--- title: "The 2017 AI Index Report (HE)" source: "https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)" wiki: "systems-analysis.info/int" article: "The_2017_AI_Index_Report_(HE)" language: "he" categories: - "Category:Hebrew" - "Category:Machine learning" revision_id: 7915 wiki_created_at: 2026-09-07T01:08:51Z wiki_modified_at: 2026-09-07T01:08:51Z downloaded_at: 2026-09-07T23:21:32Z --- # The 2017 AI Index Report (HE) **AI Index Report 2017** — הדוח השנתי הראשון (החנוכתי) של פרויקט **AI Index**, שפורסם בנובמבר 2017^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. הפרויקט נוצר במסגרת יוזמת **One Hundred Year Study on AI** (AI100) באוניברסיטת סטנפורד, ומהווה פרויקט פתוח וללא מטרות רווח למעקב אחר פעילות והתקדמות בתחום הבינה המלאכותית. דוח 2017 היה הניסיון הראשון לצבור ולהמחיש באופן שיטתי נתונים על מצב הבינה המלאכותית, תוך כיסוי היקפי הפעילות באקדמיה ובתעשייה, הביצועים הטכניים של מערכות AI, מדדים נגזרים והתקדמות לעבר רמת ביצוע אנושית. המחברים מדגישים כי ללא נתונים רלוונטיים על מצב טכנולוגיות ה-AI, החברה "טסה בעיוורון" בדיונים ובקבלת החלטות הקשורות לבינה המלאכותית^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. ## רקע ומטרות עד 2017, הבינה המלאכותית עלתה לחזית השיח הגלובלי, ומשכה תשומת לב של אנשי מקצוע, מנהיגי תעשייה, קובעי מדיניות והציבור הרחב. תחום ה-AI התפתח בקצב כה מהיר, עד שאפילו מומחים התקשו להבין ולעקוב אחר ההתקדמות. AI Index נוצר ככלי לשיחה מושכלת ומבוססת נתונים על AI, ולא על השערות או עדויות אנקדוטיות^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. הרעיון לפרויקט צמח מתוך דיוני הוועדה הקבועה של AI100 בשנת 2015^{[\[2\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-Horvitz2017-2)}. הדוח מצבר נתונים זמינים חופשית מהאינטרנט, כמו גם נתונים מקוריים, ומפיק מדדים חדשים מצירופים של סדרות קיימות. כל הנתונים ששימשו ליצירת הדוח מפורסמים בגישה פתוחה באתר aiindex.org^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. ## מבנה הדוח דוח 2017 מורכב מארבעה חלקי נתונים עיקריים ומספר חלקי דיון^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}: 1. **היקף הפעילות (Volume of Activity)** — מדדי "כמה": פרסומים, קבלה לקורסים, נוכחות בכנסים, סטארטאפים, מימון, משרות פנויות, ייבוא רובוטים, תוכנת קוד פתוח, עניין הציבור. 2. **ביצועים טכניים (Technical Performance)** — מדדי "עד כמה טוב": ראייה ממוחשבת, עיבוד שפה טבעית, זיהוי דיבור, הוכחת משפטים, פתרון בעיות SAT. 3. **מדדים נגזרים (Derivative Measures)** — קשרים בין מגמות, דינמיקת "אקדמיה — תעשייה", מדד חיוניות ה-AI (AI Vibrancy Index). 4. **בדרך לרמת ביצוע אנושית? (Towards Human-Level Performance?)** — קטלוג הישגים שבהם ה-AI התקרב לרמה האנושית או עלה עליה. 5. **מה חסר? (What's Missing?)** — הכרה במגבלות הדוח ובכיווני עבודה עתידיים. 6. **פורום מומחים (Expert Forum)** — הערות של מומחי AI מובילים. ## היקף הפעילות ### פרסומים אקדמיים מספר המאמרים המדעיים בתחום ה-AI שפורסמו ונוספו לאינדקס במסד הנתונים Scopus (מוציאת Elsevier) עם מילת המפתח "Artificial Intelligence" בתחום הנושא "Computer Science", גדל **ביותר מפי 9 מאז 1996**^{[\[3\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-Scopus2017-3)}. לשם השוואה: המספר הכולל של פרסומים במדעי המחשב באותה תקופה גדל בכ-6 פעמים, מה שמעיד על כך שהגידול בפרסומי AI אינו נובע פשוט מהרחבת העניין במדעי המחשב בכלל, אלא דווקא מתשומת לב גוברת לבינה המלאכותית^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. בעת הכנת הדוח, מסד Scopus כלל יותר מ-200,000 מאמרים במדעי המחשב עם מילת המפתח "Artificial Intelligence" וכמעט 5 מיליון מאמרים במדעי המחשב בכלל, מתוך סך של כ-70 מיליון מסמכים מאונדקסים^{[\[3\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-Scopus2017-3)}. ### רישום לקורסים לימודיים רישום הסטודנטים לקורסי מבוא בבינה מלאכותית ו-Machine Learning הפגין צמיחה מהירה. באוניברסיטת סטנפורד, הרישום לקורס המבוא ב-AI **גדל פי 11 מאז 1996**^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. Machine Learning (ML) כתחום-משנה של AI הופרד לנתון עצמאי בשל קצב הגידול המהיר במיוחד ברישום ובשל התפקיד הקריטי של טכניקות ML בהישגי ה-AI האחרונים. מגמות דומות נצפו גם באוניברסיטאות מובילות אחרות: אוניברסיטת קליפורניה בברקלי, אוניברסיטת קרנגי מלון, המכון הטכנולוגי של ג'ורג'יה, אוניברסיטת אילינוי באורבנה-שמפיין, המכון הטכנולוגי של מסצ'וסטס ואוניברסיטת וושינגטון^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. מחברי הדוח מציינים כי נתונים אלה מייצגים רק פרוסה צרה של נוף ההשכלה הגבוהה ואינם בהכרח מייצגים את מגוון רחב יותר של מוסדות. ### נוכחות בכנסים נתוני הנוכחות בכנסי AI מובילים (AAAI, AAMAS, ACL, CP, CVPR, ECAI, ICAPS, ICRA, ICLR, ICML, IJCAI, IROS, KR, NIPS, UAI) אישרו **מעבר של מוקד המחקר מהיסק סימבולי ל-Machine Learning ול-Deep Learning**^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. כנסי Machine Learning (NIPS, ICML, ICLR) הפגינו את הגידול המשמעותי ביותר בנוכחות, בעוד שכנסי השיטות הסימבוליות (KR, CP, ICAPS) שמרו על קהילה יציבה אך צנועה יותר, הממשיכה להשיג התקדמות עקבית^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. ### סטארטאפים בתחום ה-AI מספר הסטארטאפים האמריקאיים הפעילים המפתחים מערכות AI עם מימון הון-סיכון **גדל פי 14 מאז 