The 2021 AI Index Report (TH)

From Systems analysis Wiki
Jump to navigation Jump to search

AI Index Report 2021 — รายงาน AI Index ฉบับประจำปีที่สี่ จัดทำโดยสถาบันปัญญาประดิษฐ์ที่เน้นมนุษย์เป็นศูนย์กลางของมหาวิทยาลัยสแตนฟอร์ด (Stanford HAI)[1] รายงานประจำปี 2021 ขยายขอบเขตข้อมูลอย่างมีนัยสำคัญเมื่อเทียบกับฉบับก่อนหน้า รวมถึงการทำงานร่วมกับองค์กรพันธมิตรภายนอกในวงกว้างขึ้น และกระชับความสัมพันธ์กับสถาบัน Stanford HAI ให้แน่นแฟ้นยิ่งขึ้น รายงานฉบับนี้ติดตาม จัดระบบ สรุป และแสดงภาพข้อมูลที่เกี่ยวข้องกับปัญญาประดิษฐ์ โดยนำเสนอข้อมูลที่เป็นกลาง ผ่านการตรวจสอบอย่างรอบคอบ และรวบรวมจากทั่วโลก เพื่อให้บริการแก่ผู้กำหนดนโยบาย นักวิจัย ผู้บริหาร นักข่าว และสาธารณชนทั่วไป รายงานครอบคลุมช่วงเวลาที่ถูกกำหนดรูปแบบอย่างมีนัยสำคัญโดยการระบาดของ COVID-19 ซึ่งส่งผลกระทบต่อหลายแง่มุมของการพัฒนา AI ตั้งแต่การเร่งการค้นพบยาไปจนถึงการเปลี่ยนการประชุมสู่รูปแบบเสมือนจริง

บริบท: ผลกระทบของ COVID-19

การระบาดของ COVID-19 ส่งผลกระทบที่เห็นได้ชัดแต่มีความซับซ้อนต่อการพัฒนา AI ในปี 2020[1] ในด้านประสิทธิภาพทางเทคนิค สตาร์ทอัพด้าน AI ชื่อ PostEra ได้นำวิธีการ Machine Learning มาใช้เพื่อเร่งการค้นพบยาที่เกี่ยวข้องกับ COVID-19[2] บทเศรษฐกิจระบุว่าการจ้างงานผู้เชี่ยวชาญด้าน AI และการลงทุนภาคเอกชนไม่ได้รับผลกระทบเชิงลบอย่างมีนัยสำคัญจากการระบาด โดยทั้งสองตัวชี้วัดเติบโตขึ้นในปี 2020 การเปลี่ยนการประชุมสู่รูปแบบเสมือนจริงนำไปสู่การเพิ่มขึ้นอย่างก้าวกระโดดของจำนวนผู้เข้าร่วม โดยจำนวนผู้เข้าร่วมในการประชุมสำคัญเก้าแห่งเกือบจะเพิ่มขึ้นเป็นสองเท่า

โครงสร้างของรายงาน

รายงานปี 2021 ประกอบด้วยเจ็ดบทตามหัวข้อ[1]:

  1. การวิจัยและพัฒนา (Research and Development) — แนวโน้มด้านสิ่งพิมพ์ สิทธิบัตร การประชุมวิชาการ และซอฟต์แวร์โอเพนซอร์ส
  2. ประสิทธิภาพทางเทคนิค (Technical Performance) — ความก้าวหน้าด้านการมองเห็นด้วยคอมพิวเตอร์ การประมวลผลภาษาธรรมชาติ การรู้จำเสียงพูด การใช้เหตุผล การดูแลสุขภาพ และชีววิทยา
  3. เศรษฐกิจ (The Economy) — ตลาดแรงงาน การลงทุน และกิจกรรมของบริษัทในด้าน AI
  4. การศึกษาด้าน AI (AI Education) — แนวโน้มการพัฒนาบุคลากร หลักสูตร และโปรแกรมต่างๆ
  5. ความท้าทายด้านจริยธรรมของการประยุกต์ใช้ AI (Ethical Challenges of AI Applications) — หลักการ การรายงานข่าว และจริยธรรมในการประชุมวิชาการ
  6. ความหลากหลายใน AI (Diversity in AI) — ความหลากหลายทางเพศ เชื้อชาติ และชาติพันธุ์
  7. นโยบายและยุทธศาสตร์แห่งชาติด้าน AI (AI Policy and National Strategies) — กฎหมาย ความร่วมมือระหว่างรัฐบาล และการลงทุนภาครัฐ

ข้อสรุปสำคัญของรายงาน (9 อันดับแรก)

ผู้เขียนรายงานได้ระบุประเด็นหลักเก้าประการของปี 2021[1]:

1. การเติบโตอย่างก้าวกระโดดของการลงทุนในการพัฒนายาด้วย AI

สาขา "ยา มะเร็ง โมเลกุล การค้นพบยา" (Drugs, Cancer, Molecular, Drug Discovery) ได้รับเงินลงทุนภาคเอกชนในด้าน AI สูงสุดในปี 2020 มากกว่า 13,800 ล้านดอลลาร์สหรัฐ ซึ่งสูงกว่าตัวเลขปี 2019 ถึง 4.5 เท่า[1][3]

2. การเคลื่อนย้ายบุคลากรสู่ภาคอุตสาหกรรมอย่างต่อเนื่อง

ในปี 2019 บัณฑิตระดับปริญญาเอกด้าน AI ในอเมริกาเหนือร้อยละ 65 เลือกทำงานในภาคอุตสาหกรรม เทียบกับร้อยละ 44.4 ในปี 2010 ซึ่งแสดงให้เห็นบทบาทที่เพิ่มขึ้นของภาคอุตสาหกรรมในการพัฒนา AI[1][4]

3. Generative Models — "สร้างทุกอย่าง"

ระบบ AI ได้เรียนรู้การสร้างข้อความ เสียง และภาพในระดับคุณภาพที่ทำให้มนุษย์แยกแยะผลลัพธ์ที่สังเคราะห์ขึ้นจากของจริงได้ยาก ในการประยุกต์ใช้เทคโนโลยีบางอย่างที่จำกัด[1]

4. ปัญหาความหลากหลายใน AI

ในบรรดาผู้ที่ได้รับปริญญาเอกด้าน AI รายใหม่ในสหรัฐอเมริกาปี 2019 ร้อยละ 45 เป็นคนผิวขาว ร้อยละ 2.4 เป็นชาวแอฟริกันอเมริกัน และร้อยละ 3.2 เป็นชาวละติน[1][4]

5. จีนแซงหน้าสหรัฐอเมริกาในด้านการอ้างอิงบทความวารสาร AI

หลังจากแซงหน้าสหรัฐอเมริกาในด้านจำนวนบทความวารสาร AI ทั้งหมดเมื่อไม่กี่ปีก่อน จีนได้ก้าวขึ้นมาเป็นอันดับหนึ่งในด้านการอ้างอิงบทความวารสารเป็นครั้งแรกในปี 2020 อย่างไรก็ตาม สหรัฐอเมริกายังคงนำหน้าจีนอย่างสม่ำเสมอและมีนัยสำคัญในด้านจำนวนบทความการประชุม AI (ซึ่งได้รับการอ้างอิงบ่อยกว่าด้วย) ตลอดทศวรรษที่ผ่านมา[1][5]

