--- title: "The 2019 AI Index Report (CS)" source: "https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)" wiki: "systems-analysis.info/int" article: "The_2019_AI_Index_Report_(CS)" language: "cs" categories: - "Category:Czech" - "Category:Machine learning" revision_id: 7952 wiki_created_at: 2026-09-07T01:09:31Z wiki_modified_at: 2026-09-07T01:09:31Z downloaded_at: 2026-09-07T23:21:57Z --- # The 2019 AI Index Report (CS) **AI Index Report 2019** — druhé plnoformátové roční vydání zprávy **AI Index**, připravené Stanfordským institutem umělé inteligence zaměřeným na člověka (Stanford HAI)^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-AIIndex2019-1)}. Zpráva z roku 2019 sleduje třikrát více datových sad ve srovnání s vydáním z roku 2018 a zahrnuje devět tematických kapitol: od výzkumu a vývoje po národní strategie a globální dynamiku AI. Vydání obsahuje aktualizovaná data ke všem aspektům umělé inteligence — technickým pokrokům, ekonomice, vzdělávání, vnímání veřejností a společenským důsledkům — a představuje dva nové interaktivní nástroje: **Global AI Vibrancy Tool** (vibrancy.aiindex.org), umožňující porovnávat země podle 34 indikátorů, a **AI Index arXiv Monitor** (arxiv.aiindex.org), zajišťující fulltextové vyhledávání v preprintech z oblasti AI. AI Index je nezávislou iniciativou při Stanfordském institutu HAI, vzniklou v rámci projektu „Stoletý výzkum AI" (AI100)^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-AIIndex2019-1)}. ## Kontext a cíle Misí AI Index je poskytovat objektivní, pečlivě ověřená data o vývoji umělé inteligence politikům, výzkumníkům, vedoucím pracovníkům, novinářům a široké veřejnosti^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-AIIndex2019-1)}. Zpráva z roku 2019 vyšla v době rychlého růstu zájmu o AI ze strany vlád, korporací a společnosti a snažila se vyvrátit rozšířené mýty — zejména představu, že vývoj AI se omezuje na soupeření mezi USA a Čínou. Data zprávy ukazují, že lokální centra excelence v oblasti AI vznikají po celém světě: Finsko vyniká ve vzdělávání v oblasti AI, Indie vykazuje vysoké pronikání AI dovedností, Singapur disponuje dobře organizovanou státní podporou a Izrael vede v soukromých investicích do AI startupů na obyvatele^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-AIIndex2019-1)}. ## Struktura zprávy Zpráva z roku 2019 se skládá z devíti tematických kapitol^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-AIIndex2019-1)}: 1. **Výzkum a vývoj (Research and Development)** — bibliometrická data, publikace, patenty, genderová diverzita ve výzkumu AI. 2. **Konference (Conferences)** — návštěvnost, statistiky článků AAAI, organizace pro diverzitu, etika na konferencích. 3. **Technická výkonnost (Technical Performance)** — benchmarky pro počítačové vidění, zpracování jazyka, uvažování, výpočetní výkon. 4. **Ekonomika (The Economy)** — pracovní místa, investice, firemní nasazení, robotizace. 5. **Vzdělávání (Education)** — online vzdělávání, univerzitní programy, PhD specializace, odliv pedagogů. 6. **Autonomní systémy (Autonomous Systems)** — autonomní vozidla, autonomní zbraně. 7. **Veřejné vnímání (Public Perception)** — centrální banky, parlamenty, firemní zprávy, média. 8. **Společenské aspekty (Societal Considerations)** — etické zásady, AI a udržitelný rozvoj OSN. 9. **Národní strategie a globální dynamika AI (National Strategies and Global AI Vibrancy)** — národní strategie, nástroj pro porovnávání zemí. ## Klíčová zjištění zprávy ### 1. Růst objemu publikací V období 1998–2018 vzrostl objem recenzovaných publikací v oblasti AI o více než 300 %. V roce 2018 tvořily články o AI 3 % časopiseckých publikací a 9 % konferenčních článků v databázi Scopus^{[\[2\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-Scopus2019-2)}. Čína se v roce 2018 vyrovnala Evropě v počtu časopiseckých a konferenčních publikací o AI, přičemž USA předstihla již v roce 2006. Přitom index citovanosti (FWCI) publikací z USA stále přibližně o 50 % přesahoval čínský^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-AIIndex2019-1)}. ### 2. Rekordní návštěvnost konferencí Návštěvnost největších AI konferencí nadále výrazně rostla. Konference NeurIPS v roce 2019 očekávala 13 500 účastníků — nárůst o 41 % oproti roku 2018 a více než o 800 % oproti roku 2012. Konference AAAI a CVPR vykazovaly roční nárůst návštěvnosti přibližně 30 %^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-AIIndex2019-1)}. ### 3. Rychlý technický pokrok Doba trénování modelu klasifikace obrázků na cloudové infrastruktuře se zkrátila z přibližně tří hodin v říjnu 2017 na přibližně 88 sekund v červenci 2019; náklady na trénování klesly obdobně. Na benchmarcích SuperGLUE a SQuAD 2.0 byl pokrok obzvláště rychlý, avšak na úlohách vyžadujících uvažování (např. AI2 Reasoning Challenge) a úlohách učení na úrovni konceptů (Omniglot Challenge) zůstávaly výsledky nižší^{[\[3\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-DAWNBench2019-3)[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-AIIndex2019-1)}. ### 4. Exponenciální růst výpočetního výkonu Do roku 2012 odpovídal růst výpočetního výkonu pro AI Moorovu zákonu — zdvojení každé dva roky. Po roce 2012 se výpočetní výkon zdvojoval každých 3,4 měsíce, což vedlo k více než 300 000násobnému nárůstu za šest