张新征

人工智能技术及其军事应用

芯片技术是人工智能技术实用化加速的基础

国际上对于人工智能研究的起源，普遍认为从1950年代开始。标志性事件就是1956年的达特茅斯会议，赛弗里奇和纽厄尔分别发布了关于模拟神经系统的模式识别、计算机下棋的研究成果。同年，麦卡锡在组织“关于人工智能的达特茅斯夏季研究项目”中，首次提出了“人工智能”一词。1954年，明斯基也完成了“神经模拟强化系统的理论及其在大脑模型问题上的应用”的博士论文，但长期以来人工智能的研究主要还是局限在理论研究的范畴。到1990年代，在军事上针对因无线电弱区造成对无人机失联失控的问题，美国有运用神经网络对遥控飞行进行训练，进而实现自主飞行的报道。当时，第一代256位的图形处理芯片GeForce256才刚刚诞生。受限于计算能力的限制，无线电弱区的问题主要还是通过通信中继的方式解决。

人工智能的核心共性技术大致可以分为人工智能芯片、基础算法和系统平台3类。各种不同算法是系统平台的软件基础;人工智能芯片则是算法实现的硬件基础。近年来，芯片计算能力和用户数据量的发展使机器学习技术进展迅速，最终推动人工智能技术达到实用化。以谷歌、微软、英特尔、Facebook为代表的科技巨头争相加大在人工智能芯片领域的布局。据国际权威基金评级机构晨星公司预测，到2021年，全球人工智能芯片市场规模有可能超过200亿美元。目前，在人工智能芯片的技术体制中比较成熟的主要有两种：一是基于GPU、FPGA等通用芯片打造半定制方案，建立包含深度学习网络、深度神经网络、深度感知网络，以及强化学习网络等算法的平台，使人工智能算法可以与多种类型的智能终端相融合。比较有代表性的是恩伟达公司（NVIDA）于2016年发布的Tesla P100，运算速度达到每秒21.2万亿次。二是针对深度学习算法开发ASIC（特定用途集成电路）芯片。2018年，谷歌发布的Cloud TPU使用4个定制化ASIC构建，进一步对谷歌TensorFlow算法进行优化，每秒180万亿次浮点运算，一天之内就能达到基准训练精度，成本低于200美元，已应用于美国防部的“知识积累”工程。

2016年，NVIDA公司发布的Tesla P100深度学习GPU芯片

谷歌发布的Cloud TPU使用4个定制化ASIC构建，成本低于300美元，已应用于美国防部的“知识积”工程

长远来看，利用类脑芯片进行神经形态计算，最有可能带来计算的体系革命与架构变革，本质是借鉴人脑的工作原理来实现深度学习，进而解决极其复杂的计算问题。

人工智能具有广泛的军事应用前景

2018年4月，美国国会研究中心（CRS）发布了《人工智能与国家安全报告》，分析了当前人工智能项目在国防领域应用的进展。

一是情报、监视与侦察（JSR）领域的自动化情报处理 由于大数据对于情报分析十分重要，所以人工智能在ISR领域具有特殊作用。算法战跨职能小组计划在2018年中期将人工智能工具集成应用到30个场景中。中央情报局（CIA）正在开发的项目有137个，利用人工智能完成如图像识别或标记（类似项目Maven的算法和数据分析功能）的任务。美国高级情报计划局（DARPA）的人工智能项目包括：在嘈杂的环境中开发实现多语言语音识别和翻译的算法、利用不相关的元数据进行图像的地理定位、融合二维图像来创建三维模型，以及基于生活分析模式推断建筑物功能的工具等。

二是綜合保障领域的装备定制维护 IBM的Watson超级计算机采用定制维护算法，根据来自17个车载传感器提供的信息，对美国陆军的斯特赖克车队进行个性化定制维护。计划中的项目还将利用Watson超级计算机来分析维修用零部件分布的运输流，以确定最节省的交货时间和最低成本。美国陆军希望这一人工智能系统在分析货运需求后，每年可以节省1亿美元。

三是网络空间安全领域的威胁检测与主动防护 人工智能网络防御工具被训练来识别网络中行为模式的变化，并检测出异常，对先前未观察到的攻击方法形成更全面的屏障。DARPA组织的网络挑战赛展示出人工智能网络工具的潜力。参赛者开发了人工智能算法来自动识别和修补己方软件的漏洞，同时攻击其他团队的弱点。人工智能算法在几秒钟内就修复了这些安全漏洞，而传统的网络安全程序通常需要几个月才能找到并修复漏洞。

