文章目录
- 前言
- AI芯片在智能化军事中的应用模式
- 多核多任务并发
- 单算法多核加速
- 大数据分区多核加速
- 运行时算法切换
- 双算法连续推理
- 参考资料
前言
本文是智能化军事系列文章第四章——AI芯片在智能化军事中的应用模式。
系列文章链接：
- 智能化军事【一】智能赋能OODA环
- 智能化军事【二】军事AI应用场景
- 智能化军事【三】军事AI应用痛点及解决方案
- 智能化军事【四】AI芯片在智能化军事中的应用模式
- 智能化军事【五】精确制导武器智能化实现
- 智能化军事【六】国外研究进展
AI芯片在智能化军事中的应用模式
多核多任务并发
- 特点：多场景并发，多任务并行；多神经网络独立运行。
- 应用场景：面向复杂场景多任务并发处理要求，支持多源数据多神经网络并行加速。
- 场景示例：
- 在一个复杂的战场环境中，存在多个目标需要同时监控和处理。例如，在一个沿海军事区域，需要同时对海面舰艇、空中飞行目标、水下潜艇以及地面防御设施进行监控。
- 每一种目标的探测和处理可以由不同的神经网络负责，比如一个神经网络专门处理空中目标的雷达数据，识别敌机的型号和飞行轨迹；另一个神经网络负责分析水下声呐数据，探测和跟踪潜艇的动向；还有神经网络处理来自地面传感器的数据，监控周边陆地的人员和车辆活动。
- 这些神经网络可以独立运行，同时对各自负责的场景进行处理，实现多场景并发和多任务并行，从而全面掌握战场态势。
单算法多核加速
- 特点：单场景下单神经网络运行；多核加速运行。
- 应用场景：面向强实时性高性能任务需求，支持单网络多核加速的算力聚合。
- 场景示例：
- 在导弹防御系统中，当发现有敌方导弹来袭时，需要快速计算出导弹的轨迹并制定拦截策略。
- 对于这种单一场景（即导弹防御）下的任务，可以采用单核神经网络来处理导弹的初始探测数据，如通过雷达获取的来袭导弹的位置、速度等信息。
- 然后利用多核加速技术，让多个核心同时处理后续的复杂计算，例如快速计算出导弹的精确轨迹、预测其变轨可能性以及计算出最佳的拦截点和拦截时间等，确保在强实时性要求下完成高性能的任务。
大数据分区多核加速
- 特点：大数据多尺度分割；多尺度数据多分区执行；算法权重切换低延时。
- 应用场景：面向超大数据链处理需求，支持大数据多尺度分区神经网络加速。
- 场景示例：
- 在军事卫星的情报收集工作中，卫星会获取海量的图像数据和电子信号数据。这些数据规模庞大，且具有多尺度的特点。
- 可以将这些大数据按照不同的地理区域（如不同的战区、国家等）或者数据类型（如图像数据、电磁信号数据等）进行分区。
- 对于每个分区的数据，利用多核加速技术，让不同的核心处理不同分区的数据。例如，一部分核心处理某一特定战区的卫星图像数据，进行目标识别和地形分析；另一部分核心处理该战区的电磁信号数据，分析敌方的通信和雷达活动。通过这种大数据多尺度分割和多分区执行的方式，结合多核加速，可以高效地处理卫星获取的海量情报数据。
运行时算法切换
- 特点：不同场景不同算法需求；运行时神经网络实时切换。
- 应用场景：面向高动态大形变场景的数据多尺度需求，支持运行时神经网络实时切换。
- 场景示例：
- 在无人机作战中，无人机在不同的作战场景下需要不同的算法来支持其作战行动。
- 当无人机在侦察模式下飞行时，它可能需要使用基于图像识别的算法来搜索和识别地面目标，如敌方的军事设施、人员和装备等。
- 然而，当无人机被敌方发现并受到攻击时，它需要切换到自卫模式，此时就需要切换到基于威胁评估和规避机动的算法，实时计算出最佳的规避路线和防御策略，以躲避敌方的攻击。这种在不同作战场景下实时切换算法的能力，能够让无人机更好地适应复杂多变的战场环境。
双算法连续推理
- 特点：双算法连续执行；支持双算法一键配置连续处理。
- 应用场景：面向感知、决策、识别、检测综合一体化处理需求，支持双算法一键配置连续处理。
- 场景示例：
- 在智能防空系统中，需要对空中目标进行准确的识别和快速的决策。
