The 2021 AI Index Report (TL)

From Systems analysis Wiki
Jump to navigation Jump to search

AI Index Report 2021 — ikaapat na taunang edisyon ng ulat na AI Index, inihanda ng Stanford Institute for Human-Centered Artificial Intelligence (Stanford HAI)[1]. Ang ulat ng 2021 ay malaki ang pagpapalawak ng dami ng datos kumpara sa mga nakaraang edisyon, sumasaklaw sa mas malawak na hanay ng mga panlabas na kasosyong organisasyon, at nagpapalim ng ugnayan sa Stanford HAI Institute. Sinusubaybayan, inoorganisa, ibinubuod, at isinasalarawan ng edisyon ang mga datos na may kaugnayan sa artificial intelligence, na nagbibigay ng layunin, maingat na na-verify, at pandaigdigang nakalap na impormasyon para sa mga gumagawa ng patakaran, mananaliksik, tagapamuno, mamamahayag, at sa pangkalahatang publiko. Sinasaklaw ng ulat ang panahong higit na itinakda ng pandemya ng COVID-19, na nakaapekto sa maraming aspeto ng pag-unlad ng AI — mula sa pagpapabilis ng pagbuo ng gamot hanggang sa paglipat ng mga kumperensya sa virtual na format.

Konteksto: Epekto ng COVID-19

Ang pandemya ng COVID-19 ay nagkaroon ng kapansin-pansin ngunit hindi pantay-pantay na epekto sa pag-unlad ng AI noong 2020[1]. Sa larangan ng teknikal na pagganap, ginamit ng AI startup na PostEra ang mga pamamaraan ng Machine Learning upang mapabilis ang pagtuklás ng mga gamot na may kaugnayan sa COVID-19[2]. Itinuturo ng kabanata sa ekonomiya na ang pagkuha ng mga espesyalista sa AI at pribadong pamumuhunan ay hindi malaki ang negatibong epekto ng pandemya — parehong tumaas ang dalawang sukatan noong 2020. Ang paglipat ng mga kumperensya sa virtual na format ay nagdulot ng malaking pagtaas sa bilang ng mga dumadalo: halos nag-doble ang bilang ng mga kalahok sa siyam na pangunahing kumperensya.

Estruktura ng Ulat

Ang ulat ng 2021 ay binubuo ng pitong tematikal na kabanata[1]:

  1. Research and Development - Pananaliksik at Pagpapaunlad — mga trend sa mga publikasyon, patent, kumperensya, at open source na software.
  2. Technical Performance - Teknikal na Pagganap — pag-unlad sa computer vision, natural language processing, pagkilala sa pananalita, pangangatuwiran, pangangalagang pangkalusugan, at biyolohiya.
  3. The Economy - Ekonomiya — merkado ng trabaho, pamumuhunan, at aktibidad ng korporasyon sa larangan ng AI.
  4. AI Education - Edukasyon sa AI — mga trend sa paghubog ng mga tauhan, mga kurso at programa.
  5. Ethical Challenges of AI Applications - Mga Etikal na Hamon ng mga Aplikasyon ng AI — mga prinsipyo, lipas sa media, etika sa mga kumperensya.
  6. Diversity in AI - Pagkakaiba-iba sa AI — pagkakaiba-iba sa kasarian, lahi, at etnisidad.
  7. AI Policy and National Strategies - Patakaran at Pambansang Estratehiya sa AI — batas, pakikipagtulungan sa pagitan ng mga pamahalaan, pamumuhunan ng estado.

Mga Pangunahing Konklusyon ng Ulat (Top 9)

Itinampok ng mga may-akda ng ulat ang siyam na pangunahing tesis para sa 2021[1]:

1. Mabilis na Paglago ng Pamumuhunan sa Pagbuo ng mga Gamot gamit ang AI

Ang direksyon ng "Drugs, Cancer, Molecular, Drug Discovery" ay nakatanggap ng pinakamalaking dami ng pribadong pamumuhunan sa AI noong 2020 — mahigit 13.8 bilyong dolyar ng Estados Unidos, na 4.5 beses na mas mataas kaysa sa datos ng 2019[1][3].

2. Patuloy na Paglipat ng mga Tauhan Patungo sa Industriya

Noong 2019, 65% ng mga nagtapos ng doktorado sa AI sa Hilagang Amerika ay pumili ng trabaho sa industriya — kumpara sa 44.4% noong 2010, na nagpapakita ng lumalagong papel ng industriya sa pag-unlad ng AI[1][4].

3. Mga Generative na Modelo — "Generative Everything"

Natuto ang mga sistema ng AI na mag-generate ng teksto, audio, at mga larawan sa ganoong antas ng kalidad na nahihirapan na ang mga tao na makilala ang mga synthetic na output mula sa mga tunay sa ilang limitadong aplikasyon ng teknolohiya[1].

4. Suliranin ng Pagkakaiba-iba sa AI

Sa mga bagong residente — mga may hawak ng PhD sa AI sa Estados Unidos noong 2019 — 45% ay puti, 2.4% ay Aprikano-Amerikano, at 3.2% ay Latino[1][4].

5. Nalampasan ng Tsina ang Estados Unidos sa Bilang ng Sipi ng mga Artikulo sa Journal tungkol sa AI

Matapos na malampasan ang Estados Unidos sa kabuuang bilang ng mga publikasyon sa journal tungkol sa AI ilang taon na ang nakalipas, sa 2020 ay unang nanguna rin ang Tsina sa bilang ng mga sipi ng mga artikulo sa journal. Gayunpaman, patuloy at malaki ang inaabot ng Estados Unidos sa Tsina sa bilang ng mga artikulo sa kumperensya tungkol sa AI (na mas madalas ding sinipi) sa nakaraang dekada[1][5].

