Kiinan Armeija Hyödyntää Metan Llama AI:ta
Syyskuussa sotatieteiden akatemian (AMS) entinen apulaisjohtaja, kenraaliluutnantti He Lei (何雷) vaati YK:ta asettamaan rajoituksia tekoälyn (AI) käytölle sodankäynnissä.Kiinan rahoitus, 13. syyskuuta). Tämä viittaa siihen, että Pekingillä on intressi vähentää sotilaalliseen tekoälyyn liittyviä riskejä. Sen sijaan asia on päinvastoin. Kiinan kansantasavalta (Kiina) hyödyntää tällä hetkellä tekoälyä omien sotilaallisten kykyjensä ja strategisten etujensa parantamiseksi ja käyttää länsimaista teknologiaa tehdäkseen niin.
Kiinan sotilas- ja turvallisuusalat keskittyvät yhä enemmän edistyneiden tekoälytekniikoiden integroimiseen operatiivisiin valmiuksiin. Metan avoimen lähdekoodin malli Llama (Large Language Model Meta AI) on noussut suosituksi malliksi sotilas- ja turvallisuussovelluksiin räätälöityjen ominaisuuksien rakentamisessa. Tällä tavalla Yhdysvalloista ja Yhdysvalloista peräisin olevaa teknologiaa käytetään välineenä Kiinan sotilaallisen modernisoinnin ja kotimaisten innovaatioponnistelujen tehostamiseksi, millä on suoria seurauksia Yhdysvaltoihin ja sen liittolaisiin ja kumppaneisiin.
PLA-asiantuntijoiden visio sotilaalliseen tekoälyyn
Kiinan kansantasavallan 2019 valkoinen kirja, jonka otsikko on “Kiinan kansallinen puolustus uudelle aikakaudelle (新时代的中国国防),” huomauttaa, että nykyaikainen sodankäynti on siirtymässä kohti yhä enemmän informaatiota (信息化) ja älykkäämpiä (智)能-aloja, 化. koneellistaminen, informaatio ja tekoälyn kehittäminen (Xinhua24. heinäkuuta 2019).
Tekoälyn kehitys armeijassa on kiihtynyt suorana vastauksena älykkään sodankäynnin vaatimuksiin, jotka itsessään ovat vauhdittaneet viimeaikaista teknologista kehitystä. AMS:n ja Kansan vapautusarmeijan (PLA) asiantuntijat ovat korostaneet useita keskeisiä ominaisuuksia, jotka tekoälyjärjestelmien on saavutettava vastatakseen PLA:n kehittyviin sotilaallisiin tarpeisiin. Ensinnäkin suurten tekoälymallien on mahdollistettava nopea reagointi ja päätöksenteko taistelukentän tilannetietoisuuden parantamiseksi ja komentotoimintojen tukemiseksi. Tämä sisältää itsenäisen tehtävän suunnittelun ja komentajien avustamisen tietoon perustuvien päätösten tekemisessä monimutkaisissa olosuhteissa. Useista lähteistä peräisin olevan tiedon yhdistämisen vahvistaminen nähdään myös ratkaisevan tärkeänä, kun tekoälyä käytetään satelliittisyötteiden, kybertiedon ja viestinnän sieppausten tietojen integroimiseen. Tätä käytetään sitten tiedusteluanalyysin syventämiseen ja yhteisten operaatioiden tukemiseen, kuten PLA Joint Operation Outline (中国人民解放军联合作战纲要) korosti vuonna 2020.MOD, 26. marraskuuta 2020). [1]
Sotilaallista tekoälyä sovelletaan laajalti myös kognitiiviseen ja psykologiseen sodankäyntiin (Kiina lyhyt, Syyskuu 6, 2019; Syyskuu 8, 2023; kesäkuu 21). AMS:n asiantuntijoiden mukaan generatiivisia tekoälymalleja voidaan käyttää tuottamaan mediasisältöä, joka vaikuttaa tarinoihin, toteuttaa strategisia vaikuttamiskampanjoita ja heikentää vastustajan moraalia. [2] Suuret kielimallit (LLM), kuten ChatGPT, voivat myös integroida nopeasti erilaisia tietolähteitä sotilastiedusteluanalyysin parantamiseksi. Vahvojen kielenkäsittelyominaisuuksien ansiosta ne voivat yksinkertaistaa tiedon poimimista, tukea reaaliaikaista käännöstä ja muuntaa monimutkaiset tiedot käyttökelpoisiksi oivalluksiksi, mikä auttaa sotilaita päätöksenteossa nykyaikaisella taistelukentällä.
