美情报机构拟资助研发可预测未来的智能工具
2016年7月6日，美国国防系统网发布消息称，美国情报高级研究计划局（IARPA）计划资助研发可预测未来的智能工具。
随着来自传感器及其他来源的信息的大量涌入，美国情报部门正在寻找算法，要求不仅能够审查所有以上数据，还可以进行超前思考。
IARPA重点关注四类技术：预测智能、分析、操作和收集。
1
预测智能
预测智能重点关注描述并减少不确定性，主要方式是向决策者提供针对全球重要事件的、及时准确的预测。
IARPA感兴趣的研究方向包括：
突发现象的探测与预测（如技术创新及其推广情况、新的网络攻击方法、新发传染病等）。
多个方面分类任务的自动生成与维护（如科学分类，社会政治事件的分类）。例如，研究的学科内容、应用及方法都可能是某个科学分类的不同方面。
罕见事件的分析与预测（如灾难性的军事冲突、恐怖袭击和流行病）。
新兴军民两用技术的定量风险评估。
对观测数据开展因果推理。
评估发展大规模杀伤性武器（WMD）的能力和意图的方法。这一研究领域包括：
－能够预测大规模杀伤性武器关键零部件开发技术进展的数据和预测方法；
—用来监测并(或)预测外国政府主要政策转变，特别是发展大规模杀伤性武器的资料和方法。
评估利用网络能力攻击美国关键基础设施的方法。
2
分析
分析活动主要致力于从大量不同的、不可靠的和动态的数据中获得尽可能多的见解。这些数据是（或者可能是）分析师能够通过某种及时的方式获得的。IARPA的目标是从已有的和新的数据中获得新的信息源，并开发可用于分析过程的创新技术。分析研究工作涵盖了多种不同的技术学科，但有以下几个共同特点：（a）它们通过提供推理过程来创建可以获得分析型用户信任的技术；（b）它们解决数据的不确定性问题并指出其确切来源。
IARPA感兴趣的研究方向包括：
评估人类判断和推理的可靠的实时反馈方法；
对新兴趋势、事件和实体的发现、跟踪及分类；
多媒体和(或)社会网络数据的取证；
分析、协调并管理海量的多模态、动态和多样化数据的方法；
增强具有透明代理机制的机器学习方法，以获得可验证的高可信度结果；
能够根据多模态数据产生高解析度地理模型或四维空间/时间模型的方法；
能够促进多中断处理与异步信任合作的备用计算制度和数据共享环境；
用来揭示并加强未加工数据和不同领域的待选数据及(或)代表新信息在现有模型的级联效应的动态方法；
可扩展的自适应性行为网络科学方法，目标是通过最优化组织信息证明理论上的有效性；
可扩展的跨媒体异常检测和(或)发现方法，用以确定来自于不同的或新的因果流程产生的数据和模式；
检测并对抗有意的误导信息的方法；
利用新的或替代的信息来源或方法完成快速识别、评估相关性和可靠性的方法；
用于表示、推理和学习海量或稀疏的异构数据的新型图形分析技术；
新的用来识别并评估持久或暂时的社会文化规范和(或)能够有效应付或影响态度、行为或信息的方法；
用于收集潜在的或被掩盖知识的自动代理、机器学习和(或)生理智能方法；
能够协助分析师处理大批量分流数据的人类语言技术；
可扩展的异常检测与发现方法，用以确定产生于不同的或新的因果过程数据和模式；
在异构通信网络中区分并对抗有意的误导信息的方法；
用于补充目前情报来源和方法的金融市场数据分析；
与计算相关的社会政策；
推理与隐私；
用于人工智能和机器学习的大脑启发算法与架构；
用于增强认知处理能力或增加人机交互带宽的脑机界面；
针对最先进或最新技术的严格的数学或概率研究，以促进在大数据挖掘或高容量数据流等应用中机器学习算法的一般化与可重复性的快速进步；
针对新发射的商业卫星的多传感器（2D-3D）校准、数据提取和推理；
网络地理空间分析，包括地理参考、时空数据挖掘、IP地理定位、新网络设备的发现以及网络活动预测等；
3
操作
此方面研究将重点开发能够在一个敌对的、存在越来越多相互依存关系且资源受限的环境中自由有效发挥作用的集成电路。虽然一些挑战是由对手的活动带来的，但另一些却是由技术或商业活动的变化导致的。
IARPA感兴趣的研究方向包括：
基于非数字图灵机模型和（或）非CMOS平台的计算方法、体系结构和（或）算法。这些平台的属性应该与高效或安全的智能问题的解决方案相匹配（例如，光学的、模拟的、生物分子的、神经形态的，量子的和混合的计算系统）；
有助于制造高于路线图终端硅片(end-of-roadmap silicon)设计效率的高效能计算技术的方法，以及利用现有计算机技术来实现低功耗预算计算的策略；
针对非传统的计算架构/技术和非传统材料的设计工具；
自动化的研究方法；
能够保障系统在不完善的设施、容易出错的用户、脆弱的部件和（或）一个未知诚信度的环境中安全运行的方法。构建组件不可靠或不安全的情况下可以进行安全可靠计算的系统；
针对代数统计方法的新技术与应用，以及特别强调用户界面的代数统计软件的开发；
新的利用量子纠缠来完成任务（包括量子退火）的算法和技术。这些任务在经典算法和（或）现有平台环境中的完成效率很低或不可能实现；
用于执行复杂的安全计算任务的方法（包括编译器和编程语言），如开销较低的安全多功能计算、全同态加密算法及其应用等；
对敌手瓦解安全设施和安全性企图的检测、分类及应对，其中包括但不限于对电子基础设施的渗透与操纵；
利用新兴企业架构的保障技术，如软件定义网络、多租户和虚拟主机。
4
收集
次方面研究的目标是显著提高来自各种来源的数据的价值，主要手段是开发新的传感器和传输技术、更精确的以目标信息为导向的新的收集技术，以及用于收集以前无法收集的信息的方法。
IARPA感兴趣的研究方向包括：
用于识别和（或）创造新的信息来源的创新方法或工具。能够极大地提高宽信号或签名类型集合的适用范围、灵敏度、大小、重量、功率和运行时间的传感器技术；
结合不同的措施和（或）传感器来提高系统性能和精度的方法；
用于评估和量化行为科学、神经科学和社会科学的生态效应的方法；
用来获取受限环境下访问权限的创新方法；
与信息采集点之间的保密通信；
标记、跟踪和定位技术（TTL）；
小型电子天线和其他先进的无线电射频（RF）概念技术；
能够确保来自于多种来源的数据准确性的创新手段和方法；
没有预定义接口描述的传感器数据融合自动化方法；
能够帮助信号采集系统实施更有效、更有针对性的信息采集而非批量收集过程的方法；
识别并掩盖包含个人信息的信号流与记录，以避免未经授权的收集与传播的工具；
包括地理空间智能、信号智能、测量以及签名智能在内的空间系统和遥感技术；
可计算的摄影技术；
面向控制与传感的自动化系统和相关技术的推动机制；
基于活动的智能；
分布式传感技术。