人工智能支撑马赛克战机理研究

人工智能支撑马赛克战机理研究

人工智能技术与咨询 

图片

来源:《航空兵器》,作者付翔等

0 引言

近30年来, 随着信息化军事变革的兴起, 各种新的军事作战概念和作战理论层出不穷[1]。从20世纪90年代前后提出的“信息战”“空地一体战”“数字化部队”等, 到进入21世纪后提出的“网络中心战”“快速决定性作战”“基于效果的作战”“分布式作战”等, 再到近年来提出的“作战云”“系统之系统”“敏捷作战”“多域战”“算法战”等, 以美国国防高级研究计划局(DARPA)为代表的各国研究机构对新型作战概念的研究越来越深入。2017年8月, DARPA提出了马赛克战这一作战概念[2], 该概念融合了美军近年来其他作战概念的思想和理念, 成为DARPA军事作战体系研究的顶层核心概念。之后3年, DARPA和米切尔航空航天研究所、 美国战略与预算评估中心(CSBA)等研究部门相继发布了新的关于马赛克战的指导性文件, 如2018年在DARPA成立60周年研讨会上强调要将作战方式由传统样式向马赛克战转变[3]。2019年3月发布了主要围绕马赛克战的“战略技术”公告[4], 9月发布《马赛克战: 恢复美国的军事竞争力》报告[5], 2020年2月发布了《马赛克战: 利用人工智能和自主系统实现决策中心战》报告[6]。这些指导性文件的相继发布, 标志着美军对马赛克战的研究正在逐步从概念走向现实, 从理论走向实战。我国的研究机构也高度关注这一作战概念[7,8,9,10], 跟踪美军马赛克战的研究进展, 对马赛克战进行全方位的解读, 并尝试将马赛克战理念应用到指挥控制、 防空反导等军事领域的研究中。分析认为, 马赛克战从理论研究走向应用研究, 其中不可或缺的一环是人工智能技术对马赛克战作战应用技术的支撑。从这个角度出发, 本文对马赛克战进行解读, 并开展人工智能支撑马赛克战的机理研究。

1 马赛克战概念分析

1.1 基本概念

马赛克(Mosaic)是指建筑物外表面用于拼接各类装饰图案的小瓷砖碎片, 又称纸皮砖或锦砖。马赛克战借鉴了马赛克拼图的思路, 从功能角度将传感器系统、 指挥控制系统、 武器平台系统、 兵力编队等各类作战单元视为“马赛克碎片”, 用类似拼图或搭积木的方式, 通过动态通信网络将“碎片”链接形成一张物理和功能高度分散、 灵活机动、 动态协同组合的弹性作战效果网, 形成类似于马赛克块的作战体系。利用自主系统赋能分布式和任务式指挥, 利用人工智能赋能决策支持, 快速、 灵活、 自主地重组一支具备解耦合特性的军事力量来创造己方的适应性, 增大敌方的决策复杂度或不确定性。即便系统中部分组合被敌方干扰、 中和或摧毁, 仍能基于所能连通的作战资源, 自动快速做出反应, 并形成新的“虽然功能降级, 但仍能够相互连接, 适用于战场情景和任务需求”的作战体系。

图1[6]为马赛克战的概念示意图, 左侧为红方传统部队, 包括战机、 地导、 潜艇等作战装备; 右侧为蓝方马赛克部队, 包括陆、 海、 空、 天、 网等多维作战力量。战场的每个作战节点按照其作战任务和自身性质, 具备决策、 感知、 行动、 指挥等4种作战要素中的一种或多种, 这些作战节点基于规则和自身能力, 相互链接成为一个分布式的马赛克网状作战体系。 图1(a)为红蓝双方交战的初始状态。蓝方各马赛克节点已经形成了相对固定的对敌目标打击环路。 图1(b)为交战过程的中间状态。随着战斗的进行, 红方击溃了蓝方某些作战节点, 切断了部分信息链路, 撕裂了蓝方原有的作战体系。在这种情形下, 马赛克作战体系快速做出反应, 基于预定的规则, 各作战节点快速修复打击环路, 形成了针对预定目标的多个OODA环, 确保作战任务不间断。

图片

图1   马赛克战作战概念

Fig.1   Operational concept of mosaic warfare

1.2 主要特点

1.2.1 面向实战

马赛克战着眼于实战场景下敌我双方的高强度对抗, 重视对手的区域拒止能力, 正视战场上可能遇到的战争迷雾和突发事件。它设想在战斗过程中可能遭到对方的突袭和破坏, 导致通信网络和数据链路被中断, 作战信息流被干扰, 作战要素被孤立, 作战体系网被破坏等。在此情形下, 去设计每个作战节点和整个作战体系。

1.2.2 高度分布

马赛克战继承和发扬了“分布式作战”的理念, 强调将平台要素分解为最小的功能单元, 以分布式作战管理取代集中式指挥控制, 用高度分散的杀伤网取代杀伤链, 确保网络具有较多的冗余节点, 没有不可或缺的关键节点。这种高度分布的特性使之具备了作战节点数量上的绝对优势和功能/性能/价格上的相对优势, 给作战带来了很多新的变化。

1.2.3 灵活敏捷

马赛克战的灵活敏捷性体现在多个方面: 一是资源调配的灵活性。大规模空中作战行动中, 空域、 频谱等各类作战资源十分紧张, 马赛克作战体系可根据战场实时态势, 自适应动态调配各类作战资源。二是“观察-判断-决策-行动”(OODA)循环的敏捷性。面对敌方的动态威胁, 根据可用资源, 将低成本传感器、 多域指挥与控制节点以及相互协作的有人、 无人系统等灵活组合, 快速拼装出复杂的杀伤网体系。

