--- title: "The 2022 AI Index Report (BN)" source: "https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)" wiki: "systems-analysis.info/int" article: "The_2022_AI_Index_Report_(BN)" language: "bn" categories: - "Category:Bengali" - "Category:Large language models" - "Category:Machine learning" revision_id: 7991 wiki_created_at: 2026-09-07T01:10:25Z wiki_modified_at: 2026-09-07T01:10:25Z downloaded_at: 2026-09-07T23:22:27Z --- # The 2022 AI Index Report (BN) **AI Index Report 2022** — **AI Index**-এর পঞ্চম বার্ষিক সংস্করণ, যা স্ট্যানফোর্ড হিউম্যান-সেন্টার্ড আর্টিফিশিয়াল ইন্টেলিজেন্স ইনস্টিটিউট (Stanford HAI) কর্তৃক প্রণীত[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-AIIndex2022-1)। ২০২২ সালের প্রতিবেদনটি প্রকাশের সময় পর্যন্ত সবচেয়ে বিস্তারিত এবং অর্থনীতিতে AI সিস্টেমের ব্যাপক বিস্তারের পটভূমিতে প্রকাশিত হয়েছে। এই সংস্করণে প্রথমবারের মতো AI-এর প্রযুক্তিগত নৈতিকতার গভীর বিশ্লেষণ সংবলিত একটি পৃথক অধ্যায়, গবেষকদের বৈশ্বিক জরিপের ভিত্তিতে রোবোটিক্সের একটি বিস্তৃত পর্যালোচনা এবং বিশ্বের ২৫টি দেশে AI-সংক্রান্ত আইনি উদ্যোগের তথ্য অন্তর্ভুক্ত করা হয়েছে। প্রতিবেদনটি কৃত্রিম বুদ্ধিমত্তা-সংক্রান্ত তথ্য অনুসরণ করে, সুশৃঙ্খলভাবে উপস্থাপন করে এবং দৃশ্যমানভাবে প্রদর্শন করে, যা নীতিনির্ধারক, গবেষক, ব্যবস্থাপক, সাংবাদিক ও সাধারণ জনগণের জন্য নিরপেক্ষ ও যত্নসহকারে যাচাইকৃত তথ্য সরবরাহ করে। ## প্রতিবেদনের কাঠামো ২০২২ সালের প্রতিবেদনটি পাঁচটি বিষয়ভিত্তিক অধ্যায় ও একটি পরিশিষ্ট নিয়ে গঠিত[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-AIIndex2022-1): 1. **গবেষণা ও উন্নয়ন (Research and Development)** — প্রকাশনা, পেটেন্ট, সম্মেলন এবং ওপেন সোর্স সফ্টওয়্যারের প্রবণতা। 2. **প্রযুক্তিগত কর্মক্ষমতা (Technical Performance)** — কম্পিউটার ভিশন, ভাষা প্রক্রিয়াকরণ, বাকশক্তি, সুপারিশ ব্যবস্থা, Reinforcement Learning, হার্ডওয়্যার ও রোবোটিক্সের benchmark। 3. **AI-এর প্রযুক্তিগত নৈতিকতা (Technical AI Ethics)** — নতুন অধ্যায়: ন্যায্যতা ও পক্ষপাতের মেট্রিক্স, ভাষা মডেলের বিষাক্ততা, মাল্টিমডাল বিকৃতি, তথ্য যাচাই ও সত্যনিষ্ঠা। 4. **অর্থনীতি ও শিক্ষা (The Economy and Education)** — শ্রমবাজার, বিনিয়োগ, কর্পোরেট AI গ্রহণ এবং দক্ষতা উন্নয়ন। 5. **AI নীতি ও শাসন (AI Policy and Governance)** — আইন প্রণয়ন, নিয়ন্ত্রণ ও জাতীয় কৌশল। ## প্রতিবেদনের মূল সিদ্ধান্ত প্রতিবেদনের লেখকগণ ২০২২ সালের কিছু প্রধান বিষয় চিহ্নিত করেছেন[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-AIIndex2022-1): ### ১. AI-এ বেসরকারি বিনিয়োগ তীব্রভাবে বৃদ্ধি পেয়েছে এবং মূলধনের কেন্দ্রীভবন বেড়েছে ২০২১ সালে AI-এ বেসরকারি বিনিয়োগের পরিমাণ প্রায় ৯৩.৫ বিলিয়ন ডলার ছিল — ২০২০ সালের তুলনায় দ্বিগুণেরও বেশি। একই সময়ে নতুনভাবে অর্থায়িত AI কোম্পানির সংখ্যা হ্রাস অব্যাহত থাকে: ২০১৯ সালের ১,০৫১ থেকে ২০২০ সালে ৭৬২ এবং ২০২১ সালে ৭৪৬-এ নেমে আসে। ২০২০ সালে মাত্র ৪টি অর্থায়ন রাউন্ড ৫০০ মিলিয়ন ডলার ছাড়িয়েছিল, কিন্তু ২০২১ সালে এ সংখ্যা ১৫-এ দাঁড়ায়[\[2\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-NetBaseQuid2021-2)। ### ২. AI-এ আন্তর্জাতিক সহযোগিতায় যুক্তরাষ্ট্র ও চীনের আধিপত্য ক্রমবর্ধমান ভূরাজনৈতিক উত্তেজনা সত্ত্বেও, যুক্তরাষ্ট্র ও চীন ২০১০–২০২১ সময়কালে সর্বাধিক যৌথ AI প্রকাশনা তৈরি করেছে এবং ২০১০ সাল থেকে তাদের সহযোগিতার পরিমাণ পাঁচগুণ বৃদ্ধি পেয়েছে। এই জুটি পরবর্তী জুটি — যুক্তরাজ্য ও চীনের তুলনায় ২.৭ গুণ বেশি প্রকাশনা তৈরি করেছে[\[3\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-CSET2021-3)। ### ৩. ভাষা মডেল আরও শক্তিশালী, কিন্তু আরও পক্ষপাতদুষ্ট হয়ে উঠছে বৃহৎ ভাষা মডেলগুলো প্রযুক্তিগত benchmark-এ নতুন রেকর্ড স্থাপন করেছে, তবে তথ্য দেখায় যে বড় মডেলগুলো প্রশিক্ষণ ডেটার পক্ষপাত আরও বেশি মাত্রায় পুনরুৎপাদন করে। ২৮০ বিলিয়ন প্যারামিটারের Gopher মডেলটি (DeepMind, ২০২১) ২০১৮ সালের সর্বোচ্চ মানের ১১৭ মিলিয়ন প্যারামিটারের মডেলের তুলনায় ২৯% বেশি প্ররোচনামূলক বিষাক্ততা প্রদর্শন করেছে[\[4\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-Rae2021-4)। ### ৪. AI নৈতিকতার বিকাশ AI-এর ন্যায্যতা ও স্বচ্ছতা সংক্রান্ত গবেষণা ২০১৪ সাল থেকে বিস্ফোরণমূলকভাবে বৃদ্ধি পেয়েছে: নৈতিকতা বিষয়ক সম্মেলনে প্রাসঙ্গিক প্রকাশনার সংখ্যা পাঁচগুণ বেড়েছে। অ্যালগরিদমিক ন্যায্যতা ও পক্ষপাত নিছক একাডেমিক বিষয়ের গণ্ডি ছাড়িয়ে মূলধারার গবেষণা ক্ষেত্রে পরিণত হয়েছে। শিল্প-অনুমোদিত গবেষকরা নৈতিকতা বিষয়ক সম্মেলনে বার্ষিক ৭১% হারে অবদান বাড়িয়েছেন[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-AIIndex2022-1)। ### ৫. AI আরও সাশ্রয়ী ও কর্মক্ষম হয়ে উঠছে ২০১৮ সাল থেকে ইমেজ ক্লাসিফিকেশন সিস্টেম প্রশিক্ষণের খরচ ৬৩.