机器增强智能倡议
1 前言
国家情报局局长：缩小决策和数据收集之间的差距是情报界的头等大事。数据生成和收集的速度呈指数级增长，而IC劳动力无法分析和解释这种全源，跨域数据。借力人工智能，自动化和增强技术来增强效率我们的员工将提高任务能力并增强IC提供所需数据的能力对决策者的解释。使用机器增强智能（AIM）策略提供整合AIM技术以加快任务能力的框架和整个集成电路的发展。我根据AIM中概述的原则向IC员工提出挑战，建立和实施包括任务合作伙伴在内的整个IC范围内的AIM框架的战略，但切合实际-提供真正的能力来弥合正在做出的决策与数据采集。
国家情报局副局长：
为了实现确保智能优势的愿景，IC必须适应快速发展的全球市场。传感，通信，计算和机器分析中的技术民主化。这些趋势有可能侵蚀USIC以前独特的功能和优势。今后，我们必须提高分析和得出IC范围数据收集结论的能力，规模。我已将AIM技术确定为关键的变革性要素，这将有助于我们进行分析，员工有效地利用不断增长的数据量来获得决策优势。这个文件提供了将AIM有效整合到IC基准中的总体策略和目标。欢迎您对本文档提供反馈。
2 执行摘要
IC的工作是分析数据，连接不同的数据集，将上下文应用于数据，推断含义从数据中，最终根据所有可用数据做出分析判断。无论是通过收集还是通过公共可用信息（PAI）生成的数据都在指数式增加且很久以前超越了我们的理解或寻找最相关的集体能力用于进行分析判断的数据。AIM AAA技术（人工智能，流程自动化和IC官增强）作为关键的变革要素对于未来的任务成功和效率至关重要。
本文档概述了IC如何以解决关键IC的方式整合AIM功能法律，政策，文化，技术和结构方面的挑战，同时产生最佳有效的分析结果以及对情报任务的作战贡献。
人工智能（AI）尤其是其子学科机器学习（ML）表现出了戏剧性，自治系统，计算机视觉，自然语言处理和游戏方面的进步。
这些AI系统可执行的任务远远超出了最近才完成的任务（例如，自治系统），甚至在某些情况下甚至超出人类可以实现的范围（例如国际象棋和Go）。鉴于这些最新进展，IC正在认真考虑完全自动化的方法。为了他们的潜在利益，定义明确的流程，并通过分析或计划功能增强人类的专业知识。IC还针对这些相同技术监控其开发和采用中的漏洞。因此，AIM试图确定IC如何做到最好，通过实现适合于可证明的分析和操作的可接受风险来管理不确定性，并且支持AIM的解决方案和Tradecraft的优势。
由于这些AI技术的广泛商业应用，私营部门正在在相关基础设施和人员方面的大量投资。因此，我们必须仔细监控并利用私人投资，将我们的工作重点放在独特的任务需求领域，并重新考虑我们吸引并保留人类的专业知识。之所以存在这一战略要务，是因为我们的对手，尤其是俄罗斯和中国也认识到AI改变军事和情报行动的潜力并正在积极投资以实现这一优势。
IC的各个组件已经认识到AAA技术的价值。它是AIM计划的目标是将这些不同的努力集中在一起，以最大程度地发挥影响力，加快发展。数据量和速度的增长给现有数据和工作流程带来压力，而我们的对手正在大力投入可能会盲目或欺骗IC。通过采用AIM，IC将能够应对这些挑战。该倡议利用从当前和过去的AI努力中学到的经验教训; 加强IC与行业，研究机构和学术人才；并为
我们将继续扩大我们在AIM开发方面的跨部门方法，以确保我们提供的实施计划是IC的计划，而不是国家局长办公室的计划IC的Intelligence（ODNI）AIM计划。
AIM计划将使IC从根本上改变其生产情报的方式。我们会通过采用最佳可用的商业AI应用程序并将其组合来实现优势，具有IC独特的算法和数据保存功能，以增强我们分析师的推理能力。简而言之，我们的目标是：
如果知道并且重要，那么我们就知道。
AIM计划是一项IC范围的战略，其原因有以下三个：
首先，在私营部门，尤其是机器学习人才方面，竞争激烈。IC需要建立新的激励和雇用模式，并停止内部稀缺资源竞争。
