The 2021 AI Index Report (VI)

From Systems analysis Wiki
Jump to navigation Jump to search

AI Index Report 2021 — ấn bản thường niên lần thứ tư của báo cáo AI Index, được chuẩn bị bởi Viện Trí tuệ Nhân tạo Lấy Con người làm Trung tâm của Đại học Stanford (Stanford HAI)[1]. Báo cáo năm 2021 mở rộng đáng kể khối lượng dữ liệu so với các ấn bản trước, bao gồm sự hợp tác với nhiều tổ chức đối tác bên ngoài hơn và tăng cường kết nối với Viện Stanford HAI. Ấn bản này theo dõi, hệ thống hóa, tổng hợp và trực quan hóa dữ liệu liên quan đến trí tuệ nhân tạo, cung cấp thông tin khách quan, được xác minh kỹ lưỡng và thu thập trên phạm vi toàn cầu cho các nhà hoạch định chính sách, nhà nghiên cứu, lãnh đạo doanh nghiệp, nhà báo và công chúng. Báo cáo bao quát giai đoạn chịu ảnh hưởng sâu sắc bởi đại dịch COVID-19, vốn đã tác động đến nhiều khía cạnh phát triển AI — từ việc đẩy nhanh quá trình khám phá thuốc đến việc chuyển đổi các hội nghị sang định dạng trực tuyến.

Bối cảnh: Tác động của COVID-19

Đại dịch COVID-19 đã có ảnh hưởng đáng chú ý nhưng không đồng nhất đối với sự phát triển AI trong năm 2020[1]. Trong lĩnh vực hiệu suất kỹ thuật, startup AI PostEra đã áp dụng các phương pháp Machine Learning để đẩy nhanh quá trình khám phá thuốc liên quan đến COVID-19[2]. Chương về kinh tế cho thấy việc tuyển dụng chuyên gia AI và đầu tư tư nhân không bị ảnh hưởng tiêu cực đáng kể bởi đại dịch — cả hai chỉ số đều tăng trưởng trong năm 2020. Việc chuyển đổi hội nghị sang định dạng trực tuyến đã dẫn đến sự tăng vọt đáng kể về lượng người tham dự: số lượng người tham dự chín hội nghị lớn gần như tăng gấp đôi.

Cấu trúc báo cáo

Báo cáo năm 2021 gồm bảy chương chuyên đề[1]:

  1. Nghiên cứu và Phát triển (Research and Development) — xu hướng trong xuất bản, bằng sáng chế, hội nghị và phần mềm mã nguồn mở.
  2. Hiệu suất Kỹ thuật (Technical Performance) — tiến bộ trong thị giác máy tính, xử lý ngôn ngữ tự nhiên, nhận dạng giọng nói, suy luận, chăm sóc sức khỏe và sinh học.
  3. Kinh tế (The Economy) — thị trường lao động, đầu tư và hoạt động doanh nghiệp trong lĩnh vực AI.
  4. Giáo dục AI (AI Education) — xu hướng đào tạo nhân lực, các khóa học và chương trình.
  5. Thách thức Đạo đức của Ứng dụng AI (Ethical Challenges of AI Applications) — các nguyên tắc, đưa tin truyền thông, đạo đức tại hội nghị.
  6. Đa dạng trong AI (Diversity in AI) — đa dạng giới tính, chủng tộc và dân tộc.
  7. Chính sách và Chiến lược Quốc gia về AI (AI Policy and National Strategies) — lập pháp, hợp tác liên chính phủ, đầu tư nhà nước.

Những phát hiện chính của báo cáo (Top 9)

Các tác giả báo cáo đã xác định chín luận điểm chính của năm 2021[1]:

1. Tăng trưởng mạnh mẽ trong đầu tư phát triển thuốc AI

Lĩnh vực "Thuốc, Ung thư học, Phân tử, Khám phá Thuốc" (Drugs, Cancer, Molecular, Drug Discovery) nhận được khối lượng đầu tư tư nhân vào AI lớn nhất trong năm 2020 — hơn 13,8 tỷ đô la Mỹ, gấp 4,5 lần so với năm 2019[1][3].

2. Xu hướng dịch chuyển nhân lực sang công nghiệp tiếp tục

Năm 2019, 65% nghiên cứu sinh tiến sĩ về AI tốt nghiệp ở Bắc Mỹ chọn làm việc trong công nghiệp — so với 44,4% năm 2010, nhấn mạnh vai trò ngày càng tăng của công nghiệp trong phát triển AI[1][4].

3. Các mô hình sinh — "sinh mọi thứ"

Các hệ thống AI đã học cách tạo ra văn bản, âm thanh và hình ảnh ở mức chất lượng đến mức con người ngày càng khó phân biệt đầu ra tổng hợp với đầu ra thực trong một số ứng dụng hạn chế của công nghệ[1].

4. Vấn đề đa dạng trong AI

Trong số những người mới nhận bằng tiến sĩ về AI tại Mỹ năm 2019, 45% là người da trắng, 2,4% là người Mỹ gốc Phi và 3,2% là người gốc Latinh[1][4].

