--- title: "The 2018 AI Index Report (KO)" source: "https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)" wiki: "systems-analysis.info/int" article: "The_2018_AI_Index_Report_(KO)" language: "ko" categories: - "Category:Korean" - "Category:Machine learning" revision_id: 7940 wiki_created_at: 2026-09-07T01:09:18Z wiki_modified_at: 2026-09-07T01:09:18Z downloaded_at: 2026-09-07T23:21:49Z --- # The 2018 AI Index Report (KO) **AI Index Report 2018** — **AI Index**의 두 번째 연례 보고서로, 2018년 12월 스탠퍼드 대학교 산하 AI Index 운영위원회에 의해 작성되었습니다^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-AIIndex2018-1)}. AI Index 프로젝트의 미션은 인공지능에 관한 논의에 객관적인 데이터를 제공하는 것입니다. 2018년 보고서는 첫 번째 보고서(2017년)와 비교하여 글로벌 범위가 대폭 확장되었다는 점에서 차별화됩니다. 이전 보고서가 주로 북미 관련 사안에 초점을 맞췄다면, 2018년 판은 유럽, 중국, 한국, 일본 및 기타 세계 지역의 데이터를 포함하고자 합니다. 본 보고서는 AI 관련 데이터를 추적·정리·시각화하여 정책 입안자, 연구자, 경영진, 언론인 및 일반 대중에게 정보를 제공합니다. ## 보고서 구성 2018년 보고서는 네 가지 주요 섹션으로 구성됩니다^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-AIIndex2018-1)}: 1. **데이터: 활동 규모 (Volume of Activity)** — 논문 발표, 강좌 수강 신청, 학회 참석, 로봇공학 소프트웨어 다운로드, 스타트업 및 투자, 채용 공고, 특허, 기업 내 AI 도입, 실적 보고서 내 언급, 로봇 설치, 오픈소스 프로젝트, 대중의 관심. 2. **데이터: 기술적 성능 (Technical Performance)** — 컴퓨터 비전, 자연어 처리, 기계 번역, 질의응답 시스템. 3. **기타 지표 (Other Measures)** — 파생 지표, 정부 이니셔티브, 인간 수준의 능력 달성 사례. 4. **부록 (Appendix)** — 출처, 방법론 및 세부 사항에 대한 전체 설명. ## 주요 결론 2018년 보고서의 저자들은 다음과 같은 몇 가지 핵심 주장을 제시했습니다^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-AIIndex2018-1)}: ### AI는 글로벌 현상이다 2017년 Scopus 데이터베이스에 등재된 AI 논문의 83%는 미국 이외 지역의 저자들이 발표한 것입니다. 전체 AI 논문의 28%는 유럽에서 나왔으며, 이는 전 세계 모든 지역 중 가장 높은 수치입니다. AI 및 Machine Learning 강좌의 수강 신청이 전 세계적으로 증가했으며, 특히 중국 칭화 대학교에서 두드러졌는데, 2017년 AI 및 ML 강좌의 누적 수강 신청 수가 2010년 대비 16배에 달했습니다^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-AIIndex2018-1)}. ### AI 분야의 활동이 거의 모든 곳에서 증가하고 있다 논문 발표, 강좌, 학회, 스타트업, 벤처 투자, 특허 및 기타 지표에서 성장이 관찰됩니다. 기술적 성능은 모든 분야에서 향상되고 있습니다^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-AIIndex2018-1)}. ### Machine Learning이 AI의 하위 분야로서 지배적 위치를 차지하고 있다 2017년 Scopus의 AI 논문 중 56%가 '기계 학습 및 확률적 추론' 범주에 속했습니다(2010년의 28% 대비). ML 입문 강좌의 수강 신청 증가율은 AI 강좌 전체의 증가율보다 빨랐습니다. Machine Learning에 특화된 학회인 NeurIPS와 ICML은 참석자 수 증가율이 가장 높았습니다^{[\[2\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-Scopus2018-2)}. ### 성별 다양성은 여전히 심각한 문제로 남아 있다 주요 대학(UC Berkeley, Stanford, UIUC, CMU, University College London, Oxford, ETH Zurich)의 AI 교수 중 평균 80%가 남성이었습니다. 미국에서 AI 관련 채용 공고에 지원한 구직자의 평균 71%가 남성이었습니다^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-AIIndex2018-1)}. ## 섹션 1. 활동 규모: 연구 ### 논문 발표 Scopus 플랫폼의 AI 논문 수는 1996년 이후 7배 증가했으며, 같은 기간 컴퓨터 과학(Computer Science) 논문은 5배 증가했습니다. 이는 AI 논문 발표의 성장이 컴퓨터 과학에 대한 전반적인 관심뿐만 아니라 독자적인 역학에 의해서도 주도되고 있음을 시사합니다^{[\[2\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-Scopus2018-2)}. **지역별 분포.