--- title: "The 2017 AI Index Report (SV)" source: "https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)" wiki: "systems-analysis.info/int" article: "The_2017_AI_Index_Report_(SV)" language: "sv" categories: - "Category:Machine learning" - "Category:Swedish" revision_id: 7924 wiki_created_at: 2026-09-07T01:09:00Z wiki_modified_at: 2026-09-07T01:09:00Z downloaded_at: 2026-09-07T23:21:38Z --- # The 2017 AI Index Report (SV) **AI Index Report 2017** — den första (inaugurala) årliga rapporten från projektet **AI Index**, publicerad i november 2017^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. Projektet skapades inom ramen för initiativet **One Hundred Year Study on AI** (AI100) vid Stanford University och utgör ett öppet icke-kommersiellt projekt för att följa aktivitet och framsteg inom artificiell intelligens. Rapporten från 2017 var det första försöket att systematiskt aggregera och visualisera data om AI:s tillstånd, och täckte aktivitetsvolymer inom akademin och industrin, teknisk prestanda hos AI-system, härledda mätvärden samt framsteg mot mänsklig nivå. Författarna betonar att utan relevanta data om AI-teknikens tillstånd "flyger samhället blint" i diskussioner och beslutsfattande rörande artificiell intelligens^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. ## Bakgrund och mål Till 2017 hade artificiell intelligens trätt fram i den globala diskursens förgrund och attraherade uppmärksamhet från praktiker, industriledare, politiker och allmänheten. AI-området utvecklades så snabbt att även experter hade svårt att förstå och följa framstegen. AI Index utformades som ett verktyg för ett informerat samtal om AI, baserat på data snarare än spekulationer eller anekdotiska vittnesbörd^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. Projektidén uppstod under diskussioner i AI100:s ständiga kommitté 2015^{[\[2\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-Horvitz2017-2)}. Rapporten aggregerar både fritt tillgängliga data från internet och originaldata, samt härleder nya mätvärden ur kombinationer av befintliga dataserier. Alla data som använts för att generera rapporten publiceras öppet på aiindex.org^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. ## Rapportens struktur Rapporten från 2017 består av fyra huvudsakliga dataavsnitt och flera diskussionssektioner^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}: 1. **Aktivitetsvolym (Volume of Activity)** — mätvärden för "hur mycket": publikationer, kursantagning, konferensdeltagande, startups, finansiering, lediga tjänster, robotimport, programvara med öppen källkod, allmänt intresse. 2. **Teknisk prestanda (Technical Performance)** — mätvärden för "hur bra": datorseende, bearbetning av naturligt språk, taligenkänning, teorem-bevisning, lösning av SAT-problem. 3. **Härledda mätvärden (Derivative Measures)** — samband mellan trender, dynamiken "akademi — industri", AI Vibrancy Index. 4. **På väg mot mänsklig nivå? (Towards Human-Level Performance?)** — en katalog över prestationer där AI har närmat sig eller överträffat mänsklig nivå. 5. **Vad saknas? (What's Missing?)** — erkännande av rapportens begränsningar och inriktningar för framtida arbete. 6. **Expertforum (Expert Forum)** — kommentarer från ledande experter inom AI. ## Aktivitetsvolym ### Akademiska publikationer Antalet vetenskapliga artiklar om AI publicerade och indexerade i databasen Scopus (förlaget Elsevier) med sökordet "Artificial Intelligence" inom ämnesområdet "Computer Science" ökade **mer än nio gånger sedan 1996**^{[\[3\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-Scopus2017-3)}. Som jämförelse ökade det totala antalet publikationer inom datavetenskap under samma period med ungefär sex gånger, vilket tyder på att ökningen av AI-publikationer inte enbart beror på ett bredare intresse för datavetenskap i allmänhet, utan specifikt på ett ökat fokus på artificiell intelligens^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. Vid tidpunkten för rapportens sammanställning innehöll Scopus-databasen mer än 200 000 artiklar inom datavetenskap med sökordet "Artificial Intelligence" och nästan 5 miljoner artiklar inom datavetenskap totalt, av ett samlat bestånd på cirka 70 miljoner indexerade dokument^{[\[3\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-Scopus2017-3)}. ### Kursantagning Antalet studenter som antogs till introduktionskurser i artificiell intelligens och Machine Learning uppvisade snabb tillväxt. Vid Stanford University **ökade antagningen till introduktionskursen i AI elva gånger sedan 1996**^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. Machine Learning (ML) som underområde till AI lyftes fram separat på grund av en särskilt snabb antagningsökning och ML-teknikernas avgörande roll i de senaste AI-framstegen. Liknande tendenser observerades vid andra ledande universitet: University of California, Berkeley, Carnegie Mellon University, Georgia Institute of Technology, University of Illinois Urbana-Champaign, Massachusetts