--- title: "The 2018 AI Index Report (IT)" source: "https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)" wiki: "systems-analysis.info/int" article: "The_2018_AI_Index_Report_(IT)" language: "it" categories: - "Category:Italian" - "Category:Machine learning" revision_id: 7939 wiki_created_at: 2026-09-07T01:09:18Z wiki_modified_at: 2026-09-07T01:09:18Z downloaded_at: 2026-09-07T23:21:48Z --- # The 2018 AI Index Report (IT) **AI Index Report 2018** — seconda edizione annuale del rapporto **AI Index**, redatta dal Comitato Direttivo AI Index presso la Stanford University nel dicembre 2018^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-AIIndex2018-1)}. La missione del progetto AI Index consiste nel fornire alla discussione sull'intelligenza artificiale dati obiettivi. Il rapporto 2018 si distingue dal primo numero (2017) per una significativa espansione della copertura globale: se il precedente rapporto era prevalentemente orientato alle tematiche nordamericane, l'edizione 2018 si propone di includere dati provenienti da Europa, Cina, Corea del Sud, Giappone e altre regioni del mondo. Il rapporto traccia, sistematizza e visualizza i dati relativi all'IA, fornendo informazioni a politici, ricercatori, dirigenti, giornalisti e al grande pubblico. ## Struttura del rapporto Il rapporto 2018 è composto da quattro sezioni principali^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-AIIndex2018-1)}: 1. **Dati: volume dell'attività (Volume of Activity)** — pubblicazioni, iscrizioni ai corsi, partecipazione a conferenze, download di software per la robotica, startup e investimenti, offerte di lavoro, brevetti, adozione dell'IA nelle aziende, menzioni nei rapporti sugli utili, installazioni di robot, progetti open source, interesse pubblico. 2. **Dati: prestazioni tecniche (Technical Performance)** — computer vision, elaborazione del linguaggio naturale, traduzione automatica, sistemi di domande e risposte. 3. **Misure aggiuntive (Other Measures)** — indicatori derivati, iniziative governative, risultati a livello delle capacità umane. 4. **Appendice (Appendix)** — descrizione completa delle fonti, delle metodologie e delle sfumature. ## Principali conclusioni del rapporto Gli autori del rapporto 2018 hanno formulato alcune tesi principali^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-AIIndex2018-1)}: ### L'IA è un fenomeno globale L'83% degli articoli sull'IA nella banca dati Scopus per il 2017 è stato pubblicato da autori al di fuori degli Stati Uniti. Il 28% di tutti gli articoli sull'IA proveniva dall'Europa — il dato più alto tra tutte le regioni del mondo. Le iscrizioni ai corsi di IA e Machine Learning sono aumentate in tutto il mondo, con una crescita particolarmente evidente presso l'Università Tsinghua (Cina), dove le iscrizioni cumulative ai corsi di IA e ML nel 2017 erano 16 volte superiori a quelle del 2010^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-AIIndex2018-1)}. ### L'attività nel settore dell'IA è in crescita quasi ovunque La crescita si osserva in pubblicazioni, corsi, conferenze, startup, finanziamenti venture capital, brevetti e altre metriche. Le prestazioni tecnologiche migliorano in tutti i settori^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-AIIndex2018-1)}. ### Il Machine Learning domina come sotto-campo dell'IA Nel 2017, il 56% degli articoli sull'IA su Scopus rientrava nella categoria «Machine Learning e ragionamento probabilistico» (rispetto al 28% nel 2010). Le iscrizioni ai corsi introduttivi di ML crescevano più rapidamente rispetto ai corsi di IA in generale. Le conferenze NeurIPS e ICML, dedicate al Machine Learning, registravano la maggiore crescita di presenze^{[\[2\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-Scopus2018-2)}. ### La diversità di genere rimane un problema serio In media, l'80% dei professori di IA nelle principali università (UC Berkeley, Stanford, UIUC, CMU, University College London, Oxford, ETH Zurich) era di genere maschile. In media, il 71% dei candidati a posizioni lavorative legate all'IA negli Stati Uniti era di genere maschile^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-AIIndex2018-1)}. ## Sezione 1. Volume dell'attività: Ricerca ### Pubblicazioni Il numero di articoli sull'IA sulla piattaforma Scopus è aumentato di 7 volte dal 1996, mentre gli articoli di informatica (Computer Science) sono cresciuti di 5 volte nello stesso periodo. Ciò dimostra che la crescita delle pubblicazioni sull'IA è determinata non solo dall'interesse generale per l'informatica, ma anche da una dinamica autonoma^{[\[2\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-Scopus2018-2)}. **Distribuzione regionale.** L'Europa è rimasta stabilmente la regione con il maggior numero di pubblicazioni nel campo dell'IA: nel 2017, il 28% degli articoli sull'IA su Scopus era collegato ad autori europei, seguiti da Cina (25%) e Stati Uniti (17%). Il numero di pubblicazioni dalla Cina è aumentato del 150% nel periodo 2007–2017^{[\[2\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-Scopus2018-2)}. **Sottocategorie.