The 2023 AI Index Report

AI Index Report 2023 — шестое ежегодное издание отчёта AI Index, подготовленное Стэнфордским институтом искусственного интеллекта, ориентированного на человека (Stanford HAI). Отчёт 2023 года является наиболее масштабным на момент публикации и включает больше оригинальных данных, чем любое предыдущее издание: новую главу, посвящённую общественному мнению об ИИ, расширенный анализ технической производительности, оригинальное исследование больших языковых и мультимодальных моделей, детальные тренды в глобальном законодательстве об ИИ, а также исследование экологического воздействия ИИ-систем. Отчёт выходит в период, когда ИИ вступает в «эру развёртывания»: на протяжении 2022 года и начала 2023 года ежемесячно выпускались новые крупномасштабные модели — ChatGPT, Stable Diffusion, Whisper, DALL-E 2, — демонстрирующие беспрецедентные возможности в генерации текста, изображений и распознавании речи. AI Index отслеживает, систематизирует и визуализирует данные об искусственном интеллекте, предоставляя объективную и тщательно верифицированную информацию для политиков, исследователей, руководителей, журналистов и широкой общественности.

Структура отчёта

Отчёт 2023 года состоит из восьми тематических глав:

1. Исследования и разработки (Research and Development) — тренды в публикациях, патентах, значимых моделях машинного обучения, больших языковых и мультимодальных моделях.
2. Техническая производительность (Technical Performance) — бенчмарки, компьютерное зрение, языковые модели, речь, обучение с подкреплением, аппаратное обеспечение, экологическое воздействие, ИИ в науке.
3. Техническая этика ИИ (Technical AI Ethics) — предвзятость, токсичность, справедливость, конфиденциальность, дипфейки.
4. Экономика (The Economy) — инвестиции, рынок труда, корпоративное внедрение, робототехника.
5. Образование (Education) — подготовка кадров, высшее образование в области информатики и ИИ.
6. Политика и управление (Policy and Governance) — законодательство, регулирование, национальные стратегии.
7. Разнообразие (Diversity) — гендерное и этническое разнообразие в сфере ИИ.
8. Общественное мнение (Public Opinion) — новая глава: отношение населения к ИИ по данным международных опросов и анализу социальных сетей.

Ключевые выводы отчёта (Top 10 Takeaways)

Авторы отчёта выделили десять главных тезисов:

1. Индустрия опережает академию

До 2014 года большинство значимых моделей машинного обучения выпускалось академическими учреждениями. С тех пор лидерство перешло к индустрии. В 2022 году индустрия создала 32 значимые модели машинного обучения, тогда как академия — лишь 3. Создание передовых систем ИИ всё больше требует массивных объёмов данных, вычислительных ресурсов и финансирования, которыми индустриальные организации располагают в значительно большей степени.

2. Насыщение традиционных бенчмарков

ИИ продолжает устанавливать новые рекорды на бенчмарках, однако прирост производительности из года в год становится всё более маргинальным. При этом скорость насыщения бенчмарков увеличивается. Тем не менее появляются новые, более комплексные системы оценки — BIG-bench и HELM.

3. ИИ одновременно помогает и вредит окружающей среде

Новые исследования показывают, что ИИ-системы оказывают серьёзное экологическое воздействие. Согласно данным Luccioni et al. (2022), обучение BLOOM выбросило в 25 раз больше углекислого газа, чем один авиапассажир при перелёте из Нью-Йорка в Сан-Франциско. Вместе с тем модели обучения с подкреплением, такие как BCOOLER (DeepMind), демонстрируют возможность использования ИИ для оптимизации энергопотребления.

4. Лучший новый учёный — ИИ?

Модели ИИ начинают стремительно ускорять научный прогресс. В 2022 году ИИ использовался для содействия управлению водородным синтезом, оптимизации алгоритмов умножения матриц (AlphaTensor) и генерации новых антител.

5. Число инцидентов, связанных с неэтичным использованием ИИ, стремительно растёт

По данным базы AIAAIC, число инцидентов и спорных ситуаций, связанных с этическим злоупотреблением ИИ, увеличилось в 26 раз с 2012 года. Среди заметных инцидентов 2022 года — дипфейк-видео с «капитуляцией» президента Украины Владимира Зеленского и использование технологий мониторинга звонков в американских тюрьмах.

