美国防部联合人工智能中心发布《人工智能技术指南》

美国防部联合人工智能中心近期发布了《人工智能技术指南》，提供了人工智能和机器学习技术概述，使绝大多数高级领导者了解使用人工智能的要求，从而制定人工智能相关决策。

美国防部联合人工智能中心于2018年6月成立，旨在使国防部能够迅速交付新的人工智能能力，扩大人工智能在国防部范围的影响力，同步国防部人工智能活动以扩大来能和部队优势。该中心主要负责：

1）在有人和无人系统等领域挖掘人工智能技术的变革潜力以支持国家安全工作；

2）情报、监视和侦察；

3）物资和后勤规划。

人工智能已经发展了几十年，在过去10年中取得了重大突破，极大地增加了人工智能应用程序的多样性。近年来的重要进展大多集中在人工智能的子领域——机器学习（ML）。

机器学习与统计学紧密相关，并允许机器利用数据进行学习。报告中提出，理解机器学习人工智能的最好方法是将它与一种较为传统的人工智能手动知识系统方法进行对比。传统系统使用基于规则的软件将人类专家的知识编码为一系列编程语言规则。而机器学习系统的不同之处在于系统中的“知识”不是由软件程序员编写的，而是从数据中“学习”所得。在训练数据集上运行的机器学习算法会生成一个人工智能模型。在大多数情况下，机器学习系统会自行编程。尽管如此，人类可以指导机器学习过程，例如选择算法、格式化数据、设置学习参数并解决问题。

在两种人工智能系统中，手动知识系统较为传统，从本质上讲，该系统只是计算机程序员和领域专家合作开发的软件。手动知识系统尝试将人类知识整合为可用于计算机处理信息的程序化规则集。

广泛使用的手动知识人工智能系统的一个典型示例是税务准备软件。通过要求用户根据预先指定的数据格式输入税收信息，然后根据软件工程师和会计师合作开发的税收代码正式编程规则来处理这些数据，输出后可以通过国税局审核。Allen在报告中提到，1980年代税务准备软件首次推出时，为人工智能进行了成功营销。

得益于数据集的不断增加，海量计算能力的提升（通过将图形处理器（GPU）芯片作为加速器）以及云计算、开放源代码库和软件开发框架的广泛应用，促进人工智能的进一步发展。随着技术的不断进步，机器学习人工智能系统的性能和实用性得到显着提高（如图1所示）。

下文介绍了四种不同的机器学习算法。深入了解不同的算法类型非常重要，由此可知使用以下哪种机器学习算法才能有效地管理人工智能系统。

• 监督学习：使用已被人类“监督者”标记的示例数据。监督学习性能强大，但是获取足够的标记数据可能很困难，需要耗费大量时间且成本较高。

• 无监督学习：使用数据，但不需要对数据进行标记。在多数应用程序中，其性能不如“监督学习”，但是有时也可以用于解决“监督学习”不可行的问题。

• 半监督学习：同时使用标记和未标记的数据，并且混合了监督学习和非监督学习的优缺点。

• 强化学习：拥有自主的人工智能代理，可以收集自己的数据并根据与环境的反复试验交互进行自身改进。强化学习有望在基础研究中发挥作用，但是到目前为止，在现实世界中的使用难度很高。

深度学习（深度神经网络）是一种强大的机器学习技术，可以应用于上述四种机器学习算法中的任何一个，为许多应用程序提供了最佳性能。虽然对于非工程人员或直接负责这些系统的采购人员来说，技术细节不太重要。但对于程序管理而言，最重要的是系统是否使用机器学习以及所选算法是否需要标记数据。

成功案例说明需要确保数据是真实、准确和正确标记的。图3显示了标记和未标记的训练数据。根据是否标记数据，可以采用不同的算法。例如，如果人工智能系统的目标是将不同图像中的对象正确分类为“猫”或“狗”，则标记的训练数据需具备与正确分类标记匹配的图像示例。监督学习系统还可以用于识别连续数字输出的正确标记。图4说明了监督和非监督机器学习算法的差异。

Allen告诫相关组织不能盲目追求人工智能，应该针对需要提高的性能和生产力制定特定的指标。仅开发高性能人工智能模型不能提高组织生产力，该模型必须集成到运行技术系统、组织流程和员工工作流程中。现有流程基本上都需要进行更改才能够充分利用人工智能模型的能力。在不修改流程的情况下直接引入人工智能技术无法发挥人工智能的所有潜能。Allen认为传统的项目管理方式仍然适用。许多人工智能项目的失败不是由于技术的原因，而是因为没有设定正确的期望值、无法与旧系统集成或未培训操作人员。

报告称，充足的人才资源以及人工智能专家的协助是国防部人工智能战略成功的关键因素。任何想要了解人工智能技术的人都可以通过《人工智能技术指南》学习技术基础。文件提供了技术概述，足以使绝大多数高级领导者了解在组织中使用人工智能的要求。