The 2019 AI Index Report (FA)

From Systems analysis Wiki
Jump to navigation Jump to search

AI Index Report 2019 — دومین نسخه کامل سالانه گزارش AI Index، تهیه‌شده توسط مؤسسه هوش مصنوعی انسان‌محور استنفورد (Stanford HAI)[1]. گزارش سال ۲۰۱۹ سه برابر بیشتر از نسخه ۲۰۱۸ مجموعه داده را پوشش می‌دهد و شامل نه فصل موضوعی است: از تحقیق و توسعه تا استراتژی‌های ملی و پویایی جهانی هوش مصنوعی. این نسخه داده‌های به‌روزشده‌ای در تمام جنبه‌های هوش مصنوعی — دستاوردهای فنی، اقتصاد، آموزش، درک عمومی و پیامدهای اجتماعی — ارائه می‌دهد و دو ابزار تعاملی جدید معرفی می‌کند: Global AI Vibrancy Tool (vibrancy.aiindex.org)، که امکان مقایسه کشورها بر اساس ۳۴ شاخص را فراهم می‌کند، و AI Index arXiv Monitor (arxiv.aiindex.org)، که جستجوی متن‌کامل در پیش‌چاپ‌های حوزه هوش مصنوعی را ممکن می‌سازد. AI Index یک ابتکار مستقل در مؤسسه Stanford HAI است که در چارچوب پروژه «مطالعه صد ساله هوش مصنوعی» (AI100) طراحی شده است[1].

زمینه و اهداف

مأموریت AI Index ارائه داده‌های عینی و دقیق درباره توسعه هوش مصنوعی برای سیاست‌گذاران، پژوهشگران، مدیران، روزنامه‌نگاران و عموم مردم است[1]. گزارش ۲۰۱۹ در زمانی منتشر شد که علاقه دولت‌ها، شرکت‌ها و جامعه به هوش مصنوعی به‌سرعت در حال رشد بود و تلاش کرد باورهای رایج نادرست را برطرف کند — از جمله این تصور که توسعه هوش مصنوعی صرفاً رقابتی میان آمریکا و چین است. داده‌های گزارش نشان می‌دهند که مراکز برتر محلی در حوزه هوش مصنوعی در سراسر جهان در حال شکل‌گیری هستند: فنلاند در آموزش هوش مصنوعی برجسته است، هند نرخ نفوذ بالایی در مهارت‌های هوش مصنوعی دارد، سنگاپور از حمایت دولتی سازمان‌یافته خوبی برخوردار است، و اسرائیل در سرمایه‌گذاری خصوصی در استارت‌آپ‌های هوش مصنوعی به ازای هر نفر پیشتاز است[1].

ساختار گزارش

گزارش ۲۰۱۹ از نه فصل موضوعی تشکیل شده است[1]:

  1. تحقیق و توسعه (Research and Development) — داده‌های کتاب‌سنجی، انتشارات، پتنت‌ها، تنوع جنسیتی در پژوهش‌های هوش مصنوعی.
  2. کنفرانس‌ها (Conferences) — حضور مخاطبان، آمار مقالات AAAI، سازمان‌های مرتبط با تنوع، اخلاق در کنفرانس‌ها.
  3. عملکرد فنی (Technical Performance) — benchmark‌ها در بینایی ماشین، پردازش زبان، استدلال، توان محاسباتی.
  4. اقتصاد (The Economy) — مشاغل، سرمایه‌گذاری‌ها، پذیرش سازمانی، رباتیک.
  5. آموزش (Education) — یادگیری آنلاین، برنامه‌های دانشگاهی، تخصص‌های دکتری، خروج اعضای هیئت علمی.
  6. سیستم‌های خودمختار (Autonomous Systems) — خودروهای بدون راننده، سلاح‌های خودمختار.
  7. درک عمومی (Public Perception) — بانک‌های مرکزی، پارلمان‌ها، گزارش‌های شرکتی، رسانه‌ها.
  8. ملاحظات اجتماعی (Societal Considerations) — اصول اخلاقی، هوش مصنوعی و توسعه پایدار سازمان ملل.
  9. استراتژی‌های ملی و پویایی جهانی هوش مصنوعی (National Strategies and Global AI Vibrancy) — استراتژی‌های ملی، ابزار مقایسه کشورها.

یافته‌های کلیدی گزارش

۱. رشد حجم انتشارات

در دوره ۱۹۹۸ تا ۲۰۱۸، حجم انتشارات داوری‌شده در حوزه هوش مصنوعی بیش از ۳۰۰٪ رشد کرد. تا سال ۲۰۱۸، مقالات هوش مصنوعی ۳٪ از انتشارات مجلات و ۹٪ از مقالات کنفرانس‌ها در پایگاه داده Scopus را تشکیل می‌دادند[2]. چین تا سال ۲۰۱۸ از نظر تعداد انتشارات مجلات و کنفرانس‌های هوش مصنوعی به سطح اروپا رسید، در حالی که از سال ۲۰۰۶ از آمریکا پیشی گرفته بود. با این حال، شاخص استناد (FWCI) انتشارات آمریکا همچنان تقریباً ۵۰٪ بالاتر از چین بود[1].

۲. رکورد حضور در کنفرانس‌ها

حضور در بزرگ‌ترین کنفرانس‌های هوش مصنوعی به رشد قابل توجهی ادامه داد. کنفرانس NeurIPS در سال ۲۰۱۹ انتظار ۱۳٬۵۰۰ شرکت‌کننده داشت — رشد ۴۱٪ نسبت به ۲۰۱۸ و بیش از ۸۰۰٪ نسبت به ۲۰۱۲. کنفرانس‌های AAAI و CVPR سالانه حدود ۳۰٪ رشد حضور داشتند[1].

