The 2022 AI Index Report (TL)

AI Index Report 2022 — ikalimang taunang edisyon ng ulat na AI Index, inihanda ng Stanford Institute for Human-Centered Artificial Intelligence (Stanford HAI). Ang ulat ng 2022 ay pinakamalaki sa lahat ng nailathala hanggang sa petsa ng publikasyon at inilalabas sa panahon ng malawakang paglalapat ng mga AI system sa ekonomiya. Sa unang pagkakataon, ang edisyong ito ay naglalaman ng isang hiwalay na kabanata na may malalim na pagsusuri ng teknikal na etika ng AI, isang malawak na pangkalahatang-ideya ng robotics batay sa pandaigdigang survey ng mga mananaliksik, pati na rin ang datos tungkol sa mga pambatasan na inisyatiba sa larangan ng AI sa 25 bansa sa buong mundo. Sinusubaybayan, inaayos, at ginagawang biswal ng ulat ang datos na may kaugnayan sa artificial intelligence, na nagbibigay ng layunin at maingat na na-verify na impormasyon para sa mga tagabuo ng patakaran, mananaliksik, mga pinuno, mamamahayag, at pangkalahatang publiko.

Estruktura ng Ulat

Ang ulat ng 2022 ay binubuo ng limang tematikal na kabanata at isang apendiks:

1. Pananaliksik at Pagpapaunlad (Research and Development) — mga trend sa mga publikasyon, patent, kumperensya, at open-source na software.
2. Teknikal na Pagganap (Technical Performance) — mga benchmark sa computer vision, pagpoproseso ng wika, pagsasalita, mga sistema ng rekomendasyon, Reinforcement Learning, hardware, at robotics.
3. Teknikal na Etika ng AI (Technical AI Ethics) — bagong kabanata: mga sukatan ng pagiging patas at pagkiling, toxicity ng mga language model, multimodal na pagkiling, pagsusuri ng katotohanan, at katapatan.
4. Ekonomiya at Edukasyon (The Economy and Education) — merkado ng trabaho, mga pamumuhunan, korporatibong pagsasama ng AI, at pagsasanay ng mga tauhan.
5. Patakaran at Pamamahala ng AI (AI Policy and Governance) — batas, regulasyon, at mga pambansang estratehiya.

Mga Pangunahing Konklusyon ng Ulat

Itinampok ng mga may-akda ng ulat ang ilang pangunahing tesis para sa 2022:

1. Mabilis na lumaki ang mga pribadong pamumuhunan sa AI, at lumalo ang konsentrasyon ng kapital

Ang mga pribadong pamumuhunan sa AI noong 2021 ay umabot sa humigit-kumulang 93.5 bilyong dolyar — mahigit doble kumpara sa numero noong 2020. Kasabay nito, patuloy na bumaba ang bilang ng mga bagong pinondohang kumpanya ng AI: mula 1,051 noong 2019 at 762 noong 2020 hanggang 746 noong 2021. Kung noong 2020 ay 4 lamang na round ng financing ang lumampas sa 500 milyong dolyar, noong 2021 ay 15 na ang ganitong mga round.

2. Nangunguna ang Estados Unidos at Tsina sa internasyonal na pakikipagtulungan sa AI

Sa kabila ng lumalaking geopolitikal na tensyon, ipinakita ng Estados Unidos at Tsina ang pinakamalaking bilang ng magkasamang mga publikasyon sa AI para sa panahon ng 2010–2021, na pinalaki ang dami ng pakikipagtulungan ng limang beses mula 2010. Ang tandem na ito ay gumawa ng 2.7 beses na mas maraming publikasyon kaysa sa susunod na pares — ang United Kingdom at Tsina.

