--- title: "The 2023 AI Index Report (TH)" source: "https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)" wiki: "systems-analysis.info/int" article: "The_2023_AI_Index_Report_(TH)" language: "th" categories: - "Category:Large language models" - "Category:Machine learning" - "Category:Thai" revision_id: 8025 wiki_created_at: 2026-09-07T01:11:06Z wiki_modified_at: 2026-09-07T01:11:06Z downloaded_at: 2026-09-07T23:22:50Z --- # The 2023 AI Index Report (TH) **AI Index Report 2023** — รายงาน **AI Index** ฉบับที่หกประจำปี จัดทำโดย Stanford Institute for Human-Centered Artificial Intelligence (Stanford HAI)[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-AIIndex2023-1) รายงานปี 2023 ถือเป็นฉบับที่ครอบคลุมที่สุดนับถึงวันที่เผยแพร่ และรวมข้อมูลต้นฉบับมากกว่าฉบับก่อนหน้าใดๆ ได้แก่ บทใหม่ว่าด้วยความคิดเห็นของสาธารณชนเกี่ยวกับ AI การวิเคราะห์ประสิทธิภาพทางเทคนิคที่ขยายเพิ่มเติม การศึกษาต้นฉบับเกี่ยวกับโมเดลภาษาขนาดใหญ่และโมเดลหลายรูปแบบ แนวโน้มโดยละเอียดในกฎหมาย AI ระดับโลก และการศึกษาผลกระทบต่อสิ่งแวดล้อมของระบบ AI รายงานนี้ออกมาในช่วงที่ AI กำลังเข้าสู่ "ยุคแห่งการนำไปใช้งาน" โดยในระหว่างปี 2022 และต้นปี 2023 มีการปล่อยโมเดลขนาดใหญ่ใหม่ทุกเดือน อาทิ ChatGPT, Stable Diffusion, Whisper, DALL-E 2 ซึ่งแสดงความสามารถที่ไม่เคยมีมาก่อนในการสร้างข้อความ ภาพ และการรู้จำเสียงพูด AI Index ติดตาม จัดระบบ และแสดงข้อมูลเกี่ยวกับปัญญาประดิษฐ์ เพื่อมอบข้อมูลที่เป็นกลางและผ่านการตรวจสอบอย่างรอบคอบแก่นักนโยบาย นักวิจัย ผู้บริหาร นักข่าว และสาธารณชนทั่วไป ## โครงสร้างของรายงาน รายงานปี 2023 ประกอบด้วยแปดบทตามหัวข้อ[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-AIIndex2023-1): 1. **การวิจัยและพัฒนา (Research and Development)** — แนวโน้มในด้านสิ่งตีพิมพ์ สิทธิบัตร โมเดล Machine Learning ที่สำคัญ โมเดลภาษาขนาดใหญ่และโมเดลหลายรูปแบบ 2. **ประสิทธิภาพทางเทคนิค (Technical Performance)** — benchmark การมองเห็นด้วยคอมพิวเตอร์ โมเดลภาษา การรู้จำเสียง Reinforcement Learning ฮาร์ดแวร์ ผลกระทบต่อสิ่งแวดล้อม AI ในวิทยาศาสตร์ 3. **จริยธรรม AI เชิงเทคนิค (Technical AI Ethics)** — อคติ ความเป็นพิษ ความเป็นธรรม ความเป็นส่วนตัว ดีปเฟก 4. **เศรษฐกิจ (The Economy)** — การลงทุน ตลาดแรงงาน การนำ AI ไปใช้ในองค์กร หุ่นยนต์ 5. **การศึกษา (Education)** — การพัฒนาบุคลากร การศึกษาระดับอุดมศึกษาด้านวิทยาการคอมพิวเตอร์และ AI 6. **นโยบายและการกำกับดูแล (Policy and Governance)** — กฎหมาย การกำกับดูแล กลยุทธ์ระดับชาติ 7. **ความหลากหลาย (Diversity)** — ความหลากหลายทางเพศและเชื้อชาติในวงการ AI 8. **ความคิดเห็นของสาธารณชน (Public Opinion)** — บทใหม่: ทัศนคติของประชาชนต่อ AI จากการสำรวจระหว่างประเทศและการวิเคราะห์โซเชียลมีเดีย ## ข้อสรุปหลักของรายงาน (Top 10 Takeaways) ผู้จัดทำรายงานได้ระบุสิบประเด็นหลัก[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-AIIndex2023-1): ### 1. ภาคอุตสาหกรรมนำหน้าภาควิชาการ ก่อนปี 2014 โมเดล Machine Learning ที่สำคัญส่วนใหญ่ถูกปล่อยโดยสถาบันวิชาการ นับแต่นั้นมา ความเป็นผู้นำได้ย้ายไปอยู่ที่ภาคอุตสาหกรรม ในปี 2022 ภาคอุตสาหกรรมสร้างโมเดล Machine Learning ที่สำคัญ 32 โมเดล ในขณะที่ภาควิชาการสร้างเพียง 3 โมเดล การสร้างระบบ AI ชั้นนำต้องการข้อมูลจำนวนมหาศาล ทรัพยากรการคำนวณ และเงินทุน ซึ่งองค์กรในภาคอุตสาหกรรมมีในระดับที่มากกว่าอย่างมีนัยสำคัญ[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-AIIndex2023-1) ### 2. การอิ่มตัวของ benchmark แบบดั้งเดิม AI ยังคงสร้างสถิติใหม่บน benchmark อย่างต่อเนื่อง แต่การเติบโตของประสิทธิภาพจากปีต่อปีกลับลดน้อยลงเรื่อยๆ ขณะเดียวกัน ความเร็วในการอิ่มตัวของ benchmark ก็เพิ่มขึ้น อย่างไรก็ตาม ระบบการประเมินใหม่ที่ซับซ้อนกว่าได้ปรากฏขึ้น ได้แก่ BIG-bench และ HELM[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-AIIndex2023-1) ### 3. AI ช่วยและทำร้ายสิ่งแวดล้อมในเวลาเดียวกัน การวิจัยใหม่แสดงให้เห็นว่าระบบ AI มีผลกระทบต่อสิ่งแวดล้อมอย่างมีนัยสำคัญ จากข้อมูลของ Luccioni et al. (2022) การฝึก BLOOM ปล่อยก๊าซคาร์บอนไดออกไซด์มากกว่าผู้โดยสารเครื่องบินคนเดียวที่เดินทางจากนิวยอร์กไปซานฟรานซิสโกถึง 25 เท่า ในขณะเดียวกัน โมเดล Reinforcement Learning อย่าง BCOOLER (DeepMind) แสดงให้เห็นถึงความเป็นไปได้ในการใช้ AI เพื่อเพิ่มประสิทธิภาพการใช้พลังงาน[\[2\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-Luccioni2022-2)[\[3\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-BCOOLER2022-3) ### 4. นักวิทยาศาสตร์ใหม่ที่ดีที่สุด — คือ AI? โมเดล AI เริ่มเร่งความก้าวหน้าทางวิทยาศาสตร์อย่างรวดเร็ว ในปี 2022 AI ถูกนำมาใช้เพื่อช่วยในการควบคุมการหลอมรวมไฮโดรเจน การปรับอัลกอริทึมการคูณเมทริกซ์ให้เหมาะสม (AlphaTensor) และการสร้างแอนติบอดีใหม่[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-AIIndex2023-1) ### 5. จำนวนเหตุการณ์ที่เกี่ยวข้องกับการใช้ AI อย่างผิดจริยธรรมเพิ่มขึ้นอย่างรวดเร็ว จากข้อมูลฐาน AIAAIC จำนวนเหตุการณ์และสถานการณ์ที่ถกเถียงเกี่ยวกับการละเมิดจริยธรรม AI เพิ่มขึ้น 26 เท่าตั้งแต่ปี 2012 ในบรรดาเหตุการณ์ที่น่าสังเกตในปี 2022 ได้แก่ วิดีโอดีปเฟกที่แสดงภาพ "การยอมแพ้" ของประธานาธิบดียูเครน Volodymyr Zelensky และการใช้เทคโนโลยีติดตามการโทรในเรือนจำสหรัฐ[\[4\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-AIAAIC2023-4) ### 6. ความต้องการผู้เชี่ยวชาญที่มีทักษะ AI เพิ่มขึ้นในเกือบทุกอุตสาหกรรม ในเกือบทุกภาคส่วนเศรษฐกิจสหรัฐ (ยกเว้นเกษตรกรรม ป่าไม้ ประมง และการล่าสัตว์) สัดส่วนของตำแหน่งงานที่เกี่ยวข้องกับ AI เพิ่มขึ้นโดยเฉลี่ยจาก 1.7% ในปี 2021 เป็น 1.9% ในปี 2022[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-AIIndex2023-1) ### 7. การลงทุนภาคเอกชนใน AI ลดลงเป็นครั้งแรกในรอบทศวรรษ การลงทุนภาคเอกชนทั่วโลกใน AI อยู่ที่ 91.9 พันล้านดอลลาร์ในปี 2022 ลดลง 26.7% จากปี 2021 จำนวนเหตุการณ์การลงทุนและจำนวนบริษัท AI ที่ได้รับการสนับสนุนเป็นครั้งแรกก็ลดลงเช่นกัน อย่างไรก็ตาม ในช่วงทศวรรษที่ผ่านมา ปริมาณการลงทุนเพิ่มขึ้น 18 เท่าเมื่อเทียบกับปี 2013[\[5\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-Quid2023-5) ### 8. สัดส่วนบริษัทที่นำ AI ไปใช้มีเสถียรภาพ แต่ผู้นำยังคงแซงหน้าต่อไป สัดส่วนบริษัทที่ใช้ AI เพิ่มขึ้นมากกว่าสองเท่าตั้งแต่ปี 2017 แต่ในช่วงไม่กี่ปีที่ผ่านมาได้มีเสถียรภาพอยู่ที่ระดับ 50–60% ตามการสำรวจประจำปีของ McKinsey องค์กรที่นำ AI ไปใช้รายงานว่ามีการลดต้นทุนที่แท้จริงและการเติบโตของรายได้[\[6\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-McKinsey2023-6) ### 9. ความสนใจของนักนโยบายต่อ AI เพิ่มขึ้นเรื่อยๆ การวิเคราะห์เอกสารทางกฎหมายจาก 127 ประเทศแสดงให้เห็นว่าจำนวนร่างกฎหมายที่มีคำว่า "ปัญญาประดิษฐ์" และได้รับการประกาศใช้เป็นกฎหมายเพิ่มขึ้นจาก 1 ฉบับในปี 2016 เป็น 37 ฉบับในปี 2022 การกล่าวถึง AI ในการอภิปรายในรัฐสภาของ 81 ประเทศเพิ่มขึ้นเกือบ 6.5 เท่าตั้งแต่ปี 2016[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-AIIndex2023-1) ### 10. พลเมืองจีนมีทัศนคติเชิงบวกต่อ AI มากที่สุด ชาวอเมริกันน้อยกว่าอย่างเห็นได้ชัด จากการสำรวจของ IPSOS ปี 2022 ผู้ตอบแบบสอบถามชาวจีน 78% เห็นด้วยกับข้อความที่ว่าผลิตภัณฑ์และบริการที่ใช้ AI นำมาซึ่งประโยชน์มากกว่าโทษ รองลงมาคือซาอุดีอาระเบีย (76%) และอินเดีย (71%) มีเพียง 35% ของผู้ตอบแบบสอบถามชาวอเมริกันที่เห็นด้วยกับข้อความนี้ ซึ่งเป็นหนึ่งในอัตราต่ำสุดในบรรดา 28 ประเทศที่สำรวจ[\[7\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-IPSOS2022-7) ## บทที่ 1 การวิจัยและพัฒนา บทนี้วิเคราะห์แนวโน้มในด้านสิ่งตีพิมพ์ สิทธิบัตร โมเดล Machine Learning ที่สำคัญ โมเดลภาษาขนาดใหญ่และโมเดลหลายรูปแบบ การประชุม และโค้ดเปิด[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-AIIndex2023-1) ### สิ่งตีพิมพ์ จำนวนสิ่งตีพิมพ์ด้าน AI ทั้งหมดยังคงเติบโตอย่างต่อเนื่อง โดยเพิ่มขึ้นมากกว่าสองเท่าตั้งแต่ปี 2010 ทิศทางการวิจัยที่โดดเด่น ได้แก่ การรู้จำรูปแบบ (pattern recognition) Machine Learning และการมองเห็นด้วยคอมพิวเตอร์[\[8\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-CSET2022-8) **ความเป็นผู้นำระดับภูมิภาค.** จีนยังคงเป็นผู้นำในด้านจำนวนสิ่งตีพิมพ์ด้าน AI ทั้งหมดในวารสาร การประชุม และคลังข้อมูล อย่างไรก็ตาม สหรัฐยังคงเป็นผู้นำด้านจำนวนการอ้างอิงในสิ่งตีพิมพ์ของการประชุมและคลังข้อมูล แม้ว่าช่องว่างดังกล่าวจะค่อยๆ แคบลง[\[8\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-CSET2022-8) **ความร่วมมือระหว่างประเทศ.** จำนวนความร่วมมือระหว่างประเทศในสิ่งตีพิมพ์ด้าน AI ในช่วงปี 2010–2021 สูงสุดสำหรับคู่สหรัฐ–จีน โดยเพิ่มขึ้นประมาณ 4 เท่าตั้งแต่ปี 2010 และมากกว่าคู่ถัดไป (สหราชอาณาจักร–จีน) ถึง 2.5 เท่า อย่างไรก็ตาม การเติบโตของงานร่วมระหว่างสหรัฐ–จีนชะลอตัวลง โดยในช่วงปี 2020–2021 มีการเติบโตเพียง 2.1% ซึ่งเป็นอัตราต่ำสุดตลอดช่วงที่สังเกต[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-AIIndex2023-1) **คลังข้อมูล.** จำนวนสิ่งตีพิมพ์ในคลังข้อมูล AI (arXiv, SSRN และอื่นๆ) เพิ่มขึ้นเกือบ 27 เท่าในช่วง 12 ปีที่ผ่านมา อเมริกาเหนือยังคงรักษาความเป็นผู้นำในด้านสัดส่วนสิ่งตีพิมพ์ในคลังข้อมูลตั้งแต่ปี 2016[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-AIIndex2023-1) ### โมเดล Machine Learning ที่สำคัญ **การครองตลาดของภาคอุตสาหกรรม.** ในปี 2022 ภาคอุตสาหกรรมสร้างโมเดลสำคัญ 32 โมเดล เทียบกับภาควิชาการเพียง 3 โมเดล ซึ่งยืนยันแนวโน้มที่เริ่มตั้งแต่ปี 2014[\[9\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-Epoch2022-9) **ขนาดและต้นทุน.** โมเดลภาษาขนาดใหญ่มีขนาดใหญ่ขึ้นและมีต้นทุนสูงขึ้นเรื่อยๆ GPT-2 ที่เปิดตัวในปี 2019 และถือเป็นหนึ่งในโมเดลภาษาขนาดใหญ่รุ่นแรก มีพารามิเตอร์ 1.5 พันล้านตัว และมีต้นทุนการฝึกประมาณ 50,000 ดอลลาร์ PaLM (Google, 2022) มีพารามิเตอร์ 540 พันล้านตัว และมีต้นทุนประมาณ 8 ล้านดอลลาร์ ซึ่งใหญ่กว่า GPT-2 ถึง 360 เท่าและแพงกว่า 160 เท่า[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-AIIndex2023-1) **ทรัพยากรการคำนวณ.