摘要

在21世紀，人工智能侵入了我們生活的各個方面。它通過獲取、存儲和回憶信息，幫助用戶建立對周圍世界的更好理解。最令人震驚的是，每個手機擁有者隨時可以獲得的處理能力超過了第一代計算機的能力。在這種計算能力在私營企業中如此普遍的情況下，軍隊如何將這種技術融入其規劃方法，即軍事決策過程？這項研究探討了人機合作，因為它與陸軍師級的規劃有關。

這項研究解構了MDMP，并提出了與現有人工智能技術及其計算能力，以及人類理解和創造能力相結合的建議。這項分析闡明了通過伙伴式理解的概念獲得的一些流程效率；隨著人工智能學會如何為用戶處理信息，用戶對他們的操作環境獲得了更深的認知理解。這方面的工作也探討了這種整合的成本。

1 簡介

1.1 背景/概述

• "2025年5月21日，為應對一場新出現的危機，該師司令部啟動了一個作戰計劃小組（OPT）。就在幾個小時前，這個陸軍師收到了即將在未來幾周內部署的通知。這種情況發生在初夏，伴隨著一系列獨特的人事挑戰--夏季永久換崗（PCS）季節。由于即將離任的主要工作人員即將離開，而替代人員尚未到達，工作人員的人手并不充足。在剩下的成員中，有些人在所分配的職位上經驗有限，或者從來沒有在陸軍師一級進行過規劃。這個OPT需要審查作戰命令（OPORD），同時還要補充必要的細節，使計劃可以執行。他們沒有足夠的時間向組織的領導者和決策人--司令部提出可行的方案。在審查OPORD、指導團隊新成員、更好地了解作戰環境之外，OPT還必須了解不斷變化的危機的動態，并提出適當的、有效的反應。"

上面的例子在作戰人員的世界里并不是很少發生的。作戰計劃小組必須利用他們的現有資源，最重要的是他們的專業軍事判斷和時間，制定一個計劃供指揮官批準。他們的許多計算、估計和評估將完全取決于他們的集體經驗、理論知識和一些最佳猜測。根據這些計劃和整個陸軍和更大的美國國防部的作戰計劃小組的估計而調整的國家資產，主要是由數據驅動的。將這些數據關聯起來，以更及時的方式提供更精確的人員估計，無疑可以幫助工作人員適應作戰環境，并創造出更多高質量的行動方案、分支和續篇。此外，隨著戰斗的步伐和復雜性的不斷增加，由于通過技術的相互聯系，人類反應、計劃和執行持久行動的認知能力將難以跟上。人工智能技術，總體而言，可能提供了最好的機會，以加強和增強計算解決問題的任務，并減少作戰級規劃人員目前經歷的認知過載。這項技術有可能影響美國陸軍部隊規劃和執行戰爭的方式。

研究的意義

這項研究之所以重要，主要有兩個原因。美國陸軍使用相同的基本規劃方法，即軍事決策過程（MDMP），開展軍事行動已有46年。然而，隨著人工智能在社會應用中的增加，陸軍尚未確定人工智能技術如何在智能任務指揮系統（如XXI部隊旅及以下戰斗指揮系統（FBCB2））之外幫助決策。

其次，思想的全球化已經將人工智能推到了下一次技術革命的前沿。正如20世紀對太空主導權的爭奪刺激了世界主要大國的國家投資一樣，人工智能在21世紀也開始有同樣的投資優先權。人工智能的任何一個領域的重大突破都可能創造出一個在短期內證明不可能克服的優勢。最重要的是，由于我們在政府和私營企業中的信念與敵對國家背道而馳，陸軍和美國處于不利地位。只要專注和精確，軍隊可以從人工技術和軍事規劃的融合中大大受益。

