全文概覽

第2節描述了人工智能在影像學中的潛在應用，特別是要認識到從圖像分析中生成候選臨床結果以外的應用。還介紹了白皮書其他部分所提及的人員、系統和結構。第3節描述了為第2節所述的目的開發和使用人工智能時的步驟和互操作性需求。這些 "用例 "大致按時間順序組織，從數據集儲存庫的建立和運行，到數據集的準備及其在訓練和測試人工智能模型中的使用，再到訓練過的人工智能模型的打包、部署、測試和臨床使用。一個 "共同機制 "部分討論了在多個用例背景下反復出現的主題。第4節是首次對與一些關鍵實體相關的元數據進行建模，如用例中出現的數據集、數據存儲庫和AI模型。

引言

本文件是IHE放射學AI互操作性白皮書，描述了一個組織框架和路線圖，用于創建支持AI數據集、AI模型和AI應用的創建、生命周期和使用的配置文件。

1.1 影像中的AI互操作性白皮書的目的

本白皮書旨在記錄 "影像學中的人工智能 "所包含的內容，并提供一份全面的互操作性需求、問題和挑戰路線圖，以實現一個可互操作產品的生態系統，支持構成影像學中的人工智能所有過程和任務。本文使用 "影像"作為速記，旨在涵蓋所有形式的醫學影像。該文件將被IHE規劃和技術委員會用來確定構成功能概況的需求邏輯組。列舉的需求、問題和挑戰將有助于確保 "概況"的范圍正確，不會忽略那些在 "大局"中或經過更仔細考慮后才會出現的問題。有了這個路線圖，就可以更容易地選擇和適當地確定概況建議的范圍，也可以幫助確定工作的優先次序/順序。敲定一些基本的協議點可能會導致在開發配置文件時取得更快的進展。供應商和用戶將從任何程度的一致/協調中受益。白皮書并沒有描述具體的行為者或交易。這樣的定義將是后續配置文件的工作。一般來說，這里的重點是確定關鍵問題和需求，從而使概況的工作有一個良好的范圍。在此基礎上，配置文件的開發將致力于開發基于共識的可互操作的答案，以滿足這些需求。

1.2 預期受眾

IHE放射學AI互操作性白皮書的目標受眾是：

• IHE規劃和技術委員會的成員
• 創建和支持人工智能所需標準的其他標準機構的成員（如DICOM、HL7、LOINC等）。

許多試圖了解影像學中的人工智能范圍以及各種需求、問題和挑戰的用戶群體，應該會發現這份白皮書很有用（并強烈鼓勵他們提出見解），包括：

• 人工智能產品的消費者（放射科醫生、技術員、信息員、轉診/主治醫生）。
• 人工智能產品的管理者（PACS管理員、IT運營、放射科領導、健康記錄和質量團隊）。
• 人工智能產品的開發者（包括分析員和數據科學家）
• 影像產品的供應商（圖像管理器、圖像顯示器、RIS、影像模式）。
• AI產品和服務的供應商（AI Orchestrator和AI Performer產品）。
• 人工智能相關標準的制定者
• 戰略規劃成員、產品經理、研發工程負責人
• 衛生政策機構和專家、國家學會

戰爭的特點正在發生根本性的變化，這些變化對空中力量的影響尤其深遠。多域整合為空中力量和越來越多的空間力量在未來幾年內的一系列轉變做好了準備，這些轉變不僅與技術有關，而且與空軍組織和進行規劃和行動的戰略和作戰概念有關。

迫在眉睫的、不可避免的多域作戰似乎是空中力量的一個明顯的邏輯演變，它可能會引發這樣的問題：為什么我們沒有更早地沿著這些思路思考和發展作戰概念？畢竟，對優化、作戰協同和武力經濟的尋求在空中力量中是持久的。可以說，多年來，空軍及其相關部門事實上已經嘗試以某種方式或形式在多域背景下運作。然而，在整個部隊甚至整個戰區范圍內，為多域作戰（MDO）提出的早期作戰概念（CONCOPS），在多域作戰空間產生作戰協同和效果的努力是前所未有的。

