--- title: "The 2017 AI Index Report (ID)" source: "https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)" wiki: "systems-analysis.info/int" article: "The_2017_AI_Index_Report_(ID)" language: "id" categories: - "Category:Indonesian" - "Category:Machine learning" revision_id: 7918 wiki_created_at: 2026-09-07T01:08:54Z wiki_modified_at: 2026-09-07T01:08:54Z downloaded_at: 2026-09-07T23:21:34Z --- # The 2017 AI Index Report (ID) **AI Index Report 2017** — laporan tahunan pertama (inagural) dari proyek **AI Index**, yang diterbitkan pada November 2017^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. Proyek ini dibuat dalam kerangka inisiatif **One Hundred Year Study on AI** (AI100) di Universitas Stanford dan merupakan proyek terbuka nirlaba untuk melacak aktivitas dan kemajuan di bidang kecerdasan buatan. Laporan tahun 2017 merupakan upaya pertama untuk secara sistematis mengagregasi dan memvisualisasikan data tentang keadaan AI, mencakup volume aktivitas di akademia dan industri, kinerja teknis sistem AI, metrik turunan, serta kemajuan menuju tingkat kemampuan manusia. Para penulis menekankan bahwa tanpa data yang relevan tentang keadaan teknologi AI, masyarakat "terbang buta" dalam diskusi dan pengambilan keputusan terkait kecerdasan buatan^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. ## Latar Belakang dan Tujuan Pada tahun 2017, kecerdasan buatan telah muncul ke garis depan wacana global, menarik perhatian para praktisi, pemimpin industri, pembuat kebijakan, dan masyarakat luas. Bidang AI berkembang begitu pesat sehingga bahkan para ahli pun mengalami kesulitan dalam memahami dan melacak kemajuannya. AI Index dirancang sebagai alat untuk percakapan yang terinformasi tentang AI, berdasarkan data, bukan spekulasi atau bukti anekdotal^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. Gagasan proyek ini muncul dalam diskusi Komite Tetap AI100 pada tahun 2015^{[\[2\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-Horvitz2017-2)}. Laporan ini mengagregasi data yang tersedia secara bebas dari internet maupun data orisinal, serta mengekstrak metrik baru dari kombinasi rangkaian data yang ada. Semua data yang digunakan untuk menghasilkan laporan ini dipublikasikan secara terbuka di situs aiindex.org^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. ## Struktur Laporan Laporan tahun 2017 terdiri dari empat bagian data utama dan beberapa bagian diskusi^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}: 1. **Volume Aktivitas (Volume of Activity)** — metrik "seberapa banyak": publikasi, penerimaan kursus, kehadiran konferensi, startup, pendanaan, lowongan kerja, impor robot, perangkat lunak sumber terbuka, minat publik. 2. **Kinerja Teknis (Technical Performance)** — metrik "seberapa baik": computer vision, pemrosesan bahasa alami, pengenalan suara, pembuktian teorema, penyelesaian masalah SAT. 3. **Metrik Turunan (Derivative Measures)** — hubungan antar tren, dinamika "akademia — industri", AI Vibrancy Index. 4. **Menuju Tingkat Kemampuan Manusia? (Towards Human-Level Performance?)** — katalog pencapaian di mana AI mendekati atau melampaui tingkat kemampuan manusia. 5. **Apa yang Tidak Ada? (What's Missing?)** — pengakuan atas keterbatasan laporan dan arah kerja ke depan. 6. **Forum Pakar (Expert Forum)** — komentar dari para ahli terkemuka di bidang AI. ## Volume Aktivitas ### Publikasi Akademik Jumlah artikel ilmiah tentang AI yang diterbitkan dan diindeks dalam basis data Scopus (penerbit Elsevier) dengan kata kunci "Artificial Intelligence" dalam bidang "Computer Science", tumbuh **lebih dari 9 kali lipat sejak tahun 1996**^{[\[3\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-Scopus2017-3)}. Sebagai perbandingan: jumlah total publikasi di bidang ilmu komputer dalam periode yang sama meningkat sekitar 6 kali lipat, yang menunjukkan bahwa pertumbuhan publikasi AI tidak sekadar disebabkan oleh meluasnya minat terhadap ilmu komputer secara umum, melainkan oleh meningkatnya perhatian khusus terhadap kecerdasan buatan^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. Pada saat laporan disusun, basis data Scopus memuat lebih dari 200.000 artikel di bidang ilmu komputer dengan kata kunci "Artificial Intelligence" dan hampir 5 juta artikel ilmu komputer secara keseluruhan dari total sekitar 70 juta dokumen yang diindeks^{[\[3\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-Scopus2017-3)}. ### Penerimaan Kursus Penerimaan mahasiswa pada kursus pengantar kecerdasan buatan dan Machine Learning menunjukkan pertumbuhan yang pesat. Di Universitas Stanford, penerimaan pada kursus pengantar AI **meningkat 11 kali lipat sejak tahun 1996**^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. Machine Learning (ML) sebagai subbidang AI dibahas secara terpisah karena pertumbuhan penerimaannya yang sangat cepat dan peran kritis teknik ML dalam pencapaian AI terkini. Tren serupa juga terlihat di universitas-universitas terkemuka lainnya: University of California, Berkeley; Carnegie Mellon University; Georgia Institute of Technology; University of Illinois at Urbana-Champaign; Massachusetts Institute of Technology; dan