6. Спрос на специалистов с навыками ИИ растёт практически во всех отраслях

Практически во всех отраслях экономики США (за исключением сельского хозяйства, лесной промышленности, рыболовства и охоты) доля вакансий, связанных с ИИ, увеличилась в среднем с 1,7% в 2021 году до 1,9% в 2022 году.

7. Впервые за десятилетие частные инвестиции в ИИ снизились

Глобальные частные инвестиции в ИИ составили 91,9 млрд долларов в 2022 году, что на 26,7% ниже показателя 2021 года. Снизились также общее число инвестиционных событий и количество впервые профинансированных ИИ-компаний. Тем не менее за десятилетие объём инвестиций вырос в 18 раз по сравнению с 2013 годом.

8. Доля компаний, внедряющих ИИ, стабилизировалась, но лидеры продолжают отрываться

Доля компаний, использующих ИИ, более чем удвоилась с 2017 года, однако в последние годы стабилизировалась на уровне 50–60%, по данным ежегодного опроса McKinsey. Организации, внедрившие ИИ, сообщают о реальном снижении затрат и росте выручки.

9. Интерес политиков к ИИ нарастает

Анализ законодательных документов 127 стран показывает, что число законопроектов, содержащих термин «искусственный интеллект» и принятых в качестве законов, выросло с 1 в 2016 году до 37 в 2022 году. Упоминания ИИ в парламентских дебатах 81 страны увеличились почти в 6,5 раз с 2016 года.

10. Китайские граждане наиболее позитивно относятся к ИИ; американцы — значительно менее

По данным опроса IPSOS за 2022 год, 78% китайских респондентов согласились с утверждением, что продукты и сервисы на основе ИИ приносят больше пользы, чем вреда. За ними следуют Саудовская Аравия (76%) и Индия (71%). Лишь 35% американских респондентов разделяют это мнение — один из самых низких показателей среди 28 опрошенных стран.

Глава 1. Исследования и разработки

Глава анализирует тренды в публикациях, патентах, значимых моделях машинного обучения, больших языковых и мультимодальных моделях, конференциях и открытом коде.

Публикации

Общее число публикаций по ИИ продолжает расти: оно более чем удвоилось с 2010 года. Доминирующие направления исследований — распознавание образов (pattern recognition), машинное обучение и компьютерное зрение.

Региональное лидерство. Китай продолжает лидировать по общему числу публикаций по ИИ в журналах, на конференциях и в репозиториях. Однако США по-прежнему опережают по числу цитирований конференционных и репозиторных публикаций, хотя этот отрыв постепенно сокращается.

Международное сотрудничество. Наибольшее число межстрановых коллабораций в публикациях по ИИ за 2010–2021 годы приходится на пару США — Китай: их число выросло примерно в 4 раза с 2010 года и в 2,5 раза превышает сотрудничество следующей ближайшей пары (Великобритания — Китай). Однако рост числа совместных работ США–Китай замедлился: в 2020–2021 годах прирост составил лишь 2,1% — минимальный за весь период наблюдений.

Репозитории. Число публикаций в ИИ-репозиториях (arXiv, SSRN и др.) выросло почти в 27 раз за последние 12 лет. Северная Америка сохраняет лидерство по доле публикаций в репозиториях с 2016 года.

Значимые модели машинного обучения

Доминирование индустрии. В 2022 году 32 значимые модели были созданы индустрией по сравнению с лишь 3 от академии. Это подтверждает тенденцию, наметившуюся с 2014 года.

Масштаб и стоимость. Большие языковые модели становятся всё крупнее и дороже. GPT-2, выпущенный в 2019 году и считающийся одной из первых крупных языковых моделей, содержал 1,5 млрд параметров; его обучение стоило примерно 50 000 долларов. PaLM (Google, 2022) содержал 540 млрд параметров и обошёлся примерно в 8 млн долларов — модель в 360 раз крупнее GPT-2 и в 160 раз дороже.

Вычислительные ресурсы. Начиная с 2010 года языковые модели требуют наибольших вычислительных ресурсов среди всех систем машинного обучения. Данные Epoch фиксируют экспоненциальный рост вычислений (FLOP), используемых при обучении.

