--- title: "The 2018 AI Index Report (CS)" source: "https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)" wiki: "systems-analysis.info/int" article: "The_2018_AI_Index_Report_(CS)" language: "cs" categories: - "Category:Czech" - "Category:Machine learning" revision_id: 7932 wiki_created_at: 2026-09-07T01:09:10Z wiki_modified_at: 2026-09-07T01:09:10Z downloaded_at: 2026-09-07T23:21:44Z --- # The 2018 AI Index Report (CS) **AI Index Report 2018** — druhé výroční vydání zprávy **AI Index**, připravené Řídícím výborem AI Index při Stanfordské univerzitě v prosinci 2018^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-AIIndex2018-1)}. Posláním projektu AI Index je zajistit diskusi o umělé inteligenci objektivními daty. Zpráva z roku 2018 se od prvního vydání (2017) liší výrazným rozšířením globálního záběru: zatímco předchozí zpráva byla převážně zaměřena na severoamerickou problematiku, vydání z roku 2018 usiluje o začlenění dat z Evropy, Číny, Jižní Koreje, Japonska a dalších regionů světa. Zpráva sleduje, systematizuje a vizualizuje data související s AI, poskytuje informace pro politiky, výzkumníky, manažery, novináře a širokou veřejnost. ## Struktura zprávy Zpráva z roku 2018 se skládá ze čtyř hlavních částí^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-AIIndex2018-1)}: 1. **Data: objem činnosti (Volume of Activity)** — publikace, přihlášky na kurzy, účast na konferencích, stahování robotického softwaru, startupy a investice, pracovní místa, patenty, nasazení AI ve firmách, zmínky ve zprávách o výsledcích hospodaření, instalace robotů, projekty s otevřeným zdrojovým kódem, zájem veřejnosti. 2. **Data: technický výkon (Technical Performance)** — počítačové vidění, zpracování přirozeného jazyka, strojový překlad, systémy otázek a odpovědí. 3. **Doplňující metriky (Other Measures)** — odvozené ukazatele, vládní iniciativy, dosažení úrovně lidských schopností. 4. **Příloha (Appendix)** — úplný popis zdrojů, metodologií a nuancí. ## Klíčové závěry zprávy Autoři zprávy z roku 2018 formulovali několik hlavních tezí^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-AIIndex2018-1)}: ### AI — globální jev 83 % článků o AI v databázi Scopus za rok 2017 bylo publikováno autory mimo USA. 28 % všech článků o AI připadalo na Evropu — nejvyšší ukazatel mezi všemi regiony světa. Počet studentů přihlášených na kurzy AI a Machine Learning rostl po celém světě, obzvláště výrazně na Univerzitě Tsinghua (Čína), kde celkový počet přihlášených na kurzy AI a ML v roce 2017 byl 16krát vyšší než v roce 2010^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-AIIndex2018-1)}. ### Aktivita v oblasti AI roste téměř všude Růst je patrný v publikacích, kurzech, konferencích, startupech, rizikovém financování, patentech a dalších metrikách. Technologický výkon se zlepšuje ve všech oblastech^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-AIIndex2018-1)}. ### Machine Learning dominuje jako podobor AI V roce 2017 se 56 % článků o AI na Scopusu řadilo do kategorie „Machine Learning a pravděpodobnostní uvažování" (oproti 28 % v roce 2010). Počet přihlášených na úvodní kurzy ML rostl rychleji než na kurzy AI jako celku. Konference NeurIPS a ICML věnované Machine Learningu vykazovaly největší nárůst návštěvnosti^{[\[2\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-Scopus2018-2)}. ### Genderová diverzita zůstává vážným problémem V průměru 80 % profesorů AI na předních univerzitách (UC Berkeley, Stanford, UIUC, CMU, University College London, Oxford, ETH Zurich) byli muži. V průměru 71 % uchazečů o pracovní místa spojená s AI v USA byli muži^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-AIIndex2018-1)}. ## Oddíl 1. Objem činnosti: Výzkum ### Publikace Počet článků o AI na platformě Scopus se od roku 1996 zvýšil 7krát, zatímco články z informatiky (Computer Science) vzrostly za stejné období 5krát. To svědčí o tom, že růst publikací o AI není způsoben pouze obecným zájmem o informatiku, ale má i vlastní dynamiku^{[\[2\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-Scopus2018-2)}. **Regionální rozložení.** Evropa stabilně zůstávala největším regionem z hlediska počtu publikací v oblasti AI: v roce 2017 bylo 28 % článků o AI na Scopusu spojeno s evropskými autory, za nimi následovaly Čína (25 %) a USA (17 %). Přitom počet publikací z Číny vzrostl v období 2007–2017 o 150 %^{[\[2\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-Scopus2018-2)}. **Podkategorie.** Největší růst byl zaznamenán v kategorii neuronových sítí: průměrné roční tempo růstu (CAGR) činilo 3 % v letech 2010–2014 a 37 % v letech 2014–2017. Články na platformě arXiv rovněž vykazovaly rychlý růst: počítačové vidění a rozpoznávání vzorů se stalo největší podkategorií AI na arXivu od roku 2014^{[\[3\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-arXiv2018-3)}. **Sektorová příslušnost.