--- title: "The 2021 AI Index Report (ID)" source: "https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)" wiki: "systems-analysis.info/int" article: "The_2021_AI_Index_Report_(ID)" language: "id" categories: - "Category:Indonesian" - "Category:Machine learning" revision_id: 7978 wiki_created_at: 2026-09-07T01:10:04Z wiki_modified_at: 2026-09-07T01:10:04Z downloaded_at: 2026-09-07T23:22:17Z --- # The 2021 AI Index Report (ID) **AI Index Report 2021** — edisi tahunan keempat dari laporan **AI Index**, yang disusun oleh Stanford Institute for Human-Centered Artificial Intelligence (Stanford HAI)^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}. Laporan tahun 2021 ini secara signifikan memperluas cakupan data dibandingkan edisi-edisi sebelumnya, melibatkan lebih banyak organisasi mitra eksternal, dan mempererat hubungan dengan Stanford HAI. Laporan ini melacak, mengklasifikasikan, merangkum, dan memvisualisasikan data yang berkaitan dengan kecerdasan buatan, menyajikan informasi yang objektif, telah diverifikasi secara cermat, dan dikumpulkan secara global untuk para pembuat kebijakan, peneliti, eksekutif, jurnalis, dan masyarakat umum. Laporan ini mencakup periode yang sebagian besar dibentuk oleh pandemi COVID-19, yang memengaruhi berbagai aspek perkembangan AI — mulai dari percepatan penemuan obat hingga peralihan konferensi ke format virtual. ## Konteks: Dampak COVID-19 Pandemi COVID-19 memberikan dampak yang nyata namun kompleks terhadap perkembangan AI pada tahun 2020^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}. Di bidang performa teknis, startup AI PostEra menerapkan metode Machine Learning untuk mempercepat penemuan obat yang berkaitan dengan COVID-19^{[\[2\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-PostEra2021-2)}. Bab tentang ekonomi menunjukkan bahwa perekrutan tenaga ahli AI dan investasi swasta tidak mengalami dampak negatif yang signifikan akibat pandemi — kedua indikator tersebut justru tumbuh pada tahun 2020. Peralihan konferensi ke format virtual menyebabkan lonjakan tajam dalam jumlah peserta: jumlah peserta dari sembilan konferensi besar hampir berlipat ganda. ## Struktur Laporan Laporan tahun 2021 terdiri dari tujuh bab tematik^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}: 1. **Penelitian dan Pengembangan (Research and Development)** — tren dalam publikasi, paten, konferensi, dan perangkat lunak sumber terbuka. 2. **Performa Teknis (Technical Performance)** — kemajuan dalam computer vision, pemrosesan bahasa alami, pengenalan ucapan, penalaran, layanan kesehatan, dan biologi. 3. **Ekonomi (The Economy)** — pasar tenaga kerja, investasi, dan aktivitas korporasi di bidang AI. 4. **Pendidikan AI (AI Education)** — tren dalam pengembangan sumber daya manusia, kursus, dan program studi. 5. **Tantangan Etika Aplikasi AI (Ethical Challenges of AI Applications)** — prinsip-prinsip, liputan media, dan etika dalam konferensi. 6. **Keberagaman dalam AI (Diversity in AI)** — keberagaman gender, ras, dan etnis. 7. **Kebijakan dan Strategi Nasional AI (AI Policy and National Strategies)** — legislasi, kerja sama antarpemerintah, dan investasi negara. ## Temuan Utama Laporan (Top 9) Para penulis laporan mengidentifikasi sembilan poin utama tahun 2021^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}: ### 1. Lonjakan Tajam Investasi dalam Pengembangan Obat Berbasis AI Bidang "Obat-obatan, Onkologi, Molekul, Penemuan Obat" (Drugs, Cancer, Molecular, Drug Discovery) menerima investasi swasta terbesar dalam AI pada tahun 2020 — lebih dari 13,8 miliar dolar AS, atau 4,5 kali lipat dibandingkan tahun 2019^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[3\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-Quid2021-3)}. ### 2. Berlanjutnya Pergeseran Tenaga Kerja ke Arah Industri Pada tahun 2019, 65% lulusan program doktoral AI di Amerika Utara memilih bekerja di industri — dibandingkan dengan 44,4% pada tahun 2010 — yang menggarisbawahi peran industri yang semakin besar dalam pengembangan AI^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[4\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-CRA2021-4)}. ### 3. Model Generatif — "Generatif untuk Segalanya" Sistem AI kini mampu menghasilkan teks, audio, dan gambar pada tingkat kualitas sedemikian rupa sehingga manusia semakin sulit membedakan output sintetis dari yang asli dalam sejumlah aplikasi teknologi yang terbatas^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}. ### 4. Permasalahan Keberagaman dalam AI Di antara pemegang gelar PhD baru di bidang AI di Amerika Serikat pada tahun 2019, 45% adalah kulit putih, 2,4% adalah Afrika-Amerika, dan 3,2% adalah Hispanik/Latin^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[4\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-CRA2021-4)}. ### 5. Tiongkok Melampaui AS dalam Jumlah Sitasi Artikel Jurnal AI Setelah melampaui AS dalam total jumlah publikasi jurnal AI beberapa tahun sebelumnya, Tiongkok pada tahun 2020 untuk pertama kalinya juga unggul dalam jumlah sitasi artikel jurnal. Namun, AS tetap secara konsisten dan signifikan melampaui Tiongkok dalam jumlah makalah konferensi AI (yang juga lebih banyak dikutip) selama dekade terakhir^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[5\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-MAG2021-5)}. ### 6. Sebagian Besar Mahasiswa Pascasarjana AI di AS adalah Warga Negara Asing, dan Mereka Tinggal Proporsi mahasiswa asing di antara mahasiswa pascasarjana baru di bidang AI di Amerika Utara terus meningkat pada tahun 2019, mencapai 64,3% — naik 4,3 poin persentase dibandingkan tahun 2018. Di antara lulusan asing tersebut, 81,8% tinggal di AS dan 8,6% bekerja di luar Amerika Serikat^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[4\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-CRA2021-4)}. ### 7. Teknologi Pengawasan — Cepat, Murah, dan Merata Teknologi yang diperlukan untuk pengawasan berskala besar berkembang dengan pesat: metode klasifikasi gambar, pengenalan wajah, analisis video, dan identifikasi suara menunjukkan kemajuan signifikan pada tahun 2020^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}. ### 8. Etika AI Tidak Memiliki Benchmark dan Konsensus Meskipun sejumlah organisasi menerbitkan dokumen kualitatif dan normatif di bidang etika AI, bidang ini secara umum masih kurang memiliki benchmark yang dapat digunakan untuk mengukur atau menilai keterkaitan antara diskusi publik tentang perkembangan teknologi dengan proses pengembangan itu sendiri^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}. ### 9. AI Menarik Perhatian Kongres AS Kongres ke-116 menjadi kongres yang paling berfokus pada AI dalam sejarah: jumlah penyebutan AI dalam dokumen-dokumennya lebih dari tiga kali lipat dibandingkan Kongres ke-115^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[6\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-Bloomberg2021-6)}. ## Bab 1. Penelitian dan Pengembangan Bab ini menganalisis tren dalam publikasi (yang ditinjau sejawat, jurnal, konferensi, paten), aktivitas di arXiv, konferensi, dan perangkat lunak sumber terbuka^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}. ### Publikasi yang Ditinjau Sejawat Total jumlah publikasi yang ditinjau sejawat di bidang AI tumbuh hampir 12 kali lipat antara tahun 2000 dan 2019. Proporsi publikasi AI di antara seluruh publikasi yang ditinjau sejawat di dunia meningkat dari 0,82% pada tahun 2000 menjadi 3,8% pada tahun 2019^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[7\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-Scopus2021-7)}. **Distribusi Regional.