諸如聯合全域指揮與控制（JADC2）這樣的結構闡述了一個作戰云賦能的未來戰爭，其中任務指揮和戰斗空間管理被有效地隱含在整個戰斗部隊中，觀察-定向-決定-行動（OODA）環路被加速到邊緣計算的速度。傳感器和通信網絡決定了空軍承擔幾乎所有傳統任務的功能能力。數據和數據流將變得比空軍傳統上對機動自由的依賴更加重要，并且有效地成為其戰略推動者。空軍力量將越來越多地與網絡而非平臺、數據而非武器系統有關。

任務的成功和失敗一直是由指揮官和作戰人員可用的態勢感知水平決定的。在新興的作戰模式中，空軍以近乎實時的速度收集、處理和利用數據的能力有效地使數據成為最大的工具和最令人垂涎的武器。收集、處理、匯總、分析、融合和傳播大量的數據、信息和知識將需要像未來有爭議的戰場上的事件速度一樣快。目前正在進行的戰爭數字化將導致在未來幾年內將 "大數據"廣泛用于作戰過程。空間領域將在實現全球范圍內連續的、有保障的和安全的通信方面發揮顯著的作用，除了更傳統的遠程監視用途外，它還被用作這種通信的運輸層。

對信息主導地位的追求將以新的和不確定的方式在物理、電磁和虛擬世界中擴展競爭的連續性。隨著空軍對帶有嵌入式人工智能（AI）工具和應用的作戰云的使用，新的風險、脆弱性和故障點將被引入。本出版物收集了來自世界各地領先的思想家的文章和見解，對多域整合和空中力量的信息優勢框架和概念的一些最相關問題提供了深入的觀點。這里的觀點和討論反映了當前對各種戰略、指揮和作戰層面的思考，讀者會發現這些思考對他們更廣泛的理解很有幫助。

這里介紹的專家展望本身既不樂觀也不悲觀，正如我們所期望的那樣，所確認的是各種新技術促成的 "飛躍"機會正在地平線上形成，但其有效利用帶來了復雜和破壞性的新挑戰。在強調其中一些關鍵的挑戰和更好地理解這些挑戰的必要性的同時，正如通常的情況一樣，沒有快速的解決辦法或現成的解決方案。然而，有令人信服的理由認為，今天所預見的眾多挑戰似乎在理論上和技術上是可以克服的，有些甚至在未來幾年內就可以克服。在未來存在的許多不確定因素中，可以肯定的是，空中力量將被徹底重新定義。

通過一系列聯邦舉措和命令，美國政府一直在努力確保美國在人工智能領域的領導地位。這些廣泛的戰略文件對美國空軍等組織產生了影響。DAF-MIT AI加速器是DAF和MIT之間的一項倡議，旨在彌合AI研究人員與DAF任務需求之間的差距。由DAF-MIT AI加速器支持的幾個項目正在開發公共挑戰問題，解決眾多聯邦AI研究優先事項。這些挑戰通過使大型的、可用于人工智能的數據集公開，激勵開源解決方案，并創造雙重用途技術的需求信號，從而刺激進一步的研究。在這篇文章中，我們描述了這些正在發展的公共挑戰，以及它們的應用如何有助于科學進步。

2019年，美國聯邦政府通過第13859號行政命令概述了一項廣泛的戰略，以確保在人工智能領域的領導地位。[1]概述了這一戰略的核心，即實現美國人工智能領導地位所需的大量研究投資。這些研究推力的例子顯示在圖1的左邊(來自[1])。聯邦政府組織，如國防部和空軍部門，開發了自己的AI戰略，以實現13859號行政命令的廣泛目標。空軍部門的一項倡議是在麻省理工學院主辦的人工智能加速器(DAF-MIT AI加速器)的開發。加速器由來自麻省理工學院和空軍部門的多學科團隊組成，以開發能夠在空軍和太空部隊以及整個社會推進AI的基礎技術。為了推動相對較新的領域的創新，并充分參與更廣泛的AI社區，加速器正在開發一系列“挑戰”問題。這些“挑戰”包括開放數據集、基準、問題定義、指標、基線實現，并解決諸如天氣預測、數據中心優化和人機界面等科學問題。并行開發多個挑戰也支持了協同活動。例如，我們能夠開發可復制的管道來發布開源數據集，提供統一的計算平臺，并利用為一個挑戰創建的數據來應對其他挑戰。

