本文摘自《乌克兰开展人工智能赋能自主作战的未来愿景与当前能力》| 远望译品
根据CSIS与乌克兰军方的讨论，在乌克兰战争中的战场与以往的全面冲突显著不同。这种区别的关键因素包括前线传感器的空前扩散、无人系统的广泛部署以及数据来源和体量的指数级增长。结合先进的数据处理和分析技术能力，这些要素构成了自主作战模式的一部分。在这种模式下，实时态势感知将为机器提供在作战环境中有效行动所需的上下文理解。
1、当前ISR中的挑战
如前所述，设想的未来战场与实际现实有很大不同。在ISR方面，有三个主要因素阻碍了乌克兰军方期望的未来自主作战模式的实现：
1. 人类处理能力的局限性：现代侦察系统，特别是无人机，以超出人类处理能力的速度生成大量数据。某些任务——例如在高空无人机视频中检测小物体或解释微弱的声学信号——对人类分析员构成了重大挑战。疲劳、注意力下降和工作速度减慢增加了忽视数据中包含的重要信息的风险。
2. 数据处理的延迟：手动数据处理本质上是耗时的，这在情报传播和作战决策中造成了显著的滞后。在这种情况下，实现实时响应几乎是不可能的，阻碍了任务的快速执行。
3. 综合多源数据的复杂性：结合和整合来自不同来源的洞察，包括图像、信号和其他类型的情报，对军事分析员来说是一个复杂的难题。成功的整合要求将各种数据流对齐成连贯的预测和可操作的建议。鉴于多个团队甚至不同的外部公司正在分析传入的数据流，这项任务在实际战争条件下是具有挑战性的。
2、人工智能如何解决挑战
好消息是，这些限制可以得到克服，并且数据可以快速处理成高质量的情报信息。人工智能允许几乎实时地处理大量多源数据。在广泛的人工智能赋能能力中，有一些方法和系统可以帮助解决每个挑战，从在无人机视频中检测敌方装备到解释不同格式的非结构化文本数据。
3、图像和视频
乌克兰军队接收的图像和视频数据包括各种图片、视频以及对象，并且具有不同的格式和质量。传统的高空情报主要依赖于卫星图像，并且由于商业领域技术和服务的扩散而得到了显著的发展。这些技术和服务包括像谷歌地球这样的开源平台，以及像Maxar Technologies、Planet Labs和Capella Space这样的公司提供的高分辨率低地球轨道卫星图像。
除了这些传统的卫星图像，乌克兰最近还获得了两种新型的高空情报。这两层情报都是通过执行ISR任务的无人机获得的。第一层是由高空侦察无人机收集的，这些无人机是乌克兰私人公司在2014年俄罗斯入侵顿巴斯后开始生产的。在2022年全面入侵之后，它们迅速广泛地为乌克兰军队提供了高空侦察能力。第二层图像来自低空ISR任务，这些任务是由像DJI Mavic这样的商用无人机以及乌克兰国内ISR无人机执行的。
案例研究1：乌克兰国防部进行的人工智能辅助无人机视频分析
第一个案例研究展示了乌克兰军队如何使用人工智能系统，在有限的资源下尽可能多地提取有用信息。一支志愿者团队（后来发展成为国防部Delta系统项目中的“复仇者”团队）在2022年俄罗斯全面入侵之初开始开发一个视频和图像分析平台。当时，俄罗斯军事装备在乌克兰领土上广泛移动，为乌克兰武装部队追踪敌人动向和识别俄罗斯装备的类型和位置创造了紧迫需求。
为了满足这一需求，“复仇者”团队最初收集并标注了沿主要道路和高速公路的固定摄像头拍摄的影像。然后他们使用这些数据来训练能够识别各种对象的AI模型，通过元数据确定地理位置，并提供有关俄罗斯军队动向的关键洞察。
为了为无人机影像分析过程中的AI集成打下基础，“复仇者”团队采取了以下步骤：
1. 标准化标注实践：2022年，没有企业级解决方案能够分析无人机拍摄的视频并分类俄罗斯的装备。这要求团队开发AI模型来协助分析员进行标注。然而，这些模型必须在大型、相关的数据集上进行训练。因此，创建AI训练数据集成为过渡到AI的第一步。
2. 创建验证数据集：为了衡量AI模型的性能，团队创建了一个单独的验证数据集，其中包含与通用军事数据集不重叠的内容。例如，如果一个模型被训练来检测特定的俄罗斯坦克，验证数据集包括颜色变化和坦克伪装、隐藏在灌木丛中或带有反无人机网的图像。这种方法允许模型提供准确的误报评估，并提高模型的整体可靠性。
3. 开发小型、专业的AI模型：操作经验表明，小型、专业的模型在分析无人机拍摄的视频方面比单一的综合AI模型能够实现更高的准确性。因此，“复仇者”和外部团队开始生产多个小型模型，每个模型都针对特定的数据类型（例如，来自特定无人机和卫星图像的影像）。这种方法提高了对不同操作场景的准确性和相关性，主要关注对人眼和人类注意力来说最困难的情况：低分辨率和质量较差的影像中的小物体。
案例研究2：Vector，一种ISR无人机系统
