---
title: "The 2022 AI Index Report (PL)"
source: "https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)"
wiki: "systems-analysis.info/int"
article: "The_2022_AI_Index_Report_(PL)"
language: "pl"
categories:
  - "Category:Large language models"
  - "Category:Machine learning"
  - "Category:Polish"
revision_id: 8002
wiki_created_at: 2026-09-07T01:10:39Z
wiki_modified_at: 2026-09-07T01:10:39Z
downloaded_at: 2026-09-07T23:22:34Z
---

# The 2022 AI Index Report (PL)

**AI Index Report 2022** — piąte coroczne wydanie raportu **AI Index**, przygotowane przez Stanfordzki Instytut Sztucznej Inteligencji Skoncentrowanej na Człowieku (Stanford HAI)<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-AIIndex2022-1)</sup>. Raport z 2022 roku jest najbardziej obszernym w chwili publikacji i ukazuje się w okresie masowego wdrażania systemów AI w gospodarce. Wydanie po raz pierwszy zawiera osobny rozdział z pogłębioną analizą technicznej etyki AI, obszerny przegląd robotyki oparty na globalnej ankiecie badaczy, a także dane o inicjatywach ustawodawczych w obszarze AI w 25 krajach świata. Raport śledzi, systematyzuje i wizualizuje dane związane ze sztuczną inteligencją, dostarczając obiektywnych i starannie zweryfikowanych informacji dla decydentów, badaczy, menedżerów, dziennikarzy i szerokiej opinii publicznej.

## Struktura raportu

Raport z 2022 roku składa się z pięciu tematycznych rozdziałów i załącznika<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-AIIndex2022-1)</sup>:

1.  **Badania i rozwój (Research and Development)** — trendy w publikacjach, patentach, konferencjach i oprogramowaniu open source.
2.  **Wydajność techniczna (Technical Performance)** — benchmarki w widzeniu komputerowym, przetwarzaniu języka, mowy, systemach rekomendacyjnych, uczeniu ze wzmocnieniem, sprzęcie komputerowym i robotyce.
3.  **Techniczna etyka AI (Technical AI Ethics)** — nowy rozdział: metryki sprawiedliwości i stronniczości, toksyczność modeli językowych, zniekształcenia multimodalne, weryfikacja faktów i prawdziwość.
4.  **Gospodarka i edukacja (The Economy and Education)** — rynek pracy, inwestycje, korporacyjne wdrożenia AI i kształcenie kadr.
5.  **Polityka i zarządzanie AI (AI Policy and Governance)** — ustawodawstwo, regulacje i strategie narodowe.

## Kluczowe wnioski raportu

Autorzy raportu wyróżnili szereg głównych tez 2022 roku<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-AIIndex2022-1)</sup>:

### 1. Prywatne inwestycje w AI gwałtownie wzrosły, a koncentracja kapitału się nasiliła

Prywatne inwestycje w AI w 2021 roku wyniosły około 93,5 mld dolarów — ponad dwukrotnie przekraczając wynik z 2020 roku. Jednocześnie liczba nowo finansowanych firm AI nadal malała: z 1 051 w 2019 roku i 762 w 2020 roku do 746 w 2021 roku. Jeśli w 2020 roku jedynie 4 rundy finansowania przekroczyły 500 mln dolarów, to w 2021 roku takich rund było już 15<sup>[\[2\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-NetBaseQuid2021-2)</sup>.

### 2. USA i Chiny dominują we współpracy międzynarodowej w zakresie AI

Pomimo rosnących napięć geopolitycznych USA i Chiny odnotowały największą liczbę wspólnych publikacji dotyczących AI w latach 2010–2021, zwiększając zakres współpracy pięciokrotnie od 2010 roku. Ten duet wyprodukował 2,7 razy więcej publikacji niż kolejna para — Wielka Brytania i Chiny<sup>[\[3\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-CSET2021-3)</sup>.

### 3. Modele językowe stają się potężniejsze, ale i bardziej stronnicze

Duże modele językowe ustanawiały nowe rekordy na technicznych benchmarkach, jednak dane pokazały, że większe modele silniej odtwarzają stronniczość z danych treningowych. Model z 280 mld parametrów (Gopher, DeepMind, 2021) wykazał o 29% wyższą wywoływaną toksyczność w porównaniu z modelem ze 117 mln parametrów, uznawanym za przełomowy w 2018 roku<sup>[\[4\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-Rae2021-4)</sup>.

