---
title: "The 2018 AI Index Report (UR)"
source: "https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)"
wiki: "systems-analysis.info/int"
article: "The_2018_AI_Index_Report_(UR)"
language: "ur"
categories:
  - "Category:Machine learning"
  - "Category:Urdu"
revision_id: 7948
wiki_created_at: 2026-09-07T01:09:26Z
wiki_modified_at: 2026-09-07T01:09:26Z
downloaded_at: 2026-09-07T23:21:54Z
---

# The 2018 AI Index Report (UR)

**AI Index Report 2018** — **AI Index** کا دوسرا سالانہ ایڈیشن ہے، جسے دسمبر 2018 میں Stanford یونیورسٹی میں AI Index اسٹیئرنگ کمیٹی نے تیار کیا<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-AIIndex2018-1)</sup>۔ AI Index منصوبے کا مقصد مصنوعی ذہانت پر ہونے والی بحث کو معروضی اعداد و شمار سے مالامال کرنا ہے۔ 2018 کی رپورٹ پہلے ایڈیشن (2017) سے اس لحاظ سے نمایاں طور پر مختلف ہے کہ اس میں عالمی دائرہ کار کو قابلِ ذکر حد تک وسعت دی گئی ہے: اگر پچھلی رپورٹ بنیادی طور پر شمالی امریکی مسائل پر مرکوز تھی، تو 2018 کا ایڈیشن یورپ، چین، جنوبی کوریا، جاپان اور دنیا کے دیگر خطوں کے اعداد و شمار کو شامل کرنے کی کوشش کرتا ہے۔ یہ رپورٹ AI سے متعلق اعداد و شمار کا سراغ لگاتی، انہیں منظم کرتی اور بصری شکل میں پیش کرتی ہے، اور پالیسی سازوں، محققین، منتظمین، صحافیوں اور عام عوام کو معلومات فراہم کرتی ہے۔

## رپورٹ کی ساخت

2018 کی رپورٹ چار بنیادی حصوں پر مشتمل ہے<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-AIIndex2018-1)</sup>:

1.  **اعداد و شمار: سرگرمی کا حجم (Volume of Activity)** — اشاعتیں، کورسز میں اندراج، کانفرنسوں میں شرکت، روبوٹکس سافٹ ویئر کی ڈاؤن لوڈز، اسٹارٹ اپس اور سرمایہ کاری، آسامیاں، پیٹنٹس، کمپنیوں میں AI کا نفاذ، آمدنی رپورٹوں میں تذکرے، روبوٹس کی تنصیب، اوپن سورس منصوبے، عوامی دلچسپی۔
2.  **اعداد و شمار: تکنیکی کارکردگی (Technical Performance)** — کمپیوٹر وژن، قدرتی زبان کی پروسیسنگ، مشینی ترجمہ، سوال و جواب کے نظام۔
3.  **اضافی پیمانے (Other Measures)** — ماخوذ اشاریے، حکومتی اقدامات، انسانی صلاحیتوں کی سطح پر کامیابیاں۔
4.  **ضمیمہ (Appendix)** — ذرائع، طریقہ کار اور باریکیوں کی مکمل تفصیل۔

## رپورٹ کے اہم نتائج

2018 کی رپورٹ کے مصنفین نے کئی اہم نکات بیان کیے<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-AIIndex2018-1)</sup>:

### AI — ایک عالمی مظہر

2017 میں Scopus ڈیٹا بیس میں AI پر شائع مضامین کا 83% امریکہ سے باہر کے مصنفین نے شائع کیا۔ تمام AI مضامین کا 28% یورپ سے تھا — دنیا کے تمام خطوں میں سب سے زیادہ۔ AI اور Machine Learning کورسز میں طلبہ کا اندراج پوری دنیا میں بڑھا، خاص طور پر Tsinghua یونیورسٹی (چین) میں، جہاں 2017 میں AI اور ML کورسز میں مجموعی اندراج 2010 کے مقابلے میں 16 گنا زیادہ تھا<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-AIIndex2018-1)</sup>۔

### AI کے میدان میں سرگرمی تقریباً ہر جگہ بڑھ رہی ہے

aشاعتوں، کورسز، کانفرنسوں، اسٹارٹ اپس، وینچر فنانسنگ، پیٹنٹس اور دیگر پیمانوں میں اضافہ دیکھا گیا۔ تکنیکی کارکردگی ہر شعبے میں بہتر ہو رہی ہے<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-AIIndex2018-1)</sup>۔

### Machine Learning بطور AI کی ذیلی شاخ غالب ہے

2017 میں Scopus پر AI مضامین کا 56% "Machine Learning اور احتمالی استدلال" کی زمرہ بندی میں آتا تھا (2010 میں 28% کے مقابلے میں)۔ ML کے تعارفی کورسز میں اندراج AI کورسز کی مجموعی نسبت سے زیادہ تیزی سے بڑھا۔ Machine Learning کو وقف NeurIPS اور ICML کانفرنسوں میں حاضری سب سے زیادہ بڑھی<sup>[\[2\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-Scopus2018-2)</sup>۔

