--- title: "The 2022 AI Index Report (HU)" source: "https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)" wiki: "systems-analysis.info/int" article: "The_2022_AI_Index_Report_(HU)" language: "hu" categories: - "Category:Hungarian" - "Category:Large language models" - "Category:Machine learning" revision_id: 7997 wiki_created_at: 2026-09-07T01:10:33Z wiki_modified_at: 2026-09-07T01:10:33Z downloaded_at: 2026-09-07T23:22:31Z --- # The 2022 AI Index Report (HU) **AI Index Report 2022** — az **AI Index** ötödik éves kiadása, amelyet a Stanford Emberi Központú Mesterséges Intelligencia Intézete (Stanford HAI) készített^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-AIIndex2022-1)}. A 2022-es jelentés a megjelenés időpontjában a legterjedelmesebb, és az AI-rendszerek gazdaságban való nagymértékű elterjedésének időszakában lát napvilágot. A kiadvány először tartalmaz önálló fejezetet az AI technikai etikájának mélyreható elemzésével, a kutatók körében végzett globális felmérésre alapozott átfogó robotikai áttekintéssel, valamint 25 ország AI-törvényhozási kezdeményezéseire vonatkozó adatokkal. A jelentés nyomon követi, rendszerezi és vizualizálja a mesterséges intelligenciával kapcsolatos adatokat, objektív és gondosan ellenőrzött információkat nyújtva a döntéshozóknak, kutatóknak, vezetőknek, újságíróknak és a szélesebb közvéleménynek. ## A jelentés felépítése A 2022-es jelentés öt tematikus fejezetből és egy mellékletből áll^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-AIIndex2022-1)}: 1. **Kutatás és fejlesztés (Research and Development)** — trendek a publikációk, szabadalmak, konferenciák és nyílt forráskódú szoftverek terén. 2. **Technikai teljesítmény (Technical Performance)** — benchmarkok a számítógépes látás, nyelvfeldolgozás, beszéd, ajánlórendszerek, Reinforcement Learning, hardver és robotika területén. 3. **Az AI technikai etikája (Technical AI Ethics)** — új fejezet: méltányossági és előítéletességi metrikák, nyelvi modellek toxicitása, multimodális torzítások, tényellenőrzés és igazmondás. 4. **Gazdaság és oktatás (The Economy and Education)** — munkaerőpiac, befektetések, az AI vállalati bevezetése és a szakemberi képzés. 5. **AI-politika és irányítás (AI Policy and Governance)** — jogalkotás, szabályozás és nemzeti stratégiák. ## A jelentés főbb megállapításai A jelentés szerzői kiemelték a 2022-es év néhány fő tézisét^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-AIIndex2022-1)}: ### 1. A magánbefektetések az AI területén meredeken nőttek, a tőkekoncentráció erősödött Az AI-ba irányuló magánbefektetések 2021-ben mintegy 93,5 milliárd dollárt tettek ki — több mint kétszerese a 2020-as értéknek. Ugyanakkor az újonnan finanszírozott AI-cégek száma tovább csökkent: 2019-ben 1051, 2020-ban 762, 2021-ben 746 volt. Ha 2020-ban csupán 4 finanszírozási kör haladta meg az 500 millió dollárt, 2021-ben már 15 ilyen kör volt^{[\[2\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-NetBaseQuid2021-2)}. ### 2. Az USA és Kína dominál a nemzetközi AI-együttműködésben A növekvő geopolitikai feszültség ellenére az USA és Kína mutatta a legtöbb közös AI-publikációt a 2010–2021-es időszakban, az együttműködés volumene ötszörösére nőtt 2010 óta. Ez a páros 2,7-szer több publikációt produkált, mint a következő pár — az Egyesült Királyság és Kína^{[\[3\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-CSET2021-3)}. ### 3. A nyelvi modellek egyre erősebbek, de egyre elfogultabbak is A nagy nyelvi modellek új rekordokat állítottak fel technikai benchmarkokon, az adatok azonban azt mutatták, hogy a nagyobb modellek erősebben reprodukálják a betanítási adatokban lévő előítéleteket. A 280 milliárd paraméteres modell (Gopher, DeepMind, 2021) 29%-kal nagyobb kiváltott toxicitást mutatott a 2018-ban élvonalbeli 117 millió paraméteres modellhez képest^{[\[4\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-Rae2021-4)}. ### 4. Az AI etikájának virágzása Az AI méltányosságával és átláthatóságával kapcsolatos kutatások 2014 óta robbanásszerű növekedést mutatnak: az etikai konferenciákon megjelent szakcikkek száma megnégyszereződött. Az algoritmikus méltányosság és az előítéletesség kérdése már nem