---
title: "The 2019 AI Index Report (PL)"
source: "https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)"
wiki: "systems-analysis.info/int"
article: "The_2019_AI_Index_Report_(PL)"
language: "pl"
categories:
  - "Category:Machine learning"
  - "Category:Polish"
revision_id: 7962
wiki_created_at: 2026-09-07T01:09:42Z
wiki_modified_at: 2026-09-07T01:09:42Z
downloaded_at: 2026-09-07T23:22:04Z
---

# The 2019 AI Index Report (PL)

**AI Index Report 2019** — drugie pełnowymiarowe roczne wydanie raportu **AI Index**, przygotowane przez Stanfordzki Instytut Sztucznej Inteligencji Skoncentrowanej na Człowieku (Stanford HAI)<sup>[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-AIIndex2019-1)</sup>. Raport z 2019 roku śledzi trzykrotnie więcej zbiorów danych w porównaniu z wydaniem z 2018 roku i obejmuje dziewięć tematycznych rozdziałów: od badań i rozwoju po strategie krajowe i globalną dynamikę AI. Wydanie zawiera zaktualizowane dane dotyczące wszystkich aspektów sztucznej inteligencji — osiągnięć technicznych, ekonomii, edukacji, percepcji społecznej i konsekwencji społecznych — oraz przedstawia dwa nowe interaktywne narzędzia: **Global AI Vibrancy Tool** (vibrancy.aiindex.org), umożliwiający porównywanie krajów według 34 wskaźników, oraz **AI Index arXiv Monitor** (arxiv.aiindex.org), zapewniający pełnotekstowe wyszukiwanie wśród preprintów z dziedziny AI. AI Index jest niezależną inicjatywą przy Stanfordzkim Instytucie HAI, pomyślaną w ramach projektu „Stulecie Badań nad AI" (AI100)<sup>[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-AIIndex2019-1)</sup>.

## Kontekst i cele

Misją AI Index jest dostarczanie obiektywnych, starannie zweryfikowanych danych na temat rozwoju sztucznej inteligencji dla decydentów politycznych, badaczy, menedżerów, dziennikarzy i szerokiej opinii publicznej<sup>[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-AIIndex2019-1)</sup>. Raport z 2019 roku ukazał się w momencie gwałtownego wzrostu zainteresowania AI ze strony rządów, korporacji i społeczeństwa, i dążył do obalenia powszechnych mitów — w szczególności przekonania, że rozwój AI sprowadza się do rywalizacji między USA a Chinami. Dane raportu pokazują, że lokalne centra doskonałości w dziedzinie AI powstają na całym świecie: Finlandia wyróżnia się w edukacji w zakresie AI, Indie wykazują wysokie nasycenie umiejętnościami AI, Singapur posiada dobrze zorganizowane wsparcie państwowe, a Izrael wiedzie prym pod względem prywatnych inwestycji w startupy AI na mieszkańca<sup>[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-AIIndex2019-1)</sup>.

## Struktura raportu

Raport z 2019 roku składa się z dziewięciu tematycznych rozdziałów<sup>[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-AIIndex2019-1)</sup>:

1.  **Badania i Rozwój (Research and Development)** — dane bibliometryczne, publikacje, patenty, różnorodność płciowa w badaniach nad AI.
2.  **Konferencje (Conferences)** — frekwencja, statystyki artykułów AAAI, organizacje ds. różnorodności, etyka na konferencjach.
3.  **Wydajność Techniczna (Technical Performance)** — benchmarki z zakresu widzenia komputerowego, przetwarzania języka, rozumowania, mocy obliczeniowych.
4.  **Gospodarka (The Economy)** — miejsca pracy, inwestycje, wdrożenia korporacyjne, robotyzacja.
5.  **Edukacja (Education)** — kształcenie online, programy akademickie, specjalizacje doktoranckie, odpływ wykładowców.
6.  **Systemy Autonomiczne (Autonomous Systems)** — pojazdy bezzałogowe, autonomiczne uzbrojenie.
7.  **Percepcja Społeczna (Public Perception)** — banki centralne, parlamenty, raporty korporacyjne, media.
8.  **Aspekty Społeczne (Societal Considerations)** — zasady etyczne, AI i zrównoważony rozwój ONZ.
9.  **Strategie Krajowe i Globalna Dynamika AI (National Strategies and Global AI Vibrancy)** — strategie krajowe, narzędzie do porównywania krajów.

## Kluczowe wnioski raportu

### 1. Wzrost liczby publikacji

W okresie od 1998 do 2018 roku liczba recenzowanych publikacji w dziedzinie AI wzrosła o ponad 300%. W 2018 roku artykuły dotyczące AI stanowiły 3% publikacji w czasopismach i 9% artykułów konferencyjnych w bazie danych Scopus<sup>[\[2\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-Scopus2019-2)</sup>. Chiny do 2018 roku dorównały Europie pod względem liczby publikacji w czasopismach i na konferencjach poświęconych AI, wyprzedzając USA już w 2006 roku. Przy tym wskaźnik cytowań (FWCI) publikacji ze Stanów Zjednoczonych nadal przewyższał chiński o około 50%<sup>[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-AIIndex2019-1)</sup>.

### 2. Rekordowa frekwencja na konferencjach

Frekwencja na największych konferencjach dotyczących AI nadal znacząco rosła. Konferencja NeurIPS w 2019 roku oczekiwała 13 500 uczestników — wzrost o 41% w porównaniu z 2018 rokiem i o ponad 800% w stosunku do 2012 roku. Konferencje AAAI i CVPR wykazywały roczny wzrost frekwencji na poziomie około 30%<sup>[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-AIIndex2019-1)</sup>.

### 3. Gwałtowny postęp techniczny

Czas trenowania modelu klasyfikacji obrazów na infrastrukturze chmurowej skrócił się z około trzech godzin w październiku 2017 roku do około 88 sekund w lipcu 2019 roku; koszt trenowania spadł w podobnym stopniu. Na benchmarkach SuperGLUE i SQuAD 2.0 postęp był szczególnie szybki, jednak w zadaniach wymagających rozumowania (np. AI2 Reasoning Challenge) oraz zadaniach uczenia się na poziomie pojęć (Omniglot Challenge) wyniki pozostawały niższe<sup>[\[3\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-DAWNBench2019-3)[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-AIIndex2019-1)</sup>.

### 4. Wykładniczy wzrost mocy obliczeniowych

Do 2012 roku wzrost mocy obliczeniowych dla AI odpowiadał prawu Moore'a — podwojenie co dwa lata. Po 2012 roku moc obliczeniowa podwajała się co 3,4 miesiąca, co doprowadziło do wzrostu o ponad 300 000 razy w ciągu sześciu lat<sup>[\[4\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-OpenAICompute-4)</sup>.

