The 2021 AI Index Report (EL)

From Systems analysis Wiki
Jump to navigation Jump to search

AI Index Report 2021 — η τέταρτη ετήσια έκδοση της έκθεσης AI Index, που εκπονήθηκε από το Ινστιτούτο Τεχνητής Νοημοσύνης Ανθρωποκεντρικής Προσέγγισης του Στάνφορντ (Stanford HAI)[1]. Η έκθεση του 2021 επεκτείνει σημαντικά τον όγκο δεδομένων σε σύγκριση με προηγούμενες εκδόσεις, περιλαμβάνει συνεργασία με ευρύτερο κύκλο εξωτερικών οργανισμών-εταίρων και εμβαθύνει τους δεσμούς με το Ινστιτούτο Stanford HAI. Η έκδοση παρακολουθεί, συστηματοποιεί, συνοψίζει και οπτικοποιεί δεδομένα που σχετίζονται με την τεχνητή νοημοσύνη, παρέχοντας αντικειμενική, επαληθευμένη και συλλεγμένη σε παγκόσμιο επίπεδο πληροφόρηση σε πολιτικούς, ερευνητές, στελέχη επιχειρήσεων, δημοσιογράφους και το ευρύ κοινό. Η έκθεση καλύπτει μια περίοδο που διαμορφώθηκε σε μεγάλο βαθμό από την πανδημία COVID-19, η οποία επηρέασε πολλές πτυχές της ανάπτυξης της ΤΝ — από την επιτάχυνση της ανακάλυψης φαρμάκων έως τη μετατροπή συνεδρίων σε εικονικό διαδικτυακό μορφή.

Πλαίσιο: επίδραση της COVID-19

Η πανδημία COVID-19 είχε αξιοσημείωτη, αλλά ανομοιόμορφη επίδραση στην ανάπτυξη της ΤΝ το 2020[1]. Στον τομέα της τεχνικής απόδοσης, η ΤΝ-startup PostEra χρησιμοποίησε μεθόδους Machine Learning για να επιταχύνει την ανακάλυψη φαρμάκων που σχετίζονται με την COVID-19[2]. Το κεφάλαιο για την οικονομία επισημαίνει ότι η πρόσληψη ειδικών στον τομέα της ΤΝ και οι ιδιωτικές επενδύσεις δεν υπέστησαν ουσιαστικές αρνητικές επιπτώσεις από την πανδημία — και οι δύο δείκτες αυξήθηκαν το 2020. Η μετατροπή συνεδρίων σε εικονικό διαδικτυακό μορφή οδήγησε σε σημαντική άνοδο της συμμετοχής: ο αριθμός των συμμετεχόντων σε εννέα μεγάλα συνέδρια σχεδόν διπλασιάστηκε.

Δομή της έκθεσης

Η έκθεση του 2021 αποτελείται από επτά θεματικά κεφάλαια[1]:

  1. Έρευνα και Ανάπτυξη (Research and Development) — τάσεις σε δημοσιεύσεις, διπλώματα ευρεσιτεχνίας, συνέδρια και ανοιχτό λογισμικό.
  2. Τεχνική Απόδοση (Technical Performance) — πρόοδος στην υπολογιστική όραση, επεξεργασία φυσικής γλώσσας, αναγνώριση ομιλίας, συλλογισμό, υγειονομική περίθαλψη και βιολογία.
  3. Οικονομία (The Economy) — αγορά εργασίας, επενδύσεις και εταιρική δραστηριότητα στον τομέα της ΤΝ.
  4. Εκπαίδευση στην ΤΝ (AI Education) — τάσεις στην κατάρτιση στελεχών, μαθήματα και προγράμματα.
  5. Ηθικές Προκλήσεις Εφαρμογών ΤΝ (Ethical Challenges of AI Applications) — αρχές, κάλυψη από τα μέσα ενημέρωσης, ηθική σε συνέδρια.
  6. Πολυμορφία στην ΤΝ (Diversity in AI) — έμφυλη, φυλετική και εθνοτική ποικιλομορφία.
  7. Πολιτική και Εθνικές Στρατηγικές για την ΤΝ (AI Policy and National Strategies) — νομοθεσία, διακυβερνητική συνεργασία, κρατικές επενδύσεις.

Βασικά Συμπεράσματα της Έκθεσης (Top 9)

Οι συγγραφείς της έκθεσης εντόπισαν εννέα κύριες θέσεις για το 2021[1]:

1. Δραματική αύξηση επενδύσεων στην ανάπτυξη φαρμάκων με ΤΝ

Ο τομέας «Φάρμακα, Ογκολογία, Μόρια, Ανακάλυψη Φαρμάκων» (Drugs, Cancer, Molecular, Drug Discovery) έλαβε τον μεγαλύτερο όγκο ιδιωτικών επενδύσεων σε ΤΝ το 2020 — πάνω από 13,8 δισεκατομμύρια δολάρια ΗΠΑ, που είναι 4,5 φορές υψηλότερος από τον δείκτη του 2019[1][3].

2. Συνέχιση της μετατόπισης στελεχών προς τη βιομηχανία

Το 2019, το 65% των αποφοίτων διδακτορικών προγραμμάτων ΤΝ στη Βόρεια Αμερική επέλεξε να εργαστεί στη βιομηχανία — σε σύγκριση με 44,4% το 2010, γεγονός που υπογραμμίζει τον αυξανόμενο ρόλο της βιομηχανίας στην ανάπτυξη της ΤΝ[1][4].

3. Γενετικά μοντέλα — «παραγωγή τα πάντα»

Τα συστήματα ΤΝ έμαθαν να παράγουν κείμενο, ήχο και εικόνες σε επίπεδο ποιότητας τέτοιο ώστε οι άνθρωποι να δυσκολεύονται να διακρίνουν τα συνθετικά αποτελέσματα από τα αυθεντικά, σε ορισμένες περιορισμένες εφαρμογές της τεχνολογίας[1].

4. Το πρόβλημα της ποικιλομορφίας στην ΤΝ

Μεταξύ των νέων κατόχων διδακτορικού τίτλου στην ΤΝ στις ΗΠΑ για το 2019, το 45% ήταν λευκοί, το 2,4% Αφροαμερικανοί και το 3,2% Λατινοαμερικανοί[1][4].

