|
电话 | 010-82030532 手机 | 18501361766 微信 | tech9999 邮箱 | yw@techxcope.com 传统上，人类设计机器是为了处理定义明确、大批量或高速的任务，从而使其摆脱重复的事务性工作，能更专注于不断增加的复杂问题。在20世纪50年代和60年代，早期的计算机是将乏味或费力的任务自动化。正是在这个时代，科学家们意识到有可能模拟人类智能，人工智能（AI）领域由此诞生。人工智能将是使计算机能够解决问题和执行通常需要人类智力的功能的手段。
人工智能的三波浪潮（Three Wave of AI）. 早期的人工智能工作强调手工制作的知识，计算机科学家构建了所谓的专家系统，将专家的专业知识捕捉到规则中，然后系统可以应用到感兴趣的情况。当时，被称为“第一波”人工智能的技术相当成功——报税软件就是专家系统的一个很好的例子。但手工制作规则的需要是昂贵和耗时的，因此限制了基于规则的人工智能的适用性。 过去几年，人们对被称为机器学习（ML）的人工智能子领域的兴趣大增，该领域将统计和概率方法应用于大型数据集，以创建可应用于未来样本的通用表示。这些方法中最重要的是深度学习（人工）神经网络，当有足够的历史数据可用时，它可以被训练来执行各种分类和预测任务。然而，问题就在这里，因为收集、标记和审查数据来训练这种“第二波”人工智能技术的任务成本太高，而且很费时间。五十多年来，美国防高级研究计划局（DARPA）一直是产生突破性研究和开发（R&D）的领导者，促进了基于规则和统计学习的人工智能技术的进步和应用。当前，DARPA继续引领人工智能研究的创新，因为它资助了一个广泛的研发项目组合，从基础研究到先进技术开发。DARPA认为，这种未来，即系统能够通过生成的上下文和解释模型获得新的知识，将在“第三波”人工智能技术的发展和应用中实现。一分半钟了解DARPA人工智能研究简史（翻译&字幕 by 防务菌）DARPA设想的未来是，机器不仅仅是执行人类编程的规则或从人类策划的数据集中归纳的工具。相反，DARPA设想的机器将更多地作为伙伴而不是工具发挥作用。为此，DARPA在人机共生方面的研究和开发设定了一个目标，即与机器合作。以这种方式启用计算系统是至关重要的，因为传感器、信息和通信系统产生数据的速度超出了人类能够吸收、理解和行动的范围。将这些技术纳入与作战人员合作的军事系统，将有助于在复杂、时间紧迫的战场环境中做出更好的决定；使人们能够共同理解大量的、不完整的乃至相互矛盾的信息；并使无人系统能够安全和高度自主地完成关键任务。DARPA正将其投资重点放在“第三波”人工智能上，带来了能够理解和推理背景的机器。DARPA对于人工智能的观点（翻译&字幕 by 防务菌）DARPA在2018年9月宣布，在新的和现有的项目中投资超过20亿美元，称为“AI Next”运动。该运动的关键领域包括国防部关键业务流程的自动化，如安全许可审查或认证软件系统的操作部署；提高人工智能系统的稳健性和可靠性；提高机器学习（ML）和人工智能技术的安全性和弹性；减少电力、数据和性能的低效率；开拓下一代人工智能算法和应用，如“可解释性”和常识推理。“AI Next”建立在DARPA五十年的人工智能技术创造的基础上，以定义和塑造未来，始终聚焦美国防部最困难的问题。因此，DARPA将通过具体关注以下领域为国防部创造强大的能力。新能力：人工智能技术经常被应用于DARPA的研发项目，包括60多个现有的项目，如电子复兴计划（ERI），以及其他与实时分析复杂网络攻击、检测欺诈性图像、为全域战争构建动态杀伤链、人类语言技术、多模式自动目标识别、生物医学进步和假肢控制相关的项目。DARPA将推进人工智能技术，以实现关键部门业务流程的自动化。其中一个过程是在作战部署之前对软件系统进行冗长的认证。现在看来，利用已知的人工智能和其他技术实现这一认证过程的自动化是可能的。强健的人工智能：人工智能技术已经显示出对各种任务的巨大价值，如天基图像分析、网络攻击预警、供应链后勤和微生物系统分析。同时，人们对人工智能技术的故障模式知之甚少。DARPA正在努力解决这一不足，进行重点研发，包括分析和经验方面。DARPA的成功对于国防部部署人工智能技术至关重要，特别是在需要可靠性能的战术边缘。对抗性人工智能：当前最强大的人工智能工具是机器学习。机器学习系统可以很容易地被输入的变化所欺骗，而这些变化绝不会欺骗人类。用来训练这种系统的数据可能被破坏。而且，软件本身很容易受到网络攻击。