《深度学习的军事应用：威胁与机遇》

人工智能尤其是深度学习技术的最新进展，加速了不同应用领域的创新与发展。深度学习技术的发展深刻影响了军事发展趋势，导致战争形式和模式发生重大变化。本文将概述深度学习的历史和架构。然后，回顾了相关工作，并广泛介绍了深度学习在两个主要军事应用领域的应用：情报行动和自主平台。最后，讨论了相关的威胁、机遇、技术和实际困难。主要发现是，人工智能技术并非无所不能，需要谨慎应用，同时考虑到其局限性、网络安全威胁以及在 OODA 决策循环中对人类监督的强烈需求。在战略决策层面需要某些保障机制。在这方面，最重要的一个方面与军官人员的教育、培训和选拔有关。

人工智能（AI）是一门涉及心理学、认知科学、信息科学、系统科学和生物科学的综合性技术。自 1956 年夏天约翰-麦卡锡在达特茅斯会议上首次提出人工智能概念以来（Hyman，2012），人工智能技术已进入高速发展的新时期，并被公认为未来最有可能改变世界的颠覆性技术。人工智能应用的成功激发了广大军事研究人员的积极探索。世界军事强国预见到人工智能技术在军事领域的广阔应用前景，认为未来的军备竞赛将在智能竞争的背景下展开。在不久的将来，人工智能将在 “观察、定向、决策、行动”（OODA）循环中扮演 “智能决策中心 ”的角色，因为它的技术已经成熟，可靠性也在不断提高。人工智能的重要性不言而喻，智能指挥系统的贡献将超越传统方法。利用人工智能和其他相关技术可以减少整个 OODA 循环所消耗的时间，从而实现多域联合作战中的指挥与控制目标。

下文回顾了 DL 在军事上的应用，最后讨论了其潜在的威胁和机遇。

军事情报

深度学习的起源应用是图像分类任务。首先，Rawat 和 Wang 的论文（2017 年）介绍了现实图像识别中最先进的深度学习系统。从军事角度来看，关键应用之一是卫星图像。这些应用需要人工识别图像中的物体和设施（Pritt，Chern，2017 年）。一个具有代表性的例子是通过卷积神经网络理解多光谱卫星图像（Mohanty 等人，2020 年）。基于侧扫声纳技术生成的图像可以进行图像分类，从而实现水下态势感知。长期以来，声纳图像自动分析的研究主要集中在经典方法，即基于非深度学习的方法上（Steiniger 等人，2022 年）。但近年来，深度学习在这一研究领域的应用不断增加。Neupane 等人（2020 年）概述了过去和当前涉及深度学习的研究，包括侧扫和合成孔径声纳图像的特征提取、分类、检测和分割。深度学习模型可直接应用于军事数据的被动声纳信号分类，这一点并不广为人知。舰船辐射的噪声可用于被动声纳系统的识别和分类。已经提出了几种基于声学特征的军用舰船分类技术，这些声学特征可以通过在声学车道上进行的受控实验获得。由于舰船和船员必须脱离舰队，因此获取此类数据的成本是一个重要问题（Fernandes 等人，2022 年）。这种进步为广泛的多模态和多重情报提供了机会，在这种情况下，众多空中、地面和空间传感器以及人类情报会产生结构化传感器和非结构化音频、视频和文本 ISR（情报、监视和侦察）数据。当然，各级数据融合仍是一项具有挑战性的任务。虽然单个模式的算法系统运行良好，但无缝集成和关联包括文本、高光谱和视频内容在内的多情报数据的工作仍在进行中（Das 等人，2018 年）。

