人工智能尤其是深度學習技術的最新進展，加速了不同應用領域的創新與發展。深度學習技術的發展深刻影響了軍事發展趨勢，導致戰爭形式和模式發生重大變化。本文將概述深度學習的歷史和架構。然后，回顧了相關工作，并廣泛介紹了深度學習在兩個主要軍事應用領域的應用：情報行動和自主平臺。最后，討論了相關的威脅、機遇、技術和實際困難。主要發現是，人工智能技術并非無所不能，需要謹慎應用，同時考慮到其局限性、網絡安全威脅以及在 OODA 決策循環中對人類監督的強烈需求。在戰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、培訓和選拔有關。

人工智能（AI）是一門涉及心理學、認知科學、信息科學、系統科學和生物科學的綜合性技術。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），人工智能技術已進入高速發展的新時期，并被公認為未來最有可能改變世界的顛覆性技術。人工智能應用的成功激發了廣大軍事研究人員的積極探索。世界軍事強國預見到人工智能技術在軍事領域的廣闊應用前景，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）循環中扮演 “智能決策中心 ”的角色，因為它的技術已經成熟，可靠性也在不斷提高。人工智能的重要性不言而喻，智能指揮系統的貢獻將超越傳統方法。利用人工智能和其他相關技術可以減少整個 OODA 循環所消耗的時間，從而實現多域聯合作戰中的指揮與控制目標。 下文回顧了 DL 在軍事上的應用，最后討論了其潛在的威脅和機遇。

軍事情報

深度學習的起源應用是圖像分類任務。首先，Rawat 和 Wang 的論文（2017 年）介紹了現實圖像識別中最先進的深度學習系統。從軍事角度來看，關鍵應用之一是衛星圖像。這些應用需要人工識別圖像中的物體和設施（Pritt，Chern，2017 年）。一個具有代表性的例子是通過卷積神經網絡理解多光譜衛星圖像（Mohanty 等人，2020 年）。基于側掃聲納技術生成的圖像可以進行圖像分類，從而實現水下態勢感知。長期以來，聲納圖像自動分析的研究主要集中在經典方法，即基于非深度學習的方法上（Steiniger 等人，2022 年）。但近年來，深度學習在這一研究領域的應用不斷增加。Neupane 等人（2020 年）概述了過去和當前涉及深度學習的研究，包括側掃和合成孔徑聲納圖像的特征提取、分類、檢測和分割。深度學習模型可直接應用于軍事數據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的識別和分類。已經提出了幾種基于聲學特征的軍用艦船分類技術，這些聲學特征可以通過在聲學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，因此獲取此類數據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生結構化傳感器和非結構化音頻、視頻和文本 ISR（情報、監視和偵察）數據。當然，各級數據融合仍是一項具有挑戰性的任務。雖然單個模式的算法系統運行良好，但無縫集成和關聯包括文本、高光譜和視頻內容在內的多情報數據的工作仍在進行中（Das 等人，2018 年）。

自主平臺

在民用領域，自動駕駛汽車正在成為現實。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用多年。第四和第五級別的自動駕駛（有監督自動駕駛和完全無監督自動駕駛）目前正在開發中。Kisa?anin（2017 年）的論文是對自動駕駛藝術和科學發展的最早描述之一。深度學習方法已成為設計和實施此類系統不可或缺的方法。Hagstr?m （2019）首先介紹了機器學習和自主系統的軍事應用。根據他的論文，為自動駕駛車輛設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性，因為環境非常復雜，而且無法在部署后可能遇到的各種場景中測試系統。然而，深度學習方法已顯示出巨大的潛力，不僅能為復雜的非線性控制問題提供出色的性能，還能將先前學習到的規則推廣到新的場景中。基于這些原因，將深度學習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習方法控制車輛的大量研究工作進行了調查。正如 Vecherin 等人（2020）所指出的，自主軍用車輛面臨著巨大的挑戰。具體而言，需要解決的任務包括：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劃路線的可能性。在這種環境下，智能自主控制所需的算法和環境感知能力與工業中民用的算法和環境感知能力不同。最新的研究結果表明，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網絡提取，然后由一個基于人工標注數據訓練的支持向量機進行分類（Zhu 等人，2017 年）。實際上，側掃聲納圖像在軍事和商業應用中都具有重要意義。在 Einsidler 等人（2018 年）的論文中，將該方法應用于現有數據的結果表明，該方法在探測海底物體/異常方面簡單而穩健。 值得一提的是，自主武器的首批正式軍事應用之一是 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。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習算法，“卡古 ”可有效用于打擊靜態或移動目標。自主武器正在迅速擴散：在可獲取性、自主程度、國際開發商、情報、偵察和致命打擊等方面（Longpre 等人，2022 年）。有很多挑戰者，如自主系統，仍然極易出錯，表現出很差的魯棒性、可解釋性和對抗脆弱性。此外，需要強調的是，國際政策仍然模糊不清，缺乏現實的問責和執行機制（Hayir，2022 年）。

挑戰和威脅

DL 軍事應用帶來了許多積極的機遇，但同時也產生了大量的風險和問題。這種權衡視角如表 1 所示。 表 1. 在軍事應用中應用機器學習的優缺點

軍事人工智能應用在設計和操作使用方面面臨的主要挑戰有 1.復雜系統建模：戰爭中戰場信息（包括作戰單位和武器裝備）超載。現實情況極其復雜，包括意外情況（如 “黑天鵝”），這些情況可能不在訓練數據中。 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，需要綜合權衡。 3.訓練數據的數量和質量：可接受的 DL 系統性能水平主要取決于高質量、低偏差和大量的數據。目前，從戰術到行動計劃的生成，樣本學習的來源都存在很大困難。實戰經驗仍面臨訓練數據量不足的問題。 此外，軍事系統的網絡安全也是關鍵問題之一。

結論

人工智能技術并非無所不能。它需要與傳統技術相結合，如 OODA 循環中的人類，其中領域知識和常識的作用不可或缺。在戰略決策層面需要某些保障機制。在這種情況下，機器學習最重要的一個方面與軍隊士兵和軍官的教育、培訓和選拔有關。 兩項重大技術進步將很快對人工智能的軍事應用產生強烈影響。首先，生成式人工智能的發展為合理處理文本等非結構化數據提供了絕佳機會。其次，Metaverse 技術的發展可能會徹底重新定義未來戰場。這兩個技術方向需要從軍事角度進行深入而有意義的分析。