---
title: "The 2018 AI Index Report (SV)"
source: "https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)"
wiki: "systems-analysis.info/int"
article: "The_2018_AI_Index_Report_(SV)"
language: "sv"
categories:
  - "Category:Machine learning"
  - "Category:Swedish"
revision_id: 7944
wiki_created_at: 2026-09-07T01:09:22Z
wiki_modified_at: 2026-09-07T01:09:22Z
downloaded_at: 2026-09-07T23:21:52Z
---

# The 2018 AI Index Report (SV)

**AI Index Report 2018** — den andra årliga utgåvan av rapporten **AI Index**, framtagen av AI Index Steering Committee vid Stanford University i december 2018<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-AIIndex2018-1)</sup>. AI Index-projektets uppdrag är att förse diskussionen om artificiell intelligens med objektiva data. 2018 års rapport skiljer sig från den första utgåvan (2017) genom en väsentlig utvidgning av det globala omfånget: medan den tidigare rapporten huvudsakligen fokuserade på nordamerikansk problematik, strävar 2018 års utgåva efter att inkludera data från Europa, Kina, Sydkorea, Japan och andra regioner i världen. Rapporten spårar, systematiserar och visualiserar AI-relaterade data och tillhandahåller information för beslutsfattare, forskare, företagsledare, journalister och allmänheten.

## Rapportens struktur

2018 års rapport består av fyra huvudavsnitt<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-AIIndex2018-1)</sup>:

1.  **Data: aktivitetsvolym (Volume of Activity)** — publikationer, kursregistreringar, konferensdeltagande, nedladdningar av robotprogramvara, startups och investeringar, lediga tjänster, patent, AI-implementering i företag, omnämnanden i resultatrapporter, robotinstallationer, projekt med öppen källkod, allmänt intresse.
2.  **Data: teknisk prestanda (Technical Performance)** — datorseende, bearbetning av naturligt språk, maskinöversättning, fråge- och svarssystem.
3.  **Övriga mätvärden (Other Measures)** — härledda indikatorer, statliga initiativ, prestationer på nivå med mänskliga förmågor.
4.  **Bilaga (Appendix)** — fullständig beskrivning av källor, metoder och nyanser.

## Rapportens viktigaste slutsatser

Författarna till 2018 års rapport formulerade flera centrala teser<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-AIIndex2018-1)</sup>:

### AI — ett globalt fenomen

83 % av AI-artiklarna i Scopus-databasen för 2017 publicerades av författare utanför USA. 28 % av alla AI-artiklar kom från Europa — den högsta andelen bland alla regioner i världen. Antalet studenter som registrerade sig för kurser i AI och Machine Learning ökade globalt, särskilt märkbart vid Tsinghua University (Kina), där den sammanlagda registreringen på AI- och ML-kurser 2017 var 16 gånger högre än 2010<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-AIIndex2018-1)</sup>.

### AI-aktiviteten ökar nästan överallt

Tillväxt observeras inom publikationer, kurser, konferenser, startups, riskkapitalfinansiering, patent och andra mätvärden. Den tekniska prestandan förbättras inom alla områden<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-AIIndex2018-1)</sup>.

### Machine Learning dominerar som delområde inom AI

År 2017 tillhörde 56 % av AI-artiklarna på Scopus kategorin "Machine Learning och probabilistiskt resonemang" (jämfört med 28 % år 2010). Registreringen på introduktionskurser i ML växte snabbare än på AI-kurser i allmänhet. Konferenserna NeurIPS och ICML, som är inriktade på Machine Learning, uppvisade den största ökningen i besökarantal<sup>[\[2\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-Scopus2018-2)</sup>.

### Könsfördelningen förblir ett allvarligt problem

I genomsnitt var 80 % av AI-professorerna vid ledande universitet (UC Berkeley, Stanford, UIUC, CMU, University College London, Oxford, ETH Zurich) män. I genomsnitt var 71 % av de sökande till AI-relaterade tjänster i USA män<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-AIIndex2018-1)</sup>.

