美军认知技术发展态势

来源：中国指挥与控制学会

摘要：美军正在大力发展人工智能中的认知技术，认知技术的进步将极大的促进人机融合智能的发展。首先，综述了美军认知技术的发展历史，从自然语言处理、环境感知、机器人自主控制、自主编组协调、人脑与电脑融合、人工智能6个方面，分析其重点发展的关键技术与推进状态。其次分析了其未来发展的重点方向和亟待解决的问题。包括信息获取能力、灰色地带的认知能力等。最后分析得出发展认知技术的重要性。

关键词：美军，认知，发展，人工智能

引言

随着信息技术的不断发展，大量的侦察探测和传感设备应用于战场，大大提高了对情报侦察和战场数据的收集能力。然而面对海量、多源、复杂、异构且快速增长的战场态势数据，人类的认知速度和处理能力已很难跟上战场数据增长和变化的节奏。如何应对瞬息万变的战场态势，实现相对智能化的战场态势认知，以辅助指挥员实时、高效、科学的进行决策，已成为认知研究的关键问题。

根据2020财年DARPA人工智能重点投资项目分析，“可解释的人工智能”项目、“不同来源的主动诠释”项目、“自动知识提取”项目和“确保可AI抗欺骗可靠性”项目等，都涉及到了态势认知的研究。将数据结合知识、环境等信息转化为认知，致力于打造具有常识、能感知语境和更高效的系统。

1  美军认知技术的发展

1.1自然语言处理中的认知技术发展

20世纪70年代初，DARPA启动了语音识别研究（Speech Understanding Research，SUR）项目。在该计划中，DARPA支持多个研究机构采用不同的方法进行语音识别研究，取得较好成绩的是CMU的Hearsay-Ⅱ技术以及BBN的HWIM（Hear What I Mean）技术。其中Hearsay-II提出了采用并行异步过程，将人讲话内容进行零碎化处理的前瞻性观念；而BBN的HWIM通过庞大的词汇解码处理复杂的语音逻辑规则来提高词汇识别的准确率。进入80年代，DARPA开始采用统计学的方法研究语音识别技术，开发了Sphinx、BYBLOS、DECIPHER等一系列语音识别系统，已经能够整句连续的语音识别。

2000年之后，DARPA开始研制通过对话进行人机交互（HCI）的系统，该系统还能从与不同人的对话中学习经验，提供个性化的服务。2005年，DARPA启动了全球自动化语言情报利用（GALE）项目。该项目寻求能够对标准阿拉伯语和汉语的印刷品、网页、新闻及电视广播进行实时翻译的技术，目标是使得95%的文本文档翻译和90%的语音文件翻译均能达到95%的正确率。

2008 年11月，DARPA又启动了Machine Reading项目，旨在实现人工智能的应用和发展学习系统的过程中，对自然文本进行知识插入。2012年启动的文本深度发掘和过滤（Deep Exploration andFiltering of Text，DEFT）项目更加明确地提出要利用深度学习技术发掘大量结构化文本中隐含的、有实际价值的特征信息，同时还要具备可将处理后的信息进行进一步整合的能力，在此基础上，将这些技术用于作战评估、规划、预测的辅助决策支持中。2014年DARPA启动大机制（BigMechanism）项目，开发协助计算机阅读科学和技术文章的技术，将知识片段综合成更完整的模型，并提出实现特定目标的干预措施。

1.2环境感知中的认知技术发展

DARPA于1976年开始图像理解（ImageUnderstanding）项目。最初的目标是用5年的时间开发出能够自动或半自动分析军事照片和相关图片的技术。项目参与单位包括麻省理工学院、斯坦福大学、罗切斯特大学、SRI和霍尼韦尔公司等。1979年，项目的目标增加了图形绘制技术。到了1981年，预计5年内完成的项目并没有终止，而是持续到2001年。

2001年，DARPA为解决环境感知问题，启动了PerceptOR项目，其目的是开发新型无人车用感知系统，要求系统足够灵巧，能够保证无人车在越野环境中执行任务，并且能在各种战场环境和天气条件下使用。2005年该项目完成阶段性研究，后转移到“未来作战系统地面无人车集成产品”项目，进行系统开发与测试。