5. Trung Quốc vượt Mỹ về số lần trích dẫn bài báo khoa học về AI

Sau khi vượt Mỹ về tổng số bài báo khoa học về AI được xuất bản trên tạp chí vài năm trước, Trung Quốc năm 2020 lần đầu tiên cũng vươn lên dẫn đầu về số lần trích dẫn bài báo tạp chí. Tuy nhiên, Mỹ vẫn tiếp tục và vượt trội đáng kể so với Trung Quốc về số lượng bài báo hội nghị về AI (vốn cũng được trích dẫn nhiều hơn) trong thập kỷ qua[1][5].

6. Phần lớn nghiên cứu sinh tiến sĩ AI tại Mỹ là người nước ngoài và họ ở lại

Tỷ lệ sinh viên nước ngoài trong số nghiên cứu sinh tiến sĩ AI mới ở Bắc Mỹ tiếp tục tăng trong năm 2019, đạt 64,3% — tăng 4,3 điểm phần trăm so với năm 2018. Trong số các sinh viên nước ngoài tốt nghiệp, 81,8% ở lại Mỹ và 8,6% tìm việc làm bên ngoài Hoa Kỳ[1][4].

7. Công nghệ giám sát — nhanh, rẻ và phổ biến khắp nơi

Các công nghệ cần thiết cho giám sát quy mô lớn đang phát triển nhanh chóng: các phương pháp phân loại hình ảnh, nhận dạng khuôn mặt, phân tích video và nhận dạng giọng nói đã đạt được tiến bộ đáng kể trong năm 2020[1].

8. Đạo đức AI thiếu benchmark và sự đồng thuận

Mặc dù một số tổ chức đã ban hành các tài liệu định tính và chuẩn mực về đạo đức AI, nhưng lĩnh vực này nói chung thiếu các benchmark có thể sử dụng để đo lường hoặc đánh giá mối liên hệ giữa các cuộc thảo luận công khai về phát triển công nghệ và chính quá trình phát triển đó[1].

9. AI thu hút sự chú ý của Quốc hội Mỹ

Quốc hội khóa 116 trở thành quốc hội quan tâm đến AI nhất trong lịch sử: số lần đề cập AI trong biên bản của quốc hội này vượt hơn gấp ba lần so với Quốc hội khóa 115[1][6].

Chương 1. Nghiên cứu và Phát triển

Chương này phân tích xu hướng trong các ấn phẩm (có phản biện, tạp chí, hội nghị, bằng sáng chế), hoạt động trên arXiv, tại hội nghị và trong phần mềm mã nguồn mở[1].

Các ấn phẩm có phản biện

Tổng số ấn phẩm có phản biện về AI đã tăng gần 12 lần giữa năm 2000 và 2019. Tỷ lệ ấn phẩm về AI trong tổng số ấn phẩm có phản biện trên thế giới tăng từ 0,82% năm 2000 lên 3,8% năm 2019[1][7].

Phân bổ theo khu vực. Đông Á và Thái Bình Dương dẫn đầu về tỷ lệ ấn phẩm có phản biện về AI từ năm 2004 (36,9% năm 2019), tiếp theo là Châu Âu và Trung Á (25,1%) và Bắc Mỹ (17,0%). Giữa năm 2009 và 2019, Nam Á và Châu Phi cận Sahara đạt mức tăng trưởng cao nhất — lần lượt gấp tám và bảy lần[1][5].

So sánh theo khu vực địa lý. Đến năm 2019, Trung Quốc xếp thứ nhất về tỷ lệ ấn phẩm có phản biện về AI trên thế giới (22,4%), vượt EU (16,4%) vào năm 2017. Mỹ đứng thứ ba (14,6%). Trung Quốc đã công bố số lượng bài báo AI có phản biện nhiều gấp 3,5 lần năm 2019 so với năm 2014[1][7].

Liên kết thể chế. Ở mỗi khu vực lớn, các tổ chức học thuật chiếm tỷ lệ ấn phẩm có phản biện lớn nhất. Tuy nhiên, các nguồn quan trọng thứ hai có sự khác biệt: ở Mỹ, nghiên cứu doanh nghiệp chiếm 19,2% tổng số, trong khi ở Trung Quốc và EU, các cơ quan nhà nước đứng thứ hai (lần lượt 15,6% và 17,2%)[1][7].

Hợp tác học thuật-doanh nghiệp. Giữa năm 2015 và 2019, Mỹ sản xuất nhiều ấn phẩm có phản biện về AI theo hình thức hợp tác học thuật-doanh nghiệp nhất — nhiều hơn gấp đôi so với EU đứng thứ hai, tiếp theo là Trung Quốc[1].

Ấn phẩm tạp chí

Số lượng ấn phẩm tạp chí về AI năm 2020 cao hơn 5,4 lần so với năm 2000. Mức tăng trưởng đạt 34,5% từ năm 2019 đến 2020 — mức tăng phần trăm cao hơn đáng kể so với từ năm 2018 đến 2019 (19,6%). Tỷ lệ ấn phẩm tạp chí về AI trong tổng số ấn phẩm tạp chí trên thế giới đạt 2,2% năm 2020[1][5].

Trích dẫn. Năm 2020, Trung Quốc (20,7%) lần đầu tiên vượt Mỹ (19,8%) về tỷ lệ trích dẫn bài báo tạp chí về AI trên thế giới. EU tiếp tục mất thị phần tổng thể (11,0%)[1][5].