### 5. Globalny wzrost zatrudnienia w dziedzinie AI

Singapur, Brazylia, Australia, Kanada i Indie wykazały najszybszy wzrost zatrudnienia w dziedzinie AI w okresie 2015–2019. W USA udział ofert pracy związanych z AI wzrósł z 0,26% wszystkich ofert pracy w 2010 roku do 1,32% w październiku 2019 roku, przy czym największy popyt dotyczył specjalistów od machine learning (0,51%)<sup>[\[5\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-BurningGlass2019-5)[\[6\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-LinkedIn2019-6)</sup>.

### 6. Prywatne inwestycje przekroczyły 70 mld dolarów

W 2019 roku globalne prywatne inwestycje w AI przekroczyły 70 miliardów dolarów, w tym ponad 37 miliardów inwestycji w startupy, 34 miliardy w transakcje M&A, około 5 miliardów w IPO i około 2 miliardów w udziały mniejszościowe. W latach 2010–2018 finansowanie startupów AI wzrosło z 1,3 miliarda do 40,4 miliarda dolarów przy średniorocznym wzroście przekraczającym 48%. Pojazdy autonomiczne otrzymały największy udział inwestycji (7,7 mld), następnie farmacja i terapia nowotworowa (4,7 mld) oraz rozpoznawanie twarzy (4,7 mld)<sup>[\[7\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-Quid2019-7)</sup>.

### 7. Rosnące wdrożenie AI w biznesie

Zgodnie z badaniem McKinsey & Company (2 360 respondentów), 58% dużych firm korzystało z AI w co najmniej jednej funkcji lub jednostce biznesowej w 2019 roku, w porównaniu z 47% w 2018 roku. Przy tym jedynie 19% organizacji podejmowało kroki w celu ograniczenia ryzyka związanego z wyjaśnialnością algorytmów, a tylko 13% — w celu przeciwdziałania stronniczości i dyskryminacji<sup>[\[8\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-McKinsey2019-8)</sup>.

### 8. AI — najpopularniejsza specjalizacja doktorancka

AI stało się najpopularniejszą specjalizacją wśród doktorantów informatyki w Ameryce Północnej: w 2018 roku ponad 21% absolwentów doktoratów z nauk obliczeniowych specjalizowało się w AI i machine learning. Odsetek absolwentów doktoratów z dziedziny AI przechodzących do przemysłu wzrósł z 21% w 2004 roku do ponad 60% w 2018 roku<sup>[\[9\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-Taulbee2019-9)</sup>.

### 9. Odpływ wykładowców AI z akademii

Odpływ wykładowców AI z akademii do przemysłu przyspieszył: ponad 40 odejść w 2018 roku w porównaniu z 15 w 2012 roku i zerem w 2004 roku. Największe straty poniosły Uniwersytet Carnegie Mellon, Uniwersytet Waszyngtoński i Uniwersytet Kalifornijski w Berkeley<sup>[\[10\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-Gofman2019-10)</sup>.

### 10. Rosnące zainteresowanie etyką AI

Sprawiedliwość, interpretowalność i wyjaśnialność zostały zidentyfikowane jako najczęściej wymieniane wyzwania etyczne w 59 dokumentach zawierających zasady etycznego AI. Spośród ponad 3 600 światowych artykułów prasowych dotyczących etyki i AI (połowa 2018 — połowa 2019) dominującymi tematami były ramy zasad i wytyczne dotyczące etycznego stosowania AI (32%), prywatność danych (14%), rozpoznawanie twarzy (13%), stronniczość algorytmiczna (11%) oraz rola dużych firm technologicznych (11%)<sup>[\[11\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-PwC2019-11)</sup>.

## Rozdział 1. Badania i rozwój

Rozdział analizuje trendy w publikacjach na podstawie danych Elsevier Scopus, preprintów arXiv, Microsoft Academic Graph (MAG), a także aktywność patentową, popularność frameworków programistycznych na GitHub oraz różnorodność płciową wśród badaczy AI<sup>[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-AIIndex2019-1)</sup>.

### Publikacje

Europa pozostawała największym wydawcą artykułów dotyczących AI, osiągając ponad 27% publikacji w Scopus do 2018 roku. Udział Chin wzrósł z 10% w 2000 roku do 28% w 2018 roku. W USA stosunkowo wysoki udział stanowiły publikacje korporacyjne: w 2018 roku liczba korporacyjnych artykułów o AI w USA przewyższała chińskie o ponad siedmiokrotnie<sup>[\[2\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-Scopus2019-2)</sup>.

Na arXiv łączna liczba artykułów dotyczących AI w latach 2010–2019 wzrosła ponad dwudziestokrotnie. Widzenie komputerowe (CV) było największą podkategorią od 2014 roku, jednak w 2019 roku machine learning stało się wiodącą kategorią. Podkategoria „Computation & Language" urosła niemal sześćdziesięciokrotnie od 2010 roku<sup>[\[12\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-arXiv2019-12)</sup>.

### Cytowania

Ponad 32% światowych cytowań artykułów w czasopismach dotyczących AI przypadało na Azję Wschodnią, ponad 40% cytowań artykułów konferencyjnych — na Amerykę Północną. W sferze patentowej Ameryka Północna gromadziła ponad 60% światowej aktywności cytowań w zakresie patentów AI w latach 2014–2018<sup>[\[13\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-MAG2019-13)</sup>.

### Patenty

Ponad 51% światowych patentów AI należało do Ameryki Północnej. USA opublikowały trzykrotnie więcej patentów AI niż kolejny kraj — Japonia. Ponad 94% patentów AI zostało zgłoszonych w krajach o wysokim poziomie dochodów<sup>[\[13\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-MAG2019-13)</sup>.

### GitHub Stars

Zauważalnym trendem stała się dominacja frameworków wspieranych przez korporacje: TensorFlow (Google) i PyTorch (Facebook). Frameworki niekorporacyjne — scikit-learn i Caffe — nadal rosły, ale w wolniejszym tempie<sup>[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-AIIndex2019-1)</sup>.

### Różnorodność płciowa w badaniach

Ponad 41% artykułów AI z Holandii i ponad 39% z Danii miało co najmniej jedną współautorkę. W Japonii i Singapurze wskaźnik ten wynosił odpowiednio jedynie 10% i 16%. Wiele krajów zachodnioeuropejskich, a także Argentyna, Kanada i Iran wykazywały stosunkowo wysoką obecność kobiet w badaniach AI<sup>[\[14\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-NESTA2019-14)</sup>.

## Rozdział 2. Konferencje

### Frekwencja

NeurIPS w 2019 roku oczekiwał 13 500 uczestników (wzrost o 800% od 2012 roku). ICLR urósł piętnastokrotnie w porównaniu z 2014 rokiem. Warsztaty Women in Machine Learning (WiML) zwiększyły liczbę uczestników o 738% w porównaniu z 2014 rokiem, a program AI4ALL — o 2 000% w porównaniu z 2015 rokiem<sup>[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-AIIndex2019-1)</sup>.

### Statystyki AAAI

Na konferencji AAAI 2019 Chiny zgłosiły i uzyskały przyjęcie największej liczby artykułów. Ponad 68% zgłoszeń pochodziło od doktorantów. Izrael miał najwyższy wskaźnik przyjęć (24%), następnie Niemcy (23%), Kanada (22%), USA i Singapur (po 20%). Machine learning, NLP i widzenie komputerowe pozostawały trzema wiodącymi tematami<sup>[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-AIIndex2019-1)</sup>.

