【AI与军事】《军事情报中应用机器学习：人机协作的未来方法研究》中文版，2022最新论文

会员服务 ·

【AI与军事】《军事情报中应用机器学习：人机协作的未来方法研究》中文版，2022最新论文

2022 年 4 月 24 日 专知

导语：AI/ML在军事情报的收集、处理、分析、共享中具有巨大潜力。专知对孟加拉国国防学院高级研究员、Nizam Uddin Ahmed 中校于2022最新发表的论文做了中文编译，欢迎关注，完整中英文版请上专知网站(www.zhuanzhi.ai)查看！

欢迎关注专知【AI+军事】主题：

https://www.zhuanzhi.ai/topic/2001883600396423

以下为正文：

摘要

基于人工智能 (AI) 实现的军事情报(MI)自动化，在许多方面拓宽了情报收集程序和分析功能范围。在当今的数字化世界中，每分钟都以指数方式产生数据。世界各地的情报机构正在体验新的信息维度，而这些信息在过去由于人类处理庞大数据集的能力有限而被忽视。人工智能/机器学习 (ML)的发展带来了一种革命性的方法，可以收集大量数据并使用 ML 算法进行分析，从而为非战时时期和战时战略、作战和战术指挥官生成各种情报信息摘要。为了应对传统和非传统威胁，基于机器学习的军事情报数据收集和分析，将通过有监督、无监督、强化和深度学习方法进行，其中自动化程度通过人在回路和人在回路之外的方法确定。这些 ML 工具将有助于开发系统框架，能够通过自适应学习技术感知和响应运行环境，从而从其经验中学习，根据以前的学习和经验适应不断变化的环境。结合智能安全传感器、监控无人机、地球观测卫星、电子和虚拟源监控系统，可以增强军事情报信息收集系统。数据分析和数据融合可以在信息源收集、存储与处理、融合与分析、数据共享4层框架内，通过回归、分类、时序分析、聚类分析、主题建模、协同过滤和关联规则等方式进行。军事云网络和物联网 (IoT)可以增强数据共享。与其他武装军种、相关部委、工程大学和商业利益相关者合作，将有助于制定未来的策略指南、研发、ML 算法开发计划以及为各种基于 ML 的 MI 平台和应用程序生产兼容的硬件。

1 引言

军事情报 (MI) 是收集、解释和向军事指挥官传播信息以协助其决策的过程。它研究广泛的作战环境，分析各种参与者，同步相关信息并监控非战时、战时正在进行的事件。随着技术的进步，多源数据呈现多倍和多维度增加。这些数据来自战略、作战和战术层面，包括政治、军事、经济、社会、商业、媒体和多背景职业人员。情报分析人员经常面临从大量信息中得出适当结论的复杂任务。从可用数据中得出的假设不能被认为是结论性的，因为它无法通过最大程度收集的信息源进行验证。由于生成的信息在时间和空间上是动态的，随着形势变化而快速演变；从一组信息中得出的结论通常需要验证，由于处理如此大量的数据和信息的限制，有时甚至在给定的上下文中排除了验证。此外，需要通过与其他来源的各种相关性分析，定期检查来源的真实性，这对从这些信息中得出的假设有明显的影响。

不可否认，由于各种来源的数据生成激增，在信息的收集、分析和相关性评估方面将有很大的改进空间。在收集和分析过程中使用人工智能 (AI) 和机器学习 (ML) 可能是未来最有效的方法。许多技术先进的国家正在用AI/ML改造他们的智能系统。因此，需要评估机器学习是否可用于情报信息的收集和后续分析，处理非战时、战时的海量数据流，以获得战场环境和当代全球形势最准确的结论性图景。

军事情报是一个动态过程，这是由于各种参与者无处不在的活动，他们产生了连续的数据流。对数据进行评估和分析，将数据分发给利益相关者，采取适当的行动并监测相应的影响，这些都是不可分割的过程，可以通过机器学习系统驱动的自动化进行。此外，通过 ML 系统可以提高和更有效地运行指挥、控制、通信、计算机、情报、监视和侦察 (C4ISR) 系统的功能，其中集成系统可以从环境中学习，并根据迭代学习过程提出评估方法。因此，可以将军事情报、侦察和监视集成在一个综合指挥系统下，通过机器学习可以拓宽军事视野。

