--- title: "The 2022 AI Index Report (TH)" source: "https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)" wiki: "systems-analysis.info/int" article: "The_2022_AI_Index_Report_(TH)" language: "th" categories: - "Category:Large language models" - "Category:Machine learning" - "Category:Thai" revision_id: 8005 wiki_created_at: 2026-09-07T01:10:43Z wiki_modified_at: 2026-09-07T01:10:43Z downloaded_at: 2026-09-07T23:22:36Z --- # The 2022 AI Index Report (TH) **AI Index Report 2022** — เป็นฉบับประจำปีครั้งที่ห้าของรายงาน **AI Index** ซึ่งจัดทำโดยสถาบัน Stanford HAI (Stanford Institute for Human-Centered AI)[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-AIIndex2022-1) รายงานประจำปี 2022 มีความครอบคลุมมากที่สุดนับตั้งแต่เริ่มมีการเผยแพร่ และออกมาในช่วงที่ระบบ AI กำลังถูกนำไปใช้งานในระบบเศรษฐกิจอย่างกว้างขวาง ฉบับนี้เป็นครั้งแรกที่มีบทแยกเฉพาะสำหรับการวิเคราะห์เชิงลึกด้านจริยธรรมทางเทคนิคของ AI การสำรวจหุ่นยนต์อย่างครอบคลุมโดยอิงจากการสำรวจนักวิจัยทั่วโลก รวมถึงข้อมูลเกี่ยวกับความคิดริเริ่มทางกฎหมายด้าน AI ใน 25 ประเทศทั่วโลก รายงานนี้ติดตาม จัดระบบ และแสดงผลข้อมูลที่เกี่ยวข้องกับปัญญาประดิษฐ์ โดยให้ข้อมูลที่เป็นกลางและผ่านการตรวจสอบอย่างรอบคอบแก่ผู้กำหนดนโยบาย นักวิจัย ผู้บริหาร นักข่าว และสาธารณชนทั่วไป ## โครงสร้างของรายงาน รายงานประจำปี 2022 ประกอบด้วยห้าบทตามหัวข้อและภาคผนวก[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-AIIndex2022-1): 1. **Research and Development - การวิจัยและพัฒนา** — แนวโน้มในด้านสิ่งพิมพ์ สิทธิบัตร การประชุมวิชาการ และซอฟต์แวร์โอเพนซอร์ส 2. **Technical Performance - ประสิทธิภาพทางเทคนิค** — benchmark ในด้านการมองเห็นด้วยคอมพิวเตอร์ การประมวลผลภาษา การรู้จำเสียงพูด ระบบแนะนำ Reinforcement Learning ฮาร์ดแวร์ และหุ่นยนต์ 3. **Technical AI Ethics - จริยธรรม AI ทางเทคนิค** — บทใหม่: เมตริกด้านความเป็นธรรมและอคติ ความเป็นพิษของโมเดลภาษา ความเอนเอียงแบบ multimodal การตรวจสอบข้อเท็จจริง และความจริงใจ 4. **The Economy and Education - เศรษฐกิจและการศึกษา** — ตลาดแรงงาน การลงทุน การนำ AI มาใช้ในองค์กร และการพัฒนาบุคลากร 5. **AI Policy and Governance - นโยบายและการกำกับดูแล AI** — กฎหมาย การกำกับดูแล และยุทธศาสตร์ระดับชาติ ## ข้อสรุปสำคัญของรายงาน ผู้เขียนรายงานได้ระบุประเด็นหลักของปี 2022 ดังนี้[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-AIIndex2022-1): ### 1. การลงทุนภาคเอกชนใน AI เพิ่มขึ้นอย่างรวดเร็ว และการกระจุกตัวของทุนทวีความเข้มข้นขึ้น การลงทุนภาคเอกชนใน AI ในปี 2021 อยู่ที่ประมาณ 93.5 พันล้านดอลลาร์ ซึ่งมากกว่าตัวเลขปี 2020 กว่าสองเท่า ในขณะเดียวกัน จำนวนบริษัท AI ที่ได้รับการระดมทุนรายใหม่ยังคงลดลงอย่างต่อเนื่อง จาก 1,051 รายในปี 2019 และ 762 รายในปี 2020 เหลือ 746 รายในปี 2021 หากในปี 2020 มีเพียง 4 รอบการระดมทุนที่เกิน 500 ล้านดอลลาร์ ในปี 2021 จำนวนรอบดังกล่าวเพิ่มขึ้นเป็น 15 รอบ[\[2\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-NetBaseQuid2021-2) ### 2. สหรัฐอเมริกาและจีนครองความโดดเด่นในความร่วมมือด้าน AI ระหว่างประเทศ แม้ความตึงเครียดทางภูมิรัฐศาสตร์จะเพิ่มสูงขึ้น สหรัฐอเมริกาและจีนมีจำนวนสิ่งพิมพ์ร่วมด้าน AI มากที่สุดในช่วงปี 2010–2021 โดยเพิ่มปริมาณความร่วมมือขึ้นห้าเท่าจากปี 2010 คู่นี้ผลิตสิ่งพิมพ์มากกว่าคู่ถัดไป ซึ่งได้แก่ สหราชอาณาจักรและจีน ถึง 2.7 เท่า[\[3\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-CSET2021-3) ### 3. โมเดลภาษากลายเป็นทรงพลังมากขึ้น แต่ก็มีอคติมากขึ้นด้วย โมเดลภาษาขนาดใหญ่ทำลายสถิติใหม่บน benchmark ทางเทคนิค อย่างไรก็ตาม ข้อมูลแสดงให้เห็นว่าโมเดลขนาดใหญ่กว่าจะสะท้อนอคติจากข้อมูลการฝึกอบรมได้มากกว่า โมเดล Gopher (DeepMind, 2021) ที่มี 280 พันล้านพารามิเตอร์ แสดงให้เห็นความเป็นพิษที่ถูกกระตุ้นได้มากกว่าโมเดลที่มี 117 ล้านพารามิเตอร์ซึ่งเคยถือเป็นระดับแนวหน้าในปี 2018 ถึง 29%[\[4\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-Rae2021-4) ### 4. ยุคเฟื่องฟูของจริยธรรม AI การวิจัยด้านความเป็นธรรมและความโปร่งใสของ AI เติบโตแบบก้าวกระโดดนับตั้งแต่ปี 2014 โดยจำนวนสิ่งพิมพ์เฉพาะทางในการประชุมวิชาการด้านจริยธรรมเพิ่มขึ้นห้าเท่า ความเป็นธรรมเชิงอัลกอริทึมและอคติได้ก้าวพ้นจากวงวิชาการและกลายเป็นทิศทางการวิจัยกระแสหลัก