Institute of Technology och University of Washington^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. Rapportens författare noterar att dessa data representerar endast ett smalt urval av högskolelandskapet och inte nödvändigtvis är representativa för ett bredare urval av lärosäten. ### Konferensdeltagande Data om deltagande vid ledande AI-konferenser (AAAI, AAMAS, ACL, CP, CVPR, ECAI, ICAPS, ICRA, ICLR, ICML, IJCAI, IROS, KR, NIPS, UAI) bekräftade **ett skifte i forskningsfokus från symboliskt resonemang mot Machine Learning och djupinlärning**^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. Konferenser inriktade på Machine Learning (NIPS, ICML, ICLR) uppvisade den mest betydande tillväxten i deltagande, medan konferenser om symboliska metoder (KR, CP, ICAPS) bibehöll en stabil men mer blygsam gemenskap som fortsatte att uppnå stadiga framsteg^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. ### AI-startups Antalet aktiva amerikanska startups som utvecklar AI-system med riskkapitalfinansiering **ökade fjorton gånger sedan 2000**^{[\[4\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-Crunchbase2017-4)[\[5\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-VentureSource2017-5)}. För att identifiera AI-företag användes Crunchbase-kategorier (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) med efterföljande korsvalidering mot VentureSource-databasen^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. ### Riskkapitalfinansiering Volymen av årliga riskkapitalinvesteringar i amerikanska AI-startups **ökade sex gånger sedan 2000**^{[\[5\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-VentureSource2017-5)}. Data omfattar alla finansieringsstadier och aggregerades av Sand Hill Econometrics utifrån VentureSource-databasen^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. ### Arbetsmarknaden Data från de två största plattformarna för lediga tjänster online — Indeed.com och Monster.com — visade en betydande ökning av efterfrågan på AI-specialister^{[\[6\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-Indeed2017-6)[\[7\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-Monster2017-7)}. **Indeed.com:** Andelen lediga tjänster som kräver AI-kompetens på plattformen i USA **ökade 4,5 gånger sedan 2013**^{[\[6\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-Indeed2017-6)}. En liknande snabb tillväxt observerades i Kanada och Storbritannien, även om deras marknader i absolut storlek utgjorde respektive 5% och 27% av den amerikanska^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. **Monster.com:** En analys av det absoluta antalet AI-relaterade lediga tjänster uppdelat efter efterfrågad kompetens (Machine Learning, datorseende, bearbetning av naturligt språk m.fl.) bekräftade också en stabil tillväxt. En och samma tjänst kunde samtidigt kräva flera kompetenser^{[\[7\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-Monster2017-7)}. ### Robotimport Data från den årliga rapporten World Robotics Report, sammanställd av International Federation of Robotics (IFR), visade en stabil ökning av importen av industrirobotar både till Nordamerika och globalt^{[\[8\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-IFR2017-8)}. Rapportens författare noterar att det inte finns något enkelt sätt att fastställa vilken andel av robotarna som använder programvara som kan kvalificeras som "AI", och i vilken utsträckning framsteg inom AI bidrar till den ökade användningen av industrirobotar^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. ### Programvara med öppen källkod Utvecklarintresset för AI-ramverk på plattformen GitHub uppvisade betydande tillväxt. Antalet stjärnor (Stars) för centrala paket för Machine Learning och djupinlärning — TensorFlow, Scikit-Learn, Keras, PyTorch, Caffe, MXNet, CNTK och Theano — ökade snabbt^{[\[9\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-GitHub2017-9)}. TensorFlow från Google och Scikit-Learn lyftes fram som de mest populära paketen, och trenderna för antal stjärnor och förgreningar (Forks) var i det närmaste identiska^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. ### Allmänt intresse: mediernas ton En analys av tonen i populära mediers publiceringar som innehöll termen "Artificial Intelligence", baserad på data från tjänsten TrendKite, visade dynamiken i förhållandet mellan positiva och negativa artiklar^{[\[10\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-TrendKite2017-10)}. TrendKites klassificerare fördelade engelskspråkiga artiklar (med undantag för pressmeddelanden, finansiella nyheter och dödsannonser) i kategorierna "positiva", "negativa" och "neutrala"^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. ## Teknisk prestanda Avsnittet om teknisk prestanda följer framstegen hos AI-system inom datorseende, bearbetning av naturligt språk, taligenkänning, teorem-bevisning och lösning av SAT-problem^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. ### Datorseende #### Objektdetektering (Object Detection) Vid