在著名的“阿爾法狗斗”模擬近距離空戰中，AI（人工智能）五次連勝F-16飛行員，引起了世人的關注，本文將重點介紹此次決戰的相關細節，並討論AI在軍事中運用的可能性、局限性與發展。

　　在美國國防高級研究計劃局的“阿爾法狗斗”虛擬空戰中，AI（人工智能）擊敗了現役F-16飛行員。這一結果令全世界震驚。當然，實際上決戰的條件設置中存在着對AI有利的內容，而且整個流程並非完全遵循實戰。那麼，AI究竟能在戰場上做什麼呢？本文將基於軍事領域中AI的運用情況，探尋其可能性。

　　AI將取代人類？

　　近年來，民間產業界經常能夠聽到有關於AI的運用和研究的話題。我們幾乎每天都能看到關於“AI能做XX事”的新聞報道，亦能看到“人類工作將被AI取代”的煽動性文章。就連在軍事領域，也存在着數不清的武器、系統或實證試驗，讚譽着AI的活用。

　　在這當中，當屬DARPA舉辦的“阿爾法狗斗挑戰試驗”最為吸睛，這是個引起話題的重要案例。這項活動於2020年8月舉行，通稱為“阿爾法狗斗”，該活動本預計在4月進行，但由於新冠疫情的影響被迫推遲，最終於8月舉辦。

　　“阿爾法狗斗”的內容，是由學習了戰鬥機之間近距離格鬥的AI與現役F-16飛行員進行“對戰”。話雖如此，但若真的用實機進行試驗的話風險過高。因此，F-16飛行員操作模擬器與電腦中的AI進行了對戰。此種形式的對戰結果，是AI一方的“五戰全勝”。

　　以前也有以“AI戰勝人類”為話題的事例。那就是谷歌用深層學習技術開發而成的人工智能圍棋程序“阿爾法狗（Alpha Go）”與韓國的職業棋手的對戰，人工智能最終獲勝。當AI在一個大家都覺得“人總比電腦強”的領域中出人意料地獲勝，那些對新鮮話題十分饑渴的記者們自然會飛奔而來。同理，在“阿爾法狗斗”的消息引爆媒體時，也一定有人會說，“現在載人戰鬥機已日薄西山，從此是AI稱霸的無人機時代了”。

　　然而，只要稍稍調查過“阿爾法狗斗”的幕後情況，或是學習過AI本身，即便不是朝日新聞這樣專業的媒體，也會提出“稍等，這裡有問題”的質疑。

　　能讓AI做什麼：傳感器數據解析

　　接下來，本文將詳細聊聊在軍事領域中AI技術的活用。利用AI的核心在於“準備大規模的數據，讓AI進行深度學習，就可以構建能完成高精度推理的AI”。換句話說，“要使AI能進行高精度推理，其基礎在於讓其學習大量數據”。

　　最為引人矚目的，是AI對傳感器信息的解析。首先讓我們來回顧一下，人類是如何處理接收到的傳感器信息的。

　　請想象一下，由無人機搭載的紅外傳感器捕捉到地面上有一些人的場景。如果是我們看到這一畫面，可以判斷“哦，這裡有人”，這是基於我們過去學習經驗的推理能力在發揮作用。也就是說，正是因為我們事先知道“人類是這樣的”、“人類會這樣行動”、“人類的體溫會比周圍的背景溫度高，因此在紅外線下會呈現出與背景不同的樣子”，才能在看到紅外傳感器圖像之時區分建築物、植被與人類。這就是“基於學習的推理”。

　　就算對象不是人類，而是飛機、建築物或者艦艇等，其基本邏輯也是一樣的。用什麼東西可以傳感出什麼圖像、獲得什麼數據，我們通過多次實驗積累數據，學會了如何從圖像推導目標對象。如果沒有基於經驗的學習，那我們面對的只是電腦上的一些字符串而已。

　　“目標對象是什麼”當然是重要的信息，“目標對象在做什麼動作”也是非常重要的信息情報。舉例而言，紅外傳感器拍攝影像拍到了若幹個人，根據他們的站立位置與動作，可以推測“他們到底在做什麼”。同樣拍到5個人（“5”這個數字是隨機選擇，沒有什麼深刻含義），根據他們的不同位置關係能推導出的目標行為是完全不同的。

　　若在5人當中，4人停下腳步圍着其中一人，這代表了什麼呢？這種情況中，獨立的那一人很有可能是指揮官或者領導，正在給其他4人下命令。此外，這也可能是4個下屬正分別向領導進行匯報。

　　那如果同樣是5人中有一人稍稍離隊，另外4人排成一列的情況，又該如何解析呢？他們之間的關係也許相似，但具體狀況就不一樣了。無論領導是在下命令還是訓誡下屬，這樣的列隊方式，往往會出現在後方，而非最前線，往往體現了日常訓練、而非戰時行動。

