浅谈人工智能技术赋能英语学习
人工智能技术已经融入到我们的日常工作、学习、生活中，悄然改变着社会生活。人工智能技术也给英语教学带来了机遇和挑战，英语教学要结合现代信息技术，尤其是人工智能技术，以更好地培育具有国际化视野的创新性、复合型、应用型人才。人工智能技术开拓了多元化学习路径，辅助英语学习，促进英语学习质量的提高。
本文结合教育式人工智能与英语学习机制的内含，探讨人工智能技术对英语学习的促进作用，在此基础上提出人工智能技术赋能英语学习创新的路径。构建人工智能英语学习平台，有助于促进英语知识的吸收与应用，推进英语学习质量提高，培育一专多能的优秀人才。
教育式人工智能与英语学习机制的内含
教育式人工智能。人工智能在教育领域的应用取得了巨大进展，智能数据共享功能能够将最先进的教学资源分享到平台账户。教育式人工智能主要指的是通过人工智能技术的有效应用，在课外进行知识学习，从而合理利用碎片化时间，丰富了知识储备。在英语学习过程中借助人工智能平台的应用优势，对学习目的、学习过程、学习方法进行精准定位，检测英语学习效果，让学习者能够更快地掌握英语词汇、句子的应用语境，并创造一个良好的实践交流场景，做到学以致用。此外，人工智能技术能够结合学习者的个性化发展需求，制定出适合学习者的英语学习方案。
英语学习机制。英语学习机制通常指的是学习者综合应用多种学习方法，利用闲暇时间掌握复杂的英语知识内容，实现知识内化，丰富个人的英语交流经验，并在此基础上调节内心的情感状态，更好地适应复杂多变的英语交流环境。人工智能技术改变传统的英语学习方式后，可根据学习者的年龄特点、工作生活环境制定出科学合理的英语学习方案。人工智能技术可将日常生活用语作为学习内容，与传统课堂教学相比，更能够符合英语实践性的需求。人工智能提供多样化个性化的英语学习方案，能够针对学习者的学习习惯提供教学，针对弱项精准地进行讲解和示范。
人工智能技术对英语学习的促进作用
详细记录教学内容--促进自主学习。构建人工智能英语学习平台，实现对英语教学信息的全面收集与管理，通过教学内容、课堂流程记录，为后续的自主学习提供有力支撑。人工智能技术所建立的庞大教学数据库，能够让学习者在自主学习的过程中，结合个人的学习需求制定出个性化的学习方案，从数据库中查找适合自己的课堂英语教学内容。智能化英语教学平台的构建，能够随时随地进行课堂教学内容复习，将教师与学生的课堂互动详细的记录下来，生成自动化数据进行储存。
在英语自主学习的过程中，可以利用云计算技术、语音识别技术等人工智能技术，深度分析英语交流行为和教学过程中重点提及的英语词汇，通过随堂检测分析自身的英语水平，在反复多次的英语练习中认识到自身的不足之处，及时调整英语学习思路。参考庞大的数据分析结果，制定出科学的学习计划，干预自身的学习行为。通过人工智能技术的有效应用，可助力于学习者和教学工作者的分析研判，为后续的英语学习提供数据和案例支撑。
智能化口语评测--促进学习反思。当代中国是开放的中国，国际间的交流越来越频繁，无论是已经进入社会岗位的就职人员，还是正处于知识积累的学生，都需要具备良好的英语交际能力。
多年来，英语评测主要测量学习者的英语基础知识和读写能力，而对学习者的英语听说能力缺乏有效测评。
人工智能技术的有效应用改变了传统以闭卷考试为主的英语测评方式，可随时随地了解学习者的英语交际能力。人工智能能够自主分析学习者的英语发音和英语对话时所采用的语调。在智能化英语测试过程中，由系统生成一组图画，考生用英语描述所看到的画面信息，可对学习者的英语应用能力进行综合考察。人工智能英语学习平台可根据学习者的实际表现给予客观评价，有效降低传统人工评分方式中主观因素的影响。
智能拆分知识点--促进知识积累。在传统英语学习过程中，学习者往往采用题海战术，通过大量词汇的背诵和题目的解析，提高个人的英语水平和应试能力。人工智能英语学习平台的建立，能够突破传统英语学习方式和内容的限制，对学习内容、学习能力和学习方法进行细化拆分，注重知识点之间的关联概率，并根据学习内容、学习风格，筛选出适合学习者的学习重点和难点。知识点拆分越细，对每一个学生的诊断才能更精准，学生真正可以做到哪里不会学哪里，教育者的教学才能更有效。人工智能英语学习平台的建立，还可以监测英语学习盲点，降低学习内容的重复率，提高学习效率。
人工智能技术创新英语学习方法
语音识别辅助听、说练习。语言是人与人之间进行信息交流的重要手段，在自主学习过程中运用人工智能语音识别技术进行英语听说练习，通过人工智能技术实现语言交互，通过机器翻译功能，强化对英语语言的理解。人工智能英语学习平台的响应速度较快，机器在听取学习者的英语表述后给予恰当的反馈，可以模拟真实交互场景，例如，在英语听力训练过程中，需要区分相同、相似发音词语，back[bæk]--bike[baik]、and[ænd]--end[end]、sick[sik]--seek[si:k]等，人工智能技术可以使识别过程趣味化、可视化。其次，要了解跨文化中交际双方的交际意图和交际方式，可通过人工智能技术的应用，反复多次的进行英语跟读、对话练习。人工智能可根据学习者当前的英语水平提供针对性的训练，助力于学习者快速高效了解交际意图和文本内容。
交流氛围营造助力英语对话学习。英语学习的核心是能够熟练地运用语言词汇进行英语交际，因此，人工智能技术的有效应用，需要为学习者创造一个可以自主交流的学习工具，注重学习者英语交际能力的培养。英语学习是一个熟能生巧的过程，要营造科学的英语交流氛围，激发学习者的对话兴趣，为学习者提供一个英语对话场景，并要求学习者反复进行模拟训练，直到学习者能够熟练地运用对话内容和交际策略，达到自主交流的目的。
