--- title: "The 2023 AI Index Report (PL)" source: "https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)" wiki: "systems-analysis.info/int" article: "The_2023_AI_Index_Report_(PL)" language: "pl" categories: - "Category:Large language models" - "Category:Machine learning" - "Category:Polish" revision_id: 8022 wiki_created_at: 2026-09-07T01:11:03Z wiki_modified_at: 2026-09-07T01:11:03Z downloaded_at: 2026-09-07T23:22:48Z --- # The 2023 AI Index Report (PL) **AI Index Report 2023** — szóste coroczne wydanie raportu **AI Index**, przygotowane przez Stanfordzki Instytut Sztucznej Inteligencji Zorientowanej na Człowieka (Stanford HAI)^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-AIIndex2023-1)}. Raport z 2023 roku jest najbardziej rozbudowanym wydaniem w chwili publikacji i zawiera więcej oryginalnych danych niż jakiekolwiek poprzednie wydanie: nowy rozdział poświęcony opinii publicznej na temat AI, rozszerzoną analizę wydajności technicznej, oryginalne badania dużych modeli językowych i multimodalnych, szczegółowe trendy w globalnym prawodawstwie dotyczącym AI, a także badanie wpływu systemów AI na środowisko naturalne. Raport ukazuje się w okresie, gdy AI wkracza w „erę wdrożeń": przez cały 2022 rok i na początku 2023 roku co miesiąc wypuszczano nowe wielkoskalowe modele — ChatGPT, Stable Diffusion, Whisper, DALL-E 2 — demonstrując bezprecedensowe możliwości w generowaniu tekstu, obrazów i rozpoznawaniu mowy. AI Index śledzi, systematyzuje i wizualizuje dane dotyczące sztucznej inteligencji, dostarczając obiektywnych i starannie zweryfikowanych informacji dla decydentów, badaczy, menedżerów, dziennikarzy i szerokiej opinii publicznej. ## Struktura raportu Raport z 2023 roku składa się z ośmiu tematycznych rozdziałów^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-AIIndex2023-1)}: 1. **Badania i rozwój (Research and Development)** — trendy w publikacjach, patentach, istotnych modelach Machine Learning, dużych modelach językowych i multimodalnych. 2. **Wydajność techniczna (Technical Performance)** — benchmark'i, Computer Vision, modele językowe, mowa, Reinforcement Learning, sprzęt, wpływ na środowisko, AI w nauce. 3. **Techniczna etyka AI (Technical AI Ethics)** — stronniczość, toksyczność, sprawiedliwość, prywatność, deepfake'i. 4. **Gospodarka (The Economy)** — inwestycje, rynek pracy, wdrożenia korporacyjne, robotyka. 5. **Edukacja (Education)** — kształcenie kadr, szkolnictwo wyższe w dziedzinie informatyki i AI. 6. **Polityka i zarządzanie (Policy and Governance)** — prawodawstwo, regulacje, strategie narodowe. 7. **Różnorodność (Diversity)** — różnorodność płciowa i etniczna w sektorze AI. 8. **Opinia publiczna (Public Opinion)** — nowy rozdział: stosunek społeczeństwa do AI na podstawie międzynarodowych badań opinii i analizy mediów społecznościowych. ## Kluczowe wnioski raportu (Top 10 Takeaways) Autorzy raportu wyróżnili dziesięć głównych tez^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-AIIndex2023-1)}: ### 1. Przemysł wyprzedza akademię Do 2014 roku większość istotnych modeli Machine Learning była tworzona przez instytucje akademickie. Od tamtego czasu liderstwo przejął przemysł. W 2022 roku przemysł stworzył 32 istotne modele Machine Learning, podczas gdy akademia — jedynie 3. Tworzenie zaawansowanych systemów AI wymaga coraz większych wolumenów danych, zasobów obliczeniowych i finansowania, którymi organizacje przemysłowe dysponują w znacznie większym stopniu^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-AIIndex2023-1)}. ### 2. Nasycenie tradycyjnych benchmark'ów AI nadal ustanawia nowe rekordy na benchmark'ach, jednak przyrost wydajności z roku na rok staje się coraz bardziej marginalny. Jednocześnie tempo nasycania benchmark'ów wzrasta. Niemniej pojawiają się nowe, bardziej kompleksowe systemy oceny — BIG-bench i HELM^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-AIIndex2023-1)}. ### 3. AI jednocześnie pomaga i szkodzi środowisku naturalnemu Nowe badania pokazują, że systemy AI wywierają poważny wpływ na środowisko naturalne. Zgodnie z danymi Luccioni et al. (2022), trenowanie modelu BLOOM wyemitowało 25 razy więcej dwutlenku węgla niż jeden pasażer lotniczy podczas lotu z Nowego Jorku do San Francisco. Jednocześnie modele Reinforcement Learning, takie jak BCOOLER (DeepMind), demonstrują możliwość wykorzystania AI do optymalizacji zużycia energii^{[\[2\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-Luccioni2022-2)[\[3\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-BCOOLER2022-3)}. ### 4. Najlepszy nowy naukowiec — AI? Modele AI zaczynają gwałtownie przyspieszać postęp naukowy. W 2022 roku AI było wykorzystywane do wspomagania kontroli syntezy wodoru, optymalizacji algorytmów mnożenia macierzy (AlphaTensor) oraz generowania nowych przeciwciał^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-AIIndex2023-1)}. ### 