The 2023 AI Index Report (CS)

AI Index Report 2023 — šesté každoroční vydání zprávy AI Index, připravené Stanfordským institutem umělé inteligence orientované na člověka (Stanford HAI). Zpráva z roku 2023 je v době svého zveřejnění nejrozsáhlejší a obsahuje více originálních dat než jakékoli předchozí vydání: novou kapitolu věnovanou veřejnému mínění o AI, rozšířenou analýzu technické výkonnosti, originální výzkum velkých jazykových a multimodálních modelů, podrobné trendy v globální legislativě o AI a také výzkum ekologického dopadu AI systémů. Zpráva vychází v době, kdy AI vstupuje do „éry nasazení": v průběhu roku 2022 a začátku roku 2023 byly každý měsíc vydávány nové velkoplošné modely — ChatGPT, Stable Diffusion, Whisper, DALL-E 2 — demonstrující bezprecedentní schopnosti v generování textu, obrazů a rozpoznávání řeči. AI Index sleduje, systematizuje a vizualizuje data o umělé inteligenci a poskytuje objektivní a pečlivě ověřené informace pro politiky, výzkumníky, vedoucí pracovníky, novináře a širokou veřejnost.

Struktura zprávy

Zpráva z roku 2023 se skládá z osmi tematických kapitol:

1. Výzkum a vývoj (Research and Development) — trendy v publikacích, patentech, významných modelech Machine Learning, velkých jazykových a multimodálních modelech.
2. Technická výkonnost (Technical Performance) — benchmarky, počítačové vidění, jazykové modely, řeč, Reinforcement Learning, hardware, ekologický dopad, AI ve vědě.
3. Technická etika AI (Technical AI Ethics) — předpojatost, toxicita, spravedlnost, ochrana soukromí, deepfakes.
4. Ekonomika (The Economy) — investice, trh práce, firemní zavádění, robotika.
5. Vzdělávání (Education) — příprava pracovních sil, vysokoškolské vzdělávání v oblasti informatiky a AI.
6. Politika a správa (Policy and Governance) — legislativa, regulace, národní strategie.
7. Rozmanitost (Diversity) — genderová a etnická rozmanitost v oblasti AI.
8. Veřejné mínění (Public Opinion) — nová kapitola: postoj veřejnosti k AI na základě mezinárodních průzkumů a analýzy sociálních sítí.

Klíčové závěry zprávy (Top 10 Takeaways)

Autoři zprávy vyzdvihli deset hlavních tezí:

1. Průmysl předstihuje akademii

Do roku 2014 vydávala většinu významných modelů Machine Learning akademická pracoviště. Od té doby přešlo vedení na průmysl. V roce 2022 průmysl vytvořil 32 významných modelů Machine Learning, zatímco akademie pouze 3. Vytváření pokročilých AI systémů stále více vyžaduje masivní objemy dat, výpočetní zdroje a financování, jimiž průmyslové organizace disponují ve výrazně větší míře.

2. Nasycení tradičních benchmarků

AI nadále překonává rekordy na benchmarcích, avšak meziroční nárůst výkonnosti je stále marginálnější. Přitom se zvyšuje rychlost nasycení benchmarků. Přesto se objevují nové, komplexnější systémy hodnocení — BIG-bench a HELM.

3. AI zároveň pomáhá i škodí životnímu prostředí

Nové výzkumy ukazují, že AI systémy mají závažný ekologický dopad. Podle dat Luccioni et al. (2022) trénování BLOOM produkovalo 25krát více oxidu uhličitého než jeden letecký cestující na letu z New Yorku do San Francisca. Zároveň modely Reinforcement Learning, jako je BCOOLER (DeepMind), demonstrují možnost využití AI pro optimalizaci spotřeby energie.