University of Washington^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. Para penulis laporan mencatat bahwa data ini hanya mewakili sebagian kecil dari lanskap pendidikan tinggi dan belum tentu representatif untuk kalangan lembaga pendidikan yang lebih luas. ### Kehadiran Konferensi Data kehadiran pada konferensi AI terkemuka (AAAI, AAMAS, ACL, CP, CVPR, ECAI, ICAPS, ICRA, ICLR, ICML, IJCAI, IROS, KR, NIPS, UAI) mengkonfirmasi **pergeseran fokus penelitian dari penalaran simbolik ke Machine Learning dan deep learning**^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. Konferensi Machine Learning (NIPS, ICML, ICLR) menunjukkan pertumbuhan kehadiran yang paling signifikan, sementara konferensi metode simbolik (KR, CP, ICAPS) mempertahankan komunitas yang stabil namun lebih kecil, yang terus mencapai kemajuan yang berkelanjutan^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. ### Startup di Bidang AI Jumlah startup Amerika aktif yang mengembangkan sistem AI dengan dukungan pendanaan ventura **meningkat 14 kali lipat sejak tahun 2000**^{[\[4\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-Crunchbase2017-4)[\[5\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-VentureSource2017-5)}. Untuk mengidentifikasi perusahaan AI, digunakan kategori 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) dengan verifikasi silang menggunakan basis data VentureSource^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. ### Pendanaan Ventura Volume investasi ventura tahunan pada startup AI Amerika **meningkat 6 kali lipat sejak tahun 2000**^{[\[5\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-VentureSource2017-5)}. Data mencakup semua tahap pendanaan dan diagregasi oleh Sand Hill Econometrics berdasarkan basis data VentureSource^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. ### Pasar Tenaga Kerja Data dari dua platform lowongan kerja online terbesar — Indeed.com dan Monster.com — menunjukkan pertumbuhan signifikan dalam permintaan tenaga ahli di bidang AI^{[\[6\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-Indeed2017-6)[\[7\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-Monster2017-7)}. **Indeed.com:** Proporsi lowongan kerja yang mensyaratkan keahlian di bidang AI pada platform tersebut di AS **meningkat 4,5 kali lipat sejak tahun 2013**^{[\[6\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-Indeed2017-6)}. Pertumbuhan cepat serupa juga terlihat di Kanada dan Inggris, meskipun secara ukuran absolut pasar mereka masing-masing hanya sebesar 5% dan 27% dari pasar Amerika^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. **Monster.com:** Analisis jumlah absolut lowongan kerja AI berdasarkan keahlian yang dibutuhkan (Machine Learning, computer vision, pemrosesan bahasa alami, dan lain-lain) juga mengkonfirmasi pertumbuhan yang berkelanjutan. Satu lowongan dapat sekaligus mensyaratkan beberapa keahlian^{[\[7\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-Monster2017-7)}. ### Impor Robot Data dari laporan tahunan World Robotics Report yang disusun oleh International Federation of Robotics (IFR) menunjukkan pertumbuhan impor robot industri yang berkelanjutan, baik ke Amerika Utara maupun secara global^{[\[8\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-IFR2017-8)}. Para penulis laporan mencatat bahwa tidak ada cara mudah untuk menentukan berapa persentase robot yang menggunakan perangkat lunak yang dikualifikasikan sebagai "AI", dan sejauh mana perkembangan di bidang AI berkontribusi pada meningkatnya penggunaan robot industri^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. ### Perangkat Lunak Sumber Terbuka Minat pengembang terhadap framework AI di platform GitHub menunjukkan pertumbuhan yang signifikan. Jumlah bintang (Stars) untuk paket-paket Machine Learning dan deep learning utama — TensorFlow, Scikit-Learn, Keras, PyTorch, Caffe, MXNet, CNTK, dan Theano — meningkat pesat^{[\[9\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-GitHub2017-9)}. TensorFlow dari Google dan Scikit-Learn disorot sebagai paket yang paling populer, dengan tren jumlah bintang dan fork (Forks) yang hampir identik^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. ### Minat Publik: Sentimen Media Analisis sentimen publikasi di media populer yang mengandung istilah "Artificial Intelligence", berdasarkan data layanan TrendKite, menunjukkan dinamika perbandingan antara artikel positif dan negatif^{[\[10\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-TrendKite2017-10)}. Pengklasifikasi TrendKite mendistribusikan artikel berbahasa Inggris (tidak termasuk siaran pers, berita keuangan, dan obituari) ke dalam kategori "positif", "negatif", dan "netral"^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. ## Kinerja Teknis Bagian kinerja teknis melacak kemajuan sistem AI dalam tugas-tugas computer vision, pemrosesan bahasa alami, pengenalan suara, pembuktian teorema, dan penyelesaian masalah SAT^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. ### Computer Vision #### Deteksi Objek (Object Detection) Pada kompetisi Large Scale Visual Recognition Challenge (LSVRC) berbasis dataset ImageNet, **tingkat