--- title: "The 2022 AI Index Report (KO)" source: "https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)" wiki: "systems-analysis.info/int" article: "The_2022_AI_Index_Report_(KO)" language: "ko" categories: - "Category:Korean" - "Category:Large language models" - "Category:Machine learning" revision_id: 8000 wiki_created_at: 2026-09-07T01:10:36Z wiki_modified_at: 2026-09-07T01:10:36Z downloaded_at: 2026-09-07T23:22:33Z --- # The 2022 AI Index Report (KO) **AI Index Report 2022** — 스탠퍼드 인간 중심 인공지능 연구소(Stanford HAI)가 작성한 **AI Index** 연례 보고서의 다섯 번째 판입니다^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-AIIndex2022-1)}. 2022년 보고서는 발행 당시 가장 방대한 분량을 자랑하며, 경제 전반에 걸쳐 AI 시스템이 대규모로 배포되는 시기에 출간되었습니다. 이번 판에는 AI 기술 윤리에 대한 심층 분석을 담은 별도 챕터, 전 세계 연구자 설문을 바탕으로 한 광범위한 로봇공학 개요, 그리고 세계 25개국의 AI 관련 입법 동향 데이터가 처음으로 수록되었습니다. 보고서는 인공지능과 관련된 데이터를 추적·체계화·시각화하여, 정책 입안자, 연구자, 경영진, 언론인 및 일반 대중에게 객관적이고 철저히 검증된 정보를 제공합니다. ## 보고서 구성 2022년 보고서는 다섯 개의 주제별 챕터와 부록으로 구성되어 있습니다^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-AIIndex2022-1)}: 1. **연구 및 개발 (Research and Development)** — 논문, 특허, 학술대회 및 오픈소스 소프트웨어 동향. 2. **기술적 성능 (Technical Performance)** — 컴퓨터 비전, 언어 처리, 음성 인식, 추천 시스템, Reinforcement Learning, 하드웨어 및 로봇공학 benchmark. 3. **AI 기술 윤리 (Technical AI Ethics)** — 신규 챕터: 공정성 및 편향 지표, 언어 모델의 독성, 멀티모달 편향, 팩트 체크 및 진실성. 4. **경제와 교육 (The Economy and Education)** — 노동 시장, 투자, 기업의 AI 도입 및 인재 양성. 5. **AI 정책 및 거버넌스 (AI Policy and Governance)** — 입법, 규제 및 국가 전략. ## 보고서 주요 결론 보고서 저자들은 2022년의 주요 핵심 내용을 다음과 같이 정리하였습니다^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-AIIndex2022-1)}: ### 1. 민간 AI 투자 급증 및 자본 집중 심화 2021년 AI에 대한 민간 투자는 약 935억 달러로, 2020년 대비 두 배 이상 증가하였습니다. 반면 신규 자금을 유치한 AI 기업 수는 2019년 1,051개, 2020년 762개에서 2021년 746개로 감소세를 지속했습니다. 5억 달러를 초과한 투자 라운드는 2020년 4건에서 2021년에는 15건으로 늘어났습니다^{[\[2\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-NetBaseQuid2021-2)}. ### 2. AI 국제 협력에서 미국과 중국의 지배적 위치 지정학적 긴장 고조에도 불구하고, 미국과 중국은 2010~2021년 기간 동안 AI 공동 논문 수에서 가장 높은 수치를 기록하였으며, 2010년 이후 협력 규모가 5배 증가하였습니다. 이 두 나라의 공동 논문 수는 그 다음 쌍인 영국-중국보다 2.7배 많았습니다^{[\[3\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-CSET2021-3)}. ### 3. 언어 모델의 성능 향상과 편향 심화 대형 언어 모델들은 기술 benchmark에서 새로운 기록을 세웠지만, 더 큰 모델일수록 훈련 데이터의 편향을 더 강하게 재현하는 것으로 나타났습니다. 2800억 파라미터 모델인 Gopher(DeepMind, 2021)는 2018년 최고 수준으로 평가받던 1억 1700만 파라미터 모델보다 유발 독성이 29% 더 높았습니다^{[\[4\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-Rae2021-4)}. ### 4. AI 윤리 연구의 급성장 AI 공정성 및 투명성 분야 연구는 2014년 이후 폭발적으로 성장하여, 윤리 관련 학술대회의 관련 논문 수가 5배 증가하였습니다. 알고리즘 공정성과 편향 문제는 순수 학문적 주제에서 벗어나 주류 연구 분야로 자리잡았습니다. 산업계 소속 연구자들은 윤리 학술대회에 대한 기여를 매년 71%씩 늘려왔습니다[1]. ### 5. AI의 접근성 및 성능 향상 2018년 이후 이미지 분류 시스템 훈련 비용은 63.6% 감소하였고, 훈련 시간은 94.4% 단축되었습니다. 추천 시스템, 객체 탐지, 언어 처리 등 다른 MLPerf 과제 범주에서도 유사한 비용 절감 및 훈련 가속화 추세가 나타났습니다^{[\[5\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-MLPerf2021-5)}. ### 6. 