--- title: "The 2017 AI Index Report (TL)" source: "https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)" wiki: "systems-analysis.info/int" article: "The_2017_AI_Index_Report_(TL)" language: "tl" categories: - "Category:Machine learning" - "Category:Tagalog" revision_id: 7926 wiki_created_at: 2026-09-07T01:09:03Z wiki_modified_at: 2026-09-07T01:09:03Z downloaded_at: 2026-09-07T23:21:40Z --- # The 2017 AI Index Report (TL) **AI Index Report 2017** — ang unang (inawgural) taunang ulat ng proyektong **AI Index**, na inilathala noong Nobyembre 2017^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. Ang proyekto ay nilikha sa loob ng inisyatibang **One Hundred Year Study on AI** (AI100) sa Stanford University at kumakatawan sa isang bukas na hindi komersyal na proyekto para sa pagsubaybay ng aktibidad at pag-unlad sa larangan ng artificial intelligence. Ang ulat ng 2017 ay naging unang pagtatangka na sistematikong mag-aggregate at mag-visualize ng datos tungkol sa kalagayan ng AI, na sumasaklaw sa dami ng aktibidad sa akademya at industriya, teknikal na pagganap ng mga sistema ng AI, mga derivative na sukatan at pag-unlad patungo sa antas ng tao. Binibigyang-diin ng mga may-akda na kung wala ang kaugnay na datos tungkol sa kalagayan ng teknolohiya ng AI, ang lipunan ay "lumilipad nang bulag" sa mga talakayan at pagpapasya na may kaugnayan sa artificial intelligence^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. ## Mga Paunang Kondisyon at Layunin Sa 2017, ang artificial intelligence ay lumabas sa unahan ng pandaigdigang diskurso, na nakakuha ng pansin ng mga practitioner, lider ng industriya, mga pulitiko at malawak na publiko. Ang larangan ng AI ay umuunlad nang napakatulin kaya kahit ang mga eksperto ay nahirapan sa pag-unawa at pagsubaybay ng pag-unlad. Ang AI Index ay inisip bilang isang kasangkapan para sa isang matalinong pag-uusap tungkol sa AI batay sa datos, at hindi sa mga haka-haka o anekdotang patunay^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. Ang ideya ng proyekto ay lumitaw sa panahon ng mga talakayan ng Permanenteng Komite ng AI100 noong 2015^{[\[2\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-Horvitz2017-2)}. Ang ulat ay nag-a-aggregate ng parehong mga datos na malayang available mula sa internet at mga orihinal na datos, at nagkukuha rin ng mga bagong sukatan mula sa mga kombinasyon ng mga umiiral na serye. Lahat ng datos na ginamit para sa paggawa ng ulat ay inilalathala sa bukas na access sa site na aiindex.org^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. ## Istraktura ng Ulat Ang ulat ng 2017 ay binubuo ng apat na pangunahing seksyon ng datos at ilang mga seksyon ng talakayan^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}: 1. **Dami ng Aktibidad (Volume of Activity)** — mga sukatan ng "gaano karami": mga publikasyon, pagpasok sa mga kurso, pagdalo sa mga kumperensya, mga startup, financing, mga bakante, pag-import ng mga robot, software na may bukas na code, interes ng publiko. 2. **Teknikal na Pagganap (Technical Performance)** — mga sukatan ng "gaano kahusay": computer vision, natural language processing, speech recognition, pagpapatunay ng mga theorem, paglutas ng mga SAT na gawain. 3. **Mga Derivative na Sukatan (Derivative Measures)** — mga ugnayan sa pagitan ng mga trend, dinamika ng "akademya — industriya", AI Vibrancy Index. 4. **Patungo sa Antas ng Tao? (Towards Human-Level Performance?)** — katalogo ng mga tagumpay kung saan ang AI ay nakalapít o nalampasan ang antas ng tao. 5. **Ano ang Nawawala? (What's Missing?)** — pagkilala sa mga limitasyon ng ulat at mga direksyon ng hinaharap na trabaho. 6. **Forum ng mga Eksperto (Expert Forum)** — mga komento ng mga nangungunang eksperto sa larangan ng AI. ## Dami ng Aktibidad ### Mga Akademikong Publikasyon Ang bilang ng mga siyentipikong artikulo tungkol sa AI na inilathala at na-index sa database ng Scopus (pablisher na Elsevier) na may keyword na "Artificial Intelligence" sa paksa ng "Computer Science", ay lumago ng **mahigit 9 beses mula 1996**^{[\[3\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-Scopus2017-3)}. Para sa paghahambing: ang kabuuang bilang ng mga publikasyon sa larangan ng computer science sa parehong panahon ay tumaas ng humigit-kumulang 6 na beses, na nagpapakita na ang paglago ng mga publikasyon sa AI ay hindi lamang sanhi ng pangkalahatang pagpapalawak ng interes sa computer science, kundi ng partikular na tumataas na pansin sa artificial intelligence^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. Sa oras ng paggawa ng ulat, ang database ng Scopus ay naglalaman ng mahigit 200,000 na artikulo sa larangan ng computer science na may keyword na "Artificial Intelligence" at halos 5 milyong artikulo sa computer science sa kabuuan mula sa kabuuang humigit-kumulang 70 milyong na-index na dokumento^{[\[3\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-Scopus2017-3)}. ### Pagpasok sa Mga Kurso Ang pagtatanggap ng mga estudyante sa mga panimulang kurso sa artificial intelligence at machine learning ay nagpakita ng mabilis na paglago. Sa Stanford University, ang pagtatanggap sa panimulang kurso sa AI **ay tumaas ng 11 beses mula 1996**^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. Ang Machine Learning (ML) bilang isang subfield ng AI ay hiwalay na binanggit dahil sa lalo pang mabilis na paglago ng pagtatanggap at kritikal na papel ng mga ML na teknik sa mga kamakailang tagumpay ng AI. Ang mga katulad na trend ay napansin din sa iba pang mga nangungunang unibersidad: University of California sa Berkeley, Carnegie Mellon University, Georgia Institute of