The 2022 AI Index Report (HI)

AI Index Report 2022 — AI Index की पाँचवीं वार्षिक रिपोर्ट है, जिसे स्टैनफोर्ड मानव-केंद्रित कृत्रिम बुद्धिमत्ता संस्थान (Stanford HAI) द्वारा तैयार किया गया है। 2022 की यह रिपोर्ट प्रकाशन के समय तक की सबसे विस्तृत रिपोर्ट है और ऐसे समय में प्रकाशित हुई है जब AI प्रणालियाँ अर्थव्यवस्था में बड़े पैमाने पर तैनात की जा रही हैं। इस संस्करण में पहली बार AI की तकनीकी नैतिकता के गहन विश्लेषण पर एक अलग अध्याय, वैश्विक शोधकर्ता सर्वेक्षण पर आधारित रोबोटिक्स का विस्तृत अवलोकन, तथा विश्व के 25 देशों में AI से संबंधित विधायी पहलों के आँकड़े शामिल हैं। यह रिपोर्ट कृत्रिम बुद्धिमत्ता से संबंधित डेटा को ट्रैक करती है, व्यवस्थित करती है और दृश्यात्मक रूप में प्रस्तुत करती है, जिससे नीति-निर्माताओं, शोधकर्ताओं, प्रबंधकों, पत्रकारों और आम जनता को वस्तुनिष्ठ एवं सुव्यापित सूचना प्राप्त हो सके।

रिपोर्ट की संरचना

2022 की रिपोर्ट पाँच विषयगत अध्यायों और एक परिशिष्ट से मिलकर बनी है:

1. अनुसंधान एवं विकास (Research and Development) — प्रकाशनों, पेटेंट, सम्मेलनों और खुले स्रोत सॉफ़्टवेयर में प्रवृत्तियाँ।
2. तकनीकी प्रदर्शन (Technical Performance) — कंप्यूटर विज़न, भाषा प्रसंस्करण, वाक् पहचान, अनुशंसा प्रणालियों, Reinforcement Learning, हार्डवेयर और रोबोटिक्स में benchmark।
3. AI की तकनीकी नैतिकता (Technical AI Ethics) — नया अध्याय: निष्पक्षता और पूर्वाग्रह की मापें, भाषा मॉडलों की विषाक्तता, बहुविध विकृतियाँ, तथ्य-जाँच और सत्यनिष्ठा।
4. अर्थव्यवस्था और शिक्षा (The Economy and Education) — श्रम बाज़ार, निवेश, कॉर्पोरेट AI अपनाना और कार्यबल तैयारी।
5. AI नीति और शासन (AI Policy and Governance) — विधान, विनियमन और राष्ट्रीय रणनीतियाँ।

रिपोर्ट के प्रमुख निष्कर्ष

रिपोर्ट के लेखकों ने 2022 के कई प्रमुख बिंदु चिह्नित किए हैं:

1. AI में निजी निवेश तेज़ी से बढ़ा और पूँजी संकेंद्रण गहरा हुआ

2021 में AI में निजी निवेश लगभग 93.5 अरब डॉलर रहा — जो 2020 के आँकड़े से दोगुने से भी अधिक था। इसी अवधि में नई वित्त-पोषित AI कंपनियों की संख्या में गिरावट जारी रही: 2019 में 1,051, 2020 में 762 और 2021 में 746। यदि 2020 में केवल 4 वित्त-पोषण दौर 50 करोड़ डॉलर से अधिक के थे, तो 2021 में ऐसे दौरों की संख्या 15 हो गई।

2. AI अंतर्राष्ट्रीय सहयोग में अमेरिका और चीन का वर्चस्व

बढ़ते भू-राजनीतिक तनाव के बावजूद, 2010–2021 की अवधि में AI पर सबसे अधिक संयुक्त प्रकाशन अमेरिका और चीन ने मिलकर किए, और उनके बीच सहयोग 2010 से पाँच गुना बढ़ा। इस जोड़ी ने अगली जोड़ी — ब्रिटेन और चीन — की तुलना में 2.7 गुना अधिक प्रकाशन किए।

