The 2021 AI Index Report (UR)

From Systems analysis Wiki
Jump to navigation Jump to search

AI Index Report 2021 — AI Index کی چوتھی سالانہ اشاعت ہے، جسے اسٹینفورڈ انسٹی ٹیوٹ فار ہیومن سینٹرڈ آرٹیفیشل انٹیلی جنس (Stanford HAI) نے تیار کیا ہے[1]۔ 2021 کی رپورٹ پچھلی اشاعتوں کے مقابلے میں ڈیٹا کے حجم میں نمایاں اضافہ کرتی ہے، بیرونی شراکت دار تنظیموں کے وسیع تر دائرے کو شامل کرتی ہے اور اسٹینفورڈ HAI کے ساتھ روابط کو مضبوط کرتی ہے۔ یہ اشاعت مصنوعی ذہانت سے متعلق ڈیٹا کو ٹریک، منظم، یکجا اور بصری شکل میں پیش کرتی ہے، اور پالیسی سازوں، محققین، سربراہانِ ادارہ، صحافیوں اور عام عوام کے لیے معروضی، باریک بینی سے تصدیق شدہ اور عالمی سطح پر جمع کردہ معلومات فراہم کرتی ہے۔ رپورٹ اس دور کا احاطہ کرتی ہے جو بڑی حد تک COVID-19 وبا سے متعین ہوا، جس نے AI کی ترقی کے متعدد پہلوؤں کو متاثر کیا — دواؤں کی دریافت کو تیز کرنے سے لے کر کانفرنسوں کو ورچوئل فارمیٹ میں منتقل کرنے تک۔

COVID-19 کا اثر: پس منظر

COVID-19 وبا نے 2020 میں AI کی ترقی پر نمایاں مگر پیچیدہ اثر ڈالا[1]۔ تکنیکی کارکردگی کے شعبے میں AI اسٹارٹ اپ PostEra نے COVID-19 سے متعلق دواؤں کی دریافت کو تیز کرنے کے لیے Machine Learning کے طریقے استعمال کیے[2]۔ معیشت کا باب اس بات کی نشاندہی کرتا ہے کہ AI ماہرین کی بھرتی اور نجی سرمایہ کاری پر وبا کا کوئی خاص منفی اثر نہیں پڑا — دونوں اشاریے 2020 میں بڑھتے رہے۔ کانفرنسوں کے ورچوئل فارمیٹ میں منتقل ہونے سے شرکت میں نمایاں اچھال آیا: نو بڑی کانفرنسوں میں شرکاء کی تعداد تقریباً دوگنی ہو گئی۔

رپورٹ کی ساخت

2021 کی رپورٹ سات موضوعاتی ابواب پر مشتمل ہے[1]:

  1. تحقیق اور ترقی (Research and Development) — اشاعتوں، پیٹنٹس، کانفرنسوں اور اوپن سورس سافٹ ویئر میں رجحانات۔
  2. تکنیکی کارکردگی (Technical Performance) — کمپیوٹر وژن، قدرتی زبان کی پروسیسنگ، تقریر کی شناخت، استدلال، صحت کی دیکھ بھال اور حیاتیات میں پیشرفت۔
  3. معیشت (The Economy) — لیبر مارکیٹ، سرمایہ کاری اور AI کے شعبے میں کارپوریٹ سرگرمی۔
  4. AI تعلیم (AI Education) — افرادی قوت کی تیاری، کورسز اور پروگراموں میں رجحانات۔
  5. AI ایپلیکیشنز کے اخلاقی چیلنجز (Ethical Challenges of AI Applications) — اصول، میڈیا کوریج، کانفرنسوں میں اخلاقیات۔
  6. AI میں تنوع (Diversity in AI) — صنفی، نسلی اور لسانی تنوع۔
  7. AI پالیسی اور قومی حکمت عملیاں (AI Policy and National Strategies) — قانون سازی، بین الحکومتی تعاون، سرکاری سرمایہ کاری۔

رپورٹ کے اہم نتائج (Top 9)

رپورٹ کے مصنفین نے 2021 کے نو اہم نکات کو نمایاں کیا ہے[1]:

1. AI ادویات کی تیاری میں سرمایہ کاری میں تیز اضافہ

"ادویات، کینسر، مالیکیول، دوا کی دریافت" (Drugs, Cancer, Molecular, Drug Discovery) کے شعبے نے 2020 میں AI میں سب سے زیادہ نجی سرمایہ کاری حاصل کی — 13.8 ارب ڈالر سے زیادہ، جو 2019 کے مقابلے میں 4.5 گنا زیادہ ہے[1][3]۔

2. افرادی قوت کا صنعت کی طرف مسلسل رجحان

2019 میں شمالی امریکہ میں AI کے پوسٹ گریجویٹ فارغ التحصیل طلبا میں سے 65% نے صنعت میں کام کرنا پسند کیا — 2010 میں 44.4% کے مقابلے میں — جو AI کی ترقی میں صنعت کے بڑھتے ہوئے کردار کو اجاگر کرتا ہے[1][4]۔

3. Generative ماڈلز — "سب کچھ Generative"

AI سسٹمز نے متن، آڈیو اور تصاویر اس معیار پر پیدا کرنا سیکھ لیا ہے کہ ٹیکنالوجی کی بعض محدود ایپلیکیشنز میں لوگوں کے لیے مصنوعی آؤٹ پٹ کو اصلی سے الگ کرنا مشکل ہو جاتا ہے[1]۔

4. AI میں تنوع کا مسئلہ

2019 میں امریکہ میں AI میں نئے PhD حاصل کرنے والوں میں 45% سفید فام، 2.4% افریقی امریکی اور 3.2% لاطینی نژاد تھے[1][4]۔

5. AI جرنل مضامین کے حوالہ جات میں چین نے امریکہ کو پیچھے چھوڑ دیا

کچھ سال قبل AI کی مجموعی جرنل اشاعتوں میں امریکہ سے آگے نکلنے کے بعد، چین نے 2020 میں پہلی بار جرنل مضامین کے حوالہ جات میں بھی سبقت حاصل کر لی۔ تاہم امریکہ گزشتہ دہائی کے دوران AI کانفرنس مضامین کی تعداد (جن کا حوالہ بھی زیادہ دیا جاتا ہے) میں چین سے مستقل اور نمایاں طور پر آگے ہے[1][5]۔