6. นักศึกษาปริญญาเอกด้าน AI ในสหรัฐอเมริกาส่วนใหญ่เป็นชาวต่างชาติและพวกเขาเลือกอยู่ต่อ

สัดส่วนนักศึกษาต่างชาติในบรรดานักศึกษาปริญญาเอกด้าน AI รายใหม่ในอเมริกาเหนือเพิ่มขึ้นอย่างต่อเนื่องในปี 2019 แตะระดับร้อยละ 64.3 ซึ่งเพิ่มขึ้น 4.3 จุดเปอร์เซ็นต์จากปี 2018 ในบรรดาบัณฑิตต่างชาติ ร้อยละ 81.8 อยู่ในสหรัฐอเมริกา และร้อยละ 8.6 ทำงานนอกสหรัฐอเมริกา[1][4]

7. เทคโนโลยีการเฝ้าระวัง — รวดเร็ว ราคาถูก และแพร่หลาย

เทคโนโลยีที่จำเป็นสำหรับการเฝ้าระวังในวงกว้างพัฒนาก้าวหน้าอย่างรวดเร็ว โดยวิธีการจำแนกภาพ การจดจำใบหน้า การวิเคราะห์วิดีโอ และการระบุตัวตนจากเสียงแสดงให้เห็นความก้าวหน้าอย่างมีนัยสำคัญในปี 2020[1]

8. จริยธรรม AI ขาด benchmark และฉันทามติ

แม้ว่าองค์กรหลายแห่งจะออกเอกสารด้านคุณภาพและเชิงบรรทัดฐานเกี่ยวกับจริยธรรม AI แต่โดยทั่วไปในสาขานี้ยังขาด benchmark ที่สามารถใช้วัดหรือประเมินความเชื่อมโยงระหว่างการอภิปรายสาธารณะเกี่ยวกับการพัฒนาเทคโนโลยีกับกระบวนการพัฒนาเอง[1]

9. AI ดึงดูดความสนใจของรัฐสภาสหรัฐอเมริกา

รัฐสภาชุดที่ 116 กลายเป็นรัฐสภาที่ให้ความสำคัญกับ AI มากที่สุดในประวัติศาสตร์ โดยจำนวนการกล่าวถึง AI ในบันทึกของรัฐสภาเพิ่มขึ้นมากกว่าสามเท่าเมื่อเทียบกับรัฐสภาชุดที่ 115[1][6]

บทที่ 1. การวิจัยและพัฒนา

บทนี้วิเคราะห์แนวโน้มด้านสิ่งพิมพ์ (ที่ผ่านการตรวจสอบโดยผู้เชี่ยวชาญ วารสาร การประชุม สิทธิบัตร) กิจกรรมบน arXiv การประชุมวิชาการ และซอฟต์แวร์โอเพนซอร์ส[1]

สิ่งพิมพ์ที่ผ่านการตรวจสอบโดยผู้เชี่ยวชาญ

จำนวนสิ่งพิมพ์ที่ผ่านการตรวจสอบโดยผู้เชี่ยวชาญด้าน AI ทั้งหมดเพิ่มขึ้นเกือบ 12 เท่าระหว่างปี 2000 ถึง 2019 สัดส่วนของสิ่งพิมพ์ด้าน AI ในบรรดาสิ่งพิมพ์ที่ผ่านการตรวจสอบโดยผู้เชี่ยวชาญทั้งหมดในโลกเพิ่มขึ้นจากร้อยละ 0.82 ในปี 2000 เป็นร้อยละ 3.8 ในปี 2019[1][7]

การกระจายตามภูมิภาค เอเชียตะวันออกและแปซิฟิกครองส่วนแบ่งสูงสุดของสิ่งพิมพ์ที่ผ่านการตรวจสอบโดยผู้เชี่ยวชาญด้าน AI ตั้งแต่ปี 2004 (ร้อยละ 36.9 ในปี 2019) รองลงมาคือยุโรปและเอเชียกลาง (ร้อยละ 25.1) และอเมริกาเหนือ (ร้อยละ 17.0) ระหว่างปี 2009 ถึง 2019 เอเชียใต้และแอฟริกาใต้สะฮาราแสดงให้เห็นการเติบโตสูงสุด คือแปดและเจ็ดเท่าตามลำดับ[1][5]

การเปรียบเทียบตามเขตภูมิศาสตร์ ภายในปี 2019 จีนอยู่อันดับหนึ่งในด้านส่วนแบ่งสิ่งพิมพ์ที่ผ่านการตรวจสอบโดยผู้เชี่ยวชาญด้าน AI ในโลก (ร้อยละ 22.4) แซงหน้า EU (ร้อยละ 16.4) ในปี 2017 สหรัฐอเมริกาอยู่อันดับสาม (ร้อยละ 14.6) จีนตีพิมพ์บทความ AI ที่ผ่านการตรวจสอบโดยผู้เชี่ยวชาญมากกว่า 3.5 เท่าในปี 2019 เมื่อเทียบกับปี 2014[1][7]

ความเชื่อมโยงทางสถาบัน ในทุกภูมิภาคหลัก สถาบันวิชาการมีส่วนแบ่งสูงสุดของสิ่งพิมพ์ที่ผ่านการตรวจสอบโดยผู้เชี่ยวชาญ อย่างไรก็ตาม แหล่งที่สำคัญเป็นอันดับสองแตกต่างกันไป ในสหรัฐอเมริกา การวิจัยขององค์กรธุรกิจคิดเป็นร้อยละ 19.2 ของยอดรวมทั้งหมด ในขณะที่ในจีนและ EU หน่วยงานรัฐบาลอยู่ในอันดับสอง (ร้อยละ 15.6 และ 17.2 ตามลำดับ)[1][7]

ความร่วมมือระหว่างวิชาการและภาคธุรกิจ ระหว่างปี 2015 ถึง 2019 สหรัฐอเมริกาผลิตสิ่งพิมพ์ที่ผ่านการตรวจสอบโดยผู้เชี่ยวชาญด้าน AI จากความร่วมมือระหว่างวิชาการและภาคธุรกิจมากที่สุด โดยมากกว่า EU ซึ่งอยู่อันดับสองกว่าสองเท่า ตามด้วยจีน[1]

สิ่งพิมพ์ในวารสาร

จำนวนสิ่งพิมพ์วารสารด้าน AI ในปี 2020 สูงกว่าปี 2000 ถึง 5.4 เท่า การเติบโตอยู่ที่ร้อยละ 34.5 จากปี 2019 ถึง 2020 ซึ่งสูงกว่าการเติบโตร้อยละของช่วงปี 2018 ถึง 2019 (ร้อยละ 19.6) อย่างมีนัยสำคัญ สัดส่วนของสิ่งพิมพ์วารสารด้าน AI ในบรรดาสิ่งพิมพ์วารสารทั้งหมดในโลกอยู่ที่ร้อยละ 2.2 ในปี 2020[1][5]

