人工智能支撐馬賽克戰機理研究

來源：《航空兵器》，作者付翔等

0 引言
近30年來, 隨著信息化軍事變革的興起, 各種新的軍事作戰概念和作戰理論層出不窮[1]。從20世紀90年代前后提出的“信息戰”“空地一體戰”“數字化部隊”等, 到進入21世紀后提出的“網絡中心戰”“快速決定性作戰”“基于效果的作戰”“分布式作戰”等, 再到近年來提出的“作戰云”“系統之系統”“敏捷作戰”“多域戰”“算法戰”等, 以美國國防高級研究計劃局(DARPA)為代表的各國研究機構對新型作戰概念的研究越來越深入。2017年8月, DARPA提出了馬賽克戰這一作戰概念[2], 該概念融合了美軍近年來其他作戰概念的思想和理念, 成為DARPA軍事作戰體系研究的頂層核心概念。之后3年, DARPA和米切爾航空航天研究所、 美國戰略與預算評估中心(CSBA)等研究部門相繼發布了新的關于馬賽克戰的指導性文件, 如2018年在DARPA成立60周年研討會上強調要將作戰方式由傳統樣式向馬賽克戰轉變[3]。2019年3月發布了主要圍繞馬賽克戰的“戰略技術”公告[4], 9月發布《馬賽克戰: 恢復美國的軍事競爭力》報告[5], 2020年2月發布了《馬賽克戰: 利用人工智能和自主系統實現決策中心戰》報告[6]。這些指導性文件的相繼發布, 標志著美軍對馬賽克戰的研究正在逐步從概念走向現實, 從理論走向實戰。我國的研究機構也高度關注這一作戰概念[7,8,9,10], 跟蹤美軍馬賽克戰的研究進展, 對馬賽克戰進行全方位的解讀, 并嘗試將馬賽克戰理念應用到指揮控制、 防空反導等軍事領域的研究中。分析認為, 馬賽克戰從理論研究走向應用研究, 其中不可或缺的一環是人工智能技術對馬賽克戰作戰應用技術的支撐。從這個角度出發, 本文對馬賽克戰進行解讀, 并開展人工智能支撐馬賽克戰的機理研究。

1 馬賽克戰概念分析
1.1 基本概念
馬賽克(Mosaic)是指建筑物外表面用于拼接各類裝飾圖案的小瓷磚碎片, 又稱紙皮磚或錦磚。馬賽克戰借鑒了馬賽克拼圖的思路, 從功能角度將傳感器系統、 指揮控制系統、 武器平臺系統、 兵力編隊等各類作戰單元視為“馬賽克碎片”, 用類似拼圖或搭積木的方式, 通過動態通信網絡將“碎片”鏈接形成一張物理和功能高度分散、 靈活機動、 動態協同組合的彈性作戰效果網, 形成類似于馬賽克塊的作戰體系。利用自主系統賦能分布式和任務式指揮, 利用人工智能賦能決策支持, 快速、 靈活、 自主地重組一支具備解耦合特性的軍事力量來創造己方的適應性, 增大敵方的決策復雜度或不確定性。即便系統中部分組合被敵方干擾、 中和或摧毀, 仍能基于所能連通的作戰資源, 自動快速做出反應, 并形成新的“雖然功能降級, 但仍能夠相互連接, 適用于戰場情景和任務需求”的作戰體系。

圖1[6]為馬賽克戰的概念示意圖, 左側為紅方傳統部隊, 包括戰機、 地導、 潛艇等作戰裝備; 右側為藍方馬賽克部隊, 包括陸、 海、 空、 天、 網等多維作戰力量。戰場的每個作戰節點按照其作戰任務和自身性質, 具備決策、 感知、 行動、 指揮等4種作戰要素中的一種或多種, 這些作戰節點基于規則和自身能力, 相互鏈接成為一個分布式的馬賽克網狀作戰體系。 圖1(a)為紅藍雙方交戰的初始狀態。藍方各馬賽克節點已經形成了相對固定的對敵目標打擊環路。 圖1(b)為交戰過程的中間狀態。隨著戰斗的進行, 紅方擊潰了藍方某些作戰節點, 切斷了部分信息鏈路, 撕裂了藍方原有的作戰體系。在這種情形下, 馬賽克作戰體系快速做出反應, 基于預定的規則, 各作戰節點快速修復打擊環路, 形成了針對預定目標的多個OODA環, 確保作戰任務不間斷。

圖片

圖1 ? 馬賽克戰作戰概念

Fig.1 ? Operational concept of mosaic warfare

1.2 主要特點
1.2.1 面向實戰

馬賽克戰著眼于實戰場景下敵我雙方的高強度對抗, 重視對手的區域拒止能力, 正視戰場上可能遇到的戰爭迷霧和突發事件。它設想在戰斗過程中可能遭到對方的突襲和破壞, 導致通信網絡和數據鏈路被中斷, 作戰信息流被干擾, 作戰要素被孤立, 作戰體系網被破壞等。在此情形下, 去設計每個作戰節點和整個作戰體系。

