人工智能在军事对抗中的应用进展

工程科学学报 Chinese Journal of Engineering 人工智能在军事对抗中的应用进展 张智敏石飞飞万月亮徐阳张帆宁焕生 Application progress of artificial intelligence in military confrontation ZHANG Zhi-min,SHI Fei-fei.WAN Yue-liang.XU Yang,ZHANG Fan,NING Huan-sheng 引用本文： 张智敏，石飞飞，万月亮，徐阳，张帆.宁焕生.人工智能在军事对抗中的应用进展.工程科学学报，2020,42(9)：1106-1118. doi10.13374j.issn2095-9389.2019.11.19.001 ZHANG Zhi-min,SHI Fei-fei,WAN Yue-liang.XU Yang,ZHANG Fan,NING Huan-sheng.Application progress of artificial intelligence in military confrontation[J].Chinese Journal of Engineering,2020,42(9):1106-1118.doi:10.13374/j.issn2095- 9389.2019.11.19.001 在线阅读View online:https::/oi.org10.13374.issn2095-9389.2019.11.19.001 您可能感兴趣的其他文章 Articles you may be interested in 改进人工鱼群算法及其在时滞系统辨识中的应用 An improved artificial fish swarm algorithm and its application on system identification with a time-delay system 工程科学学报.2017,39(4：619htps:/ldoi.org10.13374.issn2095-9389.2017.04.018 面向物联网业务绿色接入的异构蜂窝网络优化 Heterogeneous cellular network optimization for green access of loT traffics 工程科学学报.2020,42(4：483 https::/1doi.org/10.13374斩.issn2095-9389.2019.09.15.009 基于逐层演化的群体智能算法优化 Optimization for swarm intelligence based on layer-by-layer evolution 工程科学学报.2017,393：462 https::/doi.org10.13374j.issn2095-9389.2017.03.020 混沌人工鱼群的鲁棒保性能控制权值矩阵优化方法 A weighting matrix optimization method for robust guaranteed cost control based on chaos artificial fish swarm algorithm 工程科学学报.2018,40(4：500 https:/1doi.org10.13374j.issn2095-9389.2018.04.014 一种改进的人工蜂群算法—粒子蜂群算法 An improved artificial bee colony algorithm:particle bee colony 工程科学学报.2018,40(7)：871hps:/oi.org/10.13374.issn2095-9389.2018.07.014 基于GPR反射波信号多维分析的隧道病害智能辨识 An intelligent identification method to detect tunnel defects based on the multidimensional analysis of GPR reflections 工程科学学报.2018,40(3：293 https::/1doi.org10.13374.issn2095-9389.2018.03.005

人工智能在军事对抗中的应用进展 张智敏 石飞飞 万月亮 徐阳 张帆 宁焕生 Application progress of artificial intelligence in military confrontation ZHANG Zhi-min, SHI Fei-fei, WAN Yue-liang, XU Yang, ZHANG Fan, NING Huan-sheng 引用本文: 张智敏, 石飞飞, 万月亮, 徐阳, 张帆, 宁焕生. 人工智能在军事对抗中的应用进展[J]. 工程科学学报, 2020, 42(9): 1106-1118. doi: 10.13374/j.issn2095-9389.2019.11.19.001 ZHANG Zhi-min, SHI Fei-fei, WAN Yue-liang, XU Yang, ZHANG Fan, NING Huan-sheng. Application progress of artificial intelligence in military confrontation[J]. Chinese Journal of Engineering, 2020, 42(9): 1106-1118. doi: 10.13374/j.issn2095- 9389.2019.11.19.001 在线阅读 View online: https://doi.org/10.13374/j.issn2095-9389.2019.11.19.001 您可能感兴趣的其他文章 Articles you may be interested in 改进人工鱼群算法及其在时滞系统辨识中的应用 An improved artificial fish swarm algorithm and its application on system identification with a time-delay system 工程科学学报. 2017, 39(4): 619 https://doi.org/10.13374/j.issn2095-9389.2017.04.018 面向物联网业务绿色接入的异构蜂窝网络优化 Heterogeneous cellular network optimization for green access of IoT traffics 工程科学学报. 2020, 42(4): 483 https://doi.org/10.13374/j.issn2095-9389.2019.09.15.009 基于逐层演化的群体智能算法优化 Optimization for swarm intelligence based on layer-by-layer evolution 工程科学学报. 2017, 39(3): 462 https://doi.org/10.13374/j.issn2095-9389.2017.03.020 混沌人工鱼群的鲁棒保性能控制权值矩阵优化方法 A weighting matrix optimization method for robust guaranteed cost control based on chaos artificial fish swarm algorithm 工程科学学报. 2018, 40(4): 500 https://doi.org/10.13374/j.issn2095-9389.2018.04.014 一种改进的人工蜂群算法——粒子蜂群算法 An improved artificial bee colony algorithm: particle bee colony 工程科学学报. 2018, 40(7): 871 https://doi.org/10.13374/j.issn2095-9389.2018.07.014 基于GPR反射波信号多维分析的隧道病害智能辨识 An intelligent identification method to detect tunnel defects based on the multidimensional analysis of GPR reflections 工程科学学报. 2018, 40(3): 293 https://doi.org/10.13374/j.issn2095-9389.2018.03.005

工程科学学报.第42卷.第9期：1106-1118.2020年9月 Chinese Journal of Engineering,Vol.42,No.9:1106-1118,September 2020 https://doi.org/10.13374/j.issn2095-9389.2019.11.19.001;http://cje.ustb.edu.cn 人工智能在军事对抗中的应用进展 张智敏2，石飞飞)，万月亮34，徐阳)，张帆，宁焕生4☒ 1)北京科技大学计算机与通信工程学院，北京1000832)北京科技大学顺德研究生院，佛山5283003)北京锐安科技有限公司.北京 1001924)北京市网络空间数据分析与应用工程技术研究中心.北京100083 ☒通信作者，E-mail:ninghuansheng@ustb.edu.cn 摘要人工智能特别是近几年深度学习的飞速发展，深刻的影响着军事领域，并赋予现代战争智能性、交叉性和破坏性的 新特点.要想在军事对抗中取胜，不仅需要机器智能，同样需要人类智慧，能在军事作战中达到人机高度协同.是实现人与机 器取长补短的重要途径，也是在愈发复杂的战争形势中取得胜利的关键.本文将军事对抗中人工智能的应用作为切入点，罗 列了代表性国家在军事领域对人工智能的重视程度，从对抗策略和物联网三层架构两大角度对发展现状进行总结，同时指出 在目前军事领域使用人工智能存在的不足，对人机融合智能在军事对抗中的发展趋势进行分析，并给出可能实现的技术方 案，对未来的研究方向作出展望.如何实现高度的人机融合，从而获得“1+1>2”的良好效果，是人工智能在军事对抗中的下一 步研究工作 关键词人工智能：军事对抗：物联网；人机融合智能：技术方案 分类号TG142.71 Application progress of artificial intelligence in military confrontation ZHANG Zhi-min2,SHI Fei-fei)WAN Yue-liang,XU Yang ZHANG Fan.NING Huan-sheng 1)School of Computer Communication Engineering,University of Science and Technology Beijing,Beijing 100083,China 2)Shunde Graduate School of University of Science and Technology Beijing,Foshan 528300,China 3)Run Technologies Company,Ltd.,Beijing 100192,China 4)Beijing Engineering Research Center for Cyberspace Data Analysis and Applications,Beijing 0008,China Corresponding author,E-mail:ninghuansheng@ustb.edu.cn ABSTRACT Artificial intelligence (AI),especially the rapid development of deep learning,has a profound impact on various industries and has continuously changed the traditional production methods and lifestyles.From passive learning with computing power to autonomous learning and enhanced learning,the development of machine intelligence is largely due to the innovation of the AI theory and practice.AI has also had a far-reaching impact on the military field,as it has provided modern warfare with new features such as intelligence,interconnectedness,and destructiveness.Winning in a military confrontation requires not only machine intelligence but also human wisdom.Therefore,human-machine collaboration would combine the strengths and complement the weaknesses of human and machine,which is the key to victory in the increasingly complex war environment.How to achieve a high degree of hybrid human-artificial intelligence to obtain a good result of1+1>2"is also a problem that needs to be further explored in military confr- ontation.This paper reviewed the application of Al in military confrontation as the starting point and highlighted the important measures and achievements of representative countries in the use of Al technology in the military development process.Moreover,we analyzed the development status from the two perspectives of confrontation strategy and the three-tier architecture of the Internet of Things, 收稿日期：2019-11-19 基金项目：国家自然科学基金资助项目(6182038)：国家自然科学基金民航联合基金资助项目(U1633121):北京科技大学顺德研究生院 科技创新专项资金资助项目(BK19CF010)