৬% হ্রাস পেয়েছে এবং প্রশিক্ষণের সময় ৯৪.৪% উন্নত হয়েছে। MLPerf-এর অন্যান্য কার্য বিভাগেও একই ধরনের খরচ হ্রাস ও প্রশিক্ষণ ত্বরান্বিতকরণের প্রবণতা লক্ষ্য করা গেছে: সুপারিশ, অবজেক্ট ডিটেকশন ও ভাষা প্রক্রিয়াকরণ[\[5\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-MLPerf2021-5)। ### ৬. ডেটা একটি মূল সম্পদ হিসেবে প্রযুক্তিগত benchmark-এ সর্বোচ্চ ফলাফল ক্রমেই অতিরিক্ত প্রশিক্ষণ ডেটার ব্যবহারের মাধ্যমে অর্জিত হচ্ছে। ২০২১ সাল পর্যন্ত, পর্যালোচিত benchmark-এ ১০টির মধ্যে ৯টি অগ্রণী AI সিস্টেম অতিরিক্ত ডেটা ব্যবহার করে প্রশিক্ষিত হয়েছিল। এই প্রবণতা পরোক্ষভাবে বিশাল dataset-এ প্রবেশাধিকার সম্পন্ন বেসরকারি খাতের কোম্পানিগুলোকে সুবিধাজনক অবস্থানে রাখে[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-AIIndex2022-1)। ### ৭. বিশ্বজুড়ে AI সংক্রান্ত আইন প্রণয়ন দ্রুত বৃদ্ধি পাচ্ছে ২৫টি দেশে AI Index-এর বিশ্লেষণ দেখায় যে "কৃত্রিম বুদ্ধিমত্তা" পরিভাষা সংবলিত গৃহীত আইনের সংখ্যা ২০১৬ সালে ১ থেকে বেড়ে ২০২১ সালে ১৮-এ উন্নীত হয়েছে। ২০২১ সালে স্পেন, যুক্তরাজ্য ও যুক্তরাষ্ট্র — প্রত্যেকে তিনটি করে আইন পাসের মাধ্যমে শীর্ষে ছিল[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-AIIndex2022-1)। ### ৮. রোবোটিক ম্যানিপুলেটর সস্তা হচ্ছে AI Index জরিপে দেখা গেছে, রোবোটিক ম্যানিপুলেটরের মধ্যক মূল্য পাঁচ বছরে ৪৬.২% হ্রাস পেয়েছে — ২০১৭ সালের ৪২,০০০ ডলার থেকে ২০২১ সালে ২২,৬০০ ডলারে নেমে এসেছে, যা রোবোটিক্স গবেষণাকে আরও সহজলভ্য করে তুলছে[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-AIIndex2022-1)। ### ৯. মাল্টিমডাল মডেল মাল্টিমডাল পক্ষপাত উত্তরাধিকারসূত্রে পায় মাল্টিমডাল ভাষা ও দৃষ্টি মডেলগুলো (যেমন CLIP) ইমেজ ক্লাসিফিকেশন ও টেক্সট বিবরণ থেকে ইমেজ জেনারেশনের কাজে নতুন রেকর্ড স্থাপন করেছে, তবে সেগুলো সামাজিক স্টেরিওটাইপ ও পক্ষপাতও পুনরুৎপাদন করেছে। CLIP-এর সাথে পরীক্ষায় দেখা গেছে, কৃষ্ণাঙ্গ মানুষের ছবি অন্য যেকোনো বর্ণের তুলনায় দ্বিগুণেরও বেশি বার ভুলভাবে "অ-মানবিক" হিসেবে শ্রেণীবদ্ধ করা হয়েছে[\[6\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-Birhane2021-6)। ### ১০. আরও সাধারণ Reinforcement Learning-এর দিকে অগ্রযাত্রা বিগত দশকে AI সিস্টেমগুলো সংকীর্ণ Reinforcement Learning কাজে সফলভাবে দক্ষতা অর্জন করেছে (যেমন দাবা — সেরা দাবা ইঞ্জিন Magnus Carlsen-এর সর্বোচ্চ রেটিংকে ২৪% ছাড়িয়ে গেছে)। তবে গত দুই বছরে AI সিস্টেমগুলো আরও সাধারণ Reinforcement Learning কাজে (Procgen) ১২৯% উন্নতি অর্জন করেছে, যেখানে নতুন ও অপরিচিত পরিবেশে কাজ করার ক্ষমতা প্রয়োজন[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-AIIndex2022-1)। ## অধ্যায় ১। গবেষণা ও উন্নয়ন অধ্যায়টি প্রকাশনা, পেটেন্ট, সম্মেলন এবং ওপেন সোর্স সফ্টওয়্যারের প্রবণতা বিশ্লেষণ করে[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-AIIndex2022-1)। ### প্রকাশনা AI বিষয়ক ইংরেজি ভাষার মোট প্রকাশনার সংখ্যা বৃদ্ধি অব্যাহত রেখে ২০২১ সালে ৩,৩৪,৫০০-এ পৌঁছেছে[\[3\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-CSET2021-3)। **প্রকাশনার ধরন অনুযায়ী।** ২০২১ সালে রিপোজিটরিতে (arXiv ইত্যাদি) ৫৬,৭০০-এরও বেশি প্রকাশনা বের হয়েছে, যা AI গবেষণায় প্রি-প্রিন্টের ক্রমবর্ধমান ভূমিকা প্রতিফলিত করে[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-AIIndex2022-1)। **ভৌগোলিক বিতরণ অনুযায়ী।** ২০২১ সালে চীন জার্নাল, সম্মেলন ও রিপোজিটরিতে মোট প্রকাশনায় শীর্ষস্থান ধরে রেখেছে — যুক্তরাষ্ট্রের তুলনায় ৬৩.২% বেশি। তবে যুক্তরাষ্ট্র সম্মেলন ও রিপোজিটরি প্রকাশনায় উদ্ধৃতি সংখ্যায় প্রভাবশালী নেতৃত্ব বজায় রেখেছে[\[3\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-CSET2021-3): | সূচক | চীন | ইইউ + যুক্তরাজ্য | যুক্তরাষ্ট্র | |-------------------------------|-------|---------------|----------| | সম্মেলন প্রকাশনার অংশ (২০২১) | 27,6% | 19,0% | 16,9% | | সম্মেলন উদ্ধৃতির অংশ (২০২১) | 15,3% | 23,3% | 29,5% | | রিপোজিটরি প্রকাশনার অংশ (২০২১) | 16,6% | 23,9% | 32,5% | | রিপোজিটরি উদ্ধৃতির অংশ (২০২১) | 16,4% | 20,1% | 38,6% | **আন্তঃক্ষেত্র সহযোগিতা।