--- title: "The 2024 AI Index Report (HU)" source: "https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)" wiki: "systems-analysis.info/int" article: "The_2024_AI_Index_Report_(HU)" language: "hu" categories: - "Category:Hungarian" - "Category:Large language models" - "Category:Machine learning" revision_id: 8037 wiki_created_at: 2026-09-07T01:11:22Z wiki_modified_at: 2026-09-07T01:11:22Z downloaded_at: 2026-09-07T23:22:58Z --- # The 2024 AI Index Report (HU) **AI Index Report 2024** — az **AI Index** hetedik éves kiadása, amelyet a Stanford Humánközpontú Mesterséges Intelligencia Intézete (Stanford HAI) készített^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-AIIndex2024-1)}. A 2024-es jelentés a kiadvány eddigi történetének legátfogóbb kiadása, és abban a pillanatban jelenik meg, amikor az MI társadalomra gyakorolt hatása példátlanul szembetűnővé válik. A kiadvány tartalmaz új becsléseket a modellek tanítási költségeiről, részletes elemzést a felelős MI-ről, és először tartalmaz önálló fejezetet az MI tudományra és orvostudományra gyakorolt hatásáról. A jelentés nyomon követi, rendszerezi és vizualizálja a mesterséges intelligenciával kapcsolatos adatokat, objektív és gondosan ellenőrzött információkat nyújtva politikusok, kutatók, vezetők, újságírók és a széles nyilvánosság számára. ## A jelentés szerkezete A 2024-es jelentés kilenc tematikus fejezetből áll^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-AIIndex2024-1)}: 1. **Kutatás és fejlesztés (Research and Development)** — trendek a publikációkban, szabadalmakban, alapmodellekben és nyílt projektekben. 2. **Technikai teljesítmény (Technical Performance)** — benchmark-ok, összehasonlítás az emberi szinttel, multimodalitás. 3. **Felelős MI (Responsible AI)** — incidensek, biztonság, elfogultság, adatvédelem. 4. **Gazdaság (Economy)** — befektetések, munkaerőpiac, vállalati bevezetés, robotizáció. 5. **Tudomány és orvostudomány (Science and Medicine)** — új fejezet: áttörések az MI tudományos és orvosi alkalmazásaiban. 6. **Oktatás (Education)** — szakemberképzés, oktatási programok, ChatGPT az oktatásban. 7. **Politika és irányítás (Policy and Governance)** — jogszabályok, szabályozás, nemzeti stratégiák. 8. **Sokszínűség (Diversity)** — nemi és etnikai sokszínűség az MI területén. 9. **Közvélemény (Public Opinion)** — a lakosság MI-hez való viszonya nemzetközi felmérések adatai alapján. ## A jelentés főbb megállapításai (Top 10) A jelentés szerzői tíz fő tézist emeltek ki 2024-re^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-AIIndex2024-1)}: ### 1. Az MI számos feladatban felülmúlja az embereket, de nem mindenben A mesterséges intelligencia rendszerek több benchmark-on is meghaladták az emberi szintet, köztük a képosztályozásban (ImageNet), a vizuális következtetésben (VQA) és az angol nyelv megértésében (SuperGLUE). Ugyanakkor az MI még mindig elmarad az emberektől az összetettebb feladatokban: olimpiai szintű matematikában (MATH), vizuális mindennapi következtetésben és tervezésben^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-AIIndex2024-1)}. ### 2. Az ipar dominál az élvonalbeli MI-kutatásokban 2023-ban az ipar 51 jelentős gépi tanulási modellt hozott létre, míg az akadémia csupán 15-öt. Emellett 21 modell az ipar és az akadémia együttműködéséből született — ez rekordszintű eredmény^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-AIIndex2024-1)}. ### 3. Az élvonalbeli modellek tanítási költsége meredeken emelkedik Az AI Index és az Epoch AI becslései szerint a GPT-4 tanítási költsége mintegy 78 millió dollár volt, a Google Gemini Ultráé pedig körülbelül 191 millió dollár^{[\[2\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-Epoch2023-2)}. Összehasonlításképpen: az eredeti Transformer modell tanítása 2017-ben körülbelül 900 dollárba, a RoBERTa Large-é 2019-ben pedig mintegy 160 ezer dollárba került^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-AIIndex2024-1)}. ### 4. Az USA vezet a legjelentősebb MI-modellek forrásaként 2023-ban 61 jelentős MI-modellt hoztak létre az USA szervezetei, jóval megelőzve az EU-t (21 modell) és Kínát (15 modell)^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-AIIndex2024-1)}. ### 5. Az LLM-ek felelősségi értékelésének szabványosítása komolyan elmarad Az AI Index kutatása jelentős standardizációhiányt tárt fel a felelős MI-re vonatkozó jelentési gyakorlatban. A vezető fejlesztők — az OpenAI, a Google és az Anthropic — különböző felelős MI benchmark-okon tesztelik modelljeiket, ami megnehezíti a kockázatok szisztematikus összehasonlítását^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-AIIndex2024-1)}. ### 6. A generatív MI-be irányuló befektetések rohamosan növekednek Annak ellenére, hogy a magánbefektetések összességében csökkentek az MI területén, a generatív MI finanszírozása közel nyolcszorosára nőtt 2022-höz képest, elérve a 25,2 milliárd dollárt. Nagy finanszírozási köröket hajtott végre az OpenAI, az Anthropic, a Hugging Face és az Inflection^{[\[3\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-Quid2023-3)}. ### 7. Az MI növeli a termelékenységet és a munka minőségét Számos 2023-as kutatás kimutatta, hogy az MI segít a dolgozóknak gyorsabban és magasabb minőségben elvégezni feladataikat, és csökkenti a különbséget az alacsony és magasan képzett szakemberek között. Ugyanakkor néhány tanulmány figyelmeztet arra, hogy az MI megfelelő felügyelet nélküli alkalmazása termelékenységcsökkenéshez vezethet^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-AIIndex2024-1)}. ### 8. A tudományos haladás az MI révén felgyorsul 2023-ban számos jelentős MI-alapú tudományos alkalmazás jelent meg: AlphaDev (rendezési algoritmusok felgyorsítása), GNoME (új anyagok felfedezése), GraphCast (időjárás-előrejelzés) és