The 2021 AI Index Report (BG)

From Systems analysis Wiki
Jump to navigation Jump to search

AI Index Report 2021 — четвъртото годишно издание на доклада AI Index, изготвен от Станфордския институт за човекоцентриран изкуствен интелект (Stanford HAI)[1]. Докладът от 2021 г. значително разширява обема на данните в сравнение с предишните издания, включва работа с по-широк кръг от външни организации-партньори и задълбочава връзките със Станфордския институт HAI. Изданието проследява, систематизира, обобщава и визуализира данни, свързани с изкуствения интелект, предоставяйки обективна, внимателно верифицирана и глобално събрана информация за политици, изследователи, ръководители, журналисти и широката общественост. Докладът обхваща период, в значителна степен определен от пандемията COVID-19, която повлия на множество аспекти от развитието на ИИ — от ускоряване на разработването на лекарства до преминаването на конференциите към виртуален формат.

Контекст: влиянието на COVID-19

Пандемията COVID-19 оказа забележимо, но неднозначно влияние върху развитието на ИИ през 2020 г.[1]. В областта на техническите постижения стартъпът PostEra приложи методи на Machine Learning за ускоряване на откриването на лекарства, свързани с COVID-19[2]. Главата за икономиката посочва, че наемането на специалисти в областта на ИИ и частните инвестиции не претърпяха съществено негативно влияние от пандемията — и двата показателя нараснаха през 2020 г. Преходът на конференциите към виртуален формат доведе до значителен скок в посещаемостта: броят на участниците в девет големи конференции почти се удвои.

Структура на доклада

Докладът от 2021 г. се състои от седем тематични глави[1]:

  1. Изследвания и разработки (Research and Development) — тенденции в публикациите, патентите, конференциите и софтуера с отворен код.
  2. Техническа производителност (Technical Performance) — напредък в компютърното зрение, обработката на естествен език, разпознаването на реч, разсъжденията, здравеопазването и биологията.
  3. Икономика (The Economy) — пазар на труда, инвестиции и корпоративна активност в областта на ИИ.
  4. Образование в областта на ИИ (AI Education) — тенденции в подготовката на кадри, курсове и програми.
  5. Етични предизвикателства на приложенията на ИИ (Ethical Challenges of AI Applications) — принципи, медийно отразяване, етика на конференциите.
  6. Разнообразие в ИИ (Diversity in AI) — полово, расово и етническо разнообразие.
  7. Политика и национални стратегии в областта на ИИ (AI Policy and National Strategies) — законодателство, междуправителствено сътрудничество, държавни инвестиции.

Ключови изводи на доклада (Top 9)

Авторите на доклада са откроили девет главни тезиса за 2021 г.[1]:

1. Рязък ръст на инвестициите в разработването на лекарства с ИИ

Направлението „Лекарства, онкология, молекули, откриване на лекарства" (Drugs, Cancer, Molecular, Drug Discovery) получи най-голям обем частни инвестиции в ИИ през 2020 г. — над 13,8 млрд. щатски долара, което е 4,5 пъти повече от показателя за 2019 г.[1][3].

2. Продължаване на преориентирането на кадрите към индустрията

През 2019 г. 65% от завършилите докторантура по ИИ в Северна Америка са избрали работа в индустрията — в сравнение с 44,4% през 2010 г., което подчертава нарастващата роля на промишлеността в развитието на ИИ[1][4].

3. Генеративни модели — „генеративно всичко"

Системите с ИИ се научиха да генерират текст, аудио и изображения на такова ниво на качество, че на хората им е трудно да различат синтетичните резултати от истинските в редица ограничени приложения на технологията[1].

4. Проблемът с разнообразието в ИИ

Сред новите притежатели на PhD степен по ИИ в САЩ за 2019 г. — 45% са бели, 2,4% — афроамериканци и 3,2% — латиноамериканци[1][4].

5. Китай изпреварва САЩ по цитирания на журнални статии за ИИ

След като изпревари САЩ по общ брой журнални публикации по ИИ с няколко години по-рано, Китай за пръв път излезе напред и по брой цитирания на журнални статии през 2020 г. САЩ обаче продължават стабилно и значително да изпреварват Китай по брой конферентни статии по ИИ (които също се цитират по-често) през последното десетилетие[1][5].

6. Повечето докторанти по ИИ в САЩ са чужденци и остават там

Делът на чуждестранните студенти сред новите докторанти по ИИ в Северна Америка продължи да расте през 2019 г., достигайки 64,3% — ръст от 4,3 п.п. спрямо 2018 г. Сред чуждестранните завършили 81,8% останаха в САЩ, а 8,6% намериха работа извън Съединените щати[1][4].

7. Технологиите за наблюдение — бързи, евтини и навсякъде

Технологиите, необходими за мащабно наблюдение, се усъвършенстват стремително: методите за класификация на изображения, разпознаване на лица, анализ на видео и идентификация на глас демонстрираха значителен напредък през 2020 г.[1].

