--- title: "The 2023 AI Index Report (BN)" source: "https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)" wiki: "systems-analysis.info/int" article: "The_2023_AI_Index_Report_(BN)" language: "bn" categories: - "Category:Bengali" - "Category:Large language models" - "Category:Machine learning" revision_id: 8011 wiki_created_at: 2026-09-07T01:10:50Z wiki_modified_at: 2026-09-07T01:10:50Z downloaded_at: 2026-09-07T23:22:41Z --- # The 2023 AI Index Report (BN) **AI Index Report 2023** — **AI Index**-এর ষষ্ঠ বার্ষিক সংস্করণ, যা স্ট্যানফোর্ড ইনস্টিটিউট ফর হিউম্যান-সেন্টার্ড আর্টিফিশিয়াল ইন্টেলিজেন্স (Stanford HAI) কর্তৃক প্রস্তুত করা হয়েছে[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-AIIndex2023-1)। ২০২৩ সালের রিপোর্টটি প্রকাশের সময় পর্যন্ত সবচেয়ে ব্যাপক এবং যেকোনো পূর্ববর্তী সংস্করণের চেয়ে বেশি মৌলিক তথ্য অন্তর্ভুক্ত করে: AI সম্পর্কে জনমত বিষয়ক একটি নতুন অধ্যায়, প্রযুক্তিগত কর্মক্ষমতার বিস্তারিত বিশ্লেষণ, বৃহৎ ভাষা ও মাল্টিমোডাল মডেলের মৌলিক গবেষণা, বৈশ্বিক AI আইন প্রণয়নের বিস্তারিত প্রবণতা, এবং AI সিস্টেমের পরিবেশগত প্রভাব সংক্রান্ত গবেষণা। রিপোর্টটি এমন একটি সময়ে প্রকাশিত হচ্ছে যখন AI একটি "স্থাপনার যুগে" প্রবেশ করেছে: ২০২২ সাল এবং ২০২৩ সালের শুরুতে প্রতি মাসে নতুন বড় মাপের মডেল — ChatGPT, Stable Diffusion, Whisper, DALL-E 2 — প্রকাশিত হয়েছে, যা টেক্সট উৎপাদন, চিত্র তৈরি এবং বাক্য শনাক্তকরণে অভূতপূর্ব সক্ষমতা প্রদর্শন করেছে। AI Index কৃত্রিম বুদ্ধিমত্তা সংক্রান্ত তথ্য ট্র্যাক করে, পদ্ধতিগতভাবে সংগঠিত করে এবং দৃশ্যমান করে তোলে, নীতিনির্ধারক, গবেষক, নির্বাহী, সাংবাদিক এবং সাধারণ জনগণের জন্য বস্তুনিষ্ঠ ও যথাযথভাবে যাচাইকৃত তথ্য সরবরাহ করে। ## রিপোর্টের কাঠামো ২০২৩ সালের রিপোর্টটি আটটি বিষয়ভিত্তিক অধ্যায় নিয়ে গঠিত[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-AIIndex2023-1): 1. **গবেষণা ও উন্নয়ন (Research and Development)** — প্রকাশনা, পেটেন্ট, উল্লেখযোগ্য Machine Learning মডেল, বৃহৎ ভাষা ও মাল্টিমোডাল মডেলের প্রবণতা। 2. **প্রযুক্তিগত কর্মক্ষমতা (Technical Performance)** — benchmark, কম্পিউটার ভিশন, ভাষা মডেল, বাক্য শনাক্তকরণ, Reinforcement Learning, হার্ডওয়্যার, পরিবেশগত প্রভাব, বিজ্ঞানে AI। 3. **AI-এর প্রযুক্তিগত নীতিশাস্ত্র (Technical AI Ethics)** — পক্ষপাত, বিষাক্ততা, ন্যায্যতা, গোপনীয়তা, ডিপফেক। 4. **অর্থনীতি (The Economy)** — বিনিয়োগ, শ্রমবাজার, কর্পোরেট প্রয়োগ, রোবোটিক্স। 5. **শিক্ষা (Education)** — কর্মী প্রস্তুতি, কম্পিউটার বিজ্ঞান ও AI-এ উচ্চশিক্ষা। 6. **নীতি ও পরিচালনা (Policy and Governance)** — আইন প্রণয়ন, নিয়ন্ত্রণ, জাতীয় কৌশল। 7. **বৈচিত্র্য (Diversity)** — AI খাতে লিঙ্গ ও জাতিগত বৈচিত্র্য। 8. **জনমত (Public Opinion)** — নতুন অধ্যায়: আন্তর্জাতিক জরিপ এবং সামাজিক মাধ্যম বিশ্লেষণের ভিত্তিতে AI সম্পর্কে জনগণের মনোভাব। ## রিপোর্টের মূল উপসংহার (Top 10 Takeaways) রিপোর্টের লেখকরা দশটি প্রধান বিষয় চিহ্নিত করেছেন[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-AIIndex2023-1): ### ১. শিল্পখাত একাডেমিয়াকে ছাড়িয়ে যাচ্ছে ২০১৪ সালের আগে পর্যন্ত উল্লেখযোগ্য Machine Learning মডেলের অধিকাংশ একাডেমিক প্রতিষ্ঠান থেকে প্রকাশিত হত। তখন থেকে শিল্পখাত নেতৃত্বে এগিয়ে গেছে। ২০২২ সালে শিল্পখাত ৩২টি উল্লেখযোগ্য Machine Learning মডেল তৈরি করেছে, যেখানে একাডেমিয়া মাত্র ৩টি তৈরি করেছে। অত্যাধুনিক AI সিস্টেম তৈরিতে ক্রমবর্ধমানভাবে বিশাল পরিমাণ ডেটা, কম্পিউটিং সম্পদ এবং অর্থায়নের প্রয়োজন হচ্ছে, যা শিল্প সংগঠনগুলো অনেক বেশি পরিমাণে ধারণ করে[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-AIIndex2023-1)। ### ২. প্রচলিত benchmark-এর সম্পৃক্ততা AI নতুন রেকর্ড স্থাপন করতে থাকলেও benchmark-এ বছর থেকে বছরে কর্মক্ষমতার উন্নতি ক্রমশ প্রান্তিক হয়ে আসছে। একই সঙ্গে benchmark সম্পৃক্ততার গতি বাড়ছে। তবুও নতুন, আরও জটিল মূল্যায়ন পদ্ধতি — BIG-bench এবং HELM — আবির্ভূত হচ্ছে[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-AIIndex2023-1)। ### ৩. AI একই সঙ্গে পরিবেশের উপকার ও ক্ষতি করছে নতুন গবেষণা দেখায় যে AI সিস্টেমগুলো গুরুতর পরিবেশগত প্রভাব ফেলছে। Luccioni et al. (2022)-এর তথ্য অনুযায়ী, BLOOM-এর প্রশিক্ষণ নিউ ইয়র্ক থেকে সান ফ্রান্সিসকো ফ্লাইটে একজন বিমানযাত্রীর তুলনায় ২৫ গুণ বেশি কার্বন ডাই অক্সাইড নির্গত করেছে। পাশাপাশি BCOOLER (DeepMind)-এর মতো Reinforcement Learning মডেলগুলো শক্তি খরচ অপ্টিমাইজ করতে AI ব্যবহারের সম্ভাবনা প্রদর্শন করছে[\[2\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-Luccioni2022-2)[\[3\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-BCOOLER2022-3)। ### ৪. সেরা নতুন বিজ্ঞানী কি AI? AI মডেলগুলো বৈজ্ঞানিক অগ্রগতিকে দ্রুত ত্বরান্বিত করতে শুরু করেছে। ২০২২ সালে হাইড্রোজেন ফিউশন নিয়ন্ত্রণে সহায়তা, ম্যাট্রিক্স গুণন অ্যালগরিদম অপ্টিমাইজেশন (AlphaTensor) এবং নতুন অ্যান্টিবডি তৈরিতে AI ব্যবহৃত হয়েছে[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-AIIndex2023-1)। ### ৫. AI-এর অনৈতিক ব্যবহার সংক্রান্ত ঘটনার সংখ্যা দ্রুত বাড়ছে AIAAIC ডেটাবেসের তথ্য অনুযায়ী, AI-এর নৈতিক অপব্যবহার সংক্রান্ত ঘটনা ও বিতর্কিত পরিস্থিতির সংখ্যা ২০১২ সাল থেকে ২৬ গুণ বৃদ্ধি পেয়েছে। ২০২২ সালের উল্লেখযোগ্য ঘটনার মধ্যে রয়েছে ইউক্রেনের রাষ্ট্রপতি ভলোদিমির জেলেনস্কির "আত্মসমর্পণের" ডিপফেক ভিডিও এবং মার্কিন কারাগারে কল মনিটরিং প্রযুক্তির ব্যবহার[\[4\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-AIAAIC2023-4)। ### ৬. প্রায় সব শিল্পে AI দক্ষতাসম্পন্ন পেশাদারদের চাহিদা বাড়ছে মার্কিন অর্থনীতির প্রায় সব খাতে (কৃষি, বনজ শিল্প, মৎস্য ও শিকার ব্যতীত) AI সম্পর্কিত শূন্যপদের অনুপাত ২০২১ সালে গড়ে ১.