亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

美陸軍的現代化優先事項包括開發增強現實和虛擬現實（AR/VR）模擬，以增加兵團和士兵的準備。美國陸軍工程研究與發展中心（ERDC）對AR/VR技術的使用在軍事和民用工程項目任務領域也在增長。ERDC海岸和水力實驗室（CHL）已經開發了一個艦船模擬器，用于評估世界各地的海灣渠道；然而，目前的模擬器在近岸海岸地區幾乎沒有物理真實性（圖1）。因此，ERDC團隊正在研究推進艦船模擬的機會，以提供未來的艦船模擬器（SSoF）。SSoF將配備一個VR模式，并將通過攝取Boussinesq型波浪模型的預計算輸出來更準確地解決近岸波浪現象。SSoF應用的最初原型是用于研究和開發目的；然而，所采用的技術將適用于其他學科和項目范圍，包括合成訓練環境（STE）和未來版本的船舶和海岸結構設計。

2022 年 10 月 11 日，美國陸軍發布了一份綜合數據計劃（ADP），這是一種全軍范圍內改進數據管理以確保陸軍成為以數據為中心的組織的方法。

該計劃是一項為期三年的工作，將改善整個陸軍的數據管理、數據治理和數據分析。作戰任務是陸軍數據計劃的當前重點。ADP 在該任務領域的成果是通過進行必要的更改來確保作戰人員的數據得到正確管理和使用，從而為作戰人員提供優勢。陸軍已經開始對數據管理能力、工具和模型進行原型設計，以實現這一目標。

陸軍首席信息官 Raj Iyer 博士說：“數據以及如何在所有梯隊中整合這些數據以實現真正快速、敏捷的決策，才是真正為陸軍提供其在未來戰爭中所需的競爭優勢的關鍵。”

數據和數據分析將為 2030 年的陸軍提供動力。士兵將需要在正確的時間和正確的地點獲得正確的數據，以便在每個梯隊做出更快、更好的決策——以超越任何對手的思維和步伐。

與早期的軍事行動相比，現在的戰爭范圍更大且范圍不斷擴大。作為聯合全域作戰的一部分，多域作戰是陸軍必須準備并贏得下一場戰斗的地方。這是一個數據豐富的環境。

每個領域都有自己的信息和數據流，一些信息來自開源情報，一些來自天基傳感器，還有一些來自網絡空間。今天的士兵和指揮官需要跨領域的綜合來主宰戰場。

ADP 概述了工作的組織并提供了總體戰略目標。它側重于中期努力，未來將被另一個更新所取代。

通過陸軍數據計劃實現這一決策優勢是陸軍的關鍵目標。

1.0 總結

機器學習在商業領域的巨大成功未能轉化為高性能的軍事應用。盡管深度學習開始在一些特定的軍事任務中顯示出令人印象深刻的結果，但由于它們需要極其龐大的、有標簽的訓練集，目前的能力不能充分地發揮。軍方需要一支由人工智能和機器學習專家組成的世界級團隊，在標簽高效半監督學習、模型轉移和主動學習方面的進行必要創新，來解決實際的軍事學習問題。為了滿足這一需求，Charles River Analytics公司組建了一支由概率建模和機器學習相關領域的研究人員以及從業人員組成的優秀團隊，提供概率標簽高效的深度生成結構（PLEDGES）。

我們在概率建模和深度學習的結合點上進行了開創性的研究。概率模型有利于少標簽學習，因為與需要基于標簽的誤差函數的神經網絡不同，它們可以使用任何種類的觀察，其中可以包括標簽，但不依賴于標簽。因此，概率模型對半監督學習很有用，因為它們可以從無標簽的數據中學習盡可能多的知識，并使用少量的有標簽的數據對其進行擴充。它們對模型轉移也很有用，因為它們是用有語義的組件來構造的，這些組件可以被組合和重新應用，以便將模型有效地轉移到新領域。概率模型還通過提供精心校準的不確定性估計來直接支持主動學習，這些估計是對哪些實例進行標記的重要基礎。