** La crescita maggiore si è registrata nella categoria delle reti neurali: il tasso di crescita annuo composto (CAGR) era del 3% nel 2010–2014 e del 37% nel 2014–2017. Anche gli articoli sulla piattaforma arXiv mostravano una crescita rapida: la computer vision e il riconoscimento di pattern sono diventati la più grande sottocategoria dell'IA su arXiv dal 2014^{[\[3\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-arXiv2018-3)}. **Appartenenza settoriale.** Il numero di articoli sull'IA collegati a organizzazioni statali cinesi è aumentato del 400% nel periodo 2007–2017, mentre le pubblicazioni aziendali dalla Cina sono cresciute solo del 73%. Negli Stati Uniti, al contrario, la quota di pubblicazioni aziendali era significativamente più alta: nel 2017, la proporzione di articoli aziendali sull'IA negli USA era 6,6 volte superiore a quella della Cina e 4,1 volte superiore a quella dell'Europa^{[\[2\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-Scopus2018-2)}. **Citazioni.** Gli autori statunitensi venivano citati l'83% in più rispetto alla media mondiale. Sebbene l'Europa guidasse in termini di numero assoluto di pubblicazioni, il suo indice di citazione rimaneva al livello della media mondiale. La Cina ha migliorato notevolmente il proprio indice di citazione: nel 2016, gli autori cinesi venivano citati il 44% in più rispetto al 2000^{[\[2\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-Scopus2018-2)}. **Mobilità degli autori.** Gli autori mobili (che pubblicano al di fuori della propria regione di origine) mostravano un maggiore indice di citazione e produttività rispetto agli autori «stanziali» (sedentary). Tra le tre regioni, la Cina aveva la quota più elevata di autori stanziali (76%), seguita dall'Europa (52%) e dagli Stati Uniti (38%)^{[\[2\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-Scopus2018-2)}. **Conferenza AAAI.** Alla conferenza AAAI 2018, circa il 70% degli articoli presentati e il 67% di quelli accettati erano collegati agli Stati Uniti o alla Cina. Sebbene la Cina abbia presentato il numero maggiore di articoli, USA e Cina avevano quasi lo stesso numero di lavori accettati (268 e 265 rispettivamente). Il tasso di accettazione per gli Stati Uniti era del 29%, per la Cina del 21%^{[\[4\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-AAAI2018-4)}. ### Iscrizioni ai corsi **Università statunitensi.** Le iscrizioni ai corsi introduttivi di ML nel 2017 erano 5 volte superiori rispetto al 2012. Alla UC Berkeley la crescita è stata di 6,8 volte. Le iscrizioni ai corsi introduttivi di IA sono cresciute di 3,6 volte nello stesso periodo. Il 74–79% degli studenti nei corsi introduttivi di IA e ML a Stanford e Berkeley era di genere maschile^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-AIIndex2018-1)}. **Università internazionali.** Le iscrizioni cumulative ai corsi IA+ML all'Università Tsinghua nel 2017 superavano di 16 volte il dato del 2010. La crescita si è registrata anche presso l'Università di Edimburgo, USTC e SJTU (Cina), PUC (Cile) e altri atenei^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-AIIndex2018-1)}. ### Partecipazione alle conferenze **Grandi conferenze.** NeurIPS e ICML hanno registrato la maggiore crescita: nel 2018, la partecipazione a NeurIPS era 4,8 volte superiore rispetto al 2012, mentre quella a ICML era 6,8 volte maggiore. Ciò rifletteva il continuo interesse per il Machine Learning^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-AIIndex2018-1)}. **Conferenze minori.** La partecipazione all'ICLR (International Conference on Learning Representations) nel 2018 era 20 volte superiore rispetto al 2012 — probabilmente come risultato del crescente interesse per il deep learning e il Reinforcement Learning^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-AIIndex2018-1)}. | Conferenza | Partecipazione (2018, circa) | Crescita dal 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 | **Organizzazioni per l'inclusione.** Il numero di iscrizioni al seminario Women in Machine Learning (WiML) è cresciuto del 600% dal 2014. Il numero di diplomati di AI4ALL (iniziativa per aumentare la diversità nell'IA) è cresciuto del 900% dal 2015^{[\[5\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-WiML2018-5)[\[6\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-AI4ALL2018-6)}. ### Download di software per la robotica I download unici dei pacchetti ROS (Robot Operating System) dal sito ROS.org sono aumentati del 567% dal 2014. Il numero di visualizzazioni delle pagine di ROS.org dalla Cina nel 2017 era 18 volte superiore rispetto al 2012^{[\[7\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-ROS2018-7)}. ### Diversità di genere nel mondo accademico L'analisi dei corpi docenti di IA in sette delle principali università del mondo ha mostrato che in media l'80% dei professori di IA era di genere maschile. Tra gli atenei figuravano UC Berkeley, Stanford, UIUC, CMU, University College London, Oxford ed ETH Zurich. Non sono state riscontrate differenze significative tra le