人工智能正在悄悄转变战场，人工智能正在迈向信息电子战？

BAE系统公司开发的MATRIC收发器采用RFSoC技术，可以实现电子战系统在作战和飞行中的重编程。

认知战将在依赖于无人战斗机和一次性无人飞行器的未来作战概念中发挥重要作用。

基于DARPA的“自适应雷达对抗”(ARC)项目，Redos和L3 Harris技术公司将人工智能集成到ALQ-214射频对抗系统中，该系统用于美国海军的F/A-18E/F超级大黄蜂。

SLQ-32(V)7“水面电子战改进项目”(SEWIP)Block 3系统将利用人工智能技术帮助舰艇对抗反舰巡航导弹。

对于大多数人来说，人工智能是一个难以理解的术语。你越想理解它，问题就越多，答案也就越复杂。然而，人工智能在搜索引擎、智能手机和流媒体推送服务中无处不在。在这种趋势下，人工智能技术自然被应用到电子战中。电子战迫切需要使用人工智能技术的原因有很多，不仅仅是因为对手已经在使用AESA雷达。虽然后来人工智能技术被引入电子战和信号智能领域，但这个领域是人工智能及其子集的完美应用领域——机器学习和深度学习算法。

一般来说，认知系统的设计是对输入的数据进行感知、学习和推理，并根据数据揭示的规律向决策者提供建议。应用于电子战时，认知系统侧重于探测和分类敌方信号，利用机器学习算法自动生成策略。人工智能可以快速分析大量数据，识别感兴趣的信号，通过分析开发快速生成可用的对策。随着认知电子战技术的成熟，它将被嵌入前线打击平台，与电磁作战管理系统一起更好地感知、识别和传输电磁环境信息，而采用人工智能技术的电磁作战管理系统可以为指挥员构建更大的电磁频谱视图。

BAE系统公司FAST R&D实验室产品总监克里斯·拉帕(Chris Rappa)指出:“外部环境的波形越来越多，电磁频谱越来越拥堵，将信息处理成情报的成本越来越高。因此，人工智能和机器学习不仅需要应用于传感器，还需要应用于传感器资源管理器、控制中心和后端波形分析和处理。仅仅在一个地方应用是远远不够的。将人工智能和机器学习引入加工链的不同阶段，是扭转成本曲线的关键。”

一般来说，最先进的认知系统可以独立做出和执行决策，完全消除了“环中人”。但在可预见的未来，我们不会让认知电子战系统独立工作，直到它得到充分验证。电子战系统中的人工智能必须获得武器系统操作人员的充分信任，因为它将在“最后摊牌”中做出关乎操作人员生死的决定。就像40~50年前自动电子战系统取代了战斗机后座的电子战军官一样，人工智能要获得这种信任还需要一段时间。目前的目标远没有那么雄心勃勃。人工智能使能的自卫系统只是人工智能在电子战领域的众多应用之一。人工智能还可以在电子战的其他应用中发挥重要作用，从威胁分析、军队训练到电磁作战管理。当人工智能应用于上述领域时，其应用模式不仅仅是打开和关闭开关那么简单。事实上，最有效的认知系统是将人工智能强大的计算分析能力与人类独特的洞察力和创造力相结合。因此，“人在循环中”减少了，“人在循环中”增加了。

BAE系统公司FAST R&D实验室的首席科学家斯科特·库兹德巴(Scott Kuzdeba)说，“个人或团体需要的信息只有这么多，但数据是海量的。这就是为什么需要人工智能技术来辅助生成智能，以便人们只会获得采取行动所需的相关信息。”

洛克希德·马丁公司海上和空中网络/电子战负责人乔·奥塔维亚诺(Joe Ottaviano)表示:“人工智能不是万能的，而是帮助操作员做出实时决策的支持工具。运营商还是需要积极参与其中。”雷神公司电子战系统首席研究员兼技术总监卡尔·纳尔戴尔(Carl Nardell)对此表示赞同:“电子战操作员不会消失，我们只是为他们提供了一个工具，使工作流程自动化，完成更多的数据处理。”

消除瓶颈

对于武器系统操作员来说，处理威胁时的响应时间至关重要。传统电子战系统探测到敌方雷达或无线电信号后，会将其与系统威胁数据库中的已知信号进行匹配。一旦识别到信号，干扰机将立即选择预先加载的对抗算法，并发射干扰信号。这种优化的对抗算法可以干扰或欺骗特定的雷达和无线电接收机。

战争对手正在利用人工智能技术提高雷达、光电/红外传感器和通信系统的认知能力，这给电子战系统带来了新的挑战。认知雷达和认知无线电使用不断变化的新波形，导致传统电子战系统无法实现干扰算法与难以识别的敌方信号的最优匹配的问题。

对于电子战系统来说，敌方的雷达和无线电信号只是复杂电磁环境中的一部分。电磁环境中密集分布着各种友好的、中性的辐射源，这些辐射源使用不断变化的新信号。这意味着来自敌方雷达或无线电的新信号可能作为“未知信号”隐藏在大量的射频能量中。

