来自 Frontier Development Lab 与 SpaceML 的经验——面向 NASA 和 ESA 的 AI 加速器

使用 AI 和 ML 技术的研究存在于多种环境中，往往具有异步的目标和时间线：学术实验室和政府组织从事开放式研究，聚焦于具有长期价值的发现，而工业界的研究由商业追求驱动，因此聚焦于短期时间线和投资回报。从研究到产品的过程通常是隐性的或临时的，导致技术转化失败，当研发是跨组织和跨学科时这一问题更加严重。更有甚者，大量产生结果的能力仍锁在个体研究者的私有代码库和专门知识中，减缓了他人对未来研究的影响，并加剧了 ML 社区在可复现性方面的挑战。随着研究组织聚焦于不断爆炸式增长的领域，跨学科研究交接与成熟的机会减少。面对这些张力，我们看到了一种新兴需求，即在研究开展过程中衡量其正确性、影响和相关性，以实现更好的协作、改进的可复现性、更快的进展和更可信的成果。我们对 Frontier Development Lab (FDL) 进行了案例研究，这是一个由 NASA 和 ESA 公私合作伙伴关系下的 AI 加速器。FDL 研究遵循有原则的实践，这些实践根植于负责任的 AI 研究开发、实施与传播，使 FDL 能够产出成功的跨学科和跨组织研究项目，并通过 NASA 的技术就绪水平（Technology Readiness Levels）加以衡量。我们还考察了 SpaceML 开源研究计划，该计划帮助加速并将 FDL 的研究转化为可部署项目，在公民科学家中获得广泛采用。