** Asia Timur dan kawasan Pasifik mempertahankan pangsa terbesar publikasi AI yang ditinjau sejawat sejak tahun 2004 (36,9% pada 2019), diikuti oleh Eropa dan Asia Tengah (25,1%) serta Amerika Utara (17,0%). Antara tahun 2009 dan 2019, Asia Selatan dan Afrika sub-Sahara menunjukkan pertumbuhan tertinggi — masing-masing delapan kali lipat dan tujuh kali lipat^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[5\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-MAG2021-5)}. **Perbandingan berdasarkan Kawasan Geografis.** Pada tahun 2019, Tiongkok menempati peringkat pertama dalam pangsa publikasi AI yang ditinjau sejawat di dunia (22,4%), melampaui Uni Eropa (16,4%) pada tahun 2017. AS berada di posisi ketiga (14,6%). Tiongkok menerbitkan 3,5 kali lebih banyak makalah AI yang ditinjau sejawat pada tahun 2019 dibandingkan tahun 2014^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[7\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-Scopus2021-7)}. **Afiliasi Institusional.** Di setiap kawasan utama, institusi akademik menyumbang porsi terbesar dari publikasi yang ditinjau sejawat. Namun sumber terbesar kedua bervariasi: di AS, penelitian korporasi menyumbang 19,2% dari total, sementara di Tiongkok dan Uni Eropa, lembaga negara menempati posisi kedua (masing-masing 15,6% dan 17,2%)^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[7\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-Scopus2021-7)}. **Kolaborasi Akademik-Korporasi.** Antara tahun 2015 dan 2019, AS menghasilkan jumlah publikasi AI kolaborasi akademik-korporasi yang ditinjau sejawat terbanyak — lebih dari dua kali lipat Uni Eropa yang berada di posisi kedua, diikuti oleh Tiongkok^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}. ### Publikasi Jurnal Jumlah publikasi jurnal AI pada tahun 2020 adalah 5,4 kali lebih tinggi dibandingkan tahun 2000. Pertumbuhan mencapai 34,5% dari tahun 2019 ke 2020 — persentase pertumbuhan yang jauh lebih tinggi dibandingkan periode 2018 ke 2019 (19,6%). Proporsi publikasi jurnal AI di antara seluruh publikasi jurnal di dunia mencapai 2,2% pada tahun 2020^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[5\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-MAG2021-5)}. **Sitasi.** Pada tahun 2020, Tiongkok (20,7%) untuk pertama kalinya melampaui AS (19,8%) dalam pangsa sitasi artikel jurnal AI di dunia. Uni Eropa terus kehilangan pangsa keseluruhan (11,0%)^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[5\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-MAG2021-5)}. ### Publikasi Konferensi Jumlah publikasi konferensi AI tumbuh empat kali lipat antara tahun 2000 dan 2019. Tiongkok melampaui AS dalam pangsa publikasi konferensi AI pada tahun 2019^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[5\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-MAG2021-5)}. **Sitasi.** Berbeda dengan publikasi jurnal, AS mempertahankan keunggulan yang konsisten dan signifikan dalam sitasi makalah konferensi AI selama dekade terakhir (40,1% pada tahun 2020), jauh melampaui Tiongkok (11,8%) dan Uni Eropa (10,9%)^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[5\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-MAG2021-5)}. ### Publikasi di arXiv Dalam enam tahun, jumlah publikasi terkait AI di arXiv tumbuh lebih dari enam kali lipat: dari 5.478 pada tahun 2015 menjadi 34.736 pada tahun 2020^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[8\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-arXiv2021-8)}. Di antara bidang-bidang penelitian, pertumbuhan tertinggi selama periode 2015–2020 ditunjukkan oleh robotika (cs.RO, tumbuh 11 kali lipat) dan Machine Learning (cs.LG, tumbuh 10 kali lipat). Pada tahun 2020, bidang dengan jumlah publikasi terbanyak adalah cs.LG (32,0%) dan computer vision cs.CV (31,7%)^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}. Amerika Utara masih memimpin dalam pangsa publikasi di arXiv (36,3% pada 2020), namun pangsa ini terus menurun (dari 41,6% pada 2017). Pangsa Asia Timur dan kawasan Pasifik meningkat secara konsisten: dari 17,3% pada tahun 2015 menjadi 26,5% pada tahun 2020^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}. ### Paten Data dari Microsoft Academic Graph menunjukkan pertumbuhan yang stabil dalam jumlah paten terkait AI selama dua dekade^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[5\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-MAG2021-5)}. ### Deep Learning Para peneliti dari Nesta menggunakan algoritma pemodelan topik untuk mengidentifikasi publikasi tentang deep learning di arXiv. Dalam lima tahun terakhir, jumlah publikasi tentang deep learning di arXiv tumbuh hampir enam kali lipat^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[9\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-Nesta2021-9)}. ### Konferensi Pada tahun 2020, sebagian besar konferensi AI besar diselenggarakan dalam format virtual karena COVID-19, yang menyebabkan lonjakan tajam dalam jumlah peserta. Jumlah peserta dari sembilan konferensi hampir berlipat ganda^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}. Di antara konferensi besar: NeurIPS (22.011 peserta), IROS (25.719 — format virtual dengan akses diperpanjang selama tiga bulan), ICML (10.800), CVPR (7.500). Di antara konferensi yang lebih kecil tercatat ICLR (5.600), ACL (3.972), AAMAS (3.726)^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}. **Kehadiran Korporasi.** Sebuah kajian menunjukkan bahwa perusahaan teknologi besar semakin memperkuat kehadiran mereka di konferensi AI terkemuka. Seluruh 10 konferensi besar menunjukkan tren kenaikan representasi korporasi. Para penulis makalah "The De-Democratization of AI" menyatakan bahwa ketimpangan distribusi sumber daya komputasi antara akademisi dan industri — yang disebut sebagai "compute divide" — memperburuk ketidaksetaraan di era deep learning^{[\[10\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-Ahmed2020-10)}. ### Perangkat Lunak Sumber Terbuka TensorFlow (dikembangkan oleh Google, dirilis secara publik pada tahun 2017) tetap menjadi pustaka AI sumber terbuka paling populer di GitHub (153 ribu bintang hingga tahun 2020). Pustaka terpopuler kedua adalah Keras (51 ribu bintang), dan ketiga adalah PyTorch dari Facebook (46 ribu bintang). Di antara pustaka lainnya, Scikit-learn (45 ribu), BVLC/Caffe (31 ribu), MXNet (19 ribu), dan CNTK (17 ribu) juga menonjol^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[11\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-GitHub2021-11)}. ## Bab 2. Performa Teknis Bab ini mencakup kemajuan dalam computer vision (gambar dan video), pemrosesan bahasa alami, penalaran berbasis bahasa dan penglihatan, pengenalan ucapan, penalaran simbolik, serta layanan kesehatan dan biologi^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}. ### Computer Vision — Gambar **ImageNet.