為提升城市環境中士兵的態勢感知和作戰能力，美國陸軍研究實驗室啟動了認知和神經生物工程協同技術聯盟研究項目，尋求利用基于神經科學、工程學和心理學等方法將士兵與作戰系統融合，利用人工智能和虛擬現實等技術構建“士兵即系統”的新型作戰能力，目前已經開展了數字士兵和腦機接口方面的研究工作。

美國陸軍構想了這樣一種未來城市戰場景：步兵正在敵方的火力壓制下清理城市建筑，此時無人機探測到附近有一支敵方作戰小隊正埋伏在墻后。隨著美陸軍士兵不斷清理房間并在敵方火力下逐步轉移，士兵們需要迅速獲取前方埋伏的敵軍信息。這些信息不僅左右著士兵的生命，甚至決定著戰爭的勝負。如果人工智能系統能夠根據無人機和其他高速機動信息源發送的信息快速分析出如敵軍位置、武器和從屬關系等，并將其傳送給士兵，就能夠為士兵提供決策優勢。

目前，美國陸軍雖然從技術上可以實現上述功能，但無法滿足戰場上高速信息處理需求，而人工智能算法驅動的程序則可以在幾毫秒內將最新信息與已有的各種數據庫進行對比和區分，以便為士兵提供決策信息。因此，美國陸軍研究實驗室開展了認知和神經生物工程協同技術聯盟研究項目，尋求利用人工智能和自主化技術來大幅提升士兵的決策速度，同時保留人特有的關鍵決策能力。

1.士兵即系統

未來，在人工智能技術的支持下，士兵使用的各種系統可快速開展程序化功能，并為人的決策提供支持信息，這個決策過程被稱為“士兵即系統”，即利用計算機網絡和最新算法將士兵操控的各節點無縫集成。未來，美國陸軍將利用單一架構來連接士兵的夜視鏡、可穿戴計算機、顯示移動數字地圖和時敏情報數據的手持式設備、各武器站點、聲學和光學傳感器以及移動電源等裝備，并通過各種自動化和人工智能應用程序來提升團隊信息共享和決策能力，這將極大改變未來的戰術和戰略場景，提升士兵的生存能力。

美國陸軍研究實驗室正在與陸軍未來司令部下屬的士兵殺傷力跨職能團隊合作，以便將士兵即系統的架構概念推廣到陸軍班組級部隊。自主性系統可從各種系統中獲取和處理數據，并為指揮官和士兵提供有用的決策方案，伴隨著越來越多的智能化技術的使用，未來戰場的本質和士兵執行任務的本質將發生翻天覆地的變化。

圖1 士兵即系統構建方式

2.數字士兵項目

美國陸軍的認知和神經生物工程協同技術聯盟中包含許多業界合作伙伴，如Booz Allen Hamilton公司。2019年10月，該公司獲得美國陸軍授予的價值5.61億美元的“數字士兵”系統開發合同。“數字士兵”系統可更好地連接戰場士兵的所有單兵設備，并將通過虛擬現實等技術為士兵提供訓練輔助。

該系統可識別視頻中的人及其行為，一旦發現有人舉起武器就能夠立刻向士兵的平視顯示器或在附近飛行的無人機發送提示信息。此外，該系統能夠創建一個逼真的虛擬現實環境，士兵們不需要上飛機就能夠進行跳傘等訓練，幫助士兵們做出正確的跳躍姿勢，并完成規定動作。

Booz Allen公司正與美國陸軍和其他業界伙伴共同探索決策過程中自主系統和人之間的關系。研究發現，戰爭中存在諸多互相交織的復雜變量，機器和計算機算法在這方面的處理能力較弱。即便是最好的人工智能系統，也無法完成特定類型的判斷決策、感覺或與人認知相關的其他動態任務。

3.適應士兵需求的人工智能系統

2019年4月，美國陸軍研究實驗室的科學家發表了有關利用人的大腦活動信號來訓練人工智能系統的論文，尋求優化人-機組隊的性能。未來，先進的人工智能系統可動態響應士兵需求，并自適應地輔助士兵完成任務。

在戰場上，士兵可同時執行測量地形、通過特定區域、接收通信信息、評估威脅等多項任務，這些任務是在大腦不同區域的指揮下執行的。研究人員希望能夠分析士兵執行任務時大腦中的數據，以確定各種數據對應的任務。通過學習大腦各區域如何合作完成任務，科學家可構建能夠預測任務完成方式的人工智能系統。

研究人員對30名受試者進行了腦部核磁共振成像，以繪制大腦中注意力、運動技能、視覺和聽覺系統等九大不同的認知系統之間傳遞信息的組織通路。研究人員將組織通路地圖轉換為計算模型，以了解大腦中各區域之間的工作模式，并運行仿真系統來展示對特定大腦區域的刺激所造成的影響。研究人員開發的數學框架使他們能夠在特定仿真中測量大腦活動如何在各種認知系統間同步，此項研究在大腦基本協調原則方面的成果可應用于人-機組隊的動態任務分配。

在試驗過程中，一名有作戰經驗的士兵佩戴裝有腦電圖傳感器的頭盔，在他觀看到具有威脅性的圖片時，傳感器能夠檢測到士兵的高度焦慮、恐懼和緊張情緒。使用腦電波來標記威脅圖片可收集足夠多的標注訓練數據，從而可快速教會機器學習算法識別威脅圖像。在戰場上，由頭盔傳感器檢測到的表示高度焦慮的腦電波可以傳輸給同一小隊的其他成員，以警告他們可能存在的危險。

4.面臨的挑戰

目前，美國陸軍開展的主要工作是尋找能夠成功分析與人認知和行為相關的主觀性判斷方法，如識別言語模式或與人過往行為、傾向或決策相關的各種信息，這類研究工作目前還處于早期階段，并且也不一定能夠解決已知的人工智能限制因素——信息。這是因為問題的含義和推理都是以信息來表示的，而人工智能系統難以完全融合或對比不同信息所處的“生態系統”，例如特定信息收集系統只能應對專用的數據集，因此解決多領域的數據交互問題存在困難。未來的人工智能系統需要能夠分析不同信息所處的生態系統，并根據這些分析來融合信息，以提供可靠的輸出結果。

責任編輯：ct