人工智能在空战中的局限及其真正适用领域

人工智能在军事领域的应用正在进步，这一点毋庸置疑，但关键在于了解每种解决方案适用的具体领域，以免用户误以为民用市场的成果能直接移植到军事领域。瑞典最具创新性的防务技术型Avioniq公司首席执行官米卡埃尔·格雷夫深入探讨了将人工智能融入军事领域的一些挑战，以及Avioniq为利用其提升空战作战能力所采取的新方法。

事实证明，人工智能是解决民用领域中某些类型问题的绝佳工具，特别是在允许结果存在一定模糊性的场景。在民用领域，精确性、可重复性及理解深层动机并非主要需求，因此人工智能的应用可能性几乎是无限的。 然而，在复杂而敏感的军事环境中，精确性可能关乎生死存亡，且在可预见的未来人类仍需保持在“回路之中”，不能简单地将民用人工智能解决方案照搬到军事应用上。

目前引起最广泛关注的人工智能类型是生成式人工智能，包括ChatGPT、图像和视频创建服务等。其本质是输入数据（如文本查询、音频文件、图像）并接收数据形式的响应（如文本、音频或图像）。

生成式人工智能的一个特点是，输入和输出的不同组合方式实际上是无限的。当你根据文本生成图像时，每次得到的结果都会不同。这使得验证结果是否正确——甚至是否良好——变得颇具挑战性，因为这些人工智能模型很少拥有判断正确答案的参考点。要知道答案是否“良好”，必须由领域专家进行评估，这需要投入大量资源。

在军事领域，如果试图将生成式人工智能应用于像空战这样的任务集，得到的答案同样可能每次都不相同。而何为“良好”响应的界定本身也不明确。不同之处在于，能够区分“良好”与“不佳”响应的专家（战斗机飞行员）本身就稀缺——而将他们作为领域专家的技能用于训练人工智能系统，目前并非优先事项。

更复杂的是，生成式人工智能只有在整个领域问题都包含在问题本身之内时才能回答问题。这或许可以通过人工智能专家评估答案相对于问题的正确程度来解决，但当解决方案是一个更大背景的一部分时——例如问题中包含未作为输入数据的隐含信息，或者信息与条件存在于其他系统中——情况就变得棘手了。

一个简单的例子是：创建一个能下好象棋的人工智能相对容易，但创造一个能与人类良好协作下棋的人工智能则充满挑战。类似地，如果系统可以随心所欲地行动且只有已知的、明确的规则，那么创建一个在空战中效率极高、几乎不可战胜的人工智能也相对简单。但是，如果想创建一个能与操作员协同进行空战的人工智能，而操作员可能拥有一些人工智能未知的条件，那么事情就迅速变得极其复杂，并且需要飞行员深厚的领域知识。

这两个问题的根源在于人机协作中需要相互理解的边界。目前，除了特定情况外，人工智能不能（并且可能永远无法）有效解释其采取某种行动方式的原因，而操作员需要这种理解才能改变某些未编程的优先级和条件。 在空战中，制胜过程是不同解决方案之间持续的权衡。人们很容易低估战斗机飞行员为备战所接受的训练的复杂性，以及他/她在战斗中的角色。飞行员经过多年严格的训练和选拔过程，并随着驾驶舱内经验的积累，培养出评估威胁和交战时机的内在能力。

即使用于某些战斗序列，若要以人工智能取代飞行员的这种内在知识，也需要向其输入几乎整个飞行员训练大纲（正如有人建议的）、风险评估（难以量化）以及所有任务信息（不断演变），以便人工智能生成不需要人类理解的解决方案。

因此，在可预见的未来，在回路的操作员仍需依靠其经验，运用所有随任务进展而变化的“软”信息，来理解并持续修正正在发生的情况。

人工智能输掉一盘象棋的后果是可控的，但在军事应用中，风险极高。这在事态发展极快、失误后果严重的空中领域尤其如此。

这并不意味着不能将人工智能用于军事航空领域。远非如此。但这也并不意味着当前市场上所有应用它的方法都是等效的。

Avioniq自2016年以来一直将人工智能用于空战应用。需要说明的是：从一开始，就意识到人工智能在空战中的局限性，没有问“如何创造一种在空战中所向无敌的人工智能”（这是一个定义不清的问题），而是将挑战分解成更小的部分。称之为“可验证人工智能”。

