浅析自主深度学习如何在无人作战装备中发挥作用

无人化装备因其泛用性强的特点，可执行保护部队前方基地、支援特种作战小分队执行侦察、监视和搜集目标（RSTA）任务，还可在城区作战中用于支援瞄准目标、通信、弹药投送等多种不同任务。俄军涅列赫塔作战机器人不仅可以提供火力支援，也可以起到为主要战力运载弹药的作用；搭载支索电子战系统的俄罗斯海鹰无人机可以压制移动通信基站，同时充当虚拟基站，向敌方控制地区手机用户发送短信。目前，无人装备的互操作性、自主性、通信能力、机动能力、有人/无人协调能力都将进一步显著提升，执行任务的功能性将得到进一步优化，范围也将大大扩展。

除因其强劲火力以及良好的机动性得到各国青睐之外，无人装备精确化、远程化、智能化武器系统避免了作战人员的直接伤害，降低人员伤亡，更是各国大力发展无人技术的一个重要原因。在纳卡冲突中，阿方大规模采用各型军用无人机和巡飞弹，占据战争优势地位。在这次冲突中，阿方使用的TB-2型察打一体化无人机表现突出，该无人机摧毁大量亚方运输车辆及指挥所，有效地杀伤对方有生力量，控制了局势。哈比-2型巡飞弹的表现也十分亮眼，这种武器可自主前往目标实施攻击，操作手可中途介入更改指令。无人装备的使用，也将阿方官兵伤亡降至最低限度，给予亚美尼亚官方极大政治压力和心理压力。在“西部-2021”联合战略演习期间，俄军部队首次使用了天王星-9和涅列赫塔战斗机器人与士兵编队共同执行任务，体现了俄军无人化发展的最新成果和尽量避免局部战争中人员直接伤亡的作战理念。虽然现阶段智能无人化技术层面仍存在一定局限性，如机械故障，灵活性差、自主程度不高等问题，但是无人装备代替人员完成危险任务，在战争中尽量减少作战人员直接介入高风险战斗的显著特点，为其带来了强大的前线作战效能，仍然值得各国在智能无人作战领域继续深耕。

近年来无人化装备协同系统得到长足发展，以无人机为例。单无人机能力始终有一定的限度，存在搜索范围小、环境敏感度低和运行时间短等问题，同时在遇到硬件损坏或软件故障等情况时很难顺利完成任务。而无人机协同系统是一组无人机通过与其他无人机和周围环境相互作用来完成特定任务，具有作战成本低、自适应能力强和可扩展性强等优点。同时，无人装备跨军种联合作战思想也应运而生。挪威黑色大黄蜂微型无人机只有10厘米长，加上电池重量为18克左右，其微小身形甚至可以对敌军地下室进行渗透侦察，不可谓不精细。美军也早已开始以微型无人机打造监视侦察攻击平台。数架无人机组成的编队，在敌方某空域盘旋搜索，一机被摧毁，马上二机继续对这一区域进行侦察，而三机则进行远红外拍摄。所有收集到的信息，都传到机汇总后报告给指挥官，指挥官再下命令给四机，出动摧毁可疑目标。高等级神经元无人机具有自动捕获和自主识别目标的能力，解决了无人机间的通信、火力协同等问题，实现了无人机的自主编队飞行，有较高的智能化水平。

目前，无人武器装备主要依靠人工智能技术中的深度学习来完成人类赋予的各项职能，作为人工智能领域的又一里程碑概念，深度学习算法的有效性、稳定性直接决定了无人自主设备的智能化程度高低，可谓潜力巨大。因此人工智能发展情况一直受到各国政府的高度重视。2018年4月，美国会研究中心发布了《人工智能与国家安全报告》，分析了当前人工智能项目在国防领域应用的进展。该报告提到，美国会预算和立法决策，包括影响人工智能资金、采购、规范和标准以及国际竞争，有可能极大影响美国人工智能的发展，以及美国人工智能军事应用的增长和普及速度及隐患，并对确保美国军方获取人工智能这一先进技术，以支持美国的国家安全目标和军事霸权至关重要。除美国外，日本、俄罗斯也从顶层设计层面制定了一系列相关战略，意在为军用人工智能技术设立发展目标、规划发展路线、制定应用举措，由于各国对人工智能的理解不同，发展方向也有所侧重：日本开展人工智能技术应用研究，将自主操控和智能化技术作为军事技术发展的重点方向；俄罗斯谋求在人工智能装备领域的世界领先地位，重点是半自主和自主式运载工具。未来各国间的军备技术竞赛将在人工智能领域持续展开。

