图:2016 年 12 月 8 日,内华达州克里奇空军基地,一架 MQ-1 “捕食者 ”降落在飞行线上。20 世纪 90 年代末,这种无人驾驶飞机最初被命名为 RQ-1 “捕食者”,仅具备侦察能力。本世纪初,它配备了两枚 AGM-114 地狱火导弹,并被重新命名为多功能资产 MQ-1。

随着人工智能(AI)的进步在世界各地的新闻报道中屡见不鲜,军事从业人员、学者和决策者都想知道这些技术进步将在战争中发挥什么作用。许多人没有意识到的是,美国军方使用人工智能的形式已有数十年之久。虽然真正可靠的自主武器还远未部署就绪,但在进攻和防御作战中,人工智能可以发挥关键的战斗力倍增器的作用:减轻计划人员的负担,使其更专注于作战计划中独特的人性化方面。

人工智能已在美国陆军中使用

人工智能已成为任何复制人类任务的机器行为的统称,但要真正评估人工智能对战场或社会的影响,必须更加具体。人工智能的两个子类型包括机器学习和深度学习。机器学习是指计算机通过处理数据进行学习和改进,而不需要被告知这样做,并使用统计数据进行概率分析,在某些情况下进行预测。深度学习是机器学习的一个子领域,可以处理大量数据,找到人类可能无法发现的关系和模式。虽然深度学习因其复杂性而较难扩展,但机器学习在陆军系统中已很普遍。其中一个系统包括 “目标拦截相控阵跟踪雷达”(PATRIOT),该系统使用复杂的计算机网络和算法来跟踪来袭物体,将其分为威胁或友军,并发射地对空导弹。陆军目前还在投资其他人工智能工具,如 “Project Maven”,“这是一种能以有用的方式快速处理无人机镜头的工具”。

其他不太知名的系统,如 “战术情报瞄准接入节点”(Tactical Intelligence Targeting Access Node),目前也正在开发中,以部署人工智能和机器学习功能。除新系统外,陆军目前部署的其他系统也采用了基本的机器学习功能,如智能融合服务器,该服务器在操作员正确编程后可自动执行关联、联想和规范化等功能。对于陆军来说,使用机器学习并非新鲜事。

然而,人们对更先进的人工智能的担忧与日俱增,尤其是其应用基本战争概念(如相称性和区分度)的能力。以前使用人工智能防御系统造成的灾难,如海湾战争期间 “爱国者”(PATRIOT)炮台向友军空中资产开火,使人们对考虑使用新的智能致命技术来加强防御产生了疑虑。同样,以色列在当前的加沙战争中使用人工智能系统进攻,也凸显了严重的伦理问题。以色列正在使用的两个人工智能系统--“薰衣草 ”和 “Daddy”--造成的平民伤亡率可能高于观察家所能接受的水平。这两个例子都表明,致命的人工智能尚未准备好在军队中全面部署。不过,军队有办法利用技术进步来提高其在进攻和防御行动中的作战效能。陆军可以在不冒不必要的平民伤亡或自相残杀风险的情况下做到这一点。

用人工智能减轻情报人员的负担

美陆军的大部分作战计划都始于备受推崇的军事决策过程(MDMP)。该流程的第二步是任务分析,其中一个子步骤是战场情报准备(IPB,现称为环境情报准备,或 IPOE)。虽然这些流程因能有效规划作战行动而备受推崇,但联合训练中心轮训的一个共同主题是不断争取时间完成这些流程及其相关产品。这些流程通常用于进攻和防御行动,是利用人工智能为军事规划人员提供技术助力的好机会。

任务分析主要包括 IPOE。IPOE 还有两个子步骤,它们对确定威胁行动方案的最终子步骤至关重要:描述环境对行动的影响和评估威胁。在当今的数字化时代,这两个子步骤都在很大程度上依赖于存在于无数政府和商业网站的数据。关于环境对战场的影响,指挥官和情报专业人员通常会将其与两种产品联系起来:天气影响矩阵和修改后的联合障碍物叠加(MCOO)。

商业和政府网站上已有数据可用于建立大型语言模型,并为生成式人工智能提供支持,以进行天气和地形分析。一旦这些模型建立并部署到政府系统中,情报人员就可以根据时间和地点快速生成天气预测和影响矩阵,包括其对部队和装备的影响,而不是手动更新 PowerPoint 幻灯片。此外,情报分析师还可以执行类似任务,通过提示人工智能模型在几秒钟内生成 MCOO,从而在进攻行动中快速确定可能的进攻路线,或在防御行动中确定敌人可能的进攻路线。荷兰应用科学研究组织展示了人工智能如何创建不同层级的战术空间对象,包括从基础地形数据到支持具体行动方案的所有内容,以及产品上的图形控制措施。一些单位已经在使用这项技术,人工智能模型通过分析卫星图像来识别地形特征并提出目标建议。关键是要扩大这项技术的应用范围,让全军人员都能使用。

