图战斗系列

2019年1月,美陆军部长(SECARMY)要求陆军科学委员会(ASB)研究人工智能(AI)如何改善战场上的战役和战术表现。具体而言,他希望ASB确定陆军在人工智能实施方面的独特挑战,确定陆军的行业最佳实践,并审查对手在战场上对人工智能的潜在使用。

为了进行这项研究,ASB组建了一个研究小组,成员包括建立人工智能系统和指导人员,以及在实验室、学术界、工业界和军方有经验的人员。该团队还得到了负责人工智能实施的陆军人工智能任务组以及陆军研究实验室(ARL)和陆军夜视局高级政府联络员的协助,他们帮助约束该研究并为陆军的人工智能实施提供指导。在收集数据的同时,研究小组还会见了来自政府、工业和学术界各组织的130多名人士。

AI在战场上的前景和挑战

在工业革命期间,机器开始执行以前需要人类体力劳动的任务。今天,一场认知革命正在发生,机器开始执行以前需要人类认知的任务。例如,我们问智能手机问题,并期望得到合理的答复,我们在网上买东西,并得到类似产品的推荐。

目前还不清楚我们是否了解认知革命的所有影响,但研究小组认为,它将改变战争特征,因为它提高了决策到行动的速度、规模和范围,超过了人类在没有援助的情况下所能完成的大量任务。人工智能是认知革命的核心,在战场上优化使用人工智能将需要陆军采用新的思维方式,包括一个反应灵敏的采购过程。

为了这项研究的目的,研究小组将人工智能定义为计算机系统执行通常需要人类智慧的任务能力。有许多关于人工智能的方法。

美国的对手已经在使用人工智能。俄罗斯和中国定期公布在战场上进行的自动驾驶车辆实验。成功实施人工智能的一个关键是数据标签化。中国和俄罗斯的领导层都宣布人工智能是未来,谁能领导认知革命,谁就能在战场上获胜。除了仅仅使用人工智能,美国的对手希望实现人工智能的优势。

目前的美国防部政策划定了自主和协作,这决定了人工智能如何被用于支持各种作战任务。因此,需要对人工智能采取多种方法,以确保人工智能系统在战场上的最佳应用。无论采用哪种方法、作战使用或政策要求,快速反馈周期将推动对作战任务的评估,并将采用人工智能来告知如何收集和调节数据、如何运行算法以及如何优化人机界面。换句话说,人工智能最终将被用来衡量人工智能在战场上的使用情况。这对军队来说也是颠覆性的。

同时,美国陆军有几种可能的方式在战场上使用人工智能。下一个垂直升降飞机可以与使用综合视觉增强系统(IVAS)的下一代战斗车辆和士兵合作。一旦这些部件被联网,相对于士兵在独立系统中所能做到的,人工智能将提供更高的速度、范围和规模。因此,人工智能将被用于自主机动、辅助目标识别和/或自动目标识别、任务规划等。

人工智能给战场带来的优势伴随着风险和挑战。有效使用有几个潜在的障碍,如缺乏互操作性,数据饥饿,以及被对手利用。这些都是众所周知的。但也有围绕可靠性、信任、道德和可解释性的问题,所有这些都有助于操作者理解人工智能的决策或建议。不是所有的人工智能系统都能做到这一点。

图5 陆军使用人工智能的潜力和挑战

人工智能在工业中的应用

研究小组访问了工业界,以了解商业企业如何利用人工智能,减少风险,并克服固有的挑战。成功应用人工智能的共同主题涉及快速和持续的适应性和改进,可由以下方法促成:

  • 使用常见的人工智能平台

  • 整理数据,特别是通过事实标签

  • 用模拟数据增强真实数据

  • 创建架构和基础设施,支持数据流和竞争所需的高性能计算

  • 开发与技术共同发展的运行概念,例如,特斯拉的软件更新方式是根据人们如何使用车辆来发展和展示新功能的。

  • 知道在哪里应用人工智能来解决价值最高的问题,带来最好的投资回报

  • 获取人工智能技能人才,由于竞争激烈,即使是像亚马逊这样的公司也面临挑战。

竞争也促使行业发展出一套实践,允许快速变化和升级,特别是在软件方面,进入正常生产,同时确保高质量。这种实践--DevOps--结合了开发(Dev)和信息技术运营(Ops),以缩短系统开发的生命周期,并提供持续、高质量的交付(图1)。

企业在实验室中创建、整合和测试人工智能,将其发布给消费者,并部署到现场。当它被使用时,它被监测,并根据该系统的运行和使用情况,制定计划,产生升级。企业重新编码,重新开始循环以提高性能。DevOps循环需要一个底层数据层来迭代AI。与软件升级不同,软件升级可能是按月推送的,而人工智能周期必须是连续的,操作非常迅速,以确保最佳性能。

美国陆军的进展

在收集数据的过程中,研究小组了解到,陆军已经开始组织将人工智能带到战场上。陆军成立了人工智能工作组,并与卡内基梅隆大学(CMU)合作成立了陆军人工智能中心。陆军也已经开始在陆军未来和概念中心、训练和条令司令部(TRADOC)以及其他地方开发人工智能的概念。

