自2008年以來，水面作戰軍官學校（SWOS）一直在使用一個360度反饋計劃來指導水面作戰軍官（SWO）的表現和領導能力。然而，目前使用的評估工具是基于為企業界設計的商業現成模型，并不是為水面作戰軍官群體量身定做的。鑒于最近發生的船舶碰撞事故，海軍認識到關鍵的決策技能和領導力對SWO來說是至關重要的，一個量身定做的360度反饋計劃可以更好地支持他們的領導風格的發展。此外，目前的評估并沒有提供關于水面作戰軍官有效領導和管理所需的核心能力的洞察力，正如水面作戰軍官要求文件（SWORD）中所定義的那樣。因此，海軍可以通過改進360度反饋的方式，并將其作為更大的專業發展職業道路的一部分，在2019年，海軍水面部隊指揮官指示對目前的360度反饋進行升級，以更好地適應水面社區的需要。

360度反饋是一種評估方法，它從多個來源收集關于一個人的行為的信息，如主管、同僚和下屬。它可以提供有價值的信息，從多個角度識別和解決不足之處，并發揚當前的優勢，這使得它比標準評估更有利。研究表明，這種形式的反饋可以提高績效，美國海軍在2007年采用了自己的版本，用于軍官的領導力發展。在水面部隊中，這種評估是由初任軍官（DIVO）和部門主管（DH）在其職業生涯中進行的，評估者由高級軍官、DIVO或DH的同事以及高級和低級士兵組成，以收集對其領導能力的從上到下的全面了解。

海軍使用的評估是由全球組織咨詢公司Korn Ferry提供的，完全圍繞領導力發展的概念設計。該評估包含總共68個問題，分為14種技能和一種混合技能。這些技能被進一步細分為四個關鍵的領導力領域：思想、結果、人員和個人領導力。

這項研究的目的是協助水面作戰軍官司令部（SWOSCOM）評估和改進他們的360度反饋計劃。雖然評估是為企業界設計的，而不是為水面社區設計的，但評估的某些方面可能仍然有助于保留。該研究探討了不同的評估員如何評估個人，并確定了對整體評估有效或無效的問題和技能，應考慮保留或修改。通過將無監督和有監督的機器學習方法，以K-means聚類和隨機森林的形式，應用于100個隨機選擇的360度反饋評估，本論文的目的是幫助奠定一個框架，以開發一個更新的評估工具，為水面社區定制評估問題。

數據被分成每個評估者的五個主要數據集： 自我、老板、同行、你所領導的人（PYL）和其他老板（OB），并進行了初步的探索性數據分析（EDA），以初步了解這些回答。EDA顯示，平均而言，自我評分者比其他評分者對自己的評價更嚴格，PYL對他們所評分的個人評價最高，而老板、OB和同伴評分者對個人的評價都差不多。我們還研究了所有測評者對每個問題的回答中的差異，發現個人領導力下的技能，即建立信任（ET）和展示適應性（SA）的差異最小，發展他人（DO）的技能和整體（O）的混合技能的差異也是如此。所有評分者都提供類似回答的問題幾乎沒有提供建設性的反饋，應該考慮刪除或修改以幫助持續發展。

在EDA之后，數據被準備用于進一步分析。對數據集進行了配對方差分析（ANOVA），以確定被評估者對自己的評價和評估者對自己的評價之間的差異是否具有統計學意義。檢驗的結論是，被評估者和PYL評分者的評分與其他所有評分者的評分在統計學上有顯著差異，而同輩人、老板和OB評分者之間的差異則沒有。因此，我們決定將同儕、老板和OB的數據集合并為一個，對每個問題的三個回答取平均值。接下來，使用Cronbach's alpha可靠性測試，根據Korn Ferry 360度評估中定義的技能對數據進行縮放。這樣做有三個原因。首先，將數據的維度從68個變量減少到15個，有助于防止模型的過度擬合，并提高我們結果的可解釋性。第二，使我們能夠測試技能的內部一致性，并確定降低這一可靠性的問題，標志著該問題與其他問題的關系不強。最后，有了代表技能的單一分數，我們能夠更好地測試該技能在評估中的有效性。

隨著數據的縮放，K-Means聚類法被用來對每個數據集中的個體進行聚類，從而可以確定聚類之間的相似性，并在隨機森林分析中使用這些聚類分配作為分類。聚類產生了三個與個體評估相關的群組。被評估為高的個體被歸為一組，被評估為低的個體被歸為一組，而那些介于兩者之間的個體則是最后一組。通過比較高分和低分群組之間的距離，可以初步了解技能的有效性，距離越大，越有效，反之亦然。培養開放式溝通（FOC）、建立關系（ER）和ET是每個評分者在群組之間距離最小的技能。相反，戰略行動（AS）、顯示動力和主動性（SDI）和合理決策（MSD）的距離最大。

分類隨機森林表明，MSD、FOC和Manage Execution（ME）對識別一個人是否屬于高于平均水平的集群影響最大。顯示動力和主動性（SDI）、AS、ER和ET的影響最小。回歸隨機森林的結果略有不同，評估SDI和Build Realistic Plans（BRP）的影響最大，而Promote Teamwork（PT）、FOC和ER的影響最小。需要注意的是，回歸模型假設O是指對績效的全面衡量。事實可能并非如此，該模型可能受到了數據中的偏差的影響。當兩個隨機森林的結果被平均到一起時，排名最高的技能是MSD、FOC和SDI。PT、MO和AS的排名最低。

本論文的目的是幫助SWOSCOM重新評估當前的360度反饋評估。這項研究并不是要否定任何技能或問題，而是要確定評估中那些對發展有效的部分，或者那些會從修改或截斷中受益的部分。我們的發現是，MSD、SDI和FOC的技能在評估中得到了有效的應用；然而，評估可能受益于對問題的修改，以便在個人和評估者之間產生更多的批評性反饋。MO在我們的模型中沒有影響，但卻是唯一在所有問題中產生高差異的技能，并且可以在海軍中應用。因此，評估可能會從保留這些概念中受益，但將該技能與其他部分相結合。PT、AS和ER的技能被認為是無效的，因為它們在模型中的表現和評分者之間缺乏差異性。此外，應該考慮修改或刪除在縮放過程中被刪除的問題。

圖戰斗系列

2019年1月，美陸軍部長（SECARMY）要求陸軍科學委員會（ASB）研究人工智能（AI）如何改善戰場上的戰役和戰術表現。具體而言，他希望ASB確定陸軍在人工智能實施方面的獨特挑戰，確定陸軍的行業最佳實踐，并審查對手在戰場上對人工智能的潛在使用。

為了進行這項研究，ASB組建了一個研究小組，成員包括建立人工智能系統和指導人員，以及在實驗室、學術界、工業界和軍方有經驗的人員。該團隊還得到了負責人工智能實施的陸軍人工智能任務組以及陸軍研究實驗室（ARL）和陸軍夜視局高級政府聯絡員的協助，他們幫助約束該研究并為陸軍的人工智能實施提供指導。在收集數據的同時，研究小組還會見了來自政府、工業和學術界各組織的130多名人士。

AI在戰場上的前景和挑戰

在工業革命期間，機器開始執行以前需要人類體力勞動的任務。今天，一場認知革命正在發生，機器開始執行以前需要人類認知的任務。例如，我們問智能手機問題，并期望得到合理的答復，我們在網上買東西，并得到類似產品的推薦。

目前還不清楚我們是否了解認知革命的所有影響，但研究小組認為，它將改變戰爭特征，因為它提高了決策到行動的速度、規模和范圍，超過了人類在沒有援助的情況下所能完成的大量任務。人工智能是認知革命的核心，在戰場上優化使用人工智能將需要陸軍采用新的思維方式，包括一個反應靈敏的采購過程。

為了這項研究的目的，研究小組將人工智能定義為計算機系統執行通常需要人類智慧的任務能力。有許多關于人工智能的方法。

美國的對手已經在使用人工智能。俄羅斯和中國定期公布在戰場上進行的自動駕駛車輛實驗。成功實施人工智能的一個關鍵是數據標簽化。中國和俄羅斯的領導層都宣布人工智能是未來，誰能領導認知革命，誰就能在戰場上獲勝。除了僅僅使用人工智能，美國的對手希望實現人工智能的優勢。

目前的美國防部政策劃定了自主和協作，這決定了人工智能如何被用于支持各種作戰任務。因此，需要對人工智能采取多種方法，以確保人工智能系統在戰場上的最佳應用。無論采用哪種方法、作戰使用或政策要求，快速反饋周期將推動對作戰任務的評估，并將采用人工智能來告知如何收集和調節數據、如何運行算法以及如何優化人機界面。換句話說，人工智能最終將被用來衡量人工智能在戰場上的使用情況。這對軍隊來說也是顛覆性的。

同時，美國陸軍有幾種可能的方式在戰場上使用人工智能。下一個垂直升降飛機可以與使用綜合視覺增強系統（IVAS）的下一代戰斗車輛和士兵合作。一旦這些部件被聯網，相對于士兵在獨立系統中所能做到的，人工智能將提供更高的速度、范圍和規模。因此，人工智能將被用于自主機動、輔助目標識別和/或自動目標識別、任務規劃等。

