The 2021 AI Index Report (FA)

From Systems analysis Wiki
Jump to navigation Jump to search

AI Index Report 2021 — چهارمین نسخه سالانه گزارش AI Index، تهیه‌شده توسط مؤسسه هوش مصنوعی انسان‌محور استنفورد (Stanford HAI)[1]. گزارش سال ۲۰۲۱ در مقایسه با نسخه‌های پیشین به‌طور قابل‌توجهی حجم داده‌ها را افزایش داده، با طیف گسترده‌تری از سازمان‌های شریک خارجی همکاری کرده و پیوندهای خود با مؤسسه Stanford HAI را تعمیق بخشیده است. این نسخه داده‌های مرتبط با هوش مصنوعی را ردیابی، طبقه‌بندی، تلفیق و بصری‌سازی می‌کند و اطلاعاتی عینی، به‌دقت تأییدشده و به‌صورت جهانی گردآوری‌شده را در اختیار سیاست‌گذاران، پژوهشگران، مدیران، روزنامه‌نگاران و عموم مردم قرار می‌دهد. گزارش دوره‌ای را پوشش می‌دهد که تا حد زیادی تحت تأثیر همه‌گیری COVID-19 قرار داشت؛ همه‌گیری‌ای که جنبه‌های متعددی از توسعه هوش مصنوعی را — از تسریع کشف داروها گرفته تا برگزاری کنفرانس‌ها به‌صورت مجازی — تحت تأثیر قرار داد.

زمینه: تأثیر COVID-19

همه‌گیری COVID-19 تأثیری قابل‌توجه اما دوگانه بر توسعه هوش مصنوعی در سال ۲۰۲۰ گذاشت[1]. در حوزه عملکرد فنی، استارتاپ هوش مصنوعی PostEra از روش‌های Machine Learning برای تسریع کشف داروهای مرتبط با COVID-19 بهره گرفت[2]. فصل مربوط به اقتصاد نشان می‌دهد که استخدام متخصصان هوش مصنوعی و سرمایه‌گذاری‌های خصوصی تأثیر منفی قابل‌توجهی از همه‌گیری نپذیرفتند — هر دو شاخص در سال ۲۰۲۰ رشد داشتند. برگزاری کنفرانس‌ها به‌صورت مجازی به افزایش چشمگیر حضور شرکت‌کنندگان انجامید؛ به‌گونه‌ای که تعداد شرکت‌کنندگان نه کنفرانس بزرگ تقریباً دو برابر شد.

ساختار گزارش

گزارش ۲۰۲۱ از هفت فصل موضوعی تشکیل شده است[1]:

  1. تحقیق و توسعه (Research and Development) — روندها در انتشارات، ثبت اختراعات، کنفرانس‌ها و نرم‌افزارهای متن‌باز.
  2. عملکرد فنی (Technical Performance) — پیشرفت در بینایی ماشین، پردازش زبان طبیعی، تشخیص گفتار، استدلال، بهداشت و زیست‌شناسی.
  3. اقتصاد (The Economy) — بازار کار، سرمایه‌گذاری‌ها و فعالیت‌های شرکتی در حوزه هوش مصنوعی.
  4. آموزش هوش مصنوعی (AI Education) — روندها در آموزش نیروی انسانی، دوره‌ها و برنامه‌های درسی.
  5. چالش‌های اخلاقی کاربردهای هوش مصنوعی (Ethical Challenges of AI Applications) — اصول، پوشش رسانه‌ای، اخلاق در کنفرانس‌ها.
  6. تنوع در هوش مصنوعی (Diversity in AI) — تنوع جنسیتی، نژادی و قومی.
  7. سیاست و راهبردهای ملی هوش مصنوعی (AI Policy and National Strategies) — قانون‌گذاری، همکاری‌های بین‌دولتی، سرمایه‌گذاری‌های دولتی.

یافته‌های کلیدی گزارش (۹ یافته برتر)

نویسندگان گزارش نه مضمون اصلی سال ۲۰۲۱ را برجسته کرده‌اند[1]:

۱. رشد چشمگیر سرمایه‌گذاری در توسعه داروهای مبتنی بر هوش مصنوعی

حوزه «داروها، سرطان‌شناسی، مولکول‌ها، کشف دارو» (Drugs, Cancer, Molecular, Drug Discovery) بیشترین حجم سرمایه‌گذاری خصوصی در هوش مصنوعی را در سال ۲۰۲۰ دریافت کرد — بیش از ۱۳٫۸ میلیارد دلار آمریکا، که ۴٫۵ برابر رقم سال ۲۰۱۹ است[1][3].

۲. ادامه جابجایی نیروی انسانی به سمت صنعت

در سال ۲۰۱۹، ۶۵٪ از فارغ‌التحصیلان دکترا در حوزه هوش مصنوعی در آمریکای شمالی مشغول به کار در صنعت شدند — در مقایسه با ۴۴٫۴٪ در سال ۲۰۱۰ — که نشان‌دهنده نقش فزاینده صنعت در توسعه هوش مصنوعی است[1][4].

۳. مدل‌های مولد — «تولید همه چیز»

سیستم‌های هوش مصنوعی توانستند متن، صدا و تصویر را در سطحی از کیفیت تولید کنند که در برخی کاربردهای محدود، تشخیص خروجی‌های مصنوعی از واقعی برای انسان‌ها دشوار شده است[1].

۴. مشکل تنوع در هوش مصنوعی

در میان دارندگان جدید مدرک دکترا در حوزه هوش مصنوعی در ایالات متحده در سال ۲۰۱۹، ۴۵٪ سفیدپوست، ۲٫۴٪ آفریقایی‌آمریکایی و ۳٫۲٪ لاتین‌تبار بودند[1][4].

۵. چین از ایالات متحده در استناد به مقالات مجلات هوش مصنوعی پیشی گرفت

چین پس از آنکه چند سال پیش از نظر تعداد کل انتشارات مجلات هوش مصنوعی از ایالات متحده پیشی گرفته بود، در سال ۲۰۲۰ برای نخستین بار از نظر تعداد استنادهای مقالات مجلات نیز پیش افتاد. با این حال، ایالات متحده در طول دهه گذشته به‌طور مستمر و قابل‌توجهی از چین در تعداد مقالات کنفرانسی هوش مصنوعی (که بیشتر نیز استناد می‌شوند) پیش بوده است[1][5].

