记者:在您介绍的这些技术群中,我们经常能看到一些熟悉的字眼。比如“高级机器学习技术群”,这是不是与新闻里常说的“机器学习”有关,目前的进展和未来的趋势怎么样?
吴明曦:是的。机器学习是人工智能科学领域的一个重要里程碑,因为它让机器具备了智慧。过去的机器、计算机、程序、网络、无人系统等,可以在力量、速度、耐力、计算等方面超过人类,但其解决问题的逻辑关系、步骤,还是人类程序员,编写后直接“教”给它的。速度再快,它的“聪明灵巧”程度,还是超不过人类大脑。但“机器学习”不同,是机器自己通过逻辑推理、知识关联、行为奖惩、特征识别、穷举对比、随机寻优、博弈对抗等模型和算法,在解决问题的实践中,经过有监督或者无监督的大量样本学习,不断提高自己解决问题的能力。经过一段时间的训练和增强学习后,它很可能找到一种适合自己“大脑”的方法,比单个人类程序员和一般作战人员可能更聪明、更“智慧”。
经过10多年的快速发展,目前以机器学习为重点的人工智能技术,在计算机视觉、文本识别、视频识别、语音识别、自然语言处理、无人驾驶、虚拟助手、工业机器人等方面,已经超越了人类,但在推理能力、可理解性、小样本抽象上,比人类还有较大差距。我相信,未来随着各国政府投入、商业投入的大量增加,各种智能软件、仿脑芯片、类脑系统、仿生系统、虚拟现实、数字孪生、作战仿真、平行系统、自然能源采集和新型机器学习等智能科技的发展与应用,将会迎来一个实质性的、全面的跨越和提升。总有一天,与人类智能相近甚至更高的通用智能,有可能会实现。
记者:那“深度战场认知技术群”,其中的“深度”是不是与“深度学习”有关?“战场认知”是不是与军事上的侦察、识别、跟踪有关?
吴明曦:战场态势感知是作战的基本前提,在OODA中是很重要的一环。战场的“深度认知”与“深度学习”不是一回事儿,但与军事上的侦察、识别、跟踪有关。战场的深度认知是由战场的复杂性带来的。一是多目标探测、感知和识别,如城市环境下的军事目标、民用目标、地上目标、地下目标、固定目标、移动目标、建筑设施等硬目标、重点人物与社会组织等软目标。二是必须建立天、空、地、海、室内、地下、水下等网络化感知与识别系统,尽量不留盲区和视角。三是多域多源信息关联印证和分析,去粗取精,去伪成真,把战略欺骗、战术伪装、信号干扰等“水分”都去掉,留下干货、硬货。
首先是利用机器学习等技术,对军事目标的图像、视频、电磁、光谱等特性进行采集、分析、建模,大幅提升目标识别概率和能力。主要通过军用天基、空基、地基、海基平台多种探测手段,利用图像、红外、视频、SAR、电子侦察、多光谱、磁探、重力梯度、水声等侦察探测方式,对固定、机动、高速、水下、地下目标和复杂作战环境,实施精确探测、跟踪、定位。

▲ 人工智能南非机器人公司利用深度学习技术,实现无人机图像目标自动检测,更便捷地监测非洲住房项目的建设进度。

▲ 察打一体无人机对地面目标进行监控和识别

▲ 甘肃省嘉峪关地区的多光谱融合影像图

▲ 多光谱图像融合技术已经应用在农业监测无人机系统上。比如同步拍摄植物在绿色、红色、红边、近红外四多个波段的图像,以此分析植物内叶绿素生长或营养缺失情况。这种技术对于在丛林中识别迷彩伪装,也有帮助。

其次,还必须通过民用互联网、物联网、民用卫星、社交媒体等信息资源和探测手段,加强远程搜索发现、全程跟踪监视,运用爬虫、大数据技术进行多源搜索,建立不同地理环境和目标多维度的关联模型,解决对隐身、移动、人类行为等多样化目标的探测、发现、识别和意图判别。
第三,还需要依托认知通信网络和数据中心,建立多源和异构信息数据采集、存储、处理、分发、传输、利用标准体系,以便计算机和作战人员快速阅读理解,便于对武器装备和部队实施指挥控制与火力控制。

▲ 采用机器学习技术的图像识别系统,具备了自主区分某些图像的能力,头一次看到《清明上河图》时,也能区分出画里的人物、动物、和交通工具。虽然这种识别还不如人眼、人脑那么聪明,找不出迷彩伪装的军事目标,但它能快速统计显著目标的数量、位置,可以对大范围战场进行实时监视,对海量侦察图像进行快速处理,迅速发现战场上的某些细小变化。

第四,开展数据融合与关联分析,利用大数据技术+ISR系统+人工情报,可以对重要人物和群体目标行为轨迹进行跟踪、挖掘和定位,对舆情进行分析、判断、预警,对军用和民用目标进行识别、区别和分类。利用天基信息+大数据技术等,对机场、港口、军事要地、弹药仓库、军事工业等重要固定目标,进行智能识别、关联、分析、判断和定位。依托前沿传感器系统、前端智能识别,结合天基信息和网络数据,对重要移动目标、地下目标、建筑物内部目标,进行探测、识别、关联和定位。

来源: 《兵器知识》杂志