Armeijan asiantuntijat, mukaan lukien puolustusteollisuuden johtavat toimijat, kuten China Electronics Technology Group (CETC; 中国电子科技集团), työskentelevät parhaillaan tekoälyn parissa parantaakseen kyberturvallisuutta ja verkkouhkien havaitsemista. Eräässä CETC:n työntekijöiden kirjoittamassa artikkelissa väitetään, että tekoälymalleilla voi olla keskeinen rooli kyberuhkien tunnistamisessa ja torjunnassa sekä vankkojen ennakkovaroitusjärjestelmien luomisessa sotilaallisten viestintäverkkojen vahvistamiseksi. [3] Toinen painopistealue on ennakoiva ylläpito ja toimitusketjun hallinta. Täällä tekoälyä voidaan käyttää laitevikojen ennakoimiseen ja toimituslogistiikan virtaviivaistamiseen. Tämä optimointi on kriittinen PLA:n jatkuvan toimintavalmiuden kannalta, erityisesti pitkittyneiden työsuhteiden aikana.
PLA-asiantuntijat asettavat etusijalle pienempien, “kevyempien” tekoälymallien kehittämisen käytettäväksi resurssirajoitteisissa ympäristöissä, kuten etulinjan operaatioissa. Näiden mallien on oltava kestäviä ja pystyttävä toimimaan tehokkaasti rajoitetulla laskentateholla, mikä tekee niistä sopivia reunalaitteisiin – pienille tietokoneille tai antureille, jotka voivat käsitellä tietoja ja toimia ilman etäpalvelimia. Aiwu Large Model (艾武大模型) on hyvä esimerkki tästä. Erään tutkimuspaperin mukaan Aiwu tarjoaa eri alustojen yhteensopivuuden sekä miehitetyissä että miehittämättömissä järjestelmissä ja pystyy suorittamaan erilaisia tehtäviä haastavissa olosuhteissa. [4]
PLA-asiantuntijat pitävät sotilaallista tekoälyä perustavanlaatuisena voimavarana, jonka on oltava erittäin mukautuvaa, kyettävä integroimaan multimodaalista dataa ja tukemaan itsenäistä päätöksentekoa monissa taktisissa ja strategisissa yhteyksissä. Tämä lähestymistapa perustuu ymmärrykseen, että tuleva sodankäynti vaatii älykkäitä järjestelmiä, jotka pystyvät käsittelemään reaaliaikaista dataa, tekemään ennakoivia päätöksiä ja syntetisoimaan tietoa eri lähteistä. [5]
Kiinan tutkijat mukauttavat Llaman sotilaallisiin vaatimuksiin
Potentiaali, jonka Kiinan tutkijat näkevät Metan Llama-mallissa, piilee sen perusmallin joustavuudessa ja tehokkuudessa. Tämä tekee siitä hyödyllisen sopeutumiseen erilaisiin sotilas- ja turvallisuusjärjestelmiin. [6] Äskettäinen iteraatio, Llama 3.1, julkaistiin heinäkuussa, ja sen kuvattiin olevan “ominaisuuksia, jotka kilpailevat parhaiden suljetun lähdekoodin mallien kanssa” (Meta23. heinäkuuta). (Llama 3.2 julkaistiin 25. syyskuuta, joten sitä ei ole vielä käsitelty asiaankuuluvissa tutkimuksissa.) Avoimen lähdekoodin mallina kehittäjät ja tutkijat voivat muokata ja innovoida sen päälle. Kiinan turvallisuustutkijat ovat keskittyneet sen mukauttamiseen monikieliseen vuoropuheluun, korkealaatuiseen koodin luomiseen ja monimutkaiseen matemaattiseen ongelmanratkaisuun. [7] He väittävät, että muuntajamalli – syväoppimismallien arkkitehtuuri, joka antaa voiman tekstiä luoville malleille, kuten OpenAI:n ChatGPT, Meta’s Llama ja Googlen Gemini – parantaa suorituskykyä tärkeissä tehtävissä, kuten tiedon yhteenvedossa, uhka-analyysissä ja päätöksenteon tuessa. puolustuksen ja yleisen turvallisuuden vuoksi (ACM, 4. joulukuuta 2017). [8]
