The 2021 AI Index Report (SV)

From Systems analysis Wiki
Jump to navigation Jump to search

AI Index Report 2021 — den fjärde upplagan av den årliga rapporten AI Index, sammanställd av Stanford Institute for Human-Centered Artificial Intelligence (Stanford HAI)[1]. 2021 års rapport utökar dataunderlaget avsevärt jämfört med tidigare utgåvor, inbegriper samarbete med en bredare krets externa partnerorganisationer och fördjupar banden till Stanford HAI. Publikationen spårar, systematiserar, sammanfattar och visualiserar AI-relaterade data och tillhandahåller objektiv, noggrant verifierad och globalt insamlad information för beslutsfattare, forskare, chefer, journalister och den breda allmänheten. Rapporten täcker en period som i hög grad präglades av COVID-19-pandemin, vilken påverkade många aspekter av AI-utvecklingen — från acceleration av läkemedelsutveckling till omställning av konferenser till virtuellt format.

Kontext: COVID-19:s påverkan

COVID-19-pandemin hade en märkbar men mångtydig inverkan på AI-utvecklingen under 2020[1]. Inom teknisk prestanda tillämpade AI-startupföretaget PostEra metoder för Machine Learning för att påskynda upptäckten av läkemedel kopplade till COVID-19[2]. Kapitlet om ekonomi anger att rekrytering av AI-specialister och privata investeringar inte påverkades nämnvärt negativt av pandemin — båda indikatorerna växte under 2020. Övergången till virtuella konferenser ledde till en kraftig ökning av deltagarantalet: antalet deltagare vid nio stora konferenser nästan fördubblades.

Rapportens struktur

2021 års rapport består av sju tematiska kapitel[1]:

  1. Forskning och utveckling (Research and Development) — trender inom publikationer, patent, konferenser och öppen programvara.
  2. Teknisk prestanda (Technical Performance) — framsteg inom datorseende, naturlig språkbehandling, taligenkänning, resonemang, hälso- och sjukvård samt biologi.
  3. Ekonomi (The Economy) — arbetsmarknad, investeringar och företagsaktivitet inom AI-sektorn.
  4. AI-utbildning (AI Education) — trender inom kompetensutveckling, kurser och program.
  5. Etiska utmaningar med AI-tillämpningar (Ethical Challenges of AI Applications) — principer, mediebevakning, etik vid konferenser.
  6. Mångfald inom AI (Diversity in AI) — könsmässig, rasmässig och etnisk mångfald.
  7. AI-politik och nationella strategier (AI Policy and National Strategies) — lagstiftning, mellanstatligt samarbete, statliga investeringar.

Rapportens viktigaste slutsatser (Top 9)

Rapportens författare lyfte fram nio huvudteser för 2021[1]:

1. Kraftig ökning av investeringar i AI-läkemedelsutveckling

Området "Läkemedel, cancer, molekyler, läkemedelsupptäckt" (Drugs, Cancer, Molecular, Drug Discovery) mottog den största volymen privata AI-investeringar under 2020 — över 13,8 miljarder US-dollar, vilket är 4,5 gånger mer än 2019 års nivå[1][3].

2. Fortsatt förskjutning av arbetskraft mot industrin

Under 2019 valde 65 % av AI-doktorander i Nordamerika att arbeta inom industrin, jämfört med 44,4 % år 2010, vilket understryker industrins växande roll i AI-utvecklingen[1][4].

3. Generativa modeller — "generativt allt"

AI-system har lärt sig att generera text, ljud och bilder på en sådan kvalitetsnivå att det i vissa begränsade tillämpningar av tekniken blir svårt för människor att skilja syntetiska utdata från äkta[1].

4. Mångfaldsproblemet inom AI

Bland nya innehavare av AI-doktorsexamen i USA under 2019 var 45 % vita, 2,4 % afroamerikaner och 3,2 % latinamerikaner[1][4].

