--- title: "The 2022 AI Index Report (BG)" source: "https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)" wiki: "systems-analysis.info/int" article: "The_2022_AI_Index_Report_(BG)" language: "bg" categories: - "Category:Bulgarian" - "Category:Large language models" - "Category:Machine learning" revision_id: 7990 wiki_created_at: 2026-09-07T01:10:21Z wiki_modified_at: 2026-09-07T01:10:21Z downloaded_at: 2026-09-07T23:22:26Z --- # The 2022 AI Index Report (BG) **AI Index Report 2022** — петото годишно издание на доклада **AI Index**, изготвено от Станфордския институт за човекоцентриран изкуствен интелект (Stanford HAI)[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-AIIndex2022-1). Докладът за 2022 година е най-обемният към момента на публикуване и излиза в период на мащабно внедряване на ИИ системи в икономиката. Изданието за първи път съдържа отделна глава с задълбочен анализ на техническата етика на ИИ, обширен преглед на роботиката, основан на глобално проучване сред изследователи, както и данни за законодателни инициативи в областта на ИИ в 25 държави по света. Докладът проследява, систематизира и визуализира данни, свързани с изкуствения интелект, предоставяйки обективна и внимателно верифицирана информация за политици, изследователи, ръководители, журналисти и широката общественост. ## Структура на доклада Докладът за 2022 година се състои от пет тематични глави и приложение[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-AIIndex2022-1): 1. **Изследвания и разработки (Research and Development)** — тенденции в публикациите, патентите, конференциите и софтуера с отворен код. 2. **Техническа производителност (Technical Performance)** — benchmark-ове в компютърното зрение, обработката на език, реч, препоръчителни системи, Reinforcement Learning, хардуер и роботика. 3. **Техническа етика на ИИ (Technical AI Ethics)** — нова глава: метрики за справедливост и предубеждения, токсичност на езикови модели, мултимодални изкривявания, проверка на факти и правдивост. 4. **Икономика и образование (The Economy and Education)** — пазар на труда, инвестиции, корпоративно внедряване на ИИ и подготовка на кадри. 5. **Политика и управление на ИИ (AI Policy and Governance)** — законодателство, регулиране и национални стратегии. ## Ключови изводи на доклада Авторите на доклада са откроили редица основни тези за 2022 година[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-AIIndex2022-1): ### 1. Частните инвестиции в ИИ рязко нараснаха, а концентрацията на капитал се засили Частните инвестиции в ИИ през 2021 година възлязоха на около 93,5 млрд. долара — повече от двойно спрямо показателя за 2020 година. При това броят на новофинансираните ИИ компании продължи да намалява: от 1 051 през 2019 година и 762 през 2020 година до 746 през 2021 година. Ако през 2020 година само 4 рунда на финансиране надвишиха 500 млн. долара, то през 2021 година такива рундове вече имаше 15[\[2\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-NetBaseQuid2021-2). ### 2. САЩ и Китай доминират в международното сътрудничество в областта на ИИ Въпреки нарастващото геополитическо напрежение, САЩ и Китай показаха най-голям брой съвместни публикации в областта на ИИ за периода 2010–2021 г., увеличявайки обема на сътрудничеството петкратно от 2010 година. Този тандем произведе 2,7 пъти повече публикации от следващата двойка — Великобритания и Китай[\[3\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-CSET2021-3). ### 3. Езиковите модели стават по-мощни, но и по-предубедени Големите езикови модели установяваха нови рекорди на технически benchmark-ове, но данните показаха, че по-големите модели възпроизвеждат в по-голяма степен предубежденията от обучителните данни. Моделът с 280 млрд. параметъра (Gopher, DeepMind, 2021) демонстрира с 29% по-висока предизвикана токсичност в сравнение с модела със 117 млн. параметъра, смятан за авангарден през 2018 година[\[4\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-Rae2021-4). ### 4. Разцвет на етиката на ИИ Изследванията в областта на справедливостта и прозрачността на ИИ преживяха взривен ръст от 2014 година: броят на профилните публикации на етически конференции се увеличи петкратно. Алгоритмичната справедливост и предубежденията престанаха да бъдат чисто академична тема и се превърнаха в мейнстрийм направление на изследванията. Изследователите с индустриална принадлежност увеличаваха своя принос на етическите конференции с 71% годишно[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-AIIndex2022-1). ### 5. ИИ става по-достъпен и по-производителен От 2018 година насам стойността на обучението на система за класификация на изображения намаля с 63,6%, а времето за обучение се