人工智能給戰場帶來的優勢伴隨著風險和挑戰。有效使用有幾個潛在的障礙，如缺乏互操作性，數據饑餓，以及被對手利用。這些都是眾所周知的。但也有圍繞可靠性、信任、道德和可解釋性的問題，所有這些都有助于操作者理解人工智能的決策或建議。不是所有的人工智能系統都能做到這一點。

圖5 陸軍使用人工智能的潛力和挑戰

人工智能在工業中的應用

研究小組訪問了工業界，以了解商業企業如何利用人工智能，減少風險，并克服固有的挑戰。成功應用人工智能的共同主題涉及快速和持續的適應性和改進，可由以下方法促成：

• 使用常見的人工智能平臺

• 整理數據，特別是通過事實標簽

• 用模擬數據增強真實數據

• 創建架構和基礎設施，支持數據流和競爭所需的高性能計算

• 開發與技術共同發展的運行概念，例如，特斯拉的軟件更新方式是根據人們如何使用車輛來發展和展示新功能的。

• 知道在哪里應用人工智能來解決價值最高的問題，帶來最好的投資回報

• 獲取人工智能技能人才，由于競爭激烈，即使是像亞馬遜這樣的公司也面臨挑戰。

競爭也促使行業發展出一套實踐，允許快速變化和升級，特別是在軟件方面，進入正常生產，同時確保高質量。這種實踐--DevOps--結合了開發（Dev）和信息技術運營（Ops），以縮短系統開發的生命周期，并提供持續、高質量的交付（圖1）。

企業在實驗室中創建、整合和測試人工智能，將其發布給消費者，并部署到現場。當它被使用時，它被監測，并根據該系統的運行和使用情況，制定計劃，產生升級。企業重新編碼，重新開始循環以提高性能。DevOps循環需要一個底層數據層來迭代AI。與軟件升級不同，軟件升級可能是按月推送的，而人工智能周期必須是連續的，操作非常迅速，以確保最佳性能。

美國陸軍的進展

在收集數據的過程中，研究小組了解到，陸軍已經開始組織將人工智能帶到戰場上。陸軍成立了人工智能工作組，并與卡內基梅隆大學（CMU）合作成立了陸軍人工智能中心。陸軍也已經開始在陸軍未來和概念中心、訓練和條令司令部（TRADOC）以及其他地方開發人工智能的概念。

也可以說，這些人工智能的工作在很大程度上是不協調的。有許多陸軍項目使用人工智能。但陸軍成功運作的人工智能不能像在工業界觀察到的那樣快速發展。往往沒有共同的基礎設施，所以用于每個系統的計算、網絡和數據都是獨立的。

與工業界相比，陸軍人工智能活動的另一個不足之處是系統分析和建模與仿真（M&S）不足。例如，在x系統中加入人工智能將使任務的有效性提高y量；它將改變殺傷率，或完成任務的時間，或任務成功的概率，等等。就研究小組所能確定的而言，那些能夠顯示人工智能可能帶來什么價值的A-B測試還沒有做。

陸軍面臨的一個潛在挑戰是目前美國防部的采購環境，這使得復制工業界的快速開發周期變得極為困難。陸軍要購買一個可以像谷歌和其他公司那樣每天進行更新的系統是非常困難的。

陸軍可以自行解決的另一個挑戰是缺乏獲得、管理和使用其人工智能能力所需的足夠人才。陸軍有與增長和保留STEM資格人員有關的人才管理問題，而人工智能從業者在這一領域中所占的比例更小。有一些專家，但陸軍并沒有很多。

隨著陸軍繼續組織將人工智能帶入戰場，相當明確的是，最佳應用將出現在哪里（圖2）。有幾十種情況下，人工智能會增強陸軍的作戰功能，以包括一些人類參與可能有限的任務。

圖2 AI在戰場上的潛在應用

這些賦能器中的大多數已經在開發中，它們很少從頭開始。戰場上的使能因素往往可以建立在商業技術之上。

根據人工智能任務組的報告，目前的陸軍人工智能生態系統以CMU的人工智能中心為中心（圖3）。它與各利益相關者保持著聯系，包括實驗室和材料開發商、陸軍訓練中心和作戰社區。通過人工智能任務組，該中心還與美國防部的聯合人工智能中心進行協調。

圖3 當前陸軍AI生態系統

美陸軍人工智能生態系統專注于開發和實戰原型；從定義下一代系統的人工智能要求，到為傳統平臺開發人工智能解決方案。這種在戰場上的人工智能整合將迫使陸軍以新的方式運作。除了解決商業從業者確定的挑戰和減輕潛在對手的攻擊，陸軍必須解決地方性的挑戰，包括以下能力：

• 確定人工智能投資的優先次序，以獲得最大的戰場影響

• 構建一個SoS框架，利用獨立開發的、異質的、支持人工智能的平臺

• 通過繁忙的操作網絡調動數據、模型、算法和反饋

• 測試不斷發展的系統，并驗證其對敵方攻擊的復原力

圖17 SoS企業架構集成

雖然商業從業者可能擁有他們的整個人工智能企業，但軍隊不會。陸軍將從國防工業基地內的不同來源購買技術，它將不得不使它們一起工作。一旦完成這項任務，數據、模型、算法和反饋都必須在一個繁忙的操作網絡上移動。陸軍將不會有使用工業界所享有的那種基礎設施的好處。

陸軍還需要采用類似于DevOps周期的方法，以支持持續改進的方式將原型轉化為記錄項目（POR）。這將需要有能力（對陸軍來說是新的）測試不斷發展的系統并驗證對攻擊的適應性。陸軍將不得不改變其運作方式，以采用DevOps循環。

建議

根據其數據收集、分析和發現，研究小組在六個類別中提出了建議(圖4)。

結論

人工智能將通過提高決策的速度、規模和范圍來改變戰爭的特征，而這是人類所能實現的。如果陸軍對采用MDO是認真的，它就需要認真地采用協作性人工智能。

人工智能對陸軍和其對手都將是顛覆性的，因為：

• 完整的戰場效果將需要不斷地收集和整理數據，而迄今為止雙方都沒有做到這一點
• 每一方都將不得不在異質平臺上發展人工智能之間的合作
• 人工智能DevOps周期的快速執行是成本密集型的，并且厭惡官僚主義

美國陸軍將需要開發一個人才管道，使其成為人工智能能力的聰明買家和聰明用戶。

有說服力的動機：美國的對手已經在做這些事情了。

ATP 2-01.3構成了當前關于如何系統地評估作戰環境（OE）的重要特征對特定任務的影響的理論。該出版物-

• 描述了指揮官和參謀部如何審查任務變量，以了解這些變量可能對行動產生的影響。

• 討論了戰場情報準備（IPB）作為軍事決策過程的一個重要組成部分，IPB如何支持決策，以及整合過程。

• 促進對IPB過程的共同理解、基本概念和方法。

ATP 2-01.3的主要讀者是陸軍戰術指揮官和參謀。作為聯合特遣部隊或多國總部的陸軍指揮官和參謀人員也可以參考與IPB有關的適用的聯合或多國學說。整個陸軍的培訓師和教育工作者也使用本出版物。

指揮官、參謀部和下屬確保他們的決定和行動符合適用的美國（U.S.）、國際，以及在某些情況下東道國和其他國家的法律和法規。各級指揮官確保他們的士兵按照戰爭法和交戰規則行動。(+見FM6-27)。

ATP 2-01.3在適用時使用聯合術語。部分聯合和陸軍術語和定義出現在詞匯表和正文中。ATP2-01.3是主辦方出版物（權威）的術語在詞匯表中標有星號（*）。ATP 2-01.3為提議者出版物的定義在正文中以黑體字標出。對于文本中顯示的其他定義，該術語為斜體，定義后有提議者出版物的編號。

本手冊適用于在美國境外進行的情報活動。在美國境內進行的情報活動，以及那些針對美國境外的美國人和團體的情報活動，需要額外的要求和情報監督規則。如果本出版物中描述的任何活動是在美國境內進行的，或以美國境外的美國人或團體為目標，請向軍法檢察官尋求幫助。

除非另有說明，ATP2-01.3適用于現役陸軍、陸軍國民警衛隊/美國陸軍國民警衛隊、美國陸軍預備役。

ATP 2-01.3的提出者是美國陸軍卓越情報中心。編制機構為亞利桑那州瓦丘卡堡的美國陸軍卓越情報中心的理論和情報系統培訓局。

戰場情報準備（IPB）

IPB是一項由J-2/G-2/S-2和情報人員領導的合作性工作。開發并不斷更新的IPB產品有助于對形勢的了解，并協助指揮官和參謀人員確定行動區和利益區中可能影響任務完成的相關方面。介紹性的圖表列出并總結了相關的IPB產品。