### صنفی تنوع ایک سنگین مسئلہ ہے

سرکردہ یونیورسٹیوں (UC Berkeley، Stanford، UIUC، CMU، University College London، Oxford، ETH Zurich) میں AI کے اوسطاً 80% پروفیسر مرد تھے۔ امریکہ میں AI سے متعلق آسامیوں کے لیے اوسطاً 71% درخواست دہندگان مرد تھے<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-AIIndex2018-1)</sup>۔

## حصہ 1۔ سرگرمی کا حجم: تحقیق

### اشاعتیں

Scopus پلیٹ فارم پر AI مضامین کی تعداد 1996 سے 7 گنا بڑھی، جبکہ کمپیوٹر سائنس (Computer Science) کے مضامین اسی عرصے میں 5 گنا بڑھے۔ یہ اس بات کا ثبوت ہے کہ AI اشاعتوں کی نمو محض کمپیوٹر سائنس میں عمومی دلچسپی سے نہیں، بلکہ ایک خودمختار رجحان سے بھی مشروط ہے<sup>[\[2\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-Scopus2018-2)</sup>۔

**علاقائی تقسیم۔** یورپ مستقل طور پر AI اشاعتوں کے لحاظ سے سب سے بڑا خطہ رہا: 2017 میں Scopus پر AI مضامین کا 28% یورپی مصنفین سے وابستہ تھا، اس کے بعد چین (25%) اور امریکہ (17%) آتے ہیں۔ اسی دوران 2007 سے 2017 تک چین سے اشاعتوں کی تعداد میں 150% اضافہ ہوا<sup>[\[2\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-Scopus2018-2)</sup>۔

**ذیلی زمرے۔** سب سے زیادہ نمو Neural Networks کے زمرے میں دیکھی گئی: 2010–2014 میں سالانہ اوسط نمو کی شرح (CAGR) 3% اور 2014–2017 میں 37% رہی۔ arXiv پلیٹ فارم پر مضامین بھی تیزی سے بڑھے: 2014 سے کمپیوٹر وژن اور پیٹرن ریکگنیشن arXiv پر AI کی سب سے بڑی ذیلی زمرہ بن گئی<sup>[\[3\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-arXiv2018-3)</sup>۔

**شعبہ جاتی وابستگی۔** چینی سرکاری اداروں سے وابستہ AI مضامین کی تعداد 2007 سے 2017 کے درمیان 400% بڑھی، جبکہ چین کی کارپوریٹ اشاعتیں صرف 73% بڑھیں۔ امریکہ میں، اس کے برعکس، کارپوریٹ اشاعتوں کا تناسب کہیں زیادہ تھا: 2017 میں امریکہ میں AI کے کارپوریٹ مضامین کا تناسب چین سے 6.6 گنا اور یورپ سے 4.1 گنا زیادہ تھا<sup>[\[2\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-Scopus2018-2)</sup>۔

**حوالہ جات کی شرح۔** امریکی مصنفین کو عالمی اوسط سے 83% زیادہ حوالہ دیا گیا۔ اگرچہ یورپ مطلق اشاعتوں میں آگے تھا، اس کی حوالہ جات کی شرح عالمی اوسط پر رہی۔ چین نے اپنی حوالہ جات کی شرح میں نمایاں بہتری لائی: 2016 میں چینی مصنفین کو 2000 کے مقابلے میں 44% زیادہ حوالہ دیا گیا<sup>[\[2\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-Scopus2018-2)</sup>۔

**مصنفین کی نقل و حرکت۔** نقل و حرکت والے مصنفین (جو اپنے آبائی خطے سے باہر شائع کرتے ہیں) نے "مقیم" (sedentary) مصنفین کے مقابلے میں زیادہ حوالہ جات اور پیداواریت ظاہر کی۔ تین خطوں میں چین میں مقیم مصنفین کا سب سے زیادہ تناسب (76%) تھا، اس کے بعد یورپ (52%) اور امریکہ (38%)<sup>[\[2\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-Scopus2018-2)</sup>۔

**AAAI کانفرنس۔** AAAI 2018 کانفرنس میں پیش کیے گئے تقریباً 70% اور قبول کیے گئے 67% مضامین امریکہ یا چین سے وابستہ تھے۔ اگرچہ چین نے سب سے زیادہ مضامین پیش کیے، لیکن امریکہ اور چین کی قبول شدہ تحریروں کی تعداد تقریباً برابر تھی (بالترتیب 268 اور 265)۔ امریکہ کی قبولیت کی شرح 29% اور چین کی 21% رہی<sup>[\[4\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-AAAI2018-4)</sup>۔

