The 2023 AI Index Report (HU)

From Systems analysis Wiki
Jump to navigation Jump to search

AI Index Report 2023 — az AI Index hatodik éves kiadása, amelyet a Stanfordi Ember-Központú Mesterséges Intelligencia Intézet (Stanford HAI) készített[1]. A 2023-as jelentés a megjelenés időpontjában a legátfogóbb kiadás, és több eredeti adatot tartalmaz, mint bármely korábbi: egy új fejezetet a mesterséges intelligenciával kapcsolatos közvéleményről, bővített elemzést a technikai teljesítményről, eredeti kutatást a nagy nyelvi és multimodális modellekről, részletes trendeket a globális MI-szabályozás területén, valamint az MI-rendszerek környezeti hatásait vizsgáló kutatást. A jelentés abban az időszakban jelenik meg, amikor a mesterséges intelligencia belép a „bevezetési korszakba": 2022 folyamán és 2023 elején havonta kerültek kiadásra új, nagy léptékű modellek — ChatGPT, Stable Diffusion, Whisper, DALL-E 2 —, amelyek példátlan képességeket mutatnak szöveggenerálás, képalkotás és beszédfelismerés terén. Az AI Index nyomon követi, rendszerezi és vizualizálja a mesterséges intelligenciára vonatkozó adatokat, és objektív, alaposan ellenőrzött információkat biztosít politikusok, kutatók, vezetők, újságírók és a széles nyilvánosság számára.

A jelentés szerkezete

A 2023-as jelentés nyolc tematikus fejezetből áll[1]:

  1. Kutatás és fejlesztés (Research and Development) — trendek a publikációkban, szabadalmakban, jelentős gépi tanulási modellekben, nagy nyelvi és multimodális modellekben.
  2. Technikai teljesítmény (Technical Performance) — benchmark-ok, számítógépes látás, nyelvi modellek, beszéd, Reinforcement Learning, hardver, környezeti hatás, MI a tudományban.
  3. Az MI technikai etikája (Technical AI Ethics) — elfogultság, toxicitás, méltányosság, adatvédelem, deepfake-ek.
  4. Gazdaság (The Economy) — befektetések, munkaerőpiac, vállalati bevezetés, robotika.
  5. Oktatás (Education) — szakemberképzés, felsőoktatás az informatika és az MI területén.
  6. Politika és irányítás (Policy and Governance) — jogalkotás, szabályozás, nemzeti stratégiák.
  7. Sokszínűség (Diversity) — nemi és etnikai sokszínűség az MI területén.
  8. Közvélemény (Public Opinion) — új fejezet: a lakosság MI-hez való viszonya nemzetközi felmérések és közösségi média elemzések alapján.

A jelentés legfontosabb megállapításai (Top 10 Takeaways)

A jelentés szerzői tíz fő tételt emeltek ki[1]:

1. Az ipar megelőzi az akadémiát

2014 előtt a legtöbb jelentős gépi tanulási modellt akadémiai intézmények adták ki. Azóta a vezető szerep az iparra szállt. 2022-ben az ipar 32 jelentős gépi tanulási modellt hozott létre, míg az akadémia csupán 3-at. A csúcstechnológiai MI-rendszerek létrehozásához egyre nagyobb adattömeg, számítási kapacitás és finanszírozás szükséges, amelyekkel az ipari szervezetek lényegesen nagyobb mértékben rendelkeznek[1].

2. A hagyományos benchmark-ok telítődése

Az MI tovább javítja a benchmark-eredményeket, azonban az éves teljesítménynövekedés egyre marginálisabbá válik. Emellett a benchmark-ok telítődésének üteme is gyorsul. Mindazonáltal új, komplexebb értékelési rendszerek jelennek meg — BIG-bench és HELM[1].