** ตั้งแต่ปี 2010 โมเดลภาษาต้องใช้ทรัพยากรการคำนวณมากที่สุดในบรรดาระบบ Machine Learning ทั้งหมด ข้อมูลจาก Epoch บันทึกการเติบโตแบบเลขชี้กำลังของการคำนวณ (FLOP) ที่ใช้ในการฝึก[\[9\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-Epoch2022-9) ### โมเดลภาษาขนาดใหญ่และโมเดลหลายรูปแบบ **สัญชาติ.** ผู้สร้างโมเดลภาษาขนาดใหญ่และโมเดลหลายรูปแบบส่วนใหญ่มาจากสถาบันในสหรัฐ (54.2% ในปี 2022) ในปี 2022 นักวิจัยจากแคนาดา เยอรมนี และอินเดียได้มีส่วนร่วมในการพัฒนาโมเดลดังกล่าวเป็นครั้งแรก[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-AIIndex2023-1) **โมเดลสำคัญแห่งปี 2022:** | โมเดล | ผู้พัฒนา | วันที่ | ความสำคัญ | |------------------|--------------------|---------------|------------------------------------------------------------------| | DALL-E 2 | OpenAI | เมษายน 2022 | ระบบสร้างภาพจากคำอธิบายข้อความ จุดเริ่มต้นของ "กระแสบูม AI เชิงสร้างสรรค์" | | PaLM (540B) | Google | เมษายน 2022 | หนึ่งในโมเดลภาษาที่ใหญ่ที่สุดในปี 2022 มีพารามิเตอร์ 540 พันล้านตัว | | Gato | DeepMind | พฤษภาคม 2022 | ตัวแทนหลายงาน: การควบคุมหุ่นยนต์ การเล่นเกม การบรรยายภาพ การสร้างข้อความ | | Imagen | Google | พฤษภาคม 2022 | โมเดล diffusion สำหรับสร้างภาพที่มีความสมจริงสูง benchmark DrawBench | | Stable Diffusion | Stability AI | สิงหาคม 2022 | โมเดลสร้างภาพแบบเปิด การแพร่กระจายในวงกว้าง | | Make-A-Video | Meta AI | กันยายน 2022 | ระบบสร้างวิดีโอจากคำอธิบายข้อความ | | Whisper | OpenAI | กันยายน 2022 | ระบบรู้จำเสียงพูดอเนกประสงค์ที่รองรับหลายภาษา | | ChatGPT | OpenAI | พฤศจิกายน 2022 | แชทบอทบน LLM ความนิยมของ AI เชิงสร้างสรรค์เติบโตอย่างไม่เคยมีมาก่อน | | GLM-130B | มหาวิทยาลัย Tsinghua | 2022 | โมเดลแบบเปิดสองภาษา (อังกฤษ/จีน) โมเดลขนาดใหญ่จีนเดียวแห่งปี 2022 | ## บทที่ 2 ประสิทธิภาพทางเทคนิค บทนี้วิเคราะห์ความก้าวหน้าในงานการมองเห็นด้วยคอมพิวเตอร์ การประมวลผลภาษา การรู้จำเสียง Reinforcement Learning ฮาร์ดแวร์ รวมถึงผลกระทบต่อสิ่งแวดล้อมของ AI และบทบาทของ AI ในวิทยาศาสตร์[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-AIIndex2023-1) ### สถานะของ benchmark AI ยังคงแสดงผลลัพธ์ในระดับหรือเกินสถิติโลกในส่วนใหญ่ของ benchmark อย่างไรก็ตาม การปรับปรุงมีแนวโน้มเป็นไปอย่างน้อยมาก ความเร็วในการอิ่มตัวของ benchmark เพิ่มขึ้น ระบบการประเมินใหม่ที่ครอบคลุมกว่า ได้แก่ BIG-bench และ HELM มีเป้าหมายเพื่อให้การประเมินที่เป็นกลางและรอบด้านมากขึ้น[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-AIIndex2023-1) ### AI เชิงสร้างสรรค์ ปี 2022 เป็นปีที่ AI เชิงสร้างสรรค์ก้าวเข้าสู่จิตสำนึกสาธารณะ มีการปล่อยโมเดลสร้างภาพจากข้อความ (DALL-E 2, Stable Diffusion) ระบบสร้างวิดีโอ (Make-A-Video) และแชทบอท (ChatGPT) ทว่าระบบเหล่านี้มีแนวโน้มที่จะ "หลอน" หรือสร้างคำตอบที่ไม่ถูกต้องหรือไม่มีความหมายด้วยความมั่นใจ ซึ่งจำกัดการใช้งานในแอปพลิเคชันที่มีความสำคัญสูง[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-AIIndex2023-1) ### โมเดลภาษา **MMLU.** benchmark Massive Multitask Language Understanding ประเมินโมเดลใน 57 สาขาวิชา ในปี 2022 โมเดลชั้นนำยังคงปรับปรุงคะแนน แต่ยังคงมีช่องว่างอย่างมีนัยสำคัญเมื่อเทียบกับระดับผู้เชี่ยวชาญมนุษย์[\[10\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-MMLU2021-10) **HELM.** benchmark Holistic Evaluation of Language Models (HELM) ของ Stanford มอบการประเมินโมเดลภาษาอย่างครอบคลุมใน 10 สถานการณ์ รวมถึงความเข้าใจข้อความ คณิตศาสตร์ การให้เหตุผลทางกฎหมาย และการวัดอคติและความเป็นพิษ[\[11\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-HELM2022-11) **การวางแผนและการให้เหตุผล.** โมเดลภาษายังคงพัฒนาความสามารถในการสร้างข้อความ แต่ประสบปัญหาอย่างมากในงานการวางแผน การศึกษาของ Valmeekam et al. (2022) แสดงให้เห็นว่า GPT-3, Instruct-GPT3 และ BLOOM ทำงานได้ไม่มีประสิทธิภาพอย่างมากในงานสร้างแผน การวางแผนที่ดีที่สุด และการนำแผนกลับมาใช้ใหม่ในสภาพแวดล้อม Blocksworld[\[12\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-Valmeekam2022-12) ### การรู้จำเสียงพูด **Whisper (OpenAI).** ในปี 2022 OpenAI ได้เปิดตัว Whisper ซึ่งเป็นระบบรู้จำเสียงพูดขนาดใหญ่ที่ฝึกบนข้อมูลหลายภาษา 680,000 ชั่วโมง Whisper แสดงความก้าวหน้าอย่างมีนัยสำคัญในความแม่นยำในการรู้จำ เข้าใกล้ระดับมนุษย์ในหลาย benchmark และรองรับการแปลจากหลายสิบภาษา[\[13\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-Whisper2022-13) ### AI ทำให้ AI ดียิ่งขึ้น เกิดแนวโน้มการพัฒนาตัวเองของระบบ AI NVIDIA ใช้ตัวแทน Reinforcement Learning เพื่อปรับปรุงสถาปัตยกรรมชิปที่ขับเคลื่อนระบบ AI Google ใช้โมเดลภาษา PaLM ของตนเองเพื่อหาวิธีปรับปรุงโมเดล PaLM[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-AIIndex2023-1) ### ฮาร์ดแวร์ **แนวโน้ม GPU.