4. Nejlepší nový vědec — AI?

Modely AI začínají rychle urychlovat vědecký pokrok. V roce 2022 bylo AI využito k podpoře řízení vodíkové fúze, optimalizaci algoritmů násobení matic (AlphaTensor) a generování nových protilátek.

5. Počet incidentů spojených s neetickým využíváním AI prudce roste

Podle dat databáze AIAAIC se počet incidentů a sporných situací spojených s etickým zneužíváním AI zvýšil 26krát od roku 2012. Mezi pozoruhodné incidenty roku 2022 patří deepfake video s „kapitulací" prezidenta Ukrajiny Volodymyra Zelenského a využívání technologií monitorování hovorů v amerických věznicích.

6. Poptávka po odbornících s dovednostmi v AI roste prakticky ve všech odvětvích

Prakticky ve všech odvětvích americké ekonomiky (s výjimkou zemědělství, lesního hospodářství, rybářství a lovu) se podíl pracovních nabídek souvisejících s AI zvýšil v průměru z 1,7 % v roce 2021 na 1,9 % v roce 2022.

7. Soukromé investice do AI poprvé za desetiletí poklesly

Globální soukromé investice do AI dosáhly 91,9 miliard dolarů v roce 2022, což je o 26,7 % méně než v roce 2021. Poklesl také celkový počet investičních událostí a počet nově financovaných AI společností. Přesto je objem investic 18krát vyšší ve srovnání s rokem 2013.

8. Podíl společností zavádějících AI se stabilizoval, ale lídři dále odskakují

Podíl společností využívajících AI se od roku 2017 více než zdvojnásobil, avšak v posledních letech se stabilizoval na úrovni 50–60 % podle výročního průzkumu McKinsey. Organizace, které zavedly AI, hlásí skutečné snížení nákladů a růst příjmů.

9. Zájem politiků o AI narůstá

Analýza legislativních dokumentů 127 zemí ukazuje, že počet zákonů obsahujících termín „umělá inteligence", které byly přijaty jako zákony, vzrostl z 1 v roce 2016 na 37 v roce 2022. Zmínky o AI v parlamentních debatách 81 zemí vzrostly téměř 6,5krát od roku 2016.

10. Čínští občané mají k AI nejpozitivnější vztah; Američané výrazně méně

Podle průzkumu IPSOS z roku 2022 souhlasilo 78 % čínských respondentů s tvrzením, že produkty a služby založené na AI přinášejí více užitku než škody. Následují Saúdská Arábie (76 %) a Indie (71 %). Pouze 35 % amerických respondentů sdílí tento názor — jeden z nejnižších výsledků ze 28 dotazovaných zemí.

Kapitola 1. Výzkum a vývoj

Kapitola analyzuje trendy v publikacích, patentech, významných modelech Machine Learning, velkých jazykových a multimodálních modelech, konferencích a otevřeném kódu.

Publikace

Celkový počet publikací o AI nadále roste: od roku 2010 se více než zdvojnásobil. Dominující oblasti výzkumu jsou rozpoznávání vzorů (pattern recognition), Machine Learning a počítačové vidění.

Regionální vedení. Čína nadále vede v celkovém počtu publikací o AI v časopisech, na konferencích a v repozitářích. Avšak USA stále předstihují v počtu citací konferenčních a repozitářních publikací, i když se tento odstup postupně snižuje.

Mezinárodní spolupráce. Největší počet mezistátních spoluprací v publikacích o AI za období 2010–2021 připadá na dvojici USA–Čína: jejich počet vzrostl přibližně 4krát od roku 2010 a 2,5krát překračuje spolupráci nejbližšího následujícího páru (Velká Británie–Čína). Nicméně růst počtu společných prací USA–Čína se zpomalil: v letech 2020–2021 byl přírůstek pouze 2,1 % — nejnižší za celé sledované období.

Repozitáře. Počet publikací v AI repozitářích (arXiv, SSRN aj.) vzrostl téměř 27krát za posledních 12 let. Severní Amerika si od roku 2016 udržuje vedení v podílu publikací v repozitářích.

