在沖突發生前預測沖突的能力可以幫助阻止集體暴力的爆發，避免人類痛苦。現有的方法使用統計學和機器學習模型，甚至社會網絡分析技術；然而，它們通常局限于特定區域的長期預測，并且只基于少數語言。從社交媒體中多種或混合語言的信號中理解集體暴力仍然沒有得到充分研究。在這項工作中，我們構建了一個多語種語言模型（MLLM），可以接受社交媒體中任何語言的輸入，這個模型在本質上是語言無關的。這項研究的目的有兩個方面。首先，它旨在從存檔的Twitter數據中收集一個多語言暴力語料庫，使用一套擬議的啟發式方法，說明過去和未來暴力事件周圍的空間-時間特征。其次，它試圖比較傳統機器學習分類器與深度學習MLLMs在預測與過去和未來暴力事件發生有關的消息類別方面的性能。我們的研究結果表明，MLLMs在預測準確性方面大大超過了傳統的ML模型。我們工作的一個主要貢獻是，軍事指揮部現在有了一個工具來評估和學習所有人類語言中的暴力語言。最后，我們公開了數據、代碼和模型。

如今，敵對信息的傳播在互聯網上越來越普遍，尤其是在社交媒體上，這個問題正成為一個全球性的風險。事實證明，"社交媒體的滲透范圍 "對集體暴力的爆發有積極影響（Warren 2015, p. 297），這意味著社交媒體可能為即將發生的暴力信號提供有用的來源。在這篇論文中，我們構建了一個模型，可以接受來自以任何語言編寫的社交媒體信息的輸入，并學習將話語形式與集體暴力事件的時間和地點聯系起來。通過研究以語言無關的方式運作的多語言語言模型（MLLM），我們產生了矢量嵌入，以捕捉更可能出現在暴力事件之前和之后的時期的語義元素。我們的目的是提供一個有用的暴力話語表征，這可能被證明有利于通過社交媒體預測暴力。使用MLLMs的主要動機是它們能夠進行零距離的跨語言遷移學習，在這種情況下，"在一種語言上進行了微調的模型可以應用于其他語言，而不需要任何進一步的訓練"（Tunstall等人，2022，第87頁）。這種能力在社交媒體分析中證明是特別有益的，因為社交媒體分析必須涵蓋廣泛的語言多樣性，以便擴展到全球分析。

我們工作的目的是比較三種MLLMs--LaBSE、smallerLaBSE和XLM-T--的性能，它們被訓練來預測與過去和未來發生的暴力事件有關的消息類別。LaBSE是谷歌開發的一個多語言嵌入模型，它在從維基百科和Common Crawl語料庫（CC）中提取的語料中進行了109種不同語言的預訓練（Feng等人，2020）。Smaller-LaBSE只是LaBSE的一個小版本，參數較少，針對15種語言（Ukjae 2021）。相比之下，XLM-T是一個專門針對100種語言的Twitter數據訓練的MLLM（Barbieri等人，2020）。所有這些模型都可以在Hugging Face Hub上找到，這是一個用于分享自然語言處理（NLP）研究社區開發的模型的開源庫。

我們的實驗結果產生了四個值得注意的發現。第一個發現證實了我們的假設，即推文中的暴力前信號在未來暴力事件發生的地點附近更強。隨機森林（RF）分類器的標簽式接收器操作特征（ROC）圖顯示，接收器操作特征曲線（ROC）--ROC曲線下的面積（AUC）得分隨著空間距離的增加而減少，這表明集體暴力信號的存在在暴力事件發生地附近更強。第二個發現是，在我們的基準中使用的七個不同指標中，集合多標簽分類器是表現最好的傳統機器學習（ML）模型。此外，使用問題轉換方法訓練的合集模型不僅比它們的問題適應性更好，而且計算速度也更快。同樣，從XLM-T中提取的特征比LaBSE和更小的LaBSE產生更好的性能。因此，表現最好的傳統ML算法是在XLM-T特征上訓練的隨機森林（RF），ROC-AUC分數為0.6028。

第三個發現表明，當前饋分類器在較小的LaBSE、LaBSE和XLM-T的基礎上進行訓練時，它們在ROC-AUC得分方面產生了相似的表現，每個得分大約為0.73。在內存占用方面，由于較小的詞匯量和較少的可訓練參數，smaller-LaBSE是表現最好的模型。最后，第四個發現，也就是前兩個發現，深度學習MLLMs比傳統ML模型的表現要好得多，通過ROC-AUC分數顯示，樣本外的預測準確性要高13%。這最后一個證據表明，在預測哪些形式的話語與集體暴力關系最密切方面，深度學習MLLMs比傳統ML模型表現更好。

我們的結果表明，社交媒體內容和過去的集體暴力事件之間存在著預測關系，無論對話中使用的是什么語言。我們認為，我們的研究可以作為軍隊中有用的決策輔助工具，在戰爭的作戰和戰略層面上預測全球范圍內的暴力。我們工作的一個主要貢獻是，軍事指揮部現在有一個工具來評估和學習所有人類語言中的暴力語言，從而減少社交媒體中敵對信息運動的負面影響。最后，我們將代碼、數據和模型公開在//huggingface.co/m2im/，希望這能幫助研究界推進其在沖突預測方面的努力，此外還能使我們的作戰人員將該模型作為一種工具來加強對信息環境的理解。

在當代戰爭中，數據科學對于軍隊實現信息優勢至關重要。在這項研究中，通過綜合的、半系統的文獻綜述，對158篇同行評議的文章進行了分析，以獲得對該主題的概述。該研究考察了文獻在多大程度上關注數據科學在軍事決策中的機會或風險，并按戰爭級別（即戰略、戰役和戰術級別）進行區分。

在社會科學文獻中觀察到對數據科學風險的關注相對較多，這意味著政治和軍事決策者受到對數據科學軍事應用的悲觀看法的影響過大。然而，在正式科學文獻中，幾乎沒有涉及到數據科學的感知風險。這意味著對數據科學軍事應用的擔憂并不是針對能夠實際開發和增強數據科學模型和算法的受眾。對軍事數據科學的機會和風險的跨學科研究可以解決觀察到的研究差距。

考慮到戰爭的級別，與其他兩個級別相比，觀察到對戰役級別的關注相對較少，這可以說是一個研究空白。軍事數據科學的機會大多出現在戰術層面。相反，對戰略問題的研究大多強調了軍事數據科學的風險。因此，對軍事戰略數據科學應用的特定領域要求幾乎沒有表達。在當今的戰爭中，缺乏這樣的應用可能最終導致次優的戰略決策。

1 引言

如今，數據科學和相關概念吸引了大眾的關注。然而，分析數據以支持決策并不新鮮。考慮一下歷史文明中著名的人口普查的例子，可以追溯到巴比倫帝國（公元前4000年）。巴比倫人利用人口普查來調節糧食庫存，以確保整個人口有足夠的食物[1]。然而，相對較新的是捕捉一切事物和每個人的數據的傳感器的數量，產生的數據量不斷增加。結合計算能力的急劇增加，這為廣泛的行業帶來了分析的機會，例如癌癥研究[2]、金融[3]和公共服務[4]。對軍隊來說也是如此。除了這些機會之外，決策者也面臨著由于數據量不斷增加而帶來的挑戰。僅舉幾個例子。如何在決策過程中整合所有相關數據？我們使用哪些算法，為什么？我們是否被允許將所有可用的數據用于所有目的？然而，在競爭環境中，主要的挑戰和決定勝負的因素之一可能是比競爭對手更快地處理更可靠和詳細的數據的能力。在商業上，這相當于贏得或失去金錢或市場份額；在政治上，這可能最終導致地方或全球范圍的權力轉移。因此，軍隊--作為政治的工具--必須努力爭取權威的信息地位，這一點也得到了政策制定者的認可，例如[5]，[6]。