為了確保概率模型的高性能，它們必須與深度學習表征相結合。我們研究了三個主要方向。首先，我們開發了結構化深層概率模型（SDPMs），它在無標簽的數據觀察上定義了結構化和無關聯的聯合概率分布。SDPMs提供了類似于神經的表征，在從少數標簽中學習的同時，具有與最先進的神經方法相媲美的性能。第二，我們致力于在大容量的概率模型實現高效和準確的算法，完成了對傳統概率模型的數量級改進，使我們能夠使用反映最先進神經網絡結構的模型。第三，我們開發了用于半監督和弱監督學習的深度學習模型的概率模型變體，包括用于少數鏡頭視覺分類和目標檢測的元學習方法，以及用于零鏡頭目標檢測的弱監督方法。

特別地，在PLEDGES項目中我們：

• 開發了概率模型和模型組件，以支持用較少的標簽學習。這些模型包括變異SDPMs和可操作的大容量模型
• 開發了從大量未標記的訓練數據和少量標記的訓練數據中學習模型的方法。
• 開發了將從通用數據集學習到的模型轉移到特定應用程序的方法，在新應用程序中使用很少的標簽。
• 開發了推薦專家標記實例的方法。

我們使用這些概率模型和方法來支持LwLL的關鍵成分：半監督學習、模型轉移和主動學習。我們能夠在SDPM和可操作的高容量模型上取得更大的進展，我們的工作表明，這兩種方法都有很好的前景，比以前的概率模型有更高的準確性和可擴展性。我們還發現，神經模型的概率公式可以帶來重大進展。我們的簡單CNAPS方法在幾張照片的視覺分類上取得了比最先進的方法（包括CNAPS）更大的進步。簡單的CNAP也構成了各種擴展的基礎，包括一個顯示出進一步改進的transductive版本。對于主動學習，我們的基礎工作產生了一套基于數據重要性的新方法，并且我們能夠展示對基于不確定性采樣的現有方法的改進。

關鍵詞：概率模型、Scruff、結構化深度概率模型、半監督學習、模型轉移、主動學習、變異方法、可分離信念傳播

2 引言

2.1 問題描述

機器學習的在商業領域的巨大成功未能轉化為高性能的軍事應用。盡管深度學習開始在一些特定的軍事任務中展現出令人印象深刻的成果，但目前由于需要極其龐大的、有標簽的訓練集，深度學習能力還未能充分發揮。與商業應用不同，大多數重要的軍事應用都有目標對象、事件或未翻譯的單詞，而這些目標對象、事件或單詞往往是新穎的，沒有大規模的真實標簽。另外，標簽的專業知識是有限的，這就禁止了從人群中創建標簽數據集。基于軍事學習的應用需要新的無監督和半監督學習方法，以實現深度學習系統的性能，但只需要10到100個標簽。此外，學習算法必須有效地利用有限的軍事專家和訓練數據，例如，通過主動識別最具代表性和最不自信的學習實例。最后，用于識別軍事目標和活動的學習模型必須具有新的組件重用級別，以通過模型重組進行適應。機器學習應用程序因其龐大的機制而臭名昭著，這些機制很難擴展，并且無法在任務和應用程序之間推廣。解決這些挑戰需要基本的新思維來超越當前機器學習的局限性，需要在標簽高效半監督學習、模型轉移和主動學習方面進行必要的創新，以解決現實世界中的軍事學習問題。

今天，基于深度神經網絡的方法在機器學習的研究中占主導地位。盡管取得了許多成功，但神經網絡有幾個關鍵的局限性，包括數據需求量大，渴望數據，需要大量的標記數據。兩相對比，這使得概率方法非常有吸引力，它需要的標記數據要少得多。概率模型有利于標簽效率的學習，因為與需要基于標簽的誤差函數的神經網絡不同，它們可以使用任何種類的觀察，其中可以包括標簽，但不依賴于標簽。因此，概率模型對半監督學習很有用，因為它們可以從無標簽的數據中學習盡可能多的知識，并使用少量的有標簽的數據對其進行擴充。它們對模型轉移也很有用，因為它們是用有語義的組件來構造的，這些組件可以被組合和重新應用，以便將模型有效地轉移到新領域。概率模型還通過提供精心校準的不確定性估計來直接支持主動學習，這是對哪些要進行標記的實例所做知情決策的基礎。