3. Nagiging mas makapangyarihan ang mga language model, ngunit nagiging mas may pagkiling din

Nagtakda ng mga bagong rekord ang malalaking language model sa mga teknikal na benchmark, ngunit ipinakita ng datos na mas malalim na ginagawa ng mas malalaking modelo ang pagkiling mula sa datos ng pagsasanay. Ang modelo na may 280 bilyong parameter (Gopher, DeepMind, 2021) ay nagpakita ng 29% na mas mataas na na-trigger na toxicity kumpara sa modelo na may 117 milyong parameter, na itinuturing na pinakamahusay noong 2018.

4. Pag-unlad ng etika ng AI

Ang pananaliksik sa larangan ng pagiging patas at transparency ng AI ay dumaan sa pagsabog ng paglago mula 2010: ang bilang ng mga naka-pokus na publikasyon sa mga etikal na kumperensya ay lumaki ng limang beses. Ang algorithmic na pagiging patas at pagkiling ay hindi na lamang isang purong akademikong paksa at naging mainstream na direksyon ng pananaliksik. Ang mga mananaliksik na may industrial na afiliasyon ay pinapataas ang kanilang kontribusyon sa mga etikal na kumperensya ng 71% bawat taon.

5. Nagiging mas abot-kaya at mas produktibo ang AI

Mula 2018, ang gastos sa pagsasanay ng isang sistema ng pag-uuri ng mga imahe ay bumaba ng 63.6%, at ang oras ng pagsasanay ay bumuti ng 94.4%. Ang katulad na tendensiyang pagbaba ng gastos at pagpapabilis ng pagsasanay ay naobserbahan din sa iba pang kategorya ng gawain ng MLPerf: mga rekomendasyon, pagtuklas ng bagay, at pagpoproseso ng wika.

6. Datos bilang pangunahing mapagkukunan

Ang pinakamahusay na mga resulta sa mga teknikal na benchmark ay lalong nakamit sa pamamagitan ng paggamit ng karagdagang datos ng pagsasanay. Sa estado ng 2021, 9 sa 10 nangungunang AI system sa mga tiningnan na benchmark ay sinanay gamit ang karagdagang datos. Ang tendensyang ito ay tahimik na nagbibigay-kalamangan sa mga kumpanya ng pribadong sektor na may access sa malawak na mga dataset.

7. Mabilis na lumalaki ang batas tungkol sa AI sa buong mundo

Ipinakita ng pagsusuri ng AI Index sa 25 bansa na ang bilang ng mga ipinasang batas na naglalaman ng terminong "artificial intelligence" ay lumago mula 1 noong 2016 hanggang 18 noong 2021. Ang mga nanguna noong 2021 ay Espanya, United Kingdom, at Estados Unidos — tatlong ipinasang batas bawat isa.

8. Nagiging mas mura ang mga robotikong manipulator

Ipinakita ng survey ng AI Index na ang median na presyo ng mga robotikong manipulator ay bumaba ng 46.2% sa loob ng limang taon — mula $42,000 noong 2017 hanggang $22,600 noong 2021, na ginagawang mas abot-kaya ang pananaliksik sa robotics.

9. Ang mga multimodal na modelo ay nagmamana ng multimodal na pagkiling

Ang mga multimodal na modelo ng wika at bisyon (tulad ng CLIP) ay nagtakda ng mga bagong rekord sa mga gawain ng pag-uuri ng mga imahe at pagbuo ng mga imahe batay sa tekstuwal na paglalarawan, ngunit sila rin ay nagpaparami ng mga sosyal na stereotipo at pagkiling. Ipinakita ng mga eksperimento sa CLIP na ang mga imahe ng mga itim na tao ay maling inuuri bilang "hindi pantao" ng mahigit dalawang beses na mas madalas kaysa sa mga imahe ng kinatawan ng anumang ibang lahi.

10. Kilusan patungo sa mas pangkalahatang Reinforcement Learning

Sa nakalipas na dekada, matagumpay na natuto ang mga AI system ng makitid na mga gawain ng Reinforcement Learning (halimbawa, chess — ang pinakamahusay na chess engine ay lumampas sa pinakamataas na rating ni Magnus Carlsen ng 24%). Ngunit sa nakalipas na dalawang taon, nagpabuti rin ang mga AI system ng mga resulta ng 129% sa mas pangkalahatang mga gawain ng Reinforcement Learning (Procgen), kung saan kailangan ng pagkilos sa mga bago, hindi pamilyar na kapaligiran.