為了實現這種信息優勢，有必要處理所謂的戰爭迷霧，即與戰爭密不可分的不確定性。在當代信息環境中，數據科學對實現這一地位至關重要。換句話說，數據科學既是利用大數據機會的前提，也是回答那大量數據帶來的挑戰的前提。

隨后，關于戰爭行為中的信息優勢有大量的研究，例如[7]、[8]、[9]、[10]。有關軍事決策中的數據科學的研究大多集中在軍事行動的戰術層面上的數據科學機會，例如[11]、[12]、[13]，而關于軍事戰略決策中的數據科學的研究卻很少。那些針對戰略層面的研究主要關注算法決策的風險而不是機會，例如[14]、[15]、[16]。據我們所知，目前還沒有關于數據科學在各級軍事決策中的機會和風險的廣泛文獻調查。為彌補這一空白，我們重點關注以下研究問題：

• 問題1：關于軍事決策中的數據科學的學術文獻在多大程度上集中于機會或風險？

• 問題2：這種關注點是否因研究集中的戰爭級別而不同？如果是的話，這意味著什么？

• 問題3：在安全研究學科之外，有哪些關于數據科學的研究可以在理論上加強軍事決策？

我們對數據科學在軍事決策中的作用進行了綜合的、半系統的文獻回顧，對目前關于這一主題的研究進行了嚴格的評估，并確定了未來研究的差距。在社會科學文獻中，我們發現人們對數據科學在軍事上的效用持相對悲觀的態度，在戰略層面的懷疑程度最高。因此，我們建議加強對軍事數據科學的跨學科研究。

本研究的主要貢獻是對有關在軍事決策中使用數據科學的知識體系進行了廣泛評估。此外，還指出了一些未來研究的機會。除了豐富學術討論外，這也有助于改善實踐中的軍事戰略決策。

本文的其余部分結構如下。為了把我們的研究放在一個更廣泛的角度，第2節概述了先前關于軍事決策中的數據科學的研究，我們還提供了數據科學的定義和軍事決策發生的戰爭級別。第3節描述了研究方法，解釋了為本文獻綜述尋找相關文章的過程，我們在第4節介紹并討論了我們的主要發現。在結論部分，我們概述了本文獻綜述的理論和實踐意義，以及我們研究的局限性。

結論

為了在信息時代保持競爭優勢，軍隊必須利用數據和計算能力來獲得權威的信息地位[5]。然而，數據科學在軍事決策中的應用還沒有得到充分的發揮。我們對軍事決策中的數據科學進行了綜合的、半系統的學術文獻回顧，以獲得對該主題的概述，并對其進行批判性評估。此外，我們還分析了文獻在多大程度上關注了數據科學的機會或風險，以及這與研究集中在的戰爭層面有什么關系。我們在文獻回顧中包括了158篇文章。在這個結論部分，我們概述了我們研究的理論和實踐意義以及局限性。

5.1 理論和實踐意義

首先，社會科學文獻顯示出對數據科學風險的相對關注。由于我們假設對軍事決策感興趣的政策制定者很可能主要是由社會科學文獻提供信息，這意味著政治和軍事政策制定者受到對數據科學在軍事領域應用的悲觀看法的影響過大。

同時，在正式的科學文獻中，幾乎沒有涉及數據科學的感知風險。這意味著對數據科學在軍事上的應用的擔憂并沒有針對那些能夠實際開發和加強數據科學模型和算法的受眾。這表明，這些模型的進一步發展不會適合所有具體的軍事決策需求。我們相信，對軍事數據科學的機會和風險的跨學科研究可以解決所觀察到的研究差距。

當我們放大軍事決策時，我們觀察到與其他兩個層面相比，戰爭的操作層面的關注度相對較低，這表明在軍事操作數據科學方面存在研究空白。

軍事數據科學的機會大多出現在戰術層面。相反，強調軍事數據科學風險的研究往往主要集中在戰略層面，其中核威懾最引人關注。因此，軍事戰略數據科學應用的特定領域要求幾乎沒有被表達。在當代信息環境中，缺乏軍事戰略數據科學可能會導致次優的戰略決策。這本身就是一個道德問題。因此，進一步研究軍事戰略數據科學的機會對軍隊來說是非常有價值的。

我們為這種未來的工作提供了一些建議，主要來自非軍事文獻，再次強調了跨學科研究在加強軍事決策方面的價值。數據科學可以改善這種決策。顯然，這并不是說數據科學應該在決策過程中完全取代人類，但我們至少應該探索各種可能性，為決策提供最佳參考。

對軍事數據科學的進一步研究（特別是在戰略和行動層面）不僅是學術責任。我們同意梅茨的觀點，這也需要培養未來的戰略領導力，注重創業精神[61]。畢竟，只有當數學、計算機科學和商業知識齊頭并進的時候，數據科學才會成功。而后者又取決于商業領袖如何設想他們的未來。

5.2 局限性

首先，由于我們在廣泛的領域中進行了跨學科的文獻回顧，不可能選擇所有的相關文獻。因此，我們對與各學科相關的期刊進行了初選。鑒于現有期刊的總數，這種選擇本身可能會影響我們研究的有效性。為了盡量減少這種影響，我們又進行了一次電子搜索，如我們的方法論部分所述。

第二，我們只審查了學術文獻。未來的研究可能會受益于包括關于數據科學在軍事決策中的應用的非學術來源。

總而言之，盡管對某些文章是否強調數據科學的風險或機會的分類可能被認為是未定的，但我們相信，仔細閱讀最后一組論文的結果與所提出的評估類似。

本出版物是 "北約決策：大數據時代的承諾和危險"會議的成果，由北約盟軍指揮部轉型（ACT）、博洛尼亞大學和羅馬的國際事務研究所（IAI）組織。該會議于2020年11月17日在線舉行，是三個機構之間長期合作的一部分，它代表了ACT學術會議系列的第七次迭代。

執行總結

數字革命大大改變了我們生活的世界，提供了巨大的機會，但也使社會更加脆弱。技術使外部干擾更便宜、更快速、更全面：公民有可能成為信息戰的直接目標，一個社會的所有成員都可能以這種或那種方式成為沖突的一部分。從先進的武器裝備到指揮和控制，大多數與安全有關的領域都在經歷著深刻的變革，因為數據的可用性和傳輸量成倍增加。在這一背景下，本出版物探討了展望聯盟發展的三個相互關聯的方面：大數據和北約的組織挑戰；對盟國決策的混合威脅；人工智能在國防領域的采用和北約的作用。