6. Karamihan sa mga Mag-aaral sa Doktorado sa AI sa Estados Unidos ay mga Dayuhan, at Nananatili Sila

Patuloy na tumaas ang bahagi ng mga dayuhang estudyante sa mga bagong mag-aaral sa doktorado sa AI sa Hilagang Amerika noong 2019, umabot sa 64.3% — pagtaas ng 4.3 puntos ng porsyento kumpara sa 2018. Sa mga dayuhang nagtapos, 81.8% ang nanatili sa Estados Unidos at 8.6% ang nagtrabaho sa labas ng Estados Unidos[1][4].

7. Mga Teknolohiya sa Pagmamasid — Mabilis, Mura, at Laganap

Mabilis na umuunlad ang mga teknolohiya na kinakailangan para sa malawakang pagmamasid: nagpakita ng malaking pag-unlad noong 2020 ang mga pamamaraan ng pag-uuri ng imahe, pagkilala sa mukha, pagsusuri ng video, at pagkilala sa boses[1].

8. Ang Etika ng AI ay Walang Benchmark at Konsensus

Kahit naglalabas ang ilang organisasyon ng mga kalidad at normatibong dokumento sa larangan ng etika ng AI, sa kabuuan ay walang mga benchmark sa larangang ito na magagamit upang sukatin o suriin ang ugnayan sa pagitan ng pampublikong talakayan tungkol sa pag-unlad ng teknolohiya at ng proseso mismo ng pagpapaunlad[1].

9. Nakuha ng AI ang Pansin ng Kongreso ng Estados Unidos

Naging pinaka-nakatuon sa AI ang ika-116 na Kongreso sa buong kasaysayan nito: ang bilang ng mga pagbanggit ng AI sa mga talaan nito ay mahigit tatlong beses na mas mataas kaysa sa ika-115 na Kongreso[1][6].

Kabanata 1. Pananaliksik at Pagpapaunlad

Sinusuri ng kabanata ang mga trend sa mga publikasyon (peer-reviewed, journal, kumperensya, patent), sa aktibidad sa arXiv, sa mga kumperensya, at sa open source na software[1].

Mga Peer-Reviewed na Publikasyon

Ang kabuuang bilang ng mga peer-reviewed na publikasyon sa AI ay halos 12 beses na tumaas sa pagitan ng 2000 at 2019. Ang bahagi ng mga publikasyon sa AI sa lahat ng peer-reviewed na publikasyon sa buong mundo ay tumaas mula 0.82% noong 2000 hanggang 3.8% noong 2019[1][7].

Pamamahagi ayon sa rehiyon. Ang Silangang Asya at Pasipikong Rehiyon ay nagtataglay ng pinakamalaking bahagi ng mga peer-reviewed na publikasyon sa AI mula 2004 (36.9% noong 2019), kasunod ang Europa at Gitnang Asya (25.1%) at Hilagang Amerika (17.0%). Sa pagitan ng 2009 at 2019, ang Timog Asya at Africa sa timog ng Sahara ay nagpakita ng pinakamalaking paglago — walong beses at pitong beses ayon sa pagkakasunod[1][5].

Paghahambing ayon sa heograpikong zona. Noong 2019, nanguna ang Tsina sa bahagi ng mga peer-reviewed na publikasyon sa AI sa mundo (22.4%), nalampasan ang EU (16.4%) noong 2017. Ikatlo ang Estados Unidos (14.6%). Nag-publish ang Tsina ng 3.5 beses na mas maraming peer-reviewed na artikulo sa AI noong 2019 kaysa noong 2014[1][7].

Institusyonal na afiliyasyon. Sa bawat pangunahing rehiyon, ang pinakamalaking bahagi ng mga peer-reviewed na publikasyon ay nagmumula sa mga institusyong akademiko. Gayunpaman, nagkakaiba ang ikalawang pinakamahalagang pinagkukunan: sa Estados Unidos, ang pananaliksik ng korporasyon ay bumubuo ng 19.2% ng kabuuan, samantalang sa Tsina at EU, ang mga institusyon ng estado ang nasa ikalawang puwesto (15.6% at 17.2% ayon sa pagkakasunod)[1][7].

Akademiko-korporasyong pakikipagtulungan. Sa pagitan ng 2015 at 2019, ang Estados Unidos ay naglabas ng pinakamaraming magkasamang akademiko-korporasyong peer-reviewed na publikasyon sa AI — mahigit doble ng EU na nasa ikalawang puwesto, kasunod ang Tsina[1].

Mga Publikasyon sa Journal

Ang bilang ng mga publikasyon sa journal tungkol sa AI noong 2020 ay 5.4 beses na mas mataas kaysa noong 2000. Ang paglago ay 34.5% mula 2019 hanggang 2020 — mas mataas na porsyentong paglago kaysa mula 2018 hanggang 2019 (19.6%). Ang bahagi ng mga publikasyon sa journal tungkol sa AI sa lahat ng publikasyon sa journal sa buong mundo ay 2.2% noong 2020[1][5].

Mga sipi. Noong 2020, unang nalampasan ng Tsina (20.7%) ang Estados Unidos (19.8%) sa bahagi ng mga sipi ng mga artikulo sa journal tungkol sa AI sa buong mundo. Patuloy na bumababa ang kabuuang bahagi ng EU (11.0%)[1][5].

