--- title: "The 2024 AI Index Report (TH)" source: "https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)" wiki: "systems-analysis.info/int" article: "The_2024_AI_Index_Report_(TH)" language: "th" categories: - "Category:Large language models" - "Category:Machine learning" - "Category:Thai" revision_id: 8045 wiki_created_at: 2026-09-07T01:11:31Z wiki_modified_at: 2026-09-07T01:11:31Z downloaded_at: 2026-09-07T23:23:04Z --- # The 2024 AI Index Report (TH) **AI Index Report 2024** — เป็นรายงาน **AI Index** ฉบับที่เจ็ดที่จัดทำขึ้นเป็นประจำทุกปี โดยสถาบันปัญญาประดิษฐ์ที่เน้นมนุษย์เป็นศูนย์กลางของมหาวิทยาลัยสแตนฟอร์ด (Stanford HAI)[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-AIIndex2024-1) รายงานประจำปี 2024 ถือเป็นฉบับที่ครอบคลุมมากที่สุดตลอดประวัติศาสตร์การเผยแพร่ และออกมาในช่วงเวลาที่อิทธิพลของ AI ต่อสังคมกำลังปรากฏให้เห็นอย่างที่ไม่เคยมีมาก่อน ฉบับนี้ประกอบด้วยการประเมินค่าใช้จ่ายในการฝึกโมเดลใหม่ การวิเคราะห์เชิงลึกด้าน AI ที่รับผิดชอบ และเป็นครั้งแรกที่มีบทแยกต่างหากซึ่งอุทิศให้กับผลกระทบของ AI ต่อวิทยาศาสตร์และการแพทย์ รายงานนี้ติดตาม รวบรวม และนำเสนอข้อมูลที่เกี่ยวข้องกับปัญญาประดิษฐ์ในรูปแบบภาพ เพื่อให้ข้อมูลที่เป็นกลางและผ่านการตรวจสอบอย่างรอบคอบแก่ผู้กำหนดนโยบาย นักวิจัย ผู้บริหาร นักข่าว และสาธารณชนทั่วไป ## โครงสร้างของรายงาน รายงานประจำปี 2024 ประกอบด้วยเก้าบทตามหัวข้อ[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-AIIndex2024-1): 1. **การวิจัยและพัฒนา (Research and Development)** — แนวโน้มด้านสิ่งพิมพ์ สิทธิบัตร โมเดลพื้นฐาน และโครงการโอเพนซอร์ส 2. **ประสิทธิภาพทางเทคนิค (Technical Performance)** — benchmark การเปรียบเทียบกับระดับมนุษย์ และ multimodality 3. **AI ที่รับผิดชอบ (Responsible AI)** — เหตุการณ์ ความปลอดภัย อคติ และความเป็นส่วนตัว 4. **เศรษฐกิจ (Economy)** — การลงทุน ตลาดแรงงาน การนำ AI ไปใช้ในองค์กร และหุ่นยนต์ 5. **วิทยาศาสตร์และการแพทย์ (Science and Medicine)** — บทใหม่: ความก้าวหน้าทางวิทยาศาสตร์และการประยุกต์ใช้ AI ในการแพทย์ 6. **การศึกษา (Education)** — การพัฒนาบุคลากร หลักสูตรการศึกษา และ ChatGPT ในการเรียนการสอน 7. **นโยบายและการกำกับดูแล (Policy and Governance)** — กฎหมาย การควบคุม และยุทธศาสตร์แห่งชาติ 8. **ความหลากหลาย (Diversity)** — ความหลากหลายทางเพศและชาติพันธุ์ในวงการ AI 9. **ความเห็นสาธารณะ (Public Opinion)** — ทัศนคติของประชาชนต่อ AI จากการสำรวจระดับนานาชาติ ## ข้อสรุปสำคัญของรายงาน (Top 10) ผู้จัดทำรายงานได้ระบุข้อสรุปหลักสิบประการสำหรับปี 2024[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-AIIndex2024-1): ### 1. AI เหนือกว่ามนุษย์ในบางงาน แต่ไม่ใช่ทั้งหมด ระบบปัญญาประดิษฐ์สามารถเอาชนะระดับมนุษย์ใน benchmark หลายรายการ รวมถึงการจำแนกภาพ (ImageNet) การให้เหตุผลด้านภาพ (VQA) และการทำความเข้าใจภาษาอังกฤษ (SuperGLUE) อย่างไรก็ตาม AI ยังคงด้อยกว่ามนุษย์ในงานที่ซับซ้อนกว่า ได้แก่ คณิตศาสตร์ระดับโอลิมปิก (MATH) การให้เหตุผลตามสามัญสำนึกด้านภาพ และการวางแผน[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-AIIndex2024-1) ### 2. ภาคอุตสาหกรรมครองความเป็นผู้นำในการวิจัย AI ขั้นแนวหน้า ในปี 2023 ภาคอุตสาหกรรมสร้างโมเดล Machine Learning ที่สำคัญถึง 51 โมเดล ในขณะที่สถาบันการศึกษาสร้างเพียง 15 โมเดล นอกจากนี้ 21 โมเดลเป็นผลจากความร่วมมือระหว่างอุตสาหกรรมและสถาบันการศึกษา ซึ่งเป็นสถิติสูงสุดเป็นประวัติการณ์[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-AIIndex2024-1) ### 3. ค่าใช้จ่ายในการฝึกโมเดลขั้นแนวหน้าเพิ่มขึ้นอย่างรวดเร็ว ตามการประมาณการของ AI Index และ Epoch AI ค่าใช้จ่ายในการฝึก GPT-4 อยู่ที่ประมาณ 78 ล้านดอลลาร์ ส่วน Gemini Ultra ของ Google อยู่ที่ประมาณ 191 ล้านดอลลาร์[\[2\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-Epoch2023-2) เพื่อการเปรียบเทียบ การฝึกโมเดล Transformer ต้นฉบับในปี 2017 มีราคาประมาณ 900 ดอลลาร์ และ RoBERTa Large ในปี 2019 อยู่ที่ประมาณ 160,000 ดอลลาร์[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-AIIndex2024-1) ### 4. สหรัฐอเมริกาเป็นผู้นำในฐานะแหล่งกำเนิดโมเดล AI ชั้นนำ ในปี 2023 โมเดล AI ที่สำคัญจำนวน 61 โมเดลถูกสร้างโดยองค์กรในสหรัฐอเมริกา นำหน้าสหภาพยุโรป (21 โมเดล) และจีน (15 โมเดล) อย่างมีนัยสำคัญ[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-AIIndex2024-1) ### 5. การประเมินความรับผิดชอบของ LLM ที่เป็นมาตรฐานยังล้าหลังอย่างมาก การศึกษาของ AI Index พบว่ามีการขาดมาตรฐานอย่างมีนัยสำคัญในการรายงานด้าน AI ที่รับผิดชอบ ผู้พัฒนาชั้นนำ ได้แก่ OpenAI, Google และ Anthropic ทดสอบโมเดลของตนบน benchmark ด้าน AI ที่รับผิดชอบที่แตกต่างกัน ทำให้การเปรียบเทียบความเสี่ยงอย่างเป็นระบบเป็นเรื่องยาก[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-AIIndex2024-1) ### 6. การลงทุนใน Generative AI เพิ่มขึ้นอย่างรวดเร็ว แม้ว่าการลงทุนภาคเอกชนใน AI