1 机器智能与智能机器

     

让机器具备人一样的智能，赋予机器思考和推理的能力，是人类最伟大的梦想之一。早在 1948 年，图灵在题为《智能机器》的论文里，第一次为世人勾勒出了人工智能领域的轮廓。随后，在1950年发表的论文《计算机器与智能》中，图灵讨论了“机器能否拥有智能？”的问题。图灵并没有试图去定义“机器”和“智能”这两个词，相反，他设计了一个被后人称为图灵测试的思想实验。在很长一段时间内，图灵测试都是较为公认的人工智能判断标准。

自图灵测试提出以来，人工智能有了很大发展，其间有过高潮，也经历过寒冬，现在我们处于人工智能快速发展的新时代。德勤在《2017 德勤技术趋势》报告中认为，人工智能是机器智能的一部分，机器智能是一个更加广泛更加重要的领域。2018 年，美国国际战略研究中心发布《美国机器智能国家战略报告》，明确提出美国政府应在战略层面注重机器智能与人工智能发展齐头并进，最终实现人类与机器智能互补共生。

构筑智能机器是研究智能的最终目的。智能机器本质上是机器智能的物化表现形式。研究智能机器的目的是在感知、认知和行为三方面探求智能的机理及本质。人工智能为无人系统的发展提供了新的动能，而无人系统是人工智能研究的重要抓手和极佳的验证平台。

2 无人系统对人工智能的需求

随着社会的进步与新一轮信息技术的快速发展，人们对无人系统的应用场景与自主能力需求越来越强烈。在民用领域，无人系统已经从在结构化环境程序式作业转变为在非结构化动态环境下自适应作业，如无人驾驶车所行驶的道路越发复杂动态多变、无人机能够自动规避环境动态障碍物等。在军用方面，无人系统已广泛应用于各种复杂场景与任务场合，如无人机群自主协同作战、AI 战机等。要使得无人系统具备复杂场景下的自主作业能力，强烈依赖人工智能技术的发展。具体来说主要体现在以下两个方面。

2.1 强泛化通用人工智能算法

目前，无人系统应用场景往动态非结构化方向发展，传统针对特定任务与样本所训练的算法难以适应新数据与任务需求，泛化能力弱、适应任务单一，使得无人系统只能够在特定限制条件下自主作业，难以赋予无人系统真正的智能性。因此，如果需要使得无人系统真正具有类人自主性，必须开发强泛化能力的通用人工智能算法。

2.2 低功耗、高性能边缘计算芯片

由于无人系统通常是移动作业模式，其只能搭载有限的能源设备，难以部署大规模计算设备/学习服务器，对一些依赖计算资源的算法需采取云端技术，这将大大依赖大宽带实时通信，给实际应用带来不便与挑战。而采用边缘计算或云边协同的计算方式可以有效解决这一困局，如针对无人机输电线路巡检应用场景，可采用在无人机边端部署轻量级检测网络，然后将初步检测出缺陷数据发送到云端进行详细分析，完成此类任务大大依赖于边缘计算芯片。

3 发展现状

      

在人工智能技术创新的推动下，无人系统迎来了突飞猛进式的发展，以下仅从无人系统部分方面对人工智能的应用现状进行简要的概括。

3.1 人工智能提升环境感知效率

环境感知旨在从复杂场景或图像中定位大量预定义类别的物体，是人工智能领域热门的研究方向，也是无人系统开展各项作业任务的基础。针对目标识别，R-CNN、YOLO、SSD等一系列经典框架被提出，使得无人系统能够模拟人大脑的运行方式，通过多层卷积神经网络学习识别，大大提升了无人系统的环境感知能力。基于“碎片”概念、动态变化的感受野、生成对抗网络，以及其他新技术途径，从一定程度上削弱了图像尺度变化、目标遮挡、弱小目标等图像结构化变化带来的影响，进一步提升了复杂应用场景中无人系统的环境感知能力。