Mga Publikasyon sa Kumperensya

Ang bilang ng mga publikasyon sa kumperensya tungkol sa AI ay apat na beses na tumaas sa pagitan ng 2000 at 2019. Nalampasan ng Tsina ang Estados Unidos sa bahagi ng mga publikasyon sa kumperensya tungkol sa AI noong 2019[1][5].

Mga sipi. Hindi tulad ng mga publikasyon sa journal, napanatili ng Estados Unidos ang matatag at malaking pamumuno sa mga sipi ng mga artikulo sa kumperensya tungkol sa AI sa nakaraang dekada (40.1% noong 2020), malayo sa Tsina (11.8%) at EU (10.9%)[1][5].

Mga Publikasyon sa arXiv

Sa loob ng anim na taon, ang bilang ng mga publikasyon na may kaugnayan sa AI sa arXiv ay lumago ng mahigit anim na beses: mula 5,478 noong 2015 hanggang 34,736 noong 2020[1][8]. Sa mga larangan ng pananaliksik, ang pinakamataas na paglago sa 2015–2020 ay nagpakita ang robotics (cs.RO, 11 beses na pagtaas) at Machine Learning (cs.LG, 10 beses na pagtaas). Noong 2020, ang mga nanguna sa bilang ng mga publikasyon ay cs.LG (32.0%) at computer vision cs.CV (31.7%)[1].

Patuloy na nanguna ang Hilagang Amerika sa bahagi ng mga publikasyon sa arXiv (36.3% noong 2020), bagaman bumababa ang bahaging ito (mula 41.6% noong 2017). Matatag na tumaas ang bahagi ng Silangang Asya at Pasipikong Rehiyon: mula 17.3% noong 2015 hanggang 26.5% noong 2020[1].

Mga Patent

Ipinakita ng datos mula sa Microsoft Academic Graph ang matatag na paglago ng bilang ng mga patent na may kaugnayan sa AI sa loob ng dalawang dekada[1][5].

Deep Learning

Ginamit ng mga mananaliksik mula sa Nesta ang mga algorithm ng topic modeling upang matukoy ang mga publikasyon sa deep learning sa arXiv. Sa nakaraang limang taon, ang bilang ng mga publikasyon sa deep learning sa arXiv ay halos anim na beses na tumaas[1][9].

Mga Kumperensya

Noong 2020, karamihan sa mga pangunahing kumperensya sa AI ay ginanap sa virtual na format dahil sa COVID-19, na nagdulot ng mabilis na pagtaas ng bilang ng mga dumadalo. Halos nag-doble ang bilang ng mga kalahok sa siyam na kumperensya[1]. Sa mga pangunahing kumperensya: NeurIPS (22,011 kalahok), IROS (25,719 — virtual na format na may pinalawig na access sa loob ng tatlong buwan), ICML (10,800), CVPR (7,500). Sa mga mas maliit na kumperensya, nabanggit ang ICLR (5,600), ACL (3,972), AAMAS (3,726)[1].

Presensya ng korporasyon. Ipinakita ng pag-aaral na pinapalakas ng malalaking teknolohikal na kumpanya ang kanilang presensya sa mga nangungunang kumperensya sa AI. Lahat ng 10 pangunahing kumperensya ay nagpakita ng pataas na trend ng representasyon ng korporasyon. Itinuturo ng mga may-akda ng artikulong "The De-Democratization of AI" na ang hindi pantay na pamamahagi ng mga mapagkukunan sa pagkompiyuter sa pagitan ng akademya at industriya — ang tinatawag na "compute divide" — ay nagpapalala ng kawalan ng pagkakapantay-pantay sa panahon ng deep learning[10].

Open Source na Software

Ang TensorFlow (binuo ng Google, inilabas sa publiko noong 2017) ay nanatiling pinakasikat na open source na AI library sa GitHub (153 libong bituin noong 2020). Ang ikalawang pinakasikat na library ay Keras (51 libong bituin), ang ikatlo — PyTorch ng Facebook (46 libong bituin). Sa kabilang mga library, kapansin-pansin ang Scikit-learn (45 libo), BVLC/Caffe (31 libo), MXNet (19 libo), at CNTK (17 libo)[1][11].

Kabanata 2. Teknikal na Pagganap

Sinasaklaw ng kabanata ang pag-unlad sa computer vision (mga larawan at video), natural language processing, pangangatuwiran tungkol sa wika at bisyon, pagkilala sa pananalita, simbolikong pangangatuwiran, pati na rin ang pangangalagang pangkalusugan at biyolohiya[1].

Computer Vision — Mga Larawan

ImageNet. Nakaranas ang computer vision ng napakalaking pag-unlad sa nakaraang dekada. Nagsimulang mag-leveling ang pagganap sa ilang pangunahing benchmark, na nagpapahiwatig ng pangangailangan para sa mas kumplikadong mga pagsubok. Nagtatampok ang ulat ng datos sa Top-1 at Top-5 na katumpakan sa ImageNet, pati na rin ang oras at gastos ng pagsasanay[1][12].

Mga bagong mahirap na pagsubok. Habang bumabagal ang pag-unlad sa karaniwang ImageNet, nagtatampok ang ulat ng mas kumplikadong mga benchmark: ImageNet-Adversarial (naglalaman ng mga natural na nakakapaligtas na salik at sistematikong maling na-classify na mga larawan), ImageNet-C (75 uri ng visual na pagbaluktot: pagbabago ng liwanag, kontrasto, pixelization, mga epekto ng hamog), at ImageNet-Rendition (30,000 ilustrasyon ng 200 klase ng ImageNet na sumusubok ng generalization)[1].

