軍事人工智慧的五大基石
本文作者理查德庫茲瑪，畢業於哈佛大學，現就職於美國國防創新部門實驗室（DIUx），他領導創建了世界上最大的頂級圖像數據集之一xView。目前正在為國防部策劃一個機器學習項目。
warontherocks.com（2018.7.13）
https://warontherocks.com/2018/07/but-first-infrastructure-creating-the-conditions-for-artificial-intelligence-to-thrive-in-the-pentagon/
人工智慧並不有趣。2017年我領導了xView的數據創建和質量控制，xView是世界上最大的開源頂置衛星圖像數據集之一。我每天花幾個小時眯著眼睛看著衛星圖像，看著成千上萬的物體，並試圖區分推土機和拖拉機之間的微小像素差異。
數據是人工智慧的生命，是美國軍方採用這些新技術時需要加強基礎設施的關鍵部分。但現在國防部過分關注人工智慧如何從根本上改變作戰行為，而不是那些不那麼有趣的（但更重要的）基礎設施、組織和文化變革，這些變化需要在人工智慧能夠實現之前實施。
國防部部長到普通人，都已認識到人工智慧的重要性，但對人工智慧軍事價值的認識才剛開始而不是已經完成了。人工智慧是一種革命性的支持技術，能夠改善國防部的任務，從情報收集到預測，供應鏈管理，網路安全和風險管理。但它是一種支持性技術，而不是一個獨立的武器（如同電力或內燃機一樣），人工智慧必須融入國防部運作的結構，而不是幾個相互孤立的大型曼哈頓計劃一樣的大工程。
人工智慧的應用場景固然很重要，但現在的重點應該在於放在人工智慧所需的不太性感的採集過程、組織結構和數字基礎設施，或那些驗證和維持能力。國防部知道它需要創新也知道怎樣創新，但正如2018年國防戰略指出的，它還必須推動「組織變革」。
數字價值鏈的
五個環節
人工智慧看起來可能很有意思，但進入以人工智慧為中心的軍隊的過程並非如此。國防部需要建立必要的基礎設施，有時被稱為「數字價值鏈」。鏈中的第一個鏈接是大型的、標記了的數據集，用於教機器學習模型尋找什麼。其次，部門需要一個數據存儲的雲環境和訓練演算法模型所需的計算能力，以便從標記的數據中學習。第三步是開發和操作環境，軟體開發人員與操作團隊一起工作，負責管理演算法的部署，以連續地將一小段代碼分成幾個部分，而不是一次性地大量地執行。第四，由人工智慧專家、終端用戶(作戰人員)、用戶體驗/用戶界面設計人員和來自國防工業基地的系統集成商組成的小型跨職能團隊應該一起工作，執行「衝刺」：在完成特定工作並進行評審之後，再進行下一個迭代或衝刺。其中一個很好的例子就是Project Maven，它使用計算機視覺模型來檢測和識別無人機拍攝的全動態視頻中捕獲的物體。第五是整個國防部的文化，重視原型和裝備能力，而不僅僅是實驗室研究。
1）標記的數據集
今天的大多數模型需要大量的標記數據（即圖像由人類標記，具有機器「學會」識別的「基本事實」，當它看到類似數據時它可以正確預測）。具有更高質量數據的一般模型，可以比質量或數量相對較少的高級模型表現更好。在上個月，Connor McLemore和Hans Lauzen指出數據標籤成本又高又耗時。我同意這一點而且我知道這是來自一線人員的聲音。
但我們不應將數據標籤視為一種挑戰，而應將其重新定義為一種機遇。美國國防部已經擁有了大量的數據，並投入了數十萬美元和多年的時間來培訓數據標籤員：聘請具有系統專業知識和實踐的技術人員。美國海軍的聲納技術人員正在標識來襲的聲波信號，以區分俄羅斯潛艇和鯨魚。空軍圖像分析人員標識出東歐的民用車輛和裝甲運兵車。這是一種數據標記形式。問題不在於部門不能標記數據，而在於幾乎沒有一種人工智慧可以製作數據標籤。
2）雲環境
如果無法將其保存在可以安全訪問的地方，那麼世界上所有標記的數據都沒有用。在近600個人工智慧項目里，很少有不做出原型而僅憑早期研究就能成為長期在案項目的。人工智慧在政府實驗室的工作是至關重要的，它商業部門迅速取得的進展是一種補充。但不同之處在於，商業公司能夠將其研究部署並實施下去。谷歌和Alphabet前董事長埃里克?施密特(Eric Schmidt)今年4月對國會表示，「任何未能實現全局級雲計算的軍隊，都無法深入思考如何在未來的衝突中獲勝。」
