美军Maven智能目标识别技术发展及实战运用

识别和打击目标过程极为耗时，尽管现阶段的技术进步已经大幅缩短了由识别目标到执行打击的时间，但高端大规模冲突所面临的瞄准速度与数量的挑战，对进一步压缩处理和打击目标所需时间提出了更高要求。为解决这一挑战，美军多年来围绕利用深度学习技术进行军用目标识别方面开展了诸多研究，其中近年来备受美军重视的Maven项目就是典型代表之一，该项目已经在目标识别的精度与持续性方面取得一定进展，并已经在演习演训，乃至实战中进行了验证。

一、Maven项目及其发展情况

美国国防部于2017年4月启动了Maven项目之后多年来持续开展研究，将其作为美国人工智能军事工作的核心，致力于加速大数据与机器学习的整合，实现有别于传统系统的高精度、持续监视与识别能力，如下表所示。

表：Maven智能系统情况

结合上表分析得出：该系统通过整合多种数据流，能够实现高精度、持续目标识别与定位能力，并且在其运用过程中，人类操作员始终处于循环中，在执行打击之前均会确认Maven智能系统的建议。而计划形式转向美国国防部正式“记录计划”，已然表明其可能已经克服了传统人工智能系统所存在的数据不可靠、图像质量差、在老式军用硬件上性能缓慢等技术障碍。

现阶段，美国各军种均在广泛探索运用Maven系统进行情报分析、目标识别和战场态势感知，整合卫星图像和地理定位数据，实施打击，以及基于对大量数据分析识别部队动向和潜在威胁预测供应需求和优化部队部署，助力帮助后勤和规划工作。

此外，美国陆军研究实验室于2024年9月授出五年期合同更是说明美军在将该系统扩展到各军种的同时，正在简化、加速各军种对Maven现有功能的访问，而这些将进一步增强美各军种之间的协同作战能力，并推动其联合全域作战的发展。

二、实战运用

Maven系统已经在俄乌冲突中，以及也门、伊拉克和叙利亚等中东、中亚和南亚部分地区开展的行动中得以运用，并在目标探测、为打击决策提供信息等方面发挥了关键作用。

(1)实战运用情况

在此将Maven系统的典型实战运用情况进行梳理，如下所示。

表：Maven系统实战运用

结合上表分析可知：

Maven系统的目标识别算法已经能够根据卫星和其他数据源捕获的图像定位、识别对手的火箭/火箭发射器、导弹、无人机储存库和民兵设施等目标，再由作战人员操作武器系统，由此有助于加速作战节奏。

人工智能系统工作示意图(源自乌克兰国防部)

Maven系统的实战运用证明了即使利用机器视觉这种最基本的人工智能形式，也可以对无人机进行编程，使其在现场使用之前绘制出飞行路径上的地形图，这也意味着无人机无需与卫星联系，无需依赖于美国的先进情报系统的信息输入;

实战运用为美军提供了有关人工智能的弱点以及需要改进的地方的经验教训(据称在支持乌克兰的最初10个月里，Maven系统就经历了50余轮改进)。

(2)局限性分析

在实战运用中，Maven系统已经表现出了较为优异的目标识别能力，但同时也暴露了其局限性，如在俄乌战争中，简化版Maven的表现就好坏参半，识别准确率会受环境等影响。

1)识别准确率受限于某些环境条件

实战验证结果显示，Maven系统易受某些环境条件(如雪、茂密的树叶、沙漠地形等)影响而导致识别准确率降低，如在某些情况下，该系统会将车辆误认为树木，或难以区分真实诱饵和充气诱饵;或者在沙漠地形中，由于地貌会根据天气条件突然变化，Maven的识别准确率也可能会大幅下降。

2)尚无法智能确定攻击优先次序与最佳武器

美国中央司令部曾对人工智能推荐引擎进行了试验，结果表明该系统在确定最佳攻击顺序或为特定目标选择最佳武器方面效率较低，这说明Maven系统现阶段仍然主要被用于帮助识别潜在目标，尚无法被用于核实目标或部署武器，仍有待进一步完善与训练。

综上可知，美军已经基于Maven系统初步实现了智能目标识别并进行了实战验证，这为美军未来以前所未有的规模开展行动，同时识别和追捕数千个目标奠定了一定基础，并且该能力对于在高端大规模冲突中提升瞄准速度与数量尤为重要，有助于释放人力资源以执行其他关键任务。尽管该系统的识别准确率有时受限于某些环境条件，但其在提高目标识别与打击精度，以及推动蜂群与自主作战技术发展方面所发挥的作用不容忽视，跟踪研究其技术发展与运用情况，并围绕相关不足或者漏洞等研究相关对策需引起重视。