大數據和北約的組織挑戰。將決策建立在比以前更多的信息基礎上，可能會導致復雜組織決策過程的真正革命，特別是因為這些信息將涉及現實的不同層面，而且會不斷地更新。除了巨大的信息量，大數據的另一個決定性因素是數據產生和處理的高速性。此外，這些數據通常會從不同的來源獲得，其可信度必須被仔細評估。最后，任何數據在決策過程的不同階段都可能具有不同的價值。所有這些特征都對那些旨在利用大數據減少其作戰中的不確定性的組織提出了具體要求。例如，巨大的數據量迫使人們獲得新的數據存儲技術，而高速度要求新的處理工具，可變的可信度和價值迫使組織制定新的分析方法。因此，任何尋求利用大數據的行為者都應該有明確的目標和定義明確的戰略，以劃定和實施其具體目標。

大數據的一個關鍵問題是為決策者提供與他們的目的真正相關的數據，而不僅僅是有趣。首席數據官和與數據相關的高級領導職位將在信息分析和實際決策過程中獲得至關重要的地位，但這些職位需要特殊的人才和工具組合，而這些人才和工具目前在許多大型組織中是稀缺的，尤其是在公共部門，在軍事部門更是如此。

另一個關鍵問題是，在工作中引入大數據分析的組織的決策過程中，正在出現集中化和分散化之間的矛盾。矛盾的是，雖然大數據應該促進廣泛的責任和戰術意識，但目前先進的數字化似乎與大型組織中明顯的向心力有關。這種向心力導致了低層人員的非責任化和選擇實踐的逐漸喪失。因此，在聯盟的決策中整合大數據是明智之舉，有利于分散所有權，并根據組織中不同部門的特點，為其設計不同的工具。此外，建立精心設計的、可靠的評估程序，以衡量組織創新和新決策過程執行的有效性，也會有所幫助。特別是，確定最初的失敗是特別重要的，以便從中吸取教訓，避免結構性問題。

對盟國決策的混合威脅。混合威脅是一個廣泛的類別，包括各種行為者、行動和目標。就行為者而言，由于其實際能力、意圖和最近的記錄，俄羅斯等大國可以被確定為最主要的威脅。

關于行動，信息在幾個方面是關鍵。它指的是大數據和人工智能，因為后者需要使用算法來學習前者，以期利用目標的漏洞。數字連接是用于在信息領域實施混合威脅的基本基礎設施。西方社會依賴虛擬世界的平臺，這些平臺可以成為潛在攻擊者的目標。由于全球網絡藐視邊界并限制國家管轄權，它們更難防御，并允許潛在的攻擊者在檢測和歸因的門檻下采取行動。混合威脅還得益于信息的空前速度和范圍。這在原則上并不新鮮，但它已經達到了改變游戲規則的水平。一方面，對北約及其成員國來說，管理這種大規模的信息流實在是令人望而卻步；另一方面，高速流通轉化為更快的行動節奏。

混合威脅可能針對各種目標，但特別令人擔憂的是可能導致社會分化、精英分歧和對外國行為體的偏見的進攻性行動。這些行動有可能影響不同層面的決策，甚至破壞民主國家的機構。因此，這些混合型威脅可能會破壞盟國的決策過程，反過來也會破壞北約的決策過程。決策者在制定應對混合威脅的措施時，尤其面臨著三個主要問題：

1）如何以非升級性的方式進行回應？由于混合型攻擊利用灰色地帶來制造模糊性，包括通過操縱檢測門檻和給予合理的推諉，決策者面臨著過度反應的風險。

2）如何民主應對？潛在的攻擊者可能會嚴重損害民主制度的決策過程，例如對遵守國內法和國際法施加壓力。

3）如何獲得公眾支持？由于混合型威脅通常被掩蓋或難以歸因，政策制定者還必須說服公眾輿論，使其相信威脅的存在。

人工智能在國防領域的應用和北約的作用。在討論人工智能對盟國軍隊和聯盟意味著什么時，應該解決一個基本問題：人工智能是一場技術革命還是技術演進的實例？不同的證據可以支持這兩種解釋。從政治角度來看，盟國可能很難迅速適應一場快速的技術革命。北約的方法，由于其程序的特點是共識，將不得不更加進化、細化和細微。無論如何，在未來不太可能看到人工智能為北大西洋理事會（NAC）或核規劃小組（NPG）做決定。這其中有心理、文化、組織、政治以及技術方面的原因。通往人工智能的旅程可能是相當麻煩的。例如，敏捷軟件開發能夠開發出優秀的軟件，但同時也需要不同的程序、組織結構和流程，涉及到組織的身份、使命和文化。

另一個熱點問題是關于人工智能的公私伙伴關系。這是美國和中國之間人工智能競賽的關鍵--可能會導致盟國相對于中國的劣勢--以及北約與從事人工智能和大數據的主要民用公司之間的關系。在盟國采用人工智能技術方面，還有一個根本性的需要，即確保在分散的情況下的互操作性。北約在歷史上一直是標準化進程中的一個重要角色，在這種情況下也可以這樣做。在這種情況下，可能需要一些創造性：例如，北約是否應該像提供空域管理或地面監視一樣提供云計算服務，即賦能者？聯盟是否可以像綜合防空和導彈防御那樣，設想對國家擁有的人工智能資產進行整合？這些都是重要的問題，然而，這些問題突出了一個事實，即國防是一個主權問題，大多數決定是由國家政府作出的，而不是由北約本身作出的。

聯盟可以在人工智能領域發揮突出作用。例如，北約可以建立一個人工智能冠軍，幫助盟國理解、采用和整合人工智能。這種冠軍可以從小型項目開始，旨在驗證解決方案的有效性，然后它可以幫助盟國進行培訓。這方面的一個關鍵、相關問題是教育和培訓。同樣，戰爭游戲、模擬和實驗的重要性也會增加，北約在這方面可以發揮作用，因為它是召集盟國軍事和政治機構的獨特途徑。

新興的數字孿生概念是任何為未來準備的實體建模和仿真需求的關鍵促成因素。與傳統方法相比，數字孿生通過增強模塊化和可擴展性，能夠以更低的成本將需求快速轉化為能力。本文討論了數字孿生建模和仿真的要素。這些能力包括但不限于智能體建模、優化、并行化、高性能計算、云架構設計等。這些概念與將建模和仿真技術整合到單一界面的數字孿生中有關，用于工程系統的快速原型設計和鑒定。與傳統方法相比，使用這些新興技術可以大大減少模擬計算時間（從幾小時/幾天減少到幾秒鐘甚至幾微秒）。本研究發現，與所有利益相關者合作的便利性、測試時間的減少、最小的現場基礎設施要求是減少成本的關鍵優勢。分析了這種智能和在線數字孿生的信息優勢的適用性，以加強網絡安全和天基（防御）服務的機載威脅評估。使用這些同步和互操作的能力可以減輕對國防空間基礎設施的可逆和不可逆的物理和網絡威脅。

在國防中使用數字孿生的信息優勢

在情報、國防或空間部門使用技術，盡管還不是很廣泛，但由于對系統的快速、可擴展、自主和智能的需求，正在獲得巨大的發展勢頭。與此同時，由于空間的擴散、商業化和競爭加劇，國防對空間部門的依賴也變得更加強烈。美國國防情報局的一份題為 "空間安全的挑戰"[35]的報告指出，基于空間的能力正在出現，為軍事提供整體支持，因此需要確保這些新型服務產生的新風險。空間的軍事化和碰撞風險的增加，以及其他人為的和自然的危害，使得有必要通過使用像DTs這樣的先進技術來減輕風險。衛星技術不僅促進空間系統的故障診斷和健康監測[36]，而且還通過快速和有效地使用數據實現網絡安全[37]。使用這些同步和互操作的能力可以減輕對國防空間基礎設施的可逆和不可逆的物理和網絡威脅。