事實上，概率模型一直是無監督和半監督學習的主要方法之一，像k-means聚類這樣的方法使用得非常廣泛。然而，正如這個例子所示，用于無監督學習和半監督學習的概率模型往往很簡單；k-means本質上是就是高斯方法的混合物。過去，概率方法的性能落后于神經網絡，主要原因是難以將推理和學習的規模擴大到海量的模型中。因此，為了達到美國防部重大應用所需的實際效果，概率模型必須與深度學習方法相結合。

我們預計，我們的努力成果將在有效推斷和學習豐富概率模型的能力方面取得革命性進展，使深度概率方法最終成為在非概率深度學習在現實問題中的可行替代方法。這些進步將帶來比當前基于神經網絡的方法更好的半監督學習、模型轉移和主動學習方法。

2.2 技術方法

我們在團隊最近將概率模型與深度表示相結合的工作基礎上進行了改進。我們沿著三個平行的方向前進。

首先，我們為半監督和弱監督的學習開發了深度學習模型的概率模型變體。我們稱這些模型為結構化深度概率模型（SDPMs）。這項工作建立在最近的語言創新上，如Edward、Pyro和Probabilistic Torch，后者是由聯合創始人JanWillem van de Meent領導。這些框架使用變異方法來訓練概率模型，其中神經網絡定義了條件分布，將深度學習的靈活性與概率模型的數據效率相結合。使用這些方法的初步工作被證明是非常有效的。在每個類別只有10個標簽的情況下，我們使用概率Torch在數據集上取得了超過90%的分類準確率，例如使用美國國家標準與技術研究所（MNIST）的修改數據集進行測試。在此工程中，我們以各種方式擴展了這些方法，以獲得明顯高于其他概率變異方法的準確性。

對于第二個方向，我們為高容量概率模型尋求高效準確的算法，這些模型反映了最先進的神經網絡的結構，同時保持完全概率。該方法基于PI-Avi-Pfeffer最近的工作，該工作表明，通過使用稱為可分離信念傳播（SBP）的方法編碼有關聯合分布的信息，任何有向概率模型都可以轉換為二級模型，在該模型中，推理是按線性時間進行且準確的。深度學習的成功依賴于這樣一個事實，即大多數觀察到的數據都存在于一個可以稀疏表示的低維流形上，這為我們提供了強有力的理由，讓我們相信，對于現實世界的軍事應用來說，二級模型是很小的。因此，使用SBP的高容量概率模型可以實現與神經網絡方法類似的可操作性，同時在低標簽真實美國防部問題上擁有更好的性能。

對于第三個方向，我們對現有的非概率深度學習方法進行了概率性的重新解釋和變體。特別是，我們開發了簡單CNAPS算法，這是一種用于少數鏡頭視覺分類的元學習算法，該算法具有神經特征提取器和概率分類器，并且從具有有限標簽的數據中學習。我們還開發了一個簡單CNAPS的歸納版本，以及一個用于0-shot/any-shot物體檢測的弱監督學習方法。

我們使用在這兩個線程下開發的概率模型來提供LwLL的關鍵組成部分：半監督學習、模型轉移和主動學習。半監督學習的成功依賴于在沒有標簽的情況下學習有關領域的大部分知識，只剩下少量參數需要從標簽數據中學習。概率模型自然適合于半監督學習，因為豐富、高度結構化的模型可以單獨從未標記的數據中學習。該模型可以是一個具有多個參數的復雜網絡，這些參數可以從大量未標記數據中精確擬合，然后通過具有少量參數的薄標記層進行擴展，以從少數實例中學習。我們通過成對學習來增強這一洞察力，在這種學習中，我們比較和對比不同的數據實例，以了解它們的比較標簽，即使它們本身沒有標簽。與類標簽相比，成對比較噪音更小，信息更豐富，因此可以更好地利用稀疏標簽。在最初的工作中，我們確定，通過合并比較，我們可以在只有80個樣本的數據集上訓練和優化具有5974577個參數的神經網絡。