৭% থেকে ২০২২ সালে ১.৯%-এ বৃদ্ধি পেয়েছে[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-AIIndex2023-1)। ### ৭. এক দশকে প্রথমবার AI-এ বেসরকারি বিনিয়োগ কমেছে ২০২২ সালে AI-এ বৈশ্বিক বেসরকারি বিনিয়োগ ছিল ৯১.৯ বিলিয়ন ডলার, যা ২০২১ সালের তুলনায় ২৬.৭% কম। বিনিয়োগ ঘটনার মোট সংখ্যা এবং প্রথমবার অর্থায়িত AI কোম্পানির সংখ্যাও কমেছে। তবুও এক দশকে বিনিয়োগের পরিমাণ ২০১৩ সালের তুলনায় ১৮ গুণ বৃদ্ধি পেয়েছে[\[5\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-Quid2023-5)। ### ৮. AI গ্রহণকারী কোম্পানির অনুপাত স্থিতিশীল, তবে নেতারা এগিয়েই যাচ্ছে McKinsey-এর বার্ষিক জরিপ অনুযায়ী, AI ব্যবহারকারী কোম্পানির অনুপাত ২০১৭ সাল থেকে দ্বিগুণেরও বেশি হয়েছে, তবে সাম্প্রতিক বছরগুলোতে ৫০–৬০% স্তরে স্থিতিশীল হয়েছে। AI গ্রহণকারী প্রতিষ্ঠানগুলো প্রকৃত খরচ হ্রাস ও রাজস্ব বৃদ্ধির কথা জানাচ্ছে[\[6\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-McKinsey2023-6)। ### ৯. AI-এ নীতিনির্ধারকদের আগ্রহ বাড়ছে ১২৭টি দেশের আইনসংক্রান্ত দলিল বিশ্লেষণে দেখা যায়, "কৃত্রিম বুদ্ধিমত্তা" শব্দটি অন্তর্ভুক্ত এবং আইন হিসেবে গৃহীত বিলের সংখ্যা ২০১৬ সালে ১টি থেকে ২০২২ সালে ৩৭টিতে বৃদ্ধি পেয়েছে। ৮১টি দেশের সংসদীয় বিতর্কে AI-এর উল্লেখ ২০১৬ সাল থেকে প্রায় ৬.৫ গুণ বৃদ্ধি পেয়েছে[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-AIIndex2023-1)। ### ১০. চীনা নাগরিকরা AI সম্পর্কে সবচেয়ে ইতিবাচক; মার্কিনরা উল্লেখযোগ্যভাবে কম IPSOS-এর ২০২২ সালের জরিপ অনুযায়ী, ৭৮% চীনা উত্তরদাতা সম্মত হয়েছেন যে AI-ভিত্তিক পণ্য ও সেবা ক্ষতির চেয়ে বেশি উপকার করে। এরপরে রয়েছে সৌদি আরব (৭৬%) এবং ভারত (৭১%)। মাত্র ৩৫% মার্কিন উত্তরদাতা এই মতামত পোষণ করেন — জরিপে অংশগ্রহণকারী ২৮টি দেশের মধ্যে এটি সর্বনিম্ন স্কোরগুলোর একটি[\[7\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-IPSOS2022-7)। ## অধ্যায় ১। গবেষণা ও উন্নয়ন অধ্যায়টি প্রকাশনা, পেটেন্ট, উল্লেখযোগ্য Machine Learning মডেল, বৃহৎ ভাষা ও মাল্টিমোডাল মডেল, সম্মেলন এবং মুক্ত কোডের প্রবণতা বিশ্লেষণ করে[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-AIIndex2023-1)। ### প্রকাশনা AI সংক্রান্ত প্রকাশনার মোট সংখ্যা ক্রমাগত বাড়ছে: এটি ২০১০ সাল থেকে দ্বিগুণেরও বেশি হয়েছে। গবেষণার প্রভাবশালী ক্ষেত্রগুলো হল pattern recognition, Machine Learning এবং কম্পিউটার ভিশন[\[8\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-CSET2022-8)। **আঞ্চলিক নেতৃত্ব।** চীন জার্নাল, সম্মেলন এবং রিপোজিটরিতে AI প্রকাশনার মোট সংখ্যায় শীর্ষে রয়েছে। তবে মার্কিন যুক্তরাষ্ট্র এখনও সম্মেলন ও রিপোজিটরি প্রকাশনার উদ্ধৃতির সংখ্যায় এগিয়ে আছে, যদিও এই ব্যবধান ধীরে ধীরে কমছে[\[8\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-CSET2022-8)। **আন্তর্জাতিক সহযোগিতা।** ২০১০–২০২১ সালে AI প্রকাশনায় সবচেয়ে বেশি আন্তর্জাতিক সহযোগিতা ছিল মার্কিন যুক্তরাষ্ট্র–চীন জুটির: এই সংখ্যা ২০১০ সাল থেকে প্রায় ৪ গুণ বৃদ্ধি পেয়েছে এবং পরবর্তী নিকটতম জুটির (যুক্তরাজ্য–চীন) তুলনায় ২.৫ গুণ বেশি। তবে মার্কিন–চীন যৌথ কাজের সংখ্যা বৃদ্ধি ধীর হয়েছে: ২০২০–২০২১ সালে প্রবৃদ্ধি ছিল মাত্র ২.১% — পর্যবেক্ষণের পুরো সময়কালে এটি সর্বনিম্ন[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-AIIndex2023-1)। **রিপোজিটরি।** AI রিপোজিটরিতে (arXiv, SSRN প্রভৃতি) প্রকাশনার সংখ্যা গত ১২ বছরে প্রায় ২৭ গুণ বৃদ্ধি পেয়েছে। ২০১৬ সাল থেকে রিপোজিটরি প্রকাশনার অনুপাতে উত্তর আমেরিকা শীর্ষস্থান ধরে রেখেছে[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-AIIndex2023-1)। ### উল্লেখযোগ্য Machine Learning মডেল **শিল্পখাতের আধিপত্য।** ২০২২ সালে শিল্পখাত ৩২টি উল্লেখযোগ্য মডেল তৈরি করেছে, একাডেমিয়া মাত্র ৩টি তৈরি করেছে। এটি ২০১৪ সাল থেকে শুরু হওয়া প্রবণতা নিশ্চিত করে[\[9\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-Epoch2022-9)। **আকার ও খরচ।** বৃহৎ ভাষা মডেলগুলো ক্রমশ বড় এবং ব্যয়বহুল হচ্ছে। ২০১৯ সালে প্রকাশিত GPT-2, যাকে প্রথম বড় ভাষা মডেলগুলোর একটি হিসেবে বিবেচনা করা হয়, ১.৫ বিলিয়ন প্যারামিটার ধারণ করত; এর প্রশিক্ষণ খরচ ছিল প্রায় ৫০,০০০ ডলার। PaLM (Google, ২০২২) ৫৪০ বিলিয়ন প্যারামিটার সমৃদ্ধ এবং এটি তৈরিতে খরচ হয়েছে প্রায় ৮ মিলিয়ন ডলার — মডেলটি GPT-2-এর চেয়ে ৩৬০ গুণ বড় এবং ১৬০ গুণ বেশি ব্যয়বহুল[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-AIIndex2023-1)। **কম্পিউটিং সম্পদ।** ২০১০ সাল থেকে ভাষা মডেলগুলো সমস্ত Machine Learning সিস্টেমের মধ্যে সর্বাধিক কম্পিউটিং সম্পদ ব্যবহার করছে। Epoch-এর তথ্য প্রশিক্ষণে ব্যবহৃত কম্পিউটেশনের (FLOP) তীব্র বৃদ্ধি নথিভুক্ত করে[\[9\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-Epoch2022-9)। ### বৃহৎ ভাষা ও মাল্টিমোডাল মডেল **জাতীয় পরিচয়।** বৃহৎ ভাষা ও মাল্টিমোডাল মডেলের অধিকাংশ লেখক মার্কিন প্রতিষ্ঠান থেকে (২০২২ সালে ৫৪.