专门先容轻武器的威信军事刊物！

阿尔法狗（AlphaGo）让很多人惊呼“留给人类的韶光不多了”

自2016年谷歌推出阿尔法狗横扫天下棋坛，人工智能逐渐成为时下最热门最前沿的技能代名词。
不少人惊呼“留给人类的韶光不多了”、“机器人会统治人类”，热潮之下，军事不雅观察者也纷纭发挥想像力，开始谋划开拓作战机器人或指挥掌握系统，取代人类进入沙场，一韶光，仿佛智能战役真有呼之欲出之势。

生手看热闹，行家看门道。
这波人工智能浪潮到底会给天下军事发展带来什么样的影响，还需理性剖析——

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，仿佛深度学习便是人工智能，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利用到军事活动的各个领域，并不属于新生事物，因而本文所谈论的人工智能在军事上的运用只限于深度学习，不谈论传统的人工智能方法。

人工智能起源于1950年代，一开始就朝着利用打算机仿照人脑的方向发展，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由三次高潮，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凑集体，因而将紧张研究精力放在启示式搜索和逻辑推理方面，进而引发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，美国国防部国防高等研究操持局（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1 279kg，有32个大脑，也即微处理器，每秒可以打算2亿次——编者注）降服卡斯帕罗夫事宜刺激，试图搞出所谓的战役全能赞助决策系统“深绿”，作为部队战力“倍增器”。
但现实天下存在不愿定性，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落败了，美日等国也承受了探索丢失，但也留下启示式搜索和逻辑推理的成果，迄今为止，其仍旧作为各种武器装备和军事系统的核心算法。

“深蓝”击败卡斯帕罗夫事宜让DARPA（美国国防部国防高等研究操持局）深受刺激，试图搞出所谓的战役全能赞助决策系统“深绿”。
虽然终极未成功，但也留下了宝贵的成果

从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，并逐渐创造，统计和概率数学方法是处理不愿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紧张手段的人工智能新技能，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（如EM聚类、支持向量机等）、半监督学习方法（如强化学习、增强学习等）等统计学习方法理论，进而出身了人工智能的第二次热潮。
时至今日，这些方法仍旧是深度学习的理论根本，但第二次人工智能热潮仍旧跌入低谷，缘故原由在于当数据量极为弘大时，打算机硬件难以支撑其弘大的打算量，极易产生所谓的“维度灾害”，直到GPU和云打算技能发展起来，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，进而引发以深度学习技能为代表的第三次，也便是本次人工智能高潮的再次爆发。

深度学习算法的发明韶光是2006年，提出者是加拿大教授杰弗里·辛顿（Geoffrey Hinton）。
在2010年代，GPU和云打算技能取得突飞年夜进的进步，这种算法在工程上才得到广泛利用。
深度学习的基本框架是一种被称为“感知器的统计学习方法构造”，通过大量感知器组网连接，形成一个可以利用大略函数仿照任何繁芜函数的网络，每一个感知器被称为神经元，多少感知器组成一个神经元层，多少神经元层组成一个神经网络。
之以是如此称呼，是由于这种构造与人类的大脑神经元类似，感知器的事情事理和神经冲动通报过程也同等。
当层数较多时就被称为深度神经网络，而演习和利用深度神经网络的过程被称为“深度学习”。

人工智能的军事运用潜力

由于深度学习都基于统计学习方法，因而其内在事理和贝叶斯推断理论是同等的。
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***在100次射击时每次射击前的状态数据和射击环数，让系统学到其联合分布规律，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。
如果系统提醒射手纠正射击前的状态，就能达到最佳射击效果，提高射击准确率。

必须把稳的是，在这个过程中，由于机器是自动学习数据的联合分布规律，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”，即人类无法阐明系统是如何做到的，但系统便是能做到，人类可以理解为，这个别系有了“履历”，但这种“履历”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运用代价——作战数据分类与预测。

