2022年6月美国防部副部长凯瑟琳-希克斯签署了国防部负责任的人工智能战略和实施途径(RAI S&I Pathway),该途径指导国防部(DoD)实现其可信人工智能(AI)生态系统的目标。美国防部必须将自己转变为一个为人工智能做好准备的组织,将负责任的人工智能(RAI)作为一个突出的特征,以保持其竞争优势。

负责任的人工智能方法意味着什么

RAI是一个信任之旅。它是一种设计、开发、部署和使用的方法,可以确保我们系统的安全,并合乎道德的使用RAI。RAI体现在道德准则、测试标准、问责检查、使用指导、人类系统整合和安全考虑上。

正如美国防部长奥斯汀所说:"负责任的人工智能是尖端科技与永恒价值的结合点。我们不相信我们需要在它们之间做出选择,我们也不相信这样做会成功。我们对人工智能的使用必须加强我们的民主价值观,保护我们的权利,确保我们的安全,并捍卫我们的隐私。"

RAI S&I路径是DoD为确保建设一个可信人工智能生态系统,以发展和加速人工智能而采取的前进方向。国防部的人工智能任务是建立强大的、有弹性的和可靠的人工智能系统,同时在人工智能道德的全球对话中成为领导者和倡导者。该指南通过RAI管理、作战人员信任、人工智能产品和采购生命周期、需求验证和人工智能劳动力等RAI实施宗旨,灌输并实施国防部人工智能道德原则。这种整体方法详细说明了目标、关键的努力方向,以及加强每个领域的一套初步工具。

这一旅程始于2018年,美国防战略呼吁 "以合法和道德的方式使用人工智能,以促进我们的价值观",同时国会授权 "为该部制定适当的道德、法律和其他政策,管理人工智能的发展和使用"。国防部于2020年2月正式通过了《国防部人工智能伦理原则》--世界上第一个这样做的军队。为了帮助将人工智能植入整个部门,联合人工智能中心(JAIC)于2020年9月发布了国防部人工智能教育战略。从那时起,RAI已经向国防部各级人员进行了教育和培训。2021年5月26日,国防部重申了国防部对RAI的承诺,并指示根据其RAI实施宗旨,"国防部对RAI采取整体的、综合的、有纪律的方法 "进行实施,而S&I路径正是建立在这些宗旨之上的。

RAI S&I途径促进了国防部在追求人工智能加速的过程中对负责任的行为、过程和结果的承诺。最终,它提供了国防部推进人工智能的战略方法,同时促进了操作的灵活性,保障了能力部署,并支持可扩展性。鉴于这一成就和其他成就,国防部已经准备好穿越军事现代化的漫长道路,同时确保美国公民和全球合作伙伴的信心。

RAI实施宗旨包括:(1)调整管理结构和流程,持续监督国防部人工智能使用;(2)系统操作员需达到标准水平的技术熟练程度,以创建可信的人工智能系统和人工智能赋能系统;(3)考虑人工智能采办风险,并使人工智能开发速度满足国防部需求;(4)使用需求验证程序,确保人工智能能力与作战需求保持一致,同时解决相关的人工智能风险;(5)通过国内和国际合作促进对设计、开发、部署和使用负责任人工智能的共同理解;(6)确保所有美国防部人工智能人员理解实施人工智能的技术、开发过程和操作方法。

报告前言

虽然人工智能(AI)并不新鲜,但过去十年的技术突破已经大大改变了国家安全格局。我们的对手和竞争者正在大量投资于人工智能和人工智能支持的能力,威胁到全球安全、和平和稳定。为了在一个数字竞争的世界中保持军事优势,美国国防部(DoD)必须接受人工智能技术,以跟上这些不断变化的威胁。以合法、合乎道德、负责任的方式利用新技术是我们的核心精神。

为了确保我们的公民、作战人员和领导人能够信任美国防部人工智能能力的产出,国防部必须申明,在设计、开发、测试、采购、部署和使用人工智能时,我们的军队对合法和道德行为的坚定承诺。负责任的人工智能(RAI)战略和实施(S&I)途径通过定义和沟通我们利用人工智能的框架,照亮了我们的前进道路。它有助于消除不确定性和犹豫不决--并使我们能够更快地前进。在我们与盟友和联盟伙伴并肩工作以促进民主规范和国际标准的过程中,从立场上整合道德规范也使国防部有能力保持盟友和联盟伙伴的信任。

RAI S&I路径使我们的RAI政策易于实施。它指导了DoD实施道德原则的战略方法,以及更广泛地推进RAI--同时确保操作的灵活性,保持能力部署的速度,提供可扩展性,并优先考虑资源的有效分配。这份文件是我们在加速RAI的过程中迈出的关键一步,并进一步推动了国防部在追求人工智能技术过程中对负责任的行为、过程和结果的承诺。