let^{[\[4\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-OpenAICompute-4)}. ### 5. Globální růst náboru v oblasti AI Singapur, Brazílie, Austrálie, Kanada a Indie vykazovaly nejrychlejší růst náboru v oblasti AI v období 2015–2019. V USA vzrostl podíl pracovních pozic souvisejících s AI z 0,26 % celkového počtu volných míst v roce 2010 na 1,32 % v říjnu 2019, přičemž největší poptávka byla po specialistech na Machine Learning (0,51 %)^{[\[5\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-BurningGlass2019-5)[\[6\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-LinkedIn2019-6)}. ### 6. Soukromé investice překročily 70 miliard dolarů V roce 2019 globální soukromé investice do AI přesáhly 70 miliard dolarů, včetně více než 37 miliard investic do startupů, 34 miliard do transakcí M&A, přibližně 5 miliard do IPO a přibližně 2 miliard do menšinových podílů. V letech 2010 až 2018 vzrostlo financování AI startupů z 1,3 miliardy na 40,4 miliardy dolarů při průměrném ročním růstu přes 48 %. Autonomní vozidla získala největší podíl investic (7,7 miliardy), následovala farmacie a terapie rakoviny (4,7 miliardy) a rozpoznávání obličejů (4,7 miliardy)^{[\[7\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-Quid2019-7)}. ### 7. Rostoucí nasazení AI v podnikání Podle průzkumu McKinsey & Company (2 360 respondentů) využívalo 58 % velkých společností AI alespoň v jedné funkci nebo obchodní jednotce v roce 2019 oproti 47 % v roce 2018. Přitom pouze 19 % organizací podnikalo kroky ke snížení rizik spojených s vysvětlitelností algoritmů a jen 13 % se zabývalo předcházením zaujatosti a diskriminaci^{[\[8\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-McKinsey2019-8)}. ### 8. AI — nejpopulárnější specializace pro PhD AI se stalo nejpopulárnější specializací mezi doktorandy v informatice v Severní Americe: v roce 2018 se více než 21 % absolventů PhD v počítačových vědách specializovalo na AI a Machine Learning. Podíl absolventů PhD v oblasti AI, kteří odcházejí do průmyslu, vzrostl z 21 % v roce 2004 na více než 60 % v roce 2018^{[\[9\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-Taulbee2019-9)}. ### 9. Odliv pedagogů AI z akademické sféry Odchod pedagogů AI z akademické sféry do průmyslu se zrychlil: více než 40 odchodů v roce 2018 oproti 15 v roce 2012 a nule v roce 2004. Největší ztráty zaznamenala Carnegie Mellon University, University of Washington a University of California v Berkeley^{[\[10\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-Gofman2019-10)}. ### 10. Rostoucí pozornost věnovaná etice AI Správnost, interpretovatelnost a vysvětlitelnost byly určeny jako nejčastěji zmiňované etické výzvy v 59 dokumentech s principy etického AI. Z více než 3 600 světových zpravodajských článků o etice a AI (polovina 2018 — polovina 2019) dominovaly tematicky rámcové principy a pokyny pro etické využívání AI (32 %), ochrana soukromí dat (14 %), rozpoznávání obličejů (13 %), algoritmická zaujatost (11 %) a role velkých technologických společností (11 %)^{[\[11\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-PwC2019-11)}. ## Kapitola 1. Výzkum a vývoj Kapitola analyzuje trendy v publikacích podle dat Elsevier Scopus, preprintů arXiv, Microsoft Academic Graph (MAG), dále patentovou aktivitu, popularitu softwarových frameworků na GitHubu a genderovou diverzitu mezi výzkumníky v oblasti AI^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-AIIndex2019-1)}. ### Publikace Evropa zůstávala největším vydavatelem článků o AI a dosáhla více než 27 % publikací v Scopusu v roce 2018. Podíl Číny vzrostl z 10 % v roce 2000 na 28 % v roce 2018. V USA tvořily relativně vysoký podíl firemní publikace: v roce 2018 počet firemních AI článků v USA převyšoval čínské více než sedmkrát^{[\[2\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-Scopus2019-2)}. Na arXiv se celkový počet článků o AI v letech 2010–2019 zvýšil více než dvacetinásobně. Počítačové vidění (CV) bylo největší podkategorií od roku 2014, avšak v roce 2019 se vedoucí kategorií stalo Machine Learning. Podkategorie „Computation & Language" vzrostla od roku 2010 téměř šedesátinásobně^{[\[12\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-arXiv2019-12)}. ### Citovanost Více než 32 % světových citací časopiseckých článků o AI pocházelo z východní Asie, více než 40 % citací konferenčních článků ze Severní Ameriky. V oblasti patentů Severní Amerika akumulovala více než 60 % světové citační aktivity v AI patentech za roky 2014–2018^{[\[13\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-MAG2019-13)}. ### Patenty Více než 51 % světových AI patentů se vztahovalo k Severní Americe. USA zveřejnily třikrát více AI patentů než druhá v pořadí — Japonsko. Více než 94 % AI patentů bylo podáno ve vysokopříjmových zemích^{[\[13\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-MAG2019-13)}. ### GitHub Stars Pozoruhodným trendem byla dominance frameworků podporovaných korporacemi: TensorFlow (Google) a PyTorch (Facebook). Nekorporátní frameworky — scikit-learn a Caffe — nadále rostly, ale pomalejším tempem^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-AIIndex2019-1)}. ### Genderová diverzita ve výzkumu Více než 41 % AI článků z Nizozemska a více než 39 % z Dánska mělo alespoň jednu spoluautorku. V Japonsku a Singapuru tento ukazatel činil jen 10 % a 16 %. Mnoho