人工智能（AI）已經作為一個強大的推動力出現，滲透到人類生活的各個領域。鑒于其深刻的效率，并受到現實主義假設的啟發，這種雙重用途的使能器現在正被全世界的政策制定者快速納入軍事部門。與人工智能相關的越來越多的自主性和決策速度必然會以新的方式影響未來的戰爭。本文研究了人工智能在各個軍事領域的應用，包括情報監視和偵察（ISR）、指揮和控制（C2）、自主武器系統（AWS）/致命性自主武器系統（LAWS）、網絡防御/攻擊、軍事規劃與培訓、后勤。它還探討了人工智能在戰爭中可以引導的眾多機會和潛在風險。注意到人工智能的動態性質，該文件還討論了巴基斯坦在這一領域的地位。

1 引言

新技術正在迅速進入戰場，并有可能影響未來的戰爭。人工智能(AI)就是這樣一個新興的推動者，它已經擴展到各個領域。定義人工智能相當困難，專家們還沒有就任何特定的定義達成共識。解釋這一現象的一個基本方法是對機器進行編程，讓它們的認知能力模擬人類的智力，使它們能夠執行各種任務。人工智能系統能夠通過處理大量數據來學習和預測未來的情況。處理給定數據的算法作為分析模型，以最優的方式對系統進行編程，并從它們的經驗中學習。這種持續的學習可以更好地利用現有信息，并根據給定的環境執行最基本的決策/行動因此，它是一種具有前瞻性的技術，在執行各種任務和決策方面提高了效率。

人工智能的研究始于1940年，但在2010年之后，由于有了更多的數據、更好的機器學習和更快的計算機處理能力，人工智能的研究得到了顯著的發展。這項技術尤其吸引了世界各地的軍事決策者。俄羅斯總統普京宣稱，“誰領導人工智能，誰將統治世界”，這類似于阿爾弗雷德·塞耶·馬漢(Alfred Thayer Mahan)的斷言，誰控制了人工智能浪潮，誰就統治了世界。

人工智能被稱為繼核武器和火藥之后的第三次軍事革命。這種技術令人眼花繚亂的效率，如今已促使大國將其應用于軍事領域。目前，美國和中國在這場競賽中處于領先地位，并在這項技術上展開了激烈的競爭。埃隆·馬斯克(Elon Musk)等專家一再稱人工智能比核武器更危險，并認為各國應避免將這種不可預測的技術應用于武器，并強調了對其致命性質的嚴重擔憂。然而，國防部隊傾向于借助這項技術來增強他們的實力。

人工智能的軍事化并不是全新的，但隨著時間的推移，人類參與最新武器的程度正在迅速下降，機器變得更加自主，對人類的依賴越來越小。人工智能幾乎適用于每一項軍事技術，專家們正致力于獲得更好的資金，以找出加強軍事領域的途徑和潛在應用。

截至目前，約有20個國家制定了人工智能政策，并有望有更多國家加入這一競賽。隨著新應用的出現和日益復雜的程度，人工智能正在成為現代戰爭的核心元素。

2 AI的軍事應用

人工智能已經成為一種兩用技術，既適用于民用，也適用于軍事領域。人工智能的軍事化被廣泛地與致命自主武器系統(LAWS)聯系在一起，通常被稱為“殺手機器人”。“然而，人工智能的應用范圍很廣，而法律只是人工智能在武裝部隊應用的一個方面。

人工智能正在迅速給戰場帶來微觀和宏觀層面的變化。它不僅可以在戰場上幫助士兵，還可以簡化戰爭計劃和后勤。重要的是要理解人工智能本身不是一種技術，而是一種使能者，它將增加現有技術的能力，使它們更有效。因此，它的應用可以有三個方面:它可以為各種系統帶來自主性，產生戰爭中涉及的新的和先進的技術，并為進一步的行動解釋/處理可用信息。下面幾節將討論人工智能可以應用于軍隊的一些領域。

2.1 情報監視和偵察（ISR）

ISR是人工智能能夠有效幫助武裝部隊的最重要領域之一。通過無人機和傳感器收集數據的能力可以提供大量重要信息，以支持廣泛的軍事活動。此外，軍隊必須處理大量數據進行監視，這需要相當多的時間和精力。從2001年到2011年，無人機收集的數據增加了16倍。集成了計算機視覺的機器處理算法可以在意想不到的短時間內處理大量數據，從而識別重要的威脅和目標，使國防部隊的監視任務更容易。由于帶寬限制，一些數據可以在戰場上部署的ISR平臺上進行分析，而更敏感的數據可以在情報處理中心進行分析。

這些數據現在以信息的形式存在，然后用于得出戰場上正在發生的情況。然后，它進一步用于軍事指揮官的決策。一旦準備好執行潛在的響應，ISR的角色就會再次發揮作用。AI傳感器為指揮官提供目標的位置和其他必要細節。此外，有關任何威脅存在的數據也會反饋給指揮官，以確保作戰成功。通過這種方式，人工智能極大地幫助ISR智勝對手。

目前，不同的數據處理機制和數據同步阻礙了空中和地面部隊之間的理想通信。或者，支持人工智能的軟件可以處理大量數據，并根據接收方的要求對其進行分類，這將使不同的軍事單位能夠在沒有任何延遲的情況下接收信息。

機器學習系統可以根據經過長期訓練的數據創建正常模式。這些正常模式考慮了各種因素，如海上、陸地和空中部署的不同武器的速度、方向和移動。只要觀察到與標準模式的偏差，就可以檢測到行為，并將其轉發以進行進一步的操作。自動識別系統(AIS)，模糊自適應共振理論(ARTMAP)神經網絡，高斯混合模型(GMM)，核密度是一些自治的系統，用于監測，以檢測任何可疑活動。因此，人工智能將加快篩選可用數據的過程，使其能夠掌握關鍵信息。

2.2 指揮和控制（C2）

世界各地的軍隊都依賴C2結構來順利運作。這些是指為完成一項既定行動而行使的權力和方向。通過人工智能系統的幫助，這些結構可以滿足其中期、中期和長期的需求。中間需求是指為各個操作提供的數據。中期需求是指人工智能系統所做的動態規劃和協調。AI還可以幫助C2滿足其長期需求，即分散執行的集中控制。

武裝部隊可以在C2中使用人工智能，以建立更好的防御組織。多域指揮與控制(MDC2)已經在美軍的計劃中。這些系統旨在勾勒出一個綜合網絡，其中海、陸、空和天基行動得到集中規劃并良好整合在一起。目前，有各種各樣的平臺向軍事領導層提供信息，這些信息由決策者進行嚴格評估，以便采取可能的行動。對于未來戰場，“通用作戰圖像”將作為單一信息源，根據通過不同傳感器收集的信息提供戰場事件的全面圖像，從而實現無縫集成。雖然MDC2仍處于起步階段，但美國空軍正在與包括洛克希德·馬丁公司在內的多家公司合作，以具備這種能力，為此在2018年舉行了一系列軍事演習，以進一步規劃這方面的需求。

在未來，通信模式也將受益于人工智能支持的項目。人工智能可以在通信網絡被對手破壞的情況下引入發送信息的替代模式。除了篩選傳入的信息，人工智能算法還能夠為戰場上的軍事指揮官提供幾個可能的執行選項，同時考慮到任何給定場景的實時分析。所有這些措施都將簡化軍事指揮官的C2。

2.3 自主武器系統（AWS）/致命性自主武器系統（LAWS）

武裝部隊可以將人工智能納入其現有的廣泛武器中，如飛機、海軍艦艇、防空系統、坦克和其他軍事裝備。它還可以集成到系統和軟件中，例如雷達，以提高它們的效率。同樣，人工智能也可以用于支持任務的武器，例如用于飛機戰斗支持任務的“忠誠僚機”。

另一方面，人工智能也是LAWS發展的關鍵因素，這些系統具有獨立識別和打擊目標的能力，無需人類的任何命令。戰爭發生了明顯的轉變，其標志是從自動化武器向自主武器的過渡。

區分“自動化”和“自主性”的概念對于理解人工智能的應用和影響是很重要的。當軍事領導人給一臺機器分配特定的命令時，他們就把一定的權力委托給了這臺機器。如果權限級別高，則系統是自治的。AWS根據推理、感知和基本原理執行決策，從而得出最佳輸出。另一方面，自動化系統的決策能力依賴于預定義的輸入集，這些輸入集不具有任何認知能力，它們執行它們被編程去做的事情，這表明它們在每個任務/程序中具有較少的權威。法律的發展將逐漸以“自主性”取代“自動化”。

軍方的目標是通過可部署在陸地、空中、海上和天基平臺上的LAWS增強精確打擊。法律的決策方面有很大的爭議。科技專家一再強調，這些“殺手機器人”不應被賦予發動攻擊的自主性，因為它們可能引發不希望看到的結果。然而，主要大國，特別是美國等，準備將這種系統投入戰場。

