--- title: "The 2023 AI Index Report (FA)" source: "https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)" wiki: "systems-analysis.info/int" article: "The_2023_AI_Index_Report_(FA)" language: "fa" categories: - "Category:Large language models" - "Category:Machine learning" - "Category:Persian" revision_id: 8014 wiki_created_at: 2026-09-07T01:10:53Z wiki_modified_at: 2026-09-07T01:10:53Z downloaded_at: 2026-09-07T23:22:43Z --- # The 2023 AI Index Report (FA) **AI Index Report 2023** — ششمین نسخه سالانه از گزارش **AI Index**، که توسط مؤسسه هوش مصنوعی انسان‌محور دانشگاه استنفورد (Stanford HAI) تهیه شده است[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-AIIndex2023-1). گزارش سال ۲۰۲۳ در زمان انتشار جامع‌ترین نسخه بوده و شامل داده‌های اصیل بیشتری نسبت به هر نسخه پیشین است: فصلی جدید درباره افکار عمومی نسبت به هوش مصنوعی، تحلیل گسترده‌تر عملکرد فنی، پژوهش اصیل درباره مدل‌های زبانی بزرگ و مدل‌های چندوجهی، روندهای دقیق در قانون‌گذاری جهانی درباره هوش مصنوعی، و بررسی تأثیرات زیست‌محیطی سیستم‌های هوش مصنوعی. این گزارش در دوره‌ای منتشر می‌شود که هوش مصنوعی وارد «عصر استقرار» شده است: در طول سال ۲۰۲۲ و اوایل ۲۰۲۳، مدل‌های بزرگ‌مقیاس جدیدی به صورت ماهانه منتشر شدند — ChatGPT، Stable Diffusion، Whisper، DALL-E 2 — که قابلیت‌های بی‌سابقه‌ای در تولید متن، تصویر و تشخیص گفتار نشان دادند. AI Index داده‌های مربوط به هوش مصنوعی را رصد، دسته‌بندی و تجسم می‌بخشد و اطلاعات عینی و دقیقاً تأییدشده‌ای را برای سیاست‌گذاران، پژوهشگران، مدیران، روزنامه‌نگاران و عموم مردم فراهم می‌کند. ## ساختار گزارش گزارش سال ۲۰۲۳ از هشت فصل موضوعی تشکیل شده است[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-AIIndex2023-1): 1. **تحقیق و توسعه (Research and Development)** — روندهای انتشارات، ثبت اختراعات، مدل‌های برجسته Machine Learning، مدل‌های زبانی بزرگ و مدل‌های چندوجهی. 2. **عملکرد فنی (Technical Performance)** — benchmark‌ها، بینایی کامپیوتر، مدل‌های زبانی، گفتار، Reinforcement Learning، سخت‌افزار، تأثیر زیست‌محیطی، هوش مصنوعی در علم. 3. **اخلاق فنی هوش مصنوعی (Technical AI Ethics)** — سوگیری، سمیت، انصاف، حریم خصوصی، deepfakeها. 4. **اقتصاد (The Economy)** — سرمایه‌گذاری، بازار کار، پذیرش شرکتی، رباتیک. 5. **آموزش (Education)** — آموزش نیروی انسانی، آموزش عالی در حوزه علوم کامپیوتر و هوش مصنوعی. 6. **سیاست و حاکمیت (Policy and Governance)** — قانون‌گذاری، مقررات، استراتژی‌های ملی. 7. **تنوع (Diversity)** — تنوع جنسیتی و قومی در حوزه هوش مصنوعی. 8. **افکار عمومی (Public Opinion)** — فصل جدید: نگرش مردم نسبت به هوش مصنوعی بر اساس نظرسنجی‌های بین‌المللی و تحلیل شبکه‌های اجتماعی. ## نتایج کلیدی گزارش (Top 10 Takeaways) نویسندگان گزارش ده نکته اصلی را برجسته کرده‌اند[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-AIIndex2023-1): ### ۱. صنعت از آکادمی پیشی گرفته است تا سال ۲۰۱۴، اکثر مدل‌های برجسته Machine Learning توسط مؤسسات آکادمیک منتشر می‌شد. از آن زمان، رهبری به صنعت منتقل شده است. در سال ۲۰۲۲، صنعت ۳۲ مدل برجسته Machine Learning تولید کرد، در حالی که آکادمی تنها ۳ مدل. ایجاد سیستم‌های پیشرفته هوش مصنوعی به حجم عظیمی از داده، منابع محاسباتی و تأمین مالی نیاز دارد که سازمان‌های صنعتی در مقیاس بسیار بزرگ‌تری از آن برخوردارند[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-AIIndex2023-1). ### ۲. اشباع benchmark‌های سنتی هوش مصنوعی به ثبت رکوردهای جدید در benchmark‌ها ادامه می‌دهد، اما بهبود عملکرد سال به سال حاشیه‌ای‌تر می‌شود. در عین حال، سرعت اشباع benchmark‌ها افزایش می‌یابد. با این حال، سیستم‌های ارزیابی جدید و جامع‌تری ظهور کرده‌اند — BIG-bench و HELM[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-AIIndex2023-1). ### ۳. هوش مصنوعی همزمان به محیط زیست کمک می‌کند و به آن آسیب می‌رساند پژوهش‌های جدید نشان می‌دهد که سیستم‌های هوش مصنوعی تأثیر زیست‌محیطی قابل توجهی دارند. بر اساس داده‌های Luccioni et al. (2022)، آموزش BLOOM ۲۵ برابر بیشتر از یک مسافر هوایی در پرواز از نیویورک به سان‌فرانسیسکو دی‌اکسیدکربن منتشر کرد. در عین حال، مدل‌های Reinforcement Learning مانند BCOOLER (DeepMind) امکان استفاده از هوش مصنوعی برای بهینه‌سازی مصرف انرژی را نشان می‌دهند[\[2\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-Luccioni2022-2)[\[3\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-BCOOLER2022-3). ### ۴. بهترین دانشمند جدید — هوش مصنوعی؟ مدل‌های هوش مصنوعی شروع به شتاب‌بخشی سریع به پیشرفت علمی کرده‌اند. در سال ۲۰۲۲، از هوش مصنوعی برای کمک به کنترل همجوشی هیدروژنی، بهینه‌سازی الگوریتم‌های ضرب ماتریس (AlphaTensor) و تولید آنتی‌بادی‌های جدید استفاده شد[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-AIIndex2023-1). ### ۵. تعداد حوادث مرتبط با استفاده غیراخلاقی از هوش مصنوعی به سرعت در حال افزایش است بر اساس داده‌های پایگاه AIAAIC، تعداد حوادث و موقعیت‌های اختلافی مرتبط با سوءاستفاده اخلاقی از هوش مصنوعی از سال ۲۰۱۲ تاکنون ۲۶ برابر افزایش یافته است. از جمله حوادث قابل توجه سال ۲۰۲۲، ویدئوی deepfake «تسلیم شدن» رئیس‌جمهور اوکراین ولودیمیر زلنسکی و استفاده از فناوری‌های نظارت بر تماس تلفنی در زندان‌های آمریکا بود[\[4\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-AIAAIC2023-4). ### ۶. تقاضا برای متخصصان با مهارت‌های هوش مصنوعی در تقریباً همه صنایع در حال رشد است در تقریباً همه بخش‌های اقتصادی آمریکا (به جز کشاورزی، جنگلداری، ماهیگیری و شکار)، سهم آگهی‌های شغلی مرتبط با هوش مصنوعی به طور میانگین از ۱.۷٪ در سال ۲۰۲۱ به ۱.۹٪ در سال ۲۰۲۲ افزایش یافته است[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-AIIndex2023-1). ### ۷. برای اولین بار در یک دهه، سرمایه‌گذاری خصوصی در هوش مصنوعی کاهش یافت سرمایه‌گذاری خصوصی جهانی در هوش مصنوعی در سال ۲۰۲۲ به ۹۱.۹ میلیارد دلار رسید که ۲۶.۷٪ کمتر از سال ۲۰۲۱ است. تعداد رویدادهای سرمایه‌گذاری و تعداد شرکت‌های هوش مصنوعی که برای اولین بار تأمین مالی شدند نیز کاهش یافت. با این حال، در طول یک دهه، حجم سرمایه‌گذاری در مقایسه با سال ۲۰۱۳ هجده برابر رشد کرده است[\[5\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-Quid2023-5). ### ۸. سهم شرکت‌های پذیرنده هوش مصنوعی ثابت مانده، اما پیشروان همچنان فاصله می‌گیرند سهم شرکت‌هایی که از هوش مصنوعی استفاده می‌کنند از سال ۲۰۱۷ بیش از دو برابر شده، اما در سال‌های اخیر بر اساس نظرسنجی سالانه McKinsey در سطح ۵۰ تا ۶۰ درصد تثبیت شده است. سازمان‌هایی که هوش مصنوعی را پذیرفته‌اند از کاهش واقعی هزینه‌ها و رشد درآمد گزارش می‌دهند[\[6\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-McKinsey2023-6). ### ۹. علاقه سیاست‌گذاران به هوش مصنوعی در حال افزایش است تحلیل اسناد قانونی ۱۲۷ کشور نشان می‌دهد که تعداد لوایح حاوی اصطلاح «هوش مصنوعی» که به قانون تبدیل شده‌اند، از ۱ مورد در سال ۲۰۱۶ به ۳۷ مورد در سال ۲۰۲۲ رسیده است. اشاره به هوش مصنوعی در مباحث پارلمانی ۸۱ کشور از سال ۲۰۱۶ تاکنون تقریباً ۶.۵ برابر افزایش یافته است[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-AIIndex2023-1). ### ۱۰. شهروندان چینی مثبت‌ترین نگرش را نسبت به هوش مصنوعی دارند؛ آمریکایی‌ها — بسیار کمتر بر اساس نظرسنجی IPSOS در سال ۲۰۲۲، ۷۸٪ از پاسخ‌دهندگان چینی با این گزاره موافق بودند که محصولات و خدمات مبتنی بر هوش مصنوعی نفع بیشتری نسبت به ضرر دارند. پس از آن‌ها عربستان سعودی (۷۶٪) و هند (۷۱٪) قرار دارند. تنها ۳۵٪ از پاسخ‌دهندگان آمریکایی این نظر را دارند — یکی از پایین‌ترین شاخص‌ها در میان ۲۸ کشور مورد بررسی[\[7\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-IPSOS2022-7). ## فصل ۱. تحقیق و توسعه این فصل روندهای انتشارات، ثبت اختراعات، مدل‌های برجسته Machine Learning، مدل‌های زبانی بزرگ و مدل‌های چندوجهی، کنفرانس‌ها و کد باز را تحلیل می‌کند[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-AIIndex2023-1). ### انتشارات تعداد کل انتشارات در حوزه هوش مصنوعی همچنان در حال رشد است: از سال ۲۰۱۰ تاکنون بیش از دو برابر شده است. حوزه‌های تحقیقاتی غالب عبارتند از: تشخیص الگو (pattern recognition)، Machine Learning و بینایی کامپیوتر[\[8\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-CSET2022-8). **رهبری منطقه‌ای.** چین همچنان در تعداد کل انتشارات هوش مصنوعی در مجلات، کنفرانس‌ها و مخازن پیشتاز است. با این حال، آمریکا هنوز از نظر تعداد استنادهای انتشارات کنفرانسی و مخازن جلوتر است، هر چند این شکاف به تدریج در حال کاهش است[\[8\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-CSET2022-8). **همکاری بین‌المللی.** بیشترین همکاری بین‌کشوری در انتشارات هوش مصنوعی در دوره ۲۰۱۰–۲۰۲۱ مربوط به جفت آمریکا – چین است: تعداد آن‌ها از سال ۲۰۱۰ تاکنون تقریباً ۴ برابر شده و ۲.۵ برابر بیشتر از نزدیک‌ترین جفت بعدی (بریتانیا – چین) است. با این حال، رشد آثار مشترک آمریکا–چین کند شده: در سال‌های ۲۰۲۰–۲۰۲۱ رشد تنها ۲.۱٪ بود — کمترین رقم در کل دوره مشاهده[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-AIIndex2023-1). **مخازن.** تعداد انتشارات در مخازن هوش مصنوعی (arXiv، SSRN و غیره) در ۱۲ سال گذشته تقریباً ۲۷ برابر افزایش یافته است. آمریکای شمالی از سال ۲۰۱۶ رهبری را از نظر سهم انتشارات در مخازن حفظ کرده است[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-AIIndex2023-1). ### مدل‌های برجسته Machine Learning **تسلط صنعت.** در سال ۲۰۲۲، ۳۲ مدل برجسته توسط صنعت در مقابل تنها ۳ مدل از آکادمی ایجاد شد. این روندی است که از سال ۲۰۱۴ شروع شده است[\[9\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-Epoch2022-9). **مقیاس و هزینه.** مدل‌های زبانی بزرگ هر روز بزرگ‌تر و گران‌تر می‌شوند. GPT-2، که در سال ۲۰۱۹ منتشر شد و یکی از اولین مدل‌های زبانی بزرگ محسوب می‌شود، ۱.