省流版:
概述
每年，《人工智能指数报告》都会以其日益增长的信息量和重要性，在电子设备上引起越来越大的关注——今年的报告共 502 页，证明了 2023 年是人工智能的一个重大年份。过去三年中，IEEE Spectrum 阅读了整份报告，并选取了一些图表来概述当前的人工智能状态（参见我们 2021 年、2022 年和 2023 年的报道）。
今年的报告由斯坦福大学人本人工智能研究所（HAI）发布，增加了关于负责任人工智能的章节，并新增了科学和医学中的人工智能章节，此外还包括了研发、技术性能、经济、教育、政策与治理、多样性和公众意见等常规内容。今年也是 Spectrum 首次被报告引用，引用了一篇关于生成式人工智能视觉抄袭问题的文章。
1 生成式人工智能投资激增
尽管去年企业投资总体下降，但生成式人工智能的投资却激增。今年报告的主编Nestor Maslej告诉Spectrum，这种繁荣反映了2023年全球在应对新兴的生成式人工智能系统（如ChatGPT和生成图像的DALL-E 2）的能力和风险方面的广泛趋势。“去年的故事是关于人们如何响应生成式人工智能，”Maslej说，“无论是在政策方面、公众意见还是行业投资。”报告中的另一张图表显示，大部分私人投资在生成式人工智能上都发生在美国。
2 谷歌在基础模型竞赛中占据主导地位
基础模型是大型多用途模型——例如，OpenAI 的 GPT-3 和 GPT-4 是使 ChatGPT 用户能够编写代码或莎士比亚式诗歌的基础模型。由于训练这些模型通常需要庞大的资源，因此现在主要由工业界制作这些模型，学术界只发布了少数几个。公司发布基础模型既是为了推动技术的最前沿，也是为了为开发人员提供构建产品和服务的基础。2023年，谷歌发布的基础模型数量最多。
3 闭源模型性能优于开源模型
当前人工智能领域的一个热门辩论是基础模型应该是开放还是闭源，有些人热情地主张开放模型很危险，而另一些人则认为开放模型能够推动创新。《人工智能指数》没有介入这场辩论，而是观察了发布的开放和闭源模型的趋势（报告中的另一张图表，未包括在此，显示在2023年发布的149个基础模型中，98个是开放的，23个通过API提供部分访问权限，28个是闭源的）。
上面的图表揭示了另一个方面：在许多常用基准测试中，闭源模型的表现优于开源模型。Maslej表示，关于开放与闭源的辩论“通常围绕风险问题展开，但关于是否存在有意义的性能权衡的讨论较少”。
4 基础模型变得非常昂贵
工业界为什么主导基础模型场景？因为训练一个大型模型需要非常深的口袋。但究竟有多深呢？人工智能公司很少透露训练模型的费用，但《人工智能指数》通过与人工智能研究组织Epoch AI的合作，超越了典型的猜测。报告解释说，Epoch 团队“分析了训练持续时间，以及训练硬件的类型、数量和利用率”，这些信息是从出版物、新闻发布和技术报告中获取的。
值得注意的是，谷歌在 2017 年训练的 Transformer 模型，该模型引入了几乎支持当今所有大型语言模型的架构，其训练成本仅为 930 美元。
5 它们的碳足迹也很重
《人工智能指数》团队还估计了某些大型语言模型的碳足迹。报告指出，模型之间的差异是由于模型大小、数据中心能效和能源网格的碳强度等因素造成的。报告中的另一张图表（未包括在此）对推理相关的排放做了初步猜测——当模型进行其被训练的工作时——并呼吁更多的披露。报告指出：“尽管每次查询的排放可能相对较低，但当每天进行成千上万次查询时，总影响可能超过训练。”
6 美国在基础模型领域领先
虽然 Maslej 表示报告并不试图“宣布这场竞赛的赢家”，他确实指出美国在几个类别中处于领先地位，包括发布的基础模型数量（上文提到的）和被认为是重大技术进步的人工智能系统的数量。然而，他指出，中国在其他类别中领先，包括授予的人工智能专利数量和工业机器人的安装数量。
7 工业界吸引新博士生
这一点不足为奇，考虑到前文讨论的数据，工业界对生成式人工智能的大量投资以及发布许多令人兴奋的模型。在最近的一年（指数提供数据的2022年），北美新的人工智能博士中有70%选择了工业界的工作。这是过去几年中持续发展的趋势。
8 在多样性方面取得了一些进展
多年来，人工智能界在变得更少白人和男性方面进展缓慢。但今年的报告提供了一些令人希望的迹象。例如，参加AP计算机科学考试的非白人和女性学生数量在增加。上述图表显示了种族多样性的趋势，而另一张图表（未包含在此）显示，现在有30%的考试学生是女孩。
报告还显示，在本科层面，北美计算机科学学士学位获得者的种族多样性也呈现出积极的趋势，尽管过去五年中女性获得计算机科学学士学位的数量几乎未有变化。Maslej表示，“重要的是要知道，这里还有很多工作要做。”
