《美海军积极推动人工智能应用.docx》由会员分享,可在线阅读,更多相关《美海军积极推动人工智能应用.docx(10页珍藏版)》请在第一文库网上搜索。
1、美海军积极推动人工智能应用目录导读11 .美国海军人工智能发展面临的挑战21.1. 应用于作战的技术复杂性21.2. 标准化问题难以解决21.3. 竞争过于激烈22 .利用人工智能打造数字化基础设施32.1. 成立特遣部队发挥AI潜能32.2. 构建企业数据环境解决数据问题,可支撑“超越计划” 33 .人工智能在海上作战的运用44 .美海军目前人工智能发展状况及未来规划55 .美军人工智能军事应用面临的挑战61. 1.人工智能技术面临稳健性与可解释性不强的瓶颈65. 2.学习机制的本质差异导致人机信任危机66. 3.人工智能武器的不易控制性引发伦理挑战76 .美军推进人工智能军事应用对军队的启
2、示81. 1.在成熟算法民转军的基础上,加强应用86. 2.寻求认知智能算法的突破97. 3.多管齐下,培养军事智能化复合型人才97 .结语10导读本文介绍了美海军利用人工智能和机器学习技术,着手建设数字化基础设施,以最大程度利用智能化的优势,解决数据访问、维修保障等领域的挑战。国防部已将人工智能(AI)和机器学习(ML)等先进技术确定为在未来冲突中赢得胜利的关键,其对AI项目的投资也在逐年增长。2022财年,需求资金达8.74亿美元,比2021财年增加3300万美元。为保持一致,美海军水面部队也开始着手打造可在竞争环境中利用AI/ML技术的数字化基础设施,并寻求在维保、杀伤力、管理等方面应用
3、AI。据英国简氏防务网站2022年1月12日报道,美海军水面部队指挥官基钦纳表示,海军水面部队未来将重点整合人工智能与机器学习等先进技术与能力,以大幅提升战术和作战优势。1 .美国海军人工智能发展面临的挑战当前,全球人工智能的发展已步入白热化阶段,正处于以深度学习为核心的第三个发展高峰期,世界各国都希望能够在这场人工智能发展角逐的舞台上大展拳脚。目前,尽管美国在人工智能技术方面处于全球领先地位,但其在人工智能领域的发展上依然存在着以下三个主要问题:1.1. 应用于作战的技术复杂性人工智能技术对于军队而言确实是一项革命性技术,其能力将改变未来战争形态,但是当前的人工智能只能处理任务单一、需求明确
4、的特定任务,不可否认,至今人工智能的发展还无法达到人们所期望的高智能、自动化的程度,海上战场环境变化多样,海水对金属的腐蚀性强,人工智能的认证、验证和可追溯性方面也存在固有挑战。1.2. 标准化问题难以解决人工智能并非血肉之躯,而是数据的集合体,不仅在军队,人工智能在商业领域也有诸多应用,这也导致其基础架构、软件基线、网络和数据缺乏互操作性和通用标准,增大了人工智能融入美海军武器装备的的难度。1.3. 竞争过于激烈人工智能技术并非是美国一家独大,许多国家为了能够增加维护国家权益的筹码,很早就开始大力发展人工智能技术,其中就有中国、俄罗斯以及以色列等科技强国。同时,美国每年在人工智能领域上的财政
5、预算是有限的,美海军在人工智能的发展领域上需要同其他军兵种以及相关政府部门展开竞争。2 .利用人工智能打造数字化基础设施2.1. 成立特遣部队发挥AI潜能海军正在开发一些AI/ML技术驱动的平台。海上系统司令部(NAVSEA)无人和小型战舰项目执行官Casey Moton少将称,AI/ML是海军历史上划时代的技术,将来很可能渗透整个部队,无人水面艇(USV)是海军较为容易应用AI的一个领域。根据美国会研究署发布的报告海军大型无人水面艇和无人潜航器:呈予国会的背景说明和问题,自主作战所需的技术(如AI),将是海军无人能力的重要推手。NAVSEA水面舰船战备与维护项目经理Scott Larson上
