The 2021 AI Index Report (IT)

From Systems analysis Wiki
Jump to navigation Jump to search

AI Index Report 2021 — quarta edizione annuale del rapporto AI Index, elaborata dallo Stanford Institute for Human-Centered Artificial Intelligence (Stanford HAI)[1]. L'edizione 2021 amplia significativamente il volume dei dati rispetto alle edizioni precedenti, include la collaborazione con un numero maggiore di organizzazioni partner esterne e approfondisce i legami con lo Stanford HAI. La pubblicazione monitora, sistematizza, sintetizza e visualizza i dati relativi all'intelligenza artificiale, fornendo informazioni obiettive, accuratamente verificate e raccolte a livello globale per decisori politici, ricercatori, dirigenti, giornalisti e il grande pubblico. Il rapporto copre un periodo in larga misura definito dalla pandemia di COVID-19, che ha influenzato numerosi aspetti dello sviluppo dell'IA — dall'accelerazione della scoperta di farmaci al passaggio delle conferenze al formato virtuale.

Contesto: l'impatto del COVID-19

La pandemia di COVID-19 ha avuto un impatto significativo ma ambivalente sullo sviluppo dell'IA nel 2020[1]. Nel campo delle prestazioni tecniche, la startup di IA PostEra ha applicato metodi di Machine Learning per accelerare la scoperta di farmaci correlati al COVID-19[2]. Il capitolo sull'economia indica che le assunzioni di specialisti in IA e gli investimenti privati non hanno subito effetti negativi sostanziali dalla pandemia — entrambi gli indicatori sono cresciuti nel 2020. Il passaggio al formato virtuale delle conferenze ha determinato un notevole aumento della partecipazione: il numero di partecipanti a nove grandi conferenze è quasi raddoppiato.

Struttura del rapporto

Il rapporto 2021 è composto da sette capitoli tematici[1]:

  1. Ricerca e Sviluppo (Research and Development) — tendenze nelle pubblicazioni, nei brevetti, nelle conferenze e nel software open source.
  2. Prestazioni Tecniche (Technical Performance) — progressi nella computer vision, nell'elaborazione del linguaggio naturale, nel riconoscimento vocale, nel ragionamento, nella sanità e nella biologia.
  3. Economia (The Economy) — mercato del lavoro, investimenti e attività aziendale nel settore dell'IA.
  4. Istruzione in ambito IA (AI Education) — tendenze nella formazione delle competenze, corsi e programmi.
  5. Sfide Etiche delle Applicazioni di IA (Ethical Challenges of AI Applications) — principi, copertura mediatica, etica nelle conferenze.
  6. Diversità nell'IA (Diversity in AI) — diversità di genere, razziale ed etnica.
  7. Politiche e Strategie Nazionali in materia di IA (AI Policy and National Strategies) — legislazione, cooperazione intergovernativa, investimenti pubblici.

Principali conclusioni del rapporto (Top 9)

Gli autori del rapporto hanno individuato nove tesi principali per il 2021[1]:

1. Brusca crescita degli investimenti nello sviluppo di farmaci basati sull'IA

Il settore «Farmaci, oncologia, molecole, scoperta di farmaci» (Drugs, Cancer, Molecular, Drug Discovery) ha ricevuto il maggior volume di investimenti privati in IA nel 2020 — oltre 13,8 miliardi di dollari statunitensi, un valore 4,5 volte superiore a quello del 2019[1][3].

2. Continua migrazione dei talenti verso l'industria

Nel 2019, il 65% dei dottorandi in IA del Nord America ha scelto un impiego nell'industria, rispetto al 44,4% del 2010, evidenziando il ruolo crescente del settore industriale nello sviluppo dell'IA[1][4].

3. Modelli generativi — «generazione di tutto»

I sistemi di IA hanno imparato a generare testo, audio e immagini a un livello qualitativo tale che, in alcune applicazioni limitate della tecnologia, le persone faticano a distinguere i contenuti sintetici da quelli autentici[1].

4. Il problema della diversità nell'IA

Tra i nuovi titolari di dottorato di ricerca in IA negli Stati Uniti nel 2019, il 45% erano bianchi, il 2,4% afroamericani e il 3,2% latinoamericani[1][4].

5. La Cina supera gli USA nelle citazioni di articoli accademici sull'IA

Avendo già superato gli USA per numero complessivo di pubblicazioni accademiche sull'IA alcuni anni prima, nel 2020 la Cina ha raggiunto per la prima volta il primo posto anche per numero di citazioni di articoli su riviste. Tuttavia, gli USA continuano a superare la Cina in modo stabile e significativo nel numero di articoli presentati alle conferenze sull'IA (che vengono anche citati più frequentemente) nell'ultimo decennio[1][5].