데이터: 핵심 자원 기술 benchmark 최고 성과는 점점 더 추가 훈련 데이터의 활용을 통해 달성되고 있습니다. 2021년 기준으로, 검토된 benchmark에서 최고 성능을 보인 AI 시스템 10개 중 9개가 추가 데이터를 활용해 훈련되었습니다. 이 추세는 광범위한 dataset에 접근 가능한 민간 기업에 암묵적으로 유리하게 작용합니다^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-AIIndex2022-1)}. ### 7. 전 세계 AI 관련 입법의 급증 25개국을 대상으로 한 AI Index 분석에 따르면, '인공지능'이라는 용어를 포함한 채택 법률 수가 2016년 1건에서 2021년 18건으로 증가하였습니다. 2021년 선두는 스페인, 영국, 미국으로, 각각 3건의 법률을 채택하였습니다^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-AIIndex2022-1)}. ### 8. 로봇 매니퓰레이터 가격 하락 AI Index 설문조사에 따르면, 로봇 매니퓰레이터의 중앙값 가격이 5년간 46.2% 하락하였습니다. 2017년 42,000달러에서 2021년 22,600달러로 내려가면서 로봇공학 연구의 접근성이 높아졌습니다^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-AIIndex2022-1)}. ### 9. 멀티모달 모델의 멀티모달 편향 계승 CLIP과 같은 멀티모달 언어-비전 모델은 이미지 분류 및 텍스트 기반 이미지 생성 과제에서 새로운 기록을 세웠지만, 사회적 고정관념과 편향도 함께 재현하였습니다. CLIP 실험에서 흑인 사람들의 이미지가 다른 인종의 이미지보다 두 배 이상 높은 비율로 '비인간적' 범주로 잘못 분류되었습니다^{[\[6\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-Birhane2021-6)}. ### 10. 보다 범용적인 Reinforcement Learning으로의 이동 지난 10년간 AI 시스템은 체스(최고의 체스 엔진은 Magnus Carlsen의 최고 등급을 24% 초과)와 같은 좁은 Reinforcement Learning 과제를 성공적으로 습득해왔습니다. 그러나 최근 2년간 AI 시스템들은 새롭고 낯선 환경에서 행동해야 하는 보다 범용적인 Reinforcement Learning 과제(Procgen)에서도 결과를 129% 향상시켰습니다^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-AIIndex2022-1)}. ## 1장. 연구 및 개발 이 챕터는 논문, 특허, 학술대회 및 오픈소스 소프트웨어의 동향을 분석합니다^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-AIIndex2022-1)}. ### 논문 AI 분야 영어 논문의 총 수는 계속 증가하여 2021년 334,500편에 달하였습니다^{[\[3\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-CSET2021-3)}. **출판 유형별.** 2021년에는 저장소(arXiv 등)에 56,700편 이상의 논문이 게재되었으며, 이는 AI 연구에서 사전 출판(프리프린트)의 역할이 커지고 있음을 반영합니다^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-AIIndex2022-1)}. **지역별 분포.** 2021년 중국은 학술지, 학술대회, 저장소를 합산한 총 논문 수에서 계속 선두를 유지하였으며, 미국보다 63.2% 많은 논문을 발표하였습니다. 반면 미국은 학술대회 및 저장소 논문 인용 수에서 압도적인 선두를 유지하였습니다^{[\[3\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-CSET2021-3)}: | 지표 | 중국 | EU + 영국 | 미국 | |-----------------------------|-------|-----------|-------| | 학술대회 논문 점유율 (2021) | 27.6% | 19.0% | 16.9% | | 학술대회 인용 점유율 (2021) | 15.3% | 23.3% | 29.5% | | 저장소 논문 점유율 (2021) | 16.6% | 23.9% | 32.5% | | 저장소 인용 점유율 (2021) | 16.4% | 20.1% | 38.6% | **부문 간 협력.** 2010년부터 2021년까지 AI 공동 논문 수는 교육기관과 비영리기관 간 협력이 가장 많았으며, 그 다음은 민간 기업과 교육기관 간 협력, 교육기관과 정부 기관 간 협력 순이었습니다^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-AIIndex2022-1)}. ### 특허 2021년 AI 분야 특허 출원 수는 2015년 대비 30배 이상 증가하였으며, 연평균 성장률은 76.9%에 달하였습니다. 지역별로는 동아시아 및 태평양 지역이 특허 출원의 62.1%를 차지하며 지배적인 위치를 보였습니다. 중국의 특허 출원 수는 미국의 3배 수준으로, 2021년 87,343건을 출원하여 1,407건의 특허가 승인되었습니다^{[\[3\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-CSET2021-3)}. ### 학술대회 2021년 주요 AI 학술대회 참석자 수는 2020년 수준을 유지하며 전 세계 88,000명 이상이 참가하였습니다. 대부분의 학술대회는 COVID-19 팬데믹으로 인해 가상 형식으로 진행되었습니다. ICRA와 EMNLP만이 하이브리드 형식을 채택하였습니다^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-AIIndex2022-1)}. ## 2장. 