教育式人工智能具有一定的行动能力，能够随时陪伴在英语学习者的身旁。如名师机器人助教与英语学习者展开英语对话，保持互动，从而达到寓教于乐的效果。人工智能技术不仅能够替代传统的人与人交流，还能够在教育事业中发挥智能优势，例如，科大讯飞公司推出了一款智能陪伴机器人，能够针对当前学习者的英语学习内容，主动进行学习引导，与学习者展开交流互动。在人与机器对话的过程中，辅导机器人通过观察学习者的表现，及时的给予英语词汇提示，辅助学习者完成基本的英语对话。人机互动能够提供更加全面的口语练习机会，在进行中国传统节日学习时，优先向学习者提供常用的英语交流内容：SpringFestivalisonJanuary（春节在一月），并衍生出中秋在八月、清明在四月等。由PeopleeatmooncakesinMid-AutumnFestival（人们在中秋节吃月饼），衍生出PeopleeatricedumplingsatDragonBoatFestival（人们在端午节吃粽子）等，并围绕相关主题展开交流互动，提高了学习者口语交际能力。
英语阅读丰富英语词汇学习。通过提供丰富多彩的阅读内容激发学习兴趣，如人工智能具有的虚拟陪伴功能，可将采集到的海量阅读内容精选推送给学习者，并以英语阅读材料为基础布置学习任务，学以致用，激发英语学习者的内在动力。人工智能英语学习平台具有许多游戏功能，如词汇闯关、场景互换等，都可以作为阅读练习的辅助工具。通过闯关升级，阅读内容逐渐扩充，阅读难度层层提升，增加了学习的趣味性和挑战性。通过人工智能技术的应用，创建了虚拟的学习环境，获得沉浸式的学习体验，如设计学习者喜欢的虚拟形象，并围绕阅读内容与学习者展开交流互动，在阅读过程中根据图片信息、视频信息进行英语文章创作。例，虚拟故事人物说Ienjoyedthefoodverymuch.（我很喜欢这里的食物），suchas…,在阅读过程中学习者可掌握与食物相关的英语词汇，然后学习者进行自主回复Don’teattoomuchjunkfood.（别吃太多垃圾食品）。
英语写作培育语言组织能力。英语学习中阅读与写作相辅相成，结合阅读时所涉及到的知识内容进行文章创作，可达到事半功倍的效果。人工智能技术的有效应用，随时随地分析当前学习者的英语知识掌握情况，制定出个性化的写作任务。引导学习者结合文章的上下文信息，确定写作主题，培养学习者良好的英语写作习惯，并在智能平台发布创作的英语文章，与其他英语爱好者展开交流探讨。例如，LastSpringFestival,LiwasinCanada.（去年春节，李去了加拿大）Itwassnowy。Liwentskating.（下雪了，李去滑冰了）。围绕这一阅读内容，人工智能技术推送下雪时的常用英语词汇和表述，制定相应写作任务。之后，学生通过在线主题句填空，补全例子，段落翻译、段落临摹、段落总结等方式进行英语写作，并对完成后的作品进行智能评阅，在线交流讨论等。
人工智能技术赋能英语学习，改变了传统的英语学习方式和过程，打破学习时间和空间的限制，学习者可以利用碎片化时间，接触前沿信息，掌握实用技能。通过人工智能技术的有效应用，促进学习者深度学习、个性化学习，促进英语教育教学有效化、精准化发展。人工智能具有的丰富的网络教学资源，也可在学习者遇到困难时，利用多维视角向学习者提供实践论证依据，全面提高学习者的自主分析能力和实践探究能力。人工智能技术赋能英语学习，改变了学习生态，为英语教学带来了诸多机遇和挑战，教育者要因势利导，主动作为，推动人工智能技术和英语教学的有效融合。
（刘娟内蒙古财经大学外国语学院）
2023年人工智能领域科技发展综述
0分享至为了研究国外人工智能领域科技发展现状并研判其发展趋势，对2021年美国、俄罗斯、欧洲等世界主要国家和地区人工智能领域的科技发展进行了总结回顾和综合评述，从战略规划、基础研究、军事应用三个方面对2021年国外人工智能领域的发展进行了归纳，包括世界主要国家不断深化人工智能国家战略，加速人工智能技术研发；机器智能、仿人智能、群体智能、人机混合智能技术发展路径明晰，取得重要成果；人工智能前沿技术在空战、海战、网电、情报分析等军事领域应用不断细化。2021年，人工智能各个领域的基础技术及军事应用研究成果频出，世界军事智能技术进入了新一轮高速发展期。1引言随着信息技术的迅猛发展，人工智能的研究迎来了高速发展的黄金期，世界主要国家都把人工智能视为“改变游戏规则”的颠覆性技术，积极争夺在该领域的战略制高点。人工智能提供了一种新路径来保持军事优势，在军事领域的主要任务是研发用于延伸、增强作战人员和作战部队智力和体系能力的理论方法、技术及应用系统，包括机器智能技术、仿人智能技术、群体智能技术、人机混合智能技术四个领域。2021年，世界主要国家逐步细化了人工智能技术的发展战略和规划，各项军事智能技术取得突破性进展，应用前景愈发广阔，人工智能军事作战赋能进程不断加快。2世界主要国家不断深化人工智能国家战略，加速人工智能技术研发人工智能作为驱动第四次工业革命的重要引擎，深刻影响着经济、产业和各技术学科的发展。为此，世界主要国家纷纷以国家战略地位提升对人工智能在社会发展各领域（特别是国防领域）的动能，以推动人工智能技术的研发。2.1美国从机构设置、战略规划、预算投入三方面促进人工智能能力发展（1）美国成立多个人工智能相关机构，督导和实施美国国家人工智能战略。