久久99国产精品尤物-国产高清色播视频免费看-男生肌肌往女人桶爽视频-精品国产-91PORNY九色|www.jqdstudio.net

金欣：指揮控制智能化——瓶頸問題和建議

點擊：6297  作者：金欣    來源：防務快訊  發布時間:2018-10-05 11:37:55

 

2016年的AlphaGo事件掀起了國內對發展指揮控制智能化的一輪熱潮。美國防部前副部長沃克也指出了人工智能技術在指揮控制中的應用潛能。時隔兩年，指揮控制智能化究竟發展得怎么樣？存在哪些問題？該如何解決？本文謹對國內外指揮控制智能化發展情況進行簡要介紹，從工程化落地的角度剖析了發展中遇到的瓶頸問題，并針對性地提出了發展建議。文中的觀點未必正確，只為拋出些問題，引發業界的思考。

 

近兩年來，人工智能在圍棋、游戲等領域獲得的成功，激發了廣大軍事科研工作者的美好憧憬和積極探索。指揮控制與圍棋、游戲同屬于博弈的藝術，這在很大程度上引發了人們對指揮控制智能化的想象：激烈拼殺的戰場上，有一雙眼鏡注視著戰場上的一舉一動，用一雙無形的手控制著戰場上的一兵一卒，憑借無雙的智慧驅使戰場態勢向他期望的方向發展。這個人就是指揮員，是否未來有一天會由AI替代？當然這是終極目標，目前的共識是，在很長一段時間內，機器還只能扮演輔助指揮員和參謀的角色。

 

指揮控制智能化概念圖

 

無論如何，一個智能的大腦對于打贏戰爭的重要性是不言而喻的，智能指揮體系的貢獻度將超越任何一型智能武器。美國防部前副部長沃克都指出“利用人工智能等技術，可以壓縮指揮員在觀察、判斷、決策、行動（OODA）循環中的時間，實現多域聯合作戰指揮與控制的目標，以取得未來戰爭的制勝權。”

國內對于指揮控制智能化的熱情高漲。從2016年到2017年，軍口和民口的專家學者們多次坐在一起，圍繞人工智能在軍事領域的應用展開熱烈的討論。尤其對指揮控制智能化，人們寄予了厚望，但對其如何發展也持較大的爭議。今年7月份在北京召開的第六屆中國指揮控制大會上，一半以上的主題報告都是圍繞指揮控制的智能化。

本文謹從一名指揮控制系統技術工程創新研究者的視角，來談談對發展指揮控制智能化的一些看法。

 

1.技術發展分析

一切還是要從AlphaGo說起。時間不長，從業者們應該還有這樣的記憶。2016年以前，在指揮控制技術預先研究領域，凡提及智能化，總會給人留下炒作概念、務虛的印象。而自AlphaGo事件起，風向發生了180°逆轉，言發展則必提智能化。“未來是智能化時代，要大膽想象，往智能化上面靠！”到處都能聽到這句話。歸根結底，是AlphaGo展現出的能力讓人們看到了希望。前面描繪的那幕場景似乎正在栩栩如生起來。

一晃兩年過去了,進展如何呢？美軍在指揮控制技術方面獨步天下，智能化發展起步最早，讓我們先來看看美軍的進展。自2014年第三次抵消戰略提出以來，美軍就十分重視發展人工智能技術，啟動了大量AI相關的軍事研究項目，如Insight、XDATA、Deep Learning、DEFT、PPAML、Mind’sEye、TRACE、 AWCFT、Premlin、LOCUST、Perdix、Loyal Wingman、CICADA、ANTS，Maven等。但主要集中在情報分析、無人平臺、網絡安全等應用領域，指揮控制相關的較少看到。美軍并非不想發展指揮控制智能化，而是有所考慮、比較謹慎的。美軍2016年發布的《自主性》研究報告中指出，AI可用于對部隊和指揮官進行告警及提供行動方案的建議，但還遠遠沒有達到能夠代替人類制定決策的程度。這個觀點是比較客觀、務實的。

《自主性》報告

 

截至目前，美軍公開發布的信息中，與指揮控制智能化相關度較高的項目，主要有3個，分別是“深綠”、“指揮官虛擬參謀”和“阿爾法”。

 

