--- title: "The 2019 AI Index Report (TH)" source: "https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)" wiki: "systems-analysis.info/int" article: "The_2019_AI_Index_Report_(TH)" language: "th" categories: - "Category:Machine learning" - "Category:Thai" revision_id: 7965 wiki_created_at: 2026-09-07T01:09:46Z wiki_modified_at: 2026-09-07T01:09:46Z downloaded_at: 2026-09-07T23:22:07Z --- # The 2019 AI Index Report (TH) **AI Index Report 2019** — รายงานประจำปีฉบับเต็มรูปแบบฉบับที่สองของ **AI Index** จัดทำโดยสถาบัน Stanford Institute for Human-Centered Artificial Intelligence (Stanford HAI)[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-AIIndex2019-1) รายงานปี 2019 ติดตามชุดข้อมูลมากกว่าฉบับปี 2018 ถึงสามเท่า และครอบคลุมเก้าบทตามหัวข้อ ตั้งแต่การวิจัยและพัฒนาไปจนถึงยุทธศาสตร์ระดับชาติและพลวัต AI ระดับโลก ฉบับนี้ประกอบด้วยข้อมูลที่อัปเดตในทุกด้านของปัญญาประดิษฐ์ ได้แก่ ความก้าวหน้าทางเทคนิค เศรษฐกิจ การศึกษา การรับรู้ของสาธารณชน และผลกระทบทางสังคม พร้อมทั้งนำเสนอเครื่องมือเชิงโต้ตอบใหม่สองรายการ ได้แก่ **Global AI Vibrancy Tool** (vibrancy.aiindex.org) ที่ช่วยให้เปรียบเทียบประเทศต่าง ๆ ตาม 34 ตัวชี้วัด และ **AI Index arXiv Monitor** (arxiv.aiindex.org) ที่รองรับการค้นหาข้อความเต็มในเอกสาร preprint ด้าน AI AI Index เป็นความริเริ่มอิสระภายใต้สถาบัน Stanford HAI ซึ่งเกิดขึ้นในกรอบโครงการ "การศึกษาร้อยปีด้าน AI" (AI100)[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-AIIndex2019-1) ## บริบทและวัตถุประสงค์ พันธกิจของ AI Index คือการจัดหาข้อมูลที่เป็นกลางและได้รับการตรวจสอบอย่างรอบคอบเกี่ยวกับการพัฒนาปัญญาประดิษฐ์ สำหรับผู้กำหนดนโยบาย นักวิจัย ผู้บริหาร นักข่าว และสาธารณชนทั่วไป[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-AIIndex2019-1) รายงานปี 2019 ออกมาในช่วงที่รัฐบาล บริษัทขนาดใหญ่ และสังคมให้ความสนใจ AI อย่างรวดเร็ว โดยมุ่งขจัดความเชื่อผิด ๆ ที่แพร่หลาย โดยเฉพาะแนวคิดที่ว่าการพัฒนา AI ถูกจำกัดอยู่ในการแข่งขันระหว่างสหรัฐอเมริกาและจีน ข้อมูลในรายงานแสดงให้เห็นว่าศูนย์ความเป็นเลิศด้าน AI กำลังก่อตัวขึ้นทั่วโลก โดยฟินแลนด์โดดเด่นด้านการศึกษา AI อินเดียมีการแพร่กระจายทักษะ AI ในระดับสูง สิงคโปร์มีการสนับสนุนจากภาครัฐที่มีระเบียบแบบแผนดี และอิสราเอลนำในด้านการลงทุนภาคเอกชนใน AI startup ต่อหัวประชากร[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-AIIndex2019-1) ## โครงสร้างของรายงาน รายงานปี 2019 ประกอบด้วยเก้าบทตามหัวข้อ[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-AIIndex2019-1): 1. **การวิจัยและพัฒนา (Research and Development)** — ข้อมูลบรรณมิติ สิ่งพิมพ์ สิทธิบัตร ความหลากหลายทางเพศในการวิจัย AI 2. **การประชุม (Conferences)** — จำนวนผู้เข้าร่วม สถิติบทความ AAAI องค์กรด้านความหลากหลาย จริยธรรมในการประชุม 3. **ประสิทธิภาพทางเทคนิค (Technical Performance)** — benchmark ด้านการมองเห็นด้วยคอมพิวเตอร์ การประมวลผลภาษา การให้เหตุผล และกำลังคำนวณ 4. **เศรษฐกิจ (The Economy)** — การจ้างงาน การลงทุน การนำ AI ไปใช้ในองค์กร การใช้หุ่นยนต์ 5. **การศึกษา (Education)** — การเรียนรู้ออนไลน์ หลักสูตรมหาวิทยาลัย การเชี่ยวชาญระดับ PhD การไหลออกของอาจารย์ 6. **ระบบอัตโนมัติ (Autonomous Systems)** — ยานยนต์ไร้คนขับ อาวุธอัตโนมัติ 7. **การรับรู้ของสาธารณชน (Public Perception)** — ธนาคารกลาง รัฐสภา รายงานองค์กร สื่อมวลชน 8. **ประเด็นทางสังคม (Societal Considerations)** — หลักจริยธรรม AI และการพัฒนาที่ยั่งยืนของสหประชาชาติ 9. **ยุทธศาสตร์ระดับชาติและพลวัต AI ระดับโลก (National Strategies and Global AI Vibrancy)** — ยุทธศาสตร์ระดับชาติ เครื่องมือเปรียบเทียบประเทศ ## ข้อสรุปสำคัญของรายงาน ### 1. ปริมาณสิ่งพิมพ์ที่เพิ่มขึ้น ในช่วงปี 1998 ถึง 2018 ปริมาณสิ่งพิมพ์ที่ผ่านการทบทวนโดยผู้เชี่ยวชาญด้าน AI เพิ่มขึ้นมากกว่า 300% ในปี 2018 บทความด้าน AI คิดเป็น 3% ของสิ่งพิมพ์ในวารสารและ 9% ของบทความในการประชุมในฐานข้อมูล Scopus[\[2\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-Scopus2019-2) จีนในปี 2018 เท่าเทียมกับยุโรปในด้านจำนวนสิ่งพิมพ์วารสารและการประชุมด้าน AI โดยแซงหน้าสหรัฐอเมริกาไปแล้วตั้งแต่ปี 2006 ทั้งนี้ ดัชนีการอ้างอิง (FWCI) ของสิ่งพิมพ์จากสหรัฐอเมริกายังคงสูงกว่าของจีนประมาณ 50%[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-AIIndex2019-1) ### 2. จำนวนผู้เข้าร่วมการประชุมสูงเป็นประวัติการณ์ จำนวนผู้เข้าร่วมการประชุม AI ชั้นนำยังคงเพิ่มขึ้นอย่างมีนัยสำคัญ การประชุม NeurIPS ในปี 2019 คาดว่าจะมีผู้เข้าร่วม 13,500 คน เพิ่มขึ้น 41% จากปี 2018 และเพิ่มขึ้นมากกว่า 800% จากปี 2012 การประชุม AAAI และ CVPR แสดงอัตราการเติบโตของผู้เข้าร่วมประมาณ 30% ต่อปี[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-AIIndex2019-1) ### 