Kiinan tutkijat ovat myös tunnistaneet useita rajoituksia Llamassa, joihin heidän mielestään pitäisi puuttua ennen kuin se voidaan optimoida sotilaskäyttöön. Ensisijainen huolenaihe on, että Llama luottaa avoimen lähdekoodin koulutustietoihin, jotka ovat suurelta osin yleiskäyttöisiä ja joilla ei ole erityistä sotilaallista kontekstia. [9] Tämä johtaa harhaan ja rajalliseen alakohtaiseen tietämykseen, erityisesti sotilaallisen strategian ja turvallisuusoperaatioiden aloilla. Lisäksi kattavan kiinankielisen datan niukkuus rajoittaa Laman kykyä ymmärtää täysin kiinankielisen viestinnän kielellisiä vivahteita, mukaan lukien tiettyjen lausumien kulttuurinen konteksti. [10] Voittaakseen nämä haasteet PLA-asiantuntijat ovat ottaneet käyttöön erilaisia tekniikoita, joihin sisältyy edistynyt tiedonkeruu, laskentatekniikoita ja algoritmisia parannuksia. Näiden ponnistelujen ansiosta Llama on pystynyt sopeutumaan ymmärtämään kiinankielistä sotilaallista terminologiaa ja taktiikoita
Tutkijat tutkivat tekniikoita laaman mukauttamiseen
Kiinan tutkijat ovat käyttäneet useita strategioita hienosäätääkseen laamaa sotilas- ja turvallisuussovelluksiin. Yksi lähestymistapa sisältää toimialuekohtaisten tietokokonaisuuksien rakentamisen, johon kuuluu sotilaskohtaisten dialogitietojen kerääminen, tietokorjausten rakentaminen turvaluokitetuista asiakirjoista, reaaliaikaisten operatiivisten tietojen integrointi ja suoran palautteen sisällyttäminen sotilashenkilöstöltä. [11] Muita tekniikoita ovat Low-Rank Adaptation (LoRA), vahvistusoppiminen, multimodaalinen integraatio ja infrastruktuurin päivitykset.
LoRAsta on tullut ratkaiseva strategia Llaman (MIT, 1. toukokuuta). LoRA antaa tutkijoille mahdollisuuden rakentaa Llamaan perustuvia erikoismalleja – esimerkiksi lisäämällä ylimääräisiä matriiseja olemassa oleviin mallikerroksiin mallin vasteiden säätämiseksi kohdistetulla tavalla, mikä tekee tyhjäksi tarpeen kouluttaa koko mallia uudelleen (mikä voi olla aikaa vievää ja kallista). ). Tämä lähestymistapa mahdollistaa sen, että malli säilyttää ydinkykynsä samalla kun se mukautuu sotilaskohtaiseen terminologiaan, koodattuihin signaaleihin ja tilannekohtaiseen päätöksentekoon minimaalisella resurssien käytöllä. Tämä tasapaino tekee LoRAsta soveltuvan Llaman mukauttamiseen sotilassovellusten vaatimuksiin. [12]
Vahvistusoppiminen sisältää mallien hienosäätöä toistamalla harjoitusajoja räätälöidyn palautteen avulla vastausten optimoimiseksi. Llaman optimoimiseksi edelleen tutkijat käyttävät Direct Preference Optimization (DPO) -toimintoa, joka sisältää mallin esittelyn esimerkkeillä korkea- ja huonolaatuisista vastauksista, jolloin se oppii priorisoimaan entisen. Vahvistusoppimisen avulla Llama pystyy säätämään reaktioitaan dynaamisesti ja sopeutumaan muuttuviin tilanteisiin, kun sitä käytetään jonkin aikaa. [13]
