【正文】 在許多其他領(lǐng)域的語(yǔ)言處理研究方面的進(jìn)展， 也需要使人類和人工智能系 統(tǒng)之間的互動(dòng)更加自然和。 DARPA 強(qiáng)烈 鼓 勵(lì) PAL 商 業(yè) 化，并且為了響應(yīng) DARPA 的鼓勵(lì) ， 在 20xx 年 創(chuàng) 建了 Siri 公司，以便在通 過(guò) 基于語(yǔ)音 界 面管理信 息 和自動(dòng)化 任 務(wù)來(lái)幫助 用 戶的系統(tǒng) 中 使 PA L 技 術(shù)商業(yè)化。 31 美國(guó)國(guó)家人工智能研究與發(fā)展戰(zhàn)略計(jì)劃 中國(guó)信通院（ CAICT）編譯組整理 用戶演 示 程序 PAL 完 成并 概括 了參數(shù) 和結(jié)構(gòu)， 以 產(chǎn)生可 重 復(fù) 使用的標(biāo)準(zhǔn)操作規(guī)程 標(biāo)準(zhǔn)操作程序 庫(kù)（ SOPs） PAL 程序?qū)W習(xí)助手通過(guò)觀察一個(gè)實(shí)例來(lái)學(xué)習(xí)可重復(fù)使用的過(guò)程。 DARPA 設(shè)想 了 PA L 技術(shù)，使 得 信息系 統(tǒng)對(duì)于用戶更加高效和有效。 例 3： DARPA 的可學(xué)習(xí)個(gè)性化助理（ PAL）項(xiàng)目創(chuàng)建了蘋(píng)果商業(yè)化技術(shù)，如 Siri 計(jì)算技術(shù) 對(duì) 現(xiàn)代生活 的 每一個(gè)方 面 都至關(guān)重 要 ，但我們 每 天使用的 信 息系統(tǒng)缺 乏 人類 認(rèn)知的一般的、靈活的能力。需要進(jìn) 一 步研究更易于普及不同語(yǔ)言的系 統(tǒng)。還需要開(kāi)發(fā)能夠與人進(jìn)行實(shí)時(shí)對(duì)話的語(yǔ) 言 處理系統(tǒng)。然而，這些 成就只是實(shí)現(xiàn)更長(zhǎng)期目標(biāo)的第一步。雖然已經(jīng)取得了重大進(jìn)展， 但 是在人與人工智能系統(tǒng)能像人與 人之間進(jìn)行有效溝通之前，必須在語(yǔ)言處理 中 解決相當(dāng)大的開(kāi)放性研究挑戰(zhàn)。這些通信要 求和約束是研發(fā)用戶界面的重要考慮因素。 30 美國(guó)國(guó)家人工智能研究與發(fā)展戰(zhàn)略計(jì)劃 中國(guó)信通院（ CAICT）編譯組整理 在一些領(lǐng)域，人類人工智能通信延遲低，通 信 快速可靠。在這些類型 的情況下，用戶需要可以為實(shí)時(shí)響應(yīng)而快速 傳 達(dá)正確信息的可視化和用戶界 面?？梢暬?和 用戶界面必須以人類可理解的方 式，清楚地呈現(xiàn)來(lái)自他們的日益復(fù)雜的數(shù)據(jù) 和 信息。 （注： 84. 監(jiān) 督學(xué)習(xí)需要人類提供正確的結(jié)果，而強(qiáng)化學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)則不需要。 84 隨機(jī)網(wǎng)絡(luò)允許領(lǐng)域知識(shí) 以先驗(yàn)概率分布的形式包含在內(nèi)。主動(dòng)學(xué)習(xí)也是獲得領(lǐng)域?qū)＜逸斎牒吞?高 學(xué)習(xí)算法信任度的關(guān)鍵方法。