2.4 網絡防御/攻擊

來自網絡戰的威脅是持久的，而且在未來很可能會增長。保護數據不受惡意活動的侵害對于保護重要信息的完整性和機密性不受潛在攻擊至關重要。因此，計算機和軟件的脆弱性正在增加，因為傳統的檢測網絡攻擊的方法不足以檢測它們的演變形式。

世界各地的軍隊都容易受到對手的攻擊。除了這種攻擊造成的系統/數據破壞外，武裝部隊還遇到了重大的歸因挑戰。為了解決這一問題，軍事政策制定者正在關注人工智能，因為它可以成為避免此類攻擊的主要工具，并指出受人工智能保護的數據、軟件和程序相對不太容易受到網絡攻擊。人工智能可以記錄網絡攻擊的模式，通過機器學習，它可以找到方法，以制定措施，對這些攻擊執行反擊，以避免重要數據的暴露。入侵檢測系統(IDS)可以有效區分正常數據和入侵數據，避免重要數據被破壞。

檢測侵入性數據最流行的技術是基于簽名的技術。這種方法使用人工智能來識別惡意軟件和網絡攻擊。系統被輸入不同已知惡意軟件的惡意軟件簽名(代碼的字節序列)。該數據庫使用可用的簽名來識別潛在的惡意軟件，并防止它進一步滲透到系統中。雖然這種方法確實對新的惡意軟件不太有效，但在這方面已經做了相當大的努力來訓練系統，使它們能夠記錄模式并使用機器學習來自行識別新形式的惡意軟件。

同樣，對于一些國家來說，這可能是一種強大的工具，可以在網絡領域對對手進行攻擊性攻擊，因為網絡是相當脆弱的途徑之一。攻擊的成功將取決于防御系統。這很可能會導致支持人工智能的進攻性網絡攻擊與支持人工智能的防御性網絡攻擊之間的競爭。在這種情況下，更聰明地使用“使能”的一方將占上風。因此，國家很可能在網絡領域使用人工智能的進攻和防御能力。

2.5 軍事規劃與培訓

人工智能將有助于為從步兵到高級將領的軍事領導提供所需的規劃和訓練。它可以更好地概述如何有效地計劃任務，提高準確性，減少人力和支出，最重要的是，節省在一切都依賴于人力時投入的時間。機器學習可以在為武裝部隊提供更安全的網絡方面發揮至關重要的作用，使他們不那么容易受到攻擊。同樣，軍隊也可以通過在早期階段預測部件故障而受益于人工智能。交叉引用和自動關聯分析可以幫助檢測任何故障和異常。此外，可以通過傳感器數據檢測威脅。分析所有這些數據，決策者可以得出更務實的結論。盡管人工智能系統不會對計劃的絕對授權進行監管，但它們將為士兵提供戰場的更大圖景。

人工智能系統還可以用于武裝部隊的訓練。可以考慮個人能力和學習風格，使學習更加個性化。它們還將使指揮官能夠在潛在沖突中為特定行動選擇最佳人員。機器學習系統可以考慮輸入數據集的各種因素，并為軍事指揮官提供分析模型，以做出有利于戰斗的決策。例如士兵的長期表現，他/她的技能，個性特征，在壓力下工作的能力，長處和弱點可以根據任務的具體要求來制定。同時分析所有這些因素可以為某一特定行動選擇最佳軍官。

此外，基于其認知能力，人工智能還可以使用程序來決定官員的職位和晉升，這些程序可以分析官員的能力、學習經驗和表現，以便提出最合適的職位。通過這種方式，武裝部隊的能力將得到最佳利用，戰斗人員將得到最佳部署。此外，它還將防止在上述任何活動中存在偏見。

在和平時期，還使用諸如模擬器之類的庫存來訓練軍事人員。兵棋推演技術可以使用人工智能進行改進，因為它們可以在與對手的潛在遭遇中提供廣泛的選擇。這將通過為士兵提供更好的實地體驗來提高這種技術的有效性，以便理解在與對手的潛在沖突中利用最新技術的最佳方式。虛擬現實技術(VR)，結合人工智能和復雜算法，有望在很大程度上提高軍隊的訓練水平。

2.6 后勤

后勤是人工智能有潛力加強武裝部隊能力的另一個領域，例如，空軍可以通過采用預測性飛機維護任務從人工智能支持的系統中受益。這項技術將使飛機能夠通過預定的時間表進行定期維護，從而避免在飛機受損后等待維修。美國已經建立了一個“預測后勤”小組，該小組的任務是為飛機的維護提供智能計算。人工智能將幫助預測某個部件何時可能損壞。這種方法目前被F-35的自主后勤信息系統所采用，該系統從不同的部件獲取實時數據，并將其導向預測算法，并在操作員需要訪問和更換飛機的任何部件時進行分析。

此外，人工智能系統可以幫助軍隊處理大數據。大數據包含的信息要么太大，無法存儲在一臺計算機的內存中，要么生成太快，一臺計算機無法處理，要么以不同的格式呈現，使人類難以處理。相反，人工智能系統可以更有效地存儲大數據。

機器學習算法還可以利用可用數據制定智能預算解決方案，以優化幾乎所有軍事活動的資源和成本分配。同樣，它也可以幫助軍事運輸，使其更容易運輸部隊，武器，和彈藥在軍事行動。它不僅可以降低運輸所需的成本，而且可以降低人工操作的工作負荷。

3 對戰場的影響

盡管人工智能的軍事化仍處于初始階段;其不斷提高的效率和快速發展的性質，受到意外和不確定性的影響，可能對未來的戰爭產生許多影響。本文的以下部分將重點討論人工智能在戰場上的潛在利益和風險。

3.1 益處

鑒于這項技術前所未有的效率，人工智能將在軍事領域帶來許多好處。

時間是一個主要的因素。自主系統執行任務的速度比人類快得多，因此，使操作系統能夠增加它們的速度歧管，從而加快戰斗的速度。它們尤其能協助軍隊完成需要長時間且超出人類承受能力的任務。此外，他們識別軍事設備缺陷的自主能力可以使軍隊避免意外故障延誤，這可能會給潛在的任務帶來障礙。

軍事分析人員必須花費大量的時間篩選大量的數據。人工智能可以在快速分析這些數據方面發揮關鍵作用，并將最重要的元素反饋給軍事指揮官進行進一步評估。人工智能處理的數據可以為分析復雜環境的指揮官提供更詳細和準確的概述。美國中央情報局(CIA)有140多個項目將利用人工智能系統收集數據，用于分析和決策。因此，人工智能獲取、處理和分析來自不同來源的數據的能力有可能對軍事決策者可用數據的數量、質量和準確性產生顯著影響。

深度神經網絡的顯著改進導致了圖像識別的顯著效率。因此，人工智能可以提高戰斗中目標識別的準確性，因為機器學習能夠根據給定的信息和戰場情況學習、檢測和識別目標。改進的圖像分析可以節省寶貴的時間，并優先考慮潛在的威脅。這些數據可以反饋給應對小組，以便采取進一步行動。

盡管LAWS的法律方面在許多論壇上被廣泛討論，但它們有可能在危險的戰斗中取代士兵，并減輕人類生命的損失。此外，使用MDC2，指揮官可以在遠離戰場的情況下有效地執行決策。也有可能利用人工智能在戰場上提供機器人協助，這將在不增加人力的情況下加強武裝部隊的作戰能力。

人工智能不僅可以增強態勢感知，還可以在考慮環境條件、天氣、基于概率的敵人行為評估和現有能力等各種因素的情況下，為軍事指揮官提供給定背景下的最佳可能選項。作為信息通信技術，人工智能可以傳達對手的意圖和動機，使其成為敵對對手之間有效的維和工具。此外，由于人工智能具有前所未有的自主決策和處理能力，可以幫助作戰系統的自我調節、自我控制和自我驅動等關鍵過程。因此，它的預測和分析能力可以幫助軍事領導人做出更明智的決定。同樣，它將對戰斗準備的動態產生顯著影響。總之，它將為軍隊提供更多解決方案和新方法，以應對各種挑戰。

3.2 風險

正如前面所討論的，人工智能的前景是令人信服的。它為軍隊提供了若干改善其防務和安全職能的機會。另一方面，軍隊在開發、部署和使用的各個階段也必須面臨人工智能融合的困境。在所有的階段中，關于安全和升級的潛在挑戰(與潛在的好處相競爭)可能會被忽視。更高的效率、更快的處理速度和更少的人為干預可能會壓倒所帶來的風險，因為安全部隊希望避免在這場競賽中落后，并防止他們的軍隊變得更容易受到其他國家的攻擊。這種對人工智能的追求可能引發軍備競賽和這種技術的破壞性擴散。隨著法律進入戰場，未來的戰爭也將變得更加不確定和模糊。