也可以说,这些人工智能的工作在很大程度上是不协调的。有许多陆军项目使用人工智能。但陆军成功运作的人工智能不能像在工业界观察到的那样快速发展。往往没有共同的基础设施,所以用于每个系统的计算、网络和数据都是独立的。

与工业界相比,陆军人工智能活动的另一个不足之处是系统分析和建模与仿真(M&S)不足。例如,在x系统中加入人工智能将使任务的有效性提高y量;它将改变杀伤率,或完成任务的时间,或任务成功的概率,等等。就研究小组所能确定的而言,那些能够显示人工智能可能带来什么价值的A-B测试还没有做。

陆军面临的一个潜在挑战是目前美国防部的采购环境,这使得复制工业界的快速开发周期变得极为困难。陆军要购买一个可以像谷歌和其他公司那样每天进行更新的系统是非常困难的。

陆军可以自行解决的另一个挑战是缺乏获得、管理和使用其人工智能能力所需的足够人才。陆军有与增长和保留STEM资格人员有关的人才管理问题,而人工智能从业者在这一领域中所占的比例更小。有一些专家,但陆军并没有很多。

随着陆军继续组织将人工智能带入战场,相当明确的是,最佳应用将出现在哪里(图2)。有几十种情况下,人工智能会增强陆军的作战功能,以包括一些人类参与可能有限的任务。

图2 AI在战场上的潜在应用

这些赋能器中的大多数已经在开发中,它们很少从头开始。战场上的使能因素往往可以建立在商业技术之上。

根据人工智能任务组的报告,目前的陆军人工智能生态系统以CMU的人工智能中心为中心(图3)。它与各利益相关者保持着联系,包括实验室和材料开发商、陆军训练中心和作战社区。通过人工智能任务组,该中心还与美国防部的联合人工智能中心进行协调。

图3 当前陆军AI生态系统

美陆军人工智能生态系统专注于开发和实战原型;从定义下一代系统的人工智能要求,到为传统平台开发人工智能解决方案。这种在战场上的人工智能整合将迫使陆军以新的方式运作。除了解决商业从业者确定的挑战和减轻潜在对手的攻击,陆军必须解决地方性的挑战,包括以下能力:

  • 确定人工智能投资的优先次序,以获得最大的战场影响

  • 构建一个SoS框架,利用独立开发的、异质的、支持人工智能的平台

  • 通过繁忙的操作网络调动数据、模型、算法和反馈

  • 测试不断发展的系统,并验证其对敌方攻击的复原力

图17 SoS企业架构集成

虽然商业从业者可能拥有他们的整个人工智能企业,但军队不会。陆军将从国防工业基地内的不同来源购买技术,它将不得不使它们一起工作。一旦完成这项任务,数据、模型、算法和反馈都必须在一个繁忙的操作网络上移动。陆军将不会有使用工业界所享有的那种基础设施的好处。

陆军还需要采用类似于DevOps周期的方法,以支持持续改进的方式将原型转化为记录项目(POR)。这将需要有能力(对陆军来说是新的)测试不断发展的系统并验证对攻击的适应性。陆军将不得不改变其运作方式,以采用DevOps循环。

建议

根据其数据收集、分析和发现,研究小组在六个类别中提出了建议(图4)。

结论

人工智能将通过提高决策的速度、规模和范围来改变战争的特征,而这是人类所能实现的。如果陆军对采用MDO是认真的,它就需要认真地采用协作性人工智能。

人工智能对陆军和其对手都将是颠覆性的,因为:

  • 完整的战场效果将需要不断地收集和整理数据,而迄今为止双方都没有做到这一点
  • 每一方都将不得不在异质平台上发展人工智能之间的合作
  • 人工智能DevOps周期的快速执行是成本密集型的,并且厌恶官僚主义

美国陆军将需要开发一个人才管道,使其成为人工智能能力的聪明买家和聪明用户。

有说服力的动机:美国的对手已经在做这些事情了。

成为VIP会员查看完整内容
208

相关内容

人工智能在军事中可用于多项任务,例如目标识别、大数据处理、作战系统、网络安全、后勤运输、战争医疗、威胁和安全监测以及战斗模拟和训练。
《降低人工智能对军事决策优势的风险》2023最新39页报告
《人工智能在军事武器系统中的崛起》
专知会员服务
113+阅读 · 2023年3月21日
推荐!万字译文 |《数据之战:将人工智能带入战场》
专知会员服务
165+阅读 · 2023年3月20日
《作战层面的人工智能》美国海军学院32页报告
专知会员服务
182+阅读 · 2022年12月17日
《军事行动自动化》【译文】2022最新报告
专知会员服务
155+阅读 · 2022年11月12日
《军事行动自动化》【译文】2022最新报告
专知
45+阅读 · 2022年11月13日
国家自然科学基金
9+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
88+阅读 · 2009年12月31日
国家自然科学基金
12+阅读 · 2009年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2023年5月1日
A Survey of Large Language Models
Arxiv
312+阅读 · 2023年3月31日
Arxiv
14+阅读 · 2020年9月1日
Arxiv
12+阅读 · 2019年2月26日
VIP会员
相关资讯
《军事行动自动化》【译文】2022最新报告
专知
45+阅读 · 2022年11月13日
相关基金
国家自然科学基金
9+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
88+阅读 · 2009年12月31日
国家自然科学基金
12+阅读 · 2009年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员