kesalahan dalam pengenalan gambar turun dari 28,5% menjadi kurang dari 2,5% dalam periode 2010 hingga 2017**^{[\[11\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-ImageNet2017-11)}. Sebagai perbandingan: tingkat kesalahan manusia diperkirakan sekitar 5%^{[\[12\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-Russakovsky2015-12)}, artinya pada tahun 2017 sistem AI sudah secara signifikan melampaui tingkat kemampuan manusia pada benchmark ini. Kompetisi ImageNet berakhir pada tahun 2017^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. #### Tanya Jawab Visual (Visual Question Answering) Pada dataset VQA 1.0 — tugas menghasilkan jawaban terbuka atas pertanyaan mengenai gambar — sistem AI menunjukkan kemajuan yang berkelanjutan^{[\[13\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-VQA2017-13)}. Para penulis mencatat bahwa dataset VQA 1.0 sudah mulai digantikan oleh VQA 2.0, dan tidak jelas seberapa besar perhatian yang akan diberikan pada versi awal ini^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. ### Pemrosesan Bahasa Alami #### Penguraian Sintaksis (Parsing) Pada set pengujian standar — seksi 23 dari korpus Wall Street Journal dalam Penn Treebank — parser otomatis menunjukkan pertumbuhan metrik F1 yang berkelanjutan^{[\[14\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-PennTreebank-14)}. Hasil dicatat baik untuk kalimat dengan panjang kurang dari 40 kata maupun untuk keseluruhan set kalimat^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. #### Penerjemahan Mesin (Machine Translation) Pada kompetisi tahunan Workshop on Machine Translation (WMT) untuk tugas penerjemahan berita antara bahasa Inggris dan Jerman, sistem-sistem terbaik menunjukkan tren naik secara umum berdasarkan metrik BLEU^{[\[15\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-WMT2017-15)}. Metrik BLEU — metode otomatis untuk membandingkan terjemahan mesin dengan beberapa terjemahan yang dilakukan manusia — merupakan versi modifikasi dari precision dengan nilai antara 0 hingga 1. Meskipun BLEU berkorelasi dengan penilaian ahli atas kualitas terjemahan, metrik ini tidak dapat digunakan untuk perbandingan antar korpus, dan perbandingan antar sistem bisa menyesatkan^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. Pada tahun 2017, skor BLEU menurun secara nyata dibandingkan tahun 2016 (meskipun tetap lebih tinggi dari level tahun 2015), yang kemungkinan disebabkan oleh karakteristik set pengujian, bukan oleh penurunan kualitas sistem penerjemahan mesin yang sesungguhnya^{[\[15\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-WMT2017-15)}. #### Tanya Jawab (Question Answering) Pada dataset Stanford Question Answering Dataset (SQuAD) — lebih dari 500 artikel dan 100.000 pasang pertanyaan-jawaban — sistem AI menunjukkan peningkatan pesat pada metrik Exact Match (EM), yang mengukur persentase jawaban yang tepat cocok dengan jawaban acuan^{[\[16\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-SQuAD2016-16)}. Tingkat kinerja manusia pada SQuAD adalah 82,3%^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. Skor pada SQuAD meningkat pesat sejak dataset ini dibuat pada Juni 2016. ### Pengenalan Suara Pada dataset standar Switchboard Hub5'00 — tugas pengenalan suara dari percakapan telepon — **Microsoft dan IBM pada tahun 2017 mencapai kinerja yang mendekati "paritas manusia"**^{[\[17\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-EFF2017-17)}. Metrik Word Error Rate (WER) — jumlah kesalahan (penggantian, penghapusan, dan penyisipan kata) yang dinormalisasi berdasarkan panjang kalimat — terus menurun selama bertahun-tahun. Terdapat perbedaan pendapat mengenai tingkat kesalahan manusia yang tepat: disebutkan nilai 5,1% dan 5,9%, bahkan di bawah 5%. Laporan menggunakan ambang batas 5,1%^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. Para penulis mencatat kekhawatiran bahwa penggunaan dataset Switchboard dalam jangka panjang dapat menyebabkan overfitting yang signifikan pada sistem AI terhadap data tertentu^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. ### Pembuktian Teorema Pada dataset Thousands of Problems for Theorem Provers (TPTP), dilacak rata-rata "traktabilitas" (tractability) — proporsi pembuktian teorema otomatis (ATP) modern yang mampu menyelesaikan suatu masalah^{[\[18\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-TPTP2017-18)}. Dianalisis subset masalah yang tidak diperbarui sejak versi TPTP v5.0.0 (tahun 2010). Metrik ini memiliki keunikan: kemunculan sistem ATP baru yang kuat, yang mampu menyelesaikan masalah-masalah baru dengan baik tetapi kurang mampu menyelesaikan masalah yang diselesaikan sistem lain, dapat menyebabkan penurunan rata-rata traktabilitas^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. ### Penyelesaian Masalah SAT Pada instansi masalah industri dari SAT Competition, dicatat peningkatan persentase masalah yang terpecahkan^{[\[19\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-SAT2017-19)}. Para peneliti Holger Hoos dan Kevin Leyton-Brown menguji 69 pemecah masalah pada 1.076 instansi yang dikompetisikan sejak tahun 2007, menjalankan semua pemecah pada