新火種
2023-10-27 
印度海軍的人工智能和機器學習
印度海軍司令蘇巴什·杜塔（Subhash Dutta）
一、引言
人工智能（AI）及其附帶的術語“機器學習”（ML）被描述為計算機系統執行通常需要人類智能的任務（例如視覺感知，語音識別和決策）的能力。如今，幾乎所有用于商業和軍事用途的AI / ML示例都依賴于驅動深度學習和自然語言處理的數據存儲。[1]
AI / ML系統的定義特征是其學習和解決問題的能力。我們對人工智能的確切構成有了逐漸的了解。盡管計算機硬件的進步和更高效的軟件導致了AI系統的發展，但迄今為止，計算機資源密集型任務（例如光學字符識別（OCR））現在被視為常規技術，因此，不再包含在任何現代技術中討論AI / ML。
現代AI / ML技術已在涉及智力任務的幾乎所有領域中迅速得到接受。其中包括自動駕駛汽車、醫學診斷、解決復雜的數學定理、玩基于策略的游戲（例如Chess或Go）、網絡搜索引擎等。幾乎所有先進的人都在追求使AI / ML適應國防軍國家。其中大部分是在監視和自動駕駛汽車領域。
印度海軍司令阿姆魯特·戈德博勒（Amrut Godbole）在其題為“印度海軍的AI和機器學習”的引人入勝的論文中，[2]提出了四個適用于印度海軍采用AI和ML的案例：
（a）庫存管理。
（b）培訓。
（c）規范性維護。
（d）安全和監視。
二、印度海軍采用AI和ML
與流行的電影中的傳奇相反，人工智能永遠無法取代人類。相反，它增強了我們的能力，并使我們的工作做得更好。人工智能算法的學習方式不同于人類。因此，他們對事物的看法有所不同。他們可以看到經常逃避我們的關系和模式。當然，人工智能可以完成的工作受到限制。原則上的限制是“數據”。AI從提供給算法的數據及其建立的數學模型中學習。因此可以得出結論，數據中的任何不正確之處都會反映在結果中。人工智能的另一個局限性是其單一目的–一種設計用于下棋的算法永遠無法檢測到財務欺詐。這些系統非常專業，專注于他們可以實現的目標，這遠非人類的行為方式。
在戈德博勒博士提出的四個用例中，作者認為其中兩個被錯誤地識別?！皫齑婀芾怼焙汀芭嘤枴彼玫南到y和技術不會輕易受益于采用AI或ML技術。
（一）庫存管理。
（a）為了將AI / ML歸因于任何事物，我們最終創建了有效的系統，并且通過將AI / ML模型綁定到它們而獲得了很少的收益。庫存管理就是這樣一種系統。Godbole指揮官在論文中概述的與當前庫存管理系統相關的問題與該系統本身的技術無關。組織和行業（具有大量供應鏈和多個流程的汽車制造立即浮現在腦海中）一直在高效地使用這些傳統系統。印度海軍使用的當前系統的弊端更多是來自流程，而不是驅動它的技術?；贏I / ML的系統具有現有的數據處理和標記缺陷，因此肯定不會解決Godbole指揮官在論文中引用的CAG報告所帶來的空白。
（b）庫存管理系統的核心是一個扁平的結構化數據庫，內置或“即時”生成查詢可以解決在需要時以及在何處提供產品（在這種情況下為備用件）的問題需要。AI / ML系統的優勢在于它具有解析大型非結構化數據和檢測模式的能力。然后訓練數學模型或算法，以通過饋送其標記的參數來檢測此數據中的變化。另一方面，庫存管理系統處理結構非常特殊的數據庫。衡量其有效性的標準是商店的“及時供應”。通過仔細考慮與之相關的變量，可以圍繞現有系統開發準確的預測模型。其中包括消費模式，供應鏈，
（c）糾正本系統中的弱點所需要的是以下過程：反饋消費模式，正確標記，對多余商店進行定期除草和庫存驗證?；贏I / ML的系統無法解決這些問題，因為它們主要是基于人的過程的。戈德博勒（Cdr Godbole）提出的采用AI模型進行庫存管理的處方可能無法解決流程本身中的實質性系統問題。
（二）培訓
（a）戈德博勒司令正確地總結了印度海軍人事部門（或就此而言，任何其他防御力量）所面臨的基本困境。也就是說，應重點關注的是：配備高級官兵的人員配備艦隊，以使艦隊處于最高效率，或者將可用的最佳人力資源運送到訓練機構，以使子孫后代的員工變得更好。他為此和與工作人員效率相關的其他問題的靈丹妙藥，就是也將AI和ML納入了培訓。
（b）提出的解決方案包括使用虛擬/增強/混合現實。這些技術在沒有實際的訓練系統的情況下提供了接近現實的環境。盡管在計算能力方面占用大量資源，但這些不是AI / ML驅動的技術。海軍在開發基于AI / ML的培訓方面所做的投資可以更好地花費在基于IT的培訓系統上。當前培訓系統的另一個不足之處也更多是行政性質而不是技術性質。
其他兩個“用例”，即維護，安全性和監視，更適合AI / ML技術采用。兩者都依賴于具有多個參數的大量非結構化數據。印度海軍已經維持其平臺一段時間，并進行了多種作戰。因此，海軍為這些用例建立了一個健壯的數學模型所需的數據。
（三）規范性維護
