--- title: "The 2021 AI Index Report (PL)" source: "https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)" wiki: "systems-analysis.info/int" article: "The_2021_AI_Index_Report_(PL)" language: "pl" categories: - "Category:Machine learning" - "Category:Polish" revision_id: 7982 wiki_created_at: 2026-09-07T01:10:10Z wiki_modified_at: 2026-09-07T01:10:10Z downloaded_at: 2026-09-07T23:22:20Z --- # The 2021 AI Index Report (PL) **AI Index Report 2021** — czwarte coroczne wydanie raportu **AI Index**, przygotowane przez Stanfordzki Instytut Sztucznej Inteligencji Skoncentrowanej na Człowieku (Stanford HAI)^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}. Raport z 2021 roku znacznie rozszerza zakres danych w porównaniu z poprzednimi wydaniami, obejmuje współpracę z szerszym gronem zewnętrznych organizacji partnerskich i pogłębia powiązania ze Stanfordzkim Instytutem HAI. Wydanie śledzi, systematyzuje, podsumowuje i wizualizuje dane związane ze sztuczną inteligencją, dostarczając obiektywnych, starannie zweryfikowanych i zebranych globalnie informacji dla decydentów politycznych, badaczy, kadry kierowniczej, dziennikarzy i szerokiej opinii publicznej. Raport obejmuje okres w znacznej mierze zdeterminowany przez pandemię COVID-19, która wpłynęła na wiele aspektów rozwoju AI — od przyspieszenia odkrywania leków po przeniesienie konferencji do formatu wirtualnego. ## Kontekst: wpływ COVID-19 Pandemia COVID-19 wywarła zauważalny, lecz niejednoznaczny wpływ na rozwój AI w 2020 roku^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}. W obszarze wydajności technicznej startup AI o nazwie PostEra zastosował metody Machine Learning do przyspieszenia odkrywania leków związanych z COVID-19^{[\[2\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-PostEra2021-2)}. Rozdział poświęcony gospodarce wskazuje, że zatrudnianie specjalistów w dziedzinie AI oraz prywatne inwestycje nie doznały istotnego negatywnego wpływu ze strony pandemii — oba wskaźniki rosły w 2020 roku. Przeniesienie konferencji do formatu wirtualnego doprowadziło do znacznego skoku frekwencji: liczba uczestników dziewięciu największych konferencji niemal się podwoiła. ## Struktura raportu Raport z 2021 roku składa się z siedmiu tematycznych rozdziałów^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}: 1. **Badania i Rozwój (Research and Development)** — trendy w publikacjach, patentach, konferencjach i oprogramowaniu open source. 2. **Wydajność Techniczna (Technical Performance)** — postęp w widzeniu komputerowym, przetwarzaniu języka naturalnego, rozpoznawaniu mowy, rozumowaniu, ochronie zdrowia i biologii. 3. **Gospodarka (The Economy)** — rynek pracy, inwestycje i aktywność korporacyjna w sferze AI. 4. **Edukacja w dziedzinie AI (AI Education)** — trendy w kształceniu kadr, kursy i programy. 5. **Wyzwania Etyczne Zastosowań AI (Ethical Challenges of AI Applications)** — zasady, obecność w mediach, etyka na konferencjach. 6. **Różnorodność w AI (Diversity in AI)** — różnorodność płciowa, rasowa i etniczna. 7. **Polityka i Strategie Narodowe w dziedzinie AI (AI Policy and National Strategies)** — ustawodawstwo, współpraca międzyrządowa, inwestycje publiczne. ## Kluczowe wnioski raportu (Top 9) Autorzy raportu wyodrębnili dziewięć głównych tez na rok 2021^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}: ### 1. Gwałtowny wzrost inwestycji w opracowywanie leków z wykorzystaniem AI Kierunek „Leki, onkologia, cząsteczki, odkrywanie leków" (Drugs, Cancer, Molecular, Drug Discovery) otrzymał największy wolumen prywatnych inwestycji w AI w 2020 roku — ponad 13,8 mld dolarów amerykańskich, co stanowi 4,5-krotność wartości z 2019 roku^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[3\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-Quid2021-3)}. ### 2. Kontynuacja odpływu kadr do przemysłu W 2019 roku 65% absolwentów studiów doktoranckich w dziedzinie AI w Ameryce Północnej wybrało pracę w przemyśle — w porównaniu z 44,4% w 2010 roku, co podkreśla rosnącą rolę sektora przemysłowego w rozwoju AI^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[4\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-CRA2021-4)}. ### 3. Modele generatywne — „generatywne wszystko" Systemy AI nauczyły się generować tekst, dźwięk i obrazy na poziomie jakości, który sprawia, że ludziom trudno odróżnić syntetyczne wyniki od prawdziwych w pewnych ograniczonych zastosowaniach tej technologii^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}. ### 4. Problem różnorodności w AI Wśród nowych rezydentów posiadających stopień PhD w dziedzinie AI w USA za rok 2019 — 45% stanowili biali, 2,4% — Afroamerykanie, a 3,2% — Latynosi^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[4\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-CRA2021-4)}. ### 5. Chiny wyprzedzają USA pod względem cytowań artykułów czasopiśmienniczych dotyczących AI Wyprzedziwszy USA pod względem łącznej liczby publikacji czasopiśmienniczych z zakresu AI kilka lat wcześniej, Chiny w 2020 roku po raz pierwszy wysunęły się również na prowadzenie pod względem liczby cytowań artykułów czasopiśmienniczych. Jednak USA nadal konsekwentnie i znacząco wyprzedzają Chiny pod względem liczby artykułów konferencyjnych dotyczących AI (które są również cytowane częściej) przez ostatnią dekadę^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[5\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-MAG2021-5)}. ### 6. Większość doktorantów AI w USA to cudzoziemcy, i pozostają w kraju Udział studentów zagranicznych wśród nowych doktorantów AI w Ameryce Północnej nadal rósł w 2019 roku, osiągając 64,3% — wzrost o 4,3 p.p. w porównaniu z 2018 rokiem. Spośród zagranicznych absolwentów 81,8% pozostało w USA, a 8,6% podjęło pracę poza Stanami Zjednoczonymi^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[4\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-CRA2021-4)}. ### 7. Technologie nadzoru — szybkie, tanie i wszechobecne Technologie niezbędne do masowego nadzoru szybko się doskonalą: metody klasyfikacji obrazów, rozpoznawania twarzy, analizy wideo i identyfikacji głosu wykazały znaczący postęp w 2020 roku^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}. ### 8. Etyka AI nie ma benchmarków ani konsensusu Pomimo że szereg organizacji wydaje dokumenty jakościowe i normatywne z dziedziny etyki AI, w tej sferze generalnie brakuje benchmarków, które można by wykorzystać do mierzenia lub oceny związku między publicznymi