最近由计算社区联盟（Computing Community Consortium on Artificial Intelligence, AI）发布的一份白皮书中包含了以下显著段落：“每种范式都被誉为开启了人工智能的新时代，每种范式都产生了一系列变革性应用，并且每种范式最终都被一个或多个建立在先前见解基础上的新范式所取代。这提出了一个明显的问题：人工智能研究的下一步是什么？也就是说，在当前的深度神经网络和基础模型时代之后，什么将到来？”

人们期待，在人工智能领域，新的一天将会到来。

这种期望源于一个历史以狂热期为标志的领域，当一种新技术的成功被认为是实现类人智能的关键时，这种希望却因其未能实现而受挫。正如美国国防分析研究所的罗伯特·里奇堡在2018年所写：“然而，历史表明，被高估的潜力导致了未达预期的挫折和投资回报甚微……现在正是关注这一警告的时候……这些技术的局限性……需要被那些寻求应用‘人工智能’来解决国家安全问题的人更广泛地理解。”

两种主流人工智能方法——符号人工智能（Symbolic AI，在二十世纪更为突出）和机器学习（Machine Learning，包括当今主导的深度神经网络）——中持续存在的局限性：。包括：
• 不可靠性
• 无法稳健地适应新事物
• 缺乏可解释性
• 计算、数据和能源密集型

正是人工智能赋能机器在资源有限的新情况下无法匹配人类稳健灵活性的能力，历史上导致了对其发展轨迹的重新思考。这就是先前讨论的由美国国防高级研究计划局（DARPA）在1980年代赞助的战略计算倡议（Strategic Computing Initiative）的最终结果。

然而，这些缺点并非在真空中被识别，脱离机器的用途。它们是基于机器的应用而被识别的。 因此，“人工智能走向何方？”这个问题取决于另一个问题：“当前人工智能系统在哪些应用上失败，以及它们为什么失败？”

人工智能研究由组织需求驱动

与此相对，DARPA将其理想化的人工智能“第三波”（Third Wave）标记为由上下文适应（Contextual Adaptation）组成。符合这一标准的模型是那些能够稳健处理与先前遇到的情况缺乏相似性的情况的模型。

通过这种方式，第三波人工智能系统将更好地服务于与人类作战人员协作的最终目的；增强人类能力，而非取代它。这是一个组织需求。技术研究服务于这一目的。结果是，无论人工智能研究从此走向何方，它都将参考这样的组织需求。

尽管组织在需求和优先级上有所不同，但任何试图构建适用于敏感或任务关键领域的系统的尝试都必须分配资源用于研究与资源有限情况下的稳健适应性相关的缺陷。

人工智能的可能方向

借鉴计算社区联盟白皮书的思路，人工智能有几种可能的路径。

神经符号人工智能（Neuro-Symbolic AI）：最常被引用的例子寻求实现神经和符号传统中算法和架构的深度集成。目标是融合神经网络灵活的学习和模式匹配能力与符号系统的精确性、可靠性和计算效率。此类系统通常被设想为更专业化而非通用，尽管研究人员旨在在那些专业领域内实例化出当今通用系统所不具备的复杂性和可靠性水平。国际预测（Forecast International）最近报道了在DARPA等美国国防机构进行的神经符号研究。形式化方法（逻辑、基于规则的系统）与神经网络的结合也引起了美国陆军一些人员的注意。

神经形态人工智能（Neuromorphic AI）：这种方法针对支撑人工智能模型的硬件，寻求构建具有模拟人类和动物神经组织结构的硬件。这借鉴了通过人工神经网络模拟人脑的重点，并将其应用于物理计算基础设施。 具身人工智能（Embodied AI）：现有人工智能系统是数字化的；是由具有物理、可控存在的人类利用的软件应用程序。一些研究人员将人工智能系统缺乏物理存在视为一个根本限制，这限制了它们从某些方面进行学习和理解。只有通过直接与物理世界互动，特别是能够操纵物理物体并观察这些原因的效果，人工智能系统才能获得更类似人类的智能，这种方法如此说。

多智能体人工智能（Multi-Agent AI）：当今对人工智能的许多关注是关于个体模型，商业趋势直到最近还围绕着一个单一模型越来越能够执行更多任务。然而，一些人看到了在构建一个专业人工智能智能体的协作生态系统方面的前景，每个智能体都带来独特的能力，同时相互协调和互动以实现复杂和集体目标。

注意，这些智能体的技术基础并非预先定义的；它们可能是今天讨论的“智能体”或某些尚未设计的未来技术。

国防观点

哪种人工智能方法最有前途，哪种与国防最相关？

或许神经符号人工智能（Neuro-Symbolic AI）作为领先的竞争者。神经符号人工智能在流行报道中已经获得了一种作为人工智能下一波潮流的地位。

然而，神经符号人工智能的前提是一个与国防组织高度相关的技术议程：它直接关注于减轻在任务关键情况中部署人工智能模型时最有害的障碍。这些主要涉及准确性和可靠性、在资源有限的情况下稳健地泛化到新情况的能力、可解释性（人类可解释性）和计算效率。一些学者确实将神经符号人工智能作为该领域第三波最有前途的表现形式。

此外，它以两种方式服务于国防相关目的。首先，这项研究计划并非基于一种依赖实现“人工通用智能”或类似高大上的方法。它针对的是阻碍可识别应用的具体缺陷。

其次，它利用了两个现有范式，每个范式都已经声称具有独特的能力：符号人工智能在狭窄性能保证、可解释性和计算效率方面的能力，以及神经人工智能（机器学习）在应用灵活性、可扩展性和自然语言处理方面的能力。

像美国“金穹”（Golden Dome）导弹防御计划是一个潜在的案例点。如果人工智能在导弹的（时间紧迫的）助推阶段拦截中发挥作用，它们必须在部署时具备与金穹架构其他组件接口的能力，在3分钟内提供准确的威胁识别，并由足够先进的硬件支持以进行快速数据处理等任务。

人们可以想象，最终支撑如此敏感部署的是不同技术的组合。神经符号人工智能可能赋予模型能力，例如在时间约束内并以所需的精度生成关于给定热信号是否最可能代表导弹发射的建议。

这里神经符号人工智能的一个应用是针对训练数据瓶颈——可能缺乏数据来训练神经网络识别各种类型的导弹发射，特别是在其助推阶段。在一个称为“神经符号循环”的过程中，模型用比神经网络典型数据量更少的数据进行训练，让符号组件从有限数据中提取规则，巩固这些知识，然后将其发送回神经网络进行进一步训练。规则指导学习，减少对数据量的需求。

可以肯定的是，上面列出的可能方法在某种程度上是相互兼容的，选择不是零和的。

例如，构建自主飞机——以协同作战飞机计划为例——可能会看到神经符号人工智能和具身人工智能的混合。此类飞机的飞行可能由集成神经和符号技术以控制物理对象——飞机本身——的软件管理。软件将必须本质上学习（可能带有某些硬编码规则指导这种学习）如何在服务于某些人类定义的目的（例如进行空中侦察）过程中正确操纵飞机的物理存在。所谓的军用“机器狗”是一个类似的例子。

无论如何，这些可能的人工智能方法中的任何一种都可能还需要多年的工作来巩固各自的基础。它们之间的集成，在可能的情况下，既不是可靠的也不是直截了当的。因此，人工智能在国防中的未来需要持续有针对性和长期的关注，永远不要忘记没有任何技术本身可能普遍适用。

参考来源：dsm