3. Az MI egyszerre segíti és károsítja a környezetet

Új kutatások azt mutatják, hogy az MI-rendszerek komoly környezeti hatást fejtenek ki. Luccioni és munkatársai (2022) adatai szerint a BLOOM betanítása 25-ször több szén-dioxidot bocsátott ki, mint egyetlen légi utas New Yorkból San Franciscóba tett repülőútja. Ugyanakkor olyan Reinforcement Learning modellek, mint a BCOOLER (DeepMind), azt mutatják, hogy az MI felhasználható az energiafogyasztás optimalizálására[2][3].

4. A legjobb új tudós az MI?

Az MI-modellek egyre gyorsabban kezdik felgyorsítani a tudományos fejlődést. 2022-ben az MI-t felhasználták a hidrogén-fúzió vezérlésének támogatására, a mátrixszorzási algoritmusok optimalizálására (AlphaTensor) és új antitestek generálására[1].

5. Az etikátlan MI-használattal kapcsolatos incidensek száma rohamosan növekszik

Az AIAAIC adatbázis szerint az MI etikai visszaéléseivel kapcsolatos incidensek és vitatott esetek száma 26-szorosára nőtt 2012 óta. A 2022-es évjegyzetesebb esetek közé tartozik a Volodimir Zelenszkij ukrán elnök „megadását" ábrázoló deepfake-videó és az amerikai börtönökben alkalmazott hívásfelügyeleti technológia[4].

6. Az MI-készségekkel rendelkező szakemberek iránti kereslet szinte minden ágazatban növekszik

Az Egyesült Államok szinte minden gazdasági ágazatában (a mezőgazdaság, az erdészet, a halászat és a vadászat kivételével) az MI-vel kapcsolatos állásajánlatok aránya átlagosan 1,7%-ról (2021) 1,9%-ra (2022) emelkedett[1].

7. Az MI-be irányuló magánbefektetések egy évtized után először csökkentek

A globális magánbefektetések az MI területén 91,9 milliárd dollárt tettek ki 2022-ben, ami 26,7%-kal alacsonyabb a 2021-es szintnél. A befektetési események száma és az első finanszírozásban részesülő MI-vállalatok száma szintén csökkent. Mindazonáltal a befektetések volumene 18-szorosára nőtt a 2013-as szinthez képest[5].

8. Az MI-t bevezető vállalatok aránya stabilizálódott, de a vezető szervezetek tovább távolodnak

Az MI-t használó vállalatok aránya több mint megduplázódott 2017 óta, de az elmúlt években 50–60% körül stabilizálódott a McKinsey éves felmérése szerint. A mesterséges intelligenciát bevezető szervezetek tényleges költségcsökkentésről és árbevétel-növekedésről számolnak be[6].

9. A politikusok érdeklődése az MI iránt fokozódik

127 ország jogalkotási dokumentumainak elemzése azt mutatja, hogy a „mesterséges intelligencia" kifejezést tartalmazó és törvénnyé emelt törvényjavaslatok száma 1-ről (2016) 37-re (2022) nőtt. Az MI-re való parlamenti hivatkozások száma 81 országban közel 6,5-szeresére nőtt 2016 óta[1].

10. A kínai állampolgárok a legpozitívabbak az MI-vel szemben; az amerikaiak lényegesen kevésbé

Az IPSOS 2022-es felmérése szerint a kínai válaszadók 78%-a értett egyet azzal, hogy az MI-alapú termékek és szolgáltatások több hasznot hoznak, mint kárt. Őket Szaúd-Arábia (76%) és India (71%) követi. Az amerikai válaszadóknak csupán 35%-a osztja ezt a véleményt — ez az egyik legalacsonyabb arány a megkérdezett 28 ország közül[7].

1. fejezet. Kutatás és fejlesztés

A fejezet a publikációk, szabadalmak, jelentős gépi tanulási modellek, nagy nyelvi és multimodális modellek, konferenciák és nyílt forráskódú anyagok terén fennálló trendeket elemzi[1].

Publikációk

Az MI-vel kapcsolatos publikációk száma tovább növekszik: 2010 óta több mint megduplázódott. A domináns kutatási területek a mintafelismerés (pattern recognition), a Machine Learning és a számítógépes látás[8].

