The 2023 AI Index Report (KO)

AI Index Report 2023 — 스탠퍼드 인간 중심 인공지능 연구소(Stanford HAI)가 준비한 AI Index 보고서의 여섯 번째 연례 발간물입니다. 2023년 보고서는 발행 시점 기준 역대 가장 방대한 규모로, 이전 어떤 판보다 많은 독창적 데이터를 포함하고 있습니다. 여기에는 AI에 대한 여론을 다루는 새로운 챕터, 확장된 기술 성능 분석, 대형 언어 모델 및 멀티모달 모델에 대한 독자적 연구, 글로벌 AI 입법의 세부 트렌드, AI 시스템의 환경적 영향에 대한 조사가 포함됩니다. 이 보고서는 AI가 '배포의 시대'에 진입한 시점에 발간됩니다. 2022년과 2023년 초에 걸쳐 ChatGPT, Stable Diffusion, Whisper, DALL-E 2 등 새로운 대규모 모델이 매달 출시되어 텍스트 생성, 이미지 생성, 음성 인식 분야에서 전례 없는 능력을 선보였습니다. AI Index는 인공지능 관련 데이터를 추적·체계화·시각화하여 정책 입안자, 연구자, 경영진, 언론인 및 일반 대중에게 객관적이고 철저히 검증된 정보를 제공합니다.

보고서 구성

2023년 보고서는 여덟 개의 주제별 챕터로 구성됩니다:

1. 연구 및 개발 (Research and Development) — 논문, 특허, 주요 Machine Learning 모델, 대형 언어 모델 및 멀티모달 모델의 트렌드.
2. 기술 성능 (Technical Performance) — benchmark, 컴퓨터 비전, 언어 모델, 음성, Reinforcement Learning, 하드웨어, 환경적 영향, 과학 분야의 AI.
3. AI 기술 윤리 (Technical AI Ethics) — 편향성, 독성, 공정성, 개인정보 보호, 딥페이크.
4. 경제 (The Economy) — 투자, 노동 시장, 기업 도입, 로봇공학.
5. 교육 (Education) — 인력 양성, 컴퓨터과학 및 AI 분야의 고등 교육.
6. 정책 및 거버넌스 (Policy and Governance) — 입법, 규제, 국가 전략.
7. 다양성 (Diversity) — AI 분야의 성별 및 민족적 다양성.
8. 여론 (Public Opinion) — 새로운 챕터: 국제 설문조사 및 소셜 미디어 분석을 기반으로 한 AI에 대한 대중의 인식.

보고서의 핵심 결론 (Top 10 Takeaways)

보고서 저자들은 열 가지 주요 논지를 도출했습니다:

1. 산업계가 학계를 앞지르다

2014년 이전에는 대부분의 주요 Machine Learning 모델이 학술 기관에서 출시되었습니다. 그 이후 리더십은 산업계로 넘어갔습니다. 2022년 산업계는 32개의 주요 Machine Learning 모델을 만든 반면, 학계는 단 3개에 그쳤습니다. 첨단 AI 시스템 개발은 점점 더 방대한 데이터, 컴퓨팅 자원 및 자금을 요구하고 있으며, 산업계 조직은 이를 훨씬 풍부하게 보유하고 있습니다.

2. 기존 benchmark의 포화

AI는 계속해서 benchmark에서 새로운 기록을 세우고 있지만, 연간 성능 향상폭은 점점 미미해지고 있습니다. 동시에 benchmark 포화 속도는 빨라지고 있습니다. 그럼에도 불구하고 BIG-bench와 HELM 같은 더 복잡한 새로운 평가 시스템이 등장하고 있습니다.

3. AI는 환경에 도움도 되고 해도 된다

새로운 연구들은 AI 시스템이 심각한 환경적 영향을 미친다는 것을 보여줍니다. Luccioni et al.(2022)의 데이터에 따르면 BLOOM 학습 시 뉴욕에서 샌프란시스코까지 비행하는 항공 승객 한 명의 탄소 배출량보다 25배 더 많은 이산화탄소를 배출했습니다. 반면 BCOOLER(DeepMind)와 같은 Reinforcement Learning 모델은 AI를 에너지 소비 최적화에 활용할 가능성을 보여줍니다.

4. 최고의 신진 과학자는 AI?

