---
title: "The 2017 AI Index Report (HU)"
source: "https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)"
wiki: "systems-analysis.info/int"
article: "The_2017_AI_Index_Report_(HU)"
language: "hu"
categories:
  - "Category:Hungarian"
  - "Category:Machine learning"
revision_id: 7917
wiki_created_at: 2026-09-07T01:08:53Z
wiki_modified_at: 2026-09-07T01:08:53Z
downloaded_at: 2026-09-07T23:21:34Z
---

# The 2017 AI Index Report (HU)

**AI Index Report 2017** — az **AI Index** projekt első (inaugural) éves jelentése, amelyet 2017 novemberében tettek közzé<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>. A projektet a Stanfordi Egyetemnél működő **One Hundred Year Study on AI** (AI100) kezdeményezés keretében hozták létre, és egy nyílt, nonprofit projekt formájában követi nyomon a mesterséges intelligencia területén zajló aktivitást és haladást. A 2017-es jelentés volt az első kísérlet az MI állapotára vonatkozó adatok szisztematikus összesítésére és vizualizálására, lefedve az akadémiai és ipari tevékenység volumenét, az MI-rendszerek technikai teljesítményét, a származtatott mérőszámokat és az emberi szintű teljesítmény felé tett haladást. A szerzők hangsúlyozzák, hogy releváns adatok híján a társadalom „vakon repül" az MI-vel kapcsolatos vitákban és döntéshozatalban<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>.

## Előzmények és célok

2017-re a mesterséges intelligencia a globális diskurzus előterébe került, felkeltve a szakemberek, iparági vezetők, politikusok és a szélesebb közvélemény figyelmét. Az MI területe olyan gyors ütemben fejlődött, hogy még a szakértők is nehézségekbe ütköztek a haladás megértésében és nyomon követésében. Az AI Index-et olyan eszköznek szánták, amely adatokon – nem találgatásokon vagy anekdotikus bizonyítékokon – alapuló, tájékozott párbeszédet tesz lehetővé az MI-ről<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>.

A projekt ötlete az AI100 Állandó Bizottságának 2015-ös vitái során merült fel<sup>[\[2\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-Horvitz2017-2)</sup>. A jelentés mind az internetről szabadon elérhető adatokat, mind eredeti adatokat összesít, és új mérőszámokat von le a meglévő adatsorok kombinációiból. A jelentés elkészítéséhez felhasznált összes adat nyilvánosan elérhető az aiindex.org weboldalon<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>.

## A jelentés szerkezete

A 2017-es jelentés négy fő adatszakaszból és több vitarészből áll<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>:

1.  **Tevékenységi volumen (Volume of Activity)** — a „mennyi" mérőszámai: publikációk, kurzusokra való felvétel, konferencialátogatottság, startupok, finanszírozás, állásajánlatok, robotimport, nyílt forráskódú szoftverek, közérdeklődés.
2.  **Technikai teljesítmény (Technical Performance)** — a „mennyire jól" mérőszámai: számítógépes látás, természetes nyelvfeldolgozás, beszédfelismerés, tételbizonyítás, SAT-feladatok megoldása.
3.  **Származtatott mérőszámok (Derivative Measures)** — a trendek közötti összefüggések, az „akadémia – ipar" dinamika, AI Vibrancy Index.
4.  **Az emberi szint felé? (Towards Human-Level Performance?)** — azon teljesítmények katalógusa, amelyekben az MI megközelítette vagy meghaladta az emberi szintet.
5.  **Mi hiányzik? (What's Missing?)** — a jelentés korlátainak elismerése és a jövőbeli munka irányai.
6.  **Szakértői fórum (Expert Forum)** — vezető MI-szakértők kommentárjai.

## Tevékenységi volumen

### Akadémiai publikációk

Az Elsevier Scopus adatbázisában az „Artificial Intelligence" kulcsszóval, „Computer Science" szakterületen indexelt, MI-vel foglalkozó tudományos cikkek száma **több mint 9-szeresére nőtt 1996 óta**<sup>[\[3\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-Scopus2017-3)</sup>. Összehasonlításképpen: az informatikai publikációk teljes száma ugyanebben az időszakban körülbelül 6-szorosára nőtt, ami azt jelzi, hogy az MI-publikációk növekedése nem csupán az informatika iránti általános érdeklődés bővülésének, hanem kifejezetten a mesterséges intelligencia iránti fokozódó figyelemnek köszönhető<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>.

A jelentés elkészítésekor a Scopus adatbázis több mint 200 000 informatikai cikket tartalmazott az „Artificial Intelligence" kulcsszóval, és közel 5 millió informatikai cikket az összesen mintegy 70 millió indexált dokumentumból<sup>[\[3\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-Scopus2017-3)</sup>.

### Felvétel a tanfolyamokra

A mesterséges intelligenciával és gépi tanulással foglalkozó bevezető kurzusokra való hallgatói felvétel rohamos növekedést mutatott. A Stanfordi Egyetemen az MI-bevezető kurzusra való felvétel **1996 óta 11-szeresére nőtt**<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>. A Machine Learning (ML) mint az MI részterülete külön kiemelésre került a különösen gyors felvételi növekedés és az ML-technikák kritikus szerepe miatt a közelmúlt MI-eredményeiben.

Hasonló tendenciák figyelhetők meg más vezető egyetemeken is: a Berkeleyi Kaliforniai Egyetemen, a Carnegie Mellon Egyetemen, a Georgiai Műszaki Intézetben, az Urbana-Champaign-i Illinoisi Egyetemen, a Massachusettsi Műszaki Intézetben és a Washingtoni Egyetemen<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>. A jelentés szerzői megjegyzik, hogy ezek az adatok csupán szűk keresztmetszetét képviselik a felsőoktatási intézményi tájképnek, és nem feltétlenül reprezentatívak a szélesebb körű oktatási intézményekre nézve.

### Konferencialátogatottság

A vezető MI-konferenciák (AAAI, AAMAS, ACL, CP, CVPR, ECAI, ICAPS, ICRA, ICLR, ICML, IJCAI, IROS, KR, NIPS, UAI) látogatottsági adatai megerősítették **a kutatási fókusz elmozdulását a szimbolikus következtetéstől a Machine Learning és a Deep Learning felé**<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>. A gépi tanulással foglalkozó konferenciák (NIPS, ICML, ICLR) mutatták a legjelentősebb látogatottsági növekedést, míg a szimbolikus módszerekkel foglalkozó konferenciák (KR, CP, ICAPS) stabil, de szerényebb közösséget tartottak fenn, amely folyamatosan elért tartós haladást<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>.

