--- title: "The 2022 AI Index Report (RO)" source: "https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)" wiki: "systems-analysis.info/int" article: "The_2022_AI_Index_Report_(RO)" language: "ro" categories: - "Category:Large language models" - "Category:Machine learning" - "Category:Romanian" revision_id: 8003 wiki_created_at: 2026-09-07T01:10:40Z wiki_modified_at: 2026-09-07T01:10:40Z downloaded_at: 2026-09-07T23:22:35Z --- # The 2022 AI Index Report (RO) **AI Index Report 2022** — al cincilea raport anual **AI Index**, elaborat de Institutul Stanford pentru Inteligență Artificială Centrată pe Om (Stanford HAI)^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-AIIndex2022-1)}. Raportul din 2022 este cel mai voluminos de la momentul publicării și apare într-o perioadă de implementare la scară largă a sistemelor de AI în economie. Ediția include pentru prima dată un capitol separat cu o analiză aprofundată a eticii tehnice a AI, o prezentare generală extinsă a roboticii bazată pe un sondaj global al cercetătorilor, precum și date privind inițiativele legislative în domeniul AI din 25 de țări ale lumii. Raportul urmărește, sistematizează și vizualizează date legate de inteligența artificială, furnizând informații obiective și riguros verificate pentru factorii de decizie politică, cercetători, manageri, jurnaliști și publicul larg. ## Structura raportului Raportul din 2022 este structurat în cinci capitole tematice și un apendice^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-AIIndex2022-1)}: 1. **Cercetare și Dezvoltare (Research and Development)** — tendințe în publicații, brevete, conferințe și software cu cod deschis. 2. **Performanță Tehnică (Technical Performance)** — benchmark-uri în computer vision, procesarea limbajului, recunoașterea vorbirii, sisteme de recomandare, Reinforcement Learning, hardware și robotică. 3. **Etică Tehnică AI (Technical AI Ethics)** — capitol nou: metrici de echitate și bias, toxicitatea modelelor de limbaj, distorsiuni multimodale, verificarea faptelor și veridicitatea. 4. **Economie și Educație (The Economy and Education)** — piața muncii, investiții, adoptarea corporativă a AI și formarea specialiștilor. 5. **Politici și Guvernanță AI (AI Policy and Governance)** — legislație, reglementare și strategii naționale. ## Concluziile-cheie ale raportului Autorii raportului au evidențiat o serie de teze principale pentru 2022^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-AIIndex2022-1)}: ### 1. Investițiile private în AI au crescut abrupt, iar concentrarea capitalului s-a intensificat Investițiile private în AI în 2021 s-au ridicat la aproximativ 93,5 miliarde de dolari — mai mult decât dublu față de cifra din 2020. În același timp, numărul companiilor AI nou finanțate a continuat să scadă: de la 1.051 în 2019 și 762 în 2020, la 746 în 2021. Dacă în 2020 doar 4 runde de finanțare au depășit 500 de milioane de dolari, în 2021 numărul unor astfel de runde a ajuns la 15^{[\[2\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-NetBaseQuid2021-2)}. ### 2. SUA și China domină colaborarea internațională în domeniul AI În ciuda tensiunilor geopolitice în creștere, SUA și China au înregistrat cel mai mare număr de publicații comune în domeniul AI în perioada 2010–2021, înmulțindu-și colaborarea de cinci ori față de 2010. Acest tandem a produs de 2,7 ori mai multe publicații decât următoarea pereche — Marea Britanie și China^{[\[3\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-CSET2021-3)}. ### 3. Modelele de limbaj devin mai puternice, dar și mai părtinite Modelele mari de limbaj au stabilit noi recorduri pe benchmark-urile tehnice, însă datele au arătat că modelele mai mari reproduc mai puternic bias-urile din datele de antrenament. Modelul cu 280 de miliarde de parametri (Gopher, DeepMind, 2021) a demonstrat o toxicitate indusă cu 29% mai mare față de modelul cu 117 milioane de parametri, considerat de referință în 2018^{[\[4\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-Rae2021-4)}. ### 4. Înflorirea eticii AI Cercetările în domeniul echității și transparenței AI au cunoscut o creștere explozivă începând din 2014: numărul publicațiilor de profil la conferințele de etică s-a înmulțit de