The 2022 AI Index Report (HE)

From Systems analysis Wiki
Jump to navigation Jump to search

AI Index Report 2022 — המהדורה השנתית החמישית של דוח AI Index, שהוכן על ידי מכון סטנפורד לבינה מלאכותית ממוקדת-אנושית (Stanford HAI)[1]. דוח 2022 הוא הנרחב ביותר במועד פרסומו, ויוצא בתקופה של פריסה נרחבת של מערכות בינה מלאכותית בכלכלה. המהדורה כוללת לראשונה פרק נפרד עם ניתוח מעמיק של אתיקת ה-AI הטכנית, סקירה מקיפה של הרובוטיקה המבוססת על סקר חוקרים עולמי, וכן נתונים על יוזמות חקיקה בתחום הבינה המלאכותית ב-25 מדינות בעולם. הדוח עוקב אחר נתונים הקשורים לבינה מלאכותית, מסדר ומדמה אותם ומספק מידע אובייקטיבי ומאומת בקפידה למקבלי מדיניות, חוקרים, מנהלים, עיתונאים והציבור הרחב.

מבנה הדוח

דוח 2022 מורכב מחמישה פרקים נושאיים ונספח[1]:

  1. מחקר ופיתוח (Research and Development) — מגמות בפרסומים, פטנטים, כנסים ותוכנות קוד פתוח.
  2. ביצועים טכניים (Technical Performance) — benchmark-ים בראיית מחשב, עיבוד שפה, דיבור, מערכות המלצה, Reinforcement Learning, חומרה ורובוטיקה.
  3. אתיקת AI טכנית (Technical AI Ethics) — פרק חדש: מדדי הוגנות והטיה, רעילות של מודלי שפה, עיוותים מולטימודליים, בדיקת עובדות ואמיתות.
  4. כלכלה וחינוך (The Economy and Education) — שוק העבודה, השקעות, אימוץ תאגידי של בינה מלאכותית והכשרת כוח אדם.
  5. מדיניות וממשל AI (AI Policy and Governance) — חקיקה, רגולציה ואסטרטגיות לאומיות.

ממצאים מרכזיים של הדוח

מחברי הדוח הצביעו על מספר טענות מרכזיות לשנת 2022[1]:

1. השקעות פרטיות ב-AI זינקו, וריכוז ההון התחזק

השקעות פרטיות ב-AI בשנת 2021 הסתכמו בכ-93.5 מיליארד דולר — יותר מכפל לעומת 2020. במקביל, מספר החברות המבוססות על AI שקיבלו מימון לראשונה המשיך לרדת: מ-1,051 ב-2019 ו-762 ב-2020 ל-746 ב-2021. אם ב-2020 רק 4 סבבי מימון עלו על 500 מיליון דולר, הרי שב-2021 היו 15 סבבים כאלה[2].

2. ארה"ב וסין שולטות בשיתוף הפעולה הבינלאומי בתחום ה-AI

למרות המתח הגיאופוליטי ההולך וגובר, ארה"ב וסין הציגו את מספר הפרסומים המשותפים הגבוה ביותר בתחום ה-AI בשנים 2010–2021, כאשר היקף שיתוף הפעולה גדל פי חמישה מאז 2010. צמד זה ייצר פי 2.7 יותר פרסומים מהצמד הבא — בריטניה וסין[3].

3. מודלי שפה הופכים חזקים יותר, אך גם מוטים יותר

מודלי שפה גדולים שברו שיאים חדשים ב-benchmark-ים טכניים, אולם הנתונים הראו כי מודלים גדולים יותר משחזרים הטיות מנתוני האימון במידה רבה יותר. מודל עם 280 מיליארד פרמטרים (Gopher, DeepMind, 2021) הפגין רמת רעילות מושרית גבוהה ב-29% בהשוואה למודל עם 117 מיליון פרמטרים, שנחשב מתקדם ב-2018[4].