### MI-startupok

Az aktív, kockázatitőke-finanszírozású, MI-rendszereket fejlesztő amerikai startupok száma **2000 óta 14-szeresére nőtt**<sup>[\[4\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-Crunchbase2017-4)[\[5\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-VentureSource2017-5)</sup>. Az MI-vállalatok azonosításához Crunchbase-kategóriákat alkalmaztak (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), majd keresztellenőrzést végeztek a VentureSource adatbázissal<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>.

### Kockázati finanszírozás

Az amerikai MI-startupokba irányuló éves kockázatitőke-befektetések volumene **2000 óta 6-szorosára nőtt**<sup>[\[5\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-VentureSource2017-5)</sup>. Az adatok a finanszírozás összes szakaszát lefedik, és a Sand Hill Econometrics vállalat gyűjtötte össze a VentureSource adatbázis alapján<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>.

### Munkaerőpiac

A két legnagyobb online álláshirdetési platform – az Indeed.com és a Monster.com – adatai jelentős növekedést mutattak az MI-szakemberek iránti keresletben<sup>[\[6\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-Indeed2017-6)[\[7\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-Monster2017-7)</sup>.

**Indeed.com:** Az MI-készségeket igénylő álláshirdetések aránya az Egyesült Államokban a platformon **2013 óta 4,5-szeresére nőtt**<sup>[\[6\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-Indeed2017-6)</sup>. Hasonlóan gyors növekedés volt megfigyelhető Kanadában és az Egyesült Királyságban is, bár abszolút méretüket tekintve piacaik rendre az amerikai piac 5%-át és 27%-át tették ki<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>.

**Monster.com:** A készségek szerinti bontásban vizsgált MI-állásajánlatok abszolút számának elemzése (gépi tanulás, számítógépes látás, természetes nyelvfeldolgozás stb.) szintén folyamatos növekedést erősített meg. Egy álláshirdetés egyszerre több készséget is megkövetelhetett<sup>[\[7\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-Monster2017-7)</sup>.

### Robotimport

A Nemzetközi Robotikai Szövetség (IFR) által készített éves World Robotics Report adatai az ipari robotok importjának folyamatos növekedését mutatták mind Észak-Amerikában, mind globálisan<sup>[\[8\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-IFR2017-8)</sup>. A jelentés szerzői megjegyzik, hogy nincs egyszerű módszer annak meghatározására, hogy a robotok hány százaléka használ „MI"-nek minősülő szoftvert, és az MI-fejlesztések milyen mértékben járulnak hozzá az ipari robotok használatának növekedéséhez<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>.

### Nyílt forráskódú szoftverek

A fejlesztők MI-keretrendszerek iránti érdeklődése a GitHub platformon jelentős növekedést mutatott. A főbb Machine Learning és Deep Learning csomagok – TensorFlow, Scikit-Learn, Keras, PyTorch, Caffe, MXNet, CNTK és Theano – csillagjainak (Stars) száma rohamosan nőtt<sup>[\[9\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-GitHub2017-9)</sup>. A Google TensorFlow-ja és a Scikit-Learn emelkedett ki a legnépszerűbb csomagokként, miközben a csillagok és elágazások (Forks) száma szerinti trendek szinte azonosak voltak<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>.

### Közérdeklődés: a média hangulata

Az „Artificial Intelligence" kifejezést tartalmazó, népszerű médiában megjelenő publikációk hangulatának elemzése a TrendKite szolgáltatás adatai alapján a pozitív és negatív cikkek arányának dinamikáját mutatta meg<sup>[\[10\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-TrendKite2017-10)</sup>. A TrendKite osztályozója az angol nyelvű cikkeket (a sajtóközleményeket, pénzügyi híreket és gyászjelentéseket kiszűrve) „pozitív", „negatív" és „semleges" kategóriákba sorolta<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>.

## Technikai teljesítmény

A technikai teljesítmény szakasz nyomon követi az MI-rendszerek előrehaladását számítógépes látási, természetes nyelvfeldolgozási, beszédfelismerési, tételbizonyítási és SAT-feladat-megoldási feladatokban<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>.

### Számítógépes látás

#### Objektumdetektálás (Object Detection)

Az ImageNet adatkészleten alapuló Large Scale Visual Recognition Challenge (LSVRC) versenyen **a képfelismerési hibaarány 28,5%-ról kevesebb mint 2,5%-ra csökkent 2010 és 2017 között**<sup>[\[11\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-ImageNet2017-11)</sup>. Összehasonlításképpen: az emberi hibaszint körülbelül 5%-ra becsülhető<sup>[\[12\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-Russakovsky2015-12)</sup>, vagyis 2017-re az MI-rendszerek ezen a benchmark-on már lényegesen meghaladták az emberi szintet. Az ImageNet-verseny 2017-ben fejeződött be<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>.

#### Vizuális kérdés-válasz (Visual Question Answering)

A VQA 1.0 adatkészleten – amely képekre vonatkozó nyílt kérdésekre adott válaszok generálásának feladatát tartalmazza – az MI-rendszerek folyamatos előrehaladást mutattak<sup>[\[13\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-VQA2017-13)</sup>. A szerzők megjegyezték, hogy a VQA 1.0 adatkészletet már felváltotta a VQA 2.0, és nem volt egyértelmű, hogy az eredeti verzióra mennyi figyelmet fordítanak a továbbiakban<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>.

### Természetes nyelvfeldolgozás

#### Szintaktikai elemzés (Parsing)

A Penn Treebank Wall Street Journal korpuszának 23. szakaszán alapuló standard tesztkészleten az automatikus elemzők az F1-mérőszám folyamatos növekedését mutatták<sup>[\[14\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-PennTreebank-14)</sup>. Az eredményeket rögzítették mind a 40 szónál rövidebb mondatokra, mind a teljes mondatkészletre<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>.

#### Gépi fordítás (Machine Translation)

Az éves Workshop on Machine Translation (WMT) versenyen az angol és német nyelvű hírfordítás feladatán a legjobb rendszerek általánosan emelkedő trendet mutattak a BLEU mérőszám alapján<sup>[\[15\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-WMT2017-15)</sup>. A BLEU mérőszám – a gépi fordítás több emberi fordítással való összehasonlításának automatikus módszere – a pontosság (precision) módosított változata, 0 és 1 közötti értékekkel. Bár a BLEU korrelál a fordítás minőségének szakértői értékelésével, nem használható korpuszok közötti összehasonlításra, és a rendszerek közötti összehasonlítás félrevezető lehet<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>.