** Computer vision mengalami kemajuan luar biasa selama dekade terakhir. Performa pada sejumlah benchmark terbesar mulai mendatar, yang mengindikasikan perlunya pengembangan pengujian yang lebih kompleks. Laporan ini menyajikan data mengenai akurasi Top-1 dan Top-5 pada ImageNet, serta waktu dan biaya pelatihan^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[12\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-ImageNet2021-12)}. **Pengujian yang Lebih Menantang.** Seiring melambatnya kemajuan pada ImageNet standar, laporan ini memperkenalkan benchmark yang lebih kompleks: ImageNet-Adversarial (mengandung faktor penghambat alami dan gambar yang secara sistematis salah diklasifikasikan), ImageNet-C (75 jenis distorsi visual: perubahan kecerahan, kontras, pikselasi, efek kabut), dan ImageNet-Rendition (30.000 ilustrasi dari 200 kelas ImageNet yang menguji kemampuan generalisasi)^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}. **Pembangkitan Gambar.** Kemajuan diukur menggunakan metrik Fréchet Inception Distance (FID) pada dataset STL-10 — pada tahun 2020, skor terbaik mencapai 25,4 (semakin rendah semakin baik). Contoh kualitatif pembangkitan wajah menunjukkan kemajuan pesat GAN: pada tahun 2018, performanya mencapai tingkat di mana manusia kesulitan mendeteksi pemalsuan^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[13\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-Karras2020-13)}. **Deteksi Deepfake.** Deepfake Detection Challenge (DFDC), yang dibuat oleh Facebook pada September 2019, menunjukkan penurunan nilai log loss sekitar 0,5 dalam periode Desember 2019 hingga Maret 2020, mencapai nilai 0,19^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[14\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-DFDC2020-14)}. **Estimasi Pose Manusia.** Pada benchmark COCO Keypoint Detection, akurasi algoritma meningkat sekitar 33% dalam empat tahun, mencapai 80,8% Average Precision (AP)^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}. **Segmentasi Semantik.** Kemajuan pada benchmark Cityscapes dan tugas-tugas segmentasi lainnya terus berlanjut^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}. ### Computer Vision — Video **ActivityNet.** Benchmark untuk pengenalan aktivitas menunjukkan penyempurnaan algoritma lebih lanjut dalam tugas-tugas lokalisasi temporal aktivitas^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}. **YOLO (You Only Look Once).** Sistem deteksi objek untuk analisis frame dari aliran video berkembang dengan pesat, yang mengindikasikan meluasnya kemungkinan penerapan AI^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}. **Pengenalan Wajah (NIST FRVT).** Laporan ini menyertakan data dari National Institute of Standards and Technology (NIST) mengenai pengujian sistem pengenalan wajah. Teknologi untuk pengawasan berskala besar berkembang dengan cepat^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[15\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-NIST2021-15)}. ### Pemrosesan Bahasa Alami (NLP) **SuperGLUE.** Kemajuan pesat dalam NLP menyebabkan sistem AI mulai mencapai tingkat kemampuan manusia pada benchmark SuperGLUE, yang dikembangkan sebagai respons atas benchmark GLUE sebelumnya yang dilampaui terlalu cepat. Kemajuan dalam NLP melampaui metrik yang tersedia untuk mengukurnya^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[16\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-SuperGLUE2019-16)}. **SQuAD.** Benchmark Stanford Question Answering Dataset juga menunjukkan pertumbuhan performa model yang stabil^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}. **Penerjemahan Mesin Komersial.** Jumlah sistem penerjemahan mesin berbasis cloud independen yang tersedia secara komersial dengan model yang telah dilatih sebelumnya meningkat dari 8 pada tahun 2017 menjadi 28 pada tahun 2020^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[17\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-Intento2021-17)}. **GPT-3.** Pada Juli 2020, OpenAI memperkenalkan GPT-3 — model bahasa padat terbesar yang diketahui pada saat itu, dengan 175 miliar parameter, dilatih pada 570 GB teks. Sebagai perbandingan, pendahulunya GPT-2 lebih dari 100 kali lebih kecil (1,5 miliar parameter). Skala ini menghasilkan perilaku yang mengejutkan: GPT-3 mampu menyelesaikan tugas-tugas yang tidak secara eksplisit dilatih, dengan sedikit atau bahkan tanpa contoh pelatihan (zero-shot dan few-shot learning). Rata-rata atas 42 benchmark akurasi: zero-shot — 42,6%, one-shot — 51,0%, few-shot — 57,4%^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[18\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-GPT3-18)}. Meskipun memiliki kemampuan yang mengesankan, GPT-3 memiliki kelemahan serius: dapat menghasilkan teks yang rasis, seksis, dan bias lainnya, menghasilkan pernyataan yang tidak akurat secara faktual, serta sangat mahal untuk dilatih. Penelitian mengenai pengelolaan dan "pengarahan" output semacam itu masih dalam tahap awal, namun menjanjikan^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[18\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-GPT3-18)}. ### Penalaran Berbasis Bahasa dan Penglihatan **VQA.** Pada benchmark Visual Question Answering, akurasi meningkat hampir 40% sejak benchmark ini diciptakan pada tahun 2015, mencapai 76,4% pada tahun 2020 (tingkat dasar kemampuan manusia — 80,8%)^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[19\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-VQA2020-19)}. **VCR.** Pada tugas Visual Commonsense Reasoning (yang memerlukan penalaran atas jawaban), mesin terbaik meningkatkan skor Q→AR dari 44 pada tahun 2018 menjadi 70,5 pada tahun 2020 (peningkatan 60,2%), sementara tingkat kemampuan manusia adalah 85^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}. ### Pengenalan Ucapan **LibriSpeech.** Kemajuan dalam pengenalan ucapan otomatis terus berlanjut, sebagian besar berkat fleksibilitas dan kekuatan prediktif jaringan saraf dalam^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}. **VoxCeleb.** Dataset yang terdiri dari klip pendek ucapan manusia yang diekstraksi dari wawancara video di YouTube, mencakup lebih dari 7.000 pembicara dan lebih dari satu juta ujaran. Digunakan untuk mengevaluasi identifikasi pembicara^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[20\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-VoxCeleb2021-20)}. **Kesenjangan Rasial dalam Pengenalan Ucapan.** Laporan ini mencatat adanya kesenjangan rasial yang signifikan dalam teknologi pengenalan ucapan^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}. ### Penalaran Simbolik **Masalah Kepuasan Formula Boolean (SAT).** Laporan ini menyajikan analisis baru menggunakan nilai Shapley temporal (temporal Shapley value) yang memungkinkan atribusi kontribusi sistem individu terhadap performa keseluruhan. Pemenang tahun 2020 — Kissat — menunjukkan nilai Shapley temporal tertinggi di antara semua solver (kecuali pada tahun pertama), terutama berkat struktur data dan algoritma yang lebih efisien^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[21\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-Kotthoff2020-21)}. **Pembuktian Teorema Otomatis (ATP).