۳. پیشرفت فنی شتابان

زمان آموزش مدل طبقه‌بندی تصویر بر روی زیرساخت ابری از تقریباً سه ساعت در اکتبر ۲۰۱۷ به تقریباً ۸۸ ثانیه در ژوئیه ۲۰۱۹ کاهش یافت؛ هزینه آموزش نیز به همین نسبت کاهش یافت. در benchmark‌های SuperGLUE و SQuAD 2.0 پیشرفت به‌ویژه سریع بود، اما در وظایف نیازمند استدلال (مانند AI2 Reasoning Challenge) و وظایف یادگیری در سطح مفهوم (Omniglot Challenge) نتایج همچنان پایین‌تر بود[3][1].

۴. رشد نمایی توان محاسباتی

پیش از ۲۰۱۲، رشد توان محاسباتی برای هوش مصنوعی با قانون مور مطابقت داشت — دوبرابر شدن هر دو سال. پس از ۲۰۱۲، توان محاسباتی هر ۳.۴ ماه دوبرابر شد و در شش سال بیش از ۳۰۰٬۰۰۰ برابر افزایش یافت[4].

۵. رشد جهانی استخدام در حوزه هوش مصنوعی

سنگاپور، برزیل، استرالیا، کانادا و هند در دوره ۲۰۱۵–۲۰۱۹ بیشترین رشد استخدام در حوزه هوش مصنوعی را داشتند. در آمریکا سهم موقعیت‌های شغلی مرتبط با هوش مصنوعی از ۰.۲۶٪ کل مشاغل در سال ۲۰۱۰ به ۱.۳۲٪ در اکتبر ۲۰۱۹ رسید، که بیشترین تقاضا مربوط به متخصصان Machine Learning بود (۰.۵۱٪)[5][6].

۶. سرمایه‌گذاری خصوصی از ۷۰ میلیارد دلار فراتر رفت

در سال ۲۰۱۹ سرمایه‌گذاری خصوصی جهانی در هوش مصنوعی از ۷۰ میلیارد دلار فراتر رفت، شامل بیش از ۳۷ میلیارد سرمایه‌گذاری در استارت‌آپ‌ها، ۳۴ میلیارد در معاملات M&A، حدود ۵ میلیارد در IPO و حدود ۲ میلیارد در سهام اقلیت. از سال ۲۰۱۰ تا ۲۰۱۸، تأمین مالی استارت‌آپ‌های هوش مصنوعی از ۱.۳ میلیارد به ۴۰.۴ میلیارد دلار رسید با میانگین رشد سالانه بیش از ۴۸٪. خودروهای خودمختار بیشترین سهم سرمایه‌گذاری را دریافت کردند (۷.۷ میلیارد)، پس از آن داروسازی و درمان سرطان (۴.۷ میلیارد) و تشخیص چهره (۴.۷ میلیارد)[7].

۷. پذیرش فزاینده هوش مصنوعی در کسب‌وکار

بر اساس نظرسنجی McKinsey & Company (۲٬۳۶۰ پاسخ‌دهنده)، ۵۸٪ از شرکت‌های بزرگ در سال ۲۰۱۹ از هوش مصنوعی در حداقل یک وظیفه یا واحد تجاری استفاده می‌کردند در مقایسه با ۴۷٪ در سال ۲۰۱۸. با این حال، تنها ۱۹٪ از سازمان‌ها اقداماتی برای کاهش ریسک‌های مرتبط با تفسیرپذیری الگوریتم‌ها انجام می‌دادند و تنها ۱۳٪ برای مقابله با تعصب و تبعیض[8].

۸. هوش مصنوعی — محبوب‌ترین تخصص دکتری

هوش مصنوعی به محبوب‌ترین تخصص در میان دانشجویان دکتری علوم کامپیوتر در آمریکای شمالی تبدیل شد: در سال ۲۰۱۸ بیش از ۲۱٪ از فارغ‌التحصیلان دکتری در علوم محاسباتی در هوش مصنوعی و Machine Learning تخصص داشتند. سهم فارغ‌التحصیلان دکتری هوش مصنوعی که وارد صنعت می‌شدند از ۲۱٪ در سال ۲۰۰۴ به بیش از ۶۰٪ در سال ۲۰۱۸ افزایش یافت[9].

۹. خروج اعضای هیئت علمی هوش مصنوعی از دانشگاه

خروج اعضای هیئت علمی هوش مصنوعی از دانشگاه به صنعت شتاب گرفت: بیش از ۴۰ مورد خروج در سال ۲۰۱۸ در مقایسه با ۱۵ مورد در ۲۰۱۲ و صفر در ۲۰۰۴. بیشترین تلفات را دانشگاه کارنگی ملون، دانشگاه واشنگتن و دانشگاه کالیفرنیا در برکلی متحمل شدند[10].

۱۰. رشد توجه به اخلاق هوش مصنوعی

عدالت، تفسیرپذیری و توضیح‌پذیری به عنوان چالش‌های اخلاقی پراشاره در ۵۹ سند اصول اخلاق هوش مصنوعی شناسایی شدند. از بیش از ۳٬۶۰۰ مقاله خبری جهانی درباره اخلاق و هوش مصنوعی (اواسط ۲۰۱۸ تا اواسط ۲۰۱۹)، موضوعات غالب عبارت بودند از: چارچوب‌ها و راهنمایی‌های استفاده اخلاقی از هوش مصنوعی (۳۲٪)، حریم خصوصی داده (۱۴٪)، تشخیص چهره (۱۳٪)، تعصب الگوریتمی (۱۱٪) و نقش شرکت‌های بزرگ فناوری (۱۱٪)[11].

