智能裝備試驗與測試的挑戰與對策思考

韋正現

(中國船舶工業系統工程研究院，北京 100094)

當前人工智能正在加速向軍事領域轉移，這必將對戰爭形態產生沖擊甚至顛覆性的影響，人工智能的快速發展使得新的戰爭形態——“智能化戰爭”指日可待。人工智能是當前發展最為迅猛的技術，世界先進國家都紛紛將人工智能技術上升為國家戰略。2017年7月國務院印發《新一代人工智能發展規劃》，人工智能正式上升為國家戰略，這是中國首個面向2030年的人工智能發展規劃。人工智能加速應用于武器裝備，催生了新的武器裝備類型的誕生，并且其武器裝備的概念內涵、本質特征、內在規律和作戰使用等也出現了全新特征。

試驗與測試處于裝備研制的后期階段，因此智能裝備相應試驗與測試技術發展相對滯后。為了避免試驗與測試成為智能裝備發展和實戰化應用的瓶頸問題，筆者首先分析不同智能裝備類型及其全新特點；其次，針對智能裝備的內涵本質、外在表現和應用模式等，提出了智能裝備試驗與測試存在兩大方面的挑戰，一方面是硬件實體及其控制系統存在“可用、好用”的試驗與測試挑戰，另一方面是智能裝備實際應用的智能算法存在“敢用、實用”的試驗與測試挑戰；然后，給出了應對智能裝備試驗與測試挑戰的建議，提出要超前布局，謀劃長遠，注重智能裝備試驗與測試新特性研究，探索適應智能裝備試驗與測試的新技術，針對不同領域智能裝備特點建立健全測評數據集和試驗標準規范，構建能夠對智能裝備進行高效、可信測評的新試驗環境與測試平臺，從而為智能裝備試驗與測試技術的發展提供一定的借鑒作用。

1 人工智能與智能裝備

1.1 人工智能

人工智能較早的定義是由當時麻省理工學院的約翰·麥卡錫在1956年的達特茅斯會議上提出的：人工智能就是要讓機器的行為看起來就像是人所表現出的智能行為一樣。另一個定義指出人工智能是人造機器所表現出來的智能。目前人工智能的定義大多可以劃分為四類，即機器“像人一樣思考”、“像人一樣行動”、“理性地思考”和“理性地行動”。這里“行動”應廣義地理解為采取行動，或制定行動的決策，而不是肢體動作。從廣義上說，按照智能程度，人工智能可以分為以下三類。

① 弱人工智能(Weak AI)，也稱為狹隘人工智能(Narrow AI)或應用人工智能(Applied AI)，是指只能完成某一項特定任務或解決某一特定問題的人工智能。蘋果公司的Siri就是一個典型的弱人工智能，它只能執行有限的預設功能，不具備智力或自我意識，它只是一個相對復雜的弱人工智能體。

② 強人工智能(Strong AI)，屬于人類級別的人工智能，又稱為通用人工智能(Artificial General Intelligence)或全人工智能(Full AI)，是指可以像人一樣勝任任何智力性任務的智能機器，在各個方面都能比肩人類。強人工智能觀點認為有可能制造出真正能推理和解決問題的智能機器，并且，這樣的機器能將被認為是有知覺的、有自我意識的。強人工智能可以有兩種：類人的人工智能，即機器的思考和推理就像人的思維一樣；非類人的人工智能，即機器產生了和人完全不一樣的知覺和意識，使用和人完全不一樣的推理方式。

③ 超人工智能(Artificial Super Intelligence,ASI)，由牛津哲學家、知名人工智能思想家Nick Bostrom提出，并定義為“在幾乎所有領域都比最聰明的人類大腦聰明得多，包括科學創新、通識和社交技能”。超人工智能計算和思維能力已經遠遠超過人腦。此時人工智能已經不是人類可以理解和想象。人工智能將打破人腦受到的維度限制，其所觀察和思考的內容，人腦已經無法理解，人工智能將形成一個新的社會。

