5月31日，美国兰德公司发布研究报告《通过机器学习实现空中优势：对人工智能辅助任务规划的初步探索》。报告概述了研究团队建立人工智能系统进行空战任务规划的方法以及得出的结论。
01
背 景
长期以来，美国的空中优势一直是美国战争和威慑的基石，但竞争对手在这一领域的发展对美国构成了越来越大的挑战。机器学习能够为这一现状的颠覆提供机会。更有效地使用自动化能够帮助美国改进作战并加强威慑，甚至可能将实现规划和作战概念发展的新办法。通过试验，美国国防部门能够建立对人工智能辅助规划的优势和劣势的基本理解，从而能够更好地为战略突袭和破坏做好准备。
02
研究方法
该报告提出了一个概念性人工智能系统的原型，以帮助开发和评估新的空中作战概念。研究团队测试了几种学习技术和算法，以训练能够在与作战相关的模拟环境中发挥作用的空战计算实体。其目标是利用人工智能系统的能力，大规模地反复进行模拟，从经验中进行总结，并在一次次重复中进行改进，从而加速并丰富作战概念的发展。
为完成这一任务，研究人员将开源深度学习框架与美国国防部标准的战斗模拟工具“先进仿真、集成和建模框架”（AFSIM）集成在一起。AFSIM为机器学习计算实体的学习提供了环境，而深度学习框架为测试最先进的学习算法（如生成对抗网络（GANs）、Q学习算法、异步优势动作评价（A3C），以及近端策略优化（PPO）等）提供了平台。由于训练需要数千次模拟，研究团队开发了一个快速、低保真的AFSIM版本“AFGYM”，以进行更快的环境模拟。
图：PPO AFGYM-AFSIM转移演示
03
研究结论
1. 尽管实现任务规划较为困难，但研究团队运用人工智能算法，成功实现了时间和空间协调的飞行路线的开发。如果对这种算法在规模等方面进行更好的调整，可能将对美国防部有实用价值。
2. 目前，能够应对现实威胁的此类算法的计算能力和时间需求尚不清楚。但如果训练完成，人工智能任务规划工具相比现有的人工或自动规划技术将在速度上具有极大优势。
3. 在模拟中，回报函数往往能够以意想不到的方式彻底改变人工智能的行为。在设计这类函数时，必须注意准确地捕捉风险与意图。
4. 与用于训练当代人工智能系统的数据量相比，现实世界的任务数据较为稀缺。在真实世界中，经过针对模拟训练的完美算法也可能表现不佳（比如自动驾驶汽车）。在运用人工智能制定安全问题解决方案之前，必须在测试和算法可验证性方面取得更多进展。
如需转载请注明出处：“国防科技要闻”（ID：CDSTIC）
来源 | 兰德公司网站
作者| 张岸佳
注：原文来源网络，文中观点不代表本公众号立场，相关建议仅供参考。
相关文章