csupán akadémiai téma, hanem főáramú kutatási irány lett. Az ipari affiliációjú kutatók évi 71%-kal növelték hozzájárulásukat az etikai konferenciákon^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-AIIndex2022-1)}. ### 5. Az AI egyre elérhetőbb és hatékonyabb 2018 óta a képosztályozási rendszerek betanításának költsége 63,6%-kal csökkent, a betanítási idő pedig 94,4%-kal javult. Hasonló csökkentési tendencia figyelhető meg a költségek és a betanítás gyorsulása terén a többi MLPerf-feladatkategóriában is: ajánlások, objektumfelismerés és nyelvfeldolgozás^{[\[5\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-MLPerf2021-5)}. ### 6. Az adatok mint kulcserőforrás A technikai benchmarkokon elért legjobb eredményeket egyre inkább további betanítási adatok felhasználásával érték el. 2021-ben a vizsgált benchmarkokon a 10 legjobb AI-rendszer közül 9-et kiegészítő adatokkal tanítottak be. Ez a tendencia hallgatólagosan kedvez a kiterjedt datasetekhez hozzáféréssel rendelkező magánszektorbeli vállalatoknak^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-AIIndex2022-1)}. ### 7. Az AI-jogszabályok száma világszerte rohamosan nő Az AI Index 25 országra kiterjedő elemzése kimutatta, hogy a „mesterséges intelligencia" kifejezést tartalmazó elfogadott törvények száma 2016-ban 1-ről 2021-re 18-ra nőtt. A 2021-es év éllovasai Spanyolország, az Egyesült Királyság és az USA voltak — mindegyikük három elfogadott törvénnyel^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-AIIndex2022-1)}. ### 8. A robotikai manipulátorok egyre olcsóbbak Az AI Index felmérése szerint a robotikai manipulátorok medián ára öt év alatt 46,2%-kal csökkent — 2017-ben 42 000 dollárról 2021-re 22 600 dollárra —, így a robotikai kutatás egyre elérhetőbbé vált^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-AIIndex2022-1)}. ### 9. A multimodális modellek multimodális előítéleteket örökölnek A multimodális nyelvi és látási modellek (például CLIP) új rekordokat állítottak fel képosztályozási és szöveges leírásból képgenerálási feladatokban, ugyanakkor társadalmi sztereotípiákat és előítéleteket is reprodukáltak. A CLIP-pel végzett kísérletek azt mutatták, hogy fekete személyek képei több mint kétszer akkora arányban kerültek tévesen „nem emberi" kategóriába, mint bármely más faj képviselői^{[\[6\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-Birhane2021-6)}. ### 10. Elmozdulás az általánosabb Reinforcement Learning felé Az elmúlt évtizedben az AI-rendszerek sikeresen sajátítottak el szűk Reinforcement Learning-feladatokat (például sakk — a legjobb sakkprogram 24%-kal haladta meg Magnus Carlsen maximális értékelési pontszámát). Az elmúlt két évben azonban az AI-rendszerek 129%-kal is javítottak eredményeiken az általánosabb Reinforcement Learning-feladatokban (Procgen), ahol ismeretlen, új környezetekben kell cselekedni^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-AIIndex2022-1)}. ## 1. fejezet. Kutatás és fejlesztés A fejezet elemzi a publikációk, szabadalmak, konferenciák és nyílt forráskódú szoftverek terén mutatkozó trendeket^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-AIIndex2022-1)}. ### Publikációk Az AI témájú angol nyelvű publikációk összesített száma tovább nőtt, és 2021-ben elérte a 334 500-at^{[\[3\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-CSET2021-3)}. **Publikáció típusa szerint.** 2021-ben több mint 56 700 publikáció jelent meg repozitóriumokban (arXiv és mások), ami az előzetes publikációk (preprintek) növekvő szerepét tükrözi az AI-kutatásban^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-AIIndex2022-1)}. **Földrajzi megoszlás szerint.** 2021-ben Kína tovább vezette a folyóiratokban, konferenciákon és repozitóriumokban megjelent publikációk összesített számát — az USA-nál 63,2%-kal többet. Az USA ugyanakkor megőrizte domináns vezető szerepét a konferenciai és repozitóriumi publikációkra kapott idézetek számában^{[\[3\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-CSET2021-3)}: | Mutató | Kína | EU + Egyesült Királyság | USA | |-----------------------------------------|-------|-------------------------|-------| | Konferenciai publikációk aránya (2021) | 27,6% | 19,0% | 16,9% | | Konferenciai idézetek aránya (2021) | 15,3% | 23,3% | 29,5% | | Repozitóriumi publikációk aránya (2021) | 16,6% | 23,9% | 32,5% | | Repozitóriumi idézetek aránya (2021) | 16,4% | 20,1% | 38,6% | **Szektorközi együttműködés.