perangkat keras yang sama untuk perbandingan yang adil^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. Para penulis mencatat bahwa sebagian dari peningkatan mungkin mencerminkan pencapaian rekayasa, bukan terobosan algoritmik^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. ## Metrik Turunan ### Dinamika "Akademia — Industri" Untuk meneliti hubungan antara aktivitas AI di akademia dan industri, dipilih tiga metrik representatif: jumlah publikasi AI, total penerimaan pada kursus pengantar AI dan ML di Stanford, serta volume investasi ventura pada startup AI. Semua metrik dinormalisasi terhadap tahun 2000^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. Analisis menunjukkan bahwa **awalnya aktivitas akademik (publikasi dan penerimaan kursus) memberikan kemajuan yang berkelanjutan**. Sekitar tahun 2010, para investor mulai menaruh perhatian pada bidang ini, dan pada tahun 2013 menjadi kekuatan pendorong peningkatan aktivitas secara keseluruhan yang tajam. Setelah itu, akademia mengejar "antusiasme" industri^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. ### AI Vibrancy Index AI Vibrancy Index adalah metrik gabungan eksperimental yang mengagregasi indikator-indikator yang dinormalisasi dari publikasi, penerimaan kursus, dan investasi ventura untuk mengukur secara kuantitatif "vitalitas" AI sebagai suatu bidang^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. Indeks dihitung sebagai rata-rata metrik yang dinormalisasi terhadap waktu dan menunjukkan pertumbuhan tajam yang mencerminkan peningkatan simultan dari ketiga komponen tersebut. Para penulis menyatakan harapan bahwa metrik turunan semacam ini akan memunculkan minat terhadap analisis lebih lanjut atas data AI Index^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. ## Menuju Tingkat Kemampuan Manusia Laporan ini mengkatalogkan kasus-kasus yang kredibel di mana sistem komputer telah mencapai atau melampaui tingkat kinerja manusia, disertai sejumlah catatan penting^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. **Keterbatasan utama perbandingan:** mesin sering mengungguli manusia dalam tugas-tugas yang sangat terspesialisasi, tetapi kinerjanya dapat anjlok drastis dengan modifikasi kondisi sekecil apa pun. Misalnya, seseorang yang membaca aksara Tionghoa kemungkinan juga memahami bahasa Tionghoa lisan, mengetahui sesuatu tentang budaya Tionghoa, dan dapat merekomendasikan hidangan di restoran Tionghoa. Bagi AI, setiap tugas tersebut akan membutuhkan sistem yang sepenuhnya terpisah^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. ### Tonggak Pencapaian | Pencapaian | Tahun | Deskripsi | |--------------------------------|----------------|----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| | Othello | 1980-an / 1997 | Pada tahun 1989, program BILL (Kai-Fu Lee, Sanjoy Mahajan) mengalahkan pemain Amerika terkuat Brian Rose (56–8). Pada tahun 1997, program Logistello memenangkan semua partai dalam pertandingan enam babak melawan juara dunia bertahan^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. | | Permainan Dam | 1995 | Program Chinook mengalahkan juara dunia bertahan. Program self-learning pertama untuk permainan dam dibuat oleh Arthur Samuel sejak tahun 1952^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. | | Catur | 1997 | IBM Deep Blue mengalahkan juara dunia Garry Kasparov. Beberapa ilmuwan pada tahun 1950-an memprediksi bahwa komputer akan mengalahkan juara dunia pada tahun 1967^{[\[20\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-DeepBlue1997-20)}. Pada tahun 2017, program catur di smartphone bermain pada tingkat grandmaster^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. | | Jeopardy! | 2011 | Sistem IBM Watson mengalahkan para pemenang sebelumnya dari acara tersebut, Brad Rutter dan Ken Jennings, memenangkan hadiah utama sebesar 1 juta dolar^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. | | Permainan Atari | 2015 | Tim Google DeepMind menggunakan sistem Reinforcement Learning untuk melatih permainan 49 game Atari, mencapai tingkat kemampuan manusia di sebagian besar game (misalnya Breakout), meskipun beberapa game (misalnya Montezuma's Revenge) masih berada di luar jangkauan^{[\[21\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-Mnih2015-21)}. | | Deteksi Objek (ImageNet) | 2016 | Tingkat kesalahan klasifikasi gambar otomatis ImageNet turun dari 28% (2010) menjadi kurang dari 3% dengan tingkat kemampuan manusia sekitar 5%^{[\[12\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-Russakovsky2015-12)}. | | Go | 2016–2017 | AlphaGo (Google DeepMind) mengalahkan Lee Sedol 4–1 pada Maret 2016, kemudian AlphaGo Master mengalahkan Ke Jie pada Maret 2017. Pada Oktober 2017, AlphaGo Zero mengalahkan AlphaGo orisinal dengan skor 100–0^{[\[22\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AlphaGo2016-22)[\[23\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AlphaGoZero2017-23)}. | | Klasifikasi Kanker Kulit | 2017 | Sistem AI yang dilatih pada 129.450 gambar klinis dari 2.032 penyakit mendemonstrasikan tingkat kompetensi dalam mengklasifikasikan kanker kulit yang setara dengan 21 dokter kulit