Regionális vezető szerep. Kína továbbra is vezet az MI-publikációk összesített számában folyóiratokban, konferenciákon és repozitóriumokban. Az USA azonban még mindig megelőzi a konferenciás és repozitóriumi publikációk idézettségében, bár ez az előny fokozatosan szűkül[8].

Nemzetközi együttműködés. A 2010–2021 közötti MI-publikációkban a legtöbb országközi együttműködés az USA–Kína párhoz kapcsolódik: számuk körülbelül négyszeresére nőtt 2010 óta, és 2,5-szöröse a következő legközelebbi párnak (Nagy-Britannia–Kína). Az USA–Kína közös munkák számának növekedése azonban lelassult: 2020–2021-ben a bővülés mindössze 2,1% volt — a megfigyelési időszak minimuma[1].

Repozitóriumok. Az MI-repozitóriumokban (arXiv, SSRN stb.) megjelent publikációk száma közel 27-szeresére nőtt az elmúlt 12 évben. Észak-Amerika 2016 óta megőrzi vezető pozícióját a repozitóriumi publikációk arányában[1].

Jelentős gépi tanulási modellek

Az ipar dominanciája. 2022-ben 32 jelentős modellt hozott létre az ipar, szemben az akadémia mindössze 3 modelljével. Ez megerősíti a 2014 óta megfigyelhető tendenciát[9].

Méret és költség. A nagy nyelvi modellek egyre nagyobbak és drágábbak lesznek. A GPT-2, amelyet 2019-ben adtak ki és az egyik első nagy nyelvi modellnek számít, 1,5 milliárd paramétert tartalmazott; betanítása körülbelül 50 000 dollárba került. A PaLM (Google, 2022) 540 milliárd paramétert tartalmazott, és körülbelül 8 millió dollárba került — a modell 360-szor nagyobb a GPT-2-nél, és 160-szor drágább[1].

Számítási erőforrások. 2010 óta a nyelvi modellek igénylik a legtöbb számítási kapacitást az összes gépi tanulási rendszer közül. Az Epoch adatai az exponenciális növekedést rögzítik a betanítás során felhasznált számítási kapacitásban (FLOP)[9].

Nagy nyelvi és multimodális modellek

Nemzeti hovatartozás. A nagy nyelvi és multimodális modellek szerzőinek többsége amerikai intézményekből származik (54,2% 2022-ben). 2022-ben először járultak hozzá kanadai, német és indiai kutatók is ilyen modellek fejlesztéséhez[1].

2022 legfontosabb modelljei:

Modell Fejlesztő Dátum Jelentőség
DALL-E 2 OpenAI 2022. április Szöveges leírásból képet generáló rendszer; a „generatív MI-boom" elindítója
PaLM (540B) Google 2022. április A 2022-es év egyik legnagyobb nyelvi modellje; 540 milliárd paraméter
Gato DeepMind 2022. május Többfeladatos ágens: robotmanipuláció, játékok, képleírás, szöveggenerálás
Imagen Google 2022. május Diffúziós modell magas fotorealizmusú képgeneráláshoz; DrawBench benchmark
Stable Diffusion Stability AI 2022. augusztus Nyílt képgeneráló modell; tömeges elterjedés
Make-A-Video Meta AI 2022. szeptember Szöveges leírásból videót generáló rendszer
Whisper OpenAI 2022. szeptember Univerzális, többnyelvű beszédfelismerő rendszer
ChatGPT OpenAI 2022. november LLM-alapú chatbot; a generatív MI példátlan népszerűségnövekedése
GLM-130B Tsinghua Egyetem 2022 Kétnyelvű (angol/kínai) nyílt modell; az egyetlen kínai nagy modell 2022-ben

2. fejezet. Technikai teljesítmény

A fejezet elemzi a számítógépes látás, a nyelvfeldolgozás, a beszéd, a Reinforcement Learning, a hardver terén elért fejlődést, valamint az MI környezeti hatását és az MI szerepét a tudományban[1].