術語的定義

由于本討論的技術性質，術語表是最合適的。以下術語貫穿本專著，為參考提供了基礎。

認知計算--利用各種人工智能技術進行大規模學習、有目的的推理并與人類自然互動的系統

知識庫--精心策劃的數據集或數據體，用作機器學習和認知計算系統的基線。

策劃的數據集--深度學習網絡的基礎知識數據集。

深度學習 - 人工智能的一個方面，涉及模仿人類用來獲得某些類型知識的學習方法。

專家系統 - 人工智能的一種形式，在一個特定的研究領域或專業領域內保持知識。

攝取 - 人工智能系統接收數據的過程。

自然語言處理 - 計算機系統的能力，使用世界知識，通過口頭輸入或書面/打字文本來處理和操作語言，與人類對話。

神經網絡 - 一組處理單元，結構上受人腦啟發，在深度網絡學習中結合一組輸入值產生一個輸出值。

機器學習 - 一個統計過程，從一組數據開始，推導出解釋數據的規則或程序，同時預測未來數據。

伙伴式理解--用戶和人工智能系統之間的迭代對話，其中用戶從系統中獲得更深入的理解，而人工智能系統則獲得對其數據集使用的理解。

強人工智能/通用人工智能--人工智能系統能夠在廣泛的認知任務中表現出明顯的智能行為，至少與人類一樣先進。

弱人工智能/狹義人工智能--人工智能系統能夠成功完成簡單或高度具體的應用。

限制因素

人工智能技術正在通過私營行業的研究和開發迅速發展。因此，某些技術的許多能力和規格都是專有性質的。這種知識產權的發布對這項研究來說是非常有限的。

假設

本研究假設陸軍師的帶寬分配不會因為作戰人員信息網絡--戰術（WIN-T）的取消而大幅減少或增加。本研究還假設陸軍師在理論上與《戰地手冊》3-94戰區陸軍、軍團和師級行動以及陸軍訓練出版物3-91師級行動的雇傭、組成和能力保持一致。本研究假設在本研究涵蓋的未來五年內，人工智能技術不會有重大突破。最后，本研究假設美國陸軍師提供更強大的網絡帶寬、人員冗余以及與戰場前沿的距離，這將優化人工智能技術的實施。

專著的組織

本專著將直接對人工智能歷史和理論進行簡要概述，以提供對該技術的基礎性理解。隨后，技術系統和軍事規劃的歷史整合將提供與建議在未來應用的相關背景。對MDMP的分析將確定人工智能技術是否可以利用私人產業中的應用進行整合。本專著將討論將人工智能技術納入作戰計劃的潛在權衡和副作用。最后，結論提供了進一步研究和應用的結果和建議。

（第2-3章關于AI的發展綜述請查看原文）

4 戰役層面的規劃

軍事規劃是指令性行動的結果。國家指揮機構指示解決沖突的選項，而軍隊則尋求完成所需的狀態。從本質上講，軍事規劃是一種確定和實施解決方案的手段。在介紹的例子中，相對于應急計劃中完成的研究和規劃工作，作戰規劃小組需要提供與當前作戰環境相關的選擇。技術革命從根本上增加了全球環境的互動復雜性，影響了作戰環境中的區域行為者。美國陸軍學說，特別是陸軍學說參考出版物（ADRP）5.0作戰過程，將規劃定義為 "理解的藝術和科學，設想一個理想的未來，并制定有效的方法來創造這個理想的未來。"對于作戰層面的戰爭，在本專著的其余部分，這被稱為作戰規劃。

在聯合出版物或美國陸軍理論中沒有關于戰役層面規劃的具體定義。然而，作戰水平是國家軍事戰略目標和部隊戰術運用之間的聯系，重點是設計、計劃和使用作戰藝術執行行動。AJP-5將戰役層面的規劃定義為 "在戰役層面進行軍事規劃，以設計、實施和維持戰役和主要行動，從而在特定的戰場或行動區完成戰略目標"。

在這個層次的戰爭中，規劃將戰略轉化為行動。戰役層面的規劃也是概念性規劃和指揮藝術與詳細規劃和控制科學的結合點。這一層次的規劃也最專注于軍事解決方案，在很大程度上擺脫了與戰爭政治相關的模糊性。贖罪日戰爭后的主要行動更關注于實現軍事目標，而不是參與戰爭政治。此外，行動的重點是奪取、保留或利用主動權。例如，在 "沙漠風暴 "戰役的規劃階段，由高級軍事學院培訓的戰役層面的規劃人員不太關心其計劃的政治影響，而是關心如何利用行動藝術來實現軍事目的。

作戰藝術是一種產生理解的工具。因此，戰役規劃在很大程度上依賴于指揮官正確構思問題并將一系列可能的解決方案可視化的能力。陸軍理論指出，作戰藝術是指揮官和參謀部制定戰略、戰役和行動的認知方法，通過整合目的、方式和手段來組織和運用軍事力量。通過對戰術行動在時間和空間上的排序，指揮官和參謀部可以組織系統地擊敗敵對勢力，或在戰役級別規劃開始時確定的戰略目標。與任何級別的規劃一樣，參謀部的經驗對于建立共同的理解尤為關鍵，而且隨著戰爭領域內的行動隨著時間的推移不斷擴大，參謀部的價值將繼續增加。

參謀部很重要，因為他們提供了必要的洞察力，使指揮官能夠做出明智的決定。通過批判性思維、知情分析和經驗，參謀部協助指揮官了解情況，做出并實施決策，控制行動，并評估進展。這些職能推動了行動過程，這是美國陸軍行動層面規劃的基礎框架。

