戰爭與認知計算平臺：美軍加大投入搶占人工智能“制高點”

張策

當今世界正在興起人工智能、機器學習和自然語言處理等熱潮。2017年2月，被認為是世界上最大的認知計算平臺——IBM超級計算機系統沃森參加美國智力游戲《危險邊緣》，擊敗了兩位最優秀的選手詹寧斯和魯特奪得冠軍，成為各大媒體頭條新聞。谷歌公司的AlphaGo在圍棋比賽中也擊敗了柯潔和李世石等圍棋界頂尖選手。各大公司都在積極尋求多種解決方案加強人工智能最新技術的應用，并將其融入到產品線：亞馬遜使用優化算法為企業提供更好的產品建議； Facebook正在尋求建立讓更多的社交媒體用戶之間形成聯系，并已付諸實施；與此同時，IBM正在將沃森系統作為分析師，為使用它的公司帶來顯著的生產效率和經濟效益。

在軍事工業方面，美國國防部也在積極推動利用人工智能技術輔助解決軍事問題。計算機視覺系統能夠幫助圖像分析師更快地識別潛在目標；后勤保障人員可以通過機器學習系統來管理斯特賴克作戰車輛的維護需求；情報機構利用深度學習系統建立分析模型，發現敵方威脅活動中隱含的聯系。但是美軍并不滿足于當前這些成果，認為這些努力還沒有達到美軍提出的“卓越部隊任務式指揮中心”建設所構想的人工智能應用目標，美軍希望將人工智能技術形成一個綜合系統，真正成為作戰和指揮人員的左膀右臂，幫助其了解作戰環境，在整個作戰流程中起到支撐作用。

要實現這一目標，美軍認為必須要進一步開拓視野，在通用人工智能系統的旗幟下整合多種不同的應用工具，形成同步運行、統一處理的綜合運用效能。

警示故事

幾十年來，很多電影都涉及了人工智能問題，提供了若干人工智能應用的典型范例，如1968年拍攝的《2001太空漫游》中的HAL 9000，1983年拍攝的《戰爭游戲》中的約書亞，以及《終結者》系列中的Skynet。雖然應用題材來自于科幻小說，但這些流行影片中描述的故事都向人們發出了人工智能系統誤入歧途的警告，為現實世界中人工智能系統的創作劃定了界限。

由美國國防部常務副部長羅伯特·沃克領導完成并發布的第三次“抵消戰略”極大地促進了人工智能在軍事上的應用，國防部正在進行多項協調工作促進人工智能項目研發。2017年4月，沃克任命了算法作戰跨職能小組，旨在加強人工智能及機器學習等技術領域向作戰融合，促進人工智能應用系統在軍事領域的開發和列裝。沃克表示，雖然我們試探性地研究了人工智能、大數據及深度學習的潛力，但我們需要在整個國防部范圍內更快、更多地開展工作，以充分利用這些關鍵領域當前及未來技術進步所帶來的優勢。當前人工智能應用系統通常僅局限于解決相對較小的問題，并且只針對特定的、狹隘的目標，各系統互不兼容，很容易形成相對獨立的“煙囪”。

而美國陸軍希望構建的是一個更宏大的人工智能應用體系。按照陸軍作戰概念對人工智能系統的描述，它將是能夠展開部署的具有學習能力的自動化或半自動化系統。機器人與自動化系統戰略描述了目標指示和預警、信息對抗和網絡防御以及其他方面的應用。對人工智能產生質疑的一個關鍵假設是，它們都已經受過相關培訓，對作戰環境非常了解，可以防護網絡或提出建議。然而迄今為止，沒有采取任何措施幫助新生的人工智能系統了解作戰人員做了什么，尤其重要的是他們怎么做的。

為了使人工智能變得有用和有效，它必須能夠區別各種情況下某些信息的含義。例如，如果你要求尋找“ISIS”，它不知道是尋找恐怖組織“伊斯蘭國”，還是美國伊西斯制藥公司或是古埃及女神伊西斯。然而，如果在世界歷史課上有人問這個問題，最有可能的答案是古埃及女神伊西斯。世界歷史課增加了查詢信息必要的上下文關系，以便人工智能提供最佳、最可能的答案。這種做法與亞馬遜如何推薦不同作者的書籍相似，必須在特定主題或類型下查詢。他們采用的算法結合了用戶的查詢歷史，從而將搜索結果與類似的用戶或相關產品相匹配。人工智能系統通過掌握用戶過去查詢的信息從而判斷出當前你所需要查詢的信息，因此軍事人員對“ISIS”的搜索便必然指向恐怖組織。創建和管理這些人與產品關系的算法是需要特別保護的商業秘密。

實現途徑

通過技術研究，團隊合作和實驗檢測，任務式指揮作戰實驗室正在幫助陸軍積累基礎數據，從而可以創建支持決策所需的算法和數據結構。如果陸軍要實現學習型機器的愿望，針對未來未知作戰環境提供采取行動的信息或建議，則以下兩方面的工作都必須完成。

首先是對特定人工智能項目展開訓練，使其掌握作戰單位在執行任務中如何通過各層級部隊展開相應范圍的軍事行動。例如，軍事決策過程就是一個很好的初級訓練，因為決策過程中有明確的輸入和產出。進一步的訓練，可以讓人工智能系統學習通過運用計算機視覺從任意一個車輛傳遞圖像報告，用于幫助作戰部門制定計劃，確定目標，指揮作戰行動，或用于幫助情報部門人員進行態勢感知和判斷情況。軍事人員如何管理信息和分發作業產品的邏輯方法，對于確定算法至關重要。這就像人工智能在商業上運用一樣，允許計算機為用戶提供有效的建議，如“尋找車輛X的人也搜索……”

構建未來通用人工智能系統的基礎包括4個基本項目：歷史、作戰條令、軍事理論和經驗教訓。雖然這一切可能聽起來很普通，但卻是其他所有形式軍用人工智能應用的基礎。

在構建軍事知識基礎之后，各類人工智能系統的學科方向領域專家就能夠為算法添加上下文聯系和相關知識。就像軍隊必須訓練作戰人員理解軍事術語一樣，也必須訓練機器了解每個語境中詞匯的相應含義。通過這方面的訓練使各種類型的人工智能系統不斷提升應用能力，從而開發出功能更強大的通用人工智能系統。這樣就給了眾包算法更多擴張發展的機會。所謂“眾包”是指一個公司或機構把過去由員工執行的工作任務，以自由自愿的形式外包給非特定的，通常是大型的大眾網絡的做法。眾包算法可以為用戶貢獻最佳實踐應用或特定位置應用的相應數據。但是要真正實現對整個軍隊的應用價值，則需要進行全面性開發，讓人工智能系統在多個層級和跨戰斗職能下進行訓練。endprint