Technology, University of Illinois sa Urbana-Champaign, Massachusetts Institute of Technology at University of Washington^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. Tinutukoy ng mga may-akda ng ulat na ang mga datos na ito ay kumakatawan lamang sa isang makitid na hiwa ng landscape ng mas mataas na edukasyon at hindi kinakailangang representatibo para sa mas malawak na hanay ng mga institusyong pang-edukasyon. ### Pagdalo sa mga Kumperensya Ang datos tungkol sa pagdalo sa mga nangungunang kumperensya sa AI (AAAI, AAMAS, ACL, CP, CVPR, ECAI, ICAPS, ICRA, ICLR, ICML, IJCAI, IROS, KR, NIPS, UAI) ay nagkumpirma ng **paglipat ng pokus ng pananaliksik mula sa simbolikong pangangatuwiran patungo sa machine learning at deep learning**^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. Ang mga kumperensya sa machine learning (NIPS, ICML, ICLR) ay nagpakita ng pinaka-makabuluhang paglago ng pagdalo, habang ang mga kumperensya sa mga simbolikong pamamaraan (KR, CP, ICAPS) ay nagpanatili ng matatag ngunit mas katamtamang komunidad na patuloy na nagtatamo ng matatag na pag-unlad^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. ### Mga Startup sa Larangan ng AI Ang bilang ng mga aktibong American startup na nagde-develop ng mga sistema ng AI na may venture financing ay **tumaas ng 14 na beses mula 2000**^{[\[4\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-Crunchbase2017-4)[\[5\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-VentureSource2017-5)}. Para sa pagkilala ng mga kumpanya ng AI, ginamit ang mga kategorya ng Crunchbase (Artificial Intelligence, Machine Learning, Natural Language Processing, Computer Vision, Facial Recognition, Image Recognition, Speech Recognition, Semantic Search, Semantic Web, Text Analytics, Virtual Assistant, Visual Search, Predictive Analytics, Intelligent System) na may kasunod na cross-verification sa pamamagitan ng database ng VentureSource^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. ### Venture Financing Ang dami ng taunang venture investment sa mga American startup sa larangan ng AI **ay lumago ng 6 na beses mula 2000**^{[\[5\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-VentureSource2017-5)}. Ang datos ay sumasaklaw sa lahat ng yugto ng financing at na-aggregate ng kumpanyang Sand Hill Econometrics batay sa database ng VentureSource^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. ### Merkado ng Trabaho Ang datos mula sa dalawang pinakamalaking platform ng online na bakante — Indeed.com at Monster.com — ay nagpakita ng makabuluhang paglago ng demand para sa mga espesyalista sa larangan ng AI^{[\[6\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-Indeed2017-6)[\[7\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-Monster2017-7)}. **Indeed.com:** Ang bahagi ng mga bakante na nangangailangan ng mga kasanayan sa larangan ng AI sa platform sa USA **ay lumago ng 4.5 beses mula 2013**^{[\[6\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-Indeed2017-6)}. Ang katulad na mabilis na paglago ay napansin sa Canada at United Kingdom, bagama't sa absolute na laki ang kanilang mga merkado ay umabot sa 5% at 27% ng Amerikano ayon sa pagkakasunod-sunod^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. **Monster.com:** Ang pagsusuri ng absolute na bilang ng mga bakante sa AI na hatiin ayon sa kinakailangang kasanayan (machine learning, computer vision, natural language processing at iba pa) ay nagkumpirma rin ng matatag na paglago. Ang isang bakante ay maaaring sabay na mangailangan ng ilang mga kasanayan^{[\[7\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-Monster2017-7)}. ### Pag-import ng mga Robot Ang datos mula sa taunang ulat ng World Robotics Report na inihanda ng International Federation of Robotics (IFR) ay nagpakita ng matatag na paglago ng pag-import ng mga pang-industriyang robot kapwa sa Hilagang Amerika at sa pandaigdigang sukat^{[\[8\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-IFR2017-8)}. Tinutukoy ng mga may-akda ng ulat na walang simpleng paraan upang matukoy kung anong porsyento ng mga robot ang gumagamit ng software na kwalipikado bilang "AI", at sa anong lawak ang mga pag-unlad sa larangan ng AI ay nag-aambag sa paglago ng paggamit ng mga pang-industriyang robot^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. ### Bukas na Software Ang interes ng mga developer sa mga AI na framework sa platform ng GitHub ay nagpakita ng makabuluhang paglago. Ang bilang ng mga Stars para sa mga pangunahing pakete ng machine learning at deep learning — TensorFlow, Scikit-Learn, Keras, PyTorch, Caffe, MXNet, CNTK at Theano — ay mabilis na lumalaki^{[\[9\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-GitHub2017-9)}. Ang TensorFlow mula sa Google at Scikit-Learn ay binanggit bilang mga pinakasikat na pakete, habang ang mga trend sa bilang ng mga star at fork (Forks) ay halos magkapareho^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. ### Interes ng Publiko: Tono ng Media Ang pagsusuri ng tono ng mga publikasyon sa mga popular na media na naglalaman ng termino na "Artificial Intelligence", batay sa datos ng serbisyo ng TrendKite, ay nagpakita ng dinamika ng ratio ng mga positibo at negatibong artikulo^{[\[10\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-TrendKite2017-10)}. Ang classifier ng TrendKite ay nag-uuri ng mga artikulong pang-Ingles (maliban sa mga press release, balitang pinansyal at mga nekrolog) sa mga kategorya ng "positibo", "negatibo" at "neutral"^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. ## Teknikal na Pagganap Ang seksyon ng teknikal na pagganap ay sumusubaybay