The 2022 AI Index Report (UR)

From Systems analysis Wiki
Jump to navigation Jump to search

AI Index Report 2022 — AI Index کا پانچواں سالانہ ایڈیشن ہے، جسے اسٹینفورڈ انسٹی ٹیوٹ برائے انسان محور مصنوعی ذہانت (Stanford HAI) نے تیار کیا ہے[1]۔ 2022 کی رپورٹ اپنی اشاعت کے وقت سب سے ضخیم رپورٹ ہے اور ایسے دور میں سامنے آئی جب معیشت میں AI سسٹمز کی بڑے پیمانے پر تعیناتی جاری تھی۔ یہ ایڈیشن پہلی بار AI کی تکنیکی اخلاقیات پر گہرے تجزیے کا ایک الگ باب، محققین کے عالمی سروے پر مبنی روبوٹکس کا ایک وسیع جائزہ، اور دنیا کے 25 ممالک میں AI سے متعلق قانون سازی کے اقدامات کا ڈیٹا شامل کرتا ہے۔ رپورٹ مصنوعی ذہانت سے متعلق ڈیٹا کو ٹریک، منظم اور بصری شکل میں پیش کرتی ہے، اور پالیسی سازوں، محققین، منتظمین، صحافیوں اور عام عوام کو معروضی اور بھرپور طریقے سے تصدیق شدہ معلومات فراہم کرتی ہے۔

رپورٹ کا ڈھانچہ

2022 کی رپورٹ پانچ موضوعاتی ابواب اور ضمیمہ پر مشتمل ہے[1]:

  1. تحقیق اور ترقی (Research and Development) — اشاعتوں، پیٹنٹوں، کانفرنسوں اور اوپن سورس سافٹ ویئر میں رجحانات۔
  2. تکنیکی کارکردگی (Technical Performance) — کمپیوٹر وژن، زبان کی پروسیسنگ، تقریر، تجویزاتی نظاموں، Reinforcement Learning، ہارڈ ویئر اور روبوٹکس میں benchmark۔
  3. AI کی تکنیکی اخلاقیات (Technical AI Ethics) — نیا باب: انصاف اور تعصب کی میٹرکس، زبان کے ماڈلوں کی زہریلاپن، ملٹی موڈل تحریفات، حقائق کی جانچ اور سچائی۔
  4. معیشت اور تعلیم (The Economy and Education) — لیبر مارکیٹ، سرمایہ کاری، AI کا کارپوریٹ نفاذ اور افرادی قوت کی تیاری۔
  5. AI پالیسی اور گورننس (AI Policy and Governance) — قانون سازی، ضابطہ بندی اور قومی حکمت عملیاں۔

رپورٹ کے اہم نتائج

رپورٹ کے مصنفین نے 2022 کے چند بنیادی نکات پیش کیے ہیں[1]:

1. AI میں نجی سرمایہ کاری میں تیزی سے اضافہ اور سرمائے کا ارتکاز

2021 میں AI میں نجی سرمایہ کاری تقریباً 93.5 ارب ڈالر رہی — جو 2020 کے مقابلے میں دوگنے سے بھی زیادہ تھی۔ تاہم نئی مالی امداد حاصل کرنے والی AI کمپنیوں کی تعداد میں مسلسل کمی آئی: 2019 میں 1,051، 2020 میں 762 اور 2021 میں 746۔ اگر 2020 میں صرف 4 فنڈنگ راؤنڈز 500 ملین ڈالر سے تجاوز کرتے تھے، تو 2021 میں ایسے راؤنڈز کی تعداد 15 ہو گئی[2]۔

2. AI میں بین الاقوامی تعاون میں امریکہ اور چین کا غلبہ

بڑھتی جیو پولیٹیکل کشیدگی کے باوجود، امریکہ اور چین نے 2010–2021 کے دوران AI پر مشترکہ اشاعتوں کی سب سے زیادہ تعداد ریکارڈ کی، اور 2010 سے تعاون کو پانچ گنا بڑھایا۔ اس جوڑی نے اگلی جوڑی — برطانیہ اور چین — کے مقابلے میں 2.7 گنا زیادہ اشاعتیں پیش کیں[3]۔

