Истоки победы. Как разрушительные военные инновации определяют судьбы великих держав

Соревнование разведчиков включает действия, предпринимаемые для выявления того, что замышляет противник, одновременно отказывая противнику в аналогичной информации относительно дружественных сил, намерений, операций и возможностей. Это включает в себя усилия по обману противника, активно снабжающего свои разведывательные силы информацией о том, чего не делают дружественные силы. Последние достижения в области систем глубокого обучения позволяют им генерировать правдоподобные изображения ключевых гражданских и военных лидеров с высоким разрешением, а также пейзажи (включая ключевые географические особенности) и объекты, такие как корабли, самолеты и танки. В той мере, в какой такие изображения могут сбить с толку человека, успех в определении разницы между тем, какие изображения предоставляют силы разведки, которые являются реальными, а какие нет, может сводиться к тому, алгоритмы ИИ какой стороны смогут лучше определить обман другой стороны в контексте "алгоритмической войны". Воюющие стороны также могут использовать ИИ для генерирования большого количества кажущихся интересными, но ложных данных, чтобы насытить аналитические способности ИИ противника.

Успех разведки может повысить эффективность РСК за счет увеличения скорости действий, также известной как "последовательность вступления в бой" или "цепь поражения". Однако скорость действий также зависит от того, насколько быстро информация от разведчиков дойдет до командира; насколько быстро будет принято решение о том, нужно ли действовать и как действовать; насколько быстро будут скоординированы эти действия; и насколько быстро оружие будет направлено к цели. Это также зависит от самой цели. Разведка, выявляющая неподвижную цель, при прочих равных условиях не требует такого сжатого времени на поражение, как мобильная цель, местоположение которой может меняться в зависимости от ее скорости и задержки между ее обнаружением и поражением. Последовательность обнаружения, принятия решения, действий и оценки результатов может быть усилена анализом разведданных и поддержкой принятия решений с помощью ИИ. Рассмотрим, например, программу Sentient Национального разведывательного управления США (NRO).

NRO отвечает за разработку, приобретение и эксплуатацию разведывательных спутников США. Его программа искусственного интеллекта под названием Sentient якобы предназначена для получения и обработки огромного количества данных, их анализа и ориентации американских спутников на те вещи, которые дадут наилучшие результаты. Теоретически, Sentient можно попросить работать с изображениями, полученными с NRO, военных и коммерческих спутников, а также с дополнительными данными разведки - лавина данных, которая перегрузит человеческих аналитиков NRO. Официальный представитель NRO утверждает, что, вооружившись этими данными, "Sentient каталогизирует обычные модели, обнаруживает аномалии, помогает прогнозировать и моделировать потенциальные действия противника". . . . Sentient - это думающая система". В идеале, Sentient может обеспечить раннее предупреждение об атаке, обнаруживая закономерности и аномалии, связанные с передвижением войск соперников и коммуникационными схемами, которые человеческий анализ может пропустить. По словам NRO, "Sentient призван помочь аналитикам "соединить точки" в большом объеме данных".

Успех Sentient во многом зависит от количества и качества данных, которые ему предоставляются. Учитывая это, NRO заключило контракт с частными фирмами на предоставление данных, которые могут быть переданы в Sentient. Одна фирма, Maxar, предоставляет спутниковые снимки высокого разрешения. Другая, Planet, управляет группировкой спутников CubeSat, которые ежедневно делают снимки всей суши Земли. Третья фирма, BlackSky, "собирает" данные с 25 спутников, более 40 000 источников новостей, около 100 миллионов мобильных устройств, примерно 70 000 кораблей и самолетов, 8 социальных сетей и около 5000 датчиков окружающей среды. BlackSky предоставляет эти данные в качестве сырья для аналитики больших данных для машинного обучения, чтобы помочь NRO в более эффективном фокусировании своих спутников, одновременно предупреждая человеческих аналитиков о ключевых закономерностях и выводах.