sa pag-unlad ng mga sistema ng AI sa mga gawain ng computer vision, natural language processing, speech recognition, pagpapatunay ng mga theorem at paglutas ng mga SAT na gawain^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. ### Computer Vision #### Pagtuklas ng mga Bagay (Object Detection) Sa kompetisyon ng Large Scale Visual Recognition Challenge (LSVRC) batay sa dataset na ImageNet, **ang rate ng pagkakamali sa pagkilala ng imahe ay bumaba mula 28.5% hanggang wala pang 2.5% sa panahon mula 2010 hanggang 2017**^{[\[11\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-ImageNet2017-11)}. Para sa paghahambing: ang antas ng pagkakamali ng tao ay tinatayang humigit-kumulang 5%^{[\[12\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-Russakovsky2015-12)}, iyon ay, sa 2017 ang mga sistema ng AI ay lubos nang nalampasan ang antas ng tao sa benchmark na ito. Ang kompetisyon ng ImageNet ay natapos noong 2017^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. #### Visual na Tanong-Sagot (Visual Question Answering) Sa dataset na VQA 1.0 — isang gawain ng pagbuo ng bukas na mga sagot sa mga tanong tungkol sa mga imahe — ang mga sistema ng AI ay nagpakita ng matatag na pag-unlad^{[\[13\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-VQA2017-13)}. Tinutukoy ng mga may-akda na ang dataset na VQA 1.0 ay pinalitan na ng VQA 2.0, at hindi malinaw kung gaano karaming pansin ang ibibigay sa orihinal na bersyon^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. ### Natural Language Processing #### Sintaktikong Pagsusuri (Parsing) Sa karaniwang test set — seksyon 23 ng corpus ng Wall Street Journal mula sa Penn Treebank — ang mga awtomatikong parser ay nagpakita ng matatag na paglago ng sukatan ng F1^{[\[14\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-PennTreebank-14)}. Ang mga resulta ay naitala para sa parehong mga pangungusap na may haba na wala pang 40 salita at para sa kumpletong set ng mga pangungusap^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. #### Pagsasalin ng Makina (Machine Translation) Sa taunang kompetisyon ng Workshop on Machine Translation (WMT) sa gawain ng pagsasalin ng balita sa pagitan ng Ingles at Aleman, ang mga pinakamahusay na sistema ay nagpakita ng pangkalahatang pataas na trend ayon sa sukatan ng BLEU^{[\[15\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-WMT2017-15)}. Ang sukatan ng BLEU — isang awtomatikong pamamaraan para sa paghahambing ng machine translation sa ilang mga pagsasalin na ginawa ng mga tao — ay kumakatawan sa isang binagong bersyon ng precision na may mga halaga mula 0 hanggang 1. Bagama't ang BLEU ay may kaugnayan sa mga dalubhasang pagtatasa ng kalidad ng pagsasalin, hindi ito maaaring gamitin para sa paghahambing sa pagitan ng mga corpus, at ang paghahambing sa pagitan ng mga sistema ay maaaring mapanlinlang^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. Noong 2017, ang mga marka ng BLEU ay kapansin-pansing bumaba kumpara sa 2016 (bagama't nananatili sa itaas ng antas ng 2015), na malamang na ipinaliwanag ng mga katangian ng test set, at hindi ng tunay na pagbaba sa kalidad ng mga sistema ng machine translation^{[\[15\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-WMT2017-15)}. #### Tanong-Sagot (Question Answering) Sa dataset na Stanford Question Answering Dataset (SQuAD) — mahigit 500 artikulo at 100,000 pares ng "tanong-sagot" — ang mga sistema ng AI ay nagpakita ng mabilis na paglago ng sukatan ng Exact Match (EM), na sumusukat ng porsyento ng mga sagot na eksaktong tumutugma sa mga sanggunian^{[\[16\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-SQuAD2016-16)}. Ang antas ng pagganap ng tao sa SQuAD ay 82.3%^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. Ang mga marka sa SQuAD ay mabilis na lumago mula nang lumikha ng set noong Hunyo 2016. ### Speech Recognition Sa karaniwang dataset na Switchboard Hub5'00 — isang gawain ng pagkilala ng pananalita mula sa mga pag-uusap sa telepono — **ang Microsoft at IBM noong 2017 ay nakamit ang pagganap na malapit sa "paritong pantao"**^{[\[17\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-EFF2017-17)}. Ang sukatan ng Word Error Rate (WER) — ang bilang ng mga pagkakamali (mga kapalit, pagtanggal at pagpasok ng mga salita), na na-normalize sa haba ng pangungusap — ay bumababa sa loob ng maraming taon. Nagkaroon ng mga hindi pagkakasundo tungkol sa eksaktong antas ng pagkakamali ng tao: nabanggit ang mga halaga ng 5.1% at 5.9%, at kahit mas mababa sa 5%. Sa ulat ay ginamit ang threshold na 5.1%^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. Tinutukoy ng mga may-akda ang alalahanin na ang matagal na paggamit ng set na Switchboard ay maaaring humantong sa makabuluhang overfitting ng mga sistema ng AI sa partikular na datos^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. ### Pagpapatunay ng mga Theorem Sa set ng mga gawain ng Thousands of Problems for Theorem Provers (TPTP), sinubaybayan ang average na "tractability" — ang proporsyon ng mga modernong awtomatikong tagapatunay ng theorem (ATP) na kayang malutas ang isang gawain^{[\[18\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-TPTP2017-18)}. Sinuri ang isang subset ng mga gawain na hindi na-update mula sa bersyon ng TPTP v5.0.0 (2010). Ang sukatan ay may katangian: ang pagdating ng mga bagong makapangyarihang sistema ng ATP na mahusay sa paglutas ng mga bagong gawain ngunit mahirap sa mga gawaing nalulutas ng ibang mga sistema, ay maaaring humantong sa pagbaba ng average na tractability^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. ### Paglutas ng mga SAT na Gawain Sa mga industrial na halimbawa ng mga gawain mula sa SAT Competition, naitala ang paglago ng porsyento ng mga nalutas na gawain^{[\[19\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-SAT2017-19)}. Ang mga mananaliksik na sina Holger Hoos at Kevin Leyton-Brown ay nagsuri ng 69 solver sa 1076 halimbawa ng mga gawain na ipinakita sa kompetisyon mula 2007, na pinatakbo ang lahat ng solver sa parehong kagamitan para sa tamang paghahambing^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. Tinutukoy ng mga may-akda na ang bahagi ng mga pagpapabuti ay maaaring sumasalamin sa mga nakamit sa engineering, at hindi sa mga breakthrough sa algorithm^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. ## Mga Derivative na Sukatan ### Dinamika ng "Akademya — Industriya" Para sa pagsisiyasat ng ugnayan sa pagitan ng aktibidad ng AI sa akademya at industriya, tatlong representatibong sukatan ang pinili: ang bilang ng mga publikasyon sa AI, ang kabuuang pagtatanggap sa mga panimulang kurso sa AI at ML sa Stanford, at ang dami ng venture investment sa mga startup ng AI. Lahat ng sukatan ay na-normalize na may kaugnayan sa taong 2000^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. Ipinakita ng pagsusuri na **sa simula, ang aktibidad ng akademya (mga publikasyon at pagtatanggap sa mga kurso) ay nagbibigay ng matatag na pag-unlad**. Humigit-kumulang mula 2010, ang mga mamumuhunan ay nagsimulang magbigay pansin sa larangan, at sa 2013 ay naging puwersang nagtutulak ng mabilis na pagtaas ng kabuuang aktibidad. Pagkatapos nito, ang akademya ay nakahabol sa "sigasig" ng industriya^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. ### AI Vibrancy Index Ang AI Vibrancy Index — isang pang-eksperimentong composite na sukatan na nag-a-aggregate ng mga normalized na tagapagpakita ng mga publikasyon, pagtatanggap sa mga kurso at venture investment para sa dami ng pagtatasa ng "buhay" ng AI bilang isang larangan^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. Ang index ay kinakalkula bilang average ng mga normalized na sukatan sa paglipas ng panahon at nagpakita ng matalim na paglago, na sumasalamin sa sabay na pagtaas ng lahat ng tatlong bahagi. Ipinahayag ng mga may-akda ang pag-asa na ang mga katulad na derivative na sukatan ay magdudulot ng interes sa karagdagang pagsusuri ng datos ng AI Index^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. ## Patungo sa Antas ng Tao Ang ulat ay nag-katalogo ng mga kapani-paniwalang kaso kung saan ang mga sistema ng computer ay nakamit o nalampasan ang antas ng pagganap ng tao, na sinamahan ng ilang mahahalagang caveat^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. **Mga Pangunahing Limitasyon ng Paghahambing:** ang mga makina ay kadalasang nangunguna sa mga tao sa mga mahigpit na espesyalisadong gawain, ngunit ang pagganap ay maaaring mabilis na bumaba sa pinakamaliit na pagbabago ng mga kondisyon. Halimbawa, ang isang taong nagbabasa ng mga Chinese na karakter ay malamang na nakakaunawa rin ng Chinese na pagsasalita, alam ang ilang bagay tungkol sa Chinese na kultura at maaaring magrekomenda ng mga pagkain sa isang Chinese na restaurant. Para sa AI, ang bawat isa sa mga gawaing ito ay nangangailangan ng isang ganap na hiwalay na sistema^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. ### Mga Tagumpay | Tagumpay | Taon | Paglalarawan | |-----------------------------------|--------------|-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| | Othello | 1980s / 1997 | Noong 1989, ang programa ng BILL (Kai-Fu Lee, Sanjoy Mahajan) ay nanalo laban sa pinakamalakas na manlalaro ng Amerika na si Brian Rose (56–8). Noong 1997, ang programa ng Logistello ay nanalo sa lahat ng laro ng isang tugmang anim na laro laban sa kasalukuyang kampeon ng mundo^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. | | Checkers | 1995 | Ang programa ng Chinook ay nanalo laban sa kasalukuyang kampeon ng mundo. Ang mga unang programa para sa paglalaro ng checkers na may sariling pag-aaral ay nilikha ni Arthur Samuel mula 1952^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. | | Chess | 1997 | Ang IBM Deep Blue ay nanalo laban sa kampeon ng mundo na si Garry Kasparov. Ilang mga siyentipiko noong 1950s ang nahula na ang isang computer ay mananalo laban sa kampeon ng mundo sa 1967^{[\[20\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-DeepBlue1997-20)}. Sa 2017, ang mga programa ng chess sa mga smartphone ay naglalaro sa antas ng grandmaster^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. | | Jeopardy! | 2011 | Ang sistema ng IBM Watson ay nanalo laban sa mga dating panalo sa palabas na sina Brad Rutter at Ken Jennings, nanalo ng pangunahing premyo na 1 milyong dolyar^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. | | Mga Laruan ng Atari | 2015 | Ang koponan ng Google DeepMind ay gumamit ng sistema ng reinforcement learning para sa pagtuturo ng paglalaro ng 49 laruan ng Atari, na nakamit ang antas ng tao sa karamihan sa kanila (halimbawa, Breakout), bagama't ang ilang mga laruan (halimbawa, Montezuma's Revenge) ay nananatiling wala sa abot^{[\[21\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-Mnih2015-21)}. | | Pagtuklas ng mga Bagay (ImageNet) | 2016 | Ang rate ng pagkakamali ng awtomatikong pag-uuri ng imahe ng ImageNet ay bumaba mula 28% (2010) hanggang wala pang 3% sa antas ng tao na humigit-kumulang 5%^{[\[12\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-Russakovsky2015-12)}. | | Go | 2016–2017 | Ang AlphaGo (Google DeepMind) ay nanalo laban kay Lee Sedol 4–1 noong Marso 2016, pagkatapos ang AlphaGo Master ay nanalo laban kay Ke Jie noong Marso 