人工智能在军事对抗中的应用进展 张智敏1,2)，石飞飞1)，万月亮3,4)，徐    阳1)，张    帆1)，宁焕生1,4) 苣 1) 北京科技大学计算机与通信工程学院，北京 100083    2) 北京科技大学顺德研究生院，佛山 528300    3) 北京锐安科技有限公司，北京 100192    4) 北京市网络空间数据分析与应用工程技术研究中心，北京 100083 苣通信作者，E-mail：ninghuansheng@ustb.edu.cn 摘    要    人工智能特别是近几年深度学习的飞速发展，深刻的影响着军事领域，并赋予现代战争智能性、交叉性和破坏性的 新特点. 要想在军事对抗中取胜，不仅需要机器智能，同样需要人类智慧，能在军事作战中达到人机高度协同，是实现人与机 器取长补短的重要途径，也是在愈发复杂的战争形势中取得胜利的关键. 本文将军事对抗中人工智能的应用作为切入点，罗 列了代表性国家在军事领域对人工智能的重视程度，从对抗策略和物联网三层架构两大角度对发展现状进行总结，同时指出 在目前军事领域使用人工智能存在的不足，对人机融合智能在军事对抗中的发展趋势进行分析，并给出可能实现的技术方 案，对未来的研究方向作出展望. 如何实现高度的人机融合，从而获得“1+1>2”的良好效果，是人工智能在军事对抗中的下一 步研究工作. 关键词    人工智能；军事对抗；物联网；人机融合智能；技术方案 分类号    TG142.71 Application progress of artificial intelligence in military confrontation ZHANG Zhi-min1,2) ，SHI Fei-fei1) ，WAN Yue-liang3,4) ，XU Yang1) ，ZHANG Fan1) ，NING Huan-sheng1,4) 苣 1) School of Computer & Communication Engineering, University of Science and Technology Beijing, Beijing 100083, China 2) Shunde Graduate School of University of Science and Technology Beijing, Foshan 528300, China 3) Run Technologies Company, Ltd., Beijing 100192, China 4) Beijing Engineering Research Center for Cyberspace Data Analysis and Applications, Beijing 100083, China 苣 Corresponding author, E-mail: ninghuansheng@ustb.edu.cn ABSTRACT    Artificial  intelligence  (AI),  especially  the  rapid  development  of  deep  learning,  has  a  profound  impact  on  various industries and has continuously changed the traditional production methods and lifestyles. From passive learning with computing power to autonomous learning and enhanced learning, the development of machine intelligence is largely due to the innovation of the AI theory and practice. AI has also had a far-reaching impact on the military field, as it has provided modern warfare with new features such as intelligence, interconnectedness, and destructiveness. Winning in a military confrontation requires not only machine intelligence but also human wisdom. Therefore, human-machine collaboration would combine the strengths and complement the weaknesses of human and machine,  which  is  the  key  to  victory  in  the  increasingly  complex  war  environment.  How  to  achieve  a  high  degree  of  hybrid human–artificial intelligence to obtain a good result of “1+1>2” is also a problem that needs to be further explored in military confr￾ontation. This paper reviewed the application of AI in military confrontation as the starting point and highlighted the important measures and achievements of representative countries in the use of AI technology in the military development process. Moreover, we analyzed the  development  status  from  the  two  perspectives  of  confrontation  strategy  and  the  three-tier  architecture  of  the  Internet  of  Things, 收稿日期: 2019−11−19 基金项目: 国家自然科学基金资助项目（61872038）；国家自然科学基金民航联合基金资助项目（U1633121）；北京科技大学顺德研究生院 科技创新专项资金资助项目（BK19CF010） 工程科学学报，第 42 卷，第 9 期：1106−1118，2020 年 9 月 Chinese Journal of Engineering, Vol. 42, No. 9: 1106−1118, September 2020 https://doi.org/10.13374/j.issn2095-9389.2019.11.19.001; http://cje.ustb.edu.cn

张智敏等：人工智能在军事对抗中的应用进展 ·1107· revealed the shortcomings of using Al in the current military field,and analyzed the development trend of hybrid human-artificial inte- lligence in military confrontation.We also presented three possible technical schemes and detailed explanations and finally proposed future research directions.We believe that the future development trend of intelligent military may be based on the hybrid human-artificial intelligence,which will further improve the adaptability of machines to the combat environment and reveal the merits of the integration of human wisdom and machine intelligence;this integration may be the next step of Al research in military confrontation. KEY WORDS artificial intelligence:military confrontation:Internet of Things:hybrid human-artificial intelligence:technical schemes I956年，人工智能(Artificial intelligence,AI)一 由于技术水平有限，在目前的军事对抗中，还 词正式诞生，并逐渐对众多领域产生深远影响； 无法完全交由机器进行实时响应、紧急决策处理； 1997年，BM的“深蓝”在象棋比赛中战胜卡斯帕 在未来的一段时间内，无法实现武器装备完全自 罗夫，人工智能在经过两次低谷后重回大众视线， 主控制.这表明在执行过程中，依旧需要人工操纵 但此时机器的良好表现更多要归功于超强的计算 与控制，来确保整个作战过程不出现偏差.通过让 能力，它不能像人类一样理解棋局所代表的含义； 机器承担操作性的任务，让人承担决策性的工作， 2006年，在Hinton的带领下，深度学习领域取得重 从而实现人与机器的高度融合，优势互补，是未来 大突破山，人工智能进入爆发期：2017年，拥有“深 军事对抗的发展方向. 度学习”大脑的AlphaGo强势来袭，击败世界围棋 人机融合智能，是一种强人工智能，简单来说 冠军柯洁，机器开始拥有“思考”能力：同年，只通过 就是可以将人与机器优势相互结合的一种智能形 三天自我博弈与学习的AlphaGo Zero出师，不仅击 势.人类与机器在态势感知、数据处理、决策分析 败AlphaGo,还学会了三种不同的棋类游戏，机器 等方面可以做到优势互补，是弥补人类与机器各 开始拥有“洞察力”☒人工智能特别是深度学习的 自缺点的重要方式.能否实现多种作战方式，将取 不断发展，使机器不再受限于特定的程序，转而开 决于人机融合智能能否有效的应用于军事对抗 始拥有思考能力，机器变得越来越“聪明”：而人类 中，也取决于人与机器在实际对抗中遇到各类突 智慧是机器始终无法取代的，如何实现智慧与智能 发情况时是否能够默契配合 的融合，也就开启了人工智能领域新的研究话题. 人机融合智能在军事对抗中的应用，以人工 纵观军事领域，高科技化军事装备的出现，势 智能在军事对抗中的应用为基础，以如何在各类 必会对作战形势以及取胜机制产生重大影响.但 战争角色中实现人一机高度协同为主要研究内容， 从目前国内外情况来看，部分先进科技装备不能 在有人进行监督参与的情况下，使机器以不同方 有效、快速的投入到战斗当中，且面对复杂作战环 式配合实现在“防御-检测-攻击”的高效运作，最 境时，可能会出现无法发挥正常作战效应的情况， 终实现“1+1>2”的对抗效果 这都会严重妨碍军事力量发展. 在目前，人机融合智能在军事对抗中仍有很 随着人工智能及其分支技术的不断发展，军事 多问题需要解决，这些问题主要有： 对抗的作战形态已发生巨大变革，这将从根本上改 (1)赋予机器的假设条件是有限的，面对复杂 变作战方式和制胜机理，同时会演化出众多新式武 的作战环境，这种有限性限制了决策的多样性； 器，未来战争可能会实现由“人对人”到“机器自主 (2)环境高度复杂化、高度不确定化，导致数 杀人”的转变)目前，众多国家已经开始投入到对 据量急剧增加，但目前人机之间的信息传递效率 人工智能在军事领域的研究当中，并取得了重大的 低，具有滞后性，在不同编队的情况下，如何实现 进展，这将加速推进战争形态向智能化迈进. 数据高速共享也是需要思考的问题； 人工智能下的军事，从对抗策略角度进行分 (3)由于作战任务高度复杂且对时间精度要求 析，需要解决在军事攻击、军事检测和军事防御方 较高，干预问题成为人机融合智能在军事对抗中不 面如何有效的将人工智能融入其中这一问题，同 可忽略的问题之一，何时由人获得主控权，何时由机 时为达到作战一致性，协同配合也需要着重考虑 器获得主控权，需要对人机融合系统进行充分设计. 而若从物联网三层架构分析军事对抗中的人工智 人机融合智能在军事对抗中的应用，可以认 能技术，需要解决软硬件在感知层、网络层和应用 为是智能系统与决策技术的高度融合，这将是多 层的对抗问题，从而形成完备的军事攻防体系. 学科交叉的研究成果.如何实现人机协同打击工

revealed the shortcomings of using AI in the current military field, and analyzed the development trend of hybrid human–artificial inte￾lligence in military confrontation. We also presented three possible technical schemes and detailed explanations and finally proposed future  research  directions.  We  believe  that  the  future  development  trend  of  intelligent  military  may  be  based  on  the  hybrid human–artificial intelligence, which will further improve the adaptability of machines to the combat environment and reveal the merits of the integration of human wisdom and machine intelligence; this integration may be the next step of AI research in military confrontation. KEY  WORDS    artificial  intelligence； military  confrontation； Internet  of  Things； hybrid  human –artificial  intelligence； technical schemes 1956 年，人工智能（Artificial intelligence, AI）一 词正式诞生，并逐渐对众多领域产生深远影响； 1997 年，IBM 的“深蓝”在象棋比赛中战胜卡斯帕 罗夫，人工智能在经过两次低谷后重回大众视线， 但此时机器的良好表现更多要归功于超强的计算 能力，它不能像人类一样理解棋局所代表的含义； 2006 年，在 Hinton 的带领下，深度学习领域取得重 大突破[1] ，人工智能进入爆发期；2017 年，拥有“深 度学习”大脑的 AlphaGo 强势来袭，击败世界围棋 冠军柯洁，机器开始拥有“思考”能力；同年，只通过 三天自我博弈与学习的 AlphaGo Zero 出师，不仅击 败 AlphaGo，还学会了三种不同的棋类游戏，机器 开始拥有“洞察力” [2] . 人工智能特别是深度学习的 不断发展，使机器不再受限于特定的程序，转而开 始拥有思考能力，机器变得越来越“聪明”；而人类 智慧是机器始终无法取代的，如何实现智慧与智能 的融合，也就开启了人工智能领域新的研究话题. 纵观军事领域，高科技化军事装备的出现，势 必会对作战形势以及取胜机制产生重大影响. 但 从目前国内外情况来看，部分先进科技装备不能 有效、快速的投入到战斗当中，且面对复杂作战环 境时，可能会出现无法发挥正常作战效应的情况， 这都会严重妨碍军事力量发展. 随着人工智能及其分支技术的不断发展，军事 对抗的作战形态已发生巨大变革，这将从根本上改 变作战方式和制胜机理，同时会演化出众多新式武 器，未来战争可能会实现由“人对人”到“机器自主 杀人”的转变[3] . 目前，众多国家已经开始投入到对 人工智能在军事领域的研究当中，并取得了重大的 进展，这将加速推进战争形态向智能化迈进. 人工智能下的军事，从对抗策略角度进行分 析，需要解决在军事攻击、军事检测和军事防御方 面如何有效的将人工智能融入其中这一问题，同 时为达到作战一致性，协同配合也需要着重考虑. 而若从物联网三层架构分析军事对抗中的人工智 能技术，需要解决软硬件在感知层、网络层和应用 层的对抗问题，从而形成完备的军事攻防体系. 由于技术水平有限，在目前的军事对抗中，还 无法完全交由机器进行实时响应、紧急决策处理； 在未来的一段时间内，无法实现武器装备完全自 主控制. 这表明在执行过程中，依旧需要人工操纵 与控制，来确保整个作战过程不出现偏差. 通过让 机器承担操作性的任务，让人承担决策性的工作， 从而实现人与机器的高度融合，优势互补，是未来 军事对抗的发展方向. 人机融合智能，是一种强人工智能，简单来说 就是可以将人与机器优势相互结合的一种智能形 势. 人类与机器在态势感知、数据处理、决策分析 等方面可以做到优势互补，是弥补人类与机器各 自缺点的重要方式. 能否实现多种作战方式，将取 决于人机融合智能能否有效的应用于军事对抗 中，也取决于人与机器在实际对抗中遇到各类突 发情况时是否能够默契配合. 人机融合智能在军事对抗中的应用，以人工 智能在军事对抗中的应用为基础，以如何在各类 战争角色中实现人‒机高度协同为主要研究内容， 在有人进行监督参与的情况下，使机器以不同方 式配合实现在“防御‒检测‒攻击”的高效运作，最 终实现“1+1>2”的对抗效果. 在目前，人机融合智能在军事对抗中仍有很 多问题需要解决，这些问题主要有： （1）赋予机器的假设条件是有限的，面对复杂 的作战环境，这种有限性限制了决策的多样性； （2）环境高度复杂化、高度不确定化，导致数 据量急剧增加，但目前人机之间的信息传递效率 低，具有滞后性，在不同编队的情况下，如何实现 数据高速共享也是需要思考的问题； （3）由于作战任务高度复杂且对时间精度要求 较高，干预问题成为人机融合智能在军事对抗中不 可忽略的问题之一，何时由人获得主控权，何时由机 器获得主控权，需要对人机融合系统进行充分设计. 人机融合智能在军事对抗中的应用，可以认 为是智能系统与决策技术的高度融合，这将是多 学科交叉的研究成果. 如何实现人机协同打击工 张智敏等： 人工智能在军事对抗中的应用进展 · 1107 ·

