亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

自主性和人工智能將通過有限的應用逐步改變戰爭，因為完全自主瞄準面臨障礙，因此有必要就自主系統的規則進行細致的國際談判，而不是拒絕該技術。

自主（autonomy）和自治（autonomous）如今已成為熱門詞匯，被用來描述軍事（以及民用）領域對人工智能（AI）功能、流程和系統日益增長的利用。俄羅斯入侵烏克蘭以及隨之而來的高強度沖突為大量新技術和舊技術的創新使用提供了試驗平臺，從人工智能驅動的語音識別和態勢感知軟件到無處不在的商用無人機，再到商用衛星通信和圖像以及 3D 打印組件的大規模使用，不一而足。

高機動性、可攜帶爆炸物的第一人稱視角（FPV）無人機或利用計算機視覺鎖定目標并將其摧毀的徘徊彈藥的圖像已成為頭條新聞，并引發了對戰爭中自主革命黎明到來的焦慮，即殺手機器人將主宰戰場并顛覆國際秩序。

雖然沒有人能真正否認人工智能對戰爭及其未來演變的結構性影響，但當前關于自主性的辯論卻往往使人們對其實際軍事影響產生了扭曲和不準確的認識，這反過來又產生了一種不可調和的二元方法，其典型特征是要么完全拒絕、要么崇拜自主武器系統（AWS）。因此，任何有關為軍事目的使用和管理自主性的政策決定和機制都有可能對利用該技術和防止其濫用無效，甚至有害。

這種不一致做法背后的一個關鍵原因是缺乏對自主真正含義的理解，例如經常混淆自主武器系統和自動武器系統。自動武器系統具有不同程度的自動化，可對選定類別的目標執行特定和有序的功能，而且無論如何都不能偏離其預定目的。因此，它們的行為是確定的，或者簡單地說，是可預測的。例如，不同類型的地雷和裝有空爆近炸引信的炮彈一旦被激活，就會在沒有人為控制的情況下工作。

更廣泛地說，傳統的尋的彈藥就屬于這一類，并且已經服役多年。例如，烏克蘭使用的 AGM-88 型反輻射導彈就是通過被動雷達尋的器自動探測敵方無線電發射源（通常是雷達站或防空系統）并將其鎖定。重要的是，這些武器的設計目的是打擊非常具體和預先確定的目標，不能偏離其最初的指令序列。

相反，預警機的特點是能夠感知和適應作戰環境。這意味著它們可以根據計算機程序與外部環境交互產生的行為自主調整行動路線，為給定的輸入產生一系列不同的輸出。這種能力來源于車載人工智能計算和傳感器，可以達到不同的熟練程度，取決于算法的復雜程度、系統設計的權衡、任務的復雜程度和環境。

一般來說，有一些系統具有有限的自主能力，無需人工干預就能探測、跟蹤、提示和攻擊目標，不過它們的使用對象是特定的目標集，而且通常僅限于雜亂無章的環境，因此產生的行為在很大程度上是可預測的。此外，人類操作員可以修改武器的管理規則，或在出現潛在風險時激活/編碼任務中止選項。因此，在瞄準過程中，人類仍處于決策循環之中。防空系統、巡航導彈、閑逛彈藥或其他配備各種傳感器和機載數據處理能力的平臺就是最常見的例子。

然而，集成了更先進的機器學習功能后，自主系統可以自主學習和決策，包括選擇目標，并根據從環境中接收到的輸入不斷更新可用的輸出范圍。因此，它們的行為是非確定性的，可能無法預測。不過，目前還沒有證據表明戰場上使用了 "自我學習 "的完全自主武器系統。

以色列制造的 "哈比 "反輻射閑逛彈藥可在特定區域上空盤旋長達 9 個小時，以尋找雷達發射目標，并在無人監督的情況下自主攻擊這些目標。然而，雖然 "哈比 "的所有運作階段確實都是自動化的，但該系統無法學習和改變其任務規則和輸出，因為它只能選擇和攻擊由人類操作員預先選定的特定保持區域和無線電頻率范圍內的目標。因此，"哈比 "的行為在本質上仍然是可預測的，因為其任務參數和管理規則是由人類定義的，盡管仍然可能存在附帶損害的風險。

在最近關于致命預警系統的辯論中經常提到的另一個例子是土耳其的 "卡古-2 "戰術旋轉翼閑逛彈藥，根據聯合國的一份報告，在利比亞軍閥哈利法-哈夫塔爾于 2020 年圍攻的黎波里失敗期間，該彈藥可能被用于自主瞄準隸屬于他的部隊。然而，聯合國專家小組無法提供任何證據來證實自主模式的說法，而 "卡古 "的制造商土耳其 STM 公司后來明確指出，該系統使用人工智能計算機視覺來識別和跟蹤目標，但需要人類操作員與目標交戰。在最近的一次私下討論中，一位直接參與 "卡古 "研發的工程師向本文作者證實，該系統的程序設計并不能在沒有人類監督的情況下攻擊目標。

越來越多的武器系統--從無人機系統到巡航彈藥、防空系統到無人地面車輛和其他系統--使用機載計算機視覺和其他人工智能功能來自動化和加速流程，而人類的自然能力對于當前（和未來）軍事行動中不斷加快的決策節奏和激增的數據量來說，顯得過于緩慢或有限。然而，這些能力并不會使武器系統默認為完全自主。相反，它們優化了特定的子過程和任務（如導航、目標識別、態勢感知等），以解決人類疲勞問題，減輕人類操作員的認知負擔。除此以外，自主化通常還旨在通過限制參與行動的士兵和機組人員數量來降低人員風險。