2017. Noong Oktubre 2017, ang AlphaGo Zero ay nanalo laban sa orihinal na AlphaGo 100–0^{[\[22\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AlphaGo2016-22)[\[23\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AlphaGoZero2017-23)}. | | Pag-uuri ng Cancer sa Balat | 2017 | Ang isang sistema ng AI na sinanay sa 129,450 klinikal na imahe ng 2,032 sakit ay nagpakita ng antas ng kakayahan sa pag-uuri ng cancer sa balat na maihahambing sa 21 sertipikadong dermatologist^{[\[24\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-Esteva2017-24)}. | | Speech Recognition (Switchboard) | 2017 | Ang Microsoft at IBM ay nakamit ang pagganap na malapit sa "paritong pantao" sa gawain ng pagkilala ng pananalita sa set na Switchboard^{[\[17\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-EFF2017-17)}. | | Poker | 2017 | Ang programa ng Libratus (CMU) ay nanalo laban sa apat na nangungunang manlalaro sa isang tournament na may 120,000 laro ng Texas Hold'em na walang limitasyon sa taya. Ang programa ng DeepStack (University of Alberta) ay nagpatunay ng istatistikal na kahalagahan ng superiority nito laban sa 11 propesyonal sa mahigit 3,000 laro bawat isa^{[\[25\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-Libratus2017-25)}. | | Ms. Pac-Man | 2017 | Ang koponan ng Maluuba (na binili ng Microsoft) ay lumikha ng isang sistema ng AI na nakamit ang maximum na resulta na 999,900 puntos sa Atari 2600^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. | ## Ano ang Nawawala sa Ulat Tapat na kinikilala ng mga may-akda ang ilang makabuluhang limitasyon ng inawgural na ulat^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}: ### Teknikal na Pagganap Hindi sakop ang maraming mahahalagang teknikal na larangan: mga sistema ng diyalogo (kung saan walang standardized na benchmark), pagpaplano, patuloy na kontrol sa robotics, common sense reasoning, mga sistema ng rekomendasyon, standardized na pagsubok. Nagbabala ang mga may-akda na ang pagsubaybay ng pag-unlad ay karaniwang isinasagawa sa mga larangang may magagandang resulta, na lumilikha ng **optimistikong shift** sa pagtatasa ng kalagayan ng AI^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. ### Internasyonal na Saklaw Ang ulat ay kinikilala bilang **labis na nakasentro sa Amerika**, sa kabila ng makabuluhang aktibidad ng AI sa ibang mga bansa. Ang antas ng investment at aktibidad sa China ay tinatawag na "kamangha-mangha", ngunit wala sa loob ng saklaw ng inawgural na ulat^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. ### Pagkakaiba-iba at Pagiging Inklusibo Ang ulat **ay hindi naglalaman ng breakdown ng datos ayon sa kasarian, lahi, gender, etnisidad, sekswal na oryentasyon o iba pang katangian**. Kinikilala ng mga may-akda na ang mga tanong tungkol sa kung sino ang lumalahok sa mga pag-uusap tungkol sa AI at sino ang may kapangyarihang makaapekto sa hinaharap na pananaliksik at pag-deploy ng AI, ay malapit na may kaugnayan sa dinamika ng kapangyarihan sa teknolohikal at venture na industriya, at sa mas malawak na sistematikong puwersang diskriminasyon^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. ### Mga Pampublikong at Corporate na Investment Ang datos tungkol sa venture financing ay sumasaklaw lamang sa USA at kumakatawan sa napakaliit na bahagi ng kabuuang investment sa pananaliksik at pag-unlad sa larangan ng AI. Ang datos tungkol sa mga pampublikong at corporate na pamumuhunan ay wala^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. ### Epekto sa Mga Partikular na Industriya Ang mga sukatan ng epekto ng AI sa pangangalagang pangkalusugan, industriya ng sasakyan, pananalapi, edukasyon at iba pang vertical ay hindi ipinakita^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. ### Pagbabawas ng Mga Panganib sa Lipunan Ang mga isyu ng kaligtasan ng AI, predictability, katarungan ng algorithm, privacy at mga etikal na kahihinatnan ng automation ay hindi nasaklaw^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. ## Forum ng mga Eksperto Ang ulat ay naglalaman ng mga komento ng mga nangungunang eksperto na kumakatawan sa akademya, industriya, gobyerno at media^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. ### Barbara Grosz (Harvard) Binigyang-diin ni Barbara Grosz ang kahalagahan ng pagbuo ng mga sukatan na isinasaalang-alang hindi lamang ang pagganap ng mga sistema ng AI sa vacuum, kundi pati na rin ang **kalidad ng pakikipag-ugnayan ng AI sa mga tao** at ang epekto ng mga sistema ng AI sa mga tao kapwa bilang indibidwal at sa lipunan. Binigyang-pansin niya ang agwat sa ulat: ang seksyon tungkol sa natural language processing ay sumasaklaw sa parsing, machine translation at paghahanap ng mga sagot, ngunit hindi kasama ang mga sistema ng diyalogo, na nangangailangan ng pagsasaalang-alang sa mental na estado ng kausap. Tinawagan din ni Grosz na subaybayan ang proporsyon ng mga kurso sa AI na nagsasama ng mga etikal na aspeto, at ang bilang ng mga kumpanya na nagtatanong kung dapat ba silang lumikha ng isang partikular na sistema ng AI^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. ### Eric Horvitz (Microsoft) Tinawag ni Eric Horvitz ang paglalathala ng inawgural na ulat bilang isang **kritikal na hakbang sa pakikilahok ng mas malawak na komunidad sa diyalogo**. Tinutukoy niya ang halaga ng seksyon ng mga derivative na sukatan at AI Vibrancy Index, na nagmumungkahi ng pag-validate ng mga ito sa pamamagitan ng paghahambing sa datos tungkol sa pagtatanggap, komposisyon at kabayaran ng mga talento sa AI sa mga korporasyon. Espesyal na binibigyang-diin ni Horvitz ang kahalagahan ng pagsubaybay ng pag-unlad sa larangan