1.2.2 高度分布

馬賽克戰繼承和發揚了“分布式作戰”的理念, 強調將平臺要素分解為最小的功能單元, 以分布式作戰管理取代集中式指揮控制, 用高度分散的殺傷網取代殺傷鏈, 確保網絡具有較多的冗余節點, 沒有不可或缺的關鍵節點。這種高度分布的特性使之具備了作戰節點數量上的絕對優勢和功能/性能/價格上的相對優勢, 給作戰帶來了很多新的變化。

1.2.3 靈活敏捷

馬賽克戰的靈活敏捷性體現在多個方面: 一是資源調配的靈活性。大規模空中作戰行動中, 空域、 頻譜等各類作戰資源十分緊張, 馬賽克作戰體系可根據戰場實時態勢, 自適應動態調配各類作戰資源。二是“觀察-判斷-決策-行動”(OODA)循環的敏捷性。面對敵方的動態威脅, 根據可用資源, 將低成本傳感器、 多域指揮與控制節點以及相互協作的有人、 無人系統等靈活組合, 快速拼裝出復雜的殺傷網體系。

1.2.4 韌性抗毀

馬賽克作戰體系具有韌性、 抗摧毀等特點。在指揮上采用分布式作戰管理體制, 沒有明顯的關鍵指揮節點, 即使對方破壞了部分指揮節點, 也并不影響整體指揮效能。在殺傷效果方面, 采用高度分散的殺傷網, 各類武器平臺具有大量、 小型、 價格低廉、 地理位置高度分散等特點, 即使部分殺傷節點被破壞, 作戰體系將快速尋找其他殺傷路徑, 確保整體的殺傷效能不受影響。

1.2.5 成本低廉

馬賽克戰的成本低廉性體現在兩個方面: 一是馬賽克戰不需要特別研制價格高昂的專用裝備, 針對所需作戰能力, 僅依靠現有裝備的自主式組合, 就可以形成所需的體系作戰能力。二是馬賽克戰旨在發展大量、 小型、 價格低廉、 模塊化、 功能單一的無人平臺, 并將它們部署在沖突對抗的最前沿。這些無人平臺比傳統平臺數量更多, 成本更低, 能夠承受較高的損失。DARPA所進行的馬賽克部隊第3次兵棋推演中[6], 損失的平臺成本不到傳統部隊的1/3。

1.3 關鍵作戰應用技術
馬賽克作戰體系需要研究和突破的智能技術有很多, 這里梳理了7項關鍵的作戰應用技術。

1.3.1 動態通信組網技術

通信組網[11]將相互分散的作戰單元鏈接起來, 形成靈活機動的彈性作戰效果網, 是馬賽克作戰體系的“神經系統”。通過引入動態通信組網技術, 構建基于任務驅動的智能空中信息網絡, 支持各類馬賽克作戰單元的動態接入和實時通信, 實現網絡的自規劃、 自重構、 智能流量管理等功能, 為戰場態勢信息網絡化感知、 情報信息實時共享, 以及作戰資源的快速調度提供敏捷高效的通信服務。在動態通信組網技術的支持下, 指揮官可以控制那些他們能夠聯系的部隊, 并能夠根據實時通信情況動態調整決策部署。

1.3.2 彈性信息共享技術

信息共享為每一個作戰單元提供所需的情報信息、 作戰態勢信息、 行動指令信息、 節點狀態信息等, 是馬賽克作戰體系的“血液系統”。馬賽克戰正視軍事沖突中固有的迷霧和摩擦, 強調每一作戰要素都可以動態接入網絡, 鏈接形成彈性作戰信息網。為此, 網絡信息體系就必須具備靈活性、 自適應性和彈性。這表現在兩個方面: 一是網狀信息傳播機制。信息傳遞不是采用固定路徑, 而是采用網狀傳播路徑, 創建大量的冗余功能節點, 確保信息可達性。二是多域互操作, 馬賽克作戰要素涉及陸、 海、 空、 天、 網等多個物理域, 各個分系統之間可能沒有通用數據標準, 要在具有不同物理層協議的異構網絡上實現跨域操作。

1.3.3 四維空域動態管理技術

空域是空中作戰行動的核心資源[12], 空域動態管理為每個馬賽克作戰單元智能規劃了活動空間和運動軌跡。通過研究先進的空域態勢理解和空域規劃決策算法, 為作戰人員提供四維(三維空間和時間)空域的動態圖像, 并根據作戰進程和任務需求, 自動為作戰兵力調配空域資源。四維空域動態管理可以消除同一空域中各類馬賽克作戰單元的活動沖突, 并利用傳感器網絡探測和繪制敵方位置, 快速對抗敵人戰場行動。

1.3.4 自適應作戰管理規劃技術

大規模空中作戰行動出動兵力多、 作戰過程難于預測, 預先制定的任務計劃可能無法滿足馬賽克作戰體系高度動態化的作戰需求。自適應作戰管理規劃是馬賽克作戰體系的“智能管家”, 基于語義解析、 知識圖譜、 統計優化等技術手段, 構建基于意圖的自適應作戰規劃方法, 自動生成和指派作戰任務, 實現作戰任務的自適應管理規劃功能。