DT也大大加強了對天基（防御）服務的機載威脅評估[38]。空間資產的連接和安全服務，DT技術能夠提供的好處不僅僅是操作上的好處。例如，整個衛星群及其環境的數字孿生使威脅評估成為可能，因為可以模擬碰撞情景，并預測、預防和糾正單個衛星的故障。它還可以幫助檢測干擾和共址，以防止軍事威脅，并使整個系統更具彈性。因此，DT有助于保護空間資產免受各種類型的威脅。

5.1 目前使用案例

5.1.1 硬件在環仿真

SpaceR-SnT擁有的最初的數字孿生方法，Zero-G Lab是在Gazebo軟件中建模的。Zero-G實驗室的數字孿生，減少了測試時間，加快了開發步驟，被用來測試和驗證集成到Zero-G實驗室機器人操作系統（ROS）網絡的任何硬件（HW）組件的代碼。最初的硬件在環（HIL）方法被用來模擬不同的硬件組件，作為Zero-G實驗室的ROS網絡中的數學模型。這些模擬作為模擬的HW組件和Zero-G Lab之間的接口。對于Zero-G實驗室的浮動平臺和機器人操縱器，ROS基礎設施被用來在HW和軟件組件之間創建一個元數據流框架。此外，零-G實驗室的浮動平臺和機器人操縱器可以在零-G實驗室的同一個ROS網絡中使用。這樣的軟硬件互動模擬是實現國防部門敏捷DT系統的最初步驟。

5.1.2 衛星地面站的運行

孿生孿生之外，擁有一個與軌道上的衛星的彈性和快速連接也幾乎是重要的。這包括對數據存儲的快速和安全訪問。在過去，這涉及大量的操作努力以及一些深刻的技術理解。如今，有一些由云驅動的替代解決方案--如Azure Orbital[39]--使衛星地面站更容易訪問，以及將這些數據集傳送到安全的存儲地點并從那里真正使用的周轉時間。這些解決方案還將消費者從一些操作任務中解脫出來，而不犧牲安全、性能或技術的多樣性，因為地面站即服務的產品支持廣泛的行業已知技術，但以虛擬化的方式。使用像這樣的云計算解決方案還提供了一個機會，通過管理一個界面來利用地球上的幾個地面站供應商，與每個供應商的專門合同相比，這反過來提供了一個巨大的操作多樣性和敏捷性，并降低了成本。

另一個重要的用例是傳統衛星的生命周期擴展，這些衛星仍處于運行模式，但像數字孿生這樣的新能力應該擴展到該解決方案。國家海洋局通過合作研究與發展協議對其傳統的極地衛星進行了這方面的實踐[40]。這項工作提供了證據，即使用像Azure Orbital這樣的云計算服務，這些傳統的星座仍然可以用可接受的操作努力和較低的成本來運行。這使得該項目更具有可持續性，即使它已接近壽命終點。

從 NOAA 星座中學習生命周期支持主題。還有一個有遠見的成就值得一提，它使澳大利亞國防部通過在偏遠地區利用衛星支持的連接安全地訪問云存儲數據。"通過釋放SATCOM、5G和云計算的力量，國防組織可以在偏遠地區保持連接，快速、安全地分享數據以提高戰略意識，并對數據進行深入分析以改善決策[41]"。

這可能會導致提供實時的預測性維護指導，在解決方案的數字孿生中可視化。與沉浸式協作平臺相結合，就像之前提到的那樣，這些數據可視化可以提供真正的洞察力，避免誤解，從而推動更好的數據驅動決策。

5.2 未來應用

為了在高度不確定和未建模的環境條件下成功完成防御任務，必須開發高度適應性、響應式和穩健的數字孿生方法。這種極其不確定和多變的物理環境可以在數字孿生環境中建模，以增加任務的成功可能性。從這個角度來看，數字孿生結構有如下的未來應用領域：

• 國防領域的數字孿生結構將有機會在不斷增長的空間市場中提高其有效性，并與這些市場的不同參與者建立聯系。

• 國防領域的數字孿生結構將能夠在概念開發階段利用接近真實的測試環境在低成本工程系統的新細分市場中更快地定位。

• 與北約未來幾十年的空間政策保持一致，使北約的空間生態系統能夠與大規模的空間市場競爭。

為未來的應用提供了創新的資產：

• 大的集成范圍。在證明了數字孿生的可靠性后，數字孿生框架將有可能擴展到任何空間/防御應用[42]。

• 高競爭力。數字孿生的擬議整合將加速其工業生態系統中的先進技術研發競爭。

• 廣泛的可擴展性。由機構、組織和私人倡議開發的許多不同的空間系統系統將被整合到數字孿生結構。

摘要

航空仿真環境（葡萄牙語為Ambiente de Simula??o Aeroespacial - ASA）是一個定制的面向對象的仿真框架，主要用C++開發，能夠對軍事作戰場景進行建模和仿真，以支持巴西空軍在航空航天方面的戰術和程序開發。這項工作描述了ASA框架，帶來了其管理多個仿真機的分布式架構、用于后處理仿真數據的數據分析平臺、在仿真運行時加載模型的能力，以及同時進行多個獨立執行的批處理模式執行平臺。此外，我們還介紹了最近在空戰背景下使用ASA框架作為仿真工具的工作清單。

關鍵詞：仿真環境，分布式仿真，數據分析，軍事，作戰場景

1 引言

高級研究所（IEAv）是巴西空軍（For?a Aérea Brasileira - FAB，葡萄牙語）的一個研究組織，自2018年以來，開發了航空航天仿真環境（Ambiente de Simula??o Aeroespacial - ASA，葡萄牙語），以提供一個計算解決方案，實現作戰場景的建模和仿真，允許用戶建立戰略、參數和指揮決策，支持在航空航天背景下為國防目的制定戰術、技術和程序。

現代戰場場景的特點給建立實際的戰斗仿真帶來了新的挑戰，需要更多的綜合和靈活的解決方案，不僅要解決技術問題，還要解決組織問題[10]。仿真、集成和建模高級框架（AFSIM）是一個正在開發的框架的例子，以解決其中的一些挑戰[1]；然而，它只限于少數美國合作伙伴。在這種情況下，ASA環境被設想為同時足以支持FAB的戰略規劃，滿足作戰分析的需要，并允許開發和評估新技術以加強軍事研究，將自己定位為一個靈活的解決方案，可以根據用戶需求進行調整。這種靈活性是針對客戶的不同特點，這導致了廣泛的要求，而這些要求僅靠商業現成的（COTS）仿真軟件是無法滿足的。由于開發一個全新的解決方案并不高效，ASA團隊決定研究公開可用的工具，旨在將它們整合到一個靈活、可訪問和可擴展的環境中。

擬議的解決方案使用混合現實仿真平臺（MIXR）[11]作為其仿真引擎，這是一個開源的軟件項目，旨在支持開發強大的、可擴展的、虛擬的、建設性的、獨立的和分布式的仿真應用。ASA擴展了MIXR的可能性，增加了額外的元素，創造了一個環境來優化開發者和分析者的任務。我們創建了一個管理器應用程序，作為多種資源之間的接口，作為一個樞紐來運行、存儲和分析眾多計算機上的各種仿真。此外，這個應用程序允許同時創建大量的仿真，只需根據分析員的需要改變初始條件。同時，模型和工具可以在運行時動態加載，以增加靈活性。所有仿真數據都存儲在一個專門的數據庫中，這加快了數據收集過程，促進了更強大的統計分析。此外，考慮到結果的復雜性和ASA用戶的不同技術知識，我們在系統中整合了一個專門的數據分析平臺，不僅用于規劃或可視化目的，還用于對情景產生的數據進行后期處理。

