为了满足现代战场的需求,美陆军必须通过将人工智能(AI)纳入其系统来加强战术指挥所。人工智能为军团、师、旅甚至是营级指挥所提供了巨大的机会,使其在相对于潜在威胁编队和指挥官的情况了解方面具有数量和质量上的优势。适当开发、测试和投入使用的人工智能能力将更好地整合、优先处理和联系信息,以加强对形势的了解,并使决策更加有效。现代战场上的多域作战(MDO)要求指挥官及其参谋人员在多维的战斗空间中作战。这甚至会挑战最擅长的参谋人员,而且部队已经在处理大量的信息了。精心设计的人工智能算法和支持人工智能的应用程序将帮助美国机动部队更好地了解他们的作战环境,并将实现一个更强大的共同作战图景。

"促成决策"是信息优势活动中的一项核心任务,执行这一核心任务将使指挥官、参谋部和编队获得并保持信息优势。加强对形势的了解是指挥官取得决策优势的必要条件,但还不够;加强对形势的了解既是当务之急,也是目前可实现的技术在短期内可以实现的。人工智能与这一核心任务的整合将在不同程度上间接促进陆军在信息优势活动的所有核心任务中的能力。本文详细介绍了在未来三年内将人工智能融入现有系统和网络的具体当前需求和建议。这篇文章没有也不打算为进一步发展或实战化的新生能力提供详细的建议,并有较长的时间安排。相反,作者的脚步坚定地站在当前的现实情况、眼前的需求和可用的技术上。

图:萨拉-米勒上尉和技术员。2019年6月1日,德克萨斯州圣安东尼奥-拉克兰联合基地,第834网络作战中队的卡洛尔-布鲁斯特军士长在拍摄空军后备司令部任务视频的场景时,讨论应对假想网络攻击的方案。(Photo by Maj. Christopher Vasquez, U.S. Air Force)

在未来,由人工智能驱动的传感器、火控系统、投送资产和算法可能会创造出令人难以置信的速度和杀伤力的战场,人类在其中挣扎着跟上旨在为指挥官服务的机器的步伐。采集和投送资产群有一天可能会自主地执行任务,并动态地完成采集、投送和评估,同时随着事件的发展不断调整,做出反应。在物理领域的这些系统和事件中,随着友好、中立和威胁系统的互动,在网络空间领域也会有类似的人工智能能力的先进应用。这种能力目前还不能广泛地投入使用,而且基础的人工智能技术还不够强大,我们不能认真考虑在不久的将来引入这种能力。同时,陆军必须以一种可行、及时和有效的方式开始整合人工智能。

正如《2028年多领域作战中的美国陆军》所断言的那样:"融合所有领域、EMS[电磁波谱]和信息环境能力的关键是人工智能所带来的大批量分析能力和传感器到射手的链接,它通过自动交叉提示和目标识别使敌人的欺骗和遮蔽变得复杂。瓦解所需的情报精炼取决于五个相互关联的系统。"1这五个系统如下:广域监视、穿透性侦察、远距离监视和侦察、消耗性监视和侦察以及人类网络。这五个系统中的每一个都可以通过改善对形势的理解,从立即开发、实验和在战术总部使用人工智能系统中受益。这种整合不会使决策自动化,而是使人类指挥官和参谋人员能够更好地决策。正如《2028年多域作战中的美国陆军》中所述,"由人工智能和高速数据处理促成的人机界面,在速度和准确性方面都能改善人类的决策"。

作者重申将人工智能融入战术总部,并更广泛地融入整个机动部队的系统,以改善人类的决策。随着陆军在2028年之前实现这一作战愿景,或者根据参考的出版物,提前几年实现这一愿景,作者发现在为即将到来的军事事务革命创造条件而提供的理论和领导指导方面存在两个关键差距。首先,陆军缺乏评估其在实现AI-enabled MDO方面进展的手段。其次,在如何为整合人工智能系统做准备方面,还没有向机动部队发布实际指导。在解决了这两个差距之后,作者还提出了一个陆军可以利用现有技术建立的系统,以加强战术指挥所的情况了解。