โดยรวมจะลดลง แต่การลงทุนใน Generative AI เพิ่มขึ้นเกือบแปดเท่าเมื่อเทียบกับปี 2022 แตะระดับ 25,200 ล้านดอลลาร์ การระดมทุนรอบใหญ่ดำเนินการโดย OpenAI, Anthropic, Hugging Face และ Inflection[\[3\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-Quid2023-3) ### 7. AI เพิ่มประสิทธิภาพและคุณภาพของงาน การศึกษาจำนวนมากในปี 2023 แสดงให้เห็นว่า AI ช่วยให้คนงานทำงานได้เร็วขึ้นและมีคุณภาพสูงขึ้น รวมถึงลดช่องว่างระหว่างผู้มีทักษะต่ำและสูง อย่างไรก็ตาม งานวิจัยบางชิ้นเตือนว่าการใช้ AI โดยขาดการดูแลที่เหมาะสมอาจนำไปสู่การลดลงของประสิทธิภาพการทำงาน[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-AIIndex2024-1) ### 8. ความก้าวหน้าทางวิทยาศาสตร์เร่งตัวขึ้นด้วย AI ในปี 2023 มีการนำเสนอการประยุกต์ใช้ AI ทางวิทยาศาสตร์ที่สำคัญ ได้แก่ AlphaDev (เพิ่มความเร็วอัลกอริทึมการจัดเรียง), GNoME (ค้นพบวัสดุใหม่), GraphCast (พยากรณ์อากาศ) และอื่นๆ[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-AIIndex2024-1) ### 9. จำนวนกฎระเบียบเกี่ยวกับ AI ในสหรัฐอเมริกาเพิ่มขึ้นอย่างรวดเร็ว ในปี 2023 มีการออกกฎระเบียบที่เกี่ยวข้องกับ AI จำนวน 25 ฉบับ เพิ่มขึ้น 56.3% เมื่อเทียบกับปีก่อนหน้า เพื่อการเปรียบเทียบ ในปี 2016 มีการออกกฎระเบียบดังกล่าวเพียงหนึ่งฉบับ[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-AIIndex2024-1) ### 10. ผู้คนตระหนักถึงผลกระทบของ AI มากขึ้น — และวิตกกังวลมากขึ้น จากข้อมูลของ Ipsos สัดส่วนผู้ตอบแบบสอบถามที่เชื่อว่า AI จะส่งผลกระทบอย่างมีนัยสำคัญต่อชีวิตของพวกเขาในช่วง 3–5 ปีข้างหน้าเพิ่มขึ้นจาก 60% เป็น 66% โดย 52% แสดงความวิตกกังวลต่อผลิตภัณฑ์และบริการ AI ซึ่งเพิ่มขึ้น 13 จุดเปอร์เซ็นต์จากปี 2022 ในสหรัฐอเมริกา จากข้อมูลของ Pew Research ชาวอเมริกัน 52% รายงานว่ามีความกังวลมากกว่าความตื่นเต้นเกี่ยวกับ AI (เทียบกับ 37% ในปี 2022)[\[4\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-Ipsos2023-4)[\[5\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-Pew2023-5) ## บทที่ 1. การวิจัยและพัฒนา บทนี้วิเคราะห์แนวโน้มด้านสิ่งพิมพ์ สิทธิบัตร ระบบ AI ขั้นแนวหน้า โมเดลพื้นฐาน (foundation models) การประชุมวิชาการ และโครงการซอฟต์แวร์โอเพนซอร์ส[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-AIIndex2024-1) ### สิ่งพิมพ์ จำนวนสิ่งพิมพ์ด้าน AI ทั้งหมดยังคงเพิ่มขึ้นอย่างต่อเนื่อง จากประมาณ 88,000 ฉบับในปี 2010 เป็นมากกว่า 240,000 ฉบับในปี 2022 (เพิ่มขึ้นเกือบสามเท่า) โดยการเติบโตในปีล่าสุดอยู่ที่ 1.1%[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-AIIndex2024-1) ### สิทธิบัตร จำนวนสิทธิบัตรด้าน AI ที่ได้รับการอนุมัติทั่วโลกเพิ่มขึ้นอย่างรวดเร็ว โดยเพิ่มขึ้น 62.7% ระหว่างปี 2021 ถึง 2022 และเพิ่มขึ้นมากกว่า 31 เท่านับตั้งแต่ปี 2010 จีนครองความเป็นผู้นำในการจดสิทธิบัตร AI โดยในปี 2022 มีส่วนแบ่ง 61.1% ของคำขอสิทธิบัตร ในขณะที่สัดส่วนของสหรัฐอเมริกาอยู่ที่ 20.9% (ลดลงจาก 54.1% ในปี 2010)[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-AIIndex2024-1) ### โมเดลขั้นแนวหน้า ในปี 2023 ภาคอุตสาหกรรมยังคงครองความเป็นผู้นำในการสร้างโมเดลขั้นแนวหน้า มีการเปิดตัวโมเดลพื้นฐานถึง 149 โมเดล มากกว่าปี 2022 ถึงสองเท่า ในจำนวนนี้ 65.7% เป็นโอเพนซอร์ส (เทียบกับ 44.4% ในปี 2022 และ 33.3% ในปี 2021)[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-AIIndex2024-1) **ค่าใช้จ่ายในการฝึก** ความร่วมมือระหว่าง AI Index และ Epoch AI ช่วยให้ได้การประมาณค่าใช้จ่ายในการฝึกโมเดลที่แม่นยำยิ่งขึ้น การเพิ่มขึ้นของค่าใช้จ่ายแสดงให้เห็นได้ชัดเจนจากพลวัตดังต่อไปนี้[\[2\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-Epoch2023-2): | โมเดล | ปี | ประมาณการค่าใช้จ่ายในการฝึก (USD) | |---------------|------|-------------------------------| | Transformer | 2017 | ~930 | | BERT-Large | 2018 | ~3 300 | | RoBERTa Large | 2019 | ~160 000 | | GPT-3 175B | 2020 | ~4.3 ล้าน | | PaLM 540B | 2022 | ~12.4 ล้าน | | Llama 2 70B | 2023 | ~3.9 ล้าน | | GPT-4 | 2023 | ~78 ล้าน | | Gemini Ultra | 2023 | ~191 ล้าน | **สัญชาติ** ในปี 2023 โมเดลสำคัญจำนวน 61 โมเดลถูกสร้างโดยองค์กรในสหรัฐอเมริกา 21 โมเดลโดยสหภาพยุโรป และ 15 โมเดลโดยจีน ซึ่งยืนยันบทบาทนำของสหรัฐอเมริกาในการพัฒนาระบบ AI ขั้นแนวหน้า[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-AIIndex2024-1) ### ซอฟต์แวร์โอเพนซอร์ส จำนวนโครงการ AI บน GitHub เพิ่มขึ้นอย่างต่อเนื่อง จาก 845 โครงการในปี 2011 เป็นประมาณ 1.8 ล้านโครงการในปี 2023 ในปี 2023 มีการเติบโต 59.3% จำนวนดาวทั้งหมดสำหรับโครงการ AI เพิ่มขึ้นสามเท่า จาก 4.0 ล้านดาวในปี 2022 เป็น 12.2 ล้านดาวในปี 2023[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-AIIndex2024-1) ### การประชุมวิชาการ จำนวนผู้เข้าร่วมการประชุม AI ชั้นนำ (NeurIPS, ICML, ICLR และอื่นๆ) ยังคงเพิ่มขึ้น สะท้อนถึงความสนใจที่เพิ่มขึ้นในสาขานี้[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-AIIndex2024-1) ## บทที่ 