河套 IT TALK 53：（原创）聊聊美国国防高级研究计划局正在投资的项目(四)

【太长不看】(TLDR) ：本文介绍了10个DARPA目前正在投资的项目，分别为：RIDE（新型含能材料的分子发现和集成设计）、RPOD（电子垃圾元素回收）、RQMLS（可逆量子退火计算机器学习和模拟）、ROCkN（高精度光时钟网络）、SAIL-ON（开放世界的人工智能与学习）、SAVaNT（原子蒸气科技）、SIGMA+（潜在的放射性和核威胁检测和响应）、SEE（空间天气预测）、STRENGTHEN（通过工程神经可塑性治愈或缓解抑郁）以及SCORE（人类社会行为评估和预测）。

在本系列的第一篇我们对美国国防高级研究计划局（DARPA）做了一个简短的介绍。

DARPA的项目相当多都是公开的，由于机构运作节奏很快，所以项目也不停地启动和终结。但有一点是毫无疑问的：了解DARPA正在资助什么项目，会有助于我们了解美国科技的前沿。这个系列，我们将分大约分几期来阐述当下DARPA网络公开的正在资助的科研工程项目，让大家一窥端倪，或许能对在科技前沿的方向选择上的朋友有一定程度的启迪。

本文，我们将继续和大家介绍另外10个DARPA正在投资对项目。

注意我们对每个项目的解读也有自身知识结构的局限，如果想进一步了解更多信息，可以去公开渠道自行查询。

RIDE

RIDE是Rational Integrated Design of Energetics（能量学的合理集成设计）的缩写。

RIDE项目和我们介绍DARPA正在投资的项目举出的第一个例子加速分子发现AMD（Accelerated Molecular Discovery）项目属于同一类，都是通过人工智能的方式实现快速、可重复的实验和高效的属性优化，正在彻底改变功能分子的发现和生产。

但是和AMD项目不同，RIDE聚焦于开发用于军事应用的新型含能材料，例如炸药和推进剂。

该项目通过整合计算建模、合成和测试，以加速这些材料的设计和开发，最终目标是提高它们的性能、安全性和可靠性。具体而言，这些将包括：1) 将能量学成分合成与配方开发和测试相结合的安全、半自动化实验能力；2) 理论、实验和/或统计方法，能够在缩小的尺度下安全、准确地评估关键的能量学特性。

RIDE 的方法是全面了解含能材料的基础物理和化学，并利用这些知识来指导满足特定性能标准的新材料的合理设计。

关键词：人工智能、含能新材料

RPOD

RPOD是Recycling at the Point of Disposal（处置点回收）的缩写。

由于全球范围内处理的电子设备数量不断增加，电子垃圾已成为一个日益严重的环境问题。根据 Global E-waste Monitor 2020，2019 年全球共产生 5360 万吨电子垃圾，预计到 2030 年将增至 7400 万吨。电子垃圾处置不当会对环境和健康造成严重后果，因为电子设备含有铅、汞和镉等有害物质。这些有毒物质会渗入土壤和地下水中，污染环境并对人类健康构成威胁。

为了应对电子垃圾造成的污染，全球采取了各种措施。政府和组织正在促进电子垃圾的回收，以减少最终进入垃圾填埋场的电子垃圾数量。这可能涉及从废弃设备中提取有价值的材料，特别是稀有金属，比如铜和金。

为了解决这些问题，许多翻新组织为其运营制定了环境和安全指南。例如，他们可以使用专门的设备和经过培训的人员来确保危险材料得到妥善处理和处置。他们还可以使用环保和无毒的方法测试和维修设备。尽管做出了这些努力，但在处理电子垃圾时始终存在二次污染的风险。

同时由于全球化局势相对紧张，导致很多稀有元素的全球化贸易存在阻断的风险，而很多稀有元素供应链对中断对很多关键的电子部件生产影响巨大。

从电子垃圾中回收关键元素的火法冶金和湿法冶金等现代方法最适合从原料中回收大体积分数的成分，但不适合回收电子垃圾中常见的多种低体积分数元素。虽然理论上可以利用物理、化学和功能特性的组合来分馏关键元素，但这种方法受到在处置点可以协同工作的化学知识不足的限制。

