The 2022 AI Index Report (NL)

From Systems analysis Wiki
Jump to navigation Jump to search

AI Index Report 2022 — de vijfde jaarlijkse editie van het AI Index-rapport, opgesteld door het Stanford Institute for Human-Centered Artificial Intelligence (Stanford HAI)[1]. Het rapport van 2022 is het meest uitgebreide op het moment van publicatie en verschijnt in een periode van grootschalige inzet van AI-systemen in de economie. De editie bevat voor het eerst een afzonderlijk hoofdstuk met een diepgaande analyse van technische AI-ethiek, een uitgebreid overzicht van robotica op basis van een wereldwijd onderzoek onder onderzoekers, alsmede gegevens over wetgevingsinitiatieven op het gebied van AI in 25 landen. Het rapport volgt, systematiseert en visualiseert gegevens met betrekking tot kunstmatige intelligentie en biedt objectieve en zorgvuldig geverifieerde informatie voor beleidsmakers, onderzoekers, bestuurders, journalisten en het grote publiek.

Structuur van het rapport

Het rapport van 2022 bestaat uit vijf thematische hoofdstukken en een bijlage[1]:

  1. Onderzoek en Ontwikkeling (Research and Development) — trends in publicaties, patenten, conferenties en open source-software.
  2. Technische Prestaties (Technical Performance) — benchmarks op het gebied van computer vision, taalverwerking, spraak, aanbevelingssystemen, Reinforcement Learning, hardware en robotica.
  3. Technische AI-ethiek (Technical AI Ethics) — nieuw hoofdstuk: maatstaven voor eerlijkheid en vooringenomenheid, toxiciteit van taalmodellen, multimodale vertekeningen, factchecking en waarheidsgetrouwheid.
  4. Economie en Onderwijs (The Economy and Education) — arbeidsmarkt, investeringen, bedrijfsmatige inzet van AI en opleiding van personeel.
  5. AI-beleid en Governance (AI Policy and Governance) — wetgeving, regulering en nationale strategieën.

Belangrijkste conclusies van het rapport

De auteurs van het rapport hebben een aantal hoofdpunten voor 2022 geformuleerd[1]:

1. Particuliere investeringen in AI zijn sterk gestegen en de kapitaalconcentratie is toegenomen

Particuliere investeringen in AI bedroegen in 2021 ongeveer 93,5 miljard dollar — meer dan een verdubbeling ten opzichte van 2020. Tegelijkertijd bleef het aantal nieuw gefinancierde AI-bedrijven dalen: van 1.051 in 2019 en 762 in 2020 naar 746 in 2021. Terwijl in 2020 slechts 4 financieringsrondes de 500 miljoen dollar overschreden, waren dat er in 2021 al 15[2].

2. De VS en China domineren de internationale samenwerking op het gebied van AI

Ondanks toenemende geopolitieke spanningen vertoonden de VS en China het grootste aantal gezamenlijke AI-publicaties over de periode 2010–2021, waarbij de omvang van de samenwerking sinds 2010 vervijfvoudigde. Dit tweetal produceerde 2,7 keer meer publicaties dan het eerstvolgende koppel — het Verenigd Koninkrijk en China[3].

3. Taalmodellen worden krachtiger, maar ook meer bevooroordeeld

Grote taalmodellen vestigden nieuwe records op technische benchmarks, maar uit de gegevens bleek dat grotere modellen de vooringenomenheid uit de trainingsdata sterker reproduceren. Een model met 280 miljard parameters (Gopher, DeepMind, 2021) vertoonde 29% meer opgewekte toxiciteit in vergelijking met een model van 117 miljoen parameters dat in 2018 als state-of-the-art gold[4].

4. Bloei van AI-ethiek

Onderzoek op het gebied van eerlijkheid en transparantie van AI kende een explosieve groei sinds 2014: het aantal vakpublicaties op ethische conferenties vervijfvoudigde. Algoritmische eerlijkheid en vooringenomenheid zijn niet langer een puur academisch onderwerp, maar zijn uitgegroeid tot een mainstream onderzoeksrichting. Onderzoekers met een industriële affiliatie verhoogden hun bijdrage aan ethische conferenties met 71% per jaar[1].

