普及范围不断扩大且发展迅速的人工智能系统，正在以一种史无前例的速度改变着多域作战中的进攻和防御行动。快速发展的人工智能系统为作战人员带来了许多新的能力，而人工智能辅助的目标识别能力以及预测性分析能力就是其中之一。在目标识别过程中，人工智能系统可在多个无人机的多种传感器视频图像中快速发现重要的目标，显著加快目标识别流程，提高目标识别的准确率。此外，人工智能系统还可在对目标的打击完成后，对相应的打击效果和敌方后续的可能反应进行预测性分析。
多域作战中的目标探测
人工智能是计算机科学的一个广泛领域，重点是构建人工智能系统，以执行某些通常需要人类才能完成的任务，这些任务包括决策、问题解决、语言理解以及模式或目标识别。人工智能模型旨在通过将数据应用于卷积神经网络（CNN）的方式来实现模拟的人类认知功能。数据质量提升和卷积神经网络的优化是推进人工智能模型发展的两个最重要因素。机器学习（ML）技术是人工智能领域的一个分支，可用于实现特定的重复性功能。机器学习系统可以根据输入数据，调整卷积神经网络内的神经连接，从而在没有人工干预的情况下，通过迭代训练周期不断优化卷积神经网络的性能。目前，在多域作战中，机器学习技术最广泛地应用于目标探测（如图1所示）。在人工智能领域，目标探测模型是最容易训练和部署的，这使其十分适合多域作战。美军正在进行的“马文”（Maven）项目就将目标探测算法用于识别ISR视频和图像中的目标。然而，建立目标探测模型的挑战在于，此类模型的卷积神经网络需要高质量数据进行训练以优化其性能。
图1：一个陆基目标探测模型对图中的重要目标进行了识别
收集高质量的数据并非易事，但其对于机器学习模型的训练来说可能是至关重要的。训练所用数据的质量将直接影响目标探测模型的性能。若想在多域作战中部署目标探测模型，并使其接受有关作战环境中敌方新式装备、战术、技术和流程的训练，那么数据收集将是作战人员面临的首要难题。敌方部队可能会使用各种技术，以欺骗应用于多域作战的目标探测模型。在一场快速发展的战争中，作战人员需进行数据收集、数据整理和数据共享工作，以使机器学习模型保持针对敌方新式装备、战术、技术和流程的敏锐度，但这可能很难实现。敌方装备在不同角度和光照条件下可能会有不同的表现，并展现出不同的特性，作战人员可能很难收集到针对敌方装备的准确且完善的信息。此外，由于边缘对比度降低、热交叉（thermal crossover）、图像劣化（image deterioration）等原因，空基目标探测模型的训练比陆基模型更具挑战性。一旦建立了敌方装备数据集，部队就可以根据任务要求建立目标探测模型。例如，在大规模作战行动中，部队可以部署一个经过高价值目标数据集训练的定制目标检测模型。
在经过训练后，目标探测模型可应用于被称为“前沿设备”的小型电脑之上，该设备尺寸小巧，成本低廉，且能够轻松与无人系统的地面站建立联系，为现存的无人平台提供机载设备以外的人工智能能力。在多域进攻行动和防御行动中部署目标探测算法可能会使作战人员受益良多，这些算法能够在极少人工参与的情况下，快速、稳定地处理大量视频和图像片段。例如，一个师级单位的分析和控制部门可以使用带有目标探测模型的前沿设备来分析多个ISR视频反馈，这些模型在经过一系列定制训练后，可用于分析前线收集的视频和图像。然而，多域作战中的目标探测工作面临的最大挑战是如何为成百上千个前沿设备提供更新，这一更新工作需要将由图像和标签组成的数据集传输到整个作战环境中的各单位，以使其能够根据敌方的新式装备、战术、技术和流程来进行模型训练。传输这些大型数据集需要大量的带宽和时间，而在面对对等对手的情况下，这可能很难实现。
目标探测模型也可根据光谱特征对目标进行识别，所涉及的光谱包括近红外（NIR）以及长波红外（LWIR）。选择合适的传感器类型，以通过地面或空中侦察系统进行目标探测，这对于目标探测模型的应用至关重要。图2的D/E/F部分展示了计算机视觉模型对目标物体轮廓的识别结果。目标探测算法会对其自身进行训练，以实现对目标独特的外部和内部轮廓的探测，从而准确探测和识别重要目标。