5. Η Κίνα ξεπερνά τις ΗΠΑ σε αναφορές σε άρθρα περιοδικών για την ΤΝ

Αφού ξεπέρασε τις ΗΠΑ σε συνολικό αριθμό δημοσιεύσεων σε περιοδικά για την ΤΝ μερικά χρόνια νωρίτερα, η Κίνα το 2020 πρωτοπήγε μπροστά και στον αριθμό αναφορών σε άρθρα περιοδικών. Ωστόσο, οι ΗΠΑ εξακολουθούν να υπερτερούν σταθερά και σημαντικά της Κίνας στον αριθμό δημοσιεύσεων σε συνέδρια για την ΤΝ (που επίσης αναφέρονται πιο συχνά) κατά τη διάρκεια της τελευταίας δεκαετίας[1][5].

6. Οι περισσότεροι μεταπτυχιακοί φοιτητές ΤΝ στις ΗΠΑ είναι αλλοδαποί και παραμένουν

Το ποσοστό αλλοδαπών φοιτητών μεταξύ των νέων μεταπτυχιακών φοιτητών ΤΝ στη Βόρεια Αμερική συνέχισε να αυξάνεται το 2019, φτάνοντας το 64,3% — αύξηση κατά 4,3 ποσοστιαίες μονάδες σε σχέση με το 2018. Μεταξύ των αλλοδαπών αποφοίτων, το 81,8% παρέμεινε στις ΗΠΑ και το 8,6% βρήκε εργασία εκτός Ηνωμένων Πολιτειών[1][4].

7. Τεχνολογίες παρακολούθησης — γρήγορες, φτηνές και παντού

Οι τεχνολογίες που απαιτούνται για την παρακολούθηση μεγάλης κλίμακας βελτιώνονται ραγδαία: μέθοδοι ταξινόμησης εικόνων, αναγνώρισης προσώπου, ανάλυσης βίντεο και αναγνώρισης φωνής έδειξαν σημαντική πρόοδο το 2020[1].

8. Η ηθική της ΤΝ δεν έχει benchmarks και συναίνεση

Παρά το γεγονός ότι ορισμένοι οργανισμοί εκδίδουν ποιοτικά και κανονιστικά έγγραφα στον τομέα της ηθικής της ΤΝ, στον εν λόγω τομέα γενικά απουσιάζουν benchmarks που θα μπορούσαν να χρησιμοποιηθούν για τη μέτρηση ή αξιολόγηση της σύνδεσης μεταξύ δημόσιων συζητήσεων για την ανάπτυξη τεχνολογίας και της ίδιας της διαδικασίας ανάπτυξης[1].

9. Η ΤΝ τράβηξε την προσοχή του Κογκρέσου των ΗΠΑ

Το 116ο Κογκρέσο ήταν το πιο προσανατολισμένο στην ΤΝ στην ιστορία: ο αριθμός αναφορών στην ΤΝ στα πρακτικά του ξεπέρασε κατά πάνω από τρεις φορές τον αντίστοιχο δείκτη του 115ου Κογκρέσου[1][6].

Κεφάλαιο 1. Έρευνα και Ανάπτυξη

Το κεφάλαιο αναλύει τις τάσεις στις δημοσιεύσεις (αξιολογημένες από ομότιμους, σε περιοδικά, σε συνέδρια, διπλώματα ευρεσιτεχνίας), στη δραστηριότητα στο arXiv, στα συνέδρια και στο ανοιχτό λογισμικό[1].

Δημοσιεύσεις αξιολογημένες από ομότιμους

Ο συνολικός αριθμός δημοσιεύσεων για την ΤΝ αξιολογημένων από ομότιμους αυξήθηκε σχεδόν 12 φορές μεταξύ 2000 και 2019. Το μερίδιο δημοσιεύσεων για την ΤΝ στο σύνολο των αξιολογημένων από ομότιμους δημοσιεύσεων παγκοσμίως αυξήθηκε από 0,82% το 2000 σε 3,8% το 2019[1][7].

Περιφερειακή κατανομή. Η Ανατολική Ασία και ο Ειρηνικός κατέχουν το μεγαλύτερο μερίδιο δημοσιεύσεων για την ΤΝ αξιολογημένων από ομότιμους από το 2004 (36,9% το 2019), ακολουθούμενες από την Ευρώπη και την Κεντρική Ασία (25,1%) και τη Βόρεια Αμερική (17,0%). Μεταξύ 2009 και 2019, η Νότια Ασία και η Αφρική νότια της Σαχάρας έδειξαν τη μεγαλύτερη ανάπτυξη — οκτώ και επτά φορές αντίστοιχα[1][5].

Σύγκριση κατά γεωγραφικές ζώνες. Έως το 2019, η Κίνα κατέλαβε την πρώτη θέση στο μερίδιο αξιολογημένων από ομότιμους δημοσιεύσεων για την ΤΝ παγκοσμίως (22,4%), ξεπερνώντας την ΕΕ (16,4%) το 2017. Οι ΗΠΑ είναι τρίτες (14,6%). Η Κίνα δημοσίευσε 3,5 φορές περισσότερα αξιολογημένα από ομότιμους άρθρα για την ΤΝ το 2019 σε σχέση με το 2014[1][7].

Θεσμική συγγραφή. Σε κάθε μεγάλη περιφέρεια, το μεγαλύτερο μερίδιο αξιολογημένων από ομότιμους δημοσιεύσεων ανήκει σε ακαδημαϊκά ιδρύματα. Ωστόσο, οι δεύτερες σε σημασία πηγές διαφέρουν: στις ΗΠΑ η εταιρική έρευνα αντιπροσωπεύει το 19,2% του συνόλου, ενώ στην Κίνα και την ΕΕ στη δεύτερη θέση βρίσκονται κρατικοί φορείς (15,6% και 17,2% αντίστοιχα)[1][7].

Ακαδημαϊκο-εταιρική συνεργασία. Μεταξύ 2015 και 2019, οι ΗΠΑ παρήγαγαν τον μεγαλύτερο αριθμό κοινών ακαδημαϊκο-εταιρικών αξιολογημένων από ομότιμους δημοσιεύσεων για την ΤΝ — ξεπερνώντας κατά περισσότερο από δύο φορές την ΕΕ, που κατέλαβε τη δεύτερη θέση, ακολουθούμενη από την Κίνα[1].

Δημοσιεύσεις σε περιοδικά

Ο αριθμός δημοσιεύσεων για την ΤΝ σε περιοδικά το 2020 ήταν 5,4 φορές υψηλότερος από ό,τι το 2000. Η αύξηση ήταν 34,5% από το 2019 στο 2020 — σημαντικά υψηλότερο ποσοστό αύξησης από ό,τι από το 2018 στο 2019 (19,6%). Το μερίδιο δημοσιεύσεων για την ΤΝ σε περιοδικά στο σύνολο των δημοσιεύσεων σε περιοδικά παγκοσμίως ανήλθε σε 2,2% το 2020[1][5].

