人工智能(AI)究竟是什么?它与电子战(EW)的未来有什么关系?人工智能正在改变我们所做的一切吗?如果忽视人工智能,那将是一个错误。众所周知,特斯拉采用了人工智能算法,特别是卷积神经网络、递归神经网络和强化学习。从根本上说,这些算法可以汇编来自多个传感器的数据,分析这些数据,然后做出决策或向最终用户提供信息,从而以惊人的速度做出决策。这一过程以指数级的速度发生,超过了人脑的处理速度。因此,从根本上说,人工智能是机器像人类一样执行认知功能的能力。

人工智能可以驾驶汽车、撰写学期论文、以适当的语气帮你创建电子邮件,因此,它在军事领域的潜在应用也是理所当然的。具体来说,就是整合人工智能电子战及其提供的潜在能力转变。虽然 "电子战 "一词已经使用了相当长的一段时间,但将人工智能注入这一领域为提高速度和杀伤力和/或保护开辟了新的途径。

电子战包含一系列与控制电磁频谱有关的活动,传统上一直依赖人类的专业知识来探测、利用和防御电子信号。然而,现代战争的速度和复杂性已经超出了人类操作员的能力。这正是人工智能的优势所在,它带来的一系列优势将彻底改变电子战的格局。

将人工智能融入电子战的首要好处之一是增强了实时处理和分析海量数据的能力。在数字时代,战场上充斥着来自通信网络、雷达系统和电子设备等各种来源的大量信息。人工智能算法可以迅速筛选这些数据,识别出人类操作员可能无法识别的模式、异常情况和潜在威胁。这种能力不仅能提高威胁检测的准确性,还能大大缩短响应时间,使友军在快速演变的局势中获得关键优势。

在这种情况下,人工智能赋能的兵力倍增器就出现了,它能在面对复杂多变的局势时做出更高效、更有效的决策。现代战场会产生大量电子信号,需要快速准确地识别。人工智能驱动的算法擅长筛选这些数据、辨别模式,并识别在以往场景中可能被忽视的信息。这使兵力能够迅速做出反应,以更快的速度做出关键决策。

此外,人工智能还具有适应和学习新信息的能力,这一特性在电子战领域尤为有利。电子威胁和反制措施处于不断演变的状态,需要反应迅速和灵活的策略。人工智能驱动的系统可以根据不断变化的情况迅速调整战术,持续优化性能,而无需人工干预。这种适应性对于对抗复杂的电子攻击和领先对手一步至关重要。

人工智能与电子战的融合还为指挥官提供了更先进的决策工具,比历史标准更详细、更快速。人工智能算法可以分析各种场景,考虑地形、天气以及友军和敌军兵力等因素。这种分析为指挥官提供了全面的战场情况,使他们能够在充分了解情况的基础上做出决策,最大限度地提高任务成功的概率,最大限度地降低潜在风险。此外,人工智能驱动的模拟可以演绎不同的场景,使军事规划人员能够完善战略,评估不同行动方案的潜在结果。美国今年早些时候进行了一次以印度洋-太平洋地区为重点的演习,将大语言模型(LLM)作为规划和决策过程的一部分。一位演习成员称赞了系统 "学习 "的成功和速度,以及系统成为战场上可行资源的速度。另一个例子是,利用已输入人工智能系统的数据对目标清单进行优先排序,人工智能系统能够考虑瞄准行动、网络,从而比操作人员更快、更全面地了解战区情况。

不过,必须承认,要完成人工智能整合,还存在一些潜在的障碍。首先,美国防部大多数实体无法直接获得人工智能技术。大多数从事前沿人工智能工作的组织都是商业公司,它们必须与军事系统合作或集成。这可能会受到美国现行预算和研发流程的阻碍。此外,美国的这些流程进展缓慢,人工智能技术很有可能无法融入美国兵力。还有潜在的道德和安全考虑。随着人工智能系统在探测和应对威胁方面承担更多责任,人类的监督和控制水平也会出现问题。为了与战争法则保持一致,需要有人工参与,而不是完全依赖人工智能来做出攻击决策。任何时候,只要有可能造成人员伤亡、附带损害或其他问题,就需要人类做出有意识的知情决策,而不能任由人工智能自生自灭。在人工智能自主决策和人工干预之间取得适当的平衡至关重要,以防止意外后果或机器在没有适当问责的情况下做出生死攸关的选择。

最后,人工智能的整合引发了对潜在网络漏洞的担忧。虽然人工智能可以提高电子战的速度和准确性,但它也为试图操纵或破坏人工智能系统的恶意行为者带来了新的攻击途径。要保护这些系统免受网络威胁,就必须采取强有力的整体网络安全方法,同时考虑到人工智能驱动的电子战的硬件和软件层。