5. AI wordt toegankelijker en performanter

Sinds 2018 zijn de kosten voor het trainen van een beeldclassificatiesysteem met 63,6% gedaald en is de trainingstijd met 94,4% verbeterd. Eenzelfde trend naar lagere kosten en snellere training werd ook waargenomen in andere taakcategorieën van MLPerf: aanbevelingen, objectdetectie en taalverwerking[5].

6. Data als sleutelresource

De beste resultaten op technische benchmarks werden steeds vaker bereikt door gebruik te maken van aanvullende trainingsdata. Per 2021 werden 9 van de 10 geavanceerde AI-systemen op de onderzochte benchmarks getraind met behulp van aanvullende data. Deze trend begunstigde impliciet bedrijven in de private sector die toegang hebben tot uitgebreide datasets[1].

7. AI-wetgeving groeit wereldwijd snel

Uit de analyse van de AI Index over 25 landen bleek dat het aantal aangenomen wetten met de term 'kunstmatige intelligentie' steeg van 1 in 2016 naar 18 in 2021. De koplopers in 2021 waren Spanje, het Verenigd Koninkrijk en de VS — elk met drie aangenomen wetten[1].

8. Robotarmen worden goedkoper

Uit het onderzoek van de AI Index bleek dat de mediane prijs van robotarmen in vijf jaar tijd met 46,2% daalde — van 42.000 dollar in 2017 naar 22.600 dollar in 2021 — waardoor roboticaonderzoek toegankelijker wordt[1].

9. Multimodale modellen erven multimodale vooroordelen

Multimodale taal- en visiemodellen (zoals CLIP) vestigden nieuwe records bij beeldclassificatie en het genereren van afbeeldingen op basis van tekstbeschrijvingen, maar reproduceerden ook sociale stereotypen en vooroordelen. Experimenten met CLIP toonden aan dat afbeeldingen van zwarte mensen meer dan twee keer zo vaak ten onrechte werden geclassificeerd als 'niet-menselijk' in vergelijking met afbeeldingen van mensen van welk ander ras dan ook[6].

10. Beweging naar meer algemeen Reinforcement Learning

Gedurende het afgelopen decennium beheersten AI-systemen met succes smalle Reinforcement Learning-taken (bijvoorbeeld schaken — de beste schaakmotor overtrof de maximale rating van Magnus Carlsen met 24%). In de afgelopen twee jaar verbeterden AI-systemen hun resultaten echter ook met 129% op meer algemene Reinforcement Learning-taken (Procgen), waarbij gehandeld moet worden in nieuwe, onbekende omgevingen[1].

Hoofdstuk 1. Onderzoek en Ontwikkeling

Het hoofdstuk analyseert trends in publicaties, patenten, conferenties en open source-software[1].

Publicaties

Het totale aantal Engelstalige AI-publicaties bleef stijgen en bereikte 334.500 in 2021[3].

Naar type publicatie. In 2021 werden meer dan 56.700 publicaties uitgebracht in repositories (arXiv e.a.), wat de groeiende rol van voorpublicaties (preprints) in AI-onderzoek weerspiegelt[1].

Naar geografische spreiding. In 2021 bleef China leiden op het totale aantal publicaties in tijdschriften, op conferenties en in repositories — 63,2% meer dan de VS. De VS behield echter een dominante leiderspositie op het gebied van citaties van conferentie- en repositorypublicaties[3]:

Indicator China EU + Verenigd Koninkrijk VS
Aandeel conferentiepublicaties (2021) 27,6% 19,0% 16,9%
Aandeel conferentiecitaties (2021) 15,3% 23,3% 29,5%
Aandeel repositorypublicaties (2021) 16,6% 23,9% 32,5%
Aandeel repositorycitaties (2021) 16,4% 20,1% 38,6%

Sectoroverschrijdende samenwerking. Van 2010 tot 2021 werden de meeste gezamenlijke AI-publicaties geproduceerd door samenwerkingsverbanden tussen onderwijs- en non-profitorganisaties, gevolgd door samenwerkingen tussen private bedrijven en onderwijsinstellingen, en tussen onderwijs- en overheidsinstellingen[1].

Patenten

Het aantal ingediende patentaanvragen op het gebied van AI in 2021 was meer dan 30 keer zo groot als in 2015, met een gemiddeld jaarlijks groeitempo van 76,9%. Naar regionale spreiding domineerden Oost-Azië en de Stille Oceaan met een aandeel van 62,1% van de patentaanvragen. China diende drie keer zoveel patentaanvragen in als de VS — 87.343 aanvragen tegenover 1.407 goedgekeurde patenten in 2021[3].