dyskusjami o rozwoju technologii a samym procesem ich opracowywania^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}. ### 9. AI przyciągnęła uwagę Kongresu USA 116\. Kongres okazał się najbardziej ukierunkowanym na AI w historii: liczba wzmianek o AI w jego protokołach ponad trzykrotnie przekroczyła wskaźnik 115. Kongresu^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[6\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-Bloomberg2021-6)}. ## Rozdział 1. Badania i Rozwój Rozdział analizuje trendy w publikacjach (recenzowanych, czasopiśmienniczych, konferencyjnych, patentowych), aktywności na arXiv, na konferencjach i w oprogramowaniu open source^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}. ### Publikacje recenzowane Całkowita liczba recenzowanych publikacji dotyczących AI wzrosła niemal dwunastokrotnie między 2000 a 2019 rokiem. Udział publikacji AI wśród wszystkich recenzowanych publikacji na świecie zwiększył się z 0,82% w 2000 roku do 3,8% w 2019 roku^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[7\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-Scopus2021-7)}. **Rozkład regionalny.** Azja Wschodnia i region Pacyfiku utrzymują największy udział w recenzowanych publikacjach dotyczących AI od 2004 roku (36,9% w 2019), za nimi plasują się Europa i Azja Środkowa (25,1%) oraz Ameryka Północna (17,0%). W latach 2009–2019 Azja Południowa i Afryka Subsaharyjska odnotowały największy wzrost — odpowiednio ośmiokrotny i siedmiokrotny^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[5\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-MAG2021-5)}. **Porównanie według stref geograficznych.** Do 2019 roku Chiny zajęły pierwsze miejsce pod względem udziału w recenzowanych publikacjach AI na świecie (22,4%), wyprzedzając UE (16,4%) w 2017 roku. USA zajmują trzecie miejsce (14,6%). Chiny opublikowały 3,5 razy więcej recenzowanych artykułów dotyczących AI w 2019 roku niż w 2014^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[7\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-Scopus2021-7)}. **Przynależność instytucjonalna.** W każdym większym regionie największy udział w recenzowanych publikacjach należy do instytucji akademickich. Jednak drugie pod względem znaczenia źródła różnią się: w USA badania korporacyjne stanowią 19,2% ogólnej liczby, podczas gdy w Chinach i UE na drugim miejscu plasują się instytucje państwowe (odpowiednio 15,6% i 17,2%)^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[7\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-Scopus2021-7)}. **Współpraca akademicko-korporacyjna.** W latach 2015–2019 USA wytworzyły największą liczbę wspólnych akademicko-korporacyjnych recenzowanych publikacji dotyczących AI — ponad dwukrotnie przewyższając UE na drugim miejscu, za którą uplasowały się Chiny^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}. ### Publikacje czasopiśmiennicze Liczba publikacji czasopiśmienniczych dotyczących AI w 2020 roku była 5,4 razy wyższa niż w 2000 roku. Wzrost wyniósł 34,5% z 2019 na 2020 rok — znacznie wyższy procentowy wzrost niż z 2018 na 2019 (19,6%). Udział publikacji czasopiśmienniczych dotyczących AI wśród wszystkich publikacji czasopiśmienniczych na świecie wyniósł 2,2% w 2020 roku^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[5\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-MAG2021-5)}. **Cytowania.** W 2020 roku Chiny (20,7%) po raz pierwszy wyprzedziły USA (19,8%) pod względem udziału w cytowaniach artykułów czasopiśmienniczych dotyczących AI na świecie. UE nadal traciła ogólny udział (11,0%)^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[5\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-MAG2021-5)}. ### Publikacje konferencyjne Liczba publikacji konferencyjnych dotyczących AI wzrosła czterokrotnie między 2000 a 2019 rokiem. Chiny wyprzedziły USA pod względem udziału w publikacjach konferencyjnych dotyczących AI w 2019 roku^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[5\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-MAG2021-5)}. **Cytowania.** W odróżnieniu od publikacji czasopiśmienniczych, USA utrzymywały stabilne i znaczące przodowanie pod względem cytowań artykułów konferencyjnych dotyczących AI przez ostatnią dekadę (40,1% w 2020 roku), znacznie wyprzedzając Chiny (11,8%) i UE (10,9%)^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[5\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-MAG2021-5)}. ### Publikacje na arXiv W ciągu sześciu lat liczba publikacji związanych z AI na arXiv wzrosła ponad sześciokrotnie: z 5 478 w 2015 roku do 34 736 w 2020^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[8\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-arXiv2021-8)}. Wśród obszarów badań największy wzrost w latach 2015–2020 odnotowały robotyka (cs.RO, wzrost jedenastokrotny) i Machine Learning (cs.LG, wzrost dziesięciokrotny). W 2020 roku liderami pod względem liczby publikacji były cs.LG (32,0%) i widzenie komputerowe cs.CV (31,7%)^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}. Ameryka Północna nadal prowadziła pod względem udziału w publikacjach na arXiv (36,3% w 2020), jednak udział ten malał (z 41,6% w 2017). Udział Azji Wschodniej i regionu Pacyfiku stale rósł: z 17,3% w 2015 do 26,5% w 2020^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}. ### Patenty Dane z Microsoft Academic Graph wykazują stały wzrost liczby patentów związanych z AI przez dwie dekady^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[5\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-MAG2021-5)}. ### Głębokie uczenie Badacze z Nesta wykorzystali algorytmy modelowania tematycznego do identyfikacji publikacji dotyczących głębokiego uczenia na arXiv. W ciągu ostatnich pięciu lat liczba publikacji dotyczących głębokiego uczenia na arXiv wzrosła niemal sześciokrotnie^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[9\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-Nesta2021-9)}. ### Konferencje W 2020 roku większość dużych konferencji dotyczących AI odbyła się w formacie wirtualnym w związku z COVID-19, co doprowadziło do gwałtownego wzrostu frekwencji. Liczba uczestników dziewięciu konferencji niemal się podwoiła^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}. Wśród dużych konferencji: NeurIPS (22 011 uczestników), IROS (25 719 — format wirtualny z rozszerzonym dostępem przez trzy miesiące), ICML (10 800), CVPR (7 500). Wśród mniejszych konferencji odnotowano ICLR (5 600), ACL (3 972), AAMAS (3 726)^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}. **Obecność korporacyjna.