精确制导武器智能化若干问题思考

樊会涛 张新朝

摘 要：本文介绍了人工智能技术对精确制导武器智能化的推动作用，概述了精确制导武器探测识别和制导控制智能化现状， 探讨了精确制导武器智能化过程中面临的大规模样本构建、 仿真性能向真实能力迁移、 不可解释性和可靠性质疑、 智能武器性能评估等问题， 并针对性的给出了半实物仿真训练、 迁移学习、 模仿人类直觉与理性结合、 重构评估方法等解决思路。 提出了精确制导武器智能化对装备研制和作战使用的三个影响： 模拟仿真技术重要性凸显、 训练模式将发生重大变革、 现有作战模式将被颠覆。

关键词：  精确制导武器； 人工智能； 迁移学习； 直觉与理性结合

中图分类号：TJ760

文献标识码： A

文章编号：  1673-5048（2024）02-0001-07

DOI： 10.12132/ISSN.1673-5048.2024.0033

0 引  言

科学技术的每次进步总是催生战争形态出现变革， 机器的发明和应用推动战争形态转向“机械化”， 信息技术和网络技术的出现推动战争形态转向“信息化”。 近十几年来， 新一代人工智能技术的大发展正推动战争形态向“智能化”转变， 智能化战争不仅具备信息化战争的特点， 还能实现更快、 更精准的决策和作战效果。 智能化战争战术策略更加灵活多变， 诸如武器自主决策、 武器群分布式自主协同作战等无人作战模式将成为未来战争的基本形态。

自精确制导武器出现以来， 其在现代高技术战争中的作用和地位持续提高， 越来越成为常规战争最高效的打击手段。 随着新的作战方式不断涌现， 战场环境复杂性、 变化性持续提高， 精确制导武器作战效能也面临着越来越大的挑战， 其智能化水平高低， 是决定未来智能化战争胜负的关键因素。 结合人工智能技术特点和精确制导武器特征， 可将精确制导武器的智能化水平划分为初、 中、 高、 超四个等级， 当前精确制导武器正处于中级智能大发展时期， 典型特征是以深度学习［1］理论为基础的深度神经网络模型在精确制导武器上的应用， 正推动精确制导武器的智能化水平进一步提升， 智能化水平又直接影响着自主和协同能力， 可以说智能化是实现更强自主和协同的基础。 中级智能精确制导武器的典型特点是可以通过对数据的“被动学习”， 产生对复杂环境的部分自主认知决策能力［2］。 具体表现在探测识别、 制导控制、 决策、 协同方面的能力不断提升。 基于数据驱动的深度学习理论与以往基于知识驱动的符号逻辑推理理论存在本质不同， 新一代人工智能技术在精确制导武器上的应用尚存在诸多困难和挑战。

1 人工智能发展推动精确制导武器智能化

一般认为最早的制导武器是第二次世界大战末期德国研制成功并投入使用的V-1、 V-2远程控制导弹。 制导武器是一种无人直接参与（驾驶）的制导战斗飞行器或航行体。 在越南战争和第四次中东战争中， 美国和以色列、 埃及使用制导炸弹和导弹取得了引人瞩目的作战效果， 由于这些武器能够自己“寻找”和攻击目标， 具有极高的命中精度， 当时被称为“灵巧炸弹”。 1974年， 美国政府的正式文件中第一次出现“精确制导武器”（Precision Guided Weapons）这一名词。 一般认为， 精确制导武器是导弹和精确制导弹药的总称， 而精确制导技术（Precision Guidance Technique）是发展精确制导武器的核心技术， 是以微电子、 计算机和光电探测技術为核心， 以自动控制技术为基础发展起来的高新技术［3-6］。 其中， 计算机是导弹的重要组成部分， 特别是70年代微处理机问世后， 数字计算机在导弹上的应用日益广泛［7］。

“人工智能”这一术语于1956年在达特茅斯学院召开的会议上第一次被正式使用， 是计算机科学中涉及研究、 设计和应用智能机器的一个分支， 是研究制造模拟人类智能活动能力的智能机器或智能系统， 以延伸人类智能的科学。 通俗地说， 人工智能就是研究如何使机器具有能听、 能说、 能看、 能写、 能思维、 会学习、 能适应环境变化、 能解决面临的各种实际问题等功能的一门学科［8-9］。 精确制导武器探测识别装置可以类比为人类的视觉、 听觉等感知处理系统， 制导控制装置可以类比为人类的身体、 肢体控制系统。 精确制导武器自动探测、 识别、 选择目标的能力要求对应了人工智能技术使机器能看、 会思维的目标， 精确制导武器应对敌方拦截、 干扰的能力要求对应了人工智能技术使机器适应环境变化的目标。 可以说， 人工智能学科出现后， 其部分研究成果就迅速成为精确制导武器实现自己“寻找”和攻击目标能力的重要技术手段。 从20世纪80年代起至今， 诸多文献在展望精确制导武器的发展趋势时， 都将“智能化”列为重要发展方向［10-17］， 人工智能技术的持续突破推动了精确制导武器智能化水平的不断进步。