6. امریکہ میں AI کے زیادہ تر پوسٹ گریجویٹ طلبا غیر ملکی ہیں اور وہ یہیں رہتے ہیں

شمالی امریکہ میں AI کے نئے پوسٹ گریجویٹ طلبا میں غیر ملکی طلبا کا حصہ 2019 میں بڑھتا رہا اور 64.3% تک پہنچ گیا — 2018 کے مقابلے میں 4.3 فیصدی پوائنٹس کا اضافہ۔ غیر ملکی فارغ التحصیل طلبا میں 81.8% امریکہ میں رہے اور 8.6% نے امریکہ سے باہر ملازمت اختیار کی[1][4]۔

7. نگرانی کی ٹیکنالوجیاں — تیز، سستی اور ہر جگہ موجود

بڑے پیمانے پر نگرانی کے لیے درکار ٹیکنالوجیاں تیزی سے بہتر ہو رہی ہیں: تصویر کی درجہ بندی، چہرے کی شناخت، ویڈیو تجزیہ اور آواز کی شناخت کے طریقوں نے 2020 میں نمایاں پیشرفت دکھائی[1]۔

8. AI اخلاقیات کے پاس کوئی benchmark اور اتفاق رائے نہیں

باوجود اس کے کہ بعض تنظیمیں AI اخلاقیات کے شعبے میں معیاری اور ضابطہ ساز دستاویزات شائع کرتی ہیں، اس شعبے میں مجموعی طور پر ایسے benchmark موجود نہیں جن سے ٹیکنالوجی کی ترقی پر عوامی بحث اور خود ترقی کے عمل کے درمیان تعلق کو ناپا یا پرکھا جا سکے[1]۔

9. AI نے امریکی کانگریس کی توجہ حاصل کر لی

116ویں کانگریس تاریخ میں سب سے زیادہ AI پر توجہ دینے والی کانگریس بنی: اس کے پروٹوکولز میں AI کے تذکروں کی تعداد 115ویں کانگریس کے مقابلے میں تین گنا سے زیادہ رہی[1][6]۔

باب 1۔ تحقیق اور ترقی

یہ باب اشاعتوں (ہم عصر جائزہ شدہ، جرنل، کانفرنس، پیٹنٹ)، arXiv پر سرگرمی، کانفرنسوں اور اوپن سورس سافٹ ویئر میں رجحانات کا تجزیہ کرتا ہے[1]۔

ہم عصر جائزہ شدہ اشاعتیں

AI کے ہم عصر جائزہ شدہ مضامین کی مجموعی تعداد 2000 اور 2019 کے درمیان تقریباً 12 گنا بڑھ گئی۔ دنیا کی تمام ہم عصر جائزہ شدہ اشاعتوں میں AI کا حصہ 2000 میں 0.82% سے بڑھ کر 2019 میں 3.8% ہو گیا[1][7]۔

علاقائی تقسیم۔ مشرقی ایشیا اور بحرالکاہل کا خطہ 2004 سے AI کے ہم عصر جائزہ شدہ مضامین میں سب سے زیادہ حصہ (2019 میں 36.9%) رکھتا ہے، اس کے بعد یورپ اور وسطی ایشیا (25.1%) اور شمالی امریکہ (17.0%) آتے ہیں۔ 2009 اور 2019 کے درمیان جنوبی ایشیا اور صحارا کے جنوب میں افریقہ نے سب سے زیادہ ترقی دکھائی — بالترتیب آٹھ اور سات گنا[1][5]۔

جغرافیائی زونز کا موازنہ۔ 2019 تک چین نے دنیا کے AI ہم عصر جائزہ شدہ مضامین میں پہلا مقام حاصل کر لیا (22.4%)، اور 2017 میں یورپی یونین (16.4%) کو پیچھے چھوڑ دیا۔ امریکہ تیسرے مقام پر ہے (14.6%)۔ چین نے 2019 میں 2014 کے مقابلے میں 3.5 گنا زیادہ AI ہم عصر جائزہ شدہ مضامین شائع کیے[1][7]۔

ادارہ جاتی وابستگی۔ ہر بڑے خطے میں ہم عصر جائزہ شدہ اشاعتوں کا سب سے زیادہ حصہ علمی اداروں کا ہے۔ تاہم دوسرے اہم ذرائع مختلف ہیں: امریکہ میں کارپوریٹ تحقیق کل کا 19.2% بنتی ہے، جبکہ چین اور یورپی یونین میں دوسرے مقام پر سرکاری ادارے ہیں (بالترتیب 15.6% اور 17.2%)[1][7]۔

علمی-کارپوریٹ تعاون۔ 2015 اور 2019 کے درمیان امریکہ نے AI کی سب سے زیادہ مشترکہ علمی-کارپوریٹ ہم عصر جائزہ شدہ اشاعتیں تیار کیں — دوسرے نمبر پر آنے والی یورپی یونین سے دوگنے سے بھی زیادہ، جس کے بعد چین آتا ہے[1]۔

جرنل اشاعتیں

2020 میں AI کے جرنل مضامین کی تعداد 2000 کے مقابلے میں 5.4 گنا زیادہ تھی۔ 2019 سے 2020 تک اضافہ 34.5% رہا — 2018 سے 2019 (19.6%) کے مقابلے میں نمایاں طور پر زیادہ۔ 2020 میں دنیا کی تمام جرنل اشاعتوں میں AI کا حصہ 2.2% رہا[1][5]۔

حوالہ جات۔ 2020 میں چین (20.7%) نے پہلی بار دنیا میں AI جرنل مضامین کے حوالہ جات میں امریکہ (19.8%) کو پیچھے چھوڑ دیا۔ یورپی یونین کا مجموعی حصہ (11.0%) مسلسل کم ہوتا رہا[1][5]۔

