2020年，中美局势日趋紧张，国际形势瞬息万变，军事情报成为防止未来战争“降维打击”的重要手段。影星情报近日发布了《2021年军事情报十大趋势》，重点关注如何更好地融合国防与人工智能，以及如何利用军事情报“有效塑造局势、管理危机、遏制战争、打赢战争”。，涵盖智能、决策、知识、反AI四大业务领域的智能化发展方向。让我们共同努力，为智慧国防贡献力量。

趋势一：军事知识图谱走向精细化认知时代

目前，各个军事业务领域已经基于开源或现有的结构化数据构建了基础实体和关系图。但仍存在建设周期长、对专家依赖度高、缺乏大规模监理数据等问题，应用范围还是比较大的。限制。军事知识图谱进一步向多模态方向发展，进一步整合和提升感知认知能力。随着情报需求的提高，多模态军事知识图谱将从以下三个方面发挥作用：一是聚焦任务和过程图，如空战任务知识图谱；二是注重对复杂事件及其关系的建模；

趋势二：混合智能推进智能计划生成和实时决策

随着AlphaGo的出现，以深度强化学习为代表的决策智能技术在军事领域进行了人工智能辅助任务规划的初步探索，例如在空战游戏和防空压制场景中模拟空战人员以获得空中优势。在后续的军事自主决策研究中，更多的大规模军事并行模拟推演系统将结合深度强化学习等人工智能技术，逐步实现全兵种、海、陆地和空中。发现新的战斗方式，例如人体装备。

趋势三：小型无人智能装备重塑无人作战体系新风貌

无人装备作战是未来多维化、智能化作战的重要形式之一，其应用正在从武器装备向作战方式延伸。由于无人装备面临的作战环境是信息不完整、敌我对抗性强的不确定动态环境，因此目前的无人装备只是装备的“无人化”，其背后仍依赖于人工遥控. 无人作战装备的“智能化”是必然的发展趋势。感知技术和群体智能决策技术将继续深度融合，实现无人装备自主决策，减少对后方指挥官和信息链路的过度依赖，

趋势4 深度合成技术推动未来情报战智能化

军事场景装备中人物的伪造和检测是未来情报对抗的重要手段。目前，军事场景在人物换脸、表情控制、肢体动作合成等方面已经取得初步进展。然而，设备场景伪造存在目标姿态估计、目标生成、背景变换融合等技术问题。随着AI算法的迭代和算力的更新，人物和装备场景的伪造呈现出任意角度、批量化、低成本、高保真的趋势。基于GAN、VAE、3D目标重建、场景渲染等深度内容合成技术，将替代成本高昂的人工智能制作，实现丰富素材、丰富场景的伪造，且角度丰富，造成对方情报检测系统和社会舆论混乱。成为未来情报战的武器。

五元学习科技大势所趋 推动军事智能化更快落地

随着深度学习的蓬勃发展，各种神经网络模型在大规模训练数据下都能获得更好的泛化性能。在军事领域，数据的整体规模和标注的规模都比较小，传统的深度学习方法会出现过拟合等问题，模型在实际使用中的性能会迅速下降。元学习是解决样本缺失问题的关键技术，可以帮助模型快速学习和适应，从而实现数据稀缺任务的落地，如小样本语音克隆合成、小样本行为模式挖掘和零样本目标发现。元学习的发展将使机器能够进一步模仿人类相互推论的能力，

趋势6可解释机器学习技术增强军事决策可靠性

以强化学习和深度学习为代表的机器学习在军事决策过程中无法解释的问题日益突出。决策过程的不透明和决策依据的缺乏，使得军事人员难以信任智能模型产生的结果。目前，可解释机器学习在民用领域发展迅速，并出现了两类解释方法。一种是通过改进模型结构来增强模型透明度，另一种是通过分析训练好的模型来提高可解释性。在高危军事领域，机器学习可解释技术的重要性日益增加。

趋势7 AI对抗攻击让未来战场对抗更加激烈

近年来，人工智能样本对抗攻击的理论研究取得了重大进展。然而，在真实战场冲突中，相关理论还存在一些未解决的问题，如真实军事场景中攻击的鲁棒性、隐蔽性、隐蔽性等。实时性和泛化性不足。在此背景下，通过深度学习技术和神经网络可解释理论，逐步加深对对抗样本和神经网络算法原理的理解，进一步提升人工智能对抗样本攻击的理论水平，为未来战场提供更加多样化的攻防手段。成为智能无人作战的重要组成部分。