The 2019 AI Index Report (HE)

From Systems analysis Wiki
Jump to navigation Jump to search

AI Index Report 2019 — הגיליון השנתי המלא השני של דוח AI Index, שהוכן על ידי המכון לבינה מלאכותית ממוקדת אנוש של אוניברסיטת סטנפורד (Stanford HAI)[1]. דוח 2019 עוקב אחר פי שלושה יותר מערכי נתונים בהשוואה לגיליון 2018 ומכסה תשעה פרקים נושאיים: ממחקר ופיתוח ועד אסטרטגיות לאומיות ודינמיקה גלובלית של בינה מלאכותית. הגיליון כולל נתונים מעודכנים בכל היבטי הבינה המלאכותית — הישגים טכניים, כלכלה, חינוך, תפיסה ציבורית והשלכות חברתיות — ומציג שני כלים אינטראקטיביים חדשים: Global AI Vibrancy Tool (vibrancy.aiindex.org), המאפשר השוואת מדינות לפי 34 מדדים, ו-AI Index arXiv Monitor (arxiv.aiindex.org), המספק חיפוש טקסט מלא בפרפרינטים בתחום הבינה המלאכותית. AI Index הוא יוזמה עצמאית במסגרת מכון Stanford HAI, שנוצרה כחלק מפרויקט "מחקר מאה שנה בבינה מלאכותית" (AI100)[1].

הקשר ומטרות

משימת AI Index היא לספק נתונים אובייקטיביים ומאומתים היטב על התפתחות הבינה המלאכותית לקובעי מדיניות, חוקרים, מנהלים, עיתונאים והציבור הרחב[1]. דוח 2019 יצא לאור בעת צמיחה מהירה של העניין בבינה מלאכותית מצד ממשלות, תאגידים וחברה, ושאף לפרוץ מיתוסים נפוצים — בפרט, את הרעיון שפיתוח הבינה המלאכותית מצטמצם לתחרות בין ארצות הברית לסין. הנתונים שבדוח מדגימים שמרכזי מצוינות מקומיים בתחום הבינה המלאכותית נוצרים ברחבי העולם: פינלנד בולטת בחינוך בתחום הבינה המלאכותית, הודו מציגה חדירה גבוהה של מיומנויות AI, סינגפור מתאפיינת בתמיכה ממשלתית מאורגנת היטב, וישראל מובילה בהשקעות פרטיות בסטארטאפים של בינה מלאכותית לנפש[1].

מבנה הדוח

דוח 2019 מורכב מתשעה פרקים נושאיים[1]:

  1. מחקר ופיתוח (Research and Development) — נתוני ביבליומטריקה, פרסומים, פטנטים, גיוון מגדרי במחקר בינה מלאכותית.
  2. כנסים (Conferences) — נוכחות, סטטיסטיקת מאמרי AAAI, ארגוני גיוון, אתיקה בכנסים.
  3. ביצועים טכניים (Technical Performance) — benchmark-ים בראיית מחשב, עיבוד שפה, היסק, כוח חישוב.
  4. כלכלה (The Economy) — משרות, השקעות, אימוץ ארגוני, רובוטיזציה.
  5. חינוך (Education) — למידה מקוונת, תוכניות אוניברסיטאיות, התמחויות PhD, נטישת מרצים.
  6. מערכות אוטונומיות (Autonomous Systems) — רכבים אוטונומיים, נשק אוטונומי.
  7. תפיסה ציבורית (Public Perception) — בנקים מרכזיים, פרלמנטים, דוחות תאגידיים, מדיה.
  8. היבטים חברתיים (Societal Considerations) — עקרונות אתיים, בינה מלאכותית ופיתוח בר-קיימא של האו"ם.
  9. אסטרטגיות לאומיות ודינמיקה גלובלית של בינה מלאכותית (National Strategies and Global AI Vibrancy) — אסטרטגיות לאומיות, כלי השוואת מדינות.

ממצאים מרכזיים של הדוח

1. גידול בנפח הפרסומים

בתקופה שבין 1998 ל-2018 נפח הפרסומים הסקירים בתחום הבינה המלאכותית גדל ביותר מ-300%. עד 2018 מאמרי בינה מלאכותית היוו 3% מהפרסומים בכתבי-עת ו-9% ממאמרי הכנסים במסד הנתונים Scopus[2]. סין עד 2018 השתוותה לאירופה במספר הפרסומים בכתבי-עת ובכנסים בתחום הבינה המלאכותית, לאחר שעקפה את ארצות הברית כבר ב-2006. עם זאת, מדד הציטוט (FWCI) של פרסומים מארצות הברית עדיין היה גבוה בכ-50% מזה של סין[1].