** Počet článků o AI spojených s čínskými státními organizacemi vzrostl o 400 % v období 2007–2017, zatímco firemní publikace z Číny vzrostly pouze o 73 %. V USA byl naopak podíl firemních publikací výrazně vyšší: v roce 2017 byl podíl firemních článků o AI v USA 6,6krát vyšší než v Číně a 4,1krát vyšší než v Evropě^{[\[2\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-Scopus2018-2)}. **Citovanost.** Autoři z USA byli citováni o 83 % častěji než světový průměr. Přestože Evropa vedla v absolutním počtu publikací, její ukazatel citovanosti zůstával na úrovni světového průměru. Čína výrazně zlepšila svou citovanost: v roce 2016 byli čínští autoři citováni o 44 % častěji než v roce 2000^{[\[2\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-Scopus2018-2)}. **Mobilita autorů.** Mobilní autoři (publikující mimo svůj domovský region) vykazovali vyšší citovanost a produktivitu ve srovnání s „usedlými" (sedentary) autory. Ze tří regionů měla Čína největší podíl usedlých autorů (76 %), za ní následovala Evropa (52 %) a USA (38 %)^{[\[2\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-Scopus2018-2)}. **Konference AAAI.** Na konferenci AAAI 2018 bylo přibližně 70 % podaných a 67 % přijatých článků spojeno s USA nebo Čínou. Přestože Čína podala největší počet článků, USA a Čína měly téměř stejný počet přijatých prací (268 a 265). Míra přijetí pro USA činila 29 %, pro Čínu 21 %^{[\[4\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-AAAI2018-4)}. ### Přihlášky na kurzy **Americké univerzity.** Počet přihlášených na úvodní kurzy ML v roce 2017 byl 5krát vyšší než v roce 2012. Na UC Berkeley byl nárůst 6,8krát. Počet přihlášených na úvodní kurzy AI vzrostl za stejné období 3,6krát. Přitom 74–79 % studentů na úvodních kurzech AI a ML na Stanfordu a Berkeley byli muži^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-AIIndex2018-1)}. **Mezinárodní univerzity.** Celkový počet přihlášených na kurzy AI+ML na Univerzitě Tsinghua v roce 2017 byl 16krát vyšší než v roce 2010. Růst byl zaznamenán také na Edinburghské univerzitě, USTC a SJTU (Čína), PUC (Chile) a dalších vysokých školách^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-AIIndex2018-1)}. ### Účast na konferencích **Velké konference.** NeurIPS a ICML zaznamenaly největší nárůst: v roce 2018 byla návštěvnost NeurIPS 4,8krát vyšší než v roce 2012 a ICML 6,8krát. To odráželo přetrvávající zájem o Machine Learning^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-AIIndex2018-1)}. **Menší konference.** Návštěvnost ICLR (International Conference on Learning Representations) v roce 2018 byla 20krát vyšší než v roce 2012 — pravděpodobně v důsledku rostoucího zájmu o hluboké učení a Reinforcement Learning^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-AIIndex2018-1)}. | Konference | Návštěvnost (2018, přibližně) | Nárůst od roku 2012 | |------------|-------------------------------|---------------------| | NeurIPS | ~8 000 | 4,8x | | CVPR | ~6 500 | 2,5x | | ICML | ~5 000 | 6,8x | | ICLR | ~2 000 | 20x | | IJCAI | ~3 000 | 1,5x | | AAAI | ~3 500 | 2,0x | **Organizace inkluze.** Počet přihlášených na seminář Women in Machine Learning (WiML) vzrostl od roku 2014 o 600 %. Počet absolventů AI4ALL (iniciativa pro zvýšení diverzity v AI) vzrostl od roku 2015 o 900 %^{[\[5\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-WiML2018-5)[\[6\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-AI4ALL2018-6)}. ### Stahování robotického softwaru Unikátní stahování balíčků ROS (Robot Operating System) z webu ROS.org se od roku 2014 zvýšilo o 567 %. Počet zobrazení stránek ROS.org z Číny byl v roce 2017 18krát vyšší než v roce 2012^{[\[7\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-ROS2018-7)}. ### Genderová diverzita v akademii Analýza kateder AI na sedmi předních světových univerzitách ukázala, že v průměru 80 % profesorů AI byli muži. Mezi analyzovanými školami byly UC Berkeley, Stanford, UIUC, CMU, University College London, Oxford a ETH Zurich. Výrazné rozdíly mezi regiony nebyly zjištěny^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-AIIndex2018-1)}. ## Oddíl 2. Objem činnosti: Průmysl ### Startupy a investice Počet aktivních AI startupů v USA podporovaných rizikovým kapitálem se zvýšil o 113 % od ledna 2015 do ledna 2018, zatímco celkový počet startupů vzrostl pouze o 28 %^{[\[8\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-SandHill2018-8)}. Rizikové financování AI startupů v USA vzrostlo o 350 % od roku 2013 do roku 2017, zatímco celkové rizikové financování za stejné období vzrostlo o 100 %^{[\[8\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-SandHill2018-8)}. ### Pracovní místa Hluboké učení (deep learning) bylo dovedností s nejrychlejším růstem poptávky: počet pracovních míst vyžadujících dovednosti v oblasti hlubokého učení se zvýšil 34krát od roku 2015 do roku 2017. Machine Learning zůstával nejvyhledávanější dovedností v absolutním objemu^{[\[9\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-Monster2018-9)}. **Genderové rozložení.