Αναφορές. Το 2020, η Κίνα (20,7%) ξεπέρασε για πρώτη φορά τις ΗΠΑ (19,8%) στο μερίδιο αναφορών σε άρθρα περιοδικών για την ΤΝ παγκοσμίως. Η ΕΕ συνέχισε να χάνει συνολικό μερίδιο (11,0%)[1][5].

Δημοσιεύσεις σε συνέδρια

Ο αριθμός δημοσιεύσεων για την ΤΝ σε συνέδρια τετραπλασιάστηκε μεταξύ 2000 και 2019. Η Κίνα ξεπέρασε τις ΗΠΑ στο μερίδιο δημοσιεύσεων για την ΤΝ σε συνέδρια το 2019[1][5].

Αναφορές. Σε αντίθεση με τις δημοσιεύσεις σε περιοδικά, οι ΗΠΑ διατηρούσαν σταθερή και σημαντική πρωτοκαθεδρία στις αναφορές άρθρων από συνέδρια για την ΤΝ κατά τη διάρκεια της τελευταίας δεκαετίας (40,1% το 2020), υπερτερώντας σημαντικά της Κίνας (11,8%) και της ΕΕ (10,9%)[1][5].

Δημοσιεύσεις στο arXiv

Σε έξι χρόνια, ο αριθμός δημοσιεύσεων που σχετίζονται με την ΤΝ στο arXiv αυξήθηκε κατά περισσότερο από έξι φορές: από 5.478 το 2015 σε 34.736 το 2020[1][8]. Μεταξύ των τομέων έρευνας, η μεγαλύτερη ανάπτυξη για την περίοδο 2015–2020 παρουσίασαν η ρομποτική (cs.RO, ανάπτυξη 11 φορές) και το Machine Learning (cs.LG, ανάπτυξη 10 φορές). Το 2020, ηγέτες στον αριθμό δημοσιεύσεων ήταν το cs.LG (32,0%) και η υπολογιστική όραση cs.CV (31,7%)[1].

Η Βόρεια Αμερική εξακολουθούσε να ηγείται στο μερίδιο δημοσιεύσεων στο arXiv (36,3% το 2020), ωστόσο αυτό το μερίδιο μειωνόταν (από 41,6% το 2017). Το μερίδιο της Ανατολικής Ασίας και του Ειρηνικού αυξανόταν σταθερά: από 17,3% το 2015 σε 26,5% το 2020[1].

Διπλώματα ευρεσιτεχνίας

Τα δεδομένα από το Microsoft Academic Graph δείχνουν σταθερή ανάπτυξη στον αριθμό διπλωμάτων ευρεσιτεχνίας που σχετίζονται με ΤΝ στη διάρκεια δύο δεκαετιών[1][5].

Deep Learning

Ερευνητές από τη Nesta χρησιμοποίησαν αλγορίθμους μοντελοποίησης θεμάτων για την ανίχνευση δημοσιεύσεων για deep learning στο arXiv. Τα τελευταία πέντε χρόνια, ο αριθμός δημοσιεύσεων για deep learning στο arXiv αυξήθηκε σχεδόν έξι φορές[1][9].

Συνέδρια

Το 2020, τα περισσότερα μεγάλα συνέδρια για την ΤΝ πραγματοποιήθηκαν σε εικονικό διαδικτυακό μορφή λόγω της COVID-19, γεγονός που οδήγησε σε απότομη αύξηση της συμμετοχής. Ο αριθμός συμμετεχόντων σε εννέα συνέδρια σχεδόν διπλασιάστηκε[1]. Μεταξύ μεγάλων συνεδρίων: NeurIPS (22.011 συμμετέχοντες), IROS (25.719 — εικονικό μορφή με εκτεταμένη πρόσβαση τριών μηνών), ICML (10.800), CVPR (7.500). Μεταξύ μικρότερων συνεδρίων σημειώθηκαν ICLR (5.600), ACL (3.972), AAMAS (3.726)[1].

Εταιρική παρουσία. Η έρευνα έδειξε ότι οι μεγάλες τεχνολογικές εταιρείες αυξάνουν την παρουσία τους σε κορυφαία συνέδρια ΤΝ. Και τα 10 μεγάλα συνέδρια έδειξαν ανοδική τάση εταιρικής εκπροσώπησης. Οι συγγραφείς του άρθρου «The De-Democratization of AI» επισημαίνουν ότι η άνιση κατανομή υπολογιστικών πόρων μεταξύ ακαδημίας και βιομηχανίας — το λεγόμενο «χάσμα υπολογισμών» (compute divide) — επιδεινώνει την ανισότητα στην εποχή του deep learning[10].

Ανοιχτό λογισμικό

Το TensorFlow (αναπτύχθηκε από την Google, κυκλοφόρησε δημόσια το 2017) παρέμενε η πιο δημοφιλής βιβλιοθήκη ΤΝ ανοιχτού κώδικα στο GitHub (153 χιλ. αστέρια έως το 2020). Η δεύτερη πιο δημοφιλής βιβλιοθήκη ήταν το Keras (51 χιλ. αστέρια), η τρίτη — το PyTorch της Facebook (46 χιλ. αστέρια). Μεταξύ άλλων βιβλιοθηκών είναι αξιοσημείωτες η Scikit-learn (45 χιλ.), η BVLC/Caffe (31 χιλ.), η MXNet (19 χιλ.) και η CNTK (17 χιλ.)[1][11].

Κεφάλαιο 2. Τεχνική Απόδοση

Το κεφάλαιο καλύπτει την πρόοδο στην υπολογιστική όραση (εικόνες και βίντεο), επεξεργασία φυσικής γλώσσας, συλλογισμό γλώσσας και όρασης, αναγνώριση ομιλίας, συμβολικό συλλογισμό, καθώς και στην υγειονομική περίθαλψη και τη βιολογία[1].

Υπολογιστική όραση — εικόνες

ImageNet. Η υπολογιστική όραση γνώρισε τεράστια πρόοδο κατά την τελευταία δεκαετία. Η απόδοση σε ορισμένα από τα μεγαλύτερα benchmarks άρχισε να εξισορροπείται, γεγονός που υποδηλώνει την ανάγκη δημιουργίας πιο σύνθετων δοκιμών. Η έκθεση παρουσιάζει δεδομένα σχετικά με την ακρίβεια Top-1 και Top-5 στο ImageNet, καθώς και για τον χρόνο και το κόστος εκπαίδευσης[1][12].