其次，AI和ML系统要求必须共享的高质量标签数据集与IC合作伙伴最大限度地合作。 规则集，算法和专家知识捕获情报领域专家的隐性知识的基础必须对合适和相关的任务区域所有人可用。
第三，要迅速加速AI的采用，IC必须具有坚实的数字基础。这表示利用我们已经在IC信息技术企业（IC）中进行的投资ITE），并继续投资并改善IC ITE基础架构。
AIM计划有四个主要投资目标：
目标1 –即时和持续的–数字基础，数据以及科学技术情报
目标2 –短期–采用商业和开源窄带AI解决方案
目标3 –中期–投资间隙（AI保险和多模式AI）
目标4 –长期–投资基础研究，重点是感知
包括所有四个目标，IC必须解决AI保证，透明度和AI的可靠性以及潜在的对抗性用途。 AIM计划必须包括不断的努力，以都知道AI算法可能会失败。
AIM计划的意义远不止技术。 实施该战略将需要解决员工面临的挑战，理解并塑造管理IC的政策和权限部署并使用AI。 挑战的全球性质以及技术和社会的飞速发展。框架规定，IC必须与其他政府机构，私人机构建立牢固的伙伴关系部门，外国合作伙伴，国家实验室，联邦资助的研发中心（FFRDC），大学附属研究中心（UARC）和学术机构。 最后，AIM计划包括针对员工，国会，行政人员，分公司，行业和外国合作伙伴以及美国人民进行强有力的沟通和宣传计划。
使命势在必行
IC的业务，无论是在原材料还是产品方面，都是来自数据的情报。IC的工作是分析，连接，应用上下文，推断含义并最终进行分析和基于所有可用数据的运营判断。 数据生成的速度是呈指数增长，并在强调我们的集体能力。 一些例子：
到2021年，据估计，全球网络流量产生的数据将达到3.3ZB /年（从2016年的1.2ZB /年开始）; 这相当于全球人均拥有3.5台联网设备。
NGA主任公开估计，按照目前的加速步伐，到2037年，我们将需要超过800万名图像分析人员来处理所有图像数据。
IC特别关注的一个领域与AI任务保证有关，尤其是考虑到最近利用AI产生高质量，可负担的音频和视频媒体伪造品的商业尝试。这可能导致将真理与虚构分开的广泛困难。除了挑战之外，AI专业知识稀缺，分布在世界各地且在IC中非常有限的问题。
3 总览
除了愿景和指导原则之外，本文档还提供以下方面的指导：
投资额
与行业，学术界，研究机构和国家实验室合作
创建一个新的政策框架和对工艺的期望，使AI和ML同时促进安全使用和降低风险
重塑IC员工
与国防部（DoD）和国际合作伙伴的交往
创建分类活动以在未来几年产生战略优势的策略
研究与开发
治理和IC协作模型
一个健全的交流战略，针对包括国会，工作人员，我们的行业和国际合作伙伴，以及美国人民
通过AI建立一致的分类/解密流程以促进安全信息共享并促进适当的公众透明度
4 愿景
AIM计划旨在确保和保持战略竞争性信息优势，以通过重点开发和快速采用AAA技术实现IC。
在市值和增长前景方面都领先的私营部门公司认识到数字基础设施的重要性，并在相关技术，例如云服务和大数据。自新一代技术以来在前一个基础上，IC继续对其数字基础进行投资至关重要。 这个该计划将指导IC加速数字和分析转型的采用，确定任务用例，构建一致的数据生态系统，获取适当的AI工具，重塑劳动力，适应新的工作流程并改变文化。
IC可以而且必须这样做。 我们对云技术和数据服务的IC ITE投资已经铺平道路，在机器速度上利用独特数据收集和洞察力提供决策优势的途径。
5 指导原则
以下指导原则定义了一系列影响和指导AIM战略的方向，以促进整个IC的文化，政治和法律采用。机会很大；威胁是真实的；该方法必须大胆：认识到战略优势是短暂而脆弱的，IC必须愿意重新考虑或放弃流程和为更早的时代设计的机制，建立纪律严明的工程和运营实践，并在确保竞争激烈的全球环境中绝对专注于确保优势对抗环境。
ML模型是IC资产：机器学习到，基于IC ITE原理，即“数据是IC资产”
模型也是IC资产（与代理商或INT专用资产相对）。