4. פריחת אתיקת ה-AI

המחקר בתחום ההוגנות והשקיפות של AI עבר צמיחה מהירה מאז 2014: מספר הפרסומים הרלוונטיים בכנסים אתיים גדל פי חמישה. הוגנות אלגוריתמית והטיה חדלו להיות נושא אקדמי גרידא והפכו לתחום מחקר מרכזי. חוקרים בעלי שיוך תעשייתי הגדילו את תרומתם לכנסים אתיים ב-71% מדי שנה[1].

5. ה-AI הופך נגיש יותר ובעל ביצועים גבוהים יותר

מאז 2018 ירדה עלות אימון מערכת לסיווג תמונות ב-63.6%, ושיפור בזמן האימון עמד על 94.4%. מגמה דומה של ירידת עלות והאצת אימון נצפתה גם בקטגוריות מטלות אחרות ב-MLPerf: המלצות, זיהוי אובייקטים ועיבוד שפה[5].

6. נתונים כמשאב מפתח

התוצאות הטובות ביותר ב-benchmark-ים טכניים הושגו יותר ויותר באמצעות שימוש בנתוני אימון נוספים. נכון לשנת 2021, 9 מתוך 10 מערכות AI מובילות ב-benchmark-ים שנסקרו אומנו תוך שימוש בנתונים נוספים. מגמה זו מיטיבה באופן מרומז עם חברות מהמגזר הפרטי שיש להן גישה ל-dataset-ים נרחבים[1].

7. חקיקת AI ברחבי העולם צומחת במהירות

ניתוח AI Index על פני 25 מדינות הראה כי מספר החוקים שהתקבלו המכילים את המונח "בינה מלאכותית" גדל מ-1 ב-2016 ל-18 ב-2021. מובילות 2021 היו ספרד, בריטניה וארה"ב — שלושה חוקים שהתקבלו בכל אחת מהן[1].

8. מניפולטורים רובוטיים הופכים זולים יותר

סקר AI Index הראה כי המחיר החציוני של מניפולטורים רובוטיים ירד ב-46.2% תוך חמש שנים — מ-42,000 דולר ב-2017 ל-22,600 דולר ב-2021, מה שהופך את המחקר בתחום הרובוטיקה לנגיש יותר[1].

9. מודלים מולטימודליים יורשים הטיות מולטימודליות

מודלים מולטימודליים של שפה וראייה (כגון CLIP) שברו שיאים חדשים במטלות סיווג תמונות ויצירת תמונות מתיאור טקסטואלי, אולם שחזרו גם סטריאוטיפים חברתיים והטיות. ניסויים עם CLIP הראו כי תמונות של אנשים שחורים סווגו בטעות כ"לא אנושיות" ביותר מפי שניים לעומת תמונות של בני כל גזע אחר[6].

10. תנועה לעבר Reinforcement Learning כללי יותר

לאורך העשור האחרון, מערכות AI שלטו במטלות Reinforcement Learning צרות בהצלחה (למשל שחמט — מנוע השחמט הטוב ביותר עלה ב-24% על דירוג השיא של מגנוס קרלסן). אולם בשנתיים האחרונות שיפרו מערכות AI את תוצאותיהן ב-129% במטלות Reinforcement Learning כלליות יותר (Procgen), שבהן נדרשת פעולה בסביבות חדשות ולא מוכרות[1].

פרק 1. מחקר ופיתוח

הפרק מנתח מגמות בפרסומים, פטנטים, כנסים ותוכנות קוד פתוח[1].

פרסומים

המספר הכולל של פרסומי AI באנגלית המשיך לגדול והגיע ל-334,500 בשנת 2021[3].

לפי סוג פרסום. בשנת 2021 פורסמו למעלה מ-56,700 פרסומים במאגרים (arXiv וכדומה), מה שמשקף את התפקיד ההולך וגדל של פרסומים מוקדמים (preprints) במחקר ה-AI[1].