bersertifikat^{[\[24\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-Esteva2017-24)}. | | Pengenalan Suara (Switchboard) | 2017 | Microsoft dan IBM mencapai kinerja yang mendekati "paritas manusia" dalam tugas pengenalan suara pada dataset Switchboard^{[\[17\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-EFF2017-17)}. | | Poker | 2017 | Program Libratus (CMU) mengalahkan empat pemain top dalam turnamen 120.000 partai Texas Hold'em tanpa batas. Program DeepStack (Universitas Alberta) membuktikan signifikansi statistik keunggulannya atas 11 profesional dalam lebih dari 3.000 partai masing-masing^{[\[25\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-Libratus2017-25)}. | | Ms. Pac-Man | 2017 | Tim Maluuba (yang diakuisisi Microsoft) menciptakan sistem AI yang mencapai skor maksimum 999.900 poin pada Atari 2600^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. | ## Apa yang Tidak Ada dalam Laporan Para penulis secara terbuka mengakui sejumlah keterbatasan penting dari laporan inagural ini^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}: ### Kinerja Teknis Banyak bidang teknis penting yang tidak tercakup: sistem dialog (yang tidak memiliki benchmark terstandar), perencanaan, pengendalian berkelanjutan dalam robotika, penalaran akal sehat (common sense reasoning), sistem rekomendasi, pengujian terstandar. Para penulis memperingatkan bahwa pelacakan kemajuan biasanya dilakukan di bidang-bidang dengan hasil yang baik, yang menciptakan **bias optimistis** dalam penilaian keadaan AI^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. ### Cakupan Internasional Laporan ini diakui **terlalu berpusat pada Amerika**, meskipun aktivitas AI yang signifikan terjadi di negara-negara lain. Tingkat investasi dan aktivitas di Tiongkok disebut "luar biasa", namun berada di luar cakupan laporan inagural ini^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. ### Keberagaman dan Inklusivitas Laporan ini **tidak memuat pemilahan data berdasarkan jenis kelamin, ras, gender, etnis, orientasi seksual, atau karakteristik lainnya**. Para penulis mengakui bahwa pertanyaan tentang siapa yang terlibat dalam diskusi tentang AI dan siapa yang memiliki kekuatan untuk memengaruhi penelitian dan penerapan AI di masa depan terkait erat dengan dinamika kekuasaan dalam industri teknologi dan ventura, serta kekuatan sistemik diskriminasi yang lebih luas^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. ### Investasi Pemerintah dan Korporat Data pendanaan ventura hanya mencakup AS dan hanya mewakili sebagian kecil dari total investasi penelitian dan pengembangan di bidang AI. Data tentang investasi pemerintah dan korporat tidak tersedia^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. ### Dampak pada Sektor-Sektor Tertentu Metrik dampak AI pada layanan kesehatan, industri otomotif, keuangan, pendidikan, dan sektor-sektor lainnya tidak disajikan^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. ### Mitigasi Risiko Sosial Isu-isu keamanan AI, prediktabilitas, keadilan algoritma, privasi, dan konsekuensi etis dari otomatisasi tidak dibahas^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. ## Forum Pakar Laporan ini memuat komentar dari para ahli terkemuka yang mewakili akademia, industri, pemerintah, dan media^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. ### Barbara Grosz (Harvard) Barbara Grosz menekankan pentingnya mengembangkan metrik yang tidak hanya memperhitungkan kinerja sistem AI secara terpisah, tetapi juga **kualitas interaksi AI dengan manusia** dan dampak sistem AI terhadap manusia baik secara individu maupun dalam masyarakat. Ia menunjukkan kesenjangan dalam laporan: bagian pemrosesan bahasa alami mencakup penguraian sintaksis, penerjemahan mesin, dan pencarian jawaban, tetapi tidak mencakup sistem dialog yang membutuhkan pemahaman tentang kondisi mental lawan bicara. Grosz juga menyerukan agar dilacak proporsi kursus AI yang mencakup aspek etis, dan jumlah perusahaan yang mempertanyakan apakah suatu sistem AI perlu dibuat atau tidak^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. ### Eric Horvitz (Microsoft) Eric Horvitz menyebut penerbitan laporan inagural ini sebagai **langkah kritis dalam melibatkan komunitas yang lebih luas dalam dialog**. Ia mencatat nilai dari bagian metrik turunan dan AI Vibrancy Index, mengusulkan validasinya dengan membandingkan data rekrutmen, komposisi, dan kompensasi talenta AI di korporasi. Horvitz secara khusus menekankan pentingnya melacak kemajuan dalam bidang penalaran akal sehat (common sense reasoning), "yang bahkan ditunjukkan oleh anak kecil", namun masih berada di luar jangkauan teknologi AI saat ini^{[\[2\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-Horvitz2017-2)}. ### Kai-Fu Lee (Sinovation Ventures) Kai-Fu Lee mengisi kesenjangan laporan dalam cakupan internasional dengan menyajikan **tinjauan keadaan AI di Tiongkok**. Ia mencatat bahwa Tiongkok memiliki tiga kali lebih banyak ponsel dan pengguna internet dibandingkan AS atau India, dan kesenjangan dalam volume data yang dihasilkan jauh melebihi faktor tiga: orang Tiongkok melakukan pembayaran seluler 50 kali