研究要求：

由于傳感器數量不斷增加，人工智能（AI）的應用也日益廣泛，未來作戰環境的特點將是信息量大、決策速度快。因此，陸軍指揮官及其參謀人員將需要更快地做出決策和篩選大量信息的能力。商用人工智能系統具有提供這種能力的潛力，但陸軍不能假設 "開箱即用 "的商用人工智能系統具有全部能力，因為這些系統需要針對美國陸軍的具體情況進行充分的訓練。此外，還需要開展研究，以了解目前人工智能在陸軍中的應用情況。總的來說，人工智能往往擅長于主要通過模式識別來解決的任務，以及可以通過任務數據進行預測的任務，如圖像識別、醫療診斷和轉錄。然而，人工智能能否用于提高美國陸軍的信息收集效率，目前還不得而知。因此，在當前的研究中，探討了以下問題： 人工智能能否用于提高美國陸軍任務式指揮流程中的信息收集效率？

方法：

為了回答研究問題，使用了一個商業人工智能應用系統，它反映了陸軍任務式指揮人工智能應用原型的首次開發工作。在這項研究工作中，比較了這一適合陸軍的人工智能系統和其他兩種信息收集方法在信息收集任務中的表現：一種是傳統的信息收集方法（搜索計算機文件夾中的 PDF 文件），另一種是非適合陸軍的人工智能系統。針對軍隊的系統使用軍隊相關知識來幫助搜索（例如，它知道 "MDMP "等同于 "軍事決策過程"），而非針對軍隊的系統則沒有。在以下方面對三種搜索方法進行了比較 1) 參與者找到準確搜索結果所需的時間；2) 參與者搜索結果的準確性；3) 參與者對搜索結果的信心程度；4) 參與者使用系統的工作量感知；5) 參與者對系統可用性的感知。

研究結果：

與使用傳統搜索方法相比，學員在使用人工智能系統進行搜索時既沒有更快，也沒有更準確。在使用人工智能系統時，參與者對搜索結果的信心也沒有傳統方法高。不過，在使用軍隊定制的人工智能系統而不是非軍隊定制的系統時，參與者的搜索速度更快，但準確性也更低。最后，不同搜索方法的參與者對工作量和可用性的感知沒有明顯差異。

利用和傳播研究結果：

這項研究是確定人工智能系統對信息收集效率影響的第一步。總體而言，研究結果表明，人工智能系統可能不會大幅提高美國陸軍任務式指揮流程的信息收集效率，至少不會立即提高。雖然這項研究的重點是在受控實驗室中執行一項無害的任務（即針對戰術情況尋找條令解決方案），但未來計劃中的用途不會像現在這樣無害，這表明未來的研究需要對假設進行檢驗。在對人工智能進行投資的同時，還應在培訓和研究方面進行投資，以充分發揮人工智能的優勢并降低風險。假定人工智能系統是靈丹妙藥并非明智之舉，事實上，這項研究表明，人工智能系統需要經過全面審查。

聯合出版物 3-121 將網絡空間優勢定義為："一支兵力在網絡空間中的主導程度，允許該兵力及其相關陸地、空中、海上和太空兵力在特定時間和地點安全可靠地開展行動，而不受對手的干擾"。網絡空間既是其自身的領域，也是所有其他作戰領域的關鍵推動因素。因此，要成功實施多域作戰，似乎必須獲得網絡空間優勢。這就提出了一些問題，例如

• 如何獲得網絡空間優勢？
• 持續的網絡空間優勢是一個現實的目標嗎？
• 網絡空間優勢是否總是必要的，或者在某些情況下較小或較大程度的優勢是否合適？

要開始回答這些問題以及圍繞網絡空間優勢的大量其他基礎研究問題，我們必須首先探索網絡空間優勢以及更廣泛意義上的網絡空間優勢背后的概念。這項工作旨在提供初步定義和關鍵概念，以制定網絡空間優勢的概念框架，更具體地說，是受時間限制的網絡空間優勢窗口（CWoA）。

圖 1 作戰環境的領域 (圖片轉載自《陸軍野戰手冊 3-0）

概念框架

需要建立 CWoA 框架，以促進對這一概念的共同理解和結構化探索，類似于洛克希德-馬丁公司的 "網絡殺傷鏈 "框架或 MITRE 公司的 "對抗性戰術、技術和常識"（ATT&CK）框架，它們有助于為這些領域提供必要的概念和分析框架。

我們需要為 CWoA 建立理論、概念和分析框架，然后才能科學地推進在多域行動中利用 CWoA，并有可能圍繞 CWoA 概念創建新的軍事能力。理論框架有助于回顧在這一思路中發揮作用的現有理論，并就現有理論中缺少什么（如果有的話）以幫助我們研究 CWoA 和實現預期能力達成共識。例如，先前關于關鍵網絡地形和控制點的工作很可能被證明有助于利用網絡空間優勢。在本報告中，我們在概念框架方面取得了進展，該框架將定義 CWoA 所涉及的所有關鍵概念。最后，在先前框架的基礎上，分析框架將提供進行必要分析的模型，以實現識別、預測和創建 CWoA 的預期能力，這將在第 2.2 節和第 3.2 節中進一步討論。

CWoA 框架的重點必須首先面向人類的理解能力。目前的重點并不是為 CWoA 能力的自動化和應用開發技術工具，而是開發分析工具，以形成我們人類可以理解和探索 CWoA 概念的結構。不過，重要的是，制定框架的方式不應妨礙或阻礙我們利用 CWoA 自動執行機器高速網絡空間行動和最終多域行動支持所需的流程。

圖 2 網絡空間網絡層之間的關系（圖片轉載自《陸軍野戰手冊 3-12》）

圖 3 與優勢頻譜和時間有關的術語

圖 4 優勢利用周期窗口

先進智能技術將不斷改變戰場性質和士兵需要執行的任務本質。因此，已經有許多關于人工智能（AI）在戰場上的作用討論，特別是集中在AI最有利的任務方面，士兵-AI編隊必須提供有效執行任務的能力，以及在這個任務演變過程中人和機器的必要適應。在這里，系統必須解決試圖利用復雜環境適應性強的智能敵手。在這種情況下，理解信任和信任測量的概念是至關重要的。然而，理解信任的動態性質以及如何準確測量和評估它是復雜的。