** ประสิทธิภาพการคำนวณมัธยฐาน (FLOP/s) ของ GPU ใหม่เพิ่มขึ้นเกือบสามเท่าตั้งแต่ปี 2021 และเพิ่มขึ้นประมาณ 7,000 เท่าตั้งแต่ปี 2003 ประสิทธิภาพมัธยฐานต่อดอลลาร์สหรัฐ (FLOP/s per USD) ในปี 2022 สูงกว่าปี 2021 ถึง 1.4 เท่า และสูงกว่าปี 2003 ถึง 5,600 เท่า แสดงให้เห็นการเพิ่มขึ้นสองเท่าของประสิทธิภาพทุก 1.5 ปี[\[9\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-Epoch2022-9) **MLPerf.** benchmark MLPerf ยังคงบันทึกการลดลงอย่างต่อเนื่องของเวลาการฝึกโมเดลในงานมาตรฐาน สะท้อนถึงความก้าวหน้าในฮาร์ดแวร์และการปรับให้เหมาะสม[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-AIIndex2023-1) ### ผลกระทบต่อสิ่งแวดล้อม ส่วนนี้รวมอยู่ในรายงานเป็นครั้งแรก รอยเท้าคาร์บอนของโมเดล AI แตกต่างกันอย่างมีนัยสำคัญขึ้นอยู่กับโครงสร้างพื้นฐาน: | โมเดล | พารามิเตอร์ | การปล่อย CO₂ (ตัน) | PUE ของศูนย์ข้อมูล | |--------|-----------|------------------|----------------| | GPT-3 | 175 พันล้าน | 502 | 1.10 | | Gopher | 280 พันล้าน | 352 | 1.08 | | OPT | 175 พันล้าน | 70 | 1.09 | | BLOOM | 176 พันล้าน | 25 | 1.20 | GPT-3 ปล่อยก๊าซคาร์บอนไดออกไซด์มากกว่า BLOOM ถึง 20 เท่า แม้จะมีจำนวนพารามิเตอร์ใกล้เคียงกัน ปัจจัยหลักคือความเข้มข้นของคาร์บอนในโครงข่ายพลังงาน ประสิทธิภาพของศูนย์ข้อมูล (PUE) และระยะเวลาการฝึก[\[2\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-Luccioni2022-2) เพื่อเปรียบเทียบ: การฝึก BLOOM ปล่อย CO₂ มากกว่าการเดินทางด้วยเครื่องบินของผู้โดยสารคนเดียวจากนิวยอร์กไปซานฟรานซิสโกถึง 25 เท่า และมากกว่าการปล่อยก๊าซเฉลี่ยต่อปีของชาวอเมริกันถึง 1.4 เท่า พลังงานที่บริโภคไปนั้นเพียงพอที่จะจ่ายไฟฟ้าให้กับครัวเรือนชาวอเมริกันเฉลี่ยได้นาน 41 ปี[\[2\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-Luccioni2022-2) **การเพิ่มประสิทธิภาพการใช้พลังงาน.** ระบบ BCOOLER (DeepMind) — ตัวแทน Reinforcement Learning สำหรับการเพิ่มประสิทธิภาพการระบายความร้อนในศูนย์ข้อมูลของ Google — ประหยัดพลังงานได้ประมาณ 12.7% ในระหว่างการทดลองสามเดือน ในขณะที่รักษาสภาวะที่เหมาะสม[\[3\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-BCOOLER2022-3) ### AI ในวิทยาศาสตร์ (2022) **การควบคุมพลาสม่าใน tokamak.** DeepMind พัฒนาอัลกอริทึม Reinforcement Learning สำหรับการควบคุมพลาสม่าอย่างเหมาะสมที่สุดใน tokamak ซึ่งเป็นความสำเร็จสำคัญบนเส้นทางสู่การหลอมรวมนิวเคลียร์[\[14\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-Degrave2022-14) **AlphaTensor.** DeepMind ใช้ Reinforcement Learning เพื่อค้นพบอัลกอริทึมการคูณเมทริกซ์ที่เหนือกว่าโซลูชันที่มีอยู่ รวมถึงอัลกอริทึมคลาสสิกของ Strassen สำหรับเมทริกซ์ 4×4[\[15\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-AlphaTensor2022-15) **AlphaCode.** ระบบของ DeepMind ที่เขียนโปรแกรมคอมพิวเตอร์ในระดับการแข่งขัน บรรลุอันดับใน 54% บนสุดของผู้เข้าแข่งขันในการแข่งขันเขียนโปรแกรม[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-AIIndex2023-1) **การสร้างแอนติบอดี.** AI เชิงสร้างสรรค์ถูกนำมาใช้สำหรับการออกแบบ de novo ของแอนติบอดี เปิดโอกาสใหม่สำหรับเภสัชกรรมชีวภาพ[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-AIIndex2023-1) ## บทที่ 3 จริยธรรม AI เชิงเทคนิค บทนี้ครอบคลุมมิติสำคัญของจริยธรรม AI: อคติ ความเป็นพิษ ความเป็นธรรม และเหตุการณ์ต่างๆ[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-AIIndex2023-1) ### เมตริกความเป็นธรรมและอคติ ในปี 2022 มีการเติบโตอย่างต่อเนื่องของจำนวนเมตริกและ benchmark สำหรับประเมินความเป็นธรรมและอคติในระบบ AI เมตริกได้รับการขยายและปรับปรุง นักวิจัยปรับให้เข้ากับงานเฉพาะ (การตอบคำถาม การอนุมานภาษาธรรมชาติ) และใช้โมเดลภาษาเพื่อสร้างข้อมูลทดสอบที่ขยาย ในปี 2022 มีการนำเสนอ benchmark ใหม่ เช่น BBQ (Bias Benchmark for Question Answering) รวมถึงการประเมินเพิ่มเติมภายใต้โครงการขนาดใหญ่ BIG-bench[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-AIIndex2023-1) มีการแยกประเภทเมตริกออกเป็นสองประเภท: **benchmark** (ชุดข้อมูลที่มีป้ายกำกับแบบคงที่สำหรับประเมินอคติภายในของโมเดล เช่น StereoSet, Winogender) และ **เมตริกวินิจฉัย** (วัดความแตกต่างของประสิทธิภาพโมเดลสำหรับกลุ่มประชากรต่างๆ ในการใช้งานจริง) ทั้งสองแนวทางเสริมซึ่งกันและกัน[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-AIIndex2023-1) ### ผลของขนาดต่ออคติ การวิจัยในปี 2022 แสดงให้เห็นว่าผลของการเพิ่มขนาดโมเดลต่ออคติและความเป็นพิษนั้นไม่ชัดเจน และขึ้นอยู่กับข้อมูลการฝึกและวิธีการลดอคติที่ใช้[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-AIIndex2023-1) ### เหตุการณ์ในวงการ AI จากข้อมูลฐาน AIAAIC จำนวนเหตุการณ์และสถานการณ์ที่ถกเถียงเกี่ยวกับการละเมิดจริยธรรม AI เพิ่มขึ้น 26 เท่าตั้งแต่ปี 2012 การเติบโตเกิดจากทั้งการขยายตัวของการใช้ AI และการตระหนักรู้ถึงความเสี่ยงที่เพิ่มขึ้น[\[4\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-AIAAIC2023-4) ## บทที่ 4 เศรษฐกิจ บทนี้ศึกษาแนวโน้มในด้านการจ้างงาน การลงทุน การนำ AI ไปใช้ในองค์กร และหุ่นยนต์[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-AIIndex2023-1) ### ตลาดแรงงาน สัดส่วนตำแหน่งงานที่เกี่ยวข้องกับ AI ในสหรัฐเพิ่มขึ้นโดยเฉลี่ยจาก 1.7% ในปี 2021 เป็น 1.9% ในปี 2022 ในเกือบทุกอุตสาหกรรม ความต้องการเพิ่มขึ้นในภาคเทคโนโลยี การเงิน การผลิต การดูแลสุขภาพ และภาคส่วนอื่นๆ[\[16\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-Lightcast2022-16) **การย้ายสู่ภาคอุตสาหกรรม.