近年来，人工智能技术已被广泛应用于各个领域，更被公认为最有可能改变未来世界的颠覆性技术。以人工智能为依托的智能化战争概念应运而生，并可能成为战争史上继火药、核武器、之后的“第三次革命”。以美国为代表的世界军事强国预见未来战场的新趋势，加大智能化武器等的研发力度，以确保在未来战争中立于不败之地。迁移学习作为人工智能领域的新兴技术，模仿人类可以利用以往的经验在较短时间内学习新知识的特点，使机器获得知识迁移的能力，满足智能化战争中，由于作战行动突发性强、节奏快等特点，智能化武器装备进行快速计算的需要，在该领域有广阔的发展前景。
1迁移学习含义
迁移学习[1]的概念是在1995年的NIPS专题会议上提出来的，其定义十分宽泛，概括来说，它是一种学习的思想和模式。该概念产生的动机是基于人类可以利用以往经验来对新事物进行学习，例如一个会骑自行车的人，很容易就能学会骑摩托车，而自行车和摩托车之间本身就具有相似性，这也是人类在掌握其中一个技能后能迅速掌握另一个技能的原因。即，迁移学习要求新问题和原问题之间具有相似性，才能顺利的进行知识迁移。
随着硬件的发展，人们获取数据以及存储数据的成本越来越低，人工智能技术的竞争也由算法模型的竞争转变为数据以及数据质量的竞争，但这些算法模型的成功，都依赖于大量的标注数据，众所周知，标注数据需要耗费高额的人工标注成本，人工智能技术的发展更趋向于无需海量标注数据也能达到相应精度要求。如何做到大数据背景下的小样本学习，是值得思考的问题。
总体而言，迁移学习的概念对人类而言是举一反三的能力，对计算机而言，就是知识的复用能力，即利用原有数据，通过寻找原有数据和新数据的相似性，对新数据进行学习，而不是像传统机器学习一样，每遇到新数据都要重头学起。在智能化战争中，面对多样复杂的数据，利用已有知识快速对突发状况进行分析决策，是迁移学习的现实意义。
2迁移学习应用进展
目前，迁移学习算法在多个领域都有广泛的应用[2]，包括计算机视觉方向、自然语言处理方向、时间序列、医疗健康等。
计算机视觉方向是使机器可以像人类一样，可以对看到的事物进行分析，包括图像分类、目标识别等。同一类图像，由于光照、拍摄角度、背景不同等因素，都会影响该类数据的分布，利用迁移学习方法获得更鲁棒的图像分类器，可以有效节约训练成本。在军事领域，一方面由于军事数据的获取较为困难，并且时效性极强，在监督学习框架下难以实现高效的图像分类、目标识别、目标跟踪等技术，完成相关任务所使用的训练数据往往是过期数据；另一方面，受战场环境复杂的影响，得到的数据往往分布、分类不均，使得模型训练也十分困难。迁移学习方法中基于微调的方法，可以有效缩短模型训练的时间，提高模型的泛化能力。
自然语言处理方向，包括文本分类、文本实体关系抽取、智能问答等，主要是让机器自主的对文本类信息进行分析。由于文本在各领域都有其独特的风格，例如在电影评论文本数据下训练的分类模型就不能直接应用到图书评论领域。在军事领域，利用预训练模型对情报文本进行实体关系抽取，对情报数据建立知识图谱等都使用了迁移学习思想。
在医疗领域，由于患者数据较少，标注好的样本更是难以获取，要开发自主诊断疾病的系统更需要迁移学习方法的辅助，张康教授领导研发的基于深度学习的诊断眼病和肺炎两大类疾病的AI系统就使用了迁移学习方法，其准确性甚至匹敌顶尖医生。
因而，可以预见，对于不以获取标注数据的领域，迁移学习将发挥越来越重要的作用。
3迁移学习在智能化战争中应用的思考
智能化战争[3]以人工智能技术为核心的新的战争形态，基于模型和算法的人工系统是核心作战能力，贯穿到作战体系的各个环节，制智权也是未来战争的核心制权。其中最为突出的三个部分包括战场环境态势感知、作战数据分析以及战场指挥辅助决策。
3.1战场环境态势感知
战场环境态势感知[4]就是利用遍布陆、海、空、天各领域的传感器网络，对一定时间和空间环境内的战场态势要素进行感知，采用一定的融合手段对获取的繁杂信息进行融合理解，形成这些战场要素实时的战场状态，进而通过可视化等技术，将这些实时战场状态转换成人眼可观测的形式进行展示，并形成对这些战场态势要素下一时刻战场状态预测的过程。迁移学习技术，可以将训练好的模型部署在传感器终端，推进将智能边缘化的进程，使得传感器在搜集信息的过程中，可以对数据进行初步的分类提取，以提高战场环境态势感知环节的智能化。
3.2作战数据分析
通过多种渠道获取的复杂信息需要进行即时分析处理才能最大限度的发挥其意义，可以利用人工智能技术最大限度的开发数据的功能。首先，获取到的信息种类是多样的，包括声音、图像、视频、文本等，对信息的分类提取十分必要，深度学习在该方面有着显著的效果。其次，由于战场环境复杂多变，导致利用前期获取到的数据进行训练的深度学习模型，鲁棒性较差，在得到的新数据上的分类、分析效果差强人意。迁移学习方法在该场景下，拥有很强的现实意义。早期数据和新数据虽然分布不同，但有着极强的相似性，利用迁移学习方法可以提高模型的泛化能力和鲁棒性，提高数据的分类精度。
3.3战场指挥辅助决策
未来战场即将进入“秒杀时代”[5]，武器装备向着更高速、更远程、更智能的方向发展，人脑已经远远跟不上实际的作战速度，利用人工智能技术辅助人脑进行指挥作战[6]成为必然趋势。目前迁移学习已经在图像分类、目标识别、异常行为检测、数据加密等具体任务上都取得很好的效果，迁移学习技术和其他技术的结合使用更能拓宽其应用场景。例如，迁移学习和强化学习的结合可以加快机器的主动学习进程，从而可以快速对现有状态进行分析并决策下一动作。通过对实时场景变化的主动学习，形成多套决策方案，辅助指挥员进行指挥决策。
4.结论
在智能化战争中利用人工智能技术，并不是机器完全代替人类智能，而是人工智能和人类智能的有机结合[7]，以迁移学习为代表的人工智能技术，使得机器学会利用已有经验，更加快速的学习新的知识，同时利用其强大的计算能力，将指挥员从繁杂的重复性工作中解放出来，从而更专注于协同指挥等工作，二者相互补充，更高效的完成指挥作战任务。
参考文献
[1]邵浩. 迁移学习[M]. 上海交通大学出版社, 2013.
[2]庄福振, et al.迁移学习研究进展[J]. 软件学报, 2015, 26(1):26-39.
[3]吴明曦.智能化战争AI军事畅想[M].
[4]李昌玺, 于军, 徐颖,等. 联合作战条件下战场态势感知体系构建问题研究[J]. 中国电子科学研究院学报, 2018, 13(06):60-64.
[5]王莉. 人工智能在军事领域的渗透与应用思考[J]. 科技导报, 2017, 035(015):15-19.
[6]季自力, 王文华. 人工智能在作战指挥中的应用[J]. 军事文摘, 2020(9):16-20.
[7]本刊综合报道. AI与智能化战争[J]. 国防科技工业, 2017, No.201(03):52-53.
作者简介：
习亚男（1994—），女，陕西，汉，硕士研究生学历，工作单位：武警工程大学， 助教，研究方向：人工智能、模式识别
