一覽DARPA人工智慧技術研究情況

20世紀60年代初，DARPA（當時為ARPA）開始介入自主技術研究，並很快成為該領域的主要研究機構。DARPA意識到，人工智慧可以滿足大量的國家安全需要。DARPA雖然研製自主技術的時間較長，但長期以來，其研究的與自主相關的項目並非在一個固定的技術領域內進行，而是分散到多個不同的領域。直到2014年，才正式在國防科學辦公室下劃分出自主技術領域。

DARPA自主技術研究階段

按時間節點看，DARPA對自主技術的研究大體上可以分為四個階段：

DARPA從四個方面來評判人工智慧技術的能力，分別是感知、學習、抽象和推理。下圖描述了人工智慧的三次浪潮在這四個方面能力的不同。

人工智慧三次浪潮的能力區別

DARPA人工智慧研究內容

DARPA很早啟動了跨學科人工智慧項目，綜合了計算機科學、數學、概率論、統計和認知科學領域內的最新成果。DARPA在人工智慧方面的研究主要涉及自然語言理解、問題求解以及感知和機器人等領域。

DARPA在人工智慧領域開展的研究

自然語言理解——20世紀70年代初，DARPA啟動了語音識別研究（Speech Understanding Research，SUR）項目。在該計劃中，DARPA支持多個研究機構採用不同的方法進行語音識別研究，取得較好成績的是CMU的Hearsay-Ⅱ技術以及BBN的HWIM（Hear What I Mean）技術。其中Hearsay-II提出了採用並行非同步過程，將人講話內容進行零碎化處理的前瞻性觀念；而BBN的HWIM通過龐大的辭彙解碼處理複雜的語音邏輯規則來提高辭彙識別的準確率。進入80年代，DARPA開始採用統計學的方法研究語音識別技術，開發了Sphinx、BYBLOS、DECIPHER等一系列語音識別系統，已經能夠整句連續的語音識別。

2000年之後，DARPA開始研製通過對話進行人機交互（HCI）的系統，該系統還能從與不同人的對話中學習經驗，提供個性化的服務。2005年，DARPA啟動了全球自動化語言情報利用（GALE）項目。該項目尋求能夠對標準阿拉伯語和漢語的印刷品、網頁、新聞及電視廣播進行實時翻譯的技術，目標是使得95%的文本文檔翻譯和90%的語音文件翻譯均能達到95%的正確率。

2008 年11月，DARPA又啟動了Machine Reading項目，旨在實現人工智慧的應用和發展學習系統的過程中，對自然文本進行知識插入。2012年啟動的文本深度發掘和過濾（Deep Exploration and Filtering of Text，DEFT）項目更加明確地提出要利用深度學習技術發掘大量結構化文本中隱含的、有實際價值的特徵信息，同時還要具備可將處理後的信息進行進一步整合的能力，在此基礎上，將這些技術用於作戰評估、規劃、預測的輔助決策支持中。

文本深度發掘和過濾（DEFT）項目

2014年DARPA啟動大機制（Big Mechanism）項目，開發協助計算機閱讀科學和技術文章的技術，將知識片段綜合成更完整的模型，並提出實現特定目標的干預措施。

感知和機器人——DARPA於1976年開始圖像理解（Image Understanding）項目。最初的目標是用5年的時間開發出能夠自動或半自動分析軍事照片和相關圖片的技術。項目參與單位包括麻省理工學院、斯坦福大學、羅切斯特大學、SRI和霍尼韋爾公司等。1979年，項目的目標增加了圖形繪製技術。到了1981年，預計5年內完成的項目並沒有終止，而是持續到2001年。

2001年，DARPA為解決環境感知問題，啟動了PerceptOR項目，其目的是開發新型無人車用感知系統，要求系統足夠靈巧，能夠保證無人車在越野環境中執行任務，並且能在各種戰場環境和天氣條件下使用。2005年該項目完成階段性研究，後轉移到「未來作戰系統地面無人車集成產品」項目，進行系統開發與測試。

2010年3月，DARPA啟動了心靈之眼（Mind』s Eye）項目，旨在為機器建立視覺的智能，可對視頻信息進行形象推理。

Mind』s Eye項目

可解釋的人工智慧（Explainable Artificial Intelligence，XAI）項目

2016年10月，DARPA發布可解釋的人工智慧項目的廣泛機構公告（BAA），其目標是建立一套新的或改進的機器學習技術，生成可解釋的模型，結合有效的解釋技術，使得最終用戶能夠理解、一定程度的信任並有效地管理未來的人工智慧系統。通過該項目，新的機器學習系統將能解釋自身邏輯原理、描述自身的優、缺點，並解釋未來的行為表現。

可解釋的人工智慧

這一項目提出了三個挑戰：如何生成可解釋模型、如何設計解釋介面、如何理解用戶心理需求以進行有效地解釋。對此，該項目將開發一系列新的或改進的機器學習技術，生成更多的可解釋模型；希望將最新的人機交互技術（如可視化、語言理解、語言生成和會話管理）與新的原則、策略和技術相結合，獲得有效的解釋；總結、拓展和應用當前的關於解釋的心理學理論。