從人工智能的定義以及未來在裝備領域的應用趨勢上看，大多數智能裝備處在弱人工智能水平，極小部分會達到強人工智能水平。

1.2 智能裝備

從目前人工智能技術發展狀態上看，在今后一段時間內智能化裝備及其作戰使用主要有兩個方面，分別為無人智能裝備和智能增強裝備。

1.2.1 無人智能裝備

無人智能裝備包括單個無人智能裝備和無人集群裝備兩個方面。單個無人智能裝備如察打一體的無人機，它可以進行大范圍的偵察、搜索和打擊，實現無人傷亡，美國利用無人機在打擊恐怖分子方面上取得了很大的戰果。在無人集群裝備層面上，主要有無人機組成的“蜂群”、無人潛器組成的“魚群”、無人戰車或坦克組成的“狼群”等。它們共同的特點是模擬生物群體的行為特征，將生物群體原理應用于機器人，稱為無人集群機器人(簡稱為無人智能集群)，即為成千上萬的小型機器人的群體行動建立模型和算法，使它們能夠一起執行任務，每個機器人只具有相當簡單的功能，但組成集群之后成為一個具有生物集群的、能夠完成復雜任務的超級有機體。

生物集群行為(Swarm Behavior)或者群行(Swarming)是一種生物的集體行為，最典型的例子是一群實體聚集在一起兜圈或朝特定方向行動。生物界中的昆蟲、鳥類、魚類、水生動物、人與細菌都會出現集群行為。群體行為是大量自驅動粒子系統的集體運動[1-2]。從數學模型的角度來看，它是一種突現(Emergence)行為，即個體遵循簡單的運動和邏輯規則，不需要任何有中心的中央協調，且又能自然而然地呈現群體特征。生物集群具有4個明顯特點：① 控制是分布式的，不存在中心控制，因而它具有較強的魯棒性，即不會由于某一個或幾個個體出現問題而影響群體對整個問題的求解；② 群體中的每個個體都能夠改變環境(共識主動性,Stigmergy)，這是個體之間間接通信的一種方式，集群智能通過非直接通信進行合作，因而隨著個體數目的變化，通信開銷的增幅較小，使集群具有較好的可擴充性；③ 群體中每個個體的功能較單一或遵循的行為規則非常簡單，因而集群智能的實現比較方便；④ 群體表現出來的復雜行為是通過簡單個體的交互突現出來的智能(Emergent Intelligence)，因此，群體具有自組織性。

美軍認為無人集群作戰將改變未來的作戰模式，并將無人集群作為一種“Game-Changing”的顛覆性技術。有模擬試驗表明，在同等條件下，裝有傳感器和武器的100架無人機集群摧毀了63個目標并探測到91%的敵軍部隊，而現有的可部署火力單位只消滅了11個目標，探測到33%的敵軍部隊。2016年4月，美軍發布了《小型無人機系統路線圖(2016—2036)》，該路線圖凸顯了小型無人蜂群系統的重要意義。美國國防部高級研究計劃局(DARPA)、戰略能力辦公室(SCO)，以及空軍、陸軍和海軍等都已經開展了大量的研究和論證工作，啟動了多個項目，其中最具影響力的項目包括：DARPA主導自治編隊混合主動控制項目(MICA)、拒止環境下協同作戰計劃(CODE)、“小精靈”項目、進攻性蜂群使能戰術項目(OFFSET)，美國海軍研究局(ONR)負責的低成本無人機蜂群技術(LO-CIST)，以及戰略能力辦公室支持的“灰山鶉”微型無人機項目等。另外由1024個機器人組成的Kilobot、奧地利CoCoRo自主水下航行器集群等也是很具有代表性的項目。

1.2.2 智能增強裝備

無人智能裝備是具備在無人或極少有人干預(如決策是否攻擊可能需要人的干預)的情況下，具有全自主或絕大多數情況下自主作戰行為。智能增強裝備主要是無人與有人裝備協同一體，以及基于人機智能共生的裝備構成的有機整體，實現人機功能優勢互補，從而增強作戰能力。無人與有人作戰裝備協同一體主要用于情報偵察探測與協同攻防，例如有人機與無人機協同、有人艦艇與無人艦艇協同等。2016年10月，美國海軍3架超級大黃蜂戰斗機總共投放 103 架灰山鶉小型無人機，進行組網通信和智能協同，以及自行完成編隊集結、搜索定位和攻擊任務等演示驗證。人機智能共生的武器裝備是將人的智慧和機器智能相結合，主要通過機器超強的計算推理能力來增強人對戰爭的應對能力，重點應用在戰場認知與輔助決策上。在戰場認知上，主要通過人工智能對海量數據自動分析與辨識的強大計算能力[3]，極大提升信息處理速度和質量，最大程度地撥開了“戰爭迷霧”，極大增強作為主導戰爭的人對戰場的認知能力。在輔助決策上，主要通過機器的快速推理能力和對戰效果的高效評估反饋能力，形成高質量的輔助決策信息，加上人的“指揮藝術”的創造性和獨特性，增強復雜戰場環境下的決策指揮能力。