在主動(dòng)學(xué)習(xí)中，從領(lǐng)域?qū)＜姨帉で?輸 入，并且當(dāng)學(xué)習(xí)算法不確定時(shí)僅 對(duì)數(shù)據(jù)進(jìn)行學(xué)習(xí)。其他系統(tǒng)可以通過(guò) 幫 助用戶回憶，適用于用戶當(dāng)前狀 況的過(guò)去經(jīng)驗(yàn)來(lái)增強(qiáng)人類的認(rèn)知。人類增 強(qiáng)研究包括固定設(shè)備（例如計(jì)算機(jī)）上使用 的 算法；可穿戴設(shè)備（如智能眼 鏡）；植入裝置（如大腦連接）；以及特定的用戶環(huán)境（例如特制的手術(shù) 室）。需要進(jìn)一步研究來(lái)概括人類 人工智能系統(tǒng)的這些方面，以開(kāi)發(fā)需要較少人體工程學(xué)的系統(tǒng)。人 工智能系統(tǒng)需要能夠代表多 29 美國(guó)國(guó)家人工智能研究與發(fā)展戰(zhàn)略計(jì)劃 中國(guó)信通院（ CAICT）編譯組整理 個(gè)目標(biāo)，他們?yōu)檫_(dá)到這些目標(biāo)可以采取的行 動(dòng) ，對(duì)這些行動(dòng)的約束和其他因 素，以及容易適應(yīng)目標(biāo)的修改。另一個(gè)研究目標(biāo)是超越單人和單臺(tái) 機(jī) 器的互動(dòng)，朝向 “ 系統(tǒng)的系統(tǒng) （ systemsofsystems） ” 方向發(fā)展，即由多個(gè)機(jī)器與多個(gè)人互動(dòng)的協(xié)同工 作。未來(lái)的智 能 系統(tǒng)必須能夠解釋人類社會(huì)的行 為規(guī)范，并相應(yīng)地采取行動(dòng)。必須開(kāi)發(fā) 人為干預(yù)模型，允許智能系統(tǒng)僅在必要和適 當(dāng) 時(shí)介入人類操作。人類感知智能系統(tǒng)需 要能夠直觀地與用戶進(jìn)行互動(dòng)，并且能夠?qū)?現(xiàn) 無(wú)縫人機(jī)協(xié)作。 尋找人類感知人工智能的新算法 多年以來(lái)，人工智能算法已經(jīng)能夠解決日益復(fù) 雜的問(wèn)題。 82,83 當(dāng)創(chuàng)建能與人類進(jìn)行有效合作的系統(tǒng)時(shí)，研究 人員會(huì)遇到許多基本挑戰(zhàn)。對(duì)于希望是否決定使用人工智能系統(tǒng)的操作人 員而言，部署人工智能系統(tǒng)應(yīng)被視為計(jì)劃選 項(xiàng) 。參與一般 性 知識(shí)、技能和能力（ KSA）的定期 復(fù)訓(xùn)，以及進(jìn)行人工智能系統(tǒng)采用的算法和 邏 輯和系統(tǒng)的預(yù)期故障模式的培 訓(xùn)。顯示關(guān)鍵信息，人工智能系統(tǒng)的狀 態(tài)以及對(duì)這些狀態(tài)的更改。為了解 決 這些問(wèn)題，在設(shè)計(jì)和開(kāi)發(fā)這些系 統(tǒng)時(shí)應(yīng)使用某些以人為中心的自動(dòng)化原則： 81 （ 1）對(duì)人工智能系統(tǒng)的界面、控制和顯示，采用直觀、人性化的設(shè)計(jì)。 實(shí)現(xiàn)人類 與 AI 系統(tǒng)之間的有效交互需要額外的研發(fā)，以確保系統(tǒng)設(shè)計(jì)不會(huì) 導(dǎo)致過(guò)度的復(fù)雜性，置信不足或置信過(guò)度。 （ 2） AI 執(zhí)行分擔(dān)人類高認(rèn)知負(fù)荷 的功能：當(dāng)人類需要幫助時(shí)， AI 系統(tǒng)執(zhí) 行復(fù)雜的監(jiān)視功能（例如飛機(jī)中的地面接近 警 告系統(tǒng)），決策和自動(dòng)醫(yī)療診 斷。人類 和 AI 系統(tǒng)之間的功能作用劃分 通常屬于以下類別之一： （ 1） AI 執(zhí)行輔助人類的功能： AI 系統(tǒng)執(zhí)行支持人類決策者的外圍任務(wù)。前者能夠在所有類型的問(wèn)題中起 到 作用，構(gòu)建所需人力較少且能更 加便利地在不同應(yīng)用之間進(jìn)行切換；而后者 可 以針對(duì)每個(gè)問(wèn)題更有效率地發(fā)揮 作用。針對(duì)每個(gè)可能的應(yīng)用程序 實(shí) 例來(lái)生成點(diǎn)解決方案是不能量化 的；因此，需要更多的工作來(lái)越過(guò)這些點(diǎn)解決方案，并傾向于人類 AI 協(xié)作中 更具一般性的方法。這種協(xié)作互動(dòng)利 用了人類 和 AI 系 統(tǒng)的互補(bǔ)性質(zhì)。 （注：進(jìn)入百萬(wàn)兆級(jí)運(yùn)算是指計(jì)算系統(tǒng)可實(shí)現(xiàn)至少每秒 10 億次運(yùn)算。 80 實(shí)際上， HPC 系統(tǒng)中的執(zhí)行配置從來(lái)不相同，并 且同時(shí)執(zhí)行不同的應(yīng)用，其中每個(gè)不同軟件 代 碼的狀態(tài)隨著時(shí)間獨(dú)立地演進(jìn)。 AI 還可用于創(chuàng)建可自動(dòng)重新配置的 HPC 系統(tǒng)，其可以在無(wú)人為干預(yù)的情況下處理發(fā)生的系統(tǒng)故障 79 改進(jìn)的 AI 算法可以通過(guò)減少處理器和存儲(chǔ)器之間的數(shù)據(jù)移動(dòng)來(lái)提高多核系 統(tǒng)的性能 。 AI 用于預(yù)測(cè) HPC 性能和資源使用，并進(jìn)行在線優(yōu)化決策以提高效率 。 78 基于 AI 的方法可能對(duì)于改 進(jìn)高性能計(jì)算（ HPC）系統(tǒng)的操作 尤其重要。 為改進(jìn)的硬件創(chuàng)建人工智能 雖然改進(jìn)的硬件可以產(chǎn)生更強(qiáng)大 的 AI 系統(tǒng)， AI 系統(tǒng)也可以提高硬件的性 能。更先進(jìn)的基于機(jī)器學(xué)習(xí)的反饋方法將允許 AI 系統(tǒng) 對(duì)來(lái)自大規(guī)模仿真、實(shí)驗(yàn)儀器和分布式傳感器系統(tǒng)（如智能建筑和物聯(lián)網(wǎng) （ IoT））的數(shù)據(jù)進(jìn)行智能采樣或優(yōu)先級(jí)排序。需要進(jìn)一步研究在整 個(gè)分布式系統(tǒng)中以受控方式打開(kāi)和關(guān)閉數(shù)據(jù) 通 道的方法。其中一個(gè)實(shí)例是 “ 神經(jīng)形態(tài) ” 處理器，其受到大腦組織的自由啟發(fā)， 76 并且在一些情況下，針對(duì)神經(jīng)網(wǎng)絡(luò)的運(yùn) 行而對(duì)其進(jìn)行優(yōu)化。眼下深度機(jī)器學(xué)習(xí)的復(fù)興與基于 GPU 的硬件技術(shù)進(jìn)步及其改進(jìn)的 存儲(chǔ)器、 75 輸入 /輸出、時(shí)鐘速 度、并行性和 能量效率直接相關(guān)。