The 2021 AI Index Report (HI)

AI Index Report 2021 — AI Index का चौथा वार्षिक संस्करण है, जिसे स्टैनफोर्ड मानव-केन्द्रित कृत्रिम बुद्धिमत्ता संस्थान (Stanford HAI) द्वारा तैयार किया गया है। 2021 का यह रिपोर्ट पिछले संस्करणों की तुलना में डेटा की मात्रा में उल्लेखनीय विस्तार करता है, बाहरी भागीदार संगठनों के अधिक व्यापक दायरे के साथ कार्य करता है और Stanford HAI संस्थान के साथ संबंधों को गहरा करता है। यह संस्करण AI से संबंधित डेटा को ट्रैक, वर्गीकृत, सारांशित और दृश्यात्मक रूप में प्रस्तुत करता है, तथा नीति-निर्माताओं, शोधकर्ताओं, अधिकारियों, पत्रकारों और आम जनता के लिए वस्तुनिष्ठ, सुनिश्चित रूप से सत्यापित और वैश्विक स्तर पर संकलित जानकारी प्रदान करता है। यह रिपोर्ट उस अवधि को समेटती है जो काफी हद तक COVID-19 महामारी द्वारा परिभाषित थी, जिसने AI के विकास के अनेक पहलुओं को प्रभावित किया — दवा खोज में तेजी से लेकर सम्मेलनों को आभासी प्रारूप में स्थानांतरित करने तक।

COVID-19 का प्रभाव: संदर्भ

COVID-19 महामारी ने 2020 में AI के विकास पर उल्लेखनीय किन्तु जटिल प्रभाव डाला। तकनीकी प्रदर्शन के क्षेत्र में AI स्टार्टअप PostEra ने COVID-19 से जुड़ी दवाओं की खोज को गति देने के लिए Machine Learning विधियों का उपयोग किया। अर्थव्यवस्था अध्याय इंगित करता है कि AI विशेषज्ञों की भर्ती और निजी निवेश पर महामारी का कोई उल्लेखनीय नकारात्मक प्रभाव नहीं पड़ा — दोनों संकेतक 2020 में बढ़े। सम्मेलनों को आभासी प्रारूप में स्थानांतरित करने से उपस्थिति में जबरदस्त उछाल आया: नौ प्रमुख सम्मेलनों में प्रतिभागियों की संख्या लगभग दोगुनी हो गई।

रिपोर्ट की संरचना

2021 रिपोर्ट में सात विषयगत अध्याय हैं:

1. अनुसंधान एवं विकास (Research and Development) — प्रकाशनों, पेटेंट, सम्मेलनों और ओपन सोर्स सॉफ्टवेयर में रुझान।
2. तकनीकी प्रदर्शन (Technical Performance) — कंप्यूटर विज़न, प्राकृतिक भाषा प्रसंस्करण, वाक् पहचान, तर्क, स्वास्थ्य सेवा और जीव विज्ञान में प्रगति।
3. अर्थव्यवस्था (The Economy) — श्रम बाजार, निवेश और AI क्षेत्र में कॉर्पोरेट गतिविधि।
4. AI शिक्षा (AI Education) — कार्मिक प्रशिक्षण, पाठ्यक्रमों और कार्यक्रमों में रुझान।
5. AI अनुप्रयोगों की नैतिक चुनौतियाँ (Ethical Challenges of AI Applications) — सिद्धांत, मीडिया कवरेज, सम्मेलनों में नैतिकता।
6. AI में विविधता (Diversity in AI) — लैंगिक, नस्लीय और जातीय विविधता।
7. AI नीति और राष्ट्रीय रणनीतियाँ (AI Policy and National Strategies) — विधान, अंतर-सरकारी सहयोग, सार्वजनिक निवेश।

रिपोर्ट के प्रमुख निष्कर्ष (Top 9)

रिपोर्ट के लेखकों ने 2021 के नौ मुख्य बिंदु प्रस्तुत किए हैं:

1. AI दवा विकास में निवेश में तीव्र वृद्धि

"दवाएं, कैंसर, अणु, दवा खोज" (Drugs, Cancer, Molecular, Drug Discovery) क्षेत्र को 2020 में AI में सबसे अधिक निजी निवेश प्राप्त हुआ — 13.8 अरब डॉलर से अधिक, जो 2019 के आंकड़े से 4.5 गुना अधिक है।

2. कार्मिकों का उद्योग की ओर स्थानांतरण जारी

2019 में उत्तरी अमेरिका में AI स्नातकोत्तर कार्यक्रमों के 65% स्नातकों ने उद्योग में काम चुना — 2010 में यह आंकड़ा 44.4% था, जो औद्योगिक क्षेत्र की AI विकास में बढ़ती भूमिका को रेखांकित करता है।

3. Generative Models — "Generative सब कुछ"

AI प्रणालियों ने ऐसे स्तर पर पाठ, ऑडियो और चित्र उत्पन्न करना सीख लिया है कि कुछ सीमित अनुप्रयोगों में लोगों के लिए कृत्रिम आउटपुट को वास्तविक से अलग करना कठिन हो गया है।

4. AI में विविधता की समस्या

2019 में अमेरिका में AI के क्षेत्र में PhD प्राप्त करने वाले नए स्नातकों में — 45% श्वेत थे, 2.4% अफ्रीकी-अमेरिकी और 3.2% लातिनी मूल के।

5. चीन AI पत्रिका लेखों के उद्धरणों में अमेरिका से आगे

AI में पत्रिका प्रकाशनों की कुल संख्या में कुछ वर्ष पूर्व अमेरिका को पीछे छोड़ने के बाद, चीन ने 2020 में पहली बार पत्रिका लेखों के उद्धरणों में भी बढ़त बना ली। हालाँकि, अमेरिका पिछले दशक में AI के सम्मेलन लेखों (जो अधिक उद्धृत भी होते हैं) में लगातार और महत्वपूर्ण रूप से चीन से आगे रहा है।