### کورسز میں اندراج

**امریکی یونیورسٹیاں۔** 2017 میں ML کے تعارفی کورسز میں اندراج 2012 کے مقابلے میں 5 گنا زیادہ تھا۔ UC Berkeley میں یہ اضافہ 6.8 گنا رہا۔ AI کے تعارفی کورسز میں اندراج اسی عرصے میں 3.6 گنا بڑھا۔ اس کے ساتھ Stanford اور Berkeley میں AI اور ML کے تعارفی کورسز میں 74–79% طلبہ مرد تھے<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-AIIndex2018-1)</sup>۔

**بین الاقوامی یونیورسٹیاں۔** Tsinghua یونیورسٹی میں 2017 میں AI+ML کورسز کا مجموعی اندراج 2010 کے مقابلے میں 16 گنا زیادہ تھا۔ Edinburgh یونیورسٹی، USTC اور SJTU (چین)، PUC (چلی) اور دیگر اداروں میں بھی نمو دیکھی گئی<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-AIIndex2018-1)</sup>۔

### کانفرنسوں میں شرکت

**بڑی کانفرنسیں۔** NeurIPS اور ICML نے سب سے زیادہ نمو ظاہر کی: 2018 میں NeurIPS کی حاضری 2012 کے مقابلے میں 4.8 گنا اور ICML کی 6.8 گنا زیادہ تھی۔ یہ Machine Learning میں جاری دلچسپی کی عکاسی کرتا تھا<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-AIIndex2018-1)</sup>۔

**چھوٹی کانفرنسیں۔** ICLR (International Conference on Learning Representations) کی 2018 میں حاضری 2012 کے مقابلے میں 20 گنا زیادہ تھی — غالباً Deep Learning اور Reinforcement Learning میں بڑھتی دلچسپی کے نتیجے میں<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-AIIndex2018-1)</sup>۔

| کانفرنس | حاضری (2018، تقریباً) | 2012 سے اضافہ |
|---------|----------------------|---------------|
| 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          |

**شمولیت کی تنظیمیں۔** Women in Machine Learning (WiML) ورکشاپ میں اندراج 2014 سے 600% بڑھا۔ AI4ALL (AI میں تنوع بڑھانے کی پہل) کے فارغ التحصیل افراد کی تعداد 2015 سے 900% بڑھی<sup>[\[5\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-WiML2018-5)[\[6\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-AI4ALL2018-6)</sup>۔

### روبوٹکس سافٹ ویئر کی ڈاؤن لوڈز

ROS.org سے ROS (Robot Operating System) پیکجز کی منفرد ڈاؤن لوڈز 2014 سے 567% بڑھیں۔ 2017 میں چین سے ROS.org کے صفحات کے مشاہدات 2012 کے مقابلے میں 18 گنا زیادہ تھے<sup>[\[7\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-ROS2018-7)</sup>۔

### اکادمیہ میں صنفی تنوع

دنیا کی سات سرکردہ یونیورسٹیوں میں AI کے فیکلٹی ممبران کے تجزیے سے ظاہر ہوا کہ اوسطاً 80% AI پروفیسر مرد تھے۔ ان یونیورسٹیوں میں UC Berkeley، Stanford، UIUC، CMU، University College London، Oxford اور ETH Zurich شامل تھے۔ خطوں کے درمیان کوئی قابلِ ذکر فرق نہیں پایا گیا<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-AIIndex2018-1)</sup>۔

## حصہ 2۔ سرگرمی کا حجم: صنعت

### اسٹارٹ اپس اور سرمایہ کاری

جنوری 2015 سے جنوری 2018 تک امریکہ میں وینچر کیپیٹل سے تعاون یافتہ فعال AI اسٹارٹ اپس کی تعداد 113% بڑھی، جبکہ اسٹارٹ اپس کی مجموعی تعداد صرف 28% بڑھی<sup>[\[8\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-SandHill2018-8)</sup>۔

امریکہ میں AI اسٹارٹ اپس کی وینچر فنانسنگ 2013 سے 2017 کے درمیان 350% بڑھی، جبکہ اسی عرصے میں مجموعی وینچر فنانسنگ 100% بڑھی<sup>[\[8\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-SandHill2018-8)</sup>۔

### آسامیاں

Deep Learning سب سے تیزی سے بڑھنے والی مہارت تھی: Deep Learning کی مہارت کی ضرورت والی آسامیوں کی تعداد 2015 سے 2017 کے درمیان 34 گنا بڑھی۔ Machine Learning مطلق حجم کے اعتبار سے سب سے زیادہ مطلوب مہارت رہی<sup>[\[9\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-Monster2018-9)</sup>۔