2021年1月，美国成立国家人工智能倡议办公室，以确保美国未来几年在这一关键领域的领导地位。该办公室负责监督和实施国家人工智能战略，并作为联邦政府在人工智能研究和决策过程中与政府部门、私营机构、学术界和其他利益相关者进行协调和协作的中心枢纽。6月，美国宣布成立国家人工智能研究资源工作组，旨在巩固美国的前沿地位。该工作组属于国家人工智能倡议办公室，由12名学术界、政界和产业界人士组成，共同参与计划的制定实施，以便人工智能研究人员获得更多政府数据、资源和其他计算工具。根据《2020年国家人工智能倡议法》，该工作组将作为联邦咨询委员会，协助创建国家人工智能研究资源（NAIRR）的蓝图，建设可共享的研究基础设施。该小组计划于2022年5月和11月向国会提交两份报告，阐述其发展战略。（2）美国发布多项人工智能战略规划，推动作战能力在信息化技术加持下提质升级。2021年3月，美国人工智能国家安全委员会（NSCAI）发布《最终报告》，为美国在人工智能时代赢得竞争提出战略。主报告分为“在人工智能时代保卫美国”和“赢得科技竞争”两大部分，从美国在人工智能领域面临的威胁和风险，以及如何应对两个方面进行了论述，提出顶层结论和建议；附录中的《行动蓝图》则详细描述了美国政府为落实建议应采取的措施。6月，美国防部启动“人工智能与数据加速”（ADA）计划，旨在快速推进“联合全域指挥控制战略”的实施。国防部将向美军11个联合作战司令部派遣“作战数据小组”和“人工智能专家小组”，通过一系列与“联合全域指挥控制”等概念相关的实验或演习，在不断迭代中持续获得新的人工智能和数据能力。7月，美海军发布《智能自主系统科技战略》，聚焦无人系统中集成自主、人工智能技术，能够适应瞬息万变战场环境的智能自主系统，提出“无缝集成为可信的海上力量”的发展愿景。8月，美国国土安全部发布《人工智能/机器学习战略计划》，制定了三个方面目标：推动在国土安全部中运用下一代人工智能和机器学习技术，增加研发投资，并利用这些技术建立起安全的网络基础设施；促进在国土安全部任务中部署已成熟的人工智能和机器学习能力；建立、培养一支跨学科的人工智能/机器学习人才队伍。（3）美2022财年人工智能国防预算持续增加。2022财年美国国防部预算申请中，研发、试验与鉴定经费高达1120亿美元，比2021财年的1066亿美元预算增长5.07%，创下历史新高。美国防部称研发投入的增加和资源的重新分配，将为人工智能、微电子、高超声速导弹、网络空间能力和5G网络等先进技术提供资金。其中，人工智能预算8.74亿美元，用于推广人工智能在美国防部的应用，相比2021财年增长0.33亿美元，增长率为3.92%。美国国防高级研究计划局（DARPA）一直是人工智能突破性研究与开发的领导者，2022财年DARPA预算申请新增项目23个，集中在人工智能、电子器件、陆海空武器平台、定向能和“马赛克战”等技术方向。其中，人工智能技术方向新增项目4个，总经费580万美元，涉及模型算法、辅助决策、反制人工智能、人工智能可靠性等研究。2.2俄罗斯人工智能技术发展与伦理规范并重（1）普京将人工智能列为俄国家武器装备发展优先事项。2021年11月，俄罗斯总统普京在“关于加强武装力量”的会议上表示，俄罗斯军事发展的首要目标是武装部队使用最先进的武器装备，提出了2033年前俄国家武器装备发展的三个优先事项，其中包括人工智能。普京称，人工智能技术可在提高武器战斗特性方面实现突破，将应用于军队的武器控制系统、通信和数据传输系统、高精度导弹系统以及无人系统的控制装置。（2）俄罗斯签署首部人工智能伦理规范。2021年10月，俄罗斯人工智能联盟联合其他组织在莫斯科举行首届“人工智能伦理：信任的开始”国际论坛，签署了一份人工智能伦理规范。该规范由人工智能联盟与俄罗斯政府和经济发展部共同编写，将成为俄罗斯联邦人工智能计划和2017—2030年信息社会发展战略的一部分，文件内容包括加速人工智能发展、提高人工智能使用伦理意识、识别与人交流的人工智能和信息安全等主题。2.3欧洲主要国家积极推动人工智能战略布局规划与监管并重，欧盟稳步推进人工智能统一发展。2021年10月，北约成员国国防部长就北约首个人工智能战略达成一致。该战略简要介绍了人工智能技术如何以受保护且合乎伦理的方式应用于国防和安全，以符合国际法和北约价值观且负责任的方式使用人工智能技术，为北约及其盟国开发和使用人工智能技术奠定基础。4月，欧盟发布全球首部人工智能管制法律《人工智能法》提案，提出了人工智能统一监管规则，旨在从国家法律层面限制人工智能技术发展带来的潜在风险和不良影响，让欧洲成为可信赖的全球人工智能中心。4月，欧盟委员会发布《人工智能协调计划2021年修订版》，成为指导各成员国协调行动、共同实现欧盟人工智能发展目标的最新文件。英国发布国家人工智能战略，描绘未来十年远景规划。2021年9月，英国发布《国家人工智能战略》，旨在促进国家和企业对人工智能技术的应用，吸引国际投资到英国人工智能公司，并培养下一代本土技术人才。该战略提出未来十年的目标是将英国打造成全球性的“人工智能超级大国”。3军事智能技术发展路径明晰，取得重要成果3.1机器智能基础研究取得突破，开辟多个军事应用方向（1）DARPA启动“计算文化理解”项目，用于开发人工智能翻译能力。2021年5月，为了在谈判、关键互动等民政工作和军事行动中提供帮助，DARPA提出了“计算文化理解”（CCU）项目，目标是建立跨文化的语言理解服务，以提高国防部作战人员的态势感知能力以及与不同国际受众进行有效互动的能力。