在分析威胁时,情报人员必须整合来自多个来源的数据,包括威胁作战命令、武器系统能力和其他无数数据点,为指挥官提供客观数据。这些数据存在于多个平台,包括但不限于情报知识网络、作战环境数据集成网络和其他来源。可将这些数据输入国防部在安全互联网协议路由器(SIPR)网络上托管的大型语言模型。这样,情报人员就可以快速查询他们所需的有关敌方部队和装备的所有数据,而不必单独研究与敌方部队相关的具体装备。

虽然有人可能会说,这些任务相对简单,不需要这项技术,但领导者不能忽视的是,这项技术将为情报人员赢得更多时间。将数据整合成人工智能模型可以快速查询和生成的产品所花费的时间,情报人员都可以用来制定更完整的敌方行动方案,并提供更多分支和序列。此外,在 MDMP 期间,快速生成 MCOO 或地形影响矩阵等产品将为其他作战功能提供更多时间。在准备防御时更早地识别可能的接近途径,将使防护和机动部队有更多时间进行更全面的交战区域开发。在进攻中,这可以让部队更早地请求和获得必要的支持,如更多的扫雷能力,以最好地支持他们的进攻。

为参谋人员争取时间

人工智能减轻 MDMP 负担的能力并不局限于情报人员。陆军参谋部的其他每个部门都有与 MDMP 相关的耗时产品。这些部门还负责跟踪大量数据,如后勤状态报告、作战准备率、人员状态和其他行政报告。这些报告在整个 MDMP 中都至关重要,因为它们提供的信息能让指挥官了解自己的可用战斗力。这些报告对 MDMP 的第三步(行动方案制定)至关重要。

大型语言模型是人工智能的一个子集,特别擅长制作基于文本的产品,可协助开发产品和报告,以便指挥官做出决策。虽然这是一项重要的工作,因为它能推动指挥官的决策,但手动收集和显示这些数据是一个耗时的过程,而且可能很平凡。Palantir 公司创始人兼董事长彼得-蒂尔(Peter Thiel)认为,这正是人工智能能够为军队提供卓越支持的任务。

与利用人工智能支持情报部门的优势一样,这里的优势在于工作人员可以获得更多时间来进行人类特有的规划。Herwin W. Meerveld 等人将内隐知识、认知灵活性和创造力描述为人类独有的优势。在不需要这些技能的流程中利用人工智能,可以让军事规划人员将这些人类特质应用到 MDMP 中需要这些技能的部分,如行动方案的制定。除了有更多时间利用参谋部的集体经验制定更完整的行动方案外,参谋部还能通过加快完成 MDMP 的最后一步--命令制作,将更多时间留给下属单位。更快地将命令交到下级单位手中,将使他们有更多时间进行准备和演练,并可根据友军或敌军情况的变化更迅速地改变计划。有了更多的演练时间,就能在进攻中更好地准备目标行动,在防御中更好地开发交战区域,并有更多机会发现任何计划中的摩擦。

优势与风险

使用人工智能对这些流程进行补充的好处是可以将时间还给部队,然后将其用于完成准备进攻和防御行动所需的大量任务。此外,在战术网络上部署大型语言模型的培训成本相对较低,尤其是与其他国防部项目相比。OpenAI 的 GPT-3 训练成本约为 400 万美元,外加运行大型语言模型训练所需的图形处理单元成本。与陆军情报数据平台 3400 万美元的成本相比,可以认识到陆军只需花费相对较少的资金就能为规划人员带来巨大的收益。

在陆军参谋部部署人工智能以实现更快的 MDMP 是有风险的。第一个风险是,随着模型在各参谋部的扩散,规划人员可能会开始过于信任模型,变得过度依赖它们。在 2011 年的一次实验中,受试者在模拟疏散过程中不断跟随机器人前往火灾出口,尽管出口标志清楚地标明了与机器人指引方向相反的方向。参谋和军士必须防范这种风险。就像来自人类下属的报告一样,参谋人员必须相信但核实他们收到的数据。这可以在预定部署前的多次重复训练中进行,也可以在作为参谋人员顶点活动的联合训练中心或作战人员演习中进行。在多次重复训练中,工作人员对自己的人工智能助手建立起信心,这将使他们在关键时刻拥有必要的自信,并了解需要验证哪些数据,以确保模型按要求运行。

