--- title: "The 2023 AI Index Report (SV)" source: "https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)" wiki: "systems-analysis.info/int" article: "The_2023_AI_Index_Report_(SV)" language: "sv" categories: - "Category:Large language models" - "Category:Machine learning" - "Category:Swedish" revision_id: 8024 wiki_created_at: 2026-09-07T01:11:05Z wiki_modified_at: 2026-09-07T01:11:05Z downloaded_at: 2026-09-07T23:22:49Z --- # The 2023 AI Index Report (SV) **AI Index Report 2023** — den sjätte årliga utgåvan av rapporten **AI Index**, framtagen av Stanfords institut för människocentrerad artificiell intelligens (Stanford HAI)^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-AIIndex2023-1)}. 2023 års rapport är den mest omfattande vid publiceringstillfället och innehåller mer originaldata än något tidigare nummer: ett nytt kapitel om allmänhetens åsikter om AI, utökad analys av teknisk prestanda, originell forskning om stora språk- och multimodala modeller, detaljerade trender inom global AI-lagstiftning samt en undersökning av AI-systemens miljöpåverkan. Rapporten ges ut under en period då AI träder in i en "driftsättningsera": under 2022 och början av 2023 lanserades månadsvis nya storskaliga modeller — ChatGPT, Stable Diffusion, Whisper, DALL-E 2 — som uppvisar oöverträffade förmågor inom textgenerering, bildgenerering och taligenkänning. AI Index spårar, systematiserar och visualiserar data om artificiell intelligens och tillhandahåller objektiv och noggrant verifierad information för beslutsfattare, forskare, chefer, journalister och allmänheten. ## Rapportens struktur 2023 års rapport består av åtta tematiska kapitel^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-AIIndex2023-1)}: 1. **Forskning och utveckling (Research and Development)** — trender inom publikationer, patent, betydelsefulla Machine Learning-modeller, stora språk- och multimodala modeller. 2. **Teknisk prestanda (Technical Performance)** — benchmark, datorseende, språkmodeller, tal, Reinforcement Learning, hårdvara, miljöpåverkan, AI inom vetenskap. 3. **Teknisk AI-etik (Technical AI Ethics)** — partiskhet, toxicitet, rättvisa, integritet, deepfakes. 4. **Ekonomi (The Economy)** — investeringar, arbetsmarknad, företagsimplementering, robotteknik. 5. **Utbildning (Education)** — personalutbildning, högre utbildning inom datavetenskap och AI. 6. **Politik och styrning (Policy and Governance)** — lagstiftning, reglering, nationella strategier. 7. **Mångfald (Diversity)** — köns- och etnisk mångfald inom AI-sektorn. 8. **Allmänhetens åsikter (Public Opinion)** — nytt kapitel: befolkningens inställning till AI baserat på internationella undersökningar och analys av sociala medier. ## Rapportens viktigaste slutsatser (Top 10 Takeaways) Rapportens författare lyfte fram tio huvudteser^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-AIIndex2023-1)}: ### 1. Industrin ligger före akademin Fram till 2014 producerades de flesta betydelsefulla Machine Learning-modellerna av akademiska institutioner. Sedan dess har ledarskapet övergått till industrin. År 2022 skapade industrin 32 betydelsefulla Machine Learning-modeller, medan akademin bidrog med endast 3. Att utveckla toppmoderna AI-system kräver i allt högre grad enorma mängder data, beräkningsresurser och finansiering, som industriella organisationer besitter i avsevärt större utsträckning^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-AIIndex2023-1)}. ### 2. Mättnad av traditionella benchmark AI fortsätter att sätta nya rekord på benchmark, men prestandaförbättringarna från år till år blir allt mer marginella. Samtidigt ökar hastigheten med vilken benchmark mättas. Nya, mer komplexa utvärderingssystem — BIG-bench och HELM — håller dock på att växa fram^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-AIIndex2023-1)}. ### 3. AI hjälper och skadar miljön samtidigt Ny forskning visar att AI-system har en betydande miljöpåverkan. Enligt Luccioni et al. (2022) släppte träningen av BLOOM ut 25 gånger mer koldioxid än en flygpassagerare på en resa från New York till San Francisco. Samtidigt visar Reinforcement Learning-modeller som BCOOLER (DeepMind) att AI kan användas för att optimera energiförbrukning^{[\[2\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-Luccioni2022-2)[\[3\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-BCOOLER2022-3)}. ### 4. Den bästa nya forskaren — AI? AI-modeller börjar snabbt accelerera det vetenskapliga framsteget. År 2022 användes AI för att bidra till styrning av vätgasfusion, optimering av matrisultiplikationsalgoritmer (AlphaTensor) och generering av nya antikroppar^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-AIIndex2023-1)}. ### 5. Antalet incidenter kopplade till oetisk