美國陸軍有三種規劃方法，能夠對部隊的使用進行規劃。陸軍設計方法（ADM）和軍事決策程序（MDMP），分別作為戰爭戰略和戰役層面的渠道，而部隊領導程序（TLPs）則只在戰術層面上實現行動。指揮官和參謀部根據問題的復雜性、可利用的時間和參謀部的可用性來決定和使用這些方法的適當組合。沿著規劃的連續性，行政管理的性質大多是概念性的。行政管理的抽象性主要是由于它要解決的業務問題的復雜性。MDMP通過技術還原和基于系統方法的解決方案，很容易解決結構良好的問題。然而，當問題變得更加模糊和不可預測，或結構不良時，軍隊設計方法學提供了批判性和創造性思維的工具，以理解、可視化和描述不熟悉的問題和解決它們的方案。ADM幫助指揮官和參謀部匯總最相關的事實，并提供一種操作方法，以幫助過渡到更詳細的規劃方法，MDMP。雖然概念性規劃需要一些數據來確定進入戰區的力量流動，但MDMP創造了規劃中的大部分詳細行動（圖6）。

圖6. 美國陸軍的規劃方法。美國陸軍，FM3-0，1-20。

軍事決策過程是詳細規劃的起點。MDMP是迭代的、更加明確的規劃方法，建立了將ADM的解決方案框架中表達的概念操作化的框架。MDMP是協作性的，使指揮官和參謀部能夠理解、可視化和描述作戰環境，推進制定執行行動方案的進程。它由一系列的步驟組成，有獨立的輸入和輸出。產出導致了對作戰環境的進一步理解，并促進了MDMP的下一步工作。MDMP在很大程度上是有順序的，這證明了這個過程的嚴格性。MDMP可能是非常耗時的，而且高度依賴于工作人員的知識水平、熟練程度和客觀性。

4.1 MDMP的人為因素

與任何組織一樣，該部門的工作人員都會帶有無意識的偏見、別有用心的動機和由每個人的經驗所形成的判斷。這些內部動態和戰爭本身一樣，都是人類的屬性。在規劃和決策中，人類的認知偏差是不可避免的，除非工作人員制定了審慎的、客觀的策略來確認假設和調整范式。偏見主要是由于直覺判斷造成的，作者丹尼爾-卡尼曼稱之為系統1思維。利用自然發展的啟發式方法或經驗法則，軍事規劃人員建立了匆忙的認知 "框架"，在其中對信息進行分類和處理，從而提高認知效率。 雖然不是所有的偏見都是壞事，但在規劃世界各地的軍事行動時，如果沒有意識到自己的心理傾向，就可能是負面的。

指揮官和參謀人員需要了解作戰環境，以實現共同理解，不僅是為了開展軍事行動，而且是為了敘事，這些軍事行動將向更大的受眾傳播。人工智能可以支持更多的知情決定，同時盡量減少人類的一些明顯的認知偏差。最近在阿富汗使用的人工智能 "瑪文項目 "在減少人類偏見方面被證明是有希望的。算法跨功能團隊讓我們看到了人機合作的潛力。

5 人工智能用于“戰役層面的規劃”

新興技術與戰爭的結合是一種歷史上出現的現象。自從從長矛和劍過渡到箭和手炮以來，先進的技術不斷提高戰爭的殺傷力和破壞力。然而，并非所有的技術創新都與 "前線戰斗"有關。例如，當普魯士陸軍總司令赫爾穆特-毛奇（Helmuth Moltke）將復雜的鐵路系統納入普魯士的動員計劃時，這項技術主要支持他的后勤和人員補充，積極影響他的作戰范圍。這種 "前線背后 "的技術與機槍的發展和使用不同，機槍直接促進了第一次世界大戰期間塹壕戰的殺傷力的增加。未來的戰爭也呼應了同樣的觀點。

從概念上講，過渡到一個多維的戰場，人工智能技術可以作為 "傳感器"、"戰斗機 "和 "規劃者"，或其中的組合來使用。每種角色都對軍事手段的實施和應用有促進作用--在 "前線"，或在 "后方"。無人駕駛飛行器（UAV）提供了一個前線傳感器和戰斗能力的例子，這取決于其變體和有效載荷。致命自主武器（LAW）是使用人工智能技術作戰的另一個例子。

直到最近，用于感知和戰斗的人工智能技術是最常見的就業建議。然而，規劃中的人工智能正開始作為 "第三次抵消戰略"的一個要素重新出現，利用新興技術來增強技術優勢。從美國國防高級研究計劃局（DARPA）的戰略計算倡議開始，到當代的機器人和自主系統戰略，美國國防部正在繼續努力將技術融入軍事行動。

DARPA戰略計算倡議

美國國防部高級研究計劃局（DARPA）于1983年制定了戰略計算計劃，作為資助和開發日益有效的人工智能軟件的一種手段。該計劃將智能機器作為一個由相互關聯的子系統組成的單一問題來處理。通過大學和工業界的合作開發子系統，戰略計算計劃可以規劃出這些系統與現有技術的連接和接口。從一開始，戰略計算計劃就有很高的雄心壯志；預測在計劃結束時能實現完全自動化的機器智能，而這是在十年后。該計劃試圖分析和回答有關規劃任務的支持或自動化的關鍵問題。研究后來發現，開發完全自動化的規劃軟件既不可能，也不被軍方認為是可取的，但一個支持人類能力的系統是可行的。