۶. اکثر دانشجویان دکترای هوش مصنوعی در ایالات متحده خارجی هستند و می‌مانند

سهم دانشجویان خارجی در میان دانشجویان جدید دکترا در حوزه هوش مصنوعی در آمریکای شمالی در سال ۲۰۱۹ به ۶۴٫۳٪ رسید — افزایشی ۴٫۳ واحد درصدی نسبت به سال ۲۰۱۸. از میان فارغ‌التحصیلان خارجی، ۸۱٫۸٪ در ایالات متحده ماندند و ۸٫۶٪ در خارج از این کشور مشغول به کار شدند[1][4].

۷. فناوری‌های نظارتی — سریع، ارزان و فراگیر

فناوری‌های لازم برای نظارت در مقیاس بزرگ به‌سرعت در حال بهبود هستند: روش‌های طبقه‌بندی تصویر، تشخیص چهره، تحلیل ویدئو و شناسایی صدا در سال ۲۰۲۰ پیشرفت قابل‌توجهی داشتند[1].

۸. اخلاق هوش مصنوعی فاقد benchmark و اجماع است

علی‌رغم اینکه شماری از سازمان‌ها اسناد کیفی و هنجاری در حوزه اخلاق هوش مصنوعی منتشر کرده‌اند، این حوزه به‌طور کلی فاقد benchmark‌هایی است که بتوان از آن‌ها برای اندازه‌گیری یا ارزیابی ارتباط میان بحث‌های عمومی درباره توسعه فناوری و خود فرآیند توسعه استفاده کرد[1].

۹. هوش مصنوعی توجه کنگره ایالات متحده را جلب کرد

کنگره ۱۱۶ام پرتوجه‌ترین کنگره نسبت به هوش مصنوعی در تاریخ بوده است: تعداد اشاره به هوش مصنوعی در مذاکرات آن بیش از سه برابر کنگره ۱۱۵ام بود[1][6].

فصل ۱. تحقیق و توسعه

این فصل روندها را در انتشارات (داوری‌شده، مجلات، کنفرانس‌ها، ثبت اختراعات)، فعالیت در arXiv، کنفرانس‌ها و نرم‌افزارهای متن‌باز تحلیل می‌کند[1].

انتشارات داوری‌شده

تعداد کل انتشارات داوری‌شده در حوزه هوش مصنوعی بین سال‌های ۲۰۰۰ تا ۲۰۱۹ تقریباً ۱۲ برابر شد. سهم انتشارات هوش مصنوعی از کل انتشارات داوری‌شده جهان از ۰٫۸۲٪ در سال ۲۰۰۰ به ۳٫۸٪ در سال ۲۰۱۹ افزایش یافت[1][7].

توزیع منطقه‌ای. آسیای شرقی و منطقه اقیانوس آرام از سال ۲۰۰۴ بیشترین سهم از انتشارات داوری‌شده هوش مصنوعی را داشته‌اند (۳۶٫۹٪ در سال ۲۰۱۹)، پس از آن‌ها اروپا و آسیای مرکزی (۲۵٫۱٪) و آمریکای شمالی (۱۷٫۰٪) قرار دارند. بین سال‌های ۲۰۰۹ و ۲۰۱۹، جنوب آسیا و آفریقای جنوب صحرا بیشترین رشد را داشتند — به‌ترتیب هشت و هفت برابر[1][5].

مقایسه بر اساس مناطق جغرافیایی. تا سال ۲۰۱۹، چین با سهم ۲۲٫۴٪ از انتشارات داوری‌شده هوش مصنوعی در جهان رتبه اول را کسب کرد و در سال ۲۰۱۷ از اتحادیه اروپا (۱۶٫۴٪) پیشی گرفت. ایالات متحده در رتبه سوم قرار داشت (۱۴٫۶٪). چین در سال ۲۰۱۹ نسبت به سال ۲۰۱۴، ۳٫۵ برابر بیشتر مقاله داوری‌شده هوش مصنوعی منتشر کرد[1][7].

وابستگی سازمانی. در هر منطقه بزرگ، بیشترین سهم انتشارات داوری‌شده متعلق به مؤسسات دانشگاهی است. با این حال، منابع مهم بعدی متفاوت هستند: در ایالات متحده پژوهش‌های شرکتی ۱۹٫۲٪ از کل را تشکیل می‌دهند، در حالی که در چین و اتحادیه اروپا نهادهای دولتی در رتبه دوم قرار دارند (به‌ترتیب ۱۵٫۶٪ و ۱۷٫۲٪)[1][7].

همکاری دانشگاهی-شرکتی. بین سال‌های ۲۰۱۵ و ۲۰۱۹، ایالات متحده بیشترین تعداد انتشارات داوری‌شده مشترک دانشگاهی-شرکتی هوش مصنوعی را تولید کرد — بیش از دو برابر اتحادیه اروپا که در رتبه دوم بود، و پس از آن چین قرار داشت[1].

انتشارات مجلات

تعداد انتشارات مجلات هوش مصنوعی در سال ۲۰۲۰، ۵٫۴ برابر بیشتر از سال ۲۰۰۰ بود. رشد از ۲۰۱۹ تا ۲۰۲۰ معادل ۳۴٫۵٪ بود — درصد رشدی به‌مراتب بیشتر از دوره ۲۰۱۸ تا ۲۰۱۹ (۱۹٫۶٪). سهم انتشارات مجلات هوش مصنوعی از کل انتشارات مجلات جهان در سال ۲۰۲۰ به ۲٫۲٪ رسید[1][5].

استناد. در سال ۲۰۲۰، چین (۲۰٫۷٪) برای نخستین بار از ایالات متحده (۱۹٫۸٪) در سهم استنادهای مقالات مجلات هوش مصنوعی در جهان پیشی گرفت. اتحادیه اروپا به از دست دادن سهم کلی خود ادامه داد (۱۱٫۰٪)[1][5].