۵ میلیارد پارامتر داشت؛ آموزش آن حدود ۵۰۰۰۰ دلار هزینه داشت. PaLM (Google، ۲۰۲۲) دارای ۵۴۰ میلیارد پارامتر بود و هزینه آن تقریباً ۸ میلیون دلار بود — مدلی ۳۶۰ برابر بزرگ‌تر از GPT-2 و ۱۶۰ برابر گران‌تر[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-AIIndex2023-1). **منابع محاسباتی.** از سال ۲۰۱۰، مدل‌های زبانی بیشترین منابع محاسباتی را در میان تمام سیستم‌های Machine Learning نیاز دارند. داده‌های Epoch رشد نمایی محاسبات (FLOP) مورد استفاده در آموزش را ثبت می‌کند[\[9\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-Epoch2022-9). ### مدل‌های زبانی بزرگ و مدل‌های چندوجهی **وابستگی ملی.** اکثر نویسندگان مدل‌های زبانی بزرگ و مدل‌های چندوجهی از مؤسسات آمریکایی هستند (۵۴.۲٪ در سال ۲۰۲۲). در سال ۲۰۲۲ برای اولین بار پژوهشگران کانادا، آلمان و هند در توسعه چنین مدل‌هایی مشارکت کردند[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-AIIndex2023-1). **مدل‌های کلیدی سال ۲۰۲۲:** | مدل | توسعه‌دهنده | تاریخ | اهمیت | |------------------|------------------|--------------|------------------------------------------------------------------------| | DALL-E 2 | OpenAI | آوریل ۲۰۲۲ | سیستم تولید تصویر از توضیح متنی؛ آغاز «بوم هوش مصنوعی مولد» | | PaLM (540B) | Google | آوریل ۲۰۲۲ | یکی از بزرگ‌ترین مدل‌های زبانی سال ۲۰۲۲؛ ۵۴۰ میلیارد پارامتر | | Gato | DeepMind | مه ۲۰۲۲ | عامل چندوظیفه‌ای: دستکاری رباتیک، بازی، توصیف تصویر، تولید متن | | Imagen | Google | مه ۲۰۲۲ | مدل diffusion برای تولید تصویر با فتورئالیسم بالا؛ benchmark DrawBench | | Stable Diffusion | Stability AI | اوت ۲۰۲۲ | مدل باز تولید تصویر؛ گسترش انبوه | | Make-A-Video | Meta AI | سپتامبر ۲۰۲۲ | سیستم تولید ویدئو از توضیح متنی | | Whisper | OpenAI | سپتامبر ۲۰۲۲ | سیستم جامع تشخیص گفتار با پشتیبانی از زبان‌های متعدد | | ChatGPT | OpenAI | نوامبر ۲۰۲۲ | چت‌بات مبتنی بر LLM؛ رشد بی‌سابقه محبوبیت هوش مصنوعی مولد | | GLM-130B | دانشگاه تسینگهوا | ۲۰۲۲ | مدل باز دوزبانه (انگلیسی/چینی)؛ تنها مدل بزرگ چینی سال ۲۰۲۲ | ## فصل ۲. عملکرد فنی این فصل پیشرفت در وظایف بینایی کامپیوتر، پردازش زبان، گفتار، Reinforcement Learning، سخت‌افزار، و همچنین تأثیر زیست‌محیطی هوش مصنوعی و نقش هوش مصنوعی در علم را تحلیل می‌کند[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-AIIndex2023-1). ### وضعیت benchmark‌ها هوش مصنوعی همچنان در اکثر benchmark‌ها نتایجی در سطح یا بالاتر از رکورد جهانی نشان می‌دهد، اما بهبودها حاشیه‌ای می‌شوند. سرعت اشباع benchmark‌ها در حال افزایش است. سیستم‌های ارزیابی جامع جدید — BIG-bench و HELM — برای ارائه ارزیابی عینی‌تر و جامع‌تر طراحی شده‌اند[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-AIIndex2023-1). ### هوش مصنوعی مولد سال ۲۰۲۲ شاهد ورود هوش مصنوعی مولد به آگاهی عمومی بود. مدل‌های تولید تصویر از متن (DALL-E 2، Stable Diffusion)، سیستم‌های تولید ویدئو (Make-A-Video) و چت‌بات‌ها (ChatGPT) منتشر شدند. با این حال، این سیستم‌ها مستعد «توهم» هستند — تولید مطمئنانه پاسخ‌های نادرست یا بی‌معنی — که استفاده از آن‌ها را در برنامه‌های حیاتی محدود می‌کند[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-AIIndex2023-1). ### مدل‌های زبانی **MMLU.** benchmark ارزیابی درک زبانی چندوظیفه‌ای گسترده (Massive Multitask Language Understanding) مدل‌ها را در ۵۷ حوزه موضوعی ارزیابی می‌کند. در سال ۲۰۲۲، بهترین مدل‌ها به بهبود شاخص‌ها ادامه دادند، اما تا سطح متخصص انسانی شکاف قابل توجهی وجود داشت[\[10\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-MMLU2021-10). **HELM.** benchmark استنفورد برای ارزیابی جامع مدل‌های زبانی (Holistic Evaluation of Language Models) ارزیابی جامعی از مدل‌های زبانی در ده سناریو شامل درک متن، ریاضیات، استدلال حقوقی، و همچنین اندازه‌گیری سوگیری و سمیت ارائه می‌دهد[\[11\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-HELM2022-11). **برنامه‌ریزی و استدلال.** مدل‌های زبانی به بهبود قابلیت‌های مولد ادامه می‌دهند، اما در وظایف برنامه‌ریزی با مشکلات جدی مواجه هستند. پژوهش Valmeekam et al. (2022) نشان داد که GPT-3، Instruct-GPT3 و BLOOM در وظایف تولید طرح، برنامه‌ریزی بهینه و استفاده مجدد از طرح‌ها در محیط Blocksworld بسیار ناکارآمد عمل می‌کنند[\[12\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-Valmeekam2022-12). ### تشخیص گفتار **Whisper (OpenAI).** در سال ۲۰۲۲، OpenAI سیستم Whisper را معرفی کرد — یک سیستم تشخیص گفتار در مقیاس بزرگ که روی ۶۸۰۰۰۰ ساعت داده چندزبانه آموزش دیده است. Whisper پیشرفت قابل توجهی در دقت تشخیص نشان داد، در برخی benchmark‌ها به سطح انسانی نزدیک شد، و از ترجمه از چند ده زبان پشتیبانی می‌کند[\[13\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-Whisper2022-13). ### هوش مصنوعی، هوش مصنوعی را بهتر می‌کند گرایشی به خودبهبودی سیستم‌های هوش مصنوعی مشاهده می‌شود. NVIDIA از یک عامل Reinforcement Learning برای بهبود معماری تراشه‌هایی که سیستم‌های هوش مصنوعی را تغذیه می‌کنند استفاده کرد. Google از مدل زبانی PaLM خود برای یافتن راه‌هایی برای بهبود خود مدل PaLM استفاده کرد[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-AIIndex2023-1). ### سخت‌افزار **روندهای GPU.