3. زبان کے ماڈل زیادہ طاقتور لیکن زیادہ متعصب ہوتے جا رہے ہیں

بڑے زبان کے ماڈلز نے تکنیکی benchmark میں نئے ریکارڈ قائم کیے، تاہم ڈیٹا نے ظاہر کیا کہ بڑے ماڈلز تربیتی ڈیٹا سے تعصب کو زیادہ شدت سے نقل کرتے ہیں۔ 280 ارب پیرامیٹرز والے ماڈل (Gopher، DeepMind، 2021) نے 2018 کے سب سے اعلیٰ سمجھے جانے والے 117 ملین پیرامیٹرز کے ماڈل کے مقابلے میں 29 فیصد زیادہ زہریلاپن ظاہر کی[4]۔

4. AI اخلاقیات کا عروج

AI میں انصاف اور شفافیت کی تحقیق نے 2014 سے دھماکہ خیز ترقی کی: اخلاقی کانفرنسوں میں متعلقہ اشاعتوں کی تعداد پانچ گنا بڑھ گئی۔ الگورتھمک انصاف اور تعصب محض علمی موضوع نہیں رہا بلکہ مرکزی دھارے کی تحقیق بن گئی۔ صنعتی وابستگی رکھنے والے محققین نے اخلاقی کانفرنسوں میں اپنا حصہ ہر سال 71 فیصد کی شرح سے بڑھایا[1]۔

5. AI زیادہ قابل رسائی اور زیادہ کارآمد ہوتا جا رہا ہے

2018 سے تصویری درجہ بندی کے نظام کی تربیتی لاگت میں 63.6 فیصد کمی آئی، اور تربیت کا وقت 94.4 فیصد بہتر ہوا۔ MLPerf کے دیگر کاموں — تجاویز، آبجیکٹ کا پتہ لگانا اور زبان کی پروسیسنگ — میں بھی لاگت میں کمی اور تیزی کا یہی رجحان دیکھا گیا[5]۔

6. ڈیٹا ایک کلیدی وسیلے کے طور پر

تکنیکی benchmark میں بہترین نتائج تیزی سے اضافی تربیتی ڈیٹا کے استعمال سے حاصل کیے جا رہے تھے۔ 2021 تک، زیرِ بحث benchmark میں 10 میں سے 9 اعلیٰ AI سسٹمز کو اضافی ڈیٹا کے ساتھ تربیت دی گئی تھی۔ یہ رجحان بالواسطہ طور پر ان نجی شعبے کی کمپنیوں کے حق میں تھا جن کے پاس وسیع dataset تک رسائی ہے[1]۔

7. پوری دنیا میں AI قانون سازی تیزی سے بڑھ رہی ہے

25 ممالک پر AI Index کے تجزیے سے پتہ چلا کہ مصنوعی ذہانت کی اصطلاح پر مشتمل منظور شدہ قوانین کی تعداد 2016 میں 1 سے بڑھ کر 2021 میں 18 ہو گئی۔ 2021 میں سرفہرست ممالک اسپین، برطانیہ اور امریکہ تھے — ہر ایک میں تین منظور شدہ قوانین[1]۔

8. روبوٹک آرم سستے ہوتے جا رہے ہیں

AI Index سروے نے ظاہر کیا کہ روبوٹک آرم کی اوسط قیمت پانچ سالوں میں 46.2 فیصد کم ہوئی — 2017 میں 42,000 ڈالر سے 2021 میں 22,600 ڈالر — جس سے روبوٹکس میں تحقیق زیادہ قابل رسائی ہو گئی[1]۔

9. ملٹی موڈل ماڈلز ملٹی موڈل تعصبات کے وارث ہوتے ہیں

زبان اور بصارت کے ملٹی موڈل ماڈلز (جیسے CLIP) نے تصویری درجہ بندی اور متنی وضاحت سے تصویر بنانے کے کاموں میں نئے ریکارڈ قائم کیے، تاہم انہوں نے سماجی دقیانوسی تصورات اور تعصبات کو بھی نقل کیا۔ CLIP پر تجربات نے ظاہر کیا کہ سیاہ فام افراد کی تصاویر کو غیر انسانی درجہ بندی میں کسی بھی دوسری نسل کے مقابلے میں دوگنے سے زیادہ بار غلط طریقے سے درجہ بند کیا گیا[6]۔