2. ประสิทธิภาพทางเทคนิค บทนี้วิเคราะห์ความก้าวหน้าของระบบ AI ในงานด้านการประมวลผลภาษา การสร้างภาพ การให้เหตุผล การเขียนโค้ด และพฤติกรรมแบบ Agent[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-AIIndex2024-1) ### สถานะของประสิทธิภาพ AI ณ ปี 2023 AI มีประสิทธิภาพเหนือกว่าระดับมนุษย์ในหลายประเภทงาน ได้แก่ การจำแนกภาพ (ตั้งแต่ปี 2015) การทำความเข้าใจข้อความขั้นพื้นฐาน (ตั้งแต่ปี 2017) การให้เหตุผลด้านภาพ (ตั้งแต่ปี 2020) และการอนุมานด้วยภาษาธรรมชาติ (ตั้งแต่ปี 2021) อย่างไรก็ตาม ในงานอย่างคณิตศาสตร์โอลิมปิก (MATH) และการวางแผน AI ยังคงด้อยกว่ามนุษย์[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-AIIndex2024-1) ### โมเดลภาษา **HELM** benchmark Holistic Evaluation of Language Models (HELM) ที่พัฒนาโดยมหาวิทยาลัยสแตนฟอร์ด ประเมิน LLM ใน 10 สถานการณ์ รวมถึงการทำความเข้าใจข้อความ คณิตศาสตร์ และการให้เหตุผลทางกฎหมาย ณ เดือนมกราคม 2024 GPT-4 เป็นผู้นำด้วยค่า mean win rate ที่ 0.96[\[6\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-HELM2022-6) **MMLU** benchmark Massive Multitask Language Understanding (MMLU) ประเมินโมเดลใน 57 สาขาวิชา Gemini Ultra ของ Google เป็นรายแรกที่ก้าวข้ามระดับพื้นฐานของมนุษย์ (89.8%) โดยได้คะแนน 90.0% ซึ่งดีขึ้น 14.8 จุดเปอร์เซ็นต์เมื่อเทียบกับปี 2022 และดีขึ้น 57.6 จุดเปอร์เซ็นต์นับตั้งแต่มีการสร้าง benchmark ในปี 2019[\[7\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-MMLU2021-7) **Chatbot Arena** แพลตฟอร์มที่เปิดตัวในปี 2023 ให้ผู้ใช้สามารถเปรียบเทียบผลลัพธ์จากโมเดลที่ไม่เปิดเผยชื่อ ณ ต้นปี 2024 GPT-4 Turbo ได้รับการยอมรับว่าเป็นโมเดลที่ดีที่สุดจากผลการโหวตมากกว่า 200,000 ครั้ง[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-AIIndex2024-1) ### Multimodality โดยปกติระบบ AI จะถูกจำกัดให้ทำงานกับ modality เดียว อย่างไรก็ตาม ในปี 2023 ได้มีการเปิดตัวโมเดล multimodal ที่ทรงพลัง ได้แก่ Google Gemini และ OpenAI GPT-4 ซึ่งสามารถประมวลผลข้อความ รูปภาพ และในบางกรณียังรวมถึงเสียงด้วย benchmark MMMU (Massive Multi-discipline Multimodal Understanding) แสดงให้เห็นว่า Gemini Ultra เป็นผู้นำด้วยคะแนน 59.4% แต่ยังต่ำกว่าระดับผู้เชี่ยวชาญมนุษย์ (82.6%) อย่างมีนัยสำคัญ[\[8\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-MMMU2023-8) ### การให้เหตุผล **GPQA** benchmark Graduate-Level Google-Proof Q&A ประกอบด้วยคำถามยากจำนวน 448 ข้อในสาขาชีววิทยา ฟิสิกส์ และเคมี ซึ่งไม่สามารถตอบได้ด้วยการค้นหาใน Google อย่างง่าย GPT-4 ที่ใช้การค้นหาได้คะแนน 41.0% ซึ่งต่ำกว่าระดับผู้เชี่ยวชาญ (72.5%) แต่สูงกว่าผู้ที่ไม่ใช่ผู้เชี่ยวชาญ (30.5%)[\[9\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-GPQA2023-9) **ทฤษฎีจิตใจ (BigToM)** การทดสอบความสามารถของ LLM ในการจำลองความเชื่อของผู้อื่นแสดงให้เห็นว่า GPT-4 เข้าใกล้ระดับมนุษย์ในงานการอนุมานความเชื่อและการกระทำโดยตรง แม้ว่าจะยังคงด้อยกว่าในงานการอนุมานความเชื่อแบบผกผัน[\[10\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-BigToM2023-10) ### การเขียนโค้ด benchmark HumanEval ประเมินการสร้างโค้ด ในปี 2023 โมเดลต่างๆ ยังคงปรับปรุงประสิทธิภาพอย่างต่อเนื่อง และ SWE-bench ซึ่งเป็น benchmark ใหม่สำหรับการประเมินการแก้ปัญหาวิศวกรรมซอฟต์แวร์จริง แสดงให้เห็นว่าแม้แต่โมเดลที่ดีที่สุดก็สามารถแก้ปัญหาได้เพียงส่วนน้อย ซึ่งบ่งชี้ถึงศักยภาพอันมหาศาลสำหรับความก้าวหน้าในอนาคต[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-AIIndex2024-1) ### พฤติกรรมแบบ Agent ระบบ AI ได้รับการทดสอบในสถานการณ์แบบ Agent มากขึ้น Voyager (Microsoft) แสดงให้เห็นถึงความสามารถในการเรียนรู้ด้วยตนเองในสภาพแวดล้อม Minecraft ที่มีพลวัต โดยสามารถรวบรวมสิ่งของที่ไม่ซ้ำกันได้มากกว่า 3.3 เท่า เดินทางได้ไกลกว่า 2.3 เท่า และบรรลุเป้าหมายสำคัญได้เร็วกว่า 15.3 เท่าเมื่อเทียบกับโมเดลก่อนหน้า[\[11\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-Voyager2023-11) MLAgentBench แสดงให้เห็นว่า AI Agent สำหรับการวิจัยทางวิทยาศาสตร์มีศักยภาพที่น่าสนใจ แต่ผลลัพธ์แตกต่างกันอย่างมากระหว่างงานต่างๆ[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-AIIndex2024-1) ### คุณสมบัติของ LLM **พฤติกรรมเชิงอุบัติ (Emergent Behavior)** งานวิจัยในปี 2023 ตั้งคำถามต่อแนวคิดที่ว่าความสามารถ "เชิงอุบัติ" ที่ไม่คาดคิดจะปรากฏขึ้นอย่างหลีกเลี่ยงไม่ได้เมื่อโมเดลขยายขนาด เมื่อใช้ metric เชิงเส้นและต่อเนื่อง ความสามารถดังกล่าวส่วนใหญ่จะหายไป[\[12\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-Schaeffer2023-12) **การเสื่อมถอยของประสิทธิภาพ** งานวิจัยจากมหาวิทยาลัยสแตนฟอร์ดและเบิร์กลีย์แสดงให้เห็นว่าประสิทธิภาพของ GPT-4 อาจเปลี่ยนแปลงอย่างมีนัยสำคัญระหว่างการอัปเดต โดยเวอร์ชันเดือนมิถุนายน 2023 มีประสิทธิภาพแย่กว่าเวอร์ชันเดือนมีนาคมถึง 42 จุดเปอร์เซ็นต์ในการสร้างโค้ด และแย่กว่า 33 