Významné modely Machine Learning

Dominance průmyslu. V roce 2022 bylo průmyslem vytvořeno 32 významných modelů oproti pouhým 3 z akademie. To potvrzuje tendenci, která se rýsuje od roku 2014.

Rozsah a náklady. Velké jazykové modely jsou stále větší a dražší. GPT-2, vydaný v roce 2019 a považovaný za jeden z prvních velkých jazykových modelů, obsahoval 1,5 miliardy parametrů; jeho trénování stálo přibližně 50 000 dolarů. PaLM (Google, 2022) obsahoval 540 miliard parametrů a přišel přibližně na 8 milionů dolarů — model 360krát větší než GPT-2 a 160krát dražší.

Výpočetní zdroje. Od roku 2010 vyžadují jazykové modely nejvíce výpočetních zdrojů ze všech systémů Machine Learning. Data Epoch zaznamenávají exponenciální růst výpočetních operací (FLOP) používaných při trénování.

Velké jazykové a multimodální modely

Národní příslušnost. Většina autorů velkých jazykových a multimodálních modelů pochází z amerických institucí (54,2 % v roce 2022). V roce 2022 poprvé přispěli k vývoji takových modelů výzkumníci z Kanady, Německa a Indie.

Klíčové modely roku 2022:

Model	Vývojář	Datum	Význam
DALL-E 2	OpenAI	Duben 2022	Systém generování obrazů z textového popisu; spuštění „boomu generativní AI"
PaLM (540B)	Google	Duben 2022	Jeden z největších jazykových modelů roku 2022; 540 miliard parametrů
Gato	DeepMind	Květen 2022	Multitaskový agent: manipulace s roboty, hry, popis obrazů, generování textu
Imagen	Google	Květen 2022	Difuzní model pro generování obrazů s vysokým fotorealismem; benchmark DrawBench
Stable Diffusion	Stability AI	Srpen 2022	Otevřený model generování obrazů; masové rozšíření
Make-A-Video	Meta AI	Září 2022	Systém generování videa z textového popisu
Whisper	OpenAI	Září 2022	Univerzální systém rozpoznávání řeči s podporou mnoha jazyků
ChatGPT	OpenAI	Listopad 2022	Chatbot na základě LLM; bezprecedentní růst popularity generativní AI
GLM-130B	Univerzita Tsinghua	2022	Bilingvní (angl./čín.) otevřený model; jediný čínský velký model roku 2022

Kapitola 2. Technická výkonnost

Kapitola analyzuje pokrok v úlohách počítačového vidění, zpracování jazyka, řeči, Reinforcement Learning, hardwaru, jakož i ekologický dopad AI a roli AI ve vědě.

Stav benchmarků

AI nadále dosahuje výsledků na úrovni nebo nad úrovní světového rekordu ve většině benchmarků, avšak zlepšení se stávají marginálními. Rychlost nasycení benchmarků se zvyšuje. Nové komplexní systémy hodnocení — BIG-bench a HELM — mají zajistit objektivnější a komplexnější hodnocení.

Generativní AI

Rok 2022 byl poznamenán vstupem generativní AI do masového povědomí. Byly vydány modely generování obrazů z textu (DALL-E 2, Stable Diffusion), systémy generování videa (Make-A-Video) a chatboty (ChatGPT). Přesto tyto systémy inklinují k „halucinacím" — sebejistému generování nesprávných nebo nesmyslných odpovědí — což omezuje jejich použití v kriticky důležitých aplikacích.

Jazykové modely

MMLU. Benchmark Massive Multitask Language Understanding hodnotí modely ve 57 předmětových oblastech. V roce 2022 nejlepší modely nadále zlepšovaly výsledky, avšak do úrovně lidského experta zbývala podstatná mezera.