Quantum Systems是一家总部位于德国、美国和澳大利亚的无人机技术公司，在基辅新成立了一个设施——自2022年3月以来一直在乌克兰测试并提供其系统。最初只是捐赠了几套Vector无人机系统并专注于培训乌克兰军队，这一合作迅速发展成为大规模的合作伙伴关系，现在已有500多套系统部署到位。
声学侦察是使用声音收集情报和监控环境的做法。这不是一个新概念。几十年来，它以各种形式被使用，从第二次世界大战期间的潜艇声纳系统到检测飞机或炮火的预警系统。然而，人工智能的整合通过以精确和快速的方式自动化声音的分类和识别，彻底改变了这一领域。人工智能技术使系统能够实时处理音频数据，使其能够检测和区分仅靠人类听力难以识别的声音模式。
案例研究3：Zvook，一种声学侦察系统
以下关于声学侦察系统Zvook的案例研究展示了这类技术如何在乌克兰的实际中得到应用。乌克兰使用声学探测系统不仅显著提高了情报、监视和侦察（ISR）能力，还增强了防空能力。Zvook利用声音分析来探测和识别低空飞行的空中威胁，而在这些高度，雷达的效能较低。它采用高质量的麦克风和曲面声学镜来集中声波，并使用一个鞋盒大小的计算机来处理捕捉到的声音。目前，Zvook通过其网格状布置的声学传感器覆盖了乌克兰大约20,000平方公里的区域。
乌克兰军队接收大量文本数据，主要来自三类来源：（1）被拦截的俄军通信转换为文本，（2）乌克兰军队内部用于信息交换的聊天信息，以及（3）通过聊天机器人应用程序提交的平民报告。
案例研究4：ePPO，一种防空系统
ePPO是一款移动应用程序，它使用人工智能收集和分析平民关于空中威胁（如导弹和无人机）的报告。要使用ePPO应用程序，用户首先必须通过政府的Diia应用程序验证身份。一旦验证通过，他们可以通过选择物体类型——无人机、导弹、飞机或直升机——并按下一个大大的红色按钮来发送警报，报告观察到的空中威胁。
案例研究5：Griselda，一个数据分析平台
Griselda是一个人工智能驱动的系统，用于处理非结构化数据，并且可以为广泛的用途进行定制。Griselda有时被描述为乌克兰的Palantir。在与CSIS的访谈中，公司的创始人Oleksiy Teplukhin分享了这项技术两个显著的应用案例，它们主要使用相同的基础方法。
1. 使用人工智能进行初步数据过滤和优先级排序可以优化实时情报处理的资源。
2. 标准化军事数据集的整理和标注提高了人工智能模型开发的效率和灵活性。
3. 构建专门的小规模人工智能模型更有效地解决特定的作战挑战。
1. 乌克兰军事当局越来越多地要求将所有无人侦察系统集成到态势感知和火力校正平台中。
2. 乌克兰军队正转向人工智能支持的实时多传感器融合，以增强态势感知能力。
3. 人工智能系统正在超越基本数据分析，为指挥官在整个目标交战周期中提供可操作的洞察和战略建议。
4. 军事机构正在为外部开发者提供经过审查的数据集的访问权限，这为保持他们的人工智能模型的准确性和相关性提供了机会。
自动目标识别（ATR）是一组自动化检测、分类和跟踪对象或个体的技术。其核心依赖于模式识别算法，将传入的传感器数据与一组已知模板或行为模型进行匹配，将异常特征标记为潜在目标。这在军事上并不是一个新概念，但人工智能改变了ATR的工作方式和ATR系统的开发方式，提高了性能并降低了成本，使得这些应用变得更加可行。
尽管ATR技术在现代战场上变得至关重要，但它仍然面临重大限制。虽然它在受控环境中表现良好，但在真实战争的复杂和动态条件下，其适应性和精确度会降低。以下是配备ATR的有人操作无人机面临的一些主要障碍：
人工智能在识别和跟踪复杂作战环境中的目标方面，在速度、准确性和效率上提供了显著优势。好消息是，人工智能驱动的ATR软件可以直接集成到无人系统中。通过在本地化、自包含的网络内处理数据，人工智能算法可以融合多个传感器输入，即使在没有与基地态势感知系统实时通信的情况下，也能让作战人员了解周围环境和目标。
案例研究6：ZIR，一种自主性工具包
ZIR System公司专注于开发可以补充几乎所有类型打击无人机的软件。该软件的关键特性，也是它被称为ZIR（在乌克兰语中意为“视力”）的原因，是其自动检测目标的能力。该系统包括一个硬件组件——一个带有计算机和数字相机的紧凑模块——以及一个软件组件，在这种情况下，涉及一个能够识别目标的预训练人工智能模型。这个软件还增加了一些自主导航能力。
硬件模块大约有一块肥皂大小，设计用于无缝集成到各种平台，从四旋翼无人机到飞机。对于7-10英寸的标准四旋翼无人机模型，存在预设。对于固定翼无人机，公司只提供必要的布线和组件，让制造商解决重量平衡、相机放置和其他方面的产品设计。尽管硬件集成过程看似简单，但每架新无人机仍需要手动调整。因此，整合ZIR工具包的整个过程可能需要几周到一个月的时间。
原创 远望智库预见未来
