---
title: "The 2018 AI Index Report (PL)"
source: "https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)"
wiki: "systems-analysis.info/int"
article: "The_2018_AI_Index_Report_(PL)"
language: "pl"
categories:
  - "Category:Machine learning"
  - "Category:Polish"
revision_id: 7942
wiki_created_at: 2026-09-07T01:09:20Z
wiki_modified_at: 2026-09-07T01:09:20Z
downloaded_at: 2026-09-07T23:21:51Z
---

# The 2018 AI Index Report (PL)

**AI Index Report 2018** — drugie coroczne wydanie raportu **AI Index**, przygotowane przez Komitet Sterujący AI Index przy Uniwersytecie Stanforda w grudniu 2018 roku<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-AIIndex2018-1)</sup>. Misją projektu AI Index jest zapewnienie dyskusji o sztucznej inteligencji obiektywnych danych. Raport z 2018 roku różni się od pierwszego wydania (2017) znaczącym rozszerzeniem zasięgu globalnego: o ile poprzedni raport był zorientowany głównie na problematykę północnoamerykańską, wydanie z 2018 roku dąży do uwzględnienia danych z Europy, Chin, Korei Południowej, Japonii i innych regionów świata. Raport śledzi, systematyzuje i wizualizuje dane związane ze sztuczną inteligencją, dostarczając informacji dla polityków, badaczy, menedżerów, dziennikarzy i szerokiej opinii publicznej.

## Struktura raportu

Raport z 2018 roku składa się z czterech głównych sekcji<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-AIIndex2018-1)</sup>:

1.  **Dane: wolumen aktywności (Volume of Activity)** — publikacje, rejestracje na kursy, uczestnictwo w konferencjach, pobieranie oprogramowania robotycznego, startupy i inwestycje, oferty pracy, patenty, wdrożenie AI w firmach, wzmianki w raportach o zyskach, instalacje robotów, projekty open source, zainteresowanie społeczne.
2.  **Dane: wydajność techniczna (Technical Performance)** — computer vision, przetwarzanie języka naturalnego, tłumaczenie maszynowe, systemy pytań i odpowiedzi.
3.  **Dodatkowe metryki (Other Measures)** — wskaźniki pochodne, inicjatywy rządowe, osiągnięcia na poziomie ludzkich zdolności.
4.  **Załącznik (Appendix)** — pełny opis źródeł, metodologii i niuansów.

## Kluczowe wnioski raportu

Autorzy raportu z 2018 roku sformułowali kilka głównych tez<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-AIIndex2018-1)</sup>:

### AI — zjawisko globalne

83% artykułów dotyczących AI w bazie danych Scopus za rok 2017 zostało opublikowanych przez autorów spoza USA. 28% wszystkich artykułów na temat AI przypadało na Europę — najwyższy wskaźnik spośród wszystkich regionów świata. Liczba studentów zapisujących się na kursy z zakresu AI i Machine Learning rosła na całym świecie, szczególnie wyraźnie — na Uniwersytecie Tsinghua (Chiny), gdzie łączna liczba rejestracji na kursy AI i ML w 2017 roku była 16 razy większa niż w 2010 roku<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-AIIndex2018-1)</sup>.

### Aktywność w dziedzinie AI rośnie niemal wszędzie

Wzrost obserwowany jest w publikacjach, kursach, konferencjach, startupach, finansowaniu venture capital, patentach i innych metrykach. Wydajność technologiczna poprawia się we wszystkich obszarach<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-AIIndex2018-1)</sup>.

### Machine Learning dominuje jako poddziedzina AI

W 2017 roku 56% artykułów dotyczących AI w Scopus należało do kategorii „Machine Learning i wnioskowanie probabilistyczne" (w porównaniu z 28% w 2010 roku). Liczba rejestracji na kursy wprowadzające do ML rosła szybciej niż na kursy AI ogólnie. Konferencje NeurIPS i ICML poświęcone Machine Learning notowały największy wzrost frekwencji<sup>[\[2\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-Scopus2018-2)</sup>.