HELM. Stanfordský benchmark Holistic Evaluation of Language Models (HELM) zajišťuje komplexní hodnocení jazykových modelů v deseti scénářích, včetně porozumění textu, matematiky, právního uvažování, a také měření předpojatosti a toxicity.

Plánování a uvažování. Jazykové modely nadále zlepšují generativní schopnosti, avšak mají závažné potíže s úlohami plánování. Výzkum Valmeekam et al. (2022) ukázal, že GPT-3, Instruct-GPT3 a BLOOM velmi neefektivně zvládají úlohy generování plánů, optimálního plánování a opětovného použití plánů v prostředí Blocksworld.

Rozpoznávání řeči

Whisper (OpenAI). V roce 2022 představil OpenAI Whisper — velkoplošný systém rozpoznávání řeči trénovaný na 680 000 hodinách vícejazyčných dat. Whisper demonstroval výrazný pokrok v přesnosti rozpoznávání, přibližující se lidské úrovni na řadě benchmarků, a podporuje překlad z několika desítek jazyků.

AI zdokonaluje AI

Projevuje se tendence k sebezdokonalování AI systémů. NVIDIA využila agenta Reinforcement Learning ke zlepšení architektury čipů pohánějících AI systémy. Google použil svůj jazykový model PaLM k hledání způsobů, jak model PaLM samotný vylepšit.

Hardware

GPU trendy. Mediánní výpočetní výkon (FLOP/s) nových GPU se téměř ztrojnásobil od roku 2021 a zvýšil se přibližně 7 000krát od roku 2003. Mediánní výkon přepočtený na americký dolar (FLOP/s per USD) v roce 2022 1,4krát překročil ukazatel roku 2021 a 5 600krát ukazatel roku 2003, přičemž výkon se zdvojnásobuje každých 1,5 roku.

MLPerf. Benchmark MLPerf nadále zaznamenává neustálé zkracování doby trénování modelů na standardních úlohách, odrážejíce pokrok v hardwaru a optimalizaci.

Ekologický dopad

Tato část je do zprávy zahrnuta poprvé. Uhlíková stopa AI modelů se výrazně liší v závislosti na infrastruktuře:

Model	Parametry	Emise CO₂ (tun)	PUE datového centra
GPT-3	175 mld	502	1,10
Gopher	280 mld	352	1,08
OPT	175 mld	70	1,09
BLOOM	176 mld	25	1,20

GPT-3 produkovalo 20krát více oxidu uhličitého než BLOOM při srovnatelném počtu parametrů. Klíčovými faktory jsou uhlíková intenzita energetické sítě, efektivita datového centra (PUE) a délka trénování.

Pro srovnání: trénování BLOOM produkovalo 25krát více CO₂ než letecký přelet jednoho cestujícího z New Yorku do San Francisca a 1,4krát více než průměrné roční emise Američana. Spotřebovaná energie by postačila k zásobování průměrné americké domácnosti elektřinou po dobu 41 let.

Optimalizace spotřeby energie. Systém BCOOLER (DeepMind) — agent Reinforcement Learning pro optimalizaci chlazení datových center Google — zajistil za tři měsíce experimentu úsporu energie přibližně 12,7 % při zachování komfortních podmínek.

AI ve vědě (2022)

Řízení plazmy v tokamaku. DeepMind vyvinul algoritmus Reinforcement Learning pro optimální řízení plazmy v tokamaku — klíčový úspěch na cestě k termojaderné fúzi.

AlphaTensor. DeepMind využil Reinforcement Learning k objevu algoritmů násobení matic překonávajících stávající řešení — včetně klasického Strassenova algoritmu pro matice 4×4.

AlphaCode. Systém DeepMind píšící počítačové programy na soutěžní úrovni dosáhl umístění v horních 54 % účastníků v programátorských soutěžích.

Generování protilátek. Generativní AI bylo využito pro de novo design protilátek, otevírající nové možnosti pro biofarmaceutický průmysl.

