The 2021 AI Index Report (HE)

From Systems analysis Wiki
Jump to navigation Jump to search

AI Index Report 2021 — הגיליון השנתי הרביעי של דוח AI Index, שהוכן על ידי מכון סטנפורד לבינה מלאכותית ממוקדת אדם (Stanford HAI)[1]. דוח 2021 מרחיב משמעותית את היקף הנתונים בהשוואה לגיליונות קודמים, כולל עבודה עם מעגל רחב יותר של ארגוני שותפים חיצוניים ומעמיק את הקשרים עם מכון Stanford HAI. הגיליון עוקב, מסדר, מסכם ומדמה נתונים הקשורים לבינה מלאכותית, ומספק מידע אובייקטיבי, מאומת בקפידה ונאסף ברמה גלובלית עבור קובעי מדיניות, חוקרים, מנהלים, עיתונאים והציבור הרחב. הדוח מכסה תקופה שהוגדרה במידה רבה על ידי מגפת COVID-19, שהשפיעה על היבטים רבים של פיתוח הבינה המלאכותית — מהאצת פיתוח תרופות ועד העברת כנסים לפורמט וירטואלי.

הקשר: השפעת COVID-19

מגפת COVID-19 הייתה בעלת השפעה ניכרת אך מורכבת על התפתחות הבינה המלאכותית בשנת 2020[1]. בתחום הביצועים הטכניים, סטארטאפ הבינה המלאכותית PostEra השתמש בשיטות Machine Learning כדי להאיץ את גילוי תרופות הקשורות ל-COVID-19[2]. הפרק העוסק בכלכלה מציין כי גיוס עובדים בתחום הבינה המלאכותית וההשקעות הפרטיות לא נפגעו פגיעה שלילית משמעותית מהמגפה — שני המדדים גדלו בשנת 2020. המעבר לפורמט וירטואלי של כנסים הוביל לזינוק חד בנוכחות: מספר המשתתפים בתשעה כנסים גדולים כמעט הוכפל.

מבנה הדוח

דוח 2021 מורכב משבעה פרקים נושאיים[1]:

  1. מחקר ופיתוח (Research and Development) — מגמות בפרסומים, פטנטים, כנסים ותוכנה בקוד פתוח.
  2. ביצועים טכניים (Technical Performance) — התקדמות בראייה ממוחשבת, עיבוד שפה טבעית, זיהוי דיבור, הסקה, בריאות וביולוגיה.
  3. כלכלה (The Economy) — שוק העבודה, השקעות ופעילות תאגידית בתחום הבינה המלאכותית.
  4. חינוך בתחום הבינה המלאכותית (AI Education) — מגמות בהכשרת כוח אדם, קורסים ותוכניות.
  5. אתגרים אתיים ביישומי בינה מלאכותית (Ethical Challenges of AI Applications) — עקרונות, סיקור תקשורתי, אתיקה בכנסים.
  6. גיוון בבינה המלאכותית (Diversity in AI) — גיוון מגדרי, גזעי ואתני.
  7. מדיניות ואסטרטגיות לאומיות בתחום הבינה המלאכותית (AI Policy and National Strategies) — חקיקה, שיתוף פעולה בין-ממשלתי, השקעות ממשלתיות.

ממצאים מרכזיים של הדוח (Top 9)

מחברי הדוח הציגו תשעה טיעונים מרכזיים לשנת 2021[1]:

1. גידול חד בהשקעות בפיתוח תרופות בעזרת בינה מלאכותית

תחום ה"תרופות, אונקולוגיה, מולקולות, גילוי תרופות" (Drugs, Cancer, Molecular, Drug Discovery) קיבל את הנפח הגדול ביותר של השקעות פרטיות בבינה מלאכותית בשנת 2020 — יותר מ-13.8 מיליארד דולר, פי 4.5 מהנתון של שנת 2019[1][3].

2. המשך המעבר של כוח האדם לתעשייה

בשנת 2019, 65% מבוגרי לימודי הדוקטורט בתחום הבינה המלאכותית בצפון אמריקה בחרו לעבוד בתעשייה — לעומת 44.4% בשנת 2010, מה שמדגיש את תפקידה הגובר של התעשייה בפיתוח הבינה המלאכותית[1][4].

3. מודלים גנרטיביים — "גנרטיביות לכול"

מערכות בינה מלאכותית למדו לייצר טקסט, שמע ותמונות ברמת איכות כזו שבני אדם מתקשים להבחין בין פלטים סינתטיים לאמיתיים בחלק מהיישומים המוגבלים של הטכנולוגיה[1].

4. בעיית הגיוון בבינה המלאכותית

בקרב בעלי תואר דוקטור חדשים בתחום הבינה המלאכותית בארה"ב בשנת 2019 — 45% היו לבנים, 2.4% אפרו-אמריקאים ו-3.2% לטינואמריקאים[1][4].