2. נוכחות שיא בכנסים

הנוכחות בכנסי הבינה המלאכותית הגדולים המשיכה לגדול באופן משמעותי. כנס NeurIPS ב-2019 ציפה ל-13,500 משתתפים — גידול של 41% לעומת 2018 וגידול של יותר מ-800% לעומת 2012. כנסי AAAI ו-CVPR הציגו גידול שנתי בנוכחות של כ-30%[1].

3. התקדמות טכנית מהירה

זמן אימון מודל לסיווג תמונות על תשתית ענן קוצר מכשלוש שעות בערך באוקטובר 2017 לכ-88 שניות ביולי 2019; עלות האימון ירדה באופן דומה. ב-benchmark-ים SuperGLUE ו-SQuAD 2.0 ההתקדמות הייתה מהירה במיוחד, אולם במשימות הדורשות היסק (לדוגמה, AI2 Reasoning Challenge) ובמשימות למידת מושגים (Omniglot Challenge) התוצאות נותרו נמוכות יותר[3][1].

4. צמיחה אקספוננציאלית בכוח חישוב

לפני 2012 צמיחת כוח החישוב לבינה מלאכותית תאמה את חוק מור — הכפלה כל שנתיים. לאחר 2012 כוח החישוב הוכפל כל 3.4 חודשים, מה שהוביל לגידול של יותר מ-300,000 פעמים במשך שש שנים[4].

5. גידול עולמי בגיוס עובדים בתחום הבינה המלאכותית

סינגפור, ברזיל, אוסטרליה, קנדה והודו הציגו את הצמיחה המהירה ביותר בגיוס בתחום הבינה המלאכותית בתקופה 2015–2019. בארצות הברית חלקן של המשרות הקשורות לבינה מלאכותית גדל מ-0.26% מסך המשרות ב-2010 ל-1.32% באוקטובר 2019, כאשר הביקוש הגדול ביותר היה למומחי Machine Learning (0.51%)[5][6].

6. השקעות פרטיות עולות על 70 מיליארד דולר

ב-2019 ההשקעות הפרטיות העולמיות בבינה מלאכותית עלו על 70 מיליארד דולר, כולל יותר מ-37 מיליארד השקעות בסטארטאפים, 34 מיליארד בעסקאות M&A, כ-5 מיליארד ב-IPO וכ-2 מיליארד בהחזקות מיעוט. בין 2010 ל-2018 מימון סטארטאפים של בינה מלאכותית גדל מ-1.3 מיליארד ל-40.4 מיליארד דולר עם צמיחה שנתית ממוצעת של יותר מ-48%. רכבים אוטונומיים קיבלו את נתח ההשקעות הגדול ביותר (7.7 מיליארד), ואחריהם תרופות וטיפול בסרטן (4.7 מיליארד) וזיהוי פנים (4.7 מיליארד)[7].

7. אימוץ גובר של בינה מלאכותית בעסקים

לפי סקר של McKinsey & Company (2,360 נשאלים), 58% מהחברות הגדולות השתמשו בבינה מלאכותית לפחות בתפקיד אחד או יחידה עסקית אחת ב-2019 לעומת 47% ב-2018. עם זאת, רק 19% מהארגונים נקטו צעדים להפחתת סיכונים הקשורים להסבירות אלגוריתמית, ורק 13% — להתמודדות עם הטיה ואפליה[8].

8. בינה מלאכותית — ההתמחות הפופולרית ביותר ל-PhD

בינה מלאכותית הפכה להתמחות הפופולרית ביותר בקרב בוגרי PhD במדעי המחשב בצפון אמריקה: ב-2018 יותר מ-21% מבוגרי PhD במדעי המחשב התמחו בבינה מלאכותית ו-Machine Learning. חלק בוגרי ה-PhD בתחום הבינה המלאכותית שעוברים לתעשייה גדל מ-21% ב-2004 ליותר מ-60% ב-2018[9].

9. נטישת מרצי בינה מלאכותית מהאקדמיה

נטישת מרצי בינה מלאכותית מהאקדמיה לתעשייה האיצה: יותר מ-40 נטישות ב-2018 לעומת 15 ב-2012 ואפס ב-2004. הנפגעות הגדולות ביותר היו אוניברסיטת קרנגי מלון, אוניברסיטת וושינגטון ואוניברסיטת קליפורניה בברקלי[10].

