战争与认知计算平台：美军加大投入抢占人工智能“制高点”

张策

当今世界正在兴起人工智能、机器学习和自然语言处理等热潮。2017年2月，被认为是世界上最大的认知计算平台——IBM超级计算机系统沃森参加美国智力游戏《危险边缘》，击败了两位最优秀的选手詹宁斯和鲁特夺得冠军，成为各大媒体头条新闻。谷歌公司的AlphaGo在围棋比赛中也击败了柯洁和李世石等围棋界顶尖选手。各大公司都在积极寻求多种解决方案加强人工智能最新技术的应用，并将其融入到产品线：亚马逊使用优化算法为企业提供更好的产品建议； Facebook正在寻求建立让更多的社交媒体用户之间形成联系，并已付诸实施；与此同时，IBM正在将沃森系统作为分析师，为使用它的公司带来显著的生产效率和经济效益。

在军事工业方面，美国国防部也在积极推动利用人工智能技术辅助解决军事问题。计算机视觉系统能够帮助图像分析师更快地识别潜在目标；后勤保障人员可以通过机器学习系统来管理斯特赖克作战车辆的维护需求；情报机构利用深度学习系统建立分析模型，发现敌方威胁活动中隐含的联系。但是美军并不满足于当前这些成果，认为这些努力还没有达到美军提出的“卓越部队任务式指挥中心”建设所构想的人工智能应用目标，美军希望将人工智能技术形成一个综合系统，真正成为作战和指挥人员的左膀右臂，帮助其了解作战环境，在整个作战流程中起到支撑作用。

要实现这一目标，美军认为必须要进一步开拓视野，在通用人工智能系统的旗帜下整合多种不同的应用工具，形成同步运行、统一处理的综合运用效能。

警示故事

几十年来，很多电影都涉及了人工智能问题，提供了若干人工智能应用的典型范例，如1968年拍摄的《2001太空漫游》中的HAL 9000，1983年拍摄的《战争游戏》中的约书亚，以及《终结者》系列中的Skynet。虽然应用题材来自于科幻小说，但这些流行影片中描述的故事都向人们发出了人工智能系统误入歧途的警告，为现实世界中人工智能系统的创作划定了界限。

由美國国防部常务副部长罗伯特·沃克领导完成并发布的第三次“抵消战略”极大地促进了人工智能在军事上的应用，国防部正在进行多项协调工作促进人工智能项目研发。2017年4月，沃克任命了算法作战跨职能小组，旨在加强人工智能及机器学习等技术领域向作战融合，促进人工智能应用系统在军事领域的开发和列装。沃克表示，虽然我们试探性地研究了人工智能、大数据及深度学习的潜力，但我们需要在整个国防部范围内更快、更多地开展工作，以充分利用这些关键领域当前及未来技术进步所带来的优势。当前人工智能应用系统通常仅局限于解决相对较小的问题，并且只针对特定的、狭隘的目标，各系统互不兼容，很容易形成相对独立的“烟囱”。

而美国陆军希望构建的是一个更宏大的人工智能应用体系。按照陆军作战概念对人工智能系统的描述，它将是能够展开部署的具有学习能力的自动化或半自动化系统。机器人与自动化系统战略描述了目标指示和预警、信息对抗和网络防御以及其他方面的应用。对人工智能产生质疑的一个关键假设是，它们都已经受过相关培训，对作战环境非常了解，可以防护网络或提出建议。然而迄今为止，没有采取任何措施帮助新生的人工智能系统了解作战人员做了什么，尤其重要的是他们怎么做的。

为了使人工智能变得有用和有效，它必须能够区别各种情况下某些信息的含义。例如，如果你要求寻找“ISIS”，它不知道是寻找恐怖组织“伊斯兰国”，还是美国伊西斯制药公司或是古埃及女神伊西斯。然而，如果在世界历史课上有人问这个问题，最有可能的答案是古埃及女神伊西斯。世界历史课增加了查询信息必要的上下文关系，以便人工智能提供最佳、最可能的答案。这种做法与亚马逊如何推荐不同作者的书籍相似，必须在特定主题或类型下查询。他们采用的算法结合了用户的查询历史，从而将搜索结果与类似的用户或相关产品相匹配。人工智能系统通过掌握用户过去查询的信息从而判断出当前你所需要查询的信息，因此军事人员对“ISIS”的搜索便必然指向恐怖组织。创建和管理这些人与产品关系的算法是需要特别保护的商业秘密。

实现途径

通过技术研究，团队合作和实验检测，任务式指挥作战实验室正在帮助陆军积累基础数据，从而可以创建支持决策所需的算法和数据结构。如果陆军要实现学习型机器的愿望，针对未来未知作战环境提供采取行动的信息或建议，则以下两方面的工作都必须完成。

首先是对特定人工智能项目展开训练，使其掌握作战单位在执行任务中如何通过各层级部队展开相应范围的军事行动。例如，军事决策过程就是一个很好的初级训练，因为决策过程中有明确的输入和产出。进一步的训练，可以让人工智能系统学习通过运用计算机视觉从任意一个车辆传递图像报告，用于帮助作战部门制定计划，确定目标，指挥作战行动，或用于帮助情报部门人员进行态势感知和判断情况。军事人员如何管理信息和分发作业产品的逻辑方法，对于确定算法至关重要。这就像人工智能在商业上运用一样，允许计算机为用户提供有效的建议，如“寻找车辆X的人也搜索……”

构建未来通用人工智能系统的基础包括4个基本项目：历史、作战条令、军事理论和经验教训。虽然这一切可能听起来很普通，但却是其他所有形式军用人工智能应用的基础。

在构建军事知识基础之后，各类人工智能系统的学科方向领域专家就能够为算法添加上下文联系和相关知识。就像军队必须训练作战人员理解军事术语一样，也必须训练机器了解每个语境中词汇的相应含义。通过这方面的训练使各种类型的人工智能系统不断提升应用能力，从而开发出功能更强大的通用人工智能系统。这样就给了众包算法更多扩张发展的机会。所谓“众包”是指一个公司或机构把过去由员工执行的工作任务，以自由自愿的形式外包给非特定的，通常是大型的大众网络的做法。众包算法可以为用户贡献最佳实践应用或特定位置应用的相应数据。但是要真正实现对整个军队的应用价值，则需要进行全面性开发，让人工智能系统在多个层级和跨战斗职能下进行训练。endprint