2000**^{[\[4\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-Crunchbase2017-4)[\[5\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-VentureSource2017-5)}. לזיהוי חברות AI שימשו קטגוריות Crunchbase (Artificial Intelligence, Machine Learning, Natural Language Processing, Computer Vision, Facial Recognition, Image Recognition, Speech Recognition, Semantic Search, Semantic Web, Text Analytics, Virtual Assistant, Visual Search, Predictive Analytics, Intelligent System) עם בדיקה צולבת על בסיס מסד VentureSource^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. ### מימון הון-סיכון היקף ההשקעות השנתיות של הון-סיכון בסטארטאפי AI אמריקאיים **גדל פי 6 מאז 2000**^{[\[5\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-VentureSource2017-5)}. הנתונים מכסים את כל שלבי המימון וצובצו על ידי חברת Sand Hill Econometrics על בסיס מסד VentureSource^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. ### שוק העבודה נתונים משתי פלטפורמות המשרות המקוונות הגדולות ביותר — Indeed.com ו-Monster.com — הראו גידול משמעותי בביקוש למומחי AI^{[\[6\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-Indeed2017-6)[\[7\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-Monster2017-7)}. **Indeed.com:** חלק המשרות הפנויות הדורשות מיומנויות בתחום ה-AI בפלטפורמה בארה"ב **גדל פי 4.5 מאז 2013**^{[\[6\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-Indeed2017-6)}. גידול מהיר דומה נצפה בקנדה ובבריטניה, אם כי בגודל מוחלט שוקיהן עמדו על 5% ו-27% בהתאמה מהשוק האמריקאי^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. **Monster.com:** ניתוח המספר המוחלט של משרות AI לפי מיומנויות נדרשות (Machine Learning, ראייה ממוחשבת, עיבוד שפה טבעית ועוד) אישר גם הוא צמיחה עקבית. משרה אחת יכלה לדרוש בו-זמנית מספר מיומנויות^{[\[7\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-Monster2017-7)}. ### ייבוא רובוטים נתוני הדוח השנתי World Robotics Report, שהוכן על ידי הפדרציה הבין-לאומית לרובוטיקה (IFR), הראו צמיחה עקבית בייבוא רובוטים תעשייתיים הן לצפון אמריקה והן בהיקף עולמי^{[\[8\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-IFR2017-8)}. מחברי הדוח מציינים כי אין דרך פשוטה לקבוע איזה אחוז מהרובוטים מפעיל תוכנה המוגדרת כ"AI", ובאיזו מידה פיתוחים בתחום ה-AI תורמים לגידול בשימוש ברובוטים תעשייתיים^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. ### תוכנת קוד פתוח עניין המפתחים ב-AI frameworks בפלטפורמת GitHub הראה גידול משמעותי. מספר הכוכבים (Stars) עבור חבילות Machine Learning ו-Deep Learning עיקריות — TensorFlow, Scikit-Learn, Keras, PyTorch, Caffe, MXNet, CNTK ו-Theano — גדל במהירות^{[\[9\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-GitHub2017-9)}. TensorFlow של Google ו-Scikit-Learn הוצגו כחבילות הפופולריות ביותר, כאשר מגמות מספר הכוכבים והענפים (Forks) היו כמעט זהות^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. ### עניין הציבור: נימת המדיה ניתוח נימת הפרסומים בתקשורת הפופולרית המכילים את המונח "Artificial Intelligence", על בסיס נתוני שירות TrendKite, הראה את הדינמיקה של היחס בין מאמרים חיוביים לשליליים^{[\[10\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-TrendKite2017-10)}. מסווג TrendKite חילק מאמרים באנגלית (בניכוי הודעות לעיתונות, חדשות פיננסיות ואבלים) לקטגוריות "חיוביים", "שליליים" ו"ניטרליים"^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. ## ביצועים טכניים חלק הביצועים הטכניים עוקב אחר התקדמות מערכות AI במשימות ראייה ממוחשבת, עיבוד שפה טבעית, זיהוי דיבור, הוכחת משפטים ופתרון בעיות SAT^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. ### ראייה ממוחשבת #### זיהוי עצמים (Object Detection) בתחרות Large Scale Visual Recognition Challenge (LSVRC) על בסיס dataset של ImageNet, **שיעור השגיאות בזיהוי תמונות ירד מ-28.5% לפחות מ-2.5% בתקופה שבין 2010 ל-2017**^{[\[11\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-ImageNet2017-11)}. לשם השוואה: רמת שגיאת האנוש מוערכת בכ-5%^{[\[12\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-Russakovsky2015-12)}, כלומר עד 2017 מערכות ה-AI כבר עלו משמעותית על הרמה האנושית ב-benchmark זה. תחרות ImageNet הסתיימה ב-2017^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. #### שאלות ותשובות חזותיות (Visual Question Answering) על dataset של VQA 1.0 — משימת יצירת תשובות פתוחות לשאלות על תמונות — מערכות ה-AI הפגינו התקדמות עקבית^{[\[13\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-VQA2017-13)}. המחברים ציינו כי dataset של VQA 1.0 כבר הוחלף על ידי VQA 2.0, ולא היה ברור כמה תשומת לב תוקדש לגרסה המקורית^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. ### עיבוד שפה טבעית #### פירוק תחבירי (Parsing) על dataset הבדיקה הסטנדרטי — סעיף 23 של קורפוס Wall Street Journal מ-Penn Treebank — מנתחים אוטומטיים הפגינו עלייה עקבית במדד F1^{[\[14\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-PennTreebank-14)}. התוצאות תועדו הן עבור משפטים באורך של פחות מ-40 מילים והן עבור הסט המלא של משפטים^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. #### תרגום מכונה (Machine Translation) בתחרות השנתית Workshop on Machine Translation (WMT) במשימת תרגום חדשות בין אנגלית לגרמנית, המערכות המובילות הפגינו מגמה כללית עולה במדד