Большие языковые и мультимодальные модели

Национальная принадлежность. Большинство авторов больших языковых и мультимодальных моделей — из американских институтов (54,2% в 2022 году). В 2022 году впервые исследователи из Канады, Германии и Индии внесли вклад в разработку таких моделей.

Ключевые модели 2022 года:

Модель	Разработчик	Дата	Значимость
DALL-E 2	OpenAI	Апрель 2022	Система генерации изображений по текстовому описанию; запуск «генеративного ИИ-бума»
PaLM (540B)	Google	Апрель 2022	Одна из крупнейших языковых моделей 2022 года; 540 млрд параметров
Gato	DeepMind	Май 2022	Мультизадачный агент: манипуляция роботами, игры, описание изображений, генерация текста
Imagen	Google	Май 2022	Модель диффузии для генерации изображений с высоким фотореализмом; бенчмарк DrawBench
Stable Diffusion	Stability AI	Август 2022	Открытая модель генерации изображений; массовое распространение
Make-A-Video	Meta AI	Сентябрь 2022	Система генерации видео по текстовому описанию
Whisper	OpenAI	Сентябрь 2022	Универсальная система распознавания речи с поддержкой множества языков
ChatGPT	OpenAI	Ноябрь 2022	Чат-бот на основе LLM; беспрецедентный рост популярности генеративного ИИ
GLM-130B	Университет Цинхуа	2022	Билингвальная (англ./кит.) открытая модель; единственная китайская крупная модель 2022 г.

Глава 2. Техническая производительность

Глава анализирует прогресс в задачах компьютерного зрения, обработки языка, речи, обучения с подкреплением, аппаратного обеспечения, а также экологическое воздействие ИИ и роль ИИ в науке.

Состояние бенчмарков

ИИ продолжает демонстрировать результаты на уровне или выше мирового рекорда по большинству бенчмарков, однако улучшения становятся маргинальными. Скорость насыщения бенчмарков увеличивается. Новые комплексные системы оценки — BIG-bench и HELM — призваны обеспечить более объективную и всестороннюю оценку.

Генеративный ИИ

2022 год ознаменовался выходом генеративного ИИ в массовое сознание. Были выпущены модели генерации изображений по тексту (DALL-E 2, Stable Diffusion), системы генерации видео (Make-A-Video) и чат-боты (ChatGPT). Тем не менее эти системы склонны к «галлюцинациям» — уверенному генерированию некорректных или бессмысленных ответов, — что ограничивает их использование в критически важных приложениях.

Языковые модели

MMLU. Бенчмарк Massive Multitask Language Understanding оценивает модели по 57 предметным областям. В 2022 году лучшие модели продолжили улучшать показатели, но до уровня человеческого эксперта оставался существенный разрыв.

HELM. Стэнфордский бенчмарк Holistic Evaluation of Language Models (HELM) обеспечивает комплексную оценку языковых моделей по десяти сценариям, включая понимание текста, математику, юридические рассуждения, а также измерения предвзятости и токсичности.

Планирование и рассуждение. Языковые модели продолжают улучшать генеративные возможности, но испытывают серьёзные трудности с задачами планирования. Исследование Valmeekam et al. (2022) показало, что GPT-3, Instruct-GPT3 и BLOOM крайне неэффективно справляются с задачами генерации планов, оптимального планирования и повторного использования планов в среде Blocksworld.

Распознавание речи

Whisper (OpenAI). В 2022 году OpenAI представила Whisper — крупномасштабную систему распознавания речи, обученную на 680 000 часов многоязычных данных. Whisper продемонстрировала значительный прогресс в точности распознавания, приближаясь к человеческому уровню на ряде бенчмарков, и поддерживает перевод с нескольких десятков языков.

ИИ делает ИИ лучше

Наметилась тенденция к самосовершенствованию ИИ-систем. NVIDIA использовала агент обучения с подкреплением для улучшения архитектуры чипов, питающих ИИ-системы. Google применила свою языковую модель PaLM для поиска способов улучшения самой модели PaLM.

Аппаратное обеспечение

GPU-тренды. Медианная вычислительная производительность (FLOP/s) новых GPU почти утроилась с 2021 года и увеличилась примерно в 7 000 раз с 2003 года. Медианная производительность в пересчёте на доллар США (FLOP/s per USD) в 2022 году в 1,4 раза превысила показатель 2021 года и в 5 600 раз — показатель 2003 года, демонстрируя удвоение производительности каждые 1,5 года.