训练和验证数据集：大多数ML方法都需要大型，高质量，带标签的数据套。这些数据集是重要的IC资产，必须在允许的最大范围内与IC合作伙伴共享。
捕获情报领域专家的隐性知识的规则集，算法和专家知识库也是IC资产，必须与所有适当的人员共享相关任务区域。
这种社区方法还必须认识到并针对特定于INT的需求采取行动改进，因为它们将在短期内成为变革能力的主要推动力。
在改进特定于INT的技术时，社区方法必须考虑到需要相关的交叉INT数据集。
即使无法共享实际的训练数据，也要共享从这些模型衍生的模型训练集，以及从中获得的教训，可以增加这些资产的价值。
人工智能可以成为强大的工具，但我们必须认识到挑战：
ML分类器仅与用于训练它们的数据一样好。 例如，经过地面图像训练的图像分类器可能无法对从开销中收集的图像进行分类。
即使是最先进的AI模型也容易受到对手的攻击。
AI和ML模型受“概念漂移”的影响，即在现实世界中，数据经常以非显而易见的方式到达流中并随时间演化。因此，模型必须不断适应数据环境的变化，以确保提高准确性的机会不容错过。
IC应该了解AI的流行趋势，但应该专注于我们如何最好地使用该技术。当媒体炒作消退时，IC必须准备好执行长期而艰巨的任务，利用这些技术创造持久的运营价值。
许多ML模型的标准输出中没有包括其决策过程的描述，因此，偶然的用户可能会误解其结果。
AI保证模型和对抗性AI必须与AI系统同时解决：愚弄AI算法的工作水平远低于开发它们的水平。 因此：
智能系统必须考虑故障模式。例如，图像分类器可能会因输入数据中的很小变化而被愚弄，从而增加了人类反复参与AI活动的必要性。
IC必须了解并预测外国实体如何使用AI和开发技术以及否认和破坏这些活动的策略。
IC必须开发情报系统，以证明对用户和监督者的决策和响应背后的基本原理。 对于做出关于分类，传播或对生命至关重要的决策的关键决策的情报系统，此类决策和响应除了透明度外还必须能够提供某种程度的正确性证明。
计算机视觉的最新发展导致了可以生成难以与未更改的数字媒体区分开的伪造（更改或伪造）图像和音频记录的方法。 IC需要开发应对这种能力的方法。
人工智能不能替代发展坚实的数字基础。它需要以下基础：
IC必须继续投资并改善IC ITE基础架构，并为共享的最新硬件和/或其他高性能计算（HPC）系统制定策略。
IC必须加快使数据可以广泛共享的活动。 我们将尊重需要知道的要求和操作敏感性，但不得将其用作不必要地限制数据共享的借口。
IC必须创建一项持续的投资计划，以针对最重要的情报优先事项创建高质量的培训集。
尽管存在投资缺口，但IC仍具有机会：
美国政府（AI）对AI的投资与私营部门的投资相比相形见绌，而IC投资仅是美国国防部（DoD）投资的一小部分。
IC不仅必须利用国防部和私营部门的投资，而且还必须准备投资IC独特的领域。
IC应该在对IC任务至关重要的领域进行投资，在这些领域中，私营部门几乎没有激励措施，例如低射学习和对抗性AI / AI保证。
共同服务是优先事项，但是，仍然需要专业化：
IC必须为计算机视觉，人类语言技术，身份智能，流程建模，分析发现，自动化计划和其他领域中的通用功能创建通用服务，同时在适当情况下鼓励采用针对特定任务的原则化方法。
必须在劳动力上进行投资：IC必须培养技术更先进且具有企业意识的劳动力。 我们必须：
进行战略性的劳动力规划和劳动力分析，以解决AAA劳动力需求和技能差距。
投资用于培训和改造现有员工的程序，这些技能是在AI增强环境中工作所必需的技能。
重新定义招聘，薪酬和保留策略，以吸引具有高技能的人才。
与行业一起制定并不断扩展伙伴关系计划，包括实习和实习计划，以增加在政府内部和外部具有相关技能的清算人员的数量。
更战略性地利用IC联合职责（JD）计划，以无缝方式在整个IC上共享专业知识。
了解并最大化人力资本机构，政策和计划，以扩大AAA员工队伍。
与合作伙伴的参与至关重要：
成功的AI策略要求全美国范围内与私营部门，教育机构，FFRDC，国家实验室和国际合作伙伴（尤其是五眼[FVEY]合作伙伴）。
