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

五角大樓聯盟及聯合全域指揮與控制概念（CJADC2）的可視化，旨在更好地連接遠距離的傳感器和射手。（照片提供/Raytheon Technologies）

防御是集體性工作。在美國軍隊的各軍種、機構和梯隊中都是如此，但在與全球的盟友合作時也是如此。

21 世紀的沖突需要前所未有的全球協調，因為威脅跨越地理、邊界和數字平臺，導致地緣政治復雜性隨著每一次微觀沖突而增加。在今年的AFA會議上，美參謀長聯席會議副主席格雷迪海軍上將在討論最新發布的聯合作戰條令時回應了這一緊迫性：美國軍隊必須通過融合來自多個領域（包括太空、空中和陸地）的傳感器的信息來'感知和理解'其作戰環境，并將這些信息迅速提供給決策者。

為了在未來的點對點戰爭中取得成功，需要迅速認識到海軍上將所指的“決策者”實際上是在所有潛在的盟友和合作伙伴中。如果現在不建立核心指揮和控制(C2)能力，當我們遇到真正的威脅時，將會失敗。

多國性質是聯盟及聯合全域指揮與控制實驗的規劃和執行中經常被最小化的一個方面。決策優勢歸結為信息優勢，這就是 CJADC2 如此關鍵的原因，但目前，人們過于關注數據分析而不是協作。

人工智能 （AI） 和機器學習等新興技術在提取任務見解方面具有令人難以置信的前景，但要使這些見解付諸實施，必須專注于一個非常困難的簡單概念：無縫的工作流程互操作性。從規劃到許可，從情報共享到消除沖突——跨越不同的國家、部門、角色和職能——這是一項極其復雜的任務，在加速任務敏捷性方面，它擁有最大的機會，因此，在實際威懾方面。實現這個全球統一的新世界有兩個主要支柱：

多國互聯互通

全球合作和消除沖突是綜合威懾不可或缺的組成部分。所處的時代，來自近乎對等對手挑戰、來自無數國家和非國家行為體的不對稱戰爭、不斷的虛假和錯誤信息以及網絡恐怖主義共存，創造了美國及其盟國有史以來最不穩定、最復雜的威脅環境。如果能向挑戰者證明，如果發動戰爭，形成的任何聯盟都將立即在利益相關者之間持續互操作，即使是過于自信的同行也會三思而后行。

但現實情況是，在多國行動中，盟國之間的協調仍然過于繁重，即使在演習和實驗中也是如此。當聯盟行動需要在幾天內打上數千個電話和電子郵件來計劃、批準和執行時，效率低下就變得很明顯了。好消息是，最大的障礙不是技術上的，而是以文化和政策為導向的。首先，美國防部繼續優先投資昂貴的數據可視化解決方案，這些解決方案無法解決阻礙產生真正威懾力進展的基本工作流程和互操作性挑戰。

一些當前和即將推出的舉措推動了多國互操作性的發展，例如美陸軍的“融合頂點項目”和印太司令部新的聯合任務加速器理事會（JMAD）。這些工作的重點是建立以數據為中心的基礎流程、技術創新以及與盟友和合作伙伴的合作，因此一旦危機開始，就不會手忙腳亂。

這些工作凸顯了盟友與伙伴之間協調的重要性，并認識到隨著沖突的加劇，聯盟將如何迅速改變。它們為以數據為中心的工作流（以數據為中心的功能）鋪平了道路，這些工作流可以提高效率和協調，最終推動組織更好地執行聯盟 C2。這些舉措往往被創新劇院和裙帶關系的商業能力選擇所掩蓋;具有諷刺意味的是，他們以“無聊的方式”解決了核心聯盟挑戰，這將改變世界。

一體化工作流程

現實情況是，所有 C2 任務都需要類似的功能和工作流程。平均而言，70-80% 的 C2 職能是相同的——從規劃到執行再到批準和評估，無論國家或職能如何。每個操作都需要不同分類級別的特定領域利益相關者和數據集，但工作流已經非常成熟。挑戰在于，各部門、分支機構和國家/地區采購和構建自己的孤立 C2 系統，而當需要聯合行動時，這些系統無法很好地集成。它們可能共享數據，但它們并沒有真正實現互操作。