기술적 성능 이 챕터는 컴퓨터 비전, 언어 처리, 음성 인식, 추천 시스템, Reinforcement Learning, 하드웨어 및 로봇공학의 발전에 대한 확장 분석을 제공합니다^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-AIIndex2022-1)}. ### 컴퓨터 비전 **ImageNet.** ImageNet에서의 이미지 분류 정확도는 계속 향상되었습니다. 추가 훈련 데이터를 활용한 시스템은 훨씬 더 높은 성과를 보였습니다. 2021년 ImageNet-21K + JFT로 훈련된 CoAtNet 모델은 top-1 accuracy 90.88%를 달성하였으며, 이는 인간 수준(top-5 기준 약 94.9%)을 상당히 넘어서는 수치입니다^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-AIIndex2022-1)}. **특화된 하위 과제.** 2021년에는 의료 이미지 분할 및 마스크 착용 얼굴 인식과 같은 컴퓨터 비전의 특화된 하위 과제에 대한 관심이 증가하였습니다. 예를 들어, 2020년 이전에는 Kvasir-SEG(의료 영상) benchmark를 테스트한 연구가 3편에 불과하였으나, 2021년에는 25편으로 늘어났습니다^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-AIIndex2022-1)}. **시각적 상식 추론 (VCR).** 2021년 말 기준으로 Visual Commonsense Reasoning benchmark 최고 점수는 72.0으로, 2018년 대비 63.6% 향상되었지만 여전히 인간 수준에 크게 못 미쳤습니다. 개선 폭은 점점 작아지고 있어 새로운 접근 방식의 필요성이 제기되었습니다^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-AIIndex2022-1)}. ### 자연어 처리 **SuperGLUE.** SuperGLUE 리더보드 선두는 SS-MoE 모델로 91.0점을 기록하였으며, 이는 인간 수준(89.8점)을 초과하는 수치입니다. SuperGLUE에서의 빠른 진전은 더 복잡한 언어 benchmark 개발의 필요성을 시사하였습니다^{[\[7\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-SuperGLUE2019-7)}. **SQuAD.** AI 시스템은 SQuAD 2.0 독해 benchmark에서 인간 수준을 1~5% 초과하였지만, 귀납적 자연어 추론(aNLI)과 같은 더 복잡한 과제에서는 인간이 여전히 AI를 앞섰습니다. 다만 그 격차는 2019년 9퍼센트포인트에서 2021년 1퍼센트포인트로 줄어들었습니다^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-AIIndex2022-1)}. **기계 번역.** 상업적으로 이용 가능한 기계 번역 시스템 수는 계속 증가하였으며, 주요 언어 쌍(WMT 2014)에서의 번역 품질도 꾸준히 향상되었습니다^{[\[8\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-Intento2021-8)}. ### 음성 인식 LibriSpeech(Test-Clean) benchmark에서 단어 오류율(WER)은 계속 감소하며 인간 수준에 근접하고 있습니다. 더 복잡한 음성 dataset에서도 발전이 이루어졌습니다^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-AIIndex2022-1)}. ### Reinforcement Learning **Atari-57.** Reinforcement Learning 시스템은 Arcade Learning Environment의 고전적인 과제에서 계속 발전하였습니다. MuZero(DeepMind) 모델은 선두 주자 중 하나로 남아 있었습니다^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-AIIndex2022-1)}. **Procgen.** 새로운 환경에서의 일반화 능력을 테스트하는 Procgen benchmark에서 AI 시스템은 2년간 129% 향상된 결과를 보여, 보다 범용적인 에이전트를 향한 움직임을 나타냈습니다^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-AIIndex2022-1)}. **체스.** 최고의 체스 소프트웨어 엔진은 Magnus Carlsen의 최고 ELO 등급을 24% 초과하였습니다^{[\[9\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-SSCA2021-9)}. ### 하드웨어 및 훈련 비용 **MLPerf.** MLPerf benchmark 데이터는 사용 가속기 수가 증가하는 동시에 훈련 시간이 꾸준히 단축되고 있음을 보여주었습니다. 2018년부터 2021년까지 선두 참가자와 전체 참가자 간의 평균 가속기 수 격차는 9배 확대되었으며, 이는 하드웨어 자원에 대한 요구사항이 증가하고 있음을 시사합니다^{[\[5\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-MLPerf2021-5)}. **ImageNet 훈련 비용.** 93% 정확도까지 고성능 이미지 분류 시스템을 훈련하는 비용은 2017년 1,112.6달러에서 2021년 4.6달러로 감소하여, 4년간 223배 하락하였습니다^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-AIIndex2022-1)}. ### 로봇공학 **매니퓰레이터 가격.