AI 모델이 과학적 진보를 급격히 가속화하기 시작하고 있습니다. 2022년 AI는 수소 핵융합 제어 지원, 행렬 곱셈 알고리즘 최적화(AlphaTensor), 새로운 항체 생성에 활용되었습니다.

5. 비윤리적 AI 사용 관련 사건이 급증하다

AIAAIC 데이터베이스에 따르면 AI의 윤리적 남용과 관련된 사건 및 논란의 수가 2012년 이후 26배 증가했습니다. 2022년의 주목할 만한 사건으로는 우크라이나 대통령 볼로디미르 젤렌스키의 '항복'을 담은 딥페이크 영상과 미국 교도소에서의 통화 모니터링 기술 사용이 있습니다.

6. AI 역량을 갖춘 전문가에 대한 수요가 거의 모든 산업에서 증가하다

미국 경제의 거의 모든 산업(농업, 임업, 어업 및 수렵 제외)에서 AI 관련 채용 공고의 비율이 2021년 평균 1.7%에서 2022년 1.9%로 증가했습니다.

7. 10년 만에 처음으로 AI에 대한 민간 투자가 감소하다

AI에 대한 글로벌 민간 투자는 2022년 919억 달러로, 2021년 대비 26.7% 감소했습니다. 투자 건수와 처음으로 자금을 조달받은 AI 기업 수도 감소했습니다. 그럼에도 불구하고 10년 동안 투자 규모는 2013년 대비 18배 증가했습니다.

8. AI를 도입하는 기업의 비율은 안정화되었지만 선두 기업은 계속 격차를 벌리다

AI를 활용하는 기업의 비율은 2017년 이후 두 배 이상 증가했지만, 최근 몇 년간 McKinsey 연례 설문조사 기준으로 50~60% 수준에서 안정화되었습니다. AI를 도입한 조직들은 실질적인 비용 절감과 매출 증가를 보고하고 있습니다.

9. 정책 입안자들의 AI에 대한 관심이 커지다

127개국의 입법 문서 분석에 따르면, '인공지능'이라는 용어를 포함하고 법률로 채택된 법안의 수가 2016년 1건에서 2022년 37건으로 증가했습니다. 81개국 의회 토론에서 AI 언급 횟수는 2016년 이후 거의 6.5배 증가했습니다.

10. 중국 시민은 AI에 가장 긍정적이고, 미국인은 훨씬 덜 긍정적이다

IPSOS의 2022년 설문조사에 따르면 중국 응답자의 78%가 AI 기반 제품과 서비스가 해보다 이익이 더 많다는 의견에 동의했습니다. 그 뒤를 사우디아라비아(76%)와 인도(71%)가 이었습니다. 미국 응답자 중 이 의견에 동의하는 비율은 35%에 불과해 설문 대상 28개국 중 가장 낮은 수치 중 하나입니다.

챕터 1. 연구 및 개발

이 챕터는 논문, 특허, 주요 Machine Learning 모델, 대형 언어 모델 및 멀티모달 모델, 학술대회 및 오픈 소스의 트렌드를 분석합니다.

논문

AI 관련 논문의 총 수는 계속 증가하고 있으며, 2010년 이후 두 배 이상 증가했습니다. 지배적인 연구 분야는 패턴 인식(pattern recognition), Machine Learning, 컴퓨터 비전입니다.

지역별 리더십. 중국은 저널, 학술대회, 저장소에서 AI 논문 총수 기준으로 계속 선두를 달리고 있습니다. 그러나 미국은 학술대회 및 저장소 논문의 피인용 수에서 여전히 앞서 있으며, 이 격차는 서서히 좁혀지고 있습니다.

국제 협력. 2010~2021년 AI 논문에서 국가 간 공동 연구가 가장 많은 쌍은 미국-중국으로, 그 수는 2010년 이후 약 4배 증가했으며 그 다음으로 많은 쌍(영국-중국)의 2.5배에 달합니다. 그러나 미중 공동 연구의 성장세는 둔화되어 2020~2021년 증가율은 2.1%에 불과해 관측 기간 중 최소 수준이었습니다.

저장소. AI 저장소(arXiv, SSRN 등)의 논문 수는 지난 12년간 약 27배 증가했습니다. 북미는 2016년부터 저장소 논문 비율에서 선두를 유지하고 있습니다.

주요 Machine Learning 모델

산업계 지배. 2022년에는 산업계가 32개의 주요 모델을 만든 반면 학계는 단 3개에 그쳐, 2014년부터 이어진 추세를 확인해 줍니다.