### Etyka na konferencjach

Łączna liczba artykułów ze słowami kluczowymi związanymi z etyką na wiodących konferencjach AI pozostawała niewielką częścią ogółu, jednak szybko rosła. Analiza objęła 110 108 artykułów, w tym 59 352 konferencyjnych i 50 756 w czasopismach<sup>[\[15\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-PratesEthics2019-15)</sup>.

## Rozdział 3. Wydajność techniczna

Rozdział śledzi postęp techniczny w zadaniach widzenia komputerowego, przetwarzania języka naturalnego, rozumowania, tłumaczenia maszynowego i mocy obliczeniowych<sup>[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-AIIndex2019-1)</sup>.

### Widzenie komputerowe

**ImageNet.** Pierwsza metoda, która przekroczyła ludzką dokładność na ImageNet, została opublikowana w 2015 roku. Do 2019 roku postęp był kontynuowany: trzy najskuteczniejsze metody wykorzystywały dodatkowe dane do trenowania. Konkurs ImageNet został zakończony w 2017 roku, ale dataset pozostawał kluczowym benchmarkiem<sup>[\[16\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-ImageNet2019-16)</sup>.

**Czas i koszt trenowania.** Według danych projektu DAWNBench (Stanford), czas trenowania modelu klasyfikacji obrazów do dokładności powyżej 93% (top-5) na infrastrukturze chmurowej skrócił się z ponad 3 godzin (październik 2017) do ~88 sekund (lipiec 2019). Koszt trenowania spadł z 2 323 dolarów (październik 2017, ResNet) do ~12 dolarów (wrzesień 2018, ResNet na GCP z Cloud TPU)<sup>[\[3\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-DAWNBench2019-3)</sup>.

**Generowanie obrazów.** Postęp w generowaniu obrazów (CIFAR-10) był mierzony za pomocą metryki FID (Fréchet Inception Distance): niższy wynik koreluje z lepszą jakością generowania<sup>[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-AIIndex2019-1)</sup>.

**Segmentacja semantyczna.** Postęp był mierzony metryką mean IoU na datasecie Cityscapes — zadaniu istotnym dla systemów autopilotowania<sup>[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-AIIndex2019-1)</sup>.

### Przetwarzanie języka naturalnego

**GLUE.** Benchmark General Language Understanding Evaluation, opublikowany w maju 2018 roku, testuje systemy w dziewięciu zadaniach przetwarzania tekstu. Mimo że benchmark miał nieco ponad rok, wyniki systemów przekroczyły poziom nieeksperckich oceniających w czerwcu 2019 roku. Modele RoBERTa (Facebook) i T5 (Google) nadal poprawiały wskaźniki<sup>[\[17\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-GLUE2018-17)</sup>.

**SuperGLUE.** Bardziej wymagający benchmark, uruchomiony w maju 2019 roku. W ciągu pięciu miesięcy od uruchomienia model T5 (Google) niemal osiągnął ludzki poziom bazowy wynoszący 89,8, uzyskując 88,9 punktu<sup>[\[18\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-SuperGLUE2019-18)</sup>.

**SQuAD.** Na benchmarku Stanford Question Answering Dataset wynik F1 dla SQuAD 1.1 wzrósł z 67 (sierpień 2016) do 95 (maj 2019). Postęp na SQuAD 2.0 był jeszcze szybszy: z 62 (maj 2018) do 90 (czerwiec 2019). Czas trenowania modelu odpowiedzi na pytania do F1 ≥ 75 na SQuAD 1.0 skrócił się z ponad 7 godzin (październik 2017) do mniej niż 19 minut (marzec 2019)<sup>[\[19\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-SQuAD2018-19)</sup>.

**Rozumowanie.** Na ARC Challenge Set (Allen Institute for AI) najlepszy wynik wyniósł 67,7% (wrzesień 2019). Na ARC-Easy — 85,4%. Zadania wymagające rozumowania pozostawały znacznie trudniejsze dla systemów AI<sup>[\[20\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-ARC2018-20)</sup>.

### Tłumaczenie maszynowe

Liczba komercyjnie dostępnych systemów tłumaczenia maszynowego z wytrenowanymi modelami wzrosła z 8 (2017) do ponad 24 (2019). Największy postęp w jakości zaobserwowano dla par językowych chiński–angielski, angielski–niemiecki i rosyjski–angielski<sup>[\[21\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-Intento2019-21)</sup>.

### Omniglot Challenge

W ciągu trzech lat odnotowano znaczący postęp w klasyfikacji na podstawie jednego przykładu (one-shot), jednak w pozostałych czterech zadaniach uczenia się pojęć (generowanie przykładów, parsowanie, generowanie nowych pojęć) postęp był ograniczony. Bayesowskie uczenie programowe (BPL) nadal przewyższało podejścia oparte na sieciach neuronowych w oryginalnym zadaniu<sup>[\[22\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-Lake2019-22)</sup>.

### Moc obliczeniowa

Analiza OpenAI wykazała strukturalny rozdźwięk: do 2012 roku moc obliczeniowa dla AI podwajała się co dwa lata (prawo Moore'a); po 2012 roku — co 3,4 miesiąca. Od 2012 roku wskaźnik ten wzrósł o ponad 300 000 razy<sup>[\[4\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-OpenAICompute-4)</sup>.

### Kamienie milowe na poziomie ludzkim

Raport zaktualizował chronologię osiągnięć AI, dodając dwa nowe wyniki do wcześniej udokumentowanych (Othello — 1980, warcaby — 1995, szachy — 1997, Jeopardy! — 2011, Atari — 2015, ImageNet — 2016, Go — 2016, poker — 2017, Ms. Pac-Man — 2017, StarCraft II — 2019):

| Rok  | Osiągnięcie                                                                                         |
|------|-----------------------------------------------------------------------------------------------------|
| 2018 | AlphaFold (DeepMind) — przewidywanie trójwymiarowej struktury białek z bezprecedensową dokładnością |
| 2019 | AlphaStar (DeepMind) — pokonanie czołowego profesjonalisty w StarCraft II                           |
| 2019 | Wykrywanie retinopatii cukrzycowej z dokładnością na poziomie specjalisty                           |

## Rozdział 4. Gospodarka

### Miejsca pracy i zatrudnienie

Indeks zatrudnienia AI (LinkedIn) wykazał, że Singapur, Brazylia, Australia, Kanada i Indie prowadziły pod względem tempa wzrostu zatrudnienia w okresie 2015–2019. W USA stan Waszyngton miał największy względny popyt na oferty pracy związane z AI (prawie 1,4% wszystkich ofert pracy), następnie Kalifornia (1,3%) i Massachusetts (1,3%). Pod względem liczby bezwzględnej Kalifornia prowadziła z ponad 93 000 ofert pracy w AI<sup>[\[5\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-BurningGlass2019-5)</sup>.