** 유럽은 AI 논문 수에서 지속적으로 가장 큰 지역으로 남아 있었습니다. 2017년 Scopus의 AI 논문 중 28%가 유럽 저자와 연관되었으며, 그 뒤를 중국(25%)과 미국(17%)이 이었습니다. 이 기간 동안 중국의 논문 수는 2007년부터 2017년까지 150% 증가했습니다^{[\[2\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-Scopus2018-2)}. **하위 범주.** 신경망 분야에서 가장 큰 성장이 관찰되었습니다. 연평균 성장률(CAGR)은 2010~2014년에 3%, 2014~2017년에 37%였습니다. arXiv 플랫폼의 논문도 급속한 성장을 보였으며, 컴퓨터 비전 및 패턴 인식은 2014년 이후 arXiv에서 가장 큰 AI 하위 범주가 되었습니다^{[\[3\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-arXiv2018-3)}. **섹터별 소속.** 중국 국가 기관과 연관된 AI 논문 수는 2007년부터 2017년까지 400% 증가한 반면, 중국의 기업 논문은 73%만 증가했습니다. 반면 미국에서는 기업 논문의 비중이 훨씬 높았습니다. 2017년 미국의 기업 AI 논문 비율은 중국보다 6.6배, 유럽보다 4.1배 높았습니다^{[\[2\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-Scopus2018-2)}. **피인용 수.** 미국 저자들의 피인용 수는 세계 평균보다 83% 높았습니다. 유럽은 논문 발표 수에서 선두를 달렸지만, 피인용 수는 세계 평균 수준에 머물렀습니다. 중국은 피인용 수를 크게 향상시켰으며, 2016년 중국 저자들의 피인용 수는 2000년 대비 44% 높았습니다^{[\[2\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-Scopus2018-2)}. **저자 이동성.** 이동성이 높은 저자(자국 지역 외에서 논문을 발표하는 저자)는 '정주형(sedentary)' 저자보다 피인용 수와 생산성이 높았습니다. 세 지역 중 중국의 정주형 저자 비율이 가장 높았으며(76%), 그 뒤를 유럽(52%)과 미국(38%)이 이었습니다^{[\[2\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-Scopus2018-2)}. **AAAI 학회.** 2018년 AAAI 학회에서 제출된 논문의 약 70%와 채택된 논문의 67%가 미국 또는 중국과 연관되었습니다. 중국이 가장 많은 논문을 제출했지만, 미국과 중국의 채택 논문 수는 거의 동일했습니다(각각 268편, 265편). 미국의 채택률은 29%, 중국은 21%였습니다^{[\[4\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-AAAI2018-4)}. ### 강좌 수강 신청 **미국 대학교.** 2017년 ML 입문 강좌의 수강 신청 수는 2012년 대비 5배였습니다. UC Berkeley에서는 6.8배 증가했습니다. 같은 기간 AI 입문 강좌의 수강 신청 수는 3.6배 증가했습니다. 이 기간 동안 Stanford와 Berkeley의 AI 및 ML 입문 강좌 수강생 중 74~79%가 남성이었습니다^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-AIIndex2018-1)}. **해외 대학교.** 2017년 칭화 대학교의 AI+ML 강좌 누적 수강 신청 수는 2010년 대비 16배를 초과했습니다. 에딘버러 대학교, USTC 및 SJTU(중국), PUC(칠레) 등 다른 대학에서도 성장이 관찰되었습니다^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-AIIndex2018-1)}. ### 학회 참석 **주요 학회.** NeurIPS와 ICML이 가장 큰 성장을 보였습니다. 2018년 NeurIPS의 참석자 수는 2012년 대비 4.8배, ICML은 6.8배였습니다. 이는 Machine Learning에 대한 지속적인 관심을 반영했습니다^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-AIIndex2018-1)}. **소규모 학회.** 2018년 ICLR(International Conference on Learning Representations)의 참석자 수는 2012년 대비 20배였으며, 이는 딥러닝과 Reinforcement Learning에 대한 높아진 관심의 결과로 보입니다^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-AIIndex2018-1)}. | 학회 | 참석자 수 (2018년, 추정) | 2012년 이후 증가율 | |---------|--------------------------|--------------------| | 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 | **포용 조직.** Women in Machine Learning(WiML) 세미나의 등록 수는 2014년 이후 600% 증가했습니다. AI 분야의 다양성 증진을 위한 이니셔티브인 AI4ALL의 졸업생 수는 2015년 이후 900% 증가했습니다^{[\[5\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-WiML2018-5)[\[6\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-AI4ALL2018-6)}. ### 로봇공학 소프트웨어 다운로드 ROS.org에서의 ROS(Robot Operating System) 패키지 고유 다운로드 수는 2014년 이후 567% 증가했습니다. 