انتشارات کنفرانسی

تعداد انتشارات کنفرانسی هوش مصنوعی بین سال‌های ۲۰۰۰ و ۲۰۱۹ چهار برابر شد. چین در سال ۲۰۱۹ از ایالات متحده در سهم انتشارات کنفرانسی هوش مصنوعی پیشی گرفت[1][5].

استناد. برخلاف انتشارات مجلات، ایالات متحده در طول دهه گذشته رهبری ثابت و قابل‌توجهی در استناد به مقالات کنفرانسی هوش مصنوعی داشت (۴۰٫۱٪ در سال ۲۰۲۰) و به‌طور قابل‌توجهی از چین (۱۱٫۸٪) و اتحادیه اروپا (۱۰٫۹٪) جلوتر بود[1][5].

انتشارات در arXiv

طی شش سال، تعداد انتشارات مرتبط با هوش مصنوعی در arXiv بیش از شش برابر افزایش یافت: از ۵٬۴۷۸ در سال ۲۰۱۵ به ۳۴٬۷۳۶ در سال ۲۰۲۰[1][8]. در میان حوزه‌های پژوهشی، رباتیک (cs.RO، رشد ۱۱ برابری) و Machine Learning (cs.LG، رشد ۱۰ برابری) بیشترین رشد را در دوره ۲۰۱۵–۲۰۲۰ داشتند. در سال ۲۰۲۰، cs.LG (۳۲٫۰٪) و بینایی ماشین cs.CV (۳۱٫۷٪) در رتبه اول بودند[1].

آمریکای شمالی همچنان در سهم انتشارات arXiv پیشتاز بود (۳۶٫۳٪ در سال ۲۰۲۰)، اما این سهم کاهش داشت (از ۴۱٫۶٪ در سال ۲۰۱۷). سهم آسیای شرقی و منطقه اقیانوس آرام به‌طور پیوسته رشد کرد: از ۱۷٫۳٪ در سال ۲۰۱۵ به ۲۶٫۵٪ در سال ۲۰۲۰[1].

ثبت اختراعات

داده‌های Microsoft Academic Graph رشد پایداری در تعداد اختراعات مرتبط با هوش مصنوعی را در طول دو دهه نشان می‌دهد[1][5].

یادگیری عمیق

پژوهشگران Nesta از الگوریتم‌های مدل‌سازی موضوعی برای شناسایی انتشارات مربوط به یادگیری عمیق در arXiv استفاده کردند. طی پنج سال گذشته، تعداد انتشارات یادگیری عمیق در arXiv تقریباً شش برابر شد[1][9].

کنفرانس‌ها

در سال ۲۰۲۰، اکثر کنفرانس‌های بزرگ هوش مصنوعی به دلیل COVID-19 به‌صورت مجازی برگزار شدند که به افزایش چشمگیر حضور شرکت‌کنندگان انجامید. تعداد شرکت‌کنندگان نه کنفرانس تقریباً دو برابر شد[1]. از جمله کنفرانس‌های بزرگ: NeurIPS (۲۲٬۰۱۱ شرکت‌کننده)، IROS (۲۵٬۷۱۹ — فرمت مجازی با دسترسی سه ماهه گسترش‌یافته)، ICML (۱۰٬۸۰۰)، CVPR (۷٬۵۰۰). از کنفرانس‌های کوچک‌تر: ICLR (۵٬۶۰۰)، ACL (۳٬۹۷۲)، AAMAS (۳٬۷۲۶)[1].

حضور شرکتی. پژوهش نشان داد که شرکت‌های بزرگ فناوری حضور خود را در کنفرانس‌های پیشرو هوش مصنوعی افزایش می‌دهند. تمام ۱۰ کنفرانس بزرگ روند صعودی در نمایندگی شرکتی داشتند. نویسندگان مقاله «The De-Democratization of AI» اشاره می‌کنند که توزیع نابرابر منابع محاسباتی بین دانشگاه و صنعت — به‌اصطلاح «شکاف محاسباتی» (compute divide) — نابرابری را در عصر یادگیری عمیق تشدید می‌کند[10].

نرم‌افزار متن‌باز

TensorFlow (ساخته Google، منتشرشده به‌صورت عمومی در ۲۰۱۷) محبوب‌ترین کتابخانه هوش مصنوعی متن‌باز در GitHub باقی ماند (۱۵۳ هزار ستاره تا سال ۲۰۲۰). دومین کتابخانه محبوب Keras (۵۱ هزار ستاره) و سومی PyTorch از Facebook (۴۶ هزار ستاره) بود. از سایر کتابخانه‌های قابل‌توجه: Scikit-learn (۴۵ هزار)، BVLC/Caffe (۳۱ هزار)، MXNet (۱۹ هزار) و CNTK (۱۷ هزار)[1][11].

فصل ۲. عملکرد فنی

این فصل پیشرفت در بینایی ماشین (تصویر و ویدئو)، پردازش زبان طبیعی، استدلال زبانی و بصری، تشخیص گفتار، استدلال نمادین و همچنین بهداشت و زیست‌شناسی را پوشش می‌دهد[1].

بینایی ماشین — تصویر

ImageNet. بینایی ماشین در طول دهه گذشته پیشرفت شگرفی داشته است. عملکرد در برخی از بزرگ‌ترین benchmark‌ها در حال همگرایی است، که نشان‌دهنده نیاز به ایجاد آزمون‌های پیچیده‌تر است. گزارش داده‌هایی درباره دقت Top-1 و Top-5 در ImageNet و همچنین زمان و هزینه آموزش ارائه می‌دهد[1][12].

آزمون‌های چالش‌برانگیز جدید. از آنجا که پیشرفت در ImageNet استاندارد کُند می‌شود، گزارش benchmark‌های پیچیده‌تری ارائه می‌دهد: ImageNet-Adversarial (شامل عوامل گیج‌کننده طبیعی و تصاویری که به‌طور سیستماتیک اشتباه طبقه‌بندی می‌شوند)، ImageNet-C (۷۵ نوع اعوجاج بصری: تغییر روشنایی، کنتراست، پیکسلی‌شدن، جلوه‌های مه) و ImageNet-Rendition (۳۰٬۰۰۰ تصویرسازی از ۲۰۰ کلاس ImageNet که تعمیم‌پذیری را آزمایش می‌کند)[1].

