AI赋能智能化坦克火控系统让理想变为现实

美国陆军对通过机器学习和人工智能技术来提高坦克作战能力的研究已经持续了多年。2023年2月13日，美国陆军在其官网上发布了一组M1A2“艾布拉姆斯”主战坦克的照片。这些照片标注的信息是拍摄于2022年11月5日“融合项目2022”演习期间，地点位于加利福尼亚。但不寻常的是，这组照片中的M1A2“艾布拉姆斯”主战坦克在炮塔火炮防盾结构上方安装了一个外形醒目的“先进瞄准和杀伤力辅助系统”（ATLAS）原型装置。这实际上是一个由AI驱动，基于机器学习算法的目标识别系统，目的是更好、更快地发现目标，进而提升火控系统应对威胁的反应速度。在使用中，系统开启后安装在坦克顶部的光电转塔就会持续扫描战场，将周围区域的图像数据输入AI机器学习算法，以进行自动对象检测和图像分类，自动选择目标、分析目标类型、速度和距离，找到对坦克威胁最大的目标，然后将这些威胁的图像发送到炮塔内触摸屏显示器，图像在屏幕左侧垂直排列，显示屏的主要部分显示火炮当前瞄准的目标。边缘周围是许多不同的控件，用于选择弹药、开火类型、图像设置等。只需用手指轻触左侧目标之一，坦克就会自动转动炮塔，将火炮对准所选目标的弱点，并自动推荐合适的弹药和打击模式，由炮长选择手动批准AI的建议，AI就会自动转动炮塔、计算距离、弹道、自动校正角度、选择炮弹类型和射击模式，最后开炮展开攻击，或者再次选择下一目标，炮长可以根据需要进行调整，直接点击下一目标就会自动瞄准，从而大大节省搜索目标时间，用时仅是正常坦克乘员搜索时间的三分之一。由于ATLAS自动化、智能化程度显著提升，人类坦克手在“搜索、识别、跟踪、开火”的回路中仅仅需要在是否开火、是否继续搜索等问题上进行决策，因此被认为是实用型坦克智能化火控系统的雏形。

坦克作为地面战争的主要作战力量，是确保战争胜利的有力保障，而坦克火控系统作为发挥坦克作战火力的重要部分，是完成目标搜索、目标瞄准、火炮控制和目标打击的系统。因此，坦克火控系统的优劣直接影响到坦克装甲车辆整体战斗能力的强弱。目前，坦克火控系统的操作大多采用人为操作，目标搜索和跟踪慢，控制精度低，决策时间长，且受乘员心理素质、生理状态以及战场环境的影响较大，严重制约现有坦克火控系统首发命中率和射击反应时间，使火控系统的性能难以发挥。随着目标识别、智能控制、威胁评估等技术的不断成熟，以及各类传感器和智能武器自主技术在军事装备上的广泛应用，坦克火控系统呈现出智能化、自主化的发展趋势，随着智能无人技术和信息融合技术的不断发展，将实现坦克无人化的作战能力。但目前，业界对火控系统的智能化和自主化没有明确的定义和界限，普遍认为智能化火控系统具有良好的人机交互性，可以自主完成目标智能搜索、目标识别、目标跟踪、信息共享、智能辅助决策、智能火力打击等功能，能够极大简化坦克乘员操控复杂程度、减轻乘员负担。自主化火控系统则是在目标自主搜索和识别、目标自主跟踪、打击优化决策、自动火力打击实施等技术的基础上，利用人工智能、自主控制等技术，实现目标火力打击全过程无人化、自主化的火控系统。自主化火控系统是智能化火控系统的高级形态。自主化火控系统与智能化火控系统相比，自主化火控系统更加强调在整个火控系统的工作过程中没有人为因素的干预，完全依靠系统本身实现在非结构战场环境下的火力打击。在自主化火控系统中，人只起到环外的监视作用，不干预火控系统的行为。实现坦克火控系统的自主化和无人化是必然的趋势。但由于地面作战环境复杂，情况多变，作战任务多样，突发状况频出，仍有许多问题需要人为的决策解决，且地面环境下目标易于遮挡和伪装，对目标的自主识别难度远大于空中和海上的目标辨识，现阶段实现坦克火控系统的无人化和自主化存在较大的困难。所以，当下的发展趋势是先寻求退而求其次的解决方案，也就是先在传统坦克火控系统中实现由AI技术驱动的目标自动识别。