cinci ori. Echitatea algoritmică și bias-ul au încetat să mai fie o temă pur academică și au devenit o direcție principală de cercetare. Cercetătorii cu afiliere industrială și-au crescut contribuția la conferințele de etică cu 71% anual^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-AIIndex2022-1)}. ### 5. AI devine mai accesibil și mai performant Din 2018, costul antrenării unui sistem de clasificare a imaginilor a scăzut cu 63,6%, iar durata antrenamentului s-a îmbunătățit cu 94,4%. O tendință similară de reducere a costurilor și de accelerare a antrenamentului a fost observată și în alte categorii de sarcini MLPerf: recomandări, detecție de obiecte și procesarea limbajului^{[\[5\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-MLPerf2021-5)}. ### 6. Datele ca resursă-cheie Cele mai bune rezultate pe benchmark-urile tehnice au fost atinse tot mai frecvent prin utilizarea unor date suplimentare de antrenament. În 2021, 9 din 10 sisteme AI de vârf pe benchmark-urile analizate au fost antrenate cu date suplimentare. Această tendință favorizează implicit companiile din sectorul privat, care au acces la dataset-uri extinse^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-AIIndex2022-1)}. ### 7. Legislația privind AI la nivel mondial crește rapid Analiza AI Index pe 25 de țări a arătat că numărul legilor adoptate care conțin termenul „inteligență artificială" a crescut de la 1 în 2016 la 18 în 2021. Liderii anului 2021 au fost Spania, Marea Britanie și SUA — câte trei legi adoptate fiecare^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-AIIndex2022-1)}. ### 8. Manipulatoarele robotice devin mai ieftine Sondajul AI Index a arătat că prețul median al manipulatoarelor robotice a scăzut cu 46,2% în cinci ani — de la 42.000 de dolari în 2017 la 22.600 de dolari în 2021, făcând cercetarea în domeniul roboticii mai accesibilă^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-AIIndex2022-1)}. ### 9. Modelele multimodale moștenesc bias-uri multimodale Modelele multimodale de limbaj și viziune (precum CLIP) au stabilit noi recorduri în sarcini de clasificare a imaginilor și de generare a imaginilor pe baza descrierilor textuale, însă au reprodus totodată stereotipuri sociale și bias-uri. Experimentele cu CLIP au arătat că imaginile cu persoane de culoare erau clasificate eronat drept „non-umane" de peste două ori mai frecvent decât imaginile reprezentanților oricărei alte rase^{[\[6\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-Birhane2021-6)}. ### 10. Tendința spre un Reinforcement Learning mai general De-a lungul ultimului deceniu, sistemele AI au stăpânit cu succes sarcini înguste de Reinforcement Learning (de exemplu, șah — cel mai bun motor de șah a depășit ratingul maxim al lui Magnus Carlsen cu 24%). Totuși, în ultimii doi ani, sistemele AI au îmbunătățit rezultatele cu 129% și în sarcini mai generale de Reinforcement Learning (Procgen), unde este necesară acționarea în medii noi, necunoscute^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-AIIndex2022-1)}. ## Capitolul 1. Cercetare și Dezvoltare Capitolul analizează tendințele în publicații, brevete, conferințe și software cu cod deschis^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-AIIndex2022-1)}. ### Publicații Numărul total al publicațiilor în limba engleză pe tema AI a continuat să crească, atingând 334.500 în 2021^{[\[3\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-CSET2021-3)}. **Pe tip de publicație.** În 2021 au fost publicate peste 56.700 de lucrări în repozitorii (arXiv și altele), ceea ce reflectă rolul crescând al preprinturilor în cercetarea AI^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-AIIndex2022-1)}. **Pe distribuție geografică.** În 2021, China a continuat să conducă prin numărul cumulat de publicații în reviste, conferințe și repozitorii — cu 63,2% mai mult decât SUA. În același timp, SUA și-au menținut poziția dominantă la numărul de citări ale publicațiilor de conferință și repozitoriu^{[\[3\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-CSET2021-3)}: | Indicator | China | UE + Marea Britanie | SUA | |------------------------------------------|-------|---------------------|-------| | Pondere publicații la conferințe (2021) | 27,6% | 19,0% | 16,9% | | Pondere citări la conferințe (2021) | 15,3% | 23,3% | 29,5% | | Pondere publicații în repozitorii (2021) | 16,6% | 23,9% | 32,5% | | Pondere citări în repozitorii (2021) | 16,4% | 20,1% | 38,6% | **Colaborare intersectorială.