认知电子战技术通过综合应用人工智能算法、人工智能计算和分析能力、深度学习技术，有助于解决上述问题。这些技术试图基于行为特征实现电磁环境下的威胁系统检测，由位于“回路之上”的武器系统操作员确认是否需要做出最终决定。然而，直到最近，实现这一目标所需的计算能力还仅限于大型数据中心的数十万台服务器。这些服务器由大量高性能处理器驱动，可以快速处理大量信息并做出近乎实时的决策。但由于这些数据中心距离作战平台较远，需要将平台的数据传输到数据处理中心，然后将对抗算法处理后发回作战平台。即使在理想条件下，这个过程也需要很长时间。

一种解决方案是将电子战数据处理分布在平台和作战中心。这和目前工业、医疗等领域的应用类似。在这些领域采用上述方案的原因与在电子战中采用这种方案的原因是一样的。首先，在生成数据的传感器平台和云数据中心之间有很长的往返延迟。其次，庞大的数据传输使得数据链路超负荷。

以上两个问题可以通过合理划分云和网络“边缘”的任务来解决。将实时应用所需的处理功能部署在平台上，而不是云数据中心，这样就可以消除延迟问题。同时，只有将有用的数据发送给分析师，才会大大减轻已经不堪重负的数据链路和网络的负荷。此外，将重要信息保留在平台上，不仅可以持续更新，还可以防止信息被拦截或破坏。

上述方案的实施具有现实意义。例如，虽然船舶和一些车辆具有人工智能硬件所需的空间和电源，但许多机载平台几乎没有额外的空间和电源。为飞机开发的认知电子战系统，需要尽可能的小，尽可能的高效。幸运的是，近年来，该行业在上述领域取得了一些重大的技术进步。

首先是射频“数字化”，即直接射频采样(直接射频采样)。这样输入模拟信号的数字处理就要尽可能靠近天线，不使用混频器、本振等射频和微波器件，避免这些器件带来的不利影响，减少射频功能占用的空间。

数字化信号可以在RFSoC或GPGPU上处理。Xilinx的RFSoC产品将模数转换器、FPGA可编程逻辑电路和FPGA芯片封装在一起，同时在重要的I/O端增加了一个ARM处理器。GPU结合了通用中央处理器(CPU)的强大功能和图形处理器(GPU)的独特功能。这两种类型的处理引擎都可以用于人工智能，并可以大大减少信号处理的空间和功耗。

再比如刺猬系统，应用在电子战和信号情报领域。这是BAE Systems推出的一款实时可重构软件定义无线电(SDR)系统，其射频前端由“可重构集成电路微波阵列技术”(MATRIC)收发器组成。MATRIC技术由DARPA资助，芯片大小约为硬币大小。“刺猬”系统可以实现DC到40GHz信号的调谐，并且可以在纳秒时间内完成切换。其数字化和处理功能采用Xilinx公司的RFSoC技术，系统可同时数字化16路和2GHz宽带射频信号。

BAE Systems将“Hedgehog”无线电系统应用于DARPA资助的“机器学习实时自适应可控硬件集成”(CHIMERA)项目，该项目旨在为机器学习算法开发者提供一个可重构的硬件平台，以便在拥挤的电磁环境中感知射频信号。CHIMERA项目是对DARPA的射频机器学习系统(RFMLS)项目的补充，该项目致力于机器学习算法的开发。

BAE系统公司展示了“刺猬”在无人机上的应用，并测试了其在拥挤和竞争激烈的电磁环境中的信号感知能力。此次演示是DARPA研究项目“基于网络化系统的分布式射频分析和定位”(DRAGONS)的一部分，其目标是整合信号识别和定位能力。拉帕指出:“我们的目标是发展小型化产品大规模生产的能力，让更多的传感器可以部署在更多的地方，拥有更多的能力，然后将它们集成在一起。由于可用处理能力的增加和先进数据利用技术的发展，我认为实时数据开发和利用能力正在发生巨大变化。”

提高治疗效率。

传统对策的开发过程耗时太长。SIGINT平台一旦收集到新的威胁信号，就会将其发送到数据中心，分析人员将这些数据与从其他信号情报任务中截获的数据放在一起进行分析，并在几周或几个月内完成对策的制定。然后将威胁数据和相应的对抗措施发送到作战单元，并按要求上传到电子战系统。然而，随着认知雷达和数据链技术在敌方综合防空系统中的使用越来越多，这种已经使用了几十年的对抗手段的发展进程显然过于缓慢。

雷神公司的纳尔戴尔说:“从发现新威胁到做出反应的周期不应该以天、周或月来衡量，而应该以秒或分钟来衡量。人工智能和机器学习技术将缩短这个周期。”