3. ความก้าวหน้าทางเทคนิคอย่างรวดเร็ว เวลาในการฝึกโมเดลการจำแนกประเภทภาพบนโครงสร้างพื้นฐานคลาวด์ลดลงจากประมาณสามชั่วโมงในเดือนตุลาคม 2017 เหลือประมาณ 88 วินาทีในเดือนกรกฎาคม 2019 และต้นทุนการฝึกก็ลดลงในทำนองเดียวกัน บน benchmark SuperGLUE และ SQuAD 2.0 ความก้าวหน้าเป็นไปอย่างรวดเร็วเป็นพิเศษ อย่างไรก็ตาม ในงานที่ต้องการการให้เหตุผล (เช่น AI2 Reasoning Challenge) และงานการเรียนรู้ในระดับแนวคิด (Omniglot Challenge) ผลลัพธ์ยังต่ำกว่าเกณฑ์[\[3\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-DAWNBench2019-3)[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-AIIndex2019-1) ### 4. การเติบโตแบบทวีคูณของกำลังคำนวณ ก่อนปี 2012 การเติบโตของกำลังคำนวณสำหรับ AI เป็นไปตามกฎของมัวร์ โดยเพิ่มเป็นสองเท่าทุกสองปี หลังปี 2012 กำลังคำนวณเพิ่มเป็นสองเท่าทุก 3.4 เดือน ส่งผลให้เพิ่มขึ้นมากกว่า 300,000 เท่าในช่วงหกปี[\[4\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-OpenAICompute-4) ### 5. การจ้างงานด้าน AI เพิ่มขึ้นทั่วโลก สิงคโปร์ บราซิล ออสเตรเลีย แคนาดา และอินเดียแสดงอัตราการเติบโตของการจ้างงานด้าน AI สูงที่สุดในช่วงปี 2015–2019 ในสหรัฐอเมริกา สัดส่วนตำแหน่งงานที่เกี่ยวข้องกับ AI เพิ่มขึ้นจาก 0.26% ของตำแหน่งงานทั้งหมดในปี 2010 เป็น 1.32% ในเดือนตุลาคม 2019 โดยผู้เชี่ยวชาญด้าน Machine Learning มีความต้องการสูงสุด (0.51%)[\[5\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-BurningGlass2019-5)[\[6\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-LinkedIn2019-6) ### 6. การลงทุนภาคเอกชนเกิน 70,000 ล้านดอลลาร์ ในปี 2019 การลงทุนภาคเอกชนระดับโลกด้าน AI เกิน 70,000 ล้านดอลลาร์ รวมถึงการลงทุนใน startup มากกว่า 37,000 ล้าน ธุรกรรม M&A 34,000 ล้าน IPO ประมาณ 5,000 ล้าน และหุ้นส่วนน้อย (minority stakes) ประมาณ 2,000 ล้านดอลลาร์ ระหว่างปี 2010 ถึง 2018 การระดมทุนสำหรับ AI startup เพิ่มขึ้นจาก 1,300 ล้านเป็น 40,400 ล้านดอลลาร์ ด้วยอัตราการเติบโตต่อปีเกิน 48% ยานยนต์อัตโนมัติได้รับส่วนแบ่งการลงทุนมากที่สุด (7,700 ล้านดอลลาร์) ตามด้วยเภสัชกรรมและการรักษามะเร็ง (4,700 ล้าน) และการจดจำใบหน้า (4,700 ล้านดอลลาร์)[\[7\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-Quid2019-7) ### 7. การนำ AI ไปใช้ในธุรกิจที่เพิ่มขึ้น ตามข้อมูลการสำรวจของ McKinsey & Company (ผู้ตอบแบบสอบถาม 2,360 คน) บริษัทขนาดใหญ่ 58% ใช้ AI ในอย่างน้อยหนึ่งหน้าที่หรือหน่วยธุรกิจในปี 2019 เพิ่มขึ้นจาก 47% ในปี 2018 ทั้งนี้ มีเพียง 19% ขององค์กรที่ดำเนินการลดความเสี่ยงที่เกี่ยวข้องกับความสามารถในการอธิบายอัลกอริทึม และเพียง 13% ที่จัดการกับความเอนเอียงและการเลือกปฏิบัติ[\[8\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-McKinsey2019-8) ### 8. AI — สาขาเฉพาะทางยอดนิยมสำหรับ PhD AI กลายเป็นสาขาเฉพาะทางที่ได้รับความนิยมมากที่สุดในหมู่นักศึกษาปริญญาเอกด้านวิทยาการคอมพิวเตอร์ในอเมริกาเหนือ โดยในปี 2018 มากกว่า 21% ของผู้สำเร็จการศึกษาระดับ PhD ด้านวิทยาการคอมพิวเตอร์เลือกเชี่ยวชาญด้าน AI และ Machine Learning สัดส่วนของผู้สำเร็จการศึกษา PhD ด้าน AI ที่เข้าทำงานในภาคอุตสาหกรรมเพิ่มขึ้นจาก 21% ในปี 2004 เป็นมากกว่า 60% ในปี 2018[\[9\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-Taulbee2019-9) ### 9. การไหลออกของอาจารย์ AI จากแวดวงวิชาการ การออกจากแวดวงวิชาการของอาจารย์ AI ไปสู่ภาคอุตสาหกรรมเร่งตัวขึ้น โดยมีมากกว่า 40 รายในปี 2018 เทียบกับ 15 รายในปี 2012 และเป็นศูนย์ในปี 2004 มหาวิทยาลัยที่สูญเสียบุคลากรมากที่สุดได้แก่ Carnegie Mellon University มหาวิทยาลัยวอชิงตัน และมหาวิทยาลัยแคลิฟอร์เนียที่เบิร์กลีย์[\[10\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-Gofman2019-10) ### 10. ความสนใจด้านจริยธรรม AI ที่เพิ่มขึ้น ความยุติธรรม การตีความได้ และความสามารถในการอธิบายถูกระบุว่าเป็นความท้าทายด้านจริยธรรมที่ถูกกล่าวถึงบ่อยที่สุดในเอกสารหลักการจริยธรรม AI จำนวน 59 ฉบับ จากบทความข่าวระดับโลกที่เกี่ยวกับจริยธรรมและ AI มากกว่า 3,600 รายการ (กลางปี 2018 ถึงกลางปี 2019) หัวข้อที่ครองพื้นที่มากที่สุดได้แก่ กรอบหลักการและแนวทางการใช้ AI อย่างมีจริยธรรม (32%) ความเป็นส่วนตัวของข้อมูล (14%) การจดจำใบหน้า (13%) ความเอนเอียงของอัลกอริทึม (11%) และบทบาทของบริษัทเทคโนโลยีขนาดใหญ่ (11%)[\[11\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-PwC2019-11) ## บทที่ 1. การวิจัยและพัฒนา บทนี้วิเคราะห์แนวโน้มในสิ่งพิมพ์จากข้อมูล Elsevier Scopus, preprint บน arXiv, Microsoft Academic Graph (MAG) รวมถึงกิจกรรมสิทธิบัตร ความนิยมของ framework ซอฟต์แวร์บน GitHub และความหลากหลายทางเพศในหมู่นักวิจัย AI[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-AIIndex2019-1) ### สิ่งพิมพ์ ยุโรปยังคงเป็นผู้เผยแพร่สิ่งพิมพ์ด้าน AI รายใหญ่ที่สุด