2017-ben a BLEU-pontszámok észrevehetően csökkentek 2016-hoz képest (bár magasabbak maradtak a 2015-ös szintnél), ami valószínűleg a tesztkészlet sajátosságaival magyarázható, nem a gépi fordítórendszerek tényleges minőségcsökkenésével<sup>[\[15\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-WMT2017-15)</sup>.

#### Kérdés-válasz (Question Answering)

A Stanford Question Answering Dataset (SQuAD) adatkészleten – amely több mint 500 cikket és 100 000 kérdés-válasz párt tartalmaz – az MI-rendszerek gyors növekedést mutattak az Exact Match (EM) mérőszámban, amely azt méri, hogy a válaszok hány százaléka egyezik pontosan az etalon válaszokkal<sup>[\[16\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-SQuAD2016-16)</sup>. Az emberi teljesítmény szintje a SQuAD-on 82,3% volt<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>. A SQuAD-on elért pontszámok gyorsan nőttek az adatkészlet 2016 júniusi létrehozása óta.

### Beszédfelismerés

A Switchboard Hub5'00 standard adatkészleten – telefonbeszélgetések alapján végzett beszédfelismerési feladaton – **a Microsoft és az IBM 2017-ben az „emberi paritáshoz" közeli teljesítményt ért el**<sup>[\[17\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-EFF2017-17)</sup>. A Word Error Rate (WER) mérőszám – a hibák száma (szócsere, törlés és beillesztés), normalizálva a mondat hosszával – évek óta csökkent. Vita volt az emberi hibaszint pontos értékéről: 5,1%-os és 5,9%-os értékeket, sőt 5% alattiakat is említettek. A jelentés az 5,1%-os küszöbértéket alkalmazta<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>.

A szerzők aggodalmukat fejezték ki azzal kapcsolatban, hogy a Switchboard adatkészlet hosszú ideje tartó használata az MI-rendszerek jelentős túlilleszkedéséhez (overfitting) vezethet az adott adatokon<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>.

### Tételbizonyítás

A Thousands of Problems for Theorem Provers (TPTP) feladatkészleten a „traktabilitás" (tractability) átlagos értékét követték nyomon – azt, hogy a modern automatikus tételbizonyítók (ATP) mekkora hányadának sikerül megoldani egy feladatot<sup>[\[18\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-TPTP2017-18)</sup>. A TPTP v5.0.0-s verziója (2010) óta nem frissített feladatok részhalmazát elemezték. A mérőszámnak van egy sajátossága: az új feladatokat jól megoldó, de más rendszerek által megoldott feladatokkal rosszul boldoguló, hatékony ATP-rendszerek megjelenése csökkentheti az átlagos traktabilitást<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>.

### SAT-feladatok megoldása

A SAT Competition versenyből származó ipari feladatpéldányokon a megoldott feladatok arányának növekedését rögzítették<sup>[\[19\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-SAT2017-19)</sup>. Holger Hoos és Kevin Leyton-Brown kutatók 69 megoldót teszteltek 1076, a 2007 óta tartott versenyen bemutatott feladatpéldányon, minden megoldót ugyanazon a hardveren futtatva a helyes összehasonlítás érdekében<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>. A szerzők megjegyezték, hogy a fejlesztések egy része mérnöki eredményeket tükrözhet, nem algoritmikus áttöréseket<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>.

## Származtatott mérőszámok

### Az „akadémia – ipar" dinamika

Az akadémiai és ipari MI-aktivitás közötti összefüggés vizsgálatához három reprezentatív mérőszámot választottak: az MI-publikációk száma, a Stanfordi Egyetemen az MI- és ML-bevezető kurzusokra felvett hallgatók összlétszáma, valamint az MI-startupokba irányuló kockázatitőke-befektetések volumene. Minden mérőszámot a 2000-es évhez képest normalizáltak<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>.

Az elemzés azt mutatta, hogy **kezdetben az akadémiai aktivitás (publikációk és kurzusfelvétel) biztosított folyamatos haladást**. Körülbelül 2010-től a befektetők kezdtek figyelmet fordítani a területre, és 2013-ra az általános aktivitás meredek növekedésének mozgatóerejévé váltak. Ezt követően az akadémia utolérte az ipar „lelkesedését"<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>.

### AI Vibrancy Index (MI-élénkségi index)

Az AI Vibrancy Index egy kísérleti összetett mérőszám, amely a publikációk, a kurzusfelvétel és a kockázati befektetések normalizált mutatóit összesíti az MI mint terület „élénkségének" mennyiségi értékelésére<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>. Az indexet az időbeli normalizált mérőszámok átlagaként számítják, és meredek növekedést mutatott, tükrözve mindhárom összetevő egyidejű növekedését. A szerzők reményüket fejezték ki, hogy az ilyen típusú származtatott mérőszámok felkeltik az érdeklődést az AI Index adatainak további elemzése iránt<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>.

## Az emberi szint felé

A jelentés katalogizálta azokat a hiteles eseteket, amelyekben a számítógépes rendszerek elérték vagy meghaladták az emberi teljesítményszintet, több fontos fenntartással kiegészítve<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>.

**Az összehasonlítás főbb korlátai:** a gépek gyakran felülmúlják az embereket szűken specializált feladatokban, de a teljesítmény meredeken zuhanhat a feltételek legkisebb módosítása esetén. Például egy kínai írásjegyeket olvasó ember valószínűleg érti a kínai beszédet is, tud valamit a kínai kultúráról, és tud ételeket ajánlani egy kínai étteremben. Az MI számára ezek mindegyike teljesen külön rendszert igényelne<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>.