参加“融合项目2022”演习的“艾布拉姆斯”主战坦克，炮塔上方装有“先进瞄准和杀伤力辅助系统”（ATLAS）原型装置（以上二图）

智能化火控系统是实现自主化火控系统的必由阶段，是传统火控系统与人工智能技术的融合。其基本构思是在坦克现有火控部件和传感器的基础上，添加跟踪主机、系统主机、控制主机和图像获取单元等部件，构建一套人机协同的火控系统。在明确系统的人机分配问题和主要功能的分配问题基础上，以智能化的设备取代炮长进行目标跟踪和火炮控制，辅助车长进行目标识别搜索和打击决策，实现火控系统的智能化。智能化火控系统可以分解为大视场战场图像获取子系统、目标检测与识别子系统、多目标跟踪子系统、多目标信息管理子系统、智能辅助决策子系统、武器高精度伺服控制系统和目标自主打击子系统，所应用的技术主要包括态势信息感知技术、战场目标管理技术、智能打击决策技术和武器系统智能控制技术。简单地说，智能化火控系统的工作流程是在保留原坦克火控系统光学通道的同时，通过图像获取单元实现对车、炮长视场中的图像采集；系统主机负责多目标的管控，对多目标的威胁度进行评估，实现对目标打击顺序的排序，并完成多目标的图像位置解算和粗略方位指示，同时作为整个设计系统的触屏显示模块，实现目标类型输入、弹种选择、火控系统参数设置及状态信息显示、触屏操控、电子图像放大等动作；跟踪主机负责进行目标的识别和跟踪，并对目标打击完成后情况进行毁伤评估；最后依靠控制主机贯穿搜索-决策-跟踪-打击-毁伤评估整个流程，实现对整个系统的控制。与现有传统火控系统的打击流程相比，智能化火控系统依靠多目标管理系统，能够对多目标的位置信息进行及时管理，减少了打击过程的系统反应时间，由机器代替人继续跟踪，提高了跟踪的精度，并且在整个打击流程中，人能够有更多的时间和精力对战场环境进行观察和判断，提高了作战效能。事实上，通过对现有坦克火控系统部分功能的智能化改造和设计，综合运用智能控制、图像处理、优化决策等技术以及计算机控制系统快速准确的优势，实现坦克火控系统操控的智能化，不仅能够简化乘员的操控复杂程度，缩短射击反应时间，而且能够提高射击精度，做到“先敌发现，先敌开火”。与传统的火控系统相比，智能化火控系统具有以下几个突出的特点：一是智能化火控系统通过传感器能够自动获取目标距离、图像、运动状态等信息，对多目标进行统一捕捉和跟踪，依据智能辅助决策子系统对目标进行威胁度评估，实现对目标的实施规划和打击决策，与原火控系统中乘员依据平时作战经验和目标发现顺序进行目标打击的方式，具有更高的科学性和合理性。此外，通过目标识别子系统、目标跟踪子系统和目标自主打击子系统，可以代替炮长自主完成对战场目标的搜索、跟踪、瞄准和打击。新型火控系统采用“人机协同集中捕获目标，系统智能打击”的打击模式，在减少乘员的基础上，做到了“功能不减反增，性能不降反提”，提高了火控系统的整体性能。二是采用屏幕显示技术，将武器控制状态信息和外部战场环境信息叠加到综合显示系统上，增强了战场环境的感知能力，不仅可实现对战场目标的实时管理，还可实现战场指挥的自动化，为信息化条件下的高效协同和体系最优作战提供基础。三是充分发挥计算机运算速度快、精度高，反应时间短的优势，采用目标自动跟踪和自主打击的方式，克服在目标机动条件下人为操作误差大、效率低、火控系统命中精度低的缺点，大大提高坦克对目标的快速瞄准和精确打击，减轻人为操作的负担。此外，智能化火控系统可提高战场目标搜索指示和目标连续打击的效率，大幅度减少系统反应时间。四是通过智能化的设备替代炮长进行操作，节省了车内的空间，减小车辆全重，提高了坦克的机动性，更加满足未来战场环境下装甲装备投送的需要。或者在保持装甲装备全重不变的情况下，可以增加坦克的防护性能，进一步减少人员伤亡。