圖：+IPB工藝的產品

IPB過程是獨特的--它影響著軍事行動的范圍，與所有的梯隊相關，并且是所有計劃和決策中使用的基本要素。IPB是所有行動中分析戰場的初始框架。

本出版物的修訂涉及復雜的OE，其中美軍將在所有領域（空中、陸地、太空、海洋和網絡空間）以及信息環境和世界范圍內開展行動。本次修訂的目標是

• 突出工作人員的流程和產品，以協助指揮官和參謀部確定何時何地在行動范圍內利用友軍能力。

• 增加了本出版物2014年版本中未涉及的關于支持某些任務的IPB的一些獨特考慮。ATP 2-01.3更新并描述了IPB的基本原理。它包括八章和四個附錄。

• 第1章提供了IPB的基礎知識，并介紹了諸如行動框架、同行威脅、多域行動和識別機會窗口等主題。

• 第2章討論了IPB對決策的支持以及IPB與軍事決策過程之間的關系。

• 第3章，即IPB過程的第1步，討論了對可能影響友軍和威脅的行動路線和指揮決策的OE的重要特征或活動的分析，以及任務將占用的物理空間。

• 第4章，IPB過程的第2步，討論了OE的重要特征如何影響友軍和威脅的行動。

• 第5章，IPB過程的第3步，討論了威脅部隊的能力以及威脅部隊喜歡采用的理論原則和戰術、技術和程序。

• 第6章，即IPB過程的第4步，確定并描述了威脅的行動方案如何影響友軍的行動。

• 第7章討論了IPB對進攻、防御和穩定行動的支持以及沿海、城市和地下環境的獨特特點。

• 第8章討論了每個領域的獨特方面、信息環境和電磁波譜。

• 附錄A為S-2提供了一份關于如何進行IPB的檢查清單。

• 附錄B為分析人員提供了執行IPB時使用的工具。

• 附錄C描述了常規、不規則和混合威脅的威脅特征。

• 附錄D討論了網絡空間領域以及如何將網絡空間因素納入IPB過程。

本出版物-

• 在本出版物的前言（序言和導言）中首次使用縮略語，并在本出版物的正文（各章和附錄）中再次使用。

• 在第一次使用時引入G-X和S-X（如G-2和S-2）的縮寫，而不對其進行定義，因為這有礙于可讀性。這些首字母縮寫詞的定義可以在詞匯表中找到。

• 使用U.S.作為修飾語（例如，美國軍隊），使用United States作為名詞（例如，美國，北美的一個國家）。

• 使用威脅一詞，包括所有屬于OE的敵人和對手。

• 將參謀部稱為行動部、情報部和其他協調和特別參謀部，除非另有說明。

• 使用持有量來注釋許多不同的資料（例如，生物統計學）。持有量指的是指揮部或其上級總部擁有的信息或數據，如數據文件和/或數據庫，或指揮部可以獲得的信息。

• 避免討論具體的學科和互補的情報能力。

人工智能是空中力量的一個強大推動力，但它的潛力還沒有被完全釋放與實現。只要承認其局限性并進行適當的管理，人工智能就有可能極大地改善空軍在不同戰爭層次上的規劃和決策過程。有助于簡化人工智能的使用并允許盡可能精確地利用最多數據的新投入將提高采用人工智能的潛力。從長遠來看，人工智能在聯合層面可能被證明是最有用的，因為它可以從每個部隊組成部分可以提供的大量數據和信息共享中受益。然而，在戰爭中擴大使用人工智能存在著復雜的挑戰和風險。為了建立一個未來的方向，需要考慮到人工智能在技術和人類用戶層面上的基本限制。

引言

當下人工智能（AI）的驚人發展并不總是能引起軍事飛行員群體的興趣。然而，最近人工智能與有經驗的戰斗機飛行員的空戰模擬引起了廣泛的關注（Ernest等人，2016）。在這些模擬中，人類飛行員被他們的人工智能對手擊潰。飛行員和許多其他行業一樣，最終會因為人工智能的進步而消失，這一觀點因此得到了越來越多的關注（Pashakhanloun，2019）。盡管人工智能加速發展，然而迄今為止，人類飛行員在空戰和領導空中力量投射方面的作用沒有什么變化。人類飛行員并沒有被取代，而是逐漸被允許在駕駛艙內積累人工智能的好處，就像駐扎在總部和空中作戰中心的空軍軍官一樣。

只要承認其局限性并加以適當管理，人工智能就有可能大大改善空軍的信息力量和損耗能力，以支持不同級別戰爭的規劃和決策過程。在評估人工智能在空中力量使用戰略的多個層面時，空軍領導人必須在關鍵的兩難問題上找到明確的方向。可以為人工智能開發哪些戰術、作戰或戰略應用？與其他戰爭相比，人工智能的使用是否更適合于特定級別的戰爭？我們如何將人工智能融入我們的戰爭方式？本文將在考慮人工智能的未來發展方向之前，探討與人工智能在經典戰爭層面的使用有關的一些基本挑戰，最后，討論擺在面前的關鍵相關限制和危險。

戰術層面的AI

從一個作者到另一個作者，對人工智能（AI）的定義有很大的不同。法蘭西共和國官方雜志》將人工智能定義為 "一個理論和實踐的跨學科領域，旨在了解認知和思維的機制，以及通過硬件和軟件設備對其進行模仿，以協助或取代人類活動"（2018）。基于這一定義，我們可以將人工智能理解為一種計算技術，它通過利用不斷擴大的可用數據量、不斷增長的計算能力以及軟件設計的進展來解決問題。人工智能的應用是多方面的，幾乎影響到所有領域。人工智能可以簡化行政任務。它可以提高機群維護的性能。它可以優化導彈的制導系統。

然而，正如邁克爾-C-霍洛維茨（Michael C. Horowitz）所指出的，人工智能不是一種武器（霍洛維茨，2018）。它是一個推動者，更類似于電力或內燃機等發明，而不是作戰坦克或戰斗機。現在，越來越多的軍事參與者正在將人工智能引入軍事行動，主要集中在戰術活動上。以色列是這一領域的先驅之一，最近在聯合行動中利用了三種人工智能的能力--《煉金術士》、《福音》和《智慧的深度》（Antebi，2022）。《煉金術士》利用戰術和行動數據，通過手持平板電腦提醒部隊可能的攻擊。《福音》為威脅識別提供建議，操作者必須驗證并決定適當的反應（Ahronheim, 2021）。據報道，這一應用節省了使用現有方法實現相同結果所需的一年的努力。最后，《智慧深度》能夠生成有史以來最全面的地下隧道地圖。

戰役與戰略層面的AI

人工智能在改變戰術層面的戰斗空間方面已經顯示出成果，但在更高的戰爭層面也有潛在的優勢。然而，由于戰略、作戰和戰術層面的戰爭需要不同類型的考慮和推理，人工智能的潛在應用和可獲得的結果也相應地有所不同。

根據克勞塞維茨的說法，戰略必須削弱并最終打破對手的意志。然而，衡量或量化戰略的這一目標并不容易實現。雖然軍事行動對對手造成的損害可以削弱他們的決心，但對于意識形態、政治或心理驅動的對手來說，這并不總是真的。戰爭不能簡化為一系列簡單的邏輯行動和可預測的結果，作為一種人類活動，創造力、驚喜、欺騙和心理因素都會發揮作用（Payne, 2021）。

人工智能無法探究戰爭的心理因素，也無法理解為什么戰場上的失敗并不一定意味著放棄戰斗意志。就像用于體育的軟件不能畫畫、走路，更不能預測比賽中發生的事情一樣，人工智能不能解決涉及人類的復雜互動所帶來的問題。人工智能將無法預測軍事行動中經常遇到的人類創造力和意外或欺騙因素，更不用說為其提供解決方案。人工智能的這些局限性的解釋是，能夠與人類的認知能力相匹配甚至超越的強人工智能目前并不存在。

• 人工智能將無法預測軍事行動中經常遇到的人類創造力和意外或欺騙因素，更不用說為它們提供解決方案了。

人工智能將越來越多地參與到從規劃階段到執行空戰的行動中，但空軍反而需要依賴狹義的人工智能。狹義人工智能僅限于特定的任務和角色，它能以超過人類能力的水平完成這些任務和角色。表8.1比較了窄人工智能和強人工智能中的屬性，后者仍處于發展的早期階段。雖然狹義的人工智能可以支持戰術活動，但它主要被證明不足以將這些聚集成行動層面上的決定性優勢。這樣的觀察在各種嘗試中都有記錄，例如美國海軍為海軍指揮官開發作戰層面的人工智能系統的努力（Aycock和Gleney，2021）。

表 8.1：狹義 AI 和強 AI 的屬性比較

如何最好地利用新興技術還有待觀察，因為僅僅擁有技術是不夠的。在第二次世界大戰中，盟國擁有的坦克相對多于德軍，但由于德國軍事理論的力量，他們的軍隊遭受了關鍵的失敗。人工智能已經成為美國和中國之間競爭技術優勢的核心問題，讓人想起冷戰時期的動態。然而，無論系統的技術有多先進，軍隊使用人工智能的結果將取決于它與之結合的理論和概念。人工智能解決方案必須根據軍事環境的具體限制和特點進行調整。因此，必須通過同時發展和整合理論和作戰概念來全面發展人工智能的能力。

