印度海军司令苏巴什·杜塔（Subhash Dutta）

一、引言

人工智能（AI）及其附带的术语“机器学习”（ML）被描述为计算机系统执行通常需要人类智能的任务（例如视觉感知，语音识别和决策）的能力。如今，几乎所有用于商业和军事用途的AI / ML示例都依赖于驱动深度学习和自然语言处理的数据存储。[1]

AI / ML系统的定义特征是其学习和解决问题的能力。我们对人工智能的确切构成有了逐渐的了解。尽管计算机硬件的进步和更高效的软件导致了AI系统的发展，但迄今为止，计算机资源密集型任务（例如光学字符识别（OCR））现在被视为常规技术，因此，不再包含在任何现代技术中讨论AI / ML。

现代AI / ML技术已在涉及智力任务的几乎所有领域中迅速得到接受。其中包括自动驾驶汽车、医学诊断、解决复杂的数学定理、玩基于策略的游戏（例如Chess或Go）、网络搜索引擎等。几乎所有先进的人都在追求使AI / ML适应国防军国家。其中大部分是在监视和自动驾驶汽车领域。

印度海军司令阿姆鲁特·戈德博勒（Amrut Godbole）在其题为“印度海军的AI和机器学习”的引人入胜的论文中，[2]提出了四个适用于印度海军采用AI和ML的案例：

（a）库存管理。

（b）培训。

（c）规范性维护。

（d）安全和监视。

二、印度海军采用AI和ML

与流行的电影中的传奇相反，人工智能永远无法取代人类。相反，它增强了我们的能力，并使我们的工作做得更好。人工智能算法的学习方式不同于人类。因此，他们对事物的看法有所不同。他们可以看到经常逃避我们的关系和模式。当然，人工智能可以完成的工作受到限制。原则上的限制是“数据”。AI从提供给算法的数据及其建立的数学模型中学习。因此可以得出结论，数据中的任何不正确之处都会反映在结果中。人工智能的另一个局限性是其单一目的–一种设计用于下棋的算法永远无法检测到财务欺诈。这些系统非常专业，专注于他们可以实现的目标，这远非人类的行为方式。

在戈德博勒博士提出的四个用例中，作者认为其中两个被错误地识别。“库存管理”和“培训”所利用的系统和技术不会轻易受益于采用AI或ML技术。

（一）库存管理。

（a）为了将AI / ML归因于任何事物，我们最终创建了有效的系统，并且通过将AI / ML模型绑定到它们而获得了很少的收益。库存管理就是这样一种系统。Godbole指挥官在论文中概述的与当前库存管理系统相关的问题与该系统本身的技术无关。组织和行业（具有大量供应链和多个流程的汽车制造立即浮现在脑海中）一直在高效地使用这些传统系统。印度海军使用的当前系统的弊端更多是来自流程，而不是驱动它的技术。基于AI / ML的系统具有现有的数据处理和标记缺陷，因此肯定不会解决Godbole指挥官在论文中引用的CAG报告所带来的空白。

（b）库存管理系统的核心是一个扁平的结构化数据库，内置或“即时”生成查询可以解决在需要时以及在何处提供产品（在这种情况下为备用件）的问题需要。AI / ML系统的优势在于它具有解析大型非结构化数据和检测模式的能力。然后训练数学模型或算法，以通过馈送其标记的参数来检测此数据中的变化。另一方面，库存管理系统处理结构非常特殊的数据库。衡量其有效性的标准是商店的“及时供应”。通过仔细考虑与之相关的变量，可以围绕现有系统开发准确的预测模型。其中包括消费模式，供应链，

（c）纠正本系统中的弱点所需要的是以下过程：反馈消费模式，正确标记，对多余商店进行定期除草和库存验证。基于AI / ML的系统无法解决这些问题，因为它们主要是基于人的过程的。戈德博勒（Cdr Godbole）提出的采用AI模型进行库存管理的处方可能无法解决流程本身中的实质性系统问题。

（二）培训

（a）戈德博勒司令正确地总结了印度海军人事部门（或就此而言，任何其他防御力量）所面临的基本困境。也就是说，应重点关注的是：配备高级官兵的人员配备舰队，以使舰队处于最高效率，或者将可用的最佳人力资源运送到训练机构，以使子孙后代的员工变得更好。他为此和与工作人员效率相关的其他问题的灵丹妙药，就是也将AI和ML纳入了培训。

（b）提出的解决方案包括使用虚拟/增强/混合现实。这些技术在没有实际的训练系统的情况下提供了接近现实的环境。尽管在计算能力方面占用大量资源，但这些不是AI / ML驱动的技术。海军在开发基于AI / ML的培训方面所做的投资可以更好地花费在基于IT的培训系统上。当前培训系统的另一个不足之处也更多是行政性质而不是技术性质。

