--- title: "The 2017 AI Index Report (NL)" source: "https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)" wiki: "systems-analysis.info/int" article: "The_2017_AI_Index_Report_(NL)" language: "nl" categories: - "Category:Dutch" - "Category:Machine learning" revision_id: 7921 wiki_created_at: 2026-09-07T01:08:57Z wiki_modified_at: 2026-09-07T01:08:57Z downloaded_at: 2026-09-07T23:21:36Z --- # The 2017 AI Index Report (NL) **AI Index Report 2017** — het eerste (inaugurele) jaarlijkse rapport van het **AI Index**-project, gepubliceerd in november 2017^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. Het project werd opgericht in het kader van het initiatief **One Hundred Year Study on AI** (AI100) aan de Stanford University en is een open, niet-commercieel project dat de activiteit en voortgang op het gebied van kunstmatige intelligentie bijhoudt. Het rapport van 2017 was de eerste poging om systematisch gegevens over de staat van AI te aggregeren en te visualiseren, waarbij de omvang van activiteiten in de academische wereld en de industrie, de technische prestaties van AI-systemen, afgeleide metrieken en de voortgang richting menselijk niveau werden behandeld. De auteurs benadrukken dat de samenleving zonder relevante gegevens over de staat van AI-technologie «blind vliegt» in discussies en besluitvorming met betrekking tot kunstmatige intelligentie^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. ## Achtergrond en doelstellingen In 2017 stond kunstmatige intelligentie vooraan in het mondiale discours en trok de aandacht van practici, industrieleiders, beleidsmakers en het brede publiek. Het AI-vakgebied ontwikkelde zich zo snel dat zelfs experts moeite hadden om de voortgang te begrijpen en bij te houden. AI Index werd ontworpen als instrument voor een geïnformeerd, op gegevens gebaseerd gesprek over AI, in plaats van op veronderstellingen of anekdotisch bewijs^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. Het idee voor het project ontstond tijdens discussies van het Permanent Comité van AI100 in 2015^{[\[2\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-Horvitz2017-2)}. Het rapport aggregeert zowel vrij beschikbare gegevens van internet als originele gegevens, en extraheert nieuwe metrieken uit combinaties van bestaande reeksen. Alle gegevens die voor de totstandkoming van het rapport zijn gebruikt, worden openbaar beschikbaar gesteld op de website aiindex.org^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. ## Structuur van het rapport Het rapport van 2017 bestaat uit vier hoofdgegevenssecties en enkele discussiesecties^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}: 1. **Omvang van activiteit (Volume of Activity)** — «hoeveel»-metrieken: publicaties, inschrijvingen voor cursussen, conferentiebezoek, startups, financiering, vacatures, import van robots, open-sourcesoftware, maatschappelijke belangstelling. 2. **Technische prestaties (Technical Performance)** — «hoe goed»-metrieken: computer vision, verwerking van natuurlijke taal, spraakherkenning, bewijsvoering van stellingen, oplossen van SAT-problemen. 3. **Afgeleide metrieken (Derivative Measures)** — samenhangen tussen trends, de dynamiek «academie — industrie», de AI Vibrancy Index. 4. **Op weg naar menselijk niveau? (Towards Human-Level Performance?)** — een catalogus van prestaties waarbij AI het menselijk niveau benaderde of overtrof. 5. **Wat ontbreekt? (What's Missing?)** — erkenning van de beperkingen van het rapport en richtingen voor toekomstig werk. 6. **Expertforum (Expert Forum)** — commentaren van toonaangevende AI-experts. ## Omvang van activiteit ### Wetenschappelijke publicaties Het aantal wetenschappelijke artikelen over AI dat is gepubliceerd en geïndexeerd in de Scopus-database (uitgeverij Elsevier) met het trefwoord «Artificial Intelligence» in het vakgebied «Computer Science» is **meer dan 9 keer zo groot geworden sinds 1996**^{[\[3\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-Scopus2017-3)}. Ter vergelijking: het totale aantal publicaties op het gebied van computerwetenschappen steeg in dezelfde periode met ongeveer een factor zes, wat aantoont dat de groei van AI-publicaties niet louter wordt verklaard door een toenemende interesse in informatica in het algemeen, maar specifiek door een groeiende aandacht voor kunstmatige intelligentie^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. Ten tijde van het opstellen van het rapport bevatte de Scopus-database meer dan 200.000 artikelen op het gebied van computerwetenschappen met het trefwoord «Artificial Intelligence» en bijna 5 miljoen artikelen over computerwetenschappen in het algemeen, uit een totaal van ongeveer 70 miljoen geïndexeerde documenten^{[\[3\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-Scopus2017-3)}. ### Inschrijvingen voor studiecursussen De aanmelding van studenten voor inleidende cursussen kunstmatige intelligentie en machine learning vertoonde een snelle groei. Aan de Stanford University is de aanmelding voor de inleidende AI-cursus **11 keer zo groot geworden sinds 1996**^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. Machine Learning (ML) als deelgebied van AI werd afzonderlijk behandeld vanwege de bijzonder snelle groei van de aanmelding en de cruciale rol van ML-technieken bij recente AI-prestaties. Vergelijkbare tendensen