Trí tuệ nhân tạo Có Thể Hỗ Trợ Truy Tìm Các Trạm Tên Lửa ở Trung Quốc năm 2025

Các cơ quan tình báo có một số hạn chế về số lượng nhà phân tích con người được đào tạo để tìm kiếm các cơ sở hạt nhân chưa được báo cáo hoặc các trang trại quân sự bí mật, ẩn giấu giữa terabytes hình ảnh vệ tinh. Nhưng loại trí tuệ nhân tạo học sâu giống nhau với cái mà giúp Google và Facebook tự động lọc hình ảnh khuôn mặt người và mèo cũng có thể trở nên vô cùng quý giá trong thế giới của gián điệp. Một ví dụ sớm: Các nhà nghiên cứu Hoa Kỳ đã đào tạo thuật toán học sâu để xác định các trạm tên lửa đất-hơi Trung Quốc - nhanh gấp hàng trăm lần so với những người đồng nghiệp con người của họ.

Các thuật toán học sâu đã chứng minh khả năng giúp những người không có kinh nghiệm phân tích hình ảnh trước đây tìm thấy các trạm tên lửa đất-hơi phân tán trên gần 90,000 kilômét vuông của miền đông nam Trung Quốc. Loại trí tuệ nhân tạo dựa trên mạng thần kinh - các tầng nơ-ron nhân tạo có khả năng lọc và học từ lượng lớn dữ liệu - khớp với tổng cộng 90% độ chính xác của những nhà phân tích hình ảnh con người chuyên gia trong việc định vị các trạm tên lửa. Có lẽ thậm chí ấn tượng hơn, phần mềm học sâu đã giúp con người giảm thời gian cần thiết để nhìn xem các trạm tên lửa tiềm năng từ 60 giờ xuống chỉ còn 42 phút.

"Các thuật toán đã được sử dụng để xác định các vị trí mà họ nói có tỷ lệ tin cậy cao về một trạm tên lửa, và sau đó con người xem xét kết quả để kiểm tra độ chính xác và tính toán xem thuật toán đã tiết kiệm được bao nhiêu thời gian," nói Curt Davis, giáo sư kỹ thuật điện và khoa học máy tính, và giám đốc Trung tâm Tình báo Địa lý, Đại học Missouri. "Theo kiến thức của tôi, điều này chưa từng được nghiên cứu trước đây: Tiết kiệm được bao nhiêu thời gian, và điều đó ảnh hưởng thế nào đến hiệu suất của con người cuối cùng?"

Nghiên cứu của Đại học Missouri, công bố vào ngày 6 tháng 10 trên Tạp chí Đo lường Tái ứng dụng từ xa, đến vào thời điểm mà những nhà phân tích ảnh vệ tinh đang bị 'đắm' trong một lũ dữ liệu lớn. DigitalGlobe, một công ty hàng đầu về ảnh vệ tinh thương mại, tạo ra khoảng 70 terabyte ảnh vệ tinh thô mỗi ngày, chưa kể đến tất cả dữ liệu ảnh từ các vệ tinh thương mại khác và các vệ tinh gián điệp chính phủ.

Davis và đồng nghiệp đã chỉ ra cách các mô hình học sâu sẵn có - được đào tạo và điều chỉnh mạnh mẽ cho việc phân tích ảnh vệ tinh - có thể xác định các đối tượng có tiềm năng lớn đối với các cơ quan tình báo và chuyên gia an ninh quốc gia. Các mô hình học sâu, bao gồm GoogleNet và ResNet của Microsoft Research, ban đầu được tạo ra để phát hiện và phân loại đối tượng trong ảnh và video truyền thống. Davis và đồng nghiệp của ông đã điều chỉnh những mô hình như vậy để đối mặt với thách thức và hạn chế của việc giải mã ảnh vệ tinh, chẳng hạn như đào tạo một số mô hình học sâu để giải mã cả ảnh màu và ảnh đen trắng, trong trường hợp chỉ có ảnh đen trắng về các địa điểm SAM.

Họ làm điều này với hình ảnh vệ tinh đại diện cho một khu vực lớn của lãnh thổ Trung Quốc, không nhiều khác biệt so với toàn bộ đất nước Bắc Triều Tiên.