২%)। ২০২২ সালে প্রথমবারের মতো কানাডা, জার্মানি এবং ভারতের গবেষকরা এই ধরনের মডেল তৈরিতে অবদান রেখেছেন[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-AIIndex2023-1)। **২০২২ সালের মূল মডেলসমূহ:** | মডেল | ডেভেলপার | তারিখ | গুরুত্ব | |------------------|--------------------|---------------|-------------------------------------------------------------------| | DALL-E 2 | OpenAI | এপ্রিল ২০২২ | টেক্সট বিবরণ থেকে চিত্র তৈরির সিস্টেম; "জেনারেটিভ AI বুমের" সূচনা | | PaLM (540B) | Google | এপ্রিল ২০২২ | ২০২২ সালের অন্যতম বৃহত্তম ভাষা মডেল; ৫৪০ বিলিয়ন প্যারামিটার | | Gato | DeepMind | মে ২০২২ | মাল্টি-টাস্ক এজেন্ট: রোবট ম্যানিপুলেশন, গেম, চিত্র বর্ণনা, টেক্সট উৎপাদন | | Imagen | Google | মে ২০২২ | উচ্চ ফটোরিয়েলিজম সহ চিত্র তৈরির diffusion মডেল; DrawBench benchmark | | Stable Diffusion | Stability AI | আগস্ট ২০২২ | চিত্র তৈরির মুক্ত মডেল; ব্যাপক বিস্তার | | Make-A-Video | Meta AI | সেপ্টেম্বর ২০২২ | টেক্সট বিবরণ থেকে ভিডিও তৈরির সিস্টেম | | Whisper | OpenAI | সেপ্টেম্বর ২০২২ | বহু ভাষা সমর্থন সহ সর্বজনীন বাক্য শনাক্তকরণ সিস্টেম | | ChatGPT | OpenAI | নভেম্বর ২০২২ | LLM-ভিত্তিক চ্যাটবট; জেনারেটিভ AI-এর অভূতপূর্ব জনপ্রিয়তা | | GLM-130B | সিংহুয়া বিশ্ববিদ্যালয় | ২০২২ | দ্বিভাষিক (ইংরেজি/চীনা) মুক্ত মডেল; ২০২২ সালের একমাত্র চীনা বড় মডেল | ## অধ্যায় ২। প্রযুক্তিগত কর্মক্ষমতা অধ্যায়টি কম্পিউটার ভিশন, ভাষা প্রক্রিয়াকরণ, বাক্য শনাক্তকরণ, Reinforcement Learning, হার্ডওয়্যার কাজের অগ্রগতি এবং AI-এর পরিবেশগত প্রভাব ও বিজ্ঞানে AI-এর ভূমিকা বিশ্লেষণ করে[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-AIIndex2023-1)। ### Benchmark-এর অবস্থা AI অধিকাংশ benchmark-এ বিশ্বরেকর্ড সমতুল্য বা তার চেয়ে ভালো ফলাফল দেখাতে থাকলেও উন্নতিগুলো প্রান্তিক হয়ে আসছে। Benchmark সম্পৃক্ততার গতি বাড়ছে। নতুন জটিল মূল্যায়ন পদ্ধতি — BIG-bench এবং HELM — আরও বস্তুনিষ্ঠ ও ব্যাপক মূল্যায়ন নিশ্চিত করতে এসেছে[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-AIIndex2023-1)। ### জেনারেটিভ AI ২০২২ সাল ছিল জেনারেটিভ AI-এর জনমানসে প্রবেশের বছর। টেক্সট থেকে চিত্র তৈরির মডেল (DALL-E 2, Stable Diffusion), ভিডিও তৈরির সিস্টেম (Make-A-Video) এবং চ্যাটবট (ChatGPT) প্রকাশিত হয়েছে। তবে এই সিস্টেমগুলো "হ্যালুসিনেশন"-এর প্রবণতা দেখায় — আত্মবিশ্বাসের সাথে ভুল বা অর্থহীন উত্তর তৈরি করে — যা গুরুত্বপূর্ণ অ্যাপ্লিকেশনে তাদের ব্যবহার সীমিত করে[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-AIIndex2023-1)। ### ভাষা মডেল **MMLU।** Massive Multitask Language Understanding benchmark ৫৭টি বিষয় ক্ষেত্রে মডেল মূল্যায়ন করে। ২০২২ সালে সেরা মডেলগুলো স্কোর উন্নত করতে থাকলেও মানব বিশেষজ্ঞের স্তরে পৌঁছাতে উল্লেখযোগ্য ব্যবধান ছিল[\[10\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-MMLU2021-10)। **HELM।** স্ট্যানফোর্ডের Holistic Evaluation of Language Models (HELM) benchmark দশটি পরিস্থিতিতে ভাষা মডেলের ব্যাপক মূল্যায়ন প্রদান করে, যার মধ্যে রয়েছে টেক্সট বোঝাপড়া, গণিত, আইনি যুক্তি, এবং পক্ষপাত ও বিষাক্ততার পরিমাপ[\[11\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-HELM2022-11)। **পরিকল্পনা ও যুক্তি।** ভাষা মডেলগুলো জেনারেটিভ সক্ষমতা উন্নত করতে থাকলেও পরিকল্পনার কাজে গুরুতর সমস্যায় পড়ে। Valmeekam et al. (2022)-এর গবেষণায় দেখা গেছে, GPT-3, Instruct-GPT3 এবং BLOOM Blocksworld পরিবেশে পরিকল্পনা তৈরি, সর্বোত্তম পরিকল্পনা এবং পরিকল্পনা পুনর্ব্যবহারের কাজগুলোতে অত্যন্ত অদক্ষ[\[12\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-Valmeekam2022-12)। ### বাক্য শনাক্তকরণ **Whisper (OpenAI)।** ২০২২ সালে OpenAI Whisper উপস্থাপন করেছে — ৬,৮০,০০০ ঘণ্টার বহুভাষিক ডেটায় প্রশিক্ষিত একটি বৃহৎ মাপের বাক্য শনাক্তকরণ সিস্টেম। Whisper শনাক্তকরণ নির্ভুলতায় উল্লেখযোগ্য অগ্রগতি দেখিয়েছে, কিছু benchmark-এ মানব স্তরের কাছাকাছি পৌঁছেছে এবং কয়েক ডজন ভাষা থেকে অনুবাদ সমর্থন করে[\[13\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-Whisper2022-13)। ### AI নিজেই AI-কে উন্নত করছে AI সিস্টেমের স্ব-উন্নতির একটি প্রবণতা দেখা যাচ্ছে। NVIDIA AI সিস্টেম চালিত চিপের আর্কিটেকচার উন্নত করতে Reinforcement Learning এজেন্ট ব্যবহার করেছে। Google তার ভাষা মডেল PaLM-কে PaLM মডেল নিজেই উন্নত করার উপায় খুঁজতে ব্যবহার করেছে[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-AIIndex2023-1)। ### হার্ডওয়্যার **GPU প্রবণতা।** নতুন GPU-এর মধ্যম কম্পিউটেশনাল কর্মক্ষমতা (FLOP/s) ২০২১ সাল থেকে প্রায় তিন গুণ বৃদ্ধি পেয়েছে এবং ২০০৩ সাল থেকে প্রায় ৭,০০০ গুণ বেড়েছে। ২০২২ সালে প্রতি ডলারে মধ্যম কর্মক্ষমতা (FLOP/s per USD) ২০২১ সালের তুলনায় ১.৪ গুণ এবং ২০০৩ সালের তুলনায় ৫,৬০০ গুণ বেশি, প্রতি ১.৫ বছরে কর্মক্ষমতা দ্বিগুণ হওয়ার হার প্রদর্শন করে[\[9\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-Epoch2022-9)। **MLPerf।** MLPerf benchmark মানসম্পন্ন কাজে মডেল প্রশিক্ষণের সময় অবিচলিতভাবে কমতে দেখাচ্ছে, যা হার্ডওয়্যার এবং অপ্টিমাইজেশনের অগ্রগতি প্রতিফলিত করে[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-AIIndex2023-1)। ### পরিবেশগত প্রভাব বিভাগটি প্রথমবারের মতো রিপোর্টে অন্তর্ভুক্ত হয়েছে। অবকাঠামো অনুযায়ী AI মডেলের কার্বন ফুটপ্রিন্ট উল্লেখযোগ্যভাবে পরিবর্তিত হয়: | মডেল | প্যারামিটার | CO₂ নির্গমন (টন) | ডেটা সেন্টার PUE | |--------|------------|-----------------|-----------------| | GPT-3 | ১৭৫ বিলিয়ন | ৫০২ | ১.১০ | | Gopher | ২৮০ বিলিয়ন | ৩৫২ | ১.০৮ | | OPT | ১৭৫ বিলিয়ন | ৭০ | ১.০৯ | | BLOOM | ১৭৬ বিলিয়ন | ২৫ | ১.২০ | তুলনামূলক প্যারামিটার সংখ্যায় GPT-3 BLOOM-এর চেয়ে ২০ গুণ বেশি কার্বন ডাই অক্সাইড নির্গত করেছে। মূল নির্ধারক কারণগুলো হল শক্তির গ্রিডের কার্বন নিবিড়তা, ডেটা সেন্টারের দক্ষতা (PUE) এবং প্রশিক্ষণের সময়কাল[\[2\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-Luccioni2022-2)। তুলনার জন্য: BLOOM-এর প্রশিক্ষণ নিউ ইয়র্ক থেকে সান ফ্রান্সিসকো বিমান ভ্রমণে একজন যাত্রীর তুলনায় ২৫ গুণ বেশি CO₂ নির্গত করেছে এবং একজন গড় মার্কিন নাগরিকের বার্ষিক নির্গমনের ১.৪ গুণ। ব্যয়িত শক্তি একটি গড় মার্কিন পরিবারকে ৪১ বছর বিদ্যুৎ সরবরাহ করার জন্য যথেষ্ট হত[\[2\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-Luccioni2022-2)। **শক্তি খরচ অপ্টিমাইজেশন।