The 2022 AI Index Report (FA)
AI Index Report 2022 — پنجمین نسخه سالانه گزارش AI Index، تهیهشده توسط مؤسسه هوش مصنوعی انسانمحور دانشگاه استنفورد (Stanford HAI)[1]. گزارش سال ۲۰۲۲ در زمان انتشار خود جامعترین نسخه بوده و در دورهای منتشر میشود که استقرار گسترده سیستمهای هوش مصنوعی در اقتصاد جریان دارد. این نسخه برای اولین بار دارای فصلی مستقل با تحلیل عمیق اخلاق فنی هوش مصنوعی، مروری جامع بر رباتیک بر اساس نظرسنجی جهانی از پژوهشگران، و همچنین دادههایی درباره ابتکارات قانونی در حوزه هوش مصنوعی در ۲۵ کشور جهان است. این گزارش دادههای مرتبط با هوش مصنوعی را ردیابی، دستهبندی و مصورسازی میکند و اطلاعات عینی و دقیقاً تأییدشدهای را برای سیاستگذاران، پژوهشگران، مدیران، روزنامهنگاران و عموم مردم فراهم میآورد.
ساختار گزارش
گزارش سال ۲۰۲۲ از پنج فصل موضوعی و یک ضمیمه تشکیل شده است[1]:
- تحقیق و توسعه (Research and Development) — روندها در انتشارات، ثبت اختراع، کنفرانسها و نرمافزارهای متنباز.
- عملکرد فنی (Technical Performance) — benchmarkها در بینایی ماشین، پردازش زبان، گفتار، سیستمهای توصیهگر، Reinforcement Learning، سختافزار و رباتیک.
- اخلاق فنی هوش مصنوعی (Technical AI Ethics) — فصل جدید: معیارهای انصاف و تعصب، سمیّت مدلهای زبانی، تحریفهای چندوجهی، بررسی واقعیت و صداقت.
- اقتصاد و آموزش (The Economy and Education) — بازار کار، سرمایهگذاریها، استقرار سازمانی هوش مصنوعی و پرورش نیروی انسانی.
- سیاست و حکمرانی هوش مصنوعی (AI Policy and Governance) — قانونگذاری، مقررات و راهبردهای ملی.
یافتههای کلیدی گزارش
نویسندگان گزارش مجموعهای از مهمترین نتایج سال ۲۰۲۲ را برجسته کردهاند[1]:
۱. سرمایهگذاریهای خصوصی در هوش مصنوعی بهشدت افزایش یافت و تمرکز سرمایه تشدید شد
سرمایهگذاریهای خصوصی در هوش مصنوعی در سال ۲۰۲۱ به حدود ۹۳.۵ میلیارد دلار رسید — بیش از دو برابر رقم سال ۲۰۲۰. در همین حال، تعداد شرکتهای هوش مصنوعی که برای اولین بار تأمین مالی شدند به کاهش خود ادامه داد: از ۱٬۰۵۱ در سال ۲۰۱۹ و ۷۶۲ در سال ۲۰۲۰ به ۷۴۶ در سال ۲۰۲۱ رسید. اگر در سال ۲۰۲۰ تنها ۴ دور تأمین مالی از مرز ۵۰۰ میلیون دلار عبور کرد، در سال ۲۰۲۱ این تعداد به ۱۵ رسید[2].
۲. ایالات متحده و چین در همکاریهای بینالمللی هوش مصنوعی تسلط دارند
علیرغم تنشهای ژئوپلیتیکی رو به افزایش، ایالات متحده و چین در دوره ۲۰۱۰–۲۰۲۱ بیشترین تعداد انتشارات مشترک در حوزه هوش مصنوعی را داشتند و حجم همکاری خود را از سال ۲۰۱۰ پنج برابر کردند. این دو کشور ۲.۷ برابر بیشتر از زوج بعدی — انگلستان و چین — انتشار داشتند[3].
۳. مدلهای زبانی قدرتمندتر اما با تعصب بیشتر میشوند
مدلهای زبانی بزرگ رکوردهای جدیدی در benchmarkهای فنی ثبت کردند، اما دادهها نشان داد که مدلهای بزرگتر تعصبات موجود در دادههای آموزشی را بیشتر بازتولید میکنند. مدل با ۲۸۰ میلیارد پارامتر (Gopher، DeepMind، ۲۰۲۱) در مقایسه با مدل با ۱۱۷ میلیون پارامتر که در سال ۲۰۱۸ پیشرفته محسوب میشد، سمیّت القاشده ۲۹٪ بیشتری نشان داد[4].