## Avsnitt 1. Aktivitetsvolym: Forskning

### Publikationer

Antalet AI-artiklar på Scopus-plattformen ökade 7 gånger sedan 1996, medan artiklar inom datavetenskap (Computer Science) växte 5 gånger under samma period. Detta tyder på att ökningen av AI-publikationer inte enbart drivs av ett allmänt intresse för datavetenskap, utan har en självständig dynamik<sup>[\[2\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-Scopus2018-2)</sup>.

**Regional fördelning.** Europa var konsekvent den största regionen vad gäller antalet AI-publikationer: år 2017 var 28 % av AI-artiklarna på Scopus kopplade till europeiska författare, följt av Kina (25 %) och USA (17 %). Antalet publikationer från Kina ökade med 150 % under perioden 2007–2017<sup>[\[2\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-Scopus2018-2)</sup>.

**Underkategorier.** Den största tillväxten observerades i kategorin neurala nätverk: den genomsnittliga årliga tillväxttakten (CAGR) var 3 % under 2010–2014 och 37 % under 2014–2017. Artiklar på arXiv uppvisade också en snabb tillväxt: datorseende och mönsterigenkänning blev den största AI-underkategorin på arXiv från och med 2014<sup>[\[3\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-arXiv2018-3)</sup>.

**Sektortillhörighet.** Antalet AI-artiklar kopplade till kinesiska statliga organisationer ökade med 400 % under perioden 2007–2017, medan företagspublikationer från Kina ökade med endast 73 %. I USA var andelen företagspublikationer avsevärt högre: år 2017 var andelen företags-AI-artiklar i USA 6,6 gånger högre än i Kina och 4,1 gånger högre än i Europa<sup>[\[2\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-Scopus2018-2)</sup>.

**Citeringsfrekvens.** Författare från USA citerades 83 % oftare än det globala genomsnittet. Även om Europa ledde i absolut antal publikationer, låg dess citeringsfrekvens på den globala genomsnittsnivån. Kina förbättrade avsevärt sin citeringsfrekvens: år 2016 citerades kinesiska författare 44 % oftare än år 2000<sup>[\[2\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-Scopus2018-2)</sup>.

**Författarmobilitet.** Mobila författare (som publicerar sig utanför sin hemregion) uppvisade högre citeringsfrekvens och produktivitet jämfört med "stationära" (sedentary) författare. Bland de tre regionerna hade Kina den högsta andelen stationära författare (76 %), följt av Europa (52 %) och USA (38 %)<sup>[\[2\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-Scopus2018-2)</sup>.

**AAAI-konferensen.** Vid AAAI 2018 var cirka 70 % av de inlämnade och 67 % av de antagna artiklarna kopplade till USA eller Kina. Även om Kina lämnade in flest artiklar, hade USA och Kina nästan lika många antagna arbeten (268 respektive 265). Acceptansnivån för USA var 29 %, för Kina 21 %<sup>[\[4\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-AAAI2018-4)</sup>.

### Kursregistreringar

**Amerikanska universitet.** Registreringen på introduktionskurser i ML 2017 var 5 gånger högre än 2012. Vid UC Berkeley var ökningen 6,8 gånger. Registreringen på introduktionskurser i AI ökade 3,6 gånger under samma period. Samtidigt var 74–79 % av studenterna på introduktionskurser i AI och ML vid Stanford och Berkeley män<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-AIIndex2018-1)</sup>.

**Internationella universitet.** Den sammanlagda registreringen på AI- och ML-kurser vid Tsinghua University 2017 översteg 2010 års nivå med 16 gånger. Tillväxt observerades också vid University of Edinburgh, USTC och SJTU (Kina), PUC (Chile) och andra lärosäten<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-AIIndex2018-1)</sup>.

### Konferensdeltagande

**Stora konferenser.** NeurIPS och ICML uppvisade den största tillväxten: år 2018 var besöksantalet för NeurIPS 4,8 gånger högre än 2012, och för ICML 6,8 gånger. Detta återspeglade det fortsatta intresset för Machine Learning<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-AIIndex2018-1)</sup>.

