智能目标识别在未来军事作战中的应用与思考

翟佳 郭单 李元 董毅

军事技术决定战争形态。人工智能作为最重要的颠覆性技术，在军事领域的运用日趋广泛深入，成为引领世界新军事革命的主要因素，未来必将改写战争规则，催生智能化战争。智能目标识别，作为一项面向探测预警、情报侦察、态势感知、精确制导等多个军事应用领域的关键使能技术，以人工智能为技术手段，能够解决战场自动目标识别的关键问题，是打赢未来智能化战争的重要手段之一。

智能目标识别横空出世，势不可挡

“一旦新技术在既有技术体系堤坝上打开一个缺口，汹涌潮水的到来就不会太远。”这句话用来形容智能目标识别再合适不过。

2012年，以深度學习为核心的智能目标识别在学术界名声大噪，这一切缘于当年的ILSVRC评测。ILSVRC是近年来机器视觉领域最受追捧也最具权威的学术竞赛之一，代表了以图像、视频为数据源的目标识别、定位、检测等机器视觉领域的最高水平。在这之前，最好的Top5算法分类错误率在25%以上，而2012年AlexNet首次在比赛中使用了深层卷积网络的智能目标识别方法，错误率仅为16%。之后，每年都有新的好成绩出现，目前最优的Top5分类错误率均在5%以下，已超出了人类的识别水平。

2018年，一篇源自洛克希德·马丁公司的新闻稿，将具有智能目标识别的远程反舰导弹（LRASM）推到风口浪尖。该新闻稿称：“德克萨斯州戴斯空军基地第337试验中队的B-1B在加利福尼亚州穆古角的海上发射了LRASM，成功击中了海上目标并实现测试目标。”这其中，智能目标识别贡献了巨大力量。

AlexNet模型框架

LRASM是美国海军与美国防高级研究计划局（DARPA）正在研发的新一代反舰巡航导弹，可为美国海军提供进行远程目标打击的先进反水面作战能力。高度智能化的目标识别能力，使得LRASM飞抵目标区域之后，能够根据识别算法对区域内探测到的多个不同信号进行分类，逐步缩小不确定区域，最终实现复杂战场环境下的舰艇目标识别，并根据目标几何特征对特定目标点进行打击，形成高度自主的作战能力。

智能目标识别制胜的内在机理

在信息化战争中，动态海量数据已超出人脑处理能力的极限，智能目标识别的出现有着天然存在的迫切需求，但内在的作用机理才是其表现突出的制胜关键。

智能目标识别是采用人工智能技术途径，通过接收、探测目标与环境数据，进行有效的特征提取和样本积累，经过充分学习以实现对未知目标的认知与辨识，从而判定目标类别、真假和属性等信息。区别于其他目标识别方法，智能目标识别具有自主学习、智能推理、在线升级等特点。

智能目标识别衍生于自动目标识别（ATR）技术理论体系，伴随着人工智能的演进，逐渐呈现出独有的特点。自动目标识别技术的发展最早可追溯到20世纪60年代末，经历了近50年的发展历程，提出了多种多样的自动目标识别算法。纵观自动目标识别领域的发展，始终在致力于提高自动目标识别系统的自适应和学习能力。早期的系统以模式识别为主，其后发展了基于模型和基于知识的识别系统，又将人工神经网络、支持向量机等机器学习技术应用于自动目标识别领域。2006年，伴随着大数据技术、高性能计算资源的发展，以深度学习为核心的智能目标识别终于应运而生，并在图像、语音、语言识别等领域获得了成功的应用，成为解决自动目标识别问题的一种有效途径。

LRASM打击体系示意图

以深度学习为核心的智能目标识别之所以能够脱颖而出，原因在于其实现了人工智能技术从“计算”到“学习”的转变。此前，人工智能算法大都基于已知规律或确切逻辑关系建立数学模型，建立后即可运用，其核心是计算，智能实现就是按规则演算。这些算法虽然准确高效，但它们只能按照既有程序进行计算，无法应对超出程序设定的变化，是封闭的静态系统。深度学习则不同，它由多层模拟的神经元网络组成，建立后不能直接使用，必须先进行大量训练，在训练中不断提高，进而变得越来越“聪明”，是一个开放的动态系统。通过海量数据的训练，神经元网络逐层递进并提取出物理世界的各种特征，发现其模式、结构、规律，不断“进化”出更高的智能水平，其核心是学习。经深度学习形成的人工智能，一些方面甚至会超越人类。

深度学习的机理

随着现代战场在空间上的拓展，复杂多样的战场探测器遍布陆、海、空、外层空间和电磁网络空间，智能目标识别所适用的探测数据也得到了前所未有的拓展，通过对点信号级、序列信号级、图像级、运动轨迹级、融合数据级等探测数据的判定，得到目标类别、真假和属性等信息，在侦察预警、情报分析、精确制导、电子认知等军事领域发挥了重要作用。

在侦察预警方面，美国DARPA实施的对抗环境下的目标识别与自适应（TRACE）项目力求开发一种准确、实时、低功耗的雷达目标识别系统，有效降低了密集作战环境中诱饵和背景等对目标识别系统有效性的影响;在情报分析方面，密苏里大学使用智能目标识别技术分析微型图像，搜索识别我国东南沿海防空导弹阵地，在准确率与人工目视基本相当的情况下，识别效率提高了81倍;在精确制导方面，美国的“心眼”项目聚焦自动接收并解读真实场景影像，可实现快速自动识别潜在威胁，为目标打击提供依据;在电子认知方面，美国行为学习自适应电子战和自适应雷达对抗项目均重点研究了如何将智能目标识别应用于雷达电子对抗过程，以便于可以快速识别出敌方新的、未知的无线电威胁。