### Różnorodność płci pozostaje poważnym problemem

Średnio 80% profesorów AI na czołowych uniwersytetach (UC Berkeley, Stanford, UIUC, CMU, University College London, Oxford, ETH Zurich) stanowili mężczyźni. Średnio 71% kandydatów ubiegających się o stanowiska związane z AI w USA stanowili mężczyźni<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-AIIndex2018-1)</sup>.

## Sekcja 1. Wolumen aktywności: Badania

### Publikacje

Liczba artykułów dotyczących AI na platformie Scopus wzrosła 7-krotnie od 1996 roku, podczas gdy artykuły z zakresu informatyki (Computer Science) wzrosły 5-krotnie w tym samym okresie. Świadczy to o tym, że wzrost publikacji dotyczących AI wynika nie tylko z ogólnego zainteresowania informatyką, lecz ma własną dynamikę<sup>[\[2\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-Scopus2018-2)</sup>.

**Rozkład regionalny.** Europa stale pozostawała największym regionem pod względem liczby publikacji w dziedzinie AI: w 2017 roku 28% artykułów dotyczących AI w Scopus było powiązanych z autorami europejskimi, za nimi plasowały się Chiny (25%) i USA (17%). Liczba publikacji z Chin wzrosła o 150% w latach 2007–2017<sup>[\[2\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-Scopus2018-2)</sup>.

**Podkategorie.** Największy wzrost odnotowano w kategorii sieci neuronowych: średnioroczne tempo wzrostu (CAGR) wynosiło 3% w latach 2010–2014 i 37% w latach 2014–2017. Artykuły na platformie arXiv również wykazywały dynamiczny wzrost: computer vision i rozpoznawanie wzorców stały się największą podkategorią AI na arXiv od 2014 roku<sup>[\[3\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-arXiv2018-3)</sup>.

**Przynależność sektorowa.** Liczba artykułów dotyczących AI powiązanych z chińskimi organizacjami rządowymi wzrosła o 400% w latach 2007–2017, podczas gdy publikacje korporacyjne z Chin wzrosły jedynie o 73%. W USA udział publikacji korporacyjnych był znacznie wyższy: w 2017 roku proporcja korporacyjnych artykułów dotyczących AI w USA była 6,6 razy większa niż w Chinach i 4,1 razy większa niż w Europie<sup>[\[2\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-Scopus2018-2)</sup>.

**Cytowalność.** Autorzy z USA byli cytowani o 83% częściej niż średnia światowa. Choć Europa prowadziła pod względem bezwzględnej liczby publikacji, jej wskaźnik cytowalności pozostawał na poziomie średniej światowej. Chiny znacząco poprawiły swoją cytowalność: w 2016 roku chińscy autorzy byli cytowani o 44% częściej niż w 2000 roku<sup>[\[2\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-Scopus2018-2)</sup>.

**Mobilność autorów.** Mobilni autorzy (publikujący poza swoim macierzystym regionem) wykazywali wyższą cytowalność i produktywność w porównaniu z autorami „osiadłymi" (sedentary). Spośród trzech regionów Chiny miały największy udział autorów osiadłych (76%), za nimi plasowała się Europa (52%) i USA (38%)<sup>[\[2\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-Scopus2018-2)</sup>.

**Konferencja AAAI.** Na konferencji AAAI 2018 około 70% złożonych i 67% przyjętych artykułów było powiązanych z USA lub Chinami. Choć Chiny złożyły największą liczbę artykułów, USA i Chiny miały niemal jednakową liczbę przyjętych prac (odpowiednio 268 i 265). Wskaźnik przyjęć dla USA wyniósł 29%, dla Chin — 21%<sup>[\[4\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-AAAI2018-4)</sup>.