MLPerf. Бенчмарк MLPerf продолжает фиксировать неуклонное сокращение времени обучения моделей на стандартных задачах, отражая прогресс в аппаратном обеспечении и оптимизации.

Экологическое воздействие

Раздел впервые включён в отчёт. Углеродный след ИИ-моделей существенно различается в зависимости от инфраструктуры:

Модель	Параметры	Выбросы CO₂ (тонн)	PUE центра данных
GPT-3	175 млрд	502	1,10
Gopher	280 млрд	352	1,08
OPT	175 млрд	70	1,09
BLOOM	176 млрд	25	1,20

GPT-3 выбросил в 20 раз больше углекислого газа, чем BLOOM, при сопоставимом числе параметров. Ключевыми факторами являются углеродоёмкость энергосети, эффективность центра данных (PUE) и продолжительность обучения.

Для сравнения: обучение BLOOM выбросило в 25 раз больше CO₂, чем авиаперелёт одного пассажира из Нью-Йорка в Сан-Франциско, и в 1,4 раза больше, чем среднегодовые выбросы американца. Потреблённой энергии хватило бы на обеспечение среднего американского домохозяйства электричеством на 41 год.

Оптимизация энергопотребления. Система BCOOLER (DeepMind) — агент обучения с подкреплением для оптимизации охлаждения дата-центров Google — за три месяца эксперимента обеспечила экономию энергии примерно на 12,7% при сохранении комфортных условий.

ИИ в науке (2022)

Управление плазмой в токамаке. DeepMind разработала алгоритм обучения с подкреплением для оптимального управления плазмой в токамаке — ключевое достижение на пути к термоядерному синтезу.

AlphaTensor. DeepMind использовала обучение с подкреплением для открытия алгоритмов умножения матриц, превосходящих существующие решения — в том числе классический алгоритм Штрассена для матриц 4×4.

AlphaCode. Система DeepMind, пишущая компьютерные программы на конкурентном уровне, достигла ранга в верхних 54% участников в соревнованиях по программированию.

Генерация антител. Генеративный ИИ был использован для de novo дизайна антител, открывая новые возможности для биофармацевтики.

Глава 3. Техническая этика ИИ

Глава посвящена ключевым измерениям этики ИИ: предвзятости, токсичности, справедливости и инцидентам.

Метрики справедливости и предвзятости

В 2022 году наблюдался устойчивый рост числа метрик и бенчмарков для оценки справедливости и предвзятости ИИ-систем. Метрики расширяются и уточняются: исследователи адаптируют их к конкретным задачам (ответы на вопросы, логический вывод на естественном языке) и используют языковые модели для генерации расширенных тестовых данных. В 2022 году были представлены новые бенчмарки, такие как BBQ (Bias Benchmark for Question Answering), а также дополнительные оценки в рамках масштабного проекта BIG-bench.

Различают два типа метрик: бенчмарки (стационарные наборы размеченных данных, оценивающие внутреннюю предвзятость модели — StereoSet, Winogender) и диагностические метрики (измеряющие различие производительности модели для различных демографических групп при реальном применении). Оба подхода дополняют друг друга.

Влияние масштаба на предвзятость

Исследования 2022 года показали, что влияние увеличения масштаба модели на предвзятость и токсичность неоднозначно и зависит от данных обучения и применяемых методов снижения предвзятости.

Инциденты в сфере ИИ

По данным базы AIAAIC, число инцидентов и спорных ситуаций, связанных с этическим злоупотреблением ИИ, увеличилось в 26 раз с 2012 года. Рост обусловлен как расширением применения ИИ, так и повышением осведомлённости о рисках.

Глава 4. Экономика

Глава исследует тренды в занятости, инвестициях, корпоративном внедрении ИИ и робототехнике.

Рынок труда

Доля вакансий, связанных с ИИ, в США увеличилась в среднем с 1,7% в 2021 году до 1,9% в 2022 году практически во всех отраслях. Рост спроса наблюдается в технологиях, финансах, производстве, здравоохранении и других секторах.

Миграция в индустрию. Всё больший процент новых обладателей докторских степеней в ИИ выбирает работу в индустрии: в 2021 году 65,4% отправились в промышленность (против 40,9% в 2011 году), и лишь 28,2% — в академию (против 41,6% в 2011 году). Доля PhD, работающих в государственном секторе, остаётся стабильно низкой — 0,7%.