** Badanie wykazało, że duże firmy technologiczne zwiększają swoją obecność na wiodących konferencjach dotyczących AI. Wszystkie 10 dużych konferencji wykazało rosnący trend reprezentacji korporacyjnej. Autorzy artykułu „The De-Democratization of AI" wskazują, że nierówny podział zasobów obliczeniowych między środowiskiem akademickim a przemysłem — tzw. „przepaść obliczeniowa" (compute divide) — pogłębia nierówności w epoce głębokiego uczenia^{[\[10\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-Ahmed2020-10)}. ### Oprogramowanie open source TensorFlow (opracowany przez Google, publicznie wydany w 2017 roku) pozostawał najpopularniejszą biblioteką AI o otwartym kodzie źródłowym na GitHub (153 tys. gwiazdek do 2020 roku). Drugą pod względem popularności biblioteką był Keras (51 tys. gwiazdek), trzecią — PyTorch od Facebook (46 tys. gwiazdek). Wśród pozostałych bibliotek wyróżniają się Scikit-learn (45 tys.), BVLC/Caffe (31 tys.), MXNet (19 tys.) i CNTK (17 tys.)^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[11\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-GitHub2021-11)}. ## Rozdział 2. Wydajność Techniczna Rozdział obejmuje postęp w widzeniu komputerowym (obrazy i wideo), przetwarzaniu języka naturalnego, rozumowaniu dotyczącym języka i obrazu, rozpoznawaniu mowy, symbolicznym rozumowaniu, a także w ochronie zdrowia i biologii^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}. ### Widzenie komputerowe — obrazy **ImageNet.** Widzenie komputerowe przeżyło kolosalny postęp w ciągu ostatniej dekady. Wydajność na szeregu największych benchmarków zaczęła się wyrównywać, co wskazuje na potrzebę tworzenia bardziej złożonych testów. Raport przedstawia dane dotyczące dokładności Top-1 i Top-5 na ImageNet, a także czasu i kosztu trenowania^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[12\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-ImageNet2021-12)}. **Nowe, trudniejsze testy.** Ponieważ postęp na standardowym ImageNet zwalnia, raport przedstawia bardziej złożone benchmarki: ImageNet-Adversarial (zawiera naturalne czynniki utrudniające i systematycznie błędnie klasyfikowane obrazy), ImageNet-C (75 rodzajów zniekształceń wizualnych: zmiana jasności, kontrastu, pikselizacja, efekty mgły) oraz ImageNet-Rendition (30 000 ilustracji 200 klas ImageNet, testujące generalizację)^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}. **Generowanie obrazów.** Postęp mierzony jest wskaźnikiem Fréchet Inception Distance (FID) na datasecie STL-10 — do 2020 roku najlepszy wynik wyniósł 25,4 (im niższy, tym lepszy). Jakościowe przykłady generowania twarzy pokazują gwałtowny postęp GAN: do 2018 roku wydajność osiągnęła poziom, przy którym ludziom trudno wykryć podróbkę^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[13\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-Karras2020-13)}. **Wykrywanie deepfake'ów.** Deepfake Detection Challenge (DFDC), stworzony przez Facebook we wrześniu 2019 roku, wykazał spadek wskaźnika log loss o około 0,5 w okresie od grudnia 2019 do marca 2020 roku, do wartości 0,19^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[14\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-DFDC2020-14)}. **Ocena pozy człowieka.** Na benchmarku COCO Keypoint Detection dokładność algorytmów poprawiła się o około 33% w ciągu czterech lat, osiągając 80,8% średniej dokładności (AP)^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}. **Segmentacja semantyczna.** Postęp na benchmarku Cityscapes i innych zadaniach segmentacji był kontynuowany^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}. ### Widzenie komputerowe — wideo **ActivityNet.** Benchmark do rozpoznawania działań wykazał dalsze doskonalenie algorytmów w zadaniach czasowej lokalizacji działań^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}. **YOLO (You Only Look Once).** Systemy wykrywania obiektów do analizy klatek z strumieni wideo szybko dojrzewają, co wskazuje na rozszerzenie możliwości wdrożenia AI^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}. **Rozpoznawanie twarzy (NIST FRVT).** Raport zawiera dane Narodowego Instytutu Standardów i Technologii (NIST) dotyczące testowania systemów rozpoznawania twarzy. Technologie umożliwiające masowy nadzór szybko się rozwijają^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[15\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-NIST2021-15)}. ### Przetwarzanie języka naturalnego (NLP) **SuperGLUE.** Szybki postęp w NLP doprowadził do tego, że systemy AI zaczęły osiągać ludzki poziom na benchmarku SuperGLUE, opracowanym w odpowiedzi na to, że wcześniejszy benchmark GLUE został pokonany zbyt szybko. Postęp w NLP wyprzedza metryki służące do jego oceny^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[16\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-SuperGLUE2019-16)}. **SQuAD.** Benchmark Stanford Question Answering Dataset również wykazał stały wzrost wydajności modeli^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}. **Komercyjne tłumaczenie maszynowe.** Liczba dostępnych komercyjnie niezależnych chmurowych systemów tłumaczenia maszynowego z wstępnie wytrenowanymi modelami wzrosła z 8 w 2017 roku do 28 w 2020 roku^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[17\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-Intento2021-17)}. **GPT-3.** W lipcu 2020 roku OpenAI zaprezentowała GPT-3 — największy znany wówczas gęsty model językowy z 175 mld parametrów, wytrenowany na 570 GB tekstu. Dla porównania: jego poprzednik GPT-2 był ponad 100 razy mniejszy (1,5 mld parametrów). Skala doprowadziła do zaskakującego zachowania: GPT-3 potrafi wykonywać zadania, na których nie był jawnie wytrenowany, przy zerowej lub minimalnej liczbie przykładów treningowych (zero-shot i few-shot learning). Uśredniając wyniki dla 42 benchmarków dokładności: zero-shot — 42,6%, one-shot — 51,0%, few-shot — 57,4%^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[18\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-GPT3-18)}. Pomimo imponujących możliwości, GPT-3 ma poważne wady: może generować rasistowski, seksistowski i inny stronniczy tekst, tworzyć faktycznie nieprecyzyjne stwierdzenia, a jego wytrenowanie jest niezwykle kosztowne. Badania nad kontrolowaniem i „ukierunkowywaniem" takich wyników są na wczesnym etapie, lecz rokują obiecująco^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[18\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-GPT3-18)}. ### Rozumowanie dotyczące języka i obrazu **VQA.