BLEU^{[\[15\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-WMT2017-15)}. מדד BLEU — שיטה אוטומטית להשוואת תרגום מכונה למספר תרגומים שבוצעו על ידי בני אדם — מייצג גרסה מותאמת של דיוק (precision) עם ערכים בין 0 ל-1. אף שה-BLEU מתואם עם הערכות מומחים לגבי איכות התרגום, אין להשתמש בו להשוואות בין קורפוסים שונים, והשוואה בין מערכות עלולה להיות מטעה^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. ב-2017, ציוני BLEU ירדו בצורה מורגשת לעומת 2016 (אם כי נותרו גבוהים מרמת 2015), מה שמוסבר ככל הנראה על ידי מאפייני dataset הבדיקה ולא על ידי ירידה אמיתית באיכות מערכות התרגום^{[\[15\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-WMT2017-15)}. #### שאלות ותשובות (Question Answering) על dataset של Stanford Question Answering Dataset (SQuAD) — יותר מ-500 מאמרים ו-100,000 זוגות שאלה-תשובה — מערכות ה-AI הפגינו עלייה מהירה במדד Exact Match (EM), המודד את אחוז התשובות התואמות בדיוק לתשובות הייחוס^{[\[16\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-SQuAD2016-16)}. רמת הביצוע האנושי על SQuAD עמדה על 82.3%^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. הציונים על SQuAD עלו במהירות מאז יצירת ה-dataset ביוני 2016. ### זיהוי דיבור על dataset הסטנדרטי של Switchboard Hub5'00 — משימת זיהוי דיבור משיחות טלפון — **Microsoft ו-IBM הגיעו ב-2017 לביצועים הקרובים ל"שוויון אנושי" (human parity)**^{[\[17\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-EFF2017-17)}. מדד Word Error Rate (WER) — מספר השגיאות (החלפות, מחיקות והכנסות של מילים) המנורמל לפי אורך המשפט — ירד לאורך שנים רבות. היו חילוקי דעות לגבי הרמה המדויקת של שגיאת אדם: הוזכרו ערכים של 5.1% ו-5.9%, ואף מתחת ל-5%. הדוח השתמש בסף של 5.1%^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. המחברים ציינו חשש שהשימוש הממושך ב-dataset של Switchboard עלול להוביל ל-overfitting משמעותי של מערכות ה-AI על נתונים ספציפיים^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. ### הוכחת משפטים על סט בעיות Thousands of Problems for Theorem Provers (TPTP) נעקבה ה"tractability" הממוצעת — חלק מהמוכיחים האוטומטיים המודרניים של משפטים (ATP) המסוגל לפתור בעיה^{[\[18\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-TPTP2017-18)}. נותח תת-קבוצה של בעיות שלא עודכנו מאז גרסת TPTP v5.0.0 (2010). למדד יש מאפיין מיוחד: הופעת מערכות ATP חזקות חדשות, הפותרות היטב בעיות חדשות אך מתקשות עם בעיות שמערכות אחרות פותרות, עלולה להוביל לירידה ב-tractability הממוצעת^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. ### פתרון בעיות SAT על מופעים תעשייתיים של בעיות מתחרות SAT Competition תועד גידול באחוז הבעיות שנפתרו^{[\[19\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-SAT2017-19)}. החוקרים הולגר הוס וקווין לייטון-בראון בדקו 69 פותרים על 1,076 מופעי בעיות שהוצגו בתחרות מאז 2007, כשהפעילו את כל הפותרים על אותה חומרה להשוואה תקינה^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. המחברים ציינו כי חלק מהשיפורים עשויים לשקף הישגים הנדסיים ולא פריצות דרך אלגוריתמיות^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. ## מדדים נגזרים ### דינמיקת "אקדמיה — תעשייה" לחקר הקשר בין פעילות AI באקדמיה ובתעשייה נבחרו שלושה מדדים מייצגים: מספר פרסומי ה-AI, הרישום המצטבר לקורסי מבוא ב-AI וב-ML בסטנפורד, וכן היקף השקעות הון-הסיכון בסטארטאפי AI. כל המדדים נורמלו ביחס לשנת 2000^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. הניתוח הראה כי **מלכתחילה הפעילות האקדמית (פרסומים ורישום לקורסים) סיפקה התקדמות עקבית**. בערך משנת 2010 החלו משקיעים לשים לב לתחום, ועד 2013 הפכו לכוח המניע של הגידול החד בפעילות הכוללת. לאחר מכן האקדמיה השיגה את "ההתלהבות" של התעשייה^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. ### AI Vibrancy Index - מדד חיוניות הבינה המלאכותית ה-AI Vibrancy Index הוא מדד מורכב ניסיוני המצבר מדדים מנורמלים של פרסומים, רישום לקורסים והשקעות הון-סיכון לצורך הערכה כמותית של "חיוניות" ה-AI כתחום^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. המדד חושב כממוצע של המדדים המנורמלים לאורך זמן והפגין גידול חד, המשקף עלייה בו-זמנית בכל שלושת המרכיבים. המחברים הביעו תקווה כי מדדים נגזרים מעין אלה יעוררו עניין בניתוח נוסף של נתוני AI Index^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. ## בדרך לרמה האנושית הדוח קיטלג מקרים מהימנים שבהם מערכות מחשב הגיעו לרמת הביצוע האנושית או עלו עליה, ולוו בסייגים חשובים אחדים^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. **מגבלות מרכזיות של ההשוואה:** מכונות עולות לרוב על בני אדם במשימות מיוחדות מאוד, אך הביצועים עלולים לרדת בחדות בעת כל שינוי קל בתנאים. לדוגמה, אדם הקורא תווים סיניים כנראה גם מבין את השפה הסינית המדוברת, יודע משהו על התרבות הסינית ויכול להמליץ על מנות במסעדה סינית. עבור ה-AI, כל אחת ממשימות אלה תדרוש מערכת נפרדת לחלוטין^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. ### אבני דרך של הישגים | הישג | שנה | תיאור | |---------------------------|------------------|-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| | אוטלו | שנות ה-80 / 1997 | בשנת 1989 ניצחה התוכנית BILL (קאי-פו לי, סנג'וי מהג'אן) את שחקן האוטלו האמריקאי המוביל בריאן רוז (56–8). בשנת 1997 ניצחה התוכנית Logistello את אלוף העולם המכהן בכל המשחקים בסדרת שישה