2 军事情报过程中机器学习模型的概念化

Shu-Hsien 等人（2003 年）强调了基于知识的未来军事情报规划系统架构。已经讨论了许多应用 ML的系统架构和系统配置，其中介绍了自动和半自动分析方法的过渡。此外，还讨论了一个具有假设系统实施策略的典型模型。

Prelipcien 等人 (2010) 强调了可用于分析和决策行为模型的各种 AI 算法。简要介绍了神经网络的应用、泛型算法、模糊逻辑和专家系统。一些模型描述了神经网络可用于模式识别但在决策应用方面存在不足。泛型算法具有对环境动态适应的自学习原理，可广泛用于开发多种决策方案。模糊逻辑被推荐用于基于输入和期望输出之间关系的决策规则。它有助于机动计划和兵力分配，但缺乏具体的判断决定。专家系统是基于知识规则进行识别和确定特定情况下的行动时间。并重点讨论了各种算法模型设计的 ML 应用。

Dijk (2019) 在他之前关于国防应用中的 AI 和 ML 的会议上，为军事情报分析方法编译了许多 ML 模型。与实现研究目标相关的方法是无人传感器和系统、使用 ML 方法对无人机进行声学检测、通过无人机系统进行态势感知、可见光和热光谱范围内的视频监控、用于视觉识别的神经网络、用于行为识别的深度学习，提出了用于危险分类、信息提取和语义世界建模的深度神经网络模型，和基于对象的深度学习多光谱图像融合方法，应用于军事情报分析。

Ahmed (2019) 强调了人工智能在孟加拉国 (BD) 武装部队监视领域应用的重要性。详细阐述了 AI 实施路线图架构，可用作探索预期目标的初始参考方案。调查已用于基于ML进行军事情报分析框架的意见和指南。

Mitchell 等人（2019 年）讨论了情报周期元素之间的相互联系，并列举了如何将 ML应用于情报周期的各个阶段。通过人工智能实现自动化，所有情报机构都可以利用潜在的工作时间，这为情报机构在量化价值方面的效率加速程度提供了深入的见解。这为情报主体在情报过程中应用数学模型时的效率提供了定量比较。

中国（2017）强调了潜在的通用技术、支撑平台和未来人工智能产业，以开发智能计算技术，用于未来人工智能驱动的重大科技项目。重要的是要发现知识计算技术是建立在自适应机器学习和分析推理技术之上的。其中，关键群体智能技术、跨媒体分析推理技术、知识计算与服务技术、混合增强智能架构、智能自主无人系统、智能虚拟现实技术、智能计算芯片与系统、自然语言处理技术，已成为探索未来军事情报分析的重要创新。大数据智能理论、跨媒体感知理论、混合与增强智能理论、群体智能理论、自主协调与控制、优化决策理论、高级机器学习理论、类脑智能计算等学术研究发展规划理论、群体智能理论和量子智能计算理论已被预测为 ML 应用于情报分析的指导学术话语。这些将通过机器学习为未来的军事情报分析构建基于知识的架构。这些是基本的学术指导方针，持续发展将为 ML 用于军事情报分析创建研发计划。结合这一理论框架，Haridas(2015)提出了用于国家和军事情报收集的大数据分析，基于大数据分析的情报可以为决策提供必要的支持。ML 被用作情报大数据分析工具，通过该工具可以实现威胁警报、社交媒体监控、信息挖掘、文档分析和网络安全监控。讨论了基于大数据应用的情报收集系统的概念布局，其中可以对来自多个收集源的各种信息数据进行实时高级分析，以提供态势感知、决策制定和战斗评估。这些都为今后的研究和开发提供了较为详细的理论概念。