5. סין עוקפת את ארה"ב בציטוטים של מאמרי כתבי עת בתחום הבינה המלאכותית

לאחר שעקפה את ארה"ב במספר הכולל של פרסומי כתבי עת בבינה מלאכותית מספר שנים קודם לכן, סין בשנת 2020 יצאה לראשונה קדימה גם במספר ציטוטי מאמרי כתבי העת. עם זאת, ארה"ב עדיין עולה על סין בצורה יציבה ומשמעותית במספר מאמרי הכנסים בבינה מלאכותית (המצוטטים גם הם בתדירות גבוהה יותר) לאורך העשור האחרון[1][5].

6. רוב סטודנטי הדוקטורט בבינה המלאכותית בארה"ב הם זרים, והם נשארים

שיעור הסטודנטים הזרים בקרב סטודנטי הדוקטורט החדשים בבינה המלאכותית בצפון אמריקה המשיך לגדול בשנת 2019, והגיע ל-64.3% — גידול של 4.3 נקודות אחוז לעומת 2018. מבין הבוגרים הזרים, 81.8% נשארו בארה"ב ו-8.6% מצאו עבודה מחוץ לארצות הברית[1][4].

7. טכנולוגיות מעקב — מהירות, זולות וכל-נוכחות

הטכנולוגיות הנדרשות למעקב בקנה מידה גדול משתפרות במהירות: שיטות סיווג תמונות, זיהוי פנים, ניתוח וידאו וזיהוי קול הציגו התקדמות משמעותית בשנת 2020[1].

8. לאתיקה של הבינה המלאכותית אין benchmark וקונצנזוס

למרות שמספר ארגונים מפרסמים מסמכים איכותיים ונורמטיביים בתחום אתיקת הבינה המלאכותית, בתחום זה בכללותו נעדרים benchmark שניתן להשתמש בהם למדידה או הערכה של הקשר בין דיונים ציבוריים על פיתוח הטכנולוגיה לבין תהליך הפיתוח עצמו[1].

9. הבינה המלאכותית משכה את תשומת לב הקונגרס האמריקאי

הקונגרס ה-116 היה הממוקד ביותר בבינה מלאכותית בכל ההיסטוריה: מספר האזכורים של בינה מלאכותית בפרוטוקולים שלו עלה ביותר מפי שלושה על הנתון של הקונגרס ה-115[1][6].

פרק 1. מחקר ופיתוח

הפרק מנתח מגמות בפרסומים (עמיתים, כתבי עת, כנסים, פטנטים), בפעילות ב-arXiv, בכנסים ובתוכנה בקוד פתוח[1].

פרסומים עם ביקורת עמיתים

מספר הפרסומים הכולל עם ביקורת עמיתים בתחום הבינה המלאכותית גדל כמעט פי 12 בין השנים 2000 ו-2019. חלקם של פרסומי הבינה המלאכותית מתוך כלל הפרסומים עם ביקורת עמיתים בעולם עלה מ-0.82% בשנת 2000 ל-3.8% בשנת 2019[1][7].

התפלגות אזורית. מזרח אסיה ואזור האוקיינוס השקט מחזיקים בנתח הגדול ביותר של פרסומים עם ביקורת עמיתים בבינה מלאכותית מאז 2004 (36.9% בשנת 2019), ואחריהם אירופה ומרכז אסיה (25.1%) וצפון אמריקה (17.0%). בין השנים 2009 ו-2019, דרום אסיה ואפריקה שמדרום לסהרה הציגו את הגידול הגדול ביותר — פי שמונה ופי שבע בהתאמה[1][5].

השוואה לפי אזורים גיאוגרפיים. עד 2019 סין תפסה את המקום הראשון בנתח פרסומי הבינה המלאכותית עם ביקורת עמיתים בעולם (22.4%), עוקפת את האיחוד האירופי (16.4%) בשנת 2017. ארה"ב במקום השלישי (14.6%). סין פרסמה פי 3.5 מאמרים עם ביקורת עמיתים בבינה מלאכותית בשנת 2019 לעומת 2014[1][7].

שיוך מוסדי. בכל אזור גדול, הנתח הגדול ביותר של פרסומים עם ביקורת עמיתים שייך למוסדות אקדמיים. עם זאת, המקורות השניים בחשיבותם שונים: בארה"ב מחקר תאגידי מהווה 19.2% מהסך הכולל, בעוד שבסין ובאיחוד האירופי במקום השני נמצאים מוסדות ממשלתיים (15.6% ו-17.2% בהתאמה)[1][7].

שיתוף פעולה אקדמי-תאגידי. בין השנים 2015 ו-2019, ארה"ב הפיקה את המספר הגדול ביותר של פרסומים משותפים אקדמיים-תאגידיים עם ביקורת עמיתים בבינה מלאכותית — ביותר מכפול מהאיחוד האירופי שהגיע שני, ואחריו סין[1].

פרסומי כתבי עת

מספר פרסומי כתבי העת בבינה מלאכותית בשנת 2020 היה גבוה פי 5.4 מאשר בשנת 2000. הגידול היה 34.5% מ-2019 ל-2020 — אחוז גידול גבוה משמעותית מאשר מ-2018 ל-2019 (19.6%). חלקם של פרסומי כתבי עת בבינה מלאכותית מתוך כלל פרסומי כתבי העת בעולם עמד על 2.2% בשנת 2020[1][5].