1.2.4 韧性抗毁

马赛克作战体系具有韧性、 抗摧毁等特点。在指挥上采用分布式作战管理体制, 没有明显的关键指挥节点, 即使对方破坏了部分指挥节点, 也并不影响整体指挥效能。在杀伤效果方面, 采用高度分散的杀伤网, 各类武器平台具有大量、 小型、 价格低廉、 地理位置高度分散等特点, 即使部分杀伤节点被破坏, 作战体系将快速寻找其他杀伤路径, 确保整体的杀伤效能不受影响。

1.2.5 成本低廉

马赛克战的成本低廉性体现在两个方面: 一是马赛克战不需要特别研制价格高昂的专用装备, 针对所需作战能力, 仅依靠现有装备的自主式组合, 就可以形成所需的体系作战能力。二是马赛克战旨在发展大量、 小型、 价格低廉、 模块化、 功能单一的无人平台, 并将它们部署在冲突对抗的最前沿。这些无人平台比传统平台数量更多, 成本更低, 能够承受较高的损失。DARPA所进行的马赛克部队第3次兵棋推演中[6], 损失的平台成本不到传统部队的1/3。

1.3 关键作战应用技术

马赛克作战体系需要研究和突破的智能技术有很多, 这里梳理了7项关键的作战应用技术。

1.3.1 动态通信组网技术

通信组网[11]将相互分散的作战单元链接起来, 形成灵活机动的弹性作战效果网, 是马赛克作战体系的“神经系统”。通过引入动态通信组网技术, 构建基于任务驱动的智能空中信息网络, 支持各类马赛克作战单元的动态接入和实时通信, 实现网络的自规划、 自重构、 智能流量管理等功能, 为战场态势信息网络化感知、 情报信息实时共享, 以及作战资源的快速调度提供敏捷高效的通信服务。在动态通信组网技术的支持下, 指挥官可以控制那些他们能够联系的部队, 并能够根据实时通信情况动态调整决策部署。

1.3.2 弹性信息共享技术

信息共享为每一个作战单元提供所需的情报信息、 作战态势信息、 行动指令信息、 节点状态信息等, 是马赛克作战体系的“血液系统”。马赛克战正视军事冲突中固有的迷雾和摩擦, 强调每一作战要素都可以动态接入网络, 链接形成弹性作战信息网。为此, 网络信息体系就必须具备灵活性、 自适应性和弹性。这表现在两个方面: 一是网状信息传播机制。信息传递不是采用固定路径, 而是采用网状传播路径, 创建大量的冗余功能节点, 确保信息可达性。二是多域互操作, 马赛克作战要素涉及陆、 海、 空、 天、 网等多个物理域, 各个分系统之间可能没有通用数据标准, 要在具有不同物理层协议的异构网络上实现跨域操作。

1.3.3 四维空域动态管理技术

空域是空中作战行动的核心资源[12], 空域动态管理为每个马赛克作战单元智能规划了活动空间和运动轨迹。通过研究先进的空域态势理解和空域规划决策算法, 为作战人员提供四维(三维空间和时间)空域的动态图像, 并根据作战进程和任务需求, 自动为作战兵力调配空域资源。四维空域动态管理可以消除同一空域中各类马赛克作战单元的活动冲突, 并利用传感器网络探测和绘制敌方位置, 快速对抗敌人战场行动。

1.3.4 自适应作战管理规划技术

大规模空中作战行动出动兵力多、 作战过程难于预测, 预先制定的任务计划可能无法满足马赛克作战体系高度动态化的作战需求。自适应作战管理规划是马赛克作战体系的“智能管家”, 基于语义解析、 知识图谱、 统计优化等技术手段, 构建基于意图的自适应作战规划方法, 自动生成和指派作战任务, 实现作战任务的自适应管理规划功能。

1.3.5 智能无人作战平台技术

智能无人作战平台[13]可根据任务需要灵活重构任务载荷, 是马赛克作战体系的“重拳”。作战功能分散在各个平台上, 通过广泛的协作形成复杂的感知、 决策、 攻击网络。以攻击网络为例, 马赛克战杀伤网体系中很多功能分布在大量、 小型、 廉价、 多样的自主无人武器平台上, 包括无人机、 无人舰艇、 无人战车等。这些平台分散部署, 处于陆、 海、 空等战场中不同的地理方位, 给作战带来了很多新的变化。

1.3.6 自主作战决策技术

人工智能赋能的决策支持技术, 可以增强指挥官的决策支持能力, 使指挥官能够管理快速且复杂的行动。自主作战决策是马赛克作战体系的“附脑”, 基于人工智能实现快速的决策支持, 解决任务指挥的局限性, 实现了人类指挥与基于人工智能的机器控制的结合。人类指挥和机器控制将充分利用人和机器各自的优势, 人类提供了灵活性, 并运用他们的创造性见解, 而机器提供了速度和规模。

1.3.7 马赛克实验推演评估技术

马赛克战提出发展马赛克实验能力[14], 即发展相关概念和技术, 对马赛克战进行实验、 试验和鉴定, 并直接推动马赛克战概念和能力的发展。马赛克实验推演评估, 基于博弈分析、 高性能仿真、 模型预测等技术手段, 实现交战过程快速推演、 交战结果分析评估、 战场态势变化预测等功能, 是马赛克战研究的重要辅助手段。

2 人工智能技术域

近年来, 深度学习等人工智能技术[15]取得突破性进展, 人工智能在态势感知、 信息处理、 指挥控制、 辅助决策、 无人作战系统等领域发挥越来越重要的作用。马赛克作战概念的产生也离不开人工智能领域的技术支撑。本文将人工智能领域划分为算力算法基础层和通用人工智能技术层, 并进一步明确了20个典型的通用人工智能技术域。