10. גידול תשומת הלב לאתיקת בינה מלאכותית

הגינות, פרשנות והסבירות זוהו כאתגרים האתיים המוזכרים לרוב ב-59 מסמכי עקרונות לבינה מלאכותית אתית. מתוך יותר מ-3,600 כתבות חדשות עולמיות על אתיקה ובינה מלאכותית (אמצע 2018 — אמצע 2019) הנושאים הדומיננטיים היו מסגרות עקרונות והנחיות לשימוש אתי בבינה מלאכותית (32%), פרטיות נתונים (14%), זיהוי פנים (13%), הטיה אלגוריתמית (11%) ותפקיד חברות הטכנולוגיה הגדולות (11%)[11].

פרק 1. מחקר ופיתוח

הפרק מנתח מגמות בפרסומים לפי נתוני Elsevier Scopus, פרפרינטים של arXiv, Microsoft Academic Graph (MAG), פעילות פטנטים, פופולריות מסגרות תוכנה ב-GitHub וגיוון מגדרי בקרב חוקרי בינה מלאכותית[1].

פרסומים

אירופה נותרה המפרסמת הגדולה ביותר של מאמרים בתחום הבינה המלאכותית, והגיעה ליותר מ-27% מהפרסומים ב-Scopus עד 2018. חלקה של סין גדל מ-10% בשנת 2000 ל-28% ב-2018. בארצות הברית פרסומים תאגידיים היוו חלק גבוה יחסית: ב-2018 מספר מאמרי הבינה המלאכותית התאגידיים מארצות הברית עלה על אלו מסין ביותר מפי שבעה[2].

ב-arXiv המספר הכולל של מאמרי בינה מלאכותית ב-2010–2019 גדל ביותר מפי עשרים. ראיית מחשב (CV) הייתה תת-הקטגוריה הגדולה ביותר מאז 2014, אולם ב-2019 Machine Learning הפך לקטגוריה המובילה. תת-הקטגוריה "Computation & Language" גדלה בכמעט פי שישים מאז 2010[12].

ציטוטים

יותר מ-32% מהציטוטים העולמיים של מאמרים בכתבי-עת בתחום הבינה המלאכותית יוחסו למזרח אסיה, ויותר מ-40% מציטוטי מאמרי הכנסים — לצפון אמריקה. בתחום הפטנטים, צפון אמריקה צברה יותר מ-60% מפעילות הציטוטים העולמית בפטנטי בינה מלאכותית בשנים 2014–2018[13].

פטנטים

יותר מ-51% מפטנטי הבינה המלאכותית העולמיים יוחסו לצפון אמריקה. ארצות הברית פרסמה פי שלושה יותר פטנטי בינה מלאכותית מהמדינה הבאה — יפן. יותר מ-94% מפטנטי הבינה המלאכותית הוגשו במדינות בעלות הכנסה גבוהה[13].

GitHub Stars

מגמה בולטת הייתה הדומיננטיות של מסגרות הנתמכות על ידי תאגידים: TensorFlow (Google) ו-PyTorch (Facebook). מסגרות לא-תאגידיות — scikit-learn ו-Caffe — המשיכו לצמוח, אך בקצב נמוך יותר[1].

גיוון מגדרי במחקר

יותר מ-41% ממאמרי הבינה המלאכותית מהולנד ויותר מ-39% מדנמרק כללו לפחות מחברת אחת. ביפן ובסינגפור מדד זה עמד על 10% ו-16% בלבד בהתאמה. מדינות רבות במערב אירופה, כמו גם ארגנטינה, קנדה ואיראן, הציגו נוכחות נשית גבוהה יחסית במחקרי בינה מלאכותית[14].

פרק 2. כנסים

נוכחות

NeurIPS ב-2019 ציפה ל-13,500 משתתפים (גידול של 800% מאז 2012). ICLR גדל פי 15 לעומת 2014. הסמינר Women in Machine Learning (WiML) הגדיל את מספר המשתתפים ב-738% לעומת 2014, ותוכנית AI4ALL — ב-2,000% לעומת 2015[1].