5. Liczba incydentów związanych z nieetycznym wykorzystaniem AI gwałtownie rośnie Zgodnie z danymi bazy AIAAIC, liczba incydentów i spornych sytuacji związanych z nadużywaniem AI pod kątem etycznym wzrosła 26-krotnie od 2012 roku. Wśród znaczących incydentów 2022 roku wyróżniają się: deepfake'owy film przedstawiający „kapitulację" prezydenta Ukrainy Wołodymyra Zełenskiego oraz wykorzystanie technologii monitorowania połączeń w amerykańskich więzieniach^{[\[4\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-AIAAIC2023-4)}. ### 6. Zapotrzebowanie na specjalistów z umiejętnościami AI rośnie praktycznie we wszystkich branżach Praktycznie we wszystkich sektorach gospodarki USA (z wyjątkiem rolnictwa, leśnictwa, rybołówstwa i łowiectwa) udział ofert pracy związanych z AI wzrósł średnio z 1,7% w 2021 roku do 1,9% w 2022 roku^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-AIIndex2023-1)}. ### 7. Po raz pierwszy od dekady prywatne inwestycje w AI spadły Globalne prywatne inwestycje w AI wyniosły 91,9 mld dolarów w 2022 roku, co stanowi spadek o 26,7% w stosunku do 2021 roku. Zmniejszyła się również łączna liczba wydarzeń inwestycyjnych oraz liczba firm AI otrzymujących finansowanie po raz pierwszy. Niemniej w ciągu dekady wolumen inwestycji wzrósł 18-krotnie w porównaniu z 2013 rokiem^{[\[5\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-Quid2023-5)}. ### 8. Udział firm wdrażających AI ustabilizował się, ale liderzy nadal odskakują Udział firm korzystających z AI wzrósł ponad dwukrotnie od 2017 roku, jednak w ostatnich latach ustabilizował się na poziomie 50–60%, według corocznego badania McKinsey. Organizacje, które wdrożyły AI, raportują realne obniżenie kosztów i wzrost przychodów^{[\[6\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-McKinsey2023-6)}. ### 9. Zainteresowanie decydentów AI narasta Analiza dokumentów legislacyjnych 127 krajów wykazuje, że liczba projektów ustaw zawierających termin „sztuczna inteligencja" i uchwalonych jako prawa wzrosła z 1 w 2016 roku do 37 w 2022 roku. Wzmianki o AI w debatach parlamentarnych 81 krajów wzrosły niemal 6,5-krotnie od 2016 roku^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-AIIndex2023-1)}. ### 10. Obywatele chińscy mają najbardziej pozytywny stosunek do AI; Amerykanie — znacznie mniej Zgodnie z badaniem IPSOS z 2022 roku, 78% chińskich respondentów zgodziło się ze stwierdzeniem, że produkty i usługi oparte na AI przynoszą więcej korzyści niż szkód. Za nimi plasują się Arabia Saudyjska (76%) i Indie (71%). Jedynie 35% amerykańskich respondentów podziela tę opinię — jeden z najniższych wyników spośród 28 zbadanych krajów^{[\[7\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-IPSOS2022-7)}. ## Rozdział 1. Badania i rozwój Rozdział analizuje trendy w publikacjach, patentach, istotnych modelach Machine Learning, dużych modelach językowych i multimodalnych, konferencjach i otwartym kodzie^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-AIIndex2023-1)}. ### Publikacje Łączna liczba publikacji dotyczących AI nadal rośnie: wzrosła ponad dwukrotnie od 2010 roku. Dominujące kierunki badań to rozpoznawanie wzorców (pattern recognition), Machine Learning i Computer Vision^{[\[8\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-CSET2022-8)}. **Regionalne przywództwo.** Chiny nadal prowadzą pod względem łącznej liczby publikacji dotyczących AI w czasopismach, na konferencjach i w repozytoriach. Jednak USA nadal wyprzedzają pod względem liczby cytowań publikacji konferencyjnych i repozytoryjnych, choć ta przewaga stopniowo maleje^{[\[8\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-CSET2022-8)}. **Współpraca międzynarodowa.** Największa liczba współprac międzykrajowych w publikacjach dotyczących AI w latach 2010–2021 przypada na parę USA–Chiny: ich liczba wzrosła około 4-krotnie od 2010 roku i jest 2,5 razy wyższa niż współpraca kolejnej pary (Wielka Brytania–Chiny). Jednak wzrost liczby wspólnych prac USA–Chiny wyhamował: w latach 2020–2021 przyrost wyniósł zaledwie 2,1% — najniższy w całym okresie obserwacji^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-AIIndex2023-1)}. **Repozytoria.** Liczba publikacji w repozytoriach AI (arXiv, SSRN i inne) wzrosła niemal 27-krotnie przez ostatnie 12 lat. Ameryka Północna utrzymuje przywództwo pod względem udziału w publikacjach repozytoryjnych od 2016 roku^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-AIIndex2023-1)}. ### Istotne modele Machine Learning **Dominacja przemysłu.** W 2022 roku 32 istotne modele zostały stworzone przez przemysł, w porównaniu z zaledwie 3 przez akademię. Potwierdza to tendencję zarysowaną od 2014 roku^{[\[9\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-Epoch2022-9)}. **Skala i koszt.