下一个制高点

2018-06-14姚保寅

兵器 2018年7期

提到简称为AI的人工智能，读者们都有所耳闻。但是现实中人工智能将如何应用到武器装備的现代化中，却没有多少人能够说明白。本次专题我们特别邀请了航天12院的姚保寅博士为读者系统性解读这个问题，并向大家介绍一度在军迷间掀起过争论的“赛博格”无人机等相关知识。

关于人工智能

基于人工智能的武器装备可借助人工智能技术从而具备感知、决策和反馈能力——感知自身状态及战场环境变化，实时替人类完成中间过程的分析和决策，最终形成反馈，实施必要机动，完成作战使命。

人工智能技术在武器装备中的应用主要体现在模式识别（智能感知）、专家系统（智能决策）、深度学习（智能决策）和运动控制（智能人32智能技术在武器装备中的应用反馈）等几个方面。

模式识别

模式识别是计算机模拟人类感觉器官，对外界产生各种感知能力的技术途径之一，包括语音识别、图像识别，文字识别等。模式识别技术有助于武器装备获得自动目标识别（ATR）能力。

模式识别中的机器视觉，可通过光学非接触式感应设备，自动接收并解释真实场景的图像以获得系统控制的信息。例如DARPA的“心眼”项目和“图像感知、解析、利用”项目开发的机器视觉系统。该系统具有“动态信息感知能力”，能对动态物体的解构，利用卷积神经网络图像识别技术，将图片中的信息转化成计算机的“知识”。在实际作战中，模式识别系统通过观察目标的视频动态信息，借助神经网络、专门的机器视觉硬件，可在复杂的战场环境下，自动识别出潜在威胁，为目标打击提供参考信息。

以地空导弹阵地为例，它们遵循既定模式，以确保最大的防御覆盖率。阵地布局是星形的，拥有4组或5组导弹发射架，围绕着控制中心呈放射性布置。在中央阵地上，拥有控制方舱、跟踪和制导雷达以及发电机。通常情况下，每个发射阵地都被护堤包围。这给模式识别带来了便利。

据美国《大众机械》网站2017年11月23日报道，美国密苏里大学的团队曾利用人工智能算法，在我国东南部的一块面积约为14.5万平方千米的地区找到90个地空导弹阵地，并且这个过程能够在45分钟内完成。而通常人类判读专家要达到相同的准确度，看完所有的图像大约60个小时。该事件足以引起我们的重视，应注重加强对防御阵地的伪装，提高“反识别”的能力。

专家系统

专家系统ES（Expert System）是一类具有专门知识的计算机智能程序系统。它运用特定领域中专家提供的专门知识和经验，采用人工智能中的推理技术来求解和模拟通常由专家才能解决的各种复杂问题。专家系统是目前人工智能领域最活跃、最有成效的一个分支。它一般由知识库和数据库、推理机制、解释机制、知识获取和用户界面等组成。

专家系统应用于武器装备可使其具备实时战场态势评估的能力。该系统能将已证明的专家关于武器在战时的典型态势和毁伤效果评估的事实和过程，用数学方法加以描述，组成数据库和知识库。作战中武器装备接收的天基、空基、海基或地面控制站的信息，武器自身传感器获得的地理信息和敌方武器发出的声波、无线电波、可见光、红外、激光等信息，与数据库和知识库中信息进行比对，借助人工智能的自动推理技术，经计算机快速处理，确定战场环境中出现的威胁，并与用户界面的专家和指战员进行交互。

专家系统还可与数据存储和通信网络技术相结合，用于各种野战军用系统，例如飞机的机载预警和控制系统、美军“宙斯盾”战舰和侦察卫星，帮助判断敌军的位置和动机。美国海军已利用网络化专家系统为在作战区域内的所有军队提供通用作战图像，从而具备协同作战的能力。这个领域中最有名的案例是美国研制的智能C3I系统，具有“个性”和人的“特征”、“智慧”，熟知指挥官的脾气、思维习惯和其他情感特征，能在几分钟内甚至几秒内帮助指挥官判断战场情况。

DARPA于2007年提出“深绿”系统的概念。该系统可预测战场的瞬息变化，帮助指挥员提前思考，判断是否需要调整计划，并将注意力集中在决策选择而非方案细节制定上。

图为美国密苏里大学的研究中心按照经纬度1度幅度，在我国东南地区的10个片区内利用模式识别技术对卫星照片进行自动识别。最终在45分钟内就找到了90个地空导弹阵地（下）。

整个系统由指挥官助手（人机接口）、闪电战（模拟仿真）、水晶球（系统总控，完成战场态势融合和分析评估）、“深绿”与指挥系统接口四部分组成。

其主要特点有三点：一是基于草图指挥，包含“草图到计划”（STP）、“草图到决策”（STD）两个模块，实现从战场态势感知、作战方案制定到作战行动执行、作战效果评估，全部实现“基于草图进行决策”。二是自动决策优化。决策通过模型求解与态势预测的方式进行优化，系统从自动化接口的“指挥官助手”进去，然后通过“闪电战”这个模块进行快速多维仿真，再通过“水晶球”模块实现对战场态势的实时更新、比较、估计，最后提供给指挥员提供各种决策的选择。三是指挥系统的集成，负责将决策辅助功能集成进一个名为“未来指挥所”的指挥信息系统中。

