---
title: "The 2018 AI Index Report (HE)"
source: "https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)"
wiki: "systems-analysis.info/int"
article: "The_2018_AI_Index_Report_(HE)"
language: "he"
categories:
  - "Category:Hebrew"
  - "Category:Machine learning"
revision_id: 7935
wiki_created_at: 2026-09-07T01:09:13Z
wiki_modified_at: 2026-09-07T01:09:13Z
downloaded_at: 2026-09-07T23:21:46Z
---

# The 2018 AI Index Report (HE)

**AI Index Report 2018** — המהדורה השנתית השנייה של דוח **AI Index**, שהוכנה על ידי ועדת ההיגוי של AI Index באוניברסיטת סטנפורד בדצמבר 2018<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-AIIndex2018-1)</sup>. משימת פרויקט AI Index היא לספק לדיון על בינה מלאכותית נתונים אובייקטיביים. דוח 2018 נבדל מהגיליון הראשון (2017) בהרחבה משמעותית של ההיקף הגלובלי: אם הדוח הקודם היה מוכוון בעיקר לנושאים צפון-אמריקאיים, הרי שמהדורת 2018 שואפת לכלול נתונים מאירופה, סין, קוריאה הדרומית, יפן ואזורים נוספים בעולם. הדוח עוקב אחר נתונים הקשורים לבינה מלאכותית, מסדר ומדמה אותם, ומספק מידע לקובעי מדיניות, חוקרים, מנהלים, עיתונאים והציבור הרחב.

## מבנה הדוח

דוח 2018 מורכב מארבעה חלקים עיקריים<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-AIIndex2018-1)</sup>:

1.  **נתונים: היקף הפעילות (Volume of Activity)** — פרסומים, הרשמות לקורסים, השתתפות בכנסים, הורדות תוכנות רובוטיקה, סטארטאפים והשקעות, משרות פנויות, פטנטים, יישום בינה מלאכותית בחברות, אזכורים בדוחות רווח, התקנות רובוטים, פרויקטי קוד פתוח, עניין הציבור.
2.  **נתונים: ביצועים טכניים (Technical Performance)** — ראייה ממוחשבת, עיבוד שפה טבעית, תרגום מכונה, מערכות שאלות-תשובות.
3.  **מדדים נוספים (Other Measures)** — מדדים נגזרים, יוזמות ממשלתיות, הישגים ברמת יכולות אנושיות.
4.  **נספח (Appendix)** — תיאור מלא של מקורות, מתודולוגיות ופרטים דקים.

## ממצאים מרכזיים של הדוח

מחברי דוח 2018 ניסחו מספר טענות מרכזיות<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-AIIndex2018-1)</sup>:

### בינה מלאכותית — תופעה גלובלית

83% מהמאמרים בנושא בינה מלאכותית במאגר Scopus לשנת 2017 פורסמו על ידי מחברים מחוץ לארצות הברית. 28% מכלל המאמרים בנושא בינה מלאכותית היו קשורים לאירופה — הנתח הגדול ביותר מכל אזור בעולם. ההרשמה לקורסים בנושאי בינה מלאכותית ו-Machine Learning גדלה ברחבי העולם, באופן בולט במיוחד באוניברסיטת צינגחואה (סין), שבה ההרשמה המצטברת לקורסי בינה מלאכותית ו-ML בשנת 2017 הייתה גדולה פי 16 מאשר בשנת 2010<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-AIIndex2018-1)</sup>.

### פעילות בתחום הבינה המלאכותית גוברת כמעט בכל מקום

צמיחה נצפתה בפרסומים, קורסים, כנסים, סטארטאפים, מימון הון-סיכון, פטנטים ומדדים נוספים. הביצועים הטכנולוגיים משתפרים בכל הכיוונים<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-AIIndex2018-1)</sup>.

### Machine Learning שולטת כתת-תחום של בינה מלאכותית

בשנת 2017, 56% מהמאמרים בנושא בינה מלאכותית ב-Scopus נכללו בקטגוריה "Machine Learning ועיבוד הסתברותי" (לעומת 28% בשנת 2010). ההרשמה לקורסי מבוא ב-ML צמחה מהר יותר מאשר לקורסי בינה מלאכותית בכלל. הכנסים NeurIPS ו-ICML, המוקדשים ל-Machine Learning, הציגו את הצמיחה הגדולה ביותר בהשתתפות<sup>[\[2\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-Scopus2018-2)</sup>.

### גיוון מגדרי נותר בעיה חמורה

בממוצע, 80% מפרופסורי הבינה המלאכותית באוניברסיטאות מובילות (UC Berkeley, Stanford, UIUC, CMU, University College London, Oxford, ETH Zurich) היו גברים. בממוצע, 71% מהמועמדים למשרות הקשורות לבינה מלאכותית בארצות הברית היו גברים<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-AIIndex2018-1)</sup>.

## חלק 1. היקף הפעילות: מחקר

### פרסומים

מספר המאמרים בנושא בינה מלאכותית בפלטפורמת Scopus גדל פי 7 מאז 1996, בעוד שמאמרים במדעי המחשב (Computer Science) גדלו פי 5 באותה תקופה. עובדה זו מעידה שהצמיחה בפרסומים על בינה מלאכותית אינה מוסברת רק על ידי העניין הכללי במדעי המחשב, אלא גם על ידי דינמיקה עצמאית<sup>[\[2\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-Scopus2018-2)</sup>.

**התפלגות אזורית.** אירופה נותרה בעקביות האזור הגדול ביותר במספר הפרסומים בתחום הבינה המלאכותית: בשנת 2017, 28% מהמאמרים בנושא בינה מלאכותית ב-Scopus היו קשורים למחברים אירופאים, ואחריהם סין (25%) וארצות הברית (17%). יחד עם זאת, מספר הפרסומים מסין גדל ב-150% בתקופה 2007–2017<sup>[\[2\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-Scopus2018-2)</sup>.

**תת-קטגוריות.** הצמיחה הגדולה ביותר נצפתה בקטגוריית רשתות נוירונים: קצב הצמיחה השנתי הממוצע (CAGR) עמד על 3% בשנים 2010–2014 ועל 37% בשנים 2014–2017. מאמרים בפלטפורמת arXiv הציגו גם הם צמיחה מהירה: ראייה ממוחשבת וזיהוי תבניות הפכו לתת-קטגוריית הבינה המלאכותית הגדולה ביותר ב-arXiv מאז 2014<sup>[\[3\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-arXiv2018-3)</sup>.

