The 2022 AI Index Report (EL)

From Systems analysis Wiki
Jump to navigation Jump to search

AI Index Report 2022 — η πέμπτη ετήσια έκδοση της έκθεσης AI Index, που εκπονήθηκε από το Ινστιτούτο Τεχνητής Νοημοσύνης με Ανθρωποκεντρικό Προσανατολισμό του Stanford (Stanford HAI)[1]. Η έκθεση του 2022 είναι η πιο εκτενής κατά τη στιγμή της δημοσίευσής της και εκδίδεται σε μια περίοδο μαζικής ανάπτυξης συστημάτων ΑΙ στην οικονομία. Η έκδοση περιλαμβάνει για πρώτη φορά ξεχωριστό κεφάλαιο με εις βάθος ανάλυση της τεχνικής ηθικής του ΑΙ, εκτενή επισκόπηση της ρομποτικής βάσει παγκόσμιας έρευνας ερευνητών, καθώς και στοιχεία για νομοθετικές πρωτοβουλίες στον τομέα του ΑΙ σε 25 χώρες του κόσμου. Η έκθεση παρακολουθεί, συστηματοποιεί και οπτικοποιεί δεδομένα που σχετίζονται με την τεχνητή νοημοσύνη, παρέχοντας αντικειμενική και προσεκτικά επαληθευμένη πληροφόρηση σε υπεύθυνους χάραξης πολιτικής, ερευνητές, στελέχη, δημοσιογράφους και το ευρύ κοινό.

Δομή της έκθεσης

Η έκθεση του 2022 αποτελείται από πέντε θεματικά κεφάλαια και παράρτημα[1]:

  1. Έρευνα και Ανάπτυξη (Research and Development) — τάσεις σε δημοσιεύσεις, διπλώματα ευρεσιτεχνίας, συνέδρια και λογισμικό ανοιχτού κώδικα.
  2. Τεχνική Απόδοση (Technical Performance) — benchmarks σε computer vision, επεξεργασία γλώσσας, ομιλίας, συστήματα συστάσεων, Reinforcement Learning, υλικό και ρομποτική.
  3. Τεχνική Ηθική ΑΙ (Technical AI Ethics) — νέο κεφάλαιο: μετρικές δικαιοσύνης και προκατάληψης, τοξικότητα γλωσσικών μοντέλων, πολυτροπικές στρεβλώσεις, έλεγχος γεγονότων και αξιοπιστία.
  4. Οικονομία και Εκπαίδευση (The Economy and Education) — αγορά εργασίας, επενδύσεις, εταιρική υιοθέτηση ΑΙ και κατάρτιση προσωπικού.
  5. Πολιτική και Διακυβέρνηση ΑΙ (AI Policy and Governance) — νομοθεσία, ρύθμιση και εθνικές στρατηγικές.

Βασικά συμπεράσματα της έκθεσης

Οι συγγραφείς της έκθεσης ανέδειξαν ορισμένες κεντρικές θέσεις για το 2022[1]:

1. Οι ιδιωτικές επενδύσεις στο ΑΙ αυξήθηκαν απότομα και η συγκέντρωση κεφαλαίων εντάθηκε

Οι ιδιωτικές επενδύσεις στο ΑΙ το 2021 ανήλθαν σε περίπου 93,5 δισεκατομμύρια δολάρια — περισσότερο από διπλάσιες σε σχέση με τον δείκτη του 2020. Ωστόσο, ο αριθμός των νεοχρηματοδοτούμενων εταιρειών ΑΙ συνέχισε να μειώνεται: από 1.051 το 2019 και 762 το 2020 σε 746 το 2021. Ενώ το 2020 μόνο 4 γύροι χρηματοδότησης υπερέβησαν τα 500 εκατομμύρια δολάρια, το 2021 οι γύροι αυτοί έγιναν 15[2].

2. ΗΠΑ και Κίνα κυριαρχούν στη διεθνή συνεργασία για το ΑΙ

Παρά την αυξανόμενη γεωπολιτική ένταση, οι ΗΠΑ και η Κίνα παρουσίασαν τον μεγαλύτερο αριθμό κοινών δημοσιεύσεων για το ΑΙ κατά την περίοδο 2010–2021, πολλαπλασιάζοντας κατά πέντε φορές τον όγκο συνεργασίας από το 2010. Αυτό το δίδυμο παρήγαγε 2,7 φορές περισσότερες δημοσιεύσεις από το επόμενο ζεύγος — Ηνωμένο Βασίλειο και Κίνα[3].

3. Τα γλωσσικά μοντέλα γίνονται πιο ισχυρά, αλλά και πιο προκατειλημμένα

Τα μεγάλα γλωσσικά μοντέλα έθεταν νέα ρεκόρ σε τεχνικά benchmarks, ωστόσο τα δεδομένα έδειξαν ότι τα μεγαλύτερα μοντέλα αναπαράγουν σε μεγαλύτερο βαθμό την προκατάληψη από τα δεδομένα εκπαίδευσης. Το μοντέλο με 280 δισεκατομμύρια παραμέτρους (Gopher, DeepMind, 2021) επέδειξε κατά 29% μεγαλύτερη επαγόμενη τοξικότητα σε σύγκριση με το μοντέλο των 117 εκατομμυρίων παραμέτρων, που θεωρούνταν προηγμένο το 2018[4].