5. Kina passerar USA i citeringar av vetenskapliga AI-artiklar

Efter att ha passerat USA i det totala antalet vetenskapliga AI-publikationer några år tidigare gick Kina år 2020 för första gången även om USA i antalet citeringar av vetenskapliga artiklar. USA fortsätter dock att stabilt och avsevärt leda Kina i antalet konferensartiklar om AI (vilka också citeras oftare) under det senaste decenniet[1][5].

6. Majoriteten av AI-doktorander i USA är utländska studenter — och de stannar kvar

Andelen utländska studenter bland nya AI-doktorander i Nordamerika fortsatte att öka under 2019 och nådde 64,3 % — en ökning med 4,3 procentenheter jämfört med 2018. Bland utländska examinerade stannade 81,8 % kvar i USA, medan 8,6 % fick anställning utanför USA[1][4].

7. Övervakningstekniker — snabba, billiga och allestädes närvarande

Den teknik som krävs för storskalig övervakning förbättras snabbt: metoder för bildklassificering, ansiktsigenkänning, videoanalys och röstigenkänning uppvisade betydande framsteg under 2020[1].

8. AI-etiken saknar benchmark och konsensus

Trots att ett antal organisationer publicerar kvalitativa och normativa dokument inom AI-etik saknas det inom detta område i stort benchmark som kan användas för att mäta eller utvärdera sambandet mellan samhälleliga diskussioner om teknikutveckling och själva utvecklingsprocessen[1].

9. AI har uppmärksammats av den amerikanska kongressen

Den 116:e kongressen var den mest AI-inriktade i historien: antalet omnämnanden av AI i dess protokoll översteg mer än tre gånger den 115:e kongressens motsvarande siffra[1][6].

Kapitel 1. Forskning och utveckling

Kapitlet analyserar trender inom publikationer (granskade, vetenskapliga tidskrifter, konferenser, patent), aktivitet på arXiv, vid konferenser och inom öppen programvara[1].

Granskade publikationer

Det totala antalet granskade AI-publikationer ökade nästan tolv gånger mellan 2000 och 2019. Andelen AI-publikationer av alla granskade publikationer i världen ökade från 0,82 % år 2000 till 3,8 % år 2019[1][7].

Regional fördelning. Östasien och Stillahavsregionen innehar den största andelen granskade AI-publikationer sedan 2004 (36,9 % år 2019), följt av Europa och Centralasien (25,1 %) och Nordamerika (17,0 %). Mellan 2009 och 2019 uppvisade Sydasien och Afrika söder om Sahara den största tillväxten — åtta respektive sju gånger[1][5].

Jämförelse per geografisk zon. År 2019 intog Kina förstaplatsen i andelen granskade AI-publikationer globalt (22,4 %), och passerade EU (16,4 %) år 2017. USA kom på tredje plats (14,6 %). Kina publicerade 3,5 gånger fler granskade AI-artiklar år 2019 än år 2014[1][7].

Institutionell tillhörighet. I varje stor region tillhör den största andelen granskade publikationer akademiska institutioner. De näst viktigaste källorna skiljer sig dock åt: i USA svarar företagsforskning för 19,2 % av det totala antalet, medan statliga institutioner är på andra plats i Kina och EU (15,6 % respektive 17,2 %)[1][7].

Akademiskt-företagssamarbete. Mellan 2015 och 2019 producerade USA det största antalet gemensamma akademiskt-företagsgranskade AI-publikationer — mer än dubbelt så många som EU på andra plats, följt av Kina[1].

Tidskriftspublikationer

Antalet AI-tidskriftspublikationer år 2020 var 5,4 gånger högre än år 2000. Tillväxten uppgick till 34,5 % från 2019 till 2020 — en avsevärt högre procentuell tillväxt än från 2018 till 2019 (19,6 %). Andelen AI-tidskriftspublikationer av alla tidskriftspublikationer i världen uppgick till 2,2 % år 2020[1][5].

Citeringar. År 2020 passerade Kina (20,7 %) för första gången USA (19,8 %) i andelen citeringar av vetenskapliga AI-artiklar globalt. EU fortsatte att förlora total marknadsandel (11,0 %)[1][5].

Konferenspublikationer

Antalet AI-konferenspublikationer fyrdubblades mellan 2000 och 2019. Kina passerade USA i andelen AI-konferenspublikationer år 2019[1][5].