Νέες σύνθετες δοκιμές. Καθώς η πρόοδος στο τυπικό ImageNet επιβραδύνεται, η έκθεση παρουσιάζει πιο σύνθετα benchmarks: ImageNet-Adversarial (περιέχει φυσικούς παράγοντες δυσκολίας και συστηματικά λανθασμένα ταξινομημένες εικόνες), ImageNet-C (75 τύποι οπτικών παραμορφώσεων: αλλαγή φωτεινότητας, αντίθεσης, pixelization, εφέ ομίχλης) και ImageNet-Rendition (30.000 εικονογραφήσεις 200 κλάσεων ImageNet που ελέγχουν τη γενίκευση)[1].

Παραγωγή εικόνων. Η πρόοδος μετράται με τον δείκτη Fréchet Inception Distance (FID) στο dataset STL-10 — έως το 2020 ο καλύτερος δείκτης ήταν 25,4 (όσο χαμηλότερος, τόσο καλύτερος). Ποιοτικά παραδείγματα παραγωγής προσώπων δείχνουν την ταχεία πρόοδο των GAN: έως το 2018, η απόδοση έφτασε σε επίπεδο κατά το οποίο είναι δύσκολο για τους ανθρώπους να εντοπίσουν την παραποίηση[1][13].

Ανίχνευση deepfake. Το Deepfake Detection Challenge (DFDC), που δημιούργησε το Facebook τον Σεπτέμβριο του 2019, έδειξε μείωση του δείκτη log loss κατά περίπου 0,5 κατά την περίοδο Δεκεμβρίου 2019 - Μαρτίου 2020, στην τιμή 0,19[1][14].

Εκτίμηση στάσης του ανθρώπου. Στο benchmark COCO Keypoint Detection, η ακρίβεια των αλγορίθμων βελτιώθηκε κατά περίπου 33% σε τέσσερα χρόνια, φτάνοντας το 80,8% μέσης ακρίβειας (AP)[1].

Σημασιολογική κατάτμηση. Η πρόοδος στο benchmark Cityscapes και σε άλλες εργασίες κατάτμησης συνεχίστηκε[1].

Υπολογιστική όραση — βίντεο

ActivityNet. Το benchmark για αναγνώριση δράσεων έδειξε περαιτέρω βελτίωση αλγορίθμων σε εργασίες χρονικής εντοπισμού δράσεων[1].

YOLO (You Only Look Once). Τα συστήματα ανίχνευσης αντικειμένων για ανάλυση καρέ από ροές βίντεο ωριμάζουν ταχύτατα, γεγονός που υποδηλώνει την επέκταση των δυνατοτήτων ανάπτυξης ΤΝ[1].

Αναγνώριση προσώπου (NIST FRVT). Η έκθεση περιλαμβάνει δεδομένα από το Εθνικό Ινστιτούτο Προτύπων και Τεχνολογίας (NIST) σχετικά με τη δοκιμή συστημάτων αναγνώρισης προσώπου. Οι τεχνολογίες για παρακολούθηση μεγάλης κλίμακας αναπτύσσονται ταχύτατα[1][15].

Επεξεργασία Φυσικής Γλώσσας (NLP)

SuperGLUE. Η ταχεία πρόοδος στο NLP οδήγησε στο να αρχίσουν τα συστήματα ΤΝ να φτάνουν σε ανθρώπινο επίπεδο στο benchmark SuperGLUE, το οποίο αναπτύχθηκε ως απάντηση στο γεγονός ότι το παλαιότερο benchmark GLUE ξεπεράστηκε πολύ γρήγορα. Η πρόοδος στο NLP ξεπερνά τις μετρικές για την αξιολόγησή του[1][16].

SQuAD. Το benchmark Stanford Question Answering Dataset επίσης έδειξε σταθερή ανάπτυξη της απόδοσης μοντέλων[1].

Εμπορική μηχανική μετάφραση. Ο αριθμός εμπορικά διαθέσιμων ανεξάρτητων cloud συστημάτων μηχανικής μετάφρασης με προ-εκπαιδευμένα μοντέλα αυξήθηκε από 8 το 2017 σε 28 το 2020[1][17].

GPT-3. Τον Ιούλιο του 2020, η OpenAI παρουσίασε το GPT-3 — το μεγαλύτερο τότε γνωστό πυκνό γλωσσικό μοντέλο με 175 δισεκατομμύρια παραμέτρους, εκπαιδευμένο σε 570 GB κειμένου. Για σύγκριση: ο προκάτοχός του GPT-2 ήταν πάνω από 100 φορές μικρότερος (1,5 δισεκατομμύρια παράμετροι). Η κλίμακα οδήγησε σε εντυπωσιακή συμπεριφορά: το GPT-3 είναι ικανό να εκτελεί εργασίες για τις οποίες δεν εκπαιδεύτηκε ρητά, με μηδενικό ή ελάχιστο αριθμό παραδειγμάτων εκπαίδευσης (zero-shot και few-shot learning). Κατά μέσο όρο σε 42 benchmarks ακρίβειας: zero-shot — 42,6%, one-shot — 51,0%, few-shot — 57,4%[1][18].

Παρά τις εντυπωσιακές δυνατότητες, το GPT-3 έχει σοβαρές αδυναμίες: μπορεί να παράγει ρατσιστικό, σεξιστικό και άλλο προκατειλημμένο κείμενο, να δημιουργεί πραγματικά ανακριβείς ισχυρισμούς, και είναι εξαιρετικά δαπανηρό στην εκπαίδευση. Η έρευνα για τη διαχείριση και «καθοδήγηση» τέτοιων αποτελεσμάτων βρίσκεται σε αρχικό στάδιο, αλλά είναι υποσχόμενη[1][18].

Συλλογισμός γλώσσας και όρασης

VQA. Στο benchmark Visual Question Answering, η ακρίβεια αυξήθηκε σχεδόν κατά 40% από τη δημιουργία του το 2015, φτάνοντας το 76,4% το 2020 (ανθρώπινο επίπεδο αναφοράς — 80,8%)[1][19].

VCR. Στην εργασία Visual Commonsense Reasoning (που απαιτεί αιτιολόγηση απάντησης), το καλύτερο μηχάνημα βελτίωσε τον δείκτη Q→AR από 44 το 2018 σε 70,5 το 2020 (αύξηση 60,2%), με ανθρώπινο επίπεδο 85[1].

Αναγνώριση ομιλίας

LibriSpeech. Η πρόοδος στην αυτόματη αναγνώριση ομιλίας συνεχίστηκε, σε μεγάλο βαθμό χάρη στην ευελιξία και την προβλεπτική ισχύ των βαθιών νευρωνικών δικτύων[1].

VoxCeleb. Dataset που αποτελείται από σύντομα κλιπ ανθρώπινης ομιλίας, εξαγόμενα από βίντεο συνεντεύξεων στο YouTube, που περιλαμβάνει πάνω από 7.000 ομιλητές και πάνω από ένα εκατομμύριο εκφωνήσεις. Χρησιμοποιείται για την αξιολόγηση αναγνώρισης ομιλητή[1][20].

