The 2022 AI Index Report (PL)

From Systems analysis Wiki
Jump to navigation Jump to search

AI Index Report 2022 — piąte coroczne wydanie raportu AI Index, przygotowane przez Stanfordzki Instytut Sztucznej Inteligencji Skoncentrowanej na Człowieku (Stanford HAI)[1]. Raport z 2022 roku jest najbardziej obszernym w chwili publikacji i ukazuje się w okresie masowego wdrażania systemów AI w gospodarce. Wydanie po raz pierwszy zawiera osobny rozdział z pogłębioną analizą technicznej etyki AI, obszerny przegląd robotyki oparty na globalnej ankiecie badaczy, a także dane o inicjatywach ustawodawczych w obszarze AI w 25 krajach świata. Raport śledzi, systematyzuje i wizualizuje dane związane ze sztuczną inteligencją, dostarczając obiektywnych i starannie zweryfikowanych informacji dla decydentów, badaczy, menedżerów, dziennikarzy i szerokiej opinii publicznej.

Struktura raportu

Raport z 2022 roku składa się z pięciu tematycznych rozdziałów i załącznika[1]:

  1. Badania i rozwój (Research and Development) — trendy w publikacjach, patentach, konferencjach i oprogramowaniu open source.
  2. Wydajność techniczna (Technical Performance) — benchmarki w widzeniu komputerowym, przetwarzaniu języka, mowy, systemach rekomendacyjnych, uczeniu ze wzmocnieniem, sprzęcie komputerowym i robotyce.
  3. Techniczna etyka AI (Technical AI Ethics) — nowy rozdział: metryki sprawiedliwości i stronniczości, toksyczność modeli językowych, zniekształcenia multimodalne, weryfikacja faktów i prawdziwość.
  4. Gospodarka i edukacja (The Economy and Education) — rynek pracy, inwestycje, korporacyjne wdrożenia AI i kształcenie kadr.
  5. Polityka i zarządzanie AI (AI Policy and Governance) — ustawodawstwo, regulacje i strategie narodowe.

Kluczowe wnioski raportu

Autorzy raportu wyróżnili szereg głównych tez 2022 roku[1]:

1. Prywatne inwestycje w AI gwałtownie wzrosły, a koncentracja kapitału się nasiliła

Prywatne inwestycje w AI w 2021 roku wyniosły około 93,5 mld dolarów — ponad dwukrotnie przekraczając wynik z 2020 roku. Jednocześnie liczba nowo finansowanych firm AI nadal malała: z 1 051 w 2019 roku i 762 w 2020 roku do 746 w 2021 roku. Jeśli w 2020 roku jedynie 4 rundy finansowania przekroczyły 500 mln dolarów, to w 2021 roku takich rund było już 15[2].

2. USA i Chiny dominują we współpracy międzynarodowej w zakresie AI

Pomimo rosnących napięć geopolitycznych USA i Chiny odnotowały największą liczbę wspólnych publikacji dotyczących AI w latach 2010–2021, zwiększając zakres współpracy pięciokrotnie od 2010 roku. Ten duet wyprodukował 2,7 razy więcej publikacji niż kolejna para — Wielka Brytania i Chiny[3].

3. Modele językowe stają się potężniejsze, ale i bardziej stronnicze

Duże modele językowe ustanawiały nowe rekordy na technicznych benchmarkach, jednak dane pokazały, że większe modele silniej odtwarzają stronniczość z danych treningowych. Model z 280 mld parametrów (Gopher, DeepMind, 2021) wykazał o 29% wyższą wywoływaną toksyczność w porównaniu z modelem ze 117 mln parametrów, uznawanym za przełomowy w 2018 roku[4].