自主平台

在民用领域，自动驾驶汽车正在成为现实。在智能辅助驾驶方面，第三级的车辆自动驾驶（智能巡航控制、行人识别、自动刹车、盲区传感器、罕见交叉交通警报、避免碰撞等）已在商用车和私家车上应用多年。第四和第五级别的自动驾驶（有监督自动驾驶和完全无监督自动驾驶）目前正在开发中。Kisačanin（2017 年）的论文是对自动驾驶艺术和科学发展的最早描述之一。深度学习方法已成为设计和实施此类系统不可或缺的方法。Hagström （2019）首先介绍了机器学习和自主系统的军事应用。根据他的论文，为自动驾驶车辆设计一个能够在所有驾驶场景中提供足够性能的控制器具有挑战性，因为环境非常复杂，而且无法在部署后可能遇到的各种场景中测试系统。然而，深度学习方法已显示出巨大的潜力，不仅能为复杂的非线性控制问题提供出色的性能，还能将先前学习到的规则推广到新的场景中。基于这些原因，将深度学习用于车辆控制正变得越来越流行。Kuutti 等人（2020 年）的论文对文献中报道的旨在通过深度学习方法控制车辆的大量研究工作进行了调查。正如 Vecherin 等人（2020）所指出的，自主军用车辆面临着巨大的挑战。具体而言，需要解决的任务包括：先进的当前地形感知、越野运行、运行时的未知地形、在开阔空间完全重定路线的可能性、确定可能的替代路线以及针对给定地形条件和车辆的最佳车辆控制。军用自动驾驶车辆的主要区别在于：非公路运行、运行时的未知地形以及在开阔空间完全重新规划路线的可能性。在这种环境下，智能自主控制所需的算法和环境感知能力与工业中民用的算法和环境感知能力不同。最新的研究结果表明，基于 ML 的算法可以成功地解决其中的一些难题，从而为军用车辆的手动驾驶提供实质性帮助。DL 方法可能也适用于无人驾驶水下航行器。首批研究之一是无人潜航器上声纳的自动目标识别方法。在这种方法中，目标特征由一个在声纳图像上运行的卷积神经网络提取，然后由一个基于人工标注数据训练的支持向量机进行分类（Zhu 等人，2017 年）。实际上，侧扫声纳图像在军事和商业应用中都具有重要意义。在 Einsidler 等人（2018 年）的论文中，将该方法应用于现有数据的结果表明，该方法在探测海底物体/异常方面简单而稳健。

值得一提的是，自主武器的首批正式军事应用之一是 Kargu 无人机。这是一种小型便携式自杀式无人机，由土耳其 Savunma Teknolojileri Mühendislik ve Ticaret 公司生产。它可以由个人携带，有自主和手动两种模式。通过其实时图像处理能力和平台上嵌入的深度学习算法，“卡古 ”可有效用于打击静态或移动目标。自主武器正在迅速扩散：在可获取性、自主程度、国际开发商、情报、侦察和致命打击等方面（Longpre 等人，2022 年）。有很多挑战者，如自主系统，仍然极易出错，表现出很差的鲁棒性、可解释性和对抗脆弱性。此外，需要强调的是，国际政策仍然模糊不清，缺乏现实的问责和执行机制（Hayir，2022 年）。

挑战和威胁

DL 军事应用带来了许多积极的机遇，但同时也产生了大量的风险和问题。这种权衡视角如表 1 所示。

表 1. 在军事应用中应用机器学习的优缺点

	优点/优势	风险/缺点
OODA 决策和情报分析	决策质量更高、更精确；缩短决策时间；成本效益；减少情绪和偏见；危机情况下的理性行为；根据预测分析生成潜在方案的可能性；处理海量情报数据的可能性；	极易受到网络攻击；分析错误：偏差、假阳性和假阴性错误、风险治理；假阳性和/或假阴性错误的成本；缺乏解释能力；不知道对 “黑天鹅 ”事件的反应；开发和维护机器学习模型需要很高的技能；决策环路的加速和缺乏人工干预可能会导致危机升级而不是降级。
军事行动和自主平台	通过远程操作降低伤害风险和受伤士兵人数；精确瞄准；减少战备时间；成本效益；危机情况下的理性行为	极易受到网络攻击；有被对手控制的风险；假阳性和假阴性错误的代价巨大；由于缺乏足够的训练数据，不清楚是否可以在复杂情况下使用自主平台；基于 “盲目 ”执行损失函数的意外行为可能意味着冲突升级。