lebih sering dari orang Amerika, volume pengantaran makanan 10 kali lebih besar, dan perusahaan Didi telah mulai mengintegrasikan data dengan sistem manajemen lalu lintas. Lee mencontohkan startup Tiongkok Face++, yang meraih peringkat pertama dalam tiga kompetisi computer vision, mengalahkan Google, Microsoft, Facebook, dan CMU. Ia menunjuk pada rencana Dewan Negara Tiongkok dari Juli 2017 untuk menjadi pusat inovasi AI dunia pada tahun 2030, dan memprediksi bahwa **duopoli Amerika-Tiongkok dalam AI tidak hanya tak terelakkan, tetapi sudah terjadi**^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. ### Andrew Ng (Coursera, Stanford) Andrew Ng menggambarkan AI sebagai **"listrik baru"** yang mentransformasi banyak industri. Ia mendeskripsikan urutan transformasi subbidang AI oleh deep learning: pertama pengenalan suara, kemudian computer vision, kemudian NLP (yang mengarah pada berkembangnya chatbot), dan selanjutnya robotika (kemampuan manufaktur baru). Ng menekankan bahwa negara-negara dengan kebijakan AI yang lebih bijak akan maju lebih cepat, sementara negara-negara dengan kebijakan yang kurang matang berisiko tertinggal^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. ### Daniela Rus (MIT) Daniela Rus menyajikan pandangan optimistis tentang **AI sebagai vektor perubahan positif**: mulai dari penanggulangan perubahan iklim dan demokratisasi pendidikan hingga kendaraan otonom dan layanan kesehatan yang dipersonalisasi. Ia menekankan bahwa bertentangan dengan anggapan umum, AI akan menciptakan pekerjaan yang lebih memuaskan, bukan lebih sedikit, karena peningkatan produktivitas dari AI dan robotika akan membebaskan manusia dari tugas-tugas monoton^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. ### Sebastian Thrun (Stanford, Udacity) Sebastian Thrun menarik analogi historis: sebelum penemuan mesin uap, sebagian besar manusia adalah petani yang didefinisikan oleh kekuatan fisik. Mesin mengubah para petani menjadi "manusia super" — satu petani Amerika memberi makan 155 orang, dan kurang dari 2% penduduk AS bekerja di pertanian. Demikian pula, **AI mampu mempelajari pola pekerjaan kita yang berulang dan membantu kita menjadi "manusia super"**. Thrun memprediksi datangnya **era kreativitas manusia yang belum pernah terjadi sebelumnya**, tetapi memperingatkan perlunya menjadi "pelajar seumur hidup" dan beradaptasi dengan perubahan^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. ### Michael Wooldridge (Oxford) Michael Wooldridge mengajukan pertanyaan utama: apakah ada **"gelembung AI"** dan apakah ia akan meletus (seperti gelembung dotcom 1996–2001) atau perlahan-lahan mengempis? Kekhawatiran utamanya adalah "musim dingin AI" baru yang dipicu oleh kekecewaan setelah investasi spekulatif besar-besaran. Namun ia menyatakan optimisme yang hati-hati: tidak seperti siklus sebelumnya, **di bawah gelembung saat ini terdapat substansi nyata** — sistem AI menunjukkan kemajuan berkelanjutan, dan perusahaan-perusahaan besar telah belajar menggunakan teknik AI secara produktif. Wooldridge juga mengangkat pertanyaan tentang pengukuran kemajuan menuju AI umum (General AI), mencatat bahwa baik dirinya maupun siapapun tidak tahu bagaimana mengukurnya^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. ### Megan Smith dan Susan Alutnzer Mantan Chief Technology Officer AS Megan Smith dan Susan Alzner (Layanan Penghubung LSM di PBB) menekankan **pentingnya utama keberagaman dan inklusivitas**. Mereka menunjukkan bahwa sebagian besar umat manusia dikecualikan dari percakapan dan tim desain akibat "prasangka sadar dan tidak sadar yang masif, pola budaya diskriminatif yang signifikan, dan perilaku yang telah terinternalisasi dari pengecualian sistemik". Para penulis merujuk pada sejumlah inisiatif kunci: Algorithmic Justice League, petisi kepada PBB tentang AI untuk persenjataan, gerakan CS for All, inisiatif AI4All^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. ## Metodologi Laporan ini menggunakan data dari berbagai sumber^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}: - **Publikasi:** Elsevier Scopus — basis data berisi hampir 70 juta dokumen; kueri berdasarkan kata kunci "Artificial Intelligence" dalam bidang "Computer Science" untuk periode sejak tahun 1996^{[\[3\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-Scopus2017-3)}. - **Penerimaan kursus:** Catatan universitas — UC Berkeley, Carnegie Mellon, Georgia Tech, UIUC, MIT, Stanford, University of Washington^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. - **Kehadiran konferensi:** Data dari penyelenggara 15 konferensi (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_(ID)#cite_note-AIIndex2017-1)}. - **Startup dan pendanaan:** Crunchbase (API untuk identifikasi perusahaan berdasarkan kategori), VentureSource (data pendanaan ventura), Sand Hill Econometrics (agregasi)^{[\[4\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-Crunchbase2017-4)[\[5\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-VentureSource2017-5)}. - **Pasar tenaga kerja:** Indeed.com (proporsi lowongan AI berdasarkan negara), Monster.com / CEB TalentNeuron (jumlah absolut lowongan