--- title: "The 2022 AI Index Report" source: "https://systems-analysis.info/wiki/The_2022_AI_Index_Report" wiki: "systems-analysis.info/wiki" article: "The_2022_AI_Index_Report" language: "ru" categories: - "Категория:Russian" - "Категория:Большие языковые модели" - "Категория:Машинное обучение" revision_id: 192 wiki_created_at: 2026-09-06T22:05:09Z wiki_modified_at: 2026-09-06T22:05:09Z downloaded_at: 2026-09-07T22:18:12Z --- # The 2022 AI Index Report **AI Index Report 2022** — пятое ежегодное издание отчёта **AI Index**, подготовленное Стэнфордским институтом искусственного интеллекта, ориентированного на человека (Stanford HAI)[\[1\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-AIIndex2022-1). Отчёт 2022 года является наиболее объёмным на момент публикации и выходит в период масштабного развёртывания ИИ-систем в экономике. Издание впервые содержит отдельную главу с углублённым анализом технической этики ИИ, обширный обзор робототехники на основе глобального опроса исследователей, а также данные о законодательных инициативах в области ИИ в 25 странах мира. Отчёт отслеживает, систематизирует и визуализирует данные, связанные с искусственным интеллектом, предоставляя объективную и тщательно верифицированную информацию для политиков, исследователей, руководителей, журналистов и широкой общественности. ## Структура отчёта Отчёт 2022 года состоит из пяти тематических глав и приложения[\[1\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-AIIndex2022-1): 1. **Исследования и разработки (Research and Development)** — тренды в публикациях, патентах, конференциях и программном обеспечении с открытым кодом. 2. **Техническая производительность (Technical Performance)** — бенчмарки в компьютерном зрении, обработке языка, речи, рекомендательных системах, обучении с подкреплением, аппаратном обеспечении и робототехнике. 3. **Техническая этика ИИ (Technical AI Ethics)** — новая глава: метрики справедливости и предвзятости, токсичность языковых моделей, мультимодальные искажения, проверка фактов и правдивость. 4. **Экономика и образование (The Economy and Education)** — рынок труда, инвестиции, корпоративное внедрение ИИ и подготовка кадров. 5. **Политика и управление ИИ (AI Policy and Governance)** — законодательство, регулирование и национальные стратегии. ## Ключевые выводы отчёта Авторы отчёта выделили ряд главных тезисов 2022 года[\[1\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-AIIndex2022-1): ### 1. Частные инвестиции в ИИ резко выросли, а концентрация капитала усилилась Частные инвестиции в ИИ в 2021 году составили около 93,5 млрд долларов — более чем вдвое превысив показатель 2020 года. При этом число вновь профинансированных ИИ-компаний продолжало снижаться: с 1 051 в 2019 году и 762 в 2020 году до 746 в 2021 году. Если в 2020 году лишь 4 раунда финансирования превысили 500 млн долларов, то в 2021 году таких раундов стало 15[\[2\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-NetBaseQuid2021-2). ### 2. США и Китай доминируют в международном сотрудничестве по ИИ Несмотря на растущую геополитическую напряжённость, США и Китай показали наибольшее число совместных публикаций по ИИ за период 2010–2021 гг., увеличив объём сотрудничества в пять раз с 2010 года. Этот тандем произвёл в 2,7 раза больше публикаций, чем следующая пара — Великобритания и Китай[\[3\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-CSET2021-3). ### 3. Языковые модели становятся более мощными, но и более предвзятыми [Большие языковые модели](https://systems-analysis.info/wiki/%D0%91%D0%BE%D0%BB%D1%8C%D1%88%D0%B8%D0%B5_%D1%8F%D0%B7%D1%8B%D0%BA%D0%BE%D0%B2%D1%8B%D0%B5_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8 "Большие языковые модели") устанавливали новые рекорды на технических бенчмарках, однако данные показали, что более крупные модели сильнее воспроизводят предвзятость из обучающих данных. Модель с 280 млрд параметров (Gopher, DeepMind, 2021) продемонстрировала на 29% большую вызываемую токсичность по сравнению с моделью со 117 млн параметров, считавшейся передовой в 2018 году[\[4\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-Rae2021-4). ### 4. Расцвет этики ИИ Исследования в области справедливости и прозрачности ИИ пережили взрывной рост с 2014 года: число профильных публикаций на этических конференциях увеличилось в пять раз. Алгоритмическая справедливость и предвзятость перестали быть чисто академической темой и превратились в мейнстримное направление исследований. Исследователи с индустриальной аффилиацией увеличивали вклад в этические конференции на 71% ежегодно[\[1\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-AIIndex2022-1). ### 5. ИИ становится доступнее и производительнее С 2018 года стоимость обучения системы классификации изображений