západoevropských zemí, stejně jako Argentina, Kanada a Írán, vykazovaly relativně vysoké zastoupení žen ve výzkumu AI^{[\[14\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-NESTA2019-14)}. ## Kapitola 2. Konference ### Návštěvnost NeurIPS v roce 2019 očekával 13 500 účastníků (nárůst o 800 % od roku 2012). ICLR vzrostl 15násobně oproti roku 2014. Seminář Women in Machine Learning (WiML) zvýšil počet účastníků o 738 % oproti roku 2014 a program AI4ALL o 2 000 % oproti roku 2015^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-AIIndex2019-1)}. ### Statistiky AAAI Na konferenci AAAI 2019 Čína předložila největší počet podaných a přijatých článků. Více než 68 % přihlášek pocházelo od doktorandů. Izrael měl nejvyšší míru přijetí (24 %), za ním Německo (23 %), Kanada (22 %), USA a Singapur (shodně po 20 %). Machine Learning, NLP a počítačové vidění zůstávaly třemi předními tematickými oblastmi^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-AIIndex2019-1)}. ### Etika na konferencích Celkový počet článků s klíčovými slovy spojenými s etikou na předních AI konferencích zůstával malým podílem z celkového počtu, avšak rychle rostl. Analýza zahrnovala 110 108 článků, včetně 59 352 konferenčních a 50 756 časopiseckých^{[\[15\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-PratesEthics2019-15)}. ## Kapitola 3. Technická výkonnost Kapitola sleduje technický pokrok v úlohách počítačového vidění, zpracování přirozeného jazyka, uvažování, strojového překladu a výpočetního výkonu^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-AIIndex2019-1)}. ### Počítačové vidění **ImageNet.** První metoda, která překonala lidskou přesnost na ImageNet, byla publikována v roce 2015. Do roku 2019 pokrok pokračoval: tři nejúspěšnější metody využívaly dodatečná trénovací data. Soutěž ImageNet byla ukončena v roce 2017, ale dataset zůstával klíčovým benchmarkem^{[\[16\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-ImageNet2019-16)}. **Doba a náklady na trénování.** Podle projektu DAWNBench (Stanford) se doba trénování modelu klasifikace obrázků na přesnost 93 %+ (top-5) na cloudové infrastruktuře zkrátila z více než 3 hodin (říjen 2017) na ~88 sekund (červenec 2019). Náklady na trénování klesly z 2 323 dolarů (říjen 2017, ResNet) na ~12 dolarů (září 2018, ResNet na GCP s Cloud TPU)^{[\[3\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-DAWNBench2019-3)}. **Generování obrázků.** Pokrok v generování obrázků (CIFAR-10) byl měřen pomocí metriky FID (Fréchet Inception Distance): nižší skóre koreluje s lepší kvalitou generování^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-AIIndex2019-1)}. **Sémantická segmentace.** Pokrok byl měřen metrikou mean IoU na datasetu Cityscapes — úloze důležité pro systémy autonomního řízení^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-AIIndex2019-1)}. ### Zpracování přirozeného jazyka **GLUE.** Benchmark General Language Understanding Evaluation, vydaný v květnu 2018, testuje systémy na devíti úlohách zpracování textu. Přestože benchmarku bylo sotva více než rok, výsledky systémů v červnu 2019 překonaly úroveň neodborných hodnotitelů. Modely RoBERTa (Facebook) a T5 (Google) nadále zlepšovaly výsledky^{[\[17\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-GLUE2018-17)}. **SuperGLUE.** Náročnější benchmark, spuštěný v květnu 2019. Během pěti měsíců po spuštění se model T5 (Google) téměř přiblížil lidskému základnímu skóre 89,8, dosáhnuvší 88,9 bodu^{[\[18\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-SuperGLUE2019-18)}. **SQuAD.** Na benchmarku Stanford Question Answering Dataset vzrostlo F1 skóre pro SQuAD 1.1 z 67 (srpen 2016) na 95 (květen 2019). Pokrok na SQuAD 2.0 byl ještě rychlejší: z 62 (květen 2018) na 90 (červen 2019). Doba trénování modelu pro zodpovídání otázek na F1 ≥ 75 na SQuAD 1.0 se zkrátila z více než 7 hodin (říjen 2017) na méně než 19 minut (březen 2019)^{[\[19\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-SQuAD2018-19)}. **Uvažování.** Na ARC Challenge Set (Allen Institute for AI) dosáhl nejlepší výsledek 67,7 % (září 2019). Na ARC-Easy — 85,4 %. Úlohy vyžadující uvažování zůstávaly pro AI systémy výrazně obtížnější^{[\[20\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-ARC2018-20)}. ### Strojový překlad Počet komerčně dostupných systémů strojového překladu s předtrénovanými modely vzrostl z 8 (2017) na více než 24 (2019). Největší pokrok v kvalitě byl zaznamenán u jazykových párů čínština–angličtina, angličtina–němčina a ruština–angličtina^{[\[21\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-Intento2019-21)}. ### Omniglot Challenge Během tří let byl zaznamenán znatelný pokrok v klasifikaci z jednoho příkladu (one-shot), avšak ve zbývajících čtyřech úlohách učení konceptů (generování příkladů, parsování, generování nových konceptů) byl pokrok omezený. Bayesovské programové učení (BPL) stále překonávalo přístupy založené na Neural Network v původní úloze^{[\[22\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-Lake2019-22)}. ### Výpočetní výkon Analýza OpenAI ukázala strukturální předěl: do roku 2012 se objem výpočtů pro AI zdvojoval každé dva roky (Moorův zákon); po roce 2012 každých 3,4 měsíce. Od roku 2012 tento ukazatel vzrostl více než 300 000násobně^{[\[4\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-OpenAICompute-4)}. ### Milníky