### Rejestracje na kursy

**Uniwersytety USA.** Liczba rejestracji na kursy wprowadzające do ML w 2017 roku była 5 razy większa niż w 2012 roku. Na UC Berkeley wzrost wyniósł 6,8 razy. Liczba rejestracji na kursy wprowadzające do AI wzrosła 3,6 razy w tym samym okresie. Przy tym 74–79% studentów na kursach wprowadzających do AI i ML na Stanford i Berkeley stanowili mężczyźni<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-AIIndex2018-1)</sup>.

**Uniwersytety międzynarodowe.** Łączna liczba rejestracji na kursy AI+ML na Uniwersytecie Tsinghua w 2017 roku przewyższała wskaźnik z 2010 roku 16-krotnie. Wzrost odnotowano również na Uniwersytecie w Edynburgu, USTC i SJTU (Chiny), PUC (Chile) i innych uczelniach<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-AIIndex2018-1)</sup>.

### Uczestnictwo w konferencjach

**Główne konferencje.** NeurIPS i ICML odnotowały największy wzrost: w 2018 roku frekwencja na NeurIPS była 4,8 razy wyższa niż w 2012 roku, a na ICML — 6,8 razy. Odzwierciedlało to utrzymujące się zainteresowanie Machine Learning<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-AIIndex2018-1)</sup>.

**Mniejsze konferencje.** Frekwencja na ICLR (International Conference on Learning Representations) w 2018 roku była 20 razy wyższa niż w 2012 roku — prawdopodobnie w wyniku rosnącego zainteresowania deep learning i Reinforcement Learning<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-AIIndex2018-1)</sup>.

| Konferencja | Frekwencja (2018, przybliżona) | Wzrost od 2012 roku |
|-------------|--------------------------------|---------------------|
| 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                |

**Organizacje na rzecz inkluzji.** Liczba rejestracji na warsztaty Women in Machine Learning (WiML) wzrosła o 600% od 2014 roku. Liczba absolwentów AI4ALL (inicjatywa na rzecz zwiększenia różnorodności w AI) wzrosła o 900% od 2015 roku<sup>[\[5\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-WiML2018-5)[\[6\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-AI4ALL2018-6)</sup>.

### Pobieranie oprogramowania robotycznego

Unikalne pobrania pakietów ROS (Robot Operating System) ze strony ROS.org wzrosły o 567% od 2014 roku. Liczba odsłon strony ROS.org z Chin w 2017 roku była 18 razy wyższa niż w 2012 roku<sup>[\[7\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-ROS2018-7)</sup>.

### Różnorodność płci w środowisku akademickim

Analiza wydziałów AI na siedmiu czołowych uniwersytetach świata wykazała, że średnio 80% profesorów AI stanowili mężczyźni. Wśród uczelni znalazły się UC Berkeley, Stanford, UIUC, CMU, University College London, Oxford i ETH Zurich. Nie stwierdzono istotnych różnic między regionami<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-AIIndex2018-1)</sup>.

## Sekcja 2. Wolumen aktywności: Przemysł

### Startupy i inwestycje

Liczba aktywnych startupów AI w USA wspieranych przez venture capital wzrosła o 113% od stycznia 2015 do stycznia 2018 roku, podczas gdy ogólna liczba startupów wzrosła jedynie o 28%<sup>[\[8\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-SandHill2018-8)</sup>.

Finansowanie venture capital startupów AI w USA wzrosło o 350% w latach 2013–2017, podczas gdy ogólne finansowanie venture capital wzrosło o 100% w tym samym okresie<sup>[\[8\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-SandHill2018-8)</sup>.

### Oferty pracy

Deep learning był umiejętnością o najszybszym wzroście popytu: liczba ofert pracy wymagających umiejętności z zakresu deep learning wzrosła 34-krotnie w latach 2015–2017. Machine Learning pozostawał najbardziej poszukiwaną umiejętnością pod względem wolumenu bezwzględnego<sup>[\[9\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-Monster2018-9)</sup>.

**Rozkład według płci.** Średnio mężczyźni stanowili 71% puli kandydatów ubiegających się o stanowiska związane z AI w USA. Największą różnorodność płci odnotowano wśród kandydatów na stanowiska związane z deep learning i robotyką<sup>[\[9\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-Monster2018-9)</sup>.