นักวิจัยที่มีความสัมพันธ์กับภาคอุตสาหกรรมเพิ่มผลงานในการประชุมวิชาการด้านจริยธรรมขึ้น 71% ต่อปี[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-AIIndex2022-1) ### 5. AI เข้าถึงได้ง่ายขึ้นและมีประสิทธิภาพสูงขึ้น นับตั้งแต่ปี 2018 ต้นทุนการฝึกอบรมระบบจำแนกภาพลดลง 63.6% และเวลาการฝึกอบรมดีขึ้น 94.4% แนวโน้มที่คล้ายคลึงกันในการลดต้นทุนและเร่งการฝึกอบรมยังสังเกตได้ในประเภทงาน MLPerf อื่นๆ ได้แก่ การแนะนำ การตรวจจับวัตถุ และการประมวลผลภาษา[\[5\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-MLPerf2021-5) ### 6. ข้อมูลในฐานะทรัพยากรหลัก ผลลัพธ์ที่ดีที่สุดบน benchmark ทางเทคนิคมักได้มาจากการใช้ข้อมูลการฝึกอบรมเพิ่มเติมมากขึ้นเรื่อยๆ ณ ปี 2021 ระบบ AI ชั้นนำ 9 ใน 10 ระบบบน benchmark ที่พิจารณาได้รับการฝึกอบรมโดยใช้ข้อมูลเพิ่มเติม แนวโน้มนี้เอื้อประโยชน์โดยปริยายต่อบริษัทภาคเอกชนที่มีการเข้าถึง dataset ขนาดใหญ่[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-AIIndex2022-1) ### 7. กฎหมาย AI ทั่วโลกเติบโตอย่างรวดเร็ว การวิเคราะห์ของ AI Index ใน 25 ประเทศพบว่า จำนวนกฎหมายที่ผ่านการบัญญัติซึ่งมีคำว่า "ปัญญาประดิษฐ์" เพิ่มขึ้นจาก 1 ฉบับในปี 2016 เป็น 18 ฉบับในปี 2021 ผู้นำในปี 2021 ได้แก่ สเปน สหราชอาณาจักร และสหรัฐอเมริกา โดยแต่ละประเทศมีกฎหมายที่ผ่านการบัญญัติสามฉบับ[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-AIIndex2022-1) ### 8. แขนหุ่นยนต์ราคาถูกลง การสำรวจของ AI Index พบว่า ราคามัธยฐานของแขนหุ่นยนต์ลดลง 46.2% ใน 5 ปี จาก 42,000 ดอลลาร์ในปี 2017 เหลือ 22,600 ดอลลาร์ในปี 2021 ทำให้การวิจัยด้านหุ่นยนต์เข้าถึงได้ง่ายขึ้น[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-AIIndex2022-1) ### 9. โมเดล Multimodal สืบทอดอคติแบบ Multimodal โมเดลภาษาและการมองเห็นแบบ multimodal (เช่น CLIP) สร้างสถิติใหม่ในงานจำแนกภาพและสร้างภาพจากคำอธิบายข้อความ อย่างไรก็ตาม โมเดลเหล่านี้ยังสะท้อนอคติและภาพเหมารวมทางสังคมด้วย การทดลองกับ CLIP แสดงให้เห็นว่า ภาพของบุคคลผิวดำถูกจำแนกผิดพลาดว่าเป็น "ไม่ใช่มนุษย์" มากกว่าสองเท่าเมื่อเทียบกับภาพของบุคคลจากเชื้อชาติอื่นใด[\[6\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-Birhane2021-6) ### 10. การมุ่งสู่ Reinforcement Learning ที่มีความทั่วไปมากขึ้น ตลอดทศวรรษที่ผ่านมา ระบบ AI ประสบความสำเร็จในการเรียนรู้งาน Reinforcement Learning เฉพาะทาง (เช่น หมากรุก — เครื่องมือหมากรุกที่ดีที่สุดแซงหน้าเรตติ้งสูงสุดของ Magnus Carlsen ถึง 24%) อย่างไรก็ตาม ในช่วงสองปีที่ผ่านมา ระบบ AI ยังปรับปรุงผลลัพธ์ขึ้น 129% ในงาน Reinforcement Learning ที่มีความทั่วไปมากขึ้น (Procgen) ซึ่งต้องการการกระทำในสภาพแวดล้อมใหม่และไม่คุ้นเคย[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-AIIndex2022-1) ## บทที่ 1 การวิจัยและพัฒนา บทนี้วิเคราะห์แนวโน้มในด้านสิ่งพิมพ์ สิทธิบัตร การประชุมวิชาการ และซอฟต์แวร์โอเพนซอร์ส[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-AIIndex2022-1) ### สิ่งพิมพ์ จำนวนสิ่งพิมพ์ด้าน AI ภาษาอังกฤษทั้งหมดยังคงเพิ่มขึ้นอย่างต่อเนื่องและถึง 334,500 ฉบับในปี 2021[\[3\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-CSET2021-3) **จำแนกตามประเภทสิ่งพิมพ์** ในปี 2021 มีสิ่งพิมพ์ใน repository (arXiv และอื่นๆ) มากกว่า 56,700 ฉบับ สะท้อนให้เห็นถึงบทบาทที่เพิ่มขึ้นของ preprint ในการวิจัยด้าน AI[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-AIIndex2022-1) **จำแนกตามการกระจายทางภูมิศาสตร์** ในปี 2021 จีนยังคงนำในด้านจำนวนสิ่งพิมพ์รวมในวารสาร การประชุมวิชาการ และ repository — มากกว่าสหรัฐอเมริกา 63.2% ในขณะที่สหรัฐอเมริกายังคงครองความเป็นผู้นำในด้านจำนวนการอ้างอิงสิ่งพิมพ์จากการประชุมวิชาการและ repository[\[3\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-CSET2021-3): | ตัวชี้วัด | จีน | สหภาพยุโรป + สหราชอาณาจักร | สหรัฐอเมริกา | |--------------------------------------------|-------|--------------------------|------------| | สัดส่วนสิ่งพิมพ์จากการประชุมวิชาการ (2021) | 27.6% | 19.0% | 16.9% | | สัดส่วนการอ้างอิงสิ่งพิมพ์จากการประชุมวิชาการ (2021) | 15.3% | 23.3% | 29.5% | | สัดส่วนสิ่งพิมพ์จาก repository (2021) | 16.6% | 23.9% | 32.5% | | สัดส่วนการอ้างอิงสิ่งพิมพ์จาก repository (2021) | 16.4% | 20.1% | 38.6% | **ความร่วมมือข้ามภาคส่วน** ตั้งแต่ปี 