美国2018年《国防部人工智能战略》给出了“人工智能”的简明定义[16]: 人工智能是指机器执行那些通常需要人类智能才能完成任务的能力, 包括做出预测、 得出结论或采取行动等。当前, 人工智能领域主要由4大要素构成: 强大算力、 智能算法、 海量数据和应用场景[17], 通过“算力+算法+数据+场景”的叠加效应, 有效促进了人工智能领域的进步。军事领域是一类特殊的应用领域, 存在着不同类别的复杂应用场景, 比如战略预警、 防空反导、 空中交战、 指挥控制、 通信导航等, 也存在着不同类别、 不同密级的海量异构数据。这里将通用的算力、 算法及承载各类算法的平台框架剥离出来, 形成算力算法基础层[18,19]。

当前, 学术界对人工智能技术并没有明确的定义和分类[20,21,22], 各种文献对智能技术的使用也较为混乱。本文将人工智能技术群划分为20个技术域。

2.1 计算机视觉技术域

计算机视觉是指对目标进行捕获、 跟踪和测量, 并进一步提取、 处理、 分析和理解图像或图像序列, 从中识别出物体、 场景和活动的技术。通俗地讲, 计算机视觉是研究如何使机器“看”的科学。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等5大类。早在1976年, DARPA就开始资助图像识别类项目, 尝试开发能够自动分析军事照片和相关图片的技术。近年来, DARPA先后启动了“战术应用侦察节点”(TERN)、 “分层识别验证及利用”(HIVE)、 “自动目标识别”(ATR)、 “目标识别与适应”(TRACE)等项目, 提升侦察、 监视和目标识别能力。计算机视觉相关技术有着广泛的应用, 包括安防监控、 交通监控、 无人驾驶、 无人机、 金融、 医疗等方面。

2.2 语音识别技术域

语音识别让机器通过识别和理解把语音信号转变为对应文本或命令的技术。语音识别是实现人机交互的窗口, 相对于键盘和鼠标的人机交互模式, 人们更倾向于语音这种便捷的方式。DARPA很早就认识到人工智能可以大量满足国家安全需要, 最初的研究重点就是语音识别和语言翻译, 先后启动了“语音理解研究计划”(SUR)、 “大词汇量连续语音识别系统”(LVCSR)、 “全球自动化语音情报利用”(GALE)等项目, 推动语音识别研究向广度和深度发展。目前, 语音识别相关技术主要应用在车联网、 智能翻译、 智能家居、 自动驾驶等方面。

2.3 自然语言处理技术域

自然语言处理(NLP)是指识别、 理解、 解释和操纵人类文本语言, 实现机器与人类使用自然语言进行沟通的技术, 主要包括自然语言理解和自然语言生成两个部分。前者是指计算机理解自然语言文本的意义, 主要包括机器翻译、 语义理解、 问答系统等; 后者是指以自然语言文本来表达给定的意图、 思想等。近年来, DARPA先后启动了“全球自动化语言情报利用”(GALE)、 “机器阅读”(Machine Reading)、 “文本深度发掘和过滤”(DEFT)等项目, 以提高实时翻译、 自然文本知识插入、 结构化文本信息发掘与整合等方面的技术, 并将这些技术用于作战评估、 规划、 预测的辅助决策支持中。目前, 自然语言处理技术已广泛应用于垃圾邮件过滤、 文章标题生成、 电影字幕创建、 场景描述等。

2.4 专家系统技术域

专家系统是一类具有专业知识和人类经验的计算机智能程序系统。其系统设计方法是以知识库和推理机为中心而展开, 即专家系统=知识库+推理机, 因此专家系统也称为基于知识的系统。专家系统的出现使人工智能的研究重点从理论转向应用。早在20世纪80年代, DARPA就开始支持专家系统的研究、 开发和在军事领域的应用, 相关技术包括知识获取、 知识表示、 知识应用、 软件设计等。目前, 专家系统的研究已较为成熟, 在工业工程、 教育等多个领域有较多应用。

2.5 知识图谱技术域

知识图谱是结构化的语义知识库, 是一种揭示实体之间关系的语义网络, 它用符号形式描述客观世界中的概念、 实体及其相互关系, 并把复杂的知识领域通过数据挖掘、 信息处理和图形绘制而显示出来。知识图谱技术是人工智能技术的重要组成部分, 关键技术包括知识抽取、 知识表示、 知识融合、 知识加工、 知识更新等。2012年, DARPA启动“X计划”, 用知识图谱描绘战场地图支撑VR作战。目前知识图谱技术在智能搜索、 智能问答、 个性化推荐等服务中产生了广泛的应用价值, 同时, 也面临很大的挑战, 如数据噪声问题、 数据冗余等。

2.6 大数据分析技术域

大数据分析是从多源异构海量数据中快速获取有价值信息的技术, 具有5V特点: 数据量大; 速度快; 类型多; 价值高; 真实性强。大数据分析技术主要包括数据访问、 数据存储、 数据挖掘、 数据共享、 数据可视化等。近年来, DARPA相继启动了“X-数据”(X-DATA)、 “洞察系统”(Insight)、 “数据到决策”(DtoD)、 “数据驱动的模型发现研发”(D3M)等一系列大数据研发项目, 在大数据分析技术域上形成了比较完整和全面的研发布局。目前, 大数据分析已广泛应用在预测分析、 风险控制、 风险定价、 量化投资、 决策支持等领域。

2.7 引擎推荐技术域

引擎推荐是基于用户的行为、 属性、 社交关系, 对象的分类、 内容、 属性等, 通过算法分析和处理, 挖掘用户当前或潜在需求, 并主动向用户推荐其感兴趣对象的技术, 主要包括基于内容的推荐、 基于行为的推荐和基于社交网络的推荐等。推荐引擎技术已经应用在生活的方方面面, 包括电子商务平台商品推荐, 搜索结果智能匹配, 微博、 社区等站内推荐, 视频/音乐推荐等。