### 4. Rozkwit etyki AI

Badania w obszarze sprawiedliwości i przejrzystości AI przeżyły eksplozywny wzrost od 2014 roku: liczba specjalistycznych publikacji na konferencjach etycznych zwiększyła się pięciokrotnie. Sprawiedliwość algorytmiczna i stronniczość przestały być tematem czysto akademickim i stały się głównym nurtem badań. Badacze powiązani z przemysłem zwiększali swój wkład w konferencje etyczne o 71% rocznie<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-AIIndex2022-1)</sup>.

### 5. AI staje się tańsze i wydajniejsze

Od 2018 roku koszt trenowania systemu klasyfikacji obrazów spadł o 63,6%, a czas trenowania poprawił się o 94,4%. Podobna tendencja do obniżania kosztów i przyspieszania trenowania była obserwowana również w innych kategoriach zadań MLPerf: rekomendacje, wykrywanie obiektów i przetwarzanie języka<sup>[\[5\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-MLPerf2021-5)</sup>.

### 6. Dane jako kluczowy zasób

Najlepsze wyniki na technicznych benchmarkach coraz częściej osiągano dzięki wykorzystaniu dodatkowych danych treningowych. Według stanu na 2021 rok, 9 na 10 najlepszych systemów AI na analizowanych benchmarkach było trenowanych z użyciem dodatkowych danych. Tendencja ta w sposób ukryty faworyzuje firmy z sektora prywatnego, mające dostęp do rozległych datasetów<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-AIIndex2022-1)</sup>.

### 7. Ustawodawstwo dotyczące AI na całym świecie rośnie gwałtownie

Analiza AI Index obejmująca 25 krajów wykazała, że liczba uchwalonych ustaw zawierających termin „sztuczna inteligencja" wzrosła z 1 w 2016 roku do 18 w 2021 roku. Liderami 2021 roku zostały Hiszpania, Wielka Brytania i USA — po trzy uchwalone ustawy każda<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-AIIndex2022-1)</sup>.

### 8. Ramiona robotyczne stają się tańsze

Ankieta AI Index wykazała, że mediana ceny robotycznych ramion manipulacyjnych spadła o 46,2% w ciągu pięciu lat — z 42 000 dolarów w 2017 roku do 22 600 dolarów w 2021 roku, czyniąc badania w dziedzinie robotyki bardziej dostępnymi<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-AIIndex2022-1)</sup>.

### 9. Modele multimodalne dziedziczą multimodalne uprzedzenia

Multimodalne modele języka i widzenia (takie jak CLIP) ustanawiały nowe rekordy w zadaniach klasyfikacji obrazów i generowania obrazów na podstawie opisu tekstowego, jednak odtwarzały również stereotypy społeczne i uprzedzenia. Eksperymenty z CLIP wykazały, że obrazy osób czarnoskórych były błędnie klasyfikowane jako „nieludzkie" ponad dwukrotnie częściej niż obrazy przedstawicieli jakiejkolwiek innej rasy<sup>[\[6\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-Birhane2021-6)</sup>.

### 10. Ruch w kierunku bardziej ogólnego uczenia ze wzmocnieniem

Przez ostatnią dekadę systemy AI skutecznie opanowywały wąskie zadania uczenia ze wzmocnieniem (np. szachy — najlepszy silnik szachowy przekroczył maksymalny ranking Magnusa Carlsena o 24%). Jednak w ciągu ostatnich dwóch lat systemy AI poprawiły wyniki o 129% w bardziej ogólnych zadaniach uczenia ze wzmocnieniem (Procgen), gdzie wymagane jest działanie w nowych, nieznanych środowiskach<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-AIIndex2022-1)</sup>.

## Rozdział 1. Badania i rozwój

Rozdział analizuje trendy w publikacjach, patentach, konferencjach i oprogramowaniu open source<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-AIIndex2022-1)</sup>.

### Publikacje

Ogólna liczba anglojęzycznych publikacji dotyczących AI nadal rosła i osiągnęła 334 500 w 2021 roku<sup>[\[3\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-CSET2021-3)</sup>.

**Według rodzaju publikacji.** W 2021 roku opublikowano ponad 56 700 artykułów w repozytoriach (arXiv i inne), co odzwierciedla rosnącą rolę wstępnych publikacji (preprintów) w badaniach nad AI<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-AIIndex2022-1)</sup>.

