编者按：人工智能技术在军事上的运用，一直是备受关注的热点问题。今天学术plus为您全文编译美国海军2位军官撰写的文章《人工智能在海战中的崛起》，该文围绕人工智能技术运用于海战的适用性问题，提出了“四要素”和“信任”问题。您可以点击“阅读原文”查看英文原版。

文章版权归原作者所有，观点不代表本机构意见

《人工智能在海战中崛起》

2018年6月12日

原作：（美海军）康纳·麦克雷莫尔中校、汉斯·劳森中尉

编译：学术plus

美国海军正在投入资金将人工智能(AI)整合到军队中，并在2019国防预算的中要求6250万美元用于人工智能和快速原型设计。随着技术的成熟，海军需要适应用人工智能来取代人类角色，同时要意识到人类仍将占据优势的许多角色。海军应该识别出那些可以被自动化的候选岗位，相对于人类的智能，人工智能可能会变得更快，成本更低。但是领导也应该明白有些地方不适合人工智能，理解海军相对于其他政府和商业组织所面临的特殊困难。围绕人工智能的讨论需要从“我们需要它”演变为“我们要这样应用它”。现在是时候考虑一下海军决策者需要知道的一些基本概念，以帮助人工智能进入常态。

海军应该在“可预测的、规则或模式不变的”任务中部署人工智能，并应避免将人工智能投入到“规则和模式不可预测”的变化型任务。该服务应该集中于有效地收集数据，在缺乏可靠的互联网接入的情况下找到有效的通信途径，特别是在海上，并为海军定制可用的算法。再往大了说，领导力应该通过透明的、经过深思熟虑的采购过程来培养对这些人工智能新能力的信任，并致力推动将人类和人工智能在未来的战斗中协同工作。

哪些任务适合人工智能？

对“完美人工智能”的追求非常愚蠢。有用的人工智能产生足够好的结果，至少比人类反应更快、结果更好、更便宜。人工智能本身并不比人类更好或更差，但是根据任务的不同，它可以比人类智能算法做得更好或更差，它可以被训练成通过可描述的和可预测的规则来完成狭窄的、特定的、预期的任务。当这些条件就位时，算法将比任何水手改进得更快。这使得涉及重复性和手工强化训练的任务很可能成为自动化的候选者。人工智能已经可以在满足这些标准的许多极其复杂的任务中胜过人类。2017年人工智能第一次能够在一对一的扑克游戏中击败专业人士，这是一种包含隐藏信息的游戏。人工智能克服了游戏中固有的“战争迷雾”，通过在扑克牌上自行生成大量数据，识别并利用了获胜模式。在扑克中模式识别是有用的，因此人工智能比人类具有优势。符合这些标准，并可能从人工智能中受益的海军任务包括海上作战后勤力量调度与补充，以及为两栖作战准备小组每日的航路规划。

虽然狭义人工智能可以学习和训练，但它不能学习“思考”。思考型人工智能（Thinking AI, or artificial general intelligence）或称通用人工智能，只存在于科幻小说中。狭义人工智能可以在数据中找到相关性，但不能真正理解自己的行为。人类和人工智能都可以积累经验、知识和技能，但只有人类才能把它们放到上下文中。这就是为什么IBM的“沃森”(Watson)在接受《危险边缘》(Jeopardy)节目的成功培训后，不能从事那种对于获得大学文凭至关重要的非结构化学习。因为人工智能无法学会思考，即使能力成熟了，人类的智能对于那些难以描述或无法预测的任务仍然更有用。想象一下在扑克比赛中，玩家不玩有固定规则的扑克游戏，而是允许随时修改游戏规则，以创建新的游戏。

不可预测的规则变化甚至欺骗了当前最好的人工智能方法，因为它们不能在没有人类帮助的情况下将它们放在上下文中。人机合作的未来需要人工智能来完成重复性的“苦力”工作，并与人类一起思考无法预测的任务。自动驾驶汽车就是一个很好的例子，它们的自动驾驶系统在可预测的驾驶条件下是可以信赖的，但当意外发生时，如果没有人类的监督，它们就无法适应。自主驾驶的海军舰艇和飞机也不会有什么不同。

模式识别是AI的重要子集，正在成为许多广泛使用的AI应用的组成部分。模式识别一旦自动化，对于在大量数据中快速进行强化搜索很有用，并且通常可以产生比传统统计技术更快（且更便宜）的结果。通常自动化模式识别过程中，最劳动密集的部分是准备数据，这些数据本质上是为了“训练”机器学习算法以识别模式。在算法可被训练之前，他们需要大量的干净（无错误）有组织的数据。机器学习的肮脏秘密是人力工作往往是有效清理培训数据的唯一途径。例如在可以训练机器学习算法以在图像或视频中找到军舰之前，人类首先必须对成千上万的战舰图像进行分类。而一旦训练完毕，机器学习算法通常只在感兴趣的模式改变时才需要新的训练数据。

自动化模式识别非常容易受到模式中的细微变化的影响，并且可能被对手欺骗并被破坏。经过训练用于识别军舰的软件不应被信任，以可靠地识别其视觉特征可以以意想不到的方式改变的船只。海军只能在模式不易受敌手操纵的情况下使用自动模式识别。而对于稳定，难以破坏的模式，自动搜索通常可以快速生成有价值的见解。

海军运用人工智能的“四要素”