โดยมีสัดส่วนมากกว่า 27% ใน Scopus ในปี 2018 สัดส่วนของจีนเพิ่มขึ้นจาก 10% ในปี 2000 เป็น 28% ในปี 2018 ในสหรัฐอเมริกา สิ่งพิมพ์จากภาคองค์กรมีสัดส่วนค่อนข้างสูง โดยในปี 2018 จำนวนบทความ AI จากภาคองค์กรในสหรัฐอเมริกาเกินกว่าของจีนถึงเจ็ดเท่า[\[2\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-Scopus2019-2) บน arXiv จำนวนบทความด้าน AI ทั้งหมดในช่วงปี 2010–2019 เพิ่มขึ้นมากกว่ายี่สิบเท่า การมองเห็นด้วยคอมพิวเตอร์ (CV) เป็นหมวดหมู่ย่อยที่ใหญ่ที่สุดตั้งแต่ปี 2014 แต่ในปี 2019 Machine Learning กลายเป็นหมวดหมู่นำ หมวดหมู่ย่อย "Computation & Language" เพิ่มขึ้นเกือบหกสิบเท่าจากปี 2010[\[12\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-arXiv2019-12) ### การอ้างอิง มากกว่า 32% ของการอ้างอิงบทความวารสาร AI ทั่วโลกมาจากเอเชียตะวันออก และมากกว่า 40% ของการอ้างอิงบทความในการประชุมมาจากอเมริกาเหนือ ในด้านสิทธิบัตร อเมริกาเหนือสะสมกิจกรรมการอ้างอิงสิทธิบัตร AI ของโลกมากกว่า 60% ในช่วงปี 2014–2018[\[13\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-MAG2019-13) ### สิทธิบัตร มากกว่า 51% ของสิทธิบัตร AI ทั่วโลกอยู่ในอเมริกาเหนือ สหรัฐอเมริกาเผยแพร่สิทธิบัตร AI มากกว่าประเทศถัดไป คือ ญี่ปุ่น ถึงสามเท่า มากกว่า 94% ของสิทธิบัตร AI ได้รับการยื่นจากประเทศที่มีรายได้สูง[\[13\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-MAG2019-13) ### GitHub Stars แนวโน้มที่โดดเด่นคือการครองตลาดของ framework ที่ได้รับการสนับสนุนจากบริษัทขนาดใหญ่ ได้แก่ TensorFlow (Google) และ PyTorch (Facebook) framework ที่ไม่ใช่ของบริษัทขนาดใหญ่ — scikit-learn และ Caffe — ยังคงเติบโต แต่ในอัตราที่ช้ากว่า[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-AIIndex2019-1) ### ความหลากหลายทางเพศในการวิจัย มากกว่า 41% ของบทความ AI จากเนเธอร์แลนด์ และมากกว่า 39% จากเดนมาร์กมีผู้เขียนร่วมที่เป็นผู้หญิงอย่างน้อยหนึ่งคน ในญี่ปุ่นและสิงคโปร์ ตัวเลขนี้อยู่ที่เพียง 10% และ 16% ตามลำดับ หลายประเทศในยุโรปตะวันตก รวมถึงอาร์เจนตินา แคนาดา และอิหร่าน แสดงให้เห็นการมีส่วนร่วมของผู้หญิงในการวิจัย AI ในระดับสูงค่อนข้างมาก[\[14\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-NESTA2019-14) ## บทที่ 2. การประชุม ### จำนวนผู้เข้าร่วม NeurIPS ในปี 2019 คาดว่าจะมีผู้เข้าร่วม 13,500 คน (เพิ่มขึ้น 800% จากปี 2012) ICLR เพิ่มขึ้นถึง 15 เท่าเมื่อเทียบกับปี 2014 การประชุม Women in Machine Learning (WiML) เพิ่มจำนวนผู้เข้าร่วมขึ้น 738% เมื่อเทียบกับปี 2014 และโปรแกรม AI4ALL เพิ่มขึ้น 2,000% เมื่อเทียบกับปี 2015[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-AIIndex2019-1) ### สถิติ AAAI ในการประชุม AAAI 2019 จีนยื่นและมีบทความที่ได้รับการตอบรับจำนวนมากที่สุด มากกว่า 68% ของผู้ยื่นเป็นนักศึกษาปริญญาเอก อิสราเอลมีอัตราการตอบรับสูงสุด (24%) ตามด้วยเยอรมนี (23%) แคนาดา (22%) สหรัฐอเมริกา และสิงคโปร์ (20% เท่ากัน) Machine Learning, NLP และการมองเห็นด้วยคอมพิวเตอร์ยังคงเป็นสามหัวข้อนำ[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-AIIndex2019-1) ### จริยธรรมในการประชุม จำนวนบทความที่มีคำสำคัญเกี่ยวกับจริยธรรมในการประชุม AI ชั้นนำยังคงมีสัดส่วนน้อยจากจำนวนทั้งหมด แต่เพิ่มขึ้นอย่างรวดเร็ว การวิเคราะห์ครอบคลุมบทความ 110,108 บทความ รวมถึงบทความในการประชุม 59,352 บทความ และในวารสาร 50,756 บทความ[\[15\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-PratesEthics2019-15) ## บทที่ 3. ประสิทธิภาพทางเทคนิค บทนี้ติดตามความก้าวหน้าทางเทคนิคในงานด้านการมองเห็นด้วยคอมพิวเตอร์ การประมวลผลภาษาธรรมชาติ การให้เหตุผล การแปลด้วยเครื่อง และกำลังคำนวณ[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-AIIndex2019-1) ### การมองเห็นด้วยคอมพิวเตอร์ **ImageNet.** วิธีแรกที่ทำได้ดีกว่าความแม่นยำของมนุษย์บน ImageNet ได้รับการเผยแพร่ในปี 2015 ในปี 2019 ความก้าวหน้ายังดำเนินต่อไป โดยสามวิธีที่ประสบความสำเร็จมากที่สุดใช้ข้อมูลการฝึกเพิ่มเติม การแข่งขัน ImageNet สิ้นสุดลงในปี 2017 แต่ dataset ยังคงเป็น benchmark สำคัญ[\[16\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-ImageNet2019-16) **เวลาและต้นทุนการฝึก.** ตามข้อมูลของโครงการ DAWNBench (Stanford) เวลาในการฝึกโมเดลการจำแนกประเภทภาพให้ได้ความแม่นยำ 93%+ (top-5) บนโครงสร้างพื้นฐานคลาวด์ ลดลงจากมากกว่า 3 ชั่วโมง (ตุลาคม 2017) เหลือประมาณ 88 วินาที (กรกฎาคม 2019) ต้นทุนการฝึกลดลงจาก \$2,323 (ตุลาคม 2017, ResNet) เหลือประมาณ \$12 (กันยายน 2018, ResNet บน GCP ด้วย Cloud TPU)[\[3\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-DAWNBench2019-3) **การสร้างภาพ.** ความก้าวหน้าในการสร้างภาพ (CIFAR-10) วัดด้วยเมตริก FID (Fréchet Inception Distance) โดยคะแนนที่ต่ำกว่าสัมพันธ์กับคุณภาพการสร้างที่ดีกว่า[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-AIIndex2019-1) **การแบ่งส่วนเชิงความหมาย.