6. अमेरिका में AI के अधिकांश PhD छात्र विदेशी हैं और वे रहते भी हैं

उत्तरी अमेरिका में AI स्नातकोत्तर कार्यक्रमों में नए नामांकित छात्रों में विदेशी छात्रों का अनुपात 2019 में बढ़ता रहा, 64.3% तक पहुंचा — जो 2018 की तुलना में 4.3 प्रतिशत अंकों की वृद्धि है। विदेशी स्नातकों में से 81.8% अमेरिका में रहे और 8.6% ने संयुक्त राज्य अमेरिका से बाहर नौकरी की।

7. निगरानी तकनीकें — तेज, सस्ती और सर्वव्यापी

व्यापक निगरानी के लिए आवश्यक तकनीकें तेजी से विकसित हो रही हैं: छवि वर्गीकरण, चेहरा पहचान, वीडियो विश्लेषण और आवाज पहचान की विधियों ने 2020 में उल्लेखनीय प्रगति दिखाई।

8. AI नैतिकता में कोई benchmark और सहमति नहीं

हालाँकि कुछ संगठन AI नैतिकता के क्षेत्र में गुणात्मक और मानक दस्तावेज प्रकाशित करते हैं, इस क्षेत्र में सामान्यतः ऐसे benchmark का अभाव है जिनका उपयोग प्रौद्योगिकी विकास पर सार्वजनिक चर्चा और वास्तविक विकास प्रक्रिया के बीच संबंध को मापने या आकलन करने के लिए किया जा सके।

9. AI ने अमेरिकी कांग्रेस का ध्यान आकर्षित किया

116वीं कांग्रेस इतिहास में सबसे अधिक AI-उन्मुख रही: इसके अभिलेखों में AI के उल्लेखों की संख्या 115वीं कांग्रेस की तुलना में तीन गुने से भी अधिक थी।

अध्याय 1. अनुसंधान एवं विकास

यह अध्याय प्रकाशनों (समीक्षित, पत्रिका, सम्मेलन, पेटेंट), arXiv पर गतिविधि, सम्मेलनों और ओपन सोर्स सॉफ्टवेयर में रुझानों का विश्लेषण करता है।

समीक्षित प्रकाशन

AI पर समीक्षित प्रकाशनों की कुल संख्या 2000 और 2019 के बीच लगभग 12 गुना बढ़ी। विश्व के सभी समीक्षित प्रकाशनों में AI प्रकाशनों का हिस्सा 2000 में 0.82% से बढ़कर 2019 में 3.8% हो गया।

क्षेत्रीय वितरण। पूर्वी एशिया और प्रशांत क्षेत्र 2004 से AI में समीक्षित प्रकाशनों का सबसे बड़ा हिस्सा बनाए हुए है (2019 में 36.9%), इसके बाद यूरोप और मध्य एशिया (25.1%) और उत्तरी अमेरिका (17.0%) हैं। 2009 और 2019 के बीच दक्षिण एशिया और उप-सहारा अफ्रीका ने सबसे अधिक वृद्धि दर्शाई — क्रमशः आठ और सात गुना।

भौगोलिक क्षेत्रों की तुलना। 2019 तक चीन विश्व में AI समीक्षित प्रकाशनों के हिस्से में प्रथम स्थान पर पहुंच गया (22.4%), 2017 में ईयू (16.4%) को पीछे छोड़ते हुए। अमेरिका तीसरे स्थान पर है (14.6%)। 2014 की तुलना में 2019 में चीन ने 3.5 गुना अधिक AI समीक्षित लेख प्रकाशित किए।

संस्थागत संबद्धता। प्रत्येक प्रमुख क्षेत्र में समीक्षित प्रकाशनों का सबसे बड़ा हिस्सा शैक्षणिक संस्थाओं का है। हालाँकि, दूसरे सबसे महत्वपूर्ण स्रोत भिन्न हैं: अमेरिका में कॉर्पोरेट शोध कुल का 19.2% है, जबकि चीन और ईयू में दूसरे स्थान पर सरकारी संस्थाएं हैं (क्रमशः 15.6% और 17.2%)।

शैक्षणिक-कॉर्पोरेट सहयोग। 2015 और 2019 के बीच अमेरिका ने AI में संयुक्त शैक्षणिक-कॉर्पोरेट समीक्षित प्रकाशनों की सबसे अधिक संख्या उत्पन्न की — दूसरे स्थान पर रहे ईयू से दोगुने से भी अधिक, जिसके बाद चीन है।

पत्रिका प्रकाशन

2020 में AI पत्रिका प्रकाशनों की संख्या 2000 की तुलना में 5.4 गुना अधिक थी। 2019 से 2020 के बीच वृद्धि 34.5% रही — 2018 से 2019 (19.6%) की तुलना में काफी अधिक प्रतिशत वृद्धि। 2020 में विश्व के सभी पत्रिका प्रकाशनों में AI पत्रिका प्रकाशनों का हिस्सा 2.2% था।

उद्धरण। 2020 में चीन (20.7%) ने पहली बार विश्व में AI पत्रिका लेखों के उद्धरण के हिस्से में अमेरिका (19.8%) को पीछे छोड़ा। ईयू का कुल हिस्सा घटता रहा (11.0%)।

सम्मेलन प्रकाशन

2000 और 2019 के बीच AI सम्मेलन प्रकाशनों की संख्या चार गुना बढ़ी। 2019 में AI सम्मेलन प्रकाशनों के हिस्से में चीन ने अमेरिका को पीछे छोड़ा।

