--- title: "The 2022 AI Index Report (VI)" source: "https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)" wiki: "systems-analysis.info/int" article: "The_2022_AI_Index_Report_(VI)" language: "vi" categories: - "Category:Large language models" - "Category:Machine learning" - "Category:Vietnamese" revision_id: 8009 wiki_created_at: 2026-09-07T01:10:47Z wiki_modified_at: 2026-09-07T01:10:47Z downloaded_at: 2026-09-07T23:22:39Z --- # The 2022 AI Index Report (VI) **AI Index Report 2022** — ấn bản thường niên lần thứ năm của báo cáo **AI Index**, được chuẩn bị bởi Viện Trí tuệ Nhân tạo Lấy con người làm trung tâm của Stanford (Stanford HAI)^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-AIIndex2022-1)}. Báo cáo năm 2022 là ấn bản có dung lượng lớn nhất tính đến thời điểm công bố và được phát hành trong giai đoạn triển khai quy mô lớn các hệ thống AI trong nền kinh tế. Ấn bản này lần đầu tiên có một chương riêng với phân tích chuyên sâu về đạo đức kỹ thuật AI, tổng quan toàn diện về robot học dựa trên khảo sát toàn cầu với các nhà nghiên cứu, cũng như dữ liệu về các sáng kiến lập pháp trong lĩnh vực AI tại 25 quốc gia trên thế giới. Báo cáo theo dõi, hệ thống hóa và trực quan hóa các dữ liệu liên quan đến trí tuệ nhân tạo, cung cấp thông tin khách quan và được xác minh kỹ lưỡng cho các nhà hoạch định chính sách, nhà nghiên cứu, lãnh đạo doanh nghiệp, nhà báo và công chúng rộng rãi. ## Cấu trúc báo cáo Báo cáo năm 2022 gồm năm chương chuyên đề và phần phụ lục^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-AIIndex2022-1)}: 1. **Nghiên cứu và Phát triển (Research and Development)** — xu hướng trong các ấn phẩm, bằng sáng chế, hội nghị và phần mềm mã nguồn mở. 2. **Hiệu suất Kỹ thuật (Technical Performance)** — benchmark trong thị giác máy tính, xử lý ngôn ngữ, giọng nói, hệ thống gợi ý, Reinforcement Learning, phần cứng và robot học. 3. **Đạo đức Kỹ thuật AI (Technical AI Ethics)** — chương mới: các chỉ số về tính công bằng và độ lệch, độc tính của các mô hình ngôn ngữ, sai lệch đa phương thức, kiểm tra sự kiện và tính trung thực. 4. **Kinh tế và Giáo dục (The Economy and Education)** — thị trường lao động, đầu tư, triển khai AI trong doanh nghiệp và đào tạo nhân lực. 5. **Chính sách và Quản trị AI (AI Policy and Governance)** — luật pháp, quy định và các chiến lược quốc gia. ## Những phát hiện chính của báo cáo Các tác giả báo cáo đã nêu bật một số luận điểm chính của năm 2022^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-AIIndex2022-1)}: ### 1. Đầu tư tư nhân vào AI tăng mạnh, tập trung vốn gia tăng Đầu tư tư nhân vào AI năm 2021 đạt khoảng 93,5 tỷ đô la — tăng hơn gấp đôi so với năm 2020. Đồng thời, số lượng công ty AI được cấp vốn lần đầu tiếp tục giảm: từ 1.051 vào năm 2019 và 762 vào năm 2020 xuống còn 746 vào năm 2021. Nếu năm 2020 chỉ có 4 vòng tài trợ vượt 500 triệu đô la, thì năm 2021 con số này đã lên tới 15^{[\[2\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-NetBaseQuid2021-2)}. ### 2. Mỹ và Trung Quốc thống lĩnh hợp tác quốc tế về AI Bất chấp căng thẳng địa chính trị ngày càng gia tăng, Mỹ và Trung Quốc ghi nhận số lượng công bố chung về AI lớn nhất trong giai đoạn 2010–2021, tăng gấp năm lần mức hợp tác từ năm 2010. Cặp đôi này tạo ra số lượng công bố nhiều hơn 2,7 lần so với cặp đứng thứ hai — Anh và Trung Quốc^{[\[3\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-CSET2021-3)}. ### 3. Các mô hình ngôn ngữ ngày càng mạnh hơn nhưng cũng có nhiều độ lệch hơn Các mô hình ngôn ngữ lớn liên tục thiết lập kỷ lục mới trên các benchmark kỹ thuật, tuy nhiên dữ liệu cho thấy các mô hình lớn hơn tái tạo độ lệch từ dữ liệu huấn luyện nhiều hơn. Mô hình với 280 tỷ tham số (Gopher, DeepMind, 2021) cho thấy độ độc tính được kích gợi cao hơn 29% so với mô hình 117 triệu tham số vốn được coi là tiên tiến nhất vào năm 2018^{[\[4\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-Rae2021-4)}. ### 4. Sự phát triển mạnh mẽ của đạo đức AI Nghiên cứu trong lĩnh vực tính công bằng và minh bạch của AI đã có sự tăng trưởng bùng nổ kể từ năm 2014: số lượng ấn phẩm chuyên ngành tại các hội nghị về đạo