人工智能技术在潜艇作战系统中应用分析
0引言潜艇作为一种重要的水下作战装备，可承担局部战场态势感知、航母编队警戒护航、水下协同作战指挥、对敌陆岸目标远程精确打击、对敌大中型舰艇及编队隐蔽攻击、对敌潜艇进行攻击、特种作战力量投送等多样化的作战任务。在水下网络中心战及信息化作战条件下，潜艇未来面临的战场环境复杂多变，获取的信息多源异构，潜艇指挥员将面临如何在最短时间内正确认知战场态势，迅速做出指挥决策，快速实施战术机动，快速完成武器通道组织和武器发控等一系列问题。智能化技术在作战系统中的应用，将有效提升潜艇作战平台的性能，辅助指挥员快速作出正确决策，减少系统反应时间，提高潜艇的作战指挥效率。
1人工智能技术在潜艇作战系统中应用分析潜艇作战系统是指潜艇平台上用于执行警戒、跟踪、目标识别、信息处理、威胁估计及控制武器完成对敌独立或协同作战的各要素及人员的综合体，主要由声呐系统、光电设备、雷达/电子侦察设备、导航系统、通信系统、指控系统、鱼水雷武器系统、导弹武器系统、水声对抗系统、雷弹发射装置等分系统和设备组成[1]。随着技术的进步，潜艇对外部平台信息的隐蔽接收能力的不断增强，潜艇内部信息化程度不断提高，潜艇作战相关的数据的不断累积丰富，人工智能技术在潜艇作战系统上的应用必将进一步增强潜艇自身在目标识别、态势认知、指挥决策、交战控制、人机交互等方面的能力，进而提升潜艇整体作战能力。
图1潜艇作战系统组成示意图Fig.1Compositionofsubmarinecombatsystem1.1目标识别人工智能技术能够将艇载信息源获得的各类信息加以综合利用，提取融合多源目标信息，进而自动完成目标的识别。
潜艇在执行任务过程中，获取目标信息的信息源主要分为艇载传感器、通信系统和源数据[2]三大类。其中，艇载传感器主要包括潜艇的声呐系统、光电设备、雷达/电子侦察设备；通信系统主要包括长波、短波、超短波、卫通和浮标等各类通信设备；源数据主要包括潜艇预先加载各类数据库。
艇载传感器主要获取的是目标探测信息。声呐系统可对跟踪的水声目标信息进行DEMON，LOFAR谱分析，提取目标的螺旋桨转速和螺旋桨叶片数作为识别目标属性特征；对噪声目标进行测向、测距；对主动声呐脉冲信号实施侦察，测定其方位、频率、脉宽和周期等。光电设备主要获取的是目标的方位信息、距离信息、高度信息和图像信息；雷达主要能够获取目标的方位、距离信息，电子侦察设备主要对舰载、机载和岸基雷达威胁信号进行截获，测量其频率、方位、脉宽等参数。
潜艇通信系统主要获取外平台发送到目标信息。这些信息主要包括技侦情报信息、目标指示信息和我方目标活动信息等。技侦情报信息主要是指我方通过技术侦察手段破译的相关目标信息，可涵盖目标的出发港口、抵达港口、出发时间、抵达时间，目标的属性、种类、类型、型号和舷号等信息；目标指示信息指的是上级平台/系统送给潜艇的目标信息，如目标的经度、纬度、航速、航向、属性、种类、类型、型号等信息；我方目标活动信息包括我方目标的经度、纬度、航速、航向、属性、种类、类型、舷号等信息。
源数据主要包括潜艇预先加载各类作战预案、数据库。其中与目标融合识别相关的数据库包括目标特征数据库、目标识别模型库、先验知识库和历史数据库等（如目标活动的固定航道、频繁活动海区等历史信息）。
多源目标融合识别结构可分为信号级、数据级、特征级和决策级[3]。在潜艇目标识别中，各信息源获得的目标信息形式多样，提取的目标特征信息也各不相同，获取信息的实时性、稳定性和精度各异，因此在潜艇多源信息目标融合识别系统中，通常采用如图2所示的决策级目标融合识别结构[4]。