regioni^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-AIIndex2018-1)}. ## Sezione 2. Volume dell'attività: Industria ### Startup e investimenti Il numero di startup di IA attive negli Stati Uniti supportate da venture capital è aumentato del 113% da gennaio 2015 a gennaio 2018, mentre il numero totale di startup è cresciuto solo del 28%^{[\[8\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-SandHill2018-8)}. I finanziamenti venture capital alle startup di IA negli Stati Uniti sono aumentati del 350% dal 2013 al 2017, mentre i finanziamenti venture capital totali sono cresciuti del 100% nello stesso periodo^{[\[8\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-SandHill2018-8)}. ### Offerte di lavoro Il deep learning era la competenza con la crescita della domanda più rapida: il numero di offerte di lavoro che richiedevano competenze di deep learning è aumentato di 34 volte dal 2015 al 2017. Il Machine Learning rimaneva la competenza più richiesta in termini di volume assoluto^{[\[9\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-Monster2018-9)}. **Distribuzione di genere.** In media, gli uomini costituivano il 71% del bacino di candidati per le posizioni lavorative legate all'IA negli Stati Uniti. La maggiore diversità di genere si osservava tra i candidati per posizioni legate al deep learning e alla robotica^{[\[9\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-Monster2018-9)}. ### Brevetti Nel 2014, circa il 30% dei brevetti nel campo dell'IA era registrato negli Stati Uniti, seguiti da Corea del Sud e Giappone (16% ciascuno). Corea del Sud e Taiwan hanno mostrato la crescita maggiore: il numero di brevetti IA nel 2014 era quasi 5 volte superiore rispetto al 2004^{[\[10\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-amplified2018-10)}. ### Adozione dell'IA nelle aziende Secondo un sondaggio di McKinsey & Company (2 135 intervistati), le tecnologie di IA più diffuse erano la robotizzazione dei processi e il Machine Learning. Le organizzazioni tendevano ad adottare l'IA nelle funzioni aziendali che offrivano il maggiore ritorno nel loro settore: le società finanziarie applicavano attivamente l'IA nella gestione del rischio, quelle automobilistiche nella produzione, la grande distribuzione nel marketing e nelle vendite^{[\[11\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-McKinsey2018-11)}. | Regione | Capacità di IA più popolari (% degli intervistati) | |--------------------------------|-----------------------------------------------------------| | America del Nord | Robotizzazione dei processi (23%), Machine Learning (23%) | | Europa | Robotizzazione dei processi (27%), Machine Learning (21%) | | Mercati emergenti (incl. Cina) | Computer vision (26%), robotizzazione dei processi (23%) | | India | Machine Learning (25%), robotizzazione dei processi (30%) | ### Menzioni dell'IA nei rapporti aziendali Le menzioni di «intelligenza artificiale» e «Machine Learning» nei rapporti sugli utili delle società quotate alla Borsa di New York sono aumentate bruscamente dal 2015. Nel settore IT, NVIDIA è diventata leader per numero di menzioni dell'IA (93 menzioni nel 2017), seguita da LivePerson (50) e Pegasystems (44). Per il numero di menzioni di ML guidava Alphabet (57)^{[\[12\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-Prattle2018-12)}. ### Installazione di robot industriali La Cina ha registrato un aumento del 500% nelle installazioni annuali di robot industriali dal 2012 al 2017. Corea del Sud ed Europa hanno aumentato le installazioni rispettivamente del 105% e del 122%. Tra i mercati più piccoli, Taiwan ha mostrato il volume e la crescita maggiori^{[\[13\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-IFR2018-13)}. ### Software open source L'analisi delle stelle (stars) dei repository GitHub ha mostrato una crescita significativa della popolarità dei framework supportati da grandi aziende: TensorFlow (Google), PyTorch (Facebook), MXNet (Amazon). TensorFlow superava nettamente gli altri framework in popolarità, raggiungendo più di 100 000 stelle entro il 2018^{[\[14\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-GitHub2018-14)}. ## Sezione 3. Volume dell'attività: Interesse pubblico ### Tono della copertura mediatica Gli articoli contenenti il termine «intelligenza artificiale» sono diventati meno neutri e più positivi: la quota di articoli positivi è aumentata dal 12% nel gennaio 2016 al 30% nel luglio 2016 e si è mantenuta su questo livello fino al 2018^{[\[15\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-TrendKite2018-15)}. ### Menzioni nei documenti governativi Le menzioni dei termini «intelligenza artificiale» e «Machine Learning» nei verbali del Congresso degli Stati Uniti, dei parlamenti del Canada e del Regno Unito sono aumentate bruscamente dal 2016. È significativo che «Machine Learning» fosse quasi assente nei documenti parlamentari prima del 2016^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-AIIndex2018-1)}. ## Sezione 4. Prestazioni tecniche ### Computer vision: ImageNet **Accuratezza.