该项目寻求开发自然语言处理技术，以识别、适应并建议如何在不同社会、不同语言情感环境、及社会文化规范内进行作战。项目经理威廉·柯维博士表示，为支持用户参与跨文化对话，人工智能系统不仅能提供语言翻译，还需要利用深刻的社会和文化理解来协助交流。将人工智能从工具转变为合作伙伴，需要机器可实时发现和解释社会文化因素，识别不同情绪及交流风格的变化，在即将出现误解时提供对话帮助。（2）DARPA启动“学习内省控制”项目，推动军事系统适应突发状况。2021年8月，DARPA计划启动“学习内省控制”（LINC）项目，旨在开发基于机器学习的内省技术，使系统在遭遇不确定性或意外事件时，能够调整其控制规则，并在确保连续运行的同时，将这些新情况传达给人类或人工智能操作员。该项目包括三个研究领域：一是攻克当前机器学习模型与技术中阻碍系统自适应的技术难点，开发能够感知环境变化并仅使用自带的传感器和驱动器，即可重构控制规则的系统；二是改进系统和操作人员态势感知共享与引导的方式，将研究领域开发的首个动态模型产生的信息进行有效翻译，并传达给操作人员，使其掌握系统最新运行状态以及安全操作的提示；三是重点进行技术测试与评估。（3）俄罗斯将为核电厂安装人工智能消防系统，以保护基础设施安全。2021年9月，俄罗斯加里宁核电厂宣布已完成人工智能消防系统的测试，该系统将会作为试点项目安装在核电厂汽轮机大厅。该项目于2021年2月启动，预算为5000万卢布（约69万美元）。人工智能消防系统的设计目的是在无工作人员直接参与的情况下，由机器人进行预防性监控、自动探测火灾和灭火。根据设计，该系统能够持续监测周围环境，根据温度或可燃气体（如氢气）的浓度来判断火灾情况，包括判断突发事件的类型、紧急情况的发展动态以及采用合适的灭火剂，并独立采取相应的行动。3.2仿人智能研究推动学界不断认知人类，促进高级认知实现（1）美国发布人类大脑皮层的可浏览3D地图。2021年6月，美国谷歌公司和哈佛大学联合发布H01人脑成像数据集（人类脑组织渲染图），包含1.3亿个突触、数万个神经元。该数据集是迄今为止所有生物中对大脑皮层进行成像和重建的最大样本，也是首个大规模研究人类大脑皮层的“突触连接性”的样本。这种连接性跨越了大脑皮层中所有层面的多种细胞类型。H01样本可以初步看到人类大脑皮层结构。该研究旨在为人类大脑研究提供一种新的资源，并改进和扩展连接组学的基础技术。▲图1H01数据集中的L2层中间神经元（2）美韩联合团队推动仿脑神经形态芯片进一步发展。
2021年9月，韩国三星公司和美国哈佛大学提出一种构建智能芯片的新方法，将大脑神经元的连接图完整地“复制粘贴”到3D神经形态芯片上，使类脑芯片研发更进一步。研究人员希望打造出一种接近大脑的独特计算特征的存储芯片，能够实现低功耗、轻松学习、适应环境，甚至自主和认知等功能。该成果的技术路线可能以最接近大脑本身神经元的方式实现对神经网络的构建，为类脑芯片和神经网络的构建提供了一条新的思路。▲图2CMOS纳米电极阵列上的大鼠神经元图像
（3）智能芯片制造技术持续提升。2021年1月，美国斯坦福大学在DARPA“电子复兴计划”项目支持下，开发出兼具存储与数据处理功能的“存算一体”深度神经网络推理系统，能够高速、低功耗执行人工智能计算任务，为类脑计算、虚拟现实等前沿技术领域奠定基础，使得高集成度、高性能的芯片技术成为智能化装备的研究重点。2月，IBM公司宣布开发出世界上首款采用7纳米晶体管技术的四核人工智能加速器芯片，可支持多种人工智能模型，并达到领先的电源效率水平，更快执行复杂的人工智能算法。该芯片是全球首款低精度混合8位浮点格式硅芯片，采用7纳米级紫外光刻技术制造。智能芯片制造技术持续提升，将有效推动军事装备的信息化、数字化、智能化建设。3.3群体智能技术推进无人集群项目快速进展依托群体智能开展智能化无人机集群作战，可将无人机数量优势转化为非对称作战优势。2021年10月，DARPA的“小精灵”项目成功实现了无人机空中回收。试验验证了三种能力，一是“小精灵”无人机的自主编队飞行能力和安全功能；二是“小精灵”被C-130运输机回收的能力；三是重新装配被回收的无人机，并在24h内进行二次飞行的能力。安全、有效、可靠的空中回收能够显著扩大无人机在对抗环境中的作战范围和潜在用途，无人机可以配备各种传感器和其他有效载荷，从各类军用飞机上发射，使有人平台转移到安全地带。2021年12月，DARPA进行了“进攻性蜂群使能战术”（OFFSET）项目的第6次，也是最后一次外场试验。测试平台由商用小型无人系统组成，包括背包大小的探测器以及多旋翼和固定翼飞机，这些系统由蜂群指挥官安排执行蜂群战术任务。本次实验取得了以下进步：使用两家系统集成商的300多个测试平台开展联合协同作战；同时使用“虚拟”蜂群代理和物理代理协助完成现实任务；利用沉浸式蜂群界面来指挥和控制蜂群。▲图3OFFSET项目开展第6次外场试验