การอ้างอิง ในปี 2020 จีน (ร้อยละ 20.7) แซงหน้าสหรัฐอเมริกา (ร้อยละ 19.8) เป็นครั้งแรกในด้านส่วนแบ่งการอ้างอิงบทความวารสาร AI ในโลก EU ยังคงสูญเสียส่วนแบ่งรวม (ร้อยละ 11.0)[1][5]

สิ่งพิมพ์จากการประชุม

จำนวนสิ่งพิมพ์จากการประชุมด้าน AI เพิ่มขึ้นสี่เท่าระหว่างปี 2000 ถึง 2019 จีนแซงหน้าสหรัฐอเมริกาในด้านส่วนแบ่งสิ่งพิมพ์จากการประชุมด้าน AI ในปี 2019[1][5]

การอ้างอิง ต่างจากสิ่งพิมพ์วารสาร สหรัฐอเมริกาครองความเป็นผู้นำอย่างสม่ำเสมอและมีนัยสำคัญในด้านการอ้างอิงบทความการประชุม AI ตลอดทศวรรษที่ผ่านมา (ร้อยละ 40.1 ในปี 2020) นำหน้าจีน (ร้อยละ 11.8) และ EU (ร้อยละ 10.9) อย่างมาก[1][5]

สิ่งพิมพ์บน arXiv

ในช่วงหกปี จำนวนสิ่งพิมพ์ที่เกี่ยวข้องกับ AI บน arXiv เพิ่มขึ้นมากกว่าหกเท่า จาก 5,478 ในปี 2015 เป็น 34,736 ในปี 2020[1][8] ในบรรดาสาขาการวิจัย หุ่นยนต์ (cs.RO เพิ่มขึ้น 11 เท่า) และ Machine Learning (cs.LG เพิ่มขึ้น 10 เท่า) แสดงให้เห็นการเติบโตสูงสุดในช่วงปี 2015–2020 ในปี 2020 สาขาที่นำในด้านจำนวนสิ่งพิมพ์คือ cs.LG (ร้อยละ 32.0) และการมองเห็นด้วยคอมพิวเตอร์ cs.CV (ร้อยละ 31.7)[1]

อเมริกาเหนือยังคงนำในด้านส่วนแบ่งสิ่งพิมพ์บน arXiv (ร้อยละ 36.3 ในปี 2020) แต่ส่วนแบ่งนี้ลดลง (จากร้อยละ 41.6 ในปี 2017) ส่วนแบ่งของเอเชียตะวันออกและแปซิฟิกเพิ่มขึ้นอย่างสม่ำเสมอ จากร้อยละ 17.3 ในปี 2015 เป็นร้อยละ 26.5 ในปี 2020[1]

สิทธิบัตร

ข้อมูลจาก Microsoft Academic Graph แสดงให้เห็นการเติบโตอย่างต่อเนื่องของจำนวนสิทธิบัตรที่เกี่ยวข้องกับ AI ตลอดสองทศวรรษ[1][5]

การเรียนรู้เชิงลึก

นักวิจัยจาก Nesta ใช้ขั้นตอนวิธีการสร้างแบบจำลองหัวข้อเพื่อระบุสิ่งพิมพ์เกี่ยวกับการเรียนรู้เชิงลึกบน arXiv ในช่วงห้าปีที่ผ่านมา จำนวนสิ่งพิมพ์เกี่ยวกับการเรียนรู้เชิงลึกบน arXiv เพิ่มขึ้นเกือบหกเท่า[1][9]

การประชุมวิชาการ

ในปี 2020 การประชุมด้าน AI ส่วนใหญ่จัดในรูปแบบเสมือนจริงเนื่องจาก COVID-19 ส่งผลให้จำนวนผู้เข้าร่วมเพิ่มขึ้นอย่างก้าวกระโดด จำนวนผู้เข้าร่วมในการประชุมเก้าแห่งเกือบจะเพิ่มขึ้นเป็นสองเท่า[1] ในบรรดาการประชุมขนาดใหญ่ ได้แก่ NeurIPS (ผู้เข้าร่วม 22,011 คน), IROS (25,719 คน — รูปแบบเสมือนจริงพร้อมการเข้าถึงขยายสามเดือน), ICML (10,800 คน), CVPR (7,500 คน) ในบรรดาการประชุมขนาดเล็กมีการบันทึก ICLR (5,600 คน), ACL (3,972 คน), AAMAS (3,726 คน)[1]

การปรากฏตัวของภาคธุรกิจ การศึกษาแสดงให้เห็นว่าบริษัทเทคโนโลยีขนาดใหญ่เพิ่มการปรากฏตัวในการประชุม AI ชั้นนำ การประชุมขนาดใหญ่ทั้ง 10 แห่งแสดงแนวโน้มการมีตัวแทนจากภาคธุรกิจที่เพิ่มขึ้น ผู้เขียนบทความ "The De-Democratization of AI" ชี้ว่าการกระจายทรัพยากรการประมวลผลที่ไม่เท่าเทียมกันระหว่างวิชาการและภาคธุรกิจ ซึ่งเรียกว่า "ช่องว่างการประมวลผล" (compute divide) ทำให้ความไม่เท่าเทียมรุนแรงขึ้นในยุคของการเรียนรู้เชิงลึก[10]

ซอฟต์แวร์โอเพนซอร์ส

TensorFlow (พัฒนาโดย Google เผยแพร่สู่สาธารณะในปี 2017) ยังคงเป็นไลบรารี AI โอเพนซอร์สที่ได้รับความนิยมสูงสุดบน GitHub (153,000 ดาวภายในปี 2020) ไลบรารียอดนิยมอันดับสองคือ Keras (51,000 ดาว) และอันดับสามคือ PyTorch จาก Facebook (46,000 ดาว) ในบรรดาไลบรารีอื่นๆ ที่น่าสังเกต ได้แก่ Scikit-learn (45,000 ดาว), BVLC/Caffe (31,000 ดาว), MXNet (19,000 ดาว) และ CNTK (17,000 ดาว)[1][11]

บทที่ 2. ประสิทธิภาพทางเทคนิค

บทนี้ครอบคลุมความก้าวหน้าด้านการมองเห็นด้วยคอมพิวเตอร์ (ภาพและวิดีโอ) การประมวลผลภาษาธรรมชาติ การใช้เหตุผลด้านภาษาและการมองเห็น การรู้จำเสียงพูด การใช้เหตุผลเชิงสัญลักษณ์ รวมถึงการดูแลสุขภาพและชีววิทยา[1]

การมองเห็นด้วยคอมพิวเตอร์ — ภาพ

ImageNet การมองเห็นด้วยคอมพิวเตอร์ได้ผ่านความก้าวหน้าอย่างมหาศาลในช่วงทศวรรษที่ผ่านมา ประสิทธิภาพบน benchmark ขนาดใหญ่หลายแห่งเริ่มลู่เข้าหากัน ซึ่งบ่งชี้ถึงความจำเป็นในการสร้างแบบทดสอบที่ซับซ้อนกว่าเดิม รายงานนำเสนอข้อมูลเกี่ยวกับความแม่นยำ Top-1 และ Top-5 บน ImageNet รวมถึงเวลาและค่าใช้จ่ายในการฝึกอบรม[1][12]

