智能装备试验与测试的挑战与对策思考

韦正现

(中国船舶工业系统工程研究院，北京 100094)

当前人工智能正在加速向军事领域转移，这必将对战争形态产生冲击甚至颠覆性的影响，人工智能的快速发展使得新的战争形态——“智能化战争”指日可待。人工智能是当前发展最为迅猛的技术，世界先进国家都纷纷将人工智能技术上升为国家战略。2017年7月国务院印发《新一代人工智能发展规划》，人工智能正式上升为国家战略，这是中国首个面向2030年的人工智能发展规划。人工智能加速应用于武器装备，催生了新的武器装备类型的诞生，并且其武器装备的概念内涵、本质特征、内在规律和作战使用等也出现了全新特征。

试验与测试处于装备研制的后期阶段，因此智能装备相应试验与测试技术发展相对滞后。为了避免试验与测试成为智能装备发展和实战化应用的瓶颈问题，笔者首先分析不同智能装备类型及其全新特点；其次，针对智能装备的内涵本质、外在表现和应用模式等，提出了智能装备试验与测试存在两大方面的挑战，一方面是硬件实体及其控制系统存在“可用、好用”的试验与测试挑战，另一方面是智能装备实际应用的智能算法存在“敢用、实用”的试验与测试挑战；然后，给出了应对智能装备试验与测试挑战的建议，提出要超前布局，谋划长远，注重智能装备试验与测试新特性研究，探索适应智能装备试验与测试的新技术，针对不同领域智能装备特点建立健全测评数据集和试验标准规范，构建能够对智能装备进行高效、可信测评的新试验环境与测试平台，从而为智能装备试验与测试技术的发展提供一定的借鉴作用。

1 人工智能与智能装备

1.1 人工智能

人工智能较早的定义是由当时麻省理工学院的约翰·麦卡锡在1956年的达特茅斯会议上提出的：人工智能就是要让机器的行为看起来就像是人所表现出的智能行为一样。另一个定义指出人工智能是人造机器所表现出来的智能。目前人工智能的定义大多可以划分为四类，即机器“像人一样思考”、“像人一样行动”、“理性地思考”和“理性地行动”。这里“行动”应广义地理解为采取行动，或制定行动的决策，而不是肢体动作。从广义上说，按照智能程度，人工智能可以分为以下三类。

① 弱人工智能(Weak AI)，也称为狭隘人工智能(Narrow AI)或应用人工智能(Applied AI)，是指只能完成某一项特定任务或解决某一特定问题的人工智能。苹果公司的Siri就是一个典型的弱人工智能，它只能执行有限的预设功能，不具备智力或自我意识，它只是一个相对复杂的弱人工智能体。

② 强人工智能(Strong AI)，属于人类级别的人工智能，又称为通用人工智能(Artificial General Intelligence)或全人工智能(Full AI)，是指可以像人一样胜任任何智力性任务的智能机器，在各个方面都能比肩人类。强人工智能观点认为有可能制造出真正能推理和解决问题的智能机器，并且，这样的机器能将被认为是有知觉的、有自我意识的。强人工智能可以有两种：类人的人工智能，即机器的思考和推理就像人的思维一样；非类人的人工智能，即机器产生了和人完全不一样的知觉和意识，使用和人完全不一样的推理方式。

③ 超人工智能(Artificial Super Intelligence,ASI)，由牛津哲学家、知名人工智能思想家Nick Bostrom提出，并定义为“在几乎所有领域都比最聪明的人类大脑聪明得多，包括科学创新、通识和社交技能”。超人工智能计算和思维能力已经远远超过人脑。此时人工智能已经不是人类可以理解和想象。人工智能将打破人脑受到的维度限制，其所观察和思考的内容，人脑已经无法理解，人工智能将形成一个新的社会。