Kapitola 3. Technická etika AI

Kapitola je věnována klíčovým rozměrům etiky AI: předpojatosti, toxicitě, spravedlnosti a incidentům.

Metriky spravedlnosti a předpojatosti

V roce 2022 byl zaznamenán stabilní růst počtu metrik a benchmarků pro hodnocení spravedlnosti a předpojatosti AI systémů. Metriky se rozšiřují a upřesňují: výzkumníci je přizpůsobují konkrétním úlohám (odpovědi na otázky, logické vyvozování z přirozeného jazyka) a využívají jazykové modely ke generování rozšířených testovacích dat. V roce 2022 byly představeny nové benchmarky, jako je BBQ (Bias Benchmark for Question Answering), a také dodatečná hodnocení v rámci rozsáhlého projektu BIG-bench.

Rozeznávají se dva typy metrik: benchmarky (stacionární sady označených dat hodnotící vnitřní předpojatost modelu — StereoSet, Winogender) a diagnostické metriky (měřící rozdíl výkonnosti modelu pro různé demografické skupiny při reálném použití). Oba přístupy se vzájemně doplňují.

Vliv rozsahu na předpojatost

Výzkumy z roku 2022 ukázaly, že vliv zvětšování rozsahu modelu na předpojatost a toxicitu je nejednoznačný a závisí na trénovacích datech a použitých metodách snižování předpojatosti.

Incidenty v oblasti AI

Podle dat databáze AIAAIC se počet incidentů a sporných situací spojených s etickým zneužíváním AI zvýšil 26krát od roku 2012. Růst je způsoben jak rozšiřováním využívání AI, tak zvyšující se informovaností o rizicích.

Kapitola 4. Ekonomika

Kapitola zkoumá trendy v zaměstnanosti, investicích, firemním zavádění AI a robotice.

Trh práce

Podíl pracovních nabídek souvisejících s AI v USA se zvýšil v průměru z 1,7 % v roce 2021 na 1,9 % v roce 2022 prakticky ve všech odvětvích. Růst poptávky je pozorován v technologiích, financích, výrobě, zdravotnictví a dalších sektorech.

Migrace do průmyslu. Stále větší procento nových držitelů doktorských titulů v oblasti AI volí zaměstnání v průmyslu: v roce 2021 odešlo do průmyslu 65,4 % (oproti 40,9 % v roce 2011) a pouze 28,2 % do akademie (oproti 41,6 % v roce 2011). Podíl PhD pracujících ve státním sektoru zůstává stabilně nízký — 0,7 %.

Investice

Celkové trendy. Globální soukromé investice do AI dosáhly 91,9 miliard dolarů — pokles o 26,7 % oproti roku 2021. Počet investičních událostí klesl na 3 538 (pokles o 12 % k roku 2021). Počet nově financovaných AI společností klesl na 1 392 (z 1 669 v roce 2021). Přesto je objem investic 18krát vyšší než v roce 2013.

Regionální rozložení. USA vedou s investicemi 47,4 miliardy dolarů — 3,5krát více než Čína (13,4 mld) a 11krát více než Velká Británie (4,4 mld). Přitom investice v USA klesly o 35,5 %, v Číně o 41,3 %. Celkově za období 2013–2022 bylo v USA investováno 248,9 mld, v Číně 95,1 mld, ve Velké Británii 18,2 mld.

Oblasti zájmu. Nejatraktivnějšími pro investory se staly: medicína a zdravotnictví (6,1 mld dolarů), správa dat, zpracování a cloudové technologie (5,9 mld), fintech (5,5 mld), kybernetická bezpečnost (5,4 mld) a maloobchod (4,2 mld). Většina sledovaných oblastí zaznamenala pokles investic oproti roku 2021.