** Na benchmarku Visual Question Answering dokładność wzrosła o niemal 40% od jego utworzenia w 2015 roku, osiągając 76,4% w 2020 roku (ludzki poziom bazowy — 80,8%)^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[19\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-VQA2020-19)}. **VCR.** Na zadaniu Visual Commonsense Reasoning (wymagającym uzasadnienia odpowiedzi) najlepsza maszyna poprawiła wskaźnik Q→AR z 44 w 2018 do 70,5 w 2020 roku (wzrost o 60,2%), przy ludzkim poziomie wynoszącym 85^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}. ### Rozpoznawanie mowy **LibriSpeech.** Postęp w automatycznym rozpoznawaniu mowy był kontynuowany, w dużej mierze dzięki elastyczności i mocy predykcyjnej głębokich sieci neuronowych^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}. **VoxCeleb.** Dataset składający się z krótkich klipów ludzkiej mowy wyekstrahowanych z wywiadów wideo na YouTube, obejmujący ponad 7 000 mówców i ponad milion wypowiedzi. Używany do oceny identyfikacji mówcy^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[20\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-VoxCeleb2021-20)}. **Rasowa luka w rozpoznawaniu mowy.** Raport odnotowuje istnienie znaczącej rasowej luki w technologiach rozpoznawania mowy^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}. ### Symboliczne rozumowanie **Zadanie spełnialności formuł logicznych (SAT).** Raport przedstawia nową analizę z wykorzystaniem czasowej wartości Shapleya (temporal Shapley value), umożliwiającej przypisanie wkładu poszczególnych systemów do ogólnej wydajności. Zwycięzca 2020 roku — Kissat — wykazał najwyższą czasową wartość Shapleya spośród wszystkich solverów (z wyjątkiem pierwszego roku), głównie dzięki bardziej efektywnym strukturom danych i algorytmom^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[21\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-Kotthoff2020-21)}. **Automatyczne dowodzenie twierdzeń (ATP).** Analiza biblioteki TPTP (ponad 23 000 zadań) wykazuje konsekwentny wzrost odsetka rozwiązywalnych zadań od 1997 do 2020 roku. Wyraźny postęp obserwowano w latach 2008–2013, a od 2015 roku postęp był kontynuowany, lecz wyhamował. Rosnące wykorzystanie Machine Learning (w systemach MaLARea, Enigma) postrzegane jest jako potencjalny rewolucyjny czynnik dla ATP^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[22\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-Sutcliffe2020-22)}. ### Ochrona zdrowia i biologia **Synteza molekularna.** Modele Machine Learning wykorzystywane są do uczenia reprezentacji cząsteczek chemicznych w celu efektywniejszego planowania syntezy chemicznej^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}. **COVID-19 i odkrywanie leków.** Startup PostEra zastosował metody Machine Learning do przyspieszenia procesu odkrywania leków związanych z COVID-19 w ramach projektu COVID Moonshot^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[2\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-PostEra2021-2)}. **AlphaFold i składanie białek.** Przełom DeepMind w dziedzinie przewidywania struktury białek stał się jednym z najważniejszych osiągnięć roku. AlphaFold 2 na konkursie CASP14 (2020) osiągnął medianowy wskaźnik GDT_TS porównywalny z metodami eksperymentalnymi dla zadań swobodnego modelowania, znacznie przewyższając wszystkie poprzednie wyniki. Ma to szeroki zakres zastosowań — od lepszego rozumienia komórkowych podstaw życia po przyspieszenie opracowywania leków^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[23\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AlphaFold2020-23)}. ### Opinia ekspertów Badanie ekspertów AI przeprowadzone przez AI Index ujawniło następujące wnioski^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}: - Za najbardziej imponujące osiągnięcia 2020 roku uznano AlphaFold (DeepMind) i GPT-3 (OpenAI) — z dużą przewagą nad pozostałymi. - Kluczowy trend 2021 roku — dalszy rozwój wstępnie wytrenowanych modeli i ich fine-tuning do wąskich zadań. - Percy Liang (Stanford) odnotował dominację architektury Transformers, pierwotnie stworzonej do tłumaczenia maszynowego, lecz która stała się de facto standardową architekturą sieci neuronowych. ## Rozdział 3. Gospodarka Rozdział rozpatruje coraz ściślejsze powiązanie między AI a globalną gospodarką przez pryzmat rynku pracy, inwestycji i aktywności korporacyjnej^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}. ### Rynek pracy **Zatrudnianie specjalistów AI.** Brazylia, Indie, Kanada, Singapur i RPA odnotowały największy wzrost zatrudnienia specjalistów AI w okresie od 2016 do 2020 roku. Pomimo pandemii zatrudnienie rosło we wszystkich badanych krajach w 2020 roku^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[24\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-LinkedIn2021-24)}. **Zapotrzebowanie na specjalistów AI w USA.** Liczba ofert pracy w dziedzinie AI w USA zmniejszyła się o 8,2% z 2019 na 2020 rok (z 325 724 do 300 999). To pierwszy spadek udziału ofert pracy dotyczących AI od sześciu lat^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[25\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-BurningGlass2021-25)}. **Penetracja umiejętności AI.** Wśród badanych krajów Indie mają najwyższy względny wskaźnik penetracji umiejętności AI (2,83 powyżej średniej światowej), za nimi plasują się USA (1,99), Chiny (1,40), Niemcy (1,27) i Kanada (1,13). Pod względem branż Indie przodują we wszystkich pięciu wiodących sektorach: edukacja, finanse, sprzęt i sieci, produkcja, oprogramowanie i usługi IT^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[24\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-LinkedIn2021-24)}. ### Inwestycje **Inwestycje korporacyjne.** Łączna wartość globalnych inwestycji w AI (prywatne inwestycje, IPO, fuzje i przejęcia, udziały mniejszościowe) wzrosła o 40% w 2020 roku w porównaniu z 2019, osiągając 67,9 mld dolarów. Fuzje i przejęcia stanowiły największą część, rosnąc o 121,7%. Wśród dużych transakcji — przejęcie przez NVIDIA firmy Mellanox Technologies oraz przez Capgemini firmy Altran Technologies^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[3\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-Quid2021-3)}. **Startupy.