图2：这些示例展示了计算机视觉模型如何感知图像
在能见度有限的情况下，长波红外传感器是目标探测的最佳选择。图3中，长波红外目标探测模型识别出了一个作战人员，而近红外传感器却未能识别出该目标。同一前沿设备上的独立机器学习模型还可以与多种传感器进行融合，创建具备更高适应性的目标探测模型，以在复杂的照明条件下继续执行任务。
图3：无人机的长波红外传感器成功探测到一个人（左图），而相同环境下的近红外传感器未能探测该目标
例如，在日出前一小时和日落后一小时中，作战人员可将小型无人机系统的可见光相机和近红外相机进行融合，以创建目标物体的复合轮廓，从而提高目标探测能力。先前的研究发现，采用机器学习模型进行自适应传感器融合可有效提高目标探测能力。图4中的B图是将RGB传感器图像和长波红外传感器图像进行融合的示例。将此方法应用于现有无人机系统的不足之处在于，大多数军用无人机系统都携带近红外传感器，而近红外传感器在目标探测应用中的效果不如长波红外传感器。
图4：多层传感器融合以建立额外的冗余轮廓以增强目标探测模型的能力
目标探测与目标瞄准的整合
在进攻和防御行动中部署目标探测模型时，地面和空中传感器探测到的敌方装备将被自动传输至打击单位，作战人员可在此确认目标。在确认探测结果为敌方目标后，目标及其相关元数据将开始进入D3A（决策、探测、打击、评估）瞄准循环之中。采用目标探测模型来帮助识别敌方目标，将加快D3A瞄准循环，提供一致的探测结果，并大大减少分析ISR图像所需的作战人员数量。
图5：具有目标探测功能的地面和空中传感器可轻松识别无伪装的联合轻型战术车辆（图像A和B）。相反，没有可探测轮廓的图像（C和D）则很难被目标探测模型探测到
用于目标瞄准的目标探测模型有一个主要弱点，即其算法可能会因敌方所采取的各种措施而受到干扰或失效。例如，敌方人员可使用伪装来破坏目标物体的轮廓，以迷惑采用可见光传感器的目标探测模型。在图5中，有一辆无伪装联合轻型战术车辆和一辆有伪装联合轻型战术车辆，树叶伪装破坏了后者的轮廓，导致目标探测算法无法识别到目标。如果作战人员没有人工介入，那么这一目标可能会被忽略。此外，将伪装网罩在装备上而不破坏目标轮廓，可能不足以欺骗目标探测模型。图6展示了套着保护罩的M119榴弹炮。由于榴弹炮的轮廓清晰可辨，被遮盖的M119榴弹炮仍能被地面目标探测模型探测到，准确度为41%。作战人员必须使用树叶和其他材料（如图5C所示）来破坏目标的轮廓，才能削弱目标探测模型的探测能力。由于可见光传感器的局限性以及目标探测模型容易被欺骗等原因，近红外和长波红外传感器可能更适合用于目标探测。然而，热特征也可以被部分遮盖或完全掩盖，计算机视觉模型同样会因此而被欺骗。
图6：由于可识别的轮廓，覆盖伪装罩的M119榴弹炮还是能够被陆基目标探测模型识别出来
自主弹药的目标探测
人工智能还可用于引导自主弹药进行打击，从而提高多域打击行动的杀伤力。自主系统装备有与弹药飞行控制装置相连的机载前沿设备，而这些设备又配备有目标探测和跟踪模型，可对空中、地面和海上的弹药进行引导。由于前沿设备的价格较低（35美元），因此部署装备有目标跟踪模型的低成本无人系统既经济又高效。例如，无人地面车辆（UGV）可部署目标探测和跟踪模型，以探测并向敌方目标发射弹药。图7展示了一个带有机载目标探测和跟踪模型的无人地面车辆，它可以引导和引爆由3D打印技术生产的低成本锥形装药战斗部，以对装甲车辆进行打击。该无人地面车辆是美国陆军指挥与参谋学院所开展项目的一部分。
图7：美国陆军指挥与参谋学院研制的这一无人地面车辆配备了车载目标探测和物体跟踪模型，可自主瞄准装甲车并发射3D打印的铜质锥形装药战斗部
在无人系统上安装红外和可见光传感器，并进行机载目标探测和跟踪，这将有效提高模型能力和瞄准效果，减少光照条件对目标识别的干扰。乌克兰军队已经部署了装备有机载前沿设备的半自主多旋翼无人机，该无人机可将弹药带到俄罗斯军队的坦克上空，并进行投掷（图8）。此外，无人潜航器（UUV）也可自主发射弹药对敌方船只进行打击。