จุดเปอร์เซ็นต์ในงานคณิตศาสตร์[\[13\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-Chen2023LLMDrift-13) **การแก้ไขตนเอง** นักวิจัยจาก DeepMind และมหาวิทยาลัยอิลลินอยส์แสดงให้เห็นว่า LLM มีความสามารถในการแก้ไขการให้เหตุผลของตนเองโดยไม่มีการชี้นำจากภายนอกได้ไม่ดีนัก โดยประสิทธิภาพของ GPT-4 ลดลงในทุก benchmark ที่ทดสอบเมื่อพยายามแก้ไขตนเอง[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-AIIndex2024-1) ## บทที่ 3. AI ที่รับผิดชอบ บทนี้มุ่งเน้นไปที่มิติสำคัญของ AI ที่รับผิดชอบ ได้แก่ ความเป็นส่วนตัว ความโปร่งใส ความปลอดภัย และความเป็นธรรม[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-AIIndex2024-1) ### เหตุการณ์ในวงการ AI ฐานข้อมูล AI Incident Database บันทึกเหตุการณ์ 123 ครั้งในปี 2023 เพิ่มขึ้น 32.3% เมื่อเทียบกับปี 2022 นับตั้งแต่ปี 2013 จำนวนเหตุการณ์เพิ่มขึ้นมากกว่ายี่สิบเท่า การเพิ่มขึ้นนี้เกิดจากทั้งการขยายการใช้งาน AI และการตระหนักรู้ที่เพิ่มขึ้นเกี่ยวกับความเสี่ยงด้านจริยธรรม[\[14\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-AIID2023-14) ### การกำหนดมาตรฐาน benchmark ด้าน AI ที่รับผิดชอบ การวิเคราะห์ผู้พัฒนาชั้นนำห้าราย (OpenAI, Meta, Anthropic, Google, Mistral AI) พบว่าขาดชุด benchmark ที่เป็นหนึ่งเดียวสำหรับการประเมิน AI ที่รับผิดชอบ แม้ว่า benchmark ด้านความสามารถทั่วไป (MMLU, HellaSwag, ARC Challenge, HumanEval, GSM8K) จะถูกใช้กันอย่างแพร่หลาย แต่ benchmark ด้าน AI ที่รับผิดชอบ (TruthfulQA, RealToxicityPrompts, ToxiGen, BOLD, BBQ) ถูกใช้อย่างกระจัดกระจาย โดย TruthfulQA ถูกใช้โดยไม่เกินสามจากห้าผู้พัฒนา และผู้พัฒนารายหนึ่งไม่รายงานการทดสอบ benchmark ด้าน AI ที่รับผิดชอบเลย[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-AIIndex2024-1) ### AI และการเลือกตั้ง การศึกษาในปี 2023 แสดงให้เห็นว่าผู้คนสามารถระบุ deepfake ทางเสียงได้อย่างถูกต้องเพียง 73% ของกรณี คาดว่าเมื่อเทคโนโลยีการสังเคราะห์เสียงพัฒนาขึ้น ความแม่นยำในการจดจำจะลดลง สิ่งนี้สร้างความเสี่ยงในการบิดเบือนแคมเปญทางการเมือง และเปิดโอกาสให้นักการเมืองปฏิเสธการบันทึกเสียงที่น่าอายว่าเป็นของปลอม (เรียกว่า "เงินปันผลของนักโกหก")[\[15\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-Mai2023-15) การศึกษา LLM เพื่อหาอคติทางการเมืองพบความสัมพันธ์ระหว่างคำตอบเริ่มต้นของ ChatGPT กับจุดยืนของพรรคเดโมแครต และความสัมพันธ์เชิงลบกับจุดยืนของพรรครีพับลิกัน[\[16\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-Motoki2023-16) ## บทที่ 4. เศรษฐกิจ บทนี้ศึกษาแนวโน้มด้านการลงทุน การจ้างงาน การนำ AI ไปใช้ในองค์กร และหุ่นยนต์[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-AIIndex2024-1) ### การลงทุน **แนวโน้มโดยรวม** การลงทุนขององค์กรรวมใน AI ลดลงเหลือ 189,200 ล้านดอลลาร์ในปี 2023 (ลดลงประมาณ 20% เมื่อเทียบกับปี 2022) อย่างไรก็ตาม ในช่วงทศวรรษที่ผ่านมา ปริมาณการลงทุนเพิ่มขึ้นสิบสามเท่า การลงทุนภาคเอกชนลดลงเป็นปีที่สองติดต่อกัน แม้ว่าการลดลงจะไม่รุนแรงเท่าช่วงปี 2021–2022[\[3\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-Quid2023-3) **Generative AI** การลงทุนใน Generative AI อยู่ที่ 25,200 ล้านดอลลาร์ เพิ่มขึ้นเกือบเก้าเท่าเมื่อเทียบกับปี 2022 และสามสิบเท่าเมื่อเทียบกับปี 2019 Generative AI คิดเป็นมากกว่าหนึ่งในสี่ของการลงทุนภาคเอกชนทั้งหมดใน AI[\[3\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-Quid2023-3) **การกระจายตามภูมิภาค** สหรัฐอเมริกาด้วยการลงทุน 67,200 ล้านดอลลาร์นำหน้าจีน (7,800 ล้านดอลลาร์) ถึง 8.7 เท่า และนำหน้าสหราชอาณาจักร (3,800 ล้านดอลลาร์) ถึง 17.8 เท่า โดยการลงทุนภาคเอกชนในจีนลดลง 44.2% ในสหภาพยุโรปและสหราชอาณาจักรลดลง 14.1% ในขณะที่ในสหรัฐอเมริกาเพิ่มขึ้น 22.1%[\[3\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-Quid2023-3) **Startup** จำนวนบริษัท AI ใหม่ที่ได้รับการลงทุนเพิ่มขึ้นเป็น 1,812 บริษัท (เพิ่มขึ้น 40.6%) ในด้าน Generative AI มี startup ใหม่ 99 แห่งที่ได้รับการลงทุน (เทียบกับ 56 แห่งในปี 2022)[\[3\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-Quid2023-3) ### ตลาดแรงงาน สัดส่วนตำแหน่งงานที่เกี่ยวข้องกับ AI ในสหรัฐอเมริกาลดลงจาก 2.0% ในปี 2022 เหลือ 1.6% ในปี 2023 แนวโน้มเดียวกันนี้พบเห็นได้ทั่วโลก การลดลงนี้มีสาเหตุจากการลดการจ้างงานของบริษัท AI ขนาดใหญ่และการลดสัดส่วนของตำแหน่งงานด้านเทคนิค[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-AIIndex2024-1) การอพยพของผู้เชี่ยวชาญ AI จากสถาบันการศึกษาสู่ภาคอุตสาหกรรมยังคงเร่งตัวขึ้น ในปี 2022 ผู้ที่ได้รับปริญญาเอกด้าน AI รายใหม่ถึง 70.7% เข้าทำงานในภาคอุตสาหกรรม (เทียบกับ 40.9% ในปี 2011) และมีเพียง 20.0% เท่านั้นที่เข้าสู่สถาบันการศึกษา (เทียบกับ 41.6%)[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-AIIndex2024-1) ### การนำ AI ไปใช้ในองค์กร ตามข้อมูลของ McKinsey องค์กร 55% ใช้ AI (รวมถึง Generative AI) ในอย่างน้อยหนึ่งหน่วยธุรกิจ เพิ่มขึ้นจาก 50% ในปี 2022 และ 20% ในปี 2017 โดย 42% ขององค์กรรายงานว่าต้นทุนลดลง และ 