如果陆军要将人工智能整合到MDO中,如果我们要提供一种评估人工智能准备情况的方法,我们首先需要了解什么是人工智能。在这篇文章中,作者使用了国家安全委员会人工智能委员会(NSCAI)在其最终报告中引用的定义,该定义最初由卡内基梅隆大学现任和前任高级教员发表。摩尔等人将人工智能定义为一个 "堆栈 "或技术层的集合,需要 "人才、数据、硬件、算法、应用和整合"。NSCAI的最终报告更加重视将推动人工智能系统的采用和实施的人才,以及将使其包含的算法和模型得以实现的数据。这篇文章鼓励尽早采用相同领域的建议,因为它们与军队目前的能力相一致。

除了人工智能的组成部分,重要的是要了解人工智能系统为用户提供了什么。使用专门为训练人工智能而设计的算法,一个应用程序的人工智能组件被 "教导 "在大量的数据中识别模式,这样它就可以对新数据进行分类或预测额外的信息。这是有意的宽泛和含糊;它是一个抽象的过程,可以应用于许多情况。它受限于对大量标记数据的需求和不断收集更多数据的需要。标签数据是用关于人工智能组件可以学习预测的类别或价值的识别信息充实的数据。标签必须与所需的预测能力相关。例如,建立一个可以在卫星图像中识别坦克的人工智能,将需要一个卫星图像的数据集,标记为识别它们是否包含坦克。更详细的预测将需要更详细的标签,这意味着如果我们想预测坦克的模型,标签将需要包括图像中坦克的类型。任何人工智能形式的质量都与该系统可用的高质量数据的数量直接相关。

实战化和开发人工智能系统是一个过程,作者建议用四个阶段类似地评估陆军的人工智能准备情况。这是由卡内基梅隆大学的Eric Nyberg提出的四个阶段,即一个组织如何评估其对人工智能的准备和使用。虽然这些步骤暗示了一个进展,但一个单位无法控制的情况变化可能会导致其在人工智能启用过程中向后或向前移动。

这个过程从做好数据科学准备开始。当相关的数据源被识别、可访问和持续管理时,一个组织就已经做好了数据科学准备。处于这一阶段的陆军单位的领导人将能够以可靠、及时和与背景相关的方式获取相关的人员、后勤、训练、情报和战术数据。关键是,一个机动部队必须考虑如何在战斗环境中做到这一点。单位将需要建立在训练和战斗中组织、规范和存储信息的程序。此外,数据必须在系统和作战功能之间进行整合。在这个阶段,数据是完整的,拥有统计分析技能的士兵可以使用这些数据来更好地描述他们的环境、行动和随后的结果。为数据科学做好准备的陆军单位将有参与的领导,他们了解如何在其组织内收集、维护和共享数据。

一个做好数据科学准备的组织将努力成为数据科学启用者,这是第二阶段。当多个数据源之间的相关性被确定,并且从组织数据中创建的预测模型被用于改善工作流程和决策时,一个组织就具备了数据科学功能。启用数据科学的陆军部队将利用他们收集、维护和获取的数据来加强对形势的了解,了解敌方和友方行动的背景,并预测未来行为。启用数据科学的机动部队将在野外训练演习、指挥所演习和作战训练中心轮换期间在战术指挥所收集、清理和组织数据。士兵们将采用在准备训练期间开发的预测性分析方法来识别敌人的行为,并对高度动态、复杂的战场做出更快速的反应。启用数据科学的陆军部队将拥有投入的领导层,他们将大量的数据整合到军事决策过程中,并迅速调整以适应不断变化的条件。

图:根据美国陆军发展司令部的说法,"陆军研究人员开发了一个能够学习和理解复杂事件的人工智能架构,增强了人与机器之间的信任和协调。" (图片说明:Rudi Petry,美国陆军提供)。

在使用数据科学来实现更好的性能之后,各单位将追求成为人工智能准备,即第三阶段。在这个阶段,组织将数据科学作为操作流程的一部分,并且已经整合了软件应用,使其工作流程现代化,以整合计算技术。将采用人工智能的领导人了解哪些流程和要求将被用来加强,他们能够直接与人工智能工程师沟通,设计和实施相关的解决方案。陆军单位将对人工智能作为武器系统的能力和局限性有实际了解。机动部队将与陆军未来司令部的单位合作,如软件工厂或人工智能集成中心(AI2C),开发人工智能解决方案,以增强其任务准备和能力。数据将与兄弟组织共享,并在战术和驻军环境中进行访问,在后方创建的软件更新可以通过陆军网络推送到战术边缘的应用程序。为人工智能做好准备的陆军单位将有知情的领导,他们指挥他们的数据存在,并推动未来人工智能支持的软件和应用程序的需求过程。