снизилась на 63,6%, а время обучения улучшилось на 94,4%. Аналогичная тенденция к снижению стоимости и ускорению обучения наблюдалась и в других категориях задач MLPerf: рекомендации, обнаружение объектов и обработка языка[\[5\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-MLPerf2021-5). ### 6. Данные как ключевой ресурс Лучшие результаты на технических бенчмарках всё чаще достигались за счёт использования дополнительных обучающих данных. По состоянию на 2021 год, 9 из 10 передовых ИИ-систем на рассмотренных бенчмарках были обучены с использованием дополнительных данных. Эта тенденция неявно благоприятствует компаниям частного сектора, имеющим доступ к обширным датасетам[\[1\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-AIIndex2022-1). ### 7. Законодательство об ИИ по всему миру стремительно растёт Анализ AI Index по 25 странам показал, что число принятых законов, содержащих термин «искусственный интеллект», выросло с 1 в 2016 году до 18 в 2021 году. Лидерами 2021 года стали Испания, Великобритания и США — по три принятых закона каждая[\[1\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-AIIndex2022-1). ### 8. Роботизированные манипуляторы становятся дешевле Опрос AI Index показал, что медианная цена роботизированных манипуляторов снизилась на 46,2% за пять лет — с 42 000 долларов в 2017 году до 22 600 долларов в 2021 году, делая исследования в области робототехники более доступными[\[1\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-AIIndex2022-1). ### 9. Мультимодальные модели наследуют мультимодальные предвзятости Мультимодальные модели языка и зрения (такие как CLIP) установили новые рекорды в задачах классификации изображений и генерации изображений по текстовому описанию, однако они также воспроизводили социальные стереотипы и предвзятости. Эксперименты с CLIP показали, что изображения чернокожих людей ошибочно классифицировались как «нечеловеческие» более чем вдвое чаще, чем изображения представителей любой другой расы[\[6\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-Birhane2021-6). ### 10. Движение к более общему обучению с подкреплением На протяжении последнего десятилетия ИИ-системы успешно осваивали узкие задачи обучения с подкреплением (например, шахматы — лучший шахматный движок превысил максимальный рейтинг Магнуса Карлсена на 24%). Однако за последние два года ИИ-системы также улучшили результаты на 129% в более общих задачах обучения с подкреплением (Procgen), где требуется действовать в новых, незнакомых средах[\[1\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-AIIndex2022-1). ## Глава 1. Исследования и разработки Глава анализирует тренды в публикациях, патентах, конференциях и открытом программном обеспечении[\[1\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-AIIndex2022-1). ### Публикации Общее число англоязычных публикаций по ИИ продолжило расти и достигло 334 500 в 2021 году[\[3\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-CSET2021-3). **По типу публикации.** В 2021 году было выпущено более 56 700 публикаций в репозиториях (arXiv и др.), что отражает растущую роль предварительных публикаций (препринтов) в ИИ-исследованиях[\[1\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-AIIndex2022-1). **По географическому распределению.** В 2021 году Китай продолжил лидировать по совокупному числу публикаций в журналах, конференциях и репозиториях — на 63,2% больше, чем у США. При этом США сохраняли доминирующее лидерство по числу цитирований конференционных и репозиторных публикаций[\[3\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-CSET2021-3): | Показатель | Китай | ЕС + Великобритания | США | |-----------------------------------------|-------|---------------------|-------| | Доля конференционных публикаций (2021) | 27,6% | 19,0% | 16,9% | | Доля конференционных цитирований (2021) | 15,3% | 23,3% | 29,5% | | Доля репозиторных публикаций (2021) | 16,6% | 23,9% | 32,5% | | Доля репозиторных цитирований (2021) | 16,4% | 20,1% | 38,6% | **Межсекторное сотрудничество.** С 2010 по 2021 год наибольшее число совместных ИИ-публикаций было произведено коллаборациями между образовательными и некоммерческими организациями, затем — между частными компаниями и образовательными учреждениями, а также между образовательными и государственными институтами[\[1\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-AIIndex2022-1). ### Патенты Число поданных патентных заявок в области ИИ в 2021 году более чем в 30 раз превысило показатель 2015 года при среднегодовом темпе роста 76,9%. По региональному распределению Восточная Азия и Тихоокеанский регион доминировали с долей 62,1% патентных заявок. Китай подавал патентных заявок в три раза больше, чем США, — 87 343 заявки при 1 407 одобренных патентах в 2021 