智能化战争下的空中无人作战
中国武装无人机“彩虹5”（资料图）。来源：环球网
在以人工智能为代表的智能技术迅猛发展的当下，智能技术在新军事领域扮演愈加重要的角色，传统战争正朝着智能化战争方向转型。智能化战争环境下，涉空作战要素种类越来越多、智能化水平不断提高，迫切需要分析和研判智能化战争形态下新型空战变革发展趋势，充分利用智能手段实施全域规划，为精准、全时管控战场空域，赢得空中作战主动权做好准备，巩固国防力量。
人工智能正在崛起
当前，人工智能正逐渐成为战争形态质变的第一推动力，以无人作战飞机为代表的智能化武器装备得到了空前的重视和发展，无人机智能协同空战作为一种可以预见的全新的作战力量，将作为体系作战能力生成的有效途径，不仅会给未来空战样式带来巨大变革，也将对航空兵作战样式产生冲击与颠覆。
空中力量的作战运用主要包括空中机动作战、近距离空中支援作战、空中遮断作战、制空作战、战略空袭作战等五种作战样式。
所谓空中机动作战，就是无人机作为先遣机“前突”到高危战场前沿完成侦察、打击等任务，协助有人作战平台避开进而摧毁敌防空火力威胁，大幅提升有人作战平台的战场生存能力，从而为空中机动作战意图的达成提供一种低风险、远射程、多任务、高效能的作战样式。
近距离空中支援作战，在接敌任务中无人机可以担任前方侦察的任务，为作战行动提供实时目标情报信息，搭建起有人机全面感知战场态势的“桥梁”，在进攻歼灭任务中，无人机可以携带制导弹药对目标进行突发性的攻击摧毁，为对地目标打击提供一个安全通道。
空中遮断作战，有人机置身于攻击目标的防空火力范围之外，指挥无人机实施隐蔽接敌，不仅有效降低有人机执行作战任务的风险，还能够大幅提高有人机的打击能力，最终有效提高空中遮断作战的整体效能和灵活性。
制空作战，无人机具有信息处理完整、机动轨迹规划精细、跟踪控制能力精准等优点，而有人机可以在无人机的保护和辅助下，更加关注整体态势判断和战术决策，根据整体效能最优的原则指挥无人机执行具体的攻击任务。在未来一段时间内，无人机作战功能将相互补充，在智能协同作战中，通过态势感知与指挥控制的相互融合，更有利于空中协同作战单元的作战决策，从而快速提升夺取制空权的能力。无人机智能协同作战具有续航时间长、飞行高度低、超长距离突袭等特征，不仅可以显著提高飞机的突防与生存能力，还可以有效提高执行复杂任务的灵活性，并提高其隐蔽性和适应性。
战略空袭，无人机智能协同作战具有长航时、更低可探测性、超长距离突袭等特征，不仅可以显著提高飞机的战时突防与生存能力，还可以有效提高战略空袭执行复杂任务的灵活性、隐蔽性和不确定情况下的适应性。
空中作战在当下的应用及影响
美国海空军、DARPA、国防部战略能力办公室（SCO）等部门在作战体系概念、指挥/控制/管理系统、智能武器平台、网络通信系统四个方面设立大量研究项目对第三次抵消战略军事理论进行支撑。在现代高技术条件下的陆、海、空、天、电五维一体的战争中，无人机的使用非常广泛，既能执行各种非杀伤性任务，又能执行各种软、硬杀伤任务，包括战场侦察、监视、巡逻、电子侦察、探雷、防核生化探测、通信、电子干扰、战斗评估、雷达诱骗、炮火校射、激光制导、目标指示、反装甲、反辐射和反舰艇等。此外，还可进行精确打击、定点轰炸，甚至还可以拦截战术导弹和巡航导弹，代替人员在核生化或其它特殊条件下执行作战任务。
近年来，中国的研发人员在军用无人机设计思路上如同“天马行空”，其中不乏一些闪光的设计理念。国内科研人员通过各种武器展向外界展示了数十种新一代军用无人机的设计方案、模型及原型机。有些无人机的设计可以说是让人耳目一新，其中包括隐形无人机、机翼可折叠式无人机、微型无人机、飞翼式无人机、类似UFO造型的无人机等等。
高性能的机载火控雷达和中、远程空空导弹及其制导技术的发展，增大了空中作战的距离，空中作战方式由二次世界大战时的“面对面”近程空中格斗，变成了看不见的超视距空空作战。空中对地、对海攻击由过去的临空概略式瞄准轰炸，发展到了超视距火力圈外精确打击。空中作战的胜负，不仅依赖飞行员的战斗勇气，更取决于武器装备的性能和飞行员驾驭新装备的能力。现在多用途、多程式、多功能的无人机投入空空、空地和空海作战使用后，必将对空中战争的样式带来革命性的影响。无人机对空空、空地和空海作战的影响主要有以下几个方面：一是由于无人机不仅具有更高的升限和更远的航程，而且具有良好的低空、超低空性能，交战双方的作战空域将会在更高、更远、更大的空间内展开，改变了人们通常定义的高空、中空、低空和超低空的数据概念。由于无人机可以从任何高度、任何方向进行空中突防，加上其隐身效果，要掌握空中态势的预警和情报的主动权就更加困难，也更为重要。二是由于无人机可大范围进行侦察、预警、通信和干扰等软杀伤，信息战将更加激烈，侦察与反侦察、干扰与反干扰的手段将多样化，夺取制空权和夺取制电磁权，就会更加复杂和重要。
空中无人作战的未来与展望
根据美国一系列无人系统发展规划，2035年，无人自主系统技术将发展成熟，无人机具备完全兼容的感知和规避能力，在极具挑战的战场环境中探测率超过75%，能进行全自主作战，具备很强的协同作战能力。未来执行战斗任务的无人作战飞机，必然会引起空中作战的组织编制、作战原则、战术思想乃至装备采购策略等方面的变革。目前，美国和俄罗斯都在酝酿发展第六代战斗机，其中无人驾驶已成为争论的选项。人工智能作为无人作战飞机未来已被确定的关键技术，将成为下一步发展的颠覆性技术之首，一旦取得突破，无人作战飞机的智能协同、智能任务、智能飞行能力将变成现实，成为未来空战的主力。