9 财报电话会议中的讨论
企业对人工智能的可能性保持警觉。《人工智能指数》获取了来自市场情报公司Quid的数据，该公司使用自然语言处理工具扫描了财富500强公司的财报电话会议，以搜寻所有提到“人工智能”、“AI”、“机器学习”、“ML”和“深度学习”的内容。几乎80%的公司在会议中讨论了人工智能。“我认为企业领导者害怕如果他们不使用这项技术，就会错失机会，”Maslej说。
而且，虽然这些讨论可能只是首席执行官们随意使用的流行词，但报告中的另一张图表显示，根据麦肯锡的调查，55%的公司已在至少一个业务单元实施了人工智能。
10 成本下降，收入上升
为什么人工智能不仅仅是企业的流行词汇：同一项麦肯锡调查显示，集成人工智能使公司的成本降低，收入增加。总体上，42%的受访者表示他们看到了成本的减少，59%的人声称收入增加。
报告中的其他图表表明，这种对底线的影响反映了效率的提高和员工生产力的提升。2023年，不同领域的多项研究表明，人工智能使工人能够更快地完成任务，并提供更高质量的工作。其中一项研究调查了使用Copilot的编程人员，其他研究则涉及咨询师、呼叫中心代理和法学院学生。“这些研究还表明，虽然每个工人都从中受益，但人工智能对低技能工人的帮助比对高技能工人的帮助更大，”Maslej说。
11 企业感知风险
今年，《人工智能指数》团队对全球 1000 家年收入至少 5 亿美元的公司进行了一项调查，以了解企业如何看待负责任的人工智能。结果显示，隐私和数据治理被视为全球最大的风险，而公平性（通常在算法偏见的讨论中提及）尚未被大多数公司注意到。报告中的另一张图表显示，各地区的大多数组织都针对其感知的风险实施了至少一项负责任的人工智能措施。
12 人工智能还没有在所有方面超越人类……至少现在还没有
近年来，人工智能系统在包括阅读理解和视觉推理在内的多个任务上超过了人类，Maslej指出，人工智能性能的改善速度也在加快。他说：“十年前，像ImageNet这样的基准可以让人工智能研究者挑战五到六年。现在，一个新的基准被引入竞争级数学，人工智能从30%开始，然后在一年内达到90%。”尽管在某些复杂的认知任务上人类仍然表现优于人工智能系统，但让我们明年再看看情况如何。
13 发展人工智能责任规范
当一家人工智能公司准备发布一个大型模型时，通常会根据该领域的流行基准测试它，从而让人工智能社区了解各模型在技术性能方面的表现。然而，针对负责任人工智能基准进行测试的做法过去较少见，这些基准评估的是诸如有害语言输出（RealToxicityPrompts 和 ToxiGen）、响应中的有害偏见（BOLD 和 BBQ）以及模型的真实度（TruthfulQA）等。但这种情况正在改变，因为人们越来越认为，根据这些基准检查自己的模型是一种负责任的做法。然而，报告中的另一张图表显示，一致性仍然缺失：开发者在对其模型进行不同基准测试，使得比较变得更加困难。
14 法律既促进又限制人工智能
从2016年到2023年，根据《人工智能指数》的发现，至少有33个国家通过了至少一项与人工智能相关的法律，其中大部分活动发生在美国和欧洲；在这段时间内，共通过了148项与人工智能相关的法案。研究人员还将这些法案分类为扩展性法律，旨在增强一个国家的人工智能能力，或是限制性法律，对人工智能的应用和使用设定限制。尽管许多法案继续促进人工智能，但研究人员发现全球趋势倾向于限制性立法。
15 人工智能让人们感到不安
《人工智能指数》的公众意见数据来自对 31 个国家的 22,816 名成年人（年龄在 16 至 74 岁之间）的全球调查。超过半数的受访者表示，人工智能让他们感到不安，比前一年的 39% 有所上升。现在有三分之二的人预计人工智能将在未来几年深刻改变他们的日常生活。
Maslej 指出，指数中的其他图表显示不同人群在人工智能将如何改变他们的生活方面的意见存在显著差异，年轻人更倾向于对人工智能改变生活的乐观看法。有趣的是，“这种人工智能悲观主义很多来自西方、发达国家，”他说，而像印尼和泰国这样的地方的受访者表示，他们则认为人工智能利大于弊。
原文地址: https://spectrum.ieee.org/ai-index-2024
2014 人工智能指数报告原文:https://aiindex.stanford.edu/wp-content/uploads/2024/04/HAI_2024_AI-Index-Report.pdf
Tips,可以参考<AI 助力问题驱动式学习> 问题驱动的方式继续深入学习.