随着更多的人工智能系统的运行部署，这些领域以及更多的领域面临的这一类型问题必须得到大规模的解决。高性能人工智能：在过去的十年里，计算机性能的提高促进了机器学习的成功，并与大型数据集和软件库相结合。在较低的电力功率下，更多的性能对允许数据中心和战术部署是至关重要的。DARPA已经展示了人工智能算法的模拟处理，与最先进的数字处理器相比，速度提高了1000倍，功率效率提高了1000倍，并且正在研究人工智能专用硬件设计。DARPA还在通过研究大幅减少对标记的训练数据的要求，来解决目前机器学习的低效率问题。下一代人工智能：实现人脸识别和自动驾驶汽车的机器学习算法是20多年前发明的。DARPA已经率先开展了开发下一代人工智能算法的开创性研究，这将使计算机从工具转变为解决问题的伙伴。DARPA的研究旨在使人工智能系统能够解释其行动，并获得常识性知识并进行推理。DARPA的研发产生了第一批人工智能成果，如专家系统和搜索，而最近则推进了机器学习工具和硬件。DARPA现在正在创造下一波人工智能技术，这将使美国在这个关键领域保持其技术优势。除了新的和现有的DARPA研究，“AI Next”运动的一个关键组成部分是DARPA的“人工智能探索”（AIE）项目，该项目于2018年7月首次宣布，并于2019年8月更新。AIE构成了一系列高风险、高回报的项目，研究人员在获得合同后的18个月内致力于建立新的人工智能概念的可行性。DARPA使用简化的签约程序和资助机制，在项目机会公布后的三个月内将这些工作从提案转向项目启动。2018年8月，DARPA发布了其第一个AIE机会，名为“自动化科学知识提取”（ASKE）。如上所述，与DARPA典型的四年期项目不同，AIE被设计为快速跟踪（约18个月的时间）类的研究工作，以帮助确定人工智能概念的可行性。ASKE项目的目标是开发能够使科学知识的探索、整理和应用的一些人工过程自动化的人工智能技术。它确定了人工智能如何以及在哪些方面可以加速科学建模的过程，并最终提高研究人员进行严格和及时的实验和验证的能力。
科学模型——或复杂系统的概念表述，被无数的社区用来理解和解释人类周围的世界。通过计算创建这些模型在很大程度上是一项手工操作的繁琐任务，需要从堆积如山的研究中寻找相关内容，然后执行多步骤流程来建立、验证和测试所产生的模型。在这个过程的每一步都有很多机会丢失信息，或者发生其他错误，这使创建模型的挑战更加复杂。ASKE的目标是通过开发定位新数据和科学资源的方法来应对这些挑战，梳理有用的信息，将这些探索与现有的研究进行比较，然后将相关数据整合到机器收集的专家模型中，并以强大的方式执行。该项目研究工作分为两个技术领域。第一个领域侧重于机器辅助筛选，研究人员探索如何使用人工智能从研究中提取有用的信息并将其纳入新的模型。第二个领域专注于机器辅助推理，人工智能使用这些新开发的模型来帮助研究人员理解建模系统，回答复杂的问题，或进行预测。利用简化的合同程序和资助机制，DARPA能够在最初的机会公布后三个月内让研究人员加入进来。研究工作很快就可以启动，ASKE团队开始开发一些新的方法。来自学术机构和商业公司的研究人员设计了从现有模型中自动提取知识和信息的方法（包括不同的数据类型，如书面文本、方程式和软件代码），并创造了查询和链接跨文献信息的技术。他们创造了普遍表示和解释不同建模框架的方法，同时还开发了允许计算模型在新发现和信息出现时自动维护和更新的工具。据领导ASKE的DARPA信息创新办公室（I2O）项目经理约书亚·艾略特（Joshua Elliott）介绍说：“ASKE AIE展示了50倍的速度，与最先进的人工流程相比，用额外的维度和状态扩展了一个现有的流行病学模型。使用同样的工具，它还表明，在不同的领域，用ASKE创建一个新的计算模型比用目前的程序快8倍。”
当新冠肺炎疫情发生时，研究人员有机会测试他们的开发成果并证明其有效性。世界各地的科学家、研究人员和医学专家产生了数百个模型，以帮助理解和预测病毒传播和影响的各个方面，创造了难以比较、核实和验证的科学知识的激增。许多知识被锁定在代码中，特别是传统的代码，这使得人们更难理解模型中的参数选择和假设。随着新的信息和见解的出现，本已具有挑战性的情况又因提取和表现这些新的发现，以及模拟它们对不断发展的新冠肺炎疫情知识库的影响的困难而变得更加严重。当局依靠专家产生的见解来制定公共政策干预措施，使得这些模型的质量和验证极为重要。ASKE的研究人员试图通过应用他们的工具来评估、比较、完善和验证从代码和文档中提取的模型，从而实现更好的模型理解、相互比较和背景化。所开发的工具被用来从出版物中快速自动提取多模式信息，并将机理片段同化为知识图谱和可执行模型，以告知社区对病毒的理解和可能的治疗方法。
