---
title: "The 2022 AI Index Report (CS)"
source: "https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)"
wiki: "systems-analysis.info/int"
article: "The_2022_AI_Index_Report_(CS)"
language: "cs"
categories:
  - "Category:Czech"
  - "Category:Large language models"
  - "Category:Machine learning"
revision_id: 7992
wiki_created_at: 2026-09-07T01:10:26Z
wiki_modified_at: 2026-09-07T01:10:26Z
downloaded_at: 2026-09-07T23:22:28Z
---

# The 2022 AI Index Report (CS)

**AI Index Report 2022** — páté výroční vydání zprávy **AI Index**, připravené Stanfordským institutem umělé inteligence orientované na člověka (Stanford HAI)<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-AIIndex2022-1)</sup>. Zpráva z roku 2022 je v době vydání nejrozsáhlejší a vychází v období masivního nasazování systémů AI v ekonomice. Vydání poprvé obsahuje samostatnou kapitolu s hloubkovou analýzou technické etiky AI, rozsáhlý přehled robotiky vycházející z globálního průzkumu mezi výzkumníky a také údaje o legislativních iniciativách v oblasti AI ve 25 zemích světa. Zpráva sleduje, systematizuje a vizualizuje data spojená s umělou inteligencí a poskytuje objektivní a důkladně ověřené informace pro politiky, výzkumníky, vedoucí pracovníky, novináře a širokou veřejnost.

## Struktura zprávy

Zpráva z roku 2022 se skládá z pěti tematických kapitol a přílohy<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-AIIndex2022-1)</sup>:

1.  **Výzkum a vývoj (Research and Development)** — trendy v publikacích, patentech, konferencích a softwaru s otevřeným zdrojovým kódem.
2.  **Technická výkonnost (Technical Performance)** — benchmarky v počítačovém vidění, zpracování jazyka, řeči, doporučovacích systémech, Reinforcement Learning, hardwaru a robotice.
3.  **Technická etika AI (Technical AI Ethics)** — nová kapitola: metriky spravedlnosti a předpojatosti, toxicita jazykových modelů, multimodální zkreslení, ověřování faktů a pravdivost.
4.  **Ekonomika a vzdělávání (The Economy and Education)** — trh práce, investice, firemní zavádění AI a příprava odborníků.
5.  **Politika a správa AI (AI Policy and Governance)** — legislativa, regulace a národní strategie.

## Klíčové závěry zprávy

Autoři zprávy vyzdvihli řadu hlavních tezí roku 2022<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-AIIndex2022-1)</sup>:

### 1. Soukromé investice do AI prudce vzrostly a koncentrace kapitálu se posílila

Soukromé investice do AI v roce 2021 dosáhly přibližně 93,5 miliard dolarů — více než dvojnásobek oproti roku 2020. Přitom počet nově financovaných AI společností nadále klesal: z 1 051 v roce 2019 a 762 v roce 2020 na 746 v roce 2021. Zatímco v roce 2020 překročily hranici 500 milionů dolarů pouze 4 investiční kola, v roce 2021 jich bylo již 15<sup>[\[2\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-NetBaseQuid2021-2)</sup>.

### 2. USA a Čína dominují v mezinárodní spolupráci v oblasti AI

Navzdory rostoucímu geopolitickému napětí vykázaly USA a Čína největší počet společných publikací v oblasti AI za období 2010–2021, přičemž objem spolupráce se od roku 2010 zpětinásobil. Tento tandem vyprodukoval 2,7krát více publikací než druhý nejaktivnější pár — Velká Británie a Čína<sup>[\[3\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-CSET2021-3)</sup>.

### 3. Jazykové modely jsou stále výkonnější, ale také předpojatější

Velké jazykové modely dosahovaly nových rekordů na technických benchmarcích, avšak data ukázala, že větší modely silněji reprodukují předpojatost z trénovacích dat. Model s 280 miliardami parametrů (Gopher, DeepMind, 2021) vykazoval o 29 % vyšší vyvolanou toxicitu ve srovnání s modelem se 117 miliony parametrů, který byl považován za špičkový v roce 2018<sup>[\[4\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-Rae2021-4)</sup>.

### 4. Rozkvět etiky AI

Výzkum v oblasti spravedlnosti a transparentnosti AI zažil od roku 2014 explozivní růst: počet relevantních publikací na etických konferencích se zpětinásobil. Algoritmická spravedlnost a předpojatost přestaly být čistě akademickým tématem a staly se hlavním proudem výzkumu. Výzkumníci s průmyslovou affiliací zvyšovali svůj příspěvek na etické konference o 71 % ročně<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-AIIndex2022-1)</sup>.

### 5. AI se stává dostupnější a výkonnější

Od roku 2018 se náklady na trénování systému pro klasifikaci obrázků snížily o 63,6 % a doba trénování se zkrátila o 94,4 %. Podobný trend snižování nákladů a zrychlování trénování byl pozorován i v dalších kategoriích úloh MLPerf: doporučovací systémy, detekce objektů a zpracování jazyka<sup>[\[5\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-MLPerf2021-5)</sup>.