2017년 중국에서의 ROS.org 페이지 조회 수는 2012년 대비 18배였습니다^{[\[7\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-ROS2018-7)}. ### 학계의 성별 다양성 세계 7개 주요 대학의 AI 학과 분석 결과, AI 교수의 평균 80%가 남성인 것으로 나타났습니다. 분석 대상 대학에는 UC Berkeley, Stanford, UIUC, CMU, University College London, Oxford, ETH Zurich가 포함되었습니다. 지역 간 유의미한 차이는 발견되지 않았습니다^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-AIIndex2018-1)}. ## 섹션 2. 활동 규모: 산업 ### 스타트업 및 투자 미국에서 벤처 캐피털의 지원을 받는 활성 AI 스타트업의 수는 2015년 1월부터 2018년 1월까지 113% 증가한 반면, 전체 스타트업 수는 28%만 증가했습니다^{[\[8\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-SandHill2018-8)}. 미국 AI 스타트업에 대한 벤처 투자는 2013년부터 2017년까지 350% 증가한 반면, 같은 기간 전체 벤처 투자는 100% 증가했습니다^{[\[8\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-SandHill2018-8)}. ### 채용 공고 딥러닝(deep learning)은 수요가 가장 빠르게 증가한 기술이었습니다. 딥러닝 기술을 요구하는 채용 공고 수는 2015년부터 2017년까지 34배 증가했습니다. Machine Learning은 절대적인 수량 기준으로 가장 수요가 높은 기술로 남아 있었습니다^{[\[9\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-Monster2018-9)}. **성별 분포.** 미국의 AI 관련 채용 공고에 지원한 구직자 풀에서 평균 남성 비율은 71%였습니다. 딥러닝 및 로봇공학 관련 직위에서 성별 다양성이 가장 높게 나타났습니다^{[\[9\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-Monster2018-9)}. ### 특허 2014년 AI 분야 특허의 약 30%가 미국에서 등록되었으며, 그 뒤를 한국과 일본(각 16%)이 이었습니다. 한국과 대만은 가장 높은 성장률을 보였으며, 2014년 AI 특허 수가 2004년의 거의 5배에 달했습니다^{[\[10\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-amplified2018-10)}. ### 기업 내 AI 도입 McKinsey & Company의 설문 조사(응답자 2,135명)에 따르면, 가장 일반적인 AI 기술은 로봇 프로세스 자동화와 Machine Learning이었습니다. 조직들은 일반적으로 자사 산업에서 가장 높은 성과를 내는 비즈니스 기능에 AI를 도입했습니다. 금융 회사는 리스크 관리에, 자동차 회사는 생산에, 소매업은 마케팅 및 영업에 AI를 적극적으로 활용했습니다^{[\[11\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-McKinsey2018-11)}. | 지역 | 가장 인기 있는 AI 기능 (% 응답자) | |-----------------------|-----------------------------------------------| | 북미 | 프로세스 자동화 (23%), Machine Learning (23%) | | 유럽 | 프로세스 자동화 (27%), Machine Learning (21%) | | 신흥 시장 (중국 포함) | 컴퓨터 비전 (26%), 프로세스 자동화 (23%) | | 인도 | Machine Learning (25%), 프로세스 자동화 (30%) | ### 기업 보고서에서의 AI 언급 뉴욕 증권 거래소에 상장된 기업의 실적 보고서에서 '인공지능'과 '기계 학습'에 대한 언급이 2015년 이후 급격히 증가했습니다. IT 섹터에서는 NVIDIA가 AI 언급 수에서 선두를 차지했으며(2017년 93회), 그 뒤를 LivePerson(50회)과 Pegasystems(44회)가 이었습니다. ML 언급 수에서는 Alphabet이 선두(57회)였습니다^{[\[12\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-Prattle2018-12)}. ### 산업용 로봇 설치 중국은 2012년부터 2017년까지 연간 산업용 로봇 설치 수에서 500% 증가를 보였습니다. 한국과 유럽은 설치 수가 각각 105%, 122% 증가했습니다. 소규모 시장 중에서는 대만이 가장 많은 설치 수와 성장률을 보였습니다^{[\[13\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-IFR2018-13)}. ### 오픈소스 소프트웨어 GitHub 저장소의 스타(stars) 분석 결과, 대형 기업이 지원하는 프레임워크인 TensorFlow(Google), PyTorch(Facebook), MXNet(Amazon)의 인기가 크게 증가했습니다. TensorFlow는 인기도에서 다른 프레임워크를 크게 앞섰으며, 2018년까지 100,000개 이상의 스타를 달성했습니다^{[\[14\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-GitHub2018-14)}. ## 섹션 3. 