** Duże modele językowe stają się coraz większe i droższe. GPT-2, wydany w 2019 roku i uznawany za jeden z pierwszych dużych modeli językowych, zawierał 1,5 mld parametrów; jego trenowanie kosztowało około 50 000 dolarów. PaLM (Google, 2022) zawierał 540 mld parametrów i kosztował około 8 mln dolarów — model 360 razy większy od GPT-2 i 160 razy droższy^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-AIIndex2023-1)}. **Zasoby obliczeniowe.** Począwszy od 2010 roku modele językowe wymagają największych zasobów obliczeniowych spośród wszystkich systemów Machine Learning. Dane Epoch rejestrują wykładniczy wzrost obliczeń (FLOP) wykorzystywanych podczas trenowania^{[\[9\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-Epoch2022-9)}. ### Duże modele językowe i multimodalne **Przynależność narodowa.** Większość autorów dużych modeli językowych i multimodalnych pochodzi z instytucji amerykańskich (54,2% w 2022 roku). W 2022 roku po raz pierwszy badacze z Kanady, Niemiec i Indii wnieśli wkład w opracowanie takich modeli^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-AIIndex2023-1)}. **Kluczowe modele 2022 roku:** | Model | Deweloper | Data | Znaczenie | |------------------|----------------------|---------------|----------------------------------------------------------------------------------------------------| | DALL-E 2 | OpenAI | Kwiecień 2022 | System generowania obrazów na podstawie opisu tekstowego; zapoczątkowanie „boomu generatywnej AI\\ | | PaLM (540B) | Google | Kwiecień 2022 | Jeden z największych modeli językowych 2022 roku; 540 mld parametrów | | Gato | DeepMind | Maj 2022 | Agent wielozadaniowy: manipulacja robotami, gry, opisywanie obrazów, generowanie tekstu | | Imagen | Google | Maj 2022 | Model dyfuzji do generowania obrazów o wysokim fotorealizmie; benchmark DrawBench | | Stable Diffusion | Stability AI | Sierpień 2022 | Otwarty model generowania obrazów; masowe upowszechnienie | | Make-A-Video | Meta AI | Wrzesień 2022 | System generowania wideo na podstawie opisu tekstowego | | Whisper | OpenAI | Wrzesień 2022 | Uniwersalny system rozpoznawania mowy z obsługą wielu języków | | ChatGPT | OpenAI | Listopad 2022 | Chatbot oparty na LLM; bezprecedensowy wzrost popularności generatywnej AI | | GLM-130B | Uniwersytet Tsinghua | 2022 | Dwujęzyczny (ang./chiń.) otwarty model; jedyny chiński duży model 2022 r. | ## Rozdział 2. Wydajność techniczna Rozdział analizuje postęp w zadaniach Computer Vision, przetwarzania języka, mowy, Reinforcement Learning, sprzętu, a także wpływ AI na środowisko naturalne i rolę AI w nauce^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-AIIndex2023-1)}. ### Stan benchmark'ów AI nadal osiąga wyniki na poziomie lub powyżej rekordu światowego na większości benchmark'ów, jednak ulepszenia stają się marginalne. Tempo nasycania benchmark'ów wzrasta. Nowe kompleksowe systemy oceny — BIG-bench i HELM — mają zapewnić bardziej obiektywną i wszechstronną ewaluację^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-AIIndex2023-1)}. ### Generatywna AI Rok 2022 był rokiem wejścia generatywnej AI do powszechnej świadomości. Wydano modele generowania obrazów na podstawie tekstu (DALL-E 2, Stable Diffusion), systemy generowania wideo (Make-A-Video) i chatboty (ChatGPT). Niemniej systemy te są podatne na „halucynacje" — pewne generowanie nieprawidłowych lub bezsensownych odpowiedzi — co ogranicza ich zastosowanie w krytycznych aplikacjach^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-AIIndex2023-1)}. ### Modele językowe **MMLU.** Benchmark Massive Multitask Language Understanding ocenia modele w 57 dziedzinach przedmiotowych. W 2022 roku najlepsze modele nadal poprawiały wyniki, jednak do poziomu ludzkiego eksperta pozostawała znacząca luka^{[\[10\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-MMLU2021-10)}. **HELM.** Stanfordzki benchmark Holistic Evaluation of Language Models (HELM) zapewnia kompleksową ocenę modeli językowych w dziesięciu scenariuszach, w tym rozumienie tekstu, matematyka, rozumowanie prawnicze, a także pomiary stronniczości i toksyczności^{[\[11\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-HELM2022-11)}. **Planowanie i rozumowanie.** Modele językowe nadal poprawiają możliwości generatywne, ale napotykają poważne trudności z zadaniami planowania. Badanie Valmeekam et al. (2022) wykazało, że GPT-3, Instruct-GPT3 i BLOOM niezwykle nieefektywnie radzą sobie z zadaniami generowania planów, optymalnego planowania i ponownego wykorzystania planów w środowisku Blocksworld^{[\[12\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-Valmeekam2022-12)}. ### Rozpoznawanie mowy **Whisper (OpenAI).