Conferenties

Het bezoekersaantal van de belangrijkste AI-conferenties bleef in 2021 op het niveau van 2020 — meer dan 88.000 deelnemers wereldwijd. De meeste conferenties werden nog steeds in virtueel formaat gehouden vanwege de COVID-19-pandemie. Alleen ICRA en EMNLP maakten gebruik van een hybride formaat[1].

Hoofdstuk 2. Technische Prestaties

Het hoofdstuk biedt een uitgebreide analyse van de vooruitgang op het gebied van computer vision, taalverwerking, spraak, aanbevelingssystemen, Reinforcement Learning, hardware en robotica[1].

Computer Vision

ImageNet. De nauwkeurigheid van beeldclassificatie op ImageNet bleef stijgen. Systemen die gebruikmaakten van aanvullende trainingsdata vertoonden aanzienlijk betere resultaten. In 2021 bereikte het model CoAtNet, getraind op ImageNet-21K + JFT, een top-1 accuracy van 90,88%, wat ruimschoots het menselijk niveau overstijgt (ongeveer 94,9% op top-5)[1].

Gespecialiseerde deeltaken. In 2021 was er een groeiende interesse in gespecialiseerde deeltaken van computer vision — medische beeldsegmentatie en gezichtsidentificatie bij mensen met een masker. Zo hadden vóór 2020 slechts 3 onderzoeken systemen getest op de Kvasir-SEG-benchmark (medische beeldvorming), terwijl dat er in 2021 al 25 waren[1].

Visueel common sense-redeneren (VCR). Eind 2021 bedroeg het beste resultaat op de Visual Commonsense Reasoning-benchmark 72,0 — een stijging van 63,6% ten opzichte van 2018, hoewel systemen nog steeds aanzienlijk achterbleven op het menselijk niveau. Verbeteringen werden steeds marginaler, wat wees op de noodzaak van nieuwe benaderingen[1].

Verwerking van natuurlijke taal

SuperGLUE. Aan het hoofd van het SuperGLUE-leaderboard stond het model SS-MoE met een score van 91,0, waarmee het het menselijk niveau (89,8) overtreft. De snelle vooruitgang op SuperGLUE wees op de noodzaak om complexere taalbenchmarks te ontwikkelen[7].

SQuAD. AI-systemen overtroffen het menselijk niveau op de SQuAD 2.0-benchmark voor leesbegrip met 1–5%, maar op complexere taken, zoals abductief logisch redeneren in natuurlijke taal (aNLI), bleef de mens AI-systemen voorblijven, hoewel de kloof kromp van 9 procentpunten in 2019 naar 1 procentpunt in 2021[1].

Machinevertaling. Het aantal commercieel beschikbare machinevertaalsystemen bleef groeien en de vertaalkwaliteit op de belangrijkste taalparen (WMT 2014) verbeterde gestaag[8].

Spraakherkenning

Op de LibriSpeech-benchmark (Test-Clean) bleef de Word Error Rate (WER) dalen en naderde het menselijk niveau. Er werd ook vooruitgang geboekt op complexere spraakdatasets[1].

Reinforcement Learning

Atari-57. Reinforcement Learning-systemen bleven zich verbeteren bij klassieke taken in de Arcade Learning Environment. Het model MuZero (DeepMind) bleef een van de toonaangevende systemen[1].

Procgen. Op de Procgen-benchmark, die het vermogen tot generalisatie in nieuwe omgevingen test, verbeterden AI-systemen hun resultaat in twee jaar tijd met 129%, wat wees op een beweging richting meer algemene agenten[1].

Schaken. De beste schaakprogrammamotor overtrof de maximale ELO-rating van Magnus Carlsen met 24%[9].

Hardware en trainingskosten

MLPerf. Gegevens van de MLPerf-benchmark toonden een aanhoudende daling van de trainingstijd, gepaard gaande met een groeiend aantal gebruikte versnellers. Het verschil tussen het gemiddelde aantal versnellers bij de koplopers en alle deelnemers groeide negenmaals van 2018 tot 2021, wat wees op toenemende hardwarevereisten[5].

Trainingskosten ImageNet. De kosten voor het trainen van een hoogpresterend beeldclassificatiesysteem tot 93% nauwkeurigheid daalden van 1.112,6 dollar in 2017 naar 4,6 dollar in 2021 — een afname van 223 keer in vier jaar[1].