활동 규모: 대중의 관심 ### 미디어 보도의 논조 '인공지능'이라는 용어를 포함하는 기사들은 덜 중립적이고 더 긍정적으로 변했습니다. 긍정적인 기사의 비율은 2016년 1월 12%에서 2016년 7월 30%로 증가했으며, 2018년까지 이 수준을 유지했습니다^{[\[15\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-TrendKite2018-15)}. ### 정부 문서에서의 언급 미국 의회, 캐나다 및 영국 의회 의사록에서 '인공지능'과 '기계 학습'에 대한 언급이 2016년 이후 급격히 증가했습니다. 주목할 만한 점은 '기계 학습'이 2016년 이전에는 의회 문서에서 거의 언급되지 않았다는 것입니다^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-AIIndex2018-1)}. ## 섹션 4. 기술적 성능 ### 컴퓨터 비전: ImageNet **정확도.** ImageNet의 성능은 2017년 공식 대회 종료 이후에도 계속 향상되었습니다. AI Index는 ImageNet 2012 검증 데이터셋 결과를 기준으로 진행 상황을 추적했습니다. 이미지 분류 정확도는 인간 수준(약 5% 오류율)을 크게 초과했습니다^{[\[16\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-ImageNet2018-16)}. **학습 속도.** ImageNet 이미지 분류를 위한 신경망 학습 시간은 약 60분(2017년 6월)에서 3.7분(2018년 11월)으로 단축되었으며, 이는 1년 반 만에 16배 빨라진 것입니다. 이는 알고리즘 혁신과 인프라(하드웨어 및 소프트웨어) 투자 모두를 반영합니다^{[\[17\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-DAWNBench2018-17)}. | 날짜 | ImageNet 학습 시간 | |-------------|--------------------| | 2017년 6월 | ~60분 | | 2017년 11월 | ~30분 | | 2017년 11월 | ~15분 | | 2018년 7월 | ~6.6분 | | 2018년 11월 | ~3.7분 | ### 컴퓨터 비전: COCO 객체 분할을 위한 COCO(Common Objects in Context) 대회에서 최고 평균 정밀도는 2015년부터 2018년까지 72% 증가했습니다(0.28에서 0.48로). 컴퓨터 비전 커뮤니티는 상대적으로 단순한 작업(분류)에서 더 복잡한 작업(픽셀 수준의 객체 위치 파악, 의미론적 분할)으로 이동했습니다^{[\[18\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-COCO2018-18)}. ### 자연어 처리: 파싱 문장 구문 파싱(Penn Treebank)의 F1 지표는 2003년부터 2018년까지 9 퍼센트 포인트 증가했습니다(~86%에서 ~95%로). 파싱은 프로그래밍 언어 파싱과 유사한 방법에서 딥러닝 기반 방법으로 거의 완전히 전환되었습니다^{[\[19\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-PennTreebank-19)}. ### 기계 번역 WMT 대회에서 영어-독일어 번역의 BLEU 점수는 2008년 대비 3.5배 증가했으며, 독일어-영어 번역은 2.5배 증가했습니다. 이 진전은 Transformer 아키텍처와 더 효율적인 데이터 활용에 의해 주도되었습니다^{[\[20\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-WMT2018-20)}. ### 질의응답 시스템: ARC 2018년 4월 Allen Institute for AI가 출시한 AI2 Reasoning Challenge(ARC) benchmark에서, Challenge Set(미국 3~9학년 수준의 어려운 질문)의 성능은 2018년 4월부터 11월까지 27%에서 42%로 향상되었고, Easy Set은 63%에서 69%로 향상되었습니다^{[\[21\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-ARC2018-21)}. ### 질의응답 시스템: GLUE 2018년 5월에 출시된 GLUE(General Language Understanding Evaluation) benchmark는 9개의 하위 작업에서 자연어 이해 시스템을 테스트하도록 설계되었습니다. benchmark가 반년도 채 존재하지 않았음에도 불구하고, 성능은 이미 처음 발표된 기준 점수와 추정 인간 수준(~90%) 사이의 간격을 약 절반 정도 좁혔습니다. Google의 BERT 모델은 새로운 기준이 되었으며, 출시 첫 달에 8번 인용되었습니다^{[\[22\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-GLUE2018-22)[\[23\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-BERT2018-23)}. ## 섹션 5. 파생 지표 ### 학계-산업계 역학 AI 분야에서 학계와 산업계 활동 간의 관계를 연구하기 위해, 저자들은 세 가지 정규화된 지표, 즉 Scopus 논문 발표, 미국 대학의 AI/ML 강좌 수강 신청, AI 스타트업에 대한 벤처 투자를 비교했습니다. 