機(jī)器人需要學(xué)會(huì)以無(wú)縫 方 式進(jìn)行團(tuán)隊(duì)合作，并以可信賴和 可預(yù)測(cè)的方式與人類合作。 適應(yīng)和學(xué)習(xí)能力的提高將使機(jī)器 人能夠自我總結(jié)和自我評(píng)估，并從人類導(dǎo)師 那 里學(xué)習(xí)肢體運(yùn)動(dòng)。 研究人員需要更好地了解機(jī)器人的感知，以便 從各種傳感器中提取信息， 并讓機(jī)器人實(shí)時(shí)感知周圍環(huán)境?，F(xiàn)今，機(jī)器人 技 術(shù)已如預(yù)期地展示出它們擁有補(bǔ) 充、增加、增強(qiáng)或模擬人類身體能力或人類 智 力的能力。 74 開(kāi)發(fā)更強(qiáng)大和更可靠的機(jī)器人 在過(guò)去十年中機(jī)器人技術(shù)的重大進(jìn)步對(duì)多種應(yīng) 用產(chǎn)生影響力，包括制造， 物流，醫(yī)藥，醫(yī)療保健，國(guó)防和國(guó)家安全，農(nóng)業(yè)和消費(fèi)品。通常，給定有限的 安全資 源（ 例如， 船只 ，空中 巡警 ， 警察） 和大 量不同 值的 目標(biāo)（ 例如 ， 不同的 航班 ，機(jī)場(chǎng) 處的 不同終 端） ， 基于安 全游 戲的決 策輔 助會(huì)提 供隨 機(jī) 分配或 巡邏 計(jì)劃， 并考 慮到不 同目 標(biāo) 的權(quán)重 以及 敵對(duì)目 標(biāo)對(duì) 于不同 安全 姿 勢(shì)的智能反應(yīng)。 策輔 助 工 具 。我們必須優(yōu)化有限安全資源的使用?；蚓W(wǎng)絡(luò) 空 間的安全 性 。 保護(hù)瀕危 野 生動(dòng)植物 ， 森林和漁業(yè) 。關(guān)于實(shí)現(xiàn)類 人類 AI 新方法的更多基礎(chǔ)研究將使得這些系統(tǒng)更接近這一目標(biāo)。即使在諸如 世界冠軍級(jí)圍棋游戲中，大師級(jí)玩家只需幾 千 場(chǎng)游戲來(lái)訓(xùn)練自己。人們能通過(guò)幾個(gè)示例學(xué)習(xí)，或者通過(guò)接收正式指令 和 “ 提 示 ” 來(lái)執(zhí)行任務(wù)，或者通過(guò)觀察其他人執(zhí)行 任 務(wù)。 這將引出新一代的智能系統(tǒng)，如智能教學(xué)系 統(tǒng) 、在執(zhí)行任務(wù)時(shí)有效地協(xié)助人們 的智能助手。未來(lái)的研究必須發(fā)現(xiàn)更有效、 穩(wěn) 健和可擴(kuò)展的技術(shù)，用于多個(gè) AI 系統(tǒng)和人類群組的規(guī)劃、控制和協(xié)作。許多先前的努力都 是聚焦于集中規(guī)劃和協(xié)調(diào)技術(shù)；然而，這些 方 法受制于單點(diǎn)故障，諸如規(guī)劃器 的信息丟失或者通向規(guī)劃器的通信鏈接的信 息 丟失。多 AI 系統(tǒng)的規(guī)劃技術(shù)必須足夠快， 能夠?qū)崟r(shí)操作和適應(yīng)環(huán)境的變化。 開(kāi)發(fā)可擴(kuò)展的人工智能系統(tǒng) AI 系統(tǒng)的不同分組和網(wǎng)絡(luò)可以協(xié)調(diào)或自主協(xié)作以執(zhí)行單 個(gè) AI 系統(tǒng)不可能 完成的任務(wù)，并且還可以包括人類協(xié)作或帶領(lǐng)團(tuán)隊(duì)。