4. Rozkwit etyki AI

Badania w obszarze sprawiedliwości i przejrzystości AI przeżyły eksplozywny wzrost od 2014 roku: liczba specjalistycznych publikacji na konferencjach etycznych zwiększyła się pięciokrotnie. Sprawiedliwość algorytmiczna i stronniczość przestały być tematem czysto akademickim i stały się głównym nurtem badań. Badacze powiązani z przemysłem zwiększali swój wkład w konferencje etyczne o 71% rocznie[1].

5. AI staje się tańsze i wydajniejsze

Od 2018 roku koszt trenowania systemu klasyfikacji obrazów spadł o 63,6%, a czas trenowania poprawił się o 94,4%. Podobna tendencja do obniżania kosztów i przyspieszania trenowania była obserwowana również w innych kategoriach zadań MLPerf: rekomendacje, wykrywanie obiektów i przetwarzanie języka[5].

6. Dane jako kluczowy zasób

Najlepsze wyniki na technicznych benchmarkach coraz częściej osiągano dzięki wykorzystaniu dodatkowych danych treningowych. Według stanu na 2021 rok, 9 na 10 najlepszych systemów AI na analizowanych benchmarkach było trenowanych z użyciem dodatkowych danych. Tendencja ta w sposób ukryty faworyzuje firmy z sektora prywatnego, mające dostęp do rozległych datasetów[1].

7. Ustawodawstwo dotyczące AI na całym świecie rośnie gwałtownie

Analiza AI Index obejmująca 25 krajów wykazała, że liczba uchwalonych ustaw zawierających termin „sztuczna inteligencja" wzrosła z 1 w 2016 roku do 18 w 2021 roku. Liderami 2021 roku zostały Hiszpania, Wielka Brytania i USA — po trzy uchwalone ustawy każda[1].

8. Ramiona robotyczne stają się tańsze

Ankieta AI Index wykazała, że mediana ceny robotycznych ramion manipulacyjnych spadła o 46,2% w ciągu pięciu lat — z 42 000 dolarów w 2017 roku do 22 600 dolarów w 2021 roku, czyniąc badania w dziedzinie robotyki bardziej dostępnymi[1].

9. Modele multimodalne dziedziczą multimodalne uprzedzenia

Multimodalne modele języka i widzenia (takie jak CLIP) ustanawiały nowe rekordy w zadaniach klasyfikacji obrazów i generowania obrazów na podstawie opisu tekstowego, jednak odtwarzały również stereotypy społeczne i uprzedzenia. Eksperymenty z CLIP wykazały, że obrazy osób czarnoskórych były błędnie klasyfikowane jako „nieludzkie" ponad dwukrotnie częściej niż obrazy przedstawicieli jakiejkolwiek innej rasy[6].

10. Ruch w kierunku bardziej ogólnego uczenia ze wzmocnieniem

Przez ostatnią dekadę systemy AI skutecznie opanowywały wąskie zadania uczenia ze wzmocnieniem (np. szachy — najlepszy silnik szachowy przekroczył maksymalny ranking Magnusa Carlsena o 24%). Jednak w ciągu ostatnich dwóch lat systemy AI poprawiły wyniki o 129% w bardziej ogólnych zadaniach uczenia ze wzmocnieniem (Procgen), gdzie wymagane jest działanie w nowych, nieznanych środowiskach[1].

Rozdział 1. Badania i rozwój

Rozdział analizuje trendy w publikacjach, patentach, konferencjach i oprogramowaniu open source[1].

Publikacje

Ogólna liczba anglojęzycznych publikacji dotyczących AI nadal rosła i osiągnęła 334 500 w 2021 roku[3].

Według rodzaju publikacji. W 2021 roku opublikowano ponad 56 700 artykułów w repozytoriach (arXiv i inne), co odzwierciedla rosnącą rolę wstępnych publikacji (preprintów) w badaniach nad AI[1].