這個時代的兩個擬議的軍事應用以專家系統和自然語言理解為中心。通過創建一個有能力解決問題、提供建議、預測并在狹窄的考慮范圍內提供理由的專家系統，開發者試圖為軍事規劃者創建一個知識體系。這種能力將與自然語言理解協同運作，使機器有能力理解自然語言作為一種交流界面。然而，20世紀80年代的計算機技術無法解釋本地語言，也無法可靠地對該信息采取行動。相反，用戶必須使用一種風格化的、正式的計算機語言和非常有限的關鍵詞來向計算機發出命令。雖然當時的技術不支持這一概念，但這一努力所產生的對話將落實到其他具有意義的項目中。

DARPA后來與MITRE公司和卡耐基梅隆大學合作開發了動態分析和重新規劃工具（DART），以分析智能規劃系統的可行性。作為一個基于人工智能的決策支持系統，它在波斯灣戰爭期間被用來確定在世界各地運輸軍事物資的物流要求。美國運輸司令部和歐洲司令部報告了這個項目的成功，因為它抵消了DARPA之前30年的資金使用。在接下來的20年里，這個項目將發展成為聯合發展和執行助理（JADE），一個支持在最短的時間內（一小時）制定大規模、復雜的部署計劃的規劃工具。JADE與聯合行動規劃和執行系統（JOPES）對接，產生今天仍然使用的時間階段性部隊部署數據（TPFDD）。DART和JADE是非常實用的程序，因為它們使軍事規劃人員能夠在問題發生之前就識別和預測。這些系統卸載了人類操作的認知任務，"提示 "這些規劃者計劃中的摩擦點。不幸的是，這些系統采用的人工智能水平高于操作水平，使戰術規劃人員無法使用它們。

ARES項目

美國陸軍通信電子司令部（CECOM）進行了平行的努力，建立了ARES項目，這是一個使軍團級規劃者能夠進行決策的助理系統。ARES項目是一項基礎研究和探索性開發，調查1986年陸軍軍團級組織對人工智能方法和工具的應用。ARES的目標是展示一個基于人工智能的輔助系統，為未來的行動進行規劃并控制正在進行的行動。使用地形分析、形勢分析和行動方案生成工具，該系統以最大限度地提高人機界面為導向。這些能力支持了規劃人員，減少了對緊張環境的認知壓力。

然而，作戰研究發現，當規劃人員必須考慮具有不同能力的若干執行機構的同時行動時，人工智能規劃理論有一個重大問題，即過于復雜。雖然ARES項目未能完成其最初的目標，但其對地形分析和士兵-機器互動的關注將未來的研究重點轉移到智能系統上，刺激了XXI部隊系統的創建。雖然這些系統是有用的，但它們只是提供態勢感知，而不是人工智能系統所要的任務自動化。此外，這些系統為先進的電子戰產生了一個可瞄準的信號，這是復雜戰場的一個缺點。

第三次抵銷戰略

第三次抵消戰略是一項克服對手均勢、減少軍事力量結構和下降的技術優勢的計劃。這項多年的努力為一系列的重點領域提供了方向和資金。這些領域包括反介入和區域拒止（A2AD）、制導彈藥、海底戰、網絡和電子戰、人機合作以及兵棋推演和概念開發。第三個抵消戰略解決的主要問題之一是，美國有可能危險地落后于那些在先進技術上投入大量資金且沒有自我約束的潛在對手。隨著該戰略繼續在一個概念下調整目的、方式和手段，諸如機器人和自主系統戰略等附屬倡議有非常集中的努力來支持該戰略。

機器人和自主系統戰略

為了應對近似競爭對手的全球部隊現代化努力，美國陸軍在2017年制定了機器人和自主系統戰略（RAS），在一段時間內對投資和能力重點進行優先排序。RAS有五個能力目標：提高態勢感知，減輕士兵負擔，維持部隊，促進運動和機動，以及保護部隊。該戰略的重點是人機協作，也被稱為 "有人-無人協作"（MUM-T）。這一概念將人與自主系統或人工智能結合起來，以提高決策速度--這是當代戰場上急需的屬性。這一戰略應對了未來OE中的挑戰：戰場上行動速度加快，對手越來越多地使用RAS，以及競爭環境的復雜性擴大。

雖然這些目標是第三個抵消戰略的一個子集，但它們提供了一個新的戰術層面的重點。然而，這一戰略需要在更高層次上的補充技術。例如，RAS建議增加營級及以下級別的無人駕駛飛機和地面系統的數量。然而，營級人員的班、排和連的系統的大幅增加可能意味著收集和處理的數據量的指數級增長。如果高層沒有人工智能系統，師部工作人員將無法跟上同步行動的步伐。更糟糕的是，這些工作人員可能會在認知上被傳輸的大量數據所淹沒，使他們無法有效管理整體作戰環境。正如毛奇將軍通過補充性的鐵路運營官員（一種早期的人機合作形式）將鐵路運輸的復雜性引入到戰爭中，這一戰略需要在更高層次上做出平行努力。