A benchmark-ok állapota

Az MI továbbra is a legtöbb benchmark-on a világrekord szintjén vagy afölött teljesít, azonban a fejlődés egyre marginálisabbá válik. A benchmark-ok telítődésének üteme növekszik. Az új, átfogó értékelési rendszerek — BIG-bench és HELM — célja az objektívebb és átfogóbb értékelés biztosítása[1].

Generatív MI

2022 a generatív MI tömeges tudatba kerülésének éve volt. Megjelentek szövegből képet generáló modellek (DALL-E 2, Stable Diffusion), videógeneráló rendszerek (Make-A-Video) és chatbotok (ChatGPT). Mindazonáltal ezek a rendszerek hajlamosak az úgynevezett „hallucinációkra" — vagyis helytelen vagy értelmetlen válaszok magabiztos generálására —, ami korlátozza felhasználásukat kritikus alkalmazásokban[1].

Nyelvi modellek

MMLU. A Massive Multitask Language Understanding benchmark 57 szakterületen értékeli a modelleket. 2022-ben a legjobb modellek tovább javítottak eredményeiken, de az emberi szakértő szintjéhez képest még mindig lényeges rés maradt[10].

HELM. A Stanfordi Holistic Evaluation of Language Models (HELM) benchmark átfogó értékelést nyújt a nyelvi modellekről tíz forgatókönyv alapján, beleértve szövegértést, matematikát, jogi érvelést, valamint az elfogultság és a toxicitás mérését[11].

Tervezés és következtetés. A nyelvi modellek tovább fejlesztik generatív képességeiket, de komoly nehézségekkel küzdenek a tervezési feladatoknál. Valmeekam és munkatársai (2022) kutatása azt mutatta, hogy a GPT-3, az Instruct-GPT3 és a BLOOM rendkívül gyengén teljesít tervgenerálási, optimális tervezési és tervújrafelhasználási feladatokban a Blocksworld környezetben[12].

Beszédfelismerés

Whisper (OpenAI). 2022-ben az OpenAI bemutatta a Whispért — egy nagy léptékű, 680 000 órányi többnyelvű adaton betanított beszédfelismerő rendszert. A Whisper jelentős előrelépést mutatott a felismerési pontosságban, néhány benchmark-on megközelíti az emberi szintet, és több tucatnyi nyelv fordítását is támogatja[13].

Az MI jobbítja az MI-t

Kirajzolódott az MI-rendszerek önfejlesztésének tendenciája. Az NVIDIA Reinforcement Learning ágenst alkalmazott az MI-rendszereket tápláló chipek architektúrájának javítására. A Google a PaLM nyelvi modelljét használta fel arra, hogy módszereket keressen magának a PaLM modellnek a fejlesztésére[1].

Hardver

GPU-trendek. Az új GPU-k medián számítási teljesítménye (FLOP/s) közel megháromszorozódott 2021 óta, és körülbelül 7 000-szeresére nőtt 2003 óta. A medián teljesítmény USA-dollárra vetítve (FLOP/s per USD) 2022-ben 1,4-szerese volt a 2021-es értéknek, és 5 600-szorosa a 2003-as értéknek, a teljesítmény megduplázódása minden 1,5 évben megfigyelhető[9].

MLPerf. Az MLPerf benchmark folyamatosan rögzíti a modellek betanítási idejének csökkenését a szabványos feladatokon, tükrözve a hardver és az optimalizálás területén elért fejlődést[1].

Környezeti hatás

Ez a rész először szerepel a jelentésben. Az MI-modellek szénlábnyoma jelentősen eltér az infrastruktúrától függően:

Modell Paraméterek CO₂-kibocsátás (tonna) Adatközpont PUE
GPT-3 175 milliárd 502 1,10
Gopher 280 milliárd 352 1,08
OPT 175 milliárd 70 1,09
BLOOM 176 milliárd 25 1,20

A GPT-3 20-szor több szén-dioxidot bocsátott ki, mint a BLOOM, összehasonlítható paraméterszám mellett. A legfontosabb tényezők az energiahálózat szén-intenzitása, az adatközpont hatékonysága (PUE) és a betanítás időtartama[2].