图2决策级融合识别结构模型示意图Fig.2Recognitionstructurediagramofdecisionlevelfusion在潜艇决策级融合识别结构模型中，作战系统各分系统设备分别获取目标信息，进行特征提取后再分别完成独立识别，最后由艇载指控系统完成目标的多源信息融合识别。在各分系统统设备的独立识别过程中，可采用基于物理模型的模板匹配、聚类分析等方法；采用基于统计估计模型的贝叶斯推理、模糊推理、神经网络等方法；采用基于图像融合识别模型的图像配准相关方法等。在决策级融合识别过程中，可采用决策加权融合识别、基于D-S证据理论的融合识别等方法。在整个目标识别过程中，需要利用数据挖掘、知识挖掘的相关方法对艇载各类目标特征数据库、模型库、先验知识库和历史数据库等进行充分的挖掘利用。
1.2态势认知人工智能技术能够突破人的主观认知局限，增强人的认知能力，辅助潜艇指挥员获得更快、更全、更准、更深的态势认知结果。
态势认知是在态势要素感知和多源信息融合的基础上，对战场态势的感知、理解和预测，如目标识别、威胁估计、意图识别、作战行动预测和未来战况走向预估等，是指挥控制活动从信息域走向认知预跨越的重要标志。
相比于水面或空中作战平台，潜艇依靠自身传感器或通信系统获取的信息有限，潜艇指挥员要对战场态势进行准确掌控，必须在潜艇平台自身获取信息基础上，充分利用和深入挖掘学习已掌握的作战目标信息、海洋环境信息、水声环境信息、作战案例、战术信息等历史信息形成的大数据。
在态势认知过程中，人工智能技术为解决态势智能认知过程中面临的一些问题提供一些基本方法[8]。如采用Bayes概率理论、Hardey集合理论、Shanonn概率理论和Azdhe模糊理论去解决不确定性和模糊性条件下的态势知识的建模问题；采用表示学习技术实现态势知识的表示；采用数据挖掘、贝叶斯理论、统计分析、结合认知机制的深度学习等理论方法实现对不同态势认知机制的模拟；采用深度增强学习技术解决不完全信息条件下的态势认知；采用小样本学习技术和面向样本生成的学习技术解决态势样本稀缺性问题，典型的小样本学习技术包括贝叶斯程序学习、迁移学习等，典型的面向样本生成的学习技术包括生成对抗网络、基于数据变换生成样本后的学习技术等。
在态势认知过程中，基于现阶段人工智能技术水平，有必要建立人机智能的高效协作机制，充分发挥人和机器各自优势，按需引入指挥员的主观认知。如采用基于人在回路的态势智能认知计算方法，来限定任务范围，从而缩小推理空间，降低态势推理和作战资源分配的复杂性、缩短任务计算时间等[19]，提升指挥员战场态势认知速度。
1.3指挥决策人工智能技术能够在态势认知基础上，辅助指挥员对各类资源的综合运用和多种战术措施的匹配使用进行统一规划，为潜艇各项战术活动的实施和作战方案拟定提供智能决策支持。
方案智能仿真推演有助于指挥员制定最佳作战方案。利用平行仿真技术构建与指控系统一致和平行的仿真战场态势环境[5-6]，通过与指控系统的互联和信息交互，实时获取最新战场态势信息，在线仿真模拟战场目标运行状态，不断对敌方目标可能的作战意图和行为作出判断，生成下一时刻的战场态势预测结果；同时根据我方行动方案计划和掌握的敌情、海情，利用智能博弈技术[7]并行对未来不同剧情、不同时刻的敌我对抗的态势和走向进行快速仿真推演，对多分支并行仿真推演结果进行综合分析，对智能博弈过程中我方采取的战术水声决策方案、战术机动方案和攻防决策实施效果进行在线预估，辅助指挥员制定最佳作战方案。
临机智能辅助决策有助于提高指挥员战场突发情况的处置能力，快速生成作战方案。潜艇在反潜作战时经常面临紧急遭遇、近距离快速反击等作战需求。针对紧急遭遇条件下潜艇反潜作战方案快速生成问题，统筹应用已获取作战指挥过程历史数据、战场环境数据库及潜艇实时探测的信息，利用机器学习技术从历史数据中挖掘潜在规律，自动匹配推演生成最适合当前情况的预案；利用智能推理等技术，按照策略自动推理、搜索和计算，快速生成处置方案和行动指令[9-10]，提升潜艇对反潜作战快速反应和指挥员的指挥决策能力。
1.4交战控制人工智能技术能够进一步提升作战系统组织并综合控制鱼雷、导弹、声抗器材等软硬武器对目标实施攻击和防御的能力。
在鱼雷发控导引中，基于遗传算法的鱼雷导引方法响应速度快，收敛性好和鲁棒性强，能够达到较高的垂直命中精度；基于神经网络的鱼雷导引方法不需要导引问题的精确数学模型，有一定的容错能力，并与基于最优控制导引法具有相似的弹道性质[11-12]。