3. भाषा मॉडल अधिक शक्तिशाली, लेकिन अधिक पूर्वाग्रही भी होते जा रहे हैं

बड़े भाषा मॉडलों ने तकनीकी benchmark पर नए रिकॉर्ड बनाए, किंतु डेटा से यह भी सामने आया कि बड़े मॉडल प्रशिक्षण डेटा के पूर्वाग्रहों को अधिक प्रबलता से दोहराते हैं। 280 अरब पैरामीटर वाले मॉडल (Gopher, DeepMind, 2021) ने 2018 के अग्रणी माने जाने वाले 11.7 करोड़ पैरामीटर मॉडल की तुलना में 29% अधिक प्रेरित विषाक्तता दर्शाई।

4. AI नैतिकता का उदय

AI निष्पक्षता और पारदर्शिता में शोध 2014 से तेज़ी से बढ़ा: नैतिक सम्मेलनों में प्रासंगिक प्रकाशनों की संख्या पाँच गुना हो गई। एल्गोरिदमिक निष्पक्षता और पूर्वाग्रह केवल शैक्षणिक विषय नहीं रहे, बल्कि मुख्यधारा शोध का हिस्सा बन गए। उद्योग से संबद्ध शोधकर्ताओं ने नैतिक सम्मेलनों में अपना योगदान प्रतिवर्ष 71% बढ़ाया।

5. AI अधिक सुलभ और अधिक कुशल होता जा रहा है

2018 से छवि वर्गीकरण प्रणाली के प्रशिक्षण की लागत 63.6% घटी और प्रशिक्षण समय में 94.4% का सुधार हुआ। MLPerf की अन्य कार्य श्रेणियों — अनुशंसाएँ, वस्तु-पहचान और भाषा प्रसंस्करण — में भी लागत घटने और प्रशिक्षण में तेज़ी आने की यही प्रवृत्ति देखी गई।

6. डेटा एक प्रमुख संसाधन के रूप में

तकनीकी benchmark पर सर्वोत्तम परिणाम तेज़ी से अतिरिक्त प्रशिक्षण डेटा के उपयोग से हासिल होने लगे। 2021 तक, विश्लेषित benchmark पर 10 में से 9 अग्रणी AI प्रणालियाँ अतिरिक्त डेटा से प्रशिक्षित थीं। यह प्रवृत्ति परोक्ष रूप से उन निजी क्षेत्र की कंपनियों के लिए लाभकारी है जिनके पास विशाल dataset उपलब्ध हैं।

7. दुनिया भर में AI विधान तेज़ी से बढ़ रहा है

AI Index के 25 देशों के विश्लेषण से पता चला कि "कृत्रिम बुद्धिमत्ता" शब्द वाले पारित कानूनों की संख्या 2016 में 1 से बढ़कर 2021 में 18 हो गई। 2021 में स्पेन, ब्रिटेन और अमेरिका सबसे आगे रहे — प्रत्येक ने तीन-तीन कानून पारित किए।

8. रोबोटिक मैनिपुलेटर सस्ते होते जा रहे हैं

AI Index के सर्वेक्षण से पता चला कि रोबोटिक मैनिपुलेटर की औसत कीमत पाँच वर्षों में 46.2% घट गई — 2017 में 42,000 डॉलर से 2021 में 22,600 डॉलर — जिससे रोबोटिक्स अनुसंधान अधिक सुलभ हो रहा है।

9. बहुविध मॉडल बहुविध पूर्वाग्रहों को भी विरासत में पाते हैं

भाषा और दृष्टि के बहुविध मॉडलों (जैसे CLIP) ने छवि वर्गीकरण और पाठ-विवरण से छवि निर्माण के कार्यों में नए रिकॉर्ड बनाए, किंतु उन्होंने सामाजिक रूढ़ियाँ और पूर्वाग्रह भी उत्पन्न किए। CLIP के प्रयोगों से पता चला कि श्वेत अफ़्रीकी मूल के लोगों की छवियों को किसी भी अन्य नस्ल की छवियों की तुलना में दोगुने से अधिक बार "अमानवीय" श्रेणी में ग़लत तरीके से वर्गीकृत किया गया।