2 智能裝備試驗與測試存在的主要挑戰

從智能裝備的組成方面來看，它主要由兩個部分組成，一部分是智能裝備的硬件實體及其控制系統，可以理解為通常所說的智能機器人的“軀體”；另一部分是智能裝備實際應用的智能算法，可以理解為通常所說的智能機器人的“大腦”。

(1) 智能裝備硬件實體及其控制系統。

對于不同的智能裝備，由于其承擔的任務、所處的環境和所應用的領域均不同，故其硬件實體和組成機構差異性很大。例如無人機、無人坦克、無人艦艇等的硬件實體、組成機構、結構形狀完全不同。智能裝備硬件實體的控制系統集中體現其智能度，主要是通過人工智能技術的賦能，面向特定任務，在自身模型、外部干擾和非致命故障等各種不確定和擾動情況下，使裝備具有在復雜作業環境下執行多變任務的自主控制能力，并可通過主動學習、不斷進化，使裝備性能持續提升。目前知識推理、粒子群算法、蟻群算法、RBF/BP神經網絡、深度學習和強化學習等方法都紛紛應用到智能裝備硬件實體和組成機構的制導和控制中[4-9]，以便實現智能裝備在復雜作業環境下的自適應控制。

(2) 智能裝備實際應用的智能算法。

智能算法和軟件是智能裝備的核心[10]。智能算法和軟件以試驗、仿真數據和工程數據為基礎，以智能計算體系架構和芯片實現算力為依托，通過智能軟件框架、智能操作系統和智能算法，實現裝備在復雜環境下的智能化應用。其內涵主要包括智能計算算力、操作系統、軟件框架、大數據、智能算法與系統平臺。智能裝備實際應用主要包括三個大方向，分別是智能感知、智能識別和智能決策。可以預見未來一段時間內，智能感知、智能識別應用最為廣泛的是深度學習算法[11]，其他的算法還包括神經網絡、SVM、模糊K均值算法等。在智能決策方面，未來多傾向于強化學習算法[10,12-14]，其他方法還有基于知識圖譜、專家系統的方法，以及博弈算法、決策樹模型、貝葉斯網絡模型等。

智能裝備主要包括硬件實體及其控制系統、實際應用的智能算法兩大部分。由此可見，智能裝備的核心是智能算法。目前能夠支持智能裝備及其應用的算法很多，歸結起來可以分為三方面[15]：① 支持智能集群形成整體編隊或隊形的控制算法，以及應對復雜場景的優化算法[2，9]；② 復雜戰場環境下實時作戰自主決策或輔助決策的智能決策算法[16-18]；③ 支持目標智能檢測與識別的智能算法[11，19-20]。主要的智能算法類型如圖1所示。這些算法與硬件相結合形成可實戰化應用的智能裝備。

圖1 主要的智能算法類型

(1) 硬件實體及其控制系統存在“可用、好用”的試驗與測試挑戰。

智能裝備的試驗與測試[21-22]是確保智能裝備可靠、可信和可用的重要基礎，是檢驗智能裝備能否在實際環境中應用的基本前提，也是加快智能裝備研制進度的重要保障。目前智能裝備試驗與測試存在兩大方面的挑戰，分別是硬件實體及其控制系統的“可用、好用”和實際應用智能算法的“敢用、實用”。

為了適應復雜戰場環境，世界各國部隊不僅裝備了無人機、無人坦克戰車、無人艦艇等，而且不斷推出直立機器戰士、機器魚、機器狗，以及軟體機器墨魚等各式各樣的智能裝備。首先，需要為這些智能裝備設計出能夠適合復雜作業環境的各種智能硬件機構，并形成可以根據內部條件或外部條件進行改變的組合結構和運動模態等。其次，硬件實體通過人工智能賦能其控制系統，在自身硬件、外部干擾和非致命故障等各種不確定和擾動情況下，使智能裝備具有在未知復雜作業環境下自主執行多變任務的能力，這就要求智能裝備的硬件實體及其控制系統能夠進行自監控、自診斷、自治愈的智能健康管理，同時要具有智能自主制導、控制與優化等方面的自適應性。