（1）“深綠”（2007-2011）——仿真預測

 

“深綠”（Deep Green）是美軍2007年啟動的一項面向美國陸軍、旅級的指揮控制領域的研究計劃，受“深藍”計算機戰勝卡斯帕羅夫影響，取名“深綠”，旨在運用計算機仿真技術，推演預測未來態勢發展的多種可能，幫助指揮員提前進行思考是否需要調整計劃，并協助指揮員生成新的替代方案。其包括“指揮官助手”、“閃電戰”、“水晶球”3部分。“指揮官助手”支持用戶以手繪草圖結合語音的方式快速制定方案。“閃電戰”快速對作戰計劃及戰場態勢進行仿真推演，生成一系列未來可能結果。“水晶球”收集各種計劃方案，更新戰場當前態勢，控制快速仿真推演。“深綠”計劃可以視為美軍發展指揮控制智能化邁出的第一步大膽嘗試，可惜由于多方面原因于2011年被中止。

 

“深綠”概念圖

 

深綠的核心技術本質上是基于實時態勢的動態仿真，亦稱“平行仿真”。仿真擅長逼真地、量化地模擬大量實體行動的復雜作用機理和綜合效果（很難用數學公式進行理論建模），從而實現對戰爭演變發展的智能預測。它無法預測敵方下一步會怎么做，但可以推測假如他這樣做、我那樣做，發展下去會是個什么結果，會出現哪些潛在的風險或機遇，如果提前采取某種策略，能否引導出比較好的結果等等。然而，要像“深藍”那樣遍歷戰場態勢發展的可能性也是無法做到的。雖然“深綠”中采用了一些分支動態裁剪的方法，但仿真的運算量仍然很大，這可能也是導致計劃中止的原因之一。

在俄軍2017年的一篇報道中，“機器制造”公司提出了與“深綠”類似的解決方案，并且已經開展了一些實驗測試，但并未公布測試結果及技術細節。

分析認為，仿真推演是一個潛在發展方向。雖然受模型逼真度、不確定分支組合爆炸等因素的制約，通過仿真“預見”到的未來可能會“跑偏”，但可供指揮員參考，是一項很有用的功能。且在計算能力大幅提升的當下，借鑒AlphaGo破解圍棋復雜性的方法，或許不遠的將來能夠實現。

 

（2）“指揮官虛擬參謀”（2015年策劃）——智能助手

 

“指揮官虛擬參謀”（Commander’s Virtual Staff，簡稱CVS）是美陸軍2015年著手規劃，計劃2016年啟動、2018年結束的新項目，是繼“深綠”后美軍發展指揮控制智能化的又一重要舉措。

CVS借鑒Siri、Watson等產品理念，扮演類似參謀或助手的角色，旨在綜合應用認知計算、人工智能和計算機自動化等智能化技術，來應對海量數據源及復雜的戰場態勢，提供主動建議、高級分析及針對個人需求和偏好量身剪裁的自然人機交互，從而為陸軍指揮官及其參謀制定戰術決策提供從規劃、準備、執行到行動回顧，全過程的決策支持。

 

“指揮官虛擬參謀”概念圖

 

圍繞陸軍需求，項目規劃的能力較為全面：1）指揮員專用工具：輔助指揮員理解、顯示、描述、指揮的手持工具，可不受位置限制地使用；2）協作工作流：支持指揮員和參謀隨處開展任務編排、跟蹤、產品及任務交付物的生產和共享；3）數據匯聚：面向任務需求獲取相關信息，提供給指揮員整合后的數據集；4）敏捷規劃：領域無關的集成規劃能力，支持戰爭博弈、準備、排演，及實現任務執行過程中的人機協作；5）評估：基于當前、未來及替代方案等，向指揮員持續提供計算機支持的在線評估；6）預測：基于態勢數據和當前計劃，識別和推理態勢的演變，生成告警，和具有一定置信度的未來態勢圖（很可能是“深綠”的延續）；7）建議：基于特定領域知識自動生成建議，附上置信度評價及替代方案；8）機器學習和用戶配置持續改進：更好的支持特定個人及組織的過程和偏好。