未来，以无人机为代表的智能机器战争将完全改变传统机器战争的形式，无人作战飞机将成为空战的主宰。在复杂、对抗的智能机器战争环境中，新一代具有完全自主能力的机器人设备将发挥极大的作战效力。例如，辛辛那提大学所开发的人工智能程序“阿尔法”，在空战模拟器中击败了有着丰富经验的退役美国空军上校GeneLee。无人机的发展逐步趋于多元化，在军需民用方方面面都有所涉猎。未来一个时期，提高现有的技术，更多的培养高端人才，解决并突破技术难关是发展无人机技术的关键。随着我国科学技术发展，我国国防力量的不断增强，我国的无人机事业势必蒸蒸日上，无人机不仅可以用在军事方面，还可以在民用方面展现他的厉害之处。
从长远看，人工智能将成为无人机作战能力的重要推手。随着人工智能技术、机载处理技术以及空中飞行管理技术等的发展，下一代的有人战机有可能逐渐被无人作战飞机替代，从而真正发展为零伤亡的智能无人战争。（司悦航、董兴宸、申起有、程启翔）
(责编：黄子娟、陈羽)分享让更多人看到
人工智能技术在认知电子战中调制识别中的应用
人工智能技术在认知电子战中调制识别中的应用
背景知识：
电子战：
电子战又称为电子对抗，就是敌对双方为削弱、破坏对方电子设备的使用效能、保障己方电子设备发挥效能而采取的各种电子措施和行动。
作为一种作战行动，电子战是敌我双方的动态博弈，包含对抗和反对抗两个方面。取胜的关键在于通过相互识别，相互躲避，掌握更多敌方的特征，并在此基础上实施正确的反制战术。
传统电子战面临的挑战：
1、 现代战场环境的电磁环境的复杂性。面对大量信号源和干扰源，从中截获、分选、识别威胁目标是极大的挑战。
2、 智能化信息设备的广泛使用。新一代信息化装备广泛拥有自适应能力，能够针对环境、杂波、干扰自主调整工作模式。半导体技术发展使得射频设备普遍拥有了数字化波形生成、跳频变频能力，传统电子战模式会被大大削弱甚至完全失效。
3、 对抗组网信息系统难度极大。传统雷达干扰只能干扰雷达网的一部或者少部分雷达，而通过雷达组网，可以消除干扰的影响；传统通信干扰只能干扰部分节点或链路，通过迂回通信仍可正常通信。面对组网技术，需要电子战系统识别组网模式，针对性发现并攻击关节节点。
面对挑战，结合专家系统和人工智能技术的发展，认知电子战应运而生。
认知电子战
基本概念：
认知电子战系统是一种具有通过先验知识以及自主交互学习来感知并改变周围局部电磁环境能力的智能、动态的闭环系统,可在实时感知电磁环境的基础上,高效、自主地调整干扰发射机与接收机以适应电磁环境的变化,提高干扰的快速反应能力与可靠性。
其认知的过程是一种感知环境(observe)→适应环境(orient)→做出决策(decide)→采取行动(act)的OODA循环。学习能力在循环过程中的每一步都发挥着重要作用。
典型工作流程：
首先从威胁环境中侦察、分选出目标信号,然后通过对干扰目标的参数测量和状态辨识,掌握当前所用干扰信号的反馈情况和干扰目标不同状态的转换情况,对干扰效能进行评估,经过干扰策略优化后可对后续的干扰资源调度进行引导,从而使得干扰更具有主动性和针对性。
本文将专注于observe环节，也就是信号特征识别阶段。
传统经典算法（非人工智能）以及其实现
最大似然算法
第一步，根据信号模型的统计特性推导出似然函数，通过似然函数衡量待识别信号与每一种候选调制方式的相似程度。
第二步，通过对比待识别信号与每一种候选调制方式的相似程度，判断待识别信号的调制方式。在计算通过似然函数构建的检验统计量之后，选取值最大的检验统计量所对应的候选调制方式为判断结果。
这是基于概率论和贝叶斯理论的算法，在实际应用中，往往遭遇先验信息不足，识别质量差；对于较为简单的调制方式，可设计出稳健的识别特征。在特定条件下，识别效果逼近理论最优算法。
但是此方法适应能力较差，严重依赖人工设计特征。当面对层出不穷的复杂信号体制和调制方式时，人工难以设计出稳健的识别特征，或者人工设计特征的研究周期较长。
传统经典算法（基于人工智能）以及其实现
实际上，使用简单的卷积神经网络即可获得比经典算法更好的识别结果。
图像识别问题、语音识别问题与调制识别问题一样，都是典型的模式识别问题。基于三者之间的共性，很自然地将在图像和语音识别中取得成功的算法应用到调制识别中去。
基于图像识别网络模型的调制识别算法
此算法流程需要对输入信号进行预处理，主要任务是将信号转化为类图像数据，即类似于图像的二维数据，例如时频图、循环谱等，这样做的目的是方便利用图像识别网络模型对数据进行处理。
基于语音识别网络模型的调制识别算法
流程与基于图像识别网络模型的调制识别算法流程类似，需要先对模型进行训练，训练完成之后即可对未知信号进行调制方式的识别。但不同的是，基于语音识别网络模型的调制识别算法在预处理过程中将信号转化为类语音数据，例如频谱、包络谱等；类似地，类语音数据与语音数据仍然存在一定差异，故一般对语音识别模型进行一定的改进。
传统算法和深度学习的互补
优缺点分析
优点：
可以实现信号特征的自动智能提取，突破了人工设计特征的被动式发展思路。
可以识别经典方法难以识别的复杂调制方法，突破了经典方法的瓶颈。
缺点：