6. La maggioranza dei dottorandi in IA negli USA è straniera e vi rimane

La quota di studenti stranieri tra i nuovi dottorandi in IA nel Nord America ha continuato a crescere nel 2019, raggiungendo il 64,3% — un aumento di 4,3 punti percentuali rispetto al 2018. Tra i laureati stranieri, l'81,8% è rimasto negli USA e l'8,6% ha trovato impiego al di fuori degli Stati Uniti[1][4].

7. Le tecnologie di sorveglianza — rapide, economiche e onnipresenti

Le tecnologie necessarie per la sorveglianza su larga scala stanno migliorando rapidamente: i metodi di classificazione delle immagini, riconoscimento facciale, analisi video e identificazione vocale hanno registrato progressi significativi nel 2020[1].

8. L'etica dell'IA è priva di benchmark e consenso

Nonostante alcune organizzazioni pubblichino documenti qualitativi e normativi in materia di etica dell'IA, il settore nel suo complesso manca di benchmark utilizzabili per misurare o valutare il rapporto tra il dibattito pubblico sullo sviluppo delle tecnologie e il processo di sviluppo stesso[1].

9. L'IA ha catturato l'attenzione del Congresso degli Stati Uniti

Il 116° Congresso è stato il più orientato all'IA nella storia: il numero di menzioni dell'IA nei suoi verbali ha superato di oltre tre volte quello del 115° Congresso[1][6].

Capitolo 1. Ricerca e Sviluppo

Il capitolo analizza le tendenze nelle pubblicazioni (peer-reviewed, accademiche, da conferenze, brevettuali), nell'attività su arXiv, nelle conferenze e nel software open source[1].

Pubblicazioni peer-reviewed

Il numero complessivo di pubblicazioni peer-reviewed sull'IA è cresciuto di quasi 12 volte tra il 2000 e il 2019. La quota di pubblicazioni sull'IA sul totale delle pubblicazioni peer-reviewed mondiali è aumentata dallo 0,82% nel 2000 al 3,8% nel 2019[1][7].

Distribuzione regionale. L'Asia orientale e il Pacifico detengono la quota maggiore di pubblicazioni peer-reviewed sull'IA dal 2004 (36,9% nel 2019), seguiti da Europa e Asia centrale (25,1%) e Nord America (17,0%). Tra il 2009 e il 2019, l'Asia meridionale e l'Africa subsahariana hanno registrato la crescita più elevata — rispettivamente otto e sette volte[1][5].

Confronto per aree geografiche. Entro il 2019, la Cina ha raggiunto il primo posto per quota di pubblicazioni peer-reviewed sull'IA a livello mondiale (22,4%), superando l'UE (16,4%) nel 2017. Gli USA sono al terzo posto (14,6%). Nel 2019, la Cina ha pubblicato 3,5 volte più articoli peer-reviewed sull'IA rispetto al 2014[1][7].

Affiliazione istituzionale. In ciascuna delle principali regioni, la quota maggiore di pubblicazioni peer-reviewed appartiene a istituti accademici. Tuttavia, le seconde fonti per importanza variano: negli USA la ricerca aziendale rappresenta il 19,2% del totale, mentre in Cina e nell'UE al secondo posto figurano gli enti pubblici (rispettivamente 15,6% e 17,2%)[1][7].

Collaborazione accademica-aziendale. Tra il 2015 e il 2019, gli USA hanno prodotto il maggior numero di pubblicazioni peer-reviewed sull'IA realizzate congiuntamente tra accademia e industria — superando di oltre due volte l'UE, seconda classificata, seguita dalla Cina[1].

Pubblicazioni su riviste

Il numero di pubblicazioni su riviste sull'IA nel 2020 era 5,4 volte superiore a quello del 2000. La crescita è stata del 34,5% dal 2019 al 2020 — una percentuale di crescita significativamente più elevata rispetto al periodo 2018-2019 (19,6%). La quota di pubblicazioni su riviste sull'IA sul totale delle pubblicazioni su riviste nel mondo è stata del 2,2% nel 2020[1][5].

Citazioni. Nel 2020, la Cina (20,7%) ha superato per la prima volta gli USA (19,8%) per quota di citazioni di articoli su riviste sull'IA a livello mondiale. L'UE ha continuato a perdere quota complessiva (11,0%)[1][5].