四是指挥与控制领域的多域行动效果集成 美国空军正在开发用于多域指挥控制（MDC²）系统，以实现对空中、太空、网络空间、海洋和地基行动效果的集中计划与实施。人工智能将在近期内被用于形成共用作战图（COP）。未来，人工智能还可用于识别通信链路的中断，并找到替代手段来分发信息，还可以根据对作战空间的实时分析，为指挥官提供可行的行动路线。

五是自主驾驶领域的下一代地面车辆 类似于商用自驾车辆，人工智能技术可用于感知战场环境、识别障碍物、融合传感器数据、规划导航，甚至与其他自主车辆通信。美国陆军计划将不同类型的人工智能功能，如自主导航、监视和IED清除，部署到多个远程作战车辆（RCV），并将其经验应用到暂定于2035年实现的自主驾驶下一代地面车辆的设计中。2018年4月，陆军宣布计划成立机器人创新中心，在训练与条令司令部的机动作战机器人与自主系统办公室牵头下，实现机器人与自主系统和当前与未来作战编队的集成。如海军陆战队的多用途战术运输车（MUTT）是一种装甲运输车级别的车辆，能够携带额外的装备，通过无线电链路跟随战场上的海军陆战队。

NVIDIA公司的Tesla P100图形处理器芯片

IBM的watson超级计算机

美国空军正在开发用于多域指挥与控制的系统，以实现对空中、太空、网络空间、海洋和基地行动效果的集中计划与实施

人机深度协作将成为未来地面部队的主要特征

2018年4月，美国战略与预算评估中心发布《未来地面部队的人机合作》报告，认为人类与机器人编队、人类与人工智能结合以及机器对人体机能的强化将是主导未来人机地面部队的三大方向。到21世纪中期，人工智能的发展将不但为军队提供成千上万的自主机器人，而且将对人类指挥官的决策产生重要影响。

人类与机器人编队的核心在于人类与机器人的伙伴关系和对实现人与机器人伙伴之间互动的组织学习。2004年以来，美国DARPA网络挑战赛一直在鼓励地面无人车的开发和能力提升。洛克希德·马丁等公司研发了大量应用于保障领域的不同级别的自主车辆。2030年的典型地面战斗群将由250～300个人类战士和数千个不同大小、功能各异的机器人构成。

人类与人工智能结合的关键在于对不断提高的决策支持与制定节奏和复杂程度的理解。未来战争中，军事决策周期的速度最终将超过人类认知处理的能力，需要人工智能更快更好地处理信息，提供方案建议。2017年4月，美国防部成立算法战跨职能小组就是对人工智能在战略分析和决策制定方面潜在应用认识的体现。

机器对人体机能的强化将成为人机革命的最终表现形式，美国已经在这些领域大量投资，以增强士兵的战斗能力。DARPA的加速学习计划，就是通过演示神经科学和统计建模，寻求最佳的学习方式。美国特种作战司令部代号为“塔罗斯巨人”的战术突击队员轻型套装则是利用机械增强特种兵的战斗能力。埃隆·马斯克投资的Neuralink脑机接口公司，就是寻求设计并制造可植入人类大脑的设备，使人类能够跟得上人工智能进步的节奏。

从“知识积累”工程看美国推进军事智能化发展

“成立算法战跨职能小组（AWCFT）”备忘录全文不足1页半，代号“知识积累”工程（Project Maven），发布于2017年4月，旨在加速集成机器学习技术在战场情报大数据处理中的应用。它是美国军事智能化发展的里程碑事件。博思艾伦咨询公司称其为多年来数千份美国防部倡议中最重要的倡议之一。算法战跨职能小组负责人杰克·沙拉汉，更是把“知识积累”工程称为向导（pilot）、探路者（pathfinder）和火花（spark）。首先来看“知识积累”工程究竟要干什么？

“知识积累”工程的目标与辅助决策智能化

“知识积累”工程是第三次“抵消战略”在人工智能领域的示范项目 人工智能的军事化应用是美国第三次“抵消战略”的重点，时任国防部副部长鲍勃·沃克，既是美国第三次“抵消战略”的主要提出者，同时也是代号为“知识积累”工程的“成立算法战跨职能小组”备忘录的签发者。沃克强调人与人工智能在战略决策方面的协作，认为机器可以高速整理海量数据，然后将它的发现提供给人类做出最终决策。“知识积累”工程旨在利用人工智能算法识别伊拉克和叙利亚战场上的叛乱目标，实现军事情报处理、利用和传播（PED）能力的现代化，是美国防部实现人工智能系统与作战行动集成的“探路者和点燃整个国防部人工智能火焰的火花”。