werden waargenomen aan andere toonaangevende universiteiten: de University of California in Berkeley, Carnegie Mellon University, Georgia Institute of Technology, de University of Illinois in Urbana-Champaign, het Massachusetts Institute of Technology en de University of Washington^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. De auteurs van het rapport merken op dat deze gegevens slechts een beperkt deel van het landschap van het hoger onderwijs vertegenwoordigen en niet noodzakelijkerwijs representatief zijn voor een bredere kring van onderwijsinstellingen. ### Conferentiebezoek Gegevens over het bezoek aan toonaangevende AI-conferenties (AAAI, AAMAS, ACL, CP, CVPR, ECAI, ICAPS, ICRA, ICLR, ICML, IJCAI, IROS, KR, NIPS, UAI) bevestigden een **verschuiving van de onderzoeksfocus van symbolisch redeneren naar machine learning en deep learning**^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. Conferenties over machine learning (NIPS, ICML, ICLR) lieten de sterkste groei in bezoekersaantallen zien, terwijl conferenties over symbolische methoden (KR, CP, ICAPS) een stabiele maar bescheidener gemeenschap behielden die gestaag voortgang bleef boeken^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. ### Startups op het gebied van AI Het aantal actieve Amerikaanse startups dat AI-systemen ontwikkelt met durfkapitaalfinanciering is **14 keer zo groot geworden sinds 2000**^{[\[4\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-Crunchbase2017-4)[\[5\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-VentureSource2017-5)}. Voor de identificatie van AI-bedrijven werden Crunchbase-categorieën gebruikt (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), gevolgd door kruisverificatie met de VentureSource-database^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. ### Durfkapitaalfinanciering Het jaarlijkse volume aan durfkapitaalinvesteringen in Amerikaanse AI-startups is **6 keer zo groot geworden sinds 2000**^{[\[5\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-VentureSource2017-5)}. De gegevens omvatten alle financieringsrondes en werden geaggregeerd door Sand Hill Econometrics op basis van de VentureSource-database^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. ### Arbeidsmarkt Gegevens van de twee grootste platforms voor online vacatures — Indeed.com en Monster.com — toonden een significante groei van de vraag naar specialisten op het gebied van AI^{[\[6\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-Indeed2017-6)[\[7\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-Monster2017-7)}. **Indeed.com:** Het aandeel vacatures dat vaardigheden op het gebied van AI vereist op het platform in de VS is **4,5 keer zo groot geworden sinds 2013**^{[\[6\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-Indeed2017-6)}. Een vergelijkbare snelle groei werd waargenomen in Canada en het Verenigd Koninkrijk, hoewel hun markten in absolute omvang respectievelijk 5% en 27% van de Amerikaanse markt bedroegen^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. **Monster.com:** Een analyse van het absolute aantal AI-vacatures uitgesplitst naar vereiste vaardigheden (machine learning, computer vision, verwerking van natuurlijke taal en anderen) bevestigde eveneens een aanhoudende groei. Één vacature kon tegelijkertijd meerdere vaardigheden vereisen^{[\[7\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-Monster2017-7)}. ### Import van robots Gegevens uit het jaarlijkse World Robotics Report, opgesteld door de International Federation of Robotics (IFR), toonden een gestage groei van de import van industriële robots, zowel naar Noord-Amerika als wereldwijd^{[\[8\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-IFR2017-8)}. De auteurs van het rapport merken op dat er geen eenvoudige manier bestaat om te bepalen welk percentage van de robots gebruikmaakt van software die als «AI» wordt gekwalificeerd, en in welke mate AI-ontwikkelingen bijdragen aan de groei van het gebruik van industriële robots^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. ### Open-sourcesoftware De interesse van ontwikkelaars in AI-frameworks op het GitHub-platform vertoonde een significante groei. Het aantal sterren (Stars) voor de voornaamste machine learning- en deep learning-pakketten — TensorFlow, Scikit-Learn, Keras, PyTorch, Caffe, MXNet, CNTK en Theano — nam snel toe^{[\[9\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-GitHub2017-9)}. TensorFlow van Google en Scikit-Learn werden aangewezen als de meest populaire pakketten, waarbij de trends voor het aantal sterren en forks (Forks) vrijwel identiek waren^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. ### Maatschappelijke belangstelling: toon van de media Een analyse van de toon van berichten in populaire media met de term «Artificial Intelligence», op basis van gegevens van de dienst TrendKite, toonde de dynamiek van de verhouding tussen positieve en negatieve artikelen^{[\[10\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-TrendKite2017-10)}. De classifier van TrendKite verdeelde Engelstalige artikelen (met uitzondering van persberichten, financieel nieuws en overlijdensberichten) in de categorieën «positief», «negatief» en «neutraal»^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. ## Technische prestaties De sectie over technische prestaties volgt de