近年來，人工智能技術取得突破性進展，各國都認識到人工智能技術的戰略意義，從國家戰略層面開始加緊布局，加強人工智能在軍事方面的研究和應用。美國將人工智能視為“改變游戲規則”的顛覆性技術，美國國防部已明確把人工智能作為第三次“抵消戰略”的重要技術支柱。該戰略圍繞抵消中、俄非對稱制衡能力，瞄準打造智能化作戰體系，發展顛覆性前沿技術。

根據美軍的作戰條令JP 5-0《聯合作戰計劃》，美軍的作戰籌劃過程聯合作戰計劃流程（JOPP）包括：受領任務、任務分析、行動方案生成、行動方案分析、推演和評估以及行動方案執行。目前，美軍已經將人工智能技術廣泛應用于作戰籌劃的整個流程，如美國陸軍的“深綠”系統已經將人工智能技術用于從受領任務到行動方案生成的三個步驟、美國空軍的Alpha AI空戰仿真系統已經在仿真環境下將人工智能技術用于整個作戰籌劃流程，本文梳理了作戰籌劃流程中可使用的各種人工智能技術。

人工智能用于任務分析

在任務分析階段，分析人員需要處理和融合信息以生成一張通用作戰圖（COP）。為完成該任務，分析人員需要對接收的信息進行分類并確定當前態勢以構建動態更新的COP，此外，還需要檢測己方系統是否被欺騙。在信息融合技術的輔助下，戰術級系統可根據接收到的情報報告的順序自動生成戰術級COP。任務分析過程中的信息處理可分為三種類型：發現信息、編輯信息和探測信息中的異常。

1.1 發現信息

通常情況下，發現信息需要找到與特定主題相關的類似文檔。如果所有文件都有與主題相關的元標簽，則處理過程較快。元標簽的標注過程可使用半監督學習自動執行。Salakhutdinov和Hinton提出了一種以深度自動編碼器的形式，利用深度學習算法將高維度文件輸入向量轉換為一種低維度本征向量空間的方法，在該空間中互鄰的向量與類似的文檔對應。自動編碼器的學習過程可以一種無監督學習的形式執行。可利用少量有主題標記的樣本來定義本征向量空間中的特定聚類，并使用這些聚類來構建自動元標注算法。

圖1 深度語義哈希算法

1.2 編輯信息

發現信息后可使用人工智能算法確定一個文檔中與特定話題相關的實體。例如，提取與后勤相關的項目和數字可加速部隊機動的計劃過程。在自然語言處理中，這一問題被稱為指定實體識別，將神經網絡與指定實體字典進行結合可產生良好效果。

圖2 識別實體算法

1.3 探測異常信息

探測異常信息通常以深度自動編碼器技術為基礎，正常的數據點位于自動編碼器構建模型的非線性低維度嵌入坐標中，因此當自動編碼器對正常數據點進行解碼時重建錯誤較少，而異常信息的重建錯誤較多。這種方法可用于各種問題，包括探測接收的傳感器數據中的異常和標記異常報告。除此之外，近期的研究成果還可區分兩句話是否存在沖突。

圖3 異常探測算法

人工智能用于行動方案（COA）生成

對于計劃過程而言，人工智能與仿真環境相結合的方法較為成熟，可使用深度強化學習算法來制定行動方案，這種算法可在仿真環境中執行試錯實驗以度量不同計劃的期望效應。仿真環境應盡可能貼近現實，反映戰場上各種作戰行動所帶來的效應，以及道德、后勤供應和難民等其他因素對作戰行動的影響。

2008年，美國防高級研究計劃局（DARPA）開發了一個被稱為“深綠”的軍用戰術指揮與控制系統，該系統可為指揮官生成行動方案，以便其更主動地管理作戰行動，2013年，DARPA已經將該項目轉交給了美國陸軍。

圖4 強化學習算法

人工智能用于行動方案分析和推演

在計劃制定過程中，可使用定性方法來分析計劃。對于定性COA分析而言，當不同的計劃小組提出了幾種COA后，可使用概念框架來登記領域專家對這些COA的評論，這些專家使用一個模板來創建結構化評論并系統地評估不同COA的各方面特征。之后，可使用一種能夠區分各種辯論模型間相同和不同之處的框架來選擇和總結各領域專家對不同COA的評論，這種方法可實現對備選COA的結構化分析。

除了定性分析COA外，還可使用定量分析方法。Abbass和Bender在《計算紅藍對抗：過去、現在和未來》一文中提出，可采用將人工智能與多智能體系統進行組合，開展紅藍對抗。這種方法可使指揮官了解各種行動方案的優缺點與動態推演過程中可能存在的事件進展，評估各種行動方案的優缺點和了解敵方行動。

此外，北約最近利用數據耕耘技術（如大規模平行仿真、數據分析和可視化）開發了用于決策支持的數據耕耘系統，該系統可分析不同仿真系統對地面作戰計劃產生的幾十萬個仿真輸出結果。這是一種將仿真與大數據分析相結合的方法。

人工智能用于計劃執行

4.1 為指揮官生成備選行動方案

在執行計劃時，可利用人工智能技術快速融合和分析戰場信息以便將結果發送給指揮官。指揮官在高壓戰場環境下需要準確的信息來做出關鍵決策，但是指揮官通常會獲得大量信息，容易產生信息過載的風險。當信息不是以一種符合邏輯、簡潔和有意義的形式提供給指揮官時就容易產生問題。在計劃執行期間，伴隨著戰場態勢的快速變化，原計劃可能會隨時失效，因此指揮官需要較快的重新計劃能力。人工智能技術可為指揮官及時提供備選方案。

機器學習可用于開發作戰戰術。但是很多機器學習算法的運算速度不夠快，難以使智能體在空戰這樣的環境中發現最優作戰策略。Q學習是一種強化學習算法，可用于空戰目標分配。該算法可在不使用大型數據集或推理信息的情況下學習最優智能體的狀態和行為組合。

有時人工智能算法需要一系列類似場景的行為原則。在這種情況下，可使用遷移學習來減少學習時間。例如，在不同的2對2空戰場景中學習作戰規則時，可使用已經具備2對1空戰場景經驗的智能體。實驗研究表明，這類智能體具備作戰優勢，因為這樣可最小化進一步的學習過程。使用遷移學習可快速開發一個智能體在新場景中的行為。

4.2 簡化參謀工作流程

在計劃執行過程中，人工智能技術可用于自動生成報告總結。在層級指揮結構中，上級需要接收下級的信息，如果沒有報告總結，上級將接收過量的信息。傳統的總結報告需要從原始文檔中復制和粘貼相關內容，目前可利用序列到序列深度學習算法和摘要生成式方法來總結報告，從而加快報告的上報速度。此外，還可利用將講話轉換為文本的方法，目前的人工智能技術已經可以實現較為準確的語音識別能力。

責任編輯：ct