Největší investiční události roku 2022:

• GAC Aion New Energy Automobile (Čína, elektromobily) — 2,54 miliardy dolarů;
• Anduril Industries (USA, obranné technologie) — 1,5 mld;
• Celonis (Německo, business analytics) — 1,22 mld.

Firemní zavádění

Podle McKinsey se podíl společností využívajících AI od roku 2017 více než zdvojnásobil a stabilizoval se na úrovni 50–60 %. Organizace, které zavedly AI, hlásí skutečné snížení nákladů a růst příjmů.

Earnings calls. Ve finančním roce 2022 zmínilo AI ve výkazech o ziscích 268 společností Fortune 500 (pokles z 306 v roce 2021, ale růst z 225 v roce 2018).

Výzvy. Hlavní problémy při spouštění AI projektů: prokázání obchodní hodnoty (37 %), nedostatek závazku vedení (34 %), výběr správných AI technologií (33 %). Hlavní bariéry škálování: řízení rizik AI (50 %), získávání trénovacích dat (44 %), zavádění technologií (42 %).

Robotika

V roce 2021 bylo nainstalováno 517 000 průmyslových robotů — nárůst o 31,3 % k roku 2020 a více než 3krát od roku 2011. Operační park průmyslových robotů dosáhl 3 477 000 jednotek (nárůst o 14,6 %).

Dominance Číny. V roce 2021 Čína instalovala 268 200 průmyslových robotů — 5,7krát více než Japonsko (47 200) a 7,7krát více než USA (35 000). Od roku 2013, kdy Čína předstihla Japonsko, vzrostl její podíl z 20,8 % na 51,8 % světových instalací. V roce 2021 poprvé Čína instalovala více průmyslových robotů než zbytek světa dohromady.

Kapitola 5. Vzdělávání

Kapitola se zabývá tendencemi ve vzdělávání v oblasti informatiky a AI.

Vysokoškolské vzdělávání

Bakalářské studium. Počet absolventů bakalářského studia informatiky (CS) v Severní Americe nadále roste.

Doktorské studium. V roce 2021 bylo uděleno 1 893 doktorátů v informatice — méně než v roce 2020 (1 997). Podíl zahraničních studentů mezi PhD v CS vzrostl z 45,8 % v roce 2010 na 68,6 % v roce 2021.

Specializace na AI. V roce 2021 se 19,1 % nových doktorandů CS v Severní Americe specializovalo na AI — nárůst o 4,2 p.b. oproti roku 2020 a o 8,6 p.b. od roku 2012.

Kapitola 6. Politika a správa

Kapitola analyzuje legislativní a regulační aktivitu v oblasti AI na globální, americké a regionální úrovni.

Globální tendence

Počet zákonů obsahujících termín „umělá inteligence", které byly přijaty jako zákony, vzrostl z 1 v roce 2016 na 37 v roce 2022 (analýza 127 zemí). Zmínky o AI v parlamentních debatách 81 zemí vzrostly téměř 6,5krát od roku 2016, ačkoli v roce 2022 byl zaznamenán mírný pokles oproti roku 2021 (z 1 547 na 1 340 zmínek).

V roce 2022 se lídry v počtu zmínek o AI v parlamentních zasedáních staly: Španělsko (273), Kanada (211), Velká Británie (146), USA (138).

Regulace v USA

Na federální úrovni bylo v roce 2022 navrženo 88 zákonů souvisejících s AI, z nichž 9 bylo přijato (nárůst ze 3 v předchozích letech). Na úrovni států vedou Kalifornie (5 přijatých zákonů) a Maryland (3).

Národní strategie

Řada zemí přijala novou legislativu pokrývající široké spektrum otázek: příprava pracovních sil v oblasti AI dovedností, kontrola využívání AI v orgánech prosazování práva, zvyšování transparentnosti algoritmického rozhodování.

