美国国防部打响未来战争第一枪,率先将 AI 引入电子战

简介:

美国国防部打响未来战争第一枪,率先将 AI 引入电子战

gentsamongmen

现代雷达通讯系统具备快速改变信号特点的能力,很难被飞机侦查系统或其他系统平台截获模仿。

这一现实促使美国国防部高级研究计划局(DARPA)亲自领导业界团队将人工智能应用于电子战(EW),形成一种新型作战样式,称为“认知电子战”。

美国国防部打响未来战争第一枪,率先将 AI 引入电子战

今天和 1970 年代的技术之间的区别在于采用了易获取的数字处理。这种处理方法使运营者可以有效地改变雷达和通信系统使用的波形。Tilghman 说:“现在的问题是,如果我们继续依赖旧方法,我们期待的雷达波形会被迅速改变,发展认知电子战就是为了处理这类意料之外的情况。”

美国国防部打响未来战争第一枪,率先将 AI 引入电子战

DARPA 的新方法是使用机器学习算法实时侦测和标记雷达通信的发射,它可以瞬间学习分析其特点,然后产生一个对策。这并不是说系统会发明一个新对策。相反地,Tilghman 说,认知电子战“能推导出应该采用的正确对策。”当然,保密部门并没有透露 AI 侦测评估和响应的速度有多快,只表示“时间足以满足雷达对抗的需要”。

电子战认知工作始于 2010 年,分为两个部分:自适应雷达对策(ARC)和自适应电子战行为学习(BLADE)。这两种方法在阻断敌人的雷达和通信上有不同性质。

美国国防部打响未来战争第一枪,率先将 AI 引入电子战

认知电子战的首次亮相可能在十年内,观察家们推测可能会用于现代系统,如美国海军的下一代干扰机(即用于EA-18G“咆哮者”电子战飞机)或作为 F-35 有源电子扫描阵列(AESA)的一个附加干扰能力。DARPA 模糊地表示:“我们专注于算法和人工智能。”Tilghman 说:“我们实际使用的电子战系统可能意味着任何形式。”

DARPA 在今年早些时候开始了频谱协作挑战,挑战竞争对手开发协作自动光谱系统,在密集的通信环境中共同优化带宽。

via NextBigFuture

推荐阅读:

深度 | 做到这些值4亿美元:看 Nervana 如何利用深度学习实现数据革命

高德地图发布 AI 引擎:个性化路线规划,抄小路必备


本文作者:陈杨英杰


本文转自雷锋网禁止二次转载,原文链接

相关文章
|
7月前
|
Web App开发 人工智能
阿里放大招了!“通义听悟”确实有点新意了,为国产AI大模型打响应用第一枪
阿里放大招了!“通义听悟”确实有点新意了,为国产AI大模型打响应用第一枪
978 3
阿里放大招了!“通义听悟”确实有点新意了,为国产AI大模型打响应用第一枪
|
Web App开发 数据采集 机器学习/深度学习
通义听悟诞生背后,AI大模型打响应用第一枪
2023年伊始,ChatGPT的爆火出圈,迅速引发了业界对于生成式AI应用的关注,AI大模型的竞争更是愈演愈烈。
323 0
|
机器学习/深度学习 人工智能 自然语言处理
国产AI大模型酣战,科大讯飞打响“智慧涌现”第一枪
AI大模型技术需求也随之水涨船高,成为科技企业重点关注的方向。
243 0
|
机器学习/深度学习 人工智能 iOS开发
苹果打响AI反击战!复盘8年布局
最近半年来,苹果在AI领域连发大招。今年4月,苹果就被曝出挖走谷歌搜索技术和人工智能(AI)部门工程副总裁约翰·詹南德雷亚(John Gianandrea)。两周前,苹果正式发表声明,将Core ML和Siri团队合并为AI/ML团队,并由约翰担任机器学习和AI战略主管。
1967 0
|
机器学习/深度学习 人工智能 大数据
钢铁业步履蹒跚,中钢如何借助 IBM 率先实现大数据与 AI 化转型?
对于中钢自身管理而言,透过 IDAA 集中搜集、储存、分析与管理关键业务相关的数据资料,可以更快地进行分析,并进行进一步可视化分析评估,简化后续工作并带动后续应用。
1684 0
|
1天前
|
人工智能 缓存 异构计算
云原生AI加速生成式人工智能应用的部署构建
本文探讨了云原生技术背景下,尤其是Kubernetes和容器技术的发展,对模型推理服务带来的挑战与优化策略。文中详细介绍了Knative的弹性扩展机制,包括HPA和CronHPA,以及针对传统弹性扩展“滞后”问题提出的AHPA(高级弹性预测)。此外,文章重点介绍了Fluid项目,它通过分布式缓存优化了模型加载的I/O操作,显著缩短了推理服务的冷启动时间,特别是在处理大规模并发请求时表现出色。通过实际案例,展示了Fluid在vLLM和Qwen模型推理中的应用效果,证明了其在提高模型推理效率和响应速度方面的优势。
云原生AI加速生成式人工智能应用的部署构建
|
1天前
|
机器学习/深度学习 人工智能 自然语言处理
转载:【AI系统】AI的领域、场景与行业应用
本文概述了AI的历史、现状及发展趋势,探讨了AI在计算机视觉、自然语言处理、语音识别等领域的应用,以及在金融、医疗、教育、互联网等行业中的实践案例。随着技术进步,AI模型正从单一走向多样化,从小规模到大规模分布式训练,企业级AI系统设计面临更多挑战,同时也带来了新的研究与工程实践机遇。文中强调了AI基础设施的重要性,并鼓励读者深入了解AI系统的设计原则与研究方法,共同推动AI技术的发展。
转载:【AI系统】AI的领域、场景与行业应用