认识人工智能的九个方面
3、本次人工智能浪潮的驱动因素
驱动认知程度提高的一方面因素是技术本身的提高，包括数据、算法、算力，使得人工智能技术真正为商业应用创造了价值;另一方面，大数据、物联网、云计算等技术为人工智能的发展打下了良好基础。
4、人工智能产业发展技术方向
人工智能方向的企业目前主要分为两类:专注于技术研发的通用型人工智能企业，如DeepMind、FacebookAIResearch、GoogleBrain与BaiduAI等，以及专注于人工智能技术应用的专用型人工智能企业。通用型人工智能由于研发技术难度大，目前多由巨头互联网公司在进行布局，短期内没有明确的技术突破前景。专用型人工智能企业数量众多，但其发展仍然受制于需要人工标注的数据限制。
5、人工智能产业发展的地域分布
纵观全球人工智能产业的发展，我们可以发现，全球领先的创新高点散落在各个国家，如美国纽约与硅谷、英国伦敦、以色列，以及中国的北京、上海与深圳。人工智能技术本身具有高流通、易传导的性质，在全球信息流通开放的大环境下，人工智能的发展不再受限于国家或地域。借助于良好的人才基础、巨大的应用市场、强有力的风投基金支持，中国人工智能企业的发展势头良好，在全球处在优势领先地位。中国的人工智能企业数量、专利申请数量以及融资规模均仅次于美国，位列全球第二。在国内，计算机视觉、服务机器人、自然语言处理方向的人工智能企业占据了人工智能企业个数的一半以上。北京、上海、深圳作为国内人工智能创新的高地，其相关企业数量占据了国内企业总数的近80%。
6、人工智能未来发展的预测
短期内构建大型的数据集将会是各企业与研究机构发展的重要方向。同时，机器学习技术会更注重迁移学习与小样本学习等方向，近期AlphaGoZero在无监督模式下取得的惊人进步充分体现了此方向的热度。长期来看，通用型人工智能的发展将依赖于对人脑认知机制的科学研究，其发展前景目前尚处于无法预测的状态。
在商业应用方面，短期内，专用型人工智能将会在数据丰富的行业、应用场景成熟的业务前端(如营销、服务等)取得广泛的应用。长期来看，正如国际人工智能领域著名学者MichaelI.Jordan所说，人工智能技术将能在边际成本不递增的情况下将个性化服务普及到更多的消费者与企业，从细分行业的特定应用场景应用到更加普世化的情景。
7、本次人工智能可以带来的商业价值分析
随着人工智能在各个行业的应用场景逐渐明朗，应用的行业与业务范围逐渐增加，在自动驾驶、医疗辅助诊断、金融交易风险防控等领域已有众多企业进行了布局。
从定量的角度，至2030年，人工智能将在中国产生10万亿元的产业带动效益。根据我们的估算，人工智能带来最大影响的传统产业将会是金融、汽车、零售和医疗。在金融行业，通过人工智能技术在风险控制、资产配置、智能投顾等方向的应用，预计人工智能将带来约6000亿元人民币的降本增益效益。在汽车行业，人工智能在自动驾驶上的技术突破将带来约5000亿元人民币的价值增益。在医疗行业，通过人工智能技术在药物研发领域提高成功率、在医疗服务机构内提供疾病诊断辅助、疾病监护辅助等提高服务效率的应用，预计人工智能可以带来约4000亿元人民币的降本价值。在零售行业，人工智能在推荐系统上的运用将提高在线销售的销量表现，同时更加精准的市场预测将降低库存成本，预计人工智能技术将带来约4200亿元人民币的降本与增益价值。
8、目前人工智能在各行业的发展基础分析
根据不同行业的企业在组织机构方面、数据与技术基础方面以及人工智能应用情况上的现状，我们设计了不同行业人工智能发展基础的评估体系，对各个行业应用人工智能的准备程度进行了评估。
通过在各个行业积累的项目经验以及与各个行业的专家访谈，我们对13个行业在组织文化基础、数据与技术基础、人工智能应用基础三大方面的17个子问题进行了定量评估。