Pubblicazioni da conferenze

Il numero di pubblicazioni da conferenze sull'IA è quadruplicato tra il 2000 e il 2019. La Cina ha superato gli USA per quota di pubblicazioni da conferenze sull'IA nel 2019[1][5].

Citazioni. A differenza delle pubblicazioni su riviste, gli USA hanno mantenuto una leadership stabile e significativa nelle citazioni degli articoli da conferenze sull'IA nell'ultimo decennio (40,1% nel 2020), superando nettamente la Cina (11,8%) e l'UE (10,9%)[1][5].

Pubblicazioni su arXiv

Nell'arco di sei anni, il numero di pubblicazioni legate all'IA su arXiv è cresciuto di oltre sei volte: da 5.478 nel 2015 a 34.736 nel 2020[1][8]. Tra le aree di ricerca, la crescita maggiore nel periodo 2015–2020 è stata registrata dalla robotica (cs.RO, crescita di 11 volte) e dal Machine Learning (cs.LG, crescita di 10 volte). Nel 2020, i settori con il maggior numero di pubblicazioni erano cs.LG (32,0%) e computer vision cs.CV (31,7%)[1].

Il Nord America continuava a guidare per quota di pubblicazioni su arXiv (36,3% nel 2020), ma tale quota era in calo (dal 41,6% nel 2017). La quota dell'Asia orientale e del Pacifico è cresciuta costantemente: dal 17,3% nel 2015 al 26,5% nel 2020[1].

Brevetti

I dati del Microsoft Academic Graph mostrano una crescita costante del numero di brevetti legati all'IA nel corso di due decenni[1][5].

Deep Learning

I ricercatori di Nesta hanno utilizzato algoritmi di topic modeling per identificare le pubblicazioni sul deep learning su arXiv. Negli ultimi cinque anni, il numero di pubblicazioni sul deep learning su arXiv è cresciuto di quasi sei volte[1][9].

Conferenze

Nel 2020, la maggior parte delle grandi conferenze sull'IA si è svolta in formato virtuale a causa del COVID-19, determinando un brusco aumento della partecipazione. Il numero di partecipanti a nove conferenze è quasi raddoppiato[1]. Tra le grandi conferenze: NeurIPS (22.011 partecipanti), IROS (25.719 — formato virtuale con accesso esteso di tre mesi), ICML (10.800), CVPR (7.500). Tra le conferenze minori si segnalano ICLR (5.600), ACL (3.972), AAMAS (3.726)[1].

Presenza aziendale. Una ricerca ha dimostrato che le grandi aziende tecnologiche stanno aumentando la propria presenza nelle principali conferenze sull'IA. Tutte e 10 le grandi conferenze hanno mostrato una tendenza crescente nella rappresentanza aziendale. Gli autori dell'articolo «The De-Democratization of AI» sottolineano che la distribuzione diseguale delle risorse computazionali tra accademia e industria — il cosiddetto «divario computazionale» (compute divide) — aggrava le disuguaglianze nell'era del deep learning[10].

Software open source

TensorFlow (sviluppato da Google, rilasciato pubblicamente nel 2017) è rimasto la libreria di IA open source più popolare su GitHub (153.000 stelle entro il 2020). La seconda libreria per popolarità è stata Keras (51.000 stelle), la terza PyTorch di Facebook (46.000 stelle). Tra le altre librerie degne di nota: Scikit-learn (45.000), BVLC/Caffe (31.000), MXNet (19.000) e CNTK (17.000)[1][11].

Capitolo 2. Prestazioni Tecniche

Il capitolo copre i progressi nella computer vision (immagini e video), nell'elaborazione del linguaggio naturale, nel ragionamento su linguaggio e visione, nel riconoscimento vocale, nel ragionamento simbolico, nonché nella sanità e nella biologia[1].

Computer vision — immagini

ImageNet. La computer vision ha vissuto progressi enormi nell'ultimo decennio. Le prestazioni su diversi dei principali benchmark si stanno livellando, indicando la necessità di creare test più complessi. Il rapporto presenta dati sull'accuratezza Top-1 e Top-5 su ImageNet, nonché sui tempi e sui costi di addestramento[1][12].