voortgang van AI-systemen bij taken op het gebied van computer vision, verwerking van natuurlijke taal, spraakherkenning, bewijsvoering van stellingen en het oplossen van SAT-problemen^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. ### Computer vision #### Objectdetectie (Object Detection) Bij de Large Scale Visual Recognition Challenge (LSVRC) op basis van de ImageNet-dataset **daalde het foutpercentage bij beeldherkenning van 28,5% tot minder dan 2,5% in de periode van 2010 tot 2017**^{[\[11\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-ImageNet2017-11)}. Ter vergelijking: het menselijke foutpercentage wordt geschat op ongeveer 5%^{[\[12\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-Russakovsky2015-12)}, wat betekent dat AI-systemen in 2017 het menselijk niveau op deze benchmark al aanzienlijk hadden overtroffen. De ImageNet-competitie werd in 2017 afgesloten^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. #### Visuele vraag-antwoord (Visual Question Answering) Op de VQA 1.0-dataset — een taak waarbij open antwoorden worden geformuleerd op vragen over afbeeldingen — lieten AI-systemen gestaag voortgang zien^{[\[13\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-VQA2017-13)}. De auteurs merkten op dat de VQA 1.0-dataset al was verdrongen door VQA 2.0, en het was onduidelijk hoeveel verdere aandacht aan de oorspronkelijke versie zou worden besteed^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. ### Verwerking van natuurlijke taal #### Syntactische ontleding (Parsing) Op de standaard testset — sectie 23 van het Wall Street Journal-corpus uit de Penn Treebank — vertoonden automatische parsers een gestage stijging van de F1-metriek^{[\[14\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-PennTreebank-14)}. Resultaten werden vastgelegd voor zowel zinnen korter dan 40 woorden als voor de volledige set zinnen^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. #### Machinevertaling (Machine Translation) Bij de jaarlijkse Workshop on Machine Translation (WMT)-competitie voor de taak van nieuwsvertaling tussen het Engels en het Duits lieten de beste systemen een algemeen stijgende trend zien op de BLEU-metriek^{[\[15\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-WMT2017-15)}. De BLEU-metriek — een automatische methode om machinevertaling te vergelijken met meerdere door mensen gemaakte vertalingen — is een aangepaste versie van precisie (precision) met waarden van 0 tot 1. Hoewel BLEU correleert met expertbeoordelingen van vertaalkwaliteit, kan de metriek niet worden gebruikt om corpora te vergelijken, en vergelijking tussen systemen kan misleidend zijn^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. In 2017 daalden de BLEU-scores merkbaar ten opzichte van 2016 (hoewel ze boven het niveau van 2015 bleven), wat waarschijnlijk te verklaren is door de kenmerken van de testset en niet door een werkelijke kwaliteitsachteruitgang van machinevertaalsystemen^{[\[15\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-WMT2017-15)}. #### Vraag-antwoord (Question Answering) Op de Stanford Question Answering Dataset (SQuAD) — meer dan 500 artikelen en 100.000 vraag-antwoordparen — lieten AI-systemen een snelle groei zien op de Exact Match (EM)-metriek, die het percentage antwoorden meet dat exact overeenkomt met de referentieantwoorden^{[\[16\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-SQuAD2016-16)}. Het menselijk prestatieniveau op SQuAD bedroeg 82,3%^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. De scores op SQuAD stegen snel sinds de totstandkoming van de dataset in juni 2016. ### Spraakherkenning Op de standaard dataset Switchboard Hub5'00 — een taak voor spraakherkenning uit telefoongesprekken — **bereikten Microsoft en IBM in 2017 een prestatie die de «menselijke pariteit» benaderde**^{[\[17\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-EFF2017-17)}. De Word Error Rate (WER)-metriek — het aantal fouten (vervangingen, verwijderingen en invoegingen van woorden), genormaliseerd naar de zinslengte — daalde over vele jaren. Er bestond discussie over het exacte menselijke foutpercentage: waarden van 5,1% en 5,9%, en zelfs lager dan 5% werden genoemd. In het rapport werd de drempel van 5,1% gehanteerd^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. De auteurs uitten bezorgdheid over het feit dat het langdurig gebruik van de Switchboard-dataset kan leiden tot aanzienlijke overfitting van AI-systemen op specifieke gegevens^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. ### Bewijsvoering van stellingen Op de Thousands of Problems for Theorem Provers (TPTP)-probleemset werd de gemiddelde «traceerbaarheid» (tractability) bijgehouden — het aandeel moderne automatische stellingsbewijzers (ATP) dat een probleem kan oplossen^{[\[18\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-TPTP2017-18)}. Er werd een subset van problemen geanalyseerd die niet waren bijgewerkt sinds versie TPTP v5.0.0 (2010). De metriek heeft een bijzonderheid: de komst van nieuwe krachtige ATP-systemen die nieuwe problemen goed oplossen maar slecht presteren bij problemen die andere systemen oplossen, kan leiden tot een daling van de gemiddelde traceerbaarheid^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. ### Oplossen van SAT-problemen Voor industriële probleeminstanties uit de SAT