The 2023 AI Index Report (HE)

From Systems analysis Wiki
Jump to navigation Jump to search

AI Index Report 2023 — המהדורה השנתית השישית של דוח AI Index, שהוכן על ידי מכון סטנפורד לבינה מלאכותית ממוקדת-אדם (Stanford HAI)[1]. דוח 2023 הוא הנרחב ביותר עד למועד פרסומו וכולל יותר נתונים מקוריים מכל מהדורה קודמת: פרק חדש המוקדש לדעת הקהל על AI, ניתוח מורחב של ביצועים טכניים, מחקר מקורי על מודלים לשוניים ומולטי-מודאליים גדולים, מגמות מפורטות בחקיקת AI גלובלית, וכן חקירה של ההשפעה הסביבתית של מערכות AI. הדוח יוצא לאור בתקופה שבה AI נכנס ל"עידן הפריסה": במהלך 2022 ותחילת 2023 יצאו מדי חודש מודלים חדשים בקנה מידה גדול — ChatGPT, Stable Diffusion, Whisper, DALL-E 2 — המפגינים יכולות חסרות תקדים ביצירת טקסט, תמונות וזיהוי דיבור. AI Index עוקב, ממיין ומדמיין נתונים על בינה מלאכותית, ומספק מידע אובייקטיבי ומאומת בקפידה לקובעי מדיניות, חוקרים, מנהלים, עיתונאים והציבור הרחב.

מבנה הדוח

דוח 2023 מורכב משמונה פרקים נושאיים[1]:

  1. מחקר ופיתוח (Research and Development) — מגמות בפרסומים, פטנטים, מודלים משמעותיים של Machine Learning, מודלים לשוניים ומולטי-מודאליים גדולים.
  2. ביצועים טכניים (Technical Performance) — benchmark-ים, ראייה ממוחשבת, מודלים לשוניים, דיבור, Reinforcement Learning, חומרה, השפעה סביבתית, AI במדע.
  3. אתיקה טכנית של AI (Technical AI Ethics) — הטיה, רעילות, הוגנות, פרטיות, deepfakes.
  4. כלכלה (The Economy) — השקעות, שוק עבודה, אימוץ ארגוני, רובוטיקה.
  5. חינוך (Education) — הכשרת כוח אדם, השכלה גבוהה במדעי המחשב ו-AI.
  6. מדיניות וממשל (Policy and Governance) — חקיקה, רגולציה, אסטרטגיות לאומיות.
  7. גיוון (Diversity) — גיוון מגדרי ואתני בתחום ה-AI.
  8. דעת הקהל (Public Opinion) — פרק חדש: יחס הציבור ל-AI על פי סקרים בינלאומיים וניתוח רשתות חברתיות.

מסקנות מפתח של הדוח (Top 10 Takeaways)

מחברי הדוח הציגו עשרה טענות עיקריות[1]:

1. התעשייה מקדימה את האקדמיה

עד 2014 רוב המודלים המשמעותיים של Machine Learning יצאו ממוסדות אקדמיים. מאז עברה ההובלה לתעשייה. ב-2022 יצרה התעשייה 32 מודלים משמעותיים של Machine Learning, בעוד האקדמיה — רק 3. פיתוח מערכות AI מתקדמות דורש יותר ויותר כמויות עצומות של נתונים, משאבי מחשוב ומימון, שארגונים תעשייתיים מחזיקים בהם במידה גדולה בהרבה[1].

2. רוויה של benchmark-ים מסורתיים

AI ממשיך לשבור שיאים ב-benchmark-ים, אך שיפור הביצועים משנה לשנה הופך שולי יותר ויותר. במקביל, קצב הרוויה של benchmark-ים גובר. עם זאת, מופיעות מערכות הערכה חדשות ומורכבות יותר — BIG-bench ו-HELM[1].

3. AI גם מועיל וגם מזיק לסביבה

מחקרים חדשים מראים כי מערכות AI גורמות להשפעה סביבתית משמעותית. על פי נתוני Luccioni et al. (2022), אימון BLOOM פלט פי 25 יותר פחמן דו-חמצני ממה שפולט נוסע מטוס בודד בטיסה מניו יורק לסן פרנסיסקו. יחד עם זאת, מודלי Reinforcement Learning כגון BCOOLER (DeepMind) מדגימים את האפשרות להשתמש ב-AI לאופטימיזציה של צריכת אנרגיה[2][3].