从结果上来看，金融、零售、医疗与汽车行业发展基础最为夯实。金融行业拥有良好的数据积累，在自动化的工作流与相关技术的运用上也有不错的成型成效，在组织机构的创新文化与灵活性上处于中等优势地位。医疗行业拥有多年的医疗数据积累与流程化的数据使用过程，因此在数据与技术基础上有着很强的优势。汽车行业已经开始利用人工智能技术布局自动驾驶、辅助驾驶技术，因此在组织基础与人工智能应用基础上有着很好的优势。零售行业在组织结构、数据积累、人工智能应用方面有一定基础，处于一个比较均衡的发展状态。
同时，制造、教育、通信行业值得关注。制造行业、通信行业虽然在组织机构上的基础相对薄弱，但由于拥有大量高质量的数据积累以及自动化的工作流，为人工智能技术的介入提供了良好的技术铺垫。教育行业的数据积累虽然仍处于发展过程中，但组织整体对人工智能持重点关注的态度，同时开始在实际业务中结合或应用人工智能技术。
9、企业如何布局人工智能
如前所述，人工智能技术是继互联网之后最具颠覆性的革命性技术，它将开启一系列新的商业变革。当下人工智能技术所处的发展阶段，就好似处于上世纪九十年代中期的互联网技术。目前，谷歌、Facebook、亚马逊、阿里巴巴、百度等互联网巨头都以收购人工智能初创企业或自建研发实验室等各种方式积极布局人工智能研发，各行业领军企业也在各类人工智能应用场景内进行积极的投资、收购与研发。对于各行业的企业而言，布局人工智能应用，时机就在当下。企业发展人工智能总体思路。
企业在制定人工智能发展计划时：
首先应当明确在目前业务场景下有哪些地方可以运用人工智能技术，有什么机会可以把握，或者换个角度说，如果不开始布局人工智能技术，会失去哪些机会。企业需要通过研究外部市场发展情况,了解目前行业中其他企业在此技术方向上的布局，评估人工智能技术在自身业务背景下的应用机会，学习观察在价值链各环节上的商业应用案例。
其次，企业需要评估在组织、数据与技术、运用与执行能力上具备的核心竞争力，认识到在哪些方面存在不足，并针对不足为相关部门提供各方面的支持与引导。
最后，结合对企业内部核心竞争力打造计划与应用实施计划，企业需要制定明确的发展方向与发展程度期望，设置具有时间节点的发展蓝图，并打造相关配套能力支持计划的执行。
来源：未来智库头条
版权声明：转载文章和图片均来自公开网络，推送文章除非无法确认，我们都会注明作者和来源。如果出处有误或侵犯到原作者权益，请与我们联系删除或授权事宜返回搜狐，查看更多
人工智能军事变革尚未到来
知远战略与防务研究所三十年后/编译
自：美国安德鲁·马歇尔基金会网站报告
【知远导读】本文通过运用军事变革的四要素——技术变革、军事系统演变、作战创新和组织适应来分析美国和中国军事人工智能发展，探讨人工智能能否开创军事领域新的革命。文章研究发现，在短期内，人工智能更有可能帮助全面实现侦察-打击军事变革，而不是产生全新的人工智能军事变革。同时，对该问题的探讨可以对美国和中国之间军事技术竞争的潜在轨迹进行分析。
报告全篇约27000字，篇幅所限，推送部分为节选。
人工智能可能是中美科技竞争中最重要的领域。包括美国和中国在内的许多国家都认为人工智能在民用和军事应用方面具有潜在的革命性。人工智能因其“激活”机器的能力而被比作电力，有些人推测人工智能可能引发长期社会变革，就像是新工业革命。1到2021年，44个国家已经发布并正在实施国家级人工智能战略。2然而美国和中国是全球领导者，体现在以下成功标志上：经费支出，学术出版，已获授权的专利和申请，蓬勃发展的学术，私营和公共部门人工智能研究。3他们也是半导体行业的关键参与者，该行业的进步促使人工智能得以持续发展。
对本文的研究来说，最重要的是美国和中国处于思考人工智能军事应用的前沿。两国都认为这可能是革命性的。人工智能革命性的军事潜力令人兴奋，但仍然存在不确定性。它的发展轨迹很难预测，历史上容易出现“寒冬”，其间又不时出现快速发展。4然而，美国和中国的一些分析人士、战略家和技术专家认为，它可能会从根本上改变人与机器之间的关系，将对战争产生影响，从限制人类在战场上的参与，到破坏战略核威慑背后的计算。5计算机视觉、自然语言处理和推荐系统等应用可以通过为指挥与控制、情报收集以及聚合、自主性和决策支持等作战挑战提供新颖的解决方案，帮助实现战略目标。6