隨著越來越多地強調在未來的作戰行動中整合人類和自主系統，美國陸軍作戰能力發展司令部（DEVCOM）陸軍研究實驗室（ARL）建立了人類自主團隊基本研究計劃（HAT ERP）。HAT ERP的目標是解決在復雜的戰術環境中人類和自主系統的合作所面臨的挑戰，以創建有效運作的協同團隊，并適應戰斗的動態性質。在HAT ERP的項目5中，正在解決的一個具體領域是如何有效地衡量關鍵的團隊過程，如信任和凝聚力。因此，HAT項目5的總體目標是開發新的、多模態的團隊信任和凝聚力指標，以有效地校準信任并提高支持下一代戰斗車輛（NGCV）的人類自主團隊的性能。HAT項目5更具體的目標包括：1）確定非侵入性的、實時/近實時的信任度量，以捕捉團隊信任的動態性質；以及2）為適當的信任干預提供信息，以便對個人和團隊信任進行適當校準。

盡管已知測量和評估信任在團結互助互動中的重要性，但仍有一些評估的復雜性和考慮。第一個問題集中在信任測量上。信任是一個復雜的結構，傳統上有點難以定義，因此也難以測量。例如，仍然需要努力了解信任測量的類型和應該利用的適當指標，因為并非所有的信任測量都是平等的。雖然有一些現有的信任測量方法，但它們大多使用自我報告的問卷；這些問卷提供了有價值的信息，但只是在離散的時間點上。我們需要與信任的動態性質相一致的測量方法，并允許在特定時間段內進行更連續的測量；從而提供有關信任變化以及它如何影響團隊互動和績效的更有力信息。此外，正如項目5（Krausman等人，2022年）下進行的研究所證明的那樣，對人類自主性團隊信任的評估必須考慮團隊發展和/或團隊工作的前、中、后階段，必須包括超越績效的多模式指標（Schaefer等人，2019年；Brewer等人，2022年）。見圖 1。

圖1 包括壓力、信任和凝聚力在內的事前事后主觀狀態的多模態數據表示，數據流來自通信指標和生理數據

鑒于這一要求，并基于文獻、實驗室和實地研究，Krausman等人（2022年）開發了一個概念性的工具包，由新的信任措施組成，包括以下內容： 1）主觀（即人際信任、技術信任）；2）通信（即通信流、網絡動態、語義內容分析）；3）生理（即心率、心率變異性和呼吸率）；4）行為（眼球追蹤、界面互動等）；以及5）情感（即面部表情追蹤）。認識到對信任評估平臺的需求，一個多模態的信任測量軟件工具箱逐漸形成--人類-自主性團隊信任工具箱（HAT3）。

第二部分將概述HAT3軟件的開發和其中包含的旨在測量信任的具體技術。此外，所討論的每個模塊將在隨后的章節中進一步詳細說明，并將包括信任測量類型的概要，以及有利于HAT ERP和NGCV項目的具體指標。

北約（NATO）研究任務組IST-152為在軍事資產上執行主動的、自主的網絡防御行動軟件智能體開發了一個概念和參考架構。在本報告中，這種智能體被稱為自主智能網絡防御智能體（AICA），這是先前版本的更新和擴展版本。

在與技術先進對手的沖突中，北約的軍事網絡將在一個激烈的競爭戰場上運作。敵人的惡意軟件將有可能滲入并攻擊友軍網絡和系統。今天對人類網絡防御者的依賴在未來戰場上將是站不住腳的。相反，AI智能體，如AICA，將有必要在一個潛在的通信中斷的環境中擊敗敵人的惡意軟件，而人類的干預可能是不可能的。

IST-152小組確定了AICA的具體能力。例如，AICA必須能夠自主規劃和執行復雜的多步驟活動，以擊敗或削弱復雜的敵方惡意軟件，并預測和盡量減少由此產生的副作用。它必須有能力進行對抗性推理，以對抗有思想、有適應性的惡意軟件。最重要的是，AICA必須盡可能地保持自己和自己的行動不被發現，并且必須使用欺騙和偽裝。

該小組確定了這種智能體潛在參考架構的關鍵功能、組件及其相互作用，以及實現AICA能力的暫定路線圖。

北約應該鼓勵成員國的學術界、工業界和政府對相關研究和開發的興趣。AICA有可能成為未來戰場上的主要網絡戰士，北約在開發和部署此類技術方面決不能落后于其對手。

AICA 的范圍和要求

為了描述其參考架構，假設AICA嵌入在一個物理軍事平臺上，其范圍是確保平臺所有相關計算機化功能的可用性和完整性，防止注入惡意代碼，以確保平臺的正確行為。檢測物理平臺的異常功能行為不屬于網絡防御智能體的范圍。這被認為是由其他操作監測和控制功能手動或自主完成的。

以無人機作為平臺案例，AICA的范圍可以如圖所示。

在圖中，計算能力是指支持無人機功能的主要計算機（一臺或多臺）。執行器是控制無人機物理元素的物理設備。這里假設這些設備包括計算機處理，可以成為網絡攻擊的目標，因此，應該由AICA保護。同樣的論點也適用于傳感器和通信組件。因此，在這個例子中，圖中強調的元素屬于AICA的責任范圍。

以下是一些關鍵的要求，可以看作是開發AICA架構的先決條件。

• 該智能體應以持久和隱蔽的方式嵌入在軍事平臺上。這里，隱蔽性是指智能體的能力，以盡量減少對手惡意軟件檢測和觀察智能體的存在和活動的概率。

• 智能體應能在其職責范圍內觀察各要素的狀態和活動，檢測敵方惡意軟件，同時保持對惡意軟件的最小觀察，并摧毀或降低敵方惡意軟件。

• 該智能體應能夠在被敵方惡意軟件破壞的環境中有效運行。

• 該智能體應能抵御破壞。

• 該智能體應能觀察和理解它所處的環境，為此它需要自己的相關環境世界模型。

• 智能體應能觀察和影響其保護下的所有計算元素，包括平臺的所有傳感器和執行器的計算元素。

• 所有相關的通信流量對智能體應是可觀察的。

• 當與其他友軍元素或外部控制器的通信受到限制或不可用時，該智能體應能有效地發揮作用。

• 智能體應在特定情況下發揮作用，如有限的計算資源（內存、CPU等）和特殊的環境條件（如溫度、氣壓、G-力、尺寸等）。

• 智能體在必要時應自主運作，也就是說，不依賴于外部友軍元素或外部控制器的支持。這意味著它必須能夠與平臺的所有計算組件互動，包括實時的傳感器和執行器的計算元素；做出自己的決定；并采取必要的行動。