उद्धरण। पत्रिका प्रकाशनों के विपरीत, अमेरिका ने पिछले दशक में AI सम्मेलन लेखों के उद्धरण में स्थिर और महत्वपूर्ण बढ़त बनाए रखी (2020 में 40.1%), चीन (11.8%) और ईयू (10.9%) से काफी आगे।

arXiv पर प्रकाशन

छह वर्षों में arXiv पर AI से संबंधित प्रकाशनों की संख्या छह गुने से अधिक बढ़ी: 2015 में 5,478 से 2020 में 34,736। अनुसंधान क्षेत्रों में 2015-2020 की अवधि में सबसे अधिक वृद्धि रोबोटिक्स (cs.RO, 11 गुना वृद्धि) और Machine Learning (cs.LG, 10 गुना वृद्धि) में देखी गई। 2020 में प्रकाशनों की संख्या में अग्रणी cs.LG (32.0%) और कंप्यूटर विज़न cs.CV (31.7%) थे।

arXiv प्रकाशनों के हिस्से में उत्तरी अमेरिका अग्रणी बना रहा (2020 में 36.3%), हालाँकि यह हिस्सा घट रहा था (2017 में 41.6% से)। पूर्वी एशिया और प्रशांत क्षेत्र का हिस्सा लगातार बढ़ा: 2015 में 17.3% से 2020 में 26.5%।

पेटेंट

Microsoft Academic Graph के डेटा दो दशकों में AI से संबंधित पेटेंट की संख्या में निरंतर वृद्धि दर्शाते हैं।

गहन अधिगम (Deep Learning)

Nesta के शोधकर्ताओं ने arXiv पर Deep Learning प्रकाशनों की पहचान के लिए विषय मॉडलिंग एल्गोरिदम का उपयोग किया। पिछले पाँच वर्षों में arXiv पर Deep Learning प्रकाशनों की संख्या लगभग छह गुना बढ़ी।

सम्मेलन

2020 में अधिकांश प्रमुख AI सम्मेलन COVID-19 के कारण आभासी प्रारूप में आयोजित हुए, जिससे उपस्थिति में जबरदस्त वृद्धि हुई। नौ सम्मेलनों में प्रतिभागियों की संख्या लगभग दोगुनी हो गई। प्रमुख सम्मेलनों में: NeurIPS (22,011 प्रतिभागी), IROS (25,719 — तीन महीने की विस्तारित पहुँच के साथ आभासी प्रारूप), ICML (10,800), CVPR (7,500)। छोटे सम्मेलनों में ICLR (5,600), ACL (3,972), AAMAS (3,726) उल्लेखनीय रहे।

कॉर्पोरेट उपस्थिति। शोध से पता चला कि बड़ी तकनीकी कंपनियाँ प्रमुख AI सम्मेलनों में अपनी उपस्थिति बढ़ा रही हैं। सभी 10 प्रमुख सम्मेलनों में कॉर्पोरेट प्रतिनिधित्व का ऊर्ध्वगामी रुझान दिखा। "The De-Democratization of AI" लेख के लेखकों का कहना है कि शिक्षा जगत और उद्योग के बीच कंप्यूटिंग संसाधनों का असमान वितरण — तथाकथित "compute divide" — Deep Learning के युग में असमानता को बढ़ाता है।

ओपन सोर्स सॉफ्टवेयर

TensorFlow (Google द्वारा विकसित, 2017 में सार्वजनिक रूप से जारी) GitHub पर सबसे लोकप्रिय ओपन सोर्स AI लाइब्रेरी बनी रही (2020 तक 1,53,000 स्टार)। दूसरी सबसे लोकप्रिय लाइब्रेरी Keras (51,000 स्टार) रही, तीसरी — Facebook की PyTorch (46,000 स्टार)। अन्य उल्लेखनीय लाइब्रेरी में Scikit-learn (45,000), BVLC/Caffe (31,000), MXNet (19,000) और CNTK (17,000) शामिल हैं।

अध्याय 2. तकनीकी प्रदर्शन

यह अध्याय कंप्यूटर विज़न (चित्र और वीडियो), प्राकृतिक भाषा प्रसंस्करण, भाषा और दृष्टि में तर्क, वाक् पहचान, प्रतीकात्मक तर्क, तथा स्वास्थ्य सेवा और जीव विज्ञान में प्रगति को समाहित करता है।

कंप्यूटर विज़न — चित्र

ImageNet. कंप्यूटर विज़न ने पिछले दशक में जबरदस्त प्रगति की है। कई प्रमुख benchmark पर प्रदर्शन संतृप्त होने लगा है, जो अधिक जटिल परीक्षणों की आवश्यकता की ओर संकेत करता है। रिपोर्ट ImageNet पर Top-1 और Top-5 सटीकता तथा प्रशिक्षण समय और लागत के डेटा प्रस्तुत करती है।

नए जटिल परीक्षण। चूँकि मानक ImageNet पर प्रगति धीमी हो रही है, रिपोर्ट अधिक जटिल benchmark प्रस्तुत करती है: ImageNet-Adversarial (प्राकृतिक कठिनाई कारकों और व्यवस्थित रूप से गलत वर्गीकृत छवियाँ), ImageNet-C (75 प्रकार की दृश्य विकृतियाँ: चमक परिवर्तन, कंट्रास्ट, पिक्सलेशन, धुंध प्रभाव) और ImageNet-Rendition (ImageNet के 200 वर्गों के 30,000 चित्र, जो सामान्यीकरण का परीक्षण करते हैं)।

छवि निर्माण। प्रगति STL-10 dataset पर Fréchet Inception Distance (FID) से मापी जाती है — 2020 तक सर्वोत्तम स्कोर 25.4 था (जितना कम उतना बेहतर)। चेहरा निर्माण के गुणात्मक उदाहरण GAN की तीव्र प्रगति दर्शाते हैं: 2018 तक प्रदर्शन उस स्तर पर पहुंच गया जहाँ लोगों के लिए नकली की पहचान करना कठिन हो गया।

Deepfake पहचान। Facebook द्वारा सितंबर 2019 में बनाई गई Deepfake Detection Challenge (DFDC) ने दिसंबर 2019 से मार्च 2020 के बीच log loss में लगभग 0.5 की कमी दिखाई, जो 0.19 के मान तक पहुंची।