** ২০১০ থেকে ২০২১ সাল পর্যন্ত সর্বাধিক যৌথ AI প্রকাশনা শিক্ষা ও অলাভজনক প্রতিষ্ঠানের মধ্যে সহযোগিতার মাধ্যমে তৈরি হয়েছে, এরপর বেসরকারি কোম্পানি ও শিক্ষা প্রতিষ্ঠানের মধ্যে, এবং শিক্ষা ও সরকারি প্রতিষ্ঠানের মধ্যে[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-AIIndex2022-1)। ### পেটেন্ট ২০২১ সালে AI ক্ষেত্রে দাখিল করা পেটেন্ট আবেদনের সংখ্যা ২০১৫ সালের তুলনায় ৩০ গুণেরও বেশি বৃদ্ধি পেয়েছে, বার্ষিক গড় প্রবৃদ্ধির হার ৭৬.৯%। আঞ্চলিক বিতরণে পূর্ব এশিয়া ও প্রশান্ত মহাসাগরীয় অঞ্চল ৬২.১% পেটেন্ট আবেদন নিয়ে আধিপত্য বিস্তার করেছে। চীন যুক্তরাষ্ট্রের তুলনায় তিনগুণ বেশি পেটেন্ট আবেদন দাখিল করেছে — ২০২১ সালে ৮৭,৩৪৩টি আবেদনের বিপরীতে ১,৪০৭টি অনুমোদিত পেটেন্ট[\[3\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-CSET2021-3)। ### সম্মেলন ২০২১ সালে শীর্ষস্থানীয় AI সম্মেলনের উপস্থিতি ২০২০ সালের মতোই ছিল — বিশ্বজুড়ে ৮৮,০০০-এরও বেশি অংশগ্রহণকারী। COVID-19 মহামারির কারণে বেশিরভাগ সম্মেলন ভার্চুয়াল ফরম্যাটে অনুষ্ঠিত হয়েছে। শুধুমাত্র ICRA ও EMNLP হাইব্রিড ফরম্যাট ব্যবহার করেছে[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-AIIndex2022-1)। ## অধ্যায় ২। প্রযুক্তিগত কর্মক্ষমতা অধ্যায়টি কম্পিউটার ভিশন, ভাষা প্রক্রিয়াকরণ, বাকশক্তি, সুপারিশ ব্যবস্থা, Reinforcement Learning, হার্ডওয়্যার ও রোবোটিক্সের অগ্রগতির বিস্তারিত বিশ্লেষণ উপস্থাপন করে[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-AIIndex2022-1)। ### কম্পিউটার ভিশন **ImageNet।** ImageNet-এ ইমেজ ক্লাসিফিকেশনের নির্ভুলতা বৃদ্ধি অব্যাহত থেকেছে। অতিরিক্ত প্রশিক্ষণ ডেটা ব্যবহারকারী সিস্টেমগুলো উল্লেখযোগ্যভাবে উচ্চতর ফলাফল প্রদর্শন করেছে। ২০২১ সালে ImageNet-21K + JFT-এ প্রশিক্ষিত CoAtNet মডেলটি top-1 accuracy ৯০.৮৮% অর্জন করেছে, যা মানবিক স্তর (top-5-এ প্রায় ৯৪.৯%) থেকে উল্লেখযোগ্যভাবে বেশি[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-AIIndex2022-1)। **বিশেষায়িত উপকার্য।** ২০২১ সালে কম্পিউটার ভিশনের বিশেষায়িত উপকার্যে আগ্রহ বৃদ্ধি পেয়েছে — চিকিৎসা ইমেজ সেগমেন্টেশন ও মাস্কযুক্ত মুখ শনাক্তকরণ। উদাহরণস্বরূপ, ২০২০ সালের আগে মাত্র ৩টি গবেষণা কাজ Kvasir-SEG benchmark-এ (চিকিৎসা ইমেজিং) সিস্টেম পরীক্ষা করেছিল, কিন্তু ২০২১ সালে এই সংখ্যা ২৫-এ পৌঁছেছে[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-AIIndex2022-1)। **ভিজ্যুয়াল কমনসেন্স রিজনিং (VCR)।** ২০২১ সালের শেষ নাগাদ Visual Commonsense Reasoning benchmark-এ সর্বোচ্চ ফলাফল ছিল ৭২.০ — ২০১৮ সাল থেকে ৬৩.৬% বৃদ্ধি, যদিও সিস্টেমগুলো এখনও মানবিক স্তর থেকে উল্লেখযোগ্যভাবে পিছিয়ে। উন্নতি ক্রমশ প্রান্তিক হয়ে আসছে, যা নতুন পদ্ধতির প্রয়োজনীয়তা নির্দেশ করে[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-AIIndex2022-1)। ### প্রাকৃতিক ভাষা প্রক্রিয়াকরণ **SuperGLUE।** SuperGLUE লিডারবোর্ডের শীর্ষে ছিল SS-MoE মডেল, যার ফলাফল ৯১.০ — মানবিক স্তরের (৮৯.৮) চেয়ে বেশি। SuperGLUE-তে দ্রুত অগ্রগতি আরও জটিল ভাষাগত benchmark তৈরির প্রয়োজনীয়তা প্রমাণ করে[\[7\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-SuperGLUE2019-7)। **SQuAD।** AI সিস্টেমগুলো পাঠ অনুধাবনের ক্ষেত্রে SQuAD 2.0 benchmark-এ মানবিক স্তরকে ১–৫% ছাড়িয়ে গেছে, তবে অ্যাবডাক্টিভ ন্যাচারাল ল্যাঙ্গুয়েজ ইনফারেন্স (aNLI) মতো জটিল কাজে মানুষ এখনও AI-এর চেয়ে এগিয়ে, যদিও ব্যবধান ২০১৯ সালে ৯ পয়েন্ট থেকে ২০২১ সালে ১ পয়েন্টে নেমে এসেছে[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-AIIndex2022-1)। **মেশিন ট্রান্সলেশন।** বাণিজ্যিকভাবে পাওয়া মেশিন ট্রান্সলেশন সিস্টেমের সংখ্যা বৃদ্ধি অব্যাহত রয়েছে এবং প্রধান ভাষা জোড়ায় (WMT 2014) অনুবাদের মান ধারাবাহিকভাবে উন্নত হচ্ছে[\[8\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-Intento2021-8)। ### বাক্ শনাক্তকরণ LibriSpeech (Test-Clean) benchmark-এ শব্দ ত্রুটির হার (WER) হ্রাস অব্যাহত রেখেছে, মানবিক স্তরের কাছাকাছি পৌঁছাচ্ছে। আরও জটিল বাক্ dataset-এও অগ্রগতি অর্জিত হয়েছে[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-AIIndex2022-1)। ### Reinforcement Learning **Atari-57।