人工智能尤其是深度學(xué)習(xí)技術(shù)的最新進展，加速了不同應(yīng)用領(lǐng)域的創(chuàng)新與發(fā)展。深度學(xué)習(xí)技術(shù)的發(fā)展深刻影響了軍事發(fā)展趨勢，導(dǎo)致戰(zhàn)爭形式和模式發(fā)生重大變化。本文將概述深度學(xué)習(xí)的歷史和架構(gòu)。然后，回顧了相關(guān)工作，并廣泛介紹了深度學(xué)習(xí)在兩個主要軍事應(yīng)用領(lǐng)域的應(yīng)用：情報行動和自主平臺。最后，討論了相關(guān)的威脅、機遇、技術(shù)和實際困難。主要發(fā)現(xiàn)是，人工智能技術(shù)并非無所不能，需要謹慎應(yīng)用，同時考慮到其局限性、網(wǎng)絡(luò)安全威脅以及在 OODA 決策循環(huán)中對人類監(jiān)督的強烈需求。在戰(zhàn)略決策層面需要某些保障機制。在這方面，最重要的一個方面與軍官人員的教育、培訓(xùn)和選拔有關(guān)。

人工智能（AI）是一門涉及心理學(xué)、認知科學(xué)、信息科學(xué)、系統(tǒng)科學(xué)和生物科學(xué)的綜合性技術(shù)。自 1956 年夏天約翰-麥卡錫在達特茅斯會議上首次提出人工智能概念以來（Hyman，2012），人工智能技術(shù)已進入高速發(fā)展的新時期，并被公認為未來最有可能改變世界的顛覆性技術(shù)。人工智能應(yīng)用的成功激發(fā)了廣大軍事研究人員的積極探索。世界軍事強國預(yù)見到人工智能技術(shù)在軍事領(lǐng)域的廣闊應(yīng)用前景，認為未來的軍備競賽將在智能競爭的背景下展開。在不久的將來，人工智能將在 “觀察、定向、決策、行動”（OODA）循環(huán)中扮演 “智能決策中心 ”的角色，因為它的技術(shù)已經(jīng)成熟，可靠性也在不斷提高。人工智能的重要性不言而喻，智能指揮系統(tǒng)的貢獻將超越傳統(tǒng)方法。利用人工智能和其他相關(guān)技術(shù)可以減少整個 OODA 循環(huán)所消耗的時間，從而實現(xiàn)多域聯(lián)合作戰(zhàn)中的指揮與控制目標。 下文回顧了 DL 在軍事上的應(yīng)用，最后討論了其潛在的威脅和機遇。

軍事情報

深度學(xué)習(xí)的起源應(yīng)用是圖像分類任務(wù)。首先，Rawat 和 Wang 的論文（2017 年）介紹了現(xiàn)實圖像識別中最先進的深度學(xué)習(xí)系統(tǒng)。從軍事角度來看，關(guān)鍵應(yīng)用之一是衛(wèi)星圖像。這些應(yīng)用需要人工識別圖像中的物體和設(shè)施（Pritt，Chern，2017 年）。一個具有代表性的例子是通過卷積神經(jīng)網(wǎng)絡(luò)理解多光譜衛(wèi)星圖像（Mohanty 等人，2020 年）。基于側(cè)掃聲納技術(shù)生成的圖像可以進行圖像分類，從而實現(xiàn)水下態(tài)勢感知。長期以來，聲納圖像自動分析的研究主要集中在經(jīng)典方法，即基于非深度學(xué)習(xí)的方法上（Steiniger 等人，2022 年）。但近年來，深度學(xué)習(xí)在這一研究領(lǐng)域的應(yīng)用不斷增加。Neupane 等人（2020 年）概述了過去和當前涉及深度學(xué)習(xí)的研究，包括側(cè)掃和合成孔徑聲納圖像的特征提取、分類、檢測和分割。深度學(xué)習(xí)模型可直接應(yīng)用于軍事數(shù)據(jù)的被動聲納信號分類，這一點并不廣為人知。艦船輻射的噪聲可用于被動聲納系統(tǒng)的識別和分類。已經(jīng)提出了幾種基于聲學(xué)特征的軍用艦船分類技術(shù)，這些聲學(xué)特征可以通過在聲學(xué)車道上進行的受控實驗獲得。由于艦船和船員必須脫離艦隊，因此獲取此類數(shù)據(jù)的成本是一個重要問題（Fernandes 等人，2022 年）。這種進步為廣泛的多模態(tài)和多重情報提供了機會，在這種情況下，眾多空中、地面和空間傳感器以及人類情報會產(chǎn)生結(jié)構(gòu)化傳感器和非結(jié)構(gòu)化音頻、視頻和文本 ISR（情報、監(jiān)視和偵察）數(shù)據(jù)。當然，各級數(shù)據(jù)融合仍是一項具有挑戰(zhàn)性的任務(wù)。雖然單個模式的算法系統(tǒng)運行良好，但無縫集成和關(guān)聯(lián)包括文本、高光譜和視頻內(nèi)容在內(nèi)的多情報數(shù)據(jù)的工作仍在進行中（Das 等人，2018 年）。