** Le prestazioni su ImageNet hanno continuato a crescere anche dopo la conclusione della competizione ufficiale nel 2017. L'AI Index ha monitorato i progressi in base ai risultati sul validation set di ImageNet 2012. L'accuratezza nella classificazione delle immagini ha superato significativamente il livello umano (circa il 5% di errori)^{[\[16\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-ImageNet2018-16)}. **Velocità di addestramento.** Il tempo di addestramento di una rete neurale per la classificazione delle immagini ImageNet si è ridotto da circa 60 minuti (giugno 2017) a 3,7 minuti (novembre 2018) — un'accelerazione di 16 volte in un anno e mezzo. Ciò rifletteva sia le innovazioni algoritmiche sia gli investimenti infrastrutturali (hardware e software)^{[\[17\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-DAWNBench2018-17)}. | Data | Tempo di addestramento ImageNet | |---------------|---------------------------------| | Giugno 2017 | ~60 minuti | | Novembre 2017 | ~30 minuti | | Novembre 2017 | ~15 minuti | | Luglio 2018 | ~6,6 minuti | | Novembre 2018 | ~3,7 minuti | ### Computer vision: COCO Nella competizione COCO (Common Objects in Context) per la segmentazione degli oggetti, la precisione media più alta è aumentata del 72% dal 2015 al 2018 (da 0,28 a 0,48). La comunità della computer vision è passata da compiti relativamente semplici (classificazione) a compiti più complessi (localizzazione degli oggetti a livello di pixel, segmentazione semantica)^{[\[18\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-COCO2018-18)}. ### Elaborazione del linguaggio naturale: parsing La metrica F1 per il parsing sintattico delle frasi (Penn Treebank) è aumentata di 9 punti percentuali dal 2003 al 2018 (da ~86% a ~95%). Il parsing è passato quasi completamente da metodi analoghi al parsing dei linguaggi di programmazione a metodi basati sul deep learning^{[\[19\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-PennTreebank-19)}. ### Traduzione automatica I punteggi BLEU per la traduzione dall'inglese al tedesco nella competizione WMT sono aumentati di 3,5 volte rispetto al 2008; per la traduzione dal tedesco all'inglese di 2,5 volte. I progressi sono stati determinati dall'architettura Transformer e da un utilizzo più efficiente dei dati^{[\[20\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-WMT2018-20)}. ### Sistemi di domande e risposte: ARC Sul benchmark AI2 Reasoning Challenge (ARC), pubblicato dall'Allen Institute for AI nell'aprile 2018, le prestazioni sul Challenge Set (domande difficili di livello 3–9 delle scuole americane) sono migliorate dal 27% al 42%, e sull'Easy Set dal 63% al 69% nel periodo da aprile a novembre 2018^{[\[21\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-ARC2018-21)}. ### Sistemi di domande e risposte: GLUE Il benchmark GLUE (General Language Understanding Evaluation), pubblicato nel maggio 2018, era progettato per testare i sistemi di comprensione del linguaggio naturale su nove sotto-compiti. Nonostante il benchmark esistesse da meno di sei mesi, le prestazioni avevano già colmato circa la metà del divario tra il primo punteggio base pubblicato e il livello umano stimato (~90%). Il modello BERT di Google è diventato il nuovo standard — veniva citato otto volte nel primo mese dalla pubblicazione^{[\[22\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-GLUE2018-22)[\[23\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-BERT2018-23)}. ## Sezione 5. Metriche derivate ### Dinamica «accademia — industria» Per studiare la relazione tra attività accademica e industriale nell'IA, gli autori hanno confrontato tre indicatori normalizzati: pubblicazioni su Scopus, iscrizioni ai corsi di IA/ML nelle università statunitensi e investimenti venture capital nelle startup di IA. Tutte e tre le metriche mostravano una crescita a partire dal 2010, ma gli investimenti venture capital crescevano significativamente più rapidamente delle altre^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-AIIndex2018-1)}. ### Indice di vitalità dell'IA (AI Vibrancy Index) L'indice di vitalità aggregava tre metriche (pubblicazioni, iscrizioni, investimenti venture capital) in un unico indicatore, normalizzato al 2010. Entro il 2017, l'indice era cresciuto di circa 7–9 volte rispetto al valore base del 2010, principalmente grazie alla crescita dei finanziamenti venture capital^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-AIIndex2018-1)}. ## Sezione 6. Iniziative governative Il rapporto includeva per la prima volta una rassegna delle iniziative governative nel campo dell'IA per tre regioni^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-AIIndex2018-1)[\[24\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-Dutton2018-24)}: ### Stati Uniti Nell'ottobre 2016, l'amministrazione Obama ha proposto una strategia nazionale sull'IA e pubblicato il primo rapporto politico sulla preparazione al futuro dell'IA (*Preparing for the Future of Artificial Intelligence*). Nel maggio 2018, l'amministrazione Trump ha tenuto il Summit sull'IA e creato il Comitato speciale sull'intelligenza artificiale. Nel settembre 2018, la