1.3.5 智能無人作戰平臺技術

智能無人作戰平臺[13]可根據任務需要靈活重構任務載荷, 是馬賽克作戰體系的“重拳”。作戰功能分散在各個平臺上, 通過廣泛的協作形成復雜的感知、 決策、 攻擊網絡。以攻擊網絡為例, 馬賽克戰殺傷網體系中很多功能分布在大量、 小型、 廉價、 多樣的自主無人武器平臺上, 包括無人機、 無人艦艇、 無人戰車等。這些平臺分散部署, 處于陸、 海、 空等戰場中不同的地理方位, 給作戰帶來了很多新的變化。

1.3.6 自主作戰決策技術

人工智能賦能的決策支持技術, 可以增強指揮官的決策支持能力, 使指揮官能夠管理快速且復雜的行動。自主作戰決策是馬賽克作戰體系的“附腦”, 基于人工智能實現快速的決策支持, 解決任務指揮的局限性, 實現了人類指揮與基于人工智能的機器控制的結合。人類指揮和機器控制將充分利用人和機器各自的優勢, 人類提供了靈活性, 并運用他們的創造性見解, 而機器提供了速度和規模。

1.3.7 馬賽克實驗推演評估技術

馬賽克戰提出發展馬賽克實驗能力[14], 即發展相關概念和技術, 對馬賽克戰進行實驗、 試驗和鑒定, 并直接推動馬賽克戰概念和能力的發展。馬賽克實驗推演評估, 基于博弈分析、 高性能仿真、 模型預測等技術手段, 實現交戰過程快速推演、 交戰結果分析評估、 戰場態勢變化預測等功能, 是馬賽克戰研究的重要輔助手段。

2 人工智能技術域
近年來, 深度學習等人工智能技術[15]取得突破性進展, 人工智能在態勢感知、 信息處理、 指揮控制、 輔助決策、 無人作戰系統等領域發揮越來越重要的作用。馬賽克作戰概念的產生也離不開人工智能領域的技術支撐。本文將人工智能領域劃分為算力算法基礎層和通用人工智能技術層, 并進一步明確了20個典型的通用人工智能技術域。

美國2018年《國防部人工智能戰略》給出了“人工智能”的簡明定義[16]: 人工智能是指機器執行那些通常需要人類智能才能完成任務的能力, 包括做出預測、 得出結論或采取行動等。當前, 人工智能領域主要由4大要素構成: 強大算力、 智能算法、 海量數據和應用場景[17], 通過“算力+算法+數據+場景”的疊加效應, 有效促進了人工智能領域的進步。軍事領域是一類特殊的應用領域, 存在著不同類別的復雜應用場景, 比如戰略預警、 防空反導、 空中交戰、 指揮控制、 通信導航等, 也存在著不同類別、 不同密級的海量異構數據。這里將通用的算力、 算法及承載各類算法的平臺框架剝離出來, 形成算力算法基礎層[18,19]。

當前, 學術界對人工智能技術并沒有明確的定義和分類[20,21,22], 各種文獻對智能技術的使用也較為混亂。本文將人工智能技術群劃分為20個技術域。

2.1 計算機視覺技術域
計算機視覺是指對目標進行捕獲、 跟蹤和測量, 并進一步提取、 處理、 分析和理解圖像或圖像序列, 從中識別出物體、 場景和活動的技術。通俗地講, 計算機視覺是研究如何使機器“看”的科學。計算機視覺可分為計算成像學、 圖像理解、 三維視覺、 動態視覺和視頻編解碼等5大類。早在1976年, DARPA就開始資助圖像識別類項目, 嘗試開發能夠自動分析軍事照片和相關圖片的技術。近年來, DARPA先后啟動了“戰術應用偵察節點”(TERN)、 “分層識別驗證及利用”(HIVE)、 “自動目標識別”(ATR)、 “目標識別與適應”(TRACE)等項目, 提升偵察、 監視和目標識別能力。計算機視覺相關技術有著廣泛的應用, 包括安防監控、 交通監控、 無人駕駛、 無人機、 金融、 醫療等方面。

2.2 語音識別技術域
語音識別讓機器通過識別和理解把語音信號轉變為對應文本或命令的技術。語音識別是實現人機交互的窗口, 相對于鍵盤和鼠標的人機交互模式, 人們更傾向于語音這種便捷的方式。DARPA很早就認識到人工智能可以大量滿足國家安全需要, 最初的研究重點就是語音識別和語言翻譯, 先后啟動了“語音理解研究計劃”(SUR)、 “大詞匯量連續語音識別系統”(LVCSR)、 “全球自動化語音情報利用”(GALE)等項目, 推動語音識別研究向廣度和深度發展。目前, 語音識別相關技術主要應用在車聯網、 智能翻譯、 智能家居、 自動駕駛等方面。

2.3 自然語言處理技術域
自然語言處理(NLP)是指識別、 理解、 解釋和操縱人類文本語言, 實現機器與人類使用自然語言進行溝通的技術, 主要包括自然語言理解和自然語言生成兩個部分。前者是指計算機理解自然語言文本的意義, 主要包括機器翻譯、 語義理解、 問答系統等; 后者是指以自然語言文本來表達給定的意圖、 思想等。近年來, DARPA先后啟動了“全球自動化語言情報利用”(GALE)、 “機器閱讀”(Machine Reading)、 “文本深度發掘和過濾”(DEFT)等項目, 以提高實時翻譯、 自然文本知識插入、 結構化文本信息發掘與整合等方面的技術, 并將這些技術用于作戰評估、 規劃、 預測的輔助決策支持中。目前, 自然語言處理技術已廣泛應用于垃圾郵件過濾、 文章標題生成、 電影字幕創建、 場景描述等。