人機組隊

人機合作是指系統和人的配對，以抵消兩者的弱點。美國陸軍的無人機系統和AH-64阿帕奇直升機采用了這種概念，稱為人機合作（MUM-T）。通過這一過程，陸軍AH-64阿帕奇飛行員能夠在被認為對載人航空過于危險的環境中使用和控制無人系統。MUM-T使無人系統能夠利用其優勢、對峙距離和目標獲取，以最大限度地發揮飛行員的優勢、殺傷力和反應能力。這一概念可作為人工智能人機協作的基礎。

在人工智能的范圍內，人工思維和人類思維的配對就是這個概念。人類提供目標、創造力和道德思維，而人工智能頭腦提供自學的經驗、直覺和預測能力。這種能力存在于目前的人工智能技術中。例如，通過算法，AlphaGo系統擊敗了世界上最好的圍棋選手，這個游戲估計比國際象棋復雜300倍。前面提到的深藍所使用的技術，對于下圍棋的計算機來說是不切實際的。因此，通過機器和人的合作，軍方可以保持 "人在回路中"，同時獲得提示性反應和加強對情況的了解的好處，類似于前面提到的阿帕奇直升機飛行員。

總結

綜上所述，人工智能和軍事應用的融合并不是一個新概念。不幸的是，在最初構想時，這種人工智能系統和人類規劃者的愿望遠遠超過了那個時代的技術能力。計算速度和計算機科學技術在過去三十年中取得了指數級的進步。鑒于私營企業的進步，人工智能的使用成為一種社會規范，并擴散到日常生活的所有其他方面，在過去幾十年里曾經被認為是不可思議的愿望現在可能即將實現。

6 研究方法

這項研究確定了MDMP從自動化中受益的地方，同時考慮到與這種行動相關的權衡。此外，軍事決策過程在陸軍總部的各級戰爭中都有使用，但基本分析將以陸軍師為參考框架。在師一級，工作人員將足以通過各種規劃范圍管理多項規劃工作。這項研究將首先對軍事決策過程進行分析，研究一些步驟的具體投入和產出。然后，研究分析最相關的輸出，以確定人工智能是否可以提供輸出或增強人類工作人員的能力，同時也確定目前是否存在這種技術。該研究還將討論在這些下屬流程中獲得成功的基本技術要求。本節還將探討軍事和商業應用中類似的現有技術。最后，研究將討論在該過程中使用人工智能的權衡，提供與一些模擬過程的相似之處，這些過程隨著人類對技術過程的日益依賴而萎縮。

7 分析

軍事決策過程由七個步驟組成，整合了被稱為作戰功能的專業領域。MDMP有獨立的輸入和輸出，能夠增加對形勢的理解。MDMP是陸軍作戰過程中 "規劃"步驟的基礎，隨后是軍事行動的準備、執行和評估。如下所述，每個步驟都有子過程，在人工智能技術的支持下，這些子過程可能更有效，也可能更及時。那些最好由人工智能支持的子流程如下：

接收任務

接到任務是MDMP的第一步。這一步涉及剖析上級總部的行動命令，同時使計劃得以啟動。它需要提醒工作人員和其他關鍵參與者，收集必要的工具，并對可用于規劃的時間進行初步評估。接收任務還涉及到建立規劃的計劃--更廣泛的陸軍行動過程的一部分。通常情況下，師部工作人員在上級部門建立行動區域時進行平行規劃，并將產出產品過渡到MDMP中使用。MDMP包含了陸軍設計方法的要素（如作戰方法），ADM過程的概念性需要人類的創造力和批判性思維。作戰方法通過建立上級總部、作戰、規劃門路和敵方時間線之間的時間線來設定過程的節奏和軌跡。第一步的產出是指揮官對規劃方法的初步指導和發布第一個警告命令。

圖7. 任務協助計算（MAC）系統的圖形描述。

在MDMP中，人工智能將利用認知計算方法為該過程提供補充支持，實現深度學習。正如任務指揮系統在MDMP第一步的 "收集工具 "子步驟中被準備和吸收一樣，人工智能系統，任務協助計算或MAC，將被提供一個由高級總部行動命令/附件組成的精心策劃的數據集。這個攝取過程將支持對第一步中產生的最新人員估計進行交叉分析，同時允許與用戶互動，在系統的神經網絡中建立更好的聯系。使用由FM6-0和參謀部生成的預先格式化的警告令模板，系統會自動將來自上級總部的信息填充到警告令中。基于對聯合和機構間系統冗余網絡的漸進式訪問，該系統將對信息進行關聯，以便在MDMP的第二步與參謀部進行分析和討論。(見圖7)