** 2010 és 2021 között a legtöbb közös AI-publikációt oktatási és nonprofit szervezetek együttműködései produkálták, ezt követték a magánvállalatok és oktatási intézmények, valamint az oktatási és állami intézmények közötti kollaborációk^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-AIIndex2022-1)}. ### Szabadalmak Az AI területén benyújtott szabadalmi bejelentések száma 2021-ben több mint 30-szorosát tette ki a 2015-ös értéknek, évi átlagos 76,9%-os növekedési ütem mellett. Regionális megoszlás tekintetében Kelet-Ázsia és a Csendes-óceáni térség dominált a szabadalmi bejelentések 62,1%-os arányával. Kína háromszor annyi szabadalmi bejelentést nyújtott be, mint az USA — 87 343 bejelentés és 1 407 jóváhagyott szabadalom 2021-ben^{[\[3\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-CSET2021-3)}. ### Konferenciák A vezető AI-konferenciák látogatottsága 2021-ben a 2020-as szinten maradt — világszerte több mint 88 000 résztvevővel. A konferenciák többsége továbbra is virtuális formában zajlott a COVID-19-járvány miatt. Csak az ICRA és az EMNLP alkalmazott hibrid formátumot^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-AIIndex2022-1)}. ## 2. fejezet. Technikai teljesítmény A fejezet átfogó elemzést nyújt a számítógépes látás, a természetes nyelvfeldolgozás, a beszéd, az ajánlórendszerek, a Reinforcement Learning, a hardver és a robotika terén elért haladásról^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-AIIndex2022-1)}. ### Számítógépes látás **ImageNet.** A képosztályozás pontossága az ImageNet-en tovább nőtt. A kiegészítő betanítási adatokat használó rendszerek lényegesen jobb eredményeket értek el. 2021-ben az ImageNet-21K + JFT adathalmazon betanított CoAtNet modell 90,88%-os top-1 pontosságot ért el, ami lényegesen meghaladja az emberi szintet (körülbelül 94,9% top-5 szerint)^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-AIIndex2022-1)}. **Speciális részfeladatok.** 2021-ben megnőtt az érdeklődés a számítógépes látás speciális részfeladatai iránt — orvosi képszegmentálás és maszkos arcfelismerés. Például míg 2020 előtt csupán 3 kutatási munka tesztelte a rendszereket a Kvasir-SEG benchmarkon (orvosi képalkotás), 2021-ben már 25 ilyen munka született^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-AIIndex2022-1)}. **Vizuális közértelmes következtetés (VCR).** 2021 végére a Visual Commonsense Reasoning benchmarkon elért legjobb eredmény 72,0 volt — 2018 óta 63,6%-os növekedés —, bár a rendszerek még mindig lényegesen elmaradtak az emberi szinttől. A javulások egyre marginálisabbá váltak, jelezve az új megközelítések szükségességét^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-AIIndex2022-1)}. ### Természetes nyelvfeldolgozás **SuperGLUE.** A SuperGLUE ranglistájának élén az SS-MoE modell állt 91,0-es eredménnyel, ami meghaladja az emberi szintet (89,8). A SuperGLUE-n elért gyors haladás jelezte, hogy bonyolultabb nyelvi benchmarkok kidolgozása szükséges^{[\[7\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-SuperGLUE2019-7)}. **SQuAD.** Az AI-rendszerek a SQuAD 2.0 olvasásmegértési benchmarkon 1–5%-kal felülmúlták az emberi szintet, azonban összetettebb feladatokban, mint például az abduktív természetesnyelv-következtetés (aNLI), az ember még mindig megelőzte az AI-t, bár a különbség 2019-es 9 százalékpontról 2021-re 1 százalékpontra csökkent^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-AIIndex2022-1)}. **Gépi fordítás.** A kereskedelemben elérhető gépi fordítási rendszerek száma tovább nőtt, és a fordítás minősége a fő nyelvpárokon (WMT 2014) egyenletesen javult^{[\[8\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-Intento2021-8)}. ### Beszédfelismerés A LibriSpeech (Test-Clean) benchmarkon a szóhibaarány (WER) tovább csökkent, közelítve az emberi szinthez. Haladás történt a nehezebb beszéddataseteken is^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-AIIndex2022-1)}. ### Reinforcement Learning **Atari-57.