**שיוך סקטוריאלי.** מספר המאמרים בנושא בינה מלאכותית הקשורים לגופים ממשלתיים סיניים גדל ב-400% בתקופה 2007–2017, בעוד שפרסומים ארגוניים מסין גדלו רק ב-73%. בארצות הברית, לעומת זאת, שיעור הפרסומים הארגוניים היה גבוה בהרבה: בשנת 2017, פרופורציית המאמרים הארגוניים בנושא בינה מלאכותית בארצות הברית הייתה גדולה פי 6.6 מאשר בסין, ופי 4.1 מאשר באירופה<sup>[\[2\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-Scopus2018-2)</sup>.

**ציטוטיות.** מחברים מארצות הברית צוטטו ב-83% יותר מהממוצע העולמי. למרות שאירופה הובילה במספר המוחלט של פרסומים, מדד הציטוטיות שלה נותר ברמת הממוצע העולמי. סין שיפרה את ציטוטיותה בצורה ניכרת: בשנת 2016 מחברים סיניים צוטטו ב-44% יותר מאשר בשנת 2000<sup>[\[2\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-Scopus2018-2)</sup>.

**ניידות מחברים.** מחברים ניידים (המפרסמים מחוץ לאזור המוצא שלהם) הציגו ציטוטיות ופריון גבוהים יותר בהשוואה למחברים "יושבניים" (sedentary). בין שלושת האזורים, לסין הייתה הנתח הגבוה ביותר של מחברים יושבניים (76%), ואחריה אירופה (52%) וארצות הברית (38%)<sup>[\[2\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-Scopus2018-2)</sup>.

**כנס AAAI.** בכנס AAAI 2018, כ-70% מהמאמרים שהוגשו ו-67% מהמאמרים שהתקבלו היו קשורים לארצות הברית או לסין. למרות שסין הגישה את מספר המאמרים הגדול ביותר, לארצות הברית ולסין היה מספר כמעט שווה של עבודות שהתקבלו (268 ו-265 בהתאמה). שיעור הקבלה לארצות הברית עמד על 29%, ולסין — על 21%<sup>[\[4\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-AAAI2018-4)</sup>.

### הרשמה לקורסים

**אוניברסיטאות בארצות הברית.** ההרשמה לקורסי מבוא ב-ML בשנת 2017 הייתה גבוהה פי 5 מאשר בשנת 2012. ב-UC Berkeley הצמיחה הייתה פי 6.8. ההרשמה לקורסי מבוא בנושא בינה מלאכותית גדלה פי 3.6 באותה תקופה. יחד עם זאת, 74–79% מהסטודנטים בקורסי המבוא לבינה מלאכותית ו-ML ב-Stanford וב-Berkeley היו גברים<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-AIIndex2018-1)</sup>.

**אוניברסיטאות בינלאומיות.** ההרשמה המצטברת לקורסי בינה מלאכותית ו-ML באוניברסיטת צינגחואה בשנת 2017 עלתה על נתון 2010 פי 16. צמיחה נצפתה גם באוניברסיטת אדינבורו, USTC ו-SJTU (סין), PUC (צ'ילה) ואוניברסיטאות נוספות<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-AIIndex2018-1)</sup>.

### השתתפות בכנסים

**כנסים גדולים.** NeurIPS ו-ICML הציגו את הצמיחה הגדולה ביותר: בשנת 2018 ההשתתפות ב-NeurIPS הייתה גבוהה פי 4.8 מאשר בשנת 2012, ו-ICML — פי 6.8. הדבר שיקף את העניין המתמשך ב-Machine Learning<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-AIIndex2018-1)</sup>.

**כנסים קטנים.** השתתפות ב-ICLR (International Conference on Learning Representations) בשנת 2018 הייתה גבוהה פי 20 מאשר בשנת 2012 — כנראה כתוצאה מהעניין הגובר ב-deep learning וב-Reinforcement Learning<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-AIIndex2018-1)</sup>.

| כנס     | השתתפות (2018, בקירוב) | צמיחה מ-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         |

**ארגוני הכלה.** מספר ההרשמות לסמינר Women in Machine Learning (WiML) גדל ב-600% מאז 2014. מספר הבוגרים של AI4ALL (יוזמה להגדלת הגיוון בבינה מלאכותית) גדל ב-900% מאז 2015<sup>[\[5\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-WiML2018-5)[\[6\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-AI4ALL2018-6)</sup>.

### הורדות תוכנות רובוטיקה

הורדות ייחודיות של חבילות ROS (Robot Operating System) מאתר ROS.org גדלו ב-567% מאז 2014. מספר צפיות הדפים ב-ROS.org מסין בשנת 2017 היה גבוה פי 18 מאשר בשנת 2012<sup>[\[7\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-ROS2018-7)</sup>.

### גיוון מגדרי באקדמיה

ניתוח סגלי הבינה המלאכותית בשבע אוניברסיטאות מובילות בעולם הראה שבממוצע 80% מפרופסורי הבינה המלאכותית היו גברים. בין האוניברסיטאות היו UC Berkeley, Stanford, UIUC, CMU, University College London, Oxford ו-ETH Zurich. לא נמצאו הבדלים משמעותיים בין האזורים<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-AIIndex2018-1)</sup>.

## חלק 2. היקף הפעילות: תעשייה

### סטארטאפים והשקעות

מספר סטארטאפי הבינה המלאכותית הפעילים בארצות הברית הנתמכים על ידי הון-סיכון גדל ב-113% מינואר 2015 עד ינואר 2018, בעוד שמספר הסטארטאפים הכולל גדל ב-28% בלבד<sup>[\[8\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-SandHill2018-8)</sup>.

מימון הון-סיכון לסטארטאפי בינה מלאכותית בארצות הברית גדל ב-350% מ-2013 עד 2017, בעוד שמימון הון-הסיכון הכולל גדל ב-100% באותה תקופה<sup>[\[8\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-SandHill2018-8)</sup>.

### משרות פנויות

Deep learning היה הכישרון עם הצמיחה המהירה ביותר בביקוש: מספר המשרות הדורשות כישורי deep learning גדל פי 34 מ-2015 עד 2017. Machine Learning נותרה הכישרון המבוקש ביותר לפי היקף מוחלט<sup>[\[9\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-Monster2018-9)</sup>.

**התפלגות מגדרית.** בממוצע, גברים היוו 71% ממאגר המועמדים למשרות הקשורות לבינה מלאכותית בארצות הברית. הגיוון המגדרי הגדול ביותר נצפה בין המועמדים למשרות הקשורות ל-deep learning ולרובוטיקה<sup>[\[9\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-Monster2018-9)</sup>.