10. अधिक सामान्य Reinforcement Learning की ओर

पिछले एक दशक में AI प्रणालियों ने संकीर्ण Reinforcement Learning कार्यों में महारत हासिल की (उदाहरण के लिए, शतरंज — सर्वश्रेष्ठ शतरंज इंजन ने Magnus Carlsen की अधिकतम रेटिंग को 24% से पार किया)। किंतु पिछले दो वर्षों में AI प्रणालियों ने अधिक सामान्य Reinforcement Learning कार्यों (Procgen) में 129% सुधार किया, जहाँ नए और अपरिचित परिवेश में कार्य करने की आवश्यकता होती है।

अध्याय 1. अनुसंधान एवं विकास

यह अध्याय प्रकाशनों, पेटेंट, सम्मेलनों और खुले स्रोत सॉफ़्टवेयर में प्रवृत्तियों का विश्लेषण करता है।

प्रकाशन

AI पर अंग्रेज़ी प्रकाशनों की कुल संख्या बढ़ती रही और 2021 में 3,34,500 तक पहुँच गई।

प्रकाशन प्रकार के अनुसार। 2021 में भंडारों (arXiv आदि) में 56,700 से अधिक प्रकाशन हुए, जो AI शोध में प्रीप्रिंट की बढ़ती भूमिका को दर्शाता है।

भौगोलिक वितरण के अनुसार। 2021 में चीन ने पत्रिकाओं, सम्मेलनों और भंडारों में कुल प्रकाशनों में अग्रणी स्थान बनाए रखा — अमेरिका से 63.2% अधिक। इसी के साथ, अमेरिका ने सम्मेलन और भंडार प्रकाशनों के उद्धरण संख्या में प्रभावी नेतृत्व बनाए रखा:

संकेतक	चीन	यूरोपीय संघ + ब्रिटेन	अमेरिका
सम्मेलन प्रकाशनों की हिस्सेदारी (2021)	27.6%	19.0%	16.9%
सम्मेलन उद्धरणों की हिस्सेदारी (2021)	15.3%	23.3%	29.5%
भंडार प्रकाशनों की हिस्सेदारी (2021)	16.6%	23.9%	32.5%
भंडार उद्धरणों की हिस्सेदारी (2021)	16.4%	20.1%	38.6%

क्षेत्र-पार सहयोग। 2010 से 2021 तक, सर्वाधिक संयुक्त AI प्रकाशन शैक्षणिक और गैर-लाभकारी संगठनों के सहयोग से हुए, इसके बाद निजी कंपनियों और शैक्षणिक संस्थानों के बीच, तथा शैक्षणिक और सरकारी संस्थाओं के बीच।

पेटेंट

2021 में AI के क्षेत्र में दाखिल पेटेंट आवेदनों की संख्या 2015 के आँकड़े से 30 गुना से अधिक हो गई, जिसमें औसत वार्षिक वृद्धि दर 76.9% रही। क्षेत्रीय वितरण में पूर्वी एशिया और प्रशांत क्षेत्र ने 62.1% पेटेंट आवेदनों के साथ वर्चस्व बनाए रखा। चीन ने अमेरिका की तुलना में तीन गुना अधिक पेटेंट आवेदन दाखिल किए — 2021 में 87,343 आवेदन और 1,407 अनुमोदित पेटेंट।

सम्मेलन

2021 में प्रमुख AI सम्मेलनों में उपस्थिति 2020 के स्तर पर रही — विश्वभर में 88,000 से अधिक प्रतिभागी। COVID-19 महामारी के कारण अधिकांश सम्मेलन अभी भी आभासी प्रारूप में हुए। केवल ICRA और EMNLP ने हाइब्रिड प्रारूप अपनाया।

अध्याय 2. तकनीकी प्रदर्शन

यह अध्याय कंप्यूटर विज़न, भाषा प्रसंस्करण, वाक् पहचान, अनुशंसा प्रणालियों, Reinforcement Learning, हार्डवेयर और रोबोटिक्स में प्रगति का विस्तृत विश्लेषण प्रस्तुत करता है।