电子战系统最基本的功能是在必要时接收、识别和干扰电磁环境中的感兴趣信号。对于传统电子战系统来说，这个过程依赖于数据收集(如信号情报)，电子战系统基于收集到的数据进行编程，实现对感兴趣信号的识别。随着人工智能启用电子战系统，数据收集有了全新的价值。来自电磁环境的大量数据可用于训练人工智能模型，这些模型可用于辐射源行为的模式识别。

洛马公司的奥塔维亚诺说，“现代雷达具有很强的适应性，使用FPGA可以迅速改变其行为，这使得对抗措施的生成周期过长成为一个现实问题。而利用人工智能技术处理数据，观察雷达的行为，可以在短时间内生成对策，对数据处理有很大帮助。”

连接更多战斗节点

虽然人工智能可以在系统层面为电子战提供很大的好处，但是它在其他领域的应用也会对电子战产生影响。例如，美国国防部启动了联合全球指挥与控制(JADC2)研究工作，旨在快速收集、分析并与武器投送平台共享分布式传感器信息。美国国防部设想了一个类似云的JADC2环境，使所有部队通过通信网络实现传感器数据的传输和共享，从而实现更快的决策。

美国国防部计划从大量传感器收集数据，利用人工智能分析数据，识别目标，并生成最佳的动能或非动能武器攻击建议，从而赋予指挥官更好的决策能力。这一概念将使指挥员获得有用信息，实现快速、持续的跨域能力整合，进行跨域并发作战。

人工智能能力不缺。

目前，不缺乏将人工智能集成到现有和新平台的硬件和软件。Nardel说:“我们有更多的可用功率和射频片上系统。同时，我们也期待下一代产品进一步扩展其功能。我认为不应该在战术平台上进行机器学习训练，但是战术平台仍然需要一定程度的人工智能和机器学习来帮助它们执行任务。一些已经在使用的人工智能系统，从潜艇到机载设备，都受益于人工智能和机器学习技术。”

纳德尔解释道，“目前的挑战是将其纳入战术系统，需要解决结构、环境适应性和可靠性的问题。某些形式的人工智能已经存在了几十年。我认为，很多时候，当人们想到人工智能时，他们会想到神经网络，但神经网络只是人工智能工具包的一个组成部分。我们有启发式搜索法、人工智能算法、神经网络法，现在开始应用它们解决电子战问题。其实很多工具并不需要很多专业知识就可以使用。我们已经在使用这些算法来解决我们面临的问题。”

Nall认为，机器学习是一个从现有的传感器和效应器中提取尽可能多的能力的机会。目前，由于缺乏将它们结合起来的算法，它们不能被充分利用。人工智能和机器学习提供了这样一个从现有设备中获得更多价值的机会。

人工智能将应用于新的电子战系统，也需要将其集成到尽可能多的旧电子战系统中，其中一些系统已经有几十年的历史，并采用模拟技术系统。将人工智能嵌入到几十年前设计的系统中，并不需要完全改变原有的系统，因为可以使用标准接口来获取所需的数据，这只取决于系统的开放结构是否设计良好。

Nall还说:“我认为旧的平台不是F-22战斗机，而是F-16或F/A-18。我们已经在研究第六代平台，有人工智能的能力。问题是这些平台投入使用还需要很长时间，而第四代平台(F-22)仍然是主力。以更低的价格和更短的时间将人工智能嵌入这些平台是一个很好的机会。随着行业越来越多地采用开放标准，将FPGA、张量处理器和GPGPU应用于传统平台将变得更加容易。”

认知电子战的未来

十年前，认知电子战更像是一个梦想，但得益于人工智能和相关软硬件技术的巨大发展，这种情况正在发生巨大变化，认知电子战已经成为现实。

拉帕指出:“电子战领域需要有一个共识，即目前在系统中实现认知电子战能力是绝对可行的。通过在第四代空战平台中嵌入人工智能，这些平台可以产生更大的价值，而且实现的门槛不是很高。”

BAE系统公司的库兹德巴(Kuzdeba)表示，BAE系统公司拥有近实时应对未知威胁的能力。

奥塔维亚诺说，“我们看到越来越多的人工智能和机器学习技术应用到固定翼和旋翼飞机上。我认为下一步将是减少延迟。我们正在采取措施降低GPGPU类型平台上的处理延迟，现在看来进展相当迅速。”

一旦所有这些功能都可以交付，下一个问题就是系统是否应该是自治的。库德巴指出，“人工智能的使用存在许多伦理问题。当你具备了这些能力，新的问题就出现了，比如，自动系统生成的对策能否保证飞行员的安全。”

“这最终归结为信任，”库兹德巴解释说，“因为飞行员必须决定是否将自己的生命赌在独立工作的电子战系统上，同时该系统是否会按预期运行。它必须得到作战应用人员的支持，这样他们才能使用它。如果他们对设备没有信心，他们可能会关掉它。当然，这并不是第一次要求战斗人员对新技术有信心。隐身技术就是一个很好的例子，他们终于做到了。”