深度学习是数据驱动的，存在固有的过拟合问题。
调制信号参数变化范围非常大，用于训练的数据难以实现对所有参数的遍历。
泛化能力较弱，对于训练数据参数范围外的数据识别效果较差。
算法改进：
为了解决神经网络过度学习问题，引入了最优停止法。
对神经网络进行过多的训练无疑会增加网络的训练时间,但更重要的是会产生过学习或过拟合现象。
在神经网络进行训练时，随着训练误差的减小，期初泛化误差也随之减小；达到最小点后，尽管训练误差继续减小，但是泛化误差反而增大。
最优停止法使用时，将采集到的数据集随机划分成训练集、验证集和测试集。其中验证集用于检测网络拟合情况。训练和验证交替进行。当进入过度拟合时，验证误差就会逐渐增大，网络训练就应该提前停止。
为了防止在出现过拟合之前，因为突发错误暂时造成验证误差变大，而误以为已经进入过度拟合阶段，判断准则需要进行停止：验证误差变大时，不立即停止训练，而是继续观察，而是设置容错门限。当超过容错门限时，才认为出现了过学习。此时才停止训练，选择验证误差最小时的参数。
总结：
调制识别技术在当下依然是一门冷门领域，应用场景多为军事领域，相关人工智能人才参与较少，信息公开程度较低，因此缺少面对调制识别进行专门研发的网络模型。目前发展处于参考其他领域网络模型发展的状态。
参考文献：
《基于特征提取的通信信号识别研究》
《认知电子战体系结构和技术》作者：王沙飞,鲍雁飞,李岩
《非合作通信中调制识别算法研究进展》作者：黄知涛，杨杰，王翔，崔轩，王永芳
《一种优化的RBF神经网络在调制识别中的应用》作者：叶健 葛临东 吴月娴
《模式分类（第二版）》作者：李宏东,姚天翔
人工智能技术在武器装备中的应用探讨
图1人工智能的基本内涵
实现人工智能主要有符号主义、连接主义和行为主义三种路线。其中，符号主义路线基于逻辑方法进行功能模拟，即应用计算机研究人的思维过程，模拟人类智能活动，代表领域有专家系统和知识工程；连接主义路线基于统计方法进行仿生模拟，即通过对神经网络和神经网络间连接机制的研究，对人脑模型进行仿生模拟，代表领域有机器学习和人脑仿生；行为主义路线，基于控制论及感知-动作型控制系统，即从进化角度出发，研究拟人的智能控制行为。
目前，模拟人类思维结构、人类语言、视觉和听觉成为现代人工智能的重要方向。未来战争中，为了提高武器的作战效能，协同作战、体系化作战已成为发展趋势，需要武器装备像人一样相互协作，自动识别、智能决策，将人工智能技术应用于武器装备，势在必行。美X-47B舰载无人攻击机拟于2018年前后装备航母。到2035年，美军计划将首批完全自主、高智能的机器人士兵投入实战。人工智能对军队组织形态、作战方法和战争观念等，都将产生了广泛而全面的冲击。
03
系统基本模型
基于人工智能的武器装备借助人工智能技术从而具备感知、决策和反馈能力——感知自身状态及战场环境变化，实时替人类完成中间过程的分析和决策，最终形成反馈，实施必要机动，完成作战使命。
如图2所示，一种典型的基于人工智能的武器装备利用类似人的视觉、听觉等传感器，对目标进行和战场环境进行跟踪探测，所得信息与C4ISR提供的信息通过类似人脑的自载计算机进行处理，进行分析识别、思维判断和自主决策，对目标进行智能打击。
基于人工智能的武器装备一般具备以下特征：
自动目标探测识别和多传感器数据融合。
武器系统利用计算机、数据库、人工智能等技术不仅能从复杂环境下有效提取目标的航迹，还能进行多传感器的数据融合，综合处理多种传感器的数据。在得到的目标或数据不完整时，可通过联想而得到合理结果。武器具有人类行为特性，出现仿真视觉、仿真听觉和仿真语言等，捕获目标本身发出的一切信息。
具有智能抗干扰和电子对抗能力。
能够克服作战任务中，自然环境（天气、昼夜、寒暑等）和电磁环境等带来的不利影响，自动、有效地进行敌、我、友目标识别，减少甚至消除打击目标时的错误选择。
具有实时预测和评估战场态势、毁伤效果的能力。
发射平台和武器本身装配有专家系统，综合利用接收的天基、空基、海基或地面控制站的信息及敌方武器的电磁及声波等信息，对战场态势和毁伤效果进行预测和评估。
具有自主决策的能力。
当目标特征变化和其他作战条件改变时，能够自主制定作战对策，选择最优方案，实现对目标的精确打击。
具有智能目标杀伤的能力。
采用群体编队作战模式，不同成员间相互的协调，在兼顾环境不确定性及自身故障和损伤的情况下实现重构控制和故障管理，实现对目标的智能杀伤。
图2一种典型的基于人工智能的武器装备
04
人工智能技术在武器装备中的应用
根据图2所示系统模型，人工智能技术在武器装备中的应用主要体现在模式识别（智能感知）、专家系统（智能决策）、深度学习（智能决策）和运动控制（智能反馈）等几个方面。
1
模式识别在武器装备中的应用
模式识别是计算机模拟人类感觉器官，对外界产生各种感知能力的技术途径之一，包括语音识别、机器视觉，文字识别等。模式识别技术有助于武器装备获得自动目标识别（ATR）能力。
模式识别中的机器视觉，可通过光学非接触式感应设备，自动接收并解释真实场景的图像以获得系统控制的信息。例如DARPA的“心眼”项目和“图像感知、解析、利用”项目开发的机器视觉系统，具有“动态信息感知能力”，对动态物体的解构，利用卷积神经网络图像识别技术，将图片中的信息转化成计算机的“知识”。在实际作战中，模式识别系统通过观察目标的视频动态信息，借助神经网络、专门的机器视觉硬件，可在复杂的战场环境下，自动识别出潜在威胁，为目标打击提供参考信息。
