當今世界正處于新一輪科技革命與產(chǎn)業(yè)變革的前夜，各國新式武器裝備技術(shù)借東風呈現(xiàn)出井噴式的發(fā)展勢頭，其中以無人化、智能化技術(shù)為代表，運用自主深度學習進行訓練的無人作戰(zhàn)裝備，已成為當今世界最具代表性的軍事前沿科技產(chǎn)品。無人裝備的運用與發(fā)展，未來將推動戰(zhàn)爭進入信息化、網(wǎng)絡(luò)化、無人化的高級階段。

無人作戰(zhàn)裝備發(fā)展特點:

無人化裝備因其泛用性強的特點，可執(zhí)行保護部隊前方基地、支援特種作戰(zhàn)小分隊執(zhí)行偵察、監(jiān)視和搜集目標（RSTA）任務(wù)，還可在城區(qū)作戰(zhàn)中用于支援瞄準目標、通信、彈藥投送等多種不同任務(wù)。俄軍涅列赫塔作戰(zhàn)機器人不僅可以提供火力支援，也可以起到為主要戰(zhàn)力運載彈藥的作用；搭載支索電子戰(zhàn)系統(tǒng)的俄羅斯海鷹無人機可以壓制移動通信基站，同時充當虛擬基站，向敵方控制地區(qū)手機用戶發(fā)送短信。目前，無人裝備的互操作性、自主性、通信能力、機動能力、有人/無人協(xié)調(diào)能力都將進一步顯著提升，執(zhí)行任務(wù)的功能性將得到進一步優(yōu)化，范圍也將大大擴展。

除因其強勁火力以及良好的機動性得到各國青睞之外，無人裝備精確化、遠程化、智能化武器系統(tǒng)避免了作戰(zhàn)人員的直接傷害，降低人員傷亡，更是各國大力發(fā)展無人技術(shù)的一個重要原因。在納卡沖突中，阿方大規(guī)模采用各型軍用無人機和巡飛彈，占據(jù)戰(zhàn)爭優(yōu)勢地位。在這次沖突中，阿方使用的TB-2型察打一體化無人機表現(xiàn)突出，該無人機摧毀大量亞方運輸車輛及指揮所，有效地殺傷對方有生力量，控制了局勢。哈比-2型巡飛彈的表現(xiàn)也十分亮眼，這種武器可自主前往目標實施攻擊，操作手可中途介入更改指令。無人裝備的使用，也將阿方官兵傷亡降至最低限度，給予亞美尼亞官方極大政治壓力和心理壓力。在“西部-2021”聯(lián)合戰(zhàn)略演習期間，俄軍部隊首次使用了天王星-9和涅列赫塔戰(zhàn)斗機器人與士兵編隊共同執(zhí)行任務(wù)，體現(xiàn)了俄軍無人化發(fā)展的最新成果和盡量避免局部戰(zhàn)爭中人員直接傷亡的作戰(zhàn)理念。雖然現(xiàn)階段智能無人化技術(shù)層面仍存在一定局限性，如機械故障，靈活性差、自主程度不高等問題，但是無人裝備代替人員完成危險任務(wù)，在戰(zhàn)爭中盡量減少作戰(zhàn)人員直接介入高風險戰(zhàn)斗的顯著特點，為其帶來了強大的前線作戰(zhàn)效能，仍然值得各國在智能無人作戰(zhàn)領(lǐng)域繼續(xù)深耕。

俄羅斯涅列赫塔作戰(zhàn)機器人:

近年來無人化裝備協(xié)同系統(tǒng)得到長足發(fā)展，以無人機為例。單無人機能力始終有一定的限度，存在搜索范圍小、環(huán)境敏感度低和運行時間短等問題，同時在遇到硬件損壞或軟件故障等情況時很難順利完成任務(wù)。而無人機協(xié)同系統(tǒng)是一組無人機通過與其他無人機和周圍環(huán)境相互作用來完成特定任務(wù)，具有作戰(zhàn)成本低、自適應(yīng)能力強和可擴展性強等優(yōu)點。同時，無人裝備跨軍種聯(lián)合作戰(zhàn)思想也應(yīng)運而生。挪威黑色大黃蜂微型無人機只有10厘米長，加上電池重量為18克左右，其微小身形甚至可以對敵軍地下室進行滲透偵察，不可謂不精細。美軍也早已開始以微型無人機打造監(jiān)視偵察攻擊平臺。數(shù)架無人機組成的編隊，在敵方某空域盤旋搜索，一機被摧毀，馬上二機繼續(xù)對這一區(qū)域進行偵察，而三機則進行遠紅外拍攝。所有收集到的信息，都傳到機匯總后報告給指揮官，指揮官再下命令給四機，出動摧毀可疑目標。高等級神經(jīng)元無人機具有自動捕獲和自主識別目標的能力，解決了無人機間的通信、火力協(xié)同等問題，實現(xiàn)了無人機的自主編隊飛行，有較高的智能化水平。

目前，無人武器裝備主要依靠人工智能技術(shù)中的深度學習來完成人類賦予的各項職能，作為人工智能領(lǐng)域的又一里程碑概念，深度學習算法的有效性、穩(wěn)定性直接決定了無人自主設(shè)備的智能化程度高低，可謂潛力巨大。因此人工智能發(fā)展情況一直受到各國政府的高度重視。2018年4月，美國會研究中心發(fā)布了《人工智能與國家安全報告》，分析了當前人工智能項目在國防領(lǐng)域應(yīng)用的進展。該報告提到，美國會預算和立法決策，包括影響人工智能資金、采購、規(guī)范和標準以及國際競爭，有可能極大影響美國人工智能的發(fā)展，以及美國人工智能軍事應(yīng)用的增長和普及速度及隱患，并對確保美國軍方獲取人工智能這一先進技術(shù)，以支持美國的國家安全目標和軍事霸權(quán)至關(guān)重要。除美國外，日本、俄羅斯也從頂層設(shè)計層面制定了一系列相關(guān)戰(zhàn)略，意在為軍用人工智能技術(shù)設(shè)立發(fā)展目標、規(guī)劃發(fā)展路線、制定應(yīng)用舉措，由于各國對人工智能的理解不同，發(fā)展方向也有所側(cè)重：日本開展人工智能技術(shù)應(yīng)用研究，將自主操控和智能化技術(shù)作為軍事技術(shù)發(fā)展的重點方向；俄羅斯謀求在人工智能裝備領(lǐng)域的世界領(lǐng)先地位，重點是半自主和自主式運載工具。未來各國間的軍備技術(shù)競賽將在人工智能領(lǐng)域持續(xù)展開。

自主深度學習裝備化剖析:

雖然無人作戰(zhàn)裝備層出不窮，但目前所列裝裝備仍要高度依賴“人”的作用，本質(zhì)上只是搭載火力系統(tǒng)或功能模塊的遙控裝備，缺乏自主性，這也導致裝備不能對緊急情況做出快速反應(yīng)，容易貽誤戰(zhàn)機。要想實現(xiàn)高度的自主性，就要在無人化裝備中融合自主深度學習等最新的人工智能算法，采用“類腦”技術(shù)，切實提高裝備的計算能力和決策能力。深度學習的概念提出最早可以追溯到上世紀80年代，而在本世紀初逐步形成以人工神經(jīng)網(wǎng)絡(luò)為代表的深度學習算法。廣泛應(yīng)用于圖像分析、語音處理、金融反欺詐、智能機器人等領(lǐng)域。以美國為首的技術(shù)大國早已認清人工智能對于未來戰(zhàn)爭的深刻影響，率先將其應(yīng)用于國防目的，其國防高級研究計劃局（DARPA）已啟動了數(shù)十項旨在增進對大腦動態(tài)機制的了解、推進類腦計算（深度學習）平臺研究的項目，并在一些裝備自主化、無人化方面取得部分進展。