瞄準和交戰循環是其中的一項任務，但它很可能仍將局限于為特定目標集或任務而設計的平臺，因為在這些平臺上有大量可靠的訓練數據，軍事目標和民用目標之間的區別比較簡單，附帶損害的風險有限。這些任務包括壓制敵方防空系統（SEAD）、空對空交戰、戰術射程內分層精確射擊或打擊敵方第二梯隊等。飛機系統（如無人機系統、閑散彈藥）是主要的自然候選者，但我們很可能會看到自主地面系統的瞄準任務，作為其在某些戰術交戰中火力支援作用的一部分。

與此同時，有些任務將發生重大的、結構性的自主化轉變。例如，通過高保真傳感器進行情報收集、監視和偵察、替身電子戰、誘餌、通信節點和補給。在這些領域，最有希望取得成果的還是使用具有蜂群能力的網絡化和多樣化的自主飛機，不過預計在海上和陸地領域也會取得進展。

因此，AWS 對戰爭的預期變革影響將比通常設想的要緩慢和零散，因為自主性主要是作為一種促進因素，其集成通常僅限于子系統或特定功能，而不是整個軍事企業。有幾個原因需要考慮。

首先，物理學仍然重要。AWS 依靠邊緣的大量計算能力和工作存儲器，通常需要更高的電池容量，特別是在長距離應用中。這就意味著要在尺寸、航程、速度、續航時間、有效載荷以及最終的成本之間進行明顯的權衡，在可預見的未來不可避免地會對作戰產生影響。例如，抗干擾超寬帶連接技術的使用可以降低能耗，但卻有固有的范圍限制。就機載系統而言，使用自主 "母艦 "從中間集結區釋放托盤化的彈群和空射效應，有助于擴大彈群和空射效應的作戰范圍，但這些大型母艦雖然前景廣闊，但仍容易遭到敵方攔截和反制，很難成為唯一的解決方案。

其次，即使技術已經成熟，但如果不將其適當融入強大的作戰概念（CONEMPs）和行動概念（CONOPs），AWS 也只能為作戰人員提供微不足道的優勢。然而，CONEMPs 和 CONOPs 的建立并非一朝一夕之事，在北約等多國環境中，由于互操作性問題、異質能力和培訓、人機界面挑戰以及國家層面對 AWS 的不同處理方法，CONEMPs 和 CONOPs 的建立變得更具挑戰性。此外，每個軍事部門都可能以自己的方式看待自主性，這就進一步增加了復雜性。

正如烏克蘭戰爭所表明的，新技術的有效整合與技術本身同樣重要。

第三，如果不仔細權衡意外升級的風險和可能帶來的災難性代價，就認為各國有意愿（和興趣）部署完全自主的武器系統（即自學平臺），至少可以說是草率的。

在此背景下，有必要提出一些警告。

顯然，上述對 AWS 的漸進和不定期采用并不能排除與這些平臺相關的危險，從道德和法律考慮到附帶損害問題。然而，似乎可以公平地說，它們可能被限制用于直接與目標交戰的目的，這在一定程度上減輕了這些風險，削弱了支持徹底禁止預警系統的一些論點。

遺憾的是，缺乏國際公認的自主定義是準確評估預警系統影響和規范其使用的一大障礙。人工智能發展的不穩定性，以及它對 "有意義的人類控制 "的概念和實用性的影響，進一步加劇了這一問題。如果 AWS 依賴于操作員可以獲得的相同信息、參數和嚴格的交戰規則，那么 "人類脫離環路 "本身并不一定是個問題，前提是它不能推翻這些信息、參數和規則。正如專家 Jovana Davidovic 所說，"任何道德上的差異都源于經驗事實，即什么方法（在安全和避免附帶損害方面）更有效，而不是操作員與最終決定的距離有多遠"。

在另一篇發人深省的文章中，學者 Andree-Anne Melancon 認為，"發展自動化武器的更根本問題不在于技術或人工智能。相反，問題源于選擇目標的方式"。或許，這場辯論首先應該討論的是自主系統編程的基本流程和規則（如目標識別等），而不是技術本身。

與此同時，關于在完美計劃和實施的行動中無縫使用和利用自主系統和人工智能的描述將被現實證明是錯誤的。人工智能可以幫助人們看穿戰爭迷霧，但不會徹底消除迷霧。例如，目前最好的物體檢測模型在最流行的基準測試中平均精度僅為 65%。雖然這些表述的首要目標是營銷，但由此產生的對人工智能優點的偏愛和對其局限性的忽視，都可能不利于就 AWS 問題展開建設性的、平衡的辯論。但是，基于可怕或不準確的觀點而對 AWS（或其他人工智能軍事應用）嗤之以鼻的評估也于事無補。

聯合國大會最近通過了有史以來第一份關于 AWS 的決議，這表明各國確實認為有必要采取行動規范 AWS，并應鼓勵人們對這項技術采取不那么軍國主義、但也更加清醒的態度。

作者：

費德里科-博薩里是歐洲政策分析中心（CEPA）跨大西洋防務與安全項目的萊昂納多研究員。他還是北約 2030全球研究員和歐洲對外關系委員會 (ECFR) 的訪問學者。他的主要研究興趣包括安全與國防動態、跨大西洋安全關系以及新技術對戰爭的影響。

本文討論了在軍事領域決策過程中使用人工智能（AI）的好處和注意事項。文章側重于三個主要方面：提供更快、更準確信息的能力，掌握情況和減少人為錯誤，以及在使用這種技術時必須考慮的技術和倫理因素。人工智能可以大大改善軍事領域的決策；然而，重要的是要反思與使用人工智能相關的倫理和技術影響。