לפי פיזור גיאוגרפי. בשנת 2021 המשיכה סין להוביל במספר הכולל של פרסומים בכתבי עת, כנסים ומאגרים — ב-63.2% יותר מאשר ארה"ב. במקביל, ארה"ב שמרה על מעמד דומיננטי בולט במספר הציטוטים של פרסומי כנסים ומאגרים[3]:

מדד סין האיחוד האירופי + בריטניה ארה"ב
נתח פרסומי כנסים (2021) 27.6% 19.0% 16.9%
נתח ציטוטי כנסים (2021) 15.3% 23.3% 29.5%
נתח פרסומי מאגרים (2021) 16.6% 23.9% 32.5%
נתח ציטוטי מאגרים (2021) 16.4% 20.1% 38.6%

שיתוף פעולה בין-מגזרי. בין השנים 2010 ל-2021, מספר הפרסומים המשותפים הגדול ביותר בתחום ה-AI הופק על ידי שיתופי פעולה בין מוסדות חינוך וארגונים ללא מטרת רווח, ולאחר מכן — בין חברות פרטיות ומוסדות חינוך, וכן בין מוסדות חינוך ומוסדות ממשלתיים[1].

פטנטים

מספר בקשות הפטנט שהוגשו בתחום ה-AI בשנת 2021 עלה ביותר מפי 30 לעומת 2015, עם קצב צמיחה שנתי ממוצע של 76.9%. לפי פיזור אזורי, מזרח אסיה ואזור האוקיינוס השקט שלטו עם 62.1% מבקשות הפטנט. סין הגישה פי שלוש יותר בקשות פטנט מאשר ארה"ב — 87,343 בקשות עם 1,407 פטנטים שאושרו בשנת 2021[3].

כנסים

היקף הנוכחות בכנסי ה-AI המובילים ב-2021 נשאר ברמת 2020 — למעלה מ-88,000 משתתפים ברחבי העולם. רוב הכנסים התקיימו עדיין בפורמט וירטואלי בשל מגפת COVID-19. רק ICRA ו-EMNLP השתמשו בפורמט היברידי[1].

פרק 2. ביצועים טכניים

הפרק מציג ניתוח מורחב של ההתקדמות בראיית מחשב, עיבוד שפה, דיבור, מערכות המלצה, Reinforcement Learning, חומרה ורובוטיקה[1].

ראיית מחשב

ImageNet. דיוק סיווג התמונות ב-ImageNet המשיך לגדול. מערכות המשתמשות בנתוני אימון נוספים הפגינו תוצאות גבוהות משמעותית. בשנת 2021, מודל CoAtNet שאומן על ImageNet-21K + JFT השיג top-1 accuracy של 90.88%, העולה משמעותית על הרמה האנושית (כ-94.9% לפי top-5)[1].

תת-משימות מתמחות. בשנת 2021 נצפה גידול בעניין בתת-משימות מתמחות של ראיית מחשב — סגמנטציה רפואית של תמונות וזיהוי פנים עם מסכות. לדוגמה, אם לפני 2020 רק 3 עבודות מחקר בדקו מערכות על ה-benchmark של Kvasir-SEG (הדמיה רפואית), הרי שב-2021 כבר היו 25 עבודות כאלה[1].

היסק חזותי של שכל ישר (VCR). עד סוף 2021 עמד התוצאה הטובה ביותר ב-benchmark של Visual Commonsense Reasoning על 72.0 — עלייה של 63.6% מ-2018, אם כי המערכות עדיין נפלו משמעותית מהרמה האנושית. השיפורים הפכו שוליים יותר ויותר, מה שהצביע על הצורך בגישות חדשות[1].

עיבוד שפה טבעית

SuperGLUE. בראש לוח התוצאות של SuperGLUE עמד מודל SS-MoE עם ציון 91.0, העולה על הרמה האנושית (89.8). ההתקדמות המהירה ב-SuperGLUE העידה על הצורך בפיתוח benchmark-ים לשוניים מורכבים יותר[7].

SQuAD. מערכות AI עלו על הרמה האנושית ב-benchmark של SQuAD 2.0 להבנת הנקרא ב-1–5%, אולם במשימות מורכבות יותר, כגון היסק לוגי אבדוקטיבי בשפה טבעית (aNLI), האדם עדיין עלה על ה-AI, אם כי הפער צטמצם מ-9 נקודות אחוז ב-2019 ל-1 נקודת אחוז ב-2021[1].