同時，人工智能可以以更有限的方式加以利用，以深入研究特定設備的工作原理或關注對手系統的漏洞--這是約翰-A-沃頓（1995年）著名的 "重心 "概念之一。人工智能也開始被用于影響和心理行動（PSYOPS），這已經成為軍事活動的一個重要組成部分。在現代沖突中，各方都可以歪曲、操縱和傳播錯誤信息。人工智能在這種情況下有很多用途，并能以各種方式支持進攻性和防御性的PSYOPS。按照同樣的思路，人工智能將在信息戰中發揮更大的作用，在信息戰中，信息系統代表了所有各方的關鍵重心。

也許人工智能在作戰層面上最重要的用途在于其優化情報和提供預測分析的能力，使空軍能夠更好地預測威脅和環境的變化。特定的人、特定的關鍵詞和其他模式的存在可以提前提供有關對手意圖和未來計劃的信號。考慮到盡可能多的現成信息，如視頻、文本和圖像，這些信息可能沒有被有效融合和利用，人工智能可以產生強大的結果。通過主動情景規劃的收集和監測（COMPASS）計劃是一項雄心勃勃的努力，旨在通過結合幾個學科，如博弈論、建模和模擬，實現這一目標（Tucker，2018）。

同樣，人工智能可以通過支持對不同建議和行動方案（CoA）的評估和測試，在高層規劃中發揮寶貴的作用。通過對敵對勢力、他們的理論、能力、后勤以及可能的領導人的指揮風格進行建模，人工智能可以幫助指揮官和作戰計劃人員衡量哪些行動方案可能會產生最理想的結果。更進一步說，通過改變建模參數，人工智能可以豐富對假設的思考，突出文化偏見或新的見解。人工智能的應用可能有助于引起人們對被忽視的考慮，甚至有助于開發新的思考挑戰的方法。如圖8.1所示，人工智能在制定行動方案的不同階段有明顯的潛力，可以做出有價值的投入。

圖 8.1：制定行動方案的抽象流程圖

人工智能的未來發展方向

使用人工智能的行動結果和經驗表明，這項技術可以通過加強情報、部隊保護和協助決策來支持戰術活動的重要方式。本文所涉及的簡要意見為我們提供了對人工智能未來潛力的一瞥。越來越多地將人工智能引入國防，推動了始于20世紀末的軍事事務革命（RMA）。與20世紀90年代一樣，其基本目標仍然是整合新的智能技術，通過揭開 "戰爭迷霧 "來主導戰斗空間。

戰斗空間傳感器的增加加強了信息的收集，這些信息必須被處理、合并，并分配給部隊成員，以建立多重殺傷鏈。隨著仍處于早期階段的 "馬賽克戰爭 "概念的實現，這一趨勢將變得更加明顯（Clark和Schramm，2020）。人工智能與多領域作戰（MDO）結構高度相關，它將聯合能力匯集在一起，使早期發現對手的弱點并協調針對這些弱點的同步效應成為可能。人工智能使其有可能通過預測或識別甚至是暫時的弱點，例如，對手的雷達故障，并觸發快速行動和效果以利用時間敏感的目標。

作為一個系統的設計，人工智能的潛力被放大了。在思考空中力量的未來時，這方面出現了兩個有希望的方向：無人機群和忠誠的僚機。在無人機群中，微小的自主系統將像蟻穴一樣運作，其中每個單獨的元素不一定是高度專業化的，但結合成一個系統，提供了一種類似于集體的智能。由于一個元素抵消了其他元素的技術限制，在同步工作中，這些蜂群可以執行復雜的功能，如探測、欺騙和打擊。無人機群被視為未來飽和敵方防空系統的基本手段（Hamilton和Ochmanek，2020）。

另一方面，忠誠的僚機概念則更加雄心勃勃。目前正在開發的第六代飛機被設想為與自主無人機一起運行，協同執行任務。這些僚機將為它們的載人同行提高態勢感知和生存能力，并協助飛行員更快地做出更好的決定。忠誠的僚機將可以適應反映特定任務目標的角色--例如具有電子戰或打擊功能。在過去一個世紀里，領先的空軍利用質量擊敗對手的方法基礎上，忠誠的僚機將重新定義人機合作的動態，并導致未來空軍結構的根本變化。

人工智能相關的限制和危險

如果不強調等待用戶的限制和危險，對軍隊使用人工智能的任何概述都是不完整的。人工智能不是一個神奇的推動者。像任何新興技術或新技術一樣，人工智能將需要發展和測試--反映出未來需要大量投資。人工智能在軍事行動中的應用不是一個簡單的運行軟件的問題。人工智能需要各種投資流，以開發所需的系統、有利的基礎設施，當然還有人的因素，這將使其得到最有效的使用，并保護其免受復雜對手的攻擊。

• 人工智能需要各種投資流，以開發所需的系統、有利的基礎設施，當然還有人的因素，這將使其得到最有效的使用，并保護其不受復雜對手的攻擊。

必須創建新的數字架構、硬件和支持性基礎設施，以利用使人工智能成為可能的 "大數據"。將需要開發戰斗云來存儲數據，并且有必要確定數據和數據系統的性質和要求，以及適當的政策和治理框架。戰斗云和服務器的定位帶來了自己的挑戰--它們必須靠近用戶，但它們應該在空中還是在地面？無論答案是什么，它必須保證總部、指揮部和邊緣作戰人員之間的連接。

在當代軍事沖突中，各方都明白對連接和通信流的關鍵依賴。例如，在烏克蘭沖突期間，俄羅斯軍方瞄準了屬于商業電信服務提供商Viasat的服務器和數據交換節點，以阻止烏克蘭部隊的通信（Burgess, 2022）。事實上，人工智能有各種隱患，了解并能針對這些固有的局限性和脆弱性的對手可以利用這些隱患來損害其用戶的利益。例如，深度學習技術取決于所提供信息的質量和種類，以獲得準確的結果。

這就是為什么文化和無意識的偏見，限制了信息量，會導致操作員在與人工智能合作時做出錯誤的判斷。在人工智能所依賴的人機關系中，信任問題也會出現。如果人工智能比飛行員或受支持的指揮官更有創造力，并提供不尋常的方法來實現任務目標，這可能會引起懷疑和混亂，這在高速戰斗中是不可接受的。如果以同樣的方式產生的行動方案被推薦給盟友或聯盟伙伴，缺乏合理的推理會放大負面的后果。

另一方面，人類自然傾向于相信，當提供一個似乎連貫的結果時，機器是優越的。然而，過度自動化的風險會導致失常。在決策者處于高壓狀態下（例如等級或時間），通過依賴人工智能來指定目標，可能會造成錯誤，導致災難性的后果。

就像任何技術一樣，利用眾所周知的盾牌和劍的辯證關系，人工智能將不可避免地引發反戰略，并可能比預期更快地產生威脅。例如，北約空軍已經開發了自主無人機的進攻能力，卻沒有充分考慮到防御對手使用的類似系統。競爭對手在顛覆性技術時代發揮其能力的威脅有時被忽視，空軍需要告誡不要在人工智能方面重復類似的錯誤。這一點尤其重要，因為很多人工智能是利用商業上可獲得的或開放的軟件開發的，這使得對手有各種途徑來應對反戰略。

結論

人工智能是空中力量的一個強大的助推器，但它的潛力還沒有實現。有助于簡化人工智能的使用并允許盡可能精確地利用最多數據的新投入將提高其在不同級別戰爭中的應用潛力。從長遠來看，人工智能可能被證明在聯合層面上是最有用的，在那里它可以從每個部隊組成部分提供的大量數據和信息共享中受益。空軍領導人將需要決定可以給機器多大的自主權，以便在不影響戰略的情況下利用其品質。

• 人工智能可能被證明在聯合層面上最有用，它可以從每個部隊組成部分提供的大量數據和信息共享中受益。

空軍中通過壓縮時間周期來加快行動節奏和進程的爭奪，決不能成為目的本身。戰爭的目的最終是為了實現政治效果，而不是在最短的時間內開展行動。就目前而言，人工智能在軍事行動中的使用仍然不可能在三個經典的戰爭層面上持續進行。也不可能將人工智能置于軍事決策過程或戰斗空間行動的中心。為了改變這種情況，需要在技術和概念上取得重大進展，以及思維方式的轉變。當這種情況發生時，關于飛行員將消失的預測很可能很快就會實現。

2022 年 10 月 11 日，美國陸軍發布了一份綜合數據計劃（ADP），這是一種全軍范圍內改進數據管理以確保陸軍成為以數據為中心的組織的方法。

該計劃是一項為期三年的工作，將改善整個陸軍的數據管理、數據治理和數據分析。作戰任務是陸軍數據計劃的當前重點。ADP 在該任務領域的成果是通過進行必要的更改來確保作戰人員的數據得到正確管理和使用，從而為作戰人員提供優勢。陸軍已經開始對數據管理能力、工具和模型進行原型設計，以實現這一目標。

陸軍首席信息官 Raj Iyer 博士說：“數據以及如何在所有梯隊中整合這些數據以實現真正快速、敏捷的決策，才是真正為陸軍提供其在未來戰爭中所需的競爭優勢的關鍵。”

數據和數據分析將為 2030 年的陸軍提供動力。士兵將需要在正確的時間和正確的地點獲得正確的數據，以便在每個梯隊做出更快、更好的決策——以超越任何對手的思維和步伐。