ציטוטים. בשנת 2020, סין (20.7%) עקפה לראשונה את ארה"ב (19.8%) בנתח הציטוטים של מאמרי כתבי עת בבינה מלאכותית בעולם. האיחוד האירופי המשיך לאבד נתח כולל (11.0%)[1][5].

פרסומי כנסים

מספר פרסומי הכנסים בבינה מלאכותית גדל פי ארבעה בין השנים 2000 ו-2019. סין עקפה את ארה"ב בנתח פרסומי הכנסים בבינה מלאכותית בשנת 2019[1][5].

ציטוטים. בניגוד לפרסומי כתבי עת, ארה"ב שמרה על מנהיגות יציבה ומשמעותית בציטוטי מאמרי כנסים בבינה מלאכותית לאורך העשור האחרון (40.1% בשנת 2020), עולה משמעותית על סין (11.8%) והאיחוד האירופי (10.9%)[1][5].

פרסומים ב-arXiv

במשך שש שנים, מספר הפרסומים הקשורים לבינה מלאכותית ב-arXiv גדל ביותר מפי שישה: מ-5,478 בשנת 2015 ל-34,736 בשנת 2020[1][8]. מבין תחומי המחקר, הגידול הגדול ביותר בשנים 2015–2020 הציגו רובוטיקה (cs.RO, גידול פי 11) ו-Machine Learning (cs.LG, גידול פי 10). בשנת 2020, המובילים במספר פרסומים היו cs.LG (32.0%) וראייה ממוחשבת cs.CV (31.7%)[1].

צפון אמריקה עדיין הובילה בנתח הפרסומים ב-arXiv (36.3% בשנת 2020), אולם נתח זה ירד (מ-41.6% בשנת 2017). נתחו של מזרח אסיה ואזור האוקיינוס השקט גדל בהתמדה: מ-17.3% בשנת 2015 ל-26.5% בשנת 2020[1].

פטנטים

נתוני Microsoft Academic Graph מציגים גידול יציב במספר הפטנטים הקשורים לבינה מלאכותית לאורך שני עשורים[1][5].

למידה עמוקה

חוקרים מ-Nesta השתמשו באלגוריתמים של מידול נושאים לזיהוי פרסומים בנושא למידה עמוקה ב-arXiv. בחמש השנים האחרונות, מספר הפרסומים בנושא למידה עמוקה ב-arXiv גדל כמעט פי שישה[1][9].

כנסים

בשנת 2020, רוב הכנסים הגדולים בתחום הבינה המלאכותית התקיימו בפורמט וירטואלי בשל COVID-19, מה שהוביל לעלייה חדה בנוכחות. מספר המשתתפים בתשעה כנסים כמעט הוכפל[1]. בין הכנסים הגדולים: NeurIPS (22,011 משתתפים), IROS (25,719 — פורמט וירטואלי עם גישה מורחבת לשלושה חודשים), ICML (10,800), CVPR (7,500). בין הכנסים הקטנים יותר בולטים ICLR (5,600), ACL (3,972), AAMAS (3,726)[1].

נוכחות תאגידית. המחקר הראה כי חברות טכנולוגיה גדולות מגדילות את נוכחותן בכנסים המובילים בתחום הבינה המלאכותית. כל 10 הכנסים הגדולים הציגו מגמה עולה של ייצוג תאגידי. מחברי המאמר "The De-Democratization of AI" מציינים כי חלוקה לא שווה של משאבי מחשוב בין האקדמיה לתעשייה — המכונה "פער המחשוב" (compute divide) — מחריפה את אי השוויון בעידן הלמידה העמוקה[10].

תוכנה בקוד פתוח

TensorFlow (שפותח על ידי Google ושוחרר לציבור בשנת 2017) נשאר ספריית הבינה המלאכותית הפופולרית ביותר בקוד פתוח ב-GitHub (153 אלף כוכבים עד שנת 2020). הספרייה השנייה בפופולריותה הייתה Keras (51 אלף כוכבים), והשלישית — PyTorch של Facebook (46 אלף כוכבים). בין שאר הספריות הבולטות: Scikit-learn (45 אלף), BVLC/Caffe (31 אלף), MXNet (19 אלף) ו-CNTK (17 אלף)[1][11].

פרק 2. ביצועים טכניים

הפרק מכסה התקדמות בראייה ממוחשבת (תמונות ווידאו), עיבוד שפה טבעית, הסקה בשפה ובראייה, זיהוי דיבור, הסקה סמלית, ובריאות וביולוגיה[1].

ראייה ממוחשבת — תמונות

ImageNet. הראייה הממוחשבת עברה התקדמות עצומה בעשור האחרון. הביצועים על חלק מ-benchmark המרכזיים ביותר החלו להתיישב, מה שמצביע על הצורך ביצירת מבחנים מורכבים יותר. הדוח מציג נתונים על דיוק Top-1 ו-Top-5 ב-ImageNet, וכן זמן ועלות אימון[1][12].

