The 2022 AI Index Report (TR)

AI Index Report 2022 — Stanford İnsan Merkezli Yapay Zeka Enstitüsü (Stanford HAI) tarafından hazırlanan AI Index raporunun beşinci yıllık yayınıdır. 2022 yılı raporu, yayımlandığı dönem itibarıyla en kapsamlı baskısı olup yapay zeka sistemlerinin ekonomiye büyük ölçekte entegre edildiği bir süreçte kamuoyuna sunulmaktadır. Bu baskı, ilk kez yapay zeka teknik etiğinin derinlemesine analizine ayrılmış ayrı bir bölüm, küresel araştırmacı anketi temelinde hazırlanmış kapsamlı bir robotik incelemesi ve dünya genelinde 25 ülkedeki yapay zeka alanındaki yasal girişimlere ilişkin veriler içermektedir. Rapor, yapay zeka ile ilgili verileri takip ederek sınıflandırmakta ve görselleştirmekte; politika yapıcılara, araştırmacılara, yöneticilere, gazetecilere ve kamuoyuna nesnel ve titizlikle doğrulanmış bilgiler sunmaktadır.

Raporun Yapısı

2022 yılı raporu beş tematik bölüm ve bir ekten oluşmaktadır:

1. Araştırma ve Geliştirme (Research and Development) — yayınlar, patentler, konferanslar ve açık kaynak yazılımdaki eğilimler.
2. Teknik Performans (Technical Performance) — bilgisayarlı görü, dil işleme, konuşma, öneri sistemleri, Reinforcement Learning, donanım ve robotikte benchmark sonuçları.
3. Yapay Zekanın Teknik Etiği (Technical AI Ethics) — yeni bölüm: adalet ve önyargı metrikleri, dil modellerinde toksisite, çok modlu sapmalar, gerçek doğrulama ve doğruluk.
4. Ekonomi ve Eğitim (The Economy and Education) — iş gücü piyasası, yatırımlar, kurumsal yapay zeka benimsemesi ve insan kaynağı yetiştirme.
5. Yapay Zeka Politikası ve Yönetişimi (AI Policy and Governance) — mevzuat, düzenleme ve ulusal stratejiler.

Raporun Temel Bulguları

Rapor yazarları 2022 yılının başlıca tezlerini şöyle sıralamıştır:

1. Yapay zekaya özel yatırımlar keskin biçimde artmış, sermaye yoğunlaşması güçlenmiştir

2021 yılında yapay zekaya yönelik özel yatırımlar yaklaşık 93,5 milyar dolar olarak gerçekleşmiş; 2020 yılındaki rakamın iki katından fazlasına ulaşmıştır. Bununla birlikte, yeni finansman almaya başlayan yapay zeka şirketlerinin sayısı düşmeye devam etmiştir: 2019'da 1.051, 2020'de 762 olan bu rakam 2021'de 746'ya gerilemiştir. 2020 yılında yalnızca 4 finansman turu 500 milyon doları aşarken, 2021 yılında bu sayı 15'e yükselmiştir.

2. Yapay zeka alanında uluslararası işbirliğine ABD ve Çin hâkim olmaktadır

Artan jeopolitik gerilime karşın ABD ve Çin, 2010–2021 döneminde en fazla ortak yapay zeka yayını gerçekleştirmiş; 2010 yılından bu yana işbirliği hacmini beş katına çıkarmıştır. Bu ikili, bir sonraki çift olan Birleşik Krallık ve Çin'den 2,7 kat daha fazla yayın üretmiştir.

3. Dil modelleri daha güçlü, ancak daha önyargılı hale gelmektedir

Büyük dil modelleri teknik benchmarklarda yeni rekorlar kırmaya devam etmiş; ancak veriler, daha büyük modellerin eğitim verilerindeki önyargıları daha fazla yansıttığını ortaya koymuştur. 280 milyar parametreli model (Gopher, DeepMind, 2021), 2018 yılında en gelişmiş model olarak kabul edilen 117 milyon parametreli modele kıyasla %29 daha yüksek düzeyde toksisite sergilemiştir.