保持对外国威胁的了解是一项情报优先事项：
为了保持战略优势，有效应对这些威胁并制定适当的情报政策，IC必须重视与运营集成的S＆TI，并专注于AI。
6 投资策略
全球私营部门对AI，ML和相关技术的投资正在迅速增长。 2016年全球私营部门投资的估计范围为$ 26B至$ 39B（麦肯锡）。该投资策略认可了私营部门的重大投资，并确定了以下投资的优先顺序：1）使IC快速采用最佳的商业和开源功能，以及2）加速对IC独有且私营部门目前不关注的领域的研究 。成功的投资策略还认识到，我们必须保持基础设施收益的势头，例如完成IC的HPC架构以及加快数据调节，存储和共享活动。如图1所示，该投资计划分为四个部分，涉及基础研究，应用研发，开发和采用的各个方面。
目标1–即时和持续的–数字基础，数据和S＆TI：AI活动不能替代持久，安全，标准化和可测量的IC级数字基础设施和数据生态系统。 IC将：
使数据可用于各种分析平台和模型
建立并维护所有INT和学科的相关培训数据。
调整政策和策略，以实现更多自动化的方法来组装和审查培训数据。
寻找面向未来的数据。建立数据标签和评估指标的标准。
进行一项计算资源不断增长的计划，以确保有足够数量的当前一代硬件可供IC AI专业人员使用。
改善AI的基础S＆TI，包括AI的对抗性使用。
研究共同学习和AI保证模型，尤其是漏洞和标准。
目标2 –短期–采用商业和开源AAA解决方案：IC必须通过迅速转换最佳的商业和开源AAA功能来利用私人部门的大量投资。 这将通过以下方式完成：
积极寻求各IC代理商的机会
建立一个IC AIM中心：为了促进创新和快速的原型变革解决方案，IC将建立一个AIM中心，该中心配备了来自整个IC的AI和ML人才，并得到了行业专家的大力支持。
与主要合作伙伴合作，以发现机会：加强与情报高级研究计划活动（IARPA），国防高级研究计划局，In-Q-Tel，国家实验室，国防创新部门-实验和行业的合作。 倡导以最小的重复努力解决差距的活动，这将促进适当的AAA能力快速过渡到运营。
目标3–中期– AI保证和多模式AI：为了创建和保持战略优势，IC必须开发能够处理和关联多种模式信息的AI解决方案。为此，IC必须继续实施打破传统的政策。
目标4–长期–投资于致力于意义的基础研究：IC必须了解相关环境中的多式联运信息，并寻找可大大增强IC人员活动的方法。
迄今为止的大规模投资以及目前计划中的（公共和私人）投资都不会足以满足IC独特，基础和全源意义的需求。 因此，基础研究将集中于这些领域，并促进公共部门和私营部门之间的合作。
7 政策与权限
作为AIM战略的一部分，IC将通过USG内部以及必要时国际场所的适当努力，研究当前的贸易格局并解决新出现的政策问题。将AIM活动（例如收购，企业管理，分类，和分析完整性），并将在适当的法律顾问，公民自由，隐私和政策人员的咨询下进行开发。 ODNI将提供专门，综合的政策和法律措施来分解信息共享的障碍，尤其是INT专用数据，因此我们不会无意中减慢技术进步的步伐。
8 员工战略
IC必须培养一支技术上更先进且具有企业意识的员工队伍。 我们必须：
进行战略性的劳动力计划和分析：劳动力计划将有助于准确识别当前和未来的技能差距，还将增强IC确定最合适的缓解策略（例如，培训，薪酬等）的能力。
投资用于培训和装备员工基本AI技能的计划：这并不意味着劳动力中的每个人都需要成为深度学习或Python编码方面的专家，但是每个人的确需要了解AIM如何适应新的工作流程以及他们如何 可以做出贡献。 具体动作包括：
领导力–必须了解对情报流程的影响，对威胁环境有深入的了解，并营造一种环境，该环境能够营造开放和协作的文化，同时重新培养员工以使其在AI加速环境中运作。
基于IC 2025的劳动力转型以吸引具有高要求AI技能的人才：作用