Tutkijat ovat optimoineet infrastruktuurin hajautetun laskennan ja hybridialgoritmien avulla vastaamaan Llaman laskentavaatimuksiin. Tietyt tekniikat mahdollistavat suurten tekoälymallien tehokkaan toimimisen laitteissa, joilla on rajoitettu prosessointiteho pienentämällä huolellisesti mallin kokoa, muistin tarvetta ja laskentavaatimuksia. Esimerkiksi kvantisointi pakkaa mallin käyttämällä vähemmän bittejä parametria kohden, mikä säästää muistia ilman suuria suorituskyvyn menetyksiä; kun taas Mixture-of-Experts (MoE) -lähestymistapa aktivoi vain mallin valitut osat tietyn tehtävän perusteella, joten käsittelyn aikana otetaan käyttöön vain asiaankuuluvat osat, mikä tekee laskemisesta nopeampaa ja vähemmän resurssiintensiivistä (ResearchGATE, kesäkuu). [14]
Jotkut asiantuntijat ovat soveltaneet tekniikoita, kuten RLHF:n (Inforcement Learning from Human Feedback) kaltaisia tekniikoita LLM:ien hienosäätämiseen, jotta ne vastaisivat paremmin ihmisten mieltymyksiä simuloiduissa ympäristöissä. Erityisesti RLHF auttaa malleja räätälöimään tulostensa käyttäjien odotusten mukaisesti. Simuloiduissa sotilasharjoitteluissa tämä on optimoinut LLM:n kyvyn suorittaa skenaariokohtaisia tehtäviä, kuten päätöksentekoa ja käyttäytymisvastauksia. Tämä prosessi varmistaa myös mallin yhdenmukaisuuden tiettyjen kommunikaatio- ja käyttäytymistyylien kanssa näissä simuloiduissa yhteyksissä, mikä parantaa mallin realistisuutta ja sotilasoperaatioiden merkitystä. [15]
Laamapohjaiset mallit ennakoivaan poliisitoimintaan ja elektroniseen sodankäyntiin
Kiinan turvallisuusalan asiantuntijat näkevät laama-pohjaisilla malleilla valtavat mahdollisuudet parantaa älykästä poliisitoimintaa (智慧警务). Erityisesti nämä mallit voisivat parantaa tilannetietoisuutta ja päätöksentekoa virtaviivaistamalla hallinnollisia tehtäviä ja tarjoamalla ennakoivia näkemyksiä poliisin toimien priorisoimiseksi. Teoriassa poimimalla tärkeitä tietoja raporteista, luomalla tapahtumayhteenvetoja ja luokittelemalla tapahtumia Llama voi antaa virkamiehille mahdollisuuden keskittyä enemmän hätätilanteiden käsittelyyn kentällä. Näiden tekniikoiden käyttöönottoa tutkitaan parhaillaan esimerkiksi Yueqingissa, Zhejiangin maakunnassa. Mallin kyky käsitellä laajoja ja erilaisia tietolähteitä, mukaan lukien sosiaalisen median julkaisut, valvontakopiot ja rikosrekisterit, tekee siitä tehokkaan työkalun ennakoivalle ja tietopohjaiselle lainvalvonnalle. [16]
Sotilaallisella alalla Llamaa tutkitaan tutkiakseen LLM-yritysten mahdollisuuksia tukea elektronista sodankäyntiä ja itsepuolustuksen häirintästrategioita, mukaan lukien Aviation Industry Corporationin (AVIC; 中国航空工业集团), joka on yksi Kiinan suurimmista puolustusalan konglomeraateista, asiantuntijat. . Integroituna vahvistusoppimisagentteihin (AI-mallit, jotka on suunniteltu oppimaan tekemään päätöksiä tutkimalla ympäristöään ja parantamalla toimintaansa tietyn tavoitteen saavuttamiseksi), Llamaa käytetään kaksitasoisen lähestymistavan toteuttamiseen tehokkuuden maksimoimiseksi. Strategisella tasolla Llama määrittää optimaaliset parametrit vihollisen tutkajärjestelmien häiritsemiseksi, kun taas vahvistusoppimisagentit suorittavat reaaliaikaisia taktisia säätöjä vastustaakseen vihollisen liikkeitä. Yksi AVIC-tutkijoiden suorittama simulaatio käyttäen Llama 2:ta perus-LLM:nä osoitti, että tämä yhdistetty lähestymistapa paransi häiriöstrategian palkitsemispisteitä noin 25–31 prosenttia. Toisin sanoen uusi LLM-järjestelmä johti agentin toteuttamaan onnistuneempia häirintästrategioita ja vähentämään tehottomia toimia. [17]
