مؤسسه‌ی هوش مصنوعی متمرکز بر نیروی انسانی (Human-Centered Artificial Intelligence Institute) در دانشگاه استنفورد با انتشار گزارش سالانه، وضعیت هوش مصنوعی و فناوری‌های مرتبط را بررسی می‌کند. گزارش‌های سالانه به‌کمک مؤسسه‌ی جهانی مک‌کنزی منتشر می‌شوند. شاخص AI Index یکی از بخش‌های اصلی گزارش سالانه است که رشد هوش مصنوعی را با بررسی‌ متریک‌های متعدد محاسبه می‌کند.

از میان شاخص‌های گزارش مذکور می‌توان به تعداد مقاله‌های منتشرشده در حوزه‌ی هوش مصنوعی و تعداد پتنت‌های ثبت‌شده و نرخ استخدام متخصصان این حوزه اشاره کرد. با مطالعه‌ی گزارش ۲۹۰ صفحه‌ای مؤسسه‌ی استنفورد، نکات مهمی به‌دست می‌آید که درادامه به آن‌ها اشاره می‌کنیم.

حضور در کنفرانس‌های مرتبط با هوش مصنوعی

یکی از متریک‌های مهم اندازه‌گیری رشد فناوری هوش مصنوعی، میزان حضور در کنفرانس‌های هوش مصنوعی برای افراد تازه‌کار است. نرخ مذکور در سال گذشته روند صعودی طی کرد که رشد ادامه‌دار را درمقایسه‌با سال‌های گذشته نشان می‌دهد. در سال ۲۰۱۹، بزرگ‌ترین کنفرانس هوش مصنوعی موسوم به NeurIPS، حدود ۱۳،۵۰۰ شرکت‌کننده داشت که درمقایسه‌با سال ۲۰۱۸، رشد ۴۱ درصدی تجربه می‌کرد. آمار مذکور رشد ۸۰۰ درصدی را درمقایسه‌با سال ۲۰۱۲ نشان می‌دهد. کنفرانس‌هایی همچون AAAI و CVPR نیز شاهد رشد ۳۰ درصدی شرکت‌کنندگان بودند.

شغل‌های مرتبط با هوش مصنوعی

یکی از متریک‌های مهم دیگر در اندازه‌گیری نرخ رشد هوش مصنوعی، تعداد فرصت‌های شغلی است که برای این حوزه ظهور پیدا می‌کنند. در شاخص امسال، این متریک نیز وضعیت روبه‌رشدی را نشان می‌دهد. آمار فرصت‌های استخدامی جدید از سال ۲۰۱۵ تا ۲۰۱۹ در آمریکا، رشد پنج‌برابری را درمقایسه‌با سال ۲۰۱۰ نشان می‌دهد. فرصت‌های استخدامی هوش مصنوعی از ۰/۲۶ درصد نسبت به کل شغل‌ها، به ۱/۳۲ درصد افزایش یافته است. آمار مذکور با وجود کم‌بودن درصد درمقایسه‌با کل فرصت‌های شغلی، تنها نشان‌دهنده‌ی فرصت‌های مستقیم بوده‌اند که با توسعه‌ی فناوری هوش مصنوعی مرتبط هستند. درواقع با درنظرگرفتن نرخ رشد شغل‌هایی که از هوش مصنوعی بهره می‌برند، آمار فرصت‌ها بیشتر هم می‌شود.

در میان دسته‌بندی‌های موجود در فرصت‌های شغلی مرتبط با هوش مصنوعی، یادگیری ماشین با آمار ۵۸ درصدی در صدر قرار دارد. در رتبه‌‌های بعدی فرصت‌های شغلی، هوش مصنوعی (۲۴ درصد) و یادگیری عمیق (۹ درصد) و پردازش زبان طبیعی (۸ درصد) قرار دارند. یادگیری عمیق بیشترین سرعت نرخ رشد را به‌خود اختصاص داد و از سال ۲۰۱۵ تا ۲۰۱۸،‌ تعداد فرصت‌‌های شغلی آن ۱۲ برابر شد؛ درحالی‌که هوش مصنوعی در همین دوره رشد پنج‌برابری را تجربه کرد. آمار رشد فرصت‌های شغلی یادگیری ماشین و پردازش زبان طبیعی نیز به‌ترتیب پنج و دو برابر گزارش می‌شود.