** BCOOLER সিস্টেম (DeepMind) — Google ডেটা সেন্টারের কুলিং অপ্টিমাইজেশনের জন্য Reinforcement Learning এজেন্ট — পরীক্ষার তিন মাসে আরামদায়ক পরিস্থিতি বজায় রেখে প্রায় ১২.৭% শক্তি সাশ্রয় নিশ্চিত করেছে[\[3\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-BCOOLER2022-3)। ### বিজ্ঞানে AI (২০২২) **টোকামাকে প্লাজমা নিয়ন্ত্রণ।** DeepMind একটি Reinforcement Learning অ্যালগরিদম তৈরি করেছে টোকামাকে প্লাজমার সর্বোত্তম নিয়ন্ত্রণের জন্য — পারমাণবিক ফিউশনের পথে একটি মূল অর্জন[\[14\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-Degrave2022-14)। **AlphaTensor।** DeepMind ম্যাট্রিক্স গুণন অ্যালগরিদম আবিষ্কারের জন্য Reinforcement Learning ব্যবহার করেছে, যা বিদ্যমান সমাধানকে ছাড়িয়ে গেছে — ৪×৪ ম্যাট্রিক্সের জন্য ক্লাসিক স্ট্রাসেন অ্যালগরিদমসহ[\[15\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-AlphaTensor2022-15)। **AlphaCode।** DeepMind-এর সিস্টেম, যা প্রতিযোগিতামূলক স্তরে কম্পিউটার প্রোগ্রাম লেখে, প্রোগ্রামিং প্রতিযোগিতায় শীর্ষ ৫৪% অংশগ্রহণকারীর র‌্যাঙ্ক অর্জন করেছে[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-AIIndex2023-1)। **অ্যান্টিবডি তৈরি।** জেনারেটিভ AI অ্যান্টিবডির de novo ডিজাইনে ব্যবহৃত হয়েছে, বায়োফার্মাসিউটিক্যালসের জন্য নতুন সম্ভাবনা উন্মুক্ত করছে[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-AIIndex2023-1)। ## অধ্যায় ৩। AI-এর প্রযুক্তিগত নীতিশাস্ত্র অধ্যায়টি AI নীতিশাস্ত্রের মূল মাত্রাগুলোর জন্য নিবেদিত: পক্ষপাত, বিষাক্ততা, ন্যায্যতা এবং ঘটনাবলী[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-AIIndex2023-1)। ### ন্যায্যতা ও পক্ষপাত মেট্রিক ২০২২ সালে AI সিস্টেমের ন্যায্যতা ও পক্ষপাত মূল্যায়নের জন্য মেট্রিক ও benchmark-এর সংখ্যা অবিচলিতভাবে বাড়ছিল। মেট্রিকগুলো প্রসারিত ও পরিশীলিত হচ্ছে: গবেষকরা সেগুলো নির্দিষ্ট কাজের সাথে মানিয়ে নিচ্ছেন (প্রশ্নোত্তর, প্রাকৃতিক ভাষার অনুমান) এবং বর্ধিত পরীক্ষামূলক ডেটা তৈরিতে ভাষা মডেল ব্যবহার করছেন। ২০২২ সালে নতুন benchmark উপস্থাপন করা হয়েছে, যেমন BBQ (Bias Benchmark for Question Answering), এবং বিশাল BIG-bench প্রকল্পের মধ্যে অতিরিক্ত মূল্যায়ন[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-AIIndex2023-1)। দুই ধরনের মেট্রিক আলাদা করা হয়: **benchmark** (স্থায়ী লেবেলযুক্ত ডেটাসেট যা মডেলের অভ্যন্তরীণ পক্ষপাত মূল্যায়ন করে — StereoSet, Winogender) এবং **ডায়াগনস্টিক মেট্রিক** (বাস্তব প্রয়োগে বিভিন্ন জনতাত্ত্বিক গোষ্ঠীর জন্য মডেলের কর্মক্ষমতার পার্থক্য পরিমাপ করে)। উভয় পদ্ধতি পরস্পরের পরিপূরক[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-AIIndex2023-1)। ### পক্ষপাতে মাপের প্রভাব ২০২২ সালের গবেষণায় দেখা গেছে যে মডেলের আকার বাড়ানোর প্রভাব পক্ষপাত ও বিষাক্ততার উপর দ্ব্যর্থহীন নয় এবং প্রশিক্ষণ ডেটা ও পক্ষপাত হ্রাসের প্রয়োগকৃত পদ্ধতির উপর নির্ভর করে[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-AIIndex2023-1)। ### AI ঘটনাবলী AIAAIC ডেটাবেসের তথ্য অনুযায়ী, AI-এর নৈতিক অপব্যবহার সংক্রান্ত ঘটনা ও বিতর্কিত পরিস্থিতির সংখ্যা ২০১২ সাল থেকে ২৬ গুণ বৃদ্ধি পেয়েছে। এই বৃদ্ধি AI-এর ব্যাপক প্রয়োগ এবং ঝুঁকি সম্পর্কে সচেতনতা বৃদ্ধি উভয়ের কারণে ঘটেছে[\[4\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-AIAAIC2023-4)। ## অধ্যায় ৪। অর্থনীতি অধ্যায়টি কর্মসংস্থান, বিনিয়োগ, কর্পোরেট AI প্রয়োগ এবং রোবোটিক্সের প্রবণতা পরীক্ষা করে[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-AIIndex2023-1)। ### শ্রমবাজার মার্কিন যুক্তরাষ্ট্রে AI সম্পর্কিত শূন্যপদের অনুপাত প্রায় সব খাতে ২০২১ সালে গড়ে ১.৭% থেকে ২০২২ সালে ১.৯%-এ বৃদ্ধি পেয়েছে। প্রযুক্তি, অর্থ, উৎপাদন, স্বাস্থ্যসেবা এবং অন্যান্য খাতে চাহিদা বাড়ছে[\[16\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-Lightcast2022-16)। **শিল্পখাতে স্থানান্তর।** ক্রমবর্ধমান শতাংশ নতুন AI ডক্টরেটধারী শিল্পখাতে কাজ বেছে নিচ্ছেন: ২০২১ সালে ৬৫.৪% শিল্পখাতে গেছেন (২০১১ সালে ৪০.৯% ছিল), এবং মাত্র ২৮.২% একাডেমিয়ায় (২০১১ সালে ৪১.৬% ছিল)। সরকারি খাতে কাজ করা PhD-এর অনুপাত স্থিরভাবে কম — ০.৭%[\[17\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-CRA2022-17)। ### বিনিয়োগ **সাধারণ প্রবণতা।** AI-এ বৈশ্বিক বেসরকারি বিনিয়োগ ছিল ৯১.৯ বিলিয়ন ডলার — ২০২১ সালের তুলনায় ২৬.৭% হ্রাস। বিনিয়োগ ঘটনার সংখ্যা কমে ৩,৫৩৮-এ দাঁড়িয়েছে (২০২১ সালের তুলনায় ১২% পতন)। প্রথমবার অর্থায়িত AI কোম্পানির সংখ্যা কমে ১,৩৯২-এ নেমেছে (২০২১ সালে ১,৬৬৯ ছিল)। তবুও বিনিয়োগের পরিমাণ ২০১৩ সালের স্তরের ১৮ গুণ[\[5\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-Quid2023-5)। **আঞ্চলিক বিতরণ।** মার্কিন যুক্তরাষ্ট্র ৪৭.৪ বিলিয়ন ডলার বিনিয়োগ নিয়ে শীর্ষে — চীনের (১৩.৪ বিলিয়ন) চেয়ে ৩.৫ গুণ বেশি এবং যুক্তরাজ্যের (৪.৪ বিলিয়ন) চেয়ে ১১ গুণ বেশি। একই সময়ে মার্কিন বিনিয়োগ ৩৫.৫% এবং চীনে ৪১.৩% কমেছে। ২০১৩–২০২২ সালে মোট মার্কিন যুক্তরাষ্ট্রে ২৪৮.৯ বিলিয়ন, চীনে ৯৫.১ বিলিয়ন এবং যুক্তরাজ্যে ১৮.২ বিলিয়ন ডলার বিনিয়োগ হয়েছে[\[5\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-Quid2023-5)। **মনোযোগের ক্ষেত্র।** বিনিয়োগকারীদের জন্য সবচেয়ে আকর্ষণীয় হয়েছে: চিকিৎসা ও স্বাস্থ্যসেবা (৬.১ বিলিয়ন ডলার), ডেটা ব্যবস্থাপনা, প্রক্রিয়াকরণ ও ক্লাউড প্রযুক্তি (৫.৯ বিলিয়ন), ফিনটেক (৫.৫ বিলিয়ন), সাইবারনিরাপত্তা (৫.৪ বিলিয়ন) এবং রিটেইল (৪.২ বিলিয়ন)। অধিকাংশ মনোযোগের ক্ষেত্রে ২০২১ সালের তুলনায় বিনিয়োগ হ্রাস দেখা গেছে[\[5\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-Quid2023-5)। **২০২২ সালের বৃহত্তম বিনিয়োগ ঘটনা:** - GAC Aion New Energy Automobile (চীন, বৈদ্যুতিক যানবাহন) — ২.