मानव मुद्रा आकलन। COCO Keypoint Detection benchmark पर एल्गोरिदम की सटीकता चार वर्षों में लगभग 33% सुधरी, 80.8% औसत सटीकता (AP) तक पहुंची।

Semantic Segmentation. Cityscapes benchmark और अन्य सेगमेंटेशन कार्यों में प्रगति जारी रही।

कंप्यूटर विज़न — वीडियो

ActivityNet. क्रिया पहचान के लिए benchmark ने क्रिया की समयबद्ध स्थानीयकरण के कार्यों में एल्गोरिदम के निरंतर सुधार का प्रदर्शन किया।

YOLO (You Only Look Once). वीडियो स्ट्रीम के फ्रेम विश्लेषण के लिए वस्तु पहचान प्रणालियाँ तेजी से परिपक्व हो रही हैं, जो AI तैनाती के लिए बढ़ती संभावनाओं का संकेत देती हैं।

चेहरा पहचान (NIST FRVT). रिपोर्ट में राष्ट्रीय मानक और प्रौद्योगिकी संस्थान (NIST) से चेहरा पहचान प्रणालियों के परीक्षण पर डेटा शामिल है। व्यापक निगरानी के लिए तकनीकें तेजी से विकसित हो रही हैं।

प्राकृतिक भाषा प्रसंस्करण (NLP)

SuperGLUE. NLP में तीव्र प्रगति के कारण AI प्रणालियाँ SuperGLUE benchmark पर मानव स्तर तक पहुंचने लगीं, जिसे इसलिए विकसित किया गया था क्योंकि पूर्व benchmark GLUE बहुत जल्दी पार हो गया था। NLP में प्रगति उसके मूल्यांकन की मेट्रिक्स से आगे निकल रही है।

SQuAD. Stanford Question Answering Dataset benchmark ने भी मॉडल प्रदर्शन में स्थिर वृद्धि दिखाई।

वाणिज्यिक मशीनी अनुवाद। पूर्व-प्रशिक्षित मॉडल के साथ उपलब्ध स्वतंत्र क्लाउड मशीनी अनुवाद प्रणालियों की संख्या 2017 में 8 से बढ़कर 2020 में 28 हो गई।

GPT-3. जुलाई 2020 में OpenAI ने GPT-3 प्रस्तुत किया — उस समय की सबसे बड़ी ज्ञात घनी भाषा model, जिसमें 175 अरब parameters थे और जो 570 GB पाठ पर प्रशिक्षित थी। तुलना के लिए: इसके पूर्ववर्ती GPT-2 से यह 100 गुने से भी अधिक बड़ी थी (1.5 अरब parameters)। विशाल आकार ने आश्चर्यजनक व्यवहार उत्पन्न किया: GPT-3 उन कार्यों को करने में सक्षम है जिन पर उसे स्पष्ट रूप से प्रशिक्षित नहीं किया गया था, zero-shot और few-shot learning के साथ। 42 benchmark पर औसत सटीकता: zero-shot — 42.6%, one-shot — 51.0%, few-shot — 57.4%।

प्रभावशाली क्षमताओं के बावजूद, GPT-3 में गंभीर कमियाँ हैं: यह नस्लवादी, लिंगवादी और अन्य पूर्वाग्रहपूर्ण पाठ उत्पन्न कर सकती है, तथ्यात्मक रूप से गलत दावे कर सकती है, और प्रशिक्षण में अत्यंत महंगी है। ऐसे आउटपुट के प्रबंधन और "दिशा निर्देशन" पर शोध प्रारंभिक चरण में है, लेकिन आशाजनक है।

भाषा और दृष्टि में तर्क

VQA. Visual Question Answering benchmark पर सटीकता 2015 में इसकी स्थापना के बाद से लगभग 40% बढ़ी, 2020 में 76.4% तक पहुंची (मानव आधार स्तर — 80.8%)।

VCR. Visual Commonsense Reasoning के कार्य पर (जिसमें उत्तर का औचित्य देना होता है) सर्वोत्तम मशीन ने Q→AR संकेतक को 2018 के 44 से 2020 में 70.5 (60.2% वृद्धि) तक सुधारा, जबकि मानव स्तर 85 है।

वाक् पहचान

LibriSpeech. स्वचालित वाक् पहचान में प्रगति जारी रही, काफी हद तक गहरी Neural Network की लचीलापन और पूर्वानुमान शक्ति के कारण।

VoxCeleb. YouTube के वीडियो साक्षात्कारों से निकाली गई मानव वाक् की छोटी क्लिप का dataset, जिसमें 7,000 से अधिक वक्ता और दस लाख से अधिक उद्गार हैं। इसका उपयोग वक्ता पहचान के मूल्यांकन के लिए किया जाता है।

वाक् पहचान में नस्लीय अंतर। रिपोर्ट वाक् पहचान तकनीकों में एक महत्वपूर्ण नस्लीय अंतर के अस्तित्व पर ध्यान देती है।

प्रतीकात्मक तर्क

बूलियन सूत्रों की संतुष्टि समस्या (SAT). रिपोर्ट एक नया विश्लेषण प्रस्तुत करती है जो टेम्पोरल शेपली मान (temporal Shapley value) का उपयोग करता है, जिससे समग्र प्रदर्शन में व्यक्तिगत प्रणालियों के योगदान का आरोपण किया जा सकता है। 2020 का विजेता — Kissat — ने सभी सॉल्वरों में (पहले वर्ष को छोड़कर) उच्चतम टेम्पोरल शेपली मान प्राप्त किया, मुख्यतः अधिक कुशल डेटा संरचनाओं और एल्गोरिदम के कारण।