کانفرنس اشاعتیں

2000 اور 2019 کے درمیان AI کانفرنس مضامین کی تعداد چار گنا بڑھ گئی۔ چین نے 2019 میں AI کانفرنس اشاعتوں میں امریکہ کو پیچھے چھوڑ دیا[1][5]۔

حوالہ جات۔ جرنل اشاعتوں کے برعکس، امریکہ نے گزشتہ دہائی کے دوران AI کانفرنس مضامین کے حوالہ جات میں مستقل اور نمایاں برتری برقرار رکھی (2020 میں 40.1%)، چین (11.8%) اور یورپی یونین (10.9%) سے بہت آگے[1][5]۔

arXiv پر اشاعتیں

چھ سالوں میں arXiv پر AI سے متعلق اشاعتوں کی تعداد چھ گنا سے زیادہ بڑھ گئی: 2015 میں 5,478 سے 2020 میں 34,736 تک[1][8]۔ تحقیقی شعبوں میں 2015–2020 کے دوران روبوٹکس (cs.RO، 11 گنا اضافہ) اور Machine Learning (cs.LG، 10 گنا اضافہ) نے سب سے زیادہ ترقی دکھائی۔ 2020 میں اشاعتوں کی تعداد میں cs.LG (32.0%) اور کمپیوٹر وژن cs.CV (31.7%) سرفہرست رہے[1]۔

شمالی امریکہ arXiv اشاعتوں میں سرفہرست رہا (2020 میں 36.3%)، تاہم یہ حصہ کم ہو رہا تھا (2017 میں 41.6% سے)۔ مشرقی ایشیا اور بحرالکاہل کا حصہ مسلسل بڑھتا رہا: 2015 میں 17.3% سے 2020 میں 26.5% تک[1]۔

پیٹنٹس

Microsoft Academic Graph کے ڈیٹا سے دو دہائیوں کے دوران AI سے متعلق پیٹنٹس میں مستقل اضافہ ظاہر ہوتا ہے[1][5]۔

Deep Learning

Nesta کے محققین نے arXiv پر Deep Learning کی اشاعتوں کی شناخت کے لیے موضوعاتی ماڈلنگ کے الگورتھم استعمال کیے۔ گزشتہ پانچ سالوں میں arXiv پر Deep Learning کی اشاعتوں کی تعداد تقریباً چھ گنا بڑھ گئی[1][9]۔

کانفرنسیں

2020 میں COVID-19 کی وجہ سے زیادہ تر بڑی AI کانفرنسیں ورچوئل فارمیٹ میں منعقد ہوئیں، جس سے شرکت میں تیز اضافہ ہوا۔ نو کانفرنسوں میں شرکاء کی تعداد تقریباً دوگنی ہو گئی[1]۔ بڑی کانفرنسوں میں: NeurIPS (22,011 شرکاء)، IROS (25,719 — تین ماہ تک توسیعی رسائی کے ساتھ ورچوئل فارمیٹ)، ICML (10,800)، CVPR (7,500)۔ چھوٹی کانفرنسوں میں ICLR (5,600)، ACL (3,972)، AAMAS (3,726) شامل ہیں[1]۔

کارپوریٹ موجودگی۔ تحقیق سے پتہ چلتا ہے کہ بڑی ٹیکنالوجی کمپنیاں AI کی اہم کانفرنسوں میں اپنی موجودگی بڑھا رہی ہیں۔ تمام 10 بڑی کانفرنسوں میں کارپوریٹ نمائندگی کا صعودی رجحان دیکھا گیا۔ "The De-Democratization of AI" مقالے کے مصنفین اشارہ کرتے ہیں کہ علمی اداروں اور صنعت کے درمیان کمپیوٹنگ وسائل کی غیر مساوی تقسیم — جسے "compute divide" کہا جاتا ہے — Deep Learning کے دور میں عدم مساوات کو بڑھاتی ہے[10]۔

اوپن سورس سافٹ ویئر

TensorFlow (جسے Google نے تیار کیا اور 2017 میں عوامی طور پر جاری کیا) GitHub پر سب سے مقبول اوپن سورس AI لائبریری رہی (2020 تک 153,000 ستارے)۔ دوسری مقبول ترین لائبریری Keras (51,000 ستارے) اور تیسری Facebook کی PyTorch (46,000 ستارے) رہی۔ دیگر لائبریریوں میں Scikit-learn (45,000)، BVLC/Caffe (31,000)، MXNet (19,000) اور CNTK (17,000) نمایاں ہیں[1][11]۔

باب 2۔ تکنیکی کارکردگی

یہ باب کمپیوٹر وژن (تصاویر اور ویڈیو)، قدرتی زبان کی پروسیسنگ، زبان اور وژن میں استدلال، تقریر کی شناخت، علامتی استدلال، نیز صحت کی دیکھ بھال اور حیاتیات میں پیشرفت کا احاطہ کرتا ہے[1]۔

کمپیوٹر وژن — تصاویر

ImageNet۔ کمپیوٹر وژن نے گزشتہ دہائی میں زبردست پیشرفت کی ہے۔ کئی بڑے benchmark پر کارکردگی ہموار ہونے لگی ہے، جو زیادہ پیچیدہ آزمائشوں کی تخلیق کی ضرورت کی نشاندہی کرتی ہے۔ رپورٹ ImageNet پر Top-1 اور Top-5 درستگی کے ساتھ ساتھ تربیت کے وقت اور لاگت کا ڈیٹا پیش کرتی ہے[1][12]۔

نئے پیچیدہ آزمائشیں۔ چونکہ معیاری ImageNet پر پیشرفت سست پڑ رہی ہے، رپورٹ زیادہ مشکل benchmark پیش کرتی ہے: ImageNet-Adversarial (قدرتی مشکل پیدا کرنے والے عوامل اور منظم طریقے سے غلط درجہ بند کی گئی تصاویر پر مشتمل)، ImageNet-C (75 قسم کی بصری مسخیں: چمک، تضاد، پکسلیشن، دھند کے اثرات میں تبدیلی) اور ImageNet-Rendition (ImageNet کی 200 کلاسز کی 30,000 مثالیں جو عمومیت کو جانچتی ہیں)[1]۔