מבחנים מאתגרים חדשים. מאחר שההתקדמות על ImageNet הסטנדרטי מואטת, הדוח מציג benchmark מורכבים יותר: ImageNet-Adversarial (מכיל גורמים מטעים טבעיים ותמונות המסווגות באופן שגוי באופן שיטתי), ImageNet-C (75 סוגי עיוותים ויזואליים: שינויי בהירות, ניגוד, פיקסולציה, אפקטי ערפל) ו-ImageNet-Rendition (30,000 איורים של 200 קטגוריות ImageNet, הבוחנות הכללה)[1].

יצירת תמונות. ההתקדמות נמדדת על פי מדד Fréchet Inception Distance (FID) על dataset STL-10 — עד שנת 2020 התוצאה הטובה ביותר עמדה על 25.4 (ככל שנמוך יותר, טוב יותר). דוגמאות איכותיות של יצירת פנים מראות התקדמות מהירה של GAN: עד 2018 הביצועים הגיעו לרמה שבה קשה לאנשים לזהות זיוף[1][13].

זיהוי deepfake. Deepfake Detection Challenge (DFDC), שנוצר על ידי Facebook בספטמבר 2019, הראה ירידה במדד log loss של כ-0.5 בתקופה מדצמבר 2019 עד מרץ 2020, לערך של 0.19[1][14].

הערכת תנוחת גוף אדם. על benchmark COCO Keypoint Detection, דיוק האלגוריתמים השתפר בכ-33% בארבע שנים, והגיע ל-80.8% דיוק ממוצע (AP)[1].

סגמנטציה סמנטית. ההתקדמות על benchmark Cityscapes ומשימות סגמנטציה אחרות נמשכה[1].

ראייה ממוחשבת — וידאו

ActivityNet. ה-benchmark לזיהוי פעולות הציג שיפור נוסף של אלגוריתמים במשימות לוקליזציה זמנית של פעולות[1].

YOLO (You Only Look Once). מערכות זיהוי עצמים לניתוח פריימים מזרמי וידאו מתבגרות במהירות, מה שמצביע על הרחבת אפשרויות הפריסה של בינה מלאכותית[1].

זיהוי פנים (NIST FRVT). הדוח כולל נתונים מהמכון הלאומי לתקנים וטכנולוגיה (NIST) על בדיקת מערכות זיהוי פנים. הטכנולוגיות למעקב בקנה מידה גדול מתפתחות במהירות[1][15].

עיבוד שפה טבעית (NLP)

SuperGLUE. ההתקדמות המהירה ב-NLP הובילה לכך שמערכות בינה מלאכותית החלו להגיע לרמה האנושית על benchmark SuperGLUE, שפותח בתגובה לכך ש-benchmark הקודם GLUE נעקף מהר מדי. ההתקדמות ב-NLP מקדימה את המדדים להערכתה[1][16].

SQuAD. ה-benchmark Stanford Question Answering Dataset גם הוא הציג עלייה יציבה בביצועי המודלים[1].

תרגום מכונה מסחרי. מספר מערכות תרגום מכונה עצמאיות בענן הזמינות מסחרית עם מודלים מאומנים מראש גדל מ-8 בשנת 2017 ל-28 בשנת 2020[1][17].

GPT-3. ביולי 2020 הציגה OpenAI את GPT-3 — מודל השפה הצפוף הגדול ביותר שהיה ידוע באותה עת, עם 175 מיליארד פרמטרים, מאומן על 570 GB טקסט. לשם השוואה: קודמו GPT-2 היה קטן ביותר מפי 100 (1.5 מיליארד פרמטרים). הגודל הוביל להתנהגות מפתיעה: GPT-3 מסוגל לבצע משימות שלא אומן עליהן במפורש, עם אפס דוגמאות אימון מינימליות או מינימום מהן (zero-shot ו-few-shot learning). בממוצע על פני 42 benchmark דיוק: zero-shot — 42.6%, one-shot — 51.0%, few-shot — 57.4%[1][18].

למרות היכולות המרשימות, ל-GPT-3 יש חסרונות חמורים: הוא עלול לייצר טקסט גזעני, מיני וצד-שלישי, להגיב בטענות שגויות מבחינה עובדתית, וגם יקר מאוד לאימון. המחקר על ניהול ו"כיוון" של פלטים כאלה נמצא בשלב ראשוני אך מבטיח[1][18].

הסקה בשפה ובראייה

VQA. על benchmark Visual Question Answering, הדיוק גדל בכמעט 40% מאז הקמתו בשנת 2015, והגיע ל-76.4% בשנת 2020 (רמת הבסיס האנושית — 80.8%)[1][19].

VCR. על משימת Visual Commonsense Reasoning (הדורשת הנמקת תשובה), המכונה הטובה ביותר שיפרה את מדד Q→AR מ-44 בשנת 2018 ל-70.5 בשנת 2020 (גידול של 60.2%), לעומת רמה אנושית של 85[1].

זיהוי דיבור

LibriSpeech. ההתקדמות בזיהוי דיבור אוטומטי נמשכה, במידה רבה הודות לגמישות ולכוח החיזוי של רשתות נוירונים עמוקות[1].

VoxCeleb. dataset המורכב מקטעי דיבור אנושי קצרים שחולצו מראיונות וידאו ב-YouTube, הכולל יותר מ-7,000 דוברים ויותר ממיליון היגדים. משמש להערכת זיהוי דוברים[1][20].