** ความก้าวหน้าวัดด้วยเมตริก mean IoU บน dataset Cityscapes ซึ่งเป็นงานสำคัญสำหรับระบบขับขี่อัตโนมัติ[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-AIIndex2019-1) ### การประมวลผลภาษาธรรมชาติ **GLUE.** benchmark General Language Understanding Evaluation ที่เผยแพร่ในเดือนพฤษภาคม 2018 ทดสอบระบบในเก้างานการประมวลผลข้อความ แม้ว่า benchmark นี้จะมีอายุเพิ่งกว่าหนึ่งปี แต่ผลลัพธ์ของระบบแซงหน้าระดับของผู้ประเมินที่ไม่ใช่ผู้เชี่ยวชาญในเดือนมิถุนายน 2019 โมเดล RoBERTa (Facebook) และ T5 (Google) ยังคงปรับปรุงคะแนนต่อเนื่อง[\[17\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-GLUE2018-17) **SuperGLUE.** เป็น benchmark ที่ยากกว่า เปิดตัวในเดือนพฤษภาคม 2019 ภายในห้าเดือนหลังการเปิดตัว โมเดล T5 (Google) เกือบถึงระดับฐาน (baseline) ของมนุษย์ที่ 89.8 โดยทำคะแนนได้ 88.9[\[18\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-SuperGLUE2019-18) **SQuAD.** บน benchmark Stanford Question Answering Dataset คะแนน F1 สำหรับ SQuAD 1.1 เพิ่มขึ้นจาก 67 (สิงหาคม 2016) เป็น 95 (พฤษภาคม 2019) ความก้าวหน้าบน SQuAD 2.0 เร็วกว่านั้น จาก 62 (พฤษภาคม 2018) เป็น 90 (มิถุนายน 2019) เวลาฝึกโมเดลตอบคำถามให้ได้ F1 ≥ 75 บน SQuAD 1.0 ลดลงจากมากกว่า 7 ชั่วโมง (ตุลาคม 2017) เหลือน้อยกว่า 19 นาที (มีนาคม 2019)[\[19\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-SQuAD2018-19) **การให้เหตุผล.** บน ARC Challenge Set (Allen Institute for AI) ผลลัพธ์ที่ดีที่สุดอยู่ที่ 67.7% (กันยายน 2019) บน ARC-Easy อยู่ที่ 85.4% งานที่ต้องการการให้เหตุผลยังคงยากกว่ามากสำหรับระบบ AI[\[20\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-ARC2018-20) ### การแปลด้วยเครื่อง จำนวนระบบแปลด้วยเครื่องที่มีจำหน่ายในเชิงพาณิชย์พร้อมโมเดลที่ผ่านการฝึกล่วงหน้า (pretrained) เพิ่มขึ้นจาก 8 (2017) เป็นมากกว่า 24 (2019) ความก้าวหน้าด้านคุณภาพมากที่สุดสังเกตได้จากคู่ภาษาจีน–อังกฤษ อังกฤษ–เยอรมัน และรัสเซีย–อังกฤษ[\[21\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-Intento2019-21) ### Omniglot Challenge ในช่วงสามปีมีความก้าวหน้าอย่างเห็นได้ชัดในการจำแนกประเภทแบบ one-shot อย่างไรก็ตาม ในสี่งานการเรียนรู้แนวคิดที่เหลือ (การสร้างตัวอย่าง การวิเคราะห์ การสร้างแนวคิดใหม่) ความก้าวหน้ายังจำกัด การเรียนรู้แบบโปรแกรมเชิงเบย์ (BPL) ยังคงเหนือกว่าแนวทาง Neural Network ในงานเดิม[\[22\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-Lake2019-22) ### กำลังคำนวณ การวิเคราะห์ของ OpenAI แสดงให้เห็นช่องว่างเชิงโครงสร้าง: ก่อนปี 2012 กำลังคำนวณสำหรับ AI เพิ่มเป็นสองเท่าทุกสองปี (กฎของมัวร์) หลังปี 2012 เพิ่มเป็นสองเท่าทุก 3.4 เดือน ตั้งแต่ปี 2012 ตัวเลขนี้เพิ่มขึ้นมากกว่า 300,000 เท่า[\[4\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-OpenAICompute-4) ### หลักไมล์ระดับมนุษย์ รายงานได้อัปเดตลำดับเวลาของความสำเร็จของ AI โดยเพิ่มผลลัพธ์ใหม่สองรายการต่อจากที่เคยบันทึกไว้ก่อนหน้า (Othello — 1980, หมากฮอส — 1995, หมากรุก — 1997, Jeopardy! — 2011, Atari — 2015, ImageNet — 2016, Go — 2016, โป๊กเกอร์ — 2017, Ms. Pac-Man — 2017, StarCraft II — 2019): | ปี | ความสำเร็จ | |------|-----------------------------------------------------------------------------| | 2018 | AlphaFold (DeepMind) — การทำนายโครงสร้าง 3D ของโปรตีนด้วยความแม่นยำที่ไม่เคยมีมาก่อน | | 2019 | AlphaStar (DeepMind) — ชนะนักเล่น StarCraft II ระดับโปรมืออาชีพชั้นนำ | | 2019 | การตรวจจับโรคจอประสาทตาเบาหวานด้วยความแม่นยำระดับผู้เชี่ยวชาญ | ## บทที่ 4. เศรษฐกิจ ### การจ้างงานและการสรรหาบุคลากร ดัชนีการจ้างงาน AI (LinkedIn) แสดงให้เห็นว่าสิงคโปร์ บราซิล ออสเตรเลีย แคนาดา และอินเดียนำในด้านอัตราการเติบโตของการจ้างงานในช่วงปี 2015–2019 ในสหรัฐอเมริกา รัฐวอชิงตันมีความต้องการสัมพัทธ์ด้านตำแหน่งงาน AI สูงที่สุด (เกือบ 1.4% ของตำแหน่งงานทั้งหมด) ตามด้วยแคลิฟอร์เนีย (1.3%) และแมสซาชูเซตส์ (1.3%) ในด้านจำนวนสัมบูรณ์ แคลิฟอร์เนียนำโดยมีตำแหน่งงาน AI มากกว่า 93,000 ตำแหน่ง[\[5\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-BurningGlass2019-5) การแพร่กระจายของทักษะ AI มากที่สุดพบในภาคบริการ IT (2.3% ของตำแหน่งงาน) บริการวิชาชีพและวิทยาศาสตร์ (มากกว่า 2%) การเงินและประกันภัย (1.3%) และการผลิต (1.1%)[\[6\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-LinkedIn2019-6) ตามข้อมูลของ LinkedIn อินเดียแสดงการแพร่กระจายทักษะ AI สูงกว่าค่าเฉลี่ยโลกถึง 2.6 เท่า ภาพที่น่าสนใจปรากฏในมุมมองเรื่องเพศ: ผู้ชายรายงานทักษะ AI ในอาชีพที่หลากหลายกว่าผู้หญิงในทุกประเทศที่อยู่ในตัวอย่าง[\[6\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-LinkedIn2019-6) ### การลงทุน