本文為《技術革新如何顛覆傳統陸軍戰術－步兵篇》的姐妹篇，上篇主要介紹美陸軍步兵的視覺增強系統（IVAS），透過將多種技術整合到統一架構下，顛覆性地提升了步兵部隊的態勢感知水平以及如何“徹底改變作戰方式”。

美軍佩戴視覺增強系統（IVAS）的機械化步兵參加測試演練

本篇主要介紹美軍裝甲部隊如何應用人工智慧等革新技術顛覆傳統陸軍戰術。以下是美國五角大樓將軍的一句話：“美國陸軍正處於現代化的轉型之中，並從中東轉向專注於中國和俄羅斯的威脅，對於這一點，我們可以玩得開心”，我們必須滿足他，必須讓他“玩的很開心”。

但是，“玩得很開心”是建立在實力的基礎上，前提就是我們需要真正地瞭解對手、學習對手才能超越對手。由於坦克等裝甲車輛機動和火力效能所需的化學、機械、材料科學等尚未出現革命性技術，文章重點闡述坦克等裝甲車輛直瞄武器的火控系統在得到神經網路、模糊控制、 遺傳演算法等人工智慧技術賦能之後，為傳統裝甲部隊作戰能力帶來的顛覆性變化。

當前現狀

目前，傳統現代坦克火控系統的任務及功能雖然在不斷增強，但是高強度資訊化戰場環境的複雜性也在呈指數級別增加，這就要求火控系統的系統結構、態勢能力、戰術決策、打擊效能等指標必須也同步提高，如何提高火控系統的綜合作戰效能面對未來戰場的挑戰，已成為一個十分緊迫的問題。

在過去40年中，坦克射手一直都使用手動操作方式來探測、識別和打擊目標，並且每打擊一個目標就需要執行一次手動操作流程。目標搜尋和跟蹤慢，控制精度低，決策時間長，且受人為因素以及戰場環境的影響較大，嚴重製約現有坦克火控系統硬體效能發揮。即使美軍最先進的M1A2SPE坦克，從搜尋、識別、鎖定、打擊的全流程也是需要較長時間的。

美軍M1A2坦克射手位置，左側為射手目鏡（能夠進行倍率轉換），右側為熱像儀

美軍M1A2坦克車長位置，左側為車長目鏡（能夠進行倍率轉換），右側為“獵-殲”火控系統

美軍M1A2坦克車長位置，類似於“手柄”的裝置為車長操作檯，射手則為傳統的火炮操作檯

2014年雷聲系統公司研發為代表的目標搜尋新概念火控系統增強模組（MTAS），雖然已經部分裝備美國陸軍部隊，但是主要是以增強火控系統對目標的跟蹤和瞄準能力為核心功能，在意義上僅能作為火控系統的增強模組，距離智慧化火控系統還有本質的區別。

M1A2坦克車長位置，美軍裝甲部隊的射手與車長都需要進行實彈射擊考核。

當前，得益於基於AI技術的機器視覺、機器學習、目標識別等人工智慧技術的日益成熟和廣泛應用，對人工智慧技術進行軍事應用領域轉化和系統整合的“智慧火控增強系統”可顯著改進解決這一問題。

在複雜戰場環境下，坦克成員受到視野限制，人工搜尋目標並不容易

美軍正在測試的新型智慧化火控系統具有良好的人機互動性可以自主完成目標智慧搜尋、目標識別、目標跟蹤、資訊共享、智慧輔助決策、智慧火力打擊等功能，能夠極大簡化坦克乘員操控複雜程度和體力負擔。

顛覆性突破

美軍坦克智慧化火控原形系統－“先進瞄準和致命性半自動系統（ATLAS）”（以下簡稱ATLAS）起源於美國陸軍“普羅米修斯”計劃（感興趣讀者自行百度，為了保障文章原創性稽核不再進行描述），由美國陸軍C5ISR中心和武器中心聯合研發。

美國陸軍“普羅米修斯”計劃宣傳簡介封面

美軍ATLAS的核心目標是使用一系列人工智慧、軟體平臺和自主系統將戰場環境中獲取的“威脅目標”（是否具有威脅，例如識別平民、敵人，取決於人工智慧判斷的理論原則，至於人工智慧如何判斷，讀者可以查閱作者往期文章中關於人工智慧倫理原則和神經網路如何工作的文章），進行自動檢測與分析識別，再透過人工智慧系統與戰鬥人員協同互動，以極快的速度控制武器響應。