đức tăng gấp năm lần. Tính công bằng thuật toán và độ lệch không còn là chủ đề thuần túy học thuật nữa mà đã trở thành hướng nghiên cứu chủ đạo. Các nhà nghiên cứu có liên kết với ngành công nghiệp tăng đóng góp tại các hội nghị về đạo đức với tốc độ 71% mỗi năm^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-AIIndex2022-1)}. ### 5. AI trở nên dễ tiếp cận hơn và hiệu quả hơn Kể từ năm 2018, chi phí huấn luyện hệ thống phân loại hình ảnh đã giảm 63,6% và thời gian huấn luyện cải thiện 94,4%. Xu hướng tương tự về giảm chi phí và tăng tốc độ huấn luyện cũng được quan sát thấy trong các danh mục nhiệm vụ MLPerf khác: gợi ý, phát hiện đối tượng và xử lý ngôn ngữ^{[\[5\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-MLPerf2021-5)}. ### 6. Dữ liệu là nguồn tài nguyên then chốt Kết quả tốt nhất trên các benchmark kỹ thuật ngày càng đạt được nhờ sử dụng thêm dữ liệu huấn luyện bổ sung. Tính đến năm 2021, 9 trong số 10 hệ thống AI tiên tiến nhất trên các benchmark được xem xét đã được huấn luyện với dữ liệu bổ sung. Xu hướng này ngầm mang lại lợi thế cho các công ty thuộc khu vực tư nhân có quyền truy cập vào các dataset rộng lớn^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-AIIndex2022-1)}. ### 7. Luật pháp về AI trên toàn thế giới tăng trưởng nhanh chóng Phân tích của AI Index tại 25 quốc gia cho thấy số lượng luật được thông qua có chứa thuật ngữ «trí tuệ nhân tạo» đã tăng từ 1 vào năm 2016 lên 18 vào năm 2021. Các nước dẫn đầu năm 2021 là Tây Ban Nha, Anh và Mỹ — mỗi nước thông qua ba luật^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-AIIndex2022-1)}. ### 8. Cánh tay robot ngày càng rẻ hơn Khảo sát của AI Index cho thấy giá trung vị của cánh tay robot đã giảm 46,2% trong năm năm — từ 42.000 đô la năm 2017 xuống còn 22.600 đô la năm 2021, giúp nghiên cứu robot học trở nên dễ tiếp cận hơn^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-AIIndex2022-1)}. ### 9. Các mô hình đa phương thức kế thừa độ lệch đa phương thức Các mô hình ngôn ngữ và thị giác đa phương thức (như CLIP) đã thiết lập các kỷ lục mới trong các nhiệm vụ phân loại hình ảnh và tạo hình ảnh từ mô tả văn bản, tuy nhiên chúng cũng tái tạo các khuôn mẫu xã hội và độ lệch. Các thí nghiệm với CLIP cho thấy hình ảnh của người da đen bị phân loại sai vào các hạng mục «phi con người» nhiều hơn gấp đôi so với hình ảnh của bất kỳ chủng tộc nào khác^{[\[6\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-Birhane2021-6)}. ### 10. Xu hướng hướng tới Reinforcement Learning tổng quát hơn Trong thập kỷ vừa qua, các hệ thống AI đã thành công trong việc nắm vững các nhiệm vụ Reinforcement Learning hẹp (ví dụ như cờ vua — engine cờ vua tốt nhất vượt qua xếp hạng tối đa của Magnus Carlsen tới 24%). Tuy nhiên trong hai năm gần đây, các hệ thống AI cũng cải thiện kết quả tới 129% trong các nhiệm vụ Reinforcement Learning tổng quát hơn (Procgen), nơi đòi hỏi hành động trong các môi trường mới, chưa quen biết^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-AIIndex2022-1)}. ## Chương 1. Nghiên cứu và Phát triển Chương phân tích các xu hướng trong ấn phẩm, bằng sáng chế, hội nghị và phần mềm mã nguồn mở^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-AIIndex2022-1)}. ### Ấn phẩm Tổng số ấn phẩm về AI bằng tiếng Anh tiếp tục tăng và đạt 334.500 vào năm 2021^{[\[3\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-CSET2021-3)}. **Theo loại ấn phẩm.** Năm 2021, có hơn 56.700 ấn phẩm được công bố trên các kho lưu trữ (arXiv và các nền tảng khác), phản ánh vai trò ngày càng tăng của các bản công bố trước (preprint) trong nghiên cứu AI^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-AIIndex2022-1)}. **Theo phân bố địa lý.** Năm 2021, Trung Quốc tiếp tục dẫn đầu về tổng số ấn phẩm trên các tạp chí, hội nghị và kho lưu trữ — nhiều hơn Mỹ 63,2%. Trong khi đó, Mỹ vẫn duy trì vị trí thống trị về số lượng trích dẫn các ấn phẩm hội nghị và kho lưu trữ^{[\[3\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-CSET2021-3)}: | Chỉ số | Trung Quốc | EU + Anh | Mỹ | |------------------------------------|------------|----------|-------| | Tỷ lệ ấn phẩm hội nghị (2021) | 27,6% | 19,0% | 16,9% | | Tỷ lệ trích dẫn hội nghị (2021) | 15,3% | 23,3% | 29,5% | | Tỷ lệ ấn phẩm kho lưu trữ (2021) | 16,6% | 23,9% | 32,5% | | Tỷ lệ trích dẫn kho lưu trữ (2021) | 16,4% | 20,1% | 38,6% | **Hợp tác liên ngành.