烏克蘭戰爭已成為人工智能（AI）在戰鬥中應用的孵化器。雙方的開發人員和程序員都在着手構建用於戰場的算法，包括自主導航、目標識別和交戰以及情報處理。
從現有證據來看，正在使用的人工智能在小範圍內是有益的，但歸根結底，它是一項正在成熟的技術，需要進一步開發才能充分發揮其潛力。不過，適當部署和管理的人工智能可以迅速提高效能，因此，俄烏戰場對人工智能的使用值得關注，以便了解其有益的用例及其局限性。
邊界框用於計算機視覺的物體檢測；它通常以綠色矩形的形式出現在車輛周圍，以指示其位置和計算機確定目標的置信度。
戰術
在烏克蘭，人工智能最重要的應用體現在大量的小型無人機上，這些無人機由志願者提供或為滿足戰爭需要而成立的小公司每月生産數千架。俄羅斯在前線部署了大量電子戰系統，在某些地區，多個電子戰系統分層並全功率運行，對衛星導航信號進行更全面的干擾。在這種情況下，烏克蘭部隊可能會被迫犧牲無人機來測試俄羅斯電子戰是否處於工作狀態，抑或無法有效地飛近任何目標進行實時瞄準。電子戰效果偶爾會消失，但這通常意味着俄羅斯將開始空襲。正因為如此，一些小型無人機已經開始使用人工智能自主導航。它通常使用經過地點圖像訓練的算法，使無人機能夠在沒有衛星定位的情況下進行導航。
俄羅斯和烏克蘭都開發了算法來協助第一人稱視角（FPV）無人機瞄準。俄羅斯的一個系統被稱為“牛虻”（Gadfly），其人工智能尋的能力已於2023年夏天公開展示。烏克蘭已經開發並部署了Saker無人機，該無人機使用人工智能來定位和識別目標。它可能還具有某種形式的人工智能輔助瞄準功能。此外，自2024年初以來，似乎顯示FPV在最後接近時帶有邊界框的視頻有所增加。假定使用人工智能的依據是識別出的車輛周圍存在一個邊界框。邊界框用於計算機視覺的物體檢測；它通常以綠色矩形的形式出現在車輛周圍，以指示其位置和計算機確認目標的置信度。它們的出現表明算法正在定位相關車輛，這意味着理論上算法有可能正在幫助無人機跟蹤和攻擊目標。
值得注意的是，其中許多工作都是由小型志願者組織發起的。與Saker 一樣，“牛虻”無人機也是由志願者開發的，這並不一定意味着這些工作比大型國防企業或人工智能公司的工作差，但這可能意味着這些系統是使用市場上可買到的算法開發的，能夠參與其中的人工智能專家較少。這可能會影響開發速度和迭代周期，而迭代周期是用來使算法和軟體迅速達到用戶期望的標準。“在烏克蘭，技術和市場都在快速發展，而且只會越來越快。”在烏克蘭開展業務的國防人工智能公司Arondite的首席執行官Will Blyth告訴《電子數據報告》雜誌，“要想獲得任何相關性，你就必須快速投入、協同構建，並將最小可行産品（MVP）部署到用戶手中。這才是工作中最重要的部分：收集大量真實世界的反饋，將其融入産品，並在現實世界再次發生變化之前重新部署。這就需要務實、實幹和敬業的人工智能工程師，專注於結果並快速構建。”Blyth補充道，同時強調了正在使用的技術的快速變化性質。
縱深打擊
4月2日，美國有線電視新聞網（CNN）發表的一篇報道指出，用於打擊俄羅斯煉油廠的烏克蘭無人機利用計算機視覺自主導航到目標並與之交戰。這實質上是“戰斧”對陸攻擊巡航導彈（TLAM）基於雷達的地形匹配能力的人工智能版本。不過，值得注意的是，尚不清楚烏克蘭攻擊無人機上的計算機視覺是否能使其像巡航導彈那樣緊貼地形飛行。俄羅斯還使用了“柳葉刀”（Lancet）巡飛彈藥，這種彈藥在某些情況下攜帶有Nvidia TX2 Jetson，這是一種專為在網絡邊緣使用人工智能而製造的小型計算機。這意味着射程為50千米的“柳葉刀”也可能具備某種形式的自主導航能力。這兩種情況都表明，人工智能有可能提高精確打擊彈藥的抗干擾和抗欺騙能力。