규모와 비용. 대형 언어 모델은 점점 더 대규모화되고 비용이 증가하고 있습니다. 2019년 출시된 GPT-2는 초기 대형 언어 모델 중 하나로 15억 개의 파라미터를 보유했으며 학습 비용은 약 5만 달러였습니다. Google의 PaLM(2022)은 5,400억 개의 파라미터를 보유하고 약 800만 달러의 비용이 들었는데, 이는 GPT-2보다 360배 크고 160배 비싼 모델입니다.

컴퓨팅 자원. 2010년부터 언어 모델은 모든 Machine Learning 시스템 중 가장 많은 컴퓨팅 자원을 필요로 합니다. Epoch의 데이터는 학습에 사용되는 연산량(FLOP)의 지수적 증가를 기록하고 있습니다.

대형 언어 모델 및 멀티모달 모델

국적. 대형 언어 모델 및 멀티모달 모델 저자의 대부분은 미국 기관 소속입니다(2022년 54.2%). 2022년에는 처음으로 캐나다, 독일, 인도의 연구자들이 이러한 모델 개발에 기여했습니다.

2022년 주요 모델:

모델	개발사	날짜	의의
DALL-E 2	OpenAI	2022년 4월	텍스트 설명으로 이미지를 생성하는 시스템; '생성형 AI 붐'의 시작
PaLM (540B)	Google	2022년 4월	2022년 가장 큰 언어 모델 중 하나; 5,400억 개의 파라미터
Gato	DeepMind	2022년 5월	멀티태스크 에이전트: 로봇 조작, 게임, 이미지 설명, 텍스트 생성
Imagen	Google	2022년 5월	높은 사실감의 이미지 생성을 위한 diffusion 모델; DrawBench benchmark
Stable Diffusion	Stability AI	2022년 8월	오픈 이미지 생성 모델; 광범위한 보급
Make-A-Video	Meta AI	2022년 9월	텍스트 설명으로 영상을 생성하는 시스템
Whisper	OpenAI	2022년 9월	다국어 지원 범용 음성 인식 시스템
ChatGPT	OpenAI	2022년 11월	LLM 기반 챗봇; 생성형 AI의 전례 없는 대중적 인기 견인
GLM-130B	칭화대학교	2022년	이중 언어(영어/중국어) 오픈 모델; 2022년 유일한 중국 대형 모델

챕터 2. 기술 성능

이 챕터는 컴퓨터 비전, 언어 처리, 음성, Reinforcement Learning, 하드웨어 분야의 발전과 AI의 환경적 영향 및 과학 분야에서의 AI 역할을 분석합니다.

Benchmark 현황

AI는 대부분의 benchmark에서 세계 최고 수준 이상의 성과를 계속 보여주고 있지만, 개선폭은 미미해지고 있습니다. benchmark 포화 속도는 빨라지고 있습니다. 새로운 종합 평가 시스템인 BIG-bench와 HELM은 보다 객관적이고 포괄적인 평가를 제공하기 위해 도입되었습니다.

생성형 AI

2022년은 생성형 AI가 대중의 인식 속으로 들어온 해였습니다. 텍스트에서 이미지를 생성하는 모델(DALL-E 2, Stable Diffusion), 영상 생성 시스템(Make-A-Video), 챗봇(ChatGPT)이 출시되었습니다. 그러나 이러한 시스템은 '환각(hallucination)' 현상, 즉 잘못되거나 의미 없는 답변을 자신 있게 생성하는 경향이 있어 중요한 응용 분야에서의 사용이 제한됩니다.

언어 모델

MMLU. Massive Multitask Language Understanding benchmark는 57개 학문 분야에 걸쳐 모델을 평가합니다. 2022년 최고 성능 모델들은 계속해서 점수를 높였지만, 인간 전문가 수준과는 여전히 상당한 격차가 있었습니다.

HELM. 스탠퍼드의 Holistic Evaluation of Language Models(HELM) benchmark는 텍스트 이해, 수학, 법적 추론을 포함한 열 가지 시나리오와 편향성 및 독성 측정을 통해 언어 모델을 종합적으로 평가합니다.

계획 및 추론. 언어 모델은 생성 능력을 계속 향상시키고 있지만 계획 수립 작업에서 심각한 어려움을 겪고 있습니다. Valmeekam et al.(2022)의 연구는 GPT-3, Instruct-GPT3 및 BLOOM이 Blocksworld 환경에서 계획 생성, 최적 계획 수립 및 계획 재사용 작업을 매우 비효율적으로 수행함을 보여주었습니다.