• 應作出規定，使遠程或本地的人類控制器能夠觀察、指導和修改智能體的行動，當需要和情況允許時。

• 智能體應能制定非微不足道的（對對手來說非顯而易見的）計劃，以追求一個給定的目標，并且必須能夠執行計劃中規定的行動。

• 智能體應能自主地采取破壞性行動，如刪除或隔離某些軟件和數據，同時遵守指定的參與規則。該智能體應具有評估此類行動所涉及的風險和利益的手段，并作出相應的決定。

• 當需要和條件允許時，智能體應該能夠與其他友軍的智能體進行協作。為此需要協作計劃和談判機制。

• 智能體應該能夠進行自主學習，特別是關于敵人惡意軟件的能力、技術和程序。學習應該在離線和在線的情況下進行，新學習的知識應該能夠在智能體的操作過程中提供信息。

• 只要有要求，智能體應向外部控制器報告數據，使控制器能夠對智能體的可信度作出推斷。

• 智能體應能自我傳播到遠程友軍的計算設備。自我傳播應僅在特殊的和明確規定的軍事需要的條件下發生。

本報告的其余部分描述了一個能滿足這種要求的擬議架構。

報告的A部分提供了AICA的基本原理和操作概念，概述了其架構，并解釋了必要的數據如何在智能體中存儲和管理。

B部分對實現該架構的關鍵功能的可能方法進行了探索性討論。在這一部分中，第5節描述了智能體如何獲得有關其環境的信息并確定環境的狀態。第6節討論了智能體計劃其行動的方法，包括對行動后果的預測。第7節是關于智能體執行其決定的行動的方式。第8節解釋了智能體如何與其他智能體合作。第9節概述了智能體從其行動和觀察中學習的可能方法。

在未來的空戰中，無人協同系統的整合將是一個潛在的巨大力量倍增器。其成功的關鍵因素將是編隊情報、協調任務規劃和跨平臺任務管理。因此，構思下一代機載武器系統的任務需要一個整體的系統方法，考慮不同的航空飛行器、其航空電子任務系統和針對未來威脅的整體作戰概念。為了盡早驗證可能的解決方案概念并評估其作戰性能，在過去幾年中，在空中客車防務與航天公司未來項目中開發了一個動態多智能體戰斗仿真。除了比實時更快的工程功能外，該仿真還可以進行實時人機對話實驗，以促進工程師、操作員和客戶之間的合作。本文介紹了動態任務仿真方法，以及在未來戰斗航空系統（FCAS）研究中應用此工具所得到的啟示，在此期間，我們清楚地認識到什么是未來應用的一個關鍵挑戰。實施一個強大的高層規劃算法，為復雜的空中行動生成臨時任務計劃，同時考慮反應性的低層智能體行為、人類操作員和在線用戶輸入。

1 引言

每一代新的戰斗機都可以通過一個或多個技術飛躍來定義，這些技術飛躍使其與上一代的設計有很大區別。毫無疑問，自從大約15年前第一架第五代戰斗機投入使用以來，幾乎所有的設計學科都有了顯著的進步。不同的飛機制造商，包括空客，已經宣布他們目前正在構思或研究第六代戰斗機[1] [3]。與目前最先進的飛機相比，這些項目很可能在各個領域都有改進，如飛行性能、全方面和全模式隱身、低概率攔截雷達和通信或武器裝備。但問題仍然存在：什么將是這一代的決定性因素，一個真正改變未來戰斗空間的因素？

一個常見的假設是，未來的戰斗空間將是 "高度網絡化 "的，即所有參與的實體都可以交換他們的態勢視圖，并以近乎實時的方式創建一個共享的戰術畫面。一方面，這使得多個平臺在空間和時間上可靠同步達到了以前不可能達到的程度。許多算法，特別是發射器定位或目標測距的算法，如果能從多個位置產生測量結果，會產生明顯更好的效果。另一方面，高質量數據的可靠交換通過分配以前由單一平臺執行的任務，使戰術更加靈活。對作戰飛機的主要應用可能是所謂的合作交戰概念（CEC），這已經是美國海軍針對反介入/區域拒止（A2/AD）環境的海軍綜合火控-反空（NIFC-CA）理論的一部分[4]，但其他應用也是可能的，例如合作電子攻擊。所提到的概念主要適用于任務期間單一情況的短期范圍，例如偵察或攻擊薩母基地、空對空（A2A）作戰等。然而，就整個任務而言，還有一個方面需要提及。鑒于所有參與實體之間的可靠通信，規劃算法可以交換任務計劃變更的建議，并根據其目標和當前的戰術情況自動接受或拒絕。這在一個或多個不可預見的事件使原來的任務計劃無效的情況下特別有用，盡管所有預先計算的余量。與其估計一個替代計劃是否可行，并通過語音通信與所有其他實體保持一致（考慮到船員在某些任務階段的高工作負荷和參與實體的數量，這是一項具有挑戰性和耗時的任務），一個跨平臺的任務管理系統可以快速計算出當前任務計劃的替代方案，并評估是否仍然可以滿足諸如開放走廊等時間限制。然后，一組替代方案被提交給機組人員，以支持他們決定是否以及如何繼續執行任務。

將上述想法與現在可用的機載計算能力結合起來，由于最近在硬件和軟件方面的進步，可以得出結論，未來一代戰斗機將很有可能在強大的航空電子系統和快速可靠數據交換的基礎上，采用卓越的戰術概念進行作戰。然而，這還不是我們正在尋找的明確游戲改變者--甚至現有的第五代戰斗機已經應用了一些提到的概念，例如，在NIFC-CA背景下的F-35[4]。因此，下一步不僅要改進飛機的航電系統，而且要在完全網絡化環境的前提下連貫地優化航電、戰術和平臺設計。這種方法允許思考這樣的概念：如果得到網絡內互補實體的支持，并非每個平臺都需要擁有完整的傳感器套件和完整的決策能力。因此，不同的平臺可以針對其特殊任務進行高度優化，從而與 "單一平臺做所有事情 "的方法相比，減少了設計過程中需要的權衡數量。很明顯，一個專門的傳感器平臺不需要或只需要非常有限的武器裝備，因此現在可用的空間可以用來建造更好的傳感器或更大的燃料箱。這已經可以使該平臺專門從事的任務性能得到顯著提高，但有一樣東西可以去掉，它的影響最大：飛行員。在這一點上，必須明確指出，目前沒有任何算法或人工智能能夠接近受過訓練的機組人員態勢感知和決策能力。這就是為什么在不久的將來，人類飛行員在執行戰斗任務時將始終是必要的。然而，如果飛行員（或更準確地說，決策者）被提供了指揮無人駕駛同伴的所有必要信息，那么就不需要在同一個平臺上了。因此，我們提出了一個概念，即一個或多個載人平臺由多個無人駕駛和專門的戰斗飛行器（UAV）支持。在下文中，我們將把至少一個載人平臺和一個或多個由載人平臺指揮的專用無人機組成的小組稱為包。我們聲稱，由于以下原因，無人平臺將作為有人平臺的力量倍增器發揮作用：