berdasarkan keahlian)^{[\[6\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-Indeed2017-6)[\[7\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-Monster2017-7)}. - **Impor robot:** International Federation of Robotics, World Robotics Report^{[\[8\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-IFR2017-8)}. - **GitHub:** GitHub Archive melalui Google BigQuery — penghitungan event WatchEvent untuk repositori framework AI^{[\[9\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-GitHub2017-9)}. - **Sentimen media:** TrendKite — klasifikasi artikel berbahasa Inggris dengan penyaringan siaran pers, berita keuangan, dan obituari^{[\[10\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-TrendKite2017-10)}. - **Benchmark:** 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_(ID)#cite_note-AIIndex2017-1)}. ## Kepemimpinan dan Tim Penulis Proyek AI Index 2017 disusun di bawah kepemimpinan komite pengarah^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}: - **Yoav Shoham** (Universitas Stanford) — ketua - **Raymond Perrault** (SRI International) - **Erik Brynjolfsson** (MIT) - **Jack Clark** (OpenAI) - **Calvin LeGassick** — manajer proyek Komite penasehat mencakup Michael Bowling, Ernie Davis, Julia Hirschberg, Eric Horvitz, Karen Levy, Alan Mackworth, Tom Mitchell, Sandy Pentland, Chris Ré, Daniela Rus, Sebastian Thrun, Hal Varian, dan Toby Walsh^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. Di antara organisasi mitra: Allen Institute for Artificial Intelligence, Crunchbase, Electronic Frontier Foundation, Elsevier, EuroMatrix, Google Brain, Indeed.com, Monster.com, Sand Hill Econometrics, Sinovation Ventures, TrendKite, VentureSource. Pendanaan awal diberikan oleh Google, Microsoft, dan Bytedance (Toutiao), namun AI Index menekankan independensinya dan mencatat bahwa laporan ini tidak serta-merta mencerminkan pandangan organisasi-organisasi tersebut^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. ## Signifikansi Historis Laporan inagural AI Index 2017 meletakkan fondasi bagi seri laporan tahunan berikutnya, yang seiring waktu secara signifikan memperluas cakupannya — dari empat bagian awal menjadi sembilan bab tematik dalam laporan tahun 2024. Banyak kesenjangan yang secara jujur diakui dalam bagian "What's Missing" dari laporan 2017 telah secara bertahap diatasi: cakupan internasional (mulai dari laporan 2018), data keberagaman, investasi pemerintah, dampak pada sektor-sektor tertentu, serta AI yang bertanggung jawab dan regulasi^{[\[26\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2024-26)}. Proyek AI Index kemudian beralih di bawah naungan Stanford HAI (Human-Centered Artificial Intelligence) Institute, yang didirikan pada tahun 2019^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_note-AIIndex2017-1)}. ## Referensi - AI Index 2017 Annual Report (teks lengkap): 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/ ## Daftar Pustaka - 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/ ## Catatan 1. ↑ ^{[1.00](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-0)} ^{[1.01](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-1)} ^{[1.02](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-2)} ^{[1.03](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-3)} ^{[1.04](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-4)} ^{[1.05](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-5)} ^{[1.06](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-6)} ^{[1.07](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-7)} ^{[1.08](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-8)} ^{[1.09](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-9)} ^{[1.10](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-10)} ^{[1.11](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-11)} ^{[1.12](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-12)} ^{[1.13](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-13)} ^{[1.14](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-14)} ^{[1.15](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-15)} ^{[1.16](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-16)} ^{[1.17](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-17)} ^{[1.18](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-18)} ^{[1.19](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-19)} ^{[1.20](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-20)} ^{[1.21](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-21)} ^{[1.22](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-22)} ^{[1.23](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-23)} ^{[1.24](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-24)} ^{[1.25](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-25)} ^{[1.26](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-26)} ^{[1.27](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-27)} ^{[1.28](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-28)} ^{[1.29](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-29)} ^{[1.30](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-30)} ^{[1.31](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