음성 인식

Whisper(OpenAI). 2022년 OpenAI는 680,000시간의 다국어 데이터로 학습된 대규모 음성 인식 시스템 Whisper를 출시했습니다. Whisper는 인식 정확도에서 상당한 발전을 보여 일부 benchmark에서 인간 수준에 근접했으며, 수십 개 언어의 번역을 지원합니다.

AI가 AI를 더 좋게 만들다

AI 시스템의 자기 개선 경향이 나타나고 있습니다. NVIDIA는 Reinforcement Learning 에이전트를 사용하여 AI 시스템을 구동하는 칩 아키텍처를 개선했습니다. Google은 자사의 언어 모델 PaLM을 활용하여 PaLM 모델 자체를 개선하는 방법을 탐색했습니다.

하드웨어

GPU 트렌드. 신규 GPU의 중간값 연산 성능(FLOP/s)은 2021년 대비 거의 3배 증가했으며, 2003년 대비 약 7,000배 증가했습니다. 달러당 중간값 성능(FLOP/s per USD)은 2022년 2021년 대비 1.4배, 2003년 대비 5,600배 향상되어 1.5년마다 성능이 두 배씩 증가하는 추세를 보입니다.

MLPerf. MLPerf benchmark는 표준 작업에서 모델 학습 시간이 꾸준히 단축되고 있음을 기록하고 있으며, 이는 하드웨어 및 최적화의 발전을 반영합니다.

환경적 영향

이 섹션은 보고서에 처음 포함되었습니다. AI 모델의 탄소 발자국은 인프라에 따라 크게 다릅니다:

모델	파라미터 수	CO₂ 배출량 (톤)	데이터센터 PUE
GPT-3	1,750억	502	1.10
Gopher	2,800억	352	1.08
OPT	1,750억	70	1.09
BLOOM	1,760억	25	1.20

GPT-3는 비슷한 파라미터 수를 가진 BLOOM보다 20배 많은 이산화탄소를 배출했습니다. 핵심 요인은 전력망의 탄소 집약도, 데이터센터 효율성(PUE) 및 학습 기간입니다.

비교를 위해: BLOOM 학습 시 뉴욕에서 샌프란시스코까지 비행하는 승객 한 명의 CO₂ 배출량보다 25배 많은 CO₂를 배출했으며, 미국인의 연간 평균 배출량보다 1.4배 많았습니다. 소비된 에너지는 평균 미국 가정에 41년간 전기를 공급하기에 충분한 양입니다.

에너지 소비 최적화. BCOOLER(DeepMind) 시스템은 Google 데이터센터 냉각을 최적화하는 Reinforcement Learning 에이전트로, 3개월간의 실험에서 쾌적한 환경을 유지하면서 약 12.7%의 에너지를 절약했습니다.

과학 분야의 AI (2022년)

토카막 플라즈마 제어. DeepMind는 토카막에서 플라즈마를 최적으로 제어하는 Reinforcement Learning 알고리즘을 개발했으며, 이는 핵융합 에너지 실현을 위한 핵심 성과입니다.

AlphaTensor. DeepMind는 Reinforcement Learning을 활용하여 기존 솔루션을 능가하는 행렬 곱셈 알고리즘을 발견했는데, 여기에는 4×4 행렬에 대한 고전적인 슈트라센 알고리즘도 포함됩니다.

AlphaCode. 경쟁 수준으로 컴퓨터 프로그램을 작성하는 DeepMind의 시스템은 프로그래밍 대회에서 상위 54% 수준의 순위를 달성했습니다.

항체 생성. 생성형 AI가 항체의 de novo 설계에 활용되어 바이오제약 분야에 새로운 가능성을 열었습니다.

챕터 3. AI 기술 윤리

이 챕터는 AI 윤리의 핵심 측면인 편향성, 독성, 공정성 및 사건들을 다룹니다.

공정성 및 편향성 지표

2022년에는 AI 시스템의 공정성과 편향성을 평가하기 위한 지표와 benchmark의 수가 꾸준히 증가했습니다. 지표는 확장되고 정교해지고 있으며, 연구자들은 특정 작업(질의응답, 자연어 추론)에 맞게 조정하고 언어 모델을 활용해 확장된 테스트 데이터를 생성하고 있습니다. 2022년에는 BBQ(Bias Benchmark for Question Answering)와 같은 새로운 benchmark와 대규모 BIG-bench 프로젝트 내의 추가 평가가 제시되었습니다.