Największe nasycenie umiejętnościami AI obserwowano w sektorach usług IT (2,3% ofert pracy), usług profesjonalnych i naukowych (ponad 2%), finansów i ubezpieczeń (1,3%) oraz przemysłu wytwórczego (1,1%)<sup>[\[6\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-LinkedIn2019-6)</sup>.

Zgodnie z danymi LinkedIn, Indie wykazywały nasycenie umiejętnościami AI 2,6 razy wyższe od średniej światowej. Interesujący obraz wyłonił się w przekroju płciowym: mężczyźni zgłaszali umiejętności AI w większej liczbie zawodów niż kobiety we wszystkich krajach próby<sup>[\[6\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-LinkedIn2019-6)</sup>.

### Inwestycje

Finansowanie startupów AI rosło w średniorocznym tempie powyżej 48% (2010–2018). Do listopada 2019 roku wolumen inwestycji wyniósł 37,4 mld dolarów (wobec 40,4 mld dolarów za cały 2018 rok). Między 2014 a 2019 rokiem dokonano 15 798 inwestycji przy średniej wielkości około 8,6 mln dolarów<sup>[\[7\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-Quid2019-7)</sup>.

Wskaźnik inwestycji w AI na mieszkańca był najwyższy w Izraelu, za którym plasowały się Singapur i Islandia. Startupy z Chin otrzymywały istotnie więcej inwestycji na firmę: 34,1 mln dolarów — o 201% więcej niż w USA i o 296% więcej od średniej światowej<sup>[\[7\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-Quid2019-7)</sup>.

Sektorowo największe inwestycje trafiały do autonomicznych pojazdów (7,7 mld dolarów, 9,9% całkowitego wolumenu), farmacji i terapii nowotworowej (4,7 mld), rozpoznawania twarzy (4,7 mld), treści wideo (3,6 mld) i wykrywania oszustw (3,1 mld). Najszybciej rozwijającymi się kierunkami były robotyczna automatyzacja procesów, zarządzanie łańcuchem dostaw i automatyzacja przemysłowa<sup>[\[7\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-Quid2019-7)</sup>.

### Inwestycje rządowe (USA)

Rząd federalny USA planował zainwestować 4,98 mld dolarów w badania nad AI w roku budżetowym 2020. Departament Obrony (DoD) — 4,0 mld dolarów, w tym 506 mln dolarów przez DARPA, 221 mln dolarów na projekt Maven i 209 mln dolarów na Joint AI Center (JAIC). Wydatki agencji federalnych na kontrakty dotyczące AI wzrosły o ~70%: z 429 mln dolarów w 2017 roku do 728 mln dolarów w 2018 roku<sup>[\[23\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-Bloomberg2019-23)</sup>.

### Wdrożenia korporacyjne

58% dużych firm zgłaszało korzystanie z AI w co najmniej jednej funkcji (wzrost z 47% w 2018 roku). 30% respondentów wskazywało na wdrożenie AI w kilku jednostkach (21% w 2018 roku). Najczęściej wdrażane możliwości AI: robotyczna automatyzacja procesów, widzenie komputerowe i machine learning. Cyberbezpieczeństwo było ryzykiem, z którym organizacje najczęściej się zmagały (48%), natomiast ryzyko wyjaśnialności (19%) i sprawiedliwości (13%) było adresowane znacznie rzadziej<sup>[\[8\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-McKinsey2019-8)</sup>.

### Robotyzacja przemysłowa

W 2018 roku globalne instalacje robotów przemysłowych wzrosły o 6% — do 422 271 jednostek wartych 16,5 mld dolarów. Operacyjny park robotów wynosił 2 439 543 jednostki. Pięć największych rynków — Chiny, Japonia, USA, Korea Południowa i Niemcy — gromadziło 74% globalnych instalacji. Chiny pozostawały światowym liderem (36%), instalując 154 032 jednostki<sup>[\[24\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-IFR2019-24)</sup>.

## Rozdział 5. Edukacja

### Kształcenie online

Coursera, obsługująca ponad 45 milionów uczących się i oferująca ponad 3 700 kursów, stworzyła ranking 60 krajów według umiejętności AI (Global Skills Index). Azja Południowa i Azja Wschodnia wykazywały największy udział zapisów na kursy dotyczące AI i pokrewnych kompetencji. Na Udacity kurs „Introduction to Machine Learning" uzyskał ponad 125 000 łącznych zapisów<sup>[\[25\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-Coursera2019-25)</sup>.

### Programy akademickie

Liczba zapisów na kursy wprowadzające do AI na Stanfordzie wzrosła pięciokrotnie (2012–2018). Na kurs „Introduction to Machine Learning" na Uniwersytecie Illinois (UIUC) — dwunastokrotnie (2010–2018). Na poziomie międzynarodowym Uniwersytet Toronto miał największą liczbę zarejestrowanych studentów, następnie Wyższa Szkoła Ekonomii (Rosja) i Uniwersytet Tsinghua (Chiny)<sup>[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-AIIndex2019-1)</sup>.

W Europie zidentyfikowano 2 054 programy obejmujące dziedzinę AI, przy czym zdecydowana większość — na poziomie magisterskim. 197 europejskich uczelni oferowało 406 wyspecjalizowanych programów magisterskich z zakresu AI<sup>[\[26\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-JRC2019-26)</sup>.

### Specjalizacje doktoranckie i odpływ do przemysłu

AI stało się najpopularniejszą specjalizacją doktorancką w informatyce: ponad 21% w 2018 roku. Odsetek doktorantów przechodzących do przemysłu potroił się: z 21% w 2004 roku do 62% w 2018 roku. Ponad 60% nowych doktorantów AI w USA i Kanadzie stanowili studenci zagraniczni (poniżej 40% w 2010 roku); jedynie ~10% opuszczało USA po ukończeniu studiów<sup>[\[9\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-Taulbee2019-9)</sup>.

Trzy uczelnie z największymi stratami wykładowców AI: Carnegie Mellon (17 pracowników etatowych), Uniwersytet Waszyngtoński (11) i Berkeley. Spośród kanadyjskich uczelni największe straty poniósł Uniwersytet Toronto (9 wykładowców). Odsetek kobiet wśród absolwentów doktoratów z AI pozostawał stabilny na poziomie ~20% w latach 2010–2018<sup>[\[10\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-Gofman2019-10)</sup>.

## Rozdział 6. Systemy autonomiczne

### Pojazdy bezzałogowe

Co najmniej 25 krajów posiadało miasta testujące autonomiczne pojazdy (AV). W stanie Kalifornia między 2015 a 2018 rokiem liczba firm testujących i łączna liczba AV wzrosły siedmiokrotnie. W 2018 roku ponad 50 firm i 500 AV przejechało ponad 2 miliony mil. Co najmniej 41 stanów oraz Dystrykt Kolumbii rozważały ustawodawstwo związane z AV<sup>[\[27\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-CADMV2019-27)</sup>.