最后,当一个组织部署了人工智能系统并能够直接衡量其对任务成功的影响时,它将成为人工智能的受益者。这些单位可以在战术环境中采用人工智能来实现流程自动化,并提供任务成功。这些系统在任务中工作,并在关键环境和条件下工作。对于陆军单位来说,这些是有弹性的应用程序,可以适应动态的网络条件,并在敌人破坏或拒绝通信网络时提供价值。处于这一阶段的组织的特点是高度弹性的流程和系统,能够迅速适应不断变化的情况,在多领域的战场上取得决策主导权。这些系统及时显示关键的多维数据和洞察力。随着现代系统产生和消费大量的信息,数据收集的规模和速度将不断增长。启用人工智能的陆军部队将拥有被授权的领导层,他们利用人工智能来领导复杂的任务,并通过人机界面的互动获得创新解决方案。

意识到机动部队今天甚至没有为数据科学做好准备是令人生畏的,而成为人工智能的过程将需要一个巨大的转变。这就是像人工智能这样革命性的技术进步的本质,它代表了小单位接受和影响军队中人工智能未来的一个难以置信的机会。机动部队应该从今天开始做出实际反应,以配合陆军和国防部领导人提供的政策和理论重点。人工智能是一种不对称的能力,相对较小的投资可以产生巨大的影响。虽然这可能会损害大型的、行动缓慢的组织,但它也可以为个人和小型单位提供机会,对整个组织产生巨大的积极影响。通过鼓励和支持小单位及其领导人的创新解决方案,军队可以对人工智能在军事事务中的破坏性影响做出灵活的反应。鼓励这种创新的一个早期步骤是为人工智能准备数据环境。

陆军也有一个独特的机会从更大的人工智能社区的错误中学习,特别是在涉及数据时。正如谷歌的一个人工智能工程师团队去年所写的那样,缺乏对 "数据工作 "的关注是对大公司和人工智能先驱的重大损害,他们在部署人工智能系统时遭遇了明显的失误和误区。通过将组织和文化变革的重点首先放在数据管理流程的现代化上,陆军自然会对其中的一些问题产生免疫。陆军任务的性质和与人工智能系统的错误相关的危险,加剧了陆军中低估数据质量的影响。

类似于陆军通过维护地形行走等演习指导维护活动的方式,各单位可以通过数据健康评估来准备数据环境。这是一个适合战区司令部在下属各师进行的评估。军团总部在其下属的旅级战斗队中进行类似的评估也可能是合适的。这些评估考虑的是各单位如何很好地管理他们所产生的和他们所获得的数据。评估数据健康状况,是继人才培养之后,开始为机动部队的人工智能系统做准备的最佳场所。

图:"美国陆军发展司令部称:"明天的作战环境将充满了智能自主设备和平台,它们会产生多样化和复杂的信息特征。(图片来源:美国陆军/Shutterstock)

虽然评价应该是独特的,并在对被评价单位的特别了解下进行规划,但各单位的一般概念将是相似的。数据健康评估提出了以下问题。这个单位对驻军和战术环境中的日常行动的数据收集、清理和管理得如何?数据收集应该是完整的,因为它描述了单位活动的背景、环境、行动和结果。当收集工作自动化并融入所有流程时,单位将很好地收集数据。当数据的结构、类型、格式和存储位置一致时,它就是干净的。干净的数据可以用于描述性分析,并且可以通过良好的文件来理解。当数据是可访问的、持久的和可靠的时候,它就得到了良好的管理。做得好的单位会考虑如何将他们收集的数据应用于系统和流程。彻底的数据健康评估的一部分也会考虑到有多少信息是可以在员工部门和工作小组中看到的。广泛共享的数据鼓励合作和建立共同的理解。这种评估可以考虑的一些具体行为如下。

