摘要：当前，人工智能技术发展迅速，在军事领域的应用潜力巨大，但其所使用的数据集都需要进行预先的数据整合和处理，这就极大增加了人工智能的使用成本，也产生了一些可为敌方所利用的漏洞。以AI融合技术为基础的分布式人工智能就很好的解决了这些问题，能很大程度上减少人工智能的使用成本，提高多域作战能力和实时态势感知能力。文章详细介绍了当前人工智能在多域作战中的局限性，并对AI融合技术及其应用进行了探究，为未来人工智能技术在军事领域的应用提供了参考借鉴。

关键词：人工智能，AI融合，分布式AI，多域作战，态势感知

人工智能（AI）的创新速度之快前所未有，而且还在逐年加速。随着机器学习、计算博弈论和自主技术等关键技术的研究深入和进步，今天的AI可以增强人类能力，提高关键任务的生产力和效率，而这在两年前还是不可能的。对于美国国防部和情报界来说，这项创新将通过融合从企业到战场前线的多域系统和传感器的信息，极大地提高态势感知和决策能力，从而最大限度地提高任务效率，降低风险，挽救生命。

一、当前AI在多域作战中的局限性

在过去几年里，AI在多域作战的运用取得了令人难以置信的进步，但目前AI在多域作战中为决策者提供实时态势感知的能力以及其快速、准确应对突发事件和威胁的能力还十分有限。

• AI需要在发展迅速和竞争激烈的环境中，从战场上的确定性系统和传感器中进行大规模数据汇总和存储。
• 从前线作战平台和传感器到战术HPC节点和企业云的大量数据传输和汇总需要广泛而持久的高带宽连接。
• 作战人员必须进行广泛的数据工程，将数据整合到一个成体系的实体中，以便通过AI算法进行处理。这需要大量的时间和作战人员的监督才能启用AI。

AI提供的关键优势之一是人类增强（Human augmentation）和增强决策支持（enhanced decision support），它们是下图所示的传统“包以德循环”（OODA Loop）的一部分。如今，必须花费大量的时间和人力来获取、传输、整合和设计AI所需的大量数据集，以确保其准确、有效并弥补其不确定性。当这种对数据整合的依赖与边缘的动态机会通信（dynamic and opportunistic communications）相结合时，它将导致一个重大漏洞，敌方可对这个漏洞加以利用。敌方可以使AI无法访问从战场上各个领域的军事平台和传感器上收集或存储的关键数据，或者降低AI对这些数据的访问权限，以此来破坏AI在多域作战中的影响或可用性。

包以德循环和多域作战示图

当今人工智能所需的数据聚合和工程的高度确定性极大地限制了其适应和集成数据源的能力，由于美国及其盟国、伙伴的行动或者协调多域作战，这些数据源随着时间的推移，可能变得在战场上可用。美国与盟友之间以及美国不同军事部门之间访问或共享数据的能力也受到不同级别的网络和系统的严重限制，这些网络和系统保护数据的安全性、机密性和完整性，也保护着收集或存储数据的传感器。这使不同分类、不同网络的海量数据集的整合变得非常复杂，也使AI很难在不确定和可靠的方式下为多域作战提供及时、准确的见解。为了通过人机协作建立信任，AI必须以相关性速度（speed of relevance）工作，同时还要满足战场上的动态机会通信。

二、加速多域作战的AI融合

AI的创新速度并没有放缓，而是每年都在加速。卡耐基梅隆大学设想在未来6-8年内AI将经历一次重大的新变革，使其能够从今天的高度结构化且可控的集中式架构发展为一种更具适应性和渗透性的分布式架构，这一架构可在企业、前线和嵌入平台的AI系统之间自主融合AI能力。我们将这种转变称为AI融合。以往，AI在使用数据之前，技术人员需要对海量数据集进行整合和处理，并需要“将数据移动到算法”，然后在“云”或企业数据中心进行处理。AI融合将最大限度地减少AI系统使用数据前的这些相关工作。以往，传输数据需要持久、高带宽的连接，还需要使用单片网络和确定性系统将决策者与跨多个域或与盟友和伙伴的关键平台连接起来。AI融合将利用算法的灵活性来实现自主发现数据，并让“算法移动到数据”，使其具备在前线或平台上处理数据的能力，大大减少连接和传输需求。

