起首：智汇杰瑞牛奶姐姐 足交
编译：黄瑾
图片
0 序言
牛奶姐姐 足交
东说念主工智能（AI）是机器发扬出的智能步履。AI的重要问题包括推理、策画和学习。在军事应用中，AI可应用于从斗争级别到战术和作战级别的地方，如应用在营级和旅级决策救助系统中。本文探讨如安在指点戒指系统中使用AI，斟酌了怎样利用AI本事赞助作战指点决策。在指点戒指系统中应用AI系统，不错快速获取准折服息，更快地作念出决策，并在作战中赢得上风。01 AI对指点戒指的影响
跟着比年来AI本领的不断越过，在某些任务上它高出了东说念主类，终点是在深度学习（DL）界限。所谓深度学习是指由多层非线性处理单位构成的机器学习模子。悉数基于东说念主工神经相聚的深度学习系统被称为深度神经相聚（DNN）。开阔数据的获取与浩大计较机的结合，再加上一系列改造（如运行化策略和数据归一化），使得这些大容量相聚的考研取得了成效。使用DL和DNN，将使东说念主们不再需要手动创建特定任务所需要的特征。拔帜易帜的是，在DNN的考研过程中自动学习和识别特征。需要强调的是，DNN并不是科罚悉数AI问题的灵丹灵药，凭证具体场景和任务，还需要结合其他AI看法和机器学习模子。战场致胜的重要在于比敌东说念主更快速进行指点戒指，迫使敌东说念主作念出响应而不是领受行动。收尾这一办法的先决条目是或者快速处理开阔信息，并对省略情要素进行有用建模。关于军事部门来说，将AI纳入指点戒指系统的克己在于，其时期进军或选项过多、东说念主们无法分析备选行动决议时，AI不错提供重要的系统救助。因此，在战术和作战层面使用AI的策略紧要性不问可知。与以往的军事智力变革一样，AI有可能极地面改变军事策略均衡。
02 指点戒指系统的OODA环
av天堂关于特定的军事任务而言，指点戒指过程是一个高度动态的过程，可在一定程度上将其建模为一个动态的不雅察、定位、决策和行动环（即OODA环）。如图1所示，传感器会对恶果进行不雅察，沿途网罗传感器数据与系统里面景象数据（如任务程度）。在推理/感知过程中，沿途详情对任务至关紧要的事件，同期详情任务、资源和罢了条目。
图片
图1 OODA环临了，详情计算、分派财富、评估风险。这个轮回过程一直抓续到任务完成、失败或驱除。悉数这个词OODA 环中的悉数阶段齐与指点戒指系统必须推敲的省略情味相关。03 AI的发展机遇
面前，民用部门正在鼓吹着AI改造。其开荒的AI本领和看法也适用于军事系统。要收尾细致无比的指点决策救助，面前最紧要的是为要科罚的问题构建合适的学问体系。这种学问体系为AI本事的利用提供了框架。构建学问体系是一个才能问题。淌若能很好地完成这项职责，指点决策救助的剩余职责即是在体系框架内进行数学运算，并为决策者提供细致无比的演示。3.1 AI分析在分析阶段，东说念主们要处理和组合信息，构建一个通用的通用作战图（COP）。包括对罗致到的信息进行分类、识别刻下态势、构建动态更新的COP，以及搜检自身系统是否被诈欺。使用信息会通本领不错凭证罗致到的一系列谍报证明自动生成战术共同业动计算。因此，分析阶段本身就很紧要，但它还有一个办法，即所分析的罢了可输入后续的策画和本质阶段，赞助决策救助。3.2 AI任务策画关于任务策画而言，需要策画军事行动的东说念主进行“假设”，尽可能着实地模拟军事行动将产生的不同影响，评估不同计算的预期恶果。这既包括对战场态势的影响，也包括对说念德、后勤和苍生等其他要素的影响。相同紧要的是，在演习中赢得的军事学问不错行为策画决策救助系统的赞助技巧。在制定计算时，需要这些学问来详情要收尾的办法，有用地分派资源；在本质任务时，需要这些学问来监测任务的进程，并凭证需要提议再行策画任务的建议。在计算本质过程中庸本质前，不错使用定性或定量本事进行分析。在分析行动决议（COA）的定性本事中，不错使用一个杰出论证模子之间异同的框架来采选和完善军事行动决议。另一种本事是使用定量本事。