3.4人机混合智能技术探索提升人工智能可信任度，增强人机协同能力人机混合智能旨在通过人机交互和协同，提升人工智能系统的性能，使人工智能成为人类智能的自然延伸和拓展，通过人机协同更加高效地解决复杂问题。2021年3月，DARPA对外宣布“空战演进”（ACE）项目第二阶段的部分研究目标已经在第一阶段提前实现，其中人机混合智能技术比重较大，包括完成了人工智能狗斗高级虚拟仿真，场景包含视距内和视距外的多机格斗，涉及更新的虚拟武器系统。通过人工智能驾驶战斗机进行载人实飞，评估飞行员的生理反应及其对人工智能驾驶的信心。预计在该项目的最后阶段，飞机将搭载人工智能“驾驶员”进行自主飞行。ACE项目启动于2020年，其主要目标在于开发可信任、可扩展、可达到人类水平、基于人工智能驱动的自主智能体，可通过人机协同来实现空战对抗。然而，对智能体的信任水平在人机协同过程中是动态的，这种信任交互需要进行测量、建模和校准，以实现成功作战的最佳人机混合团队。为此，DARPA于2021年11月开展人类对人工智能信任度测试工作，旨在基于飞行员与智能体的交互，结合生理数据对飞行员的信任度进行测量和建模。该项目用于建模和测试飞行员对空中格斗自主性的信任度，并测试了一种新型人机界面与人工智能交互的可信度，目标是建立飞行员对空中格斗自主性的信任，探索如何通过可视或音频的人机接口向人类传达人工智能的状态和意图。脑机接口技术进入试验阶段。2021年7月，DARPA参与投资的美国神经血管生物电子医学公司“同步”（Synchron）获得了美国食品药品监督管理局许可，可以将脑机接口芯片植入人体进行临床试验，开始对其大脑芯片进行人体临床试验，并计划检查其旗舰产品“支架电极记录阵列”（Stentrode）脑机接口芯片在严重瘫痪患者中的安全性和有效性，通过使用大脑数据控制数字设备，有效改善患者独立完成日常活动的能力。“同步”公司在人体中植入脑机芯片的方案不需要开颅，而是以微创的方式将网状的“支架电极记录阵列”传感器通过血管输送到大脑。9月，DARPA和美国国立卫生研究院共同资助的脑机接口技术开发出了首个具备直观运动控制、触觉反馈、运动感觉三种重要功能的机械手臂，受试者使用该机械手臂完成任务的准确度与普通人相当，双向脑机接口使得机械手臂可发出大脑信号，并传回机械装置信息，通过大脑意识控制机械手臂的运动。▲图4“同步”公司脑机接口芯片示意图
4人工智能前沿技术在军事领域应用不断细化人工智能在军事领域的应用即将越过初级阶段，正在探索更加超前的、颠覆性技术与理念赋能军事作战任务。4.1空战领域人工智能技术正在实现网络化、智能化作战方式，变革未来空战规则。2021年4月、6月、10月，美军“天空博格人”（Skyborg）项目研发的自主控制系统配装不同型号无人机完成多次飞行试验。自主控制系统在试飞中演示了响应导航指令、遵守虚拟作战空间限制、实施协调机动等能力，验证了自主控制系统操控多类型无人机，以及低成本可消耗无人机军事应用的可行性。下一步，“天空博格人”将验证有人机与多架配置自主控制系统的无人机之间的直接协同。2021年2月，美国防高级研究计划局分别授予雷锡恩公司和系统与技术研究公司两份“空域快速战术执行全面感知”（ASTARTE）项目第一阶段合同，代表着该项目正式进入研发阶段。该项目目标是在高度拥挤的未来战场中实现高效的空域作战，并消除友军之间的空域活动冲突；并专注于以下三个技术领域：一是开发用于理解和决策的算法，以预测冲突并提出解决方案；二是开发或利用现有低成本传感器，以实时检测和跟踪有人/无人机、机载武器和其他潜在威胁；三是开发虚拟测试平台，以允许当前指挥控制系统和项目技术集成，并进行建模、模拟和虚拟实验。该项目是“马赛克战”概念的重要支撑项目，通过消除空域冲突提升作战效能，并计划于2024年上半年对用于消除联合火力冲突的人工智能工具进行现场测试。▲图5MQ-20无人机配装“天空博格人”自主控制系统
俄罗斯开发人工智能察打一体无人直升机。2021年8月，在莫斯科举行的“军队-2021”国际军事技术论坛上，“白蚁”（Termit）察打一体无人直升机首次亮相。该无人机配备了情报监视侦察传感器、非制导弹药和80mm激光制导导弹，可在复杂地形作战，执行侦察、目标指示任务，并可与有人直升机联合完成任务。无人机操作员可为“白蚁”无人机指定目标，确认目标后无人机根据人工智能算法自主选择攻击目标的最优路线。▲图6展出的“白蚁”无人直升机
4.2海战领域美国与阿联酋联合推出新型智能自主无人水面舰艇。2021年2月，美国L3哈里斯技术公司与阿联酋奥赛尔船舶公司联合展示了一种新型智能无人水面舰艇的海上自主能力。该无人水面舰艇配备先进的自主控制系统、带有高级智能天线的高容量视距无线电系统，可实现完全自主操作，并融入最新的人工智能技术，适合情报监视侦察、海岸巡逻和拦截等各种海上任务。▲图7L3哈里斯公司与奥赛尔公司联合展出的智能无人水面舰艇
人工智能技术在海上演习中初试身手。2021年5月，英国海军首次在“强大盾牌”海上演习中使用人工智能，英国海军在“海龙”号驱逐舰和“兰开斯特”号护卫舰上进行的防空反导作战试验中，使用可对抗超声速导弹的“惊奇”和Sycoiea人工智能软件。这两种人工智能软件可提高早期发现致命威胁的能力，为指挥官提供快速风险评估，以选择最佳武器采取最佳措施并摧毁目标。4.3网电领域美国采用人工智能技术对抗网络威胁。2021年11月，美国国防信息系统局宣布将人工智能技术用于防御性网络行动，正在组建首席数据官办公室，以便对拥有的所有数据资源进行编目和研究分析，然后应用人工智能和机器学习来防御网络攻击者。2021年1月至9月期间，美国防部1.75亿互联网IP地址（该量级为全部互联网IP的4%）控制权被秘密转移，据称用于网络安全试点计划。综合分析判断其将用于DARPA“利用自主性对抗网络攻击系统”（HACCS）项目实验。该项目主要利用人工智能、可信计算等技术，开发“自主软件智能体”，用于自主抵御僵尸网络攻击和大规模恶意软件活动。美国正逐步将人工智能工具用于数据处理自动化，以应对不断出现的网络威胁。美空军启动基于人工智能和机器学习的认知电子战项目。