sbf888胜博发 > 创投资讯

DARPA人工智能技术研究情况一览 · 2018-09-12

 


来源: 高端装备发展研究中心

 


导读

 

20世纪60年代初,DARPA(当时为ARPA)开始介入自主技术研究,并很快成为该领域的主要研究机构。DARPA意识到,人工智能可以满足大量的国家安全需要。DARPA虽然研制自主技术的时间较长,但长期以来,其研究的与自主相关的项目并非在一个固定的技术领域内进行,而是分散到多个不同的领域。直到2014年,才正式在国防科学办公室下划分出自主技术领域。

 

DARPA自主技术研究阶段

 

按时间节点看,DARPA对自主技术的研究大体上可以分为四个阶段:

 

相关阶段

 

研究内容

 

人工智能(AI)研究阶段

 

美国人工智能的发展很大程度上归功于DARPA的支持。20世纪60年代初期,DARPA在MAC计划中研制电脑分时操作技术,开始最初的人工智能技术研究。但是,直到60年代末,人工智能才作为一个单独的研究项目列入DARPA的预算。到了20世纪70年代中期,DARPA已经成为美国人工智能研究的主要支持者,并推动了人工智能技术的实际应用,如自动语音识别和图像理解。20世纪70年代末,人工智能得到更广泛的应用,并在一些军事系统上得到应用。1983年,人工智能技术成为DARPA战略计算项目的关键组成部分。在人工智能的研究上,DARPA不仅支持基础研究,如知识表达、问题解决以及自然语言结构等技术,也支持应用研究,如在专家系统、自动编程、机器人技术和计算机视觉等领域的应用研究。

 

战略计算项目阶段

 

20世纪80年代,国际上(特别是日本)加大了对计算机系统的研究,DARPA感到在计算领域的优势地位受到威胁。于是在1983年,DARPA成立战略计算项目,以此提高所有计算和信息处理领域的优势。AI成为战略计算项目的一个基本组成部分。

 

由于在进入战略计算项目之前,AI的研究项目有的取得显著进展,有的则面临较大技术问题难以为续。因此,战略计算项目在AI项目投资上,虽仍对所有技术领域进行投资,但更侧重于能够继续获得进步的技术。受到关注的4个项目为(1)语音识别项目,该项目可支撑导航辅助和作战管理;(2)自然语言开发,该技术为作战管理的基础;(3)视觉技术,该技术是自主无人车的基础;(4)可用于所有应用的专家系统。

 

1994年到2014年发展阶段

 

在战略计算项目之后,先进技术办公室(ATO)及后来的信息技术办公室(IPTO)继续开展相关自主技术的研究,在二十年的时间内先后进行了数十项技术的研究。包括ATO的战术机动机器人(TMR)项目(主要用的是遥控技术)、ITO的机动自主机器人软件(MARS)项目和分布式机器人软件(SDR)项目、MTO的分布式机器人项目等。

 

自主领域成立阶段(2014年至今)

 

2014年第2季度,DARPA的国防科学办公室建立新的研究领域:自主化(半自主化)。主要研究硬件和计算工具,使系统能够在缺少(甚至没有)基础设施的环境中,仅通过断断续续的联系便能正常工作。目前该领域的研究项目包括:自主机器人操纵(ARM)、FLA项目、MICA项目。其中,FLA项目为新设项目,其余为延续项目。

 

DARPA从四个方面来评判人工智能技术的能力,分别是感知、学习、抽象和推理。下图描述了人工智能的三次浪潮在这四个方面能力的不同。

 

人工智能三次浪潮的能力区别

 

DARPA人工智能研究内容

 

DARPA很早启动了跨学科人工智能项目,综合了计算机科学、数学、概率论、统计和认知科学领域内的最新成果。DARPA在人工智能方面的研究主要涉及自然语言理解、问题求解以及感知和机器人等领域。

 

DARPA在人工智能领域开展的研究

 