Citeringar. Till skillnad från tidskriftspublikationer behöll USA ett stabilt och betydande ledarskap i citeringar av AI-konferensartiklar under det senaste decenniet (40,1 % år 2020), med stor marginal till Kina (11,8 %) och EU (10,9 %)[1][5].

Publikationer på arXiv

Under sex år mer än sexdubblades antalet AI-relaterade publikationer på arXiv: från 5 478 år 2015 till 34 736 år 2020[1][8]. Bland forskningsområden uppvisade robotik (cs.RO, elva gånger) och Machine Learning (cs.LG, tio gånger) den största tillväxten under 2015–2020. År 2020 ledde cs.LG (32,0 %) och datorseende cs.CV (31,7 %) i antalet publikationer[1].

Nordamerika ledde fortfarande i andelen arXiv-publikationer (36,3 % år 2020), men denna andel sjönk (från 41,6 % år 2017). Östasiens och Stillahavsregionens andel växte stabilt: från 17,3 % år 2015 till 26,5 % år 2020[1].

Patent

Data från Microsoft Academic Graph visar en stadig ökning av antalet AI-relaterade patent under två decennier[1][5].

Djupinlärning

Forskare från Nesta använde algoritmer för ämnesmodellering för att identifiera djupinlärningspublikationer på arXiv. Under de senaste fem åren nästan sexdubblades antalet djupinlärningspublikationer på arXiv[1][9].

Konferenser

Under 2020 hölls de flesta stora AI-konferenser i virtuellt format till följd av COVID-19, vilket ledde till en kraftig ökning av deltagarantalet. Antalet deltagare vid nio konferenser nästan fördubblades[1]. Bland stora konferenser märks: NeurIPS (22 011 deltagare), IROS (25 719 — virtuellt format med utökat tillträde i tre månader), ICML (10 800), CVPR (7 500). Bland mindre konferenser noteras ICLR (5 600), ACL (3 972), AAMAS (3 726)[1].

Företagsnärvaro. En studie visade att stora teknikföretag ökar sin närvaro vid ledande AI-konferenser. Alla 10 stora konferenser uppvisade en uppåtgående trend i företagsrepresentation. Författarna till artikeln "The De-Democratization of AI" påpekar att den ojämlika fördelningen av beräkningsresurser mellan akademi och industri — den så kallade "compute divide" — förvärrar ojämlikheten i djupinlärningens era[10].

Öppen programvara

TensorFlow (utvecklat av Google, offentligt lanserat 2017) förblev det mest populära AI-biblioteket med öppen källkod på GitHub (153 000 stjärnor år 2020). Det näst mest populära biblioteket var Keras (51 000 stjärnor) och det tredje var Facebooks PyTorch (46 000 stjärnor). Bland övriga bibliotek märks Scikit-learn (45 000), BVLC/Caffe (31 000), MXNet (19 000) och CNTK (17 000)[1][11].

Kapitel 2. Teknisk prestanda

Kapitlet täcker framsteg inom datorseende (bilder och video), naturlig språkbehandling, språk- och synresonemang, taligenkänning, symboliskt resonemang samt hälso- och sjukvård och biologi[1].

Datorseende — bilder

ImageNet. Datorseendet har genomgått ett enormt framsteg under det senaste decenniet. Prestandan på ett antal av de största benchmark har börjat plana ut, vilket indikerar behovet av mer avancerade tester. Rapporten presenterar data om Top-1- och Top-5-noggrannhet på ImageNet samt om träningstid och träningskostnad[1][12].

Nya svårare tester. Eftersom framstegen på det standardiserade ImageNet-testet avtar presenterar rapporten mer krävande benchmark: ImageNet-Adversarial (innehåller naturliga försvårande faktorer och systematiskt felklassificerade bilder), ImageNet-C (75 typer av visuella förvrängningar: förändrad ljusstyrka, kontrast, pixelering, dimeffekter) och ImageNet-Rendition (30 000 illustrationer av 200 ImageNet-klasser som testar generalisering)[1].