2.4 專家系統技術域
專家系統是一類具有專業知識和人類經驗的計算機智能程序系統。其系統設計方法是以知識庫和推理機為中心而展開, 即專家系統=知識庫+推理機, 因此專家系統也稱為基于知識的系統。專家系統的出現使人工智能的研究重點從理論轉向應用。早在20世紀80年代, DARPA就開始支持專家系統的研究、 開發和在軍事領域的應用, 相關技術包括知識獲取、 知識表示、 知識應用、 軟件設計等。目前, 專家系統的研究已較為成熟, 在工業工程、 教育等多個領域有較多應用。

2.5 知識圖譜技術域
知識圖譜是結構化的語義知識庫, 是一種揭示實體之間關系的語義網絡, 它用符號形式描述客觀世界中的概念、 實體及其相互關系, 并把復雜的知識領域通過數據挖掘、 信息處理和圖形繪制而顯示出來。知識圖譜技術是人工智能技術的重要組成部分, 關鍵技術包括知識抽取、 知識表示、 知識融合、 知識加工、 知識更新等。2012年, DARPA啟動“X計劃”, 用知識圖譜描繪戰場地圖支撐VR作戰。目前知識圖譜技術在智能搜索、 智能問答、 個性化推薦等服務中產生了廣泛的應用價值, 同時, 也面臨很大的挑戰, 如數據噪聲問題、 數據冗余等。

2.6 大數據分析技術域
大數據分析是從多源異構海量數據中快速獲取有價值信息的技術, 具有5V特點: 數據量大; 速度快; 類型多; 價值高; 真實性強。大數據分析技術主要包括數據訪問、 數據存儲、 數據挖掘、 數據共享、 數據可視化等。近年來, DARPA相繼啟動了“X-數據”(X-DATA)、 “洞察系統”(Insight)、 “數據到決策”(DtoD)、 “數據驅動的模型發現研發”(D3M)等一系列大數據研發項目, 在大數據分析技術域上形成了比較完整和全面的研發布局。目前, 大數據分析已廣泛應用在預測分析、 風險控制、 風險定價、 量化投資、 決策支持等領域。

2.7 引擎推薦技術域
引擎推薦是基于用戶的行為、 屬性、 社交關系, 對象的分類、 內容、 屬性等, 通過算法分析和處理, 挖掘用戶當前或潛在需求, 并主動向用戶推薦其感興趣對象的技術, 主要包括基于內容的推薦、 基于行為的推薦和基于社交網絡的推薦等。推薦引擎技術已經應用在生活的方方面面, 包括電子商務平臺商品推薦, 搜索結果智能匹配, 微博、 社區等站內推薦, 視頻/音樂推薦等。

2.8 虛擬個人助理技術域
虛擬個人助理(VPA)是指具有組織、 學習及認知能力, 能夠與人們進行語音、 文字等形式交互的數字助理軟件。主要包括前端和后端兩部分, 前端面向用戶, 包括人機交互、 語音識別、 語音合成等技術; 后端包括網頁搜索、 知識搜索、 知識庫、 問答推薦等技術。2003年, DARPA啟動了“學習型個人助理”(PAL)項目, 投資研發了“戰士的仆人”(CALO)系統, 旨在開發一個讓軍方簡化處理復雜事務, 并具備認知能力, 能夠進行學習、 組織的數字助理。而后這一研發成果的民用版演化為蘋果手機上的Siri語音助理。虛擬個人助理用途極其廣泛, 包括目標查詢、 家電操控、 健康監控、 虛擬教學等。

2.9 生物特征識別技術域
生物特征識別是指利用人體固有的指紋、 掌紋、 手形、 人臉、 虹膜、 聲紋、 DNA等生理特征或步態、 簽名等行為特征進行身份識別、 認證和鑒定的技術。識別過程涉及到圖像處理、 計算機視覺、 語音識別、 機器學習等多項技術。2013年, DARPA啟動了“主動認證”(AA)項目, 旨在融合使用生物特征識別技術來捕捉用戶認知軌跡, 開發新型身份驗證方法。目前生物特征識別作為重要的智能化身份認證技術, 在金融、 公共安全、 教育、 交通等領域得到廣泛的應用。