แบบทดสอบที่ซับซ้อนใหม่ เนื่องจากความก้าวหน้าบน ImageNet มาตรฐานชะลอตัวลง รายงานจึงนำเสนอ benchmark ที่ท้าทายกว่า ได้แก่ ImageNet-Adversarial (มีปัจจัยที่ทำให้เกิดความยากตามธรรมชาติและภาพที่ถูกจำแนกผิดอย่างเป็นระบบ), ImageNet-C (การบิดเบือนภาพ 75 ประเภท ได้แก่ การเปลี่ยนความสว่าง ความเปรียบต่าง การ pixelation และเอฟเฟกต์หมอก) และ ImageNet-Rendition (ภาพประกอบ 30,000 ภาพของ 200 คลาส ImageNet เพื่อทดสอบการวางนัยทั่วไป)[1]

การสร้างภาพ ความก้าวหน้าวัดด้วยตัวชี้วัด Fréchet Inception Distance (FID) บน dataset STL-10 โดยผลลัพธ์ที่ดีที่สุดในปี 2020 อยู่ที่ 25.4 (ยิ่งต่ำยิ่งดี) ตัวอย่างเชิงคุณภาพของการสร้างใบหน้าแสดงให้เห็นความก้าวหน้าอย่างรวดเร็วของ GAN ภายในปี 2018 ประสิทธิภาพถึงระดับที่มนุษย์แยกแยะของปลอมได้ยาก[1][13]

การตรวจจับ deepfake Deepfake Detection Challenge (DFDC) ที่สร้างขึ้นโดย Facebook ในเดือนกันยายน 2019 แสดงให้เห็นการลดลงของค่า log loss ประมาณ 0.5 ในช่วงเดือนธันวาคม 2019 ถึงมีนาคม 2020 ลงมาที่ค่า 0.19[1][14]

การประเมินท่าทางของมนุษย์ บน benchmark COCO Keypoint Detection ความแม่นยำของขั้นตอนวิธีปรับปรุงขึ้นประมาณร้อยละ 33 ในช่วงสี่ปี ถึงระดับความแม่นยำเฉลี่ย (AP) ที่ร้อยละ 80.8[1]

การแบ่งส่วนเชิงความหมาย ความก้าวหน้าบน benchmark Cityscapes และงานการแบ่งส่วนอื่นๆ ยังคงดำเนินต่อไป[1]

การมองเห็นด้วยคอมพิวเตอร์ — วิดีโอ

ActivityNet benchmark สำหรับการรู้จำกิจกรรมแสดงให้เห็นการพัฒนาขั้นตอนวิธีเพิ่มเติมในงานการระบุตำแหน่งชั่วคราวของกิจกรรม[1]

YOLO (You Only Look Once) ระบบตรวจจับวัตถุสำหรับการวิเคราะห์เฟรมจากสตรีมวิดีโอเติบโตอย่างรวดเร็ว ซึ่งบ่งชี้ถึงการขยายความเป็นไปได้ในการนำ AI ไปใช้งาน[1]

การจดจำใบหน้า (NIST FRVT) รายงานรวมข้อมูลจากสถาบันมาตรฐานและเทคโนโลยีแห่งชาติ (NIST) เกี่ยวกับการทดสอบระบบจดจำใบหน้า เทคโนโลยีสำหรับการเฝ้าระวังในวงกว้างพัฒนาอย่างรวดเร็ว[1][15]

การประมวลผลภาษาธรรมชาติ (NLP)

SuperGLUE ความก้าวหน้าอย่างรวดเร็วใน NLP ทำให้ระบบ AI เริ่มบรรลุระดับมนุษย์บน benchmark SuperGLUE ซึ่งพัฒนาขึ้นเพื่อตอบสนองต่อการที่ benchmark GLUE รุ่นก่อนหน้าถูกทำลายเร็วเกินไป ความก้าวหน้าใน NLP แซงหน้าตัวชี้วัดสำหรับการประเมิน[1][16]

SQuAD benchmark Stanford Question Answering Dataset ยังแสดงให้เห็นการเติบโตอย่างสม่ำเสมอของประสิทธิภาพโมเดล[1]

การแปลภาษาด้วยเครื่องเชิงพาณิชย์ จำนวนระบบการแปลภาษาด้วยเครื่องแบบคลาวด์อิสระที่มีจำหน่ายในเชิงพาณิชย์พร้อมโมเดลที่ผ่านการฝึกล่วงหน้าเพิ่มขึ้นจาก 8 ระบบในปี 2017 เป็น 28 ระบบในปี 2020[1][17]

GPT-3 ในเดือนกรกฎาคม 2020 OpenAI นำเสนอ GPT-3 ซึ่งเป็นโมเดลภาษาหนาแน่นที่ใหญ่ที่สุดที่รู้จักในขณะนั้น มีพารามิเตอร์ 175,000 ล้านตัว ผ่านการฝึกอบรมบนข้อความ 570 GB เพื่อเปรียบเทียบ รุ่นก่อนหน้า GPT-2 มีขนาดเล็กกว่ามากกว่า 100 เท่า (พารามิเตอร์ 1,500 ล้านตัว) ขนาดที่ใหญ่ขึ้นนำไปสู่พฤติกรรมที่น่าประหลาดใจ GPT-3 สามารถทำงานที่ไม่ได้รับการฝึกอบรมอย่างชัดเจนได้ด้วยตัวอย่างการเรียนรู้ศูนย์หรือน้อยที่สุด (zero-shot และ few-shot learning) เมื่อเฉลี่ยใน 42 benchmark ความแม่นยำ: zero-shot — ร้อยละ 42.6, one-shot — ร้อยละ 51.0, few-shot — ร้อยละ 57.4[1][18]

แม้จะมีความสามารถที่น่าประทับใจ แต่ GPT-3 มีข้อบกพร่องร้ายแรง ได้แก่ อาจสร้างข้อความที่เหยียดเชื้อชาติ เหยียดเพศ และมีอคติในรูปแบบอื่น สร้างข้อความที่ไม่ถูกต้องตามข้อเท็จจริง และมีค่าใช้จ่ายในการฝึกอบรมสูงมาก การวิจัยเกี่ยวกับการควบคุมและ "การนำทาง" ผลลัพธ์ดังกล่าวยังอยู่ในระยะเริ่มต้นแต่มีแนวโน้มที่ดี[1][18]

การใช้เหตุผลด้านภาษาและการมองเห็น

VQA บน benchmark Visual Question Answering ความแม่นยำเพิ่มขึ้นเกือบร้อยละ 40 นับตั้งแต่ก่อตั้งในปี 2015 ถึงระดับร้อยละ 76.4 ในปี 2020 (เส้นฐานระดับมนุษย์อยู่ที่ร้อยละ 80.8)[1][19]

VCR ในงาน Visual Commonsense Reasoning (ซึ่งต้องการการให้เหตุผลรองรับคำตอบ) เครื่องที่ดีที่สุดปรับปรุงคะแนน Q→AR จาก 44 ในปี 2018 เป็น 70.5 ในปี 2020 (เพิ่มขึ้นร้อยละ 60.2) เมื่อเทียบกับระดับมนุษย์ที่ 85[1]