कंप्यूटर विज़न

ImageNet। ImageNet पर छवि वर्गीकरण की सटीकता बढ़ती रही। अतिरिक्त प्रशिक्षण डेटा का उपयोग करने वाली प्रणालियों ने काफी उच्च परिणाम दर्शाए। 2021 में ImageNet-21K + JFT पर प्रशिक्षित CoAtNet मॉडल ने 90.88% top-1 accuracy हासिल की, जो मानव स्तर (top-5 पर लगभग 94.9%) से काफी कम है।

विशेष उप-कार्य। 2021 में कंप्यूटर विज़न के विशेष उप-कार्यों — चिकित्सा छवि विभाजन और मास्क पहनने वाले चेहरों की पहचान — में रुचि बढ़ी। उदाहरण के लिए, 2020 से पहले केवल 3 शोध कार्यों ने Kvasir-SEG (चिकित्सा इमेजिंग) benchmark पर परीक्षण किया था, जबकि 2021 में ऐसे 25 कार्य थे।

दृश्य सामान्य ज्ञान तर्क (VCR)। 2021 के अंत तक Visual Commonsense Reasoning benchmark पर सर्वश्रेष्ठ परिणाम 72.0 रहा — 2018 से 63.6% की वृद्धि — हालाँकि प्रणालियाँ अभी भी मानव स्तर से काफी पीछे थीं। सुधार तेज़ी से सीमांत होते जा रहे थे, जो नए दृष्टिकोणों की आवश्यकता का संकेत है।

प्राकृतिक भाषा प्रसंस्करण

SuperGLUE। SuperGLUE लीडरबोर्ड के शीर्ष पर SS-MoE मॉडल था जिसका परिणाम 91.0 था, जो मानव स्तर (89.8) से अधिक है। SuperGLUE पर तेज़ प्रगति ने अधिक जटिल भाषा benchmark विकसित करने की आवश्यकता का संकेत दिया।

SQuAD। AI प्रणालियों ने पठन-बोध में SQuAD 2.0 benchmark पर मानव स्तर को 1–5% से पार किया, किंतु अधिक जटिल कार्यों जैसे प्राकृतिक भाषा में अपसारी तार्किक निष्कर्ष (aNLI) में मानव अभी भी AI से आगे था, हालाँकि यह अंतर 2019 में 9 प्रतिशत अंक से घटकर 2021 में 1 प्रतिशत अंक रह गया।

मशीन अनुवाद। व्यावसायिक रूप से उपलब्ध मशीन अनुवाद प्रणालियों की संख्या बढ़ती रही और मुख्य भाषा जोड़ियों (WMT 2014) पर अनुवाद गुणवत्ता में स्थिर सुधार हुआ।

वाक् पहचान

LibriSpeech (Test-Clean) benchmark पर शब्द त्रुटि दर (WER) में निरंतर गिरावट आई और यह मानव स्तर के करीब पहुँच रही है। अधिक जटिल वाक् dataset पर भी प्रगति हुई।

Reinforcement Learning

Atari-57। Reinforcement Learning प्रणालियाँ Arcade Learning Environment के क्लासिक कार्यों में सुधार करती रहीं। MuZero मॉडल (DeepMind) अग्रणी मॉडलों में से एक बना रहा।

Procgen। Procgen benchmark — जो नए परिवेशों में सामान्यीकरण की क्षमता परखता है — पर AI प्रणालियों ने दो वर्षों में 129% सुधार किया, जो अधिक सामान्य एजेंटों की दिशा में आंदोलन का संकेत है।

शतरंज। सर्वश्रेष्ठ शतरंज सॉफ़्टवेयर इंजन ने Magnus Carlsen की अधिकतम ELO रेटिंग को 24% से पार किया।

हार्डवेयर और प्रशिक्षण लागत

MLPerf। MLPerf benchmark के डेटा ने त्वरक की बढ़ती संख्या के साथ-साथ प्रशिक्षण समय में निरंतर कमी दर्शाई। 2018 से 2021 तक शीर्ष प्रतिभागियों और सभी प्रतिभागियों के बीच औसत त्वरक संख्या का अंतर 9 गुना बढ़ा, जो हार्डवेयर संसाधनों की बढ़ती माँग का संकेत है।