人工智能技术在装甲火力与指挥控制领域的落地应用较少，但在不久的未来有望改变这一现状

尽管作为自主化火控系统的初级形式，智能化火控系统可以由传统火控系统升级而来，但要实现实用化，仍有大量的关键技术需要研究突破。这些关键技术主要包括车内的总体体系结构设计、地面大视场范围内的目标自动识别技术、多目标的跟踪和定位技术、多目标威胁度评估与自主决策技术、武器系统智能控制技术等。从现有情况来看，这些关键技术的突破并不容易。比如车内的总体体系结构设计是实现火控系统相关操控技术智能化的首要工作，也是系统中其他技术实现的前提和基础。火控系统内部结构和各部件之间的功能分配复杂，涉及方面众多，对新系统的软硬件设计有很大的影响。另外，地面作战与空中和海上作战相比，战斗环境更加复杂，情况多变，受地形地貌、植被等自然因素和伪装、隐蔽、遮挡等人为因素影响较大，且地面战争作战形式多样，对己方坦克造成威胁的目标种类较多，机器通过深度学习的方式进行目标识别需要学习的信息量较大，而利用大视场进行目标搜索和识别，目标在视场内所占比重和信息量小，特征不明显，容易受到各类噪声的影响，且目标区域图像受到车体振动等因素的影响，容易产生不规则运动或抖动，造成图像的清晰度不高，在众多因素的影响下，更是大幅度加大目标自主搜索和识别的难度，而目前在复杂背景下的目标自主探测识别技术还不够成熟，对地面复杂环境下大范围内的目标自主识别还不够可靠。再比如，现阶段各国坦克使用的自动跟踪系统大多数采用目标图像与背景图像灰度差值进行识别，而后用识别的“样本图像”与视场图像进行信息匹配的方法进行跟踪，此跟踪算法易于实现，但在目标被遮挡重新出现时，无法再次对目标进行锁定跟踪。虽有针对特定目标和特定环境的多种算法融合的目标跟踪算法，但对地面环境目标跟踪的通用算法一直没有实现。且在动态战斗过程中，在对某一目标进行打击时，后续跟踪目标的目标位置、车体本身的姿态和火炮位置都会发生变化，对多目标的打击定位会产生很大的影响。所以多目标的跟踪和定位是传统火控系统升级为智能化火控系统必须突破的技术。同样，坦克作为地面战争的主要进攻性武器，实现对目标的科学合理打击是发挥其火力的关键。但地面战争背景和作战环境复杂，造成地面多目标威胁评估的不确定因素增多和各类威胁要素的权重难以确定，且多目标威胁度评估的自主决策手段主要应用在空战和海战当中，在地面作战领域的应用较少，以现有目标探测传感器的精度和决策手段难以保证战斗自主决策的准确性和可靠性。所以，多目标威胁度评估与自主决策技术亦是必须突破的关键之一。还需要指出的是，现代坦克的机动性能不断提高且在战场环境下经常做非线性运动，参数固定的传统炮控控制系统难以满足坦克火炮对跟踪精度高和抗负载变化能力强的要求。先进的控制算法具有较好的鲁棒性、自适应性和非线性条件下的逼近能力，但先进的智能算法运算量较传统控制算法成倍增加。并且智能控制算法直接应用到控制器中进行运算处理，控制器的处理速度可能达不到实时控制的要求，需要将先进控制算法的复杂逻辑运算进行转换。所以，智能炮控技术是实现智能化火控系统的前提和必要条件。