Nuovi test complessi. Poiché i progressi sul dataset ImageNet standard rallentano, il rapporto presenta benchmark più impegnativi: ImageNet-Adversarial (contiene fattori di difficoltà naturali e immagini sistematicamente classificate in modo errato), ImageNet-C (75 tipi di distorsioni visive: variazioni di luminosità, contrasto, pixelizzazione, effetti di nebbia) e ImageNet-Rendition (30.000 illustrazioni di 200 classi di ImageNet che mettono alla prova la capacità di generalizzazione)[1].

Generazione di immagini. I progressi si misurano con l'indicatore Fréchet Inception Distance (FID) sul dataset STL-10 — entro il 2020 il valore migliore era di 25,4 (più basso è, meglio è). Esempi qualitativi di generazione di volti mostrano i rapidi progressi delle GAN: entro il 2018 le prestazioni avevano raggiunto un livello tale da rendere difficile per le persone individuare i falsi[1][13].

Rilevamento dei deepfake. Il Deepfake Detection Challenge (DFDC), creato da Facebook nel settembre 2019, ha mostrato una riduzione del log loss di circa 0,5 nel periodo da dicembre 2019 a marzo 2020, fino a un valore di 0,19[1][14].

Stima della posa umana. Sul benchmark COCO Keypoint Detection, l'accuratezza degli algoritmi è migliorata di circa il 33% in quattro anni, raggiungendo l'80,8% di Average Precision (AP)[1].

Segmentazione semantica. I progressi sul benchmark Cityscapes e su altri compiti di segmentazione sono continuati[1].

Computer vision — video

ActivityNet. Il benchmark per il riconoscimento delle azioni ha mostrato ulteriori miglioramenti degli algoritmi nei compiti di localizzazione temporale delle azioni[1].

YOLO (You Only Look Once). I sistemi di rilevamento degli oggetti per l'analisi di fotogrammi da flussi video stanno maturando rapidamente, indicando opportunità crescenti per il deployment dell'IA[1].

Riconoscimento facciale (NIST FRVT). Il rapporto include dati del National Institute of Standards and Technology (NIST) sui test dei sistemi di riconoscimento facciale. Le tecnologie per la sorveglianza su larga scala si stanno sviluppando rapidamente[1][15].

Elaborazione del linguaggio naturale (NLP)

SuperGLUE. I rapidi progressi nell'NLP hanno portato i sistemi di IA a raggiungere il livello umano sul benchmark SuperGLUE, sviluppato in risposta al fatto che il precedente benchmark GLUE era stato superato troppo rapidamente. I progressi nell'NLP stanno superando le metriche disponibili per valutarli[1][16].

SQuAD. Anche il benchmark Stanford Question Answering Dataset ha mostrato una crescita costante delle prestazioni dei modelli[1].

Traduzione automatica commerciale. Il numero di sistemi di traduzione automatica cloud indipendenti disponibili commercialmente con modelli pre-addestrati è cresciuto da 8 nel 2017 a 28 nel 2020[1][17].

GPT-3. Nel luglio 2020, OpenAI ha presentato GPT-3 — il più grande modello linguistico denso noto all'epoca, con 175 miliardi di parametri, addestrato su 570 GB di testo. A titolo di confronto, il suo predecessore GPT-2 era oltre 100 volte più piccolo (1,5 miliardi di parametri). La scala ha prodotto comportamenti sorprendenti: GPT-3 è in grado di eseguire compiti su cui non è stato esplicitamente addestrato, con zero o pochissimi esempi di addestramento (zero-shot e few-shot learning). Con una media su 42 benchmark di accuratezza: zero-shot — 42,6%, one-shot — 51,0%, few-shot — 57,4%[1][18].

Nonostante le capacità impressionanti, GPT-3 presenta gravi difetti: può generare testo razzista, sessista e altrimenti distorto, produrre affermazioni fattuali inesatte, ed è estremamente costoso da addestrare. La ricerca sulla governance e sul «controllo» di tali output è nelle fasi iniziali, ma è promettente[1][18].

Ragionamento su linguaggio e visione

VQA. Sul benchmark Visual Question Answering, l'accuratezza è cresciuta di quasi il 40% dalla sua creazione nel 2015, raggiungendo il 76,4% nel 2020 (livello di riferimento umano — 80,8%)[1][19].

VCR. Sul compito Visual Commonsense Reasoning (che richiede la giustificazione della risposta), la macchina migliore ha migliorato il punteggio Q→AR da 44 nel 2018 a 70,5 nel 2020 (aumento del 60,2%), rispetto al livello umano di 85[1].

Riconoscimento vocale

LibriSpeech. I progressi nel riconoscimento automatico del parlato sono continuati, in larga misura grazie alla flessibilità e alla potenza predittiva delle reti neurali profonde[1].