由于戰爭的自主程度不斷提高，未來很可能會有很大一部分決策由機器自己完成。在這種情況下，存在道德問題。例如，在潛在的沖突場景中，系統可能開始在選擇目標、決定行動模式和武力的殺傷力方面行使絕對控制。在沒有人類監督的情況下，更強大的人工智能可能會導致重大的附帶損害。如果系統或機器無法正確解釋數據會發生什么?對于軍事和政治領導人來說，這是一個重大的道德困境，因為它可以造成相當大的傷害。

也可能有一些情況迫使人類全力以赴，以選擇沖突的緩和。然而，機器不遵守安全規范。一旦一臺機器熟悉了一個特定的目標，它就會做一切被認為必要的事情來實現它。這可能會導致一種情況，即人工智能的目標可能與人類的目標不兼容，從而導致不必要的升級。這種升級可能引發重大沖突，考慮到法律的災難性性質，可能產生不可逆轉的影響，從而使人類為緩和沖突與和平所作的努力成為徒勞。

盡管專家們尚未就人工智能的定義達成共識，但他們一致認為，人工智能可能(在大多數情況下)是致命的。

著名技術專家尼克·博斯特羅姆(Nick Bostrom)對人工智能軍事化表達了嚴重擔憂，他表示，將人工智能等技術集成到武器中就像孩子玩炸彈一樣。2018年，蘋果首席執行官蒂姆·庫克和SpaceX首席執行官埃隆·馬斯克在一次會議上聲稱，人類對人工智能的控制是有一定限度的。一旦越過這個門檻，人類將不由自主地失去對它的權力，隨后出現的情況是，他們將無法控制AI，相反，AI將自己做出決定。因此，人類將無法解釋決策和執行過程，這將增加不確定性的范圍。

對于俄羅斯等這樣的大國來說，人工智能已經成為他們挑戰美國霸權和軍事實力的一個機會，美國的霸權和軍事實力在很長一段時間內都沒有受到挑戰。這種傾向可能會迫使國家放棄道德和倫理考慮，賦予配備人工智能的武器更多自主性。通過對古巴導彈危機(CMC)的評估，可以很好地理解將這種技術整合到武裝部隊中的嚴重擔憂，在古巴導彈危機中，一個錯誤的警報可能導致一場核災難。同樣，類似的情況也可能演變成可能將國家帶入潛在戰爭場景的情況。類似地，涉及多個人工智能系統的設置將使本已緊張的局勢進一步復雜化，因為不同的人工智能系統將接受不同的訓練，因此可能會得出不同的、相互沖突的結論，并導致不確定的決策。

此外，人工智能依賴于從不同的傳感器收集數據，然后對其進行解釋。如果一個或多個傳感器出現故障，人工智能的未來軌跡仍將高度模糊。該系統可能會完全崩潰，從而玷污人工智能的可信度，或者導致致命的危機，而這種危機將以政策制定者沒有考慮到的方式爆發。同樣，為了迫使對手采取可能破壞沖突管理過程的行動，可以故意篡改數據。

與現在相比，未來平民傷亡將會減少的斷言并不是很有說服力，因為自動機器有可能造成巨大的破壞。如果在沖突頻繁的地區或沖突閾值很低的地區使用這種系統，則可能造成重大損害。

信任是戰略穩定的必要條件，而人工智能也會給戰場帶來不確定性和不可預測性。因此，提高效率的感覺可能使后者更容易升級。雖然高精度和驚人的精度確實適用于軍事目的，但人工智能系統可能無法考慮上下文變化。因此，對它們方向的依賴增加，意味著更多(而不是更少)不可預測性將占上風。

4 巴基斯坦和人工智能

考慮到人工智能的重要性，在巴基斯坦的安全背景下討論它是恰當的。顯然，人工智能將成為未來戰爭不可分割的一部分。已經有許多國家正在以快速的速度將其應用于軍隊。美國、俄羅斯和中國已經在這一領域取得了明顯進展。

在南亞，受印度教影響的印度政權一直熱衷于尋找機會以巴基斯坦為目標。這個政權還將人工智能視為改進其激進設計的工具。在《陸戰理論》(2018年)中，特別強調了將人工智能融入武裝部隊的重要性。由國防研究與發展組織(DRDO)開發的人工智能和計算中心(CAIR)正在為印度武裝部隊開發AWS。自主無人機、自主坦克和多智能體機器人框架(MARF)是印度已經完成或即將完成的一些舉措。因此，巴基斯坦也應該考慮這些事態發展。人工智能提供的效率可以顯著提高巴基斯坦三軍的潛力和能力。但是，要做到這一點，政府需要在這項技術上進行大量投資。在這方面，應該促進國際合作和本國的研究與發展(R&D)。

巴基斯坦有幾所大學提供與人工智能相關的學位/課程。在這方面，航空大學、國立科技大學和國立計算機與新興科學大學是一些值得注意的例子。同樣，人工智能和計算中心(CENTAIC)于2020年8月成立，以促進民用和軍事領域的研發。然而，巴基斯坦還有很長的路要走，需要更多的關注。

政府需要與友好國家合作，特別是中國，在人工智能領域取得進步。其次，在前面提到的機構所教授的課程需要與國際標準相兼容。此外，大學應該相當重視這項技術的實際應用

5 結論

人工智能(AI)是成功進入軍事領域的推動者。隨著時間的推移，越來越多的國家將把它用于國防目的。雖然它對未來戰場的影響可能很大，但各國也需要警惕其潛在風險，包括沖突迅速和災難性地升級，而不是降級。最終，人工智能在戰場上的未來將主要取決于決策者愿意給予這種技術多大的自主性。

• 作者：Shaza Arif在巴基斯坦法蒂瑪真納女子大學學習國防和外交研究。她感興趣的領域是太空、人工智能、軍事現代化和戰略。她曾在國際和國內報紙上廣泛發表有關政治和現代戰爭的文章。

人工智能（AI）系統很可能會改變軍事行動。本文探討了人工智能系統如何影響準備和進行軍事行動的主要工具，并受其影響。因此，本文在戰略、理論、計劃、交戰規則和命令的背景下分析和討論了人工智能，以確定機會、挑戰和開放性問題的位置，并提出總體意見。本文采取了一個廣泛的分析角度，能夠根據新的政策和技術發展以及對政治、軍事、法律和道德觀點的考慮，對這一問題進行總體審查。因此，本文提供了一些見解和途徑，以推動對人工智能在軍事行動中的適當整合、管理和使用的進一步思考、研究和決策。

這篇論文試圖研究能夠改善復雜軍事戰術環境中決策的人工智能（AI）技術。戰術環境在威脅、事件的節奏、突發或意外事件的因素、戰斗空間意識的限制以及潛在的致命后果方面可能變得非常復雜。這種類型的環境對戰術作戰人員來說是一個極具挑戰性的決策空間。戰術決策任務在識別決策選項、權衡眾多選項的相對價值、計算選項的預測成功率以及在極短的時間內執行這些任務方面迅速超越了人類的認知能力。海軍已經確定需要開發自動戰斗管理輔助工具（ABMA）來支持人類決策者。這個概念是讓ABMA處理大量的數據來發展戰斗空間知識和意識，并確定戰爭資源和行動方案的優先次序。人工智能方法的最新發展表明，它有望成為ABMAs支持戰術決策的重要推動者。本論文研究人工智能的方法，目的是確定在戰術決策領域的具體應用。

論文組織

本論文分為五章。第一章概述了本課題的背景，描述了本論文所探討的問題，本論文的目的，以及研究的方法和范圍。第二章對論文中討論的定義和概念進行了全面的背景回顧，包括自動戰斗管理輔助工具、決策復雜性和人工智能及自主系統的概念。第三章描述了用于協調數據采集和理解檢索數據要求的研究方法。第四章提供了分析的結果，并探討了從分析結果中得出的潛在好處和局限。本論文的最后一章包含最后的結論和對未來工作的建議。