৫৪ বিলিয়ন ডলার; - Anduril Industries (মার্কিন যুক্তরাষ্ট্র, প্রতিরক্ষা প্রযুক্তি) — ১.৫ বিলিয়ন; - Celonis (জার্মানি, ব্যবসায়িক বিশ্লেষণ) — ১.২২ বিলিয়ন[\[5\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-Quid2023-5)। ### কর্পোরেট প্রয়োগ McKinsey-এর তথ্য অনুযায়ী, AI ব্যবহারকারী কোম্পানির অনুপাত ২০১৭ সাল থেকে দ্বিগুণেরও বেশি হয়েছে, ৫০–৬০% স্তরে স্থিতিশীল হয়েছে। AI গ্রহণকারী প্রতিষ্ঠানগুলো প্রকৃত খরচ হ্রাস ও রাজস্ব বৃদ্ধির কথা জানাচ্ছে[\[6\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-McKinsey2023-6)। **Earnings calls।** ২০২২ অর্থবছরে Fortune 500-এর ২৬৮টি কোম্পানি লাভের প্রতিবেদনে AI উল্লেখ করেছে (২০২১ সালে ৩০৬ থেকে কমলেও ২০১৮ সালে ২২৫ থেকে বৃদ্ধি পেয়েছে)[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-AIIndex2023-1)। **চ্যালেঞ্জ।** AI প্রকল্প চালু করার সময় প্রধান সমস্যাগুলো: ব্যবসায়িক মূল্য প্রমাণ করা (৩৭%), নেতৃত্বের প্রতিশ্রুতির অভাব (৩৪%), সঠিক AI প্রযুক্তি বেছে নেওয়া (৩৩%)। স্কেলিংয়ের প্রধান বাধাগুলো: AI ঝুঁকি ব্যবস্থাপনা (৫০%), প্রশিক্ষণের জন্য ডেটা সংগ্রহ (৪৪%), প্রযুক্তি বাস্তবায়ন (৪২%)[\[18\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-Deloitte2022-18)। ### রোবোটিক্স ২০২১ সালে ৫,১৭,০০০ শিল্প রোবট স্থাপিত হয়েছে — ২০২০ সালের তুলনায় ৩১.৩% বৃদ্ধি এবং ২০১১ সালের তুলনায় তিন গুণেরও বেশি। শিল্প রোবটের কার্যকরী বহর ৩৪,৭৭,০০০ ইউনিটে পৌঁছেছে (১৪.৬% বৃদ্ধি)[\[19\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-IFR2022-19)। **চীনের আধিপত্য।** ২০২১ সালে চীন ২,৬৮,২০০টি শিল্প রোবট স্থাপন করেছে — জাপানের (৪৭,২০০) চেয়ে ৫.৭ গুণ বেশি এবং মার্কিন যুক্তরাষ্ট্রের (৩৫,০০০) চেয়ে ৭.৭ গুণ বেশি। ২০১৩ সাল থেকে, যখন চীন জাপানকে ছাড়িয়ে যায়, বৈশ্বিক স্থাপনায় তার অংশ ২০.৮% থেকে ৫১.৮%-এ বৃদ্ধি পেয়েছে। ২০২১ সালে চীন প্রথমবারের মতো বাকি সারা বিশ্বের সম্মিলিত স্থাপনার চেয়ে বেশি শিল্প রোবট স্থাপন করেছে[\[19\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-IFR2022-19)। ## অধ্যায় ৫। শিক্ষা অধ্যায়টি কম্পিউটার বিজ্ঞান ও AI শিক্ষার প্রবণতা বিবেচনা করে[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-AIIndex2023-1)। ### উচ্চশিক্ষা **স্নাতক।** উত্তর আমেরিকায় কম্পিউটার বিজ্ঞান (CS) স্নাতক ডিগ্রিধারীর সংখ্যা বাড়তে থাকছে[\[17\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-CRA2022-17)। **ডক্টরেট।** ২০২১ সালে কম্পিউটার বিজ্ঞানে ১,৮৯৩ জন ডক্টরেট ডিগ্রি পেয়েছেন — ২০২০ সালের (১,৯৯৭) চেয়ে কম। CS PhD-দের মধ্যে আন্তর্জাতিক শিক্ষার্থীর অনুপাত ২০১০ সালে ৪৫.৮% থেকে ২০২১ সালে ৬৮.৬%-এ বৃদ্ধি পেয়েছে[\[17\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-CRA2022-17)। **AI-এ বিশেষজ্ঞতা।** ২০২১ সালে উত্তর আমেরিকায় নতুন CS ডক্টরেট-ধারীদের ১৯.১% AI-এ বিশেষজ্ঞ ছিলেন — ২০২০ সালের তুলনায় ৪.২ পয়েন্ট বৃদ্ধি এবং ২০১২ সালের তুলনায় ৮.৬ পয়েন্ট বৃদ্ধি[\[17\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-CRA2022-17)। ## অধ্যায় ৬। নীতি ও পরিচালনা অধ্যায়টি বৈশ্বিক, মার্কিন এবং আঞ্চলিক স্তরে AI খাতে আইনি ও নিয়ন্ত্রক কার্যক্রম বিশ্লেষণ করে[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-AIIndex2023-1)। ### বৈশ্বিক প্রবণতা "কৃত্রিম বুদ্ধিমত্তা" পদ অন্তর্ভুক্ত এবং আইন হিসেবে গৃহীত বিলের সংখ্যা ২০১৬ সালে ১টি থেকে ২০২২ সালে ৩৭টিতে বৃদ্ধি পেয়েছে (১২৭টি দেশের বিশ্লেষণ)। ৮১টি দেশের সংসদীয় বিতর্কে AI-এর উল্লেখ ২০১৬ সাল থেকে প্রায় ৬.৫ গুণ বৃদ্ধি পেয়েছে, যদিও ২০২২ সালে ২০২১ সালের তুলনায় সামান্য হ্রাস দেখা গেছে (১,৫৪৭ থেকে ১,৩৪০ উল্লেখে)[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-AIIndex2023-1)। ২০২২ সালে সংসদীয় অধিবেশনে AI উল্লেখের সংখ্যায় নেতৃস্থানীয় দেশগুলো ছিল: স্পেন (২৭৩), কানাডা (২১১), যুক্তরাজ্য (১৪৬), মার্কিন যুক্তরাষ্ট্র (১৩৮)[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-AIIndex2023-1)। ### মার্কিন যুক্তরাষ্ট্রে নিয়ন্ত্রণ ফেডারেল স্তরে ২০২২ সালে AI সংক্রান্ত ৮৮টি বিল প্রস্তাব করা হয়েছে, যার মধ্যে ৯টি গৃহীত হয়েছে (পূর্ববর্তী বছরগুলোতে ৩ থেকে বৃদ্ধি)। অঙ্গরাজ্য স্তরে ক্যালিফোর্নিয়া (৫টি গৃহীত আইন) এবং মেরিল্যান্ড (৩টি) এগিয়ে আছে[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-AIIndex2023-1)। ### জাতীয় কৌশল কিছু দেশ নতুন আইন প্রণয়ন করেছে যা বিস্তৃত বিষয় অন্তর্ভুক্ত করে: কর্মীদের AI দক্ষতা প্রশিক্ষণ, আইন প্রয়োগে AI ব্যবহারের নিয়ন্ত্রণ, অ্যালগরিদমিক সিদ্ধান্ত গ্রহণের স্বচ্ছতা বৃদ্ধি[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-AIIndex2023-1)। ## অধ্যায় ৭। বৈচিত্র্য মহিলা এবং সংখ্যালঘু প্রতিনিধিরা AI খাতে শিল্প ও একাডেমিয়া উভয় ক্ষেত্রে এখনও উল্লেখযোগ্যভাবে কম প্রতিনিধিত্বপ্রাপ্ত। CRA Taulbee Survey এবং অন্যান্য উৎসের তথ্য বৈচিত্র্য বৃদ্ধিতে ধীর কিন্তু অবিচলিত অগ্রগতি নথিভুক্ত করে[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-AIIndex2023-1)। ## অধ্যায় ৮। জনমত রিপোর্টের নতুন অধ্যায়টি আন্তর্জাতিক জরিপ এবং সামাজিক মাধ্যম বিশ্লেষণের ভিত্তিতে AI সম্পর্কে জনসাধারণের উপলব্ধি বিশ্লেষণ করে[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-AIIndex2023-1)। ### বৈশ্বিক জরিপ (IPSOS) IPSOS-এর ২০২২ সালের জরিপ অনুযায়ী (২৮টি দেশে ১৯,৫০৪ উত্তরদাতা)[\[7\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-IPSOS2022-7): - ৬০% উত্তরদাতা মনে করেন AI পণ্য আগামী ৩–৫ বছরে তাদের জীবনকে উল্লেখযোগ্যভাবে পরিবর্তন করবে; - ৬০% মনে করেন AI পণ্য তাদের জীবনকে সহজ করে তুলছে; - ৫২% সম্মত যে AI পণ্য ক্ষতির চেয়ে বেশি উপকার করে; - ৪০% লক্ষ্য করেন যে AI পণ্য তাদের মধ্যে উদ্বেগ তৈরি করে। **আঞ্চলিক পার্থক্য।