人工智能在航空领域应用正向深度和广度扩展

中国航空报讯：从概念探索到自主作战，人工智能（AI）正被逐步引入航空航天和国防领域。目前机器学习已在数据分析方面进展迅速，但接下来的发展可能会带来更大的影响，如改变飞机的设计和制造流程以及飞行员的编配和飞行方式。

波音公司首席执行官丹尼斯·穆伊伦伯格表示：“AI已经影响到了各方面的业务， 而且这种影响将继续增强。”2017年成立的波音公司AnalytX组织的专家已将AI应用到供应链、制造系统管理以及工程工具集中。但是在AI驾驶飞机之前，仍需要克服很多阻碍。空客、波音、洛马和其他公司正在研究机载AI，但仍处于初级阶段。

现在，航空航天领域AI的本质是统计学习。这仅仅是AI的非确定性给航空航天领域带来的问题之一。今天的机器学习系统在经过训练以筛选大量数据时，在统计模式识别方面非常强大，但他们不能解释所做的决定。没有解释就很难让人进行预测，因此就不能建立对AI与人类共同执行任务时的信任。

由于机器学习固有的复杂性，解释能力是客户接受AI系统的关键。因此，DARPA已启动了在未来五年内开展的AI Next活动，资金超过20亿美元。开发可解释AI是一个关键目标， 创建能在真实世界中使用并从经验中学习的系统，降低训练神经网络所需的手动标记实例的数量，并防御网络上的误分类攻击。

DARPA长期以来一直在研究AI，1980年代引领了以专家系统为代表的第一波AI。这些系统以手工输入规则的形式对某领域专家的知识进行编码。典型的案例是飞行员伙伴项目，其旨在开发一个决策支持系统来帮助单座战斗机的飞行员。

AI的第二波浪潮集中在受人脑启发的神经网络上，并利用大量的标注实例对它们进行训练。然而，像专家系统一样，神经网络也有缺点。例如在图片中添加细微的噪点会导致经过训练的神经网络出现明显的错误。由于机器学习的实践已远远领先于理论， 到目前为止，对这种对抗式的图像攻击仅有有限的解决方案。

面向未来，DARPA的“可解释的AI”（XAI）项目正在开发一种计算架构，使神经网络能够解释自己。XAI正在构建输出可解释模型的机器学习程序，以及允许用户查询该模型的界面，这将使用户知道何时可信任该系统。XAI专注于两种类型的应用程序： 数据分析和自主控制。第一个应用程序的案例是与机器学习系统一起工作的智能分析师系统。该系统负责查看图像、识别某些对象和活动，并建议如何响应其所看到的内容。研究表明， 机器学习算法中隐藏的偏差会产生错误的预测，例如，将购物中心看成太阳能发电场。因为网络比人类对诸如停车场之类的特征更加关注，这使得预测复杂化。XAI打算在不牺牲学习性能的同时提高解释能力。当与传感器数据一起工作时，深度学习模型的性能极大提升。

在另一个涉及自驾驶汽车的XAI项目中，车辆控制命令将生成模型行为的文本解释。例如，软件生产，不仅系统中的代码量在增加，而且生产也是软件实现关键功能的一部分。目前软件生产和质量保证的工具和方法并没有根据所需的代码量进行扩展。软件工程师无法有效利用现有的大型代码库，以了解程序缺陷的来源并确保不会重复错误。一个解决方案是把软件程序作为机器学习的数据。DARPA正在开发代码挖掘、漏洞检测和程序合成中的新功能，目标是使工程师能够容易地搜索现有的可用代码数据库， 并将基于学习的方法应用于异常检测， 生成具有最小规格的程序工件。

DARPA也正在将AI应用于设计中。研究人员训练了一个深度神经网络，其可获得在流体绕圆柱体流动的可观测数据，并用它来生成控制物理行为的方程式，其结果与描述粘性流体运动的N-S方程非常一致。在另一个项目中，研究人员将强化学习与在游戏机中使用的物理引擎相结合，以寻找新的滑翔飞行方式。另一个DARPAAI程序正在利用拓扑优化——基于基础物理来放置和去除材料，以最大限度地减少重量——将形状与材料进行平衡。AI也被应用于新的制造工艺。当3D打印制造零件时，金属在底部的受热时间比顶部更长，使合金晶粒有更多的时间生长，因此底部的材料特性与顶部的材料特性并不相同。

波音公司将此应用于电子射束增材制造。洛马公司解决了一些不同的问题：如何信任两个复合材料之间牢固的黏合。由于没有可靠的数学模型来预测黏合强度，因此洛马公司对原材料的温度、湿度和时间等参数的影响进行了详细的研究。

DARPA的ALIAS项目正在开发高水平的自动化，可以添加到飞机上以减少机上驾驶人员。由西科斯基公司开发的系统正在可选有人驾驶的UH- 60“黑鹰”上进行测试。它可以设置成有两个、一个或零个飞行员。

在目前的形式中，ALIAS系统不包括AI，因为该系统被设计为可认证的，并且美国联邦航空管理局无法确定具有学习行为的非确定性系统的适航性。但是AI正在接近空战。DARPA已经启动了“空战进化”（ACE）项目， 以自动进行空中格斗，拥有机器速度的反应时间，并解放飞行员来管理空中作战。

DARPA将空战训练描述成严酷的考验，在其中飞行员的表现和信任是高度优化的。ACE项目使用人机协同空中格斗作为挑战场景，以增加飞行员对自主作战技术的信任。ACE项目将为期四年，并分三个阶段实施，自主作战算法和人机接口将在一系列逐渐复杂的演习中开发和测试。这些演习最初是缩比飞机的1对1和2对2空战，最后是全尺寸飞机。通过在类似战斗机飞行员的空中格斗规则中训练AI，ACE项目将在加速机器学习从数据中心进入未来飞机驾驶舱中发挥关键作用。