關鍵詞 人工智能、情境領域、減少人為錯誤、合成環境、顛覆性技術、知情決策。

1 簡介

人工智能（AI）已成為包括軍事在內的各個領域的重要工具。人工智能的定義是開發計算機系統，使其能夠執行通常需要人類典型的理性智能才能完成的任務，包括識別語音、做出決策和解決問題。在軍事領域，人工智能可以通過實時處理有價值的信息，幫助指揮官更快、更準確地做出決策。然而，人工智能在軍事領域的應用也帶來了倫理和技術方面的挑戰，例如在隱私和數據安全等方面對人類的影響。必須了解人工智能在軍事領域的優勢和挑戰，才能有效、負責任地實施人工智能。從這個意義上說，人工智能的應用可以優化指揮官在戰場上及時做出明智決策的能力。此外，對大量信息的即時處理使人們有可能對全景有更全面的了解，這為預測突然變化和可能出現的風險提供了依據，而這些都需要掌握態勢。這也有助于減少個人失誤，擺脫每個人的局限性。不過，有必要考慮在對這一顛覆性技術進行管理時所涉及的倫理問題。

2 人工智能在決策中提供快速準確的信息

在軍事領域使用人工智能并非新概念。然而，在很短的時間內，它已成為一種日益重要和有用的工具。它能夠高速、準確地處理大量數據，并分析模式和趨勢，提供重要信息，幫助指揮員在發生危機時執行措施，而危機需要快速、有效的反應，這在完成任務可能受到影響的情況下非常有用。

此外，人工智能還能識別人類可能忽略的模式和趨勢，從而更好地進行數據分析。這樣就能更全面、更清晰地了解任何情況，使軍方能夠做出更明智的決策。人工智能還能將數據收集和分析等乏味的重復性任務自動化，從而騰出時間實施更相關的行動。

從這個意義上說，人工智能提供信息的速度和質量對軍事決策過程有著積極的影響。指揮官可以擁有一種工具，使他們在行動發展過程中更容易選擇并永久保持認知優勢。所謂 "認知優勢"，是指在戰場上以最有效的方式利用信息和知識的能力。這意味著，人工智能可用于規劃過程、開展行動，甚至在任務完成后提供反饋并鞏固認知優勢。

同樣，在軍事行動規劃中，人工智能可以分析數據、生成情報，并提供需要優先處理的局勢變化信息以及可用資源和其他重要因素。在戰爭實施過程中，人工智能可以提供有關設備變化、通信流量和其他關鍵因素的實時數據。這一優勢將使指揮官有能力在不斷變化的情況下做出快速有效的決策，并確保其部署的資產始終處于有利地位。例如，某國開發了一套自主車輛系統，用于收集戰場信息，其目的是對信息進行處理，以便為決策提供準確的要素；它甚至可以在結果評估方面提供幫助。

3 掌握情況和減少人為錯誤

據西點軍校現代戰爭研究所稱，人工智能的多任務特性使其可以通過與不同決策層的偵察、監視和情報集成手段的實時連接，用于收集和處理信息。人工智能能夠處理大量數據并從中學習，這意味著指揮官可以提高對態勢的掌控能力，減少危急情況下的人為錯誤。

一方面，人工智能可以實時處理信息，全面了解戰場態勢。此外，人工智能還能分析歷史數據和趨勢，在更短的時間內預測局勢并做出更準確的決策。同樣，如果與能夠以自身標準開展行動的自主手段銜接，就可以省去暫停行動的必要，從而有可能對對手保持持續的壓力。例如，人工智能可以分析敵人的行為模式并預測未來的動向，從而用于制定不確定性余地更小、細節更精確的應急計劃。

另一方面，在軍事決策過程中應用人工智能還能減少人為錯誤。從這個意義上說，由于軍事力量的應用所隱含的后果，指揮官的決策能力面臨著需要高度重視的情況。例如，法律方面的考慮，如尊重人權或保護自己的部隊，被證明是涉及道德的因素，最終會對指揮官產生壓力，并可能導致因疲勞、恐懼或缺乏經驗而做出錯誤的決定。在這種情況下，人工智能通過提供準確可靠的信息，有助于最大限度地減少這些錯誤。

此外，人工智能還可用于模擬合成環境中的情況，讓軍事人員在安全可控的環境中練習、積累經驗并提高技能。因此，美國陸軍正在利用人工智能的優勢培訓步兵單元指揮官，根據戰術形勢的變化--面對模擬對手--創建可變場景，對手的反饋和快速決策能力豐富了培訓經驗。這樣就能加強美國陸軍培訓的步兵指揮官的決策和掌握情況的能力。總之，在軍事決策過程中應用人工智能，可以讓負責任的指揮官提高對態勢的掌握能力，減少人為錯誤。

4 技術和倫理方面的考慮

人工智能這一技術正越來越多地應用于軍事領域，目的是提高軍事行動的效力和效率。然而，人工智能的使用也帶來了一些重要的技術和倫理問題，必須認真加以解決。從這個意義上說，不應無視這一現實，也不應無視在使用這些技術時因其顛覆性而涉及的考慮因素。

從技術角度看，在軍事決策過程中使用人工智能有可能提供更快、更準確的信息，提高對態勢的認識，并降低人為錯誤的風險。然而，人工智能的使用也帶來了必須妥善解決的重大挑戰。首先是人工智能所使用數據的質量問題，人工智能的正常運行依賴于準確、高質量的信息。如果不具備這些特征，人工智能除了在訓練中出現錯誤外，還可能做出不正確或不恰當的決定。因此，必須掌握準確的最新數據，以確保人工智能的效率。其次，必須有足夠的基礎設施供其使用。換句話說，人工智能需要大功率的計算基礎設施和可靠的通信網絡才能良好運行。因此，要想在軍事決策過程中充分發揮人工智能的潛力，就必須對基礎設施進行投資。

另一方面，從道德角度來看，使用人工智能會引發重要的思考，例如它對受武裝沖突影響的戰斗人員、非戰斗人員和平民的生活會產生什么影響。因此，必須制定明確和透明的政策，規范在軍事情況下使用人工智能。在這方面，為確保在軍事領域有效使用人工智能，有必要明確以下幾個方面： 首先，必須制定明確透明的人工智能使用政策，并確保所有專家、人工智能操作員都接受過使用、監督和控制該技術的培訓。其次，必須確保提供有效使用人工智能所需的計算和通信基礎設施。這包括購置適當的設備和技術，以及建立安全可靠的通信網絡。因此，要充分利用人工智能在軍事決策中的潛力，就必須對基礎設施進行投資。