與早期的軍事行動相比，現在的戰爭范圍更大且范圍不斷擴大。作為聯合全域作戰的一部分，多域作戰是陸軍必須準備并贏得下一場戰斗的地方。這是一個數據豐富的環境。

每個領域都有自己的信息和數據流，一些信息來自開源情報，一些來自天基傳感器，還有一些來自網絡空間。今天的士兵和指揮官需要跨領域的綜合來主宰戰場。

ADP 概述了工作的組織并提供了總體戰略目標。它側重于中期努力，未來將被另一個更新所取代。

通過陸軍數據計劃實現這一決策優勢是陸軍的關鍵目標。

對指揮官的認知要求正在增加。由于創新和變化的速度，指揮官做出良好風險決策的能力受到挑戰。未來的戰爭不太可能像以前的沖突或訓練演習那樣以常規戰斗為主。美國的對手避免使用既定的理論，這提出了難以預料或減輕的危險。鑒于指揮官不能僅僅避免風險，而是要接受風險以獲得并保持戰爭的主動權，指揮官及其參謀部應考慮陸軍的風險理論和陸軍風險管理中心的理論風險梯度法是否足以應對多域作戰概念中描述的未來戰爭。

從對認知的研究來看，"風險認知 "的概念為風險管理人員（通常是參謀人員或主題專家）和風險決策者（通常是指揮官）如何評價風險分析方法提供了啟示。風險感知，即對風險水平的主觀判斷，這種想法與提出事實和數據就一定有說服力的想法形成鮮明對比。風險感知的研究已經證明了背景、敘述和簡單性在風險交流中的重要性。在風險決策者中，不熟悉、不了解、以及深深的偏見或恐懼會導致對風險水平的認知與專家的認知相差甚遠。

另外三種風險分析方法與陸軍理論風險梯度進行了比較。這些工具源自民用方法，被用于項目管理、工程和其他與風險和預見有關的領域。它們是故障樹、場景假設和風險三要素。雖然它們都有一些量化的元素，但它們為風險管理人員提供了同樣多的空間，甚至更多的空間，以應用批判性思維和分享背景，如預測的不確定性或與規劃行動的聯系。

正如陸軍出版物和文章所描述的那樣，未來的戰爭預計需要指揮官掌握五個領域--包括不熟悉的網絡和空間領域--在作戰領域往往比以前更廣闊，在行動中趨向于提高機動速度和創新。在這樣的環境中，無論是競爭、沖突、反叛亂，還是大規模的地面作戰，所有軍事專業人員都應該使用盡可能好的風險分析來保護生命和實現目標。為此，本文對理論、領導人發展和參謀部行動提出了潛在改變方法。

信任是團隊有效性的基礎，它影響著各種團隊過程，包括信息共享、決策和團隊的整體成功。在那些在惡劣的、不確定的、高壓力的環境中工作的高績效團隊中，如軍事、急救、醫療、搜救和救災，在關鍵時刻不適當的信任水平（無論是過高還是過低）會導致隊友之間的次優互動，從而導致不安全的行為（De Jong和Elfring 2010；Costa等人2018）。例如，太過信任，或 "過度信任"，會使操作人員陷入自滿狀態，導致代價高昂的錯誤，并有可能失去人命和昂貴的設備；相反，信任太少，或 "信任不足"，會使團隊成員感到需要不斷監督對方，造成不平衡和不適當的工作負荷（de Visser等人，2020）。信任是通過作為一個聯系緊密的團體訓練，以及隨著時間推移的共同經驗而建立的（Fulmer和Gelfand 2012；Costa和Anderson 2017）。

隨著自主技術的不斷發展，未來的團隊結構很可能包括自主成員，他們的功能不僅是提供支持的工具，而且是成熟的隊友（Phillips等人，2011）。雖然人類表現文獻中有豐富的方法來評估個體（或對）的信任，但在理解如何衡量大型團隊的信任方面還存在差距（Feitosa等人，2020），以及哪些措施可能最適合由多個人類和多個自主系統組成的團隊的復雜性。使信任度量更加復雜的是，團隊信任是一種動態狀態，在團隊的生命周期中不斷波動，并進一步受到社會、任務和環境背景的影響（Schaefer等人，2018a；Schaefer等人，2019a）。然而，信任在這些更大的、異質的團隊中發展和傳播的過程仍然不清楚。因此，為了使這些技術能夠充分支持團隊運作，關鍵是要了解在人類自主團隊的背景下，信任是如何發展、維持和衡量的。因為信任是復雜的，所以需要一種多模式的測量方法。因此，在本報告中，我們描述了一個概念性的工具包，它的開發是為了更準確、更有力地理解人類自主性團隊中的信任。

鑒于我們的未來社會將看到由多個人類和多個自主系統組成的異質團隊的興起，量化團隊不同成員之間的信任關系，以及了解信任對全球團隊動態的一系列影響非常重要。從這個方法來看，人與人之間的信任與人機合作關系，甚至機器與機器合作關系內部的信任是不一樣的。這些不同類型的互動有不同的優先因素和特點，以及這些互動如何影響整個團隊的信任傳播。考慮到所有這些因素，關鍵是要首先了解現有信任措施的能力和局限性，以便對其進行調整以滿足這些需求，或者在必要時，開發新的措施來支持團隊信任評估。為此，本報告探討了信任評估技術的現狀，包括那些新穎的、超出主觀評估范圍的技術。

第2節我們首先定義了人類自主性團隊，并概述了人類自主性團隊特有的團隊信任。

第3節確定并描述了不同類型的信任，這些信任在其發展過程中是不同的，特別是它們如何影響人類自主性團隊合作。

第4節分解了文獻中已被充分記錄的不同的信任度量方法，其中包括團隊信任的主觀、溝通、行為和生理指標，以及這些如何為在動態環境中運作的人類自主性團隊的有效信任校準提供多模式度量方法。在下文中，我們利用一個說明性的案例研究，詳細介紹了度量團隊信任的多步驟方法，并對模式和后續指標的選擇提出了建議，還指出了團隊信任度量中涉及的一些限制和注意事項。

1. 簡介

機器學習（ML），從廣義上講，是一類自動優化參數以處理給定輸入并產生所需輸出的計算機算法。ML的一個經典例子是線性回歸，據此找到一條最適合（通過）一組點的線。最近的一個例子是分類任務，如用 "貓 "這樣的單字來標記一張百萬像素的圖像。

對于許多應用，ML完成了人類可以做得同樣好的任務。然而，ML在兩種情況下大放異彩：1）任務的數量巨大，例如數百萬；2）問題的維度超出了人類思維的理解。一個簡單的例子是同時實時監控成千上萬的安全攝像頭，尋找可疑的行為。也許一個ML方法可以發現異常事件，并只與人類觀察者分享這些視頻片段。更好的是，異常圖像可以被暫時貼上諸如 "1號入口處的蒙面入侵者 "之類的標簽，以幫助保安人員只關注相關的信息。

除了減少人類的負擔外，ML還可以將人類可能無法識別的復雜的相互聯系拼湊起來。例如，一個ML算法可以發現，在一百萬個銀行賬戶中，有五個賬戶的交易似乎是同步的，盡管它們沒有相互發送或接收資金，也沒有向共同的第三方發送或接收資金。

鑒于手持和固定設備的計算資源不斷增加，我們有必要想象一下，ML可以在哪些方面改變戰爭的打法。當然，ML已經對美國陸軍的科學研究產生了影響，但我們也可以很容易地想象到自主車輛和改進的監視等作戰應用。

本文件的主要目標是激勵美國陸軍和美國防部的人員思考ML可能帶來的結果，以及為實現這些結果，哪些研究投資可能是有成效的。

5. 使用機器學習的ARL研究

在ARL的許多研究項目中，機器學習目前正在被使用，或者可以被使用。我們列出了一些使用ML或可能從ML中受益的研究項目。我們列出的與ML相關的ARL研究工作絕非完整。

6. 軍隊作戰應用

雖然從技術上講，機器學習自19世紀初高斯發明線性回歸以來就一直存在，但我們相信，ML的最新進展將以我們目前無法想象的方式影響軍隊。在本節中，我們概述了我們認為將得到加強的軍隊行動的許多領域，以及可能采用的ML方法的種類。

6.1 軍事情報

軍事情報包括信息收集和分析，因為它涉及到指揮官做出最佳決策所需的信息。由于收集的數據量越來越大，處理必須自動化。需要考慮的主要問題是數據的數量、速度、真實性和多樣性。大量的數據（又稱大數據）需要在許多計算節點上對數據進行智能分配。速度要求快速計算和網絡連接到數據流。真實性是對信息來源和異常檢測的信任問題。多樣性相當于使用許多不同的ML算法的不同訓練模型的應用。我們在本小節中概述了不同類型的數據和分析要求。

6.1.1 自然語言處理

讓計算機從從各種媒體來源收集到的大型文本數據庫中提煉出重要的概念和文本部分，有很大的好處。最近報道的另一個ML突破是不同語言之間的精確文本翻譯。 軍隊的一個獨特挑戰是翻譯不常見的語言，因此專業翻譯人員較少。在人工通用智能（AGI）領域，一些團體聲稱，自然語言處理將是類似人類認知的基礎。

