指揮與控制（C2）是指指揮官對指定的部隊行使權力和指揮，以完成任務；它是戰區內最重要的活動。有效的指揮控制取決于是否有良好的態勢感知。目前的軍事能力允許收集大量的各種類型的數據（如視頻、語音、地理位置、熱成像和非結構化的現場報告），以便了解情況和作出決策。然而，由于信息量太大，處理、理解和融合數據以支持C2，對人來說可能是一件很痛苦的事情。加拿大武裝部隊（CAF）正在尋求建立一個聯合作戰融合實驗室（JOpsFL），目的是通過開發自動融合數據和傳播情報產品的技術解決方案來改善和改造CAF的C2和聯合情報、監視和偵察（JISR）能力。本文討論了CAF JOpsFL的目標、愿景、范圍和技術要求，并概述了最先進的數據融合技術，包括人工智能。

聯合作戰融合實驗室（JOpsFL）

目標、愿景和范圍

加拿大國防部/加拿大空軍將JOpsFL設想為聯合情報、監視和偵察（JISR）、C2和目標定位企業的創新中心，以提供有效的作戰解決方案[6]。該實驗室將包括來自加拿大空軍不同部門的JISR和情報計劃，包括加拿大皇家海軍、加拿大陸軍、加拿大皇家空軍、特種作戰部隊司令部和加拿大部隊情報司令部。

JISR收集是一個復雜的過程，需要各級指揮部有明確的理論和資源管理。這個過程可以分解為五個步驟。1）任務；2）收集；3）處理；4）利用；和5）傳播[6]。圖1展示了JISR過程以及它與動態目標周期中的情報周期的關系。JISR提供了 "什么"、"什么時候 "和 "哪里"，而情報則融合了JISR的信息，提供了 "如何 "和 "為什么"。JOpsFL的一個重點是 "如何 "和 "為什么"；然而，該實驗室也將作為新的JISR資源的測試平臺，以評估其在目標定位周期中的功效。該實驗室將評估現有的信息融合技術，并開發新的技術以支持中央情報局的JISR、情報和目標定位周期。

圖1 目標定位周期[6]背景下JISR過程及其與情報周期的關系

隨著網絡和空間領域的引入，C2變得越來越復雜，并在不斷演變，以便在所有領域發揮作用。聯合全域指揮與控制（JADC2），也被CAF稱為泛域C2，在空間、空中、海上、陸地和網絡中運行，最近由美國（US）提出[7] 。JADC2/泛域C2的目標是在一個網絡上連接所有領域的所有信息源[7]。CAF正在探索泛域C2，并將成為JOpsFL的一個方面[6]。除了關注JISR、情報和目標定位周期外，JOpsFL還將關注開發和測試新的泛域C2戰術、技術和程序（TTP），包括[6]：

• 支持泛域C2功能的數字工具，如任務分配、報告和監測。

• JISR和泛域C2之間的互操作性解決方案。

• JISR-to-fires架構；以及

• 直接行動近距離空中支援TTPs

泛域C2需要開發新的技術解決方案，以支持所有領域的運作。JOpsFL將作為這些技術解決方案的創新中心運作，并將專注于以下方面[6]：

• 人工智能（AI）；
• 人在環形互動AI系統。
• 多頻譜混合基礎設施和分析。
• 綜合戰術網絡/統一的網絡。
• 傳感器、JISR和泛域C2之間的靈活數據鏈接。
• 信息融合。
• 采集點的融合。
• 云計算。
• 霧計算。
• 量子計算。
• 虛擬化。
• 跨域安全和共享

技術要求

作為一個創新中心，JOpsFL將配備最先進的設備，以支持開發和測試最新的泛域C2 TTPs和支持技術解決方案。該實驗室將容納高性能的計算節點，能夠訓練和測試最新的人工智能和融合算法，并將與CAF各分支機構的各種ISR能力所在的網絡相連。可靠和快速的網絡連接可以通過安全的光纖來實現。此外，該實驗室將容納五眼（FVEY）和北大西洋公約組織（NATO）系統的密碼輸入裝置（PED），如美國統一視頻分配系統（UVDS）和北約聯盟地面監視部隊（NAGSF）全球鷹。

（2020年2月5日，美海軍陸戰隊網絡空間司令部的海軍陸戰隊員在馬里蘭州米德堡拉斯韋爾大廳的網絡作戰中心觀察計算機運行情況。海軍陸戰隊開展進攻性和防御性網絡作戰以支持美國網絡司令部，并操作、保護和保衛海軍陸戰隊事務網絡）

沖突的勝負取決于軍事抵消，也就是國防單位可以用不對稱的方式來打擊對手的優勢。隨著大國競爭、對手技術的超常發揮以及不斷擴大的戰場，傳統的抵消手段往往被人工智能（AI）所增強。然而，國防部（DOD）將人工智能投入使用的能力剛剛起步。五角大樓采用的最初的人工智能計劃側重于將商業能力轉移到國防部門，因此強調技術性能，不強調以任務為導向的功能。因此，最初的試點項目未能進入現實世界的作戰環境（OE）。

人工智能的實用化

實用化取決于這樣一種認識，即人工智能不是一種最終狀態，而是實現軍事優勢的一種方式。為此，人工智能相關方法的技術執行必須與作戰環境相結合。這種考慮與傳統思維不同，因為人工智能解決方案的開發通常是為了實現某種統計閾值（例如，召回率、精確度），而不是軍事目標（例如，增加對峙距離）。

這一動態被 "算法戰"一詞所混淆，目前該詞混淆了技術和軍事特征。算法戰旨在減少處于危險境地的作戰人員的數量，在時間緊迫的行動中提高決策速度，并在人類無法操作的時候和地方進行操作。然而，這些目標都不涉及數學或計算機科學；它們完全建立在軍事最終狀態之上。問題是，在五角大樓走上人工智能的道路之前，科學、技術、工程和數學學科與軍事目的之間的橋梁從未建立。

所需的橋梁是一個指導和評估人工智能實用化的框架，一邊是算法性能，另一邊是任務效用。這樣的組合確保了數學方程可以證明或從數字上驗證一個人工智能系統，而定性的基準則保證了實際應用。其結果是算法戰不僅基于統計數據，而且基于更廣泛的作戰相關性架構。這種相關性體現在五個要求上：

• 最低限度的生存能力。
• 適應未知和不可知情況的能力。
• 將洞察力置于信息之上。
• 應用所需的自主性水平，以及
• 戰場準備就緒。
• 這些要求首次為評估軍事人工智能項目和定義成功奠定了基礎。

將技術方法和國防條令結合起來

為軍事人工智能項目制定有效性措施（MOE）需要將研究和技術方法（例如，基礎理論）與美國防部的條令相結合。如果沒有這種映射，算法戰就會淪為算法開發過程，而不是作戰部署。例如，一個旨在檢測視頻中目標的計算機視覺算法（如地理空間情報分析）被簡化為該模型發現的車輛數量或其發現這些車輛的準確性。那么，成功是指該算法在85%的時間內正確找到車輛。