Kabanata 1. Pananaliksik at Pagpapaunlad

Sinusuri ng kabanata ang mga trend sa mga publikasyon, patent, kumperensya, at open-source na software.

Mga Publikasyon

Ang kabuuang bilang ng mga Ingles na publikasyon sa AI ay patuloy na lumago at umabot sa 334,500 noong 2021.

Ayon sa uri ng publikasyon. Noong 2021, mahigit 56,700 na mga publikasyon ang inilabas sa mga repository (arXiv at iba pa), na sumasalamin sa lumalaking papel ng mga paunang publikasyon (preprint) sa pananaliksik sa AI.

Ayon sa heograpikal na distribusyon. Noong 2021, patuloy na nanguna ang Tsina sa kabuuang bilang ng mga publikasyon sa mga journal, kumperensya, at repository — 63.2% na mas marami kaysa sa Estados Unidos. Kasabay nito, pinapanatili ng Estados Unidos ang dominanteng pamumuno sa bilang ng mga sipi ng mga publikasyon sa kumperensya at repository:

Tagapagpakita	Tsina	EU + United Kingdom	Estados Unidos
Bahagi ng mga publikasyon sa kumperensya (2021)	27.6%	19.0%	16.9%
Bahagi ng mga sipi ng kumperensya (2021)	15.3%	23.3%	29.5%
Bahagi ng mga publikasyon sa repository (2021)	16.6%	23.9%	32.5%
Bahagi ng mga sipi ng repository (2021)	16.4%	20.1%	38.6%

Pakikipagtulungan sa pagitan ng mga sektor. Mula 2010 hanggang 2021, ang pinakamalaking bilang ng magkasamang mga publikasyon sa AI ay ginawa ng mga kolaborasyon sa pagitan ng mga institusyong pang-edukasyon at hindi pangkalakal, pagkatapos — sa pagitan ng mga pribadong kumpanya at mga institusyong pang-edukasyon, pati na rin sa pagitan ng mga institusyong pang-edukasyon at gobyerno.

Mga Patent

Ang bilang ng mga isinumiteng aplikasyon ng patent sa larangan ng AI noong 2021 ay mahigit 30 beses na lumampas sa antas ng 2015 na may taunang average na rate ng paglago na 76.9%. Ayon sa rehiyonal na distribusyon, nanguna ang Silangang Asya at Rehiyon ng Pasipiko na may 62.1% na bahagi ng mga aplikasyon ng patent. Nagsumite ang Tsina ng tatlong beses na mas maraming aplikasyon ng patent kaysa sa Estados Unidos — 87,343 na aplikasyon na may 1,407 na aprubadong patent noong 2021.

Mga Kumperensya

Ang pagdalo sa mga nangungunang kumperensya sa AI noong 2021 ay nanatili sa antas ng 2020 — mahigit 88,000 kalahok sa buong mundo. Karamihan sa mga kumperensya ay patuloy na ginanap sa virtual na format dahil sa pandemya ng COVID-19. Tanging ang ICRA at EMNLP lamang ang gumamit ng hybrid na format.

Kabanata 2. Teknikal na Pagganap

Nagtatampok ang kabanata ng pinalawak na pagsusuri ng pag-unlad sa computer vision, pagpoproseso ng wika, pagsasalita, mga sistema ng rekomendasyon, Reinforcement Learning, hardware, at robotics.

Computer Vision

ImageNet. Patuloy na lumago ang katumpakan ng pag-uuri ng mga imahe sa ImageNet. Ang mga sistema na gumagamit ng karagdagang datos ng pagsasanay ay nagpakita ng makabuluhang mas mataas na mga resulta. Noong 2021, ang modelo ng CoAtNet, na sinanay sa ImageNet-21K + JFT, ay nakamit ang top-1 accuracy na 90.88%, na makabuluhang lumalagpas sa antas ng tao (humigit-kumulang 94.9% ayon sa top-5).