分析認為，CVS集中體現了美軍規對虛擬助手這樣一種新裝備形態的構想，其中規劃的后4項能力都與智能化指揮控制相關。但出于保密等原因，CVS項目已有的材料中對8項能力的詳細描述較少，且后續相關報道幾乎看不到，猜測正在秘密開展相關研究。

 

（3）“阿爾法”（2016年戰勝李上校）——智能博弈

 

“阿爾法”（Alpha AI）是美國辛辛那提大學和空軍實驗室合作研發的一款智能空戰系統。在一次模擬空戰中，機器（紅方）控制4架戰斗機，與2名人類飛行員（藍方）分別控制的2架戰斗機之間進行對抗，獲得了全勝。藍方有預警機支持，且在導彈性能和數量上占優。紅方則憑借巧妙配合，和超過人類250倍的反應速度反敗為勝。對戰中，藍方施展出了鉗形攻擊等戰術配合，以及在躲避紅方導彈的同時搶占有利陣位的技巧。

 

“阿爾法”空戰界面截圖

 

“阿爾法”采用的核心技術是遺傳模糊樹（Genetic Fuzzy Tree）。其中，核心算子是模糊推理，即通過類人的模糊邏輯思維，生成超視距空戰中主動攻擊、機動規避等攻防態勢下的飛機航路規劃、導彈攻擊、武器選擇等戰術策略。所采用的訓練方法是遺傳算法，即通過繼承和變異產生大量新的戰術規則，在對抗實驗中進行優勝劣汰，實現規則庫的訓練優化，提升戰術策略的有效性。在模糊推理系統之間采用了樹型級聯架構，指數級減小了規則庫的規模，從而大幅提升了算法的效率，能夠在廉價PC上運行。

從對抗場景的設計來看，“阿爾法”可以視為戰術編隊指揮控制，相對簡單。但和圍棋相比，戰斗機控制起來要復雜得多，實時性要求也高得多。項目團隊經過了多年研究，嘗試了眾多方法，迭代了很多版本之后才達到這樣的水平，雖然相對于實用還有較大距離，但為指揮控制智能化提供了一種實現途徑。

 

（4）DARPA的新動向——游戲之路

 

游戲AI近年來發展迅猛。AI在大部分游戲領域都擊敗了人類，包括Atari、星際爭霸、DOTA等。智能博弈技術的突飛猛進吸引了美軍的目光，并采取了一系列相關舉措。

2017年4月，DARPA發布征詢啟示，尋求推進當前的推演、建模和仿真能力。國防部一般用推演的手段探究戰略決策制定和戰術概念開發，用建模和仿真評估系統性能或訓練。大部分推演和建模仿真活動可以利用商用視頻游戲團體在架構、游戲概念和人工智能方面的創新，包括對人員決策的抽象化和自動化，以及開展自學習用于決策創新的方法。

2018年5月，Siri軟件的創造者之一斯坦福研究所（SRI International）加入了DARPA，計劃用《星級爭霸》游戲訓練AI，成功后會嘗試遷移到現實中執行類似任務。再看《星際爭霸》等策略游戲領域，AI發展非常迅速。暴雪等大型游戲公司開放游戲樣本數據、開源游戲AI接口、舉辦游戲AI賽事，起到了很大促進作用。阿里研發的BiCNet已經學會了避碰協調移動、打跑結合、掩護進攻、集火攻擊、跨兵種協同打擊等戰術規則。

 

BiCNet學會的掩護進攻戰術

 

DARPA的新動向耐人尋味。一個軍事創新機構玩起游戲那么來勁，肯定是有目的的。《星際爭霸》之類的即時策略（Real-TimeStrategy，簡稱RTS）游戲，相比棋類游戲更貼近真實戰爭博弈。雖然逼真度不如CMANO、LockOn等戰爭題材游戲，但將博弈策略的運用發揮到了極致，很多精巧的戰術設計凝結了眾多玩家的智慧。玩家不但要在微觀層面熟練操控兵力行動，還要在宏觀層面具備戰略眼光，這些本質特性與作戰指揮是一樣的。如果快速發展的游戲AI能成功用在作戰指揮控制中，對發展指揮控制智能化將起到很大的推動作用。