användning av AI ökar snabbt Enligt AIAAIC-databasen har antalet incidenter och kontroversiella situationer kopplade till etiskt missbruk av AI ökat 26 gånger sedan 2012. Bland de anmärkningsvärda incidenterna 2022 märks en deepfake-video föreställande den ukrainska presidenten Volodymyr Zelenskyjs "kapitulation" och användningen av samtalsövervakningsteknologi i amerikanska fängelser^{[\[4\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-AIAAIC2023-4)}. ### 6. Efterfrågan på AI-kompetens växer i nästan alla branscher I nästan alla branscher i den amerikanska ekonomin (med undantag för jordbruk, skogsbruk, fiske och jakt) ökade andelen AI-relaterade lediga tjänster i genomsnitt från 1,7 % år 2021 till 1,9 % år 2022^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-AIIndex2023-1)}. ### 7. Privata investeringar i AI minskade för första gången på ett decennium Globala privata investeringar i AI uppgick till 91,9 miljarder dollar år 2022, vilket är 26,7 % lägre än 2021 års siffra. Även det totala antalet investeringshändelser och antalet nyfinansierade AI-företag minskade. Investeringsvolymen har dock ökat 18 gånger jämfört med 2013^{[\[5\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-Quid2023-5)}. ### 8. Andelen företag som inför AI har stabiliserats, men ledarna fortsätter att distansera sig Andelen företag som använder AI har mer än fördubblats sedan 2017, men har de senaste åren stabiliserats på 50–60 % enligt McKinseys årliga enkät. Organisationer som har infört AI rapporterar om verkliga kostnadsminskningar och ökade intäkter^{[\[6\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-McKinsey2023-6)}. ### 9. Politikers intresse för AI ökar En analys av lagstiftningsdokument från 127 länder visar att antalet lagförslag som innehåller termen "artificiell intelligens" och som antagits som lagar ökade från 1 år 2016 till 37 år 2022. Omnämnanden av AI i parlamentsdebatter i 81 länder ökade med nästan 6,5 gånger sedan 2016^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-AIIndex2023-1)}. ### 10. Kinesiska medborgare är mest positiva till AI; amerikaner avsevärt mindre Enligt IPSOS undersökning 2022 instämde 78 % av de kinesiska respondenterna i påståendet att produkter och tjänster baserade på AI ger mer nytta än skada. Därefter följer Saudiarabien (76 %) och Indien (71 %). Endast 35 % av de amerikanska respondenterna delar denna uppfattning — ett av de lägsta resultaten bland de 28 undersökta länderna^{[\[7\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-IPSOS2022-7)}. ## Kapitel 1. Forskning och utveckling Kapitlet analyserar trender inom publikationer, patent, betydelsefulla Machine Learning-modeller, stora språk- och multimodala modeller, konferenser och öppen källkod^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-AIIndex2023-1)}. ### Publikationer Det totala antalet AI-publikationer fortsätter att växa: det har mer än fördubblats sedan 2010. De dominerande forskningsområdena är mönsterigenkänning (pattern recognition), Machine Learning och datorseende^{[\[8\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-CSET2022-8)}. **Regionalt ledarskap.** Kina fortsätter att leda när det gäller det totala antalet AI-publikationer i tidskrifter, vid konferenser och i repositorier. USA leder dock fortfarande i antal citeringar av konferens- och repositoriepublikationer, även om detta försprång gradvis minskar^{[\[8\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-CSET2022-8)}. **Internationellt samarbete.** Det största antalet länderöverskridande samarbeten inom AI-publikationer under 2010–2021 gäller paret USA–Kina: deras antal ökade ungefär fyra gånger från 2010 och är 2,5 gånger högre än det näst vanligaste paret (Storbritannien–Kina). Tillväxten av gemensamma arbeten mellan USA och Kina har dock avtagit: under 2020–2021 uppgick ökningen till endast 2,1 % — den lägsta under hela observationsperioden^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-AIIndex2023-1)}. **Repositorier.** Antalet AI-publikationer i repositorier (arXiv, SSRN m.fl.) har ökat med nästan 27 gånger under de senaste 12 åren. Nordamerika behåller ledningen i andelen repositoriepublikationer sedan 2016^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-AIIndex2023-1)}. ### Betydelsefulla Machine Learning-modeller **Industrins dominans.** År 2022 skapades 32 betydelsefulla modeller av industrin, jämfört med endast 3 från akademin. Detta bekräftar den trend som skisserats sedan 2014^{[\[9\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-Epoch2022-9)}. **Skala och kostnad.