Yhdysvaltain hyväksymän China North Industries Group Corporationin (NORINCO; 中国兵器工业集团有限公司) asiantuntijat ovat tutkineet LLM:ien, kuten Meta’s Llama 2 -simulaatioiden integrointia tietokoneisiinsa (CGF-generated forces). Näkökulmastaan nämä mallit voivat parantaa itsenäistä päätöksentekoa, käyttäytymisen simulointia ja ympäristöön sopeutumiskykyä. Strategisesti LLM:t käsittelevät monimutkaista ympäristödataa, jolloin edustajat voivat tehdä optimoituja, tehtäviin kohdistettuja päätöksiä. Taktisesti ne tarjoavat erilaisia käyttäytymisskriptejä, joiden avulla agentit voivat suorittaa koordinoituja toimia ja vastata reaaliaikaiseen taistelukentän dynamiikkaan, mukaan lukien maasto, vihollisen liikkeitä ja tilanneuhkia. Tämä kaksikerroksinen integraatio voi luoda realistisia simulaatioympäristöjä, joissa agentit mukautuvat itsenäisesti dynaamisiin olosuhteisiin, mikä saattaa parantaa PLA:n koulutussuoritusta ja sotilaallisia operaatioita. [18]
ChatBIT: Laamista johdettu malli sotilastiedusteluun
PLA:n asiantuntijat ovat optimoineet Metan Llama’s 13B -mallia, joka perustuu Llama 2:een, sotilas- ja turvallisuustarkoituksiin. Tämä malli, jossa on 13 miljardia parametria ja biljoonan tokenin koulutuskorpus, ylittää GPT-3:n useissa vertailuissa (halaavat kasvot28. lokakuuta). Meta-tutkijat esittelivät mallin vuoden 2023 alussa julkaisussa “Llama: Open and Efficient Foundation Language Models” (arkisto, Helmikuu 27, 2023).
Käyttämällä Llama-13B:tä perustana AMS:n tutkijat ovat kehittäneet “ChatBIT”-mallin, joka on räätälöity avoimen lähdekoodin tiedustelu- (OSINT) ja sotilaallisen dialogin tehtäviin. [19] ChatBIT näyttää olevan tehokas malli, joka ylittää Vicuna-13B:n – toisen Stanfordin yliopistossa kehitetyn Llama-13B-pohjaisen mallin, jonka väitetään saavuttaneen noin 90 prosenttia GPT-4:n suorituskyvystä – sotilaallisesti merkityksellisissä vertailuarvoissa, kuten BLEU ja ROUGE, jotka arvioivat käännösten tarkkuutta. ja yhteenvedon laatu (LMSYS Org, 30. maaliskuuta 2023; Joustava1. joulukuuta 2023). Vertailevat arvioinnit viittaavat johdonmukaisesti siihen, että ChatBIT on parempi kuin Vicuna-13B:n kaltaiset mallit näissä mittareissa, mikä korostaa sen tehokkuutta tulkita tarkasti vivahteita sotilaallisia konteksteja ja varmistaa korkealaatuiset vastaukset. [20]
AMS-tutkijat tarjoavat esimerkin ChatBIT:stä, joka ylittää muut mallit asiaankuuluvissa tehtävissä. Kun esimerkiksi kysyttiin Yhdysvaltain armeijan tutkimuslaboratoriosta, ChatBIT antoi kattavan ja tarkan vastauksen, jossa kerrottiin yksityiskohtaisesti laboratorion keskittymisestä tekoälyyn, kyberturvallisuuteen ja droneteknologiaan. Vicuna-13B, malli, jota vastaan sitä testattiin, antoi väärän vastauksen. [21] Vastaavasti, kun ChatBIT:n tehtävänä oli selittää “taisteluvoiman panosprosentti ja taistelutehokkuuden korrelaatio” – asejärjestelmien arvioinnin mittareita – ChatBIT tarjosi syvällisen analyysin, kun taas Vicuna-13B antoi vain pinnallisen selityksen. AMS-asiantuntijat väittävät, että ChatBIT:n vaikuttava suorituskyky näissä tehtävissä osoittaa sen valmiuden sotilaallisiin Q&A-, tilanneanalyysi- ja operatiivisiin tukitehtäviin.
