---
title: "The 2018 AI Index Report (HU)"
source: "https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)"
wiki: "systems-analysis.info/int"
article: "The_2018_AI_Index_Report_(HU)"
language: "hu"
categories:
  - "Category:Hungarian"
  - "Category:Machine learning"
revision_id: 7937
wiki_created_at: 2026-09-07T01:09:16Z
wiki_modified_at: 2026-09-07T01:09:16Z
downloaded_at: 2026-09-07T23:21:47Z
---

# The 2018 AI Index Report (HU)

**AI Index Report 2018** — az **AI Index** második éves kiadása, amelyet az AI Index Irányítóbizottsága készített a Stanford Egyetem égisze alatt, 2018 decemberében<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-AIIndex2018-1)</sup>. Az AI Index projekt küldetése az, hogy az mesterséges intelligenciáról folyó vitát objektív adatokkal támassza alá. A 2018-as jelentés az első kiadáshoz (2017) képest jelentősen bővítette a globális lefedettséget: míg az előző jelentés elsősorban észak-amerikai problémákra összpontosított, a 2018-as kiadás igyekszik bevonni az Európából, Kínából, Dél-Koreából, Japánból és a világ egyéb régióiból származó adatokat. A jelentés nyomon követi, rendszerezi és vizualizálja az MI-vel kapcsolatos adatokat, információt nyújtva politikusok, kutatók, vezetők, újságírók és a szélesebb közvélemény számára.

## Структура отчёта - A jelentés szerkezete

A 2018-as jelentés négy fő fejezetből áll<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-AIIndex2018-1)</sup>:

1.  **Adatok: tevékenységi volumen (Volume of Activity)** — publikációk, kurzusra való jelentkezések, konferenciarészvétel, robotikai szoftverek letöltései, startupok és befektetések, állásajánlatok, szabadalmak, az MI vállalati bevezetése, nyereségjelentésekben való említések, robottelepítések, nyílt forráskódú projektek, közérdeklődés.
2.  **Adatok: technikai teljesítmény (Technical Performance)** — számítógépes látás, természetes nyelvfeldolgozás, gépi fordítás, kérdés-válasz rendszerek.
3.  **Egyéb mérőszámok (Other Measures)** — származtatott mutatók, kormányzati kezdeményezések, emberi képességek szintjén elért eredmények.
4.  **Függelék (Appendix)** — a források, módszertanok és finomságok teljes leírása.

## Ключевые выводы отчёта - A jelentés főbb megállapításai

A 2018-as jelentés szerzői több főbb tézist fogalmaztak meg<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-AIIndex2018-1)</sup>:

### Az MI globális jelenség

A Scopus adatbázisban 2017-ben megjelent MI-cikkek 83%-át az USA-n kívüli szerzők publikálták. Az összes MI-cikk 28%-a Európából származott — ez volt a legmagasabb arány a világ összes régiója közül. Az MI- és Machine Learning-kurzusokra való hallgatói beiratkozás az egész világon növekedett, különösen látványosan a Tsinghua Egyetemen (Kína), ahol az MI- és ML-kurzusokra való összesített beiratkozás 2017-ben 16-szor magasabb volt, mint 2010-ben<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-AIIndex2018-1)</sup>.

### Az MI-tevékenység szinte mindenütt növekszik

Növekedés figyelhető meg a publikációkban, kurzusokban, konferenciákon, startupoknál, kockázatitőke-finanszírozásban, szabadalmakban és egyéb mutatókban. A technológiai teljesítmény minden területen javul<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-AIIndex2018-1)</sup>.

### A Machine Learning domináns MI-részterület

2017-ben a Scopuson megjelent MI-cikkek 56%-a a „Machine Learning és valószínűségi következtetés" kategóriába tartozott (szemben a 2010-es 28%-kal). A bevezető ML-kurzusokra való beiratkozás gyorsabban nőtt, mint az általános MI-kurzusokon. Az ML-re összpontosító NeurIPS és ICML konferenciák mutatták a legnagyobb látogatottságnövekedést<sup>[\[2\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-Scopus2018-2)</sup>.

### A nemi sokszínűség komoly probléma marad

Átlagosan a vezető egyetemek (UC Berkeley, Stanford, UIUC, CMU, University College London, Oxford, ETH Zurich) MI-professzoraink 80%-a férfi volt. Az USA-ban az MI-vel kapcsolatos állásokra jelentkezők átlagosan 71%-a férfi volt<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-AIIndex2018-1)</sup>.