8. Етиката на ИИ няма benchmark-ове и консенсус

Въпреки че редица организации публикуват качествени и нормативни документи в областта на етиката на ИИ, в тази сфера като цяло липсват benchmark-ове, които могат да се използват за измерване или оценка на връзката между обществените дискусии за развитието на технологиите и самия процес на разработване[1].

9. ИИ привлече вниманието на Конгреса на САЩ

116-ият Конгрес стана най-ориентираният към ИИ в цялата история: броят на споменаванията на ИИ в неговите протоколи надвиши повече от три пъти показателя на 115-ия Конгрес[1][6].

Глава 1. Изследвания и разработки

Главата анализира тенденциите в публикациите (рецензирани, журнални, конферентни, патентни), в активността в arXiv, на конференциите и в софтуера с отворен код[1].

Рецензирани публикации

Общият брой рецензирани публикации по ИИ нарасна почти 12 пъти между 2000 и 2019 г. Делът на публикациите по ИИ сред всички рецензирани публикации в света се увеличи от 0,82% през 2000 г. до 3,8% през 2019 г.[1][7].

Регионално разпределение.Източна Азия и Тихоокеанският регион запазват най-голям дял рецензирани публикации по ИИ от 2004 г. насам (36,9% през 2019 г.), следвани от Европа и Централна Азия (25,1%) и Северна Америка (17,0%). Между 2009 и 2019 г. Южна Азия и Африка на юг от Сахара демонстрираха най-голям ръст — съответно осем и седем пъти[1][5].

Сравнение по географски зони. До 2019 г. Китай зае първо място по дял рецензирани публикации по ИИ в света (22,4%), изпреварвайки ЕС (16,4%) през 2017 г. САЩ са на трето място (14,6%). Китай публикува 3,5 пъти повече рецензирани статии по ИИ през 2019 г., отколкото през 2014 г.[1][7].

Институционална принадлежност. Във всеки голям регион най-голям дял рецензирани публикации принадлежи на академичните институти. Въпреки това вторите по значимост източници се различават: в САЩ корпоративните изследвания съставляват 19,2% от общия брой, докато в Китай и ЕС на второ място са държавните институции (съответно 15,6% и 17,2%)[1][7].

Академично-корпоративно сътрудничество. Между 2015 и 2019 г. САЩ произведоха най-голям брой съвместни академично-корпоративни рецензирани публикации по ИИ — повече от два пъти надвишавайки ЕС на второ място, следван от Китай[1].

Журнални публикации

Броят на журналните публикации по ИИ през 2020 г. беше 5,4 пъти по-висок от този за 2000 г. Ръстът е 34,5% от 2019 до 2020 г. — значително по-висок процентен ръст, отколкото от 2018 до 2019 г. (19,6%). Делът на журналните публикации по ИИ сред всички журнални публикации в света беше 2,2% през 2020 г.[1][5].

Цитирания. През 2020 г. Китай (20,7%) за пръв път изпревари САЩ (19,8%) по дял цитирания на журнални статии по ИИ в света. ЕС продължи да губи обща позиция (11,0%)[1][5].

Конферентни публикации

Броят на конферентните публикации по ИИ нарасна четири пъти между 2000 и 2019 г. Китай изпревари САЩ по дял конферентни публикации по ИИ през 2019 г.[1][5].

Цитирания. За разлика от журналните публикации, САЩ запазиха стабилно и значително лидерство по цитирания на конферентни статии по ИИ през последното десетилетие (40,1% през 2020 г.), значително изпреварвайки Китай (11,8%) и ЕС (10,9%)[1][5].

Публикации в arXiv

За шест години броят на публикациите, свързани с ИИ, в arXiv нарасна повече от шест пъти: от 5 478 през 2015 г. до 34 736 през 2020 г.[1][8]. Сред изследователските области най-голям ръст за 2015–2020 г. демонстрираха роботиката (cs.RO, ръст от 11 пъти) и Machine Learning (cs.LG, ръст от 10 пъти). През 2020 г. лидери по брой публикации бяха cs.LG (32,0%) и компютърното зрение cs.CV (31,7%)[1].

Северна Америка продължи да лидира по дял публикации в arXiv (36,3% през 2020 г.), но този дял намаляваше (от 41,6% през 2017 г.). Делът на Източна Азия и Тихоокеанския регион нарастваше стабилно: от 17,3% през 2015 г. до 26,5% през 2020 г.[1].

Патенти

Данните от Microsoft Academic Graph демонстрират устойчив ръст на броя патенти, свързани с ИИ, в продължение на две десетилетия[1][5].

Дълбоко обучение

Изследователи от Nesta използваха алгоритми за тематично моделиране за идентифициране на публикации за дълбоко обучение в arXiv. През последните пет години броят на публикациите за дълбоко обучение в arXiv нарасна почти шест пъти[1][9].