### 6. Data jako klíčový zdroj

Nejlepší výsledky na technických benchmarcích bylo stále častěji dosahováno využíváním dodatečných trénovacích dat. K roku 2021 bylo 9 z 10 špičkových AI systémů na sledovaných benchmarcích natrénováno s využitím dodatečných dat. Tento trend implicitně zvýhodňuje firmy soukromého sektoru, které mají přístup k rozsáhlým datasetům<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-AIIndex2022-1)</sup>.

### 7. Legislativa v oblasti AI po celém světě rychle roste

Analýza AI Index pro 25 zemí ukázala, že počet přijatých zákonů obsahujících termín „umělá inteligence" vzrostl z 1 v roce 2016 na 18 v roce 2021. Lídry roku 2021 se staly Španělsko, Velká Británie a USA — každá se třemi přijatými zákony<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-AIIndex2022-1)</sup>.

### 8. Robotické manipulátory se stávají levnějšími

Průzkum AI Index ukázal, že mediánová cena robotických manipulátorů se za pět let snížila o 46,2 % — ze 42 000 dolarů v roce 2017 na 22 600 dolarů v roce 2021 — čímž se výzkum v oblasti robotiky stává dostupnějším<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-AIIndex2022-1)</sup>.

### 9. Multimodální modely dědí multimodální předpojatosti

Multimodální modely jazyka a vidění (jako CLIP) stanovily nové rekordy v úlohách klasifikace obrázků a generování obrázků z textového popisu, avšak také reprodukovaly společenské stereotypy a předpojatosti. Experimenty s modelem CLIP ukázaly, že obrázky černošských lidí byly chybně klasifikovány jako „nelidské" více než dvakrát častěji než obrázky příslušníků jakékoli jiné rasy<sup>[\[6\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-Birhane2021-6)</sup>.

### 10. Směřování k obecnějšímu Reinforcement Learning

V průběhu posledního desetiletí AI systémy úspěšně zvládaly úzce zaměřené úlohy Reinforcement Learning (například šachy — nejlepší šachový engine překonal maximální rating Magnuse Carlsena o 24 %). Avšak za poslední dva roky AI systémy také zlepšily výsledky o 129 % v obecnějších úlohách Reinforcement Learning (Procgen), kde je třeba jednat v nových, neznámých prostředích<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-AIIndex2022-1)</sup>.

## Kapitola 1. Výzkum a vývoj

Kapitola analyzuje trendy v publikacích, patentech, konferencích a open source softwaru<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-AIIndex2022-1)</sup>.

### Publikace

Celkový počet anglicky psaných publikací v oblasti AI nadále rostl a v roce 2021 dosáhl 334 500<sup>[\[3\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-CSET2021-3)</sup>.

**Podle typu publikace.** V roce 2021 bylo vydáno více než 56 700 publikací v repozitářích (arXiv a další), což odráží rostoucí roli předběžných publikací (preprintů) ve výzkumu AI<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-AIIndex2022-1)</sup>.

**Podle geografického rozložení.** V roce 2021 Čína nadále vedla v celkovém počtu publikací v časopisech, na konferencích a v repozitářích — o 63,2 % více než USA. USA přitom si udržovaly dominantní vedení v počtu citací konferenčních a repozitářových publikací<sup>[\[3\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-CSET2021-3)</sup>:

| Ukazatel                              | Čína  | EU + Velká Británie | USA   |
|---------------------------------------|-------|---------------------|-------|
| Podíl konferenčních publikací (2021)  | 27,6% | 19,0%               | 16,9% |
| Podíl konferenčních citací (2021)     | 15,3% | 23,3%               | 29,5% |
| Podíl repozitářových publikací (2021) | 16,6% | 23,9%               | 32,5% |
| Podíl repozitářových citací (2021)    | 16,4% | 20,1%               | 38,6% |

**Mezisektorová spolupráce.** V období 2010–2021 byl největší počet společných AI publikací vytvořen v rámci spolupráce vzdělávacích a neziskových organizací, dále pak soukromých firem a vzdělávacích institucí a také vzdělávacích a státních institucí<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-AIIndex2022-1)</sup>.

### Patenty

Počet podaných patentových přihlášek v oblasti AI v roce 2021 více než 30krát překročil hodnotu z roku 2015 při průměrném ročním tempu růstu 76,9 %. Podle regionálního rozložení dominovala Východní Asie a Tichomoří s podílem 62,1 % patentových přihlášek. Čína podávala třikrát více patentových přihlášek než USA — 87 343 přihlášek při 1 407 schválených patentech v roce 2021<sup>[\[3\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-CSET2021-3)</sup>.

### Konference

Navštěvovanost předních AI konferencí v roce 2021 zůstala na úrovni roku 2020 — více než 88 000 účastníků po celém světě. Většina konferencí nadále probíhala ve virtuálním formátu kvůli pandemii COVID-19. Pouze ICRA a EMNLP využívaly hybridní formát<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-AIIndex2022-1)</sup>.

## Kapitola 2. Technická výkonnost

Kapitola představuje rozšířenou analýzu pokroku v počítačovém vidění, zpracování jazyka, řeči, doporučovacích systémech, Reinforcement Learning, hardwaru a robotice<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-AIIndex2022-1)</sup>.

### Počítačové vidění

**ImageNet.** Přesnost klasifikace obrázků na ImageNet nadále rostla. Systémy využívající dodatečná trénovací data dosahovaly výrazně vyšších výsledků. V roce 2021 model CoAtNet natrénovaný na ImageNet-21K + JFT dosáhl top-1 accuracy 90,88 %, což výrazně překračuje lidskou úroveň (přibližně 94,9 % podle top-5)<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-AIIndex2022-1)</sup>.

