深度学习技术对侦察情报的影响研究

孟春宁

(武警海警学院,浙江 宁波 315801)

0 引 言

以深度学习为代表的人工智能技术带来的军事智能革命正主导着战争形态的演变，对军事侦察情报领域造成颠覆性影响，促使技术侦察快速向自主化、集群化方向发展，大幅提升了情报处理分析的效率和精度，引发侦察情报工作模式的深刻变革。在未来智能化战争中，侦察情报将作为作战行动的重要组成部分，在深度学习等技术的支撑下所发挥的作用将不亚于指挥决策和火力打击。

1 深度学习技术概述

深度学习是一种通过多层次组合结构从经验和数据中获取新知识或技能的机器学习技术。作为实现人工智能的核心技术，以深度神经网络为代表的深度学习技术在GPU、TPU的算力加持下，高效地利用信息化社会积累的海量数据，掀起一场席卷全球的人工智能革命。2006年Hinton等人提出的深度信念网络解决了深层次网络的训练难题，拉开了深度学习技术发展浪潮的序幕。2012年深度卷积神经网络模型AlexNet以明显优势赢得ImageNet视觉识别挑战赛，从此深度学习技术发展进入爆发期[1]。2016年采用深度强化学习模型的AlphaGo，在学习了数百万棋谱后横扫人类顶尖棋手，而它的进化版本AlphaGo Zero摒弃了人类几千年积累的经验知识，通过自我进化轻松碾压AlphaGo，至此，在曾被誉为人类智力游戏皇冠上的明珠的围棋领域，人类已无力与机器竞争。2018年OpenAI Five 在Dota2游戏中打败人类队伍，随后深度学习模型陆续在多个竞技游戏领域击败人类。2020年8月，在美国国防部高级研究计划局(DARPA)举办的“阿尔法狗斗试验”(AlphaDogfight)决赛中，采用深度学习模型的苍鹭系统经过40多亿次仿真学习后，能够理解人类缠斗的伎俩，并拟定应对策略，然后凭借超人类的速度和精度进行大偏角射击，完胜人类。人工智能应用浪潮正以摧枯拉朽之势波及人类社会的方方面面。

2 深度学习技术在侦察情报领域的应用优势

2.1 感知能力与情报智能化处理

在视觉领域，早在2015年ResNet网络模型就在视觉识别挑战赛中取得3.57%识别错误率，超越人类的识别水平(5.1%)；到2017年深度学习模型在图像分类、物体检测及识别等竞赛项目中均超越人类。用于视觉感知的深度学习模型可直接应用于军事目标检测识别，实现图像类情报的智能、实时处理，革命性地提高航空影响情报的处理速度以及开源图像、视频大数据的利用率，为无人侦察平台自主侦察预警奠定技术基础。

在听觉领域，语音识别技术可以将人类语音转换成文本，2016年微软采用卷积神经网络结合长短时记忆(LSTM)网络的模型在标准语音识别任务测试中的错字率降至5.9%，超过普通人的表现，达到人类专业速记员水平。2020年谷歌助手提出的基于递归神经网络变换器(RNN-T)的深度学习模型，将多人语音识别的错误率降至2%[2]。对语音的感知能力应用在音频情报挖掘领域，可通过智能处理识别语音，设计辅助指挥官的智能语音助手。

2.2 学习能力与智能情报分析

图像和视频是典型的高维非结构化数据，侦察卫星和侦察机的航拍图像动辄几千万像素，采用大规模深层次网络结构的深度学习模型善于从海量非结构化数据中学习特征和规律，且可以直接输出最终结果，这种端到端的学习能力能够实现特定目标或场景的智能情报分析。

人类具备在任务间迁移知识的能力，即可通过已知知识解决相关的未知问题。共享采用大规模通用公开数据集训练的深度神经网络模型的参数，经微调可使其他缺乏训练数据的视觉任务达到相当高的性能，这种迁移学习能力可用于提升军事目标的识别效果，文献[3]采用参数迁移的方式，在小样本情况下取得了较高的舰船识别率，为目标情报智能分析提供了可行技术方案。

更接近生物学习本质的深度强化学习模型可在不断与环境的交互中学习，通过感知环境状态、反馈奖惩刺激，调整策略，实现特定目标。各类竞技游戏中击败人类的深度学习模型都用到强化学习思想，深度强化学习模型可以应对多种复杂场景，可用于建模情报评估、态势预测等复杂分析系统。