进行数据健康评估,首先需要对单位在这一领域的准备情况进行诚实的评估,这是所有其他优先事项中的一个。正如战略研究所的Leonard Wong和Stephen Gerras在他们的报告中所分享的,本文的作者也可以用轶事来证实,陆军在竞争的要求和激励结构中挣扎,导致单位有时故意报告不准确的信息以满足战备要求。7人工智能系统将对这些挑战特别敏感,因此,陆军的数据健康评估必须包括一个机制来评估其收集的数据的真实性。这方面的一个机制可以是去除一些人为干预的因素。例如,车辆、飞机或大炮可以用传感器来识别它是否正常运行或其系统部件是否有故障。这有一个重大的挑战,就是增加了这些系统的复杂性。另一个符合行业最佳实践的机制是随机对数据点进行子抽样来重新评估。这方面的例子包括选择一些单位进行简单的行动来验证他们的设备状况,如在155毫米榴弹炮上执行机组演习,用所有能用的车辆组成一个车队前往训练区的集合点,或对个别武器执行无通知的记录鉴定。要求这些警报活动来验证一个单位所存储的数据的准确性,是确保我们的人工智能系统配备高质量数据的绝佳方式。陆军领导人必须为各单位创造空间,让他们如实报告这些信息,而不必担心遭到报复。陆军在人工智能多领域战场上有效作战的能力,取决于改变陆军文化的这一要素。

图:美国陆军正在寻求智能车辆以减轻士兵在多领域作战中的负担。(图片来源:美国陆军/Shutterstock)

除了为准确的数据收集设定条件并进行评估外,各单位今天还可以采取一些步骤,为整合人工智能系统做准备。以下建议适用于所有梯队的单位。它们以当今可用的能力为基础,代表了为人工智能系统准备数据环境的最初步骤。这些建议将帮助各单位为数据科学做好准备。

机动部队必须通过立即停止删除共享文件系统中的数据来体会他们每天与之互动的数据的价值。这些 "共享驱动器 "或SharePoint系统使单位内部和跨单位的合作努力成为可能,但其中也蕴含着单位行为、训练演习和报告的宝藏。当各单位没有足够的空间来维持前几年的记录时,这些系统上的文件往往被删除。为了创造有效的情报,陆军数据科学家和人工智能工程师将需要为他们开发的每一项人工智能技术获得数以万计的标记数据点。这代表了人工智能界相对较小的数据集,陆军不能因为不经意地删除旧文件而失去更多的数据。各单位应将可自由支配的支出资金用于购买外部硬盘,并对其共享文件系统进行间歇性备份;要做到这一点,各单位必须获得具体的额外资金和要求。此外,所有官员都应该有能力从至少高于他们两个梯队的所有单位读取非敏感文件。这将鼓励合作并引入即时效率,同时将我们的数据文化转变为共享文化。在未来接受数据科学家或人工智能工程师的支持时,这些设备应该作为背景提供给单位,以帮助创造有效的情报。

组织应该调整他们从下属单位收集信息的方式,增加Excel等表格格式的使用。这些格式已经成为许多状态、后勤和维修报告以及检查文件的标准。以表格格式收集这些数据将通过在短期内强制执行数据的完整性而为各单位提供直接的好处。这样做也将使未来基于计算机的方法能够更容易地处理和训练人工智能。在战术环境中,表格格式的结构将有助于标准化文件,如情报收集、火力支援协调和行动同步矩阵。它还将为陆军参谋部创造更有用和可复制的产品,同时为未来基于计算机的系统提供丰富的、可理解的陆军行动数据。在实际和有效的情况下,任何单位使用的文件或工具--如上所述,但目前停留在基于文档(微软Word)或幻灯片(微软PowerPoint)的格式--应立即替换成表格文件(微软Excel)。在Excel中收集数据时,各单位应在文件中指定一致的列标题名称和一致的数据类型(数字、时间序列或文本)。这种过渡将直接导致更强大和准确的人工智能系统,是快速做出决定的关键步骤。当陆军的标准表格和文件结构更好,更容易使用,并为用户和数据消费者提供更有用的信息时,这种过渡就得以实现。

为了指导人工智能的发展和需求的产生,各单位应该收集和记录在驻军和野外训练演习中的时间。这可能是一项具有挑战性的繁重任务,作者建议各单位可以通过两种不同的方式来完成这项工作。第一种是收集有关在系统之间手工复制数据或依靠人类在数据源之间协调的领域或过程的轶事信息。这在战术指挥所可能特别有用,以确定我们依靠士兵在不同的系统之间协调的领域。第二个选择是指挥官指示首席信息官/G-6通过军队计算机上的击键记录器和应用程序监控设备来安装和收集数据。数据科学家和人工智能工程师可以利用这些信息来识别低效率和耗时的计算活动,以开发出针对的系统。原始使用数据和数据效率低下的轶事可以与陆军未来司令部的组织共享,如软件工厂或AI2C,然后可以与各单位合作,快速开发和实施解决方案。