其他两个“用例”，即维护，安全性和监视，更适合AI / ML技术采用。两者都依赖于具有多个参数的大量非结构化数据。印度海军已经维持其平台一段时间，并进行了多种作战。因此，海军为这些用例建立了一个健壮的数学模型所需的数据。

（三）规范性维护

（a）戈德博勒司令正确提出了开发健壮的AI / ML模型所需的数据。但是，如果要查找故障，则在于建议的体系结构。建议在将基于平台和基于岸的云基础架构相结合的系统上执行分析。

（b）根据从数据中提取的参数对AI / ML模型进行训练。这是一项计算机资源密集型活动，因此必定必须是离岸基础架构。开发模型后，将其移植到决策系统，该决策系统将采用当前参数并基于模型进行决策。从现代的基于AI / ML的基于反恶意软件的系统中可以得出一个类比。一旦训练了足够的数据，机器学习模型就会作为更新被传输到计算机系统。此更新的文件大小通常约为1 Gb，完全在当今大多数PC的能力范围内。

（c）人们认为，这种架构将满足船上操作者和岸上维修计划者的需求。

（四）安全和监视

（a）在目前时间，海军的周边安全是一个压倒性的手工过程。本文讨论了可以结合以开发本系统技术替代方案的各种技术。其中包括绊线，面部和特征识别摄像头以及用于监视和安全的水下自治系统。

（b）尽管与目前的手动系统相比，此类系统在技术上无疑是先进的，但与这些系统一起开发AI / ML技术可以极大地改善所需的结果。面部识别系统和关联的AI / ML模型将映射个人的正常出入点。AI / ML技术将检测到任何偏差或异常行为，并发出适当的警报。这仅是通过采用AI / ML技术将为更强大的安全系统带来好处的例证。

（五）海军的其他AI / ML“用例”

除了戈德博勒司令提出的用例外，人们还认为采用AI / ML的最大优势将体现在海域感知（MDA）和自动驾驶（监视和进攻任务）领域。印度海军拥有许多自动化系统，但这些系统与自主系统明显不同。自动化系统处理输入以产生所需的输出，如果输入相同，则结果将始终相同。另一方面，自治系统会处理一组输入，以便根据输入来猜测最佳可行方案。给定相同的输入，自治系统不一定每次都会产生完全相同的结果。相反，这样的系统将产生一系列的行为模式。

MDA是采用AI / ML模型的理想选择。输入是多种多样的，环境会影响其他单元的存在或不存在，并且有各种传感器可以提供信息。输入可能来自岸上，舰船或太空传感器，各种舰船跟踪和监视系统（AIS，VMS，LRIT等），以及开源信息。[3] AI / ML算法然后可以融合此数据，以呈现感兴趣区域的单个相干图片。这种采用可能产生的好处可能包括提高海上单位活动的可见性，确定部署方式，确定船舶异常行为所引起的风险，特别是小型船舶，等等。

印度海军在TRIGUN软件套件的开发中走这条路是很正确的，它可以通过人工智能增强海域意识。[4] 据了解，该系统的开发将逐步进行，计划在2024年全面投入作战。

无人机是采用AI / ML技术的另一个有力竞争者。这些可以通过无人水下飞行器（UUV）或无人水面飞行器（USV）来实现。[5] 这些系统通常都有人在回路中，以决定导航或目标。

对于自主舰船，使用AI / ML算法可以接受环境和自身传感器的输入，并做出涉及其运动或武器使用或两者的决策，从而增强了其在无需人工干预的情况下执行任务的能力。[6] 这样的AI / ML系统进一步缩短了指挥官决定行动过程的时间，而如果要手动执行该过程，这是无法想象的。

致命自动武器系统（LAWS）构成了另一类自动机器，这些自动机器利用所载传感器套件和AI / ML算法来检测目标，并利用其所载武器系统在没有人工干预的情况下与目标进行交战。[7] 美国海军和美国国防部高级研究计划局（DARPA）的海上猎人号（Sea Hunter）于2016年4月交付，是此类舰艇的一个例子。由于被设计为反潜作战连续轨迹无人机器（ACTUV），海上猎人可以一次无人值守的情况下在海上航行数月，寻找敌方潜艇并将其位置和发现报告给远程人员。[8] 开发类似系统的其他国家包括俄罗斯，以色列，中国和英国。[9]

三、结论

计算硬件和高效编程语言的进步推动了一系列技术的发展，这些技术为我们的专业活动和休闲活动做出了巨大贡献。利用AI / ML的系统范围不断扩大，可以为我们几乎所有的Internet参与提供更丰富的体验。传统上，国防工业一直处于创新的最前沿，私营部门已将这些技术用于商业用途。但是，在IT领域，国防部门，特别是印度国防部门正在追赶私人实体。机器学习和人工智能在我们今天的生活中起着越来越重要的作用。我们也需要将这些技术也运用到防御系统中，尽管要格外小心，不要夸大其作用。

作者苏巴什·杜塔（Subhash Dutta）是前印度海军军官，也是国家海事基金会的兼职研究员。