　原有機器學習技術(shù)是通過訓練有素的算法來模仿人類行為的技術(shù)，需專人將大量信號處理事例和裝備使用的經(jīng)驗告訴機器，因此訓練效率較低，采用此算法的武器裝備屬于無人化初級階段，需要人為參與、控制的因素較大，其應(yīng)用范圍局限性較大。

與傳統(tǒng)的機器學習技術(shù)相比，深度學習雖然在數(shù)據(jù)和硬件依賴性上要求更高，但是其對運算通暢性能、數(shù)據(jù)表征能力和模型推廣性能等方面的提升卻極其顯著，尤其適用于當今大數(shù)據(jù)時代的眾多任務(wù)。深度學習是受哺乳動物大腦皮質(zhì)的多層機制啟發(fā)，模擬其信息蘊含規(guī)律構(gòu)建深度神經(jīng)網(wǎng)絡(luò)，通過層與層之間的非線性變換，有機組裝底層特征，繪制為抽象的頂層表示，使得一個自主深度學習裝備能夠不依賴人工的特征選擇，剖析數(shù)據(jù)的分布式特征表示，并學習到相對高難度的目標表達函數(shù)。因此，配備自主深度學習功能的裝備無人化程度高，泛用性強，可以在各種復雜多變的環(huán)境中遂行戰(zhàn)斗任務(wù)。

目前深度自主學習在傳感器利用、圖像目標識別、稀疏數(shù)據(jù)分析、多源集成和作戰(zhàn)識別等方面，均有部分進展。假以時日，應(yīng)用先進自主學習算法的無人潛航器、無人戰(zhàn)車、無人作戰(zhàn)飛機等高精尖武器將會陸續(xù)列裝，構(gòu)建真正意義上的無人軍隊。

與人腦類似，深度學習的核心結(jié)構(gòu)稱為深度神經(jīng)網(wǎng)絡(luò)（DNN）。深度學習先以無監(jiān)督的學習模式——逐層訓練，進行預訓練階段，包含數(shù)據(jù)輸入層、用來處理數(shù)據(jù)的隱藏層和用戶看到的輸出層。在無監(jiān)督學習和監(jiān)督學習的有機結(jié)合下，深度學習算法系統(tǒng)可自行完成從提取到識別的全過程，以此賦予無人化裝備一定的自主性。

無人裝備微型化是一大趨勢:

經(jīng)過近十年的發(fā)展，深度學習演化出許多有效的網(wǎng)絡(luò)模型，其中最具代表性的包括卷積神經(jīng)網(wǎng)絡(luò)（convolutionalneural network，CNN）、深度強化學習（deep reinforcement learning，DRL）和長短期記憶網(wǎng)絡(luò)（longshort-term memory，LSTM）等模型。

卷積神經(jīng)網(wǎng)絡(luò)由卷積層、池化層、全連接層和輸出層等組成，通過從底層到高層的特征前饋運算，將底層的視覺特征逐步抽象化，從而形成高層的圖像表征。許多代表性的卷積神經(jīng)網(wǎng)絡(luò)模型被相繼提出，例如AlexNet、VGG-Net、ResNet和DenseNet等。這些算法在解決圖像等二維結(jié)構(gòu)數(shù)據(jù)的復雜特征抽取問題上效果顯著，可以快速提取多傳感器采集的信息特征，為無人裝備提供決策。基于此模型的算法可以為自主學習提供基礎(chǔ)，廣泛適用于陌生環(huán)境帶來的海量信息源，從而實現(xiàn)自我分析、自我識別、自我決策。縱使數(shù)據(jù)有一定的殘缺，也可以通過分析、判斷，得出最優(yōu)解，并錄入到已有樣本數(shù)據(jù)庫之中。