تصویر سازی۔ پیشرفت کو STL-10 dataset پر Fréchet Inception Distance (FID) کے ذریعے ناپا جاتا ہے — 2020 تک بہترین نتیجہ 25.4 تھا (جتنا کم، اتنا بہتر)۔ چہروں کی تخلیق کے معیاری نمونے GAN کی تیز پیشرفت ظاہر کرتے ہیں: 2018 تک کارکردگی اس سطح تک پہنچ گئی جہاں لوگوں کے لیے جعلی کی نشاندہی کرنا مشکل ہو گیا[1][13]۔

Deepfake کا پتہ لگانا۔ Facebook کا بنایا ہوا Deepfake Detection Challenge (DFDC)، جو ستمبر 2019 میں شروع ہوا، نے دسمبر 2019 سے مارچ 2020 کے عرصے میں log loss میں تقریباً 0.5 کی کمی دکھائی، جو 0.19 تک پہنچی[1][14]۔

انسانی جسم کی پوز کا اندازہ۔ COCO Keypoint Detection benchmark پر الگورتھم کی درستگی چار سالوں میں تقریباً 33% بہتر ہوئی، اور اوسط درستگی (AP) 80.8% تک پہنچ گئی[1]۔

Semantic Segmentation۔ Cityscapes benchmark اور دیگر سیگمنٹیشن کاموں میں پیشرفت جاری رہی[1]۔

کمپیوٹر وژن — ویڈیو

ActivityNet۔ عمل کی شناخت کے لیے benchmark نے عارضی لوکلائزیشن کے کاموں میں الگورتھم کی مزید بہتری دکھائی[1]۔

YOLO (You Only Look Once)۔ ویڈیو اسٹریم کے فریموں کا تجزیہ کرنے کے لیے اشیاء کی شناخت کے سسٹم تیزی سے پختہ ہو رہے ہیں، جو AI کی تعیناتی کے وسیع تر مواقع کی نشاندہی کرتا ہے[1]۔

چہرے کی شناخت (NIST FRVT)۔ رپورٹ میں چہرے کی شناخت کے سسٹمز کی آزمائش پر قومی معیارات اور ٹیکنالوجی کے ادارے (NIST) کا ڈیٹا شامل ہے۔ بڑے پیمانے پر نگرانی کی ٹیکنالوجیاں تیزی سے ترقی کر رہی ہیں[1][15]۔

قدرتی زبان کی پروسیسنگ (NLP)

SuperGLUE۔ NLP میں تیز پیشرفت کی وجہ سے AI سسٹمز نے SuperGLUE benchmark پر انسانی سطح تک پہنچنا شروع کر دیا، جو اس ردعمل میں تیار کیا گیا تھا کہ پہلے کا GLUE benchmark بہت جلد عبور کر لیا گیا تھا۔ NLP میں پیشرفت اس کے اندازہ لگانے کی میٹرکس سے آگے نکل رہی ہے[1][16]۔

SQuAD۔ Stanford Question Answering Dataset benchmark نے بھی ماڈلز کی کارکردگی میں مستقل اضافہ دکھایا[1]۔

تجارتی مشین ترجمہ۔ پہلے سے تربیت یافتہ ماڈلز کے ساتھ تجارتی طور پر دستیاب آزاد کلاؤڈ مشین ترجمہ سسٹمز کی تعداد 2017 میں 8 سے بڑھ کر 2020 میں 28 ہو گئی[1][17]۔

GPT-3۔ جولائی 2020 میں OpenAI نے GPT-3 پیش کیا — اس وقت معلوم سب سے بڑا گھنا لینگویج ماڈل جس میں 175 ارب پیرامیٹرز ہیں، جسے 570 GB متن پر تربیت دی گئی۔ موازنے کے لیے: اس کا پیشرو GPT-2 سو گنا سے زیادہ چھوٹا تھا (1.5 ارب پیرامیٹرز)۔ پیمانے نے حیرت انگیز رویہ پیدا کیا: GPT-3 ان کاموں کو انجام دے سکتا ہے جن پر اسے صریح طور پر تربیت نہیں دی گئی، صفر یا کم از کم تربیتی مثالوں کے ساتھ (zero-shot اور few-shot learning)۔ 42 accuracy benchmark پر اوسط: zero-shot — 42.6%، one-shot — 51.0%، few-shot — 57.4%[1][18]۔

اپنی متاثر کن صلاحیتوں کے باوجود، GPT-3 کی سنگین خامیاں ہیں: یہ نسل پرستانہ، جنس پرستانہ اور دیگر متعصبانہ متن پیدا کر سکتا ہے، حقائق کے لحاظ سے غلط دعوے کر سکتا ہے، اور اسے تربیت دینا انتہائی مہنگا ہے۔ ایسے آؤٹ پٹ کو کنٹرول کرنے اور "درست سمت دینے" کی تحقیق ابتدائی مرحلے میں ہے، لیکن امید افزا ہے[1][18]۔

زبان اور وژن میں استدلال

VQA۔ Visual Question Answering benchmark پر درستگی 2015 میں اس کی تخلیق کے بعد سے تقریباً 40% بڑھ گئی، 2020 میں 76.4% تک پہنچی (انسانی بنیادی سطح — 80.8%)[1][19]۔

VCR۔ Visual Commonsense Reasoning کام (جس میں جواب کا جواز پیش کرنا ضروری ہے) پر بہترین مشین کا Q→AR نتیجہ 2018 میں 44 سے بڑھ کر 2020 میں 70.5 ہو گیا (60.2% اضافہ)، جبکہ انسانی سطح 85 ہے[1]۔

تقریر کی شناخت

LibriSpeech۔ خودکار تقریر کی شناخت میں پیشرفت جاری رہی، جو بڑی حد تک گہرے نیورل نیٹ ورکس کی لچک اور پیش گوئی کی طاقت کی وجہ سے ہے[1]۔

VoxCeleb۔ YouTube ویڈیو انٹرویوز سے نکالے گئے انسانی تقریر کے مختصر کلپس پر مشتمل dataset، جس میں 7,000 سے زیادہ مقررین اور دس لاکھ سے زیادہ اظہار شامل ہیں۔ بولنے والے کی شناخت کے لیے استعمال کیا جاتا ہے[1][20]۔

