล่าวถึง Machine Learning (57 ครั้ง)

การติดตั้งหุ่นยนต์อุตสาหกรรม

จีนแสดงการเพิ่มขึ้นร้อยละ 500 ในการติดตั้งหุ่นยนต์อุตสาหกรรมประจำปีตั้งแต่ปี 2012 ถึง 2017 เกาหลีใต้และยุโรปเพิ่มการติดตั้งร้อยละ 105 และ 122 ตามลำดับ ในบรรดาตลาดขนาดเล็ก ไต้หวันแสดงปริมาณและการเติบโตสูงสุด

ซอฟต์แวร์โอเพนซอร์ส

การวิเคราะห์ดาว (stars) ของที่เก็บโค้ดบน GitHub แสดงการเติบโตอย่างมีนัยสำคัญในความนิยมของ framework ที่ได้รับการสนับสนุนจากบริษัทขนาดใหญ่ ได้แก่ TensorFlow (Google), PyTorch (Facebook), MXNet (Amazon) โดย TensorFlow นำห่างจาก framework อื่น ๆ อย่างมากในด้านความนิยม โดยมีดาวมากกว่า 100,000 ดาวภายในปี 2018

หมวดที่ 3. ปริมาณกิจกรรม: ความสนใจของสาธารณชน

อารมณ์ของการรายงานสื่อ

บทความที่มีคำว่า «ปัญญาประดิษฐ์» กลายเป็นกลางน้อยลงและเชิงบวกมากขึ้น โดยสัดส่วนของบทความเชิงบวกเพิ่มขึ้นจากร้อยละ 12 ในเดือนมกราคม 2016 เป็นร้อยละ 30 ในเดือนกรกฎาคม 2016 และคงอยู่ในระดับดังกล่าวจนถึงปี 2018

การกล่าวถึงในเอกสารของรัฐบาล

การกล่าวถึงคำว่า «ปัญญาประดิษฐ์» และ «Machine Learning» ในบันทึกการประชุมของรัฐสภาสหรัฐอเมริกา รัฐสภาแคนาดา และรัฐสภาสหราชอาณาจักรเพิ่มขึ้นอย่างรวดเร็วตั้งแต่ปี 2016 เป็นที่น่าสังเกตว่า «Machine Learning» แทบไม่ถูกกล่าวถึงในเอกสารรัฐสภาก่อนปี 2016

หมวดที่ 4. ประสิทธิภาพทางเทคนิค

การมองเห็นด้วยคอมพิวเตอร์: ImageNet

ความแม่นยำ ประสิทธิภาพบน ImageNet ยังคงเพิ่มขึ้นแม้หลังจากการแข่งขันอย่างเป็นทางการสิ้นสุดในปี 2017 AI Index ติดตามความก้าวหน้าจากผลลัพธ์บน Validation Set ของ ImageNet 2012 ความแม่นยำในการจำแนกประเภทภาพสูงเกินระดับมนุษย์อย่างมีนัยสำคัญ (ข้อผิดพลาดประมาณร้อยละ 5)

ความเร็วในการฝึก เวลาในการฝึก Neural Network สำหรับการจำแนกประเภทภาพ ImageNet ลดลงจากประมาณ 60 นาที (มิถุนายน 2017) เป็น 3.7 นาที (พฤศจิกายน 2018) ซึ่งเร็วขึ้น 16 เท่าในช่วงเวลาหนึ่งปีครึ่ง สะท้อนให้เห็นทั้งนวัตกรรมด้านอัลกอริทึมและการลงทุนด้านโครงสร้างพื้นฐาน (ฮาร์ดแวร์และซอฟต์แวร์)

วันที่	เวลาการฝึก ImageNet
มิถุนายน 2017	~60 นาที
พฤศจิกายน 2017	~30 นาที
พฤศจิกายน 2017	~15 นาที
กรกฎาคม 2018	~6.6 นาที
พฤศจิกายน 2018	~3.7 นาที

การมองเห็นด้วยคอมพิวเตอร์: COCO

ในการแข่งขัน COCO (Common Objects in Context) สำหรับการแบ่งส่วนวัตถุ ค่าความแม่นยำเฉลี่ยสูงสุดเพิ่มขึ้นร้อยละ 72 ตั้งแต่ปี 2015 ถึง 2018 (จาก 0.28 เป็น 0.48) ชุมชนการมองเห็นด้วยคอมพิวเตอร์ได้ย้ายจากงานที่ค่อนข้างง่าย (การจำแนกประเภท) ไปสู่งานที่ซับซ้อนมากขึ้น (การระบุตำแหน่งวัตถุในระดับพิกเซล การแบ่งส่วนเชิงความหมาย)