** میانگین عملکرد محاسباتی (FLOP/s) GPU‌های جدید از سال ۲۰۲۱ تقریباً سه برابر شده و از سال ۲۰۰۳ تاکنون تقریباً ۷۰۰۰ برابر افزایش یافته است. میانگین عملکرد به ازای هر دلار آمریکا (FLOP/s per USD) در سال ۲۰۲۲ ۱.۴ برابر بیشتر از سال ۲۰۲۱ و ۵۶۰۰ برابر بیشتر از سال ۲۰۰۳ است که هر ۱.۵ سال یک بار دو برابر شدن عملکرد را نشان می‌دهد[\[9\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-Epoch2022-9). **MLPerf.** benchmark MLPerf به ثبت کاهش پیوسته زمان آموزش مدل‌ها در وظایف استاندارد ادامه می‌دهد که پیشرفت در سخت‌افزار و بهینه‌سازی را منعکس می‌کند[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-AIIndex2023-1). ### تأثیر زیست‌محیطی این بخش برای اولین بار در گزارش گنجانده شده است. اثر کربنی مدل‌های هوش مصنوعی بسته به زیرساخت به طور قابل توجهی متفاوت است: | مدل | پارامترها | انتشار CO₂ (تن) | PUE مرکز داده | |--------|-------------|-----------------|---------------| | GPT-3 | ۱۷۵ میلیارد | 502 | 1,10 | | Gopher | ۲۸۰ میلیارد | 352 | 1,08 | | OPT | ۱۷۵ میلیارد | 70 | 1,09 | | BLOOM | ۱۷۶ میلیارد | 25 | 1,20 | GPT-3 با تعداد پارامترهای قابل مقایسه، ۲۰ برابر بیشتر از BLOOM دی‌اکسیدکربن منتشر کرد. عوامل کلیدی عبارتند از: شدت کربنی شبکه برق، بهره‌وری مرکز داده (PUE) و مدت زمان آموزش[\[2\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-Luccioni2022-2). برای مقایسه: آموزش BLOOM ۲۵ برابر بیشتر از یک پرواز مسافری از نیویورک به سان‌فرانسیسکو CO₂ منتشر کرد و ۱.۴ برابر بیشتر از میانگین انتشار سالانه یک آمریکایی. انرژی مصرفی کافی بود تا برق یک خانوار آمریکایی معمولی را برای ۴۱ سال تأمین کند[\[2\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-Luccioni2022-2). **بهینه‌سازی مصرف انرژی.** سیستم BCOOLER (DeepMind) — یک عامل Reinforcement Learning برای بهینه‌سازی خنک‌سازی مراکز داده Google — در طول سه ماه آزمایش با حفظ شرایط راحت، صرفه‌جویی در مصرف انرژی حدود ۱۲.۷٪ را فراهم کرد[\[3\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-BCOOLER2022-3). ### هوش مصنوعی در علم (۲۰۲۲) **کنترل پلاسما در توکاماک.** DeepMind یک الگوریتم Reinforcement Learning برای کنترل بهینه پلاسما در توکاماک توسعه داد — دستاوردی کلیدی در مسیر همجوشی هسته‌ای[\[14\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-Degrave2022-14). **AlphaTensor.** DeepMind از Reinforcement Learning برای کشف الگوریتم‌های ضرب ماتریس استفاده کرد که از راه‌حل‌های موجود فراتر می‌روند — از جمله الگوریتم کلاسیک اشتراسن برای ماتریس‌های ۴×۴[\[15\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-AlphaTensor2022-15). **AlphaCode.** سیستم DeepMind که برنامه‌های کامپیوتری را در سطح رقابتی می‌نویسد، به رتبه‌ای در ۵۴٪ برتر شرکت‌کنندگان در مسابقات برنامه‌نویسی دست یافت[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-AIIndex2023-1). **تولید آنتی‌بادی.** از هوش مصنوعی مولد برای طراحی de novo آنتی‌بادی‌ها استفاده شد که فرصت‌های جدیدی برای بیوفارماسوتیک باز می‌کند[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-AIIndex2023-1). ## فصل ۳. اخلاق فنی هوش مصنوعی این فصل به ابعاد کلیدی اخلاق هوش مصنوعی اختصاص دارد: سوگیری، سمیت، انصاف و حوادث[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-AIIndex2023-1). ### معیارهای انصاف و سوگیری در سال ۲۰۲۲ رشد پایداری در تعداد معیارها و benchmark‌ها برای ارزیابی انصاف و سوگیری سیستم‌های هوش مصنوعی مشاهده شد. معیارها گسترش یافته و دقیق‌تر می‌شوند: پژوهشگران آن‌ها را برای وظایف خاص (پاسخ به سؤال، استنتاج به زبان طبیعی) تطبیق می‌دهند و از مدل‌های زبانی برای تولید داده‌های آزمون گسترده استفاده می‌کنند. در سال ۲۰۲۲ benchmark‌های جدیدی مانند BBQ (Bias Benchmark for Question Answering) و ارزیابی‌های اضافی در چارچوب پروژه گسترده BIG-bench معرفی شدند[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-AIIndex2023-1). دو نوع معیار تمایز داده می‌شود: **benchmark‌ها** (مجموعه داده‌های ثابت برچسب‌دار که سوگیری درونی مدل را ارزیابی می‌کنند — StereoSet، Winogender) و **معیارهای تشخیصی** (که تفاوت عملکرد مدل را برای گروه‌های جمعیتی مختلف در کاربرد واقعی اندازه‌گیری می‌کنند). هر دو رویکرد مکمل یکدیگر هستند[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-AIIndex2023-1). ### تأثیر مقیاس بر سوگیری پژوهش‌های سال ۲۰۲۲ نشان داد که تأثیر افزایش مقیاس مدل بر سوگیری و سمیت مبهم است و به داده‌های آموزشی و روش‌های کاهش سوگیری مورد استفاده بستگی دارد[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-AIIndex2023-1). ### حوادث در حوزه هوش مصنوعی بر اساس داده‌های پایگاه AIAAIC، تعداد حوادث و موقعیت‌های اختلافی مرتبط با سوءاستفاده اخلاقی از هوش مصنوعی از سال ۲۰۱۲ تاکنون ۲۶ برابر افزایش یافته است. این رشد هم به دلیل گسترش کاربرد هوش مصنوعی و هم به دلیل افزایش آگاهی از خطرات است[\[4\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-AIAAIC2023-4). ## فصل ۴. اقتصاد این فصل روندهای اشتغال، سرمایه‌گذاری، پذیرش شرکتی هوش مصنوعی و رباتیک را بررسی می‌کند[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-AIIndex2023-1). ### بازار کار سهم آگهی‌های شغلی مرتبط با هوش مصنوعی در آمریکا از سال ۲۰۲۱ تا ۲۰۲۲ به طور میانگین از ۱.