** W 2022 roku OpenAI zaprezentowało Whisper — wielkoskalowy system rozpoznawania mowy, wytrenowany na 680 000 godzinach wielojęzycznych danych. Whisper zademonstrował znaczący postęp w dokładności rozpoznawania, zbliżając się do poziomu ludzkiego na szeregu benchmark'ów, i obsługuje tłumaczenie z kilkudziesięciu języków^{[\[13\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-Whisper2022-13)}. ### AI usprawnia AI Zarysowała się tendencja do samodoskonalenia się systemów AI. NVIDIA wykorzystała agenta Reinforcement Learning do ulepszania architektury chipów zasilających systemy AI. Google zastosowało swój model językowy PaLM do poszukiwania sposobów ulepszenia samego modelu PaLM^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-AIIndex2023-1)}. ### Sprzęt **Trendy GPU.** Medianowa wydajność obliczeniowa (FLOP/s) nowych GPU prawie się potroiła od 2021 roku i wzrosła około 7 000 razy od 2003 roku. Medianowa wydajność w przeliczeniu na dolara (FLOP/s per USD) w 2022 roku była 1,4 razy wyższa niż w 2021 roku i 5 600 razy wyższa niż w 2003 roku, wykazując podwajanie wydajności co 1,5 roku^{[\[9\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-Epoch2022-9)}. **MLPerf.** Benchmark MLPerf nadal rejestruje nieustanne skracanie czasu trenowania modeli na standardowych zadaniach, odzwierciedlając postęp w sprzęcie i optymalizacji^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-AIIndex2023-1)}. ### Wpływ na środowisko naturalne Sekcja jest uwzględniona w raporcie po raz pierwszy. Ślad węglowy modeli AI różni się znacznie w zależności od infrastruktury: | Model | Parametry | Emisje CO₂ (ton) | PUE centrum danych | |--------|-----------|------------------|--------------------| | GPT-3 | 175 mld | 502 | 1,10 | | Gopher | 280 mld | 352 | 1,08 | | OPT | 175 mld | 70 | 1,09 | | BLOOM | 176 mld | 25 | 1,20 | GPT-3 wyemitował 20 razy więcej dwutlenku węgla niż BLOOM przy porównywalnej liczbie parametrów. Kluczowymi czynnikami są emisyjność węglowa sieci energetycznej, efektywność centrum danych (PUE) i czas trenowania^{[\[2\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-Luccioni2022-2)}. Dla porównania: trenowanie BLOOM wyemitowało 25 razy więcej CO₂ niż lot jednego pasażera z Nowego Jorku do San Francisco i 1,4 razy więcej niż średnioroczne emisje Amerykanina. Zużyta energia wystarczyłaby na zasilanie przeciętnego amerykańskiego gospodarstwa domowego przez 41 lat^{[\[2\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-Luccioni2022-2)}. **Optymalizacja zużycia energii.** System BCOOLER (DeepMind) — agent Reinforcement Learning do optymalizacji chłodzenia centrów danych Google — w ciągu trzech miesięcy eksperymentu zapewnił oszczędność energii o około 12,7% przy zachowaniu komfortowych warunków^{[\[3\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-BCOOLER2022-3)}. ### AI w nauce (2022) **Kontrola plazmy w tokamaку.** DeepMind opracowało algorytm Reinforcement Learning do optymalnej kontroli plazmy w tokamaку — kluczowe osiągnięcie na drodze do syntezy termojądrowej^{[\[14\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-Degrave2022-14)}. **AlphaTensor.** DeepMind wykorzystało Reinforcement Learning do odkrywania algorytmów mnożenia macierzy przewyższających istniejące rozwiązania — w tym klasyczny algorytm Strassena dla macierzy 4×4^{[\[15\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-AlphaTensor2022-15)}. **AlphaCode.** System DeepMind piszący programy komputerowe na poziomie konkurencyjnym osiągnął pozycję w górnych 54% uczestników w zawodach programistycznych^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-AIIndex2023-1)}. **Generowanie przeciwciał.** Generatywna AI została wykorzystana do projektowania de novo przeciwciał, otwierając nowe możliwości dla biofarmaceutyki^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-AIIndex2023-1)}. ## Rozdział 3. Techniczna etyka AI Rozdział poświęcony jest kluczowym wymiarom etyki AI: stronniczości, toksyczności, sprawiedliwości i incydentom^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-AIIndex2023-1)}. ### Metryki sprawiedliwości i stronniczości W 2022 roku obserwowano stały wzrost liczby metryk i benchmark'ów do oceny sprawiedliwości i stronniczości systemów AI. Metryki są rozszerzane i doprecyzowywane: badacze dostosowują je do konkretnych zadań (odpowiadanie na pytania, wnioskowanie w języku naturalnym) i wykorzystują modele językowe do generowania rozszerzonych danych testowych. W 2022 roku zaprezentowano nowe benchmark'i, takie jak BBQ (Bias Benchmark for Question Answering), a także dodatkowe oceny w ramach zakrojonego na szeroką skalę projektu BIG-bench^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-AIIndex2023-1)}. Wyróżnia się dwa typy metryk: **benchmark'i** (stacjonarne zbiory oznaczonych danych oceniające wewnętrzną stronniczość modelu — StereoSet, Winogender) oraz **metryki diagnostyczne** (mierzące różnicę w wydajności modelu dla różnych grup demograficznych w rzeczywistym zastosowaniu). Oba podejścia wzajemnie się uzupełniają^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-AIIndex2023-1)}. ### Wpływ skali na stronniczość Badania z 2022 roku wykazały, że wpływ zwiększania skali modelu na stronniczość i toksyczność jest niejednoznaczny i zależy od danych treningowych oraz stosowanych metod redukcji stronniczości^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-AIIndex2023-1)}. ### Incydenty w sferze AI Zgodnie z danymi bazy AIAAIC, liczba incydentów i spornych sytuacji związanych z nadużywaniem AI pod kątem etycznym wzrosła 26-krotnie od 2012 roku. Wzrost wynika zarówno z rozszerzenia zastosowań AI, jak i ze wzrostu świadomości zagrożeń^{[\[4\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-AIAAIC2023-4)}. ## Rozdział 4. Gospodarka Rozdział bada trendy w zatrudnieniu, inwestycjach, korporacyjnym wdrażaniu AI i robotyce^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-AIIndex2023-1)}. ### Rynek pracy Udział ofert pracy związanych z AI w USA wzrósł średnio z 1,7% w 2021 roku do 1,9% w 2022 roku praktycznie we wszystkich branżach. Wzrost popytu obserwuje się w technologiach, finansach, produkcji, ochronie zdrowia i innych sektorach^{[\[16\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-Lightcast2022-16)}. **Migracja do przemysłu.** Coraz większy odsetek nowych doktorów w dziedzinie AI wybiera pracę w przemyśle: w 2021 roku 65,4% trafiło do sektora przemysłowego (wobec 40,9% w 2011 roku), a jedynie 28,2% — do akademii (wobec 41,6% w 2011 roku). Udział doktorów pracujących w sektorze publicznym pozostaje stale niski — 0,7%^{[\[17\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-CRA2022-17)}. ### Inwestycje **Ogólne trendy.** Globalne prywatne inwestycje w AI wyniosły 91,9 mld dolarów — spadek o 26,7% w porównaniu z 2021 rokiem. Liczba wydarzeń inwestycyjnych spadła do 3 538 (spadek o 12% względem 2021 roku). Liczba firm AI otrzymujących finansowanie po raz pierwszy zmniejszyła się do 1 392 (z 1 669 w 2021 roku). Niemniej wolumen inwestycji jest 18 razy wyższy niż w 2013 roku^{[\[5\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-Quid2023-5)}. **Regionalne rozmieszczenie.** USA prowadzą z inwestycjami w wysokości 47,4 mld dolarów — 3,5 razy więcej niż Chiny (13,4 mld) i 11 razy więcej niż Wielka Brytania (4,4 mld). Jednocześnie inwestycje w USA spadły o 35,5%, w Chinach — o 41,3%. Łącznie za lata 2013–2022 w USA zainwestowano 248,9 mld, w Chinach — 95,1 mld, w Wielkiej Brytanii — 18,2 mld^{[\[5\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-Quid2023-5)}. **Obszary zainteresowań.** Najbardziej atrakcyjnymi dla inwestorów okazały się: medycyna i ochrona zdrowia (6,1 mld dolarów), zarządzanie danymi, przetwarzanie i technologie chmurowe (5,9 mld), fintech (5,5 mld), cyberbezpieczeństwo (5,4 mld) i handel detaliczny (4,2 mld). Większość obszarów zainteresowań odnotowała spadek inwestycji względem 2021 roku^{[\[5\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-Quid2023-5)}. **Największe wydarzenia inwestycyjne 2022 roku:** - GAC Aion New Energy Automobile (Chiny, samochody elektryczne) — 2,54 mld dolarów; - Anduril Industries (USA, technologie obronne) — 1,5 mld; - Celonis (Niemcy, analityka biznesowa) — 1,22 mld^{[\[5\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-Quid2023-5)}. ### Wdrożenia korporacyjne Zgodnie z danymi McKinsey, udział firm korzystających z AI wzrósł ponad dwukrotnie od 2017 roku, ustabilizowując się na poziomie 50–60%. Organizacje, które wdrożyły AI, raportują realne obniżenie kosztów i wzrost przychodów^{[\[6\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-McKinsey2023-6)}. **Earnings calls.** W roku obrotowym 2022 268 spółek z Fortune 500 wspomniało o AI w raportach o wynikach finansowych (spadek z 306 w 2021 roku, ale wzrost z 225 w 2018 roku)^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-AIIndex2023-1)}. **Wyzwania.** Główne problemy przy wdrażaniu projektów AI: udowodnienie wartości biznesowej (37%), brak zaangażowania kierownictwa (34%), wybór właściwych technologii AI (33%). Główne bariery skalowania: zarządzanie ryzykiem AI (50%), pozyskiwanie danych treningowych (44%), wdrażanie technologii (42%)^{[\[18\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-Deloitte2022-18)}. ### Robotyka W 2021 roku zainstalowano 517 000 robotów przemysłowych — wzrost o 31,3% względem 2020 roku i ponad trzykrotny w stosunku do 2011 roku. Park operacyjny robotów przemysłowych osiągnął 3 477 000 jednostek (wzrost o 14,6%)^{[\[19\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-IFR2022-19)}. **Dominacja Chin.** W 2021 roku Chiny zainstalowały 268 200 robotów przemysłowych — 5,7 razy więcej niż Japonia (47 200) i 7,7 razy więcej niż USA (35 000). Od 2013 roku, gdy Chiny wyprzedziły Japonię, ich udział wzrósł z 20,8% do 51,8% globalnych instalacji. W 2021 roku Chiny po raz pierwszy zainstalowały więcej robotów przemysłowych niż cała reszta świata łącznie^{[\[19\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-IFR2022-19)}. ## Rozdział 5. Edukacja Rozdział omawia tendencje w edukacji w dziedzinie informatyki i AI^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-AIIndex2023-1)}. ### Szkolnictwo wyższe **Studia licencjackie.