10. زیادہ عمومی Reinforcement Learning کی طرف پیش رفت

گزشتہ دہائی میں AI سسٹمز نے Reinforcement Learning کے محدود کاموں میں کامیابی سے مہارت حاصل کی (مثلاً شطرنج — بہترین شطرنج انجن نے Magnus Carlsen کی زیادہ سے زیادہ ریٹنگ کو 24 فیصد سے تجاوز کیا)۔ تاہم گزشتہ دو سالوں میں AI سسٹمز نے Reinforcement Learning کے زیادہ عمومی کاموں (Procgen) میں بھی 129 فیصد بہتری دکھائی، جہاں نئے اور انجان ماحول میں کام کرنا ضروری ہوتا ہے[1]۔

باب 1۔ تحقیق اور ترقی

باب اشاعتوں، پیٹنٹوں، کانفرنسوں اور اوپن سورس سافٹ ویئر کے رجحانات کا تجزیہ کرتا ہے[1]۔

اشاعتیں

AI پر انگریزی زبان کی اشاعتوں کی کل تعداد بڑھتی رہی اور 2021 میں 334,500 تک پہنچ گئی[3]۔

اشاعت کی قسم کے اعتبار سے۔ 2021 میں ریپوزٹریز (arXiv وغیرہ) میں 56,700 سے زیادہ اشاعتیں جاری ہوئیں، جو AI تحقیق میں پری پرنٹس کے بڑھتے کردار کی عکاسی کرتی ہیں[1]۔

جغرافیائی تقسیم کے اعتبار سے۔ 2021 میں چین نے جرائد، کانفرنسوں اور ریپوزٹریز میں اشاعتوں کی مجموعی تعداد میں سبقت جاری رکھی — امریکہ سے 63.2 فیصد زیادہ۔ تاہم امریکہ نے کانفرنس اور ریپوزٹری اشاعتوں کے حوالہ جات کی تعداد میں غالب برتری برقرار رکھی[3]:

اشاریہ چین EU + برطانیہ امریکہ
کانفرنس اشاعتوں کا حصہ (2021) 27.6% 19.0% 16.9%
کانفرنس حوالہ جات کا حصہ (2021) 15.3% 23.3% 29.5%
ریپوزٹری اشاعتوں کا حصہ (2021) 16.6% 23.9% 32.5%
ریپوزٹری حوالہ جات کا حصہ (2021) 16.4% 20.1% 38.6%

بین الشعبہ تعاون۔ 2010 سے 2021 تک AI پر مشترکہ اشاعتوں کی سب سے زیادہ تعداد تعلیمی اور غیر منافع بخش تنظیموں کے درمیان تعاون سے، پھر نجی کمپنیوں اور تعلیمی اداروں کے درمیان، اور اس کے بعد تعلیمی اور سرکاری اداروں کے درمیان پیدا ہوئی[1]۔

پیٹنٹ

2021 میں AI کے شعبے میں دائر پیٹنٹ درخواستوں کی تعداد 2015 کے مقابلے میں 30 گنا سے زیادہ تھی، جبکہ سالانہ اوسط ترقی کی شرح 76.9 فیصد رہی۔ علاقائی تقسیم کے اعتبار سے مشرقی ایشیا اور بحرالکاہل خطہ 62.1 فیصد پیٹنٹ درخواستوں کے ساتھ غالب رہا۔ چین نے امریکہ کے مقابلے میں تین گنا زیادہ پیٹنٹ درخواستیں دائر کیں — 2021 میں 87,343 درخواستیں اور 1,407 منظور شدہ پیٹنٹ[3]۔

کانفرنسیں

2021 میں معروف AI کانفرنسوں میں حاضری 2020 کی سطح پر رہی — دنیا بھر میں 88,000 سے زیادہ شرکاء۔ COVID-19 وبا کی وجہ سے زیادہ تر کانفرنسیں ورچوئل فارمیٹ میں منعقد ہوتی رہیں۔ صرف ICRA اور EMNLP نے ہائبرڈ فارمیٹ استعمال کیا[1]۔

باب 2۔ تکنیکی کارکردگی

باب کمپیوٹر وژن، زبان کی پروسیسنگ، تقریر، تجویزاتی نظاموں، Reinforcement Learning، ہارڈ ویئر اور روبوٹکس میں پیش رفت کا تفصیلی تجزیہ پیش کرتا ہے[1]۔