**صنفی تقسیم۔** امریکہ میں AI سے متعلق آسامیوں کے لیے اوسطاً 71% درخواست دہندہ مرد تھے۔ Deep Learning اور روبوٹکس سے متعلق عہدوں کے درخواست دہندگان میں سب سے زیادہ صنفی تنوع پایا گیا<sup>[\[9\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-Monster2018-9)</sup>۔

### پیٹنٹس

2014 میں AI کے شعبے کے تقریباً 30% پیٹنٹس امریکہ میں رجسٹرڈ ہوئے، اس کے بعد جنوبی کوریا اور جاپان (ہر ایک 16%) آتے ہیں۔ جنوبی کوریا اور تائیوان نے سب سے زیادہ نمو ظاہر کی: 2014 میں AI پیٹنٹس کی تعداد 2004 کے مقابلے میں تقریباً 5 گنا زیادہ تھی<sup>[\[10\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-amplified2018-10)</sup>۔

### کمپنیوں میں AI کا نفاذ

McKinsey & Company کے سروے (2,135 جواب دہندگان) کے مطابق سب سے زیادہ مقبول AI ٹیکنالوجیاں روبوٹک پروسیس آٹومیشن اور Machine Learning تھیں۔ تنظیمیں عام طور پر AI ان کاروباری افعال میں نافذ کرتی تھیں جو ان کی صنعت میں سب سے زیادہ فائدہ دیتے تھے: مالیاتی کمپنیاں خطرے کے انتظام میں، آٹوموٹو کمپنیاں پیداوار میں، اور ریٹیل مارکیٹنگ اور فروخت میں AI کا بھرپور استعمال کرتی تھیں<sup>[\[11\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-McKinsey2018-11)</sup>۔

| خطہ                            | سب سے مقبول AI صلاحیتیں (% جواب دہندگان)     |
|--------------------------------|----------------------------------------------|
| شمالی امریکہ                   | پروسیس آٹومیشن (23%)، Machine Learning (23%) |
| یورپ                           | پروسیس آٹومیشن (27%)، Machine Learning (21%) |
| ابھرتی ہوئی منڈیاں (بشمول چین) | کمپیوٹر وژن (26%)، پروسیس آٹومیشن (23%)      |
| بھارت                          | Machine Learning (25%)، پروسیس آٹومیشن (30%) |

### کارپوریٹ رپورٹوں میں AI کے تذکرے

نیو یارک اسٹاک ایکسچینج پر تجارت کرنے والی کمپنیوں کی آمدنی رپورٹوں میں "مصنوعی ذہانت" اور "Machine Learning" کے تذکروں میں 2015 سے تیزی سے اضافہ ہوا۔ IT سیکٹر میں AI کے تذکروں میں NVIDIA سرفہرست رہی (2017 میں 93 تذکرے)، اس کے بعد LivePerson (50) اور Pegasystems (44) آتے ہیں۔ ML کے تذکروں میں Alphabet (57) آگے رہا<sup>[\[12\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-Prattle2018-12)</sup>۔

### صنعتی روبوٹس کی تنصیب

چین نے 2012 سے 2017 کے درمیان صنعتی روبوٹس کی سالانہ تنصیب میں 500 فیصد اضافہ ظاہر کیا۔ جنوبی کوریا اور یورپ نے بالترتیب 105% اور 122% اضافہ کیا۔ چھوٹی منڈیوں میں تائیوان نے سب سے زیادہ حجم اور نمو ظاہر کی<sup>[\[13\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-IFR2018-13)</sup>۔

### اوپن سورس سافٹ ویئر

GitHub ریپوزیٹریوں کے ستاروں (stars) کے تجزیے نے بڑی کمپنیوں کے تعاون یافتہ فریم ورکس کی مقبولیت میں نمایاں اضافہ ظاہر کیا: TensorFlow (Google)، PyTorch (Facebook)، MXNet (Amazon)۔ مقبولیت میں TensorFlow دیگر تمام فریم ورکس سے کہیں آگے تھا اور 2018 تک 100,000 سے زیادہ ستارے حاصل کر چکا تھا<sup>[\[14\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-GitHub2018-14)</sup>۔

## حصہ 3۔ سرگرمی کا حجم: عوامی دلچسپی

### میڈیا کوریج کا لہجہ

"مصنوعی ذہانت" کی اصطلاح پر مشتمل مضامین کم غیر جانبدار اور زیادہ مثبت ہوتے گئے: مثبت مضامین کا تناسب جنوری 2016 میں 12% سے بڑھ کر جولائی 2016 میں 30% ہو گیا اور 2018 تک اسی سطح پر رہا<sup>[\[15\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-TrendKite2018-15)</sup>۔

### حکومتی دستاویزات میں تذکرے

امریکی کانگریس، کینیڈا اور برطانیہ کی پارلیمانوں کی کارروائیوں میں "مصنوعی ذہانت" اور "Machine Learning" کے تذکروں میں 2016 سے تیزی سے اضافہ ہوا۔ قابلِ ذکر بات یہ ہے کہ "Machine Learning" کا تذکرہ 2016 سے پہلے پارلیمانی دستاویزات میں نہ ہونے کے برابر تھا<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-AIIndex2018-1)</sup>۔