VoxCeleb. Dataset composto da brevi clip di parlato umano estratte da interviste video su YouTube, che comprende oltre 7.000 parlanti e più di un milione di enunciati. Viene utilizzato per valutare l'identificazione del parlante[1][20].

Divario razziale nel riconoscimento vocale. Il rapporto segnala l'esistenza di un significativo divario razziale nelle tecnologie di riconoscimento vocale[1].

Ragionamento simbolico

Problema della soddisfacibilità booleana (SAT). Il rapporto presenta una nuova analisi che utilizza il valore temporale di Shapley (temporal Shapley value), che consente di attribuire il contributo dei singoli sistemi alle prestazioni complessive. Il vincitore del 2020 — Kissat — ha mostrato il valore temporale di Shapley più alto tra tutti i solver (ad eccezione del primo anno), principalmente grazie a strutture dati e algoritmi più efficienti[1][21].

Dimostrazione automatica di teoremi (ATP). L'analisi della libreria TPTP (oltre 23.000 problemi) mostra una crescita costante della quota di problemi risolvibili dal 1997 al 2020. Progressi significativi si sono osservati nel periodo 2008–2013, mentre dal 2015 i progressi sono continuati ma si sono rallentati. Il crescente utilizzo del Machine Learning (nei sistemi MaLARea, Enigma) è considerato un potenziale fattore rivoluzionario per l'ATP[1][22].

Sanità e biologia

Sintesi molecolare. I modelli di Machine Learning vengono utilizzati per apprendere rappresentazioni di molecole chimiche al fine di pianificare in modo più efficiente la sintesi chimica[1].

COVID-19 e scoperta di farmaci. La startup PostEra ha applicato metodi di Machine Learning per accelerare il processo di scoperta di farmaci correlati al COVID-19 nell'ambito del progetto COVID Moonshot[1][2].

AlphaFold e protein folding. Il breakthrough di DeepMind nella previsione della struttura delle proteine è stato uno dei risultati più significativi dell'anno. AlphaFold 2 alla competizione CASP14 (2020) ha raggiunto un punteggio mediano GDT_TS paragonabile ai metodi sperimentali per i compiti di modellazione libera, superando significativamente tutti i risultati precedenti. Questo ha un'ampia gamma di applicazioni — dalla migliore comprensione delle basi cellulari della vita all'accelerazione dello sviluppo di farmaci[1][23].

Opinione degli esperti

Il sondaggio tra esperti di IA condotto dall'AI Index ha rilevato le seguenti conclusioni[1]:

  • I risultati più impressionanti del 2020 sono stati riconosciuti in AlphaFold (DeepMind) e GPT-3 (OpenAI) — con un ampio distacco dagli altri.
  • La tendenza chiave del 2021 — il continuo sviluppo di modelli pre-addestrati e il loro fine-tuning per compiti specifici.
  • Percy Liang (Stanford) ha sottolineato il dominio dell'architettura Transformer, inizialmente creata per la traduzione automatica ma diventata l'architettura standard de facto delle reti neurali.

Capitolo 3. Economia

Il capitolo esamina il rapporto sempre più stretto tra l'IA e l'economia mondiale attraverso il prisma del mercato del lavoro, degli investimenti e dell'attività aziendale[1].

Mercato del lavoro

Assunzione di specialisti in IA. Brasile, India, Canada, Singapore e Sudafrica hanno registrato la maggiore crescita nelle assunzioni di specialisti in IA nel periodo dal 2016 al 2020. Nonostante la pandemia, le assunzioni hanno continuato a crescere in tutti i paesi esaminati nel 2020[1][24].

Domanda di specialisti in IA negli USA. Il numero di offerte di lavoro nel settore dell'IA negli USA è diminuito dell'8,2% dal 2019 al 2020 (da 325.724 a 300.999). È la prima diminuzione della quota di offerte di lavoro in IA in sei anni[1][25].

Penetrazione delle competenze in IA. Tra i paesi esaminati, l'India ha il tasso di penetrazione delle competenze in IA relativamente più elevato (2,83 rispetto alla media mondiale), seguita da USA (1,99), Cina (1,40), Germania (1,27) e Canada (1,13). Per settore, l'India guida in tutti e cinque i principali comparti: istruzione, finanza, hardware e reti, manifattura, software e servizi IT[1][24].