在导弹航路规划中，基于遗传算法、蚁群算法和粒子群算的随机自适应搜索智能优化算法思想简单，易于操作，对优化函数没有特殊要求，能有效的解决航路规划过程中由于规划区域过大或者规划目标运动时所引起的组合爆炸所带来计算量和规划时间将呈指数增长的问题，能够有效缩短导弹航路规划时间[13]。
在声抗器材使用中，基于遗传算法使用声诱饵防御鱼雷技术，可有效解决传统穷举统计方法由于决策参数增多，计算量急剧增加的问题，提高了潜艇防御来袭鱼雷的成功概率[14-15]。
在与UUV的协同作战中，人工智能技术将进一步推动潜艇与UUV平台协同作战的应用[16,18]。依托智能UUV，潜艇可以进一步提高自身隐蔽性，增强网络通信能力，拓展侦察和攻击范围，在复杂战场环境中最小化潜艇风险和损耗，丰富作战手段，提高潜艇战场生存概率。
1.5人机交互人工智能技术可为潜艇作战系统提供新型高效的交互手段。
随着生物特征识别、语音识别、草图识别、手势识别、用户意图识别等人机交互技术的的成熟应用，潜艇作战系统可集成各种新型人机交互设备，可具备用户身份精确识别、指挥信息快速输入，用户意图智能推断，操作界面智能导航、指控命令自动处理、作战信息按需显示等功能，真正实现“实时联想、实时提示、实时导航、实时组织”的智能型人机交互[17]，提高人机交互的效率和自然性，满足未来指挥员快速指挥和决策的需求。
1.6基础支撑人工智能应用基础设备为人工智能技术在作战系统中的应用提供有力支撑。
在硬件层面，图形处理器（GraphicProcessingUnit，GPU）、现场可编程门阵列（FPGA，FieldProgrammableGateArray）和专用集成电路（ApplicationSpecificIntegratedCircuit，ASIC）计算能力的提升为深度学习等人工智能算法的实现提供底层硬件支撑。
在软件层面，人工智能软件框架实现对人工智能算法的封装，数据的调用以及计算资源的调度使用，有效支撑系统应用。在数据采集传输领域包括Sqoop，Flume，Kafka等软件框架；在数据存储管理领域包括Redis，HBase，Cassandra，MongoDB，Neo4j等软件框架；在计算处理领域包括Spark，Flink等软件框架；在数据查询和分析领域包括Hive，HAWQ，Impala，Presto，SparkSQL等软件框架；在数据可视化领域包括Tableau，QlikView等软件框架；在深度学习领域包括TensorFlow，Caffe，Deeplearning4，CNTK等软件框架。
这些软硬件可有效整合改造并嵌入到潜艇作战系统信息基础设施中，可满足作战系统在应用层面的目标识别、态势认知、指挥决策、交战控制、人机交互等复杂应用需求。
2思考建议为进一步推动人工智能技术在潜艇作战系统装备中的应用，建议做好以下工作：
1）加强顶层规划，系统均衡发展，总体能力聚优
做好潜艇作战系统装备研制建设过程中相关人工智能项目研究的顶层规划，紧密结合人工智能技术的现状和未来发展，统筹潜艇作战系统中人工智能项目的研制和建设，实现系统装备的均衡发展和总体能力聚优。
2）明确关键需求，加强多方合作，解决作战亟需
根据潜艇作战系统发展，明确关键需求，与国内各研究机构、高校、AI科技公司及其他战略伙伴开展最广泛的合作，使得系统关键需求与最新人工智能技术成果能够快速与对接，在试验验证基础上，成熟一个应用一个，稳步推进，为潜艇作战系统提供亟需的智能化系统装备。
3）做好样本数据积累，建立受控共享机制，打造合作共赢生态链
加强潜艇作战系统在日常值班、实兵演练和兵棋推演过程中的数据采集备份，做好人工智能技术应用的相关知识和样本数据的积累；建立样本数据的自动化标注和受控共享机制，将原始数据变为受控的高可用公共财富；在军民融合发展趋势下，以军方需求为牵引，依托国防工业部门生产研发力量、AI企业的技术支持和高校的理论方法，发挥各行业优势，打造多方合作共赢的人工智能技术应用生态链。