** Wolumen prywatnych inwestycji w AI nadal rośnie, ale koncentruje się w mniejszej liczbie startupów. W 2020 roku prywatne inwestycje wzrosły o 9,3% (rekordowe 40+ mld dolarów), jednak liczba finansowanych firm malała trzeci rok z rzędu^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[3\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-Quid2021-3)}. **Obszary priorytetowe.** Kierunek „Leki, onkologia, cząsteczki, odkrywanie leków" otrzymał największy wolumen prywatnych inwestycji — ponad 13,8 mld dolarów, co stanowi 4,5-krotność wartości z 2019 roku^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}. ### Aktywność korporacyjna **Wdrożenie AI (dane McKinsey).** Pomimo spowolnienia gospodarczego wywołanego pandemią, połowa respondentów badania McKinsey stwierdziła, że koronawirus nie wpłynął na ich inwestycje w AI, a 27% faktycznie zwiększyło nakłady. Mniej niż jedna czwarta firm ograniczyła inwestycje^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[26\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-McKinsey2021-26)}. **Ryzyka etyczne.** Pomimo rosnących apeli o eliminację problemów etycznych związanych z wykorzystaniem AI, wysiłki w branży pozostają ograniczone. Kwestie takie jak sprawiedliwość i równość w AI cieszą się stosunkowo niewielką uwagą ze strony firm. Mniej firm w 2020 roku uważa ryzyka związane z prywatnością za istotne w porównaniu z 2019 rokiem^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[26\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-McKinsey2021-26)}. **Roboty przemysłowe.** Rozdział zawiera dane Międzynarodowej Federacji Robotyki (IFR) dotyczące globalnych trendów instalacji robotów przemysłowych i porównań regionalnych^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[27\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-IFR2021-27)}. **Wzmianki o AI w raportach o wynikach finansowych.** Analiza danych wykazuje wzrost liczby wzmianek o AI w raportach o wynikach finansowych korporacji^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}. ## Rozdział 4. Edukacja w dziedzinie AI Rozdział rozpatruje trendy w kształceniu kadr przez pryzmat wyższych uczelni i różnych platform edukacyjnych^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}. ### Szkolnictwo wyższe **Kursy.** Badanie AI Index z 2020 roku wykazało, że czołowe światowe uczelnie zwiększyły nakłady na edukację w dziedzinie AI w ciągu ostatnich czterech lat. Liczba kursów licencjackich uczących praktycznych umiejętności budowania i wdrażania modeli AI wzrosła o 102,9% (z 102 w latach 2016–17 do 207 w latach 2019–20), a na poziomie magisterskim — o 41,7% (ze 151 do 214). Liczba studentów zapisanych lub próbujących zapisać się na kursy wprowadzające z AI i ML wzrosła o niemal 60% w ciągu czterech lat akademickich^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}. W UE wzrost liczby zapisanych na kursy wprowadzające wyniósł 165%, podczas gdy w USA odnotowano spadek w ostatnim roku akademickim, częściowo spowodowany pandemią i strukturalnymi zmianami w ofercie kursów^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}. **Studia doktoranckie.** W ciągu ostatnich 10 lat udział doktoratów AI wśród wszystkich doktoratów z informatyki w USA wzrósł z 14,2% do około 23% do 2019 roku. W tym samym czasie inne niegdyś popularne specjalizacje (technologie sieciowe, inżynieria oprogramowania, języki programowania) traciły na popularności^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[4\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-CRA2021-4)}. **Odpływ kadry dydaktycznej do przemysłu.** Po dwuletnim wzroście liczba odejść wykładowców AI z uczelni do przemysłu w Ameryce Północnej zmniejszyła się z 42 w 2018 do 33 w 2019 roku. Carnegie Mellon miał największą liczbę odejść w latach 2004–2019 (16), za nim plasują się Georgia Tech (14) i Uniwersytet Waszyngtoński (12)^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}. **Zagraniczni doktoranci.** Udział studentów zagranicznych wśród nowych doktorantów AI osiągnął 64,3% w 2019 roku. Z nich 81,8% pozostało w USA^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[4\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-CRA2021-4)}. **Edukacja w UE.** W UE zdecydowana większość specjalistycznej oferty akademickiej dotyczącej AI prowadzona jest na poziomie magisterskim; robotyka i automatyzacja to najczęściej nauczany kurs w specjalistycznych programach licencjackich i magisterskich, podczas gdy Machine Learning dominuje w krótkich specjalistycznych kursach^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[28\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-JRC2021-28)}. ## Rozdział 5. Wyzwania Etyczne Zastosowań AI Rozdział rozpatruje wysiłki na rzecz rozwiązania problemów etycznych pojawiających się wraz z rozwojem AI^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}. ### Zasady i frameworki AI W latach 2015–2020 opublikowano 117 dokumentów poświęconych zasadom AI. Prywatne firmy wydały największą liczbę takich dokumentów spośród wszystkich typów organizacji. Europa i Azja Środkowa przodują pod względem liczby publikacji (52), za nimi — Ameryka Północna (41) i Azja Wschodnia wraz z regionem Pacyfiku (14). Szczyt aktywności publikacyjnej przypadł na 2018 rok, szczególnie ze strony firm technologicznych — IBM, Google, Facebook — oraz instytucji rządowych Wielkiej Brytanii, UE i Australii^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[29\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIEthicsLab2021-29)}. Krytycy wskazują, że publikowanie zasad etycznych często nie jest poparte ramami instytucjonalnymi i ma charakter nieobowiązkowy. Niejasny i abstrakcyjny charakter wielu zasad nie dostarcza jasnych wskazówek dotyczących ich wdrożenia^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}. ### Etyka w mediach Pięć najczęściej omawianych tematów 2020 roku związanych z etycznym wykorzystaniem AI: publikacja Białej Księgi Komisji Europejskiej dotyczącej AI, zwolnienie przez Google badaczki etyki Timnit Gebru, komitet ONZ ds. etyki AI, plan Watykanu dotyczący etyki AI oraz wycofanie się IBM z działalności w zakresie rozpoznawania twarzy^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}. ### Etyka na konferencjach Liczba artykułów ze słowami kluczowymi związanymi z etyką w tytułach, zgłoszonych na konferencje dotyczące AI, rosła od 2015 roku, choć średnia liczba takich tytułów na dużych konferencjach pozostaje niewielka^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}. ### Etyka