### Teljesítmény-mérföldkövek

| Eredmény                       | Év                  | Leírás                                                                                                                                                                                                                                                                                                                                                                                                                                                              |
|--------------------------------|---------------------|---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| Othello                        | 1980-as évek / 1997 | 1989-ben a BILL program (Kai-Fu Lee, Sanjoy Mahajan) legyőzte Brian Rouse-t, az USA legerősebb játékosát (56–8). 1997-ben a Logistello program a hatjátszmás mérkőzés összes játszmáját megnyerte az akkori világbajnok ellen<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>.                                                                                                                           |
| Dámajáték                      | 1995                | A Chinook program legyőzte az akkori világbajnokot. Az önmagát tanuló dámajáték-programok első változatait Arthur Samuel fejlesztette 1952-től<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>.                                                                                                                                                                                                          |
| Sakk                           | 1997                | Az IBM Deep Blue legyőzte Garri Kaszparov világbajnokot. Egyes tudósok az 1950-es években megjósolták, hogy egy számítógép 1967-ig legyőzi a világbajnokot<sup>[\[20\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-DeepBlue1997-20)</sup>. 2017-re az okostelefonokon futó sakk-programok nagymesteri szinten játszottak<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>. |
| Jeopardy!                      | 2011                | Az IBM Watson rendszer legyőzte a vetélkedő korábbi győzteseit, Brad Ruttert és Ken Jenningst, megnyerve az 1 millió dolláros fődíjat<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>.                                                                                                                                                                                                                   |
| Atari-játékok                  | 2015                | A Google DeepMind csapata megerősítéses tanulási rendszert alkalmazott 49 Atari-játék megtanulásához, emberi szintet érve el a legtöbben (pl. Breakout), bár egyes játékok (pl. Montezuma's Revenge) még elérhetetlenek maradtak<sup>[\[21\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-Mnih2015-21)</sup>.                                                                                                                         |
| Objektumdetektálás (ImageNet)  | 2016                | Az ImageNet képosztályozás automatikus hibaaránya 28%-ról (2010) kevesebb mint 3%-ra csökkent, miközben az emberi szint körülbelül 5%<sup>[\[12\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-Russakovsky2015-12)</sup>.                                                                                                                                                                                                             |
| Go                             | 2016–2017           | Az AlphaGo (Google DeepMind) 4–1-re legyőzte Lee Se-dolt 2016 márciusában, majd az AlphaGo Master 2017 márciusában Ke Jiet. 2017 októberében az AlphaGo Zero 100–0-ra győzte le az eredeti AlphaGo-t<sup>[\[22\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AlphaGo2016-22)[\[23\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AlphaGoZero2017-23)</sup>.                                            |
| Bőrrák-osztályozás             | 2017                | Egy 2032 betegség 129 450 klinikai képén betanított MI-rendszer a bőrrák osztályozásában 21 tanúsított bőrgyógyász szintjével összevethető kompetenciát mutatott<sup>[\[24\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-Esteva2017-24)</sup>.                                                                                                                                                                                       |
| Beszédfelismerés (Switchboard) | 2017                | A Microsoft és az IBM az „emberi paritáshoz" közeli teljesítményt ért el a Switchboard adatkészleten végzett beszédfelismerési feladatban<sup>[\[17\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-EFF2017-17)</sup>.                                                                                                                                                                                                                 |
| Póker                          | 2017                | A Libratus program (CMU) 120 000 játszmából álló korlátlan tétű Texas Hold'em tornán legyőzött négy élvonalbeli játékost. A DeepStack program (Albertai Egyetem) statisztikailag szignifikáns fölényét bizonyította 11 profival szemben, mindegyikkel több mint 3000 játszmán<sup>[\[25\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-Libratus2017-25)</sup>.                                                                        |
| Ms. Pac-Man                    | 2017                | A Maluuba csapat (amelyet a Microsoft felvásárolt) olyan MI-rendszert hozott létre, amely Atari 2600-on elérte a maximális 999 900 pontos eredményt<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>.                                                                                                                                                                                                     |

## Mi hiányzik a jelentésből

A szerzők őszintén elismertek számos lényeges korlátot az inaugural jelentésben<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>:

### Technikai teljesítmény

Számos fontos technikai terület nem került lefedésre: párbeszédes rendszerek (amelyekhez nem álltak rendelkezésre szabványosított benchmark-ok), tervezés, robotikában alkalmazott folytonos irányítás, józan ész alapú következtetés (common sense reasoning), ajánlórendszerek, szabványosított tesztelés. A szerzők figyelmeztettek arra, hogy a haladás nyomon követése általában a jó eredményeket produkáló területeken folyik, ami **optimista torzítást** okoz az MI állapotának megítélésében<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>.

### Nemzetközi lefedettség

A jelentést **túlzottan Amerika-centrikusnak** minősítették, annak ellenére, hogy más országokban is jelentős MI-aktivitás zajlik. Kína befektetési és aktivitási szintjét „megdöbbentőnek" nevezték, de az meghaladta az inaugural jelentés kereteit<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>.

### Sokszínűség és befogadás

A jelentés **nem tartalmazott nemek, faj, gender, etnikai hovatartozás, szexuális orientáció vagy egyéb jellemzők szerinti adatbontást**. A szerzők elismerték, hogy az azzal kapcsolatos kérdések, hogy ki vesz részt az MI-ről szóló párbeszédekben és kinek van hatalma befolyásolni a jövőbeli MI-kutatást és -bevezetést, szorosan összefüggenek a technológiai és kockázatitőke-ágazat hatalmi dinamikájával, valamint a diszkrimináció szélesebb szisztémikus erőivel<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>.

### Állami és vállalati befektetések

A kockázatitőke-finanszírozás adatai csak az Egyesült Államokat fedték le, és az MI-kutatás-fejlesztésbe irányuló összes befektetés rendkívül kis hányadát képviselték. Az állami és vállalati befektetésekre vonatkozó adatok hiányoztak<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>.

### Hatás az egyes ágazatokra

Az MI egészségügyre, autóiparra, pénzügyre, oktatásra és más vertikumokra gyakorolt hatásának mérőszámai nem szerepeltek<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>.

### Társadalmi kockázatok csökkentése

Az MI biztonságával, kiszámíthatóságával, az algoritmusok méltányosságával, az adatvédelemmel és az automatizálás etikai következményeivel kapcsolatos kérdések nem kerültek bemutatásra<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>.

## Szakértői fórum

A jelentés az akadémia, az ipar, a kormányzat és a média képviselőit alkotó vezető szakértők kommentárjait tartalmazta<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>.

### Barbara Grosz (Harvard)

Barbara Grosz hangsúlyozta olyan mérőszámok kidolgozásának fontosságát, amelyek nem csupán az MI-rendszerek teljesítményét ragadják meg önmagában, hanem az **MI és az emberek közötti interakció minőségét** és az MI-rendszerek egyénekre és társadalomra gyakorolt hatását is. Felhívta a figyelmet a jelentés egy hiányosságára: a természetes nyelvfeldolgozásról szóló rész szintaktikai elemzést, gépi fordítást és válaszkeresést fedett le, de nem tartalmazta a párbeszédes rendszereket, amelyek megkövetelik a beszélgetőpartner mentális állapotának figyelembevételét. Grosz emellett sürgette az etikai szempontokat tartalmazó MI-kurzusok arányának és azon vállalatok számának nyomon követését, amelyek felteszik maguknak a kérdést, hogy egy adott MI-rendszert egyáltalán érdemes-e megépíteni<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>.