4. Yapay Zeka Etiğinin yükselişi

Yapay zeka adaleti ve şeffaflığı alanındaki araştırmalar 2014'ten bu yana patlama yaşamıştır: etik konferanslarındaki ilgili yayın sayısı beş katına çıkmıştır. Algoritmik adalet ve önyargı salt akademik bir konu olmaktan çıkarak ana akım bir araştırma alanına dönüşmüştür. Sektörel bağlantılı araştırmacılar etik konferanslarına yaptıkları katkıyı yıllık %71 oranında artırmıştır.

5. Yapay zeka daha erişilebilir ve daha verimli hale gelmektedir

2018 yılından bu yana görüntü sınıflandırma sisteminin eğitim maliyeti %63,6 oranında düşmüş, eğitim süresi ise %94,4 oranında iyileşmiştir. Benzer maliyet azalma ve eğitim hızlanma eğilimi, MLPerf'teki diğer görev kategorilerinde de gözlemlenmiştir: öneri sistemleri, nesne tespiti ve dil işleme.

6. Veri, kilit kaynak olarak öne çıkmaktadır

Teknik benchmarklardaki en iyi sonuçlara giderek artan biçimde ek eğitim verileri kullanılarak ulaşılmaktadır. 2021 itibarıyla, incelenen benchmarklardaki 10 ileri düzey yapay zeka sisteminin 9'u ek verilerle eğitilmiştir. Bu eğilim, geniş dataset'lere erişimi olan özel sektör şirketlerine örtük biçimde avantaj sağlamaktadır.

7. Dünya genelinde yapay zeka mevzuatı hızla artmaktadır

AI Index'in 25 ülkeyi kapsayan analizine göre, "yapay zeka" terimini içeren yasaların sayısı 2016'daki 1'den 2021'de 18'e yükselmiştir. 2021 yılında her biri 3 yasa çıkarmış olan İspanya, Birleşik Krallık ve ABD öne çıkmıştır.

8. Robotik manipülatörler ucuzlamaktadır

AI Index araştırması, robotik manipülatörlerin medyan fiyatının beş yıl içinde %46,2 oranında düştüğünü ortaya koymuştur: 2017'deki 42.000 dolardan 2021'de 22.600 dolara gerilemiş; bu durum robotik araştırmalarını daha erişilebilir kılmaktadır.

9. Çok modlu modeller çok modlu önyargıları da devralmaktadır

CLIP gibi çok modlu dil ve görü modelleri, görüntü sınıflandırma ve metinden görüntü üretme görevlerinde yeni rekorlar kırmıştır; ancak sosyal kalıpyargıları ve önyargıları da yeniden üretmektedir. CLIP ile gerçekleştirilen deneyler, siyahi bireylerin görüntülerinin "insandışı" olarak yanlış sınıflandırılma oranının diğer ırklara ait görüntülerden iki kattan daha fazla olduğunu göstermiştir.

10. Daha genel Reinforcement Learning'e doğru

Son on yılda yapay zeka sistemleri dar kapsamlı Reinforcement Learning görevlerinde başarıyla ilerlemiştir (örneğin satranç — en iyi satranç motoru Magnus Carlsen'in maksimum reytingini %24 oranında aşmıştır). Ancak son iki yılda yapay zeka sistemleri, bilinmeyen yeni ortamlarda hareket etmeyi gerektiren daha genel Reinforcement Learning görevlerinde (Procgen) de sonuçlarını %129 oranında iyileştirmiştir.

Bölüm 1. Araştırma ve Geliştirme

Bu bölüm yayınlar, patentler, konferanslar ve açık kaynak yazılımdaki eğilimleri incelemektedir.

Yayınlar

İngilizce yapay zeka yayınlarının toplam sayısı artmaya devam etmiş ve 2021 yılında 334.500'e ulaşmıştır.

Yayın türüne göre. 2021 yılında depolarda (arXiv ve diğerleri) 56.700'den fazla yayın yer almış; bu durum, yapay zeka araştırmalarında ön baskıların (preprint) artan önemini yansıtmaktadır.

