--- title: "The 2024 AI Index Report (PL)" source: "https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)" wiki: "systems-analysis.info/int" article: "The_2024_AI_Index_Report_(PL)" language: "pl" categories: - "Category:Large language models" - "Category:Machine learning" - "Category:Polish" revision_id: 8042 wiki_created_at: 2026-09-07T01:11:28Z wiki_modified_at: 2026-09-07T01:11:28Z downloaded_at: 2026-09-07T23:23:02Z --- # The 2024 AI Index Report (PL) **AI Index Report 2024** — siódme coroczne wydanie raportu **AI Index**, przygotowane przez Stanfordzki Instytut Sztucznej Inteligencji Skoncentrowanej na Człowieku (Stanford HAI)^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-AIIndex2024-1)}. Raport 2024 roku jest najbardziej obszernym w całej historii publikacji i ukazuje się w momencie, gdy wpływ AI na społeczeństwo staje się bezprecedensowo widoczny. Wydanie zawiera nowe szacunki kosztów trenowania modeli, szczegółową analizę odpowiedzialnego AI i po raz pierwszy obejmuje osobny rozdział poświęcony wpływowi AI na naukę i medycynę. Raport śledzi, systematyzuje i wizualizuje dane związane ze sztuczną inteligencją, dostarczając obiektywnych i starannie zweryfikowanych informacji dla decydentów, badaczy, menedżerów, dziennikarzy i szerokiej opinii publicznej. ## Struktura raportu Raport 2024 roku składa się z dziewięciu tematycznych rozdziałów^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-AIIndex2024-1)}: 1. **Badania i rozwój (Research and Development)** — trendy w publikacjach, patentach, modelach bazowych i projektach open-source. 2. **Wydajność techniczna (Technical Performance)** — benchmarki, porównanie z poziomem ludzkim, multimodalność. 3. **Odpowiedzialny AI (Responsible AI)** — incydenty, bezpieczeństwo, stronniczość, prywatność. 4. **Gospodarka (Economy)** — inwestycje, rynek pracy, wdrożenia korporacyjne, robotyzacja. 5. **Nauka i medycyna (Science and Medicine)** — nowy rozdział: przełomy w nauce i zastosowaniach medycznych AI. 6. **Edukacja (Education)** — kształcenie kadr, programy edukacyjne, ChatGPT w nauczaniu. 7. **Polityka i zarządzanie (Policy and Governance)** — ustawodawstwo, regulacje, strategie krajowe. 8. **Różnorodność (Diversity)** — różnorodność płciowa i etniczna w dziedzinie AI. 9. **Opinia publiczna (Public Opinion)** — stosunek społeczeństwa do AI na podstawie międzynarodowych badań opinii. ## Kluczowe wnioski raportu (Top 10) Autorzy raportu wyróżnili dziesięć głównych tez 2024 roku^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-AIIndex2024-1)}: ### 1. AI przewyższa ludzi w niektórych zadaniach, ale nie we wszystkich Systemy sztucznej inteligencji przekroczyły poziom ludzki na kilku benchmarkach, w tym w klasyfikacji obrazów (ImageNet), rozumowaniu wizualnym (VQA) i rozumieniu języka angielskiego (SuperGLUE). Jednocześnie AI nadal ustępuje ludziom w bardziej złożonych zadaniach: matematyce olimpijskiej (MATH), wizualnym rozumowaniu zdroworozsądkowym i planowaniu^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-AIIndex2024-1)}. ### 2. Przemysł dominuje w czołowych badaniach nad AI W 2023 roku przemysł stworzył 51 znaczących modeli machine learning, podczas gdy środowisko akademickie — jedynie 15. Przy tym 21 modeli powstało w wyniku współpracy przemysłu i akademii — rekordowy wynik^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-AIIndex2024-1)}. ### 3. Koszty trenowania zaawansowanych modeli gwałtownie rosną Według szacunków AI Index i Epoch AI, koszty trenowania GPT-4 wyniosły około 78 milionów dolarów, a Gemini Ultra od Google — około 191 milionów dolarów^{[\[2\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-Epoch2023-2)}. Dla porównania: trenowanie oryginalnego modelu Transformer w 2017 roku kosztowało około 900 dolarów, a RoBERTa Large w 2019 roku — około 160 tysięcy^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-AIIndex2024-1)}. ### 4. USA są liderem jako źródło czołowych modeli AI W 2023 roku 61 znaczących modeli AI zostało stworzonych przez organizacje z USA, znacznie wyprzedzając UE (21 modeli) i Chiny (15 modeli)^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-AIIndex2024-1)}. ### 5. Standaryzowane oceny odpowiedzialności LLM poważnie pozostają w tyle Badanie AI Index wykazało znaczący deficyt standaryzacji w sprawozdawczości dotyczącej odpowiedzialnego AI. Czołowi twórcy — OpenAI, Google i Anthropic — testują swoje modele na różnych benchmarkach odpowiedzialnego AI, co utrudnia systematyczne porównywanie ryzyk^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-AIIndex2024-1)}. ### 6. Inwestycje w generatywny AI gwałtownie rosną Pomimo ogólnego spadku prywatnych inwestycji w AI, finansowanie generatywnego AI wzrosło prawie ośmiokrotnie