Инвестиции

Общие тренды. Глобальные частные инвестиции в ИИ составили 91,9 млрд долларов — снижение на 26,7% по сравнению с 2021 годом. Число инвестиционных событий сократилось до 3 538 (падение на 12% к 2021 году). Число впервые профинансированных ИИ-компаний снизилось до 1 392 (с 1 669 в 2021 году). Тем не менее объём инвестиций в 18 раз превышает уровень 2013 года.

Региональное распределение. США лидируют с инвестициями в 47,4 млрд долларов — в 3,5 раза больше, чем у Китая (13,4 млрд), и в 11 раз больше Великобритании (4,4 млрд). При этом инвестиции в США снизились на 35,5%, в Китае — на 41,3%. В совокупности за 2013–2022 годы в США инвестировано 248,9 млрд, в Китае — 95,1 млрд, в Великобритании — 18,2 млрд.

Фокусные области. Наиболее привлекательными для инвесторов стали: медицина и здравоохранение (6,1 млрд долларов), управление данными, обработка и облачные технологии (5,9 млрд), финтех (5,5 млрд), кибербезопасность (5,4 млрд) и ритейл (4,2 млрд). Большинство фокусных областей зафиксировали снижение инвестиций относительно 2021 года.

Крупнейшие инвестиционные события 2022 года:

• GAC Aion New Energy Automobile (Китай, электромобили) — 2,54 млрд долларов;
• Anduril Industries (США, оборонные технологии) — 1,5 млрд;
• Celonis (Германия, бизнес-аналитика) — 1,22 млрд.

Корпоративное внедрение

По данным McKinsey, доля компаний, использующих ИИ, более чем удвоилась с 2017 года, стабилизировавшись на уровне 50–60%. Организации, внедрившие ИИ, сообщают о реальном снижении затрат и росте выручки.

Earnings calls. В 2022 финансовом году 268 компаний Fortune 500 упомянули ИИ в отчётах о прибылях (снижение с 306 в 2021 году, но рост с 225 в 2018 году).

Вызовы. Основные проблемы при запуске ИИ-проектов: доказательство бизнес-ценности (37%), недостаток приверженности руководства (34%), выбор правильных технологий ИИ (33%). Главные барьеры масштабирования: управление рисками ИИ (50%), получение данных для обучения (44%), внедрение технологий (42%).

Робототехника

В 2021 году было установлено 517 000 промышленных роботов — рост на 31,3% к 2020 году и более чем в 3 раза с 2011 года. Операционный парк промышленных роботов достиг 3 477 000 единиц (рост на 14,6%).

Доминирование Китая. В 2021 году Китай установил 268 200 промышленных роботов — в 5,7 раза больше Японии (47 200) и в 7,7 раза больше США (35 000). С 2013 года, когда Китай обогнал Японию, его доля выросла с 20,8% до 51,8% мировых установок. В 2021 году Китай впервые установил больше промышленных роботов, чем весь остальной мир вместе взятый.

Глава 5. Образование

Глава рассматривает тенденции в образовании в области информатики и ИИ.

Высшее образование

Бакалавриат. Число выпускников бакалавриата по информатике (CS) в Северной Америке продолжает расти.

Докторантура. В 2021 году было выпущено 1 893 доктора по информатике — меньше, чем в 2020 году (1 997). Доля международных студентов среди PhD по CS выросла с 45,8% в 2010 году до 68,6% в 2021 году.

Специализация на ИИ. В 2021 году 19,1% новых докторантов CS в Северной Америке специализировались на ИИ — рост на 4,2 п.п. по сравнению с 2020 годом и на 8,6 п.п. с 2012 года.

Глава 6. Политика и управление

Глава анализирует законодательную и регуляторную активность в сфере ИИ на глобальном, американском и региональном уровнях.

Глобальные тенденции

Число законопроектов, содержащих термин «искусственный интеллект» и принятых в качестве законов, выросло с 1 в 2016 году до 37 в 2022 году (анализ 127 стран). Упоминания ИИ в парламентских дебатах 81 страны увеличились почти в 6,5 раз с 2016 года, хотя в 2022 году наблюдалось небольшое снижение по сравнению с 2021 годом (с 1 547 до 1 340 упоминаний).