** ผู้ได้รับปริญญาเอกใหม่ด้าน AI ในสัดส่วนที่มากขึ้นเลือกทำงานในภาคอุตสาหกรรม ในปี 2021 มี 65.4% ที่เข้าสู่ภาคอุตสาหกรรม (เทียบกับ 40.9% ในปี 2011) และเพียง 28.2% เท่านั้นที่เข้าสู่ภาควิชาการ (เทียบกับ 41.6% ในปี 2011) สัดส่วน PhD ที่ทำงานในภาครัฐยังคงต่ำอย่างต่อเนื่องที่ 0.7%[\[17\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-CRA2022-17) ### การลงทุน **แนวโน้มโดยรวม.** การลงทุนภาคเอกชนทั่วโลกใน AI อยู่ที่ 91.9 พันล้านดอลลาร์ ลดลง 26.7% เมื่อเทียบกับปี 2021 จำนวนเหตุการณ์การลงทุนลดลงเหลือ 3,538 ครั้ง (ลดลง 12% เทียบกับปี 2021) จำนวนบริษัท AI ที่ได้รับการสนับสนุนเป็นครั้งแรกลดลงเหลือ 1,392 บริษัท (จาก 1,669 ในปี 2021) อย่างไรก็ตาม ปริมาณการลงทุนสูงกว่าระดับปี 2013 ถึง 18 เท่า[\[5\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-Quid2023-5) **การกระจายตามภูมิภาค.** สหรัฐเป็นผู้นำด้วยการลงทุน 47.4 พันล้านดอลลาร์ ซึ่งมากกว่าจีน (13.4 พันล้าน) ถึง 3.5 เท่า และมากกว่าสหราชอาณาจักร (4.4 พันล้าน) ถึง 11 เท่า โดยการลงทุนในสหรัฐลดลง 35.5% และในจีนลดลง 41.3% ในช่วงปี 2013–2022 รวมกันแล้วสหรัฐได้รับการลงทุน 248.9 พันล้าน จีน 95.1 พันล้าน และสหราชอาณาจักร 18.2 พันล้านดอลลาร์[\[5\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-Quid2023-5) **สาขาที่น่าสนใจ.** สาขาที่น่าดึงดูดที่สุดสำหรับนักลงทุน ได้แก่ การแพทย์และการดูแลสุขภาพ (6.1 พันล้านดอลลาร์) การจัดการข้อมูล การประมวลผล และเทคโนโลยีคลาวด์ (5.9 พันล้าน) FinTech (5.5 พันล้าน) การรักษาความปลอดภัยทางไซเบอร์ (5.4 พันล้าน) และค้าปลีก (4.2 พันล้าน) สาขาส่วนใหญ่บันทึกการลดลงของการลงทุนเมื่อเทียบกับปี 2021[\[5\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-Quid2023-5) **เหตุการณ์การลงทุนที่ใหญ่ที่สุดในปี 2022:** - GAC Aion New Energy Automobile (จีน, รถยนต์ไฟฟ้า) — 2.54 พันล้านดอลลาร์ - Anduril Industries (สหรัฐ, เทคโนโลยีป้องกัน) — 1.5 พันล้าน - Celonis (เยอรมนี, การวิเคราะห์ธุรกิจ) — 1.22 พันล้าน[\[5\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-Quid2023-5) ### การนำ AI ไปใช้ในองค์กร จากข้อมูลของ McKinsey สัดส่วนบริษัทที่ใช้ AI เพิ่มขึ้นมากกว่าสองเท่าตั้งแต่ปี 2017 โดยมีเสถียรภาพที่ระดับ 50–60% องค์กรที่นำ AI ไปใช้รายงานว่ามีการลดต้นทุนที่แท้จริงและการเติบโตของรายได้[\[6\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-McKinsey2023-6) **Earnings calls.** ในปีงบประมาณ 2022 บริษัท Fortune 500 จำนวน 268 แห่งกล่าวถึง AI ในรายงานผลกำไร (ลดลงจาก 306 ในปี 2021 แต่เพิ่มขึ้นจาก 225 ในปี 2018)[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-AIIndex2023-1) **ความท้าทาย.** ปัญหาหลักในการเปิดตัวโครงการ AI: การพิสูจน์คุณค่าทางธุรกิจ (37%) ขาดความมุ่งมั่นของผู้บริหาร (34%) การเลือกเทคโนโลยี AI ที่เหมาะสม (33%) อุปสรรคหลักในการขยายขนาด: การจัดการความเสี่ยง AI (50%) การได้รับข้อมูลสำหรับการฝึก (44%) การนำเทคโนโลยีไปใช้ (42%)[\[18\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-Deloitte2022-18) ### หุ่นยนต์ ในปี 2021 มีการติดตั้งหุ่นยนต์อุตสาหกรรม 517,000 ตัว เพิ่มขึ้น 31.3% เมื่อเทียบกับปี 2020 และมากกว่า 3 เท่าตั้งแต่ปี 2011 ปริมาณหุ่นยนต์อุตสาหกรรมที่ใช้งานอยู่สูงถึง 3,477,000 ตัว (เพิ่มขึ้น 14.6%)[\[19\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-IFR2022-19) **การครองตลาดของจีน.** ในปี 2021 จีนติดตั้งหุ่นยนต์อุตสาหกรรม 268,200 ตัว มากกว่าญี่ปุ่น (47,200) ถึง 5.7 เท่าและมากกว่าสหรัฐ (35,000) ถึง 7.7 เท่า ตั้งแต่ปี 2013 ที่จีนแซงหน้าญี่ปุ่น ส่วนแบ่งของจีนเพิ่มขึ้นจาก 20.8% เป็น 51.8% ของการติดตั้งทั่วโลก ในปี 2021 จีนติดตั้งหุ่นยนต์อุตสาหกรรมมากกว่าที่เหลือของโลกรวมกันเป็นครั้งแรก[\[19\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-IFR2022-19) ## บทที่ 5 การศึกษา บทนี้พิจารณาแนวโน้มในการศึกษาด้านวิทยาการคอมพิวเตอร์และ AI[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-AIIndex2023-1) ### การศึกษาระดับอุดมศึกษา **ปริญญาตรี.** จำนวนบัณฑิตปริญญาตรีด้านวิทยาการคอมพิวเตอร์ (CS) ในอเมริกาเหนือยังคงเพิ่มขึ้นอย่างต่อเนื่อง[\[17\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-CRA2022-17) **ปริญญาเอก.