** Stora språkmodeller blir allt större och dyrare. GPT-2, som släpptes 2019 och anses vara en av de första stora språkmodellerna, innehöll 1,5 miljarder parametrar; träningen kostade ungefär 50 000 dollar. PaLM (Google, 2022) innehöll 540 miljarder parametrar och kostade ungefär 8 miljoner dollar — en modell som är 360 gånger större än GPT-2 och 160 gånger dyrare^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-AIIndex2023-1)}. **Beräkningsresurser.** Sedan 2010 kräver språkmodeller mest beräkningsresurser av alla Machine Learning-system. Epoch-data registrerar en exponentiell ökning av de beräkningar (FLOP) som används vid träning^{[\[9\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-Epoch2022-9)}. ### Stora språk- och multimodala modeller **Nationell tillhörighet.** De flesta upphovsmännen till stora språk- och multimodala modeller är från amerikanska institutioner (54,2 % år 2022). År 2022 bidrog för första gången forskare från Kanada, Tyskland och Indien till utvecklingen av sådana modeller^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-AIIndex2023-1)}. **Nyckelmodeller 2022:** | Modell | Utvecklare | Datum | Betydelse | |------------------|---------------------|----------------|------------------------------------------------------------------------------------------------| | DALL-E 2 | OpenAI | April 2022 | System för bildgenerering utifrån textbeskrivning; startskottet för "den generativa AI-boomen" | | PaLM (540B) | Google | April 2022 | En av de största språkmodellerna 2022; 540 miljarder parametrar | | Gato | DeepMind | Maj 2022 | Multifunktionell agent: robotmanipulation, spel, bildbeskrivning, textgenerering | | Imagen | Google | Maj 2022 | Diffusionsmodell för bildgenerering med hög fotorealism; benchmark DrawBench | | Stable Diffusion | Stability AI | Augusti 2022 | Öppen modell för bildgenerering; massiv spridning | | Make-A-Video | Meta AI | September 2022 | System för videogenerering utifrån textbeskrivning | | Whisper | OpenAI | September 2022 | Universellt taligenkänningssystem med stöd för många språk | | ChatGPT | OpenAI | November 2022 | Chattbot baserad på LLM; oöverträffad tillväxt i popularitet för generativ AI | | GLM-130B | Tsinghua University | 2022 | Tvåspråkig (eng./kin.) öppen modell; den enda kinesiska stormodellen 2022 | ## Kapitel 2. Teknisk prestanda Kapitlet analyserar framsteg inom datorseende, språkbehandling, tal, Reinforcement Learning, hårdvara samt AI:s miljöpåverkan och AI:s roll inom vetenskap^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-AIIndex2023-1)}. ### Benchmark-situationen AI fortsätter att uppvisa resultat på eller över världsrekordnivå på de flesta benchmark, men förbättringarna blir marginella. Hastigheten med vilken benchmark mättas ökar. Nya komplexa utvärderingssystem — BIG-bench och HELM — syftar till att ge en mer objektiv och heltäckande bedömning^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-AIIndex2023-1)}. ### Generativ AI 2022 markerade generativ AI:s genombrott till den breda allmänheten. Modeller för bildgenerering från text (DALL-E 2, Stable Diffusion), videogenereringssystem (Make-A-Video) och chattbotar (ChatGPT) lanserades. Dessa system är dock benägna att "hallusinera" — att med stor säkerhet generera felaktiga eller meningslösa svar — vilket begränsar deras användning i verksamhetskritiska tillämpningar^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-AIIndex2023-1)}. ### Språkmodeller **MMLU.** Benchmark Massive Multitask Language Understanding utvärderar modeller inom 57 ämnesområden. År 2022 fortsatte de bästa modellerna att förbättra sina poäng, men det återstod en betydande klyfta till mänsklig expertnivå^{[\[10\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-MMLU2021-10)}. **HELM.** Stanfords benchmark Holistic Evaluation of Language Models (HELM) ger en heltäckande utvärdering av språkmodeller inom tio scenarier, inklusive textförståelse, matematik, juridiskt resonemang samt mätningar av partiskhet och toxicitet^{[\[11\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-HELM2022-11)}. **Planering och resonemang.** Språkmodeller fortsätter att förbättra generativa förmågor men har allvarliga svårigheter med planeringsuppgifter. Valmeekam et al. (2022) visade att GPT-3, Instruct-GPT3 och BLOOM presterar mycket dåligt på uppgifter som rör plangenerering, optimal planering och återanvändning av planer i Blocksworld-miljön^{[\[12\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-Valmeekam2022-12)}. ### Taligenkänning **Whisper (OpenAI).** År 2022 presenterade OpenAI Whisper — ett storskaligt taligenkänningssystem tränat på 680 000 timmar flerspråkig data. Whisper uppvisade betydande framsteg i igenkänningsnoggrannhet, närmade sig mänsklig nivå på en rad benchmark och stöder översättning från ett flertal tiotal språk^{[\[13\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-Whisper2022-13)}. ### AI gör AI bättre En trend mot självförbättring av AI-system har utkristalliserats. NVIDIA använde en Reinforcement Learning-agent för att förbättra arkitekturen hos de chip som driver AI-system. Google använde sin språkmodell PaLM för att hitta sätt att förbättra PaLM-modellen själv^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-AIIndex2023-1)}. ### Hårdvara **GPU-trender.