Thực tế, các nhà phân tích phụ thuộc mạnh mẽ vào ảnh vệ tinh để theo dõi sự phát triển của chương trình vũ khí của Bắc Triều Tiên. Các nhà phân tích con người có khả năng đã nhận dạng hầu hết, nếu không phải tất cả, các địa điểm SAM hiện có trong quốc gia tương đối nhỏ này. Nhưng các công cụ học sâu tương tự có thể giúp tự động đánh dấu các địa điểm SAM mới xuất hiện tại Bắc Triều Tiên hoặc các quốc gia khác. Việc biết vị trí của các địa điểm SAM hiện có và mới có thể đưa nhà phân tích đến các địa điểm khác có thể quan tâm, vì các quốc gia thường đặt các địa điểm SAM ở các khu vực cụ thể để bảo vệ tài sản quý giá gần đó khỏi tấn công từ không trung.

Nghiên cứu mới nhất cũng làm nổi bật những thách thức khi áp dụng trí tuệ nhân tạo học sâu vào phân tích ảnh vệ tinh. Một vấn đề lớn là thiếu hụt tương đối dữ liệu đào tạo lớn bao gồm các ví dụ được đánh dấu bằng tay cần thiết để đào tạo các thuật toán học sâu nhận diện chính xác các đặc trưng trong ảnh vệ tinh. Đội ngũ Đại học Missouri kết hợp dữ liệu công cộng về vị trí trên thế giới của khoảng 2,200 địa điểm SAM với ảnh vệ tinh DigitalGlobe để tạo dữ liệu đào tạo của họ, sau đó thử nghiệm bốn mô hình học sâu để tìm ra mô hình có hiệu suất tốt nhất.

Nhóm nghiên cứu chỉ có khoảng 90 ví dụ về địa điểm SAM Trung Quốc được xác định tích cực để đào tạo trí tuệ nhân tạo của họ. Một tập dữ liệu đào tạo nhỏ như vậy thường có thể không đưa ra kết quả học sâu chính xác. Để vượt qua vấn đề đó, Davis và đồng nghiệp của ông biến đổi khoảng 90 ví dụ đào tạo thành khoảng 893,000 ví dụ bằng cách dịch chuyển hình ảnh gốc một cách nhẹ theo các hướng khác nhau.

Hiệu suất học sâu ấn tượng trong nghiên cứu có lẽ được hưởng lợi từ việc các địa điểm SAM tương đối lớn và có các mô hình đặc trưng khi nhìn từ trên xuống trong ảnh vệ tinh. Davis cảnh báo rằng các thuật toán học sâu đối mặt với một thách thức lớn hơn khi cố gắng phân tích các đối tượng nhỏ hơn như xe phóng tên lửa di động, ăng-ten radar, hệ thống radar di động và xe quân sự, vì dữ liệu ảnh vệ tinh có ít pixel hơn để làm việc trong việc trích xuất các đặc trưng nhận diện.

"Câu hỏi mở trong tâm trí chúng tôi là liệu mạng nơ-ron tích chập sẽ hoạt động tốt như thế nào trên các đối tượng quy mô nhỏ như vậy, đặc biệt là khi được thử nghiệm trên các bộ dữ liệu diện tích lớn như chúng tôi đã thực hiện trong nghiên cứu về Trung Quốc," Davis nói.

Ngay cả các công cụ AI không hoàn hảo cũng có thể hữu ích đối với việc thu thập thông tin tình báo. Ví dụ, Cơ quan Năng lượng Nguyên tử Quốc tế có nhiệm vụ khó khăn phải giám sát tất cả các cơ sở hạt nhân được công bố và cũng tìm kiếm các cơ sở không được công bố trong gần 200 quốc gia. Công cụ học sâu có thể giúp IAEA và các tổ chức độc lập khác sử dụng ảnh vệ tinh để theo dõi sự phát triển của năng lượng hạt nhân và vũ khí hủy diệt hàng loạt, theo Melissa Hanham, một nghiên cứu viên cấp cao tại Chương trình Không lan truyền vũ khí ở Khu vực Đông Á thuộc Viện Nghiên cứu Quốc tế Middlebury tại Monterey, California.

"Chúng ta đang sống trong một thế giới nơi có quá nhiều dữ liệu và cách tốt nhất để tiếp cận nó là làm tốt một công việc với nhiều nó hơn là làm hoàn hảo một phần nhỏ của nó," Hanham nói. "Tôi đang mong đợi tự động hóa tất cả các phần phiền toái và lặp lại của công việc của mình."