59% รายงานว่ารายได้เพิ่มขึ้นจาก AI[\[17\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-McKinsey2023-17) การกล่าวถึง AI ในรายงานผลประกอบการของบริษัทใน Fortune 500 แตะระดับ 394 ครั้ง (เกือบ 80% ของบริษัททั้งหมด) เพิ่มขึ้นอย่างเห็นได้ชัดจาก 266 ครั้งในปี 2022 โดย Generative AI กลายเป็นหัวข้อที่ถูกกล่าวถึงบ่อยที่สุด (19.7% ของการโทรทั้งหมด)[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-AIIndex2024-1) ### หุ่นยนต์ ในปี 2022 มีการติดตั้งหุ่นยนต์อุตสาหกรรม 553,000 หน่วย เพิ่มขึ้น 5.1% เมื่อเทียบกับปี 2021 และเพิ่มขึ้นมากกว่าสามเท่าตั้งแต่ปี 2012 จีนครองความเป็นผู้นำ โดยนับตั้งแต่ปี 2013 ที่จีนแซงหน้าญี่ปุ่น สัดส่วนของจีนเพิ่มขึ้นจาก 20.8% เป็น 52.4% ของการติดตั้งทั่วโลกในปี 2022 สัดส่วนของหุ่นยนต์ร่วมมือ (collaborative robots) เพิ่มขึ้นจาก 2.8% ในปี 2017 เป็น 9.9% ในปี 2022[\[18\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-IFR2023-18) ## บทที่ 5. วิทยาศาสตร์และการแพทย์ บทที่รวมอยู่ในรายงานเป็นครั้งแรกนี้ ครอบคลุมบทบาทของ AI ในการค้นพบทางวิทยาศาสตร์และนวัตกรรมทางการแพทย์[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-AIIndex2024-1) ### ความสำเร็จทางวิทยาศาสตร์ในปี 2023 **AlphaDev** (DeepMind) — ระบบ Reinforcement Learning ที่ค้นพบอัลกอริทึมการจัดเรียงที่ใช้คำสั่งน้อยกว่าอัลกอริทึมอ้างอิงของมนุษย์ที่มีอยู่ บางส่วนของอัลกอริทึมที่ค้นพบได้รับการรวมไว้ในไลบรารีการจัดเรียงมาตรฐานของ C++ (LLVM) ซึ่งเป็นการอัปเดตส่วนนี้ของไลบรารีครั้งแรกในรอบกว่าสิบปี[\[19\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-AlphaDev2023-19) **GraphCast** (DeepMind) — ระบบพยากรณ์อากาศบนพื้นฐานของ Neural Network แบบกราฟ ที่ให้การพยากรณ์ 10 วันในเวลาไม่ถึงหนึ่งนาที ด้วยความแม่นยำที่เหนือกว่าระบบจำลองชั้นนำ HRES (ศูนย์พยากรณ์อากาศระยะกลางแห่งยุโรป)[\[20\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-GraphCast2023-20) **GNoME** (Google DeepMind) — โมเดลที่ใช้เครือข่ายกราฟเพื่อเร่งการค้นหาวัสดุใหม่ที่มีสมบัติใช้งานได้จริง ซึ่งมีความสำคัญอย่างยิ่งสำหรับความก้าวหน้าในหุ่นยนต์และอุตสาหกรรมเซมิคอนดักเตอร์[\[21\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-GNoME2023-21) **Synbot** — หุ่นยนต์นักเคมีที่ขับเคลื่อนด้วย AI สำหรับการสังเคราะห์โมเลกุลอินทรีย์อย่างอิสระ บรรลุผลผลิตของปฏิกิริยาที่เทียบเคียงหรือสูงกว่าค่าอ้างอิง[\[22\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-Synbot2023-22) **FlexiCubes** (NVIDIA) — วิธีการปรับปรุง 3D mesh โดยใช้ AI เพื่อยกระดับคุณภาพการสร้างวัตถุ 3D ในคอมพิวเตอร์กราฟิก[\[23\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-FlexiCubes2023-23) ### AI ในการแพทย์ **ความรู้ทางคลินิก** ใน benchmark MedQA (การประเมินความรู้ทางคลินิกของ AI) โมเดล GPT-4 Medprompt บรรลุความแม่นยำ 90.2% เพิ่มขึ้น 22.6 จุดเปอร์เซ็นต์เมื่อเทียบกับผลลัพธ์ที่ดีที่สุดในปี 2022 นับตั้งแต่มีการสร้าง benchmark ในปี 2019 ประสิทธิภาพของ AI บน MedQA เพิ่มขึ้นเกือบสามเท่า น่าสังเกตว่า GPT-4 Medprompt ใช้วิศวกรรม prompt แทนการ fine-tuning และยังเอาชนะโมเดลทางการแพทย์เฉพาะทางได้[\[24\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-Medprompt2023-24) **MediTron-70B** — LLM ทางการแพทย์แบบโอเพนซอร์สที่ได้คะแนน 70.2% บน MedQA ซึ่งเป็นผลลัพธ์ที่ดีที่สุดในบรรดาโมเดลโอเพนซอร์ส แม้ว่าจะต่ำกว่าโมเดลปิด GPT-4 Medprompt และ Med-PaLM 2[\[25\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-Meditron2023-25) **นวัตกรรมทางการแพทย์** ในบรรดาระบบที่สำคัญของปี 2023 ได้แก่ SynthSR (การปรับปรุงภาพโครงสร้างสมองจากการสแกน MRI คุณภาพต่ำ), ImmunoSEIRA (เซนเซอร์อินฟราเรดด้วย AI สำหรับการวินิจฉัยโรคระบบประสาทเสื่อม), EVEscape (การทำนายวิวัฒนาการของไวรัสเพื่อป้องกันการระบาด), AlphaMissense (การจำแนก missense mutation)[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-AIIndex2024-1) **การอนุมัติจาก FDA** ในปี 2022 FDA อนุมัติอุปกรณ์ทางการแพทย์ที่ใช้ AI จำนวน 139 รายการ เพิ่มขึ้น 12.1% เมื่อเทียบกับปี 2021 นับตั้งแต่ปี 2012 จำนวนการอนุมัติดังกล่าวเพิ่มขึ้นมากกว่า 45 เท่า[\[26\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-FDA2023-26) ## บทที่ 6. การศึกษา บทนี้พิจารณาแนวโน้มด้านการศึกษาในสาขาวิทยาการคอมพิวเตอร์และ AI[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-AIIndex2024-1) ### การศึกษาระดับอุดมศึกษา จำนวนผู้สำเร็จการศึกษาระดับปริญญาตรีสาขาวิทยาการคอมพิวเตอร์ในสหรัฐอเมริกาและแคนาดายังคงเพิ่มขึ้นอย่างต่อเนื่อง จำนวนผู้สำเร็จการศึกษาระดับปริญญาโทยังคงค่อนข้างคงที่ ในขณะที่จำนวนปริญญาเอกเพิ่มขึ้นอย่างสุภาพ นับตั้งแต่ปี 2018 จำนวนผู้สำเร็จการศึกษาระดับปริญญาโทและปริญญาเอกสาขาวิทยาการคอมพิวเตอร์ลดลงเล็กน้อย[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-AIIndex2024-1) สัดส่วนนักศึกษาต่างชาติลดลงในทุกระดับการศึกษา โดยเห็นได้ชัดที่สุดในระดับปริญญาโท