• 無人機是可擴展的，而空勤人員是不可擴展的。因此，無人機可以執行高風險的任務，并允許采用只用載人平臺無法接受的戰術。

• 無人機更便宜（即使不考慮機組人員的價值），因為它們可以在性能相同的情況下比載人平臺建造得更小。這意味著，在相同的成本下，更多的平臺可以執行任務，更多的平臺會導致更高的任務成功率。首先，因為有更多的冗余，其次，如果有更多的資產參與其中，一些任務可以更好地完成，例如發射器的定位。

• 不同的無人機和載人平臺可以任意組合。在任務開始前，可以根據需要組成包。在任務期間，在某些限制條件下，也可以重新組合軟件包，例如，如果交戰規則禁止不受控制的飛行，則指揮平臺之間的最大距離。這使得任務規劃和執行有了更大的靈活性，預計也能保持較低的運行成本和材料損耗（"只使用你需要的東西"）。

像往常一樣，沒有免費的午餐這回事。在我們的案例中，所有上述優勢對飛機設計師來說都是有代價的。不是按照一組技術要求優化單一設計的性能，而是必須設計多個平臺及其子系統，使其在各種任務和組合配置中最大限度地提高整個系統的性能。在本文的其余部分，我們將介紹FCAS原型實驗室（FPL），這是一個在FCAS背景下開發的模擬環境，用于解決這一高度復雜的問題。在第2章中概述了它在概念設計和跨學科技術原型開發中的作用后，我們將在第3章中介紹底層動態多智能體任務仿真的概念和架構。在第4章中，我們將介紹選定項目的結果，以概述該工具的多功能性。本文最后將介紹可能是未來最大的挑戰之一，不僅對模擬，而且對一般的無人系統的引進。實施一個強大的高層規劃算法，為復雜的空中行動生成臨時任務計劃，同時考慮反應性的低層智能體行為、人類操作員和在線用戶輸入。

FCAS原型實驗室（FPL）：動態多智能體任務仿真

FPL的核心是一個動態多智能體任務仿真，可以在一臺計算機上運行，也可以分布在多臺機器上，并使用不同的附加硬件組件。為了方便兵棋推演的進行，對人機界面技術進行原型測試，或用于一般的演示目的，模擬中的所有載人機載資產都可以選擇由硬件駕駛艙控制。如果沒有人類操作員參與，模擬必須能夠比實時運行更快。這對于在可能需要數小時的大規模任務中進行有效的開發和權衡分析尤為必要。為了以客觀和公正的方式評估概念和技術，每個模擬任務的過程都是由預先定義的系統屬性、物理效應的模擬和可配置的智能體行為和合作演變而來。不存在任何腳本事件，每一次新的模擬運行的結果都是完全開放的。藍軍和紅軍是在相同的假設下，以可比的抽象水平進行模擬。以下各章概述了如何在FPL中動態地模擬當前和未來機載系統的任務。介紹了我們的仿真結構，在對這類系統進行建模時最重要的設計權衡，以及行為建模的高層次規劃/低層次控制方法。

架構

FPL的仿真架構由三個邏輯部分組成：應用、仿真控制和通信中間件。該架構的一個核心特征是，模擬被分割成幾個應用程序。每個應用程序運行不同的模型，例如，有一個應用程序用于模擬自己的（藍色）航空器、敵方（紅色）航空器、綜合防空系統（IADS）以及更多的模型，如下所示。所有的應用程序共享相同的標準化接口，并且可以任意組合。這種模塊化允許只運行某個任務或項目所需的部分模型。所有的應用程序都是獨立的可執行文件，可以在同一臺計算機上以并行進程運行，也可以分布在幾臺機器上。通過交換編譯后的二進制文件，來自不同公司的模型的整合是可能的，而不會暴露詳細的基本功能。一般來說，不同公司之間的快速和容易的合作是FPL架構的一個主要驅動力。為此，提供了一個基礎應用類，它提供了所有與仿真有關的功能，如仿真控制狀態機、通信中間件接口和通用庫，例如用于不同坐標系的地理空間計算。通過簡單地實現一個新的基礎應用實例，新的模型可以被添加到仿真框架中。所有應用程序的執行都由一個中央仿真控制實例控制。它提供了一個圖形化的用戶界面，可以根據需要啟動、停止和加速模擬。在執行過程中，所有應用程序的運行時間被監控，仿真時間被動態地調整到最慢的模型。這使得分布式的比實時更快的模擬具有自適應的模擬時間加速。應用程序之間的通信是通過數據分配服務（DDS）標準[2]實現的。它使用發布-訂閱模式在網絡中實現了可靠和可擴展的數據交換。兩個不同的分區用于廣播仿真數據（如實體狀態、仿真控制命令等）和多播命令和控制數據（如通過BUS系統或數據鏈路實際發送的數據）。DDS標準的開放源碼實施被用來進一步方便與外部伙伴的合作。

圖1提供了我們的模擬架構的概況，包括大多數任務所需的應用程序。如前所述，這個架構并不固定，幾乎任何應用都可以根據需要刪除或交換。如黑色虛線箭頭所示，通過DDS中間件在仿真控制處注冊一個基本的應用實現，可以集成新的模型。藍色/紅色背景的方框描述了己方/敵方系統，混合顏色的方框可供雙方使用。仿真基礎設施組件的顏色為灰色，用戶界面的顏色為橙色。黑色箭頭表示模擬過程中的通信，灰色箭頭代表模擬運行前后的數據交換。

對于兵棋推演環節，不同的應用程序分布在FPL的多個房間內運行，以模仿真實的空中作業程序。在設置好一個場景后，藍方和紅方的操作人員使用任務配置工具，在不同的房間里計劃他們的任務。空中行動指揮官留在這些房間里，而飛行員則分成兩個房間，每個房間有兩個駕駛艙來執行任務。藍方和紅方空軍應用的任何飛機都可以從駕駛艙中控制，因此飛行員可以接管不同的角色，并相互對抗或作為一個團隊對抗計算機控制的部隊。所有房間都配備了語音通信模擬。任務結束后，各小組在簡報室一起評估任務，可以從記錄的模擬數據中回放。一個額外的房間配備了多個連接到模擬網絡的PC，可以選擇用于特定項目的任務，例如硬件在環實驗。