w porównaniu z 2022 rokiem, osiągając 25,2 miliarda dolarów. Duże rundy pozyskiwania środków przeprowadziły OpenAI, Anthropic, Hugging Face i Inflection^{[\[3\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-Quid2023-3)}. ### 7. AI zwiększa produktywność i jakość pracy Liczne badania z 2023 roku wykazały, że AI pomaga pracownikom wykonywać zadania szybciej i z wyższą jakością, a także zmniejsza różnicę między nisko- a wysoko wykwalifikowanymi specjalistami. Jednocześnie część prac ostrzega, że korzystanie z AI bez odpowiedniego nadzoru może prowadzić do spadku produktywności^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-AIIndex2024-1)}. ### 8. Postęp naukowy przyspiesza dzięki AI W 2023 roku zaprezentowano znaczące zastosowania naukowe AI: AlphaDev (przyspieszenie algorytmów sortowania), GNoME (odkrycie nowych materiałów), GraphCast (prognozowanie pogody) i inne^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-AIIndex2024-1)}. ### 9. Liczba aktów prawnych dotyczących AI w USA gwałtownie wzrosła W 2023 roku przyjęto 25 aktów prawnych związanych z AI — wzrost o 56,3% w porównaniu z poprzednim rokiem. Dla porównania: w 2016 roku przyjęto jedynie jeden taki akt^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-AIIndex2024-1)}. ### 10. Ludzie coraz bardziej są świadomi wpływu AI — i coraz bardziej zaniepokojeni Według danych Ipsos, odsetek respondentów uważających, że AI istotnie wpłynie na ich życie w ciągu najbliższych 3–5 lat, wzrósł z 60% do 66%. Przy tym 52% wyraża niepokój w związku z produktami i usługami AI — wzrost o 13 p.p. od 2022 roku. W USA, według danych Pew Research, 52% Amerykanów deklaruje większy niepokój niż entuzjazm w związku z AI (37% w 2022 roku)^{[\[4\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-Ipsos2023-4)[\[5\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-Pew2023-5)}. ## Rozdział 1. Badania i rozwój Rozdział analizuje trendy w publikacjach, patentach, zaawansowanych systemach AI, modelach bazowych (foundation models), konferencjach i projektach oprogramowania open-source^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-AIIndex2024-1)}. ### Publikacje Całkowita liczba publikacji dotyczących AI stale rośnie: z około 88 000 w 2010 roku do ponad 240 000 w 2022 roku (wzrost prawie trzykrotny). Przyrost w ostatnim roku wyniósł 1,1%^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-AIIndex2024-1)}. ### Patenty Liczba udzielonych patentów w dziedzinie AI na świecie gwałtownie wzrosła: od 2021 do 2022 roku wzrost wyniósł 62,7%, a od 2010 roku — ponad 31-krotnie. Chiny dominują w patentowaniu AI: w 2022 roku ich udział wyniósł 61,1% zgłoszeń patentowych, podczas gdy udział USA wyniósł 20,9% (spadek z 54,1% w 2010 roku)^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-AIIndex2024-1)}. ### Zaawansowane modele W 2023 roku przemysł kontynuował dominację w tworzeniu zaawansowanych modeli. Wydano 149 modeli bazowych — dwukrotnie więcej niż w 2022 roku. Spośród nich 65,7% miało otwarty kod źródłowy (w porównaniu z 44,4% w 2022 roku i 33,3% w 2021 roku)^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-AIIndex2024-1)}. **Koszty trenowania.** Współpraca AI Index z Epoch AI pozwoliła uzyskać doprecyzowane szacunki kosztów trenowania modeli. Wzrost wydatków obrazuje następująca dynamika^{[\[2\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-Epoch2023-2)}: | Model | Rok | Szacowany koszt trenowania (USD) | |---------------|------|----------------------------------| | Transformer | 2017 | ~930 | | BERT-Large | 2018 | ~3 300 | | RoBERTa Large | 2019 | ~160 000 | | GPT-3 175B | 2020 | ~4,3 mln | | PaLM 540B | 2022 | ~12,4 mln | | Llama 2 70B | 2023 | ~3,9 mln | | GPT-4 | 2023 | ~78 mln | | Gemini Ultra | 2023 | ~191 mln | **Przynależność krajowa.** W 2023 roku 61 znaczących modeli zostało stworzonych przez organizacje z USA, 21 — z UE, 15 — z Chin. Potwierdza to wiodącą rolę USA w tworzeniu zaawansowanych systemów AI^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-AIIndex2024-1)}. ### Oprogramowanie open-source Liczba projektów AI na GitHub stale rośnie: z 845 w 2011 roku do około 1,8 miliona w 2023 roku. W 2023 roku odnotowano wzrost o 59,3%. Całkowita liczba gwiazdek dla projektów AI potroiła się: z 4,0 miliona w 2022 roku do 12,2 miliona w 2023 roku^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-AIIndex2024-1)}. ### Konferencje Frekwencja na czołowych konferencjach AI (NeurIPS, ICML, ICLR i inne) nadal rosła, odzwierciedlając rosnące zainteresowanie tą dziedziną^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-AIIndex2024-1)}. ## Rozdział 2. Wydajność techniczna Rozdział analizuje postęp systemów AI w zadaniach przetwarzania języka, generowania obrazów, rozumowania, kodowania i zachowań agentowych^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-AIIndex2024-1)}. ### Stan wydajności AI Stan na 2023 rok: AI przewyższa poziom ludzki w kilku kategoriach zadań: klasyfikacja obrazów (od 2015 roku), podstawowe rozumienie tekstu (od 2017 roku), rozumowanie wizualne (od 2020 roku), wnioskowanie w języku naturalnym (od 2021 roku). Jednak w zadaniach takich jak matematyka olimpijska (MATH) i planowanie AI nadal ustępuje ludziom^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-AIIndex2024-1)}. ### Modele językowe **HELM.