ATR系统的探测装置主要为红外成像传感器、激光雷达、毫米波雷达和合成孔径雷达等。红外图像ATR系统已在武器装备中成功应用，激光雷达ATR技术也正在进入实用化，相对而言，用于射频导引头（毫米波雷达和合成孔径雷达）的ATR技术，目前还尚未成熟。
2
专家系统在武器装备中的应用
专家系统ES（ExpertSystem）是一类具有专门知识的计算机智能程序系统，运用特定领域中专家提供的专门知识和经验，采用人工智能中的推理技术来求解和模拟通常由专家才能解决的各种复杂问题，是目前人工智能领域最活跃、最有成效的一个分支。专家系统一般由知识库和数据库、推理机制、解释机制、知识获取和用户界面等组成（图3）。
图3专家系统的基本结构
专家系统应用于武器装备可使其具备实时战场态势评估的能力。将已证明的专家关于武器在战时的典型态势和毁伤效果评估的事实和过程，用数学方法加以描述，组成数据库和知识库。作战中武器装备接收的天基、空基、海基或地面控制站的信息，武器自身传感器获得的地理信息和敌方武器发出的声波、无线电波、可见光、红外、激光等信息，与数据库和知识库中信息进行比对，借助人工智能的自动推理技术，经计算机快速处理，确定战场环境中出现的威胁，并与用户界面的专家和指战员进行交互。
专家系统可与数据存储和通信网络技术相结合，用于各种野战军用系统，例如飞机的机载预警和控制系统、美军“宙斯盾”战舰和侦察卫星，帮助判断敌军的位置和动机。美国海军利用网络化专家系统为在作战区域内的所有军队提供通用作战图像，从而具备协同作战的能力。最有名的是美国研制的智能C3I信息系统，具有“个性”和人的“特征”、“智慧”，熟知指挥官的脾气、思维习惯和其他情感特征，能在几分钟内甚至几秒内帮助指挥官判断战场情况。
DARPA于2007年提出“深绿”系统（图4），可预测战场的瞬息变化，帮助指挥员提前思考，判断是否需要调整计划，并将注意力集中在决策选择而非方案细节制定上。
整个系统由指挥官助手（人机接口）、闪电战（模拟仿真）、水晶球（系统总控，完成战场态势融合和分析评估）、“深绿”与指挥系统接口四部分组成。其主要特点有三点：一是基于草图指挥，包含“草图到计划”（STP）、“草图到决策”（STD）两个模块，实现从战场态势感知、作战方案制定到作战行动执行、作战效果评估，全部实现“基于草图进行决策”。二是自动决策优化。决策通过模型求解与态势预测的方式进行优化，系统从自动化接口的“指挥官助手”进去，然后通过“闪电战”这个模块进行快速多维仿真，再通过“水晶球”模块实现对战场态势的实时更新、比较、估计，最后提供给指挥员提供各种决策的选择。三是指挥系统的集成，负责将决策辅助功能集成进一个名为“未来指挥所”的指挥信息系统中。
图4“深绿”概念示意图
3
深度学习在武器装备中的应用
深度学习技术基于多层网络的神经网络，能够学习抽象概念，融入自我学习，收敛相对快速。它模仿人脑机制，可以完成高度抽象特征的人工智能任务，如语音识别、图像识别和检索、自然语言理解等，深度学习具有多层的节点和连接，经过这些节点和连接，它在每一个层次会感知到不同的抽象特征，且一层比一层更为高级，这些均通过自我学习来实现。代表项目有DARPA启动的应用于合成孔径雷达“对抗环境下的目标识别与自适应”项目，应用深度学习领域最新研究成果，有望在合成孔径雷达图像中自动定位和识别目标，增强飞行员的态势感知能力。
将深度学习技术应用于武器装备的目标识别和定位，有望实现武器装备的自动目标识别和实时态势感知。采用了包含多个隐藏层的深层神经网络模型，利用隐藏层，通过目标特征组合的方式，逐层将目标信息的原始输入转化为浅层特征、中层特征、高层特征，直至最终实现对目标的定位和作战态势感知。
4
运动控制在武器装备中的应用
运动控制技术集人工智能感知、决策和反馈于一体，包括单体运动控制和群体运动控制，主要应用于机器人和无人系统。单体运动控制以美国的四足“大狗”机器人（图5）和双足人形“阿特拉斯”机器人为代表，它们自带大量传感器，用于监测身体姿态与加速、关节运动、发动机转速以及内部机械装置的液压等参数。通过先进的学习算法，机器人能够不断累积经验，自主避障，穿越越来越复杂的地形，具备在高危战场环境下的作战能力。
图5“大狗”机器人的结构和传感器分布示意图
群体运动控制又包含无人系统集群控制及无人和有人系统编组协同技术。无人系统集群控制由无人系统根据任务及外界环境的变化自主形成协同方案，具有分散性和非线性（图6），使武器作战效能将成倍增加。2014年，美国成功完成无人艇“蜂群”技术的作战测试。13艘无人艇组成的集群自主发现目标，制定行动计划并成功完成对目标舰船的拦截。导弹无人集群作战是指在导弹上加装战术数据链，使导弹在攻击目标过程能够实现导弹与导弹之间、导弹与发射平台之间的信息实时传输，及时传递探测信息，从而达到提高突防概率，实现“战术隐身”、扩大战果的目的（图7）。
在有人和无人系统编组协同方面，美军2011年首次组织“有人与无人系统集成能力”演习，演示了有人驾驶直升机与“灰鹰”、“猎人”、“影子”等无人机，以及各型地面控制站和终端间的视频相互传输和接力传输，以提升无人武器与有人武器的协同作战能力。法国也试验了由“阵风”战斗机作为指挥机，控制4～5架“神经元”隐形无人机进行协同作战的编组形式。