近年来，针对具有这些技能的人的描述已经使用了许多不同的术语。因此，具有这些技能的个人可能会使用，但是使用不同的关键字。这些替代术语包括分析，数据科学，数据整理，统计，机器学习，深度学习和建模。这些涵盖了提出和测试新方法的研究人员，以及使用这些算法创建和验证模型的模型构建者。
与行业和学术界制定合作伙伴计划，以在快速发展的领域中了解最佳实践和可用工具，从而增加IC内部人员的数量，并鼓励IC外部的人员建立满足IC需求的能力。 具体行动包括：
通过教育服务协议（“ROTC”），IC博士后扩展以及实习/实习计划，在毕业之前和与行业薪资竞争之前招聘人才。
支持临时的非政府部门轮换政府（实习，实习）。
扩大休假，兼职行业的《政府间人事法》职位和咨询机构，以授予教职人员许可，以增加IC的可用技术技能。
调查政策或资金方面的变化，以提高美国本国和外国出生的毕业生在技术领域的保留率和吸引力，包括不需要许可的员工角色和“快速”招聘，使专家能够在获得认可之前从事生产性工作间隙。
扩大使用公开挑战性问题（例如IARPA）并开发数据和代理问题使外部社区关注IC感兴趣的区域。
确定未分类的等效领域，供研究人员使用。尽管IC代表着独特的环境，但通常相似的领域会为未经研究的研究人员提供开发和测试与IC数据具有许多相同质量的数据的算法的机会。 这也引起了人们对公共服务的兴趣。
利用IC JD计划：随着IC外部人才争夺的不断增加，社区必须利用IC Civilian JD计划在IC上共享和保留人才，并为其他IC任务提供劳动力机会。 我们应该：
确定每个机构将从JD计划中受益的相关职位。
跟踪专业人员的JD机会以及AI社区对JD程序的使用。
确保参与JD计划的人员的投资回报达到AI目标，并且在明智的投资阶段中是可持续的。
了解并最大化人力资本主管部门和扩大AI劳动力的政策：IC部门和DNI拥有某些主管部门，可协助管理IC就业生命周期。 为了确保最有效地利用这些权限，我们应该：
确定并实施可提高招聘，聘用，补偿，培训和保留AI专业人员。
确保人力资本政策使IC要素能够支持AI员工的就业，并且不要架设可能使AI员工脱离工作的障碍。
利用当前的人力资本计划并监控实施和用户反馈：AI经理必须与人力资本专业人员不断合作，以利用使IC员工能够实现任务目标的计划。 示例包括：
奖学金和其他教育财政援助（例如，斯托克斯奖学金）。
全面的招募计划，其中包括与各种学校的外展活动（例如，采用ASchool，IC受伤战士计划，STEM外展活动）。
IC HeritageCommunity Liaison Council，这是一个支持IC员工队伍发展目标（包括外展和招聘）的论坛。
招募工作，例如IC虚拟招聘会和IC学术卓越中心。
9 行业合作策略
由于该国大部分AI资源都位于私营部门，因此合作伙伴关系对于IC是必不可少的。然而，与政府合作的障碍通常需要付出巨大的努力才能消除。这需要更灵活的获取范例。 这包括合作协议，这些协议可能会交换算法或“分析即服务”的数据，以及解决IC问题的公共奖项挑战。 由于大部分开发工作都发生在IC之外，因此我们必须共同优先考虑对产品的认证和鉴定新软件，以便可以更快地在安全网络上部署代码。 ODNI将与IC元件合作，为AIM能力制定行业合作计划。 该计划的要素将包括：
通过行业获取USG数据进行算法开发
启用人力资源策略以简化政府与行业之间AI技能的开发和共享，以纳入新的安全性方法
ODNI倡导AI基础研究资金
创建共同关注的AI服务或特定能力合同
更新情报，行业数据和能力共享策略以及监督
USG机构，国家实验室，FFRDC，UARC，商业和学术机构的角色
利用USG，国家实验室，私营企业和学术机构，ODNI必须促进合作伙伴整合。 因此，合作伙伴角色包括：
促进AIM合作伙伴之间的沟通
在可行的情况下促进共享分析服务的开发
共享数据集和计算
捕获并共享来自IC系统和分析的专家知识
捕获并共享任务数据以用于将来的训练数据集和模拟
开发对抗/反击AI的防御和进攻技术
协调研发活动
现代化多机构数据共享实践
改进关于外国AIM能力和意图的S＆TI
全USG：