۷٪ به ۱.۹٪ در تقریباً تمام صنایع افزایش یافته است. رشد تقاضا در فناوری، مالی، تولید، بهداشت و سایر بخش‌ها مشاهده می‌شود[\[16\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-Lightcast2022-16). **مهاجرت به صنعت.** درصد فزاینده‌ای از فارغ‌التحصیلان جدید دکترا در هوش مصنوعی را برای کار در صنعت انتخاب می‌کنند: در سال ۲۰۲۱، ۶۵.۴٪ به صنعت رفتند (در برابر ۴۰.۹٪ در سال ۲۰۱۱)، و تنها ۲۸.۲٪ به آکادمی (در برابر ۴۱.۶٪ در سال ۲۰۱۱). سهم دکتراها که در بخش دولتی کار می‌کنند در سطح پایین ثابت ۰.۷٪ باقی مانده است[\[17\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-CRA2022-17). ### سرمایه‌گذاری **روندهای کلی.** سرمایه‌گذاری خصوصی جهانی در هوش مصنوعی به ۹۱.۹ میلیارد دلار رسید — کاهش ۲۶.۷٪ نسبت به سال ۲۰۲۱. تعداد رویدادهای سرمایه‌گذاری به ۳۵۳۸ کاهش یافت (کاهش ۱۲٪ نسبت به ۲۰۲۱). تعداد شرکت‌های هوش مصنوعی که برای اولین بار تأمین مالی شدند به ۱۳۹۲ کاهش یافت (از ۱۶۶۹ در سال ۲۰۲۱). با این حال، حجم سرمایه‌گذاری ۱۸ برابر سطح سال ۲۰۱۳ است[\[5\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-Quid2023-5). **توزیع منطقه‌ای.** آمریکا با سرمایه‌گذاری ۴۷.۴ میلیارد دلار پیشتاز است — ۳.۵ برابر بیشتر از چین (۱۳.۴ میلیارد) و ۱۱ برابر بیشتر از بریتانیا (۴.۴ میلیارد). در عین حال، سرمایه‌گذاری در آمریکا ۳۵.۵٪ و در چین ۴۱.۳٪ کاهش یافته است. در مجموع طی سال‌های ۲۰۱۳–۲۰۲۲ در آمریکا ۲۴۸.۹ میلیارد، در چین ۹۵.۱ میلیارد و در بریتانیا ۱۸.۲ میلیارد دلار سرمایه‌گذاری شده است[\[5\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-Quid2023-5). **حوزه‌های تمرکز.** جذاب‌ترین حوزه‌ها برای سرمایه‌گذاران عبارتند از: پزشکی و بهداشت (۶.۱ میلیارد دلار)، مدیریت داده، پردازش و فناوری ابری (۵.۹ میلیارد)، فین‌تک (۵.۵ میلیارد)، امنیت سایبری (۵.۴ میلیارد) و خرده‌فروشی (۴.۲ میلیارد). اکثر حوزه‌های تمرکز نسبت به سال ۲۰۲۱ کاهش سرمایه‌گذاری داشتند[\[5\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-Quid2023-5). **بزرگ‌ترین رویدادهای سرمایه‌گذاری سال ۲۰۲۲:** - GAC Aion New Energy Automobile (چین، خودروهای برقی) — ۲.۵۴ میلیارد دلار; - Anduril Industries (آمریکا، فناوری‌های دفاعی) — ۱.۵ میلیارد; - Celonis (آلمان، تحلیل کسب‌وکار) — ۱.۲۲ میلیارد[\[5\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-Quid2023-5). ### پذیرش شرکتی بر اساس داده‌های McKinsey، سهم شرکت‌هایی که از هوش مصنوعی استفاده می‌کنند از سال ۲۰۱۷ بیش از دو برابر شده و در سطح ۵۰ تا ۶۰ درصد تثبیت شده است. سازمان‌هایی که هوش مصنوعی را پذیرفته‌اند از کاهش واقعی هزینه‌ها و رشد درآمد گزارش می‌دهند[\[6\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-McKinsey2023-6). **Earnings calls.** در سال مالی ۲۰۲۲، ۲۶۸ شرکت از Fortune 500 هوش مصنوعی را در گزارش‌های سود ذکر کردند (کاهش از ۳۰۶ در سال ۲۰۲۱، اما رشد از ۲۲۵ در سال ۲۰۱۸)[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-AIIndex2023-1). **چالش‌ها.** مشکلات اصلی در راه‌اندازی پروژه‌های هوش مصنوعی: اثبات ارزش تجاری (۳۷٪)، کمبود تعهد مدیریتی (۳۴٪)، انتخاب فناوری‌های صحیح هوش مصنوعی (۳۳٪). موانع اصلی مقیاس‌بندی: مدیریت خطر هوش مصنوعی (۵۰٪)، تهیه داده‌های آموزشی (۴۴٪)، پیاده‌سازی فناوری (۴۲٪)[\[18\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-Deloitte2022-18). ### رباتیک در سال ۲۰۲۱، ۵۱۷۰۰۰ ربات صنعتی نصب شد — رشد ۳۱.۳٪ نسبت به سال ۲۰۲۰ و بیش از ۳ برابر از سال ۲۰۱۱. پارک عملیاتی ربات‌های صنعتی به ۳۴۷۷۰۰۰ دستگاه رسید (رشد ۱۴.۶٪)[\[19\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-IFR2022-19). **تسلط چین.** در سال ۲۰۲۱، چین ۲۶۸۲۰۰ ربات صنعتی نصب کرد — ۵.۷ برابر بیشتر از ژاپن (۴۷۲۰۰) و ۷.۷ برابر بیشتر از آمریکا (۳۵۰۰۰). از سال ۲۰۱۳، زمانی که چین از ژاپن پیشی گرفت، سهم آن از ۲۰.۸٪ به ۵۱.۸٪ از نصب‌های جهانی رسیده است. در سال ۲۰۲۱ چین برای اولین بار بیشتر از کل بقیه جهان ربات صنعتی نصب کرد[\[19\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-IFR2022-19). ## فصل ۵. آموزش این فصل روندهای آموزش در حوزه علوم کامپیوتر و هوش مصنوعی را بررسی می‌کند[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-AIIndex2023-1). ### آموزش عالی **مقطع کارشناسی.** تعداد فارغ‌التحصیلان کارشناسی علوم کامپیوتر (CS) در آمریکای شمالی همچنان در حال رشد است[\[17\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-CRA2022-17). **دکترا.** در سال ۲۰۲۱، ۱۸۹۳ دکترا در علوم کامپیوتر فارغ‌التحصیل شدند — کمتر از سال ۲۰۲۰ (۱۹۹۷). سهم دانشجویان بین‌المللی در میان دکتراهای CS از ۴۵.