Competition werd een stijging van het percentage opgeloste problemen vastgesteld^{[\[19\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-SAT2017-19)}. De onderzoekers Holger Hoos en Kevin Leyton-Brown testten 69 solvers op 1076 probleeminstanties die waren ingediend bij de competitie vanaf 2007, waarbij alle solvers op dezelfde hardware werden uitgevoerd voor een correcte vergelijking^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. De auteurs merkten op dat een deel van de verbeteringen engineeringsprestaties kan weerspiegelen in plaats van algoritmische doorbraken^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. ## Afgeleide metrieken ### Dynamiek «academie — industrie» Om de samenhang tussen AI-activiteit in de academische wereld en de industrie te onderzoeken, werden drie representatieve metrieken geselecteerd: het aantal AI-publicaties, het gecombineerde aantal inschrijvingen voor inleidende AI- en ML-cursussen aan Stanford, en het volume van durfkapitaalinvesteringen in AI-startups. Alle metrieken werden genormaliseerd ten opzichte van het jaar 2000^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. Uit de analyse bleek dat **aanvankelijk de academische activiteit (publicaties en cursusinschrijvingen) een gestage voortgang verzekerde**. Vanaf ongeveer 2010 begonnen investeerders aandacht te besteden aan het vakgebied, en tegen 2013 waren zij de drijvende kracht achter een scherpe toename van de algehele activiteit. Daarna haalde de academische wereld het «enthousiasme» van de industrie in^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. ### AI Vibrancy Index De AI Vibrancy Index is een experimentele samengestelde metriek die genormaliseerde indicatoren voor publicaties, cursusinschrijvingen en durfkapitaalinvesteringen aggregeert om de «levendigheid» van AI als vakgebied kwantitatief te beoordelen^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. De index werd berekend als het gemiddelde van genormaliseerde metrieken over tijd en vertoonde een scherpe stijging die de gelijktijdige toename van alle drie de componenten weerspiegelt. De auteurs uitten de hoop dat dergelijke afgeleide metrieken interesse zouden wekken voor verdere analyse van de AI Index-gegevens^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. ## Op weg naar menselijk niveau Het rapport catalogiseerde geloofwaardige gevallen waarin computersystemen het menselijk prestatieniveau hadden bereikt of overtroffen, vergezeld van een aantal belangrijke kanttekeningen^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. **Kernbeperkingen van de vergelijking:** machines overtreffen mensen vaak bij sterk gespecialiseerde taken, maar de prestaties kunnen sterk achteruitgaan bij de geringste aanpassing van de omstandigheden. Een mens die Chinese tekens leest, begrijpt waarschijnlijk ook gesproken Chinees, weet iets over de Chinese cultuur en kan gerechten aanbevelen in een Chinees restaurant. Voor AI zou elke van deze taken een volledig apart systeem vereisen^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. ### Mijlpalen van prestaties | Prestatie | Jaar | Beschrijving | |--------------------------------|--------------|----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| | Othello | 1980s / 1997 | In 1989 versloeg het programma BILL (Kai-Fu Lee, Sanjoy Mahajan) de sterkste Amerikaanse speler Brian Rose (56–8). In 1997 won het programma Logistello alle partijen van een match van zes spellen van de regerende wereldkampioen^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. | | Dammen | 1995 | Het programma Chinook versloeg de regerende wereldkampioen. De eerste zelflerend programma's voor dammen werden door Arthur Samuel ontwikkeld vanaf 1952^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. | | Schaken | 1997 | IBM Deep Blue versloeg wereldkampioen Garry Kasparov. Sommige wetenschappers voorspelden in de jaren vijftig dat een computer de wereldkampioen zou verslaan tegen 1967^{[\[20\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-DeepBlue1997-20)}. In 2017 speelden schaakprogramma's op smartphones op grootmeesterniveau^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. | | Jeopardy! | 2011 | Het IBM Watson-systeem versloeg voormalige winnaars van de televisieshow Brad Rutter en Ken Jennings en won de hoofdprijs van 1 miljoen dollar^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. | | Atari-spellen | 2015 | Het team van Google DeepMind gebruikte een reinforcement learning-systeem om 49 Atari-spellen te spelen en bereikte bij de meeste het menselijk niveau (bijv. Breakout), hoewel sommige spellen (bijv. Montezuma's Revenge) buiten bereik bleven^{[\[21\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-Mnih2015-21)}. | | Objectdetectie (ImageNet) | 2016 | Het foutpercentage bij automatische beeldclassificatie van ImageNet daalde van 28% (2010) tot minder dan 3%, bij een menselijk niveau van ongeveer 5%^{[\[12\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-Russakovsky2015-12)}. | | Go | 2016–2017 | AlphaGo (Google DeepMind) versloeg Lee Sedol met 4–1 in maart 2016, waarna AlphaGo Master Ke Jie versloeg in maart 2017. In oktober 2017 versloeg AlphaGo Zero het originele AlphaGo met 100–0^{[\[22\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AlphaGo2016-22)[\[23\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AlphaGoZero2017-23)}. | | Classificatie