其中一个例子是将AI和多代理系统结合起来。如在红蓝抗拒系统考研中，蓝队代表本身的办法、办法和利益，而敌方则由红队代表。假设红队在军事策画和决策中有着悠久的传统，通过让红队师法敌方的动机、意图、步履和预期行动，己方就不错测试和评估行动决议，找出利用敌方缺欠的契机，并学习了解蓝红两边的互动动态。这里，AI和多代理系统不错结合起来，为决策和策画提供救助。它使决策者或者探索可能影响办法的事件发展情况，发现和评估自身的缺欠，学习了解敌东说念主的步履，并找到奏凯的策略。3.3 AI参与作战任务AI看法基于他们对刻下局面的看法以及不错领受的替代行动。该模子可用于高等模拟，以评估决策救助系统框架内的行动。DARPA最近开展了一个名为“及时抗拒智能与决策”（RAID）的策动形式，利用忖度分析、AI和模拟来分析敌手的行动。RAID开荒的本领可协助战术指点官评估愤慨部队的位置、军力和办法，并忖度其可能的战术行动，从而有用实施打击敌手的行动。这包括识别敌手的意图、忖度敌手的策略、发现诈欺步履、策画己方的诈欺步履、生成策略策画等。这些问题出现在军事行动计算、行动本质、谍报分析等方面。为此，RAID将AI策画与领会建模、博弈论、戒指论和机器学习相结合。机器学习还可用于制定作战战术。Q-learning是一种强化学习算法，已成遵循于空战办法分派。AI还有助于让职责主说念主员更高效地职责，其中一个应用是自动生成证明回来。这种需求来自于层级式的组织结构。在这种结构中，每个表层东说念主员齐会收到来自基层东说念主员的证明。因此，淌若不进行回来，进取传递的信息量可能会呈指数级增长。往时，自动文本选录属于索求类型，即从原始文档中剪切和粘贴干系的齐备句子。最近，跟着序列到序列建模的深度学习本领的发展，出现了用于选录的轮廓本事。轮廓本事或者生成选录。另一个应用是将语音转录为文本。自计较机兴起以来，机器学习一直是语音识别系统的基础。现在最先进的算法齐基于深度学习本领。
04 AI的可行性
刻下，基于AI的后勤策画用具“部署与本质结合助理”（JADE）已被好意思国军方使用，好意思舟师JADE也已应用了很万古期。好意思军策动实验室开荒了一种名为Sniper-RT3的任务策画和培训用具，以三维地形数据为基础，这些信息在吩咐传感器或部队留心时至关紧要。AI的自动语音识别本领也照旧日渐锻练。微软、谷歌、亚马逊等公司齐成心用最新深度学习本领的家具，用于语音对话系统。正如AI界限的最新进展所证明注解的那样，海量数据的可用性是收尾浩大AI系统的基础。在不同的场景或应用中，终点是在某些军事环境中这可能是一项挑战。在数据稀缺的情况下，移动学习等本领将对很多军事应用格外紧要。在移动学习中，针对雷同但不同的应用所考研出来的机器学习模子将不错被重叠使用并适合新的问题。举例，军事证明和选录不同于民用证明和选录，然而，推敲到两者的相似性，不错预期，在非军事文本上考研回来算法将是机器学习模子学习特定军事用例回来的细致无比起初。
05 论断
本文先容了怎样利用AI来增强畴昔指点戒指系统的决策救助功能。指出了AI不错阐明作用的界限。从指点戒指系统建模的角度来看，本文指出了指点戒指过程中需要推敲AI功能的三项主要行为，即：感知决策、策画、军事行为。为促进感知决策过程，不错利用多样不同的智能信息处理用具收尾信息上风。在策画方面，用于处理战术数据库（地形、后勤、表面等）的用具可与决策救助用具相结合，使指点官或者在不同的轮廓档次上评估不同的行动决议。临了，AI对本质的救助内容包括为指点官评估备选行动，以及在本质行动时期为不同类型的护士职责提供便利，举例使用语音转笔墨用具快速、正确地传达不同的简报。从最终用户的角度看，有些AI用具，如语音到文本用具、地形分析功能等智能用具，照旧格外锻练；而在其他界限，如推理敌手的博弈论用具，还需要进一步进行深远策动才能收尾其实质功能。 本站仅提供存储做事，悉数内容均由用户发布，如发现存害或侵权内容，请点击举报。