** AI সম্পর্কে সবচেয়ে ইতিবাচক মনোভাব পোষণ করেন চীনের নাগরিকরা (৭৮% AI-এর উপকারের সাথে সম্মত), সৌদি আরব (৭৬%) এবং ভারত (৭১%)। সবচেয়ে কম ইতিবাচক — ফ্রান্স (৩১%), কানাডা (৩২%), মার্কিন যুক্তরাষ্ট্র (৩৫%)[\[7\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-IPSOS2022-7)। **জনতাত্ত্বিক পার্থক্য।** পুরুষরা সব মাত্রায় মহিলাদের চেয়ে AI পণ্যকে আরও ইতিবাচকভাবে মূল্যায়ন করেন। উচ্চ আয় ও উচ্চ শিক্ষার পরিবারগুলোও আরও আশাবাদী[\[7\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-IPSOS2022-7)। ### Lloyd's Register Foundation ও Gallup জরিপ ১২১টি দেশে ১,২৫,৯১১ জনের বৈশ্বিক জরিপ (২০২১ সাল) দেখিয়েছে, ৩৯% মনে করেন AI সামগ্রিকভাবে দেশের জন্য উপকারী, ২৮% মনে করেন ক্ষতিকর। মহিলাদের তুলনায় পুরুষরা AI-কে উপকারী মনে করতে বেশি আগ্রহী[\[20\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-LRF2022-20)। **স্বায়ত্তশাসিত যানবাহন।** বিশ্বব্যাপী মাত্র ২৭% উত্তরদাতা স্বায়ত্তশাসিত যানবাহনে নিরাপদ বোধ করেন। Pew Research-এর তথ্য অনুযায়ী, মাত্র ২৬% মার্কিনি যাত্রীবাহী স্বায়ত্তশাসিত যানবাহনকে সমাজের জন্য ভালো ধারণা মনে করেন[\[21\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-Pew2022-21)। ### Pew Research জরিপ (মার্কিন যুক্তরাষ্ট্র) AI নিয়ে উৎসাহী মার্কিনিদের মধ্যে প্রধান কারণগুলো — জীবন ও সমাজ উন্নত করার সম্ভাবনা (৩১%) এবং সময় বাঁচানো (১৩%)। উদ্বিগ্নদের মধ্যে — কর্মসংস্থান হ্রাস (১৯%), নজরদারি ও ডিজিটাল গোপনীয়তা (১৬%), মানবিক সংযোগ হারানো (১২%)[\[21\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-Pew2022-21)। ### NLP গবেষকদের মতামত NLP গবেষকদের মধ্যে জরিপের তথ্য অনুযায়ী: ৭৭% সম্মত বা আংশিকভাবে সম্মত যে বেসরকারি AI কোম্পানিগুলোর অতিরিক্ত প্রভাব আছে; ৪১% মনে করেন NLP নিয়ন্ত্রিত হওয়া উচিত; ৭৩% মনে করেন AI শীঘ্রই বিপ্লবী সামাজিক পরিবর্তন ঘটাতে পারে[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-AIIndex2023-1)। ### সামাজিক মাধ্যম বিশ্লেষণ NetBase Quid ২০২২ সালে সামাজিক মাধ্যমে ৭০ লক্ষেরও বেশি পোস্টের বিশ্লেষণ করেছে। ChatGPT এবং Stable Diffusion মডেল সর্বাধিক মনোযোগ আকর্ষণ করেছে। আলোচনার প্রধান বিষয় — নৈতিক সমস্যা, AI-এর সাংস্কৃতিক ও অর্থনৈতিক প্রভাব[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-AIIndex2023-1)। ## পদ্ধতি রিপোর্ট একাধিক উৎস থেকে তথ্য ব্যবহার করে[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-AIIndex2023-1): - **প্রকাশনা ও পেটেন্ট:** Center for Security and Emerging Technology (CSET), Georgetown University; Epoch-এর তথ্য। - **Benchmark:** Papers With Code, CRFM (HELM), BIG-bench, বিশেষায়িত লিডারবোর্ড। - **বিনিয়োগ:** NetBase Quid (Capital IQ, Crunchbase)। - **শ্রমবাজার:** Lightcast, LinkedIn। - **কর্পোরেট কার্যক্রম:** McKinsey & Company, Deloitte, NetBase Quid (earnings calls)। - **রোবোটিক্স:** International Federation of Robotics (IFR)। - **নিয়ন্ত্রণ:** ১২৭টি দেশের আইনসংক্রান্ত ডেটাবেস, ৮১টি দেশের সংসদীয় উপকরণ। - **জনমত:** IPSOS, Lloyd's Register Foundation / Gallup, Pew Research Center, NetBase Quid (সামাজিক মাধ্যম)। - **শিক্ষা:** CRA Taulbee Survey, Code.org। - **পরিবেশগত প্রভাব:** Luccioni et al. (2022), GPU তথ্য — Epoch। ## লেখক দল রিপোর্টটি সহ-পরিচালক **রেমন্ড পেরোল্ট** (Raymond Perrault, SRI International) এবং **জ্যাক ক্লার্ক** (Jack Clark, Anthropic / OECD)-এর নেতৃত্বে প্রস্তুত করা হয়েছে। গবেষণা পরিচালক ও প্রধান সম্পাদক হিসেবে দায়িত্ব পালন করেছেন **নেস্টর মাসলেই** (Nestor Maslej, Stanford University)। রিপোর্ট প্রস্তুতিতে অংশগ্রহণ করেছেন এরিক ব্রিনিওলফসন (Erik Brynjolfsson), জন এচেমেন্ডি (John Etchemendy), ক্যাট্রিনা লিগেট (Katrina Ligett), টেরা লাইওন্স (Terah Lyons), জেমস মানিকা (James Manyika), হেলেন ঙ্গো (Helen Ngo), হুয়ান কার্লোস নিয়েবলেস (Juan Carlos Niebles), ভেনেসা পার্লি (Vanessa Parli), ইয়োভ শোহাম (Yoav Shoham, AI Index-এর প্রতিষ্ঠাতা), রাসেল ওয়াল্ড (Russell Wald), এবং গবেষক ও অংশীদার সংগঠনের একটি বিস্তৃত দল। AI Index হল স্ট্যানফোর্ড HAI (Human-Centered Artificial Intelligence) ইনস্টিটিউটের একটি প্রকল্প[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_note-AIIndex2023-1)। ## তথ্যসূত্র - Stanford HAI — AI Index Report 2023 (সম্পূর্ণ পাঠ্য): https://aiindex.stanford.edu/report/ - Epoch — কম্পিউটেশনাল প্রবণতা ও উল্লেখযোগ্য মডেলের তথ্য: https://epochai.org/ - Papers With Code — benchmark ও লিডারবোর্ড: https://paperswithcode.com/ - CRFM HELM — Holistic Evaluation of Language Models: https://crfm.stanford.edu/helm/ - AIAAIC Repository — AI-এর নৈতিক অপব্যবহারের ঘটনার ডেটাবেস: https://www.aiaaic.org/ - International Federation of Robotics: https://ifr.org/ - McKinsey Global Survey on AI: https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai - NetBase Quid — বিনিয়োগ ও সামাজিক মাধ্যমের তথ্য: https://quid.com/ - IPSOS — AI সম্পর্কে মনোভাবের বৈশ্বিক জরিপ: https://www.ipsos.com/ - Pew Research Center — জনমত জরিপ: https://www.pewresearch.org/ - CRA Taulbee Survey — CS শিক্ষার তথ্য: https://cra.org/resources/taulbee-survey/ - Global AI Vibrancy Tool (Stanford HAI): https://aiindex.stanford.edu/vibrancy/ ## সাহিত্য - Maslej, N., Fattorini, L., Brynjolfsson, E., Etchemendy, J., Ligett, K., Lyons, T., Manyika, J., Ngo, H., Niebles, J. C., Parli, V., Shoham, Y., Wald, R., Clark, J., and Perrault, R. (2023). *The