** V průměru tvořili muži 71 % skupiny uchazečů o pracovní místa spojená s AI v USA. Největší genderová diverzita byla zaznamenána mezi uchazeči o pozice spojené s hlubokým učením a robotikou^{[\[9\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-Monster2018-9)}. ### Patenty V roce 2014 bylo přibližně 30 % patentů v oblasti AI registrováno v USA, za nimiž následovaly Jižní Korea a Japonsko (po 16 %). Jižní Korea a Tchaj-wan vykázaly největší růst: počet AI patentů v roce 2014 byl téměř 5krát vyšší než v roce 2004^{[\[10\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-amplified2018-10)}. ### Nasazení AI ve firmách Podле průzkumu McKinsey & Company (2 135 respondentů) byly nejrozšířenějšími AI technologiemi robotická automatizace procesů a Machine Learning. Organizace zpravidla nasazovaly AI v těch obchodních funkcích, které přinášely největší přínos v jejich odvětví: finanční společnosti aktivně využívaly AI v řízení rizik, automobilové v oblasti výroby, maloobchod v marketingu a prodeji^{[\[11\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-McKinsey2018-11)}. | Region | Nejpopulárnější AI schopnosti (% respondentů) | |--------------------------------|-----------------------------------------------------| | Severní Amerika | Robotizace procesů (23 %), Machine Learning (23 %) | | Evropa | Robotizace procesů (27 %), Machine Learning (21 %) | | Rozvíjející se trhy (vč. Číny) | Počítačové vidění (26 %), robotizace procesů (23 %) | | Indie | Machine Learning (25 %), robotizace procesů (30 %) | ### Zmínky AI ve firemních zprávách Zmínky o „umělé inteligenci" a „Machine Learningu" ve zprávách o výsledcích hospodaření společností obchodovaných na Newyorské burze cenných papírů od roku 2015 prudce vzrostly. V IT sektoru se lídrem v počtu zmínek o AI stala NVIDIA (93 zmínek v roce 2017), za ní následovaly LivePerson (50) a Pegasystems (44). V počtu zmínek ML vedl Alphabet (57)^{[\[12\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-Prattle2018-12)}. ### Instalace průmyslových robotů Čína vykázala 500% nárůst ročních instalací průmyslových robotů od roku 2012 do roku 2017. Jižní Korea a Evropa zvýšily instalace o 105 % a 122 %. Mezi menšími trhy vykazoval Tchaj-wan největší objem a růst^{[\[13\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-IFR2018-13)}. ### Otevřený software Analýza hvězd (stars) repozitářů na GitHubu ukázala výrazný nárůst popularity frameworků podporovaných velkými společnostmi: TensorFlow (Google), PyTorch (Facebook), MXNet (Amazon). TensorFlow výrazně předstihoval ostatní frameworky v popularitě a do roku 2018 dosáhl více než 100 000 hvězd^{[\[14\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-GitHub2018-14)}. ## Oddíl 3. Objem činnosti: Zájem veřejnosti ### Tón mediálního pokrytí Články obsahující termín „umělá inteligence" se staly méně neutrálními a pozitivnějšími: podíl pozitivních článků vzrostl z 12 % v lednu 2016 na 30 % v červenci 2016 a zůstával na této úrovni do roku 2018^{[\[15\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-TrendKite2018-15)}. ### Zmínky ve vládních dokumentech Zmínky termínů „umělá inteligence" a „Machine Learning" ve stenogramech amerického Kongresu, kanadského a britského parlamentu od roku 2016 prudce vzrostly. Pozoruhodné je, že „Machine Learning" se v parlamentních dokumentech téměř nevyskytoval před rokem 2016^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-AIIndex2018-1)}. ## Oddíl 4. Technický výkon ### Počítačové vidění: ImageNet **Přesnost.** Výkon na ImageNetu pokračoval v růstu i po skončení oficiální soutěže v roce 2017. AI Index sledoval pokrok podle výsledků na validační sadě dat ImageNet 2012. Přesnost klasifikace obrázků výrazně překročila lidskou úroveň (přibližně 5 % chyb)^{[\[16\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-ImageNet2018-16)}. **Rychlost trénování.