未来的所有陆军系统和最近的许多系统都会产生大量的数据,这些数据必须被立即访问。首先,对于陆军考虑获得的任何会产生数据的记录程序,作者建议进行数据可及性和存储审查。这项审查的目的是评估陆军人员访问该系统收集和存储的数据的能力。除了少数几个陆军系统外,所有的陆军系统都缺乏通用的应用编程接口和支持程序性系统访问的能力,这是不可接受的。此外,这些系统所存储的历史数据是美国陆军的财产,因此必须通过行业标准的方法向其士兵和军官提供,而不需要任何民间中介机构。这些系统目前的数据环境对于开发人工智能系统来说是非常困难的。

其次,陆军应启动对当前未能达到这一标准的系统的审查,并重新考虑对这些项目的具体要求。通过修改采购流程和审查目前授予的合同,陆军将在政府和私营部门组织中建立起自己的数据质量和可访问性标准的领先地位。

在专业军事教育课程中,美国陆军训练和理论司令部应立即引入数据管理和使用策略方面的适当指导。作为基础军官领导课程的一部分,数据教育应包括一般数据收集策略、单位和部门特定信息的组织以及现代数据可视化工具等主题。这些工具将使后勤人员能够更好地组织单位维护数据,情报人员能够更好地综合不同的情报来源,而机动人员能够更好地报告和收集数据。这种教育的核心原则必须是相关的;教导学生这如何直接适用于他们的下一个工作。在上尉职业课程中,可以在此基础上加入如何管理多种数据来源和建立数据收集文化的教学。指挥和总参谋部学院应该开设一门数据收集选修课,以教育战地级军官整合权威数据源、管理共同行动图以及支持数据收集和管理所需的基础设施。陆军战争学院应该教育高级战地级军官识别数据收集战略中的战略差距,并让他们准备好利用计算机增强的态势感知进行领导。此外,旅、师和军团的指挥官和参谋长应该有机会完成AI2C的高级领导教育项目,以了解和理解如何用人工智能系统领导组织。陆军需要调整数据收集和管理技术方面的军官教育,以便为MDO中不断变化的战斗要求做好准备。

战斗训练中心为开发和实施战术应用的AI-enabled系统提供了一个很好的场所。通过存储单位轮换的标记数据,并向对方部队提供为战术指挥所创建的人工智能系统的早期版本,作战训练中心可以成为陆军人工智能发展的核心,同时也为复杂的系统提供快速反馈,这些系统在陆军面临近似对手的战斗时才会有全面测试和实施的挑战。类似的机会也存在于由任务指挥训练计划进行的指挥所演习的训练中。

虽然大型组织之间的协同作用和共同的努力路线是有价值的,但陆军将从不同单位独立考虑和采纳这些建议中受益。随着时间的推移,这些独立的想法将形成一个更强大的人工智能系统的基础,随着人们的流动和职位的改变,自然的分享和混合想法。陆军可以仿照开源软件社区分享想法并迅速学习彼此的独特方法,在MDO中创造一个人工智能环境。通过在本地开发独特的解决方案,然后随着时间的推移进行合作,各单位将确定共同的挑战,同时也减少了忽视具体特征或特定任务的独特因素的可能性。