4. Άνθηση της ηθικής του ΑΙ

Η έρευνα στον τομέα της δικαιοσύνης και της διαφάνειας του ΑΙ γνώρισε εκρηκτική ανάπτυξη από το 2014: ο αριθμός των σχετικών δημοσιεύσεων σε ηθικά συνέδρια πενταπλασιάστηκε. Η αλγοριθμική δικαιοσύνη και η προκατάληψη έπαψαν να αποτελούν αμιγώς ακαδημαϊκό θέμα και εξελίχθηκαν σε κατεύθυνση έρευνας mainstream. Οι ερευνητές με βιομηχανική υπαγωγή αύξαναν τη συνεισφορά τους σε ηθικά συνέδρια κατά 71% ετησίως[1].

5. Το ΑΙ γίνεται πιο προσιτό και αποδοτικό

Από το 2018, το κόστος εκπαίδευσης ενός συστήματος ταξινόμησης εικόνων μειώθηκε κατά 63,6%, ενώ ο χρόνος εκπαίδευσης βελτιώθηκε κατά 94,4%. Παρόμοια τάση μείωσης κόστους και επιτάχυνσης εκπαίδευσης παρατηρήθηκε και σε άλλες κατηγορίες εργασιών MLPerf: συστάσεις, ανίχνευση αντικειμένων και επεξεργασία γλώσσας[5].

6. Τα δεδομένα ως βασικός πόρος

Τα καλύτερα αποτελέσματα σε τεχνικά benchmarks επιτυγχάνονταν όλο και πιο συχνά μέσω της χρήσης πρόσθετων δεδομένων εκπαίδευσης. Από το 2021, 9 στα 10 προηγμένα συστήματα ΑΙ στα εξεταζόμενα benchmarks εκπαιδεύτηκαν με τη χρήση πρόσθετων δεδομένων. Αυτή η τάση ευνοεί σιωπηλά τις εταιρείες του ιδιωτικού τομέα που έχουν πρόσβαση σε εκτενή datasets[1].

7. Η νομοθεσία για το ΑΙ σε όλο τον κόσμο αναπτύσσεται ταχύτατα

Η ανάλυση του AI Index σε 25 χώρες έδειξε ότι ο αριθμός των νόμων που ψηφίστηκαν και περιέχουν τον όρο «τεχνητή νοημοσύνη» αυξήθηκε από 1 το 2016 σε 18 το 2021. Πρωταγωνιστές του 2021 ήταν η Ισπανία, το Ηνωμένο Βασίλειο και οι ΗΠΑ — με τρεις νόμους η καθεμία[1].

8. Τα ρομποτικά βραχίονες γίνονται πιο προσιτά

Η έρευνα του AI Index έδειξε ότι η διάμεση τιμή των ρομποτικών βραχιόνων μειώθηκε κατά 46,2% σε πέντε χρόνια — από 42.000 δολάρια το 2017 σε 22.600 δολάρια το 2021, καθιστώντας την έρευνα στη ρομποτική πιο προσιτή[1].

9. Τα πολυτροπικά μοντέλα κληρονομούν πολυτροπικές προκαταλήψεις

Τα πολυτροπικά μοντέλα γλώσσας και όρασης (όπως το CLIP) έθεσαν νέα ρεκόρ σε εργασίες ταξινόμησης εικόνων και δημιουργίας εικόνων από κείμενο, ωστόσο αναπαρήγαγαν επίσης κοινωνικά στερεότυπα και προκαταλήψεις. Πειράματα με το CLIP έδειξαν ότι εικόνες μαύρων ανθρώπων ταξινομούνταν εσφαλμένα ως «μη ανθρώπινες» περισσότερο από δύο φορές συχνότερα σε σύγκριση με εικόνες εκπροσώπων οποιασδήποτε άλλης φυλής[6].

10. Κίνηση προς πιο γενικό Reinforcement Learning

Κατά την τελευταία δεκαετία, τα συστήματα ΑΙ κατάκτησαν επιτυχώς στενές εργασίες Reinforcement Learning (π.χ. σκάκι — ο καλύτερος κινητήρας σκακιού υπερέβη τη μέγιστη βαθμολογία του Magnus Carlsen κατά 24%). Ωστόσο, τα τελευταία δύο χρόνια τα συστήματα ΑΙ βελτίωσαν επίσης τα αποτελέσματά τους κατά 129% σε πιο γενικές εργασίες Reinforcement Learning (Procgen), όπου απαιτείται δράση σε νέα, άγνωστα περιβάλλοντα[1].

Κεφάλαιο 1. Έρευνα και Ανάπτυξη

Το κεφάλαιο αναλύει τάσεις σε δημοσιεύσεις, διπλώματα ευρεσιτεχνίας, συνέδρια και λογισμικό ανοιχτού κώδικα[1].

Δημοσιεύσεις

Ο συνολικός αριθμός αγγλόφωνων δημοσιεύσεων για το ΑΙ συνέχισε να αυξάνεται και έφτασε τις 334.500 το 2021[3].