任務分析

MDMP的第二步是任務分析。這是MDMP中最重要的一步，因為它定義了包含問題的環境背景。通過對形勢的繼續評估，任務分析確定了作戰環境的框架，以產生問題和任務陳述，以及指揮官的意圖，從而推動作戰行動。如果問題陳述、任務陳述或指揮官的意圖從一開始就沒有被充分理解，任務成功的可能性就會大大降低。因此，每一個子步驟在計劃中都是重要的和相關的。下面的插圖討論了這些子步驟。

在一個師的規劃人員的 "整合單元 "中，無論是規劃、未來行動還是當前行動單元，都會有來自每個作戰職能小組的成員負責一個任務分析子步驟。在某些子步驟中，每個職能小組都需要審查、分析并向小組提交相關信息。例如，每個作戰職能部門都必須識別、分析和評估上級指揮部下達的指定的、隱含的和基本的任務。通過其他子步驟，如戰場情報準備（IPB），每個作戰職能部門都要對各自的對抗職能進行分析（如友軍火力資產與敵軍火力資產），但情報作戰職能部門負責管理這一過程。隨著各職能小組在每個子步驟中的工作，集體產品在任務分析簡報中向指揮官傳達了結論（子步驟14）。研究人員選擇了任務分析的第1-3、4和6個子步驟來整合人工智能。這些步驟是數據驅動的，為人工智能提供了最佳用途。

美國陸軍，ATTP 5-0.1，4-6。

分析上級總部的計劃或命令

在收到上級總部的行動命令和附件后，MAC將被加載數據。這一行動使系統能夠在作戰命令數據之間建立聯系，為與用戶結成伙伴式的理解做準備。當陸軍規劃人員需要信息時，MAC準備好提供答案，以及其回應背后的原因。例如，MAC會根據用戶的要求提供高級指揮部的行動概念，以及在命令中發現的任何其他文本信息。隨著用戶對命令越來越熟悉，并需要參考整個附件中的具體措辭，MAC將能夠根據要求提供頁面和其他背景信息，從而使各梯隊人員之間更好地同步。當信息發生變化時，MAC可以進行更新，并提醒下級參謀部注意這一變化，同時也將變化記錄下來，供以后參考。隨著任務分析進入戰場情報準備（IPB），MAC在匯總有關環境的數據以幫助增強參謀部對形勢的了解方面將是至關重要的。

實施戰場的初步情報準備

戰場情報準備（IPB）是分析敵人、地形、天氣和民事因素等任務變量的系統過程，以確定它們對敵方和友方部隊行動的影響。IPB通過事實和假設深入了解友方和威脅部隊的互動。通過識別計劃中的關鍵差距，IPB也推動了指揮官的情報收集工作。這些工作產生了情報知識，并進一步完善了行動圖景，為指揮官提供了一個更強大的理解基礎來做出決策。IPB包括四個步驟。界定作戰環境，描述環境對作戰的影響，評估威脅，以及確定威脅的行動方案。用于執行這些步驟的數據從廣泛的來源收集。一旦策劃的地理空間數據、敵方模型數據、基礎設施數據和氣候學數據被上傳，這就允許MAC對數據進行匯編，并提供一些規劃者無法立即看到的關聯性。這種人機合作，或者說是拴住的自主權，支持工作人員通過迭代對話和伙伴式學習，對環境有更深入的了解。

與亞馬遜Echo、Alexa或Google Home技術類似，MAC會回答有關其數據庫內任何內容的問題。例如，"MAC，告訴我關于Atropia的人口中心"。該系統將提供有關人口的文化和人口屬性的信息，以及其中的基礎設施狀況。通過查詢近乎實時的社交媒體數據，該系統可以提供大氣，從而為行動方案的規劃提供依據（例如，敵對與中立的人類地形）。通過自然語言處理（NLP）和問題解答技術（QA），系統可以與用戶進行對話，以促進更好的理解。在這些互動中，用戶將完全控制對話，將對話從數據到信息再到理解的認知層次提升。在本研究中，人類和機器之間這種級別的對話在商業行業中存在。

美國境內的許多家庭已經部署了自然語言處理技術。這項技術的下一步發展是使系統能夠提出探索性的問題，對用戶的詢問提供更好的答復。QA技術也是存在的，最新的例子是IBM的Watson，它利用這項技術贏得了Jeopardy節目。與任何系統一樣，其改進在很大程度上取決于反饋，MAC也不例外。該系統將就提供給用戶的答案征求反饋意見，作為互動的質量保證機制。這些反饋將使數據管理人在必要時對數據集進行調整，同時也對算法進行微調。

在IPB完成后，MAC將提供機動性數據以告知友好和敵對的COA。這將包括通過衛星圖像分析和來自機構間來源的其他數據饋送的實時移動條件，這些屬性在過去幾年中通過人工智能進行了證明。隨著規劃的繼續，除了向用戶發出任何其他正式要求的警報外，MAC將提示規劃者驗證或證明是無效的假設。這種能力擴展了Project Maven所采用的現有技術，Maven項目是2018年部署在阿富汗的人工智能技術，用于支持圖像情報（IMINT）的情報分析員。