지표에는 두 가지 유형이 있습니다: benchmark(StereoSet, Winogender와 같이 모델의 내재적 편향성을 평가하는 고정된 레이블링 데이터 세트)와 진단 지표(실제 적용 시 다양한 인구통계 집단 간의 모델 성능 차이를 측정하는 것). 두 접근법은 서로를 보완합니다.

모델 규모가 편향성에 미치는 영향

2022년 연구들은 모델 규모 확대가 편향성과 독성에 미치는 영향이 학습 데이터와 편향성 완화 방법에 따라 복잡하고 다양하다는 것을 보여주었습니다.

AI 관련 사건

AIAAIC 데이터베이스에 따르면 AI의 윤리적 남용과 관련된 사건 및 논란의 수가 2012년 이후 26배 증가했습니다. 이러한 증가는 AI 적용 범위의 확대와 위험에 대한 인식 제고 모두에 기인합니다.

챕터 4. 경제

이 챕터는 고용, 투자, 기업의 AI 도입 및 로봇공학의 트렌드를 탐구합니다.

노동 시장

미국에서 AI 관련 채용 공고의 비율은 거의 모든 산업에서 2021년 평균 1.7%에서 2022년 1.9%로 증가했습니다. 기술, 금융, 제조, 의료 및 기타 분야에서 수요 증가가 관찰됩니다.

산업계로의 이동. AI 분야에서 박사 학위를 취득한 신규 학자들 중 산업계를 선택하는 비율이 점점 높아지고 있습니다. 2021년에는 65.4%가 산업계로 진출한 반면(2011년 40.9%), 학계로 간 비율은 28.2%에 그쳤습니다(2011년 41.6%). 공공 부문에서 일하는 박사의 비율은 0.7%로 안정적으로 낮게 유지되고 있습니다.

투자

전반적 트렌드. AI에 대한 글로벌 민간 투자는 919억 달러로 2021년 대비 26.7% 감소했습니다. 투자 건수는 3,538건으로 감소했습니다(2021년 대비 12% 하락). 처음으로 자금을 조달받은 AI 기업 수는 1,392개로 감소했습니다(2021년 1,669개에서). 그럼에도 투자 규모는 2013년 대비 18배 높습니다.

지역별 분포. 미국이 474억 달러로 선두를 달리고 있으며, 이는 중국(134억 달러)의 3.5배, 영국(44억 달러)의 11배에 달합니다. 미국의 투자는 35.5%, 중국은 41.3% 감소했습니다. 2013~2022년 누적 투자액은 미국 2,489억 달러, 중국 951억 달러, 영국 182억 달러입니다.

중점 분야. 투자자들에게 가장 매력적인 분야는 의학 및 의료(61억 달러), 데이터 관리·처리 및 클라우드 기술(59억 달러), 핀테크(55억 달러), 사이버보안(54억 달러), 소매(42억 달러)였습니다. 대부분의 중점 분야에서 2021년 대비 투자가 감소했습니다.

2022년 주요 투자 이벤트:

• GAC Aion New Energy Automobile (중국, 전기차) — 25억 4천만 달러;
• Anduril Industries (미국, 방산 기술) — 15억 달러;
• Celonis (독일, 비즈니스 분석) — 12억 2천만 달러.

기업 도입

McKinsey에 따르면 AI를 활용하는 기업의 비율은 2017년 이후 두 배 이상 증가하여 50~60% 수준에서 안정화되었습니다. AI를 도입한 조직들은 실질적인 비용 절감과 매출 증가를 보고하고 있습니다.

실적 발표 콜. 2022 회계연도에 Fortune 500 기업 중 268개사가 실적 발표에서 AI를 언급했습니다(2021년 306개에서 감소했지만, 2018년 225개에서 증가).

과제. AI 프로젝트 시작 시 주요 문제: 비즈니스 가치 입증(37%), 경영진의 헌신 부족(34%), 올바른 AI 기술 선택(33%). 주요 확장 장벽: AI 위험 관리(50%), 학습 데이터 확보(44%), 기술 구현(42%).

로봇공학

2021년에는 산업용 로봇 517,000대가 설치되어 2020년 대비 31.3% 증가했으며, 2011년 대비 3배 이상 증가했습니다. 산업용 로봇의 운영 규모는 3,477,000대에 달했습니다(14.6% 증가).