“牛虻”無人機。
防空
Respeecher是一家烏克蘭公司，它開發了一款利用人工智能模仿名人聲音的應用程序。這項技術在烏克蘭有了一個有趣的新用途，被用作Zvook聲音探測系統的一部分。該系統根據俄羅斯巡航導彈的聲音訓練算法，並與烏克蘭各地的聲學傳感器配對。該網絡旨在跟蹤俄羅斯導彈並指示其飛行路徑。從理論上講，這可以讓烏克蘭仔細定位其雷達和防空系統，並利用Zvook監測其雷達覆蓋範圍內的任何潛在薄弱點。同樣，該系統也是由來自Respeecher、一家名為i3的IT技術公司和烏克蘭國土防衛部隊的志願者共同開發的。
2023年5月，俄羅斯媒體報道了S-350防空系統利用人工智能自主攻擊目標的消息。與俄羅斯的典型新聞報道一樣，詳細報道很少，但如果該系統確實在人工智能的幫助下完成了這次交戰，則會帶來有趣的前景。從理論上講，將多個傳感器的輸出融合為一個單一的可識別空中圖像是可能的。美國陸軍的綜合戰場指揮系統（ICBS）在2020年就實現了這一願景，當時它利用“愛國者”和“哨兵”的雷達與一對巡航導彈交戰。目前還不清楚ICBS是否使用了機器學習來幫助處理其目標信息，但通過人工智能傳感器融合可以達到類似的效果。使用邊緣計算和成套算法來解釋雷達和其他傳感器生成的數據，並將這些輸出結果合併成單一圖像，就能實現這一目標。更進一步，讓人工智能對防空作戰做出決策，可能會比人類操作員更成功——尤其是在經過幾個學習周期之後。
這也涉及一個重要的區別：美國海軍“阿利·伯克”號上的“宙斯盾”防空系統可以自主運行。在這種很少使用的模式下，艦艇的戰鬥管理系統控制雷達和攔截器。該系統的程序設計旨在保護艦艇，這意味着它可能會不必要地耗盡導彈單元，或攻擊其他不被視為威脅的目標。為此，“宙斯盾”使用了由程序員編寫的數千行代碼，它不可能不按代碼的規定行事。簡單地説，“如果目標符合這些條件，就按程序給定方式攻擊”。另一方面，由人工智能驅動的防空系統已經學會了如何根據合成數據和真實數據進行防空。一旦投入實戰部署，理論上它就能根據以往交戰的數據學習並提高自身能力。這可以提高它對下一組威脅的反應能力和總體成功率。
總結
烏克蘭戰場正在展示人工智能在軍事領域的應用前景，但按照某些行業標準，許多工作都被視為概念演示、低技術就緒程度（TRL）或開發不足。適當的基礎設施可以在每次更新作戰經驗後對算法進行快速升級和迭代，以提高其能力。目前還不清楚俄烏雙方在多大程度上擁有這種基礎設施或必要的工程師，以充分發揮人工智能能力的潛力。儘管如此，擁有眾多不同技能的開發組都在獨立創新，這對於快速開發人工智能在軍事上的應用似乎確實很有價值。
從技術上講，新出現的系統可以抵禦電子戰，並有可能提高飛行性能和與車輛交戰能力。不過，它們並不代表改變戰爭規則的能力。除了FPV打擊視頻外，還有許多其他傳統火炮或精確打擊傳統偵察目標的視頻。儘管如此，上述用途還是讓我們了解了人工智能塑造戰爭的潛力，並指明了可能的發展方向。（薩姆·克蘭尼·埃文斯/文 高飛/譯）