6.1.2 數據挖掘

鑒于人類、傳感器和代理產生的數據的激增，一個很大的問題是，除了證明其收集的直接用途之外，這些數據還包含什么剩余價值。數據挖掘可以是統計學和機器學習的努力，以發現數據中的模式，否則人類操作者就會錯過。

6.1.3 異常檢測

傳統上，異常檢測是通過首先識別已知數據的群組和描述數據的分布來進行的。然后，當新的輸入被處理時，它們被識別為屬于或不屬于原始分布。如果它們在已知分布之外，就被認為是異常的。以下許多類型的異常檢測系統可能對軍隊有用。

• 網絡入侵檢測：超出常規的網絡流量。McPAD和PAYL是目前使用的軟件中的2個這樣的例子，它們使用了異常檢測。

• 生活模式異常：人們的視覺和生物統計學上的行為方式與常人不同，表明他們可能正在進行一些對抗性行動。

• 基于條件的維護：在當前生命周期中，材料/系統在其年齡段不典型的信號。

• 士兵異常：有理由相信士兵的生物識別技術不正常。

• 異物檢測：在已知物資數據庫中無法識別的物體的視覺效果。

6.2 自主性

6.2.1 自動目標識別

自動目標識別（ATR）是一個非常成熟的領域，已經使用機器學習幾十年了。

1）目前深度學習的進展將在多大程度上增強ATR？

2）更復雜的算法是否需要更復雜/更耗電的機載計算？

3. ML是否能對目標的各種欺騙性的混淆行為具有魯棒性？

4. 強化學習在多大程度上可以用來進行實時軌跡調整？

6.2.2 機器人學

機器學習在機器人學中的應用也是一個巨大的領域。ML應用領域包括傳感、導航、運動和決策。目前，傳感將從計算機視覺的所有進展中受益。導航，除了使用標準的GPS之外，還可以從自我運動中受益，也就是基于自身感知的運動估計。運動可以被學習，而不是規劃，這不僅會導致更快的開發時間，而且還能在新的環境或受損的模式下重新適應（例如，失去四條腿中的一條）。最后，隨著機器人的數量超過人類操作員的數量，機器人將有必要自行決定如何執行其規定的任務。它將不得不做出這樣的決定："由于電池電量不足，我是否要回到大本營？"或者 "我是否繼續前進一點，然后自我毀滅？"

6.2.3 自愈性

除了機器人技術，人們最終希望任何系統在損壞或不能滿負荷工作時能夠自我糾正。這需要在某種程度上的智能，以自主診斷缺陷和問題，并利用其可用的資源糾正這些問題。

6.2.4 倫理

在通過機器學習來學習自主權的情況下，問題將是："自主系統將如何應對X情況？" 這里的問題是，對于一個擁有潛在致命武力的系統，我們怎么能確定它只會正確合法地使用武力？我們推測，在機器學習的算法擁有使用致命武力的實際能力之前，必須對其進行廣泛的測試，即使它與人類的環形決策相聯系。

6.3 通過玩游戲來訓練智能代理

近年來，大量的研究都在研究使用機器學習來自主地玩各種視頻游戲。在某些情況下，報告的算法現在已經超過了人類玩游戲的水平。在其他情況下，仍然存在著處理長期記憶的挑戰。對于美國空軍來說，智能代理已經成功地在以戰斗為中心的飛行模擬器上進行了訓練，這些模擬器密切模仿現實生活。陸軍的問題包括以下內容。

• 智能代理能否附加到機器人平臺上？

• 智能在多大程度上可以通用于處理現實生活與視頻游戲中遇到的各種情況？

• 當我們可能不理解一個訓練有素的代理的邏輯時，我們能相信它的行動嗎？

• 代理在多大程度上能夠與人類合作？

6.4 網絡安全

在過去的十年里，機器學習在網絡安全方面發揮了不可或缺的作用。具體來說，ML可以用于異常檢測，檢測已知威脅的特定模式，并辨別網絡行為是否可能由惡意代理產生。隨著該領域的不斷加強，問題是ML是否能使安全比對手領先一步，因為對手可能利用ML來混淆檢測。

6.5 預測和結構健康監測

一個長期的設想是，軍隊使用的每一個機械系統都有一些關于系統當前和預測健康的內部感應。相關問題如下。

• 我們能從有限的傳感器中辨別出一個系統或系統組件的當前健康狀況嗎？

• 機載ML能否預測一個系統或系統部件在暴露于特定環境或彈道侮辱之后的健康狀況？

6.6 健康/生物信息學

6.6.1 序列挖掘

隨著基因組序列的數量繼續呈指數級增長，比較在現場獲得的序列所需的計算工作可能變得無法管理。機器學習可以通過對序列進行不同層次的分類來減少必要的比較。

6.6.2 醫學診斷

93 近年來，機器學習已經在檢測各種組織中的惡性腫瘤方面取得了長足的進步。94 它同樣可以被用來描述創傷或創傷后應激障礙（PTSD）95，并制定治療計劃。

6.7 分析

陸軍的一個重要組成部分集中在對行動、系統、研究和測試的分析上。傳統上，分析人員使用大量的工具，包括機器學習，以多維回歸、聚類和降維的形式。隨著深度學習的出現，一套新的工具應該是可能的，可以更有效地處理需要更復雜模型的大型數據集。例如，應該有可能從測試期間拍攝的視頻流中提取特征和物理屬性，這可能超過目前的標準做法。

6.8 機器學習的其他用途

• 自適應用戶界面（AUI）和情感計算。ML可以用來確定用戶的心理和/或情緒狀態，并提供適合這種狀態的界面。此外，可變的AUI可以服務于用戶的變化。例如，一些用戶可能喜歡音頻反饋而不是視覺反饋。

• 推薦系統。最流行的推薦系統之一是根據以前看過的電影的評分來選擇用戶想看的下一部電影（例如，所謂的 "Netflix問題"）。對于軍隊來說，可以根據以前的使用情況和庫存核算的反饋來推薦后勤補給的情況。

• 搜索引擎/信息檢索。傳統上，搜索引擎返回文件的 "點擊率"。新的范式是以簡明的形式回答用戶的問題，而不是簡單的模式匹配。

• 情感分析。社交媒體上的流量和對環境進行訓練的各種傳感器不僅可以檢測關鍵的關鍵詞或特定物體的存在，還可以推斷出可能的攻擊的可能性。

• 有針對性的宣傳。傳統上，宣傳是通過散發傳單來完成的，如今，宣傳可以通過社交媒體來傳播。ML的角度是如何以最有說服力的信息向正確的人口群體進行宣傳。此外，重要的是快速檢測和顛覆來自對手針對我們自己的人員/人民的宣傳。

7. 機器學習的研究差距

本研究的目標之一是確定當前研究中的差距，這些差距可能會限制ML在軍隊研究和行動中的全部潛力。本節借用了ARL運動科學家Brian Henz博士和Tien Pham博士（未發表）的戰略規劃工作。

7.1 如何將軍隊的數據/問題納入當前的方法中

傳統上，在一個特定領域采用ML的一半戰斗是弄清楚如何適應現有的工具和算法。對于陸軍所面臨的許多問題來說，這一點更為突出，與其他學術、商業或政府用途相比，這些問題可能是獨一無二的。任何數據分析員面臨的第一個問題是使數據適應他們想要使用的統計或ML模型。并非所有的數據都使用連續變量或者是一個時間序列。離散/標簽數據的管理可能非常棘手，因為標簽可能不容易被轉換成數學上的東西。在自然語言處理中的一個例子是，單詞經常被轉換為高維的單熱向量。另一個例子可能是如何將大量的維修報告轉換為對某一特定車輛在一段時間內的表現的預測。

此外，陸軍的要求超出了典型的商業部門的使用范圍，不僅需要檢測物體和人，還需要檢測他們的意圖和姿態。這將需要開發新的模型。另一個大的要求是可解釋性，正如DARPA最近的一個項目所概述的那樣：是什么因素導致ML算法做出一個特定的決定？在一個真實的事件中，如果一個ML算法在沒有人類驗證的情況下宣布一個重要目標的存在，我們能相信這一決定嗎？

7.2 高性能計算

隨著對計算要求高的ML任務的設想，開發人員正在使用多線程、并行和異構架構（GPU、多核）來加快計算速度。ML的分布式實現遠不如GPU版本常見，因為分布式計算中的節點間通信存在固有的網絡瓶頸，而且在單精度浮點性能方面，GPU相對于CPU有很大優勢。除了目前對GPU的強烈依賴，生物啟發式神經計算旨在尋找非馮-諾伊曼架構來更有效地執行ML，并可能更快。這方面的一個例子是IBM的神經形態芯片。97 未來的研究應該關注如何分配ML處理，使節點之間的網絡通信最小化。另外，像聚類這樣的無監督學習算法在多大程度上可以被映射到神經網絡中？