2.10 VR/AR/MR技術域
虛擬現實(VR)/增強現實(AR)/混合現實(MR)是以計算機仿真與圖形學為核心的新型視聽技術, 為用戶生成在視覺、 聽覺、 觸感等方面與真實環境高度相似的數字化環境, 并支持用戶與數字化環境中的對象進行交互。具體來講, VR是將用戶置身于虛擬環境之中, VR=虛擬世界; AR是將動態的數字化信息加在用戶的視覺域之上, 強調讓虛擬技術服務于真實現實, AR=真實世界+數字化信息; MR是真實世界和虛擬世界的無縫融合, MR=VR+AR。按照不同處理階段, AR/VR/MR可分為獲取與建模技術、 分析與利用技術、 交換與分發技術、 展示與交互技術、 技術標準與評價體系等。DARPA自20世紀80年代起一直致力于研究SIMNET虛擬戰場系統, 輔助軍兵種協同訓練。目前AR/VR/MR技術在VR游戲、 VR教育、 AR購物、 AR醫療、 MR航空、 MR家居、 MR試裝、 全景視頻等領域的應用越來越廣泛。

2.11 推理決策技術域
推理決策是指計算機程序模擬人類智能, 為達到一定目標, 按照某種策略從已有事實和知識推出結論、 做出決策并付諸實施的過程。推理決策技術包括確定性推理決策和不確定性推理決策, 前者包括圖搜索、 盲目搜索、 啟發式搜索、 消解原理、 規則演繹系統、 產生式系統等技術; 后者包括不完備、 不精確知識的推理, 模糊知識的推理, 非單調性推理等。人工智能系統的智能水平主要體現在求解不確定性問題的能力上。2019年, DARPA啟動了“以知識為導向的人工智能推理模式”(KAIROS)項目, 旨在建立復雜現實事件的圖譜結構和知識庫, 構建能夠對事件進行分析和預測的人工智能模式識別能力。推理決策的用途十分廣泛, 最常見的是用在工業、 教育等行業的各類輔助決策支持系統。

2.12 可解釋AI技術域
可解釋人工智能(XAI)是人工智能領域的一個新興分支[23], 研究如何通過動態生成的圖表或文本來描述和理解AI技術做出決策的路徑, 解釋AI決策背后的邏輯。在軍事、 金融等高監管、 高風險、 高價值的行業中, 信任計算機的決策而不理解為什么這樣做, 就可能面臨著極大的風險。傳統的人工智能/機器學習算法在輸入數據和輸出答案之間存在著不可觀察的黑盒空間, 因此, 對XAI的研究也應運而生。2017年, DARPA啟動了“可解釋人工智能”項目, 旨在產生更多可解釋的模型, 同時保持高水平的預測準確性, 使用戶能夠理解、 信任并有效管理新一代人工智能伙伴。XAI將建立起信任的橋梁, 使人類能夠適應并習慣與智能機器一起工作。雖然XAI目前面臨著巨大的挑戰, 但未來的應用前景十分可觀。

2.13 自主無人系統技術域
自主無人系統是指可應對非程序化或非預設態勢, 具有一定自我管理和自我引導能力而不需要人工干預的系統。按照自主程度不同, 可將自主無人系統分為5類: 零自主性級別、 簡單輔助級別、 態勢感知級別、 管理控制級別和全自主級別。利用人工智能的各種技術, 如圖像識別、 人機交互、 智能決策、 推理和學習, 是實現和提高系統自主性和智能性的最有效方法。近年來, DARPA先后啟動了“快速輕量自主”(FLA)、 “拒止環境下協同作戰”(CODE)、 “自主無人作戰飛機”(Skyborg)等項目, 推進無人系統自主能力發展。當前, 自主無人系統面臨諸多挑戰, 比如情景理解能力、 學習能力等, 但隨著研究的深入, 未來自主無人系統將有廣泛的應用, 包括無人車、 無人機、 服務機器人、 無人艦艇和無人車間等。

2.14 智能機器人技術域
智能機器人是指能夠理解和使用人類語言, 具有感知、 處理、 決策、 執行等模塊, 能夠自動完成各項擬人任務, 總結經驗和自主學習的智能人形機器。智能機器人具備自主性、 適應性和交互性等特點, 相關研究技術包括多傳感器信息融合技術、 導航與定位技術、 路徑規劃技術、 機器人視覺技術、 智能控制技術和人機接口技術等。近幾十年, DARPA先后啟動了“戰術機動機器人”(TMR)、 “機動自主機器人軟件”(MARS)、 “分布式機器人軟件”(SDR)、 “自主機器人操縱”(ARM)等項目, 布局機器人相關技術研究。智能機器人在不同領域有著廣泛的應用, 工業上有弧焊機器人、 人機協作機器人等, 服務行業有消防救援機器人、 手術機器人等, 同時, 智能機器人也在深海探測、 作戰偵察、 搜集情報、 搶險救災等工作中發揮重要作用。

2.15 群體智能技術域
群體智能是指通過模擬自然界生物群體行為來實現人工智能的一類技術[24], 強調算法中個體行為的簡單性、 群體的多樣性和全局性, 以及優異個體帶來的進化性, 并且有不斷修正和進化的策略。群體智能算法有很多, 包括蟻群算法、 粒子群優化算法、 魚群算法、 蛙跳算法、 菌群算法、 人工蜂群算法、 花朵授粉算法、 螢火蟲算法、 布谷鳥算法、 蝙蝠算法、 狼群算法、 煙花算法、 合同網協議算法、 人群模擬算法等。群體智能技術具有以下特點: 分布式控制、 可擴展性好、 簡單實現性、 群體自組織性、 抗干擾性強等。2015年, DARPA啟動“進攻性蜂群戰術”(OFFSET)項目, 旨在推進蜂群自主性、 人與蜂群編隊、 蜂群感知、 蜂群網絡、 蜂群后勤等5項蜂群使能技術的發展。群體智能技術在社會各領域有著極其廣泛的應用: 蟻群算法已廣泛應用于電力系統、 車輛、 店鋪、 人員等資源調度和分配中; 粒子群優化算法廣泛應用于神經網絡訓練、 模糊系統控制等應用領域; 基于群體智能的人群模擬技術被廣泛應用于電影特效中等。

