當今世界正處於新一輪科技革命與產業變革的前夜，各國新式武器裝備技術借東風呈現出井噴式的發展勢頭，其中以無人化、智慧化技術為代表，運用自主深度學習進行訓練的無人作戰裝備，已成為當今世界最具代表性的軍事前沿科技產品。無人裝備的運用與發展，未來將推動戰爭進入資訊化、網路化、無人化的高階階段。
無人作戰裝備發展特點
無人化裝備因其泛用性強的特點，可執行保護部隊前方基地、支援特種作戰小分隊執行偵察、監視和蒐集目標（RSTA）任務，還可在城區作戰中用於支援瞄準目標、通訊、彈藥投送等多種不同任務。俄軍涅列赫塔作戰機器人不僅可以提供火力支援，也可以起到為主要戰力運載彈藥的作用；搭載支索電子戰系統的俄羅斯海鷹無人機可以壓制行動通訊基站，同時充當虛擬基站，向敵方控制地區手機使用者傳送簡訊。目前，無人裝備的互操作性、自主性、通訊能力、機動能力、有人/無人協調能力都將進一步顯著提升，執行任務的功能性將得到進一步最佳化，範圍也將大大擴充套件。
除因其強勁火力以及良好的機動性得到各國青睞之外，無人裝備精確化、遠端化、智慧化武器系統避免了作戰人員的直接傷害，降低人員傷亡，更是各國大力發展無人技術的一個重要原因。在納卡衝突中，阿方大規模採用各型軍用無人機和巡飛彈，佔據戰爭優勢地位。在這次衝突中，阿方使用的TB-2型察打一體化無人機表現突出，該無人機摧毀大量亞方運輸車輛及指揮所，有效地殺傷對方有生力量，控制了局勢。哈比-2型巡飛彈的表現也十分亮眼，這種武器可自主前往目標實施攻擊，操作手可中途介入更改指令。無人裝備的使用，也將阿方官兵傷亡降至最低限度，給予亞美尼亞官方極大政治壓力和心理壓力。在“西部-2021”聯合戰略演習期間，俄軍部隊首次使用了天王星-9和涅列赫塔戰鬥機器人與士兵編隊共同執行任務，體現了俄軍無人化發展的最新成果和儘量避免區域性戰爭中人員直接傷亡的作戰理念。雖然現階段智慧無人化技術層面仍存在一定侷限性，如機械故障，靈活性差、自主程度不高等問題，但是無人裝備代替人員完成危險任務，在戰爭中儘量減少作戰人員直接介入高風險戰鬥的顯著特點，為其帶來了強大的前線作戰效能，仍然值得各國在智慧無人作戰領域繼續深耕。
俄羅斯涅列赫塔作戰機器人
近年來無人化裝備協同系統得到長足發展，以無人機為例。單無人機能力始終有一定的限度，存在搜尋範圍小、環境敏感度低和執行時間短等問題，同時在遇到硬體損壞或軟體故障等情況時很難順利完成任務。而無人機協同系統是一組無人機透過與其他無人機和周圍環境相互作用來完成特定任務，具有作戰成本低、自適應能力強和可擴充套件性強等優點。同時，無人裝備跨軍種聯合作戰思想也應運而生。挪威黑色大黃蜂微型無人機只有10釐米長，加上電池重量為18克左右，其微小身形甚至可以對敵軍地下室進行滲透偵察，不可謂不精細。美軍也早已開始以微型無人機打造監視偵察攻擊平臺。數架無人機組成的編隊，在敵方某空域盤旋搜尋，一機被摧毀，馬上二機繼續對這一區域進行偵察，而三機則進行遠紅外拍攝。所有收集到的資訊，都傳到機彙總後報告給指揮官，指揮官再下命令給四機，出動摧毀可疑目標。高等級神經元無人機具有自動捕獲和自主識別目標的能力，解決了無人機間的通訊、火力協同等問題，實現了無人機的自主編隊飛行，有較高的智慧化水平。