** Medianvärdet för beräkningsprestanda (FLOP/s) för nya GPU:er har nästan tredubblats sedan 2021 och ökat ungefär 7 000 gånger sedan 2003. Medianprestanda per US-dollar (FLOP/s per USD) var 2022 1,4 gånger högre än 2021 och 5 600 gånger högre än 2003, vilket visar på en fördubbling av prestanda var 1,5 år^{[\[9\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-Epoch2022-9)}. **MLPerf.** Benchmark MLPerf fortsätter att registrera en stadig minskning av träningstiden för modeller på standarduppgifter, vilket återspeglar framsteg inom hårdvara och optimering^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-AIIndex2023-1)}. ### Miljöpåverkan Detta avsnitt ingår för första gången i rapporten. Koldioxidavtrycket från AI-modeller varierar avsevärt beroende på infrastruktur: | Modell | Parametrar | CO₂-utsläpp (ton) | PUE datacenter | |--------|---------------|-------------------|----------------| | GPT-3 | 175 miljarder | 502 | 1,10 | | Gopher | 280 miljarder | 352 | 1,08 | | OPT | 175 miljarder | 70 | 1,09 | | BLOOM | 176 miljarder | 25 | 1,20 | GPT-3 släppte ut 20 gånger mer koldioxid än BLOOM vid ett jämförbart antal parametrar. De avgörande faktorerna är elnätets koldioxidintensitet, datacentrets effektivitet (PUE) och träningstidens längd^{[\[2\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-Luccioni2022-2)}. Jämfört med: träningen av BLOOM släppte ut 25 gånger mer CO₂ än en flygpassagerares resa från New York till San Francisco, och 1,4 gånger mer än en genomsnittlig amerikan släpper ut per år. Den förbrukade energin hade räckt för att förse ett genomsnittligt amerikanskt hushåll med el i 41 år^{[\[2\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-Luccioni2022-2)}. **Optimering av energiförbrukning.** Systemet BCOOLER (DeepMind) — en Reinforcement Learning-agent för optimering av kylning i Googles datacenter — uppnådde en energibesparing på ungefär 12,7 % under ett tre månader långt experiment, med bibehållen komfortnivå^{[\[3\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-BCOOLER2022-3)}. ### AI inom vetenskap (2022) **Plasmastyrning i tokamak.** DeepMind utvecklade en Reinforcement Learning-algoritm för optimal styrning av plasma i en tokamak — ett nyckelresultat på vägen mot termonukleär fusion^{[\[14\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-Degrave2022-14)}. **AlphaTensor.** DeepMind använde Reinforcement Learning för att upptäcka matrisultiplikationsalgoritmer som överträffar befintliga lösningar — inklusive den klassiska Strassen-algoritmen för 4×4-matriser^{[\[15\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-AlphaTensor2022-15)}. **AlphaCode.** DeepMinds system som skriver datorprogram på tävlingsnivå uppnådde en rankning inom de översta 54 % av deltagarna i programmeringstävlingar^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-AIIndex2023-1)}. **Antikroppsgenerering.** Generativ AI användes för de novo-design av antikroppar, vilket öppnar nya möjligheter inom bioläkemedel^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-AIIndex2023-1)}. ## Kapitel 3. Teknisk AI-etik Kapitlet behandlar centrala dimensioner av AI-etik: partiskhet, toxicitet, rättvisa och incidenter^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-AIIndex2023-1)}. ### Rättvise- och partiskhetsmetriker Under 2022 observerades en stadig ökning av antalet metriker och benchmark för utvärdering av rättvisa och partiskhet i AI-system. Metrikerna utvidgas och preciseras: forskare anpassar dem till specifika uppgifter (frågesvar, naturlig språkinferens) och använder språkmodeller för att generera utökade testdata. År 2022 presenterades nya benchmark som BBQ (Bias Benchmark for Question Answering) samt ytterligare utvärderingar inom det storskaliga BIG-bench-projektet^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-AIIndex2023-1)}. Man skiljer mellan två typer av metriker: **benchmark** (stationära märkta datamängder som utvärderar modellens interna partiskhet — StereoSet, Winogender) och **diagnostiska metriker** (som mäter skillnader i modellprestanda för olika demografiska grupper vid verklig tillämpning). Båda metoderna kompletterar varandra^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-AIIndex2023-1)}. ### Skalans inverkan på partiskhet Forskning från 2022 visade att effekten av ökad modellskala på partiskhet och toxicitet är tvetydig och beror på träningsdata