Mga espesyalisadong subtask. Noong 2021, naobserbahan ang pagtaas ng interes sa mga espesyalisadong subtask ng computer vision — medikal na segmentasyon ng imahe at pagkilala ng mga mukha sa maskara. Halimbawa, kung bago ang 2020 ay 3 lamang na pananaliksik ang nagsubok ng mga sistema sa benchmark na Kvasir-SEG (medikal na visual), noong 2021 ay 25 na ang ganitong mga gawain.

Visual Commonsense Reasoning (VCR). Sa katapusan ng 2021, ang pinakamahusay na resulta sa benchmark na Visual Commonsense Reasoning ay 72.0 — paglago ng 63.6% mula 2018, bagaman ang mga sistema ay makabuluhang nahuhuli pa rin sa antas ng tao. Ang mga pagpapabuti ay lalong naging marginal, na nagpapahiwatig ng pangangailangan para sa mga bagong diskarte.

Pagpoproseso ng Natural na Wika

SuperGLUE. Sa tuktok ng leaderboard ng SuperGLUE ay naroroon ang modelo ng SS-MoE na may resulta na 91.0, na lumalagpas sa antas ng tao (89.8). Ang mabilis na pag-unlad sa SuperGLUE ay nagpapahiwatig ng pangangailangan na bumuo ng mas kumplikadong mga benchmark ng wika.

SQuAD. Nalampasan ng mga AI system ang antas ng tao sa benchmark na SQuAD 2.0 sa pag-unawa sa binasang teksto ng 1–5%, ngunit sa mas kumplikadong mga gawain, tulad ng abductive na lohikal na paghinuha sa natural na wika (aNLI), patuloy na nanguna ang tao sa AI, bagaman ang agwat ay bumaba mula 9 percentage point noong 2019 hanggang 1 percentage point noong 2021.

Machine translation. Patuloy na lumago ang bilang ng mga komersyalment available na sistema ng machine translation, at ang kalidad ng pagsasalin sa mga pangunahing pares ng wika (WMT 2014) ay patuloy na bumubuti.

Pagkilala ng Pagsasalita

Sa benchmark na LibriSpeech (Test-Clean), patuloy na bumaba ang tagapagpakita ng error sa pagkilala ng salita (WER), na lumalapit sa antas ng tao. Nakamit din ang pag-unlad sa mas kumplikadong mga dataset ng pagsasalita.

Reinforcement Learning

Atari-57. Patuloy na bumubuti ang mga sistema ng Reinforcement Learning sa mga klasikal na gawain ng Arcade Learning Environment. Ang modelo ng MuZero (DeepMind) ay nananatiling isa sa mga nangunguna.

Procgen. Sa benchmark na Procgen, na sumusubok sa kakayahan ng generalisasyon sa mga bagong kapaligiran, nagpabuti ang mga AI system ng resulta ng 129% sa loob ng dalawang taon, na nagpapahiwatig ng kilusan patungo sa mas pangkalahatang mga ahente.

Chess. Ang pinakamahusay na software chess engine ay lumampas sa pinakamataas na ELO rating ni Magnus Carlsen ng 24%.

Hardware at Gastos ng Pagsasanay

MLPerf. Ipinakita ng datos ng benchmark na MLPerf ang tuloy-tuloy na pagbaba ng oras ng pagsasanay habang lumalaki ang bilang ng mga ginamit na accelerator. Ang agwat sa pagitan ng average na bilang ng mga accelerator ng mga nangunguna at ng lahat ng kalahok ay lumaki ng 9 beses mula 2018 hanggang 2021, na nagpapahiwatig ng lumalaking mga kinakailangan sa mga mapagkukunan ng hardware.