Конференции

През 2020 г. повечето големи конференции по ИИ се проведоха във виртуален формат поради COVID-19, което доведе до рязко увеличение на посещаемостта. Броят на участниците в девет конференции почти се удвои[1]. Сред големите конференции: NeurIPS (22 011 участници), IROS (25 719 — виртуален формат с разширен достъп за три месеца), ICML (10 800), CVPR (7 500). Сред по-малките конференции се откроиха ICLR (5 600), ACL (3 972), AAMAS (3 726)[1].

Корпоративно присъствие. Изследването показа, че големите технологични компании увеличават присъствието си на водещите конференции по ИИ. Всичките 10 големи конференции демонстрираха нарастваща тенденция на корпоративно представителство. Авторите на статията „The De-Democratization of AI" посочват, че неравномерното разпределение на изчислителни ресурси между академията и индустрията — т.нар. „изчислителна пропаст" (compute divide) — задълбочава неравенството в епохата на дълбокото обучение[10].

Софтуер с отворен код

TensorFlow (разработен от Google, публично пуснат през 2017 г.) остана най-популярната ИИ библиотека с отворен код в GitHub (153 хил. звезди към 2020 г.). Втора по популярност библиотека стана Keras (51 хил. звезди), трета — PyTorch от Facebook (46 хил. звезди). Сред другите библиотеки се откроиха Scikit-learn (45 хил.), BVLC/Caffe (31 хил.), MXNet (19 хил.) и CNTK (17 хил.)[1][11].

Глава 2. Техническа производителност

Главата обхваща напредъка в компютърното зрение (изображения и видео), обработката на естествен език, разсъжденията за език и зрение, разпознаването на реч, символното разсъждение, както и в здравеопазването и биологията[1].

Компютърно зрение — изображения

ImageNet. Компютърното зрение претърпя колосален напредък през последното десетилетие. Производителността при редица от най-значимите benchmark-ове започна да се изравнява, което сочи необходимостта от по-сложни тестове. Докладът представя данни за точността Top-1 и Top-5 при ImageNet, както и за времето и цената на обучение[1][12].

Нови по-сложни тестове. Тъй като напредъкът при стандартния ImageNet се забавя, докладът представя по-сложни benchmark-ове: ImageNet-Adversarial (съдържа естествени затрудняващи фактори и систематично неправилно класифицирани изображения), ImageNet-C (75 вида визуални изкривявания: промяна на яркостта, контраста, пикселизация, ефекти на мъгла) и ImageNet-Rendition (30 000 илюстрации на 200 класа от ImageNet, проверяващи обобщаването)[1].

Генериране на изображения. Напредъкът се измерва с показателя Fréchet Inception Distance (FID) върху dataset-а STL-10 — към 2020 г. най-добрият показател е 25,4 (колкото по-нисък, толкова по-добър). Качествени примери за генериране на лица показват стремителния напредък на GAN: към 2018 г. производителността достигна ниво, при което хората трудно различават фалшификацията[1][13].

Разкриване на deepfake. Deepfake Detection Challenge (DFDC), създаден от Facebook през септември 2019 г., показа намаление на показателя log loss с около 0,5 за периода от декември 2019 до март 2020 г., до стойност 0,19[1][14].

Оценка на позата на човека. При benchmark-а COCO Keypoint Detection точността на алгоритмите се подобри с около 33% за четири години, достигайки 80,8% средна точност (AP)[1].

Семантична сегментация. Напредъкът при benchmark-а Cityscapes и при другите задачи за сегментация продължи[1].

Компютърно зрение — видео

ActivityNet. Benchmark-ът за разпознаване на действия демонстрира по-нататъшно усъвършенстване на алгоритмите при задачите за времева локализация на действията[1].

YOLO (You Only Look Once). Системите за разкриване на обекти при анализ на кадри от видеопотоци узряват стремително, което сочи разширяване на възможностите за внедряване на ИИ[1].

Разпознаване на лица (NIST FRVT). Докладът включва данни от Националния институт по стандарти и технологии (NIST) за тестване на системи за разпознаване на лица. Технологиите за мащабно наблюдение се развиват бързо[1][15].

Обработка на естествен език (NLP)

SuperGLUE. Бързият напредък в NLP доведе до това, че системите с ИИ започнаха да достигат човешко ниво при benchmark-а SuperGLUE, разработен в отговор на това, че по-ранният benchmark GLUE беше преодолян твърде бързо. Напредъкът в NLP изпреварва метриките за неговата оценка[1][16].

SQuAD. Benchmark-ът Stanford Question Answering Dataset също демонстрира устойчив ръст на производителността на моделите[1].

Търговски машинен превод. Броят на търговски достъпните независими облачни системи за машинен превод с предварително обучени модели нарасна от 8 през 2017 г. до 28 през 2020 г.[1][17].