2010年启动“心灵之眼”（Mind’s Eye）项目，寻求使用人工智能进行视频分析，开发一种机器能力——视觉智能，提供观察区域中与活动相关信息，能够提前对时间敏感的重大潜在威胁进行分析。它与机器视觉的区别在于：后者是识别各种物体以及它们的特性，描述的是静态情景；前者的重点是增加感知和认知，辨别和推断这些情景中的动作和行为，获得关于情景更加完整的描述。

2011年设立“洞悉”（Insight）项目，通过分析和综合各类传感器和其他来源的信息，集成烟囱式的信息形成统一的战场图像，发现威胁和无规律的战争行动。该项目用于增强分析人员实时从所有可用来源收集信息、从中学习以及与最需要的人分享重要信息的能力。该项目的目标是提供全面战场态势，增强情报分析人员为战场上时间敏感的行动提供支持的能力。

2015年，美国战略与预算评估中心（CSBA）发布了一篇名为《电波致胜：重拾美国在电磁频谱领域主宰地位》的研究报告，该报告明确指出自适应化/认知化是电子频谱战中未来的关键技术与重点发展能力。正如美军在分析其未来空中作战环境时称，敌方先进的可编程雷达将对己方目标进行有效探测并实施拦截，美军寄希望认知电子战赋予己方战斗机（F-35等四代机）近乎实时的认知干扰能力，对难以发现的敌方防空系统进行探测，在飞行中对敌方探测信号分析并寻求干扰压制方法。

1.3机器人自主控制中的认知技术发展

2008年，DARPA提出学习机动项目。该项目的目的是开发新一代的学习算法，使无人控制的机器人成功穿越大型的、不规则障碍物，更为重要的是，通过不断积累经验，这些算法将能让机器人自主学会克服那些比人为编码设定的更加复杂的实际地形。

1.4自主编组协调中的认知技术发展

ACE项目是DARPA战略技术办公室（STO）为了实现其新型作战概念——“马赛克战”（Mosaic Warfare）而开展的项目之一。“马赛克战”概念利用众多动态、协同、高度自主的可组合系统开展网络化作战。“马赛克战”可按照具体冲突需求，对各种低成本的简单系统进行组合，以极大的灵活性生成适应各种作战想定的作战效应。作战时，即使敌方消除了很多“马赛克”元素，余下部分仍可按照需求立即做出响应，实现预期的整体效果。

在“马赛克战”设想下，人类将在复杂的环境中（其特征是耦合、非线性、异构和可适应性代理）与自主武器系统紧密协作，使用人工智能战术进行战斗。有人平台将在所有作战域指挥大量分散的无人系统，如果操作员对作战自主权不信任，这一作战愿景就无法实现。

ACE项目将通过解决人-机协作的空中格斗问题增强人们对战斗自主性的信任。该项目将自动空中格斗的战术应用到更复杂的、异构的、多飞机的战役级模拟场景，为未来实时、战役级的“马赛克战”试验奠定基础。

在“马赛克战”愿景下，自主系统所需要的战略和战役行为涉及高度的复杂性和不确定性，因此需要高度动态的人工智能能力。复杂问题集的人工智能很难在现实世界中实现，因此，这种人工智能在很大程度上被等同于建模仿真（M&S）。为了让人类开始完全接受复杂自主系统，应该通过有限制的、透明的、可预测的行为来建立和扩展信任。

ACE将采用自下而上的方式开发战斗自主性的性能及对自主能力的信任。如同训练飞行员一样，ACE通过将空中格斗算法应用到难度和真实感不断增强的任务中来训练算法。

1.5人脑与电脑融合的认知技术发展

可靠神经接口技术（ReliableNeural Interface Technology, RE-NET），该技术旨在对大脑中神经网络活动进行可视化和量化，利用该技术，人们可以在大范围内快速观测神经网络的活动，前所未有地深入了解大脑结构和功能，更重要的是，人们可以通过该技术进一步揭示神经网络和功能之间的关系，不仅能够提供更好的观察神经系统自身机能的机会，而且可以通过对刺激和反射回路进行精心调制，探索神经信号和大脑之间的因果关系。

加速学习计划（AcceleratedLearning）。这一计划通过采取有效方法，在战场环境中进行测量、追踪，加快士兵的技能习得。该技术可以使用非侵入式的方法，测量与任务习得相关联的神经和心理信号，并研究大脑的工作方式，力图实现学习速度翻番。