因此，美国和中国的国家级人工智能战略均承认保持、发展领先地位的重要性。7美国在《2018年国防部人工智能战略》中指出，人工智能“将改变未来战场的特征和我们面对威胁时的速度。我们将利用人工智能的潜力，积极转变国防部的所有职能。8
但人工智能真的预示着军事变革即将到来吗？它为什么重要？就军事变革的概念而言，其要素包括技术变革、军事系统演变、作战创新和组织适应，是评估人工智能是否能够改变战争性质的自然视角，因为人工智能的价值目前处在狭窄的应用领域。9军事变革可能是由技术推动的，但除非特定的技术应用刺激了行动和组织的变化，推动军事进步，否则就不会出现军事变革。美国净评估办公室前主任安德鲁·马歇尔从美国的角度提出了军事变革的概念：“军事变革的主要挑战是智力挑战，而不是技术挑战。”10在人工智能潜力及其对系统、作战和组织影响的基础分析方面，军事变革框架有助于避免夸张的猜测。
如果人工智能正在推动美国或中国军队的军事变革，新技术和新概念的结合可能会威胁到任何一方的主导作战方式。如果不是，理解它在未来为什么以及将如何发生，可以帮助观察人士识别出进步和智力发展的标志，例如军事人工智能应用和新战术、新组织结构的结合，使人工智能军事变革更有可能发生。因此，评估人工智能是否可能引发军事变革，可以为美国如何考虑和塑造未来与中国的战略竞争提供信息。
本文的研究方法使用了安德鲁·克雷平涅维奇（AndrewKrepinevich）在1992年开创性论文中提出的军事变革四要素，作为评估人工智能是否为一种革命性军事技术的视角。在研究人工智能的应用之前，论文定义了军事变革，确定了将在多大程度上引发美国和中国军事系统、行动和组织的变化，以及这种变化的本质。根据访谈、学术研究、分析、官方文件、研究报告和历史案例，本报告发现人工智能目前并没有促成军事变革。人工智能技术的现状制约了军事应用，难以实现作战创新和适应性的组织结构。
从军事变革要素的视角分析人工智能
技术变革
在过去十年中，特定人工智能技术进步迅速且令人印象深刻。人工智能技术在计算机视觉、自然语言处理和推荐系统等领域的应用，使机器在某些任务上胜过人类，这引发了美国和中国对军事应用的创造性思考。然而，人工智能应用目前存在重大缺陷，在可预见的未来，可能会限制其战场用途。此外，也无法保证当前的快速进步能够持续。历史上，人工智能经常会出现发展缓慢的寒冬，而且诸如半导体技术发展等因素，可能会制约美国和中国的进步。本节研究了关于人工智能及其应用的广泛技术背景、最新进展、优势以及近期实现人工智能军事变革的重大障碍。
（一）技术背景及相关应用
简单地定义人工智能可能具有挑战性，因为在整个技术发展的历史中，技术和概念发生了快速的变化，其不断迭代升级，子类别和应用不断发展，且专家之间存在分歧。11就本文的目的而言，人工智能广义上是指一系列技术，使计算机系统能够执行某些需要人类智慧参与的任务。12虽然人工智能在历史上包含了一系列决策系统（如专家系统），但在关于突破性能力的讨论中，该术语指的是使用计算能力，通过执行数据驱动算法来完成任务的机器学习系统。算法、数据和计算能力（以下统称为计算）是先进机器学习系统的核心组成部分。13
这三个要素的进步推动了人工智能领域近期的巨大进步，因此它们很有价值，但也很昂贵。专家通常拥有高等学位，创造最前沿的算法。理想情况下，这些算法在高质量的数据集上进行训练，而这些数据集足以代表给定的问题集，可以提高算法的精度和鲁棒性，同时限制偏差。半导体制造的进步以及为机器学习优化的芯片，通过促进计算来帮助推动人工智能实现突破：从2012年到2018年，用于训练顶级人工智能项目的计算增加了300000倍。14