Coğrafi dağılıma göre. 2021 yılında Çin, dergi, konferans ve depo yayınlarının toplam sayısı bakımından liderliğini sürdürmüştür; ABD'den %63,2 daha fazla yayın gerçekleştirmiştir. ABD ise konferans ve depo yayınlarının atıf sayısı bakımından baskın liderliğini korumaktadır:

Gösterge	Çin	AB + Birleşik Krallık	ABD
Konferans yayınlarının payı (2021)	27,6%	19,0%	16,9%
Konferans atıflarının payı (2021)	15,3%	23,3%	29,5%
Depo yayınlarının payı (2021)	16,6%	23,9%	32,5%
Depo atıflarının payı (2021)	16,4%	20,1%	38,6%

Sektörler arası işbirliği. 2010'dan 2021'e kadar en fazla ortak yapay zeka yayını; eğitim ve kâr amacı gütmeyen kuruluşlar arasındaki işbirlikleri tarafından gerçekleştirilmiş, onu özel şirketler ile eğitim kurumları arasındaki işbirlikleri ve eğitim ile kamu kurumları arasındaki ortaklıklar izlemiştir.

Patentler

2021 yılında yapay zeka alanında başvurulan patent sayısı, 2015 yılındaki rakamın 30 katını aşmış; yıllık ortalama büyüme hızı %76,9 olarak gerçekleşmiştir. Bölgesel dağılım açısından Doğu Asya ve Pasifik, %62,1'lik pay ile patent başvurularına hâkim olmuştur. Çin, ABD'nin üç katı patent başvurusu gerçekleştirmiştir: 2021 yılında 87.343 başvuru ve 1.407 onaylı patent.

Konferanslar

2021 yılında önde gelen yapay zeka konferanslarının katılım sayısı, 2020 düzeyinde kalmış ve dünya genelinde 88.000'den fazla katılımcıya ulaşmıştır. Konferansların büyük çoğunluğu COVID-19 salgını nedeniyle sanal ortamda düzenlenmeye devam etmiştir. Yalnızca ICRA ve EMNLP hibrit format kullanmıştır.

Bölüm 2. Teknik Performans

Bu bölüm, bilgisayarlı görü, dil işleme, konuşma, öneri sistemleri, Reinforcement Learning, donanım ve robotikte kaydedilen ilerlemenin genişletilmiş analizini sunmaktadır.

Bilgisayarlı Görü

ImageNet. ImageNet'teki görüntü sınıflandırma doğruluğu artmaya devam etmiştir. Ek eğitim verisi kullanan sistemler önemli ölçüde daha yüksek sonuçlar elde etmiştir. 2021 yılında ImageNet-21K + JFT üzerinde eğitilen CoAtNet modeli %90,88 top-1 doğruluğuna ulaşmış; bu değer insan düzeyini (top-5'te yaklaşık %94,9) belirgin biçimde aşmaktadır.

Özelleşmiş alt görevler. 2021 yılında bilgisayarlı görünün özelleşmiş alt görevlerine —tıbbi görüntü segmentasyonu ve maskeli yüz tanıma— olan ilgi artmıştır. Örneğin, 2020 öncesinde yalnızca 3 araştırma çalışması Kvasir-SEG (tıbbi görüntüleme) benchmark'ını test ederken, 2021 yılında bu sayı 25'e yükselmiştir.

Görsel Sağduyu Akıl Yürütme (VCR). 2021 yılı sonunda Visual Commonsense Reasoning benchmark'ındaki en iyi sonuç 72,0'a ulaşmış; 2018'den bu yana %63,6'lık bir artış sağlanmıştır. Ancak sistemler hâlâ insan düzeyinin oldukça gerisinde kalmaktadır. İyileşmeler giderek marjinalleşmekte ve yeni yaklaşımlara olan ihtiyaca işaret etmektedir.

Doğal Dil İşleme

SuperGLUE. SuperGLUE liderboardunun zirvesinde insan düzeyini (89,8) aşan 91,0 puanıyla SS-MoE modeli yer almaktaydı. SuperGLUE'daki hızlı ilerleme, daha zorlu dil benchmark'larının geliştirilmesi gerektiğine işaret etmektedir.

SQuAD. Yapay zeka sistemleri, okuma anlama benchmark'ı SQuAD 2.0'da insan düzeyini %1–5 oranında geçmiştir; ancak abduktif doğal dil çıkarımı (aNLI) gibi daha karmaşık görevlerde insan hâlâ yapay zekanın önündedir; bununla birlikte fark 2019'daki 9 puandan 2021'de 1 puana gerilemiştir.