3结语潜艇是水下作战中重要的作战指挥节点，本文从目标识别、态势认知、指挥决策、交战控制、人机交互和基础支撑6个方面分析人工智能技术在潜艇作战系统中的应用，为进一步推动人工智能技术在潜艇作战系统装备中的应用给出思考和建议。
人工智能领域技术，主要包含了哪些核心技术
从语音识别到智能家居，从人机大战到无人驾驶，人工智能的“演化”给我们社会上的一些生活细节，带来了一次又一次的惊喜，未来更多智能产品依托的人工智能技术会发展成什么样呢?让我们来看看2018人工智能标准化白皮书里面，对人工智能关键技术的定义。
人工智能技术关系到人工智能产品是否可以顺利应用到我们的生活场景中。在人工智能领域，它普遍包含了机器学习、知识图谱、自然语言处理、人机交互、计算机视觉、生物特征识别、AR/VR七个关键技术。
一、机器学习
机器学习(MachineLearning)是一门涉及统计学、系统辨识、逼近理论、神经网络、优化理论、计算机科学、脑科学等诸多领域的交叉学科，研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能，是人工智能技术的核心。基于数据的机器学习是现代智能技术中的重要方法之一，研究从观测数据(样本)出发寻找规律，利用这些规律对未来数据或无法观测的数据进行预测。根据学习模式、学习方法以及算法的不同，机器学习存在不同的分类方法。
根据学习模式将机器学习分类为监督学习、无监督学习和强化学习等。
根据学习方法可以将机器学习分为传统机器学习和深度学习。
二、知识图谱
知识图谱本质上是结构化的语义知识库，是一种由节点和边组成的图数据结构，以符号形式描述物理世界中的概念及其相互关系，其基本组成单位是“实体—关系—实体”三元组，以及实体及其相关“属性—值”对。不同实体之间通过关系相互联结，构成网状的知识结构。在知识图谱中，每个节点表示现实世界的“实体”，每条边为实体与实体之间的“关系”。通俗地讲，知识图谱就是把所有不同种类的信息连接在一起而得到的一个关系网络，提供了从“关系”的角度去分析问题的能力。
知识图谱可用于反欺诈、不一致性验证、组团欺诈等公共安全保障领域，需要用到异常分析、静态分析、动态分析等数据挖掘方法。特别地，知识图谱在搜索引擎、可视化展示和精准营销方面有很大的优势，已成为业界的热门工具。但是，知识图谱的发展还有很大的挑战，如数据的噪声问题，即数据本身有错误或者数据存在冗余。随着知识图谱应用的不断深入，还有一系列关键技术需要突破。
三、自然语言处理
自然语言处理是计算机科学领域与人工智能领域中的一个重要方向，研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法，涉及的领域较多，主要包括机器翻译、机器阅读理解和问答系统等。
机器翻译
机器翻译技术是指利用计算机技术实现从一种自然语言到另外一种自然语言的翻译过程。基于统计的机器翻译方法突破了之前基于规则和实例翻译方法的局限性，翻译性能取得巨大提升。基于深度神经网络的机器翻译在日常口语等一些场景的成功应用已经显现出了巨大的潜力。随着上下文的语境表征和知识逻辑推理能力的发展，自然语言知识图谱不断扩充，机器翻译将会在多轮对话翻译及篇章翻译等领域取得更大进展。
语义理解
语义理解技术是指利用计算机技术实现对文本篇章的理解，并且回答与篇章相关问题的过程。语义理解更注重于对上下文的理解以及对答案精准程度的把控。随着MCTest数据集的发布，语义理解受到更多关注，取得了快速发展，相关数据集和对应的神经网络模型层出不穷。语义理解技术将在智能客服、产品自动问答等相关领域发挥重要作用，进一步提高问答与对话系统的精度。
问答系统
问答系统分为开放领域的对话系统和特定领域的问答系统。问答系统技术是指让计算机像人类一样用自然语言与人交流的技术。人们可以向问答系统提交用自然语言表达的问题，系统会返回关联性较高的答案。尽管问答系统目前已经有了不少应用产品出现，但大多是在实际信息服务系统和智能手机助手等领域中的应用，在问答系统鲁棒性方面仍然存在着问题和挑战。