GPT-3. През юли 2020 г. OpenAI представи GPT-3 — най-голямата тогава известна плътна езикова модел с 175 млрд. параметъра, обучена върху 570 GB текст. За сравнение: нейният предшественик GPT-2 беше повече от 100 пъти по-малък (1,5 млрд. параметъра). Мащабът доведе до изненадващо поведение: GPT-3 може да изпълнява задачи, за които не е обучена изрично, при нулев или минимален брой обучаващи примери (zero-shot и few-shot learning). При осредняване по 42 benchmark-а за точност: zero-shot — 42,6%, one-shot — 51,0%, few-shot — 57,4%[1][18].

Въпреки впечатляващите възможности, GPT-3 има сериозни недостатъци: може да генерира расистки, сексистки и друг предубеден текст, да произвежда фактически неточни твърдения, а освен това е изключително скъп за обучение. Изследванията за управление и „насочване" на подобни резултати са в начален етап, но са перспективни[1][18].

Разсъждения за език и зрение

VQA. При benchmark-а Visual Question Answering точността нарасна с почти 40% от създаването му през 2015 г., достигайки 76,4% през 2020 г. (човешкото базово ниво е 80,8%)[1][19].

VCR. При задачата Visual Commonsense Reasoning (изискваща обосновка на отговора) най-добрата машина подобри показателя Q→AR от 44 през 2018 г. до 70,5 през 2020 г. (ръст от 60,2%), при човешко ниво от 85[1].

Разпознаване на реч

LibriSpeech. Напредъкът в автоматичното разпознаване на реч продължи, до голяма степен благодарение на гъвкавостта и предсказателната сила на дълбоките Neural Network-и[1].

VoxCeleb. Dataset, съставен от кратки клипове с човешка реч, извлечени от видеоинтервюта в YouTube, включващ повече от 7 000 говорители и над един милион изказвания. Използва се за оценка на идентификацията на говорителя[1][20].

Расово неравенство в разпознаването на реч. Докладът отбелязва съществуването на значително расово неравенство в технологиите за разпознаване на реч[1].

Символно разсъждение

Задача за изпълнимост на булеви формули (SAT). Докладът представя нов анализ с използване на временна стойност на Шейпли (temporal Shapley value), позволяваща да се приписва приносът на отделните системи към общата производителност. Победителят за 2020 г. — Kissat — демонстрира най-висока временна стойност на Шейпли сред всички солвери (с изключение на първата година), главно благодарение на по-ефективни структури от данни и алгоритми[1][21].

Автоматично доказване на теореми (ATP). Анализът на библиотеката TPTP (повече от 23 000 задачи) показва последователен ръст на дела решими задачи от 1997 до 2020 г. Забележителен напредък се наблюдаваше през 2008–2013 г., а от 2015 г. напредъкът продължи, но се забави. Нарастващото използване на Machine Learning (в системите MaLARea, Enigma) се разглежда като потенциален революционен фактор за ATP[1][22].

Здравеопазване и биология

Молекулен синтез. Модели с Machine Learning се използват за обучение на представяния на химични молекули с цел по-ефективно планиране на химичния синтез[1].

COVID-19 и откриване на лекарства. Стартъпът PostEra приложи методи на Machine Learning за ускоряване на процеса на откриване на лекарства, свързани с COVID-19, в рамките на проекта COVID Moonshot[1][2].

AlphaFold и сгъване на протеини. Пробивът на DeepMind в областта на предсказването на структурата на протеините се оказа едно от най-значимите постижения на годината. AlphaFold 2 на конкурса CASP14 (2020 г.) постигна медианен показател GDT_TS, съпоставим с експерименталните методи за задачи за свободно моделиране, значително надвишавайки всички предишни резултати. Това има широк спектър от приложения — от по-доброто разбиране на клетъчните основи на живота до ускоряване на разработването на лекарства[1][23].

Мнение на експертите

Анкетата на AI Index сред експерти по ИИ разкри следните изводи[1]:

  • Най-впечатляващите постижения на 2020 г. бяха признати AlphaFold (DeepMind) и GPT-3 (OpenAI) — с голяма преднина пред останалите.
  • Ключовата тенденция за 2021 г. — по-нататъшното развитие на предварително обучените модели и тяхното fine-tuning за тесни задачи.
  • Пърси Лян (Станфорд) отбеляза доминирането на архитектурата Transformers, първоначално създадена за машинен превод, но превърнала се в де факто стандартна архитектура на Neural Network-и.

Глава 3. Икономика

Главата разглежда все по-тясната взаимовръзка между ИИ и световната икономика през призмата на пазара на труда, инвестициите и корпоративната активност[1].