## حصہ 4۔ تکنیکی کارکردگی

### کمپیوٹر وژن: ImageNet

**درستگی۔** ImageNet پر کارکردگی 2017 میں سرکاری مقابلے کے اختتام کے بعد بھی بڑھتی رہی۔ AI Index نے ImageNet 2012 کے والیڈیشن ڈیٹاسیٹ پر نتائج کے ذریعے پیشرفت کا سراغ لگایا۔ تصویری درجہ بندی کی درستگی نے انسانی سطح (تقریباً 5% غلطیاں) کو نمایاں طور پر پیچھے چھوڑ دیا<sup>[\[16\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-ImageNet2018-16)</sup>۔

**تربیت کی رفتار۔** ImageNet تصویری درجہ بندی کے لیے Neural Network کی تربیت کا وقت جون 2017 میں تقریباً 60 منٹ سے کم ہو کر نومبر 2018 میں 3.7 منٹ رہ گیا — ڈیڑھ سال میں 16 گنا تیزی۔ یہ الگورتھمک اختراعات اور انفراسٹرکچر (ہارڈ ویئر اور سافٹ ویئر) میں سرمایہ کاری دونوں کی عکاسی کرتا ہے<sup>[\[17\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-DAWNBench2018-17)</sup>۔

| تاریخ       | ImageNet تربیت کا وقت |
|-------------|-----------------------|
| جون 2017    | ~60 منٹ               |
| نومبر 2017  | ~30 منٹ               |
| نومبر 2017  | ~15 منٹ               |
| جولائی 2018 | ~6,6 منٹ              |
| نومبر 2018  | ~3,7 منٹ              |

### کمپیوٹر وژن: COCO

COCO (Common Objects in Context) مقابلے میں آبجیکٹ سیگمنٹیشن کی سب سے زیادہ اوسط درستگی 2015 سے 2018 کے درمیان 72% بڑھی (0.28 سے 0.48 تک)۔ کمپیوٹر وژن کی برادری نسبتاً سادہ کاموں (درجہ بندی) سے زیادہ پیچیدہ کاموں (پکسل سطح پر آبجیکٹ لوکلائزیشن، سیمینٹک سیگمنٹیشن) کی طرف منتقل ہو گئی<sup>[\[18\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-COCO2018-18)</sup>۔

### قدرتی زبان کی پروسیسنگ: پارسنگ

جملوں کی نحوی پارسنگ (Penn Treebank) کا F1 میٹرک 2003 سے 2018 تک 9 فیصد پوائنٹس بڑھا (~86% سے ~95% تک)۔ پارسنگ تقریباً مکمل طور پر پروگرامنگ زبانوں کی پارسنگ جیسے طریقوں سے Deep Learning پر مبنی طریقوں کی طرف منتقل ہو گئی<sup>[\[19\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-PennTreebank-19)</sup>۔

### مشینی ترجمہ

WMT مقابلے میں انگریزی سے جرمن ترجمے کے BLEU اسکور 2008 کے مقابلے میں 3.5 گنا بڑھے؛ جرمن سے انگریزی کے لیے — 2.5 گنا۔ یہ پیشرفت Transformer آرکیٹیکچر اور اعداد و شمار کے زیادہ موثر استعمال کی وجہ سے ہوئی<sup>[\[20\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-WMT2018-20)</sup>۔

### سوال و جواب کے نظام: ARC

April 2018 میں Allen Institute for AI کی جانب سے جاری کردہ AI2 Reasoning Challenge (ARC) benchmark پر، Challenge Set (امریکی اسکولوں کی جماعت 3–9 کی سطح کے مشکل سوالات) میں کارکردگی اپریل سے نومبر 2018 کے درمیان 27% سے 42% تک بہتر ہوئی، اور Easy Set پر 63% سے 69% تک<sup>[\[21\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-ARC2018-21)</sup>۔

### سوال و جواب کے نظام: GLUE

مئی 2018 میں جاری کردہ GLUE (General Language Understanding Evaluation) benchmark نو ذیلی کاموں پر قدرتی زبان کی سمجھ کے نظاموں کی جانچ کے لیے بنایا گیا تھا۔ اس کے باوجود کہ benchmark چھ ماہ سے بھی کم پرانا تھا، کارکردگی نے پہلے شائع شدہ بنیادی اشاریے اور انسانی سطح (~90%) کے درمیان تقریباً نصف فرق ختم کر دیا تھا۔ Google کا BERT ماڈل نئے معیار کے طور پر ابھرا — اسے اجراء کے پہلے مہینے میں آٹھ بار حوالہ دیا گیا<sup>[\[22\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-GLUE2018-22)[\[23\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-BERT2018-23)</sup>۔