na lidské úrovni Zpráva aktualizovala chronologii dosažených výsledků AI a přidala dva nové výsledky k dříve zdokumentovaným (Othello — 1980, dáma — 1995, šachy — 1997, Jeopardy! — 2011, Atari — 2015, ImageNet — 2016, Go — 2016, poker — 2017, Ms. Pac-Man — 2017, StarCraft II — 2019): | Rok | Dosažení | |------|-----------------------------------------------------------------------------------| | 2018 | AlphaFold (DeepMind) — předpověď 3D struktury proteinů s bezprecedentní přesností | | 2019 | AlphaStar (DeepMind) — vítězství nad špičkovým profesionálem ve StarCraft II | | 2019 | Detekce diabetické retinopatie s přesností na úrovni specialisty | ## Kapitola 4. Ekonomika ### Pracovní místa a nábor Index náboru AI (LinkedIn) ukázal, že Singapur, Brazílie, Austrálie, Kanada a Indie vedly v tempu růstu náboru v období 2015–2019. V USA měl stát Washington největší relativní poptávku po AI pracovních místech (téměř 1,4 % z celkového počtu volných míst), za ním Kalifornie (1,3 %) a Massachusetts (1,3 %). V absolutním počtu vedla Kalifornie s více než 93 000 AI pracovními místy^{[\[5\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-BurningGlass2019-5)}. Nejvyšší pronikání AI dovedností bylo zaznamenáno v sektorech IT služeb (2,3 % pracovních míst), profesionálních a vědeckých služeb (více než 2 %), financí a pojišťovnictví (1,3 %) a zpracovatelského průmyslu (1,1 %)^{[\[6\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-LinkedIn2019-6)}. Podle LinkedIn vykazovala Indie pronikání AI dovedností 2,6krát vyšší než světový průměr. Zajímavý obraz přinášel genderový pohled: muži uváděli AI dovednosti ve větším počtu profesí než ženy ve všech zemích vzorku^{[\[6\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-LinkedIn2019-6)}. ### Investice Financování AI startupů rostlo průměrným ročním tempem přes 48 % (2010–2018). Do listopadu 2019 dosáhl objem investic 37,4 miliardy dolarů (oproti 40,4 miliardám za celý rok 2018). V letech 2014 až 2019 bylo realizováno 15 798 investic s průměrnou velikostí přibližně 8,6 milionu dolarů^{[\[7\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-Quid2019-7)}. Ukazatel investic do AI na obyvatele byl nejvyšší u Izraele, následovaly Singapur a Island. Startupy z Číny získávaly výrazně více investic na společnost: 34,1 milionu dolarů — o 201 % více než v USA a o 296 % více než světový průměr^{[\[7\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-Quid2019-7)}. Sektorálně směřovaly největší investice do autonomních vozidel (7,7 miliardy, 9,9 % z celkového objemu), farmacie a terapie rakoviny (4,7 miliardy), rozpoznávání obličejů (4,7 miliardy), videoobsahu (3,6 miliardy) a detekce podvodů (3,1 miliardy). Nejrychleji rostoucími oblastmi byla robotická automatizace procesů, řízení dodavatelských řetězců a průmyslová automatizace^{[\[7\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-Quid2019-7)}. ### Státní investice (USA) Federální vláda USA plánovala investovat 4,98 miliardy dolarů do výzkumu AI v rozpočtovém roce 2020. Ministerstvo obrany (DoD) — 4,0 miliardy, včetně 506 milionů prostřednictvím DARPA, 221 milionů na projekt Maven a 209 milionů na Joint AI Center (JAIC). Výdaje federálních agentur na smlouvy v oblasti AI vzrostly o ~70 %: ze 429 milionů dolarů v roce 2017 na 728 milionů v roce 2018^{[\[23\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-Bloomberg2019-23)}. ### Firemní nasazení 58 % velkých společností uvádělo využívání AI alespoň v jedné funkci (nárůst z 47 % v roce 2018). 30 % respondentů zaznamenalo nasazení AI ve více obchodních jednotkách (21 % v roce 2018). Nejčastěji nasazované AI schopnosti: robotická automatizace procesů, počítačové vidění a Machine Learning. Kybernetická bezpečnost byla rizikem, které organizace nejčastěji řešily (48 %), zatímco rizika vysvětlitelnosti (19 %) a spravedlnosti (13 %) byla adresována výrazně méně^{[\[8\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-McKinsey2019-8)}. ### Průmyslová robotizace V roce 2018 vzrostly globální instalace průmyslových robotů o 6 % — na 422 271 kusů v hodnotě 16,5 miliardy dolarů. Provozní park robotů čítal 2 439 543 kusů. Pět největších trhů — Čína, Japonsko, USA, Jižní Korea a Německo — akumulovalo 74 % globálních instalací. Čína zůstávala světovým lídrem (36 %) s instalací 154 032 kusů^{[\[24\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-IFR2019-24)}. ## Kapitola 5. Vzdělávání ### Online vzdělávání Coursera, obsluhující více než 45 milionů studentů a nabízející přes 3 700 kurzů, sestavila žebříček 60 zemí podle AI dovedností (Global Skills Index). Jižní Asie a východní Asie vykazovaly největší podíl zápisů na kurzy AI a příbuzných kompetencí. Na Udacity získal kurz „Introduction to Machine Learning" přes 125 000 celkových zápisů^{[\[25\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-Coursera2019-25)}. ### Univerzitní programy Počet zapsaných na úvodní kurzy AI na Stanfordu vzrostl pětinásobně (2012–2018). Na kurz „Introduction to Machine Learning" na University of Illinois (UIUC) — dvanáctinásobně (2010–2018). Na mezinárodní úrovni měla University of Toronto největší počet zapsaných studentů, za ní Vysoká škola ekonomická (Rusko) a Tsinghua University (Čína)^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-AIIndex2019-1)}. V Evropě bylo identifikováno 2 054 programů pokrývajících oblast AI, přičemž naprostá většina byla na úrovni magisterského studia. 