提出更小、更简单的问题，并利用仿真来直接验证输出。例如，可以问：

“如果来袭导弹是AA-10-C型，飞机需要做多少个G的机动才能规避？”

这是一个有确切答案的精确问题。如果有该导弹的模型并能验证输出，那么答案就是1到9之间的一个简单数字。

了解飞机规避来袭导弹所需的最小过载是空战中的一个重要参数。飞行员既不想转弯过小（被击中），也不想转弯过大（变得被动并失去速度）。可验证人工智能提供了解决方案，从而将这一特定决策的认知负荷从操作员身上卸下，使他/她能腾出精力专注于更抽象层面的决策。

这样，可描述为增强（而非取代）操作员。目标是通过管理复杂的战术计算、提供关键战术机会的可视化手段，并让飞行员能利用其训练和经验进行细致入微的判断，来提升飞行员的效能。开发这种能力的关键在于懂得提出正确的问题，从而让人工智能产生输出，通过减轻飞行员的认知负荷使其能专注于任务大局问题，来提升其自身表现。最适合从事这项开发的领域专家是具备技术背景的战斗机飞行员或空战管理人员。

Avioniq正在将这种技术应用于空战任务中的许多问题。每一个这样的人工智能系统随后都可以组合并集成到战斗机、防空系统和指挥控制系统（C2）中，而无需用机器取代人。这实现了随着时间推移的迭代发展，避免了追求全面人工智能的梦想所伴随的“大爆炸”式难题。

可能提出的另一个问题是：为什么是现在？有多家人工智能公司瞄准全自主战斗机项目，这些项目最早也要到2040年后才可能可行。另一方面，目标是当今的战斗机，事实上，Avioniq所研发的技术已经在实际运行的飞机上飞行了。

西方认为在当今第五代战斗机上解锁可验证人工智能能力至关重要。直到最近几十年，西方都未曾面临过势均力敌或接近同等级别的威胁。这导致了对开发下一代飞机缺乏紧迫性，以至于研发进度被允许大幅放缓。战机数量和飞行员数量几乎全面下降。总而言之，许多西方国家拥有的飞机更少，能驾驶它们的飞行员也更少。正是这种状况，进一步削弱了其未来应对威胁的能力，原因很简单：现有的飞行员缺乏在未来几十年可能需要进行的那种战斗的经验。

与此同时，威胁本身也在变化。当今的超视距（BVR）武器的射程已远远超出当前使用的决策支持系统（如武器交战区，WEZ）的设计范围。几十年前，像AIM-120A AMRAAM这样的空对空导弹射程约为75公里（40海里），最新型号已增至150公里（93海里）。而今天的超视距导弹射程远超这些，已知俄罗斯等的系统射程均超过300公里（186英里）。

这种射程的导弹需要几分钟才能到达目标，在此期间可能发生很多情况——无论是导弹及其制导系统内部，还是对于被攻击的飞机（如果它能足够早地机动，就有很大机会规避）。问题在于，当今的系统只向被攻击飞机的飞行员显示敌人的最大交战包线，这使得很难确切知道何时或何处进行机动，因为随着导弹飞行距离的增加，可能的结果空间呈指数级增长。

其结果是，威胁与飞行员仅凭其在战斗甚至实兵/模拟训练场景中积累的经验来应对威胁的能力之间，差距正在扩大。这个差距最适合由可验证人工智能来弥补。那些能够从可用传感器获取信息、跟踪历史数据（例如敌人可能何时发射了武器）、通过数学计算预测可能结果并以可视化方式呈现给飞行员、显示可用（及不可用）战术选项的系统，为空军面临的无数挑战提供了一个极具吸引力的解决方案。其结果将是提升当今战斗机的作战能力，并增强驾驶它们的飞行员的态势感知能力。

对解决方案的独立测试表明，仅需引入合适的可验证人工智能，空战效能就能提高数倍。当一架飞机的价值相当于三架时，折算成每个空军客户价值增加可达数十亿美元，因此毫无疑问，利用人工智能的软件在军事系统中前景光明。

参考来源：karve