2018年6月的一份最新報道中提到，目前美軍作戰訓練數據庫中已有的數據并不支持機器學習和其他人工智能算法。對此，美海軍陸戰隊正在研制“雅典娜”，一款專門用于訓練、測試未來人工智能應用的推演平臺，用以獲取測試用于軍事決策的人工智能應用程序的大量數據。它提供了一系列戰爭游戲，用于收集玩家數據，優化人工智能應用程序。一旦有足夠的數據量，“雅典娜”就可以自行模擬現代軍事行動，并提出新型戰術。

分析認為，博弈實驗平臺已成為訓練和測試人工智能應用程序的一種與有效方法途徑。正是因為面臨缺數據的瓶頸問題，同時看到了這一新途徑，促使美軍推出了上述的一系列舉措。這些舉措可以視為美軍在為發展指揮控制智能化探路、打基礎。待民用領域的相關技術成熟后再向軍用遷移，就會水到渠成。

 

（5）國內發展概述

 

自AlphaGo事件之后，國內對AI技術的軍事應用熱情日益高漲，指揮控制領域也不例外。軍方單位聯合科研院所圍繞智能戰爭主題多次展開探討。包括2016年國防大學主辦的第七屆全軍“戰爭復雜性與信息化戰爭模擬”高層學術研討會、2017國防科技大學主辦的“武器裝備人工智能應用研討會”、以及2016、2017、2018三屆中國指揮控制大會等。軍事專家與民口AI專家、企業代表匯聚一堂，共話軍事智能。許多專家都對AI技術在指揮控制方面的應用描述了很多設想，但也有不少專家指出了發展存在的問題。

 

2.瓶頸問題分析

技術的飛躍讓人們看到希望，而現實的難題又令人們陷入迷茫！美軍同時擁有世界上最先進的指揮控制和AI技術，但在指揮控制智能化的道路上也是艱難前行。

回過頭來再看AlphaGo就會發現，棋類博弈與真實戰爭差別太大，照搬其方法成功可能性很小。最大的問題還是復雜度。圍棋的復雜度是10170，比宇宙的原子總數還多，但跟作戰指揮相比簡直是小兒科！《星際爭霸》游戲的復雜度大約在102000級別，但和真實作戰相比還是簡化了太多。不論是兵力數量規模，還是指揮層級、武器的控制參數等都不在一個層次上。中科院自動化所在智能兵棋方面取得的進展難能可貴，但所使用的兵棋相對真實戰爭仍然做了太多簡化。真實作戰指揮的復雜度，也許只有上帝知道！此外，真實戰爭博弈還存在多元參與、動態非回合制、環境不確定、信息不完整且不透明、博弈對抗弱規則性、勝負難判定等諸多問題，非棋類博弈可比。從這個角度看，AI技術尤其是智能博弈這方面，還遠沒有成熟。

看待指揮控制智能化發展的難題，不同視角會得出不同的結論。筆者根據在指揮控制工程應用創新領域的研究經驗，從新技術落地發展的角度，指出當前發展指揮控制智能化面臨著三大瓶頸問題：缺樣本數據、缺驗證手段、缺方向指導。

其一，缺樣本數據。這一點在業界的共識最為強烈。巧婦難為無米之炊，機器難學無據之道。AlphaGo采用的深度學習技術是個“大胃王”，要吃掉數以千萬計的樣本數據才能學會下圍棋。作戰指揮的復雜度要高得多，而樣本數據又有多少？讓我們來分析一下。眼下處于和平時期，靠打仗積累數據發展AI是不現實的。目前已有的數據主要來源于日常值班、實兵演練、模擬訓練等渠道的積累。在作戰指揮控制領域，目前已有的數據主要來源于日常值班、實兵演練、模擬訓練等渠道的積累。然而，這些積累尚不足以有效支撐機器學習。日常值班中遇到的大部分都是一些例行活動，即便有對抗也是一些小摩擦，博弈對抗的規模和激烈程度都很低，且已有數據缺乏標注。實兵演練耗資大、耗時長、安全風險高，不可能大批量開展。樣本數量規模和多樣性有限。各大軍事指揮院校都配有模擬訓練系統，日積月累的訓練數據規模可觀。但采集記錄的數據內容有較多缺失、缺少標注，且訓練科目大都是針對教學目的設置，可定制性差。是只有我們國家才這樣嗎？美軍擁有全世界最豐富的實戰數據積累，但其國防創新試驗小組（DIUx）卻指出“現在限制AI在軍事領域應用的關鍵就在于：短時間、強對抗的交戰環境能夠提供的機器學習樣本數量太少，導致AI難以在對抗環境中施展”。缺數據這個問題放在任何一個國家都是繞不過去的坎兒。