6、校介绍,AI/ML同样是海军新维保计划一一“基于条件的维护(ConditionBasedMaintenance Plus)的重心。一旦落地,AI/ML将帮助分类舰船数据,并提供预测性分析来识别系统和子系统问题,以便后期抢先解决。为最大程度发挥AI的潜能,海军首先要做的就是构建鲁棒的数字化基础设施,以便利用可用数据。其中一项工作是成立Hopper特遣部队(Task ForceHopper),该特遣部队于2021年10月成立,由水面舰队中关注采纳AI/ML技术的人员组成。海军水面部队司令Roy Kitchener中将在2022年1月发布的战略指南中特别提到了该特遣部队,要求其以“10年的远景战位”
7、,在6月1日前设计发布行动项清单,从而掌握“水面战竞争优势”。该战略文件指出,随着战争和信息日益互连,海军水面部队需要更新数字化基础设施,以便在未来以算法战为特征的作战环境中保持竞争力。Hopper特遣部队长官、兼水面分析大队主管Peter Kim上校称,该特遣部队正在致力于确保海军数字化基础设施可快速按需、按规模使用AI。2.2. 构建企业数据环境解决数据问题,可支撑“超越计划”尽管海军前期已取得了一些进展,但在实施AI方面仍面临着挑战,如海军不具备可供每种AI项目使用的企业服务架构。“就像造船厂生产船只一样,海军需要某种底层的基础设施来训练AI模型。必须在企业级提供对这些工具的访问。”而由
8、于访问和生成质量数据存在困难,海军的智能化进程有所放慢。AI通过组合数据和算法发挥作用。分析某个数据集的具体模式和特征,可训练机器算法完成从警示人员维修问题到更快速地识别敌军重要目标的各类任务。数据是AI算法的基础。海军认为,“谁掌控数据谁就优先掌握AI”。当前,一艘海军舰艇每天可创造大约115G的数据,大部分来自传感器,而其中仅一小部分是可立即使用的。为推进海军对海量信息的收集工作,海军部于2020年启动了一个企业数据环境Jupiter。Jupiter基于国防部的数据分析工具Advana,通过提高数据的可发现、可访问、可理解和可使用程度,帮助海军将每天的数据转化成海军可作为行动依据的见解、决
9、策和输出。海军部首席分析官Duncan McCaskill表示,Jupiter中的数据可在各类应用中使用,覆盖从行政管理任务到作战能力,其中包括“超越计划” 一一海军在联合全域指挥控制(JADC2)中的组成部分。数据可访问且全面,对于将AI/ML链接到战场传感器和射手至关重要。NAVSEA首席数据官Rob Lui称,如果海军希望利用AI/ML则必须利用Jupiter这样的平台来理解数据并快速将信息发送到所需地点。目标是创建“数据优势”。为标准化访问多个不同的信息“烟囱”,而无需重写数据,海军正在开始实施开放式API标准。开放式API是面向软件开发人员开放的应用程序设计接口,能够从原有系统中分离
10、信息。未来,将数据与单个系统及平台解耦,可创造类似手机app的使用体验。软件可以单独开发或升级,更快速地集成上舰。如果软件有问题,也可以方便删除,大大降低风险。止匕外,海军正在解决如何提高舰上数据收集的问题。通过改进电光和红外传感器,提升舰载传感器系统能力。一体化作战系统项目管理办公室介绍,海军正在新的弹道导弹驱逐舰队中引进雷声公司的SPY-6雷达阵列。该雷达可探测到远距离目标,反应时间更快,更精确辨别威胁。由于新技术将带来呈几何级数增长的数据,因此海军借助智能化等技术来收集、存储和利用下一代舰载无源电光红外(SPEIR)项目成果,不仅将改进舰载态势感知,还将生成数据,改进决策环。3 .人工智