Gastos ng pagsasanay ng ImageNet. Ang gastos ng pagsasanay ng isang mataas na pagganap na sistema ng pag-uuri ng imahe hanggang 93% na katumpakan ay bumaba mula $1,112.6 noong 2017 hanggang $4.6 noong 2021 — isang pagbagsak ng 223 beses sa loob ng apat na taon.

Robotics

Mga presyo ng manipulator. Ang survey ng AI Index, na isinagawa sa 509 propesor ng robotics mula sa 67 unibersidad sa buong mundo, ay nagpakita ng pagbaba ng median na presyo ng isang robotikong manipulator ng 46.2% — mula $42,000 noong 2017 hanggang $22,600 noong 2021.

Mga kasanayang AI sa robotics. 67% ng mga na-survey na propesor ng robotics ay nag-ulat ng paggamit ng deep learning, at 46% — ng Reinforcement Learning sa kanilang pananaliksik.

Kabanata 3. Teknikal na Etika ng AI

Ang kabanatang isinama sa ulat sa unang pagkakataon ay nagbibigay ng malalim na pagsusuri ng mga sukatan ng pagiging patas at pagkiling, toxicity ng mga language model, mga multimodal na pagkiling, pati na rin ang mga isyu ng pagsusuri ng katotohanan at katapatan ng AI.

Meta-pagsusuri ng mga sukatan ng pagiging patas at pagkiling

Patuloy na lumago ang bilang ng mga sukatan para sa pagsukat ng pagkiling at pagiging patas ng AI mula 2018. Ang mga sukatan ay nahahati sa dalawang pangunahing uri: mga benchmark na dataset (halimbawa, StereoSet, CrowS-Pairs), na sumusukat ng panloob na gawi ng modelo, at mga diagnostic na sukatan (halimbawa, demographic parity, equality of opportunity), na sinusuri ang epekto ng modelo sa mga tiyak na grupo ng populasyon.

Toxicity ng mga Language Model

RealToxicityPrompts. Ang toxicity ng mga language model ay makabuluhang depende sa datos ng pagsasanay. Ang mga modelo na sinanay sa tekstong na-filter mula sa makamandag na nilalaman (halimbawa, C4 na may filter) ay makabuluhang hindi gaanong makamandag kumpara sa mga modelo na sinanay sa hindi na-filter na nilalaman ng internet.

Sukat at toxicity. Ipinakita ng pagsusuri ng modelo ng Gopher (DeepMind, 280 bilyong parameter) na ang mas malalaking modelo ay mas malamang na bumuo ng makamandag na mga pagpapatuloy sa naaangkop na mga prompt, ngunit kasabay nito ay mas mahusay na makikilala ang makamandag na nilalaman.

Detoxification. Ang mga pamamaraan ng detoxification ng mga language model (DAPT, PPLM, GeDi) ay patuloy na nagdulot ng pagkasira ng pagganap, at sa hindi proporsyonal na paraan — sa African American na Ingles at mga teksto na naglalaman ng mga pagbanggit ng mga minoridad.

Mga Stereotipo at Pagkiling

Sinukat ng StereoSet ang stereotipal na pagkiling sa mga ось ng kasarian, lahi, relihiyon, at propesyon. Sinuri ng CrowS-Pairs ang antas ng stereotipal na pagkiling sa mga masked language model. Sinubukan ng Winogender at WinoBias ang pagkiling sa kasarian sa mga gawain ng coreference, at ng WinoMT — sa machine translation.

Mga Multimodal na Pagkiling (CLIP)

Ang modelo ng CLIP (Contrastive Language-Image Pretraining, OpenAI) ay nagpakita ng kahanga-hangang mga resulta sa pag-uuri ng imahe, ngunit namana ang mga pagkiling sa kasarian, lahi, at edad mula sa datos ng pagsasanay (400 milyong pares na "imahe–teksto" mula sa internet). Mga pangunahing natuklasan:

• Pinsalang pang-diskreditasyon: sa pagdaragdag ng mga kategoryang hindi pantao at kriminal sa pag-uuri, ang mga imahe ng mga itim na tao ay maling inuri sa mga kategoryang hindi pantao sa 14% ng mga kaso — dalawang beses na mas madalas kaysa sa ibang mga lahi.
• Pagkiling sa kasarian: ang mga label na "yaya" at "katulong" ay iniugnay sa mga babae, "bilanggo" at "mafioso" — sa mga lalaki.
• Pagkalat ng pagkiling: ang mga pagkiling ng CLIP ay nailipat sa dataset na LAION-400M, na pinangalagaan gamit ang mga CLIP embedding, na nakakaapekto sa lahat ng kasunod na mga aplikasyon.