随着人工智能技术进步，计算机处理速度的不断提高，新技术、新材料、新工艺等前沿基础技术的发展应用，将推动基于人工智能的武器装备向着更加自主化、小型化的方向发展。纳米电子技术和微（纳）机电技术的进步，推动纳米合成孔径雷达以及智能化微机电导航系统的发展，有望使得武器装备的制导、导航、推进等各方面发生质的变化，推动基于人工智能的武器装备整体更趋小型化。
图6集群作战的分散性和非线性示意图
图7导弹无人集群作战
结束语
人工智能技术作为信息化时代的关键使能技术，影响一个国家的格局甚至国家的国际竞争力。其在武器装备上的应用，将显著提升武器制导精度、命中精度、毁伤能力、反应速度等。国内外都会利用最新的信息技术和人工智能技术，有针对性的开展关键技术研究，逐步把人工智能的理论和技术引进到未来武器系统的研制中去。
返回搜狐，查看更多
人工智能军事应用的可能性及面临的挑战
人工智能（AI）技术的近期发展为许多传统人工智能应用带来了突破，比如计算机视觉、自然语言处理、机器人和数据挖掘。因此，最近也有许多工作将人工智能的新发展用于军事应用，如监视、侦察、威胁评估、水雷战、网络安全、情报分析、指控、教育和训练。然而，人工智能在有可能得到军事应用的同时，也存在许多挑战，比如：（1）军事行动的高风险意味着军事人工智能系统必须保证透明，以取得决策者的信任并便于进行风险分析，而许多人工智能技术都是缺乏足够透明性的黑盒；（2）军事人工智能系统必须鲁棒且可靠，而人工智能技术则可能易受难以察觉的输入数据操控攻击的影响，输入数据操控方甚至不需要了解所用的人工智能技术；（3）许多人工智能技术是基于机器学习的，需要大量训练数据，而军事应用中通常缺乏足够的数据。本文给出了一些正在开展项目的结果，试图阐明人工智能军事应用的可能性和所面临的挑战，以及如何解决这些挑战。
1引 言
人工智能，特别是其分支领域机器学习（ML）和深度学习（DL），在十年内已经从研究机构和大学中的原型开发演变为实际应用。利用深度学习技术的现代人工智能已经让传统人工智能应用的性能发生了革命性变化，比如机器翻译、问答系统和语音识别。这一领域的众多进步也将很多奇思妙想变成了了不起的人工智能应用，能够实现图像描述、唇读、语音模仿、视频合成、连续控制等功能。这些结果表明，具有自我编程能力的机器有以下潜力：（1）提高软件和硬件研发费用的使用效率；（2）以超人类的水平执行特定任务；（3）为人类之前从未思考过的问题提供创造性解决方案；（4）在人类容易作出主观、偏颇和不公平决定的领域，提供客观公正的决策。
在军事环境中，人工智能的潜力展现在了战争的各个领域（陆、海、空、天和信息域）和各个层级（政治、战略、战役和战术级）。具体而言，例如在政治和战略级，可以利用人工智能制造和发布大量虚假信息，打乱对手阵脚。此时，人工智能很可能也是防御此类攻击的最佳手段。在战术级，人工智能能够提高无人系统中的部分自主控制能力，这样操作人员就能更有效操控无人系统，最终增强战场影响力。
然而也有几个关键挑战可能会延缓或限制现代人工智能的军事应用：
·机器学习模型的透明性和可解释性不足。例如，使用深度学习对利用深度神经网络（DNN）的自动驾驶车辆控制问题建模时就需要几十万个参数。显然，如此复杂的程序很不容易解释。即使是在处理玩具问题时，用实现了模型可视化的其他机器学习算法生成的模型也很难解释。由此引发的一个相关亦或更加重要的挑战是人工智能系统不能向决策者或操作人员解释其推理过程。
·使用机器学习开发的模型在面对对手攻击时十分脆弱。例如，通过操控输入信号，攻击者很容易欺骗基于深度学习的模型，即使他们并不了解这一模型。举例说明，利用精心设计的地面伪装模型就可能能够欺骗使用先进目标探测技术的无人机。
·任何机器学习应用的主要要素都是数据，机器要利用数据进行学习并最终提供深入洞察能力。军事组织通常善于收集数据用于情报或复盘。然而这并不能保证相同的数据同样能够成功用于机器学习。因此，军事组织需要改变其数据收集过程，以便充分利用现代人工智能技术，如深度学习。
本文旨在阐明人工智能军事应用的可能性和面临的主要挑战。第二部分简要介绍了深度学习，这也是本文主要关注的人工智能技术。第三部分举例说明了几种人工智能军事应用。第四部分阐述了人工智能军事应用面临的主要挑战，以及一定程度上解决这些挑战的技术。第五部分为结语。
2深度学习
深度学习是指包含多层非线性处理单元的机器学习模型。这类模型以人工神经网络为典型代表。在这里，一个神经元指一个单一的计算单元，计算单元的输出是已通过（非线性）激活函数（例如，只传导正信号的函数）的输入的加权和。深度神经网络（DNN）则指将大量并联神经元层级串联起来的系统。与之相对的是仅有一层并联神经元的浅层神经网络。
直到大约十年前，深度神经网络的训练还几乎不可能。首个成功的深度网络训练策略是基于一次训练一层。最后利用随机梯度方法对逐层训练深度网络参数进行精调，最大程度提高分类准确率。之后的许多研究进展使得直接训练DNN成为可能，不用再进行逐层训练。例如，网络权重初始化策略结合激活函数选择十分关键。甚至像训练阶段中的让神经元随机失效以及在信号到达激活函数之前进行归一化这样的技术对于利用深度神经网络达成良好结果也十分重要。
表示学习是实现深度神经网络高性能的主要原因之一。通过深度学习和深度神经网络，不再需要人工编制学习某个特定任务所需的特征。而是由深度神经网络在训练期间自动学习鉴别特征。