从人工智能的定义以及未来在装备领域的应用趋势上看，大多数智能装备处在弱人工智能水平，极小部分会达到强人工智能水平。

1.2 智能装备

从目前人工智能技术发展状态上看，在今后一段时间内智能化装备及其作战使用主要有两个方面，分别为无人智能装备和智能增强装备。

1.2.1 无人智能装备

无人智能装备包括单个无人智能装备和无人集群装备两个方面。单个无人智能装备如察打一体的无人机，它可以进行大范围的侦察、搜索和打击，实现无人伤亡，美国利用无人机在打击恐怖分子方面上取得了很大的战果。在无人集群装备层面上，主要有无人机组成的“蜂群”、无人潜器组成的“鱼群”、无人战车或坦克组成的“狼群”等。它们共同的特点是模拟生物群体的行为特征，将生物群体原理应用于机器人，称为无人集群机器人(简称为无人智能集群)，即为成千上万的小型机器人的群体行动建立模型和算法，使它们能够一起执行任务，每个机器人只具有相当简单的功能，但组成集群之后成为一个具有生物集群的、能够完成复杂任务的超级有机体。

生物集群行为(Swarm Behavior)或者群行(Swarming)是一种生物的集体行为，最典型的例子是一群实体聚集在一起兜圈或朝特定方向行动。生物界中的昆虫、鸟类、鱼类、水生动物、人与细菌都会出现集群行为。群体行为是大量自驱动粒子系统的集体运动[1-2]。从数学模型的角度来看，它是一种突现(Emergence)行为，即个体遵循简单的运动和逻辑规则，不需要任何有中心的中央协调，且又能自然而然地呈现群体特征。生物集群具有4个明显特点：① 控制是分布式的，不存在中心控制，因而它具有较强的鲁棒性，即不会由于某一个或几个个体出现问题而影响群体对整个问题的求解；② 群体中的每个个体都能够改变环境(共识主动性,Stigmergy)，这是个体之间间接通信的一种方式，集群智能通过非直接通信进行合作，因而随着个体数目的变化，通信开销的增幅较小，使集群具有较好的可扩充性；③ 群体中每个个体的功能较单一或遵循的行为规则非常简单，因而集群智能的实现比较方便；④ 群体表现出来的复杂行为是通过简单个体的交互突现出来的智能(Emergent Intelligence)，因此，群体具有自组织性。

美军认为无人集群作战将改变未来的作战模式，并将无人集群作为一种“Game-Changing”的颠覆性技术。有模拟试验表明，在同等条件下，装有传感器和武器的100架无人机集群摧毁了63个目标并探测到91%的敌军部队，而现有的可部署火力单位只消灭了11个目标，探测到33%的敌军部队。2016年4月，美军发布了《小型无人机系统路线图(2016—2036)》，该路线图凸显了小型无人蜂群系统的重要意义。美国国防部高级研究计划局(DARPA)、战略能力办公室(SCO)，以及空军、陆军和海军等都已经开展了大量的研究和论证工作，启动了多个项目，其中最具影响力的项目包括：DARPA主导自治编队混合主动控制项目(MICA)、拒止环境下协同作战计划(CODE)、“小精灵”项目、进攻性蜂群使能战术项目(OFFSET)，美国海军研究局(ONR)负责的低成本无人机蜂群技术(LO-CIST)，以及战略能力办公室支持的“灰山鹑”微型无人机项目等。另外由1024个机器人组成的Kilobot、奥地利CoCoRo自主水下航行器集群等也是很具有代表性的项目。

1.2.2 智能增强装备

无人智能装备是具备在无人或极少有人干预(如决策是否攻击可能需要人的干预)的情况下，具有全自主或绝大多数情况下自主作战行为。智能增强装备主要是无人与有人装备协同一体，以及基于人机智能共生的装备构成的有机整体，实现人机功能优势互补，从而增强作战能力。无人与有人作战装备协同一体主要用于情报侦察探测与协同攻防，例如有人机与无人机协同、有人舰艇与无人舰艇协同等。2016年10月，美国海军3架超级大黄蜂战斗机总共投放 103 架灰山鹑小型无人机，进行组网通信和智能协同，以及自行完成编队集结、搜索定位和攻击任务等演示验证。人机智能共生的武器装备是将人的智慧和机器智能相结合，主要通过机器超强的计算推理能力来增强人对战争的应对能力，重点应用在战场认知与辅助决策上。在战场认知上，主要通过人工智能对海量数据自动分析与辨识的强大计算能力[3]，极大提升信息处理速度和质量，最大程度地拨开了“战争迷雾”，极大增强作为主导战争的人对战场的认知能力。在辅助决策上，主要通过机器的快速推理能力和对战效果的高效评估反馈能力，形成高质量的辅助决策信息，加上人的“指挥艺术”的创造性和独特性，增强复杂战场环境下的决策指挥能力。

