随着数据、计算能力和机器学习技术的进步，人工智能（AI）在军事领域也广泛应用。其核心计算和决策能力显著提高了作战系统的自控、自调和自动执行能力，被应用于军事的对象检测、军事物流和机器人技术等方面。

本文介绍一篇2023年在国际智能系统杂志发表的《Artificial Intelligence in the Military: An Overview of the Capabilities, Applications, and Challenges》相关工作，笔者简要介绍AI的七种模式以及部分算法在ISR方面的应用。

超个性化（Hyper-Personalization）是一种利用机器学习技术创建个人化资料，并随着时间学习和适应以实现各种处理目的的方法。在军事领域，超个性化的应用可以帮助数据分析、作战决策和任务执行。超个性化在军事领域的应用主要表现在以下几点：

1. 数据分析：无人机等军事设备搭载的传感器和摄像头收集的大量数据，通过超个性化算法进行实时分析，为军事指挥提供关键信息。

2. 决策支持：基于环境和任务特性的分析，超个性化系统能提供关于兵力部署和目标优先级的实时建议，增强决策的准确性和效率。超个性化不仅应用于无人机，还能扩展至坦克、军车和飞机等，通过分析各自的传感器数据，优化路径选择和战术决策。

3. 任务执行：利用神经网络分析无人机数据的研究表明，超个性化能够提高目标定位的精确度，从而提升整体任务的执行效果。

生成对抗网络（GANs）作为一种经典的生成算法，其训练流程如图2.1所示，训练生成模型被定义为一个监督学习问题，包括两个子模型：用于创建新实例生成器模型、将实例分类为真或假的鉴别器模型，。

在ISR领域，通过GANs实现超逼真的数字内容合成，如逼真图像和声音克隆，生成大量的数据集，在无法获取大规模数据集时可作为有效的方式生成。

图2.1 GAN网络的训练流程

模式识别（PR）技术在军事领域的应用可以增强指挥官快速识别战场信息的能力，对于提高地面作战指挥的效率至关重要。如图2.2所示，首先通过检测和捕捉图像来确定感兴趣的区域（ROIs），随后将数据划分为训练集和测试集，利用二值掩模图像来区分ROI内外的像素。这一过程不仅优化了信息的收集和处理，也为后续的决策提供了精确的数据支持。

图2.2 图像的模式识别处理流程

模式识别在ISR任务中用于敏感目标检测，针对军用车辆、坦克等目标，利用目标检测算法Yolov5等模型使用训练集对敏感目标进行训练，生成检测模型。在现有大规模的图像、视频数据下，通过识别模型自动检测极大提高了监测效率。

人机交互主要体现在会话模式上，通过模拟人类的交流方式，提高军事指挥与控制的效率。同时，通过语音、文本和图像等多模态数据交互方式，提高了指挥官对战场情报的理解和反应速度。

如图2.3，会话AI的发展还催生了如ELIZA和ALICE等先进的聊天机器人，它们能够处理复杂的语言交流，辅助军事决策制定和信息分析。随着技术的不断进步，会话AI正在变得越来越智能化，为军事操作提供更加精确和实时的支持，从而显著提高军事行动的效率。

图2.3 ALICE人机交互系统架构

预测分析在军事领域的应用正变得日益重要，特别是在物联网（IoT）技术方面。预计到2025年，美国业务信息和数据分析软件的市场价值可能达到1916亿美元。如图2.4所示，在ISR领域，军事团队使用无人机、摄像头和传感器等设备，对战场进行实时监控和数据分析，实现快速捕捉现场图像和追踪敌人的动态，极大地提升了战场情报的准确性和反应速度等。

图2.4 IoT的军事应用

目标驱动模式是AI的核心模式之一，旨在解决需要人类认知能力才能处理的问题，通过试错法寻找最佳解决方案。这种模式要求机器在面对各种问题时，如导航迷宫、优化供应链或减少闲置时间和行程路线时，寻找最佳解决方案。在军事应用中，目标驱动的自主性（GDA）赋予了自主代理完全的自主权，使其能够在当前目标和目的的背景下主动寻找问题，而非随机识别异常。这种自主性在动态和不可预测的战场环境中尤为重要，能够使军事系统更加灵活和适应性强，从而提高任务执行的效率和成功率。