·1108 工程科学学报，第42卷.第9期 作，如何对人机承载能力进行合理划分，如何在人 驾驶汽车进行边境巡逻.在此基础上，以色列国防 机协同时进行态势感知，如何对出现的突发事件 军准备在汽车上安装例如机关枪等武器，并准备 进行实时检测与分析，如何协同处理好各项任务， 不断部署到边境地区：同时以色列军方也在考虑 是实现“1+1>2”作战效果的关键 如何将机器人与士兵进行混合编队，最终实现更 1人工智能在各国军事发展中的应用现状 好的对抗效果.据了解，以色列正在研制一款具有 智能功能的护目镜，该护目镜可以远程得到医疗 2008年，IBM公司开始进行脉冲神经网络芯 指导，在战争环境中可以提供紧急援助功能.不论 片的研制，随后与美国空军联合进行大脑启发式 是部署的摄像头还是安装在坦克上的传感器，以 超算系统的开发：2014年，美国军方提出“第三 军通过大量装备及多种途径进行数据的采集，这 次抵消战略”，将研究重心向机器学习、机器辅助 些信息可以实现共享，不仅指挥部与军官可以使 作战等方向转移；2016年，评估通过了ALPHA智 用，战场上的作战部队也可以对数据进行处理 能超视距空战系统，该系统主框架采用“模糊学习 2019年，拉斐尔公司的Spice炸弹又有了新的技术 树”技术，并搭载专家系统，可在协同空战中迅速 突破，在原有目标自动识别的基础上，又加入了人 作出决策，但系统评估在相对固定的空战环境进 工智能与场景匹配技术，这也显示出以色列军方 行，与实际空战环境有一定差距：2017年，美国国 对人工智能的高度重视 防部正式发布名为“Project Maven'”的备忘录，旨在 而我国也同样重视人工智能在军事中的发展 进一步发展人工智能等技术在战争中的重要作用，： 2017年7月，国务院公布了到2030年前把中国变 2018年，美国战略与预算评估中心发布《未来地面 成“人工智能领域的领先国家和全球创新中心”的 部队人机编队》报告，报告阐述的主要内容有：发 详细战略.该战略表示会加大对人工智能在国防 展未来地面部队人机编队的主要推动因素、可使 领域的研究与投资，并注重人工智能在自动化与 未来地面部队在战争中获得竞争优势的三大人机 预测中的应用：2019年，我国发表《新时代的中国 编队形式、发展未来人机编队面临的主要挑战、 国防》白皮书，对战争形态、作战方式在人工智能 以及通过人机编队提高未来地面部队作战效能的 的推动下发生的巨大变革进行进一步的阐述.此 战略；2019年，美国空军发布《2019年人工智能》战 外，英国、日本等国家也十分重视人工智能与军事 略，特别强调出人工智能在目前军事发展中的重 对抗的融合与发展 要性，同时这也是针对国防部提出的人工智能战 2人工智能在军事对抗中的技术发展现状 略的细化，更加关注人工智能在军事领域的应用 俄罗斯认为未来军事的主要竞争力将会围绕 本节首先从对抗策略对人工智能在军事对抗 人工智能展开，因此俄罗斯正在大力发展类人机 中的发展进行简单阐述，随后从物联网三层架构 器人、机器人部队.从2016年起，俄罗斯每年都会 分析军事对抗中的人工智能技术 召开“俄罗斯联邦武装力量自动化”军事科技会 2.1对抗策略 议；据国防部长谢依盖绍伊古称，最近3年俄罗斯 2.1.1智能防御 武装力量成立了10个大型科研院所和中心，这些 面对敌方的高强度打压，如何进行有效的防 科研院所和中心正在研究人工智能等众多领域： 御是军事对抗中需要重点考虑的问题.而目前，战 普京表示，人工智能不仅仅是俄罗斯，更是全世界 争形态越来越趋向于信息化、数字化，如何能提高 的未来.目前，俄罗斯军事工业委员会已经批准， 数据样本的抗干扰能力，在面对敌方扰动时如何 计划于2030年从远程控制和人机智能机器人平台 采取有效的策略进行应对，是防御阶段首要考虑 上获得30%的作战力量. 的问题.Lecuyer等间将密码学差分隐私用到对抗 以色列向来就有“初创国度”的美誉，其在军 样本的防御上，同时在原始深层神经网络(Deep 事技术中的表现也成为该国科技创新的重要突破 neural networks,.DNN)中加入噪声层，可以有效达 口.2008年，为加强监视加沙地区边界，以色列开 到防御对抗样本的目的；Papernot等基于DNN 始在实战中使用准自动军用车，这也是全球首个 提出防御蒸馏模型，该模型在应对对抗性样本时 在实战中使用准自动军用车的国家.目前，在军事 具有良好的效果，相比于原先的蒸馏方法，该方法 部署中使用全自动机器人，是以色列军方研究的 鲁棒性和泛化性有所提升；除DNN外，也可以在 重点领域：2016年7月，以色列军方开始使用自主 其他的神经网络中加入防御特性：如新的防御算

作，如何对人机承载能力进行合理划分，如何在人 机协同时进行态势感知，如何对出现的突发事件 进行实时检测与分析，如何协同处理好各项任务， 是实现“1+1>2”作战效果的关键. 1    人工智能在各国军事发展中的应用现状 2008 年 ，IBM 公司开始进行脉冲神经网络芯 片的研制，随后与美国空军联合进行大脑启发式 超算系统的开发[4] ；2014 年，美国军方提出“第三 次抵消战略”，将研究重心向机器学习、机器辅助 作战等方向转移；2016 年，评估通过了 ALPHA 智 能超视距空战系统，该系统主框架采用“模糊学习 树”技术，并搭载专家系统，可在协同空战中迅速 作出决策，但系统评估在相对固定的空战环境进 行，与实际空战环境有一定差距；2017 年，美国国 防部正式发布名为“Project Maven”的备忘录，旨在 进一步发展人工智能等技术在战争中的重要作用[4] ； 2018 年，美国战略与预算评估中心发布《未来地面 部队人机编队》报告，报告阐述的主要内容有：发 展未来地面部队人机编队的主要推动因素、可使 未来地面部队在战争中获得竞争优势的三大人机 编队形式、发展未来人机编队面临的主要挑战、 以及通过人机编队提高未来地面部队作战效能的 战略；2019 年，美国空军发布《2019 年人工智能》战 略，特别强调出人工智能在目前军事发展中的重 要性，同时这也是针对国防部提出的人工智能战 略的细化，更加关注人工智能在军事领域的应用. 俄罗斯认为未来军事的主要竞争力将会围绕 人工智能展开，因此俄罗斯正在大力发展类人机 器人、机器人部队. 从 2016 年起，俄罗斯每年都会 召开“俄罗斯联邦武装力量自动化”军事科技会 议；据国防部长谢依盖·绍伊古称，最近 3 年俄罗斯 武装力量成立了 10 个大型科研院所和中心，这些 科研院所和中心正在研究人工智能等众多领域； 普京表示，人工智能不仅仅是俄罗斯，更是全世界 的未来. 目前，俄罗斯军事工业委员会已经批准， 计划于 2030 年从远程控制和人机智能机器人平台 上获得 30% 的作战力量. 以色列向来就有“初创国度”的美誉，其在军 事技术中的表现也成为该国科技创新的重要突破 口. 2008 年，为加强监视加沙地区边界，以色列开 始在实战中使用准自动军用车，这也是全球首个 在实战中使用准自动军用车的国家. 目前，在军事 部署中使用全自动机器人，是以色列军方研究的 重点领域；2016 年 7 月，以色列军方开始使用自主 驾驶汽车进行边境巡逻. 在此基础上，以色列国防 军准备在汽车上安装例如机关枪等武器，并准备 不断部署到边境地区；同时以色列军方也在考虑 如何将机器人与士兵进行混合编队，最终实现更 好的对抗效果. 据了解，以色列正在研制一款具有 智能功能的护目镜，该护目镜可以远程得到医疗 指导，在战争环境中可以提供紧急援助功能. 不论 是部署的摄像头还是安装在坦克上的传感器，以 军通过大量装备及多种途径进行数据的采集，这 些信息可以实现共享，不仅指挥部与军官可以使 用，战场上的作战部队也可以对数据进行处理. 2019 年，拉斐尔公司的 Spice 炸弹又有了新的技术 突破，在原有目标自动识别的基础上，又加入了人 工智能与场景匹配技术，这也显示出以色列军方 对人工智能的高度重视. 而我国也同样重视人工智能在军事中的发展. 2017 年 7 月，国务院公布了到 2030 年前把中国变 成“人工智能领域的领先国家和全球创新中心”的 详细战略. 该战略表示会加大对人工智能在国防 领域的研究与投资，并注重人工智能在自动化与 预测中的应用；2019 年，我国发表《新时代的中国 国防》白皮书，对战争形态、作战方式在人工智能 的推动下发生的巨大变革进行进一步的阐述. 此 外，英国、日本等国家也十分重视人工智能与军事 对抗的融合与发展. 2    人工智能在军事对抗中的技术发展现状 本节首先从对抗策略对人工智能在军事对抗 中的发展进行简单阐述，随后从物联网三层架构 分析军事对抗中的人工智能技术. 2.1    对抗策略 2.1.1    智能防御 面对敌方的高强度打压，如何进行有效的防 御是军事对抗中需要重点考虑的问题. 而目前，战 争形态越来越趋向于信息化、数字化，如何能提高 数据样本的抗干扰能力，在面对敌方扰动时如何 采取有效的策略进行应对，是防御阶段首要考虑 的问题. Lecuyer 等[5] 将密码学差分隐私用到对抗 样本的防御上，同时在原始深层神经网络（Deep neural networks, DNN）中加入噪声层，可以有效达 到防御对抗样本的目的；Papernot 等[6] 基于 DNN 提出防御蒸馏模型，该模型在应对对抗性样本时 具有良好的效果，相比于原先的蒸馏方法，该方法 鲁棒性和泛化性有所提升；除 DNN 外，也可以在 其他的神经网络中加入防御特性：如新的防御算 · 1108 · 工程科学学报，第 42 卷，第 9 期