2010 ถึง 2021 สิ่งพิมพ์ AI ร่วมมากที่สุดผลิตโดยความร่วมมือระหว่างสถาบันการศึกษาและองค์กรไม่แสวงหากำไร รองลงมาได้แก่ ระหว่างบริษัทเอกชนกับสถาบันการศึกษา และระหว่างสถาบันการศึกษากับหน่วยงานภาครัฐ[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-AIIndex2022-1) ### สิทธิบัตร จำนวนคำขอจดสิทธิบัตรในสาขา AI ในปี 2021 มากกว่าตัวเลขปี 2015 กว่า 30 เท่า โดยมีอัตราการเติบโตเฉลี่ยต่อปีที่ 76.9% ในด้านการกระจายตามภูมิภาค เอเชียตะวันออกและแปซิฟิกครองความเป็นผู้นำด้วยสัดส่วน 62.1% ของคำขอจดสิทธิบัตร จีนยื่นคำขอจดสิทธิบัตรมากกว่าสหรัฐอเมริกาสามเท่า โดยมีคำขอ 87,343 รายการและสิทธิบัตรที่ได้รับการอนุมัติ 1,407 ฉบับในปี 2021[\[3\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-CSET2021-3) ### การประชุมวิชาการ จำนวนผู้เข้าร่วมการประชุมวิชาการ AI ชั้นนำในปี 2021 ยังคงอยู่ในระดับเดียวกับปี 2020 โดยมีผู้เข้าร่วมมากกว่า 88,000 คนทั่วโลก การประชุมวิชาการส่วนใหญ่ยังคงจัดในรูปแบบเสมือนจริงเนื่องจากการระบาดของโรค COVID-19 มีเพียง ICRA และ EMNLP เท่านั้นที่ใช้รูปแบบไฮบริด[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-AIIndex2022-1) ## บทที่ 2 ประสิทธิภาพทางเทคนิค บทนี้นำเสนอการวิเคราะห์ขยายเกี่ยวกับความก้าวหน้าในด้านการมองเห็นด้วยคอมพิวเตอร์ การประมวลผลภาษา การรู้จำเสียงพูด ระบบแนะนำ Reinforcement Learning ฮาร์ดแวร์ และหุ่นยนต์[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-AIIndex2022-1) ### การมองเห็นด้วยคอมพิวเตอร์ **ImageNet** ความแม่นยำในการจำแนกภาพบน ImageNet ยังคงเพิ่มขึ้นอย่างต่อเนื่อง ระบบที่ใช้ข้อมูลการฝึกอบรมเพิ่มเติมแสดงผลลัพธ์ที่สูงกว่าอย่างมีนัยสำคัญ ในปี 2021 โมเดล CoAtNet ที่ฝึกอบรมบน ImageNet-21K + JFT บรรลุ top-1 accuracy ที่ 90.88% ซึ่งสูงกว่าระดับความสามารถของมนุษย์อย่างมีนัยสำคัญ (ประมาณ 94.9% ตาม top-5)[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-AIIndex2022-1) **งานย่อยเฉพาะทาง** ในปี 2021 มีความสนใจเพิ่มขึ้นในงานย่อยเฉพาะทางด้านการมองเห็นด้วยคอมพิวเตอร์ ได้แก่ การแบ่งส่วนภาพทางการแพทย์และการระบุใบหน้าที่สวมหน้ากาก ตัวอย่างเช่น ก่อนปี 2020 มีเพียง 3 งานวิจัยที่ทดสอบระบบบน benchmark Kvasir-SEG (การถ่ายภาพทางการแพทย์) แต่ในปี 2021 มีงานวิจัยดังกล่าวถึง 25 งาน[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-AIIndex2022-1) **Visual Commonsense Reasoning - การใช้เหตุผลเชิงสามัญสำนึกด้วยภาพ (VCR)** ณ สิ้นปี 2021 ผลลัพธ์ที่ดีที่สุดบน benchmark Visual Commonsense Reasoning อยู่ที่ 72.0 เพิ่มขึ้น 63.6% จากปี 2018 แม้ว่าระบบยังคงด้อยกว่าระดับความสามารถของมนุษย์อย่างมีนัยสำคัญ การปรับปรุงมีแนวโน้มลดลงเรื่อยๆ ชี้ให้เห็นถึงความจำเป็นของแนวทางใหม่[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-AIIndex2022-1) ### การประมวลผลภาษาธรรมชาติ **SuperGLUE** บนยอด leaderboard ของ SuperGLUE คือโมเดล SS-MoE ที่ได้คะแนน 91.0 ซึ่งสูงกว่าระดับความสามารถของมนุษย์ (89.8) ความก้าวหน้าอย่างรวดเร็วบน SuperGLUE แสดงให้เห็นถึงความจำเป็นในการพัฒนา benchmark ภาษาที่ซับซ้อนยิ่งขึ้น[\[7\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-SuperGLUE2019-7) **SQuAD** ระบบ AI แซงหน้าระดับความสามารถของมนุษย์บน benchmark SQuAD 2.0 ด้านการทำความเข้าใจการอ่าน 1–5% อย่างไรก็ตาม ในงานที่ซับซ้อนกว่า เช่น การอนุมานเชิงอุปนัยในภาษาธรรมชาติ (aNLI) มนุษย์ยังคงนำหน้า AI แม้ว่าช่องว่างจะลดลงจาก 9 จุดเปอร์เซ็นต์ในปี 2019 เหลือ 1 จุดเปอร์เซ็นต์ในปี 2021[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-AIIndex2022-1) **การแปลภาษาด้วยเครื่อง** จำนวนระบบแปลภาษาด้วยเครื่องที่ใช้งานได้ในเชิงพาณิชย์ยังคงเพิ่มขึ้น และคุณภาพการแปลในคู่ภาษาหลัก (WMT 2014) ปรับปรุงดีขึ้นอย่างสม่ำเสมอ[\[8\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-Intento2021-8) ### การรู้จำเสียงพูด บน benchmark LibriSpeech (Test-Clean) อัตราข้อผิดพลาดในการรู้จำคำ (WER) ยังคงลดลงอย่างต่อเนื่อง เข้าใกล้ระดับความสามารถของมนุษย์ มีความก้าวหน้าเกิดขึ้นในชุดข้อมูลเสียงพูดที่ซับซ้อนกว่าด้วย[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-AIIndex2022-1) ### Reinforcement Learning **Atari-57** ระบบ Reinforcement Learning ยังคงพัฒนาขึ้นในงาน Arcade Learning Environment แบบคลาสสิก โมเดล MuZero (DeepMind) ยังคงเป็นหนึ่งในโมเดลชั้นนำ[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-AIIndex2022-1) **Procgen** บน benchmark Procgen ที่ทดสอบความสามารถในการนำความรู้ไปใช้ในสภาพแวดล้อมใหม่ ระบบ AI ปรับปรุงผลลัพธ์ขึ้น 129% ในสองปี ชี้ให้เห็นถึงการมุ่งสู่ agent ที่มีความทั่วไปมากขึ้น[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-AIIndex2022-1) **หมากรุก** เครื่องมือซอฟต์แวร์หมากรุกที่ดีที่สุดแซงหน้าเรตติ้ง ELO สูงสุดของ Magnus Carlsen ถึง 24%[\[9\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-SSCA2021-9) ### ฮาร์ดแวร์และต้นทุนการฝึกอบรม **MLPerf** ข้อมูลจาก benchmark MLPerf แสดงให้เห็นการลดลงอย่างสม่ำเสมอของเวลาการฝึกอบรม ควบคู่กับการเพิ่มขึ้นของจำนวน accelerator ที่ใช้งาน ช่องว่างระหว่างจำนวน accelerator เฉลี่ยของผู้นำและผู้เข้าร่วมทั้งหมดขยายกว้างขึ้น 9 เท่าตั้งแต่ปี 2018 ถึง 2021 ซึ่งแสดงให้เห็นถึงความต้องการทรัพยากรฮาร์ดแวร์ที่เพิ่มขึ้น[\[5\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-MLPerf2021-5) **ต้นทุนการฝึกอบรม ImageNet** ต้นทุนการฝึกอบรมระบบจำแนกภาพประสิทธิภาพสูงจนถึงความแม่นยำ 93% ลดลงจาก 1,112.6 ดอลลาร์ในปี 2017 เหลือ 4.6 ดอลลาร์ในปี 2021 ลดลง 223 เท่าในสี่ปี[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-AIIndex2022-1) ### หุ่นยนต์ **ราคาของแขนหุ่นยนต์** การสำรวจ AI Index ที่ดำเนินการกับศาสตราจารย์ด้านหุ่นยนต์ 509 คนจาก 67 มหาวิทยาลัยทั่วโลก พบว่าราคามัธยฐานของแขนหุ่นยนต์ลดลง 46.2% จาก 42,000 ดอลลาร์ในปี 2017 เหลือ 22,600 ดอลลาร์ในปี 2021[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-AIIndex2022-1) **ทักษะ AI ในหุ่นยนต์** 67% ของศาสตราจารย์ด้านหุ่นยนต์ที่ตอบแบบสอบถามรายงานว่าใช้ deep learning และ 46% ใช้ Reinforcement Learning ในการวิจัยของตน[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-AIIndex2022-1) ## บทที่ 3 จริยธรรม AI ทางเทคนิค บทที่รวมไว้เป็นครั้งแรกในรายงานนี้ให้การวิเคราะห์เชิงลึกเกี่ยวกับเมตริกด้านความเป็นธรรมและอคติ ความเป็นพิษของโมเดลภาษา ความเอนเอียงแบบ multimodal รวมถึงประเด็นการตรวจสอบข้อเท็จจริงและความจริงใจของ AI[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-AIIndex2022-1) ### การวิเคราะห์เมตาของเมตริกความเป็นธรรมและอคติ จำนวนเมตริกสำหรับการวัดอคติและความเป็นธรรมของ AI เพิ่มขึ้นอย่างสม่ำเสมอนับตั้งแต่ปี 2018 เมตริกแบ่งออกเป็นสองประเภทหลัก ได้แก่ benchmark dataset (เช่น StereoSet, CrowS-Pairs) ที่วัดพฤติกรรมภายในของโมเดล และเมตริกเชิงวินิจฉัย (เช่น demographic parity, equality of opportunity) ที่ประเมินผลกระทบของโมเดลต่อกลุ่มประชากรเฉพาะ[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-AIIndex2022-1) ### ความเป็นพิษของโมเดลภาษา **RealToxicityPrompts** ความเป็นพิษของโมเดลภาษาขึ้นอยู่กับข้อมูลการฝึกอบรมอย่างมีนัยสำคัญ โมเดลที่ฝึกอบรมบนข้อความที่กรองเนื้อหาที่มีความเป็นพิษออก (เช่น C4 ที่ผ่านการกรอง) มีความเป็นพิษน้อยกว่าโมเดลที่ฝึกอบรมบนเนื้อหาอินเทอร์เน็ตที่ไม่ผ่านการกรองอย่างมีนัยสำคัญ[\[10\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-Gehman2020-10) **ขนาดและความเป็นพิษ** การวิเคราะห์โมเดล Gopher (DeepMind, 280 พันล้านพารามิเตอร์) แสดงให้เห็นว่าโมเดลขนาดใหญ่กว่ามีแนวโน้มสูงกว่าที่จะสร้างเนื้อหาต่อเนื่องที่มีความเป็นพิษเมื่อมี prompt ที่เหมาะสม แต่ในขณะเดียวกันก็มีความสามารถในการตรวจจับเนื้อหาที่มีความเป็นพิษได้ดีกว่า[\[4\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-Rae2021-4) **การลดความเป็นพิษ** วิธีการลดความเป็นพิษของโมเดลภาษา (DAPT, PPLM, GeDi) ส่งผลให้ประสิทธิภาพลดลงอย่างสม่ำเสมอ โดยลดลงอย่างไม่สมส่วนมากกว่าในภาษาอังกฤษแบบแอฟริกัน-อเมริกันและข้อความที่กล่าวถึงกลุ่มชนกลุ่มน้อย[\[11\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-Xu2021-11) ### ภาพเหมารวมและอคติ **StereoSet** วัดอคติเชิงภาพเหมารวมตามมิติเพศ เชื้อชาติ ศาสนา และอาชีพ **CrowS-Pairs** ประเมินระดับอคติเชิงภาพเหมารวมในโมเดลภาษาแบบ masked **Winogender** และ **WinoBias** ทดสอบอคติเชิงเพศในงาน coreference resolution ส่วน **WinoMT** ทดสอบในการแปลภาษาด้วยเครื่อง[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-AIIndex2022-1) ### อคติแบบ Multimodal (CLIP) โมเดล CLIP (Contrastive Language-Image Pretraining, OpenAI) แสดงผลลัพธ์ที่น่าประทับใจในการจำแนกภาพ แต่ก็สืบทอดอคติด้านเพศ เชื้อชาติ และอายุจากข้อมูลการฝึกอบรม (คู่ภาพ-ข้อความ 400 ล้านคู่จากอินเทอร์เน็ต) ผลการค้นพบสำคัญ[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-AIIndex2022-1): - **อันตรายจากการทำให้เสื่อมเสียชื่อเสียง:** เมื่อเพิ่มหมวดหมู่ที่ไม่ใช่มนุษย์และอาชญากรรมในการจำแนก ภาพของบุคคลผิวดำถูกจัดผิดหมวดหมู่เป็นหมวดที่ไม่ใช่มนุษย์ใน 14% ของกรณี ซึ่งมากกว่าเชื้อชาติอื่นสองเท่า - **อคติทางเพศ:** ป้ายชื่อ "พี่เลี้ยง" และ "แม่บ้าน" เชื่อมโยงกับผู้หญิง ส่วน "นักโทษ" และ "มาเฟีย" เชื่อมโยงกับผู้ชาย - **การแพร่กระจายของอคติ:** อคติของ CLIP ถูกส่งต่อไปยัง dataset LAION-400M ที่ดูแลโดยใช้ embedding ของ CLIP ส่งผลกระทบต่อแอปพลิเคชันที่ตามมาทั้งหมด ### การตรวจสอบข้อเท็จจริงและความจริงใจ **TruthfulQA** การวิเคราะห์ตระกูลโมเดลภาษาหลายตระกูลบน benchmark TruthfulQA แสดงให้เห็นว่าการขยายขนาดโมเดลพื้นฐาน (ตระกูล GPT-3) ส่งผลให้ความจริงใจลดลง อย่างไรก็ตาม โมเดลที่ผ่านการ fine-tuning ด้วยการตอบรับจากมนุษย์ (InstructGPT, WebGPT) มีความจริงใจเพิ่มขึ้นตามขนาดที่ขยาย[\[12\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-TruthfulQA2021-12) **FEVER** บน benchmark FEVER (Fact Extraction and VERification) ระบบตรวจสอบข้อเท็จจริงอัตโนมัติยังคงพัฒนาดีขึ้น แม้ว่าจะยังคงด้อยกว่าระดับความสามารถของมนุษย์[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-AIIndex2022-1) ### แนวโน้มในการประชุมวิชาการด้านจริยธรรม การวิเคราะห์สิ่งพิมพ์ในการประชุมวิชาการ FAccT (Fairness, Accountability, and Transparency) และ workshop เฉพาะทางของ NeurIPS เผยให้เห็นการเติบโตของงานด้านการตีความได้ การอธิบายได้ การใช้เหตุผลเชิงสาเหตุ การรักษาความเป็นส่วนตัว การรวบรวมข้อมูล ความเป็นธรรม และอคติ นักวิจัยที่มีความสัมพันธ์กับภาคอุตสาหกรรมเพิ่มผลงานในเวทีเหล่านี้อย่างมีนัยสำคัญ[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-AIIndex2022-1) ## บทที่ 4 เศรษฐกิจและการศึกษา บทนี้ศึกษาแนวโน้มในตลาดแรงงาน การลงทุน การนำ AI มาใช้ในองค์กร และการพัฒนาบุคลากร[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-AIIndex2022-1) ### ตลาดแรงงาน **การจ้างงานผู้เชี่ยวชาญด้าน AI** ตามข้อมูลของ LinkedIn นิวซีแลนด์มีอัตราการเติบโตของการจ้างงานผู้เชี่ยวชาญด้าน AI สูงสุด ที่ 2.42 เท่าตั้งแต่ปี 2016 ถึง 2021 รองลงมาได้แก่ ฮ่องกง (1.56 เท่า) ไอร์แลนด์ (1.28 เท่า) ลักเซมเบิร์ก (1.26 เท่า) และสวีเดน (1.24 เท่า)[\[13\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-LinkedIn2021-13) **ตำแหน่งงานว่าง** ตามข้อมูลของ Emsi Burning Glass สิงคโปร์นำในด้านสัดส่วนตำแหน่งงาน AI ในบรรดาตำแหน่งงานทั้งหมดที่ 2.33% รองลงมาได้แก่ สหรัฐอเมริกา (0.90%) แคนาดา (0.78%) และสหราชอาณาจักร (0.74%) ในสหรัฐอเมริกา แคลิฟอร์เนียมีตำแหน่งงาน AI มากที่สุด (มากกว่าเท็กซัสกว่า 2.35 เท่า) ส่วนวอชิงตัน ดี.ซี. มีสัดส่วนตำแหน่งงาน AI สูงที่สุด[\[14\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-EmsiBG2021-14) ### การลงทุน **แนวโน้มโดยรวม** การลงทุนขององค์กรทั้งหมดใน AI ในปี 2021 บรรลุระดับสูงสุดเป็นประวัติการณ์ที่ 176.5 พันล้านดอลลาร์ โดยการลงทุนภาคเอกชนอยู่ที่ 93.5 พันล้านดอลลาร์ (เพิ่มขึ้นกว่าสองเท่าเมื่อเทียบกับปี 2020) การควบรวมและซื้อกิจการอยู่ที่ประมาณ 72 พันล้านดอลลาร์ และการเสนอขายหุ้นต่อสาธารณะอยู่ที่ประมาณ 9.5 พันล้านดอลลาร์[\[2\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-NetBaseQuid2021-2) **การกระจายตามภูมิภาค** สหรัฐอเมริกานำด้วยการลงทุนภาคเอกชนประมาณ 52.9 พันล้านดอลลาร์ ซึ่งมากกว่าจีน (17.2 พันล้านดอลลาร์) กว่าสามเท่า สหราชอาณาจักรอยู่ในอันดับสาม (4.65 พันล้านดอลลาร์) รองลงมาได้แก่ อิสราเอล (2.4 พันล้านดอลลาร์) และเยอรมนี (1.98 พันล้านดอลลาร์)[\[2\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-NetBaseQuid2021-2) | ประเทศ | การลงทุนภาคเอกชน 2021 (พันล้าน USD) | การลงทุนภาคเอกชน 2013–2021 (พันล้าน USD) | |--------------|----------------------------------|---------------------------------------| | สหรัฐอเมริกา | 52.9 | 149.0 | | จีน | 17.2 | 61.9 | | สหราชอาณาจักร | 4.65 | 10.8 | | อิสราเอล | 2.4 | 6.1 | | เยอรมนี | 1.98 | 3.9 | | อินเดีย | 1.87 | 10.8 | **การมุ่งเน้นตามภาคส่วน** ด้านที่ดึงดูดการลงทุนภาคเอกชนสูงสุดในปี 2021 ได้แก่ "การจัดการข้อมูล การประมวลผล และคลาวด์" ซึ่งมากกว่าปี 