在本文中，我們描述了通過DAF-MIT AI Accelerator開發的一些挑戰，重點是當前發布的數據集和代碼庫。此外，開發超過10個挑戰問題帶來了我們所描述的一些重要教訓。除了本文中描述的挑戰之外，該團隊還在開發其他即將發布的挑戰。例如，Autonomous Flight Arcade[2]是一套人類和人工智能都可以玩的環境，旨在訓練人工智能完成受真實航空場景啟發的復雜任務。

1. 風暴事件圖像(SEVIR)數據集

充分監測和預測地球天氣對環境智能和人類安全至關重要，特別是在這個前所未有的氣候變化時期。最近，人工智能通過利用用于[4]預測的大量地球系統數據集，顯示出了提高預測性能的潛力。像GOES這樣的平臺提供的地球同步衛星數據，或者NEXRAD提供的快速更新的雷達信息，對于了解當前的天氣狀況和播種預報至關重要。然而，這些數據集的規模和復雜性往往會成為AI研究的障礙，與計算機視覺和自然語言處理等其他AI子領域不同，社區沒有很多通用基準數據集來驗證和基準化新功能。

創建風暴事件圖像(SEVIR)數據集以解決此問題[5]。SEVIR將多種不同的天氣傳感模式(包括地球同步衛星圖像、閃電探測和雷達)組合成一個人工智能就緒數據集，用于研究氣象學中的幾個問題。SEVIR包含超過10萬個事件，每個事件由384公里x 384公里的圖像序列組成，時間跨度為4小時。SEVIR中的許多事件都是根據國家環境信息中心風暴事件數據庫選擇的。

2. 數據中心面臨的挑戰

隨著AI/ML工作負載在高性能計算(HPC)中心和商業云系統的計算工作負載中所占的份額越來越大，有必要更好地理解集群/數據中心的操作。數據中心挑戰[9]旨在促進人工智能方法的創新，分析大規模數據中心監控日志，以減少能源消耗，改進調度策略，優化資源使用，并識別策略違規。

3. MagNav 挑戰

利用地球磁場進行導航已經顯示出了替代其他導航系統的可行性。商業和政府機構通過收集和存儲磁場數據作為磁異常圖，對地球進行了不同程度的精確測量。這些異常地圖的變化使導航與傳統的慣性導航系統相結合。這種技術不依賴于任何外部通信，在任何時間和任何天氣都是全球可用的[12]，而且也很難被干擾。

4. MultiEarth挑戰

地球與環境多模態學習挑戰賽(MultiEarth 2022)是首個旨在監測和分析亞馬遜雨林在任何時間和任何天氣條件下毀林情況的比賽。該挑戰的目標是為多模態信息處理提供一個共同的基準，并將地球和環境科學界以及多模態表示學習界聚集在一起，在定義明確且嚴格可比的條件下，比較各種多模態學習方法與森林砍伐估計的相對優點。MultiEarth 2022有三個子挑戰:1)矩陣完成，2)森林砍伐估計，3)圖像對圖像的轉換。我們的挑戰網站是//sites.google.com/view/rainforest-challenge。