סטטיסטיקת AAAI

בכנס AAAI 2019 סין הציגה את המספר הגדול ביותר של מאמרים שהוגשו והתקבלו. יותר מ-68% מהמגישים היו סטודנטים לתואר שלישי. לישראל היה אחוז הקבלה הגבוה ביותר (24%), ואחריה גרמניה (23%), קנדה (22%), ארצות הברית וסינגפור (20% כל אחת). Machine Learning, NLP וראיית מחשב נותרו שלושת הנושאים המובילים[1].

אתיקה בכנסים

המספר הכולל של מאמרים עם מילות מפתח הקשורות לאתיקה בכנסי הבינה המלאכותית המובילים נותר חלק קטן מהסך הכולל, אך גדל במהירות. הניתוח כיסה 110,108 מאמרים, כולל 59,352 מאמרי כנסים ו-50,756 מאמרי כתבי-עת[15].

פרק 3. ביצועים טכניים

הפרק עוקב אחר התקדמות טכנית במשימות ראיית מחשב, עיבוד שפה טבעית, היסק, תרגום מכונה וכוח חישוב[1].

ראיית מחשב

ImageNet. השיטה הראשונה שעלתה על דיוק אנושי ב-ImageNet פורסמה ב-2015. עד 2019 ההתקדמות נמשכה: שלוש השיטות המוצלחות ביותר השתמשו בנתוני אימון נוספים. תחרות ImageNet הופסקה ב-2017, אך ה-dataset נותר benchmark מרכזי[16].

זמן ועלות אימון. לפי פרויקט DAWNBench (Stanford), זמן אימון מודל לסיווג תמונות לדיוק 93%+ (top-5) על תשתית ענן קוצר מיותר מ-3 שעות (אוקטובר 2017) לכ-88 שניות (יולי 2019). עלות האימון ירדה מ-$2,323 (אוקטובר 2017, ResNet) לכ-$12 (ספטמבר 2018, ResNet על GCP עם Cloud TPU)[3].

יצירת תמונות. ההתקדמות ביצירת תמונות (CIFAR-10) נמדדה באמצעות מדד FID (Fréchet Inception Distance): ציון נמוך יותר מתאם לאיכות יצירה טובה יותר[1].

סגמנטציה סמנטית. ההתקדמות נמדדה לפי מדד mean IoU על dataset Cityscapes — משימה חשובה למערכות נהיגה אוטונומית[1].

עיבוד שפה טבעית

GLUE. ה-benchmark General Language Understanding Evaluation, שיצא במאי 2018, בוחן מערכות על תשע משימות עיבוד טקסט. למרות שה-benchmark היה בן קצת יותר משנה, תוצאות המערכות עלו על רמת מעריכים לא-מומחים ביוני 2019. מודלים RoBERTa (Facebook) ו-T5 (Google) המשיכו לשפר את הציונים[17].

SuperGLUE. benchmark מורכב יותר, שהושק במאי 2019. תוך חמישה חודשים מהשקתו, מודל T5 (Google) כמעט הגיע לרמת הבסיס האנושית של 89.8, עם ציון של 88.9[18].

SQuAD. ב-benchmark Stanford Question Answering Dataset ציון ה-F1 עבור SQuAD 1.1 גדל מ-67 (אוגוסט 2016) ל-95 (מאי 2019). ההתקדמות ב-SQuAD 2.0 הייתה מהירה עוד יותר: מ-62 (מאי 2018) ל-90 (יוני 2019). זמן אימון מודל לענות על שאלות ל-F1 ≥ 75 ב-SQuAD 1.0 קוצר מיותר מ-7 שעות (אוקטובר 2017) לפחות מ-19 דקות (מרץ 2019)[19].

היסק. ב-ARC Challenge Set (Allen Institute for AI) התוצאה הטובה ביותר הייתה 67.7% (ספטמבר 2019). ב-ARC-Easy — 85.4%. משימות הדורשות היסק נותרו קשות הרבה יותר עבור מערכות בינה מלאכותית[20].

תרגום מכונה

מספר מערכות תרגום מכונה הזמינות מסחרית עם מודלים מאומנים מראש גדל מ-8 (2017) ליותר מ-24 (2019). ההתקדמות הגדולה ביותר באיכות נצפתה עבור זוגות הסינית-אנגלית, האנגלית-גרמנית והרוסית-אנגלית[21].