### פטנטים

בשנת 2014, כ-30% מהפטנטים בתחום הבינה המלאכותית נרשמו בארצות הברית, ואחריהן קוריאה הדרומית ויפן (16% כל אחת). קוריאה הדרומית וטייוואן הציגו את הצמיחה הגדולה ביותר: מספר פטנטי הבינה המלאכותית בשנת 2014 היה גדול כמעט פי 5 מאשר בשנת 2004<sup>[\[10\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-amplified2018-10)</sup>.

### יישום בינה מלאכותית בחברות

על פי נתוני סקר McKinsey & Company (2,135 נשאלים), טכנולוגיות הבינה המלאכותית הנפוצות ביותר היו אוטומציה רובוטית של תהליכים ו-Machine Learning. ארגונים נטו ליישם בינה מלאכותית בתפקודי העסק שהניבו את התשואה הגבוהה ביותר בענפם: חברות פיננסיות השתמשו באופן פעיל בבינה מלאכותית לניהול סיכונים, חברות רכב — לייצור, ורשתות קמעונאיות — לשיווק ומכירות<sup>[\[11\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-McKinsey2018-11)</sup>.

| אזור                      | יכולות בינה מלאכותית פופולריות ביותר (% נשאלים)           |
|---------------------------|-----------------------------------------------------------|
| צפון אמריקה               | אוטומציה רובוטית של תהליכים (23%), Machine Learning (23%) |
| אירופה                    | אוטומציה רובוטית של תהליכים (27%), Machine Learning (21%) |
| שווקים מתפתחים (כולל סין) | ראייה ממוחשבת (26%), אוטומציה רובוטית של תהליכים (23%)    |
| הודו                      | Machine Learning (25%), אוטומציה רובוטית של תהליכים (30%) |

### אזכורי בינה מלאכותית בדוחות ארגוניים

אזכורי "בינה מלאכותית" ו-"Machine Learning" בדוחות הרווח של חברות הנסחרות בבורסת ניו יורק עלו בחדות מאז 2015. במגזר ה-IT, NVIDIA הובילה במספר אזכורי הבינה המלאכותית (93 אזכורים ב-2017), ואחריה LivePerson (50) ו-Pegasystems (44). במספר אזכורי ה-ML הוביל Alphabet (57)<sup>[\[12\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-Prattle2018-12)</sup>.

### התקנת רובוטים תעשייתיים

סין הציגה עלייה של 500% בהתקנות שנתיות של רובוטים תעשייתיים מ-2012 עד 2017. קוריאה הדרומית ואירופה הגדילו את ההתקנות ב-105% וב-122% בהתאמה. בין השווקים הקטנים יותר, טייוואן הציגה את הנפח הגבוה ביותר ואת הצמיחה הגבוהה ביותר<sup>[\[13\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-IFR2018-13)</sup>.

### תוכנת קוד פתוח

ניתוח כוכבים (stars) של מאגרי GitHub הראה צמיחה משמעותית בפופולריות של frameworks הנתמכים על ידי חברות גדולות: TensorFlow (Google), PyTorch (Facebook), MXNet (Amazon). TensorFlow הקדים בצורה ניכרת את שאר ה-frameworks בפופולריות, והגיע ליותר מ-100,000 כוכבים עד 2018<sup>[\[14\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-GitHub2018-14)</sup>.

## חלק 3. היקף הפעילות: עניין הציבור

### טון הסיקור התקשורתי

מאמרים המכילים את המונח "בינה מלאכותית" הפכו פחות ניטרליים ויותר חיוביים: שיעור המאמרים החיוביים גדל מ-12% בינואר 2016 ל-30% ביולי 2016 ונותר ברמה זו עד 2018<sup>[\[15\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-TrendKite2018-15)</sup>.

### אזכורים במסמכים ממשלתיים

אזכורי המונחים "בינה מלאכותית" ו-"Machine Learning" בתמלילי הקונגרס האמריקאי ובפרלמנטים של קנדה ובריטניה עלו בחדות מאז 2016. ראוי לציין ש-"Machine Learning" כמעט ולא הוזכר במסמכים פרלמנטריים לפני 2016<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-AIIndex2018-1)</sup>.

## חלק 4. ביצועים טכניים

### ראייה ממוחשבת: ImageNet

**דיוק.** הביצועים על ImageNet המשיכו לגדול גם לאחר סיום התחרות הרשמית ב-2017. AI Index עקב אחר ההתקדמות לפי תוצאות על מערך האימות של ImageNet 2012. דיוק סיווג התמונות עלה בצורה ניכרת על הרמה האנושית (כ-5% שגיאות)<sup>[\[16\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-ImageNet2018-16)</sup>.

**מהירות אימון.** זמן האימון של רשת נוירונים לסיווג תמונות ImageNet קוצר מכ-60 דקות (יוני 2017) ל-3.7 דקות (נובמבר 2018) — האצה פי 16 תוך שנה וחצי. הדבר שיקף הן חידושים אלגוריתמיים והן השקעות בתשתיות (חומרה ותוכנה)<sup>[\[17\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-DAWNBench2018-17)</sup>.

| תאריך       | זמן אימון ImageNet |
|-------------|--------------------|
| יוני 2017   | ~60 דקות           |
| נובמבר 2017 | ~30 דקות           |
| נובמבר 2017 | ~15 דקות           |
| יולי 2018   | ~6.6 דקות          |
| נובמבר 2018 | ~3.7 דקות          |

### ראייה ממוחשבת: COCO

בתחרות COCO (Common Objects in Context) לסגמנטציית עצמים, הדיוק הממוצע הגבוה ביותר גדל ב-72% מ-2015 עד 2018 (מ-0.28 ל-0.48). קהילת הראייה הממוחשבת עברה ממשימות יחסית פשוטות (סיווג) למורכבות יותר (לוקליזציה של עצמים ברמת פיקסל, סגמנטציה סמנטית)<sup>[\[18\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-COCO2018-18)</sup>.

### עיבוד שפה טבעית: parsing

מדד ה-F1 ל-syntactic parsing של משפטים (Penn Treebank) גדל ב-9 נקודות אחוז מ-2003 עד 2018 (מכ-86% לכ-95%). ה-parsing עבר כמעט לחלוטין משיטות הדומות ל-parsing של שפות תכנות לשיטות מבוססות deep learning<sup>[\[19\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-PennTreebank-19)</sup>.