Κατά τύπο δημοσίευσης. Το 2021 εκδόθηκαν περισσότερες από 56.700 δημοσιεύσεις σε αποθετήρια (arXiv κ.ά.), αντανακλώντας τον αυξανόμενο ρόλο των προδημοσιεύσεων (preprints) στην έρευνα για το ΑΙ[1].

Κατά γεωγραφική κατανομή. Το 2021 η Κίνα συνέχισε να ηγείται ως προς τον συνολικό αριθμό δημοσιεύσεων σε περιοδικά, συνέδρια και αποθετήρια — κατά 63,2% περισσότερες από τις ΗΠΑ. Παράλληλα, οι ΗΠΑ διατηρούσαν κυρίαρχη θέση ως προς τον αριθμό αναφορών σε δημοσιεύσεις συνεδρίων και αποθετηρίων[3]:

Δείκτης Κίνα ΕΕ + Ηνωμένο Βασίλειο ΗΠΑ
Μερίδιο δημοσιεύσεων συνεδρίων (2021) 27,6% 19,0% 16,9%
Μερίδιο αναφορών συνεδρίων (2021) 15,3% 23,3% 29,5%
Μερίδιο δημοσιεύσεων αποθετηρίων (2021) 16,6% 23,9% 32,5%
Μερίδιο αναφορών αποθετηρίων (2021) 16,4% 20,1% 38,6%

Διατομεακή συνεργασία. Από το 2010 έως το 2021 ο μεγαλύτερος αριθμός κοινών δημοσιεύσεων για το ΑΙ παράχθηκε από συνεργασίες μεταξύ εκπαιδευτικών και μη κερδοσκοπικών οργανισμών, στη συνέχεια — μεταξύ ιδιωτικών εταιρειών και εκπαιδευτικών ιδρυμάτων, καθώς και μεταξύ εκπαιδευτικών και κρατικών φορέων[1].

Διπλώματα ευρεσιτεχνίας

Ο αριθμός των κατατεθειμένων αιτήσεων διπλωμάτων ευρεσιτεχνίας στον τομέα του ΑΙ το 2021 υπερέβη κατά περισσότερο από 30 φορές τον δείκτη του 2015, με μέσο ετήσιο ρυθμό ανάπτυξης 76,9%. Ως προς τη γεωγραφική κατανομή, η Ανατολική Ασία και η Περιοχή του Ειρηνικού κυριάρχησαν με μερίδιο 62,1% των αιτήσεων. Η Κίνα κατέθετε τρεις φορές περισσότερες αιτήσεις από τις ΗΠΑ — 87.343 αιτήσεις με 1.407 εγκεκριμένα διπλώματα ευρεσιτεχνίας το 2021[3].

Συνέδρια

Η συμμετοχή στα κορυφαία συνέδρια ΑΙ το 2021 παρέμεινε στο επίπεδο του 2020 — περισσότεροι από 88.000 συμμετέχοντες σε όλο τον κόσμο. Τα περισσότερα συνέδρια πραγματοποιήθηκαν εξ αποστάσεως λόγω της πανδημίας COVID-19. Μόνο το ICRA και το EMNLP χρησιμοποίησαν υβριδικό μορφότυπο[1].

Κεφάλαιο 2. Τεχνική Απόδοση

Το κεφάλαιο παρουσιάζει εκτενή ανάλυση της προόδου σε computer vision, επεξεργασία γλώσσας, ομιλίας, συστήματα συστάσεων, Reinforcement Learning, υλικό και ρομποτική[1].

Computer Vision

ImageNet. Η ακρίβεια ταξινόμησης εικόνων στο ImageNet συνέχισε να αυξάνεται. Τα συστήματα που χρησιμοποιούσαν πρόσθετα δεδομένα εκπαίδευσης επέδειξαν σημαντικά υψηλότερα αποτελέσματα. Το 2021, το μοντέλο CoAtNet, εκπαιδευμένο σε ImageNet-21K + JFT, έφτασε top-1 accuracy 90,88%, υπερβαίνοντας ουσιαστικά το ανθρώπινο επίπεδο (περίπου 94,9% κατά top-5)[1].

Εξειδικευμένες υποεργασίες. Το 2021 παρατηρήθηκε αυξημένο ενδιαφέρον για εξειδικευμένες υποεργασίες computer vision — ιατρική τμηματοποίηση εικόνων και αναγνώριση προσώπου με μάσκα. Για παράδειγμα, ενώ πριν το 2020 μόνο 3 ερευνητικές εργασίες είχαν δοκιμάσει συστήματα στο benchmark Kvasir-SEG (ιατρική απεικόνιση), το 2021 ο αριθμός αυτός ανήλθε σε 25[1].

Οπτική κοινή λογική (VCR). Έως τα τέλη του 2021 το καλύτερο αποτέλεσμα στο benchmark Visual Commonsense Reasoning ήταν 72,0 — αύξηση 63,6% από το 2018, αν και τα συστήματα υπολείπονταν ακόμη σημαντικά του ανθρώπινου επιπέδου. Οι βελτιώσεις γίνονταν ολοένα πιο οριακές, υποδηλώνοντας την ανάγκη για νέες προσεγγίσεις[1].