การประมวลผลภาษาธรรมชาติ: การวิเคราะห์โครงสร้างประโยค

ค่า F1 สำหรับการวิเคราะห์โครงสร้างประโยค (Penn Treebank) เพิ่มขึ้น 9 จุดร้อยละตั้งแต่ปี 2003 ถึง 2018 (จาก ~86% เป็น ~95%) การวิเคราะห์โครงสร้างประโยคได้เปลี่ยนผ่านจากวิธีการที่คล้ายกับการวิเคราะห์ภาษาโปรแกรมไปสู่วิธีการบน deep learning เกือบทั้งหมด

การแปลด้วยเครื่อง

คะแนน BLEU สำหรับการแปลจากภาษาอังกฤษเป็นเยอรมันในการแข่งขัน WMT เพิ่มขึ้น 3.5 เท่าเมื่อเทียบกับปี 2008 และสำหรับการแปลจากเยอรมันเป็นอังกฤษเพิ่มขึ้น 2.5 เท่า ความก้าวหน้าเกิดจากสถาปัตยกรรม Transformer และการใช้ข้อมูลที่มีประสิทธิภาพมากขึ้น

ระบบถาม-ตอบ: ARC

บน benchmark AI2 Reasoning Challenge (ARC) ที่เผยแพร่โดย Allen Institute for AI ในเดือนเมษายน 2018 ประสิทธิภาพบน Challenge Set (คำถามยากระดับชั้นประถม 3 ถึงมัธยม 3 ของสหรัฐอเมริกา) ดีขึ้นจากร้อยละ 27 เป็น 42 และบน Easy Set จากร้อยละ 63 เป็น 69 ในช่วงเดือนเมษายนถึงพฤศจิกายน 2018

ระบบถาม-ตอบ: GLUE

benchmark GLUE (General Language Understanding Evaluation) ที่เผยแพร่ในเดือนพฤษภาคม 2018 ได้รับการออกแบบมาเพื่อทดสอบระบบความเข้าใจภาษาธรรมชาติในเก้างานย่อย แม้ benchmark นี้จะมีอายุไม่ถึงครึ่งปี แต่ประสิทธิภาพได้ปิดช่องว่างประมาณครึ่งหนึ่งระหว่างค่าพื้นฐานที่เผยแพร่ครั้งแรกและระดับประเมินของมนุษย์ (~90%) โมเดล BERT ของ Google กลายเป็นมาตรฐานใหม่ โดยได้รับการอ้างอิงแปดครั้งในเดือนแรกหลังจากเปิดตัว

หมวดที่ 5. ตัวชี้วัดอนุพันธ์

พลวัต «วิชาการ — อุตสาหกรรม»

เพื่อศึกษาความสัมพันธ์ระหว่างกิจกรรมทางวิชาการและอุตสาหกรรมใน AI ผู้เขียนได้เปรียบเทียบตัวชี้วัดสามตัวที่ได้รับการปรับให้เป็นมาตรฐาน ได้แก่ สิ่งพิมพ์บน Scopus การลงทะเบียนในหลักสูตร AI/Machine Learning ของมหาวิทยาลัยในสหรัฐอเมริกา และการลงทุนแบบ Venture Capital ในสตาร์ทอัพ AI ตัวชี้วัดทั้งสามแสดงการเติบโตตั้งแต่ปี 2010 แต่การลงทุนแบบ Venture Capital เติบโตเร็วกว่าตัวอื่น ๆ อย่างมีนัยสำคัญ

ดัชนีความมีชีวิตชีวาของ AI (AI Vibrancy Index)

ดัชนีความมีชีวิตชีวารวบรวมตัวชี้วัดสาม ได้แก่ สิ่งพิมพ์ การลงทะเบียน และการลงทุนแบบ Venture Capital เป็นตัวชี้วัดเดียวที่ปรับให้เป็นมาตรฐานเทียบกับปี 2010 ภายในปี 2017 ดัชนีเพิ่มขึ้นประมาณ 7–9 เท่าเมื่อเทียบกับค่าฐานปี 2010 โดยส่วนใหญ่เกิดจากการเติบโตของการระดมทุนแบบ Venture Capital