### Eric Horvitz (Microsoft)

Eric Horvitz az inaugural jelentés megjelenését **kritikus lépésnek nevezte a szélesebb közösség párbeszédbe való bevonásában**. Értékesnek tartotta a származtatott mérőszámok szakaszát és az AI Vibrancy Index-et, javasolva azok érvényesítését a vállalatoknál alkalmazott MI-tehetségek felvételi, összetételi és kompenzációs adataival való összevetés útján. Horvitz különös hangsúlyt fektetett a józan ész alapú következtetés (common sense reasoning) terén elért haladás nyomon követésére, amelyet „még egy kisgyerek is mutat", de a jelenlegi MI-technológiák számára elérhetetlen marad<sup>[\[2\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-Horvitz2017-2)</sup>.

### Kai-Fu Lee (Sinovation Ventures)

Kai-Fu Lee pótolta a jelentés hiányosságát a nemzetközi lefedettség terén, és **áttekintést adott az MI kínai helyzetéről**. Megjegyezte, hogy Kínában háromszor annyi mobiltelefon és internetfelhasználó van, mint az USA-ban vagy Indiában, és a keletkező adatok mennyiségének különbsége lényegesen meghaladja a háromszoros tényezőt: a kínaiak 50-szer olyan gyakran végeznek mobilfizetést, mint az amerikaiak, az ételkiszállítás volumene 10-szeres, a Didi pedig már megkezdte az adatok integrálását a forgalomirányítási rendszerekkel. Lee a Face++ kínai startupot hozta fel példaként, amely három számítógépes látással foglalkozó versenyen végzett az első helyen, megelőzve a Google-t, a Microsoftot, a Facebookot és a CMU-t. Utalt a Kínai Állami Tanács 2017. júliusi tervére, amely szerint Kína 2030-ra az MI-innováció globális központjává válna, és megjósolta, hogy **az amerikai–kínai duopólium az MI területén nemcsak elkerülhetetlen, hanem már be is következett**<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>.

### Andrew Ng (Coursera, Stanford)

Andrew Ng az MI-t **„új elektromosságnak"** jellemezte, amely számos iparágat alakít át. Leírta a Deep Learning által átalakított MI-részterületek egymást követő sorát: először a beszédfelismerés, majd a számítógépes látás, majd az NLP (ami a chatbot-ok virágzásához vezet), és azután a robotika (új gyártási lehetőségek). Ng hangsúlyozta, hogy az ésszerűbb MI-politikával rendelkező országok gyorsabban fognak haladni, míg a rosszul átgondolt intézkedéseket alkalmazó országok lemaradás kockázatának teszik ki magukat<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>.

### Daniela Rus (MIT)

Daniela Rus optimista képet festett **az MI-ről mint a pozitív változások vektoráról**: az éghajlatváltozás elleni küzdelemtől és az oktatás demokratizálásától az autonóm járművekig és a személyre szabott egészségügyi ellátásig. Hangsúlyozta, hogy a széles körben elterjedt vélekedéssel ellentétben az MI kielégítőbb, nem pedig kevesebb munkahelyet fog teremteni, mivel az MI és a robotika által hozott termelékenységnövekedés felszabadítja az embereket a monoton feladatok alól<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>.

### Sebastian Thrun (Stanford, Udacity)

Sebastian Thrun történelmi párhuzamot vont: a gőzgép feltalálása előtt az emberek többsége farmer volt, akiket fizikai erejük határozott meg. A gépek „szuperemberré" változtatták a farmereket – egy amerikai farmer 155 embert táplál, és az USA lakosságának kevesebb mint 2%-a dolgozik a mezőgazdaságban. Hasonlóképpen, **az MI képes megtanulni ismétlődő munkánk mintáit, és segíthet bennünket „szuperemberekké" válni**. Thrun megjósolta **a példa nélküli emberi kreativitás korának eljövetelét**, de figyelmeztetett arra, hogy szükséges „egész életen át tartó tanulókká" válni és alkalmazkodni a változásokhoz<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>.

### Michael Wooldridge (Oxford)

Michael Wooldridge a központi kérdést tette fel: létezik-e **„MI-buborék"**, és ki fog-e pukkanni (a dotcom-buborékhoz hasonlóan, 1996–2001), vagy lassan le fog ereszkedni? Fő aggodalma egy újabb „MI-tél" volt, amelyet a tömeges spekulatív befektetések utáni kiábrándulás váltana ki. Ugyanakkor óvatos optimizmusát fejezte ki: a korábbi ciklusoktól eltérően, **a jelenlegi buborék alatt valódi tartalom rejlik** – az MI-rendszerek tartós haladást mutatnak, és a nagyvállalatok megtanulták produktívan alkalmazni az MI-technikákat. Wooldridge emellett felvetette az általános MI (General AI) felé tett haladás mérésének kérdését, megjegyezve, hogy sem ő, sem senki más nem tudja, hogyan kellene ezt mérni<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>.

### Megan Smith és Susan Alzner

Az Egyesült Államok korábbi technológiai igazgatója, Megan Smith és Susan Alzner (az ENSZ NGO kapcsolattartó irodájától) a **sokszínűség és befogadás elsőrendű fontosságát** hangsúlyozták. Rámutattak arra, hogy a párbeszédből és a tervezőcsapatokból az emberiség többsége ki van zárva a „tömeges tudatos és tudattalan elfogultság, a jelentős diszkriminatív kulturális minták és a szisztematikus kirekesztés elsajátított viselkedése" következtében. A szerzők számos kulcsfontosságú kezdeményezésre hivatkoztak: Algorithmic Justice League, az ENSZ-hez intézett petíció a fegyveres MI-vel kapcsolatban, CS for All mozgalom, AI4All kezdeményezés<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>.