** A Reinforcement Learning-rendszerek tovább fejlődtek a klasszikus Arcade Learning Environment feladatokban. A MuZero modell (DeepMind) az egyik vezető maradt^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-AIIndex2022-1)}. **Procgen.** A Procgen benchmarkon — amely az új környezetekben való általánosítási képességet teszteli — az AI-rendszerek két év alatt 129%-kal javítottak eredményeiken, ami az általánosabb ágensek felé való elmozdulást jelzi^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-AIIndex2022-1)}. **Sakk.** A legjobb sakkprogram-motor 24%-kal haladta meg Magnus Carlsen maximális ELO-értékelési pontszámát^{[\[9\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-SSCA2021-9)}. ### Hardver és betanítási költségek **MLPerf.** Az MLPerf benchmark adatai a betanítási idő tartós csökkenését mutatták, miközben a felhasznált gyorsítók száma nőtt. A vezető résztvevők és az összes résztvevő átlagos gyorsítószáma közötti rés 2018 és 2021 között kilencszeresére nőtt, ami a hardvererőforrásokkal szemben támasztott növekvő követelményeket jelzi^{[\[5\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-MLPerf2021-5)}. **Az ImageNet betanítási költsége.** Egy nagy teljesítményű képosztályozási rendszer 93%-os pontosságig való betanításának költsége 2017-ben 1112,6 dollárról 2021-re 4,6 dollárra csökkent — négy év alatt 223-szorosára esett vissza^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-AIIndex2022-1)}. ### Robotika **Manipulátorok árai.** Az AI Index által 67 világ-egyetem 509 robotika-professzora körében végzett felmérés a robotikai manipulátorok medián árának 46,2%-os csökkenését mutatta ki — 2017-ben 42 000 dollárról 2021-re 22 600 dollárra^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-AIIndex2022-1)}. **AI-készségek a robotikában.** A megkérdezett robotika-professzorok 67%-a számolt be mély tanulás, 46%-a pedig Reinforcement Learning alkalmazásáról kutatásaiban^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-AIIndex2022-1)}. ## 3. fejezet. Az AI technikai etikája A jelentésbe első alkalommal bekerült fejezet mélyreható elemzést nyújt a méltányossági és előítéletességi metrikákról, a nyelvi modellek toxicitásáról, a multimodális torzításokról, valamint az AI tényellenőrzésével és igazmondásával kapcsolatos kérdésekről^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-AIIndex2022-1)}. ### A méltányossági és előítéletességi metrikák metaanalízise Az AI előítéletességének és méltányosságának mérésére szolgáló metrikák száma 2018 óta egyenletesen nőtt. A metrikák két fő típusra oszthatók: benchmark datasetek (például StereoSet, CrowS-Pairs), amelyek a modell belső viselkedését mérik, és diagnosztikai metrikák (például demográfiai paritás, esélyegyenlőség), amelyek a modell egyes népességcsoportokra gyakorolt hatását értékelik^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-AIIndex2022-1)}. ### A nyelvi modellek toxicitása **RealToxicityPrompts.** A nyelvi modellek toxicitása lényegesen függött a betanítási adatoktól. A toxikus tartalomtól megszűrt szövegen betanított modellek (például C4 szűréssel) lényegesen kevésbé voltak toxikusak, mint a szűretlen internetes tartalmon betanított modellek^{[\[10\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-Gehman2020-10)}. **Méret és toxicitás.** A Gopher modell (DeepMind, 280 milliárd paraméter) elemzése kimutatta, hogy a nagyobb modellek nagyobb valószínűséggel generálnak toxikus folytatásokat megfelelő promptok hatására, ugyanakkor jobban képesek felismerni a toxikus tartalmat^{[\[4\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-Rae2021-4)}. **Detoxifikáció.