人工智能在几十年的发展过程中产生了许多不同的学派， 主要包括符号主义、 连接主义和行为主义。 符号主义认为可以通过逻辑推理和符号操作来实现人工智能， 其核心观点是物理符号系统假设和有限合理性原理。 连接主义强调神经网络和神经元之间的连接机制在人工智能中的重要作用， 认为可以通过神经元之间的连接和权重调整， 实现对复杂函数和知识的表示与学习。 行为主义强调智能体在与环境交互中的学习、 适应和演化， 认为行为是人与环境相互作用的结果， 强调研究行为背后的刺激与反应关系， 认为学习是刺激与反应之间的联结。 近十几年来， 连接主义学派基于深度学习的人工智能技术在计算机视觉、 自然语言处理等领域取得了重大突破， 随后逐渐在精确制导武器的光学成像导引系统中得到应用。 随着技术的发展， 研究者开始将连接主义理论与行为主义理论相结合， 以解决更复杂的控制和优化问题，产生了一种结合了两者特点的智能决策与控制算法-深度强化学习（Deep Reinforcement Learning， DRL）。 之后， 开始有研究者将深度强化学习算法应用于精确制导武器的制导控制系统。 除此之外， 也有研究者将符号主义和连接主义融合， 以期建立一个可解释和鲁棒的人工智能理论， 发展可信、 安全和可靠的人工智能技术， 这一目标也正好契合了智能化精确制导武器可靠、 安全、 可控的发展和使用要求。

2 精确制导武器智能化现状

精确制导武器一般采用雷达制导、 激光制导、 红外制导、 GPS制导等单模或复合制导方式， 实现对目标的精准打击［13］。 以深度学习理论为基础的新一代人工智能技术， 能够从大量数据中自动学习并提取特征， 从而实现对未知数据的预测和分类。 这种自主学习能力使得新一代人工智能系统能够不断自我进化， 提高性能。 精确制导武器属于一种典型的智能机器， 其智能自主水平的高低直接决定了作战效能好坏， 精确制导武器智能化、 自主化水平提升是作战部队的持续需求［18］。 当前， 精确制导武器正处于中级智能的快速发展时期， 中级智能导弹在目标识别、 跟踪和打击上的自主性将进一步提升， 能够通过训练不断提升感知、 认知和决策能力， 对于复杂战场环境具备较强的适应能力。 中级智能精确制导武器将有效解决抗复杂背景、 抗新型诱饵、 强博弈对抗下高精度打击等问题， 生成目标分类识别、 关键部位识别、 敌我识别、 自主协同等新质能力。 与初级智能相比， 其最大特点是具备“自主学习”能力， 可以通过在大规模数据样本上的训练自主实现性能的不断提升。 从精确制导武器各分系统功能区分， 新一代人工智能技术正在探测识别和制导控制方面得到应用， 推动精确制导武器智能化发展。

2.1 探测识别智能化现状

探测识别系统是精确制导武器的核心部件， 主要作用是截获并跟踪目标， 输出实现制导律所需的信息。 近几年， 在计算机视觉领域快速发展和广泛应用的深度学习理论， 被迅速的引入到导弹的探测识别系统（导引头和引信）。 深度学习算法具备强大的自主学习能力、 数据处理能力和泛化能力。 基于强大的自主学习能力， 通过在大规模数据样本上训练， 可以使探测识别系统具备强大的目标检测识别性能； 基于强大的数据处理能力， 通过战场态势感知、 数据链路传输等技术， 实时获取多源信息并在数据级进行充分融合， 可以大幅提升抗干扰性能； 基于强大的泛化能力， 可以有效保障精确制导武器在新场景新态势下仍具备优异性能。 深度学习算法的应用有效提升了精确制导武器在复杂环境下的探测识别和跟踪性能， 使精确制导武器探测识别分系统看得更远、 更清、 更真， 为提高导弹的打击精度和抗干扰能力奠定了良好基础。

近年来， 美军智能制导武器技术逐渐成熟， 实现了导弹的自主决策、 协同作战、 信息融合等方面的突破［19］。 其“远程反舰导弹”（LRASM）具有目标精确探测与识别、 电子频谱监视与定位、 区分敌方不同雷达信号的能力。 其探测识别智能化主要体现在两个方面。 一是能够自主识别目标并进行攻击。 美国军方称， LRASM导弹能在航运密集的海面上从众多船只中准确地识别出预设的特定类型舰船目标。 二是在网络被切断的情况下， 采用先进惯性测量装置以及具有自动目标识别算法的多模导引头， 可以自主寻的打击目标。 美国雷神公司研制的SDB-Ⅱ小直径炸弹采用三模导引头， 实现了对激光回波、 红外成像、 毫米波雷达回波信息的感知， 利用智能信息处理技术， 有效提升三模信息的融合效果， 能够在复杂地物背景下对坦克、 装甲车辆等目标进行快速自主的分类、 识别和跟踪。