Επεξεργασία Φυσικής Γλώσσας

SuperGLUE. Στην κορυφή του leaderboard SuperGLUE βρισκόταν το μοντέλο SS-MoE με αποτέλεσμα 91,0, υπερβαίνοντας το ανθρώπινο επίπεδο (89,8). Η ταχεία πρόοδος στο SuperGLUE υπέδειξε την ανάγκη ανάπτυξης πιο σύνθετων γλωσσικών benchmarks[7].

SQuAD. Τα συστήματα ΑΙ υπερέβησαν το ανθρώπινο επίπεδο στο benchmark SQuAD 2.0 για κατανόηση ανάγνωσης κατά 1–5%, ωστόσο σε πιο σύνθετες εργασίες, όπως η αποπαγωγική λογική συμπερασμός σε φυσική γλώσσα (aNLI), ο άνθρωπος εξακολουθούσε να υπερτερεί, αν και το χάσμα μειώθηκε από 9 μονάδες το 2019 σε 1 μονάδα το 2021[1].

Μηχανική μετάφραση. Ο αριθμός των εμπορικά διαθέσιμων συστημάτων μηχανικής μετάφρασης συνέχισε να αυξάνεται, ενώ η ποιότητα μετάφρασης στα κύρια ζεύγη γλωσσών (WMT 2014) βελτιωνόταν σταθερά[8].

Αναγνώριση Ομιλίας

Στο benchmark LibriSpeech (Test-Clean) ο δείκτης σφάλματος αναγνώρισης λέξεων (WER) συνέχισε να μειώνεται, πλησιάζοντας το ανθρώπινο επίπεδο. Πρόοδος επιτεύχθηκε επίσης σε πιο σύνθετα datasets ομιλίας[1].

Reinforcement Learning

Atari-57. Τα συστήματα Reinforcement Learning συνέχισαν να βελτιώνονται στις κλασικές εργασίες Arcade Learning Environment. Το μοντέλο MuZero (DeepMind) παρέμεινε ένα από τα κορυφαία[1].

Procgen. Στο benchmark Procgen, που δοκιμάζει την ικανότητα γενίκευσης σε νέα περιβάλλοντα, τα συστήματα ΑΙ βελτίωσαν το αποτέλεσμά τους κατά 129% σε δύο χρόνια, υποδηλώνοντας κίνηση προς πιο γενικούς πράκτορες[1].

Σκάκι. Ο καλύτερος κινητήρας σκακιού υπερέβη τη μέγιστη βαθμολογία ELO του Magnus Carlsen κατά 24%[9].

Υλικό και κόστος εκπαίδευσης

MLPerf. Τα δεδομένα του benchmark MLPerf έδειξαν σταθερή μείωση του χρόνου εκπαίδευσης με ταυτόχρονη αύξηση του αριθμού των χρησιμοποιούμενων επιταχυντών. Το χάσμα μεταξύ του μέσου αριθμού επιταχυντών των πρωτοπόρων και όλων των συμμετεχόντων αυξήθηκε κατά 9 φορές από το 2018 έως το 2021, υποδηλώνοντας αυξανόμενες απαιτήσεις σε υλικούς πόρους[5].

Κόστος εκπαίδευσης ImageNet. Το κόστος εκπαίδευσης ενός υψηλής απόδοσης συστήματος ταξινόμησης εικόνων με ακρίβεια 93% μειώθηκε από 1.112,6 δολάρια το 2017 σε 4,6 δολάρια το 2021 — πτώση 223 φορές σε τέσσερα χρόνια[1].

Ρομποτική

Τιμές βραχιόνων. Η έρευνα του AI Index που διεξήχθη σε 509 καθηγητές ρομποτικής από 67 πανεπιστήμια σε όλο τον κόσμο ανέδειξε μείωση της διάμεσης τιμής ρομποτικών βραχιόνων κατά 46,2% — από 42.000 δολάρια το 2017 σε 22.600 δολάρια το 2021[1].

Δεξιότητες ΑΙ στη ρομποτική. Το 67% των ερωτηθέντων καθηγητών ρομποτικής ανέφεραν τη χρήση deep learning, ενώ το 46% — Reinforcement Learning στην έρευνά τους[1].

Κεφάλαιο 3. Τεχνική Ηθική ΑΙ

Το κεφάλαιο, που συμπεριλήφθηκε στην έκθεση για πρώτη φορά, παρέχει εις βάθος ανάλυση μετρικών δικαιοσύνης και προκατάληψης, τοξικότητας γλωσσικών μοντέλων, πολυτροπικών στρεβλώσεων, καθώς και ζητημάτων ελέγχου γεγονότων και αξιοπιστίας του ΑΙ[1].