세 가지 지표 모두 2010년 이후 성장을 보였지만, 벤처 투자는 다른 지표보다 훨씬 빠르게 성장했습니다^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-AIIndex2018-1)}. ### AI 활력 지수 (AI Vibrancy Index) 활력 지수는 세 가지 지표(논문 발표, 수강 신청, 벤처 투자)를 2010년을 기준으로 정규화한 단일 지표로 집계했습니다. 2017년까지 지수는 2010년 기준값 대비 약 7~9배 성장했으며, 이는 주로 벤처 투자 성장에 기인했습니다^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-AIIndex2018-1)}. ## 섹션 6. 정부 이니셔티브 이 보고서에는 처음으로 세 지역의 AI 분야 정부 이니셔티브에 대한 개요가 포함되었습니다^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-AIIndex2018-1)[\[24\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-Dutton2018-24)}: ### 미국 2016년 10월 오바마 행정부는 국가 AI 전략을 제안하고 AI의 미래를 준비하기 위한 첫 번째 정책 보고서(*Preparing for the Future of Artificial Intelligence*)를 발표했습니다. 2018년 5월 트럼프 행정부는 AI 정상회담을 개최하고 인공지능 특별위원회를 창설했습니다. 2018년 9월 DARPA는 AI Next 프로그램에 20억 달러 이상을 투자하는 계획을 발표했습니다. 민간 기업이 중심적인 역할을 했습니다. 2017년 Amazon과 Alphabet은 R&D에 각각 161억 달러와 139억 달러를 투자했으며, 이는 NSF, DARPA, DOT의 합산 예산(~53억 달러)을 훨씬 상회합니다^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-AIIndex2018-1)}. ### 유럽 2018년 4월 EU 회원국들은 AI 협력 선언에 서명했으며, 유럽위원회는 2018~2020년 AI 연구 지원을 위해 15억 유로를 배정했습니다(Horizon 2020 프로그램의 26억 유로에 추가). 목표는 10년 내에 AI에 200억 유로의 투자를 유치하는 것이었습니다. 영국은 9억 5천만 파운드의 투자를 포함한 AI Sector Deal을 발표했습니다. 프랑스는 AI 정책, 두뇌 유출 방지, 다양성에 관한 'Mission Villani'를 포함한 세 편의 보고서를 발표했습니다^{[\[25\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-EC2018-25)}. ### 중국 2014년 이후 중국 정부는 2018년까지 147억 달러 규모의 AI 시장을 창출하고 2030년까지 중국의 AI 세계 리더십을 확보하기 위한 일련의 국가 이니셔티브를 시작했습니다. 핵심 문서는 2020년까지 선진국 수준 달성, 2025년까지 주요 돌파구 마련, 2030년까지 세계 AI 혁신 중심지 지위 확보를 목표로 하는 '차세대 AI 개발 계획'(2017년 7월)이었습니다^{[\[26\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-ChinaAI2017-26)}. ## 섹션 7. 인간 수준 능력 달성 사례 이 보고서는 AI가 인간 수준에 도달하거나 초월한 사례의 연대기를 이어갔습니다. 2018년에는 네 가지 새로운 사례가 추가되었습니다^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-AIIndex2018-1)}: | 연도 | 달성 사례 | 설명 | |----------|-------------------------|--------------------------------------------------------------------------------------------------------------------| | 1980 | Othello | BILL 프로그램(Ku-Fu Lee와 S. Mahajan)이 미국 최고의 선수를 이겼으며, 1997년 Logistello가 세계 챔피언을 상대로 승리 | | 1995 | 체커 | Chinook 프로그램이 세계 챔피언을 이김 | | 1997 | 체스 | IBM DeepBlue가 가리 카스파로프를 이김 | | 2011 | Jeopardy! | IBM Watson이 챔피언 Brad Rutter와 Ken Jennings를 이김 | | 2015 | Atari | DeepMind가 49개 Atari 게임에서 인간 수준 달성 | | 2016 | 바둑 | AlphaGo가 이세돌을 이김(4–1); AlphaGo Zero가 AlphaGo를 100–0으로 이김 | | 2016 | 객체 감지 (ImageNet) | 분류 오류율이 2010년 28%에서 인간 수준인 ~5% 미만으로 감소 | | 2017 | 음성 인식 (Switchboard) | Microsoft와 IBM이 인간 정확도에 근접한 수준 달성 | | 2017 | 포커 | Libratus(CMU)가 120,000번의 게임에서 4명의 전문 선수를 이김; DeepStack(앨버타)이 11명의 전문가를 이김 | | 2017 | 피부암 분류 | AI 시스템(Esteva et al., Nature)이 21명의 공인 피부과 전문의 수준 달성 | | 2017 | Ms. Pac-Man | Maluuba(Microsoft) 팀이 Atari 2600에서 최고 점수 999,900점 달성 | | **2018** | **Capture the Flag** | **DeepMind 에이전트가 수정된 Quake III Arena CTF 버전에서 인간 수준 달성** | | **2018** | **Dota 2** | **OpenAI Five가 아마추어 팀을 이겼지만(제한 조건 하에) 프로 선수들에게는 패배** | | **2018** | **전립선암 등급 판정** | **Google 시스템이 병리학자의 61% 대비 70%의 전반적 정확도 달성** | | **2018** | **중국어-영어 번역** | **Microsoft 시스템이 newstest2017 데이터셋에서 인간 수준 달성** | 보고서 저자들은 이러한 결과를 과대평가해서는 안 된다고 강조했습니다. 