۴. شکوفایی اخلاق هوش مصنوعی
پژوهشها در حوزه انصاف و شفافیت هوش مصنوعی از سال ۲۰۱۴ رشد انفجاری داشته است: تعداد انتشارات تخصصی در کنفرانسهای اخلاقی پنج برابر شده است. انصاف و تعصب الگوریتمی دیگر صرفاً یک موضوع دانشگاهی نیست و به یک حوزه پژوهشی اصلی تبدیل شده است. پژوهشگران با وابستگی صنعتی سالانه ۷۱٪ مشارکت خود را در کنفرانسهای اخلاقی افزایش دادهاند[1].
۵. هوش مصنوعی در دسترستر و کارآمدتر میشود
از سال ۲۰۱۸، هزینه آموزش یک سیستم طبقهبندی تصویر ۶۳.۶٪ کاهش یافته و زمان آموزش ۹۴.۴٪ بهبود یافته است. روند مشابهی از کاهش هزینه و تسریع آموزش در سایر دستههای وظایف MLPerf نیز مشاهده شد: توصیهگر، تشخیص اشیا و پردازش زبان[5].
۶. داده به عنوان منبع کلیدی
بهترین نتایج در benchmarkهای فنی بهطور فزایندهای با استفاده از دادههای آموزشی بیشتر حاصل میشد. تا سال ۲۰۲۱، ۹ نظام از ۱۰ سیستم هوش مصنوعی پیشرفته در benchmarkهای بررسیشده با استفاده از دادههای اضافی آموزش دیده بودند. این روند به طور ضمنی به نفع شرکتهای بخش خصوصی است که به datasetهای گسترده دسترسی دارند[1].
۷. قانونگذاری درباره هوش مصنوعی در سراسر جهان بهسرعت در حال رشد است
تحلیل AI Index در ۲۵ کشور نشان داد که تعداد قوانین مصوب حاوی عبارت «هوش مصنوعی» از ۱ مورد در سال ۲۰۱۶ به ۱۸ مورد در سال ۲۰۲۱ افزایش یافته است. پیشتازان سال ۲۰۲۱ اسپانیا، انگلستان و ایالات متحده بودند — هر کدام سه قانون مصوب[1].
۸. بازوهای رباتیک ارزانتر میشوند
نظرسنجی AI Index نشان داد که قیمت میانه بازوهای رباتیک طی پنج سال ۴۶.۲٪ کاهش یافته — از ۴۲٬۰۰۰ دلار در سال ۲۰۱۷ به ۲۲٬۶۰۰ دلار در سال ۲۰۲۱ — که پژوهش در حوزه رباتیک را دسترسپذیرتر میکند[1].
۹. مدلهای چندوجهی تعصبات چندوجهی را به ارث میبرند
مدلهای چندوجهی زبان و بینایی (مانند CLIP) رکوردهای جدیدی در وظایف طبقهبندی تصویر و تولید تصویر از توصیف متنی ثبت کردند، اما کلیشههای اجتماعی و تعصبات را نیز بازتولید میکردند. آزمایشهای CLIP نشان داد که تصاویر افراد سیاهپوست بیش از دو برابر بیشتر از افراد سایر نژادها بهاشتباه به عنوان «غیرانسانی» طبقهبندی میشدند[6].
۱۰. حرکت به سوی Reinforcement Learning عمومیتر
طی دهه گذشته، سیستمهای هوش مصنوعی با موفقیت وظایف محدود Reinforcement Learning را فرا میگرفتند (مانند شطرنج — بهترین موتور شطرنج رتبه حداکثری Magnus Carlsen را ۲۴٪ پشت سر گذاشت). اما در دو سال گذشته، سیستمهای هوش مصنوعی نتایج خود را در وظایف عمومیتر Reinforcement Learning (Procgen) — که نیاز به عمل در محیطهای جدید و ناآشنا دارند — ۱۲۹٪ بهبود بخشیدند[1].
فصل ۱. تحقیق و توسعه
این فصل روندها را در انتشارات، ثبت اختراع، کنفرانسها و نرمافزارهای متنباز تحلیل میکند[1].
انتشارات
تعداد کل انتشارات انگلیسیزبان در حوزه هوش مصنوعی به رشد خود ادامه داد و در سال ۲۰۲۱ به ۳۳۴٬۵۰۰ رسید[3].
بر اساس نوع انتشار. در سال ۲۰۲۱ بیش از ۵۶٬۷۰۰ انتشار در مخازن (arXiv و غیره) منتشر شد که نقش رو به رشد پیشانتشارات (preprint) در پژوهشهای هوش مصنوعی را نشان میدهد[1].