** 전 세계 67개 대학의 로봇공학 교수 509명을 대상으로 한 AI Index 설문조사에서 로봇 매니퓰레이터의 중앙값 가격이 46.2% 하락하여 2017년 42,000달러에서 2021년 22,600달러로 내려간 것으로 나타났습니다^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-AIIndex2022-1)}. **로봇공학에서의 AI 기술.** 설문에 응한 로봇공학 교수의 67%가 연구에 딥러닝을 활용한다고 답하였으며, 46%는 Reinforcement Learning을 활용한다고 응답하였습니다^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-AIIndex2022-1)}. ## 3장. AI 기술 윤리 보고서에 처음으로 포함된 이 챕터는 공정성 및 편향 지표, 언어 모델의 독성, 멀티모달 편향, AI의 팩트 체크 및 진실성 문제에 대한 심층 분석을 제공합니다^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-AIIndex2022-1)}. ### 공정성 및 편향 지표 메타 분석 AI 편향 및 공정성 측정 지표 수는 2018년 이후 꾸준히 증가하였습니다. 지표는 모델의 내부 동작을 측정하는 benchmark dataset(예: StereoSet, CrowS-Pairs)과 특정 집단에 대한 모델의 영향을 평가하는 진단 지표(예: 인구통계학적 동등성, 기회 균등) 두 가지 주요 유형으로 나뉩니다^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-AIIndex2022-1)}. ### 언어 모델의 독성 **RealToxicityPrompts.** 언어 모델의 독성은 훈련 데이터에 크게 의존하였습니다. 독성 콘텐츠가 필터링된 텍스트(예: 필터링된 C4)로 훈련된 모델은 필터링되지 않은 인터넷 콘텐츠로 훈련된 모델에 비해 훨씬 낮은 독성을 보였습니다^{[\[10\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-Gehman2020-10)}. **규모와 독성.** Gopher(DeepMind, 2800억 파라미터) 모델 분석에 따르면, 더 큰 모델은 적절한 prompt에서 독성 있는 내용을 생성할 가능성이 더 높았지만, 동시에 독성 콘텐츠를 인식하는 능력도 더 뛰어났습니다^{[\[4\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-Rae2021-4)}. **독성 제거.** 언어 모델 독성 제거 방법(DAPT, PPLM, GeDi)은 일관되게 성능 저하를 초래하였으며, 아프리카계 미국인 영어 및 소수 집단 언급이 포함된 텍스트에서 불균형적으로 더 심한 성능 저하가 발생하였습니다^{[\[11\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-Xu2021-11)}. ### 고정관념과 편향 **StereoSet**은 성별, 인종, 종교, 직업 축에 따른 고정관념 편향을 측정하였습니다. **CrowS-Pairs**는 마스킹된 언어 모델의 고정관념 편향 정도를 평가하였습니다. **Winogender**와 **WinoBias**는 공참조 과제에서의 성별 편향을, **WinoMT**는 기계 번역에서의 성별 편향을 테스트하였습니다^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-AIIndex2022-1)}. ### 멀티모달 편향 (CLIP) CLIP(Contrastive Language-Image Pretraining, OpenAI) 모델은 이미지 분류에서 인상적인 결과를 보였지만, 인터넷에서 수집한 4억 쌍의 이미지-텍스트 훈련 데이터로부터 성별, 인종, 연령 편향을 계승하였습니다. 주요 발견 사항^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-AIIndex2022-1)}: - **명예훼손적 해악:** 분류에 비인간 및 범죄 관련 카테고리를 추가했을 때, 흑인 사람들의 이미지는 14%의 경우 비인간 카테고리로 잘못 분류되었으며, 이는 다른 인종보다 두 배 높은 수치입니다. - **성별 편향:** '보모', '가정부' 레이블은 여성과, '죄수', '마피아단원' 레이블은 남성과 연관되었습니다. - **편향 전파:** CLIP의 편향은 CLIP embedding을 활용하여 큐레이션된 LAION-400M dataset에 전달되어 이후의 모든 응용에 영향을 미쳤습니다. ### 팩트 체크 및 진실성 **TruthfulQA.** TruthfulQA benchmark에서 여러 언어 모델 계열을 분석한 결과, 기본 모델의 규모 확장(GPT-3 계열)은 진실성 저하로 이어지는 것으로 나타났습니다. 그러나 인간 피드백을 통해 fine-tuning된 모델(InstructGPT, WebGPT)은 규모가 커질수록 더 진실되게 응답하였습니다^{[\[12\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-TruthfulQA2021-12)}. **FEVER.** FEVER(Fact Extraction and VERification) benchmark에서 자동 팩트 체크 시스템은 지속적으로 향상되었지만, 여전히 인간 수준에는 미치지 못하였습니다^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-AIIndex2022-1)}. ### 윤리 학술대회 동향 FAccT(Fairness, Accountability, and Transparency) 학술대회 및 NeurIPS 관련 워크숍의 논문 분석에서 해석 가능성, 설명 가능성, 인과 추론, 개인정보 보호, 데이터 수집, 공정성 및 편향에 관한 연구가 증가하고 있는 것으로 나타났습니다. 산업계 소속 연구자들은 이러한 학술 행사에서의 기여를 크게 늘렸습니다^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-AIIndex2022-1)}. ## 4장. 