以色列拉斐尔（Rafael）先进防御系统公司在发布“海上破坏者”（Sea Breaker）时， 声称此型导弹配备了先进的红外成像导引头， 使用了人工智能与决策算法， 可对300km外的固定/移动海陆目标实施防区外精确打击， 其智能算法包括计算机视觉、 人工智能、 场景匹配、 自动目标识别以及任务规划等， 可以实现完全自主的作战。

2.2 制导控制智能化现状

制导控制系统是精确制导武器飞向目标过程中至关重要的一环， 负责对导弹的飞行轨迹、 姿态和速度进行实时调整， 确保导弹能够精确打击目标。 制导控制系统从探测识别系统获取目标信息， 按照预定的导引规律形成制导误差信号并传递给姿态控制系统。 姿态控制系统根据制导误差信号， 实时计算导弹的飞行姿态偏差， 并生成相应的控制指令。 导弹的制导控制本质上是寻找最优制导律， 是指特定条件下， 能够使导弹以最优性能完成制导任务的一系列控制策略和算法。 最优制导律旨在实现导弹的高精度、 高速度、 高灵活性， 以达到最佳的打击效果。 精确制导武器制导控制系统智能化的核心是智能制导律， 其内涵是指在弹目对抗博弈不确定场景下， 利用人工智能技术自动生成机动博弈策略， 提升导弹弹道能效、 降低弹道剛性， 使精确制导武器打得更准、 更远、 更灵活。 当前智能制导律的研究包括局部智能制导律和全局智能制导律两个方向。 局部智能制导律研究包括： 利用深度神经网络进行参数预测实现对干扰项的抑制， 利用深度神经网络求解局部最优制导律， 利用深度强化学习进行参数估计实现自适应变比例系数制导， 利用深度强化学习预测局部最优制导律等。 全局智能制导律研究包括： 利用深度神经网络取代传统制导律算法以提高计算效率， 利用深度强化学习方法求解全局最优制导律等［20］。

美国雷神公司与挪威康斯伯格海事公司联合研发的NSM导弹（Naval Strike Missile）在弹道末端可以三维迂回机动， 其制导算法将协同制导与智能制导相结合实时规划出有利的飞行弹道， 可以实现多枚导弹同时攻击目标的不同部位， 提高杀伤效果。

俄罗斯的锆石高超声速反舰导弹采用了智能制导律算法， 能够自主选择目标， 动态实时选择合适的、 满足规避威胁要求且能够有效攻击所选择目标。

挪威第五代反舰导弹能够智能改变末端弹道和进入角度以攻击目标薄弱或关键部位， 利用智能制导实时规划出有利的飞行弹道实现多枚导弹同时攻击目标的不同部位。 能够在自身处于不利攻击阵位时， 其智能制导控制软件可以控制弹体进行战术机动， 占领有力攻击阵位， 对目标实施最佳效果的攻击。

3 精确制导武器智能化若干问题与对策

复杂对抗场景下的目标探测识别和制导控制性能是决定导弹作战效能的核心要素， 近几年， 各国研究机构纷纷将新一代人工智能技术引入精确制导武器［21］， 精确制导武器的探测识别和制导控制性能得到了大幅提升。 但是由于深度学习基于数据驱动的底层原理， 精确制导武器的智能化发展在大规模数据样本构建、 训练方法、 可靠性以及性能评估等方面仍然存在诸多亟待解决的问题。

3.1 大规模样本构建问题

深度学习理论的核心是通过学习大量数据来提取特征并进行预测或决策， 深度神经网络模型对数据的依赖性极高。 首先， 深度学习算法需要大量的数据来进行训练， 数据必须达到一定规模， 才能达到较高的性能。 随着训练样本规模增加， 算法的准确率通常会不断提高， 如果数据规模过小， 则容易出现过拟合现象， 导致模型在应用场景表现不佳。 其次是数据质量， 深度学习算法的性能严重依赖于训练数据的质量， 如果数据存在噪声、 缺失值、 不准确或不完整的信息， 那么算法学到的特征就会出现偏差， 模型性能就会受到影响， 预测或决策的准确性会大幅下降。 最后， 训练数据的分布也直接影响实际应用性能， 如果训练数据与实际应用场景的数据分布不一致， 实际应用时性能将大打折扣。