การระดมทุนสำหรับ AI startup เพิ่มขึ้นด้วยอัตราการเติบโตต่อปีเกิน 48% (2010–2018) ในเดือนพฤศจิกายน 2019 ปริมาณการลงทุนอยู่ที่ 37,400 ล้านดอลลาร์ (เทียบกับ 40,400 ล้านดอลลาร์ตลอดปี 2018) ระหว่างปี 2014 ถึง 2019 มีการลงทุนทั้งหมด 15,798 รายการ โดยมีขนาดเฉลี่ยประมาณ 8.6 ล้านดอลลาร์[\[7\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-Quid2019-7) ตัวชี้วัดการลงทุน AI ต่อหัวสูงที่สุดในอิสราเอล ตามด้วยสิงคโปร์และไอซ์แลนด์ startup จากจีนได้รับการลงทุนต่อบริษัทมากกว่าอย่างมีนัยสำคัญ: 34.1 ล้านดอลลาร์ — มากกว่าสหรัฐอเมริกา 201% และมากกว่าค่าเฉลี่ยโลก 296%[\[7\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-Quid2019-7) ในด้านภาคส่วน การลงทุนสูงสุดไปที่ยานยนต์อัตโนมัติ (7,700 ล้านดอลลาร์ คิดเป็น 9.9% ของปริมาณรวม) เภสัชกรรมและการรักษามะเร็ง (4,700 ล้าน) การจดจำใบหน้า (4,700 ล้าน) เนื้อหาวิดีโอ (3,600 ล้าน) และการตรวจจับการฉ้อโกง (3,100 ล้านดอลลาร์) ภาคที่เติบโตเร็วที่สุดได้แก่ การทำให้กระบวนการเป็นอัตโนมัติด้วยหุ่นยนต์ การบริหารห่วงโซ่อุปทาน และการทำให้อุตสาหกรรมเป็นอัตโนมัติ[\[7\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-Quid2019-7) ### การลงทุนของภาครัฐ (สหรัฐอเมริกา) รัฐบาลกลางสหรัฐอเมริกาวางแผนลงทุน 4,980 ล้านดอลลาร์ในการวิจัย AI สำหรับปีงบประมาณ 2020 กระทรวงกลาโหม (DoD) วางแผน 4,000 ล้านดอลลาร์ รวมถึง 506 ล้านผ่าน DARPA, 221 ล้านสำหรับโครงการ Maven และ 209 ล้านสำหรับ Joint AI Center (JAIC) การใช้จ่ายของหน่วยงานรัฐบาลกลางในสัญญา AI เพิ่มขึ้นประมาณ 70% จาก 429 ล้านดอลลาร์ในปี 2017 เป็น 728 ล้านดอลลาร์ในปี 2018[\[23\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-Bloomberg2019-23) ### การนำ AI ไปใช้ในองค์กร 58% ของบริษัทขนาดใหญ่รายงานการใช้ AI ในอย่างน้อยหนึ่งหน้าที่ (เพิ่มขึ้นจาก 47% ในปี 2018) 30% ของผู้ตอบแบบสอบถามระบุการนำ AI ไปใช้ในหลายหน่วยงาน (21% ในปี 2018) ความสามารถ AI ที่นำไปใช้บ่อยที่สุด ได้แก่ การทำให้กระบวนการเป็นอัตโนมัติด้วยหุ่นยนต์ การมองเห็นด้วยคอมพิวเตอร์ และ Machine Learning ความปลอดภัยทางไซเบอร์เป็นความเสี่ยงที่องค์กรรับมือบ่อยที่สุด (48%) ในขณะที่ความเสี่ยงด้านความสามารถในการอธิบาย (19%) และความยุติธรรม (13%) ได้รับการจัดการน้อยกว่ามาก[\[8\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-McKinsey2019-8) ### การใช้หุ่นยนต์ในอุตสาหกรรม ในปี 2018 การติดตั้งหุ่นยนต์อุตสาหกรรมทั่วโลกเพิ่มขึ้น 6% เป็น 422,271 หน่วย มูลค่า 16,500 ล้านดอลลาร์ จำนวนหุ่นยนต์ที่ปฏิบัติการอยู่มี 2,439,543 หน่วย ห้าตลาดใหญ่ที่สุด — จีน ญี่ปุ่น สหรัฐอเมริกา เกาหลีใต้ และเยอรมนี — รวบรวม 74% ของการติดตั้งทั่วโลก จีนยังคงเป็นผู้นำโลก (36%) โดยติดตั้ง 154,032 หน่วย[\[24\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-IFR2019-24) ## บทที่ 5. การศึกษา ### การเรียนรู้ออนไลน์ Coursera ซึ่งให้บริการผู้เรียนมากกว่า 45 ล้านคนและเสนอหลักสูตรมากกว่า 3,700 หลักสูตร ได้จัดอันดับ 60 ประเทศตามทักษะ AI (Global Skills Index) เอเชียใต้และเอเชียตะวันออกแสดงสัดส่วนการลงทะเบียนในหลักสูตร AI และทักษะที่เกี่ยวข้องสูงที่สุด บน Udacity หลักสูตร "Introduction to Machine Learning" มีจำนวนการลงทะเบียนสะสมมากกว่า 125,000 ครั้ง[\[25\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-Coursera2019-25) ### หลักสูตรมหาวิทยาลัย จำนวนนักศึกษาลงทะเบียนในหลักสูตรแนะนำด้าน AI ของ Stanford เพิ่มขึ้นห้าเท่า (2012–2018) หลักสูตร "Introduction to Machine Learning" ของมหาวิทยาลัยอิลลินอยส์ (UIUC) เพิ่มขึ้นสิบสองเท่า (2010–2018) ในระดับนานาชาติ มหาวิทยาลัยโตรอนโตมีนักศึกษาลงทะเบียนมากที่สุด ตามด้วย Higher School of Economics (รัสเซีย) และมหาวิทยาลัย Tsinghua (จีน)[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-AIIndex2019-1) ในยุโรปมีการระบุโปรแกรม 2,054 โปรแกรมที่ครอบคลุมด้าน AI โดยส่วนใหญ่อยู่ในระดับปริญญาโท มหาวิทยาลัยยุโรป 197 แห่งเสนอโปรแกรมปริญญาโทเฉพาะทางด้าน AI จำนวน 406 โปรแกรม[\[26\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-JRC2019-26) ### ความเชี่ยวชาญระดับ PhD และการไหลออกสู่ภาคอุตสาหกรรม AI กลายเป็นสาขาเฉพาะทาง PhD ที่ได้รับความนิยมมากที่สุดด้านวิทยาการคอมพิวเตอร์ โดยมากกว่า 21% ในปี 2018 สัดส่วนของผู้สำเร็จการศึกษา PhD ที่เข้าสู่ภาคอุตสาหกรรมเพิ่มขึ้นสามเท่า จาก 21% ในปี 2004 เป็น 62% ในปี 2018 มากกว่า 60% ของผู้สำเร็จการศึกษา PhD ด้าน AI ใหม่ในสหรัฐอเมริกาและแคนาดาเป็นนักศึกษาต่างชาติ (น้อยกว่า 40% ในปี 2010) โดยมีเพียงประมาณ 10% ที่ออกจากสหรัฐอเมริกาหลังสำเร็จการศึกษา[\[9\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-Taulbee2019-9) สามมหาวิทยาลัยที่สูญเสียอาจารย์ AI มากที่สุด ได้แก่ Carnegie Mellon (17 คน ประจำการ) มหาวิทยาลัยวอชิงตัน (11 คน) และ Berkeley ในบรรดามหาวิทยาลัยแคนาดา