在进行上述努力的同时,陆军应该开发、试验并采用最先进的技术来实现战术总部的运作。为了实现这一目标,陆军可以在任务指挥训练计划进行的指挥所演习和作战训练中心的训练轮换中开始将人工智能纳入训练。这将首先记录来自控制系统中使用的计算机的数据,参与者的声音,以及来自作战系统的位置数据。然后,这些数据将提供给数据科学家,让他们从受控环境中获取作战数据。使用人工智能和自然语言处理,结合事件和敌对势力行动的细节和时间,然后可以分析这些数据,以确定当前流程无法满足战斗需求的趋势。然后可以进一步研究这些趋势中具有最佳或更好性能的异常情况,以确定成功的战术、技术和程序。这将促进对现有系统的改进,并开发更多的工具来实现作战。一个例子是分析一个旅战斗队对敌方部队的防空雷达系统启动的反应。通过捕捉与事件相关的所有数据并了解对方部队行动的精确细节,行动后的分析可以更有力地了解技术方法和友军探测的细节,工作人员和友军单位内部的沟通(包括内容和传输方法),采取的行动,以及目标的有效性,包括评估。在众多单位中反复进行,这将使我们能够准确了解陆军单位的能力、差距和有效性。由于指挥所演习和训练轮换中固有的事件的数量和种类,有一个巨大的和未被充分利用的可用数据山,以提高军队的作战能力。

将人工智能整合到战术总部的近期目标是为从旅到军团的各梯队制作一个增强的共同作战画面(COP)。这将减少行动和瞄准过程中的友好周期时间,同时提高指挥官的决策质量。强化的作战图将提供更准确和详细的友军信息,提供对作战和任务变量的更多情况了解,并增强指挥官看穿战争迷雾的能力。这将通过整合战术行动中心内目前不同的系统来实现,包括指挥所计算环境、高级野战炮兵战术数据系统、空中和导弹防御工作站、电子战规划和管理工具、分布式共同地面系统-军队和全球战斗支持系统-军队。目前,这些系统并没有在一个单一的人机界面上提供足够的综合COP。此外,必须优先考虑开发、实验和实战化的软件和硬件,这些软件和硬件可以摄取任务和作战变量的数据,以分析数据并优先处理时间敏感的数据,供参谋部和指挥官分析和采取行动。

这个系统以及其他类似的系统将同步和整合陆军数据,以便在复杂、动态的环境中做出更快的决策。这是在现代战争中作战的必要进步;然而,它也将引入更多的风险。就系统的复杂性而言,人工智能组件明显比软件组件更复杂,并带来额外的挑战。没有任何人工智能可以解释它为什么会做出这样的预测,而且不幸的是,表现最好的智能形式也是最不容易理解的。最先进的人工智能系统只能提供有效性和准确性的措施,以证明其使用的合理性。此外,现实世界不可能完全由人工智能工程师在进行智能训练时使用的数据来模拟,也没有干净的、有标签的数据集用于战斗。这种数据偏差必须用道德的软件工程和对军队和人工智能的深入了解来解释。与私营部门公司类似的雄心勃勃的产品相比,目前为军队带来这种技术的努力小得惊人。2022年,陆军毕业并开始雇用20名人工智能专业人士。相比之下,谷歌在2016年雇用了大约一个满员的军团,41456人,只是软件工程师。在这个数字中,有两个师的价值,27,169人,只是专门用于研究和开发。自2016年以来,谷歌的全职员工总数已增加了一倍多。如果陆军要通过开发和部署其在MDO中作战所需的人工智能系统来实现其劳动力的现代化,那么它必须从今天开始准备数据环境。

(备:本文机器翻译)

成为VIP会员查看完整内容
111

相关内容

人工智能在军事中可用于多项任务,例如目标识别、大数据处理、作战系统、网络安全、后勤运输、战争医疗、威胁和安全监测以及战斗模拟和训练。
《针对算法战的人工智能操作化》美陆军报告(译文)
专知会员服务
126+阅读 · 2023年1月14日
报告集《多域作战、人工智能和信息优势》120页
专知会员服务
304+阅读 · 2022年8月1日
美国国防部《指挥、控制和通信 (C3)现代化战略 》
专知会员服务
191+阅读 · 2022年5月9日
国家自然科学基金
256+阅读 · 2017年12月31日
国家自然科学基金
10+阅读 · 2014年12月31日
国家自然科学基金
18+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
4+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
8+阅读 · 2009年12月31日
国家自然科学基金
89+阅读 · 2009年12月31日
已删除
Arxiv
31+阅读 · 2020年3月23日
Self-Attention Graph Pooling
Arxiv
13+阅读 · 2019年6月13日
VIP会员
相关资讯
相关基金
国家自然科学基金
256+阅读 · 2017年12月31日
国家自然科学基金
10+阅读 · 2014年12月31日
国家自然科学基金
18+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
4+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
8+阅读 · 2009年12月31日
国家自然科学基金
89+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员