-31)} ^{[1.32](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-32)} ^{[1.33](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-33)} ^{[1.34](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-34)} ^{[1.35](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-35)} ^{[1.36](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-36)} ^{[1.37](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-37)} ^{[1.38](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-38)} ^{[1.39](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-39)} ^{[1.40](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-40)} ^{[1.41](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-41)} ^{[1.42](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-42)} ^{[1.43](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-43)} ^{[1.44](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-44)} ^{[1.45](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-45)} ^{[1.46](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-46)} ^{[1.47](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-47)} ^{[1.48](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-48)} ^{[1.49](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-49)} ^{[1.50](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-50)} ^{[1.51](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-51)} ^{[1.52](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-52)} ^{[1.53](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-53)} ^{[1.54](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-54)} ^{[1.55](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-55)} ^{[1.56](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-56)} ^{[1.57](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-57)} ^{[1.58](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-58)} ^{[1.59](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-AIIndex2017_1-59)} ^{[1.60](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#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_(ID)#cite_ref-Horvitz2017_2-0)} ^{[2.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#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_(ID)#cite_ref-Scopus2017_3-0)} ^{[3.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-Scopus2017_3-1)} ^{[3.2](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#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_(ID)#cite_ref-Crunchbase2017_4-0)} ^{[4.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#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_(ID)#cite_ref-VentureSource2017_5-0)} ^{[5.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-VentureSource2017_5-1)} ^{[5.2](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#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_(ID)#cite_ref-Indeed2017_6-0)} ^{[6.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-Indeed2017_6-1)} ^{[6.2](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#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_(ID)#cite_ref-Monster2017_7-0)} ^{[7.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#cite_ref-Monster2017_7-1)} ^{[7.2](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#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_(ID)#cite_ref-IFR2017_8-0)} ^{[8.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#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_(ID)#cite_ref-GitHub2017_9-0)} ^{[9.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#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_(ID)#cite_ref-TrendKite2017_10-0)} ^{[10.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#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_(ID)#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_(ID)#cite_ref-Russakovsky2015_12-0)} ^{[12.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#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_(ID)#cite_ref-VQA2017_13-0) VQA Dataset (2017). http://www.visualqa.org/ 14. [↑](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#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_(ID)#cite_ref-WMT2017_15-0)} ^{[15.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#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_(ID)#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_(ID)#cite_ref-EFF2017_17-0)} ^{[17.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#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_(ID)#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_(ID)#cite_ref-SAT2017_19-0) SAT Competition (2017). http://www.satcompetition.org/ 20. [↑](https://systems-analysis.info/int/The_2017_AI_Index_Report_(ID)#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_(ID)#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_(ID)#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_(ID)#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_(ID)#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_(ID)#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_(ID)#cite_ref-AIIndex2024_26-0) Stanford HAI (2024). *Artificial Intelligence Index Report 2024*. https://aiindex.stanford.edu/report/