有機會利用現有的規則和基于角色的系統，實現自動化工作流程，這些工作流程只需要針對特定任務進行調整，而不是從頭開始構建。軍事規劃、批準、執行和評估的理論和記錄步驟本質上都是基于角色的，并且以規則為指導，在技術上利用這一點可以使人員專注于戰略思維或決策，而不是手動連接不同的流程。

為了真正實現跨部門、分支機構和盟友的協作，利益相關者必須根據相同的準確信息進行操作。許多聯合作戰面臨的挑戰是，每個組織都根據其對情報環境的狹隘看法做出決策，然后使用幻燈片等靜態資產與聯盟伙伴共享這些數據。

前進的方向是將合作伙伴和盟友聚集在同一個以數據為中心的環境中，使團隊能夠一致地理解、協作和處理權威和公開可用的數據。必須朝著將軍方、對手、伙伴和盟友數據整合到一個與世界政治和經濟事件一起實時更新的集中框架內的持續態勢邁進。通過這個框架，團隊可以從更高的安全性、無縫的數據共享以及聯盟合作伙伴之間更好的合作中受益。

參考來源：C4ISRNET

由五艘無人水面航行器（UV）組成的小組在海域發現了一支敵方艦艇特遣隊，但無法將信息反饋給作戰員——這是一個有爭議的環境，而且該地區的衛星通信受到干擾。UV 協同工作，決定其中一個需要離開該區域，以便發回信息。

他們根據誰擁有最好的信息和在不被發現的情況下發送信息的最佳機會，決定五個中誰應該離開。被選中的 UV 會離開該區域，并自己找出發送信息的最佳條件，以及最安全、最有效的發送信息方式。

人工智能將很快為UV提供這些和其他先進的自主能力。但現在有一個問題。如此復雜的人工智能所需的計算機太大，需要的電力也太多，無法安裝在 UV 上。

人工智能需要的是一種減輕其工作量的方法，這樣機載計算機就可以更小、耗電更少。現在有兩種新方法可以做到這一點，它們可以讓計算機和人工智能本身模仿大腦的運行方式。

一種方法是新出現的計算機設計，它允許計算機在同一位置處理和存儲信息--類似于大腦的處理和存儲方式--而不是在兩個不同的位置。第二種新方法是，人工智能通過推理，用較少的數據得出結論--這就好比我們通過填補空白，即使只看到一個物體的局部，也能識別出它。

目前，UV 上的小型低功耗計算機只能支持 "狹義人工智能"--適用于一些基本活動，如監視和偵察。但有了這兩種 "大腦啟發 "方法，即使是高度復雜的人工智能也能在小型計算機上運行。這使得聯合部隊在印度洋-太平洋地區及其他地區為無人水面、水下和空中飛行器提供高級自主性在技術上是可行的。

超越狹義人工智能

在狹義人工智能方面，無人航行器還不夠智能，無法在許多重要方面自主行動。例如，它們無法獨立判斷自己發現的東西是否重要到足以提醒操作員--目前，無人航行器都是在預定時間進行行動。在跟蹤目標點時，它們并不總是知道如何有效地使用燃料，或者如何在不被發現的情況下進行 ISR。它們通常無法自主區分戰斗人員和非戰斗人員，也不知道如何應用交戰規則。它們只有有限的態勢感知能力。

理論上，無人航行器可以通過連接云端來利用復雜的人工智能，但這并不是一個可行的方案。在有爭議的環境中，UV 無法依靠衛星通信。即使在和平時期，電力和帶寬的限制也會限制與云的來回通信。因此，人工智能必須能夠在機上運行。

模仿大腦

這兩種受大腦啟發的方法并不會讓人工智能變得更聰明——人工智能已經具備了在許多方面實現高級自主的能力。這兩種方法只是讓人工智能有可能在小型、低功耗的邊緣計算機上運行，而這些計算機是 UV 必須依賴的。