叙述网络（NarrativeNetworks, N2）项目，该项目旨在对叙述内容及不同叙述方式对人类认知和行为的影响进行分析。叙述对人类的思考、情感、记忆和行为都可能产生重大影响，如果能够了解故事如何影响人的大脑，使用非侵入式的大脑成像技术（比如脑电技术和功能磁共振成像技术），就能够检测到大脑对不同的故事所作出的反应。这将有助于针对敌人的不同情绪反应展开宣传工作，采用不同的叙述与故事使敌方造成心理创伤。同时，也可以针对不同人群进行心理劝导。

情报分析员神经技术（Neurotechnologyfor Intelligence Analysts ，NIA），该技术在作战环境下通过记录并实时处理情报员的大脑信号，选择需要分析的图像，这种图像处理过程可以适用于处理大范围的静态视觉图像。此计划将会显著提高识别关键信息的速度与准确性。该计划凭借信号处理、人机界面、突破性的神经科学等方面的发展进步，将可行的神经技术融入图像分析领域，以实现为军人提供战场辅助工具的目标。

认知威胁告警系统（CognitiveTechnology Threat Warning System, CT2WS），该系统旨在通过发展单兵便携式视觉威胁探测设备，最大化地提升战士们对周围环境的感知能力，在不损耗大量资源的情况下，可靠地探测到潜在的威胁和感兴趣的目标。

1.6人工智能中的认知技术发展

DARPA在20世纪70年代开始人工智能技术的研究，当时的信息处理技术办公室（IPTO）支持斯坦福和麻省理工进行研究机器辅助认知项目。

DARPA在20世纪80年代资助动态分析和重新规划工具（DART）项目，采用自动推理，显著改善沙漠风暴和沙漠盾牌行动中后勤和其他领域的规划问题。DARPA于2007年启动“深绿”（DeepGreen）项目，借鉴“深蓝”，将人工智能引入作战辅助决策，预测战场上的瞬息变化，帮助指挥官提前思考，判断是否需要调整计划，并协助指挥官生成新的替代方案。它通过对OODA环中的观察和判断环节进行多次计算机模拟，提前演示不同作战方案可能产生的各种结果，对敌方行动进行预判，协助指挥官做出正确决策。“深绿”将指挥官的注意力集中于决策选择，而不是方案细节的制定。

通过其可学习个性化助理（PAL）计划，DARPA创建了认知计算系统，提高了不同层次军事决策的效率，降低了对于大量指挥人员的需求，并实现更小型、移动性更高且不易受到影响的指挥中心。

DARPA的先进机器学习概率规划（PPAML）计划旨在创建用户友好的编程语言来简化和普及机器学习应用。通过避免专家从头开始构建定制软件的繁琐工作，这样做将加快的智力密集型应用程序的开发，包括垃圾邮件过滤器、智能手机个人助理和自动驾驶车辆等。

1999年，在计算机和通信项目下，设置了智能系统和软件技术的研制，旨在研制一种能够主动、自主的为战士提供各类辅助信息的人工智能系统。

深蓝（deep blue）项目2001年启动，为海军高层在联合作战的概念制定、新技术的引入、全球反恐、数据与保密的高级分析等方面提供战略咨询，其更广的任务范围包括如太平洋作战计划和阿拉伯湾的海上安全行动。

2006年，DARPA开始综合学习项目（IntegratedLearning Program），该项目的目标是将专业领域知识和常识综合创造出一个推理系统，该系统能像人一样学习并可用于多种复杂任务。这样一种系统将显著扩展计算机学习的任务类型，为研制执行复杂性任务的自动系统打下基础。

DARPA于2007年启动“深绿”（Deep Green）项目，借鉴“深蓝”，将人工智能引入作战辅助决策，预测战场上的瞬息变化，帮助指挥官提前思考，判断是否需要调整计划，并协助指挥官生成新的替代方案。它通过对OODA环中的观察和判断环节进行多次计算机模拟，提前演示不同作战方案可能产生的各种结果，对敌方行动进行预判，协助指挥官做出正确决策。“深绿”将指挥官的注意力集中于决策选择，而不是方案细节的制定。

2010年，DARPA开始资助深度学习项目（DL），目标是构建一个通用的机器学习引擎。深度学习可以完成需要高度抽象特征的人工智能任务，如语音识别、图像识别和检索、自然语言理解等。深层模型是包含多个隐藏层的人工神经网络，多层非线性结构使其具备强大的特征表达能力和对复杂任务建模能力。深度学习是目前最接近人脑的智能学习方法，将人工智能带上了一个新的台阶，将对一大批产品和服务产生深远影响。