虽然无人作战装备层出不穷，但目前所列装装备仍要高度依赖“人”的作用，本质上只是搭载火力系统或功能模块的遥控装备，缺乏自主性，这也导致装备不能对紧急情况做出快速反应，容易贻误战机。要想实现高度的自主性，就要在无人化装备中融合自主深度学习等最新的人工智能算法，采用“类脑”技术，切实提高装备的计算能力和决策能力。深度学习的概念提出最早可以追溯到上世纪80年代，而在本世纪初逐步形成以人工神经网络为代表的深度学习算法。广泛应用于图像分析、语音处理、金融反欺诈、智能机器人等领域。以美国为首的技术大国早已认清人工智能对于未来战争的深刻影响，率先将其应用于国防目的，其国防高级研究计划局（DARPA）已启动了数十项旨在增进对大脑动态机制的了解、推进类脑计算（深度学习）平台研究的项目，并在一些装备自主化、无人化方面取得部分进展。

　原有机器学习技术是通过训练有素的算法来模仿人类行为的技术，需专人将大量信号处理事例和装备使用的经验告诉机器，因此训练效率较低，采用此算法的武器装备属于无人化初级阶段，需要人为参与、控制的因素较大，其应用范围局限性较大。

与传统的机器学习技术相比，深度学习虽然在数据和硬件依赖性上要求更高，但是其对运算通畅性能、数据表征能力和模型推广性能等方面的提升却极其显著，尤其适用于当今大数据时代的众多任务。深度学习是受哺乳动物大脑皮质的多层机制启发，模拟其信息蕴含规律构建深度神经网络，通过层与层之间的非线性变换，有机组装底层特征，绘制为抽象的顶层表示，使得一个自主深度学习装备能够不依赖人工的特征选择，剖析数据的分布式特征表示，并学习到相对高难度的目标表达函数。因此，配备自主深度学习功能的装备无人化程度高，泛用性强，可以在各种复杂多变的环境中遂行战斗任务。

目前深度自主学习在传感器利用、图像目标识别、稀疏数据分析、多源集成和作战识别等方面，均有部分进展。假以时日，应用先进自主学习算法的无人潜航器、无人战车、无人作战飞机等高精尖武器将会陆续列装，构建真正意义上的无人军队。

与人脑类似，深度学习的核心结构称为深度神经网络（DNN）。深度学习先以无监督的学习模式——逐层训练，进行预训练阶段，包含数据输入层、用来处理数据的隐藏层和用户看到的输出层。在无监督学习和监督学习的有机结合下，深度学习算法系统可自行完成从提取到识别的全过程，以此赋予无人化装备一定的自主性。

经过近十年的发展，深度学习演化出许多有效的网络模型，其中最具代表性的包括卷积神经网络（convolutionalneural network，CNN）、深度强化学习（deep reinforcement learning，DRL）和长短期记忆网络（longshort-term memory，LSTM）等模型。

卷积神经网络由卷积层、池化层、全连接层和输出层等组成，通过从底层到高层的特征前馈运算，将底层的视觉特征逐步抽象化，从而形成高层的图像表征。许多代表性的卷积神经网络模型被相继提出，例如AlexNet、VGG-Net、ResNet和DenseNet等。这些算法在解决图像等二维结构数据的复杂特征抽取问题上效果显著，可以快速提取多传感器采集的信息特征，为无人装备提供决策。基于此模型的算法可以为自主学习提供基础，广泛适用于陌生环境带来的海量信息源，从而实现自我分析、自我识别、自我决策。纵使数据有一定的残缺，也可以通过分析、判断，得出最优解，并录入到已有样本数据库之中。

深度强化学习将处理大规模样本数据的能力融入强化学习中，其特点是与环境进行深维度的信息交互，通过闭环的形式不断优化对于环境的感知，从而学习得到完成任务目标的最优策略。此种主动寻求信息反馈的方法也可以理解为自主深度学习的一种典型案例，类似于反潜常用的主/被动声呐系统区别，大大优化无人装备的事态感知能力。

长短期记忆网络的提出旨在处理语音、视频等时序数据的分析问题，其根据先前信息和当前信息来共同进行分析和决策。作用在武器装备上，相当于在传感器数据分析中寻找时间相关性特征，并把其作为进行决策的一项重要依据，其应用原理与卷积神经网络类似，但可以大大优化对于时序信息的分析能力，对于提高自主深度训练和“类脑”训练的效率起到重要作用。