其中一種方法實際上改變了計算機的工作方式。如今的計算機擁有獨立的處理內核和內存內核。這意味著每次計算時，處理器都要進入內存，取出所需的數據，然后再拿回來處理。這種連續的來回切換帶來了繁重的工作量，尤其是對于每秒進行數十億次計算的人工智能而言。在大型、功能強大的計算機（如傳統艦船上的計算機）上，這種來回奔波可能不是問題，但在 UV 邊緣計算機上，這種來回奔波很快就會不堪重負。

我們的大腦以不同的方式運行。我們能夠在處理信息的同一位置保存大部分記憶，這使得我們最復雜的思維也能幾乎瞬間完成——這無疑是進化的優勢。模仿大腦的設計，人工智能研究人員正在開發將處理和記憶放在同一位置的計算機。這樣，即使是復雜的人工智能，其工作量也能在 UV 計算機上應付自如。

訓練人工智能使用干擾

減少工作量的另一種方法是減少使用數據。人工智能研究人員正在通過模仿大腦如何利用推理在有限的信息中理解世界來實現這一目標。例如，當我們開車時，我們可以通過一些微妙的提示來預測其他駕駛員的行為，如汽車在變道前加速，或汽車在接近十字路口時向左側靠攏，然后再向右轉彎。這些情況我們已經見得多了，因此不需要任何額外的信息來調整我們的駕駛。我們從一些線索中進行推斷和預測的能力，正是我們能夠（通常）安全地自動駕駛，而不去想其他事情的原因之一。

通過訓練人工智能從少量線索中進行推斷，研究人員大大減少了人工智能所需的數據量和功率。例如，可以向人工智能提供敵方船只在特定區域的 "生活模式"。如果 UV 的傳感器發現異常，比如一艘船位于意想不到的位置，或者行為異常，這些都可能成為人工智能推斷船只意圖的線索。人工智能不必拼湊船只的每一個細節，也不必梳理它可能采取的每一個行動。只挑出相關的線索，人工智能只需進行一小部分可能的計算就能得出結論，這在小型邊緣 UV 計算機上是可行的。而且，人工智能的準確性將與在驅逐艦上運行大型、功能強大的計算機的人工智能一樣高。

訓練人工智能使用推理既是一門藝術，也是一門科學。要想選擇正確的線索并充分理解其含義，需要極其深厚的領域和任務知識。與此同時，人工智能專家還需要知道如何應用這些知識來實現自動駕駛。

如果印度洋-太平洋地區和其他地區的無人駕駛飛行器要獲得聯合部隊所需的自主水平，就需要重新考慮人工智能支持的邊緣計算。人腦可以提供靈感。

參考來源：U.S. Naval Institute

圖戰斗系列

2019年1月，美陸軍部長（SECARMY）要求陸軍科學委員會（ASB）研究人工智能（AI）如何改善戰場上的戰役和戰術表現。具體而言，他希望ASB確定陸軍在人工智能實施方面的獨特挑戰，確定陸軍的行業最佳實踐，并審查對手在戰場上對人工智能的潛在使用。

為了進行這項研究，ASB組建了一個研究小組，成員包括建立人工智能系統和指導人員，以及在實驗室、學術界、工業界和軍方有經驗的人員。該團隊還得到了負責人工智能實施的陸軍人工智能任務組以及陸軍研究實驗室（ARL）和陸軍夜視局高級政府聯絡員的協助，他們幫助約束該研究并為陸軍的人工智能實施提供指導。在收集數據的同時，研究小組還會見了來自政府、工業和學術界各組織的130多名人士。

AI在戰場上的前景和挑戰

在工業革命期間，機器開始執行以前需要人類體力勞動的任務。今天，一場認知革命正在發生，機器開始執行以前需要人類認知的任務。例如，我們問智能手機問題，并期望得到合理的答復，我們在網上買東西，并得到類似產品的推薦。

目前還不清楚我們是否了解認知革命的所有影響，但研究小組認為，它將改變戰爭特征，因為它提高了決策到行動的速度、規模和范圍，超過了人類在沒有援助的情況下所能完成的大量任務。人工智能是認知革命的核心，在戰場上優化使用人工智能將需要陸軍采用新的思維方式，包括一個反應靈敏的采購過程。