目前，無人武器裝備主要依靠人工智慧技術中的深度學習來完成人類賦予的各項職能，作為人工智慧領域的又一里程碑概念，深度學習演算法的有效性、穩定性直接決定了無人自主裝置的智慧化程度高低，可謂潛力巨大。因此人工智慧發展情況一直受到各國政府的高度重視。2018年4月，美國會研究中心釋出了《人工智慧與國家安全報告》，分析了當前人工智慧專案在國防領域應用的進展。該報告提到，美國會預算和立法決策，包括影響人工智慧資金、採購、規範和標準以及國際競爭，有可能極大影響美國人工智慧的發展，以及美國人工智慧軍事應用的增長和普及速度及隱患，並對確保美國軍方獲取人工智慧這一先進技術，以支援美國的國家安全目標和軍事霸權至關重要。除美國外，日本、俄羅斯也從頂層設計層面制定了一系列相關戰略，意在為軍用人工智慧技術設立發展目標、規劃發展路線、制定應用舉措，由於各國對人工智慧的理解不同，發展方向也有所側重：日本開展人工智慧技術應用研究，將自主操控和智慧化技術作為軍事技術發展的重點方向；俄羅斯謀求在人工智慧裝備領域的世界領先地位，重點是半自主和自主式運載工具。未來各國間的軍備技術競賽將在人工智慧領域持續展開。
納卡衝突中，亞塞拜然使用TB-2型無人機發揮了巨大的戰力
自主深度學習裝備化剖析
雖然無人作戰裝備層出不窮，但目前所列裝裝備仍要高度依賴“人”的作用，本質上只是搭載火力系統或功能模組的遙控裝備，缺乏自主性，這也導致裝備不能對緊急情況做出快速反應，容易貽誤戰機。要想實現高度的自主性，就要在無人化裝備中融合自主深度學習等最新的人工智慧演算法，採用“類腦”技術，切實提高裝備的計算能力和決策能力。深度學習的概念提出最早可以追溯到上世紀80年代，而在本世紀初逐步形成以人工神經網路為代表的深度學習演算法。廣泛應用於影象分析、語音處理、金融反欺詐、智慧機器人等領域。以美國為首的技術大國早已認清人工智慧對於未來戰爭的深刻影響，率先將其應用於國防目的，其國防高階研究計劃局（DARPA）已啟動了數十項旨在增進對大腦動態機制的瞭解、推進類腦計算（深度學習）平臺研究的專案，並在一些裝備自主化、無人化方面取得部分進展。
原有機器學習技術是透過訓練有素的演算法來模仿人類行為的技術，需專人將大量訊號處理事例和裝備使用的經驗告訴機器，因此訓練效率較低，採用此演算法的武器裝備屬於無人化初級階段，需要人為參與、控制的因素較大，其應用範圍侷限性較大。
與傳統的機器學習技術相比，深度學習雖然在資料和硬體依賴性上要求更高，但是其對運算通暢效能、資料表徵能力和模型推廣效能等方面的提升卻極其顯著，尤其適用於當今大資料時代的眾多工。深度學習是受哺乳動物大腦皮質的多層機制啟發，模擬其資訊蘊含規律構建深度神經網路，透過層與層之間的非線性變換，有機組裝底層特徵，繪製為抽象的頂層表示，使得一個自主深度學習裝備能夠不依賴人工的特徵選擇，剖析資料的分散式特徵表示，並學習到相對高難度的目標表達函式。因此，配備自主深度學習功能的裝備無人化程度高，泛用性強，可以在各種複雜多變的環境中遂行戰鬥任務。
目前深度自主學習在感測器利用、影象目標識別、稀疏資料分析、多源整合和作戰識別等方面，均有部分進展。假以時日，應用先進自主學習演算法的無人潛航器、無人戰車、無人作戰飛機等高精尖武器將會陸續列裝，構建真正意義上的無人軍隊。