Ấn phẩm hội nghị

Số lượng ấn phẩm hội nghị về AI tăng gấp bốn lần giữa năm 2000 và 2019. Trung Quốc đã vượt Mỹ về tỷ lệ ấn phẩm hội nghị về AI năm 2019[1][5].

Trích dẫn. Khác với ấn phẩm tạp chí, Mỹ duy trì vị trí dẫn đầu ổn định và đáng kể về trích dẫn bài báo hội nghị về AI trong thập kỷ qua (40,1% năm 2020), vượt xa Trung Quốc (11,8%) và EU (10,9%)[1][5].

Ấn phẩm trên arXiv

Trong sáu năm, số lượng ấn phẩm liên quan đến AI trên arXiv tăng hơn sáu lần: từ 5.478 năm 2015 lên 34.736 năm 2020[1][8]. Trong số các lĩnh vực nghiên cứu, robotics (cs.RO, tăng 11 lần) và Machine Learning (cs.LG, tăng 10 lần) đạt mức tăng trưởng cao nhất trong giai đoạn 2015–2020. Năm 2020, cs.LG (32,0%) và thị giác máy tính cs.CV (31,7%) dẫn đầu về số lượng ấn phẩm[1].

Bắc Mỹ vẫn dẫn đầu về tỷ lệ ấn phẩm trên arXiv (36,3% năm 2020), nhưng tỷ lệ này đang giảm (từ 41,6% năm 2017). Tỷ lệ của Đông Á và Thái Bình Dương tăng đều đặn: từ 17,3% năm 2015 lên 26,5% năm 2020[1].

Bằng sáng chế

Dữ liệu từ Microsoft Academic Graph cho thấy sự tăng trưởng ổn định về số lượng bằng sáng chế liên quan đến AI trong hai thập kỷ qua[1][5].

Deep Learning

Các nhà nghiên cứu từ Nesta đã sử dụng các thuật toán mô hình hóa chủ đề để xác định các ấn phẩm về Deep Learning trên arXiv. Trong năm năm qua, số lượng ấn phẩm về Deep Learning trên arXiv đã tăng gần sáu lần[1][9].

Hội nghị

Năm 2020, phần lớn các hội nghị AI lớn diễn ra theo định dạng trực tuyến do COVID-19, dẫn đến sự gia tăng đột biến về lượng người tham dự. Số lượng người tham dự chín hội nghị gần như tăng gấp đôi[1]. Trong số các hội nghị lớn: NeurIPS (22.011 người tham dự), IROS (25.719 — định dạng trực tuyến với quyền truy cập mở rộng ba tháng), ICML (10.800), CVPR (7.500). Trong số các hội nghị nhỏ hơn: ICLR (5.600), ACL (3.972), AAMAS (3.726)[1].

Sự hiện diện của doanh nghiệp. Nghiên cứu cho thấy các công ty công nghệ lớn đang tăng cường hiện diện tại các hội nghị AI hàng đầu. Cả 10 hội nghị lớn đều cho thấy xu hướng tăng về đại diện doanh nghiệp. Các tác giả của bài viết "The De-Democratization of AI" chỉ ra rằng sự phân bổ không đồng đều tài nguyên tính toán giữa học thuật và công nghiệp — cái gọi là "khoảng cách tính toán" (compute divide) — làm trầm trọng thêm bất bình đẳng trong kỷ nguyên Deep Learning[10].

Phần mềm mã nguồn mở

TensorFlow (được Google phát triển, phát hành công khai năm 2017) vẫn là thư viện AI mã nguồn mở phổ biến nhất trên GitHub (153 nghìn sao tính đến năm 2020). Thư viện phổ biến thứ hai là Keras (51 nghìn sao), thứ ba là PyTorch của Facebook (46 nghìn sao). Trong số các thư viện khác nổi bật: Scikit-learn (45 nghìn), BVLC/Caffe (31 nghìn), MXNet (19 nghìn) và CNTK (17 nghìn)[1][11].

Chương 2. Hiệu suất Kỹ thuật

Chương này bao gồm tiến bộ trong thị giác máy tính (hình ảnh và video), xử lý ngôn ngữ tự nhiên, suy luận về ngôn ngữ và thị giác, nhận dạng giọng nói, suy luận ký hiệu, cũng như trong chăm sóc sức khỏe và sinh học[1].

Thị giác máy tính — Hình ảnh

ImageNet. Thị giác máy tính đã trải qua tiến bộ vượt bậc trong thập kỷ qua. Hiệu suất trên một số benchmark lớn nhất bắt đầu đạt điểm bão hòa, cho thấy sự cần thiết phải tạo ra các bài kiểm tra phức tạp hơn. Báo cáo trình bày dữ liệu về độ chính xác Top-1 và Top-5 trên ImageNet, cũng như thời gian và chi phí huấn luyện[1][12].

Các bài kiểm tra mới phức tạp hơn. Khi tiến bộ trên ImageNet tiêu chuẩn chậm lại, báo cáo giới thiệu các benchmark phức tạp hơn: ImageNet-Adversarial (chứa các yếu tố gây khó khăn tự nhiên và các hình ảnh bị phân loại sai một cách có hệ thống), ImageNet-C (75 loại biến dạng thị giác: thay đổi độ sáng, độ tương phản, pixel hóa, hiệu ứng sương mù) và ImageNet-Rendition (30.000 hình minh họa của 200 lớp ImageNet, kiểm tra khả năng tổng quát hóa)[1].