### תרגום מכונה

ציוני BLEU לתרגום מאנגלית לגרמנית בתחרות WMT גדלו פי 3.5 לעומת 2008; לתרגום מגרמנית לאנגלית — פי 2.5. ההתקדמות נבעה מארכיטקטורת Transformer ומשימוש יעיל יותר בנתונים<sup>[\[20\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-WMT2018-20)</sup>.

### מערכות שאלות-תשובות: ARC

ב-benchmark של AI2 Reasoning Challenge (ARC), שיצא מ-Allen Institute for AI באפריל 2018, הביצועים על Challenge Set (שאלות קשות ברמת כיתות ג'–ט' של בתי ספר אמריקאיים) השתפרו מ-27% ל-42%, ועל Easy Set — מ-63% ל-69% בתקופה מאפריל עד נובמבר 2018<sup>[\[21\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-ARC2018-21)</sup>.

### מערכות שאלות-תשובות: GLUE

ה-benchmark של GLUE (General Language Understanding Evaluation), שיצא במאי 2018, נועד לבחון מערכות הבנת שפה טבעית בתשע תת-משימות. למרות שה-benchmark קיים פחות מחצי שנה, הביצועים כבר סגרו כמחצית מהפער בין ה-baseline הראשון שפורסם לבין הרמה האנושית המוערכת (~90%). מודל BERT של Google הפך לסטנדרט חדש — הוא צוטט שמונה פעמים בחודש הראשון לאחר יציאתו<sup>[\[22\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-GLUE2018-22)[\[23\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-BERT2018-23)</sup>.

## חלק 5. מדדים נגזרים

### הדינמיקה "אקדמיה — תעשייה"

לבחינת הקשר בין פעילות אקדמית ותעשייתית בבינה מלאכותית, השוו המחברים שלושה מדדים מנורמלים: פרסומים ב-Scopus, הרשמות לקורסי בינה מלאכותית ו-ML באוניברסיטאות בארצות הברית, והשקעות הון-סיכון בסטארטאפי בינה מלאכותית. כל שלושת המדדים הציגו צמיחה החל מ-2010, אולם השקעות ההון-סיכון צמחו בקצב מהיר בהרבה מהאחרים<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-AIIndex2018-1)</sup>.

### מדד החיוניות של בינה מלאכותית (AI Vibrancy Index)

מדד החיוניות צירף שלושה מדדים (פרסומים, הרשמות, השקעות הון-סיכון) למדד אחד, מנורמל לשנת 2010. עד 2017, המדד גדל כ-7–9 פעמים לעומת ערך הבסיס של 2010, בעיקר בשל צמיחת מימון ההון-סיכון<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-AIIndex2018-1)</sup>.

## חלק 6. יוזמות ממשלתיות

הדוח כלל לראשונה סקירה של יוזמות ממשלתיות בתחום הבינה המלאכותית בשלושה אזורים<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-AIIndex2018-1)[\[24\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-Dutton2018-24)</sup>:

### ארצות הברית

באוקטובר 2016 הציעה ממשל אובמה אסטרטגיה לאומית לבינה מלאכותית ופרסמה את הדוח המדיניות הראשון להכנה לעתיד הבינה המלאכותית (*Preparing for the Future of Artificial Intelligence*). במאי 2018 קיים ממשל טראמפ פסגת בינה מלאכותית והקים ועדה מיוחדת לבינה מלאכותית. בספטמבר 2018, DARPA הכריז על תוכנית השקעות של יותר מ-2 מיליארד דולר בתוכנית AI Next. חברות פרטיות מילאו תפקיד מרכזי: בשנת 2017, Amazon ו-Alphabet השקיעו ב-R&D 16.1 מיליארד ו-13.9 מיליארד דולר בהתאמה — הרבה יותר מהתקציב המשותף של NSF, DARPA ו-DOT (~5.3 מיליארד דולר)<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-AIIndex2018-1)</sup>.

### אירופה

באפריל 2018 חתמו מדינות חברות ב-EU על הצהרת שיתוף פעולה בתחום הבינה המלאכותית, והנציבות האירופית הקצתה 1.5 מיליארד אירו לתמיכה במחקר בינה מלאכותית בשנים 2018–2020 (בנוסף ל-2.6 מיליארד אירו מתוכנית Horizon 2020). המטרה הייתה למשוך 20 מיליארד אירו של השקעות בבינה מלאכותית תוך 10 שנים. בריטניה פרסמה את AI Sector Deal עם השקעות של 950 מיליון פאונד. צרפת פרסמה שלושה דוחות, כולל "Mission Villani", המוקדש למדיניות, מניעת בריחת מוחות וגיוון בבינה מלאכותית<sup>[\[25\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-EC2018-25)</sup>.

### סין

מ-2014, הממשלה הסינית השיקה סדרה של יוזמות לאומיות במטרה ליצור שוק בינה מלאכותית בשווי 14.7 מיליארד דולר עד 2018 ולהבטיח את המנהיגות העולמית של סין בבינה מלאכותית עד 2030. המסמך המרכזי היה "תוכנית הפיתוח של בינה מלאכותית מהדור הבא" (יולי 2017), הקובעת הגעה לרמת המדינות המתקדמות עד 2020, פריצות דרך גדולות עד 2025 ומעמד של מרכז עולמי לחדשנות בבינה מלאכותית עד 2030<sup>[\[26\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-ChinaAI2017-26)</sup>.

## חלק 7. הישגים ברמת יכולות אנושיות

הדוח המשיך את הכרונולוגיה של מקרים שבהם בינה מלאכותית הגיעה לרמה אנושית או עלתה עליה. ב-2018 נוספו ארבעה הישגים חדשים<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-AIIndex2018-1)</sup>:

| שנה      | הישג                      | תיאור                                                                                                         |
|----------|---------------------------|---------------------------------------------------------------------------------------------------------------|
| 1980     | Othello                   | התוכנית BILL (קו-פו לי וס. מהאג'אן) מנצחת את השחקן האמריקאי הטוב ביותר; ב-1997, Logistello תנצח את אלוף העולם |
| 1995     | שחמט-דמקה                 | התוכנית Chinook מנצחת את אלוף העולם                                                                           |
| 1997     | שחמט                      | IBM DeepBlue מנצחת את גארי קספארוב                                                                            |
| 2011     | Jeopardy!                 | IBM Watson מנצחת את האלופים בראד ראטר וקן ג'נינגס                                                             |
| 2015     | Atari                     | DeepMind מגיעה לרמה אנושית ב-49 משחקי Atari                                                                   |
| 2016     | Go                        | AlphaGo מנצחת את לי סדול (4–1); AlphaGo Zero מנצחת את AlphaGo 100–0                                           |
| 2016     | זיהוי עצמים (ImageNet)    | שגיאת הסיווג הופחתה מ-28% (2010) לפחות מ-3%, כאשר הרמה האנושית היא ~5%                                        |
| 2017     | זיהוי דיבור (Switchboard) | Microsoft ו-IBM מגיעות לרמה הקרובה לדיוק האנושי                                                               |
| 2017     | פוקר                      | Libratus (CMU) מנצחת ארבעה שחקנים מקצועיים ב-120,000 יד; DeepStack (אלברטה) מנצחת 11 מקצוענים                 |
| 2017     | סיווג סרטן עור            | מערכת בינה מלאכותית (Esteva et al., Nature) מגיעה לרמת 21 דרמטולוגים מוסמכים                                  |
| 2017     | Ms. Pac-Man               | צוות Maluuba (Microsoft) מגיע לניקוד מקסימלי של 999,900 ב-Atari 2600                                          |
| **2018** | **Capture the Flag**      | **סוכן DeepMind מגיע לרמה אנושית בגרסה מותאמת של Quake III Arena CTF**                                        |
| **2018** | **Dota 2**                | **OpenAI Five מנצחת קבוצות חובבניות (עם הגבלות), אך מפסידה לקבצועיים**                                        |
| **2018** | **דירוג סרטן הערמונית**   | **מערכת Google מגיעה לדיוק כולל של 70% לעומת 61% אצל פתולוגים**                                               |
| **2018** | **תרגום סינית — אנגלית**  | **מערכת Microsoft מגיעה לרמה אנושית על מערך הנתונים newstest2017**                                            |

מחברי הדוח הדגישו שאין להגזים בחשיבות תוצאות אלו: המשימות היו מצומצמות ומתמחות, וההישגים אינם מעידים על יכולת המערכות להכליל<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-AIIndex2018-1)</sup>.

## חלק 8. מה חסר? (What's Missing?)

החלק הציג את דעותיהם של שלושה מומחים על כיווני הפיתוח של המדד<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-AIIndex2018-1)</sup>.

**פרנצ'סקה רוסי** (IBM, אוניברסיטת פדובה) הציעה להוסיף מדדים להיגיון בריא (common sense reasoning), הבנה עמוקה של שפה טבעית, שיתוף פעולה בין אדם ומכונה (ולא הצבתם זה מול זה), וכן שילוב של Machine Learning עם בינה מלאכותית סמלית וסקת סיבתיות (causality)<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-AIIndex2018-1)</sup>.

**רודני ברוקס** (MIT) הצביע על מגבלות מדד הרובוטים התעשייתיים, שלעיתים קרובות אין בהם רכיבי בינה מלאכותית. הוא הציע לעקוב אחר רובוטים עם רכיב בינה מלאכותית: רחפנים (SLAM ואלגוריתמים נוספים), רובוטים ביתיים (Roomba) ורובוטים חברתיים פוטנציאליים<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-AIIndex2018-1)</sup>.

**טובי וולש** (UNSW Sydney, TU Berlin) הצביע על הצורך במדדים כמותיים למדידת ההשקעות הממשלתיות והפרטיות הגוברות (בריטניה — 1 מיליארד פאונד, צרפת — 1.5 מיליארד אירו, גרמניה — 3 מיליארד אירו, Alibaba — 15 מיליארד דולר), וכן למעקב אחר השימוש הצבאי בבינה מלאכותית, כולל נשק אוטונומי<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-AIIndex2018-1)</sup>.

## מתודולוגיה

הדוח השתמש בנתונים ממגוון מקורות<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-AIIndex2018-1)</sup>:

- **פרסומים:** Elsevier Scopus (~70 מיליון מסמכים, ~800 מילות מפתח של בינה מלאכותית), arXiv.org.
- **כנסים:** AAAI, NeurIPS, ICML, CVPR, ICLR, IJCAI, ACL, ICRA, ICAPS, UAI, KR, AAMAS, WiML, AI4ALL.
- **קורסים:** נתונים ישירות מאוניברסיטאות (17 מוסדות ב-10 מדינות).
- **סטארטאפים והשקעות:** Sand Hill Econometrics (Dow Jones VentureSource), Crunchbase API.
- **משרות פנויות:** Monster.com, Gartner TalentNeuron.
- **פטנטים:** amplified (קודי IPC: Cognition and meaning understanding, Human-interface technology).
- **יישום בינה מלאכותית:** McKinsey & Company (סקר של 2,135 נשאלים).
- **דוחות ארגוניים:** Prattle (ניתוח טקסטים של דוחות רווח עם FactSet).
- **רובוטיקה:** International Federation of Robotics (IFR), ROS.org.
- **מדיה:** TrendKite (ניתוח טון מאמרים).
- **ממשלה:** Congressional Record (ארצות הברית), Hansards (בריטניה וקנדה), McKinsey Global Institute.
- **benchmarks:** ImageNet (LSVRC), COCO, Penn Treebank, WMT (EuroMatrix), ARC (Allen Institute for AI), GLUE.

## צוות המחברים

הדוח הוכן על ידי ועדת ההיגוי של AI Index בראשות **יואב שוהם** (Yoav Shoham, Stanford University) בהשתתפות **ריימונד פרו** (Raymond Perrault, SRI International), **אריק בריינג'ולפסון** (Erik Brynjolfsson, MIT), **ג'ק קלארק** (Jack Clark, OpenAI), **ג'יימס מניקה** (James Manyika, McKinsey Global Institute), **חואן קרלוס נייבלס** (Juan Carlos Niebles, Stanford University), **טרה ליונס** (Terah Lyons, Partnership on AI), **ג'ון אטשמנדי** (John Etchemendy, Stanford University) ו**ברברה גרוש** (Barbara Grosz, Harvard University). מנהלת הפרויקט הייתה **זואי באואר** (Zoe Bauer). AI Index נוצר במקור במסגרת פרויקט One Hundred Year Study on AI (AI100) ולאחר מכן אוחסן במכון HAI של סטנפורד (Human-Centered AI)<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-AIIndex2018-1)</sup>.

