DARPA 启动 PAL 计划，SRI 启动 CALO 项目

背景

21 世纪初，帮人管理邮件、日程和待办事项的软件已经存在，但这类数字助理依赖设计者事先明确写出的模型，行为规则在开发阶段就已固定 ^[2]。美国国防高级研究计划局（DARPA）对「助理」应当具备什么能力有不同的想法，于是在 2003 年启动了「会学习的个性化助理」计划，即 PAL（Personalized Assistant that Learns）^[3]。

发生了什么

SRI International 于 2003 年开始参与 PAL 的工作。这个项目名为 CALO（Cognitive Assistant that Learns and Organizes，会学习和组织的认知助理），SRI 把它描述为自己在 DARPA 这个更大计划中承担的部分 ^[1][2]。

对一个软件研究项目来说，它的规模并不寻常。SRI 称 PAL 是一个为期 5 年、耗资 1.5 亿美元的项目，汇集了 22 家顶尖研究机构的 300 多名研究者 ^[1]。AI Magazine 在讨论集成式人工智能系统时则称，仅 CALO 一项就涉及来自 25 所以上大学的 400 多名研究者 ^[3]。两种说法都指向同一件事：这项工作分散在许多实验室中进行，而不是集中在一处。

目标是什么

AI Magazine 把 PAL 的主要目标概括为：把机器学习、自然语言处理和人机交互整合起来，造出能够充当行政助理的认知助理——管理邮件、处理日程安排、为会议做准备 ^[3]。

SRI 对目标的表述更为宽泛：要造出新一代认知助理，它们能够推理、从经验中学习、执行命令、解释自己的行为、反思自己的经验，并且对意外情况作出稳健的反应 ^[1]。其中「解释自己的行为」和「反思自己的经验」超出了通常的自动化范畴。一个系统如果能说明自己为什么把这封邮件归到某个文件夹而不是另一个，或者察觉到请求的模式已经变化，它做的事就和照着固定脚本运行的程序不一样了。

与早期助理最明显的区别在于知识从哪里来。CALO 并不依赖事先明确编程的模型，它的根基是「在真实环境中学习」（learning in the wild），也就是从系统实际使用过程中产生的材料里学习，而不是依赖设计者提前写下的规则 ^[2]。在实际运作中，这意味着助理的行为来自对用户如何处理邮件、日程和文档的观察，并随之调整。

留下了什么

一个这种规模、持续多年的计划，产出的不只是软件，还有研究。据 AI Magazine 记载，DARPA 资助的论文和代码推动了统计关系学习（statistical relational learning）、马尔可夫逻辑网络（Markov logic network）、概率关系模型（probabilistic relational model）、条件随机场（conditional random field）、潜在狄利克雷分配（latent Dirichlet allocation）和贝叶斯推断（Bayesian inference）等一系列技术 ^[3]。这些工具各有分工——例如条件随机场常用于给文本这类序列打标签，潜在狄利克雷分配用于从文档集合中发现主题——但它们都关心如何在不确定条件下进行推理，而这恰恰是一个只能从不完整、带噪声的观察里了解用户工作状态的助理必须解决的问题。

SRI 把 CALO 称为 21 世纪初最重要的 AI 项目之一 ^[1]。除了具体的技术成果，这个计划更常被记住的地方在于：它是一次早期尝试，要让 AI 系统的能力来自数据和经验，而不是来自手写的规则；并且尝试的规模大到需要许多机构协同工作。