**Specializované dílčí úlohy.** V roce 2021 byl pozorován rostoucí zájem o specializované dílčí úlohy počítačového vidění — lékařskou segmentaci snímků a identifikaci osob v maskách. Například zatímco před rokem 2020 testovaly systémy na benchmarku Kvasir-SEG (lékařské zobrazování) pouze 3 výzkumné práce, v roce 2021 jich bylo již 25<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-AIIndex2022-1)</sup>.

**Vizuální zdravý úsudek (VCR).** Na konci roku 2021 dosáhl nejlepší výsledek na benchmarku Visual Commonsense Reasoning hodnoty 72,0 — nárůst o 63,6 % od roku 2018 — přičemž systémy stále výrazně zaostávaly za lidskou úrovní. Zlepšení se stávala stále marginálnějšími, což naznačovalo potřebu nových přístupů<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-AIIndex2022-1)</sup>.

### Zpracování přirozeného jazyka

**SuperGLUE.** Na vrcholu žebříčku SuperGLUE se nacházel model SS-MoE s výsledkem 91,0, který překonal lidskou úroveň (89,8). Rychlý pokrok na SuperGLUE svědčil o potřebě vývoje složitějších jazykových benchmarků<sup>[\[7\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-SuperGLUE2019-7)</sup>.

**SQuAD.** AI systémy překonaly lidskou úroveň na benchmarku SQuAD 2.0 v porozumění čtenému textu o 1–5 %, avšak na složitějších úlohách, jako je abduktivní logické odvozování v přirozeném jazyce (aNLI), člověk stále předčil AI, ačkoli propast se zúžila z 9 p.b. v roce 2019 na 1 p.b. v roce 2021<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-AIIndex2022-1)</sup>.

**Strojový překlad.** Počet komerčně dostupných systémů strojového překladu nadále rostl a kvalita překladu u hlavních jazykových párů (WMT 2014) se stabilně zlepšovala<sup>[\[8\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-Intento2021-8)</sup>.

### Rozpoznávání řeči

Na benchmarku LibriSpeech (Test-Clean) ukazatel chybovosti rozpoznávání slov (WER) nadále klesal a přibližoval se lidské úrovni. Pokrok byl dosažen také na složitějších datasetech řeči<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-AIIndex2022-1)</sup>.

### Reinforcement Learning

**Atari-57.** Systémy Reinforcement Learning nadále zlepšovaly výsledky v klasických úlohách Arcade Learning Environment. Model MuZero (DeepMind) patřil mezi přední<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-AIIndex2022-1)</sup>.

**Procgen.** Na benchmarku Procgen, který testuje schopnost zobecnění v nových prostředích, AI systémy zlepšily výsledek o 129 % za dva roky, což naznačovalo směřování k obecnějším agentům<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-AIIndex2022-1)</sup>.

**Šachy.** Nejlepší šachový softwarový engine překonal maximální ELO rating Magnuse Carlsena o 24 %<sup>[\[9\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-SSCA2021-9)</sup>.

### Hardware a náklady na trénování

**MLPerf.** Data benchmarku MLPerf ukázala soustavné zkracování doby trénování při současném růstu počtu používaných akcelerátorů. Rozdíl mezi průměrným počtem akcelerátorů u lídrů a všech účastníků vzrostl 9krát v období 2018–2021, což svědčilo o rostoucích požadavcích na hardwarové zdroje<sup>[\[5\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-MLPerf2021-5)</sup>.

**Náklady na trénování ImageNet.** Náklady na natrénování vysoce výkonného systému klasifikace obrázků na 93% přesnost klesly z 1 112,6 dolaru v roce 2017 na 4,6 dolaru v roce 2021 — pokles 223násobný za čtyři roky<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-AIIndex2022-1)</sup>.

### Robotika

**Ceny manipulátorů.** Průzkum AI Index provedený mezi 509 profesory robotiky ze 67 univerzit po celém světě odhalil snížení mediánové ceny robotického manipulátoru o 46,2 % — ze 42 000 dolarů v roce 2017 na 22 600 dolarů v roce 2021<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-AIIndex2022-1)</sup>.

**AI dovednosti v robotice.** 67 % dotázaných profesorů robotiky uvedlo, že ve svém výzkumu využívají Deep Learning, a 46 % Reinforcement Learning<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-AIIndex2022-1)</sup>.

## Kapitola 3. Technická etika AI

Kapitola, poprvé zařazená do zprávy, poskytuje hloubkovou analýzu metrik spravedlnosti a předpojatosti, toxicity jazykových modelů, multimodálních zkreslení a otázek ověřování faktů a pravdivosti AI<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-AIIndex2022-1)</sup>.

### Metaanalýza metrik spravedlnosti a předpojatosti

Počet metrik pro měření předpojatosti a spravedlnosti AI od roku 2018 soustavně rostl. Metriky se dělí na dva základní typy: benchmarkové datasety (např. StereoSet, CrowS-Pairs), které měří vnitřní chování modelu, a diagnostické metriky (např. demografická parita, rovnost příležitostí), které hodnotí dopad modelu na konkrétní skupiny obyvatelstva<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-AIIndex2022-1)</sup>.