4. המדען החדש הטוב ביותר — AI?

מודלי AI מתחילים להאיץ במהירות את ההתקדמות המדעית. ב-2022 נעשה שימוש ב-AI לסיוע בשליטה בהיתוך מימן, לאופטימיזציה של אלגוריתמי כפל מטריצות (AlphaTensor) וליצירת נוגדנים חדשים[1].

5. מספר האירועים הקשורים לשימוש לא אתי ב-AI גדל במהירות

על פי מסד הנתונים AIAAIC, מספר האירועים והמחלוקות הקשורים לניצול לרעה אתי של AI גדל פי 26 מאז 2012. בין האירועים הבולטים של 2022 — סרטון deepfake המציג את נשיא אוקראינה וולודימיר זלנסקי "נכנע", ושימוש בטכנולוגיות ניטור שיחות בבתי סוהר אמריקאיים[4].

6. הביקוש למומחים עם מיומנויות AI גדל כמעט בכל הענפים

כמעט בכל ענפי הכלכלה האמריקאית (למעט חקלאות, יערנות, דיג וציד) גדל חלק המשרות הקשורות ל-AI בממוצע מ-1.7% ב-2021 ל-1.9% ב-2022[1].

7. לראשונה בעשור ירדו ההשקעות הפרטיות ב-AI

ההשקעות הפרטיות הגלובליות ב-AI הסתכמו ב-91.9 מיליארד דולר ב-2022, ירידה של 26.7% לעומת 2021. ירדו גם המספר הכולל של אירועי השקעה ומספר חברות ה-AI שמומנו לראשונה. עם זאת, נפח ההשקעות גדל פי 18 לעומת 2013 במהלך העשור[5].

8. שיעור החברות המאמצות AI התייצב, אך המובילים ממשיכים להתקדם

חלקן של החברות המשתמשות ב-AI יותר מהכפיל את עצמו מאז 2017, אך בשנים האחרונות התייצב ברמה של 50–60%, על פי הסקר השנתי של McKinsey. ארגונים שאימצו AI מדווחים על הפחתת עלויות ממשית וגידול בהכנסות[6].

9. עניינם של קובעי מדיניות ב-AI גובר

ניתוח מסמכי חקיקה של 127 מדינות מראה כי מספר הצעות החוק המכילות את המונח "בינה מלאכותית" שהתקבלו כחוק גדל מ-1 ב-2016 ל-37 ב-2022. האזכורים של AI בדיוני פרלמנטים ב-81 מדינות גדלו כמעט פי 6.5 מאז 2016[1].

10. אזרחים סינים מחזיקים בדעה החיובית ביותר על AI; אמריקאים — פחות

על פי סקר IPSOS לשנת 2022, 78% מהמשיבים הסינים הסכימו עם הטענה כי מוצרים ושירותים מבוססי AI מועילים יותר מאשר מזיקים. אחריהם ערב הסעודית (76%) והודו (71%). רק 35% מהמשיבים האמריקאים שותפים לדעה זו — אחת מהתוצאות הנמוכות ביותר מבין 28 המדינות שנסקרו[7].

פרק 1. מחקר ופיתוח

הפרק מנתח מגמות בפרסומים, פטנטים, מודלים משמעותיים של Machine Learning, מודלים לשוניים ומולטי-מודאליים גדולים, כנסים וקוד פתוח[1].

פרסומים

מספר הפרסומים הכולל בנושא AI ממשיך לגדול: הוא יותר מהכפיל את עצמו מאז 2010. תחומי המחקר הדומיננטיים הם זיהוי תבניות (pattern recognition), Machine Learning וראייה ממוחשבת[8].

מנהיגות אזורית. סין ממשיכה להוביל במספר הכולל של פרסומי AI בכתבי עת, כנסים ומאגרים. אולם ארה"ב עדיין מובילה במספר ציטוטים של פרסומים בכנסים ובמאגרים, אם כי הפער הזה הולך ומצטמצם בהדרגה[8].

שיתוף פעולה בינלאומי. המספר הגדול ביותר של שיתופי פעולה בין-מדינתיים בפרסומי AI לשנים 2010–2021 שייך לצמד ארה"ב–סין: מספרם גדל כארבעה פעמים מאז 2010 ועולה פי 2.5 על שיתוף הפעולה של הצמד הבא הקרוב ביותר (בריטניה–סין). עם זאת, קצב הגידול בעבודות המשותפות ארה"ב–סין האט: ב-2020–2021 עמד הגידול על 2.1% בלבד — המינימום לכל תקופת התצפית[1].