## הקשר וחשיבות

AI Index Report 2018 היווה שלב חשוב בפיתוח הניטור השיטתי של התקדמות הבינה המלאכותית. הוא תיעד מספר נקודות מפנה: הפיתוח המהיר של deep learning והתבססותו כגישה מובילה בבינה מלאכותית, המעבר של קהילת הראייה הממוחשבת למשימות מורכבות יותר לאחר "רוויה" של ImageNet, ההשפעה המהפכנית של מודל BERT על עיבוד שפה טבעית, וכן הצמיחה חסרת התקדים של השתתפות התעשייה בפיתוח מערכות בינה מלאכותית מתקדמות. הדוח גם תיעד לראשונה בצורה שיטתית את "המרוץ" בין מדינות במימון ובתכנון אסטרטגי של בינה מלאכותית — מגמה שתגדיר את פיתוח הענף בשנים הבאות<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_note-AIIndex2018-1)</sup>.

## קישורים חיצוניים

- Stanford HAI — AI Index (כל הדוחות): <a href="https://aiindex.stanford.edu/report/" class="external free" rel="nofollow">https://aiindex.stanford.edu/report/</a>
- AI Index 2018 Report (טקסט מלא, PDF): <a href="https://aiindex.stanford.edu/wp-content/uploads/2019/01/2018-Artificial-Intelligence-Index.pdf" class="external free" rel="nofollow">https://aiindex.stanford.edu/wp-content/uploads/2019/01/2018-Artificial-Intelligence-Index.pdf</a>
- Elsevier Scopus — מאגר פרסומים מדעיים: <a href="https://www.scopus.com/" class="external free" rel="nofollow">https://www.scopus.com/</a>
- Elsevier AI Resource Center: <a href="https://www.elsevier.com/connect/the-rise-of-artificial-intelligence-in-6-charts" class="external free" rel="nofollow">https://www.elsevier.com/connect/the-rise-of-artificial-intelligence-in-6-charts</a>
- arXiv.org — ארכיון פרפרינטים מדעיים: <a href="https://arxiv.org/" class="external free" rel="nofollow">https://arxiv.org/</a>
- ImageNet (LSVRC): <a href="https://image-net.org/challenges/LSVRC/" class="external free" rel="nofollow">https://image-net.org/challenges/LSVRC/</a>
- COCO — Common Objects in Context: <a href="https://cocodataset.org/" class="external free" rel="nofollow">https://cocodataset.org/</a>
- GLUE Benchmark: <a href="https://gluebenchmark.com/" class="external free" rel="nofollow">https://gluebenchmark.com/</a>
- ARC — AI2 Reasoning Challenge: <a href="https://allenai.org/data/arc" class="external free" rel="nofollow">https://allenai.org/data/arc</a>
- WMT — Workshop on Machine Translation / EuroMatrix: <a href="http://www.statmt.org/" class="external free" rel="nofollow">http://www.statmt.org/</a>
- McKinsey & Company — סקר אימוץ בינה מלאכותית: <a href="https://www.mckinsey.com/featured-insights/artificial-intelligence" class="external free" rel="nofollow">https://www.mckinsey.com/featured-insights/artificial-intelligence</a>
- International Federation of Robotics: <a href="https://ifr.org/" class="external free" rel="nofollow">https://ifr.org/</a>
- ROS.org — Robot Operating System: <a href="https://www.ros.org/" class="external free" rel="nofollow">https://www.ros.org/</a>
- Sand Hill Econometrics: <a href="https://www.sandhillecon.com/" class="external free" rel="nofollow">https://www.sandhillecon.com/</a>
- Partnership on AI: <a href="https://partnershiponai.org/" class="external free" rel="nofollow">https://partnershiponai.org/</a>
- Women in Machine Learning (WiML): <a href="https://wimlworkshop.org/" class="external free" rel="nofollow">https://wimlworkshop.org/</a>
- AI4ALL: <a href="https://ai-4-all.org/" class="external free" rel="nofollow">https://ai-4-all.org/</a>
- Tim Dutton — סקירת אסטרטגיות לאומיות לבינה מלאכותית: <a href="https://medium.com/politics-ai/an-overview-of-national-ai-strategies-2a70ec6edfd" class="external free" rel="nofollow">https://medium.com/politics-ai/an-overview-of-national-ai-strategies-2a70ec6edfd</a>
- NLP Progress — מעקב אחר התקדמות ב-NLP: <a href="https://nlpprogress.com/" class="external free" rel="nofollow">https://nlpprogress.com/</a>