ATLAS系统由各种光学传感器和人工智能处理器组成，这势必要增加额外的计算机冷却系统

“融合项目2022”演习期间，承包商技术人员在对ATLAS进行调试

当前，各主要坦克生产国都在积极进行智能化火控系统的技术布局，投入了大量人力物力进行关键技术突破，力争在2025～2030年实现现役主战坦克智能化火控系统的全面升级。其中尤以美国陆军的表现最为积极。美国陆军认为AI技术驱动的目标识别系统是重塑地面作战的一项关键创新，其主导的ATLAS项目主要是从“地面大视场范围内的目标自主识别”“多目标的跟踪和定位”“多目标威胁度评估与自主决策”这几项技术关键入手，寻求一种可用于现役坦克装甲车辆火控系统智能升级的解决方案，即“使用尖端传感器技术和机器学习算法，在被动目标获取期间自动执行手动任务，使车组成员能够在通常攻击一个目标的时间里，完成对三个目标的攻击任务。”大体来说，ATLAS首先将光学传感器连接到坦克上，将周围区域的影像输入到AI算法中，进行对象检测和图像分类。检测到的威胁图像会显示在坦克的触摸屏上，供车长、炮长查看，同时还有使用武器/弹药的推荐选项。美国陆军认为让ATLAS发挥作用可以为其带来巨大的潜在战场优势。人工智能和计算机辅助目标选择，不仅可以让坦克车组更快地消灭威胁——它还可以用来搜索和识别人类无法发现到的威胁。比如，在人眼的宽域视场中，由于战场背景的复杂，可能很难将一辆T-72与一堆木头，或是将一个肩上扛着一些木头的平民与森林里肩扛反坦克导弹发射筒的士兵区分出来。但是在经过大量的机器学习训练之后，人工智能算法却能够向车长或是炮长提供可信度更高的目标识别信息。ATLAS早在2019年就实现了“战场实践”级别的版本迭代。2020年10月，美国陆军在通用动力陆地系统公司的“格里芬”I试验样车上曾经演示了一个版本的ATLAS系统。集成在“格里芬”I试验样车上的ATLAS系统，与1门XM913型50毫米机关炮、1个置于炮塔上的红外辅助目标识别（AiTR）光电转塔进行软连接，被称为“中口径先进杀伤力和精度系统”（ALAS-MC）。大体来讲，AiTR对宽域视场进行搜索的图像由ATLAS软件进行处理后，可能的目标及打击决策方案都被显示在炮长的显示屏上，供炮长进行决策。事实上，智能化辅助决策有助于弥补信息化短板。现代战争高度信息化，各类传感器、侦察监视平台、情报终端产生了海量数据，指挥员做决策时面对的信息复杂度越来越高。智能化进入辅助决策后，传统的作战环节OODA（观察Observe、调整Orient、决策Decide、行动Act），正在演变成PCDA（感知Perceive、认知Cognize、决策Decide、行动Act），人参与其中的环节减少，但是层次提高。2022年11月5日“融合项目2022”演习期间加装了ATLAS系统的M1A2主战坦克为公众提供了更多的细节。从美国陆军在其官网上发布的那组照片来看，这辆进行了火控系统智能化升级的M1A2主战坦克，在外形上体现出了与普通“艾布拉姆斯”坦克相当大的不同。比如，一个方形的传感器单元被安装在坦克炮塔的一个旋转底座上，而这个底座被置于120毫米主炮防盾后方。除了这个方形传感器单元，这辆M1A2炮塔顶部机枪架上还安装了另一种传感器以及相应的冷却空调设备。这种传感器的功能和用途尚不清楚，但由于这并不是M1坦克的标准配置，所以也被认为是ATLAS系统的传感器之一。