فصل اول. تحقیق و توسعه

این فصل روندها را در انتشارات بر اساس داده‌های Elsevier Scopus، پیش‌چاپ‌های arXiv، Microsoft Academic Graph (MAG)، همچنین فعالیت‌های ثبت اختراع، محبوبیت framework‌های نرم‌افزاری در GitHub و تنوع جنسیتی در میان پژوهشگران هوش مصنوعی تحلیل می‌کند[1].

انتشارات

اروپا بزرگ‌ترین منتشرکننده مقالات هوش مصنوعی باقی ماند و تا سال ۲۰۱۸ به بیش از ۲۷٪ انتشارات در Scopus رسید. سهم چین از ۱۰٪ در سال ۲۰۰۰ به ۲۸٪ در ۲۰۱۸ افزایش یافت. در آمریکا انتشارات سازمانی سهم نسبتاً بالایی داشت: در ۲۰۱۸ تعداد مقالات هوش مصنوعی شرکت‌های آمریکایی بیش از هفت برابر چین بود[2].

در arXiv تعداد کل مقالات هوش مصنوعی در دوره ۲۰۱۰–۲۰۱۹ بیش از بیست برابر افزایش یافت. بینایی ماشین (CV) از سال ۲۰۱۴ بزرگ‌ترین زیرمجموعه بود، اما در ۲۰۱۹ Machine Learning به دسته پیشرو تبدیل شد. زیرمجموعه «Computation & Language» از سال ۲۰۱۰ تقریباً شصت برابر رشد کرد[12].

استناد

بیش از ۳۲٪ از استنادات جهانی مقالات مجلات هوش مصنوعی به آسیای شرقی تعلق داشت و بیش از ۴۰٪ استنادات مقالات کنفرانسی به آمریکای شمالی. در حوزه پتنت، آمریکای شمالی بیش از ۶۰٪ فعالیت استنادی جهانی در پتنت‌های هوش مصنوعی را در دوره ۲۰۱۴–۲۰۱۸ به خود اختصاص داد[13].

پتنت‌ها

بیش از ۵۱٪ از پتنت‌های جهانی هوش مصنوعی به آمریکای شمالی تعلق داشت. آمریکا سه برابر بیشتر از کشور بعدی — ژاپن — پتنت هوش مصنوعی منتشر کرد. بیش از ۹۴٪ پتنت‌های هوش مصنوعی در کشورهای با درآمد بالا ثبت شده بودند[13].

GitHub Stars

روند برجسته‌ای که مشاهده شد سلطه framework‌های حمایت‌شده توسط شرکت‌ها بود: TensorFlow (Google) و PyTorch (Facebook). framework‌های غیرشرکتی — scikit-learn و Caffe — به رشد خود ادامه دادند، اما با سرعت کمتر[1].

تنوع جنسیتی در پژوهش

بیش از ۴۱٪ مقالات هوش مصنوعی از هلند و بیش از ۳۹٪ از دانمارک حداقل یک نویسنده زن داشتند. در ژاپن و سنگاپور این شاخص به ترتیب تنها ۱۰٪ و ۱۶٪ بود. بسیاری از کشورهای اروپای غربی، همچنین آرژانتین، کانادا و ایران حضور نسبتاً بالایی از زنان در پژوهش‌های هوش مصنوعی داشتند[14].

فصل دوم. کنفرانس‌ها

حضور

NeurIPS در ۲۰۱۹ انتظار ۱۳٬۵۰۰ شرکت‌کننده داشت (رشد ۸۰۰٪ از ۲۰۱۲). ICLR نسبت به ۲۰۱۴ پانزده برابر رشد کرد. کارگاه Women in Machine Learning (WiML) تعداد شرکت‌کنندگان را ۷۳۸٪ نسبت به ۲۰۱۴ افزایش داد و برنامه AI4ALL تا ۲٬۰۰۰٪ نسبت به ۲۰۱۵ رشد کرد[1].

آمار AAAI

در کنفرانس AAAI 2019 چین بیشترین تعداد مقاله ارسال‌شده و پذیرفته‌شده را داشت. بیش از ۶۸٪ درخواست‌ها از دانشجویان دکتری بود. اسرائیل بالاترین نرخ پذیرش را داشت (۲۴٪)، پس از آن آلمان (۲۳٪)، کانادا (۲۲٪)، آمریکا و سنگاپور (هر کدام ۲۰٪). Machine Learning، NLP و بینایی ماشین سه موضوع پیشرو باقی ماندند[1].

اخلاق در کنفرانس‌ها

تعداد کل مقالات دارای کلیدواژه‌های مرتبط با اخلاق در کنفرانس‌های پیشرو هوش مصنوعی سهم کمی از کل داشت، اما به‌سرعت در حال رشد بود. این تحلیل ۱۱۰٬۱۰۸ مقاله را شامل می‌شد، از جمله ۵۹٬۳۵۲ مقاله کنفرانسی و ۵۰٬۷۵۶ مقاله مجلات[15].

فصل سوم. عملکرد فنی

این فصل پیشرفت فنی در وظایف بینایی ماشین، پردازش زبان طبیعی، استدلال، ترجمه ماشینی و توان محاسباتی را دنبال می‌کند[1].

بینایی ماشین

ImageNet. اولین روشی که دقت انسانی را در ImageNet پشت سر گذاشت در سال ۲۰۱۵ منتشر شد. تا ۲۰۱۹ پیشرفت ادامه داشت: سه روش موفق‌تر از داده‌های آموزشی اضافی استفاده کردند. رقابت ImageNet در ۲۰۱۷ متوقف شد، اما dataset همچنان به عنوان benchmark اصلی باقی ماند[16].