2 智能装备试验与测试存在的主要挑战

从智能装备的组成方面来看，它主要由两个部分组成，一部分是智能装备的硬件实体及其控制系统，可以理解为通常所说的智能机器人的“躯体”；另一部分是智能装备实际应用的智能算法，可以理解为通常所说的智能机器人的“大脑”。

(1) 智能装备硬件实体及其控制系统。

对于不同的智能装备，由于其承担的任务、所处的环境和所应用的领域均不同，故其硬件实体和组成机构差异性很大。例如无人机、无人坦克、无人舰艇等的硬件实体、组成机构、结构形状完全不同。智能装备硬件实体的控制系统集中体现其智能度，主要是通过人工智能技术的赋能，面向特定任务，在自身模型、外部干扰和非致命故障等各种不确定和扰动情况下，使装备具有在复杂作业环境下执行多变任务的自主控制能力，并可通过主动学习、不断进化，使装备性能持续提升。目前知识推理、粒子群算法、蚁群算法、RBF/BP神经网络、深度学习和强化学习等方法都纷纷应用到智能装备硬件实体和组成机构的制导和控制中[4-9]，以便实现智能装备在复杂作业环境下的自适应控制。

(2) 智能装备实际应用的智能算法。

智能算法和软件是智能装备的核心[10]。智能算法和软件以试验、仿真数据和工程数据为基础，以智能计算体系架构和芯片实现算力为依托，通过智能软件框架、智能操作系统和智能算法，实现装备在复杂环境下的智能化应用。其内涵主要包括智能计算算力、操作系统、软件框架、大数据、智能算法与系统平台。智能装备实际应用主要包括三个大方向，分别是智能感知、智能识别和智能决策。可以预见未来一段时间内，智能感知、智能识别应用最为广泛的是深度学习算法[11]，其他的算法还包括神经网络、SVM、模糊K均值算法等。在智能决策方面，未来多倾向于强化学习算法[10,12-14]，其他方法还有基于知识图谱、专家系统的方法，以及博弈算法、决策树模型、贝叶斯网络模型等。

智能装备主要包括硬件实体及其控制系统、实际应用的智能算法两大部分。由此可见，智能装备的核心是智能算法。目前能够支持智能装备及其应用的算法很多，归结起来可以分为三方面[15]：① 支持智能集群形成整体编队或队形的控制算法，以及应对复杂场景的优化算法[2，9]；② 复杂战场环境下实时作战自主决策或辅助决策的智能决策算法[16-18]；③ 支持目标智能检测与识别的智能算法[11，19-20]。主要的智能算法类型如图1所示。这些算法与硬件相结合形成可实战化应用的智能装备。

图1 主要的智能算法类型

(1) 硬件实体及其控制系统存在“可用、好用”的试验与测试挑战。

智能装备的试验与测试[21-22]是确保智能装备可靠、可信和可用的重要基础，是检验智能装备能否在实际环境中应用的基本前提，也是加快智能装备研制进度的重要保障。目前智能装备试验与测试存在两大方面的挑战，分别是硬件实体及其控制系统的“可用、好用”和实际应用智能算法的“敢用、实用”。

为了适应复杂战场环境，世界各国部队不仅装备了无人机、无人坦克战车、无人舰艇等，而且不断推出直立机器战士、机器鱼、机器狗，以及软体机器墨鱼等各式各样的智能装备。首先，需要为这些智能装备设计出能够适合复杂作业环境的各种智能硬件机构，并形成可以根据内部条件或外部条件进行改变的组合结构和运动模态等。其次，硬件实体通过人工智能赋能其控制系统，在自身硬件、外部干扰和非致命故障等各种不确定和扰动情况下，使智能装备具有在未知复杂作业环境下自主执行多变任务的能力，这就要求智能装备的硬件实体及其控制系统能够进行自监控、自诊断、自治愈的智能健康管理，同时要具有智能自主制导、控制与优化等方面的自适应性。

