Но вызовы сегодняшнего дня – это только один из видов проблем, которые необходимо решить Североатлантическому союзу необходимо предвидеть проблемы, которые могут возникнуть в будущем в результате изменений в технологиях, обществе, окружающей среде и другие факторы, и подготовиться к ним. В Университете Джона Хопкинса мы стремимся обнаружить проблемы, которые могут возникнуть в ближайшем и далеком будущем. Основываясь на исследовании процесса инноваций, мы считаем, что это предполагает изучение трех различных горизонтов неопределенности: вероятного, правдоподобного и возможного. Все они воплощают разные уровни неопределенности и ставят разные вопросы.

Вероятный горизонт – это взгляды в неопределенное будущее. Он не пытается предсказать, но определяет альтернативные варианты будущего, основанные на долгосрочных тенденциях и факторах разрушения. Эта стратегическая перспектива направлена на выявление проблем, с которыми Североатлантический союз может столкнуться в широком диапазоне возможных сценариев. Например, как выглядит будущее космической медицины и какие проблемы могут там возникнуть?

Напротив, правдоподобный – это взгляд на более близкие горизонты, где направления или темпы технологических изменений можно предвидеть или очертить. В нем рассматривается влияние новых технологий на текущие возможности и ресурсы Североатлантического союза. Например, как мы можем обеспечить безопасную спутниковую связь, если квантовые компьютеры могут легко взломать шифрование?

Министерство обороны США определило гиперзвук как одну из наиболее приоритетных областей модернизации. Гиперзвуковые системы могут совершать длительные полеты в верхних слоях атмосферы – от 80000 до 200000 футов – со скоростью около 5 Махов и выше, и они могут совершать маневры, которые трудно предсказать защитникам.

На вероятном горизонте рассматриваются конкретные, четко определенные проблемы, которые могут быть решены с помощью традиционных инженерных или политических инструментов. Их желаемые результаты ясны и измеримы. Решения либо работают, либо нет. Они «вероятны», потому что вероятность их решения можно рассчитать на основе показателей успешности предыдущих инженерных и политических решений. Например, как сделать сетевые диагностические устройства, чтобы предсказывать опасности для здоровья космонавтов и сообщать об этом летным медикам и центру управления полетами? Обычно это сфера деятельности действующих лиц в рамках тройной спирали.

Возможное, правдоподобное и вероятное взаимосвязаны. Рассматривая все три горизонта, мы можем наращивать возможности и расширять технологические возможности для решения проблем, стоящих перед Североатлантическим союзом сейчас, а также тех, которые могут возникнуть в будущем. Обнаружение проблем является динамичным и двусторонним. Тщательные размышления о будущем позволяют моделировать проблемы, которые могут стимулировать инновации сегодня. А радикальные решения, обнаруженные сегодня (например, секвенирование генов, нейронные сети, блокчейн и т. д.), создают совершенно новые варианты будущего, которые мы должны рассмотреть и изучить.

Лучший способ предвидеть будущее – это изобрести его

Используя этот подход, Североатлантический союз может более уверенно ответить на два важнейших вопроса: «Какие наиболее важные проблемы необходимо решить сейчас и в будущем?» и «Какие конкретные задачи мы должны решить, чтобы стимулировать тройную спираль к их решению?» В недавней статье «Вестника НАТО» глава отдела инноваций НАТО описал многочисленные ресурсы, которыми располагает Североатлантический союз для внедрения новаторских инноваций, в том числе «… множество академических институтов мирового уровня, лучших научных исследователей, удивительно творческие стартапы и зрелые, хорошо обеспеченные ресурсами финансово-экономические институты.» Четкая структура для выявления наиболее важных проблем, которые необходимо решить, и постановка правильных задач, способствующих привлечению ресурсов Североатлантического союза для их решения, – это самый надежный способ удержать Североатлантический союз впереди конкурентов в неопределенном будущем.

Искусственный интеллект в НАТО: динамичное внедрение, ответственное использование

Эдвард Хантер Кристи, 24 ноября 2020 г.

Североатлантический союз сталкивается с глобальной гонкой за внедрение технологий. Соперничающие державы используют новые технологии для достижения двойной цели повышения экономической конкурентоспособности наряду с расширением военного потенциала. Союзники сталкиваются с рядом проблем, стремясь использовать новые и прорывные технологии. Эти проблемы связаны с обеспечением динамичного внедрения новых технологий и ответственным управлением ими. В основе этих технологий лежит искусственный интеллект (ИИ).

ИИ – это способность машин выполнять задачи, которые обычно требуют человеческого интеллекта – например, распознавание закономерностей, обучение на основе опыта, прогнозирование и т. п. – в цифровом виде или в качестве интеллектуального программного обеспечения, лежащего в основе автономных физических систем.

Как было предложено аналитическим центром RAND в отчете Министерства обороны США об ИИ: «Оценка и рекомендации (2019)», необходимо выделять три широких типа приложений: корпоративный ИИ, оперативный ИИ и ИИ поддержки миссий.

Корпоративный ИИ включает в себя такие приложения, как системы управления финансами или персоналом с поддержкой ИИ, которые развертываются в строго контролируемых средах, где последствия технических сбоев невысоки (с точки зрения непосредственной опасности и потенциальной летальности).

Оперативный ИИ, напротив, может быть развернут в миссиях и операциях, то есть в значительно менее контролируемой среде, где последствия отказа могут быть критически высокими. Примеры включают программное обеспечение для управления стационарными системами или беспилотными автомобилями.

ИИ поддержки миссий, промежуточная категория с точки зрения управления средой и последствий сбоев, включает в себя разнообразный набор приложений, например приложения для логистики и обслуживания.

Эти различия могут оказаться полезными при установлении приоритетов как для политики принятия, так и для принципов ответственного использования ИИ, учитывая различные уровни риска, присущие этим категориям.

Современная волна ИИ сосредоточена на машинном обучении (ML). ML включает в себя разработку и использование статистических алгоритмов для поиска закономерностей в данных. Например, алгоритм классификации можно обучить на большом наборе правильно помеченных примеров, чтобы определить, к какой ранее встречавшейся категории принадлежит вновь наблюдаемый объект. Глубокое обучение – это подмножество машинного обучения, которое использует несколько вычислительных уровней (искусственные нейронные сети с несколькими уровнями) для обработки сложных вычислительных задач распознавания образов или прогнозирования, например сверхточные нейронные сети для обнаружения объектов в изображениях.

ML использует большие наборы точных данных и плохо работает с небольшими наборами данных или с неточными данными. В хороших условиях в широком диапазоне применений ML превосходит людей с точки зрения как предсказательной способности, так и, конечно, скорости. Это основная причина все более широкого внедрения машинного обучения в обширных областях человеческой деятельности.

Факторы производства

Для ИИ производственными факторами являются высококвалифицированные специалисты и инфраструктура информационно-коммуникационных технологий (ИКТ) для вычислений и хранения данных.

Хотя данные необходимо «извлекать», а затем «уточнять» перед дальнейшим использованием, их доступность растет с увеличением объема вывода. Данные также являются конкретными, а не взаимозаменяемыми. Для любого конкретного случая использования необходимы конкретные наборы данных, которые точно отражают актуальные наблюдения (или моделирование) из реальной жизни. Чтобы обеспечить прочную отправную точку, оборонным ведомствам союзников необходимо будет предусмотреть дальнейшую оцифровку этих данных. В целом политика в отношении данных должна охватывать всю цепочку создания стоимости, включая сбор, доступ, совместное использование, хранение, метаданные,