迅速理解现实世界事件对于为国家安全工作提供信息而言至关重要。美国国防部下属研究机构显然已经意识到这一点，并开始探索运用AI来掌握世界大小事件的可能。

一只蝴蝶扇动翅膀，引发了世界另一头的一场飓风——这是一段关于复杂因果关系的典型描述。就这一事件而言，我们该如何观察飓风、以及如何找出这飓风是由哪只蝴蝶引起的？如果可能的话，我们是不是可以在这只蝴蝶开始飞行之前就阻止它？

这些自然界或人类社会中值得注意的变化不仅可以对事件本身产生重大影响，也可能构成产生更广泛影响的因果链的一部分。许多事件不是简单的单一事件，而是由众多辅助元素组成的复杂现象，它们由包括从参与者到时间线的大量附属元素组成。

然而，非结构性多媒体信息大量出现而且越来越多，这阻碍了人们对这些事件及其基本组成要素的发现与理解。

根据美国国防高级研究计划局（DARPA）官网一份声明称，该研究机构创建了基于图式的知识导向人工智能推理系统（Knowledge-directed Artificial Intelligence Reasoning Over Schemas, KAIROS）项目，旨在对复杂的现实世界事件进行语境和时间推理，从而生成对这些事件的可操作理解并预测它们将如何展开。

具体看，该项目将开发一个半自动化的机器学习系统，可以筛选每天产生的无数事件和媒体片段、从中辨别和绘制任何联系或叙事相关性的线索，协助用户对周围的世界信息达成广泛理解。

从DARPA公开的网站信息来看，KAIROS的研究目标将分两个阶段进行：

第一阶段将侧重于通过基于语言推理和常识推理检测、分类和集中子事件，从大量数据中创建图式库。接受此挑战的研究人员将应用泛化、组合和专业化流程来帮助生成描述简单和复杂事件的图式，将多个图式排序在一起以理解关键语境元素（如角色和时间线），并应用特定域知识来定制分析以针对特别需要。第二阶段将侧重于将第一阶段创建的图式库应用于多媒体、多语言信息，以发现和提取复杂事件。这个阶段需要AI识别事件、实体、以及它们之间的关系，以帮助构建和扩展知识库。

最大的挑战：让AI具备理解能力

使用图式来帮助绘制信息之间的相关性并不是一个新概念。早在1923年，认知科学家Jean Piaget就对其下过最初的定义：图式是指人类通过创造出许多由相互关联的事件构成的小故事来理解周围的世界。

例如，当你去商店买东西的时候，你知道通常是你走进商店，选择一件商品，然后把它带到收银员那里，收银员扫描了它，接着你以某种方式付款，然后离开了商店。这种“买东西”的过程就是一个我们都能识别出的图式，其由一组动作（支付）、角色（买方和卖方）和时间约束（物品被扫描然后支付）来定义；当然其中也可以包含一些子图式 (比如选择商品、付款流程)，这个图式也可以从属于另一个图式 (比如送礼、家庭烹饪)。

尽管这些图式很容易在我们的脑海中想象出来，但要以计算机系统能够理解的方式对它们进行正式定义却十分困难，因为这并不显而易见、也不受规则的约束。而且，数据越多，定义起来就越困难。买东西还是一个相对来说比较简单的图式，但如何建立一种认知冷战或熊市的图式呢?

因此，这种基于图式的AI功能最关键的挑战之一就是让AI具备理解能力。有理解能力的人工智能一直是业内关注的重要方向，然而目前已经应用到实际生活的人工智能技术绝大多数还是无理解能力的人工智能。

DARPA信息创新办公室（I2O）项目经理Boyan Onyshkevych在新闻稿中对此表示：“要从大量信息中的时间、事件模式等静态元素来找出相关联的过程，以目前可用的工具和系统来说非常困难。”