** Liczba absolwentów studiów licencjackich z informatyki (CS) w Ameryce Północnej nadal rośnie^{[\[17\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-CRA2022-17)}. **Doktoraty.** W 2021 roku uzyskano 1 893 doktoraty z informatyki — mniej niż w 2020 roku (1 997). Udział studentów zagranicznych wśród doktorantów CS wzrósł z 45,8% w 2010 roku do 68,6% w 2021 roku^{[\[17\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-CRA2022-17)}. **Specjalizacja w AI.** W 2021 roku 19,1% nowych doktorantów CS w Ameryce Północnej specjalizowało się w AI — wzrost o 4,2 p.p. w porównaniu z 2020 rokiem i o 8,6 p.p. w stosunku do 2012 roku^{[\[17\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-CRA2022-17)}. ## Rozdział 6. Polityka i zarządzanie Rozdział analizuje aktywność legislacyjną i regulacyjną w dziedzinie AI na poziomie globalnym, amerykańskim i regionalnym^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-AIIndex2023-1)}. ### Tendencje globalne Liczba projektów ustaw zawierających termin „sztuczna inteligencja" i uchwalonych jako prawa wzrosła z 1 w 2016 roku do 37 w 2022 roku (analiza 127 krajów). Wzmianki o AI w debatach parlamentarnych 81 krajów wzrosły niemal 6,5-krotnie od 2016 roku, choć w 2022 roku odnotowano niewielki spadek w porównaniu z 2021 rokiem (z 1 547 do 1 340 wzmianek)^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-AIIndex2023-1)}. W 2022 roku liderami pod względem liczby wzmianek o AI na posiedzeniach parlamentarnych były: Hiszpania (273), Kanada (211), Wielka Brytania (146), USA (138)^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-AIIndex2023-1)}. ### Regulacje w USA Na poziomie federalnym w 2022 roku zaproponowano 88 projektów ustaw związanych z AI, z czego 9 zostało uchwalonych (wzrost z 3 w poprzednich latach). Na poziomie stanowym liderują Kalifornia (5 uchwalonych ustaw) i Maryland (3)^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-AIIndex2023-1)}. ### Strategie narodowe Szereg krajów przyjął nowe prawodawstwo obejmujące szeroki zakres kwestii: szkolenie personelu w zakresie umiejętności AI, kontrolę nad wykorzystaniem AI w organach ścigania, zwiększanie przejrzystości algorytmicznego podejmowania decyzji^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-AIIndex2023-1)}. ## Rozdział 7. Różnorodność Kobiety i przedstawiciele mniejszości nadal są znacząco niedoreprezentowani w sektorze AI, zarówno w przemyśle, jak i w akademii. Dane z badania CRA Taulbee Survey i innych źródeł rejestrują powolny, ale stały postęp w zwiększaniu różnorodności^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-AIIndex2023-1)}. ## Rozdział 8. Opinia publiczna Nowy rozdział raportu analizuje społeczne postrzeganie AI na podstawie międzynarodowych badań opinii i analizy mediów społecznościowych^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-AIIndex2023-1)}. ### Globalne badania opinii (IPSOS) Zgodnie z danymi badania IPSOS z 2022 roku (19 504 respondentów w 28 krajach)^{[\[7\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-IPSOS2022-7)}: - 60% respondentów uważa, że produkty AI istotnie zmienią ich życie w ciągu najbliższych 3–5 lat; - 60% uważa, że produkty AI ułatwiają im życie; - 52% zgadza się, że produkty AI przynoszą więcej korzyści niż szkód; - 40% zauważa, że produkty AI wywołują u nich niepokój. **Różnice regionalne.** Najbardziej pozytywny stosunek do AI mają obywatele Chin (78% zgadza się z korzyściami AI), Arabii Saudyjskiej (76%) i Indii (71%). Najmniej pozytywny — Francja (31%), Kanada (32%), USA (35%)^{[\[7\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-IPSOS2022-7)}. **Różnice demograficzne.** Mężczyźni oceniają produkty AI bardziej pozytywnie niż kobiety we wszystkich wymiarach. Gospodarstwa domowe z wyższymi dochodami i wyższym poziomem wykształcenia są również bardziej optymistyczne^{[\[7\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-IPSOS2022-7)}. ### Badanie Lloyd's Register Foundation i Gallup Globalne badanie 125 911 osób w 121 krajach (2021 rok) wykazało, że 39% uważa AI ogólnie za korzystne dla kraju, a 28% — za szkodliwe. Mężczyźni są bardziej skłonni uważać AI za korzystne niż kobiety^{[\[20\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-LRF2022-20)}. **Autonomiczne samochody.