2021年9月，美国空军启动“怪兽项目”，将人工智能和机器学习应用于未来的认知电子战系统，以帮助作战飞机突防具备多频谱传感器的导弹和防空系统。该项目旨在开发可以迁移到战场系统中的人工智能和机器学习技术，并依托开放系统标准、敏捷软件算法开发和过程验证工具，计划推进9项主要任务，包括认知电子战大数据研究、软件定义无线电研究、多频谱威胁对抗等。“怪兽项目”将利用人工智能技术检测来袭导弹，紧随敌方导弹制导模式的变化并迅速采取干扰措施摆脱锁定，为加油机等高价值平台开发有效的对抗设备，使得美空军战斗机航程可以覆盖到西太平洋地区。4.4情报分析领域军事情报采集与分析是当前人工智能、自然语言处理应用的一个重要场景。随着美国将军事重心从小型战争、反恐战争向大国竞争转变，美军对整合情报并支持快速决策的可靠技术的需求日益迫切。为此，美国北方司令部与所有主要作战司令部、盟军合作伙伴、政府和行业合作伙伴举行了一系列“全球信息优势实验”（GlobalInformationDominanceExperiments，GIDE），试图预测未来事件，从而获得“信息优势”和“决策优势”。2021年7月，美国北方司令部完成了GIDE的一系列试验，结合了人工智能、云计算和传感器技术，从卫星、雷达、海底传感器和网络等大量信息源中收集世界各地的传感器数据，并进行分析，在分钟级时间内预判敌人数日后的行动，提前采取应对方案。▲图8美国11个作战司令部的代表参加了“全球信息优势实验”
以色列在“世界首场人工智能战争”中应用人工智能技术分析情报数据。2021年5月，以色列宣称同哈马斯武装力量的冲突是世界上第一场人工智能战争，以色列国防军利用“福音”系统辅助空军分析数据并制定打击计划，成功地对加沙深处的哈马斯目标进行了空袭，杀死至少一百名哈马斯高级特工，摧毁多处军事基础设施。在此次冲突中，人工智能为提升情报分析能力，快速高效处理战场问题提供了支撑。5启示与建议5.1加大人工智能在作战指挥控制领域中的探索，增强指挥决策能力人工智能的发展可能使得未来的工业场景、战争场景发生翻天覆地的变化。未来军事科技智能化程度的每一次进步，都会变革人在军事活动中的角色。未来战争中，人类的主要价值将主要体现在关键节点的指挥决策上，人不但不会退出“观察-判断-决策-行动”循环，反而会在“人在回路”的战争巨系统中居于核心地位。因此，大力发展复杂环境推理决策技术，通过数据挖掘、智能识别、辅助决策等手段，对海量信息去粗取精、去伪存真，减少主观误判干扰，确保指挥员客观判断形势，改善在未来战场中的决策能力；形成“目标管理主导战争”流程范式。未来作战中，指挥官更多的是制定方案、确定目标，而具体的实现路径、甚至具体过程以及推演评估都可以由人工智能武器自己选择。5.2加大“脑机接口”技术驱动作战赋能的研发力度，提高作战中人机交互与协同能力未来战争中自主系统将占据越来越重要的地位，但目前自主系统的智能化水平不可能在短期内达到有人平台的程度，在未来相当长的一段时间内，无人平台也难以完全取代有人平台，而二者相互补充、分工协作，可以将各自的效能发挥到最大，因此需要高度重视人机协同技术发展，不断提升交互能力。研究无创神经接口和精创神经接口相结合的生物兼容双向神经接口，开发高分辨率的便携式神经接口，探索非手术情况下实现大脑和系统间的高水平通信手段，推动脑机交互和脑控技术向“高时空分辨率、低时延”发展，进一步赋能士兵远距离作战，延伸身体机能范围。5.3将人工智能技术引入通信及电磁对抗领域，发展实时动态学习及快速响应能力人工智能将成为驱动网络安全的新引擎，推进网络空间管理能力。因此，可以利用人工智能技术完善频谱管理，探索自主无线电系统是否能快速而灵活地协作，进行射频频谱管理，以满足军用领域射频通信的发展需求。大力发展认知电子战技术，实现在无需预置程序的情况下自主对抗敌方系统，强化对抗的敏捷性和适应性，提升应对未知或敌方雷达的电子战能力，有望解决复杂电磁环境下精确态势感知的难题。6结束语人工智能技术是第三次工业革命以后科技发展的战略制高点，将成为未来经济与社会发展的核心技术，其迅猛发展将引起社会、经济、产业结构的深刻变革。人工智能技术的军用背景，将进一步驱使世界各国加速对人工智能军事应用的研究与开发，对未来智能化战争结果产生重要的影响。免责声明：本文转自战术导弹技术，原作者韩雨韩丛英。文章内容系原作者个人观点，本公众号转载仅为分享、传达不同观点，如有任何异议，欢迎联系我们！转自丨战术导弹技术作者丨韩雨韩丛英编辑丨郑实研究所简介国际技术经济研究所（IITE）成立于1985年11月，是隶属于国务院发展研究中心的非营利性研究机构，主要职能是研究我国经济、科技社会发展中的重大政策性、战略性、前瞻性问题，跟踪和分析世界科技、经济发展态势，为中央和有关部委提供决策咨询服务。“全球技术地图”为国际技术经济研究所官方微信账号，致力于向公众传递前沿技术资讯和科技创新洞见。地址：北京市海淀区小南庄20号楼A座电话：010-82635522微信：iite_er特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice:Thecontentabove(includingthepicturesandvideosifany)isuploadedandpostedbyauserofNetEaseHao,whichisasocialmediaplatformandonlyprovidesinformationstorageservices.