**Według rozkładu geograficznego.** W 2021 roku Chiny nadal prowadziły pod względem łącznej liczby publikacji w czasopismach, na konferencjach i w repozytoriach — o 63,2% więcej niż USA. Jednocześnie USA utrzymywały dominującą pozycję pod względem liczby cytowań publikacji konferencyjnych i repozytoriowych<sup>[\[3\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-CSET2021-3)</sup>:

| Wskaźnik                                 | Chiny | UE + Wielka Brytania | USA   |
|------------------------------------------|-------|----------------------|-------|
| Udział publikacji konferencyjnych (2021) | 27,6% | 19,0%                | 16,9% |
| Udział cytowań konferencyjnych (2021)    | 15,3% | 23,3%                | 29,5% |
| Udział publikacji w repozytoriach (2021) | 16,6% | 23,9%                | 32,5% |
| Udział cytowań w repozytoriach (2021)    | 16,4% | 20,1%                | 38,6% |

**Współpraca między sektorami.** W latach 2010–2021 największą liczbę wspólnych publikacji dotyczących AI wyprodukowano w ramach współpracy między instytucjami edukacyjnymi i organizacjami non-profit, następnie — między firmami prywatnymi i instytucjami edukacyjnymi, a także między instytucjami edukacyjnymi i rządowymi<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-AIIndex2022-1)</sup>.

### Patenty

Liczba złożonych wniosków patentowych w obszarze AI w 2021 roku ponad 30-krotnie przekroczyła wynik z 2015 roku, przy średniorocznym tempie wzrostu wynoszącym 76,9%. Pod względem rozkładu regionalnego Azja Wschodnia i region Pacyfiku dominowały z udziałem 62,1% wniosków patentowych. Chiny składały trzykrotnie więcej wniosków patentowych niż USA — 87 343 wnioski przy 1 407 zatwierdzonych patentach w 2021 roku<sup>[\[3\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-CSET2021-3)</sup>.

### Konferencje

Frekwencja na wiodących konferencjach dotyczących AI w 2021 roku utrzymywała się na poziomie z 2020 roku — ponad 88 000 uczestników na całym świecie. Większość konferencji nadal odbywała się w formule wirtualnej z powodu pandemii COVID-19. Jedynie ICRA i EMNLP zastosowały format hybrydowy<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-AIIndex2022-1)</sup>.

## Rozdział 2. Wydajność techniczna

Rozdział przedstawia rozszerzoną analizę postępów w widzeniu komputerowym, przetwarzaniu języka, mowy, systemach rekomendacyjnych, uczeniu ze wzmocnieniem, sprzęcie komputerowym i robotyce<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-AIIndex2022-1)</sup>.

### Widzenie komputerowe

**ImageNet.** Dokładność klasyfikacji obrazów na ImageNet nadal rosła. Systemy wykorzystujące dodatkowe dane treningowe osiągały znacznie wyższe wyniki. W 2021 roku model CoAtNet, trenowany na ImageNet-21K + JFT, osiągnął top-1 accuracy wynoszącą 90,88%, co znacznie przekracza poziom ludzki (około 94,9% według top-5)<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-AIIndex2022-1)</sup>.

**Wyspecjalizowane podzadania.** W 2021 roku zaobserwowano wzrost zainteresowania wyspecjalizowanymi podzadaniami widzenia komputerowego — medyczną segmentacją obrazów i identyfikacją twarzy w maskach. Na przykład przed 2020 rokiem jedynie 3 prace badawcze testowały systemy na benchmarku Kvasir-SEG (wizualizacja medyczna), natomiast w 2021 roku takich prac było już 25<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-AIIndex2022-1)</sup>.

**Wizualne rozumowanie zdroworozsądkowe (VCR).** Pod koniec 2021 roku najlepszy wynik na benchmarku Visual Commonsense Reasoning wyniósł 72,0 — wzrost o 63,6% od 2018 roku, choć systemy nadal znacznie ustępowały poziomowi ludzkiemu. Ulepszenia stawały się coraz bardziej marginalne, wskazując na potrzebę nowych podejść<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-AIIndex2022-1)</sup>.

### Przetwarzanie języka naturalnego

**SuperGLUE.** Na szczycie tabeli liderów SuperGLUE znajdował się model SS-MoE z wynikiem 91,0, przekraczającym poziom ludzki (89,8). Gwałtowny postęp na SuperGLUE świadczył o konieczności opracowania bardziej złożonych benchmarków językowych<sup>[\[7\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-SuperGLUE2019-7)</sup>.

**SQuAD.** Systemy AI przewyższyły poziom ludzki na benchmarku SQuAD 2.0 w zakresie rozumienia tekstu o 1–5%, jednak w trudniejszych zadaniach, takich jak abdukcyjne wnioskowanie w języku naturalnym (aNLI), człowiek nadal wyprzedzał AI, choć różnica skurczyła się z 9 p.p. w 2019 roku do 1 p.p. w 2021 roku<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-AIIndex2022-1)</sup>.