Pagbuo ng mga larawan. Sinusukat ang pag-unlad gamit ang Fréchet Inception Distance (FID) sa dataset ng STL-10 — noong 2020 ang pinakamabuting resulta ay 25.4 (mas mababa, mas mabuti). Ang mga halimbawa ng kalidad ng pagbuo ng mukha ay nagpapakita ng mabilis na pag-unlad ng GAN: noong 2018 ang pagganap ay umabot sa antas kung saan nahihirapan na ang mga tao na matukoy ang peke[1][13].

Pagtuklas ng mga deepfake. Ipinakita ng Deepfake Detection Challenge (DFDC), na nilikha ng Facebook noong Setyembre 2019, ang pagbaba ng log loss ng humigit-kumulang 0.5 sa panahon mula Disyembre 2019 hanggang Marso 2020, hanggang sa halagang 0.19[1][14].

Pagtatasa ng postura ng tao. Sa benchmark na COCO Keypoint Detection, ang katumpakan ng mga algorithm ay bumuti ng humigit-kumulang 33% sa loob ng apat na taon, umabot sa 80.8% average precision (AP)[1].

Semantic segmentation. Patuloy ang pag-unlad sa benchmark na Cityscapes at iba pang mga gawain sa segmentation[1].

Computer Vision — Video

ActivityNet. Nagpakita ang benchmark para sa pagkilala ng aksyon ng karagdagang pagpapabuti ng mga algorithm sa mga gawain ng temporal na lokalisasyon ng aksyon[1].

YOLO (You Only Look Once). Mabilis na umuunlad ang mga sistema ng pagtuklas ng object para sa pagsusuri ng mga frame mula sa mga video stream, na nagpapahiwatig ng pagpapalawak ng mga posibilidad para sa pag-deploy ng AI[1].

Pagkilala sa Mukha (NIST FRVT). Isinasama ng ulat ang datos mula sa National Institute of Standards and Technology (NIST) sa pagsubok ng mga sistema ng pagkilala sa mukha. Mabilis na umuunlad ang mga teknolohiya para sa malawakang pagmamasid[1][15].

Natural Language Processing (NLP)

SuperGLUE. Ang mabilis na pag-unlad sa NLP ay nagdulot sa mga sistema ng AI na magsimulang maabot ang antas ng tao sa benchmark na SuperGLUE, na binuo bilang tugon sa katotohanang ang naunang benchmark na GLUE ay nalagpasan nang napakabilis. Ang pag-unlad sa NLP ay nangunguna sa mga sukatan para sa pagtatasa nito[1][16].

SQuAD. Ang benchmark na Stanford Question Answering Dataset ay nagpakita rin ng matatag na paglago ng pagganap ng mga modelo[1].

Komersyal na machine translation. Ang bilang ng mga magagamit sa komersyo na independyenteng cloud system ng machine translation na may mga pre-trained na modelo ay tumaas mula 8 noong 2017 hanggang 28 noong 2020[1][17].

GPT-3. Noong Hulyo 2020, ipinakita ng OpenAI ang GPT-3 — ang pinakamalaking kilalang dense na language model noon na may 175 bilyong parameter, na sinanay sa 570 GB ng teksto. Para sa paghahambing: ang nauunang GPT-2 ay mahigit 100 beses na mas maliit (1.5 bilyong parameter). Ang sukat ay nagdulot ng kamangha-manghang pag-uugali: kaya ng GPT-3 na magsagawa ng mga gawain na hindi siya tahasang sinanay, na may zero o kaunting bilang ng mga halimbawa ng pagsasanay (zero-shot at few-shot learning). Sa pag-average sa 42 benchmark ng katumpakan: zero-shot — 42.6%, one-shot — 51.0%, few-shot — 57.4%[1][18].

Kahit kahanga-hanga ang mga kakayahan ng GPT-3, mayroon itong malalaking kahinaan: maaari itong mag-generate ng rasista, seksista, at iba pang mapagkiling na teksto, lumikha ng mga maling pahayag na hindi tumpak sa katotohanan, at napakamamahaling sanayin. Ang mga pananaliksik sa pamamahala at "pagpapatnubay" ng ganitong mga output ay nasa simula pa lamang, ngunit promising[1][18].

Pangangatuwiran tungkol sa Wika at Bisyon

VQA. Sa benchmark na Visual Question Answering, ang katumpakan ay tumaas ng halos 40% mula nang ito ay likhain noong 2015, umabot sa 76.4% noong 2020 (ang baseline ng tao ay 80.8%)[1][19].

VCR. Sa gawain ng Visual Commonsense Reasoning (na nangangailangan ng pagbibigay-katwiran sa sagot), ang pinakamahusay na makina ay nagpabuti ng resulta ng Q→AR mula 44 noong 2018 hanggang 70.5 noong 2020 (paglago ng 60.2%), habang ang antas ng tao ay 85[1].

Pagkilala sa Pananalita

LibriSpeech. Patuloy ang pag-unlad sa awtomatikong pagkilala sa pananalita, higit sa lahat salamat sa kakayahang umangkop at predictive na kapangyarihan ng mga deep neural network[1].

VoxCeleb. Isang dataset na binubuo ng mga maikling clip ng pagsasalita ng tao, kinuha mula sa mga video interview sa YouTube, na naglalaman ng mahigit 7,000 tagapagsalita at mahigit isang milyong pahayag. Ginagamit para sa pagtatasa ng pagkilala sa nagtatanong[1][20].