tävlingen Large Scale Visual Recognition Challenge (LSVRC) baserad på datasetet ImageNet **sjönk felfrekvensen i bildigenkänning från 28,5% till under 2,5% under perioden 2010 till 2017**^{[\[11\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-ImageNet2017-11)}. Som jämförelse uppskattas den mänskliga felfrekvensen till ungefär 5%^{[\[12\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-Russakovsky2015-12)}, det vill säga att AI-system till 2017 redan avsevärt överträffat den mänskliga nivån på detta benchmark. ImageNet-tävlingen avslutades 2017^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. #### Visuell fråga-svar (Visual Question Answering) På datasetet VQA 1.0 — uppgiften att formulera öppna svar på frågor om bilder — uppvisade AI-system stadiga framsteg^{[\[13\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-VQA2017-13)}. Författarna noterade att datasetet VQA 1.0 redan hade ersatts av VQA 2.0, och att det var oklart hur mycket fortsatt uppmärksamhet som skulle ägnas åt den ursprungliga versionen^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. ### Bearbetning av naturligt språk #### Syntaktisk analys (Parsing) På standardtestsettet — sektion 23 i Wall Street Journal-korpusen från Penn Treebank — uppvisade automatiska parsers en stabil ökning av F1-mätvärdet^{[\[14\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-PennTreebank-14)}. Resultaten registrerades både för meningar kortare än 40 ord och för hela meningsbeståndet^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. #### Maskinöversättning (Machine Translation) Vid den årliga tävlingen Workshop on Machine Translation (WMT) för uppgiften att översätta nyheter mellan engelska och tyska visade de bästa systemen en allmän uppåtgående trend enligt BLEU-mätvärdet^{[\[15\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-WMT2017-15)}. BLEU-mätvärdet — en automatisk metod för att jämföra maskinöversättning med flera mänskliga översättningar — är en modifierad version av precision med värden från 0 till 1. Även om BLEU korrelerar med expertbedömningar av översättningskvalitet kan det inte användas för jämförelser mellan korpusar, och jämförelser mellan system kan vara missvisande^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. Under 2017 sjönk BLEU-poängen märkbart jämfört med 2016 (även om de förblev högre än 2015 års nivå), vilket troligtvis förklaras av testsettets egenskaper snarare än en verklig kvalitetsminskning hos maskinöversättningssystemen^{[\[15\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-WMT2017-15)}. #### Fråga-svar (Question Answering) På datasetet Stanford Question Answering Dataset (SQuAD) — mer än 500 artiklar och 100 000 fråga-svar-par — uppvisade AI-system en snabb ökning av mätvärdet Exact Match (EM), som mäter andelen svar som exakt stämmer överens med referenssvaren^{[\[16\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-SQuAD2016-16)}. Den mänskliga prestationsnivån på SQuAD uppgick till 82,3%^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. Poängen på SQuAD steg snabbt från det att datasetet skapades i juni 2016. ### Taligenkänning På standarddatasetet Switchboard Hub5'00 — uppgiften att känna igen tal från telefonsamtal — **uppnådde Microsoft och IBM 2017 en prestanda nära "mänsklig paritet"**^{[\[17\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-EFF2017-17)}. Mätvärdet Word Error Rate (WER) — antalet fel (substitutioner, borttagningar och infogningar av ord) normaliserat efter meningslängd — hade sjunkit under många år. Det rådde oenighet om den exakta nivån för mänskliga fel: värden om 5,1% och 5,9%, och till och med under 5%, nämndes. I rapporten användes tröskelvärdet 5,1%^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. Författarna uttryckte oro för att den långvariga användningen av Switchboard-datasetet kan ha lett till betydande överanpassning hos AI-system till just dessa data^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. ### Teorem-bevisning På uppgiftssamlingen Thousands of Problems for Theorem Provers (TPTP) följdes den genomsnittliga "traktabiliteten" (tractability) — andelen moderna automatiska teorem-bevisare (ATP) som kan lösa en uppgift^{[\[18\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-TPTP2017-18)}. En delmängd av uppgifter som inte uppdaterats sedan TPTP v5.0.0 (2010) analyserades. Mätvärdet har en egenhet: framkomsten av nya kraftfulla ATP-system som löser nya uppgifter väl men klarar sig sämre på uppgifter som andra system löser, kan leda till en sänkning av den genomsnittliga traktabiliteten^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. ### Lösning av SAT-problem För industriella probleminstanser från SAT Competition-tävlingen registrerades en ökning i andelen lösta problem^{[\[19\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-SAT2017-19)}. Forskarna Holger Hoos och Kevin Leyton-Brown testade 69 lösare på 1 076 probleminstanser som presenterades vid tävlingen sedan 2007, och körde alla lösare på samma hårdvara för