מאגרים. מספר הפרסומים במאגרי AI (arXiv, SSRN ואחרים) גדל כמעט פי 27 ב-12 השנים האחרונות. צפון אמריקה שומרת על מנהיגות בחלקה בפרסומי מאגרים מאז 2016[1].

מודלים משמעותיים של Machine Learning

דומיננטיות התעשייה. ב-2022 נוצרו 32 מודלים משמעותיים על ידי התעשייה לעומת 3 בלבד מהאקדמיה. הדבר מאשר את המגמה שהחלה ב-2014[9].

קנה מידה ועלות. מודלים לשוניים גדולים הולכים וגדלים ומתייקרים. GPT-2, שיצא ב-2019 ונחשב לאחד ממודלי השפה הגדולים הראשונים, הכיל 1.5 מיליארד פרמטרים; אימונו עלה כ-50,000 דולר. PaLM (Google, 2022) הכיל 540 מיליארד פרמטרים ועלה כ-8 מיליון דולר — מודל גדול פי 360 מ-GPT-2 ויקר פי 160[1].

משאבי מחשוב. מאז 2010 דורשים מודלי שפה את משאבי המחשוב הגדולים ביותר מבין כל מערכות ה-Machine Learning. נתוני Epoch מתעדים גידול אקספוננציאלי בחישובים (FLOP) המשמשים לאימון[9].

מודלים לשוניים ומולטי-מודאליים גדולים

שיוך לאומי. רוב מחברי המודלים הלשוניים והמולטי-מודאליים הגדולים הם ממוסדות אמריקאיים (54.2% ב-2022). ב-2022, לראשונה, תרמו חוקרים מקנדה, גרמניה והודו לפיתוח מודלים כאלה[1].

מודלים מרכזיים של 2022:

מודל מפתח תאריך חשיבות
DALL-E 2 OpenAI אפריל 2022 מערכת יצירת תמונות מתיאור טקסטואלי; תחילת "בום ה-AI הגנרטיבי"
PaLM (540B) Google אפריל 2022 אחד ממודלי השפה הגדולים ביותר של 2022; 540 מיליארד פרמטרים
Gato DeepMind מאי 2022 סוכן רב-משימות: מניפולציה רובוטית, משחקים, תיאור תמונות, יצירת טקסט
Imagen Google מאי 2022 מודל diffusion ליצירת תמונות בפוטוריאליזם גבוה; benchmark DrawBench
Stable Diffusion Stability AI אוגוסט 2022 מודל קוד פתוח ליצירת תמונות; הפצה המונית
Make-A-Video Meta AI ספטמבר 2022 מערכת יצירת וידאו מתיאור טקסטואלי
Whisper OpenAI ספטמבר 2022 מערכת זיהוי דיבור אוניברסלית עם תמיכה בשפות רבות
ChatGPT OpenAI נובמבר 2022 צ'אט-בוט מבוסס LLM; גידול חסר תקדים בפופולריות של AI גנרטיבי
GLM-130B אוניברסיטת צינגהואה 2022 מודל דו-לשוני (אנגלית/סינית) בקוד פתוח; המודל הסיני הגדול היחיד של 2022

פרק 2. ביצועים טכניים

הפרק מנתח התקדמות במשימות ראייה ממוחשבת, עיבוד שפה, דיבור, Reinforcement Learning, חומרה, כמו גם את ההשפעה הסביבתית של AI ותפקיד AI במדע[1].

מצב ה-benchmark-ים

AI ממשיך להפגין תוצאות ברמת שיא עולמי או מעליה ברוב ה-benchmark-ים, אך השיפורים הופכים שוליים. קצב הרוויה של benchmark-ים גובר. מערכות הערכה מקיפות חדשות — BIG-bench ו-HELM — נועדו לספק הערכה אובייקטיבית ומקיפה יותר[1].

AI גנרטיבי

שנת 2022 סימנה את כניסתו של ה-AI הגנרטיבי לתודעה ההמונית. שוחררו מודלים ליצירת תמונות מטקסט (DALL-E 2, Stable Diffusion), מערכות ליצירת וידאו (Make-A-Video) וצ'אט-בוטים (ChatGPT). עם זאת, מערכות אלו נוטות ל"הזיות" — יצירה בטוחה-עצמית של תשובות שגויות או חסרות משמעות — מה שמגביל את השימוש בהן ביישומים קריטיים[1].