פער גזעי בזיהוי דיבור. הדוח מציין קיומו של פער גזעי משמעותי בטכנולוגיות זיהוי דיבור[1].

הסקה סמלית

בעיית ספיקות נוסחאות בוליאניות (SAT). הדוח מציג ניתוח חדש תוך שימוש בערך שפלי זמני (temporal Shapley value), המאפשר ייחוס תרומתן של מערכות בודדות לביצועים הכוללים. המנצח בשנת 2020 — Kissat — הציג את ערך שפלי הזמני הגבוה ביותר מבין כל הפותרים (למעט השנה הראשונה), בעיקר הודות למבני נתונים ואלגוריתמים יעילים יותר[1][21].

הוכחת משפטים אוטומטית (ATP). ניתוח ספריית TPTP (יותר מ-23,000 בעיות) מראה גידול עקבי בשיעור הבעיות הניתנות לפתרון משנת 1997 עד 2020. התקדמות ניכרת נצפתה בשנים 2008–2013, ומאז 2015 ההתקדמות נמשכת אך האטה. השימוש הגובר ב-Machine Learning (במערכות MaLARea, Enigma) נתפס כגורם מהפכני פוטנציאלי ל-ATP[1][22].

בריאות וביולוגיה

סינתזה מולקולרית. מודלים של Machine Learning משמשים לאימון ייצוגים של מולקולות כימיות לצורך תכנון יעיל יותר של סינתזה כימית[1].

COVID-19 וגילוי תרופות. הסטארטאפ PostEra השתמש בשיטות Machine Learning כדי להאיץ את תהליך גילוי התרופות הקשורות ל-COVID-19 במסגרת פרויקט COVID Moonshot[1][2].

AlphaFold וקיפול חלבונים. פריצת הדרך של DeepMind בתחום ניבוי מבנה חלבונים הייתה אחת ההישגים המשמעותיים ביותר של השנה. AlphaFold 2 בתחרות CASP14 (2020) השיג מדד GDT_TS חציוני הדומה לשיטות ניסיוניות עבור משימות מידול חופשי, עולה משמעותית על כל התוצאות הקודמות. לכך יש מגוון רחב של יישומים — מהבנה טובה יותר של הבסיסים התאיים של החיים ועד האצת פיתוח תרופות[1][23].

דעת מומחים

סקר מומחים בתחום הבינה המלאכותית שנערך על ידי AI Index העלה את הממצאים הבאים[1]:

  • ההישגים המרשימים ביותר של שנת 2020 הוכרו כ-AlphaFold (DeepMind) ו-GPT-3 (OpenAI) — בפער גדול מהשאר.
  • המגמה המרכזית של שנת 2021 — פיתוח נוסף של מודלים מאומנים מראש ו-fine-tuning שלהם למשימות ספציפיות.
  • פרסי ליאנג (סטנפורד) ציין את הדומיננטיות של ארכיטקטורת Transformers, שנוצרה במקור לתרגום מכונה אך הפכה לארכיטקטורת רשת הנוירונים הסטנדרטית דה-פקטו.

פרק 3. כלכלה

הפרק בוחן את הקשר ההדוק יותר ויותר בין הבינה המלאכותית לכלכלה העולמית דרך הפריזמה של שוק העבודה, השקעות ופעילות תאגידית[1].

שוק העבודה

גיוס מומחי בינה מלאכותית. ברזיל, הודו, קנדה, סינגפור ודרום אפריקה הציגו את הגידול הגדול ביותר בגיוס מומחי בינה מלאכותית בתקופה מ-2016 עד 2020. למרות המגפה, הגיוס המשיך לגדול בכל המדינות שנחקרו בשנת 2020[1][24].

ביקוש למומחי בינה מלאכותית בארה"ב. מספר המשרות הפנויות בתחום הבינה המלאכותית בארה"ב ירד ב-8.2% מ-2019 ל-2020 (מ-325,724 ל-300,999). זהו הירידה הראשונה בנתח משרות הבינה המלאכותית בשש שנים[1][25].

חדירת מיומנויות בינה מלאכותית. מבין המדינות שנחקרו, להודו יש את מדד החדירה היחסי הגבוה ביותר של מיומנויות בינה מלאכותית (2.83 מהממוצע העולמי), ואחריה ארה"ב (1.99), סין (1.40), גרמניה (1.27) וקנדה (1.13). לפי ענפים, הודו מובילה בכל חמשת המגזרים המובילים: חינוך, פיננסים, ציוד ורשתות, ייצור, תוכנה ושירותי IT[1][24].

השקעות

השקעות תאגידיות. היקף ההשקעות הכולל העולמי בבינה מלאכותית (השקעות פרטיות, IPO, מיזוגים ורכישות, חלקות מיעוט) גדל ב-40% בשנת 2020 לעומת 2019, והגיע ל-67.9 מיליארד דולר. מיזוגים ורכישות היוו את החלק העיקרי, עם גידול של 121.7%. בין העסקאות הגדולות — רכישת Mellanox Technologies על ידי NVIDIA ורכישת Altran Technologies על ידי Capgemini[1][3].