بر اساس توزیع جغرافیایی. در سال ۲۰۲۱ چین همچنان با تعداد کل انتشارات در مجلات، کنفرانسها و مخازن پیشتاز بود — ۶۳.۲٪ بیشتر از ایالات متحده. در همین حال، ایالات متحده در تعداد استناد به انتشارات کنفرانسی و مخازن تسلط چشمگیری حفظ کرد[3]:
| شاخص | چین | اتحادیه اروپا + انگلستان | ایالات متحده |
|---|---|---|---|
| سهم انتشارات کنفرانسی (۲۰۲۱) | 27,6% | 19,0% | 16,9% |
| سهم استنادهای کنفرانسی (۲۰۲۱) | 15,3% | 23,3% | 29,5% |
| سهم انتشارات مخازن (۲۰۲۱) | 16,6% | 23,9% | 32,5% |
| سهم استنادهای مخازن (۲۰۲۱) | 16,4% | 20,1% | 38,6% |
همکاری میانبخشی. از سال ۲۰۱۰ تا ۲۰۲۱، بیشترین تعداد انتشارات مشترک هوش مصنوعی توسط همکاریهای میان مؤسسات آموزشی و غیرانتفاعی تولید شد، سپس میان شرکتهای خصوصی و مؤسسات آموزشی، و همچنین میان مؤسسات آموزشی و دولتی[1].
ثبت اختراع
تعداد اظهارنامههای ثبت اختراع در حوزه هوش مصنوعی در سال ۲۰۲۱ بیش از ۳۰ برابر رقم سال ۲۰۱۵ بود و نرخ رشد سالانه ۷۶.۹٪ داشت. از نظر توزیع منطقهای، آسیای شرقی و منطقه اقیانوس آرام با ۶۲.۱٪ از اظهارنامههای ثبت اختراع تسلط داشتند. چین سه برابر بیشتر از ایالات متحده اظهارنامه ثبت اختراع ارائه داد — ۸۷٬۳۴۳ اظهارنامه با ۱٬۴۰۷ اختراع مصوب در سال ۲۰۲۱[3].
کنفرانسها
تعداد شرکتکنندگان در کنفرانسهای برتر هوش مصنوعی در سال ۲۰۲۱ در سطح سال ۲۰۲۰ باقی ماند — بیش از ۸۸٬۰۰۰ شرکتکننده در سراسر جهان. اکثر کنفرانسها به دلیل همهگیری COVID-19 همچنان به صورت مجازی برگزار شدند. تنها ICRA و EMNLP از قالب ترکیبی استفاده کردند[1].
فصل ۲. عملکرد فنی
این فصل تحلیل گستردهای از پیشرفت در بینایی ماشین، پردازش زبان، گفتار، سیستمهای توصیهگر، Reinforcement Learning، سختافزار و رباتیک ارائه میدهد[1].
بینایی ماشین
ImageNet. دقت طبقهبندی تصویر در ImageNet به رشد خود ادامه داد. سیستمهایی که از دادههای آموزشی بیشتری استفاده میکردند نتایج بهمراتب بهتری نشان دادند. در سال ۲۰۲۱، مدل CoAtNet که روی ImageNet-21K + JFT آموزش دیده بود، به top-1 accuracy برابر با ۹۰.۸۸٪ رسید که از سطح انسانی (حدود ۹۴.۹٪ در top-5) فراتر میرود[1].
زیرمسائل تخصصی. در سال ۲۰۲۱ علاقه فزایندهای به زیرمسائل تخصصی بینایی ماشین مشاهده شد — تقطیع تصاویر پزشکی و شناسایی چهره با ماسک. برای مثال، اگر تا سال ۲۰۲۰ تنها ۳ پژوهش سیستمها را روی benchmark کواسیر-SEG (تصویربرداری پزشکی) آزمایش میکرد، در سال ۲۰۲۱ این تعداد به ۲۵ رسید[1].
استدلال بصری متعارف (VCR). تا پایان سال ۲۰۲۱، بهترین نتیجه در benchmark Visual Commonsense Reasoning به ۷۲.۰ رسید — رشد ۶۳.۶٪ از سال ۲۰۱۸ — هرچند سیستمها همچنان بهطور قابل توجهی از سطح انسانی عقب بودند. بهبودها بهتدریج کمرنگتر میشدند و نیاز به رویکردهای جدید را نشان میدادند[1].
پردازش زبان طبیعی
SuperGLUE. در صدر لیدربورد SuperGLUE مدل SS-MoE با نتیجه ۹۱.۰ قرار داشت که از سطح انسانی (۸۹.۸) فراتر رفته است. پیشرفت سریع در SuperGLUE نیاز به توسعه benchmarkهای زبانی پیچیدهتر را نشان میداد[7].
SQuAD. سیستمهای هوش مصنوعی در benchmark درک مطلب SQuAD 2.0 سطح انسانی را ۱ تا ۵٪ پشت سر گذاشتند، اما در وظایف دشوارتر مانند استنتاج منطقی استنتاجی در زبان طبیعی (aNLI) انسان همچنان از هوش مصنوعی پیشی میگرفت، هرچند شکاف از ۹ واحد درصد در سال ۲۰۱۹ به ۱ واحد درصد در سال ۲۰۲۱ کاهش یافت[1].