## Раздел 1. Объём деятельности: Исследования - 1. fejezet. Tevékenységi volumen: Kutatás

### Publikációk

A Scopus platformon megjelent MI-cikkek száma 1996 óta 7-szeresére nőtt, míg az informatikai (Computer Science) cikkek ugyanebben az időszakban 5-szörösükre emelkedtek. Ez azt jelzi, hogy az MI-publikációk növekedését nem csupán az informatika iránti általános érdeklődés hajtja, hanem önálló dinamika is<sup>[\[2\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-Scopus2018-2)</sup>.

**Regionális megoszlás.** Európa stabilan a legnagyobb régió maradt az MI-publikációk számát tekintve: 2017-ben a Scopuson megjelent MI-cikkek 28%-a európai szerzőkhöz kapcsolódott, őket Kína (25%) és az USA (17%) követte. Kína publikációinak száma 2007 és 2017 között 150%-kal nőtt<sup>[\[2\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-Scopus2018-2)</sup>.

**Alkategóriák.** A legnagyobb növekedés a neurális hálózatok kategóriájában volt megfigyelhető: az átlagos éves növekedési ütem (CAGR) 2010–2014 között 3%, 2014–2017 között pedig 37% volt. Az arXiv platformon megjelent cikkek is gyors növekedést mutattak: a számítógépes látás és mintafelismerés 2014 óta a legnagyobb MI-alkategóriává vált az arXiv-on<sup>[\[3\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-arXiv2018-3)</sup>.

**Szektoriális hovatartozás.** A kínai állami szervezetekhez kapcsolódó MI-cikkek száma 2007 és 2017 között 400%-kal nőtt, míg a kínai vállalati publikációk csupán 73%-kal emelkedtek. Az USA-ban ezzel szemben a vállalati publikációk aránya lényegesen magasabb volt: 2017-ben az USA-beli vállalati MI-cikkek aránya 6,6-szor nagyobb volt, mint Kínában, és 4,1-szer nagyobb, mint Európában<sup>[\[2\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-Scopus2018-2)</sup>.

**Idézettség.** Az USA-beli szerzőket 83%-kal gyakrabban idézték a világ átlagánál. Bár Európa vezet a publikációk abszolút számában, idézettségi mutatója a világ átlagán maradt. Kína jelentősen javított idézettségén: 2016-ban a kínai szerzőket 44%-kal gyakrabban idézték, mint 2000-ben<sup>[\[2\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-Scopus2018-2)</sup>.

**Szerzői mobilitás.** A mobilis szerzők (akik saját régiójukon kívül publikálnak) magasabb idézettséget és termelékenységet mutattak a „letelepedett" (sedentary) szerzőkhöz képest. A három régió közül Kínának volt a legnagyobb aránya a letelepedett szerzőkből (76%), őt Európa (52%) és az USA (38%) követte<sup>[\[2\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-Scopus2018-2)</sup>.

**AAAI konferencia.** A 2018-as AAAI konferencián a beküldött cikkek mintegy 70%-a és az elfogadott cikkek 67%-a kapcsolódott az USA-hoz vagy Kínához. Bár Kína nyújtotta be a legtöbb cikket, az USA és Kína szinte azonos számú elfogadott munkával rendelkezett (268, illetve 265). Az elfogadási arány az USA esetében 29%, Kínánál 21% volt<sup>[\[4\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-AAAI2018-4)</sup>.

### Kurzusra való beiratkozás

**Amerikai egyetemek.** A bevezető ML-kurzusokra való beiratkozás 2017-ben 5-ször magasabb volt, mint 2012-ben. A UC Berkeleyen a növekedés 6,8-szoros volt. A bevezető MI-kurzusokra való beiratkozás ugyanebben az időszakban 3,6-szorosára nőtt. Eközben a Stanford és a Berkeley bevezető MI- és ML-kurzusain a hallgatók 74–79%-a férfi volt<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-AIIndex2018-1)</sup>.

**Nemzetközi egyetemek.** A Tsinghua Egyetemen az MI+ML kurzusokra való összesített beiratkozás 2017-ben 16-szor haladta meg a 2010-es értéket. Növekedés volt megfigyelhető az Edinburghi Egyetemen, az USTC-n és az SJTU-n (Kína), a PUC-on (Chile) és más felsőoktatási intézményekben is<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-AIIndex2018-1)</sup>.

