浅析美国人工智能

美国的人工智能战略布局与发展格局系统性强、步骤清晰，对洞悉世界人工智能发展最新动向具有十分重要的现实意义。

1.美国人工智能的发展

当前，全球人工智能领导地位争夺赛已进入白热化阶段。近年来，英国、法国、德国、加拿大、日本、印度、新加坡等国陆续发布了人工智能战略，积极推动人工智能研究开发和产业应用。随着现代科学与技术的迅猛发展，机器的算力、算法和海量场景数据等方面获得重大突破，使人工智能重获新生，呈现出井喷爆发之势。尽管美国因最早运用大数据、云计算、物联网等先进技术在数字经济领域占据领导地位，但美国要在人工智能领域中保持领导力，还需要根据自身的政治经济军事的发展需要而制定相应的人工智能战略。

1.1 美国人工智能战略性政策

美国联邦政府先后出台多个重要的报告文件，引领和助推人工智能国家战略发展。2016年，奥巴马政府针对人工智能发展现状、应用领域以及社会公共政策问题，在10月推出了《为人工智能的未来做好准备》，之后发布《国家人工智能研发战略计划》提出优先发展的人工智能七大研发战略及两大建议，2016年12月在《人工智能、自动化与经济报告》文件中对人工智能驱动的自动化对美国就业市场和经济的影响以及建设性的政策回应等方面进行系统研究与深入分析。2019年2月，特朗普总统签署了《保持美国在人工智能领域的领导地位》，启动了美国人工智能倡议行动，标志着美国正式将人工智能上升为国家战略。特朗普政府强调，要继续保持美国在人工智能领域的领导地位，就必须齐心协力促进技术和创新的进步，保护美国的技术、经济安全和国家安全，加强与外国伙伴和盟国之间的合作。2021年3月1日，美国人工智能国家安全委员会(NSCAI)向国会递交了一份长达756页的建议报告。该报告的主要建议包括为美国人工智能领域的发展设定2025年目标，以实现“军事人工智能准备就绪”;在白宫成立一个由副总统领导的技术竞争力委员会，帮助提升人工智能在各个领域的地位并大力培养技能人才等。

奥巴马、特朗普和拜登政府的人工智能国家政策虽有所侧重，但总体上呈现承前启后的关系，都强调保持美国在人工智能领域的领导地位，通过汇集资源优先推动人工智能研发，促进国家经济繁荣，加强经济安全与国家安全。

1.2 推动人工智能的军事化应用

美国政府认为，人工智能将影响到国防部的每一个角落，包括人员招聘培训、行动实施、武器升级、设备维护、医疗保健等许多方面。人工智能将改变作战方式和未来战争的特点。通过开发人工智能的潜力来全面转变国防部的职能，美国联合部队能够更好地保护美国军人、公民、盟友和伙伴的利益，并提高部队的行动能力和效率。为了维护美军在人工智能领域的领导地位，国防部将努力推动人工智能的技术进步和实际军事应用。

美国国防部十分重视人工智能对关键任务的支持。美国政府认为，人工智能对于美军增强态势感知能力、提高操作设备安全性、实施预测性维护和简化业务流程意义重大。人工智能的图像分析能力可以从大量原始数据中提取有用的信息，增强军事指挥官的态势感知能力和决策能力。人工智能可以帮助指挥官选择最佳行动方案，从而最大限度地降低部署军队的风险。通过警告操作人员潜在的危险，人工智能可以增强在复杂情况下人类操作飞机、舰船和车辆的安全性。人工智能可以自动预测关键军事部件的故障，并根据相关数据和设备状况提供维修保养方案。这不仅可以预防因设备突发事故而影响军事行动，而且可以优化零部件的库存水平，有利于指挥官以较低的成本快速部署部队。