ImageNet प्रशिक्षण लागत। 93% सटीकता तक उच्च-प्रदर्शन छवि वर्गीकरण प्रणाली के प्रशिक्षण की लागत 2017 में 1,112.6 डॉलर से घटकर 2021 में 4.6 डॉलर हो गई — चार वर्षों में 223 गुना की गिरावट।

रोबोटिक्स

मैनिपुलेटर की कीमतें। AI Index के सर्वेक्षण — जो विश्व के 67 विश्वविद्यालयों के 509 रोबोटिक्स प्राध्यापकों के बीच किया गया — से पता चला कि रोबोटिक मैनिपुलेटर की औसत कीमत 46.2% घटी: 2017 में 42,000 डॉलर से 2021 में 22,600 डॉलर।

रोबोटिक्स में AI कौशल। सर्वेक्षण में शामिल 67% रोबोटिक्स प्राध्यापकों ने अपने शोध में Deep Learning और 46% ने Reinforcement Learning का उपयोग बताया।

अध्याय 3. AI की तकनीकी नैतिकता

पहली बार रिपोर्ट में शामिल यह अध्याय निष्पक्षता और पूर्वाग्रह की मापों, भाषा मॉडलों की विषाक्तता, बहुविध विकृतियों, तथा AI की तथ्य-जाँच और सत्यनिष्ठा के प्रश्नों का गहन विश्लेषण प्रस्तुत करता है।

निष्पक्षता और पूर्वाग्रह मापों का मेटा-विश्लेषण

AI पूर्वाग्रह और निष्पक्षता मापने के लिए मापों की संख्या 2018 से निरंतर बढ़ रही है। मापें दो मुख्य प्रकारों में विभाजित हैं: benchmark dataset (जैसे StereoSet, CrowS-Pairs), जो मॉडल के आंतरिक व्यवहार को मापते हैं, और नैदानिक मापें (जैसे जनसांख्यिकीय समता, अवसर की समानता), जो विशिष्ट जनसमूहों पर मॉडल के प्रभाव का मूल्यांकन करती हैं।

भाषा मॉडलों की विषाक्तता

RealToxicityPrompts। भाषा मॉडलों की विषाक्तता काफी हद तक प्रशिक्षण डेटा पर निर्भर करती थी। विषाक्त सामग्री से फ़िल्टर किए गए पाठ (जैसे C4 फ़िल्टरिंग के साथ) पर प्रशिक्षित मॉडल, अनफ़िल्टर इंटरनेट सामग्री पर प्रशिक्षित मॉडलों की तुलना में काफी कम विषाक्त थे।

स्केल और विषाक्तता। Gopher मॉडल (DeepMind, 280 अरब पैरामीटर) के विश्लेषण से पता चला कि बड़े मॉडल उपयुक्त prompt दिए जाने पर विषाक्त आउटपुट उत्पन्न करने की अधिक संभावना रखते हैं, किंतु साथ ही वे विषाक्त सामग्री को पहचानने में भी बेहतर होते हैं।

विषमुक्तिकरण। भाषा मॉडलों के विषमुक्तिकरण विधियों (DAPT, PPLM, GeDi) से प्रदर्शन में नियमित रूप से गिरावट आई, और यह गिरावट अफ्रीकी-अमेरिकी अंग्रेज़ी और अल्पसंख्यकों के उल्लेख वाले पाठों पर असंगत रूप से अधिक थी।

रूढ़ियाँ और पूर्वाग्रह

StereoSet ने लिंग, नस्ल, धर्म और पेशे के आधार पर रूढ़िगत पूर्वाग्रह को मापा। CrowS-Pairs ने masked भाषा मॉडलों में रूढ़िगत पूर्वाग्रह की मात्रा का मूल्यांकन किया। Winogender और WinoBias ने सह-संदर्भ कार्यों में लिंग-पूर्वाग्रह को परखा, और WinoMT ने मशीन अनुवाद में।

बहुविध पूर्वाग्रह (CLIP)

CLIP मॉडल (Contrastive Language-Image Pretraining, OpenAI) ने छवि वर्गीकरण में प्रभावशाली परिणाम दर्शाए, किंतु इसने प्रशिक्षण डेटा (इंटरनेट से 40 करोड़ "छवि–पाठ" जोड़ियाँ) से लिंग, नस्ल और आयु के पूर्वाग्रह विरासत में प्राप्त किए। प्रमुख निष्कर्ष:

• बदनामी हानि: वर्गीकरण में अमानवीय और आपराधिक श्रेणियाँ जोड़ने पर, अश्वेत लोगों की छवियों को 14% मामलों में ग़लती से अमानवीय श्रेणियों में रखा गया — अन्य नस्लों की तुलना में दोगुना।
• लिंग-पूर्वाग्रह: "बच्चों की देखभाल करने वाली" और "घरेलू कामगार" लेबल महिलाओं से, "क़ैदी" और "माफ़िया सदस्य" पुरुषों से जोड़े गए।
• पूर्वाग्रह का प्रसार: CLIP के पूर्वाग्रह LAION-400M dataset में स्थानांतरित हुए, जिसे CLIP embedding की सहायता से बनाया गया था, जिससे बाद के सभी अनुप्रयोग प्रभावित हुए।

तथ्य-जाँच और सत्यनिष्ठा

TruthfulQA। TruthfulQA benchmark पर कई भाषा मॉडल परिवारों के विश्लेषण से पता चला कि आधार मॉडलों (GPT-3 परिवार) का स्केलिंग सत्यनिष्ठा में गिरावट लाई। हालाँकि, मानवीय प्रतिक्रिया के साथ fine-tuning किए गए मॉडल (InstructGPT, WebGPT) स्केलिंग के साथ अधिक सत्यनिष्ठ बने।

FEVER। FEVER (Fact Extraction and VERification) benchmark पर स्वचालित तथ्य-जाँच प्रणालियाँ सुधरती रहीं, हालाँकि वे अभी भी मानव स्तर से पीछे थीं।

नैतिक सम्मेलनों में प्रवृत्तियाँ

FAccT (Fairness, Accountability, and Transparency) सम्मेलन और NeurIPS वर्कशॉप के प्रकाशनों के विश्लेषण से व्याख्येयता, स्पष्टीकरणीयता, कारणात्मक तर्क, गोपनीयता, डेटा संग्रह, निष्पक्षता और पूर्वाग्रह पर कार्यों में वृद्धि सामने आई। उद्योग से संबद्ध शोधकर्ताओं ने इन मंचों पर अपना योगदान काफी बढ़ाया।

अध्याय 4. अर्थव्यवस्था और शिक्षा

यह अध्याय श्रम बाज़ार, निवेश, कॉर्पोरेट AI अपनाने और कार्यबल तैयारी में प्रवृत्तियों की जाँच करता है।

श्रम बाज़ार

AI विशेषज्ञों की भर्ती। LinkedIn के डेटा के अनुसार, न्यूज़ीलैंड ने AI विशेषज्ञों की भर्ती में 2016 से 2021 तक 2.42 गुना की सबसे अधिक वृद्धि दर्शाई, इसके बाद हांगकांग (1.56 गुना), आयरलैंड (1.28 गुना), लक्ज़मबर्ग (1.26 गुना) और स्वीडन (1.24 गुना) रहे।

रिक्तियाँ। Emsi Burning Glass के डेटा के अनुसार, सिंगापुर सभी रिक्तियों में AI रिक्तियों की हिस्सेदारी में अग्रणी रहा — 2.33%, इसके बाद अमेरिका (0.90%), कनाडा (0.78%) और ब्रिटेन (0.74%)। अमेरिका में सबसे अधिक AI रिक्तियाँ कैलिफ़ोर्निया में थीं (टेक्सास की तुलना में 2.35 गुना से अधिक), और AI रिक्तियों की सबसे अधिक हिस्सेदारी वाशिंगटन (डी.सी.) में।

निवेश

सामान्य प्रवृत्तियाँ। 2021 में AI में कुल कॉर्पोरेट निवेश 176.5 अरब डॉलर के रिकॉर्ड स्तर पर पहुँचा, जिसमें निजी निवेश 93.5 अरब (2020 की तुलना में दोगुने से अधिक), विलय एवं अधिग्रहण लगभग 72 अरब और सार्वजनिक निर्गम लगभग 9.5 अरब डॉलर शामिल हैं।