通过深度学习技术训练的神经网络是人工智能领域最近取得诸多进展的原因。受人类神经元通信的启发，神经网络是具有输入、隐藏和输出节点层的算法集合。分配给每一层中不同节点的权重和阈值帮助模型处理数据，进而实现某个目标，例如搜索发现或识别图像。15人类可以通过提供对性能的反馈来训练网络，并通过在特定任务中校准通用模型中的权重，对模型进行微调。16深度神经网络包含三层以上，在计算机视觉和语言处理方面取得了长足的进步，并且在许多狭窄的应用中大大超过人类，比如从巨大的数据集中分析、得到观点。17然而，深度神经网络就像大脑一样，包含数千个相互连接的节点。这些节点的相互作用非常复杂，通常无法进行有意义的总结。这限制了产出的可预测性、可解释性，从而限制了它们在应用于敏感任务时的可信度。18
像深度神经网络这样的高级机器学习系统，在2016年进入了公众的视野。当时美国DeepMind公司的AlphaGo系统在围棋比赛中击败了世界排名第一的人类棋手。19AlphaGo开发的策略和动作对人类棋手来说是不可预测和无法理解的，这暗示了机器学习在某些任务上超越人类的新兴潜力。
五年多后，美国和中国将人工智能应用的民事和军事潜力视为革命性的，特别是在计算机视觉、自然语言处理、大数据分析和推荐系统方面。计算能力的提高和训练时间的减少引发了计算机视觉方面的重大进展，即系统检测、处理和环境识别方面的能力。20民事应用包括医学成像、在复杂环境中提取重要细节的实时目标检测以及社交媒体图像搜索。21军事应用包括自主导航、基于图像的情报收集和分析、通过面部或步态识别个人以及目标识别等。
自然语言处理模型通过理解人类语言来执行任务。由于搜索引擎以及苹果的Siri和亚马逊的Alexa等虚拟助手的普及，模型通过阅读现有文本来学习单词在上下文中的用法，然后“学习”回答开放式查询，生成预测性文本，翻译并执行聊天机器人功能。22军方可以使用这种技术扫描文件集以获取特定信息，翻译外国情报，甚至直接生成文本信息。23
人工智能在决策支持方面也很有前景。决策支持算法通常受到大数据集（来自合并的结构化和非结构化数据）的推动，可以发现人类难以甚至不可能收集到的见解。24顾名思义，推荐系统根据汇总的数据和用户偏好，提供决策支持。著名的Spotify使用这种算法来创建播放列表，并根据过去的收听行为和社区数据为用户推荐新的音乐。25军方在融合、分析和消除来自战场的多源传感器数据以及优化复杂的后勤保障或装备维修方面看到了决策支持的潜力。26
这里只是列举了一些有前景且可以军事应用的人工智能最新进展（其他的将在后文中介绍）。然而，在了解它们目前的重大缺陷之后，对这些应用程序的热情将有所缓和。
（二）技术的缺点
深度神经网络在训练环境之外可能很脆弱，这意味着对输入的微小修改就可能导致不正确的输出。这些缺陷可能会被对手利用。例如，研究人员只需在停车标志上放置黑白贴纸，就能阻止最先进深度神经网络系统中的图像分类器读取停车标志。27其他研究人员发现，以一种人类无法察觉的方式随机扭曲熊猫的图像，会使准确率超过99%的模型将图像标记为长臂猿。28由于模型不像人类那样看世界，隐藏层也不透明，所以人类充其量只能解释为什么模型会产生某种输出。29即使过去的性能是准确的，这也使得在新数据上验证模型未来的表现变得困难。因此对于实现军事目的的信任，以及如何测试和评估系统是主要的弱点，可能会限制深度神经网络在高度复杂、动态作战环境中的短期有效性。30
深度神经网络数据集和训练也可能是昂贵和困难的，需要高水平的计算或大量的人力来编译和标记数据。在过渡到现实应用时，即使是具有广泛代表性的训练数据也不能消除问题。31获取可用数据也可能是个问题：美国陆军利用大数据进行预测性维护的一项研究发现，历史数据是手写的，不能由机器读取。32对手可以在训练和现实环境中“毒害”数据。33此外，由人类培养的数据集可能会在无意中纳入他们的偏见，引发对公平、算法正义和准确性的深刻伦理担忧。34