結論

人工智能可提高收集信息的速度和準確性，并增強及時做出明智決策的能力，從而提高軍事行動的效力和效率。此外，使用人工智能還有助于減少人員傷亡和附帶損害，從而保護平民和限制軍事行動對非戰斗人員的負面影響。為了充分發揮人工智能在軍事領域的潛力，必須制定清晰透明的使用政策，優先培訓軍事人員使用人工智能，并與學術研究機構簽訂合作交流協議。這將有助于最大限度地降低在軍事行動中使用人工智能的風險，最大限度地提高其效益。在軍事領域的決策過程中使用人工智能的經驗，主要參與者是美國陸軍等，由于不斷競爭以加強其在世界上的存在，他們一直在加速發展這項技術。可以從中汲取重要的經驗教訓，以發展自己的人工智能，并闡明國防方面的需求，特別是在軍事決策過程中。總之，在決策過程中適當實施人工智能，可受益匪淺。這可以通過提供更快、更準確信息的自主系統來實現；也可以通過在模擬器中使用合成環境對指揮官進行決策培訓來實現；最后，還可以通過減少處理過程中的人為錯誤來實現。

參考來源：CEEEP

從規劃到執行，人工智能（AI）在軍事行動中發揮著越來越重要的作用。隨著技術的進步，將人工智能融入國防戰略已成為各國保持競爭優勢、確保國民安全和安保的關鍵所在。人工智能在軍事行動中的潛在應用非常廣泛，從加強決策過程到提高軍事系統的效率和效力，不一而足。

人工智能在軍事行動中的主要應用方式之一是分析大量數據。在當今的信息時代，兵力從衛星圖像、信號情報和社交媒體等各種來源生成和收集海量數據。人工分析這些數據是一個耗時耗力的過程，可能會延誤關鍵決策。而人工智能算法則能以更快的速度處理和分析這些數據，使軍事指揮官能夠根據實時信息做出更明智的決策。

除數據分析外，人工智能還被用于加強軍事行動的規劃和執行。例如，人工智能驅動的系統可以通過模擬各種場景和預測不同戰略的結果，幫助軍事戰略家制定更有效、更高效的作戰計劃。這樣，指揮官就能根據最準確的最新信息選擇最佳行動方案。此外，人工智能還可用于優化人員和裝備等資源的分配，確保以最有效的方式部署兵力。

人工智能在軍事行動中的另一個重要應用是開發自主系統。無人駕駛飛行器（UAVs）又稱無人機，由于能夠在不危及人類生命的情況下執行監視和偵察任務，已成為現代戰爭的主要裝備。人工智能技術有可能進一步提升這些能力，使無人機能夠自主運行，根據周圍環境和任務目標做出決策，而無需人工干預。這不僅能降低人類操作員的風險，還能更高效、更有效地利用這些資產。

此外，人工智能正被集成到各種軍事系統中，以提高其性能和能力。例如，人工智能驅動的算法可用于提高導彈防御系統的精確度和瞄準能力，增強其攔截和消除來襲威脅的效力。同樣，人工智能也可用于提高軍事通信系統的性能，確保信息在不同單位和指揮中心之間快速、安全地傳輸。

盡管人工智能為軍事行動帶來了諸多好處，但也存在一些需要解決的問題和挑戰。其中一個主要問題是在戰爭中使用人工智能所涉及的倫理問題，特別是當涉及到可以在沒有人類干預的情況下做出生死攸關決定的自主系統時。確保這些系統遵守國際法和道德標準對于防止潛在的濫用和意外后果至關重要。

另一個挑戰是對手惡意利用人工智能技術的風險。隨著人工智能變得越來越先進，越來越容易獲取，人們越來越擔心敵對行為體可能會利用人工智能開發出新的、更復雜的網絡戰形式，甚至制造出難以防御的人工智能武器。

總之，將人工智能融入軍事行動有可能徹底改變戰爭的打法和勝負。從加強決策過程到提高軍事系統的效率和效力，人工智能提供了眾多好處，可以幫助各國在日益復雜和不可預測的全球安全環境中保持競爭優勢。然而，必須解決與戰爭中的人工智能相關的倫理問題和潛在風險，以確保負責任地使用這項技術，并為更大的利益服務。

參考來源：TS2 space，作者：Marcin Fr?ckiewicz

無人機集群協同作戰的自主化、智能化是未來軍事指揮控制技術發展的重要趨勢, 為滿足日趨重視的集群應用需求, 提出了面向協同作戰任務的無人機集群自主決策技術概念與體系, 建立了無人機集群多任務的通信-決策-規劃-控制（communication, decision, planning, control；CDPC）自主決策框架. 根據通信拓撲結構建立了集中式、完全分布式和混合式的決策樣式, 在此基礎上, 分別建立了感性任務推理決策模型和理性任務推理決策模型, 探討了模型的求解框架以及關鍵技術解決途徑, 表示無人機集群任務決策對協同作戰的規劃和實施具有較好的指導意義.

2020 年 1 月, 中國科學院發布的 《2019 年人工 智能發展白皮書》中將“群體智能技術”列為八大人工 智能關鍵技術之一[1] , 隨著智能系統與復雜體系、感 知與判斷、分布式協同、人工智能和算法戰等理論 與技術的不斷發展與突破, 智能系統已呈現出無人 化、集群化和自主化等特征[2] . 無人機集群作為未來集 群智能系統的主要形式, 能夠實現單平臺行為決策、 多平臺任務協同, 具有集群涌現特性, 表現出了巨大 的應用前景. 無人機集群任務環境彈性大、態勢變化 快、傳感器信息不完全、通信結構不穩定, 是以決策 為主的對抗. 因此, 協同自主決策作為“感知-判斷決策-行動 （observation-orientation-decision-action, OODA）”環路循環中的關鍵技術引起了國內外廣泛 關注[3-5] . 無人機集群在復雜動態變化的環境下, 如何 根據不確定的態勢信息, 實施可解釋的自主決策推 理, 確定高效可靠的任務協同執行方式對保障集群 安全, 提升作戰效能至關重要.