2.3 认知能力与获情模式变革

以深度学习为核心的人工智能系统已经在推理、理解、解决问题、计划、决策等认知领域有了突飞猛进的发展。在自然语言处理领域， 2018年微软亚洲研究院设计的SOTA集成深度学习系统在斯坦福问答挑战赛中首次超越人类表现，2019年DeBERTa深度学习模型在SuperGLUE人工智能基准测试中超越人类基准线，这标志着开源情报搜集将不再仅依靠简单的模式匹配，而是可以实现自动提取文章观点、理解文本含义、智能预警监控、舆情自动分析、情报产品自动生成等应用。在人机博弈领域，深度学习技术通过学习大量数据，获取推理及规划计划能力，实现博弈目标，陆续碾压各类竞赛的人类顶级选手，深度学习技术加持的无人机可通过实时感知战场环境、自行规划侦察路线实现自主侦察。

知识图谱被认为是从感知智能通往认知智能的重要基石，图神经网络可以很好地匹配知识图谱中带标记的有向属性图数据及相关学习任务，在知识推理、推荐系统、影响预测、事件检测、反欺骗以及实体关系分析等方面展示出非凡的认知能力[4]。将基于异质图神经网络的消息传递与基于强化学习的路径查找和约减相结合，将成为一种可行的处理复杂推理的思路，有望在侦察规划及态势预测领域发挥重要作用。

2.4 复杂问题的普适能力与智能技术普及

深度神经网络可依靠已有数据调整网络连接权重(相当于函数参数)，以最优解逼近真实的复杂函数。根据通用近似定理，只要隐藏层神经元数量足够，深度神经网络可以近似任意给定的连续函数，而利用函数可以对物理世界的关系、规律进行建模，因此可以说，深度学习技术可作为解决复杂系统问题的普适性方法。谷歌大脑2021年1月份公布的一种深度学习模型—Switch Transformer[5]参数量可达16 000亿，训练数据集文本量达到750 G，在自然语言处理领域号称“无所不能”，可广泛应用于文本类情报的处理分析。

深度学习技术的特点还决定了其非常易于在新的领域普及。首先，端到端的学习模式绕过了特征工程，无需明确划分不同模块功能，便可使模型迅速适应各种任务，直接输出优化的任务总体目标；其次，训练好的深度学习模型在不同应用场景具有很好的可迁移性，可以在目标任务上复用预训练模型的部分组件；最后，TensorFlow、Keras、Caffe等通用框架极大地简化了深度学习模型的构建，减少了重复劳动，降低了开发使用门槛，提高了应用效率，极大地方便了深度学习技术在侦察情报领域的应用。

3 深度学习技术对侦察情报的影响分析

深度学习技术凭借卓越的感知、学习及认知能力，在侦察情报工作流程中的各个环节取得成功应用，典型深度学习模型及其在侦察情报中的应用情况如图1所示，对军事侦察情报领域产生深远影响。

图1 深度学习技术在侦察情报中的应用

3.1 技术侦察样式迎来智能化变革

无人化的侦察监视平台实现了全天候、长航时、大范围、多场景的侦察监视能力，智能化是在无人化的基础上具备类似人类的感知、思维及决策能力，实现自主感知、自主判断、自主决策。以深度学习技术为核心算法的无人侦察监视平台将具有强大的目标自动识别和自主规划能力，只需赋予任务，即可实时感知战场环境、自行规划侦察路线、自主集群协同、自主完成侦察监视任务等[6]。

美军特别重视对深度学习技术的培育，DARPA早在2009年就开始资助利用深度学习进行军用目标识别的技术，2018年DARPA研发的新一代远程反舰导弹实现完全自主导航、智能目标识别，在加利福尼亚州穆古角附近海域成功击中了测试目标，支撑其脱离外界信息依赖，实现场景图像中目标识别的核心算法即深度学习技术；在对抗环境下的目标识别与自适应项目中，深度学习技术被用于准确识别雷达目标；在适应性雷达对抗(ARC)项目中，深度神经网络被用于感知、学习、适应敌方相控阵雷达系统，以有效规避敌方雷达探测；在强对抗环境下的目标识别和适应项目(TRACE)中，深度学习技术被用于解决复杂战场环境下目标的低虚警率、提高有限训练样本下的目标识别能力等问题。