** Čas trénování neuronové sítě pro klasifikaci obrázků ImageNet se zkrátil z přibližně 60 minut (červen 2017) na 3,7 minuty (listopad 2018) — zrychlení 16krát za půl druhého roku. To odráželo jak algoritmické inovace, tak investice do infrastruktury (hardware a software)^{[\[17\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-DAWNBench2018-17)}. | Datum | Čas trénování ImageNet | |---------------|------------------------| | Červen 2017 | ~60 minut | | Listopad 2017 | ~30 minut | | Listopad 2017 | ~15 minut | | Červenec 2018 | ~6,6 minuty | | Listopad 2018 | ~3,7 minuty | ### Počítačové vidění: COCO Na soutěži COCO (Common Objects in Context) v segmentaci objektů se nejvyšší průměrná přesnost zvýšila o 72 % od roku 2015 do roku 2018 (z 0,28 na 0,48). Komunita počítačového vidění přešla od relativně jednoduchých úloh (klasifikace) ke složitějším (lokalizace objektů s přesností na pixel, sémantická segmentace)^{[\[18\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-COCO2018-18)}. ### Zpracování přirozeného jazyka: parsování Metrika F1 pro syntaktické parsování vět (Penn Treebank) se zvýšila o 9 procentních bodů od roku 2003 do roku 2018 (z ~86 % na ~95 %). Parsování téměř zcela přešlo od metod analogických parsování programovacích jazyků k metodám založeným na hlubokém učení^{[\[19\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-PennTreebank-19)}. ### Strojový překlad Skóre BLEU pro překlad z angličtiny do němčiny na soutěži WMT vzrostlo 3,5krát ve srovnání s rokem 2008; pro překlad z němčiny do angličtiny 2,5krát. Pokrok byl způsoben architekturou Transformer a efektivnějším využíváním dat^{[\[20\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-WMT2018-20)}. ### Systémy otázek a odpovědí: ARC Na benchmarku AI2 Reasoning Challenge (ARC), vydaném Allen Institute for AI v dubnu 2018, se výkon na Challenge Set (obtížné otázky odpovídající 3.–9. třídě amerických škol) zlepšil z 27 % na 42 % a na Easy Set z 63 % na 69 % v období od dubna do listopadu 2018^{[\[21\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-ARC2018-21)}. ### Systémy otázek a odpovědí: GLUE Benchmark GLUE (General Language Understanding Evaluation), vydaný v květnu 2018, byl určen k testování systémů porozumění přirozenému jazyku na devíti dílčích úlohách. Přestože benchmark existoval méně než půl roku, výkon již překonal přibližně polovinu mezery mezi prvním zveřejněným základním ukazatelem a odhadovanou lidskou úrovní (~90 %). Model BERT od Googlu se stal novým standardem — byl citován osmkrát v průběhu prvního měsíce po vydání^{[\[22\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-GLUE2018-22)[\[23\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-BERT2018-23)}. ## Oddíl 5. Odvozené metriky ### Dynamika „akademie — průmysl" Pro zkoumání vztahu mezi akademickou a průmyslovou aktivitou v AI autoři porovnali tři normalizované ukazatele: publikace na Scopusu, přihlášky na kurzy AI/ML na amerických univerzitách a rizikové investice do AI startupů. Všechny tři metriky vykazovaly růst od roku 2010, přičemž rizikové investice rostly výrazně rychleji než ostatní^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-AIIndex2018-1)}. ### AI Vibrancy Index AI Vibrancy Index agregoval tři metriky (publikace, přihlášky, rizikové investice) do jednoho ukazatele normalizovaného k roku 2010. Do roku 2017 index vzrostl přibližně 7–9krát ve vztahu k základní hodnotě z roku 2010, převážně v důsledku růstu rizikového financování^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-AIIndex2018-1)}. ## Oddíl 6. Vládní iniciativy Zpráva poprvé zahrnovala přehled vládních iniciativ v oblasti AI ve třech regionech^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-AIIndex2018-1)[\[24\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-Dutton2018-24)}: ### USA V říjnu 2016 navrhla Obamova administrativa národní strategii AI a zveřejnila první politickou zprávu o přípravě na budoucnost AI (*Preparing for the Future of Artificial Intelligence*). V květnu 2018 uspořádala Trumpova administrativa Summit o AI a zřídila Zvláštní výbor pro umělou inteligenci. V září 2018 DARPA oznámila plán investic přesahujících 2 miliardy dolarů do programu AI Next. Soukromé firmy hrály ústřední roli: v roce 2017 Amazon a Alphabet investovaly do R&D 16,1 miliard a 13,9 miliard dolarů — výrazně více než celkový rozpočet NSF, DARPA a DOT (~5,3 miliardy dolarů)^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-AIIndex2018-1)}. ### Evropa V dubnu 2018 podepsaly členské státy EU Deklaraci o spolupráci v oblasti AI a Evropská komise vyčlenila 1,5 miliardy eur na podporu výzkumu AI v letech 2018–2020 (nad rámec 2,6 miliardy eur z programu Horizon 2020). Cílem bylo přilákat 20 miliard eur investic do AI za 10 let. Velká Británie zveřejnila AI Sector Deal s investicemi ve výši 950 milionů liber. Francie vydala tři zprávy, včetně „Mission Villani" věnované politice, prevenci odlivu mozků a diverzitě v