AI Index 2023 Annual Report*. AI Index Steering Committee, Institute for Human-Centered AI, Stanford University. https://aiindex.stanford.edu/report/ - Luccioni, A. S. et al. (2022). *Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language Model*. https://arxiv.org/abs/2211.02001 - Liang, P. et al. (2022). *Holistic Evaluation of Language Models*. https://arxiv.org/abs/2211.09110 - Hendrycks, D. et al. (2021). *Measuring Massive Multitask Language Understanding*. https://arxiv.org/abs/2009.03300 - Radford, A. et al. (2022). *Robust Speech Recognition via Large-Scale Weak Supervision*. https://arxiv.org/abs/2212.04356 - Valmeekam, K. et al. (2022). *Large Language Models Still Can't Plan*. https://arxiv.org/abs/2206.10498 - Fawzi, A. et al. (2022). *Discovering faster matrix multiplication algorithms with reinforcement learning*. *Nature*. https://doi.org/10.1038/s41586-022-05172-4 - Degrave, J. et al. (2022). *Magnetic Control of Tokamak Plasmas through Deep Reinforcement Learning*. *Nature*. https://doi.org/10.1038/s41586-021-04301-9 - McKinsey & Company (2023). *The State of AI in 2023*. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai - International Federation of Robotics (2022). *World Robotics Report 2022*. https://ifr.org/worldrobotics/ - IPSOS (2022). *Global Views on AI Survey 2022*. https://www.ipsos.com/ - Pew Research Center (2022). *Public Views on AI*. https://www.pewresearch.org/ - Lloyd's Register Foundation and Gallup (2022). *World Risk Poll: Perceptions of AI*. https://wrp.lrfoundation.org.uk/ - Deloitte (2022). *State of AI in the Enterprise Survey*. https://www2.deloitte.com/ - Luo, J. et al. (2022). *Controlling Commercial Cooling Systems Using Reinforcement Learning*. DeepMind Research. ## টীকা 1. ↑ [1.00](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-AIIndex2023_1-0) [1.01](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-AIIndex2023_1-1) [1.02](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-AIIndex2023_1-2) [1.03](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-AIIndex2023_1-3) [1.04](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-AIIndex2023_1-4) [1.05](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-AIIndex2023_1-5) [1.06](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-AIIndex2023_1-6) [1.07](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-AIIndex2023_1-7) [1.08](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-AIIndex2023_1-8) [1.09](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-AIIndex2023_1-9) [1.10](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-AIIndex2023_1-10) [1.11](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-AIIndex2023_1-11) [1.12](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-AIIndex2023_1-12) [1.13](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-AIIndex2023_1-13) [1.14](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-AIIndex2023_1-14) [1.15](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-AIIndex2023_1-15) [1.16](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-AIIndex2023_1-16) [1.17](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-AIIndex2023_1-17) [1.18](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-AIIndex2023_1-18) [1.19](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-AIIndex2023_1-19) [1.20](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-AIIndex2023_1-20) [1.21](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-AIIndex2023_1-21) [1.22](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-AIIndex2023_1-22) [1.23](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-AIIndex2023_1-23) [1.24](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-AIIndex2023_1-24) [1.25](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-AIIndex2023_1-25) [1.26](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-AIIndex2023_1-26) [1.27](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-AIIndex2023_1-27) [1.28](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-AIIndex2023_1-28) [1.29](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-AIIndex2023_1-29) [1.30](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-AIIndex2023_1-30) [1.31](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-AIIndex2023_1-31) [1.32](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-AIIndex2023_1-32) [1.33](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-AIIndex2023_1-33) [1.34](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-AIIndex2023_1-34) [1.35](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-AIIndex2023_1-35) [1.36](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-AIIndex2023_1-36) [1.37](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-AIIndex2023_1-37) Maslej, N. et al. (2023). *The AI Index 2023 Annual Report*. AI Index Steering Committee, Institute for Human-Centered AI, Stanford University. https://aiindex.stanford.edu/report/ 2. ↑ [2.0](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-Luccioni2022_2-0) [2.