תרגום מכוני. מספר מערכות התרגום המכוני הזמינות מסחרית המשיך לגדול, ואיכות התרגום בצמדי השפות העיקריים (WMT 2014) השתפרה בעקביות[8].

זיהוי דיבור

ב-benchmark של LibriSpeech (Test-Clean) המשיך שיעור שגיאות זיהוי המילים (WER) לרדת, מתקרב לרמה האנושית. הושגה התקדמות גם ב-dataset-ים של דיבור מורכבים יותר[1].

Reinforcement Learning

Atari-57. מערכות Reinforcement Learning המשיכו להשתפר במשימות הקלאסיות של Arcade Learning Environment. מודל MuZero (DeepMind) נשאר אחד המובילים[1].

Procgen. ב-benchmark של Procgen, הבודק יכולת הכללה בסביבות חדשות, שיפרו מערכות AI את תוצאתן ב-129% תוך שנתיים, מה שהצביע על תנועה לעבר סוכנים כלליים יותר[1].

שחמט. מנוע השחמט התוכנתי הטוב ביותר עלה ב-24% על דירוג ה-ELO המקסימלי של מגנוס קרלסן[9].

חומרה ועלות אימון

MLPerf. נתוני ה-benchmark של MLPerf הראו ירידה עקבית בזמן האימון לצד גידול במספר המאיצים שבשימוש. הפער בין מספר המאיצים הממוצע אצל המובילים לבין כלל המשתתפים גדל פי 9 בין 2018 ל-2021, מה שהעיד על דרישות גוברות למשאבי חומרה[5].

עלות אימון ImageNet. עלות אימון מערכת לסיווג תמונות בעלת ביצועים גבוהים עד 93% דיוק ירדה מ-1,112.6 דולר ב-2017 ל-4.6 דולר ב-2021 — ירידה פי 223 תוך ארבע שנים[1].

רובוטיקה

מחירי מניפולטורים. סקר AI Index שנערך בקרב 509 פרופסורים לרובוטיקה מ-67 אוניברסיטאות ברחבי העולם חשף ירידה של 46.2% במחיר החציוני של מניפולטור רובוטי — מ-42,000 דולר ב-2017 ל-22,600 דולר ב-2021[1].

כישורי AI ברובוטיקה. 67% מפרופסורי הרובוטיקה שנסקרו דיווחו על שימוש ב-deep learning, ו-46% — ב-Reinforcement Learning במחקריהם[1].

פרק 3. אתיקת AI טכנית

הפרק, הנכלל בדוח לראשונה, מספק ניתוח מעמיק של מדדי הוגנות והטיה, רעילות של מודלי שפה, עיוותים מולטימודליים, וכן שאלות של בדיקת עובדות ואמיתות ה-AI[1].

מטא-ניתוח של מדדי הוגנות והטיה

מספר המדדים למדידת הטיה והוגנות ב-AI גדל בעקביות מאז 2018. המדדים מחולקים לשני סוגים עיקריים: dataset-ים של benchmark (למשל StereoSet, CrowS-Pairs), המודדים את ההתנהגות הפנימית של המודל, ומדדים אבחנתיים (למשל שוויון דמוגרפי, שוויון הזדמנויות), המעריכים את השפעת המודל על קבוצות אוכלוסייה ספציפיות[1].

רעילות של מודלי שפה

RealToxicityPrompts. רעילות מודלי השפה הייתה תלויה במידה ניכרת בנתוני האימון. מודלים שאומנו על טקסט מסונן מתכנים רעילים (למשל C4 עם סינון) היו פחות רעילים משמעותית בהשוואה למודלים שאומנו על תכנים אינטרנטיים לא מסוננים[10].

היקף ורעילות. ניתוח מודל Gopher (DeepMind, 280 מיליארד פרמטרים) הראה כי מודלים גדולים יותר נוטים יותר ליצור המשכים רעילים בתגובה ל-prompt-ים מתאימים, אך במקביל מסוגלים טוב יותר לזהות תכנים רעילים[4].