AI^{[\[25\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-EC2018-25)}. ### Čína Od roku 2014 spustila čínská vláda sérii národních iniciativ s cílem vytvořit trh AI o objemu 14,7 miliardy dolarů do roku 2018 a zajistit světové vedení Číny v AI do roku 2030. Klíčovým dokumentem byl „Plán rozvoje AI nové generace" (červenec 2017), který předpokládal dosažení úrovně vyspělých zemí do roku 2020, velké průlomy do roku 2025 a status světového centra inovací v AI do roku 2030^{[\[26\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-ChinaAI2017-26)}. ## Oddíl 7. Dosažení úrovně lidských schopností Zpráva pokračovala v chronologii případů, kdy AI dosáhla nebo překonala lidskou úroveň. V roce 2018 byla přidána čtyři nová dosažení^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-AIIndex2018-1)}: | Rok | Dosažení | Popis | |----------|-----------------------------------|---------------------------------------------------------------------------------------------------------------------| | 1980 | Othello | Program BILL (Ku-Fu Li a S. Mahajan) poráží nejlepšího amerického hráče; v roce 1997 Logistello porazí mistra světa | | 1995 | Dáma | Program Chinook poráží mistra světa | | 1997 | Šachy | IBM DeepBlue poráží Garriho Kasparova | | 2011 | Jeopardy! | IBM Watson poráží šampiony Brada Ruttera a Kena Jenningse | | 2015 | Atari | DeepMind dosahuje lidské úrovně v 49 hrách Atari | | 2016 | Go | AlphaGo poráží Lee Sedola (4–1); AlphaGo Zero poráží AlphaGo 100–0 | | 2016 | Detekce objektů (ImageNet) | Chyba klasifikace snížena z 28 % (2010) na méně než 3 % při lidské úrovni ~5 % | | 2017 | Rozpoznávání řeči (Switchboard) | Microsoft a IBM dosahují úrovně blízké lidské přesnosti | | 2017 | Poker | Libratus (CMU) poráží čtyři profesionální hráče ve 120 000 partiích; DeepStack (Alberta) poráží 11 profesionálů | | 2017 | Klasifikace rakoviny kůže | AI systém (Esteva et al., Nature) dosahuje úrovně 21 certifikovaných dermatologů | | 2017 | Ms. Pac-Man | Tým Maluuba (Microsoft) dosahuje maximálního skóre 999 900 na Atari 2600 | | **2018** | **Capture the Flag** | **Agent DeepMind dosahuje lidské úrovně v upravené verzi Quake III Arena CTF** | | **2018** | **Dota 2** | **OpenAI Five poráží amatérské týmy (s omezeními), ale podléhá profesionálům** | | **2018** | **Grading rakoviny prostaty** | **Systém Google dosahuje celkové přesnosti 70 % oproti 61 % u patologů** | | **2018** | **Překlad čínština — angličtina** | **Systém Microsoft dosahuje lidské úrovně na datové sadě newstest2017** | Autoři zprávy zdůraznili, že tyto výsledky by neměly být přeceňovány: úlohy byly úzce specializované a dosažení nesvědčilo o schopnosti systémů ke zobecňování^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-AIIndex2018-1)}. ## Oddíl 8. Co je třeba doplnit? (What's Missing?) Oddíl představoval názory tří odborníků na směry rozvoje indexu^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-AIIndex2018-1)}. **Francesca Rossi** (IBM, Padovská univerzita) navrhla přidat metriky pro zdravý rozum (common sense reasoning), hluboké porozumění přirozenému jazyku, spolupráci člověka a stroje (nikoli jejich protikladu), a také pro kombinování Machine Learningu se symbolickou AI a kauzálním uvažováním (causality)^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-AIIndex2018-1)}. **Rodney Brooks** (MIT) upozornil na omezenost metriky průmyslových robotů, které často neobsahují AI komponenty. Navrhl sledovat roboty s AI složkou: drony (SLAM a další algoritmy), domácí roboty (Roomba) a potenciální sociální roboty^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-AIIndex2018-1)}. **Toby Walsh** (UNSW Sydney, TU Berlin) poukázal na nutnost kvantitativních metrik pro měření rostoucích státních a soukromých investic (Velká Británie — 1 miliarda liber, Francie — 1,5 miliardy eur, Německo — 3 miliardy eur, Alibaba — 15 miliard dolarů), a také pro sledování vojenského využití AI, včetně autonomních zbraní^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-AIIndex2018-1)}. ## Metodologie Zpráva využívala data z mnoha zdrojů^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-AIIndex2018-1)}: - **Publikace:** Elsevier Scopus (~70 milionů dokumentů, ~800 klíčových slov AI), arXiv.org. - **Konference:** AAAI, NeurIPS, ICML, CVPR, ICLR, IJCAI, ACL, ICRA, ICAPS, UAI, KR, AAMAS, WiML, AI4ALL. - **Kurzy:** data přímo od univerzit (17 vysokých škol v 10 zemích). - **Startupy a investice:** Sand Hill Econometrics (Dow Jones VentureSource), Crunchbase API. - **Pracovní místa:** Monster.com, Gartner TalentNeuron. - **Patenty:** amplified (IPC kódy: Cognition and meaning understanding, Human-interface technology). - **Nasazení AI:** McKinsey & Company (průzkum 2 135 respondentů). - **Firemní zprávy:** Prattle (analýza textů zpráv o výsledcích hospodaření z FactSet). - **Robotika:** International Federation of Robotics (IFR), ROS.org. - **Média:** TrendKite (analýza tónu článků). - **Vláda:** Congressional Record (USA), Hansards (Velká Británie a Kanada), McKinsey Global Institute. - **Benchmarky:** ImageNet (LSVRC), COCO, Penn Treebank, WMT (EuroMatrix), ARC (Allen Institute for AI), GLUE. ## Autorský kolektiv Zprávu připravil Řídící výbor AI Index pod předsednictvím **Yoava Shohama** (Yoav Shoham, Stanford University) za účasti **Raymonda Perraulta** (Raymond Perrault, SRI International), **Erika Brynjolfssona** (Erik Brynjolfsson, MIT), **Jacka Clarka** (Jack Clark, OpenAI), **Jamese Manyiky** (James Manyika, McKinsey Global Institute), **Juana Carlose Nieblesea** (Juan Carlos Niebles, Stanford University), **Terah Lyonsové** (Terah Lyons, Partnership on AI), **Johna Etchemendiho** (John Etchemendy, Stanford University) a **Barbary Groszové** (Barbara Grosz, Harvard University). Projektovou manažerkou byla **Zoe Bauerová** (Zoe Bauer). AI Index původně vznikl v rámci projektu One Hundred Year Study on AI (AI100) a následně byl umístěn na Stanfordském institutu HAI (Human-Centered AI)^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-AIIndex2018-1)}. ## Kontext a význam AI Index Report 2018 se stal důležitou etapou ve vývoji systematického monitorování pokroku AI. Zaznamenal řadu přelomových momentů: rychlý rozvoj hlubokého učení a jeho dominance mezi přístupy k AI, přechod komunity počítačového vidění ke složitějším úlohám po „nasycení" ImageNetu, revoluční vliv modelu BERT na zpracování přirozeného jazyka, a také bezprecedentní nárůst účasti průmyslu na vývoji pokročilých AI systémů. Zpráva rovněž poprvé systematicky zdokumentovala „závod" mezi státy ve financování a strategickém plánování AI — trend, který bude určovat rozvoj odvětví v následujících letech^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_note-AIIndex2018-1)}. ## Odkazy - Stanford HAI — AI Index (všechny zprávy): https://aiindex.stanford.edu/report/ - AI Index 2018 Report (úplný text, PDF): https://aiindex.stanford.edu/wp-content/uploads/2019/01/2018-Artificial-Intelligence-Index.pdf - Elsevier Scopus — databáze vědeckých publikací: https://www.scopus.com/ - Elsevier AI Resource Center: https://www.elsevier.com/connect/the-rise-of-artificial-intelligence-in-6-charts - arXiv.org — archiv vědeckých preprintů: https://arxiv.org/ - ImageNet (LSVRC): https://image-net.org/challenges/LSVRC/ - COCO — Common Objects in Context: https://cocodataset.org/ - GLUE Benchmark: https://gluebenchmark.com/ - ARC — AI2 Reasoning Challenge: https://allenai.org/data/arc - WMT — Workshop on Machine Translation / EuroMatrix: http://www.statmt.org/ - McKinsey & Company — AI Adoption Survey: https://www.mckinsey.com/featured-insights/artificial-intelligence - International Federation of Robotics: https://ifr.org/ - ROS.org — Robot Operating System: https://www.ros.org/ - Sand Hill Econometrics: https://www.sandhillecon.com/ - Partnership on AI: https://partnershiponai.org/ - Women in Machine Learning (WiML): https://wimlworkshop.org/ - AI4ALL: https://ai-4-all.org/ - Tim Dutton — Overview of National AI Strategies: https://medium.com/politics-ai/an-overview-of-national-ai-strategies-2a70ec6edfd - NLP Progress — sledování pokroku v NLP: https://nlpprogress.com/ ## Literatura - Shoham, Y., Perrault, R., Brynjolfsson, E., Clark, J., Manyika, J., Niebles, J.C., Lyons, T., Etchemendy, J., Grosz, B. and Bauer, Z. (2018). *The AI Index 2018 Annual Report*. AI Index Steering Committee, Human-Centered AI Initiative, Stanford University. https://aiindex.stanford.edu/wp-content/uploads/2019/01/2018-Artificial-Intelligence-Index.pdf - Elsevier (2018). *Artificial Intelligence: How knowledge is created, transferred, and used*. https://www.elsevier.com/connect/the-rise-of-artificial-intelligence-in-6-charts - Devlin, J. et al. (2018). *BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding*. https://arxiv.org/abs/1810.04805 - Wang, A. et al. (2018). *GLUE: A Multi-Task Benchmark and Analysis Platform for Natural Language Understanding*. https://arxiv.org/abs/1804.07461 - Clark, P. et al. (2018). *Think you have Solved Question Answering? Try ARC, the AI2 Reasoning Challenge*. https://arxiv.org/abs/1803.05457 - Esteva, A. et al. (2017). *Dermatologist-level classification of skin cancer with deep neural networks*. *Nature*, 542(7639). https://doi.org/10.1038/nature21056 - Silver, D. et al. (2017). *Mastering the game of Go without human knowledge*. *Nature*, 