ng common sense reasoning, "na nagpapakita kahit ang isang maliit na bata", ngunit nananatiling wala sa abot ng modernong teknolohiya ng AI^{[\[2\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-Horvitz2017-2)}. ### Kai-Fu Lee (Sinovation Ventures) Punan ni Kai-Fu Lee ang agwat ng ulat sa internasyonal na saklaw, na nagpresenta ng **pangkalahatang-ideya ng kalagayan ng AI sa China**. Tinutukoy niya na ang China ay may tatlong beses na mas maraming mobile phone at mga gumagamit ng internet kaysa sa USA o India, at ang agwat sa mga dami ng nabubuong datos ay lubos na lumalagpas sa tatlong salik: ang mga Tsino ay gumagawa ng mga mobile payment nang 50 beses nang mas madalas kaysa sa mga Amerikano, ang dami ng paghahatid ng pagkain ay 10 beses na mas malaki, at ang kumpanyang Didi ay nagsimula nang mag-integrate ng datos sa mga sistema ng pamamahala ng trapiko. Binanggit ni Lee ang Chinese startup na Face++ na nanalo sa unang lugar sa tatlong kompetisyon sa computer vision, na nalampasan ang Google, Microsoft, Facebook at CMU. Itinuro niya ang plano ng State Council ng PRC mula Hulyo 2017 upang maging pandaigdigang sentro ng inobasyon sa AI sa 2030, at hinula na ang **dopolyo ng Amerika at China sa AI ay hindi lamang hindi maiiwasan, kundi naganap na**^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. ### Andrew Ng (Coursera, Stanford) Inilalarawan ni Andrew Ng ang AI bilang **"bagong kuryente"**, na nagbabago ng maraming industriya. Inilalarawan niya ang pagkakasunud-sunod ng pagbabago ng mga subfield ng AI sa pamamagitan ng deep learning: una ang speech recognition, pagkatapos ang computer vision, pagkatapos ang NLP (na humahantong sa kasagsagan ng mga chatbot), at pagkatapos ang robotics (mga bagong posibilidad sa produksyon). Binibigyang-diin ni Ng na ang mga bansang may mas makatwirang patakaran sa AI ay mag-uunlad nang mas mabilis, at ang mga bansang may hindi mabuting planong mga hakbang ay nanganganib na mahuli^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. ### Daniela Rus (MIT) Nagpresenta si Daniela Rus ng isang optimistikong pananaw sa **AI bilang isang vector ng positibong pagbabago**: mula sa pakikipaglaban sa pagbabago ng klima at demokratisasyon ng edukasyon hanggang sa mga autonomous na sasakyan at personalized na pangangalagang pangkalusugan. Binibigyang-diin niya na taliwas sa karaniwang opinyon, ang AI ay hahantong sa mas kasiya-siya, at hindi mas kakaunting mga trabaho, dahil ang paglago ng produktibidad mula sa AI at robotics ay magpapalaya sa mga tao mula sa mga monotonong gawain^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. ### Sebastian Thrun (Stanford, Udacity) Gumawa si Sebastian Thrun ng isang historikal na paghahambing: bago ang imbensyon ng makina ng singaw, karamihan sa mga tao ay mga magsasaka, na tinukoy ng lakas ng katawan. Ang mga makina ay ginawang "mga superhuman" ang mga magsasaka — ang isang American na magsasaka ay nagpapakain ng 155 tao, at wala pang 2% ng populasyon ng USA ang nagtatrabaho sa agrikultura. Katulad nito, **ang AI ay kayang matuto ng mga pattern ng ating paulit-ulit na trabaho at tulungan tayong maging "mga superhuman"**. Hinula ni Thrun ang pagdating ng **isang panahon ng walang kapantay na pagkamalikhain ng tao**, ngunit nagbabala tungkol sa pangangailangan na maging "mag-aaral habambuhay" at mag-adapt sa mga pagbabago^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. ### Michael Wooldridge (Oxford) Itinataas ni Michael Wooldridge ang sentral na tanong: may **"bubble ng AI"** ba at babagsak ba ito (tulad ng bubble ng dotcom noong 1996–2001) o malambot na malalanta? Ang kanyang pangunahing pag-aalala ay ang isang bagong "AI winter", na huwag nang mangyari sanhi ng kabiguan pagkatapos ng napakaraming speculative na investment. Gayunpaman, ipinahayag niya ang maingat na optimismo: hindi tulad ng mga nakaraang siklo, **sa ilalim ng kasalukuyang bubble ay may tunay na sustansya** — ang mga sistema ng AI ay nagpapakita ng matatag na pag-unlad, at ang mga malalaking kumpanya ay natutunan na produktibong gumamit ng mga teknik ng AI. Itinaas din ni Wooldridge ang tanong tungkol sa pagsukat ng pag-unlad patungo sa general AI (General AI), na nagtatala na ni siya o kahit sino ay hindi alam kung paano ito sukatin^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. ### Megan Smith at Susana Alcantara Binibigyang-diin ng dating Chief Technology Officer ng USA na si Megan Smith at ni Susana Alcantara (Serbisyo ng Ugnayan sa mga NGO sa UN) ang **pangunahing kahalagahan ng pagkakaiba-iba at pagiging inklusibo**. Tinutukoy nila na ang karamihan sa sangkatauhan ay ibinubukod mula sa pag-uusap at mga pangkat ng proyekto dahil sa "napakaraming malay at hindi malay na pagkiling, makabuluhang diskriminatoryo na mga pattern ng kultura at natutunang gawi ng sistematikong pagbubukod". Tinutukoy ng mga may-akda ang ilang mahahalagang inisyatibo: Algorithmic Justice League, petisyon sa UN tungkol sa sandata ng AI, kilusan ng CS for All, inisyatiba ng AI4All^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. ## Metodolohiya Ginamit ng ulat ang datos mula sa maraming mapagkukunan^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}: - **Mga Publikasyon:** Elsevier Scopus — isang database ng halos 70 milyong dokumento; mga query sa pamamagitan ng keyword na "Artificial Intelligence" sa paksa ng "Computer Science" para sa panahon mula 1996^{[\[3\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-Scopus2017-3)}. - **Pagtatanggap sa mga Kurso:** Mga rekord ng mga unibersidad — UC Berkeley, Carnegie Mellon, Georgia Tech, UIUC, MIT, Stanford, University