从集中式AI发展到分布式AI

三、AI融合综合研究重点

AI融合已经在联合学习和神经网络微电子优化方面取得了最新进展，但要真正释放分布式AI在多域作战中的潜力，需要跨四个关键领域的综合研究，以及AI硬件/软件的共同设计和开发，以增强算法灵活性并实现分布式算法处理和集成：

AI融合发展所需的四个关键领域研究

1.AI框架和算法：实现算法灵活性和分布式处理需要开发新的理论框架和算法，使不同数据的自主发现和处理超越了当前联邦学习（Federated Learning）、信息理论和元学习的限制。随着这些进步，云将成为企业与前线作战的各种军事平台和系统之间算法映射和编排的推动者。

2. AI结构和抽象层：AI结构的联合设计和开发对于促进企业和前线之间的分布式算法处理和集成至关重要。基于分布式系统的随机分析和模型，对新的数学定理和框架进行广泛的研究是必要的，以确保新AI算法的性能、优先级、调度、资源分配和安全性，尤其是在与竞争环境中的军事行动相关的高度动态机会通信中。

3. AI微电子和AI嵌入式系统：支持前线和平台上的动态、自主AI处理，需要研发人员对AI微电子的新架构、处理和连接进行广泛研究。更重要的是，需要在人工智能微电子与Al算法和框架及Al结构的共同设计和开发方面进行广泛的研究，以支持单个嵌入式芯片或AI注入系统或平台上的传感器上的算法多线程，并在跨多域作战的军事平台和传感器实现可扩展的训练、推断和预测。

4. AI工程与安全：随着AI应用和部署的指数级增长，我们需要广泛的研究以建立一个新的“AI工程”学科，以开发有弹性、可靠和安全的AI系统。简单地说，AI工程和安全带来了“对能力的信心”——即知道AI系统何时工作，以及何时对其进行改造，随着我们采用算法敏捷性和分布式处理，并在企业、前线以及跨多域运行的AI融合系统之间进行AI能力的融合，这项任务变得更加困难。

四、改变AI体系的基础

2016年，卡内基梅隆大学创建了“AI体系”（AI Stack），作为开发和部署AI的技术蓝图。“AI体系”的前提是：AI不仅仅是一个单一事物。它是由协同工作以实现AI的技术模块构建而成的。“AI体系”也可以被视为一个工具箱，每个模块都包含一组技术，科学家和研究人员在进行新项目和新倡议时可以使用这些技术。每个技术模块都依赖于其下层模块的支持，以增强其上层模块的能力。在传统的集中式AI架构中，所有技术模块都将在“云”或单个“飞地”中进行整合，以启用AI。对于分布式AI，AI融合将通过实现AI理论、框架和算法的变革性发展，改变“AI体系”的基础、AI微电子和AI嵌入式系统、以及AI结构和抽象层，将分布式功能融合在一起，实现前线或平台上的动态、自主AI处理。算法灵活性和分布式处理将使AI能够通过在不同的系统、平台、传感器和在前线作战的设备上同时运行这些关键的AI功能来实时感知和学习。

卡内基梅隆大学创建的“AI体系”（AI Stack）

五、实现多域作战的未来

通过允许分布式算法处理以及新数据源的自主发现和集成，AI融合将大大减少启用AI所需的人工干预。能够在企业、前线、嵌入平台的AI系统和传感器中实现实时态势感知和增强决策支持。AI融合旨在加速AI的转型能力，将任何领域的任何系统或传感器连接到任何决策者，从而从信息中受益或获得重要观点。