ترجمه ماشینی. تعداد سیستمهای ترجمه ماشینی در دسترس تجاری به رشد خود ادامه داد و کیفیت ترجمه برای جفتزبانهای اصلی (WMT 2014) بهطور پیوسته بهبود یافت[8].
تشخیص گفتار
در benchmark LibriSpeech (Test-Clean)، نرخ خطای تشخیص کلمه (WER) به کاهش خود ادامه داد و به سطح انسانی نزدیک میشد. پیشرفتهایی نیز در datasetهای گفتاری پیچیدهتر حاصل شد[1].
Reinforcement Learning
Atari-57. سیستمهای Reinforcement Learning در وظایف کلاسیک Arcade Learning Environment به پیشرفت خود ادامه دادند. مدل MuZero (DeepMind) همچنان یکی از پیشروان بود[1].
Procgen. در benchmark Procgen که توانایی تعمیم در محیطهای جدید را آزمایش میکند، سیستمهای هوش مصنوعی نتایج خود را طی دو سال ۱۲۹٪ بهبود بخشیدند که نشانهای از حرکت به سوی عاملهای عمومیتر بود[1].
شطرنج. بهترین موتور نرمافزاری شطرنج رتبه حداکثری ELO Magnus Carlsen را ۲۴٪ پشت سر گذاشت[9].
سختافزار و هزینه آموزش
MLPerf. دادههای benchmark MLPerf کاهش پایدار زمان آموزش را همراه با افزایش تعداد شتابدهندههای مورد استفاده نشان داد. شکاف میان میانگین تعداد شتابدهندههای پیشروان و کل شرکتکنندگان از سال ۲۰۱۸ تا ۲۰۲۱ نه برابر شد که نشاندهنده افزایش نیازمندیهای سختافزاری بود[5].
هزینه آموزش ImageNet. هزینه آموزش یک سیستم طبقهبندی تصویر با عملکرد بالا تا دقت ۹۳٪ از ۱٬۱۱۲.۶ دلار در سال ۲۰۱۷ به ۴.۶ دلار در سال ۲۰۲۱ کاهش یافت — افتی ۲۲۳ برابری در چهار سال[1].
رباتیک
قیمت بازوهای رباتیک. نظرسنجی AI Index که میان ۵۰۹ استاد رباتیک از ۶۷ دانشگاه در سراسر جهان انجام شد، کاهش ۴۶.۲٪ در قیمت میانه بازوی رباتیک را نشان داد — از ۴۲٬۰۰۰ دلار در سال ۲۰۱۷ به ۲۲٬۶۰۰ دلار در سال ۲۰۲۱[1].
مهارتهای هوش مصنوعی در رباتیک. ۶۷٪ از اساتید رباتیک در پژوهشهای خود از deep learning و ۴۶٪ از Reinforcement Learning استفاده میکنند[1].
فصل ۳. اخلاق فنی هوش مصنوعی
این فصل که برای اولین بار در گزارش گنجانده شده، تحلیل عمیقی از معیارهای انصاف و تعصب، سمیّت مدلهای زبانی، تحریفهای چندوجهی، و مسائل بررسی واقعیت و صداقت هوش مصنوعی ارائه میدهد[1].
فراتحلیل معیارهای انصاف و تعصب
تعداد معیارها برای اندازهگیری تعصب و انصاف در هوش مصنوعی از سال ۲۰۱۸ بهطور پیوسته رشد کرده است. معیارها به دو نوع اصلی تقسیم میشوند: datasetهای benchmark (مانند StereoSet، CrowS-Pairs) که رفتار درونی مدل را اندازه میگیرند، و معیارهای تشخیصی (مانند برابری جمعیتی، تساوی فرصت) که تأثیر مدل بر گروههای خاص جمعیتی را ارزیابی میکنند[1].
سمیّت مدلهای زبانی
RealToxicityPrompts. سمیّت مدلهای زبانی بهطور قابل توجهی به دادههای آموزشی وابسته بود. مدلهایی که روی متن پاکسازیشده از محتوای سمی آموزش دیده بودند (مثلاً C4 با فیلترگذاری)، بهطور قابل توجهی سمیّت کمتری نسبت به مدلهایی داشتند که روی محتوای اینترنتی فیلترنشده آموزش دیده بودند[10].
مقیاس و سمیّت. تحلیل مدل Gopher (DeepMind، ۲۸۰ میلیارد پارامتر) نشان داد که مدلهای بزرگتر بیشتر احتمال دارد در صورت وجود promptهای مرتبط، ادامههای سمی تولید کنند، اما در عین حال بهتر قادرند محتوای سمی را تشخیص دهند[4].