Összehasonlításképpen: a BLOOM betanítása 25-ször több CO₂-t bocsátott ki, mint egyetlen légi utas New Yorkból San Franciscóba tett repülőútja, és 1,4-szer annyit, mint egy átlagos amerikai éves kibocsátása. A felhasznált energia elegendő lett volna egy átlagos amerikai háztartás 41 évre szóló villamosenergia-ellátásához[2].

Energiafogyasztás-optimalizálás. A BCOOLER rendszer (DeepMind) — egy Reinforcement Learning ágens a Google adatközpontjainak hűtési rendszerének optimalizálásához — a kísérlet három hónapja alatt körülbelül 12,7%-os energiamegtakarítást biztosított, miközben fenntartotta a megfelelő üzemi feltételeket[3].

MI a tudományban (2022)

Plazmavezérlés tokamakban. A DeepMind Reinforcement Learning algoritmust fejlesztett a tokamakban lévő plazma optimális vezérlésére — ez kulcsfontosságú eredmény a termonukleáris fúzió felé vezető úton[14].

AlphaTensor. A DeepMind Reinforcement Learninget alkalmazott olyan mátrixszorzási algoritmusok felfedezéséhez, amelyek felülmúlják a meglévő megoldásokat — köztük a klasszikus Strassen-algoritmust 4×4-es mátrixoknál[15].

AlphaCode. A DeepMind számítógépes programokat versenyképes szinten megíró rendszere a programozási versenyeken a résztvevők felső 54%-ába sorolt eredményt ért el[1].

Antitest-generálás. A generatív MI-t felhasználták antitestek de novo tervezésére, új lehetőségeket nyitva a biofarmaceutika számára[1].

3. fejezet. Az MI technikai etikája

A fejezet az MI-etika kulcsdimenzióival foglalkozik: elfogultság, toxicitás, méltányosság és incidensek[1].

Méltányossági és elfogultsági mutatók

2022-ben folyamatosan nőtt az MI-rendszerek méltányosságának és elfogultságának értékelésére szolgáló mutatók és benchmark-ok száma. A mutatók bővülnek és pontosodnak: a kutatók konkrét feladatokhoz (kérdések megválaszolása, természetes nyelvi következtetés) igazítják azokat, és nyelvi modelleket használnak a kiterjesztett tesztadatok generálásához. 2022-ben új benchmark-ok kerültek bemutatásra, mint például a BBQ (Bias Benchmark for Question Answering), valamint további értékelések a nagyobb léptékű BIG-bench projekt keretében[1].

Két metrikatípust különböztetnek meg: benchmark-ok (rögzített, annotált adathalmazok, amelyek a modell belső elfogultságát értékelik — StereoSet, Winogender) és diagnosztikai mutatók (amelyek a modell teljesítményének különböző demográfiai csoportok közötti eltéréseit mérik valós alkalmazásban). Mindkét megközelítés kiegészíti egymást[1].

A méret hatása az elfogultságra

A 2022-es kutatások azt mutatták, hogy a modellek méretének növelése az elfogultságra és a toxicitásra gyakorolt hatása kétértelmű, és a betanítási adatoktól, illetve az alkalmazott elfogultságcsökkentési módszerektől függ[1].

MI-incidensek

Az AIAAIC adatbázis szerint az MI etikai visszaéléseivel kapcsolatos incidensek és vitatott esetek száma 26-szorosára nőtt 2012 óta. A növekedést az MI alkalmazásának szélesedése és a kockázatokkal kapcsolatos tudatosság növekedése egyaránt magyarázza[4].