** În perioada 2010–2021, cel mai mare număr de publicații comune în domeniul AI a fost produs de colaborările dintre instituții de învățământ și organizații non-profit, urmate de colaborările dintre companii private și instituții de învățământ, precum și dintre instituții de învățământ și instituții guvernamentale^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-AIIndex2022-1)}. ### Brevete Numărul cererilor de brevet depuse în domeniul AI în 2021 a fost de peste 30 de ori mai mare decât în 2015, cu o rată medie anuală de creștere de 76,9%. Din punct de vedere regional, Asia de Est și regiunea Pacific au dominat cu o pondere de 62,1% din cererile de brevet. China a depus de trei ori mai multe cereri de brevet decât SUA — 87.343 de cereri, cu 1.407 brevete aprobate în 2021^{[\[3\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-CSET2021-3)}. ### Conferințe Participarea la principalele conferințe AI în 2021 s-a menținut la nivelul din 2020 — peste 88.000 de participanți la nivel mondial. Majoritatea conferințelor s-au desfășurat în continuare în format virtual din cauza pandemiei de COVID-19. Doar ICRA și EMNLP au utilizat formatul hibrid^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-AIIndex2022-1)}. ## Capitolul 2. Performanță Tehnică Capitolul prezintă o analiză extinsă a progresului în computer vision, procesarea limbajului, recunoașterea vorbirii, sisteme de recomandare, Reinforcement Learning, hardware și robotică^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-AIIndex2022-1)}. ### Computer Vision **ImageNet.** Acuratețea clasificării imaginilor pe ImageNet a continuat să crească. Sistemele care utilizau date suplimentare de antrenament au demonstrat rezultate semnificativ mai ridicate. În 2021, modelul CoAtNet, antrenat pe ImageNet-21K + JFT, a atins o acuratețe top-1 de 90,88%, depășind substanțial nivelul uman (aproximativ 94,9% top-5)^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-AIIndex2022-1)}. **Subsarcini specializate.** În 2021 s-a observat o creștere a interesului pentru subsarcini specializate de computer vision — segmentarea imaginilor medicale și identificarea fețelor cu mască. De exemplu, dacă înainte de 2020 doar 3 lucrări de cercetare testau sistemele pe benchmark-ul Kvasir-SEG (imagistică medicală), în 2021 numărul acestora a ajuns la 25^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-AIIndex2022-1)}. **Raționament vizual de bun simț (VCR).** Până la sfârșitul anului 2021, cel mai bun rezultat pe benchmark-ul Visual Commonsense Reasoning a fost de 72,0 — o creștere de 63,6% față de 2018, deși sistemele erau în continuare semnificativ inferioare nivelului uman. Îmbunătățirile deveneau tot mai marginale, indicând necesitatea unor noi abordări^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-AIIndex2022-1)}. ### Procesarea Limbajului Natural **SuperGLUE.** În fruntea clasamentului SuperGLUE se afla modelul SS-MoE cu un scor de 91,0, depășind nivelul uman (89,8). Progresul rapid pe SuperGLUE evidenția necesitatea dezvoltării unor benchmark-uri lingvistice mai complexe^{[\[7\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-SuperGLUE2019-7)}. **SQuAD.** Sistemele AI au depășit nivelul uman pe benchmark-ul SQuAD 2.0 la înțelegerea textului citit cu 1–5%, însă la sarcini mai complexe, precum raționamentul abductiv în limbaj natural (aNLI), omul continua să depășească AI, deși decalajul s-a redus de la 9 puncte procentuale în 2019 la 1 punct procentual în 2021^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-AIIndex2022-1)}. **Traducere automată.** Numărul sistemelor de traducere automată disponibile comercial a continuat să crească, iar calitatea traducerii pentru principalele perechi de limbi (WMT 2014) s-a îmbunătățit constant^{[\[8\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-Intento2021-8)}. ### Recunoașterea vorbirii Pe benchmark-ul LibriSpeech (Test-Clean), rata erorilor de recunoaștere a cuvintelor (WER) a continuat să scadă, apropiindu-se de nivelul uman. S-au înregistrat progrese și pe dataset-uri de vorbire mai complexe^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-AIIndex2022-1)}. ### Reinforcement Learning **Atari-57.