/阅读下一篇/返回网易首页下载网易新闻客户端人工智能阅读理解已经超过人类了，是不是连识字都可以省了
突破！计算机文本理解首次超越人类！
——此次成果的宣传用词。
按照一贯的宣传逻辑：
测试一下公交车的无人驾驶功能，就是司机全要下岗了；工业机械臂替代一些人类劳动，就是机器人成“岗位杀手”了；既然人工智能连文本理解都超过人类了，那是不是人类连识字都可以放弃了？别急，我们先来看看，这个挑战赛比的是什么，得第一的神经网络又干了什么。
什么是SQuAD
问答数据集
SQuAD的全称是：斯坦福问答数据集（StanfordQuestionAnsweringDataset）。它是一个2016年由斯坦福大学推出的阅读理解数据集。
其中包含了10万多个来源自wikipedia的问答对（question-answerpair|qapair）。
除了数据量大之外，SQuAD与之前同类型数据集的一个重大区别是：回答不是选择题，而是问答题。
不再是在几个给定的选项中找答案，而是要从整段文本中去找正确答案。
构造过程
SQuAD团队采用ProjectNayuki的WikipediainternalPageRanks，获得了rank在前10000的英语wikipedia文章，然后从中随机选取了500多篇。
团队去掉每篇文章的图片、图表等非文字部分，将出其中超过500个字符的自然段抽取出来。
被抽取出的20000多个自然段覆盖了非常广泛的主题。所有这些段落按照8：1：1的比例被切割为训练集、验证集和测试集。
然后，团队雇佣了众包工作者（均来自美国和加拿大），来为这2万多个段落创建问题。
众包工作者被要求完成两个任务：
由此，所有的问题答案都在原文中可见；且一个问题被提出后，除了提问者自己要标出答案，至少还要被两个其他人回答，以保证答案的正确性。
Context+QAPairs
经过这样的处理，每个段落就成了一个数据点，包含两个部分：背景描述（context）和问题答案对（qapair）。
下面是一个数据点的例子：
【Context】:
Inmeteorology,precipitationisanyproductofthecondensationofatmosphericwatervaporthatfallsundergravity.Themainformsofprecipitationincludedrizzle,rain,sleet,snow,graupelandhail...Precipitationformsassmallerdropletscoalesceviacollisionwithotherraindropsoricecrystalswithinacloud.Short,intenseperiodsofraininscatteredlocationsarecalled“showers”.
【Question】:Whatcausesprecipitationtofall?
【Answer】:gravity
【Question】:Whatisanothermainformofprecipitationbesidesdrizzle,rain,snow,sleetandhail?
【Answer】:graupel
【Question】:Wheredowaterdropletscollidewithicecrystalstoformprecipitation?
【Answer】:withinacloud
【Context】:
Inmeteorology,precipitationisanyproductofthecondensationofatmosphericwatervaporthatfallsundergravity.Themainformsofprecipitationincludedrizzle,rain,sleet,snow,graupelandhail...Precipitationformsassmallerdropletscoalesceviacollisionwithotherraindropsoricecrystalswithinacloud.Short,intenseperiodsofraininscatteredlocationsarecalled“showers”.
【Question】:Whatcausesprecipitationtofall?
【Answer】:gravity
【Question】:Whatisanothermainformofprecipitationbesidesdrizzle,rain,snow,sleetandhail?
【Answer】:graupel
【Question】:Wheredowaterdropletscollidewithicecrystalstoformprecipitation?