زمان و هزینه آموزش. بر اساس داده‌های پروژه DAWNBench (Stanford)، زمان آموزش مدل طبقه‌بندی تصویر تا دقت ۹۳٪+ (top-5) بر روی زیرساخت ابری از بیش از ۳ ساعت (اکتبر ۲۰۱۷) به ~۸۸ ثانیه (ژوئیه ۲۰۱۹) کاهش یافت. هزینه آموزش از ۲٬۳۲۳ دلار (اکتبر ۲۰۱۷، ResNet) به ~۱۲ دلار (سپتامبر ۲۰۱۸، ResNet بر GCP با Cloud TPU) کاهش یافت[3].

تولید تصویر. پیشرفت در تولید تصویر (CIFAR-10) با معیار FID (Fréchet Inception Distance) اندازه‌گیری شد: امتیاز پایین‌تر با کیفیت بهتر تولید همبستگی دارد[1].

تقسیم‌بندی معنایی. پیشرفت با معیار mean IoU بر روی dataset Cityscapes اندازه‌گیری شد — وظیفه‌ای مهم برای سیستم‌های خودران[1].

پردازش زبان طبیعی

GLUE. benchmark ارزیابی جامع درک زبان (General Language Understanding Evaluation)، منتشرشده در مه ۲۰۱۸، سیستم‌ها را در نه وظیفه پردازش متن آزمایش می‌کند. با اینکه benchmark کمتر از یک سال سابقه داشت، نتایج سیستم‌ها در ژوئن ۲۰۱۹ از سطح ارزیاب‌های غیرمتخصص فراتر رفت. مدل‌های RoBERTa (Facebook) و T5 (Google) به بهبود نتایج ادامه دادند[17].

SuperGLUE. benchmark پیچیده‌تری که در مه ۲۰۱۹ راه‌اندازی شد. در طول پنج ماه پس از راه‌اندازی، مدل T5 (Google) تقریباً به سطح پایه انسانی ۸۹.۸ رسید و ۸۸.۹ امتیاز کسب کرد[18].

SQuAD. در benchmark Stanford Question Answering Dataset، امتیاز F1 برای SQuAD 1.1 از ۶۷ (اوت ۲۰۱۶) به ۹۵ (مه ۲۰۱۹) رسید. پیشرفت در SQuAD 2.0 سریع‌تر بود: از ۶۲ (مه ۲۰۱۸) به ۹۰ (ژوئن ۲۰۱۹). زمان آموزش مدل پاسخ به سؤال تا F1 ≥ ۷۵ در SQuAD 1.0 از بیش از ۷ ساعت (اکتبر ۲۰۱۷) به کمتر از ۱۹ دقیقه (مارس ۲۰۱۹) کاهش یافت[19].

استدلال. در ARC Challenge Set (Allen Institute for AI) بهترین نتیجه ۶۷.۷٪ بود (سپتامبر ۲۰۱۹). در ARC-Easy — ۸۵.۴٪. وظایف نیازمند استدلال همچنان برای سیستم‌های هوش مصنوعی به‌طور قابل توجهی دشوارتر بودند[20].

ترجمه ماشینی

تعداد سیستم‌های ترجمه ماشینی تجاری با مدل‌های از پیش آموزش‌دیده از ۸ (۲۰۱۷) به بیش از ۲۴ (۲۰۱۹) افزایش یافت. بیشترین پیشرفت در کیفیت برای جفت‌های چینی–انگلیسی، انگلیسی–آلمانی و روسی–انگلیسی مشاهده شد[21].

Omniglot Challenge

در طی سه سال پیشرفت قابل توجهی در طبقه‌بندی با یک نمونه (one-shot) مشاهده شد، اما در چهار وظیفه دیگر یادگیری مفهوم (تولید نمونه، تجزیه، تولید مفاهیم جدید) پیشرفت محدود بود. یادگیری برنامه‌نویسی بیزی (BPL) همچنان در وظیفه اصلی از رویکردهای شبکه‌های عصبی پیشی می‌گرفت[22].

توان محاسباتی

تحلیل OpenAI یک شکاف ساختاری را نشان داد: پیش از ۲۰۱۲ حجم محاسبات برای هوش مصنوعی هر دو سال دوبرابر می‌شد (قانون مور)؛ پس از ۲۰۱۲ — هر ۳.۴ ماه. از سال ۲۰۱۲ این شاخص بیش از ۳۰۰٬۰۰۰ برابر افزایش یافته است[4].

نقاط عطف سطح انسانی

گزارش جدول زمانی دستاوردهای هوش مصنوعی را با اضافه کردن دو نتیجه جدید به موارد قبلاً مستندشده به‌روز کرد (Othello — ۱۹۸۰، دام — ۱۹۹۵، شطرنج — ۱۹۹۷، Jeopardy! — ۲۰۱۱، Atari — ۲۰۱۵، ImageNet — ۲۰۱۶، Go — ۲۰۱۶، پوکر — ۲۰۱۷، Ms. Pac-Man — ۲۰۱۷، StarCraft II — ۲۰۱۹):

سال دستاورد
2018 AlphaFold (DeepMind) — پیش‌بینی ساختار سه‌بعدی پروتئین‌ها با دقتی بی‌سابقه
2019 AlphaStar (DeepMind) — شکست حرفه‌ای برتر در StarCraft II
2019 تشخیص رتینوپاتی دیابتی با دقت در سطح متخصص

فصل چهارم. اقتصاد

مشاغل و استخدام

شاخص استخدام هوش مصنوعی (LinkedIn) نشان داد که سنگاپور، برزیل، استرالیا، کانادا و هند در دوره ۲۰۱۵–۲۰۱۹ پیشتاز رشد استخدام بودند. در آمریکا ایالت واشنگتن بیشترین تقاضای نسبی برای موقعیت‌های هوش مصنوعی را داشت (تقریباً ۱.۴٪ از کل مشاغل)، پس از آن کالیفرنیا (۱.۳٪) و ماساچوست (۱.۳٪). از نظر تعداد مطلق کالیفرنیا با بیش از ۹۳٬۰۰۰ موقعیت شغلی هوش مصنوعی پیشتاز بود[5].