מודלים לשוניים

MMLU. ה-benchmark Massive Multitask Language Understanding מעריך מודלים ב-57 תחומי דעת. ב-2022 המשיכו המודלים הטובים ביותר לשפר את ציוניהם, אך נותר פער משמעותי לרמת המומחה האנושי[10].

HELM. ה-benchmark של סטנפורד Holistic Evaluation of Language Models (HELM) מספק הערכה מקיפה של מודלים לשוניים ב-10 תרחישים, כולל הבנת טקסט, מתמטיקה, הנמקה משפטית, וכן מדידות של הטיה ורעילות[11].

תכנון והנמקה. מודלים לשוניים ממשיכים לשפר יכולות גנרטיביות, אך נתקלים בקשיים חמורים במשימות תכנון. מחקרו של Valmeekam et al. (2022) הראה כי GPT-3, Instruct-GPT3 ו-BLOOM מתמודדים בצורה לא יעילה ביותר עם משימות יצירת תוכניות, תכנון אופטימלי ושימוש חוזר בתוכניות בסביבת Blocksworld[12].

זיהוי דיבור

Whisper (OpenAI). ב-2022 הציגה OpenAI את Whisper — מערכת זיהוי דיבור בקנה מידה גדול, שאומנה על 680,000 שעות של נתונים רב-לשוניים. Whisper הפגינה התקדמות משמעותית בדיוק הזיהוי, מתקרבת לרמה האנושית במספר benchmark-ים, ותומכת בתרגום מעשרות שפות[13].

AI משפר את ה-AI

התגבשה מגמה של שיפור עצמי של מערכות AI. NVIDIA השתמשה בסוכן Reinforcement Learning לשיפור ארכיטקטורת השבבים המניעים מערכות AI. Google השתמשה במודל השפה PaLM שלה לחיפוש דרכים לשפר את מודל PaLM עצמו[1].

חומרה

מגמות GPU. כוח המחשוב החציוני (FLOP/s) של GPU-ים חדשים כמעט שילש את עצמו מאז 2021 וגדל בכ-7,000 פעמים מאז 2003. ביצועים חציוניים לדולר אמריקאי (FLOP/s per USD) ב-2022 עלו פי 1.4 על נתוני 2021 ופי 5,600 על נתוני 2003, ומדגימים הכפלה של הביצועים כל 1.5 שנה[9].

MLPerf. ה-benchmark MLPerf ממשיך לתעד קיצור עקבי של זמני אימון מודלים במשימות סטנדרטיות, ומשקף התקדמות בחומרה ובאופטימיזציה[1].

השפעה סביבתית

סעיף זה נכלל בדוח לראשונה. טביעת הרגל הפחמנית של מודלי AI שונה משמעותית בהתאם לתשתית:

מודל פרמטרים פליטות CO₂ (טונות) PUE של מרכז הנתונים
GPT-3 175 מיליארד 502 1.10
Gopher 280 מיליארד 352 1.08
OPT 175 מיליארד 70 1.09
BLOOM 176 מיליארד 25 1.20

GPT-3 פלט פי 20 יותר פחמן דו-חמצני מאשר BLOOM עם מספר פרמטרים דומה. הגורמים המרכזיים הם עוצמת הפחמן של רשת החשמל, יעילות מרכז הנתונים (PUE) ומשך האימון[2].

לשם השוואה: אימון BLOOM פלט פי 25 יותר CO₂ מטיסת נוסע בודד מניו יורק לסן פרנסיסקו, ופי 1.4 יותר מהפליטות השנתיות הממוצעות של אמריקאי. האנרגיה שנצרכה הייתה מספיקה לאספקת חשמל לבית אמריקאי ממוצע למשך 41 שנה[2].

אופטימיזציה של צריכת אנרגיה. מערכת BCOOLER (DeepMind) — סוכן Reinforcement Learning לאופטימיזציה של קירור מרכזי הנתונים של Google — הבטיחה חיסכון באנרגיה של כ-12.7% במהלך ניסוי של שלושה חודשים תוך שמירה על תנאים נוחים[3].

AI במדע (2022)

שליטה בפלסמה בטוקמאק. DeepMind פיתחה אלגוריתם Reinforcement Learning לשליטה אופטימלית בפלסמה בטוקמאק — הישג מרכזי בדרך לאחות גרעינית[14].