משחקים^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. | | דמקה | 1995 | התוכנית Chinook ניצחה את אלוף העולם המכהן. התוכניות הראשונות לשחקי דמקה עם למידה עצמית נוצרו על ידי ארתור סמואל מ-1952^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. | | שחמט | 1997 | IBM Deep Blue ניצחה את אלוף העולם גארי קספרוב. מדענים מסוימים בשנות ה-50 ניבאו כי מחשב יביס אלוף עולם עד 1967^{[\[20\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-DeepBlue1997-20)}. עד 2017, תוכניות שחמט בסמארטפונים שיחקו ברמת גרנדמאסטר^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. | | Jeopardy! | 2011 | מערכת IBM Watson ניצחה את מנצחי תוכנית הטלוויזיה לשעבר בראד ראטר וקן ג'נינגס, וזכתה בפרס הראשי של מיליון דולר^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. | | משחקי Atari | 2015 | צוות Google DeepMind השתמש במערכת Reinforcement Learning ללמידת משחק ב-49 משחקי Atari, והגיע לרמה אנושית ברוב המשחקים (למשל Breakout), אם כי חלק מהמשחקים (למשל Montezuma's Revenge) נותרו מחוץ להישג^{[\[21\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-Mnih2015-21)}. | | זיהוי עצמים (ImageNet) | 2016 | שיעור השגיאות בסיווג אוטומטי של תמונות ImageNet ירד מ-28% (2010) לפחות מ-3%, לעומת רמת שגיאה אנושית של כ-5%^{[\[12\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-Russakovsky2015-12)}. | | גו | 2016–2017 | AlphaGo (Google DeepMind) ניצחה את לי סדול 4–1 במרץ 2016, לאחר מכן AlphaGo Master ניצחה את קה ג'יה במרץ 2017. באוקטובר 2017 AlphaGo Zero ניצחה את ה-AlphaGo המקורי בתוצאה 100–0^{[\[22\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AlphaGo2016-22)[\[23\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AlphaGoZero2017-23)}. | | סיווג סרטן עור | 2017 | מערכת AI שהוכשרה על 129,450 תמונות קליניות של 2,032 מחלות, הפגינה רמת מיומנות בסיווג סרטן עור הדומה לזו של 21 דרמטולוגים מוסמכים^{[\[24\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-Esteva2017-24)}. | | זיהוי דיבור (Switchboard) | 2017 | Microsoft ו-IBM הגיעו לביצועים הקרובים ל"שוויון אנושי" במשימת זיהוי דיבור על dataset של Switchboard^{[\[17\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-EFF2017-17)}. | | פוקר | 2017 | התוכנית Libratus (CMU) ניצחה ארבעה שחקנים מובילים בטורניר של 120,000 ידות Texas Hold'em ללא הגבלת הימורים. התוכנית DeepStack (אוניברסיטת אלברטה) הוכיחה את המובהקות הסטטיסטית של עליונותה על 11 מקצוענים ביותר מ-3,000 ידות כל אחד^{[\[25\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-Libratus2017-25)}. | | Ms. Pac-Man | 2017 | צוות Maluuba (שנרכש על ידי Microsoft) יצר מערכת AI שהגיעה לתוצאה המקסימלית של 999,900 נקודות ב-Atari 2600^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. | ## מה חסר בדוח המחברים הודו בכנות בסדרת מגבלות מהותיות של הדוח החנוכתי^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}: ### ביצועים טכניים תחומים טכניים חשובים רבים לא נכוסו: מערכות דיאלוג (שעבורן לא היו benchmark סטנדרטיים), תכנון, שליטה רציפה ברובוטיקה, הסקה שכלית יומיומית (common sense reasoning), מערכות המלצה, בחינות סטנדרטיות. המחברים הזהירו כי מעקב אחר התקדמות מתנהל בדרך כלל בתחומים עם תוצאות טובות, מה שיוצר **הטיה אופטימית** בהערכת מצב ה-AI^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. ### כיסוי בין-לאומי הדוח הוכר כ**אמריקנוצנטרי מדי**, למרות פעילות AI משמעותית במדינות אחרות. רמת ההשקעות והפעילות בסין כונתה "מפתיעה", אך חורגת מגדר הדוח החנוכתי^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. ### גיוון ושילוביות הדוח **לא הכיל פירוט נתונים לפי מגדר, גזע, זהות מגדרית, מוצא אתני, נטייה מינית או מאפיינים אחרים**. המחברים הודו כי השאלות בדבר מי משתתף בשיחות על AI ומי בעל הכוח להשפיע על מחקר ופריסת AI עתידיים קשורות קשר הדוק לדינמיקת הכוח בתעשיות הטכנולוגיה וההון-סיכון, ולכוחות סיסטמיים רחבים יותר של אפליה^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. ### השקעות ממשלתיות ותאגידיות נתוני מימון ההון-סיכון כיסו רק את ארה"ב וייצגו חלק קטן מאוד מסך ההשקעות במחקר ופיתוח בתחום ה-AI. נתונים על השקעות ממשלתיות ותאגידיות נעדרו^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. ### השפעה על ענפים ספציפיים מדדי ההשפעה של AI על בריאות, תעשיית הרכב, פיננסים, חינוך ותחומים אנכיים אחרים לא הוצגו^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. ### הפחתת סיכונים חברתיים סוגיות בטיחות ה-AI, צפיות, הוגנות אלגוריתמית, פרטיות והשלכות אתיות של אוטומציה לא נדונו^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. ## פורום מומחים הדוח כלל הערות של מומחים מובילים המייצגים את האקדמיה, התעשייה, הממשלה והתקשורת^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. ### ברברה גרוש (הרווארד) ברברה גרוש הדגישה את חשיבות פיתוח מדדים המתחשבים לא רק בביצועי מערכות AI בבידוד, אלא גם ב**איכות האינטראקציה של ה-AI עם בני אדם** ובהשפעת מערכות ה-AI על בני אדם הן כפרטים והן כחברה. היא הצביעה על פער בדוח: חלק עיבוד השפה הטבעית כיסה פירוק תחבירי, תרגום מכונה וחיפוש תשובות, אך לא כלל מערכות דיאלוג, המצריכות התחשבות במצב המנטלי של בן השיח. גרוש גם קראה לעקוב אחר שיעור הקורסים ב-AI הכוללים היבטים אתיים, ואחר מספר החברות המתחשבות בשאלה האם כלל כדאי לבנות מערכת AI מסוימת^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. ### אריק