Stanford 大學以人為本的人工智慧中心（Human-Centered AI, HAI）從 2017 年開始關注對於人類有關的人工智慧發展。研究團隊包含學術界與私人領域，蒐集有關人工智慧訊息與預測，他們提出一個人工智慧指數，能夠提供有關政府與機構制定人工智慧相關政策與法規之用。
HAI 作為一項從 2017 年開始關注人工智慧領域的報告，2023年可能不是最新訊息，但對於廣泛了解人工智慧以及產業脈動來說還是有必要的，畢竟不只有生成式AI才能叫做人工智慧。
報告主題包括：對於基礎模型的新分析，其地緣政治與培訓成本，人工智慧系統的環境影響，幼童（K-12）人工智慧教育，以及公眾與論趨勢。我們摘取其中最緊急，可能也是最難突破的重點：
- 在過去的十年里，人工智慧的發展已經從學術界主導翻轉到產業界主導，幅度很大，而且沒有逆轉跡象。
- 傳統基準上測試模型正變得困難，可能需要一種新的模式。
- 訓練與使用人工智慧的能源足跡正在變得相當大，但我們還沒有看到它如何在其他地方增加效率。
- 自2012年以來，”AI事件和爭議 “的數量增加了26倍，這實際上似乎有點低。
- 與人工智慧相關的技能和工作正在增加，但沒有想象的那麽快。
- 然而，政策制定者們正在努力編寫一個明確的人工智慧法案，如果有的話，這是一個愚蠢的差事。
- 目前投資已經暫時停滯，但這是在過去十年如天文數字般的增長之後。
- 超過70%的中國、沙烏地阿拉伯和印度受訪者認為人工智能的好處多於壞處。美國人呢？35%.
報告對許多主題與子項目進行了詳細描述，英文也不算太難，相當具有可讀性和非技術性。但相信只有專業機構才會讀完386頁的分析報告，但實際上，幾乎所有人都可以。
我們有興趣的是關於人工智慧的倫理（ethics）討論，第三章能更詳細一點深入討論。
HAI 報告裡認為偏見和系統毒性很難簡化為數字處理，但就定義和測試人工智慧模型而言，很明顯，「未經過濾的」模型更容易被引入「有問題」的領域。如果要處理有問題的領域，會經過我們稱為指令調整的技術，也就是增加一層額外的預設（如隱藏的提示）或將模型的輸出通過第二個調整器模型，可以有效地改善這個問題。不過，如此一來解答則但遠不及完，甚至有可能拒絕提供答案。
另外，重點裡提到的「人工智慧事件爭議」的增加，我們注意到在大型語言模型被主流採用之前，僅有少部分提報有關公正性，正如報告所示，「在某些公平性基準上表現較好的語言模型往往有較差的性別偏見」，換句話說，讓模型更加公正反而增加意想不到的後果。這正代表我們並不清楚大型語言模型真正的工作原理，便提前產生優化的期待，很顯然這沒有發生。
事實查核聽起來是適合人工智慧的領域之一，如果一項消息經過大規模索引查核，就可以評估並且提出一個信心指標。但這跟實際情況相差甚遠，人工智慧對於評估事實上效果特別差，即使查核過真實來源，還是有可能產生不切實際的信心指標。相反的會成為錯誤訊息的強大來源，在測試與改進事實查核上，目前看起來還是停留在原點，對於人類認知事實上並沒有增加多少效能。
最後，報告也顯示出即使人們應該小心謹慎使用人工智慧，目前興趣大增的人們能夠改變原有使用方式。在計算機協會（ACM）裡，有關人工智慧的公平、責任跟透明度都有效增加，在神經系統處理大會（NeurIPS），隱私與可解釋權則得到更多關心，代表著人工智慧更加負起責任，並且也產生極大綜效，即使它仍需要更多時間。