of Washington^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. - **Pagdalo sa mga Kumperensya:** Datos mula sa mga organizer ng 15 kumperensya (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_(TL)#cite_note-AIIndex2017-1)}. - **Mga Startup at Financing:** Crunchbase (API para sa pagkilala ng mga kumpanya ayon sa kategorya), VentureSource (datos tungkol sa venture financing), Sand Hill Econometrics (aggregation)^{[\[4\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-Crunchbase2017-4)[\[5\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-VentureSource2017-5)}. - **Merkado ng Trabaho:** Indeed.com (bahagi ng mga bakante sa AI ayon sa bansa), Monster.com / CEB TalentNeuron (absolute na bilang ng mga bakante ayon sa kasanayan)^{[\[6\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-Indeed2017-6)[\[7\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-Monster2017-7)}. - **Pag-import ng mga Robot:** International Federation of Robotics, World Robotics Report^{[\[8\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-IFR2017-8)}. - **GitHub:** GitHub Archive sa pamamagitan ng Google BigQuery — pagbibilang ng mga kaganapan ng WatchEvent para sa mga repositoryo ng mga framework ng AI^{[\[9\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-GitHub2017-9)}. - **Tono ng Media:** TrendKite — pag-uuri ng mga artikulong pang-Ingles na may pag-filter ng mga press release, balitang pinansyal at mga nekrolog^{[\[10\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-TrendKite2017-10)}. - **Mga 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_(TL)#cite_note-AIIndex2017-1)}. ## Pamumuno at Pangkat ng mga May-akda Ang proyekto ng AI Index 2017 ay inihanda sa ilalim ng pamumuno ng steering committee^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}: - **Yoav Shoham** (Stanford University) — tagapangulo - **Raymond Perrault** (SRI International) - **Erik Brynjolfsson** (MIT) - **Jack Clark** (OpenAI) - **Calvin LeGassick** — tagapamahala ng proyekto Ang advisory committee ay kinabibilangan nina Michael Bowling, Ernie Davis, Julia Hirschberg, Eric Horvitz, Karen Levy, Alan Mackworth, Tom Mitchell, Sandy Pentland, Chris Re, Daniela Rus, Sebastian Thrun, Hal Varian at Toby Walsh^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. Sa mga organisasyong kasosyo: Allen Institute for Artificial Intelligence, Crunchbase, Electronic Frontier Foundation, Elsevier, EuroMatrix, Google Brain, Indeed.com, Monster.com, Sand Hill Econometrics, Sinovation Ventures, TrendKite, VentureSource. Ang panimulang financing ay ibinigay ng Google, Microsoft at Bytedance (Toutiao), gayunpaman ang AI Index ay binibigyang-diin ang sarili nitong kalayaan at tinutukoy na hindi ito kinakailangang sumasalamin sa mga opinyon ng mga organisasyong ito^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. ## Makasaysayang Kahalagahan Ang inawgural na ulat ng AI Index 2017 ay naglatag ng pundasyon para sa kasunod na serye ng mga taunang ulat, na sa paglipas ng panahon ay lubos na pinalawak ang saklaw — mula sa paunang apat na seksyon hanggang sa siyam na tematikal na kabanata sa ulat ng 2024. Marami sa mga agwat na tapat na kinikilala sa seksyon ng "What's Missing" ng ulat ng 2017 ay sunud-sunod na natugunan: internasyonal na saklaw (simula sa ulat ng 2018), datos tungkol sa pagkakaiba-iba, pampublikong investment, epekto sa mga vertical, at responsableng AI at regulasyon^{[\[26\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2024-26)}. Ang proyekto ng AI Index ay kalaunan ay lumipat sa ilalim ng pangangasiwa ng Stanford HAI (Human-Centered Artificial Intelligence) Institute, na nilikha noong 2019^{[\[1\]](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_note-AIIndex2017-1)}. ## Mga Sanggunian - AI Index 2017 Annual Report (buong teksto): 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/ ## Bibliograpiya - 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/ ## Mga Tala 1. ↑ ^{[1.00](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-0)} ^{[1.01](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-1)} ^{[1.02](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-2)} ^{[1.03](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-3)} ^{[1.04](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-4)} ^{[1.05](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-5)} ^{[1.06](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-6)} ^{[1.07](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-7)} ^{[1.08](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-8)} ^{[1.09](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-9)} ^{[1.10](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-10)} ^{[1.11](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-11)} ^{[1.12](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-12)} ^{[1.13](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-13)} ^{[1.14](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-14)} ^{[1.15](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-15)} ^{[1.16](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-16)} ^{[1.17](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-17)} ^{[1.18](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-18)} ^{[1.19](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-19)} ^{[1.20](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-20)} ^{[1.21](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-21)} ^{[1.22](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-22)} ^{[1.23](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-23)} ^{[1.24](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