当前，支撑深度学习应用的技术和工具可用性更高了。通过廉价的计算资源、免费的机器学习框架、预先训练好的模型、开源数据和编码，仅仅利用有限的编程/脚本技术就能成功使用和定制先进的深度学习能力。
3军事人工智能应用
本节介绍了几个利用人工智能增强军事能力的实例。
3.1监视
海上监视可利用固定雷达站、巡逻机、船只完成，近年来还使用自动识别系统（AIS）对海上船只进行电子跟踪。这些信息源提供了大量船只运动信息，可能揭露非法、不安全、威胁性以及异常行为。然而，由于有关船只运动的信息量很大，人工检测此类行为十分困难，可利用机器学习方式根据船只运动数据生成正态模型。任何偏离该正态模型的船只运动都被视为异常行为，并呈现给操作人员进行人工检测。
早期的海上异常探测方式使用FuzzyARTMAP神经网络架构基于港口位置建立正常船只速度模型。另一种方式是使用运动模式联想学习来预测基于船只当前位置和航向的船只移动。还有其他方式使用基于高斯混合模型（GMM）和核密度估计（KED）的无监督聚类。以上模型能够检测出改变方向、跨越航线、向相反方向运动或高速航行的船只。较新一些的方式则使用贝叶斯网络探测虚假船只类型，以及不连贯、不可能和走走停停的船队运动。海上异常探测的未来发展也应当考虑周边船只以及多艘船只间的相互作用。
3.2水雷战
水雷会对海上船只造成重大威胁，用于引航或阻止船只通过管制水域。因此，反水雷（MCM）对抗措施则是要定位并消除水雷威胁，实现舰艇自由航行。水雷搜寻任务越来越多地利用装备有合成孔径声呐（SAS）的自主潜航器（AUV）执行，提供海底厘米级分辨率声波成象。由于自主潜航器会收集大量的SAS图像，因而可采用自动目标分类方式区分潜在水雷与其他物体。水雷自动目标分类已经研究多时，而将高性能深度神经网络用于图像分类的研究热潮也让军方开始关注如何将此类方式用于自动水雷探测。
几项研究证明了深度神经网络用于水雷探测的潜力。例如，有研究进行了利用带SAS的自主潜航器探测海底的实验。结果证明，与传统目标分类器相比，采用深度神经网络方式检测到水雷形状的概率要高得多，虚警率则要低得多，因而性能更好。同样，还有研究阐述了如何生成柱状物体和各种海底地貌的合成SAS图像用于训练深度神经网络。未来研究可能探究如何从各类杂乱物体中区分出水雷，将探测与分类相结合，以及如何解决噪声、模糊性和遮挡问题。
3.3网络安全
入侵检测是网络安全措施的重要组成，用于在恶意网络活动危及信息可用性、完整性或保密性之前将之检测出来。入侵检测通过区分网络业务是正常业务还是入侵行为的入侵检测系统（IDS）实现。然而，由于正常网络业务通常与实际攻击特征相似，网络空间安全分析人员需要分析所有入侵预警情境，判定是否存在真正的攻击。基于特征的入侵检测系统通常擅长检测已知攻击形式，无法检测以前没见过的攻击。再有，由于需要大量专业知识和技术，基于特征的检测开发通常缓慢且昂贵，降低了系统对快速变化的网络威胁的适应能力。许多研究使用机器学习和其他人工智能技术来提高对已知攻击的分类准确率，探测异常网络业务（因为这可能意味着偏离正常网络业务的新攻击类型），以及实现自动模型构建。然而，这些系统几乎没有运行使用。原因在于入侵监测带来的特定挑战，比如缺乏训练数据、网络业务中的巨大可变性、高差错成本，以及执行相关评估困难等。即使可采集大量网络业务数据，信息也通常是敏感的，且仅能部分实现匿名。使用仿真数据是另一种方法，但却通常真实性不足。然后必须标记数据，以实现监督学习，判定业务模式是正常活动还是入侵行为，或进行异常检测，保证可防范攻击的匿名探测，而这点通常很难实现。最后，模型需要透明，这样研究人员才能了解检测的局限性和特征的显著性。
另一种增强网络安全的方法是安全审计中的渗透测试，目的在于识别可能被利用的安全缺陷。基于网络的复杂性以及许多网络中主机数量庞大，渗透测试通常自动进行。一些研究研究了人工智能技术可能怎样用于使用网络逻辑模型而非实际网络的模拟渗透测试。网络通常用攻击图/树表示，攻击图/树描绘了对手如何利用网络脆弱性侵入某一系统。有文献则描述了不同模型在其表征方式上的不同：（1）攻击者不确定性，从抽象的成功和检测概率到网络状态的不确定性；（2）攻击者行为，从已知前置条件和后置条件到结果的一般感测和观测。另外，采用网络和主机形式模型，可以执行不同攻击减轻策略的模拟假设分析。未来渗透测试研究很可能使用攻击者和防御者之间相互作用的认知有效模型以及深度强化学习来研究可能发生攻击这一巨大问题空间。
4挑 战
如上文所述，在开发和部署用于军事用途的人工智能应用之前，还有几项重大挑战未解决。本节将探讨人工智能军事应用面临的最主要挑战：（1）透明性；（2）脆弱性；（3）在训练数据有限条件下学习。其他重要但非关键性问题，本文不做讨论。
4.1透明性
除需要高性能外，许多应用还有高透明性、高安全性以及用户信任或理解需求。这些需求包括安全关键系统、监视系统、自主智能体、医疗和其他相似应用中的典型需求。随着近期人工智能技术的突破，越来越多的研究也在关注透明性，以在此类人工智能应用中更好地支持终端用户。
（1）对透明性的期望
人工智能透明性需求取决于终端用户需要。可能与透明性相关的五类用户需求如下：