В 2022 году лидерами по числу упоминаний ИИ в парламентских заседаниях стали: Испания (273), Канада (211), Великобритания (146), США (138).

Регулирование в США

На федеральном уровне в 2022 году было предложено 88 законопроектов, связанных с ИИ, из них 9 были приняты (рост с 3 в предыдущие годы). На уровне штатов лидируют Калифорния (5 принятых законов) и Мэриленд (3).

Национальные стратегии

Ряд стран принял новое законодательство, охватывающее широкий спектр вопросов: обучение персонала навыкам ИИ, контроль за использованием ИИ в правоохранительных органах, повышение прозрачности алгоритмического принятия решений.

Глава 7. Разнообразие

Женщины и представители меньшинств по-прежнему значительно недопредставлены в сфере ИИ как в индустрии, так и в академии. Данные CRA Taulbee Survey и других источников фиксируют медленный, но устойчивый прогресс в увеличении разнообразия.

Глава 8. Общественное мнение

Новая глава отчёта анализирует общественное восприятие ИИ на основе международных опросов и анализа социальных сетей.

Глобальные опросы (IPSOS)

По данным опроса IPSOS 2022 года (19 504 респондента в 28 странах):

• 60% респондентов считают, что ИИ-продукты существенно изменят их жизнь в ближайшие 3–5 лет;
• 60% считают, что ИИ-продукты делают их жизнь проще;
• 52% согласны, что ИИ-продукты приносят больше пользы, чем вреда;
• 40% отмечают, что ИИ-продукты вызывают у них нервозность.

Региональные различия. Наиболее позитивно к ИИ относятся граждане Китая (78% согласны с пользой ИИ), Саудовской Аравии (76%) и Индии (71%). Наименее позитивно — Франция (31%), Канада (32%), США (35%).

Демографические различия. Мужчины оценивают ИИ-продукты позитивнее женщин по всем измерениям. Домохозяйства с более высоким доходом и более высоким уровнем образования также более оптимистичны.

Опрос Lloyd's Register Foundation и Gallup

Глобальный опрос 125 911 человек в 121 стране (2021 год) показал, что 39% считают ИИ в целом полезным для страны, 28% — вредным. Мужчины более склонны считать ИИ полезным, чем женщины.

Беспилотные автомобили. Лишь 27% респондентов в мире чувствуют себя безопасно в беспилотном автомобиле. По данным Pew Research, только 26% американцев считают пассажирские беспилотные автомобили хорошей идеей для общества.

Опрос Pew Research (США)

Среди американцев, испытывающих воодушевление от ИИ, главные причины — потенциал улучшить жизнь и общество (31%) и экономия времени (13%). Среди обеспокоенных — потеря рабочих мест (19%), слежка и цифровая приватность (16%), утрата человеческих контактов (12%).

Мнение NLP-исследователей

По данным опроса среди NLP-исследователей: 77% согласны или частично согласны с тем, что частные ИИ-компании имеют чрезмерное влияние; 41% считают, что NLP должен регулироваться; 73% полагают, что ИИ может вскоре привести к революционным социальным изменениям.

Анализ социальных сетей

NetBase Quid провёл анализ более 7 млн постов в социальных сетях за 2022 год. Модели ChatGPT и Stable Diffusion привлекли наибольшее внимание. Основные темы дискуссий — этические проблемы, культурное и экономическое влияние ИИ.

Методология

Отчёт использует данные из множества источников:

• Публикации и патенты: Center for Security and Emerging Technology (CSET), Georgetown University; данные Epoch.
• Бенчмарки: Papers With Code, CRFM (HELM), BIG-bench, специализированные лидерборды.
• Инвестиции: NetBase Quid (Capital IQ, Crunchbase).
• Рынок труда: Lightcast, LinkedIn.
• Корпоративная активность: McKinsey & Company, Deloitte, NetBase Quid (earnings calls).
• Робототехника: International Federation of Robotics (IFR).
• Регулирование: законодательные базы 127 стран, парламентские материалы 81 страны.
• Общественное мнение: IPSOS, Lloyd's Register Foundation / Gallup, Pew Research Center, NetBase Quid (социальные медиа).
• Образование: CRA Taulbee Survey, Code.org.
• Экологическое воздействие: Luccioni et al. (2022), данные по GPU — Epoch.