Пазар на труда

Наемане на ИИ специалисти. Бразилия, Индия, Канада, Сингапур и ЮАР демонстрираха най-голям ръст в наемането на ИИ специалисти в периода от 2016 до 2020 г. Въпреки пандемията, наемането продължи да расте във всички изследвани страни през 2020 г.[1][24].

Търсене на ИИ специалисти в САЩ. Броят на свободните позиции в областта на ИИ в САЩ намаля с 8,2% от 2019 до 2020 г. (от 325 724 до 300 999). Това е първото намаление на дела на ИИ позициите за шест години[1][25].

Проникване на ИИ умения. Сред изследваните страни Индия има най-висок относителен показател за проникване на ИИ умения (2,83 от средното световно ниво), следвана от САЩ (1,99), Китай (1,40), Германия (1,27) и Канада (1,13). По сектори Индия лидира във всичките пет водещи области: образование, финанси, оборудване и мрежи, производство, софтуер и ИТ услуги[1][24].

Инвестиции

Корпоративни инвестиции. Общият обем на световните инвестиции в ИИ (частни инвестиции, IPO, сливания и придобивания, миноритарни дялове) нарасна с 40% през 2020 г. в сравнение с 2019 г., достигайки 67,9 млрд. долара. Сливанията и придобиванията съставляваха основната част, увеличавайки се с 121,7%. Сред големите сделки — придобиването от NVIDIA на Mellanox Technologies и от Capgemini на Altran Technologies[1][3].

Стартъпи. Обемът на частните инвестиции в ИИ продължава да расте, но се концентрира в по-малък брой стартъпи. През 2020 г. частните инвестиции нараснаха с 9,3% (рекордни над 40 млрд. долара), но броят на финансираните компании намаляваше трета поредна година[1][3].

Фокусни области. Направлението „Лекарства, онкология, молекули, откриване на лекарства" получи най-голям обем частни инвестиции — над 13,8 млрд. долара, което е 4,5 пъти повече от показателя за 2019 г.[1].

Корпоративна активност

Внедряване на ИИ (данни на McKinsey). Въпреки икономическия спад, причинен от пандемията, половината от респондентите в анкетата на McKinsey заявиха, че коронавирусът не е повлиял на инвестициите им в ИИ, а 27% дори са увеличили вложенията си. По-малко от четвърт от компаниите са намалили инвестициите[1][26].

Етични рискове. Въпреки нарастващите призиви за справяне с етичните проблеми, свързани с използването на ИИ, усилията в индустрията остават ограничени. Въпроси като справедливост и равенство в ИИ получават сравнително малко внимание от компаниите. По-малко компании считат рисковете, свързани с поверителността, за актуални през 2020 г. в сравнение с 2019 г.[1][26].

Промишлени роботи. Главата включва данни на Международната федерация по роботика (IFR) за глобалните тенденции в инсталирането на промишлени роботи и регионалните сравнения[1][27].

Споменавания на ИИ в отчетите за приходи. Анализът на данните показва ръст на броя споменавания на ИИ в корпоративните отчети за приходи[1].

Глава 4. Образование в областта на ИИ

Главата разглежда тенденциите в подготовката на кадри през призмата на висшите учебни заведения и различните образователни платформи[1].

Висше образование

Курсове. Анкетата на AI Index от 2020 г. показа, че водещите световни университети са увеличили вложенията в образованието в областта на ИИ през последните четири години. Броят на бакалавърските курсове, преподаващи практически умения за изграждане и внедряване на ИИ модели, нарасна с 102,9% (от 102 през 2016–17 до 207 през 2019–20), а на магистърско ниво — с 41,7% (от 151 до 214). Броят на студентите, записали се или опитали да се запишат за въвеждащи курсове по ИИ и ML, нарасна с почти 60% за четири учебни години[1].

В ЕС ръстът на броя записани за въвеждащи курсове е 165%, докато в САЩ се наблюдаваше спад в последната учебна година, отчасти предизвикан от пандемията и структурните промени в предлагането на курсове[1].

Докторантура. През последните 10 години делът на PhD по ИИ сред всички PhD по информатика в САЩ нарасна от 14,2% до около 23% към 2019 г. В същото време други преди популярни специализации (мрежови технологии, софтуерно инженерство, езици за програмиране) губеха популярност[1][4].

Напускане на преподаватели за индустрията. След двугодишен ръст броят на напусналите ИИ преподаватели от университети за индустрията в Северна Америка намаля от 42 през 2018 г. до 33 през 2019 г. Карнеги Мелон имаше най-голям брой напуснали за периода 2004–2019 г. (16), следван от Georgia Tech (14) и Вашингтонския университет (12)[1].

Чуждестранни докторанти. Делът на чуждестранните студенти сред новите докторанти по ИИ достигна 64,3% през 2019 г. От тях 81,8% останаха в САЩ[1][4].