197 evropských univerzit nabízelo 406 specializovaných magisterských programů v oblasti AI^{[\[26\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-JRC2019-26)}. ### PhD specializace a odliv do průmyslu AI se stalo nejpopulárnější PhD specializací v informatice: více než 21 % v roce 2018. Podíl PhD absolventů odcházejících do průmyslu se ztrojnásobil: z 21 % v roce 2004 na 62 % v roce 2018. Více než 60 % nových PhD absolventů v oblasti AI v USA a Kanadě byli zahraniční studenti (méně než 40 % v roce 2010); po absolvování opustilo USA jen ~10 %^{[\[9\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-Taulbee2019-9)}. Tři univerzity s největšími ztrátami AI pedagogů: Carnegie Mellon (17 stálých zaměstnanců), University of Washington (11) a Berkeley. Z kanadských univerzit ztratila nejvíce University of Toronto (9 pedagogů). Podíl žen mezi PhD absolventy v oblasti AI zůstával stabilní na úrovni ~20 % v letech 2010 až 2018^{[\[10\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-Gofman2019-10)}. ## Kapitola 6. Autonomní systémy ### Autonomní vozidla Nejméně 25 zemí mělo města testující autonomní vozidla (AV). Ve státě Kalifornie vzrostl v letech 2015 až 2018 počet testovacích společností i celkový počet AV sedminásobně. V roce 2018 projelo více než 50 společností a 500 AV přes 2 miliony mil. Nejméně 41 států a District of Columbia zvažovaly legislativu spojenou s AV^{[\[27\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-CADMV2019-27)}. Frekvence nehod AV v Kalifornii v roce 2018 činila 22,44 na milion mil — přibližně 5,5krát vyšší než upravený ukazatel pro běžné řidiče. Ve většině nehod narazilo vozidlo s lidským řidičem zezadu do stojícího nebo rovně jedoucího AV za denního světla. Většina škod byla nepatrná^{[\[27\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-CADMV2019-27)}. ### Autonomní zbraně Podle odborné studie Stockholmského mezinárodního ústavu pro výzkum míru (SIPRI) mělo nejméně 89 zemí automatické systémy protivzdušné obrany. Systémy aktivní ochrany vyvíjelo a vyrábělo jen devět zemí. Data pokrývala období 1950–2017^{[\[28\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-SIPRI2019-28)}. ## Kapitola 7. Veřejné vnímání ### Centrální banky Komunikace centrálních bank vykazovaly rostoucí zájem o AI. Bank of England, Bank of Japan a Federální rezervní systém zmiňovaly AI nejčastěji ze všech. Charakter publikací se přesunul od analytických dokumentů k projevům^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-AIIndex2019-1)}. ### Parlamentní a vládní aktivita Byl zaznamenán více než desetinásobný nárůst legislativní aktivity spojené s AI v Kongresu USA v letech 2017–2018. V přepisech Kongresu se rok 2019 stal rokem s nejvyšším počtem zmínek o AI. Podobné trendy byly zaznamenány v parlamentech Kanady a Velké Británie^{[\[23\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-Bloomberg2019-23)}. ### Korporace Podíl zpráv o výsledcích hospodaření (earnings calls) 3 000 veřejných společností v USA obsahujících zmínky o AI vzrostl z 0,01 % (2010) na 0,42 % (2018). Finanční sektor vedl v počtu zmínek^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-AIIndex2019-1)}. ### Média a webové vyhledávání Podle Google Trends předstihl termín „machine learning" ostatní příbuzné termíny ve vyhledávacích dotazech v USA. Podle GDELT Project se z zpravodajských článků souvisejících s AI 17,7 % týkalo dopadu na zaměstnanost, 2,4 % algoritmické zaujatosti a jen 0,99 % „robotů-zabijáků"^{[\[29\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-GDELT2019-29)}. ## Kapitola 8. Společenské aspekty ### Etické zásady PricewaterhouseCoopers analyzoval 59 dokumentů s principy etického AI od asociací a konsorcií, vlád, technologických společností, think tanků a vědeckých organizací. Dvanáct etických výzev bylo identifikováno nejčastěji: odpovědnost, bezpečnost, lidský dohled, spolehlivost a zabezpečení, spravedlnost, diverzita a inkluze, udržitelnost, transparentnost, interpretovatelnost a vysvětlitelnost, mnohostranný dialog, zákonnost a soulad s předpisy, ochrana soukromí dat^{[\[11\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-PwC2019-11)}. Správnost, interpretovatelnost/vysvětlitelnost a transparentnost byly zmiňovány nejčastěji. Pro technologické společnosti byla spravedlnost uváděna ve 100 % rámcových dokumentů, pro think tanky — spravedlnost a lidský dohled (100 % a 88 %)^{[\[11\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-PwC2019-11)}. ### AI a Cíle udržitelného rozvoje OSN McKinsey Global Institute identifikoval přibližně 160 případů využití AI pro společenský prospěch, potenciálně podporujících všech 17 Cílů udržitelného rozvoje (SDGs) OSN. AI mohlo adresovat přibližně polovinu ze 169 dílčích cílů SDGs. Největší počet případů využití odpovídal SDG 3 (zdraví) a SDG 16 (mírné a inkluzivní společnosti). Pro rozsáhlé nasazení AI ve prospěch udržitelného rozvoje však zůstávaly podstatné překážky: dostupnost dat, výpočetní výkon, lidské zdroje a organizační připravenost^{[\[30\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-MGI2019-30)}. ## Kapitola 9. Národní strategie a globální dynamika AI ### Národní strategie Počet oficiálních strategických dokumentů o AI neustále