Μετα-ανάλυση μετρικών δικαιοσύνης και προκατάληψης

Ο αριθμός μετρικών για τη μέτρηση προκατάληψης και δικαιοσύνης του ΑΙ αυξανόταν σταθερά από το 2018. Οι μετρικές χωρίζονται σε δύο βασικούς τύπους: datasets αναφοράς (π.χ. StereoSet, CrowS-Pairs), που μετρούν την εσωτερική συμπεριφορά του μοντέλου, και διαγνωστικές μετρικές (π.χ. δημογραφική ισότητα, ισότητα ευκαιριών), που αξιολογούν τον αντίκτυπο του μοντέλου σε συγκεκριμένες ομάδες του πληθυσμού[1].

Τοξικότητα γλωσσικών μοντέλων

RealToxicityPrompts. Η τοξικότητα των γλωσσικών μοντέλων εξαρτιόταν σημαντικά από τα δεδομένα εκπαίδευσης. Μοντέλα εκπαιδευμένα σε κείμενο φιλτραρισμένο από τοξικό περιεχόμενο (π.χ. C4 με φιλτράρισμα) ήταν σημαντικά λιγότερο τοξικά σε σύγκριση με μοντέλα εκπαιδευμένα σε αφιλτράριστο διαδικτυακό περιεχόμενο[10].

Κλίμακα και τοξικότητα. Η ανάλυση του μοντέλου Gopher (DeepMind, 280 δισεκατομμύρια παράμετροι) έδειξε ότι τα μεγαλύτερα μοντέλα είναι πιο πιθανό να παράγουν τοξικές συνεχίσεις με κατάλληλα prompts, αλλά ταυτόχρονα είναι ικανότερα να αναγνωρίζουν τοξικό περιεχόμενο[4].

Αποτοξίνωση. Οι μέθοδοι αποτοξίνωσης γλωσσικών μοντέλων (DAPT, PPLM, GeDi) οδηγούσαν συστηματικά σε υποβάθμιση της απόδοσης, και μάλιστα δυσανάλογα εντονότερα στα Αφροαμερικανικά Αγγλικά και σε κείμενα που περιέχουν αναφορές σε μειονότητες[11].

Στερεότυπα και προκατάληψη

StereoSet μετρούσε στερεοτυπική προκατάληψη κατά άξονες φύλου, φυλής, θρησκείας και επαγγέλματος. CrowS-Pairs αξιολογούσε τον βαθμό στερεοτυπικής προκατάληψης σε masked γλωσσικά μοντέλα. Winogender και WinoBias δοκίμαζαν τη γεντερική προκατάληψη σε εργασίες συναναφοράς, και WinoMT — στη μηχανική μετάφραση[1].

Πολυτροπικές προκαταλήψεις (CLIP)

Το μοντέλο CLIP (Contrastive Language-Image Pretraining, OpenAI) επέδειξε εντυπωσιακά αποτελέσματα στην ταξινόμηση εικόνων, ωστόσο κληρονόμησε προκαταλήψεις ως προς το φύλο, τη φυλή και την ηλικία από τα δεδομένα εκπαίδευσης (400 εκατομμύρια ζεύγη «εικόνα–κείμενο» από το διαδίκτυο). Βασικά ευρήματα[1]:

  • Βλάβη δυσφήμισης: κατά την προσθήκη μη ανθρώπινων και εγκληματικών κατηγοριών στην ταξινόμηση, εικόνες μαύρων ανθρώπων αποδίδονταν εσφαλμένα σε μη ανθρώπινες κατηγορίες στο 14% των περιπτώσεων — διπλάσιο ποσοστό σε σχέση με άλλες φυλές.
  • Γεντερική προκατάληψη: οι ετικέτες «νταντά» και «οικιακή βοηθός» συσχετίζονταν με γυναίκες, ενώ «κρατούμενος» και «μαφιόζος» — με άνδρες.
  • Διάδοση προκατάληψης: οι προκαταλήψεις του CLIP μεταδόθηκαν στο dataset LAION-400M, που επιμελήθηκε με τη χρήση embeddings του CLIP, επηρεάζοντας όλες τις μεταγενέστερες εφαρμογές.

Έλεγχος γεγονότων και αξιοπιστία

TruthfulQA. Η ανάλυση πολλών οικογενειών γλωσσικών μοντέλων στο benchmark TruthfulQA έδειξε ότι η κλιμάκωση βασικών μοντέλων (οικογένεια GPT-3) οδηγούσε σε μείωση της αξιοπιστίας. Ωστόσο, τα μοντέλα fine-tuned με ανθρώπινη ανατροφοδότηση (InstructGPT, WebGPT) γίνονταν πιο αξιόπιστα καθώς κλιμακώνονταν[12].

FEVER. Στο benchmark FEVER (Fact Extraction and VERification) τα αυτοματοποιημένα συστήματα ελέγχου γεγονότων συνέχισαν να βελτιώνονται, αν και εξακολουθούσαν να υπολείπονται του ανθρώπινου επιπέδου[1].

Τάσεις σε ηθικά συνέδρια

Η ανάλυση δημοσιεύσεων στο συνέδριο FAccT (Fairness, Accountability, and Transparency) και σε θεματικά workshops του NeurIPS ανέδειξε αύξηση εργασιών για ερμηνευσιμότητα, εξηγησιμότητα, αιτιακή συλλογιστική, εμπιστευτικότητα, συλλογή δεδομένων, δικαιοσύνη και προκατάληψη. Οι ερευνητές με βιομηχανική υπαγωγή αύξησαν σημαντικά τη συμβολή τους σε αυτές τις πλατφόρμες[1].

