5分钟模型更新、8路声呐浮标与任务中学习：AI声呐真正改变的，可能不是“听得更远”，而是反潜信息链如何更快适应复杂海洋环境

关键词：AI声呐 · SensorMAX · 反潜作战 · 持续学习 · 边缘AI · 水声感知 · 可信AI

2026年“环太平洋”（RIMPAC）演习期间，洛克希德·马丁公司与美国海军在夏威夷附近测试了SensorMAX。两架MH-60R“海鹰”直升机通过声呐浮标采集实时水声数据，AI声呐系统持续分析这些信号，并把结果提供给机组和地面站。公开资料显示，其界面可帮助机组同时管理最多8路声呐浮标监视数据流；当出现新的声学特征后，操作人员可以标记数据、重新训练模型，并把更新后的模型安全回传至正在执行任务的平台。官方披露，一次重训练可在5分钟以内完成[1]。

从反潜作战角度看，这一演示的价值并不只在于“AI能不能识别潜艇”。现代反潜本质上是一场多传感器、长时间和强环境不确定性条件下的信息竞争：声呐浮标、舰载声呐、航空反潜平台乃至无人系统不断产生新的声学线索，真正困难的是如何从大量弱小、非平稳和可能相互矛盾的信号中迅速形成可用的目标判断。因而，AI声呐首先改变的可能不是声传播本身，而是“探测—识别—定位—跟踪—决策”信息链中的处理速度与人机协同方式。

人工智能用于水声目标检测、分类和识别并不是新概念。真正值得关注的是：AI声呐正在尝试从“训练完成后部署”走向“部署之后仍能在任务中快速适应”。这意味着研究对象不再只是一个固定模型的离线识别准确率，而开始扩展到模型如何在动态海洋环境和任务节奏下持续学习、如何验证更新，以及如何保证更新之后仍然可信。

图1  MH-60R执行航空反潜声呐任务的典型场景。航空平台通过吊放声呐或声呐浮标扩大水下搜索范围，而AI声呐的价值更多体现在多源数据处理、目标线索筛选和任务内快速适应。U.S. Navy / Wikimedia Commons。

一、“处理能力翻倍”不等于“探测距离翻倍”

部分二次报道把此次测试概括为“探测距离翻倍”。从目前能够核对到的一手资料看，这一表述并不严谨。洛克希德·马丁公开的是：SensorMAX可帮助机组同时管理最多8路声呐浮标监视数据流，数量约为其所称传统能力的两倍[1]。

“可并行管理的数据流增加一倍”和“声呐探测距离增加一倍”是两个不同的物理问题。水声探测距离取决于声源级、传播损失、海洋声速结构、环境噪声、混响、阵增益和检测门限等多种因素。增加信息处理通道主要改善的是多源信息处理和态势感知能力，不能直接推导出传播距离成倍增加。

因此，相比未经公开数据支撑的“距离翻倍”，这次演示更有技术含义的指标其实是“分钟级模型适应”。

二、从反潜作战看，AI声呐首先压缩的是“信息时间差”

反潜作战中，一个声学接触从“出现异常”到“形成可信目标判断”往往要经历多路传感器搜索、特征判读、关联确认和持续跟踪。随着目标声隐身水平提高、海洋背景更加复杂，单纯增加传感器数量并不会自动转化为更好的战术认知；如果操作员仍需要逐路观察和手工筛选，数据越多甚至可能意味着更高的认知负担。

因此，“8路声呐浮标”更值得关注的军事含义，是AI能否把更多分布式声学观测转化为更及时的目标线索，并帮助机组把有限注意力集中到真正异常的接触上。换言之，它首先提升的是信息处理容量和态势更新速度，而不是直接改变声呐方程。对于有人平台与无人平台协同的未来海上感知体系，这种“多传感器接入—AI筛选—人工确认—快速更新”的结构尤其具有代表性。