** Sistemele de Reinforcement Learning au continuat să se perfecționeze în sarcinile clasice din Arcade Learning Environment. Modelul MuZero (DeepMind) a rămas unul dintre lideri^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-AIIndex2022-1)}. **Procgen.** Pe benchmark-ul Procgen, care testează capacitatea de generalizare în medii noi, sistemele AI și-au îmbunătățit rezultatul cu 129% în doi ani, indicând o tendință spre agenți mai generali^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-AIIndex2022-1)}. **Șah.** Cel mai bun motor de șah software a depășit ratingul ELO maxim al lui Magnus Carlsen cu 24%^{[\[9\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-SSCA2021-9)}. ### Hardware și costul antrenamentului **MLPerf.** Datele benchmark-ului MLPerf au evidențiat o reducere constantă a duratei de antrenament, concomitent cu creșterea numărului de acceleratoare utilizate. Decalajul dintre numărul mediu de acceleratoare la lideri față de toți participanții a crescut de 9 ori din 2018 până în 2021, indicând cerințe tot mai ridicate față de resursele hardware^{[\[5\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-MLPerf2021-5)}. **Costul antrenamentului ImageNet.** Costul antrenării unui sistem performant de clasificare a imaginilor până la 93% acuratețe a scăzut de la 1.112,6 dolari în 2017 la 4,6 dolari în 2021 — o scădere de 223 de ori în patru ani^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-AIIndex2022-1)}. ### Robotică **Prețurile manipulatoarelor.** Sondajul AI Index, realizat pe un eșantion de 509 profesori de robotică din 67 de universități din întreaga lume, a evidențiat o scădere a prețului median al manipulatoarelor robotice cu 46,2% — de la 42.000 de dolari în 2017 la 22.600 de dolari în 2021^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-AIIndex2022-1)}. **Competențe AI în robotică.** 67% dintre profesorii de robotică intervievați au raportat utilizarea deep learning, iar 46% — a Reinforcement Learning în cercetările lor^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-AIIndex2022-1)}. ## Capitolul 3. Etică Tehnică AI Capitolul inclus pentru prima dată în raport oferă o analiză aprofundată a metricilor de echitate și bias, a toxicității modelelor de limbaj, a distorsiunilor multimodale, precum și a aspectelor privind verificarea faptelor și veridicitatea AI^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-AIIndex2022-1)}. ### Meta-analiza metricilor de echitate și bias Numărul metricilor pentru măsurarea bias-ului și echității AI a crescut constant din 2018. Metricile se împart în două tipuri principale: dataset-uri de benchmark (de exemplu, StereoSet, CrowS-Pairs), care măsoară comportamentul intern al modelului, și metrici de diagnostic (de exemplu, paritate demografică, egalitatea oportunităților), care evaluează impactul modelului asupra unor grupuri specifice ale populației^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-AIIndex2022-1)}. ### Toxicitatea modelelor de limbaj **RealToxicityPrompts.** Toxicitatea modelelor de limbaj depindea substanțial de datele de antrenament. Modelele antrenate pe text filtrat de conținut toxic (de exemplu, C4 cu filtrare) erau semnificativ mai puțin toxice față de modelele antrenate pe conținut web nefiltrат^{[\[10\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-Gehman2020-10)}. **Scară și toxicitate.** Analiza modelului Gopher (DeepMind, 280 de miliarde de parametri) a arătat că modelele mai mari au o probabilitate mai mare de a genera continuări toxice la prompt-uri corespunzătoare, dar sunt în același timp mai capabile să recunoască conținutul toxic^{[\[4\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-Rae2021-4)}. **Detoxifiere.