การรู้จำเสียงพูด

LibriSpeech ความก้าวหน้าในการรู้จำเสียงพูดอัตโนมัติยังคงดำเนินต่อไป ส่วนใหญ่ขึ้นอยู่กับความยืดหยุ่นและพลังการทำนายของ Neural Network เชิงลึก[1]

VoxCeleb dataset ที่ประกอบด้วยคลิปสั้นของเสียงพูดมนุษย์ที่ดึงมาจากสัมภาษณ์วิดีโอบน YouTube ประกอบด้วยผู้พูดมากกว่า 7,000 คน และมากกว่าหนึ่งล้านคำพูด ใช้สำหรับการประเมินการระบุตัวตนผู้พูด[1][20]

ช่องว่างทางเชื้อชาติในการรู้จำเสียงพูด รายงานระบุถึงการมีอยู่ของช่องว่างทางเชื้อชาติที่มีนัยสำคัญในเทคโนโลยีการรู้จำเสียงพูด[1]

การใช้เหตุผลเชิงสัญลักษณ์

งานความพอใจได้ของสูตรบูลีน (SAT) รายงานนำเสนอการวิเคราะห์ใหม่โดยใช้ค่า temporal Shapley ที่ช่วยให้สามารถระบุส่วนสนับสนุนของระบบแต่ละระบบต่อประสิทธิภาพโดยรวมได้ ผู้ชนะปี 2020 คือ Kissat ซึ่งแสดงค่า temporal Shapley สูงสุดในบรรดา solver ทั้งหมด (ยกเว้นปีแรก) ส่วนใหญ่เนื่องจากโครงสร้างข้อมูลและขั้นตอนวิธีที่มีประสิทธิภาพมากขึ้น[1][21]

การพิสูจน์ทฤษฎีบทอัตโนมัติ (ATP) การวิเคราะห์ไลบรารี TPTP (มากกว่า 23,000 งาน) แสดงให้เห็นการเติบโตอย่างต่อเนื่องของสัดส่วนงานที่แก้ได้ตั้งแต่ปี 1997 ถึง 2020 ความก้าวหน้าที่เห็นได้ชัดเกิดขึ้นในช่วงปี 2008–2013 และตั้งแต่ปี 2015 ความก้าวหน้ายังคงดำเนินต่อไปแต่ชะลอตัวลง การใช้ Machine Learning ที่เพิ่มขึ้น (ในระบบ MaLARea, Enigma) ถูกมองว่าเป็นปัจจัยปฏิวัติที่มีศักยภาพสำหรับ ATP[1][22]

การดูแลสุขภาพและชีววิทยา

การสังเคราะห์โมเลกุล โมเดล Machine Learning ถูกนำมาใช้สำหรับการเรียนรู้การแสดงแทนโมเลกุลทางเคมีเพื่อการวางแผนการสังเคราะห์ทางเคมีที่มีประสิทธิภาพมากขึ้น[1]

COVID-19 และการค้นพบยา สตาร์ทอัพ PostEra นำวิธีการ Machine Learning มาใช้เพื่อเร่งกระบวนการค้นพบยาที่เกี่ยวข้องกับ COVID-19 ภายใต้โครงการ COVID Moonshot[1][2]

AlphaFold และการพับตัวของโปรตีน ความก้าวหน้าของ DeepMind ในด้านการทำนายโครงสร้างโปรตีนเป็นหนึ่งในความสำเร็จที่สำคัญที่สุดของปี AlphaFold 2 ในการแข่งขัน CASP14 (2020) บรรลุค่ามัธยฐาน GDT_TS ที่เทียบเคียงได้กับวิธีเชิงทดลองสำหรับงานการสร้างแบบจำลองอิสระ ซึ่งเหนือกว่าผลลัพธ์ก่อนหน้าทั้งหมดอย่างมีนัยสำคัญ ซึ่งมีการประยุกต์ใช้ในวงกว้าง ตั้งแต่การทำความเข้าใจพื้นฐานเซลล์ของสิ่งมีชีวิตได้ดียิ่งขึ้นไปจนถึงการเร่งการพัฒนายา[1][23]

ความเห็นของผู้เชี่ยวชาญ

การสำรวจผู้เชี่ยวชาญด้าน AI ที่ดำเนินการโดย AI Index เปิดเผยข้อสรุปดังต่อไปนี้[1]:

  • ความสำเร็จที่น่าประทับใจที่สุดของปี 2020 ได้รับการยอมรับว่าคือ AlphaFold (DeepMind) และ GPT-3 (OpenAI) โดยนำหน้าอื่นๆ อย่างมาก
  • แนวโน้มหลักของปี 2021 คือการพัฒนาต่อไปของโมเดลที่ผ่านการฝึกล่วงหน้าและ fine-tuning สำหรับงานเฉพาะทาง
  • Percy Liang (สแตนฟอร์ด) สังเกตถึงการครองตลาดของสถาปัตยกรรม Transformer ซึ่งเดิมสร้างขึ้นสำหรับการแปลภาษาด้วยเครื่อง แต่กลายเป็นสถาปัตยกรรม Neural Network มาตรฐาน de facto

บทที่ 3. เศรษฐกิจ

บทนี้พิจารณาความสัมพันธ์ที่ใกล้ชิดมากขึ้นระหว่าง AI กับเศรษฐกิจโลกผ่านมุมมองของตลาดแรงงาน การลงทุน และกิจกรรมของบริษัท[1]

ตลาดแรงงาน

การจ้างงานผู้เชี่ยวชาญด้าน AI บราซิล อินเดีย แคนาดา สิงคโปร์ และแอฟริกาใต้แสดงให้เห็นการเติบโตสูงสุดในการจ้างงานผู้เชี่ยวชาญด้าน AI ในช่วงปี 2016 ถึง 2020 แม้จะมีการระบาด การจ้างงานยังคงเติบโตในทุกประเทศที่ศึกษาในปี 2020[1][24]

ความต้องการผู้เชี่ยวชาญด้าน AI ในสหรัฐอเมริกา จำนวนตำแหน่งงานในด้าน AI ในสหรัฐอเมริกาลดลงร้อยละ 8.2 จากปี 2019 ถึง 2020 (จาก 325,724 เป็น 300,999) นี่คือการลดลงครั้งแรกของส่วนแบ่งตำแหน่งงาน AI ในรอบหกปี[1][25]

การแทรกซึมของทักษะ AI ในบรรดาประเทศที่ศึกษา อินเดียมีดัชนีการแทรกซึมของทักษะ AI สัมพัทธ์สูงสุด (2.83 เทียบกับระดับเฉลี่ยโลก) รองลงมาคือสหรัฐอเมริกา (1.99) จีน (1.40) เยอรมนี (1.27) และแคนาดา (1.13) ตามภาคส่วน อินเดียนำในห้าภาคส่วนชั้นนำทั้งหมด ได้แก่ การศึกษา การเงิน ฮาร์ดแวร์และเครือข่าย การผลิต ซอฟต์แวร์และบริการไอที[1][24]