自然语言理解——20世纪70年代初,DARPA启动了语音识别研究(Speech Understanding Research,SUR)项目。在该计划中,DARPA支持多个研究机构采用不同的方法进行语音识别研究,取得较好成绩的是CMU的Hearsay-Ⅱ技术以及BBN的HWIM(Hear What I Mean)技术。其中Hearsay-II提出了采用并行异步过程,将人讲话内容进行零碎化处理的前瞻性观念;而BBN的HWIM通过庞大的词汇解码处理复杂的语音逻辑规则来提高词汇识别的准确率。进入80年代,DARPA开始采用统计学的方法研究语音识别技术,开发了Sphinx、BYBLOS、DECIPHER等一系列语音识别系统,已经能够整句连续的语音识别。

 

2000年之后,DARPA开始研制通过对话进行人机交互(HCI)的系统,该系统还能从与不同人的对话中学习经验,提供个性化的服务。2005年,DARPA启动了全球自动化语言情报利用(GALE)项目。该项目寻求能够对标准阿拉伯语和汉语的印刷品、网页、新闻及电视广播进行实时翻译的技术,目标是使得95%的文本文档翻译和90%的语音文件翻译均能达到95%的正确率。

 

2008 年11月,DARPA又启动了Machine Reading项目,旨在实现人工智能的应用和发展学习系统的过程中,对自然文本进行知识插入。2012年启动的文本深度发掘和过滤(Deep Exploration and Filtering of Text,DEFT)项目更加明确地提出要利用深度学习技术发掘大量结构化文本中隐含的、有实际价值的特征信息,同时还要具备可将处理后的信息进行进一步整合的能力,在此基础上,将这些技术用于作战评估、规划、预测的辅助决策支持中。

 

文本深度发掘和过滤(DEFT)项目

 

2014年DARPA启动大机制(Big Mechanism)项目,开发协助计算机阅读科学和技术文章的技术,将知识片段综合成更完整的模型,并提出实现特定目标的干预措施。

 

感知和机器人——DARPA于1976年开始图像理解(Image Understanding)项目。最初的目标是用5年的时间开发出能够自动或半自动分析军事照片和相关图片的技术。项目参与单位包括麻省理工学院、斯坦福大学、罗切斯特大学、SRI和霍尼韦尔公司等。1979年,项目的目标增加了图形绘制技术。到了1981年,预计5年内完成的项目并没有终止,而是持续到2001年。

 

2001年,DARPA为解决环境感知问题,启动了PerceptOR项目,其目的是开发新型无人车用感知系统,要求系统足够灵巧,能够保证无人车在越野环境中执行任务,并且能在各种战场环境和天气条件下使用。2005年该项目完成阶段性研究,后转移到“未来作战系统地面无人车集成产品”项目,进行系统开发与测试。

 

2010年3月,DARPA启动了心灵之眼(Mind’s Eye)项目,旨在为机器建立视觉的智能,可对视频信息进行形象推理。

 

Mind’s Eye项目

 

可解释的人工智能(Explainable Artificial Intelligence,XAI)项目

 

2016年10月,DARPA发布可解释的人工智能项目的广泛机构公告(BAA),其目标是建立一套新的或改进的机器学习技术,生成可解释的模型,结合有效的解释技术,使得最终用户能够理解、一定程度的信任并有效地管理未来的人工智能系统。通过该项目,新的机器学习系统将能解释自身逻辑原理、描述自身的优、缺点,并解释未来的行为表现。

 

可解释的人工智能

 

这一项目提出了三个挑战:如何生成可解释模型、如何设计解释接口、如何理解用户心理需求以进行有效地解释。对此,该项目将开发一系列新的或改进的机器学习技术,生成更多的可解释模型;希望将最新的人机交互技术(如可视化、语言理解、语言生成和会话管理)与新的原则、策略和技术相结合,获得有效的解释;总结、拓展和应用当前的关于解释的心理学理论。

 

该项目分为两个技术领域:可解释的学习者(Explainable Learners)和解释的心理学模型(Psychological Models of Explanation)。

 

XAI项目的架构

 

2017年3月,DARPA从学术和工业界中挑选出了13家研究机构进行资助,包括加州大学伯克利分校、加州大学洛杉矶分校、卡耐基梅隆大学、SRI、Rutgers、PARC、Raytheon等。