Tạo sinh hình ảnh. Tiến bộ được đo bằng chỉ số Fréchet Inception Distance (FID) trên dataset STL-10 — đến năm 2020, kết quả tốt nhất đạt 25,4 (càng thấp càng tốt). Các ví dụ định tính về tạo sinh khuôn mặt cho thấy tiến bộ nhanh chóng của GAN: đến năm 2018, hiệu suất đạt mức mà con người khó phát hiện ảnh giả[1][13].

Phát hiện deepfake. Deepfake Detection Challenge (DFDC), được Facebook tạo ra vào tháng 9 năm 2019, cho thấy mức giảm log loss khoảng 0,5 trong giai đoạn từ tháng 12 năm 2019 đến tháng 3 năm 2020, xuống giá trị 0,19[1][14].

Ước tính tư thế người. Trên benchmark COCO Keypoint Detection, độ chính xác của các thuật toán được cải thiện khoảng 33% trong bốn năm, đạt 80,8% Average Precision (AP)[1].

Phân đoạn ngữ nghĩa. Tiến bộ trên benchmark Cityscapes và các tác vụ phân đoạn khác vẫn tiếp tục[1].

Thị giác máy tính — Video

ActivityNet. Benchmark nhận dạng hành động đã chứng kiến sự cải tiến thêm của các thuật toán trong các tác vụ định vị hành động theo thời gian[1].

YOLO (You Only Look Once). Các hệ thống phát hiện đối tượng để phân tích khung hình từ luồng video đang trưởng thành nhanh chóng, cho thấy khả năng triển khai AI ngày càng mở rộng[1].

Nhận dạng khuôn mặt (NIST FRVT). Báo cáo bao gồm dữ liệu từ Viện Tiêu chuẩn và Công nghệ Quốc gia (NIST) về kiểm tra hệ thống nhận dạng khuôn mặt. Các công nghệ giám sát quy mô lớn đang phát triển nhanh chóng[1][15].

Xử lý Ngôn ngữ Tự nhiên (NLP)

SuperGLUE. Tiến bộ nhanh chóng trong NLP đã dẫn đến việc các hệ thống AI bắt đầu đạt mức độ con người trên benchmark SuperGLUE, được phát triển để thay thế benchmark GLUE trước đó vốn đã bị vượt qua quá nhanh. Tiến bộ trong NLP đang vượt qua các chỉ số đánh giá nó[1][16].

SQuAD. Benchmark Stanford Question Answering Dataset cũng cho thấy sự tăng trưởng ổn định về hiệu suất mô hình[1].

Dịch máy thương mại. Số lượng hệ thống dịch máy đám mây độc lập có sẵn thương mại với các mô hình được huấn luyện trước tăng từ 8 năm 2017 lên 28 năm 2020[1][17].

GPT-3. Vào tháng 7 năm 2020, OpenAI giới thiệu GPT-3 — mô hình ngôn ngữ dày đặc lớn nhất được biết đến vào thời điểm đó với 175 tỷ tham số, được huấn luyện trên 570 GB văn bản. Để so sánh: tiền nhiệm của nó GPT-2 nhỏ hơn hơn 100 lần (1,5 tỷ tham số). Quy mô đã dẫn đến hành vi đáng ngạc nhiên: GPT-3 có thể thực hiện các tác vụ mà nó không được huấn luyện một cách rõ ràng, với số lượng ví dụ huấn luyện bằng không hoặc rất ít (zero-shot và few-shot learning). Tính trung bình trên 42 benchmark độ chính xác: zero-shot — 42,6%, one-shot — 51,0%, few-shot — 57,4%[1][18].

Mặc dù có những khả năng ấn tượng, GPT-3 có những hạn chế nghiêm trọng: có thể tạo ra văn bản phân biệt chủng tộc, phân biệt giới tính và thiên kiến khác, tạo ra các tuyên bố không chính xác về mặt thực tế, và cũng cực kỳ tốn kém để huấn luyện. Nghiên cứu về quản trị và "điều hướng" các đầu ra như vậy đang ở giai đoạn đầu nhưng đầy triển vọng[1][18].

Suy luận về Ngôn ngữ và Thị giác

VQA. Trên benchmark Visual Question Answering, độ chính xác tăng gần 40% kể từ khi được tạo ra vào năm 2015, đạt 76,4% năm 2020 (mức cơ sở của con người — 80,8%)[1][19].

VCR. Trên tác vụ Visual Commonsense Reasoning (đòi hỏi phải giải thích câu trả lời), máy tốt nhất đã cải thiện chỉ số Q→AR từ 44 năm 2018 lên 70,5 năm 2020 (tăng 60,2%), với mức con người là 85[1].

Nhận dạng giọng nói

LibriSpeech. Tiến bộ trong nhận dạng giọng nói tự động vẫn tiếp tục, phần lớn nhờ vào tính linh hoạt và sức mạnh dự đoán của các mạng nơ-ron sâu[1].

VoxCeleb. Dataset bao gồm các đoạn âm thanh ngắn của giọng nói con người được trích xuất từ các cuộc phỏng vấn video trên YouTube, bao gồm hơn 7.000 người nói và hơn một triệu phát ngôn. Được sử dụng để đánh giá nhận dạng người nói[1][20].