году[\[3\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-CSET2021-3). ### Конференции Посещаемость ведущих ИИ-конференций в 2021 году оставалась на уровне 2020 года — более 88 000 участников по всему миру. Большинство конференций по-прежнему проводились в виртуальном формате из-за пандемии COVID-19. Лишь ICRA и EMNLP использовали гибридный формат[\[1\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-AIIndex2022-1). ## Глава 2. Техническая производительность Глава представляет расширенный анализ прогресса в компьютерном зрении, обработке языка, речи, рекомендательных системах, обучении с подкреплением, аппаратном обеспечении и робототехнике[\[1\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-AIIndex2022-1). ### Компьютерное зрение **ImageNet.** Точность классификации изображений на ImageNet продолжала расти. Системы, использующие дополнительные обучающие данные, демонстрировали значительно более высокие результаты. В 2021 году модель CoAtNet, обученная на ImageNet-21K + JFT, достигла top-1 accuracy 90,88%, что существенно превышает человеческий уровень (около 94,9% по top-5)[\[1\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-AIIndex2022-1). **Специализированные подзадачи.** В 2021 году наблюдался рост интереса к специализированным подзадачам компьютерного зрения — медицинская сегментация изображений и идентификация лиц в масках. Например, если до 2020 года лишь 3 исследовательские работы тестировали системы на бенчмарке Kvasir-SEG (медицинская визуализация), то в 2021 году таких работ было уже 25[\[1\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-AIIndex2022-1). **Визуальное здравое рассуждение (VCR).** К концу 2021 года лучший результат на бенчмарке Visual Commonsense Reasoning составил 72,0 — рост на 63,6% с 2018 года, хотя системы по-прежнему значительно уступали человеческому уровню. Улучшения становились всё более маргинальными, указывая на необходимость новых подходов[\[1\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-AIIndex2022-1). ### Обработка естественного языка **SuperGLUE.** На вершине лидерборда SuperGLUE находилась модель SS-MoE с результатом 91,0, превышающим человеческий уровень (89,8). Стремительный прогресс на SuperGLUE свидетельствовал о необходимости разработки более сложных языковых бенчмарков[\[7\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-SuperGLUE2019-7). **SQuAD.** Системы ИИ превзошли человеческий уровень на бенчмарке SQuAD 2.0 по пониманию прочитанного на 1–5%, однако на более сложных задачах, таких как абдуктивный логический вывод на естественном языке (aNLI), человек по-прежнему опережал ИИ, хотя разрыв сократился с 9 п.п. в 2019 году до 1 п.п. в 2021 году[\[1\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-AIIndex2022-1). **Машинный перевод.** Число коммерчески доступных систем машинного перевода продолжало расти, а качество перевода на основных языковых парах (WMT 2014) стабильно улучшалось[\[8\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-Intento2021-8). ### Распознавание речи На бенчмарке LibriSpeech (Test-Clean) показатель ошибки распознавания слов (WER) продолжал снижаться, приближаясь к человеческому уровню. Прогресс также был достигнут на более сложных датасетах речи[\[1\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-AIIndex2022-1). ### Обучение с подкреплением **Atari-57.** Системы обучения с подкреплением продолжали совершенствоваться в классических задачах Arcade Learning Environment. Модель MuZero (DeepMind) оставалась одной из ведущих[\[1\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-AIIndex2022-1). **Procgen.** На бенчмарке Procgen, тестирующем способность обобщения в новых средах, ИИ-системы улучшили результат на 129% за два года, что указывало на движение к более общим агентам[\[1\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-AIIndex2022-1). **Шахматы.** Лучший шахматный программный движок превысил максимальный рейтинг ELO Магнуса Карлсена на 24%[\[9\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-SSCA2021-9). ### Аппаратное обеспечение и стоимость обучения **MLPerf.** Данные бенчмарка MLPerf показали устойчивое снижение времени обучения при одновременном росте числа используемых ускорителей. Разрыв между средним числом ускорителей у лидеров и всех участников вырос в 9 раз с 2018 по 2021 год, что свидетельствовало о растущих требованиях к аппаратным ресурсам[\[5\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-MLPerf2021-5). **Стоимость обучения ImageNet.** Стоимость обучения высокопроизводительной системы классификации изображений до 93% точности снизилась с 1 112,6 доллара в 2017 году до 4,6 доллара в 2021 году — падение в 223 раза за четыре года[\[1\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-AIIndex2022-1). ### Робототехника **Цены на манипуляторы.