建模

為FPL選擇正確的建模范式事實上并不簡單，因為它涵蓋了操作分析工具（通常是隨機的）以及工程模擬（通常是確定性的或混合的）的各個方面。這個決定的影響可以用一個例子來說明，即如何確定一架飛機是否被導彈擊中。在隨機模型中，這個決定是基于可配置的概率，例如，被擊中的概率（導彈）和回避動作成功的概率（飛機）以及一個隨機數。為了使最終的任務結果對單一的隨機數不那么敏感，在實踐中經常用不同的隨機種子進行多次模擬運行。按照確定性的方法，導彈的飛出是根據導彈的發射方向、制導規律和固定的性能參數如推力、最大加速度等來模擬的。飛機在規避機動過程中的軌跡也是基于其初始狀態、空氣動力學、反應時間等。例如，當彈頭引爆時，如果導彈和飛機之間的距離低于某個閾值，那么飛機就會被認為被殺死。在一個確定性的模型中，在導彈發射時已經知道飛機是否會被擊中。確定性模型中必要的簡化通常是通過引入固定參數來完成的，比如導彈例子中的距離閾值。混合模型允許使用隨機數進行這種簡化，例如，作為失誤距離的函數的殺傷概率。

為了有效地測試和分析大規模的空中作業，在單臺機器上有幾十種藍色和紅色資產運行的情況下，模擬運行的速度至少要比實時快10倍（平均）。這對所用算法的時間離散性和運行時的復雜性提出了重大限制。為了保持快速原型設計能力，為新項目設置仿真或開發/集成新組件所需的時間應保持在較低水平。太過復雜的模型會帶來更多的限制，而不是顯著提高結果的質量。在這些方面，（更多的）隨機模型在運行時間和開發時間上都有優勢，更快。然而，在我們的案例中，有兩個主要因素限制了隨機模型的使用，使之達到最低限度。首先，模擬只有在給出他們的戰術和演習成功與否的確切原因時才會被操作者接受。此外，隨機模型是由數據驅動的，但對于未來自己和/或敵人的系統來說，所需的數據往往無法獲得。對于已經服役多年并在測試或實際作戰中多次射中的導彈，有可能估計其殺傷概率。然而，僅僅為未來的導彈增加這一概率是非常危險的，特別是因為隨機模型對這些參數非常敏感。從我們的觀點來看，通過將所有系統建模為基于技術系統參數的通用物理模型，可以實現對未來系統更健全的推斷。第一步，通過模擬已知技術和性能參數的現有系統，對模型本身進行驗證。對于未來的系統，技術參數會根據預期的技術進步、領域專家知識和他們的工具進行推斷。堅持最初的例子，未來戰斗機的回避機動性能的推斷，例如，基于從CAD和流體動力學模型計算出的更高的升力系數，或基于更高的導彈接近警告器的分辨率和靈敏度。

客觀評價未來概念在模擬中的表現的一個關鍵方面是環境和威脅的建模。必須考慮到，系統的方法在紅方和藍方都是有優勢的。現代國際防空系統的危險來自于結合不同的系統，從非常短的距離到遠距離。所有這些系統都有它們的長處和短處，但它們被組織起來，使個別的短處被其他系統所補償，并使整個系統的性能最大化。因此，第一個困難是必須對大量的系統進行模擬，并且必須確定這些系統的個別優勢和劣勢。通用物理模型的方法可用于這兩個方面。在通用防空系統模型被開發和驗證后，它可以迅速將新的系統整合到模擬中。根據模擬的物理效果，可以估計敵方系統的作戰優勢和弱點或未來可能的威脅概念。另一方面，使用通用模型的困難在于，必須將真實系統的功能映射到通用模型中，以便保留所有重要的單個系統屬性。這不可避免地導致了相當復雜和詳細的通用模型。我們將以地基雷達組件為例，概述我們平衡復雜性和保真度的方法。如圖2所示，IADS模擬中的一個實體由不同的組件組成。這些組件可以任意組合，以快速配置新系統。從功能角度看，地面雷達組件由控制器、探測模型和目標跟蹤器組成。根據實體的當前任務，控制器選擇所需的雷達模式，例如，360°搜索的監視或戰斗搜索，如果一個特定的部門必須優先考慮。為了對付干擾或地面雜波，可以使用不同的波形。根據雷達的類型，如機械或電子轉向的一維或二維，控制器有不同的可能性來適應搜索模式。在為一個波束位置選擇了波形的類型和數量后，探測模型根據目標、地面雜波、地形陰影、大氣衰減和電子對抗措施等方面的雷達截面模型，產生測量結果。測量誤差是由取決于隨機模型的信噪比引起的。由此產生的測量結果然后由目標跟蹤器處理，它執行測量-跟蹤關聯和跟蹤過濾。

這種詳細模型產生的另一個困難是必須估計的參數總數。在這一點上也要注意，模擬中的所有數據都是不受限制的。這一方面是由于大多數項目的限制，但另一方面，它在日常工作中也有實際優勢。我們必須牢記，模擬是用于概念驗證，而不是用于詳細的系統設計，所以在這個早期階段使用機密的威脅數據會對基礎設施和開發過程造成重大限制，而不會給結果帶來重大價值。基于此，所有的威脅數據都必須根據公開的來源或來自內部項目和外部合作伙伴的非限制性數據進行估算。這再次導致了大量的數據，而這些數據的詳細程度往往是非常不同的，或者是不一致的，例如，由于對限制性數據的去分類。隨著我們模型的不斷發展和多年來獲得的工程專業知識，我們有可能為不同的當前和推斷的未來威脅系統估計出一致的參數。這主要是在一個自下而上的迭代過程中完成的。根據現有的技術和性能參數，對缺失的模型參數進行估計以適應組件的性能。然后對單一系統的不同組件之間的行為和相互作用進行調整，以達到理想的系統性能。最后，在不同的情況下測試IADS內這些系統的協調，以使整個系統的性能最大化。

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。

美陸軍統一網絡計劃正在推動網絡在2028年之前從一個被認為是看不見的資產變成一個支持多域作戰（MDO）方式的部隊武器系統。美陸軍的統一網絡將提供一種可生存的、安全的、端到端的能力，使陸軍在競爭、危機或沖突期間以及在所有作戰領域（海洋、陸地、太空、網絡、空中）作為聯合/聯盟部隊的一部分進行運作。

美陸軍參謀長的《陸軍向多領域作戰轉型白皮書》和到2028年擁有一支具備多域作戰能力部隊的目標，突出了對陸軍統一網絡的關鍵需求。決策主導權和超額配給能力是MDO的核心，而陸軍只有通過彈性、安全的全球網絡能力和容量才能實現這一目標。在此基礎上，美陸軍統一網絡計劃將多種復雜的網絡現代化工作調整為支持MDO所需的單一、一致的方法。