2.8 虚拟个人助理技术域

虚拟个人助理(VPA)是指具有组织、 学习及认知能力, 能够与人们进行语音、 文字等形式交互的数字助理软件。主要包括前端和后端两部分, 前端面向用户, 包括人机交互、 语音识别、 语音合成等技术; 后端包括网页搜索、 知识搜索、 知识库、 问答推荐等技术。2003年, DARPA启动了“学习型个人助理”(PAL)项目, 投资研发了“战士的仆人”(CALO)系统, 旨在开发一个让军方简化处理复杂事务, 并具备认知能力, 能够进行学习、 组织的数字助理。而后这一研发成果的民用版演化为苹果手机上的Siri语音助理。虚拟个人助理用途极其广泛, 包括目标查询、 家电操控、 健康监控、 虚拟教学等。

2.9 生物特征识别技术域

生物特征识别是指利用人体固有的指纹、 掌纹、 手形、 人脸、 虹膜、 声纹、 DNA等生理特征或步态、 签名等行为特征进行身份识别、 认证和鉴定的技术。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。2013年, DARPA启动了“主动认证”(AA)项目, 旨在融合使用生物特征识别技术来捕捉用户认知轨迹, 开发新型身份验证方法。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。

2.10 VR/AR/MR技术域

虚拟现实(VR)/增强现实(AR)/混合现实(MR)是以计算机仿真与图形学为核心的新型视听技术, 为用户生成在视觉、 听觉、 触感等方面与真实环境高度相似的数字化环境, 并支持用户与数字化环境中的对象进行交互。具体来讲, VR是将用户置身于虚拟环境之中, VR=虚拟世界; AR是将动态的数字化信息加在用户的视觉域之上, 强调让虚拟技术服务于真实现实, AR=真实世界+数字化信息; MR是真实世界和虚拟世界的无缝融合, MR=VR+AR。按照不同处理阶段, AR/VR/MR可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、 技术标准与评价体系等。DARPA自20世纪80年代起一直致力于研究SIMNET虚拟战场系统, 辅助军兵种协同训练。目前AR/VR/MR技术在VR游戏、 VR教育、 AR购物、 AR医疗、 MR航空、 MR家居、 MR试装、 全景视频等领域的应用越来越广泛。

2.11 推理决策技术域

推理决策是指计算机程序模拟人类智能, 为达到一定目标, 按照某种策略从已有事实和知识推出结论、 做出决策并付诸实施的过程。推理决策技术包括确定性推理决策和不确定性推理决策, 前者包括图搜索、 盲目搜索、 启发式搜索、 消解原理、 规则演绎系统、 产生式系统等技术; 后者包括不完备、 不精确知识的推理, 模糊知识的推理, 非单调性推理等。人工智能系统的智能水平主要体现在求解不确定性问题的能力上。2019年, DARPA启动了“以知识为导向的人工智能推理模式”(KAIROS)项目, 旨在建立复杂现实事件的图谱结构和知识库, 构建能够对事件进行分析和预测的人工智能模式识别能力。推理决策的用途十分广泛, 最常见的是用在工业、 教育等行业的各类辅助决策支持系统。

2.12 可解释AI技术域

可解释人工智能(XAI)是人工智能领域的一个新兴分支[23], 研究如何通过动态生成的图表或文本来描述和理解AI技术做出决策的路径, 解释AI决策背后的逻辑。在军事、 金融等高监管、 高风险、 高价值的行业中, 信任计算机的决策而不理解为什么这样做, 就可能面临着极大的风险。传统的人工智能/机器学习算法在输入数据和输出答案之间存在着不可观察的黑盒空间, 因此, 对XAI的研究也应运而生。2017年, DARPA启动了“可解释人工智能”项目, 旨在产生更多可解释的模型, 同时保持高水平的预测准确性, 使用户能够理解、 信任并有效管理新一代人工智能伙伴。XAI将建立起信任的桥梁, 使人类能够适应并习惯与智能机器一起工作。虽然XAI目前面临着巨大的挑战, 但未来的应用前景十分可观。

2.13 自主无人系统技术域

自主无人系统是指可应对非程序化或非预设态势, 具有一定自我管理和自我引导能力而不需要人工干预的系统。按照自主程度不同, 可将自主无人系统分为5类: 零自主性级别、 简单辅助级别、 态势感知级别、 管理控制级别和全自主级别。利用人工智能的各种技术, 如图像识别、 人机交互、 智能决策、 推理和学习, 是实现和提高系统自主性和智能性的最有效方法。近年来, DARPA先后启动了“快速轻量自主”(FLA)、 “拒止环境下协同作战”(CODE)、 “自主无人作战飞机”(Skyborg)等项目, 推进无人系统自主能力发展。当前, 自主无人系统面临诸多挑战, 比如情景理解能力、 学习能力等, 但随着研究的深入, 未来自主无人系统将有广泛的应用, 包括无人车、 无人机、 服务机器人、 无人舰艇和无人车间等。

2.14 智能机器人技术域

智能机器人是指能够理解和使用人类语言, 具有感知、 处理、 决策、 执行等模块, 能够自动完成各项拟人任务, 总结经验和自主学习的智能人形机器。智能机器人具备自主性、 适应性和交互性等特点, 相关研究技术包括多传感器信息融合技术、 导航与定位技术、 路径规划技术、 机器人视觉技术、 智能控制技术和人机接口技术等。近几十年, DARPA先后启动了“战术机动机器人”(TMR)、 “机动自主机器人软件”(MARS)、 “分布式机器人软件”(SDR)、 “自主机器人操纵”(ARM)等项目, 布局机器人相关技术研究。智能机器人在不同领域有着广泛的应用, 工业上有弧焊机器人、 人机协作机器人等, 服务行业有消防救援机器人、 手术机器人等, 同时, 智能机器人也在深海探测、 作战侦察、 搜集情报、 抢险救灾等工作中发挥重要作用。