มหาวิทยาลัยโตรอนโตสูญเสียมากที่สุด (9 คน) สัดส่วนของผู้หญิงในหมู่ผู้สำเร็จการศึกษา PhD ด้าน AI ยังคงมีเสถียรภาพที่ประมาณ 20% ตั้งแต่ปี 2010 ถึง 2018[\[10\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-Gofman2019-10) ## บทที่ 6. ระบบอัตโนมัติ ### ยานยนต์ไร้คนขับ อย่างน้อย 25 ประเทศมีเมืองที่กำลังทดสอบยานยนต์อัตโนมัติ (AV) ในรัฐแคลิฟอร์เนีย ตั้งแต่ปี 2015 ถึง 2018 จำนวนบริษัทที่ทดสอบและจำนวน AV ทั้งหมดเพิ่มขึ้นเจ็ดเท่า ในปี 2018 บริษัทมากกว่า 50 แห่งและ AV มากกว่า 500 คัน ขับเคลื่อนไปมากกว่า 2 ล้านไมล์ อย่างน้อย 41 รัฐและเขตโคลัมเบียพิจารณากฎหมายที่เกี่ยวข้องกับ AV[\[27\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-CADMV2019-27) อัตราการเกิดอุบัติเหตุของ AV ในแคลิฟอร์เนียในปี 2018 อยู่ที่ 22.44 ต่อล้านไมล์ — สูงกว่าตัวเลขที่ปรับแล้วสำหรับผู้ขับขี่ทั่วไปประมาณ 5.5 เท่า ในอุบัติเหตุส่วนใหญ่ รถที่มีผู้ขับขี่มนุษย์ชนท้าย AV ที่จอดนิ่งหรือเคลื่อนที่ตรงไปข้างหน้าในเวลากลางวัน ความเสียหายส่วนใหญ่มีน้อย[\[27\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-CADMV2019-27) ### อาวุธอัตโนมัติ ตามการศึกษาของผู้เชี่ยวชาญของสถาบัน Stockholm International Peace Research Institute (SIPRI) อย่างน้อย 89 ประเทศมีระบบป้องกันภัยทางอากาศอัตโนมัติ ระบบป้องกันเชิงรุกได้รับการพัฒนาและผลิตโดยเก้าประเทศเท่านั้น ข้อมูลครอบคลุมช่วงปี 1950–2017[\[28\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-SIPRI2019-28) ## บทที่ 7. การรับรู้ของสาธารณชน ### ธนาคารกลาง การสื่อสารของธนาคารกลางแสดงให้เห็นความสนใจที่เพิ่มขึ้นต่อ AI ธนาคารแห่งอังกฤษ ธนาคารแห่งประเทศญี่ปุ่น และธนาคารกลางสหรัฐ (Federal Reserve) กล่าวถึง AI บ่อยกว่าองค์กรอื่น ลักษณะของสิ่งพิมพ์เปลี่ยนจากเอกสารวิเคราะห์ไปสู่คำปราศรัย[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-AIIndex2019-1) ### กิจกรรมของรัฐสภาและรัฐบาล สังเกตเห็นการเพิ่มขึ้นมากกว่าสิบเท่าในกิจกรรมนิติบัญญัติที่เกี่ยวกับ AI ใน Congress สหรัฐอเมริกาในปี 2017–2018 ในบันทึกการประชุม Congress ปี 2019 เป็นปีที่มีการกล่าวถึง AI มากที่สุด แนวโน้มที่คล้ายกันสังเกตได้ในรัฐสภาของแคนาดาและสหราชอาณาจักร[\[23\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-Bloomberg2019-23) ### องค์กร สัดส่วนของรายงานผลประกอบการ (earnings calls) ของบริษัทมหาชน 3,000 แห่งในสหรัฐอเมริกาที่มีการกล่าวถึง AI เพิ่มขึ้นจาก 0.01% (2010) เป็น 0.42% (2018) ภาคการเงินนำในด้านจำนวนการกล่าวถึง[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-AIIndex2019-1) ### สื่อมวลชนและการค้นหาบนเว็บ ตามข้อมูลของ Google Trends คำว่า "machine learning" แซงหน้าคำที่เกี่ยวข้องอื่น ๆ ในการค้นหาในสหรัฐอเมริกา ตามข้อมูลของ GDELT Project จากบทความข่าวที่เกี่ยวข้องกับ AI นั้น 17.7% เกี่ยวข้องกับผลกระทบต่อการจ้างงาน 2.4% เกี่ยวกับความเอนเอียงของอัลกอริทึม และเพียง 0.99% เกี่ยวกับ "หุ่นยนต์สังหาร"[\[29\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-GDELT2019-29) ## บทที่ 8. ประเด็นทางสังคม ### หลักจริยธรรม PricewaterhouseCoopers วิเคราะห์เอกสารหลักจริยธรรม AI จำนวน 59 ฉบับจากสมาคมและสหภาพ รัฐบาล บริษัทเทคโนโลยี ศูนย์วิจัย และองค์กรวิชาการ มีการระบุความท้าทายด้านจริยธรรมสิบสองประการที่ถูกกล่าวถึงบ่อยที่สุด ได้แก่ ความรับผิดชอบ ความปลอดภัย การควบคุมโดยมนุษย์ ความน่าเชื่อถือและความมั่นคง ความยุติธรรม ความหลากหลายและการรวมเอาทุกคน ความยั่งยืน ความโปร่งใส การตีความได้และความสามารถในการอธิบาย การมีส่วนร่วมหลายฝ่าย ความชอบด้วยกฎหมายและการปฏิบัติตามกฎระเบียบ และความเป็นส่วนตัวของข้อมูล[\[11\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-PwC2019-11) ความยุติธรรม การตีความได้/ความสามารถในการอธิบาย และความโปร่งใสถูกกล่าวถึงบ่อยที่สุด สำหรับบริษัทเทคโนโลยี ความยุติธรรมถูกระบุใน 100% ของกรอบแนวทาง สำหรับศูนย์วิจัย ความยุติธรรมและการควบคุมโดยมนุษย์อยู่ที่ 100% และ 88% ตามลำดับ[\[11\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-PwC2019-11) ### AI และเป้าหมายการพัฒนาที่ยั่งยืนของสหประชาชาติ McKinsey Global Institute ระบุรูปแบบการใช้ AI เพื่อประโยชน์ทางสังคมประมาณ 160 รูปแบบ ที่อาจสนับสนุนเป้าหมายการพัฒนาที่ยั่งยืน (SDG) ทั้ง 17 ข้อของสหประชาชาติ AI สามารถจัดการกับประมาณครึ่งหนึ่งจาก 169 เป้าหมายย่อยของ SDG รูปแบบการนำไปใช้มากที่สุดสอดคล้องกับ SDG 3 (สุขภาพ) และ SDG 16 (สังคมสันติสุขและครอบคลุม) อย่างไรก็ตาม สำหรับการนำ AI ไปใช้ในวงกว้างเพื่อการพัฒนาที่ยั่งยืน ยังมีอุปสรรคสำคัญ ได้แก่ ความพร้อมใช้งานของข้อมูล กำลังคำนวณ บุคลากร และความพร้อมขององค์กร[\[30\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-MGI2019-30) ## บทที่ 9. ยุทธศาสตร์ระดับชาติและพลวัต AI ระดับโลก ### ยุทธศาสตร์ระดับชาติ จำนวนเอกสารยุทธศาสตร์ AI อย่างเป็นทางการเพิ่มขึ้นอย่างต่อเนื่อง