w edukacji Dane z badania AI Index wykazały, że kursy z etyki AI stają się coraz bardziej powszechne na wydziałach informatycznych czołowych uczelni na świecie^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}. ## Rozdział 6. Różnorodność w AI Rozdział analizuje różnorodność płciową, rasową, etniczną oraz reprezentację osób LGBTQ+ w sferze AI^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}. ### Różnorodność płciowa Według danych CRA kobiety stanowią zaledwie 16% stałej kadry dydaktycznej na wydziałach informatycznych w kilku czołowych uczelniach na świecie^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[4\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-CRA2021-4)}. ### Różnorodność rasowa i etniczna Wśród nowych rezydentów posiadających stopień PhD z AI w USA za rok 2019: 45% to biali, 22,4% — Azjaci, 3,2% — Latynosi, 2,4% — Afroamerykanie. Udział białych (nielatynoskich) wśród nowych doktorów informatyki praktycznie nie zmieniał się przez ostatnie 10 lat, wynosząc średnio 62,7%^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[4\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-CRA2021-4)}. **Skład rasowy kadry profesorskiej.** Wśród 15 uczelni, które odpowiedziały na pytanie o skład rasowy: 67,0% stałej kadry dydaktycznej to biali, 14,3% — Azjaci, 0,8% — Latynosi, 0,6% — osoby czarnoskóre lub afrykańskiego pochodzenia^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}. **Black in AI.** Organizacja Black in AI, założona w 2017 roku przez Timnit Gebru i Rediet Abebe, liczyła do 2020 roku około 3 000 członków. Uczestnictwo w warsztatach BAI przy NeurIPS znacznie wzrosło: liczba uczestników i zgłoszonych artykułów w 2019 roku była 2,6 razy wyższa niż w 2017 roku^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}. ### Tożsamość płciowa i orientacja seksualna Według danych z badania Queer in AI (QAI) z 2020 roku, niemal połowa respondentów uważa niewystarczającą inkluzywność w sferze AI za przeszkodę w swojej karierze. Ponad 40% członków QAI zgłosiło dyskryminację lub molestowanie w pracy lub podczas nauki. 81,4% wskazało brak wzorców do naśladowania jako główną przeszkodę^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[30\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-QAI2021-30)}. ## Rozdział 7. Polityka i Strategie Narodowe w dziedzinie AI Rozdział obejmuje krajobraz regulacyjny AI na poziomie lokalnym, krajowym i międzynarodowym^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}. ### Strategie narodowe Od czasu opublikowania przez Kanadę pierwszej na świecie narodowej strategii AI w 2017 roku, ponad 30 krajów i regionów opublikowało podobne dokumenty do grudnia 2020 roku. Kolejne 22 kraje były w trakcie opracowywania strategii^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}. | Rok | Strategie | |------|----------------------------------------------------------------------------------------| | 2017 | Kanada, Chiny, Japonia, Finlandia, ZEA | | 2018 | UE, Francja, Niemcy, Korea Południowa, Wielka Brytania, Indie, Meksyk, Australia i in. | | 2019 | USA (zaktualizowana), Rosja, Holandia, Czechy, Singapur i in. | | 2020 | Hiszpania, Brazylia, Polska, Turcja i in. | **Kanada** (2017): Pan-Canadian AI Strategy, budżet 125 mln CAD (97 mln USD), nacisk na kształcenie kadr i aspekty etyczne^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}. **Chiny** (2017): jedna z najbardziej kompleksowych strategii, obejmująca badania i rozwój, edukację, normy etyczne i bezpieczeństwo narodowe. Cele: osiągnięcie poziomu światowego do 2020, zostanie światowym liderem do 2025, głównym centrum innowacji do 2030 roku^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}. **UE** (2018): Coordinated Plan on Artificial Intelligence, minimum 1 mld EUR rocznie na badania AI i 4,9 mld EUR na inne aspekty strategii^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}. **Francja** (2018): AI for Humanity, budżet 1,5 mld EUR do 2022 roku, strategiczne sektory: ochrona zdrowia, środowisko, transport i obronność^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}. ### Współpraca międzynarodowa Uruchomienie Globalnego Partnerstwa na rzecz AI (GPAI) oraz Obserwatorium Polityki AI przy OECD w 2020 roku ożywiło wysiłki międzyrządowe na rzecz wspierania rozwoju AI^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[31\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-GPAI2020-31)[\[32\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-OECD2020-32)}. ### Inwestycje publiczne USA **Budżet federalny.** Raport analizuje dane dotyczące federalnego budżetu USA na pozawojskowe badania i rozwój w dziedzinie AI^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}. **Budżet Departamentu Obrony.** Zawarto dane dotyczące wniosku budżetowego Departamentu Obrony USA na AI^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}. **Zamówienia publiczne.** Analiza łącznych wydatków na kontrakty i ich rozkładu według agencji^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[6\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-Bloomberg2021-6)}. ### Aktywność legislacyjna **Kongres USA.** 116. Kongres okazał się najbardziej ukierunkowanym na AI w historii. Liczba wzmianek o AI w aktach prawnych, sprawozdaniach komitetów i raportach Biura Badań Kongresu (CRS) ponad trzykrotnie przekroczyła wskaźnik 115. Kongresu^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[6\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-Bloomberg2021-6)}. **Banki centralne.