另一个专家系统的实用案例是在2016年6月，美国辛辛那提大学与空军研究实验室合作开发了一个叫“AlphaAI”的机器飞行员。在模拟对抗演习中，Alpha AI击落了所有其他机器飞行员，并在与美国空军战术专家基纳·李上校的人机空战格斗对抗中大獲全胜，展现出了巨大的优势。

Alpha AI的核心技术是遗传模糊树，它是一种结合了遗传算法和模糊控制的智能控制新技术，在处理大规模复杂的智能系统问题方面具有卓越的性能。Alpha AI在空中格斗中具有更快的基于态势智能感知的战术计划速度，可以比人类飞行员快约250倍。此外，Alpha AI还能够以集群的方式控制大批空军无人机，在格斗中快速收集敌机的信息。

2016年6月，美国辛辛那提大学与空军研究实验室合作开发的“AlDha AI”机器飞行员在模拟对抗演习中，不仅击落了所有机器飞行员，还击落了美国空军战术专家基纳·李上校。

即使在模拟过程中，研究人员故意限制Alpha AI所配置的武器系统能力，使其处于劣势，它仍然能够最终击败人类飞行员。这在战术层面展现了智能态势认知带来了速度上的优势，值得高度关注。Alpha AI的出现意味着人工智能将会很快走入实战领域。

深度学习

深度学习技术基于多层网络的神经网络，能够学习抽象概念，融入自我学习，收敛相对快速。它模仿人脑机制，可以完成高度抽象特征的人工智能任务，如语音识别、图像识别和检索、自然语言理解等，深度学习具有多层的节点和连接，经过这些节点和连接，它在每一个层次会感知到不同的抽象特征，且一层比一层更为高级，这些均通过自我学习来实现。代表项目有DARPA启动的应用于合成孔径雷达“对抗环境下的目标识别与自适应”项目，应用深度学习领域最新研究成果，有望在合成孔径雷达图像中自动定位和识别目标，增强飞行员的态势感知能力。

将深度学习技术应用于武器装备的目标识别和定位，有望实现武器装备的自动目标识别和实时态势感知。它采用了包含多个隐藏层的深层神经网络模型，利用隐藏层，通过目标特征组合的方式，逐层将目标信息的原始输入转化为浅层特征、中层特征、高层特征，直至最终实现对目标的定位和作战态势感知。

运动控制

运动控制技术集人工智能感知、决策和反馈于一体。它包括单体运动控制和群体运动控制，主要应用于机器人和无人系统。单体运动控制以美国的四足“大狗”机器人和双足人形“阿特拉斯”机器人为代表。这类平台自带大量传感器，用于监测身体姿态与加速、关节运动、发动机转速以及内部机械装置的液压等参数。通过先进的学习算法，机器人能够不断累积经验，自主避障，穿越越来越复杂的地形，具备在高危战场环境下的作战能力。

群体运动控制又包含无人系统集群控制及无人和有人系统编组协同技术。无人系统集群控制由无人系统根据任务及外界环境的变化自主形成协同方案，具有分散性和非线性两类，它可使武器作战效能将成倍增加。2014年，美国成功完成了无人艇“蜂群”技术的作战测试。测试中13艘无人艇组成的集群自主发现目标、制定行动计划并成功完成对目标舰船的拦截。导弹无人集群作战是指在导弹上加装战术数据链，使导弹在攻击目标过程能够实现导弹与导弹之间、导弹与发射平台之间的信息实时传输，及时传递探测信息，从而达到提高突防概率，实现“战术隐身”、扩大战果的目的。

运动控制技术的未来发展方向：

（1）蜂群通信网络抗干扰、抗截获、抗欺骗技术。蜂群通信网络在遭受到压制式干扰时将无法实现无人机间的有效通信与协作，也无法向地面指挥站及时反馈任务执行情况和侦察数据，研究如何在遭受电磁干扰时保障通信网络的有效性和可靠性是未来的技术发展方向。

（2）蜂群网络海量侦察数据及时回传。无人机蜂群内的每一架无人机都携带有摄像机等可以感知信息的设备，但是由于通信网络带宽有限，且无人机数量众多，感知到的海量信息无法通过通信网络的下行链路进行及时有效的回传，研究无人机蜂群网络高速数据回传技术是未来的技术发展方向。

随着人工智能技术进步，计算机处理速度的不断提高，新技术、新材料、新工艺等前沿基础技术的发展应用，将推动基于人工智能的武器装备向着更加自主化、小型化的方向发展。纳米电子技术和微（纳）机电技术的进步，推动纳米合成孔径雷达以及智能化微机电导航系统的发展，有望使得武器装备的制导、导航、推进等各方面发生质的变化，推动基于人工智能的武器装备整体更趋小型化。

距离战场不再遥远

人工智能技术作为信息化时代的关键使能技术，影响一个国家的格局甚至国家的国际竞争力。其在武器装备上的应用，将显著提升武器制导精度、命中精度、毁伤能力、反应速度等。国内外都会利用最新的信息技术和人工智能技术，有针对性的开展关键技术研究，逐步把人工智能的理论和技术引进到未来武器系统的研制中去。建议重点关注人工智能在作战指挥和集群作战中应用，警惕国外在该领域对我的技术突袭，抢占人工智能军事应用的制高点。