## ביבליוגרפיה

- 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. <a href="https://aiindex.stanford.edu/wp-content/uploads/2019/01/2018-Artificial-Intelligence-Index.pdf" class="external free" rel="nofollow">https://aiindex.stanford.edu/wp-content/uploads/2019/01/2018-Artificial-Intelligence-Index.pdf</a>
- Elsevier (2018). *Artificial Intelligence: How knowledge is created, transferred, and used*. <a href="https://www.elsevier.com/connect/the-rise-of-artificial-intelligence-in-6-charts" class="external free" rel="nofollow">https://www.elsevier.com/connect/the-rise-of-artificial-intelligence-in-6-charts</a>
- Devlin, J. et al. (2018). *BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding*. <a href="https://arxiv.org/abs/1810.04805" class="external free" rel="nofollow">https://arxiv.org/abs/1810.04805</a>
- Wang, A. et al. (2018). *GLUE: A Multi-Task Benchmark and Analysis Platform for Natural Language Understanding*. <a href="https://arxiv.org/abs/1804.07461" class="external free" rel="nofollow">https://arxiv.org/abs/1804.07461</a>
- Clark, P. et al. (2018). *Think you have Solved Question Answering? Try ARC, the AI2 Reasoning Challenge*. <a href="https://arxiv.org/abs/1803.05457" class="external free" rel="nofollow">https://arxiv.org/abs/1803.05457</a>
- Esteva, A. et al. (2017). *Dermatologist-level classification of skin cancer with deep neural networks*. *Nature*, 542(7639). <a href="https://doi.org/10.1038/nature21056" class="external free" rel="nofollow">https://doi.org/10.1038/nature21056</a>
- Silver, D. et al. (2017). *Mastering the game of Go without human knowledge*. *Nature*, 550(7676). <a href="https://doi.org/10.1038/nature24270" class="external free" rel="nofollow">https://doi.org/10.1038/nature24270</a>
- Jaderberg, M. et al. (2018). *Human-level performance in first-person multiplayer games with population-based deep reinforcement learning*. <a href="https://arxiv.org/abs/1807.01281" class="external free" rel="nofollow">https://arxiv.org/abs/1807.01281</a>
- OpenAI (2018). *OpenAI Five*. <a href="https://openai.com/blog/openai-five/" class="external free" rel="nofollow">https://openai.com/blog/openai-five/</a>
- Hassan, H. et al. (2018). *Achieving Human Parity on Automatic Chinese to English News Translation*. <a href="https://arxiv.org/abs/1803.05567" class="external free" rel="nofollow">https://arxiv.org/abs/1803.05567</a>
- McKinsey & Company (2018). *Notes from the AI frontier: AI adoption advances, but foundational barriers remain*. <a href="https://www.mckinsey.com/featured-insights/artificial-intelligence/notes-from-the-ai-frontier-ai-adoption-advances-but-foundational-barriers-remain" class="external free" rel="nofollow">https://www.mckinsey.com/featured-insights/artificial-intelligence/notes-from-the-ai-frontier-ai-adoption-advances-but-foundational-barriers-remain</a>
- International Federation of Robotics (2017). *World Robotics Report 2017*. <a href="https://ifr.org/worldrobotics/" class="external free" rel="nofollow">https://ifr.org/worldrobotics/</a>
- Dutton, T. (2018). *An Overview of National AI Strategies*. <a href="https://medium.com/politics-ai/an-overview-of-national-ai-strategies-2a70ec6edfd" class="external free" rel="nofollow">https://medium.com/politics-ai/an-overview-of-national-ai-strategies-2a70ec6edfd</a>
- State Council of the People's Republic of China (2017). *New Generation Artificial Intelligence Development Plan*. <a href="https://flia.org/notice-state-council-issuing-new-generation-artificial-intelligence-development-plan/" class="external free" rel="nofollow">https://flia.org/notice-state-council-issuing-new-generation-artificial-intelligence-development-plan/</a>
- European Commission (2018). *Communication on Artificial Intelligence for Europe*. <a href="https://ec.europa.eu/digital-single-market/en/artificial-intelligence" class="external free" rel="nofollow">https://ec.europa.eu/digital-single-market/en/artificial-intelligence</a>
- Russakovsky, O. et al. (2015). *ImageNet Large Scale Visual Recognition Challenge*. *International Journal of Computer Vision*, 115(3). <a href="https://doi.org/10.1007/s11263-015-0816-y" class="external free" rel="nofollow">https://doi.org/10.1007/s11263-015-0816-y</a>
- He, K. et al. (2015). *Deep Residual Learning for Image Recognition*. <a href="https://arxiv.org/abs/1512.03385" class="external free" rel="nofollow">https://arxiv.org/abs/1512.03385</a>