RPOD项目聚焦的方向，就是最大程度从电子垃圾中回收尽可能多的关键元素的技术可行性，同时保证这种回收过程中，最小程度对环境产生二次污染。

如果成功，从电子垃圾中回收稀有元素可以最大限度地减少在国外采购或加工的关键元素的供应链中断，这些关键元素对于高性能国防部硬件至关重要。

关键词：电子垃圾、稀有元素回收

RQMLS

RQMLS是Reversible Quantum Machine Learning and Simulation（可逆量子机器学习和模拟）的缩写。

在当下，量子计算成为热点话题。而量子计算有很多技术，比如：超导量子比特、离子阱量子计算机、光子量子计算机、量子退火炉和在这个基础上发展的可逆量子退火变体。这些技术有各自的优缺点。

而机器学习和人工智能技术目前正应用于多个领域，包括分子模拟、多体物理学、分类和计算优化。然而，当问题的复杂性随着问题规模呈指数增长时，解决这些类型问题的进展正在放缓或停止。此外，即使克服了这些复杂性障碍，机器学习解决方案的影响通常也会因训练和操作机器学习系统的高能源成本而减弱。

原则上，这两个基本障碍——复杂性和能源效率呈指数级增长——都可以使用高相干量子退火炉来克服，这是一种特殊类型的量子计算技术。

一般而言，以D-Wave为代表的量子退火计算机，特别适合不涉及离散变量而是连续变量的优化问题的解决。该过程涉及将量子退火炉初始化为简单的量子态，称为基态，对应于系统的最低可能能量配置。然后，系统慢慢演化到更复杂的状态，使其能够探索可能的解决方案空间。随着系统的演进，它越来越有可能处于与优化问题的最佳解相对应的状态。在量子退火过程结束时，对量子比特进行测量，其结果是具有一定概率的优化问题的最佳解。该过程可以重复多次，以增加找到最佳解决方案的机会。

高相干量子退火炉是一种量子退火技术，旨在改善量子比特的相干时间，这是衡量一个量子比特在被噪声和其他环境因素破坏之前可以维持其量子状态多长时间的量度。较长的相干时间在量子计算中通常是可取的，因为它们允许更准确和可靠的计算。

可逆量子退火是一个很有前途的研究领域，因为它有可能减少退火过程中可能发生的错误。通过确保量子系统的演化是可逆的，可以恢复有关系统中间状态的信息，这有助于识别和纠正错误。除了减少错误之外，可逆量子退火还可以使用更高级的优化算法。例如，一些优化算法是基于逆向系统演化的思想来寻找最优解的。可逆量子退火可以为在量子退火炉上实施这些算法提供一个自然平台。

实现高相干量子退火的一种方法是使用所谓的“绝热量子计算”(AQC)。在 AQC 中，量子退火过程被设计得足够慢，以至于系统在整个计算过程中都保持在基态，而不会被激发到更高的能态。这需要仔细控制量子位与其环境之间相互作用的时间和强度，以及控制系统随时间演变的退火计划的设计。

高相干量子退火炉的一个著名示例是 D-Wave 2000Q，它使用具有 2000 多个量子位和高达 100 微秒的相干时间的超导芯片。D-Wave 2000Q 使用复杂的退火程序，利用系统的量子力学特性来解决优化问题。

其他公司和研究小组也在致力于使用各种不同的方法开发高相干量子退火炉，例如离子阱、光子系统和拓扑量子位。然而，由于存在环境噪声和其他退相干源，在这些系统中实现高相干时间可能具有挑战性。与其他类型的量子计算一样，高相干量子退火炉的开发是一个活跃的研究和开发领域，对计算的未来充满希望。