** Analisis perpustakaan TPTP (lebih dari 23.000 masalah) menunjukkan pertumbuhan yang konsisten dalam proporsi masalah yang dapat diselesaikan dari tahun 1997 hingga 2020. Kemajuan yang signifikan terlihat pada periode 2008–2013, dan sejak tahun 2015 kemajuan berlanjut namun melambat. Meningkatnya penggunaan Machine Learning (dalam sistem MaLARea, Enigma) dipandang sebagai faktor potensial yang revolusioner untuk ATP^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[22\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-Sutcliffe2020-22)}. ### Layanan Kesehatan dan Biologi **Sintesis Molekuler.** Model-model Machine Learning digunakan untuk melatih representasi molekul kimia guna merencanakan sintesis kimia yang lebih efisien^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}. **COVID-19 dan Penemuan Obat.** Startup PostEra menerapkan metode Machine Learning untuk mempercepat proses penemuan obat terkait COVID-19 dalam kerangka proyek COVID Moonshot^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[2\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-PostEra2021-2)}. **AlphaFold dan Pelipatan Protein.** Terobosan DeepMind di bidang prediksi struktur protein menjadi salah satu pencapaian paling signifikan tahun ini. AlphaFold 2 dalam kompetisi CASP14 (2020) mencapai median skor GDT_TS yang sebanding dengan metode eksperimental untuk tugas-tugas free modelling, secara signifikan melampaui semua hasil sebelumnya. Hal ini memiliki berbagai aplikasi luas — mulai dari pemahaman yang lebih baik tentang dasar seluler kehidupan hingga percepatan pengembangan obat^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[23\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AlphaFold2020-23)}. ### Pendapat Para Ahli Survei para ahli AI yang dilakukan oleh AI Index mengungkapkan temuan-temuan berikut^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}: - Pencapaian paling mengesankan pada tahun 2020 dinilai adalah AlphaFold (DeepMind) dan GPT-3 (OpenAI) — dengan selisih yang jauh dari yang lainnya. - Tren utama tahun 2021 adalah pengembangan lebih lanjut dari model-model yang telah dilatih sebelumnya dan fine-tuning untuk tugas-tugas spesifik yang sempit. - Percy Liang (Stanford) mencatat dominasi arsitektur Transformer, yang awalnya diciptakan untuk penerjemahan mesin namun kini menjadi arsitektur jaringan saraf standar de facto. ## Bab 3. Ekonomi Bab ini membahas keterkaitan yang semakin erat antara AI dan perekonomian global melalui perspektif pasar tenaga kerja, investasi, dan aktivitas korporasi^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}. ### Pasar Tenaga Kerja **Perekrutan Tenaga Ahli AI.** Brasil, India, Kanada, Singapura, dan Afrika Selatan menunjukkan pertumbuhan perekrutan tenaga ahli AI tertinggi dalam periode 2016 hingga 2020. Meskipun ada pandemi, perekrutan terus tumbuh di semua negara yang diteliti pada tahun 2020^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[24\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-LinkedIn2021-24)}. **Permintaan Tenaga Ahli AI di AS.** Jumlah lowongan pekerjaan di bidang AI di AS menurun sebesar 8,2% dari tahun 2019 ke 2020 (dari 325.724 menjadi 300.999). Ini adalah penurunan pertama dalam pangsa lowongan AI selama enam tahun^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[25\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-BurningGlass2021-25)}. **Penetrasi Keterampilan AI.** Di antara negara-negara yang diteliti, India memiliki indikator penetrasi keterampilan AI relatif tertinggi (2,83 dari rata-rata global), diikuti oleh AS (1,99), Tiongkok (1,40), Jerman (1,27), dan Kanada (1,13). Berdasarkan sektor, India memimpin di semua lima sektor utama: pendidikan, keuangan, perangkat keras dan jaringan, manufaktur, serta perangkat lunak dan layanan TI^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[24\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-LinkedIn2021-24)}. ### Investasi **Investasi Korporasi.** Total investasi AI global (investasi swasta, IPO, merger dan akuisisi, kepemilikan minoritas) tumbuh 40% pada tahun 2020 dibandingkan tahun 2019, mencapai 67,9 miliar dolar. Merger dan akuisisi menyumbang porsi terbesar, meningkat sebesar 121,7%. Di antara transaksi besar tercatat akuisisi Mellanox Technologies oleh NVIDIA dan akuisisi Altran Technologies oleh Capgemini^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[3\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-Quid2021-3)}. **Startup.** Volume investasi swasta dalam AI terus tumbuh, namun terkonsentrasi pada jumlah startup yang lebih sedikit. Pada tahun 2020, investasi swasta tumbuh sebesar 9,3% (rekor lebih dari 40 miliar dolar), namun jumlah perusahaan yang didanai menurun untuk tahun ketiga berturut-turut^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[3\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-Quid2021-3)}. **Bidang Fokus.** Bidang "Obat-obatan, Onkologi, Molekul, Penemuan Obat" menerima investasi swasta terbesar — lebih dari 13,8 miliar dolar, atau 4,5 kali lipat dibandingkan tahun 2019^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}. ### Aktivitas Korporasi **Adopsi AI (data McKinsey).** Meskipun terjadi penurunan ekonomi akibat pandemi, separuh responden survei McKinsey menyatakan bahwa pandemi tidak memengaruhi investasi mereka dalam AI, dan 27% justru meningkatkan investasinya. Kurang dari seperempat perusahaan mengurangi investasi mereka^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[26\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-McKinsey2021-26)}. **Risiko Etis.** Meskipun semakin banyak seruan untuk menangani masalah etika yang terkait dengan penggunaan AI, upaya di kalangan industri masih terbatas. Isu-isu seperti keadilan dan kesetaraan dalam AI mendapat perhatian yang relatif sedikit dari perusahaan. Lebih sedikit perusahaan pada tahun 2020 yang menganggap risiko terkait privasi sebagai isu yang relevan dibandingkan tahun 2019^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[26\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-McKinsey2021-26)}. **Robot Industri.** Bab ini menyertakan data dari International Federation of Robotics (IFR) mengenai tren instalasi robot industri global dan perbandingan regional^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[27\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-IFR2021-27)}. **Penyebutan AI dalam Laporan Pendapatan.** Analisis data menunjukkan peningkatan jumlah penyebutan AI dalam laporan pendapatan korporasi^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}. ## Bab 4. Pendidikan AI Bab ini membahas tren dalam pengembangan sumber daya manusia melalui perspektif perguruan tinggi dan berbagai platform pendidikan^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}. ### Pendidikan Tinggi **Kursus.** Survei AI Index tahun 2020 menunjukkan bahwa universitas-universitas terkemuka di dunia meningkatkan investasi dalam pendidikan AI selama empat tahun terakhir. Jumlah kursus sarjana yang mengajarkan keterampilan praktis dalam membangun dan menerapkan model AI tumbuh sebesar 102,9% (dari 102 pada 2016–17 menjadi 207 pada 2019–20), dan pada tingkat pascasarjana sebesar 41,7% (dari 151 menjadi 214). Jumlah mahasiswa yang mendaftar atau mencoba mendaftar kursus pengantar AI dan ML tumbuh hampir 60% selama empat tahun akademik^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}. Di Uni Eropa, pertumbuhan jumlah pendaftar kursus pengantar mencapai 165%, sementara di AS terjadi penurunan pada tahun akademik terakhir, sebagian disebabkan oleh pandemi dan perubahan struktural dalam penawaran kursus^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}. **Program Pascasarjana.