Robotica

Prijzen van robotarmen. Een onderzoek van de AI Index onder 509 roboticaprofessoren van 67 universiteiten wereldwijd wees op een daling van de mediane prijs van robotarmen met 46,2% — van 42.000 dollar in 2017 naar 22.600 dollar in 2021[1].

AI-vaardigheden in robotica. 67% van de ondervraagde roboticaprofessoren meldde gebruik te maken van deep learning en 46% van Reinforcement Learning in hun onderzoek[1].

Hoofdstuk 3. Technische AI-ethiek

Dit voor het eerst in het rapport opgenomen hoofdstuk biedt een diepgaande analyse van maatstaven voor eerlijkheid en vooringenomenheid, toxiciteit van taalmodellen, multimodale vertekeningen, alsmede kwesties rond factchecking en waarheidsgetrouwheid van AI[1].

Meta-analyse van maatstaven voor eerlijkheid en vooringenomenheid

Het aantal maatstaven voor het meten van vooringenomenheid en eerlijkheid van AI groeide gestaag sinds 2018. De maatstaven vallen uiteen in twee hoofdtypen: benchmark-datasets (zoals StereoSet, CrowS-Pairs), die het interne gedrag van een model meten, en diagnostische maatstaven (zoals demografische pariteit, gelijkheid van kansen), die de impact van een model op specifieke bevolkingsgroepen beoordelen[1].

Toxiciteit van taalmodellen

RealToxicityPrompts. De toxiciteit van taalmodellen was sterk afhankelijk van de trainingsdata. Modellen getraind op tekst gefilterd op toxische inhoud (bijv. C4 met filtering) waren aanzienlijk minder toxisch dan modellen getraind op ongefilterde internetinhoud[10].

Schaal en toxiciteit. Analyse van het model Gopher (DeepMind, 280 miljard parameters) toonde aan dat grotere modellen met grotere waarschijnlijkheid toxische vervolgingen genereren bij passende prompts, maar tegelijkertijd beter in staat zijn toxische inhoud te herkennen[4].

Detoxificatie. Methoden voor detoxificatie van taalmodellen (DAPT, PPLM, GeDi) leidden consequent tot een verslechtering van de prestaties, en onevenredig sterker bij Afro-Amerikaans Engels en teksten met vermeldingen van minderheden[11].

Stereotypen en vooringenomenheid

StereoSet mat stereotypische vooringenomenheid langs de assen geslacht, ras, religie en beroep. CrowS-Pairs beoordeelde de mate van stereotypische vooringenomenheid in gemaskeerde taalmodellen. Winogender en WinoBias testten gendervooringenomenheid bij coreferencietaken, en WinoMT bij machinevertaling[1].

Multimodale vooroordelen (CLIP)

Het model CLIP (Contrastive Language-Image Pretraining, OpenAI) behaalde indrukwekkende resultaten bij beeldclassificatie, maar erfde vooroordelen op het gebied van geslacht, ras en leeftijd uit de trainingsdata (400 miljoen beeld-tekstparen van het internet). Belangrijkste bevindingen[1]:

  • Diskrediterend nadeel: bij het toevoegen van niet-menselijke en criminele categorieën aan de classificatie werden afbeeldingen van zwarte mensen in 14% van de gevallen ten onrechte ingedeeld bij niet-menselijke categorieën — twee keer zo vaak als bij andere rassen.
  • Gendervooringenomenheid: de labels 'nanny' en 'huishoudster' werden geassocieerd met vrouwen, 'gevangene' en 'maffioso' met mannen.
  • Overdracht van vooroordelen: de vooroordelen van CLIP werden overgedragen naar de dataset LAION-400M, die werd samengesteld met behulp van CLIP-embeddings, wat alle daaropvolgende toepassingen beïnvloedde.

Factchecking en waarheidsgetrouwheid

TruthfulQA. Analyse van meerdere families van taalmodellen op de TruthfulQA-benchmark toonde aan dat het opschalen van basismodellen (de GPT-3-familie) leidde tot een afname van de waarheidsgetrouwheid. Modellen die echter werden fine-getuned met menselijke feedback (InstructGPT, WebGPT), werden waarheidsgetrouwer naarmate ze werden opgeschaald[12].

FEVER. Op de FEVER-benchmark (Fact Extraction and VERification) bleven geautomatiseerde factchecksystemen zich verbeteren, hoewel ze nog steeds achterbleven op het menselijk niveau[1].

