人工智能如何影响军事发展？

李睿

阿尔法狗（AlphaGo）让很多人惊呼“留给人类的时间不多了”

当前热议的人工智能到底是什么？

提到人工智能就有人想到深度学习，仿佛深度学习就是人工智能，实际上，深度学习只是人工智能领域里的一个分支算法，远不能代表人工智能本身，但由于传统人工智能方法早已被运用到军事活动的各个领域，并不属于新生事物，因而本文所讨论的人工智能在军事上的应用只限于深度学习，不讨论传统的人工智能方法。

人工智能起源于1950年代，一开始就朝着利用计算机模拟人脑的方向发展，根据科学家对人脑机制理解的不断发展，人工智能迄今为止也经过三次高潮，相应地发展出了三类方法。

1980年代以前，科学家普遍认为人类的思维是一系列逻辑表达的集合体，因而将主要研究精力放在了启发式搜索和逻辑推理方面，进而引发了人工智能革命的第一次浪潮。日本和美国科学家一马当先大搞专家系统，希望能够用逻辑穷尽表达各行各业知识，造出一台万能的通用机器人，美国国防部国防高级研究计划局（DARPA）更是受到“深蓝”（“深蓝”是美国IBM公司生产的一台超级国际象棋电脑，质量达1279kg，有52个大脑，也即微处理器，每秒钟可以计算2亿步——编者注）战胜卡斯帕罗夫事件刺激，试图搞出所谓的战争全能辅助决策系统“深绿”，作为部队战力“倍增器”。但现实世界存在不确定性，不可能利用穷举法和逻辑定式来表示，因而第一波人工智能高潮失败了，美日等国也承受了探索损失，但也留下了启发式搜索和逻辑推理的成果，迄今为止，仍然作为各类武器装备和军事系统的核心算法。

1980年代开始，人工智能发展跌入低谷，但一部分科学家坚持了下来，并逐渐发现，统计和概率数学方法是处理不确定性问题的强力工具。从这个思路出发，人工智能逐渐开辟出以有监督学习、无监督学习、强化学习等统计学习方法为主要手段的人工智能新技术，发展出有监督学习方法（如感知器、logistics回归、随机森林等），无监督学习方法（EM聚类、支持向量机等）、半监督学习方法（强化学习、增强学习等）等统计学习方法理论，进而诞生了人工智能的第二次热潮。这些方法时至今日仍然是深度学习的理论基础，但第二次人工智能热潮仍然跌入低谷，原因在于当数据量极为庞大时，计算机硬件难以支撑其庞大的计算量，极易产生所谓的“维度灾难”，直到GPU和云计算技术发展起来，让数据并行处理成为可能，才真正推动了统计学习方法的进一步提升，进而引发了以深度学习技术为代表的第三次，也就是本次人工智能高潮的再次爆发。

“深蓝”击败卡斯帕罗夫事件让DARPA（美国国防部国防高级研究计划局）深受刺激，试图搞出所谓的战争全能辅助决策系统“深绿”。虽然最终未成功，但也留下了宝贵的成果

深度学习算法的发明时间是2006年，提出者是加拿大教授杰弗里·辛顿（Geoffrey Hinton），但在2010年后GPU和云计算技术取得突飞猛进的进步后，这种算法在工程上才得到广泛运用。深度学习的基本框架是一种叫作感知器的统计学习方法结构，通过大量感知器组网连接，形成一个可以利用简单函数模拟任何复杂函数的网络，每一个感知器被称为神经元，若干感知器组成一个神经元层，若干神经元层组成一个神经网络。之所以如此称呼，是因为这种结构与人类的大脑神经元是类似的，感知器的工作原理和神经冲动传递过程也是一致的。当层数较多时就被称为深度神经网络，而训练和使用深度神经网络的过程就被称为深度学习。

人工智能的军事应用潜力

由于深度学习都是基于统计学习方法的，因而其内在原理和贝叶斯推断理论是一致的。即人类搜集大量带标签的历史数据组，将数据组输入深度神经网络，网络利用相应算法得到该数据组的联合分布规律，这样，深度神经网络在被输入没有标签的新数据时，就可以预判到其输出。例如，利用人类射手统计到某一手枪在前100次射击时每次射击前的状态数据和射击环数，让系统学到联合分布规律，那么在第101次射击时，仅需知道射击前的状态，就可以预测本次射击会有什么样的结果，相应改变射击前的状态，就能达到最佳射击效果，提高射击准确率。

必须注意的是，在这个过程中，由于机器是自動学习数据的联合分布规律的，该分布只能用一堆参数来表示，人类很可能无法理解，因而就形成了人工智能的“黑箱效应”，即人类无法解释系统是如何做到的，但系统就是能做到，人类可以理解为，这个系统有了“经验”，但这种“经验”并不是真正的理解，只是按照既定算法达到的一种状态，不能认为该系统具有了人类的智能。这种数据学习能力也就引出了人工智能在军事领域的第一个潜在应用价值——作战数据分类与预测。