按照系統科學的觀點[6] , 無人機集群系統多平臺 異構、任務需求眾多、輸入態勢變化、戰術目的復 雜、約束條件耦合, 為解決以上問題, 需要面向無人 機集群多任務設計自主決策規劃框架, 降低系統研 究的復雜性. 文獻[7]基于不確定攻防博弈態勢信息 搭建了無人機集群對抗博弈模型, 并設計博弈成本 函數計算最優策略；文獻[8]提出了一種多無人機分 布式智能自組織算法, 將集群偵察-打擊任務優化問 題分解為多個局部優化問題, 并通過集群與環境和 集群之間的信息交流實現全局優化決策；文獻[9]針 對區域偵察等典型集群任務, 采用深度學習方法構 建任務決策模型, 然后基于遺傳算法對決策模型進 行優化, 為集群實現離線學習和在線決策提供了有 效支撐, 然而現有成果從多任務角度出發, 對集群自 主決策問題進行研究相對較少.

對于集群系統協同作戰任務方面的研究, 主要 以任務規劃問題為主[10] , 此類問題大都是事先擬定好 了任務輸入類型和約束, 是一種有目標信息的多約 束優化問題. 然而對于集群如何獲得準確的任務目 標信息, 并根據態勢進行動態任務調整并沒有考慮, 此問題正是集群協同任務決策的研究重點. 現階段 無人機決策問題研究大都聚焦于空戰過程中的機動 動作決策[11-12] , 或者某個明確任務場景中的決策, 如集 群打擊任務等[13-14] , 沒有從集群協同作戰過程中戰術 戰略及任務的多樣性和復雜性方面開展自主決策研 究. 因此, 本文針對這個問題, 分析了集群任務自主 決策概念、任務定義與分類, 設計了自主決策的流 程；應用分層研究思想提出一種自主決策框架, 并根 據通信結構定義不同的決策模式；結合多種技術途徑 對無人機集群自主決策建模的體系結構和求解框架 進行了分析和探討.

以語音為中心的機器學習系統徹底改變了許多領先領域，從交通和醫療保健到教育和國防，深刻改變了人們的生活、工作和相互互動的方式。然而，最近的研究表明，許多以語音為中心的機器學習系統可能需要被認為更值得信任，以便更廣泛地部署。具體來說，在機器學習研究領域，人們都發現了對隱私泄露、判別性能和對抗性攻擊脆弱性的擔憂。為了應對上述挑戰和風險，人們做出了大量努力，以確保這些機器學習系統是值得信任的，特別是隱私、安全和公平。本文首次對與隱私、安全和公平相關的、以語音為中心的可信機器學習主題進行了全面的調研。除了作為研究界的總結報告外，本文指出了幾個有希望的未來研究方向，以激勵希望在該領域進一步探索的研究人員。 引言

在過去的幾年中，機器學習(ML)，特別是深度學習，在各種研究領域和應用中取得了巨大的突破，包括自然語言處理(Devlin等人，2018)、圖像分類(He等人，2016)、視頻推薦(Davidson等人，2010)、醫療保健分析(Miotto等人，2018)，甚至掌握國際象棋游戲(Silver等人，2016)。深度學習模型通常由多個處理層組成，并結合了線性和非線性操作。盡管訓練具有多層架構的深度學習模型需要積累大型數據集和訪問強大的計算基礎設施(Bengio等人，2021)，但與傳統的建模方法相比，訓練后的模型通常達到最先進的(SOTA)性能。深度學習的廣泛成功還允許更深入地了解人類狀況(狀態、特征、行為、交互)和革命性的技術，以支持和增強人類體驗。除了ML在上述領域取得的成功，以語音為中心的ML也取得了重大進展。 言語是人類之間一種自然而突出的交流形式。它存在于人類生活的幾乎每一個層面，無論是與朋友聊天、與同事討論，還是與家人遠程通話。以語音為中心的機器學習的進步使Siri、谷歌Voice和Alexa等智能助手的普遍使用成為可能。此外，以語音為中心的建模在人類行為理解、人機界面(HCI) (Clark等人，2019)和社交媒體分析方面創造了許多研究主題。例如，一些廣泛研究的語音建模領域包括自動語音識別(Malik et al.， 2021)、語音情感識別(Ak?ay和O?uz, 2020)、自動說話人確認(Irum和Salman, 2019)和關鍵詞識別(Warden, 2018)。

盡管ML系統有在廣泛的以語音為中心的應用中廣泛部署的前景，但在大多數這些系統中，兩個交織在一起的挑戰仍然沒有解決:理解和闡明跨人和環境的豐富多樣性，同時創建可信的ML技術，在所有環境中適用于每個人。信任是人類生活的基礎，無論是信任朋友、同事、家庭成員，還是像人工智能服務這樣的人工制品。傳統上，機器學習從業者，如研究人員和決策者，使用系統性能(如F1分數)來評估機器學習系統。雖然大量的研究都集中在提高機器學習模型的系統性能上，但確保機器學習應用是可信的仍然是一個具有挑戰性的課題。在過去的幾年中，我們見證了大量針對可信人工智能和機器學習的研究工作，本文的目標是對相關研究活動進行全面的回顧，重點以語音為中心的機器學習。