Investimenti

Investimenti aziendali. Il volume complessivo degli investimenti mondiali in IA (investimenti privati, IPO, fusioni e acquisizioni, quote di minoranza) è cresciuto del 40% nel 2020 rispetto al 2019, raggiungendo i 67,9 miliardi di dollari. Le fusioni e acquisizioni hanno costituito la parte principale, aumentando del 121,7%. Tra le operazioni più importanti figurano l'acquisizione di Mellanox Technologies da parte di NVIDIA e di Altran Technologies da parte di Capgemini[1][3].

Startup. Il volume degli investimenti privati in IA continua a crescere, ma si concentra in un numero inferiore di startup. Nel 2020 gli investimenti privati sono cresciuti del 9,3% (oltre 40 miliardi di dollari, un record), tuttavia il numero di aziende finanziate è diminuito per il terzo anno consecutivo[1][3].

Aree di interesse. Il settore «Farmaci, oncologia, molecole, scoperta di farmaci» ha ricevuto il maggior volume di investimenti privati — oltre 13,8 miliardi di dollari, un valore 4,5 volte superiore a quello del 2019[1].

Attività aziendale

Adozione dell'IA (dati McKinsey). Nonostante il rallentamento economico causato dalla pandemia, la metà degli intervistati nel sondaggio McKinsey ha dichiarato che il coronavirus non ha influenzato i propri investimenti in IA, e il 27% li ha effettivamente aumentati. Meno di un quarto delle aziende ha ridotto gli investimenti[1][26].

Rischi etici. Nonostante le crescenti richieste di affrontare i problemi etici legati all'uso dell'IA, gli sforzi del settore rimangono limitati. Questioni come l'equità e la giustizia nell'IA ricevono relativamente poca attenzione da parte delle aziende. Nel 2020, un numero inferiore di aziende rispetto al 2019 considera rilevanti i rischi legati alla privacy[1][26].

Robot industriali. Il capitolo include i dati della International Federation of Robotics (IFR) sulle tendenze globali di installazione di robot industriali e sui confronti regionali[1][27].

Menzioni dell'IA nelle comunicazioni sugli utili. L'analisi dei dati mostra un aumento delle menzioni dell'IA nelle comunicazioni sugli utili aziendali[1].

Capitolo 4. Istruzione in ambito IA

Il capitolo esamina le tendenze nella formazione delle competenze attraverso il prisma delle istituzioni di istruzione superiore e delle varie piattaforme educative[1].

Istruzione superiore

Corsi. Il sondaggio AI Index 2020 ha mostrato che le principali università mondiali hanno aumentato gli investimenti nell'istruzione in ambito IA negli ultimi quattro anni. Il numero di corsi di laurea triennale che insegnano competenze pratiche per la costruzione e il deployment di modelli di IA è cresciuto del 102,9% (da 102 nel 2016–17 a 207 nel 2019–20), mentre a livello magistrale del 41,7% (da 151 a 214). Il numero di studenti iscritti o che hanno tentato di iscriversi a corsi introduttivi di IA e ML è cresciuto di quasi il 60% nell'arco di quattro anni accademici[1].

Nell'UE la crescita delle iscrizioni ai corsi introduttivi è stata del 165%, mentre negli USA si è osservato un calo nell'ultimo anno accademico, in parte dovuto alla pandemia e a cambiamenti strutturali nell'offerta di corsi[1].

Dottorato di ricerca. Negli ultimi 10 anni, la quota di dottorati in IA sul totale dei dottorati in informatica negli USA è cresciuta dal 14,2% a circa il 23% entro il 2019. Al tempo stesso, altre specializzazioni un tempo popolari (reti, ingegneria del software, linguaggi di programmazione) perdevano terreno[1][4].

Passaggio dei docenti all'industria. Dopo due anni di crescita, il numero di docenti di IA che hanno lasciato le università per l'industria nel Nord America è diminuito da 42 nel 2018 a 33 nel 2019. Carnegie Mellon ha avuto il maggior numero di partenze nel periodo 2004–2019 (16), seguita da Georgia Tech (14) e dall'Università di Washington (12)[1].

Dottorandi stranieri. La quota di studenti stranieri tra i nuovi dottorandi in IA ha raggiunto il 64,3% nel 2019. Di questi, l'81,8% è rimasto negli USA[1][4].

Istruzione nell'UE. Nell'UE, la grande maggioranza dell'offerta accademica specializzata in IA è impartita a livello magistrale; la robotica e l'automazione sono i corsi insegnati più frequentemente nei programmi specializzati di laurea triennale e magistrale, mentre il Machine Learning domina nei corsi specializzati brevi[1][28].