最后,不可否认,将人工智能融入战争预警的潜在战略利益是巨大的。人工智能处理海量数据、适应不断变化的条件和支持决策过程的能力有可能重塑现代战争的格局。随着兵力越来越依赖技术来保持在数字化作战空间中的优势,负责任地开发和部署人工智能驱动的预警系统将是必要的。 如何在技术创新、人工监督和安全措施之间取得适当平衡,将决定能在多大程度上实现这些优势,同时又不损害战略目标或道德考量。美国采购系统面临的挑战也将在人工智能集成中发挥关键作用。人工智能在电子战中的变革力量有可能改变游戏规则。问题是:它会吗?人工智能将如何融入新型 EC-37B Compass Call 和 NexGen 干扰机等未来平台?陆军是否会将人工智能纳入其推动营级决策的努力中?这些都是值得探讨的问题,但有一点是肯定的:电磁作战界必须继续接受创新思维,因为我们知道未来的战斗将在电磁频谱中开始和结束。人工智能将在现代战争的新时代发挥关键作用。

成为VIP会员查看完整内容
75

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。
战争算法:人工智能在武装冲突决策中的应用,ICRC视角
专知会员服务
90+阅读 · 2023年10月28日
《美陆军:将人工智能融入团队认知》47页报告
专知会员服务
89+阅读 · 2023年10月26日
作战战术决策中的人机对比
专知会员服务
71+阅读 · 2023年10月17日
利用人工智能测试军事认知系统
专知会员服务
64+阅读 · 2023年9月17日
《降低人工智能对军事决策优势的风险》2023最新39页报告
《可信人工智能: 将人工智能融入美国陆军知识体系》
专知会员服务
118+阅读 · 2023年4月12日
《人工智能在军事武器系统中的崛起》
专知会员服务
118+阅读 · 2023年3月21日
《人工智能在作战规划中的应用》北约科技组织18页论文
专知会员服务
114+阅读 · 2022年11月15日
打开黑盒:可解释机器学习在心脏病学中的前景和局限
专知会员服务
22+阅读 · 2022年7月22日
机器学习的 7 个关键军事应用
专知会员服务
265+阅读 · 2022年4月24日
可信任机器学习,34页ppt
专知
5+阅读 · 2022年11月29日
「基于通信的多智能体强化学习」 进展综述
通过集成 XNNPACK 实现推理速度飞跃
TensorFlow
26+阅读 · 2020年7月30日
无人驾驶仿真软件
智能交通技术
21+阅读 · 2019年5月9日
斯坦福AI实验室机器学习编程新范式:弱监督
机器之心
12+阅读 · 2019年3月22日
DeepMind:用PopArt进行多任务深度强化学习
论智
27+阅读 · 2018年9月14日
机器学习必备手册
机器学习研究会
18+阅读 · 2017年10月24日
国家自然科学基金
4+阅读 · 2017年12月31日
国家自然科学基金
7+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31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
5+阅读 · 2015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
6+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
1+阅读 · 2014年12月31日
Arxiv
132+阅读 · 2023年4月20日
A Survey of Large Language Models
Arxiv
326+阅读 · 2023年3月31日
Arxiv
56+阅读 · 2023年3月26日
Arxiv
115+阅读 · 2023年3月24日
VIP会员
相关VIP内容
战争算法:人工智能在武装冲突决策中的应用,ICRC视角
专知会员服务
90+阅读 · 2023年10月28日
《美陆军:将人工智能融入团队认知》47页报告
专知会员服务
89+阅读 · 2023年10月26日
作战战术决策中的人机对比
专知会员服务
71+阅读 · 2023年10月17日
利用人工智能测试军事认知系统
专知会员服务
64+阅读 · 2023年9月17日
《降低人工智能对军事决策优势的风险》2023最新39页报告
《可信人工智能: 将人工智能融入美国陆军知识体系》
专知会员服务
118+阅读 · 2023年4月12日
《人工智能在军事武器系统中的崛起》
专知会员服务
118+阅读 · 2023年3月21日
《人工智能在作战规划中的应用》北约科技组织18页论文
专知会员服务
114+阅读 · 2022年11月15日
打开黑盒:可解释机器学习在心脏病学中的前景和局限
专知会员服务
22+阅读 · 2022年7月22日
机器学习的 7 个关键军事应用
专知会员服务
265+阅读 · 2022年4月24日
相关资讯
可信任机器学习,34页ppt
专知
5+阅读 · 2022年11月29日
「基于通信的多智能体强化学习」 进展综述
通过集成 XNNPACK 实现推理速度飞跃
TensorFlow
26+阅读 · 2020年7月30日
无人驾驶仿真软件
智能交通技术
21+阅读 · 2019年5月9日
斯坦福AI实验室机器学习编程新范式:弱监督
机器之心
12+阅读 · 2019年3月22日
DeepMind:用PopArt进行多任务深度强化学习
论智
27+阅读 · 2018年9月14日
机器学习必备手册
机器学习研究会
18+阅读 · 2017年10月24日
相关基金
国家自然科学基金
4+阅读 · 2017年12月31日
国家自然科学基金
7+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31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
5+阅读 · 2015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
6+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
1+阅读 · 2014年12月31日
微信扫码咨询专知VIP会员