mások^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-AIIndex2024-1)}. ### 9. Az MI-re vonatkozó jogszabályok száma az USA-ban meredeken emelkedett 2023-ban 25 MI-hez kapcsolódó jogszabályt fogadtak el — ez 56,3%-os növekedés az előző évhez képest. Összehasonlításképpen: 2016-ban csupán egyetlen ilyen jogszabályt fogadtak el^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-AIIndex2024-1)}. ### 10. Az emberek egyre inkább tudatában vannak az MI hatásának — és egyre inkább aggódnak miatta Az Ipsos adatai szerint a válaszadók azon aránya, akik szerint az MI jelentősen befolyásolja majd életüket a következő 3–5 évben, 60%-ról 66%-ra nőtt. Emellett 52% fejez ki szorongást az MI-termékekkel és -szolgáltatásokkal kapcsolatban — ez 13 százalékpontos növekedés 2022 óta. Az USA-ban a Pew Research adatai szerint az amerikaiak 52%-a inkább aggodalmasnak, mint lelkesítőnek tartja az MI-t (2022-ben ez az arány 37% volt)^{[\[4\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-Ipsos2023-4)[\[5\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-Pew2023-5)}. ## 1. fejezet. Kutatás és fejlesztés A fejezet elemzi a publikációk, szabadalmak, élvonalbeli MI-rendszerek, alapmodellek (foundation models), konferenciák és nyílt forráskódú projektek trendjeit^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-AIIndex2024-1)}. ### Publikációk Az MI-vel kapcsolatos publikációk száma tovább növekszik: a 2010-es körülbelül 88 000-ről 2022-ben több mint 240 000-re (közel háromszoros növekedés). Az utolsó évi növekedés 1,1% volt^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-AIIndex2024-1)}. ### Szabadalmak A világban kiadott MI-szabadalmak száma meredeken emelkedett: 2021 és 2022 között 62,7%-os növekedés következett be, 2010 óta pedig több mint 31-szeresére nőtt. Kína dominálja az MI-szabadalmazást: 2022-ben a szabadalmi bejelentések 61,1%-a kínai volt, míg az USA részesedése 20,9% volt (csökkent a 2010-es 54,1%-ról)^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-AIIndex2024-1)}. ### Élvonalbeli modellek 2023-ban az ipar tovább dominált az élvonalbeli modellek létrehozásában. 149 alapmodell jelent meg — kétszer annyi, mint 2022-ben. Ezek 65,7%-a nyílt forráskódú volt (szemben a 2022-es 44,4%-kal és a 2021-es 33,3%-kal)^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-AIIndex2024-1)}. **Tanítási költségek.** Az AI Index és az Epoch AI együttműködése lehetővé tette a modellek tanítási költségeire vonatkozó pontosított becslések megszerzését. A kiadások növekedését a következő dinamika szemlélteti^{[\[2\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-Epoch2023-2)}: | Modell | Év | Becsült tanítási költség (USD) | |---------------|------|--------------------------------| | Transformer | 2017 | ~930 | | BERT-Large | 2018 | ~3 300 | | RoBERTa Large | 2019 | ~160 000 | | GPT-3 175B | 2020 | ~4,3 millió | | PaLM 540B | 2022 | ~12,4 millió | | Llama 2 70B | 2023 | ~3,9 millió | | GPT-4 | 2023 | ~78 millió | | Gemini Ultra | 2023 | ~191 millió | **Nemzeti hovatartozás.** 2023-ban 61 jelentős modellt hoztak létre az USA szervezetei, 21-et az EU, 15-öt Kína szervezetei. Ez megerősíti az USA vezető szerepét az élvonalbeli MI-rendszerek fejlesztésében^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-AIIndex2024-1)}. ### Nyílt forráskódú szoftverek A GitHubon található MI-projektek száma folyamatosan növekszik: a 2011-es 845-ről 2023-ban körülbelül 1,8 millióra. 2023-ban 59,3%-os növekedést rögzítettek. Az MI-projektek csillagainak száma megháromszorozódott: 2022-ben 4,0 millióról 2023-ban 12,2 millióra nőtt^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-AIIndex2024-1)}. ### Konferenciák A vezető MI-konferenciák (NeurIPS, ICML, ICLR stb.) látogatottsága tovább növekedett, tükrözve a terület iránti növekvő érdeklődést^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-AIIndex2024-1)}. ## 2. fejezet. Technikai teljesítmény A fejezet elemzi az MI-rendszerek előrehaladását a nyelvfeldolgozás, képgenerálás, következtetés, kódolás és ágens-viselkedés területén^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-AIIndex2024-1)}. ### Az MI teljesítményének jelenlegi helyzete 2023 állapotát tekintve az MI több feladatkategóriában meghaladja az emberi szintet: képosztályozásban (2015 óta), alapvető szövegmegértésben (2017 óta), vizuális következtetésben (2020 óta), természetes nyelvi következtetésben (2021 óta). Azonban olyan feladatokban, mint az olimpiai szintű matematika (MATH) és a tervezés, az MI egyelőre elmarad az emberektől^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-AIIndex2024-1)}. ### Nyelvi modellek **HELM.** A Stanfordon kidolgozott Holistic Evaluation of Language Models (HELM) benchmark tíz forgatókönyv szerint értékeli az LLM-eket, köztük szövegmegértés, matematika és jogi következtetés. 2024 januárjától a GPT-4 vezet 0,96-os mean win rate mutatóval^{[\[6\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-HELM2022-6)}. **MMLU.** A Massive Multitask Language Understanding (MMLU) benchmark 57 szakterületen értékeli a modelleket. A Google Gemini Ultra volt az első, amely meghaladta az emberi alapszintet (89,8%), 90,0%-ot érve el — ez 14,8 százalékpontos javulás 2022-höz képest és 57,6 százalékpontos javulás a benchmark 2019-es létrehozása óta^{[\[7\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-MMLU2021-7)}. **Chatbot Arena.** A 2023-ban indított platform lehetővé teszi a felhasználók számára, hogy névtelen modellek generációit hasonlítsák össze. 2024 elejétől a GPT-4 Turbo-t tartják a leginkább preferált modellnek több mint 200 000 szavazat alapján^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-AIIndex2024-1)}. ### Multimodalitás Hagyományosan az MI-rendszerek egyetlen modalitásra korlátozódtak. 