Bildgenerering. Framstegen mäts med Fréchet Inception Distance (FID) på datasetet STL-10 — det bästa resultatet år 2020 var 25,4 (lägre är bättre). Kvalitativa exempel på ansiktsgenerering visar snabba GAN-framsteg: år 2018 hade prestandan nått en nivå där det är svårt för människor att identifiera förfalskningar[1][13].

Deepfake-detektion. Deepfake Detection Challenge (DFDC), skapat av Facebook i september 2019, visade en minskning av log loss med ungefär 0,5 under perioden december 2019 till mars 2020, till ett värde av 0,19[1][14].

Bedömning av mänsklig kroppshållning. På benchmark COCO Keypoint Detection förbättrades algoritmernas noggrannhet med ungefär 33 % på fyra år och nådde 80,8 % genomsnittlig precision (AP)[1].

Semantisk segmentering. Framstegen på Cityscapes-benchmark och andra segmenteringsuppgifter fortsatte[1].

Datorseende — video

ActivityNet. Detta benchmark för igenkänning av aktiviteter uppvisade ytterligare förbättringar av algoritmer inom uppgifter för temporal lokalisering av handlingar[1].

YOLO (You Only Look Once). System för objektdetektion för analys av bildrutor från videoströmmar mognar snabbt, vilket indikerar ökade möjligheter för AI-driftsättning[1].

Ansiktsigenkänning (NIST FRVT). Rapporten inkluderar data från National Institute of Standards and Technology (NIST) om testning av ansiktsigenkänningssystem. Tekniker för storskalig övervakning utvecklas snabbt[1][15].

Naturlig språkbehandling (NLP)

SuperGLUE. Snabba framsteg inom NLP har lett till att AI-system börjar nå mänsklig nivå på SuperGLUE-benchmark, som utvecklades som svar på att det tidigare GLUE-benchmark överskreds alltför snabbt. Framstegen inom NLP överträffar de mätvärden som finns för att utvärdera dem[1][16].

SQuAD. Stanford Question Answering Dataset-benchmark uppvisade också en stadig ökning av modellprestanda[1].

Kommersiell maskinöversättning. Antalet kommersiellt tillgängliga fristående molnbaserade maskinöversättningssystem med förtränade modeller ökade från 8 år 2017 till 28 år 2020[1][17].

GPT-3. I juli 2020 presenterade OpenAI GPT-3 — vid den tidpunkten den största kända täta språkmodellen med 175 miljarder parametrar, tränad på 570 GB text. Som jämförelse var dess föregångare GPT-2 mer än 100 gånger mindre (1,5 miljarder parametrar). Skalan ledde till överraskande beteende: GPT-3 kan utföra uppgifter som den inte explicit tränats på, med noll eller ett fåtal träningsexempel (zero-shot och few-shot learning). Genomsnittlig noggrannhet över 42 benchmark: zero-shot — 42,6 %, one-shot — 51,0 %, few-shot — 57,4 %[1][18].

Trots imponerande förmågor har GPT-3 allvarliga brister: den kan generera rasistisk, sexistisk och annan partisk text, producera faktafel samt är extremt kostsam att träna. Forskning om styrning och "vägledning" av sådana utdata befinner sig i ett tidigt skede men är lovande[1][18].

Språk- och synresonemang

VQA. På benchmark Visual Question Answering ökade noggrannheten med nästan 40 % sedan det skapades år 2015 och nådde 76,4 % år 2020 (mänsklig basnivå — 80,8 %)[1][19].

VCR. På uppgiften Visual Commonsense Reasoning (som kräver motivering av svaret) förbättrade den bästa maskinen Q→AR-poängen från 44 år 2018 till 70,5 år 2020 (en ökning med 60,2 %), mot en mänsklig nivå på 85[1].

Taligenkänning

LibriSpeech. Framstegen inom automatisk taligenkänning fortsatte, i stor utsträckning tack vare djupa neurala nätverks flexibilitet och prediktiva kraft[1].

VoxCeleb. Ett dataset bestående av korta klipp med mänskligt tal, hämtade från videointervjuer på YouTube, med över 7 000 talare och mer än en miljon yttranden. Används för att utvärdera talarigenkänning[1][20].