（a）戈德博勒司令正確提出了開發健壯的AI / ML模型所需的數據。但是，如果要查找故障，則在于建議的體系結構。建議在將基于平臺和基于岸的云基礎架構相結合的系統上執行分析。
（b）根據從數據中提取的參數對AI / ML模型進行訓練。這是一項計算機資源密集型活動，因此必定必須是離岸基礎架構。開發模型后，將其移植到決策系統，該決策系統將采用當前參數并基于模型進行決策。從現代的基于AI / ML的基于反惡意軟件的系統中可以得出一個類比。一旦訓練了足夠的數據，機器學習模型就會作為更新被傳輸到計算機系統。此更新的文件大小通常約為1 Gb，完全在當今大多數PC的能力范圍內。
（c）人們認為，這種架構將滿足船上操作者和岸上維修計劃者的需求。
（四）安全和監視
（a）在目前時間，海軍的周邊安全是一個壓倒性的手工過程。本文討論了可以結合以開發本系統技術替代方案的各種技術。其中包括絆線，面部和特征識別攝像頭以及用于監視和安全的水下自治系統。
（b）盡管與目前的手動系統相比，此類系統在技術上無疑是先進的，但與這些系統一起開發AI / ML技術可以極大地改善所需的結果。面部識別系統和關聯的AI / ML模型將映射個人的正常出入點。AI / ML技術將檢測到任何偏差或異常行為，并發出適當的警報。這僅是通過采用AI / ML技術將為更強大的安全系統帶來好處的例證。
（五）海軍的其他AI / ML“用例”
除了戈德博勒司令提出的用例外，人們還認為采用AI / ML的最大優勢將體現在海域感知（MDA）和自動駕駛（監視和進攻任務）領域。印度海軍擁有許多自動化系統，但這些系統與自主系統明顯不同。自動化系統處理輸入以產生所需的輸出，如果輸入相同，則結果將始終相同。另一方面，自治系統會處理一組輸入，以便根據輸入來猜測最佳可行方案。給定相同的輸入，自治系統不一定每次都會產生完全相同的結果。相反，這樣的系統將產生一系列的行為模式。
MDA是采用AI / ML模型的理想選擇。輸入是多種多樣的，環境會影響其他單元的存在或不存在，并且有各種傳感器可以提供信息。輸入可能來自岸上，艦船或太空傳感器，各種艦船跟蹤和監視系統（AIS，VMS，LRIT等），以及開源信息。[3] AI / ML算法然后可以融合此數據，以呈現感興趣區域的單個相干圖片。這種采用可能產生的好處可能包括提高海上單位活動的可見性，確定部署方式，確定船舶異常行為所引起的風險，特別是小型船舶，等等。
印度海軍在TRIGUN軟件套件的開發中走這條路是很正確的，它可以通過人工智能增強海域意識。[4] 據了解，該系統的開發將逐步進行，計劃在2024年全面投入作戰。
無人機是采用AI / ML技術的另一個有力競爭者。這些可以通過無人水下飛行器（UUV）或無人水面飛行器（USV）來實現。[5] 這些系統通常都有人在回路中，以決定導航或目標。
對于自主艦船，使用AI / ML算法可以接受環境和自身傳感器的輸入，并做出涉及其運動或武器使用或兩者的決策，從而增強了其在無需人工干預的情況下執行任務的能力。[6] 這樣的AI / ML系統進一步縮短了指揮官決定行動過程的時間，而如果要手動執行該過程，這是無法想象的。
致命自動武器系統（LAWS）構成了另一類自動機器，這些自動機器利用所載傳感器套件和AI / ML算法來檢測目標，并利用其所載武器系統在沒有人工干預的情況下與目標進行交戰。[7] 美國海軍和美國國防部高級研究計劃局（DARPA）的海上獵人號（Sea Hunter）于2016年4月交付，是此類艦艇的一個例子。由于被設計為反潛作戰連續軌跡無人機器（ACTUV），海上獵人可以一次無人值守的情況下在海上航行數月，尋找敵方潛艇并將其位置和發現報告給遠程人員。[8] 開發類似系統的其他國家包括俄羅斯，以色列，中國和英國。[9]
三、結論
計算硬件和高效編程語言的進步推動了一系列技術的發展，這些技術為我們的專業活動和休閑活動做出了巨大貢獻。利用AI / ML的系統范圍不斷擴大，可以為我們幾乎所有的Internet參與提供更豐富的體驗。傳統上，國防工業一直處于創新的最前沿，私營部門已將這些技術用于商業用途。但是，在IT領域，國防部門，特別是印度國防部門正在追趕私人實體。機器學習和人工智能在我們今天的生活中起著越來越重要的作用。我們也需要將這些技術也運用到防御系統中，盡管要格外小心，不要夸大其作用。
作者蘇巴什·杜塔（Subhash Dutta）是前印度海軍軍官，也是國家海事基金會的兼職研究員。
相關推薦
- 免責聲明
- 本文所包含的觀點僅代表作者個人看法，不代表新火種的觀點。在新火種上獲取的所有信息均不應被視為投資建議。新火種對本文可能提及或鏈接的任何項目不表示認可。 交易和投資涉及高風險，讀者在采取與本文內容相關的任何行動之前，請務必進行充分的盡職調查。最終的決策應該基于您自己的獨立判斷。新火種不對因依賴本文觀點而產生的任何金錢損失負任何責任。