تولید تصویر. پیشرفت با شاخص Fréchet Inception Distance (FID) در dataset STL-10 اندازه‌گیری می‌شود — بهترین امتیاز تا سال ۲۰۲۰ به ۲۵٫۴ رسید (هرچه پایین‌تر، بهتر). نمونه‌های کیفی تولید چهره پیشرفت سریع GAN را نشان می‌دهند: تا سال ۲۰۱۸ عملکرد به سطحی رسیده بود که تشخیص تقلبی برای انسان‌ها دشوار بود[1][13].

تشخیص Deepfake. Deepfake Detection Challenge (DFDC) که در سپتامبر ۲۰۱۹ توسط Facebook ایجاد شد، کاهش شاخص log loss به میزان تقریبی ۰٫۵ را در دوره دسامبر ۲۰۱۹ تا مارس ۲۰۲۰ نشان داد و به مقدار ۰٫۱۹ رسید[1][14].

ارزیابی وضعیت بدن انسان. در benchmark COCO Keypoint Detection، دقت الگوریتم‌ها طی چهار سال تقریباً ۳۳٪ بهبود یافت و به ۸۰٫۸٪ میانگین دقت (AP) رسید[1].

تقسیم‌بندی معنایی. پیشرفت در benchmark Cityscapes و سایر وظایف تقسیم‌بندی ادامه داشت[1].

بینایی ماشین — ویدئو

ActivityNet. این benchmark برای تشخیص فعالیت، بهبود بیشتر الگوریتم‌ها را در وظایف مکان‌یابی زمانی فعالیت نشان داد[1].

YOLO (You Only Look Once). سیستم‌های تشخیص اشیاء برای تحلیل فریم‌های جریان ویدئویی به سرعت در حال بلوغ هستند که نشان‌دهنده گسترش امکانات استقرار هوش مصنوعی است[1].

تشخیص چهره (NIST FRVT). گزارش داده‌هایی از مؤسسه ملی استانداردها و فناوری (NIST) درباره آزمایش سیستم‌های تشخیص چهره ارائه می‌دهد. فناوری‌های نظارت در مقیاس بزرگ به‌سرعت در حال توسعه هستند[1][15].

پردازش زبان طبیعی (NLP)

SuperGLUE. پیشرفت سریع در NLP به این انجامید که سیستم‌های هوش مصنوعی شروع به دستیابی به سطح انسانی در benchmark SuperGLUE کردند — که در پاسخ به این توسعه یافت که benchmark قدیمی‌تر GLUE خیلی سریع پشت سر گذاشته شده بود. پیشرفت در NLP از معیارهای ارزیابی آن پیشی می‌گیرد[1][16].

SQuAD. benchmark Stanford Question Answering Dataset نیز رشد پایداری در عملکرد مدل‌ها نشان داد[1].

ترجمه ماشینی تجاری. تعداد سیستم‌های مستقل ترجمه ماشینی ابری در دسترس تجاری با مدل‌های از پیش آموزش‌دیده از ۸ سیستم در سال ۲۰۱۷ به ۲۸ سیستم در سال ۲۰۲۰ افزایش یافت[1][17].

GPT-3. در جولای ۲۰۲۰، OpenAI GPT-3 را معرفی کرد — بزرگ‌ترین مدل زبانی متراکم شناخته‌شده در آن زمان با ۱۷۵ میلیارد پارامتر که روی ۵۷۰ گیگابایت متن آموزش دیده بود. برای مقایسه: پیشینیان آن GPT-2 بیش از ۱۰۰ برابر کوچک‌تر بود (۱٫۵ میلیارد پارامتر). مقیاس به رفتار شگفت‌انگیزی منجر شد: GPT-3 می‌تواند وظایفی را که صریحاً روی آن‌ها آموزش ندیده است با تعداد صفر یا حداقل نمونه‌های آموزشی انجام دهد (zero-shot و few-shot learning). میانگین دقت در ۴۲ benchmark: zero-shot — ۴۲٫۶٪، one-shot — ۵۱٫۰٪، few-shot — ۵۷٫۴٪[1][18].

علی‌رغم قابلیت‌های چشمگیر، GPT-3 دارای نقاط ضعف جدی است: می‌تواند متن نژادپرستانه، جنسیت‌زده و سوگیرانه تولید کند، ادعاهای واقعاً نادرست ایجاد کند، و آموزش آن بسیار گران است. پژوهش‌ها در زمینه کنترل و «هدایت» چنین خروجی‌هایی در مراحل ابتدایی هستند اما امیدوارکننده‌اند[1][18].

استدلال زبانی و بصری

VQA. در benchmark Visual Question Answering، دقت از زمان ایجاد آن در سال ۲۰۱۵ تقریباً ۴۰٪ رشد کرد و در سال ۲۰۲۰ به ۷۶٫۴٪ رسید (سطح پایه انسانی ۸۰٫۸٪ است)[1][19].

VCR. در وظیفه Visual Commonsense Reasoning (که نیازمند توجیه پاسخ است)، بهترین ماشین شاخص Q→AR را از ۴۴ در سال ۲۰۱۸ به ۷۰٫۵ در سال ۲۰۲۰ بهبود داد (رشد ۶۰٫۲٪)، در حالی که سطح انسانی ۸۵ است[1].

تشخیص گفتار

LibriSpeech. پیشرفت در تشخیص خودکار گفتار ادامه داشت، که تا حد زیادی مدیون انعطاف‌پذیری و قدرت پیش‌بینی شبکه‌های عصبی عمیق است[1].

VoxCeleb. یک dataset متشکل از کلیپ‌های کوتاه گفتار انسانی استخراج‌شده از مصاحبه‌های ویدئویی YouTube، شامل بیش از ۷٬۰۰۰ گوینده و بیش از یک میلیون گفته. برای ارزیابی شناسایی گوینده استفاده می‌شود[1][20].

