1. DARPA
1.1. DARPA仍然是世界领先的尖端高科技研究推动者之一，资助研发人员开展各个领域的前沿研究，从自动驾驶汽车到植入式神经芯片，从复杂的系统分析（比如分析气候变化）到网络安全，无一例外
1.2. 开发一个能够解释如何以及为何做出决策的人工智能系统
1.3. 在比赛中实现自动防护、自动攻击，完全不需要进行任何人工干预
1.3.1. 人类可以概括并处理各种不同的黑客理念和策略
1.4. 许多机器都能做出准确的决策，但它们没有被投入使用，因为人们无法信任机器
2. 认知时代的骑士
2.1. 美国、以色列和中国在认知时代的“骑士”中脱颖而出
2.2. 以色列
2.2.1. 尽可能让外人难以潜入系统，部署复杂的内网来快速识别和捕捉各种威胁
2.2.2. 通过预备役部队的机制，其他人工智能和数字技术专家会回到中心当导师
2.2.3. 情报界及其对信息分析的关注推动了各种类型的大数据研究
2.2.4. Cybereason公司
2.2.4.1. 分析攻击者侵入系统后可能会做的事情，找到他们，并将他们扫地出门
2.2.4.2. 既需要先进的技术，也需要对黑客的操作有足够深入的了解
2.2.4.2.1. 总是能想方设法地进入系统
2.2.4.2.2. 对攻击者来说，最大、最困难的问题是他们在进入系统以后做什么
2.3. “可解释性”对某些类型的人工智能模型来说看似合理，但我们要理解更新的、日益复杂的技术，还有很长的路要走
2.3.1. 虽然人类能很好地理解因果模型，但当变量太多时（比如气候模型），人们就会感到无能为力
2.3.2. 机器也许能针对非常复杂的过程构建模型，将成千上万的变量考虑在内，并做出超出人类认知范围的决策
2.3.2.1. 即使最精英的人士、最训练有素的人类头脑，仍然对人工智能如何预测股价涨跌感到费解
2.3.3. 可能需要机器来理解并解释其他机器，简单概括其内部的运作方式
2.4. 机器意识相当于一个蹒跚学步的孩子，而我们想让它进行基因工程等其他重大的分析研究
2.4.1. 哲学家戴维·查默斯
3. 寒武纪国家
3.1. 具有强大的创业生态系统，这些系统与其强大的学术机构紧密相连
3.2. “寒武纪的骑士们”利用军事开支和资源在一系列人工智能应用领域打造专业技能
3.2.1. 国防创新延伸到学术和私人领域，推动了一系列非军用的商业应用
3.3. 中国
3.3.1. 由政府推动
3.3.2. 马少平
3.3.2.1. 在清华大学扮演着桥梁的角色
3.3.2.2. 专注于搜索和信息检索
3.3.2.3. 庞大的消费者基数及其产生的海量数据为中国初创企业创造了更多的机会
3.4. 美国
3.4.1. 由民营部门推动
3.4.2. 美国并不像以色列那样把每个公民都当作军人，但它的军事部门和民用部门之间保持着密不可分的联系
3.4.3. 李飞飞
3.4.3.1. 斯坦福大学人工智能实验室的主任
3.4.3.2. 领导了ImageNet（图片网）的开发
3.4.3.3. 好算法并不意味着好决策，它还需要好数据
3.4.3.4. 在努力改变人工智能领域的思维方式，不仅要应对技术挑战，更要培养解决问题的人
3.4.3.5. 希望人工智能的发展能向世界人民开放
3.4.4. 周以真
3.4.4.1. Jeannette Wing
3.4.4.2. 在卸任微软研究院全球各核心研究机构负责人之后，来到了哥伦比亚大学数据科学研究所
3.4.4.3. 与学术界相比，产业界具有“大数据和大计算”两大优势，但周以真可以尝试解决人工智能模型和相关议题背后更深层次的根本问题
3.5. 尽管中美两国存在文化、政治和经济差异，但两国内部和两国之间完整的发展生态和相互促进的作用使它们从其他国家中脱颖而出
3.5.1. 它们以独特的方式结合了数字大亨、领先院校、创业精神和文化活力
3.5.2. 成熟的技术转让项目和更为健全的企业基础设施进一步推动了这样的流动
4. 城堡国家
4.1. 拥有世界上最杰出的科学技术人才，但它们还未打造出合适的创业环境，这种环境能够建立和壮大庞大的民营部门数字巨头
4.2. “即兴表演艺术家们”已经找到了鼓励或开发独特先进技术的方法，这些技术可以解决许多发展中经济体所面临的问题
4.3. 俄罗斯
4.3.1. 米哈伊尔·布尔采夫
4.3.1.1. Mikhail Burtsev
4.3.1.2. 研究模拟人类认知能力的进化过程
4.3.1.3. 专注于理论研究，试图转变一些俄罗斯控制论的观点，并开发出一种新的方法，让机器学习的模型彼此互动
4.3.1.4. iPavlov
4.3.1.4.1. 该项目既反映也掩盖了外界对俄罗斯人工智能的一些刻板印象
4.3.2. 人工智能是未来地缘政治力量、安全和影响力的重要组成部分
4.3.3. 当地的初创企业生态系统几乎得不到任何支持
4.3.3.1. 往往由政府支持的大型公司和银行限制了资本流向新兴企业，也限制了技术成果从学术界向民营部门转移
4.3.3.2. 大公司在产品或服务完全成熟之前不会做出承诺
4.3.4. 俄罗斯比欧盟成员国更倾向于将计算机科学和数学技术应用于国防和国家情报领域
4.4. 西欧
4.4.1. 表现出与俄罗斯相似的情况
4.4.1.1. 其产业界和学术界的距离比中美产业界和学术界的距离更大
4.4.2. 欧洲模式结合了先进的科研学术能力、规模庞大的制造业基地和更加开放的数据共享模式
4.4.2.1. 人工智能开发主要在制造业和其他传统行业领域
4.4.3. 加上欧盟对于数据隐私和安全问题的严格规定，欧洲的创新环境受到了更加严格的限制
4.4.3.1. 无论人们如何为这些数据隐私规定说好话
4.4.4. 人工智能开发倾向于围绕客户交易数据、从物联网搜集的数据和B2B（企业对企业）应用程序进行构建
4.4.5. 英国
4.4.5.1. 英国已经成为一些世界数字巨头的重要据点
4.4.5.2. 人工智能的起源要追溯到艾伦·图灵（Alan Turing）和英国的布莱切利公园
4.4.5.3. 剑桥、牛津等大学已经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、扬·塔林（Jaan
Tallinn）、休·普赖斯（Huw Price）等著名专家