該項目分為兩個技術領域：可解釋的學習者（Explainable Learners）和解釋的心理學模型（Psychological Models of Explanation）。

XAI項目的架構

2017年3月，DARPA從學術和工業界中挑選出了13家研究機構進行資助，包括加州大學伯克利分校、加州大學洛杉磯分校、卡耐基梅隆大學、SRI、Rutgers、PARC、Raytheon等。

目前，華盛頓大學的研究團隊已經取得了一些研究成果：研究團隊開發了一種方法，可以讓人工智慧系統闡述其輸出結果的基本原理，人工智慧系統（計算機）將會從數據集中自動找到一些樣本，然後給出簡短的解釋；研究團隊還針對圖形識別系統設計了一些方法，通過標註圖片上最重要的部分來揭示圖形識別系統的判斷邏輯。

終身學習機器（Lifelong Learning Machines，L2M）項目

DARPA於2017年啟動L2M項目，探索生物學習機理在人工智慧中的應用，推進新一代人工智慧系統的發展。該項目的目標是開發支持下一代自適應人工智慧系統所需的技術，使其能夠在實際環境中基於情景進行在線式現場學習並改善性能，不需要進行線下再編程或再訓練。這種持續自主學習的能力可幫助系統在沒有預編程與訓練的情況下適應新情景。

終身學習機器

L2M試圖將生物學習機理應用於計算機機器學習系統，打破現有機器學習系統對預編程和訓練樣本的依賴，使人工智慧系統像生物系統一樣能夠根據經驗進行決策，提高行動的自主性，增強廣度環境適應能力。為了實現這一目標，L2M項目旨在從根本上開發一種全新的機器學習機制，使系統能夠從經驗中不斷學習，這與孩童和其他生命體一生不斷從經驗中進行學習與訓練的機制非常相像。

L2M項目的架構

L2M項目周期為4年，有兩個技術領域。第一個技術領域是開發機器學習框架，可持續應用過去的經驗成果，並使用「經驗教訓」去適應新的數據或情景；同時，還需開發用於監測機器學習系統行為的技術，對系統可以適應的能力範圍進行設置，並具備在必要時對系統進行干預的功能。第二個技術領域源自對生命體學習機制的學習，將專註於研究生命系統自我學習和適應的原理和技術；並考慮這些原理和技術是否能夠以及如何應用在機器學習系統中。

通過研發新一代機器學習技術，使其具備能夠從環境中不斷學習並總結出一般性知識的能力，L2M項目將為第三次人工智慧技術浪潮打下堅實的技術基礎。

DARPA人工智慧探索計劃（AIE）

2018年7月26日，DARPA推出人工智慧（AI）探索（Artificial Intelligence Exploration，AIE）計劃，旨在加快 AI 平台的研究和開發工作，以幫助美國保持其在 AI 領域的技術優勢。人工智慧探索計劃（AIE）是DARPA的內部計劃，DARPA根據其下國防科學辦公室開創的「Disruptioneering」快速跟蹤徵集流程（用於支持各種技術開發概念）推出該計劃。與Disruptioneering一樣，AIE將定期發布與興趣主題相關的特殊通知（「AIE機會」），簡化的提案、合同和資助流程，使個人和組織機構更容易為 DARPA 提供幫助。

DARPA表示，AIE計劃將專註於「第三波」人工智慧的應用及理論，旨在讓機器適應不斷變化的情況。AIE計劃旨在進行AI試點、概念驗證、將商業技術平台用於國防用途，以及操作或技術工具的設計、開發與演示。

DARPA宣布投入20億美元，開發人工智慧新技術

2018年9月8日，DARPA宣布計劃投入20億美元開發新的人工智慧（AI）技術，這是該機構「AI Next（下一代人工智慧）」計劃的一部分。這筆錢將用於資助DARPA新的和現有的人工智慧研究項目。DARPA在一份聲明中稱，該機構將致力於打造具有常識、能感知語境和更高能源效率的系統。

文章來源：高端裝備發展研究中心

Humanoids 2018

由IEEE（國際電子和電氣工程師協會）機器人與自動化學會主辦，北京理工大學等單位承辦的2018年IEEE-RAS仿人機器人國際學術會議（ Humanoids 2018）將於2018年11月6日至9日在北京友誼賓館舉行。大會主席由黃強教授、戴斌教授共同擔任。

現已全面開啟企業贊助和招展通道，強烈推薦機器人、科研儀器等與高校合作有關的企業參展。

聯繫人：堂博士 13810423387（同微信）

IEEE-RAS仿人機器人國際會議是仿人機器人領域最權威、最有影響力的國際學術會議，從2000年開始在全球各國巡迴舉辦，目前已成功舉辦了17屆，會議涉及的信息具有極高的前瞻性和應用價值。2018年IEEE-RAS仿人機器人國際會議首次在中國舉行。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！