en korrekt jämförelse^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. Författarna noterade att en del av förbättringarna kan återspegla ingenjörsmässiga framsteg snarare än algoritmiska genombrott^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. ## Härledda mätvärden ### Dynamiken "akademi — industri" För att undersöka sambandet mellan AI-aktivitet i akademin och industrin valdes tre representativa mätvärden: antalet AI-publikationer, det sammanlagda antalet antagna studenter till introduktionskurser i AI och ML vid Stanford, samt volymen riskkapitalinvesteringar i AI-startups. Alla mätvärden normaliserades i förhållande till år 2000^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. Analysen visade att **inledningsvis stod akademisk aktivitet (publikationer och kursantagning) för stadiga framsteg**. Ungefär från 2010 började investerare uppmärksamma området, och till 2013 hade de blivit en drivande kraft bakom en kraftig ökning av den totala aktiviteten. Därefter kom akademin i kapp industrins "entusiasm"^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. ### AI Vibrancy Index AI Vibrancy Index är ett experimentellt sammansatt mätvärde som aggregerar normaliserade indikatorer för publikationer, kursantagning och riskkapitalinvesteringar för att kvantifiera "livskraften" hos AI som område^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. Indexet beräknades som medelvärdet av normaliserade mätvärden över tid och uppvisade en kraftig tillväxt som återspeglar en samtidig ökning av alla tre komponenter. Författarna uttryckte förhoppning om att liknande härledda mätvärden skulle väcka intresse för vidare analys av AI Index-data^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. ## På väg mot mänsklig nivå Rapporten katalogiserade trovärdiga fall där datorsystem uppnått eller överträffat mänsklig prestationsnivå, åtföljda av ett antal viktiga förbehåll^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. **Viktiga begränsningar i jämförelsen:** maskiner överträffar ofta människor i snäva specialiserade uppgifter, men prestandan kan falla dramatiskt vid den minsta förändring av villkoren. En människa som läser kinesiska skrifttecken förstår förmodligen även kinesiskt tal, känner till något om kinesisk kultur och kan rekommendera rätter på en kinesisk restaurang. För AI skulle var och en av dessa uppgifter kräva ett helt separat system^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. ### Milstolpar | Prestation | År | Beskrivning | |------------------------------|-------------------|----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| | Othello | 1980-talet / 1997 | År 1989 besegrade programmet BILL (Kai-Fu Lee, Sanjoy Mahajan) den starkaste amerikanske spelaren Brian Rose (56–8). År 1997 vann programmet Logistello alla partier i en match om sex spel mot den regerande världsmästaren^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. | | Dam | 1995 | Programmet Chinook besegrade den regerande världsmästaren. De första självlärande damspelsprogrammen skapades av Arthur Samuel från och med 1952^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. | | Schack | 1997 | IBM Deep Blue besegrade världsmästaren Garry Kasparov. Vissa forskare förutspådde på 1950-talet att en dator skulle slå världsmästaren till 1967^{[\[20\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-DeepBlue1997-20)}. Till 2017 spelade schackprogram på smartphones på stormästarnivå^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. | | Jeopardy! | 2011 | IBM Watson-systemet besegrade tidigare vinnare av TV-showen Brad Rutter och Ken Jennings och tog hem förstapriset på 1 miljon dollar^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. | | Atari-spel | 2015 | Google DeepMind-teamet använde ett system med Reinforcement Learning för att träna på att spela 49 Atari-spel och nådde mänsklig nivå i de flesta av dem (exempelvis Breakout), även om vissa spel (exempelvis Montezuma's Revenge) förblev utom räckhåll^{[\[21\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-Mnih2015-21)}. | | Objektdetektering (ImageNet) | 2016 | Felfrekvensen vid automatisk klassificering av ImageNet-bilder sjönk från 28% (2010) till under 3%, vid en mänsklig nivå på ungefär 5%^{[\[12\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-Russakovsky2015-12)}. | | Go | 2016–2017 | AlphaGo (Google DeepMind) besegrade Lee Sedol med 4–1 i mars 2016, därefter besegrade AlphaGo Master Ke Jie i mars 2017. I oktober 2017 besegrade AlphaGo Zero det ursprungliga AlphaGo med 100–0^{[\[22\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AlphaGo2016-22)[\[23\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AlphaGoZero2017-23)}. | | Klassificering av hudcancer | 2017 | Ett AI-system tränat på 129 450 kliniska bilder av 2 032 sjukdomar uppvisade en kompetensnivå vid klassificering av hudcancer jämförbar med 21 certifierade dermatologer^{[\[24\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-Esteva2017-24)}. | | Taligenkänning (Switchboard) | 