การลงทุน

การลงทุนขององค์กร มูลค่ารวมของการลงทุนทั่วโลกใน AI (การลงทุนภาคเอกชน IPO การควบรวมและซื้อกิจการ การถือหุ้นรายย่อย) เพิ่มขึ้นร้อยละ 40 ในปี 2020 เทียบกับปี 2019 ถึงระดับ 67,900 ล้านดอลลาร์ การควบรวมและซื้อกิจการเป็นส่วนหลัก เพิ่มขึ้นร้อยละ 121.7 ในบรรดาธุรกรรมขนาดใหญ่ ได้แก่ การที่ NVIDIA เข้าซื้อ Mellanox Technologies และ Capgemini เข้าซื้อ Altran Technologies[1][3]

สตาร์ทอัพ ปริมาณการลงทุนภาคเอกชนใน AI ยังคงเพิ่มขึ้น แต่กระจุกตัวอยู่ในสตาร์ทอัพจำนวนน้อยลง ในปี 2020 การลงทุนภาคเอกชนเพิ่มขึ้นร้อยละ 9.3 (มากกว่า 40,000 ล้านดอลลาร์เป็นสถิติ) แต่จำนวนบริษัทที่ได้รับการระดมทุนลดลงเป็นปีที่สามติดต่อกัน[1][3]

สาขาที่มุ่งเน้น สาขา "ยา มะเร็ง โมเลกุล การค้นพบยา" ได้รับเงินลงทุนภาคเอกชนสูงสุด มากกว่า 13,800 ล้านดอลลาร์ ซึ่งสูงกว่าตัวเลขปี 2019 ถึง 4.5 เท่า[1]

กิจกรรมของบริษัท

การนำ AI มาใช้ (ข้อมูลจาก McKinsey) แม้จะมีการชะลอตัวทางเศรษฐกิจที่เกิดจากการระบาด แต่ผู้ตอบแบบสอบถาม McKinsey ครึ่งหนึ่งระบุว่าโคโรนาไวรัสไม่ได้ส่งผลกระทบต่อการลงทุนด้าน AI ของพวกเขา และร้อยละ 27 จริงๆ แล้วเพิ่มการลงทุน มีน้อยกว่าหนึ่งในสี่ของบริษัทที่ลดการลงทุน[1][26]

ความเสี่ยงด้านจริยธรรม แม้จะมีการเรียกร้องมากขึ้นให้แก้ไขปัญหาด้านจริยธรรมที่เกี่ยวข้องกับการใช้ AI แต่ความพยายามในภาคอุตสาหกรรมยังคงจำกัด ประเด็นต่างๆ เช่น ความยุติธรรมและความเท่าเทียมใน AI ได้รับความสนใจค่อนข้างน้อยจากบริษัท มีบริษัทน้อยลงในปี 2020 ที่มองว่าความเสี่ยงด้านความเป็นส่วนตัวเป็นประเด็นสำคัญเมื่อเทียบกับปี 2019[1][26]

หุ่นยนต์อุตสาหกรรม บทนี้รวมข้อมูลจากสหพันธ์หุ่นยนต์นานาชาติ (IFR) เกี่ยวกับแนวโน้มการติดตั้งหุ่นยนต์อุตสาหกรรมทั่วโลกและการเปรียบเทียบตามภูมิภาค[1][27]

การกล่าวถึง AI ในรายงานผลกำไร การวิเคราะห์ข้อมูลแสดงให้เห็นการเพิ่มขึ้นของการกล่าวถึง AI ในรายงานผลกำไรของบริษัท[1]

บทที่ 4. การศึกษาด้าน AI

บทนี้พิจารณาแนวโน้มการพัฒนาบุคลากรผ่านมุมมองของสถาบันอุดมศึกษาและแพลตฟอร์มการศึกษาต่างๆ[1]

การศึกษาระดับอุดมศึกษา

หลักสูตร การสำรวจ AI Index ปี 2020 แสดงให้เห็นว่ามหาวิทยาลัยชั้นนำของโลกเพิ่มการลงทุนในการศึกษาด้าน AI ในช่วงสี่ปีที่ผ่านมา จำนวนหลักสูตรระดับปริญญาตรีที่สอนทักษะการสร้างและการนำโมเดล AI ไปใช้งานเพิ่มขึ้นร้อยละ 102.9 (จาก 102 ในปี 2016–17 เป็น 207 ในปี 2019–20) และในระดับบัณฑิตศึกษา เพิ่มขึ้นร้อยละ 41.7 (จาก 151 เป็น 214) จำนวนนักศึกษาที่ลงทะเบียนหรือพยายามลงทะเบียนในหลักสูตรเบื้องต้นด้าน AI และ ML เพิ่มขึ้นเกือบร้อยละ 60 ในช่วงสี่ปีการศึกษา[1]

ใน EU การเติบโตของจำนวนผู้ลงทะเบียนในหลักสูตรเบื้องต้นอยู่ที่ร้อยละ 165 ในขณะที่ในสหรัฐอเมริกาพบการลดลงในปีการศึกษาสุดท้าย ส่วนหนึ่งเนื่องจากการระบาดและการเปลี่ยนแปลงโครงสร้างในการจัดหลักสูตร[1]

ระดับบัณฑิตศึกษา ในช่วง 10 ปีที่ผ่านมา สัดส่วนของปริญญาเอกด้าน AI ในบรรดาปริญญาเอกทั้งหมดด้านวิทยาการคอมพิวเตอร์ในสหรัฐอเมริกาเพิ่มขึ้นจากร้อยละ 14.2 เป็นประมาณร้อยละ 23 ในปี 2019 ขณะเดียวกัน ความเชี่ยวชาญยอดนิยมอื่นๆ ก่อนหน้านี้ (เทคโนโลยีเครือข่าย วิศวกรรมซอฟต์แวร์ ภาษาโปรแกรม) สูญเสียความนิยม[1][4]

การย้ายของอาจารย์ไปสู่ภาคอุตสาหกรรม หลังจากการเติบโตสองปี จำนวนการย้ายของอาจารย์ด้าน AI จากมหาวิทยาลัยสู่ภาคอุตสาหกรรมในอเมริกาเหนือลดลงจาก 42 คนในปี 2018 เป็น 33 คนในปี 2019 Carnegie Mellon มีจำนวนการย้ายสูงสุดในช่วงปี 2004–2019 (16 คน) รองลงมาคือ Georgia Tech (14 คน) และมหาวิทยาลัยวอชิงตัน (12 คน)[1]

นักศึกษาปริญญาเอกต่างชาติ สัดส่วนนักศึกษาต่างชาติในบรรดานักศึกษาปริญญาเอกด้าน AI รายใหม่ถึงร้อยละ 64.3 ในปี 2019 ในจำนวนนั้น ร้อยละ 81.8 อยู่ในสหรัฐอเมริกา[1][4]

การศึกษาใน EU ใน EU ข้อเสนอทางวิชาการเฉพาะทางด้าน AI ส่วนใหญ่สอนในระดับบัณฑิตศึกษา หุ่นยนต์และระบบอัตโนมัติเป็นหลักสูตรที่สอนบ่อยที่สุดในโปรแกรมปริญญาตรีและบัณฑิตศึกษาเฉพาะทาง ในขณะที่ Machine Learning ครองตำแหน่งในหลักสูตรเฉพาะทางระยะสั้น[1][28]