بیشترین نفوذ مهارت‌های هوش مصنوعی در بخش‌های خدمات فناوری اطلاعات (۲.۳٪ مشاغل)، خدمات حرفه‌ای و علمی (بیش از ۲٪)، مالی و بیمه (۱.۳٪) و صنعت تولید (۱.۱٪) مشاهده شد[6].

بر اساس داده‌های LinkedIn، هند نفوذ مهارت‌های هوش مصنوعی ۲.۶ برابر بالاتر از میانگین جهانی داشت. در بُعد جنسیتی وضعیت جالبی مشاهده شد: مردان در تعداد بیشتری از مشاغل در تمام کشورهای نمونه مهارت‌های هوش مصنوعی گزارش می‌دادند[6].

سرمایه‌گذاری

تأمین مالی استارت‌آپ‌های هوش مصنوعی با میانگین رشد سالانه بیش از ۴۸٪ رشد کرد (۲۰۱۰–۲۰۱۸). تا نوامبر ۲۰۱۹ حجم سرمایه‌گذاری‌ها به ۳۷.۴ میلیارد دلار رسید (در برابر ۴۰.۴ میلیارد دلار در کل سال ۲۰۱۸). بین ۲۰۱۴ و ۲۰۱۹، ۱۵٬۷۹۸ سرمایه‌گذاری با اندازه متوسط حدود ۸.۶ میلیون دلار انجام شد[7].

شاخص سرمایه‌گذاری سرانه در هوش مصنوعی برای اسرائیل بالاترین بود، پس از آن سنگاپور و ایسلند. استارت‌آپ‌های چینی سرمایه‌گذاری قابل توجهی بیشتر به ازای هر شرکت دریافت می‌کردند: ۳۴.۱ میلیون دلار — ۲۰۱٪ بیشتر از آمریکا و ۲۹۶٪ بیشتر از میانگین جهانی[7].

از نظر بخشی، بیشترین سرمایه‌گذاری‌ها به خودروهای خودمختار (۷.۷ میلیارد دلار، ۹.۹٪ از کل)، داروسازی و درمان سرطان (۴.۷ میلیارد)، تشخیص چهره (۴.۷ میلیارد)، محتوای ویدیویی (۳.۶ میلیارد) و کشف تقلب (۳.۱ میلیارد) اختصاص یافت. سریع‌ترین بخش‌های در حال رشد شامل اتوماسیون فرآیندهای رباتیک، مدیریت زنجیره تأمین و اتوماسیون صنعتی بود[7].

سرمایه‌گذاری دولتی (آمریکا)

دولت فدرال آمریکا برنامه‌ریزی کرد در سال مالی ۲۰۲۰ مبلغ ۴.۹۸ میلیارد دلار در تحقیقات هوش مصنوعی سرمایه‌گذاری کند. وزارت دفاع (DoD) — ۴.۰ میلیارد دلار، شامل ۵۰۶ میلیون از طریق DARPA، ۲۲۱ میلیون برای پروژه Maven و ۲۰۹ میلیون برای Joint AI Center (JAIC). هزینه‌های آژانس‌های فدرال برای قراردادهای هوش مصنوعی ~۷۰٪ رشد کرد: از ۴۲۹ میلیون دلار در ۲۰۱۷ به ۷۲۸ میلیون دلار در ۲۰۱۸[23].

پذیرش سازمانی

۵۸٪ از شرکت‌های بزرگ استفاده از هوش مصنوعی در حداقل یک وظیفه را گزارش کردند (افزایش از ۴۷٪ در ۲۰۱۸). ۳۰٪ از پاسخ‌دهندگان استقرار هوش مصنوعی در چندین واحد را ذکر کردند (۲۱٪ در ۲۰۱۸). رایج‌ترین قابلیت‌های هوش مصنوعی پیاده‌سازی‌شده: اتوماسیون فرآیندهای رباتیک، بینایی ماشین و Machine Learning. امنیت سایبری ریسکی بود که سازمان‌ها بیشتر با آن دست‌وپنجه نرم می‌کردند (۴۸٪)، در حالی که ریسک‌های توضیح‌پذیری (۱۹٪) و عدالت (۱۳٪) به‌مراتب کمتر مورد توجه بودند[8].

رباتیک صنعتی

در سال ۲۰۱۸ نصب جهانی ربات‌های صنعتی ۶٪ رشد کرد — به ۴۲۲٬۲۷۱ واحد به ارزش ۱۶.۵ میلیارد دلار. پارک عملیاتی ربات‌ها ۲٬۴۳۹٬۵۴۳ واحد بود. پنج بازار بزرگ‌تر — چین، ژاپن، آمریکا، کره جنوبی و آلمان — ۷۴٪ از نصب‌های جهانی را در اختیار داشتند. چین با ۱۵۴٬۰۳۲ واحد پیشتاز جهانی باقی ماند (۳۶٪)[24].

فصل پنجم. آموزش

یادگیری آنلاین

Coursera با بیش از ۴۵ میلیون یادگیرنده و ارائه بیش از ۳٬۷۰۰ دوره، رتبه‌بندی ۶۰ کشور بر اساس مهارت‌های هوش مصنوعی (Global Skills Index) را تهیه کرد. آسیای جنوبی و آسیای شرقی بیشترین سهم ثبت‌نام در دوره‌های هوش مصنوعی و شایستگی‌های مرتبط را داشتند. در Udacity دوره «Introduction to Machine Learning» بیش از ۱۲۵٬۰۰۰ ثبت‌نام تجمعی داشت[25].