** Benchmark Holistic Evaluation of Language Models (HELM), opracowany na Stanfordzie, ocenia LLM według dziesięciu scenariuszy, w tym rozumienia tekstu, matematyki i rozumowania prawniczego. Stan na styczeń 2024 roku: GPT-4 prowadzi z wynikiem mean win rate 0,96^{[\[6\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-HELM2022-6)}. **MMLU.** Benchmark Massive Multitask Language Understanding (MMLU) ocenia modele w 57 dziedzinach przedmiotowych. Gemini Ultra od Google jako pierwszy przekroczył bazowy poziom ludzki (89,8%), osiągając 90,0% — poprawa o 14,8 p.p. w porównaniu z 2022 rokiem i o 57,6 p.p. od momentu powstania benchmarku w 2019 roku^{[\[7\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-MMLU2021-7)}. **Chatbot Arena.** Platforma uruchomiona w 2023 roku pozwala użytkownikom porównywać odpowiedzi anonimowych modeli. Stan na początek 2024 roku: GPT-4 Turbo uznany za najbardziej preferowany model na podstawie ponad 200 000 głosów^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-AIIndex2024-1)}. ### Multimodalność Traditionally systemy AI były ograniczone do jednej modalności. Jednak w 2023 roku pojawiły się potężne modele multimodalne — Google Gemini i OpenAI GPT-4, zdolne do przetwarzania tekstu, obrazów, a w niektórych przypadkach również dźwięku. Benchmark MMMU (Massive Multi-discipline Multimodal Understanding) wykazał, że Gemini Ultra prowadzi z 59,4%, ale jest to znacznie poniżej poziomu eksperta-człowieka (82,6%)^{[\[8\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-MMMU2023-8)}. ### Rozumowanie **GPQA.** Benchmark Graduate-Level Google-Proof Q&A zawiera 448 trudnych pytań z biologii, fizyki i chemii, na które nie można odpowiedzieć za pomocą prostego wyszukiwania w Google. GPT-4 z wyszukiwaniem uzyskał 41,0%, co jest poniżej poziomu ekspertów (72,5%), ale powyżej nie-ekspertów (30,5%)^{[\[9\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-GPQA2023-9)}. **Teoria umysłu (BigToM).** Testowanie zdolności LLM do modelowania przekonań innych osób wykazało, że GPT-4 zbliża się do poziomu ludzkiego w zadaniach bezpośredniego wnioskowania o przekonaniach i działaniach, choć nadal ustępuje w zadaniach odwrotnego wnioskowania o przekonaniach^{[\[10\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-BigToM2023-10)}. ### Kodowanie Benchmark HumanEval ocenia generowanie kodu. W 2023 roku modele kontynuowały poprawianie wyników, a SWE-bench — nowy benchmark do oceny rozwiązywania rzeczywistych zadań inżynierii oprogramowania — wykazał, że nawet najlepsze modele rozwiązują jedynie niewielką część zadań, demonstrując znaczący potencjał dalszego postępu^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-AIIndex2024-1)}. ### Zachowania agentowe Systemy AI są coraz częściej testowane w scenariuszach agentowych. Voyager (Microsoft) zademonstrował zdolność do autonomicznego uczenia się w dynamicznym środowisku Minecraft, zbierając 3,3 razy więcej unikalnych przedmiotów, przemieszczając się 2,3 razy dalej i osiągając kluczowe etapy 15,3 razy szybciej w porównaniu z wcześniejszymi modelami^{[\[11\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-Voyager2023-11)}. MLAgentBench wykazał, że agenty AI do badań naukowych są obiecujące, ale wyniki znacznie różnią się między zadaniami^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-AIIndex2024-1)}. ### Właściwości LLM **Zachowanie emergentne.** Badanie z 2023 roku podało w wątpliwość przekonanie o nieuchronności pojawiania się nieprzewidywalnych „emergentnych" zdolności wraz ze skalowaniem modeli. Przy stosowaniu liniowych i ciągłych metryk takie zdolności w dużej mierze znikają^{[\[12\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-Schaeffer2023-12)}. **Degradacja wydajności.** Badanie Stanfordu i Berkeley wykazało, że wydajność GPT-4 może istotnie zmieniać się między aktualizacjami: wersja z czerwca 2023 roku okazała się o 42 p.p. gorsza od wersji z marca w generowaniu kodu i o 33 p.p. gorsza w zadaniach matematycznych^{[\[13\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-Chen2023LLMDrift-13)}. **Samokorekta.