人工智慧對軍事防禦與安全的影響

1.以人工智慧為代表的新興顛覆性技術正在開創一個新時代

#從人工智慧、機器人技術到分散式記帳技術（Distributed Ledger Technologies，DLT）、物聯網（Internet of Things，IoT），新興的顛覆性技術開啟了商用創新的新時代。技術變革引發的社會和經濟變革，對加拿大軍事力量的發展有著巨大影響。這些技術包括人工智慧與機器學習、量子技術、資料安全及電腦輔助硬體等。

人工智慧作為一種力量倍增器，能夠重塑戰爭規則。在大國競爭和世界多極化的背景下，人工智慧正在成為競爭焦點。正如北大西洋公約組織（以下簡稱「北約」）的指導意見稱，「人工智慧技術對於加拿大及其盟國的軍事防禦和安全至關重要。」當前，數據和數據驅動技術佔據了全球經濟的製高點，全球數據經濟的競爭與大國競爭密不可分。

中國、俄羅斯、美國和許多其他國家都在積極探索人工智慧及其應用，並將重點聚焦於國防和國家安全。目前，北約仍是人工智慧領域的領頭羊，具有較強的技術優勢，中國正在迅速追趕。中國政府希望在 2030 年能夠在人工智慧領域引領世界，並透過充分利用大量數據，擴大其在人工智慧產業化方面的領先地位。雖然美國在人工智慧方面已經確立領先地位，但是預計中國今後將主導人工智慧的產業化。因為中國不僅具有先進的商業能力，而且具有持續的國家戰略。

2.人工智慧是一種動態創新

關於人工智慧的概念，人們已經討論了很多，準確來說，人工智慧不僅是一種動態、特定的技術和創新，更是先進技術的組合。目前，人工智慧技術已成為許多重要應用的基礎，包括網路搜尋、醫療診斷、演算法交易、工廠自動化、共乘和自動駕駛等。

人工智慧研究始於 20 世紀 40 年代，隨著機器學習和電腦處理能力的提高，引發了人們對它的極大興趣。人工智慧的發展與人腦的多層次學習和推理能力相似。當與大數據和雲端運算結合時，人工智慧就可以透過將「智慧」的系統連接到 5G 網路的系統和設備來「認知」數位技術。

作為人工智慧的一個子集，機器學習是人工智慧最典型的應用。機器學習利用統計技術，使機器能夠在沒有明確指令的情況下“學習”，驅動應用程式和服務，提高分析的自動化程度。這種透過資料來自動提高效能的過程稱為「訓練模型」。機器學習最常見的應是深度學習，也就是利用多層的人工神經網路來複製人工智慧。深度學習架構，例如深層神經網路、遞歸神經網路和卷積神經網路能夠為電腦在視覺、語音識別、機器翻譯以及自然語言處理等廣泛的研究領域提供支援。

3.美國、加拿大重金打造人工智慧

人工智慧是新興顛覆技術的核心。目前，美國仍然是人工智慧領域的全球領導者。美國國家科學基金會（National Science Foundation，NSF）每年對人工智慧研究的投資為1 億多美元，美國國防高級研究計劃局（Defense Advanced Research Projects Agency，DARPA）最近提出了「下一代人工智慧」項目，計畫投入20 億美元，目標是提高情境式推理和自適應推理能力。

加拿大也一直是人工智慧領域的領頭羊，在2017 年「人工智慧戰略」的指導下，加拿大的人工智慧生態系統發展迅猛，而且政府每年都將增加國防開支，並將重點放在新興顛覆技術上。目前加政府承諾將投入大量資金研發人工智慧，在過去 10 年裡，加政府投入了 4.438億美元。根據加政府2021 年的預算報告，其中1.85 億美元用於支持人工智慧研究的商業化；1.622 億美元用於全國招募頂尖學術人才；0.48 億美元用於研究所；0.4 億美元用於增強埃德蒙頓、多倫多和蒙特利爾國家人工智慧研究所研究人員的運算能力；0.086 億美元用於促進與人工智慧相關的標準的製定和採用。

與傳統軍事技術的發展不同，沒有一個國家能夠壟斷人工智慧的軍事應用。研究人員和企業之間的廣泛合作意味著人工智慧和機器學習將進一步在全球應用，因此，未來的許多軍事應用很可能直接採用針對商用開發的技術。