Φυλετικό χάσμα στην αναγνώριση ομιλίας. Η έκθεση επισημαίνει την ύπαρξη σημαντικού φυλετικού χάσματος στις τεχνολογίες αναγνώρισης ομιλίας[1].

Συμβολικός συλλογισμός

Πρόβλημα ικανοποιησιμότητας Βουλεανών τύπων (SAT). Η έκθεση παρουσιάζει νέα ανάλυση χρησιμοποιώντας την χρονική τιμή Shapley (temporal Shapley value), που επιτρέπει την απόδοση της συνεισφοράς μεμονωμένων συστημάτων στη συνολική απόδοση. Ο νικητής του 2020 — Kissat — έδειξε την υψηλότερη χρονική τιμή Shapley μεταξύ όλων των επιλυτών (με εξαίρεση το πρώτο έτος), κυρίως χάρη σε πιο αποτελεσματικές δομές δεδομένων και αλγορίθμους[1][21].

Αυτόματη απόδειξη θεωρημάτων (ATP). Η ανάλυση της βιβλιοθήκης TPTP (πάνω από 23.000 προβλήματα) δείχνει σταθερή αύξηση του ποσοστού επιλύσιμων προβλημάτων από το 1997 έως το 2020. Αξιοσημείωτη πρόοδος παρατηρήθηκε στα έτη 2008–2013, ενώ από το 2015 η πρόοδος συνεχίστηκε αλλά επιβραδύνθηκε. Η αυξανόμενη χρήση Machine Learning (σε συστήματα MaLARea, Enigma) θεωρείται ως δυνητικός επαναστατικός παράγοντας για το ATP[1][22].

Υγειονομική περίθαλψη και βιολογία

Μοριακή σύνθεση. Μοντέλα Machine Learning χρησιμοποιούνται για την εκπαίδευση αναπαραστάσεων χημικών μορίων με σκοπό την αποτελεσματικότερη σχεδίαση χημικής σύνθεσης[1].

COVID-19 και ανακάλυψη φαρμάκων. Η startup PostEra εφάρμοσε μεθόδους Machine Learning για την επιτάχυνση της διαδικασίας ανακάλυψης φαρμάκων που σχετίζονται με την COVID-19, στο πλαίσιο του έργου COVID Moonshot[1][2].

AlphaFold και αναδίπλωση πρωτεϊνών. Η돌breakthrough της DeepMind στην πρόβλεψη δομής πρωτεϊνών ήταν ένα από τα σημαντικότερα επιτεύγματα της χρονιάς. Το AlphaFold 2 στον διαγωνισμό CASP14 (2020) πέτυχε διάμεσο δείκτη GDT_TS συγκρίσιμο με πειραματικές μεθόδους για εργασίες ελεύθερης μοντελοποίησης, υπερτερώντας σημαντικά όλων των προηγούμενων αποτελεσμάτων. Αυτό έχει ευρύ φάσμα εφαρμογών — από την καλύτερη κατανόηση των κυτταρικών βάσεων της ζωής έως την επιτάχυνση της ανάπτυξης φαρμάκων[1][23].

Γνώμη εμπειρογνωμόνων

Η έρευνα εμπειρογνωμόνων ΤΝ που διεξήγαγε το AI Index αποκάλυψε τα εξής συμπεράσματα[1]:

  • Τα πιο εντυπωσιακά επιτεύγματα του 2020 αναγνωρίστηκαν ως AlphaFold (DeepMind) και GPT-3 (OpenAI) — με μεγάλη διαφορά από τα υπόλοιπα.
  • Η βασική τάση του 2021 — περαιτέρω ανάπτυξη προ-εκπαιδευμένων μοντέλων και η fine-tuning τους για εξειδικευμένες εργασίες.
  • Ο Percy Liang (Στάνφορντ) επισήμανε την κυριαρχία της αρχιτεκτονικής Transformers, που δημιουργήθηκε αρχικά για μηχανική μετάφραση, αλλά κατέστη η de facto τυπική αρχιτεκτονική νευρωνικών δικτύων.

Κεφάλαιο 3. Οικονομία

Το κεφάλαιο εξετάζει την ολοένα και στενότερη αλληλεξάρτηση μεταξύ ΤΝ και παγκόσμιας οικονομίας μέσα από το πρίσμα της αγοράς εργασίας, των επενδύσεων και της εταιρικής δραστηριότητας[1].

Αγορά εργασίας

Πρόσληψη ειδικών ΤΝ. Η Βραζιλία, η Ινδία, ο Καναδάς, η Σιγκαπούρη και η Νότια Αφρική έδειξαν τη μεγαλύτερη ανάπτυξη προσλήψεων ειδικών ΤΝ κατά την περίοδο 2016–2020. Παρά την πανδημία, οι προσλήψεις συνέχισαν να αυξάνονται σε όλες τις χώρες που μελετήθηκαν το 2020[1][24].

Ζήτηση για ειδικούς ΤΝ στις ΗΠΑ. Ο αριθμός κενών θέσεων εργασίας στον τομέα της ΤΝ στις ΗΠΑ μειώθηκε κατά 8,2% από το 2019 στο 2020 (από 325.724 σε 300.999). Αυτή είναι η πρώτη μείωση του μεριδίου αγγελιών για θέσεις ΤΝ σε έξι χρόνια[1][25].

Διείσδυση δεξιοτήτων ΤΝ. Μεταξύ των χωρών που μελετήθηκαν, η Ινδία έχει τον υψηλότερο σχετικό δείκτη διείσδυσης δεξιοτήτων ΤΝ (2,83 του παγκόσμιου μέσου επιπέδου), ακολουθούμενη από τις ΗΠΑ (1,99), την Κίνα (1,40), τη Γερμανία (1,27) και τον Καναδά (1,13). Κατά κλάδο, η Ινδία ηγείται και στους πέντε κορυφαίους τομείς: εκπαίδευση, οικονομικά, υλικό και δίκτυα, κατασκευές, λογισμικό και υπηρεσίες ΤΠ[1][24].

Επενδύσεις

Εταιρικές επενδύσεις. Ο συνολικός παγκόσμιος όγκος επενδύσεων σε ΤΝ (ιδιωτικές επενδύσεις, IPO, συγχωνεύσεις και εξαγορές, μειοψηφικά μερίδια) αυξήθηκε κατά 40% το 2020 σε σύγκριση με το 2019, φτάνοντας τα 67,9 δισεκατομμύρια δολάρια. Οι συγχωνεύσεις και εξαγορές αποτέλεσαν το κύριο τμήμα, αυξηθείσες κατά 121,7%. Μεταξύ των μεγάλων συναλλαγών — η εξαγορά της Mellanox Technologies από την NVIDIA και της Altran Technologies από την Capgemini[1][3].