张智敏等：人工智能在军事对抗中的应用进展 ·1109· 法ADV-BNN?,是以贝叶斯网络为基础对随机性 分布式人工智能的发展也促进了多智能体分布一 建模，并且通过构造贝叶斯网络中的最小极大值 致性理论的研究，如将分布式协同控制协议用在 问题来学习在攻击下的最优模型分布，从而得到 多智能体中，这种协议不仅可以改变编队结构， 一个对抗训练的贝叶斯神经网络，在强攻击下拥 还可以在固定的无人机拓扑结构下达成一致，运 有较好的防御性能 用Lyapunov稳定性理论还可以实现对编队误差系 在现代技术的支撑下，仅凭一两件先进武器 统的定义 装备进行作战是不现实的，必须综合多个编队进 如何进行智能规避，同样是在防御中需要考 行协同控制，通过相应的信息处理技术，将多平台 虑的问题.目前，越来越多的无人机参与作战，但 互联互通，以信息网络为中心，进行实时数据交 相比有人机，无人机进行规避具有更高的难度性， 互，最终协同完成作战任务.在编队方面，目前集 需要大量传感器的数据处理与交互和智能规避算 中对多智能体(Multi agent)展开研究，因为具有自 法进行支撑.对大、中型无人机和小、微型无人机 治性等众多优良的特点⑧，同时能够根据外界环境 差异进行分析，采用分层的感知与规避流程，提出 的变化进行自适应并采取相应行动，使其在分布 针对不同体型无人机关于感知与规避方面的定义 式人工智能领域具有十分重要的作用.早期多智 和架构，可以针对无人机规模设计合理的规避 能体协同编队的研究以机器人为主，以设计可以 方案；有效结合视觉方法，也可实现较好的规避效 融合跟随领航者法的编队模式为目标，为实现 果：如结合无人机光电平台，将图像阈值法与帧差 队形的灵活变换，建立出多智能体编队控制图-山， 法进行融合，可以实现实时跟踪的效果，并引入人 同时根据全向视觉的相关内容，设计出多机器人 工势场法，实时计算航路点，实现对目标的规避； 编队及队形变换实验以多智能体的理论与方法 Li等⑧1则使用到多传感器信息融合技术，并利用 也可以和生物免疫系统相结合，用来构建免疫多 多模态图像，对无人机感知与规避进行深入研究 智能体网络(Immune multi--agent network,IMAN)模 尽管目前国内外众多学者致力于无人机规避研 型)，可以为舰艇编队协同防空体系研究提供一 究，但目前仍有许多问题需要解决，如：如何使用 种新的范式；在多智能体中引入梯度估计，用于解 传感器收集到精确的数据并进行有效的传输，面 决在多智能体的交换结构和拓扑结构实现源搜索 对复杂多变的环境形势如何进行自主决策等.以 的问题，该过程可以有效寻找多智能体编队中心： 上方法总结见表1. 表1智能防御方面典型方法总结 Table I Summary of typical methods in intelligent defense Research angle of Method/structure Main technology Citation intelligent defense number PixelDP DNN Adding noise layer to the original DNN; introducing cryptography differential privacy [) Data anti- Redesign of the DNN;new architecture based on defensive distillation, interference Defense distillation model flexible setting of distillation temperature [句 ADV-BNN Modeling randomness in Bayesian neural network; constructing minimax problem [7 Leader-follower strategy formation Leader-follower strategy [9] Arbitrary switching of multi-agent formation Multi-agent formation control chart 10-11 Intelligent Multi-robot formation and formation Omnidirectional vision switching [12] cooperative formation Immune multi-agent network Combining biological immune system mechanisms with multi-agent approaches [13] Switching formation and topology in Gradient estimation cooperative multi-agent source seeking [14 Distributed cooperative control for UAV Distributed cooperative control protocol and implementation of error system [15] The definition and framework of UAV perception and avoidance Layered perception and avoidance process [16 Intelligent Vision-based UAV perception and Target detection combining image threshold method and frame difference method avoidance avoidance system and based on the artificial potential field method to avoid target [17刀 UAV perception and avoidance based on multi-source information fusion Multi-sensor information fusion technology;multi-modal image technology [18)

法 ADV-BNN[7] ，是以贝叶斯网络为基础对随机性 建模，并且通过构造贝叶斯网络中的最小极大值 问题来学习在攻击下的最优模型分布，从而得到 一个对抗训练的贝叶斯神经网络，在强攻击下拥 有较好的防御性能. 在现代技术的支撑下，仅凭一两件先进武器 装备进行作战是不现实的，必须综合多个编队进 行协同控制，通过相应的信息处理技术，将多平台 互联互通，以信息网络为中心，进行实时数据交 互，最终协同完成作战任务. 在编队方面，目前集 中对多智能体（Multi agent）展开研究，因为具有自 治性等众多优良的特点[8] ，同时能够根据外界环境 的变化进行自适应并采取相应行动，使其在分布 式人工智能领域具有十分重要的作用. 早期多智 能体协同编队的研究以机器人为主，以设计可以 融合跟随领航者法的编队模式[9] 为目标，为实现 队形的灵活变换，建立出多智能体编队控制图[10−11] ， 同时根据全向视觉的相关内容，设计出多机器人 编队及队形变换实验[12] ；多智能体的理论与方法 也可以和生物免疫系统相结合，用来构建免疫多 智能体网络（Immune multi-agent network, IMAN）模 型[13] ，可以为舰艇编队协同防空体系研究提供一 种新的范式；在多智能体中引入梯度估计，用于解 决在多智能体的交换结构和拓扑结构实现源搜索 的问题，该过程可以有效寻找多智能体编队中心[14] ； 分布式人工智能的发展也促进了多智能体分布一 致性理论的研究，如将分布式协同控制协议用在 多智能体中[15] ，这种协议不仅可以改变编队结构， 还可以在固定的无人机拓扑结构下达成一致，运 用 Lyapunov 稳定性理论还可以实现对编队误差系 统的定义. 如何进行智能规避，同样是在防御中需要考 虑的问题. 目前，越来越多的无人机参与作战，但 相比有人机，无人机进行规避具有更高的难度性， 需要大量传感器的数据处理与交互和智能规避算 法进行支撑. 对大、中型无人机和小、微型无人机 差异进行分析，采用分层的感知与规避流程，提出 针对不同体型无人机关于感知与规避方面的定义 和架构[16] ，可以针对无人机规模设计合理的规避 方案；有效结合视觉方法，也可实现较好的规避效 果：如结合无人机光电平台，将图像阈值法与帧差 法进行融合，可以实现实时跟踪的效果，并引入人 工势场法，实时计算航路点，实现对目标的规避[17] ； Li 等[18] 则使用到多传感器信息融合技术，并利用 多模态图像，对无人机感知与规避进行深入研究. 尽管目前国内外众多学者致力于无人机规避研 究，但目前仍有许多问题需要解决，如：如何使用 传感器收集到精确的数据并进行有效的传输，面 对复杂多变的环境形势如何进行自主决策等. 以 上方法总结见表 1. 表 1 智能防御方面典型方法总结 Table 1 Summary of typical methods in intelligent defense Research angle of intelligent defense Method/structure Main technology Citation number Data anti￾interference PixelDP DNN Adding noise layer to the original DNN; introducing cryptography differential privacy [5] Defense distillation model Redesign of the DNN; new architecture based on defensive distillation; flexible setting of distillation temperature [6] ADV-BNN Modeling randomness in Bayesian neural network; constructing minimax problem [7] Intelligent cooperative formation Leader-follower strategy formation Leader-follower strategy [9] Arbitrary switching of multi-agent formation Multi-agent formation control chart [10−11] Multi-robot formation and formation switching Omnidirectional vision [12] Immune multi-agent network Combining biological immune system mechanisms with multi-agent approaches [13] Switching formation and topology in cooperative multi-agent source seeking Gradient estimation [14] Distributed cooperative control for UAV Distributed cooperative control protocol and implementation of error system [15] Intelligent avoidance The definition and framework of UAV perception and avoidance Layered perception and avoidance process [16] Vision-based UAV perception and avoidance system Target detection combining image threshold method and frame difference method and based on the artificial potential field method to avoid target [17] UAV perception and avoidance based on multi-source information fusion Multi-sensor information fusion technology; multi-modal image technology [18] 张智敏等： 人工智能在军事对抗中的应用进展 · 1109 ·