중국의 지배. 2021년 중국은 산업용 로봇 268,200대를 설치했는데, 이는 일본(47,200대)의 5.7배, 미국(35,000대)의 7.7배에 달합니다. 2013년 중국이 일본을 추월한 이후 세계 설치 비중이 20.8%에서 51.8%로 증가했습니다. 2021년 중국은 처음으로 나머지 전 세계를 합친 것보다 더 많은 산업용 로봇을 설치했습니다.

챕터 5. 교육

이 챕터는 컴퓨터과학 및 AI 교육의 트렌드를 살펴봅니다.

고등 교육

학부. 북미에서 컴퓨터과학(CS) 학사 졸업자 수는 계속 증가하고 있습니다.

박사 과정. 2021년 CS 분야 박사 학위 취득자는 1,893명으로 2020년(1,997명)보다 감소했습니다. CS 박사 중 국제 학생 비율은 2010년 45.8%에서 2021년 68.6%로 증가했습니다.

AI 전공. 2021년 북미 CS 신규 박사 취득자의 19.1%가 AI를 전공했는데, 이는 2020년 대비 4.2%포인트, 2012년 대비 8.6%포인트 증가한 수치입니다.

챕터 6. 정책 및 거버넌스

이 챕터는 글로벌, 미국 및 지역 수준에서 AI 분야의 입법 및 규제 활동을 분석합니다.

글로벌 동향

'인공지능'이라는 용어를 포함하고 법률로 채택된 법안의 수가 2016년 1건에서 2022년 37건으로 증가했습니다(127개국 분석). 81개국 의회 토론에서 AI 언급 횟수는 2016년 이후 거의 6.5배 증가했지만, 2022년에는 2021년 대비 소폭 감소했습니다(1,547건에서 1,340건으로).

2022년 의회 회의에서 AI 언급이 가장 많은 국가: 스페인(273회), 캐나다(211회), 영국(146회), 미국(138회).

미국의 규제

연방 수준에서 2022년 AI 관련 법안 88건이 제안되었으며, 그 중 9건이 통과되었습니다(이전 연도의 3건에서 증가). 주 수준에서는 캘리포니아(5건 통과)와 메릴랜드(3건)가 선두를 달리고 있습니다.

국가 전략

여러 국가들이 AI 역량 교육, 법 집행 기관의 AI 사용 통제, 알고리즘적 의사결정의 투명성 제고 등 광범위한 주제를 다루는 새로운 법률을 채택했습니다.

챕터 7. 다양성

여성과 소수집단은 산업계와 학계 모두에서 AI 분야에서 여전히 크게 저 대표되고 있습니다. CRA Taulbee Survey 및 기타 출처의 데이터는 다양성 증가에서 느리지만 꾸준한 진전을 기록하고 있습니다.

챕터 8. 여론

보고서의 새로운 챕터는 국제 설문조사와 소셜 미디어 분석을 기반으로 AI에 대한 대중의 인식을 분석합니다.

글로벌 설문조사 (IPSOS)

IPSOS 2022년 설문조사(28개국 19,504명 응답자) 데이터에 따르면:

• 응답자의 60%는 AI 제품이 향후 3~5년 내에 자신의 삶을 크게 변화시킬 것이라고 생각합니다;
• 60%는 AI 제품이 자신의 삶을 더 편리하게 만든다고 생각합니다;
• 52%는 AI 제품이 해보다 이익이 더 많다는 데 동의합니다;
• 40%는 AI 제품이 불안감을 준다고 답합니다.

지역별 차이. AI에 가장 긍정적인 시민은 중국(78%가 AI의 유익함에 동의), 사우디아라비아(76%), 인도(71%)입니다. 가장 덜 긍정적인 국가는 프랑스(31%), 캐나다(32%), 미국(35%)입니다.

인구통계학적 차이. 남성은 모든 측면에서 여성보다 AI 제품을 더 긍정적으로 평가합니다. 소득과 교육 수준이 높은 가구도 더 낙관적입니다.

Lloyd's Register Foundation 및 Gallup 설문조사

121개국 125,911명을 대상으로 한 글로벌 설문조사(2021년)에서 39%가 AI가 전반적으로 국가에 유익하다고 생각하고, 28%는 해롭다고 답했습니다. 남성은 여성보다 AI가 유익하다고 생각하는 경향이 높습니다.