深度強化學習將處理大規(guī)模樣本數(shù)據(jù)的能力融入強化學習中，其特點是與環(huán)境進行深維度的信息交互，通過閉環(huán)的形式不斷優(yōu)化對于環(huán)境的感知，從而學習得到完成任務(wù)目標的最優(yōu)策略。此種主動尋求信息反饋的方法也可以理解為自主深度學習的一種典型案例，類似于反潛常用的主/被動聲吶系統(tǒng)區(qū)別，大大優(yōu)化無人裝備的事態(tài)感知能力。

長短期記憶網(wǎng)絡(luò)的提出旨在處理語音、視頻等時序數(shù)據(jù)的分析問題，其根據(jù)先前信息和當前信息來共同進行分析和決策。作用在武器裝備上，相當于在傳感器數(shù)據(jù)分析中尋找時間相關(guān)性特征，并把其作為進行決策的一項重要依據(jù)，其應(yīng)用原理與卷積神經(jīng)網(wǎng)絡(luò)類似，但可以大大優(yōu)化對于時序信息的分析能力，對于提高自主深度訓練和“類腦”訓練的效率起到重要作用。

　雖然自主深度學習裝備化上取得部分進展令人鼓舞，但仍面臨一些亟需解決的困難。

一是訓練樣本庫開發(fā)。在基于深度學習的機器人控制中，數(shù)據(jù)量是保證機器人能夠完成復雜任務(wù)的關(guān)鍵因素，僅僅是為了同一款機器人的機械手平面抓取問題，就要收集近百萬次抓取動作數(shù)據(jù)。這些初始數(shù)據(jù)，類似于嬰兒幼年的蹣跚學步，不可能通過自主互動方式加以解決，只有通過良好樣本不間斷訓練才能達到效果。自主深度學習可以解決部分困難，但是如果要解決樣本之間權(quán)重問題，仍然需要采取有監(jiān)督學習方式進行訓練。

二是作戰(zhàn)效率評估。為適應(yīng)復雜多變環(huán)境下而研制的武器裝備，其自主深度學習算法需要實戰(zhàn)環(huán)境中進行檢驗。根據(jù)以往的深度學習理論，只要給定足夠數(shù)量樣本，學習過程一定是收斂的，即代表賦予武器的功能將會趨于穩(wěn)定。但是自主學習的武器產(chǎn)品，會不會在戰(zhàn)場上表現(xiàn)出與人類預期不符甚至是截然相反的決策結(jié)果，仍值得深究。整體來看，對于基于自主深度學習的武器控制系統(tǒng)，其控制性能很難評估分析，即便是表現(xiàn)出一定的控制效果，也無法保證控制性能的魯棒性和穩(wěn)定性，這是自主學習相對于傳統(tǒng)機器學習的一個缺點，也是未來需要重點攻克的問題之一。

三是硬件性能約束。與傳統(tǒng)機器學習方法相比，深度學習在精度方面有較大優(yōu)勢，但其除了硬件要滿足矩陣相乘、卷積、循環(huán)層和全局規(guī)約4種基本運算的性能要求外，還要滿足數(shù)據(jù)級別和流程化的并行性、高內(nèi)存帶寬、多線程等特性。而無人化作戰(zhàn)裝備對于尺寸的要求與日俱增，小型化、微型化的趨勢明顯，這對于硬件性能滿足又提出了較高要求，谷歌、高通、英偉達等美國公司已經(jīng)陸續(xù)推出了基于深度學習的硬件架構(gòu)，但目前市場上仍未有較為完整、統(tǒng)一的硬件處理架構(gòu)。誰能開發(fā)出性能好、尺寸合適的硬件系統(tǒng)，誰就能在無人化、智能化武器裝備上先行一步，從而在真正意義上開發(fā)出自主深度學習的武器裝備。

