精品伊人久久大香线蕉,开心久久婷婷综合中文字幕,杏田冲梨,人妻无码aⅴ不卡中文字幕

來源：本文轉載自「藍海星智庫（SICC_LHX），作者：周智偉

深度學習是機器學習乃至人工智能領域最熱門的研究方向，能大幅提高機器從歷史數據中學習規律，對新樣本做分類或者預測的能力。隨著深度學習技術近年來快速發展，美軍將深度學習作為智能技術重點，在不同軍種布局，多方面促進其發展和應用。2017年4月，美國國防部宣布建立“算法戰跨職能小組”，加速推動人工智能、大數據和機器學習等技術的應用，意圖全面提高裝備智能化程度和自主決策能力，為戰斗力生成增加新因素。

以機器學習為代表的智能技術自誕生之日起，就受到了美軍的關注。上世紀60年代初，美國國防部高級研究計劃局（DARPA）（當時為ARPA）開始介入機器學習研究，并很快成為該領域的主要研究機構。到20世紀70年代中期，DARPA的研究成果推動了機器學習在自動語音識別和圖像理解方面的應用。如70年代初啟動的語音識別研究計劃（SUR），研制出Hearsay-Ⅱ及HWIM兩種較成功的技術，實現較高的識別準確率；80年代開發的Sphinx、BYBLOS、DECIPHER等一系列語音識別系統，已經能夠識別連續的整句。

美軍對智能自主技術的期望是應用于無人系統，實現無人系統自主作戰。1976年，DARPA開始圖像識別（IU）項目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。20世紀80年代，DARPA在地面無人車的研制中投資研究輪式車輛的控制技術，并在90年代后，同國防部聯合機器人計劃（JRP）一起資助相關車輛控制技術的研究。2001財年，DARPA啟動PerceptOR項目，開發新型無人車用感知系統，保證無人車在各種戰場環境和天氣條件下使用。

PerceptOR項目環境識別、建模、路徑規劃流程

DARPA20世紀80年代研制的地面無人車

深度學習概念自2006年一經提出，DARPA就迅速跟進，并將其作為重點發展的智能自主技術。目前，DARPA在謀劃深度學習未來發展的同時，主要圍繞深度學習在圖像識別、自然語言處理、決策輔助等方面的應用開展基礎研究，解決其應用的一些基本問題。

（一）解決應用的基礎問題

在圖像識別方面，2010年3月，DARPA啟動“思想之眼”（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；同年8月，啟動“洞察”（Insight）研究項目，對圖像和非圖像傳感器數據進行自動化人機集成推理，以便提前預知和分析對時間敏感的潛在威脅。

在自然語言處理方面，DARPA于2008年11月啟動了“機器閱讀”項目，旨在對自然文本（報告、電子郵件等）進行處理，方便作戰人員閱讀，減輕作戰人員的任務負荷。2012年5月，DARPA啟動“文本深度探索與過濾” ( 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、有實際價值的特征信息，同時還要具備可將處理后的這些信息進行進一步整合的能力，在此基礎上，將這些技術用于作戰評估、規劃、預測的輔助決策支持中。

在決策輔助方面，2007年DARPA提出“深綠計劃”，旨在開發“從數據到評估再到決策”的自主輔助決策系統，提高指揮官在戰場進行決策的速度和質量，然而由于計算機對戰場數據的理解處理能力還遠達不到人的認知水平，“深綠計劃”遇到了大數據智能處理方面的瓶頸。

在大數據處理與深度學習融合方面，2009年DARPA進一步啟動了“深度學習”研究計劃，嘗試采用深度學習方法，從戰場獲取的大量無標簽的聲音、視頻、傳感器和文本數據中抽取更多隱藏的有用特征，并將其用于模式識別和特征分類、挖掘關聯關系、監測異常、描述事件的時間關系等。2012年3月，DARPA開始實施的XDATA 計劃，旨在開發用于分析大量半結構化和非結構化數據的計算技術和軟件工具。

（二）推動深度學習技術發展

2006年，DARPA開展“綜合學習項目”（ILP），計劃運用專業領域知識和常識創造出一個推理系統，能像人一樣學習并可用于多種復雜任務，顯著擴展機器學習的任務類型，為研制執行復雜任務的自動系統打下基礎。2008年，DARPA提出“運動學習機器人”（LLR）項目，開發新一代的學習算法，使無人控制的機器人成功穿越大型的、不規則障礙物，并通過不斷積累經驗，使機器人自主學會克服比人為編碼設定的更加復雜的實際地形。2013年，DARPA啟動“先進機器學習隨機規劃”（PPAML）項目，致力于構建智能學習機器，使其能從不確定的信息中理解數據、分析結果、推理關聯關系。2017年3月，DARPA啟動“終身學習機器”項目，旨在發展類似生物智能的具備自主持續學習能力的機器學習技術。

（三）探索與應用的結合

在基礎研究開展的同時，DARPA積極探索深度學習技術在武器裝備上的應用。2011年1月，啟動“自適應電子戰行為學習”（BLADE）項目，通過開發新算法和技術，使電子戰系統能夠在戰場上自主學習并對抗新的干擾威脅。2012年7月，啟動“自適應雷達對抗”（ARC）項目，研發可識別、描述及適應先進復雜雷達的電子戰能力，利用機器學習算法對敵方雷達正在進行的活動實時學習。2015 年7月，DARPA 與美國空軍研究實驗室（AFRL）支持深度學習分析公司開展“對抗環境下的目標識別及適應性研究（TRACE）”項目，旨在借助機器學習新算法、低功耗移動計算架構（多核SOC 系統、多核GPU 和FPGA 等）和雷達信號建模方面的最新技術開發一種準確、實時、低功耗的雷達目標識別系統。

美軍為加快深度學習技術向應用的轉變，自2017財年開始，增加三軍的深度學習科研項目。

2017-2018財年美國三軍預算中涉及的深度學習項目

目前美國三軍的深度學習研究主要集中在幾個方面：1.利用深度學習處理各種傳感器數據、大數據等，挖掘其中的有價值情報，支撐決策制定；2.利用深度學習提高人機交互能力；3.利用深度學習分析網電、電子戰的進攻模式，提高應對能力。

隨著美軍深度學習技術研發不斷向應用進展，未來美軍的裝備自主化、智能化程度的將不斷提高，促進其作戰能力的提升。