** Metodele de detoxifiere a modelelor de limbaj (DAPT, PPLM, GeDi) au condus în mod consecvent la degradarea performanței, iar acest efect a fost disproporționat mai puternic în cazul englezei vorbite de afro-americani și al textelor cu referiri la minorități^{[\[11\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-Xu2021-11)}. ### Stereotipuri și bias **StereoSet** măsura bias-ul stereotipic pe axele de gen, rasă, religie și profesie. **CrowS-Pairs** evalua gradul de bias stereotipic în modelele de limbaj cu mascare. **Winogender** și **WinoBias** testau bias-ul de gen în sarcinile de coreferiță, iar **WinoMT** — în traducerea automată^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-AIIndex2022-1)}. ### Bias-uri multimodale (CLIP) Modelul CLIP (Contrastive Language-Image Pretraining, OpenAI) a demonstrat rezultate impresionante la clasificarea imaginilor, însă a moștenit bias-uri de gen, rasă și vârstă din datele de antrenament (400 de milioane de perechi „imagine–text" de pe internet). Constatări-cheie^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-AIIndex2022-1)}: - **Prejudiciu de discreditare:** prin adăugarea categoriilor non-umane și criminale la clasificare, imaginile cu persoane de culoare erau atribuite eronat categoriilor non-umane în 14% din cazuri — de două ori mai frecvent decât pentru alte rase. - **Bias de gen:** etichetele „bonă" și „menajeră" erau asociate cu femeile, iar „deținut" și „mafiot" — cu bărbații. - **Propagarea bias-ului:** bias-urile CLIP s-au transmis în dataset-ul LAION-400M, curatoriat cu ajutorul embedding-urilor CLIP, afectând toate aplicațiile ulterioare. ### Verificarea faptelor și veridicitatea **TruthfulQA.** Analiza mai multor familii de modele de limbaj pe benchmark-ul TruthfulQA a arătat că scalarea modelelor de bază (familia GPT-3) ducea la scăderea veridicității. Totuși, modelele fine-tunate cu feedback uman (InstructGPT, WebGPT) deveneau mai veridice pe măsura scalării^{[\[12\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-TruthfulQA2021-12)}. **FEVER.** Pe benchmark-ul FEVER (Fact Extraction and VERification), sistemele automate de verificare a faptelor au continuat să se îmbunătățească, deși rămâneau în urma nivelului uman^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-AIIndex2022-1)}. ### Tendințe la conferințele de etică Analiza publicațiilor la conferința FAccT (Fairness, Accountability, and Transparency) și la workshop-urile tematice NeurIPS a evidențiat o creștere a lucrărilor privind interpretabilitatea, explicabilitatea, raționamentul cauzal, confidențialitatea, colectarea datelor, echitatea și bias-ul. Cercetătorii cu afiliere industrială și-au crescut semnificativ contribuția la aceste foruri^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-AIIndex2022-1)}. ## Capitolul 4. Economie și Educație Capitolul examinează tendințele de pe piața muncii, în investiții, în adoptarea corporativă a AI și în formarea specialiștilor^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-AIIndex2022-1)}. ### Piața muncii **Recrutarea specialiștilor AI.** Conform datelor LinkedIn, Noua Zeelandă a înregistrat cea mai mare creștere a recrutării specialiștilor AI — de 2,42 ori din 2016 până în 2021, urmată de Hong Kong (1,56×), Irlanda (1,28×), Luxemburg (1,26×) și Suedia (1,24×)^{[\[13\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-LinkedIn2021-13)}. **Locuri de muncă vacante.** Conform datelor Emsi Burning Glass, Singapore conducea în funcție de ponderea posturilor vacante AI în totalul posturilor vacante — 2,33%, urmat de SUA (0,90%), Canada (0,78%) și Marea Britanie (0,74%). În SUA, cel mai mare număr de posturi vacante AI se înregistra în California (de peste 2,35 ori mai mult decât în Texas), iar cea mai mare pondere a posturilor vacante AI — în Washington D.C.^{[\[14\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-EmsiBG2021-14)}. ### Investiții **Tendințe generale.** Investițiile corporative totale în AI în 2021 au atins un nivel record de 176,5 miliarde de dolari, din care investițiile private au reprezentat 93,5 miliarde (creștere de mai mult de două ori față de 2020), fuziunile și achizițiile — aproximativ 72 de miliarde, iar ofertele publice inițiale — aproximativ 9,5 miliarde^{[\[2\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-NetBaseQuid2021-2)}. **Distribuție regională.