机遇与挑战：人工智能军事应用的未来

今天的人工智能（AI）是商业和工业中最热门的流行语之一，它也有军事应用。事实上，在过去的60年里，工业界已将人工智能作为一种技术发展起来，并定期成为主流新闻。人工智能的进展并非一帆风顺，特别是在20 世纪时，人工智能研究经费是主要的公共部门，主要是为了学术研究和军队。由于人工智能不能始终如一地提供所需的能力水平，因此热情高涨。

随着时间的推移AI的概念定义而发生了变化。从本质上讲，人们一直认为人工智能是机器所展示的智能，与人类和其他动物展示的自然智能相反。在通用语言中，当机器模仿归因于人类思维的认知功能（例如学习和解决问题）时应用AI这一术语。研究人员，公司和政府使用了许多不同的AI方法，机器学习和神经网络目前处于最前沿。

虽然这种已知的和“应用AI”系统通常非常强大，但应该注意它们通常是高度专业化和严格的。他们使用的软件工具仅限于在特定环境中学习，推理和解决问题，并且无法动态适应新情况。这导致术语“弱AI”或“窄AI”。与“强AI”相比，弱AI不会尝试执行全方位的人类认知能力。相比之下，强大的人工智能或“通用人工智能”是机器的智能，可以成功执行人类可以执行的任何智力任务。在强人工智能的哲学中，软件之间没有本质的区别，即人工智能完全模仿人类大脑的行为，以及人类的行为。但是，在学术圈子里，大多数人认为我们还是几十年以后的成功开发这种“通用AI”的能力。

许多“狭窄的AI”应用程序开始出现在20世纪70年代末/ 80年代，其中一些用于军事模拟系统。例如，美国国防高级研究计划局（DARPA）资助了一个名为模拟器网络（SIMNET）的原型研究计划，以研究为装甲车辆操作员创建一个具有成本效益，实时和分布式战斗模拟器的可行性。到1988年，半自动力量（SAF）或计算机生成力量（CGF）能力可用于支持更复杂和现实的运动场景，模拟侧翼和支持单位可以在很少的人力资源需求下进行管理。

同时，各个国家和公司开发了自己的SAF / CGF或建设性模拟，其中大部分具有广泛的互操作性，可以连接到其他实兵、虚拟和建构（LVC）模拟环境。例如，北约空中力量正在通过分布式仿真（MTDS）的任务培训来利用这些能力，该技术证明了多种类型的机组人员模拟器和培训中心之间的可靠连接和有益的培训机会。此外，自2001年以来，指挥与控制 - 仿真互操作（C2SIM）数据交换标准为现有的指挥与控制、通信、计算机和智能（C4I）系统提供了在与真实单元和系统交互之间切换的潜力，包括机器人和自主系统，模拟力和系统。

近几十年来，无人驾驶车辆研究使得最先进的远程操作在民用和军用应用方面取得了显着进展。然而，人工智能的发展现在提供了前所未有的机会，超越远程控制并建立自动化系统，要求人类操作员直接控制得更少。自动系统开发的示例包括民用交通和运输部门中的自动驾驶汽车，火车和运输系统。

同样，军方正在开发自动进行常规车辆操作的系统。例如，到2014年，美国海军X-47B计划开发了一种无人作战飞行器（UCAV），该飞行器在仅只需人工监督情况下，完成了大量的航空母舰弹射器发射，拦阻索和触地飞行着陆。2015年4月，X-47B成功进行了世界上第一次全自动空中加油。

相反，在空对空战斗领域，关键决策的毫秒长时间框架阻碍了远程UCAV的运行，最近又出现了前景。2016年，由美国空军研究实验室（AFRL）资助的另一种方法导致了“ALPHA”的创建，这是一种基于高性能和高效“遗传模糊树”的AI代理。在飞行模拟器测试期间，它在各种空对空作战情景中不断击败经验丰富的作战飞行员，这是以前AI支持的战斗模拟器从未实现过的。虽然目前是一种模拟工具，但ALPHA的进一步发展旨在提高物理自主能力。例如，这可以允许有人和无人战斗机机身的混合作战小组在高度竞争的环境中作战。

自动物理系统和人员控制车辆的军事行动的变化是有人无人合作（MUM-T）概念，领导者认为这是未来在所有领域的军事行动的关键能力。一些国家目前正在测试和实施各种配置，以改善以下方面：飞行员的安全，态势感知，决策和军事航空的任务有效性。美国陆军已经进行了一段时间的MUM-T - 最着名的是涉及控制无人驾驶的MQ-1C灰鹰的阿帕奇直升机飞行员 - 陆军将在MUM-T的多域战斗概念的进一步发展中指定更广泛的角色。美国AFRL一直致力于“忠诚的僚机”模型，载人指挥飞机与无人飞机配对，作为僚机或侦察机。在2015年的现场演示中，改装的无人驾驶F-16与编队飞行中的载人F-16配对。在2017年的实验中，无人驾驶的F-16，攻击地面上的模拟目标，修改其飞行模式以应对模拟威胁和其他不断变化的环境条件，并与载人飞机重新组建。美国空军的计划预见未来的应用将载人F-35联合攻击战斗机与这样一个无人驾驶僚机配对。