自然語言生成（Ｎａｔｕｒａｌ Ｌａｎｇｕａｇｅ Ｇｅｎｅｒａｔｉｏｎ， ＮＬＧ）是在自然語言理解、圖像識別和視頻分 析等技術基礎上利用人工智能和語言學方法生成自然語言文本的過程，近年來成為人工智能研究 領域的熱點，在軍事領域也得到了較好的應用。文中提出了 ＮＬＧ 技術的應用框架體系，闡述了文 本到文本、數據到文本、圖片到文本和視頻到文本 ４ 個大類的關鍵技術和實現方法；歸納總結了機 器翻譯、輔助撰寫、智能問答、戰場監視、偵察解譯等 １１ 個典型場景，為 ＮＬＧ 技術在軍事領域的實 戰化應用提供方向；從軍事領域數據集缺失、現有 ＮＬＧ 系統的實用性和抗毀性不足等方面，深入剖 析了制約 ＮＬＧ 技術軍事應用的瓶頸問題，并提出對策建議，為 ＮＬＧ 技術在軍事領域的未來發展提。 伴隨著信息時代的發展，海量文本、數據、圖片、 視頻等信息充斥著軍事領域各個環節和鏈路。這些 信息數據量大、非結構化、利用率低、聚合能力差，加 之各崗位人員數量有限，信息處理難度與日俱增，保 障壓力越來越大。自然語言生成（Ｎａｔｕｒａｌ Ｌａｎｇｕａｇｅ Ｇｅｎｅｒａｔｉｏｎ，ＮＬＧ） 作為人工智能和自然語言處理 （Ｎａｔｕｒａｌ Ｌａｎｇｕａｇｅ Ｐｒｏｃｅｓｓｉｎｇ，ＮＬＰ） 領域的關鍵技 術，近年來得到了飛速發展，為解決當前出現的各種 保障難題提供了可能。美、英、法等國家的軍方大力 資助民間公司和研究機構從事這一領域的研發工 作，開發了一系列 ＮＬＧ 系統［１］ ，將其融入到武器裝 備和作戰行動中，大大提高了軍事行動的效率。本 文首先對 ＮＬＧ 技術的主要研究內容和方法進行介 紹；然后，對 ＮＬＧ 技術當前以及未來在軍事領域的 典型應用進行詳細探討；最后，對一些制約應用發展 的問題挑戰進行簡要剖析，希望能夠為 ＮＬＧ 研究領 域的學者專家及工程技術人員開發更多支撐備戰打 仗現實需要的技術和應用提供一些借鑒。

ＮＬＧ 技術應用的體系框架通常可分為數據層、 前端技術層、生成技術層、應用層 ４ 個方面，如圖 １ 所示。數據層分為原始數據和標注數據兩類，其中 原始數據是指未按標準或規范經過專門標注的數據， 標注數據是指按標準或規范經過專門標注的數據；前 端技術層分為自然語言理解、圖像識別、視頻分析三個 方面，是支撐文本生成的基礎技術；生成技術層按照不 同的輸入類別劃分，分為文本到文本的生成、數據到文 本的生成、圖像到文本的生成和視頻到文本的生成四 類；應用層主要根據具體領域設計相關模塊。

自然語言生成技術在軍事領域的應用

ＮＬＧ 技術具有極為廣泛的應用價值，目前已在 醫療、電商、工業、教育、新聞傳播等多個領域［１７］ 蓬 勃發展。隨著軍事大數據的逐步積累，依托大數據 處理、人工智能、云計算等平臺支撐，在軍事領域已 陸續出現諸多落地落實的具體應用。軍事領域需求 必將成為推動 ＮＬＧ 技術快速發展的重要引擎，為提 高備戰打仗智能化、自動化、高效化水平，打贏信息 化戰爭助力。軍事領域 ＮＬＧ 技術應用總體框架如 圖 ２ 所示。

許多軍事人工智能的研究和開發資金是針對短期內可以實現的戰術級系統的改進。在這里，人工智能（AI）的潛在好處往往受到感官輸入質量和機器解釋能力的限制。然而，為了充分理解人工智能在戰爭中的影響，有必要設想它在未來戰場上的應用，傳感器和輸入被優化為機器解釋。我們還必須嘗試理解人工智能在質量上和數量上與我們的有什么不同。本文介紹了綜合作戰規劃過程中自動化和機器自主決策的潛力。它認為，人工智能最重要的潛力可能是在戰役和戰略層面，而不是戰術層面。然后探討了更多機器參與高級軍事決策的影響，強調了其潛力和一些風險。人工智能在這些情況下的應用發展應該被描述為一場我們輸不起的軍備競賽，但我們必須以最大的謹慎來進行。

1 引言

目前，人工智能（AI）的民用發展大大超過了其在軍事方面的應用。盡管知道網絡將是一個重要的未來領域，但國防部門還沒有習慣于數字-物理混合世界，因此，國防部門與新的社會技術的顛覆性變化相對隔絕。在軍事上運用人工智能的努力往往集中在戰術應用上。然而，人工智能在這些領域的好處受到輸入傳感器的限制，它們被用來復制人類的行為，并在需要與物理環境互動的角色中使用。在作戰和戰略層面上，軍事總部的特點是信息的流入和流出。如今，這些產品無一例外都是完全數字化的。考慮到作戰計劃的過程，可以看出，即使在目前的技術水平下，其中有很大一部分可以可行地實現自動化。這種自動化的大部分并不構成可能被理解的最純粹意義上的人工智能，即 "擁有足夠的通用智能來全面替代人類的機器智力"。然而，軟件可以在特定任務中勝過人類的事實，再加上高級軍事決策過程被細分為此類特定任務的事實，使其成為比較人類和機器決策的優點、限制和能力的有用工具。這樣做，人類的能力似乎有可能被輕易取代。因此，追求軍事決策自動化的動機肯定是存在的。本文討論了部分自動化軍事決策的潛力和實用性，并想象了為這些目的無限制地發展人工智能可能帶來的一些風險和影響。

今日薦文的作者為中國電子科學研究院專家馬征宇，白陽。本篇節選自論文《機器人集群協同作戰關鍵技術研究》，發表于《中國電子科學研究院學報》第17卷第1期。

本文來源：學術plus 微信公眾號

摘 要：文中根據機器人集群的概念和特點，結合機器人集群在作戰使用中的軍事需求，梳理了世界各軍事強國在機器人集群領域的發展規劃和最新應用研究成果。通過對相關戰例的梳理分析，評估了機器人集群在未來作戰場景下發揮的主要作用，根據作戰需求，綜述了機器人集群協同作戰的關鍵技術體系，并對機器人集群在未來作戰使用中的發展趨勢進行了展望。

**關鍵詞：

**機器人集群；智能；協同

引言

機器人集群一般由異構、可互換的機器人單元組成，利用共識控制法則及有限通信能力產生涌現性的群體行為。在戰場上，機器人集群以具有一定感知、自主和行為能力的無人系統為主要作戰單元，可與其他兵力協同配合，形成獨立建制的作戰力量，進化出新的作戰模式，生成新的作戰能力。

早在20世紀60年代，機器人相關研究已經開始，美國斯坦福研究所于1969年就發布了世界上第一臺智能機器人。然而，機器人集群作為一個新興的研究領域，直到近５年才被研究者關注。 2014年，哈佛大學的科研人員在《Science》上發表的機器人集群論文被評為2014年的十大科學成就之一[1]。其使用足夠多低復雜度及低成本的機器人，通過攜帶紅外傳感器，實現與相鄰機器人的交互，表現出自適應變化外觀的群體智能行為。此后，國內外眾多學者在機器人集群方面開展了一系列關鍵技術研究，相關研究成果如圖1所示，相關研究內容涵蓋機器人集群的自組織行為[2]、路徑規劃[3]、編隊控制[4]、網絡通信[5]、信息融合[6]等方面。這些研究標志著機器人集群領域的飛速發展，也促進了機器人集群技術向未來軍事應用轉化，使機器人集群成為改變未來戰爭的關鍵性力量。

圖1 機器人集群關鍵技術研究代表性成果 1 機器人集群作戰特點 隨著人工智能、網絡信息、增材制造等領域科學技術的飛速發展，戰爭形態也正從信息化戰爭向智能化戰爭加速推進。未來戰爭與傳統戰爭相比，一方面更注重能力的跨越式提升以拉開非線性優勢差距；另一方面隨著新理念、新技術、新模態的引入，未來戰爭將呈現空間多維化、時間實時化、對象多元化、樣式豐富化等特點，在機器人集群作戰上具體表現為以下四點。 1.1 機器人集群可協同并行作戰，加快行動決策速度未來戰爭中，由于信息技術、網絡技術、先進平臺技術、精確打擊等技術的有力支撐，機器人集群在信息共享水平、機動能力、火力反應能力將大幅度提高，其指揮控制決策速度也大大加快，殺傷鏈的時間大幅縮短，將顯著加快機器人集群的作戰節奏。基于這一深刻變革，傳統作戰理念也受到顛覆，作戰群的作戰速度將不再受最慢的作戰單元制約，而是由最敏捷的單元決定。 1.2 機器人集群可快速模塊重組，提高部隊恢復能力 在未來消耗作戰中，由機器人集群代替有人作戰部隊，可大幅降低人員傷亡，控制作戰損失。模塊化構建的機器人單元基于通用接口進行分系統整合，該架構可在滿足多任務要求的同時降低成本，支持單體的批量化生產，并在戰場消耗中具備快速恢復能力。 1.3 機器人集群可動態調節編成，增強多任務靈活性機器人集群以功能簡單、成本較低的單元節點為載體，通過眾多異構機器人單元進行靈活編成，利用節點間通信交互進行信息共享，以優化的編組配置進行高效能作戰，提高機器人集群的多任務能力。 1.4 機器人集群可智能相互替代，提升體系作戰效能體系化作戰是未來作戰的主要模式，在網絡信息體系下，機器人集群的各單元、各編組間相互協同，可實現作戰效能倍增。機器人集群通過無中心化協作，在部分節點毀傷失效時，通過智能補位，消除失效點，增強體系魯棒性，提升體系作戰效能。在未來戰爭需求牽引下，機器人集群依據自身立體化、小型化、無人化、智能化特點，顯著加快了作戰節奏，提高了作戰單元的自主協同水平，形成了基于網絡信息體系的聯合作戰能力。