** Опрос AI Index, проведённый среди 509 профессоров робототехники из 67 университетов мира, выявил снижение медианной цены роботизированного манипулятора на 46,2% — с 42 000 долларов в 2017 году до 22 600 долларов в 2021 году[\[1\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-AIIndex2022-1). **ИИ-навыки в робототехнике.** 67% опрошенных профессоров робототехники сообщили об использовании глубокого обучения, а 46% — обучения с подкреплением в своих исследованиях[\[1\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-AIIndex2022-1). ## Глава 3. Техническая этика ИИ Впервые включённая в отчёт глава предоставляет углублённый анализ метрик справедливости и предвзятости, токсичности языковых моделей, мультимодальных искажений, а также вопросов проверки фактов и правдивости ИИ[\[1\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-AIIndex2022-1). ### Мета-анализ метрик справедливости и предвзятости Число метрик для измерения предвзятости и справедливости ИИ устойчиво росло с 2018 года. Метрики делятся на два основных типа: бенчмарковые датасеты (например, StereoSet, CrowS-Pairs), измеряющие внутреннее поведение модели, и диагностические метрики (например, демографический паритет, равенство возможностей), оценивающие воздействие модели на конкретные группы населения[\[1\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-AIIndex2022-1). ### Токсичность языковых моделей **RealToxicityPrompts.** Токсичность языковых моделей существенно зависела от обучающих данных. Модели, обученные на отфильтрованном от токсичного контента тексте (например, C4 с фильтрацией), были значительно менее токсичными по сравнению с моделями, обученными на нефильтрованном интернет-контенте[\[10\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-Gehman2020-10). **Масштаб и токсичность.** Анализ модели Gopher (DeepMind, 280 млрд параметров) показал, что более крупные модели с большей вероятностью генерируют токсичные продолжения при соответствующих промптах, но одновременно лучше способны распознавать токсичный контент[\[4\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-Rae2021-4). **Детоксикация.** Методы детоксикации языковых моделей (DAPT, PPLM, GeDi) последовательно приводили к ухудшению производительности, причём непропорционально сильнее — на афроамериканском английском и текстах, содержащих упоминания меньшинств[\[11\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-Xu2021-11). ### Стереотипы и предвзятость **StereoSet** измерял стереотипную предвзятость по осям пола, расы, религии и профессии. **CrowS-Pairs** оценивал степень стереотипной предвзятости в маскированных языковых моделях. **Winogender** и **WinoBias** тестировали гендерную предвзятость в задачах кореференции, а **WinoMT** — в машинном переводе[\[1\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-AIIndex2022-1). ### Мультимодальные предвзятости (CLIP) Модель CLIP (Contrastive Language-Image Pretraining, OpenAI) продемонстрировала впечатляющие результаты в классификации изображений, однако унаследовала предвзятости по полу, расе и возрасту из обучающих данных (400 млн пар «изображение–текст» из интернета). Ключевые находки[\[1\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-AIIndex2022-1): - **Дискредитационный вред:** при добавлении нечеловеческих и криминальных категорий к классификации, изображения чернокожих людей ошибочно относились к нечеловеческим категориям в 14% случаев — вдвое больше, чем для других рас. - **Гендерная предвзятость:** ярлыки «няня» и «домработница» ассоциировались с женщинами, «заключённый» и «мафиози» — с мужчинами. - **Распространение предвзятости:** предвзятости CLIP транслировались в датасет LAION-400M, курировавшийся с помощью эмбеддингов CLIP, затрагивая все последующие приложения. ### Проверка фактов и правдивость **TruthfulQA.** Анализ нескольких семейств языковых моделей на бенчмарке TruthfulQA показал, что масштабирование базовых моделей (семейство GPT-3) приводило к снижению правдивости. Однако модели, дообученные с помощью обратной связи от человека (InstructGPT, WebGPT), становились более правдивыми по мере масштабирования[\[12\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-TruthfulQA2021-12). **FEVER.** На бенчмарке FEVER (Fact Extraction and VERification) системы автоматической проверки фактов продолжали совершенствоваться, хотя по-прежнему отставали от человеческого уровня[\[1\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-AIIndex2022-1). ### Тенденции на этических конференциях Анализ публикаций на конференции FAccT (Fairness, Accountability, and Transparency) и тематических воркшопах NeurIPS выявил рост работ по интерпретируемости, объяснимости, каузальным рассуждениям, конфиденциальности, сбору данных, справедливости и предвзятости. Исследователи с индустриальной аффилиацией существенно увеличили свой вклад на этих площадках[\[1\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-AIIndex2022-1). ## Глава 4. Экономика и образование Глава исследует тренды на рынке труда, в инвестициях, корпоративном внедрении ИИ и подготовке кадров[\[1\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-AIIndex2022-1). ### Рынок труда **Найм ИИ-специалистов.