### Konferenciarészvétel

**Nagy konferenciák.** A NeurIPS és az ICML mutatta a legnagyobb növekedést: 2018-ban a NeurIPS látogatottsága 4,8-szor, az ICML-é 6,8-szor volt magasabb, mint 2012-ben. Ez tükrözte a Machine Learning iránti tartós érdeklődést<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-AIIndex2018-1)</sup>.

**Kisebb konferenciák.** Az ICLR (International Conference on Learning Representations) látogatottsága 2018-ban 20-szor magasabb volt, mint 2012-ben — valószínűleg a mély tanulás és a Reinforcement Learning iránti növekvő érdeklődés eredményeként<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-AIIndex2018-1)</sup>.

| Konferencia | Látogatottság (2018, kb.) | Növekedés 2012 óta |
|-------------|---------------------------|--------------------|
| 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               |

**Befogadói szervezetek.** A Women in Machine Learning (WiML) szemináriumra való regisztrációk száma 2014 óta 600%-kal nőtt. Az AI4ALL (az MI sokszínűségének növelésére irányuló kezdeményezés) végzettjeinek száma 2015 óta 900%-kal nőtt<sup>[\[5\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-WiML2018-5)[\[6\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-AI4ALL2018-6)</sup>.

### Robotikai szoftverek letöltései

A ROS (Robot Operating System) csomagok egyedi letöltéseinek száma a ROS.org oldalról 2014 óta 567%-kal nőtt. A ROS.org oldalmegtekintéseinek száma Kínából 2017-ben 18-szor magasabb volt, mint 2012-ben<sup>[\[7\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-ROS2018-7)</sup>.

### Nemi sokszínűség az akadémián

Hét vezető egyetem MI-karait elemezve kiderült, hogy átlagosan a MI-professzorok 80%-a férfi volt. Az elemzett intézmények között szerepelt a UC Berkeley, a Stanford, az UIUC, a CMU, a University College London, az Oxford és az ETH Zurich. Régiók között nem találtak jelentős különbségeket<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-AIIndex2018-1)</sup>.

## Раздел 2. Объём деятельности: Индустрия - 2. fejezet. Tevékenységi volumen: Ipar

### Startupok és befektetések

Az USA-ban kockázati tőkével támogatott aktív MI-startupok száma 2015 januárja és 2018 januárja között 113%-kal nőtt, míg az összes startup száma csupán 28%-kal emelkedett<sup>[\[8\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-SandHill2018-8)</sup>.

Az USA-ban az MI-startupok kockázatitőke-finanszírozása 2013 és 2017 között 350%-kal nőtt, míg az összes kockázatitőke-finanszírozás ugyanebben az időszakban 100%-kal emelkedett<sup>[\[8\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-SandHill2018-8)</sup>.

### Állásajánlatok

A mély tanulás (deep learning) volt a leggyorsabban növekvő igényű készség: a mély tanulási készségeket igénylő állásajánlatok száma 2015 és 2017 között 34-szeresére nőtt. A Machine Learning abszolút volumenben a legkeresettebb készség maradt<sup>[\[9\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-Monster2018-9)</sup>.

**Nemi megoszlás.** Átlagosan a férfiak alkották az USA-ban az MI-vel kapcsolatos állásokra jelentkezők 71%-át. A legnagyobb nemi sokszínűség a mély tanulással és a robotikával kapcsolatos pozíciókra jelentkezők körében volt megfigyelhető<sup>[\[9\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-Monster2018-9)</sup>.

### Szabadalmak

2014-ben az MI területén bejegyzett szabadalmak mintegy 30%-a az USA-hoz kötődött, őket Dél-Korea és Japán követte (mindkettő 16%-kal). Dél-Korea és Tajvan mutatta a legnagyobb növekedést: az MI-szabadalmak száma 2014-ben közel 5-ször volt magasabb, mint 2004-ben<sup>[\[10\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-amplified2018-10)</sup>.