דה-טוקסיפיקציה. שיטות דה-טוקסיפיקציה של מודלי שפה (DAPT, PPLM, GeDi) הובילו בעקביות להרעה בביצועים, ובצורה לא פרופורציונלית — על אנגלית אפרו-אמריקאית ועל טקסטים המכילים אזכורי מיעוטים[11].

סטריאוטיפים והטיה

StereoSet מדד הטיה סטריאוטיפית לפי ציר מגדר, גזע, דת ומקצוע. CrowS-Pairs העריך את מידת ההטיה הסטריאוטיפית במודלי שפה ממוסכים. Winogender ו-WinoBias בדקו הטיה מגדרית במשימות co-reference, ו-WinoMT — בתרגום מכוני[1].

הטיות מולטימודליות (CLIP)

מודל CLIP (Contrastive Language-Image Pretraining, OpenAI) הפגין תוצאות מרשימות בסיווג תמונות, אולם ירש הטיות מגדר, גזע וגיל מנתוני האימון (400 מיליון זוגות "תמונה–טקסט" מהאינטרנט). ממצאים מרכזיים[1]:

  • נזק מכפיש: בעת הוספת קטגוריות לא אנושיות ופליליות לסיווג, תמונות של אנשים שחורים סווגו בטעות לקטגוריות לא אנושיות ב-14% מהמקרים — פי שניים יותר מאשר לגבי גזעים אחרים.
  • הטיה מגדרית: תוויות "בייביסיטר" ו"עוזרת בית" שויכו לנשים, "אסיר" ו"מאפיוזו" — לגברים.
  • התפשטות הטיה: ההטיות של CLIP הועברו ל-dataset של LAION-400M שאורגן באמצעות embedding-ים של CLIP, ומשפיעות על כל היישומים הנגזרים.

בדיקת עובדות ואמיתות

TruthfulQA. ניתוח של מספר משפחות של מודלי שפה ב-benchmark של TruthfulQA הראה כי הגדלת קנה המידה של מודלים בסיסיים (משפחת GPT-3) הובילה לירידה באמיתות. אולם מודלים שעברו fine-tuning עם משוב אנושי (InstructGPT, WebGPT) הפכו אמיתיים יותר ככל שהתרחב קנה מידתם[12].

FEVER. ב-benchmark של FEVER (Fact Extraction and VERification) המשיכו מערכות אימות עובדות אוטומטיות להשתפר, אם כי עדיין נפלו מהרמה האנושית[1].

מגמות בכנסים אתיים

ניתוח פרסומים בכנס FAccT (Fairness, Accountability, and Transparency) ובסדנאות נושאיות של NeurIPS חשף גידול בעבודות בתחומי פרשנות, הסברה, היסק סיבתי, פרטיות, איסוף נתונים, הוגנות והטיה. חוקרים בעלי שיוך תעשייתי הגדילו משמעותית את תרומתם בזירות אלה[1].

פרק 4. כלכלה וחינוך

הפרק בוחן מגמות בשוק העבודה, השקעות, אימוץ תאגידי של AI והכשרת כוח אדם[1].

שוק העבודה

גיוס מומחי AI. על פי נתוני LinkedIn, ניו זילנד הציגה את הגידול הגדול ביותר בגיוס מומחי AI — פי 2.42 בין 2016 ל-2021, ולאחריה הונג קונג (פי 1.56), אירלנד (פי 1.28), לוקסמבורג (פי 1.26) ושוודיה (פי 1.24)[13].

משרות פנויות. על פי נתוני Emsi Burning Glass, סינגפור הובילה בנתח משרות ה-AI מכלל המשרות — 2.33%, ולאחריה ארה"ב (0.90%), קנדה (0.78%) ובריטניה (0.74%). בארה"ב נרשם מספר המשרות הגדול ביותר ב-AI בקליפורניה (יותר מפי 2.35 לעומת טקסס), ואילו הנתח הגדול ביותר של משרות AI נמצא בוושינגטון (מחוז קולומביה)[14].