用戶和MAC將共同生成整個MDMP中使用最多的IPB產出，即事件模板、初始信息要求、決策支持矩陣和決策支持模板。在協助用戶的過程中，MAC將提供建議的條目，以便進行編輯或完全修改。隨著時間的推移和對已批準產品的觀察，MAC將改進其對用戶的建議，特別是對問題陳述和任務陳述的建議。

確定特定的、隱含的和基本的任務

任務是指由士兵、單位、組織完成的明確界定和可衡量的活動，可支持任務。特定的任務在上級總部的命令或指導中明確指出。隱含任務必須完成指定任務，盡管這些任務可能沒有明確說明。最后，為完成任務必須完成基本任務。基本任務是特定的或隱含的任務，但在行動中始終是任務說明的一部分。參謀部必須找到、理解并說明每一項必要的任務，以便更好地計劃和執行行動。

通常情況下，參謀部的規劃人員會仔細研究上級總部的行動命令和附件，有時會超過50頁的文本，試圖找出與特定作戰功能相關或涉及的任何任務。雖然這種方法很繁瑣，但它可以提取任何可能對開展行動至關重要的特定和隱含任務。這種方法還能通過在指揮層之間產生澄清來加強工作人員的理解。然而，在更高的層次上，行動命令可能有幾百頁，并有許多附件，處理所有任務的能力可能是壓倒性的。更糟糕的是，這個過程需要時間，很少有工作人員真正閱讀所有的命令來理解，從而導致計劃的失誤。

使用文本掃描軟件，MAC將掃描命令、附件和書面指導，以提供一個與被查詢單位和作戰功能相關的任務的綜合。例如，一名維持計劃人員會問："MAC，請從第十八軍團第12-345號命令中提取與第一裝甲師和維持作戰功能相關的所有任務。" 然后MAC將顯示結果，同時口頭上提供任務數量的整體描述。在參考了所提供的源網頁的維持計劃確認后，相關的任務會填充到維持運行的估計中。這個過程同時在每個作戰功能中反復進行，將工作人員的精力從無數個小時的閱讀和搜索轉移到分析和綜合知識上，以便進行下一階段的規劃。

提出問題/任務說明

問題陳述提供了阻礙實現預期目標或目的的問題或障礙。盡管行政部門為問題的制定提供了參考，但任務分析的次級步驟為行動環境和行動問題提供了適當的框架。問題陳述幫助指揮官和參謀部制定解決方案以實現預期目標。

任務說明是描述組織的基本任務、目的和行動的簡短句子或段落。根據單位的基本任務，參謀部提出任務說明供指揮官批準。上級總部的行動命令和指揮官的指導為一個單位的任務提供了信息，使任務說明變得公式化，從而可由人工智能程序計算出來。

雖然，人工智能有能力匯總、識別和回憶數據，但它仍然缺乏獨立創建問題陳述所需的抽象思維能力。盡管如此，由于任務陳述是公式化的，使用單位指定和隱含任務的具體輸入，MAC可以提出一個任務陳述。使用軍事規劃人員使用的相同方法，該系統將提供建議并不斷接收用戶反饋，從而通過深度學習技術實現長期改進。MAC還將有能力檢查、分析和分類用戶生產的產品之間的因果關系，允許其深度強化學習存儲并為未來的應用產生建議。

發布警告令

該系統將能夠根據任務分析簡報中批準的數據和以前的警告令草案制作最新的警告令。用戶將批準警告令草案的數據字段，根據需要為下屬單位編輯任何信息。此外，系統將為未來行動命令（第7步）提供最新的輸入數據，隨著計劃的制定和完善，更新數據字段。系統還將提示用戶從上級指揮部處理的分片命令中獲得新的信息。例如，如果上級指揮部批準了一個單位邊界的改變以調和戰斗空間，MAC將更新COA開發小組，并建議更新作戰命令模板，提醒計劃人員注意該信息和計劃中受影響的部分。

行動方案的制定

行動方案的制定是為指揮官提供選擇的方法。使用下屬單位之間同步的戰術行動，行動方案是對所確定的問題的廣泛的潛在解決方案。行動方案的制定包括七個下屬步驟：評估相對戰斗力、產生選擇、排列部隊、制定一個廣泛的概念、分配總部、制定行動方案和草圖、進行行動方案簡報。人類規劃者仍然是完成這些步驟的主要代理人。今天的人工智能技術還沒有展示出協調行動方案的能力，考慮到計劃火力、同步情報資產和安排運動隊列所需的細節水平。MAC將通過使用地形數據、氣候數據和特定車輛的機動性數據，提供隨時間變化的運動分析，來支持每個子步驟。這項技術類似于谷歌地圖，但包含了一個更強大的算法，以考慮到跨國流動性、編隊規模、移動走廊和車輛類型。來自MAC的分析將使時間線的準確性更加鮮明，并為整個計劃提供更好的同步性。當計劃人員為每個行動方案制定同步矩陣時，MAC將按作戰功能將COA小組的投入填充到COA聲明中，以實現協作。一旦選定的行動方案進入下一步，即戰爭博弈，MAC就會協助確定減員和隨時間推移的相對戰斗力。