הורוויץ (Microsoft) אריק הורוויץ כינה את פרסום הדוח החנוכתי **צעד קריטי במעורבות קהילה רחבה יותר בדיאלוג**. הוא ציין את הערך של חלק המדדים הנגזרים וה-AI Vibrancy Index, והציע לאמת אותם באמצעות השוואה לנתוני גיוס, הרכב ותגמול של כישרוני AI בתאגידים. הורוויץ הדגיש במיוחד את חשיבות המעקב אחר ההתקדמות בתחום ה-common sense reasoning, "שאפילו פעוט מפגין", אך נותר מחוץ לטווח ההישג של טכנולוגיות ה-AI הנוכחיות^{[\[2\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-Horvitz2017-2)}. ### קאי-פו לי (Sinovation Ventures) קאי-פו לי השלים את הפער של הדוח בכיסוי הבין-לאומי, בהציגו **סקירה על מצב ה-AI בסין**. הוא ציין כי לסין יש פי שלושה יותר טלפונים ניידים ומשתמשי אינטרנט מאשר לארה"ב או להודו, והפער בהיקפי הנתונים המיוצרים חורג משמעותית מגורם שלוש: הסינים מבצעים תשלומים ניידים פי 50 מהאמריקאים, היקף משלוחי האוכל גדול פי 10, וחברת Didi כבר החלה לשלב נתונים עם מערכות ניהול תנועה. לי הביא דוגמה לסטארטאפ הסיני Face++, שזכה במקום הראשון בשלוש תחרויות ראייה ממוחשבת, לפני Google, Microsoft, Facebook ו-CMU. הוא הצביע על תוכנית מועצת המדינה של סין מיולי 2017 להפוך למרכז העולמי לחדשנות ב-AI עד 2030, וניבא כי **הדואופול האמריקאי-סיני ב-AI אינו רק בלתי נמנע, אלא כבר הגיע**^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. ### אנדרו אנג (Coursera, סטנפורד) אנדרו אנג תיאר את ה-AI כ**"החשמל החדש"**, המשנה פני תעשיות רבות. הוא תיאר את רצף התמרת תחומי-המשנה של ה-AI על ידי Deep Learning: תחילה זיהוי דיבור, לאחר מכן ראייה ממוחשבת, אחר כך NLP (המוביל לפריחת chatbots), ולאחר מכן רובוטיקה (אפשרויות ייצור חדשות). אנג הדגיש כי מדינות בעלות מדיניות AI נבונה יותר יתקדמו מהר יותר, ומדינות בעלות מדיניות גרועה מסתכנות בפיגור^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. ### דניאלה רוס (MIT) דניאלה רוס הציגה מבט אופטימי על **ה-AI כוקטור של שינויים חיוביים**: ממאבק בשינויי אקלים ודמוקרטיזציה של חינוך ועד לכלי רכב אוטונומיים ובריאות מותאמת אישית. היא הדגישה כי בניגוד לדעה הרווחת, ה-AI יוביל למשרות מספקות יותר ולא פחות, מכיוון שהגידול בפריון הנובע מ-AI ורובוטיקה ישחרר אנשים ממשימות מונוטוניות^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. ### סבסטיאן תרון (סטנפורד, Udacity) סבסטיאן תרון ערך השוואה היסטורית: לפני המצאת מנוע הקיטור, רוב האנשים היו חקלאים המוגדרים על ידי כוחם הפיזי. המכונות הפכו את החקלאים ל"על-בני-אדם" — חקלאי אמריקאי אחד מאכיל 155 אנשים, ופחות מ-2% מאוכלוסיית ארה"ב עובדים בחקלאות. באופן דומה, **ה-AI מסוגל ללמוד את הדפוסים של עבודתנו החוזרת ולעזור לנו להפוך ל"על-בני-אדם"**. תרון ניבא את בואה של **עידן של יצירתיות אנושית חסרת תקדים**, אך הזהיר מהצורך להפוך ל"תלמידים לכל החיים" ולהסתגל לשינויים^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. ### מייקל וולדריג' (אוקספורד) מייקל וולדריג' העלה את השאלה המרכזית: האם קיימת **"בועת AI"** והאם היא תתפוצץ (בדומה לבועת הדוט-קום של 1996–2001) או תתרוקן בשקט? חששו הראשי היה מפני "חורף AI" חדש שיתעורר מאכזבה לאחר השקעות ספקולטיביות המוניות. אולם הוא הביע אופטימיות זהירה: בניגוד לפני, **תחת הבועה הנוכחית קיימת מהות אמיתית** — מערכות ה-AI מפגינות התקדמות עקבית, וחברות גדולות למדו להשתמש באופן פרודוקטיבי בטכניקות AI. וולדריג' העלה גם את שאלת מדידת ההתקדמות לעבר AI כללי (General AI), וציין כי לא הוא ולא אף אחד אחר יודע כיצד למדוד זאת^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. ### מגן סמית' וסוזן אלצנר מנהלת הטכנולוגיה הראשית לשעבר של ארה"ב מגן סמית' וסוזן אלצנר (שירות הקשר עם ארגונים לא-ממשלתיים באו"ם) הדגישו את **חשיבותם הראשונית של גיוון ושילוביות**. הן ציינו כי מהשיחה ומצוותות העיצוב מוצאת רוב האנושות בשל "הטיה מודעת ובלתי-מודעת המונית, דפוסי אפליה תרבותיים משמעותיים והתנהגות נלמדת של הדרה סיסטמית". המחברות הסתמכו על יוזמות מפתח: Algorithmic Justice League, עצומה לאו"ם בנושא AI לנשק, תנועת CS for All, יוזמת AI4All^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. ## מתודולוגיה הדוח השתמש בנתונים ממגוון מקורות^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}: - **פרסומים:** Elsevier Scopus — מסד נתונים של כמעט 70 מיליון מסמכים; שאילתות במילת המפתח "Artificial Intelligence" בתחום הנושא "Computer Science" לתקופה מ-1996^{[\[3\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-Scopus2017-3)}. - **רישום לקורסים:** רשומות אוניברסיטאות — UC Berkeley, Carnegie Mellon, Georgia Tech, UIUC, MIT, Stanford, University of Washington^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. - **נוכחות בכנסים:** נתונים ממארגני 15 כנסים (AAAI, AAMAS, ACL, CP, CVPR, ECAI, ICAPS, ICRA, ICLR, ICML, IJCAI, IROS, KR, NIPS, UAI)^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. - **סטארטאפים ומימון:** Crunchbase (API לזיהוי חברות לפי קטגוריות), VentureSource (נתוני הון-סיכון), Sand Hill Econometrics (צבירה)^{[\[4\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-Crunchbase2017-4)[\[5\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-VentureSource2017-5)}. - **שוק העבודה:** Indeed.com (חלק משרות AI לפי מדינות), Monster.com / CEB TalentNeuron (מספר מוחלט של משרות לפי מיומנויות)^{[\[6\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-Indeed2017-6)[\[7\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-Monster2017-7)}. - **ייבוא