1110 工程科学学报，第42卷.第9期 2.1.2智能检测 过多年的发展，已成为无人作战系统环境感知中 在作战中，如何对危险进行检测并进行风险 的重要传感器，但若直接使用雷达数据，可能无法 评估，是攻击与防御阶段的重要基础.目前，战 精确的得到数据处理结果.如果可以在这些数据 争愈发演变成信息化战场，对信息安全风险进行 中使用到人工智能的相关技术方法，可以在环境 全面评估是一项必不可少的环节，人工智能可以 感知方面取得重大突破叫：主流的研究思路主要 承担起这项任务.在目标威胁评估中，可结合模 是根据雷达生成的不同图像，利用人工智能中的 糊优选理论叭，根据影响目标威胁评估的因素 不同方法对图像进行处理，结合神经网络强大的 指标，将模糊信息数值化，确定威胁程度优选值； 自学习能力，来对环境进行有效感知.但是，一个 也可以在信息安全风险评估中使用人工智能技 性能表现优良的神经网络需要大量数据进行支 术20，建立起基于知识和模糊逻辑的数据库管理 撑，才能有效的完成分类任务，这与军事领域时间 系统信息安全风险评估模型，并对评估结果进 短、信息少的作战环境产生巨大冲突，导致人工智 行改进；在信息传输过程，有效使用遗传算法和 能难以融入环境感知中基于以上原因，一种新的 神经网络，同样可以更敏感的察觉到可能存在的 观点被提出，即认知学识别在实时对抗复杂环境 风险 下可能会发挥巨大作用，可将认知学识别理解为 智能装备对环境感知的重要元件是传感器， 深度强化学习，是带真正推理、反馈能力的强人工 但单一类型传感器只能反映出部分环境信息，面 智能)，深入挖掘人工智能对电磁环境的认知能 对复杂的作战环境，为提高整个作战团队的稳定 力、推理能力，从而实现人工智能与军事环境感知 性，多传感器进行协作配合成为必然要求.雷达经 的高度融合.以上方法总结见表2 表2智能检测方面典型方法总结 Table 2 Summary of typical methods in intelligent detection Research angle of Citation intelligent detection Method/structure Main technology number Threat assessment based on the preferred value of threat degree Fuzzy optimization theory [19 Risk assessment Information security risk assessment model Knowledge and fuzzy logic [20 Risk assessment model of information Combination of genetic algorithm and transmission security neural network technology 2] Interdisciplinary fusion of microwave remote sensing Environment-sensing radar [22 Environmental perception technology and AI technology Integration of Al and radar technology Cognitive recognition [23] 2.1.3智能攻击 当前，军事作战多以集群为组织形式，为达到 进行作战攻击时，需要在短时间内确定攻击 迅速确定攻击对象、明确作战武器的目的，如何 对象，明确作战武器，计算攻击效果，为此，需要对 进行数据快速传输和信息按需共享与分发，实现 攻击行为进行建模研究，来适应战争突发性、不确 数据的按需服务，成为军事领域一项重要研究 定性的特点.目前，多使用数学模型以及专家系统 内容.早在1989年，就提出了人工智能与数据库 来进行仿真，并使用分布式计算来均衡负载.如在 (Database,DB)两大技术相融合的观点，这将会成 多智能体中部署的协同作战系统行动规划方法4， 为未来信息系统的发展趋势；通过两者优势互补， 以编队协同反舰作战为背景，将多智能体(Muti 将同时有利于两者的发展，并会对计算机信息系 agent system,MAS)理论引入决策过程，并将各个 统产生巨大的影响；针对这一方面的研究主要 作战平台抽象为智能体，从而建立起基于多智能 包括：如何构建智能数据库系统，即将人工智能技 体的编队协同模型，并以主从重叠结构作为规划 术融入到数据库中，而该使用怎样的融合方法，需 方法，同时拥有集中与分布的优点：或总结现代作 要在这一过程中详细论述：如何使用数据挖掘、 战仿仿真的不足，提出一种新的适用于现代战争 数据融合等新兴人工智能技术，提出我军军事信 的仿真方法一基于多智能体的复杂自适应系统2)， 息中心构建思路和基本架构2：如何结合现代战 并结合实例说明在作战中使用多智能体系统的 争的特点，探讨与研究对多传感器进行数据融合 优势 的方法，提出针对现代化战场信息融合系统的作

2.1.2    智能检测 在作战中，如何对危险进行检测并进行风险 评估，是攻击与防御阶段的重要基础. 目前，战 争愈发演变成信息化战场，对信息安全风险进行 全面评估是一项必不可少的环节，人工智能可以 承担起这项任务. 在目标威胁评估中，可结合模 糊优选理论[19] ，根据影响目标威胁评估的因素 指标，将模糊信息数值化，确定威胁程度优选值； 也可以在信息安全风险评估中使用人工智能技 术[20] ，建立起基于知识和模糊逻辑的数据库管理 系统信息安全风险评估模型，并对评估结果进 行改进；在信息传输过程，有效使用遗传算法和 神经网络，同样可以更敏感的察觉到可能存在的 风险[21] . 智能装备对环境感知的重要元件是传感器， 但单一类型传感器只能反映出部分环境信息，面 对复杂的作战环境，为提高整个作战团队的稳定 性，多传感器进行协作配合成为必然要求. 雷达经 过多年的发展，已成为无人作战系统环境感知中 的重要传感器，但若直接使用雷达数据，可能无法 精确的得到数据处理结果. 如果可以在这些数据 中使用到人工智能的相关技术方法，可以在环境 感知方面取得重大突破[22] ；主流的研究思路主要 是根据雷达生成的不同图像，利用人工智能中的 不同方法对图像进行处理，结合神经网络强大的 自学习能力，来对环境进行有效感知. 但是，一个 性能表现优良的神经网络需要大量数据进行支 撑，才能有效的完成分类任务，这与军事领域时间 短、信息少的作战环境产生巨大冲突，导致人工智 能难以融入环境感知中. 基于以上原因，一种新的 观点被提出，即认知学识别在实时对抗复杂环境 下可能会发挥巨大作用，可将认知学识别理解为 深度强化学习，是带真正推理、反馈能力的强人工 智能[23] ，深入挖掘人工智能对电磁环境的认知能 力、推理能力，从而实现人工智能与军事环境感知 的高度融合. 以上方法总结见表 2. 2.1.3    智能攻击 进行作战攻击时，需要在短时间内确定攻击 对象，明确作战武器，计算攻击效果，为此，需要对 攻击行为进行建模研究，来适应战争突发性、不确 定性的特点. 目前，多使用数学模型以及专家系统 来进行仿真，并使用分布式计算来均衡负载. 如在 多智能体中部署的协同作战系统行动规划方法[24] ， 以编队协同反舰作战为背景，将多智能体（Multi agent system, MAS）理论引入决策过程，并将各个 作战平台抽象为智能体，从而建立起基于多智能 体的编队协同模型，并以主从重叠结构作为规划 方法，同时拥有集中与分布的优点；或总结现代作 战仿仿真的不足，提出一种新的适用于现代战争 的仿真方法——基于多智能体的复杂自适应系统[25] ， 并结合实例说明在作战中使用多智能体系统的 优势. 当前，军事作战多以集群为组织形式，为达到 迅速确定攻击对象、明确作战武器的目的，如何 进行数据快速传输和信息按需共享与分发，实现 数据的按需服务，成为军事领域一项重要研究 内容. 早在 1989 年，就提出了人工智能与数据库 （Database, DB）两大技术相融合的观点，这将会成 为未来信息系统的发展趋势；通过两者优势互补， 将同时有利于两者的发展，并会对计算机信息系 统产生巨大的影响[26] ；针对这一方面的研究主要 包括：如何构建智能数据库系统，即将人工智能技 术融入到数据库中，而该使用怎样的融合方法，需 要在这一过程中详细论述[27] ；如何使用数据挖掘、 数据融合等新兴人工智能技术，提出我军军事信 息中心构建思路和基本架构[28] ；如何结合现代战 争的特点，探讨与研究对多传感器进行数据融合 的方法，提出针对现代化战场信息融合系统的作 表 2 智能检测方面典型方法总结 Table 2 Summary of typical methods in intelligent detection Research angle of intelligent detection Method/structure Main technology Citation number Risk assessment Threat assessment based on the preferred value of threat degree Fuzzy optimization theory [19] Information security risk assessment model Knowledge and fuzzy logic [20] Risk assessment model of information transmission security Combination of genetic algorithm and neural network technology [21] Environmental perception Environment-sensing radar Interdisciplinary fusion of microwave remote sensing technology and AI technology [22] Integration of AI and radar technology Cognitive recognition [23] · 1110 · 工程科学学报，第 42 卷，第 9 期

张智敏等：人工智能在军事对抗中的应用进展 1111 战体系结构与功能体系结构.目前，AI与DB有 对网络空间战争提出态势感知的系统框架，并基 效融合的研究还在继续开展，同时，如何结合现代 于态势感知对雷达网络进行设计：也可以在态 化战争的特点进行数据快速交互也是目前的研究 势感知中引入注意力机制，为设计新型智能模型 重点 提供新的研究思路叫以色列正在研发“兰博”地 在军事智能化中，经常需要使用态势感知进 面无人车，态势感知、侦查等能力将在其中有所体 行安全风险评估.可以从态势感知的定义入手，针 现B以上方法总结见表3 表3智能攻击方面典型方法总结 Table 3 Summary of typical methods in intelligent attack Research angle of intelligent Method/structure attack Main technology Citation number Cooperative combat system action planning Agent abstraction;using the MAS theory in decision process and Attack behavior modeling method based on multi-agent system planning strategy of master-slave overlapping structure [24 Application of multi-agent system in combat simulation Fusion of multi-agent system and complex adaptive system [25) Intelligent database system Integration of database technology and Al 27 Fast data transfer and on- Construction of military information center Data mining,data fusion,and other Al technologies [28 demand shared distribution based on data processing Multi-sensor information fusion Data-level fusion,feature-level fusion,and decision-level fusion [2叨 Situation awareness based on radar Design of radar network based on situation awareness [30 network in cyberspace framework in cyberspace war Situational awareness Attention mechanism of battlefield Introduced attention mechanism into situation situation awareness awareness decision and action [31] 2.2从物联网三层架构分析军事对抗中的人工智 传感器数据安全的同时，还可以降低通信与计算 能技术 开销，节省传感器电量B阿 在目前的军事对抗中，信息化是主要特点， 在感知层中，传感器网络通过众多传感器之 为此，如何保证信息安全，成为现代化战争的一 间的互联操作共同实现数据传输.为此，如何保证 项重要任务.目前，有众多学者针对物联网三大 传感器网络安全，实现数据准确无误的传输，是搭 层次进行研究，致力于在各个层次中保证数据安 建传感器网络需要设计的环节.这一方面的研究 全.本节主要从物联网三大层次出发，主要阐述在 主要包括如下内容，(1)从传感器网络安全协议方 各个层次中实现数据安全的算法与协议，并进行 面进行建模与分析：如根据目前无线传感器网络 比较. 数据发现和分发协议的缺点，提出安全性更高的 2.2.1感知层 分布式数据发现和分发协议一一DiDrop协议B: 感知层位于整个物联网的最底端，主要通过 (2)从入侵检测角度，对传感器网络安全性进行研 传感器对周围数据进行采集，并需要同时考虑到 究，同时针对目前的大多数技术只针对传感器网 传感器自身、已采集数据以及传感器网络的安全 络的特定层进行攻击监测，为实现跨层入侵检测， 问题.传感器作为数据收集的起点，其准确性与安 可使用移动代理的手段B:(3)如何进行有效的访 全性将直接影响后续数据的处理过程.但在实际 问控制，也是提升无线传感器网络安全性的重要 的对抗环境中，传感器节点十分容易受到损坏与 方式之一，希望可以从是否对用户授权等方面进 干扰，部署到敌方的传感器可能并没有进行数据 行安全性探究：如通过设计THC算法，可以实现 加密，容易造成数据的泄漏与篡改，因此，如何提 即便用户移动也可使传感器及时收到用户认证信 升传感器的安全性是需要考虑的问题.尽快提升 息的机制，这使得对传感器的访问控制不仅适用 传感器安全等级，保证数据安全，是目前业界的一 于静态用户，也同样适用于移动用户：也可对无线 致看法B),在保证数据安全方面，哈希(Hash)算法 传感器网匿名性进行研究，通过将Hash、消息验 发挥着重要的作用：如使用基于Hash的对称加密 证码等多种技术相结合，在数据保持完整的前提 机制，在一定程度上可以保证节点中的数据安全B: 下可对伪造数据进行防御，从而增强整个物联网 使用单向Hash将节点的公钥认证进行替换，通过 感知层的安全性能叭：(4)通过使用密码与密钥管 所有传感器的公钥来建立Merkle树森林，在保证 理来设法增强网络安全性：目前已有对对称与非