5. 口語ObjectNet挑戰

近年來，多模態信息處理在圖像字幕和視頻檢索等問題上引起了極大的興趣和研究活動。存在各種各樣的數據集來支持這些領域的研究，這些數據集通常包括一個圖像或視頻剪輯庫，并搭配文本或語音字幕。不幸的是，許多這些數據集包含內在的偏見，這些模型在這些數據集上訓練然后學習，這反過來降低了它們在現實數據上的性能。例如，圖像字幕模型傾向于描述海灘上的人是快樂的，而圖像分類模型無法識別雪地背景外的狼。為了解決這些問題，我們創建了一個名為ObjectNet的大規模人群來源、偏差控制的對象分類數據集，它由全新圖像的語料庫組成，而不是依賴于那些已經以某種形式[19]上傳到互聯網上的圖像。接著，口語ObjectNet (SON)語料庫通過收集ObjectNet圖像的口語描述來擴展ObjectNet語料庫，并為語料庫創建一系列挑戰任務，如下所述。

6. 機動ID的挑戰

空軍繼續面臨飛行員短缺的問題，部分原因是缺乏加快本科飛行員培訓(UPT)過程所需的基礎設施和方法。“飛行員培訓下一步”(Pilot Training Next, PTN)是一個負責飛行員培訓教育的實驗項目，通過引入虛擬現實(VR)飛行模擬器[20]，進入了開展這一課題的新階段。這些模擬器的優化需要在許多方面增加訓練和測試能力，包括機動識別和評分。AI挑戰賽可以用來收集AI社區的解決方案，并將它們整合到PTN課程中。機動識別挑戰是為了從彈道數據中識別機動，以提高飛行安全和飛行員訓練。

7. CogPilot挑戰

與現有的主觀、粗糙的評估方法相比，采用量化的績效測量和生理監測對飛行員的訓練提供了更為個性化和客觀的評估。CogPilot團隊試圖開發AI算法，利用多模態生理信號預測個體的認知狀態和操作性能，從而支持飛行員訓練的個性化優化。

8. 經驗教訓

開發一項挑戰不僅僅是收集和發布數據。例如，圖7描述了AI挑戰所需的其他組件。根據我們的經驗，開發一個引人注目的問題，執行昂貴的數據管理步驟[21,22]，并提供基線實現和明確的成功指標，是吸引公眾參與的非常重要的步驟。

DAF-MIT AI加速器利用挑戰問題來公布數據，讓公眾參與，并推進機器學習科學。根據國家AI研究與發展戰略計劃，DAF-MIT AI加速器的使命是建立和建立一個持續的長期研究生態系統，以推動發現和洞察[1]。雖然重點是基礎研究，但公共挑戰加速了基礎和高級研究向可導致商業化和操作能力的應用研究方向的過渡。DAF-MIT人工智能加速器專注于兩用問題——對公眾很重要、與國防有關的問題——不太可能由投資支持的技術公司提供資金。在新的機器學習能力成熟并被證明有效之前，缺乏商業前景將導致行業[23]無法滿足關鍵需求。將魯棒性和數據增強等研究算法應用于實際問題，填補了這一關鍵空白，并加速了AI向商業化和運營集成的過渡。根據某些衡量標準，“目前使用的82%的算法源自聯邦資助的非營利組織和大學”[23]——這一衡量標準強調了開發公共挑戰問題的必要性。

我們從開發這些AI挑戰中學到了許多寶貴的經驗教訓:

開發平臺: 開發AI挑戰需要大量的計算資源(尤其是數據管理和基線算法開發)。作為一個例子，本文中列出的每一個挑戰都利用MIT SuperCloud[24]進行前期開發。開發平臺通常與部署不同，大多數項目都將其挑戰部署在公共或私有云平臺上。

數據/代碼發布: 大多數組織對開源代碼和/或數據集都有一個耗時的審閱過程。根據我們的經驗，從一開始就包括法律和合同代表對于簡化數據和代碼的初始和更新的持續發布過程至關重要。例如，概述的每個挑戰都與空軍法官倡導()密切互動，以確定任何可能延遲數據/代碼發布的法律問題。在由于數據敏感性而無法公開發布的情況下，例如在機動id挑戰中，我們開發了數據所有者可以為他們的項目定制的模板數據使用協議。