第三个航点“集群”超过了植绒的复杂性，因此操作员无法知道任何离散群元素的位置或个体动作，并且必须在聚合中命令群。反过来，群体元素将完成大部分战斗工作。例如，在2016年10月，美国国防部展示了一群103架“Perdix”自主式微型无人机从战斗机中弹出。该群体成功地展示了集体决策，自适应编队飞行和自我修复能力。虽然不是主要的攻击性工具，但这种无人机群体有多种用途，包括侦察和监视，定位和追捕目标，或进行电子战措施。此外，群体可以充当消耗性诱饵，通过伪装成更大的目标来欺骗敌人的防空系统。

人工智能和自动化在网络系统中的应用是进化和优势的最直接的舞台。网络领域本质上编码的本质，数据量以及连接最强大的硬件和算法的能力以及很少的约束创建了一个人工智能可以快速发展的环境，AI代理可以快速优化其分配的任务。随着机器学习和人工智能的不断增长，“寻找弱点”将自动化，而且至关重要的是，它将比人为控制的防御能够响应更快。

然而，迄今为止，人工智能方法未能在网络安全方面取得重大进展。虽然该行业成功应用深度神经网络和自动异常检测来查找恶意软件或可疑行为，但核心安全操作员工作（如监控、分类、范围和补救）仍然是高度手动的。人类有直觉找到一种新的攻击技术和创造力来调查它，而机器更善于收集和呈现信息。

军事指挥机构基本上已从纸质工作流程转向基于电子工作流程。反过来，这又增加了信息意识，但也增加了工作人员必须管理的数据量。未来的情报、监视、目标获取和侦察系统将产生更大量（近）的实时数据，如果没有自动化支持，几乎不可能处理这些数据。与此同时，将出现越来越先进，网络化，联合和多领域的能力，一个国家或国家联盟将拥有这些工具用于他们自己的业务。对于指挥官有效协调这种环境中的行动，他们需要对可能的行动方案（COA），其影响和后果进行情境理解和决策支持。改进了数据管理和互操作性，数据融合，自动分析支持和可视化技术对于实现可管理的认知负载和增强决策至关重要。这些关键能力不仅适用于指挥官和总部工作人员，也适用于平台操作员，步兵和支援人员。

除了传统的算法，模拟和人工智能被设想为可以增强决策的工具。但是，相关的研究和开发仍处于起步阶段。仅在最近，2017年，北约科学和技术组织将“使用大数据和人工智能工具进行军事决策”作为其主要主题之一。在征集论文后，该组织收集了许多学术和专家意见。为了更好地定义任务，其中一些输入是通过打破John Boyd众所周知的Observe-Orient-Decide-Act（OODA）循环（一种通常包含不同类型的军事决策过程的抽象模型）开始的 - 然后分配未来所需的每个OODA步骤的AI角色和功能。

观察（侦察感知）。收集来自各种传感器的数据，包括社交媒体分析和其他形式的结构化和非结构化数据收集，然后验证数据并将其融合到统一视图中。这需要一个强大的，可互操作的IT基础架构，能够快速处理大量数据和多个安全级别。

感知（态势理解）。应用大数据分析和算法进行数据处理，然后根据人类可消化的浓缩统一视图进行数据呈现，以便及时抽象和推理，但足以提供所需的详细程度。这应该包括情况，资源（时间表，能力，活动的关系和依赖性）和背景（行动点和效果）的图形显示。

决策（计划生成）。提供及时、简洁的情况观，可能的对手COA和推荐的自己的COA，包括对支持决策的潜在后果的建议。为此，必须能够评估和验证AI的可靠性，以确保可预测和可解释的结果，使人们能够正确地信任系统。

行动。随着AI变得越来越先进和/或时间压力增加，人们可能只被要求批准预编程的动作，或者系统将采取完全自主的决定。对此类AI的要求必须严格，不仅因为应该防止不必要的错误决定，还因为人类通常在法律上和道德上对系统采取的行动负责。

新的人工智能技术不仅具有潜在的好处，而且还有必要时需要评估和减轻的缺点和风险。人工智能的本质 - 一种确定最佳行动然后追求它的机器 - 可能使其难以预测其行为。弱AI系统的特定性格特征意味着它们被训练用于特定任务，无论是下棋还是解释图像。然而，在战争中，由于“战争的迷雾和摩擦”，环境迅速变化。人工智能系统必须在高度非结构化和不可预测的环境中工作，并且与反对者故意试图破坏或欺骗它们。如果给定AI系统的应用设置改变，则AI系统可能无法适应，因此增加了不依赖的风险。在上下文中，军队需要在可靠性和信任的基础上运作。因此，如果人类操作员，无论是在静态指挥机构还是野战指挥所，都不知道人工智能在特定情况下会做什么，可能会使规划变得复杂，并使操作更加困难，并且更容易发生事故。

人工智能技术已经成为数字化转型的关键关键，因为组织将自己定位为利用不断增长的数据生成和收集。大数据和人工智能技术目前正在以惊人的速度发展，它对战略，作战和战术军事决策过程具有重大潜在影响。因此，联盟及其对手的运营利益可能是巨大而多样的。然而，尚未预见到AI增强技术的全部潜力，并且需要时间来使能力成熟。