1.3 人工智能相关人才培养

各国间的人工智能竞争，核心是人才存量与人才质量竞争，这涉及人才培养能力、人才培养水平和各类人才的持续输出能力。当前，各国都缺少高水平、领军型的人工智能人才，如何在短时间内培养出高水平人工智能人才，是各国正共同思考的问题。美国的人工智能政策中，将专业人才培养和人才队伍打造持续作为重点任务，通过资金扶持、研发投资、平台建设等措施加以支持。2019年发布的《维护美国人工智能领导地位的行政命令》要求，提供教育补助金被视为现有联邦奖学金和服务计划的优先事项，提高传统意义上在计算机及相关领域中代表性不足群体的参与度，培养跨学科和技能类别的人工智能研发人员的专业人才等。同时，美国提出了“全方位培养一批多元化、有道德的人工智能队伍，维持美国领导地位”的人才培养目标。

2.美国人工智能的问题

2.1 现场智能性没有解决

所谓现场智能性就是将自主系统嵌入环境中，具有感知或测量环境的能力，能够评估态势，思考态势，做出决策以达到目标，然后对环境采取行动，从而形成一个反复和交互式的“观察/思考/行动”闭环。能够使用几种不同的“思考”模式来解决问题(例如，评估、推理和决策)，从低级别规则到高级别规则的推理和规划，取决于问题的难度，具有足够的灵活性来处理意外情况。

现场智能性能够适应当前的关注重点，即增强人类表现和减轻任务等级、任务时间、环境等相关的压力下的人类限制因素。Johnson在2013年提出感知-评估-增强(SAA)，感知人类的身体、生理和心理状态，考虑特定任务目标下的人类情况，根据绩效目标评估整理的状态，通过各种方式，包括人机交互、决策辅助甚至生化增强剂的变化，基于所评估的状态来增强人类的各种能力。显然，如果适当增强人类能力，那么就应该减少压力源的影响，因此对人类状态的最终感知和评估应该反应这一点，随着时间的推移仅需要较少量地增强人类能力，这个过程的闭环特性很清晰明了。

2.2 人机信任机制问题还在路上

信任是一种基本的社会心理学概念，并且是自主之外许多领域的关键因素，包括人际关系、经济交流、组织生产力、跨学科和跨文化合作，以及电子媒介交易。信任有许多不同的定义，被广泛引用的定义是，一方的意愿容易受到另一方的行为的伤害，因为期望另一方对信任采取特别重要的行动，而不管是否有能力去监督和控制这一方。自主系统解决方案的透明度和可追溯性低，根据假设条件，考虑使用的数据、推理方法等方面因素，自主系统缺乏“解释自己的能力”，自主系统很难证明其解决方案集的合理性，进而获得人类的信任。系统缺乏自我意识和环境意识，自我意识包括自主系统的健康和部件故障模式，环境意识包括环境压力或敌方攻击。两者都可能在不知不觉中影响性能和熟练性，并夸大基于自主系统的解决方案在其名义“工作范围”之外的置信度。

认知一致性和认知透明度有利于增进人机协同的可信赖性，认知一致性是指自主系统和人类在潜在的认知表征和认知过程中具有一致性的程度。它在某一个体内部的认知或心理一致性概念以及当该个体必须处理认知失调时出现的问题延申。缺乏认知一致性会影响人类对自主系统理解当时态势并采取行动所做的共同意义构建以及随后的信任。这种方式类似于人类在相似态势下的行为。认知透明度指的是即使没有多少认知一致性，自主系统所采取的推理和行动对人类而言仍然是可以理解的。透明度为人类提供了一种跟踪和验证自主系统所做评估和推理的“审计轨迹”手段，并且即使自动自动解决问题的方法与人类方法不同，也将有助于建立信任。

2.3 人机混合智能问题没有突破

当人和系统共同完成一项共同的任务时，如果对共同目标、任务约束、角色等的理解不足，那么就可能导致任务执行过程中，人机决策功能分配的不协调。任何人机系统不协调的实质问题在于如何把握“变”和“好”，而不是“快”和“演”。否则人不是人，机不是机，环境不是环境，各自的优点都没有发挥出来，该变的时候不变，不该变的时候乱变，另外人机混合的方式、时机、功能等应该是恰如其分的“好”，不早不晚、不快不慢，才能发挥出各自的优点，实现最优匹配，在开放的真实环境下，由此而产生的智能程度和主动效力才能最大。