AlphaTensor. DeepMind השתמשה ב-Reinforcement Learning לגילוי אלגוריתמי כפל מטריצות העולים על פתרונות קיימים — כולל אלגוריתם שטראסן הקלאסי למטריצות 4×4[15].

AlphaCode. מערכת DeepMind לכתיבת תוכנות מחשב ברמה תחרותית השיגה דירוג ב-54% העליונים של המשתתפים בתחרויות תכנות[1].

יצירת נוגדנים. AI גנרטיבי שימש לעיצוב de novo של נוגדנים, פותח אפשרויות חדשות לביופרמצבטיקה[1].

פרק 3. אתיקה טכנית של AI

הפרק מוקדש למדדי מפתח של אתיקת AI: הטיה, רעילות, הוגנות ואירועים[1].

מדדי הוגנות והטיה

ב-2022 נרשמה עלייה עקבית במספר המדדים וה-benchmark-ים להערכת הוגנות והטיה של מערכות AI. המדדים מתרחבים ומשתכללים: חוקרים מתאימים אותם למשימות ספציפיות (מענה על שאלות, הסקה בשפה טבעית) ומשתמשים במודלים לשוניים ליצירת נתוני בדיקה מורחבים. ב-2022 הוצגו benchmark-ים חדשים כגון BBQ (Bias Benchmark for Question Answering), וכן הערכות נוספות במסגרת פרויקט BIG-bench הנרחב[1].

מבחינים בין שני סוגי מדדים: benchmark-ים (מערכות נתונים מתויגות סטטיות המעריכות הטיה פנימית של המודל — StereoSet, Winogender) ומדדים אבחוניים (המודדים הבדל בביצועי המודל עבור קבוצות דמוגרפיות שונות בשימוש ממשי). שני הגישות משלימות זו את זו[1].

השפעת קנה המידה על הטיה

מחקרי 2022 הראו כי השפעת הגדלת קנה המידה של המודל על הטיה ורעילות אינה חד-משמעית ותלויה בנתוני האימון ובשיטות הפחתת ההטיה שהופעלו[1].

אירועים בתחום AI

על פי מסד הנתונים AIAAIC, מספר האירועים והמחלוקות הקשורים לניצול לרעה אתי של AI גדל פי 26 מאז 2012. הגידול נובע הן מהתרחבות השימוש ב-AI והן מגידול המודעות לסיכונים[4].

פרק 4. כלכלה

הפרק בוחן מגמות בתעסוקה, השקעות, אימוץ ארגוני של AI ורובוטיקה[1].

שוק העבודה

חלקן של המשרות הקשורות ל-AI בארה"ב גדל בממוצע מ-1.7% ב-2021 ל-1.9% ב-2022 כמעט בכל הענפים. גידול בביקוש נצפה בטכנולוגיה, פיננסים, ייצור, בריאות ומגזרים אחרים[16].

הגירה לתעשייה. אחוז גדל והולך של בעלי דוקטורט חדשים ב-AI בוחר לעבוד בתעשייה: ב-2021 הלכו 65.4% לתעשייה (לעומת 40.9% ב-2011), ורק 28.2% — לאקדמיה (לעומת 41.6% ב-2011). חלק בעלי הדוקטורט העובדים במגזר הציבורי נשאר נמוך באופן יציב — 0.7%[17].

השקעות

מגמות כלליות. ההשקעות הפרטיות הגלובליות ב-AI הסתכמו ב-91.9 מיליארד דולר — ירידה של 26.7% לעומת 2021. מספר אירועי ההשקעה ירד ל-3,538 (ירידה של 12% לעומת 2021). מספר חברות ה-AI שמומנו לראשונה ירד ל-1,392 (לעומת 1,669 ב-2021). עם זאת, נפח ההשקעות גדול פי 18 מרמת 2013[5].

התפלגות אזורית. ארה"ב מובילה עם השקעות של 47.4 מיליארד דולר — פי 3.5 מסין (13.4 מיליארד) ופי 11 מבריטניה (4.4 מיליארד). ההשקעות בארה"ב ירדו ב-35.5%, ובסין — ב-41.3%. בסך הכל לשנים 2013–2022 הושקעו בארה"ב 248.9 מיליארד, בסין — 95.1 מיליארד, ובבריטניה — 18.2 מיליארד[5].