2023-ban azonban megjelentek a hatékony multimodális modellek — a Google Gemini és az OpenAI GPT-4 —, amelyek képesek szöveget, képeket, egyes esetekben hangot is feldolgozni. Az MMMU (Massive Multi-discipline Multimodal Understanding) benchmark megmutatta, hogy a Gemini Ultra vezet 59,4%-kal, de ez lényegesen elmarad a szakértői emberi szinttől (82,6%)^{[\[8\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-MMMU2023-8)}. ### Következtetés **GPQA.** A Graduate-Level Google-Proof Q&A benchmark 448 összetett kérdést tartalmaz biológia, fizika és kémia területéről, amelyekre egyszerű Google-kereséssel nem lehet válaszolni. A GPT-4 kereséssel 41,0%-ot ért el, ami elmarad a szakértők szintjétől (72,5%), de meghaladja a nem szakértőkét (30,5%)^{[\[9\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-GPQA2023-9)}. **Tudatelméleti tesztelés (BigToM).** Az LLM-ek azon képességének tesztelése, hogy képesek-e modellezni mások meggyőződését, megmutatta, hogy a GPT-4 megközelíti az emberi szintet a közvetlen meggyőződés- és cselekvéskövetkeztetési feladatokban, bár még mindig elmarad a visszafelé irányuló meggyőződés-következtetési feladatokban^{[\[10\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-BigToM2023-10)}. ### Kódolás A HumanEval benchmark értékeli a kódgenerálást. 2023-ban a modellek tovább javították eredményeiket, az SWE-bench — a valós szoftvermérnöki feladatok megoldásának értékelésére szolgáló új benchmark — megmutatta, hogy még a legjobb modellek is csak kis töredékét oldják meg a feladatoknak, ami jelentős fejlődési potenciálra utal^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-AIIndex2024-1)}. ### Ágensviselkedés Az MI-rendszereket egyre inkább tesztelik ágenses forgatókönyvekben. A Voyager (Microsoft) bemutatta az önálló tanulás képességét a Minecraft dinamikus környezetében, 3,3-szor több egyedi tárgyat gyűjtve, 2,3-szor nagyobb távolságot megtéve és 15,3-szor gyorsabban elérve a kulcsmérföldköveket az előző modellekhez képest^{[\[11\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-Voyager2023-11)}. Az MLAgentBench megmutatta, hogy a tudományos kutatásra szánt MI-ágensek ígéretes lehetőségeket kínálnak, de az eredmények feladatonként lényegesen eltérnek^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-AIIndex2024-1)}. ### LLM-tulajdonságok **Emergens viselkedés.** Egy 2023-as tanulmány megkérdőjelezte azt az elképzelést, hogy a modellek méretezésekor elkerülhetetlenül megjelennek kiszámíthatatlan „emergens" képességek. Lineáris és folytonos metrikák alkalmazásakor ezek a képességek nagyrészt eltűnnek^{[\[12\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-Schaeffer2023-12)}. **Teljesítményromlás.** A Stanford és Berkeley közös kutatása megmutatta, hogy a GPT-4 teljesítménye lényegesen változhat frissítések között: a 2023 júniusi verzió 42 százalékponttal gyengébben teljesített a márciusi verzióhoz képest kódgenerálásban és 33 százalékponttal gyengébben matematikai feladatokban^{[\[13\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-Chen2023LLMDrift-13)}. **Önkorrekció.** A DeepMind és az Illinoisi Egyetem kutatói megmutatták, hogy az LLM-ek külső útmutatás nélkül nem képesek megfelelően korrigálni saját következtetéseiket: a GPT-4 teljesítménye az összes tesztelt benchmark-on csökkent önkorrekciós kísérlet során^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-AIIndex2024-1)}. ## 3. fejezet. Felelős MI A fejezet a felelős MI kulcsdimenzióival foglalkozik: adatvédelem, átláthatóság, biztonság és méltányosság^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-AIIndex2024-1)}. ### MI-incidensek Az AI Incident Database 2023-ban 123 incidenst rögzített — ez 32,3%-os növekedés 2022-höz képest. 2013 óta az incidensek száma több mint húszszorosára nőtt. A növekedés oka egyrészt az MI alkalmazásának bővülése, másrészt az etikai kockázatokkal kapcsolatos tudatosság növekedése^{[\[14\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-AIID2023-14)}. ### A felelős MI benchmark-ok szabványosítása Öt vezető fejlesztő (OpenAI, Meta, Anthropic, Google, Mistral AI) elemzése kimutatta, hogy nincs egységes benchmark-készlet a felelős MI értékelésére. Bár az általános képességek benchmark-jait (MMLU, HellaSwag, ARC Challenge, HumanEval, GSM8K) széles körben alkalmazzák, a felelős MI benchmark-jait (TruthfulQA, RealToxicityPrompts, ToxiGen, BOLD, BBQ) széttagoltan használják: a TruthfulQA-t legfeljebb három fejlesztő alkalmazza az ötből, és az egyik fejlesztő egyáltalán nem számol be felelős MI benchmark-okon végzett tesztelésről^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-AIIndex2024-1)}. ### MI és választások A 2023-as kutatások megmutatták, hogy az emberek csupán az esetek 73%-ában azonosítják helyesen a hangalapú deepfake-eket. Várható, hogy a hangszintézis technológiájának fejlődésével az azonosítás pontossága csökkenni fog. Ez kockázatot jelent a politikai kampányok manipulálása szempontjából, és lehetőséget ad a politikusoknak arra, hogy kompromittáló hangfelvételeket hamisítványként utasítsanak el (az úgynevezett „hazug dividenda")^{[\[15\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-Mai2023-15)}. Az LLM-ek politikai elfogultságát vizsgáló kutatások összefüggést tártak fel a ChatGPT alapértelmezett válaszai és a Demokrata Párt álláspontjai között, valamint negatív összefüggést a Republikánus Párt álláspontjaival^{[\[16\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-Motoki2023-16)}. ## 4. fejezet. Gazdaság A fejezet a befektetések, a foglalkoztatás, a vállalati MI-bevezetés és a robotizáció trendjeit vizsgálja^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-AIIndex2024-1)}. ### Befektetések **Általános trendek.