och tillämpade metoder för att minska partiskhet^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-AIIndex2023-1)}. ### AI-incidenter Enligt AIAAIC-databasen har antalet incidenter och kontroversiella situationer kopplade till etiskt missbruk av AI ökat 26 gånger sedan 2012. Ökningen drivs av såväl en breddad tillämpning av AI som en ökad medvetenhet om riskerna^{[\[4\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-AIAAIC2023-4)}. ## Kapitel 4. Ekonomi Kapitlet undersöker trender inom sysselsättning, investeringar, företagsimplementering av AI och robotteknik^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-AIIndex2023-1)}. ### Arbetsmarknaden Andelen AI-relaterade lediga tjänster i USA ökade i genomsnitt från 1,7 % år 2021 till 1,9 % år 2022 i nästan alla branscher. Ökad efterfrågan observeras inom teknik, finans, tillverkning, hälso- och sjukvård och andra sektorer^{[\[16\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-Lightcast2022-16)}. **Migration till industrin.** En allt större andel av nya innehavare av doktorsexamen inom AI väljer att arbeta inom industrin: år 2021 gick 65,4 % till industrin (mot 40,9 % år 2011), och endast 28,2 % till akademin (mot 41,6 % år 2011). Andelen doktorer som arbetar inom den offentliga sektorn förblir stabilt låg — 0,7 %^{[\[17\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-CRA2022-17)}. ### Investeringar **Allmänna trender.** Globala privata investeringar i AI uppgick till 91,9 miljarder dollar — en minskning med 26,7 % jämfört med 2021. Antalet investeringshändelser minskade till 3 538 (en nedgång med 12 % jämfört med 2021). Antalet nyfinansierade AI-företag minskade till 1 392 (från 1 669 år 2021). Investeringsvolymen är dock 18 gånger högre än 2013 års nivå^{[\[5\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-Quid2023-5)}. **Regional fördelning.** USA leder med investeringar på 47,4 miljarder dollar — 3,5 gånger mer än Kina (13,4 miljarder) och 11 gånger mer än Storbritannien (4,4 miljarder). Investeringarna i USA minskade med 35,5 %, i Kina med 41,3 %. Sammantaget investerades under 2013–2022 248,9 miljarder i USA, 95,1 miljarder i Kina och 18,2 miljarder i Storbritannien^{[\[5\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-Quid2023-5)}. **Fokusområden.** De mest attraktiva för investerare var: medicin och hälso- och sjukvård (6,1 miljarder dollar), datahantering, databehandling och molntjänster (5,9 miljarder), fintech (5,5 miljarder), cybersäkerhet (5,4 miljarder) och detaljhandel (4,2 miljarder). De flesta fokusområden registrerade minskade investeringar jämfört med 2021^{[\[5\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-Quid2023-5)}. **Största investeringshändelserna 2022:** - GAC Aion New Energy Automobile (Kina, elbilar) — 2,54 miljarder dollar; - Anduril Industries (USA, försvarsteknik) — 1,5 miljarder; - Celonis (Tyskland, affärsanalys) — 1,22 miljarder^{[\[5\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-Quid2023-5)}. ### Företagsimplementering Enligt McKinsey har andelen företag som använder AI mer än fördubblats sedan 2017 och stabiliserats på 50–60 %. Organisationer som har infört AI rapporterar om verkliga kostnadsminskningar och ökade intäkter^{[\[6\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-McKinsey2023-6)}. **Earnings calls.** Under räkenskapsåret 2022 nämnde 268 Fortune 500-företag AI i sina resultatrapporter (en minskning från 306 år 2021, men en ökning från 225 år 2018)^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-AIIndex2023-1)}. **Utmaningar.** De viktigaste problemen vid lansering av AI-projekt: att bevisa affärsvärdet (37 %), brist på ledningens engagemang (34 %), att välja rätt AI-teknik (33 %). De viktigaste hindren för uppskalning: hantering av AI-risker (50 %), anskaffning av träningsdata (44 %), teknologiimplementering (42 %)^{[\[18\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-Deloitte2022-18)}. ### Robotteknik År 2021 installerades 517 000 industrirobotar — en ökning med 31,3 % jämfört med 2020 och mer än tre gånger fler än 2011. Den operativa parken av industrirobotar nådde 3 477 000 enheter (en ökning med 14,6 %)^{[\[19\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-IFR2022-19)}. **Kinas dominans.** År 2021 installerade Kina 268 200 industrirobotar — 5,7 gånger fler än Japan (47 200) och 7,7 gånger fler än USA (35 000). Sedan 2013, då Kina gick om Japan, har dess andel ökat från 20,8 % till 51,8 % av världens installationer. År 2021 installerade Kina för första gången fler industrirobotar än resten av världen sammantaget^{[\[19\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-IFR2022-19)}. ## Kapitel 5. Utbildning Kapitlet behandlar trender inom utbildning i datavetenskap och AI^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-AIIndex2023-1)}. ### Högre utbildning **Kandidatnivå.