本研究深入探讨人工智能对现代军事行动的变革性影响,重点关注其在信息战、网络冲突及指挥控制体系中的作用。随着人工智能技术的快速发展,其与军事战略的融合带来了显著复杂性,同时显著增强攻防两端能力。开篇章节探究人工智能在信息战中的应用:借助人工智能赋能工具,可实现虚假信息宣传、定向舆论引导与社交媒体操纵等策略的自动化,以破坏敌方通信并影响公众舆论。研究评估网络攻击对军事硬件与作战的影响,强调军事系统对数字网络日益增长的依赖性及网络威胁带来的脆弱性。研究进一步考察人工智能与指挥控制体系的整合,特别是在网络中心战领域,并为巴基斯坦在军事行动中利用人工智能与机器人技术提供战略见解。本研究突出强调在互联程度日益加深的数字时代,适应新兴技术以保障国家安全的迫切性。

人工智能在军事及非军事领域均发挥着深远作用。自冷战伊始,人工智能与机器人技术通过解码机械、核导弹、喷洒场、优化医疗救护及精确通信等手段,持续推动战争战术革命(马丁,2021;莫尔德,2010)。正如俄罗斯总统普京所言:"谁成为人工智能领域的领导者,谁就将统治世界"(卡辛,2023)。近期俄乌战争与巴以冲突中,自杀式无人机、自动化机器人狙击手、核力量管理与网络防御等应用,彰显了人工智能与机器人技术的关键作用。由于可降低人员伤亡风险、减少训练成本与物资供给需求,且整体效能优于传统战争模式,各国正持续投入人工智能与机器人技术研发,使之成为未来战争形态(阿加瓦尔,2023)。人工智能亦深刻影响信息作战。信息作战旨在影响对手的信息与信息系统,同时保护己方信息与信息系统(库尔,2002)。人工智能对信息作战的进攻与防御两端均产生影响。进攻端通过先进算法生成虚假信息与误导性主张,操纵公众舆论与敌方决策(戈罗坚科与塔拉维拉,2020)。此外,还能通过自动化巡逻、威胁识别与恶意软件部署等任务增强网络攻击能力(马赫迪与兹维特,2020)。防御端则能有效检测算法中的恶意活动并立即采取应对措施(祖耶夫等,2019)。认知管理已成为流行战术——敌对行为体通过人工智能在战术、战役与战略层级散布错误信息,操纵公众与指挥官的信息感知(美国国防部,2018)。此类战术在巴以冲突与俄乌战争中均有应用。战术层面,利用人工智能制造虚假信息与宣传,操纵对手对战场态势、意图与强弱关系的认知,可有效干扰敌方决策(霍华德与科兰伊,2016)。战役层面,敌对行为体可借助尖端人工智能技术解析敌方军事计划与实施,通过分析新闻报道、舆论与媒体趋势识别脆弱信息,进而操纵对手认知管理并诱发决策自我怀疑(美国国防部,2018)。战略层面,人工智能赋能工具可发挥强大乃至骇人的作用:通过新闻报道预测分析、媒体趋势研判与舆论引导式网络虚假信息运动,不仅能重塑地缘政治格局,还能按自身意愿影响领导者思维与其战略制定(塔代奥与弗洛里迪,2018)。

网络攻击与军事行动亦可能影响军事硬件系统。通过黑客手段可突破无人机、坦克或飞机等军事硬件的安全协议,并按其意图操控运行轨迹(里德,2013)。黑客攻击通信系统、后勤与武器制导等关键系统将引发混乱并中断作战行动。此外,因黑客漏洞导致的网络与人工智能技术使用迟疑,将限制军方有效部署战略的能力(利比基,2009)。尽管人工智能在指挥控制体系中展现强大能力,其在网络中心战某些领域仍存在不足。一方面,通过分析海量数据与识别脆弱信息提升指挥决策效能(海军陆战队作战发展司令部,2017);另一方面,这些系统易受黑客与网络攻击,信息篡改可能导致其可靠性存疑,从而降低网络中心战理念的有效性。积极影响还包括高效分析多源信息,为指挥员与控制系统提供全面有序的战场环境认知,辅助决策制定。

多项研究阐释了世界从传统战争向现代人工智能与机器人驱动战术的重大转变,揭示战争形态从传统方式向人工智能与自动化决策战斗模式的演进。此外,研究还明确国际人道法框架下机器学习武器的管控维度。然而,现有研究忽视了对人工智能与机器人技术如何改变军事战争格局的具体分析,以及人工智能驱动军事技术的内在风险与脆弱性——包括网络攻击威胁、黑客入侵与敌对行为体操纵等。因此,亟需聚焦战争格局变化本质及其内在脆弱性开展深入探究。

成为VIP会员查看完整内容
1

相关内容

人工智能在军事中可用于多项任务,例如目标识别、大数据处理、作战系统、网络安全、后勤运输、战争医疗、威胁和安全监测以及战斗模拟和训练。
《深度学习的军事应用:威胁与机遇》
专知会员服务
34+阅读 · 2月13日
《联合作战中的数字化转型:数字孪生应用案例》
专知会员服务
65+阅读 · 2024年11月29日
深度学习研究及军事应用综述
专知
26+阅读 · 2022年7月7日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
24+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
16+阅读 · 2012年12月31日
国家自然科学基金
15+阅读 · 2012年12月31日
A Survey of Large Language Models
Arxiv
482+阅读 · 2023年3月31日
Arxiv
79+阅读 · 2023年3月26日
Arxiv
174+阅读 · 2023年3月24日
Arxiv
25+阅读 · 2023年3月17日
VIP会员
相关基金
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
24+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
16+阅读 · 2012年12月31日
国家自然科学基金
15+阅读 · 2012年12月31日
微信扫码咨询专知VIP会员