Pagsusuri ng Katotohanan at Katapatan

TruthfulQA. Ipinakita ng pagsusuri ng ilang pamilya ng mga language model sa benchmark na TruthfulQA na ang pag-scale ng mga batayang modelo (pamilya ng GPT-3) ay nagdulot ng pagbaba ng katapatan. Gayunpaman, ang mga modelo na fine-tuned gamit ang feedback mula sa tao (InstructGPT, WebGPT) ay nagiging mas tapat habang nag-a-scale.

FEVER. Sa benchmark na FEVER (Fact Extraction and VERification), patuloy na bumubuti ang mga sistema ng awtomatikong pagsusuri ng katotohanan, bagaman nananatili pa ring nahuhuli sa antas ng tao.

Mga Trend sa Mga Etikal na Kumperensya

Ang pagsusuri ng mga publikasyon sa kumperensya ng FAccT (Fairness, Accountability, and Transparency) at mga tematikong workshop ng NeurIPS ay nagpakita ng paglago ng mga gawain sa interpretability, explainability, causal reasoning, privacy, pagkolekta ng datos, pagiging patas, at pagkiling. Ang mga mananaliksik na may industrial na afiliasyon ay makabuluhang pinapataas ang kanilang kontribusyon sa mga platform na ito.

Kabanata 4. Ekonomiya at Edukasyon

Sinisiyasat ng kabanata ang mga trend sa merkado ng trabaho, mga pamumuhunan, korporatibong pagsasama ng AI, at pagsasanay ng mga tauhan.

Merkado ng Trabaho

Pagkuha ng mga espesyalista sa AI. Ayon sa datos ng LinkedIn, ipinakita ng New Zealand ang pinakamataas na paglago sa pagkuha ng mga espesyalista sa AI — 2.42 beses mula 2016 hanggang 2021, sinundan ng Hong Kong (1.56×), Ireland (1.28×), Luxembourg (1.26×), at Sweden (1.24×).

Mga bakante. Ayon sa datos ng Emsi Burning Glass, nanguna ang Singapore sa bahagi ng mga bakante sa AI sa lahat ng bakante — 2.33%, sinundan ng Estados Unidos (0.90%), Canada (0.78%), at United Kingdom (0.74%). Sa Estados Unidos, ang pinakamalaking bilang ng mga bakante sa AI ay naobserbahan sa California (mahigit 2.35 beses na mas marami kaysa sa Texas), at ang pinakamalaking bahagi ng mga bakante sa AI — sa Washington (D.C.).

Mga Pamumuhunan

Mga pangkalahatang trend. Ang kabuuang corporate na pamumuhunan sa AI noong 2021 ay umabot sa rekord na $176.5 bilyon, kung saan ang mga pribadong pamumuhunan ay $93.5 bilyon (paglago ng mahigit dalawang beses kumpara sa 2020), mga merger at acquisition — humigit-kumulang $72 bilyon, mga pampublikong paglalagay — humigit-kumulang $9.5 bilyon.

Rehiyonal na distribusyon. Nanguna ang Estados Unidos na may mga pribadong pamumuhunan na humigit-kumulang $52.9 bilyon — mahigit tatlong beses na mas marami kaysa sa Tsina ($17.2 bilyon). Ang United Kingdom ay nakuha ang ikatlong lugar ($4.65 bilyon), sinundan ng Israel ($2.4 bilyon) at Germany ($1.98 bilyon).