** Antalet kandidatexaminerade i datavetenskap (CS) i Nordamerika fortsätter att öka^{[\[17\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-CRA2022-17)}. **Forskarutbildning.** År 2021 examinerades 1 893 doktorer i datavetenskap — färre än år 2020 (1 997). Andelen internationella studenter bland CS-doktorer ökade från 45,8 % år 2010 till 68,6 % år 2021^{[\[17\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-CRA2022-17)}. **AI-specialisering.** År 2021 specialiserade sig 19,1 % av nya CS-doktorander i Nordamerika på AI — en ökning med 4,2 procentenheter jämfört med 2020 och med 8,6 procentenheter sedan 2012^{[\[17\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-CRA2022-17)}. ## Kapitel 6. Politik och styrning Kapitlet analyserar lagstiftnings- och regleringsaktivitet inom AI på global, amerikansk och regional nivå^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-AIIndex2023-1)}. ### Globala trender Antalet lagförslag som innehåller termen "artificiell intelligens" och som antagits som lagar ökade från 1 år 2016 till 37 år 2022 (analys av 127 länder). Omnämnanden av AI i parlamentsdebatter i 81 länder ökade med nästan 6,5 gånger sedan 2016, även om 2022 visade en liten minskning jämfört med 2021 (från 1 547 till 1 340 omnämnanden)^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-AIIndex2023-1)}. År 2022 var ledarna i antalet omnämnanden av AI i parlamentssessioner: Spanien (273), Kanada (211), Storbritannien (146), USA (138)^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-AIIndex2023-1)}. ### Reglering i USA På federal nivå föreslogs 88 AI-relaterade lagförslag år 2022, varav 9 antogs (en ökning från 3 under tidigare år). På delstatsnivå leder Kalifornien (5 antagna lagar) och Maryland (3)^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-AIIndex2023-1)}. ### Nationella strategier Ett antal länder antog ny lagstiftning som täcker ett brett spektrum av frågor: utbildning av personal i AI-färdigheter, kontroll av AI-användning inom rättsväsendet, ökad transparens i algoritmiskt beslutsfattande^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-AIIndex2023-1)}. ## Kapitel 7. Mångfald Kvinnor och minoriteter är fortfarande kraftigt underrepresenterade inom AI, såväl i industrin som i akademin. Data från CRA Taulbee Survey och andra källor registrerar en långsam men stadig framsteg i att öka mångfalden^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-AIIndex2023-1)}. ## Kapitel 8. Allmänhetens åsikter Rapportens nya kapitel analyserar allmänhetens uppfattning om AI baserat på internationella undersökningar och analys av sociala medier^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-AIIndex2023-1)}. ### Globala undersökningar (IPSOS) Enligt IPSOS undersökning 2022 (19 504 respondenter i 28 länder)^{[\[7\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-IPSOS2022-7)}: - 60 % av respondenterna anser att AI-produkter kommer att förändra deras liv avsevärt under de kommande 3–5 åren; - 60 % anser att AI-produkter gör deras liv enklare; - 52 % instämmer i att AI-produkter ger mer nytta än skada; - 40 % noterar att AI-produkter gör dem nervösa. **Regionala skillnader.** De mest positiva till AI är medborgare i Kina (78 % instämmer i AI:s nytta), Saudiarabien (76 %) och Indien (71 %). Minst positiva är Frankrike (31 %), Kanada (32 %), USA (35 %)^{[\[7\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-IPSOS2022-7)}. **Demografiska skillnader.** Män bedömer AI-produkter mer positivt än kvinnor i alla dimensioner. Hushåll med högre inkomst och högre utbildningsnivå är också mer optimistiska^{[\[7\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-IPSOS2022-7)}. ### Lloyd's Register Foundation och Gallup-undersökning En global undersökning av 125 911 personer i 121 länder (2021) visade att 39 % anser att AI i allmänhet är nyttigt för landet, 28 % att det är skadligt. Män är mer benägna att anse AI vara nyttigt än kvinnor^{[\[20\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-LRF2022-20)}. **Självkörande bilar.