Omniglot Challenge

במשך שלוש שנים נצפתה התקדמות ניכרת בסיווג מדוגמה אחת (one-shot), אולם בארבע משימות למידת המושגים האחרות (יצירת דוגמאות, פרסור, יצירת מושגים חדשים) ההתקדמות הייתה מוגבלת. למידה תוכנתית בייסיאנית (BPL) עדיין עלתה על גישות Neural Network במשימה המקורית[22].

כוח חישוב

ניתוח OpenAI הראה פערים מבניים: לפני 2012 כמות החישוב לבינה מלאכותית הוכפלה כל שנתיים (חוק מור); לאחר 2012 — כל 3.4 חודשים. מאז 2012 מדד זה גדל ביותר מ-300,000 פעמים[4].

אבני דרך ברמה אנושית

הדוח עדכן את הכרונולוגיה של הישגי הבינה המלאכותית, והוסיף שני תוצאות חדשות לאלו שתועדו קודם (Othello — 1980, דמקה — 1995, שחמט — 1997, Jeopardy! — 2011, Atari — 2015, ImageNet — 2016, Go — 2016, פוקר — 2017, Ms. Pac-Man — 2017, StarCraft II — 2019):

שנה הישג
2018 AlphaFold (DeepMind) — חיזוי מבנה תלת-ממדי של חלבונים בדיוק חסר תקדים
2019 AlphaStar (DeepMind) — ניצחון על שחקן מקצועי מוביל ב-StarCraft II
2019 זיהוי רטינופתיה סוכרתית בדיוק ברמת מומחה

פרק 4. כלכלה

משרות וגיוס

מדד הגיוס בבינה מלאכותית (LinkedIn) הראה כי סינגפור, ברזיל, אוסטרליה, קנדה והודו הובילו בקצב צמיחת הגיוס בתקופה 2015–2019. בארצות הברית, מדינת וושינגטון הייתה בעלת הביקוש היחסי הגדול ביותר למשרות בינה מלאכותית (כמעט 1.4% מסך המשרות), ואחריה קליפורניה (1.3%) ומסצ'וסטס (1.3%). במספר המוחלט הובילה קליפורניה עם יותר מ-93,000 משרות בינה מלאכותית[5].

החדירה הגדולה ביותר של מיומנויות בינה מלאכותית נצפתה במגזרי שירותי מידע (2.3% מהמשרות), שירותים מקצועיים ומדעיים (יותר מ-2%), פיננסים וביטוח (1.3%) ותעשייה (1.1%)[6].

לפי LinkedIn, הודו הציגה חדירת מיומנויות בינה מלאכותית הגבוהה פי 2.6 מהממוצע העולמי. תמונה מעניינת נצפתה בפילוח המגדרי: גברים דיווחו על מיומנויות בינה מלאכותית ביותר מקצועות מאשר נשים, בכל המדינות שבמדגם[6].

השקעות

מימון סטארטאפים בבינה מלאכותית גדל בקצב שנתי ממוצע של יותר מ-48% (2010–2018). עד נובמבר 2019 היקף ההשקעות עמד על 37.4 מיליארד דולר (לעומת 40.4 מיליארד דולר לכל שנת 2018). בין 2014 ל-2019 בוצעו 15,798 השקעות עם גודל ממוצע של כ-8.6 מיליון דולר[7].

מדד ההשקעות בבינה מלאכותית לנפש היה הגבוה ביותר אצל ישראל, ואחריה סינגפור ואיסלנד. סטארטאפים מסין קיבלו השקעות גדולות יותר משמעותית לחברה: 34.1 מיליון דולר — 201% יותר מארצות הברית ו-296% יותר מהממוצע העולמי[7].

מבחינה מגזרית, ההשקעות הגדולות ביותר הופנו לרכבים אוטונומיים (7.7 מיליארד דולר, 9.9% מהנפח הכולל), לתרופות וטיפול בסרטן (4.7 מיליארד דולר), לזיהוי פנים (4.7 מיליארד דולר), לתוכן וידאו (3.6 מיליארד דולר) ולאיתור הונאות (3.1 מיליארד דולר). הכיוונים בצמיחה המהירה ביותר היו אוטומציה רובוטית של תהליכים, ניהול שרשרת אספקה ואוטומציה תעשייתית[7].

השקעות ממשלתיות (ארצות הברית)

הממשל הפדרלי של ארצות הברית תכנן להשקיע 4.98 מיליארד דולר במחקר בינה מלאכותית בשנת הכספים 2020. משרד ההגנה (DoD) — 4.0 מיליארד דולר, כולל 506 מיליון דולר דרך DARPA, 221 מיליון דולר לפרויקט Maven ו-209 מיליון דולר ל-Joint AI Center (JAIC). הוצאות הסוכנויות הפדרליות על חוזי בינה מלאכותית גדלו בכ-70%: מ-429 מיליון דולר ב-2017 ל-728 מיליון דולר ב-2018[23].