“普羅米修斯”計劃運用人工智慧機器視覺融入坦克火控觀瞄系統流程

上圖不難看出美軍選用當前人工智慧機器視覺卷積神經網路頂級框架TensorFlow（機器學習演算法框架之一，目前社群排名第一，成熟度較高，側重於部署；排名第二的為pytorch，側重於研發）

當前主流人工智慧演算法框架TensorFlow與pytorch

美國陸軍坦克ATLAS使用使用人工智慧輔助目標檢測與識別，一旦“威脅”資料輸入到程式中，ATLAS會處理地形、可用武器、威脅距離、威脅數量等變數，以確定適宜的射擊系統來應對給定的威脅。操作員只需點選按鈕，就可以評估並遵循智慧系統的建議，在識別出威脅的幾秒鐘內向武器系統傳送射擊指令。美軍參與測試的人員評價：“這絕對是一項了不起的技術”。但是，美國陸軍的ATLAS並非是完全自主的智慧化火控系統，最終的武器指令需要透過人機互動實現，最終決策者還是人。

用於部署人工智慧演算法模型和處理資料的戰鬥車輛車載計算機

無人機回傳影象給野戰伺服器

早期機器視覺神經網路演算法框架無法實現端到端部署，無人機、單車等小型偵察裝置需要將影像資料回傳到叢集伺服器，通過後臺進行目標識別與分析，之後再回傳打擊指令給無人機。ATLAS得益於演算法突破已經能夠實現端到端部署，根據目前演算法演進情況分析美軍ATLAS依託TensorFlow演算法框架應該採用的是FastR—CNN或者FasterR—CNN類似的多工Two Stage模式的改進演算法。

One Stage時代的YOLO（You only look once）系列、SSD檢測演算法，以及2021年引起學術界廣泛關注，採用注意力機制的NLP（Natural Language Processing）領域跨界演算法模型Transformer，應該尚未在ATLAS中得到實際部署。

不同型別偵察終端分別向上級影片資料解算中心回傳資料

真正智慧化火控系統的定義是：在目標自主搜尋和識別、目標自主跟蹤、打擊最佳化決策、自動火力打擊實施等技術的基礎上，利用人工智慧、自主控制等技術，實現目標火力打擊全過程無人化、自主化的火控系統，整個工作過程中沒有人為因素干預，完全依靠系統本身實現在非結構戰場環境下的火力打擊。在自主化火控系統中人只起到環外的監視作用不干預火控系統的行為。

但是，筆者認為以當前人工智慧發展水平，短期實現完全智慧化火控系統根本不可能實現。不需要“好高騖遠，什麼都想跨越式發展”，人工智慧已經開始進入瓶頸期，基礎科研無法突破，上層應用怎麼可能飛躍？因此，當前核心目標應該是如何將現有的人工智慧技術融入軍事領域。

ATLAS系統在M2“佈雷德利”步兵戰車的應用

美軍M2“佈雷德利”步兵戰車加裝ATLAS後，透過使用先進感測器、機器學習演算法和觸控式螢幕顯示器來實現目標搜尋和打擊過程的自動化，使作戰人員能夠以更快的速度響應威脅。

加裝ATLAS的美陸軍M2“佈雷德利”步戰車

ATLAS系統利用人工智慧演算法對來自紅外攝像頭的影象和影片輸入進行搜尋以識別潛在目標，並將識別結果高亮標註在顯示屏上，從而為火控制系統提供詳細的目標瞄準資料。

美陸軍M2“佈雷德利”步戰車的ATLAS觀瞄系統

ATLAS系統自動搜尋目標

ATLAS系統搜尋的目標清單在左側排列

新型智慧火控制系統透過觸控式螢幕顯示器，替代傳統的操作檯，由士兵確定是否使用50mm口徑的XM913機關炮打擊目標（該炮比目前陸軍M2“佈雷德利”步戰車上使用的25mm火炮強很多倍，炮彈打擊距離是25mm火炮的2倍，並且具備穿甲和空爆兩種彈種）。

ATLAS系統搜尋的敵裝甲目標

ATLAS系統搜尋的敵步兵分隊目標

ATLAS系統透過威脅演算法解算當前步兵分隊較大（步兵距離過近）

操作人員根據系統推薦，確認後由ATLAS系統自動控制武器消滅目標

如果士兵在觸控式螢幕上點選步兵目標，系統會自動旋轉50mm機關炮鎖定目標，自動選擇適配彈藥，連續向敵方目標發射短點射或長點射，系統甚至能夠根據敵方隊形調整爆炸點。