경제와 교육 이 챕터는 노동 시장, 투자, 기업의 AI 도입 및 인재 양성의 동향을 살펴봅니다^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-AIIndex2022-1)}. ### 노동 시장 **AI 전문가 채용.** LinkedIn 데이터에 따르면, 뉴질랜드가 2016~2021년 AI 전문가 채용 증가율에서 2.42배로 가장 높은 수치를 기록하였으며, 그 뒤를 홍콩(1.56배), 아일랜드(1.28배), 룩셈부르크(1.26배), 스웨덴(1.24배)이 이었습니다^{[\[13\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-LinkedIn2021-13)}. **채용 공고.** Emsi Burning Glass 데이터에 따르면, 싱가포르는 전체 채용 공고 중 AI 관련 공고 비율이 2.33%로 가장 높았으며, 그 뒤를 미국(0.90%), 캐나다(0.78%), 영국(0.74%)이 이었습니다. 미국 내에서는 캘리포니아가 가장 많은 AI 채용 공고를 보유하였으며(텍사스보다 2.35배 이상), 워싱턴 D.C.가 AI 채용 공고 비율이 가장 높았습니다^{[\[14\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-EmsiBG2021-14)}. ### 투자 **전반적 동향.** 2021년 AI에 대한 기업 총 투자액은 1,765억 달러의 사상 최고치를 기록하였으며, 그 중 민간 투자가 935억 달러(2020년 대비 두 배 이상 증가), 인수합병이 약 720억 달러, 기업공개가 약 95억 달러를 차지하였습니다^{[\[2\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-NetBaseQuid2021-2)}. **지역별 분포.** 미국은 약 529억 달러의 민간 투자로 선두를 기록하였으며, 이는 중국(172억 달러)의 세 배 이상입니다. 영국은 3위(46.5억 달러)를 차지하였으며, 그 뒤를 이스라엘(24억 달러)과 독일(19.8억 달러)이 이었습니다^{[\[2\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-NetBaseQuid2021-2)}. | 국가 | 2021년 민간 투자 (십억 USD) | 2013~2021년 민간 투자 (십억 USD) | |----------|-----------------------------|----------------------------------| | 미국 | 52.9 | 149.0 | | 중국 | 17.2 | 61.9 | | 영국 | 4.65 | 10.8 | | 이스라엘 | 2.4 | 6.1 | | 독일 | 1.98 | 3.9 | | 인도 | 1.87 | 10.8 | **분야별 집중.** 2021년 민간 투자를 가장 많이 유치한 분야는 '데이터 관리, 처리 및 클라우드'로 2020년 대비 2.6배 증가하였으며, 그 다음은 '의료 및 헬스케어'(112.9억 달러), '핀테크'(102.6억 달러) 순이었습니다^{[\[2\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-NetBaseQuid2021-2)}. **자본 집중.** 2021년 AI 민간 투자 거래의 평균 규모는 2020년 대비 81.1% 증가하였습니다. 신규 자금을 유치한 AI 기업 수는 2018년 최고점 이후 3년 연속 감소하였습니다^{[\[2\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-NetBaseQuid2021-2)}. ### 기업의 AI 도입 McKinsey 데이터에 따르면, 2021년 조직의 평균 AI 도입률은 56%로 2020년 대비 6퍼센트포인트 증가하였습니다. 인도가 65%로 선두를 기록하였으며, 그 뒤를 아시아태평양 선진국(64%), 신흥 시장(57%), 북미(55%)가 이었습니다^{[\[15\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-McKinsey2021-15)}. **리스크 관리.** 산업 내 AI 윤리 문제 해결을 위한 노력은 여전히 제한적이었습니다. McKinsey 응답자의 29%가 AI 도입 시 '공정성과 평등'을 위험 요소로 인식하고 있었지만, 실제로 이를 완화하기 위한 조치를 취한 비율은 19%에 불과하였습니다. 마찬가지로 41%가 '설명 가능성'을 위험 요소로 인식하였지만, 이를 확보하기 위해 노력한 비율은 27%에 그쳤습니다^{[\[15\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-McKinsey2021-15)}. ### 교육 **학부.** 북미 대학(박사 학위 수여 대학 기준)의 컴퓨터 과학 학부 졸업자 수는 2010~2020년 3.5배 증가하여 31,000명 이상에 달하였으며, 이는 2019년 대비 11.6% 증가한 수치입니다^{[\[16\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-CRATaulbee2021-16)}. **박사 과정.** 2020년에는 컴퓨터 과학 박사 졸업자 5명 중 1명이 AI/Machine Learning을 전공하였으며, 이는 지난 10년간 가장 인기 있는 전공이었습니다. 이 전공 박사 수는 2010~2020년 72.05% 증가하였습니다^{[\[16\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-CRATaulbee2021-16)}. ## 5장. AI 정책 및 거버넌스 이 챕터는 글로벌 수준 및 개별 국가별 AI 관련 입법 및 규제 활동을 분석합니다^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-AIIndex2022-1)}. ### 글로벌 입법 AI Index 분석은 25개국의 입법 활동을 포괄하였습니다. 