Startups. Ο όγκος ιδιωτικών επενδύσεων σε ΤΝ συνεχίζει να αυξάνεται, αλλά συγκεντρώνεται σε μικρότερο αριθμό startups. Το 2020, οι ιδιωτικές επενδύσεις αυξήθηκαν κατά 9,3% (ρεκόρ άνω των 40 δισεκατομμυρίων δολαρίων), ωστόσο ο αριθμός των χρηματοδοτούμενων εταιρειών μειωνόταν για τρίτο συνεχόμενο έτος[1][3].

Εστιακοί τομείς. Ο τομέας «Φάρμακα, Ογκολογία, Μόρια, Ανακάλυψη Φαρμάκων» έλαβε τον μεγαλύτερο όγκο ιδιωτικών επενδύσεων — πάνω από 13,8 δισεκατομμύρια δολάρια, που είναι 4,5 φορές υψηλότερος από τον δείκτη του 2019[1].

Εταιρική δραστηριότητα

Υιοθέτηση ΤΝ (δεδομένα McKinsey). Παρά την οικονομική ύφεση που προκάλεσε η πανδημία, οι μισοί ερωτηθέντες της έρευνας McKinsey δήλωσαν ότι ο κορωνοϊός δεν επηρέασε τις επενδύσεις τους σε ΤΝ, ενώ το 27% αύξησε πραγματικά τις επενδύσεις. Λιγότερο από το ένα τέταρτο των εταιρειών μείωσε τις επενδύσεις[1][26].

Ηθικοί κίνδυνοι. Παρά τις αυξανόμενες εκκλήσεις για αντιμετώπιση ηθικών ζητημάτων που σχετίζονται με τη χρήση της ΤΝ, οι προσπάθειες στη βιομηχανία παραμένουν περιορισμένες. Ζητήματα όπως η δικαιοσύνη και η ισότητα στην ΤΝ λαμβάνουν σχετικά λίγη προσοχή από τις εταιρείες. Λιγότερες εταιρείες το 2020 θεωρούν τους κινδύνους που σχετίζονται με την ιδιωτικότητα σχετικούς σε σύγκριση με το 2019[1][26].

Βιομηχανικά ρομπότ. Το κεφάλαιο περιλαμβάνει δεδομένα της Διεθνούς Ομοσπονδίας Ρομποτικής (IFR) σχετικά με παγκόσμιες τάσεις εγκατάστασης βιομηχανικών ρομπότ και περιφερειακές συγκρίσεις[1][27].

Αναφορές σε ΤΝ σε αναφορές κερδών. Η ανάλυση δεδομένων δείχνει αύξηση στον αριθμό αναφορών στην ΤΝ σε εταιρικές αναφορές κερδών[1].

Κεφάλαιο 4. Εκπαίδευση στην ΤΝ

Το κεφάλαιο εξετάζει τις τάσεις στην κατάρτιση στελεχών μέσα από το πρίσμα ανώτατων εκπαιδευτικών ιδρυμάτων και διαφόρων εκπαιδευτικών πλατφορμών[1].

Ανώτατη εκπαίδευση

Μαθήματα. Η έρευνα AI Index του 2020 έδειξε ότι τα κορυφαία πανεπιστήμια του κόσμου αύξησαν τις επενδύσεις στην εκπαίδευση για την ΤΝ τα τελευταία τέσσερα χρόνια. Ο αριθμός μαθημάτων πτυχίου που διδάσκουν πρακτικές δεξιότητες κατασκευής και ανάπτυξης μοντέλων ΤΝ αυξήθηκε κατά 102,9% (από 102 το 2016–17 σε 207 το 2019–20), ενώ σε μεταπτυχιακό επίπεδο — κατά 41,7% (από 151 σε 214). Ο αριθμός φοιτητών που εγγράφηκαν ή προσπάθησαν να εγγραφούν σε εισαγωγικά μαθήματα ΤΝ και ML αυξήθηκε σχεδόν κατά 60% σε τέσσερα ακαδημαϊκά έτη[1].

Στην ΕΕ, η αύξηση στον αριθμό εγγεγραμμένων σε εισαγωγικά μαθήματα ήταν 165%, ενώ στις ΗΠΑ παρατηρήθηκε μείωση στο τελευταίο ακαδημαϊκό έτος, εν μέρει λόγω της πανδημίας και δομικών αλλαγών στην προσφορά μαθημάτων[1].

Διδακτορικές σπουδές. Κατά τα τελευταία 10 χρόνια, το μερίδιο διδακτορικών τίτλων στην ΤΝ μεταξύ όλων των διδακτορικών τίτλων στην επιστήμη υπολογιστών στις ΗΠΑ αυξήθηκε από 14,2% σε περίπου 23% έως το 2019. Ταυτόχρονα, άλλες παλαιότερα δημοφιλείς ειδικεύσεις (τεχνολογίες δικτύων, μηχανική λογισμικού, γλώσσες προγραμματισμού) έχαναν δημοτικότητα[1][4].

Μετάβαση διδακτικού προσωπικού στη βιομηχανία. Μετά από δύο χρόνια ανόδου, ο αριθμός μεταβάσεων διδασκόντων ΤΝ από πανεπιστήμια στη βιομηχανία στη Βόρεια Αμερική μειώθηκε από 42 το 2018 σε 33 το 2019. Το Carnegie Mellon είχε τον μεγαλύτερο αριθμό μεταβάσεων για το 2004–2019 (16), ακολουθούμενο από το Georgia Tech (14) και το Πανεπιστήμιο της Ουάσινγκτον (12)[1].

Αλλοδαποί μεταπτυχιακοί φοιτητές. Το μερίδιο αλλοδαπών φοιτητών μεταξύ νέων μεταπτυχιακών φοιτητών ΤΝ έφτασε το 64,3% το 2019. Εξ αυτών, το 81,8% παρέμεινε στις ΗΠΑ[1][4].

Εκπαίδευση στην ΕΕ. Στην ΕΕ, η συντριπτική πλειοψηφία των εξειδικευμένων ακαδημαϊκών προσφορών στην ΤΝ διδάσκεται σε μεταπτυχιακό επίπεδο· η ρομποτική και η αυτοματοποίηση είναι το πιο συχνά διδασκόμενο μάθημα σε εξειδικευμένα προγράμματα πτυχίου και μεταπτυχιακού, ενώ το Machine Learning κυριαρχεί σε σύντομα εξειδικευμένα μαθήματα[1][28].