سمزدایی. روشهای سمزدایی مدلهای زبانی (DAPT، PPLM، GeDi) بهطور مستمر به کاهش عملکرد منجر میشدند و این افت بهطور نامتناسب شدیدتری روی زبان انگلیسی آمریکاییهای آفریقاییتبار و متون حاوی اشاره به اقلیتها مشاهده میشد[11].
کلیشهها و تعصب
StereoSet تعصب کلیشهای را در محورهای جنسیت، نژاد، دین و حرفه اندازه میگرفت. CrowS-Pairs میزان تعصب کلیشهای در مدلهای زبانی ماسکشده را ارزیابی میکرد. Winogender و WinoBias تعصب جنسیتی را در وظایف همارجاعی آزمایش میکردند، و WinoMT آن را در ترجمه ماشینی بررسی میکرد[1].
تعصبات چندوجهی (CLIP)
مدل CLIP (Contrastive Language-Image Pretraining، OpenAI) نتایج چشمگیری در طبقهبندی تصویر نشان داد، اما تعصبات جنسیتی، نژادی و سنی موجود در دادههای آموزشی (۴۰۰ میلیون جفت «تصویر–متن» از اینترنت) را به ارث برد. یافتههای کلیدی[1]:
- آسیب بدنامسازی: با افزودن دستههای غیرانسانی و جنایی به طبقهبندی، تصاویر افراد سیاهپوست در ۱۴٪ موارد بهاشتباه به دستههای غیرانسانی نسبت داده میشدند — دو برابر بیشتر از سایر نژادها.
- تعصب جنسیتی: برچسبهای «پرستار» و «خانهدار» با زنان، و «زندانی» و «مافیایی» با مردان مرتبط بودند.
- انتشار تعصب: تعصبات CLIP به dataset LAION-400M که با استفاده از embeddingهای CLIP تنظیم شده بود منتقل میشدند و تمام کاربردهای بعدی را تحت تأثیر قرار میدادند.
بررسی واقعیت و صداقت
TruthfulQA. تحلیل چندین خانواده از مدلهای زبانی در benchmark TruthfulQA نشان داد که مقیاسپذیری مدلهای پایه (خانواده GPT-3) به کاهش صداقت منجر میشد. اما مدلهایی که با بازخورد انسانی fine-tuning شده بودند (InstructGPT، WebGPT) با افزایش مقیاس، صادقتر میشدند[12].
FEVER. در benchmark FEVER (Fact Extraction and VERification)، سیستمهای تأیید خودکار واقعیات به پیشرفت خود ادامه دادند، هرچند همچنان از سطح انسانی عقب بودند[1].
روندها در کنفرانسهای اخلاقی
تحلیل انتشارات در کنفرانس FAccT (Fairness, Accountability, and Transparency) و کارگاههای موضوعی NeurIPS افزایش پژوهشها در حوزههای تفسیرپذیری، قابلیت توضیح، استدلال علّی، حریم خصوصی، جمعآوری داده، انصاف و تعصب را نشان داد. پژوهشگران با وابستگی صنعتی مشارکت خود را در این محافل بهطور قابل توجهی افزایش دادند[1].
فصل ۴. اقتصاد و آموزش
این فصل روندها را در بازار کار، سرمایهگذاریها، استقرار سازمانی هوش مصنوعی و پرورش نیروی انسانی بررسی میکند[1].
بازار کار
استخدام متخصصان هوش مصنوعی. بر اساس دادههای LinkedIn، نیوزیلند بیشترین رشد استخدام متخصصان هوش مصنوعی را داشت — ۲.۴۲ برابر از سال ۲۰۱۶ تا ۲۰۲۱ — و پس از آن هنگکنگ (۱.۵۶×)، ایرلند (۱.۲۸×)، لوکزامبورگ (۱.۲۶×) و سوئد (۱.۲۴×) قرار داشتند[13].
آگهیهای شغلی. بر اساس دادههای Emsi Burning Glass، سنگاپور با ۲.۳۳٪ در میان همه آگهیهای شغلی، در رتبه اول آگهیهای شغلی هوش مصنوعی قرار داشت و پس از آن ایالات متحده (۰.۹۰٪)، کانادا (۰.۷۸٪) و انگلستان (۰.۷۴٪) قرار گرفتند. در ایالات متحده، بیشترین تعداد آگهیهای شغلی هوش مصنوعی در کالیفرنیا (بیش از ۲.۳۵ برابر بیشتر از تگزاس) و بیشترین سهم در واشینگتن دیسی مشاهده شد[14].
سرمایهگذاریها
روندهای کلی. مجموع سرمایهگذاریهای سازمانی در هوش مصنوعی در سال ۲۰۲۱ به رکورد ۱۷۶.۵ میلیارد دلار رسید که از این میان سرمایهگذاریهای خصوصی ۹۳.۵ میلیارد (رشد بیش از دو برابر نسبت به سال ۲۰۲۰)، ادغام و تملیک حدود ۷۲ میلیارد و عرضههای عمومی حدود ۹.۵ میلیارد دلار بودند[2].