** Endast 27 % av respondenterna globalt känner sig trygga i en självkörande bil. Enligt Pew Research anser bara 26 % av amerikanerna att självkörande personbilar är en bra idé för samhället^{[\[21\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-Pew2022-21)}. ### Pew Research-undersökning (USA) Bland amerikaner som känner entusiasm inför AI är de främsta skälen — potential att förbättra livet och samhället (31 %) och tidsbesparing (13 %). Bland de oroliga — jobbförluster (19 %), övervakning och digital integritet (16 %), förlust av mänskliga kontakter (12 %)^{[\[21\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-Pew2022-21)}. ### NLP-forskares åsikter Enligt en undersökning bland NLP-forskare: 77 % instämmer eller instämmer delvis i att privata AI-företag har ett alltför stort inflytande; 41 % anser att NLP bör regleras; 73 % tror att AI snart kan leda till revolutionära samhällsförändringar^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-AIIndex2023-1)}. ### Analys av sociala medier NetBase Quid genomförde en analys av mer än 7 miljoner inlägg på sociala medier under 2022. Modellerna ChatGPT och Stable Diffusion väckte störst uppmärksamhet. De viktigaste diskussionsämnena var etiska frågor, kulturell och ekonomisk påverkan av AI^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-AIIndex2023-1)}. ## Metodik Rapporten använder data från ett stort antal källor^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-AIIndex2023-1)}: - **Publikationer och patent:** Center for Security and Emerging Technology (CSET), Georgetown University; data från Epoch. - **Benchmark:** Papers With Code, CRFM (HELM), BIG-bench, specialiserade rankningslistor. - **Investeringar:** NetBase Quid (Capital IQ, Crunchbase). - **Arbetsmarknad:** Lightcast, LinkedIn. - **Företagsaktivitet:** McKinsey & Company, Deloitte, NetBase Quid (earnings calls). - **Robotteknik:** International Federation of Robotics (IFR). - **Reglering:** lagstiftningsdatabaser från 127 länder, parlamentariskt material från 81 länder. - **Allmänhetens åsikter:** IPSOS, Lloyd's Register Foundation / Gallup, Pew Research Center, NetBase Quid (sociala medier). - **Utbildning:** CRA Taulbee Survey, Code.org. - **Miljöpåverkan:** Luccioni et al. (2022), GPU-data — Epoch. ## Författargrupp Rapporten har tagits fram under ledning av medordförande **Ray Perrault** (Raymond Perrault, SRI International) och **Jack Clark** (Jack Clark, Anthropic / OECD). Forskningsledare och chefredaktör var **Nestor Maslej** (Nestor Maslej, Stanford University). I framtagandet av rapporten deltog Erik Brynjolfsson, John Etchemendy, Katrina Ligett, Terah Lyons, James Manyika, Helen Ngo, Juan Carlos Niebles, Vanessa Parli, Yoav Shoham (grundare av AI Index), Russell Wald samt en bred krets av forskare och partnerorganisationer. AI Index är ett projekt vid Stanfords HAI-institut (Human-Centered Artificial Intelligence)^{[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_note-AIIndex2023-1)}. ## Hänvisningar - Stanford HAI — AI Index Report 2023 (fulltext): https://aiindex.stanford.edu/report/ - Epoch — data om beräkningstrender och betydelsefulla modeller: https://epochai.org/ - Papers With Code — benchmark och rankningslistor: https://paperswithcode.com/ - CRFM HELM — Holistic Evaluation of Language Models: https://crfm.stanford.edu/helm/ - AIAAIC Repository — databas över etiska AI-missbruksincidenter: 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 — data om investeringar och sociala medier: https://quid.com/ - IPSOS — global undersökning om inställning till AI: https://www.ipsos.com/ - Pew Research Center — opinionsundersökningar: https://www.pewresearch.org/ - CRA Taulbee Survey — utbildningsdata inom CS: https://cra.org/resources/taulbee-survey/ - Global AI Vibrancy Tool (Stanford HAI): https://aiindex.stanford.edu/vibrancy/ ## Litteratur - 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. ## Noter 1. ↑ ^{[1.00](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_ref-AIIndex2023_1-0)} ^{[1.01](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_ref-AIIndex2023_1-1)} ^{[1.02](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_ref-AIIndex2023_1-2)} ^{[1.03](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_ref-AIIndex2023_1-3)} ^{[1.04](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_ref-AIIndex2023_1-4)} ^{[1.05](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_ref-AIIndex2023_1-5)} ^{[1.06](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_ref-AIIndex2023_1-6)} ^{[1.07](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_ref-AIIndex2023_1-7)} ^{[1.08](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_ref-AIIndex2023_1-8)} ^{[1.09](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_ref-AIIndex2023_1-9)} ^{[1.10](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_ref-AIIndex2023_1-10)} ^{[1.11](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_ref-AIIndex2023_1-11)} ^{[1.12](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_ref-AIIndex2023_1-12)} ^{[1.13](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_ref-AIIndex2023_1-13)} ^{[1.14](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_ref-AIIndex2023_1-14)} ^{[1.15](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_ref-AIIndex2023_1-15)} ^{[1.16](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_ref-AIIndex