Według rozkładu geograficznego. W 2021 roku Chiny nadal prowadziły pod względem łącznej liczby publikacji w czasopismach, na konferencjach i w repozytoriach — o 63,2% więcej niż USA. Jednocześnie USA utrzymywały dominującą pozycję pod względem liczby cytowań publikacji konferencyjnych i repozytoriowych[3]:

Wskaźnik Chiny UE + Wielka Brytania USA
Udział publikacji konferencyjnych (2021) 27,6% 19,0% 16,9%
Udział cytowań konferencyjnych (2021) 15,3% 23,3% 29,5%
Udział publikacji w repozytoriach (2021) 16,6% 23,9% 32,5%
Udział cytowań w repozytoriach (2021) 16,4% 20,1% 38,6%

Współpraca między sektorami. W latach 2010–2021 największą liczbę wspólnych publikacji dotyczących AI wyprodukowano w ramach współpracy między instytucjami edukacyjnymi i organizacjami non-profit, następnie — między firmami prywatnymi i instytucjami edukacyjnymi, a także między instytucjami edukacyjnymi i rządowymi[1].

Patenty

Liczba złożonych wniosków patentowych w obszarze AI w 2021 roku ponad 30-krotnie przekroczyła wynik z 2015 roku, przy średniorocznym tempie wzrostu wynoszącym 76,9%. Pod względem rozkładu regionalnego Azja Wschodnia i region Pacyfiku dominowały z udziałem 62,1% wniosków patentowych. Chiny składały trzykrotnie więcej wniosków patentowych niż USA — 87 343 wnioski przy 1 407 zatwierdzonych patentach w 2021 roku[3].

Konferencje

Frekwencja na wiodących konferencjach dotyczących AI w 2021 roku utrzymywała się na poziomie z 2020 roku — ponad 88 000 uczestników na całym świecie. Większość konferencji nadal odbywała się w formule wirtualnej z powodu pandemii COVID-19. Jedynie ICRA i EMNLP zastosowały format hybrydowy[1].

Rozdział 2. Wydajność techniczna

Rozdział przedstawia rozszerzoną analizę postępów w widzeniu komputerowym, przetwarzaniu języka, mowy, systemach rekomendacyjnych, uczeniu ze wzmocnieniem, sprzęcie komputerowym i robotyce[1].

Widzenie komputerowe

ImageNet. Dokładność klasyfikacji obrazów na ImageNet nadal rosła. Systemy wykorzystujące dodatkowe dane treningowe osiągały znacznie wyższe wyniki. W 2021 roku model CoAtNet, trenowany na ImageNet-21K + JFT, osiągnął top-1 accuracy wynoszącą 90,88%, co znacznie przekracza poziom ludzki (około 94,9% według top-5)[1].

Wyspecjalizowane podzadania. W 2021 roku zaobserwowano wzrost zainteresowania wyspecjalizowanymi podzadaniami widzenia komputerowego — medyczną segmentacją obrazów i identyfikacją twarzy w maskach. Na przykład przed 2020 rokiem jedynie 3 prace badawcze testowały systemy na benchmarku Kvasir-SEG (wizualizacja medyczna), natomiast w 2021 roku takich prac było już 25[1].

Wizualne rozumowanie zdroworozsądkowe (VCR). Pod koniec 2021 roku najlepszy wynik na benchmarku Visual Commonsense Reasoning wyniósł 72,0 — wzrost o 63,6% od 2018 roku, choć systemy nadal znacznie ustępowały poziomowi ludzkiemu. Ulepszenia stawały się coraz bardziej marginalne, wskazując na potrzebę nowych podejść[1].

Przetwarzanie języka naturalnego

SuperGLUE. Na szczycie tabeli liderów SuperGLUE znajdował się model SS-MoE z wynikiem 91,0, przekraczającym poziom ludzki (89,8). Gwałtowny postęp na SuperGLUE świadczył o konieczności opracowania bardziej złożonych benchmarków językowych[7].