** Từ năm 2010 đến 2021, số lượng ấn phẩm AI chung lớn nhất được tạo ra bởi sự hợp tác giữa các tổ chức giáo dục và phi lợi nhuận, tiếp theo là giữa các công ty tư nhân và cơ sở giáo dục, cũng như giữa các cơ sở giáo dục và tổ chức nhà nước^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-AIIndex2022-1)}. ### Bằng sáng chế Số lượng đơn đăng ký bằng sáng chế trong lĩnh vực AI năm 2021 vượt quá 30 lần so với năm 2015 với tốc độ tăng trưởng hàng năm trung bình là 76,9%. Về phân bố khu vực, Đông Á và Thái Bình Dương chiếm ưu thế với 62,1% đơn đăng ký bằng sáng chế. Trung Quốc nộp đơn đăng ký bằng sáng chế nhiều gấp ba lần so với Mỹ — 87.343 đơn với 1.407 bằng sáng chế được phê duyệt vào năm 2021^{[\[3\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-CSET2021-3)}. ### Hội nghị Lượng tham dự các hội nghị AI hàng đầu năm 2021 duy trì ở mức năm 2020 — hơn 88.000 người tham gia trên toàn thế giới. Hầu hết các hội nghị vẫn được tổ chức theo hình thức trực tuyến do đại dịch COVID-19. Chỉ có ICRA và EMNLP sử dụng hình thức kết hợp^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-AIIndex2022-1)}. ## Chương 2. Hiệu suất Kỹ thuật Chương trình bày phân tích mở rộng về tiến bộ trong thị giác máy tính, xử lý ngôn ngữ, giọng nói, hệ thống gợi ý, Reinforcement Learning, phần cứng và robot học^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-AIIndex2022-1)}. ### Thị giác máy tính **ImageNet.** Độ chính xác phân loại hình ảnh trên ImageNet tiếp tục tăng. Các hệ thống sử dụng dữ liệu huấn luyện bổ sung cho thấy kết quả cao hơn đáng kể. Năm 2021, mô hình CoAtNet được huấn luyện trên ImageNet-21K + JFT đạt top-1 accuracy 90,88%, vượt đáng kể mức độ con người (khoảng 94,9% theo top-5)^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-AIIndex2022-1)}. **Các nhiệm vụ phụ chuyên biệt.** Năm 2021, quan sát thấy sự gia tăng mối quan tâm đến các nhiệm vụ phụ chuyên biệt trong thị giác máy tính — phân đoạn hình ảnh y tế và nhận dạng khuôn mặt đeo khẩu trang. Ví dụ, nếu trước năm 2020 chỉ có 3 công trình nghiên cứu kiểm tra các hệ thống trên benchmark Kvasir-SEG (hình ảnh y tế), thì vào năm 2021 đã có 25 công trình như vậy^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-AIIndex2022-1)}. **Lập luận thông thường trực quan (VCR).** Đến cuối năm 2021, kết quả tốt nhất trên benchmark Visual Commonsense Reasoning đạt 72,0 — tăng 63,6% từ năm 2018, mặc dù các hệ thống vẫn thua đáng kể so với mức độ con người. Các cải tiến ngày càng trở nên nhỏ dần, cho thấy sự cần thiết phải có các phương pháp tiếp cận mới^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-AIIndex2022-1)}. ### Xử lý ngôn ngữ tự nhiên **SuperGLUE.** Đứng đầu bảng xếp hạng SuperGLUE là mô hình SS-MoE với kết quả 91,0, vượt mức độ con người (89,8). Tiến bộ nhanh chóng trên SuperGLUE cho thấy sự cần thiết phải phát triển các benchmark ngôn ngữ phức tạp hơn^{[\[7\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-SuperGLUE2019-7)}. **SQuAD.** Các hệ thống AI vượt qua mức độ con người trên benchmark SQuAD 2.0 về đọc hiểu từ 1–5%, tuy nhiên với các nhiệm vụ phức tạp hơn như suy luận logic quy nạp trên ngôn ngữ tự nhiên (aNLI), con người vẫn vượt trội hơn AI, mặc dù khoảng cách đã thu hẹp từ 9 điểm phần trăm vào năm 2019 xuống còn 1 điểm phần trăm vào năm 2021^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-AIIndex2022-1)}. **Dịch máy.** Số lượng hệ thống dịch máy có sẵn thương mại tiếp tục tăng, và chất lượng dịch thuật trên các cặp ngôn ngữ chính (WMT 2014) liên tục được cải thiện^{[\[8\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-Intento2021-8)}. ### Nhận dạng giọng nói Trên benchmark LibriSpeech (Test-Clean), tỷ lệ lỗi nhận dạng từ (WER) tiếp tục giảm, tiệm cận mức độ con người. Tiến bộ cũng đạt được trên các dataset giọng nói phức tạp hơn^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-AIIndex2022-1)}. ### Reinforcement Learning **Atari-57.