کمپیوٹر وژن

ImageNet۔ ImageNet پر تصویری درجہ بندی کی درستگی بڑھتی رہی۔ اضافی تربیتی ڈیٹا استعمال کرنے والے سسٹمز نمایاں طور پر بہتر نتائج دکھاتے تھے۔ 2021 میں ImageNet-21K + JFT پر تربیت یافتہ CoAtNet ماڈل نے top-1 accuracy 90.88 فیصد حاصل کی، جو انسانی سطح (top-5 میں تقریباً 94.9 فیصد) سے نمایاں طور پر کم ہے[1]۔

خصوصی ذیلی کام۔ 2021 میں کمپیوٹر وژن کے خصوصی ذیلی کاموں میں دلچسپی بڑھی — طبی تصویر کی تقسیم اور ماسک میں چہرے کی شناخت۔ مثلاً 2020 سے پہلے صرف 3 تحقیقی کام Kvasir-SEG benchmark (طبی امیجنگ) پر سسٹمز کو آزماتے تھے، جبکہ 2021 میں ایسے کام 25 ہو گئے[1]۔

بصری منطقی استدلال (VCR)۔ 2021 کے آخر تک Visual Commonsense Reasoning benchmark پر بہترین نتیجہ 72.0 رہا — 2018 سے 63.6 فیصد اضافہ — حالانکہ سسٹمز ابھی بھی انسانی سطح سے نمایاں طور پر پیچھے تھے۔ بہتریاں تیزی سے معمولی ہوتی جا رہی تھیں، جو نئے طریقوں کی ضرورت کی نشاندہی کرتی ہیں[1]۔

قدرتی زبان کی پروسیسنگ

SuperGLUE۔ SuperGLUE لیڈربورڈ کے اوپر SS-MoE ماڈل 91.0 کے نتیجے کے ساتھ تھا، جو انسانی سطح (89.8) سے زیادہ ہے۔ SuperGLUE پر تیز پیش رفت نے زیادہ پیچیدہ زبانی benchmark کی ترقی کی ضرورت کی نشاندہی کی[7]۔

SQuAD۔ AI سسٹمز نے پڑھنے کی سمجھ کے benchmark SQuAD 2.0 پر انسانی سطح کو 1–5 فیصد سے پیچھے چھوڑ دیا، تاہم زیادہ پیچیدہ کاموں جیسے قدرتی زبان میں ابڈکٹو منطقی استدلال (aNLI) میں انسان ابھی بھی AI سے آگے تھا، حالانکہ فرق 2019 میں 9 فیصد پوائنٹس سے کم ہو کر 2021 میں 1 فیصد پوائنٹ رہ گیا[1]۔

مشینی ترجمہ۔ تجارتی طور پر دستیاب مشینی ترجمے کے سسٹمز کی تعداد بڑھتی رہی، اور اہم زبانی جوڑوں (WMT 2014) پر ترجمے کا معیار مسلسل بہتر ہوتا رہا[8]۔

تقریر کی شناخت

LibriSpeech (Test-Clean) benchmark پر الفاظ کی شناخت کی غلطی کی شرح (WER) مسلسل کم ہوتی رہی اور انسانی سطح کے قریب آتی گئی۔ زیادہ پیچیدہ تقریری dataset میں بھی پیش رفت ہوئی[1]۔

Reinforcement Learning

Atari-57۔ Reinforcement Learning سسٹمز نے Arcade Learning Environment کے کلاسیکی کاموں میں بہتری جاری رکھی۔ MuZero ماڈل (DeepMind) اہم ترین ماڈلز میں سے ایک رہا[1]۔

Procgen۔ Procgen benchmark پر، جو نئے ماحول میں عمومیت کی صلاحیت کو آزماتا ہے، AI سسٹمز نے دو سال میں 129 فیصد بہتری دکھائی، جو زیادہ عمومی ایجنٹوں کی طرف پیش رفت کی نشاندہی کرتی ہے[1]۔

شطرنج۔ بہترین شطرنج سافٹ ویئر انجن نے Magnus Carlsen کی زیادہ سے زیادہ ELO ریٹنگ کو 24 فیصد سے تجاوز کیا[9]۔

ہارڈ ویئر اور تربیت کی لاگت

MLPerf۔ MLPerf benchmark کے ڈیٹا نے استعمال شدہ ایکسلریٹرز کی بڑھتی تعداد کے ساتھ تربیتی وقت میں مستحکم کمی ظاہر کی۔ 2018 سے 2021 تک رہنماؤں اور تمام شرکاء کے درمیان ایکسلریٹرز کی اوسط تعداد کا فرق 9 گنا بڑھ گیا، جو ہارڈ ویئر وسائل کی بڑھتی ضروریات کا اشارہ ہے[5]۔