2 機器人集群軍事應用研究現狀目前，世界軍事強國正在組建機器人協同作戰體系，部分機器人集群已開始執行偵察和監視任務，替代士兵站崗放哨、排雷除爆。美國、俄羅斯、以色列等國家正通過頂層規劃和項目布局等推進機器人從單元到集群的關鍵技術和武器裝備發展。

2.1 美國 美軍在2004年僅有163個地面機器人，2007年增長為5000個，至少10款智能戰爭機器人在伊拉克和阿富汗“服役”。美軍無人系統發展正進入高效提升整個譜系能力、全面推進概念技術融合、逐步推動裝備更新拓展的新時期。

2017年３月，美國陸軍發布《機器人與自主系統戰略》，指出無人作戰系統發展的遠期目標（2030-2040年）不應局限于單個機器人各自為戰，而應實現多個機器人系統的組合作戰。2018年3月，美國海軍完成《海軍部無人系統戰略路線圖》；2018年8月，美國防部發布第5版無人系統綜合路線圖《2017-2042財年無人系統綜合路線圖》，明確指出無人系統的互操作性、自主性、網絡安全和人機合作是未來無人系統發展的關鍵技術。

**美軍已經多次將作戰機器人應用于實戰，比如北美奎尼提克公司研制的“模塊化先進武裝機器人系統”、福斯特－米勒公司研制的TALON作戰機器人、奎奈蒂克公司研制的MAARS地面無人作戰平臺等。**這些機器人除了可以攜帶槍械進行正面作戰之外，還具備戰場救死扶傷以及引爆炸藥的功能，兼具火力、救護、排爆的多功能特色，可以有效減少美軍士兵的戰場傷亡。在近期擊斃極端組織頭目巴格達迪的作戰行動中，美軍作戰機器人再次成功用于關鍵時刻爆發的黑夜室內槍戰，彌補特種部隊夜間射擊精準度低的劣勢。 2.2 俄羅斯 **近年來，俄軍實施大規模武器裝備現代化升級計劃。**2019年11月22日，俄羅斯總統普京表示，俄軍隊現代武器裝備占比已超過68％，未來這一占比將提升至70％并穩定維持在這一水平。研制能獨立完成戰場作戰任務的機器人，一直是俄軍方和研發機構的努力方向。俄羅斯將于2020年開始制訂《機器人部隊組建任務路線圖》，并準備在2025年前完成有關科學研究、試驗設計和組建機器人部隊等一系列計劃，然后將這一新型部隊納入俄軍管理體系。 據報道，**俄羅斯目前研制的作戰機器人將使用5種自動操作平臺，分別執行安保、運輸、加油等任務。****俄軍方和機器人研發機構今年以來對新研制的作戰機器人進行了協同配合演練，取得良好效果。**部分機器人已經被送至敘利亞以接受實戰檢驗，在圍攻拉塔基亞省754.5高地的極端勢力戰斗中，俄羅斯投入了4臺履帶式“平臺”Ｍ戰斗機器人和2臺輪式“阿爾戈”戰斗機器人及至少一架無人機。機器人集群的運用使俄敘聯軍僅僅20分鐘就取得了殲滅70名武裝分子，己方僅4人受傷的輝煌戰果。 2.3 以色列 **以色列在人工智能和機器人領域的技術實力被認為媲美“硅谷”。**憑借強大的科技實力，目前以色列已建成一支縱橫海陸空的“機器人軍團”，協助執行邊境巡邏、情報收集、作戰輔助和攻擊等多種任務，該軍團在以色列國防軍的歷次作戰行動中發揮了重要作用。以色列“機器人軍團”的主要機器人裝備型號為：UGV守護者無人戰車、USV“銀色馬林魚”多功能無人水面艇、以及以“蒼鷺”以代表的各型無人機等。

此外，以色列還正在加快組建士兵與機器人混成編隊的戰斗部隊，以使機器人戰士接到任務后依靠人工智能、大數據分析等技術，自動與人交流并分配工作。 3 機器人集群關鍵技術體系圍繞未來戰斗力生成的迫切需求，面向應用場景下的機器人集群效能動態釋放，以機器人單元的單體智能技術為基礎，以機器人間群體智能技術為關鍵，以匯聚認知決策能力的體系智能技術為導向，形成開放兼容、蓬勃發展的機器人集群關鍵技術體系。機器人集群關鍵技術體系涵蓋了決策層的體系技術，連接層的群體技術、以及節點層的單體技術。 3.1 體系智能技術 機器人集群要適應跨域、聯合作戰等復雜場景，作戰要素種類繁多，需要依托感知、認知、決策、控制以及人機融合等先進算法，打造機器人集群體系的效能匯聚能力，驅動作戰力量的動態組織，優化戰場資源配置，形成機器人集群體系智能技術架構。體系智能技術主要包括分布式作戰管理與優化技術、人機協作與融合技術、基于多種學習方法的策略生成技術。

3.1.1 分布式作戰管理與優化技術

未來戰爭的對抗模式強調體系與體系之間的對抗[11]，多種異構跨域裝備形成的作戰體系戰斗力直接決定了軍隊的戰斗力強弱[12]。通過分布式協同處理架構[13]，使規劃控制算法、態勢感知及人機交互技術集成于分布式作戰管理軟件中，將規劃與控制分散[14]，保證機器人集群的通信和協調穩定性[15]，使作戰編隊在復雜環境下也能夠高效執行任務。通過基于多智能體的體系作戰效能優化，可迅速尋找到作戰能力增長點，有望迅速提升機器人集群作戰效能。 3.1.2 人機協作與融合技術

人工智能技術尚不足以支撐其完全取代人完成所有任務[16]，因此采用人機協作[17]方式可以發揮人與機器的不同特長，結合人與機器的智能，以做出更有效的戰場決策。人機協作與融合技術結合了機器智能可快速、低成本存儲、比較、檢索、排序的特點與人腦善于聯想、推理、分析、歸納的能力特點，實現智能的共同演進和優化。 3.1.3 基于多種學習方法的策略生成技術

決策是機器人集群智能化作戰中的關鍵性步驟，有望成為機器人集群作戰能力的倍增器，因此發展高度智能的機器人集群作戰策略生成技術迫在眉睫。針對復雜環境中的作戰任務要求，建立基于監督學習[18]、無監督學習[19]、增強學習[20]等方法的體系智能協同理論和分布式協同管理框架，探索協同控制策略生成機理[21]，提升機器人集群體系在多變戰場態勢中的作戰能力。 3.2 群體智能技術 圍繞提升機器人集群分布式模塊化跨域協同能力的迫切需求，機器人集群全域協同作戰網絡關鍵技術研發要以“萬物互聯、機器互識、邊緣智能、安全可信”為基本方針，提升復雜強對抗環境中鏈路受限狀態下機器人集群不完全信息的態勢理解、抗干擾自適應傳輸、抗毀自組織網絡、邊緣快速協同決策、語義協同互操作與精確模糊控制能力為重點。群體智能技術體系主要包括大規模抗干擾彈性組網融合技術、協同感知技術、智能任務分配技術等。

****3.2.1 大規模抗干擾彈性組網融合技術

機器人集群的協同首先依賴可靠的大規模、抗干擾組網通信技術[22]。從早期單信道呼叫網到如今的數字移動通信網，研究者一直在尋找穩定高效的抗干擾無線通信系統，尤其是在復雜電磁環境及通信拒止條件下，進行通信頻道檢測、帶寬性能優化、自適應傳輸、智能故障診斷與修復就顯得尤為重要[23]。基于大規模彈性組網[24]，機間相對定位[25]，綜合抗強干擾[26]等技術基礎，解決蜂群無人機拒止環境作戰中通信保障、網絡無法互聯互通時節點的間態勢共享和協同信息交互、拒止環境下相對定位問題。 ****3.2.2 協同感知技術

戰場態勢信息的高效可靠獲取是突破“電磁迷霧”[27]并取得未來戰場制信息權的基礎和關鍵。研究基于多傳感器目標跟蹤的數據時空對準技術[28]、多傳感器數據融合中的數據預處理技術[29]、多傳感器數據融合并行處理技術[30]、信號參數隨機變化下的分布式檢測融合技術[31]，開發面向多領域、多功能應用的多傳感器信息融合系統。構建機器人集群全維信息感知能力，以確保對戰場態勢立體實時監控，實現戰場環境及態勢對我方單向透明，將支持機器人集群有效塑造戰場態勢。 ****3.2.3 智能任務分配與優化技術