Pagkakaiba ng lahi sa pagkilala sa pananalita. Itinuturo ng ulat ang pagkakaroon ng malaking pagkakaiba-iba ng lahi sa mga teknolohiya ng pagkilala sa pananalita[1].

Simbolikong Pangangatuwiran

Gawain ng satisfiability ng boolean formula (SAT). Nagtatampok ang ulat ng bagong pagsusuri gamit ang temporal na halaga ng Shapley, na nagbibigay-daan na maiugnay ang kontribusyon ng mga indibidwal na sistema sa kabuuang pagganap. Ang nanalo noong 2020 — Kissat — ay nagpakita ng pinakamataas na temporal na halaga ng Shapley sa lahat ng solver (maliban sa unang taon), pangunahin dahil sa mas mahusay na mga istruktura ng datos at mga algorithm[1][21].

Automated Theorem Proving (ATP). Ang pagsusuri ng TPTP library (mahigit 23,000 gawain) ay nagpapakita ng tuluy-tuloy na paglago ng bahagi ng mga nalulutas na gawain mula 1997 hanggang 2020. Kapansin-pansing pag-unlad ang naobserbahan sa 2008–2013, at mula 2015 ay nagpatuloy ang pag-unlad ngunit bumagal. Ang lumalagong paggamit ng Machine Learning (sa mga sistema ng MaLARea, Enigma) ay itinuturing na isang potensyal na rebolusyonaryong salik para sa ATP[1][22].

Pangangalagang Pangkalusugan at Biyolohiya

Molecular synthesis. Ang mga modelo ng Machine Learning ay ginagamit para sa pagsasanay ng mga representasyon ng mga kemikal na molekula upang mas maepektibong mapaplano ang kemikal na synthesis[1].

COVID-19 at pagtuklás ng gamot. Gumamit ang startup na PostEra ng mga pamamaraan ng Machine Learning upang mapabilis ang proseso ng pagtuklás ng mga gamot na may kaugnayan sa COVID-19, sa loob ng proyektong COVID Moonshot[1][2].

AlphaFold at protein folding. Ang breakthrough ng DeepMind sa larangan ng hula ng istruktura ng protina ay naging isa sa pinakamahalagang tagumpay ng taon. Sa kompetisyon ng CASP14 (2020), nakamit ng AlphaFold 2 ang median na sukatan ng GDT_TS na maihahambing sa mga eksperimental na pamamaraan para sa mga gawain ng free modeling, na lubos na nalampasan ang lahat ng nakaraang resulta. Ito ay may malawak na hanay ng mga aplikasyon — mula sa mas malalim na pag-unawa sa mga cellular na pundasyon ng buhay hanggang sa pagpapabilis ng pagbuo ng gamot[1][23].

Opinyon ng mga Eksperto

Natuklasan ng survey ng mga eksperto sa AI na isinagawa ng AI Index ang mga sumusunod na konklusyon[1]:

  • Ang AlphaFold (DeepMind) at GPT-3 (OpenAI) ay kinikilala bilang pinaka-kahanga-hangang mga tagumpay ng 2020 — nangunguna nang malayo sa iba.
  • Ang pangunahing trend ng 2021 ay ang karagdagang pag-unlad ng mga pre-trained na modelo at ang kanilang fine-tuning para sa mga espesipikong gawain.
  • Itinuturo ni Percy Liang (Stanford) ang dominasyon ng arkitektura ng Transformers, na orihinal na nilikha para sa machine translation ngunit naging de facto na karaniwang arkitektura ng neural network.

Kabanata 3. Ekonomiya

Sinusuri ng kabanata ang lalong mahigpit na ugnayan sa pagitan ng AI at pandaigdigang ekonomiya sa pamamagitan ng prizma ng merkado ng trabaho, pamumuhunan, at aktibidad ng korporasyon[1].

Merkado ng Trabaho

Pagkuha ng mga espesyalista sa AI. Ang Brazil, India, Canada, Singapore, at South Africa ay nagpakita ng pinakamalaking paglago ng pagkuha ng mga espesyalista sa AI sa panahon mula 2016 hanggang 2020. Kabaligtaran ng pandemya, patuloy na lumakas ang pagkuha sa lahat ng napagaralang bansa noong 2020[1][24].

Demand para sa mga espesyalista sa AI sa Estados Unidos. Ang bilang ng mga bakanteng posisyon sa larangan ng AI sa Estados Unidos ay bumaba ng 8.2% mula 2019 hanggang 2020 (mula 325,724 hanggang 300,999). Ito ang unang pagbaba ng bahagi ng mga bakanteng posisyon sa AI sa loob ng anim na taon[1][25].

Paglaganap ng mga kasanayan sa AI. Sa mga napagaralang bansa, ang India ay may pinakamataas na relatibong sukatan ng paglaganap ng mga kasanayan sa AI (2.83 mula sa pandaigdigang antas), kasunod ang Estados Unidos (1.99), Tsina (1.40), Alemanya (1.27), at Canada (1.13). Ayon sa sektor, nangunguna ang India sa lahat ng limang nangungunang sektor: edukasyon, pananalapi, hardware at mga network, pagmamanupaktura, software at serbisyong IT[1][24].

Mga Pamumuhunan

Mga pamumuhunan ng korporasyon. Ang kabuuang dami ng pandaigdigang pamumuhunan sa AI (pribadong pamumuhunan, IPO, mga merger at acquisition, minority na bahagi) ay tumaas ng 40% noong 2020 kumpara sa 2019, umabot sa 67.9 bilyong dolyar. Ang mga merger at acquisition ay bumubuo ng pangunahing bahagi, tumaas ng 121.7%. Sa mga malalaking transaksyon — ang pagkuha ng NVIDIA sa Mellanox Technologies at ng Capgemini sa Altran Technologies[1][3].