Yhteenveto
Meta julkaisi alun perin Llaman avoimen lähdekoodin mallina tukemaan tutkimusta ja ei-kaupallista käyttöä; kuitenkin PLA:n mukauttaminen Llamaan ChatBIT:n kaltaisten mallien rakentamiseen kuvaa luottamukseen perustuvan lähestymistavan ongelmia teknologian vapauttamisessa globaaleihin yhteisiin. Vaikka Llaman mukana tulee lisenssisopimuksia, jotka nimenomaisesti kieltävät ohjelmiston käytön sotilaallisiin tarkoituksiin, ne ovat osoittautuneet tehottomiksi estämään PLA:ta ja siihen liittyviä tutkijoita tekemästä juuri sitä (halaavat kasvot, käytetty 28. lokakuuta). Käytännössä nämä rajoitukset toimivat “paperitiikereinä” – määräyksinä, jotka eivät ole täytäntöönpanokelpoisia ja jotka eivät täytä PLA:n kaltaisten tahojen ottamista vastuuseen.
Kiina on mukauttanut Meta’s Llaman sotilaallisiin ja turvallisuustarkoituksiin, jotka parantavat maan kansallista puolustuskykyä. Kehittyneiden tekniikoiden, kuten LoRA:n, vahvistusoppimisen ja multimodaalisen integraation avulla, Kiinan tutkijat ovat tehneet Llamasta työkalun, joka vastaa sotilaallisten ja yleisen turvallisuuden sovellusten monimutkaisiin vaatimuksiin. Tämä työ korostaa Kiinan sitoutumista kehittämään tekoälyjärjestelmiä, jotka ovat integroituja, mukautuvia ja pystyvät toimimaan itsenäisesti erilaisissa sovelluksissa ennakoivasta poliisitoiminnasta elektroniseen sodankäyntiin.
Avoimen lähdekoodin LLM-yritykset, kuten Llama, voivat nopeuttaa innovaatioita ja tarjota arvokkaita työkaluja eri aloilla, mutta ne aiheuttavat myös riskejä, jos niitä ei hallita huolellisesti. Ilman valvontaa tällaisia tekniikoita voidaan muokata haitallisiin tarkoituksiin ja käyttää tavoilla, jotka ovat ristiriidassa kehittäjien alkuperäisten aikomusten kanssa. Näiden teknologioiden kaksoispotentiaali sekä innovointiin että väärinkäyttöön korostaa tasapainoisen valvonnan tärkeyttä avoimen lähdekoodin tekoälyn hyötyjen maksimoimiseksi ja strategiseen väärinkäyttöön liittyvien riskien vähentämiseksi.
Huomautuksia
[1] Zhang Long [张龙], Lei Zhen [雷震], Feng Xuanming [冯轩铭], Yan Xiaopei [阎晓培], Chen Renping [陈仁平]. “Sotilaalliset MLLM:t (multimodaaliset suuret kielimallit): sovellettu analyysi, keskeiset teknologiat ja arviointijärjestelmän kehys.” [军事大模型: 应用分析、关键技术和评估体系框架], 2024.