2020 ถึง 2.6 เท่า รองลงมาได้แก่ "การแพทย์และการดูแลสุขภาพ" (11.29 พันล้านดอลลาร์) และ "fintech" (10.26 พันล้านดอลลาร์)[\[2\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-NetBaseQuid2021-2) **การกระจุกตัวของทุน** มูลค่าเฉลี่ยของธุรกรรมการลงทุนภาคเอกชนใน AI ในปี 2021 เพิ่มขึ้น 81.1% เมื่อเทียบกับปี 2020 ในขณะที่จำนวนบริษัท AI ที่ได้รับการระดมทุนรายใหม่ลดลงเป็นปีที่สามติดต่อกัน (นับจากจุดสูงสุดในปี 2018)[\[2\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-NetBaseQuid2021-2) ### การนำมาใช้ในองค์กร ตามข้อมูลของ McKinsey ระดับการนำ AI มาใช้โดยองค์กรโดยเฉลี่ยในปี 2021 อยู่ที่ 56% (เพิ่มขึ้น 6 จุดเปอร์เซ็นต์จากปี 2020) อินเดียนำด้วย 65% รองลงมาได้แก่ ประเทศพัฒนาแล้วในภูมิภาคเอเชียแปซิฟิก (64%) ตลาดเกิดใหม่ (57%) และอเมริกาเหนือ (55%)[\[15\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-McKinsey2021-15) **การจัดการความเสี่ยง** ความพยายามในการแก้ไขปัญหาจริยธรรม AI ในอุตสาหกรรมยังคงมีข้อจำกัด แม้ว่า 29% ของผู้ตอบแบบสำรวจของ McKinsey จะยอมรับว่า "ความเป็นธรรมและความเท่าเทียม" เป็นความเสี่ยงในการนำ AI มาใช้ แต่มีเพียง 19% เท่านั้นที่ดำเนินขั้นตอนเพื่อลดความเสี่ยงดังกล่าว ในทำนองเดียวกัน 41% ยอมรับว่า "การอธิบายได้" เป็นความเสี่ยง แต่มีเพียง 27% เท่านั้นที่ดำเนินการเพื่อให้มั่นใจในเรื่องนี้[\[15\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-McKinsey2021-15) ### การศึกษา **ระดับปริญญาตรี** จำนวนบัณฑิตระดับปริญญาตรีสาขาวิทยาการคอมพิวเตอร์ในอเมริกาเหนือ (ในสถาบันที่มอบปริญญาเอก) เพิ่มขึ้น 3.5 เท่าตั้งแต่ปี 2010 ถึง 2020 ถึงมากกว่า 31,000 คน ซึ่งเพิ่มขึ้น 11.6% เมื่อเทียบกับปี 2019[\[16\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-CRATaulbee2021-16) **ระดับปริญญาเอก** ในปี 2020 หนึ่งในห้าของบัณฑิต PhD สาขาวิทยาการคอมพิวเตอร์มีความเชี่ยวชาญเฉพาะด้าน AI/Machine Learning ซึ่งเป็นความเชี่ยวชาญที่ได้รับความนิยมสูงสุดในทศวรรษที่ผ่านมา จำนวน PhD ที่มีความเชี่ยวชาญนี้เพิ่มขึ้น 72.05% ตั้งแต่ปี 2010 ถึง 2020[\[16\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-CRATaulbee2021-16) ## บทที่ 5 นโยบายและการกำกับดูแล AI บทนี้วิเคราะห์กิจกรรมทางกฎหมายและการกำกับดูแลในด้าน AI ในระดับโลกและในแต่ละประเทศ[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-AIIndex2022-1) ### กฎหมายระดับโลก การวิเคราะห์ของ AI Index ครอบคลุมความคิดริเริ่มทางกฎหมายใน 25 ประเทศ ในช่วงปี 2016–2021 มีการบัญญัติกฎหมาย 55 ฉบับที่กล่าวถึง "ปัญญาประดิษฐ์" การเพิ่มขึ้นเป็นไปอย่างรวดเร็ว จาก 1 ฉบับในปี 2016 เป็น 18 ฉบับในปี 2021[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-AIIndex2022-1) **ประเทศผู้นำตามจำนวนกฎหมายที่บัญญัติ (2016–2021):** | ประเทศ | กฎหมาย (2016–2021) | กฎหมาย (2021) | |--------------|--------------------|---------------| | สหรัฐอเมริกา | 13 | 3 | | รัสเซีย | 6 | 2 | | เบลเยียม | 5 | 2 | | สเปน | 5 | 3 | | สหราชอาณาจักร | 5 | 3 | | ฝรั่งเศส | 4 | 1 | | อิตาลี | 3 | 1 | ในบรรดากฎหมายที่บัญญัติ ได้แก่ Budget Implementation Act ของแคนาดา (2017) พร้อมการจัดสรรเงิน 125 ล้านดอลลาร์สำหรับยุทธศาสตร์ AI กฎหมายรัฐบาลกลางรัสเซียลงวันที่ 24.04.2020 ฉบับที่ 123-FZ ว่าด้วยระบอบกฎหมายทดลองสำหรับ AI ในมอสโก กฎหมาย IOGAN Act ของสหรัฐอเมริกา (2020) ว่าด้วยการระดมทุนวิจัย deepfake และพระราชกฤษฎีกาเบลเยียมว่าด้วยการจัดตั้งคณะกรรมการจริยธรรมสำหรับเครื่องมือ AI (2021)[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-AIIndex2022-1) ### กฎหมายในสหรัฐอเมริกา ในระดับรัฐบาลกลาง จำนวนร่างกฎหมาย AI ที่เสนอเพิ่มขึ้นจาก 1 ฉบับในปี 2015 เป็น 130 ฉบับในปี 2021 แต่มีเพียง 2% เท่านั้นที่ผ่านการบัญญัติ ในระดับรัฐ จำนวนร่างกฎหมายที่เสนอเพิ่มขึ้นจาก 2 ฉบับในปี 2012 เป็น 131 ฉบับในปี 2021 โดยสัดส่วนที่ผ่านการบัญญัติอยู่ที่ 20% (26 จาก 131)[\[17\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-BloombergGov2021-17) แมสซาชูเซตส์เสนอร่างกฎหมาย AI มากที่สุดในระดับรัฐ (40 ฉบับตั้งแต่ปี 2012) รองลงมาได้แก่ ฮาวาย (35) และนิวเจอร์ซีย์ (32)[\[17\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-BloombergGov2021-17) ### การกล่าวถึง AI ในเอกสารรัฐสภา การกล่าวถึง AI ในบันทึกการประชุมของรัฐบาล 25 ประเทศเพิ่มขึ้น 7.7 เท่าในหกปี (2016–2021) ถึง 