DARPA ha annunciato un piano di investimenti superiori a 2 miliardi di dollari nel programma AI Next. Le aziende private svolgevano un ruolo centrale: nel 2017, Amazon e Alphabet hanno investito rispettivamente 16,1 e 13,9 miliardi di dollari in R&D — significativamente più del budget combinato di NSF, DARPA e DOT (~5,3 miliardi di dollari)^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-AIIndex2018-1)}. ### Europa Nell'aprile 2018, gli Stati membri dell'UE hanno firmato la Dichiarazione di cooperazione nel campo dell'IA, e la Commissione europea ha stanziato 1,5 miliardi di euro per sostenere la ricerca sull'IA nel 2018–2020 (in aggiunta a 2,6 miliardi di euro dal programma Horizon 2020). L'obiettivo era attrarre 20 miliardi di euro di investimenti nell'IA nell'arco di 10 anni. Il Regno Unito ha pubblicato l'AI Sector Deal con investimenti per 950 milioni di sterline. La Francia ha pubblicato tre rapporti, tra cui la «Mission Villani», dedicata alla politica, alla prevenzione della fuga di cervelli e alla diversità nell'IA^{[\[25\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-EC2018-25)}. ### Cina Dal 2014, il governo cinese ha avviato una serie di iniziative nazionali con l'obiettivo di creare un mercato dell'IA del valore di 14,7 miliardi di dollari entro il 2018 e garantire la leadership mondiale della Cina nell'IA entro il 2030. Il documento chiave è stato il «Piano di sviluppo dell'IA di nuova generazione» (luglio 2017), che prevedeva il raggiungimento del livello dei paesi più avanzati entro il 2020, importanti innovazioni entro il 2025 e lo status di centro mondiale dell'innovazione nell'IA entro il 2030^{[\[26\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-ChinaAI2017-26)}. ## Sezione 7. Risultati a livello delle capacità umane Il rapporto ha proseguito la cronologia dei casi in cui l'IA ha raggiunto o superato il livello umano. Nel 2018 sono stati aggiunti quattro nuovi risultati^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-AIIndex2018-1)}: | Anno | Risultato | Descrizione | |----------|----------------------------------------|----------------------------------------------------------------------------------------------------------------------------------------| | 1980 | Othello | Il programma BILL (Ku-Fu Lee e S. Mahajan) sconfigge il miglior giocatore americano; nel 1997 Logistello batterà il campione del mondo | | 1995 | Dama | Il programma Chinook sconfigge il campione del mondo | | 1997 | Scacchi | IBM DeepBlue sconfigge Garry Kasparov | | 2011 | Jeopardy! | IBM Watson sconfigge i campioni Brad Rutter e Ken Jennings | | 2015 | Atari | DeepMind raggiunge il livello umano in 49 giochi Atari | | 2016 | Go | AlphaGo sconfigge Lee Sedol (4–1); AlphaGo Zero sconfigge AlphaGo 100–0 | | 2016 | Rilevamento di oggetti (ImageNet) | Il tasso di errore di classificazione si riduce dal 28% (2010) a meno del 3% con il livello umano a ~5% | | 2017 | Riconoscimento vocale (Switchboard) | Microsoft e IBM raggiungono un livello vicino all'accuratezza umana | | 2017 | Poker | Libratus (CMU) sconfigge quattro giocatori professionisti in 120 000 partite; DeepStack (Alberta) sconfigge 11 professionisti | | 2017 | Classificazione del cancro della pelle | Un sistema di IA (Esteva et al., Nature) raggiunge il livello di 21 dermatologi certificati | | 2017 | Ms. Pac-Man | Il team Maluuba (Microsoft) raggiunge il punteggio massimo di 999 900 su Atari 2600 | | **2018** | **Capture the Flag** | **L'agente DeepMind raggiunge il livello umano in una versione modificata di Quake III Arena CTF** | | **2018** | **Dota 2** | **OpenAI Five sconfigge team amatoriali (con limitazioni), ma cede ai professionisti** | | **2018** | **Grading del cancro alla prostata** | **Il sistema Google raggiunge un'accuratezza complessiva del 70% contro il 61% dei patologi** | | **2018** | **Traduzione cinese–inglese** | **Il sistema Microsoft raggiunge il livello umano sul dataset newstest2017** | Gli autori del rapporto hanno sottolineato che questi risultati non devono essere sopravvalutati: i compiti erano altamente specializzati e i risultati non testimoniavano la capacità dei sistemi di generalizzare^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-AIIndex2018-1)}. ## Sezione 8. Cosa manca? (What's Missing?) La sezione presentava le opinioni di tre esperti sulle direzioni di sviluppo dell'indice^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-AIIndex2018-1)}. **Francesca Rossi** (IBM, Università di Padova) ha proposto di aggiungere metriche per il ragionamento di buon senso (common sense reasoning), la comprensione profonda del linguaggio naturale, la collaborazione tra uomo e macchina (piuttosto che l'opposizione), nonché la combinazione del Machine Learning con l'IA simbolica e il ragionamento causale (causality)^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-AIIndex2018-1)}. **Rodney Brooks** (MIT) ha evidenziato i limiti della metrica dei robot industriali, nei quali spesso non sono presenti componenti di IA. Ha proposto di monitorare i robot con una componente di IA: droni (SLAM e altri algoritmi), robot domestici (Roomba) e potenziali robot sociali^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-AIIndex2018-1)}. **Toby Walsh** (UNSW Sydney, TU Berlin) ha indicato la necessità di metriche quantitative per misurare i crescenti investimenti pubblici e privati (Regno Unito — 1 miliardo di sterline, Francia — 1,5 miliardi di euro, Germania — 3 miliardi di euro, Alibaba — 15 miliardi di dollari), nonché per monitorare le applicazioni militari dell'IA, incluse le armi autonome^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-AIIndex2018-1)}. ## Metodologia Il rapporto ha utilizzato dati provenienti da molteplici fonti^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-AIIndex2018-1)}: - **Pubblicazioni:** Elsevier Scopus (~70 milioni di documenti, ~800 parole chiave sull'IA), arXiv.org. - **Conferenze:** AAAI, NeurIPS, ICML, CVPR, ICLR, IJCAI, ACL, ICRA, ICAPS, UAI, KR, AAMAS, WiML, AI4ALL. - **Corsi:** dati direttamente dagli atenei (17 università in 10 paesi). - **Startup e investimenti:** Sand Hill Econometrics (Dow Jones VentureSource), Crunchbase API. - **Offerte di lavoro:** Monster.com, Gartner TalentNeuron. - **Brevetti:** amplified (codici IPC: Cognition and meaning understanding, Human-interface technology). - **Adozione dell'IA:** McKinsey & Company (sondaggio a 2 135 intervistati). - **Rapporti aziendali:** Prattle (analisi dei testi dei rapporti sugli utili tramite FactSet). - **Robotica:** International Federation of Robotics (IFR), ROS.org. - **Media:** TrendKite (analisi del tono degli articoli). - **Governo:** Congressional Record (USA), Hansards (Regno Unito e Canada), McKinsey Global Institute. - **Benchmark:** ImageNet (LSVRC), COCO, Penn Treebank, WMT (EuroMatrix), ARC (Allen Institute for AI), GLUE. ## Gruppo di autori Il rapporto è stato redatto dal Comitato Direttivo AI Index presieduto da **Yoav Shoham** (Stanford University) con la partecipazione di **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) e **Barbara Grosz** (Harvard University). Project manager è stata **Zoe Bauer**. L'AI Index è nato inizialmente nell'ambito del progetto One Hundred Year Study on AI (AI100) ed è stato successivamente ospitato presso lo Stanford Institute HAI (Human-Centered AI)^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-AIIndex2018-1)}. ## Contesto e importanza L'AI Index Report 2018 ha rappresentato una tappa importante nello sviluppo del monitoraggio sistematico dei progressi dell'IA. Ha documentato una serie di momenti di svolta: il rapido sviluppo del deep learning e il suo dominio tra gli approcci all'IA, il passaggio della comunità della computer vision verso compiti più complessi dopo la «saturazione» di ImageNet, l'influenza rivoluzionaria del modello BERT sull'elaborazione del linguaggio naturale, nonché la crescita senza precedenti della partecipazione dell'industria allo sviluppo di sistemi di IA avanzati. Il rapporto ha anche documentato per la prima volta in modo sistematico la «gara» tra gli Stati nel finanziamento e nella pianificazione strategica dell'IA — una tendenza destinata a caratterizzare lo sviluppo del settore negli anni successivi^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_note-AIIndex2018-1)}. ## Riferimenti - Stanford HAI — AI Index (tutti i rapporti): https://aiindex.stanford.edu/report/ - AI Index 2018 Report (testo completo, PDF): https://aiindex.stanford.edu/wp-content/uploads/2019/01/2018-Artificial-Intelligence-Index.pdf - Elsevier Scopus — banca dati di pubblicazioni scientifiche: https://www.scopus.com/ - Elsevier AI Resource Center: https://www.elsevier.com/connect/the-rise-of-artificial-intelligence-in-6-charts - arXiv.org — archivio di preprint scientifici: https://arxiv.org/ - ImageNet (LSVRC): https://image-net.org/challenges/LSVRC/ - COCO — Common Objects in Context: https://cocodataset.org/ - GLUE Benchmark: https://gluebenchmark.com/ - ARC — AI2 Reasoning Challenge: https://allenai.org/data/arc - WMT — Workshop on Machine Translation / EuroMatrix: http://www.statmt.org/ - McKinsey & Company — AI Adoption Survey: https://www.mckinsey.com/featured-insights/artificial-intelligence - International Federation of Robotics: https://ifr.org/ - ROS.org — Robot Operating System: https://www.ros.org/ - Sand Hill Econometrics: https://www.sandhillecon.com/ - Partnership on AI: https://partnershiponai.org/ - Women in Machine Learning (WiML): https://wimlworkshop.org/ - AI4ALL: https://ai-4-all.org/ - Tim Dutton — Overview of National AI Strategies: https://medium.com/politics-ai/an-overview-of-national-ai-strategies-2a70ec6edfd - NLP Progress — monitoraggio dei progressi nell'NLP: https://nlpprogress.com/ ## Bibliografia - Shoham, Y., Perrault, R., Brynjolfsson, E., Clark, J., Manyika, J., Niebles, J.C., Lyons, T., Etchemendy, J., Grosz, B. and Bauer, Z. (2018). *The AI Index 2018 Annual Report*. AI Index Steering Committee, Human-Centered AI Initiative, Stanford University. https://aiindex.stanford.edu/wp-content/uploads/2019/01/2018-Artificial-Intelligence-Index.pdf - Elsevier (2018). *Artificial