** Raport zawiera dane dotyczące wzmianek o AI i ML w materiałach banków centralnych^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}. ## Metodologia i źródła danych Raport opiera się na danych z wielu źródeł^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}: - **Publikacje:** Elsevier/Scopus (70 mln recenzowanych prac badawczych), Microsoft Academic Graph (MAG, 225+ mln publikacji), arXiv, Nesta. - **Benchmarki:** Papers With Code, SuperGLUE, VQA, VCR, COCO, ImageNet, NIST FRVT, LibriSpeech, VoxCeleb, TPTP, CASP i in. - **Rynek pracy:** LinkedIn Economic Graph, Burning Glass Technologies. - **Inwestycje:** S&P Capital IQ (CapIQ), Crunchbase, NetBase Quid. - **Aktywność korporacyjna:** McKinsey & Company (Global Survey on AI), International Federation of Robotics (IFR), Prattle (earnings calls). - **Edukacja:** CRA Taulbee Survey, Joint Research Centre (Komisja Europejska), własne badanie AI Index (18 uczelni z 9 krajów). - **Etyka:** AI Ethics Lab (Boston), analiza mediów. - **Różnorodność:** CRA, Black in AI, Queer in AI. - **Polityka:** Bloomberg Government, OECD AI Policy Observatory. W MAG każdy artykuł jest liczony raz; gdy istnieje kilku autorów z różnych krajów, uznanie jest równomiernie rozdzielane między unikalne regiony^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)[\[5\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-MAG2021-5)}. ## Zespół autorski Raport został przygotowany pod kierownictwem współdyrektorów **Raymonda Perraulta** (Raymond Perrault, SRI International) i **Jacka Clarka** (Jack Clark, OECD/GPAI). Kierownikiem badań i redaktorem naczelnym był **Daniel Zhang** (Daniel Zhang, Stanford University). W skład komitetu sterującego wchodzili również: Erik Brynjolfsson (Stanford), John Etchemendy (Stanford), Deep Ganguli (Stanford), Barbara Grosz (Harvard), Terah Lyons (Partnership on AI), James Manyika (McKinsey Global Institute), Juan Carlos Niebles (Stanford), Michael Sellitto (Stanford), Yoav Shoham (Stanford / AI21 Labs, założyciel-dyrektor)^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}. ## Narzędzia i otwarte dane Raportowi towarzyszą następujące zasoby^{[\[1\]](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_note-AIIndex2021-1)}: - **Surowe dane i wykresy:** publiczne dane i obrazy w wysokiej rozdzielczości dostępne na Google Drive. - **Global AI Vibrancy Tool:** zaktualizowane narzędzie do interaktywnej wizualizacji, umożliwiające porównanie do 26 krajów według 22 wskaźników. - **Publikacja „Measurement in AI Policy: Opportunities and Challenges\\** (jesień 2020): przegląd problemów pomiaru w polityce AI. ## Odnośniki - Stanford HAI — AI Index Report 2021 (pełny tekst): 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/ ## Literatura - 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 ## Przypisy 1. ↑ ^{[1.000](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-0)} ^{[1.001](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-1)} ^{[1.002](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-2)} ^{[1.003](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-3)} ^{[1.004](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-4)} ^{[1.005](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-5)} ^{[1.006](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-6)} ^{[1.007](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-7)} ^{[1.008](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-8)} ^{[1.009](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-9)} ^{[1.010](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-10)} ^{[1.011](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-11)} ^{[1.012](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-12)} ^{[1.013](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-13)} ^{[1.014](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-14)} ^{[1.015](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-15)} ^{[1.016](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-16)} ^{[1.017](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-17)} ^{[1.018](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-18)} ^{[1.019](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-19)} ^{[1.020](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-20)} ^{[1.021](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-21)} ^{[1.022](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-22)} ^{[1.023](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-23)} ^{[1.024](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-24)} ^{[1.025](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-25)} ^{[1.026](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-26)} ^{[1.027](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-27)} ^{[1.028](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-28)} ^{[1.029](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-29)} ^{[1.030](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-30)} ^{[1.031](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-31)} ^{[1.032](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-32)} ^{[1.033](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-33)} ^{[1.034](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-34)} ^{[1.035](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-35)} ^{[1.036](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-36)} ^{[1.037](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-37)} ^{[1.038](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-38)} ^{[1.039](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-39)} ^{[1.040](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-40)} ^{[1.041](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-41)} ^{[1.042](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-42)} ^{[1.043](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-43)} ^{[1.044](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-44)} ^{[1.045](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-45)} ^{[1.046](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-46)} ^{[1.047](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-47)} ^{[1.048](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-48)} ^{[1.049](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-49)} ^{[1.050](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-50)} ^{[1.051](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-51)} ^{[1.052](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-52)} ^{[1.053](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-53)} ^{[1.054](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-54)} ^{[1.055](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-55)} ^{[1.056](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-56)} ^{[1.057](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-57)} ^{[1.058](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-58)} ^{[1.059](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-59)} ^{[1.060](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-60)} ^{[1.061](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-61)} ^{[1.062](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-62)} ^{[1.063](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-63)} ^{[1.064](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-64)} ^{[1.065](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-65)} ^{[1.066](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