**Tłumaczenie maszynowe.** Liczba komercyjnie dostępnych systemów tłumaczenia maszynowego nadal rosła, a jakość tłumaczeń dla głównych par językowych (WMT 2014) stale się poprawiała<sup>[\[8\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-Intento2021-8)</sup>.

### Rozpoznawanie mowy

Na benchmarku LibriSpeech (Test-Clean) wskaźnik błędu rozpoznawania słów (WER) nadal malał, zbliżając się do poziomu ludzkiego. Postęp osiągnięto również na trudniejszych datasetach mowy<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-AIIndex2022-1)</sup>.

### Uczenie ze wzmocnieniem

**Atari-57.** Systemy uczenia ze wzmocnieniem nadal doskonaliły się w klasycznych zadaniach Arcade Learning Environment. Model MuZero (DeepMind) pozostawał jednym z wiodących<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-AIIndex2022-1)</sup>.

**Procgen.** Na benchmarku Procgen, testującym zdolność do uogólniania w nowych środowiskach, systemy AI poprawiły wynik o 129% w ciągu dwóch lat, co wskazywało na ruch w kierunku bardziej ogólnych agentów<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-AIIndex2022-1)</sup>.

**Szachy.** Najlepszy szachowy program komputerowy przekroczył maksymalny ranking ELO Magnusa Carlsena o 24%<sup>[\[9\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-SSCA2021-9)</sup>.

### Sprzęt komputerowy i koszty trenowania

**MLPerf.** Dane benchmarku MLPerf wykazały stały spadek czasu trenowania przy jednoczesnym wzroście liczby używanych akceleratorów. Różnica między średnią liczbą akceleratorów u liderów a wszystkich uczestników wzrosła 9-krotnie w latach 2018–2021, co świadczyło o rosnących wymaganiach sprzętowych<sup>[\[5\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-MLPerf2021-5)</sup>.

**Koszt trenowania ImageNet.** Koszt trenowania wysokowydajnego systemu klasyfikacji obrazów do 93% dokładności spadł z 1 112,6 dolara w 2017 roku do 4,6 dolara w 2021 roku — spadek 223-krotny w ciągu czterech lat<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-AIIndex2022-1)</sup>.

### Robotyka

**Ceny manipulatorów.** Ankieta AI Index przeprowadzona wśród 509 profesorów robotyki z 67 uczelni na całym świecie wykazała spadek mediany ceny robotycznego manipulatora o 46,2% — z 42 000 dolarów w 2017 roku do 22 600 dolarów w 2021 roku<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-AIIndex2022-1)</sup>.

**Umiejętności AI w robotyce.** 67% ankietowanych profesorów robotyki deklarowało wykorzystanie głębokiego uczenia, a 46% — uczenia ze wzmocnieniem w swoich badaniach<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-AIIndex2022-1)</sup>.

## Rozdział 3. Techniczna etyka AI

Po raz pierwszy włączony do raportu rozdział dostarcza pogłębionej analizy metryk sprawiedliwości i stronniczości, toksyczności modeli językowych, zniekształceń multimodalnych, a także kwestii weryfikacji faktów i prawdziwości AI<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-AIIndex2022-1)</sup>.

### Metaanaliza metryk sprawiedliwości i stronniczości

Liczba metryk do pomiaru stronniczości i sprawiedliwości AI stale rosła od 2018 roku. Metryki dzielą się na dwa główne typy: benchmarkowe datasety (np. StereoSet, CrowS-Pairs), mierzące wewnętrzne zachowanie modelu, oraz metryki diagnostyczne (np. parytet demograficzny, równość szans), oceniające wpływ modelu na konkretne grupy ludności<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-AIIndex2022-1)</sup>.

### Toksyczność modeli językowych

**RealToxicityPrompts.** Toksyczność modeli językowych znacząco zależała od danych treningowych. Modele trenowane na tekście oczyszczonym z toksycznych treści (np. C4 z filtrowaniem) były znacznie mniej toksyczne w porównaniu z modelami trenowanymi na niefiltrowanych treściach internetowych<sup>[\[10\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-Gehman2020-10)</sup>.

**Skala i toksyczność.** Analiza modelu Gopher (DeepMind, 280 mld parametrów) wykazała, że większe modele z większym prawdopodobieństwem generują toksyczne kontynuacje przy odpowiednich promptach, ale jednocześnie lepiej potrafią rozpoznawać toksyczne treści<sup>[\[4\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-Rae2021-4)</sup>.