۸٪ در سال ۲۰۱۰ به ۶۸.۶٪ در سال ۲۰۲۱ رسیده است[\[17\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-CRA2022-17). **تخصص در هوش مصنوعی.** در سال ۲۰۲۱، ۱۹.۱٪ از دکتراهای جدید CS در آمریکای شمالی در هوش مصنوعی تخصص داشتند — رشد ۴.۲ واحد درصدی نسبت به سال ۲۰۲۰ و ۸.۶ واحد درصدی از سال ۲۰۱۲[\[17\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-CRA2022-17). ## فصل ۶. سیاست و حاکمیت این فصل فعالیت قانون‌گذاری و تنظیم‌گری در حوزه هوش مصنوعی را در سطوح جهانی، آمریکایی و منطقه‌ای تحلیل می‌کند[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-AIIndex2023-1). ### روندهای جهانی تعداد لوایح حاوی اصطلاح «هوش مصنوعی» که به قانون تبدیل شده‌اند از ۱ مورد در سال ۲۰۱۶ به ۳۷ مورد در سال ۲۰۲۲ رسیده است (تحلیل ۱۲۷ کشور). اشاره به هوش مصنوعی در مباحث پارلمانی ۸۱ کشور از سال ۲۰۱۶ تاکنون تقریباً ۶.۵ برابر افزایش یافته، هر چند در سال ۲۰۲۲ کاهش اندکی نسبت به سال ۲۰۲۱ مشاهده شد (از ۱۵۴۷ به ۱۳۴۰ اشاره)[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-AIIndex2023-1). در سال ۲۰۲۲ پیشتازان از نظر تعداد اشاره به هوش مصنوعی در جلسات پارلمانی عبارت بودند از: اسپانیا (۲۷۳)، کانادا (۲۱۱)، بریتانیا (۱۴۶)، آمریکا (۱۳۸)[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-AIIndex2023-1). ### مقررات در آمریکا در سطح فدرال، در سال ۲۰۲۲ ، ۸۸ لایحه مرتبط با هوش مصنوعی پیشنهاد شد که ۹ مورد از آن‌ها تصویب شد (رشد از ۳ مورد در سال‌های قبل). در سطح ایالتی، کالیفرنیا (۵ قانون تصویب‌شده) و مریلند (۳ قانون) پیشتاز هستند[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-AIIndex2023-1). ### استراتژی‌های ملی برخی کشورها قوانین جدیدی را تصویب کردند که طیف گسترده‌ای از موضوعات را پوشش می‌دهد: آموزش کارکنان در مهارت‌های هوش مصنوعی، نظارت بر استفاده از هوش مصنوعی در نهادهای اجرای قانون، افزایش شفافیت در تصمیم‌گیری الگوریتمی[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-AIIndex2023-1). ## فصل ۷. تنوع زنان و اقلیت‌ها هنوز به طور قابل توجهی در حوزه هوش مصنوعی هم در صنعت و هم در آکادمی نمایندگی ناکافی دارند. داده‌های نظرسنجی CRA Taulbee و سایر منابع پیشرفت آهسته اما پایداری را در افزایش تنوع ثبت می‌کنند[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-AIIndex2023-1). ## فصل ۸. افکار عمومی فصل جدید گزارش درک عمومی از هوش مصنوعی را بر اساس نظرسنجی‌های بین‌المللی و تحلیل شبکه‌های اجتماعی تحلیل می‌کند[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-AIIndex2023-1). ### نظرسنجی‌های جهانی (IPSOS) بر اساس نظرسنجی IPSOS سال ۲۰۲۲ (۱۹۵۰۴ پاسخ‌دهنده در ۲۸ کشور)[\[7\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-IPSOS2022-7): - ۶۰٪ از پاسخ‌دهندگان معتقدند که محصولات هوش مصنوعی ظرف ۳ تا ۵ سال آینده زندگی آن‌ها را به طور قابل توجهی تغییر خواهند داد; - ۶۰٪ معتقدند که محصولات هوش مصنوعی زندگی آن‌ها را آسان‌تر می‌کنند; - ۵۲٪ موافقند که محصولات هوش مصنوعی نفع بیشتری نسبت به ضرر دارند; - ۴۰٪ اشاره می‌کنند که محصولات هوش مصنوعی در آن‌ها اضطراب ایجاد می‌کنند. **تفاوت‌های منطقه‌ای.** مثبت‌ترین نگرش نسبت به هوش مصنوعی را شهروندان چین (۷۸٪ با سودمندی هوش مصنوعی موافقند)، عربستان سعودی (۷۶٪) و هند (۷۱٪) دارند. کمترین مثبت‌نگری در فرانسه (۳۱٪)، کانادا (۳۲٪) و آمریکا (۳۵٪) مشاهده می‌شود[\[7\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-IPSOS2022-7). **تفاوت‌های جمعیتی.** مردان در تمام ابعاد محصولات هوش مصنوعی را مثبت‌تر از زنان ارزیابی می‌کنند. خانوارهای با درآمد و سطح تحصیلات بالاتر نیز خوش‌بینانه‌تر هستند[\[7\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-IPSOS2022-7). ### نظرسنجی Lloyd's Register Foundation و Gallup نظرسنجی جهانی از ۱۲۵۹۱۱ نفر در ۱۲۱ کشور (سال ۲۰۲۱) نشان داد که ۳۹٪ هوش مصنوعی را به طور کلی برای کشور مفید می‌دانند، ۲۸٪ آن را مضر می‌دانند. مردان بیشتر از زنان تمایل دارند هوش مصنوعی را مفید بدانند[\[20\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-LRF2022-20). **خودروهای خودران.** تنها ۲۷٪ از پاسخ‌دهندگان در جهان در خودروی خودران احساس امنیت می‌کنند. بر اساس داده‌های Pew Research، تنها ۲۶٪ از آمریکایی‌ها خودروهای خودران مسافربر را ایده خوبی برای جامعه می‌دانند[\[21\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-Pew2022-21). ### نظرسنجی Pew Research (آمریکا) در میان آمریکایی‌هایی که از هوش مصنوعی هیجان‌زده هستند، دلایل اصلی — پتانسیل بهبود زندگی و جامعه (۳۱٪) و صرفه‌جویی در وقت (۱۳٪) است. در میان نگران‌کنندگان — از دست دادن شغل (۱۹٪)، نظارت و حریم خصوصی دیجیتال (۱۶٪)، از دست دادن ارتباط انسانی (۱۲٪)[\[21\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-Pew2022-21). ### نظر پژوهشگران NLP بر اساس نظرسنجی میان پژوهشگران NLP: ۷۷٪ موافق یا تا حدی موافق این هستند که شرکت‌های خصوصی هوش مصنوعی نفوذ بیش از حدی دارند؛ ۴۱٪ معتقدند که NLP باید تنظیم‌گری شود؛ ۷۳٪ بر این باورند که هوش مصنوعی به زودی می‌تواند منجر