2016~2021년 기간 동안 '인공지능'을 언급한 55개의 법률이 채택되었습니다. 증가세는 급격하여 2016년 1건에서 2021년 18건으로 늘어났습니다^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-AIIndex2022-1)}. **채택 법률 수 상위 국가 (2016~2021):** | 국가 | 법률 수 (2016~2021) | 법률 수 (2021) | |----------|---------------------|----------------| | 미국 | 13 | 3 | | 러시아 | 6 | 2 | | 벨기에 | 5 | 2 | | 스페인 | 5 | 3 | | 영국 | 5 | 3 | | 프랑스 | 4 | 1 | | 이탈리아 | 3 | 1 | 채택된 법률 중에는 AI 전략에 1억 2,500만 달러를 배정한 캐나다의 Budget Implementation Act(2017), 모스크바에서의 AI 실험적 법적 체제에 관한 러시아 연방법 123-FZ(2020년 4월 24일), 딥페이크 연구 지원에 관한 미국 IOGAN Act(2020), AI 도구를 위한 윤리위원회 설립에 관한 벨기에 법령(2021)이 포함되어 있습니다^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-AIIndex2022-1)}. ### 미국 입법 연방 수준에서 AI 관련 법안 제안 수는 2015년 1건에서 2021년 130건으로 증가하였지만, 채택된 비율은 2%에 불과하였습니다. 주 수준에서는 법안 제안 수가 2012년 2건에서 2021년 131건으로 증가하였으며, 채택 비율은 20%(131건 중 26건)를 기록하였습니다^{[\[17\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-BloombergGov2021-17)}. 매사추세츠주가 주 수준에서 가장 많은 AI 법안을 제안하였으며(2012년 이후 40건), 그 뒤를 하와이(35건)와 뉴저지(32건)가 이었습니다^{[\[17\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-BloombergGov2021-17)}. ### 의회 문서에서의 AI 언급 25개국 정부 회의록에서의 AI 언급 수는 6년(2016~2021년)간 7.7배 증가하여 2021년 1,323건에 달하였습니다. 영국은 전체 기간 동안 939건으로 압도적인 선두를 기록하였으며, 그 뒤를 스페인, 일본, 미국, 호주가 이었습니다^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-AIIndex2022-1)}. 미국 의회에서는 2021년에 시작된 제117대 회기가 첫 해 말까지 295건의 AI 언급을 기록하며, 제116대 회기(2019~2020년, 506건)의 기록을 넘어설 궤도에 올라 있었습니다^{[\[17\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-BloombergGov2021-17)}. ## 방법론 보고서는 다양한 출처의 데이터를 활용합니다^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-AIIndex2022-1)}: - **논문 및 특허:** Center for Security and Emerging Technology (CSET), 조지타운 대학교. - **Benchmark:** Papers With Code, SuperGLUE, SQuAD, VCR, MLPerf 등의 리더보드. - **투자 및 스타트업:** NetBase Quid. - **노동 시장:** Emsi Burning Glass, LinkedIn. - **기업 활동:** McKinsey & Company. - **로봇공학:** AI Index 자체 설문조사(교수 509명, 67개 대학). - **입법:** AI Index(25개국 글로벌 분석), Bloomberg Government(미국). - **교육:** CRA Taulbee Survey. - **윤리:** RealToxicityPrompts, Perspective API, StereoSet, CrowS-Pairs, Winogender, WinoBias, WinoMT, TruthfulQA, FEVER, FAccT, NeurIPS. ## 저자진 보고서는 공동 이사인 **잭 클라크**(Jack Clark, Anthropic / OECD)와 **레이먼드 페로**(Raymond Perrault, SRI International)의 주도 하에 광범위한 연구자 및 파트너 기관의 참여로 작성되었습니다. 운영위원회에는 Erik Brynjolfsson(스탠퍼드), John Etchemendy(스탠퍼드), Terah Lyons, James Manyika(Google / 옥스퍼드 대학교), Juan Carlos Niebles(스탠퍼드 / Salesforce), Michael Sellitto(스탠퍼드), Yoav Shoham(스탠퍼드 / AI21 Labs — 창립 이사)이 참여하였습니다. 