**ML中的可信性在不同的文獻中有不同的定義。**例如，Huang等人(2020)基于涉及認證過程和解釋過程實施的行業生產實踐規范描述了術語可信性。認證過程包括測試和驗證模塊，以檢測輸入數據中潛在的偽造或干擾。解釋是解釋機器學習為什么根據輸入數據做出特定決策的能力。此外，歐盟發布的《可信人工智能倫理準則》(Smuha, 2019)承認，要被認為是可信的人工智能系統，必須遵守法律和法規，堅持道德原則，并強大地運行。最近，Liu等人(2022b)從安全性、公平性、可解釋性、隱私、可問責性和環境友好方面總結了可信人工智能。同樣，我們的審查認為，可信的核心設計元素是魯棒性、可靠性、安全性、安全性、包容性和公平性。基于這些標準，本文從隱私、安全和公平的角度綜述了關于以語音為中心的可信機器學習的文獻，如圖1.1所示:

**隱私: **以語音為中心的ML系統嚴重依賴于收集來自、關于和針對潛在敏感環境和上下文中的人的語音數據，例如家庭、工作場所、醫院和學校。語音數據的收集經常引起人們對侵犯用戶隱私的嚴重擔憂，例如泄露人們可能希望保密的敏感信息(Liu等人，2021)。至關重要的是，要確保由個人共享或由ML系統收集的語音數據受到保護，免受任何不合理和未經授權的使用。

安全性: 在過去幾年中，研究人員發現機器學習系統普遍容易受到對抗性攻擊，這些攻擊旨在利用模型預測函數中的漏洞進行惡意的目的(Goodfellow等人，2014)。例如，通過對語音數據引入足夠小的擾動，惡意行為者可以導致關鍵詞檢測模型對所需的輸入語音命令進行錯誤分類。因此，一個可信的機器學習系統必須對惡意攻擊者可能故意更改的相同輸入輸出一致。

**公平性:**最近人們知道機器學習系統的行為可能不公平。機器學習系統為什么會虐待人是多方面的(Mehrabi等人，2021)。一個因素是社會方面，由于訓練數據或整個機器學習開發過程中的假設/決策中的社會偏見，機器學習系統產生有偏的輸出。導致人工智能不公平的另一個原因是數據集特征的不平衡，某些群體的數據樣本有限。因此，模型需要考慮某些人群的需求。同樣重要的是要注意，部署不公平的機器學習系統可能會放大社會偏見和數據不平衡問題。為了評估以語音為中心的機器學習系統的可信性，機器學習從業者需要評估機器學習模型是否對個人或群體表現出區分性。

**本文的其余部分組織如下。**第2節簡要總結了流行的以語音為中心的任務、數據集和SOTA建模框架。第3節全面討論了以語音為中心的機器學習系統中的安全考慮。第4節討論了語音建模中的隱私風險和防御。第5節回顧了語音建模任務中出現的公平性問題。第6節闡述了以語音為中心的可信機器學習的潛在發展和未來的挑戰。最后，第7節總結了本文的主要觀點。

具體而言，我們的貢獻總結如下:

1. 據我們所知，這是第一個對設計可信的、以語音為中心建模的機器學習進行全面回顧的綜述工作。我們調研了大部分已經發表和預印本的工作，包括自動語音識別、語音情感識別、關鍵詞識別和自動說話人驗證。

2. 創建了分類法，以系統地審查與以語音為中心的機器學習系統可信性相關的設計支柱。我們進一步比較了關于每個關鍵因素的各種文獻。

3.本文討論了設計以語音為中心的機器學習系統面臨的突出挑戰，這些系統面臨著與隱私、安全和公平相關的可信性考慮。在文獻綜述的基礎上，討論了有待解決的挑戰，并提出了幾個有希望的未來方向。

人工智能（AI）是一項具有廣泛用途的新興技術。《美國防戰略》強調了人工智能對軍事行動的重要性，以使美國保持對其近似競爭對手的優勢。為了充分實現這一優勢，不僅要在戰術層面，而且要在戰爭的作戰層面整合人工智能。人工智能可以最有效地融入作戰計劃的復雜任務，方法是將其細分為其組成部分的作戰功能，這些功能可以由狹義的人工智能來處理。這種組織方式將問題減少到可以由人工智能解析的規模，并保持人類對機器支持的決策的監督。

引言

人工智能是一套新興的、變革性的工具，有可能幫助軍事決策者。美國國家戰略將人工智能（AI）納入戰爭。《2020年國防授權法》11次提到了人工智能。國防戰略強調了利用人工智能和機器學習方面的商業突破的重要性。人工智能的軍事用途是保留國家安全的一個引人注目的方式。創造工具來支持戰術行動，如摧毀敵軍和從一個點導航到另一個點，具有顯著和可見的效果，使他們在資源有限的環境中在政治上可以接受。它們在訓練和測試方面的可重復性，使它們在采購過程中成為人工智能系統的快速贏家。然而，戰術行動的范圍和時間是有限的。僅在戰術層面上整合人工智能，忽視了在作戰層面上發生的決定性影響。

作戰，也就是實踐者將戰術行動轉化為戰略效果的層面，取決于領導者做出正確決策的能力。聯合部隊海事部分指揮官（JFMCC）的艱巨任務是制定計劃，將戰區戰略和聯合部隊指揮官（JFC）的目標結合起來，通過決定性的海軍交戰來塑造環境。在人工智能的快速認知能力的幫助下，JFMCC將能夠制定并更徹底地分析行動方案（COA）。這些品質對于未來的沖突是必要的。

人工智能必須在戰爭的各個層面進行整體集成，以充分實現其優勢。除了局部的、短期的戰斗，它還需要應用于主要的行動和戰役，涉及整個戰區的數月或數年。在戰爭的戰役（作戰）層面上的實施，放大了為實現戰略目標而進行的有序交戰和同步行動之間的協同作用。除了技術發展之外，行動上的整合將刺激政策和理論的建立，以使作戰人員有意愿使用人工智能。隨著使用人工智能的經驗的增加，其采用率也會增加。為協助海軍作戰計劃而實施的特定人工智能技術可能與那些用于計算射擊方案或在被拒絕的淺灘水域規劃路線的技術不同。然而，在作戰層面的接受度將推動戰術上的使用。