智能任務分配技術考慮集群數量、戰場環境、目標價值及單元能力約束等，通過優化將不同任務分配給機器人單元，使機器人集群完成預定的偵察、干擾、攻擊任務，提高作戰效能的技術。這一問題屬于NP難度問題，可通過運籌學進行建模[32]，并使用時間序列方法[33]、博弈論方法[34]、遺傳算法[35]、粒子群算法[36]、蟻群算法[37]等進行資源分配，再運用整數規劃方法[38]、市場競拍機制算法[24]、自組織算法[39]等進行目標分配。 3.3 單體智能技術 機器人單體功能是通過機器人所搭載的各類感知和執行設備在其核心計算單元控制下完成的。為形成機器人集群的整體作戰能力，將從節點機器人模塊化可重構技術、智能仿生技術、自主控制技術等為重點進行軟硬件技術突破。 ****3.3.1 模塊化可重構技術

模塊化和可重構的設計理念使得機器人具備了固定形態機器人難以企及的靈活性、易維護性，極大地降低了系統的維護成本[40]。模塊化可重構技術包括模塊化電器系統建模技術[41]、一體化關節技術[42]、軟體序列自重構技術[43]、機器人編程技術[44]、傳感器模塊化技術、能源管理模塊化技術，開發快速設計仿真技術[45]等，通過突破先進機械制造技術，構建覆蓋多重作戰域的機器人集群裝備。 3.3.2 智能仿生技術

仿生技術是通過研究生物系統的結構和性質，為機器人設計提供新原理，并賦予機器人新能力。研究仿人形機器人的感知與控制技術、高性能仿生材料應用技術、視覺仿生探測技術[46]、聽覺仿生探測技術[47]、觸覺處理技術[58]、復雜環境下多信息獲取與融合技術[49]，開發接近生物原型的智能仿生機器人本體結構[50]，如開發水下機器魚[51]、壁面爬行機器人[52]、地面機器狗[53]、類人機器人[54]等本體結構。 ****3.3.3 自主控制技術

自主控制技術使機器人能夠自主判斷戰場環境，自主調整和控制單元行為，在通信中斷、指控受限的情況下完成任務。為使機器人單元具備自主控制能力，需研究基于計算機視覺的三維地圖構建技術[55]、室內定位技術[56]、自主導航技術[57]、目標跟蹤技術[58]、機器人及機械手臂自主控制技術[59]、機器人軌跡跟蹤控制技術[60]，研究復雜環境下機器人的多功能自主控制技術[61]。 4 機器人集群未來發展趨勢 4.1 機器人集群將成為主體作戰裝備，顛覆作戰攻防模式 隨著人工智能技術的發展，機器人集群及其他群化智能無人裝備的數量將會迎來爆發性增長。因為機器人集群裝備的智能化水平高、任務靈活性強、機動靈活，其將迅速成為執行戰場任務的最佳選擇，甚至機器人集群的作戰效能將直接影響戰爭的勝負。由于機器人集群網絡化、智能化、無人化的特點，其會加快戰斗節奏，模糊前線/后方概念，并依據機器人集群執行命令堅決、低成本可犧牲等特點，形成新的制勝戰法。 4.2 機器人集群將成建制形成戰斗力，改變軍事力量編成 機器人集群可形成扁平化的指揮控制系統，并高效傳達、執行既定作戰命令，因此機器人集群有望單獨組建為特種部隊，執行關鍵性作戰任務。機器人集群的兵力配置可根據任務隨時調整，可成建制替代現有有人部隊，勝任連排級任務清單要求，使作戰人員決勝于千里之外。 4.3 機器人集群將進行跨域協同作戰，影響軍兵種作戰體系 機器人集群的單元節點在逐漸復雜化、多棲化，由最初的地面人形機器人、地面無人車、空中無人機、水面無人艇、水下潛航器單打獨斗，向跨域聯合立體作戰發展。機器人集群跨域協同作戰可全面提升全域作戰能力，這將改變各類軍兵種作戰分工，通過機器人集群的作戰運用促進兵種間的協同配合。 4.4 機器人集群將重塑后勤保障系統，擴大部隊的作戰范圍當前有人部隊的作戰能力往往受到后勤保障能力制約，例如伊拉克戰爭中美軍第四裝甲師的M1A2坦克由于續航里程只有400多千米，只能中途停止突擊，等待油料補給，嚴重制約了裝甲部隊的縱深打擊能力。運用機器人集群擔負后勤運輸任務，可解放戰斗兵力，提高后勤保障效率，以支持未來有人/無人作戰部隊的遠距離、持續作戰。 結 語 隨著機器人集群領域技術的跨越式發展，機器人集群已經逐步在全域聯合作戰體系中體現出巨大的應用潛力。世界軍事強國紛紛開展機器人集群的協同作戰項目，以推進相關技術在未來無人化、智能化戰爭中的應用，并形成了體系智能、群體智能、單體智能三層的機器人集群關鍵技術體系。該技術體系的整體突破將促進機器人集群的實戰化運用，有望形成一支立體化、特戰化、小型化、模塊化、智能化的快速反應作戰力量。