RQMLS项目旨在：(1) 探索可逆量子退火炉的基本限制；（比如绝热性、哈密顿量变化速率、量子比特数和适用场景的约束等）(2) 定量预测这些系统在模拟、多体物理、分类、优化和其他领域的机器学习任务的计算效用；(3) 为这些预测设计可以在小规模系统上进行的实验测试。如果成功，这些小规模系统可以扩展到更大的、可能具有变革性的系统。

关键词：可逆量子退火、高相干量子退火、绝热量子计算、机器学习

ROCkN

ROCkN是Robust Optical Clock Network（强大的光时钟网络）的缩写。

在过去的二十年里，光学领域的精确计时在实验室中发展迅速，最近在稳定性和精度方面超过了无处不在的微波计时技术。

微波计时利用铯原子的振动来测量时间。这项技术已经在原子钟中使用了几十年，并且非常准确，典型的不确定性为 10^14分之一。这种精度水平在许多科学和技术应用中很重要，例如GPS卫星导航系统。

光学时钟是一项相对较新的技术，它利用原子在光学频率范围内的振动（通常使用激光）来测量时间。它们甚至比微波时钟更准确，不确定性低至 10^18 分之一。这种精度水平允许光学时钟用于更精确的应用，例如基础物理理论的测试。也就是说，与微波计时相比，光学精密计时将精度和准确度提高几个数量级。

ROCkN项目涉及开发用于远距离产生、测量和分配光时钟信号的新技术。这包括开发新的激光系统、光纤和原子钟。ROCkN潜在应用范围很广，包括改进导航和通信系统、更好地同步大规模科学实验以及提高地质学、气候科学和天文学等领域的精度。

ROCkN项目的目标就是开发光学精密计时技术，以显着提高可在实验室外运行的小尺寸、重量和功率（SWaP）设备。以保证这种设备在国防等各方面的技术精度要求。

ROCkN包含两个子项目：TA1 旨在开发小型便携式时钟，以适用于机载或星载平台的坚固封装中，以提供分布式相干传感和其他应用所需的时间精度。TA2 旨在开发具有长达一个月的 GPS 质量精确时间和自主操作保持能力的便携式时钟，以期在陆地或海上平台上提供当地区域时间尺度。

ROCkN项目常见的技术挑战是在受物理尺寸、重量和功耗限制，以及环境敏感性要求约束的同时提供所需的定时精度和保持时间。

如果项目成功，ROCkN会在所有的需要计时的业务领域推广。预计未来几年，光钟将在广泛的科技应用中发挥越来越重要的作用。

关键词：光学时钟、精密计时

SAIL-ON

SAIL-ON是Science of Artificial Intelligence and Learning for Open-world Novelty（用于开放世界新奇事物的人工智能与学习）的缩写。

当前的人工智能系统擅长执行严格规则定义的任务，例如精通棋盘游戏和国际象棋，其熟练程度超过世界级人类棋手。然而，AI系统并不擅长适应现实世界中部队经常面临的不断变化的条件——从对手的突然行动快速做出反应，到某些变化无常天气后的应急处理方案，临时改变任务路线，来到不熟悉的地形中作战。这种情况下的AI系统需要能应对这些异常状况再一系列军事应用中与人类有效合作，智能机器需要从封闭系统，封闭世界的有限边界内解决问题，过渡到以流动和新颖情况为特征的开放世界挑战。

开放世界的情况会比较复杂，这些情况可能与训练数据中看到的不同，使系统难以做出准确的预测或决策。为了解决开放世界问题，可能几种 AI 算法会被特别考虑在内：

1. 强化学习 (RL)：使AI能够从与环境的交互中学习以实现特定目标。在开放世界场景中，RL 可用于学习策略，使AI即使在不确定和不可预测的环境中也能做出最佳决策。

2. One-Class Classification：是一种用于学习可以区分已知和未知实例的模型的技术。将新颖和意外的实例分类为异常值，然后可以进一步分析或标记这些异常值以供人类注意。

3. 主动学习（Active Learning）：从大量未标记数据中选择信息量最大的样本，供人类或其他 AI 算法标记。这在系统遇到新情况并需要获取新知识以做出准确预测的开放世界场景中非常有用。