4.人工智慧的軍事應用

人工智慧是一個能夠對商業和軍事技術領域產生廣泛影響的領域。人工智慧的廣泛應用意味著該技術能夠重新調整現代化部隊的發展速度和組織結構。從整體來看，人工智慧代表著國家安全性質的結構性轉變。因此，未來的軍事應用重點是研發、採購以及整合先進和變革性技術（包括網路和自主系統）。

4.1提升情報能力

作為一種戰爭工具而出現的人工智慧，能夠確保加拿大的國家安全，特別是提升其情報能力。

數位時代的戰爭正日益變得以知識為基礎。當衝突進入資訊領域，軍事規劃將專注於資訊 /虛假資訊行動、網路行動、情報行動以及政治或經濟影響行動。事實上，混合戰爭很早前就作為一種戰爭工具，目的是利用網路宣傳、破壞、欺騙其他非軍事行動，從內部削弱敵人。

網路一直是敵人、國家、犯罪組織和非國家行為者攻擊的主要目標，其中涉及監視和偵察、情報和敏感資訊。科技的發展大大拓寬了資料和資訊的取得範圍，目前推動策略情報的大多數資訊是開源情報（Open Source Intelligence，OSINT）或公共資源。

現代戰爭極度依賴安全、及時和準確的資訊。隨著資訊呈指數級增長，數據分析變得愈加困難，促使人們採用新的分析模式和網路工具。在數位時代，情報人員迫切需要新的平台、新的工具和跨領域的 OSINT，而人工智慧正好能夠滿足這種需求。人工智慧和機器學習透過篩選大量的數據，能夠大幅提升加拿大的國家情報能力。雖然人工智慧系統不能提供因果分析，但是可以大幅提高在資料管理和資料驅動分析方面的智慧性。

4.2重塑軍事指揮控制系統

人工智慧改變了舊的軍事衝突模式，面對數據驅動的戰場，決策者應該及時調整其安全態勢，目前，加拿大國防部和軍隊面臨的一個重要挑戰是數據驅動網路正以極快的速度重塑軍事指揮控制系統。

整合化系統的優勢是能夠有效地協同軍事行動，在軍事指揮控制系統中，人、感測器執行威脅檢測，將資訊推送至決策棧，使決策者能夠準確地響應，但集成的指揮控制系統也意味著單點故障將成為薄弱環節而遭受攻擊，「自上而下」的決策難以適應在複雜情況下的緊急挑戰，而人工智慧的應用又將使決策進程進一步加快，因此對傳統的軍事指揮控制系統提出了挑戰。

神經運算、生成式對抗性網路、人工智慧決策支援、數據和情報分析方面的創新將對軍事行動產生巨大影響。在平台、技術和應用整合的數位時代，人工智慧和機器學習對於鞏固和加強軍事力量至關重要。人工智慧並不是一種單一的技術，而是由一系列技術構成的，可以整合到各種軍事和商業應用中，而數據是這些技術不斷發展的基礎。數位技術受到數據的推動，並進一步推動人工智慧的發展。數據是人工智慧和先進機器學習演算法訓練的基礎，數據正驅動機器「自主」發展。

數據驅動技術支撐著現代社會的核心和經濟功能，隨著全球 5G 網路的推出，全球資訊網路將產生、收集、處理和儲存大量資料。因此，加拿大國防部和軍隊將數據提升到國家級資產是明智之舉，對經濟成長和加拿大國防都至關重要。保護和利用資料意味著要重新思考當下的集中式數位基礎設施，網路時代的資料安全應該既是分散的，又是聚合的，這樣才能避免集中式系統漏洞風險。

4.3推動自主武器系統的發展

人工智慧的武器化加劇了全球軍備競賽，它可能重塑加拿大的國防戰略。目前，由於人工智慧的引入，軍事系統自動化、設備維護和監視以及無人機和機器人的部署都取得了巨大進展。美國、俄羅斯、以色列等國家正在研究將人工智慧嵌入網路安全和支援作戰模擬、資料處理的機器人系統中。先進的後勤保障、半自動駕駛、智慧的供應鏈管理和可預測的維護系統代表了當前人工智慧的軍事應用。