רובוטים:** International Federation of Robotics, World Robotics Report^{[\[8\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-IFR2017-8)}. - **GitHub:** GitHub Archive דרך Google BigQuery — ספירת אירועי WatchEvent עבור מאגרי AI frameworks^{[\[9\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-GitHub2017-9)}. - **נימת המדיה:** TrendKite — סיווג מאמרים באנגלית עם סינון הודעות לעיתונות, חדשות פיננסיות ואבלים^{[\[10\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-TrendKite2017-10)}. - **Benchmarks:** LSVRC ImageNet, VQA 1.0, Penn Treebank, WMT / EuroMatrix, SQuAD, Switchboard Hub5'00, TPTP, SAT Competition^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. ## הנהלה וצוות המחברים פרויקט AI Index 2017 הוכן בהנהגת ועדת היגוי^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}: - **יואב שוהם** (Yoav Shoham, אוניברסיטת סטנפורד) — יו"ר - **ריימונד פרו** (Raymond Perrault, SRI International) - **אריק בריניולפסון** (Erik Brynjolfsson, MIT) - **ג'ק קלארק** (Jack Clark, OpenAI) - **קלווין לגסיק** (Calvin LeGassick) — מנהל פרויקט הוועדה המייעצת כללה את מייקל בולינג, ארני דייויס, ג'וליה הירשברג, אריק הורוויץ, קארן לוי, אלן מקוורת', טום מיטשל, סנדי פנטלנד, כריס רה, דניאלה רוס, סבסטיאן תרון, האל ווריאן וטובי וולש^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. בין ארגוני השותפים: Allen Institute for Artificial Intelligence, Crunchbase, Electronic Frontier Foundation, Elsevier, EuroMatrix, Google Brain, Indeed.com, Monster.com, Sand Hill Econometrics, Sinovation Ventures, TrendKite, VentureSource. המימון ההתחלתי סופק על ידי Google, Microsoft ו-Bytedance (Toutiao), אולם AI Index מדגיש את עצמאותו ומציין כי אינו בהכרח משקף את עמדות ארגונים אלה^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. ## חשיבות היסטורית דוח AI Index החנוכתי משנת 2017 הניח את הבסיס לסדרת הדוחות השנתיים שבאה אחריו, אשר עם הזמן הרחיבה משמעותית את הכיסוי — מארבעת הפרקים הראשוניים לתשעה פרקים נושאיים בדוח 2024. פערים רבים שהוכרו בכנות בפרק "What's Missing" של דוח 2017 טופלו ברצף: כיסוי בין-לאומי (החל מדוח 2018), נתוני גיוון, השקעות ממשלתיות, השפעה על ענפים, וכן AI אחראי ורגולציה^{[\[26\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2024-26)}. פרויקט AI Index עבר לאחר מכן לחסות מכון Stanford HAI (Human-Centered Artificial Intelligence), שהוקם ב-2019^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_note-AIIndex2017-1)}. ## קישורים - AI Index 2017 Annual Report (טקסט מלא): https://aiindex.stanford.edu/2017-report/ - One Hundred Year Study on AI (AI100): https://ai100.stanford.edu/ - Stanford HAI — Human-Centered Artificial Intelligence: https://hai.stanford.edu/ - Elsevier Scopus: https://www.scopus.com/ - ImageNet / LSVRC: http://www.image-net.org/challenges/LSVRC/ - SQuAD — Stanford Question Answering Dataset: https://rajpurkar.github.io/SQuAD-explorer/ - TPTP — Thousands of Problems for Theorem Provers: http://www.tptp.org/ - SAT Competition: http://www.satcompetition.org/ - EFF AI Progress Metrics: https://www.eff.org/ai/metrics - International Federation of Robotics: https://ifr.org/ - GitHub Archive: https://www.gharchive.org/ - Crunchbase: https://www.crunchbase.com/ ## ספרות - AI Index Steering Committee (2017). *AI Index 2017 Annual Report*. https://aiindex.stanford.edu/2017-report/ - Russakovsky, O. et al. (2015). *ImageNet Large Scale Visual Recognition Challenge*. *International Journal of Computer Vision*. https://arxiv.org/abs/1409.0575 - Rajpurkar, P. et al. (2016). *SQuAD: 100,000+ Questions for Machine Comprehension of Text*. https://arxiv.org/abs/1606.05250 - Silver, D. et al. (2016). *Mastering the game of Go with deep neural networks and tree search*. *Nature*, 529. https://doi.org/10.1038/nature16961 - Silver, D. et al. (2017). *Mastering the game of Go without human knowledge*. *Nature*, 550. https://doi.org/10.1038/nature24270 - Mnih, V. et al. (2015). *Human-level control through deep reinforcement learning*. *Nature*, 518. https://doi.org/10.1038/nature14236 - Esteva, A. et al. (2017). *Dermatologist-level classification of skin cancer with deep neural networks*. *Nature*, 542. https://doi.org/10.1038/nature21056 - Brown, N. & Sandholm, T. (2017). *Superhuman AI for heads-up no-limit poker: Libratus beats top professionals*. *Science*, 359(6374). https://doi.org/10.1126/science.aao1733 - Campbell, M. et al. (2002). *Deep Blue*. *Artificial Intelligence*, 134(1–2). https://doi.org/10.1016/S0004-3702(01)00129-1 - Marcus, M. et al. (1993). *Building a Large Annotated Corpus of English: The Penn Treebank*. *Computational Linguistics*, 19(2). - International Federation of Robotics (2017). *World Robotics Report*. https://ifr.org/worldrobotics/ ## הערות 1. ↑ ^{[1.00](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-0)} ^{[1.01](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-1)} ^{[1.02](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-2)} ^{[1.03](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-3)} ^{[1.04](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-4)} ^{[1.05](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-5)} ^{[1.06](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-6)} ^{[1.07](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-7)} ^{[1.08](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-8)} ^{[1.09](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-9)} ^{[1.10](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-10)} ^{[1.11](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-11)} ^{[1.12](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-12)} ^{[1.13](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-13)} ^{[1.14](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-14)} ^{[1.15](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-15)} ^{[1.16](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-16)} ^{[1.17](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-17)} ^{[1.18](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-18)} ^{[1.19](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-19)} ^{[1.20](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-20)} ^{[1.21](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-21)} ^{[1.22](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-22)} ^{[1.23](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-23)} ^{[1.24](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-24)} ^{[1.25](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-25)} ^{[1.26](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-26)} ^{[1.27](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-27)} ^{[1.28](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-28)} ^{[1.29](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-29)} ^{[1.30](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-30)} ^{[1.31](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-31)} ^{[1.32](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-32)} ^{[1.33](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-33)} ^{[1.34](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-34)} ^{[1.35](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-35)} ^{[1.36](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-36)} ^{[1.37](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-37)} ^{[1.38](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-38)} ^{[1.39](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-39)} ^{[1.40](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-40)} ^{[1.41](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-41)} ^{[1.42](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-42)} ^{[1.43](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-43)} ^{[1.44](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-44)} ^{[1.45](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-45)} ^{[1.46](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-46)} ^{[1.47](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-47)} ^{[1.48](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-48)} ^{[1.49](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-49)} ^{[1.50](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-50)} ^{[1.51](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-51)} ^{[1.52](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-52)} ^{[1.53](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-53)} ^{[1.54](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-54)} ^{[1.55](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-55)} ^{[1.56](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-56)} ^{[1.57](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-57)} ^{[1.58](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-58)} ^{[1.59](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-59)} ^{[1.60](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2017_1-60)} AI Index Steering Committee (2017). *AI Index 2017 Annual Report*. https://aiindex.stanford.edu/2017-report/ 2. ↑ ^{[2.0](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-Horvitz2017_2-0)} ^{[2.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-Horvitz2017_2-1)} Horvitz, E. (2017). Commentary in *AI Index 2017 Annual Report*. https://aiindex.stanford.edu/2017-report/ 3. ↑ ^{[3.0](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-Scopus2017_3-0)} ^{[3.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-Scopus2017_3-1)} ^{[3.2](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-Scopus2017_3-2)} Elsevier Scopus Database (2017). https://www.scopus.com/ 4. ↑ ^{[4.0](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-Crunchbase2017_4-0)} ^{[4.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-Crunchbase2017_4-1)} Crunchbase (2017). AI-related startup data. https://www.crunchbase.com/ 5. ↑ ^{[5.0](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-VentureSource2017_5-0)} ^{[5.