美国军方加紧人工智能和机器学习研究，旨在加快军事行动的节奏

人工智能可以加速军事指挥和控制、目标探测和攻击、电子战(EW)和通信，并有助于减轻筛选大量传感器数据的人工分析人员的工作负担。

发展人工智能(Al)和机器学习技术是美国国防部(DOD)优先级最高的研究和开发重点之一，旨在为指挥、控制和态势感知，机器自主和机器人技术，弹药制导与瞄准，图像识别，电子战(EW)和通信，人机组队，技术评估，乃至天气预报和空间观测等应用提供支撑技术。

在过去的一年里，我们看到了许多人工智能和机器学习技术的倡议和开发合同，以图在人工智能过去几十年进步之上获得新进展。虽然这些技术还远远不能复制人类的智能，但它们在快速有效地处理大量数据方面取得了长足的进步：使无人驾驶载具能够在地面、海洋和空中自主操作;理解来自许多不同来源的传感器数据，并将这些数据综合成可操作的情报;快速识别情报图像中的目标;自动化频谱战任务;以及帮助人类和计算机协同工作。   

在使人工智能和机器学习愿景成为现实的众多关键支撑技术中，人工神经网络，强大的通用图形处理单元(gpgpu)，现场可编程门阵列(fpga)，先进的软件工程工具，以及由不同传感器、数据处理器和通信节点组成的智能网络的进步至关重要。

美国空军研究人员于今年3月启动了人工智能和下一代分布式指挥与控制项目，以便将人工智能应用于拥挤环境中的分布式指挥控制。

该项目的八个技术领域是:能实现任务可裁剪的人工智能指挥和控制;联邦的、可组合的自主和Al工具箱;高级战争推演代理;C4l互动学习;指挥与控制复杂性优势生成人工智能C4l;软件定义的分布式指挥与控制;战术人工智能。

空军研究人员正试图将人工智能应用于指挥与控制，并通过考虑敌方人工智能在任务规划中的使用，追求从单个指挥与控制节点到分布式指挥与控制节点的转换。该项目关注于快速调整人工智能模型以适应特定的问题，并定义角色、职责和支持基础结构。它还寻求开发战斗管理工具，将一个分散的专家团队聚集在一起，训练和部署为任务量身定制的人工智能。   

人工智能和下一代分布式指挥与控制项目将在未来4年内花费约9900万美元，预计将授予若干合同。该项目正在接受实施方案，截止日期为2027年3月。

去年9月，空军启动了地理空间情报处理和开发(GeoPEX)项目，该项目建议在未来两年内花费近1亿美元，将人工智能和机器学习应用于图像、图像情报或地理空间数据和信息的地理空间情报(GEOINT)。

GeoPEX寻求开发支撑技术，为军事任务规划和决策提供来自图像、图像情报或地理空间数据和信息的GEOINT。该项目涵盖了图像的各个方面，包括从电磁频谱的紫外线到微波部分的数据，以及来自图像的信息;地理空间数据;地理参考社交媒体;以及光谱、空间、时间、辐射、相位历史、极化数据。

该项目还寻求开发先进地理空间传感器数据的分析技术。目标是利用传统和非传统来源的所有可用地理空间数据，创建具有成本效益的可操作情报。

数据可能来自几个不同来源的GEOINT数据，并相互关联，为任务决策提供可操作的情报。来源和技术可能包括基于知识的处理;全色图像;合成孔径雷达;双基地雷达处理;长波红外传感器;多光谱和高光谱;视频;头顶持久红外;3D点云;人工智能(Al);和机器学习。    

感兴趣的技术包括人工智能、机器学习、基于云的高性能计算、人工智能加速技术、3D点云生成、建模和可视化;以及摄影测量技术。网络安全应该是所有提案的一部分。本次征集将开放至2026年9月，目前正在征集实施方案。

人工智能和机器学习在机器自主和机器人技术的最新技术发展中发挥着核心作用。去年秋天，位于新泽西州Basking Ridge的Peraton实验室公司赢得了美国国防高级研究计划局(DARPA)关于学习自省控制(LINC)项目的合同。LINC旨在使人工智能系统能够很好地响应这些系统以前从未见过的条件和事件。