智能裝備硬件實體的試驗與測試方面存在“可用”的挑戰。智能機構小型化、精細化、精準度以及組合結構和運動模態多樣化、柔性化等必然導致智能裝備硬件功能復雜性、性能的不穩定性都大大提高，同時智能裝備的可靠性會受到很大影響。智能裝備整體的功能滿足度、性能穩定性和可靠度必須達到一定的要求是裝備可以實際應用的前提。很顯然，采用傳統方法無法對智能裝備硬件實體的功能滿足度、性能穩定性和系統可靠性等進行快速高效的試驗與測試，如何針對智能裝備的硬件機構、組合結構和運動模態等在各種極端環境下進行試驗與測試，使智能裝備硬件實體在實際環境中實現“可用”，這是必須面臨的挑戰。

智能裝備控制系統的試驗與測試方面存在“好用”的挑戰。智能裝備“好用”主要體現在兩個方面：一方面是智能裝備控制系統需要全面監控了解裝備自身狀態，并且在非致命故障發生時，能夠進行自行診斷修復、自行測試和自行再投入使用等，即自治愈能力，這對于無人智能裝備來說尤為重要。另一方面，對于智能裝備的控制系統來說，為了實現自主制導、未知復雜應用環境下的自適應控制與優化，多種智能算法組合(如遺傳算法、粒子群算法、蟻群算法、RBF/BP神經網絡、深度學習算法等的組合[2，9，23])被用來實現智能裝備姿態調整、行為動作的連續規劃與協同控制。因此，如何通過測試與試驗，確保智能裝備在多大故障程度實現自治愈，如何在典型應用環境下對多種智能算法組合的智能裝備控制系統進行高效可靠的試驗與測試，并且在將來未知復雜應用環境下確保智能裝備能夠主動學習、不斷進化以實現不降低功能、性能地“好用”，這是必須面臨的另一個挑戰。

(2) 智能裝備實際應用智能算法存在“敢用、實用”的試驗與測試挑戰。

智能裝備最終需要在復雜戰場環境下實現作戰應用，要求有直接面向作戰應用的智能算法支持，發揮出智能裝備“大腦”的作用。智能裝備“大腦”主要作用為：① 對戰場態勢的智能感知理解；② 智能決策指揮。這兩點對于智能裝備的應用智能算法來說，都是以輸出決策判斷為目標。不論是智能感知理解還是智能決策指揮，都存在可解釋性的問題。智能裝備的“大腦”應該是“可信賴”的，這就要求智能裝備做出的決策是可解釋的。可解釋性是指人類能夠理解決策原因的程度。智能決策模型的可解釋性越高，人們就越容易理解為什么做出某些決定或預測。智能決策模型的可解釋性包括對模型內部機制的理解和對模型結果的理解。然而，目前運用于以輸出決策判斷為目標的智能算法，包括深度學習和強化學習等，不論從模型內部機制和模型結果上，都是不可解釋的。

就目前智能技術而言，如果在戰場上滿足確定性信息、完全信息、相對靜態的、單任務和有限領域這5個條件，那么人工智能能夠做出比人更優的決策策略，這已經從“深藍”戰勝國際象棋大師、“AlphaGo”戰勝世界圍棋冠軍中得到證明。如果上述5個條件中有1個以上不能滿足，智能裝備做出的決策策略的可信性就無法保證。然而，從古至今，沒有任何一條必勝的作戰規則，可以說“戰爭唯一的規則就是沒有規則”。因此，如何在智能決策模型內部機制和決策結果都不可解釋的情況下，對智能裝備的決策模型進行測試，確保在不確定不完全信息、跨領域多任務和沒有確定作戰規則的復雜戰場情況下也能夠做出可信賴的決策策略，實現智能裝備在實際戰場上的“敢用”，是當前智能裝備面臨的重大挑戰。