Rasmässigt gap i taligenkänning. Rapporten noterar förekomsten av ett betydande rasmässigt gap i taligenkänningsteknik[1].

Symboliskt resonemang

Uppgiften för satisfierbarhet av booleska formler (SAT). Rapporten presenterar en ny analys med hjälp av det temporala Shapley-värdet, som möjliggör attribuering av enskilda systems bidrag till den övergripande prestandan. Vinnaren år 2020 — Kissat — uppvisade det högsta temporala Shapley-värdet bland alla solvers (med undantag för det första året), huvudsakligen tack vare effektivare datastrukturer och algoritmer[1][21].

Automatisk teoribevisning (ATP). En analys av TPTP-biblioteket (mer än 23 000 uppgifter) visar en konsekvent ökning av andelen lösta problem från 1997 till 2020. Märkbara framsteg gjordes under 2008–2013, och sedan 2015 har framstegen fortsatt men i långsammare takt. Den ökande användningen av Machine Learning (i systemen MaLARea och Enigma) betraktas som en potentiell revolutionerande faktor för ATP[1][22].

Hälso- och sjukvård och biologi

Molekylär syntes. Machine Learning-modeller används för att träna representationer av kemiska molekyler i syfte att effektivisera planeringen av kemisk syntes[1].

COVID-19 och läkemedelsupptäckt. Startupföretaget PostEra tillämpade Machine Learning-metoder för att påskynda processen för upptäckt av COVID-19-relaterade läkemedel inom ramen för projektet COVID Moonshot[1][2].

AlphaFold och proteinvikning. DeepMinds genombrott inom förutsägelse av proteinstrukturer var ett av årets mest betydelsefulla framsteg. AlphaFold 2 uppnådde vid tävlingen CASP14 (2020) ett median-GDT_TS-värde jämförbart med experimentella metoder för uppgifter med fri modellering, och överträffade avsevärt alla tidigare resultat. Detta har ett brett spektrum av tillämpningar — från bättre förståelse av livets cellulära grunder till accelererad läkemedelsutveckling[1][23].

Expertåsikter

AI Index enkät av AI-experter gav följande resultat[1]:

  • De mest imponerande framstegen under 2020 ansågs vara AlphaFold (DeepMind) och GPT-3 (OpenAI) — med stor marginal till övriga.
  • Den viktigaste trenden för 2021 är fortsatt utveckling av förtränade modeller och deras fine-tuning för specifika uppgifter.
  • Percy Liang (Stanford) noterade dominansen av Transformer-arkitekturen, som ursprungligen skapades för maskinöversättning men har blivit de facto standardarkitektur för neurala nätverk.

Kapitel 3. Ekonomi

Kapitlet undersöker det allt tätare sambandet mellan AI och världsekonomin ur perspektivet arbetsmarknad, investeringar och företagsaktivitet[1].

Arbetsmarknad

Rekrytering av AI-specialister. Brasilien, Indien, Kanada, Singapore och Sydafrika uppvisade den största tillväxten i rekrytering av AI-specialister under perioden 2016 till 2020. Trots pandemin fortsatte rekryteringen att växa i samtliga undersökta länder under 2020[1][24].

Efterfrågan på AI-specialister i USA. Antalet AI-relaterade lediga tjänster i USA minskade med 8,2 % från 2019 till 2020 (från 325 724 till 300 999). Detta är den första minskningen av andelen AI-lediga tjänster på sex år[1][25].

Penetration av AI-kompetens. Bland de undersökta länderna har Indien det högsta relativa indexet för AI-kompetens (2,83 gånger den globala genomsnittsnivån), följt av USA (1,99), Kina (1,40), Tyskland (1,27) och Kanada (1,13). Per bransch leder Indien inom samtliga fem ledande sektorer: utbildning, finans, hårdvara och nätverk, tillverkning, programvara och IT-tjänster[1][24].