ImageNet تربیت کی لاگت۔ 93 فیصد درستگی تک تصویری درجہ بندی کے اعلیٰ کارکردگی کے سسٹم کی تربیت کی لاگت 2017 میں 1,112.6 ڈالر سے گھٹ کر 2021 میں 4.6 ڈالر رہ گئی — چار سالوں میں 223 گنا کمی[1]۔

روبوٹکس

آرم کی قیمتیں۔ دنیا کی 67 یونیورسٹیوں کے 509 روبوٹکس پروفیسرز میں کیے گئے AI Index سروے نے روبوٹک آرم کی اوسط قیمت میں 46.2 فیصد کمی ظاہر کی — 2017 میں 42,000 ڈالر سے 2021 میں 22,600 ڈالر[1]۔

روبوٹکس میں AI مہارتیں۔ سروے میں شامل 67 فیصد روبوٹکس پروفیسرز نے اپنی تحقیق میں deep learning کے استعمال کی، اور 46 فیصد نے Reinforcement Learning کے استعمال کی اطلاع دی[1]۔

باب 3۔ AI کی تکنیکی اخلاقیات

پہلی بار رپورٹ میں شامل یہ باب انصاف اور تعصب کی میٹرکس، زبانی ماڈلوں کی زہریلاپن، ملٹی موڈل تحریفات، نیز AI میں حقائق کی جانچ اور سچائی کے سوالات کا گہرا تجزیہ فراہم کرتا ہے[1]۔

انصاف اور تعصب کی میٹرکس کا میٹا تجزیہ

AI تعصب اور انصاف کی پیمائش کے لیے میٹرکس کی تعداد 2018 سے مستحکم طور پر بڑھتی رہی۔ میٹرکس دو بنیادی اقسام میں تقسیم ہوتی ہیں: benchmark dataset (مثلاً StereoSet، CrowS-Pairs)، جو ماڈل کے اندرونی رویے کو ناپتے ہیں، اور تشخیصی میٹرکس (مثلاً ڈیموگرافک برابری، مواقع کی مساوات)، جو مخصوص آبادی پر ماڈل کے اثرات کا جائزہ لیتے ہیں[1]۔

زبانی ماڈلوں کی زہریلاپن

RealToxicityPrompts۔ زبانی ماڈلوں کی زہریلاپن کا انحصار تربیتی ڈیٹا پر نمایاں طور پر ہوتا تھا۔ زہریلے مواد سے فلٹر شدہ متن (مثلاً فلٹرنگ کے ساتھ C4) پر تربیت یافتہ ماڈلز غیر فلٹر شدہ انٹرنیٹ مواد پر تربیت یافتہ ماڈلز کے مقابلے میں نمایاں طور پر کم زہریلے تھے[10]۔

پیمانہ اور زہریلاپن۔ Gopher ماڈل (DeepMind، 280 ارب پیرامیٹرز) کے تجزیے سے ظاہر ہوا کہ بڑے ماڈلز متعلقہ prompt پر زہریلے مواد پیدا کرنے کا زیادہ امکان رکھتے ہیں، لیکن ساتھ ہی زہریلے مواد کی شناخت میں بھی زیادہ قابل ہوتے ہیں[4]۔

زہریلاپن سے نجات۔ زبانی ماڈلوں کو زہریلاپن سے پاک کرنے کے طریقے (DAPT، PPLM، GeDi) مسلسل کارکردگی میں کمی لاتے تھے، اور یہ کمی غیر متناسب طور پر افریقی امریکی انگریزی اور اقلیتوں کا ذکر کرنے والے متون پر زیادہ نمایاں تھی[11]۔

دقیانوسی تصورات اور تعصب

StereoSet نے جنس، نسل، مذہب اور پیشے کے محوروں پر دقیانوسی تعصب کو ناپا۔ CrowS-Pairs نے ماسک شدہ زبانی ماڈلوں میں دقیانوسی تعصب کی ڈگری کا جائزہ لیا۔ Winogender اور WinoBias نے کو-ریفرنس کے کاموں میں جنسی تعصب کو، اور WinoMT نے مشینی ترجمے میں آزمایا[1]۔

ملٹی موڈل تعصبات (CLIP)

