Musim semi ini, ketika tim menyerahkan hasil mereka ke IARPA, tim evaluator menilai seberapa baik kinerja masing-masing. Pada bulan Juni, tim mengetahui siapa yang beralih ke fase kedua Good, yang akan berlangsung selama 18 bulan: AFS, BlackSky, Kitware, Riset Sistem & Teknologi, Rekan Riset Terapan, dan Otomasi Cerdas, yang sekarang menjadi bagian dari perusahaan pertahanan BlueHalo.

Kali ini, tim harus membuat algoritme mereka berlaku di berbagai kasus penggunaan. Lagi pula, Cooper menunjukkan, “Terlalu lambat dan mahal untuk merancang solusi AI baru dari awal untuk setiap aktivitas yang mungkin ingin kita cari.” Bisakah algoritma yang dibangun untuk menemukan konstruksi sekarang menemukan pertumbuhan tanaman? Itu adalah peralihan besar karena menukar perubahan buatan manusia yang bergerak lambat dengan perubahan alami, siklus, dan lingkungan, katanya. Dan pada fase ketiga, yang akan dimulai sekitar awal 2024, pesaing yang tersisa akan mencoba membuat pekerjaan mereka menjadi apa yang disebut Cooper sebagai “kemampuan yang kuat”—sesuatu yang dapat mendeteksi dan memantau perubahan alami dan buatan manusia.

Tak satu pun dari frasa ini merupakan babak “eliminasi” yang ketat—dan belum tentu ada satu pemenang pun. Seperti halnya program DARPA serupa, tujuan IARPA adalah untuk mentransisikan teknologi yang menjanjikan ke badan intelijen yang dapat menggunakannya di dunia nyata. “IARPA membuat keputusan fase berdasarkan kinerja terhadap metrik kami, keragaman pendekatan, dana yang tersedia, dan analisis pengujian dan evaluasi independen kami,” kata Cooper. “Di akhir fase 3, tidak boleh ada tim atau lebih dari satu tim yang tersisa—solusi terbaik bahkan dapat menggabungkan bagian dari beberapa tim. Alternatifnya, tidak mungkin ada tim yang lolos ke fase 3.”

Investasi IARPA juga sering bocor di luar program itu sendiri, terkadang mengarahkan jalur ilmiah dan teknologi, karena sains mengikuti kemana uang mengalir. “Masalah apa pun yang dipilih IARPA untuk dilakukan akan mendapat banyak perhatian dari komunitas riset,” kata Hoogs. Tim Cerdas diizinkan untuk terus menggunakan algoritme untuk tujuan sipil dan sipil, dan kumpulan knowledge yang dibuat IARPA untuk programnya (seperti kumpulan citra satelit berlabel) sering kali tersedia untuk umum bagi peneliti lain untuk digunakan.

Teknologi satelit sering disebut sebagai “penggunaan ganda” karena memiliki aplikasi militer dan sipil. Dalam benak Hoogs, pelajaran dari perangkat lunak yang dikembangkan Kitware untuk Good akan dapat diterapkan pada ilmu lingkungan. Perusahaannya sudah melakukan pekerjaan ilmu lingkungan untuk organisasi seperti Nationwide Oceanic and Atmospheric Administration; timnya telah membantu Layanan Perikanan Laut mendeteksi anjing laut dan singa laut dalam citra satelit, di antara proyek lainnya. Dia membayangkan menerapkan perangkat lunak Cerdas Kitware ke sesuatu yang sudah menjadi penggunaan utama citra Landsat: menandai deforestasi. “Berapa banyak hutan hujan di Brasil yang telah diubah menjadi kawasan buatan manusia, kawasan budidaya?” Hoog bertanya.

Interpretasi otomatis dari perubahan lanskap memiliki implikasi yang jelas untuk mempelajari perubahan iklim, kata Bosch Ruiz—melihat, misalnya, di mana es mencair, karang mati, vegetasi bergeser, dan tanah menjadi penggurunan. Melihat konstruksi baru dapat menunjukkan di mana manusia memasuki space lanskap alam, hutan berubah menjadi lahan pertanian, atau lahan pertanian digantikan oleh rumah.

Aplikasi lingkungan tersebut, dan peluncurannya ke dunia ilmiah, adalah salah satu alasan Good mencari Survei Geologi Amerika Serikat sebagai mitra pengujian dan evaluasi. Tetapi kohort IARPA juga tertarik dengan temuan tersebut untuk kepentingan mereka sendiri. “Beberapa masalah lingkungan sangat penting bagi komunitas intelijen, khususnya yang berkaitan dengan perubahan iklim,” kata Cooper. Ini adalah salah satu space di mana aplikasi kedua dari teknologi penggunaan ganda, hampir sama dengan yang pertama.