van huidkanker | 2017 | Een AI-systeem getraind op 129.450 klinische beelden van 2.032 aandoeningen toonde een competentieniveau bij de classificatie van huidkanker dat vergelijkbaar was met dat van 21 gecertificeerde dermatologen^{[\[24\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-Esteva2017-24)}. | | Spraakherkenning (Switchboard) | 2017 | Microsoft en IBM bereikten een prestatie die de «menselijke pariteit» benaderde bij de spraakherkenningstask op de Switchboard-dataset^{[\[17\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-EFF2017-17)}. | | Poker | 2017 | Het programma Libratus (CMU) versloeg vier topspelers in een toernooi van 120.000 partijen Texas Hold'em met onbeperkte inzetten. Het programma DeepStack (Universiteit van Alberta) bewees statistische significantie van zijn superioriteit over 11 professionals in meer dan 3.000 partijen elk^{[\[25\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-Libratus2017-25)}. | | Ms. Pac-Man | 2017 | Het team van Maluuba (overgenomen door Microsoft) ontwikkelde een AI-systeem dat de maximale score van 999.900 punten op Atari 2600 behaalde^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. | ## Wat ontbreekt in het rapport De auteurs erkenden openhartig een aantal wezenlijke beperkingen van het inaugurele rapport^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}: ### Technische prestaties Veel belangrijke technische gebieden werden niet behandeld: dialoogsystemen (waarvoor geen gestandaardiseerde benchmarks bestonden), planning, continue aansturing in de robotica, alledaags redeneren (common sense reasoning), aanbevelingssystemen, gestandaardiseerde toetsen. De auteurs waarschuwden dat het bijhouden van voortgang doorgaans plaatsvindt in gebieden met goede resultaten, waardoor er een **optimistische vertekening** ontstaat in de beoordeling van de staat van AI^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. ### Internationale dekking Het rapport werd erkend als **te Amerikaans-centrisch**, ondanks significante AI-activiteit in andere landen. Het investeringsniveau en de activiteit in China werd omschreven als «opzienbarend», maar viel buiten het bestek van het inaugurele rapport^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. ### Diversiteit en inclusiviteit Het rapport **bevatte geen uitsplitsing van gegevens naar geslacht, ras, gender, etniciteit, seksuele geaardheid of andere kenmerken**. De auteurs erkenden dat vragen over wie deelneemt aan gesprekken over AI en wie de macht heeft om toekomstig AI-onderzoek en -inzet te beïnvloeden, nauw verbonden zijn met machtsdynamieken in de technologie- en durfkapitaalindustrie, evenals met bredere systemische discriminatiekrachten^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. ### Overheids- en bedrijfsinvesteringen De gegevens over durfkapitaalfinanciering bestreken alleen de VS en vertegenwoordigden slechts een zeer klein deel van de totale investeringen in onderzoek en ontwikkeling op het gebied van AI. Gegevens over overheids- en bedrijfsinvesteringen ontbraken^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. ### Invloed op specifieke sectoren Metrieken voor de impact van AI op de gezondheidszorg, de automobielsector, financiën, onderwijs en andere sectoren werden niet gepresenteerd^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. ### Vermindering van maatschappelijke risico's Vraagstukken rondom AI-veiligheid, voorspelbaarheid, algoritmische eerlijkheid, privacy en de ethische gevolgen van automatisering kwamen niet aan bod^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. ## Expertforum Het rapport bevatte commentaren van toonaangevende experts uit de academische wereld, de industrie, de overheid en de media^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. ### Barbara Grosz (Harvard) Barbara Grosz benadrukte het belang van het ontwikkelen van metrieken die niet alleen rekening houden met de prestaties van AI-systemen in isolatie, maar ook met **de kwaliteit van de interactie tussen AI en mensen** en de invloed van AI-systemen op mensen, zowel individueel als in de samenleving. Ze wees op een leemte in het rapport: de sectie over verwerking van natuurlijke taal behandelde parsing, machinevertaling en het beantwoorden van vragen, maar omvatte geen dialoogsystemen, die rekening moeten houden met de mentale toestand van de gesprekspartner. Grosz riep ook op tot het bijhouden van het aandeel AI-cursussen dat ethische aspecten omvat, en het aantal bedrijven dat zich afvraagt of een bepaald AI-systeem überhaupt gebouwd zou moeten worden^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. ### Eric Horvitz (Microsoft) Eric Horvitz noemde de publicatie van het inaugurele rapport een **cruciale stap in het betrekken van een bredere gemeenschap bij de dialoog**. Hij wees op de waarde van de sectie met afgeleide metrieken en de AI Vibrancy Index, en stelde voor deze te valideren door ze te vergelijken met gegevens over werving, samenstelling en beloning van AI-talent in bedrijven. Horvitz benadrukte in het bijzonder het belang van het bijhouden van voortgang op het gebied van alledaags redeneren (common sense reasoning), «dat zelfs een peuter vertoont», maar buiten het bereik van de huidige AI-technologieën blijft^{[\[2\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-Horvitz2017-2)}. ### Kai-Fu