**Detoksykacja.** Metody detoksykacji modeli językowych (DAPT, PPLM, GeDi) konsekwentnie prowadziły do pogorszenia wydajności, przy czym nieproporcjonalnie silniej — w przypadku afroamerykańskiej odmiany języka angielskiego i tekstów zawierających odniesienia do mniejszości<sup>[\[11\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-Xu2021-11)</sup>.

### Stereotypy i stronniczość

**StereoSet** mierzył stronniczość stereotypową według osi płci, rasy, religii i zawodu. **CrowS-Pairs** oceniał stopień stronniczości stereotypowej w maskowanych modelach językowych. **Winogender** i **WinoBias** testowały stronniczość płciową w zadaniach koreferencji, a **WinoMT** — w tłumaczeniu maszynowym<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-AIIndex2022-1)</sup>.

### Uprzedzenia multimodalne (CLIP)

Model CLIP (Contrastive Language-Image Pretraining, OpenAI) wykazał imponujące wyniki w klasyfikacji obrazów, jednak odziedziczył uprzedzenia dotyczące płci, rasy i wieku z danych treningowych (400 mln par „obraz–tekst" z internetu). Kluczowe odkrycia<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-AIIndex2022-1)</sup>:

- **Szkoda dyskredytacyjna:** przy dodaniu kategorii nieludzkich i kryminalnych do klasyfikacji, obrazy osób czarnoskórych były błędnie przypisywane do kategorii nieludzkich w 14% przypadków — dwukrotnie więcej niż w przypadku innych ras.
- **Stronniczość płciowa:** etykiety „niania" i „gospodyni domowa" były kojarzone z kobietami, „więzień" i „mafioso" — z mężczyznami.
- **Rozprzestrzenianie się uprzedzeń:** uprzedzenia CLIP były przenoszone do datasetu LAION-400M, tworzonego przy użyciu embeddingów CLIP, wpływając na wszystkie kolejne zastosowania.

### Weryfikacja faktów i prawdziwość

**TruthfulQA.** Analiza kilku rodzin modeli językowych na benchmarku TruthfulQA wykazała, że skalowanie modeli bazowych (rodzina GPT-3) prowadziło do obniżenia prawdziwości. Jednak modele douczone za pomocą informacji zwrotnej od człowieka (InstructGPT, WebGPT) stawały się bardziej prawdziwe wraz ze skalowaniem<sup>[\[12\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-TruthfulQA2021-12)</sup>.

**FEVER.** Na benchmarku FEVER (Fact Extraction and VERification) systemy automatycznej weryfikacji faktów nadal się doskonaliły, choć wciąż ustępowały poziomowi ludzkiemu<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-AIIndex2022-1)</sup>.

### Tendencje na konferencjach etycznych

Analiza publikacji na konferencji FAccT (Fairness, Accountability, and Transparency) i tematycznych warsztatach NeurIPS ujawniła wzrost liczby prac dotyczących interpretowalności, wyjaśnialności, rozumowania przyczynowego, prywatności, zbierania danych, sprawiedliwości i stronniczości. Badacze powiązani z przemysłem znacząco zwiększyli swój wkład na tych platformach<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-AIIndex2022-1)</sup>.

## Rozdział 4. Gospodarka i edukacja

Rozdział bada trendy na rynku pracy, w inwestycjach, korporacyjnym wdrażaniu AI i kształceniu kadr<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-AIIndex2022-1)</sup>.

### Rynek pracy

**Rekrutacja specjalistów AI.** Według danych LinkedIn, Nowa Zelandia odnotowała największy wzrost rekrutacji specjalistów AI — 2,42 razy w latach 2016–2021, a za nią plasowały się Hongkong (1,56×), Irlandia (1,28×), Luksemburg (1,26×) i Szwecja (1,24×)<sup>[\[13\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-LinkedIn2021-13)</sup>.

**Oferty pracy.** Według danych Emsi Burning Glass, Singapur przewodził pod względem udziału ofert pracy dotyczących AI wśród wszystkich ofert — 2,33%, za nim plasowały się USA (0,90%), Kanada (0,78%) i Wielka Brytania (0,74%). W USA największa liczba ofert pracy związanych z AI przypadała na Kalifornię (ponad 2,35 razy więcej niż w Teksasie), a największy udział ofert dotyczących AI — na Waszyngton (Dystrykt Kolumbia)<sup>[\[14\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-EmsiBG2021-14)</sup>.