이 작업들은 매우 특화된 것이었으며, 이러한 성과들이 시스템의 일반화 능력을 입증하지는 않는다고 설명했습니다^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-AIIndex2018-1)}. ## 섹션 8. 무엇이 빠져 있는가? (What's Missing?) 이 섹션은 지수 개발 방향에 관한 세 전문가의 의견을 제시했습니다^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-AIIndex2018-1)}. **Francesca Rossi**(IBM, 파도바 대학교)는 상식적 추론(common sense reasoning), 자연어에 대한 깊은 이해, 대결이 아닌 인간-기계 협업, Machine Learning과 기호 AI의 결합, 인과 추론(causality)에 대한 지표 추가를 제안했습니다^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-AIIndex2018-1)}. **Rodney Brooks**(MIT)는 AI 구성 요소가 없는 경우가 많은 산업용 로봇 지표의 한계에 주목했습니다. 그는 AI 구성 요소를 갖춘 로봇, 즉 드론(SLAM 및 기타 알고리즘), 가정용 로봇(Roomba), 잠재적인 소셜 로봇을 추적할 것을 제안했습니다^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-AIIndex2018-1)}. **Toby Walsh**(UNSW Sydney, TU Berlin)는 증가하는 국가 및 민간 투자(영국 10억 파운드, 프랑스 15억 유로, 독일 30억 유로, Alibaba 150억 달러)를 측정하기 위한 정량적 지표의 필요성과 자율 무기를 포함한 AI의 군사적 응용을 추적하기 위한 지표의 필요성을 지적했습니다^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-AIIndex2018-1)}. ## 방법론 이 보고서는 여러 출처의 데이터를 활용했습니다^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-AIIndex2018-1)}: - **논문 발표:** Elsevier Scopus(약 7천만 건의 문서, AI 관련 키워드 약 800개), arXiv.org. - **학회:** AAAI, NeurIPS, ICML, CVPR, ICLR, IJCAI, ACL, ICRA, ICAPS, UAI, KR, AAMAS, WiML, AI4ALL. - **강좌:** 10개국 17개 대학에서 직접 수집한 데이터. - **스타트업 및 투자:** Sand Hill Econometrics(Dow Jones VentureSource), Crunchbase API. - **채용 공고:** Monster.com, Gartner TalentNeuron. - **특허:** amplified(IPC 코드: 인지 및 의미 이해, 인간-인터페이스 기술). - **AI 도입:** McKinsey & Company(응답자 2,135명 설문 조사). - **기업 보고서:** Prattle(FactSet의 실적 보고서 텍스트 분석). - **로봇공학:** International Federation of Robotics(IFR), ROS.org. - **미디어:** TrendKite(기사 논조 분석). - **정부:** Congressional Record(미국), Hansards(영국 및 캐나다), McKinsey Global Institute. - **benchmark:** ImageNet(LSVRC), COCO, Penn Treebank, WMT(EuroMatrix), ARC(Allen Institute for AI), GLUE. ## 저자진 이 보고서는 **요아브 쇼함**(Yoav Shoham, Stanford University)이 의장을 맡은 AI Index 운영위원회가 **레이먼드 페로**(Raymond Perrault, SRI International), **에릭 브린욜프슨**(Erik Brynjolfsson, MIT), **잭 클라크**(Jack Clark, OpenAI), **제임스 매니카**(James Manyika, McKinsey Global Institute), **후안 카를로스 니블레스**(Juan Carlos Niebles, Stanford University), **테라 라이언스**(Terah Lyons, Partnership on AI), **존 에체멘디**(John Etchemendy, Stanford University), **바바라 그로스**(Barbara Grosz, Harvard University)의 참여 하에 작성했습니다. 프로젝트 매니저는 **조이 바우어**(Zoe Bauer)였습니다. AI Index는 원래 One Hundred Year Study on AI(AI100) 프로젝트의 일환으로 시작되었으며, 이후 스탠퍼드 HAI(Human-Centered AI) 연구소에 소속되었습니다^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-AIIndex2018-1)}. ## 맥락과 의의 AI Index Report 2018은 AI 발전의 체계적인 모니터링에서 중요한 이정표가 되었습니다. 