** ในปี 2021 มีผู้ได้รับปริญญาเอกด้านวิทยาการคอมพิวเตอร์ 1,893 คน ลดลงจากปี 2020 (1,997 คน) สัดส่วนนักศึกษาต่างชาติในหมู่ผู้รับปริญญาเอก CS เพิ่มขึ้นจาก 45.8% ในปี 2010 เป็น 68.6% ในปี 2021[\[17\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-CRA2022-17) **ความเชี่ยวชาญด้าน AI.** ในปี 2021 มี 19.1% ของนักศึกษาปริญญาเอก CS ใหม่ในอเมริกาเหนือที่เชี่ยวชาญด้าน AI เพิ่มขึ้น 4.2 จุดเมื่อเทียบกับปี 2020 และ 8.6 จุดตั้งแต่ปี 2012[\[17\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-CRA2022-17) ## บทที่ 6 นโยบายและการกำกับดูแล บทนี้วิเคราะห์กิจกรรมทางกฎหมายและการกำกับดูแลในด้าน AI ทั้งในระดับโลก สหรัฐ และระดับภูมิภาค[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-AIIndex2023-1) ### แนวโน้มระดับโลก จำนวนร่างกฎหมายที่มีคำว่า "ปัญญาประดิษฐ์" และได้รับการประกาศใช้เป็นกฎหมายเพิ่มขึ้นจาก 1 ฉบับในปี 2016 เป็น 37 ฉบับในปี 2022 (จากการวิเคราะห์ 127 ประเทศ) การกล่าวถึง AI ในการอภิปรายในรัฐสภาของ 81 ประเทศเพิ่มขึ้นเกือบ 6.5 เท่าตั้งแต่ปี 2016 แม้ว่าในปี 2022 จะมีการลดลงเล็กน้อยเมื่อเทียบกับปี 2021 (จาก 1,547 เป็น 1,340 ครั้ง)[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-AIIndex2023-1) ในปี 2022 ประเทศที่มีการกล่าวถึง AI ในการประชุมรัฐสภามากที่สุด ได้แก่ สเปน (273) แคนาดา (211) สหราชอาณาจักร (146) และสหรัฐ (138)[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-AIIndex2023-1) ### การกำกับดูแลในสหรัฐ ในระดับรัฐบาลกลาง ในปี 2022 มีการเสนอร่างกฎหมาย 88 ฉบับที่เกี่ยวข้องกับ AI โดย 9 ฉบับได้รับการผ่าน (เพิ่มขึ้นจาก 3 ในปีก่อนหน้า) ในระดับรัฐ แคลิฟอร์เนีย (5 กฎหมายที่ผ่าน) และแมริแลนด์ (3) เป็นผู้นำ[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-AIIndex2023-1) ### กลยุทธ์ระดับชาติ หลายประเทศได้ออกกฎหมายใหม่ที่ครอบคลุมประเด็นกว้างๆ ได้แก่ การฝึกอบรมบุคลากรด้านทักษะ AI การควบคุมการใช้ AI ในหน่วยงานบังคับใช้กฎหมาย และการเพิ่มความโปร่งใสในการตัดสินใจด้วยอัลกอริทึม[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-AIIndex2023-1) ## บทที่ 7 ความหลากหลาย ผู้หญิงและกลุ่มชนกลุ่มน้อยยังคงมีตัวแทนน้อยกว่าที่ควรอย่างมีนัยสำคัญในวงการ AI ทั้งในภาคอุตสาหกรรมและภาควิชาการ ข้อมูลจาก CRA Taulbee Survey และแหล่งอื่นๆ บันทึกความก้าวหน้าที่ช้าแต่คงที่ในการเพิ่มความหลากหลาย[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-AIIndex2023-1) ## บทที่ 8 ความคิดเห็นของสาธารณชน บทใหม่ของรายงานวิเคราะห์การรับรู้ของสาธารณชนต่อ AI จากการสำรวจระหว่างประเทศและการวิเคราะห์โซเชียลมีเดีย[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-AIIndex2023-1) ### การสำรวจระดับโลก (IPSOS) จากการสำรวจของ IPSOS ปี 2022 (ผู้ตอบแบบสอบถาม 19,504 คนใน 28 ประเทศ)[\[7\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-IPSOS2022-7): - 60% ของผู้ตอบแบบสอบถามเชื่อว่าผลิตภัณฑ์ AI จะเปลี่ยนแปลงชีวิตของพวกเขาอย่างมีนัยสำคัญในอีก 3–5 ปีข้างหน้า - 60% เชื่อว่าผลิตภัณฑ์ AI ทำให้ชีวิตของพวกเขาง่ายขึ้น - 52% เห็นด้วยว่าผลิตภัณฑ์ AI นำมาซึ่งประโยชน์มากกว่าโทษ - 40% ระบุว่าผลิตภัณฑ์ AI ทำให้พวกเขาวิตกกังวล **ความแตกต่างระดับภูมิภาค.** ประชาชนที่มีทัศนคติเชิงบวกต่อ AI มากที่สุดคือชาวจีน (78% เห็นด้วยกับประโยชน์ของ AI) ซาอุดีอาระเบีย (76%) และอินเดีย (71%) มีทัศนคติเชิงบวกน้อยที่สุดคือฝรั่งเศส (31%) แคนาดา (32%) และสหรัฐ (35%)[\[7\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-IPSOS2022-7) **ความแตกต่างทางประชากร.** ผู้ชายประเมินผลิตภัณฑ์ AI ในเชิงบวกมากกว่าผู้หญิงในทุกมิติ ครัวเรือนที่มีรายได้สูงกว่าและระดับการศึกษาสูงกว่ายังมองโลกในแง่ดีมากกว่าด้วย[\[7\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-IPSOS2022-7) ### การสำรวจของ Lloyd's Register Foundation และ Gallup การสำรวจระดับโลกกับผู้ตอบแบบสอบถาม 125,911 คนใน 121 ประเทศ (ปี 2021) แสดงให้เห็นว่า 39% เชื่อว่า AI เป็นประโยชน์ต่อประเทศโดยรวม ในขณะที่ 28% มองว่าเป็นโทษ ผู้ชายมีแนวโน้มที่จะมองว่า AI เป็นประโยชน์มากกว่าผู้หญิง[\[20\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-LRF2022-20) **รถยนต์ไร้คนขับ.** มีเพียง 27% ของผู้ตอบแบบสอบถามทั่วโลกที่รู้สึกปลอดภัยในรถยนต์ไร้คนขับ จากข้อมูลของ Pew Research มีเพียง 26% ของชาวอเมริกันที่คิดว่ารถยนต์โดยสารไร้คนขับเป็นแนวคิดที่ดีสำหรับสังคม[\[21\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-Pew2022-21) ### การสำรวจของ Pew Research (สหรัฐ) ในบรรดาชาวอเมริกันที่รู้สึกตื่นเต้นกับ AI เหตุผลหลักคือศักยภาพในการปรับปรุงชีวิตและสังคม (31%) และการประหยัดเวลา (13%) ในบรรดาผู้ที่กังวล เหตุผลหลักคือการสูญเสียงาน (19%) การสอดแนมและความเป็นส่วนตัวดิจิทัล (16%) และการสูญเสียการติดต่อระหว่างมนุษย์ (12%)[\[21\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-Pew2022-21) ### ความคิดเห็นของนักวิจัย NLP จากการสำรวจในหมู่นักวิจัย NLP: 77% เห็นด้วยหรือเห็นด้วยบางส่วนว่าบริษัท AI เอกชนมีอิทธิพลมากเกินไป 41% เชื่อว่า NLP ควรได้รับการควบคุม และ 73% คาดว่า AI