** Dalam 10 tahun terakhir, proporsi PhD di bidang AI di antara seluruh PhD di bidang ilmu komputer di AS meningkat dari 14,2% menjadi sekitar 23% pada tahun 2019. Sementara itu, spesialisasi-spesialisasi yang sebelumnya populer (teknologi jaringan, rekayasa perangkat lunak, bahasa pemrograman) mengalami penurunan minat^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[4\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-CRA2021-4)}. **Perpindahan Pengajar ke Industri.** Setelah dua tahun meningkat, jumlah pengajar AI yang pindah dari universitas ke industri di Amerika Utara menurun dari 42 pada tahun 2018 menjadi 33 pada tahun 2019. Carnegie Mellon memiliki jumlah perpindahan terbanyak selama periode 2004–2019 (16), diikuti oleh Georgia Tech (14) dan University of Washington (12)^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}. **Mahasiswa Pascasarjana Asing.** Proporsi mahasiswa asing di antara mahasiswa pascasarjana baru di bidang AI mencapai 64,3% pada tahun 2019. Dari jumlah tersebut, 81,8% tinggal di AS^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[4\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-CRA2021-4)}. **Pendidikan di Uni Eropa.** Di Uni Eropa, sebagian besar penawaran akademik khusus di bidang AI diajarkan pada tingkat magister; robotika dan otomasi adalah kursus yang paling sering diajarkan dalam program sarjana dan magister khusus, sementara Machine Learning mendominasi kursus-kursus khusus berdurasi pendek^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[28\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-JRC2021-28)}. ## Bab 5. Tantangan Etika Aplikasi AI Bab ini membahas upaya-upaya untuk mengatasi masalah etika yang muncul seiring berkembangnya AI^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}. ### Prinsip dan Kerangka Kerja AI Antara tahun 2015 dan 2020, sebanyak 117 dokumen yang membahas prinsip-prinsip AI telah diterbitkan. Perusahaan swasta menerbitkan jumlah dokumen terbanyak di antara semua jenis organisasi. Eropa dan Asia Tengah memimpin dalam jumlah publikasi (52), diikuti oleh Amerika Utara (41) dan Asia Timur serta kawasan Pasifik (14). Puncak aktivitas penerbitan terjadi pada tahun 2018, terutama dari perusahaan teknologi seperti IBM, Google, Facebook — dan lembaga pemerintah Inggris, Uni Eropa, dan Australia^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[29\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIEthicsLab2021-29)}. Para pengkritik menunjukkan bahwa penerbitan prinsip-prinsip etika sering kali tidak disertai dengan kerangka kelembagaan dan bersifat tidak mengikat. Karakter yang kabur dan abstrak dari banyak prinsip tidak memberikan panduan yang jelas mengenai implementasinya^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}. ### Etika dalam Media Lima topik yang paling banyak dibahas pada tahun 2020 terkait penggunaan AI secara etis: penerbitan Buku Putih Komisi Eropa tentang AI, pemecatan peneliti etika Timnit Gebru oleh Google, komite PBB tentang etika AI, rencana Vatikan mengenai etika AI, dan keluarnya IBM dari bisnis pengenalan wajah^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}. ### Etika dalam Konferensi Jumlah makalah dengan kata kunci terkait etika dalam judul yang diajukan ke konferensi AI meningkat sejak tahun 2015, meskipun rata-rata jumlah judul semacam itu di konferensi-konferensi besar masih rendah^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}. ### Etika dalam Pendidikan Data survei AI Index menunjukkan bahwa kursus etika AI semakin umum ditawarkan di departemen ilmu komputer universitas-universitas terkemuka di dunia^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}. ## Bab 6. Keberagaman dalam AI Bab ini menganalisis keberagaman gender, ras, etnis, dan representasi LGBTQ+ dalam bidang AI^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}. ### Keberagaman Gender Menurut data CRA, perempuan hanya menyumbang 16% dari staf pengajar tetap ilmu komputer di beberapa universitas terkemuka di dunia^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[4\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-CRA2021-4)}. ### Keberagaman Ras dan Etnis Di antara pemegang PhD baru di bidang AI di AS pada tahun 2019: 45% adalah kulit putih, 22,4% adalah Asia, 3,2% adalah Hispanik/Latin, 2,4% adalah Afrika-Amerika. Proporsi kulit putih (non-Hispanik) di antara PhD baru di bidang ilmu komputer hampir tidak berubah selama 10 tahun terakhir, rata-rata 62,7%^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[4\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-CRA2021-4)}. **Komposisi Ras Staf Pengajar.** Di antara 15 universitas yang merespons pertanyaan mengenai komposisi ras: 67,0% staf pengajar tetap adalah kulit putih, 14,3% adalah Asia, 0,8% adalah Hispanik/Latin, 0,6% adalah kulit hitam atau Afrika^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}. **Black in AI.** Organisasi Black in AI, yang didirikan pada tahun 2017 oleh Timnit Gebru dan Rediet Abebe, memiliki sekitar 3.000 anggota pada tahun 2020. Partisipasi dalam lokakarya BAI di NeurIPS meningkat secara signifikan: jumlah peserta dan makalah yang diajukan pada tahun 2019 adalah 2,6 kali lipat dibandingkan tahun 2017^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}. ### Identitas Gender dan Orientasi Seksual Menurut data survei Queer in AI (QAI) tahun 2020, hampir separuh responden menganggap kurangnya inklusivitas dalam bidang AI sebagai hambatan bagi karier mereka. Lebih dari 40% anggota QAI melaporkan mengalami diskriminasi atau pelecehan di tempat kerja atau dalam studi mereka. 81,4% menyebut kurangnya panutan (role model) sebagai hambatan utama^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[30\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-QAI2021-30)}. ## Bab 7. Kebijakan dan Strategi Nasional AI Bab ini mencakup lanskap regulasi AI pada tingkat lokal, nasional, dan internasional^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}. ### Strategi Nasional Sejak Kanada menerbitkan strategi nasional AI pertama di dunia pada tahun 2017, lebih dari 30 negara dan kawasan telah menerbitkan dokumen serupa hingga Desember 2020. Sebanyak 22 negara lainnya masih dalam proses mengembangkan strategi mereka^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}. | Tahun | Strategi | |-------|-------------------------------------------------------------------------------------| | 2017 | Kanada, Tiongkok, Jepang, Finlandia, UEA | | 2018 | Uni Eropa, Prancis, Jerman, Korea Selatan, Inggris, India, Meksiko, Australia, dll. | | 2019 | AS (diperbarui), Rusia, Belanda, Ceko, Singapura, dll. | | 2020 | Spanyol, Brasil, Polandia, Turki, dll. | **Kanada** (2017): Pan-Canadian AI Strategy, anggaran 125 juta CAD (97 juta USD), dengan penekanan pada pengembangan sumber daya manusia dan aspek etika^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}. **Tiongkok** (2017): salah satu strategi paling komprehensif, mencakup penelitian dan