** Jedynie 27% respondentów na świecie czuje się bezpiecznie w autonomicznym samochodzie. Według danych Pew Research, tylko 26% Amerykanów uważa pasażerskie autonomiczne samochody za dobry pomysł dla społeczeństwa^{[\[21\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-Pew2022-21)}. ### Badanie Pew Research (USA) Wśród Amerykanów odczuwających entuzjazm wobec AI, główne powody to: potencjał poprawy życia i społeczeństwa (31%) oraz oszczędność czasu (13%). Wśród zaniepokojonych — utrata miejsc pracy (19%), inwigilacja i prywatność cyfrowa (16%), utrata kontaktów międzyludzkich (12%)^{[\[21\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-Pew2022-21)}. ### Opinia badaczy NLP Zgodnie z danymi badania wśród badaczy NLP: 77% zgadza się lub częściowo zgadza z tym, że prywatne firmy AI mają nadmierny wpływ; 41% uważa, że NLP powinno być regulowane; 73% sądzi, że AI może wkrótce doprowadzić do rewolucyjnych zmian społecznych^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-AIIndex2023-1)}. ### Analiza mediów społecznościowych NetBase Quid przeprowadził analizę ponad 7 milionów postów w mediach społecznościowych z 2022 roku. Modele ChatGPT i Stable Diffusion przyciągnęły największą uwagę. Główne tematy dyskusji to problemy etyczne, kulturowy i ekonomiczny wpływ AI^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-AIIndex2023-1)}. ## Metodologia Raport wykorzystuje dane z wielu źródeł^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-AIIndex2023-1)}: - **Publikacje i patenty:** Center for Security and Emerging Technology (CSET), Georgetown University; dane Epoch. - **Benchmark'i:** Papers With Code, CRFM (HELM), BIG-bench, specjalistyczne listy rankingowe. - **Inwestycje:** NetBase Quid (Capital IQ, Crunchbase). - **Rynek pracy:** Lightcast, LinkedIn. - **Aktywność korporacyjna:** McKinsey & Company, Deloitte, NetBase Quid (earnings calls). - **Robotyka:** International Federation of Robotics (IFR). - **Regulacje:** bazy prawodawcze 127 krajów, materiały parlamentarne 81 krajów. - **Opinia publiczna:** IPSOS, Lloyd's Register Foundation / Gallup, Pew Research Center, NetBase Quid (media społecznościowe). - **Edukacja:** CRA Taulbee Survey, Code.org. - **Wpływ na środowisko naturalne:** Luccioni et al. (2022), dane dotyczące GPU — Epoch. ## Zespół autorski Raport został przygotowany pod kierownictwem współdyrektorów **Raymonda Perrault** (Raymond Perrault, SRI International) i **Jacka Clarka** (Jack Clark, Anthropic / OECD). Kierownikiem badań i głównym redaktorem był **Nestor Maslej** (Nestor Maslej, Stanford University). W przygotowaniu raportu uczestniczyli Erik Brynjolfsson, John Etchemendy, Katrina Ligett, Terah Lyons, James Manyika, Helen Ngo, Juan Carlos Niebles, Vanessa Parli, Yoav Shoham (założyciel AI Index), Russell Wald, a także szeroka grupa badaczy i organizacji partnerskich. AI Index jest projektem Stanfordzkiego Instytutu HAI (Human-Centered Artificial Intelligence)^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_note-AIIndex2023-1)}. ## Odniesienia - Stanford HAI — AI Index Report 2023 (pełny tekst): https://aiindex.stanford.edu/report/ - Epoch — dane o trendach obliczeniowych i istotnych modelach: https://epochai.org/ - Papers With Code — benchmark'i i listy rankingowe: https://paperswithcode.com/ - CRFM HELM — Holistic Evaluation of Language Models: https://crfm.stanford.edu/helm/ - AIAAIC Repository — baza incydentów etycznego nadużywania AI: 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 — dane o inwestycjach i mediach społecznościowych: https://quid.com/ - IPSOS — globalne badanie postaw wobec AI: https://www.ipsos.com/ - Pew Research Center — badania opinii publicznej: https://www.pewresearch.org/ - CRA Taulbee Survey — dane o edukacji w CS: https://cra.org/resources/taulbee-survey/ - Global AI Vibrancy Tool (Stanford HAI): https://aiindex.stanford.edu/vibrancy/ ## Literatura - 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. ## Przypisy 1. ↑ ^{[1.00](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_ref-AIIndex2023_1-0)} ^{[1.01](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_ref-AIIndex2023_1-1)} ^{[1.02](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_ref-AIIndex2023_1-2)} ^{[1.03](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_ref-AIIndex2023_1-3)} ^{[1.04](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_ref-AIIndex2023_1-4)} ^{[1.05](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_ref-AIIndex2023_1-5)} ^{[1.06](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_ref-AIIndex2023_1-6)} ^{[1.07](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_ref-AIIndex2023_1-7)} ^{[1.08](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_ref-AIIndex2023_1-8)} ^{[1.09](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_ref-AIIndex2023_1-9)} ^{[1.10](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_ref-AIIndex2023_1-10)} ^{[1.11](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_ref-AIIndex2023_1-11)} ^{[1.12](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_ref-AIIndex2023_1-12)} ^{[1.13](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_ref-AIIndex2023_1-13)} ^{[1.14](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_ref-AIIndex2023_1-14)} ^{[1.15](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