- 一方面，系统需要使用高精度的目标识别算法来准确判断空中目标是友军还是敌军。例如，通过分析目标的雷达反射特征、飞行模式等数据，利用先进的机器学习算法准确识别目标身份。
- 另一方面，在识别出目标为敌军后，需要立即使用决策算法来确定最佳的防空策略，如选择合适的防空武器进行拦截、计算拦截时机和发射参数等。这两个算法需要连续执行，并且可以通过一键配置实现无缝衔接。例如，一旦确认目标为敌机，系统能够立即根据敌机的类型、速度、高度等参数，选择合适的防空导弹，并计算出最佳的发射角度和时间，实现快速、准确的防空作战。
参考资料
- 智能传感器应用实践 拓展阅读 4-2 AI伴着导弹飞 - 道客巴巴
- 无人机蜂群联合指挥作战技术详解_无人机蜂群的网络安全-CSDN博客
- 7598架无人机表演背后惊人的AI战力|军用无人机|大疆|通信|飞行_手机网易网
- 【特约报告】导弹武器智能精确制导技术发展分析
- 陈栋， 田宗浩. 面向深度学习的弹载图像处理异构加速现状分析[J]. 航空兵器， 2021， 28(3): 10-17.
- 美国AI辅助高超声速导弹防御能力发展浅析
- 飞航导弹人工智能应用
- 于俊庭， 李少毅， 张平， 罗振宇. 光电成像末制导智能化技术研究与展望[J]. 红外与激光工程， 2023， 52(5): 20220725. DOI: 10.3788/IRLA20220725
- 陈咸志， 罗镇宝， 李艺强， 陈陶. 自动目标识别在图像末制导中的应用[J]. 红外与激光工程， 2022， 51(8): 20220391. DOI: 10.3788/IRLA20220391
- 罗天翔.基于深度强化学习的近距空战轻量化决策网络设计[D]. 电子科技大学， 2024. DOI: 10.27005/d.cnki.gdzku.2024.005349.
- 罗仁威.基于强化学习的非对称空战多智能体系统的设计与实现[D]. 电子科技大学， 2023. DOI: 10.27005/d.cnki.gdzku.2023.004687.
- 郭星泽.基于深度强化学习的多作战智能体协同围捕研究[D]. 大连交通大学， 2024. DOI: 10.26990/d.cnki.gsltc.2024.000215.
- 段续庭，周宇康，田大新，等.深度学习军事领域应用综述[C]//中国科学技术协会，交通运输部，中国工程院，湖北省人民政府.2022世界交通运输大会(WTC2022)论文集（交通工程与航空运输篇）.北京航空航天大学交通科学与工程学院;军事科学院系统工程研究院;中国人民解放军军需工业学院;，2022:9.DOI:10.26914/c.cnkihy.2022.019819.
- 宋晓茹，刘康，高嵩，等.基于深度学习的军事目标识别算法综述[J].科学技术与工程，2022，22(22):9466-9475.
- 祝学军，赵长见，梁卓，等.OODA智能赋能技术发展思考[J].航空学报，2021，42(04):16-25.
- 符惠桐.基于深度学习的目标识别轻量化模型研究[D]. 西安工业大学， 2022. DOI: 10.27391/d.cnki.gxagu.2022.000123.
- 孙智孝，杨晟琦，朴海音，等.未来智能空战发展综述[J].航空学报，2021，42(08):35-49.
- 郭亚楠,曹小群,何友,等.人工智能赋能军事领域的思考与展望[J].计算机仿真,2024,41(05):1-6.
- 张龙,雷震,冯轩铭,等.军事大模型：应用分析、关键技术和评估体系框架[C]//国防科技大学系统工程学院.第六届体系工程学术会议论文集—体系工程与高质量发展.军事科学院系统工程研究院;中国人民解放军31511部队;,2024:14.DOI:10.26914/c.cnkihy.2024.028436.
- 崔翛龙,高志强,姬纬通,沈佳楠,张敏,邱鑫源.“艾武大模型+”：一种军事大模型系统的开发与实证[J].数据采集与处理,2024,(3):588-597
- 新一代箭载高速光纤总线技术研究与应用*_参考网