對于模型傳輸，概率方法允許我們組合語義上有意義的模型組件，并將其重新應用于新情況。我們在這一見解的基礎上提出了一些切實可行的想法。非參數方法通過識別不屬于任何已知類的相似實例簇，使我們能夠識別新的對象類，即使該類的標記實例為零。概率零點學習方法還使我們能夠使用輔助信息來識別沒有標記實例的類的實例。重新編程方法使我們能夠通過在應用程序之間映射概念，例如輸入、輸出和概念的內部表示，將原始模型轉移到新的應用程序。

對于主動學習，我們使用了一種基于概率模型的決策理論方法。現有的大多數主動學習工作有兩個目標：挑選最不自信的實例，以及挑選最有代表性的實例。雖然對于可以直接定義相似性度量的簡單任務，已經實現了將這些目標結合在一起，但對于大多數實際應用來說，相似性度量并不容易獲得。我們基于數據重要性的概念開發了一種新的主動學習方法，并將這些方法與SDPM相結合。

2.3 技術目標

查爾斯河分析公司（Charles River Analytics）與東北大學、不列顛哥倫比亞大學（UBC）和加利福尼亞大學歐文分校（UCI）的合作者一起，開發了概率標簽高效深度生成結構（PLEDGES），用于少標簽學習（LwLL）。我們在概率建模和深度學習的結合點上進行了開創性的研究。與需要使用基于標簽的誤差函數的神經網絡不同，概率模型可以使用任何種類的觀察，它可以包括標簽，但不依賴于標簽。我們開發了結構化深度概率模型（SDPMs），它在無標簽的數據觀測上定義了結構化和無聯系的聯合概率分布；開發了可操作的大容量概率模型，它能在大型網絡上進行快速和準確的推理；開發了概率的重新解釋和神經算法的變體。

我們對SDPMs的研究目標有三條線。首先，對于半監督學習來說，SDPM提供了類似于神經的表征，能夠在從少數標簽中學習的同時擁有與最先進的神經方法相媲美的性能。因此，SDPM是半監督學習的理想選擇，因為它們可以從未標記的數據中學習盡可能多的知識，并使用少量的標記數據來增強這些知識。第二，要把學到的知識從一個模型轉移到一個有少量標簽的新模型，SDPM也是模型轉移的理想選擇，因為它們的結構是使用有語義的組件，這些組件可以被組合和重新應用，把模型有效地轉移到新領域。第三，對于學習系統可以對數據提出問題的主動學習來說，概率模型也直接支持主動學習，因為它提供了經過良好校準的不確定性估計，這是決定對哪些實例進行標記的基礎。

2.4 相關工作

為了開發適用于大規模應用的實用概率模型，我們以最近的變異推理發展為基礎。在這一工作中，我們開發了新的攤銷變分推理方法，它訓練神經網絡使用隨機梯度下降進行推理。攤銷變分方法已經在Edward、Pyro和Probabilistic Torch等語言中得到了應用。Probabilistic Torch的設計從一開始就考慮到了半監督學習策略，并且已經被證明是非常有效的；每個類別只有10個標簽，我們在MNIST等數據集上的分類準確率已經超過90%。概率Torch還提供了一個高質量的組件庫，可以從組件中組裝出復雜的模型。例如，這使我們能夠將一個物體檢測模型嵌入到第二個識別圖像中感興趣區域的模型中，從而形成一個可以以端到端、半監督方式訓練的多目標檢測模型。我們在現有Probabilistic Torch工作的基礎上，取得了一些創新的進展，包括針對活動識別和機器翻譯等順序性問題的攤銷式順序推理，以及適應概率程序推理的技術來估計全局變量。