2017 | Microsoft och IBM uppnådde en prestanda nära "mänsklig paritet" i taligenkänningsuppgiften på Switchboard-datasetet^{[\[17\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-EFF2017-17)}. | | Poker | 2017 | Programmet Libratus (CMU) besegrade fyra toppspelare i en turnering om 120 000 partier Texas Hold'em utan begränsningar. Programmet DeepStack (University of Alberta) bevisade statistisk signifikans i sin överlägsenhet gentemot 11 professionella spelare i mer än 3 000 partier var^{[\[25\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-Libratus2017-25)}. | | Ms. Pac-Man | 2017 | Maluuba-teamet (förvärvat av Microsoft) skapade ett AI-system som nådde maxpoängen 999 900 på Atari 2600^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. | ## Vad saknas i rapporten Författarna erkände öppet ett antal väsentliga begränsningar i den inaugurala rapporten^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}: ### Teknisk prestanda Många viktiga tekniska områden täcktes inte: dialogsystem (för vilka standardiserade benchmark saknades), planering, kontinuerlig styrning inom robotik, vardagsresonemang (common sense reasoning), rekommendationssystem, standardiserade tester. Författarna varnade för att uppföljning av framsteg vanligtvis sker inom områden med goda resultat, vilket skapar en **optimistisk förskjutning** i bedömningen av AI:s tillstånd^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. ### Internationell täckning Rapporten erkändes vara **alltför USA-centrerad**, trots betydande AI-aktivitet i andra länder. Nivån på investeringar och aktivitet i Kina beskrevs som "häpnadsväckande", men som liggande utanför den inaugurala rapportens räckvidd^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. ### Mångfald och inkludering Rapporten **innehöll ingen uppdelning av data efter kön, ras, genus, etnicitet, sexuell läggning eller andra egenskaper**. Författarna erkände att frågor om vem som deltar i samtal om AI och vem som har makt att påverka framtida AI-forskning och driftsättning av AI är nära kopplade till maktdynamiken inom teknik- och riskkapitalindustrin, liksom till bredare systemiska diskrimineringskrafter^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. ### Statliga och företagsinvesteringar Data om riskkapitalfinansiering täckte enbart USA och representerade en mycket liten del av de totala investeringarna i AI-forskning och -utveckling. Data om statliga och företagsmässiga satsningar saknades^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. ### Påverkan på specifika branscher Mätvärden för AI:s påverkan på hälso- och sjukvård, bilindustrin, finanssektorn, utbildningen och andra vertikaler presenterades inte^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. ### Minskning av sociala risker Frågor om AI-säkerhet, förutsägbarhet, algoritmisk rättvisa, integritet och etiska konsekvenser av automatisering behandlades inte^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. ## Expertforum Rapporten inkluderade kommentarer från ledande experter som representerade akademin, industrin, regeringen och medierna^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. ### Barbara Grosz (Harvard) Barbara Grosz betonade vikten av att utveckla mätvärden som inte bara tar hänsyn till AI-systems prestanda i ett vakuum, utan även till **kvaliteten på AI:s interaktion med människor** och AI-systems påverkan på människor såväl individuellt som i samhället. Hon uppmärksammade en lucka i rapporten: avsnittet om bearbetning av naturligt språk täckte parsing, maskinöversättning och frågesvar, men inkluderade inte dialogsystem, som kräver hänsyn till samtalspartnerns mentala tillstånd. Grosz uppmanade också till att följa andelen AI-kurser som inkluderar etiska aspekter, och antalet företag som frågar sig om ett visst AI-system överhuvudtaget bör skapas^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. ### Eric Horvitz (Microsoft) Eric Horvitz kallade publiceringen av den inaugurala rapporten ett **avgörande steg i att engagera ett bredare community i dialogen**. Han framhöll värdet av avsnittet om härledda mätvärden och AI Vibrancy Index, och föreslog att dessa valideras genom att jämföras med data om rekrytering, sammansättning och ersättning för AI-talanger i företag. Horvitz betonade särskilt vikten av att följa framstegen inom vardagsresonemang (common sense reasoning), "som till och med ett litet barn uppvisar", men som förblir utom räckhåll för nuvarande AI-teknologier^{[\[2\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-Horvitz2017-2)}. ### Kai-Fu Lee (Sinovation Ventures) Kai-Fu Lee fyllde rapportens lucka i internationell täckning med en **översikt av AI:s tillstånd i Kina**. Han noterade att Kina har tre gånger fler mobiltelefoner och internetanvändare än USA eller Indien, och att klyftan i volymen genererade data avsevärt överstiger faktorn tre: kineser genomför mobila betalningar 50 gånger oftare än amerikaner, volymen matleveranser är 10 gånger större, och företaget