一提到AI和机器人，很多人脑海里首先想到的就是“后末世时代”那些恐怖而强大的超级智能机器”。无忌甚至霸占了整个世界，乃至整个宇宙。电影《终结者》可以说是人们对人工智能恐惧的典型具体体现。其中，天网这一基于计算机的人工智能防御系统，被影片称为“基于人工神经网络的集体意识与智能”。人工通用超级智能系统”。但目前看来，人工智能似乎并不像科幻小说中描述的那样充满敌意。相反，人工智能正在执行许多繁琐的传统手动任务，同时为我们带来各种自主系统，从识别到对话到预测分析模式匹配。相比科幻电影中夸张的想象力和创造力，现实中军事组织在人工智能领域的投入尤为真实。从帮助人类更好地完成现有任务的角度出发，实施“机器学习和人工智能并没有那么戏剧化。有趣的是，提高机器智能的过程反而使人类能够更好地理解和控制周围的环境。”美国机动和移动事务部人工智能和机器学习应用程序性能管理总监JohnFossaceca。陆军研究实验室，最近在人工智能会议（AIin政府），分享“人工智能如何处理各种日常场景？”，同时还介绍了“美国陆军自主机器人及其他技术的未来方向”。问：美国陆军目前如何使用人工智能技术？JohnFossaceca：陆军正在以多种方式使用人工智能技术，例如将其引入预测性维护。人工智能技术可以帮助我们在汽车出现故障之前预测如何更换或维修相关备件。通过这样做，我们将节省大量资金并提高操作安全性。目前，布拉德利战车等多种军用车辆都在尝试这一功能。陆军拥有大量数据，人工智能和机器学习技术一般都需要大规模的数据支持。以ProjectMaven为例，它使用无人机发回的数据来帮助分析人员自动执行某些军事任务。Maven项目使用一系列标准化的人工智能工具，例如谷歌的TensorFlow，以及陆军内部构建的定制工具。陆军还在积极研究使用人工智能来增强自动驾驶汽车、电子战和信号情报、传感器融合和增强现实等。人工智能将提高战场态势感知能力，并最终通过联合全域指挥与控制(JAD-C2)等项目改进军事决策。人工智能在军队中的另一个重要作用是实现更好的人才管理。目前，陆军人工智能特遣部队（AITF）正在积极利用人工智能技术寻找成功作战行动所需的能力和属性，并结合这些需求来识别潜在的军事人员。人工智能已成为作战能力发展司令部下属的陆军研究实验室（ARL）的主要研究领域。ARL可以看作是陆军内部的研发中心，管理着多个AI相关的项目。以一项名为“机动和机动性人工智能”(AIMM)的基础研究项目为例，其目标是指导陆军思考如何在无需人工干预的情况下为下一代战车(NGCV)实现良好的越野能力。这些下一代智能汽车可以根据特殊情况和环境条件进行推理，然后做出最佳行动决策。同时，他们可以向士兵发布态势报告，提高战场态势感知能力。ARL还有其他几个重要的研究项目，专注于用AI方法来推动创新，我相信所有这些都会为未来的陆军带来更强的作战能力。未来，美国陆军将在陆军未来司令部牵头的“融合”项目中，利用人工智能技术处理来自多个传感器的输入数据，以准确绘制战场威胁地图，同时加速瞄准和瞄准决策过程。问：陆军在使用人工智能/机器学习技术时面临哪些挑战？JohnFossaceca：“商业AI”依赖于庞大的计算资源和海量数据，其中云计算资源可以将处理结果及时返回给终端。但另一方面，“战场人工智能”受到边缘设备的限制——计算机处理器相对轻巧，在战场对抗环境中通信带宽可能会受到限制。在军队的实际应用中，我们通常没有足够的训练数据，现有的数据往往损坏或噪音太大。由于道路、建筑物和基础设施的损坏，运营环境也往往是动态的，有时甚至是混乱的。此外，我们需要处理来自多个来源的异构数据，其中一些甚至具有欺骗性或已被对手操纵。当前的人工智能技术往往非常脆弱，即使在理想的操作条件下也可能崩溃。它的推理能力也很有限，尤其是在实时推理方面。尽管一些已经部署的系统不断强调其AI能力，但其实际功能往往受到硬编码规则的限制，缺乏从传感器和其他系统收集输入并进行推理和推断的能力——更不用说提供增强的情境评估了.相当一部分人工智能方法依赖于“监督学习”（如深度学习）。这类技术会构建一个庞大的模型，通常需要以“批处理”的形式学习成数千万甚至数亿个参数。显然，陆军需要的是能够摆脱这些束缚，真正具备在线实时推理能力的解决方案。最后我们发现，现有的系统并不是真正的自动化，它仍然需要人为干预、干预甚至人工控制。早在2018年，我们就开始尝试通过反馈进行学习，人类观察者向智能代理提供积极或消极的信号。通过这种方式，我们证明学习时间可以大大减少。