深度学习技术使得大规模自主集群成为可能。2019年也门胡赛武装仅出动10架无人机的“蜂群”，对沙特石油加工设施的袭击瘫痪了其近一半的石油加工能力，对全球经济造成严重影响。2020年纳卡冲突中，阿塞拜疆运用由人控制的无人机“蜂群”对亚美尼亚地面装甲部队及火箭发射系统造成毁灭性打击。这两个战例中无人机集群规模较小，由地面人员操控即可实现协同，但集群协同发挥的战斗力令人生畏。在以深度学习为代表的智能算法加持下，自主集群可依靠规模产生非线性的涌现效应。2020年美海军宣布正在开发规模达100万架的超级“蜂群”，超级“蜂群”的侦察情报能力及作战能力将达到前所未有的高度，由人来控制如此规模的集群将是不可完成的任务，依托深度学习技术的自主态势感知、目标识别、情报融合及智能决策将成为支撑蜂群战术的基础。例如，将无人机的动作、坐标、速度等状态参数构成高维状态矩阵，作为输入数据，将监视面积覆盖率、目标图像清晰度、隐身效果等作为奖励函数训练神经网络，是解决无人机智能协同和航路规划问题的可行方案。未来的“蜂群”在深度学习技术加持下，将成为改变战场态势的决定性力量。

3.2 人力情报模式受到颠覆性影响

基于深度学习的人脸识别、语音识别及行为识别技术已经普遍用于身份认证，基于出行、购物、访问等数据的各类深度学习推荐系统可轻而易举地获取一个人的行动轨迹、工作情况乃至生活及健康状态，互联网用户的个人经历数据将无法抹去，通过深度神经网络可对个人或特定群体大数据进行学习建模，用于监测个体或群体异常行为，相关数据包括位置信息、通讯信息、上网记录以及无处不在的摄像头捕捉到的个人信息等。传统掩护方式在大数据时代无所遁形，以往靠“打入”方式获取情报的模式将很容易被对方反情报部门侦获，而“拉出”的对象表现出的异常也很容易被察觉。

科幻剧《西部世界》中的“雷荷波”系统在学习了足够的人类历史和行为数据后可以预测出每个人的人生轨迹。在现实世界中，针对高价值人物，通过专门搜集掌握的个人工作生活、社会关系乃至性格特点等数据建立的人类行为计算模型，可以预测一个人的时空轨迹。美国在追踪本·拉登过程中就运用了帕拉蒂尔公司的大数据关联分析技术和人类行为计算模型，通过锁定其信使艾哈迈德，定位了拉登藏身之地。2021年1月， 伊朗“圣城旅”指挥官苏莱曼尼被美国斩首，对其时空轨迹的掌握离不开数年前就启动的对其个人及相关人员的行为计算模型，可能囊括了苏莱曼尼本人及关系人的各种来源的情报。这类预测模型需要从大量多源异构数据中学习建模，深度学习技术是目前解决这一问题的最有效算法。

融合深度神经网络和概率图模型的生成对抗网络可拟合复杂高维的数据分布，通过对抗训练的方式生成服从真实数据分布的逼真样本，采用该模型可生成逼真的人脸图像或战场环境，成为解决部分应用场景中训练数据缺乏问题的利器。基于生成对抗网络的深度伪造技术使电子侦察、反情报和情报对抗模式发生深刻变革，将生成对抗网络用在干扰机中可生成逼真的电子信号，可使对方受扰雷达饱和过载或误判目标位置；采用该技术制作并发布虚假音视频信息变得很容易，逼真的假情报不仅可以误导敌方，还可用于发动网络心理战[7]。2019年香港“修例风波”中，境外势力就曾使用深度学习等技术伪造视频，将“抗议者”投掷汽油弹的视频伪造成警察投掷汽油弹，造成恶劣影响。

3.3 情报处理能力得到跨越式提升

基于深度学习的自然语言处理、视觉识别以及数据挖掘技术可直接用于海量多源异构数据的处理分析。数以EB的公开来源数据中蕴含着大量有价值的情报，深度学习技术是目前开采开源“金矿”的最有效工具，深度学习技术从海量数据中挖掘情报、发现规律的能力是人类难以比拟的，强大的情报处理能力使开源情报作用更加凸显[8]。