השקעות

מגמות כלליות. השקעות תאגידיות מצטברות ב-AI ב-2021 הגיעו לשיא של 176.5 מיליארד דולר, מתוכן השקעות פרטיות של 93.5 מיליארד (גידול של יותר מכפל לעומת 2020), מיזוגים ורכישות — כ-72 מיליארד, והנפקות ציבוריות — כ-9.5 מיליארד[2].

פיזור אזורי. ארה"ב הובילה עם השקעות פרטיות של כ-52.9 מיליארד דולר — יותר מפי שלושה לעומת סין (17.2 מיליארד). בריטניה תפסה את המקום השלישי (4.65 מיליארד), ולאחריה ישראל (2.4 מיליארד) וגרמניה (1.98 מיליארד)[2].

מדינה השקעות פרטיות 2021 (מיליארד USD) השקעות פרטיות 2013–2021 (מיליארד USD)
ארה"ב 52.9 149.0
סין 17.2 61.9
בריטניה 4.65 10.8
ישראל 2.4 6.1
גרמניה 1.98 3.9
הודו 1.87 10.8

מוקד ענפי. התחום שמשך את היקף ההשקעות הפרטיות הגדול ביותר ב-2021 היה "ניהול נתונים, עיבוד וענן" — פי 2.6 יותר מאשר ב-2020, ולאחריו "רפואה ובריאות" (11.29 מיליארד) ו"פינטק" (10.26 מיליארד)[2].

ריכוז הון. גודל העסקה הממוצע של השקעה פרטית ב-AI ב-2021 גדל ב-81.1% לעומת 2020. בה בעת, מספר חברות ה-AI שקיבלו מימון לראשונה ירד לשנה השלישית ברציפות (מהשיא ב-2018)[2].

אימוץ תאגידי

על פי נתוני McKinsey, רמת אימוץ ה-AI הממוצעת של ארגונים ב-2021 עמדה על 56% (גידול של 6 נקודות אחוז מ-2020). הובילה הודו (65%), ולאחריה — מדינות מפותחות באזור אסיה-פסיפיק (64%), שווקים מתפתחים (57%) וצפון אמריקה (55%)[15].

ניהול סיכונים. המאמצים לטיפול בבעיות אתיות של AI בתעשייה נשארו מוגבלים: אם כי 29% מהמשיבים לסקר McKinsey הכירו ב"הוגנות ושוויון" כסיכונים באימוץ AI, רק 19% נקטו צעדים להפחתתם. באופן דומה, 41% הכירו ב"הסברה" כסיכון, אך רק 27% פעלו להבטחתה[15].

חינוך

תואר ראשון. מספר בוגרי התואר הראשון במדעי המחשב בצפון אמריקה (באוניברסיטאות המעניקות תארי דוקטורט) גדל פי 3.5 בין 2010 ל-2020, ועלה על 31,000 — גידול של 11.6% לעומת 2019[16].

דוקטורט. בשנת 2020, כל חמישי שבין בוגרי ה-PhD במדעי המחשב התמחה ב-AI/Machine Learning — ההתמחות הפופולרית ביותר בעשור האחרון. מספר בעלי PhD עם התמחות זו גדל ב-72.05% בין 2010 ל-2020[16].

פרק 5. מדיניות וממשל AI

הפרק מנתח פעילות חקיקתית ורגולטורית בתחום ה-AI ברמה הגלובלית ובפירוט מדינות שונות[1].

חקיקה גלובלית

ניתוח AI Index כיסה יוזמות חקיקה ב-25 מדינות. בתקופה 2016–2021 התקבלו 55 חוקים המכילים אזכור של "בינה מלאכותית". הצמיחה הייתה חדה: מ-1 חוק ב-2016 ל-18 ב-2021[1].