我们将这项研究扩展和总结为“示范性学习”，我们将在稍后进一步讨论这个话题。随着我们研究的进展，我们意识到我们需要一种与“智能代理”交互的自然方式。除了自然的对话和接触，由于AI缺乏对世界的常识和“朴素推理”的能力，很多问题都浮出水面。我们努力通过AIMM中的第二项工作——情境感知决策制定来应对这些挑战。问：陆军如何为人工智能/机器学习项目提供数据支持？JohnFossaceca：陆军和整个国防部正在进行大规模的数据收集和标记工作，为AI算法准备可用的数据资源。例如，ProjectMaven使用了大量来自无人机的镜头。有时，我们也会根据保密级别，通过众包技术进行数据标注。其他举措包括ARL的内部工作，例如从不同地点收集内部数据以及与研究伙伴合作组织和标记各种类型的地形数据。ARL在马里兰州有一个机器人研究协作园区(R2C2)，它在那里收集数据并进行各种自主实验。除了ProjectMaven之外，国防部还在使用高级工具进行情报分析。这些项目大多致力于利用深度学习方法检测图像中的特定物体，而实现的前提自然是要对大量数据进行清洗、整理和标注。此外，该项目还需要研究人员使用存储、算法工具包、计算资源、测试和部署工具来共同构建人工智能管道。为此，项目团队往往需要制定数据格式标准，以确保实验和测试场景之间的一致性，并为用户提供熟悉的环境。数据存储库本身也需要针对用户访问进行分类，同时确保其中的数据带有可用的描述。为了标准化跨多个数据库的信息访问，军方做出了一系列努力，旨在降低情报界使用人工智能结果的门槛。问：陆军将如何使用自动驾驶汽车来实现其机动性目标？JohnFossaceca：在陆军的机器人和自主系统（RAS）战略中，副参谋长DanielB.Allyn上将明确提到，“RAS的整合将有助于未来作为联合部队的重要组成部分，美国陆军获得克敌制势、保民保民、巩固利益的能力。RAS还将帮助未来陆军部队与其他多个领域的作战行动统一，从陆地到海洋、太空和网络投送力量，共同维护联合部队的作战和行动灵活性。”根据RAS战略的描述，“RAS的有效整合将提高美军保持高强度作战的能力，防止敌方做出有效反应。”陆军必须加紧建设自己的RAS能力。这是一场与敌人争夺速度的RAS军备竞赛。一旦落后，敌人就会用一系列的新战术来削弱美军的优势，吸取美军的系统性劣势。”为实现RAS战略的愿景，自动驾驶车辆必须能够保持“机动自由”，同时降低士兵伤亡的风险。这需要人与机器之间的自主协作。车辆将成为战场上的队友，而不仅仅是武器。这些“综合人机团队将帮助军队在不确定的条件下寻求、适应、战斗并最终获胜。”人工智能技术无疑是这些智能自主系统的关键驱动力之一。陆军还必须面对这样一个事实，即它的对手也将使用自主系统。在自主化水平不断提升的背景下，机器人自主系统将不再依赖通信链路——由于干扰和传输能力的限制，通信链路在战场条件下难以得到保证。从优先的角度来看，RAS战略要求在短期内提高态势感知能力，并帮助减轻士兵的身体负担。着眼于中期，“无人车作战”不仅有助于维持战场态势，还能为士兵提供掩护。最终，从长远来看，自动驾驶汽车将获得执行先进战术的能力，从而“提高旅战斗队的能力”。问：影响自动驾驶车辆和设备研究工作的独特环境挑战有哪些？JohnFossaceca：除了复杂的地形和非结构化环境，对手也可能对陆军作战环境产生不可预测的影响。陆军的研究重点是所谓的“战术行为”——自动驾驶汽车应该采取什么具体形式？两军交锋，自动驾驶汽车如何占据优势？自动驾驶汽车如何在不被敌军发现的情况下运行?陆军对此进行了大量研究，并正在努力确保下一代战车能够推断出所有可能的路线——甚至是通过水路。问：ARL对自动驾驶汽车的研究与民用行业的研究有何不同？JohnFossaceca：在陆军作战环境中，通常很难接收到经过缩放的、与军事相关的、标记清晰的数据，因此ARL一直在密切关注AI算法，希望探索出一条远低于传统数据依赖的新路径监督方式。与此相匹配的是，陆军将为场景分割等用例开发“无监督方法”，希望能够自动标记数据。然而，此类方法仍然需要大量的计算能力，因此很难在自动驾驶汽车上实时完成处理。为了解决这个问题，陆军邀请了多位计算机科学家全职研究计算机体系结构和算法，旨在帮助陆军在自动驾驶车辆能够支持的处理器尺寸和功率限制内，通过先进的先进技术，达到预期的效果。方法。陆军显然面临着商业部门无法想象和完全无法解决的独特技术挑战。商用自动驾驶汽车不需要考虑过多的作战环境破坏因素——除了人员、障碍物甚至事故，军事行动往往发生在极其不确定的环境中，地形危险复杂，敌方也可能设局各种威胁和陷阱。