【參考文獻】 [1]RUBENSTEIN M,CORNEJO A, NAGPAL R. Programmable self-assembly in a thousand-robot swarm[J].Science, 2014, 345(6198):795-799. [2]BUDENSKE J, MURRAY L. Decentralized control methods forself-organizing collaborative robotic teams[J]. International Society forOptics and Photonics, 2018, 10651:106510J. [3]LAGOUDAKIS M G, MARKAKISE, KEMPE D. Auction-based multi-robot routing[J]. Robotics: Science and Systems,2005, 5:343-350. [4]BEAL J, CLEVELAND J,USBECK K. Self-stabilizing robot team formation with proto: IEEE self-adaptiveand self-organizing systems 2012 demo entry[C]//IEEE Sixth InternationalConference on Self-Adaptive and Self-Organizing Systems. Lyon: IEEE Press,2012:233-234. [5]LI M, LU K, ZHU H.Robot swarm communication networks: Architectures, protocols andapplications[C]//Third International Conference on Communications andNetworking. Hangzhou: IEEE Press, 2008:162-166. [6]STROUPE A W, MARTINM C, BALCH T. Distributed sensor fusion for object position estimation bymulti-robot systems[C]//IEEE International Conference on Robotics andAutomation. Seoul: IEEE Press, 2001, 2:1092-1098. [7]AYARI A, BOUAMAMA S.A new multiple robot path planning algorithm: dynamic distributed particleswarm optimization[J]. Robotics & Biomimetics, 2017, 4(1):8. [8]WEI H, LV Q, DUO N.Consensus algorithms based multi-robot formation control under noise and timedelay conditions[J]. Applied Sciences, 2019, 9(5): 1004. [9]MING L, LU K, HUA Z.Robot swarm communication networks: architectures, protocols, andapplications[C]//Third International Conference on Communications &Networking. Hangzhou: IEEE Press, 2008: 162-166. [10]BERLINGER F, GAUCIM, NAGPAL R. Implicit coordination for 3D underwater collective behaviors in afish-inspired robot swarm[J]. Science Robotics, 2021, 6(50): . [11]董良東,陳曉,曾興善. 武器裝備體系效能評估方法研究[J]. 兵工自動化, 2008, 27(2):30-31. [12]JOHNSON I R, MACKAY NJ. Lanchester models and the battle of Britain[J]. Naval Research Logistics,2008, 58(3):210-222. [13]王彤,李磊,蔣琪.美國DBM項目推進分布式指揮控制能力發展[J].戰術導彈技術, 2019 (1):25-32. [14]AZARM K, SCHMIDT G.Conflict-free motion of multiple mobile robots based on decentralized motion planningand negotiation[C]// Proceedings of International Conference on Robotics andAutomation. Albuquerque: IEEE Press, 1997: 3526-3533. [15]FUCHSEN R. Preparingthe next generation of IMA: A new technology for the scarlettprogram[C]//IEEE/AIAA 28th Digital Avionics Systems Conference. Orlando: IEEEPress, 2009: 5-8. [16]COPELAND B J,PROUDFOOT D. Artificial intelligence: History, foundations, and philosophicalissues[J]. Philosophy of Psychology & Cognitive Science, 2007,77(1):429-482. [17]CHAROENSEANG S, TONGGOEDT. Human-robot collaboration with augmented reality[J]. Communications inComputer & Information Science, 2011:93-97. [18]VOROBYEV G, VARDY A,BANZHAF W. Supervised learning in robotic swarms: from training samples toemergent behavior[M]. Berlin: Springer, 2014:435-448. [19]YUWONO M, SU S W,MOULTON B. Fast unsupervised learning method for rapid estimation of clustercentroids[C]//IEEE Congress on Evolutionary Computation. Brisbane: IEEE Press,2012:1-8. [20]IIMA H, KUROE Y.Swarm reinforcement learning method for a multi-robot formationproblem[C]//IEEE International Conference on Systems, Man, and Cybernetics.Manchester: IEEE Press, 2013: 2298-2303. [21]杭飛. 基于博弈論的多智能體協同控制算法[J]. 電腦與信息技術, 2014, 22(2):14-17. [22]CAO Y U, FUKUNAGA AS, KAHNG A B. Cooperative mobile robotics: Antecedents and directions[J].Autonomous Robots, 1997, 4(1): 7 27. [23]TSENG Y C, NI S Y,SHIH E Y. Adaptive approaches to relieving broadcast storms in a wirelessmultihop mobile Ad Hoc network[J]. IEEE Transactions on Computers, 2003, 52(5):545-557. [24]CHENG Q, YIN D, YANGJ. An auction-based multiple constraints task allocation algorithm formulti-UAV system[C]//2016 International Conference on Cybernetics, Robotics andControl (CRC). Hong Kong: IEEE Press, 2016: 1-5. [25]WANG L, DAI J, CHENGQ. Cooperative control of robotic swarm based on self-organized method andhuman swarm interaction[C]// 2018 WRC Symposium on Advanced Robotics andAutomation. [S.l.]: IEEE Press, 2018: 129-134. [26]施淼淼. 面向IDGPS機器人集群通信鏈路故障檢測與恢復[D]. 南京：南京理工大學, 2009. [27]廖方圓,周華吉,李京華，等.無人機群通信網絡態勢感知研究現狀與發展趨勢[J].航空兵器, 2019, 26(4):16-22. [28]張娟,徐德,張正濤，等.基于多路顯微視覺的微零件自動對準策略[J].機器人,2014,36(1):69-75. [29]雷旭升,白浪,洪曄，等.基于自適應遺傳算法的小型無人旋翼機系統辨識方法[J].機器人,2011,33(5):528-532. [30]沈悅明,陳啟軍.一種基于任務的機器人全局并行算法研究及實現[J].機器人,2003,25(6):495-500. [31]王文.面向機器人跟隨作業的目標人跟蹤[D]. 杭州：浙江大學,2018. [32]BRIAN P G, MAJA J M.A framework for studying multi-robot task allocation[C]//In Multi-RobotSystems: From Swarms to Intelligent Automata Conference. Los Angles: KluwerAcademic, 2003:15-26. [33]MEI Z, PENG Z, ZHANGX. Optimal dynamic weapon-target assignment based on receding horizon controlheuristic[C]//13th IEEE International Conference on Control & Automation.Ohrid: IEEE Press, 2017: 876-881. [34]BARDHAN R, BERA T,SUNDARAM S. A decentralized game theoretic approach for team formation and taskassignment by autonomous unmanned aerial vehicles[C]//2017 InternationalConference on Unmanned Aircraft Systems. Miami: IEEE Press, 2017: 432-437. [35]JIA Z, YU J, AI X.Cooperative multiple task assignment problem with stochastic velocities andtime windows for heterogeneous unmanned aerial vehicles using a Geneticalgorithm[J]. Aerospace Science and Technology, 2018, 76: 112-125. [36]ZHOU D, LI X, PAN Q.Multiobjective weapon-target assignment problem by two-stage evolutionarymulti-objective particle swarm optimization[C]//IEEE International Conferenceon Information and Automation. IEEE Press, 2016: 921-926. [37]LI Y, KOU Y, LI Z. Amodified pareto ant colony optimization approach to solve biobjectiveweapon-target assignment problem[J]. International Journal of Aerospace Engineering,2017:1746124. [38]RADMANESH M, KUMARM. Flight formation of UAVs in presence of moving obstacles using fast-dynamicmixed integer linear programming[J]. Aerospace Science and Technology, 2016,50: 149-160. [39]WANG L, DAI J, CHENGQ. Cooperative control of robotic swarm based on self-organized method andhuman swarm interaction[C]//WRC Symposium on Advanced Robotics and Automation.IEEE Press, 2018: 129-134. [40]DAI J S, ZOPPI M,KONG X. Advances in Reconfigurable Mechanisms and Robots I[M]. London: Springer,2012. [41]BORDIGNON M, SCHULTZU P, STOY K. Model-Based Kinematics Generation for Modular MechatronicToolkits[J]. ACM SIGPLAN Notices, 2010, 46(2): 157-166. [42]BOUMANS R, HEEMSKERKC. The European Robotic Arm for the International Space Station[J]. Roboticsand Autonomous Systems, 1998, 23(1): 17-27. [43]劉佳鵬,王江北,丁燁，等. 晶格型模塊化軟體機器人自重構序列[J]. 上海交通大學學報,2021,55(2):111-116. [44]DE ROSA M, GOLDSTEINS C, LEE P. Programming modular robots with locally distributedpredicates[C]//International Conference on Robotics and Automation, 2008:3156-3162. [45]溫寬昌.基于ROS的碼垛機器人運動仿真及軌跡規劃[D]. 哈爾濱：哈爾濱工業大學,2016. [46]王國彪,陳殿生,陳科位，等.仿生機器人研究現狀與發展趨勢[J].機械工程學報,2015,51(13):27-44. [47]KUNTZMAN M L,MICHAEL L, HALL N A. Sound source localization inspired by the ears of theormiaochracea[J]. Applied Physics Letters, 2014,105(3): 1-5. [48]HANNAFORD B, OKAMURAA M. Haptics[M]. Handbook of Robotics. Cham: Springer, 2016: 1063-1084. [49]王斐, 齊歡, 周星群，等. 基于多源信息融合的協作機器人演示編程及優化方法[J]. 機器人, 2018, 40(4): 551-559. [50]SCHILLING N，CARRIER D R．Function of theepaxial muscles in walking，trotting and galloping dogs: Implicationsfor the Evolution of Epaxial Muscle Function In Tetrapods[J]． Journal ofExperimental Biology, 2010, 213(9):490-502． [51]李宗剛,馬偉俊,葛立明，等.一種2自由度胸鰭推進仿生箱鲀機器魚轉彎特性研究[J].機器人,2016,38(5):593-602. [52]毛晨曦,沈煜年. 爪刺式飛行爬壁機器人的仿生機理與系統設計[J]. 機器人,2021,43(2):246-256. [53]劉冬琛,王軍政,汪首坤,等.一種基于并聯6自由度結構的電動輪足機器人[J].機器人,2019, 41(1):65-74. [54]龔道雄,何睿,于建均,等.一種氣動肌肉拮抗驅動機器人關節的類人運動控制方法[J].機器人,2019,41(6):803-812. [55]胡美玉,張云洲,秦操，等.基于深度卷積神經網絡的語義地圖構建[J].機器人,2019,41(4):452-463. [56]高云峰,周倫,呂明睿，等.自主移動機器人室內定位方法研究綜述[J].傳感器與微系統,2013,32(12):1-5. [57]孔令文,李鵬永,杜巧玲.基于模糊神經網絡的六足機器人自主導航閉環控制系統設計[J].機器人,2018(1):16-23. [58]蘇贇,王挺,姚辰，等.基于合作目標的無人機目標跟蹤方法[J].機器人,2019(4):3. [59]王明,黃攀峰,常海濤，等.基于機械臂耦合力矩評估的組合航天器姿態協調控制[J].機器人,2015,37(1):25-34. [60]鄒強,叢明,劉冬，等.基于生物認知的移動機器人路徑規劃方法[J].機器人,2018,40(6):894-902. [61]陳衛東,董勝龍,席裕庚.基于開放式多智能體結構的分布式自主機器人系統[J].機器人,2001,23(1):45-50. （全文完）

摘要

為了能夠在一個日益脆弱的世界中捍衛自己的生活方式和價值觀，團結在北約框架內的西方民主國家必須有能力在必要時 "以機器速度作戰"。為此，國防領域的數字化不能只局限于后勤、維護、情報、監視和偵察，而必須同樣能夠實現負責任的武器交戰。以歐洲未來戰斗航空系統（FCAS）為重點，我們討論了基于人工智能的武器系統的道德統一系統工程的各個方面，這可能會在國際社會中找到更廣泛的同意[1]。在FCAS計劃中，這是自二戰以來歐洲最大的軍備努力，有人駕駛的噴氣式飛機是一個網絡系統的元素，無人駕駛的 "遠程載體 "保護飛行員并協助他們完成戰斗任務。鑒于正在進行的辯論，德國國防部長已經強調。"歐洲戰略自主的想法走得太遠了，如果它被認為意味著我們可以在沒有北約和美國的情況下保證歐洲的安全、穩定和繁榮。那是一種幻覺[2]"。在這個意義上，FCAS與北約的目標是一致的。