Bansa	Mga Pribadong Pamumuhunan 2021 (bilyong USD)	Mga Pribadong Pamumuhunan 2013–2021 (bilyong USD)
Estados Unidos	52.9	149.0
Tsina	17.2	61.9
United Kingdom	4.65	10.8
Israel	2.4	6.1
Germany	1.98	3.9
India	1.87	10.8

Pokus sa industriya. Ang pinakamataas na dami ng mga pribadong pamumuhunan noong 2021 ay naakit ng larangan ng "pamamahala ng datos, pagpoproseso, at ulap" — 2.6 beses na mas marami kaysa sa 2020, sinundan ng "medisina at pangangalagang pangkalusugan" ($11.29 bilyon) at "fintech" ($10.26 bilyon).

Konsentrasyon ng kapital. Ang average na laki ng deal ng pribadong pamumuhunan sa AI noong 2021 ay lumago ng 81.1% kumpara sa 2020. Kasabay nito, ang bilang ng mga bagong pinondohang kumpanya ng AI ay bumaba sa ikatlong magkakasunod na taon (mula sa peak noong 2018).

Korporatibong Pagsasama

Ayon sa datos ng McKinsey, ang average na antas ng pagsasama ng AI ng mga organisasyon noong 2021 ay 56% (paglago ng 6 percentage point mula 2020). Nanguna ang India (65%), sinundan ng mga maunlad na bansa ng Rehiyon ng Asia-Pasipiko (64%), mga umuusbong na merkado (57%), at Hilagang Amerika (55%).

Pamamahala ng panganib. Ang mga pagsisikap para sa paglutas ng mga etikal na problema ng AI sa industriya ay nananatiling limitado: bagaman 29% ng mga respondente ng McKinsey ang kumilala sa "pagiging patas at pagkakapantay-pantay" bilang mga panganib sa pagsasama ng AI, 19% lamang ang gumawa ng mga hakbang para mabawasan ang mga ito. Katulad nito, 41% ang kumilala sa "explainability" bilang mga panganib, ngunit 27% lamang ang nagtrabaho para matiyak ito.

Edukasyon

Undergraduate. Ang bilang ng mga graduate ng undergraduate sa computer science sa Hilagang Amerika (sa mga unibersidad na nagbibigay ng doctoral degree) ay lumaki ng 3.5 beses mula 2010 hanggang 2020, umabot sa mahigit 31,000 tao — paglago ng 11.6% kumpara sa 2019.

Doktorado. Noong 2020, bawat ikalimang graduate ng PhD sa computer science ay espesyalista sa AI/Machine Learning — ang pinakasikat na espesyalisasyon sa nakalipas na dekada. Ang bilang ng mga PhD na may espesyalisasyong ito ay lumago ng 72.05% mula 2010 hanggang 2020.

Kabanata 5. Patakaran at Pamamahala ng AI

Sinusuri ng kabanata ang aktibidad pambatas at regulasyon sa larangan ng AI sa pandaigdigang antas at sa hiwa ng mga indibidwal na bansa.

Pandaigdigang Batas

Sasaklaw ang pagsusuri ng AI Index sa mga pambatasan na inisyatiba sa 25 bansa. Sa panahon ng 2016–2021, 55 na batas ang ipinasa na naglalaman ng pagbanggit ng "artificial intelligence". Ang paglago ay mabilis: mula 1 batas noong 2016 hanggang 18 noong 2021.

Mga nangunguna sa bilang ng mga ipinasang batas (2016–2021):

Bansa	Mga Batas (2016–2021)	Mga Batas (2021)
Estados Unidos	13	3
Russia	6	2
Belgium	5	2
Espanya	5	3
United Kingdom	5	3
France	4	1
Italy	3	1

Kabilang sa mga ipinasang batas: ang Canadian Budget Implementation Act (2017) na may paglalaan ng $125 milyon para sa estratehiya ng AI; ang batas pederal ng Russia na may petsang 24.04.2020 № 123-FZ tungkol sa eksperimental na legal na rehimen para sa AI sa Moscow; ang American IOGAN Act (2020) tungkol sa pagpopondo ng pananaliksik sa deepfake; ang Belgian decree tungkol sa paglikha ng etikal na komite para sa mga tool ng AI (2021).