2.15 群体智能技术域

群体智能是指通过模拟自然界生物群体行为来实现人工智能的一类技术[24], 强调算法中个体行为的简单性、 群体的多样性和全局性, 以及优异个体带来的进化性, 并且有不断修正和进化的策略。群体智能算法有很多, 包括蚁群算法、 粒子群优化算法、 鱼群算法、 蛙跳算法、 菌群算法、 人工蜂群算法、 花朵授粉算法、 萤火虫算法、 布谷鸟算法、 蝙蝠算法、 狼群算法、 烟花算法、 合同网协议算法、 人群模拟算法等。群体智能技术具有以下特点: 分布式控制、 可扩展性好、 简单实现性、 群体自组织性、 抗干扰性强等。2015年, DARPA启动“进攻性蜂群战术”(OFFSET)项目, 旨在推进蜂群自主性、 人与蜂群编队、 蜂群感知、 蜂群网络、 蜂群后勤等5项蜂群使能技术的发展。群体智能技术在社会各领域有着极其广泛的应用: 蚁群算法已广泛应用于电力系统、 车辆、 店铺、 人员等资源调度和分配中; 粒子群优化算法广泛应用于神经网络训练、 模糊系统控制等应用领域; 基于群体智能的人群模拟技术被广泛应用于电影特效中等。

2.16 类脑智能技术域

类脑智能是受人类大脑神经运行机制和认知行为机制启发, 以计算建模为手段, 利用神经形态计算来模拟大脑处理信息过程, 通过软硬件协同实现的机器智能技术。构建大脑模型, 发展类脑计算机芯片, 是推动人工智能技术发展的重要途径。先进国家积极布局类脑智能研发, DARPA先后启动了“大脑定量模型”(QMoB)、 “大脑数学系统”(MoB)、 “神经形态自适应可塑可扩展电子系统”(SyNAPSE)、 “神经功能、 活动、 结构与技术”(Neuro-FAST)等项目, 研究大脑如何存储和调用信息, 研制新一代类脑计算机芯片。目前, 由于大脑机理认知尚不清楚, 以及现有计算架构和能力的制约, 类脑智能技术还主要处于实验室研究阶段。

2.17 人机混合智能技术域

人机混合智能以人类智慧和机器智能深度协作与融合为目标, 通过相互连接通道, 建立兼具人类的感知、 记忆、 推理、 学习等能力和机器智能体的信息整合、 搜索、 计算等能力的新型智能系统。人机混合智能包括两种: 一是人在回路的混合增强智能, 将人的作用引入到智能系统中, 使人的感知、 认知能力和机器运算、 存储能力相结合, 构成“1+1>2”的增强智能形态; 二是基于认知计算的混合增强智能, 在人工智能系统中引入受生物启发的智能计算模型, 构建基于认知计算的混合增强智能。DARPA先后启动了“人机通信”(CWC)、 “神经工程系统设计”(NESD)、 “解码神经活动”(DeNA)、 “下一代非手术神经技术”(N3)等项目, 寻求战场士兵的超级认知、 快速决策和脑控人机编队等超脑和脑控能力。人机混合智能具有非常广阔的应用前景, 可广泛应用于工业、 服务业、 军事等领域, 具体产品包括融入混合智能的神经智能假肢、 脑机一体化的外骨骼系统、 人机融合操控的无人系统等。

2.18 智能化建模仿真技术域

智能化建模仿真是指建模仿真技术与智能技术、 信息通信技术及各应用领域专业技术进行深度融合, 以大数据资源、 高性能算力、 智能模型/算法为基础, 以提升系统建模、 优化运行及结果分析处理等整体智能化水平为目标的技术。主要分为两类: 一是智能地仿真, 即将智能作为仿真的方式; 二是智能的仿真, 即将智能作为仿真的对象。美国国防部自主性利益共同体于2019年开始创建通用型模拟、 评估、 分析和测试仿真环境, 旨在通过持续部署集成各类仿真技术, 实现基于软件云的AI算法即插即用即评估功能。美国陆军研究实验室专门开发连续自主性仿真试验环境构设技术, 实现大样本并行仿真多种想定场景和测试陆战自主系统性能边界。目前, 智能化建模仿真技术已广泛应用于航空航天、 教育医疗、 交通物流等社会各领域中。在航空领域已应用到了飞机设计、 制造、 使用和维护的全生命周期中; 在交通领域, 通过对城市绿波带交通控制进行智能化仿真, 有效提高了交通通行率; 在国防军工领域中, 实况仿真常用于实兵实装演练中, 虚拟仿真常用于兵棋推演中, 构造仿真常用于计算机生成兵力、 分析模型中, 自主仿真常用于无人自主系统试验鉴定中[25]。

2.19 体系集成技术域

体系集成是指通过先进通信网络和智能算法将各个分系统、 各类硬件和软件等要素集成为能够满足用户特定需求的复杂信息系统, 集成后的各部分之间能够智能、 快速、 高效地协同工作, 达到整体优化的目的。体系集成的本质就是用智能技术实现最优化的综合统筹设计。2014年, DARPA启动了“体系综合技术和试验”(SoSITE)项目, 聚焦于发展分布式空战概念、 架构和技术集成工具, 将有人机作战能力分散到大量具备某一个或某些功能的各类小型平台上, 实现平台间数据共享、 多机组网、 协同配合等, 进而形成分布式空中作战体系。2015年启动的复杂适应性系统和设计环境(CASCADE)项目, 探索和创新可以深入理解系统组件交互行为的数学方法, 使得可使用任意系统组件适应动态环境, 解决现有及新系统的集成问题。