## Módszertan

A jelentés számos forrásból gyűjtött adatokat<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>:

- **Publikációk:** Elsevier Scopus – közel 70 millió dokumentumot tartalmazó adatbázis; lekérdezések az „Artificial Intelligence" kulcsszóra a „Computer Science" szakterületen 1996-tól kezdődően<sup>[\[3\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-Scopus2017-3)</sup>.
- **Kurzusfelvétel:** Egyetemi nyilvántartások – UC Berkeley, Carnegie Mellon, Georgia Tech, UIUC, MIT, Stanford, University of Washington<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>.
- **Konferencialátogatottság:** 15 konferencia szervezőitől származó adatok (AAAI, AAMAS, ACL, CP, CVPR, ECAI, ICAPS, ICRA, ICLR, ICML, IJCAI, IROS, KR, NIPS, UAI)<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>.
- **Startupok és finanszírozás:** Crunchbase (API a vállalatok kategóriák szerinti azonosításához), VentureSource (kockázatitőke-finanszírozási adatok), Sand Hill Econometrics (összesítés)<sup>[\[4\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-Crunchbase2017-4)[\[5\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-VentureSource2017-5)</sup>.
- **Munkaerőpiac:** Indeed.com (MI-állásajánlatok aránya országonként), Monster.com / CEB TalentNeuron (állásajánlatok abszolút száma készségek szerint)<sup>[\[6\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-Indeed2017-6)[\[7\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-Monster2017-7)</sup>.
- **Robotimport:** International Federation of Robotics, World Robotics Report<sup>[\[8\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-IFR2017-8)</sup>.
- **GitHub:** GitHub Archive a Google BigQuery-n keresztül – WatchEvent események számának összesítése MI-keretrendszerek adattárainál<sup>[\[9\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-GitHub2017-9)</sup>.
- **Média hangulata:** TrendKite – angol nyelvű cikkek osztályozása a sajtóközlemények, pénzügyi hírek és gyászjelentések kiszűrésével<sup>[\[10\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-TrendKite2017-10)</sup>.
- **Benchmark-ok:** LSVRC ImageNet, VQA 1.0, Penn Treebank, WMT / EuroMatrix, SQuAD, Switchboard Hub5'00, TPTP, SAT Competition<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>.

## Vezetőség és szerzői kollektíva

Az AI Index 2017 projektet egy irányítóbizottság felügyelete alatt készítették<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>:

- **Yoav Shoham** (Stanfordi Egyetem) — elnök
- **Raymond Perrault** (SRI International)
- **Erik Brynjolfsson** (MIT)
- **Jack Clark** (OpenAI)
- **Calvin LeGassick** — projektmenedzser

A tanácsadó bizottság tagjai: Michael Bowling, Ernie Davis, Julia Hirschberg, Eric Horvitz, Karen Levy, Alan Mackworth, Tom Mitchell, Sandy Pentland, Chris Ré, Daniela Rus, Sebastian Thrun, Hal Varian és Toby Walsh<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>.

A partnerszervezetek között szerepel: Allen Institute for Artificial Intelligence, Crunchbase, Electronic Frontier Foundation, Elsevier, EuroMatrix, Google Brain, Indeed.com, Monster.com, Sand Hill Econometrics, Sinovation Ventures, TrendKite, VentureSource. Az induló finanszírozást a Google, a Microsoft és a Bytedance (Toutiao) biztosította, az AI Index azonban hangsúlyozza függetlenségét, és megjegyzi, hogy nem feltétlenül tükrözi ezeknek a szervezeteknek az álláspontját<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>.

## Történelmi jelentőség

A 2017-es AI Index inaugural jelentése megalapozta az azt követő éves jelentések sorozatát, amelyek idővel jelentősen kibővítették a lefedett területeket – a kezdeti négy szakasztól a 2024-es jelentés kilenc tematikus fejezetéig. A 2017-es jelentés „What's Missing" szakaszában őszintén elismert hiányosságok közül sokat fokozatosan orvosoltak: a nemzetközi lefedettséget (a 2018-as jelentéstől kezdve), a sokszínűségi adatokat, az állami befektetéseket, a vertikumokra gyakorolt hatást, valamint a felelős MI-t és a szabályozást<sup>[\[26\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2024-26)</sup>. Az AI Index projekt ezt követően a Stanfordi HAI (Human-Centered Artificial Intelligence) Intézet égisze alá került, amelyet 2019-ben alapítottak<sup>[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_note-AIIndex2017-1)</sup>.

## Hivatkozások

- AI Index 2017 Annual Report (teljes szöveg): <a href="https://aiindex.stanford.edu/2017-report/" class="external free" rel="nofollow">https://aiindex.stanford.edu/2017-report/</a>
- One Hundred Year Study on AI (AI100): <a href="https://ai100.stanford.edu/" class="external free" rel="nofollow">https://ai100.stanford.edu/</a>
- Stanford HAI — Human-Centered Artificial Intelligence: <a href="https://hai.stanford.edu/" class="external free" rel="nofollow">https://hai.stanford.edu/</a>
- Elsevier Scopus: <a href="https://www.scopus.com/" class="external free" rel="nofollow">https://www.scopus.com/</a>
- ImageNet / LSVRC: <a href="http://www.image-net.org/challenges/LSVRC/" class="external free" rel="nofollow">http://www.image-net.org/challenges/LSVRC/</a>
- SQuAD — Stanford Question Answering Dataset: <a href="https://rajpurkar.github.io/SQuAD-explorer/" class="external free" rel="nofollow">https://rajpurkar.github.io/SQuAD-explorer/</a>
- TPTP — Thousands of Problems for Theorem Provers: <a href="http://www.tptp.org/" class="external free" rel="nofollow">http://www.tptp.org/</a>
- SAT Competition: <a href="http://www.satcompetition.org/" class="external free" rel="nofollow">http://www.satcompetition.org/</a>
- EFF AI Progress Metrics: <a href="https://www.eff.org/ai/metrics" class="external free" rel="nofollow">https://www.eff.org/ai/metrics</a>
- International Federation of Robotics: <a href="https://ifr.org/" class="external free" rel="nofollow">https://ifr.org/</a>
- GitHub Archive: <a href="https://www.gharchive.org/" class="external free" rel="nofollow">https://www.gharchive.org/</a>
- Crunchbase: <a href="https://www.crunchbase.com/" class="external free" rel="nofollow">https://www.crunchbase.com/</a>