第一个例子将以远程操作的形式出现，陆军将逐渐弄清楚如何在远程控制过程中操作此类车辆，学习如何在战场上使用机器人。基于此，我们将了解应该发展什么样的自主行为。最终，下一代战车将具备就地学习、随机应变、推理和有效行动的能力，以支持多域作战任务。问：您在AI挑战方面有何经验？JohnFossaceca：陆军最近的研究发现，使用人类示范和反馈的深度强化学习技术取得了成功。这些新方法的成功大大缩短了新任务训练系统的时间。其他人类演示研究表明，即使示例有限，也可以在战场上进行再训练以获得一定程度的实用性，甚至具有实时学习的潜力。这些技术似乎也与迁移学习兼容，迁移学习是从一组条件中学习并将模型的结果引入一组新条件的过程，而无需从头开始重新训练。Q：站在美军的角度，未来的战场和士兵会是什么样子？JohnFossaceca：从美国陆军的角度来看，未来战场上会有无人编队，其速度会远远超过现在的人员编队。目标之一是让自主系统侦察区域和路线，发现或攻击敌人的火力，并为士兵提供防御支持。问：人工智能技术对陆军未来发展愿景有多重要？JohnFossaceca：人工智能技术将成为未来多域作战成功的关键驱动力。前陆军部长、现任国防部长马克埃斯珀表示，“如果我们能够掌握人工智能，它一定能够更好地保护美国人民。要在未来的战场上取胜，我们需要比敌人行动得更快同时尽可能多地做。”可以降低部队和资源的风险水平。谁能先达到这个目标，谁就能在未来几年的战场上保持决定性优势。”现任陆军部长瑞恩·麦卡锡表示，基于云的技术和能力将成为“AI最大化”道路上的核心因素。麦卡锡希望推动云基础设施的部署，推动人工智能技术的发展。问：陆军对“以合乎道德和负责任的方式使用人工智能技术”有何看法？JohnFossaceca：美国陆军和国防部都在密切关注AI伦理问题，并在去年10月提出了《关于以符合伦理道德的方式使用人工智能的建议》的草案。这些规则也适用于美国军队。美军会招揽人才，确保所有的人工智能系统都由相应的人员管理。陆军的AI特遣部队也有一名道德官，帮助告知AI道德政策。陆军部长瑞恩麦卡锡表示，“该系统可以快速处理数据并提供答案，但它无法提供上下文信息。只有人类才能根据实际情况做出决定。”问：你们正在采取哪些措施来确保军队目前能够拥有足够的人工智能？相关人力和作战人员储备？军队内部是否开展了与人工智能相关的培训和教育项目？JohnFossaceca：ARL和陆军为学生提供了大量的实习机会和SMART奖学金，可以帮助学生支付教育费用。作为交换，学生将在军队工作一段时间。ARL还聘请新的博士毕业生进行博士后研究，这使他们能够从事前沿研究。最终，一些博士后会成为内部员工。人工智能已经成为当前的核心研发方向，因此陆军将逐步聘请更多具有这方面专长的科学家和工程师。问：您打算如何帮助士兵习惯使用自主系统和机器人工作？JohnFossaceca：我们之前讨论的各种自治系统仍在开发中，所以目前我们只能在训练环境中使用模拟来帮助士兵适应这些自治系统。陆军在这方面仍处于起步阶段，但确实在推进一些举措，例如可重构虚拟集体训练器（RVCT）及其地面和空中平台，可以使用模拟数据执行各种演习任务。目前的大部分训练工作都集中在“智能半自主系统”和“自主系统”的模拟上，为士兵提供身临其境的训练体验。士兵在这种综合训练环境(STE)中与虚拟对手竞争。这些虚拟对手能够实施各种智能行为，甚至包含一定程度的不可预测性，以模拟对手可能的选择和合理的认知水平。这必然需要将最先进的人工智能与现实环境相结合。在基础研究层面，ARL引导士兵与自主原型解决方案进行交互，帮助AI系统学习士兵如何说话以及他们倾向于使用哪些命令。反过来，士兵们也会逐渐摸清AI系统的“脾气”。事实上，在引导士兵配合自治系统进行训练后，士兵们很快就开始尝试用更适合彼此的语言来表达自己，从而高效地完成交流和系统控制。Q：未来几年你最期待哪些AI技术？JohnFossaceca：我们在使用人工智能推理环境并能够向士兵的队友推荐具体行动方案方面取得了长足进步。这代表着我们的人工智能从“狭义的AI范畴（即只能完成某些高度特定任务的自主代理）”向真正适应新情况的方向升级。未来，这些人工智能代理将能够确定哪些行动是可行的，以及与每个选项相关的成功概率。这还不是“通用人工智能”，但它已经能够在接近人类的水平上进行推理。未来，我们希望让自主系统能够根据特定情况进行复杂推理、执行复杂决策，并预测各种可能的结果，以最大限度地提高任务成功的机会。