به تحولات اجتماعی انقلابی شود[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-AIIndex2023-1). ### تحلیل شبکه‌های اجتماعی NetBase Quid بیش از ۷ میلیون پست در شبکه‌های اجتماعی در سال ۲۰۲۲ را تحلیل کرد. مدل‌های ChatGPT و Stable Diffusion بیشترین توجه را جلب کردند. موضوعات اصلی بحث — مسائل اخلاقی، تأثیر فرهنگی و اقتصادی هوش مصنوعی بود[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-AIIndex2023-1). ## روش‌شناسی گزارش از داده‌های منابع متعددی استفاده می‌کند[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-AIIndex2023-1): - **انتشارات و ثبت اختراعات:** Center for Security and Emerging Technology (CSET)، Georgetown University؛ داده‌های Epoch. - **benchmark‌ها:** Papers With Code، CRFM (HELM)، BIG-bench، لیدربوردهای تخصصی. - **سرمایه‌گذاری:** NetBase Quid (Capital IQ، Crunchbase). - **بازار کار:** Lightcast، LinkedIn. - **فعالیت شرکتی:** McKinsey & Company، Deloitte، NetBase Quid (earnings calls). - **رباتیک:** International Federation of Robotics (IFR). - **مقررات:** پایگاه‌های قانونی ۱۲۷ کشور، مواد پارلمانی ۸۱ کشور. - **افکار عمومی:** IPSOS، Lloyd's Register Foundation / Gallup، Pew Research Center، NetBase Quid (رسانه‌های اجتماعی). - **آموزش:** CRA Taulbee Survey، Code.org. - **تأثیر زیست‌محیطی:** Luccioni et al. (2022)، داده‌های GPU — Epoch. ## گروه نویسندگان گزارش تحت رهبری هم‌مدیران **ری پرو** (Raymond Perrault، SRI International) و **جک کلارک** (Jack Clark، Anthropic / OECD) تهیه شده است. مدیر پژوهش و سردبیر اصلی **نستور ماسلج** (Nestor Maslej، Stanford University) بود. در تهیه گزارش اریک برینجولفسون (Erik Brynjolfsson)، جان اچمندی (John Etchemendy)، کاترینا لیگت (Katrina Ligett)، ترا لیونز (Terah Lyons)، جیمز مانیکا (James Manyika)، هلن نگو (Helen Ngo)، خوان کارلوس نیبلس (Juan Carlos Niebles)، ونسا پارلی (Vanessa Parli)، یوآو شوهام (Yoav Shoham، بنیان‌گذار AI Index)، راسل والد (Russell Wald) و همچنین گروه گسترده‌ای از پژوهشگران و سازمان‌های شریک مشارکت داشتند. AI Index پروژه مؤسسه HAI استنفورد (Human-Centered Artificial Intelligence) است[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_note-AIIndex2023-1). ## پیوندها - Stanford HAI — AI Index Report 2023 (متن کامل): https://aiindex.stanford.edu/report/ - Epoch — داده‌های روندهای محاسباتی و مدل‌های برجسته: https://epochai.org/ - Papers With Code — benchmark‌ها و لیدربوردها: https://paperswithcode.com/ - CRFM HELM — Holistic Evaluation of Language Models: https://crfm.stanford.edu/helm/ - AIAAIC Repository — پایگاه حوادث سوءاستفاده اخلاقی از هوش مصنوعی: 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 — داده‌های سرمایه‌گذاری و رسانه‌های اجتماعی: https://quid.com/ - IPSOS — نظرسنجی جهانی درباره نگرش به هوش مصنوعی: https://www.ipsos.com/ - Pew Research Center — نظرسنجی‌های افکار عمومی: https://www.pewresearch.org/ - CRA Taulbee Survey — داده‌های آموزش در CS: https://cra.org/resources/taulbee-survey/ - Global AI Vibrancy Tool (Stanford HAI): https://aiindex.stanford.edu/vibrancy/ ## منابع - 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. ## یادداشت‌ها 1. ↑ [1.00](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_ref-AIIndex2023_1-0) [1.01](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_ref-AIIndex2023_1-1) [1.02](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_ref-AIIndex2023_1-2) [1.03](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_ref-AIIndex2023_1-3) [1.04](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_ref-AIIndex2023_1-4) [1.05](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_ref-AIIndex2023_1-5) [1.06](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_ref-AIIndex2023_1-6) [1.07](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_ref-AIIndex2023_1-7) [1.08](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_ref-AIIndex2023_1-8) [1.09](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_ref-AIIndex2023_1-9) [1.10](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_ref-AIIndex2023_1-10) [1.11](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_ref-AIIndex2023_1-11) [1.12](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_ref-AIIndex2023_1-12) [1.13](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_ref-AIIndex2023_1-13) [1.14](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_ref-AIIndex2023_1-14) [1.15](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_ref-AIIndex2023_1-15) [1.16](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_ref-AIIndex2023_1-16) [1.17](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_ref-AIIndex2023_1-17) [1.18](