战体系结构与功能体系结构[29] . 目前，AI 与 DB 有 效融合的研究还在继续开展，同时，如何结合现代 化战争的特点进行数据快速交互也是目前的研究 重点. 在军事智能化中，经常需要使用态势感知进 行安全风险评估. 可以从态势感知的定义入手，针 对网络空间战争提出态势感知的系统框架，并基 于态势感知对雷达网络进行设计[30] ；也可以在态 势感知中引入注意力机制，为设计新型智能模型 提供新的研究思路[31] . 以色列正在研发“兰博”地 面无人车，态势感知、侦查等能力将在其中有所体 现[32] . 以上方法总结见表 3. 2.2    从物联网三层架构分析军事对抗中的人工智 能技术 在目前的军事对抗中，信息化是主要特点， 为此，如何保证信息安全，成为现代化战争的一 项重要任务. 目前，有众多学者针对物联网三大 层次进行研究，致力于在各个层次中保证数据安 全. 本节主要从物联网三大层次出发，主要阐述在 各个层次中实现数据安全的算法与协议，并进行 比较. 2.2.1    感知层 感知层位于整个物联网的最底端，主要通过 传感器对周围数据进行采集，并需要同时考虑到 传感器自身、已采集数据以及传感器网络的安全 问题. 传感器作为数据收集的起点，其准确性与安 全性将直接影响后续数据的处理过程. 但在实际 的对抗环境中，传感器节点十分容易受到损坏与 干扰，部署到敌方的传感器可能并没有进行数据 加密，容易造成数据的泄漏与篡改，因此，如何提 升传感器的安全性是需要考虑的问题. 尽快提升 传感器安全等级，保证数据安全，是目前业界的一 致看法[33] ；在保证数据安全方面，哈希（Hash）算法 发挥着重要的作用：如使用基于 Hash 的对称加密 机制，在一定程度上可以保证节点中的数据安全[34] ； 使用单向 Hash 将节点的公钥认证进行替换，通过 所有传感器的公钥来建立 Merkle 树森林，在保证 传感器数据安全的同时，还可以降低通信与计算 开销，节省传感器电量[35] . 在感知层中，传感器网络通过众多传感器之 间的互联操作共同实现数据传输. 为此，如何保证 传感器网络安全，实现数据准确无误的传输，是搭 建传感器网络需要设计的环节. 这一方面的研究 主要包括如下内容. （1）从传感器网络安全协议方 面进行建模与分析：如根据目前无线传感器网络 数据发现和分发协议的缺点，提出安全性更高的 分布式数据发现和分发协议——DiDrop 协议[36] ； （2）从入侵检测角度，对传感器网络安全性进行研 究，同时针对目前的大多数技术只针对传感器网 络的特定层进行攻击监测，为实现跨层入侵检测， 可使用移动代理的手段[37] ；（3）如何进行有效的访 问控制，也是提升无线传感器网络安全性的重要 方式之一，希望可以从是否对用户授权等方面进 行安全性探究：如通过设计 THC 算法[38] ，可以实现 即便用户移动也可使传感器及时收到用户认证信 息的机制，这使得对传感器的访问控制不仅适用 于静态用户，也同样适用于移动用户；也可对无线 传感器网匿名性进行研究，通过将 Hash、消息验 证码等多种技术相结合，在数据保持完整的前提 下可对伪造数据进行防御，从而增强整个物联网 感知层的安全性能[39] ；（4）通过使用密码与密钥管 理来设法增强网络安全性：目前已有对对称与非 表 3 智能攻击方面典型方法总结 Table 3 Summary of typical methods in intelligent attack Research angle of intelligent attack Method/structure Main technology Citation number Attack behavior modeling Cooperative combat system action planning method based on multi-agent system Agent abstraction; using the MAS theory in decision process and planning strategy of master-slave overlapping structure [24] Application of multi-agent system in combat simulation Fusion of multi-agent system and complex adaptive system [25] Fast data transfer and on￾demand shared distribution Intelligent database system Integration of database technology and AI [27] Construction of military information center based on data processing Data mining, data fusion, and other AI technologies [28] Multi-sensor information fusion Data-level fusion, feature-level fusion, and decision-level fusion [29] Situational awareness Situation awareness based on radar network in cyberspace Design of radar network based on situation awareness framework in cyberspace war [30] Attention mechanism of battlefield situation awareness Introduced attention mechanism into situation awareness decision and action [31] 张智敏等： 人工智能在军事对抗中的应用进展 · 1111 ·

1112 工程科学学报，第42卷.第9期 对称加密在传感器网络中的应用的详细对比o, 器信息融合预报器：(2)针对特定武器装备进行 通过不断研究，也有越来越多新的密码算法应用 研究，如提出在无人机传感器方面中的数据融合 于无线传感器网络当中，如在无线传感器网络数 设计要求脚，结合无人机作战中的状态，有针对性 据聚合过程中实现数据和密钥隐私保护)，改进 的提出涉及高度及姿态角的算法，通过在多传感 混沌序列密码2等.此外，还可以从安全路由、拒 器数据融合中加入高度通道和姿态通道，将更有 绝服务攻击等多种角度展开研究，这都有助于发 利于在无人机飞行系统中实现；(3)从数据融合算 展无线传感器网络安全 法着手，如提出一种基于模糊方法的信息融合通 在目前信息化战场中，只使用单一或某一类 用框架，并且特征的提取与融合是通过隶属函数 型传感器进行数据收集是远远不够的，为此，许多 来实现的，使用超光谱传感器数据6，通过特征 研究侧重在如何收集到多传感器数据，并进行多 融合和决策融合两个层面对数据进行处理，并通 传感器数据融合方面做出巨大的努力.这些努力 过神经网络得以实现.与此同时，小波分析理论、 包括：(1)从提升数据融合精度进行研究，如基于 主成分变换、图像回归算法、专家系统等方法都 自回归滑s动平均(Auto-regressive and moving average,. 开始应用于多传感器数据融合当中，这都会促进 ARMA)信息模型和增广状态空间模型，结合误差 信息化战争作战模式的高速转变.感知层所述技 方差与互协方差公式，设计出精度更高的多传感 术已在表4中进行总结 表4感知层安全典型技术总结 Table 4 Summary of typical technologies of perceptual layer security Research angle of Citation Method/structure perceptual level Main technology number Internet of Things authentication and key management Symmetric encryption mechanism based on Hash [34 Sensor security Public key authentication scheme One-way Hash function used in public key authentication, for sensor networks and Merkle tree established with public key [35] DiDrip protocol Distributed design and using different security parameters to improve security [36 Cross-layer intrusion detection in wireless sensor network using mobile agent Fusing cross-layer features such as the MAC layer and network layer [37 Access control of wireless sensor network Design of a THC algorithm;introducing the Merkle Sensor network based on information coverage Hash tree and one-way chain [38 security Access control of wireless sensor networks Integrating Hash function,message verification code and other technologies [39 with strong anonymity Data and key privacy protection in data Organizing nodes in sensor network into tree structure and [41] aggregation of wireless sensor networks encryption in homomorphism Application of chaotic sequence cipher in [42] wireless sensor network Improved chaotic sequence cipher Multi-sensor information fusion predictor Based on ARMA information model and augmented state space model combined with two kinds of variance formulas [43] Multi-sensor data Feature extraction and fusion based on fuzzy method fusion Fuzzy method of multi-sensor data fusion and membership function [45) Super dimensional data fusion Feature and decision fusion by maximum rule,neural [46] in hyperspectral sensor network and other technologies 2.2.2网络层 加强网络层安全防护等级；Bass认为，当前一代入 在目前的信息化战场上，如何保证自身数据 侵检测系统(IDSes)在技术上还不够先进，没有办 传输安全，实现远距离数据传输，是网络层中不可 法有效监控和保护这些网络所需的态势知识；而 小觑的问题.目前，数据量急剧增加，在整个数据 下一代智能决策支持系统将对数据进行融合，将 传输过程中，可能会导致网络层负载过大的风险； 短期传感器与长期知识数据库结合，创建出网络 同时，随着协议的不断扩充，数据间进行格式转换 态势感知 也同样会带来巨大开销；如何能实现数据传输过 Tsochev等4I根据多智能体系统并结合人工 程的动态分配、负载均衡，提高网络层数据传输利 智能技术，提出针对网络方面的安全模型，该模型 用率，是目前众多学者研究的热门话题.早在 由两个主要的多智能体框架组成，分别是基于主 1999年，Bass与Gruber47就提出网络态势感知这 机的监控系统，用以对操作系统资源和用户活动 概念，并开始与网络技术紧密结合，致力于全面 进行监控，以及网络网关的监控系统，用以监测与