** Các hệ thống Reinforcement Learning tiếp tục cải thiện trong các nhiệm vụ cổ điển của Arcade Learning Environment. Mô hình MuZero (DeepMind) vẫn là một trong những mô hình dẫn đầu^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-AIIndex2022-1)}. **Procgen.** Trên benchmark Procgen, kiểm tra khả năng tổng quát hóa trong các môi trường mới, các hệ thống AI cải thiện kết quả 129% trong hai năm, cho thấy xu hướng hướng tới các tác nhân tổng quát hơn^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-AIIndex2022-1)}. **Cờ vua.** Engine cờ vua phần mềm tốt nhất vượt qua xếp hạng ELO tối đa của Magnus Carlsen tới 24%^{[\[9\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-SSCA2021-9)}. ### Phần cứng và chi phí huấn luyện **MLPerf.** Dữ liệu benchmark MLPerf cho thấy sự giảm liên tục về thời gian huấn luyện trong khi số lượng bộ tăng tốc được sử dụng tăng lên. Khoảng cách giữa số lượng bộ tăng tốc trung bình của các đội dẫn đầu và tất cả người tham gia tăng gấp 9 lần từ năm 2018 đến 2021, cho thấy yêu cầu ngày càng tăng về tài nguyên phần cứng^{[\[5\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-MLPerf2021-5)}. **Chi phí huấn luyện ImageNet.** Chi phí huấn luyện hệ thống phân loại hình ảnh hiệu suất cao đến độ chính xác 93% giảm từ 1.112,6 đô la năm 2017 xuống còn 4,6 đô la năm 2021 — giảm 223 lần trong bốn năm^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-AIIndex2022-1)}. ### Robot học **Giá cánh tay robot.** Khảo sát của AI Index được thực hiện với 509 giáo sư robot học từ 67 trường đại học trên thế giới đã phát hiện ra mức giảm 46,2% về giá trung vị của cánh tay robot — từ 42.000 đô la năm 2017 xuống còn 22.600 đô la năm 2021^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-AIIndex2022-1)}. **Kỹ năng AI trong robot học.** 67% giáo sư robot học được khảo sát cho biết họ sử dụng học sâu (deep learning), và 46% sử dụng Reinforcement Learning trong nghiên cứu của mình^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-AIIndex2022-1)}. ## Chương 3. Đạo đức Kỹ thuật AI Chương được đưa vào báo cáo lần đầu tiên cung cấp phân tích chuyên sâu về các chỉ số tính công bằng và độ lệch, độc tính của các mô hình ngôn ngữ, sai lệch đa phương thức, cũng như các vấn đề kiểm tra sự kiện và tính trung thực của AI^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-AIIndex2022-1)}. ### Phân tích tổng hợp các chỉ số tính công bằng và độ lệch Số lượng chỉ số để đo lường độ lệch và tính công bằng của AI liên tục tăng kể từ năm 2018. Các chỉ số được chia thành hai loại chính: dataset benchmark (ví dụ: StereoSet, CrowS-Pairs), đo lường hành vi nội tại của mô hình, và chỉ số chẩn đoán (ví dụ: bình đẳng nhân khẩu học, bình đẳng cơ hội), đánh giá tác động của mô hình lên các nhóm dân số cụ thể^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-AIIndex2022-1)}. ### Độc tính của các mô hình ngôn ngữ **RealToxicityPrompts.** Độc tính của các mô hình ngôn ngữ phụ thuộc đáng kể vào dữ liệu huấn luyện. Các mô hình được huấn luyện trên văn bản đã được lọc bỏ nội dung độc hại (ví dụ: C4 với bộ lọc) ít độc hại hơn đáng kể so với các mô hình được huấn luyện trên nội dung internet chưa được lọc^{[\[10\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-Gehman2020-10)}. **Quy mô và độc tính.** Phân tích mô hình Gopher (DeepMind, 280 tỷ tham số) cho thấy các mô hình lớn hơn có nhiều khả năng tạo ra các phần tiếp nối độc hại khi được kích gợi bằng các prompt phù hợp, nhưng đồng thời cũng có khả năng nhận dạng nội dung độc hại tốt hơn^{[\[4\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-Rae2021-4)}. **Giải độc.