Analyse van publicaties op de FAccT-conferentie (Fairness, Accountability, and Transparency) en thematische workshops van NeurIPS toonde een groei van publicaties over interpreteerbaarheid, verklaarbaarheid, causaal redeneren, privacy, gegevensverzameling, eerlijkheid en vooringenomenheid. Onderzoekers met een industriële affiliatie verhoogden hun bijdrage aan deze platforms aanzienlijk[1].

Hoofdstuk 4. Economie en Onderwijs

Het hoofdstuk onderzoekt trends op de arbeidsmarkt, in investeringen, bedrijfsmatige inzet van AI en opleiding van personeel[1].

Arbeidsmarkt

Werving van AI-specialisten. Volgens LinkedIn vertoonde Nieuw-Zeeland de grootste groei in de werving van AI-specialisten — 2,42 keer over de periode 2016 tot 2021, gevolgd door Hongkong (1,56×), Ierland (1,28×), Luxemburg (1,26×) en Zweden (1,24×)[13].

Vacatures. Volgens Emsi Burning Glass leidde Singapore met het aandeel AI-vacatures in het totale vacatureaanbod — 2,33%, gevolgd door de VS (0,90%), Canada (0,78%) en het Verenigd Koninkrijk (0,74%). In de VS was het grootste aantal AI-vacatures te vinden in Californië (meer dan 2,35 keer zoveel als in Texas), en het grootste aandeel AI-vacatures in Washington D.C.[14].

Investeringen

Algemene trends. De totale bedrijfsinvesteringen in AI bereikten in 2021 een recordhoogte van 176,5 miljard dollar, waarvan particuliere investeringen 93,5 miljard bedroegen (meer dan een verdubbeling ten opzichte van 2020), fusies en overnames ongeveer 72 miljard en beursintroducties ongeveer 9,5 miljard[2].

Regionale spreiding. De VS leidden met particuliere investeringen van ongeveer 52,9 miljard dollar — meer dan drie keer zoveel als China (17,2 miljard). Het Verenigd Koninkrijk nam de derde plaats in (4,65 miljard), gevolgd door Israël (2,4 miljard) en Duitsland (1,98 miljard)[2].

Land Particuliere investeringen 2021 (miljard USD) Particuliere investeringen 2013–2021 (miljard USD)
VS 52,9 149,0
China 17,2 61,9
Verenigd Koninkrijk 4,65 10,8
Israël 2,4 6,1
Duitsland 1,98 3,9
India 1,87 10,8

Sectorale focus. Het grootste volume aan particuliere investeringen in 2021 werd aangetrokken door het gebied 'gegevensbeheer, -verwerking en cloud' — 2,6 keer meer dan in 2020 — gevolgd door 'geneeskunde en gezondheidszorg' (11,29 miljard) en 'fintech' (10,26 miljard)[2].

Kapitaalconcentratie. De gemiddelde dealomvang bij particuliere investeringen in AI steeg in 2021 met 81,1% ten opzichte van 2020. Tegelijkertijd daalde het aantal nieuw gefinancierde AI-bedrijven voor het derde opeenvolgende jaar (na de piek in 2018)[2].

Bedrijfsmatige inzet

Volgens McKinsey bedroeg het gemiddelde niveau van AI-adoptie door organisaties in 2021 56% (een stijging van 6 procentpunten ten opzichte van 2020). India leidde (65%), gevolgd door ontwikkelde landen in Azië-Pacific (64%), opkomende markten (57%) en Noord-Amerika (55%)[15].

Risicobeheer. De inspanningen om ethische problemen van AI in de industrie aan te pakken bleven beperkt: hoewel 29% van de McKinsey-respondenten 'eerlijkheid en gelijkheid' erkenden als risico's bij de inzet van AI, ondernam slechts 19% stappen om deze te beperken. Evenzo erkende 41% 'verklaarbaarheid' als een risico, maar werkte slechts 27% aan de realisatie ervan[15].

Onderwijs

Bachelor. Het aantal afgestudeerden met een bachelordiploma informatica in Noord-Amerika (aan universiteiten die doctoraten verlenen) groeide van 2010 tot 2020 met een factor 3,5, tot meer dan 31.000 — een stijging van 11,6% ten opzichte van 2019[16].