Makine Çevirisi. Ticari olarak erişilebilir makine çevirisi sistemlerinin sayısı artmaya devam etmiş; başlıca dil çiftlerinde (WMT 2014) çeviri kalitesi istikrarlı biçimde iyileşmiştir.

Konuşma Tanıma

LibriSpeech (Test-Clean) benchmark'ında kelime hata oranı (WER) düşmeye devam etmiş ve insan düzeyine yaklaşmıştır. Daha zorlu konuşma dataset'lerinde de ilerleme kaydedilmiştir.

Reinforcement Learning

Atari-57. Reinforcement Learning sistemleri, klasik Arcade Learning Environment görevlerinde gelişimini sürdürmüştür. MuZero (DeepMind) modeli öncü sistemler arasındaki konumunu korumuştur.

Procgen. Yeni ortamlarda genelleme kapasitesini test eden Procgen benchmark'ında yapay zeka sistemleri iki yılda sonuçlarını %129 oranında iyileştirmiş; bu durum daha genel ajanlar yönünde bir harekete işaret etmektedir.

Satranç. En iyi satranç yazılım motoru, Magnus Carlsen'in maksimum ELO reytingini %24 oranında aşmıştır.

Donanım ve Eğitim Maliyeti

MLPerf. MLPerf benchmark verileri, kullanılan hızlandırıcı sayısındaki artışla eş zamanlı olarak eğitim süresinde istikrarlı bir düşüş yaşandığını göstermiştir. Liderler ile tüm katılımcılar arasındaki ortalama hızlandırıcı sayısı farkı 2018'den 2021'e 9 kat artmış; bu durum, donanım kaynaklarına yönelik artan talebe işaret etmektedir.

ImageNet Eğitim Maliyeti. Yüksek performanslı bir görüntü sınıflandırma sisteminin %93 doğruluğa eğitilmesinin maliyeti, 2017'deki 1.112,6 dolardan 2021'de 4,6 dolara düşmüştür; bu, dört yılda 223 katlık bir düşüş anlamına gelmektedir.

Robotik

Manipülatör fiyatları. Dünyanın 67 üniversitesinden 509 robotik profesörü arasında yürütülen AI Index araştırması, robotik manipülatörlerin medyan fiyatının 2017'deki 42.000 dolardan 2021'de 22.600 dolara, yani %46,2 oranında düştüğünü ortaya koymuştur.

Robotikte yapay zeka becerileri. Ankete katılan robotik profesörlerinin %67'si araştırmalarında derin öğrenme, %46'sı ise Reinforcement Learning kullandığını bildirmiştir.

Bölüm 3. Yapay Zekanın Teknik Etiği

Rapora ilk kez dahil edilen bu bölüm, adalet ve önyargı metriklerinin, dil modellerindeki toksisite sorunlarının, çok modlu sapmaların ve yapay zeka gerçek doğrulama ile doğruluk meselelerinin derinlemesine analizini sunmaktadır.

Adalet ve Önyargı Metriklerinin Meta Analizi

Yapay zekada önyargı ve adaleti ölçmeye yönelik metrik sayısı 2018'den bu yana istikrarlı biçimde artmaktadır. Metrikler iki temel türe ayrılmaktadır: modelin iç davranışını ölçen benchmark dataset'leri (örneğin StereoSet, CrowS-Pairs) ve modelin belirli nüfus grupları üzerindeki etkisini değerlendiren tanısal metrikler (örneğin demografik parite, fırsat eşitliği).

Dil Modellerinde Toksisite

RealToxicityPrompts. Dil modellerindeki toksisite, eğitim verilerine önemli ölçüde bağlıdır. Toksik içerikten arındırılmış metin üzerinde eğitilen modeller (örneğin filtrelenmiş C4), filtrelenmemiş internet içeriği üzerinde eğitilen modellere kıyasla belirgin biçimde daha az toksik olmuştur.

Ölçek ve toksisite. Gopher (DeepMind, 280 milyar parametre) modelinin analizi, daha büyük modellerin uygun prompt'larla toksik içerik üretme olasılığının daha yüksek olduğunu; ancak aynı zamanda toksik içeriği tanıma kapasitesinin de daha gelişmiş olduğunu göstermiştir.