## הערות

1.  <span id="cite_note-AIIndex2018-1">↑ <sup>[1.00](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-AIIndex2018_1-0)</sup> <sup>[1.01](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-AIIndex2018_1-1)</sup> <sup>[1.02](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-AIIndex2018_1-2)</sup> <sup>[1.03](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-AIIndex2018_1-3)</sup> <sup>[1.04](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-AIIndex2018_1-4)</sup> <sup>[1.05](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-AIIndex2018_1-5)</sup> <sup>[1.06](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-AIIndex2018_1-6)</sup> <sup>[1.07](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-AIIndex2018_1-7)</sup> <sup>[1.08](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-AIIndex2018_1-8)</sup> <sup>[1.09](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-AIIndex2018_1-9)</sup> <sup>[1.10](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-AIIndex2018_1-10)</sup> <sup>[1.11](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-AIIndex2018_1-11)</sup> <sup>[1.12](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-AIIndex2018_1-12)</sup> <sup>[1.13](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-AIIndex2018_1-13)</sup> <sup>[1.14](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-AIIndex2018_1-14)</sup> <sup>[1.15](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-AIIndex2018_1-15)</sup> <sup>[1.16](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-AIIndex2018_1-16)</sup> <sup>[1.17](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-AIIndex2018_1-17)</sup> <sup>[1.18](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-AIIndex2018_1-18)</sup> <sup>[1.19](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-AIIndex2018_1-19)</sup> <sup>[1.20](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-AIIndex2018_1-20)</sup> <sup>[1.21](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-AIIndex2018_1-21)</sup> <sup>[1.22](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-AIIndex2018_1-22)</sup> <sup>[1.23](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-AIIndex2018_1-23)</sup> <sup>[1.24](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-AIIndex2018_1-24)</sup> 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. <a href="https://aiindex.stanford.edu/wp-content/uploads/2019/01/2018-Artificial-Intelligence-Index.pdf" class="external free" rel="nofollow">https://aiindex.stanford.edu/wp-content/uploads/2019/01/2018-Artificial-Intelligence-Index.pdf</a></span>
2.  <span id="cite_note-Scopus2018-2">↑ <sup>[2.0](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-Scopus2018_2-0)</sup> <sup>[2.1](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-Scopus2018_2-1)</sup> <sup>[2.2](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-Scopus2018_2-2)</sup> <sup>[2.3](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-Scopus2018_2-3)</sup> <sup>[2.4](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-Scopus2018_2-4)</sup> <sup>[2.5](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-Scopus2018_2-5)</sup> Elsevier (2018). *Artificial Intelligence: How knowledge is created, transferred, and used*. <a href="https://www.elsevier.com/connect/the-rise-of-artificial-intelligence-in-6-charts" class="external free" rel="nofollow">https://www.elsevier.com/connect/the-rise-of-artificial-intelligence-in-6-charts</a></span>
3.  <span id="cite_note-arXiv2018-3">[↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-arXiv2018_3-0) arXiv.org (2018). *Submission statistics*. <a href="https://arxiv.org/stats/yearly_submissions" class="external free" rel="nofollow">https://arxiv.org/stats/yearly_submissions</a></span>
4.  <span id="cite_note-AAAI2018-4">[↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-AAAI2018_4-0) AAAI (2018). *AAAI 2018 Conference Proceedings*. <a href="https://aaai.org/aaai-conference/" class="external free" rel="nofollow">https://aaai.org/aaai-conference/</a></span>
5.  <span id="cite_note-WiML2018-5">[↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-WiML2018_5-0) Women in Machine Learning (WiML) (2018). *Workshop data*. <a href="https://wimlworkshop.org/" class="external free" rel="nofollow">https://wimlworkshop.org/</a></span>
6.  <span id="cite_note-AI4ALL2018-6">[↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-AI4ALL2018_6-0) AI4ALL (2018). *Program data*. <a href="https://ai-4-all.org/" class="external free" rel="nofollow">https://ai-4-all.org/</a></span>
7.  <span id="cite_note-ROS2018-7">[↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-ROS2018_7-0) ROS.org (2018). *ROS Community Metrics Report*. <a href="https://metrics.ros.org/" class="external free" rel="nofollow">https://metrics.ros.org/</a></span>
8.  <span id="cite_note-SandHill2018-8">↑ <sup>[8.0](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-SandHill2018_8-0)</sup> <sup>[8.1](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-SandHill2018_8-1)</sup> Sand Hill Econometrics (2018). *AI Startup and VC Funding Data*. Dow Jones VentureSource.</span>
9.  <span id="cite_note-Monster2018-9">↑ <sup>[9.0](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-Monster2018_9-0)</sup> <sup>[9.1](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-Monster2018_9-1)</sup> Monster.com / Gartner TalentNeuron (2018). *AI Job Openings Data*. <a href="https://www.monster.com/" class="external free" rel="nofollow">https://www.monster.com/</a></span>
10. <span id="cite_note-amplified2018-10">[↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-amplified2018_10-0) amplified (2018). *AI Patent Data*. <a href="https://www.amplified.ai/" class="external free" rel="nofollow">https://www.amplified.ai/</a></span>
11. <span id="cite_note-McKinsey2018-11">[↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-McKinsey2018_11-0) McKinsey & Company (2018). *Notes from the AI frontier: AI adoption advances, but foundational barriers remain*. <a href="https://www.mckinsey.com/featured-insights/artificial-intelligence/notes-from-the-ai-frontier-ai-adoption-advances-but-foundational-barriers-remain" class="external free" rel="nofollow">https://www.mckinsey.com/featured-insights/artificial-intelligence/notes-from-the-ai-frontier-ai-adoption-advances-but-foundational-barriers-remain</a></span>
12. <span id="cite_note-Prattle2018-12">[↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-Prattle2018_12-0) Prattle (2018). *Earnings call analysis data*. FactSet.</span>
13. <span id="cite_note-IFR2018-13">[↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-IFR2018_13-0) International Federation of Robotics (2018). *World Robotics Report 2017*. <a href="https://ifr.org/worldrobotics/" class="external free" rel="nofollow">https://ifr.org/worldrobotics/</a></span>
14. <span id="cite_note-GitHub2018-14">[↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-GitHub2018_14-0) GitHub Archive / Google BigQuery (2018). *GitHub repository stars data*. <a href="https://github.com/" class="external free" rel="nofollow">https://github.com/</a></span>
15. <span id="cite_note-TrendKite2018-15">[↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-TrendKite2018_15-0) TrendKite (2018). *Media sentiment analysis data*. <a href="https://www.trendkite.com/" class="external free" rel="nofollow">https://www.trendkite.com/</a></span>
16. <span id="cite_note-ImageNet2018-16">[↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-ImageNet2018_16-0) ImageNet (2018). *LSVRC leaderboard and validation results*. <a href="https://image-net.org/challenges/LSVRC/" class="external free" rel="nofollow">https://image-net.org/challenges/LSVRC/</a></span>
17. <span id="cite_note-DAWNBench2018-17">[↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-DAWNBench2018_17-0) DAWNBench / Stanford (2018). *ImageNet training time results*. <a href="https://dawn.cs.stanford.edu/benchmark/" class="external free" rel="nofollow">https://dawn.cs.stanford.edu/benchmark/</a></span>
18. <span id="cite_note-COCO2018-18">[↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-COCO2018_18-0) COCO (2018). *Instance Segmentation Leaderboard*. <a href="https://cocodataset.org/#detection-leaderboard" class="external free" rel="nofollow">https://cocodataset.org/#detection-leaderboard</a></span>
19. <span id="cite_note-PennTreebank-19">[↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-PennTreebank_19-0) Penn Treebank (2018). *Section 23 parsing results*. See NLPProgress: <a href="https://nlpprogress.com/english/constituency_parsing.html" class="external free" rel="nofollow">https://nlpprogress.com/english/constituency_parsing.html</a></span>
20. <span id="cite_note-WMT2018-20">[↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-WMT2018_20-0) Workshop on Machine Translation / EuroMatrix (2018). *WMT News Translation Task results*. <a href="http://www.statmt.org/wmt18/" class="external free" rel="nofollow">http://www.statmt.org/wmt18/</a></span>
21. <span id="cite_note-ARC2018-21">[↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-ARC2018_21-0) Clark, P. et al. (2018). *Think you have Solved Question Answering? Try ARC, the AI2 Reasoning Challenge*. <a href="https://arxiv.org/abs/1803.05457" class="external free" rel="nofollow">https://arxiv.org/abs/1803.05457</a></span>
22. <span id="cite_note-GLUE2018-22">[↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-GLUE2018_22-0) Wang, A. et al. (2018). *GLUE: A Multi-Task Benchmark and Analysis Platform for Natural Language Understanding*. <a href="https://arxiv.org/abs/1804.07461" class="external free" rel="nofollow">https://arxiv.org/abs/1804.07461</a></span>
23. <span id="cite_note-BERT2018-23">[↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-BERT2018_23-0) Devlin, J. et al. (2018). *BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding*. <a href="https://arxiv.org/abs/1810.04805" class="external free" rel="nofollow">https://arxiv.org/abs/1810.04805</a></span>
24. <span id="cite_note-Dutton2018-24">[↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-Dutton2018_24-0) Dutton, T. (2018). *An Overview of National AI Strategies*. <a href="https://medium.com/politics-ai/an-overview-of-national-ai-strategies-2a70ec6edfd" class="external free" rel="nofollow">https://medium.com/politics-ai/an-overview-of-national-ai-strategies-2a70ec6edfd</a></span>
25. <span id="cite_note-EC2018-25">[↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-EC2018_25-0) European Commission (2018). *Communication on Artificial Intelligence for Europe*. <a href="https://ec.europa.eu/digital-single-market/en/artificial-intelligence" class="external free" rel="nofollow">https://ec.europa.eu/digital-single-market/en/artificial-intelligence</a></span>
26. <span id="cite_note-ChinaAI2017-26">[↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HE)#cite_ref-ChinaAI2017_26-0) State Council of the People's Republic of China (2017). *New Generation Artificial Intelligence Development Plan*. <a href="https://flia.org/notice-state-council-issuing-new-generation-artificial-intelligence-development-plan/" class="external free" rel="nofollow">https://flia.org/notice-state-council-issuing-new-generation-artificial-intelligence-development-plan/</a></span>