情报大数据分析是美国防部启动“知识积累”工程的动因 据美国防部情报部门预测，到2020年，美军战场无人机年均飞行时间将达到68～90万小时，由此产生海量FMV数据。据统计，无人机在接近目标时，拍摄并传回海量全动态视频（FMV），这需要数百个3人分析小组来完成图像处理与分析工作。

“知识积累”工程并非是要用人工智能算法取代人类情报分析员，而是通过集成化的高效智能管理系统实现“机器完成数据分析、人类完成战略分析”。

人机深度协作将成为未来地面部队的主要特征

2004年以来，美国DARPA网络挑战赛一直在鼓励地面無人车的开发和能力提升算法

加速国防系统对大数据与机器学习技术的集成是“知识积累”工程的本质 美国防部“知识积累”工程的本质是加速推进美军现役信息系统对大数据和机器学习技术的集成应用，以更快的速度将海量数据转变为可供作战使用的情报，提高情报的处理、利用和传播（PED）能力，以显示AI在维持作战优势上的技术潜力。

“知识积累”工程利用计算机视觉和机器学习技术，重点研究目标探测、分类和预警的计算机视觉算法，将其应用于海量FMV数据的高准确度实时运算处理，有助于减轻情报分析人员的负担，产生更多具有实际价值的情报，提高军事决策水平，未来将进一步支持网络战、电磁频谱战以及导弹防御等需要快速做出反应的作战行动。

“知识积累”工程的组织与领导管理体制调整

“算法战跨职能小组”体现了跨机构跨领域跨军种管理职能的深度融合 “算法战跨职能小组”（AWCFT）将直接向国防部情报副部长汇报，每月进行更新。AWCFT下设指导组、工作组和行动组等机构，各级组织的构成均体现出跨机构跨领域跨军种职能部门合作的特点。其中，指导组负责AWCFT的督导工作，成员包括国防情报主管和联合参谋部、各军种、国防部总法律顾问办公室及国防部其他部门的高级代表。工作组由国防情报项目办公室以及来自国防部、各军种及相关情报部门的军官与技术专家组成。另设有若干负责军种集成、技术主导、计算机视觉等各任务方向的行动组。行动组内的成员分工负责各任务领域的算法开发、系统集成、数据管理、政策咨询等工作。“算法战跨职能小组”与SCO、DIUx和ARL合作，相互从对方的战略规划和组织机构中获益。

“联合人工智能中心”将成为牵引智能化军事体系建设的综合性领导机构 在“算法战跨职能小组”运行了一年多之后，2018年6月27日，国防部副部长特里克·萨纳汉签署了由首席信息官组建联合人工智能中心的联合备忘录，发起人包括国防部首席管理官、各军种部部长、参联会主席、各军种参谋长、各联合司令部司令等等，几乎囊括了除总统和国防部长之外的所有美军高层，其核心只有一个，加速交付基于AI的军事能力。明确接管Maven32程，明确国防部所有新启动的AI倡议，都必须与联合人工智能中心协调。这个备忘录说明，美军的军事智能化已经从情报领域向整个军事信息领域全面拓展了。

“联合人工智能中心”将在2年内成立，将其建设成为类似桑迪亚国家核研究试验室那样的重要国家级试验室，为美国所有军事和情报机构提供服务。

“联合人工智能中心”将协调整个国防部在人工智能领域的研究，并与私营部门和大学的其他试验室联系，从而建立一个牵引智能化军事体系建设的综合性领导机构，联合全军和17家情报机构的力量共同推进人工智能项目，以保持美国在该领域的技术优势。同时，国防部研究与工程副部长办公室正在制定统一的《国防部人工智能战略》，以便实现对美军事智能化长期发展的统筹协调，避免重复投资。陆军也明确要成立人工智能任务组，作为对“联合人工智能中心”的支持。

“知识积累”工程的实施与装备采办改革

先民后军的创新模式给人工智能军事应用提出新挑战 人工智能技术创新的特殊性在于，如此重要的战略性技术是由少数企业商业化开发的。核技术、GPS和互联网等大多数主要的两用技术首先是由政府主导项目开发，而后才扩展到民用领域。与之相反，民间企业正在引领人工智能的发展，而后才向军事领域扩展，这其中存在诸多障碍。