从这个意义上说，SensorMAX的军事价值可以概括为一种“时间优势”：缩短从发现新声学特征，到形成机器可识别模式，再到把更新能力送回任务平台的周期。它并不意味着AI取代声呐员或自动完成战术决策，而是试图让算法更新速度更接近真实任务环境的变化速度。

三、AI声呐为什么需要在任务中持续学习？

传统机器学习通常遵循“数据采集—离线训练—模型验证—部署运行”的路线。这个范式隐含了一个重要假设：训练数据与部署环境具有相对稳定的统计分布。

海洋环境却高度动态。温度、盐度和深度决定声速结构及传播路径；海浪、降雨、生物、船舶和平台自身噪声不断改变背景声场。同一个目标在不同海域、季节和工况下，可观测声学特征也可能明显变化。对于AI声呐而言，这意味着训练数据分布与实际任务数据分布之间天然存在“域偏移”或“分布漂移”。

过去，适应新环境往往需要把数据带回岸上，重新标注、训练、测试，再发布新的软件版本。这种周期与反潜任务中快速变化的海况、噪声背景和目标特征之间存在明显时间差。SensorMAX展示的闭环则是“感知—发现新特征—人工标记—快速重训练—再次部署”[1]。如果这一能力能够在严格验证下稳定运行，AI声呐就不再只是执行一个预先固定的分类器，而开始具备持续学习（continual learning）和快速适应（rapid adaptation）能力。

图2  AI声呐任务内持续学习闭环。公开流程反映了从声呐浮标/水声传感器到AI推理、人工标记、快速重训练和加密OTA回传的任务链；“模型验证/不确定性门控”“灾难性遗忘检查”等为本文从可信持续学习角度补充的必要研究环节，并非厂商公开实现细节。

四、“5分钟重训练”并不是现场重训一个大模型

看到“5分钟重训练AI”，很容易把它理解为在现场从头训练一个大型基础模型。公开信息并不支持这种理解。洛克希德·马丁在RIMPAC演示中明确使用了“快速机上分类器更新”和“小型更新包”等表述；SensorMAX产品资料还称其分类器模型小于1 MB，并强调边缘侧分钟级重训练[1-2]。

从机器学习体系看，更合理的技术解释是：一个相对通用的表征模型负责提取传感器数据中的稳定特征，较小的分类器、任务头或适配模块负责面向新声纹和新环境进行快速更新。这样，任务阶段需要调整的并不是全部模型参数，而可能只是较轻量的任务模型。

值得注意的是，SensorMAX官方将底层能力称为Spectral Foundation Model（频谱基础模型），但目前没有公开其网络结构、训练数据、参数规模和损失函数。因此，把它具体解释为Transformer、自监督模型或某种确定的多模态架构都缺乏依据。可以讨论其“基础表示+快速任务适配”的工程思想，但不应把尚未披露的算法结构写成事实。

五、真正困难的不是“5分钟学会”，而是“5分钟后仍然可信”

持续学习提升了AI声呐的环境适应速度，却同时引入新的风险。新样本如果被错误标记，模型是否会被污染？学习一个新类别以后，会不会遗忘旧类别？少量新数据是否会导致过拟合？面对训练分布之外的未知信号，系统能否给出“不确定”或“未知”，而不是输出一个高置信度的错误判断？

这些问题对应机器学习中的灾难性遗忘、开放集识别、分布外检测、不确定性估计、模型校准和对抗鲁棒性等研究方向[3-5]。对于AI声呐，这些问题尤其重要，因为海洋声学环境本身具有强非平稳性，任务数据又常具有样本稀缺、类别不平衡和标注成本高等特点；在军事应用中，误报和漏报还会直接影响后续搜索资源分配与人员判断，因此“模型知道自己不知道什么”同样是一项关键能力。