### Inwestycje

**Ogólne trendy.** Łączne inwestycje korporacyjne w AI w 2021 roku osiągnęły rekordowe 176,5 mld dolarów, z czego inwestycje prywatne wyniosły 93,5 mld (wzrost ponad dwukrotny względem 2020 roku), fuzje i przejęcia — około 72 mld, a oferty publiczne — około 9,5 mld<sup>[\[2\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-NetBaseQuid2021-2)</sup>.

**Rozkład regionalny.** USA prowadziły z prywatnymi inwestycjami wynoszącymi około 52,9 mld dolarów — ponad trzykrotnie więcej niż Chiny (17,2 mld). Wielka Brytania zajęła trzecie miejsce (4,65 mld), a następnie plasowały się Izrael (2,4 mld) i Niemcy (1,98 mld)<sup>[\[2\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-NetBaseQuid2021-2)</sup>.

| Kraj            | Prywatne inwestycje 2021 (mld USD) | Prywatne inwestycje 2013–2021 (mld USD) |
|-----------------|------------------------------------|-----------------------------------------|
| USA             | 52,9                               | 149,0                                   |
| Chiny           | 17,2                               | 61,9                                    |
| Wielka Brytania | 4,65                               | 10,8                                    |
| Izrael          | 2,4                                | 6,1                                     |
| Niemcy          | 1,98                               | 3,9                                     |
| Indie           | 1,87                               | 10,8                                    |

**Fokus sektorowy.** Największy wolumen prywatnych inwestycji w 2021 roku przyciągnął obszar „zarządzanie danymi, przetwarzanie i chmura" — 2,6 razy więcej niż w 2020 roku, a następnie „medycyna i opieka zdrowotna" (11,29 mld) i „fintech" (10,26 mld)<sup>[\[2\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-NetBaseQuid2021-2)</sup>.

**Koncentracja kapitału.** Średnia wartość transakcji prywatnego inwestowania w AI w 2021 roku wzrosła o 81,1% w porównaniu z 2020 rokiem. Jednocześnie liczba nowo finansowanych firm AI malała trzeci rok z rzędu (od szczytu w 2018 roku)<sup>[\[2\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-NetBaseQuid2021-2)</sup>.

### Wdrożenia korporacyjne

Według danych McKinsey, średni poziom wdrożenia AI przez organizacje w 2021 roku wyniósł 56% (wzrost o 6 p.p. względem 2020 roku). Liderem były Indie (65%), a za nimi plasowały się rozwinięte kraje regionu Azji i Pacyfiku (64%), rynki wschodzące (57%) i Ameryka Północna (55%)<sup>[\[15\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-McKinsey2021-15)</sup>.

**Zarządzanie ryzykiem.** Wysiłki na rzecz rozwiązywania problemów etycznych AI w branży pozostawały ograniczone: choć 29% respondentów McKinsey uznawało „sprawiedliwość i równość" za ryzyko przy wdrażaniu AI, jedynie 19% podejmowało kroki w celu jego ograniczenia. Podobnie, 41% uznawało „wyjaśnialność" za ryzyko, ale tylko 27% pracowało nad jej zapewnieniem<sup>[\[15\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-McKinsey2021-15)</sup>.

### Edukacja

**Studia licencjackie.** Liczba absolwentów studiów licencjackich z informatyki w Ameryce Północnej (na uczelniach przyznających stopnie doktorskie) wzrosła 3,5-krotnie w latach 2010–2020, osiągając ponad 31 000 osób — wzrost o 11,6% w porównaniu z 2019 rokiem<sup>[\[16\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-CRATaulbee2021-16)</sup>.

**Studia doktoranckie.** W 2020 roku co piąty absolwent doktoratu z informatyki specjalizował się w AI/Machine Learning — najbardziej popularna specjalizacja ostatniej dekady. Liczba doktorantów z tą specjalizacją wzrosła o 72,05% w latach 2010–2020<sup>[\[16\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-CRATaulbee2021-16)</sup>.

## Rozdział 5. Polityka i zarządzanie AI

Rozdział analizuje aktywność ustawodawczą i regulacyjną w sferze AI na poziomie globalnym i w poszczególnych krajach<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-AIIndex2022-1)</sup>.

### Globalne ustawodawstwo

Analiza AI Index objęła inicjatywy ustawodawcze w 25 krajach. W latach 2016–2021 uchwalono 55 ustaw zawierających wzmiankę o „sztucznej inteligencji". Wzrost był gwałtowny: od 1 ustawy w 2016 roku do 18 w 2021 roku<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-AIIndex2022-1)</sup>.