** Các phương pháp giải độc cho các mô hình ngôn ngữ (DAPT, PPLM, GeDi) nhất quán dẫn đến sự suy giảm hiệu suất, và đặc biệt là không cân xứng hơn — đối với tiếng Anh Mỹ gốc Phi và các văn bản có đề cập đến người thiểu số^{[\[11\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-Xu2021-11)}. ### Khuôn mẫu và độ lệch **StereoSet** đo lường độ lệch khuôn mẫu theo các chiều giới tính, chủng tộc, tôn giáo và nghề nghiệp. **CrowS-Pairs** đánh giá mức độ độ lệch khuôn mẫu trong các mô hình ngôn ngữ ẩn. **Winogender** và **WinoBias** kiểm tra độ lệch giới tính trong các nhiệm vụ đồng tham chiếu, còn **WinoMT** — trong dịch máy^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-AIIndex2022-1)}. ### Độ lệch đa phương thức (CLIP) Mô hình CLIP (Contrastive Language-Image Pretraining, OpenAI) đã cho thấy kết quả ấn tượng trong phân loại hình ảnh, nhưng đã kế thừa các độ lệch về giới tính, chủng tộc và độ tuổi từ dữ liệu huấn luyện (400 triệu cặp «hình ảnh–văn bản» từ internet). Những phát hiện chính^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-AIIndex2022-1)}: - **Tác hại phỉ báng:** khi thêm các hạng mục phi con người và tội phạm vào phân loại, hình ảnh của người da đen bị phân loại sai vào các hạng mục phi con người trong 14% trường hợp — gấp đôi so với các chủng tộc khác. - **Độ lệch giới tính:** nhãn «người trông trẻ» và «người giúp việc» được liên kết với phụ nữ, «tù nhân» và «xã hội đen» — với nam giới. - **Lan truyền độ lệch:** các độ lệch của CLIP được chuyển sang dataset LAION-400M, được quản lý bằng các embedding CLIP, ảnh hưởng đến tất cả các ứng dụng tiếp theo. ### Kiểm tra sự kiện và tính trung thực **TruthfulQA.** Phân tích một số nhóm mô hình ngôn ngữ trên benchmark TruthfulQA cho thấy việc mở rộng quy mô các mô hình cơ sở (nhóm GPT-3) dẫn đến giảm tính trung thực. Tuy nhiên, các mô hình được fine-tuning với phản hồi từ con người (InstructGPT, WebGPT) trở nên trung thực hơn khi được mở rộng quy mô^{[\[12\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-TruthfulQA2021-12)}. **FEVER.** Trên benchmark FEVER (Fact Extraction and VERification), các hệ thống kiểm tra sự kiện tự động tiếp tục được cải thiện, mặc dù vẫn còn thua so với mức độ con người^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-AIIndex2022-1)}. ### Xu hướng tại các hội nghị về đạo đức Phân tích các ấn phẩm tại hội nghị FAccT (Fairness, Accountability, and Transparency) và các workshop chuyên đề của NeurIPS đã xác định sự gia tăng các công trình về khả năng giải thích, tính minh bạch, lập luận nhân quả, bảo mật, thu thập dữ liệu, tính công bằng và độ lệch. Các nhà nghiên cứu có liên kết với ngành công nghiệp đã tăng đáng kể đóng góp của họ tại các diễn đàn này^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-AIIndex2022-1)}. ## Chương 4. Kinh tế và Giáo dục Chương khảo sát các xu hướng trên thị trường lao động, đầu tư, triển khai AI trong doanh nghiệp và đào tạo nhân lực^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-AIIndex2022-1)}. ### Thị trường lao động **Tuyển dụng chuyên gia AI.** Theo dữ liệu của LinkedIn, New Zealand cho thấy mức tăng trưởng cao nhất về tuyển dụng chuyên gia AI — 2,42 lần từ năm 2016 đến 2021, tiếp theo là Hồng Kông (1,56×), Ireland (1,28×), Luxembourg (1,26×) và Thụy Điển (1,24×)^{[\[13\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-LinkedIn2021-13)}. **Tin tuyển dụng.** Theo dữ liệu của Emsi Burning Glass, Singapore dẫn đầu về tỷ lệ tin tuyển dụng AI trong tổng số tin tuyển dụng — 2,33%, tiếp theo là Mỹ (0,90%), Canada (0,78%) và Anh (0,74%). Tại Mỹ, số lượng tin tuyển dụng AI lớn nhất được ghi nhận ở California (nhiều hơn 2,35 lần so với Texas), và tỷ lệ tin tuyển dụng AI cao nhất — ở Washington (D.C.)^{[\[14\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-EmsiBG2021-14)}. ### Đầu tư **Xu hướng chung.** Tổng đầu tư doanh nghiệp vào AI năm 2021 đạt mức kỷ lục 176,5 tỷ đô la, trong đó đầu tư tư nhân chiếm 93,5 tỷ (tăng hơn gấp đôi so với năm 2020), mua bán và sáp nhập — khoảng 72 tỷ, phát hành công khai — khoảng 9,5 tỷ^{[\[2\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-NetBaseQuid2021-2)}. **Phân bố khu vực.** Mỹ dẫn đầu với đầu tư tư nhân khoảng 52,9 tỷ đô la — nhiều hơn gấp ba lần so với Trung Quốc (17,2 tỷ). Anh đứng thứ ba (4,65 tỷ), tiếp theo là Israel (2,4 tỷ) và Đức (1,98 tỷ)^{[\[2\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-NetBaseQuid2021-2)}. | Quốc gia | Đầu tư tư nhân 2021 (tỷ USD) | Đầu tư tư nhân 2013–2021 (tỷ USD) | |------------|------------------------------|-----------------------------------| | Mỹ | 52,9 | 149,0 | | Trung Quốc | 17,2 | 61,9 | | Anh | 4,65 | 10,8 | | Israel | 2,4 | 6,1 | | Đức | 1,98 | 3,9 | | Ấn Độ | 1,87 | 10,8 | **Trọng tâm ngành.