บทที่ 5. ความท้าทายด้านจริยธรรมของการประยุกต์ใช้ AI

บทนี้พิจารณาความพยายามในการแก้ไขปัญหาด้านจริยธรรมที่เกิดขึ้นจากการพัฒนา AI[1]

หลักการและกรอบแนวคิด AI

ระหว่างปี 2015 ถึง 2020 มีการตีพิมพ์เอกสาร 117 ฉบับที่อุทิศให้กับหลักการ AI บริษัทเอกชนตีพิมพ์เอกสารดังกล่าวมากที่สุดในบรรดาองค์กรทุกประเภท ยุโรปและเอเชียกลางนำในด้านจำนวนสิ่งพิมพ์ (52 ฉบับ) รองลงมาคืออเมริกาเหนือ (41 ฉบับ) และเอเชียตะวันออกและแปซิฟิก (14 ฉบับ) จุดสูงสุดของกิจกรรมการตีพิมพ์อยู่ในปี 2018 โดยเฉพาะอย่างยิ่งจากบริษัทเทคโนโลยีอย่าง IBM, Google, Facebook และหน่วยงานของรัฐของสหราชอาณาจักร EU และออสเตรเลีย[1][29]

นักวิจารณ์ชี้ให้เห็นว่าการตีพิมพ์หลักการด้านจริยธรรมมักไม่มีกรอบสถาบันรองรับและเป็นสิ่งที่ไม่บังคับ ลักษณะที่คลุมเครือและเป็นนามธรรมของหลักการหลายข้อไม่ได้ให้คำแนะนำที่ชัดเจนเกี่ยวกับการดำเนินการ[1]

จริยธรรมในสื่อ

ห้าหัวข้อที่พูดถึงมากที่สุดในปี 2020 ที่เกี่ยวข้องกับการใช้ AI อย่างมีจริยธรรม ได้แก่ การตีพิมพ์เอกสารไวท์เปเปอร์ของคณะกรรมาธิการยุโรปเกี่ยวกับ AI การไล่ออกของนักวิจัยด้านจริยธรรม Timnit Gebru จาก Google คณะกรรมการจริยธรรม AI ของสหประชาชาติ แผนจริยธรรม AI ของวาติกัน และการออกจากธุรกิจการจดจำใบหน้าของ IBM[1]

จริยธรรมในการประชุมวิชาการ

จำนวนบทความที่มีคำหลักเกี่ยวกับจริยธรรมในชื่อเรื่องที่ส่งเข้าการประชุม AI เพิ่มขึ้นตั้งแต่ปี 2015 แม้ว่าจำนวนเฉลี่ยของชื่อเรื่องดังกล่าวในการประชุมสำคัญยังคงอยู่ในระดับต่ำ[1]

จริยธรรมในการศึกษา

ข้อมูลจากการสำรวจ AI Index แสดงให้เห็นว่าหลักสูตรจริยธรรม AI กลายเป็นเรื่องทั่วไปมากขึ้นในภาควิชาวิทยาการคอมพิวเตอร์ของมหาวิทยาลัยชั้นนำของโลก[1]

บทที่ 6. ความหลากหลายใน AI

บทนี้วิเคราะห์ความหลากหลายทางเพศ เชื้อชาติ ชาติพันธุ์ และการเป็นตัวแทนของกลุ่ม LGBTQ+ ในด้าน AI[1]

ความหลากหลายทางเพศ

ตามข้อมูลจาก CRA ผู้หญิงคิดเป็นเพียงร้อยละ 16 ของอาจารย์ประจำด้านวิทยาการคอมพิวเตอร์ในมหาวิทยาลัยชั้นนำหลายแห่งของโลก[1][4]

ความหลากหลายทางเชื้อชาติและชาติพันธุ์

ในบรรดาผู้ที่ได้รับปริญญาเอกด้าน AI รายใหม่ในสหรัฐอเมริกาปี 2019: ร้อยละ 45 เป็นคนผิวขาว ร้อยละ 22.4 เป็นชาวเอเชีย ร้อยละ 3.2 เป็นชาวละติน ร้อยละ 2.4 เป็นชาวแอฟริกันอเมริกัน สัดส่วนของคนผิวขาว (ที่ไม่ใช่ฮิสแปนิก) ในบรรดาผู้ได้รับปริญญาเอกด้านวิทยาการคอมพิวเตอร์รายใหม่แทบไม่เปลี่ยนแปลงในช่วง 10 ปีที่ผ่านมา โดยเฉลี่ยอยู่ที่ร้อยละ 62.7[1][4]

องค์ประกอบทางเชื้อชาติของคณาจารย์ ในบรรดา 15 มหาวิทยาลัยที่ตอบคำถามเกี่ยวกับองค์ประกอบทางเชื้อชาติ: ร้อยละ 67.0 ของอาจารย์ประจำเป็นคนผิวขาว ร้อยละ 14.3 เป็นชาวเอเชีย ร้อยละ 0.8 เป็นชาวละติน ร้อยละ 0.6 เป็นคนผิวดำหรือชาวแอฟริกัน[1]

Black in AI องค์กร Black in AI ที่ก่อตั้งในปี 2017 โดย Timnit Gebru และ Rediet Abebe มีสมาชิกประมาณ 3,000 คนในปี 2020 การมีส่วนร่วมในการสัมมนา BAI ที่ NeurIPS เติบโตอย่างมีนัยสำคัญ โดยจำนวนผู้เข้าร่วมและบทความที่ส่งเข้ามาในปี 2019 สูงกว่าตัวเลขปี 2017 ถึง 2.6 เท่า[1]

อัตลักษณ์ทางเพศและรสนิยมทางเพศ

ตามข้อมูลจากการสำรวจ Queer in AI (QAI) ปี 2020 เกือบครึ่งหนึ่งของผู้ตอบแบบสอบถามพิจารณาว่าการขาดความครอบคลุมในด้าน AI เป็นอุปสรรคต่ออาชีพของพวกเขา สมาชิก QAI มากกว่าร้อยละ 40 รายงานว่าเผชิญกับการเลือกปฏิบัติหรือการล่วงละเมิดในที่ทำงานหรือสถาบันการศึกษา ร้อยละ 81.4 ระบุว่าการขาดบุคคลต้นแบบเป็นอุปสรรคหลัก[1][30]

บทที่ 7. นโยบายและยุทธศาสตร์แห่งชาติด้าน AI

บทนี้ครอบคลุมภูมิทัศน์การกำกับดูแล AI ในระดับท้องถิ่น ระดับชาติ และระดับนานาชาติ[1]

ยุทธศาสตร์แห่งชาติ

นับตั้งแต่ที่แคนาดาเผยแพร่ยุทธศาสตร์แห่งชาติด้าน AI ฉบับแรกของโลกในปี 2017 มีมากกว่า 30 ประเทศและภูมิภาคที่เผยแพร่เอกสารที่คล้ายกันภายในเดือนธันวาคม 2020 อีก 22 ประเทศอยู่ในกระบวนการพัฒนายุทธศาสตร์[1]