### Patenty

W 2014 roku około 30% patentów w dziedzinie AI zostało zarejestrowanych w USA, za którymi plasowały się Korea Południowa i Japonia (po 16%). Korea Południowa i Tajwan odnotowały największy wzrost: liczba patentów AI w 2014 roku była niemal 5 razy większa niż w 2004 roku<sup>[\[10\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-amplified2018-10)</sup>.

### Wdrożenie AI w firmach

Zgodnie z danymi z badania McKinsey & Company (2 135 respondentów), najpowszechniejszymi technologiami AI były robotyczna automatyzacja procesów i Machine Learning. Organizacje zazwyczaj wdrażały AI w tych funkcjach biznesowych, które przynosiły największy zwrot w ich branży: firmy finansowe aktywnie stosowały AI w zarządzaniu ryzykiem, motoryzacyjne — w produkcji, handel detaliczny — w marketingu i sprzedaży<sup>[\[11\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-McKinsey2018-11)</sup>.

| Region                         | Najpopularniejsze możliwości AI (% respondentów)   |
|--------------------------------|----------------------------------------------------|
| Ameryka Północna               | Robotyzacja procesów (23%), Machine Learning (23%) |
| Europa                         | Robotyzacja procesów (27%), Machine Learning (21%) |
| Rynki wschodzące (w tym Chiny) | Computer vision (26%), robotyzacja procesów (23%)  |
| Indie                          | Machine Learning (25%), robotyzacja procesów (30%) |

### Wzmianki o AI w raportach korporacyjnych

Wzmianki o „sztucznej inteligencji" i „Machine Learning" w raportach o zyskach spółek notowanych na Nowojorskiej Giełdzie Papierów Wartościowych gwałtownie wzrosły od 2015 roku. W sektorze IT liderem pod względem liczby wzmianek o AI została NVIDIA (93 wzmianki w 2017 roku), za nią plasowały się LivePerson (50) i Pegasystems (44). Pod względem liczby wzmianek o ML prowadził Alphabet (57)<sup>[\[12\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-Prattle2018-12)</sup>.

### Instalacja robotów przemysłowych

Chiny odnotowały 500-procentowy wzrost rocznych instalacji robotów przemysłowych w latach 2012–2017. Korea Południowa i Europa zwiększyły instalacje odpowiednio o 105% i 122%. Wśród mniejszych rynków Tajwan wykazał największy wolumen i wzrost<sup>[\[13\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-IFR2018-13)</sup>.

### Oprogramowanie open source

Analiza gwiazdek (stars) repozytoriów GitHub wykazała znaczący wzrost popularności frameworków wspieranych przez duże firmy: TensorFlow (Google), PyTorch (Facebook), MXNet (Amazon). TensorFlow znacznie wyprzedzał pozostałe frameworki pod względem popularności, osiągając ponad 100 000 gwiazdek do 2018 roku<sup>[\[14\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-GitHub2018-14)</sup>.

## Sekcja 3. Wolumen aktywności: Zainteresowanie społeczne

### Ton przekazu medialnego

Artykuły zawierające termin „sztuczna inteligencja" stały się mniej neutralne i bardziej pozytywne: udział artykułów pozytywnych wzrósł z 12% w styczniu 2016 roku do 30% w lipcu 2016 roku i utrzymywał się na tym poziomie do 2018 roku<sup>[\[15\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-TrendKite2018-15)</sup>.

### Wzmianki w dokumentach rządowych

Wzmianki o terminach „sztuczna inteligencja" i „Machine Learning" w stenogramach Kongresu USA, parlamentów Kanady i Wielkiej Brytanii gwałtownie wzrosły od 2016 roku. Warto zauważyć, że „Machine Learning" niemal nie pojawiało się w dokumentach parlamentarnych przed 2016 rokiem<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-AIIndex2018-1)</sup>.