ATLAS系統在M12“艾布拉姆斯”坦克的應用

2020年8月開始，美國陸軍召集坦克分隊測試ATLAS，併為開發團隊提供反饋，目的是儘快改進系統以實現部署。

在阿伯丁試驗場的測試中，ATLAS系統識別的“威脅”目標被髮送到觸控式螢幕顯示器，並被垂直排列在螢幕左側，螢幕中間顯示坦克火炮當前瞄準的目標，螢幕四周是不同的控制選項，包括彈藥、火力型別、攝像機設定等。使用者點選螢幕左側的目標後，坦克會自動旋轉火炮至該目標的擊毀點，同時火力控制系統自動推薦適配彈藥。

美軍阿伯丁試驗場的M1A2主戰坦克

使用ATLAS系統的坦克從目標探測到打擊過程只需要幾秒，一旦摧毀了目標，使用者可點選螢幕，選擇ATLAS推薦的下一個目標。測試結果表明，在相同的時間內使用ATLAS系統進行識別、瞄準和打擊的效率是傳統手動操作的3倍以上。

ATLAS系統搜尋目標並生成目標清單

ATLAS系統透過機器視覺識別分析威脅目標

坦克射手確認目標即可，ATLAS系統自動操作火炮

坦克射手確認目標即可，ATLAS系統自動操作火炮

ATLAS系統推薦的打擊目標會在清單中高亮顯示

目前，美軍透過“融合計劃2020”演習，驗證了使用人工智慧等新型技術將各種感測器和武器結合起來的可行性。儘管ATLAS目前尚不具備聯網能力，但已經具備自動探測威脅並推薦打擊方案的能力。ATLAS系統在“融合計劃2020”演習中的出色表現，標誌著人工智慧技術正成為美陸軍戰場最前沿的“佩耳修斯之劍”。

啟示錄

針對人工智慧在軍事領域的廣泛運用，同等裝備水平的武器系統平臺進行對比，賦予人工智慧技術的武器裝備平臺對傳統武器裝備平臺能夠形成“碾壓”級別的優勢，這並非平臺裝備本身效能導致的，而基於人工智慧技術賦能傳統平臺裝備才能實現的變革。

基於機器視覺的車輛自動駕駛

基於機器視覺的車輛自動駕駛

因此，傳統武器裝備平臺急需基於AI技術的賦能，加強對基於AI技術的全新一代智慧火控系統的論證研究，重點解決傳統地面主戰裝備在不進行重大換裝的條件下，透過基於AI技術，系統整合、模組化設計的“智慧增強系統”在不同代差地面主戰裝備平臺應用，使現有坦克、裝甲車等裝備減小平臺本身能力限制，從而最大幅度的改善裝備戰技效能。

機器視覺演算法晶片

目前，除美國之外其他各國陸軍基於深度學習機器視覺的影象檢測識別基本都處於起步階段，這裡不單純是人工智慧技術的限制。機器學習訓練所需的實戰資料是除去算力和演算法之外對人工智慧融入主戰戰備效能影響最大的因素，關鍵的是實戰資料並不能透過平時訓練或演習取得的資料能夠代替的。

被擊毀的M1A2主戰坦克

被擊毀的M1A2主戰坦克

實戰影像資料

美軍真正對於作戰、訓練資料的收集與運用始於越南戰爭時期，長達半個世紀的實戰資料分析與運用已經達到全球絕對領先的程度，而其他國家對於實戰資料的收集與運用是在近些年才得到逐步重視，普遍嚴重缺乏實戰影象資料積累，屬於難以逾越的劣勢。

超越“普羅米修斯之火”

目前，演算法方面得益於民用領域自動駕駛、機器視覺、無人機等技術突飛猛進與國外發達國家差距並不明顯，甚至具備區域性領先；算力方面雖然高效能運算晶片受到美國限制，但是現有技術完全可以滿足目前戰術層面的算力需求；但是，實戰訓練資料集方面還遠遠無法滿足需求，導致演算法也不容易確定正確的升級演進方向。

美軍技術人員在除錯ATLAS系統

建立戰術影象資料採集處理中心，有希望解決機器視覺演算法與資料同步升級演進的問題，是實現資料方面彎道超車可行的途徑。戰術影象資料採集處理中心的深度學習雲伺服器可以採取“多級級聯”的方式，在高等級資料安全保密通道下透過雲網絡與各模組化智慧火控增強系統連線，各智慧火控增強系統開機自動聯網入雲，射擊戰術練影象資料同步上雲回傳，採取人工實時標註輔助機器學習的方式不斷填充訓練庫資料資源，並演進更為先進演算法，從而不斷反饋升級基於AI機器深度學習能力。