** SUA au condus cu investiții private de aproximativ 52,9 miliarde de dolari — de mai mult de trei ori față de China (17,2 miliarde). Marea Britanie a ocupat locul al treilea (4,65 miliarde), urmată de Israel (2,4 miliarde) și Germania (1,98 miliarde)^{[\[2\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-NetBaseQuid2021-2)}. | Țară | Investiții private 2021 (miliarde USD) | Investiții private 2013–2021 (miliarde USD) | |----------------|----------------------------------------|---------------------------------------------| | SUA | 52,9 | 149,0 | | China | 17,2 | 61,9 | | Marea Britanie | 4,65 | 10,8 | | Israel | 2,4 | 6,1 | | Germania | 1,98 | 3,9 | | India | 1,87 | 10,8 | **Focus sectorial.** Cel mai mare volum de investiții private în 2021 l-a atras domeniul „gestionarea datelor, procesare și cloud" — de 2,6 ori mai mult decât în 2020, urmat de „medicină și asistență medicală" (11,29 miliarde) și „fintech" (10,26 miliarde)^{[\[2\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-NetBaseQuid2021-2)}. **Concentrarea capitalului.** Valoarea medie a tranzacțiilor de investiție privată în AI în 2021 a crescut cu 81,1% față de 2020. Totodată, numărul companiilor AI nou finanțate a scăzut pentru al treilea an consecutiv (față de vârful din 2018)^{[\[2\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-NetBaseQuid2021-2)}. ### Adoptarea corporativă Conform datelor McKinsey, nivelul mediu de adoptare a AI de către organizații în 2021 a fost de 56% (creștere de 6 puncte procentuale față de 2020). India a condus (65%), urmată de țările dezvoltate din Asia-Pacific (64%), piețele emergente (57%) și America de Nord (55%)^{[\[15\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-McKinsey2021-15)}. **Gestionarea riscurilor.** Eforturile de abordare a problemelor etice ale AI în industrie au rămas limitate: deși 29% dintre respondenții McKinsey recunoșteau „echitatea și egalitatea" drept riscuri în adoptarea AI, doar 19% întreprindeau măsuri pentru reducerea acestora. Similar, 41% recunoșteau „explicabilitatea" drept risc, dar numai 27% lucrau la asigurarea ei^{[\[15\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-McKinsey2021-15)}. ### Educație **Licență.** Numărul absolvenților de licență în informatică din America de Nord (în instituții care acordă titluri de doctorat) a crescut de 3,5 ori din 2010 până în 2020, ajungând la peste 31.000 de persoane — o creștere de 11,6% față de 2019^{[\[16\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-CRATaulbee2021-16)}. **Doctorat.** În 2020, fiecare al cincilea absolvent de doctorat în informatică s-a specializat în AI/Machine Learning — cea mai populară specializare din ultimul deceniu. Numărul doctoranzilor cu această specializare a crescut cu 72,05% din 2010 până în 2020^{[\[16\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-CRATaulbee2021-16)}. ## Capitolul 5. Politici și Guvernanță AI Capitolul analizează activitatea legislativă și de reglementare în domeniul AI la nivel global și pe țări individuale^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-AIIndex2022-1)}. ### Legislație globală Analiza AI Index a acoperit inițiativele legislative din 25 de țări. În perioada 2016–2021 au fost adoptate 55 de legi care conțineau mențiunea „inteligență artificială". Creșterea a fost abruptă: de la 1 lege în 2016 la 18 în 2021^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-AIIndex2022-1)}. **Lideri după numărul de legi adoptate (2016–2021):** | Țară | Legi (2016–2021) | Legi (2021) | |----------------|------------------|-------------| | SUA | 13 | 3 | | Rusia | 6 | 2 | | Belgia | 5 | 2 | | Spania | 5 | 3 | | Marea Britanie | 5 | 3 | | Franța | 4 | 1 | | Italia | 3 | 1 | Printre legile adoptate se numără: canadianul Budget Implementation Act (2017) cu alocarea a 125 de milioane de dolari pentru strategia AI; legea federală rusă din 24.04.2020 nr. 123-FZ privind regimul juridic experimental pentru AI la Moscova; americanul IOGAN Act (2020) privind finanțarea cercetării deepfake-urilor; decretul belgian privind crearea unui comitet de etică pentru instrumentele AI (2021)^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-AIIndex2022-1)}. ### Legislație în SUA La nivel federal, numărul proiectelor de lege privind AI propuse a crescut de la 1 în 2015 la 130 în 2021, însă doar 2% dintre acestea au fost adoptate. La nivel de stat, numărul proiectelor de lege