情报侦察领域人工智能技术的应用与发展

展

摘要：随着人工智能技术发展水平的提升，人工智能技术能够突破人脑的运算限制，提升军事情报人员的综合效率和决策科学性，已经广泛运用到情报侦察领域中，呈现出多样化发展状态。因此情报侦察领域需要合理运用人工智能技术，注重提高人工智能技术在情报侦察方面的应用效果，从而全面提高我国情报侦察能力。本文首先分析人工智能技术在情报侦察领域的应用现状，其次分析了深度学习应用在情报侦察领域面临的挑战，以期对相关研究产生一定的参考价值。

关键词：情报侦察领域；人工智能技术；应用与发展 1人工智能技术在情报侦察领域的应用现状

人工智能技术可以为军事情报采集管理、决策管理提供服务，将其运用在军事的观察环节、判断环节、决策环节，覆盖观察-判断-决策-行动（OODA）环的各个环节。在情报侦察领域，人工智能在目标识别与检测、文本分析等方面将发挥重要作用，很多国家已经意识到人工智能技术在情报侦察方面的应用价值，开始积极部署安排、发展人工智能技术。

目标识别与检测。军事领域的目标自动识别研究始于20世纪中期[1]。军事目标自动识别技术涉及多个学科的交叉，既包含计算机视觉、人工智能、机器学习，又要将目标自动识别技术与特定的军事应用场景相结合起来，形成一套完整的系统。近年来，深度学习算法在雷达目标识别领域、图像处理领域具有较多的应用研究，国外军事目标识别已经从理论研究逐渐发展到实际应用。

文本分析。美国在俄乌战争中对全球主流新闻媒体、网站实行实时监测，利用监测Twitter、Facebook等社交媒体上的用户评论精准预测俄军下步动向。但是，文本分析必须突破从“信息过载”的数据中精准获悉有价值的情报信息这一

难题，才能使文本分析这一利器在军事领域有所作为。自然语言处理技术中的信息抽取技术、命名实体识别技术便是解决这一问题的重要方法。

在卫星技术、无人机侦察技术广泛发展的今天，情报传输与通信能力获得有效提升，情报侦察监视数据呈现出爆炸式增长状态。世界上很多军事强国已经开始使用大数据技术和人工智能技术提高侦察目标分析能力、处理能力，情报侦察系统可以从海量图纸数据中迅速而又精准地提取出军事目标识别信息，从而解决目前军事情报系统对于海量军事情况侦察、监视数据的迅速处理和分类识别，可以在情报侦察方面、目标监视方面、毁伤评估方面发挥出明显优势。通过创建情报知识图谱和自主演化更新系统，能够对多源战场的军事情报信息展开深度关联分析，有助于提高侦察情报的智能分析水平、认知能力。

2人工智能在情报侦察领域面临的挑战

人工智能在军事领域的应用受到了世界各国的重视。以美国为例：美国于 2014 年发布了“第三次抵消”战略，意图寻求在人工智能领域与其他国家拉开代差。

进入 21 世纪后，美国国防部高级研究计划局（DARPA） 及各军兵种先后启动了多个人工智能研究项目，以探索人工智能技术在情报处理、态势感知、威胁评估等方面的应用。

DARPA于2007年启动了 “深绿”（Deep Green）计划，将人工智能引入作战辅助决策，将智能和仿真嵌入指挥控制系统；2010年3月，DARPA启动了心灵之眼项目，旨在为机器建立视觉的智能，可对视频信息进行形象推理；2022年，DARPA发布“人工智能增强”（AIR）计划，要求开发用于作战管理和传感器融合的新型人工智能与机器自主技术，以在作战中实现战术自主性，包括实现集成传感器的战术自主性、适应大规模交战的可扩展性、对变化环境的适应性，以及机器学习能力。

虽然人工智能技术为一些军事问题的求解提供了新的解决思路，但是受限于深度学习的自身发展阶段，以及军事问题自身的复杂性和特殊性，人工智能在军事领域的落地仍然面临诸多挑战[2]。

2.1数据获取困难，训练样本少

由于军事目标的高度保密特性，数据集的获取以及数据样本标注困难成为了目标识别等神经网络训练头等重要问题。一般来说，在模型训练时需要大量的数据，目前大部分的深度学习模型，都是有监督学习的方式进行的，需要海量的数据支持。例如 ImageNet 数据集就拥有1400多万的图片。而数据集样本过少会产生严重的过拟合问题，从而导致模型的泛化能力急剧下降。

针对样本量不足导致神经网络模型的训练受到阻碍，可基于现有数据进行数据扩充和模型优化等。一种方法是利用预先训练好的模型，也就是使用另一个在大量样本下获得足够训练的模型，然后在小的数据集中微调即可。另一种方法为数据增强，利用来随机变换从训练样本中生成一些可信图像，也就提升了模型的泛化能力。

2.2 可解释性有待提高

人工智能中神经网络模型复杂、超参数多，是一个黑盒模型，可解释性差，而用户在诸如医疗、法律、金融等应用场景下仍然需要从非常具体的角度理解神经网络做出决策的原因。而深度学习在军事领域的落地同样面临着模型的结果可解释性差的问题。由于决策者无法完全理解深度学习方法的决策过程，因此对学习获得的决策结论可信度不足，从而影响了其在军事指挥决策中作用的发挥。

2015年，DARPA发布可解释的人工智能项目，其目标是建立一套新的或改进的机器学习技术，生成可解释的模型，使得最终用户能够理解、信任并有效地管理未来的人工智能系统。因此，进一步加强人工智能的可解释性研究工作对人工智能的真正落地应用具有重要的意义。

3优化措施

3.1创建智能情报处理系统

通过创建智能情报处理系统，加强对指标体系以及标准规范的建设力度，基于配套政策、高质量情报处理硬件和软件、人工智能算法打造智能情报处理环境，重点创建人工智能统一计算平台，打造人工智能软件、智能云、人工智能硬件的

生态链，并针对情报数据集变量智能情报请假体系以及评价标准，满足智能侦察系统的建设要求[3]。

3.2加强对智能算法的研究力度

算法、数据以及计算能力属于人工智能的3大基石，在先进算法以及大数据技术的支持下，人工智能技术已经获得了进步发展，在高速高效处理和分析海量军事情报方面具备明显优势。值得特别注意的是，人工智能并非是万能的，往往会受到算法以及数据产生的双重制约影响。

首先，基于智能情报强化情报侦察数据工程建设，可以为智能侦察情报系统提供可信度比较高的数据信息。其次，通过提升对人工智能算法的研究力度，不断提高情报数据处理能力、处理效率，尽量提升相关人员对于情报信息的辨别能力，对于海量数据中存在的虚假情报，能够及时将其筛选出去，提高智能情报侦察信息的准确性。

结论：综上所述，将人工智能技术运用情报侦察方面，能够在提高情报侦察效率的基础上，提升侦察信息的准确性。因此情报侦察领域应该加强对人工智能算法的研究力度，创建智能情报处理系统，不断提高人工智能技术在情报侦察领域中的应用效果。

参考文献：

[1]宋晓茹,刘康,高嵩,陈超波.基于深度学习的军事目标识别算法综述[J].科学技术与工程,2022,22(22):9466-9475.

[2]王晓丹,向前,李睿,来杰.深度学习研究及军事应用综述[J].空军工程大学学报(自然科学版),2022,23(01):1-11.

[3]熊朝华，吕望晗，吴蔚，徐建平，李晓冬.情报侦察领域人工智能技术的应用与发展[J].指挥信息系统与技术，2019，10(05):8-13.