自主平臺

在民用領(lǐng)域，自動駕駛汽車正在成為現(xiàn)實。在智能輔助駕駛方面，第三級的車輛自動駕駛（智能巡航控制、行人識別、自動剎車、盲區(qū)傳感器、罕見交叉交通警報、避免碰撞等）已在商用車和私家車上應(yīng)用多年。第四和第五級別的自動駕駛（有監(jiān)督自動駕駛和完全無監(jiān)督自動駕駛）目前正在開發(fā)中。Kisa?anin（2017 年）的論文是對自動駕駛藝術(shù)和科學(xué)發(fā)展的最早描述之一。深度學(xué)習(xí)方法已成為設(shè)計和實施此類系統(tǒng)不可或缺的方法。Hagstr?m （2019）首先介紹了機器學(xué)習(xí)和自主系統(tǒng)的軍事應(yīng)用。根據(jù)他的論文，為自動駕駛車輛設(shè)計一個能夠在所有駕駛場景中提供足夠性能的控制器具有挑戰(zhàn)性，因為環(huán)境非常復(fù)雜，而且無法在部署后可能遇到的各種場景中測試系統(tǒng)。然而，深度學(xué)習(xí)方法已顯示出巨大的潛力，不僅能為復(fù)雜的非線性控制問題提供出色的性能，還能將先前學(xué)習(xí)到的規(guī)則推廣到新的場景中。基于這些原因，將深度學(xué)習(xí)用于車輛控制正變得越來越流行。Kuutti 等人（2020 年）的論文對文獻中報道的旨在通過深度學(xué)習(xí)方法控制車輛的大量研究工作進行了調(diào)查。正如 Vecherin 等人（2020）所指出的，自主軍用車輛面臨著巨大的挑戰(zhàn)。具體而言，需要解決的任務(wù)包括：先進的當前地形感知、越野運行、運行時的未知地形、在開闊空間完全重定路線的可能性、確定可能的替代路線以及針對給定地形條件和車輛的最佳車輛控制。軍用自動駕駛車輛的主要區(qū)別在于：非公路運行、運行時的未知地形以及在開闊空間完全重新規(guī)劃路線的可能性。在這種環(huán)境下，智能自主控制所需的算法和環(huán)境感知能力與工業(yè)中民用的算法和環(huán)境感知能力不同。最新的研究結(jié)果表明，基于 ML 的算法可以成功地解決其中的一些難題，從而為軍用車輛的手動駕駛提供實質(zhì)性幫助。DL 方法可能也適用于無人駕駛水下航行器。首批研究之一是無人潛航器上聲納的自動目標識別方法。在這種方法中，目標特征由一個在聲納圖像上運行的卷積神經(jīng)網(wǎng)絡(luò)提取，然后由一個基于人工標注數(shù)據(jù)訓(xùn)練的支持向量機進行分類（Zhu 等人，2017 年）。實際上，側(cè)掃聲納圖像在軍事和商業(yè)應(yīng)用中都具有重要意義。在 Einsidler 等人（2018 年）的論文中，將該方法應(yīng)用于現(xiàn)有數(shù)據(jù)的結(jié)果表明，該方法在探測海底物體/異常方面簡單而穩(wěn)健。 值得一提的是，自主武器的首批正式軍事應(yīng)用之一是 Kargu 無人機。這是一種小型便攜式自殺式無人機，由土耳其 Savunma Teknolojileri Mühendislik ve Ticaret 公司生產(chǎn)。它可以由個人攜帶，有自主和手動兩種模式。通過其實時圖像處理能力和平臺上嵌入的深度學(xué)習(xí)算法，“卡古 ”可有效用于打擊靜態(tài)或移動目標。自主武器正在迅速擴散：在可獲取性、自主程度、國際開發(fā)商、情報、偵察和致命打擊等方面（Longpre 等人，2022 年）。有很多挑戰(zhàn)者，如自主系統(tǒng)，仍然極易出錯，表現(xiàn)出很差的魯棒性、可解釋性和對抗脆弱性。此外，需要強調(diào)的是，國際政策仍然模糊不清，缺乏現(xiàn)實的問責(zé)和執(zhí)行機制（Hayir，2022 年）。