自然语言处理面临四大挑战：
一是在词法、句法、语义、语用和语音等不同层面存在不确定性;
二是新的词汇、术语、语义和语法导致未知语言现象的不可预测性;
三是数据资源的不充分使其难以覆盖复杂的语言现象;
四是语义知识的模糊性和错综复杂的关联性难以用简单的数学模型描述，语义计算需要参数庞大的非线性计算
四、人机交互
人机交互主要研究人和计算机之间的信息交换，主要包括人到计算机和计算机到人的两部分信息交换，是人工智能领域的重要的外围技术。人机交互是与认知心理学、人机工程学、多媒体技术、虚拟现实技术等密切相关的综合学科。传统的人与计算机之间的信息交换主要依靠交互设备进行，主要包括键盘、鼠标、操纵杆、数据服装、眼动跟踪器、位置跟踪器、数据手套、压力笔等输入设备，以及打印机、绘图仪、显示器、头盔式显示器、音箱等输出设备。人机交互技术除了传统的基本交互和图形交互外，还包括语音交互、情感交互、体感交互及脑机交互等技术。
五、计算机视觉
计算机视觉是使用计算机模仿人类视觉系统的科学，让计算机拥有类似人类提取、处理、理解和分析图像以及图像序列的能力。自动驾驶、机器人、智能医疗等领域均需要通过计算机视觉技术从视觉信号中提取并处理信息。近来随着深度学习的发展，预处理、特征提取与算法处理渐渐融合，形成端到端的人工智能算法技术。根据解决的问题，计算机视觉可分为计算成像学、图像理解、三维视觉、动态视觉和视频编解码五大类。
目前，计算机视觉技术发展迅速，已具备初步的产业规模。未来计算机视觉技术的发展主要面临以下挑战：
一是如何在不同的应用领域和其他技术更好的结合，计算机视觉在解决某些问题时可以广泛利用大数据，已经逐渐成熟并且可以超过人类，而在某些问题上却无法达到很高的精度;
二是如何降低计算机视觉算法的开发时间和人力成本，目前计算机视觉算法需要大量的数据与人工标注，需要较长的研发周期以达到应用领域所要求的精度与耗时;
三是如何加快新型算法的设计开发，随着新的成像硬件与人工智能芯片的出现，针对不同芯片与数据采集设备的计算机视觉算法的设计与开发也是挑战之一。
六、生物特征识别
生物特征识别技术是指通过个体生理特征或行为特征对个体身份进行识别认证的技术。从应用流程看，生物特征识别通常分为注册和识别两个阶段。注册阶段通过传感器对人体的生物表征信息进行采集，如利用图像传感器对指纹和人脸等光学信息、麦克风对说话声等声学信息进行采集，利用数据预处理以及特征提取技术对采集的数据进行处理，得到相应的特征进行存储。
识别过程采用与注册过程一致的信息采集方式对待识别人进行信息采集、数据预处理和特征提取，然后将提取的特征与存储的特征进行比对分析，完成识别。从应用任务看，生物特征识别一般分为辨认与确认两种任务，辨认是指从存储库中确定待识别人身份的过程，是一对多的问题;确认是指将待识别人信息与存储库中特定单人信息进行比对，确定身份的过程，是一对一的问题。
生物特征识别技术涉及的内容十分广泛，包括指纹、掌纹、人脸、虹膜、指静脉、声纹、步态等多种生物特征，其识别过程涉及到图像处理、计算机视觉、语音识别、机器学习等多项技术。目前生物特征识别作为重要的智能化身份认证技术，在金融、公共安全、教育、交通等领域得到广泛的应用。
七、VR/AR
虚拟现实(VR)/增强现实(AR)是以计算机为核心的新型视听技术。结合相关科学技术，在一定范围内生成与真实环境在视觉、听觉、触感等方面高度近似的数字化环境。用户借助必要的装备与数字化环境中的对象进行交互，相互影响，获得近似真实环境的感受和体验，通过显示设备、跟踪定位设备、触力觉交互设备、数据获取设备、专用芯片等实现。