　　此外，如果5人中出現了其中4人圍着一人移動的情況，又該如何解讀呢？被圍着的那位，有可能是“要保護的指揮官或領導”，亦可能是“被捕俘虜或人質”。

　　類似的例子難以窮盡，此處點到為止。以上展示的也是運用“學習和推理”機能的其中一個例子。我們人類通過大量的經驗與觀察，積累了很多數據，能夠把握“在這樣的情況下，人會如何排列，如何運動”。這就是上文提到的推理能力在發揮作用。那若讓AI進行這樣的學習，是否可以進行同樣的推理呢？

　　能讓AI做什麼：決策

　　無論在陸戰、海戰還是空戰，在進行戰術教育時，都會列舉過去發生過的種種實戰案例進行參考。在陸戰中常說的“要想掌握戰術，就必須處理超出想象的各種情況，戰術就是實戰經驗的積累”，意指的就是通過學習過去事例，從而引導出屬於自己的戰術的這一過程。

　　要進行戰術性決策時，需要決定的具體方面包括敵我各自可能行動的預測、當下環境狀況的勘探、麾下戰力的行動方式、兵力的運用方法等等。若敵軍按軍事教材般襲來，我方亦只需按教材那樣進行防守即可。但實戰若並未按教材般展開的話，我們就要通過所謂的“攻其不備”來掌握主導權了。但是，若連教材所教的、所禁止的行動都不懂的話，是無法“攻其不備”的。

　　因此，在這個領域也同樣需要學習與基於學習的推理。

　　狗斗中的AI

　　在此，首先談一下文初提到的“阿爾法狗斗”。在DARPA於2019年10月舉辦的“阿爾法狗斗挑戰試驗”中，有8支隊伍參賽，他們分別是：

　　·極光飛行科學公司（AURORA Flight Sciences）

　　·EpiSCI

　　·佐治亞理工大學研究所（Georgia Tech Research Institute）

　　·蒼鷺系統公司（Heron Systems）

　　·洛克希德·馬丁公司（Lockheed Martin Corp。）

　　·透視實驗室（Perspecta Labs）

　　·physics AI

　　·碩電（SoarTech）

　　2019年11月，比賽在約翰霍普金斯大學的應用物理研究所（JHU/APL）舉行了第一次試驗，並於2020年2月舉辦了第二次，2020年3月在內利斯空軍基地舉辦了第三次試驗。

　　在最終階段，各隊的AI與JHU/APL開發的“敵方AI”進行對戰，最後獲勝的蒼鷺系統公司AI獲得了在“阿爾法狗斗”中對戰F-16精英飛行員的資格。

　　然而，如前文所述，AI離不開“學習和推理”。純粹的基礎AI僅僅處於一個“什麼都不懂”的狀態。因此，給予AI各種任務，讓它進行學習的過程至關重要。

　　若以各種傳感器將傳來信息為前提，AI首要的學習任務就是情況識別，在此基礎上，應採取怎樣的行動則是飛行員的工作。普通情況是指從後方攻擊敵機，但近年來，亦有可以離軸（off-boresight）交戰的紅外製導導彈，這另從後方攻擊成了非必要選項。這樣可以增加戰術靈活性，但也會讓判斷複雜化。

　　由此，AI可以結合已把握的狀況，預想敵機會如何活動，判斷我方應如何反應，是否到了使用武器的時刻等等。如此，AI就可以積累經驗，學習選項和判斷導向下的優先順序（加權）決策。

　　而蒼鷺系統公司具體做了什麼呢？事實上，該公司的AI已經具備了與擁有12年戰鬥機飛行經驗的飛行員相當的經驗，共執行了約40億次任務。通過這些任務，該AI學習了“什麼能做”“什麼不能做”“考慮行動的輕重緩急”等相關內容。換句話說，要成為在狗斗中獲勝的AI，必須學習大量有關空中格鬥的數據，沒有這些數據，AI就不可能獲勝。

　　此外，2020年8月的“阿爾法狗斗”中，限定雙方進行“一對一”決戰，所以此次AI五戰全勝是在單挑的情況下實現的，我們並不知曉在“多對多”情況下，AI的表現會如何，這是需要注意的。當前，作為AI空中格鬥改進版的“二對一”決戰試驗已經在探討中，其中藍軍（己方）2架，紅軍（敵方）1架。由“一對一”向“二對一”邁進，這種發展趨勢讓人們戲稱：“AI馬上就要讓戰鬥機飛行員失業了”。

　　值得一提的是，在“阿爾法狗斗”中AI能夠獲勝，有以下幾點需要釐清。

　　首先，“阿爾法狗斗”並不是在完全實戰的背景下實施的，AI已經在決戰之前獲得了作戰所需的全部必要數據，在情況認知方面已經處於優勢。

　　其次，一般載人飛機之間的格鬥都要保持在150米以上，而此次決鬥沒有這個限制，允許在極限近距離的情況下進行交戰。飛行員出於本能考慮到自身安全因素會儘量避免極限距離的空中接觸和衝突，而AI則根本不會考慮這一點。所以對人類飛行員來說，AI在極限範圍內發起突擊是根本無法預料的。