Didi hade redan börjat integrera data med trafikstyrningssystem. Lee lyfte fram den kinesiska startupen Face++, som kom på första plats i tre tävlingar om datorseende och slog Google, Microsoft, Facebook och CMU. Han pekade på Kinas statsråds plan från juli 2017 att bli ett världscentrum för AI-innovation till 2030 och förutspådde att **den amerikanskt-kinesiska dualismen inom AI inte bara är oundviklig, utan redan har inträffat**^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. ### Andrew Ng (Coursera, Stanford) Andrew Ng beskrev AI som **"det nya elektricitetet"**, som transformerar en mängd branscher. Han beskrev sekvensen av transformationer av AI:s underområden av djupinlärning: först taligenkänning, sedan datorseende, sedan NLP (vilket leder till ett blomstrande av chattbotar), och därefter robotik (nya produktionsmöjligheter). Ng betonade att länder med en mer välgenomtänkt AI-politik kommer att gå framåt snabbare, medan länder med dåligt genomtänkta åtgärder riskerar att hamna på efterkälken^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. ### Daniela Rus (MIT) Daniela Rus presenterade en optimistisk syn på **AI som en vektor för positiva förändringar**: från kampen mot klimatförändringen och demokratisering av utbildningen till autonoma fordon och personanpassad hälso- och sjukvård. Hon betonade att AI, trots vad som allmänt tros, kommer att leda till mer tillfredsställande snarare än färre arbetstillfällen, eftersom produktivitetsökningen från AI och robotik frigör människor från monotona uppgifter^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. ### Sebastian Thrun (Stanford, Udacity) Sebastian Thrun drog en historisk parallell: före ångmotorns uppfinning var de flesta människor bönder, definierade av sin fysiska styrka. Maskiner förvandlade bönder till "övermänniskor" — en amerikansk bonde föder 155 personer, och färre än 2% av USA:s befolkning arbetar inom jordbruket. På liknande sätt kan **AI lära sig mönstren i vårt repetitiva arbete och hjälpa oss att bli "övermänniskor"**. Thrun förutspådde en **era av oöverträffad mänsklig kreativitet**, men varnade för behovet av att bli "livslånga elever" och anpassa sig till förändringarna^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. ### Michael Wooldridge (Oxford) Michael Wooldridge ställde den centrala frågan: finns det en **"AI-bubbla"** och kommer den att spricka (i likhet med dot com-bubblan 1996–2001) eller tystna lugnt? Hans huvudsakliga oro gällde en ny "AI-vinter" utlöst av besvikelse efter massiva spekulativa investeringar. Han uttryckte dock försiktig optimism: till skillnad från tidigare cykler **finns det verklig substans under den nuvarande bubblan** — AI-system uppvisar stadiga framsteg och stora företag har lärt sig att produktivt använda AI-tekniker. Wooldridge väckte också frågan om mätning av framsteg mot general AI, och konstaterade att varken han eller någon annan vet hur detta ska mätas^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. ### Megan Smith och Susan Alzner USA:s tidigare Chief Technology Officer Megan Smith och Susan Alzner (FN:s förbindelsetjänst till frivilligorganisationer) betonade **den yttersta vikten av mångfald och inkludering**. De påpekade att majoriteten av mänskligheten är utestängd från samtalet och projektteamen till följd av "massiv medveten och omedveten fördom, betydande diskriminerande kulturella mönster och inlärt beteende av systemiskt utestängande". Författarna hänvisade till ett antal nyckelinitiativ: Algorithmic Justice League, petitionen till FN om vapenmässig AI, rörelsen CS for All, initiativet AI4All^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. ## Metodik Rapporten använde data från ett flertal källor^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}: - **Publikationer:** Elsevier Scopus — en databas med nästan 70 miljoner dokument; sökningar på nyckelordet "Artificial Intelligence" inom ämnesområdet "Computer Science" för perioden från 1996^{[\[3\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-Scopus2017-3)}. - **Kursantagning:** Universitetsregister — UC Berkeley, Carnegie Mellon, Georgia Tech, UIUC, MIT, Stanford, University of Washington^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. - **Konferensdeltagande:** Data från arrangörerna av 15 konferenser (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_(SV)#cite_note-AIIndex2017-1)}. - **Startups och finansiering:** Crunchbase (API för identifiering av företag efter kategorier), VentureSource (data om riskkapitalfinansiering), Sand Hill Econometrics (aggregering)^{[\[4\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-Crunchbase2017-4)[\[5\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-VentureSource2017-5)}. - **Arbetsmarknaden:** Indeed.com (andel AI-tjänster per land), Monster.com / CEB TalentNeuron (absolut antal tjänster per kompetens)^{[\[6\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-Indeed2017-6)[\[7\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-Monster2017-7)}. - **Robotimport:** International