Khoảng cách chủng tộc trong nhận dạng giọng nói. Báo cáo ghi nhận sự tồn tại của khoảng cách chủng tộc đáng kể trong các công nghệ nhận dạng giọng nói[1].

Suy luận ký hiệu

Bài toán thỏa mãn công thức Boolean (SAT). Báo cáo trình bày phân tích mới sử dụng giá trị Shapley theo thời gian (temporal Shapley value), cho phép gán đóng góp của các hệ thống riêng lẻ vào hiệu suất tổng thể. Người chiến thắng năm 2020 — Kissat — cho thấy giá trị Shapley theo thời gian cao nhất trong tất cả các bộ giải (ngoại trừ năm đầu tiên), chủ yếu do các cấu trúc dữ liệu và thuật toán hiệu quả hơn[1][21].

Chứng minh định lý tự động (ATP). Phân tích thư viện TPTP (hơn 23.000 bài toán) cho thấy sự tăng trưởng liên tục về tỷ lệ bài toán được giải từ năm 1997 đến năm 2020. Tiến bộ đáng chú ý được quan sát thấy trong giai đoạn 2008–2013, và từ năm 2015 tiến bộ tiếp tục nhưng chậm lại. Việc sử dụng ngày càng nhiều Machine Learning (trong các hệ thống MaLARea, Enigma) được coi là nhân tố có thể tạo ra bước đột phá cho ATP[1][22].

Chăm sóc sức khỏe và Sinh học

Tổng hợp phân tử. Các mô hình Machine Learning được sử dụng để học các biểu diễn của các phân tử hóa học nhằm lập kế hoạch tổng hợp hóa học hiệu quả hơn[1].

COVID-19 và khám phá thuốc. Startup PostEra đã áp dụng các phương pháp Machine Learning để đẩy nhanh quá trình khám phá thuốc liên quan đến COVID-19 trong khuôn khổ dự án COVID Moonshot[1][2].

AlphaFold và gấp protein. Bước đột phá của DeepMind trong lĩnh vực dự đoán cấu trúc protein là một trong những thành tựu quan trọng nhất trong năm. AlphaFold 2 tại cuộc thi CASP14 (2020) đạt chỉ số GDT_TS trung vị có thể so sánh với các phương pháp thực nghiệm cho các tác vụ mô hình hóa tự do, vượt qua đáng kể tất cả các kết quả trước đó. Điều này có nhiều ứng dụng rộng rãi — từ hiểu rõ hơn về nền tảng tế bào của sự sống đến đẩy nhanh phát triển thuốc[1][23].

Ý kiến chuyên gia

Cuộc khảo sát các chuyên gia AI do AI Index thực hiện đã cho thấy những phát hiện sau[1]:

  • Thành tựu ấn tượng nhất của năm 2020 được công nhận là AlphaFold (DeepMind) và GPT-3 (OpenAI) — vượt xa so với các thành tựu còn lại.
  • Xu hướng chính của năm 2021 — sự phát triển hơn nữa của các mô hình được huấn luyện trước và fine-tuning của chúng cho các tác vụ hẹp.
  • Percy Liang (Stanford) ghi nhận sự thống trị của kiến trúc Transformer, ban đầu được tạo ra cho dịch máy nhưng đã trở thành kiến trúc mạng nơ-ron tiêu chuẩn trên thực tế.

Chương 3. Kinh tế

Chương này xem xét mối quan hệ ngày càng chặt chẽ giữa AI và kinh tế thế giới qua lăng kính thị trường lao động, đầu tư và hoạt động doanh nghiệp[1].

Thị trường lao động

Tuyển dụng chuyên gia AI. Brazil, Ấn Độ, Canada, Singapore và Nam Phi cho thấy mức tăng trưởng tuyển dụng chuyên gia AI cao nhất trong giai đoạn 2016 đến 2020. Bất chấp đại dịch, việc tuyển dụng vẫn tiếp tục tăng ở tất cả các quốc gia được nghiên cứu trong năm 2020[1][24].

Nhu cầu chuyên gia AI tại Mỹ. Số lượng vị trí tuyển dụng trong lĩnh vực AI tại Mỹ giảm 8,2% từ năm 2019 đến 2020 (từ 325.724 xuống 300.999). Đây là lần giảm đầu tiên về tỷ lệ vị trí tuyển dụng AI trong sáu năm[1][25].

Mức độ thâm nhập kỹ năng AI. Trong số các quốc gia được nghiên cứu, Ấn Độ có chỉ số thâm nhập kỹ năng AI tương đối cao nhất (2,83 so với mức trung bình toàn cầu), tiếp theo là Mỹ (1,99), Trung Quốc (1,40), Đức (1,27) và Canada (1,13). Theo ngành, Ấn Độ dẫn đầu trong cả năm lĩnh vực hàng đầu: giáo dục, tài chính, phần cứng và mạng, sản xuất, phần mềm và dịch vụ CNTT[1][24].