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-VentureSource2017_5-1)} ^{[5.2](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-VentureSource2017_5-2)} VentureSource / Sand Hill Econometrics (2017). Venture-backed AI company data. 6. ↑ ^{[6.0](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-Indeed2017_6-0)} ^{[6.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-Indeed2017_6-1)} ^{[6.2](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-Indeed2017_6-2)} Indeed.com (2017). AI job growth data. https://www.indeed.com/ 7. ↑ ^{[7.0](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-Monster2017_7-0)} ^{[7.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-Monster2017_7-1)} ^{[7.2](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-Monster2017_7-2)} Monster.com / CEB TalentNeuron (2017). AI job openings data. https://www.monster.com/ 8. ↑ ^{[8.0](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-IFR2017_8-0)} ^{[8.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-IFR2017_8-1)} International Federation of Robotics (2017). *World Robotics Report*. https://ifr.org/worldrobotics/ 9. ↑ ^{[9.0](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-GitHub2017_9-0)} ^{[9.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-GitHub2017_9-1)} GitHub Archive / Google BigQuery (2017). GitHub AI project statistics. https://www.gharchive.org/ 10. ↑ ^{[10.0](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-TrendKite2017_10-0)} ^{[10.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-TrendKite2017_10-1)} TrendKite (2017). Media sentiment analysis data. https://www.trendkite.com/ 11. [↑](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-ImageNet2017_11-0) LSVRC ImageNet Competition (2010–2017). http://www.image-net.org/challenges/LSVRC/ 12. ↑ ^{[12.0](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-Russakovsky2015_12-0)} ^{[12.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-Russakovsky2015_12-1)} Russakovsky, O. et al. (2015). *ImageNet Large Scale Visual Recognition Challenge*. *International Journal of Computer Vision*. https://arxiv.org/abs/1409.0575 13. [↑](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-VQA2017_13-0) VQA Dataset (2017). http://www.visualqa.org/ 14. [↑](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-PennTreebank_14-0) Marcus, M. et al. (1993). *Building a Large Annotated Corpus of English: The Penn Treebank*. *Computational Linguistics*, 19(2). https://catalog.ldc.upenn.edu/LDC99T42 15. ↑ ^{[15.0](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-WMT2017_15-0)} ^{[15.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-WMT2017_15-1)} Conference on Machine Translation / EuroMatrix (2017). WMT News Translation Task. http://www.statmt.org/wmt17/ 16. [↑](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-SQuAD2016_16-0) Rajpurkar, P. et al. (2016). *SQuAD: 100,000+ Questions for Machine Comprehension of Text*. https://arxiv.org/abs/1606.05250 17. ↑ ^{[17.0](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-EFF2017_17-0)} ^{[17.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-EFF2017_17-1)} Electronic Frontier Foundation (2017). *AI Progress Metrics*. https://www.eff.org/ai/metrics 18. [↑](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-TPTP2017_18-0) Sutcliffe, G. (2017). *The TPTP Problem Library*. http://www.tptp.org/ 19. [↑](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-SAT2017_19-0) SAT Competition (2017). http://www.satcompetition.org/ 20. [↑](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-DeepBlue1997_20-0) Campbell, M. et al. (2002). *Deep Blue*. *Artificial Intelligence*, 134(1–2). https://doi.org/10.1016/S0004-3702(01)00129-1 21. [↑](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-Mnih2015_21-0) Mnih, V. et al. (2015). *Human-level control through deep reinforcement learning*. *Nature*, 518. https://doi.org/10.1038/nature14236 22. [↑](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AlphaGo2016_22-0) Silver, D. et al. (2016). *Mastering the game of Go with deep neural networks and tree search*. *Nature*, 529. https://doi.org/10.1038/nature16961 23. [↑](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AlphaGoZero2017_23-0) Silver, D. et al. (2017). *Mastering the game of Go without human knowledge*. *Nature*, 550. https://doi.org/10.1038/nature24270 24. [↑](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-Esteva2017_24-0) Esteva, A. et al. (2017). *Dermatologist-level classification of skin cancer with deep neural networks*. *Nature*, 542. https://doi.org/10.1038/nature21056 25. [↑](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-Libratus2017_25-0) Brown, N. & Sandholm, T. (2017). *Superhuman AI for heads-up no-limit poker: Libratus beats top professionals*. *Science*, 359(6374). https://doi.org/10.1126/science.aao1733 26. [↑](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HE)#cite_ref-AIIndex2024_26-0) Stanford HAI (2024). *Artificial Intelligence Index Report 2024*. https://aiindex.stanford.edu/report/