真实作战场景大规模数据获取是精确制导武器智能化面临的一大挑战。 首先， 精确制导武器在真实作战过程中飞行速度快、 距离远， 通过真实靶试采集数据成本极高， 无法大规模获取。 其次， 系留、 绕飞等试验只能模拟部分飞行弹道， 无法做到全弹道覆盖。 第三， 通过试验只能采集到合作目标或者我方装备的数据， 敌人的装备数据几乎无法通过采集手段获取。

仿真模拟可能是唯一能够解决大规模数据问题的技术途径， 精确制导武器研制过程中的仿真验证包括数字仿真和半实物仿真， 数字仿真由于场景、 目标、 武器装备全部为数字化模型， 导致仿真数据与真实数据之间的存在巨大差异。 半实物仿真环境中武器装备为实物， 场景和目标通过仿真模拟实现， 其在武器装备自身传感器系统上的耦合是真实的， 典型半实物仿真环境构成如图1所示。 与数字仿真手段相比， 在半实物仿真环境下进行数据获取， 仅需提高场景、 目标模拟器的逼真度即可提升数据真实度。 另外， 数据获取的成本是可以承受的， 也能够便捷的覆盖全部飞行弹道， 需要重点突破的方向是通过技术创新不断缩小目标和场景模拟器与真实目标场景之间的差异。

3.2 仿真性能向真实能力迁移问题

深度学习模型具有高度参数化的非线性特性， 这一特性使其具备强大复杂问题预测能力， 但同时也导致其在输入数据出现干扰和异常时极其脆弱， 这就要求模型的训练数据与真实应用场景尽可能保持一致。 如前文所述， 智能精确制导武器只能依靠模拟仿真环境开展训练， 而仿真场景不可能做到与真实场景完全一致， 这就需要思考智能精确制导武器在仿真环境训练后获得的优异性能在真实作战场景下能否保持， 如何将仿真环境下训练得到的优异性能向真实场景迁移。

迁移学习（Transfer Learning）是一种机器学习方法， 其核心思想是将已经在某个数据/任务上训练好的模型（源数据/任务）的部分知识或特征迁移到新的任务（目标数据/任务）上， 从而实现对新数据/任务的学习。 常见的迁移学习方法包括基于样本的迁移、 基于特征的迁移、 基于模型的迁移、 基于关系的迁移等。 基于样本的迁移是加权利用源域中有标记的样本实现知识迁移， 在迁移时， 为了最大限度地和目标域相似， 可以人为地提高源域中相似样本的权重， 迁移的知识是源域的加权样本。 基于特征的迁移是通过特征变换的方式互相迁移， 实现源域和目标域之间的差异缩小， 迁移的知识是源域和目标域的共同子空间。 基于模型的迁移是通过从源域和目标域中找到共享的参数信息， 以实现知识迁移， 迁移的知识是模型的一部分参数或结构。 基于关系的迁移关注源域和目标域样本间的联系， 迁移的知识是源域中样本之间的某些特定的规则。 对于智能精确制导武器从仿真到真实的迁移问题来说， 可以采用基于特征和基于模型的迁移两种方法进行尝试， 仿真域到真实域能力迁移示意如图2所示。

3.3 不可解释性和可靠性质疑问题

深度神经网络的复杂性较高， 相较于逻辑回归、 支持向量机等传统的机器学习算法， 深度神经网络包含大量的层数和神经元， 网络的参数量随深度增加呈指数级增长， 模型的复杂性也随之大幅上升， 本质上深度神经网络的推理过程涉及大量的非线性变换和组合， 其内部结构和工作原理相当复杂， 难以直接解释。 深度神经网络模型的不可解释性导致其应用于武器装备时常面临可靠性质疑。

为了解决深度神经网络的可解释性问题， 研究人員进行了广泛的尝试， 包括引入可解释模块和可视化模块等， 但这些尝试均存在一定局限性。 关于可解释性最新的研究集中在反事实（counterfactual）例子的概念上， 旨在通过制造一些有预期输出的反事实样例， 输入到原来的网络中， 然后通过分析隐层单元来解释为什么网络会产生一些其他输出。 然而美国东北大学体验式人工智能研究所的高级研究科学家Walid从组合语义的角度出发， 认为深度学习无法构造一个可逆的组合语义， 所以其无法实现可解释［22］。 其赞同Browne和Swift论文中“没有语义就没有解释”的观点［23］， 认为反事实示例只是通过对输入执行微小且不可观察的扰动， 从而导致网络对其进行错误分类。 反事实示例只是“解释”了获得正确预测所应具备的某些特征， 并未打开“黑盒子”， 也就是说并没有解释算法是如何工作的。 Walid还基于Fodor和Pylyshyn在1988年论文中的观点［24］， 认为通过寻找“解释深度神经网络中隐藏层表示的语义”， 以某种方式“为深度学习系统提供令人满意的解释”是无法实现的。 Fodor和Pylyshyn认为对系统性组合推理进行建模是实现可解释性的基础， 而神经网络恰恰不能对系统性和组合性进行建模， 神经网络中的子符号本身并不是人类在概念上可以理解的任何事物（隐藏单元本身不能表示任何具有形而上学意义的对象）， 而是隐藏单元的集合， 这个集合通过一个组合的过程表示出某个显著特征（例如猫的胡须）， 而这个组合的过程是不可逆的， 即不可反向推理。