تقریر کی شناخت میں نسلی فرق۔ رپورٹ تقریر کی شناخت کی ٹیکنالوجیوں میں ایک اہم نسلی فرق کے وجود کو نوٹ کرتی ہے[1]۔

علامتی استدلال

بولین فارمولا ادائیگی کا مسئلہ (SAT)۔ رپورٹ ٹیمپورل شیپلی ویلیو (temporal Shapley value) کا استعمال کرتے ہوئے ایک نیا تجزیہ پیش کرتی ہے، جو مجموعی کارکردگی میں انفرادی سسٹمز کی شراکت کو منسوب کرنے کی اجازت دیتا ہے۔ 2020 کے فاتح Kissat نے تمام solvers میں سب سے زیادہ ٹیمپورل شیپلی ویلیو دکھائی (پہلے سال کے سوا)، بنیادی طور پر زیادہ موثر ڈیٹا ڈھانچوں اور الگورتھمز کی وجہ سے[1][21]۔

خودکار تھیوریم ثبوت (ATP)۔ TPTP لائبریری کا تجزیہ (23,000 سے زیادہ مسائل) 1997 سے 2020 تک حل کیے جانے والے مسائل کے حصے میں مستقل اضافہ ظاہر کرتا ہے۔ 2008–2013 میں نمایاں پیشرفت ہوئی، اور 2015 سے پیشرفت جاری ہے لیکن سست ہو گئی ہے۔ Machine Learning کا بڑھتا ہوا استعمال (MaLARea، Enigma سسٹمز میں) ATP کے لیے ایک ممکنہ انقلابی عنصر کے طور پر دیکھا جاتا ہے[1][22]۔

صحت کی دیکھ بھال اور حیاتیات

مالیکیولر ترکیب۔ Machine Learning ماڈلز کو زیادہ موثر کیمیائی ترکیب کی منصوبہ بندی کے لیے کیمیائی مالیکیولوں کی نمائندگی سیکھنے میں استعمال کیا جاتا ہے[1]۔

COVID-19 اور دوا کی دریافت۔ اسٹارٹ اپ PostEra نے COVID Moonshot پراجیکٹ کے تحت COVID-19 سے متعلق دواؤں کی دریافت کے عمل کو تیز کرنے کے لیے Machine Learning کے طریقے استعمال کیے[1][2]۔

AlphaFold اور پروٹین فولڈنگ۔ DeepMind کی پروٹین ڈھانچے کی پیش گوئی کے شعبے میں کامیابی سال کی سب سے اہم کامیابیوں میں سے ایک بنی۔ AlphaFold 2 نے CASP14 مقابلے (2020) میں آزاد ماڈلنگ کے کاموں کے لیے تجرباتی طریقوں سے موازنہ کرنے کا وسطی GDT_TS نتیجہ حاصل کیا، اور تمام پچھلے نتائج کو نمایاں طور پر پیچھے چھوڑ دیا۔ اس کے وسیع استعمالات ہیں — خلوی زندگی کی بنیادوں کو بہتر سمجھنے سے لے کر دواؤں کی تیاری کو تیز کرنے تک[1][23]۔

ماہرین کی رائے

AI Index کی جانب سے AI ماہرین کے سروے نے درج ذیل نتائج اخذ کیے[1]:

  • 2020 کی سب سے متاثر کن کامیابیوں میں AlphaFold (DeepMind) اور GPT-3 (OpenAI) کو باقی سب سے بہت آگے تسلیم کیا گیا۔
  • 2021 کا اہم رجحان — پہلے سے تربیت یافتہ ماڈلز کی مزید ترقی اور مخصوص کاموں کے لیے ان کی fine-tuning۔
  • Percy Liang (اسٹینفورڈ) نے Transformers آرکیٹیکچر کے غلبے کو نوٹ کیا، جو ابتدائی طور پر مشین ترجمے کے لیے بنائی گئی تھی لیکن نیورل نیٹ ورکس کی عملی معیاری آرکیٹیکچر بن گئی ہے۔

باب 3۔ معیشت

یہ باب لیبر مارکیٹ، سرمایہ کاری اور کارپوریٹ سرگرمی کے عینک سے AI اور عالمی معیشت کے درمیان بڑھتے ہوئے تعلق کا جائزہ لیتا ہے[1]۔

لیبر مارکیٹ

AI ماہرین کی بھرتی۔ برازیل، بھارت، کینیڈا، سنگاپور اور جنوبی افریقہ نے 2016 سے 2020 کے دوران AI ماہرین کی بھرتی میں سب سے زیادہ اضافہ دکھایا۔ وبا کے باوجود، 2020 میں تمام مطالعہ کیے گئے ممالک میں بھرتی بڑھتی رہی[1][24]۔

امریکہ میں AI ماہرین کی طلب۔ امریکہ میں AI کے شعبے میں آسامیوں کی تعداد 2019 سے 2020 تک 8.2% کم ہوئی (325,724 سے 300,999 تک)۔ یہ چھ سالوں میں AI آسامیوں کے حصے میں پہلی کمی ہے[1][25]۔

AI مہارتوں کا پھیلاؤ۔ مطالعہ کیے گئے ممالک میں بھارت کا AI مہارتوں کے پھیلاؤ کا سب سے زیادہ نسبی اشاریہ ہے (عالمی اوسط کا 2.83)، اس کے بعد امریکہ (1.99)، چین (1.40)، جرمنی (1.27) اور کینیڈا (1.13) آتے ہیں۔ صنعتوں کے لحاظ سے بھارت پانچوں اہم شعبوں میں سرفہرست ہے: تعلیم، مالیات، ہارڈ ویئر اور نیٹ ورکس، مینوفیکچرنگ، سافٹ ویئر اور IT خدمات[1][24]۔

سرمایہ کاری

کارپوریٹ سرمایہ کاری۔ AI میں عالمی سرمایہ کاری کا کل حجم (نجی سرمایہ کاری، IPO، انضمام و حصول، اقلیتی حصص) 2020 میں 2019 کے مقابلے میں 40% بڑھ کر 67.9 ارب ڈالر تک پہنچ گیا۔ انضمام و حصول نے بڑا حصہ بنایا، جو 121.7% بڑھا۔ بڑے سودوں میں NVIDIA کا Mellanox Technologies اور Capgemini کا Altran Technologies کا حصول شامل ہے[1][3]۔