因此，這項工作的主要貢獻是為軍事目的的航空航天背景下的建模和仿真引入了一個新的環境，包含：一個管理多個仿真機的分布式架構；一個用于后處理仿真數據的增強型軍事作戰場景數據分析平臺；一個在仿真運行時加載模型的能力；一個使用不同初始參數進行多次執行的批處理模式執行。此外，我們介紹了最近使用ASA平臺作為空戰領域解決問題的仿真工具的工作清單。

本文的其余部分組織如下。第2節介紹了ASA的架構。在第3節中，我們帶來了一些使用ASA作為仿真工具的研究，這些研究與空戰分析有關，作為這個仿真框架的應用實例。最后，第4節陳述了關于ASA當前狀態的結論，并為未來的工作帶來一些想法。

摘要

軍事決策在不同的領域--陸地、海洋、空中、太空和網絡--以及不同的組織層面--戰略、作戰、戰術和技術上發揮著關鍵作用。建模和仿真被認為是支持軍事決策的一個重要工具，例如，生成和評估潛在的行動方案。為了成功地應用和接受這些技術，人們需要考慮到整個決策 "系統"，包括決策過程和做出決策的指揮官或操作員。

人工智能技術可以以各種方式改善這個決策系統。例如，人工智能技術被用來從（大）數據流中提取觀察結果，自動建立（物理/人類/信息）地形模型，產生對未來事件和行動方案的預測，分析這些預測，向人類決策者解釋結果，并建立人類決策者的用戶模型。

對于所有這些應用，人工智能技術可以在不同的情況下被使用，并且已經開始被使用，因此有不同的要求。在本文中，我們概述了人工智能技術和模擬在決策"系統"中的不同作用，目的是在我們的社區中促進對人工智能的綜合看法，并為用于軍事決策的各種人工智能研發奠定基礎。

1.0 引言

軍事決策有多種形式。它發生在不同的領域--陸地、海洋、空中、太空、網絡--以及不同的組織層次[7]。例如，在戰略層面上，決策是否以及何時在一個特定的作戰區域內開始一項軍事任務。在作戰層面上，聯合部隊指揮官決定為某項行動分配哪些軍事要素，并指定在具體行動中尋求的預期效果。在戰術層面上，例如，海上任務組的反空戰指揮官決定由哪艘護衛艦來應對來襲的威脅。最后，在技術層面上，要決定在什么范圍內使用什么武器來消滅對手。

建模和仿真被認為是支持這些現場決策過程的一個重要工具（例如，見[3]的清單）。它提供了一種理解復雜環境和評估潛在行動方案有效性的手段，而不必使用現場測試。因此，借助于建模和模擬可以更安全、更便宜、更快速，而且可以更容易地測試不同的操作方式。此外，對于戰場上的軍事行動來說，廣泛地試驗軍事行動應該如何進行，甚至可能在道德上不負責任。因為，在指揮官可以決定不繼續按照同樣的戰術行動之前，就已經產生了意想不到的效果。

現代建模和仿真經常得到人工智能（AI）技術的支持。例如，用于仿真單個節點、組織和社會行為模型（見一些背景資料[13][4]），以獲得對對手合理和可能行為的洞察力。在這種行為洞察力的基礎上，可以為許多決策層面的軍事行動設計提供智能分析和決策支持。此外，人工智能技術被用來構建這些模型，與這些模型互動，并迅速分析大量的模擬結果數據。這里的技術進步非常多，例如，使用機器學習來構建更真實的行為模型[11]，改善人機協作[5]，對大量的模擬數據進行理解[10]。然而，人工智能技術只有在對決策者有用的情況下才能也應該被用于軍事決策。這意味著，只有在決策質量提高或決策過程變得更容易的情況下，才應將人工智能技術（在建模和仿真中）整合起來。

成功應用和接受用于決策支持的模擬仿真--可能建立在人工智能技術之上--取決于與主要軍事決策過程的互動和不斷學習（[1]）。決策者和分析員應該知道如何提出正確的輸入問題，以便通過建模和仿真來回答。然后，這些問題應該通過建模和仿真研究轉化為正確的輸出答案。因此，在各種互補的人工智能技術的支持下，應該對軍事決策過程和軍事模擬之間的互動有一個廣泛、全面的看法，并服從不同的功能要求。在本文中，我們概述了由人工智能技術支持的軍事仿真在決策"系統"中的不同作用，目的是在我們的社區內促進對人工智能的綜合看法，并為軍事決策的各種人工智能研發奠定基礎。

2.0 基于仿真的軍事決策

如引言所述，決策發生在不同的領域和不同的組織層面。在這里，我們提出了一個決策系統的示意圖，以提供一個關于如何通過仿真來支持決策的一般見解。這一觀點（圖1）來自于對多個決策過程的分析，如聯合定位[5]、作戰計劃[7]、海上反空戰[1]，并與著名的OODA環[8]相結合。該觀點中的元素解釋如下。

圖1：由建模和仿真支持的軍事決策周期的系統觀點。

觀察：OODA循環的第一步是觀察，從廣義上講，就是觀察現實世界中正在發展和出現的事件和情況。觀察包括，例如，來自傳感器的（原始）數據，包括我們自己的眼睛和耳朵，以及來自報告、報紙和社會媒體的符號數據。還收集了來自高層指揮和控制實體的指導意見。這些數據由分析員處理，對鏡頭中的個體進行命名，計算某些Twitter標簽的出現次數，驗證某個事件是否真的發生，等等。根據[9]，這可以被稱為情境意識的第一級：對當前情況下的元素的感知。

世界模型：在OODA環的觀察步驟中，已經開始了構建世界模型的過程，無論是隱性的還是顯性的。符合軍事決策觀點的世界模型的另一個名稱是共同行動圖。所有相關的概念都在世界模型中得到體現，包括不確定因素和假設。請注意，世界模型可以被仿真，即個體、平臺、團體或社會的行為可以隨著時間的推移而被預測，即使是在用戶的頭腦中隱含完成。

定位：在OODA循環的第二步，分析者使用他的專業知識，對觀察結果進行推理，形成假設，例如對手的意圖。通過這樣做，實現了對真實世界的深入理解[12]，這反映在世界模型中（仍然是顯性或隱性的）。在態勢感知方面，這被稱為第2級（對當前形勢的理解）和態勢感知能力第3級（對未來狀態的預測）。在任何時候，推理的結果可能是世界模型結構是不充分的，例如，現實世界的一個方面被認為是不相關的，但最后發現是相關的。因此，世界模型需要被更新。

決定：決策者，可能是與分析員相同的人，將根據對現實世界的理解，考慮如何采取行動的選項。世界模型的預測能力被用來演繹各種情景，讓人了解什么是理想的行動方案，什么不是，或者讓人了解空間和/或時間上的關鍵點，這樣就可以對這些關鍵點給予額外考慮。當然，如果世界模型是隱含的，這都是決策者的精神努力。此外，對于感興趣的現實世界系統的預測行為，可以得出的結論的精確性和/或確定性有很大不同：從精確的路線，到可能的戰略和理論的廣泛指示。