## Sekcja 4. Wydajność techniczna

### Computer vision: ImageNet

**Dokładność.** Wydajność na ImageNet nadal rosła nawet po zakończeniu oficjalnego konkursu w 2017 roku. AI Index śledził postęp na podstawie wyników na zbiorze walidacyjnym ImageNet 2012. Dokładność klasyfikacji obrazów znacznie przekroczyła poziom ludzki (około 5% błędów)<sup>[\[16\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-ImageNet2018-16)</sup>.

**Szybkość uczenia.** Czas uczenia sieci neuronowej do klasyfikacji obrazów ImageNet skrócił się z około 60 minut (czerwiec 2017) do 3,7 minuty (listopad 2018) — przyspieszenie 16-krotne w ciągu półtora roku. Odzwierciedlało to zarówno innowacje algorytmiczne, jak i inwestycje w infrastrukturę (sprzęt i oprogramowanie)<sup>[\[17\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-DAWNBench2018-17)</sup>.

| Data          | Czas uczenia ImageNet |
|---------------|-----------------------|
| Czerwiec 2017 | ~60 minut             |
| Listopad 2017 | ~30 minut             |
| Listopad 2017 | ~15 minut             |
| Lipiec 2018   | ~6,6 minuty           |
| Listopad 2018 | ~3,7 minuty           |

### Computer vision: COCO

Na konkursie COCO (Common Objects in Context) w zakresie segmentacji obiektów najwyższa średnia dokładność wzrosła o 72% w latach 2015–2018 (z 0,28 do 0,48). Społeczność computer vision przeszła od stosunkowo prostych zadań (klasyfikacja) do bardziej złożonych (lokalizacja obiektów z dokładnością do piksela, segmentacja semantyczna)<sup>[\[18\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-COCO2018-18)</sup>.

### Przetwarzanie języka naturalnego: parsowanie

Metryka F1 dla syntaktycznego parsowania zdań (Penn Treebank) wzrosła o 9 punktów procentowych w latach 2003–2018 (z ~86% do ~95%). Parsowanie niemal całkowicie przeszło od metod analogicznych do parsowania języków programowania do metod opartych na deep learning<sup>[\[19\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-PennTreebank-19)</sup>.

### Tłumaczenie maszynowe

Wyniki BLEU dla tłumaczenia z angielskiego na niemiecki w konkursie WMT wzrosły 3,5-krotnie w porównaniu z 2008 rokiem; dla tłumaczenia z niemieckiego na angielski — 2,5-krotnie. Postęp był napędzany architekturą Transformer i bardziej efektywnym wykorzystaniem danych<sup>[\[20\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-WMT2018-20)</sup>.

### Systemy pytań i odpowiedzi: ARC

Na benchmarku AI2 Reasoning Challenge (ARC), opublikowanym przez Allen Institute for AI w kwietniu 2018 roku, wydajność na Challenge Set (trudne pytania na poziomie klas 3–9 amerykańskich szkół) poprawiła się z 27% do 42%, a na Easy Set — z 63% do 69% w okresie od kwietnia do listopada 2018 roku<sup>[\[21\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-ARC2018-21)</sup>.

### Systemy pytań i odpowiedzi: GLUE

Benchmark GLUE (General Language Understanding Evaluation), opublikowany w maju 2018 roku, był przeznaczony do testowania systemów rozumienia języka naturalnego w dziewięciu podzadaniach. Mimo że benchmark istniał krócej niż pół roku, wydajność zdążyła już zniwelować mniej więcej połowę luki między pierwszym opublikowanym wskaźnikiem bazowym a szacowanym poziomem ludzkim (~90%). Model BERT od Google stał się nowym standardem — cytowano go osiem razy w ciągu pierwszego miesiąca po wydaniu<sup>[\[22\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-GLUE2018-22)[\[23\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-BERT2018-23)</sup>.