ظرفیت پردازش

شاخص گزارش هوش مصنوعی نشان می‌دهد قانون مور در بحث پردازش مرتبط با هوش مصنوعی آن‌چنان موفق نیست و ظرفیت پردازشی که در هوش مصنوعی استفاده می‌شود، در سال‌های اخیر پیشرفت چشمگیری تجربه کرد. تا پیش از سال ۲۰۱۲، قدرت پردازش در حوزه‌ی هوش مصنوعی از قانون مور تبعیت می‌کرد و هر دو سال، دوبرابر می‌شد. از سال ۲۰۱۲ به‌بعد، هر سه‌چهار ماه،‌ شاهد دوبرابرشدن ظرفیت پردازشی بودیم که رشد سرسام‌آور ۳۰۰ هزار برابری را برای این سال‌ها نشان می‌دهد. درمقابل، ساختار قانون مور که پیشرفت دوبرابری را در هر دو سال پیش‌بینی می‌کرد، تنها هفت‌برابر رشد را از ۲۰۱۲ تا ۲۰۱۹ نشان می‌دهد.

زمان آموزش

در سال‌های اخیر، زمان موردنیاز برای آموزش الگوریتم هوش مصنوعی پیشرفت درخورتوجهی تجربه کرد. زمان آموزش کنونی هر الگوریتم تشخیص تصویر در زیرساخت ابری درمقایسه‌با دو سال گذشته به حدود یک صدو‌هشتادم رسیده است. دو سال پیش‌، آموزش چنین سیستم‌‌هایی به سه ساعت زمان نیاز داشت؛ درحالی‌که آمار ژوئیه‌ی سال ۲۰۱۹، زمان ۸۸ ثانیه را نشان می‌دهد.

ترجمه‌ی ماشینی تجاری

یکی از شاخص‌های پیشرفت هوش مصنوعی را می‌توان در ترجمه‌ی ماشینی تجاری مشاهده کرد. تعداد سیستم‌‌های موجود ماشینی که مدل‌های آموزش‌دیده و API عمومی دارند، با سرعت فراوانی رشد کرده است. در سال ۲۰۱۷، فقط هشت سیستم وجود داشت که در سال ۲۰۱۹ به ۲۴ سیستم رسید. سیستم‌های کنونی قابلیت‌های بیشتری نیز دراختیار کاربران قرار می‌دهند. به‌عنوان مثال، می‌توان به مدل‌های کاربردی پیش‌آموزشی ساختن مدل‌ها و ماشین‌های اختصاصی با داده‌های شخصی و توسعه‌ی پشتیببانی از ترمینولوژی اختصاصی اشاره کرد.

بینایی کامپیوتری

یکی دیگر از بنچمارک‌های مهم پیشرفت هوش مصنوعی با محاسبه‌ی دقت تشخیص تصویر بررسی می‌شود. شاخص گزارش اخیر با بررسی ImageNet و دیتاست عمومی شامل بیش از ۱۱۴ میلیون تصویر آمار چشمگیری منتشر کرد. شایان ذکر است دیتاست عمومی مذکور با هدف برطرف‌کردن مشکل کمبود داده‌های آموزشی در بحث بینایی کامپیوتری توسعه یافت. در گزارش اخیر، دقت شناسایی تصویر سیستم‌ها ۸۵ درصد گزارش شد که درمقایسه‌با دقت ۶۲ درصدی در سال ۲۰۱۳، پیشرفت مهمی محسوب می‌شود.

پردازش زبان طبیعی

سیستم‌‌های هوش‌مصنوعی روز‌به‌روز هوشمندتر می‌شوند. آن‌ها امروز تا حدودی پاسخ‌گویی سطح پایین انسانی را در پردازش زبان طبیعی شکست می‌دهند؛ درنتیجه، استانداردهای قوی‌تری نیز امروز برای بنچمارک سیستم‌های هوش مصنوعی وجود دارند. به‌عنوان مثال، می‌توان به بنچمارک GLUE یا General Language Understanding Evaluation اشاره کرد که در سال ۲۰۱۸ منتشر شد. این بنچمارک توانایی هوش مصنوعی را در ظرفیت‌های پردازش متن بررسی می‌کند.

شاخص گزارش کنونی ادعا می‌کند در ژوئن ۲۰۱۹، مرز بین سیستم‌های کامپیوتری در درک زبان طبیعی و نیروی انسانی غیرمتخصص شکسته شد. درواقع، کارایی سیستم‌‌های هوش مصنوعی به‌حدی افزایش یافت که رهبران صنعت ملزم به ارائه‌ی بنچمارک‌های حرفه‌ای‌تر شدند؛ درنتیجه، SuperGLUE منتشر شد که پس از عبور توانایی سیستم‌های هوش مصنوعی از بررسی‌های GLUE، کاربرد پیدا کرد.

وضعیت کنونی هوش مصنوعی و مسیر پیش روی آن نشان می‌دهد آینده‌ی روشنی در انتظار صنعت خواهد بود. پیاده‌سازی سیستم‌های هوشمند با سرعت سریعی پیش می‌رود و شاید تنها نگرانی اشغال فرصت‌های شغلی به‌وسیله‌ی هوش مصنوعی باشد که آن‌ هم راهکاری جز آموزش مهارت‌های اختصاصی انسانی به نیروی انسانی ندارد.