美国陆军通信电子研究、开发与工程中心下设的指挥、力量和集成局（CP＆I）于2016年启动了指挥官虚拟参谋项目。该项目的目的是采用工作流和自动化技术帮助营级指挥官和参谋监控作战行动、同步人员处理、支持实时行动评估，在复杂环境中为决策制定提供可用的信息。

班组 X项目由DARPA于2016年3月启动，提升多域作战环境（物理、电磁和网络）中的共享态势感知能力。通过优化利用身体、认知和装备资源来增加班组机动的时间并扩大其机动空间。通过在以上三个域实现火力和机动同步来塑造战场空间并主导战场。

可解释的人工智能（Explainable Artificial Intelligence，XAI）

由于机器不能向用户解释其想法和行动，研究人员也无法完全理解人工智能系统的决策过程，难以分辨人工智能系统某个具体行动背后的逻辑。可解释性是人类与人工智能关系发展的核心，人工智能系统必须向操作人员解释行为决策原因，以获得人类信任。

DARPA于2017年启动终身学习机器（Lifelong Learning Machines，L2M）项目，探索生物学习机理在人工智能中的应用，推进新一代人工智能系统的发展。该项目的目标是开发支持下一代自适应人工智能系统所需的技术，使其能够在实际环境中基于情景进行在线式现场学习并改善性能，不需要进行线下再编程或再训练。这种持续自主学习的能力可帮助系统在没有预编程与训练的情况下适应新情景。

    随着所收集的情报数据的复杂程度、速度、种类和数量的增加，多源情报分析的效率也需要相应地提高。2018年1月，美空军发布“数字企业多源开发助手”项目的广泛机构公告，寻求研发一种交互式问题解答系统，作为虚拟助手帮助分析人员处理海量的复杂情报数据，更好地从对手相关的信息中发现和解读存在的模式。

    该项目所寻求的能力不是简单地罗列潜在情报来源，让分析人员自己解决问题，而是能够直接回答问题或者通过与用户交互，协助引导情报分析人员找到答案。在该项目中，交互式问题解答中的“交互”包括两个方面，一是用户与软件进行交互，另一是不断地响应用户的输入，使得问题更加明确并提升答案的满意度。它不仅可以支持情报分析，还可用于决策制定。该项目的目标是使得任何人员无论技术能力如何，都可以完成复杂的分析任务。

    “机器常识”（MCS）计划于2018年设立，尽管人工智能近期取得一些进展，但其发展的一个关键问题——机器常识，仍然无法得到解决。常识被定义为“感知、理解和判断事物的基本能力，这些能力几乎为所有人所共有，而且几乎可以被所有人认同而无需争辩”，常识为人类与周围世界的互动形成了关键的基础。拥有这些基本的背景知识可以显著促进人类和机器之间的共生伙伴关系。

2018年3月，DARPA战略技术办公室（STO）发布了一项名为“指南针”的项目，旨在帮助作战人员通过衡量对手对各种刺激手段的反应来弄清对手的意图。该项目试图从两个角度来解决问题：首先试图确定对手的行动和意图，然后再确定对手如何执行这些计划，如地点、时机、具体执行人等。但在确定这些之前必须分析数据，了解数据的不同含义，为对手的行动路径建立模型，这就是博弈论的切入点。然后在重复的博弈论过程中使用人工智能技术在对手真实意图的基础上试图确定最有效的行动选项。

    2018年初，设立KAIROS的人工智能项目，美军希望借助KAIROS项目，提升态势洞察、预警探测、情报处理和战争理解能力。尤其是在平时的斡旋博弈中，各国势必要规划并实施隐秘的战略举措，如国家领导人的决策意图，或某些重大活动的开展，在战略上无法表里如一，新型智能系统可挖掘分析这些隐秘的战略意图。此外，战争期间各国军队势必采取各种战略欺骗手段，该系统号称能以更强的侦察预警、情报处理和战争理解能力，获得“情报之外的情报，情报背后的情报”。

    2018年中设立“人工智能科学和开放世界新奇学习”（SAIL-ON）项目，旨在推进第三代人工智能技术的开发，解决机器和人类“思考”方式的基本差异，促进人机融合与团队合作，使人工智能系统成为“解决问题的合作伙伴”，在网络安全、数据和图像视频分析、无人机群操作以及灾难援助等工作中，起到增强人类能力的作用。