SQuAD. Systemy AI przewyższyły poziom ludzki na benchmarku SQuAD 2.0 w zakresie rozumienia tekstu o 1–5%, jednak w trudniejszych zadaniach, takich jak abdukcyjne wnioskowanie w języku naturalnym (aNLI), człowiek nadal wyprzedzał AI, choć różnica skurczyła się z 9 p.p. w 2019 roku do 1 p.p. w 2021 roku[1].

Tłumaczenie maszynowe. Liczba komercyjnie dostępnych systemów tłumaczenia maszynowego nadal rosła, a jakość tłumaczeń dla głównych par językowych (WMT 2014) stale się poprawiała[8].

Rozpoznawanie mowy

Na benchmarku LibriSpeech (Test-Clean) wskaźnik błędu rozpoznawania słów (WER) nadal malał, zbliżając się do poziomu ludzkiego. Postęp osiągnięto również na trudniejszych datasetach mowy[1].

Uczenie ze wzmocnieniem

Atari-57. Systemy uczenia ze wzmocnieniem nadal doskonaliły się w klasycznych zadaniach Arcade Learning Environment. Model MuZero (DeepMind) pozostawał jednym z wiodących[1].

Procgen. Na benchmarku Procgen, testującym zdolność do uogólniania w nowych środowiskach, systemy AI poprawiły wynik o 129% w ciągu dwóch lat, co wskazywało na ruch w kierunku bardziej ogólnych agentów[1].

Szachy. Najlepszy szachowy program komputerowy przekroczył maksymalny ranking ELO Magnusa Carlsena o 24%[9].

Sprzęt komputerowy i koszty trenowania

MLPerf. Dane benchmarku MLPerf wykazały stały spadek czasu trenowania przy jednoczesnym wzroście liczby używanych akceleratorów. Różnica między średnią liczbą akceleratorów u liderów a wszystkich uczestników wzrosła 9-krotnie w latach 2018–2021, co świadczyło o rosnących wymaganiach sprzętowych[5].

Koszt trenowania ImageNet. Koszt trenowania wysokowydajnego systemu klasyfikacji obrazów do 93% dokładności spadł z 1 112,6 dolara w 2017 roku do 4,6 dolara w 2021 roku — spadek 223-krotny w ciągu czterech lat[1].

Robotyka

Ceny manipulatorów. Ankieta AI Index przeprowadzona wśród 509 profesorów robotyki z 67 uczelni na całym świecie wykazała spadek mediany ceny robotycznego manipulatora o 46,2% — z 42 000 dolarów w 2017 roku do 22 600 dolarów w 2021 roku[1].

Umiejętności AI w robotyce. 67% ankietowanych profesorów robotyki deklarowało wykorzystanie głębokiego uczenia, a 46% — uczenia ze wzmocnieniem w swoich badaniach[1].

Rozdział 3. Techniczna etyka AI

Po raz pierwszy włączony do raportu rozdział dostarcza pogłębionej analizy metryk sprawiedliwości i stronniczości, toksyczności modeli językowych, zniekształceń multimodalnych, a także kwestii weryfikacji faktów i prawdziwości AI[1].

Metaanaliza metryk sprawiedliwości i stronniczości

Liczba metryk do pomiaru stronniczości i sprawiedliwości AI stale rosła od 2018 roku. Metryki dzielą się na dwa główne typy: benchmarkowe datasety (np. StereoSet, CrowS-Pairs), mierzące wewnętrzne zachowanie modelu, oraz metryki diagnostyczne (np. parytet demograficzny, równość szans), oceniające wpływ modelu na konkretne grupy ludności[1].

Toksyczność modeli językowych

RealToxicityPrompts. Toksyczność modeli językowych znacząco zależała od danych treningowych. Modele trenowane na tekście oczyszczonym z toksycznych treści (np. C4 z filtrowaniem) były znacznie mniej toksyczne w porównaniu z modelami trenowanymi na niefiltrowanych treściach internetowych[10].