虚拟现实/增强现实从技术特征角度，按照不同处理阶段，可以分为获取与建模技术、分析与利用技术、交换与分发技术、展示与交互技术以及技术标准与评价体系五个方面。获取与建模技术研究如何把物理世界或者人类的创意进行数字化和模型化，难点是三维物理世界的数字化和模型化技术;分析与利用技术重点研究对数字内容进行分析、理解、搜索和知识化方法，其难点是在于内容的语义表示和分析;交换与分发技术主要强调各种网络环境下大规模的数字化内容流通、转换、集成和面向不同终端用户的个性化服务等，其核心是开放的内容交换和版权管理技术;展示与交换技术重点研究符合人类习惯数字内容的各种显示技术及交互方法，以期提高人对复杂信息的认知能力，其难点在于建立自然和谐的人机交互环境;标准与评价体系重点研究虚拟现实/增强现实基础资源、内容编目、信源编码等的规范标准以及相应的评估技术。
目前虚拟现实/增强现实面临的挑战主要体现在智能获取、普适设备、自由交互和感知融合四个方面。在硬件平台与装置、核心芯片与器件、软件平台与工具、相关标准与规范等方面存在一系列科学技术问题。总体来说虚拟现实/增强现实呈现虚拟现实系统智能化、虚实环境对象无缝融合、自然交互全方位与舒适化的发展趋势。人工智能、大数据、云计算和物联网的未来发展值得重视，均为前沿产业，多智时代专注于人工智能和大数据的入门和科谱，在此为你推荐几篇优质好文：在网络大时代背景下，人工智能技术是如何应用的http://www.duozhishidai.com/article-15277-1.html未来人工智能技术，主要包含哪几种？http://www.duozhishidai.com/article-4938-1.html人工智能时代，你需要了解的9大技术领域http://www.duozhishidai.com/article-3845-1.html
多智时代-人工智能和大数据学习入门网站|人工智能、大数据、物联网、云计算的学习交流网站
人工智能与网络作战碰撞会带来什么
据英国简氏防务网站报道，美国国防高级研究计划局副局长彼得·海纳姆表示将与国防部联合人工智能中心开展合作，对日渐交叉融合的人工智能、网络安全以及网络作战进行研究。海纳姆表示，利用自主系统对抗网络对手计划（HACCS）是国防高级研究计划局的重点项目之一，正迅速将人工智能技术应用到网络作战中。人工智能将会怎样运用到网络作战中？
人工智能与网络作战的结合
现代自动化工具在计算机上运行的速度比人脑快数十亿倍，但当面对极其复杂的问题时，人类拥有的知识和直觉超过了计算速度。利用人工智能化工具，计算机能够极大地模拟人脑的思考情况，发现相较于之前软件检测数量更多的漏洞。
人工智能拥有自我进化的能力，其通过融合从人类社会中学到的知识，不断自我完善，包括与人类伙伴的互动方式以及完成任务的能力。自主性对抗网络就是源于这一思维的产物。
美国国防高级研究计划局的利用自主性对抗网络对手系统计划于2017年6月启动。该计划将网络空间中脆弱的和已被恶意控制的节点集合统称为灰色地带，灰色地带的节点可能表现为僵尸程序、后门和跳板等形态，可能被多个攻击者利用。
利用自主性对抗网络对手系统计划旨在通过技术和算法，测量识别僵尸网络感染的网络，识别驻留在网络中的设备类型以及潜在访问媒介的稳定性。本质上，利用自主系统对抗网络对手计划的目的是准确识别僵尸网络，并对其进行“指纹识别”，以确定僵尸网络是否存在，并记录此类网络上设备的数量、类型以及在这些设备上运行的软件。通过技术集成到一个系统中，该系统可以发现，突袭和中和被僵尸网络感染的设备，而无需任何人工干预。
人工智能已成为美国巩固其全球霸主地位的一个重要筹码，美国“第三次抵消战略”就是利用人工智能等“颠覆性”技术嵌入到国防部的作战网络中，使美国的传统威慑能力登上一个新的台阶，创设下一场战争的制胜规则。
网络作战是看不见硝烟的战场
随着时代的演进，战争模式不断变化，从冷兵器战争到热武器战争，再到机械化战争，乃至信息化战争，战争空间不断扩展，继陆、海、空、天之后，网络空间逐渐成为战场新疆域，战争的第五维空间。各国对于网络作战，这一新型的看不见硝烟的战争，给予高度重视。网络作战越来越成为大国博弈的焦点所在。