可復制流程: 根據我們的經驗，在開發挑戰過程中需要做出許多小決策。例如，對庫的依賴、支持的容器技術、具有較大上游影響的數據格式。為了提高再現性，精心挑選和選擇文檔是很重要的。

參與用戶社區: 本文中概述的每一個挑戰都有不同的科學社區。重要的是，通過研討會和技術交流，讓這個社區盡早參與到挑戰問題的發展中來。這確保了有趣的問題、相關的度量標準和準確反映領域最先進技術的基線實現。

作者：

• 加拿大陸軍陸戰中心的Geofrey Priems少校
• 加拿大國防研究與發展--作戰研究與分析中心的Peter Gizewski

引言

全世界對人工智能（AI）軍事應用的興趣正在增長。事實上，與其他一些技術進步一樣，人工智能越來越被視為軍事效力的潛在重要推動力。

毫不疑問，人們對人工智能對加拿大陸軍（CA）的影響以及其采用人工智能的可能性的興趣正在上升。關于如何以及在多大程度上可以利用人工智能來潛在地幫助實現緊密作戰應用的問題：加拿大陸軍的頂點作戰概念--"不確定性時代的陸地力量 "的實現，以及加強陸軍的五項作戰功能的實施，這些問題尤為突出。有關有效采用人工智能可能面臨的挑戰以及克服這些挑戰所需措施的問題也同樣突出。

本文對這些問題進行了初步研究。它源于加拿大陸軍陸戰中心正在進行的關于人工智能的工作，以研究和確定人工智能對加拿大陸軍和有效實現陸軍頂點作戰概念的影響。

文章概述了人工智能在軍隊采用和開展軍事行動方面所帶來的潛在好處和挑戰。然后，文章研究了人工智能對實現密切交戰的潛在影響，確定了人工智能的應用有望提高軍隊的作戰效率的領域。文章最后概述了一些必要的關鍵前提條件和做法，以確保這些工作是負責任的和有效的。

人工智能

人工智能的定義有很多，而且在不斷發展。然而，按照國防部目前的定義，人工智能是 "計算機執行與人類邏輯有關功能的能力，如推理、學習和自我改進"。 雖然沒有被普遍接受，但這樣的表述為在CA背景下討論人工智能提供了一個體制上熟悉和充分的基礎。

潛在利益

軍事組織探索、開發和采用人工智能的激勵措施是引人注目的。鑒于高速計算機（網絡速度和處理能力）和人工智能算法處理和分析大量數據的能力，其速度和準確性遠遠超過人類，聲稱人工智能系統有可能全面改變國防，這并不令人驚訝。通過作為一種提高人類和機器分析速度的手段，人工智能有希望提高數據使用、管理和態勢感知能力。對于軍隊來說，其結果很可能轉化為成本節約、改進控制系統、加快決策、新的作戰概念和更大的行動自由。

由人工智能支持的信息和決策輔助系統有可能促進在 "復雜的、時間緊迫的戰地環境 "中做出更好的決策，允許更快地識別威脅，更快、更精確地確定目標，并根據戰地條件的變化為指揮官創造靈活的選擇。應用范圍可以從指揮和控制以及情報、監視和偵察到訓練和后勤。此外，作為機器人和自主系統的骨干技術，人工智能為武器裝備的創新提供了前景，使具有相當大的軍事潛力的先進自主系統（如機器人系統和無人機）得以發展。人工智能甚至可能在部隊結構和作戰概念方面產生巨大的變化，有可能減少人員的負擔和軍事硬件的成本，同時提高戰爭本身的效率和效力。

這些技術無處不在，而且越來越多的盟軍和對手都可以使用，這一事實進一步刺激了對人工智能軍事技術的追求。就前者而言，盟國對人工智能日益增長的興趣突出表明，需要有足夠的人工智能能力來確保未來盟國的互操作性和軍事有效性。至于后者，有證據表明，對手（如俄羅斯、中國）對人工智能的軍事應用進行了持續的探索和投資，這增強了追求此類技術的動力，以檢測和防御未來越來越多的人工智能軍事威脅。

