|
来源：人工智能快报（AI_News） 据陆海空通信和电子协会（AFCEA）网站（www.afcea.org）报道，地理空间影像以及面部识别和其他生物识别技术正在推动情报界对人工智能的研究。由情报界研究机构资助的政府、学术和行业研究计划不断向前推进，从中受益的还包括其他情报活动，如人类语言翻译、事件警告及预测。 美国情报高级研究计划署（Intelligence Advanced Research Projects Activity，IARPA）正努力通过多个研究计划在人工智能（AI）领域取得突破。所有这些人工智能计划都需要用到政府、业界和学术界的专业知识。 IARPA主管贾森·马西尼（Jason Matheny）指出，该计划署是人工智能研究最强大的经济后盾之一，而影像领域则是情报人工智能最大的增长领域。影像（包括视频）是情报界受到数据影响最大的机器学习领域。大量的影像使得人类无法对其进行分析，因此某种形式的自动化是必要的。影像同时也是机器学习工具最成熟，也是最能快速、准确地产生结果的领域，如此才能进行更深入的分析。“图像识别可能是机器学习最成熟的应用领域，国家情报工作因而受益匪浅，”他表示。 国家情报工作从根本上来说是关于学习、适应以及实现目标的能力，马西尼表示。“情报工作之所以需要人工智能，是因为世界变得越来越复杂，而人类智力的扩展也受到了限制，”他说道。 这种复杂程度已经超出了一个临界点——即使是大量的人力分析师也没有足够的脑力来完成他们的任务，马西尼继续说道。机器学习提供了一种方法来弥补现有资源和迫切需求之间的差距。人工智能还让情报界得以将人类的脑力和注意力集中在最需要的地方。 机器学习最具应用前景的领域是涉及感知型数据的领域，例如影像，马西尼表示。“在过去的几年里，机器学习在感知型数据领域的进步有所加快，”他说道。这是大型数据集的应用、更低成本的大规模计算和更好的统计技术带来的结果。 尽管已经有许多用于处理影像的现成功能，但在此领域人们还可以取得更大进展。“目前，我们可从很多方面利用现有工具，并将某些方面的情报自动化，以便分析人员可以花更少的时间寻找坦克，花更多的时间去思考为什么坦克会在那里，以及坦克明天会采取什么行动，”马西尼说道。现在的机器学习方法可以帮助找到坦克，让分析人员能够空出手来处理另外两个问题，而这正是机器无法发挥作用的领域。 IARPA开展了各种计划，但在开发情报人工智能方面遇到了一些障碍。马西尼表示，第一个障碍是关于寻找用于训练、测试和确定基准的合适数据集。他承认，IARPA在可以向研究人员发布的数据上花费了大量资金。此类数据必须是现有的非机密数据，或类似机密数据（IARPA必须从非机密数据中拼凑得来）。这些数据集将被用来训练或测试部署在机密数据上的系统。 全面披露：美国《信号》杂志（SIGNAL Magazine）向美国国家情报主任办公室（Office of the Director of National Intelligence，ODNI）的自动情报生成系统挑战赛Xpress Challenge免费提供可追溯到十几年前的文章数据库。这使得参赛者能够在一个受控数据集中练习自己的搜索条目，而这个数据集拥有许多对于情报搜索而言至关重要的话题。 IARPA面临的第二个问题是可解释性，或者说是透明度。IARPA要求生成警告或预测的系统向人类用户解释他们为什么会产生所提供的结果。马西尼指出，除非情报分析人员了解系统如何获得相关结果，否则他们不可能信任这类系统，借此他对这种透明度的重要性进行了说明。 “这个问题具有挑战性的一个原因在于深度学习（机器学习的一种常见形式）相关方法对于人类检验而言十分不透明，”马西尼指出。“使用自然语言对结果进行解释通常需要完成大量工作。”他补充道，美国国防高等研究计划署正在为人工智能的可解释性开发程序。“如果从一开始就不做解释，那么你如何对系统进行改造，让它变得可解释？”他问道。 第三个人工智能挑战是因果关系，其中涉及事件分析。马西尼解释道，目前的机器学习和统计方法擅长确定数据的相互关系，但却不擅长确定因果关系，而因果关系对于决策者而言很重要。人工智能必须能够区分因果关系与巧合。 第四个挑战是防御电子欺骗或“对抗输入”的稳健性，马西尼表示。黑客通过十分简单的数据输入就能够欺骗各种人工智能系统，人们对这种现象的担忧与日俱增。“展示图像识别系统如何被错位的像素愚弄或迷惑已经变成了一个小把戏，”他承认。尽管肉眼可以轻松地分辨出不同，但人工智能系统却可能会将坦克的图片误认为校车的图片。 “有很多针对此类技术的恶作剧，”他坦言。否定和欺骗（Denial and Deception）已从作战空间转移到数字领域，IARPA对寻找防御此类欺骗的方法高度重视。 IARPA还有意将自己的人工智能研究战略与其他组织协调，因而与美国国防部高级研究计划局（DARPA）、美国国家科学基金会（National Science Foundation）和美国国家标准与技术研究院（National Institute of Standards and Technology）等组织展开密切合作。马西尼表示，政府各部门普遍认为，如果没有更加深入的公共和私有部门合作，开发和利用人工智能为公众造福的努力将不会成功。 他指出，IARPA的商业模型是为已经处于研究领域最前沿的学术界和行业组织提供资金。同时开放广泛的机构公告，征求与情报工作有关的建议。马西尼描述了以非正式的方式提交想法的过程。 “我们最想要的是那些我们从未想过的想法，”他说道。“我们不只是想要业界或学术界对政府的询问进行机械地回答。我们想要我们自己想不到的突破性的想法，以及我们甚至可能没有提出问题来征求的想法。” 其中一个优先事项是确保机器学习系统行业的开发和嵌入技术具备一定程度的安全防范能力，马西尼说道。用于地理空间或信号情报的系统至少应针对已知的网络攻击进行测试，特别是那些旨在迷惑分类器的攻击，分类器是一种人工智能应用程序，他补充道。业界必须开始在自己的内部测试流程中解决此类问题。 在政府内部，美国中央情报局（CIA）的风险投资公司In-Q-Tel设有专注于人工智能的部门。马西尼解释道，IARPA与In-Q-Tel合作，了解哪些人工智能技术在商业上已经成熟。有时候，一个IARPA人工智能研究项目的最终结果是成立一家初创公司，IARPA还将与In-Q-Tel协作以确定该公司是否应该接受私人资金以及接受多少。IARPA和In-Q-Tel之间的对话还可帮助研究组织避免重复开展行业项目，马西尼提道。 |
|
|