** A nyelvi modellek detoxifikációs módszerei (DAPT, PPLM, GeDi) következetesen teljesítményromlást okoztak, aránytalanul erősebben az afroamerikai angol és a kisebbségek megemlítését tartalmazó szövegek esetében^{[\[11\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-Xu2021-11)}. ### Sztereotípiák és előítéletesség A **StereoSet** a sztereotip elfogultságot mérte nem, faj, vallás és foglalkozás mentén. A **CrowS-Pairs** a maszkolásos nyelvi modellek sztereotip elfogultságának mértékét értékelte. A **Winogender** és a **WinoBias** a koreferenciafeladatokban megjelenő nemi elfogultságot, a **WinoMT** pedig a gépi fordításban megjelenőt tesztelte^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-AIIndex2022-1)}. ### Multimodális előítéletek (CLIP) A CLIP (Contrastive Language-Image Pretraining, OpenAI) modell lenyűgöző eredményeket ért el a képosztályozásban, ugyanakkor az internetes betanítási adatokból (400 millió kép–szöveg pár) örökített nemi, faji és életkori előítéleteket. A főbb megállapítások^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-AIIndex2022-1)}: - **Lejárató kár:** nem emberi és kriminális kategóriák hozzáadásakor a fekete személyek képei 14%-ban kerültek tévesen nem emberi kategóriákba — kétszer akkora arányban, mint más fajoknál. - **Nemi elfogultság:** a „dada" és „takarítónő" címkék nőkkel, a „rab" és „maffiózó" pedig férfiakkal asszociálódott. - **Az előítélet terjedése:** a CLIP elfogultságai átöröklődtek a LAION-400M datasetbe, amelyet CLIP embedding-ekkel gondoztak, érintve az összes ezután születő alkalmazást. ### Tényellenőrzés és igazmondás **TruthfulQA.** Több nyelvimodell-család TruthfulQA benchmarkon végzett elemzése kimutatta, hogy az alap modellek (GPT-3 család) méretezése az igazmondás csökkenéséhez vezetett. Azonban az emberi visszajelzéssel finomhangolt modellek (InstructGPT, WebGPT) méretezéssel egyre igazabb kijelentéseket tettek^{[\[12\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-TruthfulQA2021-12)}. **FEVER.** A FEVER (Fact Extraction and VERification) benchmarkon az automatizált tényellenőrző rendszerek tovább fejlődtek, bár még mindig elmaradtak az emberi szinttől^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-AIIndex2022-1)}. ### Trendek az etikai konferenciákon A FAccT (Fairness, Accountability, and Transparency) konferencián és a NeurIPS tematikus workshopokon megjelent publikációk elemzése az értelmezhetőséggel, magyarázhatósággal, kauzális következtetéssel, adatvédelemmel, adatgyűjtéssel, méltányossággal és előítéletességgel foglalkozó munkák növekedését mutatta. Az ipari affiliációjú kutatók jelentősen növelték hozzájárulásukat ezeken a fórumokon^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-AIIndex2022-1)}. ## 4. fejezet. Gazdaság és oktatás A fejezet a munkaerőpiaci trendeket, a befektetéseket, az AI vállalati bevezetését és a szakemberi képzést vizsgálja^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-AIIndex2022-1)}. ### Munkaerőpiac **AI-szakemberek felvétele.** A LinkedIn adatai szerint Új-Zéland mutatta az AI-szakemberek felvételének legnagyobb növekedését — 2,42-szeres 2016 és 2021 között —, ezt követte Hongkong (1,56×), Írország (1,28×), Luxemburg (1,26×) és Svédország (1,24×)^{[\[13\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-LinkedIn2021-13)}. **Álláshirdetések.** Az Emsi Burning Glass adatai szerint Szingapúr vezette az AI-álláshelyek összes álláshirdetésen belüli arányát — 2,33% —, ezt követte az USA (0,90%), Kanada (0,78%) és az Egyesült Királyság (0,74%). Az USA-ban a legtöbb AI-álláshirdetés Kaliforniában volt (több mint 2,35-szer annyi, mint Texasban), a legtöbb AI-álláshirdetés aránya pedig Washington D.C.-ben volt tapasztalható^{[\[14\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-EmsiBG2021-14)}. ### Befektetések **Általános trendek.** Az AI-ba irányuló összesített vállalati befektetések 2021-ben rekordszintű 176,5 milliárd dollárra rúgtak, amelyből a magánbefektetések 93,5 milliárd dollárt tettek ki (több mint kétszeres növekedés 2020-hoz képest), az összeolvadások és felvásárlások körülbelül 72 milliárd, a tőzsdei bevezetések körülbelül 9,5 milliárd dollárt^{[\[2\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-NetBaseQuid2021-2)}. **Regionális megoszlás.** Az USA vezette a listát mintegy 52,9 milliárd dolláros magánbefektetéssel — több mint háromszor annyi, mint Kína (17,2 milliárd). Az Egyesült Királyság a harmadik helyen végzett (4,65 milliárd), ezt követte Izrael (2,4 milliárd) és Németország (1,98 milliárd)^{[\[2\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-NetBaseQuid2021-2)}. | Ország | Magánbefektetések 2021 (milliárd USD) | Magánbefektetések 2013–2021 (milliárd USD) | |--------------------|---------------------------------------|--------------------------------------------| | USA | 52,9 | 149,0 | | Kína | 17,2 | 61,9 | | Egyesült Királyság | 4,65 | 10,8 | | Izrael | 2,4 | 6,1 | | Németország | 1,98 | 3,9 | | India | 1,87 | 10,8 | **Ágazati fókusz.