如图2.5所示，目标驱动系统在动态环境中自发行动并管理意外事件，这在战场等复杂环境中尤为重要。在军事领域，这意味着可以更准确地捕捉敌人行动并在多个不同团队之间共享信息，从而在战场上实现更有效的指挥和控制。目标驱动模式通过提供一个清晰的框架来捕获和执行军事任务，进一步增强了军事操作的智能化和自动化水平。

图2.5 元认知层面的行动-感知循环

自主智能，或称为自主系统模式通过自动化流程生成智能，使得计算机、机器人和系统能够在最小化甚至无需人类干预的情况下独立做决策和行动。这种智能系统在全球范围内的军事领域尤其有巨大的应用潜力，因为它们能够独立完成任务、实现目标或与周遭环境互动，并能够预测事件、制定计划并感知周围环境。这种高度的自主性和智能使得自主系统成为执行复杂军事行动、实现战略目标和提升作战效能的理想选择。自主系统的发展旨在减少或完全消除对人力的依赖，它们必须能够可靠、一致地执行任务，并且具有极高的性能标准，以确保在没有人类直接参与的情况下也能达成预定目标和维持操作效率。

如图2.6展示了自主和自适应系统中的反馈回路及其工作原理，其中包括监控、分析、计划和执行（MAPE-K）过程，共享知识并在子系统中进行控制和管理。这个模型简化了数据收集和处理流程：通过传感器收集数据，然后依次进行监控、分析、制定计划和执行操作，分析和计划阶段基于预设的规则和政策。这种结构化的控制模型为自主系统提供了清晰的指导原则，确保系统能够自主地、高效地响应环境变化和任务要求，同时也展示了自主系统如何在不同的现实世界情境中灵活运作和适应。这种高级的自适应能力和自主执行任务的能力，让自主智能系统在军事策略、战场自动化和安全防御等领域有着巨大的潜力。

图2.6 MAPE架构

模式和异常检测作为AI中最常用的模式之一，利用机器学习和深度学习算法，通过快速分析大量数据来识别其中的模式、异常或离群值，进而预测和防范潜在的问题。例如，网络功能虚拟化（NFV）使得网络服务能够在通用服务器上以软件形式运行，减少了军事部门对昂贵硬件的依赖，降低成本。另一方面，自回归积分移动平均（ARIMA）等预测方法虽然在处理短期数据时表现出色，但面对长期预测和数据的随机波动时则效果不佳。相比之下，机器学习和深度学习算法在模式预测和异常检测方面更为高效和可靠，这对于军事策略的制定和执行至关重要，有助于提高战场反应的准确性和速度。

DeepLog是利用AI技术识别模式和异常的典型应用，其架构如图2.7所示。DeepLog通过学习典型执行过程中的模式来识别异常，当观察到的行为与典型模式不同时便会发出警报。为了保持其有效性，这个模型需要定期更新以识别新的日志模式。DeepLog的能力不仅限于日志异常检测，它还能帮助用户识别异常的根本原因。全球许多军事强国已经将DeepLog等技术纳入其初始系统，用于识别模式和异常。

图2.7 Deeplog 架构

AI在军事领域的应用不断深化和拓展，本文简要介绍七种主要应用模式——超个性化定制、模式识别、对话/人机交互、预测分析与决策、目标驱动系统、自主系统以及模式与异常检测。需要注意的是，现代军事应用的软件并非是通过单一的AI应用模式，而是越来越来多的融合技术实现感知、决策、执行等任务。

相关阅读

网络侦察技术分类综述

网络侦察建模及防御概述

网络侦察的反溯源技术研究

网络侦察技术之主动扫描探测（一）

网络侦察概述及工具介绍（一）

内容编辑：创新研究院 杨双镇
    责任编辑：创新研究院 陈佛忠