स्वचालित प्रमेय सिद्धि (ATP). TPTP लाइब्रेरी (23,000 से अधिक समस्याएं) के विश्लेषण से 1997 से 2020 तक हल की जाने वाली समस्याओं के अनुपात में निरंतर वृद्धि दिखती है। 2008-2013 में उल्लेखनीय प्रगति देखी गई, और 2015 के बाद प्रगति जारी रही लेकिन धीमी हुई। Machine Learning का बढ़ता उपयोग (MaLARea, Enigma प्रणालियों में) ATP के लिए एक संभावित क्रांतिकारी कारक के रूप में देखा जाता है।

स्वास्थ्य सेवा और जीव विज्ञान

आणविक संश्लेषण। Machine Learning मॉडल का उपयोग रासायनिक अणुओं के प्रतिनिधित्व सीखने के लिए किया जाता है ताकि रासायनिक संश्लेषण की अधिक प्रभावी योजना बनाई जा सके।

COVID-19 और दवा खोज। स्टार्टअप PostEra ने COVID Moonshot परियोजना के ढांचे में COVID-19 से संबंधित दवा खोज की प्रक्रिया में तेजी लाने के लिए Machine Learning विधियों का उपयोग किया।

AlphaFold और प्रोटीन फोल्डिंग। प्रोटीन संरचना पूर्वानुमान के क्षेत्र में DeepMind की सफलता वर्ष की सबसे महत्वपूर्ण उपलब्धियों में से एक रही। AlphaFold 2 ने CASP14 प्रतियोगिता (2020) में स्वतंत्र मॉडलिंग कार्यों के लिए प्रयोगात्मक विधियों के तुलनीय GDT_TS का मध्यिका स्कोर हासिल किया, सभी पूर्व परिणामों को काफी पीछे छोड़ते हुए। इसके व्यापक अनुप्रयोग हैं — जीवन के सेलुलर आधार की बेहतर समझ से लेकर दवा विकास में तेजी तक।

विशेषज्ञ मत

AI Index द्वारा किए गए AI विशेषज्ञों के सर्वेक्षण से निम्नलिखित निष्कर्ष सामने आए:

• 2020 की सबसे प्रभावशाली उपलब्धियों के रूप में AlphaFold (DeepMind) और GPT-3 (OpenAI) को — बाकियों से काफी आगे — मान्यता दी गई।
• 2021 का मुख्य रुझान — पूर्व-प्रशिक्षित मॉडल का आगे का विकास और संकीर्ण कार्यों के लिए उनका fine-tuning।
• Percy Liang (Stanford) ने Transformers आर्किटेक्चर के वर्चस्व पर ध्यान दिलाया, जो मूलतः मशीनी अनुवाद के लिए बनाई गई थी लेकिन Neural Network की वास्तविक मानक आर्किटेक्चर बन गई है।

अध्याय 3. अर्थव्यवस्था

यह अध्याय AI और विश्व अर्थव्यवस्था के बीच बढ़ते घनिष्ठ संबंध को श्रम बाजार, निवेश और कॉर्पोरेट गतिविधि के दृष्टिकोण से जाँचता है।

श्रम बाजार

AI विशेषज्ञों की भर्ती। ब्राजील, भारत, कनाडा, सिंगापुर और दक्षिण अफ्रीका ने 2016 से 2020 के बीच AI विशेषज्ञों की भर्ती में सबसे अधिक वृद्धि दर्शाई। महामारी के बावजूद, 2020 में सभी अध्ययन किए गए देशों में भर्ती बढ़ती रही।

अमेरिका में AI विशेषज्ञों की माँग। अमेरिका में AI पदों की रिक्तियों की संख्या 2019 से 2020 के बीच 8.2% घटी (3,25,724 से 3,00,999 तक)। यह छह वर्षों में AI रिक्तियों के हिस्से में पहली कमी है।

AI कौशल का प्रसार। अध्ययन किए गए देशों में भारत AI कौशल प्रसार का सबसे अधिक सापेक्ष संकेतक रखता है (वैश्विक औसत का 2.83 गुना), इसके बाद अमेरिका (1.99), चीन (1.40), जर्मनी (1.27) और कनाडा (1.13) हैं। उद्योगों के अनुसार भारत सभी पाँच अग्रणी क्षेत्रों में अग्रणी है: शिक्षा, वित्त, हार्डवेयर और नेटवर्क, विनिर्माण, सॉफ्टवेयर और IT सेवाएँ।

निवेश

कॉर्पोरेट निवेश। AI में कुल वैश्विक निवेश (निजी निवेश, IPO, विलय और अधिग्रहण, अल्पसंख्यक हिस्सेदारी) 2019 की तुलना में 2020 में 40% बढ़ा, 67.9 अरब डॉलर तक पहुंचा। विलय और अधिग्रहण ने मुख्य हिस्सा बनाया, 121.7% की वृद्धि के साथ। प्रमुख सौदों में NVIDIA द्वारा Mellanox Technologies और Capgemini द्वारा Altran Technologies का अधिग्रहण शामिल है।

स्टार्टअप। AI में निजी निवेश का प्रवाह बढ़ता रहा, लेकिन कम स्टार्टअप में सिमटता गया। 2020 में निजी निवेश 9.3% बढ़ा (रिकॉर्ड 40+ अरब डॉलर), लेकिन वित्तपोषित कंपनियों की संख्या लगातार तीसरे वर्ष घटी।

फोकस क्षेत्र। "दवाएं, कैंसर, अणु, दवा खोज" क्षेत्र को सबसे अधिक निजी निवेश मिला — 13.8 अरब डॉलर से अधिक, जो 2019 के आंकड़े से 4.5 गुना अधिक है।

कॉर्पोरेट गतिविधि

AI को अपनाना (McKinsey डेटा). महामारी के कारण आई आर्थिक मंदी के बावजूद, McKinsey के सर्वेक्षण में आधे उत्तरदाताओं ने कहा कि कोरोनावायरस ने उनके AI निवेश को प्रभावित नहीं किया, और 27% ने वास्तव में निवेश बढ़ाया। एक चौथाई से कम कंपनियों ने निवेश में कटौती की।