4. fejezet. Gazdaság

A fejezet a foglalkoztatás, a befektetések, az MI vállalati bevezetése és a robotika terén fennálló trendeket vizsgálja[1].

Munkaerőpiac

Az MI-vel kapcsolatos állásajánlatok aránya az USA-ban átlagosan 1,7%-ról (2021) 1,9%-ra (2022) nőtt szinte minden ágazatban. A kereslet növekedése megfigyelhető a technológia, a pénzügy, a gyártás, az egészségügy és más szektorokban[16].

Iparba vándorlás. Egyre nagyobb arányban választanak ipari munkát az MI területén szerzett új doktori fokozatosok: 2021-ben 65,4%-uk az iparba ment (szemben a 2011-es 40,9%-kal), és csupán 28,2%-uk az akadémiára (szemben a 2011-es 41,6%-kal). Az állami szektorban dolgozó PhD-k aránya stabilan alacsony marad — 0,7%[17].

Befektetések

Általános trendek. A globális magánbefektetések az MI-be 91,9 milliárd dollárt tettek ki — 26,7%-os csökkentést jelent a 2021-es szinthez képest. A befektetési események száma 3 538-ra csökkent (12%-os visszaesés 2021-hez képest). Az első finanszírozásban részesülő MI-vállalatok száma 1 392-re csökkent (a 2021-es 1 669-ről). Az összes befektetés volumene mindazonáltal 18-szorosa a 2013-as szintnek[5].

Regionális megoszlás. Az USA vezet 47,4 milliárd dolláros befektetéssel — 3,5-szöröse Kína (13,4 milliárd) és 11-szerese Nagy-Britannia (4,4 milliárd) befektetéseinek. Az USA-ban a befektetések 35,5%-kal, Kínában 41,3%-kal csökkentek. A 2013–2022-es időszakban összesen az USA-ban 248,9 milliárd, Kínában 95,1 milliárd, Nagy-Britanniában 18,2 milliárd dollár áramlott be[5].

Fókuszterületek. A befektetők számára a legvonzóbb területek: orvostudomány és egészségügy (6,1 milliárd dollár), adatkezelés, feldolgozás és felhőtechnológiák (5,9 milliárd), fintech (5,5 milliárd), kiberbiztonság (5,4 milliárd) és kiskereskedelem (4,2 milliárd). A legtöbb fókuszterületen a befektetések csökkentek a 2021-es szinthez képest[5].

A 2022-es év legnagyobb befektetési eseményei:

  • GAC Aion New Energy Automobile (Kína, elektromos járművek) — 2,54 milliárd dollár;
  • Anduril Industries (USA, védelmi technológiák) — 1,5 milliárd;
  • Celonis (Németország, üzleti elemzés) — 1,22 milliárd[5].

Vállalati bevezetés

A McKinsey adatai szerint az MI-t alkalmazó vállalatok aránya több mint megduplázódott 2017 óta, és 50–60% körül stabilizálódott. Az MI-t bevezető szervezetek tényleges költségcsökkentésről és árbevétel-növekedésről számolnak be[6].

Earnings calls. A 2022-es pénzügyi évben 268 Fortune 500-as vállalat említett MI-t az eredményjelentésekben (csökkentés a 2021-es 306-ról, de növekedés a 2018-as 225-höz képest)[1].

Kihívások. Az MI-projektek elindításának fő problémái: az üzleti érték bizonyítása (37%), a vezetői elkötelezettség hiánya (34%), a megfelelő MI-technológia kiválasztása (33%). A skálázás fő akadályai: az MI-kockázatok kezelése (50%), betanítási adatok megszerzése (44%), a technológia bevezetése (42%)[18].

Robotika

2021-ben 517 000 ipari robot került telepítésre — ez 31,3%-os növekedés 2020-hoz képest, és több mint háromszoros növekedés 2011 óta. Az ipari robotok üzemelő állománya elérte a 3 477 000 egységet (14,6%-os növekedés)[19].