PwC โดยใช้การวิเคราะห์ NLP ใน 37 เอกสาร พบว่าความร่วมมือทางวิชาการถูกกล่าวถึงใน 94% ของเอกสาร การวิจัยและพัฒนา AI ใน 48% และการกำกับดูแล AI ใน 42% การคุ้มครองผู้บริโภคและความยุติธรรมถูกกล่าวถึงน้อยที่สุด (2%)[\[11\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-PwC2019-11) ### เครื่องมือ Global AI Vibrancy เครื่องมือที่นำเสนอเป็นครั้งแรกครอบคลุม 28 ประเทศตาม 34 เมตริก จัดกลุ่มเป็นสามเสาหลัก ได้แก่ การวิจัยและพัฒนา (21 เมตริก) เศรษฐกิจ (10 เมตริก) และความครอบคลุม (5 เมตริก) เครื่องมือนี้ช่วยให้ผู้ใช้สามารถปรับน้ำหนักและทำการเปรียบเทียบทั้งระหว่างประเทศและภายในประเทศ[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-AIIndex2019-1) ### โปรไฟล์ประเทศ รายงานประกอบด้วยโปรไฟล์ประเทศโดยละเอียดสำหรับบราซิล จีน ฝรั่งเศส เยอรมนี อินเดีย เนเธอร์แลนด์ สิงคโปร์ และสหรัฐอเมริกา รวมถึงภาพรวมนโยบายระดับภูมิภาคพหุภาคีด้าน AI[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-AIIndex2019-1) ## ผลลัพธ์สำคัญจาก benchmark ปี 2019 | Benchmark | ผลลัพธ์ที่ดีที่สุด (2019) | ระดับมนุษย์ | ความก้าวหน้า | |------------------|----------------------------------------------|----------------------|------------------------------------| | ImageNet (Top-1) | ~88% | ~95% (ผู้ติดป้ายรายเดียว) | การปรับปรุงอย่างต่อเนื่องด้วยข้อมูลเพิ่มเติม | | GLUE | แซงหน้าระดับผู้ประเมินที่ไม่ใช่ผู้เชี่ยวชาญ (มิถุนายน 2019) | 87.1 (ไม่ใช่ผู้เชี่ยวชาญ) | RoBERTa, T5 | | SuperGLUE | 88.9 (T5, Google) | 89.8 | บรรลุภายใน 5 เดือนหลังเปิดตัว benchmark | | SQuAD 1.1 (F1) | 95 | ~91 | แซงหน้าระดับมนุษย์ | | SQuAD 2.0 (F1) | 90 | ~89 | ใกล้เคียงระดับมนุษย์ | | ARC Challenge | 67.7% | — | งานให้เหตุผลยังยากอยู่ | | VQA | 75.28% | ~80% | เพิ่มขึ้น 2.85 p.p. ต่อปี | ## ระเบียบวิธี รายงานใช้ข้อมูลจากแหล่งต่าง ๆ มากมาย[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-AIIndex2019-1): - **สิ่งพิมพ์:** Elsevier Scopus, arXiv (NESTA), Microsoft Academic Graph (MAG). - **Benchmark:** Papers With Code, DAWNBench/MLPerf, leaderboard ของ GLUE, SuperGLUE, SQuAD, ARC, VQA, ActivityNet. - **การประชุม:** ข้อมูลการลงทะเบียนของ NeurIPS, ICML, ICLR, AAAI, CVPR, WiML, AI4ALL, RightsCon. - **ตลาดแรงงาน:** LinkedIn Economic Graph, Burning Glass Technologies, Indeed. - **การลงทุน:** CAPIQ, Crunchbase, Quid. - **กิจกรรมองค์กร:** McKinsey Global Survey, International Federation of Robotics. - **การใช้จ่ายของภาครัฐ:** Bloomberg Government. - **การรับรู้ของสาธารณชน:** Google Trends, GDELT Project, Prattle (ธนาคารกลาง), Hansard (รัฐสภา). - **จริยธรรมและยุทธศาสตร์:** PricewaterhouseCoopers (NAISR), Harvard, LexisNexis. - **การศึกษา:** CRA Taulbee Survey, Coursera, Udacity, Joint Research Centre (EC). - **ระบบอัตโนมัติ:** California DMV, Bloomberg Philanthropies, SIPRI, NCSL. ## คณะผู้จัดทำ รายงานจัดทำโดยคณะกรรมการบริหาร AI Index ภายใต้การประสานงานของ **Raymond Perrault** (SRI International) และดำเนินการภายใต้ประธาน **Yoav Shoham** (มหาวิทยาลัย Stanford) สมาชิกคณะกรรมการประกอบด้วย: **Erik Brynjolfsson** (MIT), **Jack Clark** (OpenAI), **John Etchemendy** (Stanford), **Barbara Grosz** (Harvard), **Terah Lyons** (Partnership on AI), **James Manyika** (McKinsey Global Institute) และ **Juan Carlos Niebles** (Stanford) หัวหน้าโครงการและบรรณาธิการบริหารคือ **Saurabh Mishra** (มหาวิทยาลัย Stanford) ข้อมูลจัดทำโดยองค์กรพันธมิตรมากกว่า 20 องค์กร[\[1\]](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_note-AIIndex2019-1) ## ลิงก์อ้างอิง - Stanford HAI — AI Index Report 2019 (ฉบับเต็ม): 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 ## บรรณานุกรม - 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/ ## หมายเหตุ 1. ↑ [1.00](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_ref-AIIndex2019_1-0) [1.01](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_ref-AIIndex2019_1-1) [1.02](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_ref-AIIndex2019_1-2) [1.03](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_ref-AIIndex2019_1-3) [1.04](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_ref-AIIndex2019_1-4) [1.05](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_ref-AIIndex2019_1-5) [1.06](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_ref-AIIndex2019_1-6) [1.07](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_ref-AIIndex2019_1-7) [1.08](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_ref-AIIndex2019_1-8) [1.09](