### Toxicita jazykových modelů

**RealToxicityPrompts.** Toxicita jazykových modelů výrazně závisela na trénovacích datech. Modely natrénované na textu vyčištěném od toxického obsahu (např. C4 s filtrací) byly výrazně méně toxické ve srovnání s modely natrénovanými na nefiltrovaném internetovém obsahu<sup>[\[10\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-Gehman2020-10)</sup>.

**Škálování a toxicita.** Analýza modelu Gopher (DeepMind, 280 miliard parametrů) ukázala, že větší modely s větší pravděpodobností generují toxická pokračování při odpovídajících promptech, ale zároveň jsou lépe schopny rozpoznávat toxický obsah<sup>[\[4\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-Rae2021-4)</sup>.

**Detoxikace.** Metody detoxikace jazykových modelů (DAPT, PPLM, GeDi) soustavně vedly ke zhoršení výkonnosti, přičemž neproporcionalně silněji — na afroamerické angličtině a textech obsahujících zmínky o menšinách<sup>[\[11\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-Xu2021-11)</sup>.

### Stereotypy a předpojatost

**StereoSet** měřil stereotypní předpojatost v osách pohlaví, rasy, náboženství a povolání. **CrowS-Pairs** hodnotil míru stereotypní předpojatosti v maskovaných jazykových modelech. **Winogender** a **WinoBias** testovaly genderovou předpojatost v úlohách koreference a **WinoMT** — v strojovém překladu<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-AIIndex2022-1)</sup>.

### Multimodální předpojatosti (CLIP)

Model CLIP (Contrastive Language-Image Pretraining, OpenAI) dosáhl působivých výsledků v klasifikaci obrázků, avšak zdědil předpojatosti podle pohlaví, rasy a věku z trénovacích dat (400 milionů párů „obrázek–text" z internetu). Klíčová zjištění<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-AIIndex2022-1)</sup>:

- **Diskreditační újma:** při přidání nelidských a kriminálních kategorií ke klasifikaci byly obrázky černošských lidí chybně zařazeny do nelidských kategorií ve 14 % případů — dvakrát více než u ostatních ras.
- **Genderová předpojatost:** štítky „chůva" a „hospodyně" byly asociovány se ženami, „vězeň" a „mafián" — s muži.
- **Přenos předpojatosti:** předpojatosti modelu CLIP se přenesly do datasetu LAION-400M, který byl kurátorován pomocí embeddingů CLIP, a ovlivnily tak veškeré následné aplikace.

### Ověřování faktů a pravdivost

**TruthfulQA.** Analýza několika rodin jazykových modelů na benchmarku TruthfulQA ukázala, že škálování základních modelů (rodina GPT-3) vedlo ke snižování pravdivosti. Avšak modely doladěné pomocí zpětné vazby od člověka (InstructGPT, WebGPT) se stávaly pravdivějšími s rostoucím škálováním<sup>[\[12\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-TruthfulQA2021-12)</sup>.

**FEVER.** Na benchmarku FEVER (Fact Extraction and VERification) systémy automatického ověřování faktů nadále zdokonalovaly výsledky, ačkoli stále zaostávaly za lidskou úrovní<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-AIIndex2022-1)</sup>.

### Trendy na etických konferencích

Analýza publikací na konferenci FAccT (Fairness, Accountability, and Transparency) a tematických workshopech NeurIPS odhalila nárůst prací o interpretovatelnosti, vysvětlitelnosti, kauzálním uvažování, ochraně soukromí, sběru dat, spravedlnosti a předpojatosti. Výzkumníci s průmyslovou affiliací výrazně zvýšili svůj příspěvek na těchto platformách<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-AIIndex2022-1)</sup>.

## Kapitola 4. Ekonomika a vzdělávání

Kapitola zkoumá trendy na trhu práce, v investicích, firemním zavádění AI a přípravě odborníků<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-AIIndex2022-1)</sup>.

### Trh práce

**Nábor AI specialistů.** Podle dat LinkedIn vykazoval Nový Zéland největší nárůst náboru AI specialistů — 2,42násobný v období 2016–2021, následoval Hongkong (1,56×), Irsko (1,28×), Lucembursko (1,26×) a Švédsko (1,24×)<sup>[\[13\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-LinkedIn2021-13)</sup>.

**Volná pracovní místa.** Podle dat Emsi Burning Glass vedl Singapur v podílu AI pracovních míst ze všech volných pozic — 2,33 %, následovaly USA (0,90 %), Kanada (0,78 %) a Velká Británie (0,74 %). V USA byl největší počet AI pracovních míst v Kalifornii (více než 2,35násobek oproti Texasu) a největší podíl AI pracovních míst ve Washingtonu D.C.<sup>[\[14\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-EmsiBG2021-14)</sup>.

### Investice

**Celkové trendy.** Celkové firemní investice do AI v roce 2021 dosáhly rekordních 176,5 miliard dolarů, z nichž soukromé investice tvořily 93,5 miliard (více než dvojnásobný nárůst oproti roku 2020), fúze a akvizice přibližně 72 miliard a veřejné emise přibližně 9,5 miliard<sup>[\[2\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-NetBaseQuid2021-2)</sup>.