## حصہ 5۔ ماخوذ پیمانے

### "اکادمیہ — صنعت" کی حرکیات

AI میں اکادمی اور صنعتی سرگرمی کے تعلق کا جائزہ لینے کے لیے مصنفین نے تین معیاری اشاریوں کا موازنہ کیا: Scopus پر اشاعتیں، امریکی یونیورسٹیوں میں AI/ML کورسز میں اندراج، اور AI اسٹارٹ اپس میں وینچر سرمایہ کاری۔ تینوں پیمانے 2010 سے نمو ظاہر کر رہے تھے، لیکن وینچر سرمایہ کاری باقی سے کہیں زیادہ تیزی سے بڑھی<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-AIIndex2018-1)</sup>۔

### AI Vibrancy Index - AI کی توانائی کا اشاریہ

توانائی کا اشاریہ تین پیمانوں (اشاعتیں، اندراج، وینچر سرمایہ کاری) کو 2010 کے حوالے سے معیاری کردہ ایک مشترکہ اشاریے میں یکجا کرتا تھا۔ 2017 تک اشاریہ 2010 کی بنیادی قدر کے مقابلے میں تقریباً 7–9 گنا بڑھا، بنیادی طور پر وینچر فنانسنگ کی نمو کی وجہ سے<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-AIIndex2018-1)</sup>۔

## حصہ 6۔ حکومتی اقدامات

رپورٹ میں پہلی بار تین خطوں میں AI کے حوالے سے حکومتی اقدامات کا جائزہ شامل تھا<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-AIIndex2018-1)[\[24\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-Dutton2018-24)</sup>:

### امریکہ

اکتوبر 2016 میں اوباما انتظامیہ نے AI کی قومی حکمتِ عملی پیش کی اور AI کے مستقبل کی تیاری پر پہلی پالیسی رپورٹ (*Preparing for the Future of Artificial Intelligence*) شائع کی۔ مئی 2018 میں ٹرمپ انتظامیہ نے AI سمٹ منعقد کیا اور مصنوعی ذہانت پر ایک خصوصی کمیٹی تشکیل دی۔ ستمبر 2018 میں DARPA نے AI Next پروگرام میں 2 ارب ڈالر سے زیادہ سرمایہ کاری کے منصوبے کا اعلان کیا۔ نجی کمپنیاں مرکزی کردار ادا کر رہی تھیں: 2017 میں Amazon اور Alphabet نے بالترتیب 16.1 ارب اور 13.9 ارب ڈالر R&D میں لگائے — NSF، DARPA اور DOT کے مجموعی بجٹ (~5.3 ارب ڈالر) سے کہیں زیادہ<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-AIIndex2018-1)</sup>۔

### یورپ

اپریل 2018 میں EU کے رکن ممالک نے AI تعاون کے اعلامیے پر دستخط کیے، اور یورپی کمیشن نے 2018–2020 میں AI تحقیق کی مدد کے لیے 1.5 ارب یورو مختص کیے (Horizon 2020 پروگرام سے اضافی 2.6 ارب یورو کے علاوہ)۔ مقصد 10 سالوں میں AI میں 20 ارب یورو سرمایہ کاری حاصل کرنا تھا۔ برطانیہ نے 950 ملین پاؤنڈ کی سرمایہ کاری کے ساتھ AI Sector Deal شائع کیا۔ فرانس نے تین رپورٹیں جاری کیں، جن میں "Mission Villani" بھی شامل ہے، جو پالیسی، ذہانت کے اخراج کی روک تھام اور AI میں تنوع کے موضوعات پر مرکوز تھی<sup>[\[25\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-EC2018-25)</sup>۔

### چین

2014 سے چینی حکومت نے 2018 تک 14.7 ارب ڈالر کی AI مارکیٹ بنانے اور 2030 تک AI میں چین کی عالمی قیادت کو یقینی بنانے کے لیے قومی اقدامات کا ایک سلسلہ شروع کیا۔ ایک اہم دستاویز جولائی 2017 کا "نئی نسل کے AI کی ترقی کا منصوبہ" تھا، جو 2020 تک ترقی یافتہ ممالک کی سطح تک پہنچنے، 2025 تک بڑی پیش رفت اور 2030 تک AI اختراعات کا عالمی مرکز بننے کا تصور رکھتا تھا<sup>[\[26\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-ChinaAI2017-26)</sup>۔