其二，缺驗證手段。這是個不可忽視的問題。美軍一再強調技術驗證的重要性，不加驗證的發展新技術是把雙刃劍，可能會加快研發速度后發居上，但也可能在實踐中獲得慘痛的教訓，這種發展是很難持續的。但美軍卻在如何驗證智能化技術上犯了難。過去的自動化完全依照人工設計的規則運行，可靠性尚能保障。智能化則要求能夠獨立處理新問題，并具有學習能力，因此勢必產生人預料之外的結果，加之處理的往往是復雜問題，結果是否可信連人都很難評判。傳統方法用于指揮控制AI算法的驗證評價不太適合。單型裝備或單項系統功能，可以放到真實的靶場或量身定做的仿真環境中做測試。而指揮控制算法的效果，需要通過一個兵力體系的綜合行動來體現，并且要放到對抗的環境中去檢驗。對于AI算法，通常需要做大樣本實驗，測試其泛化能力和可靠性。這樣的實驗放到真實環境中成本代價太大以致無法實現，只能在仿真環境中做。另一方面，驗證指揮控制AI是否可信、水平高低，目前缺乏合適的、可量化考核指標。例如，態勢判的準不準、決策做的對不對，即便沒有AI，純粹在人的層面，也無法給出公認的度量。指揮決策的效果只有從對抗結果中體現，很難拆開單獨測試。

其三，缺方向指導。這個問題客觀存在，尤其是技術研發人員體會深刻。美軍公開的資料大多描述的都是比較宏觀的能力特征，技術細節描述很少。用AI技術解決具體應用問題，如同道家煉丹，需要吸天地之靈氣，需要有一個人同時對問題域和技術有著深刻領悟，方能一舉成功。AlphaGo的創始人德米斯·哈薩比斯既是國際象棋神童，也是神經科學專家，還是AI企業家。正是這些積淀的融合，讓其誕生了AlphaGo的靈感，針對圍棋量身定制設計出了蒙特卡洛樹搜索+深度強化學習的方法，所謂好辦法用到了對的問題點上。然而目前，同時對作戰指揮和AI技術有深刻領悟的人少之又少，在AI應用選點方面能夠提出的指導意見也很有限。隨意選點開展研究是有風險的，沒有找到正確的發力點和正確的方法，會拖延成果產出的時間周期，過長的等待或過多的反復會讓用戶失去信心。如果指揮控制智能化領域多年后依然拿不出可實用化的成果，言必避及智能化的現象可能會再度出現。

三大瓶頸問題，說到底是缺乏戰爭博弈實踐——人都說不清楚，指望機器說清楚，在短期內是很難做到的。

 

3.解決途徑建議

基于上述分析，筆者認為，要解決上述瓶頸問題，做深做實指揮控制智能化技術研究，要從四個方面努力。

 

解決途徑建議

 

首先，積累足夠規模和質量的樣本數據。沒有米，就從種水稻開始。筆者建議，從三方面同步開展數據采集和積累工作。首先，加強日常值班和實兵演練數據的采集備份。真實數據的最大優點就是可信，用它訓練出的AI可用性強。但是目前數據采集工作還有待加強，采集數據內容的全面性和詳細程度還有待提升，數據的存儲備份機制還有待完善。其次，加強兵棋推演數據的采集。結合軍事院校的教學訓練，以及全國和地方性的各種兵棋推演賽事，有主題、有針對性地采集教官、學員、參賽選手的推演數據。例如指控學會主辦的全國兵棋大賽就是采集積累指控樣本數據的優秀范例。再次，探索通過自主博弈對抗實驗產生數據的新方法。借鑒AlphaGo Zero的思路，打造高仿真度的博弈實驗環境，綜合人工規則和機器學習實現機器對機器的自主博弈對抗，全天候地開展自動化的博弈實驗，快速產生海量樣本數據。然后再通過學習不斷優化規則，提升對抗的智能水平。該方法的優點是成本低、強博弈對抗性、造數據效率高、對抗場景可靈活訂制、仿真度可持續提升等。雖然技術尚不成熟，但代表未來發展方向，建議聚力攻關！