【Answer】:withinacloud
什么是SQuAD机器阅读理解挑战赛
挑战赛
顾名思义，SQuAD机器阅读理解挑战赛，是一个基于SQuAD数据集的文本阅读理解挑战赛。
只不过进行阅读的不是人，而是机器（或者叫做程序）。从实践而言，是机器学习或者深度学习模型。
数据=>SQuAD向参赛者提供训练集和验证集，用于训练、调试模型。（大家可以直接到其官网获取https://rajpurkar.github.io/SQuAD-explorer/）
模型=>SQuAD的测试集不公开发布。挑战者使用SQuAD提供的数据训练出自己的模型后，需将模型和源代码提交给SQuAD开放平台（https://worksheets.codalab.org/）。由平台方在测试集上运行，得出最终结果。
模型的评判
模型评判基于两个指标：
EM（ExactMatch，精准匹配）：衡量了模型预测结果与真实结果精确匹配的百分比。当某一问题真实结果有几种可能时，以匹配程度最大的一种为准。F1分数：衡量了预测结果和真实结果的平均重合度。具体做法是，将预测结果和真实结果都转化为词袋，然后计算两者的F1。当某一问题真实结果有几种可能时，以F1分数最高的一种为准。针对每个问题获得EM和F1之后，再总体求平均，最后得出全局EM和F1。
NOTE：EM和F1的取值范围都是[0-1]，主页上的值（例如：EM=82.650，F1=88.493），其实都是百分比。
SQuAD挑战赛虽然推出时间不长，但是已经吸引了众多学术机构和大企业加入，被誉为“机器阅读理解界的ImageNet”。
人类表现（HumanPerformance）指标测定
在官网首页最上方的人类表现（HumanPerformance）数据：EM=82.304；F1=91.221，是怎么来的呢？
为什么人类做这么简单的阅读题，EM才只有百分八十多呀？
这个数据，并不是SQuAD团队雇佣了另外一批工作人员专门又做了一遍阅读理解，而是利用之前众包工作者创建qapair的成果，通过自动化手段获得的。
具体做法如下：
因为每一个问题都有至少三个答案，SQuAD团队就把第二个答案设定为人类阅读的“预测结果”，而将其他几个答案作为真实结果。然后计算出了整体的EM和F1。
根据团队提供的反馈来看，无法匹配通常是因为介词、定冠词之类非核心短语的不一致，而不是因为实质性的理解。
综上，这个HumanPerformance的结果并不能够完全反应人类的阅读水平，而仅仅是SQuAD数据集上的一种表现指标而已。
做对题一定要*理解*文章吗？
人类要做对一篇文章的阅读理解题，一定要理解这篇文字吗？
曾经，我以为一定是的。但是就在不久前，被我家小朋友开了眼——事情要从英语测试那天说起：
笔试试卷总分60分，小朋友得了57分。只丢了3分嘛！
有2分是拼写问题，还有1分是阅读理解错了最后一道小题。
于是随口问她：“阅读理解知道怎么错了吗？”
她：“不知道。”
我：“这篇文章说了什么事？”
她：“不知道。”
我：“是忘了吧。来，再读一遍，你看这第一句是什么意思呀？”
她：“不知道。”
我：“不知道是什么意思？”
她：“不知道第一句是什么意思。”
我：“第二句呢？”
她：“哪句都不知道什么意思。”
我：“都不知道什么意思，你前面几道题怎么做对的？！”
她：“我就看了题，到文章里找题目那句话，然后再找哪个选项（出现）在那句话里。”（表达得理直气壮气定神闲）
笔试试卷总分60分，小朋友得了57分。只丢了3分嘛！
有2分是拼写问题，还有1分是阅读理解错了最后一道小题。
于是随口问她：“阅读理解知道怎么错了吗？”
她：“不知道。”
我：“这篇文章说了什么事？”
她：“不知道。”
我：“是忘了吧。来，再读一遍，你看这第一句是什么意思呀？”
她：“不知道。”
我：“不知道是什么意思？”
她：“不知道第一句是什么意思。”
我：“第二句呢？”
她：“哪句都不知道什么意思。”
我：“都不知道什么意思，你前面几道题怎么做对的？！”
她：“我就看了题，到文章里找题目那句话，然后再找哪个选项（出现）在那句话里。”（表达得理直气壮气定神闲）
通过追查发现，她已经不是初犯了，之前用这种方法做对了不少阅读题。
这个例子告诉我们，很多时候，做对阅读理解题，其实并不需要*理解*原文；并不需要知道文字对应的事物、概念是什么，会字型匹配就可以了。
当然，小朋友做的是选择题。在不明白含义的情况下做对问答题，要困难一些。这也就是SQuAD较于之前基于选择题的数据集可贵的地方。
但如果一个人能够看到很多有Context和相应Question、Answer的例子，经过仔细类比对比，即使不懂英语，也不难发现一些问答的规律，比如：问题是Where开头的，答案基本都是大写开头，等等。
只要数据量足够大，TA又足够专注仔细，发现多种类似的关联，并非不可能。
同时，又限定答案必须在原文中。那么，运用这些关联回到原文中去给题目找答案，“对”的可能性与关联的质量数量直接相关。
机器阅读理解
机器做阅读理解，并没有真的理解。
这次在SQuAD测试集上，EM指标超越HumanPerformance的，由微软亚洲研究院研发的R-NET，笼统而言，是一个端到端的神经网络模型。
创新点
【1】R-NET在注意力循环网络（attention-basedrecurrentnetworks）之上，又添加了一个门（gate），构成了门控注意力循环网络（gatedattention-basedrecurrentnetwork）。
这种设计所针对的情况是：在回答一个特定问题的时候，Context段落中不同词语的重要程度是不同的。
【2】同时，R-NET引入了自匹配（self-matching）机制，该机制可以高效地从文本中聚集针对问题的回答。
R-NET在两个大规模数据集：SQuAD和MS-MARCO上，都取得了很好的结果。
实现原理
上图是R-NET的结构图。
首先，问题（Question）和文本（Context）被一个双向循环网络（bi-directionalrecurrentnetwork）分别处理，生成各自的词嵌套向量。（图中最下一层）
接着，采用门控注意力循环网络（gatedattention-basedrecurrentnetwork）来匹配问题和文本的向量，获取文本中和问题相关的表达。
然后，采用自匹配（self-matching）注意力机制，在当前文本全局中进行匹配，聚集回答相关的表达（representation），并对其进行改进。
经过改进的表达被传给最后的输出层，用来预测答案。
如前所述，R-NET在SQuAD上取得了优异的成绩，在EM分数上超越了人类表现。不过说到底，它还是一种词向量之间的匹配机制。
虽然在被问“Whatcausesprecipitationtofall?”的时候，R-NET能够回答“gravity”。但它并不知道“gravity”是什么东西，不知道人类在生活中的每一天每一件事都要和gravity相伴。
具体的技术细节，大家请看：https://www.microsoft.com/en-us/research/wp-content/uploads/2017/05/r-net.pdf
-END-
作者：李烨
现就职于微软（Microsoft），曾在易安信（EMC）和太阳微系统（SunMicrosystems）任软件工程师。先后参与聊天机器人、大数据分析平台等项目的开发。微信公众号：yuesiyuedu
版权声明：本文为小象原创文章，转载请联系后台。返回搜狐，查看更多