**Regionální rozložení.** USA vedly se soukromými investicemi přibližně 52,9 miliard dolarů — více než trojnásobek oproti Číně (17,2 miliard). Velká Británie obsadila třetí místo (4,65 miliard), následovaly Izrael (2,4 miliard) a Německo (1,98 miliard)<sup>[\[2\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-NetBaseQuid2021-2)</sup>.

| Země           | Soukromé investice 2021 (mld. USD) | Soukromé investice 2013–2021 (mld. USD) |
|----------------|------------------------------------|-----------------------------------------|
| USA            | 52,9                               | 149,0                                   |
| Čína           | 17,2                               | 61,9                                    |
| Velká Británie | 4,65                               | 10,8                                    |
| Izrael         | 2,4                                | 6,1                                     |
| Německo        | 1,98                               | 3,9                                     |
| Indie          | 1,87                               | 10,8                                    |

**Odvětvové zaměření.** Největší objem soukromých investic v roce 2021 přilákala oblast „správa dat, zpracování a cloud" — 2,6násobný nárůst oproti roku 2020, následovaly „medicína a zdravotnictví" (11,29 miliard) a „fintech" (10,26 miliard)<sup>[\[2\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-NetBaseQuid2021-2)</sup>.

**Koncentrace kapitálu.** Průměrná výše soukromé investiční transakce v oblasti AI v roce 2021 vzrostla o 81,1 % oproti roku 2020. Přitom počet nově financovaných AI společností klesal třetí rok za sebou (od vrcholu v roce 2018)<sup>[\[2\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-NetBaseQuid2021-2)</sup>.

### Firemní zavádění

Podle dat McKinsey dosáhla průměrná míra zavádění AI organizacemi v roce 2021 hodnoty 56 % (nárůst o 6 p.b. oproti roku 2020). V čele stála Indie (65 %), za ní vyspělé země Asie a Tichomoří (64 %), rozvíjející se trhy (57 %) a Severní Amerika (55 %)<sup>[\[15\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-McKinsey2021-15)</sup>.

**Řízení rizik.** Snahy o řešení etických problémů AI v průmyslu zůstávaly omezené: ačkoli 29 % respondentů McKinsey uznávalo „spravedlnost a rovnost" jako rizika při zavádění AI, pouze 19 % podnikalo kroky k jejich snížení. Obdobně 41 % uznávalo „vysvětlitelnost" jako riziko, ale pouze 27 % pracovalo na jejím zajištění<sup>[\[15\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-McKinsey2021-15)</sup>.

### Vzdělávání

**Bakalářské studium.** Počet absolventů bakalářského studia informatiky v Severní Americe (na univerzitách udělujících doktorské tituly) vzrostl 3,5násobně v období 2010–2020 a dosáhl více než 31 000 osob — nárůst o 11,6 % oproti roku 2019<sup>[\[16\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-CRATaulbee2021-16)</sup>.

**Doktorské studium.** V roce 2020 se každý pátý absolvent PhD v informatice specializoval na AI/Machine Learning — nejpopulárnější specializace za poslední desetiletí. Počet PhD absolventů s touto specializací vzrostl o 72,05 % v období 2010–2020<sup>[\[16\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-CRATaulbee2021-16)</sup>.

## Kapitola 5. Politika a správa AI

Kapitola analyzuje legislativní a regulační aktivitu v oblasti AI na globální úrovni i v rozlišení jednotlivých zemí<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-AIIndex2022-1)</sup>.

### Globální legislativa

Analýza AI Index pokryla legislativní iniciativy v 25 zemích. Za období 2016–2021 bylo přijato 55 zákonů obsahujících zmínku o „umělé inteligenci". Nárůst byl prudký: z 1 zákona v roce 2016 na 18 v roce 2021<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-AIIndex2022-1)</sup>.

**Lídři podle počtu přijatých zákonů (2016–2021):**

| Země           | Zákony (2016–2021) | Zákony (2021) |
|----------------|--------------------|---------------|
| USA            | 13                 | 3             |
| Rusko          | 6                  | 2             |
| Belgie         | 5                  | 2             |
| Španělsko      | 5                  | 3             |
| Velká Británie | 5                  | 3             |
| Francie        | 4                  | 1             |
| Itálie         | 3                  | 1             |

Mezi přijatými zákony: kanadský Budget Implementation Act (2017) s vyčleněním 125 milionů dolarů na strategii AI; ruský Federální zákon ze dne 24. 4. 2020 č. 123-FZ o experimentálním právním režimu pro AI v Moskvě; americký IOGAN Act (2020) o financování výzkumu deepfaků; belgický dekret o zřízení etického výboru pro AI nástroje (2021)<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-AIIndex2022-1)</sup>.

### Legislativa v USA

Na federální úrovni vzrostl počet navržených AI zákonodárných návrhů z 1 v roce 2015 na 130 v roce 2021, avšak pouze 2 % z nich byla přijata. Na úrovni jednotlivých států vzrostl počet navržených zákonodárných návrhů z 2 v roce 2012 na 131 v roce 2021, přičemž podíl přijatých činil 20 % (26 ze 131)<sup>[\[17\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-BloombergGov2021-17)</sup>.

Massachusetts navrhl největší počet AI zákonodárných návrhů na úrovni států (40 od roku 2012), následoval Havaj (35) a New Jersey (32)<sup>[\[17\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-BloombergGov2021-17)</sup>.