1,323 ครั้งในปี 2021 สหราชอาณาจักรครองความเป็นผู้นำด้วย 939 ครั้งตลอดช่วงเวลาดังกล่าว รองลงมาได้แก่ สเปน ญี่ปุ่น สหรัฐอเมริกา และออสเตรเลีย[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-AIIndex2022-1) ในรัฐสภาสหรัฐอเมริกา สมัยประชุมที่ 117 (เริ่มต้นในปี 2021) ณ สิ้นปีแรกได้บันทึกการกล่าวถึง AI แล้ว 295 ครั้ง ซึ่งกำลังมุ่งสู่การทำลายสถิติของสมัยประชุมที่ 116 (506 ครั้งในช่วงปี 2019–2020)[\[17\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-BloombergGov2021-17) ## ระเบียบวิธีวิจัย รายงานใช้ข้อมูลจากแหล่งที่มาหลายแหล่ง[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-AIIndex2022-1): - **สิ่งพิมพ์และสิทธิบัตร:** Center for Security and Emerging Technology (CSET) มหาวิทยาลัยจอร์จทาวน์ - **Benchmark:** Papers With Code และ leaderboard ของ SuperGLUE, SQuAD, VCR, MLPerf และอื่นๆ - **การลงทุนและสตาร์ทอัพ:** NetBase Quid - **ตลาดแรงงาน:** Emsi Burning Glass, LinkedIn - **กิจกรรมองค์กร:** McKinsey & Company - **หุ่นยนต์:** การสำรวจดั้งเดิมของ AI Index (ศาสตราจารย์ 509 คน จาก 67 มหาวิทยาลัย) - **กฎหมาย:** AI Index (การวิเคราะห์โลก 25 ประเทศ) Bloomberg Government (สหรัฐอเมริกา) - **การศึกษา:** CRA Taulbee Survey - **จริยธรรม:** RealToxicityPrompts, Perspective API, StereoSet, CrowS-Pairs, Winogender, WinoBias, WinoMT, TruthfulQA, FEVER, FAccT, NeurIPS ## คณะผู้เขียน รายงานนี้จัดทำภายใต้การนำของผู้อำนวยการร่วม **Jack Clark** (Anthropic / OECD) และ **Raymond Perrault** (SRI International) โดยมีนักวิจัยและองค์กรพันธมิตรจำนวนมากร่วมด้วย คณะกรรมการกำกับดูแลประกอบด้วย Erik Brynjolfsson (Stanford), John Etchemendy (Stanford), Terah Lyons, James Manyika (Google / University of Oxford), Juan Carlos Niebles (Stanford / Salesforce), Michael Sellitto (Stanford) และ Yoav Shoham (Stanford / AI21 Labs — ผู้ก่อตั้ง-ผู้อำนวยการ) ผู้จัดการวิจัยและบรรณาธิการบริหารคือ **Nestor Maslej** (Stanford) AI Index เป็นโครงการของสถาบัน Stanford HAI (Human-Centered Artificial Intelligence)[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_note-AIIndex2022-1) ## ลิงก์อ้างอิง - Stanford HAI — AI Index Report 2022 (ฉบับเต็ม): https://aiindex.stanford.edu/report/ - Center for Security and Emerging Technology (CSET) — ข้อมูลสิ่งพิมพ์และสิทธิบัตร: https://cset.georgetown.edu/ - Papers With Code — benchmark และ leaderboard: https://paperswithcode.com/ - SuperGLUE Benchmark: https://super.gluebenchmark.com/ - MLPerf (MLCommons) — benchmark การฝึกอบรม: https://mlcommons.org/en/ - NetBase Quid — ข้อมูลการลงทุน: 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 — ข้อมูลกฎหมาย: 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/ ## บรรณานุกรม - 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 ## หมายเหตุ 1. ↑ [1.00](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_ref-AIIndex2022_1-0) [1.01](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_ref-AIIndex2022_1-1) [1.02](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_ref-AIIndex2022_1-2) [1.03](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_ref-AIIndex2022_1-3) [1.04](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_ref-AIIndex2022_1-4) [1.05](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_ref-AIIndex2022_1-5) [1.06](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_ref-AIIndex2022_1-6) [1.07](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_ref-AIIndex2022_1-7) [1.08](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_ref-AIIndex2022_1-8) [1.09](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_ref-AIIndex2022_1-9) [1.10](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_ref-AIIndex2022_1-10) [1.11](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_ref-AIIndex2022_1-11) [1.12](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_ref-AIIndex2022_1-12) [1.13](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_ref-AIIndex2022_1-13) [1.14](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_ref-AIIndex2022_1-14) [1.15