除了要对使用人工智能的机会和局限性有正确认知之外，在海军构建和整合人工智能系统需要四件事：数据源，通信路径和数据库，算法，接口。虽然满足这四个要求并不能保证所得到的能力将会有用，但忽略其中的任何一个都会使得最终的AI系统没有价值。

海军应用任何成功的人工智能都需要访问正确的数据。对于海军而言，相关数据通常存储在难以访问的数据库中。长期解决方案可能涉及更多海军历史数据库的整合，或将数据库向“云端”或“数据池”的迁移。只要让海军历史数据库更容易访问，就可以释放更多的价值。但由于数据收集需要资源，甚至有高效的数据环境，组织必须对收集的数据加以选择。

挑战不仅在于数据访问，还在于数据的经济性：价值与收购价格的对比。在海战中数据是昂贵的，因为收集和传输数据所需的数据源和通信路径是昂贵的。其他服务也面临类似的问题:空军于去年取消了其10.2合同（“将原始数据转化为可操作的信息，用于直接战场活动”），该项目成本从最初的3.74亿美元飙升至7.45亿美元。海军为特定人工智能程序所需数据进行明确定义，并确定这些数据的成本。不必要的附加特性可能成为数据需求的意外因素。通过尽早权衡数据的成本和收益，海军可以只支付所需的数据。

海军运用人工智能面临的另一个挑战是，在海上无法将高速、高带宽、低成本的互联网作为其主要通信路径。因此该服务将仍然依赖于非常昂贵的通信路径，如无线电和数据链路。更糟糕的是，预计对手将会对这些途径展开竞争。海军继续依赖相对微小的昂贵数据流，这将是一个挑战，即使不考虑人工智能的问题。

海军（而不是承包商）应该拥有从它产生的所有数据和分析。放弃所有权将防止服务在不冒数据丢失风险的情况下切换承包商。例如谷歌最近宣布，它不会续签与“Maven项目”的合同。“Maven项目”是一种设计用来在无人机监控获取的图像中自动识别目标的程序。

海军还应压低获取算法的成本。决策者应该将算法视为需要定制的服务，而不是从头开始构建。少数需要全新算法的问题应视为例外，对于多数任务来说，能够通过较小修改快速提供类似算法已经可以从学术界和工业界免费获得。另外包括TensorFlow在内的最广泛使用的AI软件是免费且开源的。免费软件和相同的广泛发布的算法（比如UPS用于运送卡车车队的路由排序软件）可以稍作修改，用于创建实时海军武器 – 目标分配计划。

随着人工智能在海军中的应用，监控和监督承包商至关重要。国防承包商必须在他们的算法设计和训练数据选择方面，做出明智的道德选择。海军可以通过让自己的算法专家为承包商遵守规则，来提供诚实的治理和监督，因为如果承包商的算法出错，服务本身将被追究责任。

最后，人工智能系统需要良好的接口来有效地连接参与者、人员和机器，以获得及时的可理解的结果。没有可用的接口，算法生成的信息就不能被处理。要注意：美观的界面可能是用来掩饰糟糕的人工智能！

最终要素：信任

对于海军来说，对AI过于信任可能会造成更多的伤害。目前大多数人工智能程序都不易解释。在商业AI产品中，只要算法有效，可解释性就不那么重要了。优步如何分配驾驶员和确定路线？Google如何生成搜索结果？特斯拉的自动驾驶仪如何工作？许多消费者不知道。不应期望水手成为算法技术方面的专家，但他们需要更深入地理解人工智能的能力和局限性，用可理解的基准设计海军人工智能，描述“足够好，足够快”的解决方案，将有助于在实现这些基准信任。

海军应该开始自动化的任务，包括在通信和电子战规划中动态分配频率，实时舰载武器对集群威胁的配对，以及协调集群系统。在这些情况下，人工智能可以提供与目前通过人类质量相当的解决方案。而其速度将比手工解决方案快几个数量级，并且可以随着条件的变化迅速更新。执行每个任务的算法都可以从学术界免费获得，每个任务的规则在海军理论和战术出版物中有详细的描述，海军已经收集必要的数据来手动执行任务。自动化这些任务将是有用的，因为海军现有的手动指挥控制决策结构是如此缓慢，以至于在与一个有能力的对手进行真正的战斗时，可能会不知所措。

人工智能有用但不完美。它可以用来在某些任务中释放巨大的价值，而在其他任务中它可能是无用的，甚至是危险的。有用的海军人工智能系统将需要数据源、通信路径和数据库、算法和接口。涉及重复性和手工强化训练的任务将越来越自动化，具有难以描述或无法预测的规则的任务将不会自动化。海军仍然需要受过教育的有思想的水手，他们不会轻易被规则和模式的改变所愚弄。通过正确的方式将人类和人工智能结合起来，海军可以制造出一种更致命的战斗力量，适合海军作战的未来。

作者简介：

1.康纳·麦克雷莫尔中校是一名E-2C海军飞行军官，在美国海军服役18年期间进行过多次作战部署。2014年，他回到海军研究生院，担任军事助理教授和作战研究项目官员。目前就职于海军作战评估司。

2.汉斯·劳森中尉是一名海军信息专业军官，目前在海军作战评估司(OPNAV N81)内担任可靠的通信分析师他解释科学研究和战争结果，以指导战略投资。

声明：本文来自学术plus，版权归作者所有。文章内容仅代表作者独立观点，不代表士冗科技立场，转载目的在于传递更多信息。如有侵权，请联系 service@expshell.com。