美国防部常务副部长希克斯(Kathleen I I. llicks )

目录

  • 1 执行总结
  • 2 RAI战略
    • 2.1 背景
    • 2.2 国防中的RAI
    • 2.3 预期的最终状态
    • 2.4 DoD关于RAI的基本原则
  • 3 RAI实施路径
    • 3.1 概述
    • 3.2 实施方法
    • 3.3 实施路线
      • 原则1:RAI管理
      • 原则2: 作战人员信任
      • 原则3: 人工智能产品和采购生命周期
      • 原则4:需求验证
      • 原则5:负责任的人工智能生态系统
      • 原则6:人工智能劳动力
  • 4 结论
  • 5 附加资源

报告执行总结

人工智能的进步已经证明有能力改变现代社会的每个行业。这些影响扩展到商业、金融、生产和社会行为。美国防部对人工智能的投入,专注于采用符合美国的价值观、共同的民主理想和军队对合法和道德行为的坚定承诺的方式利用这一技术。

2021年5月,美国防部副部长发布了一份备忘录("RAI备忘录"),确立并指导该部对RAI开发采取整体、综合和有纪律的方法。这份RAI备忘录提出了以下基本原则,作为指导整个部门实施RAI的优先领域:RAI管理、作战人员信任、AI产品和采购生命周期、需求验证、负责任的AI生态系统和劳动力。

由此产生的美国防部RAI S&I途径是围绕六个原则组织的,并确定了努力的方向:

  • 调整管理结构和流程,持续监督国防部人工智能使用,同时考虑到技术的使用环境。

  • 系统操作员需达到标准水平的技术熟练程度,以创建可信的人工智能系统和人工智能赋能系统。

  • 在人工智能产品和采购生命周期中保持适当的谨慎,以确保从人工智能项目一开始就考虑到潜在的人工智能风险,并努力减轻或改善这种风险,减少意外后果,同时以美国防部所需的速度扶持人工智能发展,以满足国防战略。

  • 利用需求验证过程,确保利用人工智能的能力与业务需求相一致,同时解决相关的人工智能风险。

  • 通过国内和国际参与,促进对RAI设计、开发、部署和使用的共同理解。

  • 确保所有美国防部人工智能工作人员对技术、其开发过程和适用于实施人工智能的操作方法有适当的了解,与他们在2020年美国防部教育战略中概述的原型角色的职责相称。

通过在军事道德和人工智能安全方面的领导,美国防部将赢得我们的服务成员、文职人员和公民的信任。我们也鼓励RAI在全球范围内的发展和使用,并加强我们与世界各地的盟友和合作伙伴解决现代国防挑战。

成为VIP会员查看完整内容
73

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。
《 美国国防部:反小​​型无人机系统战略》38页报告
专知会员服务
206+阅读 · 2022年8月12日
【AI】英国国防部《国防人工智能战略》摘要
专知会员服务
92+阅读 · 2022年6月22日
美国国防部《联合全域指挥与控制(JADC2)战略概要》
专知会员服务
247+阅读 · 2022年6月13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
188+阅读 · 2022年5月9日
人工智能: 国防部应改进战略、库存流程和协作指导
专知会员服务
38+阅读 · 2022年4月11日
美国人工智能国家安全委员会发布最终报告, 130页pdf
专知会员服务
127+阅读 · 2021年3月2日
国家自然科学基金
11+阅读 · 2016年12月31日
国家自然科学基金
1+阅读 · 2015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
1+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2011年3月31日
国家自然科学基金
88+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Towards Explainable Meta-Learning for DDoS Detection
Arxiv
0+阅读 · 2022年8月16日
Arxiv
0+阅读 · 2022年8月15日
Arxiv
28+阅读 · 2021年9月18日
Arxiv
11+阅读 · 2021年3月25日
Few-shot Learning: A Survey
Arxiv
362+阅读 · 2019年4月10日
Arxiv
11+阅读 · 2018年7月8日
VIP会员
相关基金
国家自然科学基金
11+阅读 · 2016年12月31日
国家自然科学基金
1+阅读 · 2015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
1+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2011年3月31日
国家自然科学基金
88+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
相关论文
Towards Explainable Meta-Learning for DDoS Detection
Arxiv
0+阅读 · 2022年8月16日
Arxiv
0+阅读 · 2022年8月15日
Arxiv
28+阅读 · 2021年9月18日
Arxiv
11+阅读 · 2021年3月25日
Few-shot Learning: A Survey
Arxiv
362+阅读 · 2019年4月10日
Arxiv
11+阅读 · 2018年7月8日
微信扫码咨询专知VIP会员