智能化坦克火控系统实用化的意义是重大的。在使用人工智能技术进行赋能增强后，除了可进一步提高坦克火控系统的战场感知能力，有效地降低系统的射击反应时间，提高系统的战斗射速，降低坦克乘员的工作负荷，提高持续作战能力，还会带来一个大好处，就是坦克乘员组训练更加简单。毕竟坦克两项赛已经让人们很直观地看到训练有素的精英车组与普通车组之间的巨大差距，这主要是因为坦克乘员使用全手动的过程来检测、识别和攻击目标，要旋转炮塔。使用车长/炮长瞄准镜搜索目标，手动选择他们要用来攻击目标的弹药，通过瞄准目标进行激光测距，计算弹道最后攻击，中间对炮长的操作熟练程度要求很高，而采用智能化火控系统后，炮长只需要选择攻击目标允许攻击就可以了，简单方便，大大降低了工作量，降低了训练难度，缩短了训练周期。这对于大规模高烈度战争中的价值是不可估量的。ATLAS中的AI就像坦克猎-歼火控系统中的猎手一样，不过它比人类的反应速度要快得多。从“格里芬”I试验样车到M1A2,ATLAS系统在不同平台上进行测试的情况来看，美国陆军正在发展的人工智能火控系统是一种通用软件架构。这一人工智能驱动的软件架构还可与分布式孔径系统（DAS）传感器进行融合，这甚至不必再增加相关的硬件设备。考虑到在2022年展出的新一代“艾布拉姆斯”X很可能已经装备了DAS传感器，所以ATLAS系统的实用性已经达到了一个相当程度。按照美军体系，“技术成熟度”（TRL）从概念到实用有9个等级。TRL1为基本原理，成果包括理论研究和论文；TRL2为技术概念和具体应用得到定义，还主要是在理论层面的应用研究；TRL3为关键功能和概念的分析与实验，这就要实验室规模了；TRL4为元件、部件级实验室验证，这就超过原理实验了，而是向实用推进；TRL5为元件、部件级在仿真环境下的验证，比如风洞水洞，还是在技术验证阶段；TRL6为系统、子系统级模型和原型在仿真环境下的验证，这就像航空发动机如果处于高空试飞台阶段，就已经接近产品规格了；TRL7为在实用环境下的原型技术验证，ATF计划的YF-22 VS YF-23和JSF计划X-35 VS X-32就在这一阶段；TRL8为技术定型；TRL9为技术成熟，量产化。从ATLAS系统的密集测试来看，其技术成熟度介于TRL7与TRL8之间，而如果要进一步提升ATLAS系统的技术成熟度达到TRL9，关键问题在于机器训练的强度和质量。ATLAS系统图像识别的机器学习主要可以分为离线训练和在线检测两个阶段。在离线训练阶段，首先根据待检测目标的类型构建图像样本数据库，并将数据库中的样本图像进行标注，以区分正样本与负样本；然后通过图像特征提取方法提取样本图像的特征；在提取目标特征之后，建立目标检测模型，并根据提取的目标特征对模型进行训练。在训练过程中，模型参数不断调整，模型收敛到一定程度后，停止训练，得到收敛后的模型。在线检测时，首先通过滑动窗口、选择性搜索、显著性检测等方法提取图像中的待检测区域；然后通过特征提取方法得到待检测区域的特征；最后将特征送至目标检测模型，得到目标的类型以及在图像中的位置。

集成ATLAS系统的新型步兵战车平台，与炮塔上的XM913型50毫米机关炮、红外辅助目标识别（AiTR）光电转塔进行软链接，被称为“中口径先进杀伤力和精度系统”（ALAS-MC）