20世纪60年代， 加利福尼亚理工学院的斯佩里教授开始了左右脑研究， 通过实验证明人类大脑的左右两个半球各自具有独特的认知能力， 在认知功能中明显发挥了不同的作用， 且两个半球是作为一个整体紧密合作的， 人类左右脑分工如图3所示。 左右脑理论可以解释为什么有些人倾向于“分析”， 而另外一些人倾向于“直觉”。 人类的直觉是一种迅速而直接的认知方式， 基于对世界的不自觉理解和经验， 是大脑在接收到外部信息后， 迅速做出判断和反应的一种方式。 直觉可以帮助人快速地识别和处理信息， 作出初步的决策。 直觉往往偏重于感性和经验， 同样不可解释。 但人类还具有基于逻辑和分析的认知方式， 根据已有的知识和原则， 通过推理和论证来解决问题， 即理性思维。 直覺可以瞬间从众多信息中捕捉到关键点， 为后续的理性分析提供基础。 理性则强调概念、 判断和推理的过程， 有助于做出更全面、 更准确的决策， 可以帮助人克服直觉中的偏见和盲点， 提高认知和决策的准确性和可靠性。 人的直觉和理性是既有区别又相互关联的能力， 在人的认知过程中， 直觉和理性往往相互影响、 相互补充。 直觉为理性提供了初步的思路和灵感， 理性则对直觉进行深入的分析和验证。 通过直觉和理性的相互作用， 能快速应对复杂环境， 又能保证决策的合理、 可靠、 长远。

精确制导武器的使用场景要求其必须具备强可靠性， 要实现强可靠性就无法回避数据驱动的深度神经网络的可解释难题。 如何在使用深度神经网络提升性能的同时实现强可靠性？可以参照人类观察识别物体和思考决策的过程， 模仿这个过程设计弹载信息处理系统。 深度学习模型“端到端”的预测能力可以直接从原始数据的预测语义信息， 避免了传统方法中需要手动设计特征提取和组合的过程， 可以类比为人类的直觉感知能力。 符号逻辑推理是一种基于逻辑符号和规则来进行推理的过程， 首先将问题用逻辑符号表示出来， 然后构建一个包含已知条件和推理规则的知识库， 最后基于知识库查找和应用相关规则推理视线可靠决策， 可以类比为人类的理性思维。 精确制导武器智能信息处理系统可以利用深度学习模型完成对输入数据的快速认知， 同时在设定的空间内表示出语义符号， 利用符号逻辑推理按照设定的探测识别、 制导控制规则实现目标跟踪和自主导航， 最终完成对目标的杀伤。 这种模仿人类直觉与理性结合的方式， 可以充分结合符号主义和连接主义两种人工智能理论的优点， 提升智能精确制导武器性能的同时保障强可靠性。

3.4 智能武器性能评估问题

精确制导武器的智能化水平主要体现在其软件性能上， 软件系统是精确制导武器的重要组成部分， 其性能和稳定性直接影响到武器装备的飞行轨迹、 命中精度等关键性能。 软件测评评估在精确制导武器性能评估中具有重要作用， 通过软件测评可以评估装备在各种复杂环境下的适应性、 可靠性和实时性， 可以发现潜在的安全隐患， 确保导弹在面临敌方干扰、 攻击等情况下仍能保持稳定的飞行状态， 降低事故风险。 软件的评估一般包括白盒测试和黑盒测试， 白盒测试主要针对软件系统的内部结构和逻辑进行测试， 测试过程中， 测试人员需要了解软件内部的实现细节， 包括代码、 数据结构、 算法等。 通过设计测试用例， 检查软件的内部功能是否按照预期工作， 确保代码的正确性和可靠性。 黑盒测试主要针对软件系统的功能和性能进行测试， 测试过程中， 测试人员不需要了解软件内部的实现细节， 只需关注软件的输入输出及其对应的关系。 通过设计测试用例， 检查软件在各种输入条件下是否能产生预期的输出， 确保软件的功能正常运行。 软件的测评还有助于优化软件性能， 提高导弹在实际作战中的效能。