Mga startup. Patuloy na lumalaki ang dami ng pribadong pamumuhunan sa AI, ngunit nakakonsentra ito sa mas kaunting bilang ng mga startup. Noong 2020, ang pribadong pamumuhunan ay tumaas ng 9.3% (rekord na 40+ bilyong dolyar), gayunpaman ang bilang ng mga kumpanyang pinondohan ay bumaba sa ikatlong magkakasunod na taon[1][3].

Mga pokus na larangan. Ang direksyon ng "Drugs, Cancer, Molecular, Drug Discovery" ay nakatanggap ng pinakamalaking dami ng pribadong pamumuhunan — mahigit 13.8 bilyong dolyar, na 4.5 beses na mas mataas kaysa sa datos ng 2019[1].

Aktibidad ng Korporasyon

Pag-adopt ng AI (datos ng McKinsey). Kahit ang pang-ekonomiyang pagbagsak na dulot ng pandemya, kalahati ng mga respondente ng survey ng McKinsey ang nagsabing ang coronavirus ay hindi nakaapekto sa kanilang pamumuhunan sa AI, at 27% ang talagang nagpataas ng kanilang mga pamumuhunan. Mas kaunti sa isang-kapat ng mga kumpanya ang nagbawas ng pamumuhunan[1][26].

Mga etikal na panganib. Kahit ang lumalagong mga panawagan para sa pagtugon sa mga etikal na isyu na nauugnay sa paggamit ng AI, ang mga pagsisikap sa industriya ay nananatiling limitado. Ang mga isyung tulad ng katarungan at pagkakapantay-pantay sa AI ay medyo kaunti ang pansin mula sa mga kumpanya. Mas kaunting kumpanya noong 2020 ang itinuturing na may kaugnayan ang mga panganib na may kaugnayan sa privacy kumpara sa 2019[1][26].

Mga pang-industriyang robot. Isinasama ng kabanata ang datos ng International Federation of Robotics (IFR) tungkol sa mga pandaigdigang trend ng pag-install ng mga pang-industriyang robot at mga paghahambing sa rehiyon[1][27].

Mga pagbanggit ng AI sa mga ulat ng kita. Ipinakita ng pagsusuri ng datos ang paglago ng bilang ng mga pagbanggit ng AI sa mga ulat ng kita ng mga korporasyon[1].

Kabanata 4. Edukasyon sa AI

Sinusuri ng kabanata ang mga trend sa paghubog ng mga tauhan sa pamamagitan ng prizma ng mga institusyong pangmataas na edukasyon at iba't ibang plataporma ng edukasyon[1].

Mataas na Edukasyon

Mga kurso. Ipinakita ng survey ng AI Index noong 2020 na ang mga nangungunang unibersidad sa buong mundo ay nagpataas ng pamumuhunan sa edukasyon sa larangan ng AI sa nakaraang apat na taon. Ang bilang ng mga kurso sa antas ng undergraduate na nagtuturo ng mga praktikal na kasanayan sa pagbuo at pag-deploy ng mga modelo ng AI ay tumaas ng 102.9% (mula 102 noong 2016–17 hanggang 207 noong 2019–20), at sa antas ng graduate — ng 41.7% (mula 151 hanggang 214). Ang bilang ng mga estudyanteng nag-enroll o nagtangkang mag-enroll sa mga panimulang kurso sa AI at ML ay tumaas ng halos 60% sa loob ng apat na taon ng pag-aaral[1].

Sa EU, ang paglago ng bilang ng mga nag-enroll sa mga panimulang kurso ay 165%, samantalang sa Estados Unidos ay naobserbahan ang pagbaba sa huling taon ng pag-aaral, na bahagyang dulot ng pandemya at mga istrukturang pagbabago sa alok ng mga kurso[1].

Doktorado. Sa nakaraang 10 taon, ang bahagi ng mga PhD sa AI sa lahat ng PhD sa computer science sa Estados Unidos ay tumaas mula 14.2% hanggang humigit-kumulang 23% noong 2019. Kasabay nito, ang iba pang dati ay sikat na espesyalisasyon (teknolohiya ng network, software engineering, mga wika sa pagprograma) ay nawawalan ng popularidad[1][4].

Paglipat ng mga guro sa industriya. Matapos ang dalawang taon ng paglago, ang bilang ng mga paglipat ng mga guro sa AI mula sa mga unibersidad patungo sa industriya sa Hilagang Amerika ay bumaba mula 42 noong 2018 hanggang 33 noong 2019. Ang Carnegie Mellon ay nagkaroon ng pinakamaraming paglipat sa 2004–2019 (16), kasunod ng Georgia Tech (14) at University of Washington (12)[1].

Mga dayuhang mag-aaral sa doktorado. Ang bahagi ng mga dayuhang estudyante sa mga bagong mag-aaral sa doktorado sa AI ay umabot sa 64.3% noong 2019. Sa kanila, 81.8% ang nanatili sa Estados Unidos[1][4].

Edukasyon sa EU. Sa EU, ang napakaraming espesyalisadong akademikong alok sa AI ay itinataturo sa antas ng master; ang robotics at automation — ang pinaka-madalas na itinataturo na kurso sa espesyalisadong undergraduate at master na programa, samantalang ang Machine Learning ay nangingibabaw sa mga maikling espesyalisadong kurso[1][28].