** Az MI-be irányuló összesített vállalati befektetések 189,2 milliárd dollárra csökkentek 2023-ban (körülbelül 20%-os visszaesés 2022-höz képest). Ugyanakkor az évtized alatt a befektetések volumene tizenhárom-szorosára nőtt. A magánbefektetések második egymást követő évben csökkentek, bár a visszaesés kevésbé volt kifejezett, mint 2021–2022-ben^{[\[3\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-Quid2023-3)}. **Generatív MI.** A generatív MI-be irányuló befektetések 25,2 milliárd dollárt tettek ki — ez közel kilencszeres növekedés 2022-höz képest és harmincszorosnövekedés 2019-hez képest. A generatív MI az összes MI-magánbefektetés több mint negyedét adta^{[\[3\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-Quid2023-3)}. **Regionális megoszlás.** Az USA 67,2 milliárd dolláros befektetéseivel 8,7-szer megelőzte Kínát (7,8 milliárd) és 17,8-szor az Egyesült Királyságot (3,8 milliárd). Eközben a magánbefektetések Kínában 44,2%-kal, az EU-ban és az Egyesült Királyságban 14,1%-kal csökkentek, míg az USA-ban 22,1%-kal nőttek^{[\[3\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-Quid2023-3)}. **Startupok.** A finanszírozásban részesült új MI-vállalatok száma 1 812-re nőtt (40,6%-os növekedés). A generatív MI területén 99 új startup kapott finanszírozást (szemben a 2022-es 56-tal)^{[\[3\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-Quid2023-3)}. ### Munkaerőpiac Az MI-hez kapcsolódó állásajánlatok aránya az USA-ban 2,0%-ról (2022) 1,6%-ra csökkent 2023-ban. Hasonló tendencia figyelhető meg globálisan. A csökkenés oka a nagyvállalatok csökkentett felvételi aktivitása és a műszaki jellegű állásajánlatok arányának visszaesése^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-AIIndex2024-1)}. Az MI-szakemberek migrációja az akadémiából az iparba tovább gyorsul: 2022-ben az MI-területen doktori fokozatot szerzők 70,7%-a az iparban helyezkedett el (szemben a 2011-es 40,9%-kal), és mindössze 20,0%-uk az akadémián (szemben a 41,6%-kal)^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-AIIndex2024-1)}. ### Vállalati bevezetés A McKinsey adatai szerint a szervezetek 55%-a alkalmaz MI-t (beleértve a generatív MI-t) legalább egy üzleti egységben — ez növekedés a 2022-es 50%-ról és a 2017-es 20%-ról. Emellett a szervezetek 42%-a számol be költségcsökkentésről, 59%-a pedig bevételnövekedésről az MI révén^{[\[17\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-McKinsey2023-17)}. A Fortune 500 vállalatok eredményjelentéseiben az MI-re való hivatkozások száma elérte a 394-et (az összes vállalat közel 80%-a) — ez figyelemre méltó növekedés a 2022-es 266-hoz képest. A leggyakrabban említett téma (az összes hívás 19,7%-ában) a generatív MI volt^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-AIIndex2024-1)}. ### Robotika 2022-ben 553 000 ipari robotot telepítettek — ez 5,1%-os növekedés 2021-hez képest és több mint háromszoros növekedés 2012-höz képest. Kína dominál: 2013 óta, amikor megelőzte Japánt, Kína részesedése a globális telepítésekből 20,8%-ról 52,4%-ra nőtt 2022-ben. A kollaboratív robotok aránya 2017-es 2,8%-ról 2022-re 9,9%-ra emelkedett^{[\[18\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-IFR2023-18)}. ## 5. fejezet. Tudomány és orvostudomány A jelentésbe először bekerült fejezet az MI szerepét tárgyalja a tudományos felfedezések és orvosi innovációk területén^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-AIIndex2024-1)}. ### 2023-as tudományos eredmények **AlphaDev** (DeepMind) — megerősítéses tanulási rendszer, amely kevesebb utasítással rendelkező rendezési algoritmusokat fedezett fel, mint a meglévő emberi referenciaértékek. Néhány megtalált algoritmust beépítettek a C++ szabványos rendezési könyvtárába (LLVM) — ez az első frissítés a könyvtár ezen részében több mint tíz év óta^{[\[19\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-AlphaDev2023-19)}. **GraphCast** (DeepMind) — gráf neurális hálózatokon alapuló időjárás-előrejelző rendszer, amely kevesebb mint egy perc alatt 10 napos előrejelzést nyújt, meghaladva a vezető HRES modellezési rendszer (Európai Középtávú Időjárás-előrejelzési Központ) pontosságát^{[\[20\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-GraphCast2023-20)}. **GNoME** (Google DeepMind) — gráfhálózatokat alkalmazó modell az új funkcionális anyagok gyorsított keresésére, ami kritikusan fontos a robotika és a félvezető-ipar fejlődése szempontjából^{[\[21\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-GNoME2023-21)}. **Synbot** — MI-vezérelt kémiairobotrendszer szerves molekulák autonóm szintéziséhez, amely a referencia-értékekkel összehasonlítható vagy azokat meghaladó reakcióhozamot ért el^{[\[22\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-Synbot2023-22)}. **FlexiCubes** (NVIDIA) — MI-vel támogatott 3D mesh optimalizálási módszer a 3D objektumok generálásának minőségi javítására a számítógépes grafikában^{[\[23\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-FlexiCubes2023-23)}. ### MI az orvostudományban **Klinikai tudás.** A MedQA benchmark-on (az MI klinikai tudásának értékelése) a GPT-4 Medprompt modell 90,2%-os pontosságot ért el — ez 22,6 százalékpontos növekedés a 2022-es legjobb eredményhez képest. A benchmark 2019-es létrehozása óta az MI teljesítménye a MedQA-n közel megháromszorozódott. Figyelemre méltó, hogy a GPT-4 Medprompt prompt-tervezést alkalmazott finomhangolás helyett, felülmúlva a speciális orvosi modelleket^{[\[24\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-Medprompt2023-24)}. **MediTron-70B** — nyílt forráskódú orvosi LLM, amely 70,2%-ot ért el a MedQA-n — ez a legjobb eredmény a nyílt forráskódú modellek körében, bár elmarad a zárt GPT-4 Medprompt és Med-PaLM 2 modellek eredményeitől^{[\[25\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-Meditron2023-25)}. **Orvosi innovációk.