Kína dominanciája. 2021-ben Kína 268 200 ipari robotot telepített — 5,7-szer többet, mint Japán (47 200), és 7,7-szer többet, mint az USA (35 000). 2013 óta, amikor Kína megelőzte Japánt, részesedése 20,8%-ról 51,8%-ra nőtt a globális telepítésekben. 2021-ben Kína először telepített több ipari robotot, mint a világ többi része együttvéve[19].

5. fejezet. Oktatás

A fejezet az informatika és az MI területén fennálló oktatási trendeket vizsgálja[1].

Felsőoktatás

Alapképzés. Az informatikai (CS) alapszakos végzősök száma Észak-Amerikában tovább növekszik[17].

Doktori képzés. 2021-ben 1 893 informatikai doktori fokozatot adtak ki — kevesebbet, mint 2020-ban (1 997). A CS-doktori hallgatók körében a nemzetközi hallgatók aránya 2010-es 45,8%-ról 2021-re 68,6%-ra nőtt[17].

MI-specializáció. 2021-ben az észak-amerikai CS-doktori hallgatók 19,1%-a specializálódott MI-re — ez 4,2 százalékponttal több, mint 2020-ban, és 8,6 százalékponttal több, mint 2012-ben[17].

6. fejezet. Politika és irányítás

A fejezet az MI területén folytatott jogalkotási és szabályozási aktivitást elemzi globális, amerikai és regionális szinten[1].

Globális tendenciák

A „mesterséges intelligencia" kifejezést tartalmazó és törvénnyé emelt törvényjavaslatok száma 1-ről (2016) 37-re (2022) nőtt (127 ország elemzése alapján). Az MI-re való hivatkozások száma 81 ország parlamenti vitáiban közel 6,5-szeresére nőtt 2016 óta, bár 2022-ben kis csökkenés volt megfigyelhető 2021-hez képest (1 547-ről 1 340 hivatkozásra)[1].

2022-ben a parlamenti üléseken az MI-t legtöbbet emlegető országok: Spanyolország (273), Kanada (211), Nagy-Britannia (146), USA (138)[1].

Szabályozás az USA-ban

Szövetségi szinten 2022-ben 88 MI-vel kapcsolatos törvényjavaslatot terjesztettek elő, amelyből 9-et fogadtak el (emelkedés a korábbi évek 3-ashoz képest). Tagállami szinten Kalifornia (5 elfogadott törvény) és Maryland (3) vezet[1].

Nemzeti stratégiák

Számos ország fogadott el új jogszabályokat, amelyek széles kérdéskört ölelnek fel: az MI-készségek személyzeti képzése, az MI bűnüldözési felhasználásának felügyelete, az algoritmikus döntéshozatal átláthatóságának növelése[1].

7. fejezet. Sokszínűség

A nők és a kisebbségek képviselői továbbra is jelentősen alulreprezentáltak az MI területén, mind az iparban, mind az akadémiai szférában. A CRA Taulbee Survey és más források adatai lassú, de folyamatos előrelépést rögzítenek a sokszínűség növelésében[1].

8. fejezet. Közvélemény

A jelentés új fejezete a mesterséges intelligencia társadalmi megítélését elemzi nemzetközi felmérések és közösségi média elemzések alapján[1].

Globális felmérések (IPSOS)

Az IPSOS 2022-es felmérésének adatai szerint (19 504 válaszadó 28 országban)[7]:

  • A válaszadók 60%-a úgy véli, hogy az MI-termékek jelentősen megváltoztatják az életét a következő 3–5 évben;
  • 60%-uk úgy gondolja, hogy az MI-termékek könnyebbé teszik az életüket;
  • 52%-uk egyetért azzal, hogy az MI-termékek több hasznot hoznak, mint kárt;
  • 40%-uk megjegyzi, hogy az MI-termékek idegesítik őket.