## Irodalom

- AI Index Steering Committee (2017). *AI Index 2017 Annual Report*. <a href="https://aiindex.stanford.edu/2017-report/" class="external free" rel="nofollow">https://aiindex.stanford.edu/2017-report/</a>
- Russakovsky, O. et al. (2015). *ImageNet Large Scale Visual Recognition Challenge*. *International Journal of Computer Vision*. <a href="https://arxiv.org/abs/1409.0575" class="external free" rel="nofollow">https://arxiv.org/abs/1409.0575</a>
- Rajpurkar, P. et al. (2016). *SQuAD: 100,000+ Questions for Machine Comprehension of Text*. <a href="https://arxiv.org/abs/1606.05250" class="external free" rel="nofollow">https://arxiv.org/abs/1606.05250</a>
- Silver, D. et al. (2016). *Mastering the game of Go with deep neural networks and tree search*. *Nature*, 529. <a href="https://doi.org/10.1038/nature16961" class="external free" rel="nofollow">https://doi.org/10.1038/nature16961</a>
- Silver, D. et al. (2017). *Mastering the game of Go without human knowledge*. *Nature*, 550. <a href="https://doi.org/10.1038/nature24270" class="external free" rel="nofollow">https://doi.org/10.1038/nature24270</a>
- Mnih, V. et al. (2015). *Human-level control through deep reinforcement learning*. *Nature*, 518. <a href="https://doi.org/10.1038/nature14236" class="external free" rel="nofollow">https://doi.org/10.1038/nature14236</a>
- Esteva, A. et al. (2017). *Dermatologist-level classification of skin cancer with deep neural networks*. *Nature*, 542. <a href="https://doi.org/10.1038/nature21056" class="external free" rel="nofollow">https://doi.org/10.1038/nature21056</a>
- Brown, N. & Sandholm, T. (2017). *Superhuman AI for heads-up no-limit poker: Libratus beats top professionals*. *Science*, 359(6374). <a href="https://doi.org/10.1126/science.aao1733" class="external free" rel="nofollow">https://doi.org/10.1126/science.aao1733</a>
- Campbell, M. et al. (2002). *Deep Blue*. *Artificial Intelligence*, 134(1–2). <a href="https://doi.org/10.1016/S0004-3702(01)00129-1" class="external free" rel="nofollow">https://doi.org/10.1016/S0004-3702(01)00129-1</a>
- 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*. <a href="https://ifr.org/worldrobotics/" class="external free" rel="nofollow">https://ifr.org/worldrobotics/</a>