在实验室，私营企业和学术机构之间共享数据集
聘用和保留有关移民政策，IPA或教育服务协议（“ ROTC”）的专家
协调国防部和集成电路研发，计算和数据购买以及数据标记工作
同步资助基础研究和应用研究
国家实验室/ FFRDC / UARC：
为USG提供专家顾问
验证和验证算法和数据集，测试和评估（T＆E）以及AI方法
进行以任务为中心的研究
开发与AIM相关的算法和系统原型
支持人才开发
行业：
提供可通过USG收购和/或投资获得的商业工具
进行以任务为导向，与AIM有关的研发
为USG提供专家顾问
通过合法，可支持的业务模型适当共享数据集
学术机构：
进行需要进行长期科学突破的研究
为USG提供专家顾问
培养下一代成为高技能的劳动力，以开发AAA工具并开发技能以利用AAA系统
10 外国合作伙伴参与
盟国和伙伴国可以促进我们共同开发情报产品。扩大国际合作伙伴关系将提供机会，以增加馆藏的获取和可靠性，提高合作伙伴数据和分析的质量和数量，调整战略能力和新兴技术，并促进数字架构和分析性贸易工具之间的兼容性。
人工智能保证–确保并保持竞争优势
IC使用这些数据创建的独特数据和工具是重要的IC资产，可为USG任务提供竞争优势。 这种优势是短暂而脆弱的，需要纪律严明的工程和运营实践，并且绝对专注于在竞争激烈的全球对抗环境中确保优势。商业和USG的需求在重要方面有所不同，但在很大程度上伴随着对数据，贸易工具，工具，T＆E，安全性和S＆TI的持续投资的需求重叠。
人工智能技术已经清楚地表明，它们可以提供强大的功能。他们还证明了自己的脆弱性和脆弱性。 今天可以使用一些原则和最佳实践。
数据：机器学习系统仅与用于训练它们的数据一样好。在这些数据中获取从预期的操作环境中获取大量数据是至关重要的优势。 必须对这些数据进行连续监视，并在必要时重新获取它们。 这是工程技术最佳实践，类似于标准软件测试套件准则。
软件：编写最先进的AI / ML软件套件是为了支持科学，而不是国家安全运营。没有网络安全的概念。 USG的需求与行业和大学的需求不完全一致； 我们需要以一种健壮，可持续的方式区分最新发展的工具。
系统：需要持续评估性能。机器学习系统何时发生故障，甚至它们是否会按预期工作，几乎没有什么理论可以告诉我们。 对于任何对安全至关重要的系统或国家安全系统，这种情况都是不可接受的。 我们必须始终纳入绩效监控，我们应该支持理论发展。
测试和评估：太多的AI / ML项目启动时都没有指标，无法让IC理解投资是成功还是失败。创建学科来定义预先衡量指标并建立严格的测试制度和时间表。
必须解决概念漂移问题。“概念漂移”的想法是，所有计算机工具都是根据对现实世界的特定假设构建的，并且这些假设的基础通常会随时间而变化，因此需要对工具进行监视和更新。诸如控制系统理论之类的已建立学科的最佳实践可以帮助构建如何应对这一挑战的方法； 我们必须发现问题，并在可能的情况下自动纠正。
对抗性AI技术代表机遇和风险。 我们拥有高度复杂的对手，他们可以使用相同的工具，他们自己的数据以及与我们自己的员工一起在同一所大学接受培训的专家。人工智能仅仅是基于技术的军备竞赛的新战场之一。
S＆TI是优先事项。 我们必须加深对外国对手战术，技巧和程序的了解。
了解AAA技术何时失败至关重要。 技术文献中充斥着如何欺骗AAA系统的示例。 我们需要知道针对我们资产的对抗系统的使用方式和位置。
11 外联/沟通策略
诸如AIM计划这样的转型努力成功的关键因素在于对企业所有组成部分的认识和教育。因此，ODNI将建立并
为以下每个受众群体制定强有力的沟通参与策略：
IC，包括领导层和员工队伍
国防部和其他政府机构
国会和白宫
私营部门
国家实验室和学术界
美国人民
12 管治
以成功实施AI并认可的私营企业为例。强大的执行领导力与更强的AI采用能力紧密相关，PDDNI将与IC副执行委员会（DEXCOM）一起成为该战略的执行发起人。
13 结论