其他需要考慮的事情。

• 目前的ML軟件（特定的神經網絡）在一個小型的GPU集群中表現最好。

• 大多數基于非神經網絡的ML算法的并行性不高，或者根本就沒有并行。

• 另一個軍隊的具體挑戰是分析基本上沒有標記的數據集（例如，用無監督學習）。手動標注集群將是一種半監督學習的形式。

7.3 獨特的尺寸、重量、功率、時間和網絡限制因素

隨著進入偏遠地區或任何遠離基地的地區，軍隊必須限制系統的尺寸、重量和功率。此外，在 "激烈的戰斗 "中，時間是關鍵。例如，人們不能在遭到槍擊時等待作戰模擬的完成。最后，在其他商業發射器占主導地位的地區，或者在限制無線電通信以提高隱蔽性的情況下，網絡帶寬可能會受到很大限制。

在這種倍受限制的環境中，機器學習將需要有效地進行，而且往往是以一種孤立的方式進行。截然相反的條件是使用大型數據庫訓練大型神經網絡，這往往是最先進的機器學習功力的情況。商業部門正在開發自動駕駛汽車，據推測將使用低功耗的計算設備（如現場可編程門陣列、移動GPU）進行自主駕駛、道路/障礙物檢測和導航。然而，陸軍將有更多的要求，包括自主傳感器和執行器、態勢感知/理解、與人類的通信/合作，以及廣泛的戰場設備。這將需要多幾個因素的計算能力和特定算法的硬件，以實現最佳的小型化和低功耗。

7.4 用雜亂的或欺騙性的數據訓練/評估模型

在混亂的環境中，操作環境預計會有比通常密度更高的靜態和動態物體。此外，人們完全期待主動欺騙以避免被發現。我們也希望能夠開發出足夠強大的算法，至少能夠意識到欺騙，并相應地調低其確定性估計。

7.5 用小的和稀疏的數據訓練一個模型

基于CNN的目標分類的突破可以部分歸功于每個物體類別的成千上萬個例子的可用性。在軍隊場景中，某些人和物體的數據可能是有限的。人們最終將需要one-hot99或multishot分類器，其中幾個有代表性的數據條目就足以學習一個新的類別。到目前為止，最好的選擇是 "知識轉移"，通過調整以前訓練的模型的所有參數的子集來學習新的類別。我們的想法是，由于需要優化的參數較少，修改這些參數所需的數據也較少。

7.6 專門針對軍隊相關目標的訓練模型

即使對于我們可以產生大量圖像的目標類別（例如，友好物體），我們也需要訓練自己的模型，以便從每個類別的潛在的數千張圖像中識別軍隊相關類別。軍隊還使用商業車輛中通常不存在的其他傳感模式（例如，熱能和雷達）。因此，需要為這些非典型的傳感設備訓練模型。從根本上說，非典型傳感設備可能需要新的神經網絡拓撲結構以達到最佳的準確性和緊湊性。

7.7 將物理學納入推理中

一個值得研究的有趣領域是將模型和模擬與機器學習相結合。有很多方法可以做到這一點。例如，ML可以用來推導出模擬的起始參數。此外，ML還可以用來處理模擬的輸出。一個耐人尋味的新領域是開發基于物理學或類似物理學的模擬，使用類似ML的模型/方程。一個這樣的應用是預測 "如果？"的情景。例如，"如果我跑過這棵樹呢？接下來會發生什么？"

7.8 軟人工智能

機器學習在傳統上被認為是人工智能的硬性（即數學）表現形式。有可能最終，所有的人工智能任務都會被簡化為數學。然而，就目前而言，一些智能任務似乎更多的是基于推理或情感。對于之前描述的方法中的任務，ML并不能充分解決以下軟性人工智能的特點。

7.8.1 類似人類的推理

人類并不總是完全按邏輯推理，但他們也有能力將不完整的信息拼湊起來，做出 "最佳猜測 "的決定。幾十年來，對這種行為進行編碼一直是一個挑戰。

7.8.2 情感

情緒似乎是驅動人類達到某些目的的動機/目標功能。例如，快樂可能會導致不活動或追求生產性的創造力。另一方面，恐懼則可能會導致忍氣吞聲。計算機是否需要情感來更有效地運作，還是說它們最好擁有100%的客觀性？這既是一個哲學問題，也是一個未來的研究方向。不過現在，毫無疑問的是，在人與代理人的團隊合作中，計算機需要準確地解釋人類的情感，以實現最佳的團體結果。

7.8.3 社會交流

與人類的互動性是陸軍研究未來的首要關注點。一個類似的問題是，不同的計算機系統之間如何進行交流，而這些系統不一定是由同一個實驗室設計的。研究的一個領域是用計算機來教那些在這方面有困難的人進行社會交流。 再一次，對于人與代理的合作，代理將需要能夠參與社會互動，并在人類的陪伴下遵守社會規范。

7.8.4 創造性

創造力通常被認為是隨機合并的想法，與新的元素相結合，由一個鑒別功能決定新創造的項目的功能和/或美學。在某些方面，創造力已經被某些計算機實驗室所證明。例如，為了設計的目的，計算機可以被賦予某些方面的創造力。

7.8.5 通用智能

人工智能的最終目標是將許多狹義的智能算法合并成一個統一的智能，就像人類的頭腦一樣。75鑒于許多狹義的人工智能任務已經比人類的某些任務要好，即使是早期的所謂人工通用智能（AGI）也可能具有一些超人的能力。AGI的一個主要目標是將目前由人類執行的某些任務自動化。

7.8.6 人工超級智能

如果不提及許多哲學家的猜測，機器學習將最終能夠改進自己的編程，導致能力的指數級提高，也許會遠遠超過人類智能，那么機器學習的研究就不完整了。這些設想既是烏托邦式的104，也是烏托邦式的105。希望超級智能能夠解決世界上的許多問題。

8.結論

在這項工作中，我們回顧了機器學習的不同類別，并描述了一些更常用的方法。然后，我們指出了一小部分關于ML在ARL中的應用的例子。最后，我們預測了ML在未來可以應用于軍隊的各個領域，并概述了為實現這一結果需要解決的一些挑戰。我們希望這份文件能夠激勵未來的研究人員和決策者繼續投資于研究和開發，以充分利用ML來幫助推動美國陸軍的發展。

前言

ADP 6-0，任務指揮：陸軍部隊的指揮與控制。對任務的指揮與控制以及指揮與控制作戰功能的基本原理進行了討論。它描述了指揮官如何在其參謀部的支持下，將指揮與控制的藝術和科學結合起來，以了解情況、作出決定、指導行動，并帶領部隊完成任務。

為了理解ADP6-0中的理論，讀者應該理解ADP3-0《作戰》中描述的作戰性質和統一陸軍作戰的基本原理。陸軍的領導素質和能力對于行使指揮和控制至關重要，讀者也應該熟悉ADP6-22《陸軍領導力》和FM6-22《領導者發展》中的領導力基礎知識。在行使指揮和控制權時，軍隊的道德規范指導著決策和行動，讀者必須了解ADP 1-1《軍隊職業》中的觀點。由于作戰過程是行使指揮和控制的框架，讀者也必須理解ADP5-0《作戰過程》中所確立的作戰過程的基本原理。

ADP6-0中的理論構成了指揮和控制戰術、技術和程序的基礎。關于這些戰術和程序的解釋，請參見FM6-0《指揮官和參謀部組織與行動》。關于指揮與控制相關技術的解釋，請參見ATP 6-0.5《指揮所的組織與運作》以及其他輔助技術出版物。

ADP6-0的主要受眾是陸軍指揮官、領導和單位工作人員。任務指揮對各級下屬提出了更高的要求，在行動和駐軍活動中理解和實踐任務指揮原則對陸軍職業的所有成員都是必不可少的。

陸軍在歷史上曾作為聯盟的一部分與聯合和多國伙伴作戰，而ADP6-0與聯合和多國的理論相嵌套。需要聯合能力來開展行動的陸軍總部的指揮官和參謀人員，或作為聯合特遣部隊或多國總部，也應參考有關聯合或多國部隊的指揮和控制的適用條令。

ADP6-0執行了北大西洋公約組織標準化協議2199《盟軍陸軍的指揮與控制》。

指揮官、參謀部和下屬確保他們的決定和行動符合適用的美國、國際，以及在某些情況下符合東道國的法律和法規。各級指揮官確保他們的士兵按照軍隊道德規范、戰爭法和交戰規則行動。(關于戰爭法的討論見FM27-10）。

ADP6-0在適用的情況下使用聯合術語。選定的聯合和陸軍術語和定義同時出現在詞匯表和正文中。ADP 6-0是支持者出版物（權威）的術語在詞匯表中標有星號（*）。ADP 6-0是提議者出版物的定義在文本中以黑體字顯示。對于文本中顯示的其他定義，該術語為斜體，并在定義后面標明提議者出版物的編號。

除非另有說明，ADP6-0適用于現役陸軍、陸軍國民警衛隊/美國陸軍國民警衛隊和美國陸軍預備役。

ADP6-0的倡導者是美國陸軍聯合武器中心。準備機構是聯合武器理論局，卓越任務指揮中心。

簡介

此次對ADP 6-0的修訂代表了基于2012年以來的經驗教訓的任務指揮理論的演變。使用任務指揮一詞來描述多種事物--作戰功能、系統和理念--造成了不可預料的模糊性。任務指揮取代了指揮和控制，但在實際應用中它往往意味著同樣的事情。這導致了領導層在行動和駐軍活動中對任務指揮的適當應用有不同的期望。給多種事物貼上任務指揮的標簽，無意中削弱了任務指揮的重要性，而任務指揮對軍隊在整個軍事行動中的指揮和控制至關重要。將任務指揮與指揮與控制區分開來，可以提供清晰的概念，使領導人能夠在他們執行的任務中關注任務指揮，并使陸軍與聯合和多國伙伴保持一致，他們都使用指揮與控制一詞。