** A 2023-as jelentős rendszerek közé tartozik: SynthSR (agyszerkezetek megjelenítésének javítása alacsony minőségű MRI-felvételekből), ImmunoSEIRA (MI-alapú infravörös érzékelők neurodegeneratív betegségek diagnosztizálásához), EVEscape (vírusok evolúciójának előrejelzése a járványok megelőzése érdekében), AlphaMissense (misszensz mutációk osztályozása)^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-AIIndex2024-1)}. **FDA-jóváhagyások.** 2022-ben az FDA 139 MI-alapú orvosi eszközt hagyott jóvá — ez 12,1%-os növekedés 2021-hez képest. 2012 óta az ilyen jóváhagyások száma több mint 45-szörösére nőtt^{[\[26\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-FDA2023-26)}. ## 6. fejezet. Oktatás A fejezet az informatika és az MI területén tapasztalható oktatási trendeket vizsgálja^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-AIIndex2024-1)}. ### Felsőoktatás Az informatika alapszakon végzett hallgatók száma az USA-ban és Kanadában tovább növekszik. A mesterszakosok száma viszonylag stabil marad, a doktori fokozatot szerzők száma pedig szerényen emelkedik. 2018 óta az informatikán végzett mesterek és doktorok száma kissé csökkent^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-AIIndex2024-1)}. A külföldi hallgatók aránya csökkent az oktatás minden szintjén, különösen szembeötlően a mesterképzésben. Globális szinten az MI-hez kapcsolódó angol nyelvű képzési programok száma 2017 óta megháromszorozódott^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-AIIndex2024-1)}. ### ChatGPT az oktatásban A Walton Foundation felmérése szerint a tanárok 88%-a és a diákok 79%-a úgy véli, hogy a ChatGPT pozitív hatással van az oktatási folyamatra. A tanárok 76%-a és a diákok 65%-a gondolja, hogy a ChatGPT integrálása az oktatásba fontos^{[\[27\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-WaltonFoundation2023-27)}. ## 7. fejezet. Politika és irányítás A fejezet a globális, az amerikai és az európai MI-jogalkotási és szabályozási aktivitást elemzi^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-AIIndex2024-1)}. ### Globális tendenciák Az MI-re való hivatkozások a világ jogalkotási folyamataiban rekordszintet értek el. Eltolódás tapasztalható a tisztán ösztönző intézkedésektől a korlátozó jogalkotás felé, ami azt jelzi, hogy a szabályozók egyre nagyobb figyelmet fordítanak az MI potenciális kockázataira^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-AIIndex2024-1)}. A 2023-ban elfogadott törvények tematikája jelentősen bővült, kiterjedve a fegyveres erőkre és a nemzetbiztonságra, a polgári jogokra, a kereskedelemre, az oktatásra, a munkaügyi kapcsolatokra, a tudományra és a technológiára^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-AIIndex2024-1)}. ### Szabályozás az USA-ban Az MI-hez kapcsolódó jogszabályok száma 25-re nőtt 2023-ban (56,3%-os növekedés 2022-höz képest). A legelterjedtebb témakör a külkereskedelem és a nemzetközi pénzügyek volt. A magas és közepes mértékű MI-relevanciájú jogszabályok aránya nőtt az előző évekhez képest^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-AIIndex2024-1)}. 2023 egyik mérföldköve Biden elnök MI-ről szóló végrehajtási rendelete (Executive Order on AI) volt, amelynek célja többek között a Nemzeti MI-Kutatási Erőforrás (National AI Research Resource) létrehozása az ipar és az akadémia közötti egyenlő lehetőségek biztosítása érdekében^{[\[28\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-BidenEO2023-28)}. ### Szabályozás az EU-ban Az Európai Unióban hasonló tendencia figyelhető meg az MI-hez kapcsolódó jogszabályok számának növekedésében. 2023 jelentős eredménye az *AI Act* előrehaladása — a világ első átfogó MI-törvénye^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-AIIndex2024-1)}. ## 8. fejezet. Sokszínűség A fejezet az MI-szakemberek körében tapasztalható nemi és etnikai sokszínűséget vizsgálja. Bizonyos előrelépés ellenére a nők és a kisebbségek képviselete az MI területén még mindig jelentősen elmarad mind az iparban, mind az akadémián^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-AIIndex2024-1)}. ## 9. fejezet. Közvélemény A fejezet az MI társadalmi megítélését elemzi nemzetközi felmérések és közösségi médiaadatok alapján^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-AIIndex2024-1)}. ### Nemzetközi felmérések **Tudatosság és aggodalom.** Az Ipsos adatai szerint a válaszadók 66%-a (növekedés 60%-ról) úgy véli, hogy az MI jelentősen befolyásolja majd életüket a következő 3–5 évben. Emellett 52% fejez ki szorongást az MI-termékekkel kapcsolatban (13 százalékpontos növekedés 2022 óta)^{[\[4\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-Ipsos2023-4)}. **Gazdasági várakozások.** Csupán a válaszadók 37%-a gondolja, hogy az MI javítani fogja munkájukat, 34%, hogy javítani fogja a gazdaságot, és 32%, hogy pozitívan befolyásolja a munkaerőpiacot^{[\[4\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-Ipsos2023-4)}. **Demográfiai különbségek.** A fiatalabb generációk lényegesen optimistábbak: a Z-generáció tagjainak 59%-a gondolja, hogy az MI javítani fogja a szórakoztatást, szemben a baby boomerek 40%-ával. A magasabb jövedelmű és magasabb iskolai végzettségű emberek szintén optimistábbak^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-AIIndex2024-1)}. **ChatGPT ismertsége.