在JFMCC層面，人工智能系統網絡將為決策者提供決定性的優勢，將專注于作戰功能的獨立的人工狹義智能（ANI）單位統一起來將實現最顯著的好處。首先，人工智能解決方案比它們的通用人工智能（AGI）同行更適合于軍事問題的解決。其次，戰爭的性質促使有必要在作戰層面上整合人工智能。最后，雖然有許多方法可以整合，但沿著功能線這樣做會帶來最顯著的好處。不僅在技術意義上吸收人工智能，而且描述其在政策、理論和培訓中的使用，將使海軍能夠充分使用它，并在與我們的戰略競爭對手的競爭中獲得優勢。

如何在海戰領域整合人工智能？

目前人工智能在海上行動中的最佳應用是將復雜的海上行動問題分解成子問題，由人工智能來解決，并組合成COA建議。解決小問題的人工智能需要更少的訓練數據，有更直接的邏輯，并且可以連鎖起來解決更重要的問題。麻省理工學院人工智能實驗室前主任羅德尼-布魯克斯（Rodney Brooks）認為，創建動態環境的符號表示是困難的或不可能的。然而，特定任務的智能體可以利用足夠的傳感器數據智能地行動，更重要的是，可以連貫地互動。通過將簡單的活動連鎖起來，失敗的風險很低，更復雜的問題就可以得到解決。多個簡單的行動可以在低認知層平行運行，并將其輸出結合起來，為更高層次的復雜活動提供支持。這種結構的優點是允許軍事工程師開發和訓練人工智能，以首先解決可操作的問題。對人工智能開發者來說更具挑戰性的功能可以保留只由人類決定的方法，直到他們產生解決這些問題的專業知識。與其等待一個完整的系統，部分系統將提供一個臨時的邊際優勢。

鑒于人工智能可以通過將問題分解成更小的決策來最好地解決問題，問題仍然是如何劃分這些問題。重述作戰任務的一個模式是將它們分成作戰功能：指揮和控制（C2）、通信、情報、火力、運動和機動、保護和維持。這些作戰功能為開展有效行動提供了基礎。它們為一個行動提供了采用手段實現其目的的方法。因此，與決定如何實施這些功能以實現目標的決策者一起使用人工智能是很自然的。

如同應用于海上作戰戰爭，最低層的決策支持系統將由感知環境的活動組成：探測艦艇、飛機和潛艇；燃料水平；天氣；以及其他客觀的戰斗空間數據。通過將外部輸入限制在特定的、低層次的任務上，該系統將最大限度地減少對抗性例子或旨在消極操縱自動系統的數據的風險。中間層將把下層的輸出與作戰目標和因素結合起來，如時間、空間和力量的限制，以提供解決問題的方法和作戰功能。由于上層的對抗性數據注入的威脅較小，這些系統可以使用深度學習。深度學習是機器學習的一個子集，它不像其他形式那樣需要高度格式化的數據，但計算成本會更高，而且容易受到欺騙。深度學習將增加這一層的人類互動，并暴露出更復雜的關系。最高層將把C2流程應用于其他六個業務功能，以產生業務建議。中間層的每個功能人工智能將向其他功能人工智能和最高C2層提供建議。中間層的人工智能對復雜的數據和相鄰單位及C2功能的建議進行理解。

如果將中間層人工智能納入規劃和指導、收集、處理、分析和傳播的情報周期，將促進收集資產的更好分配。判斷對有限的收集資產的請求以滿足行動和戰術信息需求是JFMCC關注的一個問題。在收集計劃期間，人工智能可以使用已知的對手軌跡、地點、個人和組織來定義和優先考慮指定的利益區域（NAI）。在執行過程中，人工智能可以根據優先級驅動收集路線，就像企業用它來規劃送貨路線以減少勞動力、燃料和維護成本一樣。采集計劃者可以通過增加對手監視點的位置和范圍來減少反偵查的風險。在C2層面，指揮官和情報官員可以利用收集成果來證明更多的JFMCC收集資產和COA的修改。這種方法適用于其他功能。

人工智能可以在部隊部署不斷變化和對手存在不確定的環境中改善維持能力。相互沖突的要求使如何使用有限的后勤資產來滿足作戰人員的需求的決策變得復雜。后勤單位較低的生存能力促使人們決定是將它們帶入被對手防御系統拒絕的區域，還是將戰斗飛船引離目標。人工智能可以利用軍事和民用運輸的可用性、預先部署的庫存和供應商的響應能力來制定船舶和飛機需求的解決方案。企業利用人工智能準確預測需求，并分辨出影響運輸和倉儲的采購模式。維持型人工智能可以使用這個過程的一個變種，來計劃在高級后勤支持站點（ALSS）或前方后勤站點（FLS）的材料堆放。它可以決定如何以及何時使用穿梭船和站立船來運送到攻擊組。機器學習將使用燃料、食品和武器庫存、威脅環、戰備水平和維修時間來訓練維持人工智能。維持型人工智能可以提供比人類單獨完成的更有效的量化解決方案，并將其反饋給其他功能區和C2高層。

C2層將對來自下層的決定進行仲裁，并提供一個統一的建議。就像一個軍事組織的指揮官一樣，它將把其副手AI的建議合并起來。人工智能過程的早期階段使用傳感器數據和其他客觀信息來確定指揮官的方向；決定行動方案需要建立對戰斗空間的理解，這是一種更高層次的欣賞。戰斗空間的可變性和模糊性將使這一層的人工智能元素最難開發。最終，該系統將作為一個可信的智能體，壓縮指揮官負責的信息量。壓縮的信息減輕了時間有限的決策者工作時的疑慮負擔，使她能夠向下屬單位發出更及時的命令。