क्षेत्रीय वितरण। अमेरिका लगभग 52.9 अरब डॉलर के निजी निवेश के साथ अग्रणी रहा — चीन (17.2 अरब) से तीन गुना से अधिक। ब्रिटेन तीसरे स्थान पर (4.65 अरब), इसके बाद इज़राइल (2.4 अरब) और जर्मनी (1.98 अरब)।

देश	निजी निवेश 2021 (अरब USD)	निजी निवेश 2013–2021 (अरब USD)
अमेरिका	52.9	149.0
चीन	17.2	61.9
ब्रिटेन	4.65	10.8
इज़राइल	2.4	6.1
जर्मनी	1.98	3.9
भारत	1.87	10.8

क्षेत्रगत फ़ोकस। 2021 में सबसे अधिक निजी निवेश "डेटा प्रबंधन, प्रसंस्करण और क्लाउड" क्षेत्र में आया — 2020 की तुलना में 2.6 गुना अधिक; इसके बाद "चिकित्सा और स्वास्थ्य सेवा" (11.29 अरब) और "फिनटेक" (10.26 अरब)।

पूँजी संकेंद्रण। 2021 में AI में निजी निवेश के औसत सौदे का आकार 2020 की तुलना में 81.1% बढ़ा। साथ ही, नई वित्त-पोषित AI कंपनियों की संख्या लगातार तीसरे वर्ष घटी (2018 के शिखर से)।

कॉर्पोरेट अपनाना

McKinsey के डेटा के अनुसार, 2021 में संगठनों द्वारा AI अपनाने का औसत स्तर 56% रहा (2020 से 6 प्रतिशत अंक की वृद्धि)। भारत (65%) अग्रणी रहा, इसके बाद विकसित एशिया-प्रशांत देश (64%), उभरते बाज़ार (57%) और उत्तरी अमेरिका (55%)।

जोखिम प्रबंधन। उद्योग में AI की नैतिक समस्याओं से निपटने के प्रयास सीमित रहे: हालाँकि McKinsey के 29% उत्तरदाताओं ने AI अपनाने में "निष्पक्षता और समानता" को जोखिम माना, किंतु केवल 19% ने उन्हें कम करने के कदम उठाए। इसी प्रकार, 41% ने "व्याख्येयता" को जोखिम माना, लेकिन केवल 27% ने इस पर काम किया।

शिक्षा

स्नातक। उत्तरी अमेरिका में (डॉक्टरेट प्रदान करने वाले विश्वविद्यालयों में) कंप्यूटर विज्ञान में स्नातक डिग्री धारकों की संख्या 2010 से 2020 के बीच 3.5 गुना बढ़कर 31,000 से अधिक हो गई — 2019 की तुलना में 11.6% की वृद्धि।

डॉक्टरेट। 2020 में कंप्यूटर विज्ञान में हर पाँचवाँ PhD स्नातक AI/Machine Learning में विशेषज्ञता रखता था — पिछले एक दशक में सबसे लोकप्रिय विशेषज्ञता। इस विशेषज्ञता के PhD की संख्या 2010 से 2020 के बीच 72.05% बढ़ी।

अध्याय 5. AI नीति और शासन

यह अध्याय वैश्विक स्तर और अलग-अलग देशों के संदर्भ में AI क्षेत्र में विधायी और विनियामक गतिविधियों का विश्लेषण करता है।

वैश्विक विधान

AI Index के विश्लेषण ने 25 देशों में विधायी पहलों को कवर किया। 2016–2021 की अवधि में "कृत्रिम बुद्धिमत्ता" का उल्लेख करने वाले 55 कानून पारित हुए। वृद्धि तीव्र रही: 2016 में 1 कानून से 2021 में 18 कानून।

पारित कानूनों में अग्रणी देश (2016–2021):

देश	कानून (2016–2021)	कानून (2021)
अमेरिका	13	3
रूस	6	2
बेल्जियम	5	2
स्पेन	5	3
ब्रिटेन	5	3
फ़्रांस	4	1
इटली	3	1