Detoksifikasyon. Dil modellerinin detoksifikasyon yöntemleri (DAPT, PPLM, GeDi) performansta tutarlı biçimde düşüşe yol açmış; bu düşüş orantısız biçimde daha şiddetli olarak Afrika kökenli Amerikalı İngilizcesinde ve azınlık gruplarına yapılan atıfları içeren metinlerde gözlemlenmiştir.

Kalıpyargılar ve Önyargı

StereoSet, cinsiyet, ırk, din ve meslek eksenlerinde kalıpyargısal önyargıyı ölçmektedir. CrowS-Pairs, maskelenmiş dil modellerindeki kalıpyargısal önyargının derecesini değerlendirmektedir. Winogender ve WinoBias, eşgönderim görevlerindeki cinsiyet önyargısını; WinoMT ise makine çevirisindeki cinsiyet önyargısını test etmektedir.

Çok Modlu Önyargılar (CLIP)

CLIP (Contrastive Language-Image Pretraining, OpenAI) modeli görüntü sınıflandırma alanında etkileyici sonuçlar elde etmiş; ancak eğitim verilerinden (internetten derlenen 400 milyon görüntü–metin çifti) cinsiyet, ırk ve yaşa dayalı önyargılar devralmıştır. Temel bulgular:

• Aşağılayıcı zarar: sınıflandırmaya insandışı ve suç içerikli kategoriler eklendiğinde, siyahi bireylere ait görüntülerin %14 oranında insandışı kategorilere yanlış atandığı görülmüştür — diğer ırklara kıyasla iki kat daha fazla.
• Cinsiyet önyargısı: "bakıcı" ve "ev hizmetçisi" etiketleri kadınlarla; "mahkûm" ve "mafya üyesi" etiketleri erkeklerle ilişkilendirilmiştir.
• Önyargının yayılması: CLIP'in önyargıları, CLIP embedding'leri kullanılarak derlenen LAION-400M dataset'ine aktarılmış; bu durum sonraki tüm uygulamaları etkilemiştir.

Gerçek Doğrulama ve Doğruluk

TruthfulQA. TruthfulQA benchmark'ında çeşitli dil modeli ailelerinin analizinde, temel modellerin ölçeklendirilmesinin (GPT-3 ailesi) doğruluğun düşmesine yol açtığı görülmüştür. Öte yandan insan geri bildirimiyle fine-tuning uygulanan modeller (InstructGPT, WebGPT), ölçeklendikçe daha doğru hale gelmiştir.

FEVER. FEVER (Fact Extraction and VERification) benchmark'ında otomatik gerçek doğrulama sistemleri gelişimini sürdürmüş; ancak hâlâ insan düzeyinin gerisinde kalmaktadır.

Etik Konferanslarındaki Eğilimler

FAccT (Fairness, Accountability, and Transparency) konferansı ve NeurIPS tematik çalıştaylarındaki yayınların analizi, yorumlanabilirlik, açıklanabilirlik, nedensel akıl yürütme, gizlilik, veri toplama, adalet ve önyargı konularındaki çalışmalarda artış olduğunu ortaya koymuştur. Sektörel bağlantılı araştırmacılar bu platformlara katkılarını önemli ölçüde artırmıştır.

Bölüm 4. Ekonomi ve Eğitim

Bu bölüm, iş gücü piyasası, yatırımlar, kurumsal yapay zeka benimsemesi ve insan kaynağı yetiştirme alanlarındaki eğilimleri incelemektedir.

İş Gücü Piyasası

Yapay zeka uzmanı istihdamı. LinkedIn verilerine göre Yeni Zelanda, 2016–2021 döneminde yapay zeka uzmanı istihdamında en yüksek artışı kaydeden ülke olmuştur (2,42 kat); onu Hongkong (1,56×), İrlanda (1,28×), Lüksemburg (1,26×) ve İsveç (1,24×) izlemiştir.

İş ilanları. Emsi Burning Glass verilerine göre Singapur, tüm iş ilanları arasında yapay zeka pozisyonlarının payı bakımından %2,33 ile lider konumdadır; onu ABD (%0,90), Kanada (%0,78) ve Birleşik Krallık (%0,74) takip etmektedir. ABD'de en fazla yapay zeka iş ilanı Kaliforniya'da gözlemlenmiştir (Teksas'tan 2,35 kat fazla); yapay zeka iş ilanlarının en yüksek payı ise Washington DC'ye aittir.