2.16 類腦智能技術域
類腦智能是受人類大腦神經運行機制和認知行為機制啟發, 以計算建模為手段, 利用神經形態計算來模擬大腦處理信息過程, 通過軟硬件協同實現的機器智能技術。構建大腦模型, 發展類腦計算機芯片, 是推動人工智能技術發展的重要途徑。先進國家積極布局類腦智能研發, DARPA先后啟動了“大腦定量模型”(QMoB)、 “大腦數學系統”(MoB)、 “神經形態自適應可塑可擴展電子系統”(SyNAPSE)、 “神經功能、 活動、 結構與技術”(Neuro-FAST)等項目, 研究大腦如何存儲和調用信息, 研制新一代類腦計算機芯片。目前, 由于大腦機理認知尚不清楚, 以及現有計算架構和能力的制約, 類腦智能技術還主要處于實驗室研究階段。

2.17 人機混合智能技術域
人機混合智能以人類智慧和機器智能深度協作與融合為目標, 通過相互連接通道, 建立兼具人類的感知、 記憶、 推理、 學習等能力和機器智能體的信息整合、 搜索、 計算等能力的新型智能系統。人機混合智能包括兩種: 一是人在回路的混合增強智能, 將人的作用引入到智能系統中, 使人的感知、 認知能力和機器運算、 存儲能力相結合, 構成“1+1>2”的增強智能形態; 二是基于認知計算的混合增強智能, 在人工智能系統中引入受生物啟發的智能計算模型, 構建基于認知計算的混合增強智能。DARPA先后啟動了“人機通信”(CWC)、 “神經工程系統設計”(NESD)、 “解碼神經活動”(DeNA)、 “下一代非手術神經技術”(N3)等項目, 尋求戰場士兵的超級認知、 快速決策和腦控人機編隊等超腦和腦控能力。人機混合智能具有非常廣闊的應用前景, 可廣泛應用于工業、 服務業、 軍事等領域, 具體產品包括融入混合智能的神經智能假肢、 腦機一體化的外骨骼系統、 人機融合操控的無人系統等。

2.18 智能化建模仿真技術域
智能化建模仿真是指建模仿真技術與智能技術、 信息通信技術及各應用領域專業技術進行深度融合, 以大數據資源、 高性能算力、 智能模型/算法為基礎, 以提升系統建模、 優化運行及結果分析處理等整體智能化水平為目標的技術。主要分為兩類: 一是智能地仿真, 即將智能作為仿真的方式; 二是智能的仿真, 即將智能作為仿真的對象。美國國防部自主性利益共同體于2019年開始創建通用型模擬、 評估、 分析和測試仿真環境, 旨在通過持續部署集成各類仿真技術, 實現基于軟件云的AI算法即插即用即評估功能。美國陸軍研究實驗室專門開發連續自主性仿真試驗環境構設技術, 實現大樣本并行仿真多種想定場景和測試陸戰自主系統性能邊界。目前, 智能化建模仿真技術已廣泛應用于航空航天、 教育醫療、 交通物流等社會各領域中。在航空領域已應用到了飛機設計、 制造、 使用和維護的全生命周期中; 在交通領域, 通過對城市綠波帶交通控制進行智能化仿真, 有效提高了交通通行率; 在國防軍工領域中, 實況仿真常用于實兵實裝演練中, 虛擬仿真常用于兵棋推演中, 構造仿真常用于計算機生成兵力、 分析模型中, 自主仿真常用于無人自主系統試驗鑒定中[25]。

2.19 體系集成技術域
體系集成是指通過先進通信網絡和智能算法將各個分系統、 各類硬件和軟件等要素集成為能夠滿足用戶特定需求的復雜信息系統, 集成后的各部分之間能夠智能、 快速、 高效地協同工作, 達到整體優化的目的。體系集成的本質就是用智能技術實現最優化的綜合統籌設計。2014年, DARPA啟動了“體系綜合技術和試驗”(SoSITE)項目, 聚焦于發展分布式空戰概念、 架構和技術集成工具, 將有人機作戰能力分散到大量具備某一個或某些功能的各類小型平臺上, 實現平臺間數據共享、 多機組網、 協同配合等, 進而形成分布式空中作戰體系。2015年啟動的復雜適應性系統和設計環境(CASCADE)項目, 探索和創新可以深入理解系統組件交互行為的數學方法, 使得可使用任意系統組件適應動態環境, 解決現有及新系統的集成問題。