पारित कानूनों में शामिल हैं: कनाडा का Budget Implementation Act (2017) जिसमें AI रणनीति के लिए 12.5 करोड़ डॉलर आवंटित किए गए; रूस का संघीय कानून दिनांक 24.04.2020 संख्या 123-एफ़ज़ेड जो मॉस्को में AI के लिए प्रायोगिक कानूनी व्यवस्था स्थापित करता है; अमेरिका का IOGAN Act (2020) जो deepfake शोध के वित्त पोषण के लिए है; तथा बेल्जियम का डिक्री (2021) जो AI उपकरणों के लिए नैतिक समिति स्थापित करता है।

अमेरिका में विधान

संघीय स्तर पर प्रस्तावित AI विधेयकों की संख्या 2015 में 1 से बढ़कर 2021 में 130 हो गई, किंतु केवल 2% पारित हुए। राज्य स्तर पर प्रस्तावित विधेयकों की संख्या 2012 में 2 से बढ़कर 2021 में 131 हो गई, जिनमें से 20% (131 में से 26) पारित हुए।

मैसाचुसेट्स ने राज्य स्तर पर सबसे अधिक AI विधेयक प्रस्तावित किए (2012 से 40), इसके बाद हवाई (35) और न्यू जर्सी (32)।

संसदीय दस्तावेज़ों में AI के उल्लेख

25 देशों के सरकारी दस्तावेज़ों में AI के उल्लेख छह वर्षों (2016–2021) में 7.7 गुना बढ़े और 2021 में 1,323 तक पहुँचे। ब्रिटेन पूरी अवधि में 939 उल्लेखों के साथ अग्रणी रहा, इसके बाद स्पेन, जापान, अमेरिका और ऑस्ट्रेलिया।

अमेरिकी कांग्रेस में 117वें सत्र (2021 में शुरू) ने पहले वर्ष के अंत तक AI के 295 उल्लेख दर्ज किए — जो 116वें सत्र (2019–2020 में 506 उल्लेख) का रिकॉर्ड तोड़ने की राह पर था।

कार्यप्रणाली

रिपोर्ट अनेक स्रोतों से डेटा का उपयोग करती है:

• प्रकाशन और पेटेंट: Center for Security and Emerging Technology (CSET), जॉर्जटाउन विश्वविद्यालय।
• benchmark: Papers With Code, SuperGLUE, SQuAD, VCR, MLPerf आदि के लीडरबोर्ड।
• निवेश और स्टार्टअप: NetBase Quid।
• श्रम बाज़ार: Emsi Burning Glass, LinkedIn।
• कॉर्पोरेट गतिविधि: McKinsey & Company।
• रोबोटिक्स: AI Index का मूल सर्वेक्षण (509 प्राध्यापक, 67 विश्वविद्यालय)।
• विधान: AI Index (25 देशों का वैश्विक विश्लेषण), Bloomberg Government (अमेरिका)।
• शिक्षा: CRA Taulbee Survey।
• नैतिकता: RealToxicityPrompts, Perspective API, StereoSet, CrowS-Pairs, Winogender, WinoBias, WinoMT, TruthfulQA, FEVER, FAccT, NeurIPS।

लेखक समूह

रिपोर्ट सह-निदेशकों Jack Clark (Anthropic / OECD) और Raymond Perrault (SRI International) के नेतृत्व में तथा शोधकर्ताओं और भागीदार संगठनों की विस्तृत भागीदारी से तैयार की गई। संचालन समिति में शामिल थे: 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 — संस्थापक-निदेशक)। शोध प्रबंधक और प्रमुख संपादक — Nestor Maslej (Stanford)। AI Index, Stanford HAI (Human-Centered Artificial Intelligence) संस्थान का प्रकल्प है।

संदर्भ

• Stanford HAI — AI Index Report 2022 (पूर्ण पाठ): https://aiindex.stanford.edu/report/
• Center for Security and Emerging Technology (CSET) — प्रकाशनों और पेटेंट के डेटा: https://cset.georgetown.edu/
• Papers With Code — benchmark और लीडरबोर्ड: https://paperswithcode.com/
• SuperGLUE Benchmark: https://super.gluebenchmark.com/
• MLPerf (MLCommons) — प्रशिक्षण benchmark: https://mlcommons.org/en/
• NetBase Quid — निवेश डेटा: 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 — विधायी डेटा: 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/

साहित्य

• 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