อาจนำไปสู่การเปลี่ยนแปลงทางสังคมแบบปฏิวัติในเร็วๆ นี้[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-AIIndex2023-1) ### การวิเคราะห์โซเชียลมีเดีย NetBase Quid ดำเนินการวิเคราะห์โพสต์โซเชียลมีเดียกว่า 7 ล้านรายการในปี 2022 โมเดล ChatGPT และ Stable Diffusion ดึงดูดความสนใจมากที่สุด ประเด็นหลักในการอภิปรายคือปัญหาด้านจริยธรรม อิทธิพลทางวัฒนธรรมและเศรษฐกิจของ AI[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-AIIndex2023-1) ## ระเบียบวิธี รายงานใช้ข้อมูลจากหลายแหล่ง[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-AIIndex2023-1): - **สิ่งตีพิมพ์และสิทธิบัตร:** Center for Security and Emerging Technology (CSET), Georgetown University ข้อมูลจาก Epoch - **benchmark:** Papers With Code, CRFM (HELM), BIG-bench, ลีดเดอร์บอร์ดเฉพาะทาง - **การลงทุน:** NetBase Quid (Capital IQ, Crunchbase) - **ตลาดแรงงาน:** Lightcast, LinkedIn - **กิจกรรมองค์กร:** McKinsey & Company, Deloitte, NetBase Quid (earnings calls) - **หุ่นยนต์:** International Federation of Robotics (IFR) - **การกำกับดูแล:** ฐานข้อมูลกฎหมาย 127 ประเทศ เอกสารรัฐสภา 81 ประเทศ - **ความคิดเห็นของสาธารณชน:** IPSOS, Lloyd's Register Foundation / Gallup, Pew Research Center, NetBase Quid (โซเชียลมีเดีย) - **การศึกษา:** CRA Taulbee Survey, Code.org - **ผลกระทบต่อสิ่งแวดล้อม:** Luccioni et al. (2022) ข้อมูล GPU จาก Epoch ## คณะผู้จัดทำ รายงานนี้จัดทำภายใต้การนำของผู้อำนวยการร่วม **Raymond Perrault** (SRI International) และ **Jack Clark** (Anthropic / OECD) ผู้นำการวิจัยและบรรณาธิการบริหารคือ **Nestor Maslej** (Stanford University) ผู้ร่วมจัดทำรายงาน ได้แก่ Erik Brynjolfsson, John Etchemendy, Katrina Ligett, Terah Lyons, James Manyika, Helen Ngo, Juan Carlos Niebles, Vanessa Parli, Yoav Shoham (ผู้ก่อตั้ง AI Index), Russell Wald รวมถึงนักวิจัยและองค์กรพันธมิตรในวงกว้าง AI Index เป็นโครงการของ Stanford Institute for Human-Centered Artificial Intelligence (HAI)[\[1\]](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_note-AIIndex2023-1) ## ลิงก์ - Stanford HAI — AI Index Report 2023 (ฉบับเต็ม): https://aiindex.stanford.edu/report/ - Epoch — ข้อมูลแนวโน้มการคำนวณและโมเดลสำคัญ: https://epochai.org/ - Papers With Code — benchmark และลีดเดอร์บอร์ด: https://paperswithcode.com/ - CRFM HELM — Holistic Evaluation of Language Models: https://crfm.stanford.edu/helm/ - AIAAIC Repository — ฐานข้อมูลเหตุการณ์การละเมิดจริยธรรม 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 — ข้อมูลการลงทุนและโซเชียลมีเดีย: https://quid.com/ - IPSOS — การสำรวจทัศนคติต่อ AI ระดับโลก: https://www.ipsos.com/ - Pew Research Center — การสำรวจความคิดเห็นของสาธารณชน: https://www.pewresearch.org/ - CRA Taulbee Survey — ข้อมูลด้านการศึกษา CS: https://cra.org/resources/taulbee-survey/ - Global AI Vibrancy Tool (Stanford HAI): https://aiindex.stanford.edu/vibrancy/ ## เอกสารอ้างอิง - 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. ## หมายเหตุ 1. ↑ [1.00](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_ref-AIIndex2023_1-0) [1.01](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_ref-AIIndex2023_1-1) [1.02](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_ref-AIIndex2023_1-2) [1.03](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_ref-AIIndex2023_1-3) [1.04](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_ref-AIIndex2023_1-4) [1.05](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_ref-AIIndex2023_1-5) [1.06](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_ref-AIIndex2023_1-6) [1.07](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_ref-AIIndex2023_1-7) [1.08](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_ref-AIIndex2023_1-8) [1.09](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_ref-AIIndex2023_1-9) [1.10](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_ref-AIIndex2023_1-10) [1.11](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_ref-AIIndex2023_1-11) [1.12](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_ref-AIIndex2023_1-12) [1.13](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_ref-AIIndex2023_1-13) [1.14](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_ref-AIIndex2023_1-14) [1.15](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_ref-AIIndex2023_1-15) [1.16](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_ref-AIIndex2023_1-16) [1.17](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_ref-AIIndex2023_1-17) [1.18](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_ref-AIIndex2023_1-18) [1.19](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