شکاف نژادی در تشخیص گفتار. گزارش به وجود شکاف نژادی قابل‌توجهی در فناوری‌های تشخیص گفتار اشاره می‌کند[1].

استدلال نمادین

مسئله ارضاپذیری فرمول‌های بولی (SAT). گزارش تحلیل جدیدی با استفاده از مقدار زمانی Shapley ارائه می‌دهد که امکان انتساب سهم سیستم‌های فردی در عملکرد کلی را فراهم می‌کند. برنده سال ۲۰۲۰ — Kissat — بالاترین مقدار زمانی Shapley را در میان تمام حل‌کننده‌ها داشت (به استثنای سال اول)، عمدتاً به دلیل ساختارهای داده و الگوریتم‌های کارآمدتر[1][21].

اثبات خودکار قضایا (ATP). تحلیل کتابخانه TPTP (بیش از ۲۳٬۰۰۰ مسئله) رشد پیوسته‌ای در سهم مسائل قابل حل از سال ۱۹۹۷ تا ۲۰۲۰ نشان می‌دهد. پیشرفت قابل‌توجهی در سال‌های ۲۰۰۸–۲۰۱۳ مشاهده شد، و از سال ۲۰۱۵ پیشرفت ادامه یافت اما کُند شد. استفاده فزاینده از Machine Learning (در سیستم‌های MaLARea، Enigma) به‌عنوان عامل بالقوه انقلابی برای ATP در نظر گرفته می‌شود[1][22].

بهداشت و زیست‌شناسی

سنتز مولکولی. مدل‌های Machine Learning برای آموزش بازنمایی‌های مولکول‌های شیمیایی با هدف برنامه‌ریزی مؤثرتر سنتز شیمیایی استفاده می‌شوند[1].

COVID-19 و کشف دارو. استارتاپ PostEra از روش‌های Machine Learning برای تسریع فرآیند کشف داروهای مرتبط با COVID-19 در چارچوب پروژه COVID Moonshot بهره گرفت[1][2].

AlphaFold و تاشدگی پروتئین. پیشرفت DeepMind در پیش‌بینی ساختار پروتئین یکی از مهم‌ترین دستاوردهای سال بود. AlphaFold 2 در رقابت CASP14 (۲۰۲۰) به میانه شاخص GDT_TS قابل مقایسه با روش‌های آزمایشگاهی برای مسائل مدل‌سازی آزاد دست یافت و تمام نتایج قبلی را به‌طور قابل‌توجهی پشت سر گذاشت. این دستاورد طیف گسترده‌ای از کاربردها را دارد — از درک بهتر مبانی سلولی حیات گرفته تا تسریع توسعه داروها[1][23].

نظر متخصصان

نظرسنجی AI Index از متخصصان هوش مصنوعی یافته‌های زیر را آشکار کرد[1]:

  • چشمگیرترین دستاوردهای سال ۲۰۲۰ AlphaFold (DeepMind) و GPT-3 (OpenAI) شناخته شدند — با فاصله زیاد از سایرین.
  • روند کلیدی سال ۲۰۲۱ توسعه بیشتر مدل‌های از پیش آموزش‌دیده و fine-tuning آن‌ها برای وظایف تخصصی است.
  • Percy Liang (استنفورد) بر تسلط معماری Transformers تأکید کرد که در اصل برای ترجمه ماشینی طراحی شده بود اما به معماری استاندارد de facto شبکه‌های عصبی تبدیل شده است.

فصل ۳. اقتصاد

این فصل رابطه روزافزون تنگاتنگ بین هوش مصنوعی و اقتصاد جهانی را از منظر بازار کار، سرمایه‌گذاری‌ها و فعالیت شرکتی بررسی می‌کند[1].

بازار کار

استخدام متخصصان هوش مصنوعی. برزیل، هند، کانادا، سنگاپور و آفریقای جنوبی بیشترین رشد استخدام متخصصان هوش مصنوعی را در دوره ۲۰۱۶ تا ۲۰۲۰ داشتند. علی‌رغم همه‌گیری، استخدام در تمام کشورهای مورد بررسی در سال ۲۰۲۰ ادامه یافت[1][24].

تقاضا برای متخصصان هوش مصنوعی در ایالات متحده. تعداد فرصت‌های شغلی در حوزه هوش مصنوعی در ایالات متحده از ۲۰۱۹ تا ۲۰۲۰ به میزان ۸٫۲٪ کاهش یافت (از ۳۲۵٬۷۲۴ به ۳۰۰٬۹۹۹). این اولین کاهش سهم فرصت‌های شغلی هوش مصنوعی در شش سال اخیر بود[1][25].

نفوذ مهارت‌های هوش مصنوعی. در میان کشورهای مورد بررسی، هند بالاترین شاخص نسبی نفوذ مهارت‌های هوش مصنوعی را دارد (۲٫۸۳ برابر میانگین جهانی)، پس از آن ایالات متحده (۱٫۹۹)، چین (۱٫۴۰)، آلمان (۱٫۲۷) و کانادا (۱٫۱۳) قرار دارند. بر اساس صنعت، هند در تمام پنج بخش پیشرو رهبری می‌کند: آموزش، مالی، تجهیزات و شبکه‌ها، تولید، نرم‌افزار و خدمات فناوری اطلاعات[1][24].

سرمایه‌گذاری‌ها

سرمایه‌گذاری‌های شرکتی. حجم کل سرمایه‌گذاری جهانی در هوش مصنوعی (سرمایه‌گذاری خصوصی، IPO، ادغام و تملک، سهام اقلیت) در سال ۲۰۲۰ نسبت به ۲۰۱۹ به میزان ۴۰٪ رشد کرد و به ۶۷٫۹ میلیارد دلار رسید. ادغام و تملک بیشترین بخش را تشکیل داد و ۱۲۱٫۷٪ افزایش داشت. از جمله معاملات بزرگ — خرید Mellanox Technologies توسط NVIDIA و خرید Altran Technologies توسط Capgemini[1][3].