### Az MI vállalati bevezetése

A McKinsey & Company felmérése (2 135 válaszadó) szerint a legelterjedtebb MI-technológiák a robotizált folyamatautomatizálás és a Machine Learning voltak. A szervezetek jellemzően azokban az üzleti funkciókban vezették be az MI-t, amelyek a legnagyobb megtérülést biztosították az adott ágazatban: a pénzügyi vállalatok aktívan alkalmaztak MI-t a kockázatkezelésben, az autóipariak a gyártásban, a kiskereskedelmi cégek a marketingben és az értékesítésben<sup>[\[11\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-McKinsey2018-11)</sup>.

| Régió                               | Legnépszerűbb MI-képességek (a válaszadók %-ában)   |
|-------------------------------------|-----------------------------------------------------|
| Észak-Amerika                       | Folyamatrobotizálás (23%), Machine Learning (23%)   |
| Európa                              | Folyamatrobotizálás (27%), Machine Learning (21%)   |
| Feltörekvő piacok (beleértve Kínát) | Számítógépes látás (26%), folyamatrobotizálás (23%) |
| India                               | Machine Learning (25%), folyamatrobotizálás (30%)   |

### Az MI említése vállalati jelentésekben

A „mesterséges intelligencia" és a „Machine Learning" kifejezések említett száma a New York-i tőzsdén kereskedett vállalatok nyereségjelentéseiben 2015 óta meredeken emelkedett. Az IT-szektorban az MI-említések számában a NVIDIA vezet (93 említés 2017-ben), őt a LivePerson (50) és a Pegasystems (44) követte. Az ML-említések számában az Alphabet vezet (57)<sup>[\[12\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-Prattle2018-12)</sup>.

### Ipari robotok telepítése

Kína 500%-os növekedést mutatott az éves ipari robottelepítések terén 2012 és 2017 között. Dél-Korea és Európa a telepítéseket 105%-kal, illetve 122%-kal növelte. A kisebb piacok közül Tajvan mutatta a legnagyobb volument és növekedést<sup>[\[13\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-IFR2018-13)</sup>.

### Nyílt forráskódú szoftverek

A GitHub-tárolók csillagainak (stars) elemzése jelentős népszerűségnövekedést mutatott a nagy vállalatok által támogatott keretrendszereknél: TensorFlow (Google), PyTorch (Facebook), MXNet (Amazon). A TensorFlow népszerűség tekintetében lényegesen megelőzte a többi keretrendszert, 2018-ra meghaladva a 100 000 csillagot<sup>[\[14\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-GitHub2018-14)</sup>.

## Раздел 3. Объём деятельности: Общественный интерес - 3. fejezet. Tevékenységi volumen: Közérdeklődés

### A médiafedezet hangulata

A „mesterséges intelligencia" kifejezést tartalmazó cikkek kevésbé semlegessé és pozitívabbá váltak: a pozitív hangvételű cikkek aránya 2016 januárjában 12%-ról 2016 júliusában 30%-ra emelkedett, és ez az arány 2018-ig fennmaradt<sup>[\[15\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-TrendKite2018-15)</sup>.

### Említett hivatkozások kormányzati dokumentumokban

A „mesterséges intelligencia" és a „Machine Learning" kifejezések az USA Kongresszusának, Kanada és Nagy-Britannia parlamentjeinek jegyzőkönyveiben 2016 óta meredeken megszaporodtak. Figyelemre méltó, hogy a „Machine Learning" kifejezés 2016 előtt szinte egyáltalán nem szerepelt a parlamenti dokumentumokban<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-AIIndex2018-1)</sup>.

## Раздел 4. Техническая производительность - 4. fejezet. Technikai teljesítmény

### Számítógépes látás: ImageNet

**Pontosság.** Az ImageNet-en nyújtott teljesítmény a hivatalos verseny 2017-es befejezése után is tovább javult. Az AI Index nyomon követte a haladást az ImageNet 2012-es validációs adatkészletén elért eredmények alapján. A képosztályozás pontossága jelentősen meghaladta az emberi szintet (kb. 5%-os hibaarány)<sup>[\[16\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-ImageNet2018-16)</sup>.

**Tanítási sebesség.** Az ImageNet képosztályozáshoz szükséges neurális hálózat betanítási ideje kb. 60 percről (2017 júniusa) 3,7 percre csökkent (2018 novembere) — ez másfél év alatt 16-szoros gyorsulást jelent. Ez tükrözi mind az algoritmikus innovációkat, mind az infrastrukturális beruházásokat (hardver és szoftver)<sup>[\[17\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-DAWNBench2018-17)</sup>.

| Dátum         | ImageNet betanítási ideje |
|---------------|---------------------------|
| 2017 június   | ~60 perc                  |
| 2017 november | ~30 perc                  |
| 2017 november | ~15 perc                  |
| 2018 július   | ~6,6 perc                 |
| 2018 november | ~3,7 perc                 |

### Számítógépes látás: COCO

A COCO (Common Objects in Context) objektumszegmentációs versenyen a legjobb átlagos pontosság 2015 és 2018 között 72%-kal nőtt (0,28-ról 0,48-ra). A számítógépes látás közössége a viszonylag egyszerű feladatoktól (osztályozás) összetettebbek felé mozdult (objektumok pixelszintű lokalizációja, szemantikai szegmentáció)<sup>[\[18\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-COCO2018-18)</sup>.