采用的限制和挑戰

然而，有效引進人工智能的先決條件是相當多的，很可能對軍事組織充分實現人工智能應用所帶來的一些可能性的能力造成限制。此外，軍隊可能不完全愿意追求人工智能技術本身所固有的一些可能性。

事實上，目前的能力僅限于執行離散的功能和學習具體的任務（如狹義的人工智能）。人工智能技術的脆弱性令人擔憂。脆弱性是指任何算法不能泛化或適應狹窄的假設集以外的條件。例如，在添加了一些位數后，一個停車標志可以被讀成一個45英里/小時的限速標志。應用于涉及過度不確定性的情況實際上可能特別危險。例如，錯誤地選擇和起訴友軍目標，如友軍戰士或民用車輛。因此，在軍事環境中，特別是在軍事行動中，對人工智能的使用限制是相當大的。面對傳來的信息可能不可靠、不完整或甚至被對手故意偽造的環境，相信這些技術提供的解決方案仍然很脆弱。

除此之外，即使在這種技術被普遍認為是可靠的領域，其開發和應用也可能是苛刻的。要求包括確保有足夠數量的數據可供開發用于啟用軍事系統的算法。它們還包括確保算法本身的質量，這一要求取決于在將人工智能納入軍事系統之前提供和有效地準備和編碼訓練數據，以及確保來自現實世界數據的有效性，其中包括邊緣案例（不常見的使用案例）。而且，它們包括確保開發和集成到軍事系統中的人工智能是可靠的（即它以預定的方式工作）。

這些要求中的每一項都可能涉及相當大的挑戰。獲取大量的訓練數據可能會遇到基于政治和法律限制的數據共享阻力，從而降低待訓練算法的質量和使用這些算法的系統的可靠性。獲得的數據可能包含種族、性別和其他源于數據準備和編碼的偏見。此外，隨著算法變得更加復雜，通過對手在訓練數據集中注入不良數據而被操縱的可能性會增加。只要存在這些挑戰，對人工智能的信任及其在軍事領域的應用就可能受到影響。

這些風險可以通過仔細的人工監督和強大的測試得到控制。也就是說，真正有效的監督需要操作者熟悉人工智能技術的細節，以及重要的系統整合和社會化，這可能很難實現。由于對技術本身的理解存在困難，有效監督挑戰就更大了。機器推理的過程不等同于人類，人工智能系統采用的邏輯也不容易理解。對于負責使用這些能力的指揮官和系統操作者來說--其中一些能力可以很好地決定生命和死亡--相信那些決策過程不透明的技術，可能是一座太遙遠的橋梁。

對加拿大陸軍的影響

這些現實表明，加拿大陸軍采用人工智能，雖然有希望，但必須謹慎行事，并對限制有一個現實的認識。無論是加拿大還是加拿大陸軍，都無法避免遇到上述挑戰。例如，人工智能技術在沒有適當人類監督的情況下越接近殺戮鏈，可能發生災難性后果的風險就越大。因此，必須注意研究或采用能夠幫助人類決策的技術。一個指示人類做什么的 "黑盒"人工智能將是不可接受的。人工智能顧問必須能夠解釋其建議/結論，以便人類能夠理解并對所提出的建議有信心。人類決策者必須能夠對人工智能所提供的解決方案向領導作出清晰和可理解的解釋。

然而，如果謹慎地追求和應用，人工智能的大部分內容通常與《近距離接觸，不確定時代的陸地力量》中詳述的陸軍要求非常吻合。緊密的作戰應用目的是應對以快速變化為特征的作戰環境的挑戰，以及廣泛的復雜的人道主義挑戰和技術能力越來越強的對手，他們能夠使用一系列機動性越來越強的致命和非致命系統以及精心設計的反措施。應對這些挑戰在很大程度上取決于確保獲得必要的信息和分析的能力，以便比對手更快地了解和調整不斷變化的條件。作為一種先進的信息處理方法，人工智能可以提供一種重要的手段，通過提供比人類更快、更準確地處理和分析來自越來越多來源的數據來幫助滿足這些需求。因此，人工智能可以作為一個重要的決策輔助工具，使個人和共同的理解得到發展，這對于確定潛在的作戰方案，優先獲得、處置和使用軍事資產，以及提供及時開展行動所需的數據、信息和可操作的情報至關重要。