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-Luccioni2022_2-1) [2.2](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-Luccioni2022_2-2) Luccioni, A. S. et al. (2022). *Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language Model*. https://arxiv.org/abs/2211.02001 3. ↑ [3.0](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-BCOOLER2022_3-0) [3.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-BCOOLER2022_3-1) Luo, J. et al. (2022). *Controlling Commercial Cooling Systems Using Reinforcement Learning*. DeepMind Research. 4. ↑ [4.0](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-AIAAIC2023_4-0) [4.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-AIAAIC2023_4-1) AIAAIC Repository (2023). https://www.aiaaic.org/ 5. ↑ [5.0](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-Quid2023_5-0) [5.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-Quid2023_5-1) [5.2](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-Quid2023_5-2) [5.3](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-Quid2023_5-3) [5.4](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-Quid2023_5-4) NetBase Quid (2023). *AI Investment Data*. https://quid.com/ 6. ↑ [6.0](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-McKinsey2023_6-0) [6.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-McKinsey2023_6-1) McKinsey & Company (2023). *The State of AI in 2023*. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai 7. ↑ [7.0](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-IPSOS2022_7-0) [7.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-IPSOS2022_7-1) [7.2](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-IPSOS2022_7-2) [7.3](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-IPSOS2022_7-3) IPSOS (2022). *Global Views on AI Survey 2022*. https://www.ipsos.com/ 8. ↑ [8.0](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-CSET2022_8-0) [8.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-CSET2022_8-1) Center for Security and Emerging Technology, Georgetown University (2022). *AI Publication Data*. https://cset.georgetown.edu/ 9. ↑ [9.0](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-Epoch2022_9-0) [9.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-Epoch2022_9-1) [9.2](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-Epoch2022_9-2) Epoch (2022). *Trends in Machine Learning Systems*. https://epochai.org/ 10. [↑](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-MMLU2021_10-0) Hendrycks, D. et al. (2021). *Measuring Massive Multitask Language Understanding*. https://arxiv.org/abs/2009.03300 11. [↑](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-HELM2022_11-0) Liang, P. et al. (2022). *Holistic Evaluation of Language Models*. https://arxiv.org/abs/2211.09110 12. [↑](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-Valmeekam2022_12-0) Valmeekam, K. et al. (2022). *Large Language Models Still Can't Plan*. https://arxiv.org/abs/2206.10498 13. [↑](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-Whisper2022_13-0) Radford, A. et al. (2022). *Robust Speech Recognition via Large-Scale Weak Supervision*. https://arxiv.org/abs/2212.04356 14. [↑](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-Degrave2022_14-0) Degrave, J. et al. (2022). *Magnetic Control of Tokamak Plasmas through Deep Reinforcement Learning*. *Nature*. https://doi.org/10.1038/s41586-021-04301-9 15. [↑](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-AlphaTensor2022_15-0) Fawzi, A. et al. (2022). *Discovering faster matrix multiplication algorithms with reinforcement learning*. *Nature*. https://doi.org/10.1038/s41586-022-05172-4 16. [↑](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-Lightcast2022_16-0) Lightcast (2022). *AI Job Posting Data*. https://lightcast.io/ 17. ↑ [17.0](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-CRA2022_17-0) [17.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-CRA2022_17-1) [17.2](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-CRA2022_17-2) [17.3](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-CRA2022_17-3) CRA Taulbee Survey (2022). *Computing Research Association*. https://cra.org/resources/taulbee-survey/ 18. [↑](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-Deloitte2022_18-0) Deloitte (2022). *State of AI in the Enterprise Survey*. https://www2.deloitte.com/ 19. ↑ [19.0](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-IFR2022_19-0) [19.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-IFR2022_19-1) International Federation of Robotics (2022). *World Robotics Report 2022*. https://ifr.org/worldrobotics/ 20. [↑](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-LRF2022_20-0) Lloyd's Register Foundation and Gallup (2022). *World Risk Poll: Perceptions of AI*. https://wrp.lrfoundation.org.uk/ 21. ↑ [21.0](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-Pew2022_21-0) [21.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(BN)#cite_ref-Pew2022_21-1) Pew Research Center (2022). *Public Views on AI*. https://www.pewresearch.org/