Częstość wypadków AV w Kalifornii w 2018 roku wyniosła 22,44 na milion mil — około 5,5 razy więcej niż skorygowany wskaźnik dla zwykłych kierowców. W większości wypadków samochód z ludzkim kierowcą uderzał z tyłu w zatrzymany lub poruszający się wprost AV w ciągu dnia. Większość uszkodzeń była nieznaczna<sup>[\[27\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-CADMV2019-27)</sup>.

### Autonomiczne uzbrojenie

Zgodnie z eksperckim badaniem Sztokholmskiego Międzynarodowego Instytutu Badań nad Pokojem (SIPRI), co najmniej 89 krajów posiadało automatyczne systemy obrony powietrznej. Systemy aktywnej ochrony były rozwijane i produkowane jedynie przez dziewięć krajów. Dane obejmowały okres 1950–2017<sup>[\[28\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-SIPRI2019-28)</sup>.

## Rozdział 7. Percepcja społeczna

### Banki centralne

Komunikacja banków centralnych wykazywała rosnące zainteresowanie AI. Bank Anglii, Bank Japonii i System Rezerwy Federalnej wymieniały AI najczęściej spośród wszystkich. Charakter publikacji przesunął się od dokumentów analitycznych ku przemówieniom<sup>[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-AIIndex2019-1)</sup>.

### Aktywność parlamentarna i rządowa

Odnotowano ponad dziesięciokrotny wzrost aktywności legislacyjnej związanej z AI w Kongresie USA w latach 2017–2018. W stenogramach Kongresu rok 2019 był rokiem z największą liczbą wzmianek o AI. Podobne trendy odnotowano w parlamentach Kanady i Wielkiej Brytanii<sup>[\[23\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-Bloomberg2019-23)</sup>.

### Korporacje

Udział raportów o wynikach finansowych (earnings calls) 3 000 spółek publicznych w USA zawierających wzmianki o AI wzrósł z 0,01% (2010) do 0,42% (2018). Sektor finansowy prowadził pod względem liczby wzmianek<sup>[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-AIIndex2019-1)</sup>.

### Media i wyszukiwanie internetowe

Zgodnie z danymi Google Trends, termin „machine learning" wyprzedzał inne powiązane terminy w zapytaniach wyszukiwania w USA. Według danych GDELT Project, spośród artykułów prasowych związanych z AI, 17,7% dotyczyło wpływu na zatrudnienie, 2,4% — stronniczości algorytmicznej i jedynie 0,99% — „robotów-zabójców"<sup>[\[29\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-GDELT2019-29)</sup>.

## Rozdział 8. Aspekty społeczne

### Zasady etyczne

PricewaterhouseCoopers przeanalizowała 59 dokumentów zawierających zasady etycznego AI od stowarzyszeń i konsorcjów, rządów, firm technologicznych, ośrodków analitycznych i organizacji naukowych. Dwanaście wyzwań etycznych było wymienianych najczęściej: odpowiedzialność, bezpieczeństwo, kontrola ludzka, niezawodność i odporność, sprawiedliwość, różnorodność i inkluzywność, zrównoważony rozwój, przejrzystość, interpretowalność i wyjaśnialność, dialog wielostronny, legalność i zgodność z przepisami, prywatność danych<sup>[\[11\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-PwC2019-11)</sup>.

Sprawiedliwość, interpretowalność/wyjaśnialność i przejrzystość były wymieniane najczęściej. Dla firm technologicznych sprawiedliwość była wskazywana w 100% dokumentów ramowych, dla ośrodków analitycznych — sprawiedliwość i kontrola ludzka (odpowiednio 100% i 88%)<sup>[\[11\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-PwC2019-11)</sup>.

### AI i Cele Zrównoważonego Rozwoju ONZ

McKinsey Global Institute zidentyfikował około 160 zastosowań AI dla dobra społecznego, potencjalnie wspierających wszystkie 17 Celów Zrównoważonego Rozwoju (CZR) ONZ. AI mogło adresować około połowy z 169 wskaźników docelowych CZR. Największa liczba zastosowań odpowiadała CZR 3 (zdrowie) i CZR 16 (pokojowe i inkluzywne społeczeństwa). Jednak dla szerokiego wdrożenia AI na rzecz zrównoważonego rozwoju pozostawały istotne bariery: dostępność danych, moc obliczeniowa, kadry i gotowość organizacyjna<sup>[\[30\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-MGI2019-30)</sup>.

## Rozdział 9. Strategie krajowe i globalna dynamika AI

### Strategie krajowe

Liczba oficjalnych dokumentów strategicznych dotyczących AI stale rosła. PwC, korzystając z analizy NLP 37 dokumentów, stwierdziła, że partnerstwo akademickie było wymieniane w 94% dokumentów, badania i rozwój AI — w 48%, zarządzanie AI — w 42%. Ochrona konsumentów i sprawiedliwość były wymieniane najrzadziej (2%)<sup>[\[11\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-PwC2019-11)</sup>.

### Narzędzie Global AI Vibrancy

Po raz pierwszy przedstawione narzędzie obejmowało 28 krajów według 34 metryk, pogrupowanych w trzy filary: badania i rozwój (21 metryk), gospodarka (10 metryk) i inkluzywność (5 metryk). Narzędzie umożliwiało użytkownikom dostosowanie wag i przeprowadzanie zarówno porównań międzykrajowych, jak i wewnątrzkrajowych<sup>[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-AIIndex2019-1)</sup>.

### Profile krajowe

Raport zawierał szczegółowe profile krajowe dla Brazylii, Chin, Francji, Niemiec, Indii, Holandii, Singapuru i USA, a także przegląd wielostronnej regionalnej polityki w dziedzinie AI<sup>[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-AIIndex2019-1)</sup>.

## Znaczące wyniki benchmarków w 2019 roku

| Benchmark        | Najlepszy wynik (2019)                           | Poziom ludzki          | Postęp                                             |
|------------------|--------------------------------------------------|------------------------|----------------------------------------------------|
| ImageNet (Top-1) | ~88%                                             | ~95% (jeden adnotator) | Ciągła poprawa z dodatkowymi danymi                |
| GLUE             | Przekroczony poziom nieekspercki (czerwiec 2019) | 87,1 (nieekspert)      | RoBERTa, T5                                        |
| SuperGLUE        | 88,9 (T5, Google)                                | 89,8                   | Osiągnięty w 5 miesięcy po uruchomieniu benchmarku |
| SQuAD 1.1 (F1)   | 95                                               | ~91                    | Przekroczony poziom ludzki                         |
| SQuAD 2.0 (F1)   | 90                                               | ~89                    | Praktycznie na poziomie ludzkim                    |
| ARC Challenge    | 67,7%                                            | —                      | Zadania rozumowania pozostają trudne               |
| VQA              | 75,28%                                           | ~80%                   | Wzrost o 2,85 p.p. w ciągu roku                    |

## Metodologia

Raport korzystał z danych z wielu źródeł<sup>[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-AIIndex2019-1)</sup>:

- **Publikacje:** Elsevier Scopus, arXiv (NESTA), Microsoft Academic Graph (MAG).
- **Benchmarki:** Papers With Code, DAWNBench/MLPerf, listy liderów GLUE, SuperGLUE, SQuAD, ARC, VQA, ActivityNet.
- **Konferencje:** dane rejestracyjne NeurIPS, ICML, ICLR, AAAI, CVPR, WiML, AI4ALL, RightsCon.
- **Rynek pracy:** LinkedIn Economic Graph, Burning Glass Technologies, Indeed.
- **Inwestycje:** CAPIQ, Crunchbase, Quid.
- **Aktywność korporacyjna:** McKinsey Global Survey, International Federation of Robotics.
- **Wydatki rządowe:** Bloomberg Government.
- **Percepcja społeczna:** Google Trends, GDELT Project, Prattle (banki centralne), Hansard (parlamenty).
- **Etyka i strategie:** PricewaterhouseCoopers (NAISR), Harvard, LexisNexis.
- **Edukacja:** CRA Taulbee Survey, Coursera, Udacity, Joint Research Centre (EC).
- **Systemy autonomiczne:** California DMV, Bloomberg Philanthropies, SIPRI, NCSL.

## Zespół autorski

Raport został przygotowany przez Komitet Sterujący AI Index pod koordynacją **Raymonda Perraulta** (Raymond Perrault, SRI International) i pod przewodnictwem **Yoava Shohama** (Yoav Shoham, Uniwersytet Stanforda). W skład komitetu wchodzili: **Erik Brynjolfsson** (MIT), **Jack Clark** (OpenAI), **John Etchemendy** (Stanford), **Barbara Grosz** (Harvard), **Tera Lyons** (Partnership on AI), **James Manyika** (McKinsey Global Institute) i **Juan Carlos Niebles** (Stanford). Kierownikiem projektu i redaktorem naczelnym był **Saurabh Mishra** (Uniwersytet Stanforda). Danych dostarczyło ponad 20 organizacji partnerskich<sup>[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_note-AIIndex2019-1)</sup>.

## Odnośniki

- Stanford HAI — AI Index Report 2019 (pełny tekst): <a href="https://aiindex.stanford.edu/report/" class="external free" rel="nofollow">https://aiindex.stanford.edu/report/</a>
- Global AI Vibrancy Tool: <a href="https://vibrancy.aiindex.org/" class="external free" rel="nofollow">https://vibrancy.aiindex.org/</a>
- AI Index arXiv Monitor: <a href="https://arxiv.aiindex.org/" class="external free" rel="nofollow">https://arxiv.aiindex.org/</a>
- Elsevier Scopus: <a href="https://www.scopus.com/" class="external free" rel="nofollow">https://www.scopus.com/</a>
- Microsoft Academic Graph: <a href="https://academic.microsoft.com/" class="external free" rel="nofollow">https://academic.microsoft.com/</a>
- Papers With Code: <a href="https://paperswithcode.com/" class="external free" rel="nofollow">https://paperswithcode.com/</a>
- GLUE Benchmark: <a href="https://gluebenchmark.com/" class="external free" rel="nofollow">https://gluebenchmark.com/</a>
- SuperGLUE Benchmark: <a href="https://super.gluebenchmark.com/" class="external free" rel="nofollow">https://super.gluebenchmark.com/</a>
- SQuAD: <a href="https://rajpurkar.github.io/SQuAD-explorer/" class="external free" rel="nofollow">https://rajpurkar.github.io/SQuAD-explorer/</a>
- DAWNBench (Stanford): <a href="https://dawn.cs.stanford.edu/benchmark/" class="external free" rel="nofollow">https://dawn.cs.stanford.edu/benchmark/</a>
- Allen Institute for AI (ARC): <a href="https://allenai.org/data/arc" class="external free" rel="nofollow">https://allenai.org/data/arc</a>
- LinkedIn Economic Graph: <a href="https://economicgraph.linkedin.com/" class="external free" rel="nofollow">https://economicgraph.linkedin.com/</a>
- International Federation of Robotics: <a href="https://ifr.org/" class="external free" rel="nofollow">https://ifr.org/</a>
- McKinsey Global Survey on AI: <a href="https://www.mckinsey.com/capabilities/quantumblack/our-insights/global-ai-survey-ai-proves-its-worth-but-few-scale-impact" class="external free" rel="nofollow">https://www.mckinsey.com/capabilities/quantumblack/our-insights/global-ai-survey-ai-proves-its-worth-but-few-scale-impact</a>
- California DMV Autonomous Vehicle Reports: <a href="https://www.dmv.ca.gov/portal/vehicle-industry-services/autonomous-vehicles/" class="external free" rel="nofollow">https://www.dmv.ca.gov/portal/vehicle-industry-services/autonomous-vehicles/</a>
- SIPRI — Mapping Autonomy in Weapon Systems: <a href="https://www.sipri.org/" class="external free" rel="nofollow">https://www.sipri.org/</a>
- PwC National AI Strategy Radar: <a href="https://www.pwc.com/" class="external free" rel="nofollow">https://www.pwc.com/</a>
- GDELT Project: <a href="https://www.gdeltproject.org/" class="external free" rel="nofollow">https://www.gdeltproject.org/</a>
- OpenAI — AI and Compute: <a href="https://openai.com/blog/ai-and-compute" class="external free" rel="nofollow">https://openai.com/blog/ai-and-compute</a>