מובילות במספר החוקים שהתקבלו (2016–2021):

מדינה חוקים (2016–2021) חוקים (2021)
ארה"ב 13 3
רוסיה 6 2
בלגיה 5 2
ספרד 5 3
בריטניה 5 3
צרפת 4 1
איטליה 3 1

מבין החוקים שהתקבלו: החוק הקנדי Budget Implementation Act (2017) עם הקצאה של 125 מיליון דולר לאסטרטגיית AI; החוק הפדרלי הרוסי מ-24.04.2020 מס' 123-FZ על משטר משפטי ניסיוני ל-AI במוסקבה; ה-IOGAN Act האמריקאי (2020) למימון מחקר deepfake-ים; הצו הבלגי על הקמת ועדה אתית לכלי AI (2021)[1].

חקיקה בארה"ב

ברמה הפדרלית, מספר הצעות החוק ב-AI שהוצעו גדל מ-1 ב-2015 ל-130 ב-2021, אולם רק 2% מהן התקבלו. ברמת המדינות, מספר הצעות החוק שהוצעו גדל מ-2 ב-2012 ל-131 ב-2021, כאשר שיעור המתקבלות עמד על 20% (26 מתוך 131)[17].

מסצ'וסטס הציעה את מספר הצעות החוק הגדול ביותר ב-AI ברמת המדינות (40 מ-2012), ולאחריה — הוואי (35) וניו ג'רזי (32)[17].

אזכורי AI במסמכים פרלמנטריים

אזכורי AI בפרוטוקולים ממשלתיים של 25 מדינות גדלו פי 7.7 תוך שש שנים (2016–2021), והגיעו ל-1,323 ב-2021. בריטניה שלטה עם 939 אזכורים לאורך כל התקופה, ולאחריה — ספרד, יפן, ארה"ב ואוסטרליה[1].

בקונגרס האמריקאי, המושב ה-117 (שהחל ב-2021) כבר רשם 295 אזכורי AI בסוף שנתו הראשונה — בדרך לשבירת שיא המושב ה-116 (506 אזכורים בין 2019–2020)[17].

מתודולוגיה

הדוח משתמש בנתונים ממגוון מקורות[1]:

  • פרסומים ופטנטים: Center for Security and Emerging Technology (CSET), אוניברסיטת ג'ורג'טאון.
  • Benchmark-ים: Papers With Code, לוחות תוצאות SuperGLUE, SQuAD, VCR, MLPerf ואחרים.
  • השקעות וסטארטאפים: NetBase Quid.
  • שוק העבודה: Emsi Burning Glass, LinkedIn.
  • פעילות תאגידית: McKinsey & Company.
  • רובוטיקה: סקר מקורי של AI Index (509 פרופסורים, 67 אוניברסיטאות).
  • חקיקה: AI Index (ניתוח גלובלי של 25 מדינות), Bloomberg Government (ארה"ב).
  • חינוך: CRA Taulbee Survey.
  • אתיקה: RealToxicityPrompts, Perspective API, StereoSet, CrowS-Pairs, Winogender, WinoBias, WinoMT, TruthfulQA, FEVER, FAccT, NeurIPS.

צוות המחברים

הדוח הוכן בהנהגת ה-co-directors ג'ק קלארק (Jack Clark, Anthropic / OECD) וריימונד פרו (Raymond Perrault, SRI International), בהשתתפות מעגל רחב של חוקרים וארגוני שותפים. הוועדה המנהלת כללה את אריק ברינג'ולפסון (Erik Brynjolfsson, Stanford), ג'ון אצ'מנטי (John Etchemendy, Stanford), טרה ליונס (Terah Lyons), ג'יימס מניקה (James Manyika, Google / University of Oxford), חואן קרלוס ניבלס (Juan Carlos Niebles, Stanford / Salesforce), מייקל סליטו (Michael Sellitto, Stanford), יואב שוהם (Yoav Shoham, Stanford / AI21 Labs — מנהל-מייסד). מנהל המחקר והעורך הראשי — נסטור מסלי (Nestor Maslej, Stanford). AI Index הוא פרויקט של מכון Stanford HAI (Human-Centered Artificial Intelligence)[1].

קישורים חיצוניים

ספרות

הערות

  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_(HE)&oldid=7995"