**Mindre konferenser.** Besöksantalet för ICLR (International Conference on Learning Representations) var 2018 20 gånger högre än 2012 — troligen till följd av det växande intresset för deep learning och Reinforcement Learning<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-AIIndex2018-1)</sup>.

| Konferens | Besöksantal (2018, ca.) | Tillväxt sedan 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                |

**Inkluderingsorganisationer.** Antalet registreringar till seminariet Women in Machine Learning (WiML) ökade med 600 % sedan 2014. Antalet alumner från AI4ALL (ett initiativ för ökad mångfald inom AI) ökade med 900 % sedan 2015<sup>[\[5\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-WiML2018-5)[\[6\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-AI4ALL2018-6)</sup>.

### Nedladdningar av robotprogramvara

Unika nedladdningar av ROS-paket (Robot Operating System) från ROS.org ökade med 567 % sedan 2014. Antalet sidvisningar på ROS.org från Kina 2017 var 18 gånger högre än 2012<sup>[\[7\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-ROS2018-7)</sup>.

### Könsfördelning inom akademin

En analys av AI-fakulteter vid sju ledande universitet världen över visade att i genomsnitt 80 % av AI-professorerna var män. Bland lärosätena ingick UC Berkeley, Stanford, UIUC, CMU, University College London, Oxford och ETH Zurich. Inga betydande skillnader mellan regioner konstaterades<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-AIIndex2018-1)</sup>.

## Avsnitt 2. Aktivitetsvolym: Industri

### Startups och investeringar

Antalet aktiva AI-startups i USA med riskkapitalstöd ökade med 113 % från januari 2015 till januari 2018, medan det totala antalet startups ökade med endast 28 %<sup>[\[8\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-SandHill2018-8)</sup>.

Riskkapitalfinansiering av AI-startups i USA ökade med 350 % från 2013 till 2017, medan den totala riskkapitalfinansieringen ökade med 100 % under samma period<sup>[\[8\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-SandHill2018-8)</sup>.

### Lediga tjänster

Deep learning var den kompetens med snabbast växande efterfrågan: antalet lediga tjänster som krävde deep learning-kompetens ökade 34 gånger från 2015 till 2017. Machine Learning förblev den mest efterfrågade kompetensen i absoluta tal<sup>[\[9\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-Monster2018-9)</sup>.

**Könsfördelning.** I genomsnitt utgjorde män 71 % av de sökande till AI-relaterade tjänster i USA. Den största könsfördelningen observerades bland sökande till positioner inom deep learning och robotteknik<sup>[\[9\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-Monster2018-9)</sup>.

### Patent

År 2014 registrerades cirka 30 % av AI-patenten i USA, följt av Sydkorea och Japan (16 % vardera). Sydkorea och Taiwan uppvisade den största tillväxten: antalet AI-patent 2014 var nästan 5 gånger fler än 2004<sup>[\[10\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-amplified2018-10)</sup>.

### AI-implementering i företag

Enligt en undersökning av McKinsey & Company (2 135 respondenter) var de vanligaste AI-teknologierna robotiserad processautomation och Machine Learning. Organisationer tenderade att implementera AI i de affärsfunktioner som gav störst avkastning inom deras bransch: finansiella företag använde i hög grad AI inom riskhantering, fordonsföretag inom tillverkning, detaljhandeln inom marknadsföring och försäljning<sup>[\[11\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-McKinsey2018-11)</sup>.

| Region                         | Populäraste AI-förmågor (% av respondenter)       |
|--------------------------------|---------------------------------------------------|
| Nordamerika                    | Processautomation (23 %), Machine Learning (23 %) |
| Europa                         | Processautomation (27 %), Machine Learning (21 %) |
| Tillväxtmarknader (inkl. Kina) | Datorseende (26 %), processautomation (23 %)      |
| Indien                         | Machine Learning (25 %), processautomation (30 %) |

### Omnämnanden av AI i företagsrapporter

Omnämnanden av "artificiell intelligens" och "Machine Learning" i resultatrapporter från bolag noterade på New York Stock Exchange ökade kraftigt sedan 2015. Inom IT-sektorn var NVIDIA ledande vad gäller antalet AI-omnämnanden (93 omnämnanden 2017), följt av LivePerson (50) och Pegasystems (44). I fråga om antalet ML-omnämnanden var Alphabet ledande (57)<sup>[\[12\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-Prattle2018-12)</sup>.