我們對高容量、完全概率模型的研究受到Wood開發的一種叫做推理編譯的方法的啟發，這種方法學習一個神經網絡來回答一個由概率程序定義的查詢。雖然有效，但學習的網絡不是一個聲明性的概率模型，只能回答單一種類的查詢，而不是為推理提供一個數據結構。我們的關鍵見解是，我們可以將原始的概率模型編譯成一個替代的概率模型，該模型支持原始模型的所有功能，但其中的推理是按照線性時間進行的。這使得概率模型的所有優勢都能被用于具有數百萬個參數的模型，如最先進的神經網絡。還有其他方法將概率模型編譯成支持線性時間推理的數據結構，如算術電路和和積網絡，但這些電路一般是指數級大小。相比之下，我們的數據結構在緊湊型網絡中捕捉潛在的復雜信息，類似于緊湊型神經網絡，后者代表了豐富的實際應用功能。使概率模型具有如同神經網絡一般的靈活性和性能將產生深遠的影響，這不僅關系到較少標簽的學習，同時也還包括其他很多方面。概率模型解決了神經網絡的一些基本局限，例如難以納入先驗知識，需要大量數據，以及因果關系建模困難。

本報告重點討論了如何利用模擬或生成模型創建的合成數據來解決深度學習的數據挑戰。這些技術有很多優點：1）可以為現實世界中難以觀察到的罕見情況創建數據；2）數據可以在沒有錯誤的情況下被自動標記；3）數據的創建可以很少或沒有侵犯隱私和完整性。

合成數據可以通過數據增強等技術整合到深度學習過程中，或者在訓練前將合成數據與真實世界的數據混合。然而，本報告主要關注遷移學習技術的使用，即在解決一個問題時獲得的知識被遷移到更有效地解決另一個相關問題。

除了介紹合成數據的生成和轉移學習技術，本報告還介紹了實驗結果，這些結果對合成數據方法在飛行員行為克隆、車輛檢測和人臉驗證任務中的潛力提供了寶貴的見解。實驗的初步結果表明，軍事模擬器和生成模型可以用來支持深度學習應用。然而，性能往往受限于合成數據和真實世界數據之間的保真度差距。

1 引言

深度學習（DL）是一種技術，它提高了在廣泛的現實世界應用中實現復雜任務自動化的能力。翻譯、轉錄、視頻監控、推薦系統和自動駕駛汽車都是基于DL的解決方案已經被開發和部署用于商業目的的例子。在軍事領域，DL有可能支持人類在所有領域和戰爭級別的決策，其應用包括自動目標識別、預測性維護和無人駕駛車輛的自動控制。

與其他機器學習（ML）技術類似，DL使用算法來從數據中提取知識。在這種情況下，知識被編碼在大容量的深度神經網絡（DNNs）中，這些網絡可能由數千、數百萬甚至數十億的可調整參數組成，這取決于所考慮的任務的復雜性。為了正確調整這些參數，學習算法需要大量的訓練數據。沒有這些數據，DNN將無法泛化，因此，當遇到以前未見過的數據時，它將不會有好的表現。

獲取DL的訓練數據是困難的。這在商業應用中是存在的，而在軍事領域更是如此。瓶頸之一是，學習算法通常需要經過人工標注的數據（即為每個輸入數據點提供一個正確的答案）。因此，即使在獲取大量輸入數據相對低成本的情況下，正確標記所有的數據也往往是高成本和費時的。例如，Cityscapes數據集中的5,000個樣本中，每個樣本平均需要1.5個小時來標注（整個數據集大約需要十個月）[1]。此外，由于標注是由人類來完成的，其結果可能是不正確的、有偏見的甚至是有成見的，這也會反映在訓練過的模型的行為上。

此外，訓練數據往往存在長尾分布的問題。也就是說，對于數量有限的普通案例，訓練數據相對容易獲得，但對于大量重要的邊緣案例，訓練數據本身就很難獲得。例如，考慮一個基于無人機的軍用車輛監視和跟蹤系統。在這種情況下，友好車輛的空中圖像相對容易獲得。車輛數據可以在不同的地點、高度、角度、天氣條件、環境等方面獲得。獲取代表合格敵方車隊的類似現實世界的數據集通常是不可能的，因為這種侵入性的情報行動會導致對手的行動。使用遵循長尾分布的數據集訓練的系統通常實用價值有限，因為它只能在條件理想時使用（即，輸入數據與常見情況相似）。當遇到代表邊緣案例的真實世界的數據時，該系統將不會有好的表現，也不能被依賴。