** Lĩnh vực thu hút lượng đầu tư tư nhân lớn nhất vào năm 2021 là «quản lý dữ liệu, xử lý và đám mây» — tăng 2,6 lần so với năm 2020, tiếp theo là «y tế và chăm sóc sức khỏe» (11,29 tỷ) và «fintech» (10,26 tỷ)^{[\[2\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-NetBaseQuid2021-2)}. **Tập trung vốn.** Quy mô giao dịch đầu tư tư nhân trung bình vào AI năm 2021 tăng 81,1% so với năm 2020. Đồng thời, số lượng công ty AI được cấp vốn lần đầu giảm năm thứ ba liên tiếp (kể từ mức đỉnh năm 2018)^{[\[2\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-NetBaseQuid2021-2)}. ### Triển khai trong doanh nghiệp Theo dữ liệu của McKinsey, mức độ triển khai AI trung bình của các tổ chức năm 2021 đạt 56% (tăng 6 điểm phần trăm so với năm 2020). Ấn Độ dẫn đầu (65%), tiếp theo là các nước phát triển ở khu vực Châu Á-Thái Bình Dương (64%), các thị trường mới nổi (57%) và Bắc Mỹ (55%)^{[\[15\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-McKinsey2021-15)}. **Quản lý rủi ro.** Nỗ lực giải quyết các vấn đề đạo đức AI trong ngành công nghiệp vẫn còn hạn chế: mặc dù 29% người được hỏi trong khảo sát McKinsey thừa nhận «tính công bằng và bình đẳng» là rủi ro khi triển khai AI, chỉ có 19% thực hiện các bước để giảm thiểu chúng. Tương tự, 41% thừa nhận «khả năng giải thích» là rủi ro, nhưng chỉ có 27% làm việc để đảm bảo điều đó^{[\[15\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-McKinsey2021-15)}. ### Giáo dục **Bậc cử nhân.** Số lượng sinh viên tốt nghiệp đại học ngành khoa học máy tính ở Bắc Mỹ (tại các trường đại học cấp bằng tiến sĩ) tăng 3,5 lần từ năm 2010 đến 2020, đạt hơn 31.000 người — tăng 11,6% so với năm 2019^{[\[16\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-CRATaulbee2021-16)}. **Tiến sĩ.** Năm 2020, cứ năm sinh viên tốt nghiệp tiến sĩ ngành khoa học máy tính thì có một người chuyên về AI/Machine Learning — chuyên ngành phổ biến nhất trong thập kỷ vừa qua. Số lượng tiến sĩ có chuyên ngành này tăng 72,05% từ năm 2010 đến 2020^{[\[16\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-CRATaulbee2021-16)}. ## Chương 5. Chính sách và Quản trị AI Chương phân tích hoạt động lập pháp và quy định trong lĩnh vực AI ở cấp độ toàn cầu và theo từng quốc gia riêng lẻ^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-AIIndex2022-1)}. ### Luật pháp toàn cầu Phân tích của AI Index bao phủ các sáng kiến lập pháp tại 25 quốc gia. Trong giai đoạn 2016–2021, đã có 55 luật được thông qua có đề cập đến «trí tuệ nhân tạo». Mức tăng trưởng rất mạnh: từ 1 luật năm 2016 lên 18 luật năm 2021^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-AIIndex2022-1)}. **Các nước dẫn đầu về số luật được thông qua (2016–2021):** | Quốc gia | Luật (2016–2021) | Luật (2021) | |-------------|------------------|-------------| | Mỹ | 13 | 3 | | Nga | 6 | 2 | | Bỉ | 5 | 2 | | Tây Ban Nha | 5 | 3 | | Anh | 5 | 3 | | Pháp | 4 | 1 | | Ý | 3 | 1 | Trong số các luật được thông qua: Budget Implementation Act của Canada (2017) với khoản phân bổ 125 triệu đô la cho chiến lược AI; Luật Liên bang Nga ngày 24.04.2020 số 123-FZ về chế độ pháp lý thử nghiệm cho AI tại Moscow; IOGAN Act của Mỹ (2020) về tài trợ nghiên cứu deepfake; sắc lệnh của Bỉ về thành lập ủy ban đạo đức cho các công cụ AI (2021)^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-AIIndex2022-1)}. ### Luật pháp tại Mỹ Ở cấp độ liên bang, số lượng dự luật AI được đề xuất tăng từ 1 vào năm 2015 lên 130 vào năm 2021, nhưng chỉ có 2% trong số đó được thông qua. Ở cấp độ tiểu bang, số lượng dự luật được đề xuất tăng từ 2 vào năm 2012 lên 131 vào năm 2021, trong đó tỷ lệ được thông qua là 20% (26 trong số 131)^{[\[17\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-BloombergGov2021-17)}. Massachusetts đề xuất số lượng dự luật AI lớn nhất ở cấp tiểu bang (40 kể từ năm 2012), tiếp theo là Hawaii (35) và New Jersey (32)^{[\[17\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-BloombergGov2021-17)}. ### Đề cập đến AI trong các văn bản nghị viện Số đề cập đến