이 보고서는 여러 전환점을 기록했습니다. 딥러닝의 급속한 발전과 AI 접근 방식에서의 지배적 위치, ImageNet '포화' 이후 컴퓨터 비전 커뮤니티의 더 복잡한 작업으로의 전환, 자연어 처리에 대한 BERT 모델의 혁명적 영향, 그리고 첨단 AI 시스템 개발에 대한 산업계 참여의 전례 없는 성장 등이 포함됩니다. 또한 이 보고서는 AI 자금 지원과 전략적 계획에서 국가 간 '경쟁'을 처음으로 체계적으로 기록했으며, 이 경향은 이후 수년간 산업 발전을 규정하게 될 것입니다^{[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_note-AIIndex2018-1)}. ## 참고 링크 - Stanford HAI — AI Index (전체 보고서): https://aiindex.stanford.edu/report/ - AI Index 2018 Report (전문, PDF): https://aiindex.stanford.edu/wp-content/uploads/2019/01/2018-Artificial-Intelligence-Index.pdf - Elsevier Scopus — 과학 출판물 데이터베이스: https://www.scopus.com/ - Elsevier AI Resource Center: https://www.elsevier.com/connect/the-rise-of-artificial-intelligence-in-6-charts - arXiv.org — 과학 프리프린트 아카이브: 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 도입 설문 조사: 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 — 국가 AI 전략 개요: https://medium.com/politics-ai/an-overview-of-national-ai-strategies-2a70ec6edfd - NLP Progress — NLP 발전 추적: https://nlpprogress.com/ ## 참고 문헌 - 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 ## 주석 1. ↑ ^{[1.00](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_ref-AIIndex2018_1-0)} ^{[1.01](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_ref-AIIndex2018_1-1)} ^{[1.02](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_ref-AIIndex2018_1-2)} ^{[1.03](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_ref-AIIndex2018_1-3)} ^{[1.04](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_ref-AIIndex2018_1-4)} ^{[1.05](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_ref-AIIndex2018_1-5)} ^{[1.06](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_ref-AIIndex2018_1-6)} ^{[1.07](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_ref-AIIndex2018_1-7)} ^{[1.08](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_ref-AIIndex2018_1-8)} ^{[1.09](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_ref-AIIndex2018_1-9)} ^{[1.10](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_ref-AIIndex2018_1-10)} ^{[1.11](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_ref-AIIndex2018_1-11)} ^{[1.12](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_ref-AIIndex2018_1-12)} ^{[1.13](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_ref-AIIndex2018_1-13)} ^{[1.14](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_ref-AIIndex2018_1-14)} ^{[1.15](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_ref-AIIndex2018_1-15)} ^{[1.16](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_ref-AIIndex2018_1-16)} ^{[1.17](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_ref-AIIndex2018_1-17)} ^{[1.18](