Kabanata 5. Mga Etikal na Hamon ng mga Aplikasyon ng AI

Sinusuri ng kabanata ang mga pagsisikap sa pagtugon sa mga etikal na suliranin na lumilitaw sa pag-unlad ng AI[1].

Mga Prinsipyo at Framework ng AI

Sa pagitan ng 2015 at 2020, 117 na dokumento ang inilathala na nakatuon sa mga prinsipyo ng AI. Ang mga pribadong kumpanya ay naglabas ng pinakamaraming ganitong dokumento sa lahat ng uri ng organisasyon. Nangunguna ang Europa at Gitnang Asya sa bilang ng mga publikasyon (52), kasunod — Hilagang Amerika (41) at Silangang Asya at Pasipikong Rehiyon (14). Ang rurok ng aktibidad sa publikasyon ay nagtapos noong 2018, lalo na mula sa mga teknolohikal na kumpanya — IBM, Google, Facebook — at mga istruktura ng estado ng United Kingdom, EU, at Australia[1][29].

Itinuturo ng mga kritiko na ang paglalathala ng mga etikal na prinsipyo ay madalas na hindi sinasamahan ng mga institusyonal na balangkas at ay opsyonal. Ang malabo at abstract na katangian ng maraming prinsipyo ay hindi nagbibigay ng malinaw na mga tagubilin para sa kanilang pagpapatupad[1].

Etika sa Midya

Ang limang pinaka-tinalakay na paksa noong 2020 na may kaugnayan sa etikal na paggamit ng AI: ang paglalathala ng White Paper ng European Commission sa AI, ang pagpapaalis ng Google sa mananaliksik sa etika na si Timnit Gebru, ang komite ng UN sa etika ng AI, ang plano ng Vatican sa etika ng AI, at ang pag-alis ng IBM sa negosyo ng pagkilala sa mukha[1].

Etika sa mga Kumperensya

Ang bilang ng mga papel na may mga keyword na may kaugnayan sa etika sa mga pamagat, na isinumite sa mga kumperensya sa AI, ay tumaas mula 2015, bagaman ang average na bilang ng ganitong mga pamagat sa mga pangunahing kumperensya ay nananatiling mababa[1].

Etika sa Edukasyon

Ipinakita ng datos ng survey ng AI Index na ang mga kurso sa etika ng AI ay nagiging mas laganap sa mga departamento ng computer science ng mga nangungunang unibersidad sa buong mundo[1].

Kabanata 6. Pagkakaiba-iba sa AI

Sinusuri ng kabanata ang pagkakaiba-iba ng kasarian, lahi, etnisidad, at representasyon ng LGBTQ+ sa larangan ng AI[1].

Pagkakaiba-iba ng Kasarian

Ayon sa datos ng CRA, ang mga babae ay bumubuo lamang ng 16% ng mga regular na guro sa computer science sa ilang nangungunang unibersidad sa buong mundo[1][4].

Pagkakaiba-iba ng Lahi at Etnisidad

Sa mga bagong residente — mga may hawak ng PhD sa AI sa Estados Unidos noong 2019: 45% — puti, 22.4% — Asyano, 3.2% — Latino, 2.4% — Aprikano-Amerikano. Ang bahagi ng mga puting (hindi Hispanik) sa mga bagong PhD sa computer science ay halos hindi nagbago sa nakaraang 10 taon, na average na 62.7%[1][4].

Komposisyon ng lahi ng propesyurat. Sa 15 unibersidad na sumagot sa tanong tungkol sa komposisyon ng lahi: 67.0% ng mga regular na guro — puti, 14.3% — Asyano, 0.8% — Latino, 0.6% — itim o Aprikano[1].

Black in AI. Ang organisasyong Black in AI, na itinatag noong 2017 ni Timnit Gebru at Rediet Abebe, ay nagtatampok ng humigit-kumulang 3,000 miyembro noong 2020. Ang pakikilahok sa mga seminar ng BAI sa NeurIPS ay malaki ang pagtaas: ang bilang ng mga kalahok at mga isinumiteng papel noong 2019 ay 2.6 beses na mas mataas kaysa sa mga datos ng 2017[1].

Pagkakakilanlan ng Kasarian at Sekswal na Oryentasyon

Ayon sa datos ng survey ng Queer in AI (QAI) noong 2020, halos kalahati ng mga respondente ay itinuturing na ang kakulangan ng inklusibidad sa larangan ng AI ay hadlang sa kanilang karera. Mahigit 40% ng mga miyembro ng QAI ay nag-ulat ng diskriminasyon o pang-aabuso sa trabaho o pag-aaral. Tinawag ng 81.4% ang kawalan ng mga role model bilang pangunahing hadlang[1][30].

Kabanata 7. Patakaran at Pambansang Estratehiya sa AI

Sinasaklaw ng kabanata ang tanawin ng regulasyon ng AI sa lokal, pambansa, at internasyonal na antas[1].

Mga Pambansang Estratehiya

Mula nang inilathala ng Canada ang unang pambansang estratehiya sa AI sa buong mundo noong 2017, mahigit 30 bansa at rehiyon ang naglathala ng katulad na mga dokumento noong Disyembre 2020. Ang isa pang 22 bansa ay nasa proseso pa ng pagbuo ng mga estratehiya[1].

Taon Mga Estratehiya
2017 Canada, Tsina, Hapon, Finland, UAE
2018 EU, Pransya, Alemanya, South Korea, United Kingdom, India, Mexico, Australia at iba pa
2019 Estados Unidos (na-update), Russia, Netherlands, Czech Republic, Singapore at iba pa
2020 Espanya, Brazil, Poland, Turkey at iba pa

Canada (2017): Pan-Canadian AI Strategy, badyet na 125 milyong CAD (97 milyong USD), diin sa paghubog ng mga tauhan at mga etikal na aspeto[1].