·在用户难以质疑系统建议的态势下维持用户信任。然而，用户信任是否基于系统性能或是鲁棒性、与用户相关性能、亦或用户对系统建议的满意度，目前还不明确。
·洞察可能用其他方式测试过的先前未知的因果关系。
·了解系统性能局限性，局限性的原因在于，与用户能力相比，模型泛化能力有限。
·关于系统建议的一些额外信息。
·公平性，避免可能导致某些场合下不平等处理的系统偏差。例如，信用评估应用不应基于个人属性，比如性别或民族，虽然这些属性可以从总体统计学角度区分出不同人群。
原则上，人工智能系统透明化的方式有两种。第一种，一些模型可解释性比其他模型更好，比如线性模型、基于规则的系统或决策树。观察这些模型可以了解其组成和计算。第二种，系统也许能够解释其建议。这种解释可能是文本或图像方式。例如，通过指出图像的哪方面信息最有助于其分类。典型来说，人们依据其信念、愿望和意图解释其他行为者的行为。就人工智能系统而言，信念对应系统态势信息，愿望对应系统目标，意图对应中间状态。另外，解释还可能包括行动异常性、最大程度降低费用或风险的偏好、对规范或标准的偏离、新事件以及对行为的控制能力。主要结论包括：
·解释关注的是为何给出这一特定建议而不是其他建议。
·解释是有选择的，聚焦一种或两种可能原因，而不是给出特定建议的所有原因。
·解释是为了传递知识而进行的社交对话和交互。
（2）可解释模型举例
贝叶斯规则表（BRL）是可解释模型的一个例子。BRL包括一系列if（条件）、then（结果）、else（备选）状态。条件是对影响突发风险的高维多变量特征空间的离散化处理，结果则描述了预测的突发风险。BRL与预测突发风险的其他机器学习方法性能相近，可解释性也与准确率不足的其他现有评分系统差不多。
另一个用于文本分类的可解释模型实例是基于词典的分类器。基于词典的分类器会用词频乘以每类中词出现的概率。选择得分最高的类作为预测类。词典模型的性能要优于其他机器学习模型，同时还兼备可解释性。
（3）特征可视化举例
尽管深度神经网络在许多应用中能提供高性能，但其亚符号化计算可能有几百万个参数，很难准确了解各输入特征对系统建议的影响。鉴于深度神经网络的高性能对于许多应用很重要，研究人员十分关注如何使其变得更具可解释性。许多解释深度神经网络的算法将深度神经网络处理转换到原始输入空间，以实现鉴别特征的可视化。典型来说，实现特征可视化、激活最大化和深度神经网络解释有两种一般性方法。
激活最大化计算哪些输入特征将最大化激活可能的系统建议。对于图像分类，指的就是能够显示各类的可识别鉴别特征的理想图像。然而，由于多个类也许会使用同一对象许多方面的信息，且图像中的语义信息经常会展开，因而图像经常看起来不自然。激活最大化的一些方法包括梯度上升，实现更好的正则化以提升泛化能力，以及合成优选图像。
深度神经网络解释会通过强调鉴别输入特征来解释系统建议。在图像分类中，这类可视化可能会高亮显示提供某一类支持或反对证据的区域，或仅仅显示包含鉴别特征的区域。计算鉴别特征的方法之一是运用局部梯度或其他变量测量进行敏感度分析。然而，敏感度分析的一个问题在于它可能显示出输入中未呈现的鉴别特征。例如，在图像分类中，敏感度分析可能指向某一物体的被遮挡部分而非可见部分。而分层相关传播则可通过同时考虑特征存在和模型反应避免这一问题。
（4）应用具体解释举例
与分类不同，人工智能规划是基于域动态模型的。鉴于公平性对于许多人工智能应用都很重要，可以采用模型蒸馏检测黑盒模型中的偏差。模型蒸馏能够在没有显著准确率损失的前提下，简化更大更复杂的模型。对于透明性，可以使用基于影子树的广义相加模型，模拟每个参数以及两个参数间的相互作用。基于来自黑盒模型和一个基于实际结果的透明模型的系统建议训练一个透明模型。对两个模型建议的差异性假设测试表明，黑盒测试引入了某一偏差的情境，偏差随后可能通过对比两个透明模型而被诊断出来。
4.2脆弱性
本节讨论深度神经网络两个不同方面的脆弱性：（1）输入被操控；（2）模型被操控。首先探讨输入信号被操控。
（1）恶意编造输入
使用深度神经网络时，很容易调整输入信号，从而导致分类系统彻底失效。当输入信号的维度很大时（典型如图像），对输入中每个元素（即，像素）的细微调整就足以欺骗系统。使用与训练深度神经网络相同的技术，典型的是随机梯度法，可通过观察梯度符号很容易发现每个元素的修改方向，进而导致分类器错误挑选目标类或误分类。仅仅通过几行代码，就可以欺骗最好的图像识别系统，让它相信一辆车的图片显示的是一条狗。
以上方法假设的是有深度神经网络的完全访问权，即所谓白盒攻击。研究发现，甚至可能实现黑盒攻击（仅了解系统输入和输出的类型）。有人曾使用从其想要攻击的黑盒系统获得的稀疏样本数据训练一个替代网络。给定了替代网络，就可以使用白盒攻击方式编造恶意输入。有人还给出了学习替代网络的一个备选方案，即利用遗传算法来创造导致系统错误分类的攻击矢量。甚至证明了仅修改图像中的一个像素（即使通常会被察觉）就足以成功实现攻击。
（2）利用预先训练深度神经网络的隐藏后门
在设计深度神经网络时，除要访问少量训练数据外，通常还要使用预先训练的模型来实现良好性能。这一概念称为迁移学习，常用程序是采用基于大量数据训练的模型，针对具体问题替换定制网络中的最后几层，然后使用可用训练数据对最后阶段（有时甚至是整个系统）的参数进行微调。互联网上已经有大量预先训练模型可以下载。但这样就出现一个问题——无法保证那些上传模型的人没有恶意。有人曾研究了这种脆弱性，在一个模型中插入后门，用来识别美国交通标志。例如，用在停止标志上粘贴贴纸的方式进行训练，以便分入与停止标志不同的类。随后实验显示，如果使用后门（例如，在交通标志上放置一个粘贴标签），用一个基于美国交通标志网络的系统识别瑞典交通标志时效果极差（极大削减了瑞典交通标志系统的分类准确率）。