** Badacze z DeepMind i Uniwersytetu Illinois wykazali, że LLM słabo radzą sobie z samodzielną korektą własnego rozumowania bez zewnętrznego kierowania: wydajność GPT-4 spadała na wszystkich testowanych benchmarkach przy próbie samokorekty^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-AIIndex2024-1)}. ## Rozdział 3. Odpowiedzialny AI Rozdział poświęcony jest kluczowym wymiarom odpowiedzialnego AI: prywatności, przejrzystości, bezpieczeństwu i sprawiedliwości^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-AIIndex2024-1)}. ### Incydenty w dziedzinie AI Baza danych AI Incident Database zarejestrowała 123 incydenty w 2023 roku — wzrost o 32,3% w porównaniu z 2022 rokiem. Od 2013 roku liczba incydentów wzrosła ponad dwudziestokrotnie. Wzrost wynika zarówno z rozszerzenia zastosowań AI, jak i ze wzrostu świadomości jego zagrożeń etycznych^{[\[14\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-AIID2023-14)}. ### Standaryzacja benchmarków odpowiedzialnego AI Analiza pięciu czołowych twórców (OpenAI, Meta, Anthropic, Google, Mistral AI) ujawniła brak jednolitego zestawu benchmarków do oceny odpowiedzialnego AI. Choć wspólne benchmarki możliwości (MMLU, HellaSwag, ARC Challenge, HumanEval, GSM8K) są szeroko stosowane, benchmarki odpowiedzialnego AI (TruthfulQA, RealToxicityPrompts, ToxiGen, BOLD, BBQ) są używane fragmentarycznie: TruthfulQA stosuje nie więcej niż trzech z pięciu twórców, a jeden twórca w ogóle nie raportuje testów na benchmarkach odpowiedzialnego AI^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-AIIndex2024-1)}. ### AI i wybory Badania z 2023 roku wykazały, że ludzie prawidłowo identyfikują audio-deepfake'i jedynie w 73% przypadków. Oczekuje się, że wraz z rozwojem technologii generowania dźwięku dokładność rozpoznawania będzie spadać. Stwarza to ryzyko manipulowania kampaniami politycznymi i daje politykom możliwość odrzucania kompromitujących nagrań audio jako fałszywek (tzw. „dywidenda kłamcy")^{[\[15\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-Mai2023-15)}. Badania LLM pod kątem stronniczości politycznej ujawniły korelację między domyślnymi odpowiedziami ChatGPT a stanowiskami Partii Demokratycznej oraz ujemną korelację ze stanowiskami Partii Republikańskiej^{[\[16\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-Motoki2023-16)}. ## Rozdział 4. Gospodarka Rozdział bada trendy w inwestycjach, zatrudnieniu, wdrożeniach korporacyjnych AI i robotyzacji^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-AIIndex2024-1)}. ### Inwestycje **Ogólne trendy.** Łączne inwestycje korporacyjne w AI spadły do 189,2 miliarda dolarów w 2023 roku (spadek o ~20% w stosunku do 2022 roku). Jednak przez ostatnią dekadę wolumen inwestycji wzrósł trzynastokrotnie. Inwestycje prywatne spadały drugi rok z rzędu, choć spadek był mniej wyraźny niż w latach 2021–2022^{[\[3\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-Quid2023-3)}. **Generatywny AI.** Inwestycje w generatywny AI wyniosły 25,2 miliarda dolarów — prawie dziewięciokrotny wzrost w porównaniu z 2022 rokiem i trzydziestokrotny w porównaniu z 2019 rokiem. Generatywny AI zapewnił ponad jedną czwartą wszystkich prywatnych inwestycji w AI^{[\[3\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-Quid2023-3)}. **Rozkład regionalny.** USA z inwestycjami w wysokości 67,2 miliarda dolarów wyprzedziły Chiny (7,8 mld) 8,7-krotnie i Wielką Brytanię (3,8 mld) 17,8-krotnie. Przy tym prywatne inwestycje w Chinach spadły o 44,2%, w UE i Wielkiej Brytanii — o 14,1%, podczas gdy w USA wzrosły o 22,1%^{[\[3\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-Quid2023-3)}. **Startupy.** Liczba nowych firm AI, które otrzymały finansowanie, wzrosła do 1 812 (wzrost o 40,6%). W dziedzinie generatywnego AI finansowanie otrzymało 99 nowych startupów (wobec 56 w 2022 roku)^{[\[3\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-Quid2023-3)}. ### Rynek pracy Udział ofert pracy związanych z AI w USA spadł z 2,0% w 2022 roku do 1,6% w 2023 roku. Podobna tendencja obserwowana jest globalnie. Spadek wynika ze zmniejszenia zatrudnienia przez duże firmy AI i zmniejszenia udziału wakatów technicznych^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-AIIndex2024-1)}. Migracja specjalistów AI z akademii do przemysłu nadal przyspiesza: w 2022 roku 70,7% nowych doktorów w dziedzinie AI podjęło pracę w przemyśle (wobec 40,9% w 2011 roku), a jedynie 20,0% — w akademii (wobec 41,6%)^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-AIIndex2024-1)}. ### Wdrożenia korporacyjne Według danych McKinsey, 55% organizacji korzysta z AI (w tym generatywnego AI) w co najmniej jednym obszarze biznesowym — wzrost z 50% w 2022 roku i 20% w 2017 roku. Przy tym 42% organizacji informuje o obniżeniu kosztów, a 59% — o wzroście przychodów dzięki