استارتاپ‌ها. حجم سرمایه‌گذاری خصوصی در هوش مصنوعی به رشد ادامه می‌دهد، اما در تعداد کمتری از استارتاپ‌ها متمرکز شده است. در سال ۲۰۲۰ سرمایه‌گذاری خصوصی ۹٫۳٪ رشد کرد (رکورد بیش از ۴۰ میلیارد دلار)، اما تعداد شرکت‌های تأمین‌مالی‌شده برای سومین سال پیاپی کاهش یافت[1][3].

حوزه‌های تمرکز. حوزه «داروها، سرطان‌شناسی، مولکول‌ها، کشف دارو» بیشترین حجم سرمایه‌گذاری خصوصی را دریافت کرد — بیش از ۱۳٫۸ میلیارد دلار، که ۴٫۵ برابر رقم سال ۲۰۱۹ است[1].

فعالیت شرکتی

پذیرش هوش مصنوعی (داده‌های McKinsey). علی‌رغم رکود اقتصادی ناشی از همه‌گیری، نیمی از پاسخ‌دهندگان نظرسنجی McKinsey اعلام کردند که کرونا تأثیری بر سرمایه‌گذاری‌های آن‌ها در هوش مصنوعی نگذاشته، و ۲۷٪ در واقع سرمایه‌گذاری خود را افزایش داده‌اند. کمتر از یک چهارم شرکت‌ها سرمایه‌گذاری‌های خود را کاهش دادند[1][26].

ریسک‌های اخلاقی. علی‌رغم درخواست‌های فزاینده برای رفع مشکلات اخلاقی مرتبط با استفاده از هوش مصنوعی، تلاش‌های صنعت محدود باقی مانده است. مسائلی مانند انصاف و برابری در هوش مصنوعی توجه نسبتاً کمی از شرکت‌ها دریافت می‌کنند. تعداد کمتری از شرکت‌ها در سال ۲۰۲۰ نسبت به ۲۰۱۹ ریسک‌های مرتبط با حریم خصوصی را جدی می‌دانند[1][26].

ربات‌های صنعتی. این فصل داده‌های فدراسیون بین‌المللی رباتیک (IFR) درباره روندهای جهانی نصب ربات‌های صنعتی و مقایسه‌های منطقه‌ای را شامل می‌شود[1][27].

اشاره به هوش مصنوعی در گزارش‌های سود. تحلیل داده‌ها رشد تعداد اشاره به هوش مصنوعی در گزارش‌های سود شرکت‌ها را نشان می‌دهد[1].

فصل ۴. آموزش هوش مصنوعی

این فصل روندهای آموزش نیروی انسانی را از منظر مؤسسات آموزش عالی و پلتفرم‌های آموزشی مختلف بررسی می‌کند[1].

آموزش عالی

دوره‌ها. نظرسنجی AI Index سال ۲۰۲۰ نشان داد که دانشگاه‌های پیشرو جهان در چهار سال گذشته سرمایه‌گذاری در آموزش هوش مصنوعی را افزایش داده‌اند. تعداد دوره‌های کارشناسی که مهارت‌های عملی ساخت و استقرار مدل‌های هوش مصنوعی را آموزش می‌دهند ۱۰۲٫۹٪ رشد داشت (از ۱۰۲ دوره در سال‌های ۲۰۱۶-۱۷ به ۲۰۷ دوره در سال‌های ۲۰۱۹-۲۰)، و در سطح کارشناسی ارشد ۴۱٫۷٪ رشد کرد (از ۱۵۱ به ۲۱۴). تعداد دانشجویانی که در دوره‌های مقدماتی هوش مصنوعی و ML ثبت‌نام کردند یا تلاش برای ثبت‌نام کردند، در طول چهار سال تحصیلی تقریباً ۶۰٪ رشد داشت[1].

در اتحادیه اروپا رشد تعداد ثبت‌نام‌شدگان در دوره‌های مقدماتی ۱۶۵٪ بود، در حالی که در ایالات متحده در آخرین سال تحصیلی کاهشی دیده شد که تا حدی ناشی از همه‌گیری و تغییرات ساختاری در عرضه دوره‌ها بود[1].

دکترا. در طول ۱۰ سال گذشته، سهم دکترای هوش مصنوعی از کل دکتراهای علوم کامپیوتر در ایالات متحده از ۱۴٫۲٪ به حدود ۲۳٪ تا سال ۲۰۱۹ افزایش یافت. در همان حال، سایر تخصص‌های پیش‌تر محبوب (فناوری شبکه، مهندسی نرم‌افزار، زبان‌های برنامه‌نویسی) محبوبیت خود را از دست دادند[1][4].

مهاجرت اساتید به صنعت. پس از دو سال رشد، تعداد مهاجرت اساتید هوش مصنوعی از دانشگاه‌ها به صنعت در آمریکای شمالی از ۴۲ نفر در سال ۲۰۱۸ به ۳۳ نفر در سال ۲۰۱۹ کاهش یافت. دانشگاه Carnegie Mellon بیشترین تعداد مهاجرت را در دوره ۲۰۰۴-۲۰۱۹ داشت (۱۶ نفر)، پس از آن Georgia Tech (14 نفر) و دانشگاه واشنگتن (12 نفر) قرار دارند[1].

دانشجویان دکترای خارجی. سهم دانشجویان خارجی در میان دانشجویان جدید دکترای هوش مصنوعی در سال ۲۰۱۹ به ۶۴٫۳٪ رسید. از این میان، ۸۱٫۸٪ در ایالات متحده ماندند[1][4].

آموزش در اتحادیه اروپا. در اتحادیه اروپا، اکثریت قاطع پیشنهادهای آکادمیک تخصصی در حوزه هوش مصنوعی در سطح کارشناسی ارشد تدریس می‌شوند؛ رباتیک و اتوماسیون پرتکرارترین دوره در برنامه‌های تخصصی کارشناسی و کارشناسی ارشد است، در حالی که Machine Learning در دوره‌های تخصصی کوتاه‌مدت غالب است[1][28].