11、能在海上作战的运用自人工智能诞生以来,其应用领域就在不断拓展。在海上作战中,人工智能的运用就可将一场传统海战变为高科技装备条件下的智能化海战,而且贯穿战争全过程。那么,人工智能在现代海上作战中究竟扮演着什么样的角色呢?角色一:通过数据链路构建海上防御,担当“防御者”。美国国防部高级研究计划局在近年来研究的“海上物联网”项目,就是运用人工智能来分析数千个声纳浮标的数据,以形成对陌生海域环境的初步认知,而这对于海上作战意义重大。在智能化海战中,作战数据往往会伴随着战争进程“井喷”式涌出,而人工智能就可以从这些庞大且复杂的数据中提取出最有价值的信息,然后制定全景态势图来构建高效的海上防御系统。角色二
12、:通过无人装备组织海上进攻,担当“指挥员”。无人化装备是人工智能军事装备的重要组成部分,其中无人舰艇在智能化海战中的地位不可撼动,例如美国的无人舰艇NOMARS、以色列的“保护者”无人舰艇等。这些无人舰艇通常可以担任情报收集、电子干扰、协同攻击等作战任务,在与有人舰船的配合中能够形成强有力的海上进攻能力。4 .美海军目前人工智能发展状况及未来规划根据美国国防部国防预算提案中的消息披露,美国海军在2020财年共投入了近9亿美元用于人工智能领域的研发,这个数字相较于上一年整整增加了1.13亿美元,其中预算的新增项目中绝大部分都与人工智能和机器学习有关。在发展人工智能装备的进程中,美国海军不仅在20
13、19年发布了海军人工智能框架报告,而且还加速推动人工智能与海军高新技术的有机结合,包括无人潜艇、传感器、班组自主系统在内的多种人工智能装备已被列装到美国海军的各兵种当中。人工智能已然成为美国海军维持其海上科技主导地位的战略核心。在未来人工智能的发展规划当中,美国海军提出了 “分布式作战”的新型作战理念,同时还计划部署“人工智能导弹”、“无人自主加油系统”等新型智能化装备,以期取得人工智能海上作战应用上的绝对优势。美国海军信息战中心的有关负责人曾表示,人机编队将会是美国海军未来发展人工智能的重点领域,通过人机交互使得人工智能可自主决策,进一步提高人工智能在现代化海战中的作战效能。5 .美军人工智
14、能军事应用面临的挑战美军推进人工智能技术在军事领域的应用并非一帆风顺,面临来自技术、信任和伦理等多方面的挑战。5.1. 人工智能技术面临稳健性与可解释性不强的瓶颈相比传统的人工智能,以深度学习为代表的机器学习算法,在语音识别、机器翻译和人机博弈等方面取得了突破性进展,其水平可以接近甚至超越人类。但是,这不意味着人工智能程度已经达到或超过了人类。从已有的技术看,人工智能只能处理任务单一、需求明确以及应用边界清晰的特定任务,离具备概念抽象、自主推理、规划决策能力的通用人工智能仍有较大差距。目前,稳健性及可解释性是限制人工智能技术发展的主要瓶颈。当前的人工智能技术普遍存在稳健性问题,主要表现在两方面
15、:一是很大程度上依赖高质量的训练数据。例如,当训练数据有限时,大规模的深度神经网络易出现过拟合现象,泛化能力差。二是在特定数据集训练好的深度神经网络易受到“对抗”样本的干扰和欺骗。例如,在军事领域中,利用一张精心设计的打印图片便可轻易地躲避智能侦察设备的搜索。可解释性不强是当前以深度学习为代表的人工智能技术的另一个弊端。绝大部分算法属于“黑盒”系统,中间的分析与决策过程不得而知,也缺乏可交互性和操作性。对于大规模的深度学习网络,由于存在复杂的非线性变换及大量的神经元连接,少量扰动即可引起结果的剧烈变化,表现出的行为将会变得难以理解。具有可解释性的智能系统能够实现人机互操作,便于将人的经验融入到决策中,做到决策可追溯、可引导、可纠正,从而提升系统的智能性。现代战场环境错综复杂,作战环境的微小改变都有可能让智能化算法不再“智能”。加强算法的稳健性和可解释性,是发展通用人工智能迫切需要解决的问题。美军已将发展稳健性与可解释的人工智能系统作为下一代人工智能的重要研究课题提上日程。5. 2.学习机制的本质