подобри с 94,4%. Аналогична тенденция към намаляване на разходите и ускоряване на обучението се наблюдаваше и в другите категории задачи на MLPerf: препоръки, разпознаване на обекти и обработка на език[\[5\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-MLPerf2021-5). ### 6. Данните като ключов ресурс Най-добрите резултати на технически benchmark-ове все по-често се постигаха чрез използването на допълнителни обучителни данни. Към 2021 година 9 от 10 авангардни ИИ системи на разгледаните benchmark-ове бяха обучени с използването на допълнителни данни. Тази тенденция неявно облагодетелства компаниите от частния сектор, разполагащи с достъп до обширни dataset-и[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-AIIndex2022-1). ### 7. Законодателството за ИИ по целия свят стремглаво нараства Анализът на AI Index за 25 държави показа, че броят на приетите закони, съдържащи термина „изкуствен интелект", е нараснал от 1 през 2016 година до 18 през 2021 година. Лидери за 2021 година станаха Испания, Великобритания и САЩ — по три приети закона всяка[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-AIIndex2022-1). ### 8. Роботизираните манипулатори стават по-евтини Проучването на AI Index показа, че медианната цена на роботизираните манипулатори е намаляла с 46,2% за пет години — от 42 000 долара през 2017 година до 22 600 долара през 2021 година, правейки изследванията в областта на роботиката по-достъпни[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-AIIndex2022-1). ### 9. Мултимодалните модели наследяват мултимодални предубеждения Мултимодалните модели за език и зрение (като CLIP) установиха нови рекорди в задачите за класификация на изображения и генериране на изображения по текстово описание, но те също така възпроизвеждаха социални стереотипи и предубеждения. Експериментите с CLIP показаха, че изображенията на чернокожи хора погрешно се класифицираха като „нечовешки" повече от двойно по-често в сравнение с изображенията на представители на всяка друга раса[\[6\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-Birhane2021-6). ### 10. Движение към по-общо Reinforcement Learning През последното десетилетие ИИ системите успешно усвояваха тесни задачи на Reinforcement Learning (например шах — най-добрият шахматен двигател надмина максималния рейтинг на Магнус Карлсен с 24%). Обаче през последните две години ИИ системите също подобриха резултатите си с 129% в по-общи задачи на Reinforcement Learning (Procgen), при които се изисква действие в нови, непознати среди[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-AIIndex2022-1). ## Глава 1. Изследвания и разработки Главата анализира тенденциите в публикациите, патентите, конференциите и отворения софтуер[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-AIIndex2022-1). ### Публикации Общият брой англоезични публикации в областта на ИИ продължи да расте и достигна 334 500 през 2021 година[\[3\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-CSET2021-3). **По вид публикация.** През 2021 година бяха издадени повече от 56 700 публикации в репозитории (arXiv и др.), което отразява нарастващата роля на предварителните публикации (препринти) в ИИ изследванията[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-AIIndex2022-1). **По географско разпределение.** През 2021 година Китай продължи да лидира по съвкупен брой публикации в списания, конференции и репозитории — с 63,2% повече от САЩ. При това САЩ запазваха доминиращото лидерство по брой цитирания на конференционни и репозиторни публикации[\[3\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-CSET2021-3): | Показател | Китай | ЕС + Великобритания | САЩ | |-------------------------------------------|-------|---------------------|-------| | Дял на конференционните публикации (2021) | 27,6% | 19,0% | 16,9% | | Дял на конференционните цитирания (2021) | 15,3% | 23,3% | 29,5% | | Дял на репозиторните публикации (2021) | 16,6% | 23,9% | 32,5% | | Дял на репозиторните цитирания (2021) | 16,4% | 20,1% | 38,6% | **Междусекторно сътрудничество.