סטארטאפים. היקף ההשקעות הפרטיות בבינה מלאכותית ממשיך לגדול, אך מתרכז במספר קטן יותר של סטארטאפים. בשנת 2020 גדלו ההשקעות הפרטיות ב-9.3% (שיא של 40+ מיליארד דולר), אולם מספר החברות הממומנות ירד לשנה השלישית ברציפות[1][3].

תחומי מיקוד. תחום "תרופות, אונקולוגיה, מולקולות, גילוי תרופות" קיבל את הנפח הגדול ביותר של השקעות פרטיות — יותר מ-13.8 מיליארד דולר, פי 4.5 מהנתון של שנת 2019[1].

פעילות תאגידית

אימוץ בינה מלאכותית (נתוני McKinsey). למרות המיתון הכלכלי שנגרם מהמגפה, מחצית מהמשיבים לסקר McKinsey ציינו כי הקורונה לא השפיעה על השקעותיהם בבינה מלאכותית, ו-27% אף הגדילו את השקעותיהם. פחות מרבע החברות הקטינו השקעות[1][26].

סיכונים אתיים. למרות הקריאות הגוברות לטפל בבעיות אתיות הקשורות לשימוש בבינה מלאכותית, המאמצים בתעשייה נותרים מוגבלים. נושאים כמו הוגנות ושוויון בבינה המלאכותית מקבלים תשומת לב השוואתית מועטה מחברות. פחות חברות בשנת 2020 רואות סיכונים הקשורים לפרטיות כרלוונטיים לעומת 2019[1][26].

רובוטים תעשייתיים. הפרק כולל נתונים של הפדרציה הבינלאומית לרובוטיקה (IFR) על מגמות גלובליות בהתקנת רובוטים תעשייתיים והשוואות אזוריות[1][27].

אזכורי בינה מלאכותית בדוחות רווחים. ניתוח הנתונים מראה גידול במספר האזכורים של בינה מלאכותית בדוחות רווחים של תאגידים[1].

פרק 4. חינוך בתחום הבינה המלאכותית

הפרק בוחן מגמות בהכשרת כוח אדם דרך הפריזמה של מוסדות להשכלה גבוהה ופלטפורמות חינוכיות שונות[1].

השכלה גבוהה

קורסים. סקר AI Index לשנת 2020 הראה כי האוניברסיטאות המובילות בעולם הגדילו את השקעותיהן בחינוך בתחום הבינה המלאכותית בארבע השנים האחרונות. מספר קורסי הבוגר המלמדים מיומנויות מעשיות בבניית מודלים של בינה מלאכותית ופריסתם גדל ב-102.9% (מ-102 ב-2016–17 ל-207 ב-2019–20), וברמת התואר השני — ב-41.7% (מ-151 ל-214). מספר הסטודנטים שנרשמו או ניסו להירשם לקורסי מבוא בבינה מלאכותית ו-Machine Learning גדל בכמעט 60% בארבע שנות לימוד[1].

באיחוד האירופי הגידול במספר הנרשמים לקורסי מבוא היה 165%, בעוד שבארה"ב נצפתה ירידה בשנת הלימודים האחרונה, שנגרמה בחלקה ממגפה ושינויים מבניים בהיצע הקורסים[1].

לימודי דוקטורט. בעשר השנים האחרונות, חלקם של תארי דוקטורט בבינה מלאכותית מכלל תארי הדוקטורט במדעי המחשב בארה"ב גדל מ-14.2% לכ-23% עד שנת 2019. במקביל, התמחויות פופולריות אחרות בעבר (טכנולוגיות רשת, הנדסת תוכנה, שפות תכנות) איבדו מפופולריותן[1][4].

עזיבת מרצים לתעשייה. לאחר שנתיים של גידול, מספר עזיבות מרצי בינה מלאכותית מאוניברסיטאות לתעשייה בצפון אמריקה ירד מ-42 בשנת 2018 ל-33 בשנת 2019. קרנגי מלון היה בעל מספר העזיבות הגדול ביותר בשנים 2004–2019 (16), ואחריו Georgia Tech (14) ואוניברסיטת וושינגטון (12)[1].

סטודנטים זרים לדוקטורט. חלקם של הסטודנטים הזרים בקרב סטודנטי הדוקטורט החדשים בבינה המלאכותית הגיע ל-64.3% בשנת 2019. מהם, 81.8% נשארו בארה"ב[1][4].

חינוך באיחוד האירופי. באיחוד האירופי, הרוב המכריע של ההיצע האקדמי המתמחה בבינה מלאכותית מועבר ברמת התואר השני; רובוטיקה ואוטומציה הם הקורס הנפוץ ביותר בתוכניות התואר הראשון והשני המתמחות, בעוד ש-Machine Learning דומיננטי בקורסים המתמחים הקצרים[1][28].

פרק 5. אתגרים אתיים ביישומי בינה מלאכותית

הפרק בוחן את המאמצים לפתרון בעיות אתיות המתעוררות עם התפתחות הבינה המלאכותית[1].