Yatırımlar

Genel eğilimler. 2021 yılında yapay zekaya yönelik toplam kurumsal yatırımlar 176,5 milyar dolarla rekor düzeye ulaşmıştır; bunun 93,5 milyar dolarını özel yatırımlar (2020'ye kıyasla ikiden fazla artış), yaklaşık 72 milyar dolarını birleşme ve satın almalar, yaklaşık 9,5 milyar dolarını ise halka arzlar oluşturmaktadır.

Bölgesel dağılım. ABD, yaklaşık 52,9 milyar dolarlık özel yatırımla liderliği sürdürmüş; bu rakam Çin'den (17,2 milyar dolar) üç kattan fazladır. Birleşik Krallık üçüncü sırayı almıştır (4,65 milyar dolar); onu İsrail (2,4 milyar dolar) ve Almanya (1,98 milyar dolar) izlemektedir.

Ülke	2021 Özel Yatırımlar (milyar USD)	2013–2021 Özel Yatırımlar (milyar USD)
ABD	52,9	149,0
Çin	17,2	61,9
Birleşik Krallık	4,65	10,8
İsrail	2,4	6,1
Almanya	1,98	3,9
Hindistan	1,87	10,8

Sektörel odak. 2021 yılında en yüksek özel yatırımı "veri yönetimi, işleme ve bulut" alanı çekmiştir — 2020'ye kıyasla 2,6 kat artış; onu "tıp ve sağlık hizmetleri" (11,29 milyar dolar) ve "fintech" (10,26 milyar dolar) izlemektedir.

Sermaye yoğunlaşması. 2021 yılında yapay zekaya yönelik özel yatırım işlemlerinin ortalama büyüklüğü, 2020 yılına kıyasla %81,1 oranında artmıştır. Bu süreçte yeni finansman almaya başlayan yapay zeka şirketlerinin sayısı üç yıl üst üste düşmeye devam etmiştir (2018'deki zirvenin ardından).

Kurumsal Benimseme

McKinsey verilerine göre 2021 yılında kuruluşların yapay zekayı benimseme oranı ortalama %56 olmuştur (2020'ye kıyasla 6 puanlık artış). Hindistan (%65) liderliği üstlenmiş; onu Asya-Pasifik'teki gelişmiş ülkeler (%64), gelişmekte olan piyasalar (%57) ve Kuzey Amerika (%55) izlemiştir.

Risk yönetimi. Sektördeki etik yapay zeka sorunlarını çözmeye yönelik çabalar sınırlı kalmıştır: McKinsey anketi katılımcılarının %29'u "adalet ve eşitlik"i yapay zeka uygulamalarında bir risk olarak kabul etmiş; ancak yalnızca %19'u bu riski azaltmaya yönelik adımlar atmıştır. Benzer şekilde, %41'i "açıklanabilirlik"i risk olarak görmüş; fakat yalnızca %27'si bunu sağlamaya çalışmıştır.

Eğitim

Lisans. Kuzey Amerika'da (doktora programı bulunan yükseköğretim kurumlarında) bilgisayar bilimi lisans mezunlarının sayısı 2010'dan 2020'ye 3,5 kat artarak 31.000'i aşmıştır; bu, 2019'a kıyasla %11,6'lık bir artışa karşılık gelmektedir.

Doktora. 2020 yılında bilgisayar bilimi doktorası mezunlarının her beşinden biri yapay zeka/Machine Learning alanında uzmanlaşmış olup bu son on yılın en popüler uzmanlık alanıdır. Bu uzmanlıkta doktora yapanların sayısı 2010'dan 2020'ye %72,05 oranında artmıştır.

Bölüm 5. Yapay Zeka Politikası ve Yönetişimi

Bu bölüm, yapay zeka alanındaki yasal ve düzenleyici faaliyetleri hem küresel düzeyde hem de ülkeler bazında analiz etmektedir.

Küresel Mevzuat

AI Index'in analizi 25 ülkedeki yasal girişimleri kapsamaktadır. 2016–2021 döneminde "yapay zeka" ifadesini içeren 55 yasa kabul edilmiştir. Artış keskin olmuştur: 2016'daki 1 yasadan 2021'de 18 yasaya yükselmiştir.