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_ref-AIIndex2018_1-18)} ^{[1.19](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_ref-AIIndex2018_1-19)} ^{[1.20](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_ref-AIIndex2018_1-20)} ^{[1.21](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_ref-AIIndex2018_1-21)} ^{[1.22](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_ref-AIIndex2018_1-22)} ^{[1.23](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_ref-AIIndex2018_1-23)} ^{[1.24](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#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_(KO)#cite_ref-Scopus2018_2-0)} ^{[2.1](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_ref-Scopus2018_2-1)} ^{[2.2](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_ref-Scopus2018_2-2)} ^{[2.3](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_ref-Scopus2018_2-3)} ^{[2.4](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#cite_ref-Scopus2018_2-4)} ^{[2.5](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#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_(KO)#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_(KO)#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_(KO)#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_(KO)#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_(KO)#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_(KO)#cite_ref-SandHill2018_8-0)} ^{[8.1](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#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_(KO)#cite_ref-Monster2018_9-0)} ^{[9.1](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#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_(KO)#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_(KO)#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_(KO)#cite_ref-Prattle2018_12-0) Prattle (2018). *Earnings call analysis data*. FactSet. 13. [↑](https://systems-analysis.info/int/The_2018_AI_Index_Report_(KO)#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_(KO)#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_(KO)#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_(KO)#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_(KO)#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_(KO)#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_(KO)#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_(KO)#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_(KO)#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_(KO)#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_(KO)#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_(KO)#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_(KO)#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_(KO)#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/