引言

"武器的殺傷力越大，影響越深遠，就越需要武器背后的人知道他們在做什么，"沃爾夫-馮-鮑迪辛將軍（1907-1993）說，他是1955年成立的二戰后德國聯邦國防軍的富有遠見的設計師（見圖1）。"如果沒有對道德領域的承諾，士兵就有可能成為一個單純的暴力功能者和管理者"。他深思熟慮地補充道。"如果僅僅從功能的角度來看，也就是說，如果要實現的目標在任何情況下都高于人，那么武裝部隊將成為一種危險[3]"。

弗朗西斯-培根（1561-1626）關于實現權力是所有知識的意義的聲明標志著現代項目的開始[4]。然而，自從人工智能（AI）在國防領域出現后，旨在造福人類的技術可能會反過來影響它。這種類型的工具性知識使現代危機像在聚光燈下一樣明顯。關于人的倫理知識，關于人的本質和目的，必須補充培根式的知識。有一種 "人的生態學"，一位德國教皇提醒德國議員說。"他不制造自己；他要對自己和他人負責[5]"。因此，任何符合倫理的工程必須是以人類為中心的。這對于國防領域的人工智能來說是最迫切的。因此，數字倫理和相應的精神和道德是必不可少的技能，要與卓越的技術同時系統地建立起來。因此，領導哲學和個性發展計劃應鼓勵設計和使用基于人工智能的防御系統的道德能力。

北約STO的科技界如何在技術上支持負責任地使用我們從人工智能中收獲的巨大力量？為了更具體地論證，讓我們以德國聯邦國防軍的文件為指導，從它在20世紀50年代成立的時候，也就是人工智能這個詞真正被創造出來的時候，到最近的聲明。由于這些武裝部隊已經從暴政和以當時高科技為特征的 "全面戰爭 "中吸取了教訓，他們似乎在概念上已經為掌握數字挑戰做了準備。這一點更是如此，因為聯邦國防軍是一支載于《德國基本法》的議會軍隊，它完全按照聯邦議院的具體授權行事，即以德國人民的名義行事。

國防領域的人工智能旨在將軍事決策者從常規或大規模任務中解脫出來，并 "馴服 "復雜性，讓他們做只有個人才能做的事情，即智能地感知情況并負責任地采取行動。自動化對聯邦國防軍的重要性很早就被認識到了。馮-鮑迪辛在1957年提出："然后，人類的智慧和人力將再次能夠被部署到適合人類的領域"[6]。從這個角度來看，武裝部隊作為基于人工智能的系統的使用者，并沒有面臨根本性的新挑戰，因為技術的發展一直在擴大感知和行動的范圍。

圖1："最高度機械化的戰斗需要[......]讓士兵意識到他們的責任，讓他們體驗到他們的行為和不行為的后果。"沃爾夫-馮-鮑迪辛（1954）? 聯邦國防軍

Drone Wars UK 的最新簡報著眼于人工智能目前在軍事環境中的應用方式，并考慮了所帶來的法律和道德、作戰和戰略風險。

人工智能 (AI)、自動決策和自主技術已經在日常生活中變得普遍，并為顯著改善社會提供了巨大的機會。智能手機、互聯網搜索引擎、人工智能個人助理和自動駕駛汽車是依賴人工智能運行的眾多產品和服務之一。然而，與所有技術一樣，如果人們對人工智能了解甚少、不受監管或以不適當或危險的方式使用它，它也會帶來風險。

在當前的 AI 應用程序中，機器為特定目的執行特定任務。概括性術語“計算方法”可能是描述此類系統的更好方式，這些系統與人類智能相去甚遠，但比傳統軟件具有更廣泛的問題解決能力。假設，人工智能最終可能能夠執行一系列認知功能，響應各種各樣的輸入數據，并理解和解決人腦可以解決的任何問題。盡管這是一些人工智能研究計劃的目標，但它仍然是一個遙遠的前景。

AI 并非孤立運行，而是在更廣泛的系統中充當“骨干”，以幫助系統實現其目的。用戶不會“購買”人工智能本身；他們購買使用人工智能的產品和服務，或使用新的人工智能技術升級舊系統。自主系統是能夠在沒有人工輸入的情況下執行任務的機器，它們依靠人工智能計算系統來解釋來自傳感器的信息，然后向執行器（例如電機、泵或武器）發出信號，從而對機器周圍的環境造成影響.

人工智能被世界軍事大國視為變革戰爭和獲得戰勝敵人的優勢的一種方式。人工智能的軍事應用已經開始進入作戰使用，具有令人擔憂的特性的新系統正在迅速推出。與軍事和公共部門相比，商業和學術界已經引領并繼續引領人工智能的發展，因為它們更適合投資資金和獲取研究所需的資源。因此，未來人工智能的軍事應用很可能是對商業領域開發的技術的改編。目前，人工智能正在以下軍事應用中采用：

• 情報、監視和偵察
• 賽博戰
• 電子戰
• 指揮控制和決策支持
• 無人機群
• 自主武器系統

人工智能和英國軍事

綜合審查和其他政府聲明毫無疑問地表明，政府非常重視人工智能的軍事應用，并打算繼續推進人工智能的發展。然而，盡管已經發布了概述使用自動化系統的學說的出版物，但迄今為止，英國國防部 (MoD) 仍然對管理其人工智能和自主系統使用的倫理框架保持沉默，盡管已經做出了一些重大決定。軍事人工智能的未來用途。

英國國防部一再承諾發布其國防人工智能戰略，預計該戰略將制定一套高級倫理原則，以控制軍事人工智能系統的整個生命周期。該戰略是在與來自學術界和工業界的選定專家討論后制定的，盡管政府尚未就與人工智能的軍事用途相關的倫理和其他問題進行公開磋商。該戰略的主要目的之一是向行業和公眾保證，國防部是人工智能項目合作的負責任合作伙伴。

與此同時，在沒有任何道德指南的情況下，計劃和政策正在迅速推進，主要問題仍未得到解答。英國軍隊在什么情況下會采用人工智能技術？政府認為何種程度的人為控制是合適的？風險將如何解決？英國將如何向其盟友和對手證明英國打算采取有原則的方法來使用軍事人工智能技術？

軍事人工智能系統帶來的風險 上述人工智能的每一種不同的軍事應用都會帶來不同的風險因素。作為國防部總部后臺操作的一部分，對數據進行排序的算法會引發不同的問題和擔憂，并且需要與自主武器系統不同級別的審查。

盡管如此，目前正在開發的人工智能系統無疑會對生命、人權和福祉構成威脅。軍事人工智能系統帶來的風險可以分為三類：道德和法律、操作和戰略。

道德和法律風險

• 遵守戰爭法： 目前尚不清楚機器人系統，特別是自主武器如何能夠滿足戰爭法制定的致命決定和保護非戰斗人員的標準。

-問責制：目前尚不清楚如果出現問題，誰來承擔責任：如果計算機運行不可預測并因此犯下戰爭罪行，懲罰它是沒有意義的。

• 人權和隱私：人工智能系統對人權和個人隱私構成潛在威脅。

• 不當使用：在戰斗環境中處于壓力之下的部隊可能會試圖修改技術以克服安全功能和控制。

作戰應用風險

• 偏見的技術來源：人工智能系統的好壞取決于它們的訓練數據，少量損壞的訓練數據會對系統的性能產生很大影響。

• 偏見的人為來源：當人類濫用系統或誤解其輸出時，可能會導致偏見。當作戰員不信任系統或系統非常復雜以至于其輸出無法解釋時，也會發生這種情況。

• 惡意操縱：軍用 AI 系統與所有聯網系統一樣，容易受到惡意行為者的攻擊，這些行為者可能試圖干擾、黑客攻擊或欺騙系統。

戰略風險

• 降低門檻：人工智能系統帶來了政治領導人在沖突中訴諸使用自主軍事系統而不是尋求非軍事選擇的風險。

• 升級管理：涉及人工智能的軍事行動的執行速度降低了審議和談判的空間，可能導致快速意外升級并造成嚴重后果。

• 軍備競賽和擴散：對軍事人工智能的追求似乎已經引發了軍備競賽，主要和地區大國競相發展其能力以保持領先于競爭對手。

• 戰略穩定性：如果先進的人工智能系統發展到能夠預測敵人戰術或部隊部署的程度，這可能會產生高度不穩定的后果。

本簡報列出了為人工智能設想的各種軍事應用，并強調了它們造成傷害的可能性。它認為，減輕軍事人工智能系統帶來的風險的建議必須基于確保人工智能系統始終處于人類監督之下的原則。

迄今為止，公眾對人工智能和機器人技術進步所帶來的社會變化和風險似乎知之甚少。這份簡報的部分目的是為了敲響警鐘。人工智能可以而且應該用于改善工作場所的條件和對公眾的服務，而不是增加戰爭的殺傷力。