图8：乌克兰军队作战人员将一发弹药悬挂于一架低成本无人机上
由于目标探测和目标跟踪不需要GPS信号，将目标探测模型与无人系统相结合的做法，可使无人系统免受针对GPS信号的干扰。然而，在多域作战中使用全自主弹药可能会增加友军伤害的风险。虽然无人地面车辆或无人潜航器等慢速移动的无人系统可能难以造成友军伤害事故，但快速移动的无人机可能会因目标探测模型的误报，而误将友军系统识别为敌方系统，进而增加友军伤害的风险。在神经网络进一步发展，以及探测准确度提高到合理水平之前，在友军附近部署完全自主的无人机群仍然是一个遥远的设想。
将深度学习技术用于预测性分析
在讨论如何在多域作战中使用深度学习人工智能模型之前，有必要先探讨一下如何使用简单的机器学习算法进行数据处理。用于语音-文本转换、文本阅读及光学字符识别的现有机器学习算法，可对各指挥部门收集到的大数据进行分类和处理。机器学习模型可以处理来自上层和下层战术网络系统的数据，使这些数据可以为深度学习模型所用，便于指挥官快速实现态势感知。
数据处理后，深度学习算法（如大语言模型）能够对数据进行整合，以为指挥官提供预测性分析。这种分析的基础是大量经过处理的数据，这些数据来自无人系统的目标检测模型、友军报告和情报。然而，大语言模型可能需要较大的算力和复杂的训练，这使得在野外环境中训练新的大语言模型十分具有挑战性。因此，应在有充足时间和处理能力的驻军环境中训练大语言模型，以建立可应用于实战的模型。
一旦大语言模型、数据处理模型以及目标检测模型制作完成，作战人员就可以对最终模型和数据链进行整合，以进行人工智能驱动的目标定位。图9展示了上文所述的所有人工智能/机器学习算法在D3A循环中的具体应用。在D3A循环的决策部分，大语言模型会根据已知的敌方编制情况和部署情况，向指挥官提供关于敌方最有可能采取的行动路线的初步评估，这些评估将基于来自情报报告、友军报告以及无人机、地面和海上系统的目标探测结果。由于大语言模型接受过有关敌方作战理论的培训，并且可以获取作战环境地形数据，因此该模型可对敌方行动路线进行预测性分析，并建议在何处集中部署情报收集和探测装备。
图9：以D3A循环为框架将人工智能/机器学习算法应用到多域目标定位作战中
在探测阶段，装备有目标探测模型的无人系统将利用多种传感器对敌方装备及其位置进行探测，然后将探测到的信息发送给打击单位。在打击阶段，先进野战炮兵战术数据系统内置的机器学习算法可推荐对目标进行打击的最佳装备。最后，在D3A循环的评估阶段，大语言模型可以利用目标探测模型对目标进行评估，以确认敌方装备是否被摧毁，确定打击效果，并根据后续情报报告分析出敌方将可能采取何种反应手段。这种由人工智能驱动的D3A循环可以高度迭代，并且其较少的耗时和人工参与，使得指挥官能够更快地做出更好的决策，以领先于敌方采取行动。
结论
将人工智能融入多域作战体现了军事战略和能力的转型，并为作战人员提供了前所未有的机遇和挑战。人工智能能够提高数据处理的速度和准确性，并在战场上发挥重要的作用，这使其正在重塑现代战争的态势。然而，人工智能系统在多域作战中的应用无法一蹴而就，技术上的挑战和道德上的考虑，要求相关技术人员在将人工智能系统整合到军队中时必须采取谨慎而有序的方法。此外，人工智能系统有可能被对手的战术所欺骗，并且在分布式网络中管理和更新人工智能模型也十分具有挑战性，这些都突显出针对复杂的战场环境量身定制稳定、高适应性且轻量级的人工智能解决方案的重要性。人工智能能力的发展有望进一步增强多域作战的战略、作战和战术优势。然而，在取得这些进步的同时，相关技术人员还必须对人工智能能力进行严格的测试，以应对自主武器系统、半自主武器系统以及大语言模型的更广泛影响。随着各国军队将人工智能系统应用于越来越广泛的领域，其必须始终坚持以可控和系统的方式开发和部署人工智能，以增强军队在多域作战中的能力，同时认真考虑并减轻相关的风险和挑战。
