军事智能化之机器学习《清明上河图》里几个人几个牲口一览无余 _机器学习

【军事智能化之机器学习《清明上河图》里几个人几个牲口一览无余】　采访人员：在您介绍的这些技术群中，我们经常能看到一些熟悉的字眼。比如“高级机器学习技术群”，这是不是与新闻里常说的“机器学习”有关，目前的进展和未来的趋势怎么样？
吴明曦：是的。机器学习是人工智能科学领域的一个重要里程碑，因为它让机器具备了智慧。过去的机器、计算机、程序、网络、无人系统等，可以在力量、速度、耐力、计算等方面超过人类，但其解决问题的逻辑关系、步骤，还是人类程序员，编写后直接“教”给它的。速度再快，它的“聪明灵巧”程度，还是超不过人类大脑。但“机器学习”不同，是机器自己通过逻辑推理、知识关联、行为奖惩、特征识别、穷举对比、随机寻优、博弈对抗等模型和算法，在解决问题的实践中，经过有监督或者无监督的大量样本学习，不断提高自己解决问题的能力。经过一段时间的训练和增强学习后，它很可能找到一种适合自己“大脑”的方法，比单个人类程序员和一般作战人员可能更聪明、更“智慧” 。
经过10多年的快速发展，目前以机器学习为重点的人工智能技术，在计算机视觉、文本识别、视频识别、语音识别、自然语言处理、无人驾驶、虚拟助手、工业机器人等方面，已经超越了人类，但在推理能力、可理解性、小样本抽象上，比人类还有较大差距。我相信，未来随着各国政府投入、商业投入的大量增加，各种智能软件、仿脑芯片、类脑系统、仿生系统、虚拟现实、数字孪生、作战仿真、平行系统、自然能源采集和新型机器学习等智能科技的发展与应用，将会迎来一个实质性的、全面的跨越和提升。总有一天，与人类智能相近甚至更高的通用智能，有可能会实现。
采访人员：那“深度战场认知技术群”,其中的“深度”是不是与“深度学习”有关？“战场认知”是不是与军事上的侦察、识别、跟踪有关？
吴明曦：战场态势感知是作战的基本前提，在OODA中是很重要的一环。战场的“深度认知”与“深度学习”不是一回事儿，但与军事上的侦察、识别、跟踪有关。战场的深度认知是由战场的复杂性带来的。一是多目标探测、感知和识别，如城市环境下的军事目标、民用目标、地上目标、地下目标、固定目标、移动目标、建筑设施等硬目标、重点人物与社会组织等软目标。二是必须建立天、空、地、海、室内、地下、水下等网络化感知与识别系统，尽量不留盲区和视角。三是多域多源信息关联印证和分析，去粗取精，去伪成真，把战略欺骗、战术伪装、信号干扰等“水分”都去掉，留下干货、硬货。
首先是利用机器学习等技术，对军事目标的图像、视频、电磁、光谱等特性进行采集、分析、建模，大幅提升目标识别概率和能力。主要通过军用天基、空基、地基、海基平台多种探测手段，利用图像、红外、视频、SAR、电子侦察、多光谱、磁探、重力梯度、水声等侦察探测方式，对固定、机动、高速、水下、地下目标和复杂作战环境，实施精确探测、跟踪、定位。

文章插图

上图为人工智能南非机器人公司利用深度学习技术，实现无人机图像目标自动检测，更便捷地监测非洲住房项目的建设进度。

文章插图
察打一体无人机对地面目标进行监控和识别

文章插图
甘肃省嘉峪关地区的多光谱融合影像图

文章插图

上图为多光谱图像融合技术已经应用在农业监测无人机系统上。比如同步拍摄植物在绿色、红色、红边、近红外四多个波段的图像，以此分析植物内叶绿素生长或营养缺失情况。这种技术对于在丛林中识别迷彩伪装，也有帮助。
其次，还必须通过民用互联网、物联网、民用卫星、社交媒体等信息资源和探测手段，加强远程搜索发现、全程跟踪监视，运用爬虫、大数据技术进行多源搜索，建立不同地理环境和目标多维度的关联模型，解决对隐身、移动、人类行为等多样化目标的探测、发现、识别和意图判别。第三，还需要依托认知通信网络和数据中心，建立多源和异构信息数据采集、存储、处理、分发、传输、利用标准体系，以便计算机和作战人员快速阅读理解，便于对武器装备和部队实施指挥控制与火力控制。