2 美军未来认知技术的发展方向

    “可解释的人工智能”（XAI）项目。该项目正在开发新一代机器学习技术，以形成一套基础理论来解释人工智能得出的结论。2019财年项目团队将评估初始原型系统的性能，改进可解释的机器学习方法，完善人工智能解释理论的计算模型，2020财年将着重优化可解释的机器学习用户界面，将其集成到原型系统。

“不同来源主动诠释”（AIDA）项目。该项目将开展模糊性多源信息流的重要数据筛选研究，开发一种多假设“语义引擎”，根据从各种来源获得的数据，产生对现实世界事件、形势和趋势的显性化释义；解决当今数据环境下的数据繁杂、矛盾和潜在的欺骗问题等。2020财年，项目团队计划通过开发直观界面，允许用户在分析的任何阶段修改所提取的语义元素和所生成的假设，使用真实世界数据评估所生成假设的有效性和完整性。

    “自动知识提取”（AKA）项目。AKA将开发各种技术，使不同的数据和信息源自动集成到一个整体，利用语义技术和机器学习方面的进步，使机器能够在不需要人工干预的情况下完成整个数据集成功能。AKA技术主要用来帮助战场作战人员自动建立和维持对目标区域军事、政治、经济、社会和文化的广泛认知。

“确保AI抗欺骗可靠性”（GARD）项目。该项目旨在开发新一代防御技术，抵抗针对机器学习模型的对抗性欺骗攻击。2019财年，项目团队将识别漏洞产生的原因，为机器学习算法的鲁棒性制定指标；2020财年计划开发提高机器学习系统应对欺骗数据和敌对攻击鲁棒性的方法，通过挑战性问题、攻击模拟和公开竞赛建立机器学习风险评估试验台。

    预计到2020年认知能力逐步提高，从自动行为转变为自主行为，能预先感知人、城市环境和有效操作；加强人机交互，实现合作与信任。2020年以后，进一步完善认知能力，提高自主能力，同时实现一些概念，例如，智能化无人系统编队在对抗环境中的自主作战，无人系统（“忠诚僚机”）与有人平台协同作战。

3 美军认知亟待解决的关键技术

    首先需要多情报传感器/模式和/或武器的交叉提示和/或动态任务重新分配能力，以辅助认知。需要精确的导航与受时，交叉提示传感器，交接能力和将信息传送到其他系统，将数据分发到地面的控制站，多输入、多输出通信以获取准确的信息。

    其次，需要将数据转化为信息，进一步将信息转化为知识。当前的机器学习系统无法不断学习或适应新的情况。系统程序在经过训练后就会固化，因此在系统部署后，无法对新的、不可预见的情况做出响应，而通过增加新信息来修改程序缺陷又会改写现有的训练集。

同时，目前采用的OODA环不适合于“灰色地带”作战，因为这种环境中的信息通常不够丰富，无法得出结论，且对手经常故意植入某些信息来掩盖真实目的，导致认知不够准确。

    机器的常识问题，仍然无法得到解决。无法感知、理解和判断事物，缺乏机器常识，会阻碍智能系统与世界、与人的自然交流、在不可预见的情况下合理行事并从新的体验中学习，这种缺失可能是我们今天所拥有的狭隘的人工智能应用程序与我们未来想要创建的更通用的人工智能应用程序之间最大的障碍。

4 结论

    认知技术是人工智能发展的重要组成部分之一，美军从人工智能建设之初，就将认知技术作为其重要支柱之一加以大力发展，目前美军认知技术已具备了初级乃至中级的语言理解，认知信息背后含义的能力，特对是对军事信息分析，有着不可替代的作用。

本文来源：人机与认知实验室

投稿邮箱：liuyali@c2.org.cn

长按下方二维码    免费订阅

C2

如何加入学会

注册学会会员：

个人会员：

关注学会微信：中国指挥与控制学会（c2_china），回复“个人会员”获取入会申请表，按要求填写申请表即可，如有问题，可在公众号内进行留言。通过学会审核后方可在线进行支付宝缴纳会费。

单位会员：

关注学会微信：中国指挥与控制学会（c2_china），回复“单位会员”获取入会申请表，按要求填写申请表即可，如有问题，可在公众号内进行留言。通过学会审核后方可缴纳会费。

近期活动：

长按下方学会二维码，关注学会微信