Tsina (2017): isa sa pinaka-komprehensibong estratehiya, sumasaklaw sa pananaliksik at pagpapaunlad, edukasyon, mga etikal na pamantayan, at pambansang seguridad. Mga layunin: maabot ang pandaigdigang antas sa 2020, maging lider sa mundo sa 2025, pangunahing sentro ng inobasyon sa 2030[1].

EU (2018): Coordinated Plan on Artificial Intelligence, minimum na 1 bilyong EUR bawat taon para sa pananaliksik sa AI at 4.9 bilyong EUR para sa iba pang aspeto ng estratehiya[1].

Pransya (2018): AI for Humanity, badyet na 1.5 bilyong EUR hanggang 2022, mga estratehikong sektor: pangangalagang pangkalusugan, kapaligiran, transportasyon, at depensa[1].

Internasyonal na Pakikipagtulungan

Ang paglulunsad ng Global Partnership on AI (GPAI) at ng Observatory sa Patakaran sa AI sa OECD noong 2020 ay nagpalakas ng mga pagsisikap sa pagitan ng mga pamahalaan upang suportahan ang pag-unlad ng AI[1][31][32].

Pamumuhunan ng Estado ng Estados Unidos

Pederal na badyet. Sinusuri ng ulat ang datos tungkol sa pederal na badyet ng Estados Unidos para sa hindi-militar na pananaliksik at pagpapaunlad sa larangan ng AI[1].

Badyet ng Kagawaran ng Depensa. Isinasama ang datos tungkol sa hiniling na badyet ng Kagawaran ng Depensa ng Estados Unidos para sa AI[1].

Mga kontrata ng estado. Pagsusuri ng kabuuang gastos sa mga kontrata at ang pamamahagi nito ayon sa mga ahensya[1][6].

Aktibidad sa Batas

Kongreso ng Estados Unidos. Ang ika-116 na Kongreso ay naging pinaka-nakatuon sa AI sa buong kasaysayan nito. Ang bilang ng mga pagbanggit ng AI sa mga batas, mga ulat ng komite, at mga ulat ng Congressional Research Service (CRS) ay mahigit tatlong beses na mas mataas kaysa sa ika-115 na Kongreso[1][6].

Mga sentral na bangko. Isinasama ng ulat ang datos tungkol sa mga pagbanggit ng AI at ML sa mga materyales ng mga sentral na bangko[1].

Metodolohiya at Mga Pinagkukunan ng Datos

Nakabase ang ulat sa datos mula sa maraming pinagkukunan[1]:

  • Mga Publikasyon: Elsevier/Scopus (70 milyong peer-reviewed na pananaliksik), Microsoft Academic Graph (MAG, 225+ milyong publikasyon), arXiv, Nesta.
  • Mga Benchmark: Papers With Code, SuperGLUE, VQA, VCR, COCO, ImageNet, NIST FRVT, LibriSpeech, VoxCeleb, TPTP, CASP at iba pa.
  • Merkado ng Trabaho: LinkedIn Economic Graph, Burning Glass Technologies.
  • Mga Pamumuhunan: S&P Capital IQ (CapIQ), Crunchbase, NetBase Quid.
  • Aktibidad ng Korporasyon: McKinsey & Company (Global Survey on AI), International Federation of Robotics (IFR), Prattle (earnings calls).
  • Edukasyon: CRA Taulbee Survey, Joint Research Centre (European Commission), sariling survey ng AI Index (18 unibersidad mula sa 9 bansa).
  • Etika: AI Ethics Lab (Boston), pagsusuri sa midya.
  • Pagkakaiba-iba: CRA, Black in AI, Queer in AI.
  • Patakaran: Bloomberg Government, OECD AI Policy Observatory.

Sa MAG, ang bawat artikulo ay binibilang nang isang beses; kung may ilang may-akda mula sa iba't ibang bansa, ang kredito ay pantay na namamahagi sa mga natatanging rehiyon[1][5].

Pangkat ng mga May-Akda

Inihanda ang ulat sa ilalim ng pamumuno ng mga co-director na Raymond Perrault (SRI International) at Jack Clark (OECD/GPAI). Ang tagapamahala ng pananaliksik at punong editor ay Daniel Zhang (Stanford University). Kabilang din sa steering committee: Eric Brynjolfsson (Stanford), John Etchemendy (Stanford), Deep Ganguli (Stanford), Barbara Grosz (Harvard), Terah Lyons (Partnership on AI), James Manyika (McKinsey Global Institute), Juan Carlos Niebles (Stanford), Michael Sellitto (Stanford), Yoav Shoham (Stanford / AI21 Labs, founding director)[1].

Mga Kasangkapan at Bukas na Datos

Sinasamahan ang ulat ng mga sumusunod na mapagkukunan[1]:

  • Hilaw na datos at mga grapiko: Ang mga pampublikong datos at mga larawang may mataas na resolusyon ay available sa Google Drive.
  • Global AI Vibrancy Tool: Isang na-update na kasangkapan ng interactive na visualization na nagbibigay-daan sa paghahambing ng hanggang 26 bansa ayon sa 22 indicator.
  • Publikasyong "Measurement in AI Policy: Opportunities and Challenges" (taglagas 2020): isang pangkalahatang-ideya ng mga suliranin sa pagsukat sa patakaran sa AI.

Mga Sanggunian

Talasanggunian

Mga Tala

  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_(TL)&oldid=7986"