作战数据分类与预测

从上文例举的***射击过程可以看出，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，这种依赖带标签的历史数据得到的结果每每比解析法得到的打算结果精确得多。
由于利用解析法打算时每每难以将所有不愿定性成分穷尽，而统计学习方法则可以将所有不愿定成分（如导弹翱翔过程中的扰动）直接归类到某种分布律，进而得到更精确的结果。
作战活动中每每会产生大量数据，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，这些数据和理论打算数据差距每每较大，此时利用解析法打算出来的理论值就比较粗糙，对辅导作战每每不利，但利用人工智能系统的数据分类和预测功能，则可以非常靠近真实值，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，可以最大限度地从演习、练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前辈弹道导弹水平。
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色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。

虽然险些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，深度学习方法可以达到95%以上的准确率，这一水平比传统算法的75%旁边的准确率提高了不少。
但当数据量较小时，深度学习方法的事情效率反而比不上传统模型。

敌我目标识别

信息化技能让作战活动的OODA（不雅观察—判断—决策—攻击）速率不断增加，但由于信息系统本身不具备智能，因而在目标识别上一贯效率不高。
海湾战役期间，美军误伤造成的地面部队丢失巨大，时至今日，这一问题仍旧无法得到有效办理。
而以图像识别为代表的敌我目标识别技能能为这一问题供应办理方案。

基于深度学习的图像识别技能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，以捕捉图像特色。
在世界各种图片分类大赛中，经由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。

该技能在军事上的用场十分广泛。
例如在反恐行动中，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色、体态特色识别想要抓捕的胆怯分子。
而在地面和空中武器平台上，一旦雷达、摄像头等传感器利用该算法，即可快速识别仇敌的飞机、舰船、坦克等作战单元类型，特殊是对付具有一定伪装能力的敌作战单元，可以一举办理敌我识别难题。
据美国媒体宣布，美军利用该技能判读卫星图像，几十分钟就探求到多处隐蔽的地空导弹阵地，而这项事情如果由图像判读员来完成，耗费的韶光以及准确率根本无法与之比较。

图像识别可以大大提高敌我识别概率

在军事装备制造维修方面，目标识别技能也有很大的用途，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日宣乐成立新公司Landing.ai，并与富士康公司互助，利用图像识别算法做电路板的合格率检测，效率和速率远远超过人工，该技能当然也可以用于军事装备，如军事装备战后的快速定损等。

著名人工智能学者、前百度首席科学家吴恩达正在演讲

智能作战决策

智能作战决策是最令民气动的人工智能运用领域，许多人都曾设想制造出如阿尔法狗一样平常强大的无人坦克、无人机横行沙场。
但这种想法在最近10年内实现的可能性并不大。
阿尔法狗之以是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，而真实天下的繁芜性远超围棋，纯挚利用图像识别技能识别出沙场中敌军翱翔员的身份和动作意图须要的打算量都绝对超过阿尔法狗的打算能力，更不要说还有繁芜自然沙场环境和战术背景了。

特殊是机器人本身没有“知识”，每每会碰着难以预见的“意外”。
在制造智能机器人方面，日本走在世界前列，但在福岛核泄露时，日本机器人前往熏染区处理时效果并不好，缘故原由便是涌现“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见到，机器人也无法处理。
深度学习技能设计者们也多次强调，该技能只能处理特界说务，并非是空想中的通用AI。

在制造智能机器人方面，日本走在世界前列，但在福岛核泄露时，日本机器人前往熏染区处理时效果并不好，缘故原由便是涌现“机器人电线被缠住了”之类的问题

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年揭橥过一篇论文，个中提到阿里巴巴AI试验室利用双向循环神经网络让游戏《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，其内在算法便是将深度学习和强化学习结合起来，设计出一个奥妙的代价函数，通过和人类选手的反复搏杀，让AI始终求取代价函数最大值，实现学习战术的目的。
但游戏和真实天下的差异在于，游戏作战单元都有“血条”这种大略的收益、战损衡量方法，而真实征战天下中的战术效能、毁伤效果评估十分繁芜，远非一个大略的代价函数能够办理。
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，该技能可能是未来作战武器智能决策系统的紧张发展方向。