AI trong các biên bản chính phủ của 25 quốc gia tăng 7,7 lần trong sáu năm (2016–2021), đạt 1.323 vào năm 2021. Anh thống trị với 939 đề cập trong toàn bộ giai đoạn, tiếp theo là Tây Ban Nha, Nhật Bản, Mỹ và Australia^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-AIIndex2022-1)}. Tại Quốc hội Mỹ, phiên họp thứ 117 (bắt đầu vào năm 2021) đến cuối năm đầu tiên đã ghi nhận 295 đề cập đến AI — trên đường vượt kỷ lục của phiên họp 116 (506 đề cập trong giai đoạn 2019–2020)^{[\[17\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-BloombergGov2021-17)}. ## Phương pháp luận Báo cáo sử dụng dữ liệu từ nhiều nguồn^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-AIIndex2022-1)}: - **Ấn phẩm và bằng sáng chế:** Center for Security and Emerging Technology (CSET), Đại học Georgetown. - **Benchmark:** Papers With Code, bảng xếp hạng SuperGLUE, SQuAD, VCR, MLPerf và các bảng khác. - **Đầu tư và startup:** NetBase Quid. - **Thị trường lao động:** Emsi Burning Glass, LinkedIn. - **Hoạt động doanh nghiệp:** McKinsey & Company. - **Robot học:** khảo sát gốc của AI Index (509 giáo sư, 67 trường đại học). - **Luật pháp:** AI Index (phân tích toàn cầu 25 quốc gia), Bloomberg Government (Mỹ). - **Giáo dục:** CRA Taulbee Survey. - **Đạo đức:** RealToxicityPrompts, Perspective API, StereoSet, CrowS-Pairs, Winogender, WinoBias, WinoMT, TruthfulQA, FEVER, FAccT, NeurIPS. ## Nhóm tác giả Báo cáo được chuẩn bị dưới sự lãnh đạo của các đồng giám đốc **Jack Clark** (Jack Clark, Anthropic / OECD) và **Raymond Perrault** (Raymond Perrault, SRI International) với sự tham gia của nhiều nhà nghiên cứu và tổ chức đối tác. Ban chỉ đạo gồm có Erik Brynjolfsson (Erik Brynjolfsson, Stanford), John Etchemendy (John Etchemendy, Stanford), Terah Lyons (Terah Lyons), James Manyika (James Manyika, Google / University of Oxford), Juan Carlos Niebles (Juan Carlos Niebles, Stanford / Salesforce), Michael Sellitto (Michael Sellitto, Stanford), Yoav Shoham (Yoav Shoham, Stanford / AI21 Labs — giám đốc sáng lập). Quản lý nghiên cứu và tổng biên tập — **Nestor Maslej** (Nestor Maslej, Stanford). AI Index là dự án của Viện HAI Stanford (Human-Centered Artificial Intelligence)^{[\[1\]](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_note-AIIndex2022-1)}. ## Tham khảo - Stanford HAI — AI Index Report 2022 (toàn văn): https://aiindex.stanford.edu/report/ - Center for Security and Emerging Technology (CSET) — dữ liệu về ấn phẩm và bằng sáng chế: https://cset.georgetown.edu/ - Papers With Code — benchmark và bảng xếp hạng: https://paperswithcode.com/ - SuperGLUE Benchmark: https://super.gluebenchmark.com/ - MLPerf (MLCommons) — benchmark huấn luyện: https://mlcommons.org/en/ - NetBase Quid — dữ liệu đầu tư: 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 — dữ liệu về luật pháp: 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/ ## Tài liệu - 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 ## Ghi chú 1. ↑ ^{[1.00](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_ref-AIIndex2022_1-0)} ^{[1.01](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_ref-AIIndex2022_1-1)} ^{[1.02](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_ref-AIIndex2022_1-2)} ^{[1.03](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_ref-AIIndex2022_1-3)} ^{[1.04](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_ref-AIIndex2022_1-4)} ^{[1.05](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_ref-AIIndex2022_1-5)} ^{[1.06](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_ref-AIIndex2022_1-6)} ^{[1.07](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_ref-AIIndex2022_1-7)} ^{[1.08](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_ref-AIIndex2022_1-8)} ^{[1.09](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_ref-AIIndex2022_1-9)} ^{[1.10](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_ref-AIIndex2022_1-10)} ^{[1.11](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_ref-AIIndex2022_1-11)} ^{[1.12](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_ref-AIIndex2022_1-12)} ^{[1.13](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