Образование в ЕС. В ЕС огромното мнозинство от специализираните академични предложения по ИИ се преподава на магистърско ниво; роботиката и автоматизацията са най-често преподаваният курс в специализираните бакалавърски и магистърски програми, докато Machine Learning доминира в кратките специализирани курсове[1][28].

Глава 5. Етични предизвикателства на приложенията на ИИ

Главата разглежда усилията за справяне с етичните проблеми, възникващи с развитието на ИИ[1].

Принципи и frameworks на ИИ

От 2015 до 2020 г. са публикувани 117 документа, посветени на принципите на ИИ. Частните компании са публикували най-голям брой такива документи сред всички видове организации. Европа и Централна Азия водят по брой публикации (52), следвани от Северна Америка (41) и Източна Азия и Тихоокеанския регион (14). Пикът на публикационната активност настъпи през 2018 г., особено от страна на технологичните компании — IBM, Google, Facebook — и държавните структури на Великобритания, ЕС и Австралия[1][29].

Критиците посочват, че публикуването на етични принципи често не е придружено от институционални рамки и е незадължително. Размитият и абстрактен характер на много от принципите не дава ясни указания за тяхното прилагане[1].

Етика в медиите

Петте най-обсъждани теми от 2020 г., свързани с етичното използване на ИИ: публикуването на Бялата книга на Европейската комисия за ИИ, уволнението от Google на изследователката по етика Тимнит Гебру, комитетът на ООН по етика на ИИ, планът на Ватикана за етика на ИИ и излизането на IBM от бизнеса с разпознаване на лица[1].

Етика на конференциите

Броят на статиите с ключови думи, свързани с етиката, в заглавията, подадени на конференции по ИИ, нарасна от 2015 г. насам, въпреки че средният брой такива заглавия на големите конференции остава нисък[1].

Етика в образованието

Данните от анкетата на AI Index показаха, че курсовете по етика на ИИ стават все по-разпространени в компютърните катедри на водещите световни университети[1].

Глава 6. Разнообразие в ИИ

Главата анализира полово, расово, етническо разнообразие и представеността на ЛГБТ+ в сферата на ИИ[1].

Полово разнообразие

Според данните на CRA жените съставляват едва 16% от щатните преподаватели по информатика в няколко водещи световни университета[1][4].

Расово и етническо разнообразие

Сред новите притежатели на PhD по ИИ в САЩ за 2019 г.: 45% са бели, 22,4% — азиатци, 3,2% — латиноамериканци, 2,4% — афроамериканци. Делът на белите (неиспаноезичните) сред новите PhD по информатика почти не се е променял през последните 10 години, като средно е 62,7%[1][4].

Расов състав на преподавателския персонал. Сред 15-те университета, отговорили на въпроса за расовия състав: 67,0% от щатните преподаватели са бели, 14,3% — азиатци, 0,8% — латиноамериканци, 0,6% — чернокожи или африканци[1].

Black in AI. Организацията Black in AI, основана през 2017 г. от Тимнит Гебру и Редиет Абебе, наброява около 3 000 членове към 2020 г. Участието в семинарите BAI при NeurIPS значително нарасна: броят на участниците и подадените статии през 2019 г. е 2,6 пъти по-висок от показателите за 2017 г.[1].

Полова идентичност и сексуална ориентация

Според данните от анкетата на Queer in AI (QAI) от 2020 г. почти половината от респондентите считат недостатъчното приобщаване в сферата на ИИ за пречка за кариерата си. Повече от 40% от членовете на QAI са съобщили за дискриминация или тормоз на работното място или в обучението. 81,4% посочиха липсата на ролеви модели като главна пречка[1][30].

Глава 7. Политика и национални стратегии в областта на ИИ

Главата обхваща регулаторния ландшафт на ИИ на местно, национално и международно ниво[1].

Национални стратегии

От публикуването от Канада на първата в света национална стратегия за ИИ през 2017 г., повече от 30 страни и региона са публикували подобни документи до декември 2020 г. Още 22 страни са в процес на разработване на стратегии[1].

Година Стратегии
2017 Канада, Китай, Япония, Финландия, ОАЕ
2018 ЕС, Франция, Германия, Южна Корея, Великобритания, Индия, Мексико, Австралия и др.
2019 САЩ (актуализирана), Русия, Нидерландия, Чехия, Сингапур и др.
2020 Испания, Бразилия, Полша, Турция и др.

Канада (2017 г.): Pan-Canadian AI Strategy, бюджет 125 млн. CAD (97 млн. USD), акцент върху подготовката на кадри и етичните аспекти[1].

Китай (2017 г.): една от най-комплексните стратегии, обхващаща НИРД, образование, етични норми и национална сигурност. Цели: достигане на световно ниво до 2020 г., ставане на световен лидер до 2025 г., главен иновационен център до 2030 г.[1].

ЕС (2018 г.): Coordinated Plan on Artificial Intelligence, минимум 1 млрд. EUR годишно за изследвания в областта на ИИ и 4,9 млрд. EUR за другите аспекти на стратегията[1].