但在軍事行動中，85%的時間檢測到車輛有什么用？這就是維護理論的完整性所帶來的背景。以上面的例子為例，評估同一算法時不是看它正確探測車輛的頻率，而是看它對任務的影響：由于該模型的存在，分析人員識別感興趣的車輛的速度提高了95%。這樣的方法將算法的設計與任務的部署聯系起來。雖然這似乎是常識，而且這種關系甚至可能在項目文件中被模糊地表示出來，但在國防部的任何地方都沒有一個表示的標準。

評估標準仍然需要保持解決方案的獨立性（即，無論情報類型、使用的算法、部署的作戰環境或任務要求如何，這些標準都適用）。因此，在這項研究中，人工智能原則被編入可量化的屬性和指標中，與系統和程序無關。評估標準也以 "去 "與 "不去 "的方式進行表述，以創建一個符合邏輯的、自上而下的層次結構，與相關的聯合出版物同義。其結果是規范、監測和評估國防部人工智能系統的基線。

國防人工智能運作的框架

如前所述，可實操化的人工智能是由任務效用的五個方面定義的人工智能：最低限度的可行性、適應未知和不可知情況的能力、洞察力優先于信息、應用所需的自主性水平以及戰場準備情況。這些MOE中的每一個都是算法戰的基礎。對這些信息的分析產生了一個全面的框架，其中包括每個MOE的指標和效果。整個框架是以條令定義和程序為基礎的。

（2017 年 11 月 1 日在華盛頓特區舉行的 NVIDIA GPU 技術大會期間，顯示屏展示了用于執法的車輛和人員識別系統。該大會展示了人工智能、深度學習、虛擬現實和自主機器。）

衡量有效性

衡量有效性的軍事程序依賴于一個自上而下的架構。這意味著，只有當一項措施的每一個指標也存在時，該措施才會存在。同樣，一個指標只有在該指標的所有影響也存在時才會存在。這是一個二元的、全有或全無的過程，可以像常規軍事活動一樣隨時適用于人工智能。

在傳統的高價值目標（HVT）生命模式分析中，一個MOE定義了軍事行動的一個預期結果（例如，高價值目標移出責任區[AOR]）。該MOE的所有定義指標必須得到滿足，因此不能任意或有選擇地稱之為成功。例如，情報應該表明：(a) 在新的責任區發現了HVT，(b) 在新的責任區發現了已知的HVT同伙，以及(c) HVT在新的責任區獲得了基本的生活支持系統（例如，住房，交通）。隨后的效果遵循同樣的過程：支持指標 "a "的效果可能包括識別已知的物理特征和探測通信信號。

因此，盡管常規和人工智能MOE在戰術執行上有所不同，但決策驗證的基本系統是相同的。只有在對人工智能領域有基本了解的情況下，才能驗證人工智能MOE，這與情報部門制定的MOE不能由作戰部門驗證的情況是一樣的。

描述有效性--技術浪尖

算法戰是通過人工智能手段進行的戰爭。人工智能手段是指那些不僅是智能的（收集和應用洞察力），而且是人工的（以人類無法做到的方式對智能采取行動）。在沒有人類干預的情況下，系統必須學習如何為自己表示數據。這方面的另一個術語被稱為機器學習。有不同類型的機器學習，但當涉及到戰場時，無監督的機器學習將成為黃金標準，因為它的靈活性和從未知和非結構化信息中獲取輸出的能力。在這個黃金標準中，一種被稱為深度學習的特定方法是獨一無二的，它能夠更精確地表示復雜的問題。鑒于戰場的動態性質，更精確地表示復雜問題的能力是最重要的。

因此，算法戰只能通過以下方式實現：(a) 工作系統（最低限度可行）能夠（b）從未知和不可知的場景（無監督）中自行學習，同時（c）將復雜的戰場環境轉化為有用的洞察力（啟用深度學習）（d）幾乎沒有無指導（自主）和（e）在實時任務環境中（戰場準備）。這些MOE和圖中的架構是人工智能實操化的第一步；它們為如何凝聚技術和操作因素奠定了基礎，同時也使任何人工智能項目的 "成功 "標準化。

（圖 數字算法(人工智能)戰爭的有效性度量）

人工智能作戰必須發揮作用

最低限度的可行性檢驗了算法戰是否積極地改變了作戰環境。"積極改變作戰環境 "意味著存在著競爭優勢和性能改進，證明人工智能的部署是合理的。該理由來自行業指標（技術因素）、針對類似系統的排名以及對人類操作員的效用。

在翻譯的例子中，一個自然語言處理算法在以下情況下是最可行的：（1）行業指標證實它準確地將地面真相數據翻譯成正確的語言；（2）該算法在同一技術類別和OE中優于其他可用算法；（3）機器翻譯優于人類。

與最低生存能力相關的競爭優勢和性能改進因素是必要的，因為如果沒有這些因素，非算法衍生的戰爭將更加有效--因此，否定了對可操作人工智能的需求。

靈活和適應性強的系統

無監督算法是實戰任務的理想選擇，因為它們的靈活性和即使在未知情況下也能得出洞察力的能力。簡而言之，無監督系統可以在沒有預設信息的情況下運行，并在新信息出現時學習。

可以從敵人交戰的例子中得出一個常規的等價物。例如，部署的服務成員在交火結束之前并不知道交火會如何發展。然而，他們被期望在沒有警告的情況下對敵人的火力做出適當的反應，并對新的對手的運動和活動得出相關結論。

成功的算法戰項目將需要在戰術執行和長期學習能力方面表現出與軍人相同的適應性。

減少任務的復雜性

回顧一下，深度學習可以降低復雜性。在實際任務中降低復雜性是關于如何表示和理解信息。正如人類一樣，有效的算法戰是以模式檢測、推理和問題解決為前提的。

模式檢測本質上是獲得知識，然后可以概括地預測未來的未知情況。假設一個部署在機場的非航空部門的軍人看到一架直升機從頭頂飛過。這個人注意到該直升機獨特的物理特征，如整體尺寸或串聯旋翼。這些獨特的特征將直升機與其他變化區分開來，隨著時間的推移，服役人員可以利用學到的視覺線索在整個機群中選擇正確的直升機。人工智能以同樣的方式識別視覺模式；在隨后的觀察中反復學習直升機特征。然后，這些特征被概括為區分一架直升機和另一架直升機或一架直升機和非直升機。

推理改進了知識的獲得，以便發現環境中的微妙之處，并將這些微妙之處邏輯地聯系起來。例如，如果在某些天氣模式下從未見過直升機，推理將推斷出天氣（OE的次要元素）影響了飛行能力。有了人工智能，惡劣的天氣會增加二次確認，即沒有旋翼的飛行物不是直升機。

最后，順序問題的解決將一個大問題（即如何駕駛直升機）分解成更小的問題（即飛行路徑是什么，有多少燃料，需要多少飛行員，等等）。因此，如果不降低復雜性，算法戰將缺乏將信息轉化為洞察力的能力。