תחומי מיקוד. התחומים המושכים ביותר למשקיעים היו: רפואה ובריאות (6.1 מיליארד דולר), ניהול נתונים, עיבוד וטכנולוגיות ענן (5.9 מיליארד), פינטק (5.5 מיליארד), אבטחת סייבר (5.4 מיליארד) וקמעונאות (4.2 מיליארד). רוב תחומי המיקוד רשמו ירידה בהשקעות ביחס ל-2021[5].

אירועי ההשקעה הגדולים ביותר של 2022:

  • GAC Aion New Energy Automobile (סין, רכבים חשמליים) — 2.54 מיליארד דולר;
  • Anduril Industries (ארה"ב, טכנולוגיות ביטחוניות) — 1.5 מיליארד;
  • Celonis (גרמניה, ניתוח עסקי) — 1.22 מיליארד[5].

אימוץ ארגוני

על פי McKinsey, חלקן של החברות המשתמשות ב-AI יותר מהכפיל את עצמו מאז 2017, והתייצב ברמה של 50–60%. ארגונים שאימצו AI מדווחים על הפחתת עלויות ממשית וגידול בהכנסות[6].

Earnings calls. בשנת הכספים 2022 הזכירו 268 חברות מתוך Fortune 500 את AI בדוחות הרווח (ירידה מ-306 ב-2021, אך עלייה מ-225 ב-2018)[1].

אתגרים. הבעיות העיקריות בהשקת פרויקטי AI: הוכחת ערך עסקי (37%), מחסור במחויבות ניהולית (34%), בחירת טכנולוגיות ה-AI הנכונות (33%). חסמי ה-scaling העיקריים: ניהול סיכוני AI (50%), השגת נתוני אימון (44%), הטמעת טכנולוגיה (42%)[18].

רובוטיקה

ב-2021 הותקנו 517,000 רובוטים תעשייתיים — גידול של 31.3% לעומת 2020 ויותר מפי 3 מאז 2011. צי הרובוטים התעשייתיים הפעיל הגיע ל-3,477,000 יחידות (גידול של 14.6%)[19].

דומיננטיות סין. ב-2021 התקינה סין 268,200 רובוטים תעשייתיים — פי 5.7 מיפן (47,200) ופי 7.7 מארה"ב (35,000). מאז 2013, כאשר סין עקפה את יפן, עלה חלקה מ-20.8% ל-51.8% מהתקנות עולמיות. ב-2021 התקינה סין לראשונה יותר רובוטים תעשייתיים משאר העולם ביחד[19].

פרק 5. חינוך

הפרק בוחן מגמות בחינוך במדעי המחשב ו-AI[1].

השכלה גבוהה

תואר ראשון. מספר בוגרי תואר ראשון במדעי המחשב (CS) בצפון אמריקה ממשיך לגדול[17].

דוקטורנטורה. ב-2021 סיימו 1,893 דוקטורים במדעי המחשב — פחות מב-2020 (1,997). חלק הסטודנטים הבינלאומיים בקרב בעלי דוקטורט ב-CS גדל מ-45.8% ב-2010 ל-68.6% ב-2021[17].

התמחות ב-AI. ב-2021, 19.1% מהדוקטורנטים החדשים ב-CS בצפון אמריקה התמחו ב-AI — גידול של 4.2 נקודות אחוז לעומת 2020 ושל 8.6 נקודות אחוז מאז 2012[17].

פרק 6. מדיניות וממשל

הפרק מנתח את הפעילות החקיקתית והרגולטורית בתחום AI ברמה הגלובלית, האמריקאית והאזורית[1].

מגמות גלובליות

מספר הצעות החוק המכילות את המונח "בינה מלאכותית" שהתקבלו כחוק גדל מ-1 ב-2016 ל-37 ב-2022 (ניתוח של 127 מדינות). האזכורים של AI בדיוני פרלמנטים ב-81 מדינות גדלו כמעט פי 6.5 מאז 2016, אם כי ב-2022 נרשמה ירידה קלה לעומת 2021 (מ-1,547 ל-1,340 אזכורים)[1].

ב-2022 המדינות המובילות במספר אזכורי AI בישיבות פרלמנטריות היו: ספרד (273), קנדה (211), בריטניה (146), ארה"ב (138)[1].

רגולציה בארה"ב

ברמה הפדרלית הוצעו ב-2022 88 הצעות חוק הקשורות ל-AI, מתוכן 9 התקבלו (עלייה מ-3 בשנים קודמות). ברמת המדינות מובילות קליפורניה (5 חוקים שהתקבלו) ומרילנד (3)[1].

