識別和打擊目標過程極為耗時，儘管現階段的技術進步已經大幅縮短了由識別目標到執行打擊的時間，但高端大規模衝突所面臨的瞄準速度與數量的挑戰，對進一步壓縮處理和打擊目標所需時間提出了更高要求。為解決這一挑戰，美軍多年來圍繞利用深度學習技術進行軍用目標識別方面開展了諸多研究，其中近年來備受美軍重視的Maven項目就是典型代表之一，該項目已經在目標識別的精度與持續性方面取得一定進展，並已經在演習演訓，乃至實戰中進行了驗證。

一、Maven項目及其發展情況

美國國防部於2017年4月啟動了Maven項目之後多年來持續開展研究，將其作為美國人工智能軍事工作的核心，致力於加速大數據與機器學習的整合，實現有別於傳統系統的高精度、持續監視與識別能力，如下表所示。

表：Maven智能系統情況

結合上表分析得出：該系統通過整合多種數據流，能夠實現高精度、持續目標識別與定位能力，並且在其運用過程中，人類操作員始終處於循環中，在執行打擊之前均會確認Maven智能系統的建議。而計劃形式轉向美國國防部正式“記錄計劃”，已然表明其可能已經克服了傳統人工智能系統所存在的數據不可靠、圖像質量差、在老式軍用硬件上性能緩慢等技術障礙。

現階段，美國各軍種均在廣泛探索運用Maven系統進行情報分析、目標識別和戰場態勢感知，整合衛星圖像和地理定位數據，實施打擊，以及基於對大量數據分析識別部隊動向和潛在威脅預測供應需求和優化部隊部署，助力幫助後勤和規劃工作。

此外，美國陸軍研究實驗室於2024年9月授出五年期合同更是說明美軍在將該系統擴展到各軍種的同時，正在簡化、加速各軍種對Maven現有功能的訪問，而這些將進一步增強美各軍種之間的協同作戰能力，並推動其聯合全域作戰的發展。

二、實戰運用

Maven系統已經在俄烏衝突中，以及也門、伊拉克和敘利亞等中東、中亞和南亞部分地區開展的行動中得以運用，並在目標探測、為打擊決策提供信息等方面發揮了關鍵作用。

(1)實戰運用情況

在此將Maven系統的典型實戰運用情況進行梳理，如下所示。

表：Maven系統實戰運用

結合上表分析可知：

Maven系統的目標識別算法已經能夠根據衛星和其他數據源捕獲的圖像定位、識別對手的火箭/火箭發射器、導彈、無人機儲存庫和民兵設施等目標，再由作戰人員操作武器系統，由此有助於加速作戰節奏。

人工智能系統工作示意圖(源自烏克蘭國防部)

Maven系統的實戰運用證明了即使利用機器視覺這種最基本的人工智能形式，也可以對無人機進行編程，使其在現場使用之前繪製出飛行路徑上的地形圖，這也意味着無人機無需與衛星聯繫，無需依賴於美國的先進情報系統的信息輸入;

實戰運用為美軍提供了有關人工智能的弱點以及需要改進的地方的經驗教訓(據稱在支持烏克蘭的最初10個月裡，Maven系統就經歷了50餘輪改進)。

(2)局限性分析

在實戰運用中，Maven系統已經表現出了較為優異的目標識別能力，但同時也暴露了其局限性，如在俄烏戰爭中，簡化版Maven的表現就好壞參半，識別準確率會受環境等影響。

1)識別準確率受限於某些環境條件

實戰驗證結果顯示，Maven系統易受某些環境條件(如雪、茂密的樹葉、沙漠地形等)影響而導致識別準確率降低，如在某些情況下，該系統會將車輛誤認為樹木，或難以區分真實誘餌和充氣誘餌;或者在沙漠地形中，由於地貌會根據天氣條件突然變化，Maven的識別準確率也可能會大幅下降。

2)尚無法智能確定攻擊優先次序與最佳武器

美國中央司令部曾對人工智能推薦引擎進行了試驗，結果表明該系統在確定最佳攻擊順序或為特定目標選擇最佳武器方面效率較低，這說明Maven系統現階段仍然主要被用於幫助識別潛在目標，尚無法被用於核實目標或部署武器，仍有待進一步完善與訓練。

綜上可知，美軍已經基於Maven系統初步實現了智能目標識別並進行了實戰驗證，這為美軍未來以前所未有的規模開展行動，同時識別和追捕數千個目標奠定了一定基礎，並且該能力對於在高端大規模衝突中提升瞄準速度與數量尤為重要，有助於釋放人力資源以執行其他關鍵任務。儘管該系統的識別準確率有時受限於某些環境條件，但其在提高目標識別與打擊精度，以及推動蜂群與自主作戰技術發展方面所發揮的作用不容忽視，跟蹤研究其技術發展與運用情況，並圍繞相關不足或者漏洞等研究相關對策需引起重視。