اسٹارٹ اپس۔ AI میں نجی سرمایہ کاری کا حجم بڑھتا رہا، لیکن کم اسٹارٹ اپس میں مرکوز ہوتا گیا۔ 2020 میں نجی سرمایہ کاری 9.3% بڑھی (ریکارڈ 40+ ارب ڈالر)، تاہم مالی اعانت پانے والی کمپنیوں کی تعداد تیسرے سال مسلسل کم ہوتی رہی[1][3]۔

توجہ کے مرکزی شعبے۔ "ادویات، کینسر، مالیکیول، دوا کی دریافت" کے شعبے نے سب سے زیادہ نجی سرمایہ کاری حاصل کی — 13.8 ارب ڈالر سے زیادہ، جو 2019 کے مقابلے میں 4.5 گنا زیادہ ہے[1]۔

کارپوریٹ سرگرمی

AI کا نفاذ (McKinsey ڈیٹا)۔ وبا کی وجہ سے معاشی مندی کے باوجود، McKinsey سروے کے نصف جواب دہندگان نے کہا کہ کورونا وائرس نے AI میں ان کی سرمایہ کاری کو متاثر نہیں کیا، اور 27% نے دراصل سرمایہ کاری میں اضافہ کیا۔ ایک چوتھائی سے کم کمپنیوں نے سرمایہ کاری کم کی[1][26]۔

اخلاقی خطرات۔ AI کے استعمال سے جڑے اخلاقی مسائل کو حل کرنے کے بڑھتے ہوئے مطالبوں کے باوجود، صنعت کی کوششیں محدود رہتی ہیں۔ AI میں انصاف اور مساوات جیسے مسائل کمپنیوں سے نسبتاً کم توجہ پاتے ہیں۔ 2020 میں 2019 کے مقابلے میں کم کمپنیاں رازداری سے متعلق خطرات کو متعلقہ سمجھتی ہیں[1][26]۔

صنعتی روبوٹس۔ یہ باب صنعتی روبوٹس کی عالمی تنصیب کے رجحانات اور علاقائی موازنوں پر بین الاقوامی روبوٹکس فیڈریشن (IFR) کا ڈیٹا شامل کرتا ہے[1][27]۔

آمدنی رپورٹوں میں AI کا تذکرہ۔ ڈیٹا کا تجزیہ کارپوریٹ آمدنی رپورٹوں میں AI کے تذکروں میں اضافہ ظاہر کرتا ہے[1]۔

باب 4۔ AI تعلیم

یہ باب اعلیٰ تعلیمی اداروں اور مختلف تعلیمی پلیٹ فارمز کے عینک سے افرادی قوت کی تیاری میں رجحانات کا جائزہ لیتا ہے[1]۔

اعلیٰ تعلیم

کورسز۔ AI Index 2020 کے سروے نے ظاہر کیا کہ دنیا کی معروف یونیورسٹیوں نے گزشتہ چار سالوں میں AI تعلیم میں سرمایہ کاری بڑھائی ہے۔ AI ماڈلز کی تعمیر اور تعیناتی کی عملی مہارتیں سکھانے والے انڈرگریجویٹ کورسز کی تعداد 102.9% بڑھی (2016–17 میں 102 سے 2019–20 میں 207 تک)، اور گریجویٹ سطح پر 41.7% (151 سے 214 تک)۔ AI اور ML کے تعارفی کورسز میں داخل ہونے یا داخلے کی کوشش کرنے والے طلبا کی تعداد چار تعلیمی سالوں میں تقریباً 60% بڑھی[1]۔

یورپی یونین میں تعارفی کورسز میں داخلے میں اضافہ 165% رہا، جبکہ امریکہ میں آخری تعلیمی سال میں کمی دیکھی گئی، جو جزوی طور پر وبا اور کورسز کی پیشکش میں ساختی تبدیلیوں کی وجہ سے تھی[1]۔

پوسٹ گریجویٹ تعلیم۔ گزشتہ 10 سالوں میں امریکہ میں کمپیوٹر سائنس کے تمام PhD میں AI کے PhD کا حصہ 14.2% سے بڑھ کر 2019 تک تقریباً 23% ہو گیا۔ اسی وقت دیگر پہلے مقبول خصوصیات (نیٹ ورک ٹیکنالوجیز، سافٹ ویئر انجینئرنگ، پروگرامنگ زبانیں) مقبولیت کھو رہی تھیں[1][4]۔

اساتذہ کا صنعت کی طرف جانا۔ دو سالہ اضافے کے بعد، شمالی امریکہ میں یونیورسٹیوں سے صنعت میں جانے والے AI اساتذہ کی تعداد 2018 میں 42 سے کم ہو کر 2019 میں 33 رہ گئی۔ Carnegie Mellon نے 2004–2019 کے دوران سب سے زیادہ رخصتیاں دیکھیں (16)، اس کے بعد Georgia Tech (14) اور یونیورسٹی آف واشنگٹن (12) آتے ہیں[1]۔

غیر ملکی پوسٹ گریجویٹ طلبا۔ AI کے نئے پوسٹ گریجویٹ طلبا میں غیر ملکی طلبا کا حصہ 2019 میں 64.3% تک پہنچ گیا۔ ان میں سے 81.8% امریکہ میں رہے[1][4]۔

یورپی یونین میں تعلیم۔ یورپی یونین میں AI کی زیادہ تر خصوصی علمی پیشکشیں گریجویٹ سطح پر پڑھائی جاتی ہیں؛ روبوٹکس اور آٹومیشن خصوصی انڈرگریجویٹ اور گریجویٹ پروگراموں میں سب سے زیادہ پڑھایا جانے والا کورس ہے، جبکہ Machine Learning مختصر خصوصی کورسز میں غالب ہے[1][28]۔