1.1 目的和范圍

本報告的目的是介紹可用于解決軍事背景下有限訓練數據所帶來的一些挑戰的技術。具體來說，本報告重點討論如何將使用軍事模擬或生成模型創建的合成數據與微調、領域適應、多任務學習和元學習等遷移學習技術結合起來，以加速未來DL在軍事領域應用的開發和部署。

1.2 目標讀者群

本報告的目標讀者是操作、獲取或開發AI/ML/DL技術，用于或嵌入軍事系統的人員。

1.3 閱讀說明

本報告假定讀者具有關于ML和DL概念的基本知識，如監督學習、強化學習、損失函數、梯度下降和反向傳播。鼓勵缺乏此類知識的讀者在繼續閱讀本報告之前，先閱讀FOI-報告FOI-R-4849-SE[2]中的第二章。

1.4 提綱

第2章概述了在深度學習中可以用來生成和整合合成訓練數據的技術和方法。第3章概述了轉移學習技術，可以用來促進知識從一個任務到另一個任務的重用。在第4章中，對這些技術的一個子集進行了評估，并提供了深入了解合成數據方法潛力的實驗結果。第5章中提出了結論。

圖2.2: 一幅戰斗機的圖像（2.2a）通過添加噪聲（2.2b）、濾色器（2.2c）和模糊（2.2d），以及通過縮放（2.2e）和縮放后的旋轉（2.2f）得到增強。每幅圖像都附有所有像素的平均RGB值分布的相應圖表。雖然所有圖像在語義上是不變的，但分布的形狀卻有很大的不同。

圖4.7：從我們的訓練數據集中隨機選擇的合成圖像。對于每一對圖像，左邊顯示的是最初生成的臉，右邊顯示的是編輯過的臉。請注意，所有圖像都在臉部周圍進行了裁剪。

摘要

本研究論文使用問題解決框架，研究了美國武器系統如何在采購生命周期的操作和支持階段陷入持續的陳舊和停滯循環，并提供了解決這種情況的方案。一些美國武器系統保持著它們最初在幾十年前投入使用時的能力。關鍵的發現，如厭惡風險的文化、系統要求低于計劃目標備忘錄的切割線、對財務指導的誤解、嚴格的維持法規、繁瑣的采購流程以及高于必要的決策，都被認為是導致根本問題的原因。這篇研究論文提出了幾個解決方案，解決了部分包容性的問題。對解決方案的整體可行性、對作戰人員的好處以及與實施相關的任何潛在風險進行了權衡。最后的建議包括鞏固和利用財務條例對作戰人員的好處，允許增加運營和維護資金的靈活性，允許在F3I重新設計中增加靈活性和性能，盡可能利用領先的商業技術，以及改變維持的心態，從保持準備狀態到保持相關性。結論強調，美國空軍在技術上落后于近似對手，高級領導人必須像對手一樣思考，以確保美國的法規不會抑制空軍比敵人更快地穿越OODA循環的能力。

引言

自朝鮮戰爭以來，美國在每次交戰中都保持著空中優勢；然而，一些跡象表明，空中優勢在未來的沖突中可能不再有保障。據報道，他們最新的S-500防空導彈系統成功擊中了近300英里外的目標。中國在過去十年中對其軍事進行了大量投資，現在已經達到了一個關鍵的自信點。

這個問題可能源于美國如何運作和資助其軍事項目。美國空軍將 "維持 "定義為維持一個武器系統的現有基線能力。任何改進武器系統超過其現有性能閾值的手段都被認為是開發工程的努力，需要從研究開發測試和評估（RDT&E）撥款中獲得資金。許多系統一旦投入使用就不會獲得RDT&E資金，通常在其生命周期的剩余時間內由運營和維護（O&M）撥款資助。由于對現行財務條例的嚴格解釋，財務經理通常會拒絕使用運營和維護資金來提高系統能力和應對不斷變化的威脅的創造性努力。這使得綜合產品小組（IPTs）沒有什么選擇，只能對他們的武器系統進行意義不大的改變，以保持它們在操作上的相關性。