연구 매니저 겸 편집장은 **네스토르 마슬레이**(Nestor Maslej, 스탠퍼드)입니다. AI Index는 스탠퍼드 HAI(Human-Centered Artificial Intelligence) 연구소의 프로젝트입니다^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_note-AIIndex2022-1)}. ## 참고 링크 - Stanford HAI — AI Index Report 2022 (전문): https://aiindex.stanford.edu/report/ - Center for Security and Emerging Technology (CSET) — 논문 및 특허 데이터: https://cset.georgetown.edu/ - Papers With Code — benchmark 및 리더보드: https://paperswithcode.com/ - SuperGLUE Benchmark: https://super.gluebenchmark.com/ - MLPerf (MLCommons) — 훈련 benchmark: https://mlcommons.org/en/ - NetBase Quid — 투자 데이터: 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 — 입법 데이터: 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/ ## 참고 문헌 - 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 ## 주석 1. ↑ ^{[1.00](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_ref-AIIndex2022_1-0)} ^{[1.01](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_ref-AIIndex2022_1-1)} ^{[1.02](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_ref-AIIndex2022_1-2)} ^{[1.03](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_ref-AIIndex2022_1-3)} ^{[1.04](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_ref-AIIndex2022_1-4)} ^{[1.05](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_ref-AIIndex2022_1-5)} ^{[1.06](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_ref-AIIndex2022_1-6)} ^{[1.07](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_ref-AIIndex2022_1-7)} ^{[1.08](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_ref-AIIndex2022_1-8)} ^{[1.09](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_ref-AIIndex2022_1-9)} ^{[1.10](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_ref-AIIndex2022_1-10)} ^{[1.11](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_ref-AIIndex2022_1-11)} ^{[1.12](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_ref-AIIndex2022_1-12)} ^{[1.13](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_ref-AIIndex2022_1-13)} ^{[1.14](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_ref-AIIndex2022_1-14)} ^{[1.15](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_ref-AIIndex2022_1-15)} ^{[1.16](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_ref-AIIndex2022_1-16)} ^{[1.17](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_ref-AIIndex2022_1-17)} ^{[1.18](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_ref-AIIndex2022_1-18)} ^{[1.19](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_ref-AIIndex2022_1-19)} ^{[1.20](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_ref-AIIndex2022_1-20)} ^{[1.21](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_ref-AIIndex2022_1-21)} ^{[1.22](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_ref-AIIndex2022_1-22)} ^{[1.23](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_ref-AIIndex2022_1-23)} ^{[1.24](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_ref-AIIndex2022_1-24)} ^{[1.25](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_ref-AIIndex2022_1-25)} ^{[1.26](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_ref-AIIndex2022_1-26)} ^{[1.27](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_ref-AIIndex2022_1-27)} ^{[1.28](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_ref-AIIndex2022_1-28)} ^{[1.29](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_ref-AIIndex2022_1-29)} ^{[1.30](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_ref-AIIndex2022_1-30)} ^{[1.31](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_ref-AIIndex2022_1-31)} ^{[1.32](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_ref-AIIndex2022_1-32)} ^{[1.33](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_ref-AIIndex2022_1-33)} ^{[1.34](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_ref-AIIndex2022_1-34)} ^{[1.35](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#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_(KO)#cite_ref-NetBaseQuid2021_2-0)} ^{[2.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_ref-NetBaseQuid2021_2-1)} ^{[2.2](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_ref-NetBaseQuid2021_2-2)} ^{[2.3](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_ref-NetBaseQuid2021_2-3)} ^{[2.4](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#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_(KO)#cite_ref-CSET2021_3-0)} ^{[3.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_ref-CSET2021_3-1)} ^{[3.2](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_ref-CSET2021_3-2)} ^{[3.3](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#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_(KO)#cite_ref-Rae2021_4-0)} ^{[4.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#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_(KO)#cite_ref-MLPerf2021_5-0)} ^{[5.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#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_(KO)#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_(KO)#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_(KO)#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_(KO)#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_(KO)#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_(KO)#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_(KO)#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_(KO)#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_(KO)#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_(KO)#cite_ref-McKinsey2021_15-0)} ^{[15.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#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_(KO)#cite_ref-CRATaulbee2021_16-0)} ^{[16.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#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_(KO)#cite_ref-BloombergGov2021_17-0)} ^{[17.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_ref-BloombergGov2021_17-1)} ^{[17.2](https://systems-analysis.info/int/The_2022_AI_Index_Report_(KO)#cite_ref-BloombergGov2021_17-2)} Bloomberg Government (2021). *U.S. AI Legislative Records*. https://about.bgov.com/