** По данным LinkedIn, Новая Зеландия показала наибольший рост найма ИИ-специалистов — в 2,42 раза с 2016 по 2021 год, за ней следовали Гонконг (1,56×), Ирландия (1,28×), Люксембург (1,26×) и Швеция (1,24×)[\[13\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-LinkedIn2021-13). **Вакансии.** По данным Emsi Burning Glass, Сингапур лидировал по доле ИИ-вакансий среди всех вакансий — 2,33%, за ним следовали США (0,90%), Канада (0,78%) и Великобритания (0,74%). В США наибольшее число ИИ-вакансий наблюдалось в Калифорнии (более чем в 2,35 раза больше, чем в Техасе), а наибольшая доля ИИ-вакансий — в Вашингтоне (округ Колумбия)[\[14\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-EmsiBG2021-14). ### Инвестиции **Общие тренды.** Совокупные корпоративные инвестиции в ИИ в 2021 году достигли рекордных 176,5 млрд долларов, из которых частные инвестиции составили 93,5 млрд (рост более чем вдвое к 2020 году), слияния и поглощения — около 72 млрд, публичные размещения — около 9,5 млрд[\[2\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-NetBaseQuid2021-2). **Региональное распределение.** США лидировали с частными инвестициями около 52,9 млрд долларов — более чем втрое больше, чем у Китая (17,2 млрд). Великобритания заняла третье место (4,65 млрд), затем следовали Израиль (2,4 млрд) и Германия (1,98 млрд)[\[2\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-NetBaseQuid2021-2). | Страна | Частные инвестиции 2021 (млрд USD) | Частные инвестиции 2013–2021 (млрд USD) | |----------------|------------------------------------|-----------------------------------------| | США | 52,9 | 149,0 | | Китай | 17,2 | 61,9 | | Великобритания | 4,65 | 10,8 | | Израиль | 2,4 | 6,1 | | Германия | 1,98 | 3,9 | | Индия | 1,87 | 10,8 | **Отраслевой фокус.** Наибольший объём частных инвестиций в 2021 году привлекла область «управление данными, обработка и облако» — в 2,6 раза больше, чем в 2020 году, за ней следовали «медицина и здравоохранение» (11,29 млрд) и «финтех» (10,26 млрд)[\[2\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-NetBaseQuid2021-2). **Концентрация капитала.** Средний размер сделки частного инвестирования в ИИ в 2021 году вырос на 81,1% по сравнению с 2020 годом. При этом число вновь профинансированных ИИ-компаний снижалось третий год подряд (с пика в 2018 году)[\[2\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-NetBaseQuid2021-2). ### Корпоративное внедрение По данным McKinsey, средний уровень внедрения ИИ организациями в 2021 году составил 56% (рост на 6 п.п. с 2020 года). Лидировала Индия (65%), за ней — развитые страны Азиатско-Тихоокеанского региона (64%), развивающиеся рынки (57%) и Северная Америка (55%)[\[15\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-McKinsey2021-15). **Управление рисками.** Усилия по решению этических проблем ИИ в индустрии оставались ограниченными: хотя 29% респондентов McKinsey признавали «справедливость и равенство» рисками при внедрении ИИ, лишь 19% предпринимали шаги по их снижению. Аналогично, 41% признавали «объяснимость» рисками, но только 27% работали над её обеспечением[\[15\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-McKinsey2021-15). ### Образование **Бакалавриат.** Число выпускников бакалавриата по информатике в Северной Америке (в вузах, присваивающих докторские степени) выросло в 3,5 раза с 2010 по 2020 год, достигнув более 31 000 человек — рост на 11,6% по сравнению с 2019 годом[\[16\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-CRATaulbee2021-16). **Докторантура.** В 2020 году каждый пятый выпускник PhD по информатике специализировался на ИИ/машинном обучении — наиболее популярная специализация за последнее десятилетие. Число PhD с этой специализацией выросло на 72,05% с 2010 по 2020 год[\[16\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-CRATaulbee2021-16). ## Глава 5. Политика и управление ИИ Глава анализирует законодательную и регуляторную активность в сфере ИИ на глобальном уровне и в разрезе отдельных стран[\[1\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-AIIndex2022-1). ### Глобальное законодательство Анализ AI Index охватил законодательные инициативы в 25 странах. За период 2016–2021 годов было принято 55 законов, содержащих упоминание «искусственного интеллекта». Рост был резким: с 1 закона в 2016 году до 18 в 2021 