Κεφάλαιο 5. Ηθικές Προκλήσεις Εφαρμογών ΤΝ

Το κεφάλαιο εξετάζει τις προσπάθειες αντιμετώπισης ηθικών ζητημάτων που προκύπτουν με την ανάπτυξη της ΤΝ[1].

Αρχές και πλαίσια ΤΝ

Από το 2015 έως το 2020 δημοσιεύτηκαν 117 έγγραφα αφιερωμένα στις αρχές ΤΝ. Οι ιδιωτικές εταιρείες εξέδωσαν τον μεγαλύτερο αριθμό τέτοιων εγγράφων μεταξύ όλων των τύπων οργανισμών. Η Ευρώπη και η Κεντρική Ασία ηγούνται στον αριθμό δημοσιεύσεων (52), ακολουθούμενες από τη Βόρεια Αμερική (41) και την Ανατολική Ασία και τον Ειρηνικό (14). Η κορύφωση της εκδοτικής δραστηριότητας σημειώθηκε το 2018, ιδιαίτερα από τεχνολογικές εταιρείες — IBM, Google, Facebook — και κυβερνητικές δομές του Ηνωμένου Βασιλείου, της ΕΕ και της Αυστραλίας[1][29].

Επικριτές επισημαίνουν ότι η δημοσίευση ηθικών αρχών συχνά δεν συνοδεύεται από θεσμικά πλαίσια και είναι προαιρετική. Ο ασαφής και αφηρημένος χαρακτήρας πολλών αρχών δεν παρέχει σαφείς οδηγίες για την εφαρμογή τους[1].

Ηθική στα μέσα ενημέρωσης

Τα πέντε πιο συζητημένα θέματα του 2020 που σχετίζονται με την ηθική χρήση της ΤΝ: η δημοσίευση της Λευκής Βίβλου της Ευρωπαϊκής Επιτροπής για την ΤΝ, η απόλυση από την Google της ερευνήτριας ηθικής Timnit Gebru, η επιτροπή του ΟΗΕ για την ηθική ΤΝ, το σχέδιο του Βατικανού για την ηθική ΤΝ και η αποχώρηση της IBM από τον τομέα αναγνώρισης προσώπου[1].

Ηθική σε συνέδρια

Ο αριθμός άρθρων με λέξεις-κλειδιά που σχετίζονται με την ηθική στους τίτλους, που υποβλήθηκαν σε συνέδρια ΤΝ, αυξήθηκε από το 2015, αν και ο μέσος αριθμός τέτοιων τίτλων σε μεγάλα συνέδρια παραμένει χαμηλός[1].

Ηθική στην εκπαίδευση

Τα δεδομένα της έρευνας AI Index έδειξαν ότι τα μαθήματα ηθικής ΤΝ γίνονται όλο και πιο διαδεδομένα στα τμήματα πληροφορικής κορυφαίων πανεπιστημίων του κόσμου[1].

Κεφάλαιο 6. Ποικιλομορφία στην ΤΝ

Το κεφάλαιο αναλύει την έμφυλη, φυλετική, εθνοτική ποικιλομορφία και την εκπροσώπηση ΛΟΑΤΚΙ+ στον τομέα της ΤΝ[1].

Έμφυλη ποικιλομορφία

Σύμφωνα με δεδομένα της CRA, οι γυναίκες αποτελούν μόνο το 16% των μόνιμων καθηγητών επιστήμης υπολογιστών σε αρκετά κορυφαία πανεπιστήμια του κόσμου[1][4].

Φυλετική και εθνοτική ποικιλομορφία

Μεταξύ των νέων κατόχων διδακτορικού τίτλου στην ΤΝ στις ΗΠΑ για το 2019: το 45% είναι λευκοί, το 22,4% Ασιάτες, το 3,2% Λατινοαμερικανοί, το 2,4% Αφροαμερικανοί. Το μερίδιο λευκών (μη Ισπανόφωνων) μεταξύ νέων διδακτόρων επιστήμης υπολογιστών δεν άλλαξε σχεδόν καθόλου τα τελευταία 10 χρόνια, με μέσο όρο 62,7%[1][4].

Φυλετική σύνθεση διδακτικού προσωπικού. Μεταξύ 15 πανεπιστημίων που απάντησαν στην ερώτηση για τη φυλετική σύνθεση: το 67,0% των μόνιμων καθηγητών είναι λευκοί, το 14,3% Ασιάτες, το 0,8% Λατινοαμερικανοί, το 0,6% μαύροι ή αφρικανοί[1].

Black in AI. Ο οργανισμός Black in AI, που ιδρύθηκε το 2017 από τους Timnit Gebru και Rediet Abebe, αριθμούσε περίπου 3.000 μέλη έως το 2020. Η συμμετοχή σε σεμινάρια BAI στο NeurIPS αυξήθηκε σημαντικά: οι αριθμοί συμμετεχόντων και υποβληθέντων άρθρων το 2019 ήταν 2,6 φορές υψηλότεροι από τους δείκτες του 2017[1].

Έμφυλη ταυτότητα και σεξουαλικός προσανατολισμός

Σύμφωνα με δεδομένα της έρευνας Queer in AI (QAI) του 2020, σχεδόν οι μισοί ερωτηθέντες θεωρούν την ανεπαρκή ένταξη στον τομέα της ΤΝ εμπόδιο για την καριέρα τους. Πάνω από το 40% των μελών QAI ανέφεραν διακρίσεις ή παρενόχληση στη δουλειά ή στις σπουδές. Το 81,4% ανέφερε την απουσία προτύπων ρόλου ως κύριο εμπόδιο[1][30].

Κεφάλαιο 7. Πολιτική και Εθνικές Στρατηγικές για την ΤΝ

Το κεφάλαιο καλύπτει το ρυθμιστικό τοπίο της ΤΝ σε τοπικό, εθνικό και διεθνές επίπεδο[1].

Εθνικές στρατηγικές

Από τη δημοσίευση της πρώτης εθνικής στρατηγικής για την ΤΝ στον κόσμο από τον Καναδά το 2017, πάνω από 30 χώρες και περιφέρειες δημοσίευσαν παρόμοια έγγραφα έως τον Δεκέμβριο του 2020. Άλλες 22 χώρες βρίσκονταν σε διαδικασία ανάπτυξης στρατηγικών[1].