**Liderzy pod względem liczby uchwalonych ustaw (2016–2021):**

| Kraj            | Ustawy (2016–2021) | Ustawy (2021) |
|-----------------|--------------------|---------------|
| USA             | 13                 | 3             |
| Rosja           | 6                  | 2             |
| Belgia          | 5                  | 2             |
| Hiszpania       | 5                  | 3             |
| Wielka Brytania | 5                  | 3             |
| Francja         | 4                  | 1             |
| Włochy          | 3                  | 1             |

Wśród uchwalonych ustaw: kanadyjski Budget Implementation Act (2017) z przeznaczeniem 125 mln dolarów na strategię AI; rosyjska ustawa federalna z dnia 24.04.2020 nr 123-FZ o eksperymentalnym reżimie prawnym dla AI w Moskwie; amerykańska ustawa IOGAN Act (2020) o finansowaniu badań nad deepfake'ami; belgijski dekret o powołaniu komitetu etycznego dla narzędzi AI (2021)<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-AIIndex2022-1)</sup>.

### Ustawodawstwo w USA

Na poziomie federalnym liczba proponowanych projektów ustaw dotyczących AI wzrosła z 1 w 2015 roku do 130 w 2021 roku, jednak jedynie 2% z nich zostało uchwalonych. Na poziomie stanowym liczba proponowanych projektów ustaw wzrosła z 2 w 2012 roku do 131 w 2021 roku, przy czym odsetek uchwalonych wyniósł 20% (26 z 131)<sup>[\[17\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-BloombergGov2021-17)</sup>.

Massachusetts zaproponowało największą liczbę projektów ustaw dotyczących AI na poziomie stanowym (40 od 2012 roku), a za nim plasowały się Hawaje (35) i New Jersey (32)<sup>[\[17\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-BloombergGov2021-17)</sup>.

### Wzmianki o AI w dokumentach parlamentarnych

Liczba wzmianek o AI w protokołach rządowych 25 krajów wzrosła 7,7-krotnie w ciągu sześciu lat (2016–2021), osiągając 1 323 w 2021 roku. Wielka Brytania dominowała z 939 wzmiankami za cały okres, a za nią plasowały się Hiszpania, Japonia, USA i Australia<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-AIIndex2022-1)</sup>.

W Kongresie USA 117. sesja (rozpoczęta w 2021 roku) pod koniec pierwszego roku odnotowała już 295 wzmianek o AI — na drodze do przekroczenia rekordu 116. sesji (506 wzmianek w latach 2019–2020)<sup>[\[17\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-BloombergGov2021-17)</sup>.

## Metodologia

Raport wykorzystuje dane z wielu źródeł<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-AIIndex2022-1)</sup>:

- **Publikacje i patenty:** Center for Security and Emerging Technology (CSET), Uniwersytet Georgetown.
- **Benchmarki:** Papers With Code, tabele liderów SuperGLUE, SQuAD, VCR, MLPerf i inne.
- **Inwestycje i startupy:** NetBase Quid.
- **Rynek pracy:** Emsi Burning Glass, LinkedIn.
- **Aktywność korporacyjna:** McKinsey & Company.
- **Robotyka:** oryginalna ankieta AI Index (509 profesorów, 67 uczelni).
- **Ustawodawstwo:** AI Index (globalna analiza 25 krajów), Bloomberg Government (USA).
- **Edukacja:** CRA Taulbee Survey.
- **Etyka:** RealToxicityPrompts, Perspective API, StereoSet, CrowS-Pairs, Winogender, WinoBias, WinoMT, TruthfulQA, FEVER, FAccT, NeurIPS.

## Zespół autorski

Raport przygotowano pod kierownictwem współdyrektorów **Jacka Clarka** (Jack Clark, Anthropic / OECD) i **Raya Perraulta** (Raymond Perrault, SRI International) przy udziale szerokiego grona badaczy i organizacji partnerskich. W skład komitetu sterującego wchodzili 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 — dyrektor założyciel). Menedżerem badań i redaktorem naczelnym był **Nestor Maslej** (Stanford). AI Index jest projektem Stanfordzkiego Instytutu HAI (Human-Centered Artificial Intelligence)<sup>[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_note-AIIndex2022-1)</sup>.