ในระดับโลก จำนวนหลักสูตรที่เกี่ยวข้องกับ AI ที่สอนเป็นภาษาอังกฤษเพิ่มขึ้นสามเท่าตั้งแต่ปี 2017[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-AIIndex2024-1) ### ChatGPT ในการศึกษา ตามข้อมูลการสำรวจของ Walton Foundation ครู 88% และนักศึกษา 79% เชื่อว่า ChatGPT มีผลเชิงบวกต่อกระบวนการศึกษา ครู 76% และนักศึกษา 65% เชื่อว่าการรวม ChatGPT เข้าสู่การเรียนการสอนเป็นสิ่งสำคัญ[\[27\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-WaltonFoundation2023-27) ## บทที่ 7. นโยบายและการกำกับดูแล บทนี้วิเคราะห์กิจกรรมทางกฎหมายและกฎระเบียบในวงการ AI ในระดับโลก อเมริกา และยุโรป[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-AIIndex2024-1) ### แนวโน้มระดับโลก การกล่าวถึง AI ในกระบวนการออกกฎหมายทั่วโลกถึงระดับสูงสุดเป็นประวัติการณ์ มีการเปลี่ยนแปลงจากมาตรการส่งเสริมล้วนๆ สู่กฎหมายที่มีลักษณะจำกัด ซึ่งบ่งบอกถึงความสนใจที่เพิ่มขึ้นของผู้กำกับดูแลต่อความเสี่ยงที่อาจเกิดขึ้นจาก AI[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-AIIndex2024-1) หัวข้อของกฎหมายที่ออกในปี 2023 ขยายตัวอย่างมีนัยสำคัญ ครอบคลุมกองทัพและความมั่นคงแห่งชาติ สิทธิพลเมือง การค้า การศึกษา แรงงาน วิทยาศาสตร์และเทคโนโลยี[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-AIIndex2024-1) ### กฎระเบียบในสหรัฐอเมริกา จำนวนกฎระเบียบที่เกี่ยวข้องกับ AI แตะระดับ 25 ฉบับในปี 2023 (เพิ่มขึ้น 56.3% เมื่อเทียบกับปี 2022) หัวข้อที่พบบ่อยที่สุดคือการค้าต่างประเทศและการเงินระหว่างประเทศ สัดส่วนของกฎระเบียบที่มีความเกี่ยวข้องสูงและปานกลางกับ AI เพิ่มขึ้นเมื่อเทียบกับปีก่อนหน้า[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-AIIndex2024-1) เหตุการณ์สำคัญของปี 2023 คือ คำสั่งผู้บริหารของประธานาธิบดีไบเดนเกี่ยวกับ AI (Executive Order on AI) ซึ่งมุ่งสร้าง National AI Research Resource เพื่อสร้างความเท่าเทียมของโอกาสระหว่างภาคอุตสาหกรรมและสถาบันการศึกษา เป็นต้น[\[28\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-BidenEO2023-28) ### กฎระเบียบในสหภาพยุโรป ในสหภาพยุโรปมีแนวโน้มที่คล้ายคลึงกันในการเพิ่มจำนวนกฎระเบียบที่เกี่ยวข้องกับ AI ความสำเร็จที่สำคัญของปี 2023 คือความก้าวหน้าของ *AI Act* ซึ่งเป็นกฎหมาย AI ที่ครอบคลุมฉบับแรกของโลก[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-AIIndex2024-1) ## บทที่ 8. ความหลากหลาย บทนี้ศึกษาความหลากหลายทางเพศและชาติพันธุ์ในหมู่ผู้เชี่ยวชาญ AI แม้ว่าจะมีความก้าวหน้าบ้าง แต่ผู้หญิงและผู้แทนกลุ่มชนกลุ่มน้อยยังคงมีสัดส่วนน้อยมากในวงการ AI ทั้งในภาคอุตสาหกรรมและสถาบันการศึกษา[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-AIIndex2024-1) ## บทที่ 9. ความเห็นสาธารณะ บทนี้วิเคราะห์การรับรู้ของสาธารณชนต่อ AI บนพื้นฐานของการสำรวจระดับนานาชาติและข้อมูลจากสื่อสังคมออนไลน์[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-AIIndex2024-1) ### การสำรวจระดับนานาชาติ **การตระหนักรู้และความกังวล** จากข้อมูลของ Ipsos ผู้ตอบแบบสอบถาม 66% (เพิ่มขึ้นจาก 60%) เชื่อว่า AI จะส่งผลกระทบอย่างมีนัยสำคัญต่อชีวิตของพวกเขาในช่วง 3–5 ปีข้างหน้า โดย 52% แสดงความกังวลเกี่ยวกับผลิตภัณฑ์ AI (เพิ่มขึ้น 13 จุดเปอร์เซ็นต์จากปี 2022)[\[4\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-Ipsos2023-4) **ความคาดหวังด้านเศรษฐกิจ** มีเพียง 37% ของผู้ตอบแบบสอบถามที่เชื่อว่า AI จะปรับปรุงงานของพวกเขา 34% เชื่อว่าจะปรับปรุงเศรษฐกิจ และ 32% เชื่อว่าจะส่งผลเชิงบวกต่อตลาดแรงงาน[\[4\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-Ipsos2023-4) **ความแตกต่างทางประชากรศาสตร์** คนรุ่นเยาว์มีความมองโลกในแง่ดีอย่างมากกว่า โดย 59% ของ Generation Z เชื่อว่า AI จะปรับปรุงความบันเทิง เทียบกับ 40% ของ baby boomers ผู้ที่มีรายได้และการศึกษาสูงกว่าก็มีความมองโลกในแง่ดีมากกว่าเช่นกัน[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-AIIndex2024-1) **การจดจำ ChatGPT** จากข้อมูลการสำรวจระดับนานาชาติของมหาวิทยาลัยโตรอนโต ผู้ตอบแบบสอบถาม 63% รู้จัก ChatGPT โดยในจำนวนนี้ประมาณครึ่งหนึ่งใช้งานไม่น้อยกว่าสัปดาห์ละครั้ง[\[29\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-GPO-AI2023-29) ### ข้อมูลจากสื่อสังคมออนไลน์ การวิเคราะห์โดย Quid จากโพสต์ในสื่อสังคมออนไลน์มากกว่า 7 ล้านโพสต์ในปี 2023 พบว่าโมเดล GraphCast และ Claude 2.1 ได้รับคะแนน net sentiment score เชิงบวกสูงที่สุด GPT-4 ดึงดูดความสนใจมากที่สุดในไตรมาสแรก ในขณะที่ปลายปีความสนใจเปลี่ยนไปที่ Gemini และ Grok[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-AIIndex2024-1) ## โมเดล AI ที่สำคัญในปี 2023 รายงานบันทึกการปรากฏตัวของโมเดลสำคัญหลายรายการ[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-AIIndex2024-1): | โมเดล | ผู้พัฒนา | ประเภท | วันที่ | ความสำคัญ | |-----------------------|------------|----------------------|-------------------------|---------------------------------------| | GPT-4 | OpenAI | LLM, multimodal | มีนาคม 