通過跨領域的努力，美陸軍統一網絡計劃為2028年的Way Point部隊提供了一個統一的網絡，然后隨著信息技術的持續快速發展而不斷進行現代化。

美陸軍統一網絡計劃與陸軍戰略的重點相一致，即建立戰備、現代化、改革陸軍以及加強聯盟和伙伴關系。現有的戰術網絡現代化戰略和實施計劃與陸軍統一網絡計劃相銜接，并保持一致。此外，陸軍統一網絡計劃在多個階段和時間范圍內與2019+陸軍戰役計劃并行，并使其得以實施。

第一階段：近期（目前-2024年）--建立統一的網絡

這一階段已經開始，同步進行綜合戰術網絡（ITN）和綜合企業網絡（IEN）的現代化。這一階段的主要工作包括：

• 對這一階段具有決定性意義的是建立一個基于標準的安全架構，該架構建立在零信任原則之上，最初的主要重點是SIPR網絡的現代化，然后是NIPR的關鍵能力，包括工資、后勤、合同等。

• 美陸軍開始實施一個整體的方法，隨著時間的推移發展統一網絡，使多種努力同步進行，并利用新興技術，如軟件定義和5G及以上的無線網絡，也符合零信任原則。

• 美陸軍正在追隨美國防部副部長辦公室，將無線蜂窩網絡作為戰術和企業網絡使用的一項關鍵技術。這將補充網絡整合，減少對非無線網絡的依賴。

• 這一階段開始時，能力加速進入云基礎設施，同時迅速剝離傳統能力和流程。關鍵是建立共同的數據標準，以實現人工智能（AI）和機器學習（ML）等新興能力。

• 任務伙伴環境（MPE）的持續發展將繼續進行，因為企業努力建立一個持久的能力，并消除浪費的偶發努力。

• 美陸軍將繼續調整部隊結構，以實施國防部信息網絡行動（DODIN Ops）的建設，在一個有爭議和擁擠的環境中運營、維護和捍衛統一網絡。

• 美陸軍必須完成整個企業的網絡融合，以調整單一的陸軍服務提供商，提高網絡的準備程度、標準化和互操作性；提高陸軍的網絡安全態勢；并使DCO快速響應。這種融合為統一網絡的建立創造了條件。

這一階段結束時，建立了一個標準化的綜合安全架構，為統一網絡奠定了基礎，并能在世界任何地方快速部署和立即開展行動。

第二階段：中期（2025-2027）--統一網絡的運作

這一階段從25財政年度開始，繼續融合ITN和IEN的能力。這一階段的主要工作包括：

• 完成DODIN行動的構建，支持部隊結構，使統一網絡在競爭和擁擠的環境中得到防御和運作。

• 這一階段完成了混合云能力的建立，包括加速Al/ML能力發展的戰術編隊。

• 美陸軍將建立一個持久的任務伙伴網絡（MPN），包括從企業到戰術邊緣的所有硬件、軟件、基礎設施和人員，包括在所有戰斗訓練中心（CTC）和任務訓練綜合體的就業。

這一階段在統一網絡完全支持2028年的MDO目標部隊時結束。

第三階段：遠期（2028年及以后）--持續實現統一網絡的現代化

這個階段從28財政年度開始，當陸軍統一網絡在操作上、技術上和組織上完全準備好支持2028年的MDO Way Point部隊。

• 這一階段的決定性因素是全面實施統一網絡現代化的整體方法，利用新興技術，同時剝離傳統的、不太安全的能力。
• 隨著陸軍繼續與聯合/聯盟部隊和任務伙伴進行整合，一些飛躍性的技術能力形成了這一階段。這些技術的最初重點領域包括： -動態和多樣化的運輸，強大的計算，以及邊緣傳感器 -從數據到決定性的行動 -機器人和自主操作 -相應的網絡安全和彈性能力

鑒于信息技術和網絡領域快速和持續的變化速度，這個階段是沒有盡頭的--現代化演變為統一網絡的成熟。這是一個持續的過程，統一網絡沒有固定的結束狀態。

美陸軍統一網絡計劃伴隨著陸軍統一網絡的實施，這是一個美國陸軍執行令（EXORD），它將框架分解為與追求框架內的努力方向（LOE）和支持目標有關的近期和中期的關鍵任務。作為網絡整合和管理的領導者，首席信息官（CIO）和副參謀長（DCS），G-6將使用陸軍統一網絡實施計劃來同步和評估整個部隊和所有任務領域的努力，以建立統一網絡，支持2028年具有MDO能力的軍隊。

執行摘要

研究要求：

由于傳感器數量和人工智能（AI）應用快速增多，未來的作戰環境將以豐富的信息和機器速度的決策為特征。因此，美國陸軍指揮官和他們參謀人員將需要有能力篩選大量的信息，更快地做出決策。商業人工智能系統有可能提供這種能力，但美國陸軍不能指望"開箱即用"的商業人工智能系統具有通用能力，因為這種系統需要針對美國陸軍的情況進行充分的訓練。此外，還需要進行研究，以了解軍隊中的人工智能目前可以做到什么和不可以做到什么。總的來說，人工智能往往擅長于主要通過模式識別來解決的任務，以及可以從任務數據中進行預測的任務，如圖像識別、醫療診斷和文本轉錄。然而，目前還不知道人工智能是否可以用于提高美國陸軍信息收集效率。因此，在目前的研究中，探討了以下問題：人工智能能否用于提高美國陸軍任務指揮過程中的信息收集效率？

研究方法：

為了回答研究問題，本文使用了一個商業人工智能應用系統，它反映了軍隊任務指揮部人工智能應用原型的首次開發工作。在這項研究工作中，比較了這個為軍隊量身定做的人工智能系統和其他兩種信息收集方法的參與者在信息收集任務中的表現：傳統的信息收集方法（在計算機文件夾中搜索PDF文件）和非軍隊量身定做的人工智能系統版本。軍隊定制的系統使用軍隊相關的知識來幫助搜索（例如，它知道 "MDMP "等同于 "軍事決策過程"），而非軍隊定制的系統則沒有。我們在以下方面比較了這三種搜索方法：1）參與者找到準確的搜索結果所需的時間，2）參與者搜索結果的準確性，3）參與者對其搜索結果的信任程度，4）參與者對使用該系統工作負荷的看法，5）參與者對該系統可用性的看法。