## حصہ 7۔ انسانی صلاحیتوں کی سطح پر کامیابیاں

رپورٹ نے ان واقعات کی تاریخی فہرست جاری رکھی جب AI نے انسانی سطح حاصل کی یا اسے پیچھے چھوڑا۔ 2018 میں چار نئی کامیابیاں شامل کی گئیں<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-AIIndex2018-1)</sup>:

| سال      | کامیابی                        | تفصیل                                                                                                                        |
|----------|--------------------------------|------------------------------------------------------------------------------------------------------------------------------|
| 1980     | Othello                        | پروگرام BILL (Ku-Fu Lee اور S. Mahajan) بہترین امریکی کھلاڑی کو شکست دیتا ہے؛ 1997 میں Logistello عالمی چیمپئن کو شکست دے گا |
| 1995     | چیکرز                          | پروگرام Chinook عالمی چیمپئن کو شکست دیتا ہے                                                                                 |
| 1997     | شطرنج                          | IBM DeepBlue گیری کاسپاروف کو شکست دیتا ہے                                                                                   |
| 2011     | Jeopardy!                      | IBM Watson چیمپئنز Brad Rutter اور Ken Jennings کو شکست دیتا ہے                                                              |
| 2015     | Atari                          | DeepMind 49 Atari گیمز میں انسانی سطح تک پہنچتا ہے                                                                           |
| 2016     | Go                             | AlphaGo Lee Sedol کو شکست دیتا ہے (4–1)؛ AlphaGo Zero نے AlphaGo کو 100–0 سے شکست دی                                         |
| 2016     | آبجیکٹ ڈیٹیکشن (ImageNet)      | درجہ بندی کی غلطی 2010 میں 28% سے کم ہو کر 3% سے بھی کم رہ گئی جبکہ انسانی سطح ~5% ہے                                        |
| 2017     | تقریر کی شناخت (Switchboard)   | Microsoft اور IBM انسانی درستگی کے قریب کی سطح حاصل کرتے ہیں                                                                 |
| 2017     | پوکر                           | Libratus (CMU) چار پیشہ ور کھلاڑیوں کو 120,000 ہاتھوں میں شکست دیتا ہے؛ DeepStack (Alberta) 11 پیشہ وروں کو شکست دیتا ہے     |
| 2017     | جلد کے سرطان کی درجہ بندی      | AI نظام (Esteva et al., Nature) 21 سند یافتہ جلد امراض کے ماہرین کی سطح تک پہنچتا ہے                                         |
| 2017     | Ms. Pac-Man                    | Maluuba ٹیم (Microsoft) Atari 2600 پر 999,900 کا زیادہ سے زیادہ اسکور حاصل کرتی ہے                                           |
| **2018** | **Capture the Flag**           | **DeepMind کا ایجنٹ Quake III Arena CTF کے ترمیم شدہ ورژن میں انسانی سطح حاصل کرتا ہے**                                      |
| **2018** | **Dota 2**                     | **OpenAI Five شوقیہ ٹیموں کو شکست دیتا ہے (پابندیوں کے ساتھ) لیکن پیشہ وروں سے ہار جاتا ہے**                                 |
| **2018** | **پروسٹیٹ سرطان کی درجہ بندی** | **Google کا نظام پیتھالوجسٹوں کے 61% کے مقابلے میں 70% کی مجموعی درستگی حاصل کرتا ہے**                                       |
| **2018** | **چینی — انگریزی ترجمہ**       | **Microsoft کا نظام newstest2017 ڈیٹاسیٹ پر انسانی سطح حاصل کرتا ہے**                                                        |

رپورٹ کے مصنفین نے زور دیا کہ ان نتائج کو بڑھا چڑھا کر نہیں سمجھنا چاہیے: یہ کام انتہائی مخصوص تھے، اور یہ کامیابیاں نظاموں کی تعمیم کی صلاحیت کا ثبوت نہیں تھیں<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-AIIndex2018-1)</sup>۔

## حصہ 8۔ کیا شامل کرنا ضروری ہے؟ (What's Missing?)

یہ حصہ اشاریے کی ترقی کی سمتوں کے بارے میں تین ماہرین کی آراء پیش کرتا تھا<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-AIIndex2018-1)</sup>۔

**Francesca Rossi** (IBM، یونیورسٹی آف پاڈووا) نے عقلِ عام (common sense reasoning)، قدرتی زبان کی گہری سمجھ، انسان اور مشین کے تعاون (نہ کہ تقابل) کے ساتھ ساتھ Machine Learning کو symbolic AI کے ساتھ ملانے اور سببی استنتاج (causality) کے پیمانے شامل کرنے کی تجویز دی<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-AIIndex2018-1)</sup>۔

**Rodney Brooks** (MIT) نے صنعتی روبوٹ کے پیمانے کی محدودیت کی طرف توجہ دلائی جن میں اکثر AI کے اجزاء نہیں ہوتے۔ انہوں نے AI اجزاء والے روبوٹس کا سراغ لگانے کی تجویز دی: ڈرون (SLAM اور دیگر الگورتھم)، گھریلو روبوٹ (Roomba) اور ممکنہ سماجی روبوٹ<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-AIIndex2018-1)</sup>۔