Federation of Robotics, World Robotics Report^{[\[8\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-IFR2017-8)}. - **GitHub:** GitHub Archive via Google BigQuery — räkning av WatchEvent-händelser för AI-ramverks repositorier^{[\[9\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-GitHub2017-9)}. - **Mediernas ton:** TrendKite — klassificering av engelskspråkiga artiklar med filtrering av pressmeddelanden, finansiella nyheter och dödsannonser^{[\[10\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#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_(SV)#cite_note-AIIndex2017-1)}. ## Ledning och författargrupp AI Index-projektet 2017 förbereddes under ledning av en styrkommitté^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}: - **Yoav Shoham** (Stanford University) — ordförande - **Raymond Perrault** (SRI International) - **Erik Brynjolfsson** (MIT) - **Jack Clark** (OpenAI) - **Calvin LeGassick** — projektledare Rådgivande kommittén inkluderade Michael Bowling, Ernie Davis, Julia Hirschberg, Eric Horvitz, Karen Levy, Alan Mackworth, Tom Mitchell, Sandy Pentland, Chris Ré, Daniela Rus, Sebastian Thrun, Hal Varian och Toby Walsh^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. Bland partnerorganisationerna: Allen Institute for Artificial Intelligence, Crunchbase, Electronic Frontier Foundation, Elsevier, EuroMatrix, Google Brain, Indeed.com, Monster.com, Sand Hill Econometrics, Sinovation Ventures, TrendKite, VentureSource. Startfinansiering tillhandahölls av Google, Microsoft och Bytedance (Toutiao), men AI Index betonar sin självständighet och noterar att det inte nödvändigtvis återspeglar dessa organisationers åsikter^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. ## Historisk betydelse Den inaugurala AI Index-rapporten från 2017 lade grunden för den efterföljande serien av årliga rapporter, som med tiden avsevärt utvidgade täckningen — från de ursprungliga fyra avsnitten till nio tematiska kapitel i 2024 års rapport. Många luckor som öppet erkändes i avsnittet "What's Missing" i 2017 års rapport adresserades successivt: internationell täckning (från och med 2018 års rapport), data om mångfald, statliga investeringar, påverkan på vertikaler, samt ansvarsfull AI och reglering^{[\[26\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2024-26)}. AI Index-projektet övergick därefter under Stanford HAI (Human-Centered Artificial Intelligence), som grundades 2019^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_note-AIIndex2017-1)}. ## Referenser - AI Index 2017 Annual Report (fulltext): 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/ ## Litteratur - 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/ ## Noter 1. ↑ ^{[1.00](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-0)} ^{[1.01](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-1)} ^{[1.02](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-2)} ^{[1.03](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-3)} ^{[1.04](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-4)} ^{[1.05](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-5)} ^{[1.06](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-6)} ^{[1.07](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-7)} ^{[1.08](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-8)} ^{[1.09](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-9)} ^{[1.10](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-10)} ^{[1.11](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-11)} ^{[1.12](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-12)} ^{[1.13](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-13)} ^{[1.14](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-14)} ^{[1.15](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-15)} ^{[1.16](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-16)} ^{[1.17](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-17)} ^{[1.18](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-18)} ^{[1.19](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-19)} ^{[1.20](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-20)} ^{[1.21](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-21)} ^{[1.22](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-22)} ^{[1.23](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-23)} ^{[1.24](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-24)} ^{[1.25](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-25)} ^{[1.26](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-26)} ^{[1.27](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-27)} ^{[1.28](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-28)} ^{[1.29](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-29)} ^{[1.30](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-30)} ^{[1.31](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-31)} ^{[1.32](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-32)} ^{[1.33](