2.20 信息安全技术域

人工智能时代的信息安全是指在安全威胁日趋自动化、 智能化的情况下, 利用智能技术检测和防范新兴复杂威胁, 确保信息系统的设备安全、 数据安全、 内容安全和行为安全。相关技术包括通信网络安全技术、 多手段身份认证技术、 多层级主机加固技术、 智能防火墙技术、 主动检测监控技术、 新一代加密解密技术、 安全审计技术等。2017年, DARPA启动“可靠自主性”(AA)项目, 旨在开发用于建模、 系统设计、 形式验证、 基于模拟的测试、 机器学习和安全保证学习的新技术, 确保“学习使能的自主信息物理系统”(LAS)在全寿命周期各阶段的安全性。目前, 信息安全已经成为关系到国家各行各业安全与社会稳定的重要领域[26]。

3 人工智能支撑马赛克战研究

3.1 人工智能和马赛克战的关系

3.1.1 人工智能技术的驱动

马赛克作战概念的产生离不开人工智能领域的技术驱动。近年来, 随着深度学习、 大数据、 云计算、 物联网等智能技术的发展, “算力+算法+数据+场景”的叠加有效促进了通用人工智能技术的进步, 也大幅跨越了科学与应用之间的“技术鸿沟”。诸如图像识别、 自然语言处理、 推荐引擎、 虚拟个人助理、 无人系统等人工智能技术, 实现了从“不能用、 不好用”到“可以用、 很好用”的技术突破, 也同步向军事作战领域渗透。卡内基梅隆大学、 麻省理工学院等知名高校, 微软、 谷歌等商业公司以及洛克希德·马丁、 波音、 诺思罗普·格鲁门等军工企业, 为美军装备技术的智能化提供了强劲动力。DARPA、 美军各军种实验室等单位相继启动的终生学习机(L2M)、 可解释人工智能(XAI)、 体系集成技术与试验(SoSITE)、 分布式作战管理(DBM)、 指南针(COMPASS)、 拒止环境协同作战(CODE)、 人机沟通(CWC)、 空战演进(ACE)、 最优化动态适应网络(DyNAMO)、 战场物联网(IoBT)、 可视化情报系统(VIS)、 忠诚僚机(LW)、 自主无人作战飞机(Skyborg)等项目取得了丰硕成果, 为马赛克战的提出奠定了技术基础。

3.1.2 人工智能技术的支撑

将马赛克战/决策中心战的实现基础归纳为两点: 基于自主系统的分布式作战和任务指挥、 基于人工智能的快速决策支持。这里对这一观点进行补充, 自主系统的内涵是指可应对非程序化或非预设态势, 具有一定自我管理和自我引导能力的系统。自主化可以被看作是自动化的外延, 是智能化和更高能力的自动化。自主系统的实现离不开人工智能技术的支撑。因此, 不论是基于自主系统的作战指挥, 还是基于人工智能的决策支持, 都离不开人工智能技术的支撑。马赛克战/决策中心战的实现, 归根结底在于充分发掘和利用成熟的人工智能技术。人工智能对美军电子信息领域的影响框架如图2所示。

图片

图2   人工智能对美军电子信息领域的影响框架

Fig.2   The influence framework of AI on U.S. military electronic information field

3.2 人工智能技术域对马赛克战关键作战应用技术的支撑

3.2.1 动态通信组网方面

通信组网是大规模空中作战行动的基础。在马赛克战中, 具体的应用方案是: 在作战行动实施阶段, 快速连接传感器、 武器平台、 兵力编队等各类作战要素, 利用数据分析和推理决策技术智能识别每一要素所属作战群, 进而建立起分布式网络拓扑结构, 构建整个通信网络图谱结构, 利用网络安全技术防范敌方的网电攻击。当我方作战要素被干扰或被击溃时, 利用群体智能技术、 引擎推荐技术等快速生成新的网络互联方案。动态通信组网的关键技术包括网络态势感知、 异构网络组网、 通信网络智能规划与动态演进、 强对抗环境下的网络行为控制与资源调度、 网络自重构、 智能流量管理等技术, 涉及知识图谱、 大数据分析、 引擎推荐、 推理决策、 群体智能、 信息安全等6个技术域。

3.2.2 弹性信息共享方面

信息资源是各个作战单元的基础依托。马赛克作战体系中数据来源广、 种类多。在马赛克战中, 具体的应用方案是: 对图像、 语音等大规模异构数据进行汇聚、 处理、 融合和智能分发, 将数据快速、 准确地传送给每一个作战单元。弹性信息共享关键技术包括分布式传感器网络管理、 多源异构信息融合、 信息智能转发与服务、 信息安全管理等技术, 涉及计算机视觉、 语音识别、 自然语言处理、 大数据分析、 引擎推荐、 推理决策等技术域。

3.2.3 空域动态管理方面

空域动态管理为每一个马赛克作战单元智能调配了四维作战区域(时间和空间)。在马赛克战中, 具体的应用方案是: 在作战行动筹划阶段, 自动规划每一个作战单元的活动空域, 并协调彼此之间可能出现的活动冲突; 在作战行动中, 当出现突发事件后, 对作战空域进行临机调整, 提高了马赛克作战体系的作战协同性。空域动态管理关键技术包括空域态势理解、 空域规划评估、 空域结构冲突检测、 空域活动冲突检测、 融合时间与空间的四维空域显示等技术, 涉及到计算机视觉、 专家系统、 大数据分析、 引擎推荐、 推理决策、 智能化建模仿真等技术域。