行動：在OODA-環的這一步，行動被執行。這些行動發生在真實世界中，然后一個新的OODA-環開始觀察是否需要重新考慮已經做出的決定。另一個行動可以是向 "較低層次"的決策過程下達命令，例如，讓下屬單位計劃和執行他們所得到的任務。這就是不同組織層次的決策過程的互動方式。還要注意的是，盡管每個組織層面的世界模型都與真實世界相聯系，但這些世界模型的結構（即被認為是相關的）可能是不同的。

從概念上講，在上述的決策過程中引入模擬（實際上首先是建模的巨大努力）是很直接的。在第一步和第二步中，建立了世界相關部分的模型，在以后的時間里，它被用來評估許多不同的情景，分析由此產生的結果，并根據其結論做出決定。正如后面將顯示的那樣，人工智能技術的作用與建模和模擬的使用有很大關系。

雖然從概念上來說，納入仿真模擬和人工智能技術是很簡單的，但為了給行動提供真正的附加值，它需要被嵌入到具體的決策過程中。而每個決策過程都是不同的，有不同的時間限制，不同的行動者，在不同的操作環境中。這將對開發使用的解決方案，包括人工智能技術，提出不同的功能要求。此外，根據具體的作戰決策環境，應用人工智能技術的附加值（或缺乏附加值）將是不同的。在下一節中，我們將對一個具體的案例進行進一步的探索，盡管肯定不是詳盡的努力，以允許對這種系統在這個過程中可能具有的不同角色進行更通用的識別。

3.0 案例研究：聯合目標定位周期

本節提供了一個關于如何利用仿真和人工智能技術來支持作戰層面上的（蓄意）聯合目標定位決策的案例研究。對于每個想法，都有以下描述：被加強的行為者（決策者）和/或產品，人工智能如何提供支持，以及使用這種形式的支持的附加值是什么。請注意，這個案例研究的目的是為了更好地了解人工智能技術應用的廣度，因此，目標不是完全涵蓋所有的可能性，也不是過于詳細。這種類型的案例研究已經確保了可以得出初步的功能要求，人工智能技術和智能建模與仿真應該應用于此。

圖2顯示了北約盟國聯合出版物3.9中的聯合瞄準決策周期，其中強調了五個想法。

圖2--來自北約盟國聯合出版物3.9的聯合目標定位周期，JFC=聯合部隊指揮官，JTCB=聯合瞄準協調委員會，JTL=聯合瞄準清單，TNL=目標

想法1--基于AI的目標系統分析的所有來源分析。第一個想法是支持目標小組的成員在聯合目標定位周期的第二階段參與目標系統分析，進行目標開發。例如，假設從第一階段開始，就打算通過瞄準對手的石油生產來擾亂其資金能力。在第二階段，分析人員將研究石油生產的目標系統，以確定油井、煉油廠、管道、重要的道路，也許還有相關的關鍵人物，等等，基于他們擁有的所有來源（圖像、信號情報、人類情報，等等）。

人工智能技術可以協助人類分析員建立 "目標系統模型"，即通過采用模式識別算法來處理大量的所有來源的信息，通過使用推理算法將信息碎片組合成一個結構化和連貫的整體。分析傳入信息的算法可能--經過增量的人工智能驅動的創新--也能夠識別尚未反映在目標系統模型中的新概念，然后可以自動添加到模型中。另一種可能性是創建一個 "虛擬分析師"（見圖3），通過不斷挑戰假設、假說和人類偏見來協助人類分析師，這需要額外的用戶建模和可解釋的AI技術。

圖3：人類和虛擬分析員，一起解釋數據，推理信息和知識，以建立一個目標系統模型。

這個想法的潛在附加值首先體現在完整性上，更多的目標可以呈現給人類分析員--它仍然可以為交叉檢查的目的做最后一步的目標審查。因為所有來源的情報都被整合到目標識別決策中，所以可以得出更具體的目標信息。識別算法經過訓練后，與基于人眼從數據中識別目標時相比，可以更快更及時地進行識別。最后，該算法可以明確地轉向識別不同類型的目標，這些目標可能并不都在人類分析員的經驗或觀察能力范圍內。

想法2--通過算法識別來自目標系統分析的優先目標。第二個想法是支持從一個給定的目標系統分析中識別優先目標。這有助于目標支持小組成員得出一個聯合的優先目標清單，該清單是在聯合目標定位周期的第二階段，即目標開發階段制定的。人工智能技術的支持始于將目標系統分析（如果還沒有的話）轉化為計算機可理解的形式，該形式由功能關系連接的實體組成，并由目標任務的目標支持。然后，在相關的時間范圍內計算直接或間接瞄準不同實體所產生的效用（例如，效果和效果的持續時間）。

然后，最終結果可以由人類分析員檢查，該分析員可能會重新引導算法的某些部分，以確保最終結果選擇的優先目標盡可能地滿足和平衡任務目標。另一種可能性是，分析表明，對目標系統的某些部分還沒有足夠的了解，無法做出某種決定，然后發出新的情報請求，以減少這種不確定性。

在這種情況下，使用人工智能技術的附加價值首先體現在通過完整地確定優先事項，包括最大限度地實現任務目標，同時最大限度地減少負面問題，從而更好更快地確定優先次序。這種全面的分析可能會導致原始的目標選擇，在這種情況下，會發現反直覺但非常有效的目標。目標優先級的可追溯性增加了，因為目標選擇問題的算法規范以及積極和消極的相關功能迫使決策者在激發他們的偏好時完全明確。

想法3--能力和優先目標的自動映射。與目標開發（第二階段）密切相關的是第三階段的能力分析。第三個想法是協助，仍然支持目標支持小組的成員，找到最適當的（致命和非致命）能力的最佳同步組合，可以應用于產生所需的物理和心理效果。使用模擬和人工智能技術來自動生成和播放高水平和低水平的行動方案，可以獲得對計劃的優勢、機會、弱點和威脅的深刻理解。當然，只有在與人類分析員和決策者密切合作的情況下，建立這樣的理解才是有用的，這就需要有人類意識的 "虛擬分析員 "技術。

想法4--計算機輔助的穩健和適應性部隊規劃和分配。在聯合定位的第四階段，能力分析的結果被整合到進一步的行動考慮中，推動聯合部隊指揮官對目標的最終批準。仿真和人工智能優化技術可用于尋找稀缺資源對目標或其他任務的最佳分配。什么被認為是 "最好的 "可以是不同的，例如，爭取最大的效果、安全、穩健、靈活，或這些和更多因素的任何組合。這可能會提供原始的規劃和分配方案，從人類分析者的角度來看，這些方案部分是反直覺的，但卻富有成效。智能優化算法可以幫助確定時間和/或空間上值得監測的關鍵點。而且，如果可以實時跟蹤進展，在事件或機會實際發生之前就可以立即生成重新分配方案，在時間緊迫的情況下減少決策時間。

