近年来，人工智能技术取得了突破。各国都认识到人工智能技术的战略意义，纷纷从国家战略层面加紧部署，加强人工智能在军事领域的应用。研究与应用。美国将人工智能视为“改变游戏规则”的颠覆性技术，美国国防部也明确将人工智能视为第三次“抵消战略”的重要技术支柱。该战略围绕抵消中俄不对称制衡能力，构建智能作战体系，发展颠覆性前沿技术。根据美军的作战条令JP5-0《联合作战计划》，美军的作战计划流程，即联合作战计划流程（JointOperationsPlanningProcess，简称JOPP），包括：接受任务、任务分析、行动计划生成、行动计划分析、推演和评估，以及行动计划的执行。目前，美军已将人工智能技术广泛应用到作战规划的全过程。比如美国陆军的“深绿”系统，从接受任务到生成行动计划的三个步骤，以及美国空军的Alpha，都采用了人工智能技术。AI空战模拟系统在模拟环境下，将人工智能技术运用到整个作战规划过程中。本文梳理了作战规划过程中可以使用的各种人工智能技术。1.用于任务分析的人工智能在任务分析阶段，分析人员需要对信息进行处理和融合，生成通用作战图（COP）。为了完成这个任务，分析师需要对接收到的信息进行分类并确定当前情况以构建动态更新的COP，还需要检测友好系统是否被欺骗。借助信息融合技术，战术级系统可以根据接收到的情报报告顺序自动生成战术级COP。任务分析过程中的信息处理可以分为三种类型：发现信息、编辑信息和检测信息异常。1.1发现信息通常，发现信息需要找到与特定主题相关的相似文档。如果所有文件都有与主题相关的元标记，处理速度会更快。元标签的标记过程可以使用半监督学习实现自动化。Salakhutdinov和Hinton提出了一种方法，以深度自动编码器的形式使用深度学习算法，将高维文档输入向量转换为低维特征向量空间，其中相邻向量相似，相似文档对应。自动编码器的学习过程可以作为一种无监督学习的形式来执行。少量主题标记的样本可用于在特征向量空间中定义特定的聚类，并使用这些聚类构建自动元标记算法。图1深度语义哈希算法1.2编辑信息在发现信息后，人工智能算法可以用来确定文档中与特定主题相关的实体。例如，提取与后勤相关的项目和数字可以加快部队调动的规划过程。在自然语言处理中，这个问题被称为命名实体识别，将神经网络与命名实体词典相结合可以产生很好的效果。图2实体识别算法1.3异常信息检测异常信息检测通常基于深度自动编码器技术。正常数据点位于自编码器构建的模型的非线性低维嵌入坐标中。因此，当自动编码器检测到正常数据点解码时，重构错误较少，但对于异常信息的重构错误较多。这种方法可用于各种问题，包括检测接收到的传感器数据中的异常和标记异常报告。此外，最近的研究成果还可以区分两个句子之间是否存在冲突。图3异常检测算法2.人工智能行动计划（COA）生成对于计划过程，人工智能与模拟环境相结合的方法已经比较成熟，可以采用深度强化学习算法来制定行动计划。该算法可以在模拟环境中进行试错实验，以衡量不同计划的预期效果。模拟环境应尽可能贴近现实，反映战场上各种作战行动的效果，以及道德、后勤补给、难民等其他因素对作战行动的影响。2008年，美国国防高级研究计划局（DARPA）开发了一种名为“深绿”的军事战术指挥和控制系统，可以为指挥官生成行动计划，使他们能够更主动地管理作战行动。2009年，DARPA将该项目移交美国陆军。图4强化学习算法3.人工智能用于行动计划分析和推导在计划过程中，可以使用定性方法对计划进行分析。对于定性COA分析，当多个COA已由不同的规划小组提出时，概念框架可用于注册领域专家对这些COA的评论。这些专家使用模板来创建结构化审查并系统地评估不同的COA。各方面都有特点。然后，可以使用区分各种辩论模型之间异同的框架来选择和总结领域专家对不同COA的评论，这种方法可以对替代COA进行结构化分析。COA除了定性分析外，还可以采用定量分析的方法。Abbass和Bender在文章《计算红蓝对抗：过去、现在和未来》中提出，可以利用人工智能和多智能体系统的结合来进行红蓝对抗。这种方法可以让指挥员在动态推演过程中了解各种行动方案的优劣和事态可能的发展，评估各种行动方案的优劣，了解敌方行动。此外，北约最近利用大规模并行模拟、数据分析和可视化等数据农业技术开发了用于决策支持的数据农业系统，该系统分析了来自不同仿真系统的数十万个模拟输出，以获得地面作战规划结果。这是一种将模拟与大数据分析相结合的方法。4.用于计划执行的人工智能4.1为指挥官生成备选行动计划。在执行计划时，可以利用人工智能技术对战场信息进行快速整合分析，将结果发送给指挥员。在高压战场环境下，指挥员需要准确的信息来做出关键决策，但指挥员通常会获取大量信息，容易出现信息过载的风险。当信息没有以合乎逻辑、简洁和有意义的形式呈现给指挥官时，就会出现问题。在计划执行过程中，战场形势瞬息万变，原计划随时可能失效，指挥员需要更快的重新计划能力。人工智能技术可以为指挥官提供及时的替代方案。机器学习可用于制定战斗策略。然而，许多机器学习算法的速度不够快，无法让代理在空战等环境中找到最佳作战策略。Q-learning是一种强化学习算法，可用于空战目标分配。该算法无需使用大型数据集或推理信息即可学习最佳代理状态和行为组合。有时，人工智能算法需要一套针对类似场景的行为原则。在这种情况下，可以使用迁移学习来减少学习时间。例如，在学习不同2v2空战场景的战斗规则时，可以使用已经有2v1空战场景经验的agent。实验研究表明，此类代理具有战斗优势，因为进一步的学习被最小化了。使用迁移学习快速开发代理在新场景中的行为。4.2简化员工工作流程在计划执行过程中，可以利用人工智能技术自动生成报告摘要。在层级指挥结构中，上级需要接收下级的信息。如果没有报告和总结，上级就会收到过多的信息。传统的总结报告需要从原始文档中复制粘贴相关内容。目前可以采用sequence-to-sequence深度学习算法和summary生成方法对报告进行总结，从而加快报告的上报速度。此外，还可以采用将语音转换为文本的方法。目前的人工智能技术已经可以实现比较准确的语音识别能力。