pengembangan, pendidikan, norma etika, dan keamanan nasional. Tujuan: mencapai standar kelas dunia pada tahun 2020, menjadi pemimpin global pada tahun 2025, dan pusat inovasi utama pada tahun 2030^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}. **Uni Eropa** (2018): Coordinated Plan on Artificial Intelligence, minimal 1 miliar EUR per tahun untuk penelitian AI dan 4,9 miliar EUR untuk aspek-aspek lain dari strategi ini^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}. **Prancis** (2018): AI for Humanity, anggaran 1,5 miliar EUR hingga tahun 2022, sektor strategis: layanan kesehatan, lingkungan hidup, transportasi, dan pertahanan^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}. ### Kerja Sama Internasional Peluncuran Global Partnership on AI (GPAI) dan OECD AI Policy Observatory pada tahun 2020 memperkuat upaya antarpemerintah untuk mendukung pengembangan AI^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[31\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-GPAI2020-31)[\[32\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-OECD2020-32)}. ### Investasi Pemerintah AS **Anggaran Federal.** Laporan ini menganalisis data anggaran federal AS untuk penelitian dan pengembangan AI di luar bidang militer^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}. **Anggaran Departemen Pertahanan.** Data mengenai permintaan anggaran Departemen Pertahanan AS untuk AI turut disertakan^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}. **Kontrak Pemerintah.** Analisis total belanja kontrak dan distribusinya berdasarkan lembaga^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[6\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-Bloomberg2021-6)}. ### Aktivitas Legislatif **Kongres AS.** Kongres ke-116 menjadi kongres yang paling berfokus pada AI dalam sejarah. Jumlah penyebutan AI dalam undang-undang, laporan komite, dan laporan Congressional Research Service (CRS) lebih dari tiga kali lipat dibandingkan Kongres ke-115^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[6\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-Bloomberg2021-6)}. **Bank Sentral.** Laporan ini menyertakan data mengenai penyebutan AI dan ML dalam dokumen-dokumen bank sentral^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}. ## Metodologi dan Sumber Data Laporan ini bersumber dari data yang berasal dari berbagai sumber^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}: - **Publikasi:** Elsevier/Scopus (70 juta makalah penelitian yang ditinjau sejawat), Microsoft Academic Graph (MAG, 225+ juta publikasi), arXiv, Nesta. - **Benchmark:** Papers With Code, SuperGLUE, VQA, VCR, COCO, ImageNet, NIST FRVT, LibriSpeech, VoxCeleb, TPTP, CASP, dan lain-lain. - **Pasar Tenaga Kerja:** LinkedIn Economic Graph, Burning Glass Technologies. - **Investasi:** S&P Capital IQ (CapIQ), Crunchbase, NetBase Quid. - **Aktivitas Korporasi:** McKinsey & Company (Global Survey on AI), International Federation of Robotics (IFR), Prattle (earnings calls). - **Pendidikan:** CRA Taulbee Survey, Joint Research Centre (European Commission), survei mandiri AI Index (18 universitas dari 9 negara). - **Etika:** AI Ethics Lab (Boston), analisis media. - **Keberagaman:** CRA, Black in AI, Queer in AI. - **Kebijakan:** Bloomberg Government, OECD AI Policy Observatory. Dalam MAG, setiap makalah dihitung satu kali; jika terdapat beberapa penulis dari negara yang berbeda, kredit dibagi secara merata di antara kawasan-kawasan yang unik^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)[\[5\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-MAG2021-5)}. ## Tim Penulis Laporan ini disusun di bawah kepemimpinan ko-direktur **Raymond Perrault** (SRI International) dan **Jack Clark** (OECD/GPAI). Manajer penelitian dan editor utama adalah **Daniel Zhang** (Stanford University). Komite pengarah juga mencakup: Erik Brynjolfsson (Stanford), John Etchemendy (Stanford), Deep Ganguli (Stanford), Barbara Grosz (Harvard), Tera Lyons (Partnership on AI), James Manyika (McKinsey Global Institute), Juan Carlos Niebles (Stanford), Michael Sellitto (Stanford), Yoav Shoham (Stanford / AI21 Labs, pendiri-direktur)^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}. ## Alat dan Data Terbuka Laporan ini disertai dengan sumber daya berikut^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_note-AIIndex2021-1)}: - **Data mentah dan grafik:** data publik dan gambar resolusi tinggi tersedia di Google Drive. - **Global AI Vibrancy Tool:** alat visualisasi interaktif yang diperbarui, memungkinkan perbandingan hingga 26 negara berdasarkan 22 indikator. - **Publikasi "Measurement in AI Policy: Opportunities and Challenges"** (musim gugur 2020): tinjauan atas permasalahan pengukuran dalam kebijakan AI. ## Tautan - Stanford HAI — AI Index Report 2021 (teks lengkap): https://aiindex.stanford.edu/report/ - Stanford HAI — Human-Centered Artificial Intelligence: https://hai.stanford.edu/ - Microsoft Academic Graph: https://www.microsoft.com/en-us/research/project/microsoft-academic-graph/ - Elsevier/Scopus: https://www.scopus.com/ - arXiv: https://arxiv.org/ - Papers With Code: https://paperswithcode.com/ - OECD AI Policy Observatory: https://oecd.ai/ - Global Partnership on AI (GPAI): https://gpai.ai/ - CRA Taulbee Survey: https://cra.org/resources/taulbee-survey/ - McKinsey Global Survey on AI: https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai - International Federation of Robotics: https://ifr.org/ - LinkedIn Economic Graph: https://economicgraph.linkedin.com/ - NIST Face Recognition Vendor Test: https://www.nist.gov/programs-projects/face-recognition-vendor-test-frvt - DeepMind AlphaFold: https://deepmind.com/blog/article/alphafold-a-solution-to-a-50-year-old-grand-challenge-in-biology - OpenAI GPT-3: https://arxiv.org/abs/2005.14165 - SuperGLUE Benchmark: https://super.gluebenchmark.com/ - VQA Challenge: https://visualqa.org/challenge.html - CASP (Protein Folding): https://predictioncenter.org/ - AI Ethics Lab: https://aiethicslab.com/ - Black in AI: https://blackinai.github.io/ - Queer in AI: https://sites.google.com/view/queer-in-ai/ ## Daftar Pustaka - Zhang, D. et al. (2021). *The AI Index 2021 Annual Report*. AI Index Steering Committee, Human-Centered AI Institute, Stanford University. https://aiindex.stanford.edu/report/ - Brown, T.B. et al. (2020). *Language Models are Few-Shot Learners*. https://arxiv.org/abs/2005.14165 - Jumper, J. et al. (2020). *AlphaFold 2*. DeepMind. https://deepmind.com/blog/article/alphafold-a-solution-to-a-50-year-old-grand-challenge-in-biology - Wang, A. et al. (2019). *SuperGLUE: A Stickier Benchmark for General-Purpose Language Understanding Systems*. https://arxiv.org/abs/1905.00537 - Ahmed, N. & Wahed, M. (2020). *The De-Democratization of AI: Deep Learning and the Compute Divide in Artificial Intelligence Research*. https://arxiv.org/abs/2010.15581 - Karras, T. et al. (2020). *Analyzing and Improving the Image Quality of StyleGAN*. https://arxiv.org/abs/1912.04958 - Dolhansky, B. et al. (2020). *The DeepFake Detection Challenge (DFDC) Dataset*. https://arxiv.org/abs/2006.07397 - Bender, E.M. & Gebru, T. et al. (2021). *On the Dangers of Stochastic Parrots: Can Language Models Be Too Big?