Skala i toksyczność. Analiza modelu Gopher (DeepMind, 280 mld parametrów) wykazała, że większe modele z większym prawdopodobieństwem generują toksyczne kontynuacje przy odpowiednich promptach, ale jednocześnie lepiej potrafią rozpoznawać toksyczne treści[4].

Detoksykacja. Metody detoksykacji modeli językowych (DAPT, PPLM, GeDi) konsekwentnie prowadziły do pogorszenia wydajności, przy czym nieproporcjonalnie silniej — w przypadku afroamerykańskiej odmiany języka angielskiego i tekstów zawierających odniesienia do mniejszości[11].

Stereotypy i stronniczość

StereoSet mierzył stronniczość stereotypową według osi płci, rasy, religii i zawodu. CrowS-Pairs oceniał stopień stronniczości stereotypowej w maskowanych modelach językowych. Winogender i WinoBias testowały stronniczość płciową w zadaniach koreferencji, a WinoMT — w tłumaczeniu maszynowym[1].

Uprzedzenia multimodalne (CLIP)

Model CLIP (Contrastive Language-Image Pretraining, OpenAI) wykazał imponujące wyniki w klasyfikacji obrazów, jednak odziedziczył uprzedzenia dotyczące płci, rasy i wieku z danych treningowych (400 mln par „obraz–tekst" z internetu). Kluczowe odkrycia[1]:

  • Szkoda dyskredytacyjna: przy dodaniu kategorii nieludzkich i kryminalnych do klasyfikacji, obrazy osób czarnoskórych były błędnie przypisywane do kategorii nieludzkich w 14% przypadków — dwukrotnie więcej niż w przypadku innych ras.
  • Stronniczość płciowa: etykiety „niania" i „gospodyni domowa" były kojarzone z kobietami, „więzień" i „mafioso" — z mężczyznami.
  • Rozprzestrzenianie się uprzedzeń: uprzedzenia CLIP były przenoszone do datasetu LAION-400M, tworzonego przy użyciu embeddingów CLIP, wpływając na wszystkie kolejne zastosowania.

Weryfikacja faktów i prawdziwość

TruthfulQA. Analiza kilku rodzin modeli językowych na benchmarku TruthfulQA wykazała, że skalowanie modeli bazowych (rodzina GPT-3) prowadziło do obniżenia prawdziwości. Jednak modele douczone za pomocą informacji zwrotnej od człowieka (InstructGPT, WebGPT) stawały się bardziej prawdziwe wraz ze skalowaniem[12].

FEVER. Na benchmarku FEVER (Fact Extraction and VERification) systemy automatycznej weryfikacji faktów nadal się doskonaliły, choć wciąż ustępowały poziomowi ludzkiemu[1].

Tendencje na konferencjach etycznych

Analiza publikacji na konferencji FAccT (Fairness, Accountability, and Transparency) i tematycznych warsztatach NeurIPS ujawniła wzrost liczby prac dotyczących interpretowalności, wyjaśnialności, rozumowania przyczynowego, prywatności, zbierania danych, sprawiedliwości i stronniczości. Badacze powiązani z przemysłem znacząco zwiększyli swój wkład na tych platformach[1].

Rozdział 4. Gospodarka i edukacja

Rozdział bada trendy na rynku pracy, w inwestycjach, korporacyjnym wdrażaniu AI i kształceniu kadr[1].

Rynek pracy

Rekrutacja specjalistów AI. Według danych LinkedIn, Nowa Zelandia odnotowała największy wzrost rekrutacji specjalistów AI — 2,42 razy w latach 2016–2021, a za nią plasowały się Hongkong (1,56×), Irlandia (1,28×), Luksemburg (1,26×) i Szwecja (1,24×)[13].