году[\[1\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-AIIndex2022-1). **Лидеры по числу принятых законов (2016–2021):** | Страна | Законы (2016–2021) | Законы (2021) | |----------------|--------------------|---------------| | США | 13 | 3 | | Россия | 6 | 2 | | Бельгия | 5 | 2 | | Испания | 5 | 3 | | Великобритания | 5 | 3 | | Франция | 4 | 1 | | Италия | 3 | 1 | Среди принятых законов: канадский Budget Implementation Act (2017) с выделением 125 млн долларов на стратегию ИИ; российский Федеральный закон от 24.04.2020 № 123-ФЗ об экспериментальном правовом режиме для ИИ в Москве; американский IOGAN Act (2020) о финансировании исследований дипфейков; бельгийский декрет о создании этического комитета для ИИ-инструментов (2021)[\[1\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-AIIndex2022-1). ### Законодательство в США На федеральном уровне число предложенных ИИ-законопроектов выросло с 1 в 2015 году до 130 в 2021 году, однако лишь 2% из них были приняты. На уровне штатов число предложенных законопроектов выросло с 2 в 2012 году до 131 в 2021 году, при этом доля принятых составила 20% (26 из 131)[\[17\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-BloombergGov2021-17). Массачусетс предложил наибольшее число ИИ-законопроектов на уровне штатов (40 с 2012 года), за ним — Гавайи (35) и Нью-Джерси (32)[\[17\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-BloombergGov2021-17). ### Упоминания ИИ в парламентских документах Упоминания ИИ в правительственных протоколах 25 стран выросли в 7,7 раза за шесть лет (2016–2021), достигнув 1 323 в 2021 году. Великобритания доминировала с 939 упоминаниями за весь период, за ней — Испания, Япония, США и Австралия[\[1\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-AIIndex2022-1). В Конгрессе США 117-я сессия (начавшаяся в 2021 году) к концу первого года уже зафиксировала 295 упоминаний ИИ — на пути к превышению рекорда 116-й сессии (506 упоминаний за 2019–2020 гг.)[\[17\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-BloombergGov2021-17). ## Методология Отчёт использует данные из множества источников[\[1\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-AIIndex2022-1): - **Публикации и патенты:** Center for Security and Emerging Technology (CSET), Джорджтаунский университет. - **Бенчмарки:** Papers With Code, лидерборды [SuperGLUE](https://systems-analysis.info/wiki/SuperGLUE "SuperGLUE"), SQuAD, VCR, MLPerf и др. - **Инвестиции и стартапы:** NetBase Quid. - **Рынок труда:** Emsi Burning Glass, LinkedIn. - **Корпоративная активность:** McKinsey & Company. - **Робототехника:** оригинальный опрос AI Index (509 профессоров, 67 университетов). - **Законодательство:** AI Index (глобальный анализ 25 стран), Bloomberg Government (США). - **Образование:** CRA Taulbee Survey. - **Этика:** [RealToxicityPrompts](https://systems-analysis.info/wiki/RealToxicityPrompts "RealToxicityPrompts"), Perspective API, StereoSet, CrowS-Pairs, Winogender, WinoBias, WinoMT, TruthfulQA, FEVER, FAccT, NeurIPS. ## Авторский коллектив Отчёт подготовлен под руководством содиректоров **Джека Кларка** (Jack Clark, Anthropic / OECD) и **Рэя Перро** (Raymond Perrault, SRI International) при участии широкого круга исследователей и организаций-партнёров. В управляющий комитет входили Эрик Бриньолфссон (Erik Brynjolfsson, Stanford), Джон Этчементи (John Etchemendy, Stanford), Тера Лайонс (Terah Lyons), Джеймс Маньика (James Manyika, Google / University of Oxford), Хуан Карлос Ньеблес (Juan Carlos Niebles, Stanford / Salesforce), Майкл Селлитто (Michael Sellitto, Stanford), Йоав Шохам (Yoav Shoham, Stanford / AI21 Labs — основатель-директор). Менеджер исследований и главный редактор — **Нестор Маслей** (Nestor Maslej, Stanford). AI Index является проектом Стэнфордского института HAI (Human-Centered Artificial Intelligence)[\[1\]](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_note-AIIndex2022-1). ## См. также - [The 2017 AI Index Report](https://systems-analysis.info/wiki/The_2017_AI_Index_Report "The 2017 AI Index Report") - [The 2018 AI Index Report](https://systems-analysis.info/wiki/The_2018_AI_Index_Report "The 2018 AI Index Report") - [The 2019 AI Index Report](https://systems-analysis.info/wiki/The_2019_AI_Index_Report "The 2019 AI Index Report") - [The 2021 AI Index Report](https://systems-analysis.info/wiki/The_2021_AI_Index_Report "The 2021 AI Index Report") - [The 2023 AI Index Report](https://systems-analysis.info/wiki/The_2023_AI_Index_Report "The 2023 AI Index Report") ## Ссылки - Stanford HAI — AI Index Report 2022 (полный текст): https://aiindex.stanford.edu/report/ - Center for Security and Emerging Technology (CSET) — данные о публикациях и патентах: https://cset.georgetown.edu/ - Papers With Code — бенчмарки и лидерборды: https://paperswithcode.com/ - SuperGLUE Benchmark: https://super.gluebenchmark.com/ - MLPerf (MLCommons) — бенчмарки обучения: https://mlcommons.org/en/ - NetBase Quid — инвестиционные данные: https://quid.com/ - McKinsey Global Survey on AI: https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai - CRA Taulbee Survey: https://cra.org/resources/taulbee-survey/ - Bloomberg Government — данные о законодательстве: https://about.bgov.com/ - RealToxicityPrompts: https://arxiv.org/abs/2009.11462 - TruthfulQA: https://arxiv.org/abs/2109.07958 - Global AI Vibrancy Tool: https://aiindex.stanford.edu/vibrancy/ ## Литература - Zhang, D., Maslej, N., Brynjolfsson, E., Etchemendy, J., Lyons, T., Manyika, J., Ngo, H., Niebles, J.C., Sellitto, M., Sakhaee, E., Shoham, Y., Clark, J., Perrault, R. (2022). *The AI Index 2022 Annual Report*. AI Index Steering Committee, Stanford Institute for Human-Centered AI, Stanford University. https://aiindex.stanford.edu/report/ - Rae, J. W. et al. (2021). *Scaling Language Models: Methods, Analysis & Insights from Training Gopher*. https://arxiv.org/abs/2112.11446 - Gehman, S. et al. (2020). *RealToxicityPrompts: Evaluating Neural Toxic Degeneration in Language Models*. https://arxiv.org/abs/2009.11462 - Xu, A. et al. (2021). *Detoxifying Language Models Risks Marginalizing Minority Voices*. https://arxiv.org/abs/2104.06390 - Lin, S., Hilton, J., Evans, O. (2021). *TruthfulQA: Measuring How Models Mimic Human Falsehoods*. https://arxiv.org/abs/2109.07958 - Weidinger, L. et al. (2021). *Ethical and social risks of harm from Language Models*. https://arxiv.org/abs/2112.04359 - Welbl, J. et al. (2021). *Challenges in Detoxifying Language Models*. https://arxiv.org/abs/2109.07445 - Birhane, A. et al. (2021). *Multimodal datasets: misogyny, pornography, and malignant stereotypes*. https://arxiv.org/abs/2110.01963 - Ouyang, L. et al. (2022). *Training Language Models to Follow Instructions with Human Feedback*. https://arxiv.org/abs/2203.02155 - Wang, A. et al. (2019). *SuperGLUE: A Stickier Benchmark for General-Purpose Language Understanding Systems*. https://arxiv.org/abs/1905.00537 - McKinsey & Company (2021). *The State of AI in 2021*. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai ## Примечания 1. ↑ [1,00](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-AIIndex2022_1-0) [1,01](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-AIIndex2022_1-1) [1,02](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-AIIndex2022_1-2) [1,03](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-AIIndex2022_1-3) [1,04](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-AIIndex2022_1-4) [1,05](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-AIIndex2022_1-5) [1,06](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-AIIndex2022_1-6) [1,07](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-AIIndex2022_1-7) [1,08](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-AIIndex2022_1-8) [1,09](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-AIIndex2022_1-9) [1,10](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-AIIndex2022_1-10) [1,11](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-AIIndex2022_1-11) [1,12](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-AIIndex2022_1-12) [1,13](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-AIIndex2022_1-13) [1,14](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-AIIndex2022_1-14) [1,15](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-AIIndex2022_1-15) [1,16](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-AIIndex2022_1-16) [1,17](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-AIIndex2022_1-17) [1,18](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-AIIndex2022_1-18) [1,19](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-AIIndex2022_1-19) [1,20](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-AIIndex2022_1-20) [1,21](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-AIIndex2022_1-21) [1,22](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-AIIndex2022_1-22) [1,23](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-AIIndex2022_1-23) [1,24](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-AIIndex2022_1-24) [1,25](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-AIIndex2022_1-25) [1,26](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-AIIndex2022_1-26) [1,27](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-AIIndex2022_1-27) [1,28](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-AIIndex2022_1-28) [1,29](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-AIIndex2022_1-29) [1,30](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-AIIndex2022_1-30) [1,31](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-AIIndex2022_1-31) [1,32](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-AIIndex2022_1-32) [1,33](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-AIIndex2022_1-33) [1,34](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-AIIndex2022_1-34) [1,35](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-AIIndex2022_1-35) Zhang, D., Maslej, N., Brynjolfsson, E., Etchemendy, J., Lyons, T., Manyika, J., Ngo, H., Niebles, J.C., Sellitto, M., Sakhaee, E., Shoham, Y., Clark, J., Perrault, R. (2022). *The