## Literatura

- Perrault, R. et al. (2019). *The AI Index 2019 Annual Report*. AI Index Steering Committee, Human-Centered AI Institute, Stanford University. <a href="https://aiindex.stanford.edu/report/" class="external free" rel="nofollow">https://aiindex.stanford.edu/report/</a>
- Amodei, D., Hernandez, D. (2018). *AI and Compute*. OpenAI. <a href="https://openai.com/blog/ai-and-compute" class="external free" rel="nofollow">https://openai.com/blog/ai-and-compute</a>
- Wang, A. et al. (2018). *GLUE: A Multi-Task Benchmark and Analysis Platform for Natural Language Understanding*. <a href="https://gluebenchmark.com/" class="external free" rel="nofollow">https://gluebenchmark.com/</a>
- Wang, A. et al. (2019). *SuperGLUE: A Stickier Benchmark for General-Purpose Language Understanding Systems*. <a href="https://super.gluebenchmark.com/" class="external free" rel="nofollow">https://super.gluebenchmark.com/</a>
- Rajpurkar, P. et al. (2018). *Know What You Don't Know: Unanswerable Questions for SQuAD*. <a href="https://rajpurkar.github.io/SQuAD-explorer/" class="external free" rel="nofollow">https://rajpurkar.github.io/SQuAD-explorer/</a>
- Clark, P. et al. (2018). *Think you have Solved Question Answering? Try ARC*. Allen Institute for AI. <a href="https://allenai.org/data/arc" class="external free" rel="nofollow">https://allenai.org/data/arc</a>
- Gofman, M., Jin, Z. (2019). *Artificial Intelligence, Human Capital, and Innovation*. University of Rochester Working Paper. <a href="http://www.aibraindrain.org" class="external free" rel="nofollow">http://www.aibraindrain.org</a>
- Stathoulopoulos, K., Mateos-Garcia, J. (2019). *Gender Diversity in AI Research*. NESTA. <a href="https://www.nesta.org.uk/" class="external free" rel="nofollow">https://www.nesta.org.uk/</a>
- Prates, M., Avelar, P., Lamb, L. (2019). *Assessing Gender Bias in Machine Translation*. <a href="https://arxiv.org/abs/1809.02208" class="external free" rel="nofollow">https://arxiv.org/abs/1809.02208</a>
- McKinsey & Company (2019). *Global AI Survey: AI proves its worth, but few scale impact*. <a href="https://www.mckinsey.com/capabilities/quantumblack/our-insights/global-ai-survey-ai-proves-its-worth-but-few-scale-impact" class="external free" rel="nofollow">https://www.mckinsey.com/capabilities/quantumblack/our-insights/global-ai-survey-ai-proves-its-worth-but-few-scale-impact</a>
- McKinsey Global Institute (2019). *Notes from the AI frontier: Applying AI for social good*. <a href="https://www.mckinsey.com/mgi/overview" class="external free" rel="nofollow">https://www.mckinsey.com/mgi/overview</a>
- International Federation of Robotics (2019). *World Robotics Report 2019*. <a href="https://ifr.org/worldrobotics/" class="external free" rel="nofollow">https://ifr.org/worldrobotics/</a>
- Boulanin, V., Verbruggen, M. (2019). *Mapping the Development of Autonomy in Weapon Systems*. SIPRI. <a href="https://www.sipri.org/" class="external free" rel="nofollow">https://www.sipri.org/</a>
- 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*. <a href="https://cra.org/resources/taulbee-survey/" class="external free" rel="nofollow">https://cra.org/resources/taulbee-survey/</a>