传统弹载信息处理软件研制主要基于设计人员的经验进行特征提取和规则设定， 软件的性能主要取决于科研人员的经验和能力。 在引入深度学习算法后， 精确制导武器软件出现显著的数据驱动特征， 其特征的提取与表达由模型在大规模数据样本上训练自动习得， 且模型具有不可解释性， 无法对其内部结构和逻辑进行测试。 深度学习算法在设计和评估中需要构建大规模的数据样本作为训练和性能测试的输入， 训练样本的覆盖性和混杂性直接决定模型训练完成后的性能表现， 在软件测试时， 测试样本与作战使用场景是否同分布决定了测试结论是否准确可靠。 针对精确制导武器智能软件数据驱动的特点， 需要从精确制导武器软件的设计、 测试、 评估全流程进行方法重构， 从设计流程、 样本构建、 评估指标、 模拟仿真手段等方面开展创新研究， 形成适用于智能化精确制导武器软件研制、 试验、 评估、 使用的全流程理论体系， 指导新一代智能精确制导武器装备研制。

4 智能化对装备研制和作战使用的影响

4.1 模拟仿真环境的重要性进一步凸显

精确制导武器具备强大的杀伤力， 其应用具有极大的破坏性， 作战场景极其复杂， 部分极端场景甚至只有在真实战争中才会出现。 当前精确制导武器的智能化发展以数据驱动模型为基础， 数据样本的规模、 质量、 分布将成为影响武器性能和作战效能的关键因素。 在仿真模拟环境中， 可以设定各种极端的条件， 如恶劣的气候、 复杂的地理环境、 敌方的干扰、 目标的机动等， 仿真模拟是构建多样性作战场景， 构建高逼真大规模数据样本的重要可行途径。 仿真模拟环境对智能精确制导武器设计、 测试、 评估甚至使用的影响力将不断增大， 但当前的仿真模拟技术在场景颗粒精细程度、 敌方对抗行为等方面还存在明显差距， 如何不断缩小仿真模拟环境与真实作战环境之间的差异， 是精确制导武器智能化必须着重解决的基础关键问题。 考虑到数据规模和质量对智能精确制导装备性能提升的重要性， 仿真模拟技术水平在未来精确制导武器智能化发展中的重要性将不断凸显。

4.2 训练模式将发生重大变革

新一代人工智能技术推动下的智能化精确制导武器最大的特点在于其具备了“自主学习”能力， 这意味着可以通过对精确制导武器“训练”不断提升其性能。 以往作战部队开展精确制导武器使用训练， 主要目的是提高武器操作员对武器使用流程和操作动作的熟练程度。 在训练的过程中， 武器装备本身的能力并不会发生变化， 主要靠操作人员操作技能的提升来发挥武器的最大作战效能。 而在智能化精确制导武器具备“自主学习”能力后， 部队训练模式将出现重大变革， 不仅要考虑如何通过训练提升武器操作者的技能， 还要考虑如何通过“训练”使武器“自主学习”实现能力提升。 相应的， 在训练科目和方法设计、 训练场景构建、 模拟训练装置研制等技术研究中也需要重点考虑武器装备的“自主学习”需求。 基于此， 未来至少会出现三种训练模式： 操作人员技能提升训练模式、 武器装备性能提升训练模式、 操作人员与武器装备能力共同提升训练模式。

4.3 现有作战模式将被颠覆

智能化水平的提升将极大提升武器的博弈对抗能力。 在未来战争中， 飞行员只需要下达发射指令， 然后即可坐观智能精确制导武器全权处理余下的所有任务。 现有作战模式将被颠覆， 精确制导武器的发射与目标确定顺序可能出现颠倒， 先发制人、 空中巡逻、 自主选择攻击目标等成为可能， 作战模式将由过去的全程管、 半程管向全程不用管发展， 作战行动将变得更加高效、 迅速， 令对手难以防范。

单个导弹智能化、 自主化水平的提升， 可以极大促进弹群的分布式协同能力， 精确制导武器必然出现群体编队执行攻击任务的作战模式， 弹群通过自建群、 自组织， 自主规划完成作战任务。 除了弹群自身协同之外， 弹群与其他平台的协同作战模式也将出现， 智能自组织弹群可以根据指挥中心指令要求与体系中的不同平台进行协同作战。

得益于智能化精确制导武器的“自主学习”能力， 还可能出现如下作战模式： 战争过程中出现武器装备性能大幅下降的新场景时， 可以通过迅速构建装备模拟训练场景， 武器“自主学习”后快速具备特定作战能力。

5 结 束 语

智能化是精确制导武器发展方向， 深度学习、 深度强化学习等人工智能技术在精确制导武器上的应用研究必将成为热点。 精确制导武器智能化发展面临的问题很多， 在技术创新过程中必然会不断的遇见新的难题， 也必然能够研究出新的解决办法。 本文仅对当前智能化精确制导技术研究中遇见的几个问题进行了分析和思考， 问题覆盖度不一定全面， 对策不一定完善合理， 仅为一家之言， 权当抛砖引玉， 期望更多的专家分享探讨研究思路， 共同促进精确制导武器智能化发展。

参考文献：

［1］ LeCun Y， Bengio Y， Hinton G.  Deep Learning［J］.  Nature， 2015， 521：  436-444.