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_ref-AIIndex2019_1-9) [1.10](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_ref-AIIndex2019_1-10) [1.11](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_ref-AIIndex2019_1-11) [1.12](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_ref-AIIndex2019_1-12) [1.13](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_ref-AIIndex2019_1-13) [1.14](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_ref-AIIndex2019_1-14) [1.15](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_ref-AIIndex2019_1-15) [1.16](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_ref-AIIndex2019_1-16) [1.17](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_ref-AIIndex2019_1-17) [1.18](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_ref-AIIndex2019_1-18) [1.19](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_ref-AIIndex2019_1-19) [1.20](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_ref-AIIndex2019_1-20) [1.21](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#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_(TH)#cite_ref-Scopus2019_2-0) [2.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#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_(TH)#cite_ref-DAWNBench2019_3-0) [3.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#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_(TH)#cite_ref-OpenAICompute_4-0) [4.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#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_(TH)#cite_ref-BurningGlass2019_5-0) [5.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#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_(TH)#cite_ref-LinkedIn2019_6-0) [6.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_ref-LinkedIn2019_6-1) [6.2](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#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_(TH)#cite_ref-Quid2019_7-0) [7.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_ref-Quid2019_7-1) [7.2](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_ref-Quid2019_7-2) [7.3](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#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_(TH)#cite_ref-McKinsey2019_8-0) [8.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#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_(TH)#cite_ref-Taulbee2019_9-0) [9.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#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_(TH)#cite_ref-Gofman2019_10-0) [10.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#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_(TH)#cite_ref-PwC2019_11-0) [11.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_ref-PwC2019_11-1) [11.2](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#cite_ref-PwC2019_11-2) [11.3](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#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_(TH)#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_(TH)#cite_ref-MAG2019_13-0) [13.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#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_(TH)#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_(TH)#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_(TH)#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_(TH)#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_(TH)#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_(TH)#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_(TH)#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_(TH)#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_(TH)#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_(TH)#cite_ref-Bloomberg2019_23-0) [23.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#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_(TH)#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_(TH)#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_(TH)#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_(TH)#cite_ref-CADMV2019_27-0) [27.1](https://systems-analysis.info/int/The_2019_AI_Index_Report_(TH)#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_(TH)#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_(TH)#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_(TH)#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