** От 2010 до 2021 година най-голям брой съвместни ИИ публикации бяха произведени от колаборации между образователни и нестопански организации, след това — между частни компании и образователни институции, а също между образователни и държавни институции[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-AIIndex2022-1). ### Патенти Броят на подадените патентни заявки в областта на ИИ през 2021 година надмина повече от 30 пъти показателя от 2015 година при среден годишен темп на растеж от 76,9%. По регионално разпределение Източна Азия и Тихоокеанският регион доминираха с дял от 62,1% от патентните заявки. Китай подаваше патентни заявки три пъти повече от САЩ — 87 343 заявки при 1 407 одобрени патента през 2021 година[\[3\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-CSET2021-3). ### Конференции Посещаемостта на водещите ИИ конференции през 2021 година се запази на нивото от 2020 година — над 88 000 участника по целия свят. Повечето конференции продължиха да се провеждат в дистанционен формат поради пандемията от COVID-19. Само ICRA и EMNLP използваха хибриден формат[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-AIIndex2022-1). ## Глава 2. Техническа производителност Главата представя разширен анализ на напредъка в компютърното зрение, обработката на език, реч, препоръчителни системи, Reinforcement Learning, хардуер и роботика[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-AIIndex2022-1). ### Компютърно зрение **ImageNet.** Точността на класификацията на изображения в ImageNet продължаваше да расте. Системите, използващи допълнителни обучителни данни, демонстрираха значително по-високи резултати. През 2021 година моделът CoAtNet, обучен върху ImageNet-21K + JFT, постигна top-1 accuracy от 90,88%, което съществено надвишава човешкото ниво (около 94,9% по top-5)[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-AIIndex2022-1). **Специализирани подзадачи.** През 2021 година се наблюдаваше нарастващ интерес към специализирани подзадачи на компютърното зрение — медицинска сегментация на изображения и идентификация на лица с маски. Например, ако преди 2020 година само 3 изследователски труда тестваха системи на benchmark-а Kvasir-SEG (медицинска визуализация), то през 2021 година такива трудове вече имаше 25[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-AIIndex2022-1). **Визуално здраво разсъждение (VCR).** До края на 2021 година най-добрият резултат на benchmark-а Visual Commonsense Reasoning беше 72,0 — ръст от 63,6% от 2018 година, въпреки че системите все още значително отстъпваха на човешкото ниво. Подобренията ставаха все по-маргинални, указвайки на необходимост от нови подходи[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-AIIndex2022-1). ### Обработка на естествен език **SuperGLUE.** На върха на класацията на SuperGLUE се намираше моделът SS-MoE с резултат 91,0, надвишаващ човешкото ниво (89,8). Стремителният напредък на SuperGLUE свидетелстваше за необходимостта от разработване на по-сложни езикови benchmark-ове[\[7\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-SuperGLUE2019-7). **SQuAD.** ИИ системите надминаха човешкото ниво на benchmark-а SQuAD 2.0 по разбиране на прочетен текст с 1–5%, но при по-сложни задачи, като абдуктивен логически извод на естествен език (aNLI), човекът все още изпреварваше ИИ, въпреки че разривът се стесни от 9 п.п. през 2019 година до 1 п.п. през 2021 година[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-AIIndex2022-1). **Машинен превод.** Броят на комерсиално достъпните системи за машинен превод продължаваше да расте, а качеството на превода за основните езикови двойки (WMT 2014) стабилно се подобряваше[\[8\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-Intento2021-8). ### Разпознаване на реч На benchmark-а LibriSpeech (Test-Clean) показателят за грешки при разпознаване на думи (WER) продължаваше да намалява, приближавайки се до човешкото ниво. Напредък беше постигнат и при по-сложни dataset-и за реч[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-AIIndex2022-1). ### Reinforcement Learning **Atari-57.** Системите за Reinforcement Learning продължаваха да се усъвършенстват при класическите задачи на Arcade Learning Environment. Моделът MuZero (DeepMind) оставаше един от водещите[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-AIIndex2022-1). **Procgen.** На benchmark-а Procgen, тестващ способността за обобщение в нови среди, ИИ системите подобриха резултата си с 129% за две години, което указваше на движение към по-общи агенти[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-AIIndex2022-1). **Шах.** Най-добрият шахматен програмен двигател надмина максималния ELO рейтинг на Магнус Карлсен с 24%[\[9\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-SSCA2021-9). ### Хардуер и разходи за обучение **MLPerf.** Данните от benchmark-а MLPerf показаха устойчиво намаляване на времето за обучение при едновременен ръст на броя използвани ускорители. Разривът между средния брой ускорители при лидерите и всички участници нарасна 9 пъти от 2018 до 2021 година, което свидетелстваше за нарастващи изисквания към хардуерните ресурси[\[5\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-MLPerf2021-5). **Разходи за обучение на ImageNet.