作战数据天生仿照

数据天生仿照指的是人工智能系统（例如深度神经网络）利用历史数据、既定规则天生与真实数据同等的大量仿照数据技能，这种仿照数据的真实性乃至可以达到令人工智能系统自身都难以分辨的水平。
该技能最范例的利用便是仿照语音系统，在网络到某人的语音录音后，系统可以根据该语音特色，仿照出本人说出的任何一句话，这一技能可以使我方电台仿照对方指挥员指挥其部队。
除语音外，基于作战数据天生仿照技能的智能系统还可以仿照出敌军的雷达回波、通信联结等各种数据，达到以假乱真的效果。

特殊是2014年，涌现了一种称为“天生式对抗网络”（GAN）的新神经网络构造，该构造具有两个网络，一个造假，一个鉴真，在相互对抗中，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比较。

作战数据天生仿照技能在军事上的第一个用途便是欺骗系统，如将GAN利用到制造新的电子滋扰机，该电子滋扰机能够根据对手的雷达旗子暗记制造出令其雷达吸收机根本无法识别的假旗子暗记，达到滋扰功率最小、滋扰效果最大的目的。
到了该电子滋扰机遍及之时，天下各国以雷达为根本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。

作战数据天生仿照技能在军事上的第二个用途便是制造虚拟态势。
该技能可以根据真实数据的分布规律或沙场规则，对其稍加修正，不断天生不同的作战态势，直接用于演习指挥员、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便是在没有输入人类棋谱的情形下，仅依赖棋盘规则自己天生数据，进行旁边互搏，在72小时内就超越了阿尔法狗，可见数据天生仿照技能威力之强。
未来，很可能在智能决策过程中，为了让系统适应繁芜的真实天下，先利用数据天生仿照技能天生数千万仿照数据来磨练智能决策系统，再将其投入沙场，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、翱翔器等）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，无人驾驶汽车一定取代有人驾驶汽车成为交通主力，而运用到军事领域中，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沙场上扮演愈加主要的角色。
无人驾驶技能涉及的紧张领域为无人定位、图像识别、自动掌握、路径方案等。

以无人作战车辆为例，通过安装在车体上的摄影机、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，不断对自身履行精确定位、识别周边各种物体，履行作战系统掌握，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沙场。
但这种无人驾驶平台不能处理所有的“意外”问题，因而还不能完备分开人的操控，“无人+有人”协同作战体系是无人作战平台走向沙场的现有作战模式，未来向何种方向发展，仍需拭目以待。

结语

总的来说，目前以深度学习为代表的人工智能技能将会让军队对付军事数据的代价挖掘、利用能力越来越高。
展望未来，效能更好的深度学习构造和并行处理硬件会不断取得打破，这将使现有的武器和军事系统，创造目标速率更快、识别准确率更高、决策速率更快、决策质量更优、攻击精度明显提升，面对没有经由智能化技能改造的军事体系，形成压倒性上风。
但同时，我们也要理性地看到，以现有人工智能技能造出通用AI机器人尚待韶光，机器人取代人类作战为时过早。

（本文揭橥于《轻兵器》2018年第3期，"大众年夜众号文章有删减）

《轻兵器》杂志2019年第11期已火热上市，敬请扫描文末某宝店铺二维码进行购买！

2020年《轻兵器》杂志已开始征订，欢迎广大军迷订阅！

编辑：高燕燕 李昊

校正：曾振宇 魏开功

轻兵器官方微博：@轻兵器

轻兵器号：轻兵器

轻兵器抖音号：qingbingqi

《轻兵器》新开官方店铺，主营《轻兵器》杂志、《轻兵器》合订本及各种军事图书，另有孤本书、绝版书、战术灯、望远镜、战术靴、战术腰带等陆续上架中，敬请关注