नैतिक जोखिम। AI के उपयोग से जुड़ी नैतिक समस्याओं को दूर करने की बढ़ती मांगों के बावजूद, उद्योग के प्रयास सीमित रहते हैं। AI में निष्पक्षता और समानता जैसे मुद्दों पर कंपनियों का अपेक्षाकृत कम ध्यान जाता है। 2020 में 2019 की तुलना में कम कंपनियाँ गोपनीयता से जुड़े जोखिमों को प्रासंगिक मानती हैं।

औद्योगिक रोबोट। अध्याय में अंतर्राष्ट्रीय रोबोटिक्स महासंघ (IFR) के औद्योगिक रोबोट की वैश्विक स्थापना प्रवृत्तियों और क्षेत्रीय तुलनाओं पर डेटा शामिल है।

आय रिपोर्टों में AI के उल्लेख। डेटा विश्लेषण कॉर्पोरेट आय रिपोर्टों में AI के उल्लेखों में वृद्धि दर्शाता है।

अध्याय 4. AI शिक्षा

यह अध्याय उच्च शिक्षण संस्थानों और विभिन्न शैक्षणिक प्लेटफॉर्म के माध्यम से कार्मिक प्रशिक्षण में रुझानों की जाँच करता है।

उच्च शिक्षा

पाठ्यक्रम। AI Index 2020 के सर्वेक्षण से पता चला कि विश्व के अग्रणी विश्वविद्यालयों ने पिछले चार वर्षों में AI शिक्षा में निवेश बढ़ाया है। AI मॉडल निर्माण और तैनाती के व्यावहारिक कौशल सिखाने वाले स्नातक पाठ्यक्रमों की संख्या 102.9% बढ़ी (2016-17 में 102 से 2019-20 में 207), और स्नातकोत्तर स्तर पर 41.7% (151 से 214)। AI और ML में प्रारंभिक पाठ्यक्रमों में नामांकित या नामांकन का प्रयास करने वाले छात्रों की संख्या चार शैक्षणिक वर्षों में लगभग 60% बढ़ी।

ईयू में प्रारंभिक पाठ्यक्रमों में नामांकन 165% बढ़ा, जबकि अमेरिका में अंतिम शैक्षणिक वर्ष में गिरावट देखी गई, जो आंशिक रूप से महामारी और पाठ्यक्रम प्रस्ताव में संरचनात्मक परिवर्तनों के कारण थी।

डॉक्टरेट कार्यक्रम। पिछले 10 वर्षों में अमेरिका में कंप्यूटर विज्ञान के सभी PhD में AI के PhD का हिस्सा 14.2% से बढ़कर 2019 तक लगभग 23% हो गया। इसी समय पहले लोकप्रिय अन्य विशेषज्ञताएं (नेटवर्क तकनीक, सॉफ्टवेयर इंजीनियरिंग, प्रोग्रामिंग भाषाएं) लोकप्रियता खो रही थीं।

शिक्षकों का उद्योग में प्रस्थान। दो वर्षों की वृद्धि के बाद, उत्तरी अमेरिका में AI शिक्षकों के विश्वविद्यालयों से उद्योग में जाने की संख्या 2018 में 42 से घटकर 2019 में 33 हो गई। Carnegie Mellon के 2004-2019 की अवधि में सबसे अधिक प्रस्थान हुए (16), इसके बाद Georgia Tech (14) और वाशिंगटन विश्वविद्यालय (12) हैं।

विदेशी डॉक्टरेट छात्र। AI में नए डॉक्टरेट छात्रों में विदेशी छात्रों का हिस्सा 2019 में 64.3% तक पहुंचा। उनमें से 81.8% अमेरिका में रहे।

ईयू में शिक्षा। ईयू में AI पर विशेष शैक्षणिक प्रस्तावों का भारी बहुमत स्नातकोत्तर स्तर पर पढ़ाया जाता है; रोबोटिक्स और स्वचालन — विशेष स्नातक और स्नातकोत्तर कार्यक्रमों में सबसे अधिक पढ़ाया जाने वाला पाठ्यक्रम है, जबकि Machine Learning संक्षिप्त विशेष पाठ्यक्रमों में हावी है।

अध्याय 5. AI अनुप्रयोगों की नैतिक चुनौतियाँ

यह अध्याय AI के विकास के साथ उत्पन्न होने वाली नैतिक समस्याओं के समाधान के प्रयासों की जाँच करता है।

AI सिद्धांत और फ्रेमवर्क

2015 से 2020 के बीच AI सिद्धांतों को समर्पित 117 दस्तावेज प्रकाशित हुए। निजी कंपनियों ने सभी प्रकार के संगठनों में ऐसे दस्तावेजों की सबसे अधिक संख्या जारी की। यूरोप और मध्य एशिया प्रकाशनों की संख्या में अग्रणी रहे (52), इसके बाद उत्तरी अमेरिका (41) और पूर्वी एशिया और प्रशांत क्षेत्र (14)। 2018 में प्रकाशन गतिविधि चरम पर थी, विशेष रूप से तकनीकी कंपनियों — IBM, Google, Facebook — और ब्रिटेन, ईयू और ऑस्ट्रेलिया की सरकारी संस्थाओं की ओर से।

आलोचकों का कहना है कि नैतिक सिद्धांतों का प्रकाशन अक्सर संस्थागत ढांचे के साथ नहीं होता और यह ऐच्छिक है। कई सिद्धांतों का अस्पष्ट और अमूर्त चरित्र उनके कार्यान्वयन पर स्पष्ट मार्गदर्शन नहीं देता।

मीडिया में नैतिकता

2020 के AI के नैतिक उपयोग से जुड़े सर्वाधिक चर्चित पाँच विषय: यूरोपीय आयोग के AI श्वेत पत्र का प्रकाशन, Google द्वारा नैतिकता शोधकर्ता Timnit Gebru की बर्खास्तगी, UN की AI नैतिकता समिति, AI नैतिकता पर वेटिकन की योजना और चेहरा पहचान व्यवसाय से IBM का बाहर होना।