אסטרטגיות לאומיות

מספר מדינות קיבלו חקיקה חדשה המכסה מגוון רחב של נושאים: הכשרת כוח אדם במיומנויות AI, פיקוח על שימוש ב-AI בגופי אכיפת החוק, הגברת שקיפות קבלת ההחלטות האלגוריתמית[1].

פרק 7. גיוון

נשים ובני מיעוטים עדיין מיוצגים בחסר משמעותי בתחום ה-AI הן בתעשייה והן באקדמיה. נתוני CRA Taulbee Survey ומקורות אחרים מתעדים התקדמות איטית אך עקבית בהגברת הגיוון[1].

פרק 8. דעת הקהל

הפרק החדש של הדוח מנתח את התפיסה הציבורית של AI על בסיס סקרים בינלאומיים וניתוח רשתות חברתיות[1].

סקרים גלובליים (IPSOS)

על פי סקר IPSOS לשנת 2022 (19,504 משיבים ב-28 מדינות)[7]:

  • 60% מהמשיבים סבורים כי מוצרי AI ישנו משמעותית את חייהם ב-3–5 השנים הקרובות;
  • 60% סבורים כי מוצרי AI מקלים את חייהם;
  • 52% מסכימים כי מוצרי AI מועילים יותר מאשר מזיקים;
  • 40% מציינים כי מוצרי AI גורמים להם לחרדה.

הבדלים אזוריים. היחס החיובי ביותר ל-AI מופגן על ידי אזרחי סין (78% מסכימים לתועלת AI), ערב הסעודית (76%) והודו (71%). הפחות חיוביים — צרפת (31%), קנדה (32%), ארה"ב (35%)[7].

הבדלים דמוגרפיים. גברים מעריכים מוצרי AI באופן חיובי יותר מנשים בכל המדדים. משקי בית בעלי הכנסה גבוהה יותר ורמת השכלה גבוהה יותר גם הם אופטימיים יותר[7].

סקר Lloyd's Register Foundation ו-Gallup

סקר גלובלי של 125,911 אנשים ב-121 מדינות (2021) הראה כי 39% סבורים כי AI מועיל לארץ בסך הכל, ו-28% — כי הוא מזיק. גברים נוטים יותר לראות ב-AI דבר מועיל מאשר נשים[20].

רכבים אוטונומיים. רק 27% מהמשיבים ברחבי העולם מרגישים בטוחים ברכב אוטונומי. על פי נתוני Pew Research, רק 26% מהאמריקאים סבורים כי מכוניות נוסעים אוטונומיות הן רעיון טוב לחברה[21].

סקר Pew Research (ארה"ב)

בקרב אמריקאים הנלהבים מ-AI, הסיבות העיקריות הן — הפוטנציאל לשיפור החיים והחברה (31%) וחיסכון בזמן (13%). בקרב המודאגים — אובדן מקומות עבודה (19%), מעקב ופרטיות דיגיטלית (16%), איבוד קשרים אנושיים (12%)[21].

דעת חוקרי NLP

על פי סקר בקרב חוקרי NLP: 77% מסכימים או מסכימים חלקית כי לחברות AI פרטיות יש השפעה מופרזת; 41% סבורים כי NLP צריך להיות מוסדר; 73% סבורים כי AI עלול להביא בקרוב לשינויים חברתיים מהפכניים[1].

ניתוח רשתות חברתיות

NetBase Quid ערכה ניתוח של יותר מ-7 מיליון פוסטים ברשתות חברתיות לשנת 2022. המודלים ChatGPT ו-Stable Diffusion משכו את תשומת הלב הרבה ביותר. הנושאים העיקריים בדיונים — בעיות אתיות, השפעה תרבותית וכלכלית של AI[1].

מתודולוגיה

הדוח משתמש בנתונים ממגוון מקורות[1]:

  • פרסומים ופטנטים: Center for Security and Emerging Technology (CSET), Georgetown University; נתוני Epoch.
  • Benchmark-ים: Papers With Code, CRFM (HELM), BIG-bench, לוחות תוצאות ייעודיים.
  • השקעות: NetBase Quid (Capital IQ, Crunchbase).
  • שוק עבודה: Lightcast, LinkedIn.
  • פעילות ארגונית: McKinsey & Company, Deloitte, NetBase Quid (earnings calls).
  • רובוטיקה: International Federation of Robotics (IFR).
  • רגולציה: בסיסי חקיקה של 127 מדינות, חומרים פרלמנטריים מ-81 מדינות.
  • דעת הקהל: IPSOS, Lloyd's Register Foundation / Gallup, Pew Research Center, NetBase Quid (מדיה חברתית).
  • חינוך: CRA Taulbee Survey, Code.org.
  • השפעה סביבתית: Luccioni et al. (2022), נתוני GPU — Epoch.