หมวดที่ 6. โครงการริเริ่มของรัฐบาล

รายงานนี้รวมการทบทวนโครงการริเริ่มของรัฐบาลด้าน AI เป็นครั้งแรกในสามภูมิภาค:

สหรัฐอเมริกา

ในเดือนตุลาคม 2016 รัฐบาลโอบามาได้เสนอยุทธศาสตร์แห่งชาติด้าน AI และเผยแพร่รายงานนโยบายฉบับแรกเกี่ยวกับการเตรียมพร้อมสำหรับอนาคตของ AI (Preparing for the Future of Artificial Intelligence) ในเดือนพฤษภาคม 2018 รัฐบาล Trump ได้จัดการประชุมสุดยอดด้าน AI และจัดตั้งคณะกรรมการพิเศษด้านปัญญาประดิษฐ์ ในเดือนกันยายน 2018 DARPA ประกาศแผนการลงทุนกว่า 2 พันล้านดอลลาร์ในโปรแกรม AI Next บริษัทเอกชนมีบทบาทสำคัญ โดยในปี 2017 Amazon และ Alphabet ลงทุนใน R&D จำนวน 16.1 พันล้านและ 13.9 พันล้านดอลลาร์ตามลำดับ ซึ่งมากกว่างบประมาณรวมของ NSF, DARPA และ DOT (~5.3 พันล้านดอลลาร์) อย่างมีนัยสำคัญ

ยุโรป

ในเดือนเมษายน 2018 รัฐสมาชิกสหภาพยุโรปได้ลงนามในปฏิญญาความร่วมมือด้าน AI และคณะกรรมาธิการยุโรปได้จัดสรร 1.5 พันล้านยูโรเพื่อสนับสนุนการวิจัย AI ในช่วงปี 2018–2020 (นอกเหนือจาก 2.6 พันล้านยูโรจากโครงการ Horizon 2020) โดยมีเป้าหมายดึงดูดการลงทุน 20 พันล้านยูโรใน AI ภายใน 10 ปี สหราชอาณาจักรเผยแพร่ AI Sector Deal พร้อมการลงทุน 950 ล้านปอนด์ ฝรั่งเศสออกรายงานสามฉบับ รวมถึง «Mission Villani» ที่อุทิศให้กับนโยบาย การป้องกันการสูญเสียบุคลากร และความหลากหลายใน AI

จีน

ตั้งแต่ปี 2014 รัฐบาลจีนได้เปิดตัวโครงการริเริ่มระดับชาติหลายโครงการโดยมีเป้าหมายสร้างตลาด AI มูลค่า 14.7 พันล้านดอลลาร์ภายในปี 2018 และสร้างความเป็นผู้นำระดับโลกของจีนใน AI ภายในปี 2030 เอกสารสำคัญคือ «แผนพัฒนา AI รุ่นใหม่» (กรกฎาคม 2017) ซึ่งกำหนดให้บรรลุระดับของประเทศขั้นสูงภายในปี 2020 การก้าวกระโดดครั้งใหญ่ภายในปี 2025 และสถานะศูนย์กลางนวัตกรรม AI ของโลกภายในปี 2030

หมวดที่ 7. ความสำเร็จในระดับความสามารถของมนุษย์

รายงานได้ดำเนินการตามลำดับเวลาของกรณีที่ AI บรรลุหรือเกินระดับมนุษย์ โดยในปี 2018 มีการเพิ่มความสำเร็จใหม่สี่รายการ:

ปี	ความสำเร็จ	คำอธิบาย
1980	Othello	โปรแกรม BILL (Ku-Fu Li และ S. Mahajan) เอาชนะนักกีฬาชาวอเมริกันที่ดีที่สุด ในปี 1997 Logistello เอาชนะแชมป์โลก
1995	หมากฮอส	โปรแกรม Chinook เอาชนะแชมป์โลก
1997	หมากรุก	IBM DeepBlue เอาชนะ Garry Kasparov
2011	Jeopardy!	IBM Watson เอาชนะแชมป์ Brad Rutter และ Ken Jennings
2015	Atari	DeepMind บรรลุระดับมนุษย์ใน 49 เกม Atari
2016	Go	AlphaGo เอาชนะ Lee Sedol (4–1); AlphaGo Zero เอาชนะ AlphaGo 100–0
2016	การตรวจจับวัตถุ (ImageNet)	ข้อผิดพลาดในการจำแนกประเภทลดลงจากร้อยละ 28 (2010) เป็นน้อยกว่าร้อยละ 3 ที่ระดับมนุษย์ ~5%
2017	การรู้จำเสียงพูด (Switchboard)	Microsoft และ IBM บรรลุระดับใกล้เคียงความแม่นยำของมนุษย์
2017	โป๊กเกอร์	Libratus (CMU) เอาชนะนักกีฬาอาชีพสี่คนใน 120,000 เกม; DeepStack (Alberta) เอาชนะนักกีฬาอาชีพ 11 คน
2017	การจำแนกประเภทมะเร็งผิวหนัง	ระบบ AI (Esteva et al., Nature) บรรลุระดับของแพทย์ผิวหนังที่มีใบรับรอง 21 คน
2017	Ms. Pac-Man	ทีม Maluuba (Microsoft) บรรลุคะแนนสูงสุด 999,900 คะแนนบน Atari 2600
2018	Capture the Flag	ตัวแทน DeepMind บรรลุระดับมนุษย์ใน Quake III Arena CTF เวอร์ชันดัดแปลง
2018	Dota 2	OpenAI Five เอาชนะทีมสมัครเล่น (ด้วยข้อจำกัด) แต่แพ้ผู้เล่นอาชีพ
2018	การให้คะแนนมะเร็งต่อมลูกหมาก	ระบบของ Google บรรลุความแม่นยำโดยรวมร้อยละ 70 เทียบกับนักพยาธิวิทยาที่ร้อยละ 61
2018	การแปลภาษาจีน—อังกฤษ	ระบบของ Microsoft บรรลุระดับมนุษย์บนชุดข้อมูล newstest2017

ผู้เขียนรายงานเน้นย้ำว่าผลลัพธ์เหล่านี้ไม่ควรถูกประเมินเกินจริง เนื่องจากงานเหล่านี้มีความเฉพาะทางสูง และความสำเร็จดังกล่าวไม่ได้บ่งชี้ถึงความสามารถของระบบในการสรุปความรู้ทั่วไป

หมวดที่ 8. สิ่งที่ยังขาดหายไป (What's Missing?)

หมวดนี้นำเสนอความคิดเห็นของผู้เชี่ยวชาญสามคนเกี่ยวกับทิศทางการพัฒนาดัชนี

Francesca Rossi (IBM, มหาวิทยาลัย Padua) เสนอให้เพิ่มตัวชี้วัดสำหรับสามัญสำนึก (common sense reasoning) ความเข้าใจภาษาธรรมชาติเชิงลึก ความร่วมมือระหว่างมนุษย์กับเครื่องจักร (แทนที่จะเป็นการเปรียบเทียบ) รวมถึงการผสมผสาน Machine Learning กับ AI เชิงสัญลักษณ์และการอนุมานเหตุ-ผล (causality)

Rodney Brooks (MIT) ชี้ให้เห็นข้อจำกัดของตัวชี้วัดหุ่นยนต์อุตสาหกรรม ซึ่งมักไม่มีส่วนประกอบ AI เขาเสนอให้ติดตามหุ่นยนต์ที่มีองค์ประกอบ AI ได้แก่ โดรน (SLAM และอัลกอริทึมอื่น ๆ) หุ่นยนต์ในบ้าน (Roomba) และหุ่นยนต์สังคมที่อาจเกิดขึ้นในอนาคต

Toby Walsh (UNSW Sydney, TU Berlin) ชี้ถึงความจำเป็นในการมีตัวชี้วัดเชิงปริมาณสำหรับการวัดการลงทุนของรัฐบาลและเอกชนที่เพิ่มขึ้น (สหราชอาณาจักร — 1 พันล้านปอนด์, ฝรั่งเศส — 1.5 พันล้านยูโร, เยอรมนี — 3 พันล้านยูโร, Alibaba — 15 พันล้านดอลลาร์) รวมถึงการติดตามการใช้ AI ทางทหาร รวมถึงอาวุธอัตโนมัติ

ระเบียบวิธี

รายงานใช้ข้อมูลจากแหล่งต่าง ๆ มากมาย:

• สิ่งพิมพ์: Elsevier Scopus (~70 ล้านเอกสาร, ~800 คำสำคัญด้าน AI), arXiv.org
• การประชุม: AAAI, NeurIPS, ICML, CVPR, ICLR, IJCAI, ACL, ICRA, ICAPS, UAI, KR, AAMAS, WiML, AI4ALL
• หลักสูตร: ข้อมูลโดยตรงจากมหาวิทยาลัย (17 สถาบันใน 10 ประเทศ)
• สตาร์ทอัพและการลงทุน: Sand Hill Econometrics (Dow Jones VentureSource), Crunchbase API
• ตำแหน่งงาน: Monster.com, Gartner TalentNeuron
• สิทธิบัตร: amplified (รหัส IPC: Cognition and meaning understanding, Human-interface technology)
• การนำ AI ไปใช้: McKinsey & Company (การสำรวจผู้ตอบแบบสอบถาม 2,135 ราย)
• รายงานองค์กร: Prattle (การวิเคราะห์ข้อความรายงานกำไรจาก FactSet)
• หุ่นยนต์: International Federation of Robotics (IFR), ROS.org
• สื่อ: TrendKite (การวิเคราะห์อารมณ์ของบทความ)
• รัฐบาล: Congressional Record (สหรัฐอเมริกา), Hansards (สหราชอาณาจักรและแคนาดา), McKinsey Global Institute
• Benchmark: ImageNet (LSVRC), COCO, Penn Treebank, WMT (EuroMatrix), ARC (Allen Institute for AI), GLUE

ทีมผู้เขียน

รายงานจัดทำโดยคณะกรรมการกำกับดูแล AI Index ภายใต้การนำของ Yoav Shoham (Stanford University) โดยมีส่วนร่วมของ Raymond Perrault (SRI International), Erik Brynjolfsson (MIT), Jack Clark (OpenAI), James Manyika (McKinsey Global Institute), Juan Carlos Niebles (Stanford University), Terah Lyons (Partnership on AI), John Etchemendy (Stanford University) และ Barbara Grosz (Harvard University) โดยมี Zoe Bauer เป็นผู้จัดการโครงการ AI Index เดิมมีต้นกำเนิดในกรอบโครงการ One Hundred Year Study on AI (AI100) และต่อมาได้รับการจัดวางที่สถาบัน Stanford HAI (Human-Centered AI)

บริบทและความสำคัญ

AI Index Report 2018 เป็นก้าวสำคัญในการพัฒนาการติดตามความก้าวหน้าของ AI อย่างเป็นระบบ รายงานนี้บันทึกจุดเปลี่ยนหลายประการ ได้แก่ การพัฒนาอย่างรวดเร็วของ deep learning และการครองความเป็นใหญ่ในบรรดาแนวทาง AI การเปลี่ยนผ่านของชุมชนการมองเห็นด้วยคอมพิวเตอร์ไปสู่งานที่ซับซ้อนมากขึ้นหลังจาก ImageNet «อิ่มตัว» อิทธิพลปฏิวัติของโมเดล BERT ต่อการประมวลผลภาษาธรรมชาติ และการเติบโตที่ไม่เคยปรากฏมาก่อนของการมีส่วนร่วมของอุตสาหกรรมในการพัฒนาระบบ AI ขั้นสูง นอกจากนี้รายงานยังเป็นครั้งแรกที่บันทึก «การแข่งขัน» ระหว่างรัฐต่าง ๆ ในการระดมทุนและการวางแผนเชิงยุทธศาสตร์ด้าน AI อย่างเป็นระบบ ซึ่งเป็นแนวโน้มที่จะกำหนดทิศทางการพัฒนาของอุตสาหกรรมในปีต่อ ๆ ไป

อ้างอิง

• Stanford HAI — AI Index (รายงานทั้งหมด): https://aiindex.stanford.edu/report/
• AI Index 2018 Report (ข้อความเต็ม, PDF): https://aiindex.stanford.edu/wp-content/uploads/2019/01/2018-Artificial-Intelligence-Index.pdf
• Elsevier Scopus — ฐานข้อมูลสิ่งพิมพ์ทางวิชาการ: https://www.scopus.com/
• Elsevier AI Resource Center: https://www.elsevier.com/connect/the-rise-of-artificial-intelligence-in-6-charts
• arXiv.org — คลังเก็บ Preprint ทางวิชาการ: 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 — การสำรวจการนำ AI ไปใช้: 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 — ภาพรวมยุทธศาสตร์ AI ระดับชาติ: https://medium.com/politics-ai/an-overview-of-national-ai-strategies-2a70ec6edfd
• NLP Progress — การติดตามความก้าวหน้าใน NLP: https://nlpprogress.com/

บรรณานุกรม

• 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