** Разходите за обучение на високопроизводителна система за класификация на изображения до 93% точност намаляха от 1 112,6 долара през 2017 година до 4,6 долара през 2021 година — спад от 223 пъти за четири години[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-AIIndex2022-1). ### Роботика **Цени на манипулаторите.** Проучването на AI Index, проведено сред 509 професори по роботика от 67 университета по света, установи намаляване на медианната цена на роботизирания манипулатор с 46,2% — от 42 000 долара през 2017 година до 22 600 долара през 2021 година[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-AIIndex2022-1). **ИИ умения в роботиката.** 67% от анкетираните професори по роботика съобщиха за използването на дълбоко обучение, а 46% — на Reinforcement Learning в своите изследвания[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-AIIndex2022-1). ## Глава 3. Техническа етика на ИИ Включената за първи път в доклада глава предоставя задълбочен анализ на метриките за справедливост и предубеждения, токсичността на езикови модели, мултимодалните изкривявания, а също въпросите за проверка на факти и правдивост на ИИ[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-AIIndex2022-1). ### Мета-анализ на метриките за справедливост и предубеждения Броят на метриките за измерване на предубежденията и справедливостта на ИИ устойчиво нарастваше от 2018 година. Метриките се делят на два основни типа: benchmark dataset-и (например StereoSet, CrowS-Pairs), измерващи вътрешното поведение на модела, и диагностични метрики (например демографски паритет, равенство на възможностите), оценяващи въздействието на модела върху конкретни групи от населението[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-AIIndex2022-1). ### Токсичност на езиковите модели **RealToxicityPrompts.** Токсичността на езиковите модели съществено зависеше от обучителните данни. Моделите, обучени върху текст, почистен от токсично съдържание (например C4 с филтриране), бяха значително по-малко токсични в сравнение с моделите, обучени върху нефилтрирано интернет съдържание[\[10\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-Gehman2020-10). **Мащаб и токсичност.** Анализът на модела Gopher (DeepMind, 280 млрд. параметъра) показа, че по-големите модели с по-голяма вероятност генерират токсични продължения при съответните prompt-ове, но едновременно с това по-добре разпознават токсично съдържание[\[4\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-Rae2021-4). **Детоксикация.** Методите за детоксикация на езикови модели (DAPT, PPLM, GeDi) последователно водеха до влошаване на производителността, като непропорционално по-силно — при афроамерикански английски и текстове, съдържащи споменавания на малцинства[\[11\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-Xu2021-11). ### Стереотипи и предубеждения **StereoSet** измерваше стереотипните предубеждения по оси пол, раса, религия и професия. **CrowS-Pairs** оценяваше степента на стереотипното предубеждение в маскирани езикови модели. **Winogender** и **WinoBias** тестваха половото предубеждение в задачи за кореференция, а **WinoMT** — в машинния превод[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-AIIndex2022-1). ### Мултимодални предубеждения (CLIP) Моделът CLIP (Contrastive Language-Image Pretraining, OpenAI) демонстрира впечатляващи резултати при класификацията на изображения, но наследи предубеждения по пол, раса и възраст от обучителните данни (400 млн. двойки „изображение–текст" от интернет). Ключови открития[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-AIIndex2022-1): - **Дискредитиращ вред:** при добавяне на нечовешки и криминални категории към класификацията, изображенията на чернокожи хора погрешно се отнасяха към нечовешки категории в 14% от случаите — двойно повече, отколкото за другите раси. - **Полово предубеждение:** етикетите „бавачка" и „домашна работничка" се асоциираха с жени, „затворник" и „мафиот" — с мъже. - **Разпространение на предубеждения:** предубежденията на CLIP се пренасяха в dataset-а LAION-400M, куриран с помощта на embedding-и на CLIP, засягайки всички последващи приложения. ### Проверка на факти и правдивост **TruthfulQA.** Анализът на няколко семейства езикови модели на benchmark-а TruthfulQA показа, че мащабирането на базовите модели (семейство GPT-3) водеше до намаляване на правдивостта. Обаче моделите, дообучени с помощта на обратна връзка от хора (InstructGPT, WebGPT), ставаха по-правдиви при мащабиране[\[12\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-TruthfulQA2021-12). **FEVER.