فصل ۵. چالش‌های اخلاقی کاربردهای هوش مصنوعی

این فصل تلاش‌ها برای حل مشکلات اخلاقی ناشی از توسعه هوش مصنوعی را بررسی می‌کند[1].

اصول و چارچوب‌های هوش مصنوعی

از سال ۲۰۱۵ تا ۲۰۲۰، ۱۱۷ سند اختصاص‌یافته به اصول هوش مصنوعی منتشر شد. شرکت‌های خصوصی بیشترین تعداد این اسناد را در میان تمام انواع سازمان‌ها منتشر کردند. اروپا و آسیای مرکزی با ۵۲ سند در رتبه اول هستند، پس از آن آمریکای شمالی (۴۱) و آسیای شرقی و منطقه اقیانوس آرام (۱۴). اوج فعالیت انتشاراتی در سال ۲۰۱۸ بود، به‌ویژه از سوی شرکت‌های فناوری — IBM، Google، Facebook — و نهادهای دولتی بریتانیا، اتحادیه اروپا و استرالیا[1][29].

منتقدان اشاره می‌کنند که انتشار اصول اخلاقی اغلب با چارچوب‌های نهادی همراه نیست و اختیاری است. ماهیت مبهم و انتزاعی بسیاری از اصول رهنمود روشنی برای اجرای آن‌ها فراهم نمی‌کند[1].

اخلاق در رسانه‌ها

پنج موضوع پرمطرح سال ۲۰۲۰ مرتبط با استفاده اخلاقی از هوش مصنوعی: انتشار کتاب سفید کمیسیون اروپا درباره هوش مصنوعی، اخراج محقق اخلاق Timnit Gebru توسط Google، کمیته سازمان ملل در زمینه اخلاق هوش مصنوعی، برنامه واتیکان برای اخلاق هوش مصنوعی و خروج IBM از کسب‌وکار تشخیص چهره[1].

اخلاق در کنفرانس‌ها

تعداد مقالات با کلیدواژه‌های مرتبط با اخلاق در عناوین ارائه‌شده به کنفرانس‌های هوش مصنوعی از سال ۲۰۱۵ افزایش یافته، هرچند میانگین تعداد چنین عناوینی در کنفرانس‌های بزرگ همچنان پایین است[1].

اخلاق در آموزش

داده‌های نظرسنجی AI Index نشان داد که دوره‌های اخلاق هوش مصنوعی در بخش‌های علوم کامپیوتر دانشگاه‌های پیشرو جهان به‌طور فزاینده‌ای رایج می‌شوند[1].

فصل ۶. تنوع در هوش مصنوعی

این فصل تنوع جنسیتی، نژادی، قومی و حضور LGBTQ+ در حوزه هوش مصنوعی را تحلیل می‌کند[1].

تنوع جنسیتی

بر اساس داده‌های CRA، زنان تنها ۱۶٪ از اعضای هیئت علمی تمام‌وقت علوم کامپیوتر در چند دانشگاه پیشرو جهان را تشکیل می‌دهند[1][4].

تنوع نژادی و قومی

در میان دارندگان جدید دکترای هوش مصنوعی در ایالات متحده در سال ۲۰۱۹: ۴۵٪ سفیدپوست، ۲۲٫۴٪ آسیایی، ۳٫۲٪ لاتین‌تبار، ۲٫۴٪ آفریقایی‌آمریکایی بودند. سهم سفیدپوستان (غیر اسپانیایی‌تبار) در میان دارندگان جدید دکترای علوم کامپیوتر در طول ۱۰ سال گذشته تقریباً بدون تغییر بوده و به‌طور میانگین ۶۲٫۷٪ است[1][4].

ترکیب نژادی هیئت علمی. در میان ۱۵ دانشگاهی که به سؤال ترکیب نژادی پاسخ دادند: ۶۷٫۰٪ اعضای هیئت علمی تمام‌وقت سفیدپوست، ۱۴٫۳٪ آسیایی، ۰٫۸٪ لاتین‌تبار، ۰٫۶٪ سیاه‌پوست یا آفریقایی بودند[1].

Black in AI. سازمان Black in AI که در سال ۲۰۱۷ توسط Timnit Gebru و Rediet Abebe تأسیس شد، تا سال ۲۰۲۰ حدود ۳٬۰۰۰ عضو داشت. مشارکت در کارگاه‌های BAI در NeurIPS به‌طور قابل‌توجهی رشد کرد: تعداد شرکت‌کنندگان و مقالات ارائه‌شده در سال ۲۰۱۹ نسبت به سال ۲۰۱۷ حدود ۲٫۶ برابر شد[1].

هویت جنسیتی و گرایش جنسی

بر اساس داده‌های نظرسنجی Queer in AI (QAI) سال ۲۰۲۰، تقریباً نیمی از پاسخ‌دهندگان، کافی نبودن فراگیری در حوزه هوش مصنوعی را مانعی برای پیشرفت شغلی خود می‌دانند. بیش از ۴۰٪ اعضای QAI از تبعیض یا آزار در محل کار یا تحصیل خبر دادند. ۸۱٫۴٪ فقدان الگوهای نقش را بزرگ‌ترین مانع دانستند[1][30].

فصل ۷. سیاست و راهبردهای ملی هوش مصنوعی

این فصل چشم‌انداز تنظیم‌گری هوش مصنوعی را در سطح محلی، ملی و بین‌المللی پوشش می‌دهد[1].

راهبردهای ملی

از زمان انتشار نخستین راهبرد ملی هوش مصنوعی جهان توسط کانادا در سال ۲۰۱۷، بیش از ۳۰ کشور و منطقه تا دسامبر ۲۰۲۰ اسناد مشابهی منتشر کرده‌اند. ۲۲ کشور دیگر نیز در فرآیند تدوین راهبرد بودند[1].