圖1說明了基于這些原則的系統的擬議架構。以對手預測為例，許多單一用途的ANI將在最低層結合原始傳感器和單位報告數據。它將評估敵方單位的最可能位置。公司分析評論、社交媒體和論壇發帖的情緒，以確定產品的滿意度。同樣地，這個系統將通過公開的言論和秘密的報告來確定對手的意圖。它將評估當前和歷史天氣模式，以評估氣候對敵人行動的影響。這三個輸入和其他信息將被功能情報ANI用來形成對敵方COA的評估。同樣，火力節點將使用敵人的組成、JFC的優先級和預測的彈藥可用性來產生目標指導。中間層節點將橫向傳遞他們的評估，以完善鄰近的建議，如部隊保護水平。獨立的功能建議也將直接反饋給C2層，以創建整體行動方案。

圖1. 海上人工智能系統的擬議架構

建議

首先，利用聯合人工智能資源的優勢，針對海軍的具體問題修改標準組件。擅長開發軍事人工智能系統的工程師的稀缺性將限制新系統的開發。美國防部的人工智能戰略具體規定了建立通用的工具、框架和標準，以便進行分散的開發和實驗。使用這些現成的組件，為人工智能決策網的所有子系統創建低級別的系統和標準接口。將海軍的資源集中于采購和實施用于海事具體決策的中層和高層系統。避免技術上令人著迷但無效的解決方案，并通過將職能領域的專家與設計團隊相結合來保持解決海事問題的目標。

第二，創建并維護可通過機器學習攝入的作戰數據數據庫，以訓練海軍人工智能。實施能夠在海上作戰中心（MOC）讀取和集中匯總基本作戰數據報告的技術和工藝，如燃料狀態、導彈裝載量。開發記錄和定性評分作戰決策結果的方法，如對手態勢的變化、傷亡修復率和公眾對行動的反應。將輸入與作戰決策和結果聯系起來的數據庫將加速開發符合現實世界標準的系統。

第三，將人工智能的使用納入政策和條令。條令應該編纂人工智能可以被整合到戰爭戰役層面決策中的領域。明確地說，關于情報、行動、火力、后勤、規劃和通信的海軍作戰出版物應說明人工智能在決策過程中產生優勢的地方和方式。描述海上聯合行動的聯合出版物應明確說明如何將JFC的要求解析為JFMCC的AI系統。如果國防部和海軍的政策對指揮官因整合人工智能的決策建議而產生的責任量進行了定性，那么他們在使用人工智能時就可以采取經過計算的風險。讓指揮官和作戰人員掌握使用人工智能的戰術、技術和程序將加速其在艦隊中的應用。

及時掌握有關作戰情況的信息，對于開展各種規模的軍事行動和人員培訓都是至關重要的。現有軍事指揮和控制系統的復雜程度僅限于可視化，主要使用戰術符號。信息和計算機技術的現狀允許通過應用 "增強現實 "在感知水平上實現質的飛躍。對等的信息技術通過在實時圖像上增加額外的、有意義的圖形和文字信息來增強認知能力。高性能移動設備的飽和和無線數字網絡對軍事活動的有力進入，使得該技術的使用有可能達到戰場上單個戰士的水平。在這篇文章中，作者思考了在執行戰術任務中應用增強現實可視化的特殊性，確定了整合視覺和文本信息的適當方法，提供了一個與增強現實應用的信息交互模型。他們提出了一個專門的移動應用程序的軟件架構，并介紹了其實際實施的結果。

【關鍵詞】增強現實，指揮與控制，移動應用

2018年國防部人工智能戰略將人工智能定義為機器執行通常需要人類智能的任務的能力。戰略和相關計劃包括了全面戰略的一些特點，但不是全部。例如，國防部的9個與人工智能相關的戰略和計劃并不包括與采用人工智能技術相關的資源、投資和風險的完整描述(見圖)。在未來與人工智能相關的戰略中，發布包括綜合戰略的所有特征的指導，可以幫助國防部更好地定位，幫助管理者確保對人工智能的問責和負責任的使用。

國防部已經開始識別并報告其人工智能活動，但其人工智能基線庫存存在局限性，如排除分類活動。國防部官員表示，這些限制將在AI庫存識別過程的后續階段得到解決。然而，國防部還沒有開發一個高層次的計劃或路線圖來捕獲所有的需求和里程碑。該計劃將為國防部提供一個高層次的、端到端對所有必要特征的視圖，以實現該計劃的目標，為國會和國防部決策者提供一個完整、準確的人工智能活動清單。

國防部組織在人工智能活動上進行合作，但可以更充分地納入領先的合作實踐。國防部使用了各種正式和非正式的合作機制，GAO之前的工作已經確定，如跨機構小組。國防部已經部分納入了領先的協作實踐，例如識別領導能力。然而，國防部官員告訴我們，他們正在制定指導方針和協議，明確定義參與人工智能活動的國防部組件的角色和職責。通過最終確定和發布這樣的指南，國防部可以幫助確保所有參與者對整個部門的AI工作的責任和決策達成一致。

人工智能在與人類生活息息相關的場景中自主決策時，正逐漸面臨法律或倫理的問題或風險.可信機器學習是建立安全人工智能系統的核心技術，是人工智能領域的熱門研究方向，而公平性是可信機器學習的重要考量.公平性旨在研究機器學習算法決策對個人或群體不存在因其固有或后天屬性所引起的偏見或偏愛.本文從公平表征、公平建模和公平決策三個角度出發，以典型案例中不公平問題及其危害為驅動，分析數據和算法中造成不公平的潛在原因，建立機器學習中的公平性抽象定義及其分類體系，進一步研究用于消除不公平的機制.可信機器學習中的公平性研究在人工智能多個領域中處于起步階段，如計算機視覺、自然語言處理、推薦系統、多智能體系統和聯邦學習等.建立具備公平決策能力的人工智能算法，是加速推廣人工智能落地的必要條件，且極具理論意義和應用價值.