除了这些挑战外，整合人类和机器团队是复杂的，而且存在着潜在的危险。竞争对手带来的战场问题对作战人员来说已经足够具有挑战性，受限环境中表现最好的算法工具也并不成熟，不应再引入这种复杂性。35人工智能系统与人类相比的决策速度，再加上可解释性挑战，会造成人类默认系统的判断，被称为“自动化偏见”。如果对手无法理解人工智能所支持的行动，就会产生战争升级的风险。362020年，兰德公司的一场兵棋推演发现，快速的机器决策速度使得态势升级更快、威慑更弱，以及对降级信号的反应减小，结论是：“广泛的人工智能和自主系统可能会导致无意的升级和危机的不稳定。”37
目录
前言
简介
第一章绪论
第二章定义和识别军事变革
一、建立的条件
二、文化的影响
三、认识新兴的军事变革
第三章从军事变革要素的视角分析人工智能
一、技术变革
二、军事系统演变
三、作战创新
四、组织适应
第四章未来的人工智能军事变革：评估、影响和历史见解
一、识别技术进步的迹象和缺失的军事变革要素
二、实现军事变革要素的条件：从航空母舰军事变革的角度观察人工智能
第五章结论和未来研究的问题
【1】KevinKelly,“TheThreeBreakthroughsthatHaveFinallyUnleashedAIontheWorld,”Wired,October27,2014,https://www.wired.com/2014/10/future-of-artificial-intelligence/;MatthewDanielsandBenChang,NationalPowerAfterAI(Washington,DC:CenterforSecurityandEmergingTechnology,2021),iv.
【2】SamarFatimaetal.,“WinnersandLosersintheFulfillmentofNationalArtificialIntelligenceAspirations,”BrookingsInstitution,October21,2021,https://www.brookings.edu/blog/techtank/2021/10/21/winners-and-losers-in-the-fulfilment-of-national-artificial-intelligenceaspirations/.
【3】SachinWaikar,“AIReport:CompetitionGrowsbetweenChinaandtheU.S.,”StanfordHAI,March3,2021,https://hai.stanford.edu/news/ai-report-competition-grows-between-china-and-us;NeilSavage,“TheRacetotheTopamongtheWorld’sLeadersinArtificialIntelligence,”NatureNews,December9,2020,https://www.nature.com/articles/d41586-020-03409-8;AutumnToneyandMelissaFlagg,ComparingtheUnitedStates’andChina’sLeadingRolesintheLandscapeofScience(Washington,DC:CenterforSecurityandEmergingTechnology,June2021):1–12.
【4】MarcLositoandJohnAnderson,“TheDepartmentofDefense’sLoomingAIWinter,”WarontheRocks,May10,2021,https://warontherocks.com/2021/05/the-department-of-defenses-looming-ai-winter/.