### Installation av industrirobotar

Kina uppvisade en 500-procentig ökning av den årliga installationen av industrirobotar från 2012 till 2017. Sydkorea och Europa ökade sina installationer med 105 % respektive 122 %. Bland de mindre marknaderna uppvisade Taiwan den största volymen och tillväxten<sup>[\[13\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-IFR2018-13)</sup>.

### Öppen källkod

En analys av stjärnor (stars) för GitHub-repositorier visade en betydande tillväxt i popularitet för ramverk som stöds av stora företag: TensorFlow (Google), PyTorch (Facebook), MXNet (Amazon). TensorFlow låg långt före övriga ramverk i popularitet och nådde mer än 100 000 stjärnor år 2018<sup>[\[14\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-GitHub2018-14)</sup>.

## Avsnitt 3. Aktivitetsvolym: Allmänt intresse

### Mediebevakning och tonalitet

Artiklar som innehöll termen "artificiell intelligens" blev mindre neutrala och mer positiva: andelen positiva artiklar ökade från 12 % i januari 2016 till 30 % i juli 2016 och låg kvar på den nivån till 2018<sup>[\[15\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-TrendKite2018-15)</sup>.

### Omnämnanden i offentliga dokument

Omnämnanden av termerna "artificiell intelligens" och "Machine Learning" i stenografiska protokoll från USA:s kongress, samt parlamenten i Kanada och Storbritannien, ökade kraftigt sedan 2016. Noterbart är att "Machine Learning" knappt omnämndes i parlamentariska dokument före 2016<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-AIIndex2018-1)</sup>.

## Avsnitt 4. Teknisk prestanda

### Datorseende: ImageNet

**Noggrannhet.** Prestandan på ImageNet fortsatte att förbättras även efter att den officiella tävlingen avslutades 2017. AI Index spårade framstegen baserat på resultat på ImageNet 2012 valideringsuppsättning. Noggrannheten vid bildklassificering översteg avsevärt den mänskliga nivån (cirka 5 % felprocent)<sup>[\[16\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-ImageNet2018-16)</sup>.

**Träningstid.** Träningstiden för ett neuralt nätverk för bildklassificering på ImageNet minskade från cirka 60 minuter (juni 2017) till 3,7 minuter (november 2018) — en acceleration med en faktor 16 på ett och ett halvt år. Detta återspeglade både algoritmiska innovationer och investeringar i infrastruktur (hårdvara och mjukvara)<sup>[\[17\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-DAWNBench2018-17)</sup>.

| Datum         | Träningstid ImageNet |
|---------------|----------------------|
| Juni 2017     | ~60 minuter          |
| November 2017 | ~30 minuter          |
| November 2017 | ~15 minuter          |
| Juli 2018     | ~6,6 minuter         |
| November 2018 | ~3,7 minuter         |

### Datorseende: COCO

Vid COCO-tävlingen (Common Objects in Context) för objektsegmentering ökade den högsta genomsnittliga precisionen med 72 % från 2015 till 2018 (från 0,28 till 0,48). Datorseendegemenskapen gick från relativt enkla uppgifter (klassificering) till mer komplexa (objektlokalisering med pixelnoggrannhet, semantisk segmentering)<sup>[\[18\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-COCO2018-18)</sup>.

### Bearbetning av naturligt språk: parsning

F1-måttet för syntaktisk parsning av meningar (Penn Treebank) ökade med 9 procentenheter från 2003 till 2018 (från ~86 % till ~95 %). Parsning övergick nästan helt från metoder liknande parsning av programmeringsspråk till metoder baserade på deep learning<sup>[\[19\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-PennTreebank-19)</sup>.