除此之外，人工智能甚至可能有助于加強陸軍所依賴的網絡安全。"能夠遠距離運行的高容量網絡為軍隊行動的開展提供了顯著的優勢。事實上，一個安全和強大的網絡是確保快速、安全地分發有效開展軍隊作戰所需的數據和分析的核心。通過開發能夠防范網絡故障、電子戰和網絡攻擊的算法，人工智能可以更充分地確保軍隊能夠 "獲得網絡的優勢"，從而以更安全、協調和協作的方式開展行動。在諸如互操作性、力量生成、力量投射和維持以及開展分散行動等方面的改進，都可能因此而受益。

自始至終，隨著人工智能技術被推向戰術邊緣，將有必要確保有足夠的電力（能源）來支持它。除了網絡，先進的電源管理和電池技術將是至關重要的。

圖：加拿大國防研究與發展部-瓦爾卡蒂爾項目的數據收集工作，該項目被稱為聯合算法戰機傳感器。該項目是較大的加拿大陸軍科學和技術組合的一部分，即數字時代的授權分布式作戰。

工業人工智能 (AI) 是人工智能在工業中的應用，是第四次工業革命中價值創造的主要貢獻者。人工智能正被嵌入到廣泛的應用程序中，幫助組織獲得顯著的利益，并使他們能夠改變向市場提供價值的方式。

? 本文檔為支持人工智能的工業物聯網系統的開發、培訓、文檔編制、通信、集成、部署和操作提供指導和幫助。它面向來自 IT 和運營技術 (OT)、來自多個學科的業務和技術的決策者，包括業務決策者、產品經理、系統工程師、用例設計師、系統架構師、組件架構師、開發人員、集成商和系統操作員。

該文檔圍繞 IIC 工業互聯網參考架構中的架構觀點構建，即業務、使用、功能和實施觀點。該文件討論了推動人工智能采用的商業和價值創造考慮因素。它還詳細闡述了人工智能的使用、工業用例以及與之相關的道德、隱私、偏見、安全、勞工影響和社會問題。在技術方面，該文檔描述了與 AI 相關的架構、功能和數據注意事項，并討論了各種實施注意事項，例如性能、可靠性、數據屬性和安全性?。

人工智能的采用將在行業中加速。鑒于計算能力的快速增長、可用于訓練的數據的更廣泛可用性以及算法的日益復雜，人工智能技術將繼續發展。當前的 IT 標準和最佳實踐必須不斷發展，以解決 AI 本身的獨特特征以及與 IIoT 系統的安全性、可靠性和彈性相關的具體考慮因素。此外，人工智能技術的日益成熟將幫助人們認識到它的好處遠遠超過它的風險。 AI 標準生態系統也將繼續發展，例如 ISO/IEC JTC 1/SC42 正在進行的標準工作，為 JTC 1、IEC 和 ISO 委員會制定 AI 標準提供指導。

基于這些趨勢，毫無疑問，人工智能將繼續推動技術和功能上的可能性，因此預期合理的事情將同樣發展。對技術的態度和對其使用的商業期望也將繼續發展。

未來，我們可以期待使用人工智能技術成為常態，而不是例外，考慮到這項技術的社會效益，“不使用人工智能”最終可能會成為不負責任的做法。

6G技術將代表著通信網絡的發展，今天介紹的是來自MITRE 公司的技術報告“6G AND ARTIFICIAL INTELLIGENCE & MACHINE LEARNING”。