在很少或沒有指導的情況下運作

由于算法戰假定利用了非人類的手段，人工智能必須獨立地制定和裁決行動方案。而人工智能必須根據自己的決策、反應能力和對形勢的認識來完成這一裁決。

決策是一個在環境中發展和解決選擇的問題。在一個慣例的環境中，一個指揮官面對相互沖突的情報、監視和偵察飛行路線，會制定一個資產優先級矩陣，然后根據這些要求進行沖突處理。這不僅僅是一個產生可行方案的問題，而且還要弄清楚這些方案中哪個對整個任務最有利。為了做到這一點，系統必須能夠融合決策標準（例如，資產的數量、收集要求、飛行時間等）。必須有傳感器來定義決策標準（例如，飛機燃油表或人類/口頭提示）。然后，必須對所有可用的選項進行修剪。最后，系統必須認識到當前狀態的變化，并對該變化產生的新信息做出反應（例如，航空資產的駐留時間結束，所以不再需要解消沖突）。

響應性是對決定性的補充。也就是說，系統能否在規定的時間內對它從未見過的情況作出適當的反應？要做到這一點，系統必須具備必要的態勢感知功能：攝入、處理、迭代和行動。所有的指標都能確保可操作的人工智能改善決策時間表，而不是抑制它們。

將人工智能推向現實世界

戰場準備度是衡量系統是否能在實際任務空間中運作的標準。由于任務限制是巨大的，人工智能不能在實驗室里開發，而不預先考慮它將如何在現實世界中運作。明確地說，實驗室人工智能的局限性并沒有被戰場所規避，而是被放大了。開放式架構受到軍事基礎設施的限制。不可知的管道被孤立的、傳統的系統所困。普及的高速網絡一旦部署到前方就會變得零星或斷斷續續。而商業部門普遍存在的未經審核的專家則被訪問受限的用戶社區取代，他們幾乎沒有人工智能的專業知識。

簡而言之，人工智能必須補充，而不是混淆正在進行的行動。從一開始就解決任務限制，然后必須包括與現有系統的整合和溝通。此外，這種整合應該進行測試或鑒定，以便在部署前證明效用，以及這種效用的左右限制。這就像軍事人員被授予可部署性的范圍一樣，或者反過來說，糟糕的體能測試會導致不可部署性的發生。

五個可操作的人工智能MOE共同代表了初始和完全操作能力（IOC/FOC）的標準閾值。使用MOE框架中的決策門做出的IOC/FOC決定將加速人工智能的采用并改善美國在算法戰爭領域的定位。

（圖 軍事人工智能發展的目標之一是在人類智能代理團隊中將戰場上的士兵與無人駕駛車輛直接聯網，這將加速情報收集、目標識別和火力任務執行。）

建議

如果沒有一個支持算法戰的人工智能操作框架，當前的美國防部計劃將會失敗。本文提出的框架是第一個在國防人工智能領域定義成功的框架，并將為政府監督提供必要的問責措施。

雖然本文的意圖是對算法戰爭的不可知的解決方案，但額外的研究是必要的。應指定資金用于將這一框架串聯到具體的系統、學科和項目。為了支持這一努力，獲取機密材料和對機密系統進行定量實驗將是至關重要的。定量實驗不僅可以驗證本文的前提，還可以開始創建一個網絡來比較和改進國防人工智能測試和評估。也就是說，在多種環境、系統和問題集中持續、一致地使用MOE架構將使人工智能項目在一個單一、共同的評估框架下保持一致。為此，本文介紹的MOE架構支持兩種功能：（1）通過迭代改進 "走-不走 "決策門的結果來實現更有效的系統；（2）通過比較各自的MOE來決定各種系統。

從戰略上講，圖中概述的架構應該被整合到國防部的采購、技術和后勤流程中。目前的范式不是為人工智能項目的指數增長和非傳統性質而建立的。圍繞普遍的評估標準校準當前和未來的國防部人工智能解決方案將實現標準化，同時加快耗時的采購流程。此外，負責企業人工智能活動的組織應在其工作中實現框架的標準化，以便更迅速地將應用研究和開發過渡到業務使用。

不過，組織的努力不應停留在政策上。目前，國防部沒有利用軍事人員進行人工智能活動的機制。具體來說，沒有與人工智能相關的軍事職業專業（MOS），也沒有官方系統來識別和分配熟練人員到人工智能項目。其結果是缺乏可用的混合人才；也就是說，既精通人工智能又精通任務的人員。建立一個數據科學或以人工智能為導向的MOS，類似于在網絡領域發生的情況，將使人工智能能力的運作更具可持續性。它還將以越來越多的合格軍事人員來充實小規模的合格人工智能專業人員庫。另外，傳統的MOS可以適應現代戰爭的特點。例如，在一個多情報融合普遍存在的世界中，特定學科的情報分析員可能并不重要。修改或增加人工智能技能標識或專業將遏制MOS相關性的下降。

在戰術上，五角大樓對人工智能的推動需要伴隨著一場自下而上的運動，這樣采用人工智能的組織就不會簡單地被賦予一種沒有背景的能力。相反，他們應該在他們帶來的抵償中擁有積極的發言權。基層的努力可能包括在IOC/FOC設計計劃之前在單位層面進行影響分析和壓力測試，以了解脆弱性和優先需求。

結論

人工智能的操作是一項以任務為中心的努力，必須在戰術上有意義，才能產生任何戰略影響。在為地面部隊帶來切實的投資回報之前，人們對算法戰爭的價值普遍猶豫不決；因此，對抗性的超限戰將成為一個越來越無法獲勝的現實。

國防部不能在沒有操作這些項目的框架下繼續執行人工智能項目。本文介紹的架構正是通過加速和規范政府通過高度創造性的、具有操作性的技術發展人工智能能力的努力來實現的。

本研究的興趣系統(SOI)集中在藍軍(BF)控制敵方紅軍(RF)對戰略瓶頸貿易路線的影響的任務，以及BF在隨后的沖突中執行的殺傷鏈功能。殺傷鏈功能 "發現RF威脅 "由BF的情報監視偵察（ISR）執行，"瞄準RF威脅 "的功能由BF的決策者執行，而 "與RF威脅交戰 "的功能由BF的射手執行。在執行殺傷鏈功能的過程中，BF的ISR、決策者和射手之間會交換多種信息，并且公認需要在進行合作交戰時提高指揮和控制（C2）的反應能力，以確保在2030年之前超額完成對近距離敵人的任務，屆時海軍無人水面艦艇預計將加入艦隊。

本頂點研究將改進的合作交戰能力（CEC）和指揮與控制（C2）結合起來，以適應在分布式海上行動（DMO）地點作戰的部隊包（AFP）。這項研究考察了CEC的四個重要實體。首先，一個完整的CEC有一個能夠識別潛在目標精確位置的觀察者。在導彈威脅環境中，位置細節的精確度必須極高，并且每秒更新多次。這一功能要素將被歸類為觀察者/ISR或傳感器功能。第二，一個完整的CEC有能力從觀察者/ISR平臺向其他參與平臺交換這種高保真、目標質量的數據。第三，一個完整的CEC有一個發射平臺，其彈藥能夠成功地起訴所觀察的目標。第四，一個完整的CEC具有決策支持/決策能力，其中人類決策者與系統對接并表達他或她的武器釋放權。觀察者/ISR、決策者和射手的組合將在本文中被稱為致命三要素。