虽然自主深度学习装备化上取得部分进展令人鼓舞，但仍面临一些亟需解决的困难。

一是训练样本库开发。在基于深度学习的机器人控制中，数据量是保证机器人能够完成复杂任务的关键因素，仅仅是为了同一款机器人的机械手平面抓取问题，就要收集近百万次抓取动作数据。这些初始数据，类似于婴儿幼年的蹒跚学步，不可能通过自主互动方式加以解决，只有通过良好样本不间断训练才能达到效果。自主深度学习可以解决部分困难，但是如果要解决样本之间权重问题，仍然需要采取有监督学习方式进行训练。

二是作战效率评估。为适应复杂多变环境下而研制的武器装备，其自主深度学习算法需要实战环境中进行检验。根据以往的深度学习理论，只要给定足够数量样本，学习过程一定是收敛的，即代表赋予武器的功能将会趋于稳定。但是自主学习的武器产品，会不会在战场上表现出与人类预期不符甚至是截然相反的决策结果，仍值得深究。整体来看，对于基于自主深度学习的武器控制系统，其控制性能很难评估分析，即便是表现出一定的控制效果，也无法保证控制性能的鲁棒性和稳定性，这是自主学习相对于传统机器学习的一个缺点，也是未来需要重点攻克的问题之一。

三是硬件性能约束。与传统机器学习方法相比，深度学习在精度方面有较大优势，但其除了硬件要满足矩阵相乘、卷积、循环层和全局规约4种基本运算的性能要求外，还要满足数据级别和流程化的并行性、高内存带宽、多线程等特性。而无人化作战装备对于尺寸的要求与日俱增，小型化、微型化的趋势明显，这对于硬件性能满足又提出了较高要求，谷歌、高通、英伟达等美国公司已经陆续推出了基于深度学习的硬件架构，但目前市场上仍未有较为完整、统一的硬件处理架构。谁能开发出性能好、尺寸合适的硬件系统，谁就能在无人化、智能化武器装备上先行一步，从而在真正意义上开发出自主深度学习的武器装备。

感知环境态势，数据融合能力强。自主深度学习装备在态势感知上具有较大优势，针对一些例行性工作或战术级别任务，往往可以代替人工进行分析判断。以海洋为例，近年来，随着我国海洋事业的蓬勃发展，海洋装备智能化长足发展，积累了丰富的海洋数据，但由于观测装备的差异，海洋生态的复杂性，为数据收集、动态监测等过程带来了不小的挑战。而使用深度学习的无人勘测潜艇，具有长航时、隐蔽性强、自主性强等特点，适用于海洋各类水文、生态、未知目标的数据搜集与融合等任务。

在未来，无人装备智能化水平将进一步提高，数据融合能力将进一步加强。多传感器信息采集能力可以借助深度学习处理手段得到有效发挥，快速提取重要特征，为战地指挥官及时提供最优决策。

提高个体性能，协同作战质效高。从个体性能角度而言，通过收集大量情报，自主深度学习可以让智能化装备及时发现敌方弱点，辅助战斗员遂行战斗任务。现阶段联合作战主要为广域上的诸兵种协同作战，想要真正达到如同美军提出的蜂群战术的阶段，极大提高战术层面上执行任务效率，仍有很长一段路要走。除了无人装备群内部通信链路要足够高效外，对指挥平台系统也有很高的要求。

在自主深度学习的帮助下的无人化武器装备可以有自主决策权，将“读秒战争”的作战效率进一步提升，做到真正的“发现即摧毁”。之前由侦察敌情，到指挥系统，再到精确打击的实施过程，可以由单一兵器直接完成。例如，无人机A进行精确打击的同时，无人机B可同时进行观察、火力跟进或者掩护等任务。在多重无人化武器协同参与的情况下，作战毁伤效能将呈指数级上升，而对于无人装备的需求量则大幅减少。

扩大作战疆域，陆海空天全覆盖。鉴于人类生理活动极限，之前传统作战地域往往带有较强的局限性。目前智能化程度较低的装备虽然可以实现在更宽广疆域执行任务，但仍然需要借助通信手段，依靠人类指令进行活动。而无人化智能化装备技术能弥补有人作战系统的不足，实现长时间、高速度、大强度、全空间执行各种作战和勤务保障任务。其活动范围从太空、深海、高原、极地到核生化污染等“新边疆”极限区域。

在高技术条件下的战争，作战领域已经远远超越“局部”概念，在未来，能够抢先一步占据极限区域的主动权，才更有可能赢得整个战局的主动权。通过自主导航、决策、攻击的超高空无人飞行器摧毁敌人的侦察卫星；通过无人深潜器发现并定点清除敌人海底的水声侦察网络；通过无人蜂群机潜入敌指挥中枢，对重要节点设备快速毁伤，均可以在某一方面形成局部优势，并供战地指挥官加以利用，从而影响整个战局走向。