美军处理一架“捕食者”无人机一天搜集的视频数据就需要19名情报分析人员，美国国家地理空间情报局表示在20年内将需要雇佣800万人才能处理所获取的卫星影像数据。SSD、YOLO等单阶段区域卷积神经网络模型在兼顾精度的同时可大幅提高检测速度，非常适用于航拍图像中的多尺度目标检测及实时图像识别。DARPA“专家计划”成果已于2017年4月在美军非洲司令部试用，能将无人机获取的原始监视数据转变为可直接供指挥官参考的情报。密苏里大学针对遥感图像训练的深度神经网络可以在42 min内定位中国东南部的防空导弹基地，准确率达到90%，而没有经验的图像分析人员完成这项任务需要大约60 h，准确率与该算法相当。DARPA 于2021年1月启动的ASTARTE项目作为“马赛克战”计划的一部分，旨在利用深度学习等技术快速处理各种传感器获取的海量数据。针对音频数据，基于深度神经网络的语音识别错误率已经低于2%；针对文本数据，基于深度学习的自然语言处理能力更是一日千里，从循环神经网络(RNN)、LSTM到Transformer模型，参数数量呈指数级增长，模型性能跨越式提升， Switch Transformer模型参数量达到16 000亿，可轻松学习上万亿单词量的开源文本信息，可用于实时回答指挥员需要的知识性问题，可基于海量开源数据生成针对某一专题的解释说明类情报产品，实现超大规模文本情报资料的关联、聚类、分类、信息抽取、摘要提取以及情报挖掘结果可视化等功能。

3.4 情报分析方式实现革命性蜕变

传统的情报分析人员花费大量时间精力从图像或视频中寻找目标，这种极其耗费精力但任务目标明确的分析工作是深度学习最擅长的。美军相关专家研究认为，大数据技术可以帮助其提高100倍情报分析和自主决策能力。这种说法并不夸张，数据的规模和维度是限制人脑分析情报的重要因素，单靠人力很难在海量的数据中寻找规律和线索，而深度学习技术正是基于大数据的分析技术，深度神经网络具有强大的特征提取能力，特征提取的本质就是过滤冗余信息、挖掘出有用信息的过程，这和情报分析的目标不谋而合。按照流形分布定律，自然界中同一类别的高维数据往往集中在某个低维流形附近，深度神经网络只需猜测流形的存在性和大致维数就能够自动学习数据的流形结构，以此发现人类难以找到的共性，这种学习数据的低维特征表示的能力非常适用于目标探测、分类识别和聚类分析。基于深度学习的智能系统可将各类侦察监视装备获取的海量多源异构数据加工成可理解的初级情报产品，这不仅大幅提高了情报分析效率，还将情报分析人员从高强度低水平劳动中解放出来，全身心致力于发挥人类的思考及创造能力优势，提高综合研判及预测评估水平。

DARPA于2018年3月启动了“罗盘”项目，旨在通过搜集大量情报，为作战人员提供强大的情报分析和决策支持工具，2020年3月，项目测试了雷声公司、系统技术研究公司和洛克希德·马丁公司提供的三种原型系统，展示了利用人工智能提升情报分析效果的能力。2021年5月，以色列在“护墙行动”中使用了福音情报分析系统，其核心技术就是学习了大量涉及加沙地带恐怖组织的声像情报、通信信号等数据的深度学习模型，该系统可以自动分析出高质量的打击目标，帮助以军对作战目标实施了密集精确的打击，以色列军方称先进技术及新的作战方法使其作战能力倍增。

3.5 侦察情报效率趋近体系化极限

从侦察、监视及情报工作方案制定到情报获取、处理、分析，再到情报产品生成、上报分发，深度学习技术的引入，提高了各环节的智能化程度，在体系作战中，近实时的处理、分析、传输使侦察情报工作运转效率趋近极限。

美军分布式通用地面系统可快速处理、分发从各种侦察监视平台传送来的情报，在2003年伊拉克战场上，第一代DCGS系统(分布式通用地面系统)从对接侦察传感器到完成目标定位仅需几分钟，而海湾战争中侦察卫星情报传送到前线需要12～24 h。整合各类型情报系统增强了情报共享和融合能力，但增加了数据量，海量数据的处理分析需要深度学习技术的支撑，新一代的分布式通用地面系统陆军版(DCGS-A)[9]在各环节深度融入深度学习技术，旨在为所有层次的指挥官和情报分析人员按需、实时提供准确的情报产品。2017年4月，美国国防部专门成立“算法战跨职能小组”，旨在将将大量数据快速转换为有价值的情报，其中专门提到加快深度学习技术的应用。2020年9月，美军天基情报处理系统在深度学习技术加持下，在“融合计划2020”演习中实现了侦察卫星数据的快速处理，并将目标信息实时传递给火控单元，将“发现-打击”周期从15 min缩短到1 min以内，基本实现“发现即摧毁”。在智能化主导的体系作战中，各类察打一体、情指一体平台凸显了侦察情报的作战属性，一体化的侦察情报系统辅以基于深度学习的辅助分析决策系统，使OODA环中观察、判断、决策环节快速提升，直至达到近实时的状态，将侦察情报与作战行动融为一体；另一方面，战争的主要形式可能由热战转变为网络战、认知战和舆论战，届时侦察情报将成为未来战争的主体。