### Természetes nyelvfeldolgozás: elemzés

A mondatszintaktikai elemzés (Penn Treebank) F1 mutatója 2003 és 2018 között 9 százalékponttal nőtt (~86%-ról ~95%-ra). Az elemzés szinte teljesen áttért a programozási nyelvek elemzéséhez hasonló módszerekről a mély tanuláson alapuló módszerekre<sup>[\[19\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-PennTreebank-19)</sup>.

### Gépi fordítás

A WMT versenyen az angolról németre fordítás BLEU pontszámai 2008-hoz képest 3,5-szörösükre nőttek; a németről angolra fordítás esetén 2,5-szörösükre. A haladást a Transformer architektúra és az adatok hatékonyabb felhasználása hajtotta<sup>[\[20\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-WMT2018-20)</sup>.

### Kérdés-válasz rendszerek: ARC

Az Allen Institute for AI által 2018 áprilisában kiadott AI2 Reasoning Challenge (ARC) benchmark-on a Challenge Set teljesítménye (az amerikai iskola 3–9. osztályának szintjén lévő nehéz kérdések) 27%-ról 42%-ra, az Easy Set-é 63%-ról 69%-ra javult 2018 áprilisa és novembere között<sup>[\[21\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-ARC2018-21)</sup>.

### Kérdés-válasz rendszerek: GLUE

A 2018 májusában kiadott GLUE (General Language Understanding Evaluation) benchmark kilenc részfeladaton tesztelte a természetes nyelv megértésére szolgáló rendszereket. Annak ellenére, hogy a benchmark kevesebb mint fél éve létezett, a teljesítmény már körülbelül felével csökkentette a szakaszban közzétett első alapmutató és a becsült emberi szint (~90%) közötti rést. A Google BERT modellje új mércévé vált — a megjelenés utáni első hónapban nyolcszor hivatkoztak rá<sup>[\[22\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-GLUE2018-22)[\[23\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-BERT2018-23)</sup>.

## Раздел 5. Производные метрики - 5. fejezet. Származtatott mutatók

### Az „akadémia – ipar" dinamikája

Az akadémiai és az ipari MI-tevékenység közötti összefüggés vizsgálatához a szerzők három normalizált mutatót vetettek össze: a Scopuson megjelent publikációkat, az amerikai egyetemek MI/ML kurzusaira való beiratkozásokat és a MI-startupokba irányuló kockázatitőke-befektetéseket. Mindhárom mutató 2010 óta növekedést mutatott, ugyanakkor a kockázatitőke-befektetések lényegesen gyorsabban növekedtek a többinél<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-AIIndex2018-1)</sup>.

### MI Életképességi Index (AI Vibrancy Index)

Az életképességi index három mutatót (publikációk, beiratkozások, kockázatitőke-befektetések) egyetlen, 2010-hez normalizált mutatóvá aggregált. 2017-re az index a 2010-es alapértékhez képest mintegy 7–9-szeresére nőtt, elsősorban a kockázatitőke-finanszírozás növekedésének köszönhetően<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-AIIndex2018-1)</sup>.

## Раздел 6. Правительственные инициативы - 6. fejezet. Kormányzati kezdeményezések

A jelentés először tartalmazott áttekintést a három régióban zajló MI-kormányzati kezdeményezésekről<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-AIIndex2018-1)[\[24\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-Dutton2018-24)</sup>:

### USA

2016 októberében az Obama-adminisztráció javasolt egy nemzeti MI-stratégiát, és kiadta az első politikai jelentést az MI jövőjére való felkészülésről (*Preparing for the Future of Artificial Intelligence*). 2018 májusában a Trump-adminisztráció MI-csúcstalálkozót tartott, és létrehozta a Mesterséges Intelligenciával foglalkozó Különbizottságot. 2018 szeptemberében a DARPA bejelentette az AI Next program keretében végrehajtandó 2 milliárd dollárt meghaladó befektetési tervét. A magánvállalatok kulcsszerepet játszottak: 2017-ben az Amazon és az Alphabet 16,1, illetve 13,9 milliárd dollárt fektetett be K+F-be — lényegesen többet, mint az NSF, a DARPA és a DOT összesített költségvetése (~5,3 milliárd dollár)<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-AIIndex2018-1)</sup>.