［2］ 樊会涛， 张同贺， 张良.  导弹武器的智能分级及特征［J］.  航空兵器， 2022， 29（4）：  1-5.

Fan Huitao， Zhang Tonghe， Zhang Liang.  Intelligent Classification and Characteristics of Missile Weaponry［J］.  Aero Weaponry， 2022， 29（4）：  1-5. （in Chinese）

［3］ 赵澄谋.  精确制导武器的技术基础及其发展趋势［M］. 北京： 国防科工委情报所， 1983： 1-2.

Zhao Chengmou. The Technical Foundation and Development Trends of Precision Guided Weapons［M］. Beijing： Intelligence Office of the National Defense Science and Technology Commission， 1983： 1-2. （in Chinese）

［4］ 郭修煌.  精确制导技术［M］.  北京：  国防工业出版社， 1999：  1-2.

Guo Xiuhuang.  Precision Guidance Technology［M］.  Beijing：  National Defense Industry Press， 1999：  1-2. （in Chinese）

［5］ 刘兴堂， 戴革林.  精确制导武器与精确制导控制技术［M］.  西安： 西北工业大学出版社， 2009： 17-20.

Liu Xingtang， Dai Gelin.  Precision Guided Weapons and Precision Guided Control Technology［M］.  Xian：  Northwestern Polytechnical University Press， 2009：  17-20. （in Chinese）

［6］ 杨小冈， 王雪梅， 王宏力， 等.  精确制导技术与应用［M］.  西安：  西北工业大学出版社， 2020：  2-10.

Yang Xiaogang， Wang Xuemei， Wang Hongli， et al.  Precision Guidance Technology and Its Application［M］.  Xian：  Northwes-tern Polytechnical University Press， 2020：  2-10. （in Chinese）

［7］ 沈绪榜. 弹（箭）载计算机［M］. 北京： 宇航出版社， 1989： 1-2.

Shen Xubang. Missile Borne Computer［M］.  Beijing：  China Astronautic Publishing， 1989：  1-2. （in Chinese）

［8］ Russell S J， Norvig P. 人工智能： 一種现代的方法［M］. 3版.  殷建平， 祝恩， 刘越， 等， 译. 北京：  清华大学出版社， 2013： 5-15.

Russell S J， Norvig P. Artificial Intelligence：  A Modern Approach［M］. 3rd ed. Translated by Yin Jianping， Zhu En， Liu Yue， et al.  Beijing： Tsinghua University Press， 2013： 5-15. （in Chinese）

［9］ 楊忠宝， 佘向飞.  大数据与人工智能［M］.  北京：  北京大学出版社， 2022：  115-125.

Yang Zhongbao， She Xiangfei.  Big Data and Artificial Intelligence［M］.  Beijing：  Peking University Press， 2022：  115-125. （in Chinese）

［10］ 郑学文， 沈惠清. 导弹专集［J］. 上海航天， 1984（S1）： 25-28.

Zheng Xuewen， Shen Hqiqing.  Missile Monograph［J］. Shanghai Aerospace， 1984（S1）： 25-28. （in Chinese）

［11］ 吴佩伦.  精确制导武器的关键技术和战略发展方向［J］.  现代防御技术， 1994， 22（5）：  52-59.

Wu Peilun.  Key Technologies and Strategic Development Direction of Precision Guided Weapons［J］.  Modern Defence Technology， 1994， 22（5）：  52-59. （in Chinese）

［12］ 陈洪印， 刘永昌.  光电精确制导战术武器的发展［J］.  应用光学， 1996， 17（5）：  6-11.

Chen Hongyin， Liu Yongchang.  Development of Photoelectric Precision Guidance Tactical Weapons［J］.  Journal of Applied Optics， 1996， 17（5）：  6-11. （in Chinese）

［13］ 陈英硕. 国外巡航导弹武器发展趋势研究［C］∥国外导弹武器发展体系文集， 2005： 190-193.

Chen Yingshuo. Research on the Development Trends of Cruise Missile Weapons Abroad［C］∥Collected Works on the Development System of Missile Weapons Abroad，  2005： 190-193. （in Chinese）

［14］ 张琳华， 方望林. 智能化导弹武器系统需求分析［C］∥2014年国际先进武器发展专题研讨会文集， 2014： 168-174.