這項研究的中心是藍軍(BF)控制敵方紅軍(RF)對戰略瓶頸貿易路線的影響的任務，以及在隨后的沖突中由BF執行的殺傷鏈功能。發現、瞄準和打擊威脅的殺傷鏈功能分別由BF的觀察者、決策者和射手執行。在執行殺傷鏈功能的過程中，致命的三人組之間會交換多種信息，并且公認需要在執行CEC時提高C2的反應能力，以確保在2030年海軍無人水面艦艇預計加入艦隊時能超額完成任務。

為縮短目前殺傷鏈執行過程中的C2周期，建議對致命三體的互操作性進行改進，包括將致命三體之間通常的模擬信息進行數字化，將無線電信息從一種協議轉換為另一種協議，為致命三體提供最佳解決方案的自動化，以及納入類似于F-35上使用的MADL通信。在每個平臺上實施這些改進，應該可以建立一個分布式的、AFP的、特設的網絡。

最重要的是縮短C2周期應該對殺傷鏈和戰斗的結果產生影響。殺傷鏈的好處應該包括在致命的三位一體之間更快、更少的干擾；在高度競爭的環境中做出更靈敏、更可靠的決策；改進武器系統與威脅的匹配，最終形成一個更適當、更有效的特設、自我形成的AFP。

在開發擬議改進的能力和功能模型的同時，還對任務場景進行了模擬，使用各種組合的BF致命三合會攻擊和防御敵人的RF武器系統，其中包括無人駕駛的現實武器系統參數。仿真數據收集和分析結果表明，在實施擬議的JCEC C2互操作性改進措施時，BF的生存能力提高了5.9%到6.4%，最大的改進是由于自動決策。額外的數據還表明，通過JCEC C2的改進來加速殺傷鏈，可以使多達12個額外的BF彈藥可用于發射，4.6個額外的RF彈藥被摧毀，從而作為一種形式的BF倍增器發揮作用。BF損失也減少了12.6%。

這些結果表明，通過提高致命三要素之間的互操作性，并通過自動化改善人類的決策，可以挽救作戰人員的生命，因為更少的BF平臺被損失，并在2030年保持對近似同行的敵人的超強實力。分析支持，日本空軍面臨的最重要的因素是人類的認知反應時間與未來敵人的超高速射彈（HVP）可能的速度之間的不匹配。數據表明，人類決策者在指揮和控制系統中引入了嚴重的延遲，這可能會阻礙聯合艦隊在未來的沖突中迅速作出反應和保衛其平臺的能力。2030年的聯合艦隊應該考慮追求人工智能和機器學習算法，以大大減少聯合艦隊C2的C2周期時間和數據交換延遲，從而增加化解新開發和更快到來的威脅的機會。

這部專著探討了支持多域作戰和融合概念的技術架構。在回顧了陸軍如何形成其目前的信息架構之后，它利用赫爾穆特-馮-莫特克和約翰-博伊德的實踐和理論，對沃爾瑪、多米諾和亞馬遜網站進行了商業案例研究，以了解它們如何在全球化市場日益復雜的競爭中茁壯成長。實施從這些商業中吸取的教訓，可以使美國軍隊通過改變其數字架構在競爭中取得優勢。轉變為算法增強的、基于網絡的架構，可以將領導者的精力從強調處理堆積如山的數據的機械性細節中釋放出來。這使他們能夠專注于適應性和作戰或戰術方法，增強在現代世界不斷發展的復雜性中成功競爭所需的敏捷性。

引言

本文開始是對陸軍的組織和作戰概念的研究，與陸軍正在開發的支持其多領域作戰（MDO）概念的新能力相配合。研究工作表明，更關鍵的重點領域是技術信息子結構，它可以使MDO和應用其概念的領導人取得成功。目前支持MDO和融合的技術狀態的問題是一個信息架構，它是沿著每個作戰功能的管道，缺乏改進的自動化來快速處理更大的數據集，并迫使領導者專注于低效地重新處理數據集。這些都占用了時間和精力，使他們無法履行更重要的職責，即制定操作方法，利用從收集的信息中獲得的洞察力。C2架構限制了其職能部門和領導者的潛力。一個集中的等級模式阻止了他們在沒有中央節點的信息處理或高級指揮官及其參謀部的指導下做出明智決定的能力。這些不匹配阻礙了MDO的目標：以任務指揮思維領導的跨功能編隊，在時間和空間的關鍵點上匯聚他們的能力，比他們的對手更快、更遠。

在許多相同的挑戰性條件下進行區域和全球競爭。不斷發展的全球供應鏈，互聯網的連通性，以及來自新的商業對手的更多競爭，呈現出一個不斷變化的世界，在這個世界上，他們不僅必須生存，而且必須興旺。他們的競爭步伐是持續的，有些公司已經存在了幾十年。這為在與美國陸軍類似的條件下對技術、組織和領導的替代方法提供了寶貴的觀察和評估。本文不僅考慮了軍事指揮官和參謀部規劃人員背景下的領導者，而且考慮了在其領域內成功競爭的跨國公司的高管。它還關注支持陸軍行動的信息架構的演變所帶來的機會。架構的演變可以更好地支持MDO和融合中的系統和決策工作。本報告首先探討了全球作戰環境和軍事能力所依據的系統的復雜性增加，產生了越來越多的、難以處理的數據集。這些復雜的挑戰增加了作戰環境的邪惡性，這是領導者和作戰藝術家的一個關鍵責任，他們要盡可能地馴服，并作出決定或采取行動，以便在一個或多個領域成功競爭。

接下來是對陸軍當前信息架構發展的考察，其基礎是XXI部隊的理念。二十一軍的概念試圖最大限度地吸取沙漠風暴行動中各部隊的成功經驗，特別是在信息領域內，將每個作戰功能的數據流數字化。為了建立一個理解如何發展陸軍架構的框架，本文分析了理論基礎，為赫爾穆特-馮-莫特克和約翰-博伊德探索的新作戰能力創造條件。

最后，對在同一世界中競爭的不同企業的案例研究增加了復雜性，提供了對技術架構的洞察力，使其在競爭中占據優勢。研究信息架構以及它如何使亞馬遜、沃爾瑪和多米諾披薩的商業行為得以實現，為軍隊技術架構的發展提供了機會。在對陸軍當前和潛在的架構進行反思時，所提供的見解可以使陸軍系統的演變能夠提高其在未來作戰環境中進行MDO、融合和競爭的能力。