AIM技术将对IC的运行方式产生变革性影响。数据量和速度的增长要求IC大幅度地重新考虑我们如何执行任务。 此外，我们的对手已经意识到AIM方法的重要性，并正在大力投入
这些技术。这里列出的原则和策略将使我们能够应对这些挑战。最显着的是，这些策略将借鉴并利用从当前和成功的AIM努力中学到的经验教训； 加强IC与行业，研究机构和学术人才之间的合作；并为IC增加AIM技术专长的人才库。 我们在所有这些方面的目标是实现现在和将来的IC目标。 “如果它是已知的，并且很重要，那么我们就知道。”–苏·戈登（Sue Gordon）
附录A：A的背景
人工智能（AI）：IC将AI定义为“计算机科学的一个分支，专注于编程机器以执行复制或增强人类认知方面的任务”，这个词在1950年代就创造了。那时，科学家开始利用新生的计算机功能来更快地执行高级信息操作。特别地，已经认识到，计算机不仅可以用于对数字进行计算，而且可以用于对其他类型的信息（例如符号，数据和文本）进行推断。这就普及了“思维机器”的思想，如果充满了所有正确的知识和访问和检索规则，就可以模拟人类的反应。
通常被认为是AI子领域的技术和研究领域：
自动化的计划和调度
计算机视觉
决策支持，预测分析和分析发现
分布式人工智能/基于代理的系统
人类语言技术
身份智能
机器学习
流程建模
机器人技术/自治系统
理想的AI系统：具有理想的人类智能能力的计算机，具有计算机的速度，容量和精度
对抗性AI：一部分AI专注于理解恶意对手在场时AI系统的行为。
人工窄带人工智能（ANI）：也称为“窄带AI”或“弱” AI，这是一种专门用于单一目的且不能泛化的AI系统。 当前所有的应用都是ANI。
人工智能（AGI）：也称为“通用AI”或“强” AI，这是一个可以处理任何人类智力任务（记忆，学习，抽象和创造力）的AI系统。 尽管自1950年代成立以来，建立AGI一直是该领域的目标，但没有AGI系统。
AIM INITIATIVE-使用机器增强智能
狭窄的AI和多模式AI：几乎所有当前的AI商业应用都是狭窄的解决方案
他们用一种数据解决了一个问题。 图像分类，面部识别和人类语言翻译都是狭窄的AI解决方案的示例。 IC必须将来自多个INT的数据汇总在一起，以便为分析师提供有关各种不同数据的上下文和意义。多模式AI在IC必须应对的多个领域中提出了全新的挑战。挑战包括：
表征-以一种利用其互补性和冗余性的方式呈现和汇总多模式数据。 例如，开发表示方法，允许同时分析从SIGINT导出的音频以及图像和视频。
翻译–学习如何将一种模式翻译或映射到另一种模式，同时认识到模态之间的关系通常是主观的。 例如，有许多正确的方法来用单词描述图像，但是可能不存在从图像到文本的完美翻译。
对齐–了解如何识别元素和子元素之间的直接关系以从多种模式中获取含义。 例如，将事件的口头描述与视频中的序列对齐需要测量之间的相似度
方式，并了解远程依存关系和歧义。
融合–了解如何结合来自多种模式的信息，这些模式可能具有不同的预测能力和噪声特征。 例如，在视听语音识别中，嘴唇运动的视觉描述与语音信号融合在一起以预测口语单词。
共同学习–探索知识如何从一种模式学习，可以帮助在另一种模式下训练的计算模型。
自动化计划：AI的一个分支，专注于生成实现目标所需的策略或动作序列。
自动化：旨在执行重复性任务的计算系统。
自治系统：无需人工干预即可执行任务的系统。 在AIM中，我们特别关注执行复杂推理任务的计算系统。
灾难性遗忘：当在一系列较早任务中学习到的性能在被给出较后任务的实例后完全或大部分丧失时，就会发生的学习问题。
共同学习：机器学习的一个子领域，其重点是了解如何同时学习多个代理，或者单个代理如何使用从一个模态学习以改进在不同模态上训练的计算模型。
计算机视觉：旨在分析，提取和理解单个或多个图像中的对象和关系的研究领域。
概念漂移：机器学习中的概念是学习的概念会随着时间而改变。 例如，区分不同类型的恶意软件是一项分类任务，该任务会随着新恶意软件的产生而变化。