برنامه‌های دانشگاهی

ثبت‌نام در دوره‌های مقدماتی هوش مصنوعی در استنفورد پنج برابر افزایش یافت (۲۰۱۲–۲۰۱۸). در دوره «Introduction to Machine Learning» در دانشگاه ایلینوی (UIUC) — دوازده برابر (۲۰۱۰–۲۰۱۸). در سطح بین‌المللی دانشگاه تورنتو بیشترین تعداد دانشجوی ثبت‌نامی را داشت، پس از آن مدرسه عالی اقتصاد (روسیه) و دانشگاه چینگهوا (چین)[1].

در اروپا ۲٬۰۵۴ برنامه در حوزه هوش مصنوعی شناسایی شد که اکثر آنها در سطح کارشناسی ارشد بودند. ۱۹۷ دانشگاه اروپایی ۴۰۶ برنامه کارشناسی ارشد تخصصی هوش مصنوعی ارائه می‌دادند[26].

تخصص‌های دکتری و خروج به صنعت

هوش مصنوعی محبوب‌ترین تخصص دکتری در علوم کامپیوتر شد: بیش از ۲۱٪ در سال ۲۰۱۸. سهم دکتری‌هایی که وارد صنعت می‌شدند سه برابر شد: از ۲۱٪ در ۲۰۰۴ به ۶۲٪ در ۲۰۱۸. بیش از ۶۰٪ از دکتری‌های جدید هوش مصنوعی در آمریکا و کانادا دانشجویان خارجی بودند (کمتر از ۴۰٪ در ۲۰۱۰)؛ تنها ~۱۰٪ پس از فارغ‌التحصیلی آمریکا را ترک کردند[9].

سه دانشگاه با بیشترین خروج اعضای هیئت علمی هوش مصنوعی: کارنگی ملون (۱۷ عضو ثابت)، دانشگاه واشنگتن (۱۱) و برکلی. در میان دانشگاه‌های کانادا، دانشگاه تورنتو بیشترین تلفات را داشت (۹ عضو). سهم زنان در میان فارغ‌التحصیلان دکتری هوش مصنوعی از ۲۰۱۰ تا ۲۰۱۸ در سطح ثابت ~۲۰٪ باقی ماند[10].

فصل ششم. سیستم‌های خودمختار

خودروهای بدون راننده

حداقل ۲۵ کشور شهرهایی برای آزمایش وسایل نقلیه خودمختار (AV) داشتند. در ایالت کالیفرنیا از ۲۰۱۵ تا ۲۰۱۸ تعداد شرکت‌های آزمایش‌کننده و تعداد کل AV هر کدام هفت برابر شد. در سال ۲۰۱۸ بیش از ۵۰ شرکت و ۵۰۰ دستگاه AV بیش از ۲ میلیون مایل پیمودند. حداقل ۴۱ ایالت و منطقه کلمبیا قانون‌گذاری مرتبط با AV را بررسی کردند[27].

نرخ تصادف AV در کالیفرنیا در سال ۲۰۱۸ برابر ۲۲.۴۴ در میلیون مایل بود — تقریباً ۵.۵ برابر شاخص تعدیل‌شده برای رانندگان معمولی. در اکثر تصادفات، خودرویی با راننده انسانی از پشت به AV متوقف یا در حال حرکت مستقیم در طول روز برخورد می‌کرد. اکثر خسارات جزئی بودند[27].

سلاح‌های خودمختار

بر اساس مطالعه تخصصی مؤسسه بین‌المللی تحقیقات صلح استکهلم (SIPRI)، حداقل ۸۹ کشور سیستم‌های دفاع هوایی خودکار داشتند. سیستم‌های حفاظت فعال تنها توسط نه کشور توسعه و تولید می‌شدند. داده‌ها دوره ۱۹۵۰–۲۰۱۷ را پوشش می‌دادند[28].

فصل هفتم. درک عمومی

بانک‌های مرکزی

ارتباطات بانک‌های مرکزی علاقه فزاینده‌ای به هوش مصنوعی نشان داد. بانک انگلستان، بانک ژاپن و فدرال رزرو بیشتر از سایرین به هوش مصنوعی اشاره کردند. ماهیت انتشارات از اسناد تحلیلی به سخنرانی‌ها تغییر کرد[1].

فعالیت پارلمانی و دولتی

افزایش بیش از ده برابری در فعالیت قانون‌گذاری مرتبط با هوش مصنوعی در کنگره آمریکا در سال‌های ۲۰۱۷–۲۰۱۸ مشاهده شد. در متن‌های کنگره سال ۲۰۱۹ بیشترین تعداد اشارات به هوش مصنوعی را داشت. روندهای مشابهی در پارلمان‌های کانادا و بریتانیا ثبت شد[23].

شرکت‌ها

سهم گزارش‌های درآمدی (earnings calls) ۳٬۰۰۰ شرکت عمومی آمریکایی حاوی اشاره به هوش مصنوعی از ۰.۰۱٪ (۲۰۱۰) به ۰.۴۲٪ (۲۰۱۸) افزایش یافت. بخش مالی از نظر تعداد اشارات پیشتاز بود[1].

رسانه‌ها و جستجوی وب

بر اساس داده‌های Google Trends، اصطلاح «machine learning» از سایر اصطلاحات مرتبط در جستجوهای آمریکا پیشی گرفت. بر اساس داده‌های GDELT Project، از مقالات خبری مرتبط با هوش مصنوعی، ۱۷.۷٪ به تأثیر بر اشتغال، ۲.۴٪ به تعصب الگوریتمی و تنها ۰.۹۹٪ به «ربات‌های کشنده» مربوط می‌شد[29].