自主深度學習助力未來戰(zhàn)場前景展望

感知環(huán)境態(tài)勢，數(shù)據(jù)融合能力強。自主深度學習裝備在態(tài)勢感知上具有較大優(yōu)勢，針對一些例行性工作或戰(zhàn)術(shù)級別任務(wù)，往往可以代替人工進行分析判斷。以海洋為例，近年來，隨著我國海洋事業(yè)的蓬勃發(fā)展，海洋裝備智能化長足發(fā)展，積累了豐富的海洋數(shù)據(jù)，但由于觀測裝備的差異，海洋生態(tài)的復雜性，為數(shù)據(jù)收集、動態(tài)監(jiān)測等過程帶來了不小的挑戰(zhàn)。而使用深度學習的無人勘測潛艇，具有長航時、隱蔽性強、自主性強等特點，適用于海洋各類水文、生態(tài)、未知目標的數(shù)據(jù)搜集與融合等任務(wù)。

在未來，無人裝備智能化水平將進一步提高，數(shù)據(jù)融合能力將進一步加強。多傳感器信息采集能力可以借助深度學習處理手段得到有效發(fā)揮，快速提取重要特征，為戰(zhàn)地指揮官及時提供最優(yōu)決策。

提高個體性能，協(xié)同作戰(zhàn)質(zhì)效高。從個體性能角度而言，通過收集大量情報，自主深度學習可以讓智能化裝備及時發(fā)現(xiàn)敵方弱點，輔助戰(zhàn)斗員遂行戰(zhàn)斗任務(wù)。現(xiàn)階段聯(lián)合作戰(zhàn)主要為廣域上的諸兵種協(xié)同作戰(zhàn)，想要真正達到如同美軍提出的蜂群戰(zhàn)術(shù)的階段，極大提高戰(zhàn)術(shù)層面上執(zhí)行任務(wù)效率，仍有很長一段路要走。除了無人裝備群內(nèi)部通信鏈路要足夠高效外，對指揮平臺系統(tǒng)也有很高的要求。

在自主深度學習的幫助下的無人化武器裝備可以有自主決策權(quán)，將“讀秒戰(zhàn)爭”的作戰(zhàn)效率進一步提升，做到真正的“發(fā)現(xiàn)即摧毀”。之前由偵察敵情，到指揮系統(tǒng)，再到精確打擊的實施過程，可以由單一兵器直接完成。例如，無人機A進行精確打擊的同時，無人機B可同時進行觀察、火力跟進或者掩護等任務(wù)。在多重無人化武器協(xié)同參與的情況下，作戰(zhàn)毀傷效能將呈指數(shù)級上升，而對于無人裝備的需求量則大幅減少。

擴大作戰(zhàn)疆域，陸海空天全覆蓋。鑒于人類生理活動極限，之前傳統(tǒng)作戰(zhàn)地域往往帶有較強的局限性。目前智能化程度較低的裝備雖然可以實現(xiàn)在更寬廣疆域執(zhí)行任務(wù)，但仍然需要借助通信手段，依靠人類指令進行活動。而無人化智能化裝備技術(shù)能彌補有人作戰(zhàn)系統(tǒng)的不足，實現(xiàn)長時間、高速度、大強度、全空間執(zhí)行各種作戰(zhàn)和勤務(wù)保障任務(wù)。其活動范圍從太空、深海、高原、極地到核生化污染等“新邊疆”極限區(qū)域。

在高技術(shù)條件下的戰(zhàn)爭，作戰(zhàn)領(lǐng)域已經(jīng)遠遠超越“局部”概念，在未來，能夠搶先一步占據(jù)極限區(qū)域的主動權(quán)，才更有可能贏得整個戰(zhàn)局的主動權(quán)。通過自主導航、決策、攻擊的超高空無人飛行器摧毀敵人的偵察衛(wèi)星；通過無人深潛器發(fā)現(xiàn)并定點清除敵人海底的水聲偵察網(wǎng)絡(luò)；通過無人蜂群機潛入敵指揮中樞，對重要節(jié)點設(shè)備快速毀傷，均可以在某一方面形成局部優(yōu)勢，并供戰(zhàn)地指揮官加以利用，從而影響整個戰(zhàn)局走向。

來源：軍事文摘