1G到6G蜂窩網絡的演進及代表性應用

隨著第五代 (5G) 技術部署率的提高和標準繼續趨于穩定，研究人員已將注意力轉向 6G。新的用例和潛在的性能不足，已經引發了研究熱潮。早期工作集中在關鍵基礎研究上，這些研究將支持下一代通信網絡的目標目標，例如 1 Tbps 峰值數據速率、1 ms 端到端延遲和長達 20 年的電池壽命。

為了支持這項研究，國際會議如雨后春筍般涌現。例如，6G無線峰會和6G研討會，其中幾個關鍵研究課題已經開始上升。主題包括太赫茲通信、量子通信、大數據分析、無細胞網絡和無處不在的人工智能 (AI)。

6G系統架構的潛在愿景

本文關注無處不在的人工智能，它有可能徹底塑造新的 6G 網絡。為了實現更快的速率和更低的延遲性能增益，將需要一個高效的網絡。網絡必須在干擾豐富的環境中動態分配資源、改變業務流和處理信號。

Pervasive AI 是完成這些任務的主要候選者。通過優化網絡和設計新波形，人工智能和機器學習 (ML) 將作為 6G 技術的推動者發揮重要作用。討論和研究已經集中在將 AI 應用于擬議網絡的各個部分，可以通過將 AI 應用程序映射到標準開放系統互連網絡層模型來最好地總結這一點。包括物理、數據鏈路、網絡和應用程序在內的所有層似乎都是早期的研究目標。

動態安全和網絡切片管理的新方法也在考慮之中。所有這些推動力都在朝著智能生態系統發展。此外，6G 技術本身將推動 AI/ML 的進一步發展，例如通過有效傳輸（AI/ML）算法來利用 6G 傳感器的本地數據。盡管處于開發的早期階段，但 6G 顯示出潛在的進化變化，有望豐富用戶體驗并實現新的用例。

OSI層模型中的AI/ML用例

【結論】

6G技術將代表著通信網絡的發展，該技術計劃提供具有持久信息共享的完全沉浸式連接。預計用戶數量、數據類型和用例都將推動開發6G技術的需求。隨著關鍵研究領域的出現，一些全球會議正進入第二年。目前正在討論的領域包括太赫茲通信、量子通信和普適人工智能，以及增強現實、全息臨場感和電子醫療、工業4.0和機器人等廣泛的使用案例，以幫助推動6G目標的關鍵性能指標。

人工智能和機器學習(ML)將在6G網絡的發展中發揮重要作用，因為6G網絡需要快速優化用戶服務質量、網絡安全和物理定律之間的競爭利益。因此，作為商品的數據將變得更加重要，價值是通過數據創造、數據消費，以及最重要的數據信息內容來產生的。數據的質量將為這個智能通信生態系統產生商品的價值。

隨著運營模式的改變、數據來源和獲取方法的發展，6G技術將極大地影響我們所有的政府利益相關者。有必要對基礎研究問題和系統級實施挑戰進行調查。在高層，我們設想著手解決四個關鍵領域:

?提高了對有限數據集中信息內容的數據的理解，并改進了用于算法基準測試的射頻(RF)數據目錄。

?跨層無線優化，通過多功能設備協調、數據共享和人工智能任務，實現大規模機器對機器通信。

?測試和評估快速算法開發和部署，以及以rf為中心的AI/ML算法診斷/監控方法。

?向全球標準機構提交貢獻，以影響6G方向，反映美國政府的要求和6G用例。

【導讀】來自蘇黎世聯邦理工學院的Afonso S. Bandeira教授撰寫了《數據科學數學基礎》新書書稿，共170頁pdf。現今在許多科學領域的實驗、觀察和數值模擬產生了大量的數據。這種快速增長預示著“以數據為中心的科學”時代的到來，這需要新的范式來處理如何獲取、處理、分布和分析數據。與此同時，人工智能的發展將給技術、科學和工業的許多領域帶來革命。本課程將涵蓋用于開發算法的數學模型和概念，這些算法可以處理數據科學、機器學習和人工智能帶來的一些挑戰。