توزیع منطقهای. ایالات متحده با سرمایهگذاری خصوصی حدود ۵۲.۹ میلیارد دلار پیشتاز بود — بیش از سه برابر چین (۱۷.۲ میلیارد). انگلستان با ۴.۶۵ میلیارد در رتبه سوم قرار گرفت و پس از آن اسرائیل (۲.۴ میلیارد) و آلمان (۱.۹۸ میلیارد) بودند[2].
| کشور | سرمایهگذاری خصوصی ۲۰۲۱ (میلیارد دلار) | سرمایهگذاری خصوصی ۲۰۱۳–۲۰۲۱ (میلیارد دلار) |
|---|---|---|
| ایالات متحده | 52,9 | 149,0 |
| چین | 17,2 | 61,9 |
| انگلستان | 4,65 | 10,8 |
| اسرائیل | 2,4 | 6,1 |
| آلمان | 1,98 | 3,9 |
| هند | 1,87 | 10,8 |
تمرکز بخشی. بزرگترین حجم سرمایهگذاری خصوصی در سال ۲۰۲۱ به حوزه «مدیریت داده، پردازش و ابر» تعلق داشت — ۲.۶ برابر بیشتر از سال ۲۰۲۰ — و پس از آن «پزشکی و بهداشت» (۱۱.۲۹ میلیارد) و «فینتک» (۱۰.۲۶ میلیارد) قرار داشتند[2].
تمرکز سرمایه. میانگین اندازه معامله سرمایهگذاری خصوصی در هوش مصنوعی در سال ۲۰۲۱ نسبت به سال ۲۰۲۰، ۸۱.۱٪ افزایش یافت. در همین حال، تعداد شرکتهای هوش مصنوعی که برای اولین بار تأمین مالی شدند برای سومین سال متوالی کاهش یافت (از اوج در سال ۲۰۱۸)[2].
استقرار سازمانی
بر اساس دادههای McKinsey، میانگین سطح پذیرش هوش مصنوعی توسط سازمانها در سال ۲۰۲۱ به ۵۶٪ رسید (افزایش ۶ واحد درصد نسبت به سال ۲۰۲۰). هند با ۶۵٪ پیشتاز بود و پس از آن کشورهای توسعهیافته منطقه آسیا-اقیانوسیه (۶۴٪)، بازارهای نوظهور (۵۷٪) و آمریکای شمالی (۵۵٪) قرار داشتند[15].
مدیریت ریسک. تلاشهای صنعتی برای رسیدگی به مشکلات اخلاقی هوش مصنوعی محدود بود: هرچند ۲۹٪ از پاسخدهندگان McKinsey «انصاف و برابری» را به عنوان ریسکهای استقرار هوش مصنوعی میشناختند، تنها ۱۹٪ اقداماتی برای کاهش آنها انجام میدادند. به همین ترتیب، ۴۱٪ «قابلیت توضیح» را ریسک میدانستند، اما تنها ۲۷٪ روی تأمین آن کار میکردند[15].
آموزش
مقطع کارشناسی. تعداد فارغالتحصیلان کارشناسی رشته علوم کامپیوتر در آمریکای شمالی (در دانشگاههایی که مدرک دکتری اعطا میکنند) از سال ۲۰۱۰ تا ۲۰۲۰ سه و نیم برابر شد و به بیش از ۳۱٬۰۰۰ نفر رسید — افزایش ۱۱.۶٪ نسبت به سال ۲۰۱۹[16].
دکتری. در سال ۲۰۲۰، از هر پنج فارغالتحصیل PhD در علوم کامپیوتر یکی در حوزه هوش مصنوعی/Machine Learning تخصص داشت — محبوبترین تخصص در دهه گذشته. تعداد دانشجویان PhD با این تخصص از سال ۲۰۱۰ تا ۲۰۲۰، ۷۲.۰۵٪ افزایش یافت[16].
فصل ۵. سیاست و حکمرانی هوش مصنوعی
این فصل فعالیت قانونگذاری و نظارتی در حوزه هوش مصنوعی را در سطح جهانی و در قالب کشورهای جداگانه تحلیل میکند[1].
قانونگذاری جهانی
تحلیل AI Index ابتکارات قانونگذاری در ۲۵ کشور را پوشش داد. در دوره ۲۰۱۶–۲۰۲۱، ۵۵ قانون حاوی اشاره به «هوش مصنوعی» تصویب شد. رشد چشمگیر بود: از ۱ قانون در سال ۲۰۱۶ به ۱۸ قانون در سال ۲۰۲۱[1].