人机混合智能中的功能分配是分工的一部分，另外一部分是能力分配。功能分配是被动的，外部需求所致;能力分配是主动的，内部驱动所生。在复杂、异质、非结构、非线性数据/信息/知识中，人的或者是类人的方向性预处理很重要，当问题域被初步缩小范围后，机器的有界、快速、准确优势便可以发挥出来了;另外，当获得大量数据/信息/知识后，机器也可以先把他们初步映射到几个领域，然后人再进一步处理分析。这两个过程的同化适应、交叉平衡体现的就是人机有机融合的过程。

美国人工智能领域在上述几个人工智能关键问题方面依然没有大的进展，所以没有得到期望的应用效果。所以其研究核心——人机混合智能和态势感知机理相对模糊、机制较为混乱，由此而产生的智能只描述了事实性计算，缺失了人的情感性、价值性和责任性。如人的智能千差万别，能够实现高效人机协作的智能系统最可能的是个性化的智能系统。“个性化”的智能系统不是简单的机器对人习惯的适应和迁就，而是应该建立一种人机沟通的框架和机制。如DARPA的智能辅助决策系统的决策建议有可能是对指挥员思路的补充，也有可能与指挥员的指挥风格完全相反，通过不断实践磨合获得多次反馈，人机混合决策能力获得迭代发展，最终实现个性化的辅助决策系统，达到人与机器的最优匹配。

3.美国人工智能的未来趋势

3.1 可解释性人工智能

可解释性的实质是小数据信息的知识化，也是人类学习的秘密。人工智能方法发展至今，其取得的一系列重要突破归根溯源为挖掘并应用了大量蕴含人类经验的知识库。然而，针对很多典型应用，实际可采集数据的数量与质量都无法满足深度学习任务的需求，导致在学习实际复杂系统关键行为时的模型往往不具备可解释性。近年来，深度学习推动了人工智能的跨越式发展，但技术上由于所构造的神经网络参数众多、层级结构复杂、参数间深度耦合，导致神经网络的训练学习过程、网络层的构造机制、参数的特征属性等可靠性存疑。人工智能的目标是从数据中学习复杂系统隐含的内在规律，因此对人工智能方法的可解释性、泛化性能、可重复性等深入研究是当前世界人工智能发展的核心关键科学问题，美国也没有大的突破。

现有人工智能是基于先验经验和统计模型进行数据预处理和建模分析的，其数学本质是基于统计的线性化动态建模与分析，大数据分析和人工智能学习过程是通过统计模型或线性化动态模型的演化与优化，刻画或逼近原复杂系统的性质和行为。传统人工智能发展的瓶颈根源于其基本理论框架是基于统计与动态线性化的建模思想，如机器学习、深度学习等技术都属于这一范畴，很多针对非线性的探索虽然取得了一些进展，但均无法突破上述框架。

3.2 人机混合智能

人工智能只是人类智能可描述化、可程序化的一部分，而人类的智能是人、机(物)、环境系统相互作用的产物。人机功能/能力的匹配分级可按全部人工、人主机器数据性辅助、人主机器规则化计算性推理辅助、人主机器概率化计算性推理辅助、人主机器弱判定性辅助决策、人主机器强判定性辅助决策划分，但无论如何在人机系统中人始终处于主导地位，即全过程人主机辅，以免造成系统失控的局势。

人机混合智能机制机理的难点：算计的机理、智算(计算计)的机制、人机混合中信任、理解、意图、适应等基本概念的定义、人机混合智能中功能与能力的划界、适配、智算(计算计)关键在于如何实现计和算的辩证统一(而对于反计算计方面，反计可以悖论矛盾，反算可以无穷循环)、态势如何互生/感知如何共融、如何学会像敌人一样思考并做出客观的判断和推论。