** На benchmark-а FEVER (Fact Extraction and VERification) системите за автоматична проверка на факти продължаваха да се усъвършенстват, въпреки че все още отстъпваха на човешкото ниво[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-AIIndex2022-1). ### Тенденции на етическите конференции Анализът на публикациите на конференцията FAccT (Fairness, Accountability, and Transparency) и тематичните уъркшопове на NeurIPS разкри ръст на трудовете по интерпретируемост, обяснимост, каузални разсъждения, поверителност, събиране на данни, справедливост и предубеждения. Изследователите с индустриална принадлежност съществено увеличиха своя принос на тези платформи[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-AIIndex2022-1). ## Глава 4. Икономика и образование Главата изследва тенденциите на пазара на труда, в инвестициите, корпоративното внедряване на ИИ и подготовката на кадри[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-AIIndex2022-1). ### Пазар на труда **Наемане на ИИ специалисти.** Според данните на LinkedIn, Нова Зеландия показа най-голям ръст на наемането на ИИ специалисти — 2,42 пъти от 2016 до 2021 година, следвана от Хонконг (1,56×), Ирландия (1,28×), Люксембург (1,26×) и Швеция (1,24×)[\[13\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-LinkedIn2021-13). **Свободни работни места.** Според данните на Emsi Burning Glass, Сингапур лидираше по дял на ИИ позиции сред всички свободни работни места — 2,33%, следван от САЩ (0,90%), Канада (0,78%) и Великобритания (0,74%). В САЩ най-голям брой ИИ позиции се наблюдаваше в Калифорния (повече от 2,35 пъти повече, отколкото в Тексас), а най-голям дял на ИИ позиции — в щата Вашингтон (окръг Колумбия)[\[14\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-EmsiBG2021-14). ### Инвестиции **Общи тенденции.** Съвкупните корпоративни инвестиции в ИИ през 2021 година достигнаха рекордните 176,5 млрд. долара, от които частните инвестиции възлязоха на 93,5 млрд. (ръст повече от двойно спрямо 2020 година), сливанията и поглъщанията — около 72 млрд., публичните предлагания — около 9,5 млрд.[\[2\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-NetBaseQuid2021-2) **Регионално разпределение.** САЩ лидираха с частни инвестиции от около 52,9 млрд. долара — повече от три пъти повече от Китай (17,2 млрд.). Великобритания зае третото място (4,65 млрд.), следвана от Израел (2,4 млрд.) и Германия (1,98 млрд.)[\[2\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-NetBaseQuid2021-2). | Държава | Частни инвестиции 2021 (млрд. USD) | Частни инвестиции 2013–2021 (млрд. USD) | |----------------|------------------------------------|-----------------------------------------| | САЩ | 52,9 | 149,0 | | Китай | 17,2 | 61,9 | | Великобритания | 4,65 | 10,8 | | Израел | 2,4 | 6,1 | | Германия | 1,98 | 3,9 | | Индия | 1,87 | 10,8 | **Отраслов фокус.** Най-голям обем частни инвестиции през 2021 година привлече областта „управление на данни, обработка и облак" — 2,6 пъти повече от 2020 година, следвани от „медицина и здравеопазване" (11,29 млрд.) и „финтех" (10,26 млрд.)[\[2\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-NetBaseQuid2021-2). **Концентрация на капитал.** Средният размер на сделката за частно инвестиране в ИИ през 2021 година нарасна с 81,1% в сравнение с 2020 година. При това броят на новофинансираните ИИ компании намаляваше трета поредна година (от върха от 2018 година)[\[2\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-NetBaseQuid2021-2). ### Корпоративно внедряване Според данните на McKinsey, средното ниво на внедряване на ИИ от организациите през 2021 година е 56% (ръст от 6 п.п. спрямо 2020 година). Лидираше Индия (65%), следвана от развитите страни от Азиатско-тихоокеанския регион (64%), развиващите се пазари (57%) и Северна Америка (55%)[\[15\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-McKinsey2021-15). **Управление на рисковете.** Усилията за решаване на етичните проблеми на ИИ в индустрията оставаха ограничени: въпреки че 29% от респондентите на McKinsey признаваха „справедливостта и равенството" за рискове при внедряването на ИИ, само 19% предприемаха стъпки за тяхното намаляване. Аналогично, 41% признаваха „обяснимостта" за риск, но само 27% работеха за нейното осигуряване[\[15\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-McKinsey2021-15). ### Образование **Бакалавърска степен.** Броят на завършилите бакалавърска степен по информатика в Северна Америка (в университети, присъждащи докторски степени) нарасна 3,5 пъти от 2010 до 2020 година, достигайки над 31 000 души — ръст от 11,6% в сравнение с 2019 година[\[16\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-CRATaulbee2021-16). **Докторантура.