4 基于深度学习技术的侦察情报样式展望

(1)自主侦察监视

依托基于深度学习的图像分割和场景理解技术判断战场环境，利用目标检测识别技术确定关键目标，只需赋予任务，便可根据任务特点、地形、地图、目标历史轨迹、气象等数据自主规划航路，发现目标自动预警、自主规避，记录盲区和特殊事件并重新规划侦察路线。

(2)集群协同侦察

利用无人侦察单元的动作、坐标、速度等状态数据，加上监视视场、目标清晰度、隐身效果等性能参数以及临近单元的状态和性能数据训练深度神经网络，可以进行实时情报融合、自主态势感知，以完成设定任务为目标，依据态势信息自主决策、科学分工、互通信息、协同互补，实现超大规模智能集群协同侦察。

(3)智能批量处理

针对遥感图像、航空图像以及开源情报，依据任务要求训练基于深度学习的目标识别、实例分割及自然语言处理等模型，能够大幅压减智能侦察平台或公开来源获取的冗余数据，降低存储、传输及后续处理压力；依托后台大数据处理中心对特定目标、事件或主题的提取无需人工干预，可实现声像情报的结构化，文本类情报的深度挖掘，以及快速查找和自动分类。

(4)智能辅助分析

深度学习技术能够学到海量高维数据的流形结构，提取数据中蕴含的本质特征。这种能力使基于深度学习的智能辅助分析工具可以在海量数据中挖掘出人力难以企及的规律和线索，针对某些特定需求(如长期关注的某个专题)训练的深度学习模型可以直接生成初级情报产品，辅以自然语言理解、场景理解、回归预测等技术，甚至可以生成为决策提供支撑的重要情报产品。

(5)人物行为评估

针对特定任务，搜集所有关系人的位置、行为轨迹、通信记录、网络浏览记录等信息，利用这些信息训练深度神经网络模型，可用于发现行为规律、可疑线索或异常行为。针对关键重要人物，通过积累与其相关的所有可用情报信息，训练神经网络模型可用于评估其性格特点，预测其可能的行为或决策。

(6)超级情报参谋

学习了数万亿字文本的深度学习模型能够理解消化人类文明积累的海量知识，能够归纳综合各类情报资料的内容，实时精确回答指挥员的知识性问题，全面监控网络舆情态势，深度评估多源情报，客观生成可能结果的概率，科学预测战场态势变化，快速评估作战方案的效果，是名副其实的“超级情报参谋”。

(7)深度战术欺骗

从雷达信号、通信信号到音视频及图像情报，都是深度学习模型可以伪造的对象。基于深度学习的深度伪造技术颠覆了“眼见为实”的传统认知，低廉的欺骗成本和高度逼真的伪造效果使得“欺骗”在战术层面无处不在，同时，同样基于深度学习的防伪鉴定技术则成为各级指挥员鉴定真伪必备的“火眼金睛”。

(8)实时按需分发

不仅能满足针对预设支援关系的分发需求，基于深度学习技术的智能分发系统可以通过理解情报内容，结合各需求单元的职责任务、当前状态及打击能力，实现按需实时分发，最大限度地缩短“发现-打击”周期，提升体系作战能力。

(9)情指深度融合

深度学习技术可以用在侦察情报计划制定、情报获取、处理、分析以及情报产品生成、上报分发等各环节，大幅提高侦察情报过程的智能化程度和处理时间，各类察打一体、自主协同、实时感知及智能决策平台在体系作战中发挥着越来越重要的作用，情指深度融合趋势不可阻挡，最终将促成观察、判断、决策、打击融为一体。

5 结 语

深度学习技术的快速发展推动智能化时代加速到来，战争形态加速演变，对军事侦察情报领域产生深远影响。深度学习技术卓越的感知、学习及认知能力非常契合侦察、监视及情报处理分析等应用需求，世界主要军事强国均非常重视深度学习相关技术的应用，特别是美军依托专门机构精准投入大量研发经费的做法，有效引导了深度学习技术的研究及军事应用。立足深度学习的技术特点及外军的研发应用情况，分析深度学习技术对军事侦察情报领域的影响，展望基于深度学习技术的侦察情报行动样式，对我国发展智能化侦察情报体系具有重要的参考借鉴意义。