4. 集成学习（Ensemble Learning）：是一种结合多种机器学习模型以提高其准确性和鲁棒性的技术。集成学习可用于开放世界场景，以降低错误预测的风险并提高系统的整体性能。

其他技术包括：计划识别、知识表示、异常检测、故障诊断和恢复、概率编程也会被考虑在内。

关键词：开放世界、异常状况应对、强化学习、主动学习

SAVaNT

SAVaNT是Science of Atomic Vapors for New Technologies（新技术原子蒸气科学）的缩写。

原子蒸汽，和大家平时了解到的蒸汽性质不同，是指的通过特殊的方式（高温、激光等）使得蒸汽中的原子自由移动并相互作用。在这种状态下，原子可以处于不同的能级，并且可以与外部场（例如磁场和电场）或与光相互作用。

原子蒸气被用于物理学和工程学的许多应用中，例如原子钟、量子计算和传感技术，因为它们提供了一个高度可控和可调的系统来研究原子相互作用和特性。

DARPA SAVaNT 项目中，原子蒸气被用作开发高精度电场和磁场传感器的平台，并用于探索光与物质在密闭空间中的相互作用。

该计划分为三个技术领域：里德堡电学、矢量磁力学和蒸气量子电动力学 (vQED)。每个领域都专注于一个特定的应用领域，预计原子蒸气将在这些领域产生最显着的影响。

里德堡电学指的是一种使用里德堡原子以高灵敏度测量电场的技术。里德堡原子是被激发到高能态的原子，其最外层电子位于远离原子核的位置。在这种状态下，里德堡原子对电场变得非常敏感。通过测量外加电场引起的里德伯原子能量变化，研究人员可以确定电场强度。

SAVaNT 旨在开发新技术来控制和操纵里德堡原子，以提高它们的相干性并实现电场的高精度测量。

矢量磁力计是一种以高灵敏度和准确性测量磁场强度和方向的技术。在这种技术中，原子蒸气被用作磁力计。当暴露在磁场中时，原子的自旋发生进动，进动频率与磁场强度成正比。通过测量不同方向的进动频率，研究人员也可以确定磁场的方向。矢量磁力测量的主要挑战是提高测量的灵敏度和准确性。与背景气体原子碰撞、磁场梯度和自旋弛豫等退相干机制会限制测量的灵敏度和准确性。SAVaNT 旨在开发新技术来控制和操纵原子自旋，以提高它们的相干性并实现高精度矢量磁力测量。

蒸气量子电动力学 (vQED) 是一个研究领域，旨在探索密闭空间中光与物质之间的相互作用。在这种技术中，原子蒸汽被限制在一个空腔中，在那里它们可以与电磁场的单一模式相互作用。这种相互作用会导致真空诱导透明和兰姆位移等效应，这对量子信息处理和其他应用非常重要。

vQED 的主要挑战是在室温下提高腔内原子蒸汽的相干性，因为与背景气体原子碰撞、腔损失和热波动等退相干机制会降低相干性。DARPA SAVaNT 旨在开发新技术来控制和操纵空腔中的原子蒸汽，以提高它们的相干性，并能够用原子蒸汽演示空腔量子电动力学。

所有技术领域的主要科学挑战是提高原子在室温下的相干性，这对于高精度测量和量子信息处理至关重要。具体的技术挑战取决于每种方法中的主要退相干机制。

关键词：原子蒸汽、量子信息处理、相关性、高精度测量

SIGMA+

SIGMA+是SIGMA项目的下一个阶段。

之前的SIGMA项目的目标是创建一个传感器和检测系统网络，它们可以协同工作以提供全面和准确的威胁评估。这包括开发可以检测伽马射线和中子辐射的新传感器，以及用于处理和分析这些传感器生成的数据的新算法和分析工具。SIGMA项目还侧重于开发集成和数据融合技术，使来自多个传感器的数据能够实时组合和分析。这样可以更全面地了解潜在威胁并缩短响应时间。