** През 2020 година всеки пети завършил PhD по информатика се е специализирал в ИИ/Machine Learning — най-популярната специализация за последното десетилетие. Броят на PhD с тази специализация нарасна с 72,05% от 2010 до 2020 година[\[16\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-CRATaulbee2021-16). ## Глава 5. Политика и управление на ИИ Главата анализира законодателната и регулаторната активност в сферата на ИИ на глобално ниво и в разрез на отделни държави[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-AIIndex2022-1). ### Глобално законодателство Анализът на AI Index обхвана законодателни инициативи в 25 държави. За периода 2016–2021 година бяха приети 55 закона, съдържащи споменаване на „изкуствен интелект". Растежът беше рязък: от 1 закон през 2016 година до 18 през 2021 година[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-AIIndex2022-1). **Лидери по брой приети закони (2016–2021):** | Държава | Закони (2016–2021) | Закони (2021) | |----------------|--------------------|---------------| | САЩ | 13 | 3 | | Русия | 6 | 2 | | Белгия | 5 | 2 | | Испания | 5 | 3 | | Великобритания | 5 | 3 | | Франция | 4 | 1 | | Италия | 3 | 1 | Сред приетите закони: канадският Budget Implementation Act (2017) с отпускане на 125 млн. долара за стратегия за ИИ; руският Федерален закон от 24.04.2020 г. № 123-ФЗ за експериментален правен режим за ИИ в Москва; американският IOGAN Act (2020) за финансиране на изследвания на deepfake; белгийският декрет за създаване на етичен комитет за ИИ инструменти (2021)[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-AIIndex2022-1). ### Законодателство в САЩ На федерално ниво броят на предложените ИИ законопроекти нарасна от 1 през 2015 година до 130 през 2021 година, но само 2% от тях бяха приети. На ниво щати броят на предложените законопроекти нарасна от 2 през 2012 година до 131 през 2021 година, като делът на приетите е 20% (26 от 131)[\[17\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-BloombergGov2021-17). Масачузетс предложи най-голям брой ИИ законопроекти на ниво щати (40 от 2012 година), следван от Хавай (35) и Ню Джърси (32)[\[17\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-BloombergGov2021-17). ### Споменавания на ИИ в парламентарни документи Споменаванията на ИИ в правителствените протоколи на 25 държави нараснаха 7,7 пъти за шест години (2016–2021), достигайки 1 323 през 2021 година. Великобритания доминираше с 939 споменавания за целия период, следвана от Испания, Япония, САЩ и Австралия[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-AIIndex2022-1). В Конгреса на САЩ 117-ата сесия (започнала през 2021 година) до края на първата година вече е регистрирала 295 споменавания на ИИ — по пътя към надвишаване на рекорда на 116-ата сесия (506 споменавания за 2019–2020 г.)[\[17\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-BloombergGov2021-17). ## Методология Докладът използва данни от множество източници[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-AIIndex2022-1): - **Публикации и патенти:** Center for Security and Emerging Technology (CSET), Джорджтаунски университет. - **Benchmark-ове:** Papers With Code, класации на SuperGLUE, SQuAD, VCR, MLPerf и др. - **Инвестиции и стартъпи:** NetBase Quid. - **Пазар на труда:** Emsi Burning Glass, LinkedIn. - **Корпоративна активност:** McKinsey & Company. - **Роботика:** оригинално проучване на AI Index (509 професори, 67 университета). - **Законодателство:** AI Index (глобален анализ на 25 държави), Bloomberg Government (САЩ). - **Образование:** CRA Taulbee Survey. - **Етика:** RealToxicityPrompts, Perspective API, StereoSet, CrowS-Pairs, Winogender, WinoBias, WinoMT, TruthfulQA, FEVER, FAccT, NeurIPS. ## Авторски колектив Докладът е изготвен под ръководството на съдиректорите **Джак Кларк** (Jack Clark, Anthropic / OECD) и **Рей Перо** (Raymond Perrault, SRI International) с участието на широк кръг изследователи и организации-партньори. В управителния комитет влизаха Ерик Бриньолфсон (Erik Brynjolfsson, Stanford), Джон Ечеменди (John Etchemendy, Stanford), Тера Лайонс (Terah Lyons), Джеймс Маньика (James Manyika, Google / University of Oxford), Хуан Карлос Ниеблес (Juan Carlos Niebles, Stanford / Salesforce), Майкъл Селито (Michael Sellitto, Stanford), Йоав Шохам (Yoav Shoham, Stanford / AI21 Labs — основател-директор). Мениджър на изследванията и главен редактор — **Нестор Маслей** (Nestor Maslej, Stanford). AI Index е проект на Станфордския институт HAI (Human-Centered Artificial Intelligence)[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_note-AIIndex2022-1). ## Препратки - Stanford HAI — AI Index Report 2022 (пълен текст): https://aiindex.stanford.edu/report/ - Center for Security and Emerging Technology (CSET) — данни за публикации и патенти: https://cset.georgetown.edu/ - Papers With Code — benchmark-ове и класации: https://paperswithcode.com/ - SuperGLUE Benchmark: https://super.gluebenchmark.com/ - MLPerf (MLCommons) — benchmark-ове