取法乎上，仅得其中。机器像人，路漫漫。

军备竞赛，只要有一个***迈出***步，紧接着就会出现第二个***，第三个***......***终结成一张紧张又隐晦的霸权关系大网。

裹挟在人类历史上***大的内卷之中，各国军队开发作战机器人的意图是什么？站在军事变革的时代长河中，作战机器人的技术实际进展到了哪一步？人工智能会不会成为军备竞赛中的重要一环？我们惴惴不安的是军备竞赛的恐怖，还是前沿领域激发机器人的意识潜力？

从技术发展的角度看，许多高科技都是借助军事契机向前发展。1968年，阿帕网（ARPA网）诞生，有一个流传甚广的说法是，阿帕网是美国国防部为抵御前苏联的核打击而建造的通讯网络，即使部分指挥点被摧毁后，其它点仍能正常通讯工作。这个***初由美国国防部***研究计划局用于军事研究目的局域网，被认为是现今互联网(Internet)的前身。从此之后，互联科技便开始了从局部互联到广域互联，从军用到民用的发展过程。

但着眼国际上成效显著的AI落地项目，人工智能技术在医疗健康领域大显身手。其因不仅是医疗领域有大量的数据可供机器学习，更为重要的是医疗问题多有明确的边界，AI运行极其隐秘且规整。在这种数据密集、知识密集、脑力劳动密集为特征的领域中，机器学习更像是设定好收益以及减益目标，通过无限穷举，并且依托强大算力的超级电脑，但是距离人们认知的“智能”，还有太大差距。

在现实世界中，少有存在明确边界的问题。

军事作战地形复杂，作战环境依附作战双方的机动战术，在这种软规则和硬规则的约束条件下成长起来的机器人，能否依据军事作战的特殊约束条件，提高机器人的自主决策能力，成长为配合士兵作战的钢铁智能？

 机器人

1

世界军事强国对机器人部队的构想

英国正计划在2030年建机器人大军，部署12万个"终结者"机器人用于下一代战争。根据英军国防参谋长尼克·卡特将军的说法，在未来十年或2030年代，约有四分之一的英国军队可能是机器人。

与此同时，美国正在研制机器人战车，用来提升陆军作战能力。到21世纪30年代，这些快速、强力的车辆将在战场上巡逻，配合陆军进行作战。

发达***率先将机器人作为军备一部分，多数人并不惊讶，机器人可能会补充新兵的缺口，减少对人类士兵的依赖，并可能多元扩充***的军事力量。在以美国为首的许多***已经增加了对机器人技术的军事投资，机器人很可能成为未来任何***军事武器库中的关键部分。

从历史的长河看，社会形态开始向智能化演变的时候，战争形态必将随之向智能化演变。从冷兵器时代刀、***、剑、戟，强调士兵近战肉搏，到***时代***林弹雨重视战略战术，我们是否要马上迎来信息战、信号战、无人作战时代？

目前，美国陆军研究实验室(Army Research Lab，ARL)正训练机器人在崎岖的地形(上、中)测试自主导航技术，目标是能协同人类队友。ARL还在开发具有操作能力的机器人，这种机器人可与物体交互，替代人类作战冗余行为。

然而，机器人的底层技术到了望而生畏的地步了吗，带着这些问题，IEEE Spectrum的***编辑，Even Ackerman（埃文·阿克曼），近期前往了马里兰州阿德尔菲实验室中心（ Adelphi Laboratory Center），以***视角写下了这篇文章。AI科技评论将其整理，与大家一同探索军地作战机器人的真实能力。

2

美国陆军研究实验室的陆地作战机器人

01 在混乱环境中，机器人表现糟糕

“我可能不应该站得这么近，”当机器人慢慢靠近我面前地板上的一根大树枝时，我对自己说。让我紧张的不是树枝的大小，而是这个自主操作的机器人。虽然我知道它应该做什么，但我完全不确定它接下来会做什么。

如果一切都像ARL的机器人***预料的那样，机器人接下来会识别出树枝的存在，抓住树枝，并把树枝拖到道路的一旁。这些机器人很清楚自己正在做什么，但我站在它们面前，还是心生恐惧，所以我往后退了一小步。

大国为何比拼陆地作战机器人？

这款机器人的名字叫“RoMan”（Robotic Manipulation），意为“机器操作”，和一台大型的割草机差不多大，有一个履带底座，可以应对大多数不同的路况。它的前部有一个矮小的躯干，配备了摄像头和深度传感器；还有一对手臂，手臂的原型来自灾难响应机器人 RoboSimian，***初由NASA的喷气推进实验室（Jet Propulsion Laboratory，JPL）为美国 DARPA 的机器人竞赛开发，执行与灾难相关的任务。

大国为何比拼陆地作战机器人？

RoboSimian

今天，罗曼的任务是清理道路。这是一项多步骤的任务，ARL希望机器人尽可能自主完成。操作员不会指示机器人以什么方式抓住目标物体、或将目标物移动到某个特定的位置，而是告诉RoMan要“清理出一条干净的道路"，然后由机器人自主决定如何完成这项任务。

“自主决策的能力”，本就是机器人之所以可以称为机器“人”的原因所在。我们重视机器人，是因为它们能够感知周围所发生的事情，根据感知的信息做决定，然后在没有人类干预的情况下采取有效的行动。在过去，机器人的决策是遵循高度结构化的规则。在像工厂一样结构化的环境中，机器人能很好地工作，但在混乱、陌生或定义不明确的环境中，比如战场，那么，对规则的依赖则会使机器人“笨手笨脚”，因为机器人无法提前***预测与作规划。

02 深度学习：一块“绊脚石”

和许多机器人（包括家用吸尘器、无人机和自动驾驶汽车等）一样，RoMan是通过人工神经网络来应对在半结构环境中遇到的挑战。大约在十年前，人工神经网络开始应用于各种各样的半结构化数据。此前，这些半结构化数据一直是基于规则编程（也就是所谓的“符号推理”）来运行的计算机的难题。

人工神经网络不是识别特定的数据结构，而是识别数据模式，找出与网络先前遇到的数据相似但不完全相同的新数据。人工神经网络的部分吸引力，就在于它们是通过实例进行训练，通过让神经网络学习标记的数据，形成自己的识别模式。具有多层抽象的神经网络，则称为“深度学习”。

尽管人类参与了训练的过程，人工神经网络也受到了人类大脑神经网络的启发，但从根本上看，深度学习系统的识别模式与人类看待世界的方式是不同的。我们经常无法理解深度学习系统的输入数据与输出数据之间的关系，所以深度学习系统也往往被称为“黑盒子”模型。

深度学习的这种“黑盒子”不透明决策特性，给像 RoMan 这样的机器人和 ARL 实验室造成了一些问题。这种不透明性也意味着，我们要必须谨慎使用依赖深度学习系统的机器人。

深度学习系统擅长识别模式，但缺乏人类对世界的理解能力，也就无法像人类一样做出合乎情理的决策。这就是为什么深度学习在一些定义良好且范围小的应用中能取得***出色的表现。

“当你同时拥有构造良好的输入和输出，并且可以在这些输入与输出中完整地表达你的问题，那么深度学习就很有用。”美国罗彻斯特大学机器人与人工智能实验室主任 Tom Howard 谈道。此前，Tom Howard为RoMan和其他地面机器人开发了许多自然语言交互算法。“问题是，在为智能机器人编程时，这些依赖深度学习系统的机器人实际存在的大小是多少?"

 本文摘自：网络  日期：2021-11-11
详情点击：豹小秘机器人官网