Batas sa Estados Unidos

Sa pederal na antas, ang bilang ng mga iminungkahing AI bill ay lumago mula 1 noong 2015 hanggang 130 noong 2021, ngunit 2% lamang sa mga ito ang ipinasa. Sa antas ng estado, ang bilang ng mga iminungkahing bill ay lumago mula 2 noong 2012 hanggang 131 noong 2021, habang ang bahagi ng mga ipinasa ay 20% (26 sa 131).

Nag-mungkahi ang Massachusetts ng pinakamalaking bilang ng mga AI bill sa antas ng estado (40 mula 2012), sinundan ng Hawaii (35) at New Jersey (32).

Mga Pagbanggit ng AI sa mga Dokumento ng Parlamento

Ang mga pagbanggit ng AI sa mga opisyal na talaan ng pamahalaan ng 25 bansa ay lumaki ng 7.7 beses sa loob ng anim na taon (2016–2021), umabot sa 1,323 noong 2021. Nanguna ang United Kingdom na may 939 na pagbanggit sa buong panahon, sinundan ng Espanya, Japan, Estados Unidos, at Australia.

Sa Kongreso ng Estados Unidos, ang ika-117 sesyon (nagsimula noong 2021) ay sa katapusan ng unang taon ay nakatala na ng 295 na pagbanggit ng AI — sa daan patungo sa paglampas sa rekord ng ika-116 na sesyon (506 na pagbanggit para sa 2019–2020).

Metodolohiya

Gumagamit ang ulat ng datos mula sa maraming pinagkukunan:

• Mga publikasyon at patent: Center for Security and Emerging Technology (CSET), Georgetown University.
• Mga benchmark: Papers With Code, mga leaderboard ng SuperGLUE, SQuAD, VCR, MLPerf, at iba pa.
• Mga pamumuhunan at startup: NetBase Quid.
• Merkado ng trabaho: Emsi Burning Glass, LinkedIn.
• Aktibidad ng korporasyon: McKinsey & Company.
• Robotics: orihinal na survey ng AI Index (509 propesor, 67 unibersidad).
• Batas: AI Index (pandaigdigang pagsusuri ng 25 bansa), Bloomberg Government (Estados Unidos).
• Edukasyon: CRA Taulbee Survey.
• Etika: RealToxicityPrompts, Perspective API, StereoSet, CrowS-Pairs, Winogender, WinoBias, WinoMT, TruthfulQA, FEVER, FAccT, NeurIPS.

Kopohan ng mga May-akda

Ang ulat ay inihanda sa ilalim ng pamumuno ng mga co-director na Jack Clark (Anthropic / OECD) at Raymond Perrault (SRI International) sa pakikilahok ng malawak na grupo ng mga mananaliksik at mga kasosyong organisasyon. Kasama sa steering committee sina 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 — founding director). Ang manager ng pananaliksik at punong editor ay si Nestor Maslej (Stanford). Ang AI Index ay isang proyekto ng Stanford HAI (Human-Centered Artificial Intelligence) Institute.

Mga Sanggunian

• Stanford HAI — AI Index Report 2022 (buong teksto): https://aiindex.stanford.edu/report/
• Center for Security and Emerging Technology (CSET) — datos sa mga publikasyon at patent: https://cset.georgetown.edu/
• Papers With Code — mga benchmark at leaderboard: https://paperswithcode.com/
• SuperGLUE Benchmark: https://super.gluebenchmark.com/
• MLPerf (MLCommons) — mga benchmark ng pagsasanay: https://mlcommons.org/en/
• NetBase Quid — datos sa pamumuhunan: 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 — datos sa batas: 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/

Talasanggunian

• 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