美國不僅在做錯誤的財務決定，而且在做這些決定時也很緩慢。在過去的幾十年里，采購時間周期已經增加。據美國空軍高級領導人目前的估計，從授予合同到投入使用一個系統的時間超過10年。美國的對手在采購周期上的運作速度至少是其兩倍。在過去的二十年里，一些主要的國防采購項目（MDAP）已經被取消。事實上，國防部（DOD）已經在那些永遠不會投入使用的項目上花費了超過460億美元。

為了解決這個問題，新的倡議，如第804條快速采購和破解國防部5000號文件正受到相當大的關注。雖然它們不能解決撥款問題，但它們試圖縮短采購時間周期。在幾十年來成本成為采購決策的主要因素之后，速度現在被強調為主要考慮因素。使用問題/解決方案框架，本文將研究美國武器系統是如何陷入陳舊和停滯的循環中的，以及可以實施哪些解決方案來有效維持美國武器系統。

本文將首先闡明這個問題，描述綜合維持活動組（CSAG）和空軍維持中心（AFSC）內的幾個低效的供應鏈政策。然后，它將討論系統過時和對商業技術的依賴，接著是國防部緩慢的采購過程。問題部分最后將詳細分析當前的撥款限制以及美國空軍的幾個文化問題。

解決方案部分將首先定義具體的評價標準。該文件將提出幾個潛在的解決方案，以及建議的行動。然后將根據規定的標準對每個解決方案進行詳細評估，包括實施中的任何潛在風險。還將討論其他被考慮但未被推薦的解決方案。最后，本文將對問題進行快速總結，提出最終建議，以及為什么這項研究與美國空軍有關。

美國國防部(DOD)報告稱，人工智能(AI)是一項革命性的技術，有望改變未來的戰場和美國面臨的威脅的速度。人工智能能力將使機器能夠執行通常需要人類智能的任務，如得出結論和做出預測此外，人工智能機器可以以人類操作員無法企及的速度操縱和改變戰術。由于AI具有廣泛用途的潛力，國防部將其指定為頂級現代化領域，并投入大量精力和資金開發和獲取AI工具和能力，以支持作戰人員。在2022財年，國防部為科學和技術項目申請了147億美元，以及8.74億美元用于直接支持其人工智能努力。根據國防部2018年的人工智能戰略，未能將人工智能能力納入武器系統可能會阻礙戰士保護我們的國家抵御近同行對手的能力其他國家正在這一領域進行大量投資，這可能會削弱美國的軍事技術和作戰優勢。

美國國防部(DOD)正在積極追求人工智能(AI)能力。人工智能指的是旨在復制一系列人類功能，并不斷在分配的任務上做得更好的計算機系統。GAO之前確定了三種AI類型，如下圖所示。

國防部認識到開發和使用人工智能不同于傳統軟件。傳統軟件的編程是根據靜態指令執行任務，而人工智能的編程則是學習如何改進給定的任務。這需要大量的數據集、計算能力和持續監控，以確保功能按預期執行。支持國防部作戰任務的大部分人工智能能力仍在開發中。這些能力主要集中在分析情報，增強武器系統平臺，如不需要人工操作的飛機和艦船，并在戰場上提供建議(如將部隊轉移到哪里)。

當獲取依賴于復雜軟件的新能力時，國防部一直面臨著挑戰，例如長時間的獲取過程和熟練工人的短缺。GAO發現，它繼續面臨這些挑戰，同時還面臨人工智能特有的其他挑戰，包括有可用的數據來訓練人工智能。例如，人工智能探測對手的潛艇需要收集各種潛艇的圖像，并標記它們，這樣人工智能就可以學會自己識別。國防部還面臨著將訓練有素的人工智能集成到非為其設計的現有武器系統中的困難，以及在其人員中建立對人工智能的信任。國防部發起了一系列努力，如為人工智能和人工智能特定培訓建立一個跨服務的數字平臺，以應對這些挑戰，并支持其對人工智能的追求，但現在評估有效性還為時過早