3.2 人工智能强化自主规划决策能力

规划决策旨在依据无人系统感知得到的动态环境信息，开展自主决策、路径规划等控制，使无人系统实现特定的作业任务。人工智能技术的迅速发展大大提升了无人系统规划决策的自主性，基于强化学习、深度强化学习等算法能够较好地解决无人系统的运动规划问题，诸如CANN、RNN、LSTM、SNN等一系列网络结构也被提出用于决策任务，使得无人系统能够适应高复杂、高动态、强对抗环境开展作业任务。

3.3 人工智能增强多机协同能力

人工智能技术的迅速进展能大大提升无人作战系统的协同作战能力。基于 AI 的智能化生态系统，以“能量机动和信息互联”为基础，以“数据计算和模型算法”为核心，以“认知对抗”为中心，多域融合、跨域攻防，无人为主、集群对抗，虚拟与物理空间一体化交互的智能化作战，已成为未来战争的主要形式。2017年美国国防高级研究计划局（DARPA）提出的“进攻性蜂群使能战术”（OFFSET）项目重点关注灵活、复杂、集体行为的自主集群，其中人工智能技术在互操作、自主决策、集群控制算法等方面提供了强大的技术支撑。

3.4 人工智能提升作战指挥体验

作为人与无人系统之间的交互接口，指挥控制系统能够实现控制指令与状态反馈的传递。引入人工智能技术后，一方面指挥控制系统能够通过自然语言、手势、体势等多模态人机交流方式获取指挥官意图并给出拟人化反馈，大大提升了指挥效率；另一方面，利用人工智能技术能够弥补操作者在速度、注意力等方面的局限，加速“观察—调整—决策—行动”（OODA）环路速度，协助指挥官做出正确指令。人工智能技术使得人机协作下的指挥控制能够适应未来战场上日益增大的信息流通规模和速度，让战场指挥转变为信息化的算法战争。

3.5 类脑芯片实现人工智能算法实体化

数据、算法和算力是人工智能发展的三驾马车，大量传感器的引入为无人系统带来了海量的数据，人工智能技术的加持提升了无人系统感知与行动能力，而类脑芯片作为终端实现人工智能算法的载体，已成为人工智能技术创新的重要基础。无人系统的信息处理单元架构正按照大脑结构仿生学的指引，朝着“存算一体”类脑芯片的方向发展。而在“存算一体”类脑芯片底层，非易失性核心器件也正逐步替代易失性核心器件，以便于更好地执行复杂人工智能计算功能。

4 前景和机遇

4.1 人工智能从感知智能向认知智能演进

尽管目前的智能无人系统在感知方面已经达到甚至超越人类水平，但在语言理解、视觉场景理解、决策分析等需要外部知识或逻辑推理的认知智能领域还处于初级阶段。认知智能将以认知心理学、脑科学及人类知识为基础，结合知识图谱和认知推理等技术，实现知识的表示、获取与推理，让知识能够被无人系统理解和运用。未来的无人系统将拥有自主智能，能够和人一样进行自我学习、思考和进化，从感知智能向认知智能进行转变。

4.2 人机协同混合智能提升无人系统自主性

人类和机器都有着各自擅长且不可互相替代的优势，所以人工智能的未来发展必将是与人类智能协作。人工智能系统适合执行对精度和效率有较高要求的确定性任务，人类可胜任需要创造力、互动性和多领域知识的工作。通过人机协同，最大限度发挥人类与机器的各自优势，提高无人系统的智能化水平和自主程度。

4.3 机器学习微型化推动 AI 与无人系统加速融合

人工智能算法正加速从“云端”走向“边缘”，进入到越来越小的无人系统设备中。目前，机器学习方法通常需要在较大的训练集上进行学习，需要较多的处理资源。然而，在某些极端场景下，对AI算法的占用资源和处理时间限制较为严格。为适应上述需求，AI 算法微型化成为关键，在不失去传统能力的情况下缩小现有的深度学习模型，在终端和边缘侧的无人系统微处理器上实现机器学习过程。与此同时，新一代专用人工智能芯片有望在更紧密的物理空间中实现更强的计算能力。随着嵌入式机器学习框架的引入，人工智能驱动的无人系统设备将大规模普及。