## Megjegyzések

1.  <span id="cite_note-AIIndex2017-1">↑ <sup>[1.00](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-0)</sup> <sup>[1.01](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-1)</sup> <sup>[1.02](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-2)</sup> <sup>[1.03](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-3)</sup> <sup>[1.04](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-4)</sup> <sup>[1.05](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-5)</sup> <sup>[1.06](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-6)</sup> <sup>[1.07](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-7)</sup> <sup>[1.08](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-8)</sup> <sup>[1.09](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-9)</sup> <sup>[1.10](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-10)</sup> <sup>[1.11](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-11)</sup> <sup>[1.12](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-12)</sup> <sup>[1.13](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-13)</sup> <sup>[1.14](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-14)</sup> <sup>[1.15](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-15)</sup> <sup>[1.16](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-16)</sup> <sup>[1.17](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-17)</sup> <sup>[1.18](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-18)</sup> <sup>[1.19](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-19)</sup> <sup>[1.20](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-20)</sup> <sup>[1.21](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-21)</sup> <sup>[1.22](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-22)</sup> <sup>[1.23](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-23)</sup> <sup>[1.24](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-24)</sup> <sup>[1.25](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-25)</sup> <sup>[1.26](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-26)</sup> <sup>[1.27](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-27)</sup> <sup>[1.28](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-28)</sup> <sup>[1.29](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-29)</sup> <sup>[1.30](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-30)</sup> <sup>[1.31](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-31)</sup> <sup>[1.32](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-32)</sup> <sup>[1.33](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-33)</sup> <sup>[1.34](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-34)</sup> <sup>[1.35](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-35)</sup> <sup>[1.36](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-36)</sup> <sup>[1.37](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-37)</sup> <sup>[1.38](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-38)</sup> <sup>[1.39](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-39)</sup> <sup>[1.40](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-40)</sup> <sup>[1.41](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-41)</sup> <sup>[1.42](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-42)</sup> <sup>[1.43](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-43)</sup> <sup>[1.44](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-44)</sup> <sup>[1.45](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-45)</sup> <sup>[1.46](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-46)</sup> <sup>[1.47](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-47)</sup> <sup>[1.48](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-48)</sup> <sup>[1.49](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-49)</sup> <sup>[1.50](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-50)</sup> <sup>[1.51](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-51)</sup> <sup>[1.52](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-52)</sup> <sup>[1.53](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-53)</sup> <sup>[1.54](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-54)</sup> <sup>[1.55](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-55)</sup> <sup>[1.56](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-56)</sup> <sup>[1.57](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-57)</sup> <sup>[1.58](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-58)</sup> <sup>[1.59](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-59)</sup> <sup>[1.60](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2017_1-60)</sup> AI Index Steering Committee (2017). *AI Index 2017 Annual Report*. <a href="https://aiindex.stanford.edu/2017-report/" class="external free" rel="nofollow">https://aiindex.stanford.edu/2017-report/</a></span>
2.  <span id="cite_note-Horvitz2017-2">↑ <sup>[2.0](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-Horvitz2017_2-0)</sup> <sup>[2.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-Horvitz2017_2-1)</sup> Horvitz, E. (2017). Commentary in *AI Index 2017 Annual Report*. <a href="https://aiindex.stanford.edu/2017-report/" class="external free" rel="nofollow">https://aiindex.stanford.edu/2017-report/</a></span>
3.  <span id="cite_note-Scopus2017-3">↑ <sup>[3.0](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-Scopus2017_3-0)</sup> <sup>[3.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-Scopus2017_3-1)</sup> <sup>[3.2](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-Scopus2017_3-2)</sup> Elsevier Scopus Database (2017). <a href="https://www.scopus.com/" class="external free" rel="nofollow">https://www.scopus.com/</a></span>
4.  <span id="cite_note-Crunchbase2017-4">↑ <sup>[4.0](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-Crunchbase2017_4-0)</sup> <sup>[4.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-Crunchbase2017_4-1)</sup> Crunchbase (2017). AI-related startup data. <a href="https://www.crunchbase.com/" class="external free" rel="nofollow">https://www.crunchbase.com/</a></span>
5.  <span id="cite_note-VentureSource2017-5">↑ <sup>[5.0](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-VentureSource2017_5-0)</sup> <sup>[5.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-VentureSource2017_5-1)</sup> <sup>[5.2](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-VentureSource2017_5-2)</sup> VentureSource / Sand Hill Econometrics (2017). Venture-backed AI company data.</span>
6.  <span id="cite_note-Indeed2017-6">↑ <sup>[6.0](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-Indeed2017_6-0)</sup> <sup>[6.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-Indeed2017_6-1)</sup> <sup>[6.2](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-Indeed2017_6-2)</sup> Indeed.com (2017). AI job growth data. <a href="https://www.indeed.com/" class="external free" rel="nofollow">https://www.indeed.com/</a></span>
7.  <span id="cite_note-Monster2017-7">↑ <sup>[7.0](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-Monster2017_7-0)</sup> <sup>[7.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-Monster2017_7-1)</sup> <sup>[7.2](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-Monster2017_7-2)</sup> Monster.com / CEB TalentNeuron (2017). AI job openings data. <a href="https://www.monster.com/" class="external free" rel="nofollow">https://www.monster.com/</a></span>
8.  <span id="cite_note-IFR2017-8">↑ <sup>[8.0](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-IFR2017_8-0)</sup> <sup>[8.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-IFR2017_8-1)</sup> International Federation of Robotics (2017). *World Robotics Report*. <a href="https://ifr.org/worldrobotics/" class="external free" rel="nofollow">https://ifr.org/worldrobotics/</a></span>
9.  <span id="cite_note-GitHub2017-9">↑ <sup>[9.0](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-GitHub2017_9-0)</sup> <sup>[9.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-GitHub2017_9-1)</sup> GitHub Archive / Google BigQuery (2017). GitHub AI project statistics. <a href="https://www.gharchive.org/" class="external free" rel="nofollow">https://www.gharchive.org/</a></span>
10. <span id="cite_note-TrendKite2017-10">↑ <sup>[10.0](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-TrendKite2017_10-0)</sup> <sup>[10.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-TrendKite2017_10-1)</sup> TrendKite (2017). Media sentiment analysis data. <a href="https://www.trendkite.com/" class="external free" rel="nofollow">https://www.trendkite.com/</a></span>
11. <span id="cite_note-ImageNet2017-11">[↑](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-ImageNet2017_11-0) LSVRC ImageNet Competition (2010–2017). <a href="http://www.image-net.org/challenges/LSVRC/" class="external free" rel="nofollow">http://www.image-net.org/challenges/LSVRC/</a></span>
12. <span id="cite_note-Russakovsky2015-12">↑ <sup>[12.0](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-Russakovsky2015_12-0)</sup> <sup>[12.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-Russakovsky2015_12-1)</sup> Russakovsky, O. et al. (2015). *ImageNet Large Scale Visual Recognition Challenge*. *International Journal of Computer Vision*. <a href="https://arxiv.org/abs/1409.0575" class="external free" rel="nofollow">https://arxiv.org/abs/1409.0575</a></span>
13. <span id="cite_note-VQA2017-13">[↑](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-VQA2017_13-0) VQA Dataset (2017). <a href="http://www.visualqa.org/" class="external free" rel="nofollow">http://www.visualqa.org/</a></span>
14. <span id="cite_note-PennTreebank-14">[↑](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-PennTreebank_14-0) Marcus, M. et al. (1993). *Building a Large Annotated Corpus of English: The Penn Treebank*. *Computational Linguistics*, 19(2). <a href="https://catalog.ldc.upenn.edu/LDC99T42" class="external free" rel="nofollow">https://catalog.ldc.upenn.edu/LDC99T42</a></span>
15. <span id="cite_note-WMT2017-15">↑ <sup>[15.0](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-WMT2017_15-0)</sup> <sup>[15.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-WMT2017_15-1)</sup> Conference on Machine Translation / EuroMatrix (2017). WMT News Translation Task. <a href="http://www.statmt.org/wmt17/" class="external free" rel="nofollow">http://www.statmt.org/wmt17/</a></span>
16. <span id="cite_note-SQuAD2016-16">[↑](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-SQuAD2016_16-0) Rajpurkar, P. et al. (2016). *SQuAD: 100,000+ Questions for Machine Comprehension of Text*. <a href="https://arxiv.org/abs/1606.05250" class="external free" rel="nofollow">https://arxiv.org/abs/1606.05250</a></span>
17. <span id="cite_note-EFF2017-17">↑ <sup>[17.0](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-EFF2017_17-0)</sup> <sup>[17.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-EFF2017_17-1)</sup> Electronic Frontier Foundation (2017). *AI Progress Metrics*. <a href="https://www.eff.org/ai/metrics" class="external free" rel="nofollow">https://www.eff.org/ai/metrics</a></span>
18. <span id="cite_note-TPTP2017-18">[↑](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-TPTP2017_18-0) Sutcliffe, G. (2017). *The TPTP Problem Library*. <a href="http://www.tptp.org/" class="external free" rel="nofollow">http://www.tptp.org/</a></span>
19. <span id="cite_note-SAT2017-19">[↑](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-SAT2017_19-0) SAT Competition (2017). <a href="http://www.satcompetition.org/" class="external free" rel="nofollow">http://www.satcompetition.org/</a></span>
20. <span id="cite_note-DeepBlue1997-20">[↑](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-DeepBlue1997_20-0) Campbell, M. et al. (2002). *Deep Blue*. *Artificial Intelligence*, 134(1–2). <a href="https://doi.org/10.1016/S0004-3702(01)00129-1" class="external free" rel="nofollow">https://doi.org/10.1016/S0004-3702(01)00129-1</a></span>
21. <span id="cite_note-Mnih2015-21">[↑](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-Mnih2015_21-0) Mnih, V. et al. (2015). *Human-level control through deep reinforcement learning*. *Nature*, 518. <a href="https://doi.org/10.1038/nature14236" class="external free" rel="nofollow">https://doi.org/10.1038/nature14236</a></span>
22. <span id="cite_note-AlphaGo2016-22">[↑](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AlphaGo2016_22-0) Silver, D. et al. (2016). *Mastering the game of Go with deep neural networks and tree search*. *Nature*, 529. <a href="https://doi.org/10.1038/nature16961" class="external free" rel="nofollow">https://doi.org/10.1038/nature16961</a></span>
23. <span id="cite_note-AlphaGoZero2017-23">[↑](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AlphaGoZero2017_23-0) Silver, D. et al. (2017). *Mastering the game of Go without human knowledge*. *Nature*, 550. <a href="https://doi.org/10.1038/nature24270" class="external free" rel="nofollow">https://doi.org/10.1038/nature24270</a></span>
24. <span id="cite_note-Esteva2017-24">[↑](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-Esteva2017_24-0) Esteva, A. et al. (2017). *Dermatologist-level classification of skin cancer with deep neural networks*. *Nature*, 542. <a href="https://doi.org/10.1038/nature21056" class="external free" rel="nofollow">https://doi.org/10.1038/nature21056</a></span>
25. <span id="cite_note-Libratus2017-25">[↑](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#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). <a href="https://doi.org/10.1126/science.aao1733" class="external free" rel="nofollow">https://doi.org/10.1126/science.aao1733</a></span>
26. <span id="cite_note-AIIndex2024-26">[↑](https://systems-analysis.info/int/The_2017_AI_Index_Report_(HU)#cite_ref-AIIndex2024_26-0) Stanford HAI (2024). *Artificial Intelligence Index Report 2024*. <a href="https://aiindex.stanford.edu/report/" class="external free" rel="nofollow">https://aiindex.stanford.edu/report/</a></span>