記者：在您介紹的這些技術群中，我們經常能看到一些熟悉的字眼。比如“高級機器學習技術群”，這是不是與新聞里常說的“機器學習”有關，目前的進展和未來的趨勢怎么樣？
吳明曦：是的。機器學習是人工智能科學領域的一個重要里程碑，因為它讓機器具備了智慧。過去的機器、計算機、程序、網絡、無人系統等，可以在力量、速度、耐力、計算等方面超過人類，但其解決問題的邏輯關系、步驟，還是人類程序員，編寫后直接“教”給它的。速度再快，它的“聰明靈巧”程度，還是超不過人類大腦。但“機器學習”不同，是機器自己通過邏輯推理、知識關聯、行為獎懲、特征識別、窮舉對比、隨機尋優、博弈對抗等模型和算法，在解決問題的實踐中，經過有監督或者無監督的大量樣本學習，不斷提高自己解決問題的能力。經過一段時間的訓練和增強學習后，它很可能找到一種適合自己“大腦”的方法，比單個人類程序員和一般作戰人員可能更聰明、更“智慧”。
經過10多年的快速發展，目前以機器學習為重點的人工智能技術，在計算機視覺、文本識別、視頻識別、語音識別、自然語言處理、無人駕駛、虛擬助手、工業機器人等方面，已經超越了人類，但在推理能力、可理解性、小樣本抽象上，比人類還有較大差距。我相信，未來隨著各國政府投入、商業投入的大量增加，各種智能軟件、仿腦芯片、類腦系統、仿生系統、虛擬現實、數字孿生、作戰仿真、平行系統、自然能源采集和新型機器學習等智能科技的發展與應用，將會迎來一個實質性的、全面的跨越和提升。總有一天，與人類智能相近甚至更高的通用智能，有可能會實現。
記者：那“深度戰場認知技術群”,其中的“深度”是不是與“深度學習”有關？“戰場認知”是不是與軍事上的偵察、識別、跟蹤有關？
吳明曦：戰場態勢感知是作戰的基本前提，在OODA中是很重要的一環。戰場的“深度認知”與“深度學習”不是一回事兒，但與軍事上的偵察、識別、跟蹤有關。戰場的深度認知是由戰場的復雜性帶來的。一是多目標探測、感知和識別，如城市環境下的軍事目標、民用目標、地上目標、地下目標、固定目標、移動目標、建筑設施等硬目標、重點人物與社會組織等軟目標。二是必須建立天、空、地、海、室內、地下、水下等網絡化感知與識別系統，盡量不留盲區和視角。三是多域多源信息關聯印證和分析，去粗取精，去偽成真，把戰略欺騙、戰術偽裝、信號干擾等“水分”都去掉，留下干貨、硬貨。
首先是利用機器學習等技術，對軍事目標的圖像、視頻、電磁、光譜等特性進行采集、分析、建模，大幅提升目標識別概率和能力。主要通過軍用天基、空基、地基、海基平臺多種探測手段，利用圖像、紅外、視頻、SAR、電子偵察、多光譜、磁探、重力梯度、水聲等偵察探測方式，對固定、機動、高速、水下、地下目標和復雜作戰環境，實施精確探測、跟蹤、定位。
上圖為人工智能南非機器人公司利用深度學習技術，實現無人機圖像目標自動檢測，更便捷地監測非洲住房項目的建設進度。
察打一體無人機對地面目標進行監控和識別
甘肅省嘉峪關地區的多光譜融合影像圖
上圖為多光譜圖像融合技術已經應用在農業監測無人機系統上。比如同步拍攝植物在綠色、紅色、紅邊、近紅外四多個波段的圖像，以此分析植物內葉綠素生長或營養缺失情況。這種技術對于在叢林中識別迷彩偽裝，也有幫助。
其次，還必須通過民用互聯網、物聯網、民用衛星、社交媒體等信息資源和探測手段，加強遠程搜索發現、全程跟蹤監視，運用爬蟲、大數據技術進行多源搜索，建立不同地理環境和目標多維度的關聯模型，解決對隱身、移動、人類行為等多樣化目標的探測、發現、識別和意圖判別。 第三，還需要依托認知通信網絡和數據中心，建立多源和異構信息數據采集、存儲、處理、分發、傳輸、利用標準體系，以便計算機和作戰人員快速閱讀理解，便于對武器裝備和部隊實施指揮控制與火力控制。
上圖為采用機器學習技術的圖像識別系統，具備了自主區分某些圖像的能力，頭一次看到《清明上河圖》時，也能區分出畫里的人物、動物、和交通工具。雖然這種識別還不如人眼、人腦那么聰明，找不出迷彩偽裝的軍事目標，但它能快速統計顯著目標的數量、位置，可以對大范圍戰場進行實時監視，對海量偵察圖像進行快速處理，迅速發現戰場上的某些細小變化。
第四，開展數據融合與關聯分析，利用大數據技術+ISR系統+人工情報，可以對重要人物和群體目標行為軌跡進行跟蹤、挖掘和定位，對輿情進行分析、判斷、預警，對軍用和民用目標進行識別、區別和分類。利用天基信息+大數據技術等，對機場、港口、軍事要地、彈藥倉庫、軍事工業等重要固定目標，進行智能識別、關聯、分析、判斷和定位。依托前沿傳感器系統、前端智能識別，結合天基信息和網絡數據，對重要移動目標、地下目標、建筑物內部目標，進行探測、識別、關聯和定位。