## Przypisy

1.  <span id="cite_note-AIIndex2019-1">↑ <sup>[1.00](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-AIIndex2019_1-0)</sup> <sup>[1.01](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-AIIndex2019_1-1)</sup> <sup>[1.02](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-AIIndex2019_1-2)</sup> <sup>[1.03](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-AIIndex2019_1-3)</sup> <sup>[1.04](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-AIIndex2019_1-4)</sup> <sup>[1.05](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-AIIndex2019_1-5)</sup> <sup>[1.06](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-AIIndex2019_1-6)</sup> <sup>[1.07](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-AIIndex2019_1-7)</sup> <sup>[1.08](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-AIIndex2019_1-8)</sup> <sup>[1.09](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-AIIndex2019_1-9)</sup> <sup>[1.10](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-AIIndex2019_1-10)</sup> <sup>[1.11](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-AIIndex2019_1-11)</sup> <sup>[1.12](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-AIIndex2019_1-12)</sup> <sup>[1.13](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-AIIndex2019_1-13)</sup> <sup>[1.14](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-AIIndex2019_1-14)</sup> <sup>[1.15](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-AIIndex2019_1-15)</sup> <sup>[1.16](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-AIIndex2019_1-16)</sup> <sup>[1.17](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-AIIndex2019_1-17)</sup> <sup>[1.18](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-AIIndex2019_1-18)</sup> <sup>[1.19](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-AIIndex2019_1-19)</sup> <sup>[1.20](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-AIIndex2019_1-20)</sup> <sup>[1.21](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-AIIndex2019_1-21)</sup> 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. <a href="https://aiindex.stanford.edu/report/" class="external free" rel="nofollow">https://aiindex.stanford.edu/report/</a></span>
2.  <span id="cite_note-Scopus2019-2">↑ <sup>[2.0](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-Scopus2019_2-0)</sup> <sup>[2.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-Scopus2019_2-1)</sup> Elsevier Scopus. Data on AI publications 1998–2018. <a href="https://www.scopus.com/" class="external free" rel="nofollow">https://www.scopus.com/</a></span>
3.  <span id="cite_note-DAWNBench2019-3">↑ <sup>[3.0](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-DAWNBench2019_3-0)</sup> <sup>[3.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-DAWNBench2019_3-1)</sup> Coleman, C. et al. Stanford DAWNBench: An End-to-End Deep Learning Benchmark and Competition. <a href="https://dawn.cs.stanford.edu/benchmark/" class="external free" rel="nofollow">https://dawn.cs.stanford.edu/benchmark/</a></span>
4.  <span id="cite_note-OpenAICompute-4">↑ <sup>[4.0](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-OpenAICompute_4-0)</sup> <sup>[4.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-OpenAICompute_4-1)</sup> Amodei, D., Hernandez, D. (2018). *AI and Compute*. OpenAI. <a href="https://openai.com/blog/ai-and-compute" class="external free" rel="nofollow">https://openai.com/blog/ai-and-compute</a></span>
5.  <span id="cite_note-BurningGlass2019-5">↑ <sup>[5.0](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-BurningGlass2019_5-0)</sup> <sup>[5.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-BurningGlass2019_5-1)</sup> Burning Glass Technologies. AI Job Posting Data 2010–2019. <a href="https://www.burning-glass.com/" class="external free" rel="nofollow">https://www.burning-glass.com/</a></span>
6.  <span id="cite_note-LinkedIn2019-6">↑ <sup>[6.0](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-LinkedIn2019_6-0)</sup> <sup>[6.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-LinkedIn2019_6-1)</sup> <sup>[6.2](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-LinkedIn2019_6-2)</sup> LinkedIn Economic Graph. AI Hiring Index and Skill Penetration Data. <a href="https://economicgraph.linkedin.com/" class="external free" rel="nofollow">https://economicgraph.linkedin.com/</a></span>
7.  <span id="cite_note-Quid2019-7">↑ <sup>[7.0](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-Quid2019_7-0)</sup> <sup>[7.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-Quid2019_7-1)</sup> <sup>[7.2](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-Quid2019_7-2)</sup> <sup>[7.3](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-Quid2019_7-3)</sup> Quid. Global AI Startup Investment Data. CAPIQ, Crunchbase. <a href="https://quid.com/" class="external free" rel="nofollow">https://quid.com/</a></span>
8.  <span id="cite_note-McKinsey2019-8">↑ <sup>[8.0](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-McKinsey2019_8-0)</sup> <sup>[8.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-McKinsey2019_8-1)</sup> McKinsey & Company (2019). *Global AI Survey: AI proves its worth, but few scale impact*. <a href="https://www.mckinsey.com/capabilities/quantumblack/our-insights/global-ai-survey-ai-proves-its-worth-but-few-scale-impact" class="external free" rel="nofollow">https://www.mckinsey.com/capabilities/quantumblack/our-insights/global-ai-survey-ai-proves-its-worth-but-few-scale-impact</a></span>
9.  <span id="cite_note-Taulbee2019-9">↑ <sup>[9.0](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-Taulbee2019_9-0)</sup> <sup>[9.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-Taulbee2019_9-1)</sup> Computing Research Association. Taulbee Survey 2018. <a href="https://cra.org/resources/taulbee-survey/" class="external free" rel="nofollow">https://cra.org/resources/taulbee-survey/</a></span>
10. <span id="cite_note-Gofman2019-10">↑ <sup>[10.0](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-Gofman2019_10-0)</sup> <sup>[10.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-Gofman2019_10-1)</sup> Gofman, M., Jin, Z. (2019). *Artificial Intelligence, Human Capital, and Innovation*. University of Rochester Working Paper. <a href="http://www.aibraindrain.org" class="external free" rel="nofollow">http://www.aibraindrain.org</a></span>
11. <span id="cite_note-PwC2019-11">↑ <sup>[11.0](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-PwC2019_11-0)</sup> <sup>[11.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-PwC2019_11-1)</sup> <sup>[11.2](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-PwC2019_11-2)</sup> <sup>[11.3](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-PwC2019_11-3)</sup> PricewaterhouseCoopers (2019). *National AI Strategy Radar and Ethical AI Principles Analysis*. <a href="https://www.pwc.com/" class="external free" rel="nofollow">https://www.pwc.com/</a></span>
12. <span id="cite_note-arXiv2019-12">[↑](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-arXiv2019_12-0) arXiv. AI papers statistics 2010–2019. NESTA analysis. <a href="https://arxiv.org/" class="external free" rel="nofollow">https://arxiv.org/</a></span>
13. <span id="cite_note-MAG2019-13">↑ <sup>[13.0](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-MAG2019_13-0)</sup> <sup>[13.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-MAG2019_13-1)</sup> Wang, K., Shen, I., Dong, Y. Microsoft Academic Graph Data 2019. <a href="https://academic.microsoft.com/" class="external free" rel="nofollow">https://academic.microsoft.com/</a></span>
14. <span id="cite_note-NESTA2019-14">[↑](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-NESTA2019_14-0) Stathoulopoulos, K., Mateos-Garcia, J. (2019). *Women in AI Research*. NESTA. <a href="https://www.nesta.org.uk/" class="external free" rel="nofollow">https://www.nesta.org.uk/</a></span>
15. <span id="cite_note-PratesEthics2019-15">[↑](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-PratesEthics2019_15-0) Prates, M., Avelar, P., Lamb, L. (2019). Ethics analysis in AI conferences. Federal University of Rio Grande do Sul.</span>
16. <span id="cite_note-ImageNet2019-16">[↑](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-ImageNet2019_16-0) Russakovsky, O. et al. ImageNet Large Scale Visual Recognition Challenge. <a href="https://www.image-net.org/" class="external free" rel="nofollow">https://www.image-net.org/</a></span>
17. <span id="cite_note-GLUE2018-17">[↑](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-GLUE2018_17-0) Wang, A. et al. (2018). *GLUE: A Multi-Task Benchmark and Analysis Platform for Natural Language Understanding*. <a href="https://gluebenchmark.com/" class="external free" rel="nofollow">https://gluebenchmark.com/</a></span>
18. <span id="cite_note-SuperGLUE2019-18">[↑](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-SuperGLUE2019_18-0) Wang, A. et al. (2019). *SuperGLUE: A Stickier Benchmark for General-Purpose Language Understanding Systems*. <a href="https://super.gluebenchmark.com/" class="external free" rel="nofollow">https://super.gluebenchmark.com/</a></span>
19. <span id="cite_note-SQuAD2018-19">[↑](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-SQuAD2018_19-0) Rajpurkar, P. et al. (2018). *Know What You Don't Know: Unanswerable Questions for SQuAD*. <a href="https://rajpurkar.github.io/SQuAD-explorer/" class="external free" rel="nofollow">https://rajpurkar.github.io/SQuAD-explorer/</a></span>
20. <span id="cite_note-ARC2018-20">[↑](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-ARC2018_20-0) Clark, P. et al. (2018). *Think you have Solved Question Answering? Try ARC*. Allen Institute for AI. <a href="https://allenai.org/data/arc" class="external free" rel="nofollow">https://allenai.org/data/arc</a></span>
21. <span id="cite_note-Intento2019-21">[↑](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-Intento2019_21-0) Savenkov, K. Intento Machine Translation Quality Evaluation. <a href="https://inten.to/" class="external free" rel="nofollow">https://inten.to/</a></span>
22. <span id="cite_note-Lake2019-22">[↑](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-Lake2019_22-0) Lake, B. (2019). Omniglot Challenge: 3-year progress report. New York University.</span>
23. <span id="cite_note-Bloomberg2019-23">↑ <sup>[23.0](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-Bloomberg2019_23-0)</sup> <sup>[23.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-Bloomberg2019_23-1)</sup> Bloomberg Government (2019). Federal AI R&D Budget Analysis.</span>
24. <span id="cite_note-IFR2019-24">[↑](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-IFR2019_24-0) International Federation of Robotics (2019). *World Robotics Report 2019*. <a href="https://ifr.org/worldrobotics/" class="external free" rel="nofollow">https://ifr.org/worldrobotics/</a></span>
25. <span id="cite_note-Coursera2019-25">[↑](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-Coursera2019_25-0) Coursera (2019). Global Skills Index. <a href="https://www.coursera.org/gsi" class="external free" rel="nofollow">https://www.coursera.org/gsi</a></span>
26. <span id="cite_note-JRC2019-26">[↑](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-JRC2019_26-0) Joint Research Centre, European Commission (2019). Academic offer and demand for advanced profiles in the EU.</span>
27. <span id="cite_note-CADMV2019-27">↑ <sup>[27.0](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-CADMV2019_27-0)</sup> <sup>[27.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-CADMV2019_27-1)</sup> California Department of Motor Vehicles (2019). Autonomous Vehicle Disengagement and Collision Reports. <a href="https://www.dmv.ca.gov/portal/vehicle-industry-services/autonomous-vehicles/" class="external free" rel="nofollow">https://www.dmv.ca.gov/portal/vehicle-industry-services/autonomous-vehicles/</a></span>
28. <span id="cite_note-SIPRI2019-28">[↑](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-SIPRI2019_28-0) Boulanin, V., Verbruggen, M. (2019). *Mapping the Development of Autonomy in Weapon Systems*. SIPRI. <a href="https://www.sipri.org/" class="external free" rel="nofollow">https://www.sipri.org/</a></span>
29. <span id="cite_note-GDELT2019-29">[↑](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-GDELT2019_29-0) GDELT Project. Global AI News Coverage Data 2017–2019. <a href="https://www.gdeltproject.org/" class="external free" rel="nofollow">https://www.gdeltproject.org/</a></span>
30. <span id="cite_note-MGI2019-30">[↑](https://systems-analysis.info/int/The_2019_AI_Index_Report_(PL)#cite_ref-MGI2019_30-0) McKinsey Global Institute (2019). *Notes from the AI frontier: Applying AI for social good*. <a href="https://www.mckinsey.com/mgi/overview" class="external free" rel="nofollow">https://www.mckinsey.com/mgi/overview</a></span>