对称加密在传感器网络中的应用的详细对比[40] ， 通过不断研究，也有越来越多新的密码算法应用 于无线传感器网络当中，如在无线传感器网络数 据聚合过程中实现数据和密钥隐私保护[41] ，改进 混沌序列密码[42] 等. 此外，还可以从安全路由、拒 绝服务攻击等多种角度展开研究，这都有助于发 展无线传感器网络安全. 在目前信息化战场中，只使用单一或某一类 型传感器进行数据收集是远远不够的，为此，许多 研究侧重在如何收集到多传感器数据，并进行多 传感器数据融合方面做出巨大的努力. 这些努力 包括：（1）从提升数据融合精度进行研究，如基于 自回归滑动平均（Auto-regressive and moving average, ARMA）信息模型和增广状态空间模型，结合误差 方差与互协方差公式，设计出精度更高的多传感 器信息融合预报器[43] ；（2）针对特定武器装备进行 研究，如提出在无人机传感器方面中的数据融合 设计要求[44] ，结合无人机作战中的状态，有针对性 的提出涉及高度及姿态角的算法，通过在多传感 器数据融合中加入高度通道和姿态通道，将更有 利于在无人机飞行系统中实现；（3）从数据融合算 法着手，如提出一种基于模糊方法的信息融合通 用框架，并且特征的提取与融合是通过隶属函数 来实现的[45] ；使用超光谱传感器数据[46] ，通过特征 融合和决策融合两个层面对数据进行处理，并通 过神经网络得以实现. 与此同时，小波分析理论、 主成分变换、图像回归算法、专家系统等方法都 开始应用于多传感器数据融合当中，这都会促进 信息化战争作战模式的高速转变. 感知层所述技 术已在表 4 中进行总结. 2.2.2    网络层 在目前的信息化战场上，如何保证自身数据 传输安全，实现远距离数据传输，是网络层中不可 小觑的问题. 目前，数据量急剧增加，在整个数据 传输过程中，可能会导致网络层负载过大的风险； 同时，随着协议的不断扩充，数据间进行格式转换 也同样会带来巨大开销；如何能实现数据传输过 程的动态分配、负载均衡，提高网络层数据传输利 用率 ，是目前众多学者研究的热门话题. 早在 1999 年，Bass 与 Gruber[47] 就提出网络态势感知这 一概念，并开始与网络技术紧密结合，致力于全面 加强网络层安全防护等级；Bass 认为，当前一代入 侵检测系统（IDSes）在技术上还不够先进，没有办 法有效监控和保护这些网络所需的态势知识；而 下一代智能决策支持系统将对数据进行融合，将 短期传感器与长期知识数据库结合，创建出网络 态势感知. Tsochev 等[48] 根据多智能体系统并结合人工 智能技术，提出针对网络方面的安全模型，该模型 由两个主要的多智能体框架组成，分别是基于主 机的监控系统，用以对操作系统资源和用户活动 进行监控，以及网络网关的监控系统，用以监测与 表 4 感知层安全典型技术总结 Table 4 Summary of typical technologies of perceptual layer security Research angle of perceptual level Method/structure Main technology Citation number Sensor security Internet of Things authentication and key management Symmetric encryption mechanism based on Hash [34] Public key authentication scheme for sensor networks One-way Hash function used in public key authentication, and Merkle tree established with public key [35] Sensor network security DiDrip protocol Distributed design and using different security parameters to improve security [36] Cross-layer intrusion detection in wireless sensor network using mobile agent Fusing cross-layer features such as the MAC layer and network layer [37] Access control of wireless sensor network based on information coverage Design of a THC algorithm; introducing the Merkle Hash tree and one-way chain [38] Access control of wireless sensor networks with strong anonymity Integrating Hash function, message verification code and other technologies [39] Data and key privacy protection in data aggregation of wireless sensor networks Organizing nodes in sensor network into tree structure and encryption in homomorphism [41] Application of chaotic sequence cipher in wireless sensor network Improved chaotic sequence cipher [42] Multi-sensor data fusion Multi-sensor information fusion predictor Based on ARMA information model and augmented state space model combined with two kinds of variance formulas [43] Fuzzy method of multi-sensor data fusion Feature extraction and fusion based on fuzzy method and membership function [45] Super dimensional data fusion in hyperspectral sensor Feature and decision fusion by maximum rule, neural network and other technologies [46] · 1112 · 工程科学学报，第 42 卷，第 9 期

张智敏等：人工智能在军事对抗中的应用进展 ·1113 防止TCPP攻击；也可以将径向基函数神经网络 络态势感知时间序列预测中，在网络态势感知中 Radial basis function neural network.RBFNN) 引入支持向量回归方法，通过网络攻击态势预测 网络安全态势预测[，在神经网络中同时融合布 训练模块对实验数据进行建模与训练，并设计预 谷鸟搜索算法、模拟退火算法和动态发现概率机 测模块，根据入侵检测系统提供的新数据，完成对 制，预测精度得到明显改善：还可以结合支持向量 网络态势的预测，而使用支持向量回归算法，可以 机的优势50，将支持向量回归的预测方法用于网 达到更好的预测效果.总结如表5所示 表5网络漏洞评估与安全态势感知典型技术总结 Table 5 Summary of typical technologies of network vulnerability assessment and security situation awareness Network vulnerability assessment and Citation Method/structure security situation awareness number Multi-agent network security model Using a two-tier multi-agent framework to integrate Al to monitor resources and attacks [48) Prediction of network security Based on an RBFNN neural network and the integration of the cuckoo search algorithm,simulated situation based on RBF neural network [49] annealing algorithm,and dynamic discovery probability mechanism in the neural network Time series prediction of network Prediction method with support vector regression situation awareness [50 2.2.3应用层 理，并通过改进遗传算法，可以实现云数据存储的 物联网层次结构的最顶级，即为应用层，面对 动态分配与负载均衡，从而有利于海量数据处理， 海量数据，如何在时间紧张、任务繁重的工作环境 这也利于在军事中对海量小文件进行快速分类与 中准确无误、高速快捷的得到满意的实验结果，是 处理：目前，应用层程序种类繁多，需针对特定应 军事对抗在应用层中的一大诉求.目前，很多人工 用进行方法设计，既要实现应用层与人工智能的 智能技术都支持对海量数据处理，结合云计算等 结合，也要很好的适应信息化战争的作战特点 新兴处理方式可以实现良好的效果.一个已建立 3人工智能缺陷与人机融合智能的发展趋势 的海量小文件处理模型正是基于云计算技术刚， 并使用改进的K最近邻(K-nearest neighbor,.KNN) 尽管人工智能在军事领域取得了长足的发展， 算法实现对文件的分类，构建基于可扩展标记语 但就目前而言，人工智能的一些缺陷还是限制了 言(Extensile markup language,XML)和可同时映射 其在军事对抗领域的发展，表6简单罗列出人工 多值的改进MapReduce模型可以进行快速数据处 智能的一般缺点和在军事对抗中会出现的问题 表6人工智能缺点及衍生在军事对抗中的问题 Table 6 Shortcomings of Al and the associated problems in military confrontation Defects of Al Possible problems in military confrontation Unable to implement complex reasoning In the face of a complex battlefield environment,reasoning is likely to go beyond the scope of Al understanding,resulting in"thinking"stagnation. Support from a large number of samples In the battlefield environment,data collection and processing speed may not meet the needs of Al, and the good self-leaming ability of Al cannot be reflected. Essentially a software program There may be defects in program design;errors may occur in high-intensity use, or the program may be attacked and interfered by enemies. High requirements for computing power In the battlefield environment,the batteries of equipment are limited and the power supply is tight,but Al usually requires large power consumption for modeling and training. No social history [52] Machines cannot think on their own.They can only be used to replace part of human thinking activities.They have no purpose or feelings.In the battlefield environment,they will not accurately judge a new situation. 目前，一种新型的人工智能一人机融合智能 面对复杂多变的环境时可以快速准确的做出反 正在快速发展，这将是人工智能新的发展趋势，同 应，但同时也需要计算机进行辅助，由机器提供支 时也更利于人工智能在军事对抗中的应用.人机 撑数据，从而更好的辅助相关人员进行决策.在目 融合智能，是将人的智慧与机器智能相结合，从而 前的军事对抗体系中，机器无法完全脱离人类实 在决策、态势感知等方面实现优势互补的一种新 现自主控制，在很多场景下，仍旧需要人工加以支 型智能.机器可以快速处理海量数据，并可以得到 持，随着人机融合智能的应用而生，两者实现融合 精度很高的运算结果，但其在进行重大问题抉择 成为一种可能，并可能会带来更好的收益 方面就表现的差强人意：相反，人具有独立性，在 2017年，DARPA局长认为人机融合已经开始