Авторский коллектив

Отчёт подготовлен под руководством содиректоров Рэя Перро (Raymond Perrault, SRI International) и Джека Кларка (Jack Clark, Anthropic / OECD). Руководителем исследований и главным редактором выступил Нестор Маслей (Nestor Maslej, Stanford University). В подготовке отчёта участвовали Эрик Бриньолфссон (Erik Brynjolfsson), Джон Этчеменди (John Etchemendy), Катрина Лигетт (Katrina Ligett), Тера Лайонс (Terah Lyons), Джеймс Маньика (James Manyika), Хелен Нго (Helen Ngo), Хуан Карлос Ниеблес (Juan Carlos Niebles), Ванесса Парли (Vanessa Parli), Йоав Шохам (Yoav Shoham, основатель AI Index), Расселл Уолд (Russell Wald), а также широкий круг исследователей и организаций-партнёров. AI Index является проектом Стэнфордского института HAI (Human-Centered Artificial Intelligence).

Ссылки

• Stanford HAI — AI Index Report 2023 (полный текст): https://aiindex.stanford.edu/report/
• Epoch — данные о вычислительных трендах и значимых моделях: https://epochai.org/
• Papers With Code — бенчмарки и лидерборды: https://paperswithcode.com/
• CRFM HELM — Holistic Evaluation of Language Models: https://crfm.stanford.edu/helm/
• AIAAIC Repository — база инцидентов этического злоупотребления ИИ: https://www.aiaaic.org/
• International Federation of Robotics: https://ifr.org/
• McKinsey Global Survey on AI: https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
• NetBase Quid — данные об инвестициях и социальных медиа: https://quid.com/
• IPSOS — глобальный опрос об отношении к ИИ: https://www.ipsos.com/
• Pew Research Center — опросы общественного мнения: https://www.pewresearch.org/
• CRA Taulbee Survey — данные об образовании в CS: https://cra.org/resources/taulbee-survey/
• Global AI Vibrancy Tool (Stanford HAI): https://aiindex.stanford.edu/vibrancy/

Литература

• Maslej, N., Fattorini, L., Brynjolfsson, E., Etchemendy, J., Ligett, K., Lyons, T., Manyika, J., Ngo, H., Niebles, J. C., Parli, V., Shoham, Y., Wald, R., Clark, J., and Perrault, R. (2023). The AI Index 2023 Annual Report. AI Index Steering Committee, Institute for Human-Centered AI, Stanford University. https://aiindex.stanford.edu/report/
• Luccioni, A. S. et al. (2022). Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language Model. https://arxiv.org/abs/2211.02001
• Liang, P. et al. (2022). Holistic Evaluation of Language Models. https://arxiv.org/abs/2211.09110
• Hendrycks, D. et al. (2021). Measuring Massive Multitask Language Understanding. https://arxiv.org/abs/2009.03300
• Radford, A. et al. (2022). Robust Speech Recognition via Large-Scale Weak Supervision. https://arxiv.org/abs/2212.04356
• Valmeekam, K. et al. (2022). Large Language Models Still Can't Plan. https://arxiv.org/abs/2206.10498
• Fawzi, A. et al. (2022). Discovering faster matrix multiplication algorithms with reinforcement learning. Nature. https://doi.org/10.1038/s41586-022-05172-4
• Degrave, J. et al. (2022). Magnetic Control of Tokamak Plasmas through Deep Reinforcement Learning. Nature. https://doi.org/10.1038/s41586-021-04301-9
• McKinsey & Company (2023). The State of AI in 2023. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
• International Federation of Robotics (2022). World Robotics Report 2022. https://ifr.org/worldrobotics/
• IPSOS (2022). Global Views on AI Survey 2022. https://www.ipsos.com/
• Pew Research Center (2022). Public Views on AI. https://www.pewresearch.org/
• Lloyd's Register Foundation and Gallup (2022). World Risk Poll: Perceptions of AI. https://wrp.lrfoundation.org.uk/
• Deloitte (2022). State of AI in the Enterprise Survey. https://www2.deloitte.com/
• Luo, J. et al. (2022). Controlling Commercial Cooling Systems Using Reinforcement Learning. DeepMind Research.