### Zmínky o AI v parlamentních dokumentech

Zmínky o AI ve vládních protokolech 25 zemí vzrostly 7,7násobně za šest let (2016–2021) a dosáhly 1 323 v roce 2021. Velká Británie dominovala s 939 zmínkami za celé období, za ní následovaly Španělsko, Japonsko, USA a Austrálie<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-AIIndex2022-1)</sup>.

V Kongresu USA zaznamenalo 117. zasedání (zahájené v roce 2021) na konci prvního roku již 295 zmínek o AI — na cestě k překonání rekordu 116. zasedání (506 zmínek za období 2019–2020)<sup>[\[17\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-BloombergGov2021-17)</sup>.

## Metodologie

Zpráva využívá data z mnoha zdrojů<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-AIIndex2022-1)</sup>:

- **Publikace a patenty:** Center for Security and Emerging Technology (CSET), Georgetownská univerzita.
- **Benchmarky:** Papers With Code, žebříčky SuperGLUE, SQuAD, VCR, MLPerf a další.
- **Investice a startupy:** NetBase Quid.
- **Trh práce:** Emsi Burning Glass, LinkedIn.
- **Firemní aktivita:** McKinsey & Company.
- **Robotika:** originální průzkum AI Index (509 profesorů, 67 univerzit).
- **Legislativa:** AI Index (globální analýza 25 zemí), Bloomberg Government (USA).
- **Vzdělávání:** CRA Taulbee Survey.
- **Etika:** RealToxicityPrompts, Perspective API, StereoSet, CrowS-Pairs, Winogender, WinoBias, WinoMT, TruthfulQA, FEVER, FAccT, NeurIPS.

## Autorský kolektiv

Zprávu připravil tým pod vedením spoluředitelů **Jacka Clarka** (Jack Clark, Anthropic / OECD) a **Raye Perraulta** (Raymond Perrault, SRI International) za účasti širokého okruhu výzkumníků a partnerských organizací. Do řídícího výboru patřili Erik Brynjolfsson (Stanford), John Etchemendy (Stanford), Terah Lyons, James Manyika (Google / University of Oxford), Juan Carlos Niebles (Stanford / Salesforce), Michael Sellitto (Stanford), Yoav Shoham (Stanford / AI21 Labs — zakládající ředitel). Manažer výzkumu a hlavní editor — **Nestor Maslej** (Stanford). AI Index je projektem Stanfordského institutu HAI (Human-Centered Artificial Intelligence)<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_note-AIIndex2022-1)</sup>.

## Odkazy

- Stanford HAI — AI Index Report 2022 (plný text): <a href="https://aiindex.stanford.edu/report/" class="external free" rel="nofollow">https://aiindex.stanford.edu/report/</a>
- Center for Security and Emerging Technology (CSET) — data o publikacích a patentech: <a href="https://cset.georgetown.edu/" class="external free" rel="nofollow">https://cset.georgetown.edu/</a>
- Papers With Code — benchmarky a žebříčky: <a href="https://paperswithcode.com/" class="external free" rel="nofollow">https://paperswithcode.com/</a>
- SuperGLUE Benchmark: <a href="https://super.gluebenchmark.com/" class="external free" rel="nofollow">https://super.gluebenchmark.com/</a>
- MLPerf (MLCommons) — benchmarky trénování: <a href="https://mlcommons.org/en/" class="external free" rel="nofollow">https://mlcommons.org/en/</a>
- NetBase Quid — investiční data: <a href="https://quid.com/" class="external free" rel="nofollow">https://quid.com/</a>
- McKinsey Global Survey on AI: <a href="https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai" class="external free" rel="nofollow">https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai</a>
- CRA Taulbee Survey: <a href="https://cra.org/resources/taulbee-survey/" class="external free" rel="nofollow">https://cra.org/resources/taulbee-survey/</a>
- Bloomberg Government — data o legislativě: <a href="https://about.bgov.com/" class="external free" rel="nofollow">https://about.bgov.com/</a>
- RealToxicityPrompts: <a href="https://arxiv.org/abs/2009.11462" class="external free" rel="nofollow">https://arxiv.org/abs/2009.11462</a>
- TruthfulQA: <a href="https://arxiv.org/abs/2109.07958" class="external free" rel="nofollow">https://arxiv.org/abs/2109.07958</a>
- Global AI Vibrancy Tool: <a href="https://aiindex.stanford.edu/vibrancy/" class="external free" rel="nofollow">https://aiindex.stanford.edu/vibrancy/</a>