सम्मेलनों में नैतिकता

AI सम्मेलनों में प्रस्तुत लेखों के शीर्षकों में नैतिकता से संबंधित कीवर्ड वाले लेखों की संख्या 2015 से बढ़ी है, हालाँकि प्रमुख सम्मेलनों में ऐसे शीर्षकों की औसत संख्या कम रहती है।

शिक्षा में नैतिकता

AI Index सर्वेक्षण के डेटा से पता चला कि AI नैतिकता के पाठ्यक्रम विश्व के अग्रणी विश्वविद्यालयों के कंप्यूटर विभागों में अधिक सामान्य होते जा रहे हैं।

अध्याय 6. AI में विविधता

यह अध्याय AI क्षेत्र में लैंगिक, नस्लीय, जातीय विविधता और LGBTQ+ प्रतिनिधित्व का विश्लेषण करता है।

लैंगिक विविधता

CRA के डेटा के अनुसार, विश्व के कई अग्रणी विश्वविद्यालयों में केवल 16% नियमित कंप्यूटर विज्ञान प्राध्यापक महिलाएं हैं।

नस्लीय और जातीय विविधता

2019 में अमेरिका में AI में नए PhD प्राप्तकर्ताओं में: 45% श्वेत, 22.4% एशियाई, 3.2% लातिनी, 2.4% अफ्रीकी-अमेरिकी। कंप्यूटर विज्ञान में नए PhD में श्वेत (गैर-हिस्पैनिक) का हिस्सा पिछले 10 वर्षों में लगभग अपरिवर्तित रहा, औसतन 62.7%।

प्राध्यापकों की नस्लीय संरचना। नस्लीय संरचना के प्रश्न का उत्तर देने वाले 15 विश्वविद्यालयों में: 67.0% नियमित प्राध्यापक श्वेत, 14.3% एशियाई, 0.8% लातिनी, 0.6% अश्वेत या अफ्रीकी हैं।

Black in AI. Black in AI संगठन, जिसकी स्थापना 2017 में Timnit Gebru और Rediet Abebe ने की थी, 2020 तक लगभग 3,000 सदस्यों तक पहुंच गया। NeurIPS में BAI कार्यशालाओं में भागीदारी में काफी वृद्धि हुई: 2019 में प्रतिभागियों और प्रस्तुत लेखों की संख्या 2017 के आंकड़ों से 2.6 गुना अधिक थी।

लैंगिक पहचान और यौन रुझान

Queer in AI (QAI) के 2020 के सर्वेक्षण के अनुसार, लगभग आधे उत्तरदाता AI क्षेत्र में अपर्याप्त समावेशिता को अपने करियर में बाधा मानते हैं। QAI के 40% से अधिक सदस्यों ने काम या पढ़ाई में भेदभाव या उत्पीड़न की सूचना दी। 81.4% ने रोल मॉडल की कमी को मुख्य बाधा बताया।

अध्याय 7. AI नीति और राष्ट्रीय रणनीतियाँ

यह अध्याय स्थानीय, राष्ट्रीय और अंतर्राष्ट्रीय स्तरों पर AI विनियमन के परिदृश्य को समाहित करता है।

राष्ट्रीय रणनीतियाँ

2017 में कनाडा द्वारा विश्व की पहली राष्ट्रीय AI रणनीति प्रकाशित किए जाने के बाद, दिसंबर 2020 तक 30 से अधिक देशों और क्षेत्रों ने समान दस्तावेज प्रकाशित किए। अन्य 22 देश रणनीतियाँ विकसित करने की प्रक्रिया में थे।

वर्ष	रणनीतियाँ
2017	कनाडा, चीन, जापान, फिनलैंड, UAE
2018	ईयू, फ्रांस, जर्मनी, दक्षिण कोरिया, ब्रिटेन, भारत, मेक्सिको, ऑस्ट्रेलिया और अन्य
2019	अमेरिका (अद्यतन), रूस, नीदरलैंड, चेक गणराज्य, सिंगापुर और अन्य
2020	स्पेन, ब्राजील, पोलैंड, तुर्किए और अन्य

कनाडा (2017): Pan-Canadian AI Strategy, बजट 125 मिलियन CAD (97 मिलियन USD), कार्मिक प्रशिक्षण और नैतिक पहलुओं पर जोर।

चीन (2017): सबसे व्यापक रणनीतियों में से एक, जिसमें अनुसंधान एवं विकास, शिक्षा, नैतिक मानक और राष्ट्रीय सुरक्षा शामिल हैं। लक्ष्य: 2020 तक विश्व स्तर प्राप्त करना, 2025 तक विश्व नेता बनना, 2030 तक नवाचार का मुख्य केंद्र बनना।

ईयू (2018): Coordinated Plan on Artificial Intelligence, AI अनुसंधान पर न्यूनतम 1 अरब EUR प्रति वर्ष और रणनीति के अन्य पहलुओं पर 4.9 अरब EUR।

फ्रांस (2018): AI for Humanity, 2022 तक 1.5 अरब EUR का बजट, रणनीतिक क्षेत्र: स्वास्थ्य सेवा, पर्यावरण, परिवहन और रक्षा।

अंतर्राष्ट्रीय सहयोग

2020 में Global Partnership on AI (GPAI) और OECD में AI नीति वेधशाला (Observatory) का शुभारंभ AI के विकास को समर्थन देने के अंतर-सरकारी प्रयासों को सक्रिय किया।

अमेरिकी सरकारी निवेश

संघीय बजट। रिपोर्ट AI पर गैर-सैन्य अनुसंधान एवं विकास के अमेरिकी संघीय बजट डेटा का विश्लेषण करती है।

रक्षा मंत्रालय का बजट। AI पर अमेरिकी रक्षा मंत्रालय के बजट अनुरोध पर डेटा शामिल है।