2023 | หนึ่งใน LLM ที่ทรงพลังที่สุด; ผู้นำ HELM | | PaLM 2 | Google | LLM | พฤษภาคม 2023 | ความสามารถหลายภาษาที่ขยายตัว | | Llama 2 | Meta | LLM (โอเพนซอร์ส) | กรกฎาคม 2023 | โมเดลโอเพนซอร์สชั้นนำ; เวอร์ชัน 7B/13B/70B | | Claude 2 / 2.1 | Anthropic | LLM | กรกฎาคม / พฤศจิกายน 2023 | หน้าต่างบริบทสูงสุด 200K token | | Mistral 7B | Mistral AI | LLM (โอเพนซอร์ส) | กันยายน 2023 | โมเดลขนาดกะทัดรัดที่มีประสิทธิภาพสูง | | DALL-E 3 | OpenAI | การสร้างภาพ | ตุลาคม 2023 | คุณภาพที่ดีขึ้นและการปฏิบัติตาม prompt ที่ดีขึ้น | | Gemini / Gemini Ultra | Google | LLM, multimodal | ธันวาคม 2023 | LLM ตัวแรกที่เอาชนะมนุษย์บน MMLU | | Mixtral 8×7B | Mistral AI | LLM (MoE, โอเพนซอร์ส) | ธันวาคม 2023 | สถาปัตยกรรม Mixture-of-Experts | | Midjourney v6 | Midjourney | การสร้างภาพ | ธันวาคม 2023 | คุณภาพที่ดีขึ้นและ prompt ที่เป็นธรรมชาติมากขึ้น | | Whisper v3 | OpenAI | การรู้จำเสียงพูด | พฤศจิกายน 2023 | ความแม่นยำที่สูงขึ้น รองรับภาษาที่หลากหลายขึ้น | ## วิธีการ รายงานใช้ข้อมูลจากแหล่งต่างๆ มากมาย[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-AIIndex2024-1): - **สิ่งพิมพ์และสิทธิบัตร:** OpenAlex, WIPO, USPTO, ข้อมูลจาก Epoch AI - **Benchmark:** Papers With Code, CRFM (HELM), leaderboard เฉพาะทาง - **การลงทุน:** Quid (Capital IQ, Crunchbase) ข้อมูลจากบริษัทมากกว่า 8 ล้านแห่ง - **ตลาดแรงงาน:** Lightcast, LinkedIn, Stack Overflow - **กิจกรรมขององค์กร:** McKinsey & Company, Seeking Alpha (earnings calls) - **หุ่นยนต์:** International Federation of Robotics (IFR) - **กฎระเบียบ:** Federal Register (สหรัฐอเมริกา), EUR-Lex (สหภาพยุโรป), Govini - **ความเห็นสาธารณะ:** Ipsos, Pew Research Center, University of Toronto (GPO-AI), Quid (สื่อสังคมออนไลน์) - **การศึกษา:** CRA Taulbee Survey, Informatics Europe, Studyportals, Code.org, Walton Foundation - **การแพทย์:** FDA, Papers With Code (MedQA) การประมาณค่าใช้จ่ายในการฝึกโมเดลจัดทำร่วมกับ Epoch AI โดยอิงจากการวิเคราะห์ประเภทและจำนวนฮาร์ดแวร์ ระยะเวลาในการฝึก และราคาการเช่าคลาวด์[\[2\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-Epoch2023-2) ## คณะผู้จัดทำ รายงานจัดทำภายใต้การนำของผู้อำนวยการร่วม **Ray Perrault** และ **Jack Clark** โดยมีนักวิจัยและองค์กรพันธมิตรจำนวนมากมีส่วนร่วม AI Index เป็นโครงการของสถาบัน Stanford HAI (Human-Centered Artificial Intelligence)[\[1\]](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_note-AIIndex2024-1) ## ลิงก์ - Stanford HAI — AI Index Report 2024 (เนื้อหาฉบับสมบูรณ์): https://aiindex.stanford.edu/report/ - Epoch AI — ข้อมูลค่าใช้จ่ายในการฝึกและแนวโน้มการคำนวณ: https://epochai.org/ - Papers With Code — benchmark และ leaderboard: 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 ## บรรณานุกรม - 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 ## หมายเหตุ 1. ↑ [1.00](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-AIIndex2024_1-0) [1.01](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-AIIndex2024_1-1) [1.02](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-AIIndex2024_1-2) [1.03](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-AIIndex2024_1-3) [1.04](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-AIIndex2024_1-4) [1.05](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-AIIndex2024_1-5) [1.06](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-AIIndex2024_1-6) [1.07](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-AIIndex2024_1-7) [1.08](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-AIIndex2024_1-8) [1.09](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-AIIndex2024_1-9) [1.10](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-AIIndex2024_1-10) [1.11](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-AIIndex2024_1-11) [1.12](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-AIIndex2024_1-12) [1.13](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-AIIndex2024_1-13) [1.14](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-AIIndex2024_1-14) [1.15](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-AIIndex2024_1-15) [1.16](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-AIIndex2024_1-16) [1.17](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-AIIndex2024_1-17) [1.18](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-AIIndex2024_1-18) [1.19](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-AIIndex2024_1-19) [1.20](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-AIIndex2024_1-20) [1.21](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-AIIndex2024_1-21) [1.22](