智能装备硬件实体的试验与测试方面存在“可用”的挑战。智能机构小型化、精细化、精准度以及组合结构和运动模态多样化、柔性化等必然导致智能装备硬件功能复杂性、性能的不稳定性都大大提高，同时智能装备的可靠性会受到很大影响。智能装备整体的功能满足度、性能稳定性和可靠度必须达到一定的要求是装备可以实际应用的前提。很显然，采用传统方法无法对智能装备硬件实体的功能满足度、性能稳定性和系统可靠性等进行快速高效的试验与测试，如何针对智能装备的硬件机构、组合结构和运动模态等在各种极端环境下进行试验与测试，使智能装备硬件实体在实际环境中实现“可用”，这是必须面临的挑战。

智能装备控制系统的试验与测试方面存在“好用”的挑战。智能装备“好用”主要体现在两个方面：一方面是智能装备控制系统需要全面监控了解装备自身状态，并且在非致命故障发生时，能够进行自行诊断修复、自行测试和自行再投入使用等，即自治愈能力，这对于无人智能装备来说尤为重要。另一方面，对于智能装备的控制系统来说，为了实现自主制导、未知复杂应用环境下的自适应控制与优化，多种智能算法组合(如遗传算法、粒子群算法、蚁群算法、RBF/BP神经网络、深度学习算法等的组合[2，9，23])被用来实现智能装备姿态调整、行为动作的连续规划与协同控制。因此，如何通过测试与试验，确保智能装备在多大故障程度实现自治愈，如何在典型应用环境下对多种智能算法组合的智能装备控制系统进行高效可靠的试验与测试，并且在将来未知复杂应用环境下确保智能装备能够主动学习、不断进化以实现不降低功能、性能地“好用”，这是必须面临的另一个挑战。

(2) 智能装备实际应用智能算法存在“敢用、实用”的试验与测试挑战。

智能装备最终需要在复杂战场环境下实现作战应用，要求有直接面向作战应用的智能算法支持，发挥出智能装备“大脑”的作用。智能装备“大脑”主要作用为：① 对战场态势的智能感知理解；② 智能决策指挥。这两点对于智能装备的应用智能算法来说，都是以输出决策判断为目标。不论是智能感知理解还是智能决策指挥，都存在可解释性的问题。智能装备的“大脑”应该是“可信赖”的，这就要求智能装备做出的决策是可解释的。可解释性是指人类能够理解决策原因的程度。智能决策模型的可解释性越高，人们就越容易理解为什么做出某些决定或预测。智能决策模型的可解释性包括对模型内部机制的理解和对模型结果的理解。然而，目前运用于以输出决策判断为目标的智能算法，包括深度学习和强化学习等，不论从模型内部机制和模型结果上，都是不可解释的。

就目前智能技术而言，如果在战场上满足确定性信息、完全信息、相对静态的、单任务和有限领域这5个条件，那么人工智能能够做出比人更优的决策策略，这已经从“深蓝”战胜国际象棋大师、“AlphaGo”战胜世界围棋冠军中得到证明。如果上述5个条件中有1个以上不能满足，智能装备做出的决策策略的可信性就无法保证。然而，从古至今，没有任何一条必胜的作战规则，可以说“战争唯一的规则就是没有规则”。因此，如何在智能决策模型内部机制和决策结果都不可解释的情况下，对智能装备的决策模型进行测试，确保在不确定不完全信息、跨领域多任务和没有确定作战规则的复杂战场情况下也能够做出可信赖的决策策略，实现智能装备在实际战场上的“敢用”，是当前智能装备面临的重大挑战。