3.2.4 自适应作战管理规划方面

自适应作战管理规划协助指挥员拟制和指派作战任务。在马赛克战中, 具体的应用方案是: 优化作战管理规划系统, 协助指挥员分解作战任务、 生成行动序列、 调配作战资源等。其关键技术包括作战任务自适应分解、 作战行动序列自动生成与指派、 作战资源动态调配、 指挥控制/引导指令自动生成、 任务冲突检测与消解等技术, 涉及自然语言处理、 专家系统、 知识图谱、 大数据分析、 引擎推荐、 推理决策等技术域。

3.2.5 智能无人作战平台方面

智能无人作战平台是马赛克作战体系中的关键支撑节点。在马赛克战中, 应用方案是: 研制自主化和智能化的无人作战单元, 使其具备一定的自主作战能力, 并能够彼此协同形成大规模作战群。其关键技术包括: 人机交互、 人机协同、 拒止环境下自主协同、 无人平台运载、 发射与回收等技术, 涉及到推理决策、 可解释AI、 自主无人系统、 智能机器人、 群体智能、 人机混合智能等技术域。

3.2.6 自主作战决策方面

自主作战决策提高了指挥员与智能系统之间的协同能力。在马赛克战中, 应用方案是: 提升作战决策支持系统的智能化水平, 推演和预测战场局势, 使指挥官能够管理快速和复杂的行动。自主作战决策关键技术包括战场局势智能推演、 作战方案自动生成、 启发式推理决策、 规则演绎式推理决策等技术, 涉及推理决策、 可解释AI、 群体智能、 类脑智能、 人机混合智能等技术域。

3.2.7 马赛克战实验推演评估方面

当前, 马赛克战还处于理论研究阶段, 后续的发展离不开实验室环境下的推演评估。具体的应用方案是构建马赛克推演评估实验室, 对敌我双方兵力实体进行建模仿真, 对作战方案进行智能推演, 对行动过程进行智能分析等。相关技术包括多级多类作战实体智能模型构建技术、 基于机器学习的作战方案智能推演引擎技术、 作战方案的智能化评估技术、 智能化实验分析技术、 实时动态博弈分析技术、 高性能建模仿真技术等, 涉及虚拟个人助理、 VR/AR/MR、 推理决策、 智能化建模仿真、 体系集成、 信息安全等技术域。

图3显示了各人工智能技术域与马赛克战应用技术之间的关系, 人工智能技术的发展和进步推动着马赛克战作战应用技术走向成熟。从图中也可以看出, 大数据分析、 引擎推荐、 推理决策这3个技术域所支撑的关键作战技术最多, 是未来需要重点关注的技术。

图片

图3   人工智能技术域与马赛克战应用技术的关系

Fig.3   The relationship between AI technology domains and mosaic warfare application technologies

3.3 人工智能支撑马赛克战体系架构

对人工智能支撑马赛克作战概念的整体架构进行了梳理, 如图4所示。从底层算力算法基础层出发, 利用强大算力、 高效架构平台及深度学习算法支撑通用AI技术层。通过对AI技术域进行组合, 支撑马赛克战概念的关键作战应用层。通过对各种作战应用技术进行组合, 形成分布式作战指挥能力及快速决策支持能力, 支撑起整个马赛克作战体系。

图片

图4   人工智能支撑马赛克战架构图

Fig.4   The architecture diagram of mosaic warfare supported by AI

4 结论

随着马赛克战研究的不断深入, 将牵引各项人工智能技术和作战应用技术走向成熟, 并将逐步变革和颠覆现有的装备体系及作战模式。马赛克作战概念的核心, 在于深度发掘和充分利用人工智能技术。在这个理念的指导下, 本文进行了以下创新性工作: 一是在分析马赛克战概念内涵的基础上, 指明了7项马赛克战关键作战应用技术; 二是针对当前学术界对“人工智能”术语和人工智能技术的使用较为混乱的现状, 归纳总结了20个通用的人工智能技术域; 三是分析了马赛克战与人工智能之间的关系, 给出了人工智能支撑马赛克作战概念的体系架构。

未来可以在本文研究的基础上, 进一步细化每一个人工智能技术域, 形成更详细的技术群和技术发展路线图, 促进人工智能技术向军事领域的应用和转化。

图片

我们的服务类型

公开课程

人工智能、大数据、嵌入式                    

内训课程

普通内训、定制内训                         

项目咨询

技术路线设计、算法设计与实现(图像处理、自然语言处理、语音识别)

图片

图片

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/481786.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

强化学习大牛Sergey Levine新作:三个大模型教会机器人认路

来源:机器之心内置大模型的机器人,在不看地图的情况下,学会了按照语言指令到达目的地,这项成果来自强化学习大牛 Sergey Levine 的新作。给定一个目的地,在没有导航轨迹的情况下顺利到达,有多难&#xff1f…

数字化转型知识方法系列之五:数字化转型战略

数字化转型知识方法系列之五:数字化转型战略 人工智能技术与咨询 一、数字化转型是信息时代企业级核心战略 新一轮科技革命和产业变革迅猛发展,企业发展环境日益复杂多变,机遇挑战并存。全球经济从增量发展转向存量竞争,资源…

再发:迄今为止 脑网络结构功能模块元素 最全面复杂清晰 类芯片多图及分解...