צוות הכותבים

הדוח הוכן בהנהלת שני-הדירקטורים ריימונד פרו (Raymond Perrault, SRI International) וג'ק קלארק (Jack Clark, Anthropic / OECD). עורך המחקר הראשי ועורך ראשי היה נסטור מסלי (Nestor Maslej, Stanford University). בהכנת הדוח השתתפו Erik Brynjolfsson, John Etchemendy, Katrina Ligett, Terah Lyons, James Manyika, Helen Ngo, Juan Carlos Niebles, Vanessa Parli, Yoav Shoham (מייסד AI Index), Russell Wald, וכן מגוון רחב של חוקרים וארגונים שותפים. AI Index הוא פרויקט של מכון סטנפורד HAI (Human-Centered Artificial Intelligence)[1].

קישורים

ספרות

הערות

  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 1.36 1.37 Maslej, N. et al. (2023). The AI Index 2023 Annual Report. AI Index Steering Committee, Institute for Human-Centered AI, Stanford University. https://aiindex.stanford.edu/report/
  2. ↑ 2.0 2.1 2.2 Luccioni, A. S. et al. (2022). Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language Model. https://arxiv.org/abs/2211.02001
  3. ↑ 3.0 3.1 Luo, J. et al. (2022). Controlling Commercial Cooling Systems Using Reinforcement Learning. DeepMind Research.
  4. ↑ 4.0 4.1 AIAAIC Repository (2023). https://www.aiaaic.org/
  5. ↑ 5.0 5.1 5.2 5.3 5.4 NetBase Quid (2023). AI Investment Data. https://quid.com/
  6. ↑ 6.0 6.1 McKinsey & Company (2023). The State of AI in 2023. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
  7. ↑ 7.0 7.1 7.2 7.3 IPSOS (2022). Global Views on AI Survey 2022. https://www.ipsos.com/
  8. ↑ 8.0 8.1 Center for Security and Emerging Technology, Georgetown University (2022). AI Publication Data. https://cset.georgetown.edu/
  9. ↑ 9.0 9.1 9.2 Epoch (2022). Trends in Machine Learning Systems. https://epochai.org/
  10. ↑ Hendrycks, D. et al. (2021). Measuring Massive Multitask Language Understanding. https://arxiv.org/abs/2009.03300
  11. ↑ Liang, P. et al. (2022). Holistic Evaluation of Language Models. https://arxiv.org/abs/2211.09110
  12. ↑ Valmeekam, K. et al. (2022). Large Language Models Still Can't Plan. https://arxiv.org/abs/2206.10498
  13. ↑ Radford, A. et al. (2022). Robust Speech Recognition via Large-Scale Weak Supervision. https://arxiv.org/abs/2212.04356
  14. ↑ Degrave, J. et al. (2022). Magnetic Control of Tokamak Plasmas through Deep Reinforcement Learning. Nature. https://doi.org/10.1038/s41586-021-04301-9
  15. ↑ Fawzi, A. et al. (2022). Discovering faster matrix multiplication algorithms with reinforcement learning. Nature. https://doi.org/10.1038/s41586-022-05172-4
  16. ↑ Lightcast (2022). AI Job Posting Data. https://lightcast.io/
  17. ↑ 17.0 17.1 17.2 17.3 CRA Taulbee Survey (2022). Computing Research Association. https://cra.org/resources/taulbee-survey/
  18. ↑ Deloitte (2022). State of AI in the Enterprise Survey. https://www2.deloitte.com/
  19. ↑ 19.0 19.1 International Federation of Robotics (2022). World Robotics Report 2022. https://ifr.org/worldrobotics/
  20. ↑ Lloyd's Register Foundation and Gallup (2022). World Risk Poll: Perceptions of AI. https://wrp.lrfoundation.org.uk/
  21. ↑ 21.0 21.1 Pew Research Center (2022). Public Views on AI. https://www.pewresearch.org/
Retrieved from "https://systems-analysis.info/int/index.php?title=The_2023_AI_Index_Report_(HE)&oldid=8015"