Đầu tư

Đầu tư doanh nghiệp. Tổng khối lượng đầu tư AI toàn cầu (đầu tư tư nhân, IPO, sáp nhập và mua lại, cổ phần thiểu số) tăng 40% năm 2020 so với 2019, đạt 67,9 tỷ đô la. Sáp nhập và mua lại chiếm phần lớn, tăng 121,7%. Trong số các giao dịch lớn — NVIDIA mua lại Mellanox Technologies và Capgemini mua lại Altran Technologies[1][3].

Startup. Khối lượng đầu tư tư nhân vào AI tiếp tục tăng, nhưng tập trung vào số lượng startup ít hơn. Năm 2020, đầu tư tư nhân tăng 9,3% (kỷ lục hơn 40 tỷ đô la), nhưng số lượng công ty được tài trợ giảm năm thứ ba liên tiếp[1][3].

Lĩnh vực trọng tâm. Lĩnh vực "Thuốc, Ung thư học, Phân tử, Khám phá Thuốc" nhận được khối lượng đầu tư tư nhân lớn nhất — hơn 13,8 tỷ đô la, gấp 4,5 lần so với năm 2019[1].

Hoạt động doanh nghiệp

Triển khai AI (dữ liệu McKinsey). Bất chấp suy thoái kinh tế do đại dịch gây ra, một nửa số người được hỏi trong khảo sát McKinsey cho biết COVID-19 không ảnh hưởng đến đầu tư AI của họ, và 27% thực sự tăng đầu tư. Chưa đến một phần tư các công ty cắt giảm đầu tư[1][26].

Rủi ro đạo đức. Mặc dù có những lời kêu gọi ngày càng tăng để giải quyết các vấn đề đạo đức liên quan đến việc sử dụng AI, các nỗ lực trong ngành vẫn còn hạn chế. Các vấn đề như sự công bằng và bình đẳng trong AI nhận được tương đối ít sự chú ý từ các công ty. Ít công ty hơn trong năm 2020 coi các rủi ro liên quan đến quyền riêng tư là vấn đề cấp bách so với năm 2019[1][26].

Robot công nghiệp. Chương bao gồm dữ liệu từ Liên đoàn Robot Quốc tế (IFR) về xu hướng lắp đặt robot công nghiệp toàn cầu và so sánh theo khu vực[1][27].

Đề cập AI trong báo cáo thu nhập. Phân tích dữ liệu cho thấy sự gia tăng số lần đề cập AI trong các báo cáo thu nhập của doanh nghiệp[1].

Chương 4. Giáo dục AI

Chương này xem xét xu hướng đào tạo nhân lực qua lăng kính các cơ sở giáo dục đại học và các nền tảng giáo dục đa dạng[1].

Giáo dục đại học

Khóa học. Khảo sát AI Index năm 2020 cho thấy các trường đại học hàng đầu trên thế giới đã tăng đầu tư vào giáo dục AI trong bốn năm qua. Số lượng khóa học đại học dạy các kỹ năng thực hành xây dựng và triển khai các mô hình AI tăng 102,9% (từ 102 năm 2016–17 lên 207 năm 2019–20), và ở cấp thạc sĩ — tăng 41,7% (từ 151 lên 214). Số sinh viên đăng ký hoặc cố gắng đăng ký vào các khóa học nhập môn về AI và ML tăng gần 60% trong bốn năm học[1].

Tại EU, mức tăng trưởng số sinh viên đăng ký vào các khóa nhập môn đạt 165%, trong khi ở Mỹ có sự sụt giảm trong năm học cuối cùng, một phần do đại dịch và những thay đổi cấu trúc trong việc cung cấp khóa học[1].

Nghiên cứu sinh tiến sĩ. Trong 10 năm qua, tỷ lệ bằng tiến sĩ về AI trong tổng số bằng tiến sĩ về khoa học máy tính tại Mỹ tăng từ 14,2% lên khoảng 23% vào năm 2019. Đồng thời, các chuyên ngành trước đây phổ biến khác (công nghệ mạng, kỹ thuật phần mềm, ngôn ngữ lập trình) đang mất đi sự phổ biến[1][4].

Giảng viên rời bỏ học thuật sang công nghiệp. Sau hai năm tăng trưởng, số lượng giảng viên AI rời bỏ các trường đại học để sang công nghiệp ở Bắc Mỹ giảm từ 42 năm 2018 xuống 33 năm 2019. Carnegie Mellon có số lần rời đi nhiều nhất trong giai đoạn 2004–2019 (16), tiếp theo là Georgia Tech (14) và Đại học Washington (12)[1].

Nghiên cứu sinh nước ngoài. Tỷ lệ sinh viên nước ngoài trong số nghiên cứu sinh tiến sĩ AI mới đạt 64,3% năm 2019. Trong số đó, 81,8% ở lại Mỹ[1][4].

Giáo dục tại EU. Tại EU, phần lớn các chương trình học thuật chuyên biệt về AI được giảng dạy ở cấp thạc sĩ; robotics và tự động hóa là khóa học được giảng dạy thường xuyên nhất trong các chương trình đại học và thạc sĩ chuyên biệt, trong khi Machine Learning chiếm ưu thế trong các khóa học chuyên biệt ngắn hạn[1][28].

Chương 5. Thách thức Đạo đức của Ứng dụng AI

Chương này xem xét các nỗ lực giải quyết các vấn đề đạo đức nảy sinh cùng với sự phát triển của AI[1].