因此，分钟级模型更新真正困难的问题并不是“如何更快训练”，而是“如何更快证明这次更新没有学错”。当模型可以不断改变时，模型版本、训练数据来源、更新时间、审批状态、回滚能力和跨平台一致性，都成为系统可信性的组成部分。SensorMAX公开资料中特别强调网络安全、模型来源追踪和可跨平台部署，其工程意义就在这里[2]。

图3  AI声呐评价范式的扩展：在传统检测、识别和实时性指标之外，持续学习系统还需要评价适应速度、知识保持、未知检测、模型校准以及更新的可追溯与可回滚能力。

六、从“听得更远”到“学得更快、更新可信”

过去评价声呐技术进步，通常关注探测距离、信噪比、定位精度、检测概率和识别准确率。进入AI声呐阶段以后，又增加了一个新的维度：适应速度。尤其在反潜任务中，系统不仅要回答“能否识别当前目标”，还要回答“环境、声纹和任务条件发生变化后，需要多久才能恢复到可信的感知能力”。

这将改变AI声呐的技术评价体系。模型适应时间、少样本学习效率、知识保持能力、未知目标识别能力和模型更新可靠性，可能逐渐与传统检测性能同样重要。评价对象也从“一个训练完成后的静态模型”变成“一个在整个任务生命周期中持续变化的动态模型”。

从更广泛的智能传感和海上作战体系角度看，SensorMAX值得关注之处并不只是“AI可以帮助反潜”。更重要的是，它把原本发生在数据中心里的训练过程，尝试放进真实传感器和任务平台的闭环：从“训练—部署”，走向“部署—感知—学习—再部署”。当这种能力与声呐浮标、舰艇、航空平台和无人系统形成网络化协同时，AI声呐的角色也可能从单一识别算法，演变为分布式海上感知体系中的自适应软件能力。

如果这一模式最终能够可靠工程化，AI声呐的发展目标可能不再只是“听得更远、识别得更准”，而是进一步追求“在复杂海况和高任务压力下学得更快，而且每一次学习都可以验证、追踪和回滚”。对反潜体系而言，这意味着竞争焦点可能由单个平台的传感器性能，进一步延伸到多平台感知信息的处理速度、模型适应速度与可信协同能力。下一代AI声呐真正值得研究的问题因此是：当人工智能从“部署前学习”走向“部署后继续学习”，如何让一个不断变化、并可能在多个平台间传播的模型仍然值得相信？

资料来源与参考阅读

[1] Lockheed Martin. Lockheed Martin and U.S. Navy Demonstrate AI-Powered Submarine Hunter at RIMPAC 2026. 2026-08-05. https://news.lockheedmartin.com/2026-08-05-Lockheed-Martin-and-US-Navy-Demonstrate-AI-Powered-Submarine-Hunter-at-RIMPAC-2026

[2] Lockheed Martin. SensorMAX™ product page. Accessed 2026-08-10. https://www.lockheedmartin.com/en-us/products/sensormax.html

[3] De Lange, M., Aljundi, R., Masana, M., et al. A Continual Learning Survey: Defying Forgetting in Classification Tasks. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2022, 44(7): 3366-3385.

[4] Geng, C., Huang, S.-J., Chen, S. Recent Advances in Open Set Recognition: A Survey. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2021, 43(10): 3614-3631.

[5] Hendrycks, D., Gimpel, K. A Baseline for Detecting Misclassified and Out-of-Distribution Examples in Neural Networks. ICLR, 2017.

[6] Bommasani, R., Hudson, D. A., Adeli, E., et al. On the Opportunities and Risks of Foundation Models. arXiv:2108.07258, 2021.

转载本文请联系原作者获取授权，同时请注明本文来自陈孝良科学网博客。
链接地址：https://blog.sciencenet.cn/blog-1375795-1547396.html

上一篇：从WAICA 57篇论文观察物理AI与青年学生的研究方向


欢迎参加科学网十佳博文评选活动！

主办单位：    支持单位：