　　AI試驗的目的

　　很多人認為，空中作戰中AI越來越厲害，戰鬥機飛行員馬上就要失業了。但事實上“阿爾法狗斗”的目的並非如此。決戰的真正目的是證實AI能夠做到這個程度，取得AI事業相關人員的信任。

　　一旦證實AI能夠執行空中任務，那麼伴隨載人戰鬥機的智能無人“忠誠僚機”也能夠得到活用。對載人戰鬥機來說過於危險的任務也能交給AI戰鬥機執行。事實上，不只是空中格鬥，在其他技術領域也一樣需要各種技術試驗來獲得整個行業的信任。

　　在空中格鬥領域，AI的優勢在於戰術動作決策方面。事實上，由DARPA牽頭的這項決戰，還是在空中格鬥的試驗階段，距離實用還非常遙遠，這也是為什麼要由DARPA來組織這項活動的原因。相比較而言，依託AI進行傳感器信息處理則更為實用。那麼具體AI是怎麼進行傳感器信息處理的呢？

　　AI進行傳感器信息分析的實例

　　在導彈制導領域，依託AI對傳感器數據進行處理分析是最為常見的。比較著名的就是洛馬公司研製的機載反艦導彈AGM-158C  LRASM中最為關鍵的制導部件，該部件由BAE系統公司提供。

　　大部分反艦導彈會通過主動雷達制導來引導飛行的最終階段。原理是依託位於導彈前端的雷達對目標進行捕捉，然後通過空中動作的調整接近並打擊目標。這些先進的導彈可以不分晝夜地進行全天候攻擊，但防禦方可能使用電磁干擾裝置對導彈的雷達波進行搜索，進而通過電磁干擾阻止導彈命中目標。在這種情況下，像RIM-116 RAM這樣的艦載反輻射導彈就會以電磁干擾裝置的輻射源為目標進行精準打擊。

　　在這些導彈中，LRASM反艦導彈就是比較特殊的一型，該導彈撤除了主動制導部件，在飛行中一旦發現敵艦發出的紅外或者是電磁波信號，就會對信號源進行鎖定並接近，因為該導彈使用的是被動制導技術，所以無法被敵艦的雷達波感知搜索到。因此，如果敵艦為了防止被該導彈擊中而停止雷達的使用，其防空能力就會大大減弱。此外，海上艦船作為紅外放射源是不可能停止向外散發紅外信號的。

　　但從導彈本身來看，被動制導方式存在只能感知到目標的位置而無法感知到環境變化的問題。並且，水面艦艇在大部分場合都是有多艘艦組成陣型集體行動的，電磁波和紅外線的信號源非常多，如何選擇打擊目標也是個問題，必須打擊指揮中樞艦、航母、兩棲登陸艦等高價值目標，打擊低價值的小目標是沒有意義的。有人提出，選擇攻擊電磁波和紅外線強度較強的信號源不就行了？但在這種選擇下，導彈很有可能會打到敵方專門設置的誘餌目標上。

　　考慮以上種種因素，當雷達探知到多個紅外和電磁信號源時，必須篩選出值得攻擊的高價值目標。筆者判斷，LRASM導彈可能利用AI技術實現了這種篩選。

　　水面艦艇作戰群在行動時，一般有“縱隊陣”“橫隊陣”“圓形陣”等各種陣型，每種陣型中高價值目標的位置一般都是固定的。因此，當導彈制導系統探知到以陣型行動的水面艦艇，也許就能夠通過感知電磁波和紅外信號源的組成形狀來推測高價值目標的位置。在不斷學習各種陣型數據之後，即便是被動制導的導彈，也能夠篩選出高價值目標進行打擊。

　　當然，要實現這種功能，最好能夠提前知道敵方雷達和通信器材的電磁波特徵信息，以幫助辨識目標。

　　不過這裡要多說一句，以上只是筆者的推測而已，到底LRASM導彈能不能活用AI系統，洛馬和BAE系統公司都沒有公開任何詳細的信息。

　　基於影像的自動目標識別

　　以色列拉斐爾先進防禦系統公司的公開信息顯示，該公司研製的制導炸彈SPICE250的目標識別系統運用了AI技術。該型制導炸彈搭載電子光學傳感器，能夠依託可見光影像或者紅外影像鎖定目標。在這個過程中，該炸彈依託AI技術實現了自動目標識別（ATR）。

　　就像上文說的一樣，光學傳感器也好，紅外傳感器也好，都具備將收集到的信息數據化的功能，這些數據以字節的形式進入AI程序展開識別作業。“這可能是卡車”“這可能是坦克”“這可能是掩體”…… AI能夠提出推測結論，幫助決策者選擇目標。