其次，建立數據的自動化標注和受控共享機制。目的是將原始數據變為高可用性的公共財富。首先，研究指控數據自動化標注技術，讓數據可為機器學習所用。包括數據的清洗、抽取和標注等方面。其中在標注方面還有很多問題值得研究。例如，針對戰爭的延遲回報特性（決策的效果往往不會立即顯現），如何設計評價標準？如何將指揮人員在推演過程中互相交流的信息、心理活動、階段性籌劃產品等采集下來作為標注？在保證專業性的前提下，如何引入眾包機制？等等。其次，建立密級數據的受控共享機制，讓數據可為更多人所用。指控數據的密級特征，讓共享利用、眾包形式的標注變得十分困難，要從技術和機制層面共同下功夫。在技術層面，可以研究指控數據的脫密、降密技術，濾除敏感信息的同時保留有用信息。在機制層面，需要建立數據共享渠道，按知悉范圍建立精細化的數據訪問權限體系；提供保密的訓練環境，算法可以拿進來訓練，數據只能留存在保密環境中；建立數據的評價機制，根據使用記錄、用戶評價推薦優質數據集，并給與一定的獎勵。

再次，建立指揮控制AI算法的驗證評價體系。如前所述，傳統的實踐檢驗方法用于智能化技術比較困難，因此需要創新。首先，創新驗證技術手段。一種可行的方案是構造逼真的仿真試驗環境，用于機理驗證，等技術成熟后再到真實環境中去檢驗。例如前面提到的博弈實驗環境，既可以造數據，也可以用于試驗驗證。AI算法孰優孰劣，打一仗PK一下就知道。相同的兵力、對手和環境下，算法定勝負。其次，創新評價指標體系。一是從驗證的角度，如何評價AI算法的置信度，例如對敵方實體鍵的關系、意圖、能力、行動趨勢等要素判斷得對不對、準不準，放到真實作戰環境下，這個算法能不能用，會不會得出不靠譜的結果。二是從選拔的角度，如何評價算法性能的優越性，例如策略的運用、方案的設計、行動的控制好不好、有多好等，如何給出量化的評價結果。

最后，建立聯合與競爭并存的生態。在軍民融合的發展趨勢下，聯合是主旋律，但競爭也無處不在。首先，指揮控制智能化難度大，只有集中力量才能辦成大事。建議組建“軍方+工業部門+AI企業+高校”的聯盟。其中，軍方負責需求牽引，組織推進重大專項研究。工業部門依靠強大的研發力量，擔綱整個研發環節。AI企業提供常態化的技術支持，將民口成果轉化軍用。一流高校提供理論方法創新，保持技術前沿，開放交流促進步。其次，只有建立競爭的生態，才能保持旺盛的發展勢頭。可以圍繞智能指控技術難題設立賽事，借助外腦，發揮群智攻關。可以每年組織各種競賽、開源AI接口、開放數據集，形成良好的AI發展生態環境。通過競賽發現新的技術突破點、挖掘優秀人才團隊、擴大影響力。優秀的范例如指控學會每年舉辦的全國性兵棋大賽、中電28所舉辦的軍事閱讀理解挑戰賽等。

 

4.總結

隨著人工智能技術的進步，發展指揮控制智能化是遲早的事。AlphaGo事件讓這一節點提前到來，掀起了一波熱潮。然而冷靜下來分析卻發現，不論是技術本身，還是數據積累、驗證體系都尚未成熟，構成了制約發展的瓶頸。要做深做實指揮控制智能化技術研究，首要的是在數據積累手段、驗證評價方法上積極創新，建設聯合與競爭并存的良好發展生態。在指揮控制領域用好人工智能，需要技術人才和軍事專家互相融入對方的語境、共同領悟問題的本質精髓，更需要對發展指揮控制智能化的執著信念，和求真務實的心態。本文的觀點未必正確，希望對國內從事指揮控制智能化技術研究的同行們有所啟發。