rostl. PwC pomocí NLP analýzy 37 dokumentů zjistil, že akademické partnerství bylo zmiňováno v 94 % dokumentů, výzkum a vývoj AI — v 48 %, správa AI — v 42 %. Ochrana spotřebitelů a spravedlnost byly zmiňovány nejméně (2 %)^{[\[11\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-PwC2019-11)}. ### Nástroj Global AI Vibrancy Poprvé představený nástroj pokrýval 28 zemí podle 34 metrik seskupených do tří pilířů: výzkum a vývoj (21 metrik), ekonomika (10 metrik) a inkluzivita (5 metrik). Nástroj umožňoval uživatelům nastavovat váhové koeficienty a provádět jak mezistátní, tak vnitrostátní srovnání^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-AIIndex2019-1)}. ### Profily zemí Zpráva zahrnovala podrobné profily zemí pro Brazílii, Čínu, Francii, Německo, Indii, Nizozemsko, Singapur a USA, jakož i přehled mnohostranné regionální politiky v oblasti AI^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-AIIndex2019-1)}. ## Významné výsledky benchmarků roku 2019 | Benchmark | Nejlepší výsledek (2019) | Lidská úroveň | Pokrok | |------------------|------------------------------------------|------------------------|---------------------------------------------| | ImageNet (Top-1) | ~88 % | ~95 % (jeden anotátor) | Trvalé zlepšování s dodatečnými daty | | GLUE | Překonána neodborná úroveň (červen 2019) | 87,1 (neodborník) | RoBERTa, T5 | | SuperGLUE | 88,9 (T5, Google) | 89,8 | Dosaženo za 5 měsíců po spuštění benchmarku | | SQuAD 1.1 (F1) | 95 | ~91 | Překonána lidská úroveň | | SQuAD 2.0 (F1) | 90 | ~89 | Prakticky na úrovni člověka | | ARC Challenge | 67,7 % | — | Úlohy uvažování zůstávají obtížné | | VQA | 75,28 % | ~80 % | Nárůst o 2,85 p.b. za rok | ## Metodologie Zpráva využívala data z mnoha zdrojů^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-AIIndex2019-1)}: - **Publikace:** Elsevier Scopus, arXiv (NESTA), Microsoft Academic Graph (MAG). - **Benchmarky:** Papers With Code, DAWNBench/MLPerf, žebříčky GLUE, SuperGLUE, SQuAD, ARC, VQA, ActivityNet. - **Konference:** registrační data NeurIPS, ICML, ICLR, AAAI, CVPR, WiML, AI4ALL, RightsCon. - **Trh práce:** LinkedIn Economic Graph, Burning Glass Technologies, Indeed. - **Investice:** CAPIQ, Crunchbase, Quid. - **Firemní aktivita:** McKinsey Global Survey, International Federation of Robotics. - **Státní výdaje:** Bloomberg Government. - **Veřejné vnímání:** Google Trends, GDELT Project, Prattle (centrální banky), Hansard (parlamenty). - **Etika a strategie:** PricewaterhouseCoopers (NAISR), Harvard, LexisNexis. - **Vzdělávání:** CRA Taulbee Survey, Coursera, Udacity, Joint Research Centre (EC). - **Autonomní systémy:** California DMV, Bloomberg Philanthropies, SIPRI, NCSL. ## Autorský kolektiv Zprávu připravil Řídící výbor AI Index pod koordinací **Raymonda Perraulta** (Raymond Perrault, SRI International) a pod předsednictvím **Yoava Shohama** (Yoav Shoham, Stanfordská univerzita). Členy výboru byli: **Erik Brynjolfsson** (MIT), **Jack Clark** (OpenAI), **John Etchemendy** (Stanford), **Barbara Grosz** (Harvard), **Terah Lyons** (Partnership on AI), **James Manyika** (McKinsey Global Institute) a **Juan Carlos Niebles** (Stanford). Vedoucím projektu a hlavním redaktorem byl **Saurabh Mishra** (Stanfordská univerzita). Data poskytlo více než 20 partnerských organizací^{[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_note-AIIndex2019-1)}. ## Odkazy - Stanford HAI — AI Index Report 2019 (plný text): https://aiindex.stanford.edu/report/ - Global AI Vibrancy Tool: https://vibrancy.aiindex.org/ - AI Index arXiv Monitor: https://arxiv.aiindex.org/ - Elsevier Scopus: https://www.scopus.com/ - Microsoft Academic Graph: https://academic.microsoft.com/ - Papers With Code: https://paperswithcode.com/ - GLUE Benchmark: https://gluebenchmark.com/ - SuperGLUE Benchmark: https://super.gluebenchmark.com/ - SQuAD: https://rajpurkar.github.io/SQuAD-explorer/ - DAWNBench (Stanford): https://dawn.cs.stanford.edu/benchmark/ - Allen Institute for AI (ARC): https://allenai.org/data/arc - LinkedIn Economic Graph: https://economicgraph.linkedin.com/ - International Federation of Robotics: https://ifr.org/ - McKinsey Global Survey on AI: https://www.mckinsey.com/capabilities/quantumblack/our-insights/global-ai-survey-ai-proves-its-worth-but-few-scale-impact - California DMV Autonomous Vehicle Reports: https://www.dmv.ca.gov/portal/vehicle-industry-services/autonomous-vehicles/ - SIPRI — Mapping Autonomy in Weapon Systems: https://www.sipri.org/ - PwC National AI Strategy Radar: https://www.pwc.com/ - GDELT Project: https://www.gdeltproject.org/ - OpenAI — AI and Compute: https://openai.com/blog/ai-and-compute ## Literatura - Perrault, R. et al. (2019). *The AI Index 2019 Annual Report*. AI Index Steering Committee, Human-Centered AI Institute, Stanford University. https://aiindex.stanford.edu/report/ - Amodei, D., Hernandez, D. (2018). *AI and Compute*. OpenAI. https://openai.com/blog/ai-and-compute - Wang, A. et al. (2018). *GLUE: A Multi-Task Benchmark and Analysis Platform for Natural Language Understanding*. https://gluebenchmark.com/ - Wang, A. et al. (2019). *SuperGLUE: A Stickier Benchmark for General-Purpose Language Understanding Systems*. https://super.gluebenchmark.com/ - Rajpurkar, P. et al. (2018). *Know What You Don't Know: Unanswerable Questions for