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_ref-AIIndex2023_1-18) [1.19](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_ref-AIIndex2023_1-19) [1.20](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_ref-AIIndex2023_1-20) [1.21](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_ref-AIIndex2023_1-21) [1.22](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_ref-AIIndex2023_1-22) [1.23](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_ref-AIIndex2023_1-23) [1.24](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_ref-AIIndex2023_1-24) [1.25](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_ref-AIIndex2023_1-25) [1.26](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_ref-AIIndex2023_1-26) [1.27](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_ref-AIIndex2023_1-27) [1.28](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_ref-AIIndex2023_1-28) [1.29](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_ref-AIIndex2023_1-29) [1.30](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_ref-AIIndex2023_1-30) [1.31](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_ref-AIIndex2023_1-31) [1.32](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_ref-AIIndex2023_1-32) [1.33](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_ref-AIIndex2023_1-33) [1.34](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_ref-AIIndex2023_1-34) [1.35](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_ref-AIIndex2023_1-35) [1.36](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_ref-AIIndex2023_1-36) [1.37](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#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_(FA)#cite_ref-Luccioni2022_2-0) [2.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_ref-Luccioni2022_2-1) [2.2](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#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_(FA)#cite_ref-BCOOLER2022_3-0) [3.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#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_(FA)#cite_ref-AIAAIC2023_4-0) [4.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#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_(FA)#cite_ref-Quid2023_5-0) [5.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_ref-Quid2023_5-1) [5.2](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_ref-Quid2023_5-2) [5.3](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_ref-Quid2023_5-3) [5.4](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#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_(FA)#cite_ref-McKinsey2023_6-0) [6.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#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_(FA)#cite_ref-IPSOS2022_7-0) [7.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_ref-IPSOS2022_7-1) [7.2](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_ref-IPSOS2022_7-2) [7.3](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#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_(FA)#cite_ref-CSET2022_8-0) [8.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#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_(FA)#cite_ref-Epoch2022_9-0) [9.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_ref-Epoch2022_9-1) [9.2](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#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_(FA)#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_(FA)#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_(FA)#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_(FA)#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_(FA)#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_(FA)#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_(FA)#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_(FA)#cite_ref-CRA2022_17-0) [17.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_ref-CRA2022_17-1) [17.2](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_ref-CRA2022_17-2) [17.3](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#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_(FA)#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_(FA)#cite_ref-IFR2022_19-0) [19.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#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_(FA)#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_(FA)#cite_ref-Pew2022_21-0) [21.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(FA)#cite_ref-Pew2022_21-1) Pew Research Center (2022). *Public Views on AI*. https://www.pewresearch.org/