LINC旨在开发基于人工智能和机器学习的技术，使计算机能够检查自己的决策过程，使军事系统(如有人驾驶和无人驾驶地面车辆、船舶、无人机群和机器人)能够对这些系统设计时未预测的事件做出反应。LINC技术将实时更新控制规则，同时为操作员提供指导和态势感知，无论该操作员是人类还是自主控制器。

当今的控制系统寻求在设计时对预期的操作环境进行建模。然而，当遇到意外条件和事件时，这些系统可能会失效。相反，LINC将开发机器学习和自省技术，可以从其行为中描述不可预见的情况，例如被损坏或被修改的军事平台，然后更新控制律以保持稳定性和控制。   

配备LINC的平台将比较平台的行为(由机载传感器测量)，不断与系统的学习模型进行比较，确定系统行为如何导致危险或不稳定，并在需要时实施更新的控制律。这可能是对当今处理平台损坏方法的改进，这种方法将恢复和控制的负担放在了操作员身上，无论该操作员是人类还是自主控制器。

LINC将帮助操作人员保持对在战斗中受损或在战场上根据新要求进行修改的军事平台的控制。启用LINC的控制系统将通过观察行为、学习行为变化以及修改系统应如何响应以保持不间断运行来构建其平台的模型。

LINC主要关注两个技术领域:利用机载传感器和执行器进行学习控制;以及向操作员传达态势感知和引导。通过使用机载传感器和执行器进行学习控制，将执行跨传感器数据推断，以表征系统运行中的变化，快速修剪可能的解决方案，以在变化的动态下重建控制，并通过不断重新计算操作限制来确定非破坏性可控区域。向操作员传达态势感知和指导，包括通过开发技术，以简洁、可用的形式通知操作员系统行为的变化，以提供传达信息的指导和操作提示。

向操作员传达态势感知和指导，包括通过开发技术提供指导和操作提示，以简洁、可用的形式通知操作员系统行为的变化，这些指导和操作提示传达了有关新控制环境及其安全限制的细节。LINC是一个为期四年、分三个阶段的项目。最初的工作包括一个iRobot PackBot和一个远程24核处理器。

远程处理器包括一个Nvidia Jetson TX2通用图形处理单元(GPGPU)，双核Nvidia Denver中央处理器，四核ARM Cortex-A57 MPCore处理器;256个CUDA软件核，8G字节128位LPDDR4内存，32G字节eMMC5.1数据存储器。该计划的一个关键目标是建立一个基于开放标准的、多源的、即插即用的体系结构，允许互操作性和集成——包括能够轻松地快速添加、删除、替换和修改软件和硬件组件。

当人们担心这些技术可能会进化得比人类智能更好时，机器人和机器自动化的整个话题就会变得有争议。一些人认为，人工智能最终可能会让人类和机器在一场生存之战中相互对抗。

美国军事研究人员对这个问题很敏感。去年2月，DARPA启动了具有军事作战价值的自主标准和理想(ASIMOV)项目，旨在探索在未来军事行动中使用人工智能(Al)和机器自主的伦理和技术挑战。ASIMOV旨在制定基准，以衡量未来军事机器自主性的道德使用，以及自主系统在军事行动中执行的准备情况。

机器自主和人工智能(Al)技术的快速发展需要测量和评估自主系统的技术和道德性能的方法。ASIMOV将开发和演示自主基准，而不是为自主系统开发自主系统或算法。ASIMOV计划旨在创建伦理自主语言，使测试社区能够评估特定军事场景的伦理困难以及自主系统在这些场景中执行伦理的能力。

ASIMOV将自主基准——不是自主系统或自主系统的算法——将包括一个伦理、法律和社会影响小组，为项目执行者提供建议，并在整个项目中提供指导。ASIMOV将采用于2022年6月发布的负责任的AI(RAI)战略和实施(S&l)路径，作为制定负责任军事人工智能技术基准的指南。这份文件列出了美国军方负责任的人工智能伦理原则:负责任、公平、可追溯、可靠和可治理。

当涉及到创建人类和人工智能计算机团队时，人工智能也可能是一个敏感的话题。核心问题是:人类真的可以信任机器智能吗?人类如何确保人工智能做出了最好的决策?   