Франция (2018 г.): AI for Humanity, бюджет 1,5 млрд. EUR до 2022 г., стратегически сектори: здравеопазване, околна среда, транспорт и отбрана[1].

Международно сътрудничество

Стартирането на Глобалното партньорство за ИИ (GPAI) и Обсерваторията за политика в областта на ИИ към ОИСР през 2020 г. активизира междуправителствените усилия за подкрепа на развитието на ИИ[1][31][32].

Държавни инвестиции на САЩ

Федерален бюджет. Докладът анализира данни за федералния бюджет на САЩ за невоенни НИРД в областта на ИИ[1].

Бюджет на Министерството на отбраната. Включени са данни за исканията за бюджет на Министерството на отбраната на САЩ за ИИ[1].

Държавни договори. Анализ на общите разходи по договори и тяхното разпределение по ведомства[1][6].

Законодателна активност

Конгрес на САЩ. 116-ият Конгрес стана най-ориентираният към ИИ в цялата история. Броят на споменаванията на ИИ в законодателните актове, докладите на комисиите и докладите на Изследователската служба на Конгреса (CRS) повече от се утрои в сравнение с 115-ия Конгрес[1][6].

Централни банки. Докладът включва данни за споменаванията на ИИ и ML в материалите на централните банки[1].

Методология и източници на данни

Докладът се основава на данни от множество източници[1]:

  • Публикации: Elsevier/Scopus (70 млн. рецензирани изследователски работи), Microsoft Academic Graph (MAG, 225+ млн. публикации), arXiv, Nesta.
  • Benchmark-ове: Papers With Code, SuperGLUE, VQA, VCR, COCO, ImageNet, NIST FRVT, LibriSpeech, VoxCeleb, TPTP, CASP и др.
  • Пазар на труда: LinkedIn Economic Graph, Burning Glass Technologies.
  • Инвестиции: S&P Capital IQ (CapIQ), Crunchbase, NetBase Quid.
  • Корпоративна активност: McKinsey & Company (Global Survey on AI), International Federation of Robotics (IFR), Prattle (earnings calls).
  • Образование: CRA Taulbee Survey, Joint Research Centre (European Commission), собствена анкета на AI Index (18 университета от 9 страни).
  • Етика: AI Ethics Lab (Boston), медиен анализ.
  • Разнообразие: CRA, Black in AI, Queer in AI.
  • Политика: Bloomberg Government, OECD AI Policy Observatory.

В MAG всяка статия се отчита веднъж; при наличие на няколко автори от различни страни кредитът се разпределя равномерно между уникалните региони[1][5].

Авторски колектив

Докладът е изготвен под ръководството на съдиректорите Реймънд Перо (Raymond Perrault, SRI International) и Джак Кларк (Jack Clark, OECD/GPAI). Мениджър на изследванията и главен редактор — Даниел Джан (Daniel Zhang, Stanford University). В състава на управляващия комитет са влизали още: Ерик Брийнолфсон (Stanford), Джон Еченди (Stanford), Дийп Гангули (Stanford), Барбара Грос (Harvard), Тера Лайънс (Partnership on AI), Джеймс Маника (McKinsey Global Institute), Хуан Карлос Нибълс (Stanford), Майкъл Селито (Stanford), Йоав Шохам (Stanford / AI21 Labs, основател-директор)[1].

Инструменти и отворени данни

Докладът е придружен от следните ресурси[1]:

  • Необработени данни и графики: публични данни и изображения с висока резолюция, достъпни в Google Drive.
  • Global AI Vibrancy Tool: актуализиран инструмент за интерактивна визуализация, позволяващ сравняване на до 26 страни по 22 индикатора.
  • Публикация „Measurement in AI Policy: Opportunities and Challenges" (есен 2020 г.): преглед на проблемите на измерването в политиката за ИИ.