Investeringar

Företagsinvesteringar. Den totala globala AI-investeringsvolymen (privata investeringar, börsintroduktioner, fusioner och förvärv, minoritetsandelar) ökade med 40 % år 2020 jämfört med 2019 och nådde 67,9 miljarder dollar. Fusioner och förvärv svarade för den största delen och ökade med 121,7 %. Bland stora affärer märks NVIDIAs förvärv av Mellanox Technologies och Capgeminis förvärv av Altran Technologies[1][3].

Startups. Volymen av privata AI-investeringar fortsätter att växa men koncentreras till färre startups. Under 2020 ökade de privata investeringarna med 9,3 % (rekordnivå på 40+ miljarder dollar), men antalet finansierade företag minskade för tredje året i rad[1][3].

Fokusområden. Området "Läkemedel, cancer, molekyler, läkemedelsupptäckt" mottog den största volymen privata investeringar — över 13,8 miljarder dollar, vilket är 4,5 gånger mer än 2019 års nivå[1].

Företagsaktivitet

AI-implementering (McKinsey-data). Trots den ekonomiska nedgång som pandemin orsakade uppgav hälften av respondenterna i McKinseys undersökning att coronaviruset inte påverkade deras AI-investeringar, och 27 % ökade faktiskt sina satsningar. Färre än en fjärdedel av företagen minskade investeringarna[1][26].

Etiska risker. Trots ökande uppmaningar att hantera etiska problem kopplade till AI-användning är insatserna inom industrin fortfarande begränsade. Frågor som rättvisa och jämlikhet inom AI får jämförelsevis lite uppmärksamhet från företagen. Färre företag år 2020 ansåg integritetsrisker som relevanta jämfört med 2019[1][26].

Industriella robotar. Kapitlet inkluderar data från International Federation of Robotics (IFR) om globala trender i installationen av industriella robotar och regionala jämförelser[1][27].

Omnämnanden av AI i kvartalsrapporter. En analys av data visar en ökning av omnämnanden av AI i bolagens kvartalsrapporter[1].

Kapitel 4. AI-utbildning

Kapitlet granskar trender inom kompetensutveckling ur perspektivet högre lärosäten och olika utbildningsplattformar[1].

Högre utbildning

Kurser. AI Index 2020 enkät visade att ledande universitet runt om i världen har ökat sina satsningar på AI-utbildning under de senaste fyra åren. Antalet kurser på grundnivå som lär ut praktiska färdigheter i att bygga och driftsätta AI-modeller ökade med 102,9 % (från 102 år 2016–17 till 207 år 2019–20), och på avancerad nivå med 41,7 % (från 151 till 214). Antalet studenter som registrerade sig eller försökte registrera sig på introduktionskurser i AI och ML ökade med nästan 60 % under fyra läsår[1].

I EU ökade antalet registrerade på introduktionskurser med 165 %, medan USA upplevde en nedgång under det senaste läsåret, delvis orsakad av pandemin och strukturella förändringar i kursutbudet[1].

Forskarutbildning. Under de senaste 10 åren ökade andelen AI-doktorsexamina av samtliga datavetenskapliga doktorsexamina i USA från 14,2 % till ungefär 23 % år 2019. Samtidigt tappade tidigare populära specialiseringar (nätverksteknik, programvaruteknik, programmeringsspråk) i popularitet[1][4].

Lärares övergång till industrin. Efter två års tillväxt minskade antalet AI-lärare som lämnade universiteten för industrin i Nordamerika från 42 år 2018 till 33 år 2019. Carnegie Mellon hade det största antalet avgångar under perioden 2004–2019 (16), följt av Georgia Tech (14) och University of Washington (12)[1].

Utländska doktorander. Andelen utländska studenter bland nya AI-doktorander nådde 64,3 % år 2019. Av dessa stannade 81,8 % kvar i USA[1][4].

Utbildning i EU. I EU ges den överväldigande majoriteten av specialiserade akademiska AI-program på masternivå; robotik och automation är den mest förekommande kursen i specialiserade kandidat- och masterprogram, medan Machine Learning dominerar i kortare specialiserade kurser[1][28].

Kapitel 5. Etiska utmaningar med AI-tillämpningar

Kapitlet granskar ansträngningar för att hantera etiska problem som uppstår i takt med AI:s utveckling[1].