ปี ยุทธศาสตร์
2017 แคนาดา, จีน, ญี่ปุ่น, ฟินแลนด์, UAE
2018 EU, ฝรั่งเศส, เยอรมนี, เกาหลีใต้, สหราชอาณาจักร, อินเดีย, เม็กซิโก, ออสเตรเลีย และอื่นๆ
2019 สหรัฐอเมริกา (ฉบับปรับปรุง), รัสเซีย, เนเธอร์แลนด์, สาธารณรัฐเช็ก, สิงคโปร์ และอื่นๆ
2020 สเปน, บราซิล, โปแลนด์, ตุรกี และอื่นๆ

แคนาดา (2017): Pan-Canadian AI Strategy งบประมาณ 125 ล้าน CAD (97 ล้าน USD) เน้นการพัฒนาบุคลากรและแง่มุมด้านจริยธรรม[1]

จีน (2017): หนึ่งในยุทธศาสตร์ที่ครอบคลุมที่สุด ครอบคลุม НИОКР การศึกษา บรรทัดฐานด้านจริยธรรม และความมั่นคงแห่งชาติ เป้าหมาย: บรรลุระดับโลกภายในปี 2020 เป็นผู้นำโลกภายในปี 2025 และเป็นศูนย์กลางนวัตกรรมหลักภายในปี 2030[1]

EU (2018): Coordinated Plan on Artificial Intelligence อย่างน้อย 1,000 ล้าน EUR ต่อปีสำหรับการวิจัย AI และ 4,900 ล้าน EUR สำหรับด้านอื่นๆ ของยุทธศาสตร์[1]

ฝรั่งเศส (2018): AI for Humanity งบประมาณ 1,500 ล้าน EUR ถึงปี 2022 ภาคยุทธศาสตร์: การดูแลสุขภาพ สิ่งแวดล้อม การขนส่ง และการป้องกันประเทศ[1]

ความร่วมมือระหว่างประเทศ

การเปิดตัว Global Partnership on AI (GPAI) และ Observatory ด้านนโยบาย AI ของ OECD ในปี 2020 ส่งเสริมความพยายามระหว่างรัฐบาลในการสนับสนุนการพัฒนา AI[1][31][32]

การลงทุนภาครัฐของสหรัฐอเมริกา

งบประมาณของรัฐบาลกลาง รายงานวิเคราะห์ข้อมูลเกี่ยวกับงบประมาณของรัฐบาลกลางสหรัฐอเมริกาสำหรับงานวิจัยและพัฒนาด้าน AI ที่ไม่ใช่ทางทหาร[1]

งบประมาณกระทรวงกลาโหม รวมข้อมูลเกี่ยวกับคำของบประมาณของกระทรวงกลาโหมสหรัฐอเมริกาสำหรับ AI[1]

สัญญาของรัฐ การวิเคราะห์รายจ่ายสัญญารวมและการกระจายตามหน่วยงาน[1][6]

กิจกรรมทางกฎหมาย

รัฐสภาสหรัฐอเมริกา รัฐสภาชุดที่ 116 กลายเป็นรัฐสภาที่ให้ความสำคัญกับ AI มากที่สุดในประวัติศาสตร์ จำนวนการกล่าวถึง AI ในกฎหมาย รายงานคณะกรรมการ และรายงานของ Congressional Research Service (CRS) เพิ่มขึ้นมากกว่าสามเท่าเมื่อเทียบกับรัฐสภาชุดที่ 115[1][6]

ธนาคารกลาง รายงานรวมข้อมูลเกี่ยวกับการกล่าวถึง AI และ ML ในเอกสารของธนาคารกลาง[1]

วิธีการและแหล่งข้อมูล

รายงานอาศัยข้อมูลจากหลายแหล่ง[1]:

  • สิ่งพิมพ์: Elsevier/Scopus (งานวิจัยที่ผ่านการตรวจสอบโดยผู้เชี่ยวชาญ 70 ล้านชิ้น), Microsoft Academic Graph (MAG, สิ่งพิมพ์มากกว่า 225 ล้านชิ้น), arXiv, Nesta
  • Benchmark: Papers With Code, SuperGLUE, VQA, VCR, COCO, ImageNet, NIST FRVT, LibriSpeech, VoxCeleb, TPTP, CASP และอื่นๆ
  • ตลาดแรงงาน: LinkedIn Economic Graph, Burning Glass Technologies
  • การลงทุน: S&P Capital IQ (CapIQ), Crunchbase, NetBase Quid
  • กิจกรรมของบริษัท: McKinsey & Company (Global Survey on AI), International Federation of Robotics (IFR), Prattle (earnings calls)
  • การศึกษา: CRA Taulbee Survey, Joint Research Centre (European Commission), การสำรวจของ AI Index เอง (18 มหาวิทยาลัยจาก 9 ประเทศ)
  • จริยธรรม: AI Ethics Lab (บอสตัน) การวิเคราะห์สื่อ
  • ความหลากหลาย: CRA, Black in AI, Queer in AI
  • นโยบาย: Bloomberg Government, OECD AI Policy Observatory

ใน MAG แต่ละบทความถูกนับหนึ่งครั้ง เมื่อมีผู้เขียนหลายคนจากประเทศต่างๆ ผลงานจะถูกกระจายอย่างเท่าเทียมกันระหว่างภูมิภาคที่ไม่ซ้ำกัน[1][5]

คณะผู้เขียน

รายงานจัดทำภายใต้การนำของผู้อำนวยการร่วม Raymond Perrault (SRI International) และ Jack Clark (OECD/GPAI) ผู้จัดการวิจัยและบรรณาธิการบริหารคือ Daniel Zhang (มหาวิทยาลัยสแตนฟอร์ด) ในคณะกรรมการบริหารยังรวมถึง: Erik Brynjolfsson (สแตนฟอร์ด), John Etchemendy (สแตนฟอร์ด), Deep Ganguli (สแตนฟอร์ด), Barbara Grosz (ฮาร์วาร์ด), Terah Lyons (Partnership on AI), James Manyika (McKinsey Global Institute), Juan Carlos Niebles (สแตนฟอร์ด), Michael Sellitto (สแตนฟอร์ด), Yoav Shoham (สแตนฟอร์ด / AI21 Labs ผู้ก่อตั้ง-ผู้อำนวยการ)[1]

เครื่องมือและข้อมูลเปิด

รายงานมาพร้อมกับทรัพยากรต่อไปนี้[1]:

  • ข้อมูลดิบและกราฟิก: ข้อมูลสาธารณะและภาพความละเอียดสูงพร้อมใช้งานบน Google Drive
  • Global AI Vibrancy Tool: เครื่องมือการแสดงภาพเชิงโต้ตอบที่อัปเดตแล้ว ช่วยให้สามารถเปรียบเทียบได้มากถึง 26 ประเทศตาม 22 ตัวชี้วัด
  • สิ่งพิมพ์ "Measurement in AI Policy: Opportunities and Challenges" (ฤดูใบไม้ร่วง 2020): ภาพรวมของความท้าทายการวัดในนโยบาย AI

ลิงก์

เอกสารอ้างอิง

หมายเหตุ

  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_(TH)&oldid=7985"