Zhang Linhua， Fang Wanglin. Requirements Analysis of Intelligent Missile Weapon Systems［C］∥International Advanced Weapon Development Symposium， 2014： 168-174. （in Chinese）

［15］ 付强.  精确制导武器技术应用向导［M］.  北京：  国防工业出版社， 2014：  76-78.

Fu Qiang.  Guide to the Application of Precision Guided Weapon Technology［M］.  Beijing：  National Defense Industry Press， 2014：  76-78. （in Chinese）

［16］ 樊会涛， 闫俊.  自主化：  机载导弹重要的发展方向［J］.  航空兵器， 2019， 26（1）：  1-10.

Fan Huitao， Yan Jun.  The Important Development Direction of Airborne Missile：  Autonomization［J］.  Aero Weaponry， 2019， 26（1）：  1-10. （in Chinese）

［17］ 程运江， 张程， 赵日， 等.  人工智能的发展及其在未来战争中的影响与应用思考［J］.  航空兵器， 2019， 26（1）：  58-62.

Cheng Yunjiang， Zhang Cheng， Zhao Ri， et al.  Development of Artificial Intelligence and Thoughts on Its Influence and Application in the Future War［J］.  Aero Weaponry， 2019， 26（1）：  58-62. （in Chinese）

［18］ 郭正玉.  美國制空作战概念和能力的新发展［J］.  航空兵器， 2023， 30（4）：  10-16.

Guo Zhengyu.  New Development of US Air Warfare Concept and Capability［J］.  Aero Weaponry， 2023， 30（4）：  10-16. （in Chinese）

［19］ 郝雅楠， 祝彬， 朱华桥， 等.  美军导弹智能化发展态势研究［J］.  战术导弹技术， 2020（1）：  15-21.

Hao Yanan， Zhu Bin， Zhu Huaqiao， et al.  Research on the Intelligence Development of US Army Missiles［J］.  Tactical Missile Technology， 2020（1）：  15-21. （in Chinese）

［20］ 方洋旺， 邓天博， 符文星.  智能制导律研究综述［J］.  无人系统技术， 2020， 3（6）：  36-42.

Fang Yangwang， Deng Tianbo， Fu Wenxing.  An Overview on the Intelligent Guidance Law［J］.  Unmanned Systems Technology， 2020， 3（6）：  36-42. （in Chinese）

［21］ 程进， 齐航， 袁健全， 等.  关于导弹武器智能化发展的思考［J］.  航空兵器， 2019， 26（1）：  20-24.

Cheng Jin， Qi Hang， Yuan Jianquan， et al.  Discussion on the Development of Intelligent Missile Technology［J］.  Aero Weaponry， 2019， 26（1）：  20-24. （in Chinese）

［22］ Saba W S.  New Research Vindicates Fodor and Pylyshyn：  No Explainable AI Without 'Structured Semantics［EB/OL］. （2022-09-14）［2024-02-25］. https： ∥cacm. acm. org/blogs/blog-cacm/264604-new-research-vindicates-fodor-and-pylyshyn-no-explainable-ai-without-structured-semantics/fulltext.

［23］ Browne K， Ben S.  Semantics and Explanation：  Why Counterfactual Explanations Produce Adversarial Examples in Deep Neural Networks［EB/OL］. （2020-12-18）［2024-02-25］. https： ∥arxiv. org/abs/2012. 10076.

［24］ Jerry A F， Pylyshyn Z W.  Connectionism and Cognitive Architecture：  A Critical Analysis［EB/OL］. （1988-12-18）［2024-02-25］. https： ∥uh. edu/～garson/F&P1. PDF.

Think of Several Issues on Precision Guided Weapons Intelligentizing

Fan Huitao1， 3*， Zhang Xinchao2， 3， 4

（1. AVIC Science and Technology Committee， Beijing 100012， China；

2. China Airborne Missile Academy， Luoyang 471009， China；

3. National Key Laboratory of Air-based Information Perception and Fusion， Luoyang 471009， China；

4. School of Computer and Artificial Intelligence， Zhengzhou University， Zhengzhou 450001， China）

Abstract：  This article introduces the role of artificial intelligence technology in advancing the intlelligence of precision Guided weapons， outlines the current status of intelligence in its detection and recognizing， guidance and control. It discusses the problems faced during the intelligentization process， such as the construction of large samples， transferring simulation performance to real-world capabilities， issues with interptetability and reliability， and the assessment of intelligent weapon performance. Targeted solutions are pesented， including hardware-in-the-loop simulation training， transfer learning， combining human intuition with rationality， and reconstructiong evaluation methods. Three impacts of intelligent precision guided weapons on equipment development and operational use were proposed：  increasing importance of simulation technology，  significant changed in training patterns， and existing conmbat modes will be overturned.

Key words： precision guided weapons； artificial intelligence； transfer learning； the combination of intuition and rationality