Doctoraat. In 2020 was elke vijfde afgestudeerde met een PhD in de informatica gespecialiseerd in AI/Machine Learning — de meest populaire specialisatie van het afgelopen decennium. Het aantal PhD's met deze specialisatie groeide met 72,05% van 2010 tot 2020[16].

Hoofdstuk 5. AI-beleid en Governance

Het hoofdstuk analyseert wetgevende en regulerende activiteit op het gebied van AI op mondiaal niveau en per afzonderlijk land[1].

Mondiale wetgeving

De analyse van de AI Index omvatte wetgevingsinitiatieven in 25 landen. Over de periode 2016–2021 werden 55 wetten aangenomen met een verwijzing naar 'kunstmatige intelligentie'. De groei was scherp: van 1 wet in 2016 naar 18 in 2021[1].

Koplopers naar aantal aangenomen wetten (2016–2021):

Land Wetten (2016–2021) Wetten (2021)
VS 13 3
Rusland 6 2
België 5 2
Spanje 5 3
Verenigd Koninkrijk 5 3
Frankrijk 4 1
Italië 3 1

Onder de aangenomen wetten bevinden zich: de Canadese Budget Implementation Act (2017) met een toewijzing van 125 miljoen dollar voor een AI-strategie; de Russische federale wet van 24.04.2020 nr. 123-FZ over een experimenteel juridisch regime voor AI in Moskou; de Amerikaanse IOGAN Act (2020) over de financiering van deepfake-onderzoek; het Belgische decreet over de oprichting van een ethisch comité voor AI-instrumenten (2021)[1].

Wetgeving in de VS

Op federaal niveau steeg het aantal voorgestelde AI-wetsvoorstellen van 1 in 2015 naar 130 in 2021, maar slechts 2% daarvan werd aangenomen. Op staatsniveau steeg het aantal voorgestelde wetsvoorstellen van 2 in 2012 naar 131 in 2021, waarbij het aandeel aangenomen voorstellen 20% bedroeg (26 van de 131)[17].

Massachusetts stelde het grootste aantal AI-wetsvoorstellen op staatsniveau voor (40 sinds 2012), gevolgd door Hawaï (35) en New Jersey (32)[17].

Vermeldingen van AI in parlementaire documenten

Vermeldingen van AI in overheidsdocumenten van 25 landen groeiden in zes jaar (2016–2021) met een factor 7,7, tot 1.323 in 2021. Het Verenigd Koninkrijk domineerde met 939 vermeldingen over de gehele periode, gevolgd door Spanje, Japan, de VS en Australië[1].

In het Amerikaanse Congres had de 117e zitting (gestart in 2021) aan het einde van het eerste jaar al 295 AI-vermeldingen geregistreerd — op weg om het record van de 116e zitting te overtreffen (506 vermeldingen over 2019–2020)[17].

Methodologie

Het rapport maakt gebruik van gegevens uit meerdere bronnen[1]:

  • Publicaties en patenten: Center for Security and Emerging Technology (CSET), Georgetown University.
  • Benchmarks: Papers With Code, leaderboards van SuperGLUE, SQuAD, VCR, MLPerf e.a.
  • Investeringen en startups: NetBase Quid.
  • Arbeidsmarkt: Emsi Burning Glass, LinkedIn.
  • Bedrijfsactiviteit: McKinsey & Company.
  • Robotica: origineel onderzoek van de AI Index (509 professoren, 67 universiteiten).
  • Wetgeving: AI Index (mondiale analyse van 25 landen), Bloomberg Government (VS).
  • Onderwijs: CRA Taulbee Survey.
  • Ethiek: RealToxicityPrompts, Perspective API, StereoSet, CrowS-Pairs, Winogender, WinoBias, WinoMT, TruthfulQA, FEVER, FAccT, NeurIPS.

Auteursteam

Het rapport werd opgesteld onder leiding van co-directeuren Jack Clark (Jack Clark, Anthropic / OECD) en Ray Perrault (Raymond Perrault, SRI International), met medewerking van een brede groep onderzoekers en partnerorganisaties. Tot het stuurcomité behoorden 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 — oprichtend directeur). Onderzoeksmanager en hoofdredacteur — Nestor Maslej (Nestor Maslej, Stanford). De AI Index is een project van het Stanford HAI (Human-Centered Artificial Intelligence) Institute[1].

Verwijzingen

Literatuur

Noten

  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_(NL)&oldid=8001"