-66)} ^{[1.067](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-67)} ^{[1.068](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-68)} ^{[1.069](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-69)} ^{[1.070](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-70)} ^{[1.071](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-71)} ^{[1.072](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-72)} ^{[1.073](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-73)} ^{[1.074](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-74)} ^{[1.075](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-75)} ^{[1.076](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-76)} ^{[1.077](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-77)} ^{[1.078](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-78)} ^{[1.079](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-79)} ^{[1.080](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-80)} ^{[1.081](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-81)} ^{[1.082](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-82)} ^{[1.083](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-83)} ^{[1.084](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-84)} ^{[1.085](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-85)} ^{[1.086](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-86)} ^{[1.087](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-87)} ^{[1.088](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-88)} ^{[1.089](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-89)} ^{[1.090](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-90)} ^{[1.091](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-91)} ^{[1.092](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-92)} ^{[1.093](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-93)} ^{[1.094](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-94)} ^{[1.095](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-95)} ^{[1.096](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-96)} ^{[1.097](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-97)} ^{[1.098](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-98)} ^{[1.099](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-99)} ^{[1.100](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-100)} ^{[1.101](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-AIIndex2021_1-101)} ^{[1.102](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#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_(PL)#cite_ref-PostEra2021_2-0)} ^{[2.1](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#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_(PL)#cite_ref-Quid2021_3-0)} ^{[3.1](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-Quid2021_3-1)} ^{[3.2](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#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_(PL)#cite_ref-CRA2021_4-0)} ^{[4.1](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-CRA2021_4-1)} ^{[4.2](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-CRA2021_4-2)} ^{[4.3](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-CRA2021_4-3)} ^{[4.4](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-CRA2021_4-4)} ^{[4.5](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-CRA2021_4-5)} ^{[4.6](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#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_(PL)#cite_ref-MAG2021_5-0)} ^{[5.1](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-MAG2021_5-1)} ^{[5.2](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-MAG2021_5-2)} ^{[5.3](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-MAG2021_5-3)} ^{[5.4](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-MAG2021_5-4)} ^{[5.5](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-MAG2021_5-5)} ^{[5.6](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-MAG2021_5-6)} ^{[5.7](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#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_(PL)#cite_ref-Bloomberg2021_6-0)} ^{[6.1](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-Bloomberg2021_6-1)} ^{[6.2](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#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_(PL)#cite_ref-Scopus2021_7-0)} ^{[7.1](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-Scopus2021_7-1)} ^{[7.2](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#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_(PL)#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_(PL)#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_(PL)#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_(PL)#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_(PL)#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_(PL)#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_(PL)#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_(PL)#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_(PL)#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_(PL)#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_(PL)#cite_ref-GPT3_18-0)} ^{[18.1](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#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_(PL)#cite_ref-VQA2020_19-0) VQA Challenge (2020). https://visualqa.org/challenge.html 20. [↑](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#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_(PL)#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_(PL)#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_(PL)#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_(PL)#cite_ref-LinkedIn2021_24-0)} ^{[24.1](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#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_(PL)#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_(PL)#cite_ref-McKinsey2021_26-0)} ^{[26.1](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#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_(PL)#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_(PL)#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_(PL)#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_(PL)#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_(PL)#cite_ref-GPAI2020_31-0) Global Partnership on AI (2020). https://gpai.ai/ 32. [↑](https://systems-analysis.info/int/The_2021_AI_Index_Report_(PL)#cite_ref-OECD2020_32-0) OECD AI Policy Observatory (2020). https://oecd.ai/