सरकारी अनुबंध। अनुबंध पर कुल व्यय और विभागों के बीच उसके वितरण का विश्लेषण।

विधायी गतिविधि

अमेरिकी कांग्रेस। 116वीं कांग्रेस इतिहास में सबसे अधिक AI-उन्मुख रही। विधायी अधिनियमों, समिति रिपोर्टों और Congressional Research Service (CRS) की रिपोर्टों में AI के उल्लेखों की संख्या 115वीं कांग्रेस की तुलना में तीन गुने से अधिक हो गई।

केंद्रीय बैंक। रिपोर्ट में केंद्रीय बैंकों की सामग्रियों में AI और ML के उल्लेखों पर डेटा शामिल है।

पद्धति और डेटा स्रोत

रिपोर्ट कई स्रोतों के डेटा पर आधारित है:

• प्रकाशन: Elsevier/Scopus (7 करोड़ समीक्षित शोध पत्र), Microsoft Academic Graph (MAG, 22.5 करोड़+ प्रकाशन), arXiv, Nesta।
• Benchmark: Papers With Code, SuperGLUE, VQA, VCR, COCO, ImageNet, NIST FRVT, LibriSpeech, VoxCeleb, TPTP, CASP और अन्य।
• श्रम बाजार: LinkedIn Economic Graph, Burning Glass Technologies।
• निवेश: S&P Capital IQ (CapIQ), Crunchbase, NetBase Quid।
• कॉर्पोरेट गतिविधि: McKinsey & Company (Global Survey on AI), International Federation of Robotics (IFR), Prattle (earnings calls)।
• शिक्षा: CRA Taulbee Survey, Joint Research Centre (European Commission), AI Index का स्वयं का सर्वेक्षण (9 देशों के 18 विश्वविद्यालय)।
• नैतिकता: AI Ethics Lab (Boston), मीडिया विश्लेषण।
• विविधता: CRA, Black in AI, Queer in AI।
• नीति: Bloomberg Government, OECD AI Policy Observatory।

MAG में प्रत्येक लेख एक बार गिना जाता है; जब विभिन्न देशों के कई लेखक हों, तो क्रेडिट अद्वितीय क्षेत्रों के बीच समान रूप से वितरित किया जाता है।

लेखक समूह

रिपोर्ट सह-निदेशकों Raymond Perrault (SRI International) और Jack Clark (OECD/GPAI) के नेतृत्व में तैयार की गई। शोध प्रबंधक और प्रमुख संपादक — Daniel Zhang (Stanford University)। संचालन समिति में शामिल थे: Eric 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, संस्थापक-निदेशक)।

उपकरण और खुला डेटा

रिपोर्ट के साथ निम्नलिखित संसाधन उपलब्ध हैं:

• कच्चा डेटा और ग्राफिक्स: सार्वजनिक डेटा और उच्च रिज़ॉल्यूशन छवियाँ Google Drive पर उपलब्ध हैं।
• Global AI Vibrancy Tool: अद्यतन इंटरएक्टिव विज़ुअलाइज़ेशन उपकरण, जो 22 संकेतकों पर 26 देशों तक की तुलना करने की अनुमति देता है।
• प्रकाशन "Measurement in AI Policy: Opportunities and Challenges" (शरद 2020): AI नीति में मापन की समस्याओं का अवलोकन।

संदर्भ

• Stanford HAI — AI Index Report 2021 (पूर्ण पाठ): https://aiindex.stanford.edu/report/
• Stanford HAI — Human-Centered Artificial Intelligence: https://hai.stanford.edu/
• Microsoft Academic Graph: https://www.microsoft.com/en-us/research/project/microsoft-academic-graph/
• Elsevier/Scopus: https://www.scopus.com/
• arXiv: https://arxiv.org/
• Papers With Code: https://paperswithcode.com/
• OECD AI Policy Observatory: https://oecd.ai/
• Global Partnership on AI (GPAI): https://gpai.ai/
• CRA Taulbee Survey: https://cra.org/resources/taulbee-survey/
• McKinsey Global Survey on AI: https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
• International Federation of Robotics: https://ifr.org/
• LinkedIn Economic Graph: https://economicgraph.linkedin.com/
• NIST Face Recognition Vendor Test: https://www.nist.gov/programs-projects/face-recognition-vendor-test-frvt
• DeepMind AlphaFold: https://deepmind.com/blog/article/alphafold-a-solution-to-a-50-year-old-grand-challenge-in-biology
• OpenAI GPT-3: https://arxiv.org/abs/2005.14165
• SuperGLUE Benchmark: https://super.gluebenchmark.com/
• VQA Challenge: https://visualqa.org/challenge.html
• CASP (Protein Folding): https://predictioncenter.org/
• AI Ethics Lab: https://aiethicslab.com/
• Black in AI: https://blackinai.github.io/
• Queer in AI: https://sites.google.com/view/queer-in-ai/

साहित्य

• Zhang, D. et al. (2021). The AI Index 2021 Annual Report. AI Index Steering Committee, Human-Centered AI Institute, Stanford University. https://aiindex.stanford.edu/report/
• Brown, T.B. et al. (2020). Language Models are Few-Shot Learners. https://arxiv.org/abs/2005.14165
• 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
• Wang, A. et al. (2019). SuperGLUE: A Stickier Benchmark for General-Purpose Language Understanding Systems. https://arxiv.org/abs/1905.00537
• 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
• Karras, T. et al. (2020). Analyzing and Improving the Image Quality of StyleGAN. https://arxiv.org/abs/1912.04958
• Dolhansky, B. et al. (2020). The DeepFake Detection Challenge (DFDC) Dataset. https://arxiv.org/abs/2006.07397
• Bender, E.M. & Gebru, T. et al. (2021). On the Dangers of Stochastic Parrots: Can Language Models Be Too Big?. Proceedings of FAccT 2021. https://doi.org/10.1145/3442188.3445922