过去的局限性，未来的潜力
|
来源：网电空间战 作者：一夫
由于人工智能、人机协作和机器学习的进步，士兵将为指挥官提供从各种不同来源收集的有关敌人的实时信息，包括可能的行动方案，这将有助于他们在战斗中做出更好的决策。（美国陆军） 美国国防部的第一次抵消战略以核能力为中心，第二次以隐形技术为中心。现在，随着相互竞争的大国在关键军事能力方面再次接近与美国平起平坐，美国国防部正在推行第三次抵消战略——将人工智能置于美国国防政策的最前沿。 这项新的抵消战略旨在通过采用包括人工智能系统在内的尖端技术来提高美国的信息管理能力。因为在数据驱动的军事环境中，战略优势在于能够比对手更快、更准确地收集、处理和响应信息的实体。 速度和准确性通常是人工智能系统的权衡，特别是对于复杂、多方面的企业。国防部正在努力吸收联合部队网络以提高行动速度和可靠性。然而，传统的人工智能技术缺乏跨领域和数据源有效处理信息的计算能力，尤其是大规模处理信息。那么，美国如何才能提高其人工智能能力并保持战略优势呢？人工智能的最新发展表明，多模式能力是一个关键的差异化因素。
过去的局限性，未来的潜力 尽管关于美国是否仍然拥有比同行和近似同行更好的人工智能能力存在争议，但不可否认的是，竞争对手正在缩小差距。即使国防部在人工智能方面仍然占上风，其优势也不足以依靠技术优势作为维和措施。问题不在于国防部缺乏超越其他国家的人员或计算能力。问题在于.AI美国网络难以以足够的速度和准确性将大量数据转换为可用的见解，以达到项目优势。 传统的人工智能和机器学习系统很难克服这一挑战，这些系统缺乏通用功能来集成与数据类型不同的数据，并跨域无缝管理信息。美国第三次抵消的目标要求消除这些障碍，以支持更有效的数据处理，从而支持军事人员做出更明智的决策。 到目前为止，美国国防部已努力通过联合全域指挥和控制网络提高信息管理能力，这个网络解决了数据孤岛和烟囱系统的长期问题。然而，一个整合的联合部队网络只能在人工智能系统允许的情况下快速准确地运作，因此需要追求卓越的人工智能能力。
长期 AI 领导力的典范 多模式人工智能（也称为基础模型）的出现代表了私营部门和军方人工智能技术的重大突破。 虽然过去几代人工智能系统依赖于以任务为中心的基础设施——每个用例都需要自己的模型和相关训练——但多模式人工智能通过上下文学习消除了这些僵化。这种学习结构使多模态人工智能能够灵活地使用算法组合处理各种数据类型，从而加速跨网络的信息收集和处理，以实现更复杂的数据分析和决策。简而言之，这种多模式结构从多个数据源生成相关见解的速度比以前快得多，规模也大得多。
多模式 AI 作为第一道防线 随着多模式人工智能的多功能性，国防部使用 AI 通过多域防御策略获得全面态势感知的能力变得更加强大。它比传统模型更准确，并且能够进行零镜头和少镜头学习。例如，对比语言-图像预训练模型可以从一组给定的语言表达类别中对图像进行分类，而无需微调。 多模式模型的适应性使他们能够降低跨域网络生成和集成的数据的复杂性，以帮助运营商了解所有可用选项并告知最佳行动方案。如果对手从海上发动攻击，人工智能可以快速确定正确的反应是发射导弹、发射战斗机还是执行网络攻击。 此外，更强大的人工智能功能的开发将具有迭代过程。多模式人工智能的广泛应用有望增强各个方面的人机协作，以支持更重要的任务能力——为前线和数据中心的人员。 然而，需要注意的是，多模型系统需要具有大量的处理能力、相当大的片上存储器和足够的附加存储器来有效地处理数据。因此，集成的硬件-软件系统方法对于为数据密集型数据流操作创建计算、内存和通信的适当平衡是必要的。理想情况下，这些系统应该灵活地处理推理和增量训练，以实现卓越的模型创建。
将过时的 AI 用于任务 考虑多模式在联合部队网络中的情报、监视和侦察数据收集的价值。卫星系统为 ISR 生成大量音频和视频数据。虽然以任务为中心的 AI 模型难以解释与数据输入不同的模式或识别各种数据源中有意义的模式，但基础模型充当总体数据处理中心。在这个中心内，可扩展性和上下文学习功能意味着多模式 AI 可以以与数百个以任务为中心的模型相同的计算生产力运行。 就ISR数据而言，多模式系统下的人工智能系统可以识别音频和视频输入中的模式，以识别和标记对手坦克运动的卫星视频片段是否与无线电频率匹配，表明大规模军事动员。人工智能将快速正确地建立这种联系，并为其操作员提供他们所需的相关洞察力，以制定最佳响应。 自冷战以来，美国一直以不断上升的军事均势为动力，寻求优越的技术优势。在第三个抵消战略时代，人工智能能力代表了常规军事威慑的最新试验场，多模式人工智能是这一切中心的尖端创新。 |
|
|
来自： 小飞侠cawdbof0 > 《智能》
