1. DARPA
1.1. DARPA仍然是世界領先的尖端高科技研究推動者之一，資助研發人員開展各個領域的前沿研究，從自動駕駛汽車到植入式神經晶片，從複雜的系統分析（比如分析氣候變化）到網路安全，無一例外
1.2. 開發一個能夠解釋如何以及為何做出決策的人工智慧系統
1.3. 在比賽中實現自動防護、自動攻擊，完全不需要進行任何人工干預
1.3.1. 人類可以概括並處理各種不同的駭客理念和策略
1.4. 許多機器都能做出準確的決策，但它們沒有被投入使用，因為人們無法信任機器
2. 認知時代的騎士
2.1. 美國、以色列和中國在認知時代的“騎士”中脫穎而出
2.2. 以色列
2.2.1. 儘可能讓外人難以潛入系統，部署複雜的內網來快速識別和捕捉各種威脅
2.2.2. 透過預備役部隊的機制，其他人工智慧和數字技術專家會回到中心當導師
2.2.3. 情報界及其對資訊分析的關注推動了各種型別的大資料研究
2.2.4. Cybereason公司
2.2.4.1. 分析攻擊者侵入系統後可能會做的事情，找到他們，並將他們掃地出門
2.2.4.2. 既需要先進的技術，也需要對駭客的操作有足夠深入的瞭解
2.2.4.2.1. 總是能想方設法地進入系統
2.2.4.2.2. 對攻擊者來說，最大、最困難的問題是他們在進入系統以後做什麼
2.3. “可解釋性”對某些型別的人工智慧模型來說看似合理，但我們要理解更新的、日益複雜的技術，還有很長的路要走
2.3.1. 雖然人類能很好地理解因果模型，但當變數太多時（比如氣候模型），人們就會感到無能為力
2.3.2. 機器也許能針對非常複雜的過程構建模型，將成千上萬的變數考慮在內，並做出超出人類認知範圍的決策
2.3.2.1. 即使最精英的人士、最訓練有素的人類頭腦，仍然對人工智慧如何預測股價漲跌感到費解
2.3.3. 可能需要機器來理解並解釋其他機器，簡單概括其內部的運作方式
2.4. 機器意識相當於一個蹣跚學步的孩子，而我們想讓它進行基因工程等其他重大的分析研究
2.4.1. 哲學家戴維·查默斯
3. 寒武紀國家
3.1. 具有強大的創業生態系統，這些系統與其強大的學術機構緊密相連
3.2. “寒武紀的騎士們”利用軍事開支和資源在一系列人工智慧應用領域打造專業技能
3.2.1. 國防創新延伸到學術和私人領域，推動了一系列非軍用的商業應用
3.3. 中國
3.3.1. 由政府推動
3.3.2. 馬少平
3.3.2.1. 在清華大學扮演著橋樑的角色
3.3.2.2. 專注於搜尋和資訊檢索
3.3.2.3. 龐大的消費者基數及其產生的海量資料為中國初創企業創造了更多的機會
3.4. 美國
3.4.1. 由民營部門推動
3.4.2. 美國並不像以色列那樣把每個公民都當作軍人，但它的軍事部門和民用部門之間保持著密不可分的聯絡
3.4.3. 李飛飛
3.4.3.1. 史丹佛大學人工智慧實驗室的主任
3.4.3.2. 領導了ImageNet（圖片網）的開發
3.4.3.3. 好演算法並不意味著好決策，它還需要好資料
3.4.3.4. 在努力改變人工智慧領域的思維方式，不僅要應對技術挑戰，更要培養解決問題的人
3.4.3.5. 希望人工智慧的發展能向世界人民開放
3.4.4. 周以真
3.4.4.1. Jeannette Wing
3.4.4.2. 在卸任微軟研究院全球各核心研究機構負責人之後，來到了哥倫比亞大學資料科學研究所
3.4.4.3. 與學術界相比，產業界具有“大資料和大計算”兩大優勢，但周以真可以嘗試解決人工智慧模型和相關議題背後更深層次的根本問題
3.5. 儘管中美兩國存在文化、政治和經濟差異，但兩國內部和兩國之間完整的發展生態和相互促進的作用使它們從其他國家中脫穎而出
3.5.1. 它們以獨特的方式結合了數字大亨、領先院校、創業精神和文化活力
3.5.2. 成熟的技術轉讓專案和更為健全的企業基礎設施進一步推動了這樣的流動
4. 城堡國家
4.1. 擁有世界上最傑出的科學技術人才，但它們還未打造出合適的創業環境，這種環境能夠建立和壯大龐大的民營部門數字巨頭
4.2. “即興表演藝術家們”已經找到了鼓勵或開發獨特先進技術的方法，這些技術可以解決許多發展中經濟體所面臨的問題
4.3. 俄羅斯
4.3.1. 米哈伊爾·布林採夫
4.3.1.1. Mikhail Burtsev
4.3.1.2. 研究模擬人類認知能力的進化過程
4.3.1.3. 專注於理論研究，試圖轉變一些俄羅斯控制論的觀點，並開發出一種新的方法，讓機器學習的模型彼此互動
4.3.1.4. iPavlov
4.3.1.4.1. 該專案既反映也掩蓋了外界對俄羅斯人工智慧的一些刻板印象
4.3.2. 人工智慧是未來地緣政治力量、安全和影響力的重要組成部分
4.3.3. 當地的初創企業生態系統幾乎得不到任何支援
4.3.3.1. 往往由政府支援的大型公司和銀行限制了資本流向新興企業，也限制了技術成果從學術界向民營部門轉移
4.3.3.2. 大公司在產品或服務完全成熟之前不會做出承諾
4.3.4. 俄羅斯比歐盟成員國更傾向於將電腦科學和數學技術應用於國防和國家情報領域
4.4. 西歐
4.4.1. 表現出與俄羅斯相似的情況
4.4.1.1. 其產業界和學術界的距離比中美產業界和學術界的距離更大
4.4.2. 歐洲模式結合了先進的科研學術能力、規模龐大的製造業基地和更加開放的資料共享模式
4.4.2.1. 人工智慧開發主要在製造業和其他傳統行業領域
4.4.3. 加上歐盟對於資料隱私和安全問題的嚴格規定，歐洲的創新環境受到了更加嚴格的限制
4.4.3.1. 無論人們如何為這些資料隱私規定說好話
4.4.4. 人工智慧開發傾向於圍繞客戶交易資料、從物聯網蒐集的資料和B2B（企業對企業）應用程式進行構建
4.4.5. 英國
4.4.5.1. 英國已經成為一些世界數字巨頭的重要據點
4.4.5.2. 人工智慧的起源要追溯到艾倫·圖靈（Alan Turing）和英國的布萊切利公園
4.4.5.3. 劍橋、牛津等大學已經建立了世界著名的高科技研究中心，招募了尼克·波斯特洛姆、揚·塔林（Jaan
Tallinn）、休·普賴斯（Huw Price）等著名專家