自主武器無須人類的參與，可以在陸、海、空、天和網路多疆域執行目標辨識、打擊和摧毀活動。其基於監測周圍環境的感測器系統、識別潛在目標、決定是否發動攻擊的人工智慧系統，以及能夠摧毀目標的武器的組合。在亞美尼亞和亞塞拜然的衝突中，自動和半自動無人機被用來破壞常規的軍事系統，導致一系列軍事平台直接失效。最近，對沙烏地阿拉伯國家石油加工設施的攻擊行動也證實了軍用無人機正越來越多地應用於各種戰場環境。

隨著自主武器系統和數據驅動技術的成熟和普及，它們可能會為國家和非國家行為者提供平台和工具，以新的破壞性方式來運用人工智慧和機器學習。

4.4打造先進的網路平台

對許多北約國家而言，網路平台對於多疆域作戰至關重要。網路平台使複雜環境中的可視化和協調資源成為可能。在 5G 和雲端運算的支援下，資訊系統能有效收集、傳輸和處理大量戰場數據，提供即時數據分析。

設備互聯對於協調空襲行動、無人機駕駛、即時戰場空間分析、管理高度複雜的供應鏈至關重要。從戰略、通訊到後勤、情報，數位平台成為指揮複雜軍事行動的基礎，其數據是所有作戰領域的命脈。

在數位化戰場空間中，每個官兵、平台和資源都是複雜軍事網路的一個節點。從 1990 年代以網路為中心的美軍軍事行動開始，數位科技就是先進武器、戰術和戰略的基礎。從戰場態勢感知、自主無人機到精確導引彈藥和機器驅動的心理戰，網路正在將戰爭帶入網路時代。

人工智慧本質上是一種“自下而上”的技術，它依賴大量資料的持續“輸入”，以支援機器學習為“學習引擎”。隨著數位生態系統的激增，它們所依賴的網路平台和數據管理系統對於管理不斷擴大的資源和人員變得至關重要。

DLT 提供的高度分散的驗證系統，可以在確保所有通訊和資料傳輸不受對手攻擊的同時，消除集中式節點可能存在的故障。因此，加拿大國防部應該依靠 DLT（例如區塊鏈）來加速加拿大軍方的數位轉型。透過在分散的網路中橫向分配資料的手段，克服原有系統固有的限制和脆弱性的缺點。

4.5促進無人機群與機器人迅速發展

隨著人工智慧在軍事應用領域的迅速推進，許多國家在無人機和機器人的部署方面取得了很大進展，其中，以美國和以色列的軍用無人機的發展為代表。美軍軍用無人機種類齊全、技術先進、用途廣泛，主要有無人偵查機，察打一體攻擊型無人機、誘餌無人機及貨運無人機，用於戰場監視、通訊中斷、軍事打擊活動等，其在全球市場份額佔據領先地位。

無人機群技術可用於微型、小型無人機以及無人駕駛飛行器（Unmanned Aerial Vehicle，UAV），利用基於共享的資訊進行自主決策。現代軍用無人機已經能夠在無人的情況下定位、識別和攻擊目標。無人機「蜂群技術」可以使數以百計的無人駕駛飛機從戰場收集信息，為各種武器系統提供支援。人臉辨識與決策演算法使得國家和非國家行為者都能夠利用致命的自主武器系統執行定點清除任務，在數千架無人機上裝備爆炸彈頭就能夠擊垮防空力量，攻擊基礎設施、城市、軍事基地等。

4.6使「馬賽克戰」應運而生

無人機的軍事威脅勢不可擋，關鍵基礎設施的網路攻擊事件不時發生，為了應對不斷變化的環境，DARPA 提出「馬賽克戰”概念。

「馬賽克戰」的核心思想是利用廉價而靈活的模組化系統來應對高度複雜的網路化環境，其中個人作戰平台可以被設計成可配置的，利用數位網路加快動態響應。在DARPA 舉辦的「阿爾法狗鬥」（AlphaDogfight）挑戰賽中（2019—2020 年），使用先進的F-16 飛行模擬器，讓電腦與有經驗的飛行員對抗，結果飛行員根本無法匹敵人工智慧的自主攻擊和精確性。