智能目标识别是打赢

未来战争的关键一环

算法是人工智能技术的核心，掌握更强算法的一方可快速准确预测战场态势，创造出最优战法，实现“未战先胜”。智能目标识别作为一项面向探测预警、情报侦察、态势感知、精确制导等多个军事应用领域的关键使能技术，是打赢战争智能化进程中算法战的重要手段之一。

一方面，智能目标识别是夺取学习优势、认知优势、决策优势的关键。一是能够通过知识积累和优化，精准提取目标特征规律，缩短个体“学习曲线”;二是能够及时有效处理海量情报数据，促使数据处理水平快速增長，有效解决“信息迷雾”;三是具备自适应能力，可为指挥决策提供强有力支撑。

另一方面，智能目标识别是适应作战空间拓展、作战时间压缩的关键。在现代战场，作战空间拓展到陆、海、空、外层空间和电磁网络空间，其遍布的各种传感器产生的情报侦察与监视预警信息呈爆炸式增长，导致战场信息收集不及时、有效信息产出时效性低、反馈失误等严重问题。同时，无人机蜂群等新式智能化武器装备与新型作战样式的提出，对指挥员决策的时效性、准确性、灵敏性提出了更高要求。

智能目标识别可将人从生理极限中解放出来，基于自主学习、智能推理、在线升级等技术优势，综合不同数据来源，提升数据处理和数据挖掘效率，缩短观察、判断、决策、行动（OODA）环的反应时间，减少战场态势感知的不确定性，在智能决策、指挥协同、情报分析以及电磁网络攻防等关键作战领域发挥作用。

迎接智能目标识别

带来的挑战和机遇

未来战争的智能目标识别发展趋势，既是重大挑战，更是难得机遇。近年来，美国等国积极探索智能目标识别在物理域、信息域和认知域等战争空间中的创新运用，我方若想谋求建立新高地的军事优势，必须冷静、客观、全面地分析智能目标识别的适用边界、科学问题和技术短板，既推动理论创新，也避免盲从追赶;既大力发展推进智能目标识别研究，也积极探索非对称反制战法和力量手段。

智能目标识别绝非万能。一是脆弱性。智能目标识别优良的表现，并不意味着其完美无瑕、毫无漏洞。以图像智能目标识别为例，当攻击者利用智能目标识别算法模型的漏洞，在装备目标上加装特定伪装图案后，便可对卫星、无人飞行器和各类智能装备背后所依赖的军事图像识别系统进行攻击，使其无法正常识别视频图像内容。为应对新形势，一方面需要利用智能目标识别技术研发新型军事装备;另一方面要了解对手可能采用的智能对抗技术和装备，并寻找其中的算法漏洞，研发相应的防御和反制措施，使智能目标识别在攻与防的环境中不断发展。

智能对抗案例

二是透明性。智能目标识别模型的复杂性为其带来了非凡预测能力，然而若其提取的深层特征不直观，无法理解算法决策过程，难以分辨某个具体行动背后的逻辑，就会导致识别风险不可控，无法准确估计识别算法的适应性。

2016年10月，DARPA发布“可解释的人工智能”项目（XAI）的广泛机构公告，其目标是建立一套新的或改进的机器学习技术，生成可解释的模型，结合有效的解释技术，使最终用户能够理解、一定程度上信任并有效管理未来的人工智能系统。通过该项目，新的机器学习系统将能解释自身逻辑原理，描述自身的优、缺点，并解释未来的行为表现。

智能目标识别实战化之路坎坷艰辛。目前，智能目标识别还不适于强杂波的、拥挤的、复杂的、快速变化的军事应用场景。以美国为代表的军事强国早在40年前就期望实现精确制导系统的智能化，但目前大多数导弹系统并没达到智能目标识别的预期目标，这包含智能目标识别在数据、算法、理论方法等层面遇到的应用瓶颈和科学问题。

DARPA 的XAI项目总体框架

一是数据的充分性、有效性难以保证。数据的充分性、有效性将直接影响智能目标识别的性能。然而在实际作战中，战场环境的复杂性、目标特性的不确定性和对抗条件导致的信息不完全性，将会带来目标特征的不可重复性、复杂多变的杂波背景环境、低对比度、远距离、存在伪装、遮掩与干扰、外界场景的多变性（不同的地理区域、战场条件和气象条件）等问题。当提供的是稀疏、不完全、分布不均、质量不足的数据集时，许多智能算法将无法展现良好性能。

二是现有算法的局限性亟待突破。现有的许多商用智能目标识别算法的一个重要限制，是它们对训练数据集的批处理。采用批处理时，需要一次得到所有的训练数据，使学习算法构建一个可运行在实际应用场景中的模型。当积累数据的体量无法达到训练要求时，就需要深度网络实现在线学习与现场训练。然而，如何设计稳健的在线学习方法，仍然是目前军事应用中的棘手问题。同时，针对复杂战场环境下无法获取数量充足、分布全面、质量优秀的样例数据的实际问题，需要将无监督、半监督、有监督方法相结合，借鉴先验知识和关键特征，降低对数据的依赖，探索对噪声不敏感，并能采用稀疏标注或者完全没有标注的数据集的学习方法。

三是智能目标识别缺乏理论支撑。由于缺乏科学理论的支撑，没有建立信息论测度来确定智能目标识别系统的性能边界，难以理解和预测智能目标识别系统的性能。同时，军用领域的智能目标识别缺少对试验测试领域的研究，特别是试验、验证、测试、评估、鉴定的核心技术体系，及基本支撑理论、综合试验环境、评估指标体系等关键基础性问题尚未有实质性突破，尚无法回答智能目标识别在军事应用领域的准确性、可用性、有效性。

责任编辑：葛  妍