Kabul edilen yasa sayısında lider ülkeler (2016–2021):

Ülke	Yasalar (2016–2021)	Yasalar (2021)
ABD	13	3
Rusya	6	2
Belçika	5	2
İspanya	5	3
Birleşik Krallık	5	3
Fransa	4	1
İtalya	3	1

Kabul edilen yasalar arasında şunlar yer almaktadır: yapay zeka stratejisine 125 milyon dolar ayrılan Kanada Budget Implementation Act (2017); Moskova'da yapay zeka için deneysel hukuki rejimi düzenleyen Rusya Federal Kanunu 24.04.2020 No 123-FZ; deepfake araştırmalarının finansmanına ilişkin ABD IOGAN Act (2020); yapay zeka araçları için etik komitesi kurulmasını öngören Belçika kararnamesi (2021).

ABD'deki Mevzuat

Federal düzeyde önerilen yapay zeka yasa tasarılarının sayısı 2015'teki 1'den 2021'de 130'a yükselmiş; ancak bunların yalnızca %2'si yasalaşmıştır. Eyalet düzeyinde önerilen yasa tasarılarının sayısı 2012'deki 2'den 2021'de 131'e çıkmış; bu süreçte kabul oranı %20 (131'in 26'sı) olmuştur.

Massachusetts, eyalet düzeyinde en fazla yapay zeka yasa tasarısı öneren eyalet olmuştur (2012'den bu yana 40); onu Hawaii (35) ve New Jersey (32) izlemektedir.

Parlamento Belgelerinde Yapay Zeka Atıfları

25 ülkenin hükümet tutanaklarında yapay zekaya yapılan atıflar altı yılda (2016–2021) 7,7 kat artmış ve 2021'de 1.323'e ulaşmıştır. Birleşik Krallık, tüm dönemde 939 atıfla liderliği üstlenmiş; onu İspanya, Japonya, ABD ve Avustralya izlemektedir.

ABD Kongresi'nde 117. Oturum (2021'de başlayan), ilk yılın sonunda yapay zekaya yönelik 295 atıf kaydetmiş olup 116. Oturumun rekorunu (2019–2020 döneminde 506 atıf) kırma yolundadır.

Metodoloji

Rapor, birçok kaynaktan elde edilen verileri kullanmaktadır:

• Yayınlar ve patentler: Georgetown Üniversitesi bünyesindeki Güvenlik ve Gelişen Teknoloji Merkezi (CSET).
• Benchmark'lar: Papers With Code, SuperGLUE, SQuAD, VCR, MLPerf ve diğer liderboardlar.
• Yatırımlar ve girişimler: NetBase Quid.
• İş gücü piyasası: Emsi Burning Glass, LinkedIn.
• Kurumsal faaliyet: McKinsey & Company.
• Robotik: AI Index'in özgün araştırması (509 profesör, 67 üniversite).
• Mevzuat: AI Index (25 ülkenin küresel analizi), Bloomberg Government (ABD).
• Eğitim: CRA Taulbee Survey.
• Etik: RealToxicityPrompts, Perspective API, StereoSet, CrowS-Pairs, Winogender, WinoBias, WinoMT, TruthfulQA, FEVER, FAccT, NeurIPS.

Yazar Kadrosu

Rapor, ortak yöneticiler Jack Clark (Anthropic / OECD) ve Raymond Perrault (SRI International) önderliğinde, geniş bir araştırmacı kadrosu ve ortak kuruluşların katkısıyla hazırlanmıştır. Yönetim komitesinde şu isimler yer almıştır: 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 — kurucu yönetici). Araştırma yöneticisi ve baş editör: Nestor Maslej (Stanford). AI Index, Stanford HAI (Human-Centered Artificial Intelligence) Enstitüsü'nün bir projesidir.

Dış bağlantılar

• Stanford HAI — AI Index Report 2022 (tam metin): https://aiindex.stanford.edu/report/
• Center for Security and Emerging Technology (CSET) — yayın ve patent verileri: https://cset.georgetown.edu/
• Papers With Code — benchmark'lar ve liderboardlar: https://paperswithcode.com/
• SuperGLUE Benchmark: https://super.gluebenchmark.com/
• MLPerf (MLCommons) — eğitim benchmark'ları: https://mlcommons.org/en/
• NetBase Quid — yatırım verileri: 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 — mevzuat verileri: 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/

Kaynakça

• 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