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-AIIndex2024_1-22) [1.23](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-AIIndex2024_1-23) [1.24](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-AIIndex2024_1-24) [1.25](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-AIIndex2024_1-25) [1.26](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-AIIndex2024_1-26) [1.27](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-AIIndex2024_1-27) [1.28](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-AIIndex2024_1-28) [1.29](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-AIIndex2024_1-29) [1.30](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-AIIndex2024_1-30) [1.31](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-AIIndex2024_1-31) [1.32](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-AIIndex2024_1-32) [1.33](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-AIIndex2024_1-33) [1.34](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-AIIndex2024_1-34) [1.35](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-AIIndex2024_1-35) [1.36](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-AIIndex2024_1-36) [1.37](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-AIIndex2024_1-37) [1.38](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-AIIndex2024_1-38) [1.39](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-AIIndex2024_1-39) [1.40](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-AIIndex2024_1-40) [1.41](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-AIIndex2024_1-41) [1.42](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-AIIndex2024_1-42) [1.43](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-AIIndex2024_1-43) [1.44](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-AIIndex2024_1-44) [1.45](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-AIIndex2024_1-45) [1.46](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#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_(TH)#cite_ref-Epoch2023_2-0) [2.1](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-Epoch2023_2-1) [2.2](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#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_(TH)#cite_ref-Quid2023_3-0) [3.1](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-Quid2023_3-1) [3.2](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-Quid2023_3-2) [3.3](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-Quid2023_3-3) [3.4](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#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_(TH)#cite_ref-Ipsos2023_4-0) [4.1](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#cite_ref-Ipsos2023_4-1) [4.2](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#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_(TH)#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_(TH)#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_(TH)#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_(TH)#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_(TH)#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_(TH)#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_(TH)#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_(TH)#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_(TH)#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_(TH)#cite_ref-AIID2023_14-0) AI Incident Database (2023). https://incidentdatabase.ai/ 15. [↑](https://systems-analysis.info/int/The_2024_AI_Index_Report_(TH)#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_(TH)#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_(TH)#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_(TH)#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_(TH)#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_(TH)#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_(TH)#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_(TH)#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_(TH)#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_(TH)#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_(TH)#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_(TH)#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_(TH)#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_(TH)#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_(TH)#cite_ref-GPO-AI2023_29-0) Global Public Opinion on AI Survey, University of Toronto (2023). https://www.mediatechdemocracy.com/