Capitolo 5. Sfide etiche delle applicazioni di IA

Il capitolo esamina gli sforzi per affrontare i problemi etici che emergono con lo sviluppo dell'IA[1].

Principi e framework per l'IA

Tra il 2015 e il 2020 sono stati pubblicati 117 documenti dedicati ai principi dell'IA. Le aziende private hanno pubblicato il maggior numero di tali documenti tra tutti i tipi di organizzazioni. Europa e Asia centrale guidano per numero di pubblicazioni (52), seguite dal Nord America (41) e dall'Asia orientale e dal Pacifico (14). Il picco dell'attività di pubblicazione si è verificato nel 2018, in particolare da parte di aziende tecnologiche — IBM, Google, Facebook — e di organismi governativi di Regno Unito, UE e Australia[1][29].

I critici osservano che la pubblicazione di principi etici è spesso priva di quadri istituzionali ed è di natura facoltativa. Il carattere vago e astratto di molti principi non fornisce indicazioni chiare sulla loro attuazione[1].

Etica nei media

I cinque argomenti più discussi nel 2020 legati all'uso etico dell'IA: la pubblicazione del Libro Bianco della Commissione europea sull'IA, il licenziamento da parte di Google della ricercatrice di etica Timnit Gebru, il comitato ONU sull'etica dell'IA, il piano del Vaticano sull'etica dell'IA e l'uscita di IBM dal settore del riconoscimento facciale[1].

Etica nelle conferenze

Il numero di articoli con parole chiave legate all'etica nel titolo, presentati alle conferenze sull'IA, è cresciuto dal 2015, sebbene il numero medio di tali titoli nelle grandi conferenze rimanga basso[1].

Etica nell'istruzione

I dati del sondaggio AI Index hanno mostrato che i corsi sull'etica dell'IA stanno diventando sempre più diffusi nei dipartimenti di informatica delle principali università mondiali[1].

Capitolo 6. Diversità nell'IA

Il capitolo analizza la diversità di genere, razziale, etnica e la rappresentanza LGBTQ+ nel settore dell'IA[1].

Diversità di genere

Secondo i dati del CRA, le donne costituiscono solo il 16% dei docenti di ruolo in informatica in alcune delle principali università mondiali[1][4].

Diversità razziale ed etnica

Tra i nuovi titolari di dottorato in IA negli USA nel 2019: il 45% erano bianchi, il 22,4% asiatici, il 3,2% latinoamericani, il 2,4% afroamericani. La quota di bianchi (non ispanici) tra i nuovi dottorandi in informatica è rimasta praticamente invariata negli ultimi 10 anni, con una media del 62,7%[1][4].

Composizione razziale del corpo docente. Tra i 15 atenei che hanno risposto alla domanda sulla composizione razziale: il 67,0% dei docenti di ruolo sono bianchi, il 14,3% asiatici, lo 0,8% latinoamericani, lo 0,6% neri o africani[1].

Black in AI. L'organizzazione Black in AI, fondata nel 2017 da Timnit Gebru e Rediet Abebe, contava circa 3.000 membri entro il 2020. La partecipazione ai seminari BAI presso NeurIPS è cresciuta significativamente: il numero di partecipanti e di articoli presentati nel 2019 era 2,6 volte superiore a quello del 2017[1].

Identità di genere e orientamento sessuale

Secondo i dati del sondaggio Queer in AI (QAI) del 2020, quasi la metà degli intervistati ritiene che la scarsa inclusività nel settore dell'IA rappresenti un ostacolo alla propria carriera. Più del 40% dei membri di QAI ha riferito di aver subito discriminazioni o molestie al lavoro o negli studi. L'81,4% ha indicato l'assenza di modelli di riferimento come il principale ostacolo[1][30].

Capitolo 7. Politiche e strategie nazionali in materia di IA

Il capitolo copre il panorama della regolamentazione dell'IA a livello locale, nazionale e internazionale[1].

Strategie nazionali

Dal momento in cui il Canada ha pubblicato la prima strategia nazionale sull'IA al mondo nel 2017, oltre 30 paesi e regioni avevano pubblicato documenti analoghi entro dicembre 2020. Altri 22 paesi erano in fase di elaborazione delle proprie strategie[1].