Kapitola 7. Rozmanitost

Ženy a příslušníci menšin jsou stále výrazně nedostatečně zastoupeni v oblasti AI jak v průmyslu, tak v akademii. Data CRA Taulbee Survey a dalších zdrojů zaznamenávají pomalý, ale stabilní pokrok v zvyšování rozmanitosti.

Kapitola 8. Veřejné mínění

Nová kapitola zprávy analyzuje veřejné vnímání AI na základě mezinárodních průzkumů a analýzy sociálních sítí.

Globální průzkumy (IPSOS)

Podle průzkumu IPSOS z roku 2022 (19 504 respondentů ve 28 zemích):

• 60 % respondentů se domnívá, že AI produkty podstatně změní jejich život v příštích 3–5 letech;
• 60 % se domnívá, že AI produkty jim usnadňují život;
• 52 % souhlasí s tím, že AI produkty přinášejí více užitku než škod;
• 40 % uvádí, že AI produkty v nich vyvolávají nervozitu.

Regionální rozdíly. Nejpozitivněji k AI se staví občané Číny (78 % souhlasí s přínosem AI), Saúdské Arábie (76 %) a Indie (71 %). Nejméně pozitivně — Francie (31 %), Kanada (32 %), USA (35 %).

Demografické rozdíly. Muži hodnotí AI produkty pozitivněji než ženy ve všech měřených dimenzích. Domácnosti s vyšším příjmem a vyšší úrovní vzdělání jsou také optimističtější.

Průzkum Lloyd's Register Foundation a Gallup

Globální průzkum 125 911 osob ve 121 zemích (rok 2021) ukázal, že 39 % považuje AI celkově za přínosnou pro zemi, 28 % za škodlivou. Muži jsou více nakloněni považovat AI za přínosnou než ženy.

Autonomní vozidla. Pouze 27 % respondentů na světě se cítí bezpečně v autonomním vozidle. Podle dat Pew Research pouze 26 % Američanů považuje osobní autonomní vozidla za dobrý nápad pro společnost.

Průzkum Pew Research (USA)

Mezi Američany, kteří pociťují nadšení z AI, jsou hlavními důvody — potenciál zlepšit život a společnost (31 %) a úspora času (13 %). Mezi znepokojenými — ztráta pracovních míst (19 %), sledování a digitální soukromí (16 %), ztráta lidských kontaktů (12 %).

Názor NLP výzkumníků

Podle průzkumu mezi NLP výzkumníky: 77 % souhlasí nebo částečně souhlasí s tím, že soukromé AI společnosti mají přílišný vliv; 41 % se domnívá, že NLP by mělo být regulováno; 73 % se domnívá, že AI může brzy přinést revoluční společenské změny.

Analýza sociálních sítí

NetBase Quid provedl analýzu více než 7 milionů příspěvků na sociálních sítích za rok 2022. Modely ChatGPT a Stable Diffusion přitahovaly největší pozornost. Hlavními tématy diskusí jsou etické problémy, kulturní a ekonomický vliv AI.

Metodologie

Zpráva využívá data z mnoha zdrojů:

• Publikace a patenty: Center for Security and Emerging Technology (CSET), Georgetown University; data Epoch.
• Benchmarky: Papers With Code, CRFM (HELM), BIG-bench, specializované žebříčky.
• Investice: NetBase Quid (Capital IQ, Crunchbase).
• Trh práce: Lightcast, LinkedIn.
• Firemní aktivita: McKinsey & Company, Deloitte, NetBase Quid (earnings calls).
• Robotika: International Federation of Robotics (IFR).
• Regulace: legislativní databáze 127 zemí, parlamentní materiály 81 zemí.
• Veřejné mínění: IPSOS, Lloyd's Register Foundation / Gallup, Pew Research Center, NetBase Quid (sociální média).
• Vzdělávání: CRA Taulbee Survey, Code.org.
• Ekologický dopad: Luccioni et al. (2022), data GPU — Epoch.