與人腦類似，深度學習的核心結構稱為深度神經網路（DNN）。深度學習先以無監督的學習模式——逐層訓練，進行預訓練階段，包含資料輸入層、用來處理資料的隱藏層和使用者看到的輸出層。在無監督學習和監督學習的有機結合下，深度學習算法系統可自行完成從提取到識別的全過程，以此賦予無人化裝備一定的自主性。
無人裝備微型化是一大趨勢
經過近十年的發展，深度學習演化出許多有效的網路模型，其中最具代表性的包括卷積神經網路（convolutionalneural network，CNN）、深度強化學習（deep reinforcement learning，DRL）和長短期記憶網路（longshort-term memory，LSTM）等模型。
卷積神經網路由卷積層、池化層、全連線層和輸出層等組成，透過從底層到高層的特徵前饋運算，將底層的視覺特徵逐步抽象化，從而形成高層的影象表徵。許多代表性的卷積神經網路模型被相繼提出，例如AlexNet、VGG-Net、ResNet和DenseNet等。這些演算法在解決影象等二維結構資料的複雜特徵抽取問題上效果顯著，可以快速提取多感測器採集的資訊特徵，為無人裝備提供決策。基於此模型的演算法可以為自主學習提供基礎，廣泛適用於陌生環境帶來的海量資訊源，從而實現自我分析、自我識別、自我決策。縱使資料有一定的殘缺，也可以透過分析、判斷，得出最優解，並錄入到已有樣本資料庫之中。
深度強化學習將處理大規模樣本資料的能力融入強化學習中，其特點是與環境進行深維度的資訊互動，透過閉環的形式不斷最佳化對於環境的感知，從而學習得到完成任務目標的最優策略。此種主動尋求資訊反饋的方法也可以理解為自主深度學習的一種典型案例，類似於反潛常用的主/被動聲吶系統區別，大大最佳化無人裝備的事態感知能力。
長短期記憶網路的提出旨在處理語音、影片等時序資料的分析問題，其根據先前資訊和當前資訊來共同進行分析和決策。作用在武器裝備上，相當於在感測器資料分析中尋找時間相關性特徵，並把其作為進行決策的一項重要依據，其應用原理與卷積神經網路類似，但可以大大最佳化對於時序資訊的分析能力，對於提高自主深度訓練和“類腦”訓練的效率起到重要作用。
雖然自主深度學習裝備化上取得部分進展令人鼓舞，但仍面臨一些亟需解決的困難。
一是訓練樣本庫開發。在基於深度學習的機器人控制中，資料量是保證機器人能夠完成複雜任務的關鍵因素，僅僅是為了同一款機器人的機械手平面抓取問題，就要收集近百萬次抓取動作資料。這些初始資料，類似於嬰兒幼年的蹣跚學步，不可能透過自主互動方式加以解決，只有透過良好樣本不間斷訓練才能達到效果。自主深度學習可以解決部分困難，但是如果要解決樣本之間權重問題，仍然需要採取有監督學習方式進行訓練。
二是作戰效率評估。為適應複雜多變環境下而研製的武器裝備，其自主深度學習演算法需要實戰環境中進行檢驗。根據以往的深度學習理論，只要給定足夠數量樣本，學習過程一定是收斂的，即代表賦予武器的功能將會趨於穩定。但是自主學習的武器產品，會不會在戰場上表現出與人類預期不符甚至是截然相反的決策結果，仍值得深究。整體來看，對於基於自主深度學習的武器控制系統，其控制性能很難評估分析，即便是表現出一定的控制效果，也無法保證控制性能的魯棒性和穩定性，這是自主學習相對於傳統機器學習的一個缺點，也是未來需要重點攻克的問題之一。