Κεφάλαιο 4. Οικονομία και Εκπαίδευση

Το κεφάλαιο εξετάζει τις τάσεις στην αγορά εργασίας, τις επενδύσεις, την εταιρική υιοθέτηση ΑΙ και την κατάρτιση προσωπικού[1].

Αγορά εργασίας

Πρόσληψη ειδικών ΑΙ. Σύμφωνα με το LinkedIn, η Νέα Ζηλανδία παρουσίασε τη μεγαλύτερη αύξηση προσλήψεων ειδικών ΑΙ — 2,42 φορές από το 2016 έως το 2021, ακολουθούμενη από το Χονγκ Κονγκ (1,56×), την Ιρλανδία (1,28×), το Λουξεμβούργο (1,26×) και τη Σουηδία (1,24×)[13].

Κενές θέσεις εργασίας. Σύμφωνα με το Emsi Burning Glass, η Σιγκαπούρη ηγείτο ως προς το μερίδιο των θέσεων εργασίας ΑΙ στο σύνολο των κενών θέσεων — 2,33%, ακολουθούμενη από τις ΗΠΑ (0,90%), τον Καναδά (0,78%) και το Ηνωμένο Βασίλειο (0,74%). Στις ΗΠΑ ο μεγαλύτερος αριθμός θέσεων εργασίας ΑΙ παρατηρήθηκε στην Καλιφόρνια (περισσότερο από 2,35 φορές σε σχέση με το Τέξας), ενώ το μεγαλύτερο μερίδιο — στην Ουάσινγκτον (Περιφέρεια Κολούμπια)[14].

Επενδύσεις

Γενικές τάσεις. Οι συνολικές εταιρικές επενδύσεις στο ΑΙ το 2021 έφτασαν σε ρεκόρ 176,5 δισεκατομμυρίων δολαρίων, εκ των οποίων οι ιδιωτικές επενδύσεις ανήλθαν σε 93,5 δισεκατομμύρια (αύξηση άνω του διπλάσιου σε σχέση με το 2020), συγχωνεύσεις και εξαγορές — περίπου 72 δισεκατομμύρια, δημόσιες εισαγωγές — περίπου 9,5 δισεκατομμύρια[2].

Γεωγραφική κατανομή. Οι ΗΠΑ ηγήθηκαν με ιδιωτικές επενδύσεις περίπου 52,9 δισεκατομμυρίων δολαρίων — περισσότερο από τριπλάσιες σε σύγκριση με την Κίνα (17,2 δισεκατομμύρια). Το Ηνωμένο Βασίλειο κατέλαβε την τρίτη θέση (4,65 δισεκατομμύρια), ακολουθούμενο από το Ισραήλ (2,4 δισεκατομμύρια) και τη Γερμανία (1,98 δισεκατομμύρια)[2].

Χώρα Ιδιωτικές επενδύσεις 2021 (δισ. USD) Ιδιωτικές επενδύσεις 2013–2021 (δισ. USD)
ΗΠΑ 52,9 149,0
Κίνα 17,2 61,9
Ηνωμένο Βασίλειο 4,65 10,8
Ισραήλ 2,4 6,1
Γερμανία 1,98 3,9
Ινδία 1,87 10,8

Τομεακή εστίαση. Το μεγαλύτερο όγκο ιδιωτικών επενδύσεων το 2021 προσέλκυσε ο τομέας «διαχείριση δεδομένων, επεξεργασία και νέφος» — 2,6 φορές περισσότερο από το 2020, ακολουθούμενος από την «ιατρική και υγειονομική περίθαλψη» (11,29 δισεκατομμύρια) και το «fintech» (10,26 δισεκατομμύρια)[2].

Συγκέντρωση κεφαλαίων. Το μέσο μέγεθος συμφωνίας ιδιωτικών επενδύσεων στο ΑΙ το 2021 αυξήθηκε κατά 81,1% σε σύγκριση με το 2020. Παράλληλα, ο αριθμός των νεοχρηματοδοτούμενων εταιρειών ΑΙ μειωνόταν για τρίτο συνεχόμενο έτος (από την κορύφωση του 2018)[2].

Εταιρική υιοθέτηση

Σύμφωνα με τη McKinsey, το μέσο επίπεδο υιοθέτησης ΑΙ από οργανισμούς το 2021 ήταν 56% (αύξηση 6 μονάδων από το 2020). Πρώτη ήταν η Ινδία (65%), ακολουθούμενη από τις ανεπτυγμένες χώρες της Ασίας-Ειρηνικού (64%), τις αναδυόμενες αγορές (57%) και τη Βόρεια Αμερική (55%)[15].

