Under CopyrightBeckert, BerndBerndBeckertKroll, HenningHenningKroll2024-12-042024-12-042024https://doi.org/10.24406/publica-3792https://publica.fraunhofer.de/handle/publica/47916810.24406/publica-3792In the race for international leadership in the field of artificial intelligence, China has been in first place for years - both in terms of the number of AI research contributions and of citations. Since the publication of ChatGPT at the end of 2022 at the latest, this contradicts the general impression that the main AI innovations are currently coming from the USA rather than China, as well as the general assessment that German and European research is also making important contributions to the AI development. One reason for this divergence is the fact that AI is a very heterogeneous field of research and innovation that consists of different technologies, methods and applications. A standardized definition does not yet exist. However, adequate research field definitions are essential for country comparisons based on bibliometric and patent analyses. This discussion paper is intended as a contribution to the definition of the research and innovation field of "artificial intelligence" and to the question of the extent to which AI technologies can be classified as "advanced" or "less advanced". This is because the development of this field of re-search is very dynamic and is characterized by leaps in innovation. The nature of these changes can only be understood by taking a closer look at the technologies themselves which in turn contributes to a better understanding of the bibliometric figures. To answer the research questions, eight relevant bibliometric studies and the currently best-known classification scheme for machine learning (ML) systems are first analyzed. At the same time, information is collected to answer the question of quality levels. In addition to the literature review, the structures of AI textbooks and AI degree programs were analyzed. And a total of 18 expert interviews were conducted between March and September 2024 with the aim of gaining a deeper understanding of the research subject and its historical development. As a result, this study presents its own keyword list with 19 main entries and 72 subentries, which reflects the current status of the research and innovation field of AI. The list represents a synthesis of the studies examined, as it was found that none of the existing lists fully cover the field of re-search as it currently presents itself. Our own keyword list covers both the established AI research areas (symbolic AI) and the machine learning-based research fields that are currently in the foreground (statistical AI). It also takes into account central application fields of AI, such as robotics, automation, facial recognition or machine translation, which are also important for the development of AI technologies in addition to basic research. With regard to the question of the quality levels of AI technologies, specific combinations of keywords from the list can be used for further analyses. The research shows that generative AI and large language models are currently the most advanced areas of AI research. The development of large language models requires extensive know-how, enormous computing capacities and the processing of enormous amounts of data. However, according to the conclusion of the discussion on approaches to determining quality levels, the current dominance of language models should not obscure the fact that the older AI research areas, which are now referred to as good-old-fashioned AI (GOFAI), also contribute to progress and should therefore be given appropriate consideration when comparing national research pro-files and performances.Im Wettlauf um die internationale Führungsrolle im Bereich „Künstliche Intelligenz“ liegt China seit Jahren auf Platz 1 – und zwar sowohl im Hinblick auf die Anzahl der KI-Forschungsbeiträge als auch bei den Zitationen. Dies widerspricht spätestens seit der Veröffentlichung von ChatGPT Ende 2022 dem generellen Eindruck, dass die wesentlichen KI-Innovationen derzeit nicht aus China, sondern aus den USA kommen sowie der allgemeinen Einschätzung, dass auch die deutsche und europäische Forschung wichtige Beiträge zur KI-Entwicklung liefern. Ein Grund für dieses Auseinanderklaffen ist die Tatsache, dass KI ein sehr heterogenes Forschungs- und Innovationsfeld ist, das aus verschiedenen Technologien, Methoden und Anwendungen besteht. Eine einheitliche Definition gibt es bisher nicht. Für Ländervergleiche, die auf bibliometrischen Analysen und auf Patentauswertungen basieren, sind adäquate Forschungsfelddefinitionen aber essentiell. Dieses Discussion Paper versteht sich als Beitrag zum einen zur Eingrenzung des Forschungs- und Innovationsfeldes „Künstliche Intelligenz“ und zum anderen zur Frage, inwiefern man KI-Technologien als „fortgeschritten“ oder „weniger fortgeschritten“ klassifizieren kann. Denn die Entwicklung des Forschungsfeldes verläuft sehr dynamisch und ist von Innovationssprüngen geprägt, die sich nicht alleine über Publikations- und Patentanalysen erschließen. Zur Beantwortung der Forschungsfragen werden zunächst acht einschlägige bibliometrische Studien sowie das derzeit bekannteste Klassifikationsschema für Machine-Learning (ML)-Systeme analysiert. Dabei werden gleichzeitig Hinweise zur Beantwortung der Frage nach den Qualitätsleveln gesammelt. Zusätzlich zur Literaturauswertung wurde die Struktur von KI-Lehrbüchern und KI-Studiengänge analysiert. Und es wurden zwischen März und September 2024 insgesamt 18 Experteninterviews mit dem Ziel geführt, ein tieferes Verständnis des Forschungsgegenstands und seiner historischen Entwicklung zu erhalten. Im Ergebnis präsentiert diese Untersuchung eine eigene Keywordliste mit 19 Haupt- und 72 Untereinträgen, welche den aktuellen Stand des Forschungs- und Innovationsfeldes KI abbildet. Die Liste stellt eine Synthese aus den untersuchten Studien dar, denn es zeigte sich, dass keine der existierenden Listen das Forschungsfeld vollständig abdecken. Die eigene Keywordliste deckt so-wohl die etablierten KI-Forschungsbereiche (symbolische KI) als auch die aktuell im Vordergrund stehenden Machine Learning-basierten Forschungsfelder (statistische KI) ab. Außerdem berücksichtig sie zentrale Anwendungsfelder der KI, wie z.B. robotics, automation, facial recognition oder machine translation, die neben der Grundlagenforschung ebenfalls für die Entwicklung von KI-Technologien von Bedeutung sind. Zur Vertiefung der Frage nach den Qualitätsleveln von KI-Technologien kann sie außerdem als Ausgangspunkt für weitere Analysen verwendet werden. Die Recherche zeigt, dass Generative KI bzw. Large Language Models derzeit die anspruchsvollsten KI-Forschungsgebiete sind. Erforderlich sind hier neben umfangreichem Know-How enorme Rechenkapazitäten und die Verarbeitung enormer Datenmengen. Allerdings, so unser Fazit der Diskussion um Ansätze zur Bestimmung von Qualitätslevel, sollte die aktuelle Dominanz von Sprachmodellen nicht darüber hinwegtäuschen, dass auch die älteren KI-Forschungsbereiche, die inzwischen als Good-old-fashioned AI (GOFAI) bezeichnet werden, zum Fortschritt beitragen und des-halb bei Performance-Vergleichen entsprechende Beachtung finden sollten.enDefinition of artificial intelligenceBibliometric delineationAdvanced AICountry comparisonsAI modelsAI researchApplication of AIQuantitative analysis of different methods to identify AI-relevant researchreport