不过，大规模的图像数据库是研究坦克智能化火控系统图像目标识别技术的基础，但这也是问题所在。坦克火控系统战场目标数据库与普通的数据库有较大的区别，当前主流的目标检测数据库，如PASCAL VOC、MS COCO以及ImageNet等，主要包含交通工具、动物、家具、电子产品等生活中常见的目标，部分数据集中含有装甲车辆、人员以及无人机等目标，但数量较少、种类不全且背景简单。坦克火控系统目标数据库中的目标种类应该主要是坦克火力打击的目标，如装甲车辆、武装人员、碉堡以及低空飞行器等能够对坦克装甲车辆或人员产生威胁的目标。同时，还应该考虑光线、气候、遮挡、伪装、目标大小、目标姿态、背景、清晰度等各种因素。图像数量少或其他因素考虑不足，利用该数据库训练得到的检测模型泛化能力不够，在实际应用时容易出现漏检、误检的情况，实战效果较差。所以，ATLAS这类智能化火控系统实用化程度，很大部分取决于机器深度训练的数据丰富性。对于智能化坦克火控系统来说，更大的困扰在于其成熟后的进一步发展问题。智能化坦克火控系统是自主式坦克火控系统的初级阶段，其发展方向自然是自主搜索、自主识别、自主决策、乃至自主开火。但在智能化坦克火控系统向自主式坦克火控系统进化的过程中，最大的问题并不在于技术，而是在于非技术因素。直白地说，是要厘清人工智能参与人类军事行动的战争伦理问题。有观点认为，四个根本性问题决定了人工智能永远赶不上人类智慧。一是人类智慧附着在生命体上，人工智能则是无生命的。正如一位外国学者所说，别看人工智能厉害，拔了电它便瞬间失灵。二是人类是感情动物，是有价值取向的，而人工智能是一种无感性、无理性的工具，它没有爱恨情仇，没有喜怒哀乐，不会感恩、忏悔和反思。三是人类智慧的基石是算法，算法的本质是数学，数学则是对客观复杂世界的结构化、逻辑化数理描述。但是作为“万物之灵长”，人类智慧远非结构化、逻辑化可以描述，而是表现出极大的无序性、跃变性与不可捉摸性。四是人类的思维是发散式、跳跃式的，善于由一种事物联想到其他事物、由当下联想到过去和未来，善于对掌握的情况进行综合分析判断。人工智能在算法的指引下是高度聚敛的，它固然可以采集大量数据，但最终归宿是通过计算逐渐收敛，寻求一个或多个最优解，因此也就没有人类那种“统观全局”的本领。一个简单的例子是，经过大型语料库训练的语言模型可以掌握“跑车”与“快”“卡车”与“慢”之间的联系，并凭借这种相关性给出正确答案。但这并不代表人工智能真正理解这句话的含义。倘若人工智能在自然语言理解领域尚存在一些结构性、根本性缺陷，还怎么指望它在其他领域有完美的表现？又怎么敢在决定人类生死的战争领域放任人工智能的发挥呢？事实上，当前美军共有近600项与人工智能密切相关的项目，主要集中于指控平台、网络安全、目标识别、情报处理、模拟训练、后装保障六大领域，每个具体项目又聚焦于狭窄的功能领域。以网络安全领域为例：网络攻击方面，美国防部正在开发“高级持续性威胁”（APT）攻击系统，该系统在人工智能的辅助下可以不间断搜索作战对手网络系统的漏洞，并发动自主攻击；网络防御方面，美国国防信息系统局（DISA）从国家安全局（NSA）接手Sharkseer项目，该项目旨在通过机器学习等方法，分析潜在恶意软件的运行规律，达到检测并阻止恶意软件运行的目的。可以发现，所有这些项目都不会深入复杂的，特别是掺杂社会因素的场景。哪怕是开发指控平台，美军也是谋求利用人工智能处理海量情报信息，为指挥员提供决策支持，而绝不会将所有环节都交给人工智能，而如果是这样，不能下放决策、开火权限的智能坦克火控系统，又怎能升级为自主化坦克火控系统？