研究結果：

參與者在使用人工智能系統時比使用傳統搜索方法時既不快也不準確。當使用人工智能系統而不是傳統方法時，參與者對他們的搜索結果也沒有更多信任。然而，在使用軍隊定制的人工智能系統而不是非軍隊定制的系統時，參與者的搜索速度更快，但準確性也更低。最后，在不同的搜索方法之間，參與者對工作負荷和可用性的感知沒有明顯的差異。

研究結果的利用和傳播：

這項研究是確定人工智能系統對信息收集效率影響的第一步。總的來說，我們的研究結果表明，人工智能系統可能不會大幅提高美國陸軍任務指揮過程中的信息收集效率，至少不會立即提高。雖然這項研究的重點是在受控實驗室中的無關要害任務（即尋找戰術情況下的理論解決方案），但未來計劃的使用將不會那么無害，這表明需要未來研究來測試假設。對人工智能的投資應該伴隨著對培訓和研究的投資，以獲得人工智能的全部優勢并減少風險。假設人工智能系統是銀彈是不審慎的，事實上，這項研究表明人工智能系統需要被充分審查。

簡介

戰爭正變得越來越復雜。陸軍指揮官需要考慮在地面、空中和海上的戰斗，以及在信息和網絡環境中的戰斗（美陸軍部，2017）。隨著社交媒體的出現和計算機的日益強大，在這些環境中的行動可能會導致地緣政治損失，而在過去，只有通過更傳統的行動，如地面攻擊、空中打擊和海上轟炸才能實現。此外，美陸軍指揮官不僅應該期待來自其他民族國家部隊的復雜和有影響的打擊，而且還應該期待看起來不復雜的對手，因為網上零售商使人們很容易購買到過去難以獲得的產品（包括合法的和非法的），如無人機、夜視鏡和槍支。在這一切之上，陸軍指揮官需要在一個前所未有的水平上做出準確和及時的決策，因為人工智能（AI）正在許多軍事職能和領域中實施，如網絡戰、航空和信息收集。這些因素加在一起，為陸軍指揮官創造了復雜的作戰環境。

為了在復雜的環境中有效運作，陸軍指揮官及其參謀人員需要有能力從不同的來源收集大量的數據，并迅速處理收集到的信息，以便及時對信息采取行動。例如，如果對手正在準備一次大規模的作戰行動，信息環境、網絡環境和物理環境中新的但微妙的多變量模式可能會出賣對手的意圖。然而，為了及時發現這些模式，陸軍指揮官和他們的參謀人員將需要有能力快速匯總和分析從各個環境傳來的數據。此外，為了根據這些數據迅速采取行動，陸軍指揮官及其參謀人員需要有能力迅速找到相關的陸軍和聯合理論，以實施戰術和戰略，并吸取經驗教訓，以利用曾面臨類似情況的指揮官經驗。對于這兩項任務--檢測模式和根據模式采取行動--人工智能可能被證明是一個非常有用的工具。

正如其名稱所暗示的那樣，人工智能是由機器而非人類或動物等非人工實體所展示的智能。在這種情況下，智能包括通常與人類相關的認知功能，如推理、計劃、學習和感知。因此，人工智能的主要目的是取代或增強人類的某些任務，如駕駛、飛行和圖像識別（例如，自動檢測和識別人群中的面孔）。例如，谷歌和優步等公司目前正在自動駕駛汽車中使用人工智能，人工智能充當了車輛的駕駛員，因此是使自動駕駛汽車自動化的實體。此外，美國陸軍目前正在探索將人工智能用于自動車輛識別。

人工智能主要通過兩種方式實現 "智能化"。一種方式是通過編程使人工智能的軟件接受某些輸入并根據輸入做出某些輸出。例如，視頻游戲中的人工智能競爭者可能被編程為在玩家向右移動（輸入）時向左移動（輸出），或者在玩家攻擊時進行阻擋。這種方法使用簡單的算法--人工智能要遵循的規則--除了最基本的任務外，其他都是低效的，因為人工智能的軟件程序員必須思考并手動編程每個規則。這樣做很快就會變得不方便，因為許多任務需要許多規則和嵌套的規則--其他規則中的規則（例如，如果接近一個讓行標志，如果有另一輛車出現，則要讓行，但只有當另一輛車在附近時）。此外，思考一項任務的每一個可能的規則很快就會變得困難，即使是人類認為很容易的任務（如駕駛）。

使人工智能智能化的更好方法是使用機器學習，這是一個從數據中創建統計模型的過程，以提高預測和決策的準確性。機器學習不是明確地告訴人工智能系統如何應對其環境中的某些事件，而是允許人工智能系統從其環境中的行動中學習。更簡單地說，機器學習允許人工智能系統從經驗中學習。例如，谷歌通過向人工智能系統提供組成游戲顯示屏的像素，并允許人工智能系統通過游戲控制器對這些像素進行操作，從而訓練人工智能系統成功地玩視頻游戲Atari Breakout（Leo Benedictus，2016）。人工智能系統的程序很簡單，就是通過游戲控制器的動作來最大化其游戲分數，并使用游戲分數來確定一個動作是否有益。起初，人工智能系統在游戲中做出看似隨機的行動，但一段時間后，它開始獲得得分點，并最終學會了一種人類玩家從未使用過的有用技巧。

機器學習讓人工智能在日常生活中變得非常普遍，以至于人工智能被一些人認為是 "新電"（Lynch, 2017）。人工智能傾向于擅長那些主要通過模式識別就能解決的任務。因此，人工智能擅長于圖像識別、醫療診斷和轉錄等任務。像駕駛這樣的任務給人工智能帶來了更大的難度，因為目前自動駕駛汽車上的傳感器無法檢測到標記模糊的道路上的模式（例如，被雪覆蓋的道路）。人工智能對于從數據中進行預測是異常有用的。例如，醫生可以使用人工智能來幫助醫療診斷，因為人工智能能夠處理病人的所有數據，將這些數據與已知的醫療條件進行比較，并從比較中產生醫療診斷。人工智能在視覺搜索方面也很有用。一家公司使用人工智能系統搜索航拍圖像，以尋找住宅區內水浪費的證據（Griggs, 2016）。該人工智能系統能夠通過使用游泳池的存在、灌木的數量和大小以及房屋周圍草地的綠色程度等因素，準確判斷一個家庭是否在浪費水。該人工智能系統能夠以每秒208張航空圖像的速度完成這項任務。