_ref-AIIndex2023_1-19) [1.20](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_ref-AIIndex2023_1-20) [1.21](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_ref-AIIndex2023_1-21) [1.22](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_ref-AIIndex2023_1-22) [1.23](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_ref-AIIndex2023_1-23) [1.24](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_ref-AIIndex2023_1-24) [1.25](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_ref-AIIndex2023_1-25) [1.26](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_ref-AIIndex2023_1-26) [1.27](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_ref-AIIndex2023_1-27) [1.28](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_ref-AIIndex2023_1-28) [1.29](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_ref-AIIndex2023_1-29) [1.30](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_ref-AIIndex2023_1-30) [1.31](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_ref-AIIndex2023_1-31) [1.32](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_ref-AIIndex2023_1-32) [1.33](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_ref-AIIndex2023_1-33) [1.34](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_ref-AIIndex2023_1-34) [1.35](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_ref-AIIndex2023_1-35) [1.36](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_ref-AIIndex2023_1-36) [1.37](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#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_(TH)#cite_ref-Luccioni2022_2-0) [2.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_ref-Luccioni2022_2-1) [2.2](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#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_(TH)#cite_ref-BCOOLER2022_3-0) [3.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#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_(TH)#cite_ref-AIAAIC2023_4-0) [4.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#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_(TH)#cite_ref-Quid2023_5-0) [5.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_ref-Quid2023_5-1) [5.2](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_ref-Quid2023_5-2) [5.3](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_ref-Quid2023_5-3) [5.4](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#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_(TH)#cite_ref-McKinsey2023_6-0) [6.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#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_(TH)#cite_ref-IPSOS2022_7-0) [7.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_ref-IPSOS2022_7-1) [7.2](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_ref-IPSOS2022_7-2) [7.3](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#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_(TH)#cite_ref-CSET2022_8-0) [8.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#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_(TH)#cite_ref-Epoch2022_9-0) [9.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_ref-Epoch2022_9-1) [9.2](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#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_(TH)#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_(TH)#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_(TH)#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_(TH)#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_(TH)#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_(TH)#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_(TH)#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_(TH)#cite_ref-CRA2022_17-0) [17.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_ref-CRA2022_17-1) [17.2](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_ref-CRA2022_17-2) [17.3](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#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_(TH)#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_(TH)#cite_ref-IFR2022_19-0) [19.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#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_(TH)#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_(TH)#cite_ref-Pew2022_21-0) [21.1](https://systems-analysis.info/int/The_2023_AI_Index_Report_(TH)#cite_ref-Pew2022_21-1) Pew Research Center (2022). *Public Views on AI*. https://www.pewresearch.org/