CLIP ماڈل (Contrastive Language-Image Pretraining، OpenAI) نے تصویری درجہ بندی میں متاثر کن نتائج دکھائے، تاہم اس نے تربیتی ڈیٹا (انٹرنیٹ سے 40 کروڑ تصویر-متن جوڑے) سے جنس، نسل اور عمر کے تعصبات وراثت میں لیے۔ اہم نتائج[1]:

  • بدنامی کا نقصان: غیر انسانی اور مجرمانہ زمروں کو درجہ بندی میں شامل کرنے پر، سیاہ فام افراد کی تصاویر کو 14 فیصد معاملات میں غیر انسانی زمروں میں غلط طریقے سے رکھا گیا — دیگر نسلوں کے مقابلے میں دوگنا۔
  • جنسی تعصب: آیا اور گھریلو ملازمہ کی ٹیگز خواتین سے، اور قیدی اور مافیا مردوں سے وابستہ تھیں۔
  • تعصب کا پھیلاؤ: CLIP کے تعصبات LAION-400M dataset میں منتقل ہوئے، جسے CLIP embedding کے ذریعے تیار کیا گیا تھا، اور یہ تمام بعد کے اطلاقات کو متاثر کرتے تھے۔

حقائق کی جانچ اور سچائی

TruthfulQA۔ TruthfulQA benchmark پر زبانی ماڈلوں کے کئی خاندانوں کے تجزیے سے ظاہر ہوا کہ بنیادی ماڈلوں کا پیمانہ بڑھانے (GPT-3 خاندان) سے سچائی میں کمی آتی ہے۔ تاہم انسانی رائے کے ساتھ fine-tuning والے ماڈلز (InstructGPT، WebGPT) پیمانہ بڑھنے کے ساتھ زیادہ سچے ہوتے گئے[12]۔

FEVER۔ FEVER (Fact Extraction and VERification) benchmark پر خودکار حقائق جانچنے کے سسٹمز میں بہتری آتی رہی، حالانکہ وہ ابھی بھی انسانی سطح سے پیچھے تھے[1]۔

اخلاقی کانفرنسوں میں رجحانات

FAccT (Fairness, Accountability, and Transparency) کانفرنس اور NeurIPS کے موضوعاتی ورکشاپس میں اشاعتوں کے تجزیے نے تشریح پذیری، وضاحت پذیری، سببی استدلال، رازداری، ڈیٹا کے حصول، انصاف اور تعصب پر کام میں اضافہ ظاہر کیا۔ صنعتی وابستگی رکھنے والے محققین نے ان پلیٹ فارمز پر اپنا حصہ نمایاں طور پر بڑھایا[1]۔

باب 4۔ معیشت اور تعلیم

باب لیبر مارکیٹ، سرمایہ کاری، AI کے کارپوریٹ نفاذ اور افرادی قوت کی تیاری کے رجحانات کا جائزہ لیتا ہے[1]۔

لیبر مارکیٹ

AI ماہرین کی بھرتی۔ LinkedIn کے ڈیٹا کے مطابق، نیوزی لینڈ نے 2016 سے 2021 تک AI ماہرین کی بھرتی میں سب سے زیادہ اضافہ دکھایا — 2.42 گنا، اس کے بعد ہانگ کانگ (1.56×)، آئرلینڈ (1.28×)، لکسمبرگ (1.26×) اور سویڈن (1.24×) رہے[13]۔

آسامیاں۔ Emsi Burning Glass کے ڈیٹا کے مطابق، سنگاپور تمام آسامیوں میں AI آسامیوں کے تناسب میں سرفہرست رہا — 2.33 فیصد، پھر امریکہ (0.90 فیصد)، کینیڈا (0.78 فیصد) اور برطانیہ (0.74 فیصد)۔ امریکہ میں AI آسامیوں کی سب سے زیادہ تعداد کیلیفورنیا میں تھی (ٹیکساس سے 2.35 گنا سے زیادہ)، اور AI آسامیوں کا سب سے زیادہ تناسب واشنگٹن ڈی سی میں تھا[14]۔

سرمایہ کاری

مجموعی رجحانات۔ 2021 میں AI میں مجموعی کارپوریٹ سرمایہ کاری ریکارڈ 176.5 ارب ڈالر تک پہنچی، جن میں نجی سرمایہ کاری 93.5 ارب (2020 کے مقابلے میں دوگنے سے زیادہ)، انضمام اور حصول تقریباً 72 ارب، اور عوامی پیشکشیں تقریباً 9.5 ارب ڈالر رہیں[2]۔