אימוץ ארגוני

58% מהחברות הגדולות דיווחו על שימוש בבינה מלאכותית לפחות בתפקיד אחד (גידול מ-47% ב-2018). 30% מהנשאלים ציינו אימוץ בינה מלאכותית ביחידות עסקיות מרובות (21% ב-2018). יכולות הבינה המלאכותית הנפוצות ביותר שיושמו: אוטומציה רובוטית של תהליכים, ראיית מחשב ו-Machine Learning. אבטחת סייבר הייתה הסיכון שאיתו ארגונים נאבקו לרוב (48%), בעוד שסיכוני הסבירות (19%) והגינות (13%) טופלו הרבה פחות[8].

רובוטיזציה תעשייתית

ב-2018 התקנות רובוטים תעשייתיים עולמיות גדלו ב-6% — ל-422,271 יחידות בשווי 16.5 מיליארד דולר. ציי הרובוטים המבצעיים כלל 2,439,543 יחידות. חמשת השווקים הגדולים ביותר — סין, יפן, ארצות הברית, דרום קוריאה וגרמניה — צברו 74% מההתקנות הגלובליות. סין נותרה מובילה עולמית (36%), עם התקנת 154,032 יחידות[24].

פרק 5. חינוך

למידה מקוונת

Coursera, המשרתת יותר מ-45 מיליון לומדים ומציעה יותר מ-3,700 קורסים, ערכה דירוג של 60 מדינות לפי מיומנויות בינה מלאכותית (Global Skills Index). דרום אסיה ומזרח אסיה הציגו את הנתח הגדול ביותר של הרשמות לקורסים בתחומי בינה מלאכותית ומיומנויות קשורות. ב-Udacity הקורס "Introduction to Machine Learning" צבר יותר מ-125,000 הרשמות מצטברות[25].

תוכניות אוניברסיטאיות

ההרשמה לקורסי מבוא בבינה מלאכותית בסטנפורד גדלה פי חמישה (2012–2018). לקורס "Introduction to Machine Learning" באוניברסיטת אילינוי (UIUC) — פי שנים עשר (2010–2018). ברמה הבינלאומית, לאוניברסיטת טורונטו היה המספר הגדול ביותר של סטודנטים רשומים, ואחריה בית הספר הגבוה לכלכלה (רוסיה) ואוניברסיטת צינגחואה (סין)[1].

באירופה זוהו 2,054 תוכניות הכוללות את תחום הבינה המלאכותית, כאשר הרוב המכריע הן ברמת התואר השני. 197 אוניברסיטאות אירופאיות הציעו 406 תוכניות מוסמך מיוחדות בבינה מלאכותית[26].

התמחויות PhD ונטישה לתעשייה

בינה מלאכותית הפכה להתמחות ה-PhD הפופולרית ביותר במדעי המחשב: יותר מ-21% ב-2018. חלק ה-PhD שעוברים לתעשייה שולש: מ-21% ב-2004 ל-62% ב-2018. יותר מ-60% מבוגרי ה-PhD החדשים בבינה מלאכותית בארצות הברית ובקנדה היו סטודנטים זרים (פחות מ-40% ב-2010); רק כ-10% עזבו את ארצות הברית לאחר הסיום[9].

שלוש האוניברסיטאות עם ההפסדים הגדולים ביותר של מרצי בינה מלאכותית: קרנגי מלון (17 חברי סגל קבועים), אוניברסיטת וושינגטון (11) ובקלי. בין האוניברסיטאות הקנדיות, אוניברסיטת טורונטו הפסידה הכי הרבה (9 מרצים). חלק הנשים בקרב בוגרות PhD בתחום הבינה המלאכותית נשאר יציב ברמה של כ-20% בין 2010 ל-2018[10].

פרק 6. מערכות אוטונומיות

רכבים אוטונומיים

לא פחות מ-25 מדינות היו בהן ערים הבוחנות כלי רכב אוטונומיים (AV). במדינת קליפורניה, בין 2015 ל-2018, מספר חברות הבדיקה וסך כלי הרכב האוטונומיים גדלו פי שבעה. ב-2018 יותר מ-50 חברות ו-500 כלי רכב אוטונומיים נסעו יותר מ-2 מיליון מיילים. לא פחות מ-41 מדינות ומחוז קולומביה שקלו חקיקה הקשורה לכלי רכב אוטונומיים[27].