**Toby Walsh** (UNSW Sydney، TU Berlin) نے بڑھتی ہوئی سرکاری اور نجی سرمایہ کاری (برطانیہ — 1 ارب پاؤنڈ، فرانس — 1.5 ارب یورو، جرمنی — 3 ارب یورو، Alibaba — 15 ارب ڈالر) کی پیمائش کے لیے مقداری پیمانوں کی ضرورت پر زور دیا، نیز AI کے فوجی استعمال بشمول خودمختار ہتھیاروں کے سراغ کے لیے بھی<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-AIIndex2018-1)</sup>۔

## طریقہ کار

رپورٹ نے متعدد ذرائع سے اعداد و شمار استعمال کیے<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-AIIndex2018-1)</sup>:

- **اشاعتیں:** Elsevier Scopus (~70 ملین دستاویزات، ~800 AI کلیدی الفاظ)، arXiv.org۔
- **کانفرنسیں:** AAAI، NeurIPS، ICML، CVPR، ICLR، IJCAI، ACL، ICRA، ICAPS، UAI، KR، AAMAS، WiML، AI4ALL۔
- **کورسز:** براہ راست یونیورسٹیوں سے اعداد و شمار (10 ممالک میں 17 ادارے)۔
- **اسٹارٹ اپس اور سرمایہ کاری:** Sand Hill Econometrics (Dow Jones VentureSource)، Crunchbase API۔
- **آسامیاں:** Monster.com، Gartner TalentNeuron۔
- **پیٹنٹس:** amplified (IPC کوڈز: Cognition and meaning understanding، Human-interface technology)۔
- **AI کا نفاذ:** McKinsey & Company (2,135 جواب دہندگان کا سروے)۔
- **کارپوریٹ رپورٹیں:** Prattle (FactSet کے ساتھ آمدنی رپورٹوں کے متن کا تجزیہ)۔
- **روبوٹکس:** International Federation of Robotics (IFR)، ROS.org۔
- **میڈیا:** TrendKite (مضامین کے لہجے کا تجزیہ)۔
- **حکومت:** Congressional Record (امریکہ)، Hansards (برطانیہ اور کینیڈا)، McKinsey Global Institute۔
- **بینچ مارکس:** ImageNet (LSVRC)، COCO، Penn Treebank، WMT (EuroMatrix)، ARC (Allen Institute for AI)، GLUE۔

## مصنفین کی ٹیم

رپورٹ کو **Yoav Shoham** (Stanford University) کی سربراہی میں AI Index اسٹیئرنگ کمیٹی نے **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) اور **Barbara Grosz** (Harvard University) کی شرکت سے تیار کیا۔ پروجیکٹ مینیجر **Zoe Bauer** تھیں۔ AI Index ابتداء میں One Hundred Year Study on AI (AI100) منصوبے کے تحت وجود میں آیا اور بعد میں Stanford کے HAI (Human-Centered AI) ادارے میں رکھا گیا<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-AIIndex2018-1)</sup>۔

## سیاق و سباق اور اہمیت

AI Index Report 2018 نے AI کی پیشرفت کی منظم نگرانی کے ارتقاء میں ایک اہم سنگِ میل کا کردار ادا کیا۔ اس نے کئی تاریخی لمحات کو ریکارڈ کیا: Deep Learning کی تیز رفتار ترقی اور AI کے طریقوں میں اس کا غلبہ، ImageNet کی "سیری" کے بعد کمپیوٹر وژن برادری کا زیادہ پیچیدہ کاموں کی طرف رخ، قدرتی زبان کی پروسیسنگ پر BERT ماڈل کا انقلابی اثر، اور جدید AI نظاموں کی ترقی میں صنعت کی شمولیت کا بے مثال اضافہ۔ رپورٹ نے پہلی بار AI کی فنڈنگ اور اسٹریٹجک منصوبہ بندی میں ریاستوں کی "دوڑ" کو بھی منظم طریقے سے دستاویز کیا — ایک رجحان جو آنے والے برسوں میں اس شعبے کی ترقی کا تعین کرتا رہے گا<sup>[\[1\]](https://systems-analysis.info/int/The_2018_AI_Index_Report_(UR)#cite_note-AIIndex2018-1)</sup>۔

## حوالہ جات

- Stanford HAI — AI Index (تمام رپورٹیں): <a href="https://aiindex.stanford.edu/report/" class="external free" rel="nofollow">https://aiindex.stanford.edu/report/</a>
- AI Index 2018 Report (مکمل متن، 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 — سائنسی اشاعتوں کا ڈیٹا بیس: <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 — سائنسی پری پرنٹس کا آرکائیو: <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 — قومی AI حکمتِ عملیوں کا جائزہ: <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 — NLP میں پیشرفت کا سراغ: <a href="https://nlpprogress.com/" class="external free" rel="nofollow">https://nlpprogress.com/</a>

## کتابیات

- 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>

## حواشی

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