### Európa

2018 áprilisában az EU tagállamai aláírták az MI terén folytatandó együttműködésről szóló nyilatkozatot, az Európai Bizottság pedig 1,5 milliárd eurót különített el az MI-kutatások támogatására 2018–2020 között (a Horizon 2020 program 2,6 milliárd eurójának kiegészítéseként). A cél az volt, hogy 10 év alatt 20 milliárd eurónyi MI-befektetést vonzzanak. Nagy-Britannia közzétette az AI Sector Deal-t 950 millió font befektetéssel. Franciaország három jelentést adott ki, köztük a „Mission Villani"-t, amely az MI-re vonatkozó politikával, az agyelszívás megelőzésével és a sokszínűséggel foglalkozik<sup>[\[25\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-EC2018-25)</sup>.

### Kína

2014 óta a kínai kormány számos nemzeti kezdeményezést indított azzal a céllal, hogy 2018-ra 14,7 milliárd dolláros MI-piacot hozzon létre, és 2030-ra Kína globális vezető szerepét biztosítsa az MI területén. A kulcsdokumentum az „Új generációs MI fejlesztési terv" (2017 júliusa) volt, amely előírja, hogy 2020-ra el kell érni a fejlett országok szintjét, 2025-re nagy áttöréseket kell elérni, és 2030-ra Kínának az MI globális innovációs központjává kell válnia<sup>[\[26\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-ChinaAI2017-26)</sup>.

## Раздел 7. Достижения на уровне человеческих способностей - 7. fejezet. Emberi képességek szintjén elért eredmények

A jelentés folytatta azon esetek kronológiáját, amikor a MI elérte vagy meghaladta az emberi szintet. 2018-ban négy új eredmény került hozzáadásra<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-AIIndex2018-1)</sup>:

| Év       | Eredmény                       | Leírás                                                                                                                      |
|----------|--------------------------------|-----------------------------------------------------------------------------------------------------------------------------|
| 1980     | Othello                        | A BILL program (Ku-fu Lee és S. Mahajan) legyőzi a legjobb amerikai játékost; 1997-ben a Logistello legyőzi a világbajnokot |
| 1995     | Dáma                           | A Chinook program legyőzi a világbajnokot                                                                                   |
| 1997     | Sakk                           | Az IBM DeepBlue legyőzi Garri Kaszparovot                                                                                   |
| 2011     | Jeopardy!                      | Az IBM Watson legyőzi a bajnokokat, Brad Rutert és Ken Jenningst                                                            |
| 2015     | Atari                          | A DeepMind 49 Atari játékban éri el az emberi szintet                                                                       |
| 2016     | Go                             | Az AlphaGo legyőzi Lee Se-dolt (4–1); az AlphaGo Zero 100–0-ra legyőzi az AlphaGo-t                                         |
| 2016     | Objektumdetekció (ImageNet)    | Az osztályozási hiba 28%-ról (2010) ~3% alá csökkent, az emberi szint ~5%                                                   |
| 2017     | Beszédfelismerés (Switchboard) | A Microsoft és az IBM eléri az emberi pontossági szinthez közeli szintet                                                    |
| 2017     | Póker                          | A Libratus (CMU) 120 000 kézben legyőz négy profi játékost; a DeepStack (Alberta) 11 profijátékost győz le                  |
| 2017     | Bőrrák osztályozása            | Egy MI-rendszer (Esteva et al., Nature) eléri 21 minősített bőrgyógyász szintjét                                            |
| 2017     | Ms. Pac-Man                    | A Maluuba csapat (Microsoft) eléri a maximális 999 900 pontot Atari 2600-on                                                 |
| **2018** | **Capture the Flag**           | **A DeepMind ágense eléri az emberi szintet a Quake III Arena CTF módosított változatában**                                 |
| **2018** | **Dota 2**                     | **Az OpenAI Five legyőzi az amatőr csapatokat (korlátozásokkal), de kikapott a profiktól**                                  |
| **2018** | **Prosztata rák osztályozása** | **A Google rendszere 70%-os összpontosságot ér el a patológusok 61%-ával szemben**                                          |
| **2018** | **Kínai–angol fordítás**       | **A Microsoft rendszere emberi szintet ér el a newstest2017 adatkészleten**                                                 |

A jelentés szerzői hangsúlyozták, hogy ezeket az eredményeket nem szabad túlértékelni: a feladatok szűken specializáltak voltak, és az eredmények nem bizonyítják a rendszerek általánosítási képességét<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-AIIndex2018-1)</sup>.