** Reinforcement Learning সিস্টেমগুলো Arcade Learning Environment-এর ক্লাসিক কাজে উন্নতি অব্যাহত রেখেছে। MuZero (DeepMind) মডেলটি শীর্ষস্থানীয়দের মধ্যে রয়েছে[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-AIIndex2022-1)। **Procgen।** নতুন পরিবেশে সাধারণীকরণের ক্ষমতা পরীক্ষাকারী Procgen benchmark-এ AI সিস্টেমগুলো দুই বছরে ১২৯% ফলাফল উন্নত করেছে, যা আরও সাধারণ এজেন্টের দিকে অগ্রযাত্রা নির্দেশ করে[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-AIIndex2022-1)। **দাবা।** সেরা দাবা সফ্টওয়্যার ইঞ্জিন Magnus Carlsen-এর সর্বোচ্চ ELO রেটিংকে ২৪% ছাড়িয়ে গেছে[\[9\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-SSCA2021-9)। ### হার্ডওয়্যার ও প্রশিক্ষণ খরচ **MLPerf।** MLPerf benchmark-এর তথ্য দেখায় যে ব্যবহৃত অ্যাক্সেলারেটরের সংখ্যা বাড়ার সাথে সাথে প্রশিক্ষণের সময় ধারাবাহিকভাবে হ্রাস পাচ্ছে। শীর্ষ প্রতিযোগী ও সকল অংশগ্রহণকারীর মধ্যে গড় অ্যাক্সেলারেটর সংখ্যার ব্যবধান ২০১৮ থেকে ২০২১ সালের মধ্যে ৯ গুণ বৃদ্ধি পেয়েছে, যা হার্ডওয়্যার সম্পদের ক্রমবর্ধমান চাহিদার প্রমাণ[\[5\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-MLPerf2021-5)। **ImageNet প্রশিক্ষণ খরচ।** ৯৩% নির্ভুলতা পর্যন্ত উচ্চ-কর্মক্ষম ইমেজ ক্লাসিফিকেশন সিস্টেম প্রশিক্ষণের খরচ ২০১৭ সালে ১,১১২.৬ ডলার থেকে ২০২১ সালে ৪.৬ ডলারে নেমে এসেছে — চার বছরে ২২৩ গুণ হ্রাস[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-AIIndex2022-1)। ### রোবোটিক্স **ম্যানিপুলেটরের মূল্য।** বিশ্বের ৬৭টি বিশ্ববিদ্যালয়ের ৫০৯ জন রোবোটিক্স অধ্যাপকের মধ্যে পরিচালিত AI Index জরিপে দেখা গেছে, রোবোটিক ম্যানিপুলেটরের মধ্যক মূল্য ৪৬.২% হ্রাস পেয়েছে — ২০১৭ সালের ৪২,০০০ ডলার থেকে ২০২১ সালে ২২,৬০০ ডলারে[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-AIIndex2022-1)। **রোবোটিক্সে AI দক্ষতা।** জরিপে অংশগ্রহণকারী ৬৭% রোবোটিক্স অধ্যাপক তাদের গবেষণায় deep learning ব্যবহারের কথা জানিয়েছেন এবং ৪৬% Reinforcement Learning ব্যবহার করেছেন[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-AIIndex2022-1)। ## অধ্যায় ৩। AI-এর প্রযুক্তিগত নৈতিকতা প্রথমবারের মতো অন্তর্ভুক্ত এই অধ্যায়টি ন্যায্যতা ও পক্ষপাতের মেট্রিক্স, ভাষা মডেলের বিষাক্ততা, মাল্টিমডাল বিকৃতি এবং AI-এর তথ্য যাচাই ও সত্যনিষ্ঠার প্রশ্নের গভীর বিশ্লেষণ প্রদান করে[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-AIIndex2022-1)। ### ন্যায্যতা ও পক্ষপাত মেট্রিক্সের মেটা-বিশ্লেষণ AI পক্ষপাত ও ন্যায্যতা পরিমাপের মেট্রিক্সের সংখ্যা ২০১৮ সাল থেকে ধারাবাহিকভাবে বৃদ্ধি পাচ্ছে। মেট্রিক্সগুলো দুটি প্রধান ধরনে বিভক্ত: benchmark dataset (যেমন StereoSet, CrowS-Pairs), যা মডেলের অভ্যন্তরীণ আচরণ পরিমাপ করে, এবং ডায়াগনস্টিক মেট্রিক্স (যেমন ডেমোগ্রাফিক প্যারিটি, সুযোগের সমতা), যা নির্দিষ্ট জনগোষ্ঠীর উপর মডেলের প্রভাব মূল্যায়ন করে[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-AIIndex2022-1)। ### ভাষা মডেলের বিষাক্ততা **RealToxicityPrompts।** ভাষা মডেলের বিষাক্ততা মূলত প্রশিক্ষণ ডেটার উপর নির্ভরশীল। বিষাক্ত কন্টেন্ট ফিল্টার করা টেক্সটে (যেমন ফিল্টারযুক্ত C4) প্রশিক্ষিত মডেলগুলো অফিল্টার ইন্টারনেট কন্টেন্টে প্রশিক্ষিত মডেলের তুলনায় উল্লেখযোগ্যভাবে কম বিষাক্ত ছিল[\[10\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-Gehman2020-10)। **মাপকাঠি ও বিষাক্ততা।** Gopher মডেলের (DeepMind, ২৮০ বিলিয়ন প্যারামিটার) বিশ্লেষণে দেখা গেছে, বড় মডেলগুলো উপযুক্ত prompt দিলে বিষাক্ত কন্টেন্ট তৈরি করার সম্ভাবনা বেশি, তবে একই সাথে বিষাক্ত কন্টেন্ট শনাক্ত করতেও বেশি সক্ষম[\[4\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-Rae2021-4)। **ডিটক্সিফিকেশন।** ভাষা মডেল ডিটক্সিফিকেশন পদ্ধতি (DAPT, PPLM, GeDi) ধারাবাহিকভাবে কর্মক্ষমতা হ্রাসের দিকে নিয়ে গেছে, এবং আফ্রিকান আমেরিকান ইংরেজি ও সংখ্যালঘু উল্লেখ সম্বলিত টেক্সটে এই হ্রাস অসামঞ্জস্যভাবে বেশি[\[11\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-Xu2021-11)। ### স্টেরিওটাইপ ও পক্ষপাত **StereoSet** লিঙ্গ, বর্ণ, ধর্ম ও পেশার অক্ষে স্টেরিওটাইপিক পক্ষপাত পরিমাপ করেছে। **CrowS-Pairs** মাস্কড ভাষা মডেলে স্টেরিওটাইপিক পক্ষপাতের মাত্রা মূল্যায়ন করেছে। **Winogender** ও **WinoBias** কোরেফারেন্স কাজে লিঙ্গ পক্ষপাত পরীক্ষা করেছে, এবং **WinoMT** মেশিন ট্রান্সলেশনে[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-AIIndex2022-1)। ### মাল্টিমডাল পক্ষপাত (CLIP) CLIP (Contrastive Language-Image Pretraining, OpenAI) মডেলটি ইমেজ ক্লাসিফিকেশনে চমৎকার ফলাফল দেখিয়েছে, তবে ইন্টারনেট থেকে সংগৃহীত ৪০ কোটি ইমেজ-টেক্সট জোড়ার প্রশিক্ষণ ডেটা থেকে লিঙ্গ, বর্ণ ও বয়স-সংক্রান্ত পক্ষপাত উত্তরাধিকারসূত্রে পেয়েছে। মূল অনুসন্ধান[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-AIIndex2022-1): - **হেয়কারী ক্ষতি:** অ-মানবিক ও অপরাধমূলক বিভাগ যুক্ত করে ক্লাসিফিকেশনে কৃষ্ণাঙ্গ মানুষের ছবি ১৪% ক্ষেত্রে ভুলভাবে অ-মানবিক বিভাগে চিহ্নিত হয়েছে — অন্য বর্ণের দ্বিগুণ। - **লিঙ্গ পক্ষপাত:** "আয়া" ও "গৃহকর্মী" লেবেল নারীদের সাথে, "বন্দী" ও "মাফিয়া" লেবেল পুরুষদের সাথে সংযুক্ত। - **পক্ষপাতের বিস্তার:** CLIP-এর embedding ব্যবহার করে তৈরি LAION-400M dataset-এ CLIP-এর পক্ষপাত স্থানান্তরিত হয়েছে, যা পরবর্তী সকল অ্যাপ্লিকেশনকে প্রভাবিত করছে। ### তথ্য যাচাই ও সত্যনিষ্ঠা **TruthfulQA।** TruthfulQA benchmark-এ বেশ কয়েকটি ভাষা মডেল পরিবারের বিশ্লেষণে দেখা গেছে, মূল মডেলের (GPT-3 পরিবার) মাপকাঠি বৃদ্ধি সত্যনিষ্ঠা হ্রাসের দিকে নিয়ে যায়। তবে মানব প্রতিক্রিয়ার মাধ্যমে fine-tuning করা মডেলগুলো (InstructGPT, WebGPT) মাপকাঠি বাড়ার সাথে সাথে আরও সত্যনিষ্ঠ হয়ে উঠেছে[\[12\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-TruthfulQA2021-12)। **FEVER।** FEVER (Fact Extraction and VERification) benchmark-এ স্বয়ংক্রিয় তথ্য যাচাই সিস্টেমগুলো উন্নতি অব্যাহত রেখেছে, যদিও মানবিক স্তর থেকে এখনও পিছিয়ে[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-AIIndex2022-1)। ### নৈতিকতা সম্মেলনের প্রবণতা FAccT (Fairness, Accountability, and Transparency) সম্মেলন ও NeurIPS-এর বিষয়ভিত্তিক ওয়ার্কশপে প্রকাশনার বিশ্লেষণে ব্যাখ্যাযোগ্যতা, এক্সপ্লেইনেবিলিটি, কারণিক অনুমান, গোপনীয়তা, ডেটা সংগ্রহ, ন্যায্যতা ও পক্ষপাত বিষয়ক কাজের বৃদ্ধি লক্ষ্য করা গেছে। শিল্প-অনুমোদিত গবেষকরা এই প্ল্যাটফর্মগুলোতে তাদের অবদান উল্লেখযোগ্যভাবে বাড়িয়েছেন[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-AIIndex2022-1)। ## অধ্যায় ৪। অর্থনীতি ও শিক্ষা অধ্যায়টি শ্রমবাজার, বিনিয়োগ, কর্পোরেট AI গ্রহণ ও দক্ষতা উন্নয়নের প্রবণতা অনুসন্ধান করে[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-AIIndex2022-1)। ### শ্রমবাজার **AI বিশেষজ্ঞ নিয়োগ।** LinkedIn-এর তথ্য অনুযায়ী, নিউজিল্যান্ড ২০১৬ থেকে ২০২১ সালের মধ্যে AI বিশেষজ্ঞ নিয়োগে সর্বোচ্চ বৃদ্ধি দেখিয়েছে — ২.৪২ গুণ, এরপর রয়েছে হংকং (১.৫৬×), আয়ারল্যান্ড (১.২৮×), লুক্সেমবার্গ (১.২৬×) ও সুইডেন (১.২৪×)[\[13\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-LinkedIn2021-13)। **চাকরির শূন্যপদ।** Emsi Burning Glass-এর তথ্য অনুযায়ী, সিঙ্গাপুর সমস্ত শূন্যপদের মধ্যে AI শূন্যপদের অংশে শীর্ষে ছিল — ২.৩৩%, এরপর যুক্তরাষ্ট্র (০.৯০%), কানাডা (০.৭৮%) ও যুক্তরাজ্য (০.৭৪%)। যুক্তরাষ্ট্রে AI শূন্যপদ সংখ্যায় ক্যালিফোর্নিয়া শীর্ষে ছিল (টেক্সাসের তুলনায় ২.৩৫ গুণেরও বেশি), এবং AI শূন্যপদের অংশে ওয়াশিংটন ডিসি শীর্ষে[\[14\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-EmsiBG2021-14)। ### বিনিয়োগ **সামগ্রিক প্রবণতা।** ২০২১ সালে AI-এ মোট কর্পোরেট বিনিয়োগ রেকর্ড ১৭৬.৫ বিলিয়ন ডলারে পৌঁছেছে, যার মধ্যে বেসরকারি বিনিয়োগ ৯৩.৫ বিলিয়ন (২০২০ সালের তুলনায় দ্বিগুণেরও বেশি বৃদ্ধি), একীভূতকরণ ও অধিগ্রহণ প্রায় ৭২ বিলিয়ন, এবং পাবলিক অফারিং প্রায় ৯.৫ বিলিয়ন[\[2\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-NetBaseQuid2021-2)। **আঞ্চলিক বিতরণ।** যুক্তরাষ্ট্র প্রায় ৫২.৯ বিলিয়ন ডলার বেসরকারি বিনিয়োগে শীর্ষে ছিল — চীনের (১৭.২ বিলিয়ন) তুলনায় তিনগুণেরও বেশি। যুক্তরাজ্য তৃতীয় স্থানে (৪.৬৫ বিলিয়ন), এরপর ইসরায়েল (২.৪ বিলিয়ন) ও জার্মানি (১.৯৮ বিলিয়ন)[\[2\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-NetBaseQuid2021-2)। | দেশ | বেসরকারি বিনিয়োগ ২০২১ (বিলিয়ন USD) | বেসরকারি বিনিয়োগ ২০১৩–২০২১ (বিলিয়ন USD) | |----------|------------------------------------|-----------------------------------------| | যুক্তরাষ্ট্র | 52,9 | 149,0 | | চীন | 17,2 | 61,9 | | যুক্তরাজ্য | 4,65 | 10,8 | | ইসরায়েল | 2,4 | 6,1 | | জার্মানি | 1,98 | 3,9 | | ভারত | 1,87 | 10,8 | **খাতভিত্তিক ফোকাস।** ২০২১ সালে "ডেটা ব্যবস্থাপনা, প্রক্রিয়াকরণ ও ক্লাউড" ক্ষেত্রে সর্বোচ্চ পরিমাণ বেসরকারি বিনিয়োগ আকৃষ্ট হয়েছে — ২০২০ সালের তুলনায় ২.