三是硬體效能約束。與傳統機器學習方法相比，深度學習在精度方面有較大優勢，但其除了硬體要滿足矩陣相乘、卷積、迴圈層和全域性規約4種基本運算的效能要求外，還要滿足資料級別和流程化的並行性、高記憶體頻寬、多執行緒等特性。而無人化作戰裝備對於尺寸的要求與日俱增，小型化、微型化的趨勢明顯，這對於硬體效能滿足又提出了較高要求，谷歌、高通、英偉達等美國公司已經陸續推出了基於深度學習的硬體架構，但目前市場上仍未有較為完整、統一的硬體處理架構。誰能開發出效能好、尺寸合適的硬體系統，誰就能在無人化、智慧化武器裝備上先行一步，從而在真正意義上開發出自主深度學習的武器裝備。
自主深度學習助力未來戰場前景展望
感知環境態勢，資料融合能力強。自主深度學習裝備在態勢感知上具有較大優勢，針對一些例行性工作或戰術級別任務，往往可以代替人工進行分析判斷。以海洋為例，近年來，隨著我國海洋事業的蓬勃發展，海洋裝備智慧化長足發展，積累了豐富的海洋資料，但由於觀測裝備的差異，海洋生態的複雜性，為資料收集、動態監測等過程帶來了不小的挑戰。而使用深度學習的無人勘測潛艇，具有長航時、隱蔽性強、自主性強等特點，適用於海洋各類水文、生態、未知目標的資料蒐集與融合等任務。
在未來，無人裝備智慧化水平將進一步提高，資料融合能力將進一步加強。多感測器資訊採集能力可以藉助深度學習處理手段得到有效發揮，快速提取重要特徵，為戰地指揮官及時提供最優決策。
提高個體效能，協同作戰質效高。從個體效能角度而言，透過收集大量情報，自主深度學習可以讓智慧化裝備及時發現敵方弱點，輔助戰鬥員遂行戰鬥任務。現階段聯合作戰主要為廣域上的諸兵種協同作戰，想要真正達到如同美軍提出的蜂群戰術的階段，極大提高戰術層面上執行任務效率，仍有很長一段路要走。除了無人裝備群內部通訊鏈路要足夠高效外，對指揮平臺系統也有很高的要求。
在自主深度學習的幫助下的無人化武器裝備可以有自主決策權，將“讀秒戰爭”的作戰效率進一步提升，做到真正的“發現即摧毀”。之前由偵察敵情，到指揮系統，再到精確打擊的實施過程，可以由單一兵器直接完成。例如，無人機A進行精確打擊的同時，無人機B可同時進行觀察、火力跟進或者掩護等任務。在多重無人化武器協同參與的情況下，作戰毀傷效能將呈指數級上升，而對於無人裝備的需求量則大幅減少。
擴大作戰疆域，陸海空天全覆蓋。鑑於人類生理活動極限，之前傳統作戰地域往往帶有較強的侷限性。目前智慧化程度較低的裝備雖然可以實現在更寬廣疆域執行任務，但仍然需要藉助通訊手段，依靠人類指令進行活動。而無人化智慧化裝備技術能彌補有人作戰系統的不足，實現長時間、高速度、大強度、全空間執行各種作戰和勤務保障任務。其活動範圍從太空、深海、高原、極地到核生化汙染等“新邊疆”極限區域。
在高技術條件下的戰爭，作戰領域已經遠遠超越“區域性”概念，在未來，能夠搶先一步佔據極限區域的主動權，才更有可能贏得整個戰局的主動權。透過自主導航、決策、攻擊的超高空無人飛行器摧毀敵人的偵察衛星；透過無人深潛器發現並定點清除敵人海底的水聲偵察網路；透過無人蜂群機潛入敵指揮中樞，對重要節點裝置快速毀傷，均可以在某一方面形成區域性優勢，並供戰地指揮官加以利用，從而影響整個戰局走向。
版權宣告：本文刊於2021年12期《軍事文摘》雜誌，作者：由裡、張佳濤、王澤宇。如需轉載請務必註明“轉自《軍事文摘》”。