550(7676). https://doi.org/10.1038/nature24270 - Jaderberg, M. et al. (2018). *Human-level performance in first-person multiplayer games with population-based deep reinforcement learning*. https://arxiv.org/abs/1807.01281 - OpenAI (2018). *OpenAI Five*. https://openai.com/blog/openai-five/ - Hassan, H. et al. (2018). *Achieving Human Parity on Automatic Chinese to English News Translation*. https://arxiv.org/abs/1803.05567 - McKinsey & Company (2018). *Notes from the AI frontier: AI adoption advances, but foundational barriers remain*. https://www.mckinsey.com/featured-insights/artificial-intelligence/notes-from-the-ai-frontier-ai-adoption-advances-but-foundational-barriers-remain - International Federation of Robotics (2017). *World Robotics Report 2017*. https://ifr.org/worldrobotics/ - Dutton, T. (2018). *An Overview of National AI Strategies*. https://medium.com/politics-ai/an-overview-of-national-ai-strategies-2a70ec6edfd - State Council of the People's Republic of China (2017). *New Generation Artificial Intelligence Development Plan*. https://flia.org/notice-state-council-issuing-new-generation-artificial-intelligence-development-plan/ - European Commission (2018). *Communication on Artificial Intelligence for Europe*. https://ec.europa.eu/digital-single-market/en/artificial-intelligence - Russakovsky, O. et al. (2015). *ImageNet Large Scale Visual Recognition Challenge*. *International Journal of Computer Vision*, 115(3). https://doi.org/10.1007/s11263-015-0816-y - He, K. et al. (2015). *Deep Residual Learning for Image Recognition*. https://arxiv.org/abs/1512.03385 ## Poznámky 1. ↑ ^{[1.00](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-AIIndex2018_1-0)} ^{[1.01](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-AIIndex2018_1-1)} ^{[1.02](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-AIIndex2018_1-2)} ^{[1.03](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-AIIndex2018_1-3)} ^{[1.04](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-AIIndex2018_1-4)} ^{[1.05](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-AIIndex2018_1-5)} ^{[1.06](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-AIIndex2018_1-6)} ^{[1.07](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-AIIndex2018_1-7)} ^{[1.08](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-AIIndex2018_1-8)} ^{[1.09](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-AIIndex2018_1-9)} ^{[1.10](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-AIIndex2018_1-10)} ^{[1.11](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-AIIndex2018_1-11)} ^{[1.12](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-AIIndex2018_1-12)} ^{[1.13](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-AIIndex2018_1-13)} ^{[1.14](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-AIIndex2018_1-14)} ^{[1.15](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-AIIndex2018_1-15)} ^{[1.16](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-AIIndex2018_1-16)} ^{[1.17](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-AIIndex2018_1-17)} ^{[1.18](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-AIIndex2018_1-18)} ^{[1.19](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-AIIndex2018_1-19)} ^{[1.20](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-AIIndex2018_1-20)} ^{[1.21](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-AIIndex2018_1-21)} ^{[1.22](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-AIIndex2018_1-22)} ^{[1.23](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-AIIndex2018_1-23)} ^{[1.24](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-AIIndex2018_1-24)} Shoham, Y., Perrault, R., Brynjolfsson, E., Clark, J., Manyika, J., Niebles, J.C., Lyons, T., Etchemendy, J., Grosz, B. and Bauer, Z. (2018). *The AI Index 2018 Annual Report*. AI Index Steering Committee, Human-Centered AI Initiative, Stanford University. https://aiindex.stanford.edu/wp-content/uploads/2019/01/2018-Artificial-Intelligence-Index.pdf 2. ↑ ^{[2.0](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-Scopus2018_2-0)} ^{[2.1](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-Scopus2018_2-1)} ^{[2.2](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-Scopus2018_2-2)} ^{[2.3](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-Scopus2018_2-3)} ^{[2.4](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-Scopus2018_2-4)} ^{[2.5](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-Scopus2018_2-5)} Elsevier (2018). *Artificial Intelligence: How knowledge is created, transferred, and used*. https://www.elsevier.com/connect/the-rise-of-artificial-intelligence-in-6-charts 