目前对于战场态势智能感知与识别是智能装备实现应用的基础。当前由于深度学习在图像、语音识别方面已在FPGA[24]等硬件支持下取得巨大成就，因此被引入到战场态势感知和目标识别中，同时也显示出了很好的效果[25-30]。但是神经网络和深度学习一样，在原理上不仅存在不可解释的问题，而且还存在模型过拟合和模型迁移的问题。同时，神经网络和深度学习需要大量的数据进行训练，而实际上，很难获得大量的真实目标和战场数据来训练模型。就算有足够的数据进行模型训练，通常模型也会获得训练数据在特定环境下的“偏见”。而将智能感知与识别模型应用于实际战场环境中时，感知与识别的准确性就可能受到很大影响。因此，如何对智能装备的智能感知与识别模型进行有效测试，使智能感知与识别模型有效避免过拟合，并且能够针对不同战场环境和作战对象实现快速迁移，确保智能装备在战场上“实用”，这是面临的另一个重大挑战。

3 应对智能装备试验与测试挑战的对策思考

智能装备试验与测试存在的主要挑战分别是硬件实体及其控制系统的“可用、好用”和实际应用智能算法的“敢用、实用”。目前随着人工智能、大数据和高性能计算技术的高速发展并向军事领域快速转移，智能装备取得突飞猛进的发展，由于试验与测试处于装备研制的后期阶段，因此，从目前来看智能装备相应的试验与测试技术发展相对滞后，为了避免试验与测试成为智能装备发展和实战化应用的瓶颈问题，需要超前布局，谋划长远，注重智能装备试验与测试新特性、新要求研究，探索适应智能装备试验与测试新技术，构建能够对智能装备进行高效、可信测评的新试验环境与测试平台[21，31]。为此需要开展以下工作。

① 并行推进前沿创新与基础研究课题。相对于传统装备试验与测试技术，智能装备的试验和测试技术出现了许多新要求、新特性，需要全新试验与测试技术的支持。同时试验与测试技术本身属于基础研究范畴。因此，为了加快推进智能装备试验与测试技术的创新性和灵活性，快速捕捉智能装备相关动态并推动相应试验与测试技术发展，以基金类项目的形式快速支持基础前沿、原始创新的项目。同时重点在智能装备试验与测试基础技术研究上发力，以便能够快速跟上智能装备的发展步伐。

② 智能装备试验与测试大数据积累。从目前的智能装备的技术内涵来说，大部分智能装备的功能和性能是在大量数据支持情况下获得的，以神经网络、深度学习和强化学习等为核心技术的智能装备更是如此。因此要对智能装备进行高效、可信测评，需要积累各种复杂环境下贴合实战的各类大体量数据，并面向陆、海、空、天、潜、电、网等领域智能装备特征，构建成长式测评数据集和试验标准规范。

③ 智能装备试验环境与测试平台建设。智能装备与传统装备在试验与测试方法、测试规程、数据分析处理和通过准则等方面有很大的差距，尤其在无人智能装备方面表现得更为突出。目前试验环境和试验平台对于智能装备的高效、可信测评支撑能力不足已经开始显现。因此，需要针对空天、陆上、水面和水下不同领域智能装备形态和应用模式，加强智能装备试验环境与测试平台建设，以匹配智能装备的快速发展以及实战化的急需。

4 结束语

目前随着人工智能、大数据和高性能计算技术的高速发展并向军事领域快速转移，智能装备取得突飞猛进的发展，由于试验与测试处于装备研制的后期阶段，因此，从目前来看智能装备相应的试验与测试技术发展相对滞后。人工智能加速应用于武器装备，催生了新的武器装备类型的诞生，并且武器装备的概念内涵、本质特征、内在规律和作战使用等也出现了全新特征。笔者介绍了人工智能的3种类型，分别是弱人工智能、强人工智能和超人工智能，指出目前智能装备绝大多数处于弱人工智能，并将智能装备分为两大类，即无人智能装备及其智能化作战和智能增强装备及其智能化作战，通过分析智能装备的新特点，提出了智能装备试验与测试存在两大方面的挑战，并给出了应对智能装备试验与测试挑战的建议，希望能够为智能装备试验与测试技术的发展起到一定的借鉴作用。