目前正在探索狹義 AI 和通用 AI 之間的關(guān)系；從其中一個(gè) 獲得的經(jīng)驗(yàn)教訓(xùn)也可能應(yīng)用到改進(jìn)另外一個(gè) 上 ，反之亦然。廣泛學(xué)習(xí)能力將為通用 AI 系統(tǒng)提供將知識(shí)從一個(gè)領(lǐng)域轉(zhuǎn)移到另一個(gè)領(lǐng) 域 以及從經(jīng)驗(yàn)和人類交互中學(xué)習(xí)的 能力。將這些系統(tǒng)用在 更廣泛的問(wèn)題上則需要大量的重新設(shè)計(jì)工作。 72,73 確實(shí)，這些特定的系統(tǒng)被賦 予 “ 超越人類 ” 的標(biāo)簽，因?yàn)樗麄兏? 自在 Jeopardy 和 Go 中的表現(xiàn)均勝過(guò)了最好的人類玩家。狹義的 AI 系統(tǒng)在特定的、定 義明確的領(lǐng)域中執(zhí)行單個(gè)任務(wù)，例如語(yǔ)音識(shí) 別 ，圖像識(shí)別和翻譯。這些發(fā)展是使得現(xiàn)今在深 度學(xué)習(xí)方面取得重大進(jìn)步的關(guān)鍵因素。例如， 人工神經(jīng)網(wǎng)絡(luò)（ ANNs）于 20 世紀(jì) 60 年代被發(fā)明出來(lái)時(shí)，其只能被用于解決非 常簡(jiǎn)單的問(wèn)題。這種理解必須在現(xiàn)有硬件 的 背景下形成，以便了解硬件是如 何影響這些算法的性能。雖然不同的學(xué)科（包括數(shù) 學(xué)，控制科學(xué)和計(jì)算機(jī)科學(xué)）都在研究這個(gè) 問(wèn) 題，但該領(lǐng)域目前缺乏統(tǒng)一的理 論模型或框架來(lái)理解 AI 系統(tǒng)性能。 了解人工智能的理論能力和局限性 22 美國(guó)國(guó)家人工智能研究與發(fā)展戰(zhàn)略計(jì)劃 中國(guó)信通院（ CAICT）編譯組整理 雖然許多 AI 算法的最終目標(biāo)是使用仿人類 的方案來(lái)解決開(kāi)放式挑戰(zhàn)，但我 們不能很好地理解 AI 的理論能力和限制，以及這種仿人類的解決方案與 AI 算 法一起使用的可行性能達(dá)到何種程度。此外，通過(guò)使用傳感器和 算法的適當(dāng)組合來(lái)大大改進(jìn)人類的感知，使 得 AI 系統(tǒng)可以更有效地與人類一起 工作。感知系統(tǒng) 需能夠綜合來(lái)自各種傳感器和其他來(lái) 源（包 括 計(jì)算云）的數(shù)據(jù)，以確定人工智 能系統(tǒng)當(dāng)前的感知對(duì)象并對(duì)其未來(lái)狀態(tài)進(jìn)行 預(yù) 測(cè)。人工智能系統(tǒng)將極大地受益于硬件 和 算法方面的進(jìn)步，獲得更穩(wěn)定和 可靠的感知。傳感器數(shù)據(jù) 常與先驗(yàn)知識(shí)和模型一起進(jìn)行處理和整合， 以 提取與人工智能系統(tǒng)任務(wù)相關(guān)的 信息，如幾何特征、屬性、位置和速度。 增強(qiáng)人工智能系統(tǒng)的感知能力 感知 是智能系統(tǒng)面對(duì)世界的窗口。人工智能 研究人員必須確定培訓(xùn)所需的數(shù)據(jù)量，并正 確 處理大型數(shù)據(jù)和長(zhǎng)尾數(shù)據(jù)需求。 