자율주행 자동차. 전 세계 응답자의 27%만이 자율주행 자동차에서 안전하다고 느낀다고 답했습니다. Pew Research 데이터에 따르면 미국인의 26%만이 승객용 자율주행 자동차가 사회에 좋은 아이디어라고 생각합니다.

Pew Research 설문조사 (미국)

AI에 대해 기대감을 갖는 미국인들의 주요 이유는 삶과 사회를 개선할 잠재력(31%)과 시간 절약(13%)입니다. 우려하는 사람들의 주요 이유는 일자리 상실(19%), 감시 및 디지털 프라이버시(16%), 인간적 접촉의 상실(12%)입니다.

NLP 연구자들의 의견

NLP 연구자들을 대상으로 한 설문조사에 따르면: 77%가 민간 AI 기업이 과도한 영향력을 가지고 있다는 데 동의하거나 부분적으로 동의합니다; 41%는 NLP가 규제되어야 한다고 생각합니다; 73%는 AI가 곧 혁명적인 사회 변화를 이끌 수 있다고 생각합니다.

소셜 미디어 분석

NetBase Quid는 2022년 소셜 미디어 게시물 700만 건 이상을 분석했습니다. ChatGPT와 Stable Diffusion 모델이 가장 큰 주목을 받았습니다. 주요 토론 주제는 윤리적 문제, AI의 문화적·경제적 영향이었습니다.

방법론

보고서는 다양한 출처의 데이터를 활용합니다:

• 논문 및 특허: Georgetown University 산하 Center for Security and Emerging Technology(CSET); Epoch 데이터.
• Benchmark: Papers With Code, CRFM(HELM), BIG-bench, 전문 리더보드.
• 투자: NetBase Quid(Capital IQ, Crunchbase).
• 노동 시장: Lightcast, LinkedIn.
• 기업 활동: McKinsey & Company, Deloitte, NetBase Quid(실적 발표 콜).
• 로봇공학: International Federation of Robotics(IFR).
• 규제: 127개국 입법 데이터베이스, 81개국 의회 자료.
• 여론: IPSOS, Lloyd's Register Foundation / Gallup, Pew Research Center, NetBase Quid(소셜 미디어).
• 교육: CRA Taulbee Survey, Code.org.
• 환경적 영향: Luccioni et al.(2022), GPU 데이터 — Epoch.

저자진

보고서는 공동 소장 레이 페로(Raymond Perrault, SRI International)와 잭 클라크(Jack Clark, Anthropic / OECD)의 지휘 하에 준비되었습니다. 수석 연구원 겸 편집장은 네스토르 마슬레이(Nestor Maslej, Stanford University)가 맡았습니다. 보고서 준비에는 에릭 브린욜프슨(Erik Brynjolfsson), 존 에체멘디(John Etchemendy), 카트리나 리겟(Katrina Ligett), 테라 라이언스(Terah Lyons), 제임스 마니카(James Manyika), 헬렌 응고(Helen Ngo), 후안 카를로스 니에블레스(Juan Carlos Niebles), 바네사 파를리(Vanessa Parli), 요아브 쇼함(Yoav Shoham, AI Index 창립자), 러셀 왈드(Russell Wald)를 비롯한 광범위한 연구자 및 파트너 기관이 참여했습니다. AI Index는 스탠퍼드 HAI(Human-Centered Artificial Intelligence) 연구소의 프로젝트입니다.

참고 링크

• Stanford HAI — AI Index Report 2023 (전문): https://aiindex.stanford.edu/report/
• Epoch — 컴퓨팅 트렌드 및 주요 모델 데이터: https://epochai.org/
• Papers With Code — benchmark 및 리더보드: https://paperswithcode.com/
• CRFM HELM — Holistic Evaluation of Language Models: https://crfm.stanford.edu/helm/
• AIAAIC Repository — AI 윤리 남용 사건 데이터베이스: 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 — 투자 및 소셜 미디어 데이터: https://quid.com/
• IPSOS — AI에 대한 태도 글로벌 설문조사: https://www.ipsos.com/
• Pew Research Center — 여론 조사: https://www.pewresearch.org/
• CRA Taulbee Survey — CS 교육 데이터: https://cra.org/resources/taulbee-survey/
• Global AI Vibrancy Tool (Stanford HAI): https://aiindex.stanford.edu/vibrancy/

참고 문헌

• 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.