-24)} ^{[1.25](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-25)} ^{[1.26](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-26)} ^{[1.27](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-27)} ^{[1.28](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-28)} ^{[1.29](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-29)} ^{[1.30](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-30)} ^{[1.31](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-31)} ^{[1.32](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-32)} ^{[1.33](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-33)} ^{[1.34](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-34)} ^{[1.35](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-35)} ^{[1.36](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-36)} ^{[1.37](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-37)} ^{[1.38](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-38)} ^{[1.39](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-39)} ^{[1.40](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-40)} ^{[1.41](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-41)} ^{[1.42](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-42)} ^{[1.43](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-43)} ^{[1.44](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-44)} ^{[1.45](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-45)} ^{[1.46](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-46)} ^{[1.47](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-47)} ^{[1.48](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-48)} ^{[1.49](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-49)} ^{[1.50](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-50)} ^{[1.51](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-51)} ^{[1.52](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-52)} ^{[1.53](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-53)} ^{[1.54](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-54)} ^{[1.55](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-55)} ^{[1.56](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-56)} ^{[1.57](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-57)} ^{[1.58](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-58)} ^{[1.59](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-AIIndex2017_1-59)} ^{[1.60](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#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_(TL)#cite_ref-Horvitz2017_2-0)} ^{[2.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#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_(TL)#cite_ref-Scopus2017_3-0)} ^{[3.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-Scopus2017_3-1)} ^{[3.2](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#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_(TL)#cite_ref-Crunchbase2017_4-0)} ^{[4.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#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_(TL)#cite_ref-VentureSource2017_5-0)} ^{[5.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-VentureSource2017_5-1)} ^{[5.2](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#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_(TL)#cite_ref-Indeed2017_6-0)} ^{[6.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-Indeed2017_6-1)} ^{[6.2](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#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_(TL)#cite_ref-Monster2017_7-0)} ^{[7.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#cite_ref-Monster2017_7-1)} ^{[7.2](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#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_(TL)#cite_ref-IFR2017_8-0)} ^{[8.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#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_(TL)#cite_ref-GitHub2017_9-0)} ^{[9.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#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_(TL)#cite_ref-TrendKite2017_10-0)} ^{[10.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#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_(TL)#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_(TL)#cite_ref-Russakovsky2015_12-0)} ^{[12.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#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_(TL)#cite_ref-VQA2017_13-0) VQA Dataset (2017). http://www.visualqa.org/ 14. [↑](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#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_(TL)#cite_ref-WMT2017_15-0)} ^{[15.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#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_(TL)#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_(TL)#cite_ref-EFF2017_17-0)} ^{[17.1](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#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_(TL)#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_(TL)#cite_ref-SAT2017_19-0) SAT Competition (2017). http://www.satcompetition.org/ 20. [↑](https://systems-analysis.info/int/The_2017_AI_Index_Report_(TL)#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_(TL)#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_(TL)#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_(TL)#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_(TL)#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_(TL)#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_(TL)#cite_ref-AIIndex2024_26-0) Stanford HAI (2024). *Artificial Intelligence Index Report 2024*. https://aiindex.stanford.edu/report/