背景

美国的许多国防专家认为,将人工智能(AI)的潜力发挥到极致,可能是保持美国军事优势的决定性因素。然而,尽管这项技术对美国国防部(DoD)具有潜在的重要性,但人工智能的军事研究和开发资金只占这项技术总投资的一小部分。而且,与传统的国防承包商不同,国防部即使不是主要客户,也是重要客户,国防部在大多数这些高科技软件公司的整体客户群中所占比例相对较小。由于这些公司雇用了一些领先的人工智能人才,并建立了一些最有能力的技术框架,利用这些专家的才能可以使国防部利用人工智能为其自身转型的努力受益。

为了评估软件工程师和私营部门技术人员对国防部人工智能应用的看法,研究小组进行了一项调查,提出了美国军方如何使用人工智能的各种场景,并要求受访者描述他们以这些方式应用人工智能的认同度。这些场景改变了几个因素,包括战场的距离,作战破坏性,以及人类对人工智能算法的监督程度。调查结果发现,大多数美国人工智能专家并不反对国防部的基本任务或人工智能在军事领域中的应用。

研究问题

  • 1.哪些因素会影响软件工程师对人工智能在美国军方应用感到舒服和不舒服?

  • 2.软件工程师对社会机构——特别是国防部的信任程度与他们对国防部构建人工智能应用的可接受性的看法之间有关联吗?

  • 3.软件工程师是否将国防部认定为战略竞争对手的国家视为对美国的重大威胁?

  • 4.软件工程师依靠什么类型的新闻媒体和其他信息来源来知晓他们与国防部有关的事件?

主要发现

  • 1.硅谷和美国防部之间似乎不存在不可逾越的鸿沟

    • 来自硅谷技术公司的受访者和拥有顶级计算机科学的大学对人工智能军事应用感到满意。
  • 2.对于涉及使用致命武力的人工智能应用来说,认同度存在着差异

    • 来自三家接受调查的硅谷科技公司,约三分之一受访者对人工智能的致命用途感到不安。
  • 3.科技工作者对领导的信任度很低,甚至对他们自己的领导也是如此

    • 软件工程师和其他技术人员对担任领导职位的个人信任度较低。

    • 科技工作者对科技公司首席执行官的信任几乎与他们对民选官员或联邦机构负责人的信任一样少。

  • 4.科技工作者最担心的是对美国的网络威胁

    • 这三个群体中超过75%的受访者认为中国和俄罗斯是美国的严重威胁。
  • 5.科技工作者支持使用军事力量来抵御外来侵略

    • 调查受访者强烈支持使用军事力量保卫美国及其北约盟国免受外来侵略,近90%的参与者认为在这种情况下使用军事力量是正当的。
  • 6.硅谷的科技工作者与军方没有什么个人联系

    • 不到2%的硅谷受访者曾在美国军队服役。

    • 几乎20%在国防承包商工作的软件工程师以前曾在美国军队服役。

主要建议

  • 1.应该探索各种机制,扩大国防部和硅谷之间在网络作战方面的合作,网络作战是人工智能的潜在应用,硅谷工程师将其视为重要的全球威胁。

  • 2.应该探索扩大军事作战人员、国防部技术专家和硅谷科技人员之间的协同,以评估在组织之间建立更大信任的途径。

  • 3.应该探索国防部让硅谷工程师参与国防部人工智能应用。

  • 4.应该调查国防部和硅谷雇员共建共享的价值。

  • 5.另一个潜在的富有成效的调查领域是评估各种类型的参与的好处,以帮助最具创新和经验的美国人工智能专家了解国防部如何完成其任务,并发现他们的才能和专业知识如何有助于解决国防部和国家的问题。

成为VIP会员查看完整内容
37

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。
【AI与警务】人工智能在打击组织性犯罪方面的挑战
专知会员服务
23+阅读 · 2022年6月28日
161页 | 2022年新兴科技趋势报告(附PDF)
专知会员服务
53+阅读 · 2022年5月8日
机器学习的 7 个关键军事应用
专知会员服务
297+阅读 · 2022年4月24日
北约《军事系统的网络安全风险评估》技术报告
专知会员服务
98+阅读 · 2022年4月18日
InfoQ 2022 年趋势报告:文化与方法篇
InfoQ
0+阅读 · 2022年4月16日
Gartner 报告:人工智能的现状与未来
InfoQ
14+阅读 · 2019年11月29日
人工智能商业化研究报告(2019)
腾讯大讲堂
15+阅读 · 2019年7月9日
【数字化】2019年全球数字化转型现状研究报告
产业智能官
29+阅读 · 2019年7月8日
2019年全球数字化转型现状研究报告
智能交通技术
13+阅读 · 2019年6月2日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
国家自然科学基金
1+阅读 · 2008年12月31日
Arxiv
0+阅读 · 2022年7月25日
Arxiv
28+阅读 · 2022年3月28日
Arxiv
13+阅读 · 2022年1月20日
Deep learning for cardiac image segmentation: A review
Arxiv
21+阅读 · 2019年11月9日
Arxiv
12+阅读 · 2019年3月14日
Arxiv
25+阅读 · 2018年1月24日
VIP会员
相关基金
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
国家自然科学基金
1+阅读 · 2008年12月31日
微信扫码咨询专知VIP会员