Διαχείριση κινδύνων. Οι προσπάθειες αντιμετώπισης ηθικών ζητημάτων ΑΙ στη βιομηχανία παρέμεναν περιορισμένες: αν και το 29% των ερωτηθέντων της McKinsey αναγνώριζε τη «δικαιοσύνη και ισότητα» ως κίνδυνο κατά την υιοθέτηση ΑΙ, μόνο το 19% λάμβανε μέτρα για τη μείωσή τους. Ομοίως, το 41% αναγνώριζε την «εξηγησιμότητα» ως κίνδυνο, αλλά μόνο το 27% εργαζόταν για την εξασφάλισή της[15].

Εκπαίδευση

Προπτυχιακό επίπεδο. Ο αριθμός των αποφοίτων πτυχιακού στην επιστήμη υπολογιστών στη Βόρεια Αμερική (σε ιδρύματα που απονέμουν διδακτορικούς τίτλους) αυξήθηκε 3,5 φορές από το 2010 έως το 2020, φτάνοντας τους 31.000 — αύξηση 11,6% σε σύγκριση με το 2019[16].

Διδακτορικό επίπεδο. Το 2020, ένας στους πέντε αποφοίτους PhD στην επιστήμη υπολογιστών ειδικεύτηκε στο ΑΙ/Machine Learning — η πιο δημοφιλής ειδίκευση της τελευταίας δεκαετίας. Ο αριθμός των PhD με αυτή την ειδίκευση αυξήθηκε κατά 72,05% από το 2010 έως το 2020[16].

Κεφάλαιο 5. Πολιτική και Διακυβέρνηση ΑΙ

Το κεφάλαιο αναλύει τη νομοθετική και ρυθμιστική δραστηριότητα στον τομέα του ΑΙ σε παγκόσμιο επίπεδο και ανά χώρα[1].

Παγκόσμια νομοθεσία

Η ανάλυση του AI Index κάλυψε νομοθετικές πρωτοβουλίες σε 25 χώρες. Κατά την περίοδο 2016–2021 ψηφίστηκαν 55 νόμοι που περιέχουν αναφορά στην «τεχνητή νοημοσύνη». Η αύξηση ήταν απότομη: από 1 νόμο το 2016 σε 18 το 2021[1].

Χώρες με τους περισσότερους νόμους (2016–2021):

Χώρα Νόμοι (2016–2021) Νόμοι (2021)
ΗΠΑ 13 3
Ρωσία 6 2
Βέλγιο 5 2
Ισπανία 5 3
Ηνωμένο Βασίλειο 5 3
Γαλλία 4 1
Ιταλία 3 1

Μεταξύ των νόμων που ψηφίστηκαν: ο καναδικός Budget Implementation Act (2017) με διάθεση 125 εκατομμυρίων δολαρίων για στρατηγική ΑΙ· ο ρωσικός Ομοσπονδιακός Νόμος της 24.04.2020 αριθ. 123-ΦΖ για το πειραματικό νομικό καθεστώς για το ΑΙ στη Μόσχα· ο αμερικανικός IOGAN Act (2020) για τη χρηματοδότηση έρευνας σε deepfakes· το βελγικό διάταγμα για τη σύσταση ηθικής επιτροπής για εργαλεία ΑΙ (2021)[1].

Νομοθεσία στις ΗΠΑ

Σε ομοσπονδιακό επίπεδο ο αριθμός των προτεινόμενων νομοσχεδίων για το ΑΙ αυξήθηκε από 1 το 2015 σε 130 το 2021, ωστόσο μόνο το 2% από αυτά εγκρίθηκε. Σε επίπεδο πολιτειών ο αριθμός των προτεινόμενων νομοσχεδίων αυξήθηκε από 2 το 2012 σε 131 το 2021, με ποσοστό έγκρισης 20% (26 από τα 131)[17].

Η Μασαχουσέτη πρότεινε τον μεγαλύτερο αριθμό νομοσχεδίων ΑΙ σε επίπεδο πολιτείας (40 από το 2012), ακολουθούμενη από τη Χαβάη (35) και το Νιου Τζέρσεϊ (32)[17].

Αναφορές ΑΙ σε κοινοβουλευτικά έγγραφα

Οι αναφορές στο ΑΙ σε κυβερνητικά πρακτικά 25 χωρών αυξήθηκαν κατά 7,7 φορές σε έξι χρόνια (2016–2021), φτάνοντας τις 1.323 το 2021. Το Ηνωμένο Βασίλειο κυριάρχησε με 939 αναφορές για ολόκληρη την περίοδο, ακολουθούμενο από την Ισπανία, την Ιαπωνία, τις ΗΠΑ και την Αυστραλία[1].

Στο Κογκρέσο των ΗΠΑ η 117η σύνοδος (που ξεκίνησε το 2021) είχε ήδη καταγράψει 295 αναφορές ΑΙ στο τέλος του πρώτου έτους — σε τροχιά να υπερβεί το ρεκόρ της 116ης συνόδου (506 αναφορές για το 2019–2020)[17].