Nguyên tắc và framework AI

Từ năm 2015 đến 2020, đã có 117 tài liệu về các nguyên tắc AI được công bố. Các công ty tư nhân đã ban hành nhiều tài liệu như vậy nhất trong số tất cả các loại tổ chức. Châu Âu và Trung Á dẫn đầu về số lượng xuất bản (52), tiếp theo là Bắc Mỹ (41) và Đông Á và Thái Bình Dương (14). Đỉnh điểm của hoạt động xuất bản rơi vào năm 2018, đặc biệt từ phía các công ty công nghệ — IBM, Google, Facebook — và các cơ quan nhà nước của Vương quốc Anh, EU và Úc[1][29].

Các nhà phê bình chỉ ra rằng việc công bố các nguyên tắc đạo đức thường không đi kèm với các khuôn khổ thể chế và mang tính tự nguyện. Tính chất mơ hồ và trừu tượng của nhiều nguyên tắc không đưa ra hướng dẫn rõ ràng cho việc thực hiện chúng[1].

Đạo đức trong truyền thông

Năm chủ đề được thảo luận nhiều nhất năm 2020 liên quan đến việc sử dụng đạo đức AI: công bố Sách Trắng của Ủy ban Châu Âu về AI, Google sa thải nhà nghiên cứu đạo đức Timnit Gebru, ủy ban Liên Hợp Quốc về đạo đức AI, kế hoạch đạo đức AI của Vatican và IBM rút khỏi lĩnh vực kinh doanh nhận dạng khuôn mặt[1].

Đạo đức tại hội nghị

Số lượng bài báo có từ khóa liên quan đến đạo đức trong tiêu đề được gửi đến các hội nghị AI đã tăng từ năm 2015, mặc dù số lượng trung bình các tiêu đề như vậy tại các hội nghị lớn vẫn còn thấp[1].

Đạo đức trong giáo dục

Dữ liệu khảo sát AI Index cho thấy các khóa học về đạo đức AI ngày càng trở nên phổ biến trong các khoa máy tính của các trường đại học hàng đầu thế giới[1].

Chương 6. Đa dạng trong AI

Chương này phân tích đa dạng giới tính, chủng tộc, dân tộc và sự đại diện của cộng đồng LGBTQ+ trong lĩnh vực AI[1].

Đa dạng giới tính

Theo dữ liệu CRA, phụ nữ chỉ chiếm 16% giảng viên cơ hữu khoa học máy tính tại một số trường đại học hàng đầu thế giới[1][4].

Đa dạng chủng tộc và dân tộc

Trong số những người mới nhận bằng tiến sĩ về AI tại Mỹ năm 2019: 45% là người da trắng, 22,4% là người châu Á, 3,2% là người gốc Latinh, 2,4% là người Mỹ gốc Phi. Tỷ lệ người da trắng (không phải gốc Tây Ban Nha) trong số những người mới nhận bằng tiến sĩ về khoa học máy tính hầu như không thay đổi trong 10 năm qua, trung bình đạt 62,7%[1][4].

Thành phần chủng tộc của đội ngũ giáo sư. Trong số 15 trường đại học đã trả lời câu hỏi về thành phần chủng tộc: 67,0% giảng viên cơ hữu là người da trắng, 14,3% là người châu Á, 0,8% là người gốc Latinh, 0,6% là người da đen hoặc người Phi[1].

Black in AI. Tổ chức Black in AI, được thành lập năm 2017 bởi Timnit Gebru và Rediet Abebe, có khoảng 3.000 thành viên vào năm 2020. Sự tham gia vào các hội thảo BAI tại NeurIPS tăng đáng kể: số lượng người tham dự và bài báo được gửi năm 2019 cao gấp 2,6 lần so với năm 2017[1].

Bản dạng giới tính và xu hướng tình dục

Theo dữ liệu khảo sát Queer in AI (QAI) năm 2020, gần một nửa số người được hỏi coi sự thiếu hòa nhập trong lĩnh vực AI là rào cản cho sự nghiệp của họ. Hơn 40% thành viên QAI báo cáo bị phân biệt đối xử hoặc quấy rối tại nơi làm việc hoặc trong học tập. 81,4% cho rằng thiếu hình mẫu là rào cản chính[1][30].

Chương 7. Chính sách và Chiến lược Quốc gia về AI

Chương này bao gồm bức tranh quản lý AI ở cấp địa phương, quốc gia và quốc tế[1].

Chiến lược quốc gia

Kể từ khi Canada công bố chiến lược quốc gia về AI đầu tiên trên thế giới vào năm 2017, hơn 30 quốc gia và khu vực đã công bố các tài liệu tương tự vào tháng 12 năm 2020. Thêm 22 quốc gia đang trong quá trình xây dựng chiến lược[1].

Năm Chiến lược
2017 Canada, Trung Quốc, Nhật Bản, Phần Lan, UAE
2018 EU, Pháp, Đức, Hàn Quốc, Vương quốc Anh, Ấn Độ, Mexico, Úc và các nước khác
2019 Mỹ (cập nhật), Nga, Hà Lan, Cộng hòa Séc, Singapore và các nước khác
2020 Tây Ban Nha, Brazil, Ba Lan, Thổ Nhĩ Kỳ và các nước khác

Canada (2017): Pan-Canadian AI Strategy, ngân sách 125 triệu CAD (97 triệu USD), tập trung vào đào tạo nhân lực và các khía cạnh đạo đức[1].