目前對于戰場態勢智能感知與識別是智能裝備實現應用的基礎。當前由于深度學習在圖像、語音識別方面已在FPGA[24]等硬件支持下取得巨大成就，因此被引入到戰場態勢感知和目標識別中，同時也顯示出了很好的效果[25-30]。但是神經網絡和深度學習一樣，在原理上不僅存在不可解釋的問題，而且還存在模型過擬合和模型遷移的問題。同時，神經網絡和深度學習需要大量的數據進行訓練，而實際上，很難獲得大量的真實目標和戰場數據來訓練模型。就算有足夠的數據進行模型訓練，通常模型也會獲得訓練數據在特定環境下的“偏見”。而將智能感知與識別模型應用于實際戰場環境中時，感知與識別的準確性就可能受到很大影響。因此，如何對智能裝備的智能感知與識別模型進行有效測試，使智能感知與識別模型有效避免過擬合，并且能夠針對不同戰場環境和作戰對象實現快速遷移，確保智能裝備在戰場上“實用”，這是面臨的另一個重大挑戰。

3 應對智能裝備試驗與測試挑戰的對策思考

智能裝備試驗與測試存在的主要挑戰分別是硬件實體及其控制系統的“可用、好用”和實際應用智能算法的“敢用、實用”。目前隨著人工智能、大數據和高性能計算技術的高速發展并向軍事領域快速轉移，智能裝備取得突飛猛進的發展，由于試驗與測試處于裝備研制的后期階段，因此，從目前來看智能裝備相應的試驗與測試技術發展相對滯后，為了避免試驗與測試成為智能裝備發展和實戰化應用的瓶頸問題，需要超前布局，謀劃長遠，注重智能裝備試驗與測試新特性、新要求研究，探索適應智能裝備試驗與測試新技術，構建能夠對智能裝備進行高效、可信測評的新試驗環境與測試平臺[21，31]。為此需要開展以下工作。

① 并行推進前沿創新與基礎研究課題。相對于傳統裝備試驗與測試技術，智能裝備的試驗和測試技術出現了許多新要求、新特性，需要全新試驗與測試技術的支持。同時試驗與測試技術本身屬于基礎研究范疇。因此，為了加快推進智能裝備試驗與測試技術的創新性和靈活性，快速捕捉智能裝備相關動態并推動相應試驗與測試技術發展，以基金類項目的形式快速支持基礎前沿、原始創新的項目。同時重點在智能裝備試驗與測試基礎技術研究上發力，以便能夠快速跟上智能裝備的發展步伐。

② 智能裝備試驗與測試大數據積累。從目前的智能裝備的技術內涵來說，大部分智能裝備的功能和性能是在大量數據支持情況下獲得的，以神經網絡、深度學習和強化學習等為核心技術的智能裝備更是如此。因此要對智能裝備進行高效、可信測評，需要積累各種復雜環境下貼合實戰的各類大體量數據，并面向陸、海、空、天、潛、電、網等領域智能裝備特征，構建成長式測評數據集和試驗標準規范。

③ 智能裝備試驗環境與測試平臺建設。智能裝備與傳統裝備在試驗與測試方法、測試規程、數據分析處理和通過準則等方面有很大的差距，尤其在無人智能裝備方面表現得更為突出。目前試驗環境和試驗平臺對于智能裝備的高效、可信測評支撐能力不足已經開始顯現。因此，需要針對空天、陸上、水面和水下不同領域智能裝備形態和應用模式，加強智能裝備試驗環境與測試平臺建設，以匹配智能裝備的快速發展以及實戰化的急需。

4 結束語

目前隨著人工智能、大數據和高性能計算技術的高速發展并向軍事領域快速轉移，智能裝備取得突飛猛進的發展，由于試驗與測試處于裝備研制的后期階段，因此，從目前來看智能裝備相應的試驗與測試技術發展相對滯后。人工智能加速應用于武器裝備，催生了新的武器裝備類型的誕生，并且武器裝備的概念內涵、本質特征、內在規律和作戰使用等也出現了全新特征。筆者介紹了人工智能的3種類型，分別是弱人工智能、強人工智能和超人工智能，指出目前智能裝備絕大多數處于弱人工智能，并將智能裝備分為兩大類，即無人智能裝備及其智能化作戰和智能增強裝備及其智能化作戰，通過分析智能裝備的新特點，提出了智能裝備試驗與測試存在兩大方面的挑戰，并給出了應對智能裝備試驗與測試挑戰的建議，希望能夠為智能裝備試驗與測試技術的發展起到一定的借鑒作用。