防止 TCP/IP 攻击；也可以将径向基函数神经网络 （Radial basis function neural network, RBFNN）用于 网络安全态势预测[49] ，在神经网络中同时融合布 谷鸟搜索算法、模拟退火算法和动态发现概率机 制，预测精度得到明显改善；还可以结合支持向量 机的优势[50] ，将支持向量回归的预测方法用于网 络态势感知时间序列预测中，在网络态势感知中 引入支持向量回归方法，通过网络攻击态势预测 训练模块对实验数据进行建模与训练，并设计预 测模块，根据入侵检测系统提供的新数据，完成对 网络态势的预测，而使用支持向量回归算法，可以 达到更好的预测效果. 总结如表 5 所示. 2.2.3    应用层 物联网层次结构的最顶级，即为应用层. 面对 海量数据，如何在时间紧张、任务繁重的工作环境 中准确无误、高速快捷的得到满意的实验结果，是 军事对抗在应用层中的一大诉求. 目前，很多人工 智能技术都支持对海量数据处理，结合云计算等 新兴处理方式可以实现良好的效果. 一个已建立 的海量小文件处理模型正是基于云计算技术[51] ， 并使用改进的 K 最近邻（K-nearest neighbor, KNN） 算法实现对文件的分类，构建基于可扩展标记语 言（Extensile markup language, XML）和可同时映射 多值的改进 MapReduce 模型可以进行快速数据处 理，并通过改进遗传算法，可以实现云数据存储的 动态分配与负载均衡，从而有利于海量数据处理， 这也利于在军事中对海量小文件进行快速分类与 处理；目前，应用层程序种类繁多，需针对特定应 用进行方法设计，既要实现应用层与人工智能的 结合，也要很好的适应信息化战争的作战特点. 3    人工智能缺陷与人机融合智能的发展趋势 尽管人工智能在军事领域取得了长足的发展， 但就目前而言，人工智能的一些缺陷还是限制了 其在军事对抗领域的发展，表 6 简单罗列出人工 智能的一般缺点和在军事对抗中会出现的问题. 目前，一种新型的人工智能——人机融合智能 正在快速发展，这将是人工智能新的发展趋势，同 时也更利于人工智能在军事对抗中的应用. 人机 融合智能，是将人的智慧与机器智能相结合，从而 在决策、态势感知等方面实现优势互补的一种新 型智能. 机器可以快速处理海量数据，并可以得到 精度很高的运算结果，但其在进行重大问题抉择 方面就表现的差强人意；相反，人具有独立性，在 面对复杂多变的环境时可以快速准确的做出反 应，但同时也需要计算机进行辅助，由机器提供支 撑数据，从而更好的辅助相关人员进行决策. 在目 前的军事对抗体系中，机器无法完全脱离人类实 现自主控制，在很多场景下，仍旧需要人工加以支 持，随着人机融合智能的应用而生，两者实现融合 成为一种可能，并可能会带来更好的收益. 2017 年，DARPA 局长认为人机融合已经开始， 表 5 网络漏洞评估与安全态势感知典型技术总结 Table 5 Summary of typical technologies of network vulnerability assessment and security situation awareness Network vulnerability assessment and security situation awareness Method/structure Citation number Multi-agent network security model Using a two-tier multi-agent framework to integrate AI to monitor resources and attacks [48] Prediction of network security situation based on RBF neural network Based on an RBFNN neural network and the integration of the cuckoo search algorithm, simulated annealing algorithm, and dynamic discovery probability mechanism in the neural network [49] Time series prediction of network situation awareness Prediction method with support vector regression [50] 表 6 人工智能缺点及衍生在军事对抗中的问题 Table 6 Shortcomings of AI and the associated problems in military confrontation Defects of AI Possible problems in military confrontation Unable to implement complex reasoning In the face of a complex battlefield environment, reasoning is likely to go beyond the scope of AI understanding, resulting in “thinking” stagnation. Support from a large number of samples In the battlefield environment, data collection and processing speed may not meet the needs of AI, and the good self-learning ability of AI cannot be reflected. Essentially a software program There may be defects in program design; errors may occur in high-intensity use, or the program may be attacked and interfered by enemies. High requirements for computing power In the battlefield environment, the batteries of equipment are limited and the power supply is tight, but AI usually requires large power consumption for modeling and training. No social history [52] Machines cannot think on their own. They can only be used to replace part of human thinking activities. They have no purpose or feelings. In the battlefield environment, they will not accurately judge a new situation. 张智敏等： 人工智能在军事对抗中的应用进展 · 1113 ·

1114 工程科学学报，第42卷，第9期 但他并不认为人类已经做好准备：2019年2月，为 3.1人机融合智能可应对复杂战场环境 促进人机融合的发展，DARPA发布“智能神经接 目前的人工智能，只能依靠输入数据对指定 口”和“人工智能科学和开放世界新奇学习”项目 类型进行快速判断与处理，这对于使用环境相对 公告：2019年10月，第五届中国（杭州）国际机器 稳定的场景足够发挥人工智能的优势.但是在信 人西湖论坛召开，本次论坛的主题为“人机共融”， 息化战场中，战场形势总是在改变，不断出现的 人机融合被认为是机器人领域重要的发展趋势； 新形势将无法及时反馈给人工智能系统，造成人 2019年11月，美国国防部收到名为《2050年机械 工智能系统无法给出准确的裁决，从而无法在信 战士：人机融合与国防部的未来》的报告，美军开 息化战场中发挥优势.而人具有思考能力及应急 始“Cybrog战士”的研发 能力，在遇到新情况时可以及时作出判断并进行 目前，人机融合智能的研究尚处于起步阶段， 处理，这是机器所无法拥有的人所特有的优势， 在军事对抗领域已经开始展露锋芒.同时，人工智 若能将两者进行优势互补，则可以充分发挥人- 能在军事对抗中出现的问题已经显现，只有攻克 机联动处理能力，从而在信息化战场中获得更大 这几个问题才可以实现更进一步的发展.以下部 的收益.为了实现人与机器优势互补，可以将人 分将一一阐述人机融合智能如何解决当前人工智 在回路系统融人到军事对抗决策当中，如图1 能在军事对抗中的缺陷. 所示 Return new battlefield possibilities Machine Manual War situation autonomous decision system Confrontation strategy system No Decision system Decision output Whether it can be solved independently 图1人在回路决策系统中的人机融合智能 Fig.1 Hybrid human-artificial intelligence in loop decision system 军事对抗中的人在回路系统主要分为两个子 3.2人机融合智能可实现数据快速交互 系统，分别是机器自主系统与人工决策系统，在收 随着战争形势趋向于信息化方向发展，数据 到某一战争情形后，先由机器自主系统进行自检 成为战争中需要重点保护的对象，在收集到众多 索，确定是否可以交由机器进行处理，如若可以进 数据后，如何进行海量数据的快速交互是军事对 行处理，将需要判断机器是否可进行完全处理，是 抗中急需要解决的重要问题.在目前的作战集群 否需要借助人工处理；如若可以交由机器进行处 中，主要使用综合数据链进行数据的快速传输与 理，则给出最终的裁决结果：如若机器无法进行处 情报数据的快速交换，这是信息化战争发展的重 理或需要人工介入，则需将战争情形交给人工决 要标志.但随着研究的深人，不难发现综合数据链 策系统进行处理，在人工决策系统中，由作战人员 也存在着一些弊端，如传输速率较低，在数据传输 对战争情形进行详细分析，在经过缜密分析后给 过程中容易被检测与截取，这些都会对数据的传 出决策结果，并将决策结果输出：同时为增加人一 输造成干扰，造成数据传输的不稳定，并容易产生 机交互的联动性，将此类战争情形和决策结果重 数据滞后的问题.为此，在军事对抗中进行数据传 新返回给机器自主系统，用以丰富机器自主系统 输时，需要尽量避免上述问题的产生，尽可能实现 知识库，再次遇到相似情形时，可以由机器进行自 数据的快速流动.为此，可以设计如图2的方案， 主处理，从而可以缩短处理周期，达到对战争情形 将赛博空间的电磁频谱相关技术融入到机器自主 快速处理的目的，这也是人机融合在军事对抗中 系统和人工决策系统中 所需要实现的目标 在赛博空间中，由于使用电磁频谱技术，各个

但他并不认为人类已经做好准备；2019 年 2 月，为 促进人机融合的发展，DARPA 发布“智能神经接 口”和“人工智能科学和开放世界新奇学习”项目 公告；2019 年 10 月，第五届中国（杭州）国际机器 人西湖论坛召开，本次论坛的主题为“人机共融”， 人机融合被认为是机器人领域重要的发展趋势； 2019 年 11 月，美国国防部收到名为《2050 年机械 战士：人机融合与国防部的未来》的报告，美军开 始“Cybrog 战士”的研发. 目前，人机融合智能的研究尚处于起步阶段， 在军事对抗领域已经开始展露锋芒. 同时，人工智 能在军事对抗中出现的问题已经显现，只有攻克 这几个问题才可以实现更进一步的发展. 以下部 分将一一阐述人机融合智能如何解决当前人工智 能在军事对抗中的缺陷. 3.1    人机融合智能可应对复杂战场环境 目前的人工智能，只能依靠输入数据对指定 类型进行快速判断与处理，这对于使用环境相对 稳定的场景足够发挥人工智能的优势. 但是在信 息化战场中，战场形势总是在改变，不断出现的 新形势将无法及时反馈给人工智能系统，造成人 工智能系统无法给出准确的裁决，从而无法在信 息化战场中发挥优势. 而人具有思考能力及应急 能力，在遇到新情况时可以及时作出判断并进行 处理，这是机器所无法拥有的人所特有的优势， 若能将两者进行优势互补，则可以充分发挥人– 机联动处理能力，从而在信息化战场中获得更大 的收益. 为了实现人与机器优势互补，可以将人 在回路系统融入到军事对抗决策当中，如 图 1 所示. 军事对抗中的人在回路系统主要分为两个子 系统，分别是机器自主系统与人工决策系统，在收 到某一战争情形后，先由机器自主系统进行自检 索，确定是否可以交由机器进行处理，如若可以进 行处理，将需要判断机器是否可进行完全处理，是 否需要借助人工处理；如若可以交由机器进行处 理，则给出最终的裁决结果；如若机器无法进行处 理或需要人工介入，则需将战争情形交给人工决 策系统进行处理，在人工决策系统中，由作战人员 对战争情形进行详细分析，在经过缜密分析后给 出决策结果，并将决策结果输出；同时为增加人– 机交互的联动性，将此类战争情形和决策结果重 新返回给机器自主系统，用以丰富机器自主系统 知识库，再次遇到相似情形时，可以由机器进行自 主处理，从而可以缩短处理周期，达到对战争情形 快速处理的目的，这也是人机融合在军事对抗中 所需要实现的目标. 3.2    人机融合智能可实现数据快速交互 随着战争形势趋向于信息化方向发展，数据 成为战争中需要重点保护的对象，在收集到众多 数据后，如何进行海量数据的快速交互是军事对 抗中急需要解决的重要问题. 在目前的作战集群 中，主要使用综合数据链进行数据的快速传输与 情报数据的快速交换，这是信息化战争发展的重 要标志. 但随着研究的深入，不难发现综合数据链 也存在着一些弊端，如传输速率较低，在数据传输 过程中容易被检测与截取，这些都会对数据的传 输造成干扰，造成数据传输的不稳定，并容易产生 数据滞后的问题. 为此，在军事对抗中进行数据传 输时，需要尽量避免上述问题的产生，尽可能实现 数据的快速流动. 为此，可以设计如图 2 的方案， 将赛博空间的电磁频谱相关技术融入到机器自主 系统和人工决策系统中. 在赛博空间中，由于使用电磁频谱技术，各个 Return new battlefield possibilities Manual decision system Decision output No Yes Whether it can be solved independently Decision system Machine autonomous system War situation Confrontation strategy 图 1    人在回路决策系统中的人机融合智能 Fig.1    Hybrid human–artificial intelligence in loop decision system · 1114 · 工程科学学报，第 42 卷，第 9 期