## Odnośniki

- Stanford HAI — AI Index Report 2022 (pełny tekst): <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) — dane o publikacjach i patentach: <a href="https://cset.georgetown.edu/" class="external free" rel="nofollow">https://cset.georgetown.edu/</a>
- Papers With Code — benchmarki i tabele liderów: <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) — benchmarki trenowania: <a href="https://mlcommons.org/en/" class="external free" rel="nofollow">https://mlcommons.org/en/</a>
- NetBase Quid — dane inwestycyjne: <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 — dane ustawodawcze: <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>

## Przypisy

1.  <span id="cite_note-AIIndex2022-1">↑ <sup>[1.00](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_ref-AIIndex2022_1-0)</sup> <sup>[1.01](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_ref-AIIndex2022_1-1)</sup> <sup>[1.02](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_ref-AIIndex2022_1-2)</sup> <sup>[1.03](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_ref-AIIndex2022_1-3)</sup> <sup>[1.04](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_ref-AIIndex2022_1-4)</sup> <sup>[1.05](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_ref-AIIndex2022_1-5)</sup> <sup>[1.06](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_ref-AIIndex2022_1-6)</sup> <sup>[1.07](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_ref-AIIndex2022_1-7)</sup> <sup>[1.08](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_ref-AIIndex2022_1-8)</sup> <sup>[1.09](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_ref-AIIndex2022_1-9)</sup> <sup>[1.10](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_ref-AIIndex2022_1-10)</sup> <sup>[1.11](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_ref-AIIndex2022_1-11)</sup> <sup>[1.12](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_ref-AIIndex2022_1-12)</sup> <sup>[1.13](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_ref-AIIndex2022_1-13)</sup> <sup>[1.14](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_ref-AIIndex2022_1-14)</sup> <sup>[1.15](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_ref-AIIndex2022_1-15)</sup> <sup>[1.16](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_ref-AIIndex2022_1-16)</sup> <sup>[1.17](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_ref-AIIndex2022_1-17)</sup> <sup>[1.18](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_ref-AIIndex2022_1-18)</sup> <sup>[1.19](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_ref-AIIndex2022_1-19)</sup> <sup>[1.20](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_ref-AIIndex2022_1-20)</sup> <sup>[1.21](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_ref-AIIndex2022_1-21)</sup> <sup>[1.22](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_ref-AIIndex2022_1-22)</sup> <sup>[1.23](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_ref-AIIndex2022_1-23)</sup> <sup>[1.24](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_ref-AIIndex2022_1-24)</sup> <sup>[1.25](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_ref-AIIndex2022_1-25)</sup> <sup>[1.26](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_ref-AIIndex2022_1-26)</sup> <sup>[1.27](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_ref-AIIndex2022_1-27)</sup> <sup>[1.28](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_ref-AIIndex2022_1-28)</sup> <sup>[1.29](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_ref-AIIndex2022_1-29)</sup> <sup>[1.30](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_ref-AIIndex2022_1-30)</sup> <sup>[1.31](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_ref-AIIndex2022_1-31)</sup> <sup>[1.32](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_ref-AIIndex2022_1-32)</sup> <sup>[1.33](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_ref-AIIndex2022_1-33)</sup> <sup>[1.34](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_ref-AIIndex2022_1-34)</sup> <sup>[1.35](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#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_(PL)#cite_ref-NetBaseQuid2021_2-0)</sup> <sup>[2.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_ref-NetBaseQuid2021_2-1)</sup> <sup>[2.2](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_ref-NetBaseQuid2021_2-2)</sup> <sup>[2.3](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_ref-NetBaseQuid2021_2-3)</sup> <sup>[2.4](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#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_(PL)#cite_ref-CSET2021_3-0)</sup> <sup>[3.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_ref-CSET2021_3-1)</sup> <sup>[3.2](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_ref-CSET2021_3-2)</sup> <sup>[3.3](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#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_(PL)#cite_ref-Rae2021_4-0)</sup> <sup>[4.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#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_(PL)#cite_ref-MLPerf2021_5-0)</sup> <sup>[5.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#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_(PL)#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_(PL)#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_(PL)#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_(PL)#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_(PL)#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_(PL)#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_(PL)#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_(PL)#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_(PL)#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_(PL)#cite_ref-McKinsey2021_15-0)</sup> <sup>[15.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#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_(PL)#cite_ref-CRATaulbee2021_16-0)</sup> <sup>[16.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#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_(PL)#cite_ref-BloombergGov2021_17-0)</sup> <sup>[17.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#cite_ref-BloombergGov2021_17-1)</sup> <sup>[17.2](https://systems-analysis.info/int/The_2022_AI_Index_Report_(PL)#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>