৬ গুণ বেশি, এরপর "চিকিৎসা ও স্বাস্থ্যসেবা" (১১.২৯ বিলিয়ন) ও "ফিনটেক" (১০.২৬ বিলিয়ন)[\[2\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-NetBaseQuid2021-2)। **মূলধনের কেন্দ্রীভবন।** ২০২১ সালে AI-এ বেসরকারি বিনিয়োগ চুক্তির গড় আকার ২০২০ সালের তুলনায় ৮১.১% বৃদ্ধি পেয়েছে। একই সময়ে নতুনভাবে অর্থায়িত AI কোম্পানির সংখ্যা টানা তৃতীয় বছরের মতো হ্রাস পেয়েছে (২০১৮ সালের সর্বোচ্চ থেকে)[\[2\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-NetBaseQuid2021-2)। ### কর্পোরেট গ্রহণ McKinsey-এর তথ্য অনুযায়ী, ২০২১ সালে প্রতিষ্ঠানগুলোর গড় AI গ্রহণের মাত্রা ছিল ৫৬% (২০২০ সালের তুলনায় ৬ পয়েন্ট বৃদ্ধি)। ভারত শীর্ষে ছিল (৬৫%), এরপর উন্নত এশিয়া-প্রশান্ত মহাসাগরীয় দেশগুলো (৬৪%), উদীয়মান বাজার (৫৭%) ও উত্তর আমেরিকা (৫৫%)[\[15\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-McKinsey2021-15)। **ঝুঁকি ব্যবস্থাপনা।** শিল্পে AI নৈতিক সমস্যা সমাধানের প্রচেষ্টা সীমিত থেকেছে: যদিও McKinsey জরিপের ২৯% উত্তরদাতা AI গ্রহণে "ন্যায্যতা ও সমতা"কে ঝুঁকি হিসেবে স্বীকার করেছেন, মাত্র ১৯% তা প্রশমনে পদক্ষেপ নিয়েছেন। একইভাবে, ৪১% "ব্যাখ্যাযোগ্যতা"কে ঝুঁকি হিসেবে স্বীকার করলেও মাত্র ২৭% তা নিশ্চিত করতে কাজ করেছেন[\[15\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-McKinsey2021-15)। ### শিক্ষা **স্নাতক পর্যায়।** উত্তর আমেরিকায় (ডক্টরেট ডিগ্রি প্রদানকারী বিশ্ববিদ্যালয়গুলোতে) কম্পিউটার বিজ্ঞানে স্নাতক ডিগ্রি প্রদানের সংখ্যা ২০১০ থেকে ২০২০ সালের মধ্যে ৩.৫ গুণ বৃদ্ধি পেয়ে ৩১,০০০-এরও বেশিতে পৌঁছেছে — ২০১৯ সালের তুলনায় ১১.৬% বৃদ্ধি[\[16\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-CRATaulbee2021-16)। **পিএইচডি।** ২০২০ সালে কম্পিউটার বিজ্ঞানে পাঁচজন PhD গ্র্যাজুয়েটের মধ্যে একজন AI/Machine Learning-এ বিশেষায়িত ছিলেন — গত দশকের সবচেয়ে জনপ্রিয় বিশেষায়ন। এই বিশেষায়নে PhD সংখ্যা ২০১০ থেকে ২০২০ সালের মধ্যে ৭২.০৫% বৃদ্ধি পেয়েছে[\[16\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-CRATaulbee2021-16)। ## অধ্যায় ৫। AI নীতি ও শাসন অধ্যায়টি বৈশ্বিক পর্যায়ে এবং পৃথক দেশের প্রেক্ষিতে AI ক্ষেত্রে আইনি ও নিয়ন্ত্রক কার্যক্রম বিশ্লেষণ করে[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-AIIndex2022-1)। ### বৈশ্বিক আইন প্রণয়ন AI Index-এর বিশ্লেষণ ২৫টি দেশের আইনি উদ্যোগ কভার করেছে। ২০১৬–২০২১ সময়কালে "কৃত্রিম বুদ্ধিমত্তা" উল্লেখ সম্বলিত ৫৫টি আইন পাস হয়েছে। বৃদ্ধি ছিল তীব্র: ২০১৬ সালে ১টি আইন থেকে ২০২১ সালে ১৮টিতে[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-AIIndex2022-1)। **গৃহীত আইনের সংখ্যায় শীর্ষ দেশগুলো (২০১৬–২০২১):** | দেশ | আইন (২০১৬–২০২১) | আইন (২০২১) | |----------|-----------------|------------| | যুক্তরাষ্ট্র | 13 | 3 | | রাশিয়া | 6 | 2 | | বেলজিয়াম | 5 | 2 | | স্পেন | 5 | 3 | | যুক্তরাজ্য | 5 | 3 | | ফ্রান্স | 4 | 1 | | ইতালি | 3 | 1 | গৃহীত আইনগুলোর মধ্যে রয়েছে: কানাডার Budget Implementation Act (২০১৭), AI কৌশলের জন্য ১২৫ মিলিয়ন ডলার বরাদ্দ সহ; মস্কোতে AI-এর জন্য পরীক্ষামূলক আইনি ব্যবস্থা সংক্রান্ত রাশিয়ার ফেডারেল আইন ২৪.০৪.২০২০ নং ১২৩-এফজেড; ডিপফেক গবেষণায় অর্থায়ন সংক্রান্ত মার্কিন IOGAN Act (২০২০); AI সরঞ্জামের জন্য নৈতিকতা কমিটি গঠনের বিষয়ে বেলজিয়ামের ডিক্রি (২০২১)[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-AIIndex2022-1)। ### যুক্তরাষ্ট্রে আইন প্রণয়ন ফেডারেল পর্যায়ে প্রস্তাবিত AI বিলের সংখ্যা ২০১৫ সালে ১ থেকে ২০২১ সালে ১৩০-এ বৃদ্ধি পেয়েছে, তবে মাত্র ২% পাস হয়েছে। অঙ্গরাজ্য পর্যায়ে প্রস্তাবিত বিলের সংখ্যা ২০১২ সালে ২ থেকে ২০২১ সালে ১৩১-এ বৃদ্ধি পেয়েছে, যেখানে পাসের হার ছিল ২০% (১৩১টির মধ্যে ২৬টি)[\[17\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-BloombergGov2021-17)। ম্যাসাচুসেটস অঙ্গরাজ্য পর্যায়ে সর্বোচ্চ AI বিল প্রস্তাব করেছে (২০১২ সাল থেকে ৪০টি), এরপর হাওয়াই (৩৫টি) ও নিউ জার্সি (৩২টি)[\[17\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-BloombergGov2021-17)। ### সংসদীয় দলিলে AI-এর উল্লেখ ২৫টি দেশের সরকারি প্রটোকলে AI-এর উল্লেখ ছয় বছরে (২০১৬–২০২১) ৭.