作战数据分类与预测

上文举例手枪射击可以看出，以统计学习方法为核心的人工智能对数据分类和预测具有神奇的效果，这种依靠带标签的历史数据得到的结果往往比解析法得到的计算结果精确得多。因为利用解析法计算时往往难以将所有不确定性因素穷尽，而统计学习方法则可以将所有不确定因素（如导弹飞行过程中的扰动）直接归类到某种分布律，进而得到更精确的结果。作战活动中往往会产生大量数据，例如敌军作战单元活动的轨迹、武器的毁伤范围、通信系统覆盖范围等等，由于自然环境的影响，这些数据和理论计算数据差距往往较大，此时利用解析法计算出来的理论值就比较粗糙，对指导作战往往不利，但利用人工智能系统的数据分类和预测功能，则可以非常接近真实值，从而让数据催生出战斗力，大大增强己方武器的命中概率，使武器精确度更高，成倍增加部队和武器的作战效能。

以弹道导弹为例，在融入人工智能系统的作战数据分类和预测后，可以最大限度地从训练、演习发射数据中学习到导弹发射诸元和命中精度的联合分布规律，进而在实战中使普通弹道导弹达到先进弹道导弹水平。而在反导弹拦截作战中，则可以根据X波段对敌军日常弹道导弹发射、试验的侦测数据，让系统学习到雷达回波特征和弹头类型的联合分布规律，在实战拦截中，大大增加系统对导弹轨迹与落点预测的准确率，进而增加对弹道导弹拦截的成功率。

虽然几乎所有的统计学习方法都有数据分类和预测功能，但当数据量较多时，深度学习方法的性能表现最好，就数据分类而言，可以达到95%以上的准确率，这一水平比传统算法的75%左右的准确率提高了不少，但当数据量小时，工作效率反而比不上传统模型。

敌我目标识别

信息化技术让作战活动的OODA（观察-判断-决策-攻击）速度不断增加，但由于信息系统本身不具备智能，因而在目标识别上一直效率不高。海湾战争期间，美军误伤造成的地面部队损失巨大，时至今日，这一问题仍然无法得到有效解决。而以图像识别为代表的敌我目标识别技术能为这一问题提供解决方案。

基于深度学习的图像识别技术是将图像按照像素分为3个通道（RGB）的数字矩阵，将其输入卷积神经网络，而后实现类型识别。所谓的卷积神经网络即利用卷积窗口对图像的固定大小区域进行加权求和，以捕捉图像特征。在世界各类图片分类大赛中，经过良好设计的卷积神经网络的识别准确率高达98%以上，远超传统方法。

该技术在军事上的用途十分广泛。例如在反暴恐行动中，可以利用安装在城市各处的摄像头，根据犯罪分子的脸部特征、体态特征识别想要抓捕的恐怖分子。而在地面和空中武器平台上，一旦雷达、摄像头等传感器使用该算法，即可快速识别敌人的飞机、舰船、坦克等作战单元类型，特别是对于具有一定伪装能力的敌作战单元，可以一举解决敌我识别难题。据美国媒体报道，美军使用该技术判读卫星图像，几十分钟就寻找到了多处隐藏地空导弹阵地，而这项工作如果由图像判读员来完成，耗费的时间以及准确率根本无法与前者相比。

图像识别可以大大提高敌我识别概率

著名人工智能學者、前百度首席科学家吴恩达正在演讲

在军事装备制造维修方面，目标识别技术也有很大的用处，著名人工智能学者、前百度首席科学家吴恩达于2017年12月14日宣布成立新公司Landing.ai，并与富士康公司合作，利用图像识别算法做电路板的合格率检测，效率和速度远远超过人工，该技术当然也可以用于军事装备，如军事装备战后的快速定损等。

智能作战决策

智能作战决策是最令人心动的人工智能应用领域，许多人都曾设想制造出如阿尔法狗一般强大的无人坦克、无人机横行战场。但这种想法在最近10年内实现的可能性并不大。阿尔法狗之所以能击败人类最顶尖的围棋选手，在于围棋是一个确定性的博弈模型，对弈双方的每步走法和效果都十分明确，每一步和每一步之间都有停顿，而真实世界的复杂性远超围棋，单纯利用图像识别技术识别出战场中敌军飞行员的身份和动作意图需要的计算量都绝对超过阿尔法狗，更不要说还有复杂自然战场环境和战术背景了。

在制造智能机器人方面，日本走在世界前列，但在福岛核泄漏时，日本机器人前往沾染区处理时效果并不好，原因就是出现了“机器人电线被缠住了”之类的问题

特别是机器人本身没有“常识”，往往会遇到难以预料的“意外”。在制造智能机器人方面，日本走在世界前列，但在福岛核泄漏时，日本机器人前往沾染区处理时效果并不好，原因就是出现了“机器人电线被缠住了”之类的问题，这些问题很难被设计者事先预料到，机器人也无法处理。深度学习技术设计者们也多次强调，该技术只能处理特定任务，并非是理想中的通用AI。