תדירות תאונות רכבים אוטונומיים בקליפורניה ב-2018 עמדה על 22.44 למיליון מייל — גבוהה בכ-5.5 פעמים מהמדד המתוקנן לנהגים רגילים. ברוב התאונות, רכב עם נהג אנושי נסע אל תוך הגב של כלי רכב אוטונומי שעמד או נסע ישר, בשעות היום. רוב הנזקים היו קלים[27].

נשק אוטונומי

לפי מחקר מומחים של המכון הבינלאומי לחקר השלום של סטוקהולם (SIPRI), לא פחות מ-89 מדינות היו בעלות מערכות הגנה אווירית אוטומטיות. מערכות הגנה פעילה פותחו ויוצרו על ידי תשע מדינות בלבד. הנתונים כיסו את התקופה 1950–2017[28].

פרק 7. תפיסה ציבורית

בנקים מרכזיים

תקשורת הבנקים המרכזיים הציגה עניין גובר בבינה מלאכותית. בנק אנגליה, בנק יפן והפדרל ריזרב הזכירו בינה מלאכותית לרוב מבין הבנקים האחרים. אופי הפרסומים השתנה ממסמכי ניתוח לנאומים[1].

פעילות פרלמנטרית וממשלתית

נצפתה עלייה של יותר מפי עשרה בפעילות חקיקתית הקשורה לבינה מלאכותית בקונגרס האמריקאי בשנים 2017–2018. בפרוטוקולי הקונגרס, שנת 2019 הייתה השנה עם מספר ההזכרות הגדול ביותר של בינה מלאכותית. מגמות דומות נצפו בפרלמנטים של קנדה ובריטניה[23].

תאגידים

חלק שיחות הרווחים (earnings calls) של 3,000 חברות ציבוריות בארצות הברית המכילות אזכורי בינה מלאכותית גדל מ-0.01% (2010) ל-0.42% (2018). המגזר הפיננסי הוביל במספר האזכורים[1].

מדיה וחיפוש ברשת

לפי Google Trends, המונח "machine learning" עלה על מונחים קשורים אחרים בחיפושים בארצות הברית. לפי פרויקט GDELT, מתוך כתבות החדשות הקשורות לבינה מלאכותית, 17.7% עסקו בהשפעה על תעסוקה, 2.4% — בהטיה אלגוריתמית, ורק 0.99% — ב"רובוטים רוצחים"[29].

פרק 8. היבטים חברתיים

עקרונות אתיים

PricewaterhouseCoopers ניתחה 59 מסמכי עקרונות לבינה מלאכותית אתית מאגודות וקונסורציומים, ממשלות, חברות טכנולוגיה, מרכזי מחשבה וארגוני מחקר. שנים עשר אתגרים אתיים זוהו כמוזכרים לרוב: אחריות, בטיחות, פיקוח אנושי, אמינות ואבטחה, הגינות, גיוון והכלה, חוסן, שקיפות, פרשנות והסבירות, דיאלוג רב-צדדי, חוקיות ותאימות, פרטיות נתונים[11].

הגינות, פרשנות/הסבירות ושקיפות הוזכרו לרוב. עבור חברות טכנולוגיה, הגינות צוינה ב-100% מהמסגרות; עבור מרכזי מחשבה — הגינות ופיקוח אנושי (100% ו-88% בהתאמה)[11].

בינה מלאכותית ויעדי הפיתוח בר-הקיימא של האו"ם

McKinsey Global Institute זיהה כ-160 שימושים בבינה מלאכותית לטובת החברה, שעשויים לתמוך בכל 17 יעדי הפיתוח בר-הקיימא (SDG) של האו"ם. בינה מלאכותית יכלה לטפל בכ-מחצית מ-169 היעדים הכמותיים של ה-SDG. המספר הגדול ביותר של שימושים תאם ל-SDG 3 (בריאות) ו-SDG 16 (חברות שלוות ומכלילות). עם זאת, לפריסה רחבת-היקף של בינה מלאכותית לטובת הפיתוח בר-הקיימא נותרו מחסומים משמעותיים: זמינות נתונים, כוח חישוב, כוח אדם ומוכנות ארגונית[30].