** 2021-ben a legnagyobb magánbefektetési volument az „adatkezelés, -feldolgozás és felhő" terület vonzotta — 2,6-szor annyit, mint 2020-ban —, ezt követte az „orvostudomány és egészségügy" (11,29 milliárd) és a „fintech" (10,26 milliárd)^{[\[2\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-NetBaseQuid2021-2)}. **Tőkekoncentráció.** Az AI-területen megkötött magánbefektetési ügyletek átlagos mérete 2021-ben 81,1%-kal nőtt 2020-hoz képest. Eközben az újonnan finanszírozott AI-cégek száma harmadik éve csökkent egymás után (a 2018-as csúcshoz képest)^{[\[2\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-NetBaseQuid2021-2)}. ### Vállalati bevezetés A McKinsey adatai szerint az AI szervezeti bevezetésének átlagos szintje 2021-ben 56% volt (6 százalékpontos növekedés 2020-hoz képest). India vezette a sort (65%), ezt követte az Ázsia-csendes-óceáni térség fejlett országai (64%), a fejlődő piacok (57%) és Észak-Amerika (55%)^{[\[15\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-McKinsey2021-15)}. **Kockázatkezelés.** Az iparágban az AI etikai problémáinak kezelésére irányuló erőfeszítések korlátozottak maradtak: bár a McKinsey-felmérés válaszadóinak 29%-a ismerte el, hogy a „méltányosság és egyenlőség" kockázatot jelent az AI bevezetésénél, csupán 19% tett lépéseket azok csökkentésére. Hasonlóképpen, 41% ismerte el a „magyarázhatóságot" kockázatként, de csak 27% dolgozott annak biztosításán^{[\[15\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-McKinsey2021-15)}. ### Oktatás **Alapképzés.** Az informatika szakon végzett alapképzéses hallgatók száma Észak-Amerikában (doktori fokozatot adó felsőoktatási intézményekben) 3,5-szeresére nőtt 2010 és 2020 között, elérve a 31 000 főt — 11,6%-os növekedés 2019-hez képest^{[\[16\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-CRATaulbee2021-16)}. **Doktori képzés.** 2020-ban az informatika területén doktori fokozatot szerzők minden ötödike AI/Machine Learning területen specializálódott — ez volt a legnépszerűbb szakterület az elmúlt évtizedben. Az ezen a területen PhD-t szerzők száma 72,05%-kal nőtt 2010 és 2020 között^{[\[16\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-CRATaulbee2021-16)}. ## 5. fejezet. AI-politika és irányítás A fejezet elemzi az AI területén zajló jogalkotási és szabályozási aktivitást globális szinten és egyes országok bontásában^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-AIIndex2022-1)}. ### Globális jogalkotás Az AI Index elemzése 25 ország jogalkotási kezdeményezéseit fogta át. A 2016–2021-es időszakban 55, a „mesterséges intelligencia" kifejezést tartalmazó törvényt fogadtak el. A növekedés meredek volt: 2016-ban 1 törvénytől 2021-re 18-ra^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-AIIndex2022-1)}. **Az elfogadott törvények száma szerinti éllovasok (2016–2021):** | Ország | Törvények (2016–2021) | Törvények (2021) | |--------------------|-----------------------|------------------| | USA | 13 | 3 | | Oroszország | 6 | 2 | | Belgium | 5 | 2 | | Spanyolország | 5 | 3 | | Egyesült Királyság | 5 | 3 | | Franciaország | 4 | 1 | | Olaszország | 3 | 1 | Az elfogadott törvények között szerepel: a kanadai Budget Implementation Act (2017), amely 125 millió dollárt különített el az AI-stratégiára; az oroszországi 2020. április 24-i 123-FZ szövetségi törvény a moszkvai AI kísérleti jogi rezsimről; az amerikai IOGAN Act (2020) a deepfake-kutatások finanszírozásáról; a belga rendelet az AI-eszközök etikai bizottságának létrehozásáról (2021)^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-AIIndex2022-1)}. ### Az USA jogalkotása Szövetségi szinten a javasolt AI-törvényjavaslatok száma 2015-ben 1-ről 2021-re 130-ra nőtt, azonban csupán 2%-ukat fogadták el. Tagállami szinten a javasolt törvényjavaslatok száma 2012-ben 2-ről 2021-re 131-re nőtt, az elfogadottak aránya pedig 20% volt (131-ből 26)^{[\[17\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-BloombergGov2021-17)}. Massachusetts