باب 5۔ AI ایپلیکیشنز کے اخلاقی چیلنجز

یہ باب AI کی ترقی کے ساتھ پیدا ہونے والے اخلاقی مسائل کو حل کرنے کی کوششوں کا جائزہ لیتا ہے[1]۔

AI کے اصول اور frameworks

2015 سے 2020 کے درمیان AI کے اصولوں کو وقف 117 دستاویزات شائع کی گئیں۔ نجی کمپنیوں نے تمام قسم کی تنظیموں میں سب سے زیادہ ایسی دستاویزات جاری کیں۔ یورپ اور وسطی ایشیا اشاعتوں کی تعداد میں سرفہرست ہیں (52)، اس کے بعد شمالی امریکہ (41) اور مشرقی ایشیا و بحرالکاہل (14)۔ اشاعتی سرگرمی کا عروج 2018 میں آیا، خاص طور پر ٹیکنالوجی کمپنیوں — IBM، Google، Facebook — اور برطانیہ، یورپی یونین اور آسٹریلیا کے سرکاری اداروں کی جانب سے[1][29]۔

ناقدین اشارہ کرتے ہیں کہ اخلاقی اصولوں کی اشاعت اکثر ادارہ جاتی ڈھانچے کے بغیر ہوتی ہے اور لازمی نہیں ہوتی۔ بہت سے اصولوں کی مبہم اور تجریدی نوعیت ان کے نفاذ کے بارے میں واضح رہنمائی نہیں دیتی[1]۔

میڈیا میں اخلاقیات

2020 کی پانچ سب سے زیادہ زیر بحث موضوعات جو AI کے اخلاقی استعمال سے متعلق تھیں: یورپی کمیشن کی AI وائٹ پیپر کی اشاعت، Google کی اخلاقیات محقق Timnit Gebru کو برخاستگی، AI اخلاقیات پر اقوام متحدہ کی کمیٹی، AI اخلاقیات پر ویٹیکن کا منصوبہ اور IBM کا چہرے کی شناخت کے کاروبار سے نکلنا[1]۔

کانفرنسوں میں اخلاقیات

AI کانفرنسوں میں جمع کیے گئے مقالوں کے عنوانات میں اخلاقیات سے متعلق کلیدی الفاظ والے مقالوں کی تعداد 2015 سے بڑھی، اگرچہ بڑی کانفرنسوں میں ایسے عنوانات کی اوسط تعداد کم رہتی ہے[1]۔

تعلیم میں اخلاقیات

AI Index سروے کے ڈیٹا نے ظاہر کیا کہ AI اخلاقیات کے کورسز دنیا کی معروف یونیورسٹیوں کے کمپیوٹر سائنس ڈیپارٹمنٹس میں تیزی سے عام ہو رہے ہیں[1]۔

باب 6۔ AI میں تنوع

یہ باب AI کے شعبے میں صنفی، نسلی، لسانی تنوع اور LGBTQ+ کی نمائندگی کا تجزیہ کرتا ہے[1]۔

صنفی تنوع

CRA کے ڈیٹا کے مطابق، دنیا کی کئی معروف یونیورسٹیوں میں کمپیوٹر سائنس کے مستقل اساتذہ میں صرف 16% خواتین ہیں[1][4]۔

نسلی اور لسانی تنوع

2019 میں امریکہ میں AI میں نئے PhD حاصل کرنے والوں میں: 45% سفید فام، 22.4% ایشیائی، 3.2% لاطینی نژاد، 2.4% افریقی امریکی تھے۔ کمپیوٹر سائنس کے نئے PhD میں سفید فام (غیر ہسپانوی) کا حصہ گزشتہ 10 سالوں میں تقریباً کوئی تبدیلی نہیں آئی، اوسطاً 62.7% رہا[1][4]۔

پروفیسروں کی نسلی ساخت۔ جواب دینے والی 15 یونیورسٹیوں میں سے: 67.0% مستقل اساتذہ سفید فام، 14.3% ایشیائی، 0.8% لاطینی نژاد، 0.6% سیاہ فام یا افریقی تھے[1]۔

Black in AI۔ Black in AI تنظیم، جسے 2017 میں Timnit Gebru اور Rediet Abebe نے قائم کیا، کے 2020 تک تقریباً 3,000 اراکین تھے۔ NeurIPS میں BAI ورکشاپس میں شرکت نمایاں طور پر بڑھی: 2019 میں شرکاء اور جمع کیے گئے مقالوں کی تعداد 2017 کے مقابلے میں 2.6 گنا زیادہ تھی[1]۔

صنفی شناخت اور جنسی میلان

Queer in AI (QAI) 2020 کے سروے کے مطابق، تقریباً نصف جواب دہندگان AI کے شعبے میں ناکافی شمولیت کو اپنے کیریئر میں رکاوٹ سمجھتے ہیں۔ QAI کے 40% سے زیادہ اراکین نے کام یا تعلیم میں امتیازی سلوک یا ہراسانی کی اطلاع دی۔ 81.4% نے رول ماڈلز کی غیر موجودگی کو سب سے بڑی رکاوٹ بتایا[1][30]۔

باب 7۔ AI پالیسی اور قومی حکمت عملیاں

یہ باب مقامی، قومی اور بین الاقوامی سطحوں پر AI کے ضابطہ کاری کے منظرنامے کا احاطہ کرتا ہے[1]۔

قومی حکمت عملیاں

2017 میں کینیڈا کی دنیا کی پہلی قومی AI حکمت عملی کی اشاعت کے بعد سے دسمبر 2020 تک 30 سے زیادہ ممالک اور خطوں نے اسی طرح کی دستاویزات شائع کی ہیں۔ مزید 22 ممالک حکمت عملیاں تیار کرنے کے عمل میں تھے[1]۔

سال حکمت عملیاں
2017 کینیڈا، چین، جاپان، فن لینڈ، متحدہ عرب امارات
2018 یورپی یونین، فرانس، جرمنی، جنوبی کوریا، برطانیہ، بھارت، میکسیکو، آسٹریلیا وغیرہ
2019 امریکہ (تجدید شدہ)، روس، نیدرلینڈز، چیک جمہوریہ، سنگاپور وغیرہ
2020 ہسپانیہ، برازیل، پولینڈ، ترکیہ وغیرہ