за обучение: https://mlcommons.org/en/ - NetBase Quid — инвестиционни данни: https://quid.com/ - McKinsey Global Survey on AI: https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai - CRA Taulbee Survey: https://cra.org/resources/taulbee-survey/ - Bloomberg Government — данни за законодателство: https://about.bgov.com/ - RealToxicityPrompts: https://arxiv.org/abs/2009.11462 - TruthfulQA: https://arxiv.org/abs/2109.07958 - Global AI Vibrancy Tool: https://aiindex.stanford.edu/vibrancy/ ## Литература - Zhang, D., Maslej, N., Brynjolfsson, E., Etchemendy, J., Lyons, T., Manyika, J., Ngo, H., Niebles, J.C., Sellitto, M., Sakhaee, E., Shoham, Y., Clark, J., Perrault, R. (2022). *The AI Index 2022 Annual Report*. AI Index Steering Committee, Stanford Institute for Human-Centered AI, Stanford University. https://aiindex.stanford.edu/report/ - Rae, J. W. et al. (2021). *Scaling Language Models: Methods, Analysis & Insights from Training Gopher*. https://arxiv.org/abs/2112.11446 - Gehman, S. et al. (2020). *RealToxicityPrompts: Evaluating Neural Toxic Degeneration in Language Models*. https://arxiv.org/abs/2009.11462 - Xu, A. et al. (2021). *Detoxifying Language Models Risks Marginalizing Minority Voices*. https://arxiv.org/abs/2104.06390 - Lin, S., Hilton, J., Evans, O. (2021). *TruthfulQA: Measuring How Models Mimic Human Falsehoods*. https://arxiv.org/abs/2109.07958 - Weidinger, L. et al. (2021). *Ethical and social risks of harm from Language Models*. https://arxiv.org/abs/2112.04359 - Welbl, J. et al. (2021). *Challenges in Detoxifying Language Models*. https://arxiv.org/abs/2109.07445 - Birhane, A. et al. (2021). *Multimodal datasets: misogyny, pornography, and malignant stereotypes*. https://arxiv.org/abs/2110.01963 - Ouyang, L. et al. (2022). *Training Language Models to Follow Instructions with Human Feedback*. https://arxiv.org/abs/2203.02155 - Wang, A. et al. (2019). *SuperGLUE: A Stickier Benchmark for General-Purpose Language Understanding Systems*. https://arxiv.org/abs/1905.00537 - McKinsey & Company (2021). *The State of AI in 2021*. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai ## Бележки 1. ↑ [1.00](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-AIIndex2022_1-0) [1.01](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-AIIndex2022_1-1) [1.02](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-AIIndex2022_1-2) [1.03](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-AIIndex2022_1-3) [1.04](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-AIIndex2022_1-4) [1.05](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-AIIndex2022_1-5) [1.06](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-AIIndex2022_1-6) [1.07](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-AIIndex2022_1-7) [1.08](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-AIIndex2022_1-8) [1.09](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-AIIndex2022_1-9) [1.10](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-AIIndex2022_1-10) [1.11](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-AIIndex2022_1-11) [1.12](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-AIIndex2022_1-12) [1.13](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-AIIndex2022_1-13) [1.14](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-AIIndex2022_1-14) [1.15](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-AIIndex2022_1-15) [1.16](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-AIIndex2022_1-16) [1.17](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-AIIndex2022_1-17) [1.18](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-AIIndex2022_1-18) [1.19](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-AIIndex2022_1-19) [1.20](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-AIIndex2022_1-20) [1.21](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-AIIndex2022_1-21) [1.22](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-AIIndex2022_1-22) [1.23](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-AIIndex2022_1-23) [1.24](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-AIIndex2022_1-24) [1.25](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-AIIndex2022_1-25) [1.26](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-AIIndex2022_1-26) [1.27](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-AIIndex2022_1-27) [1.28](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-AIIndex2022_1-28) [1.29](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-AIIndex2022_1-29) [1.30](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-AIIndex2022_1-30) [1.31](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-AIIndex2022_1-31) [1.32](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-AIIndex2022_1-32) [1.33](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-AIIndex2022_1-33) [1.34](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-AIIndex2022_1-34) [1.35](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-AIIndex2022_1-35) Zhang, D., Maslej, N., Brynjolfsson, E., Etchemendy, J., Lyons, T., Manyika, J., Ngo, H., Niebles, J.C., Sellitto, M., Sakhaee, E., Shoham, Y., Clark, J., Perrault, R. (2022). *The