通过与科学界和政府机构合作，ASKE工具被证明在多个领域都很有效。举个例子，来自Galois的研究人员与政府官员合作，应用他们的ASKE组件，使国家流行病学模型和数据与当地情况相适应。他们的努力使当地的规划者能够利用当地的人口、地理和社会行为数据，评估哪些模型能够最好地估计大流行病对医院重要资源的影响，如ICU床位和呼吸机。在另一项工作中，哈佛医学院的研究人员与科学界合作，使用ASKE工具为湿式实验室实验制作候选药物清单和基因目标。这项工作为维生素D和MDL-28170带来了积极的早期结果。用这些工具进行的其他实验目前正在进行中。ASKE验证了AIE项目的潜力及其探索新人工智能概念的灵活方法。这一快速跟踪的人工智能研究工作帮助启动了一个长期计划，该计划需要额外的资源和专业知识。但可以想象，它可以为国防和商业领域带来巨大的利益。反过来说，AIE也允许DARPA在致力于一项更大的事业之前，了解在其他领域或地区可能需要的额外进展。ASKE的成功催生了一个更大的DARPA项目的建立，该项目名为“自动化科学知识提取和建模”（ASKEM）。ASKEM旨在创建一个知识-建模-模拟生态系统，并赋予其必要的人工智能方法和工具，以灵活地创建、维持和增强复杂的模型和模拟器，从而支持专家在不同任务和科学领域的知识和数据知情决策。目标是使专家能够维护、重用和改编大量的异质数据、知识和模型——具有跨知识源、模型假设和模型适应性的可追溯性。ASKEM开发的工具将在几个科学领域进行演示验证，建立在ASKE在病毒性流行病（如新冠肺炎疫情）以及空间天气的物理和影响方面的工作之上。约书亚·艾略特表示：“通过ASKEM，我们希望使专家建模能够适应现代世界的步伐，使决策者能够走在灾难、全球变化和我们的对手之前，以避免损失并提高我们反应的及时性和有效性。ASKE产生了新颖的概念证明，使用户能够从遗留代码中提取模型，并更有效地更新、增强和验证模型。ASKEM将在此基础上扩展，产生适用于多个科学领域的建模工具，并产生一个完整的、可持续的基础设施。ASKEM是一个为期42个月的项目，分为两个阶段，每个阶段21个月。第一阶段将重点关注提高建模的准确性、及时性和可维护性的项目目标。第二阶段将增加对可推广性和可扩展性目标的关注。创造和整合技术的工作将横跨四个主要技术领域（TA）：2022年9月23日，DARPA宣布，已为ASKEM项目选定了多个研究团队，分别针对四个技术领域开展工作。
在技术领域一，以下研究团队将开发强大的、可推广的方法，用于机器辅助发现和整理建模相关的知识。他们将自动捕捉任意领域的出处和背景，并将开发可通用的技术来发现、提取和链接文本、公式、表格、数字和代码等来源。- 威斯康星大学麦迪逊分校的Morgridge公共服务中心、苏黎世联邦理工学院
在技术领域二，以下研究团队将开发机器辅助建模的形式化表示和技术，以支持创建、维持和定制模型的自动合成和分解。这些技术应解决的挑战包括建立和维护模型组件与来源的可追溯性，自动比较候选模型的结构和语义，验证模型结构和假设（例如，在代码中表达的模型与文档中描述的模型之间），探索知识约束的模型空间，以及应用领域约束的机器学习来识别模型中的结构差距或缺失组件，并推荐候选人来填补这些差距。- 佛罗里达大学、科罗拉多大学丹佛分校、Topos研究所
在技术领域三，以下研究团队将支持机器辅助和自动构建模拟器，即使用TA2的模型进行预后或诊断推断的程序和工作流程。这里的潜在任务非常广泛，可能包括模型校准、有效性的迭代评估、目标适用性或模型技能、构建快速统计仿真器或复杂模型的简化形式智能体、基于模型的数据同化等。这些程序将被期望解决单个模型和复杂的多模型工作流程。- 太平洋西北国家实验室、Basis、德克萨斯大学奥斯汀分校
在技术领域四，以下研究团队将开发一个工作台，将TA1-3的所有工具汇集到一个可视化的元建模平台，供领域专家（技术和主题）使用。这个工作台将允许端到端的可追溯性、丰富的解释、回溯知识以发现新的信息、设计和管理单个和多个模型的可重复使用的模拟器工作流程，以及出版和共享完全可重复的工件。- Uncharted软件公司、 Jataware公司
|