AI Index 2022 Annual Report*. AI Index Steering Committee, Stanford Institute for Human-Centered AI, Stanford University. https://aiindex.stanford.edu/report/ 2. ↑ [2,0](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-NetBaseQuid2021_2-0) [2,1](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-NetBaseQuid2021_2-1) [2,2](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-NetBaseQuid2021_2-2) [2,3](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-NetBaseQuid2021_2-3) [2,4](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-NetBaseQuid2021_2-4) NetBase Quid (2021). *AI Investment and Startup Activity Data*. https://quid.com/ 3. ↑ [3,0](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-CSET2021_3-0) [3,1](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-CSET2021_3-1) [3,2](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-CSET2021_3-2) [3,3](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-CSET2021_3-3) Center for Security and Emerging Technology, Georgetown University (2021). *AI Publications and Patents Data*. https://cset.georgetown.edu/ 4. ↑ [4,0](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-Rae2021_4-0) [4,1](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-Rae2021_4-1) Rae, J. W. et al. (2021). *Scaling Language Models: Methods, Analysis & Insights from Training Gopher*. https://arxiv.org/abs/2112.11446 5. ↑ [5,0](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-MLPerf2021_5-0) [5,1](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-MLPerf2021_5-1) MLCommons (2021). *MLPerf Training Benchmark Results*. https://mlcommons.org/en/training-normal-11/ 6. [↑](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-Birhane2021_6-0) Birhane, A. et al. (2021). *Multimodal datasets: misogyny, pornography, and malignant stereotypes*. https://arxiv.org/abs/2110.01963 7. [↑](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-SuperGLUE2019_7-0) Wang, A. et al. (2019). *SuperGLUE: A Stickier Benchmark for General-Purpose Language Understanding Systems*. https://arxiv.org/abs/1905.00537 8. [↑](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-Intento2021_8-0) Intento (2021). *The State of Machine Translation 2021*. https://inten.to/ 9. [↑](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-SSCA2021_9-0) Swedish Chess Computer Association (2021). *Chess Engine Rating List*. https://www.ssca.se/ 10. [↑](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-Gehman2020_10-0) Gehman, S. et al. (2020). *RealToxicityPrompts: Evaluating Neural Toxic Degeneration in Language Models*. https://arxiv.org/abs/2009.11462 11. [↑](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-Xu2021_11-0) Xu, A. et al. (2021). *Detoxifying Language Models Risks Marginalizing Minority Voices*. https://arxiv.org/abs/2104.06390 12. [↑](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-TruthfulQA2021_12-0) Lin, S., Hilton, J., Evans, O. (2021). *TruthfulQA: Measuring How Models Mimic Human Falsehoods*. https://arxiv.org/abs/2109.07958 13. [↑](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-LinkedIn2021_13-0) LinkedIn (2021). *AI Hiring Index Data*. https://www.linkedin.com/ 14. [↑](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-EmsiBG2021_14-0) Emsi Burning Glass (2021). *AI Job Postings Data*. https://www.economicmodeling.com/ 15. ↑ [15,0](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-McKinsey2021_15-0) [15,1](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-McKinsey2021_15-1) McKinsey & Company (2021). *The State of AI in 2021*. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai 16. ↑ [16,0](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-CRATaulbee2021_16-0) [16,1](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-CRATaulbee2021_16-1) Computing Research Association (2021). *CRA Taulbee Survey 2020–2021*. https://cra.org/resources/taulbee-survey/ 17. ↑ [17,0](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-BloombergGov2021_17-0) [17,1](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-BloombergGov2021_17-1) [17,2](https://systems-analysis.info/wiki/The_2022_AI_Index_Report#cite_ref-BloombergGov2021_17-2) Bloomberg Government (2021). *U.S. AI Legislative Records*. https://about.bgov.com/