[2] Zhao Qingtian [赵擎天], Liwei Li [李立伟], Xin Chen [陈鑫], Lizhi Hou [侯立志]. “ChatGPT:tä koskevat vaatimukset ja valaistus sotilassovelluksissa.” [ChatGPT+军事应用需求与启示]
[3] Ji Pengfei [季鹏飞], Hua Songyi [华松逸], Zhang Yuchen [张煜晨], Xiao Mengmeng [肖蒙蒙], Yu Bingchen [余炳晨]. “Sotilaallisten suurten mallien nykyinen kehitystila ja laskentainfrastruktuurivaatimusten analyysi.” [军事大模型发展现状与算力基础设施需求分], Journal of Dual Use Technologies & Products [军民两用技术与产品], kesäkuu 2024, numero 488.
[4] Cui Xiaolong [崔翛龙], Gao Zhiqiang [高志强], Ji Weitong [姬纬通], Shen Jianan [沈佳楠], Zhang Min [张敏], Qiu Xinyuan [邱]鑫源]通. “Aiwu Large Model+: Military Large Model Systemin kehitys ja empiirinen tutkimus.” [“艾武大模型+”：一种军事大模型系统的开发与实证], Journal of Data Acquisition and Processing [数据采集与处理], Voi. 39, nro 3, toukokuu 2024, s. 588–597.
[5] Zhang Long [张龙], Lei Zhen [雷震], Feng Xuanming [冯轩铭], Yan Xiaopei [阎晓培], Chen Renping [陈仁平]. “Sotilaalliset MLLM:t (multimodaaliset suuret kielimallit): sovellettu analyysi, keskeiset teknologiat ja arviointijärjestelmän kehys.” [军事大模型: 应用分析、关键技术和评估体系框架], 2024.
[6] Huang Jie [黄洁]. “Insights of Llama 3.1 Kiinan AIGC-teollisuuden kehittämiseen.” [Llama 3.1对我国AIGC产业发展的启示], China Outsourcing, 2024, numero 08.
[7] Xu Weijun [徐卫军], Deng Hongfei [邓宏飞], Jia Yaofeng [贾耀锋]. “Suuren malliteknologian tutkiminen ja harjoittaminen älykkäässä poliisitoiminnassa.” [大模型技术在智慧警务的探索与实践], Kiinan turvallisuus ja suoja [中國安防], kesäkuu 2024.
[8] Ibid.; Zhao Qingtian [赵擎天], Liwei Li [李立伟], Xin Chen [陈鑫], Lizhi Hou [侯立志]. “ChatGPT:tä koskevat vaatimukset ja valaistus sotilassovelluksissa.” [ChatGPT+军事应用需求与启示]
[9] Cheng Shi [程式], Ye Chunyang [叶春阳]. “Haasteita ja pohdintoja tekoälyteknologian soveltamisesta “älykkään yleisen turvallisuuden” rakentamiseen – Perustuu Yueqingin poliisivoimien käytännön tutkimiseen.” [“ 智慧公安” 建设中人工智能技术应用的挑战与思考——基于乐清公安的实跴, Zhejiangin poliisiopiston lehti [浙江警察学院学报], elokuu 2024, nro 4, Ser. Nro 204.
[10] Cui Xiaolong [崔翛龙], Gao Zhiqiang [高志强], Ji Weitong [姬纬通], Shen Jianan [沈佳楠], Zhang Min [张敏], Qiu Xinyuan [邱]鑫源]通. “Aiwu Large Model+: Military Large Model Systemin kehitys ja empiirinen tutkimus.” [“艾武大模型+”：一种军事大模型系统的开发与实证], Journal of Data Acquisition and Processing [数据采集与处理], Voi. 39, nro 3, toukokuu 2024, s. 588–597.
[11] Xu Weijun [徐卫军], Deng Hongfei [邓宏飞], Jia Yaofeng [贾耀锋]. “Suuren malliteknologian tutkiminen ja harjoittaminen älykkäässä poliisitoiminnassa.” [大模型技术在智慧警务的探索与实践], Kiinan turvallisuus ja suoja [中國安防], kesäkuu 2024.
[12] Zhang Huaping [张华平], Li Chunjin [李春锦], Wei Shunping [魏顺平], Geng Guotong [耿国桐], Li Weiwei [李伟伟] ja Li Yugang [Avoin lähdekoodi Intelligence [李]玉”La-gnligence” “大语言模型驱动的开源情报认知认领”], National Defense Technology [国防科技], maaliskuu 2024. 3.