Lee (Sinovation Ventures) Kai-Fu Lee vulde de lacune in de internationale dekking van het rapport aan door een **overzicht van de staat van AI in China** te presenteren. Hij merkte op dat China drie keer zoveel mobiele telefoons en internetgebruikers heeft als de VS of India, en dat het verschil in gegenereerde gegevensvolumes de factor drie aanzienlijk overstijgt: Chinezen verrichten 50 keer zo vaak mobiele betalingen als Amerikanen, het volume van maaltijdbezorging is 10 keer zo groot, en het bedrijf Didi is al begonnen met het integreren van gegevens met verkeersmanagementsystemen. Lee haalde het Chinese startup Face++ aan, dat de eerste plaats behaalde in drie computer vision-competities en daarbij Google, Microsoft, Facebook en CMU versloeg. Hij wees op het plan van de Staatsraad van China uit juli 2017 om tegen 2030 een wereldwijd innovatiecentrum voor AI te worden en voorspelde dat **een Amerikaans-Chinese duopolie in AI niet alleen onvermijdelijk is, maar al een feit**^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. ### Andrew Ng (Coursera, Stanford) Andrew Ng omschreef AI als **«de nieuwe elektriciteit»**, die tal van sectoren transformeert. Hij beschreef de volgorde van transformatie van deelgebieden van AI door deep learning: eerst spraakherkenning, dan computer vision, dan NLP (wat leidt tot een bloei van chatbots), en vervolgens robotica (nieuwe productiekansen). Ng benadrukte dat landen met een verstandiger AI-beleid sneller vooruitgang zullen boeken, terwijl landen met slecht doordachte maatregelen het risico lopen achterop te raken^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. ### Daniela Rus (MIT) Daniela Rus presenteerde een optimistische visie op **AI als vector van positieve verandering**: van de bestrijding van klimaatverandering en de democratisering van onderwijs tot autonome voertuigen en gepersonaliseerde gezondheidszorg. Ze benadrukte dat AI, in tegenstelling tot wat algemeen wordt aangenomen, zal leiden tot meer bevredigende en niet minder talrijke banen, omdat de productiviteitswinst van AI en robotica mensen zal bevrijden van monotone taken^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. ### Sebastian Thrun (Stanford, Udacity) Sebastian Thrun trok een historische parallel: voor de uitvinding van de stoommachine waren de meeste mensen boeren, bepaald door hun fysieke kracht. Machines veranderden boeren in «supermensen» — één Amerikaanse boer voedt 155 mensen, en minder dan 2% van de Amerikaanse bevolking werkt in de landbouw. Op dezelfde manier **kan AI de patronen van ons herhalende werk leren en ons helpen «supermensen» te worden**. Thrun voorspelde het aanbreken van een **tijdperk van ongekende menselijke creativiteit**, maar waarschuwde voor de noodzaak om «levenslange leerlingen» te worden en zich aan te passen aan veranderingen^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. ### Michael Wooldridge (Oxford) Michael Wooldridge stelde de centrale vraag: bestaat er een **«AI-bubbel»** en zal die barsten (zoals de dotcombubbel van 1996–2001) of zacht leeglopen? Zijn grootste zorg was een nieuwe «AI-winter», uitgelokt door teleurstelling na massale speculatieve investeringen. Hij uitte echter voorzichtig optimisme: in tegenstelling tot eerdere cycli **bestaat er onder de huidige bubbel echte substantie** — AI-systemen tonen aanhoudende voortgang, en grote bedrijven hebben geleerd AI-technieken productief te benutten. Wooldridge stelde ook de vraag over het meten van voortgang richting algemene AI (General AI), en merkte op dat noch hij, noch iemand anders weet hoe dat te meten^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. ### Megan Smith en Susan Alzner Voormalig Chief Technology Officer van de VS Megan Smith en Susan Alzner (Verbindingsdienst met NGO's bij de VN) benadrukten het **primaire belang van diversiteit en inclusiviteit**. Ze wezen erop dat het merendeel van de mensheid is uitgesloten van het gesprek en de projectteams als gevolg van «massale bewuste en onbewuste vooroordelen, significante discriminerende culturele patronen en aangeleerd gedrag van systemische uitsluiting». De auteurs verwezen naar een reeks sleutelinitiatieven: Algorithmic Justice League, de petitie bij de VN over wapenAI, de CS for All-beweging, het AI4All-initiatief^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. ## Methodologie Het rapport maakte gebruik van gegevens uit een groot aantal bronnen^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}: - **Publicaties:** Elsevier Scopus — een database van bijna 70 miljoen documenten; zoekopdrachten op het trefwoord «Artificial Intelligence» in het vakgebied «Computer Science» voor de periode vanaf 1996^{[\[3\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-Scopus2017-3)}. - **Cursusinschrijvingen:** Universitaire registraties — UC Berkeley, Carnegie Mellon, Georgia Tech, UIUC, MIT, Stanford, University of Washington^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. - **Conferentiebezoek:** Gegevens van de organisatoren van 15 conferenties (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_(NL)#cite_note-AIIndex2017-1)}. - **Startups en financiering:** Crunchbase (API voor de identificatie van bedrijven per categorie), VentureSource (gegevens over durfkapitaalfinanciering), Sand Hill Econometrics (aggregatie)^{[\[4\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-Crunchbase2017-4)[\[5\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-VentureSource2017-5)}. - **Arbeidsmarkt:** Indeed.com (aandeel AI-vacatures per land), Monster.com / CEB TalentNeuron (absoluut aantal vacatures per vaardigheid)^{[\[6\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-Indeed2017-6)[\[7\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-Monster2017-7)}. - **Import van robots:** International Federation of Robotics, World Robotics Report^{[\[8\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-IFR2017-8)}. - **GitHub:** GitHub Archive via Google BigQuery — telling van WatchEvent-gebeurtenissen voor repositories van AI-frameworks^{[\[9\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-GitHub2017-9)}. - **Toon van de media:** TrendKite — classificatie van Engelstalige artikelen met filtering van persberichten, financieel nieuws en overlijdensberichten^{[\[10\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-TrendKite2017-10)}. - **Benchmarks:** LSVRC ImageNet, VQA 1.0, Penn Treebank, WMT / EuroMatrix, SQuAD, Switchboard Hub5'00, TPTP, SAT Competition^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. ## Leiding en auteursgroep Het AI Index-project 2017 werd opgesteld onder leiding van een stuurcomité^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}: - **Yoav Shoham** (Stanford University) — voorzitter - **Raymond Perrault** (SRI International) - **Erik Brynjolfsson** (MIT) - **Jack Clark** (OpenAI) - **Calvin LeGassick** — projectmanager Het adviescomité bestond uit Michael Bowling, Ernie Davis, Julia Hirschberg, Eric Horvitz, Karen Levy, Alan Mackworth, Tom Mitchell, Sandy Pentland, Chris Ré, Daniela Rus, Sebastian Thrun, Hal Varian en Toby Walsh^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. Onder de partnerorganisaties: Allen Institute for Artificial Intelligence, Crunchbase, Electronic Frontier Foundation, Elsevier, EuroMatrix, Google Brain, Indeed.com, Monster.com, Sand Hill Econometrics, Sinovation Ventures, TrendKite, VentureSource. De startfinanciering werd verstrekt door Google, Microsoft en Bytedance (Toutiao), maar AI Index benadrukt zijn onafhankelijkheid en merkt op dat het niet noodzakelijkerwijs de standpunten van deze organisaties weerspiegelt^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. ## Historische betekenis Het inaugurele AI Index-rapport van 2017 legde de basis voor de daaropvolgende reeks jaarlijkse rapporten, die in de loop van de tijd hun bereik aanzienlijk uitbreidden — van de eerste vier secties tot negen thematische hoofdstukken in het rapport van 2024. Veel hiaten die eerlijk werden erkend in de sectie «What's Missing» van het rapport van 2017 werden vervolgens aangepakt: internationale dekking (vanaf het rapport van 2018), gegevens over diversiteit, overheidsinvesteringen, sectorale impact, evenals verantwoorde AI en regelgeving^{[\[26\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2024-26)}. Het AI Index-project ging later over naar de Stanford HAI (Human-Centered Artificial Intelligence), opgericht in 2019^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_note-AIIndex2017-1)}. ## Verwijzingen - AI Index 2017 Annual Report (volledige tekst): 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/ ## Literatuur - 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/ ## Noten 1. ↑ ^{[1.00](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-0)} ^{[1.01](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-1)} ^{[1.02](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-2)} ^{[1.03](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-3)} ^{[1.04](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-4)} ^{[1.05](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-5)} ^{[1.06](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-6)} ^{[1.07](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-7)} ^{[1.08](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-8)} ^{[1.09](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-9)} ^{[1.10](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-10)} ^{[1.11](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-11)} ^{[1.12](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-12)} ^{[1.13](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-13)} ^{[1.14](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-14)} ^{[1.15](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-15)} ^{[1.16](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-16)} ^{[1.17](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-17)} ^{[1.18](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-18)} ^{[1.19](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-19)} ^{[1.20](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-20)} ^{[1.21](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-21)} ^{[1.22](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-22)} ^{[1.23](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-23)} ^{[1.24](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-24)} ^{[1.25](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-25)} ^{[1.26](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-26)} ^{[1.27](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-27)} ^{[1.28](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