一、引言

二、AI应用的七种模式

图1 AI应用七种模式

1、超级个性化定制（Hyper-Personalization）

超级个性化定制是一种利用机器学习创建用户个人档案，并随着时间推移不断学习和变更档案，以更好达到某种应用效果。如根据不同用户展示特定内容、推荐适当产品和提供个性化建议。超个性化的主要目标是将每个人视为独立个体，并建立个体数据库。大数据和超个性化被认为是下一个重大突破。

例如，配备超个性化算法的无人机可以分析战场上的数据，如敌方作战人员的位置、地形和天气条件，从而确定特定任务的最佳行动方案，无人机可以根据任务和环境的独特特点，向指挥官提供实时建议，比如在哪里部署部队或优先攻击哪些目标；同样这个组件还可以在用于其他如坦克、汽车、军事车辆和飞机等设备，配备超个性化算法的坦克可以分析来自其传感器和摄像头的数据，从而做出最佳决策，选择通往特定目的地的最便捷路线，或在特定情况下采取最佳战术；新的AI辅助脑成像技术——功能性近红外光谱（fNIRS）可以在不具侵入性的情况下测量敌人皮层血红蛋白浓度的变化，从而可以帮助决定是否对敌发起攻击。

3、对话/人机交互（Conversation/Human Interaction）

基于对话模式的聊天机器人已经对军事能力产生了相当大的影响，并且未来可能会产生更大的影响。例如，在军事通信中，军事士兵需要了解他们周围的环境和完成任务所需的指令，尤其是陌生的地点，没有哪个数据集像基于对话模式获得的数据集那样精准，士兵在处理重复事务时可以得到及时恰当的回应，而且花费更少；士兵可以通过问答方式快速获取战场态势、条令条例，甚至是作战计算的结果。

4、预测分析和决策（Predictive Analytics & Decisions）

利用数据预测未来事件的AI系统。当代物联网（IoT）技术使得获取大量互动数据成为可能，其在军事领域的应用前景已经展现出巨大潜力，如图6所示。

5、目标驱动系统（Goal-Driven Systems）

设计用于实现特定目标的AI系统，是人工智能七大模式之核心模式。该系统的主要目标是以更大的能力在动态环境中自发地行动，并管理战场上常见的突发事件。例如：自主无人机和自动驾驶军用车辆。人工智能的一个独特概念是目标驱动自治（GDA），它赋予自治代理完全的自主性。在军事领域，基于人工智能的目标驱动模式系统已被用于收集、存档、检索、分析和可视化空间数据，以增强战场目标决策的效率。

强化学习是机器学习中最激动人心的技术，是一种解决问题的有效方法，用于指导自治系统执行具有挑战性的军事任务。强化学习通过试错法学习，使用环境反馈和一般目标进行迭代，最终实现成功。与监督学习方法（即机器通过人类提供的标注数据进行训练）或无监督学习方法（即机器通过发现信息集群和其他分组进行学习）不同，强化学习更侧重于通过环境反馈来逐步提高性能。

6、自主系统（Autonomous Systems）

自主智能或自主系统是人工智能中最复杂的类型，在这种模式下，程序自动化产生使计算机、机器人和系统能够独立于人类互动的智能。这种模式在全球军事领域中最为重要。自主系统能够执行任务、实现目标或与环境互动，且几乎不需要人工干预。这些系统还必须能够预测事件、制定计划并感知环境，这使得它们更适合用于完成军事目标。这不仅涉及物理硬件，还包括自主软件系统（软件“机器人”）。

自主系统模式的主要目标是减少或废除人工劳动。当从方程中移除人类时，用户必须确保自主系统尽可能以接近人类的水平执行任务。因此，可以理解为什么这是应用起来最具挑战性的模式之一。由于自主系统的设计目的是减少对人类工作的需求，它们必须是可靠的、一致的，并且具有极高的质量。无人自主系统的开发大大推动了人工智能技术的发展。能够通过先进技术进行运输，并在没有人工干预的情况下执行任务或管理的智能机器被称为无人自主系统（UAS）。这是自主系统模式的典型例子，也是全球军事领域发展最快、投资最多的人工智能应用模式。

自主和自适应系统控制反馈回路中最具影响力的参考模型，是共享知识下的监控-分析-规划-执行（MAPE-K）系统控制模型，如图8所示。其工作原理很简单：程序传感器收集数据，然后按监控、分析、规划和执行的顺序执行，其中分析和规划部分采用基于规则的策略。

7、模式匹配与异常检测（Patterns & Anomalys）

模式匹配和异常检测的基本目标是通过机器学习和其他认知方法理解数据中的模式，并在数据之间找到更高层次的联系，并确定给定数据点是否匹配现有模式或是否为离群值或异常。

DeepLog是该模式应用最突出的实例。DeepLog 从典型案例中学习模式，在执行不同于典型案例时发现异常；DeepLog还可以展示观察到的模式如何行为并及时发现日志中的异常。DeepLog 的现代架构如图 9 所示。

三、风险、挑战与展望

总体而言，人工智能的七种模式正在为军事能力的提升铺平道路，AI技术正在进入快速开发新阶段，在不久的将来有可能颠覆性改变现有技术格局。

然而，AI 的军事使用应考虑以下风险和挑战：

• 可能存在显著损害系统性能的漏洞；

• 需要足够的透明度以确保模型性能符合军事规则；

• 机器学习（ML）所需训练数据不充足；

• 带来潜在核风险和对全球战略稳定的影响。

因此，如果军事领域的 AI 没有得到恰当辅助和实施，很可能会变成一把双刃剑，既可能造福也可能摧毁。因此，需要对其原理和性能具有足够的了解，在确保安全的前提下进行使用。研究人员可以围绕这典型的七种模式收集更多的数据和案例，以提高人工智能在军事环境中应用的可解释性和透明度，并增强其能力，从而更有效的驾驭这一世纪武器。