## Раздел 8. Что нужно добавить? - 8. fejezet. Mi hiányzik? (What's Missing?)

A fejezet három szakértő véleményét mutatta be az index fejlesztési irányairól<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-AIIndex2018-1)</sup>.

**Francesca Rossi** (IBM, Padovai Egyetem) azt javasolta, hogy adjanak hozzá mutatókat a józan észhez (common sense reasoning), a természetes nyelv mélyebb megértéséhez, az ember és gép közötti együttműködéshez (nem szembeállításhoz), valamint a Machine Learning szimbolikus MI-vel való kombinálásához és az okozati következtetéshez (causality)<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-AIIndex2018-1)</sup>.

**Rodney Brooks** (MIT) rámutatott az ipari robotok mutatójának korlátaira, amelyekben gyakran nincs MI-komponens. Azt javasolta, hogy kövessék nyomon az MI-összetevővel rendelkező robotokat: drónok (SLAM és egyéb algoritmusok), háztartási robotok (Roomba) és potenciális szociális robotok<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-AIIndex2018-1)</sup>.

**Toby Walsh** (UNSW Sydney, TU Berlin) rámutatott a növekvő állami és magánbefektetések mérésére szolgáló kvantitatív mutatók szükségességére (Nagy-Britannia — 1 milliárd font, Franciaország — 1,5 milliárd euró, Németország — 3 milliárd euró, Alibaba — 15 milliárd dollár), valamint az MI katonai alkalmazásának nyomon követésére, beleértve az autonóm fegyvereket<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-AIIndex2018-1)</sup>.

## Módszertan

A jelentés számos forrásból származó adatokat használt<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-AIIndex2018-1)</sup>:

- **Publikációk:** Elsevier Scopus (~70 millió dokumentum, ~800 MI-kulcsszó), arXiv.org.
- **Konferenciák:** AAAI, NeurIPS, ICML, CVPR, ICLR, IJCAI, ACL, ICRA, ICAPS, UAI, KR, AAMAS, WiML, AI4ALL.
- **Kurzusok:** közvetlenül az egyetemektől kapott adatok (17 felsőoktatási intézmény 10 országban).
- **Startupok és befektetések:** Sand Hill Econometrics (Dow Jones VentureSource), Crunchbase API.
- **Állásajánlatok:** Monster.com, Gartner TalentNeuron.
- **Szabadalmak:** amplified (IPC-kódok: Cognition and meaning understanding, Human-interface technology).
- **MI bevezetése:** McKinsey & Company (2 135 válaszadó felmérése).
- **Vállalati jelentések:** Prattle (nyereségjelentések szövegeinek elemzése a FactSet segítségével).
- **Robotika:** International Federation of Robotics (IFR), ROS.org.
- **Média:** TrendKite (cikkek hangulatelemzése).
- **Kormányzat:** Congressional Record (USA), Hansards (Nagy-Britannia és Kanada), McKinsey Global Institute.
- **Benchmark-ok:** ImageNet (LSVRC), COCO, Penn Treebank, WMT (EuroMatrix), ARC (Allen Institute for AI), GLUE.

## Szerzői kollektíva

A jelentést az AI Index Irányítóbizottsága készítette **Yoav Shoham** (Stanford University) elnökletével, **Raymond Perrault** (SRI International), **Erik Brynjolfsson** (MIT), **Jack Clark** (OpenAI), **James Manyika** (McKinsey Global Institute), **Juan Carlos Niebles** (Stanford University), **Terah Lyons** (Partnership on AI), **John Etchemendy** (Stanford University) és **Barbara Grosz** (Harvard University) részvételével. A projektmenedzser szerepét **Zoe Bauer** töltötte be. Az AI Index eredetileg a One Hundred Year Study on AI (AI100) projekt keretében jött létre, és később a Stanford HAI (Human-Centered AI) intézetben kapott helyet<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-AIIndex2018-1)</sup>.