پیشتازان بر اساس تعداد قوانین تصویبشده (۲۰۱۶–۲۰۲۱):
| کشور | قوانین (۲۰۱۶–۲۰۲۱) | قوانین (۲۰۲۱) |
|---|---|---|
| ایالات متحده | 13 | 3 |
| روسیه | 6 | 2 |
| بلژیک | 5 | 2 |
| اسپانیا | 5 | 3 |
| انگلستان | 5 | 3 |
| فرانسه | 4 | 1 |
| ایتالیا | 3 | 1 |
از جمله قوانین تصویبشده: قانون اجرای بودجه کانادا (Budget Implementation Act، ۲۰۱۷) با تخصیص ۱۲۵ میلیون دلار برای راهبرد هوش مصنوعی؛ قانون فدرال روسیه مورخ ۲۴.۰۴.۲۰۲۰ به شماره ۱۲۳-FZ درباره رژیم حقوقی آزمایشی برای هوش مصنوعی در مسکو؛ قانون IOGAN آمریکا (۲۰۲۰) برای تأمین مالی پژوهشهای deepfake؛ و مصوبه بلژیک درباره ایجاد کمیته اخلاقی برای ابزارهای هوش مصنوعی (۲۰۲۱)[1].
قانونگذاری در ایالات متحده
در سطح فدرال، تعداد لوایح پیشنهادی هوش مصنوعی از ۱ مورد در سال ۲۰۱۵ به ۱۳۰ مورد در سال ۲۰۲۱ افزایش یافت، اما تنها ۲٪ از آنها تصویب شدند. در سطح ایالتی، تعداد لوایح پیشنهادی از ۲ مورد در سال ۲۰۱۲ به ۱۳۱ مورد در سال ۲۰۲۱ رسید و سهم تصویبشدهها ۲۰٪ بود (۲۶ از ۱۳۱)[17].
ماساچوست بیشترین تعداد لوایح هوش مصنوعی را در سطح ایالتی پیشنهاد داد (۴۰ مورد از سال ۲۰۱۲)، و پس از آن هاوایی (۳۵) و نیوجرسی (۳۲) قرار داشتند[17].
اشارههای هوش مصنوعی در اسناد پارلمانی
اشارههای هوش مصنوعی در پروتکلهای دولتی ۲۵ کشور طی شش سال (۲۰۱۶–۲۰۲۱) ۷.۷ برابر شد و در سال ۲۰۲۱ به ۱٬۳۲۳ مورد رسید. انگلستان با ۹۳۹ اشاره در کل دوره پیشتاز بود و پس از آن اسپانیا، ژاپن، ایالات متحده و استرالیا قرار داشتند[1].
در کنگره ایالات متحده، دوره ۱۱۷ (آغازشده در سال ۲۰۲۱) تا پایان سال اول خود ۲۹۵ اشاره به هوش مصنوعی ثبت کرده بود — در مسیر شکستن رکورد دوره ۱۱۶ (۵۰۶ اشاره در دوره ۲۰۱۹–۲۰۲۰)[17].
روششناسی
گزارش از دادههای منابع متعددی استفاده میکند[1]:
- انتشارات و ثبت اختراع: مرکز امنیت و فناوری نوظهور (CSET)، دانشگاه جرجتاون.
- Benchmarkها: Papers With Code، لیدربوردهای SuperGLUE، SQuAD، VCR، MLPerf و غیره.
- سرمایهگذاریها و استارتاپها: NetBase Quid.
- بازار کار: Emsi Burning Glass، LinkedIn.
- فعالیت سازمانی: McKinsey & Company.
- رباتیک: نظرسنجی اصلی AI Index (۵۰۹ استاد، ۶۷ دانشگاه).
- قانونگذاری: AI Index (تحلیل جهانی ۲۵ کشور)، Bloomberg Government (ایالات متحده).
- آموزش: CRA Taulbee Survey.
- اخلاق: RealToxicityPrompts، Perspective API، StereoSet، CrowS-Pairs، Winogender، WinoBias، WinoMT، TruthfulQA، FEVER، FAccT، NeurIPS.
گروه نویسندگان
این گزارش تحت هدایت سردبیران مشترک جک کلارک (Jack Clark، Anthropic / OECD) و ری پرو (Raymond Perrault، SRI International) با مشارکت طیف گستردهای از پژوهشگران و سازمانهای شریک تهیه شده است. کمیته راهبری شامل اریک برینیولفسون (Erik Brynjolfsson، Stanford)، جان اچمنتی (John Etchemendy، Stanford)، ترا لاینز (Terah Lyons)، جیمز مانیکا (James Manyika، Google / University of Oxford)، خوان کارلوس نیبلس (Juan Carlos Niebles، Stanford / Salesforce)، مایکل سلیتو (Michael Sellitto، Stanford) و یوآو شوهام (Yoav Shoham، Stanford / AI21 Labs — بنیانگذار-مدیر) بود. مدیر پژوهش و سردبیر اصلی — نستور ماسلی (Nestor Maslej، Stanford). AI Index پروژهای از مؤسسه HAI استنفورد (Human-Centered Artificial Intelligence) است[1].