為了這項研究的目的，研究小組將人工智能定義為計算機系統執行通常需要人類智慧的任務能力。有許多關于人工智能的方法。

美國的對手已經在使用人工智能。俄羅斯和中國定期公布在戰場上進行的自動駕駛車輛實驗。成功實施人工智能的一個關鍵是數據標簽化。中國和俄羅斯的領導層都宣布人工智能是未來，誰能領導認知革命，誰就能在戰場上獲勝。除了僅僅使用人工智能，美國的對手希望實現人工智能的優勢。

目前的美國防部政策劃定了自主和協作，這決定了人工智能如何被用于支持各種作戰任務。因此，需要對人工智能采取多種方法，以確保人工智能系統在戰場上的最佳應用。無論采用哪種方法、作戰使用或政策要求，快速反饋周期將推動對作戰任務的評估，并將采用人工智能來告知如何收集和調節數據、如何運行算法以及如何優化人機界面。換句話說，人工智能最終將被用來衡量人工智能在戰場上的使用情況。這對軍隊來說也是顛覆性的。

同時，美國陸軍有幾種可能的方式在戰場上使用人工智能。下一個垂直升降飛機可以與使用綜合視覺增強系統（IVAS）的下一代戰斗車輛和士兵合作。一旦這些部件被聯網，相對于士兵在獨立系統中所能做到的，人工智能將提供更高的速度、范圍和規模。因此，人工智能將被用于自主機動、輔助目標識別和/或自動目標識別、任務規劃等。

人工智能給戰場帶來的優勢伴隨著風險和挑戰。有效使用有幾個潛在的障礙，如缺乏互操作性，數據饑餓，以及被對手利用。這些都是眾所周知的。但也有圍繞可靠性、信任、道德和可解釋性的問題，所有這些都有助于操作者理解人工智能的決策或建議。不是所有的人工智能系統都能做到這一點。

圖5 陸軍使用人工智能的潛力和挑戰

人工智能在工業中的應用

研究小組訪問了工業界，以了解商業企業如何利用人工智能，減少風險，并克服固有的挑戰。成功應用人工智能的共同主題涉及快速和持續的適應性和改進，可由以下方法促成：

• 使用常見的人工智能平臺

• 整理數據，特別是通過事實標簽

• 用模擬數據增強真實數據

• 創建架構和基礎設施，支持數據流和競爭所需的高性能計算

• 開發與技術共同發展的運行概念，例如，特斯拉的軟件更新方式是根據人們如何使用車輛來發展和展示新功能的。

• 知道在哪里應用人工智能來解決價值最高的問題，帶來最好的投資回報

• 獲取人工智能技能人才，由于競爭激烈，即使是像亞馬遜這樣的公司也面臨挑戰。

競爭也促使行業發展出一套實踐，允許快速變化和升級，特別是在軟件方面，進入正常生產，同時確保高質量。這種實踐--DevOps--結合了開發（Dev）和信息技術運營（Ops），以縮短系統開發的生命周期，并提供持續、高質量的交付（圖1）。

企業在實驗室中創建、整合和測試人工智能，將其發布給消費者，并部署到現場。當它被使用時，它被監測，并根據該系統的運行和使用情況，制定計劃，產生升級。企業重新編碼，重新開始循環以提高性能。DevOps循環需要一個底層數據層來迭代AI。與軟件升級不同，軟件升級可能是按月推送的，而人工智能周期必須是連續的，操作非常迅速，以確保最佳性能。

美國陸軍的進展

在收集數據的過程中，研究小組了解到，陸軍已經開始組織將人工智能帶到戰場上。陸軍成立了人工智能工作組，并與卡內基梅隆大學（CMU）合作成立了陸軍人工智能中心。陸軍也已經開始在陸軍未來和概念中心、訓練和條令司令部（TRADOC）以及其他地方開發人工智能的概念。

也可以說，這些人工智能的工作在很大程度上是不協調的。有許多陸軍項目使用人工智能。但陸軍成功運作的人工智能不能像在工業界觀察到的那樣快速發展。往往沒有共同的基礎設施，所以用于每個系統的計算、網絡和數據都是獨立的。