今年1月，DARPA启动了人类-人工智能团队探索模型(EMHAT)项目，以帮助回答其中的一些问题。该项目旨在开发人类与人工智能团队的建模和模拟，以评估理解此类团队的能力和局限性。EMHAT旨在创建一个人-人工智能建模和仿真框架，提供数据，帮助评估现实环境中的人机团队。该项目将使用专家反馈、人工智能组装知识库和生成式人工智能来表示一组不同的人类队友模拟，类似于数字孪生。

研究人员解释说，团队对于完成超出任何个人能力的任务至关重要。人类团队合作的洞察力来自于观察团队动态，以确定导致成功或失败的过程和行为。然而，在应用人类团队分析或开发评估人机团队的新方法方面，取得的进展相对较少;传统上，机器并没有被视为平等的成员。

EMHAT研究人员将利用数字孪生来模拟人机任务完成过程中人类与人工智能系统的互动;让人工智能适应模拟人类的行为。虽然美国国防部(DoD)已经预测了人机团队的重要性，但在理解和评估人机团队的预期行为方面仍然存在重大差距。该项目旨在定义人类和机器在何时、何地、为何以及如何作为队友高效地协同工作。

就在去年6月，DARPA启动了人工智能量化(Artificial Intelligence Quantified, AIQ)项目，旨在寻找保证人工智能(ai)在未来航空航天和国防应用中的性能和准确性的方法，而不再依赖于那些相当于临时猜测的东西。   

人工智能寻求找到评估和理解人工智能能力的方法，以实现对性能的数学保证。军事人工智能的成功使用需要确保自主和半自主技术的安全和负责任的运行。然而，目前还不存在保证人工智能能力和局限性的方法。这就是AIQ项目的由来。人工智能将开发技术来评估和理解人工智能的能力，以确保性能和准确性，这到目前为止是不可能的。

该项目将测试一个假设，即数学方法与测量和建模方面的进步相结合，将使人工智能能力的量化得到保证。该计划将解决三个相互关联的能力水平:具体问题水平;类问题级别;和自然类级。最先进的评估方法是临时的，处理最简单的能力，并且没有适当地建立在严格的理论基础上。

AIQ汇集了两个技术领域:为理解和保证能力提供严格的基础;寻找评估人工智能模型的方法。这个保证人工智能性能的计划有两个18个月的阶段——一个阶段侧重于具体问题;另一个侧重于类和架构的组合。

军事人工智能和机器学习的主要目标之一是使智能弹药能够导航、机动、探测目标，并在很少或没有人为干预的情况下进行攻击。美国空军研究实验室已经向工业界寻求实现这一目标的技术。   

今年1月启动的2024年“空中优势广泛机构公告”项目，寻求开发建模和仿真;飞机集成;目标跟踪;导弹制导与控制;以及用于蜂群无人机的人工智能(Al)。该项目旨在揭示13个空中弹药研究领域的最新技术:建模、仿真和分析;飞机集成技术;查找固定目标航迹和数据链技术;约定管理系统技术;高速引信;导弹电子;导弹制导与控制技术;先进战斗部技术;先进导弹推进技术;控制作动系统;导弹运载和释放技术;导弹试验评估技术;以及人工智能和机器自主。

美国陆军也对人工智能辅助目标识别和探测感兴趣。位于密歇根州沃伦的陆军坦克-汽车与军备司令部(TACOM)。去年12月，美国国防部为辅助目标检测和识别(AiTDR)项目发出了一份信息请求，该项目旨在开发机器学习算法，以减少检测、识别和攻击敌方目标所需的时间。AiTDR试图通过机器学习算法缩短传感器到射击器的接触时间。RFI旨在了解辅助目标识别技术的状态，以检测经过训练和未经训练的新目标。

陆军研究人员表示，传统的机器学习技术侧重于辅助目标识别。这需要在背景地形、目标姿势、光照和部分遮挡等条件下捕获的目标图像的大型训练图像数据库。这限制了在未经训练的新条件下检测新目标或训练目标的能力。AiTDR项目的重点是检测通用类别的目标，而不是识别由于算法训练不足而有丢失目标风险的特定目标。实现这一目标将有助于在不迟于2026年之前为乘员车辆开发可靠、直观和自适应的自动目标检测，从而加快交战时间并优化乘员性能。    