（3）防御方法
减小深度神经网络输入信号操控漏洞的一个方法是在模型训练过程中明确包含被操控/对抗实例。也就是说，除了原始训练数据外，也在模型训练中生成并使用对抗实例。
另一种防御方法是利用一种所谓防御蒸馏概念。简单来说，这种方法试图减少需求，输出信号仅仅指出真正类别，并迫使其他类概率为零。这一方法可通过两个步骤实现。第一步是深度神经网络常规训练。第二步，将首个神经元网络的输出（类概率）用作新类标签，新系统（架构相同）使用新（软）类标签进行训练。经验证，这种方法能够减少脆弱性，因为没有让深度神经网络过于贴近训练数据，且保留了合理的类间相互关系。
其他防御措施还有特征压缩技术，比如平均数或中位数过滤，或非线性像素表示，例如独热或温度计编码。
不幸的是，以上所述方法都没有完全解决脆弱性问题，尤其是当攻击者完全了解模型和防御方式时。
4.3数据
在军事环境中开发基于机器学习的应用很有挑战性，因为军事组织、训练设施、平台、传感器网络、武器等中的数据收集程序最初并不是为机器学习设计的。因此，在这一领域中通常很难发现真实、高质量且足够大的数据集用于学习和获取知识。本节将探讨能够用于建立机器学习应用（即使在有限训练数据条件下）的技术。
（1）迁移学习
迁移学习是一种一般在数据集小且计算资源有限时使用的技术。其理念是在开发瞄准其他相似任务的新模型之时，重用预先训练模型的参数，典型代表是深度神经网络。用于深度学习应用中迁移学习的方式至少有以下两种：
·重学输出层：通过这种方式，预先训练模型的最后一层将由匹配新任务预期输出的新输出层替代。在训练中，只更新新输出层的权值，其他保持不变。
·微调整个模型：与第一种方式相似，但在这种方式中，可能会更新整个深度神经网络的权值。这种方式一般需要更多训练数据。
有研究证明迁移学习还可能增强模型的泛化能力。然而，迁移学习的正面效果会随着源任务和目标任务之间距离的增加而减弱。
（2）生成式对抗网络
生成式对抗网络（GAN）是一种可用于半监督学习的生成模型，将一个小的标签数据集和一个更大的无标签数据集相结合以增进模型性能。基本GAN实现包含两个深度神经网络，一个表示生成器，一个表示鉴别器。生成器接受训练，产生虚假数据，鉴别器则接受训练，将数据分类为真实或虚假。当两个网络同时接受训练时，一个网络的改进也会引发另一网络的改进，直到最终达到均衡。在半监督学习中，生成器的主要目标是产生能够用于改进最终模型总体性能的无标签数据，除了半监督学习外，GAN也被用于：
·重建：填补部分被遮挡的图像或对象的空白。
·超分辨率：将图像由低分辨率转换到高分辨率。
·图像到图像转换：将图像由冬天转换为夏天，白天转换为黑夜等等。这一技术的军事应用是可以将夜视图像转换为日间图像。
（3）建模和仿真
军队中已将建模和仿真广泛应用于训练、决策支持、研究等等。因此，长期以来已经开发出了许多经验证的模型，这些模型也可潜在用于为机器学习应用生成合成数据。例如，飞行模拟器可以用来生成置于不同环境中飞机的合成图像。在此情景中，标签是自动添加的，因为飞机类型在生成合成图像前就已知。然而，当将此模型用于真实图像时，使用合成图像可能导致性能变差。当前正在研究的一种方式是通过GAN增强合成图像，使图像更加真实。
5结 语
近期人工智能技术的突破已逐渐使其能够用于军事应用中。本文阐述了在监视、水雷战和网络安全中使用人工智能的一些可能性。其他潜在应用包括使用部分自主车辆和传感器系统进行侦察，具有高时间需求的防空系统的威胁评估，新兴模式的情报分析，指控系统，以及教育和训练。然而，人工智能的军事应用还需思考以下几方面的挑战：
·透明性，保证模型性能与军事需求一致。
·脆弱性，可能大幅降低系统性能。
·机器学习所需的训练数据不足。
研究人员在关于人工智能透明性、可理解性以及可解释性问题上已取得了许多进展。许多研究成果很可能也能用于军事人工智能应用中。然而，要理解如何使用这些研究成果，还需进行更加全面的需求分析。军事需求在风险、数据质量、合法需求等方面可能有很大差别，某些类型的透明性也许甚至不适用。另外，还需进一步研究如何利用社科研究成果提升人工智能的可解释性。同时，研究还应包含如何使用在视觉分析研究领域所研发的大量可视化技术。
由于目前没有解决人工智能脆弱性的万能方案，密切关注这一研究领域并不断寻求有前景的解决方案就显得十分重要。然而，在这类解决方案出现之前，有必要尽量减少外部对各种模型和防御技术的访问。否则对手就有可能利用这些脆弱性。
最后，迁移学习使得将预先训练模型应用于军事应用中成为可能，但军事应用中的训练数据和计算资源均有限。GAN是另一项很有前景的技术，通过标签和无标签数据（半监督学习）实现学习。GAN还可结合仿真使用，以增强合成生成训练数据的真实性。（阮贝娜编译）
声明：本文来自电科小氙，版权归作者所有。文章内容仅代表作者独立观点，不代表安全内参立场，转载目的在于传递更多信息。如有侵权，请联系anquanneican@163.com。