propuse a crescut de la 2 în 2012 la 131 în 2021, iar ponderea celor adoptate a fost de 20% (26 din 131)^{[\[17\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-BloombergGov2021-17)}. Massachusetts a propus cel mai mare număr de proiecte de lege privind AI la nivel de stat (40 din 2012 încoace), urmat de Hawaii (35) și New Jersey (32)^{[\[17\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-BloombergGov2021-17)}. ### Mențiuni ale AI în documentele parlamentare Mențiunile AI în procesele-verbale guvernamentale ale celor 25 de țări au crescut de 7,7 ori în șase ani (2016–2021), ajungând la 1.323 în 2021. Marea Britanie a dominat cu 939 de mențiuni pe întreaga perioadă, urmată de Spania, Japonia, SUA și Australia^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-AIIndex2022-1)}. În Congresul SUA, a 117-a sesiune (începută în 2021) înregistrase deja 295 de mențiuni ale AI la sfârșitul primului an — pe cale de a depăși recordul celei de-a 116-a sesiuni (506 mențiuni în 2019–2020)^{[\[17\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-BloombergGov2021-17)}. ## Metodologie Raportul utilizează date din surse multiple^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-AIIndex2022-1)}: - **Publicații și brevete:** Center for Security and Emerging Technology (CSET), Universitatea Georgetown. - **Benchmark-uri:** Papers With Code, clasamentele SuperGLUE, SQuAD, VCR, MLPerf și altele. - **Investiții și startup-uri:** NetBase Quid. - **Piața muncii:** Emsi Burning Glass, LinkedIn. - **Activitate corporativă:** McKinsey & Company. - **Robotică:** sondaj original AI Index (509 profesori, 67 de universități). - **Legislație:** AI Index (analiză globală a 25 de țări), Bloomberg Government (SUA). - **Educație:** CRA Taulbee Survey. - **Etică:** RealToxicityPrompts, Perspective API, StereoSet, CrowS-Pairs, Winogender, WinoBias, WinoMT, TruthfulQA, FEVER, FAccT, NeurIPS. ## Colectivul de autori Raportul a fost elaborat sub coordonarea co-directorilor **Jack Clark** (Anthropic / OECD) și **Raymond Perrault** (SRI International), cu participarea unui cerc larg de cercetători și organizații partenere. Din comitetul de conducere au făcut parte 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 — director fondator). Manager de cercetare și redactor-șef — **Nestor Maslej** (Stanford). AI Index este un proiect al Institutului Stanford HAI (Human-Centered Artificial Intelligence)^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_note-AIIndex2022-1)}. ## Referințe - Stanford HAI — AI Index Report 2022 (text integral): https://aiindex.stanford.edu/report/ - Center for Security and Emerging Technology (CSET) — date privind publicațiile și brevetele: https://cset.georgetown.edu/ - Papers With Code — benchmark-uri și clasamente: https://paperswithcode.com/ - SuperGLUE Benchmark: https://super.gluebenchmark.com/ - MLPerf (MLCommons) — benchmark-uri de antrenament: https://mlcommons.org/en/ - NetBase Quid — date privind investițiile: 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 — date legislative: 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/ ## Bibliografie - 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 ## Note 1. ↑ ^{[1.00](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_ref-AIIndex2022_1-0)} ^{[1.01](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_ref-AIIndex2022_1-1)} ^{[1.02](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_ref-AIIndex2022_1-2)} ^{[1.03](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_ref-AIIndex2022_1-3)} ^{[1.04](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_ref-AIIndex2022_1-4)} ^{[1.05](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_ref-AIIndex2022_1-5)} ^{[1.06](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_ref-AIIndex2022_1-6)} ^{[1.07](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_ref-AIIndex2022_1-7)} ^{[1.08](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_ref-AIIndex2022_1-8)} ^{[1.09](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_ref-AIIndex2022_1-9)} ^{[1.10](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_ref-AIIndex2022_1-10)} ^{[1.11](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_ref-AIIndex2022_1-11)} ^{[1.12](