Μεθοδολογία

Η έκθεση χρησιμοποιεί δεδομένα από πλήθος πηγών[1]:

  • Δημοσιεύσεις και διπλώματα ευρεσιτεχνίας: Center for Security and Emerging Technology (CSET), Πανεπιστήμιο Georgetown.
  • Benchmarks: Papers With Code, leaderboards SuperGLUE, SQuAD, VCR, MLPerf κ.ά.
  • Επενδύσεις και νεοφυείς επιχειρήσεις: NetBase Quid.
  • Αγορά εργασίας: Emsi Burning Glass, LinkedIn.
  • Εταιρική δραστηριότητα: McKinsey & Company.
  • Ρομποτική: αρχική έρευνα του AI Index (509 καθηγητές, 67 πανεπιστήμια).
  • Νομοθεσία: AI Index (παγκόσμια ανάλυση 25 χωρών), Bloomberg Government (ΗΠΑ).
  • Εκπαίδευση: CRA Taulbee Survey.
  • Ηθική: RealToxicityPrompts, Perspective API, StereoSet, CrowS-Pairs, Winogender, WinoBias, WinoMT, TruthfulQA, FEVER, FAccT, NeurIPS.

Ομάδα συγγραφέων

Η έκθεση εκπονήθηκε υπό την καθοδήγηση των συν-διευθυντών Jack Clark (Anthropic / OECD) και Raymond Perrault (SRI International) με τη συμμετοχή ευρέος κύκλου ερευνητών και οργανισμών-εταίρων. Στην επιτροπή διακυβέρνησης συμμετείχαν οι Erik Brynjolfsson (Stanford), John Etchemendy (Stanford), Terah Lyons, James Manyika (Google / University of Oxford), Juan Carlos Niebles (Stanford / Salesforce), Michael Sellitto (Stanford), Yoav Shoham (Stanford / AI21 Labs — ιδρυτής-διευθυντής). Διευθυντής έρευνας και κύριος συντάκτης — Nestor Maslej (Stanford). Το AI Index είναι έργο του Ινστιτούτου HAI του Stanford (Human-Centered Artificial Intelligence)[1].

Παραπομπές

Βιβλιογραφία

Σημειώσεις

  1. ↑ 1.00 1.01 1.02 1.03 1.04 1.05 1.06 1.07 1.08 1.09 1.10 1.11 1.12 1.13 1.14 1.15 1.16 1.17 1.18 1.19 1.20 1.21 1.22 1.23 1.24 1.25 1.26 1.27 1.28 1.29 1.30 1.31 1.32 1.33 1.34 1.35 Zhang, D., Maslej, N., Brynjolfsson, E., Etchemendy, J., Lyons, T., Manyika, J., Ngo, H., Niebles, J.C., Sellitto, M., Sakhaee, E., Shoham, Y., Clark, J., Perrault, R. (2022). The AI Index 2022 Annual Report. AI Index Steering Committee, Stanford Institute for Human-Centered AI, Stanford University. https://aiindex.stanford.edu/report/
  2. ↑ 2.0 2.1 2.2 2.3 2.4 NetBase Quid (2021). AI Investment and Startup Activity Data. https://quid.com/
  3. ↑ 3.0 3.1 3.2 3.3 Center for Security and Emerging Technology, Georgetown University (2021). AI Publications and Patents Data. https://cset.georgetown.edu/
  4. ↑ 4.0 4.1 Rae, J. W. et al. (2021). Scaling Language Models: Methods, Analysis & Insights from Training Gopher. https://arxiv.org/abs/2112.11446
  5. ↑ 5.0 5.1 MLCommons (2021). MLPerf Training Benchmark Results. https://mlcommons.org/en/training-normal-11/
  6. ↑ Birhane, A. et al. (2021). Multimodal datasets: misogyny, pornography, and malignant stereotypes. https://arxiv.org/abs/2110.01963
  7. ↑ Wang, A. et al. (2019). SuperGLUE: A Stickier Benchmark for General-Purpose Language Understanding Systems. https://arxiv.org/abs/1905.00537
  8. ↑ Intento (2021). The State of Machine Translation 2021. https://inten.to/
  9. ↑ Swedish Chess Computer Association (2021). Chess Engine Rating List. https://www.ssca.se/
  10. ↑ Gehman, S. et al. (2020). RealToxicityPrompts: Evaluating Neural Toxic Degeneration in Language Models. https://arxiv.org/abs/2009.11462
  11. ↑ Xu, A. et al. (2021). Detoxifying Language Models Risks Marginalizing Minority Voices. https://arxiv.org/abs/2104.06390
  12. ↑ Lin, S., Hilton, J., Evans, O. (2021). TruthfulQA: Measuring How Models Mimic Human Falsehoods. https://arxiv.org/abs/2109.07958
  13. ↑ LinkedIn (2021). AI Hiring Index Data. https://www.linkedin.com/
  14. ↑ Emsi Burning Glass (2021). AI Job Postings Data. https://www.economicmodeling.com/
  15. ↑ 15.0 15.1 McKinsey & Company (2021). The State of AI in 2021. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
  16. ↑ 16.0 16.1 Computing Research Association (2021). CRA Taulbee Survey 2020–2021. https://cra.org/resources/taulbee-survey/
  17. ↑ 17.0 17.1 17.2 Bloomberg Government (2021). U.S. AI Legislative Records. https://about.bgov.com/
Retrieved from "https://systems-analysis.info/int/index.php?title=The_2022_AI_Index_Report_(EL)&oldid=7993"