עקרונות ומסגרות בינה מלאכותית

בין השנים 2015 ו-2020 פורסמו 117 מסמכים המוקדשים לעקרונות בינה מלאכותית. חברות פרטיות פרסמו את המספר הגדול ביותר של מסמכים כאלה מבין כל סוגי הארגונים. אירופה ומרכז אסיה מובילות במספר הפרסומים (52), ואחריהן צפון אמריקה (41) ומזרח אסיה ואזור האוקיינוס השקט (14). שיא פעילות הפרסום הגיע בשנת 2018, במיוחד מצד חברות טכנולוגיה — IBM, Google, Facebook — ומבני ממשל של בריטניה, האיחוד האירופי ואוסטרליה[1][29].

מבקרים מציינים כי פרסום עקרונות אתיים לרוב אינו מלווה במסגרות מוסדיות והוא וולונטרי. האופי המעורפל והמופשט של עקרונות רבים אינו מספק הנחיות ברורות ליישומם[1].

אתיקה בתקשורת

חמשת הנושאים שנדונו ביותר בשנת 2020 בקשר לשימוש אתי בבינה מלאכותית: פרסום הספר הלבן של הנציבות האירופית בנושא בינה מלאכותית, פיטוריה של חוקרת האתיקה של Google טימנית גברו, ועדת האו"ם לאתיקה בבינה מלאכותית, תוכנית הוותיקן לאתיקה בבינה מלאכותית ופרישתה של IBM מעסקי זיהוי הפנים[1].

אתיקה בכנסים

מספר המאמרים עם מילות מפתח הקשורות לאתיקה בכותרות שהוגשו לכנסים בתחום הבינה המלאכותית גדל מאז 2015, אם כי מספרם הממוצע של כותרות כאלה בכנסים גדולים נותר נמוך[1].

אתיקה בחינוך

נתוני סקר AI Index הראו כי קורסים בנושא אתיקת בינה מלאכותית הולכים והופכים נפוצים יותר במחלקות המחשבים של האוניברסיטאות המובילות בעולם[1].

פרק 6. גיוון בבינה המלאכותית

הפרק מנתח גיוון מגדרי, גזעי, אתני וייצוג LGBTQ+ בתחום הבינה המלאכותית[1].

גיוון מגדרי

על פי נתוני CRA, נשים מהוות רק 16% מסגל ההוראה הקבוע במדעי המחשב בכמה מהאוניברסיטאות המובילות בעולם[1][4].

גיוון גזעי ואתני

בקרב בעלי תואר דוקטורט חדשים בבינה מלאכותית בארה"ב בשנת 2019: 45% לבנים, 22.4% אסיאתים, 3.2% לטינואמריקאים, 2.4% אפרו-אמריקאים. חלקם של הלבנים (שאינם היספנים) בקרב בעלי תואר דוקטורט חדשים במדעי המחשב כמעט לא השתנה בעשר השנים האחרונות, ועמד בממוצע על 62.7%[1][4].

הרכב גזעי של הסגל האקדמי. מבין 15 האוניברסיטאות שענו על שאלת ההרכב הגזעי: 67.0% מסגל ההוראה הקבוע לבנים, 14.3% אסיאתים, 0.8% לטינואמריקאים, 0.6% שחורים או אפריקאים[1].

Black in AI. הארגון Black in AI, שנוסד בשנת 2017 על ידי טימנית גברו ורדיאת אבבה, מנה בשנת 2020 כ-3,000 חברים. ההשתתפות בסמינרים של BAI ב-NeurIPS גדלה משמעותית: מספרי המשתתפים והמאמרים שהוגשו בשנת 2019 היו גבוהים פי 2.6 מנתוני 2017[1].

זהות מגדרית ונטייה מינית

על פי נתוני סקר Queer in AI (QAI) לשנת 2020, כמעט מחצית מהמשיבים רואים בחוסר האינקלוסיביות בתחום הבינה המלאכותית מחסום לקריירה שלהם. יותר מ-40% מחברי QAI דיווחו על אפליה או הטרדה בעבודה או בלימודים. 81.4% ציינו את היעדר מודלים לחיקוי כמחסום העיקרי[1][30].

פרק 7. מדיניות ואסטרטגיות לאומיות בתחום הבינה המלאכותית

הפרק מכסה את נוף הרגולציה של הבינה המלאכותית ברמה המקומית, הלאומית והבינלאומית[1].

אסטרטגיות לאומיות

מאז שקנדה פרסמה את האסטרטגיה הלאומית הראשונה בעולם בתחום הבינה המלאכותית בשנת 2017, יותר מ-30 מדינות ואזורים פרסמו מסמכים דומים עד דצמבר 2020. עוד 22 מדינות נמצאו בתהליך פיתוח אסטרטגיות[1].

שנה אסטרטגיות
2017 קנדה, סין, יפן, פינלנד, איחוד האמירויות
2018 האיחוד האירופי, צרפת, גרמניה, קוריאה הדרומית, בריטניה, הודו, מקסיקו, אוסטרליה ואחרות
2019 ארה"ב (מעודכנת), רוסיה, הולנד, צ'כיה, סינגפור ואחרות
2020 ספרד, ברזיל, פולין, טורקיה ואחרות

קנדה (2017): Pan-Canadian AI Strategy, תקציב 125 מיליון CAD (97 מיליון USD), דגש על הכשרת כוח אדם והיבטים אתיים[1].