Oferty pracy. Według danych Emsi Burning Glass, Singapur przewodził pod względem udziału ofert pracy dotyczących AI wśród wszystkich ofert — 2,33%, za nim plasowały się USA (0,90%), Kanada (0,78%) i Wielka Brytania (0,74%). W USA największa liczba ofert pracy związanych z AI przypadała na Kalifornię (ponad 2,35 razy więcej niż w Teksasie), a największy udział ofert dotyczących AI — na Waszyngton (Dystrykt Kolumbia)[14].

Inwestycje

Ogólne trendy. Łączne inwestycje korporacyjne w AI w 2021 roku osiągnęły rekordowe 176,5 mld dolarów, z czego inwestycje prywatne wyniosły 93,5 mld (wzrost ponad dwukrotny względem 2020 roku), fuzje i przejęcia — około 72 mld, a oferty publiczne — około 9,5 mld[2].

Rozkład regionalny. USA prowadziły z prywatnymi inwestycjami wynoszącymi około 52,9 mld dolarów — ponad trzykrotnie więcej niż Chiny (17,2 mld). Wielka Brytania zajęła trzecie miejsce (4,65 mld), a następnie plasowały się Izrael (2,4 mld) i Niemcy (1,98 mld)[2].

Kraj Prywatne inwestycje 2021 (mld USD) Prywatne inwestycje 2013–2021 (mld USD)
USA 52,9 149,0
Chiny 17,2 61,9
Wielka Brytania 4,65 10,8
Izrael 2,4 6,1
Niemcy 1,98 3,9
Indie 1,87 10,8

Fokus sektorowy. Największy wolumen prywatnych inwestycji w 2021 roku przyciągnął obszar „zarządzanie danymi, przetwarzanie i chmura" — 2,6 razy więcej niż w 2020 roku, a następnie „medycyna i opieka zdrowotna" (11,29 mld) i „fintech" (10,26 mld)[2].

Koncentracja kapitału. Średnia wartość transakcji prywatnego inwestowania w AI w 2021 roku wzrosła o 81,1% w porównaniu z 2020 rokiem. Jednocześnie liczba nowo finansowanych firm AI malała trzeci rok z rzędu (od szczytu w 2018 roku)[2].

Wdrożenia korporacyjne

Według danych McKinsey, średni poziom wdrożenia AI przez organizacje w 2021 roku wyniósł 56% (wzrost o 6 p.p. względem 2020 roku). Liderem były Indie (65%), a za nimi plasowały się rozwinięte kraje regionu Azji i Pacyfiku (64%), rynki wschodzące (57%) i Ameryka Północna (55%)[15].

Zarządzanie ryzykiem. Wysiłki na rzecz rozwiązywania problemów etycznych AI w branży pozostawały ograniczone: choć 29% respondentów McKinsey uznawało „sprawiedliwość i równość" za ryzyko przy wdrażaniu AI, jedynie 19% podejmowało kroki w celu jego ograniczenia. Podobnie, 41% uznawało „wyjaśnialność" za ryzyko, ale tylko 27% pracowało nad jej zapewnieniem[15].

Edukacja

Studia licencjackie. Liczba absolwentów studiów licencjackich z informatyki w Ameryce Północnej (na uczelniach przyznających stopnie doktorskie) wzrosła 3,5-krotnie w latach 2010–2020, osiągając ponad 31 000 osób — wzrost o 11,6% w porównaniu z 2019 rokiem[16].

Studia doktoranckie. W 2020 roku co piąty absolwent doktoratu z informatyki specjalizował się w AI/Machine Learning — najbardziej popularna specjalizacja ostatniej dekady. Liczba doktorantów z tą specjalizacją wzrosła o 72,05% w latach 2010–2020[16].

Rozdział 5. Polityka i zarządzanie AI

Rozdział analizuje aktywność ustawodawczą i regulacyjną w sferze AI na poziomie globalnym i w poszczególnych krajach[1].

Globalne ustawodawstwo

Analiza AI Index objęła inicjatywy ustawodawcze w 25 krajach. W latach 2016–2021 uchwalono 55 ustaw zawierających wzmiankę o „sztucznej inteligencji". Wzrost był gwałtowny: od 1 ustawy w 2016 roku do 18 w 2021 roku[1].