五角大樓可能會遵循情報界的例子來尋求雲解決方案，以允許其各個機構共享和使用外部數據流並建立彼此的研究，而不是每個組織重複基礎研究和開發。該解決方案應該從信譽良好的AI或技術公司，而不是傳統的國防承包商處獲得。2017財年國防部花費在人工智慧，大數據和雲計算上的74億美元中的大部分用於承包商。而不是人工智慧領導者谷歌，亞馬遜，蘋果，英特爾和微軟。
3）敏捷的軟體開發環境
培訓人工智慧模型需要一個存儲數據和訪問計算能力的地方，以使用該數據來訓練模型，雲計算環境提供了這兩點。但同樣重要的是，它可以實現快速創建和部署以用戶為中心的產品所需的敏捷開發流程和文化。如果沒有這樣的流程，部門將無法在整個計劃的開發過程中找到並修復缺陷，或者適應用戶不斷變化的需求。國防部的反突發威脅挫敗聯合組（Joint Improvised-threat Defeat Organization）和空軍的凱澤爾項目（Project Kessel ）都成功地實現了雲環境：通過軟體開發人員和作戰人員之間的動態持續的協同，快速連續地交付軟體。這種敏捷軟體開發、部署和維護的文化應該被複制到其他的國防部的機構和項目中，以允許更多的團隊使用AI來解決他們的問題。
國防部在招聘頂尖AI技術人才方面遇到困難已經不是什麼秘密了。然而並不是低工資嚇跑了有才華的工程師。頂尖人才會被最困難的技術難題所吸引，而國防部就面臨著最困難的技術難題，這些難題需要世界頂尖的專家，使他們至少能夠在短期內投身其中。問題是現在國防部無法提供這些工程師所需的必要工具（雲，標記數據，敏捷開發和操作方法以及機器學習基礎設施）。
4）集成團隊或者類「Maven」的集成、迭代和擴展
國防部面臨的挑戰，與其說是在人工智慧領域取得新進展，不如說是在創造一種文化，使私營部門現有的進步能夠融入軍事項目和軍事行動。Maven項目作為美國軍方的人工智慧項目受到了媒體的廣泛關注。一個由平民和預備役人員組成的小型國防部小組與行業專家合作，將計算機視覺模型部署到作戰部隊中。軍方需要更多這樣的團隊：行業工程師、學術專家、用戶、獲取專家和系統集成商，共同開發解決方案、測試和評估它們的速度、迭代、重新部署，並最終成為長期在案項目。
然而問題仍然是如何成功地發展為長期在案項目，尤其是在這個項目失去了前國防部副部長鮑勃·沃克(Bob Work)和他的繼任者帕特里克·沙納漢(Patrick Shanahan)所掌握的監督和決策權後。如果每次整合都需要高級領導人的直接監督和支持，國防部不可能將AI能力整合進數十個長期在案項目。技術解決方案是存在的，但促使它們蓬勃發展的意願並不存在。
5）文化
改變部門的思維方式將是最困難的一步：從大型，長期，孤立的「煙囪式」項目到更小，更快，更協作的敏捷方法；從長達幾年的聯邦採購法規簽約到快速簽約其他交易機構，從允許小修小補到大刀闊斧的改革，這超出了人工智慧的技術含義。國防部有一種管理文化但不是一種進取的文化。我們自認為美軍是當今世界最偉大的軍隊，卻無法做出改變以確保未來我們是最偉大的軍隊。
採取人工智慧的整體軍事努力需要新的思維，這反過來又需要教育軍事人員達到基本的人工智慧水平，無論是技術，戰術還是戰略。戰士需要通過AI尋找問題的解決方案，項目經理必須學會快速行動並接受風險，研究實驗室必須願意加速他們的基礎研究，並採取可以使其研究化作現實的機制。最後國防工業必須學會把那些提供新穎服務的小快靈公司視為機遇而非威脅。
結論
國防部的位置不是很有利。這是一個沒準備改變但卻急需改變的組織。而需要改變的不是一個華而不實的標題或新的創新部門，它是一種新的運營結構：技術和文化。國防部不管是打算僅在物流和情報收集中使用人工智慧，或是打算有一天將其無縫集成（如內燃機，電力或計算機一樣）進入所有軍事任務之中，它必須首先建立一個基礎。這不僅意味著利用人工智慧的數據，存儲和計算能力的技術支柱，而且還意味著遠離緩慢，過時的文化。
人工智慧種族難以接受的事實是：如果美國輸了，那將是它自己導演的。美國的科技產業是世界上最具創新力的產業，並且已經解決了許多軍方試圖採用的人工智慧案例。技術解決方案是存在的，但採用它們的意願卻不存在。美國不僅需要研究，還需要原型和集成最先進的技術，才能使人工智慧超越報紙頭條，走向未來戰場的勝利。
TAG:學術plus |