美国通过自上而下的政府政策(如防务政策)和自下而上的企业创新生态系统(如反垄断法)，保持其在人工智能领域的全球领导地位。在价值引领方面，美国强调人工智能技术必须反映美国核心价值观，如自由、人权保障、法治、体制稳定、隐私权、尊重知识产权和人人有机会追求梦想等。这就要求人工智能技术是可理解的、可信的、健壮的和安全的，并且考虑人工智能对社会更广泛的影响;在参与主体方面，联邦机构、学术界、私营部门创新者和非营利组织等发挥着其独特和必要的作用，同时这些利益相关者互惠合作，产生积极的协同效应;在数据资源方面，美国的政策是扩大专家获取高质量、有效和完全可追踪的联邦数据、模型和计算资源，用于联邦资助的人工智能研发，提高美国人工智能专家的竞争力;在人机协同方面，强调人工智能系统对人类能力的补充与增强作用，通过“替代、增强、修改、重塑”等方式为人类赋能;

4.1 全面加强人工智能基础研究

根据人工智能基础研究投入大、周期长、风险高的特点，从团队组建、支撑平台、经费投入、运行机制和政策保障等方面，紧紧围绕经济社会发展和国家安全的重大需求，集中力量攻克一批AI 相关的重大科学技术问题，实现前瞻性基础理论研究、引领性原创成果重大突破。要突破应用基础理论瓶颈，重点瞄准应用目标明确、有望引领人工智能技术升级的基础理论方向，加强大数据智能、跨媒体感知计算、人机混合智能、群体智能、自主协同与决策等基础理论研究。要布局前沿基础理论研究，针对可能引发人工智能范式变革的方向，前瞻布局高级机器学习、自主智算系统、量子智能计算等跨领域基础理论研究。

4.2 打造高质量发展的人工智能生态系统

人工智能生态系统是由核心价值、管理体制、参与主体、文化制度、产业应用、数据资源、支撑平台等要素构成的具有自我调节、协调发展的动态开放系统。所谓高质量发展是指通过系统要素之间的相互作用、相互协调、相互配合，共同促进每个系统要素和整个生态系统朝着“更高质量、更有效率、更加公平、更可持续”的发展。为了加快人工智能与经济、社会、国防深度融合，需要构筑知识群、技术群、产业群互动融合和人才、制度、文化相互支撑的生态系统。

4.3 加强人工智能多方融合发展

不断深化人工智能技术的多方融合发展，希望主导未来与许多传统的高新技术不同，人工智能技术的最新一次发展高潮始于民用领域，并逐渐由民用领域转向军事应用。目前，掌握最前沿人工智能技术的机构基本都是民间高新技术企业，尤其是从事互联网服务的企业，如谷歌、IBM、微软、亚马逊等公司。在这种情况下，不能只依靠军方的研究。发达国家希望把这些技术长期控制在自己手中，阻碍技术扩散来主导新一轮的科技革命。基础较差的发展中国家将越来越少地获得参与国际竞争和世界生产的机会。

4.4 其它建议

第一，人工智能顶层设计至关重要。

第二，未来人工智能科技战略的快速发展面临的一个关键是人机环境系统的协调发展，这里的“人”不但是指人工智能领域的专业人才，还将涉及更多的复合性人才;这里的“机”不但是指人工智能机器中的软件、硬件，还将涉及更多专业/行业/领域之间协同的机制机理，其中人工智能基础机制理论的理论的突破将是各国关注的重点热点;这里的“环境”不但是指人工智能领域的研发环境，还将涉及更多领域的“政用产学研商”合作创新系统环境。

第三、破除五唯，实事求是，以人为本，建立真正的复合型人才/团队的选拔、培养、发展生态;在人工智能、计算机、自动化、人文社科等相关专业设立相关智能通识课程;鼓励相关企业进行相关培训、常设岗位招聘、产品预研介入等。

第四、人工智能产品或系统是人机环境系统的协同发展，而不是单一的人工智能产品或系统的生产或制造，同时还要分清自动化与智能化的区别，排除人为的智能化现象。

第五、伦理及价值观在智能科技研究中的现实困难是利益与约束的矛盾(如人脸识别使用中个人隐私与公共安全的平衡)、解决方案为建立东方伦理道德与西方法律法规融合的理论体系，取长补短，相得益彰，实现伦理事前预防与法律事后惩戒相结合制度生态。

第六、未来人工智能的发展将不再是某个国家的事情，而是全球命运共同体的齐心协力，力争打破“围剿”，建立人类命运共同体新秩序。