Michael O'Hanlon (2019) 预测未来 20 年军事技术将发生显著变化，他专注于军事技术的未来趋势。在四类技术突破中，第一类是收集与军事行动相关数据的传感器，第二类是处理和分发这些数据的计算机和通信系统。预测了 2020-2040 年关键可部署技术的预计进展，其中显示了传感器和其他通信系统的部署概率。它对情报采集源、通信和信息处理技术的未来发展做出了清晰的预测。Connable (2012) 强调了各种形式和格式的情报数据融合过程，并介绍了融合过程对于相关国家和国际参与者分析未来复杂环境的重要性。一个包含政治、经济、军事、社会和信息基础设施的系统分析图，解释了信息流如何影响战略和作战重心，这验证了未来情报数据收集和处理热潮的颠覆性转变。它描绘了融合的情报图片如何更好地反映地面图片，从而帮助情报人员了解复杂的社会-政治-军事环境，并与大局建立联系。因此，在未来复杂的作战和战略场景中，将在情报数据融合分析方面寻求范式转变。

为了对来自不同来源的数据进行融合，Cruickshank (2019) 提出通过应用数据科学来开发军事情报架构，为了从原始数据中提取知识的能力。建议使用 ML 和其他 AI 技术，数据科学将成为分析来自各种收集源结构化和非结构化数据的首选学科。在这方面，Kendrick (2019) 展示了一个在所有陆军梯队采用以数据为中心的框架。这允许在陆军决策和执行的每一层面将数据科学有效地整合到陆军情报中。数据科学工具可以自动化情报过程的复杂步骤，最终开发军事情报数据库。这些概念可以提供为军事情报过程开发合适的 ML 模型。

Dopico 等人（2009 年）在他们的《人工智能百科全书》中汇编了大量关于当前人工智能技术发展的研究文章。在这些文章中，各种最新的智能系统建模、自适应技术、人工神经网络、用于信息检索的人工智能、认知建模、基于行为的神经网络聚类、智能代理中的决策、面部表情识别程序、分层强化学习、自然语言处理程序、模糊逻辑系统的监督学习和群体智能方法模型，可以提供一个启动框架，可用于说明 ML 如何用于解释情报数据并将其转换为可用信息。有了 ML 程序开发指南，对用于军事情报分析的 ML 系统的研究和开发可能非常重要。

3 用于军事情报分析的全球军事机器学习应用平台

机器学习是人工智能的一个子集，已被发达国家和发展中国家的军队广泛用于其各种军事应用和作战平台。ML 算法用于分析和学习数据（Bhatnagar，2018）。ML 旨在通过分析示例和信息中有意义的关系和数据模式，来学习和调整其思维模式，这些示例和信息旨在以类似于人类认知逻辑的性质工作（Janiesch & Heinrich，2021）。在 2018 年美国国防战略（Defense, 2018）中宣布，将人工智能作为未来打赢战争的关键技术，这已被美国（US）列为未来战略。俄罗斯在 2017 年重申追求人工智能技术，因为俄罗斯总统公开宣布了其对未来军事前景的立场（Simonite，2017）。中国在 2017 年发布了一项战略，详细说明了到 2030 年通过人工智能引领军事技术的路线图（Council，2017 年）。Maven 项目是正在进行的领先的军事 AI 实施项目之一，在伊拉克和叙利亚打击 ISIS 的行动中，五角大楼通过算法战跨职能团队将无人机视频转换为可操作的情报，从而开始对 ML 进行军事应用（WEISGERBER，2017 年）。

3.1 军事情报流程的系统架构

军事情报（MI）流程集成了情报、监视和侦察 (ISR)，ISR开发了情报发送 (IC) 流程。通常，它结合了空间数据库、属性数据库、案例库、规则库和知识库，MI 过程通过这些知识库进行工作。军事侦察是获取有关敌对部队和自身作战利益地形信息的过程。军事监视是根据侦察数据对活动进行监测，以便保持有关的最新情况。MI 结合了分析侦察和监视数据，并将原始信息转换为对当前和未来行动具有军事利益的有用情报的过程（Liao 等人，2003 年）。军事 ISR 的框架如图 1 所示。