但是面对智能决策话题，深度学习也并非一筹莫展，阿里巴巴曾经在2017年发表过一篇论文，其中提到阿里巴巴AI试验室利用双向循环神经网络让星际争霸里的作战单元学会了人类选手的拦截、围杀等各种战术，其内在算法就是将深度学习和强化学习结合起来，设置出了一个巧妙的价值函数，通过和人类选手的反复搏杀，让AI始终求取价值函数最大值，实现学习战术的目的。但游戏和真实世界的区别在于，游戏作战单元都有“血条”这种简单的收益、战损衡量方法，而真实交战世界中的战术效能、毁伤效果评估十分复杂，远非一个简单的价值函数能够解决。但这样的方法至少让人看到了深度学习+强化学习结合起来的深度强化学习在智能决策上的巨大潜力，该技术可能是未来作战武器智能决策系统的主要发展方向。

作战数据生成模拟

数据生成模拟指的是人工智能系统（例如深度神经网络）利用历史数据、既定规则生成与真实数据一致的大量模拟数据的技术，这种模拟数据的真实性甚至可以达到令人工智能系统自身都难以分辨的水平。该技术最典型的运用就是模拟语音系统，在收集到某人的语音录音后，系统可以根据该语音特征，模拟出本人说出的任何一句话，这一技术可以使我方电台模拟对方指挥员指挥其部队。除语音外，基于作战数据生成模拟技术的智能系统还可以模拟出敌军的雷达回波、通信联络等各类数据，达到以假乱真的效果。

特别是2014年，出现了一种叫作生成式对抗网络（GAN）的新神经网络结构，该结构具有两个网络，一个造假，一个鉴真，在互相对抗中，可以让造假网络和鉴真网络达到最佳性能，现存的任何数据造假器和数据鉴别器都无法与其相比。

作战数据生成模拟技术在军事上的第一个用处就是欺骗系统，如将GAN运用到制造新的电子干扰机时，该电子干扰机将能够根据对手的雷达信号制造出令其雷达接收机根本无法识别的假信号，达到干扰功率最小、干扰效果最大的目的，到那时，世界各国以雷达为基础的空防系统就变得形同虚设。这种欺骗系统的军事意义之大，不言而喻。

作战数据生成模拟技术在军事上的第二个用处就是制造虚拟态势。该技术可以根据真实数据的分布规律或战场规则，对其稍加修改，不断生成不同的作战态势，直接用于训练指挥员、战斗员的作战技巧和指挥艺术。阿尔法狗的进化版阿尔法零就是在没有输入人类棋谱的情况下，仅依靠棋盘规则自己生成数据，进行左右互搏，在72小时内就超越了阿尔法狗，可见数据生成模拟技术威力之强。未来，很可能在智能决策过程中，为了让系统适应复杂的真实世界，先利用数据生成模拟技术生成数千万模拟数据来考验智能决策系统，再将其投入战场，最大限度减少意外状况的发生。

无人作战平台

无人驾驶指让一个智能体（机器人、汽车、飞行器等）拥有自主决策、自主寻路和自主检测目标的能力，谷歌、百度等公司判断，未来10～15年内，无人驾驶汽车必然取代有人驾驶汽车成为交通主力，而应用到军事领域中，无人作战车辆、无人坦克、无人潜航器、无人机等作战装备也将在战场上扮演愈加重要的角色。无人驾驶技术涉及的主要领域为无人定位、图像识别、自动控制、路径规划等。

以无人作战车辆为例，通过安装在车体上的照相机、GPS、激光雷达和毫米波雷达作为传感器不断对周围进行扫描，建立三维影像，不断对自身实施精确定位、识别周边各类物体，实施作战系统控制，形成一个集检测、定位、作战为一体的闭环系统，实现无人驾驶平台上战场，但这种无人驾駛平台不能处理所有的“意外”问题，因而还不能完全脱离人的操控，“无人+有人”协同作战体系是无人作战平台走向战场的现有作战模式，未来向何种方向发展，仍需拭目以待。

人工智能远未达到理想程度，机器人取代人类作战为时过早

无人作战平台将在战场上扮演愈加童要的角色

结语

总的来说，目前以深度学习为代表的人工智能技术将会让军队对于军事数据的价值挖掘利用能力越来越高，展望未来，效能更好的深度学习结构和并行处理硬件会不断取得突破，这将使现有的武器和军事系统，发现目标速度更快、识别准确率更高、决策速度更快、决策质量更优，攻击精度明显提升，面对没有经过智能化技术改造的军事体系，形成压倒性优势。但同时，我们也要理性地看到，以现有人工智能技术造出通用AI机器人尚待时间，机器人取代人类作战为时过早。

编辑/刘兰芳