AI^{[\[17\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-McKinsey2023-17)}. Wzmianki o AI w raportach o wynikach finansowych spółek z Fortune 500 osiągnęły 394 (prawie 80% wszystkich spółek) — zauważalny wzrost z 266 w 2022 roku. Najczęściej wymienianym tematem (19,7% wszystkich rozmów) był generatywny AI^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-AIIndex2024-1)}. ### Robotyka W 2022 roku zainstalowano 553 000 robotów przemysłowych — wzrost o 5,1% w stosunku do 2021 roku i ponad trzykrotny od 2012 roku. Chiny dominują: od 2013 roku, gdy wyprzedziły Japonię, udział Chin wzrósł z 20,8% do 52,4% światowych instalacji w 2022 roku. Udział robotów współpracujących wzrósł z 2,8% w 2017 roku do 9,9% w 2022 roku^{[\[18\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-IFR2023-18)}. ## Rozdział 5. Nauka i medycyna Po raz pierwszy włączony do raportu rozdział omawia rolę AI w odkryciach naukowych i innowacjach medycznych^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-AIIndex2024-1)}. ### Osiągnięcia naukowe 2023 roku **AlphaDev** (DeepMind) — system uczenia ze wzmocnieniem (Reinforcement Learning), który odkrył algorytmy sortowania z mniejszą liczbą instrukcji niż istniejące wzorce stworzone przez ludzi. Niektóre z odkrytych algorytmów zostały włączone do standardowej biblioteki sortowania C++ (LLVM) — pierwsza aktualizacja tej części biblioteki od ponad dziesięciu lat^{[\[19\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-AlphaDev2023-19)}. **GraphCast** (DeepMind) — system prognozowania pogody oparty na grafowych sieciach neuronowych (Neural Network), zapewniający 10-dniową prognozę w czasie krótszym niż minuta z dokładnością przewyższającą wiodący system modelowania HRES (Europejskie Centrum Średnioterminowych Prognoz Pogody)^{[\[20\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-GraphCast2023-20)}. **GNoME** (Google DeepMind) — model wykorzystujący sieci grafowe do przyspieszonego poszukiwania nowych materiałów funkcjonalnych, co ma kluczowe znaczenie dla postępu w robotyce i przemyśle półprzewodnikowym^{[\[21\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-GNoME2023-21)}. **Synbot** — sterowany przez AI robot-chemik do autonomicznej syntezy cząsteczek organicznych, osiągający wydajność reakcji porównywalną z wartościami referencyjnymi lub je przewyższającą^{[\[22\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-Synbot2023-22)}. **FlexiCubes** (NVIDIA) — metoda optymalizacji siatek 3D z wykorzystaniem AI w celu poprawy jakości generowania obiektów 3D w grafice komputerowej^{[\[23\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-FlexiCubes2023-23)}. ### AI w medycynie **Wiedza kliniczna.** Na benchmarku MedQA (ocena wiedzy klinicznej AI) model GPT-4 Medprompt osiągnął dokładność 90,2% — wzrost o 22,6 p.p. w porównaniu z najlepszym wynikiem z 2022 roku. Od momentu powstania benchmarku w 2019 roku wydajność AI na MedQA prawie potroiła się. Warto zauważyć, że GPT-4 Medprompt zastosował inżynierię promptów zamiast fine-tuningu, przewyższając wyspecjalizowane modele medyczne^{[\[24\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-Medprompt2023-24)}. **MediTron-70B** — otwarta medyczna LLM, która osiągnęła 70,2% na MedQA — najlepszy wynik wśród modeli z otwartym kodem, choć niższy od wyników zamkniętych modeli GPT-4 Medprompt i Med-PaLM 2^{[\[25\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-Meditron2023-25)}. **Innowacje medyczne.** Wśród znaczących systemów z 2023 roku: SynthSR (poprawa wizualizacji struktur mózgu na podstawie skanów MRI niskiej jakości), ImmunoSEIRA (sensory podczerwieni oparte na AI do diagnostyki chorób neurodegeneracyjnych), EVEscape (prognozowanie ewolucji wirusów w celu zapobiegania pandemiom), AlphaMissense (klasyfikacja mutacji missense)^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-AIIndex2024-1)}. **Zatwierdzenia FDA.** W 2022 roku FDA zatwierdziło 139 urządzeń medycznych opartych na AI — wzrost o 12,1% w stosunku do 2021 roku. Od 2012 roku liczba takich zatwierdzeń wzrosła ponad 45-krotnie^{[\[26\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-FDA2023-26)}. ## Rozdział 6. Edukacja Rozdział omawia tendencje w edukacji w zakresie informatyki i AI^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-AIIndex2024-1)}. ### Szkolnictwo wyższe Liczba absolwentów studiów licencjackich z informatyki w USA i Kanadzie nadal rośnie. Liczba magistrów pozostaje względnie stabilna, a liczba doktorów skromnie wzrasta. Od 2018 roku liczba magistrów i doktorów informatyki nieco spadła^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-AIIndex2024-1)}. Udział studentów zagranicznych zmniejszył się na wszystkich poziomach kształcenia, szczególnie wyraźnie — na studiach magisterskich. W skali światowej liczba anglojęzycznych programów edukacyjnych związanych z AI potroiła się od 2017 roku^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-AIIndex2024-1)}. ### ChatGPT w edukacji Według badania Walton Foundation, 88% nauczycieli i 79% studentów uważa, że ChatGPT wywiera pozytywny wpływ na proces edukacyjny. 