سال راهبردها
2017 کانادا، چین، ژاپن، فنلاند، امارات متحده عربی
2018 اتحادیه اروپا، فرانسه، آلمان، کره جنوبی، بریتانیا، هند، مکزیک، استرالیا و دیگران
2019 ایالات متحده (به‌روزشده)، روسیه، هلند، جمهوری چک، سنگاپور و دیگران
2020 اسپانیا، برزیل، لهستان، ترکیه و دیگران

کانادا (۲۰۱۷): Pan-Canadian AI Strategy، بودجه ۱۲۵ میلیون دلار کانادا (۹۷ میلیون دلار آمریکا)، تأکید بر آموزش نیروی انسانی و جنبه‌های اخلاقی[1].

چین (۲۰۱۷): یکی از جامع‌ترین راهبردها، که پژوهش و توسعه، آموزش، هنجارهای اخلاقی و امنیت ملی را پوشش می‌دهد. اهداف: رسیدن به سطح جهانی تا سال ۲۰۲۰، پیشرو جهانی شدن تا ۲۰۲۵، مرکز اصلی نوآوری شدن تا سال ۲۰۳۰[1].

اتحادیه اروپا (۲۰۱۸): Coordinated Plan on Artificial Intelligence، حداقل ۱ میلیارد یورو در سال برای پژوهش هوش مصنوعی و ۴٫۹ میلیارد یورو برای سایر جنبه‌های راهبرد[1].

فرانسه (۲۰۱۸): AI for Humanity، بودجه ۱٫۵ میلیارد یورو تا سال ۲۰۲۲، بخش‌های راهبردی: بهداشت، محیط زیست، حمل‌ونقل و دفاع[1].

همکاری بین‌المللی

راه‌اندازی مشارکت جهانی در هوش مصنوعی (GPAI) و رصدخانه سیاست هوش مصنوعی OECD در سال ۲۰۲۰، تلاش‌های بین‌دولتی برای حمایت از توسعه هوش مصنوعی را تقویت کرد[1][31][32].

سرمایه‌گذاری‌های دولتی ایالات متحده

بودجه فدرال. گزارش داده‌هایی درباره بودجه فدرال ایالات متحده برای پژوهش و توسعه غیرنظامی در حوزه هوش مصنوعی تحلیل می‌کند[1].

بودجه وزارت دفاع. داده‌هایی درباره درخواست بودجه وزارت دفاع ایالات متحده برای هوش مصنوعی گنجانده شده است[1].

قراردادهای دولتی. تحلیل هزینه‌های کلی قراردادها و توزیع آن‌ها در میان نهادهای مختلف[1][6].

فعالیت قانون‌گذاری

کنگره ایالات متحده. کنگره ۱۱۶ام پرتوجه‌ترین کنگره نسبت به هوش مصنوعی در تاریخ بود. تعداد اشاره به هوش مصنوعی در قوانین، گزارش‌های کمیته‌ها و گزارش‌های سرویس تحقیقاتی کنگره (CRS) بیش از سه برابر کنگره ۱۱۵ام شد[1][6].

بانک‌های مرکزی. گزارش داده‌هایی درباره اشاره به هوش مصنوعی و Machine Learning در مواد بانک‌های مرکزی شامل می‌شود[1].

روش‌شناسی و منابع داده

گزارش بر داده‌هایی از منابع متعدد استوار است[1]:

  • انتشارات: Elsevier/Scopus (۷۰ میلیون مقاله پژوهشی داوری‌شده)، Microsoft Academic Graph (MAG، بیش از ۲۲۵ میلیون انتشار)، arXiv، Nesta.
  • Benchmark‌ها: Papers With Code، SuperGLUE، VQA، VCR، COCO، ImageNet، NIST FRVT، LibriSpeech، VoxCeleb، TPTP، CASP و دیگران.
  • بازار کار: LinkedIn Economic Graph، Burning Glass Technologies.
  • سرمایه‌گذاری‌ها: S&P Capital IQ (CapIQ)، Crunchbase، NetBase Quid.
  • فعالیت شرکتی: McKinsey & Company (نظرسنجی جهانی درباره هوش مصنوعی)، International Federation of Robotics (IFR)، Prattle (تماس‌های سود).
  • آموزش: CRA Taulbee Survey، Joint Research Centre (کمیسیون اروپا)، نظرسنجی اختصاصی AI Index (۱۸ دانشگاه از ۹ کشور).
  • اخلاق: AI Ethics Lab (بوستون)، تحلیل رسانه‌ای.
  • تنوع: CRA، Black in AI، Queer in AI.
  • سیاست: Bloomberg Government، OECD AI Policy Observatory.

در MAG هر مقاله یک بار شمارش می‌شود؛ در صورت وجود چند نویسنده از کشورهای مختلف، اعتبار به‌طور مساوی بین مناطق منحصربه‌فرد توزیع می‌شود[1][5].

تیم نویسندگان

گزارش تحت نظارت هم‌مدیران Raymond Perrault (SRI International) و Jack Clark (OECD/GPAI) تهیه شده است. مدیر پژوهش و سردبیر ارشد — Daniel Zhang (دانشگاه استنفورد). اعضای کمیته راهبری همچنین شامل: Erik Brynjolfsson (استنفورد)، John Etchemendy (استنفورد)، Deep Ganguli (استنفورد)، Barbara Grosz (هاروارد)، Terah Lyons (Partnership on AI)، James Manyika (McKinsey Global Institute)، Juan Carlos Niebles (استنفورد)، Michael Sellitto (استنفورد)، Yoav Shoham (استنفورد / AI21 Labs، مؤسس-مدیر) بودند[1].

ابزارها و داده‌های آزاد

گزارش با منابع زیر همراه است[1]:

  • داده‌های خام و نمودارها: داده‌های عمومی و تصاویر با وضوح بالا در Google Drive در دسترس هستند.
  • Global AI Vibrancy Tool: ابزار تجسم تعاملی به‌روزشده که امکان مقایسه تا ۲۶ کشور بر اساس ۲۲ شاخص را فراهم می‌کند.
  • انتشار «Measurement in AI Policy: Opportunities and Challenges» (پاییز ۲۰۲۰): مروری بر چالش‌های اندازه‌گیری در سیاست هوش مصنوعی.

پیوندها

منابع

یادداشت‌ها

  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_(FA)&oldid=7974"