کینیڈا (2017): Pan-Canadian AI Strategy، بجٹ 125 ملین CAD (97 ملین USD)، افرادی قوت کی تیاری اور اخلاقی پہلوؤں پر زور[1]۔

چین (2017): سب سے جامع حکمت عملیوں میں سے ایک، جو تحقیق و ترقی، تعلیم، اخلاقی معیارات اور قومی سلامتی کا احاطہ کرتی ہے۔ اہداف: 2020 تک عالمی سطح حاصل کرنا، 2025 تک عالمی رہنما بننا، 2030 تک جدت کا مرکزی مرکز بننا[1]۔

یورپی یونین (2018): Coordinated Plan on Artificial Intelligence، AI تحقیق پر سالانہ کم از کم 1 ارب یورو اور حکمت عملی کے دیگر پہلوؤں پر 4.9 ارب یورو[1]۔

فرانس (2018): AI for Humanity، 2022 تک 1.5 ارب یورو کا بجٹ، اسٹریٹجک شعبے: صحت، ماحولیات، نقل و حمل اور دفاع[1]۔

بین الاقوامی تعاون

2020 میں Global Partnership on AI (GPAI) اور OECD میں AI پالیسی آبزرویٹری کے آغاز نے AI کی ترقی کی حمایت کے لیے بین الحکومتی کوششوں کو تیز کیا[1][31][32]۔

امریکہ کی سرکاری سرمایہ کاری

وفاقی بجٹ۔ رپورٹ AI کے غیر فوجی تحقیق و ترقی پر امریکی وفاقی بجٹ کے ڈیٹا کا تجزیہ کرتی ہے[1]۔

وزارت دفاع کا بجٹ۔ AI پر امریکی وزارت دفاع کی بجٹ درخواست کا ڈیٹا شامل ہے[1]۔

سرکاری معاہدات۔ معاہدوں پر کل اخراجات اور محکموں کے درمیان ان کی تقسیم کا تجزیہ[1][6]۔

قانون سازی کی سرگرمی

امریکی کانگریس۔ 116ویں کانگریس تاریخ میں سب سے زیادہ AI پر توجہ دینے والی بنی۔ قانون سازی، کمیٹی رپورٹوں اور کانگریشنل ریسرچ سروس (CRS) رپورٹوں میں AI کے تذکروں کی تعداد 115ویں کانگریس کے مقابلے میں تین گنا سے زیادہ ہو گئی[1][6]۔

مرکزی بینک۔ رپورٹ مرکزی بینکوں کے مواد میں AI اور ML کے تذکروں کا ڈیٹا شامل کرتی ہے[1]۔

طریقہ کار اور ڈیٹا کے ذرائع

رپورٹ متعدد ذرائع کے ڈیٹا پر مبنی ہے[1]:

  • اشاعتیں: Elsevier/Scopus (70 ملین ہم عصر جائزہ شدہ تحقیقی مقالات)، Microsoft Academic Graph (MAG، 225+ ملین اشاعتیں)، arXiv، Nesta۔
  • Benchmarks: Papers With Code، SuperGLUE، VQA، VCR، COCO، ImageNet، NIST FRVT، LibriSpeech، VoxCeleb، TPTP، CASP وغیرہ۔
  • لیبر مارکیٹ: LinkedIn Economic Graph، Burning Glass Technologies۔
  • سرمایہ کاری: S&P Capital IQ (CapIQ)، Crunchbase، NetBase Quid۔
  • کارپوریٹ سرگرمی: McKinsey & Company (Global Survey on AI)، International Federation of Robotics (IFR)، Prattle (earnings calls)۔
  • تعلیم: CRA Taulbee Survey، Joint Research Centre (European Commission)، AI Index کا اپنا سروے (9 ممالک کی 18 یونیورسٹیاں)۔
  • اخلاقیات: AI Ethics Lab (Boston)، میڈیا تجزیہ۔
  • تنوع: CRA، Black in AI، Queer in AI۔
  • پالیسی: Bloomberg Government، OECD AI Policy Observatory۔

MAG میں ہر مقالہ ایک بار شمار کیا جاتا ہے؛ مختلف ممالک سے متعدد مصنفین کی صورت میں کریڈٹ منفرد خطوں کے درمیان یکساں تقسیم کیا جاتا ہے[1][5]۔

مصنفین کی ٹیم

رپورٹ شریک ڈائریکٹرز Raymond Perrault (SRI International) اور Jack Clark (OECD/GPAI) کی رہنمائی میں تیار کی گئی۔ تحقیقی مینیجر اور چیف ایڈیٹر — Daniel Zhang (Stanford University)۔ اسٹیئرنگ کمیٹی میں یہ افراد بھی شامل تھے: Erik Brynjolfsson (اسٹینفورڈ)، John Etchemendy (اسٹینفورڈ)، Deep Ganguli (اسٹینفورڈ)، Barbara Grosz (ہارورڈ)، Tera Lyons (Partnership on AI)، James Manyika (McKinsey Global Institute)، Juan Carlos Niebles (اسٹینفورڈ)، Michael Sellitto (اسٹینفورڈ)، Yoav Shoham (اسٹینفورڈ / AI21 Labs، بانی ڈائریکٹر)[1]۔

ٹولز اور کھلا ڈیٹا

رپورٹ کے ساتھ درج ذیل وسائل فراہم کیے گئے ہیں[1]:

  • خام ڈیٹا اور گرافکس: عوامی ڈیٹا اور اعلیٰ ریزولوشن تصاویر Google Drive پر دستیاب ہیں۔
  • Global AI Vibrancy Tool: تجدید شدہ انٹرایکٹو ویژوئلائزیشن ٹول، جو 22 اشاریوں کے مطابق 26 ممالک تک کا موازنہ کرنے کی اجازت دیتا ہے۔
  • اشاعت "Measurement in AI Policy: Opportunities and Challenges" (خزاں 2020): AI پالیسی میں پیمائش کے مسائل کا جائزہ۔

روابط

کتابیات

حواشی

  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_(UR)&oldid=7988"