## Literatura

- 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. <a href="https://aiindex.stanford.edu/report/" class="external free" rel="nofollow">https://aiindex.stanford.edu/report/</a>
- Rae, J. W. et al. (2021). *Scaling Language Models: Methods, Analysis & Insights from Training Gopher*. <a href="https://arxiv.org/abs/2112.11446" class="external free" rel="nofollow">https://arxiv.org/abs/2112.11446</a>
- Gehman, S. et al. (2020). *RealToxicityPrompts: Evaluating Neural Toxic Degeneration in Language Models*. <a href="https://arxiv.org/abs/2009.11462" class="external free" rel="nofollow">https://arxiv.org/abs/2009.11462</a>
- Xu, A. et al. (2021). *Detoxifying Language Models Risks Marginalizing Minority Voices*. <a href="https://arxiv.org/abs/2104.06390" class="external free" rel="nofollow">https://arxiv.org/abs/2104.06390</a>
- Lin, S., Hilton, J., Evans, O. (2021). *TruthfulQA: Measuring How Models Mimic Human Falsehoods*. <a href="https://arxiv.org/abs/2109.07958" class="external free" rel="nofollow">https://arxiv.org/abs/2109.07958</a>
- Weidinger, L. et al. (2021). *Ethical and social risks of harm from Language Models*. <a href="https://arxiv.org/abs/2112.04359" class="external free" rel="nofollow">https://arxiv.org/abs/2112.04359</a>
- Welbl, J. et al. (2021). *Challenges in Detoxifying Language Models*. <a href="https://arxiv.org/abs/2109.07445" class="external free" rel="nofollow">https://arxiv.org/abs/2109.07445</a>
- Birhane, A. et al. (2021). *Multimodal datasets: misogyny, pornography, and malignant stereotypes*. <a href="https://arxiv.org/abs/2110.01963" class="external free" rel="nofollow">https://arxiv.org/abs/2110.01963</a>
- Ouyang, L. et al. (2022). *Training Language Models to Follow Instructions with Human Feedback*. <a href="https://arxiv.org/abs/2203.02155" class="external free" rel="nofollow">https://arxiv.org/abs/2203.02155</a>
- Wang, A. et al. (2019). *SuperGLUE: A Stickier Benchmark for General-Purpose Language Understanding Systems*. <a href="https://arxiv.org/abs/1905.00537" class="external free" rel="nofollow">https://arxiv.org/abs/1905.00537</a>
- McKinsey & Company (2021). *The State of AI in 2021*. <a href="https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai" class="external free" rel="nofollow">https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai</a>