所谓网络作战，即是在有限的作战指挥空间内，通过输送病毒或黑客破坏等手段，干扰或破坏敌方的信息站、计算机网络系统等相关设施，从而取得信息优势，为夺取战争胜利提供有力支撑。
美军积极研发人工智能下的网络攻防系统。早在2015年，美国海军就斥巨资研发人工智能网络防御系统。而到了2017年，美军更进一步，开始研发人工智能驱动的网络免疫系统。除此之外，人工智能网络攻击系统也在美国国防部高级研究计划局研发计划之内。其能够根据所获取的网络架构、规模、设备类型等信息，进行深度学习以及网络流数据分析。每24小时就可以自主编写出一套适用于该网络环境的攻击程序，即使网络环境产生变化，它也能进行动态调整，使得依托病毒库和行为识别的防病毒系统毫无作用。
日本逐步加强网络部队建设。2014年，日本“网络防卫队”正式成立，初期人数仅约60人，主要负责网络威胁应对、网络安全研判和情报收集任务。到2015年，日本政府成立“内阁网络安全中心”，强化其网络攻防实力。再到2017年，日本计划构建一支总人数超千人的“网络防卫队”，并正式决定在防卫省和自卫队中设立一个具有司令部职能的高级部队，作为统管网络空间、太空和电子战部队的指挥机构。而到了2018年，日本防卫省宣布，为强化应对网络攻击的能力，将在日本自卫队的信息通信网络防御系统中引入人工智能技术。日本网络攻防能力正逐年加强。
俄军走出从被动应激到主动塑造态势的网络安全新路子。俄罗斯跳出目前网络作战定义模糊、界定复杂的问题，将网络安全与现代战争技术相结合，创造性地提出了“格拉西莫夫战术”，为网络安全的理论建设提供了新的思路。此外，俄罗斯依次在网络物理层、逻辑层、语义层、社会层各层建立了梯次配置的网络防御体系，以此保证网络安全。另外，俄军积极开展研发工作，计划用俄独立研发的AstraLinux操作系统取代Windows操作系统。俄罗斯的网络安全体系建设正稳步推进，俄军真正走出了从被动应激到主动塑造态势的网络安全新路子。
人工智能与网络作战“智”胜战场
近年，美国军队着手构建一个可以将所有武器平台和部队实时连接、施行全域联合指挥和控制的作战网络，即一个超级安全的作战互联网。该网络能利用人工智能等，对战局进行推演，挑选出最优方案对敌实施进攻。并且，人工智能在决策指挥、作战方式和军事装备等方面也作用重大。
优化决策指挥。随着人工智能与网络作战的迅猛发展，人工智能深入渗透到作战指挥各环节全过程。可以预见，以往完全由人来完成的指挥决策活动，在未来战争中将逐步转向由人机混合智能体借助网络的方式来完成。把人的一部分指挥决策交给人工智能在未来作战中是必要的也是可行的。战略战役决策和指挥控制方式的态势感知和仿真模拟等，对于提升指挥决策效能、克服人性的弱点具有重大的优势，将会改变传统的指挥决策模式。
更新作战方式。军事人工智能与网络对全世界军队的普及只是时间问题，发达国家现在已经具备了大量生产和装备无人作战系统的能力。该系统不仅可在无人操作情况下自动攻击敌方目标，而且可大大缩短己方OODA循环周期，使己方能够先于敌方做出正确判断和行动。
并且，无人作战系统利用人工智能与网络作战的方式可对敌方作战系统进行学习和分析，并根据敌方系统特点弥补己方漏洞，或根据敌方系统弱点实施针对性打击。无人作战系统依托网络作战可24小时全天候不间断执行警戒、情报收集和军事打击等任务，有利于避免人为错误的发生。这些方式将会使未来战争形态产生革命性变化。
联合军事装备。武器系统利用网络作战与人工智能等技术，可以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，可通过计算和数据比对，得到合理的结果。这些因素使武器基本具备人类行为特性，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用于数据分析和判断。
基于网络下的人工智能技术、无人化武器将人与机器深度融合，让机器的精准和人类的创造性能够融为一体，用机器的速度和力量让人类提升认知速度和精度，并做出最佳判断、决策和行动。