2023_1-16)} ^{[1.17](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_ref-AIIndex2023_1-17)} ^{[1.18](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_ref-AIIndex2023_1-18)} ^{[1.19](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_ref-AIIndex2023_1-19)} ^{[1.20](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_ref-AIIndex2023_1-20)} ^{[1.21](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_ref-AIIndex2023_1-21)} ^{[1.22](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_ref-AIIndex2023_1-22)} ^{[1.23](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_ref-AIIndex2023_1-23)} ^{[1.24](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_ref-AIIndex2023_1-24)} ^{[1.25](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_ref-AIIndex2023_1-25)} ^{[1.26](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_ref-AIIndex2023_1-26)} ^{[1.27](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_ref-AIIndex2023_1-27)} ^{[1.28](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_ref-AIIndex2023_1-28)} ^{[1.29](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_ref-AIIndex2023_1-29)} ^{[1.30](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_ref-AIIndex2023_1-30)} ^{[1.31](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_ref-AIIndex2023_1-31)} ^{[1.32](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_ref-AIIndex2023_1-32)} ^{[1.33](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_ref-AIIndex2023_1-33)} ^{[1.34](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_ref-AIIndex2023_1-34)} ^{[1.35](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_ref-AIIndex2023_1-35)} ^{[1.36](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_ref-AIIndex2023_1-36)} ^{[1.37](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#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_(SV)#cite_ref-Luccioni2022_2-0)} ^{[2.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_ref-Luccioni2022_2-1)} ^{[2.2](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#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_(SV)#cite_ref-BCOOLER2022_3-0)} ^{[3.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#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_(SV)#cite_ref-AIAAIC2023_4-0)} ^{[4.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#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_(SV)#cite_ref-Quid2023_5-0)} ^{[5.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_ref-Quid2023_5-1)} ^{[5.2](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_ref-Quid2023_5-2)} ^{[5.3](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_ref-Quid2023_5-3)} ^{[5.4](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#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_(SV)#cite_ref-McKinsey2023_6-0)} ^{[6.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#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_(SV)#cite_ref-IPSOS2022_7-0)} ^{[7.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_ref-IPSOS2022_7-1)} ^{[7.2](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_ref-IPSOS2022_7-2)} ^{[7.3](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#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_(SV)#cite_ref-CSET2022_8-0)} ^{[8.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#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_(SV)#cite_ref-Epoch2022_9-0)} ^{[9.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_ref-Epoch2022_9-1)} ^{[9.2](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#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_(SV)#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_(SV)#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_(SV)#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_(SV)#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_(SV)#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_(SV)#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_(SV)#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_(SV)#cite_ref-CRA2022_17-0)} ^{[17.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_ref-CRA2022_17-1)} ^{[17.2](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_ref-CRA2022_17-2)} ^{[17.3](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#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_(SV)#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_(SV)#cite_ref-IFR2022_19-0)} ^{[19.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#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_(SV)#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_(SV)#cite_ref-Pew2022_21-0)} ^{[21.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(SV)#cite_ref-Pew2022_21-1)} Pew Research Center (2022). *Public Views on AI*. https://www.pewresearch.org/