AI-principer och ramverk

Mellan 2015 och 2020 publicerades 117 dokument om AI-principer. Privata företag publicerade det största antalet sådana dokument bland alla typer av organisationer. Europa och Centralasien leder i antal publikationer (52), följt av Nordamerika (41) och Östasien och Stillahavsregionen (14). Publiceringsaktivitetens höjdpunkt inföll år 2018, framförallt från teknikföretag — IBM, Google, Facebook — och statliga organ i Storbritannien, EU och Australien[1][29].

Kritiker påpekar att publicering av etiska principer ofta inte åtföljs av institutionella ramar och är frivillig. Den vaga och abstrakta karaktären hos många principer ger inga tydliga riktlinjer för deras genomförande[1].

Etik i medier

De fem mest diskuterade ämnena år 2020 kopplade till etisk AI-användning: Europakommissionens vitbok om AI, Googles avskedande av etikforskaren Timnit Gebru, FN:s AI-etikkommitté, Vatikanets plan för AI-etik och IBMs exit ur ansiktsigenkänningsbranschen[1].

Etik vid konferenser

Antalet artiklar med etikanknutna nyckelord i titlarna som lämnats in till AI-konferenser har ökat sedan 2015, även om det genomsnittliga antalet sådana titlar vid stora konferenser förblir lågt[1].

Etik inom utbildning

Data från AI Index enkäten visade att kurser i AI-etik blir allt vanligare vid datavetenskapliga institutioner vid ledande universitet runt om i världen[1].

Kapitel 6. Mångfald inom AI

Kapitlet analyserar köns-, ras- och etnisk mångfald samt HBTQ+-representation inom AI-sektorn[1].

Könsmässig mångfald

Enligt CRA-data utgör kvinnor endast 16 % av den ordinarie lärarkåren i datavetenskap vid ett antal ledande universitet runt om i världen[1][4].

Rasmässig och etnisk mångfald

Bland nya innehavare av AI-doktorsexamen i USA under 2019: 45 % vita, 22,4 % asiater, 3,2 % latinamerikaner, 2,4 % afroamerikaner. Andelen vita (icke-spansktalande) bland nya datavetenskapliga doktorer har knappt förändrats under de senaste 10 åren och uppgår i genomsnitt till 62,7 %[1][4].

Professurkårens rassammansättning. Bland de 15 universitet som besvarade frågan om rassammansättning: 67,0 % av den ordinarie lärarkåren är vita, 14,3 % asiater, 0,8 % latinamerikaner, 0,6 % svarta eller afrikaner[1].

Black in AI. Organisationen Black in AI, grundad år 2017 av Timnit Gebru och Rediet Abebe, hade år 2020 cirka 3 000 medlemmar. Deltagandet i BAI-seminarier vid NeurIPS ökade avsevärt: antalet deltagare och inlämnade artiklar år 2019 var 2,6 gånger högre än 2017 års siffror[1].

Könsidentitet och sexuell läggning

Enligt Queer in AI (QAI) enkät 2020 anser nästan hälften av respondenterna att otillräcklig inkludering inom AI-sektorn utgör ett hinder för deras karriär. Mer än 40 % av QAI:s medlemmar rapporterade diskriminering eller trakasserier på arbetet eller i studierna. 81,4 % angav avsaknaden av förebilder som det största hindret[1][30].

Kapitel 7. AI-politik och nationella strategier

Kapitlet täcker det regulatoriska AI-landskapet på lokal, nationell och internationell nivå[1].

Nationella strategier

Sedan Kanada publicerade världens första nationella AI-strategi år 2017 har fler än 30 länder och regioner publicerat liknande dokument fram till december 2020. Ytterligare 22 länder befann sig i processen att ta fram strategier[1].

År Strategier
2017 Kanada, Kina, Japan, Finland, Förenade Arabemiraten
2018 EU, Frankrike, Tyskland, Sydkorea, Storbritannien, Indien, Mexiko, Australien m.fl.
2019 USA (uppdaterad), Ryssland, Nederländerna, Tjeckien, Singapore m.fl.
2020 Spanien, Brasilien, Polen, Turkiet m.fl.