פרק 9. אסטרטגיות לאומיות ודינמיקה גלובלית של בינה מלאכותית

אסטרטגיות לאומיות

מספר מסמכי האסטרטגיה הרשמיים בתחום הבינה המלאכותית גדל בהתמדה. PwC, בשימוש ניתוח NLP של 37 מסמכים, מצאה כי שותפות אקדמית הוזכרה ב-94% מהמסמכים, מחקר ופיתוח בינה מלאכותית — ב-48%, ממשל בינה מלאכותית — ב-42%. הגנת צרכנים והגינות הוזכרו לעתים נדירות ביותר (2%)[11].

כלי Global AI Vibrancy

הכלי שהוצג לראשונה כיסה 28 מדינות לפי 34 מדדים, המקובצים בשלושה עמודים: מחקר ופיתוח (21 מדדים), כלכלה (10 מדדים) ומכלילות (5 מדדים). הכלי אפשר למשתמשים להתאים משקולות ולערוך השוואות בין-מדינתיות ותוך-מדינתיות[1].

פרופילי מדינות

הדוח כלל פרופילי מדינות מפורטים לברזיל, סין, צרפת, גרמניה, הודו, הולנד, סינגפור וארצות הברית, כמו גם סקירה של מדיניות אזורית רב-צדדית בתחום הבינה המלאכותית[1].

תוצאות benchmark משמעותיות לשנת 2019

Benchmark תוצאה טובה ביותר (2019) רמה אנושית התקדמות
ImageNet (Top-1) ~88% ~95% (מסמן אחד) שיפור מתמיד עם נתונים נוספים
GLUE נעלה על רמה לא-מומחית (יוני 2019) 87.1 (לא-מומחה) RoBERTa, T5
SuperGLUE 88.9 (T5, Google) 89.8 הושג תוך 5 חודשים מהשקת ה-benchmark
SQuAD 1.1 (F1) 95 ~91 עלה על הרמה האנושית
SQuAD 2.0 (F1) 90 ~89 כמעט ברמת האדם
ARC Challenge 67.7% — משימות היסק נותרות קשות
VQA 75.28% ~80% גידול של 2.85 נקודות אחוז לשנה

מתודולוגיה

הדוח השתמש בנתונים ממגוון מקורות[1]:

  • פרסומים: Elsevier Scopus, arXiv (NESTA), Microsoft Academic Graph (MAG).
  • Benchmark-ים: Papers With Code, DAWNBench/MLPerf, לוחות מובילים של GLUE, SuperGLUE, SQuAD, ARC, VQA, ActivityNet.
  • כנסים: נתוני רישום של NeurIPS, ICML, ICLR, AAAI, CVPR, WiML, AI4ALL, RightsCon.
  • שוק העבודה: LinkedIn Economic Graph, Burning Glass Technologies, Indeed.
  • השקעות: CAPIQ, Crunchbase, Quid.
  • פעילות תאגידית: McKinsey Global Survey, International Federation of Robotics.
  • הוצאות ממשלתיות: Bloomberg Government.
  • תפיסה ציבורית: Google Trends, GDELT Project, Prattle (בנקים מרכזיים), Hansard (פרלמנטים).
  • אתיקה ואסטרטגיות: PricewaterhouseCoopers (NAISR), Harvard, LexisNexis.
  • חינוך: CRA Taulbee Survey, Coursera, Udacity, Joint Research Centre (EC).
  • מערכות אוטונומיות: California DMV, Bloomberg Philanthropies, SIPRI, NCSL.

צוות המחברים

הדוח הוכן על ידי ועדת ההיגוי של AI Index בתיאום ריימונד פרו (Raymond Perrault, SRI International) ובנשיאות יואב שוהאם (Yoav Shoham, אוניברסיטת סטנפורד). חברי הוועדה כללו: אריק בריינולפסון (MIT), ג'ק קלארק (OpenAI), ג'ון אטשמנדי (סטנפורד), ברברה גרוס (הרווארד), טרה ליונס (Partnership on AI), ג'יימס מניקה (McKinsey Global Institute) וחואן קרלוס ניבלס (סטנפורד). מנהל הפרויקט ועורך ראשי היה סאוראב מישרה (אוניברסיטת סטנפורד). הנתונים סופקו על ידי יותר מ-20 ארגוני שותפים[1].

קישורים חיצוניים

ביבליוגרפיה

הערות

  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_(HE)&oldid=7955"