علاقائی تقسیم۔ امریکہ تقریباً 52.9 ارب ڈالر نجی سرمایہ کاری کے ساتھ سرفہرست رہا — چین (17.2 ارب) سے تین گنا سے زیادہ۔ برطانیہ تیسرے (4.65 ارب)، پھر اسرائیل (2.4 ارب) اور جرمنی (1.98 ارب) رہے[2]۔

ملک نجی سرمایہ کاری 2021 (ارب USD) نجی سرمایہ کاری 2013–2021 (ارب USD)
امریکہ 52.9 149.0
چین 17.2 61.9
برطانیہ 4.65 10.8
اسرائیل 2.4 6.1
جرمنی 1.98 3.9
بھارت 1.87 10.8

شعبہ جاتی توجہ۔ 2021 میں سب سے زیادہ نجی سرمایہ کاری ڈیٹا مینجمنٹ، پروسیسنگ اور کلاؤڈ کے شعبے نے اپنی طرف کھینچی — 2020 کے مقابلے میں 2.6 گنا زیادہ — اس کے بعد طب اور صحت (11.29 ارب) اور فن ٹیک (10.26 ارب) رہے[2]۔

سرمائے کا ارتکاز۔ 2021 میں AI میں نجی سرمایہ کاری کی اوسط سودے کی حجم 2020 کے مقابلے میں 81.1 فیصد بڑھ گئی۔ ساتھ ہی نئی مالی امداد حاصل کرنے والی AI کمپنیوں کی تعداد مسلسل تیسرے سال گھٹتی رہی (2018 کی چوٹی سے)[2]۔

کارپوریٹ نفاذ

McKinsey کے ڈیٹا کے مطابق، 2021 میں تنظیموں کی AI نفاذ کی اوسط شرح 56 فیصد رہی (2020 سے 6 فیصد پوائنٹس کا اضافہ)۔ بھارت سرفہرست رہا (65 فیصد)، پھر ایشیا پیسیفک کے ترقی یافتہ ممالک (64 فیصد)، ابھرتی منڈیاں (57 فیصد) اور شمالی امریکہ (55 فیصد)[15]۔

خطرات کا انتظام۔ صنعت میں AI کے اخلاقی مسائل کو حل کرنے کی کوششیں محدود رہیں: اگرچہ McKinsey کے 29 فیصد جوابدہندگان نے AI نفاذ میں انصاف اور مساوات کو خطرات تسلیم کیا، صرف 19 فیصد نے ان کو کم کرنے کے اقدامات کیے۔ اسی طرح 41 فیصد نے وضاحت پذیری کو خطرے کے طور پر تسلیم کیا، لیکن صرف 27 فیصد نے اس کو یقینی بنانے پر کام کیا[15]۔

تعلیم

انڈر گریجویٹ۔ شمالی امریکہ میں (ڈاکٹریٹ ڈگریاں دینے والی یونیورسٹیوں میں) کمپیوٹر سائنس میں انڈر گریجویٹ ڈگری حاصل کرنے والوں کی تعداد 2010 سے 2020 تک 3.5 گنا بڑھ کر 31,000 سے زیادہ ہو گئی — 2019 کے مقابلے میں 11.6 فیصد اضافہ[16]۔

ڈاکٹریٹ۔ 2020 میں کمپیوٹر سائنس میں PhD کرنے والے ہر پانچ میں سے ایک گریجویٹ نے AI/Machine Learning میں تخصص کی — پچھلے ایک دہائی میں سب سے مقبول تخصص۔ اس تخصص میں PhD کرنے والوں کی تعداد 2010 سے 2020 تک 72.05 فیصد بڑھی[16]۔

باب 5۔ AI پالیسی اور گورننس

باب عالمی سطح پر اور انفرادی ممالک کے تناظر میں AI شعبے میں قانون سازی اور ریگولیٹری سرگرمی کا تجزیہ کرتا ہے[1]۔

عالمی قانون سازی

AI Index کے تجزیے نے 25 ممالک میں قانون سازی کے اقدامات کا احاطہ کیا۔ 2016–2021 کے دوران مصنوعی ذہانت کا ذکر کرنے والے 55 قوانین منظور ہوئے۔ اضافہ تیز تھا: 2016 میں 1 قانون سے 2021 میں 18 تک[1]۔