Έτος Στρατηγικές
2017 Καναδάς, Κίνα, Ιαπωνία, Φινλανδία, ΗΑΕ
2018 ΕΕ, Γαλλία, Γερμανία, Νότια Κορέα, Ηνωμένο Βασίλειο, Ινδία, Μεξικό, Αυστραλία κ.ά.
2019 ΗΠΑ (ενημερωμένη), Ρωσία, Ολλανδία, Τσεχία, Σιγκαπούρη κ.ά.
2020 Ισπανία, Βραζιλία, Πολωνία, Τουρκία κ.ά.

Καναδάς (2017): Pan-Canadian AI Strategy, προϋπολογισμός 125 εκατ. CAD (97 εκατ. USD), έμφαση στην κατάρτιση στελεχών και ηθικές πτυχές[1].

Κίνα (2017): μία από τις πιο ολοκληρωμένες στρατηγικές, που καλύπτει έρευνα και ανάπτυξη, εκπαίδευση, ηθικούς κανόνες και εθνική ασφάλεια. Στόχοι: επίτευξη παγκόσμιου επιπέδου έως το 2020, παγκόσμια ηγεσία έως το 2025, κύριο κέντρο καινοτομίας έως το 2030[1].

ΕΕ (2018): Coordinated Plan on Artificial Intelligence, τουλάχιστον 1 δισεκατομμύριο EUR ετησίως για έρευνα ΤΝ και 4,9 δισεκατομμύρια EUR για άλλες πτυχές της στρατηγικής[1].

Γαλλία (2018): AI for Humanity, προϋπολογισμός 1,5 δισεκατομμύρια EUR έως το 2022, στρατηγικοί τομείς: υγειονομική περίθαλψη, περιβάλλον, μεταφορές και άμυνα[1].

Διεθνής συνεργασία

Η έναρξη λειτουργίας της Παγκόσμιας Εταιρικής Σχέσης για την ΤΝ (GPAI) και του Παρατηρητηρίου Πολιτικής για την ΤΝ του ΟΟΣΑ το 2020 ενίσχυσε τις διακυβερνητικές προσπάθειες υποστήριξης της ανάπτυξης της ΤΝ[1][31][32].

Κρατικές επενδύσεις ΗΠΑ

Ομοσπονδιακός προϋπολογισμός. Η έκθεση αναλύει δεδομένα σχετικά με τον ομοσπονδιακό προϋπολογισμό των ΗΠΑ για μη στρατιωτική έρευνα και ανάπτυξη στον τομέα της ΤΝ[1].

Προϋπολογισμός Υπουργείου Άμυνας. Περιλαμβάνονται δεδομένα για το αιτηθέν κονδύλι του προϋπολογισμού του Υπουργείου Άμυνας των ΗΠΑ για την ΤΝ[1].

Κρατικά συμβόλαια. Ανάλυση συνολικών δαπανών σε συμβόλαια και κατανομής τους ανά υπηρεσία[1][6].

Νομοθετική δραστηριότητα

Κογκρέσο ΗΠΑ. Το 116ο Κογκρέσο ήταν το πιο προσανατολισμένο στην ΤΝ στην ιστορία. Ο αριθμός αναφορών στην ΤΝ σε νομοθετικές πράξεις, εκθέσεις επιτροπών και εκθέσεις της Υπηρεσίας Έρευνας Κογκρέσου (CRS) υπερτριπλασιάστηκε σε σύγκριση με το 115ο Κογκρέσο[1][6].

Κεντρικές τράπεζες. Η έκθεση περιλαμβάνει δεδομένα για τις αναφορές σε ΤΝ και ML σε υλικά κεντρικών τραπεζών[1].

Μεθοδολογία και πηγές δεδομένων

Η έκθεση βασίζεται σε δεδομένα από πολλές πηγές[1]:

  • Δημοσιεύσεις: Elsevier/Scopus (70 εκατ. αξιολογημένες από ομότιμους ερευνητικές εργασίες), Microsoft Academic Graph (MAG, 225+ εκατ. δημοσιεύσεις), arXiv, Nesta.
  • Benchmarks: Papers With Code, SuperGLUE, VQA, VCR, COCO, ImageNet, NIST FRVT, LibriSpeech, VoxCeleb, TPTP, CASP κ.ά.
  • Αγορά εργασίας: LinkedIn Economic Graph, Burning Glass Technologies.
  • Επενδύσεις: S&P Capital IQ (CapIQ), Crunchbase, NetBase Quid.
  • Εταιρική δραστηριότητα: McKinsey & Company (Global Survey on AI), International Federation of Robotics (IFR), Prattle (earnings calls).
  • Εκπαίδευση: CRA Taulbee Survey, Joint Research Centre (European Commission), ιδία έρευνα AI Index (18 πανεπιστήμια από 9 χώρες).
  • Ηθική: AI Ethics Lab (Boston), ανάλυση μέσων ενημέρωσης.
  • Ποικιλομορφία: CRA, Black in AI, Queer in AI.
  • Πολιτική: Bloomberg Government, OECD AI Policy Observatory.

Στο MAG κάθε άρθρο μετράται μία φορά· όταν υπάρχουν πολλοί συγγραφείς από διαφορετικές χώρες, η πίστωση κατανέμεται ισόποσα μεταξύ μοναδικών περιφερειών[1][5].

Συγγραφική ομάδα

Η έκθεση εκπονήθηκε υπό την καθοδήγηση των συν-διευθυντών Raymond Perrault (SRI International) και Jack Clark (OECD/GPAI). Διαχειριστής έρευνας και κύριος συντάκτης — Daniel Zhang (Stanford University). Στη διευθύνουσα επιτροπή συμμετείχαν επίσης: Erik Brynjolfsson (Stanford), John Etchemendy (Stanford), Deep Ganguli (Stanford), Barbara Grosz (Harvard), Terah Lyons (Partnership on AI), James Manyika (McKinsey Global Institute), Juan Carlos Niebles (Stanford), Michael Sellitto (Stanford), Yoav Shoham (Stanford / AI21 Labs, ιδρυτής-διευθυντής)[1].

Εργαλεία και ανοιχτά δεδομένα

Η έκθεση συνοδεύεται από τους εξής πόρους[1]:

  • Ακατέργαστα δεδομένα και γραφικά: δημόσια δεδομένα και εικόνες υψηλής ανάλυσης διαθέσιμα στο Google Drive.
  • Global AI Vibrancy Tool: ενημερωμένο εργαλείο διαδραστικής οπτικοποίησης, που επιτρέπει σύγκριση έως 26 χωρών με βάση 22 δείκτες.
  • Δημοσίευση «Measurement in AI Policy: Opportunities and Challenges» (φθινόπωρο 2020): επισκόπηση προβλημάτων μέτρησης στην πολιτική ΤΝ.

Σύνδεσμοι

Βιβλιογραφία

Παραπομπές

  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_(EL)&oldid=7973"