與工業界相比，陸軍人工智能活動的另一個不足之處是系統分析和建模與仿真（M&S）不足。例如，在x系統中加入人工智能將使任務的有效性提高y量；它將改變殺傷率，或完成任務的時間，或任務成功的概率，等等。就研究小組所能確定的而言，那些能夠顯示人工智能可能帶來什么價值的A-B測試還沒有做。

陸軍面臨的一個潛在挑戰是目前美國防部的采購環境，這使得復制工業界的快速開發周期變得極為困難。陸軍要購買一個可以像谷歌和其他公司那樣每天進行更新的系統是非常困難的。

陸軍可以自行解決的另一個挑戰是缺乏獲得、管理和使用其人工智能能力所需的足夠人才。陸軍有與增長和保留STEM資格人員有關的人才管理問題，而人工智能從業者在這一領域中所占的比例更小。有一些專家，但陸軍并沒有很多。

隨著陸軍繼續組織將人工智能帶入戰場，相當明確的是，最佳應用將出現在哪里（圖2）。有幾十種情況下，人工智能會增強陸軍的作戰功能，以包括一些人類參與可能有限的任務。

圖2 AI在戰場上的潛在應用

這些賦能器中的大多數已經在開發中，它們很少從頭開始。戰場上的使能因素往往可以建立在商業技術之上。

根據人工智能任務組的報告，目前的陸軍人工智能生態系統以CMU的人工智能中心為中心（圖3）。它與各利益相關者保持著聯系，包括實驗室和材料開發商、陸軍訓練中心和作戰社區。通過人工智能任務組，該中心還與美國防部的聯合人工智能中心進行協調。

圖3 當前陸軍AI生態系統

美陸軍人工智能生態系統專注于開發和實戰原型；從定義下一代系統的人工智能要求，到為傳統平臺開發人工智能解決方案。這種在戰場上的人工智能整合將迫使陸軍以新的方式運作。除了解決商業從業者確定的挑戰和減輕潛在對手的攻擊，陸軍必須解決地方性的挑戰，包括以下能力：

• 確定人工智能投資的優先次序，以獲得最大的戰場影響

• 構建一個SoS框架，利用獨立開發的、異質的、支持人工智能的平臺

• 通過繁忙的操作網絡調動數據、模型、算法和反饋

• 測試不斷發展的系統，并驗證其對敵方攻擊的復原力

圖17 SoS企業架構集成

雖然商業從業者可能擁有他們的整個人工智能企業，但軍隊不會。陸軍將從國防工業基地內的不同來源購買技術，它將不得不使它們一起工作。一旦完成這項任務，數據、模型、算法和反饋都必須在一個繁忙的操作網絡上移動。陸軍將不會有使用工業界所享有的那種基礎設施的好處。

陸軍還需要采用類似于DevOps周期的方法，以支持持續改進的方式將原型轉化為記錄項目（POR）。這將需要有能力（對陸軍來說是新的）測試不斷發展的系統并驗證對攻擊的適應性。陸軍將不得不改變其運作方式，以采用DevOps循環。

建議

根據其數據收集、分析和發現，研究小組在六個類別中提出了建議(圖4)。

結論

人工智能將通過提高決策的速度、規模和范圍來改變戰爭的特征，而這是人類所能實現的。如果陸軍對采用MDO是認真的，它就需要認真地采用協作性人工智能。

人工智能對陸軍和其對手都將是顛覆性的，因為：

• 完整的戰場效果將需要不斷地收集和整理數據，而迄今為止雙方都沒有做到這一點
• 每一方都將不得不在異質平臺上發展人工智能之間的合作
• 人工智能DevOps周期的快速執行是成本密集型的，并且厭惡官僚主義

美國陸軍將需要開發一個人才管道，使其成為人工智能能力的聰明買家和聰明用戶。

有說服力的動機：美國的對手已經在做這些事情了。

深度學習領域取得了指數級的發展，像BERT、GPT-3、ResNet等ML模型的足跡也在不斷擴大。雖然它們工作得很好，但在生產中訓練和部署這些大型(且不斷增長的)模型是昂貴的。你可能想在智能手機上部署你的面部濾鏡模型，讓你的用戶在他們的自拍上添加一個小狗濾鏡。但它可能太大或太慢，或者您可能想提高基于云的垃圾郵件檢測模型的質量，但又不想花錢購買更大的云VM來承載更精確但更大的模型。如果您的模型沒有足夠的標記數據，或者不能手動調優您的模型，該怎么辦? 所有這些都是令人生畏的!

