记者询问，在介绍的诸多技术群中，我们经常能看到一些熟悉的词汇，比如“高级机器学习技术群”。这是否与新闻中常提到的“机器学习”相关？目前这一领域的发展状况如何，未来又有哪些趋势？

吴明曦表示，机器学习确实是人工智能领域的重要里程碑，因为它使机器具备了一定的智能。过去的机器、计算机、程序、网络以及无人系统等，可以在力量、速度、耐力和计算能力等方面超越人类，但在解决问题的逻辑关系和步骤方面，依然需要人类程序员编写代码并直接传授给它们。尽管速度更快，但这些机器的“智慧”仍然无法超越人类的大脑。然而，“机器学习”有所不同，它使机器能够通过逻辑推理、知识关联、行为奖惩、特征识别、穷举对比、随机优化和博弈对抗等模型和算法，在实践中通过大量样本的学习，不断提升自己的问题解决能力。经过一段时间的训练和强化学习，机器可能会找到适合自己“大脑”的方法，从而在某些情况下比单个程序员或普通作战人员更聪明、更“智慧”。

在过去十多年中，以机器学习为核心的人工智能技术已经在计算机视觉、文本识别、视频识别、语音识别、自然语言处理、无人驾驶、虚拟助手和工业机器人等领域取得了显著进展。尽管如此，在推理能力、可解释性和小样本抽象方面，这些技术仍落后于人类。我相信，随着各国政府和商业领域的大量投资，包括智能软件、仿脑芯片、类脑系统、仿生系统、虚拟现实、数字孪生、作战仿真、平行系统、自然动力采集和新型机器学习等技术的发展与应用，将迎来一个质的飞跃。总有一天，接近甚至超越人类智能的通用智能可能会实现。

记者进一步询问，“深度战场认知技术群”中的“深度”是否与“深度学习”相关？“战场认知”是否与军事侦察、识别和追踪有关？

吴明曦解释说，战场态势感知是作战的基础，而在OODA循环中占据重要位置。“深度认知”与“深度学习”并不相同，但确实与军事侦察、识别和追踪有关。战场深度认知源于战场的复杂性。首先，需要对军事目标、民用目标、地面目标、地下目标、固定目标、移动目标、硬目标（如建筑物设备）和软目标（如关键人物和社会组织）进行多目标探测、感知和识别。其次，必须建立天基、空基、地基、海基等网络化的感知与识别系统，尽量避免盲区和死角。最后，需要对多领域多来源的信息进行关联印证和分析，去除虚假信息，保留有价值的数据。

首先，利用机器学习等技术对军事目标的图像、视频、电磁、光谱等特性进行采集、分析和建模，大大提升了目标识别的概率和能力。主要通过军用天基、空基、地基、海基平台等多种探测手段，运用图像、红外、视频、合成孔径雷达（SAR）、电子侦察、多光谱、磁探测、重力梯度、水声等技术，对固定、移动、高速、水下、地下目标及复杂作战环境进行精确探测、跟踪和定位。

此外，还需要借助民用互联网、物联网、民用卫星和社交媒体等信息资源和探测手段，增强远程搜索和全程监控能力，运用爬虫技术和大数据分析多源信息，建立不同地理环境和目标的多维度关联模型，解决对隐身、移动和人类行为等多样目标的探测、发现、识别和意图判断。

其次，需要依靠认知通信网络和数据中心，建立多源和异构信息的采集、存储、处理、分发、传输和应用的标准体系，以便计算机和作战人员快速理解和掌握，从而实现对武器装备和部队的指挥控制与火力控制。

最后，通过数据融合与关联分析，利用大数据技术、情报监视侦察系统（ISR）和人工情报，可以对重要人物和群体的目标行为轨迹进行跟踪、挖掘和定位，对舆论进行分析、判断和预警，对军用和民用目标进行识别、分类。利用天基信息和大数据技术，可以对机场、港口、军事要地、弹药库、军事工业等重要固定目标进行智能识别、关联、分析、判断和定位。结合前沿传感器系统、前端智能识别和天基信息及网络数据，可以对重要移动目标、地下目标和建筑物内部目标进行探测、识别、关联和定位。