Trung Quốc (2017): một trong những chiến lược toàn diện nhất, bao gồm nghiên cứu và phát triển, giáo dục, các tiêu chuẩn đạo đức và an ninh quốc gia. Mục tiêu: đạt mức thế giới vào năm 2020, trở thành nhà lãnh đạo thế giới vào năm 2025, trung tâm đổi mới chính vào năm 2030[1].

EU (2018): Coordinated Plan on Artificial Intelligence, tối thiểu 1 tỷ EUR mỗi năm cho nghiên cứu AI và 4,9 tỷ EUR cho các khía cạnh khác của chiến lược[1].

Pháp (2018): AI for Humanity, ngân sách 1,5 tỷ EUR đến năm 2022, các lĩnh vực chiến lược: chăm sóc sức khỏe, môi trường, giao thông và quốc phòng[1].

Hợp tác quốc tế

Việc ra mắt Quan hệ Đối tác Toàn cầu về AI (GPAI) và Đài quan sát Chính sách AI của OECD vào năm 2020 đã thúc đẩy các nỗ lực liên chính phủ để hỗ trợ phát triển AI[1][31][32].

Đầu tư nhà nước của Mỹ

Ngân sách liên bang. Báo cáo phân tích dữ liệu về ngân sách liên bang Mỹ cho nghiên cứu và phát triển phi quân sự trong lĩnh vực AI[1].

Ngân sách Bộ Quốc phòng. Bao gồm dữ liệu về yêu cầu ngân sách AI của Bộ Quốc phòng Mỹ[1].

Hợp đồng nhà nước. Phân tích tổng chi tiêu hợp đồng và phân bổ theo cơ quan[1][6].

Hoạt động lập pháp

Quốc hội Mỹ. Quốc hội khóa 116 trở thành quốc hội quan tâm đến AI nhất trong lịch sử. Số lần đề cập AI trong các đạo luật, báo cáo ủy ban và báo cáo của Cơ quan Nghiên cứu Quốc hội (CRS) tăng hơn gấp ba lần so với Quốc hội khóa 115[1][6].

Ngân hàng trung ương. Báo cáo bao gồm dữ liệu về các đề cập AI và ML trong tài liệu của các ngân hàng trung ương[1].

Phương pháp luận và Nguồn dữ liệu

Báo cáo dựa trên dữ liệu từ nhiều nguồn[1]:

  • Ấn phẩm: Elsevier/Scopus (70 triệu công trình nghiên cứu có phản biện), Microsoft Academic Graph (MAG, hơn 225 triệu ấn phẩm), arXiv, Nesta.
  • Benchmark: Papers With Code, SuperGLUE, VQA, VCR, COCO, ImageNet, NIST FRVT, LibriSpeech, VoxCeleb, TPTP, CASP và các benchmark khác.
  • Thị trường lao động: LinkedIn Economic Graph, Burning Glass Technologies.
  • Đầu tư: S&P Capital IQ (CapIQ), Crunchbase, NetBase Quid.
  • Hoạt động doanh nghiệp: McKinsey & Company (Global Survey on AI), International Federation of Robotics (IFR), Prattle (earnings calls).
  • Giáo dục: CRA Taulbee Survey, Joint Research Centre (European Commission), khảo sát riêng của AI Index (18 trường đại học từ 9 quốc gia).
  • Đạo đức: AI Ethics Lab (Boston), phân tích truyền thông.
  • Đa dạng: CRA, Black in AI, Queer in AI.
  • Chính sách: Bloomberg Government, OECD AI Policy Observatory.

Trong MAG, mỗi bài báo được tính một lần; khi có nhiều tác giả từ các quốc gia khác nhau, công nhận được phân bổ đều giữa các khu vực độc nhất[1][5].

Nhóm tác giả

Báo cáo được chuẩn bị dưới sự chỉ đạo của các đồng giám đốc Raymond Perrault (SRI International) và Jack Clark (OECD/GPAI). Quản lý nghiên cứu và tổng biên tập — Daniel Zhang (Đại học Stanford). Thành phần ủy ban điều hành còn bao gồm: Erik Brynjolfsson (Stanford), John Etchemendy (Stanford), Deep Ganguli (Stanford), Barbara Grosz (Harvard), Terah Lyons (Partnership on AI), James Manyika (McKinsey Global Institute), Juan Carlos Niebles (Stanford), Michael Sellitto (Stanford), Yoav Shoham (Stanford / AI21 Labs, giám đốc sáng lập)[1].

Công cụ và Dữ liệu mở

Báo cáo đi kèm với các tài nguyên sau[1]:

  • Dữ liệu thô và đồ thị: dữ liệu công khai và hình ảnh độ phân giải cao có sẵn trên Google Drive.
  • Global AI Vibrancy Tool: công cụ trực quan hóa tương tác được cập nhật, cho phép so sánh tới 26 quốc gia theo 22 chỉ số.
  • Ấn phẩm "Measurement in AI Policy: Opportunities and Challenges" (mùa thu 2020): tổng quan về các vấn đề đo lường trong chính sách AI.

Liên kết

Tài liệu tham khảo

Ghi chú

  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_(VI)&oldid=7989"