** A Torontói Egyetem nemzetközi felmérése szerint a válaszadók 63%-a ismeri a ChatGPT-t, és közel felük legalább hetente egyszer használja^{[\[29\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-GPO-AI2023-29)}. ### Közösségi média adatok A Quid által 2023-ban elemzett több mint 7 millió közösségi médiabejegyzés azt mutatta, hogy a GraphCast és Claude 2.1 modellek kapták a legmagasabb pozitív hangulati mutatót (net sentiment score). A GPT-4 az első negyedévben a figyelem legnagyobb részét vonzotta, míg az év végére a fókusz a Geminire és a Grokra helyeződött^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-AIIndex2024-1)}. ## A 2023-as év jelentős MI-modelljei A jelentés rögzíti számos kulcsfontosságú modell megjelenését^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-AIIndex2024-1)}: | Modell | Fejlesztő | Típus | Dátum | Jelentőség | |-----------------------|------------|-------------------|--------------------------|---------------------------------------------------| | GPT-4 | OpenAI | LLM, multimodális | 2023\. március | Az egyik legerősebb LLM; a HELM listavezetője | | PaLM 2 | Google | LLM | 2023\. május | Fejlett többnyelvű képességek | | Llama 2 | Meta | LLM (nyílt) | 2023\. július | Vezető nyílt modell; 7B/13B/70B verziók | | Claude 2 / 2.1 | Anthropic | LLM | 2023\. július / november | Akár 200K token kontextusablak | | Mistral 7B | Mistral AI | LLM (nyílt) | 2023\. szeptember | Kompakt, nagy teljesítményű modell | | DALL-E 3 | OpenAI | Képgenerálás | 2023\. október | Javított minőség és prompt-követés | | Gemini / Gemini Ultra | Google | LLM, multimodális | 2023\. december | Az első LLM, amely meghaladta az embert az MMLU-n | | Mixtral 8×7B | Mistral AI | LLM (MoE, nyílt) | 2023\. december | Mixture-of-Experts architektúra | | Midjourney v6 | Midjourney | Képgenerálás | 2023\. december | Javított minőség és intuitív promptok | | Whisper v3 | OpenAI | Hangfelismerés | 2023\. november | Növelt pontosság, bővített nyelvi támogatás | ## Módszertan A jelentés számos forrásból gyűjt adatokat^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-AIIndex2024-1)}: - **Publikációk és szabadalmak:** OpenAlex, WIPO, USPTO, Epoch AI adatai. - **Benchmark-ok:** Papers With Code, CRFM (HELM), specializált ranglisták. - **Befektetések:** Quid (Capital IQ, Crunchbase), több mint 8 millió vállalat adatai. - **Munkaerőpiac:** Lightcast, LinkedIn, Stack Overflow. - **Vállalati aktivitás:** McKinsey & Company, Seeking Alpha (earnings calls). - **Robotika:** International Federation of Robotics (IFR). - **Szabályozás:** Federal Register (USA), EUR-Lex (EU), Govini. - **Közvélemény:** Ipsos, Pew Research Center, University of Toronto (GPO-AI), Quid (közösségi média). - **Oktatás:** CRA Taulbee Survey, Informatics Europe, Studyportals, Code.org, Walton Foundation. - **Orvostudomány:** FDA, Papers With Code (MedQA). A modellek tanítási költségeire vonatkozó becsléseket az Epoch AI-jal közösen készítették, a hardvereszközök típusának és mennyiségének, a tanítás időtartamának és a felhőalapú bérleti díjak elemzése alapján^{[\[2\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-Epoch2023-2)}. ## Szerzői kollektíva A jelentést **Ray Perrault** és **Jack Clark** társigazgatók irányításával készítették, kutatók és partnerszervezetek széles körének közreműködésével. Az AI Index a Stanford HAI (Human-Centered Artificial Intelligence) Intézet projektje^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_note-AIIndex2024-1)}. ## Hivatkozások - Stanford HAI — AI Index Report 2024 (teljes szöveg): https://aiindex.stanford.edu/report/ - Epoch AI — adatok a tanítási költségekről és számítási trendekről: https://epochai.org/ - Papers With Code — benchmark-ok és ranglisták: https://paperswithcode.com/ - CRFM HELM — Holistic Evaluation of Language Models: https://crfm.stanford.edu/helm/ - AI Incident Database: https://incidentdatabase.ai/ - International Federation of Robotics: https://ifr.org/ - McKinsey Global Survey on AI: https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai ## Irodalom - Stanford HAI (2024). *Artificial Intelligence Index Report 2024*. https://aiindex.stanford.edu/report/ - Epoch AI (2023). *AI Training Cost Estimates and Compute Trends*. https://epochai.org/ - 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 - Yue, X. et al. (2023). *MMMU: A Massive Multi-discipline Multimodal Understanding and Reasoning Benchmark*. https://arxiv.org/abs/2311.16502 - Rein, D. et al. (2023). *GPQA: A Graduate-Level Google-Proof Q&A Benchmark*. https://arxiv.org/abs/2311.12022 - Gandhi, K. et al. (2023). *Understanding Social Reasoning in Language Models with Language Models*. https://arxiv.org/abs/2306.15448 - Schaeffer, R. et al. (2023). *Are Emergent Abilities of Large Language Models a Mirage?* https://arxiv.org/abs/2304.15004 - Chen, L. et al. (2023). *How Is ChatGPT's Behavior Changing over Time?* https://arxiv.org/abs/2307.09009 - Wang, G. et al. (2023). *Voyager: An Open-Ended Embodied Agent with Large Language Models*. https://arxiv.org/abs/2305.16291 - Mankowitz, D. J. et al. (2023). *Faster sorting algorithms discovered using deep reinforcement learning*. *Nature*. https://doi.org/10.1038/s41586-023-06004-9 - Lam, R. et al. (2023). *Learning skillful medium-range global weather forecasting*. *Science*. https://doi.org/10.1126/science.adi2336 - Merchant, A. et al. (2023). *Scaling deep learning for materials discovery*. *Nature*. https://doi.org/10.1038/s41586-023-06735-9 - Ha, T. et al. (2023). *AI-driven robotic chemist for autonomous synthesis of organic molecules*. *Science Advances*. https://doi.org/10.1126/sciadv.adj0461 - Shen, T. et al. (2023). *Flexible Isosurface Extraction for Gradient-Based Mesh Optimization*. *ACM Transactions on Graphics*. https://doi.org/10.1145/3592430 - Nori, H. et al. (2023). *Can Generalist Foundation Models Outcompete Special-Purpose Tuning? Case Study in Medicine*. https://arxiv.org/abs/2311.16452 - Chen, Z. et al. (2023). *MEDITRON-70B: Scaling Medical Pretraining for Large Language Models*. https://arxiv.org/abs/2311.16079 - Mai, K. T. et al. (2023). *Warning: Humans Cannot Reliably Detect Speech Deepfakes*. https://arxiv.org/abs/2301.07829 - Motoki, F. et al. (2023). *More Human than Human: Measuring ChatGPT Political Bias*. https://doi.org/10.1007/s11127-023-01097-2 - McKinsey & Company (2023). *The State of AI in 2023: Generative AI's Breakout Year*. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai - International Federation of Robotics (2023). *World Robotics Report 2023*. https://ifr.org/worldrobotics/ - The White House (2023). *Executive Order on the Safe, Secure, and Trustworthy Development and Use of Artificial Intelligence*. https://www.whitehouse.gov/briefing-room/presidential-actions/2023/10/30/executive-order-on-the-safe-secure-and-trustworthy-development-and-use-of-artificial-intelligence/ - Fleming, S. L. et al. (2023). *MedAlign: A Clinician-Generated Dataset for Instruction Following With Electronic Medical Records*. https://arxiv.org/abs/2308.14089 - Iglesias, J. E. et al. (2023). *SynthSR: A public AI tool to turn heterogeneous clinical brain scans into high-resolution T1-weighted images for 3D morphometry*. *Science Advances*. https://doi.org/10.1126/sciadv.add3607 - Cheng, J. et al. (2023). *Accurate Proteome-Wide Missense Variant Effect Prediction With AlphaMissense*. *Science*. https://doi.org/10.1126/science.adg7492 ## Megjegyzések 1. ↑ ^{[1.00](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-AIIndex2024_1-0)} ^{[1.01](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-AIIndex2024_1-1)} ^{[1.02](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-AIIndex2024_1-2)} ^{[1.03](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-AIIndex2024_1-3)} ^{[1.04](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-AIIndex2024_1-4)} ^{[1.05](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-AIIndex2024_1-5)} ^{[1.06](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-AIIndex2024_1-6)} ^{[1.07](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-AIIndex2024_1-7)} ^{[1.08](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-AIIndex2024_1-8)} ^{[1.09](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-AIIndex2024_1-9)} ^{[1.10](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-AIIndex2024_1-10)} ^{[1.11](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-AIIndex2024_1-11)} ^{[1.12](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-AIIndex2024_1-12)} ^{[1.13](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-AIIndex2024_1-13)} ^{[1.14](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-AIIndex2024_1-14)} ^{[1.15](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-AIIndex2024_1-15)} ^{[1.16](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-AIIndex2024_1-16)} ^{[1.17](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-AIIndex2024_1-17)} ^{[1.18](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-AIIndex2024_1-18)} ^{[1.19](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-AIIndex2024_1-19)} ^{[1.20](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-AIIndex2024_1-20)} ^{[1.21](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-AIIndex2024_1-21)} ^{[1.22](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-AIIndex2024_1-22)} ^{[1.23](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-AIIndex2024_1-23)} ^{[1.24](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-AIIndex2024_1-24)} ^{[1.25](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-AIIndex2024_1-25)} ^{[1.26](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-AIIndex2024_1-26)} ^{[1.27](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-AIIndex2024_1-27)} ^{[1.28](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-AIIndex2024_1-28)} ^{[1.29](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-AIIndex2024_1-29)} ^{[1.30](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-AIIndex2024_1-30)} ^{[1.31](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-AIIndex2024_1-31)} ^{[1.32](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-AIIndex2024_1-32)} ^{[1.33](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-AIIndex2024_1-33)} ^{[1.34](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-AIIndex2024_1-34)} ^{[1.35](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-AIIndex2024_1-35)} ^{[1.36](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-AIIndex2024_1-36)} ^{[1.37](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-AIIndex2024_1-37)} ^{[1.38](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-AIIndex2024_1-38)} ^{[1.39](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-AIIndex2024_1-39)} ^{[1.40](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-AIIndex2024_1-40)} ^{[1.41](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-AIIndex2024_1-41)} ^{[1.42](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-AIIndex2024_1-42)} ^{[1.43](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-AIIndex2024_1-43)} ^{[1.44](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-AIIndex2024_1-44)} ^{[1.45](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-AIIndex2024_1-45)} ^{[1.46](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-AIIndex2024_1-46)} Stanford HAI (2024). *Artificial Intelligence Index Report 2024*. https://aiindex.stanford.edu/report/ 2. ↑ ^{[2.0](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-Epoch2023_2-0)} ^{[2.1](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-Epoch2023_2-1)} ^{[2.2](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-Epoch2023_2-2)} Epoch AI (2023). *AI Training Cost Estimates*. https://epochai.org/ 3. ↑ ^{[3.0](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-Quid2023_3-0)} ^{[3.1](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-Quid2023_3-1)} ^{[3.2](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-Quid2023_3-2)} ^{[3.3](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-Quid2023_3-3)} ^{[3.4](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-Quid2023_3-4)} Quid (2023). *AI Investment Data*. https://quid.com/ 4. ↑ ^{[4.0](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-Ipsos2023_4-0)} ^{[4.1](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-Ipsos2023_4-1)} ^{[4.2](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-Ipsos2023_4-2)} Ipsos (2023). *Global Perceptions of AI Survey*. https://www.ipsos.com/ 5. [↑](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-Pew2023_5-0) Pew Research Center (2023). *Public Views on AI*. https://www.pewresearch.org/ 6. [↑](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-HELM2022_6-0) Liang, P. et al. (2022). *Holistic Evaluation of Language Models*. https://arxiv.org/abs/2211.09110 7. [↑](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-MMLU2021_7-0) Hendrycks, D. et al. (2021). *Measuring Massive Multitask Language Understanding*. https://arxiv.org/abs/2009.03300 8. [↑](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-MMMU2023_8-0) Yue, X. et al. (2023). *MMMU: A Massive Multi-discipline Multimodal Understanding and Reasoning Benchmark*. https://arxiv.org/abs/2311.16502 9. [↑](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-GPQA2023_9-0) Rein, D. et al. (2023). *GPQA: A Graduate-Level Google-Proof Q&A Benchmark*. https://arxiv.org/abs/2311.12022 10. [↑](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-BigToM2023_10-0) Gandhi, K. et al. (2023). *Understanding Social Reasoning in Language Models with Language Models*. https://arxiv.org/abs/2306.15448 11. [↑](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-Voyager2023_11-0) Wang, G. et al. (2023). *Voyager: An Open-Ended Embodied Agent with Large Language Models*. https://arxiv.org/abs/2305.16291 12. [↑](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-Schaeffer2023_12-0) Schaeffer, R. et al. (2023). *Are Emergent Abilities of Large Language Models a Mirage?* https://arxiv.org/abs/2304.15004 13. [↑](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-Chen2023LLMDrift_13-0) Chen, L. et al. (2023). *How Is ChatGPT's Behavior Changing over Time?* https://arxiv.org/abs/2307.09009 14. [↑](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-AIID2023_14-0) AI Incident Database (2023). https://incidentdatabase.ai/ 15. [↑](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-Mai2023_15-0) Mai, K. T. et al. (2023). *Warning: Humans Cannot Reliably Detect Speech Deepfakes*. https://arxiv.org/abs/2301.07829 16. [↑](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-Motoki2023_16-0) Motoki, F. et al. (2023). *More Human than Human: Measuring ChatGPT Political Bias*. https://doi.org/10.1007/s11127-023-01097-2 17. [↑](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-McKinsey2023_17-0) McKinsey & Company (2023). *The State of AI in 2023: Generative AI's Breakout Year*. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai 18. [↑](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-IFR2023_18-0) International Federation of Robotics (2023). *World Robotics Report 2023*. https://ifr.org/worldrobotics/ 19. [↑](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-AlphaDev2023_19-0) Mankowitz, D. J. et al. (2023). *Faster sorting algorithms discovered using deep reinforcement learning*. *Nature*. https://doi.org/10.1038/s41586-023-06004-9 20. [↑](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-GraphCast2023_20-0) Lam, R. et al. (2023). *Learning skillful medium-range global weather forecasting*. *Science*. https://doi.org/10.1126/science.adi2336 21. [↑](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-GNoME2023_21-0) Merchant, A. et al. (2023). *Scaling deep learning for materials discovery*. *Nature*. https://doi.org/10.1038/s41586-023-06735-9 22. [↑](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-Synbot2023_22-0) Ha, T. et al. (2023). *AI-driven robotic chemist for autonomous synthesis of organic molecules*. *Science Advances*. https://doi.org/10.1126/sciadv.adj0461 23. [↑](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-FlexiCubes2023_23-0) Shen, T. et al. (2023). *Flexible Isosurface Extraction for Gradient-Based Mesh Optimization*. *ACM Transactions on Graphics*. https://doi.org/10.1145/3592430 24. [↑](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-Medprompt2023_24-0) Nori, H. et al. (2023). *Can Generalist Foundation Models Outcompete Special-Purpose Tuning? Case Study in Medicine*. https://arxiv.org/abs/2311.16452 25. [↑](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-Meditron2023_25-0) Chen, Z. et al. (2023). *MEDITRON-70B: Scaling Medical Pretraining for Large Language Models*. https://arxiv.org/abs/2311.16079 26. [↑](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-FDA2023_26-0) U.S. Food and Drug Administration (2023). *Artificial Intelligence and Machine Learning (AI/ML)-Enabled Medical Devices*. https://www.fda.gov/medical-devices/software-medical-device-samd/artificial-intelligence-and-machine-learning-aiml-enabled-medical-devices 27. [↑](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-WaltonFoundation2023_27-0) Impact Research / Walton Family Foundation (2023). *ChatGPT and Education Survey*. https://www.waltonfamilyfoundation.org/ 28. [↑](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-BidenEO2023_28-0) The White House (2023). *Executive Order on the Safe, Secure, and Trustworthy Development and Use of Artificial Intelligence*. https://www.whitehouse.gov/briefing-room/presidential-actions/2023/10/30/executive-order-on-the-safe-secure-and-trustworthy-development-and-use-of-artificial-intelligence/ 29. [↑](https://systems-analysis.info/int/The_2024_AI_Index_Report_(HU)#cite_ref-GPO-AI2023_29-0) Global Public Opinion on AI Survey, University of Toronto (2023). https://www.mediatechdemocracy.com/