人工智能如何影响军事发展？.docx

?

?

人工智能如何影响军事发展？

?

?

李睿

阿尔法狗（AlphaGo）让很多人惊呼“留给人类的时间不多了”

当前热议的人工智能到底是什么？

提到人工智能就有人想到深度学习，仿佛深度学习就是人工智能，实际上，深度学习只是人工智能领域里的一个分支算法，远不能代表人工智能本身，但由于传统人工智能方法早已被运用到军事活动的各个领域，并不属于新生事物，因而本文所讨论的人工智能在军事上的应用只限于深度学习，不讨论传统的人工智能方法。

人工智能起源于1950年代，一开始就朝着利用计算机模拟人脑的方向发展，根据科学家对人脑机制理解的不断发展，人工智能迄今为止也经过三次高潮，相应地发展出了三类方法。

1980年代以前，科学家普遍认为人类的思维是一系列逻辑表达的集合体，因而将主要研究精力放在了启发式有哪些信誉好的足球投注网站和逻辑推理方面，进而引发了人工智能革命的第一次浪潮。日本和美国科学家一马当先大搞专家系统，希望能够用逻辑穷尽表达各行各业知识，造出一台万能的通用机器人，美国国防部国防高级研究计划局（DARPA）更是受到“深蓝”（“深蓝”是美国IBM公司生产的一台超级国际象棋电脑，质量达1279kg，有52个大脑，也即微处理器，每秒钟可以计算2亿步——编者注）战胜卡斯帕罗夫事件刺激，试图搞出所谓的战争全能辅助决策系统“深绿”，作为部队战力“倍增器”。但现实世界存在不确定性，不可能利用穷举法和逻辑定式来表示，因而第一波人工智能高潮失败了，美日等国也承受了探索损失，但也留下了启发式有哪些信誉好的足球投注网站和逻辑推理的成果，迄今为止，仍然作为各类武器装备和军事系统的核心算法。

1980年代开始，人工智能发展跌入低谷，但一部分科学家坚持了下来，并逐渐发现，统计和概率数学方法是处理不确定性问题的强力工具。从这个思路出发，人工智能逐渐开辟出以有监督学习、无监督学习、强化学习等统计学习方法为主要手段的人工智能新技术，发展出有监督学习方法（如感知器、logistics回归、随机森林等），无监督学习方法（EM聚类、支持向量机等）、半监督学习方法（强化学习、增强学习等）等统计学习方法理论，进而诞生了人工智能的第二次热潮。这些方法时至今日仍然是深度学习的理论基础，但第二次人工智能热潮仍然跌入低谷，原因在于当数据量极为庞大时，计算机硬件难以支撑其庞大的计算量，极易产生所谓的“维度灾难”，直到GPU和云计算技术发展起来，让数据并行处理成为可能，才真正推动了统计学习方法的进一步提升，进而引发了以深度学习技术为代表的第三次，也就是本次人工智能高潮的再次爆发。

“深蓝”击败卡斯帕罗夫事件让DARPA（美国国防部国防高级研究计划局）深受刺激，试图搞出所谓的战争全能辅助决策系统“深绿”。虽然最终未成功，但也留下了宝贵的成果

深度学习算法的发明时间是2006年，提出者是加拿大教授杰弗里·辛顿（GeoffreyHinton），但在2010年后GPU和云计算技术取得突飞猛进的进步后，这种算法在工程上才得到广泛运用。深度学习的基本框架是一种叫作感知器的统计学习方法结构，通过大量感知器组网连接，形成一个可以利用简单函数模拟任何复杂函数的网络，每一个感知器被称为神经元，若干感知器组成一个神经元层，若干神经元层组成一个神经网络。之所以如此称呼，是因为这种结构与人类的大脑神经元是类似的，感知器的工作原理和神经冲动传递过程也是一致的。当层数较多时就被称为深度神经网络，而训练和使用深度神经网络的过程就被称为深度学习。

人工智能的军事应用潜力

由于深度学习都是基于统计学习方法的，因而其内在原理和贝叶斯推断理论是一致的。即人类搜集大量带标签的历史数据组，将数据组输入深度神经网络，网络利用相应算法得到该数据组的联合分布规律，这样，深度神经网络在被输入没有标签的新数据时，就可以预判到其输出。例如，利用人类射手统计到某一手枪在前100次射击时每次射击前的状态数据和射击环数，让系统学到联合分布规律，那么在第101次射击时，仅需知道射击前的状态，就可以预测本次射击会有什么样的结果，相应改变射击前的状态，就能达到最佳射击效果，提高射击准确率。

必须注意的是，在这个过程中，由于机器是自動学习数据的联合分布规律的，该分布只能用一堆参数来表示，人类很可能无法理解，因而就形成了人工智能的“黑箱效应”，即人类无法解释系统是如何做到的，但系统就是能做到，人类可以理解为，这个系统有了“经验”，但这种“经验”并不是真正的理解，只是按照既定算法达到的一种状态，不能认为该系统具有了人类的智能。这种数据学习能力也就引出了人工智能在军事领域的第一个潜在应用价值——作战数据分类与预测。

作战数据分类与预测

上文举例手枪射击可以看出，以统计学习方法为核心的人工智能对数据分类和预测具有神奇的效果，这种依靠带标签的历史数据得到的结果往往比解析法得到的计算结果精确得多。因为