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_ref-AIIndex2022_1-12)} ^{[1.13](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_ref-AIIndex2022_1-13)} ^{[1.14](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_ref-AIIndex2022_1-14)} ^{[1.15](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_ref-AIIndex2022_1-15)} ^{[1.16](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_ref-AIIndex2022_1-16)} ^{[1.17](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_ref-AIIndex2022_1-17)} ^{[1.18](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_ref-AIIndex2022_1-18)} ^{[1.19](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_ref-AIIndex2022_1-19)} ^{[1.20](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_ref-AIIndex2022_1-20)} ^{[1.21](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_ref-AIIndex2022_1-21)} ^{[1.22](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_ref-AIIndex2022_1-22)} ^{[1.23](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_ref-AIIndex2022_1-23)} ^{[1.24](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_ref-AIIndex2022_1-24)} ^{[1.25](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_ref-AIIndex2022_1-25)} ^{[1.26](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_ref-AIIndex2022_1-26)} ^{[1.27](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_ref-AIIndex2022_1-27)} ^{[1.28](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_ref-AIIndex2022_1-28)} ^{[1.29](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_ref-AIIndex2022_1-29)} ^{[1.30](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_ref-AIIndex2022_1-30)} ^{[1.31](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_ref-AIIndex2022_1-31)} ^{[1.32](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_ref-AIIndex2022_1-32)} ^{[1.33](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_ref-AIIndex2022_1-33)} ^{[1.34](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_ref-AIIndex2022_1-34)} ^{[1.35](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#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_(RO)#cite_ref-NetBaseQuid2021_2-0)} ^{[2.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_ref-NetBaseQuid2021_2-1)} ^{[2.2](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_ref-NetBaseQuid2021_2-2)} ^{[2.3](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_ref-NetBaseQuid2021_2-3)} ^{[2.4](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#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_(RO)#cite_ref-CSET2021_3-0)} ^{[3.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_ref-CSET2021_3-1)} ^{[3.2](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_ref-CSET2021_3-2)} ^{[3.3](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#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_(RO)#cite_ref-Rae2021_4-0)} ^{[4.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#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_(RO)#cite_ref-MLPerf2021_5-0)} ^{[5.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#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_(RO)#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_(RO)#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_(RO)#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_(RO)#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_(RO)#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_(RO)#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_(RO)#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_(RO)#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_(RO)#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_(RO)#cite_ref-McKinsey2021_15-0)} ^{[15.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#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_(RO)#cite_ref-CRATaulbee2021_16-0)} ^{[16.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#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_(RO)#cite_ref-BloombergGov2021_17-0)} ^{[17.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_ref-BloombergGov2021_17-1)} ^{[17.2](https://systems-analysis.info/int/The_2022_AI_Index_Report_(RO)#cite_ref-BloombergGov2021_17-2)} Bloomberg Government (2021). *U.S. AI Legislative Records*. https://about.bgov.com/