*. Proceedings of FAccT 2021. https://doi.org/10.1145/3442188.3445922 ## Catatan 1. ↑ ^{[1.000](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-0)} ^{[1.001](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-1)} ^{[1.002](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-2)} ^{[1.003](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-3)} ^{[1.004](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-4)} ^{[1.005](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-5)} ^{[1.006](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-6)} ^{[1.007](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-7)} ^{[1.008](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-8)} ^{[1.009](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-9)} ^{[1.010](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-10)} ^{[1.011](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-11)} ^{[1.012](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-12)} ^{[1.013](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-13)} ^{[1.014](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-14)} ^{[1.015](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-15)} ^{[1.016](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-16)} ^{[1.017](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-17)} ^{[1.018](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-18)} ^{[1.019](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-19)} ^{[1.020](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-20)} ^{[1.021](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-21)} ^{[1.022](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-22)} ^{[1.023](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-23)} ^{[1.024](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-24)} ^{[1.025](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-25)} ^{[1.026](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-26)} ^{[1.027](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-27)} ^{[1.028](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-28)} ^{[1.029](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-29)} ^{[1.030](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-30)} ^{[1.031](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-31)} ^{[1.032](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-32)} ^{[1.033](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-33)} ^{[1.034](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-34)} ^{[1.035](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-35)} ^{[1.036](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-36)} ^{[1.037](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-37)} ^{[1.038](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-38)} ^{[1.039](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-39)} ^{[1.040](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-40)} ^{[1.041](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-41)} ^{[1.042](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-42)} ^{[1.043](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-43)} ^{[1.044](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-44)} ^{[1.045](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-45)} ^{[1.046](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-46)} ^{[1.047](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-47)} ^{[1.048](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-48)} ^{[1.049](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-49)} ^{[1.050](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-50)} ^{[1.051](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-51)} ^{[1.052](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-52)} ^{[1.053](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-53)} ^{[1.054](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-54)} ^{[1.055](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-55)} ^{[1.056](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-56)} ^{[1.057](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-57)} ^{[1.058](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-58)} ^{[1.059](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-59)} ^{[1.060](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-60)} ^{[1.061](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-61)} ^{[1.062](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-62)} ^{[1.063](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-63)} ^{[1.064](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-64)} ^{[1.065](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-65)} ^{[1.066](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-66)} ^{[1.067](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-67)} ^{[1.068](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-68)} ^{[1.069](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-69)} ^{[1.070](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-70)} ^{[1.071](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-71)} ^{[1.072](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-72)} ^{[1.073](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-73)} ^{[1.074](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-74)} ^{[1.075](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-75)} ^{[1.076](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-76)} ^{[1.077](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-77)} ^{[1.078](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-78)} ^{[1.079](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-79)} ^{[1.080](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-80)} ^{[1.081](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-81)} ^{[1.082](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-82)} ^{[1.083](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-83)} ^{[1.084](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-84)} ^{[1.085](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-85)} ^{[1.086](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-86)} ^{[1.087](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-87)} ^{[1.088](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-88)} ^{[1.089](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-89)} ^{[1.090](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-90)} ^{[1.091](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-91)} ^{[1.092](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-92)} ^{[1.093](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-93)} ^{[1.094](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-94)} ^{[1.095](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-95)} ^{[1.096](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-96)} ^{[1.097](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-97)} ^{[1.098](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-98)} ^{[1.099](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-99)} ^{[1.100](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-100)} ^{[1.101](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-101)} ^{[1.102](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIIndex2021_1-102)} Zhang, D., Mishra, S., Brynjolfsson, E., Etchemendy, J., Ganguli, D., Grosz, B., Lyons, T., Manyika, J., Niebles, J.C., Sellitto, M., Shoham, Y., Clark, J., Perrault, R. (2021). *The