## Sekcja 5. Metryki pochodne

### Dynamika „akademia — przemysł"

W celu zbadania zależności między aktywnością akademicką a przemysłową w dziedzinie AI autorzy zestawili trzy znormalizowane wskaźniki: publikacje w Scopus, rejestracje na kursy AI/ML na uniwersytetach USA i inwestycje venture capital w startupy AI. Wszystkie trzy metryki wykazywały wzrost począwszy od 2010 roku, jednak inwestycje venture capital rosły znacznie szybciej od pozostałych<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-AIIndex2018-1)</sup>.

### Indeks żywotności AI (AI Vibrancy Index)

Indeks żywotności agregował trzy metryki (publikacje, rejestracje, inwestycje venture capital) w jeden wskaźnik znormalizowany do 2010 roku. Do 2017 roku indeks wzrósł około 7–9 razy w stosunku do wartości bazowej z 2010 roku, głównie za sprawą wzrostu finansowania venture capital<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-AIIndex2018-1)</sup>.

## Sekcja 6. Inicjatywy rządowe

Raport po raz pierwszy zawierał przegląd inicjatyw rządowych w dziedzinie AI w trzech regionach<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-AIIndex2018-1)[\[24\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-Dutton2018-24)</sup>:

### USA

W październiku 2016 roku administracja Obamy zaproponowała narodową strategię AI i opublikowała pierwszy dokument polityczny dotyczący przygotowania na przyszłość AI (*Preparing for the Future of Artificial Intelligence*). W maju 2018 roku administracja Trumpa zorganizowała Szczyt AI i powołała Specjalny Komitet ds. Sztucznej Inteligencji. We wrześniu 2018 roku DARPA ogłosiło plan inwestycji przekraczających 2 mld dolarów w program AI Next. Prywatne firmy odgrywały centralną rolę: w 2017 roku Amazon i Alphabet zainwestowały odpowiednio 16,1 mld i 13,9 mld dolarów w R&D — znacznie więcej niż łączny budżet NSF, DARPA i DOT (~5,3 mld dolarów)<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-AIIndex2018-1)</sup>.

### Europa

W kwietniu 2018 roku państwa członkowskie UE podpisały Deklarację o współpracy w dziedzinie AI, a Komisja Europejska przeznaczyła 1,5 mld euro na wsparcie badań nad AI w latach 2018–2020 (dodatkowo do 2,6 mld euro z programu Horizon 2020). Celem było przyciągnięcie 20 mld euro inwestycji w AI w ciągu 10 lat. Wielka Brytania opublikowała AI Sector Deal z inwestycjami o wartości 950 mln funtów. Francja wydała trzy raporty, w tym „Mission Villani", poświęcony polityce, zapobieganiu drenażowi mózgów i różnorodności w AI<sup>[\[25\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-EC2018-25)</sup>.

### Chiny

Od 2014 roku chiński rząd uruchomił serię krajowych inicjatyw mających na celu stworzenie rynku AI o wartości 14,7 mld dolarów do 2018 roku i zapewnienie światowego przywództwa Chin w AI do 2030 roku. Kluczowym dokumentem był „Plan rozwoju AI nowej generacji" (lipiec 2017 roku), przewidujący osiągnięcie poziomu krajów przodujących do 2020 roku, duże przełomy do 2025 roku i status światowego centrum innowacji w AI do 2030 roku<sup>[\[26\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-ChinaAI2017-26)</sup>.

## Sekcja 7. Osiągnięcia na poziomie ludzkich zdolności

Raport kontynuował chronologię przypadków, w których AI osiągnęła lub przewyższyła poziom ludzki. W 2018 roku dodano cztery nowe osiągnięcia<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-AIIndex2018-1)</sup>:

| Rok      | Osiągnięcie                                   | Opis                                                                                                                           |
|----------|-----------------------------------------------|--------------------------------------------------------------------------------------------------------------------------------|
| 1980     | Othello                                       | Program BILL (Ku-Fu Lee i S. Mahajan) pokonuje najlepszego amerykańskiego gracza; w 1997 roku Logistello pokona mistrza świata |
| 1995     | Warcaby                                       | Program Chinook pokonuje mistrza świata                                                                                        |
| 1997     | Szachy                                        | IBM DeepBlue pokonuje Garriego Kasparowa                                                                                       |
| 2011     | Jeopardy!                                     | IBM Watson pokonuje mistrzów Brada Ruttera i Kena Jenningsa                                                                    |
| 2015     | Atari                                         | DeepMind osiąga poziom ludzki w 49 grach Atari                                                                                 |
| 2016     | Go                                            | AlphaGo pokonuje Lee Sedola (4–1); AlphaGo Zero pokonuje AlphaGo 100–0                                                         |
| 2016     | Wykrywanie obiektów (ImageNet)                | Błąd klasyfikacji obniżony z 28% (2010) do poniżej 3% przy ludzkim poziomie ~5%                                                |
| 2017     | Rozpoznawanie mowy (Switchboard)              | Microsoft i IBM osiągają poziom zbliżony do ludzkiej dokładności                                                               |
| 2017     | Poker                                         | Libratus (CMU) pokonuje czterech zawodowych graczy w 120 000 rozdaniach; DeepStack (Alberta) pokonuje 11 profesjonalistów      |
| 2017     | Klasyfikacja raka skóry                       | System AI (Esteva et al., Nature) osiąga poziom 21 certyfikowanych dermatologów                                                |
| 2017     | Ms. Pac-Man                                   | Zespół Maluuba (Microsoft) osiąga maksymalny wynik 999 900 na Atari 2600                                                       |
| **2018** | **Capture the Flag**                          | **Agent DeepMind osiąga poziom ludzki w zmodyfikowanej wersji Quake III Arena CTF**                                            |
| **2018** | **Dota 2**                                    | **OpenAI Five pokonuje drużyny amatorskie (z ograniczeniami), ale przegrywa z profesjonalistami**                              |
| **2018** | **Ocena stopnia zaawansowania raka prostaty** | **System Google osiąga ogólną dokładność 70% wobec 61% u patologów**                                                           |
| **2018** | **Tłumaczenie chińsko-angielskie**            | **System Microsoft osiąga poziom ludzki na zbiorze danych newstest2017**                                                       |

Autorzy raportu podkreślili, że tych wyników nie należy przeceniać: zadania miały wąskospecjalistyczny charakter, a osiągnięcia nie świadczyły o zdolności systemów do generalizacji<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-AIIndex2018-1)</sup>.

## Sekcja 8. Czego brakuje? (What's Missing?)

Sekcja przedstawiała opinie trzech ekspertów na temat kierunków rozwoju indeksu<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-AIIndex2018-1)</sup>.

**Francesca Rossi** (IBM, Uniwersytet w Padwie) zaproponowała dodanie metryk dla wnioskowania zdroworozsądkowego (common sense reasoning), głębokiego rozumienia języka naturalnego, współpracy człowieka z maszyną (zamiast ich przeciwstawiania), a także łączenia Machine Learning z symboliczną AI oraz wnioskowania przyczynowo-skutkowego (causality)<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-AIIndex2018-1)</sup>.

**Rodney Brooks** (MIT) zwrócił uwagę na ograniczoność metryki robotów przemysłowych, które często nie zawierają komponentów AI. Zaproponował śledzenie robotów z komponentem AI: dronów (SLAM i inne algorytmy), robotów domowych (Roomba) i potencjalnych robotów społecznych<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-AIIndex2018-1)</sup>.

**Toby Walsh** (UNSW Sydney, TU Berlin) wskazał na potrzebę ilościowych metryk do mierzenia rosnących inwestycji publicznych i prywatnych (Wielka Brytania — 1 mld funtów, Francja — 1,5 mld euro, Niemcy — 3 mld euro, Alibaba — 15 mld dolarów), a także do śledzenia militarnego zastosowania AI, w tym autonomicznej broni<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-AIIndex2018-1)</sup>.