Intelligence: How knowledge is created, transferred, and used*. https://www.elsevier.com/connect/the-rise-of-artificial-intelligence-in-6-charts - Devlin, J. et al. (2018). *BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding*. https://arxiv.org/abs/1810.04805 - Wang, A. et al. (2018). *GLUE: A Multi-Task Benchmark and Analysis Platform for Natural Language Understanding*. https://arxiv.org/abs/1804.07461 - Clark, P. et al. (2018). *Think you have Solved Question Answering? Try ARC, the AI2 Reasoning Challenge*. https://arxiv.org/abs/1803.05457 - Esteva, A. et al. (2017). *Dermatologist-level classification of skin cancer with deep neural networks*. *Nature*, 542(7639). https://doi.org/10.1038/nature21056 - Silver, D. et al. (2017). *Mastering the game of Go without human knowledge*. *Nature*, 550(7676). https://doi.org/10.1038/nature24270 - Jaderberg, M. et al. (2018). *Human-level performance in first-person multiplayer games with population-based deep reinforcement learning*. https://arxiv.org/abs/1807.01281 - OpenAI (2018). *OpenAI Five*. https://openai.com/blog/openai-five/ - Hassan, H. et al. (2018). *Achieving Human Parity on Automatic Chinese to English News Translation*. https://arxiv.org/abs/1803.05567 - McKinsey & Company (2018). *Notes from the AI frontier: AI adoption advances, but foundational barriers remain*. https://www.mckinsey.com/featured-insights/artificial-intelligence/notes-from-the-ai-frontier-ai-adoption-advances-but-foundational-barriers-remain - International Federation of Robotics (2017). *World Robotics Report 2017*. https://ifr.org/worldrobotics/ - Dutton, T. (2018). *An Overview of National AI Strategies*. https://medium.com/politics-ai/an-overview-of-national-ai-strategies-2a70ec6edfd - State Council of the People's Republic of China (2017). *New Generation Artificial Intelligence Development Plan*. https://flia.org/notice-state-council-issuing-new-generation-artificial-intelligence-development-plan/ - European Commission (2018). *Communication on Artificial Intelligence for Europe*. https://ec.europa.eu/digital-single-market/en/artificial-intelligence - Russakovsky, O. et al. (2015). *ImageNet Large Scale Visual Recognition Challenge*. *International Journal of Computer Vision*, 115(3). https://doi.org/10.1007/s11263-015-0816-y - He, K. et al. (2015). *Deep Residual Learning for Image Recognition*. https://arxiv.org/abs/1512.03385 ## Note 1. ↑ ^{[1.00](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-AIIndex2018_1-0)} ^{[1.01](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-AIIndex2018_1-1)} ^{[1.02](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-AIIndex2018_1-2)} ^{[1.03](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-AIIndex2018_1-3)} ^{[1.04](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-AIIndex2018_1-4)} ^{[1.05](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-AIIndex2018_1-5)} ^{[1.06](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-AIIndex2018_1-6)} ^{[1.07](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-AIIndex2018_1-7)} ^{[1.08](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-AIIndex2018_1-8)} ^{[1.09](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-AIIndex2018_1-9)} ^{[1.10](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-AIIndex2018_1-10)} ^{[1.11](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-AIIndex2018_1-11)} ^{[1.12](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-AIIndex2018_1-12)} ^{[1.13](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-AIIndex2018_1-13)} ^{[1.14](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-AIIndex2018_1-14)} ^{[1.15](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-AIIndex2018_1-15)} ^{[1.16](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-AIIndex2018_1-16)} ^{[1.17](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-AIIndex2018_1-17)} ^{[1.18](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-AIIndex2018_1-18)} ^{[1.19](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-AIIndex2018_1-19)} ^{[1.20](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-AIIndex2018_1-20)} ^{[1.21](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-AIIndex2018_1-21)} ^{[1.22](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-AIIndex2018_1-22)} ^{[1.23](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-AIIndex2018_1-23)} ^{[1.24](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-AIIndex2018_1-24)} Shoham, Y., Perrault, R., Brynjolfsson, E., Clark, J., Manyika, J., Niebles, J.C., Lyons, T., Etchemendy, J., Grosz, B. and Bauer, Z. (2018). *The AI Index 2018 Annual Report*. AI Index Steering Committee, Human-Centered AI Initiative, Stanford University. https://aiindex.stanford.edu/wp-content/uploads/2019/01/2018-Artificial-Intelligence-Index.pdf 2. ↑ ^{[2.0](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-Scopus2018_2-0)} ^{[2.1](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-Scopus2018_2-1)} ^{[2.2](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-Scopus2018_2-2)} ^{[2.3](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-Scopus2018_2-3)} ^{[2.4](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-Scopus2018_2-4)} ^{[2.5](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-Scopus2018_2-5)} Elsevier (2018). *Artificial Intelligence: How knowledge is created, transferred, and used*. https://www.elsevier.com/connect/the-rise-of-artificial-intelligence-in-6-charts 3. [↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-arXiv2018_3-0) arXiv.org (2018). *Submission statistics*. https://arxiv.org/stats/yearly_submissions 4. [↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-AAAI2018_4-0) AAAI (2018). *AAAI 2018 Conference Proceedings*. https://aaai.org/aaai-conference/ 5. [↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-WiML2018_5-0) Women in Machine Learning (WiML) (2018). *Workshop data*. https://wimlworkshop.org/ 6. [↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-AI4ALL2018_6-0) AI4ALL (2018). *Program data*. https://ai-4-all.org/ 7. [↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-ROS2018_7-0) ROS.org (2018). *ROS Community Metrics Report*. https://metrics.ros.org/ 8. ↑ ^{[8.0](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-SandHill2018_8-0)} ^{[8.1](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-SandHill2018_8-1)} Sand Hill Econometrics (2018). *AI Startup and VC Funding Data*. Dow Jones VentureSource. 9. ↑ ^{[9.0](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-Monster2018_9-0)} ^{[9.1](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-Monster2018_9-1)} Monster.com / Gartner TalentNeuron (2018). *AI Job Openings Data*. https://www.monster.com/ 10. [↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-amplified2018_10-0) amplified (2018). *AI Patent Data*. https://www.amplified.ai/ 11. [↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-McKinsey2018_11-0) McKinsey & Company (2018). *Notes from the AI frontier: AI adoption advances, but foundational barriers remain*. https://www.mckinsey.com/featured-insights/artificial-intelligence/notes-from-the-ai-frontier-ai-adoption-advances-but-foundational-barriers-remain 12. [↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-Prattle2018_12-0) Prattle (2018). *Earnings call analysis data*. FactSet. 13. [↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-IFR2018_13-0) International Federation of Robotics (2018). *World Robotics Report 2017*. https://ifr.org/worldrobotics/ 14. [↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-GitHub2018_14-0) GitHub Archive / Google BigQuery (2018). *GitHub repository stars data*. https://github.com/ 15. [↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-TrendKite2018_15-0) TrendKite (2018). *Media sentiment analysis data*. https://www.trendkite.com/ 16. [↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-ImageNet2018_16-0) ImageNet (2018). *LSVRC leaderboard and validation results*. https://image-net.org/challenges/LSVRC/ 17. [↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-DAWNBench2018_17-0) DAWNBench / Stanford (2018). *ImageNet training time results*. https://dawn.cs.stanford.edu/benchmark/ 18. [↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-COCO2018_18-0) COCO (2018). *Instance Segmentation Leaderboard*. https://cocodataset.org/#detection-leaderboard 19. [↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-PennTreebank_19-0) Penn Treebank (2018). *Section 23 parsing results*. See NLPProgress: https://nlpprogress.com/english/constituency_parsing.html 20. [↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-WMT2018_20-0) Workshop on Machine Translation / EuroMatrix (2018). *WMT News Translation Task results*. http://www.statmt.org/wmt18/ 21. [↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-ARC2018_21-0) Clark, P. et al. (2018). *Think you have Solved Question Answering? Try ARC, the AI2 Reasoning Challenge*. https://arxiv.org/abs/1803.05457 22. [↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-GLUE2018_22-0) Wang, A. et al. (2018). *GLUE: A Multi-Task Benchmark and Analysis Platform for Natural Language Understanding*. https://arxiv.org/abs/1804.07461 23. [↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-BERT2018_23-0) Devlin, J. et al. (2018). *BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding*. https://arxiv.org/abs/1810.04805 24. [↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-Dutton2018_24-0) Dutton, T. (2018). *An Overview of National AI Strategies*. https://medium.com/politics-ai/an-overview-of-national-ai-strategies-2a70ec6edfd 25. [↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-EC2018_25-0) European Commission (2018). *Communication on Artificial Intelligence for Europe*. https://ec.europa.eu/digital-single-market/en/artificial-intelligence 26. [↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(IT)#cite_ref-ChinaAI2017_26-0) State Council of the People's Republic of China (2017). *New Generation Artificial Intelligence Development Plan*. https://flia.org/notice-state-council-issuing-new-generation-artificial-intelligence-development-plan/