2.20 信息安全技術域
人工智能時代的信息安全是指在安全威脅日趨自動化、 智能化的情況下, 利用智能技術檢測和防范新興復雜威脅, 確保信息系統的設備安全、 數據安全、 內容安全和行為安全。相關技術包括通信網絡安全技術、 多手段身份認證技術、 多層級主機加固技術、 智能防火墻技術、 主動檢測監控技術、 新一代加密解密技術、 安全審計技術等。2017年, DARPA啟動“可靠自主性”(AA)項目, 旨在開發用于建模、 系統設計、 形式驗證、 基于模擬的測試、 機器學習和安全保證學習的新技術, 確保“學習使能的自主信息物理系統”(LAS)在全壽命周期各階段的安全性。目前, 信息安全已經成為關系到國家各行各業安全與社會穩定的重要領域[26]。

3 人工智能支撐馬賽克戰研究
3.1 人工智能和馬賽克戰的關系
3.1.1 人工智能技術的驅動

馬賽克作戰概念的產生離不開人工智能領域的技術驅動。近年來, 隨著深度學習、 大數據、 云計算、 物聯網等智能技術的發展, “算力+算法+數據+場景”的疊加有效促進了通用人工智能技術的進步, 也大幅跨越了科學與應用之間的“技術鴻溝”。諸如圖像識別、 自然語言處理、 推薦引擎、 虛擬個人助理、 無人系統等人工智能技術, 實現了從“不能用、 不好用”到“可以用、 很好用”的技術突破, 也同步向軍事作戰領域滲透。卡內基梅隆大學、 麻省理工學院等知名高校, 微軟、 谷歌等商業公司以及洛克希德·馬丁、 波音、 諾思羅普·格魯門等軍工企業, 為美軍裝備技術的智能化提供了強勁動力。DARPA、 美軍各軍種實驗室等單位相繼啟動的終生學習機(L2M)、 可解釋人工智能(XAI)、 體系集成技術與試驗(SoSITE)、 分布式作戰管理(DBM)、 指南針(COMPASS)、 拒止環境協同作戰(CODE)、 人機溝通(CWC)、 空戰演進(ACE)、 最優化動態適應網絡(DyNAMO)、 戰場物聯網(IoBT)、 可視化情報系統(VIS)、 忠誠僚機(LW)、 自主無人作戰飛機(Skyborg)等項目取得了豐碩成果, 為馬賽克戰的提出奠定了技術基礎。

3.1.2 人工智能技術的支撐

將馬賽克戰/決策中心戰的實現基礎歸納為兩點: 基于自主系統的分布式作戰和任務指揮、 基于人工智能的快速決策支持。這里對這一觀點進行補充, 自主系統的內涵是指可應對非程序化或非預設態勢, 具有一定自我管理和自我引導能力的系統。自主化可以被看作是自動化的外延, 是智能化和更高能力的自動化。自主系統的實現離不開人工智能技術的支撐。因此, 不論是基于自主系統的作戰指揮, 還是基于人工智能的決策支持, 都離不開人工智能技術的支撐。馬賽克戰/決策中心戰的實現, 歸根結底在于充分發掘和利用成熟的人工智能技術。人工智能對美軍電子信息領域的影響框架如圖2所示。

圖片

圖2 ? 人工智能對美軍電子信息領域的影響框架

Fig.2 ? The influence framework of AI on U.S. military electronic information field

3.2 人工智能技術域對馬賽克戰關鍵作戰應用技術的支撐
3.2.1 動態通信組網方面

通信組網是大規模空中作戰行動的基礎。在馬賽克戰中, 具體的應用方案是: 在作戰行動實施階段, 快速連接傳感器、 武器平臺、 兵力編隊等各類作戰要素, 利用數據分析和推理決策技術智能識別每一要素所屬作戰群, 進而建立起分布式網絡拓撲結構, 構建整個通信網絡圖譜結構, 利用網絡安全技術防范敵方的網電攻擊。當我方作戰要素被干擾或被擊潰時, 利用群體智能技術、 引擎推薦技術等快速生成新的網絡互聯方案。動態通信組網的關鍵技術包括網絡態勢感知、 異構網絡組網、 通信網絡智能規劃與動態演進、 強對抗環境下的網絡行為控制與資源調度、 網絡自重構、 智能流量管理等技術, 涉及知識圖譜、 大數據分析、 引擎推薦、 推理決策、 群體智能、 信息安全等6個技術域。

3.2.2 彈性信息共享方面

信息資源是各個作戰單元的基礎依托。馬賽克作戰體系中數據來源廣、 種類多。在馬賽克戰中, 具體的應用方案是: 對圖像、 語音等大規模異構數據進行匯聚、 處理、 融合和智能分發, 將數據快速、 準確地傳送給每一個作戰單元。彈性信息共享關鍵技術包括分布式傳感器網絡管理、 多源異構信息融合、 信息智能轉發與服務、 信息安全管理等技術, 涉及計算機視覺、 語音識別、 自然語言處理、 大數據分析、 引擎推薦、 推理決策等技術域。