76% nauczycieli i 65% studentów uważa, że ważne jest zintegrowanie ChatGPT z nauczaniem^{[\[27\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-WaltonFoundation2023-27)}. ## Rozdział 7. Polityka i zarządzanie Rozdział analizuje aktywność legislacyjną i regulacyjną w dziedzinie AI na poziomie globalnym, amerykańskim i europejskim^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-AIIndex2024-1)}. ### Tendencje globalne Wzmianki o AI w procesach legislacyjnych na całym świecie osiągnęły rekordowy poziom. Obserwuje się przesunięcie od czysto stymulujących środków ku ustawodawstwu ograniczającemu, co świadczy o rosnącej uwadze regulatorów na potencjalne ryzyka AI^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-AIIndex2024-1)}. Tematyka przyjętych ustaw w 2023 roku znacznie się poszerzyła, obejmując siły zbrojne i bezpieczeństwo narodowe, prawa obywatelskie, handel, edukację, stosunki pracy, naukę i technologię^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-AIIndex2024-1)}. ### Regulacje w USA Liczba aktów prawnych związanych z AI osiągnęła 25 w 2023 roku (wzrost o 56,3% w stosunku do 2022 roku). Najczęstszą tematyką był handel zagraniczny i finanse międzynarodowe. Udział aktów prawnych o wysokiej i średniej istotności dla AI wzrósł w porównaniu z poprzednimi latami^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-AIIndex2024-1)}. Znamienny wydarzeniem 2023 roku był Dekret Prezydenta Bidena w sprawie AI (Executive Order on AI), nakierowany m.in. na utworzenie Krajowego Zasobu Badań AI (National AI Research Resource) w celu zapewnienia równych szans między przemysłem a akademią^{[\[28\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-BidenEO2023-28)}. ### Regulacje w UE W Unii Europejskiej obserwuje się podobną tendencję do wzrostu liczby aktów prawnych związanych z AI. Znaczącym osiągnięciem 2023 roku było zaawansowanie prac nad *AI Act* — pierwszą kompleksową ustawą o AI na świecie^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-AIIndex2024-1)}. ## Rozdział 8. Różnorodność Rozdział bada różnorodność płciową i etniczną wśród specjalistów AI. Pomimo pewnych postępów, kobiety i przedstawiciele mniejszości nadal są znacząco niedoreprezentowani w dziedzinie AI zarówno w przemyśle, jak i w akademii^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-AIIndex2024-1)}. ## Rozdział 9. Opinia publiczna Rozdział analizuje społeczne postrzeganie AI na podstawie międzynarodowych badań opinii i danych z mediów społecznościowych^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-AIIndex2024-1)}. ### Badania międzynarodowe **Świadomość i obawy.** Według danych Ipsos, 66% respondentów (wzrost z 60%) uważa, że AI istotnie wpłynie na ich życie w ciągu najbliższych 3–5 lat. Przy tym 52% wyraża niepokój wobec produktów AI (wzrost o 13 p.p. od 2022 roku)^{[\[4\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-Ipsos2023-4)}. **Oczekiwania ekonomiczne.** Jedynie 37% respondentów uważa, że AI poprawi ich pracę, 34% — że poprawi gospodarkę, a 32% — że pozytywnie wpłynie na rynek pracy^{[\[4\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-Ipsos2023-4)}. **Różnice demograficzne.** Młodsze pokolenia są znacznie bardziej optymistyczne: 59% przedstawicieli pokolenia Z uważa, że AI poprawi rozrywkę, wobec 40% baby boomersów. Osoby z wyższym poziomem dochodów i wykształcenia są również bardziej optymistyczne^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-AIIndex2024-1)}. **Rozpoznawalność ChatGPT.** Według danych z międzynarodowego badania Uniwersytetu Toronto, 63% respondentów wie o ChatGPT, z czego około połowa korzysta z niego co najmniej raz w tygodniu^{[\[29\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-GPO-AI2023-29)}. ### Dane z mediów społecznościowych Analiza Quid obejmująca ponad 7 milionów postów w mediach społecznościowych z 2023 roku wykazała, że modele GraphCast i Claude 2.1 uzyskały najwyższy wskaźnik pozytywnego nastawienia (net sentiment score). GPT-4 przyciągnął największą uwagę w pierwszym kwartale, podczas gdy pod koniec roku zainteresowanie skupiło się na Gemini i Grok^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-AIIndex2024-1)}. ## Znaczące modele AI 2023 roku Raport odnotowuje pojawienie się szeregu kluczowych modeli^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-AIIndex2024-1)}: | Model | Twórca | Typ | Data | Znaczenie | |-----------------------|------------|---------------------|------------------------|-----------------------------------------------------| | GPT-4 | OpenAI | LLM, multimodalna | Marzec 2023 | Jeden z najpotężniejszych LLM; lider HELM | | PaLM 2 | Google | LLM | Maj 2023 | Rozszerzone możliwości wielojęzyczne | | Llama 2 | Meta | LLM (otwarta) | Lipiec 2023 | Wiodący otwarty model; wersje 7B/13B/70B | | Claude 2 / 2.1 | Anthropic | LLM | Lipiec / Listopad 2023 | Okno kontekstowe do 200K tokenów | | Mistral 7B | Mistral AI | LLM (otwarta) | Wrzesień 2023 | Kompaktowy model o wysokiej wydajności | | DALL-E 3 | OpenAI | Generowanie obrazów | Październik 2023 | Ulepszona jakość i zgodność z promptami | | Gemini / Gemini Ultra | Google | LLM, multimodalna | Grudzień 2023 | Pierwszy LLM, który przewyższył człowieka na MMLU | | Mixtral 8×7B | Mistral AI | LLM (MoE, otwarta) | Grudzień 2023 | Architektura Mixture-of-Experts | | Midjourney v6 | Midjourney | Generowanie obrazów | Grudzień 2023 | Ulepszona jakość i intuicyjne prompty | | Whisper v3 | OpenAI | Rozpoznawanie mowy | Listopad 2023 | Zwiększona dokładność, rozszerzona obsługa językowa | ## Metodologia Raport korzysta z danych z wielu źródeł^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-AIIndex2024-1)}: - **Publikacje i patenty:** OpenAlex, WIPO, USPTO, dane Epoch AI. - **Benchmarki:** Papers With Code, CRFM (HELM), wyspecjalizowane listy rankingowe. - **Inwestycje:** Quid (Capital IQ, Crunchbase), dane dotyczące ponad 8 milionów firm. - **Rynek pracy:** Lightcast, LinkedIn, Stack Overflow. - **Aktywność korporacyjna:** McKinsey & Company, Seeking Alpha (rozmowy o wynikach finansowych). - **Robotyka:** International Federation of Robotics (IFR). - **Regulacje:** Federal Register (USA), EUR-Lex (UE), Govini. - **Opinia publiczna:** Ipsos, Pew Research Center, University of Toronto (GPO-AI), Quid (media społecznościowe). - **Edukacja:** CRA Taulbee Survey, Informatics Europe, Studyportals, Code.org, Walton Foundation. - **Medycyna:** FDA, Papers With Code (MedQA). Szacunki kosztów trenowania modeli zostały przygotowane we współpracy z Epoch AI na podstawie analizy rodzaju i liczby sprzętu komputerowego, czasu trwania trenowania oraz cen wynajmu w chmurze^{[\[2\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-Epoch2023-2)}. ## Zespół autorski Raport został przygotowany pod kierownictwem współdyrektorów **Raya Perraulta** (Ray Perrault) i **Jacka Clarka** (Jack Clark) przy udziale szerokiego grona badaczy i organizacji partnerskich. AI Index jest projektem Stanfordzkiego Instytutu HAI (Human-Centered Artificial Intelligence)^{[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_note-AIIndex2024-1)}. ## Odnośniki - Stanford HAI — AI Index Report 2024 (pełny tekst): https://aiindex.stanford.edu/report/ - Epoch AI — dane o kosztach trenowania i trendach obliczeniowych: https://epochai.org/ - Papers With Code — benchmarki i listy rankingowe: 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 ## Literatura - 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 ## Przypisy 1. ↑ ^{[1.00](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-AIIndex2024_1-0)} ^{[1.01](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-AIIndex2024_1-1)} ^{[1.02](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-AIIndex2024_1-2)} ^{[1.03](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-AIIndex2024_1-3)} ^{[1.04](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-AIIndex2024_1-4)} ^{[1.05](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-AIIndex2024_1-5)} ^{[1.06](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-AIIndex2024_1-6)} ^{[1.07](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-AIIndex2024_1-7)} ^{[1.08](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-AIIndex2024_1-8)} ^{[1.09](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-AIIndex2024_1-9)} ^{[1.10](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-AIIndex2024_1-10)} ^{[1.11](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-AIIndex2024_1-11)} ^{[1.12](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-AIIndex2024_1-12)} ^{[1.13](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-AIIndex2024_1-13)} ^{[1.14](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-AIIndex2024_1-14)} ^{[1.15](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-AIIndex2024_1-15)} ^{[1.16](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-AIIndex2024_1-16)} ^{[1.17](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-AIIndex2024_1-17)} ^{[1.18](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-AIIndex2024_1-18)} ^{[1.19](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-AIIndex2024_1-19)} ^{