在戰術情報、監視、目標獲取和偵察（ISTAR）中，移動特設傳感器智能體合作實現收集任務，以彌補信息需求和信息收集之間的差距，從而保持持久的態勢感知。針對有限的機載傳感器平臺資源能力和能耗，最新的貢獻往往采用特設規定的傳感器行為，導致過度保守的連接約束和有偏見的決策。 其他的方法是假設一個分割的空間，持續的網絡連接或約束放松，以減少問題的復雜性。但是，這些可能會傳達一個重要的機會成本，并不利于整體性能，遠離收集價值最大化，只要數據路由是可行的。本文提出了一種創新的方法來處理移動特設傳感器網絡/蜂群收集任務的問題，該方法考慮了有限的機載處理能力和數據傳播的能耗預算。收集規劃依賴于一種新的開環反饋決策模型的制定。它包括反復求解一個靜態決策問題，使采集值在一個逐漸縮小的時間范圍內最大化。偶發性決策受傳入請求、累計采集值、正在進行的資源承諾、剩余資源能力和上一階段的反饋影響。該方法結合了一個新的緊湊圖表示和一個近似的路徑規劃決策模型，受制于周期性連接。

對國防和安全的意義

本科學報告提出了新的收集任務決策支持技術概念，為實現數字化指揮和控制（C2）解決方案鋪平了道路，以支持戰術陸地指揮、控制、通信、計算機、情報、監視和偵察（C4ISR）。這種新的傳感器網絡收集任務概念，以保持持久的態勢感知，完全符合加拿大陸軍陸上需求局（DLR）2的意圖，即實現戰術決策-行動周期的自動化和優化。這項工作旨在及時向DLR 2和陸地情報、監視、偵察（ISR）現代化資本采購項目的定義階段通報戰術邊緣的新的自動化和優化收集任務技術概念，并確定有希望的研究方向。倡導的概念為敏感目標定位、動態收集任務重新分配、收集器集成以及新的自動化收集任務解決方案的可行性和價值帶來了新的視角。所提出的核心概念計劃在適當的國家和國際場合，如關鍵的選定的軍事演習和/或技術合作計劃（TTCP）中逐步和適時地展示。這將為其他 "五眼 "國家提供必要的能見度和適當驗證的機會窗口，同時獲得對加拿大感興趣的有競爭力的最新技術。

報告組織

該文件的其余部分分為以下幾個部分：

第2節介紹了傳感器網絡收集任務的問題。

然后在第3節中強調了一種新的收集任務的方法，以保持持久的態勢感知。第3節介紹了一種新的收集任務分配方法，以保持持久的態勢感知。該節提出了一個總體概述，并強調了其主要特征和相關的新穎性。然后分別進一步描述了一種創新的收集圖表示、一種新的連接性約束處理方法和一種管理臨時代理收集的數學決策模型表述。然后介紹了所促進的具有成本效益的通信規劃/路由方案的細節。

第4節描述了自然問題模型的擴展，以處理連通性的不確定性，并隨時捕捉多個目標。

第5節簡要討論了問題復雜性的降低。

第6節報告了計算結果，并對各種基線問題解決技術進行了一些性能比較分析，以評估擬議方法的價值。

最后，第7節給出了一個結論，簡要總結了報告的主要貢獻和預期的未來工作。

在不確定的情況下評估和選擇最合適的國防能力組合，一直是軍隊面臨的一個挑戰。這一戰略決策過程面臨著許多挑戰性的困難。它涉及到長期承諾、具有不同目標的多個利益相關者，以及廣泛的相互依賴的替代方案。盡管有現有的實踐，我們仍然缺乏一種能夠在不確定情況下評估和選擇武器系統和軍事人員組合的綜合方法。本科學報告開發了一種新的經濟方法，為戰略組合選擇提供信息。該方法得出了每項國防能力的平均經濟價值和將其納入國防組合的概率。進行了一個組合風險分析，以顯示結果對主要的不確定性來源有多敏感。一個假想的例子被用來說明這個方法。建議的方法在經濟上是合理的，在組合選擇上也是實用的。它將使決策者和國防分析人員能夠評估、優先考慮和選擇最佳的能力組合。

軍事組合決策涉及（1）多個目標，（2）復雜的替代方案，以及（3）許多不確定的變量。盡管有現有的實踐，但仍缺少一種在不確定情況下評估和選擇武器系統和軍事人員組合的綜合方法。為了最大限度地提高國防組合的整體價值并改善部隊結構組成，加拿大國防部（DND）已經開始開發企業成本模型（ECM）。ECM將使用建議的方法來評估候選能力的價值，對其進行優先排序，并確定加拿大武裝部隊可能采用的關鍵能力。至少確定了ECM的三個潛在用戶：助理副部長（財政）（ADM[Fin]）、助理副部長（物資）（ADM[Mat]）和盟國。通過使用ECM，這些社區也將從這項工作中受益。

引言

1.1 背景

選擇項目清單或武器系統組合的過程是一個戰略決策過程。它使軍隊能夠發展使未來部隊在戰略上具有相關性、在行動上具有響應性、在戰術上具有決定性的能力。在這個過程中，最合適的未來部隊選項是由應該實現的目標倒推到需要的目標來設計的。然而，選擇最合適的國防組合面臨著幾個復雜和極具挑戰性的困難（DND，2014）[1]。困難的主要來源包括但不限于：（Kangaspunta等人，2012 [2]；Tate和Thompson, 2017 [3]；Harrison等人，2020 [4]）。

多重目標--這些目標涉及多個利益相關者，他們有不同的偏好和相互沖突的目標。籌資決策不僅影響投資成本，還影響犧牲其他項目的機會成本。隨著關鍵利益相關者立場的不斷變化，通常不容易將這些與環境相關的目標減少到一個單一的維度，并找到一個共識的解決方案。目標和約束條件之間也存在著持續的二元性。決策者可能希望確定實現某一特定能力水平的最低成本，或者相反，在預算約束下確定可能的最高能力水平。

風險和不確定性--組合決策涉及長期承諾，其中許多變量是不確定的。這種不確定性的關鍵驅動因素是成本、進度和運營需求過程的結果。這些驅動因素之間的相互依賴使得風險分析更加困難。例如，一個項目執行中的任何變化都會對成本和進度的不確定性產生直接影響。任何成本的降低或進度的收緊都會增加結果的不確定性。此外，這樣的決定同時將生命、美元和時間置于風險之中，導致了對風險的復雜和不一致的態度。這種不確定性通常與其他幾個不確定性的來源結合在一起，如能力要求、預算和地緣政治局勢。

復雜的替代方案--選擇一個最佳的投資組合以達到預期效果或緩解特定的能力差距，在軍事部門不是一件容易的事。軍事投資組合決策涉及廣泛的相互依賴和重疊的備選方案。它們的影響往往是非線性的，并且取決于環境。它們的相互依賴程度一般很難描述。軍事選擇也是離散的和非二元的，這使得稀缺資源的優化更加困難。這些特點往往與既非線性也非加法的復雜成本函數結合在一起。