AI Index 2022 Annual Report*. AI Index Steering Committee, Stanford Institute for Human-Centered AI, Stanford University. https://aiindex.stanford.edu/report/ 2. ↑ [2.0](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-NetBaseQuid2021_2-0) [2.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-NetBaseQuid2021_2-1) [2.2](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-NetBaseQuid2021_2-2) [2.3](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-NetBaseQuid2021_2-3) [2.4](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-NetBaseQuid2021_2-4) NetBase Quid (2021). *AI Investment and Startup Activity Data*. https://quid.com/ 3. ↑ [3.0](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-CSET2021_3-0) [3.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-CSET2021_3-1) [3.2](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-CSET2021_3-2) [3.3](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-CSET2021_3-3) Center for Security and Emerging Technology, Georgetown University (2021). *AI Publications and Patents Data*. https://cset.georgetown.edu/ 4. ↑ [4.0](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-Rae2021_4-0) [4.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-Rae2021_4-1) Rae, J. W. et al. (2021). *Scaling Language Models: Methods, Analysis & Insights from Training Gopher*. https://arxiv.org/abs/2112.11446 5. ↑ [5.0](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-MLPerf2021_5-0) [5.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-MLPerf2021_5-1) MLCommons (2021). *MLPerf Training Benchmark Results*. https://mlcommons.org/en/training-normal-11/ 6. [↑](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-Birhane2021_6-0) Birhane, A. et al. (2021). *Multimodal datasets: misogyny, pornography, and malignant stereotypes*. https://arxiv.org/abs/2110.01963 7. [↑](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-SuperGLUE2019_7-0) Wang, A. et al. (2019). *SuperGLUE: A Stickier Benchmark for General-Purpose Language Understanding Systems*. https://arxiv.org/abs/1905.00537 8. [↑](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-Intento2021_8-0) Intento (2021). *The State of Machine Translation 2021*. https://inten.to/ 9. [↑](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-SSCA2021_9-0) Swedish Chess Computer Association (2021). *Chess Engine Rating List*. https://www.ssca.se/ 10. [↑](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-Gehman2020_10-0) Gehman, S. et al. (2020). *RealToxicityPrompts: Evaluating Neural Toxic Degeneration in Language Models*. https://arxiv.org/abs/2009.11462 11. [↑](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-Xu2021_11-0) Xu, A. et al. (2021). *Detoxifying Language Models Risks Marginalizing Minority Voices*. https://arxiv.org/abs/2104.06390 12. [↑](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-TruthfulQA2021_12-0) Lin, S., Hilton, J., Evans, O. (2021). *TruthfulQA: Measuring How Models Mimic Human Falsehoods*. https://arxiv.org/abs/2109.07958 13. [↑](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-LinkedIn2021_13-0) LinkedIn (2021). *AI Hiring Index Data*. https://www.linkedin.com/ 14. [↑](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-EmsiBG2021_14-0) Emsi Burning Glass (2021). *AI Job Postings Data*. https://www.economicmodeling.com/ 15. ↑ [15.0](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-McKinsey2021_15-0) [15.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-McKinsey2021_15-1) McKinsey & Company (2021). *The State of AI in 2021*. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai 16. ↑ [16.0](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-CRATaulbee2021_16-0) [16.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-CRATaulbee2021_16-1) Computing Research Association (2021). *CRA Taulbee Survey 2020–2021*. https://cra.org/resources/taulbee-survey/ 17. ↑ [17.0](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-BloombergGov2021_17-0) [17.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-BloombergGov2021_17-1) [17.2](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BG)#cite_ref-BloombergGov2021_17-2) Bloomberg Government (2021). *U.S. AI Legislative Records*. https://about.bgov.com/