想法5--自動評估軍事行動績效措施。在聯合定位的最后階段，收集和分析數據和信息，以確定計劃的行動在多大程度上得到執行（績效的衡量），以及達到預期的效果（效果的衡量）。因為這種類型的分析與其他階段的分析基本相似（即需要觀察和理解），所以在這里采用的模擬和人工智能技術可以被重復使用。例如，"目標系統模型"可以用來事先確定哪些措施或措施的組合最能說明性能和/或成功，也許還要考慮到其他因素，如效果的可測量性和延遲性。這些見解可用于指導例如戰斗損失評估工作。算法可以自動產生多種假設，當數據/信息可用時，"虛擬分析師"可以協助對這些假設和信息進行推理，幫助人類分析師以結構化的方式更好地解釋復雜的情況。

4.0 討論：人工智能在軍事決策中的作用

在本節中，我們將討論人工智能技術在軍事決策中可以發揮的作用，并將這些作用與前面介紹的軍事決策系統聯系起來。這些作用是由上面的案例研究綜合而成的。不同的作用是沿著兩個層次結構的，從上到下：在 "過程"層面，不同但連貫的步驟/階段被執行；在 "個體"層面，人類（或團隊）負責執行決策過程的特定步驟。

在整個決策過程的層面上，有多個步驟可以區分。在前面介紹的決策系統觀點中，這些步驟是觀察、定位、決定和行動。在聯合定位案例研究中，這些對應于六個階段，由不同的人在不同的時間執行。在這個層面上，我們為人工智能技術定義了四個功能角色，以支持決策過程。

• 感知：這個角色中的人工智能技術，主要以模式識別的形式，幫助處理大量的數據，如在圖像中尋找人，檢測數據流中的異常情況等。

• 態勢理解：這個角色的功能是實現對當前或假設的作戰環境的理解[12]，從而描述所有相關實體、它們之間的關系以及不可觀察的屬性，如它們的野心和目標。例如，對關于最近敵對活動的現有信息進行推理，結合關于他們的理論的一般知識，可以用來產生關于他們最可能的意圖的假設。

• 計劃生成：在這個角色中，人工智能技術，例如搜索和優化，被用來生成旨在達到（或避免）某種目標情況的計劃、策略和行動方案。處理元標準，如計劃的穩健性或情況的實用性也是這個作用的一部分。顯然，在許多情況下，不確定性是行動環境所固有的，因此不能被忽視。盡管如此，對當前形勢的理解越好，預測能力就越強。

• 學習：扮演這一角色的人工智能技術被用來更新有關作戰環境的知識。例如，在某個時間點，人們可能會發現一個被認為是正確的關于敵人理論的假設不再有效了。為了能夠保持正確的理解，這種新知識應該反映在所有其他決策步驟中。

在單個節點層面上，決策過程的單一步驟被執行，通常由一個或一組人類分析員和/或決策者負責。無論這一步需要什么，人工智能技術都可以在不同的合作角色中被使用，以支持人類。

• 專家系統支持：在這個角色中，支持的形式就像一個經典的專家系統，以知識和優化結果的形式向人類決策者或分析員提供建議。重要的考慮因素是，例如，如何以人類能夠接受的方式向其提供建議。對可解釋人工智能的研究可能是一個方向。

• 虛擬團隊成員：在這個角色中，人工智能技術被用來在人類和支持系統之間創造一種更平等的互動關系，積極為一個共同的目標工作。例如，虛擬團隊成員可以通過提出問題使假設明確化或挑戰偏見來幫助做出決定的（認知）過程。人類-人工智能的研究可能是一個追求的方向。

• 自主決策：決策過程中的其他步驟的互動，專家系統和虛擬團隊成員支持的考慮同樣有效。例如，在其他決策中的人類需要能夠推斷出一個自主系統。

圖4顯示了在軍事決策系統視圖中繪制的人工智能的七個角色。當使用模擬和人工智能來支持決策過程時，應該始終考慮這些不同的角色是如何互動的，無論是在過程層面還是在個人層面。例如，在聯合目標定位的過程層面上，第二階段包括定位（目標系統分析）和決定（為達到預期效果而瞄準什么）。第三階段也包括定位（自身能力）和決定（如何實現預期效果）。這些階段共享相同的世界模型，在這個過程中引入人工智能支持將推動這些步驟的合并，這不是不可想象的。在個體層面上，例如再次考慮第2階段，分析員可以得到綜合態勢理解、規劃生成和學習技術的支持，以及虛擬團隊成員和專家系統支持技術的任何組合。

圖4：由建模和仿真支持的軍事決策周期的系統視圖，其中人工智能技術的功能（黃色）和協作（綠色）作用被描繪出來。

5.0 結論和進一步研究

在本文的第一部分，我們介紹了軍事決策的系統觀點，主要基于OODA循環，其中我們介紹了世界模型，作為向整個決策周期提供建模和仿真支持的核心手段。接下來，從我們的聯合目標定位案例研究中，我們推斷出人工智能可以為軍事決策做出貢獻的七個功能性和協作性角色。這些角色對應于決策步驟，或者對應于如何向負責該過程步驟的人提供支持。最后，我們將這些人工智能角色整合到決策系統視圖中。

本文的目標是為我們社區內人工智能的綜合觀點做出貢獻，并為軍事決策的人工智能各種研發奠定基礎。在開發支持軍事決策的模擬和人工智能時，我們建議同時考慮過程層面和單個節點層面。在過程層面上，通過使用建模和仿真可以獲得好處。在單個節點層面上，為人類分析員和決策者提供實際支持，人工智能技術可以通過不同的角色組合對此作出貢獻。鑒于決策過程的各個步驟都是不同的，并且提出了不同的要求，履行這些不同角色的人工智能技術需要作為一個整體來開發。

我們相信，隨著對這一主題的更多研究，軍事決策的速度和質量都可以得到改善。然而，非常重要的是，要持續關注特定的未來人工智能應用的附加值，以及研究這些應用可能對，例如，負責該過程的人的所需技能，甚至該過程本身的影響。最后需要的是一個系統，它的存在是因為它可以建立，而不是有人幫助。對于這一點，應該更普遍地回答如何限定然后量化應用人工智能進行具體軍事決策應用的附加價值的問題。這樣的見解反過來又會成為關于人工智能用于軍事決策的集體技術路線圖的寶貴基礎。

6.0 參考文獻

[1] Bloemen, A., Kerbusch, P., van der Wiel, W., Coalition Force Engagement Coordination, TNO Report TNO-2013-R12117, 2015.

[2] Connable B, Perry W, Doll A, et al. Modeling, Simulation, and Operations Analysis in Afghanistan and Iraq. Santa Monica, CA: RAND, 2014.

[3] Davis P., Kulick J., Egner M. Implications of Modern Decision Science for Military Decision-Support Systems. Santa Monica, CA: RAND, 2005.

[4] Kunc, M., Malpass, J., White, L.(2016). Behavioral Operational Research, Theory, Methodology and Practice. Palgrave Macmillan, London.

[5] Langley, P., Meadows, B., Sridharan, M., Choi, D. (2017). Explainable Agency for Intelligent Autonomous Systems. Proceedings of the Twenty-Ninth AAAI Conference on Innovative Applications (IAAI-17).

[6] NATO Allied Joint Doctrine For Joint Targeting AJP 3.9(B), 2015.

[7] NATO Allied Command Operations. Comprehensive Operations Planning Directive Interim V2.0.

[8] “OODA loop.” Wikipedia, The Free Encyclopedia. 10 Mar. 2018.//en.wikipedia.org/wiki/OODA_loop

[9] “Situation Awareness.” Wikipedia, The Free Encyclopedia. 17 Mar. 2018.