【5】RafaelLossandJosephJohnson,“WillArtificialIntelligenceImperilNuclearDeterrence?”,WarontheRocks,September2019,https://warontherocks.com/2019/09/will-artificial-intelligence-imperil-nuclear-deterrence/.
【6】PaulScharre,“DebunkingtheAIArmsRaceTheory,”TexasNationalSecurityReview4,no.3(Summer2021):123.
【7】GregoryAllen,UnderstandingChina’sAIStrategy(Washington,DC:CenterforaNewAmericanSecurity,February6,2019),https://www.cnas.org/publications/reports/understanding-chinas-ai-strategy.
【8】U.S.DepartmentofDefense,Summaryofthe2018DepartmentofDefenseArtificialIntelligenceStrategy(Washington,DC:U.S.DepartmentofDefense,February2019),4.
【9】AndrewKrepinevich,TheMilitary-TechnicalRevolution:APreliminaryAssessment(Washington,DC:CenterforStrategicandBudgetaryssessments,2002),3.
【10】DimaAdamsky,TheCultureofMilitaryInnovation:TheImpactofCulturalFactorsontheRevolutioninMilitaryAffairsinRussia,theU.S.,andIsrael(Stanford,CA:StanfordUniversityPress,2010),2.
【11】DeweyMurdick,JamesDunham,andJenniferMelot,AIDefinitionsAffectPolicymaking(Washington,DC:CenterforSecurityandEmergingTechnology,June2020):3.
【12】NationalSecurityCommissiononArtificialIntelligence,FinalReport(Washington,DC:NationalSecurityCommissiononArtificialIntelligence,2021),20,31.
【13】BenBuchanan,TheAITriadandWhatItMeansforNationalSecurityStrategy(Washington,DC:CenterforSecurityandEmergingTechnology,August2020),v–2.
【14】Thisispartiallyduetoincreasedwillingnesstofundtheseexpensivebreakthroughs.Ibid.,1–9.
【15】IBM,“WhatAreNeuralNetworks?,”IBM,August17,2020,https://www.ibm.com/cloud/learn/neural-networks.
【16】Sincethisisnotatechnicalpaper,thisdescriptionofneuralnetsdoesnotdelvemoredeeplyintodifferenttypes(e.g.,convolutional,feedforward,orrecurrentneuralnets)ortheintricaciesofsupervisedversusunsupervisedlearning.Whilethesedistinctionsdeserveattention,theyarenotnecessaryforlinkingtechnologicalapplicationstobroaderdiscussionsoftherelationshipsamongtechnology,militaryAIapplications,andRMAs.
【17】AmyWebb,TheBigNine:HowtheTechTitansandTheirThinkingMachinesCouldWarpHumanity(NewYork:PublicAffairs,2019),40–50.
【18】RecentresearchhasmadesomeprogressonthisblackboxproblembyusingmethodsthatinterpretwhatcertaincomputervisionDNNsanalyzeinagivenimage,buteasyexplainabilityandtransparencyremainfaroff.ChrisOlahetal.,TheBuildingBlocksofInterpretability,Distill,March26,2018,https://distill.pub/2018/building-blocks/.
【19】“GoogleAIDefeatsHumanGoChampion,”BBCNews,May25,2017,https://www.bbc.com/news/technology-40042581.ExpertshadpreviouslybelievedanAIwouldnotbecapableofbeatingahumanatGoforoneortwodecadesgiventhegame’scomplexity,whichfeaturesmanypossiblemovesandiscomparativelyunstructured.SeeWebb,BigNine,40–50.
【20】MichaelLittmanetal.,GatheringStrength,GatheringStorms:TheOneHundredYearStudyonArtificialIntelligence(AI100)2021StudyPanelReport(Stanford,CA:StanfordUniversity,September2021),https://ai100.stanford.edu/2021-report/standing-questions-andresponses/sq2-what-are-most-important-advances-ai#recommendation.