3. [↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-arXiv2018_3-0) arXiv.org (2018). *Submission statistics*. https://arxiv.org/stats/yearly_submissions 4. [↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-AAAI2018_4-0) AAAI (2018). *AAAI 2018 Conference Proceedings*. https://aaai.org/aaai-conference/ 5. [↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-WiML2018_5-0) Women in Machine Learning (WiML) (2018). *Workshop data*. https://wimlworkshop.org/ 6. [↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-AI4ALL2018_6-0) AI4ALL (2018). *Program data*. https://ai-4-all.org/ 7. [↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-ROS2018_7-0) ROS.org (2018). *ROS Community Metrics Report*. https://metrics.ros.org/ 8. ↑ ^{[8.0](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-SandHill2018_8-0)} ^{[8.1](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-SandHill2018_8-1)} Sand Hill Econometrics (2018). *AI Startup and VC Funding Data*. Dow Jones VentureSource. 9. ↑ ^{[9.0](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-Monster2018_9-0)} ^{[9.1](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-Monster2018_9-1)} Monster.com / Gartner TalentNeuron (2018). *AI Job Openings Data*. https://www.monster.com/ 10. [↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-amplified2018_10-0) amplified (2018). *AI Patent Data*. https://www.amplified.ai/ 11. [↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-McKinsey2018_11-0) McKinsey & Company (2018). *Notes from the AI frontier: AI adoption advances, but foundational barriers remain*. https://www.mckinsey.com/featured-insights/artificial-intelligence/notes-from-the-ai-frontier-ai-adoption-advances-but-foundational-barriers-remain 12. [↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-Prattle2018_12-0) Prattle (2018). *Earnings call analysis data*. FactSet. 13. [↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-IFR2018_13-0) International Federation of Robotics (2018). *World Robotics Report 2017*. https://ifr.org/worldrobotics/ 14. [↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-GitHub2018_14-0) GitHub Archive / Google BigQuery (2018). *GitHub repository stars data*. https://github.com/ 15. [↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-TrendKite2018_15-0) TrendKite (2018). *Media sentiment analysis data*. https://www.trendkite.com/ 16. [↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-ImageNet2018_16-0) ImageNet (2018). *LSVRC leaderboard and validation results*. https://image-net.org/challenges/LSVRC/ 17. [↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-DAWNBench2018_17-0) DAWNBench / Stanford (2018). *ImageNet training time results*. https://dawn.cs.stanford.edu/benchmark/ 18. [↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-COCO2018_18-0) COCO (2018). *Instance Segmentation Leaderboard*. https://cocodataset.org/#detection-leaderboard 19. [↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-PennTreebank_19-0) Penn Treebank (2018). *Section 23 parsing results*. See NLPProgress: https://nlpprogress.com/english/constituency_parsing.html 20. [↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-WMT2018_20-0) Workshop on Machine Translation / EuroMatrix (2018). *WMT News Translation Task results*. http://www.statmt.org/wmt18/ 21. [↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-ARC2018_21-0) Clark, P. et al. (2018). *Think you have Solved Question Answering? Try ARC, the AI2 Reasoning Challenge*. https://arxiv.org/abs/1803.05457 22. [↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-GLUE2018_22-0) Wang, A. et al. (2018). *GLUE: A Multi-Task Benchmark and Analysis Platform for Natural Language Understanding*. https://arxiv.org/abs/1804.07461 23. [↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-BERT2018_23-0) Devlin, J. et al. (2018). *BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding*. https://arxiv.org/abs/1810.04805 24. [↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-Dutton2018_24-0) Dutton, T. (2018). *An Overview of National AI Strategies*. https://medium.com/politics-ai/an-overview-of-national-ai-strategies-2a70ec6edfd 25. [↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-EC2018_25-0) European Commission (2018). *Communication on Artificial Intelligence for Europe*. https://ec.europa.eu/digital-single-market/en/artificial-intelligence 26. [↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(CS)#cite_ref-ChinaAI2017_26-0) State Council of the People's Republic of China (2017). *New Generation Artificial Intelligence Development Plan*. https://flia.org/notice-state-council-issuing-new-generation-artificial-intelligence-development-plan/