如果您可以使您的模型更高效: 使用更少的資源(模型大小、延遲、訓練時間、數據、人工參與)，并提供更好的質量(準確性、精確度、召回等)，會怎么樣呢?這聽起來太棒了! 但如何?

這本書將通過在谷歌研究，Facebook人工智能研究(FAIR)，和其他著名的人工智能實驗室使用算法和技術的研究人員和工程師訓練和部署他們的模型，設備從大型服務器端機器到微型微控制器。在這本書中，我們提出了一個基本的平衡，以及實踐知識，以充分賦能你繼續前進，并優化你的模型訓練和部署工作流，這樣你的模型表現和以前一樣好或更好，與一小部分資源。我們還將深入介紹流行的模型、基礎設施和硬件，以及具有挑戰性的項目，以測試您的技能。

目錄內容：

Part I: 高效深度學習導論 Introduction to Efficient Deep Learning 導論 Introduction Introduction to Deep Learning Efficient Deep Learning Mental Model of Efficient Deep Learning Summary

Part II: Effciency Techniques 壓縮技術導論 Introduction to Compression Techniques An Overview of Compression Quantization Exercises: Compressing images from the Mars Rover Project: Quantizing a Deep Learning Model Summary 學習技術導論 Introduction to Learning Techniques

Project: Increasing the accuracy of an speech identification model with Distillation. Project: Increasing the accuracy of an image classification model with Data Augmentation.

Project: Increasing the accuracy of a text classification model with Data Augmentation. Learning Techniques and Efficiency Data Augmentation Distillation Summary

高效架構 Efficient Architectures Project: Project: Snapchat-Like Filters for Pets Project: News Classification Using RNN and Attention Models Project: Using pre-trained embeddings to improve accuracy of a NLP task. Embeddings for Smaller and Faster Models Learn Long-Term Dependencies Using Attention Efficient On-Device Convolutions Summary

高級壓縮技術 Advanced Compression Techniques Exercise: Using clustering to compress a 1-D tensor. Exercise: Mars Rover beckons again! Can we do better with clustering? Exercise: Simulating clustering on a dummy dense fully-connected layer Project: Using Clustering to compress a deep learning model Exercise: Sparsity improves compression Project: Lightweight model for pet filters application Model Compression Using Sparsity Weight Sharing using Clustering Summary

高級學習技術 Advanced Learning Techniques Contrastive Learning Unsupervised Pre-Training Project: Learning to classify with 10% labels. Curriculum Learning 自動化 Automation Project: Layer-wise Sparsity to achieve a pareto optimal model. Project: Searching over model architectures for boosting model accuracy. Project: Multi-objective tuning to get a smaller and more accurate model. Hyper-Parameter Tuning AutoML Compression Search

Part 3 - Infrastructure

軟件基礎 Software Infrastructure PyTorch Ecosystem iOS Ecosystem Cloud Ecosystems 硬件基礎 Hardware infrastructure GPUs Jetson TPU M1 / A4/5? Microcontrollers

Part 3 - Applied Deep Dives Deep-Dives: Tensorflow Platforms Project: Training BERT efficiently with TPUs. Project: Face recognition on the web with TensorFlow.JS. Project: Speech detection on a microcontroller with TFMicro. Project: Benchmarking a tiny on-device model with TFLite.

Mobile Microcontrollers Web Google Tensor Processing Unit (TPU) Summary Deep-Dives: Efficient Models Project: Efficient speech detection models. Project: Comparing efficient mobile models on Mobile. Project: Training efficient BERT models.

BERT MobileNet EfficientNet architectures Speech Detection

機器學習是一個令人興奮的話題，關于設計可以從數據中學習的機器。本課程涵蓋了機器學習的必要理論、原理和算法。這些方法是基于統計學和概率論的——它們現在已經成為設計顯示人工智能的系統的必要條件。

//cedar.buffalo.edu/~srihari/CSE574/