javasolta a legtöbb AI-törvényjavaslatot tagállami szinten (40-et 2012 óta), ezt követte Hawaii (35) és New Jersey (32)^{[\[17\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-BloombergGov2021-17)}. ### Az AI-ra való hivatkozások parlamenti dokumentumokban Az AI-ra való hivatkozások száma 25 ország kormányzati jegyzőkönyveiben hat év alatt (2016–2021) 7,7-szeresére nőtt, elérve az 1323-at 2021-ben. Az Egyesült Királyság dominált 939 hivatkozással az egész időszakban, ezt követte Spanyolország, Japán, az USA és Ausztrália^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-AIIndex2022-1)}. Az USA Kongresszusának 117. ülésszaka (amely 2021-ben kezdődött) az első év végére már 295 AI-ra való hivatkozást rögzített — úton a 116. ülésszak rekordjának (506 hivatkozás 2019–2020 között) megdöntése felé^{[\[17\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-BloombergGov2021-17)}. ## Módszertan A jelentés számos forrásból merít adatokat^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-AIIndex2022-1)}: - **Publikációk és szabadalmak:** Center for Security and Emerging Technology (CSET), Georgetown University. - **Benchmarkok:** Papers With Code, SuperGLUE, SQuAD, VCR, MLPerf és egyéb ranglisták. - **Befektetések és startupok:** NetBase Quid. - **Munkaerőpiac:** Emsi Burning Glass, LinkedIn. - **Vállalati aktivitás:** McKinsey & Company. - **Robotika:** az AI Index eredeti felmérése (509 professzor, 67 egyetem). - **Jogalkotás:** AI Index (25 ország globális elemzése), Bloomberg Government (USA). - **Oktatás:** CRA Taulbee Survey. - **Etika:** RealToxicityPrompts, Perspective API, StereoSet, CrowS-Pairs, Winogender, WinoBias, WinoMT, TruthfulQA, FEVER, FAccT, NeurIPS. ## Szerzői gárda A jelentést **Jack Clark** (Anthropic / OECD) és **Raymond Perrault** (SRI International) társigazgatók irányításával készítette kutatók és partnerszervezetek széles köre. Az irányítóbizottságban helyet kapott Erik Brynjolfsson (Stanford), John Etchemendy (Stanford), Terah Lyons, James Manyika (Google / University of Oxford), Juan Carlos Niebles (Stanford / Salesforce), Michael Sellitto (Stanford) és Yoav Shoham (Stanford / AI21 Labs — alapító igazgató). A kutatásvezetői és főszerkesztői feladatokat **Nestor Maslej** (Stanford) látta el. Az AI Index a Stanford HAI (Human-Centered Artificial Intelligence) Intézet projektje^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_note-AIIndex2022-1)}. ## Hivatkozások - Stanford HAI — AI Index Report 2022 (teljes szöveg): https://aiindex.stanford.edu/report/ - Center for Security and Emerging Technology (CSET) — publikációs és szabadalmi adatok: https://cset.georgetown.edu/ - Papers With Code — benchmarkok és ranglisták: https://paperswithcode.com/ - SuperGLUE Benchmark: https://super.gluebenchmark.com/ - MLPerf (MLCommons) — betanítási benchmarkok: https://mlcommons.org/en/ - NetBase Quid — befektetési adatok: 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 — jogalkotási adatok: 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/ ## Irodalom - 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 ## Megjegyzések 1. ↑ ^{[1.00](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_ref-AIIndex2022_1-0)} ^{[1.01](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_ref-AIIndex2022_1-1)} ^{[1.02](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_ref-AIIndex2022_1-2)} ^{[1.03](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_ref-AIIndex2022_1-3)} ^{[1.04](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_ref-AIIndex2022_1-4)} ^{[1.05](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_ref-AIIndex2022_1-5)} ^{[1.06](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_ref-AIIndex2022_1-6)} ^{[1.07](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_ref-AIIndex2022_1-7)} ^{[1.08](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_ref-AIIndex2022_1-8)} ^{[1.09](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_ref-AIIndex2022_1-9)} ^{[1.10](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_ref-AIIndex2022_1-10)} ^{[1.11](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_ref-AIIndex2022_1-11)} ^{[1.12](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