許多人工智能的應(yīng)用具有跨學(xué)科性質(zhì)并利用異 構(gòu)數(shù)據(jù)。雖然許多 研 究通過(guò)數(shù)據(jù)質(zhì)量保證方法確保數(shù) 據(jù)清理和知識(shí)發(fā)現(xiàn)的準(zhǔn)確性，但需進(jìn)一步研 究 以提高數(shù)據(jù)清理技術(shù)的效率，建 立發(fā)現(xiàn)數(shù)據(jù)不一致和異常的方法并使其可與 人 的反饋相結(jié)合。 21 美國(guó)國(guó)家人工智能研究與發(fā)展戰(zhàn)略計(jì)劃 中國(guó)信通院（ CAICT）編譯組整理 許多開(kāi)放性研究問(wèn)題圍繞數(shù)據(jù)的創(chuàng)建和使用， 包括對(duì)人工智能系統(tǒng)培訓(xùn)的 準(zhǔn)確性和適當(dāng)性。 提升基于數(shù)據(jù)發(fā)現(xiàn)知識(shí)的能力 正如《聯(lián)邦大數(shù)據(jù)研究和發(fā)展戰(zhàn)略規(guī)劃》中所述 ， 9 實(shí)現(xiàn)智能數(shù)據(jù)理解和知 識(shí)發(fā)現(xiàn)需許多新的基礎(chǔ)工具和技術(shù)。 71 下文強(qiáng)調(diào)了上述某些領(lǐng)域。 學(xué)家出錯(cuò)率僅為 ％ 。在 20xx 年 轉(zhuǎn)移性癌癥檢測(cè) Came lyon 挑戰(zhàn)大 賽 中， 69 表現(xiàn) 最 佳 的 是 基于人工智能的計(jì)算系統(tǒng)，出錯(cuò)率僅為 ％ 。使用常規(guī)方法的病理診斷需要大量人力，不易重復(fù)，導(dǎo)致質(zhì)量問(wèn)題。自 19 世紀(jì) 后 期以來(lái)，病理學(xué)家用于確定 癌癥診 斷的 主要工 具是 顯微鏡 。這兩種案例的基礎(chǔ)研究均始于 20 世紀(jì) 60 年代；歷經(jīng) 30 多年的持續(xù)研究，那些想法才 轉(zhuǎn)換成今天在各種人工智能中所見(jiàn)到的變革性 技術(shù)。 68 報(bào)告進(jìn)一步指出 “ 從初步概 念到成功上市通常需要幾十年 ” 。 這些回報(bào)可在 5 年、 10 年或更長(zhǎng)時(shí)間內(nèi)兌現(xiàn)。） 20 美國(guó)國(guó)家人工智能研究與發(fā)展戰(zhàn)略計(jì)劃 中國(guó)信通院（ CAICT）編譯組整理 （一）戰(zhàn)略一：對(duì)人工智能研究進(jìn)行長(zhǎng)期投資 需對(duì)具有潛在長(zhǎng)期回報(bào)領(lǐng)域的人工智能研究進(jìn) 行投資。（括號(hào)中的小數(shù)字表示 在 本規(guī)劃中的戰(zhàn)略編號(hào)，戰(zhàn)略有待進(jìn)一步拓 展。 [1]長(zhǎng)期投資 [2]人機(jī)協(xié)作 [3] 倫理、法律和社會(huì) 影響 [4] 安全與安保 [5] 標(biāo)準(zhǔn)和基準(zhǔn) [6] 數(shù)據(jù)集和環(huán)境 [7] 人工智能精干團(tuán)隊(duì) 圖 工 智 能研發(fā) 戰(zhàn)略 規(guī)劃的 結(jié)構(gòu) 跨領(lǐng)域研 發(fā) 基礎(chǔ)（底 部 紅色行） 對(duì) 于所有人 工 智能的研 究 都很重要 。 67 圖形的頂部一行（深藍(lán)色行）是預(yù)期受