电子战(EW)和通信为人工智能和机器学习提供了重要的机会。就这一点而言，人工智能提供了加速EW和通信的潜力，并使美国和盟国部队能够比敌人更快地开展行动。

去年秋天，位于美国加州门洛帕克的SRI国际公司和位于洛杉矶的南加州大学(USC)赢得了DARPA关于宽带传感器系统处理器重构项目的合同，该项目旨在开发高通量流数据处理器，该处理器可以在50纳秒内重新配置自己，用于雷达、通信和EW领域的高级RF应用。

SRI国际和南加州大学的研究人员正在开发可重构处理器，为自主RF和微波系统提供复杂和不确定电磁环境的态势感知。PROWESS的目标是RF自主，无线电使用人工智能来感知频谱并适应环境。RF自主性可以帮助抵御无线电干扰的影响，并提高频谱的容量，以适应越来越多的收发器。

尽管当今自主无线电的首选处理器是现场可编程门阵列(fpga)，但信号环境可以在纳秒内发生变化，这远远快于fpga重新编程的速度。需要的是新型的接收器处理器。PROWESS的目标是开发高通量、流数据处理器，实时重新配置以检测和表征RF信号。通过在50纳秒内自我重新配置的处理器，PROWESS将能够在不确定的环境中实时合成处理管道。PROWESS将帮助未来的无线电接收机优化性能，以满足测量频谱条件和认知RF决策逻辑的需求。   

DARPA的研究人员表示，高通量流数据处理器可以在不确定的环境中实现接收器处理管道的及时合成，而预先编程的解决方案可能会失败。PROWESS公司有望将新兴的高密度可重构处理阵列与嵌入式实时调度器相结合，以提供快速程序切换和高计算密度的新架构权衡。

DARPA研究人员表示，PROWESS项目旨在创建可重构处理器，通过增强频谱传感来提高RF自主性，从而使RF系统能够优化实际频谱条件并实时对干扰做出反应。这些类型的计算机架构可能为频谱传感和相关应用提供显着的优势，特别是当系统必须在动态和有时令人困惑的环境中运行时。PROWESS希望专注于运行时可重构处理硬件和支持软件的开发。

就在去年6月，位于马里兰州哥伦比亚的Geon技术有限责任公司从美国空军研究实验室获得了990万美元的合同，开发用于指挥和控制的小型轻量级实时5G通信信号处理。Geon公司的专家将为指挥和控制以及尺寸、重量和功率受限的系统开发实时信号处理，以利用下一代5G通信波形和技术。   

Geon将专注于开发5G扫描仪，以绘制5G射频环境，并开发5G通信的网络安全技术。Geon专注于军事和情报应用的射频通信。该公司的专长在软件定义无线电应用;现场可编程门阵列(FPGA)和数字信号处理(DSP)芯片;信号处理，以及地理定位技术等方面。

去年秋天，位于北卡罗来纳州罗利市的Vadum公司从美国海军水面作战中心克雷恩分部获得了一份合同，参与响应式电子攻击措施(REAM)项目，开发探测和分类技术，利用人工智能和机器学习自动响应EW攻击，识别新的或波形灵活的雷达威胁。

波形敏捷雷达能够在脉冲之间改变其信号的时间、频率、空间、极化和调制方式，以增强其灵敏度，或在其设计和使用上迷惑潜在对手。该公司正在研究软件算法，以提供针对新的和未知威胁的EW保护，以及表征未知雷达威胁的能力，以及支持其他平台的可扩展和模块化能力。

今天的机载EW系统精通识别在固定频率上运行的模拟雷达系统。一旦识别敌方雷达系统，EW飞机可以应用预编程对抗技术。然而，使用敏捷波形识别现代数字可编程雷达变型的工作正变得越来越困难。敌方现代雷达系统正在变得具有未知行为和敏捷波形的数字化可编程，因此识别和干扰它们变得越来越困难。   

像REAM这样的新方法寻求使系统能够在接近实时的情况下自动生成有效的对抗新的、未知的或模糊的雷达信号。他们正在尝试开发新的处理技术和算法，以表征敌方雷达系统，对其进行电子干扰，并评估所应用的对抗措施的有效性。

位于纽约州贝斯佩奇的诺斯罗普·格鲁曼任务系统分部于2018年赢得了一份价值730万美元的合同，为REAM项目开发机器学习算法。该公司正在将机器学习算法转移到EA-18G舰载电子战喷气式飞机上，以对抗敏捷性，预计将在2025年左右加入现役海军舰队中队。