SIGMA+项目将具有更广泛的范围并强调整合来自多个来源的数据。SIGMA+ 旨在提供更全面和集成的方法来检测和响应潜在的放射性和核威胁。它采用了一系列传感器和技术，包括伽马射线探测器、中子探测器和高级算法，以及其他数据源，如无人机、地面传感器，甚至智能手机应用程序。

另一个关键区别是 SIGMA+ 更加重视隐私和公民自由。该系统旨在通过最大限度地减少个人数据的收集和使用来保护个人隐私，同时仍提供有效的检测和响应能力。

美国国防部出于对国家安全的考虑，有多个项目是聚焦在非法放射性和核材料检测上的。包括之前谈到过的：ACCEL（先进概念紧凑型电子直线加速器）、GRIT（伽马射线检测技术），SIGMA+也是这种类型的项目。不过和前两个项目不同，ACCEL（聚焦在电子束检测）和GRIT（聚焦在伽马射线检测）更专注于特定的检测方法，而SIGMA+ 是一个系统级平台项目，集成了多种传感器和网络技术，为辐射威胁检测和评估提供综合方法。

SIGMA+开发高灵敏度探测器和高级情报分析，以探测与大规模杀伤性武器 (WMD) 威胁相关的各种物质的微小痕迹。SIGMA+ 将使用通用网络基础设施和移动传感策略。所以SIGMA+ 不拘泥于某一种检测技术，而更倾向于集成多种技术形成合力，SIGMA+ 可将化学、生物、放射、核和高当量爆炸物 (CBRNE) 检测网络将可扩展以覆盖主要大都市及其周边地区。

SIGMA+ 项目会分为两个阶段：第一阶段将专注于开发用于化学品、爆炸物和生物制剂的新型传感器，而第二阶段将专注于网络开发、分析和集成。开发高灵敏度探测器和高级情报分析，以探测与大规模杀伤性武器 (WMD) 威胁相关的各种物质的微小痕迹。SIGMA+ 将使用通用网络基础设施和移动传感策略。

关键词：危险物检测、高灵敏度传感器、数据集成与分析

SEE

SEE是Space Environment Exploitation（太空环境探索）的缩写。

SEE和之前介绍过DARPA的大气传感器（AtmoSense）项目类似，都旨在提高监测和预测环境条件的能力，但它们的重点和范围不同。

AtmoSense 项目侧重于利用大气数据提高各种情况下的态势感知和决策能力，包括军事行动、灾难响应和环境监测。该项目旨在利用现有的天气和大气数据，以及新的传感器和数据分析工具，提供有关一系列环境条件的实时信息。这包括空气质量、温度、湿度和降水等因素。

而SEE项目特别侧重于了解和减轻空间天气对地球基础设施和系统的影响。它寻求开发新的基于卫星的传感器和系统，以提供准确和及时的空间天气事件数据，以及先进的建模和预测工具来预测这些事件的影响。该计划还旨在开发保护关键基础设施和快速响应太空天气造成的任何破坏的新技术。

空间天气是指空间环境中可能影响地球及其技术系统的变化条件。这些条件是由太阳活动驱动的，包括太阳耀斑、日冕物质抛射和其他类型的太阳风暴。当这些事件发生时，它们会向太空释放带电粒子和电磁辐射，从而与地球磁场和大气相互作用。

太空天气的影响范围很广，包括对卫星和通信系统、电网和导航系统的破坏。太空天气事件也可能对宇航员和其他天基资产以及航空和其他交通工具构成风险。

SEE项目旨在开发新模型和传感模式，以预测和观察近地空间环境的动态。SEE探索如何超越磁层、电离层、热层耦合系统的磁流体动力学描述，以包括波/波、波/粒子和粒子/粒子相互作用，同时使用 GPU 和 TPU 等高性能计算的最新进展。