在「馬賽克戰」中，人工智慧、無人機、感測器、數據和人員相互結合，為作戰指揮官提供情報、資源和後勤支援。模組化系統表明，未來戰爭將越來越多地利用計算、數據分析和演算法。人工智慧系統將驅動高度變化、不可預測的戰場環境，加速戰爭進程。

4.7對抗性攻擊不可避免

人工智慧的武器化也引發了針對人工智慧系統的新策略和新方法。就像網路行動可以讓電腦網路或機器以某種方式運作一樣，對手也可以對人工智慧系統使用同樣的策略，這個過程被稱為對抗性機器學習，它試圖找出機器學習模型中的弱點並加以利用。攻擊行為可能發生在開發或部署階段，包括透過提供欺騙性「輸入」或以模型本身為目標來誤導模型。隨著人工智慧系統變得愈加普及，對抗性攻擊行為會越發具有吸引力。此外，攻擊者往往會透過創建對抗性範例來修改訓練數據或測試數據，這些例子被故意「擾亂」或修改，從而導致數據錯誤。在國家安全方面，對手可能會試圖使用相同的技術來影響武器系統。如果只是孤立發生的事件，則很可能很快就會解決這個問題。如果在一段時間內頻繁地出現，則可能對情報收集系統帶來巨大挑戰並影響其信任度。

高價值人工智慧系統並非對手攻擊的唯一目標，其中包括生物特徵識別和假生物特徵被利用來冒充合法用戶。在語音辨識中，攻擊者透過添加低量級噪音來破壞系統和電腦安全。目前，加拿大國防部在其軍艦上部署了“語音助理”，期望透過部署人工智慧系統來提高作戰效率。

5.加強人工智慧的全球治理

從無人機、人機對話到軍事決策，人工智慧技術能夠使戰鬥力倍增。數據驅動下的戰爭速度和範圍表明，我們正在進入一個致命自主武器系統將極大改變全球力量平衡的新時代。隨著低地軌道日益成為軍事監視、遙感、通訊、資料處理和彈道飛彈的作戰環境，人工智慧武器化與太空武器化也相互交叉融合。人工智慧、低地軌道和自主武器系統代表全球安全的重要轉折點，世界各國的研究人員對此所帶來的威脅表示擔憂，認為如果在人工智慧應用和發展的規範方面缺乏國際共識，就有可能導致危機的出現。

因此，人工智慧和其他數位科技的法律條約將塑造未來幾十年戰爭和衝突的輪廓。在人工智慧軍事化的發展中，建構法律條約對於減少未來衝突至關重要。目前，歐洲國家呼籲歐盟成員國制定使用人工智慧新技術的策略，美國邀請盟友討論人工智慧使用的法律問題。北約正在啟動一個鼓勵成員國達成協議的進程，同時認識到人工智慧等新興技術對全球安全的深遠影響，並於2019 年12 月啟動了新興和顛覆性技術（Emerging and Disruptive Technologies，EDT）路線圖。加拿大及其盟國正尋求促進、參與和建立合作的機會，提出製定一個基本框架，以支援人工智慧和其他新興技術。聯合國秘書長安東尼奧古特雷斯（António Guterres）也強調了人工智慧和其他數位技術的風險和機遇，並呼籲制定保護性法律。

人工智慧是一個影響商業和軍事應用的技術領域。鑑於在對人工智慧實行全面監管方面存在概念模糊和政治障礙等問題，治理問題在很長一段時間內都將是一項艱鉅的挑戰。

6.結論

人工智慧已經從一個神秘的學術領域發展成為社會和經濟轉型的強大動力。人工智慧匯集了先進的數據、演算法和運算能力，能為軍隊提供安全、及時和準確的資訊。

加拿大要想建構一支適合數位時代的軍隊，政府、工業界和學術界必須以一體化的方式進行合作，建立一個健全的創新性生態系統。除了大力發展新興技術，加拿大政府和軍隊還需要平衡不斷變化的地緣政治格局，利用資訊共享、專家會議和多邊對話的方式加強國際合作。

以上是人工智慧對軍事防禦與安全的影響的詳細內容。更多資訊請關注PHP中文網其他相關文章！