指揮和控制--由適當指定的指揮官對指定的和附屬的部隊行使權力和指導--是戰爭藝術和科學的根本。任何一項專門的軍事職能，無論是本身還是與其他職能相結合，沒有它就沒有目的。指揮官負責指揮和控制。通過指揮和控制，指揮官提供目的和方向，將所有軍事活動整合到一個共同的目標--完成任務。軍事行動本質上是人類的努力，其特點是暴力和所有參與者的不斷適應。成功的執行需要陸軍部隊比敵方部隊更快地做出和執行有效的決定。因此，陸軍采用任務指揮作為其指揮和控制的方法，賦予下屬決策權和適合情況的分散執行權。

行動的性質和軍事歷史的模式表明了任務指揮的優勢。任務指揮的根源可以追溯到德國的Auftragstaktik（字面意思是任務型戰術）概念。Auftragstaktik是普魯士軍隊在1809年耶拿戰役中被拿破侖擊敗后普魯士軍事改革的結果。格哈德-馮-沙恩霍斯特、奧古斯特-馮-格奈森瑙和赫爾穆特-馮-毛奇等改革者試圖制定一種規劃戰役和指揮大軍在廣闊戰場上作戰的方法。辯論的核心是認識到，戰場上的下級指揮官往往比總參謀部更了解戰斗中發生的事情，如果允許他們根據這些知識做出決定，他們就更有可能對威脅和轉瞬即逝的機會做出有效反應。下級指揮官需要有權力根據不斷變化的形勢和計劃中沒有涉及的意外事件做出決定并采取行動。經過幾十年的辯論，軍隊的專業化，以及在1864年丹麥-普魯士戰爭、1866年普奧戰爭和1870年法俄戰爭中的實際應用，Auftragstaktik被編入1888年德國演習條例。

在Auftragstaktik中，指揮官向下級指揮官發出一個明確的目標、完成目標的資源和完成目標的時間框架。然后，下級指揮官被賦予自由，在上級指揮官的意圖范圍內計劃和執行任務。在執行過程中，Auftragstaktik要求在指揮官的意圖范圍內采取行動的偏向，它要求領導人按照他們個人的看法來適應情況，即使他們的決定違反了以前的指導或指令。要在這種指揮風格下有效運作，需要有一個共同的行動方法，以及在專業上有能力和受過獨立決策訓練的下屬。

任務指揮的各個方面，包括指揮官的意圖、有紀律的倡議、任務命令和相互信任，長期以來一直是美國陸軍文化的一部分。自18世紀以來，最成功的美國陸軍指揮官們都采用了任務指揮的要素。格蘭特在1864年戰役中對謝爾曼的命令和謝爾曼的支持計劃是明確指揮官意圖、任務命令和基于相互信任的理解的典范。(見第1-9頁的小插曲。)在談到行動命令時，陸軍1905年的《戰地服務條例》中有以下一段話，作為對任務命令的早期討論：

• 命令不應侵犯下級的權限。它應包含超出下級獨立權限的一切內容，但僅此而已。當命令的傳達涉及相當長的時間，期間情況可能發生變化時，應避免詳細的指示。同樣的規則也適用于在命令發出者無法完全預測的情況下必須執行的情況；在這種情況下，指導信更為合適。它應該強調要達到的目標，并留下要使用的手段。

艾森豪威爾對1944年入侵歐洲和擊敗納粹德國的總體計劃和意圖是一個任務指揮的例子，它指導盟軍從諾曼底到萊茵河及更遠的地方作戰。一個更近的例子是2003年第三步兵師向巴格達進軍以及隨后的 "雷霆行動"，向世界展示了伊拉克政權被打敗的事實。退役將軍戴維-帕金斯（David Perkins）（在這次行動中擔任旅長）寫道："這些雷霆行動之所以成功，是因為軍團和師級指揮官在他們的命令中確立了明確的意圖，并相信他們的下屬的判斷力和能力，在應對一個流動的、復雜的問題時行使有紀律的主動性，為他們承擔的風險做了擔保"。

任務指揮需要有戰術和技術能力的指揮官、參謀部和下屬在一個相互信任和共同理解的環境中運作。它需要建立有效的團隊和指揮氛圍，在這種氛圍中，指揮官鼓勵下屬承擔風險，發揮紀律性強的主動性，在指揮官的意圖范圍內抓住機會，應對威脅。通過任務命令，指揮官將下屬的注意力集中在行動的目的上，而不是如何執行指定任務的細節上。這使得下屬在特定情況下有盡可能大的行動自由。最后，在向下級授權時，指揮官根據分配的任務向下級分配資源，為成功創造必要的條件。

指揮官需要得到支持才能有效地行使指揮與控制。在每一個指揮梯隊中，指揮官都會得到指揮與控制作戰功能的支持--相關的任務和系統，使指揮官能夠同步和融合所有的戰斗力要素。指揮官通過其參謀部和下屬領導執行指揮與控制。

本出版物提供了關于任務指揮、指揮與控制以及指揮與控制作戰功能的基本原則。本版ADP6-0的主要更新和變化包括

• 將ADP6-0和ADRP6-0的信息合并為一份文件。

• 指揮與控制被重新引入陸軍理論。

• 擴大了對指揮與控制及其與任務指揮關系的討論。

• 修訂了任務指揮原則。

• 指揮與控制體系的重新引入，以及新的任務和最新的系統描述。

• 擴大了對指揮與控制體系的討論。

ADP 6-0包含4章:

第1章對任務指揮、指揮和控制進行了概述。它描述了行動的性質和陸軍的作戰概念，以及如何通過任務指揮來實現。然后，它討論了指揮和控制的功能，以及指揮官如何為任務指揮的發展創造條件。本章最后討論了指揮與控制的作戰功能。

第2章對指揮進行了定義和描述。它描述了指揮的性質，提供了指揮的要素，描述了指揮官在作戰中的作用，并提供了有效指揮的指南。

第3章定義和描述了控制及其與指揮的關系。它討論了控制的要素和有效控制的指南。最后，本章討論了知識管理和信息管理的重要性，因為它們與控制有關。

第4章討論了履行行使指揮和控制所需職能的指揮和控制系統。這包括討論作為指揮和控制系統組成部分的人員、程序、網絡和指揮所。它還討論了指揮所的設計和組織考慮。

介紹性的表-1列出了修改后的術語和縮略語。第x頁的介紹性圖-1說明了ADP 6-0的邏輯圖。

介紹性的表-1。新的、修改的和刪除的陸軍術語

介紹性的圖-1。邏輯圖

摘要

記錄一個系統或集成系統內所有信息變化的出處，這提供了關于正在做出的決定和促使這些決定的重要信息。從取證的角度來看，這可以用來重新創建決策環境。然而，出處也可以為其他兩個重要功能服務。收集的數據可以支持組件的整合，而生成的圖形數據結構可以通過解釋、總結和告警來支持操作員進行態勢感知。混合戰爭將必然匯集不同決策支持能力，因為決策者必須在多個戰爭領域運作。自主代理將可能在計劃和執行過程中發揮作用，有時能夠在沒有人類干預的情況下做出決定，但人類決策者必須意識到這一點。事實證明，證據圖可以轉化為修辭結構圖（RSG），使代理能夠用自然語言甚至多模態交流，向人類解釋他們的行動。證據還被證明可以加強對計劃執行監控，并可用于向人類或自主代理提供通知，當計劃中使用的信息發生變化時，可能需要重新考慮計劃。隨著我們朝著智能機器在復雜環境中支持人類決策者團隊的方向發展，跟蹤決策及其輸入的需要變得至關重要。

引言

出處是關于實體、活動、代理以及這些概念之間關系的信息[1]。這些信息不僅僅解釋了發生了什么，它還回答了關于實體如何被操縱、何時發生以及誰參與了這個過程的問題。我們很可能熟悉關于追蹤藝術作品出處的新聞和虛構的故事。任何實體的創造、破壞或修改的出處都可以被追蹤。在本文中，我們將重點討論軍事系統內的信息。在指揮與控制（C2）內，信息出處對于記錄行動背后的決策過程是必要的，特別是當自主和人工智能（AI）代理深入參與時。參與某一過程的 "誰 "可能是人類或人工智能代理。

信息出處有幾個目的。在取證方面，出處追蹤提供了參與決策的人和代理，以及數據是如何演化為該決策的。美國公共政策委員會指出，數據出處是算法透明度和問責制的一個明確原則[2]。完整記錄的出處可以闡明數據的依賴性、責任流，并幫助解釋為什么采取某些行動。隨著人工智能和自主代理繼續自動化進程，它們在做出關鍵決策時已變得更加不可或缺[3]。

圖1 PROV-DM模型。