סין (2017): אחת האסטרטגיות המקיפות ביותר, המכסה מחקר ופיתוח, חינוך, נורמות אתיות וביטחון לאומי. יעדים: להגיע לרמה עולמית עד 2020, להפוך למובילה עולמית עד 2025, ולמרכז החדשנות המרכזי עד 2030[1].

האיחוד האירופי (2018): Coordinated Plan on Artificial Intelligence, לפחות מיליארד EUR בשנה למחקר בינה מלאכותית ו-4.9 מיליארד EUR להיבטים אחרים של האסטרטגיה[1].

צרפת (2018): AI for Humanity, תקציב 1.5 מיליארד EUR עד 2022, מגזרים אסטרטגיים: בריאות, איכות סביבה, תחבורה והגנה[1].

שיתוף פעולה בינלאומי

השקת השותפות הגלובלית לבינה מלאכותית (GPAI) ומצפה המדיניות בתחום הבינה המלאכותית של OECD בשנת 2020 הגבירה את המאמצים הבין-ממשלתיים לתמיכה בפיתוח הבינה המלאכותית[1][31][32].

השקעות ממשלתיות בארה"ב

תקציב פדרלי. הדוח מנתח נתונים על התקציב הפדרלי האמריקאי למחקר ופיתוח אזרחי בתחום הבינה המלאכותית[1].

תקציב משרד ההגנה. כלולים נתונים על בקשת התקציב של משרד ההגנה האמריקאי לבינה מלאכותית[1].

חוזים ממשלתיים. ניתוח ההוצאות הכוללות על חוזים וחלוקתן בין הסוכנויות[1][6].

פעילות חקיקתית

הקונגרס האמריקאי. הקונגרס ה-116 היה הממוקד ביותר בבינה מלאכותית בכל ההיסטוריה. מספר האזכורים של בינה מלאכותית בחוקים, בדוחות ועדות ובדוחות שירות המחקר של הקונגרס (CRS) יותר משולש לעומת הקונגרס ה-115[1][6].

בנקים מרכזיים. הדוח כולל נתונים על אזכורי בינה מלאכותית ו-Machine Learning בחומרים של בנקים מרכזיים[1].

מתודולוגיה ומקורות נתונים

הדוח מתבסס על נתונים ממקורות רבים[1]:

  • פרסומים: Elsevier/Scopus (70 מיליון עבודות מחקר עם ביקורת עמיתים), Microsoft Academic Graph (MAG, 225+ מיליון פרסומים), arXiv, Nesta.
  • Benchmark: Papers With Code, SuperGLUE, VQA, VCR, COCO, ImageNet, NIST FRVT, LibriSpeech, VoxCeleb, TPTP, CASP ואחרים.
  • שוק העבודה: LinkedIn Economic Graph, Burning Glass Technologies.
  • השקעות: S&P Capital IQ (CapIQ), Crunchbase, NetBase Quid.
  • פעילות תאגידית: McKinsey & Company (Global Survey on AI), International Federation of Robotics (IFR), Prattle (שיחות רווחים).
  • חינוך: CRA Taulbee Survey, Joint Research Centre (European Commission), סקר AI Index עצמי (18 אוניברסיטאות מ-9 מדינות).
  • אתיקה: AI Ethics Lab (בוסטון), ניתוח תקשורתי.
  • גיוון: CRA, Black in AI, Queer in AI.
  • מדיניות: Bloomberg Government, OECD AI Policy Observatory.

ב-MAG כל מאמר נספר פעם אחת; כאשר יש מספר מחברים ממדינות שונות, הקרדיט מחולק באופן שווה בין האזורים הייחודיים[1][5].

צוות המחברים

הדוח הוכן בהנהגת שני-הדירקטורים ריימונד פרו (Raymond Perrault, SRI International) וג'ק קלארק (Jack Clark, OECD/GPAI). מנהל המחקר ועורך ראשי — דניאל ז'אנג (Daniel Zhang, Stanford University). בוועדה המנהלת כלולים גם: אריק בריניולפסון (Stanford), ג'ון אטשמנדי (Stanford), דיפ גאנגולי (Stanford), ברברה גרוס (Harvard), טרה לייונס (Partnership on AI), ג'יימס מניקה (McKinsey Global Institute), חואן קרלוס ניבלס (Stanford), מייקל סליטו (Stanford), יואב שוהם (Stanford / AI21 Labs, מנכ"ל מייסד)[1].

כלים ונתונים פתוחים

הדוח מלווה במשאבים הבאים[1]:

  • נתונים גולמיים וגרפים: נתונים ציבוריים ותמונות ברזולוציה גבוהה זמינים ב-Google Drive.
  • Global AI Vibrancy Tool: כלי ויזואליזציה אינטראקטיבי מעודכן, המאפשר להשוות עד 26 מדינות על פי 22 מדדים.
  • הפרסום "Measurement in AI Policy: Opportunities and Challenges" (סתיו 2020): סקירה של בעיות מדידה במדיניות בינה מלאכותית.

קישורים

ביבליוגרפיה

הערות

  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_(HE)&oldid=7975"