## Metodologia

Raport korzystał z danych z wielu źródeł<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-AIIndex2018-1)</sup>:

- **Publikacje:** Elsevier Scopus (~70 mln dokumentów, ~800 słów kluczowych AI), arXiv.org.
- **Konferencje:** AAAI, NeurIPS, ICML, CVPR, ICLR, IJCAI, ACL, ICRA, ICAPS, UAI, KR, AAMAS, WiML, AI4ALL.
- **Kursy:** dane bezpośrednio od uniwersytetów (17 uczelni w 10 krajach).
- **Startupy i inwestycje:** Sand Hill Econometrics (Dow Jones VentureSource), Crunchbase API.
- **Oferty pracy:** Monster.com, Gartner TalentNeuron.
- **Patenty:** amplified (kody IPC: Cognition and meaning understanding, Human-interface technology).
- **Wdrożenie AI:** McKinsey & Company (badanie 2 135 respondentów).
- **Raporty korporacyjne:** Prattle (analiza tekstów raportów o zyskach z FactSet).
- **Robotyka:** International Federation of Robotics (IFR), ROS.org.
- **Media:** TrendKite (analiza tonu artykułów).
- **Rząd:** Congressional Record (USA), Hansards (Wielka Brytania i Kanada), McKinsey Global Institute.
- **Benchmarki:** ImageNet (LSVRC), COCO, Penn Treebank, WMT (EuroMatrix), ARC (Allen Institute for AI), GLUE.

## Zespół autorski

Raport przygotował Komitet Sterujący AI Index pod przewodnictwem **Yoava Shohama** (Yoav Shoham, Stanford University) przy udziale **Raymonda Perrault** (Raymond Perrault, SRI International), **Erika Brynjolfssona** (Erik Brynjolfsson, MIT), **Jacka Clarka** (Jack Clark, OpenAI), **Jamesa Manyiki** (James Manyika, McKinsey Global Institute), **Juana Carlosa Niebłesa** (Juan Carlos Niebles, Stanford University), **Terry Lyons** (Terah Lyons, Partnership on AI), **Johna Etchemendy'ego** (John Etchemendy, Stanford University) i **Barbary Grosz** (Barbara Grosz, Harvard University). Menedżerem projektu była **Zoe Bauer** (Zoe Bauer). AI Index pierwotnie powstał w ramach projektu One Hundred Year Study on AI (AI100) i następnie został umieszczony w Stanfordskim Instytucie HAI (Human-Centered AI)<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-AIIndex2018-1)</sup>.

## Kontekst i znaczenie

AI Index Report 2018 stał się ważnym etapem w rozwoju systematycznego monitorowania postępów AI. Udokumentował szereg przełomowych momentów: gwałtowny rozwój deep learning i jego dominację wśród podejść do AI, przejście społeczności computer vision do bardziej złożonych zadań po „nasyceniu" ImageNet, rewolucyjny wpływ modelu BERT na przetwarzanie języka naturalnego, a także bezprecedensowy wzrost udziału przemysłu w rozwoju zaawansowanych systemów AI. Raport po raz pierwszy systemowo udokumentował również „wyścig" między państwami w finansowaniu i strategicznym planowaniu AI — tendencję, która będzie kształtować rozwój branży w kolejnych latach<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(PL)#cite_note-AIIndex2018-1)</sup>.

## Źródła

- Stanford HAI — AI Index (wszystkie raporty): <a href="https://aiindex.stanford.edu/report/" class="external free" rel="nofollow">https://aiindex.stanford.edu/report/</a>
- AI Index 2018 Report (pełny tekst, 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 — baza danych publikacji naukowych: <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 — archiwum naukowych preprintów: <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 — śledzenie postępów w NLP: <a href="https://nlpprogress.com/" class="external free" rel="nofollow">https://nlpprogress.com/</a>

## Literatura

- Shoham, Y., Perrault, R., Brynjolfsson, E., Clark, J., Manyika, J., Niebles, J.C., Lyons, T., Etchemendy, J., Grosz, B. and Bauer, Z. (2018). *The AI Index 2018 Annual Report*. AI Index Steering Committee, Human-Centered AI Initiative, Stanford University. <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>

## Przypisy

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