پیوندها
- Stanford HAI — AI Index Report 2022 (متن کامل): https://aiindex.stanford.edu/report/
- Center for Security and Emerging Technology (CSET) — دادههای انتشارات و ثبت اختراع: https://cset.georgetown.edu/
- Papers With Code — benchmarkها و لیدربوردها: https://paperswithcode.com/
- SuperGLUE Benchmark: https://super.gluebenchmark.com/
- MLPerf (MLCommons) — benchmarkهای آموزش: https://mlcommons.org/en/
- NetBase Quid — دادههای سرمایهگذاری: https://quid.com/
- McKinsey Global Survey on AI: https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
- CRA Taulbee Survey: https://cra.org/resources/taulbee-survey/
- Bloomberg Government — دادههای قانونگذاری: https://about.bgov.com/
- RealToxicityPrompts: https://arxiv.org/abs/2009.11462
- TruthfulQA: https://arxiv.org/abs/2109.07958
- Global AI Vibrancy Tool: https://aiindex.stanford.edu/vibrancy/
منابع
- 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/
- Rae, J. W. et al. (2021). Scaling Language Models: Methods, Analysis & Insights from Training Gopher. https://arxiv.org/abs/2112.11446
- Gehman, S. et al. (2020). RealToxicityPrompts: Evaluating Neural Toxic Degeneration in Language Models. https://arxiv.org/abs/2009.11462
- Xu, A. et al. (2021). Detoxifying Language Models Risks Marginalizing Minority Voices. https://arxiv.org/abs/2104.06390
- Lin, S., Hilton, J., Evans, O. (2021). TruthfulQA: Measuring How Models Mimic Human Falsehoods. https://arxiv.org/abs/2109.07958
- Weidinger, L. et al. (2021). Ethical and social risks of harm from Language Models. https://arxiv.org/abs/2112.04359
- Welbl, J. et al. (2021). Challenges in Detoxifying Language Models. https://arxiv.org/abs/2109.07445
- Birhane, A. et al. (2021). Multimodal datasets: misogyny, pornography, and malignant stereotypes. https://arxiv.org/abs/2110.01963
- Ouyang, L. et al. (2022). Training Language Models to Follow Instructions with Human Feedback. https://arxiv.org/abs/2203.02155
- Wang, A. et al. (2019). SuperGLUE: A Stickier Benchmark for General-Purpose Language Understanding Systems. https://arxiv.org/abs/1905.00537
- McKinsey & Company (2021). The State of AI in 2021. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
یادداشتها
- ↑ 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/
- ↑ 2.0 2.1 2.2 2.3 2.4 NetBase Quid (2021). AI Investment and Startup Activity Data. https://quid.com/
- ↑ 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/
- ↑ 4.0 4.1 Rae, J. W. et al. (2021). Scaling Language Models: Methods, Analysis & Insights from Training Gopher. https://arxiv.org/abs/2112.11446
- ↑ 5.0 5.1 MLCommons (2021). MLPerf Training Benchmark Results. https://mlcommons.org/en/training-normal-11/
- ↑ Birhane, A. et al. (2021). Multimodal datasets: misogyny, pornography, and malignant stereotypes. https://arxiv.org/abs/2110.01963
- ↑ Wang, A. et al. (2019). SuperGLUE: A Stickier Benchmark for General-Purpose Language Understanding Systems. https://arxiv.org/abs/1905.00537
- ↑ Intento (2021). The State of Machine Translation 2021. https://inten.to/
- ↑ Swedish Chess Computer Association (2021). Chess Engine Rating List. https://www.ssca.se/
- ↑ Gehman, S. et al. (2020). RealToxicityPrompts: Evaluating Neural Toxic Degeneration in Language Models. https://arxiv.org/abs/2009.11462
- ↑ Xu, A. et al. (2021). Detoxifying Language Models Risks Marginalizing Minority Voices. https://arxiv.org/abs/2104.06390
- ↑ Lin, S., Hilton, J., Evans, O. (2021). TruthfulQA: Measuring How Models Mimic Human Falsehoods. https://arxiv.org/abs/2109.07958
- ↑ LinkedIn (2021). AI Hiring Index Data. https://www.linkedin.com/
- ↑ Emsi Burning Glass (2021). AI Job Postings Data. https://www.economicmodeling.com/
- ↑ 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
- ↑ 16.0 16.1 Computing Research Association (2021). CRA Taulbee Survey 2020–2021. https://cra.org/resources/taulbee-survey/
- ↑ 17.0 17.1 17.2 Bloomberg Government (2021). U.S. AI Legislative Records. https://about.bgov.com/