-28)} ^{[1.29](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-29)} ^{[1.30](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-30)} ^{[1.31](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-31)} ^{[1.32](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-32)} ^{[1.33](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-33)} ^{[1.34](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-34)} ^{[1.35](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-35)} ^{[1.36](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-36)} ^{[1.37](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-37)} ^{[1.38](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-38)} ^{[1.39](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-39)} ^{[1.40](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-40)} ^{[1.41](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-41)} ^{[1.42](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-42)} ^{[1.43](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-43)} ^{[1.44](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-44)} ^{[1.45](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-45)} ^{[1.46](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-46)} ^{[1.47](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-47)} ^{[1.48](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-48)} ^{[1.49](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-49)} ^{[1.50](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-50)} ^{[1.51](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-51)} ^{[1.52](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-52)} ^{[1.53](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-53)} ^{[1.54](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-54)} ^{[1.55](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-55)} ^{[1.56](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-56)} ^{[1.57](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-57)} ^{[1.58](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-58)} ^{[1.59](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-AIIndex2017_1-59)} ^{[1.60](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#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_(NL)#cite_ref-Horvitz2017_2-0)} ^{[2.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#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_(NL)#cite_ref-Scopus2017_3-0)} ^{[3.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-Scopus2017_3-1)} ^{[3.2](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#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_(NL)#cite_ref-Crunchbase2017_4-0)} ^{[4.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#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_(NL)#cite_ref-VentureSource2017_5-0)} ^{[5.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-VentureSource2017_5-1)} ^{[5.2](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#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_(NL)#cite_ref-Indeed2017_6-0)} ^{[6.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-Indeed2017_6-1)} ^{[6.2](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#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_(NL)#cite_ref-Monster2017_7-0)} ^{[7.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#cite_ref-Monster2017_7-1)} ^{[7.2](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#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_(NL)#cite_ref-IFR2017_8-0)} ^{[8.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#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_(NL)#cite_ref-GitHub2017_9-0)} ^{[9.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#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_(NL)#cite_ref-TrendKite2017_10-0)} ^{[10.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#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_(NL)#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_(NL)#cite_ref-Russakovsky2015_12-0)} ^{[12.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#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_(NL)#cite_ref-VQA2017_13-0) VQA Dataset (2017). http://www.visualqa.org/ 14. [↑](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#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_(NL)#cite_ref-WMT2017_15-0)} ^{[15.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#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_(NL)#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_(NL)#cite_ref-EFF2017_17-0)} ^{[17.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#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_(NL)#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_(NL)#cite_ref-SAT2017_19-0) SAT Competition (2017). http://www.satcompetition.org/ 20. [↑](https://systems-analysis.info/int/The_2017_AI_Index_Report_(NL)#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_(NL)#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_(NL)#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_(NL)#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_(NL)#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_(NL)#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_(NL)#cite_ref-AIIndex2024_26-0) Stanford HAI (2024). *Artificial Intelligence Index Report 2024*. https://aiindex.stanford.edu/report/