3.2.3 空域動態管理方面

空域動態管理為每一個馬賽克作戰單元智能調配了四維作戰區域(時間和空間)。在馬賽克戰中, 具體的應用方案是: 在作戰行動籌劃階段, 自動規劃每一個作戰單元的活動空域, 并協調彼此之間可能出現的活動沖突; 在作戰行動中, 當出現突發事件后, 對作戰空域進行臨機調整, 提高了馬賽克作戰體系的作戰協同性。空域動態管理關鍵技術包括空域態勢理解、 空域規劃評估、 空域結構沖突檢測、 空域活動沖突檢測、 融合時間與空間的四維空域顯示等技術, 涉及到計算機視覺、 專家系統、 大數據分析、 引擎推薦、 推理決策、 智能化建模仿真等技術域。

3.2.4 自適應作戰管理規劃方面

自適應作戰管理規劃協助指揮員擬制和指派作戰任務。在馬賽克戰中, 具體的應用方案是: 優化作戰管理規劃系統, 協助指揮員分解作戰任務、 生成行動序列、 調配作戰資源等。其關鍵技術包括作戰任務自適應分解、 作戰行動序列自動生成與指派、 作戰資源動態調配、 指揮控制/引導指令自動生成、 任務沖突檢測與消解等技術, 涉及自然語言處理、 專家系統、 知識圖譜、 大數據分析、 引擎推薦、 推理決策等技術域。

3.2.5 智能無人作戰平臺方面

智能無人作戰平臺是馬賽克作戰體系中的關鍵支撐節點。在馬賽克戰中, 應用方案是: 研制自主化和智能化的無人作戰單元, 使其具備一定的自主作戰能力, 并能夠彼此協同形成大規模作戰群。其關鍵技術包括: 人機交互、 人機協同、 拒止環境下自主協同、 無人平臺運載、 發射與回收等技術, 涉及到推理決策、 可解釋AI、 自主無人系統、 智能機器人、 群體智能、 人機混合智能等技術域。

3.2.6 自主作戰決策方面

自主作戰決策提高了指揮員與智能系統之間的協同能力。在馬賽克戰中, 應用方案是: 提升作戰決策支持系統的智能化水平, 推演和預測戰場局勢, 使指揮官能夠管理快速和復雜的行動。自主作戰決策關鍵技術包括戰場局勢智能推演、 作戰方案自動生成、 啟發式推理決策、 規則演繹式推理決策等技術, 涉及推理決策、 可解釋AI、 群體智能、 類腦智能、 人機混合智能等技術域。

3.2.7 馬賽克戰實驗推演評估方面

當前, 馬賽克戰還處于理論研究階段, 后續的發展離不開實驗室環境下的推演評估。具體的應用方案是構建馬賽克推演評估實驗室, 對敵我雙方兵力實體進行建模仿真, 對作戰方案進行智能推演, 對行動過程進行智能分析等。相關技術包括多級多類作戰實體智能模型構建技術、 基于機器學習的作戰方案智能推演引擎技術、 作戰方案的智能化評估技術、 智能化實驗分析技術、 實時動態博弈分析技術、 高性能建模仿真技術等, 涉及虛擬個人助理、 VR/AR/MR、 推理決策、 智能化建模仿真、 體系集成、 信息安全等技術域。

圖3顯示了各人工智能技術域與馬賽克戰應用技術之間的關系, 人工智能技術的發展和進步推動著馬賽克戰作戰應用技術走向成熟。從圖中也可以看出, 大數據分析、 引擎推薦、 推理決策這3個技術域所支撐的關鍵作戰技術最多, 是未來需要重點關注的技術。

圖片

圖3 ? 人工智能技術域與馬賽克戰應用技術的關系

Fig.3 ? The relationship between AI technology domains and mosaic warfare application technologies

3.3 人工智能支撐馬賽克戰體系架構
對人工智能支撐馬賽克作戰概念的整體架構進行了梳理, 如圖4所示。從底層算力算法基礎層出發, 利用強大算力、 高效架構平臺及深度學習算法支撐通用AI技術層。通過對AI技術域進行組合, 支撐馬賽克戰概念的關鍵作戰應用層。通過對各種作戰應用技術進行組合, 形成分布式作戰指揮能力及快速決策支持能力, 支撐起整個馬賽克作戰體系。

圖片

圖4 ? 人工智能支撐馬賽克戰架構圖

Fig.4 ? The architecture diagram of mosaic warfare supported by AI

4 結論
隨著馬賽克戰研究的不斷深入, 將牽引各項人工智能技術和作戰應用技術走向成熟, 并將逐步變革和顛覆現有的裝備體系及作戰模式。馬賽克作戰概念的核心, 在于深度發掘和充分利用人工智能技術。在這個理念的指導下, 本文進行了以下創新性工作: 一是在分析馬賽克戰概念內涵的基礎上, 指明了7項馬賽克戰關鍵作戰應用技術; 二是針對當前學術界對“人工智能”術語和人工智能技術的使用較為混亂的現狀, 歸納總結了20個通用的人工智能技術域; 三是分析了馬賽克戰與人工智能之間的關系, 給出了人工智能支撐馬賽克作戰概念的體系架構。

未來可以在本文研究的基礎上, 進一步細化每一個人工智能技術域, 形成更詳細的技術群和技術發展路線圖, 促進人工智能技術向軍事領域的應用和轉化。

審核編輯：符乾江