[1.20](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-AIIndex2024_1-20)} ^{[1.21](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-AIIndex2024_1-21)} ^{[1.22](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-AIIndex2024_1-22)} ^{[1.23](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-AIIndex2024_1-23)} ^{[1.24](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-AIIndex2024_1-24)} ^{[1.25](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-AIIndex2024_1-25)} ^{[1.26](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-AIIndex2024_1-26)} ^{[1.27](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-AIIndex2024_1-27)} ^{[1.28](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-AIIndex2024_1-28)} ^{[1.29](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-AIIndex2024_1-29)} ^{[1.30](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-AIIndex2024_1-30)} ^{[1.31](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-AIIndex2024_1-31)} ^{[1.32](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-AIIndex2024_1-32)} ^{[1.33](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-AIIndex2024_1-33)} ^{[1.34](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-AIIndex2024_1-34)} ^{[1.35](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-AIIndex2024_1-35)} ^{[1.36](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-AIIndex2024_1-36)} ^{[1.37](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-AIIndex2024_1-37)} ^{[1.38](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-AIIndex2024_1-38)} ^{[1.39](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-AIIndex2024_1-39)} ^{[1.40](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-AIIndex2024_1-40)} ^{[1.41](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-AIIndex2024_1-41)} ^{[1.42](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-AIIndex2024_1-42)} ^{[1.43](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-AIIndex2024_1-43)} ^{[1.44](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-AIIndex2024_1-44)} ^{[1.45](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-AIIndex2024_1-45)} ^{[1.46](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#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_(PL)#cite_ref-Epoch2023_2-0)} ^{[2.1](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-Epoch2023_2-1)} ^{[2.2](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#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_(PL)#cite_ref-Quid2023_3-0)} ^{[3.1](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-Quid2023_3-1)} ^{[3.2](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-Quid2023_3-2)} ^{[3.3](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-Quid2023_3-3)} ^{[3.4](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#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_(PL)#cite_ref-Ipsos2023_4-0)} ^{[4.1](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#cite_ref-Ipsos2023_4-1)} ^{[4.2](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#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_(PL)#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_(PL)#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_(PL)#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_(PL)#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_(PL)#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_(PL)#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_(PL)#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_(PL)#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_(PL)#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_(PL)#cite_ref-AIID2023_14-0) AI Incident Database (2023). https://incidentdatabase.ai/ 15. [↑](https://systems-analysis.info/int/The_2024_AI_Index_Report_(PL)#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_(PL)#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_(PL)#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_(PL)#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_(PL)#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_(PL)#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_(PL)#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_(PL)#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_(PL)#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_(PL)#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_(PL)#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_(PL)#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_(PL)#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_(PL)#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_(PL)#cite_ref-GPO-AI2023_29-0) Global Public Opinion on AI Survey, University of Toronto (2023). https://www.mediatechdemocracy.com/