[據DARPA官網2017年8月11日報道]為解決無線電頻譜擁擠日益嚴重的問題，美國設立新項目檢驗先進的機器學習技術如何輔助理解擁擠頻譜上的所有信號。

在機器學習（ML）技術的推動下，當前人工智能的發展浪潮風靡一時。隨著在數字化書寫、口語詞句、圖像、視頻流以及其他數字化內容方面的訓練，機器學習已成為語音識別、自動駕駛汽車和其他以前僅能想象的能力的基礎。據DARPA微系統技術辦公室（MTO）項目經理保羅·蒂爾曼說，隨著千千萬萬手機、應用程序、無人機、交通燈、安全系統、環境傳感器以及其他無線連接設備加入快速增長的物聯網，目前需要將機器學習應用至無形的射頻（RF）信號。為應對未來挑戰，8月11日，DAPRA宣布設立新項目“射頻機器學習系統”（RFMLS），并發布跨部門公告（BAA）。

蒂爾曼說，“我想象中的射頻機器學習系統能夠看見并理解射頻頻譜的組成——占據頻譜的信號種類、從背景信號中區分出‘重要’信號、分別出未遵守規則的信號。”他希望系統能夠從幾乎相同的、量產的物聯網設備中區分出射頻信號中細微卻不可避免的差別，以分辨意圖欺騙或攻擊物聯網設備的信號。他說，“我們希望能夠理解并信任物聯網正在發生什么，并建立一種射頻鑒別能力以從信號嘈雜聚集的頻譜中分辨出獨特和特殊的信號。”

類似的態勢感知能力涉及在給定空間下射頻信號組成不斷變化，這應該支持所謂“頻譜共享”的無線通信管理模式，這是一種共同使用頻譜的模式，而不是由具備特定頻率許可的使用者獨自分配頻譜。蒂爾曼希望開發一種技術，可理解頻譜優化和廣泛頻譜共享的當前狀態——能夠大幅增強電磁頻譜的無線通信容量——這些都是“射頻機器學習”項目和DARPA“頻譜協作挑戰賽”所涵蓋的內容。

人工智能第一次和當前正在進行的浪潮包含專家系統，專家系統能夠嚴格地將人類專家和制定決策編碼形成可預測的、由規則驅動的域，例如簡單的游戲規則、退稅服務、工業過程控制。這些專家系統也可用于射頻環境，例如，工程師已經能夠將無線電的嚴格規則編成計算機編碼，在射頻信號受干擾時切換至未被使用的頻率，這種方法雖然有效，但這些專家系統對于頻譜實際發生什么理解甚少。在人工智能第二次浪潮和機器學習浪潮中，射頻應用應該能夠運用得更靈活、更多功能：射頻機器學習系統將擁有充分、豐富的射頻數據訓練集，能夠在已知和未知的廣泛射頻波形范圍能分辨信號。

“機器學習系統”項目包括四方面的關鍵技術，將集成至未來的機器學習系統中：

（1）特征學習：從射頻信號數據集中，射頻機器學習系統需要學習用以在各種各樣民用和軍用信號中辨認和描述信號的特征。 

（2）注意力和特性：正如人可以快速將注意力鎖定至所需目標一樣——例如在大型超市尋找冰激凌——在每時每刻大量的傳感輸入中，射頻機器學習系統需要算法，將其人工注意力轉移至所運行射頻頻譜上潛在重要的信號。贏得“射頻機器學習系統”項目合同的研究人員需要設計一個在射頻域內類似于我們所說的“顯著性檢測”的等價物，它能夠使射頻機器學習系統辨認、識別重要的視覺和聽覺刺激。一個樣例，射頻機器學習系統 “特性檢測”能力必須注意“興趣信號”，例如在通常用于雷達信號的頻段中存在的通信信號則為“興趣信號”。

（3）射頻傳感器自主配置：人類的眼睛會自動根據光線強弱的變化調整并移動和聚焦，以保持視網膜最敏感的部位關注動態視覺場景中最重要的部分。DARPA設想的射頻機器學習系統也具備這種類似的能力，能夠自動調整系統對信號和信號特征的接受力，使系統最高效地完成任務。

（4）波形合成：一個完整的射頻機器學習系統還應該具備數字合成幾乎任何可能波形的能力，就像人類可以發出任何新單詞的讀音或者增加語調、嚴肅處停頓、表達所說內容意義的細節等。這種為特定射頻設備定制的新波形的功能可以為其他復雜無線設備提供更好的識別友好系統的能力。

蒂爾曼說，“如果順利，我們將研制出具備在日益擁擠的頻譜中識別和表征信號能力的射頻系統，這將給予依賴射頻系統的新興自動化系統、軍事指揮官更多信息以理解無線電領域的情況。我希望我們‘射頻機器學習系統’項目將會使人工智能研究向新的技術領域推進。”（工業和信息化部電子第一研究所  李婕敏）