](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_ref-AIIndex2022_1-15) [1.16](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_ref-AIIndex2022_1-16) [1.17](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_ref-AIIndex2022_1-17) [1.18](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_ref-AIIndex2022_1-18) [1.19](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_ref-AIIndex2022_1-19) [1.20](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_ref-AIIndex2022_1-20) [1.21](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_ref-AIIndex2022_1-21) [1.22](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_ref-AIIndex2022_1-22) [1.23](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_ref-AIIndex2022_1-23) [1.24](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_ref-AIIndex2022_1-24) [1.25](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_ref-AIIndex2022_1-25) [1.26](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_ref-AIIndex2022_1-26) [1.27](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_ref-AIIndex2022_1-27) [1.28](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_ref-AIIndex2022_1-28) [1.29](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_ref-AIIndex2022_1-29) [1.30](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_ref-AIIndex2022_1-30) [1.31](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_ref-AIIndex2022_1-31) [1.32](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_ref-AIIndex2022_1-32) [1.33](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_ref-AIIndex2022_1-33) [1.34](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_ref-AIIndex2022_1-34) [1.35](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#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_(TH)#cite_ref-NetBaseQuid2021_2-0) [2.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_ref-NetBaseQuid2021_2-1) [2.2](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_ref-NetBaseQuid2021_2-2) [2.3](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_ref-NetBaseQuid2021_2-3) [2.4](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#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_(TH)#cite_ref-CSET2021_3-0) [3.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_ref-CSET2021_3-1) [3.2](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_ref-CSET2021_3-2) [3.3](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#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_(TH)#cite_ref-Rae2021_4-0) [4.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#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_(TH)#cite_ref-MLPerf2021_5-0) [5.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#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_(TH)#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_(TH)#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_(TH)#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_(TH)#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_(TH)#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_(TH)#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_(TH)#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_(TH)#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_(TH)#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_(TH)#cite_ref-McKinsey2021_15-0) [15.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#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_(TH)#cite_ref-CRATaulbee2021_16-0) [16.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#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_(TH)#cite_ref-BloombergGov2021_17-0) [17.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_ref-BloombergGov2021_17-1) [17.2](https://systems-analysis.info/int/The_2022_AI_Index_Report_(TH)#cite_ref-BloombergGov2021_17-2) Bloomberg Government (2021). *U.S. AI Legislative Records*. https://about.bgov.com/