Liderzy pod względem liczby uchwalonych ustaw (2016–2021):

Kraj Ustawy (2016–2021) Ustawy (2021)
USA 13 3
Rosja 6 2
Belgia 5 2
Hiszpania 5 3
Wielka Brytania 5 3
Francja 4 1
Włochy 3 1

Wśród uchwalonych ustaw: kanadyjski Budget Implementation Act (2017) z przeznaczeniem 125 mln dolarów na strategię AI; rosyjska ustawa federalna z dnia 24.04.2020 nr 123-FZ o eksperymentalnym reżimie prawnym dla AI w Moskwie; amerykańska ustawa IOGAN Act (2020) o finansowaniu badań nad deepfake'ami; belgijski dekret o powołaniu komitetu etycznego dla narzędzi AI (2021)[1].

Ustawodawstwo w USA

Na poziomie federalnym liczba proponowanych projektów ustaw dotyczących AI wzrosła z 1 w 2015 roku do 130 w 2021 roku, jednak jedynie 2% z nich zostało uchwalonych. Na poziomie stanowym liczba proponowanych projektów ustaw wzrosła z 2 w 2012 roku do 131 w 2021 roku, przy czym odsetek uchwalonych wyniósł 20% (26 z 131)[17].

Massachusetts zaproponowało największą liczbę projektów ustaw dotyczących AI na poziomie stanowym (40 od 2012 roku), a za nim plasowały się Hawaje (35) i New Jersey (32)[17].

Wzmianki o AI w dokumentach parlamentarnych

Liczba wzmianek o AI w protokołach rządowych 25 krajów wzrosła 7,7-krotnie w ciągu sześciu lat (2016–2021), osiągając 1 323 w 2021 roku. Wielka Brytania dominowała z 939 wzmiankami za cały okres, a za nią plasowały się Hiszpania, Japonia, USA i Australia[1].

W Kongresie USA 117. sesja (rozpoczęta w 2021 roku) pod koniec pierwszego roku odnotowała już 295 wzmianek o AI — na drodze do przekroczenia rekordu 116. sesji (506 wzmianek w latach 2019–2020)[17].

Metodologia

Raport wykorzystuje dane z wielu źródeł[1]:

  • Publikacje i patenty: Center for Security and Emerging Technology (CSET), Uniwersytet Georgetown.
  • Benchmarki: Papers With Code, tabele liderów SuperGLUE, SQuAD, VCR, MLPerf i inne.
  • Inwestycje i startupy: NetBase Quid.
  • Rynek pracy: Emsi Burning Glass, LinkedIn.
  • Aktywność korporacyjna: McKinsey & Company.
  • Robotyka: oryginalna ankieta AI Index (509 profesorów, 67 uczelni).
  • Ustawodawstwo: AI Index (globalna analiza 25 krajów), Bloomberg Government (USA).
  • Edukacja: CRA Taulbee Survey.
  • Etyka: RealToxicityPrompts, Perspective API, StereoSet, CrowS-Pairs, Winogender, WinoBias, WinoMT, TruthfulQA, FEVER, FAccT, NeurIPS.

Zespół autorski

Raport przygotowano pod kierownictwem współdyrektorów Jacka Clarka (Jack Clark, Anthropic / OECD) i Raya Perraulta (Raymond Perrault, SRI International) przy udziale szerokiego grona badaczy i organizacji partnerskich. W skład komitetu sterującego wchodzili 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 — dyrektor założyciel). Menedżerem badań i redaktorem naczelnym był Nestor Maslej (Stanford). AI Index jest projektem Stanfordzkiego Instytutu HAI (Human-Centered Artificial Intelligence)[1].

Odnośniki

Literatura

Przypisy

  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_(PL)&oldid=8002"