到目前為止，還缺少一種評估和選擇國防能力組合的綜合方法。為了在最有效地利用資源的情況下構建最合適的能力組合，首席財務官（CFO）責成加拿大國防研究與發展中心（DRDC）-運營研究與分析國防經濟團隊（DET）開發ECM（Morrisey, 2021）[5]。作為這項工作的一部分，我們進行了兩項研究以支持該項目。在第一個研究中，我們提供了一個評估和選擇能力組合的二元反應模型[6]。第二項研究通過能力組合風險分析[7]補充了最初的工作。這種新的隨機方法將蒙特卡洛模擬技術應用于二元反應模型。

1.2 目的

這項工作的目的是綜合參考文獻[6]和[7]中提出的前兩種能力組合評估和選擇方法。它有兩個相互關聯的主要目標：

• 開發一個完整的方法，該方法在理論上是合理的，并與國防能力組合建設實際相關；以及

• 說明該方法并演示其過程實現。

1.3 方法

建議的方法結合了或然估值法（CVM）的一個變種和投資組合風險分析來選擇能力組合。1963年，CVM在哈佛大學的一篇經濟學博士論文中得到實施。包括美國陸軍工程兵團在內的許多組織都使用了這種方法，并對所采用的方法的發展做出了貢獻（Hanemann, 1984 [8]; Cameron, 1988 [9]; Sokri, 2012 [10]）。我們的方法包括四個主要步驟，如圖1中的流程圖所總結的。首先是選擇能夠比較能力的主題專家（SMEs），最后是對備選方案進行排名并進行組合風險分析。

圖 1：主要方法步驟的示意圖。

1.3.1 選擇主題專家

這種方法成功的關鍵在于選擇有經驗的主題專家。正如過去所做的那樣，他們應該來自整個國防組織，并在分析能力的性質方面擁有廣泛的專業經驗。他們應該能夠比較能力并回答調查問題。這些問題將取決于每套能力（飛機、艦艇等）的性質。它們的范圍可以從戰略防御目標（例如，保衛國家及其盟友）到能力的技術措施（例如，規模、生存能力、范圍、持久性、響應性和互操作性）。

1.3.2 評估備選方案

如附件A所示，每個主題專家要求從每個標準的角度對每個備選方案進行0-100分的評分。每個主題專家還被要求(1)以0-100的尺度對每個備選方案進行總體評價，(2)決定該備選方案是否應被納入防御組合。如果主題專家決定將其納入，該替代方案將被賦予1的數值，否則為0。

1.3.3 估計回歸模型

分析師將從每個標準的角度使用0-100分的比率作為解釋變量。對于因變量，分析者有兩種選擇：（1）他/她可以使用一個非線性回歸模型，其中因變量只能取兩個值（即每個主題專家的決定），（2）他/她可以使用每個備選方案在0-100等級上的總體評價來計算 "提供的幾率"（而不是預測的幾率）。在這種情況下，分析員將估計一個線性回歸，其中因變量是賠率的自然對數（即對數）。

1.3.3.1 對備選方案進行排名

可以使用三種預測措施（產出）之一，對備選方案從最好到最差進行排名。(1) 它們被納入防御組合的概率，(2) 它們的幾率，(3) 它們的量化經濟價值。賠率是列入概率的一個增加函數。它們將提供相同的結果。經濟價值應該與它們呈正相關關系。這些衡量標準是根據專家們的評價進行統計推斷的。

1.3.3.2 進行組合風險分析

為了評價結果的穩健性，可以進行能力組合風險分析。進行這種風險分析可采用三種互補技術：（1）通過評估每個預測因素的邊際效應，（2）通過估計每個結果的三點估計值（樂觀、最可能和悲觀），以及（3）通過使用計算機模擬得出每個備選方案的風險狀況。關于這個方法步驟的更多細節，請讀者參考附件A。

建議的方法為能力組合的評估和選擇提供了更多的機會：

• 嚴謹性（基于合理的理論基礎）。
• 可靠性（以正確的評估為基礎）。
• 可復制性（明確的程序，而不是黑箱）；以及
• 一致性（方法步驟的一致性）。

由此產生的科學報告將為分析人員和決策者提供一個共同的基礎：

• 以一致的方式匯總若干評價標準。
• 用它們的價值來描述替代品。
• 對它們進行排名；和/或
• 將它們歸入預先確定的類別。

本報告分為七個部分。導言之后，第2節概述了能力組合分析領域的最新進展。第3節建立了所采用的二元模型，并指出其數學推導。它還說明了如何對一組候選能力進行估值和排序。第4節介紹并討論了一種新的能力組合風險分析方法。第5節提供了一個說明性的例子，使形式主義更容易被理解。第6節展示了建議的方法與一些傳統方法和投資規劃的聯系。最后一節提出了一些結論性意見。

摘要

過去的決策是如何做出的，其驅動力、戰略和理由是什么？關于組織應該如何從過去的經驗中學習以幫助在未來做出更好的決策，這句老話是正確的。目前的第一階段研究著眼于美國防部（DOD）如何灌輸機構企業記憶。具體來說，該研究對如何開發一個透明的決策選項登記冊（DOR）綜合智能數據庫系統進行測試并提出建議，其中DOR有助于捕捉國防部（DOD）內部項目的所有歷史決策（假設、數據輸入、約束、限制、競爭目標和決策規則）。這個DOR中的信息將與元語義搜索和數據科學分析引擎兼容。DOR用于對未來的決策方案進行建模，以便在不確定的情況下做出決策，同時依靠過去的最佳實踐，使高級領導層能夠做出可辯護的、實用的決策。目前第一階段的研究使用程式化的數據和例子來說明推薦的方法。

這項研究采用先進的定量建模方法（隨機模擬、投資組合優化），加上人工智能（AI）和機器學習（ML）算法（數據搜刮、文本挖掘、情感分析）和企業風險管理（ERM）程序，實施行業最佳決策分析。DOR將部分基于使用風險登記冊的ERM方法，其中不同的風險元素被細分為不同的GOPAD組，或目標（軍事能力、成本節約、新技術、未來武器能力、公共安全、政府優先事項、指揮偏好，等等。 )、組織(空軍、陸軍、海軍、海軍陸戰隊)、計劃(采購、商業現貨、聯合產業、混合等)、活動(庫存、替換、新開發、研究和開發等)和領域(空中、海上、網絡等)類別。

多個相互競爭的利益相關者（例如，國防部長辦公室、海軍作戰部長辦公室、美國國會和平民）有其特定的目標（例如，能力、效率、成本效益、競爭力和殺傷力，以及替代方案和權衡）、約束（例如，時間、預算、進度和人力）和基于任務的領域需求（例如，平衡網絡安全、網絡反恐、反潛戰、反-飛機戰或導彈防御）。

這項研究采取了多學科的方法，來自先進分析、人工智能、計算機科學、決策分析、國防采購、經濟學、工程和物理學、金融學、期權理論、項目和計劃管理、隨機建模的模擬、應用數學和統計學的方法被應用。最終的目標是為決策者提供可操作的情報和對未來決策選項或靈活的真實選項的可見性，以及導致某些可比較決策的假設。