Kanada (2017): Pan-Canadian AI Strategy, budget 125 miljoner CAD (97 miljoner USD), fokus på kompetensutveckling och etiska aspekter[1].

Kina (2017): en av de mest heltäckande strategierna, som omfattar forskning och utveckling, utbildning, etiska normer och nationell säkerhet. Mål: nå världsnivå till 2020, bli världsledande till 2025, bli det viktigaste innovationscentret till 2030[1].

EU (2018): Coordinated Plan on Artificial Intelligence, minst 1 miljard EUR per år för AI-forskning och 4,9 miljarder EUR för övriga aspekter av strategin[1].

Frankrike (2018): AI for Humanity, budget 1,5 miljarder EUR till 2022, strategiska sektorer: hälso- och sjukvård, miljö, transport och försvar[1].

Internationellt samarbete

Lanseringen av Global Partnership on AI (GPAI) och OECD:s AI Policy Observatory år 2020 intensifierade mellanstatliga ansträngningar för att stödja AI-utvecklingen[1][31][32].

Statliga investeringar i USA

Federal budget. Rapporten analyserar data om den federala USA-budgeten för icke-militär AI-forskning och -utveckling[1].

Försvarsministeriets budget. Data om det amerikanska försvarsministeriets budgetbegäran för AI ingår[1].

Statliga kontrakt. En analys av de totala kontraktsutgifterna och deras fördelning per myndighet[1][6].

Lagstiftningsaktivitet

USA:s kongress. Den 116:e kongressen var den mest AI-inriktade i historien. Antalet AI-omnämnanden i lagstiftningsakter, kommittérapporter och rapporter från Congressional Research Service (CRS) mer än tredubblades jämfört med den 115:e kongressen[1][6].

Centralbanker. Rapporten inkluderar data om omnämnanden av AI och ML i centralbanksmaterial[1].

Metodik och datakällor

Rapporten bygger på data från ett flertal källor[1]:

  • Publikationer: Elsevier/Scopus (70 miljoner granskade forskningsarbeten), Microsoft Academic Graph (MAG, 225+ miljoner publikationer), arXiv, Nesta.
  • Benchmark: Papers With Code, SuperGLUE, VQA, VCR, COCO, ImageNet, NIST FRVT, LibriSpeech, VoxCeleb, TPTP, CASP m.fl.
  • Arbetsmarknad: LinkedIn Economic Graph, Burning Glass Technologies.
  • Investeringar: S&P Capital IQ (CapIQ), Crunchbase, NetBase Quid.
  • Företagsaktivitet: McKinsey & Company (Global Survey on AI), International Federation of Robotics (IFR), Prattle (earnings calls).
  • Utbildning: CRA Taulbee Survey, Joint Research Centre (European Commission), AI Index egen enkät (18 universitet från 9 länder).
  • Etik: AI Ethics Lab (Boston), medieanalys.
  • Mångfald: CRA, Black in AI, Queer in AI.
  • Politik: Bloomberg Government, OECD AI Policy Observatory.

I MAG räknas varje artikel en gång; om det finns flera författare från olika länder fördelas tillgodoräknandet jämnt mellan unika regioner[1][5].

Författargrupp

Rapporten sammanställdes under ledning av samdirektörerna Raymond Perrault (SRI International) och Jack Clark (OECD/GPAI). Forskningschef och chefredaktör — Daniel Zhang (Stanford University). I styrkommittén ingick även: 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, grundare och direktör)[1].

Verktyg och öppna data

Rapporten åtföljs av följande resurser[1]:

  • Rådata och diagram: offentliga data och högupplösta bilder är tillgängliga på Google Drive.
  • Global AI Vibrancy Tool: ett uppdaterat verktyg för interaktiv visualisering som möjliggör jämförelse av upp till 26 länder utifrån 22 indikatorer.
  • Publikationen "Measurement in AI Policy: Opportunities and Challenges" (hösten 2020): en översikt av mätproblem inom AI-politik.

Externa länkar

Litteratur

Noter

  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_(SV)&oldid=7984"