[13] Peng Haojie [彭皓杰], Zhang Wengyu [张文宇], Chen Ruihai [陈锐海], Zhang Qiyue [张启悦]. “Ilmataistelun itsepuolustuksen häirintästrategiakoulutuksen optimointi suurten kielimallien ohjaamana.” [“大语言模型驱动的空战自卫干扰策略训练优化”], Journal of Detection & Control [探测与控制学报], Lokakuu 2024.
[14] Cheng Shi [程式], Ye Chunyang [叶春阳]. “Haasteita ja pohdintoja tekoälyteknologian soveltamisesta “älykkään yleisen turvallisuuden” rakentamiseen – Perustuu Yueqingin poliisivoimien käytännön tutkimiseen.” [“ 智慧公安” 建设中人工智能技术应用的挑战与思考——基于乐清公安的实跴, Zhejiangin poliisiopiston lehti [浙江警察学院学报], elokuu 2024, nro 4, Ser. Nro 204.
[15] Lee, Guangyun [李广运], Chen, Delei [陈德雷], Yuan, Yafei [袁亚飞]. “Tutkimus suuren kielimallin soveltamisesta tietokoneiden tuottamissa voimissa.” [大模型在计算机生成兵力中的应用研究] The Sixth Academic Conference on Systems Engineering, Yunan, Kiina, elokuu 2024.; Zhang Long [张龙], Lei Zhen [雷震], Feng Xuanming [冯轩铭], Yan Xiaopei [阎晓培], Chen Renping [陈仁平]. “Sotilaalliset MLLM:t (multimodaaliset suuret kielimallit): sovellettu analyysi, keskeiset teknologiat ja arviointijärjestelmän kehys.” [军事大模型: 应用分析、关键技术和评估体系框架], 2024
[16] Xu Weijun [徐卫军], Deng Hongfei [邓宏飞], Jia Yaofeng [贾耀锋]. “Suuren malliteknologian tutkiminen ja harjoittaminen älykkäässä poliisitoiminnassa.” [大模型技术在智慧警务的探索与实践], Kiinan turvallisuus ja suojelu [中國安防], kesäkuu 2024; Cheng Shi [程式], Ye Chunyang [叶春阳]. “Haasteita ja pohdintoja tekoälyteknologian soveltamisesta “älykkään yleisen turvallisuuden” rakentamiseen – Perustuu Yueqingin poliisivoimien käytännön tutkimiseen.” [“智慧公安” 建设中人工智能技术应用的挑战与思考——基于乐清公安的实践],实践 Zhejiangin poliisiopiston lehti [浙江警察学院学报], elokuu 2024, nro 4, Ser. Nro 204.
[17] Peng Haojie [彭皓杰], Zhang Wengyu [张文宇], Chen Ruihai [陈锐海], Zhang Qiyue [张启悦]. “Ilmataistelun itsepuolustuksen häirintästrategiakoulutuksen optimointi suurten kielimallien ohjaamana.” [“大语言模型驱动的空战自卫干扰策略训练优化”], Journal of Detection & Control [探测与控制学报], Lokakuu 2024.
[18] Lee, Guangyun [李广运], Chen, Delei [陈德雷], Yuan, Yafei [袁亚飞]. “Tutkimus suuren kielimallin soveltamisesta tietokoneiden tuottamissa voimissa.” [大模型在计算机生成兵力中的应用研究] Sixth Academic Conference on Systems Engineering, Yunan, Kiina, elokuu 2024.
[19] Zhang Huaping [张华平], Li Chunjin [李春锦], Wei Shunping [魏顺平], Geng Guotong [耿国桐], Li Weiwei [李伟伟] ja Li Yugang [Avoin lähdekoodi Intelligence [李]玉”La-gnligence” “大语言模型驱动的开源情报认知认领”], National Defense Technology [国防科技], maaliskuu 2024. 3.
[20] Ibid.
[21] Ibid.
Lähde (maksumuurin takana)