[10] Smit, S., Veldhuis, G., Ferdinandus,G., et al. KaV Advanced Visual Analytics, TNO Report DHWELSS-, 2016.

[11] Toubman, A., Poppinga, G., Roessingh, J. (2015). Modeling CGF Behaviour with Machine Learning Techniques: Requirements and Future Directions. Proceedings of Interservice/Industry Training, Simulation, and Education Conference (I/ITSEC) 2015.

[12] “Understanding.” Wikipedia, The Free Encyclopedia. 18 Apr. 2018.

[13] Zacharias, G., MacMillan, J., van Hemel, S. (2008). Behavioral modeling and simulation: From individuals to societies. National Research Council, National Academies Press.

摘要

今天的戰場正在經歷一場由建立在人工智能和機器學習等方法和手段上的智能系統（IS）帶來的軍事事務革命。這些技術有可能從根本上改變戰場的性質，為用戶提供更好的數據，使其能夠更好、更快地做出決定。雖然這些技術具有巨大的潛力，但它們在被作戰人員、軍事領導層和政策制定者廣泛采用方面面臨巨大障礙。

混合戰爭的戰場是一個危險的環境。基于信息系統的決策支持，提供計算機生成的預測或建議，必須與現實世界的巨大后果抗衡。不幸的是，智能系統所固有的復雜性和多維性往往使傳統的驗證和確認工作（如可追溯性分析）變得不可能。此外，由于智能系統的典型的不透明性，用戶經常面臨著可能有廣泛的道德和倫理問題的決策。戰士們可能不愿意將自己或他人的生命交到決策不透明的系統手中。將軍們可能會擔心為失敗承擔責任。政策制定者可能會擔心他們的政治前途。這些對信任和采用先進系統的挑戰，如果不直接理解和系統地克服，將可能使西方軍隊與那些對使用先進系統不那么擔心的對手相比處于非常不利的地位。

無數的研究工作提供了關于人們何時信任技術系統并采用它們的觀點。然而，這些觀點中很少有專門針對基于智能系統的技術的，更少的是針對軍事應用中的高風險環境和獨特需求，特別是混合戰爭的背景。

本文提供了一個關于信任和接受技術的混合模型概述，它將幫助開發者和設計者建立系統，以提高對軍事應用先進智能系統的信任和接受。具體來說，我們的方法借鑒了多個經驗證的計算行為科學信任模型，以及經驗證的技術接受框架。我們的混合模型旨在支持快速的現場測試，為提高先進軍事智能系統的信任度和接受度提供一個應用的、計算上有效的框架。

摘要

可解釋的人工智能（XAI）提供了克服這一問題的手段，它基于有關深度學習（DL）算法結果的額外補充信息。雖然完全透明對于復雜的DL算法來說仍然是不可行的，但解釋有助于用戶在關鍵情況下對AI信息產品進行判斷。應該指出的是，XAI是透明度、因果關系、可信度、信心、公平、信心和隱私等方面的總稱。因此，基本的方法論是多方面的。一種已經流行的方法是局部可解釋模型-預知解釋（LIME）方法，因為它可以很好地應用于各種應用中的不同模型。在本文中，LIME算法是在戰略運營的決策建議背景下進行研究的。在簡單介紹了其概念后，介紹了文獻中的應用。然后，一個戰略博弈的場景被認為是軍事戰爭的替代環境。一個基于DL的國際象棋人工智能被做成 "可解釋的"，以評估信息對人類決定者的價值。得出了與戰略混合行動有關的結論，這反映了所提出的方法的局限性。

引言

根據設想，未來戰略戰爭的決策將在很大程度上受到基于人工智能（AI）方法的信息產品的影響。特別是混合作戰，是在一個高維和變異的環境中進行的，在這種環境中，對潛在的威脅和機會的評估是人類操作者難以掌握的，戰略規劃必須納入異質的、多功能的和高容量的數據源。因此，基于人工智能方法的算法產生的分類、預測和建議在這種復雜的場景中變得越來越重要。在過去的幾年里，人工智能的方法已經獲得了巨大的發展，有大量的創新和令人尊敬的成果，可以從大型數據集中獲得更高層次的信息。然而，深度學習（DL）方法的一個主要缺點是其固有的黑箱屬性，即由于計算模型的復雜性，其結果是不透明的。例如，后者可能有數百個層和數百萬個參數，這些參數是在訓練階段通過算法發現和優化的。因此，即使結果是準確的，用戶也沒有機會理解它或掌握輸入數據的因果部分。這反過來又會影響到用戶對輔助設備的信任，在兩個方向上都是如此。這個問題在某些民事應用中起著次要的作用，例如語音識別，它經常被應用于與設備的互動，因為除了體面的失望之外沒有潛在的風險。對于其他非常具體的任務，如手寫字符識別，DL算法的性能超出了人類的平均水平，這意味著失敗的可能性很小，因此關于因果關系的問題可能成為附屬品。然而，在許多軍事應用中，當涉及到與人工智能的互動時，人類的信任是一個關鍵問題，因為錯誤的決定可能會產生嚴重的后果，而用戶始終要負責任。這實際上是兩方面的。一方面，操作者往往需要了解人工智能產品的背景，特別是如果這些產品與他或她自己的本能相悖。另一方面，不可理解的技術會對算法信息產品產生偏見，因為很難確定在哪些條件下它會失敗。因此，適當的信任程度可能很難計算。

可解釋的人工智能（XAI）是向黑盒人工智能模型的用戶提供 "透明度"、"可解釋性 "或 "可解釋性 "的方法的集合。這些術語幾乎沒有一個共同的定義，但許多出版物提到了：

• 透明度是指人類跟蹤和理解模型創建過程的可能理解程度。這就是從數據中提取信息，轉化為推理參數的表現形式。DL前饋網絡由于其基于大數據集的迭代學習過程和錯誤向各層的遞歸傳播而缺乏這一特性。
• 可解釋性是指對模型本身的理解程度，即從輸入數據到預測結果的信息流可以被理解。由于涉及的參數數量和層的層次結構，這對標準網絡來說是不可行的。
• 可解釋性是指對特定預測結果進行解釋的可能性程度。也就是說，用戶可以看到與輸入數據的一致性，在某種程度上可以看到是否存在因果關系。

XAI不能完全 "解釋 "DL模型，然而，它為工程師或操作員提供了更好地理解特定AI產品背后的因果關系的手段。而且很多時候，這可以幫助看到，從合理的因果關系鏈暗示算法決策或預測的意義上來說，該模型是否是合理的（或不是）。因此，XAI可以成為人工智能模型工程的一個重要工具，用于安全方面的驗證，甚至用于認證過程，以及為操作員提供額外的信息，以支持明智的決策。

雖然關于XAI的大多數文獻都集中在圖像識別的方法上，但這些結果很難轉化為基于特定挑戰性競爭形勢的戰術和戰略決策領域。在本文中，我們研究了人工智能模型在棋盤評估中的可解釋性。對更復雜的軍事戰略模擬的一些影響進行了討論。

本文的結構如下。在下一節中，簡要介紹了選定的XAI方法。然后，這些方法之一（LIME）被應用于棋盤評估問題，以證明在支持信息方面的解釋的質量。在最后一節，得出了結論，并討論了對更復雜的戰爭博弈和模擬的概括。