Autorský kolektiv

Zpráva byla připravena pod vedením spoluředitelů Raye Perraulta (Raymond Perrault, SRI International) a Jacka Clarka (Jack Clark, Anthropic / OECD). Vedoucím výzkumu a hlavním redaktorem byl Nestor Maslej (Nestor Maslej, Stanford University). Na přípravě zprávy se podíleli Erik Brynjolfsson, John Etchemendy, Katrina Ligett, Terah Lyons, James Manyika, Helen Ngo, Juan Carlos Niebles, Vanessa Parli, Yoav Shoham (zakladatel AI Index), Russell Wald a také široký okruh výzkumníků a partnerských organizací. AI Index je projektem Stanfordského institutu HAI (Human-Centered Artificial Intelligence).

Odkazy

• Stanford HAI — AI Index Report 2023 (plný text): https://aiindex.stanford.edu/report/
• Epoch — data o výpočetních trendech a významných modelech: https://epochai.org/
• Papers With Code — benchmarky a žebříčky: https://paperswithcode.com/
• CRFM HELM — Holistic Evaluation of Language Models: https://crfm.stanford.edu/helm/
• AIAAIC Repository — databáze incidentů etického zneužívání AI: https://www.aiaaic.org/
• International Federation of Robotics: https://ifr.org/
• McKinsey Global Survey on AI: https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
• NetBase Quid — data o investicích a sociálních médiích: https://quid.com/
• IPSOS — globální průzkum o postoji k AI: https://www.ipsos.com/
• Pew Research Center — průzkumy veřejného mínění: https://www.pewresearch.org/
• CRA Taulbee Survey — data o vzdělávání v CS: https://cra.org/resources/taulbee-survey/
• Global AI Vibrancy Tool (Stanford HAI): https://aiindex.stanford.edu/vibrancy/

Literatura

• Maslej, N., Fattorini, L., Brynjolfsson, E., Etchemendy, J., Ligett, K., Lyons, T., Manyika, J., Ngo, H., Niebles, J. C., Parli, V., Shoham, Y., Wald, R., Clark, J., and Perrault, R. (2023). The AI Index 2023 Annual Report. AI Index Steering Committee, Institute for Human-Centered AI, Stanford University. https://aiindex.stanford.edu/report/
• Luccioni, A. S. et al. (2022). Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language Model. https://arxiv.org/abs/2211.02001
• Liang, P. et al. (2022). Holistic Evaluation of Language Models. https://arxiv.org/abs/2211.09110
• Hendrycks, D. et al. (2021). Measuring Massive Multitask Language Understanding. https://arxiv.org/abs/2009.03300
• Radford, A. et al. (2022). Robust Speech Recognition via Large-Scale Weak Supervision. https://arxiv.org/abs/2212.04356
• Valmeekam, K. et al. (2022). Large Language Models Still Can't Plan. https://arxiv.org/abs/2206.10498
• Fawzi, A. et al. (2022). Discovering faster matrix multiplication algorithms with reinforcement learning. Nature. https://doi.org/10.1038/s41586-022-05172-4
• Degrave, J. et al. (2022). Magnetic Control of Tokamak Plasmas through Deep Reinforcement Learning. Nature. https://doi.org/10.1038/s41586-021-04301-9
• McKinsey & Company (2023). The State of AI in 2023. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
• International Federation of Robotics (2022). World Robotics Report 2022. https://ifr.org/worldrobotics/
• IPSOS (2022). Global Views on AI Survey 2022. https://www.ipsos.com/
• Pew Research Center (2022). Public Views on AI. https://www.pewresearch.org/
• Lloyd's Register Foundation and Gallup (2022). World Risk Poll: Perceptions of AI. https://wrp.lrfoundation.org.uk/
• Deloitte (2022). State of AI in the Enterprise Survey. https://www2.deloitte.com/
• Luo, J. et al. (2022). Controlling Commercial Cooling Systems Using Reinforcement Learning. DeepMind Research.