## Poznámky

1.  <span id="cite_note-AIIndex2022-1">↑ <sup>[1.00](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-AIIndex2022_1-0)</sup> <sup>[1.01](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-AIIndex2022_1-1)</sup> <sup>[1.02](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-AIIndex2022_1-2)</sup> <sup>[1.03](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-AIIndex2022_1-3)</sup> <sup>[1.04](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-AIIndex2022_1-4)</sup> <sup>[1.05](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-AIIndex2022_1-5)</sup> <sup>[1.06](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-AIIndex2022_1-6)</sup> <sup>[1.07](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-AIIndex2022_1-7)</sup> <sup>[1.08](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-AIIndex2022_1-8)</sup> <sup>[1.09](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-AIIndex2022_1-9)</sup> <sup>[1.10](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-AIIndex2022_1-10)</sup> <sup>[1.11](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-AIIndex2022_1-11)</sup> <sup>[1.12](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-AIIndex2022_1-12)</sup> <sup>[1.13](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-AIIndex2022_1-13)</sup> <sup>[1.14](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-AIIndex2022_1-14)</sup> <sup>[1.15](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-AIIndex2022_1-15)</sup> <sup>[1.16](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-AIIndex2022_1-16)</sup> <sup>[1.17](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-AIIndex2022_1-17)</sup> <sup>[1.18](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-AIIndex2022_1-18)</sup> <sup>[1.19](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-AIIndex2022_1-19)</sup> <sup>[1.20](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-AIIndex2022_1-20)</sup> <sup>[1.21](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-AIIndex2022_1-21)</sup> <sup>[1.22](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-AIIndex2022_1-22)</sup> <sup>[1.23](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-AIIndex2022_1-23)</sup> <sup>[1.24](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-AIIndex2022_1-24)</sup> <sup>[1.25](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-AIIndex2022_1-25)</sup> <sup>[1.26](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-AIIndex2022_1-26)</sup> <sup>[1.27](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-AIIndex2022_1-27)</sup> <sup>[1.28](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-AIIndex2022_1-28)</sup> <sup>[1.29](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-AIIndex2022_1-29)</sup> <sup>[1.30](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-AIIndex2022_1-30)</sup> <sup>[1.31](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-AIIndex2022_1-31)</sup> <sup>[1.32](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-AIIndex2022_1-32)</sup> <sup>[1.33](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-AIIndex2022_1-33)</sup> <sup>[1.34](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-AIIndex2022_1-34)</sup> <sup>[1.35](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-AIIndex2022_1-35)</sup> 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. <a href="https://aiindex.stanford.edu/report/" class="external free" rel="nofollow">https://aiindex.stanford.edu/report/</a></span>
2.  <span id="cite_note-NetBaseQuid2021-2">↑ <sup>[2.0](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-NetBaseQuid2021_2-0)</sup> <sup>[2.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-NetBaseQuid2021_2-1)</sup> <sup>[2.2](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-NetBaseQuid2021_2-2)</sup> <sup>[2.3](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-NetBaseQuid2021_2-3)</sup> <sup>[2.4](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-NetBaseQuid2021_2-4)</sup> NetBase Quid (2021). *AI Investment and Startup Activity Data*. <a href="https://quid.com/" class="external free" rel="nofollow">https://quid.com/</a></span>
3.  <span id="cite_note-CSET2021-3">↑ <sup>[3.0](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-CSET2021_3-0)</sup> <sup>[3.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-CSET2021_3-1)</sup> <sup>[3.2](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-CSET2021_3-2)</sup> <sup>[3.3](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-CSET2021_3-3)</sup> Center for Security and Emerging Technology, Georgetown University (2021). *AI Publications and Patents Data*. <a href="https://cset.georgetown.edu/" class="external free" rel="nofollow">https://cset.georgetown.edu/</a></span>
4.  <span id="cite_note-Rae2021-4">↑ <sup>[4.0](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-Rae2021_4-0)</sup> <sup>[4.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-Rae2021_4-1)</sup> Rae, J. W. et al. (2021). *Scaling Language Models: Methods, Analysis & Insights from Training Gopher*. <a href="https://arxiv.org/abs/2112.11446" class="external free" rel="nofollow">https://arxiv.org/abs/2112.11446</a></span>
5.  <span id="cite_note-MLPerf2021-5">↑ <sup>[5.0](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-MLPerf2021_5-0)</sup> <sup>[5.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-MLPerf2021_5-1)</sup> MLCommons (2021). *MLPerf Training Benchmark Results*. <a href="https://mlcommons.org/en/training-normal-11/" class="external free" rel="nofollow">https://mlcommons.org/en/training-normal-11/</a></span>
6.  <span id="cite_note-Birhane2021-6">[↑](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-Birhane2021_6-0) Birhane, A. et al. (2021). *Multimodal datasets: misogyny, pornography, and malignant stereotypes*. <a href="https://arxiv.org/abs/2110.01963" class="external free" rel="nofollow">https://arxiv.org/abs/2110.01963</a></span>
7.  <span id="cite_note-SuperGLUE2019-7">[↑](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-SuperGLUE2019_7-0) Wang, A. et al. (2019). *SuperGLUE: A Stickier Benchmark for General-Purpose Language Understanding Systems*. <a href="https://arxiv.org/abs/1905.00537" class="external free" rel="nofollow">https://arxiv.org/abs/1905.00537</a></span>
8.  <span id="cite_note-Intento2021-8">[↑](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-Intento2021_8-0) Intento (2021). *The State of Machine Translation 2021*. <a href="https://inten.to/" class="external free" rel="nofollow">https://inten.to/</a></span>
9.  <span id="cite_note-SSCA2021-9">[↑](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-SSCA2021_9-0) Swedish Chess Computer Association (2021). *Chess Engine Rating List*. <a href="https://www.ssca.se/" class="external free" rel="nofollow">https://www.ssca.se/</a></span>
10. <span id="cite_note-Gehman2020-10">[↑](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-Gehman2020_10-0) Gehman, S. et al. (2020). *RealToxicityPrompts: Evaluating Neural Toxic Degeneration in Language Models*. <a href="https://arxiv.org/abs/2009.11462" class="external free" rel="nofollow">https://arxiv.org/abs/2009.11462</a></span>
11. <span id="cite_note-Xu2021-11">[↑](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-Xu2021_11-0) Xu, A. et al. (2021). *Detoxifying Language Models Risks Marginalizing Minority Voices*. <a href="https://arxiv.org/abs/2104.06390" class="external free" rel="nofollow">https://arxiv.org/abs/2104.06390</a></span>
12. <span id="cite_note-TruthfulQA2021-12">[↑](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-TruthfulQA2021_12-0) Lin, S., Hilton, J., Evans, O. (2021). *TruthfulQA: Measuring How Models Mimic Human Falsehoods*. <a href="https://arxiv.org/abs/2109.07958" class="external free" rel="nofollow">https://arxiv.org/abs/2109.07958</a></span>
13. <span id="cite_note-LinkedIn2021-13">[↑](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-LinkedIn2021_13-0) LinkedIn (2021). *AI Hiring Index Data*. <a href="https://www.linkedin.com/" class="external free" rel="nofollow">https://www.linkedin.com/</a></span>
14. <span id="cite_note-EmsiBG2021-14">[↑](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-EmsiBG2021_14-0) Emsi Burning Glass (2021). *AI Job Postings Data*. <a href="https://www.economicmodeling.com/" class="external free" rel="nofollow">https://www.economicmodeling.com/</a></span>
15. <span id="cite_note-McKinsey2021-15">↑ <sup>[15.0](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-McKinsey2021_15-0)</sup> <sup>[15.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-McKinsey2021_15-1)</sup> McKinsey & Company (2021). *The State of AI in 2021*. <a href="https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai" class="external free" rel="nofollow">https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai</a></span>
16. <span id="cite_note-CRATaulbee2021-16">↑ <sup>[16.0](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-CRATaulbee2021_16-0)</sup> <sup>[16.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-CRATaulbee2021_16-1)</sup> Computing Research Association (2021). *CRA Taulbee Survey 2020–2021*. <a href="https://cra.org/resources/taulbee-survey/" class="external free" rel="nofollow">https://cra.org/resources/taulbee-survey/</a></span>
17. <span id="cite_note-BloombergGov2021-17">↑ <sup>[17.0](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-BloombergGov2021_17-0)</sup> <sup>[17.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-BloombergGov2021_17-1)</sup> <sup>[17.2](https://systems-analysis.info/int/The_2022_AI_Index_Report_(CS)#cite_ref-BloombergGov2021_17-2)</sup> Bloomberg Government (2021). *U.S. AI Legislative Records*. <a href="https://about.bgov.com/" class="external free" rel="nofollow">https://about.bgov.com/</a></span>