此外，SEE 正在探索如何统一当前的空间环境传感网络以生成通用的操作空间环境图，以及如何开发低成本、非传统、开发性和探索性的方式来观察近地等离子体动力学。

SEE 的预期成果将为未来的指挥官和操作员提供必要和精确的太空环境感知，以做出相关的太空作战/战术决策，并区分环境的人为和自然动态扰动。

该计划的目标是开发新技术和系统，以提供太空天气事件的预警，并提高关键基础设施在面对此类事件时的恢复能力。

该计划侧重于三个主要领域：

天基观测：SEE 旨在开发新的卫星传感器和系统，以提供更准确、更及时的空间天气事件数据。这包括开发新的传感器来测量地球磁场的强度和方向，以及检测带电粒子和其他形式的辐射。
建模和预测：SEE 还在开发先进的建模和预测工具，可以预测太空天气对地球基础设施和系统的影响。这包括开发用于分析和解释数据以及预测空间天气事件行为的新算法和机器学习技术。
缓解和恢复能力：最后，SEE 正在努力提高关键基础设施和系统在面对太空天气事件时的恢复能力。这包括开发新技术来保护电网、通信网络和其他基础设施免受太空天气的影响，以及快速响应任何中断。

关键词：太空天气、太阳活动、太空环境感知

STRENGTHEN

STRENGTHEN是Strengthening Resilient Emotions and Nimble Cognition through Engineering Neuroplasticity（通过工程神经可塑性增强情绪调节和认知灵活性）的缩写。

之前我们谈到过DARPA NEAT（神经证据聚合工具）项目。

自 2001 年 9 月 11 日以来，美军现役和退伍军人有超过3万人自杀，这个数字是同样的周期在军事行动中丧生的士兵人数的4倍。这其中的主要原因包括：1. 经历战争之后的创伤后应激障碍 (PTSD)；2. 退伍军人可能会经历社会孤立，或者感到与家人、朋友或社区脱节。这会增加绝望感并增加自杀风险。3. 由于军人的自尊心，产生围绕心理健康的耻辱感，一些士兵和退伍军人可能会犹豫是否寻求精神健康状况或自杀念头的帮助。

NEAT项目侧重于通过技术手段发现和识别有自杀倾向的人，而STRENGTHEN则侧重于治疗军人心理和情绪创伤。基于神经科学和临床实践的最新进展来增加军人幸福感，并防治或减轻导致行为健康障碍和自杀的创伤性压力的影响。STRENGTHEN 旨在开发用于工程神经可塑性的非侵入性和靶向技术来增强神经可塑性，以增强经历过创伤的个体的认知和情绪恢复能力。旨在通过工程神经可塑性来增强认知灵活性 (CF) 和情绪调节 (ER)，神经可塑性是大脑重组和适应经验的能力。

该项目通过增强认知灵活性 (CF) 和情绪调节 (ER) 来实现这一目标。认知灵活性是指在不同任务或认知集之间切换以响应不断变化的环境需求的能力。它涉及根据需要转移注意力、转换策略和修改行为以适应新情况的能力。认知灵活性在解决问题、决策和社交互动等许多日常任务中都很重要，而且对于在复杂、动态和不确定的环境中取得成功也至关重要。

情绪调节是指管理和调节一个人的情绪以应对内部或外部刺激的能力。它涉及监测和调节情绪唤醒、适当表达情绪以及以健康和适应性方式应对负面情绪的能力。情绪调节对于社交和情绪功能以及身心健康至关重要。

认知灵活性和情绪调节都是心理复原力的重要组成部分，心理复原力是适应和应对压力、逆境和创伤的能力。研究表明，更有弹性的人能够更好地应对压力、保持积极情绪并从负面事件中恢复过来。此外，已发现专注于提高认知灵活性和情绪调节的培训计划可有效增强各种人群的适应力和幸福感，包括军人、运动员和有心理健康问题的个人。

STRENGTHEN 将通过两个目标努力增强 CF 和 ER 的心理保护机制：(1) 开发 CF 和 ER 的个性化脑网络模型和 (2) 设计多模态、多维干预措施以诱导功能连接中的神经可塑性变化和/或 CF 和 ER 大脑网络的结构，以优化个人的 CF 和 ER。