推薦的方法包括使用監督和無監督的AI/ML情感文本分析、AI/ML自然語言文本處理以及AI/ML邏輯分類和支持向量機（SVM）算法，再加上更傳統的高級分析和數據科學方法，如蒙特卡洛模擬、隨機組合優化和項目選擇、使用財務和經濟指標的資本預算，以及PROMETHEE和ELECTRE等詞匯學排名方法。

介紹了案例應用、代碼片段和模擬的DOR，并以典型的數據來說明其能力。目前的研究成果將為下一階段的多年研究提供基礎，將建立原型，實際數據可以通過規定的分析引擎運行。

1. 簡介

這項擬議研究的目的是生成一個透明的決策選項登記冊（DOR）綜合智能數據庫系統，該系統有助于捕捉所有未來的歷史決策，包括其假設、數據輸入、約束、限制、競爭目標和國防部（DOD）的決策規則。該DOR中的信息將與元語義搜索和數據科學分析引擎兼容。DOR用于對未來的決策選項進行建模，以實施和實現在不確定的情況下做出決策，同時依靠過去的最佳實踐，并允許高級領導層做出可辯護的和實用的決策。

DOR是基于私營企業的企業風險管理（ERM）實踐，通常會列出過去、現在和未來擬議項目的風險和經驗教訓。建立一個決策歷史的文件數據庫是至關重要的。如果沒有曲線，就沒有學習曲線，而沒有任何數據或信息就不可能有曲線。有了目前這項研究中推薦的DOR和相關方法，我們可以通過觀察新項目的特點，以歷史數據為參考，計算出新項目的成功和失敗的概率，從而預測結果。當然，有必要對成功與失敗進行操作和定義。僅僅因為一個項目低于預算，按時完成，幾乎不需要返工，達到了所有要求的規格和技術發布水平，這是否意味著它是成功的？我們還可以用什么其他的指標來確定明確的成功或明確的失敗，以及在這兩者之間的所有其他層次呢？我們需要確定可用的數據以及差距，以使我們有一個堅實的決策選項登記冊。我們在操作上定義的成功和失敗的一些統計學上的重要預測因素是什么？另一個問題是減輕風險和戰略靈活性。

這項研究將展示業界最佳的決策分析和企業風險管理（ERM）程序。DOR將部分基于使用風險登記冊的ERM方法，其中不同的風險元素被細分為不同的GOPAD組，或目標（軍事能力、成本節約、新技術、未來武器能力、公共安全、政府優先事項、指揮偏好，等等。 )、組織(空軍、陸軍、海軍、海軍陸戰隊)、計劃(采購、商業現成的、聯合產業、混合等)、活動(庫存、替換、新開發、研究和開發等)和領域(空中、海上、網絡等)類別。

多個相互競爭的利益相關者（如國防部長辦公室、海軍作戰部長辦公室、美國國會和平民）有其特定的目標（如能力、效率、成本效益、競爭力和殺傷力，以及替代方案和權衡）、限制（如。時間、預算、時間表和人力），以及基于任務的領域要求（例如，平衡網絡安全、網絡反恐、反潛戰、防空戰或導彈防御中的數字化轉型需求）。當需要考慮新的決定時，這些因素是至關重要的。一個保存機構知識和記憶的DOR數據庫將有助于這種努力，并為決策注入信任。

這項研究將采取多學科的方法，我們將應用先進的分析方法、人工智能、計算機科學、決策分析、國防采購、經濟學、工程和物理學、金融、期權理論、項目和項目管理、隨機建模的模擬、應用數學和統計學。最終的目標是為決策者提供可操作的情報，以及對未來決策選項或靈活的真實選項的可見性，并提供導致某些可比決策的假設。

1.1 研究當前的技術狀況

在法律糾紛中，法院在決定案件的結果時使用先例。先例的使用已經有200多年的歷史，通常是為了上訴或推翻以前的判決。然而，基于先例的決策是工業界和政府還沒有完全接受的東西。由于人力資本的波動和外流，以及雇員離開或被重新分配到其他地方時機構知識的流失，包括國防部在內的各組織往往記憶短暫。目前的研究旨在包括對基于先例的決策技術現狀的相關研究是如何進行的，什么可能被認為是技術現狀，以及其目前的局限性是什么。

1.2 研究方法

該研究應用了多種新穎的方法，以提高其在生成一個強大的、可搜索的DOR數據庫方面的成功率。建議將包括關鍵參數、假設、輸入數據、保存的模型和計算、做出的決定、領導的輸入和重寫、約束和限制、最終目標和其他相關信息，然后可以使用機器學習的情感分析，加上刮削算法和自定義詞匯集的文本挖掘來挖掘。該系統的用戶將能夠把基于先例的洞察力應用于他們當前和未來的項目。此外，在可能的情況下，預測值將由隨著時間推移捕獲的實際值來補充。這允許對以前的項目進行事后分析，并提供一路走來的經驗教訓。掌握關鍵決策的歷史將有助于高級領導層做出更可信和可辯護的決定，這可能最終導致國防部的法律和法規變化。

擬議的方法將允許收集可應用于各種領域的數據，包括但不限于綜合風險管理?方法，其中可以運行蒙特卡洛模擬、隨機組合優化等隨機分析，以及高級數據分析方法、人工智能和數據科學方法。隨著時間的推移，可以應用回溯分析來更新DOR，使其更接近國防部的需求。該系統應該能夠收集不同類型的經濟數據（總生命周期成本、總擁有成本、采購成本、成本遞延、以及進度和風險成本）；后勤數據（例如。固有可用性、有效可用性、任務可靠性、操作可靠性、平均停機時間、平均維護時間、后勤延遲時間、實現可用性、操作可用性、任務可用性、實戰能力、創造性和新穎技術的李克特水平以及其他指標）；定性的主題專家估計（戰略價值、對社會的價值、指揮部優先事項、法律和監管影響得分等）；以及市場可比性，以操作國防部利益的各種要素。在適當的時間間隔內，可以采用非線性判別分析、神經網絡、分布式擬合、有限因變量、路徑依賴的偏最小二乘法等反擬合分析，以找出導致一個項目或采購中某些決策成功或失敗的關鍵成功因素。

1.3 研究應用

目前的研究是重要的，因為它將在國防部的決策過程中創造一個重大的差異。國防部一直在為決策分析、資本預算和投資組合優化尋找更好的、理論上合理的、定量上嚴格的分析方法。具體的興趣在于如何識別和量化每個項目對軍隊的價值，并優化選擇正確的項目、系統和能力組合，使一些軍事價值（戰略、作戰或經濟）最大化，同時受到預算、成本、進度和風險限制。這項研究應用了私營部門和行業的最佳實踐，再加上先進的分析方法和模型，以幫助創建這些方法來做到這一點。然而，國防部的獨特性要求我們做更多的工作，以確定對軍隊的價值概念，同時考慮競爭的利益相關者的需求。國防部在其投資回報中需要有可辯護的、量化的、強有力的軍事價值概念，以做出最佳的資金決策，如在哪里投資、投資多少、投資多長時間。在國防部的非經濟環境中進行替代方案分析和平衡成本效益權衡時，這些決策選擇（戰略順序復合實際選擇、最佳時機選擇、增長選擇和其他選擇，以擴大、收縮和放棄）是至關重要的。國防部將提供歷史上保存下來的關于假設的各種替代性未來、模擬的替代方案以及為什么做出某些決定的見解。