_ref-AIIndex2022_1-13)} ^{[1.14](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_ref-AIIndex2022_1-14)} ^{[1.15](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_ref-AIIndex2022_1-15)} ^{[1.16](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_ref-AIIndex2022_1-16)} ^{[1.17](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_ref-AIIndex2022_1-17)} ^{[1.18](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_ref-AIIndex2022_1-18)} ^{[1.19](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_ref-AIIndex2022_1-19)} ^{[1.20](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_ref-AIIndex2022_1-20)} ^{[1.21](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_ref-AIIndex2022_1-21)} ^{[1.22](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_ref-AIIndex2022_1-22)} ^{[1.23](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_ref-AIIndex2022_1-23)} ^{[1.24](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_ref-AIIndex2022_1-24)} ^{[1.25](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_ref-AIIndex2022_1-25)} ^{[1.26](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_ref-AIIndex2022_1-26)} ^{[1.27](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_ref-AIIndex2022_1-27)} ^{[1.28](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_ref-AIIndex2022_1-28)} ^{[1.29](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_ref-AIIndex2022_1-29)} ^{[1.30](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_ref-AIIndex2022_1-30)} ^{[1.31](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_ref-AIIndex2022_1-31)} ^{[1.32](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_ref-AIIndex2022_1-32)} ^{[1.33](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_ref-AIIndex2022_1-33)} ^{[1.34](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_ref-AIIndex2022_1-34)} ^{[1.35](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#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_(VI)#cite_ref-NetBaseQuid2021_2-0)} ^{[2.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_ref-NetBaseQuid2021_2-1)} ^{[2.2](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_ref-NetBaseQuid2021_2-2)} ^{[2.3](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_ref-NetBaseQuid2021_2-3)} ^{[2.4](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#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_(VI)#cite_ref-CSET2021_3-0)} ^{[3.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_ref-CSET2021_3-1)} ^{[3.2](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_ref-CSET2021_3-2)} ^{[3.3](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#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_(VI)#cite_ref-Rae2021_4-0)} ^{[4.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#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_(VI)#cite_ref-MLPerf2021_5-0)} ^{[5.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#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_(VI)#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_(VI)#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_(VI)#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_(VI)#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_(VI)#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_(VI)#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_(VI)#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_(VI)#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_(VI)#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_(VI)#cite_ref-McKinsey2021_15-0)} ^{[15.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#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_(VI)#cite_ref-CRATaulbee2021_16-0)} ^{[16.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#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_(VI)#cite_ref-BloombergGov2021_17-0)} ^{[17.1](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_ref-BloombergGov2021_17-1)} ^{[17.2](https://systems-analysis.info/int/The_2022_AI_Index_Report_(VI)#cite_ref-BloombergGov2021_17-2)} Bloomberg Government (2021). *U.S. AI Legislative Records*. https://about.bgov.com/