Regionális különbségek. A mesterséges intelligenciához a legpozitívabban Kína (78% ért egyet az MI hasznosságával), Szaúd-Arábia (76%) és India (71%) polgárai viszonyulnak. A legkevésbé pozitívan Franciaország (31%), Kanada (32%) és az USA (35%) polgárai[7].

Demográfiai különbségek. A férfiak minden dimenzióban pozitívabban értékelik az MI-termékeket, mint a nők. A magasabb jövedelmű és magasabb iskolázottságú háztartások szintén optimistábbak[7].

A Lloyd's Register Foundation és a Gallup felmérése

121 ország 125 911 főjén végzett globális felmérés (2021) szerint a válaszadók 39%-a gondolja, hogy az MI összességében hasznos az ország számára, 28%-uk szerint káros. A férfiak jobban hajlanak arra, hogy az MI-t hasznosnak tekintsék, mint a nők[20].

Önvezető járművek. A világ válaszadóinak csupán 27%-a érzi magát biztonságban egy önvezető autóban. A Pew Research adatai szerint az amerikaiaknak csupán 26%-a tartja a személyszállító önvezető autókat jó ötletnek a társadalom számára[21].

Pew Research felmérés (USA)

Az MI-től lelkesedő amerikaiak körében a legfőbb okok: az élet és a társadalom javításában rejlő potenciál (31%) és az időmegtakarítás (13%). A aggódók körében: munkahely-elvesztés (19%), megfigyelés és digitális adatvédelem (16%), az emberi kapcsolatok elvesztése (12%)[21].

NLP-kutatók véleménye

Az NLP-kutatók körében végzett felmérés szerint: 77% egyetért vagy részben egyetért azzal, hogy a magán MI-vállalatok túlzott befolyással rendelkeznek; 41% úgy véli, hogy az NLP-t szabályozni kellene; 73% úgy gondolja, hogy az MI hamarosan forradalmi társadalmi változásokhoz vezet[1].

Közösségi média elemzés

A NetBase Quid 2022-ben több mint 7 millió közösségi média bejegyzést elemzett. A ChatGPT és a Stable Diffusion modellek kapták a legnagyobb figyelmet. A viták fő témái az etikai problémák, az MI kulturális és gazdasági hatása[1].

Módszertan

A jelentés számos forrásból származó adatokat használ[1]:

  • Publikációk és szabadalmak: Center for Security and Emerging Technology (CSET), Georgetown University; Epoch adatok.
  • Benchmark-ok: Papers With Code, CRFM (HELM), BIG-bench, speciális ranglécek.
  • Befektetések: NetBase Quid (Capital IQ, Crunchbase).
  • Munkaerőpiac: Lightcast, LinkedIn.
  • Vállalati aktivitás: McKinsey & Company, Deloitte, NetBase Quid (earnings calls).
  • Robotika: International Federation of Robotics (IFR).
  • Szabályozás: 127 ország jogalkotási adatbázisai, 81 ország parlamenti anyagai.
  • Közvélemény: IPSOS, Lloyd's Register Foundation / Gallup, Pew Research Center, NetBase Quid (közösségi média).
  • Oktatás: CRA Taulbee Survey, Code.org.
  • Környezeti hatás: Luccioni és munkatársai (2022), GPU-adatok — Epoch.

Szerzői kollektíva

A jelentést Raymond Perrault (SRI International) és Jack Clark (Anthropic / OECD) társigazgatók irányításával készítették. A kutatás vezetője és főszerkesztője Nestor Maslej (Stanford University) volt. A jelentés elkészítésében részt vett Erik Brynjolfsson, John Etchemendy, Katrina Ligett, Terah Lyons, James Manyika, Helen Ngo, Juan Carlos Niebles, Vanessa Parli, Yoav Shoham (az AI Index alapítója), Russell Wald, valamint kutatók és partnerszervezetek széles köre. Az AI Index a Stanfordi HAI (Human-Centered Artificial Intelligence) Intézet projektje[1].

Hivatkozások

Irodalom

Megjegyzések

  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_(HU)&oldid=8017"