### Maskinöversättning

BLEU-poängen för översättning från engelska till tyska vid WMT-tävlingen ökade 3,5 gånger jämfört med 2008; för översättning från tyska till engelska ökade de 2,5 gånger. Framstegen drevs av Transformer-arkitekturen och ett effektivare utnyttjande av data<sup>[\[20\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-WMT2018-20)</sup>.

### Fråge- och svarssystem: ARC

På benchmark-testet AI2 Reasoning Challenge (ARC), publicerat av Allen Institute for AI i april 2018, förbättrades prestandan på Challenge Set (svåra frågor på nivå för årskurs 3–9 i amerikanska skolor) från 27 % till 42 %, och på Easy Set från 63 % till 69 % under perioden april–november 2018<sup>[\[21\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-ARC2018-21)</sup>.

### Fråge- och svarssystem: GLUE

GLUE-benchmark (General Language Understanding Evaluation), publicerad i maj 2018, var avsedd för att testa system för förståelse av naturligt språk på nio deluppgifter. Trots att benchmark-testet hade funnits i mindre än ett halvår hade prestandan redan minskat ungefär hälften av gapet mellan det första publicerade basvärdet och den uppskattade mänskliga nivån (~90 %). Googles BERT-modell satte ny standard — den citerades åtta gånger under den första månaden efter lansering<sup>[\[22\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-GLUE2018-22)[\[23\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-BERT2018-23)</sup>.

## Avsnitt 5. Härledda mätvärden

### Dynamiken akademi — industri

För att undersöka sambandet mellan akademisk och industriell aktivitet inom AI jämförde författarna tre normaliserade indikatorer: publikationer på Scopus, kursregistreringar i AI/ML vid amerikanska universitet och riskkapitalinvesteringar i AI-startups. Alla tre mätvärden uppvisade tillväxt från och med 2010, men riskkapitalinvesteringarna växte betydligt snabbare än de övriga<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-AIIndex2018-1)</sup>.

### AI Vibrancy Index

Vibrancy Index aggregerade tre mätvärden (publikationer, registreringar, riskkapitalinvesteringar) till ett enda mått, normaliserat till 2010. Fram till 2017 hade indexet ökat cirka 7–9 gånger i förhållande till basvärdet för 2010, huvudsakligen driven av tillväxten i riskkapitalfinansiering<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-AIIndex2018-1)</sup>.

## Avsnitt 6. Statliga initiativ

Rapporten inkluderade för första gången en översikt av statliga AI-initiativ i tre regioner<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-AIIndex2018-1)[\[24\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-Dutton2018-24)</sup>:

### USA

I oktober 2016 föreslog Obama-administrationen en nationell AI-strategi och publicerade den första politiska rapporten om förberedelser inför framtidens AI (*Preparing for the Future of Artificial Intelligence*). I maj 2018 anordnade Trump-administrationen ett AI-toppmöte och inrättade en särskild kommitté för artificiell intelligens. I september 2018 meddelade DARPA en investeringsplan på över 2 miljarder dollar i programmet AI Next. Privata företag spelade en central roll: år 2017 investerade Amazon och Alphabet 16,1 respektive 13,9 miljarder dollar i forskning och utveckling — betydligt mer än den sammanlagda budgeten för NSF, DARPA och DOT (~5,3 miljarder dollar)<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-AIIndex2018-1)</sup>.

### Europa

I april 2018 undertecknade EU:s medlemsstater en deklaration om samarbete inom AI, och Europeiska kommissionen avsatte 1,5 miljarder euro för att stödja AI-forskning 2018–2020 (utöver 2,6 miljarder euro från Horizon 2020-programmet). Målet var att attrahera 20 miljarder euro i AI-investeringar under 10 år. Storbritannien publicerade AI Sector Deal med investeringar på 950 miljoner pund. Frankrike publicerade tre rapporter, däribland "Mission Villani", inriktad på politik, förebyggande av kompetensflykt och mångfald inom AI<sup>[\[25\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-EC2018-25)</sup>.