SQuAD*. https://rajpurkar.github.io/SQuAD-explorer/ - Clark, P. et al. (2018). *Think you have Solved Question Answering? Try ARC*. Allen Institute for AI. https://allenai.org/data/arc - Gofman, M., Jin, Z. (2019). *Artificial Intelligence, Human Capital, and Innovation*. University of Rochester Working Paper. http://www.aibraindrain.org - Stathoulopoulos, K., Mateos-Garcia, J. (2019). *Gender Diversity in AI Research*. NESTA. https://www.nesta.org.uk/ - Prates, M., Avelar, P., Lamb, L. (2019). *Assessing Gender Bias in Machine Translation*. https://arxiv.org/abs/1809.02208 - McKinsey & Company (2019). *Global AI Survey: AI proves its worth, but few scale impact*. https://www.mckinsey.com/capabilities/quantumblack/our-insights/global-ai-survey-ai-proves-its-worth-but-few-scale-impact - McKinsey Global Institute (2019). *Notes from the AI frontier: Applying AI for social good*. https://www.mckinsey.com/mgi/overview - International Federation of Robotics (2019). *World Robotics Report 2019*. https://ifr.org/worldrobotics/ - Boulanin, V., Verbruggen, M. (2019). *Mapping the Development of Autonomy in Weapon Systems*. SIPRI. https://www.sipri.org/ - Grosz, B.J. et al. (2019). *Embedded EthiCS: Integrating ethics broadly across computer science education*. *Communications of the ACM*. - Fiesler, C., Garrett, N., Beard, N. (2019). *What Do We Teach When We Teach Tech Ethics? A Syllabi Analysis*. - Computing Research Association (2019). *Taulbee Survey 2018*. https://cra.org/resources/taulbee-survey/ ## Poznámky 1. ↑ ^{[1.00](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-AIIndex2019_1-0)} ^{[1.01](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-AIIndex2019_1-1)} ^{[1.02](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-AIIndex2019_1-2)} ^{[1.03](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-AIIndex2019_1-3)} ^{[1.04](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-AIIndex2019_1-4)} ^{[1.05](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-AIIndex2019_1-5)} ^{[1.06](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-AIIndex2019_1-6)} ^{[1.07](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-AIIndex2019_1-7)} ^{[1.08](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-AIIndex2019_1-8)} ^{[1.09](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-AIIndex2019_1-9)} ^{[1.10](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-AIIndex2019_1-10)} ^{[1.11](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-AIIndex2019_1-11)} ^{[1.12](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-AIIndex2019_1-12)} ^{[1.13](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-AIIndex2019_1-13)} ^{[1.14](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-AIIndex2019_1-14)} ^{[1.15](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-AIIndex2019_1-15)} ^{[1.16](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-AIIndex2019_1-16)} ^{[1.17](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-AIIndex2019_1-17)} ^{[1.18](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-AIIndex2019_1-18)} ^{[1.19](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-AIIndex2019_1-19)} ^{[1.20](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-AIIndex2019_1-20)} ^{[1.21](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-AIIndex2019_1-21)} Perrault, R., Shoham, Y., Brynjolfsson, E., Clark, J., Etchemendy, J., Grosz, B., Lyons, T., Manyika, J., Mishra, S., Niebles, J.C. (2019). *The AI Index 2019 Annual Report*. AI Index Steering Committee, Human-Centered AI Institute, Stanford University. https://aiindex.stanford.edu/report/ 2. ↑ ^{[2.0](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-Scopus2019_2-0)} ^{[2.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-Scopus2019_2-1)} Elsevier Scopus. Data on AI publications 1998–2018. https://www.scopus.com/ 3. ↑ ^{[3.0](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-DAWNBench2019_3-0)} ^{[3.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-DAWNBench2019_3-1)} Coleman, C. et al. Stanford DAWNBench: An End-to-End Deep Learning Benchmark and Competition. https://dawn.cs.stanford.edu/benchmark/ 4. ↑ ^{[4.0](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-OpenAICompute_4-0)} ^{[4.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-OpenAICompute_4-1)} Amodei, D., Hernandez, D. (2018). *AI and Compute*. OpenAI. https://openai.com/blog/ai-and-compute 5. ↑ ^{[5.0](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-BurningGlass2019_5-0)} ^{[5.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-BurningGlass2019_5-1)} Burning Glass Technologies. AI Job Posting Data 2010–2019. https://www.burning-glass.com/ 6. ↑ ^{[6.0](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-LinkedIn2019_6-0)} ^{[6.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-LinkedIn2019_6-1)} ^{[6.2](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-LinkedIn2019_6-2)} LinkedIn Economic Graph. AI Hiring Index and Skill Penetration Data. https://economicgraph.linkedin.com/ 7. ↑ ^{[7.0](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-Quid2019_7-0)} ^{[7.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-Quid2019_7-1)} ^{[7.2](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-Quid2019_7-2)} ^{[7.3](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-Quid2019_7-3)} Quid. Global AI Startup Investment Data. CAPIQ, Crunchbase. https://quid.com/ 8. ↑ ^{[8.0](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-McKinsey2019_8-0)} ^{[8.