1.4 人工智能和數據科學

人工神經網絡（NN）是一個數據驅動的、無分布的非參數方法系列，可用于非線性模式識別、預測建模和預測。神經網絡經常被用來指代生物神經元的組合網絡電路。該術語的現代用法通常也指 "人工神經網絡"，包括在軟件環境中重新創建的人工神經元，或節點。這種人工網絡試圖模仿人類大腦中的神經元或神經元節點的思維方式，識別模式，以及在我們的情況下，識別模式來預測時間序列數據。NN方法可用于行為良好的時間序列以及混亂的物理系統。當用于大數據（BD）并與機器學習（ML）方法結合使用時，它可以被視為半監督的人工智能（AI）系統的一個交叉點。NN仍然被認為是半監督的，因為神經網絡需要一個多層次的訓練過程作為激活函數的一部分。例如，一旦系統中的激活被觸發，神經節點的權重和交互式卷積就可以自主地運行。在多層神經元節點中，第一個節點層的結果將成為后續節點層的輸入。

本文提議增加一個內部優化過程，以迭代運行的方式不斷訓練節點，使其最小化一系列的誤差測量，如標準化的誤差平方和，同時平衡和約束Akaike信息準則、Bayes準則和Hannan-Quinn準則。此外，這里的建議是在組合中加入組合模糊邏輯方法，以產生盡可能好的預測。模糊邏輯一詞來自模糊集合理論，用于處理近似而非精確的推理。相對于脆性邏輯，二元集有二元邏輯，模糊邏輯變量可能有一個真值，范圍在0和1之間，不受經典命題邏輯的兩個真值的限制。這種模糊加權模式與組合方法一起使用，可以得到時間序列的預測結果。

Augur（2016）對數據科學的歷史做了一個很好的總結。根據他的研究，"數據科學 "一詞最早出現在1974年，當時Peter Naur發表了題為 "計算機方法簡明調查 "的文章，并將其定義為："處理數據的科學，一旦它們被建立起來，而數據與它們所代表的關系被委托給其他領域和科學。" 這個詞花了一段時間才流行起來，直到2010年才完全融入白話。數據科學家 "一詞通常歸功于2008年Facebook和LinkedIn的Jeff Hammerbacher和D. J. Patil。在2011年和2012年之間，"數據科學家 "的職位列表增加了15,000%，重點是與大數據的工作。到2016年，數據科學開始在人工智能領域根深蒂固，特別是在機器學習和深度學習的子領域。

前言

我們的同行競爭者，利用科學、技術和信息環境的新興趨勢，已經投資于挑戰美國和重塑全球秩序的戰略和能力。他們采用創新的方法來挑戰美國和盟國在所有領域、電磁波譜和信息環境中的利益。他們經常尋求通過在武裝沖突門檻以下采取模糊的行動來實現其目標。在武裝沖突中，武器技術、傳感器、通信和信息處理方面的進步使這些對手能夠形成對峙能力，以在時間、空間和功能上將聯合部隊分開。為了應對這些挑戰，履行美國陸軍在保護國家和確保其重要利益方面的陸軍職責，陸軍正在調整其組織、訓練、教育、人員和裝備的方式，以應對這些圍繞多域作戰（MDO）概念的未來威脅。

陸軍的情報工作本質上是多領域的，因為它從多個領域收集情報，而且可以接觸到合作伙伴，彌補陸軍信息收集能力的不足。在競爭中，陸軍情報能力作為掌握作戰環境和了解威脅能力和脆弱性的一個關鍵因素。在整個競爭過程中，陸軍情報部門為每個梯隊的指揮官和參謀人員提供所需的態勢感知，以便在所有領域、電磁頻譜和信息環境中可視化和指揮戰斗，并在決策空間匯集內外部能力。

這個概念描述了關鍵的挑戰、解決方案和所需的支持能力，以使陸軍情報部門能夠在整個競爭過程中支持MDO，以完成戰役目標并保護美國國家利益。它是陸軍情報部隊、組織和能力現代化活動的基礎。這個概念還確定了對其他支持和輔助功能的影響。它將為其他概念的發展、實驗、能力發展活動和其他未來的部隊現代化努力提供信息，以實現MDO AimPoint部隊。

本文總結

陸軍未來司令部的情報概念為陸軍情報部隊的現代化活動提供了一個規劃，以支持陸軍2035年的MDO AimPoint部隊在整個競爭過程中與同行競爭對手進行多域作戰。它提供了支持2035年以后MDO AimPoint部隊的見解。這個概念是對2017年美國陸軍情報功能概念中概述想法的修改：情報作為一個單位在所有領域的運作，有廣泛的合作伙伴投入。這個概念擴展了這些想法，以解決陸軍在進行大規模作戰行動中的頭號差距：支持遠距離精確射擊的深度傳感。領導陸軍情報現代化的舉措是組織上的變化，以提供旅級戰斗隊以上梯隊的能力，以及支持深層探測問題的四個物資解決方案。

支持MDO AimPoint Force 2035的組織變化使戰區陸軍、軍團和師級指揮官能夠以遠程精確火力和其他效果塑造深度機動和火力區域。在戰區層面，軍事情報旅的能力得到提高，新的多域特遣部隊擁有軍事情報能力。遠征軍的軍事情報旅被重新利用和組織，以支持軍團和師的指揮官，而不是最大限度地向下支持旅級戰斗隊。

支持MDO AimPoint Force 2035的物資變化，即將所有的傳感器、所有的火力、所有的指揮和控制節點與適當的局面融合在一起，對威脅進行近乎實時的瞄準定位。多域傳感系統提供了一個未來的空中情報、監視和偵察系統系列，從非常低的高度到低地球軌道，它支持戰術和作戰層面的目標定位，促進遠距離地對地射擊。地面層系統整合了選定的信號情報、電子戰和網絡空間能力，使指揮官能夠在網絡空間和電磁頻譜中競爭并獲勝。戰術情報定位接入節點利用空間、高空、空中和地面傳感器，直接向火力系統提供目標，并為支持指揮和控制的目標定位和形勢理解提供多學科情報支持。最后，通過分布式共同地面系統，陸軍提高了情報周期的速度、精度和準確性。

伴隨著這些舉措的是士兵培訓和人才管理方法，旨在最大限度地提高對目標定位和決策的情報支持。從2028年MDO AimPoint部隊開始，陸軍情報部門將繼續改進軍事情報隊伍，以支持2035年及以后的MDO AimPoint部隊。

這一概念確定了陸軍情報部門將如何轉型，以支持陸軍和聯合部隊在整個競爭過程中與同行競爭者抗衡。

圖1 邏輯圖