### Kina

Sedan 2014 lanserade den kinesiska regeringen en rad nationella initiativ med målet att skapa en AI-marknad värd 14,7 miljarder dollar år 2018 och säkerställa Kinas globala ledarskap inom AI till 2030. Det centrala dokumentet var "Planen för utveckling av nästa generations AI" (juli 2017), som föreskriver att nå nivån hos de ledande länderna till 2020, stora genombrott till 2025 och status som världens centrum för AI-innovation till 2030<sup>[\[26\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-ChinaAI2017-26)</sup>.

## Avsnitt 7. Prestationer på nivå med mänskliga förmågor

Rapporten fortsatte kronologin över fall där AI nådde eller överträffade den mänskliga nivån. År 2018 lades fyra nya prestationer till<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-AIIndex2018-1)</sup>:

| År       | Prestation                          | Beskrivning                                                                                                                   |
|----------|-------------------------------------|-------------------------------------------------------------------------------------------------------------------------------|
| 1980     | Othello                             | Programmet BILL (Ku-Fu Li och S. Mahajan) besegrar den bäste amerikanske spelaren; 1997 besegrade Logistello världsmästaren   |
| 1995     | Damspel                             | Programmet Chinook besegrar världsmästaren                                                                                    |
| 1997     | Schack                              | IBM DeepBlue besegrar Garri Kasparov                                                                                          |
| 2011     | Jeopardy!                           | IBM Watson besegrar mästarna Brad Rutter och Ken Jennings                                                                     |
| 2015     | Atari                               | DeepMind når mänsklig nivå i 49 Atari-spel                                                                                    |
| 2016     | Go                                  | AlphaGo besegrar Lee Sedol (4–1); AlphaGo Zero besegrar AlphaGo 100–0                                                         |
| 2016     | Objektidentifiering (ImageNet)      | Klassificeringsfelfrekvensen minskade från 28 % (2010) till under 3 % vid en mänsklig nivå på ~5 %                            |
| 2017     | Taligenkänning (Switchboard)        | Microsoft och IBM når nivåer nära mänsklig noggrannhet                                                                        |
| 2017     | Poker                               | Libratus (CMU) besegrar fyra professionella spelare i 120 000 partier; DeepStack (Alberta) besegrar 11 professionella spelare |
| 2017     | Klassificering av hudcancer         | AI-system (Esteva et al., Nature) når nivån hos 21 certifierade dermatologer                                                  |
| 2017     | Ms. Pac-Man                         | Maluuba-teamet (Microsoft) uppnår maxpoängen 999 900 på Atari 2600                                                            |
| **2018** | **Capture the Flag**                | **DeepMinds agent når mänsklig nivå i en modifierad version av Quake III Arena CTF**                                          |
| **2018** | **Dota 2**                          | **OpenAI Five besegrar amatörlag (med begränsningar), men förlorar mot professionella spelare**                               |
| **2018** | **Gradering av prostatacancer**     | **Googles system uppnår en total noggrannhet på 70 % mot 61 % hos patologer**                                                 |
| **2018** | **Översättning kinesiska–engelska** | **Microsofts system når mänsklig nivå på datasetet newstest2017**                                                             |

Rapportens författare betonade att dessa resultat inte bör överskattas: uppgifterna var snävt specialiserade och prestationerna vittnade inte om systemens förmåga till generalisering<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-AIIndex2018-1)</sup>.

## Avsnitt 8. Vad saknas? (What's Missing?)

Avsnittet presenterade tre experters synpunkter på indexets utvecklingsriktningar<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-AIIndex2018-1)</sup>.

**Francesca Rossi** (IBM, Padua University) föreslog att man lägger till mätvärden för sunt förnuft (common sense reasoning), djup förståelse av naturligt språk, samarbete mellan människa och maskin (snarare än konfrontation), samt kombination av Machine Learning med symbolisk AI och kausal slutledning (causality)<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-AIIndex2018-1)</sup>.