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-33)} ^{[1.34](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-34)} ^{[1.35](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-35)} ^{[1.36](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-36)} ^{[1.37](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-37)} ^{[1.38](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-38)} ^{[1.39](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-39)} ^{[1.40](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-40)} ^{[1.41](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-41)} ^{[1.42](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-42)} ^{[1.43](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-43)} ^{[1.44](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-44)} ^{[1.45](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-45)} ^{[1.46](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-46)} ^{[1.47](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-47)} ^{[1.48](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-48)} ^{[1.49](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-49)} ^{[1.50](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-50)} ^{[1.51](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-51)} ^{[1.52](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-52)} ^{[1.53](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-53)} ^{[1.54](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-54)} ^{[1.55](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-55)} ^{[1.56](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-56)} ^{[1.57](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-57)} ^{[1.58](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-58)} ^{[1.59](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-AIIndex2017_1-59)} ^{[1.60](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#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_(SV)#cite_ref-Horvitz2017_2-0)} ^{[2.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#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_(SV)#cite_ref-Scopus2017_3-0)} ^{[3.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-Scopus2017_3-1)} ^{[3.2](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#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_(SV)#cite_ref-Crunchbase2017_4-0)} ^{[4.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#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_(SV)#cite_ref-VentureSource2017_5-0)} ^{[5.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-VentureSource2017_5-1)} ^{[5.2](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#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_(SV)#cite_ref-Indeed2017_6-0)} ^{[6.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-Indeed2017_6-1)} ^{[6.2](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#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_(SV)#cite_ref-Monster2017_7-0)} ^{[7.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#cite_ref-Monster2017_7-1)} ^{[7.2](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#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_(SV)#cite_ref-IFR2017_8-0)} ^{[8.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#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_(SV)#cite_ref-GitHub2017_9-0)} ^{[9.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#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_(SV)#cite_ref-TrendKite2017_10-0)} ^{[10.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#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_(SV)#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_(SV)#cite_ref-Russakovsky2015_12-0)} ^{[12.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#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_(SV)#cite_ref-VQA2017_13-0) VQA Dataset (2017). http://www.visualqa.org/ 14. [↑](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#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_(SV)#cite_ref-WMT2017_15-0)} ^{[15.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#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_(SV)#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_(SV)#cite_ref-EFF2017_17-0)} ^{[17.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#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_(SV)#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_(SV)#cite_ref-SAT2017_19-0) SAT Competition (2017). http://www.satcompetition.org/ 20. [↑](https://systems-analysis.info/int/The_2017_AI_Index_Report_(SV)#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_(SV)#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_(SV)#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_(SV)#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_(SV)#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_(SV)#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_(SV)#cite_ref-AIIndex2024_26-0) Stanford HAI (2024). *Artificial Intelligence Index Report 2024*. https://aiindex.stanford.edu/report/