STRENGTHEN 寻求增强 CF 和 ER 的一种方法是针对参与这些过程的特定大脑回路和神经通路。该项目旨在使用经颅磁刺激 (TMS) 和经颅直流电刺激 (tDCS) 等技术来调节这些回路中的活动并增强其功能。例如，TMS 和 tDCS 可用于增加前额叶皮层的活动，这是一个涉及认知灵活性和情绪调节的大脑区域。

STRENGTHEN 寻求增强 CF 和 ER 的另一种方法是使用旨在增强这些技能的认知和行为干预。例如，该项目旨在开发可以改善注意力控制、认知重新评估和情绪调节的干预措施，这些都是 CF 和 ER 的重要组成部分。这些干预措施可以包括基于计算机的培训计划、基于正念的干预措施和认知行为疗法 (CBT)。

关键词：心理和情绪创伤、神经科学、认知灵活性、情绪调节、工程神经可塑性

SCORE

SCORE是Systematizing Confidence in Open Research and Evidence（在开放研究和证据中的系统性自信）的缩写。

本项目名字有些绕口和晦涩难懂，其实这也是一项基础研究，而且是聚焦于社会行为科学（social and behavioral science (SBS)）的基础研究。SCORE项目希望给人类社会系统和行为建模。

人类社会行为是极为复杂的，也存在诸多的难于预测的状况。应对人类领域挑战的挑战之一是缺乏关于各种策略和干预措施有效性的可靠和有效数据。以及通过提供用于评估科学研究和证据的可靠性和有效性的工具和技术。比如针对新冠疫情整个公共卫生干预措施的有效性、风险和收益。比如评估新经济政策的有效性或评估经济趋势对社会的影响。比如评估环境法规的有效性，以及到底对气候变化改善和人们的生活产生什么样的影响。

此外，DARPA SCORE 项目可以帮助解决与科学研究和证据中的偏见和错误信息相关的问题。在人类领域挑战的背景下，偏见和错误信息可能导致错误的决策和无效的策略。通过提供用于识别和减少科学研究和证据中的偏见和错误信息的工具和技术，DARPA SCORE 项目可以帮助提高这些领域的决策质量。

SCORE项目也会用来预测评估世界局势和各国之间的关系和对事件的反应。全球不稳定的局势，会引发战争等极端状况。某些增强威慑力、军事干预、促进稳定和减少极端主义手段，是否有效，需要通过SCORE项目为决策提供更准确和可靠的信息和数据来间接影响这些挑战。

该项目旨在开发可用于评估科学研究和证据的可信度、可重复性和普遍性的新指标，以及评估科学研究质量和稳健性的新方法。以及检测和减少科学研究和证据中的偏见和错误信息，包括机器学习和自然语言处理技术。同时，本项目也将会开发新的方法来整合和综合跨多个领域和学科的科学研究和证据，包括社会和行为科学、经济学和健康科学。

关键词：社会行为预测和决策建模、机器学习

未完待续…

附：DARPA简介

DARPA，全称Defense Advanced Research Projects Agency，也就是美国国防高级研究计划局。从历史起源来看，DARPA是典型美苏冷战的产物。苏联在1957年率先发射了人类第一颗人造卫星Sputnik 1，正式开启了太空时代。为了和苏联撸起袖子展开竞争，当时的总统艾森豪威尔在1958年2月7日，联合学术界、工业界和军方创建了DARPA。承诺从那时起，美国将成为战略技术意外的发起者，而不是受害者角色。DARPA 一直不辱使命，坚持一项独特而持久的使命：对美国国家安全的突破性技术进行关键投资。DARPA属于典型的军民融合机构，所以在DARPA成立的50多年来，投资的项目无数，而且相当多的项目都超出了军方的需求。比如我们现在熟知的ARPANET（互联网等等前身）、GPS、自动语音识别和我们前几期提到的波士顿动力的多足机器人都是DARPA投资的杰作。其实远不限于此，现代科技的任何一个角落，几乎都有DARPA的影子。《经济学人》称 DARPA 是“塑造了现代世界”的机构。

更详细介绍请参见：聊聊美国国防高级研究计划局正在投资的项目(一)