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-McKinsey2019_8-1)} McKinsey & Company (2019). *Global AI Survey: AI proves its worth, but few scale impact*. https://www.mckinsey.com/capabilities/quantumblack/our-insights/global-ai-survey-ai-proves-its-worth-but-few-scale-impact 9. ↑ ^{[9.0](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-Taulbee2019_9-0)} ^{[9.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-Taulbee2019_9-1)} Computing Research Association. Taulbee Survey 2018. https://cra.org/resources/taulbee-survey/ 10. ↑ ^{[10.0](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-Gofman2019_10-0)} ^{[10.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-Gofman2019_10-1)} Gofman, M., Jin, Z. (2019). *Artificial Intelligence, Human Capital, and Innovation*. University of Rochester Working Paper. http://www.aibraindrain.org 11. ↑ ^{[11.0](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-PwC2019_11-0)} ^{[11.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-PwC2019_11-1)} ^{[11.2](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-PwC2019_11-2)} ^{[11.3](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-PwC2019_11-3)} PricewaterhouseCoopers (2019). *National AI Strategy Radar and Ethical AI Principles Analysis*. https://www.pwc.com/ 12. [↑](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-arXiv2019_12-0) arXiv. AI papers statistics 2010–2019. NESTA analysis. https://arxiv.org/ 13. ↑ ^{[13.0](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-MAG2019_13-0)} ^{[13.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-MAG2019_13-1)} Wang, K., Shen, I., Dong, Y. Microsoft Academic Graph Data 2019. https://academic.microsoft.com/ 14. [↑](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-NESTA2019_14-0) Stathoulopoulos, K., Mateos-Garcia, J. (2019). *Women in AI Research*. NESTA. https://www.nesta.org.uk/ 15. [↑](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-PratesEthics2019_15-0) Prates, M., Avelar, P., Lamb, L. (2019). Ethics analysis in AI conferences. Federal University of Rio Grande do Sul. 16. [↑](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-ImageNet2019_16-0) Russakovsky, O. et al. ImageNet Large Scale Visual Recognition Challenge. https://www.image-net.org/ 17. [↑](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-GLUE2018_17-0) Wang, A. et al. (2018). *GLUE: A Multi-Task Benchmark and Analysis Platform for Natural Language Understanding*. https://gluebenchmark.com/ 18. [↑](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-SuperGLUE2019_18-0) Wang, A. et al. (2019). *SuperGLUE: A Stickier Benchmark for General-Purpose Language Understanding Systems*. https://super.gluebenchmark.com/ 19. [↑](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-SQuAD2018_19-0) Rajpurkar, P. et al. (2018). *Know What You Don't Know: Unanswerable Questions for SQuAD*. https://rajpurkar.github.io/SQuAD-explorer/ 20. [↑](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-ARC2018_20-0) Clark, P. et al. (2018). *Think you have Solved Question Answering? Try ARC*. Allen Institute for AI. https://allenai.org/data/arc 21. [↑](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-Intento2019_21-0) Savenkov, K. Intento Machine Translation Quality Evaluation. https://inten.to/ 22. [↑](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-Lake2019_22-0) Lake, B. (2019). Omniglot Challenge: 3-year progress report. New York University. 23. ↑ ^{[23.0](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-Bloomberg2019_23-0)} ^{[23.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-Bloomberg2019_23-1)} Bloomberg Government (2019). Federal AI R&D Budget Analysis. 24. [↑](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-IFR2019_24-0) International Federation of Robotics (2019). *World Robotics Report 2019*. https://ifr.org/worldrobotics/ 25. [↑](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-Coursera2019_25-0) Coursera (2019). Global Skills Index. https://www.coursera.org/gsi 26. [↑](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-JRC2019_26-0) Joint Research Centre, European Commission (2019). Academic offer and demand for advanced profiles in the EU. 27. ↑ ^{[27.0](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-CADMV2019_27-0)} ^{[27.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-CADMV2019_27-1)} California Department of Motor Vehicles (2019). Autonomous Vehicle Disengagement and Collision Reports. https://www.dmv.ca.gov/portal/vehicle-industry-services/autonomous-vehicles/ 28. [↑](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-SIPRI2019_28-0) Boulanin, V., Verbruggen, M. (2019). *Mapping the Development of Autonomy in Weapon Systems*. SIPRI. https://www.sipri.org/ 29. [↑](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-GDELT2019_29-0) GDELT Project. Global AI News Coverage Data 2017–2019. https://www.gdeltproject.org/ 30. [↑](https://systems-analysis.info/int/The_2019_AI_Index_Report_(CS)#cite_ref-MGI2019_30-0) McKinsey Global Institute (2019). *Notes from the AI frontier: Applying AI for social good*. https://www.mckinsey.com/mgi/overview