来源:CreateAMind从工程的角度来看,大脑皮层是一个六层电路卡,由晶体管和逻辑门组成,其密度是我们最紧凑的微处理器(Apple A8)的五倍。然后它被智能折叠起来以适应更小的空间,同时还减少了相互连…

量子计算机研究进展

量子计算机研究进展 人工智能技术与咨询 来自《南京邮电大学学报(自然科学版)》,作者郭光灿等 摘要:量子计算机是未来量子技术时代最具颠覆性的技术,文中将以量子计算机的诞生、工作原理和在世界范围内的发展现状为主要阐述内容。目前阶段…

意识理论综述:众多竞争的意识理论如何相互关联?(干货)

来源:集智俱乐部 作者:Anil K. Seth & Tim Bayne译者:李路凯、陈斯信编辑:邓一雪导语意识和底层的神经活动之间如何联系起来?试图解释这一问题的意识理论层出不穷。然而,随着实验数据积累,众…

数字化转型知识方法系列之三:以价值效益为导向推进数字化转型的五大重点任务

数字化转型知识方法系列之三:以价值效益为导向推进数字化转型的五大重点任务 人工智能技术与咨询 一、数字化转型应围绕价值效益系统性推进 新一轮科技革命和产业变革迅猛发展,世界正处在一个从工业时代向信息时代加速转型的大变革时代。全球物质经济发…

笛卡尔与人工智能:“我思故我在”作为智能测试标准的可能性

来源:科学经济社会本文载于《科学经济社会》2022年第40卷第3期第38~55页作者简介:张伟特,海德堡大学哲学博士,清华大学新雅书院/哲学系助理教授,博士生导师,仲英青年学者,主要从事西方近代哲学&…

DeepMind 新作:AI 系统实现以人为中心的分配机制设计

来源:集智俱乐部作者:高晋宇编辑:邓一雪导语如何在经济和社会系统中重新分配资源?例如,一群人决定集中资金进行投资,获得回报后该如何分配收益?简单的平均分配看起来不太公平,但按照…

多Agent 深度强化学习综述

多Agent 深度强化学习综述 人工智能技术与咨询 来源:《自动化学报》,作者梁星星等 摘 要 近年来,深度强化学习(Deep reinforcement learning,DRL) 在诸多复杂序贯决策问题中取得巨大突破.由于融合了深度学习强大的表征能力和强化学习有效的策略搜索能…

Science揭露奠基研究最大骗局:被引2300多次,重量级造假论文误导学界16年

来源:新智元谁能想到,一篇被引2300多次的Nature论文,竟涉嫌造假!更严重的是,这篇开创性论文竟误导了全世界阿尔茨海默病研究长达16年。一篇被引2300多次的Nature论文,竟涉嫌造假。影响有多恶劣?…

元学习研究综述

元学习研究综述 人工智能技术与咨询 来源:《电信科学》,作者朱应钊等 摘要 深度学习和强化学习严重受限于小样本数据集,容易发生过拟合,无法实现类似于人类强泛化性的学习能力。元学习为此应运而生,以累积经验的方…

【院士思维】张亚勤:我们正在让自动驾驶变成现实

来源:贝德尔的ICT世界7月19日,IEEE 2022网络、计算机和通信国际研讨会(ISNCC2022)首次落地中国,围绕“Touch the Future数字未来之路”主题,来自中国、美国、英国、意大利、法国、突尼斯、印度、日本、俄罗…

基于Grad-CAM与KL损失的SSD目标检测算法

基于Grad-CAM与KL损失的SSD目标检测算法 人工智能技术与咨询 来源:《电子学报》,作者侯庆山等 摘 要: 鉴于Single Shot Multibox Detector (SSD)算法对中小目标检测时会出现漏检甚至错检的情况,提出一种改进的SSD目标检测算法&…

图灵奖得主 Adi Shamir最新理论,揭秘对抗性样本奥秘

来源: 智源社区导读:为什么模型会将「猫」识别成「牛油果酱」,将「猪」识别成「飞机」?要回答这个问题,就涉及到对抗性样本(Adversarial examples)。对抗性样本指在原始样本添加一些人眼无法察觉…

基于多视角融合的夜间无人车三维目标检测

基于多视角融合的夜间无人车三维目标检测 人工智能技术与咨询 来源:《应用光学》,作者王宇岚等 摘 要:为了提高无人车在夜间情况下对周围环境的物体识别能力,提出一种基于多视角通道融合网络的无人车夜间三维目标检测方法。引入…

清华邓志东:城市智能路网新基建催生路端世界级企业

2022年7月16日,中国指挥与控制学会(CICC)城市大脑专业委会在北京正式成立。在成立大会上也举办了城市大脑前沿学术研讨会,新当选的专委会顾问、主任委员、副主任委员发表了最新研究成果和观点,对城市大脑的未来发展进行…

机器学习的可解释性

机器学习的可解释性 人工智能技术与咨询 来源:《计算机研究与发展》,作者陈珂锐等 摘 要 近年来,机器学习发展迅速,尤其是深度学习在图像、声音、自然语言处理等领域取得卓越成效.机器学习算法的表示能力大幅度提高&#xff0c…

对话加拿大工程院于非院士:寻找 AI 领域的「香农定理」

来源:AI科技评论作者:黄楠、青暮编辑:陈彩娴我相信智能是一种自然现象,就像岩石滚动和冰雪融化般自然的现象。——摘自于非著作《智能简史——从大爆炸到元宇宙》。当科学家把一些菟丝子移植到几株营养状态不同的山楂树上时&#…

工业人工智能及应用研究现状及展望

工业人工智能及应用研究现状及展望 人工智能技术与咨询 来源:《自动化学报》,作者李杰等 摘 要 工业4.0 将工业制造流程以及产品质量优化从以前依照经验和观察进行判断转变为以事实为基础,通过分析数据进而挖掘潜在价值的完整智能系统.人工智能技术的…

机器学习理论基础炼丹总结

来源:Datawhale机器学习发展迅猛,但对理论知识的理解却跟不上?本文将给出一名数据科学家的反思,他通过效用矩阵梳理了模型的实验结果和基础理论的关系,并探讨机器学习各个子领域的进展。引入知其然,知其所以…