信息收集是人工智能具有潛力的另一項任務。信息收集是指從一個來源，如文件庫或互聯網上提取所需信息的過程。通過使用自然語言處理--人工智能的一個分支，用于處理自然語言數據--人工智能可以從非結構化數據中提取信息，而非結構化數據占世界數據的80%（High, 2012）。與結構化數據不同，結構化數據是以預先定義的方式組織的，包括電子表格和日志，非結構化數據不是以預先定義的方式組織的。非結構化數據包括文本文件、照片、視頻和音頻記錄。人工智能可以用來從非結構化數據中提取相關信息和意義，并以各種方式利用這些信息和意義。例如，美國陸軍和美國空軍正在探索使用人工智能，從車輛維護和車載系統日志中預測車輛故障（Osborn，2017；Vincent，2018）。此外，未來的人工智能任務指揮系統可能會不斷挖掘從眾多來源流入的數據，包括社交媒體、新聞頻道和衛星數據，并使用這些數據來預測戰略競爭對手的行動。這種方法將通過利用過去的非結構化數據（維護日志、社交媒體帖子等），并確定這些數據的哪些特征可以預測車輛故障和競爭者的行動。例如，人工智能系統可能會發現車輛運行溫度和車輛故障之間的關系，并利用這種關系來預測未來的故障。像這樣的關系將形成一個數學模型，當新的數據出現時，人工智能系統將持續更新。

通過使用自然語言處理，人工智能也可能有助于從陸軍條令和經驗教訓中提取所需信息。陸軍有許多條令出版物，指揮官和他們的工作人員經常需要在一個以上的出版物中尋找信息。例如，如果計劃進行一次接觸行動，指揮官可能不僅需要參考作戰條令，還需要參考與指揮官所在梯隊相關的條令；如果指揮官的部隊要通過一個人口中心，還需要參考民政條令；如果指揮官要使用網絡能力，還需要參考網絡戰條令。此外，指揮官可能還需要快速找到相關條令，特別是在面臨對手的意外行動時。在計劃一項行動時，指揮官也可能會查閱陸軍的經驗教訓集，以利用過去進行過類似行動的指揮官的經驗。

也許有可能使用人工智能來幫助指揮官及其參謀人員在條令和經驗教訓中找到所需的信息。要做到這一點，必須采取一些步驟。首先，必須為人工智能系統建立一個語料庫，將條令和經驗教訓的出版物加載到人工智能系統中。從這個語料庫中，人工智能系統可以學習相關的語言，包括術語，并使用自然語言處理建立一個詞庫。然后，人工智能系統可以通過建立索引和元數據對數據進行預處理，使其更有效地處理數據。最后，人類主題專家必須訓練人工智能系統，以使人工智能系統提供更精確的答案和識別模式。訓練可以通過向人工智能系統上傳問題和答案對形式的訓練數據來完成。這種訓練數據不會為人工智能系統提供每個可能問題的答案，但這些數據將幫助人工智能系統學習相關領域的語言模式。一旦人工智能系統被部署，該系統可以通過與用戶的持續互動進一步學習。

通過使用上述方法創建人工智能系統，指揮官及其參謀人員可能會比沒有人工智能系統可供使用時更快、更準確地從條令和經驗教訓中收集所需信息。如果沒有人工智能系統，指揮官將不得不通過手動搜索每個可能與所需信息有關的條令或經驗教訓出版物來尋找所需信息。這種手工搜索是一個耗時的過程，可能不會產生最佳的信息產品，特別是當進行搜索的人有時間壓力的時候。事實上，人類經常會搜索信息，直到達到一個可接受的閾值（例如，做出決定所需的最小信息量），以避免花費太多的認知資源和精力去尋找一個完美的結果（Simon, 1955; 1956; 1957）。然而，通過使用這種方法，人類可能會產生不那么充分的結果。此外，Simon還觀察到，這種方法不太可能產生一個最佳的結果，因為人類通常不會搜索足夠長的時間來找到這樣一個結果。然而，試圖找到最佳結果可能并不理想，因為這樣做需要時間，而當找到最佳結果時，結果可能已經不再有用。因此，如果指揮官試圖找到一個最佳的結果，指揮官可能無法進入對手的決策周期；指揮官需要平衡尋找結果的時間和結果的質量。另一方面，人工智能信息收集系統可能更有可能找到最佳結果，而且人工智能系統可能更有可能在比人類花費更少的時間內找到最佳結果。

盡管在人類信息處理能力有限的情況下，人工智能系統在尋找條令和經驗教訓中的所需信息方面可能比人類更有效率（Baddeley，1992），但這一結果是以人工智能系統經過充分訓練以識別條令和經驗教訓出版物中的語言模式為前提。如果人工智能系統沒有經過充分的訓練，那么人工智能系統的使用者可能會發現次優的結果，并因此對人工智能系統感到失望，最終使人工智能系統被廢棄。此外，人工智能系統只有在人工智能系統的人類用戶適當地校準他們對系統的信任時才會有用（Hancock等人，2011；de Visser, Pak, & Shaw, 2018）。許多人工智能系統由于各種原因，包括環境背景、用戶錯誤和不同背景下的訓練不一致，導致其性能不一致（Rovira, McGarry, Parasuraman, 2007）。例如，一個人工智能系統產生與火力作戰功能相關的準確結果，與機動作戰功能相比，可能產生不太準確的結果。如果人工智能系統的人類用戶完全信任該系統的結果，可能會出現性能下降（Hancock等人，2011）。訓練人類用戶了解人工智能系統何時可能準確，何時不可能準確是至關重要的（de Visser, Pak, & Shaw, 2018）。相反，如果人工智能系統的人類用戶對人工智能系統缺乏信任，那么該系統很可能會被廢棄。因此，人工智能系統不會提高指揮官尋找信息的效率，即使該系統本身在這方面表現出色（Hancock等人，2011）。

目前的研究

盡管人工智能往往擅長于主要用模式識別來解決的任務，以及可以從任務數據中進行預測的任務，如圖像識別、醫療診斷和轉錄，但目前還不知道人工智能是否可以用于提高美國陸軍背景下的信息收集效率，特別是在陸軍指揮官及其參謀人員需要在陸軍條令中尋找信息的背景下。因此，在目前的研究中，我們探討了以下問題：人工智能能否用于提高美國陸軍任務指揮過程中的信息收集效率？為了回答這個問題，我們使用了一個商業人工智能應用系統，這反映了陸軍任務指揮部人工智能應用原型的首次開發工作。在這項研究工作中，我們比較了這個為陸軍量身定做的人工智能系統和其他兩種信息收集方法的參與者在信息收集任務上的表現：一種傳統的信息收集方法（在計算機文件夾中搜索PDF文件），以及一種非陸軍量身定做的人工智能系統。