AI Index 2021 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_2021_AI_Index_Report_(ID)#cite_ref-PostEra2021_2-0)} ^{[2.1](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-PostEra2021_2-1)} PostEra (2021). *COVID Moonshot: AI-driven Drug Discovery*. https://postera.ai/moonshot 3. ↑ ^{[3.0](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-Quid2021_3-0)} ^{[3.1](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-Quid2021_3-1)} ^{[3.2](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-Quid2021_3-2)} NetBase Quid (2021). *AI Investment Data (CapIQ, Crunchbase)*. https://quid.com/ 4. ↑ ^{[4.0](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-CRA2021_4-0)} ^{[4.1](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-CRA2021_4-1)} ^{[4.2](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-CRA2021_4-2)} ^{[4.3](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-CRA2021_4-3)} ^{[4.4](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-CRA2021_4-4)} ^{[4.5](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-CRA2021_4-5)} ^{[4.6](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-CRA2021_4-6)} Computing Research Association (2021). *CRA Taulbee Survey*. https://cra.org/resources/taulbee-survey/ 5. ↑ ^{[5.0](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-MAG2021_5-0)} ^{[5.1](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-MAG2021_5-1)} ^{[5.2](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-MAG2021_5-2)} ^{[5.3](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-MAG2021_5-3)} ^{[5.4](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-MAG2021_5-4)} ^{[5.5](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-MAG2021_5-5)} ^{[5.6](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-MAG2021_5-6)} ^{[5.7](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-MAG2021_5-7)} Microsoft Academic Graph (2020). https://www.microsoft.com/en-us/research/project/microsoft-academic-graph/ 6. ↑ ^{[6.0](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-Bloomberg2021_6-0)} ^{[6.1](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-Bloomberg2021_6-1)} ^{[6.2](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-Bloomberg2021_6-2)} Bloomberg Government (2021). *AI Mentions in Congressional Record*. https://about.bgov.com/ 7. ↑ ^{[7.0](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-Scopus2021_7-0)} ^{[7.1](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-Scopus2021_7-1)} ^{[7.2](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-Scopus2021_7-2)} Elsevier/Scopus (2020). *AI Publications Data*. https://www.scopus.com/ 8. [↑](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-arXiv2021_8-0) arXiv (2020). *AI-Related Publications Data*. https://arxiv.org/ 9. [↑](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-Nesta2021_9-0) Nesta (2020). *Deep Learning Papers Analysis*. https://www.nesta.org.uk/ 10. [↑](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-Ahmed2020_10-0) Ahmed, N. & Wahed, M. (2020). *The De-Democratization of AI: Deep Learning and the Compute Divide in Artificial Intelligence Research*. https://arxiv.org/abs/2010.15581 11. [↑](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-GitHub2021_11-0) GitHub (2020). *AI Library Stars Data*. https://github.com/ 12. [↑](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-ImageNet2021_12-0) Beyer, L., Dosovitskiy, A., Houlsby, N. (Google). ImageNet analysis for AI Index 2021. 13. [↑](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-Karras2020_13-0) Karras, T. et al. (2020). *Analyzing and Improving the Image Quality of StyleGAN*. https://arxiv.org/abs/1912.04958 14. [↑](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-DFDC2020_14-0) Dolhansky, B. et al. (2020). *The DeepFake Detection Challenge (DFDC) Dataset*. https://arxiv.org/abs/2006.07397 15. [↑](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-NIST2021_15-0) Grother, P. et al. (2021). *NIST Face Recognition Vendor Test (FRVT)*. https://www.nist.gov/programs-projects/face-recognition-vendor-test-frvt 16. [↑](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-SuperGLUE2019_16-0) Wang, A. et al. (2019). *SuperGLUE: A Stickier Benchmark for General-Purpose Language Understanding Systems*. https://arxiv.org/abs/1905.00537 17. [↑](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-Intento2021_17-0) Intento (2021). *Machine Translation Report*. https://inten.to/ 18. ↑ ^{[18.0](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-GPT3_18-0)} ^{[18.1](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-GPT3_18-1)} Brown, T.B. et al. (2020). *Language Models are Few-Shot Learners*. https://arxiv.org/abs/2005.14165 19. [↑](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-VQA2020_19-0) VQA Challenge (2020). https://visualqa.org/challenge.html 20. [↑](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-VoxCeleb2021_20-0) VoxCeleb (2020). *Audio-Visual Dataset*. https://www.robots.ox.ac.uk/~vgg/data/voxceleb/ 21. [↑](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-Kotthoff2020_21-0) Kotthoff, L. (2020). *SAT Competition Analysis*. University of Wyoming. 22. [↑](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-Sutcliffe2020_22-0) Sutcliffe, G. & Suttner, C. (2020). *TPTP Problem Library and ATP Evaluation*. University of Miami. 23. [↑](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AlphaFold2020_23-0) Jumper, J. et al. (2020). *AlphaFold 2*. DeepMind. https://deepmind.com/blog/article/alphafold-a-solution-to-a-50-year-old-grand-challenge-in-biology 24. ↑ ^{[24.0](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-LinkedIn2021_24-0)} ^{[24.1](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-LinkedIn2021_24-1)} LinkedIn (2020). *Economic Graph: AI Hiring and Skills Data*. https://economicgraph.linkedin.com/ 25. [↑](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-BurningGlass2021_25-0) Burning Glass Technologies (2021). *AI Labor Demand Data*. https://www.burning-glass.com/ 26. ↑ ^{[26.0](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-McKinsey2021_26-0)} ^{[26.1](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-McKinsey2021_26-1)} McKinsey & Company (2021). *Global Survey on AI*. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai 27. [↑](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-IFR2021_27-0) International Federation of Robotics (2021). *World Robotics Report*. https://ifr.org/ 28. [↑](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-JRC2021_28-0) Joint Research Centre, European Commission (2021). *AI Education in Europe*. https://ai-watch.ec.europa.eu/ 29. [↑](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-AIEthicsLab2021_29-0) AI Ethics Lab (2021). *AI Principles ToolBox*. https://aiethicslab.com/ 30. [↑](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-QAI2021_30-0) Queer in AI (2020). *Membership Survey*. https://sites.google.com/view/queer-in-ai/ 31. [↑](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-GPAI2020_31-0) Global Partnership on AI (2020). https://gpai.ai/ 32. [↑](https://systems-analysis.info/int/The_2021_AI_Index_Report_(ID)#cite_ref-OECD2020_32-0) OECD AI Policy Observatory (2020). https://oecd.ai/