فصل هشتم. ملاحظات اجتماعی

اصول اخلاقی

PricewaterhouseCoopers پنجاه و نه سند اصول اخلاق هوش مصنوعی از انجمن‌ها و کنسرسیوم‌ها، دولت‌ها، شرکت‌های فناوری، اتاق‌های فکر و سازمان‌های علمی را تحلیل کرد. دوازده چالش اخلاقی بیشترین اشاره را داشتند: پاسخگویی، ایمنی، کنترل انسانی، اعتمادپذیری و امنیت، عدالت، تنوع و فراگیری، پایداری، شفافیت، تفسیرپذیری و توضیح‌پذیری، گفتگوی چندجانبه، قانونی‌بودن و انطباق، حریم خصوصی داده[11].

عدالت، تفسیرپذیری/توضیح‌پذیری و شفافیت بیشترین اشاره را داشتند. برای شرکت‌های فناوری عدالت در ۱۰۰٪ چارچوب‌ها ذکر شد؛ برای اتاق‌های فکر — عدالت و کنترل انسانی (به ترتیب ۱۰۰٪ و ۸۸٪)[11].

هوش مصنوعی و اهداف توسعه پایدار سازمان ملل

McKinsey Global Institute حدود ۱۶۰ کاربرد هوش مصنوعی برای رفاه اجتماعی شناسایی کرد که به‌طور بالقوه از تمام ۱۷ هدف توسعه پایدار (SDG) سازمان ملل حمایت می‌کنند. هوش مصنوعی می‌توانست تقریباً نیمی از ۱۶۹ هدف فرعی SDG را مورد توجه قرار دهد. بیشترین تعداد کاربردها با SDG 3 (سلامت) و SDG 16 (جوامع صلح‌آمیز و فراگیر) مطابقت داشت. با این حال موانع قابل توجهی برای استقرار گسترده هوش مصنوعی در راستای توسعه پایدار وجود داشت: دسترسی به داده، توان محاسباتی، نیروی انسانی و آمادگی سازمانی[30].

فصل نهم. استراتژی‌های ملی و پویایی جهانی هوش مصنوعی

استراتژی‌های ملی

تعداد اسناد استراتژیک رسمی در حوزه هوش مصنوعی به‌طور پیوسته در حال افزایش بود. PwC با استفاده از تحلیل NLP برای ۳۷ سند دریافت که مشارکت دانشگاهی در ۹۴٪ اسناد، تحقیق و توسعه هوش مصنوعی در ۴۸٪ و حکمرانی هوش مصنوعی در ۴۲٪ ذکر شده بود. حمایت از مصرف‌کننده و عدالت کمترین اشاره را داشتند (۲٪)[11].

ابزار Global AI Vibrancy

ابزاری که برای اولین بار معرفی شد، ۲۸ کشور را بر اساس ۳۴ معیار که در سه محور گروه‌بندی شده‌اند پوشش داد: تحقیق و توسعه (۲۱ معیار)، اقتصاد (۱۰ معیار) و فراگیری (۵ معیار). ابزار به کاربران امکان می‌داد ضرایب وزنی را تنظیم کنند و هم مقایسه‌های بین‌کشوری و هم درون‌کشوری انجام دهند[1].

پروفایل‌های کشوری

گزارش شامل پروفایل‌های تفصیلی کشوری برای برزیل، چین، فرانسه، آلمان، هند، هلند، سنگاپور و آمریکا بود، همچنین مروری بر سیاست‌های منطقه‌ای چندجانبه در حوزه هوش مصنوعی[1].

نتایج قابل توجه بر اساس benchmark‌های سال ۲۰۱۹

Benchmark بهترین نتیجه (۲۰۱۹) سطح انسانی پیشرفت
ImageNet (Top-1) ~88% ~95% (یک ارزیاب) بهبود مستمر با داده‌های اضافی
GLUE از سطح غیرمتخصص فراتر رفت (ژوئن ۲۰۱۹) 87.1 (غیرمتخصص) RoBERTa، T5
SuperGLUE 88.9 (T5، Google) 89.8 در ۵ ماه پس از راه‌اندازی benchmark دست‌یافتنی شد
SQuAD 1.1 (F1) 95 ~91 از سطح انسانی فراتر رفت
SQuAD 2.0 (F1) 90 ~89 تقریباً در سطح انسانی
ARC Challenge 67.7% — وظایف استدلال همچنان دشوار هستند
VQA 75.28% ~80% رشد ۲.۸۵ واحد درصدی در یک سال

روش‌شناسی

گزارش از داده‌های منابع متعددی استفاده کرد[1]:

  • انتشارات: Elsevier Scopus، arXiv (NESTA)، Microsoft Academic Graph (MAG).
  • Benchmark‌ها: Papers With Code، DAWNBench/MLPerf، لیدربردهای GLUE، SuperGLUE، SQuAD، ARC، VQA، ActivityNet.
  • کنفرانس‌ها: داده‌های ثبت‌نام NeurIPS، ICML، ICLR، AAAI، CVPR، WiML، AI4ALL، RightsCon.
  • بازار کار: LinkedIn Economic Graph، Burning Glass Technologies، Indeed.
  • سرمایه‌گذاری‌ها: CAPIQ، Crunchbase، Quid.
  • فعالیت سازمانی: McKinsey Global Survey، International Federation of Robotics.
  • هزینه‌های دولتی: Bloomberg Government.
  • درک عمومی: Google Trends، GDELT Project، Prattle (بانک‌های مرکزی)، Hansard (پارلمان‌ها).
  • اخلاق و استراتژی‌ها: PricewaterhouseCoopers (NAISR)، Harvard، LexisNexis.
  • آموزش: CRA Taulbee Survey، Coursera، Udacity، Joint Research Centre (EC).
  • سیستم‌های خودمختار: California DMV، Bloomberg Philanthropies، SIPRI، NCSL.