_ref-AIIndex2022_1-12)} ^{[1.13](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_ref-AIIndex2022_1-13)} ^{[1.14](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_ref-AIIndex2022_1-14)} ^{[1.15](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_ref-AIIndex2022_1-15)} ^{[1.16](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_ref-AIIndex2022_1-16)} ^{[1.17](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_ref-AIIndex2022_1-17)} ^{[1.18](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_ref-AIIndex2022_1-18)} ^{[1.19](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_ref-AIIndex2022_1-19)} ^{[1.20](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_ref-AIIndex2022_1-20)} ^{[1.21](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_ref-AIIndex2022_1-21)} ^{[1.22](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_ref-AIIndex2022_1-22)} ^{[1.23](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_ref-AIIndex2022_1-23)} ^{[1.24](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_ref-AIIndex2022_1-24)} ^{[1.25](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_ref-AIIndex2022_1-25)} ^{[1.26](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_ref-AIIndex2022_1-26)} ^{[1.27](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_ref-AIIndex2022_1-27)} ^{[1.28](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_ref-AIIndex2022_1-28)} ^{[1.29](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_ref-AIIndex2022_1-29)} ^{[1.30](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_ref-AIIndex2022_1-30)} ^{[1.31](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_ref-AIIndex2022_1-31)} ^{[1.32](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_ref-AIIndex2022_1-32)} ^{[1.33](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_ref-AIIndex2022_1-33)} ^{[1.34](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_ref-AIIndex2022_1-34)} ^{[1.35](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#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_(HU)#cite_ref-NetBaseQuid2021_2-0)} ^{[2.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_ref-NetBaseQuid2021_2-1)} ^{[2.2](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_ref-NetBaseQuid2021_2-2)} ^{[2.3](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_ref-NetBaseQuid2021_2-3)} ^{[2.4](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#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_(HU)#cite_ref-CSET2021_3-0)} ^{[3.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_ref-CSET2021_3-1)} ^{[3.2](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_ref-CSET2021_3-2)} ^{[3.3](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#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_(HU)#cite_ref-Rae2021_4-0)} ^{[4.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#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_(HU)#cite_ref-MLPerf2021_5-0)} ^{[5.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#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_(HU)#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_(HU)#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_(HU)#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_(HU)#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_(HU)#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_(HU)#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_(HU)#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_(HU)#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_(HU)#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_(HU)#cite_ref-McKinsey2021_15-0)} ^{[15.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#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_(HU)#cite_ref-CRATaulbee2021_16-0)} ^{[16.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#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_(HU)#cite_ref-BloombergGov2021_17-0)} ^{[17.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_ref-BloombergGov2021_17-1)} ^{[17.2](https://systems-analysis.info/int/The_2022_AI_Index_Report_(HU)#cite_ref-BloombergGov2021_17-2)} Bloomberg Government (2021). *U.S. AI Legislative Records*. https://about.bgov.com/