Препратки

Литература

Бележки

  1. ↑ 1.000 1.001 1.002 1.003 1.004 1.005 1.006 1.007 1.008 1.009 1.010 1.011 1.012 1.013 1.014 1.015 1.016 1.017 1.018 1.019 1.020 1.021 1.022 1.023 1.024 1.025 1.026 1.027 1.028 1.029 1.030 1.031 1.032 1.033 1.034 1.035 1.036 1.037 1.038 1.039 1.040 1.041 1.042 1.043 1.044 1.045 1.046 1.047 1.048 1.049 1.050 1.051 1.052 1.053 1.054 1.055 1.056 1.057 1.058 1.059 1.060 1.061 1.062 1.063 1.064 1.065 1.066 1.067 1.068 1.069 1.070 1.071 1.072 1.073 1.074 1.075 1.076 1.077 1.078 1.079 1.080 1.081 1.082 1.083 1.084 1.085 1.086 1.087 1.088 1.089 1.090 1.091 1.092 1.093 1.094 1.095 1.096 1.097 1.098 1.099 1.100 1.101 1.102 Zhang, D., Mishra, S., Brynjolfsson, E., Etchemendy, J., Ganguli, D., Grosz, B., Lyons, T., Manyika, J., Niebles, J.C., Sellitto, M., Shoham, Y., Clark, J., Perrault, R. (2021). The AI Index 2021 Annual Report. AI Index Steering Committee, Human-Centered AI Institute, Stanford University. https://aiindex.stanford.edu/report/
  2. ↑ 2.0 2.1 PostEra (2021). COVID Moonshot: AI-driven Drug Discovery. https://postera.ai/moonshot
  3. ↑ 3.0 3.1 3.2 NetBase Quid (2021). AI Investment Data (CapIQ, Crunchbase). https://quid.com/
  4. ↑ 4.0 4.1 4.2 4.3 4.4 4.5 4.6 Computing Research Association (2021). CRA Taulbee Survey. https://cra.org/resources/taulbee-survey/
  5. ↑ 5.0 5.1 5.2 5.3 5.4 5.5 5.6 5.7 Microsoft Academic Graph (2020). https://www.microsoft.com/en-us/research/project/microsoft-academic-graph/
  6. ↑ 6.0 6.1 6.2 Bloomberg Government (2021). AI Mentions in Congressional Record. https://about.bgov.com/
  7. ↑ 7.0 7.1 7.2 Elsevier/Scopus (2020). AI Publications Data. https://www.scopus.com/
  8. ↑ arXiv (2020). AI-Related Publications Data. https://arxiv.org/
  9. ↑ Nesta (2020). Deep Learning Papers Analysis. https://www.nesta.org.uk/
  10. ↑ Ahmed, N. & Wahed, M. (2020). The De-Democratization of AI: Deep Learning and the Compute Divide in Artificial Intelligence Research. https://arxiv.org/abs/2010.15581
  11. ↑ GitHub (2020). AI Library Stars Data. https://github.com/
  12. ↑ Beyer, L., Dosovitskiy, A., Houlsby, N. (Google). ImageNet analysis for AI Index 2021.
  13. ↑ Karras, T. et al. (2020). Analyzing and Improving the Image Quality of StyleGAN. https://arxiv.org/abs/1912.04958
  14. ↑ Dolhansky, B. et al. (2020). The DeepFake Detection Challenge (DFDC) Dataset. https://arxiv.org/abs/2006.07397
  15. ↑ Grother, P. et al. (2021). NIST Face Recognition Vendor Test (FRVT). https://www.nist.gov/programs-projects/face-recognition-vendor-test-frvt
  16. ↑ Wang, A. et al. (2019). SuperGLUE: A Stickier Benchmark for General-Purpose Language Understanding Systems. https://arxiv.org/abs/1905.00537
  17. ↑ Intento (2021). Machine Translation Report. https://inten.to/
  18. ↑ 18.0 18.1 Brown, T.B. et al. (2020). Language Models are Few-Shot Learners. https://arxiv.org/abs/2005.14165
  19. ↑ VQA Challenge (2020). https://visualqa.org/challenge.html
  20. ↑ VoxCeleb (2020). Audio-Visual Dataset. https://www.robots.ox.ac.uk/~vgg/data/voxceleb/
  21. ↑ Kotthoff, L. (2020). SAT Competition Analysis. University of Wyoming.
  22. ↑ Sutcliffe, G. & Suttner, C. (2020). TPTP Problem Library and ATP Evaluation. University of Miami.
  23. ↑ Jumper, J. et al. (2020). AlphaFold 2. DeepMind. https://deepmind.com/blog/article/alphafold-a-solution-to-a-50-year-old-grand-challenge-in-biology
  24. ↑ 24.0 24.1 LinkedIn (2020). Economic Graph: AI Hiring and Skills Data. https://economicgraph.linkedin.com/
  25. ↑ Burning Glass Technologies (2021). AI Labor Demand Data. https://www.burning-glass.com/
  26. ↑ 26.0 26.1 McKinsey & Company (2021). Global Survey on AI. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
  27. ↑ International Federation of Robotics (2021). World Robotics Report. https://ifr.org/
  28. ↑ Joint Research Centre, European Commission (2021). AI Education in Europe. https://ai-watch.ec.europa.eu/
  29. ↑ AI Ethics Lab (2021). AI Principles ToolBox. https://aiethicslab.com/
  30. ↑ Queer in AI (2020). Membership Survey. https://sites.google.com/view/queer-in-ai/
  31. ↑ Global Partnership on AI (2020). https://gpai.ai/
  32. ↑ OECD AI Policy Observatory (2020). https://oecd.ai/
Retrieved from "https://systems-analysis.info/int/index.php?title=The_2021_AI_Index_Report_(BG)&oldid=7970"