৭ গুণ বৃদ্ধি পেয়ে ২০২১ সালে ১,৩২৩-এ পৌঁছেছে। যুক্তরাজ্য সমগ্র সময়কালে ৯৩৯টি উল্লেখ নিয়ে আধিপত্য বিস্তার করেছে, এরপর স্পেন, জাপান, যুক্তরাষ্ট্র ও অস্ট্রেলিয়া[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-AIIndex2022-1)। মার্কিন কংগ্রেসে ১১৭তম অধিবেশন (২০২১ সালে শুরু) প্রথম বছরের শেষে ইতিমধ্যে ২৯৫টি AI উল্লেখ রেকর্ড করেছে — ১১৬তম অধিবেশনের রেকর্ড (২০১৯–২০২০ সালে ৫০৬টি উল্লেখ) ছাড়িয়ে যাওয়ার পথে[\[17\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-BloombergGov2021-17)। ## পদ্ধতি প্রতিবেদনটি বিভিন্ন উৎস থেকে তথ্য ব্যবহার করে[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-AIIndex2022-1): - **প্রকাশনা ও পেটেন্ট:** Center for Security and Emerging Technology (CSET), জর্জটাউন বিশ্ববিদ্যালয়। - **Benchmark:** Papers With Code, SuperGLUE, SQuAD, VCR, MLPerf ও অন্যান্য লিডারবোর্ড। - **বিনিয়োগ ও স্টার্টআপ:** NetBase Quid। - **শ্রমবাজার:** Emsi Burning Glass, LinkedIn। - **কর্পোরেট কার্যক্রম:** McKinsey & Company। - **রোবোটিক্স:** AI Index-এর মূল জরিপ (৫০৯ অধ্যাপক, ৬৭টি বিশ্ববিদ্যালয়)। - **আইন প্রণয়ন:** AI Index (২৫টি দেশের বৈশ্বিক বিশ্লেষণ), Bloomberg Government (যুক্তরাষ্ট্র)। - **শিক্ষা:** CRA Taulbee Survey। - **নৈতিকতা:** RealToxicityPrompts, Perspective API, StereoSet, CrowS-Pairs, Winogender, WinoBias, WinoMT, TruthfulQA, FEVER, FAccT, NeurIPS। ## লেখক দল প্রতিবেদনটি সহ-পরিচালক **জ্যাক ক্লার্ক** (Jack Clark, Anthropic / OECD) ও **রে পেরো** (Raymond Perrault, SRI International)-এর নেতৃত্বে এবং বিস্তৃত গবেষক ও অংশীদার সংস্থার সহযোগিতায় প্রণীত হয়েছে। পরিচালনা কমিটিতে ছিলেন এরিক ব্রিনিয়লফসন (Erik Brynjolfsson, Stanford), জন এচেমেন্টি (John Etchemendy, Stanford), টেরা লায়ন্স (Terah Lyons), জেমস ম্যানিকা (James Manyika, Google / University of Oxford), হুয়ান কার্লোস নিয়েবলেস (Juan Carlos Niebles, Stanford / Salesforce), মাইকেল সেলিটো (Michael Sellitto, Stanford), ইয়োআভ শোহাম (Yoav Shoham, Stanford / AI21 Labs — প্রতিষ্ঠাতা-পরিচালক)। গবেষণা ব্যবস্থাপক ও প্রধান সম্পাদক — **নেস্টর মাসলেই** (Nestor Maslej, Stanford)। AI Index হলো স্ট্যানফোর্ড HAI (Human-Centered Artificial Intelligence) ইনস্টিটিউটের একটি প্রকল্প[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_note-AIIndex2022-1)। ## তথ্যসূত্র - Stanford HAI — AI Index Report 2022 (সম্পূর্ণ পাঠ্য): https://aiindex.stanford.edu/report/ - Center for Security and Emerging Technology (CSET) — প্রকাশনা ও পেটেন্টের তথ্য: https://cset.georgetown.edu/ - Papers With Code — benchmark ও লিডারবোর্ড: https://paperswithcode.com/ - SuperGLUE Benchmark: https://super.gluebenchmark.com/ - MLPerf (MLCommons) — প্রশিক্ষণ benchmark: https://mlcommons.org/en/ - NetBase Quid — বিনিয়োগ তথ্য: 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 — আইন প্রণয়নের তথ্য: 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/ ## গ্রন্থপঞ্জি - 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 ## টীকা 1. ↑ [1.00](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_ref-AIIndex2022_1-0) [1.01](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_ref-AIIndex2022_1-1) [1.02](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_ref-AIIndex2022_1-2) [1.03](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_ref-AIIndex2022_1-3) [1.04](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_ref-AIIndex2022_1-4) [1.05](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_ref-AIIndex2022_1-5) [1.06](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_ref-AIIndex2022_1-6) [1.07](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_ref-AIIndex2022_1-7) [1.08](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_ref-AIIndex2022_1-8) [1.09](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_ref-AIIndex2022_1-9) [1.10](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_ref-AIIndex2022_1-10) [1.11](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_ref-AIIndex2022_1-11) [1.12](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_ref-AIIndex2022_1-12) [1.13](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_ref-AIIndex2022_1-13) [1.14](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_ref-AIIndex2022_1-14) [1.15](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_ref-AIIndex2022_1-15) [1.16](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_ref-AIIndex2022_1-16) [1.17](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_ref-AIIndex2022_1-17) [1.18](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_ref-AIIndex2022_1-18) [1.19](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_ref-AIIndex2022_1-19) [1.20](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_ref-AIIndex2022_1-20) [1.21](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_ref-AIIndex2022_1-21) [1.22](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_ref-AIIndex2022_1-22) [1.23](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_ref-AIIndex2022_1-23) [1.24](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_ref-AIIndex2022_1-24) [1.25](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_ref-AIIndex2022_1-25) [1.26](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_ref-AIIndex2022_1-26) [1.27](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_ref-AIIndex2022_1-27) [1.28](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_ref-AIIndex2022_1-28) [1.29](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_ref-AIIndex2022_1-29) [1.30](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_ref-AIIndex2022_1-30) [1.31](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_ref-AIIndex2022_1-31) [1.32](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_ref-AIIndex2022_1-32) [1.33](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_ref-AIIndex2022_1-33) [1.34](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_ref-AIIndex2022_1-34) [1.35](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#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_(BN)#cite_ref-NetBaseQuid2021_2-0) [2.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_ref-NetBaseQuid2021_2-1) [2.2](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_ref-NetBaseQuid2021_2-2) [2.3](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_ref-NetBaseQuid2021_2-3) [2.4](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#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_(BN)#cite_ref-CSET2021_3-0) [3.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_ref-CSET2021_3-1) [3.2](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_ref-CSET2021_3-2) [3.3](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#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_(BN)#cite_ref-Rae2021_4-0) [4.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#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_(BN)#cite_ref-MLPerf2021_5-0) [5.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#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_(BN)#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_(BN)#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_(BN)#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_(BN)#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_(BN)#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_(BN)#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_(BN)#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_(BN)#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_(BN)#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_(BN)#cite_ref-McKinsey2021_15-0) [15.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#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_(BN)#cite_ref-CRATaulbee2021_16-0) [16.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#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_(BN)#cite_ref-BloombergGov2021_17-0) [17.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_ref-BloombergGov2021_17-1) [17.2](https://systems-analysis.info/int/The_2022_AI_Index_Report_(BN)#cite_ref-BloombergGov2021_17-2) Bloomberg Government (2021). *U.S. AI Legislative Records*. https://about.bgov.com/