Anno Strategie
2017 Canada, Cina, Giappone, Finlandia, Emirati Arabi Uniti
2018 UE, Francia, Germania, Corea del Sud, Regno Unito, India, Messico, Australia e altri
2019 USA (aggiornata), Russia, Paesi Bassi, Repubblica Ceca, Singapore e altri
2020 Spagna, Brasile, Polonia, Turchia e altri

Canada (2017): Pan-Canadian AI Strategy, budget di 125 milioni di CAD (97 milioni di USD), con enfasi sulla formazione delle competenze e sugli aspetti etici[1].

Cina (2017): una delle strategie più complete, che copre ricerca e sviluppo, istruzione, norme etiche e sicurezza nazionale. Obiettivi: raggiungere il livello mondiale entro il 2020, diventare leader mondiale entro il 2025, principale centro di innovazione entro il 2030[1].

UE (2018): Coordinated Plan on Artificial Intelligence, almeno 1 miliardo di EUR all'anno per la ricerca sull'IA e 4,9 miliardi di EUR per altri aspetti della strategia[1].

Francia (2018): AI for Humanity, budget di 1,5 miliardi di EUR fino al 2022, settori strategici: sanità, ambiente, trasporti e difesa[1].

Cooperazione internazionale

Il lancio del Global Partnership on AI (GPAI) e dell'Osservatorio sulle politiche in materia di IA dell'OCSE nel 2020 ha intensificato gli sforzi intergovernativi a sostegno dello sviluppo dell'IA[1][31][32].

Investimenti pubblici degli USA

Bilancio federale. Il rapporto analizza i dati sul bilancio federale degli USA per la ricerca e lo sviluppo non militari nel settore dell'IA[1].

Bilancio del Ministero della Difesa. Sono inclusi i dati sulla richiesta di bilancio del Ministero della Difesa degli USA per l'IA[1].

Contratti pubblici. Analisi della spesa complessiva per contratti e della sua distribuzione tra le agenzie[1][6].

Attività legislativa

Congresso degli USA. Il 116° Congresso è stato il più orientato all'IA nella storia. Il numero di menzioni dell'IA negli atti legislativi, nelle relazioni delle commissioni e nei rapporti del Congressional Research Service (CRS) è più che triplicato rispetto al 115° Congresso[1][6].

Banche centrali. Il rapporto include dati sulle menzioni di IA e ML nei materiali delle banche centrali[1].

Metodologia e fonti dei dati

Il rapporto si basa su dati provenienti da numerose fonti[1]:

  • Pubblicazioni: Elsevier/Scopus (70 milioni di lavori di ricerca peer-reviewed), Microsoft Academic Graph (MAG, oltre 225 milioni di pubblicazioni), arXiv, Nesta.
  • Benchmark: Papers With Code, SuperGLUE, VQA, VCR, COCO, ImageNet, NIST FRVT, LibriSpeech, VoxCeleb, TPTP, CASP e altri.
  • Mercato del lavoro: LinkedIn Economic Graph, Burning Glass Technologies.
  • Investimenti: S&P Capital IQ (CapIQ), Crunchbase, NetBase Quid.
  • Attività aziendale: McKinsey & Company (Global Survey on AI), International Federation of Robotics (IFR), Prattle (earnings calls).
  • Istruzione: CRA Taulbee Survey, Joint Research Centre (Commissione europea), sondaggio proprio dell'AI Index (18 università di 9 paesi).
  • Etica: AI Ethics Lab (Boston), analisi mediatica.
  • Diversità: CRA, Black in AI, Queer in AI.
  • Politica: Bloomberg Government, OECD AI Policy Observatory.

Nel MAG ogni articolo viene conteggiato una volta; in presenza di più autori provenienti da paesi diversi, il credito viene distribuito equamente tra le regioni univoche[1][5].

Gruppo di autori

Il rapporto è stato elaborato sotto la guida dei co-direttori Raymond Perrault (SRI International) e Jack Clark (OECD/GPAI). Il responsabile della ricerca e redattore capo è Daniel Zhang (Stanford University). Nel comitato direttivo figuravano inoltre: 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, direttore fondatore)[1].

Strumenti e dati aperti

Il rapporto è accompagnato dalle seguenti risorse[1]:

  • Dati grezzi e grafici: dati pubblici e immagini ad alta risoluzione disponibili su Google Drive.
  • Global AI Vibrancy Tool: strumento aggiornato di visualizzazione interattiva che consente di confrontare fino a 26 paesi su 22 indicatori.
  • Pubblicazione «Measurement in AI Policy: Opportunities and Challenges» (autunno 2020): rassegna dei problemi di misurazione nelle politiche sull'IA.

Riferimenti

Bibliografia

Note

  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_(IT)&oldid=7979"