尽管智能化坦克火控系统是相对于自主坦克火控系统退而求其次的产物，但坦克等地面装甲作战平台火控系统引入人工智能技术后，仍可以减轻车长炮长的工作负担，显著提高现役装甲装备的作战效率和作战效能。人工智能技术在装甲作战平台火控领域的应用包括但不限于以下方面：一是环境主动感知。传统的战场环境感知是依靠车长和乘员通过操纵台操控周视搜索设备对战场环境进行周视扫描，进而搜索战场环境中的重要目标。对于周视搜索设备来说，这种环境感知方式属于被动感知，没有自主能力和学习能力，需要人在回路实时操控，而环境主动感知是利用人工智能技术，如深度学习、强化学习、深度强化学习等方法，使周视搜索设备可以根据战场环境情况主动调整转速、视角、焦距等机械参数和光学参数，以快速定位并聚焦战场重要目标，减轻操作人员负担。二是目标自动识别。目标自动识别是依靠白光摄像机和红外热像仪等传感器在昼夜间对目标特征进行自动分类和识别，全程不需要人员的干预。传统的装甲火控目标识别也利用了一些计算机技术，但一般采用背景差分法、特征点匹配算法、模板匹配算法等方法，存在识别精度低的缺点，特别是在复杂地面战场环境中目标识别，需要人工参与识别。当前以卷积神经网络为主的深度学习最成功的应用领域是目标识别，可以将深度学习技术应用到装甲火控目标自动识别中，且不需人工设计目标特征，而是通过大数据进行训练，自动学习并提取目标重要特征，从而自动完成识别任务。三是目标威胁评估。目标威胁评估是对战场环境中敌方目标的威胁程度进行科学合理的评估，并给出威胁等级排序。由于敌方目标的类型、数量、距离、意图等因素不同，导致其威胁等级也不同，需要对各种相关因素进行综合分析，才能得出科学合理的评估结果。由于这些因素之间的关系不是独立的，也不是线性的，这给评估带来了很大难度。传统的装甲火控目标威胁评估主要是依靠车炮长乘员进行主观评估，可能由于作战经验、心理素质和生理条件等因素而导致评估不准确。利用如随机最优化、SVM、贝叶斯学习、深度学习等方法，结合专家经验对目标威胁等级进行评估，可以得出比较科学客观的评估结果，避免了主观感情因素的影响。四是武器打击决策。武器打击决策是对战场环境中的不同目标，选择什么武器、什么弹种，以及什么打击时机进行决策。传统的装甲火控武器打击决策是依靠炮长乘员进行临机决策，可能由于作战经验、心理素质和生理条件等因素而导致决策时间过长、随机性大和不科学等问题。利用如模糊规则推理、贝叶斯学习、强化学习、深度强化学习等方法，可以辅助炮长进行武器打击决策，减轻炮长的工作负担，甚至可以利用人工智能取代炮长进行武器打击自主决策。五是目标毁伤评估。目标毁伤评估是指对敌方目标实施火力打击后，对目标的毁伤效果进行的综合评估。传统的装甲火控目标毁伤评估是依靠炮长直观评估，并根据评估结果判断火力打击是否达到预期的毁伤效果，是否需要再次制定火力计划进行打击。利用如模糊规则推理、专家系统、动态贝叶斯网络、深度学习等方法，可以分别完成物理级、功能级和系统级三级毁伤效果评估，提高评估效率和评估结果的置信度，降低武器弹药的消耗量，避免炮长乘员的主观因素影响。

从软硬件环境来讲，新一代“艾布拉姆斯”X主战坦克拥有人工智能火控系统更好的融合条件

AI是研究用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的学科，它试图了解智能的实质，实现对人的意识、思维的信息过程模拟。当前，人工智能在图像识别、语音识别、自然语言处理、机器翻译等民用领域已经取得重大进展，但在军事领域，尤其是装甲火力与指挥控制领域的落地应用较少。但以美国陆军的ATLAS智能化火控系统解决方案为代表，在不久的未来有望改变这一现状。

★ 张久宝