一是运行环境要求对商用人工智能技术产品进行专业化改进。军用车辆所处突发事件频发的非结构化作战环境，地图数据相对贫乏，定位信号和车际通信也易遭敌方干扰，将限制自主驾驶车辆功能的发挥。

算法战跨职能小组构成示意图

二是安全和性能标准的差异将制约民用人工智能技术向军事应用的扩展。民用人工智能应用的故障率可能要远远超出作战环境中可接受的范围。

三是传统国防采办流程不适应商业企业人工智能系统的开发时限和程序。美国政府问责办公室（GAO）就政府采办问题调查了12家美国商业公司，他们选择不与国防部做生意，所有12家公司都把国防采办流程的复杂性作为拒绝理由。

逐步构建适应人工智能系统的国防采办规范 “美国防部进一步修订完善了国防采办法规。

一是增加适应软件装备的特殊采办里程碑模型。修订后的国防部指南DODI 5000.02“国防采办系统运行”中增加了国防惟一软件密集模型（DUSIM）、螺旋式部署软件密集模型和软件主导混合式模型等特殊采办里程碑模型。

二是发布商用系统需求与采办指南。2017年2月，美国防部专门发布了DODI 5000.75“商用系统需求与采办指南”，取代了2014年由国防部首席信息官发布的“使用企業信息技术标准商业案例分析”备忘录，适于商用人工智能系统的采购。商用系统需求与采办指南制定了更为灵活的、循环式的商用能力采办周期（BCAC）政策，包含5个步骤——能力需求识别、商用方案分析、商用系统功能需求与采办计划纳入、商用系统采办测试与部署、能力保障。未来，国防部将大规模复制“知识积累”工程所取得的经验，并制定更为清晰的采购流程，以避免遭遇挫折。

算法开发集成与战场用户参与的深度融合 AWCFT为“知识积累”工程制定了三步走的技术路径：一是数据标签，即完成目标数据的获取、分类处理与标签化;二是算法开发，利用商业与开源算法、处理器和数据，生成具有初始作战能力（IOC）的模型;三是算法集成，在当前的战场情报任务中，实现模型与情报设备的集成列装，用户利用神经网络和深度学习技术在反复的实战操作中完成对模型的微调。早期战场用户的频繁参与，推动了商业算法在应用中完成开发和集成。部署后的机器学习算法，通过实战中的“反复训练”和微调，得以不断完善。

在“知识积累”工程中，美国防部向谷歌公司开放了战场无人机提供的FMV数据，利用谷歌的TensorFlow开源软件进行机器学习训练。谷歌也借此获得了SRG4和SRG5级别的FedRAMP政府云服务安全授权，打开了深度参与美军信息系统建设的通道。

截至2018年5月，“知识积累”工程开发的算法已在美国的非洲与中央司令部和本土多个空军基地实现了与“扫描鹰”/“捕食者”/“死神”无人机、空军分布式地面站、海军陆战队“米诺陶”GIS系统等现役情报装备的集成应用，推动美国防部快速从硬件工业时代进入软件数据驱动的信息环境。

机器人的进一步强化将成为人机革命的最终表现形式

加快我国军事智能化发展的建议

鉴于美国在军事智能化方面的发展，我国在这一领域亦可以从以下几方面加强发展。

高度重视对美国军事智能化进程的跟踪掌握。

美国防部以中俄为军事智能化领域的对手，以组建联合人工智能中心联合备忘录为标志，已经全面点燃军事智能化发展的火焰。美国人工智能芯片技术实力雄厚、发展迅猛、军事化行动坚决，2～5年内实现技术突袭，颠覆传统战争特征的可能性不断增强。

协同推进人工智能产业发展与战斗力生成

突出需求牵引，特别是战场目标识别、网络电磁对抗、人机作战编组、后装保障规划、火力指挥控制等领域AI军事需求的导向作用。可借鉴美国商用能力采办周期政策，加快形成适应人工智能创新特点的信息系统采办制度，同时发挥军方在基础芯片研制和针对民用特定应用进行二次开发的优势，军地协同推进技术研发、军事应用、产业培育的“三位一体”和滚动发展。在大规模推动人工智能技术成果军地应用和壮大智能产业的同时，带动国家创新能力和国防实力的持续提升。

积极探索智能化战争的军民融合数据保障

借鉴美联邦政府FedRAMP云服务安全等级模式，培育数据信任环境，搭建系统化结构化的国防数据库平台，向民营创新企业分级开放国防和战场大数据资源，用于促进AI算法模型和解决方案的优化升级，充分挖掘大数据为智能化战争服务的价值。

编辑/刘兰芳