**Rodney Brooks** (MIT) uppmärksammade begränsningarna i mätvärdet för industrirobotar, som ofta saknar AI-komponenter. Han föreslog att man spårar robotar med AI-inslag: drönare (SLAM och andra algoritmer), hushållsrobotar (Roomba) och potentiella sociala robotar<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-AIIndex2018-1)</sup>.

**Toby Walsh** (UNSW Sydney, TU Berlin) pekade på behovet av kvantitativa mätvärden för att mäta de växande statliga och privata investeringarna (Storbritannien — 1 miljard pund, Frankrike — 1,5 miljarder euro, Tyskland — 3 miljarder euro, Alibaba — 15 miljarder dollar), samt för att spåra militär användning av AI, inklusive autonoma vapen<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-AIIndex2018-1)</sup>.

## Metodik

Rapporten använde data från ett flertal källor<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-AIIndex2018-1)</sup>:

- **Publikationer:** Elsevier Scopus (~70 miljoner dokument, ~800 AI-nyckelord), arXiv.org.
- **Konferenser:** AAAI, NeurIPS, ICML, CVPR, ICLR, IJCAI, ACL, ICRA, ICAPS, UAI, KR, AAMAS, WiML, AI4ALL.
- **Kurser:** data direkt från universitet (17 lärosäten i 10 länder).
- **Startups och investeringar:** Sand Hill Econometrics (Dow Jones VentureSource), Crunchbase API.
- **Lediga tjänster:** Monster.com, Gartner TalentNeuron.
- **Patent:** amplified (IPC-koder: Cognition and meaning understanding, Human-interface technology).
- **AI-implementering:** McKinsey & Company (undersökning med 2 135 respondenter).
- **Företagsrapporter:** Prattle (textanalys av resultatrapporter från FactSet).
- **Robotteknik:** International Federation of Robotics (IFR), ROS.org.
- **Media:** TrendKite (tonalitetsanalys av artiklar).
- **Regering:** Congressional Record (USA), Hansards (Storbritannien och Kanada), McKinsey Global Institute.
- **Benchmark-tester:** ImageNet (LSVRC), COCO, Penn Treebank, WMT (EuroMatrix), ARC (Allen Institute for AI), GLUE.

## Författargrupp

Rapporten togs fram av AI Index Steering Committee under ordförandeskap av **Yoav Shoham** (Stanford University) med medverkan av **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) och **Barbara Grosz** (Harvard University). Projektledare var **Zoe Bauer**. AI Index uppstod ursprungligen inom ramen för projektet One Hundred Year Study on AI (AI100) och inrymdes sedermera vid Stanford HAI-institutet (Human-Centered AI)<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-AIIndex2018-1)</sup>.

## Kontext och betydelse

AI Index Report 2018 utgjorde en viktig milstolpe i utvecklingen av systematisk uppföljning av AI-framsteg. Den dokumenterade ett antal vändpunkter: den snabba utvecklingen av deep learning och dess dominans bland AI-metoder, datorseendegemenskapens övergång till mer komplexa uppgifter efter att ImageNet "mättat", BERT-modellens revolutionerande inverkan på bearbetning av naturligt språk, samt den aldrig tidigare skådade ökningen av industrins deltagande i utvecklingen av avancerade AI-system. Rapporten dokumenterade också för första gången systematiskt "kapplöpningen" mellan stater om finansiering och strategisk planering av AI — en tendens som kommer att forma branschens utveckling under de kommande åren<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(SV)#cite_note-AIIndex2018-1)</sup>.

## Källor

- Stanford HAI — AI Index (alla rapporter): <a href="https://aiindex.stanford.edu/report/" class="external free" rel="nofollow">https://aiindex.stanford.edu/report/</a>
- AI Index 2018 Report (fulltext, 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 — databas för vetenskapliga publikationer: <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 — arkiv för vetenskapliga preprints: <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 — uppföljning av framsteg inom NLP: <a href="https://nlpprogress.com/" class="external free" rel="nofollow">https://nlpprogress.com/</a>

## Litteratur

- 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>

## Noter

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