منظور شدہ قوانین کی تعداد میں سرفہرست ممالک (2016–2021):

ملک قوانین (2016–2021) قوانین (2021)
امریکہ 13 3
روس 6 2
بیلجیم 5 2
اسپین 5 3
برطانیہ 5 3
فرانس 4 1
اٹلی 3 1

منظور شدہ قوانین میں شامل ہیں: AI حکمت عملی کے لیے 125 ملین ڈالر مختص کرنے والا کینیڈین Budget Implementation Act (2017)؛ ماسکو میں AI کے تجرباتی قانونی نظام کے بارے میں روسی وفاقی قانون بتاریخ 24.04.2020 نمبر 123-FZ؛ ڈیپ فیک تحقیق کی مالی امداد کے بارے میں امریکی IOGAN Act (2020)؛ AI ٹولز کے لیے اخلاقی کمیٹی کے قیام کے بارے میں بیلجیئم کا فرمان (2021)[1]۔

امریکہ میں قانون سازی

وفاقی سطح پر تجویز کردہ AI بلوں کی تعداد 2015 میں 1 سے بڑھ کر 2021 میں 130 ہو گئی، تاہم ان میں سے صرف 2 فیصد منظور ہوئے۔ ریاستی سطح پر تجویز کردہ بلوں کی تعداد 2012 میں 2 سے بڑھ کر 2021 میں 131 ہو گئی، جن میں سے 20 فیصد (131 میں سے 26) منظور ہوئے[17]۔

ماساچوسٹس نے ریاستی سطح پر سب سے زیادہ AI بل تجویز کیے (2012 سے 40)، پھر ہوائی (35) اور نیو جرسی (32)[17]۔

پارلیمانی دستاویزات میں AI کا ذکر

25 ممالک کی حکومتی کارروائیوں میں AI کا ذکر چھ سالوں (2016–2021) میں 7.7 گنا بڑھ کر 2021 میں 1,323 تک پہنچ گیا۔ برطانیہ پورے عرصے میں 939 اذکار کے ساتھ غالب رہا، پھر اسپین، جاپان، امریکہ اور آسٹریلیا[1]۔

امریکی کانگریس میں 117ویں اجلاس (جو 2021 میں شروع ہوا) نے پہلے سال کے آخر تک 295 AI اذکار ریکارڈ کیے — 116ویں اجلاس کے ریکارڈ (2019–2020 میں 506 اذکار) کو پیچھے چھوڑنے کی راہ پر[17]۔

طریقہ کار

رپورٹ متعدد ذرائع سے ڈیٹا استعمال کرتی ہے[1]:

  • اشاعتیں اور پیٹنٹ: Center for Security and Emerging Technology (CSET)، جارج ٹاؤن یونیورسٹی۔
  • Benchmark: Papers With Code، SuperGLUE، SQuAD، VCR، MLPerf اور دیگر لیڈربورڈز۔
  • سرمایہ کاری اور اسٹارٹ اپس: NetBase Quid۔
  • لیبر مارکیٹ: Emsi Burning Glass، LinkedIn۔
  • کارپوریٹ سرگرمی: McKinsey & Company۔
  • روبوٹکس: AI Index کا اصل سروے (509 پروفیسر، 67 یونیورسٹیاں)۔
  • قانون سازی: AI Index (25 ممالک کا عالمی تجزیہ)، Bloomberg Government (امریکہ)۔
  • تعلیم: CRA Taulbee Survey۔
  • اخلاقیات: RealToxicityPrompts، Perspective API، StereoSet، CrowS-Pairs، Winogender، WinoBias، WinoMT، TruthfulQA، FEVER، FAccT، NeurIPS۔

مصنفین کی ٹیم

رپورٹ کو شریک ڈائریکٹرز Jack Clark (Anthropic / OECD) اور Raymond Perrault (SRI International) کی قیادت میں محققین اور شراکت دار تنظیموں کی ایک وسیع جماعت نے تیار کیا۔ سٹیئرنگ کمیٹی میں 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 — بانی ڈائریکٹر) شامل تھے۔ تحقیق کے منتظم اور چیف ایڈیٹر — Nestor Maslej (Stanford)۔ AI Index اسٹینفورڈ HAI (Human-Centered Artificial Intelligence) انسٹی ٹیوٹ کا منصوبہ ہے[1]۔

روابط

کتابیات

حواشی

  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_(UR)&oldid=8008"