## Kontextus és jelentőség

Az AI Index Report 2018 fontos állomás volt az MI-haladás szisztematikus nyomon követésének fejlődésében. Rögzített számos fordulópontot: a mély tanulás rohamos fejlődését és dominanciáját az MI-megközelítések között, a számítógépes látás közösségének átmenetét összetettebb feladatok felé az ImageNet „telítettsége" után, a BERT modell forradalmi hatását a természetes nyelvfeldolgozásra, valamint az ipar eddig példátlan mértékű részvételét az élvonalbeli MI-rendszerek fejlesztésében. A jelentés elsőként dokumentálta szisztematikusan az államok közötti „versenyfutást" az MI finanszírozásában és stratégiai tervezésében — egy olyan tendenciát, amely a következő évek során meghatározza az ágazat fejlődését<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_note-AIIndex2018-1)</sup>.

## Hivatkozások

- Stanford HAI — AI Index (összes jelentés): <a href="https://aiindex.stanford.edu/report/" class="external free" rel="nofollow">https://aiindex.stanford.edu/report/</a>
- AI Index 2018 Report (teljes szöveg, 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 — tudományos publikációk adatbázisa: <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 — tudományos preprintek archívuma: <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 — AI Adoption Survey: <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 — 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>
- NLP Progress — az NLP terén elért haladás nyomon követése: <a href="https://nlpprogress.com/" class="external free" rel="nofollow">https://nlpprogress.com/</a>

## Irodalom

- 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>

## Megjegyzések

1.  <span id="cite_note-AIIndex2018-1">↑ <sup>[1.00](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_ref-AIIndex2018_1-0)</sup> <sup>[1.01](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_ref-AIIndex2018_1-1)</sup> <sup>[1.02](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_ref-AIIndex2018_1-2)</sup> <sup>[1.03](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_ref-AIIndex2018_1-3)</sup> <sup>[1.04](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_ref-AIIndex2018_1-4)</sup> <sup>[1.05](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_ref-AIIndex2018_1-5)</sup> <sup>[1.06](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_ref-AIIndex2018_1-6)</sup> <sup>[1.07](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_ref-AIIndex2018_1-7)</sup> <sup>[1.08](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_ref-AIIndex2018_1-8)</sup> <sup>[1.09](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_ref-AIIndex2018_1-9)</sup> <sup>[1.10](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_ref-AIIndex2018_1-10)</sup> <sup>[1.11](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_ref-AIIndex2018_1-11)</sup> <sup>[1.12](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_ref-AIIndex2018_1-12)</sup> <sup>[1.13](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_ref-AIIndex2018_1-13)</sup> <sup>[1.14](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_ref-AIIndex2018_1-14)</sup> <sup>[1.15](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_ref-AIIndex2018_1-15)</sup> <sup>[1.16](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_ref-AIIndex2018_1-16)</sup> <sup>[1.17](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_ref-AIIndex2018_1-17)</sup> <sup>[1.18](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_ref-AIIndex2018_1-18)</sup> <sup>[1.19](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_ref-AIIndex2018_1-19)</sup> <sup>[1.20](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_ref-AIIndex2018_1-20)</sup> <sup>[1.21](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_ref-AIIndex2018_1-21)</sup> <sup>[1.22](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_ref-AIIndex2018_1-22)</sup> <sup>[1.23](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_ref-AIIndex2018_1-23)</sup> <sup>[1.24](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#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_(HU)#cite_ref-Scopus2018_2-0)</sup> <sup>[2.1](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_ref-Scopus2018_2-1)</sup> <sup>[2.2](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_ref-Scopus2018_2-2)</sup> <sup>[2.3](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_ref-Scopus2018_2-3)</sup> <sup>[2.4](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#cite_ref-Scopus2018_2-4)</sup> <sup>[2.5](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#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_(HU)#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_(HU)#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_(HU)#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_(HU)#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_(HU)#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_(HU)#cite_ref-SandHill2018_8-0)</sup> <sup>[8.1](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#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_(HU)#cite_ref-Monster2018_9-0)</sup> <sup>[9.1](https://systems-analysis.info/int/The_2018_AI_Index_Report_(HU)#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_(HU)#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_(HU)#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_(HU)#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_(HU)#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_(HU)#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_(HU)#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_(HU)#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_(HU)#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_(HU)#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_(HU)#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_(HU)#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_(HU)#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_(HU)#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_(HU)#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_(HU)#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_(HU)#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_(HU)#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>