第二个风险是有效开展 MDMP 所需的技能萎缩。鉴于运行大型语言模型需要大量电力,而陆军有时又要在远征条件下进行部署,因此存在着不具备运行大型语言模型和其他指挥节点系统所需的物理架构的风险。这种风险必须通过最终活动前的培训来降低。与主要、备用、应急和紧急通信计划的培训一样,工作人员必须能够在有或没有技术助手的情况下完成 MDMP。不过,人工智能模型仍可在避难所中协助工作人员,使他们的下线部队能够更快地执行命令。随着硬件技术的进步,一旦边缘节点计算成熟到可以在被拒绝、降级、拦截或限制的环境中可靠运行,这些人工智能助手就可以部署到较低级别的梯队。陆军在更高层次采用人工智能助手的等待时间越长,就越需要更长的时间来制定需求,以便最终看到这些能力成熟到战术边缘。

结论

无论是进攻还是防御作战,都要依靠陆军的规划流程来为部队的成功做好准备。从历史上看,这些流程都能产生良好的结果,但参谋人员往往需要更多的时间来充分执行这些流程,并为每个步骤生成相关产品。开发能快速生成许多相关产品的人工智能将减轻工作人员的负担,使他们能更专注于行动准备。

大型人工智能助手可以摄取比个人多得多的数据,并能提出人类员工遗漏的问题。在部署前的整个培训周期中,梯队领导可以利用培训来防范虚假安全和技能萎缩的风险。此外,部署人工智能系统进行规划将有利于部队的进攻和防御,而不会造成不必要的生命损失。陆军有数据也有能力开始开发这些参谋助手模型,以造福部队。越早这样做,就能越早看到面向防御的人工智能成熟起来,并开始降低将其应用于更多动能目的的风险。

成为VIP会员查看完整内容
20

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。
美国陆军实施反无人机蜂群演示
专知会员服务
23+阅读 · 8月18日
打破防护罩:反制无人机防御
专知会员服务
32+阅读 · 7月31日
多域作战中实现边缘决策优势
专知会员服务
37+阅读 · 5月31日
《美国陆军小型无人机系统》中文版
专知会员服务
45+阅读 · 5月21日
美军印太司令部将利用人工智能进行作战规划
专知会员服务
53+阅读 · 3月27日
美国陆军深度感知的未来
专知会员服务
39+阅读 · 2月20日
美国陆军准备推出下一阶段的人工智能 TITAN 情报节点
专知会员服务
53+阅读 · 2023年12月31日
美陆军计划部署四大新型地面无人系统
无人机
23+阅读 · 2019年4月30日
机器人军团的智能指挥
科技导报
10+阅读 · 2019年4月4日
以色列英雄系列巡飞弹
无人机
20+阅读 · 2018年12月8日
美国公开《无人系统综合路线图(2017-2042)》
反无人机电子战蓬勃发展
无人机
17+阅读 · 2018年7月11日
进攻机动作战中的机器人集群
无人机
20+阅读 · 2017年12月4日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
31+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
10+阅读 · 2012年12月31日
A Survey of Large Language Models
Arxiv
385+阅读 · 2023年3月31日
Arxiv
19+阅读 · 2023年3月17日
Arxiv
26+阅读 · 2020年2月21日
Augmentation for small object detection
Arxiv
11+阅读 · 2019年2月19日
VIP会员
相关VIP内容
美国陆军实施反无人机蜂群演示
专知会员服务
23+阅读 · 8月18日
打破防护罩:反制无人机防御
专知会员服务
32+阅读 · 7月31日
多域作战中实现边缘决策优势
专知会员服务
37+阅读 · 5月31日
《美国陆军小型无人机系统》中文版
专知会员服务
45+阅读 · 5月21日
美军印太司令部将利用人工智能进行作战规划
专知会员服务
53+阅读 · 3月27日
美国陆军深度感知的未来
专知会员服务
39+阅读 · 2月20日
美国陆军准备推出下一阶段的人工智能 TITAN 情报节点
专知会员服务
53+阅读 · 2023年12月31日
相关资讯
美陆军计划部署四大新型地面无人系统
无人机
23+阅读 · 2019年4月30日
机器人军团的智能指挥
科技导报
10+阅读 · 2019年4月4日
以色列英雄系列巡飞弹
无人机
20+阅读 · 2018年12月8日
美国公开《无人系统综合路线图(2017-2042)》
反无人机电子战蓬勃发展
无人机
17+阅读 · 2018年7月11日
进攻机动作战中的机器人集群
无人机
20+阅读 · 2017年12月4日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
31+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
10+阅读 · 2012年12月31日
微信扫码咨询专知VIP会员