【21】KenWeiner,“CouncilPost:ComputerVisionIsMorethanJustImageRecognition,”Forbes,August12,2016,https://www.forbes.com/sites/forbestechcouncil/2016/08/12/computer-vision-is-more-than-just-image-recognition/?sh=4c8ddb816065.
【22】IBM,“WhatAreNeuralNetworks?”
【23】RyanFedasiuk,JenniferMelot,andBenMurphy,HarnessedLightning:HowtheChineseMilitaryisAdoptingArtificialIntelligence(Washington,DC:CenterforSecurityandEmergingTechnology,2021),9;18–19.
【24】JasonMiller,TheBigDataChallengeGettingSmallerforArmy,AirForceasCDOsMature,FederalNewsNetwork,January24,2020,https://federalnewsnetwork.com/ask-the-cio/2020/01/the-big-data-challenge-getting-smaller-for-army-air-force-as-cdos-mature/.
【25】PriyaDialani,“TechforEnjoyingMusic:Here’sHowSpotifyUsesBigData,”AnalyticsInsight,April19,2021,https://www.analyticsinsight.net/tech-for-enjoying-music-heres-how-spotify-uses-big-data/.
【26】AltwanWhitfieldandMikeCrozier,“SustainmentTransformation:HowJointArtificialIntelligenceCenterSupportsArmyLogistics:AnInterviewwithMr.NandMulchandani,”U.S.Army,December16,2021,https://www.army.mil/article/252657/sustainment_transformation_how_joint_artificial_intelligence_center_supports_army_logistics_an_interview_with_mr_nand_mulchandani.
【27】KevinEykholtetal.,“RobustPhysical-WorldAttacksonDeepLearningModels,”arXiv.org,April10,2018,https://arxiv.org/abs/1707.08945.
【28】RobertRichbourg,“‘It’sEitheraPandaoraGibbon’:AIWintersandtheLimitsofDeepLearning,”WarontheRocks,May10,2018,https://warontherocks.com/2018/05/its-either-a-panda-or-a-gibbon-ai-winters-and-the-limits-of-deep-learning/.
【29】Olahetal.,BuildingBlocksofInterpretability.
【30】JoshuaKroll,“ArtificialIntelligence:TooFragiletoFight?,”U.S.NavalInstitute,February2022,https://www.usni.org/magazines/proceedings/2022/february/artificial-intelligence-too-fragile-fight?mc_cid=31b7a8c6db&mc_eid=cb69914e13.
【31】BenDickson,“TheFutureofDeepLearning,AccordingtoItsPioneers,”VentureBeat,July5,2021,https://venturebeat.com/2021/07/05/the-future-of-deep-learning-according-to-its-pioneers/.
【32】WhitfieldandCrozier,“SustainmentTransformation.”
【33】PatrickTucker,“VulnerabilitiesMaySlowAirForce’sAdoptionofArtificialIntelligence,”DefenseOne,September23,2021,https://www.defenseone.com/threats/2021/09/vulnerabilities-may-slow-air-forces-adoption-artificial-intelligence/185592/.
【34】CenterforNavalAnalyses,AIConsiderationsfortheMarineCorps,(Arlington,VA:CenterforNavalAnalyses,2021),3.
【35】OwenDaniels,“SpeedingUptheOODALoopwithAI:AHelpfulorLimitingFramework?,”NATOJointAirandSpacePowerCompetencyCentre,September2021,https://www.japcc.org/speeding-up-the-ooda-loop-with-ai/.
【36】Kroll,“ArtificialIntelligence.”
【37】YunaWongetal.,DeterrenceintheAgeofThinkingMachines(SantaMonica,CA:RANDCorporation,2020),44–58.
声明：本文来自知远战略与防务研究所，版权归作者所有。文章内容仅代表作者独立观点，不代表安全内参立场，转载目的在于传递更多信息。如有侵权，请联系anquanneican@163.com。