 

目前,华盛顿大学的研究团队已经取得了一些研究成果:研究团队开发了一种方法,可以让人工智能系统阐述其输出结果的基本原理,人工智能系统(计算机)将会从数据集中自动找到一些样本,然后给出简短的解释;研究团队还针对图形识别系统设计了一些方法,通过标注图片上最重要的部分来揭示图形识别系统的判断逻辑。

 

终身学习机器(Lifelong Learning Machines,L2M)项目

 

DARPA于2017年启动L2M项目,探索生物学习机理在人工智能中的应用,推进新一代人工智能系统的发展。该项目的目标是开发支持下一代自适应人工智能系统所需的技术,使其能够在实际环境中基于情景进行在线式现场学习并改善性能,不需要进行线下再编程或再训练。这种持续自主学习的能力可帮助系统在没有预编程与训练的情况下适应新情景。

 

终身学习机器

 

L2M试图将生物学习机理应用于计算机机器学习系统,打破现有机器学习系统对预编程和训练样本的依赖,使人工智能系统像生物系统一样能够根据经验进行决策,提高行动的自主性,增强广度环境适应能力。为了实现这一目标,L2M项目旨在从根本上开发一种全新的机器学习机制,使系统能够从经验中不断学习,这与孩童和其他生命体一生不断从经验中进行学习与训练的机制非常相像。

 

L2M项目的架构

 

L2M项目周期为4年,有两个技术领域。第一个技术领域是开发机器学习框架,可持续应用过去的经验成果,并使用“经验教训”去适应新的数据或情景;同时,还需开发用于监测机器学习系统行为的技术,对系统可以适应的能力范围进行设置,并具备在必要时对系统进行干预的功能。第二个技术领域源自对生命体学习机制的学习,将专注于研究生命系统自我学习和适应的原理和技术;并考虑这些原理和技术是否能够以及如何应用在机器学习系统中。

 

通过研发新一代机器学习技术,使其具备能够从环境中不断学习并总结出一般性知识的能力,L2M项目将为第三次人工智能技术浪潮打下坚实的技术基础。

 

DARPA人工智能探索计划(AIE)

 

2018年7月26日,DARPA推出人工智能(AI)探索(Artificial Intelligence Exploration,AIE)计划,旨在加快 AI 平台的研究和开发工作,以帮助美国保持其在 AI 领域的技术优势。人工智能探索计划(AIE)是DARPA的内部计划,DARPA根据其下国防科学办公室开创的“Disruptioneering”快速跟踪征集流程(用于支持各种技术开发概念)推出该计划。与Disruptioneering一样,AIE将定期发布与兴趣主题相关的特殊通知(“AIE机会”),简化的提案、合同和资助流程,使个人和组织机构更容易为 DARPA 提供帮助。

 

DARPA表示,AIE计划将专注于“第三波”人工智能的应用及理论,旨在让机器适应不断变化的情况。AIE计划旨在进行AI试点、概念验证、将商业技术平台用于国防用途,以及操作或技术工具的设计、开发与演示。

 

DARPA宣布投入20亿美元,开发人工智能新技术

 

2018年9月8日,DARPA宣布计划投入20亿美元开发新的人工智能(AI)技术,这是该机构“AI Next(下一代人工智能)”计划的一部分。这笔钱将用于资助DARPA新的和现有的人工智能研究项目。DARPA在一份声明中称,该机构将致力于打造具有常识、能感知语境和更高能源效率的系统。

 

 

 

 

来源:战略前沿技术

 

sbf888胜博发,让创业和投资不再难

文章为sbf888胜博发(www.zhitouwang.cn)或sbf888胜博发合作媒体授权转发,文章为作者独立观点,不代表sbf888胜博发立场  

网站服务|  添加微信号ZTWXZS001

 

 

 

 

 

×
line
点击右上角
分享给朋友和朋友圈
liulanq

评论

战略前沿技术

欢迎登录知投 立即注册
下次自动登录 忘记密码
登录
使用社交账号登录
知投送你