挑戰(zhàn)和威脅

DL 軍事應(yīng)用帶來了許多積極的機遇，但同時也產(chǎn)生了大量的風(fēng)險和問題。這種權(quán)衡視角如表 1 所示。 表 1. 在軍事應(yīng)用中應(yīng)用機器學(xué)習(xí)的優(yōu)缺點

軍事人工智能應(yīng)用在設(shè)計和操作使用方面面臨的主要挑戰(zhàn)有 1.復(fù)雜系統(tǒng)建模：戰(zhàn)爭中戰(zhàn)場信息（包括作戰(zhàn)單位和武器裝備）超載。現(xiàn)實情況極其復(fù)雜，包括意外情況（如 “黑天鵝”），這些情況可能不在訓(xùn)練數(shù)據(jù)中。 2.信息不準確：在對抗情況下，獲得的信息總是有限的，信息的真實性也無法保證。在信息不準確的情況下做出決策并確保利益最大化，需要綜合權(quán)衡。 3.訓(xùn)練數(shù)據(jù)的數(shù)量和質(zhì)量：可接受的 DL 系統(tǒng)性能水平主要取決于高質(zhì)量、低偏差和大量的數(shù)據(jù)。目前，從戰(zhàn)術(shù)到行動計劃的生成，樣本學(xué)習(xí)的來源都存在很大困難。實戰(zhàn)經(jīng)驗仍面臨訓(xùn)練數(shù)據(jù)量不足的問題。 此外，軍事系統(tǒng)的網(wǎng)絡(luò)安全也是關(guān)鍵問題之一。

結(jié)論

人工智能技術(shù)并非無所不能。它需要與傳統(tǒng)技術(shù)相結(jié)合，如 OODA 循環(huán)中的人類，其中領(lǐng)域知識和常識的作用不可或缺。在戰(zhàn)略決策層面需要某些保障機制。在這種情況下，機器學(xué)習(xí)最重要的一個方面與軍隊士兵和軍官的教育、培訓(xùn)和選拔有關(guān)。 兩項重大技術(shù)進步將很快對人工智能的軍事應(yīng)用產(chǎn)生強烈影響。首先，生成式人工智能的發(fā)展為合理處理文本等非結(jié)構(gòu)化數(shù)據(jù)提供了絕佳機會。其次，Metaverse 技術(shù)的發(fā)展可能會徹底重新定義未來戰(zhàn)場。這兩個技術(shù)方向需要從軍事角度進行深入而有意義的分析。