_ref-AIIndex2023_1-15)} ^{[1.16](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_ref-AIIndex2023_1-16)} ^{[1.17](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_ref-AIIndex2023_1-17)} ^{[1.18](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_ref-AIIndex2023_1-18)} ^{[1.19](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_ref-AIIndex2023_1-19)} ^{[1.20](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_ref-AIIndex2023_1-20)} ^{[1.21](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_ref-AIIndex2023_1-21)} ^{[1.22](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_ref-AIIndex2023_1-22)} ^{[1.23](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_ref-AIIndex2023_1-23)} ^{[1.24](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_ref-AIIndex2023_1-24)} ^{[1.25](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_ref-AIIndex2023_1-25)} ^{[1.26](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_ref-AIIndex2023_1-26)} ^{[1.27](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_ref-AIIndex2023_1-27)} ^{[1.28](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_ref-AIIndex2023_1-28)} ^{[1.29](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_ref-AIIndex2023_1-29)} ^{[1.30](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_ref-AIIndex2023_1-30)} ^{[1.31](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_ref-AIIndex2023_1-31)} ^{[1.32](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_ref-AIIndex2023_1-32)} ^{[1.33](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_ref-AIIndex2023_1-33)} ^{[1.34](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_ref-AIIndex2023_1-34)} ^{[1.35](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_ref-AIIndex2023_1-35)} ^{[1.36](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_ref-AIIndex2023_1-36)} ^{[1.37](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#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_(PL)#cite_ref-Luccioni2022_2-0)} ^{[2.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_ref-Luccioni2022_2-1)} ^{[2.2](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#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_(PL)#cite_ref-BCOOLER2022_3-0)} ^{[3.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#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_(PL)#cite_ref-AIAAIC2023_4-0)} ^{[4.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#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_(PL)#cite_ref-Quid2023_5-0)} ^{[5.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_ref-Quid2023_5-1)} ^{[5.2](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_ref-Quid2023_5-2)} ^{[5.3](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_ref-Quid2023_5-3)} ^{[5.4](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#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_(PL)#cite_ref-McKinsey2023_6-0)} ^{[6.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#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_(PL)#cite_ref-IPSOS2022_7-0)} ^{[7.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_ref-IPSOS2022_7-1)} ^{[7.2](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_ref-IPSOS2022_7-2)} ^{[7.3](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#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_(PL)#cite_ref-CSET2022_8-0)} ^{[8.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#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_(PL)#cite_ref-Epoch2022_9-0)} ^{[9.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_ref-Epoch2022_9-1)} ^{[9.2](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#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_(PL)#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_(PL)#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_(PL)#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_(PL)#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_(PL)#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_(PL)#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_(PL)#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_(PL)#cite_ref-CRA2022_17-0)} ^{[17.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_ref-CRA2022_17-1)} ^{[17.2](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_ref-CRA2022_17-2)} ^{[17.3](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#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_(PL)#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_(PL)#cite_ref-IFR2022_19-0)} ^{[19.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#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_(PL)#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_(PL)#cite_ref-Pew2022_21-0)} ^{[21.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(PL)#cite_ref-Pew2022_21-1)} Pew Research Center (2022). *Public Views on AI*. https://www.pewresearch.org/