تیم نویسندگان

گزارش توسط کمیته راهبری AI Index با هماهنگی ریموند پرو (Raymond Perrault، SRI International) و زیر ریاست یوآو شوهام (Yoav Shoham، دانشگاه استنفورد) تهیه شد. اعضای کمیته عبارت بودند از: اریک برینیولفسون (MIT)، جک کلارک (OpenAI)، جان اچمندی (استنفورد)، باربارا گروس (هاروارد)، ترا لایونز (Partnership on AI)، جیمز ماننیکا (McKinsey Global Institute) و خوان کارلوس نیبلز (استنفورد). سوراب میشرا (دانشگاه استنفورد) به عنوان مدیر پروژه و سردبیر اصلی عمل کرد. داده‌ها توسط بیش از ۲۰ سازمان شریک ارائه شد[1].

پیوندها

منابع

یادداشت‌ها

  1. ↑ 1.00 1.01 1.02 1.03 1.04 1.05 1.06 1.07 1.08 1.09 1.10 1.11 1.12 1.13 1.14 1.15 1.16 1.17 1.18 1.19 1.20 1.21 Perrault, R., Shoham, Y., Brynjolfsson, E., Clark, J., Etchemendy, J., Grosz, B., Lyons, T., Manyika, J., Mishra, S., Niebles, J.C. (2019). The AI Index 2019 Annual Report. AI Index Steering Committee, Human-Centered AI Institute, Stanford University. https://aiindex.stanford.edu/report/
  2. ↑ 2.0 2.1 Elsevier Scopus. Data on AI publications 1998–2018. https://www.scopus.com/
  3. ↑ 3.0 3.1 Coleman, C. et al. Stanford DAWNBench: An End-to-End Deep Learning Benchmark and Competition. https://dawn.cs.stanford.edu/benchmark/
  4. ↑ 4.0 4.1 Amodei, D., Hernandez, D. (2018). AI and Compute. OpenAI. https://openai.com/blog/ai-and-compute
  5. ↑ 5.0 5.1 Burning Glass Technologies. AI Job Posting Data 2010–2019. https://www.burning-glass.com/
  6. ↑ 6.0 6.1 6.2 LinkedIn Economic Graph. AI Hiring Index and Skill Penetration Data. https://economicgraph.linkedin.com/
  7. ↑ 7.0 7.1 7.2 7.3 Quid. Global AI Startup Investment Data. CAPIQ, Crunchbase. https://quid.com/
  8. ↑ 8.0 8.1 McKinsey & Company (2019). Global AI Survey: AI proves its worth, but few scale impact. https://www.mckinsey.com/capabilities/quantumblack/our-insights/global-ai-survey-ai-proves-its-worth-but-few-scale-impact
  9. ↑ 9.0 9.1 Computing Research Association. Taulbee Survey 2018. https://cra.org/resources/taulbee-survey/
  10. ↑ 10.0 10.1 Gofman, M., Jin, Z. (2019). Artificial Intelligence, Human Capital, and Innovation. University of Rochester Working Paper. http://www.aibraindrain.org
  11. ↑ 11.0 11.1 11.2 11.3 PricewaterhouseCoopers (2019). National AI Strategy Radar and Ethical AI Principles Analysis. https://www.pwc.com/
  12. ↑ arXiv. AI papers statistics 2010–2019. NESTA analysis. https://arxiv.org/
  13. ↑ 13.0 13.1 Wang, K., Shen, I., Dong, Y. Microsoft Academic Graph Data 2019. https://academic.microsoft.com/
  14. ↑ Stathoulopoulos, K., Mateos-Garcia, J. (2019). Women in AI Research. NESTA. https://www.nesta.org.uk/
  15. ↑ Prates, M., Avelar, P., Lamb, L. (2019). Ethics analysis in AI conferences. Federal University of Rio Grande do Sul.
  16. ↑ Russakovsky, O. et al. ImageNet Large Scale Visual Recognition Challenge. https://www.image-net.org/
  17. ↑ Wang, A. et al. (2018). GLUE: A Multi-Task Benchmark and Analysis Platform for Natural Language Understanding. https://gluebenchmark.com/
  18. ↑ Wang, A. et al. (2019). SuperGLUE: A Stickier Benchmark for General-Purpose Language Understanding Systems. https://super.gluebenchmark.com/
  19. ↑ Rajpurkar, P. et al. (2018). Know What You Don't Know: Unanswerable Questions for SQuAD. https://rajpurkar.github.io/SQuAD-explorer/
  20. ↑ Clark, P. et al. (2018). Think you have Solved Question Answering? Try ARC. Allen Institute for AI. https://allenai.org/data/arc
  21. ↑ Savenkov, K. Intento Machine Translation Quality Evaluation. https://inten.to/
  22. ↑ Lake, B. (2019). Omniglot Challenge: 3-year progress report. New York University.
  23. ↑ 23.0 23.1 Bloomberg Government (2019). Federal AI R&D Budget Analysis.
  24. ↑ International Federation of Robotics (2019). World Robotics Report 2019. https://ifr.org/worldrobotics/
  25. ↑ Coursera (2019). Global Skills Index. https://www.coursera.org/gsi
  26. ↑ Joint Research Centre, European Commission (2019). Academic offer and demand for advanced profiles in the EU.
  27. ↑ 27.0 27.1 California Department of Motor Vehicles (2019). Autonomous Vehicle Disengagement and Collision Reports. https://www.dmv.ca.gov/portal/vehicle-industry-services/autonomous-vehicles/
  28. ↑ Boulanin, V., Verbruggen, M. (2019). Mapping the Development of Autonomy in Weapon Systems. SIPRI. https://www.sipri.org/
  29. ↑ GDELT Project. Global AI News Coverage Data 2017–2019. https://www.gdeltproject.org/
  30. ↑ McKinsey Global Institute (2019). Notes from the AI frontier: Applying AI for social good. https://www.mckinsey.com/mgi/overview
Retrieved from "https://systems-analysis.info/int/index.php?title=The_2019_AI_Index_Report_(FA)&oldid=7954"