行動方案分析（兵棋推演）

兵棋使指揮官和參謀部能夠確定與所考慮的作戰行動相關的困難和協調問題。通過對計劃中的假設和行動進行現實測試，各組織可以預見潛在的風險、摩擦點以及會阻礙任務完成的行動（友軍和敵軍）。這一步也影響了指揮官對作戰問題的理解，確定所提議的解決方案是否會帶來所提議的最終狀態。如果提議的作戰行動方案不可行、不可接受、不合適、不完整或無法區分，那么作戰行動方案將回到發展過程中進行完善。

通過這一步驟，MAC將提供兩種功能。最重要的工作是為每個COA建立計算機輔助的模型和模擬。考慮到COA數據需要更新，這個方案非常耗費時間。用戶必須驗證從系統輸入中收集到的數據（如總部、特遣部隊組成等），以便正確地排列部隊和作戰計劃。第二個功能的強度較低，涉及計算每次交戰的結果。這個功能很重要，因為它提供了對一段時間內戰斗力的分析。它還提供了對戰術行動有效性的評估，保留了足夠的戰斗力以實現任務和期望的最終狀態。MAC將考慮到技術武器數據；殺傷概率和車輛軍備數據來提供結果。人類規劃者仍將負兵棋推演方法和兵棋簡報。這一步的產出將不涉及人工智能。

命令生產、傳播和過渡

MDMP的最后一步是命令生產、傳播和過渡。在這個步驟中，計劃過渡到行動過程的執行階段。第7步包括制作和傳播行動命令、附件和附錄。在這一過程中，工作人員負責核對由于疏忽或基本計劃的變化而造成的規劃差距。此外，參謀部還與上級指揮部進行聯絡，適當反映作戰環境和軍事計劃的關鍵變化。每個作戰職能部門都有一個指定的部分來完成作戰命令，所有部分都必須確保集體產品的連貫性、全面性和完整性。在一個陸軍師中，單元有一個指定的人負責編寫作戰命令的輸入，同時還有一個指定的人將所有的部分編入最后的命令。

MAC，使用整個過程中的數據輸入，將是在這個任務中執行的主要代理。例如，該系統將從批準的COA草圖中讀取COA聲明，并將此文本作為行動部分概念的基礎。由于系統攝取了上級總部的情況和行動概念的段落，它將提供這些作為對師部命令的建議，并在數據集中進行核算修訂。

同樣的活動將發生在每個作戰功能的附件和附錄中。此外，系統將對照已經提交的支持性文件審查新輸入的數據，提示用戶文件之間的差異或規劃的差距，類似于一個更強大的拼寫和語法檢查，像Grammarly程序。一旦調和，用戶將提交該部分，讓指定的編譯人員完成項目。被指定的匯編者將是批準、編輯和審查計算機上轉寫的數據的系統用戶。這項技術是對谷歌應用目前所使用的智能回復技術的改編。使用能夠編寫電子郵件的深度神經網絡，這種形式的人工智能分析電子郵件的內容，并應用一套復雜的編程規則來構建一個回復。人類沒有參與這個過程；算法正在通過機器學習和接觸內容繼續處理自然語言。

隨著MDMP的完成和訂單的打包分發，MAC將繼續支持工作人員，在附件和附錄中推薦文本條目。隨著整個行動過程中的變化，MAC將繼續為集體工作人員提供提示，以便從更高的命令中進行修改。此外，隨著后續MDMP的發生，MAC將建議對行動環境的演變進行修改。這種迭代過程將持續到該司部署完成，在這種情況下，數據集被分析并適應未來的系統。策劃的數據集將被適當地分類細化，以考慮到以前用戶的反饋，隨著時間的推移創造一個更好的系統。

技術權衡

隨著任何技術的使用，人類從根本上適應于更好地發揮其效用。人類與現今移動設備的互動和依賴最能證明這種認知適應。在尼古拉斯-卡爾的著作《淺灘》中，他討論了由于我們與個人計算設備的互動，人類的注意力持續時間更短，專注能力受阻。隨著人工智能和戰役層面規劃的融合，軍事規劃人員有可能變得依賴技術提供的速度和易用性。這種可能性類似于世界上對谷歌查找信息的依賴（速度和易用性）與深入思考和記憶信息的技能萎縮之間的相關性。在任何一種情況下，美國陸軍都面臨著規劃人員在師級高度競爭和嚴酷環境中適應能力下降的風險。然而，使用退化的系統進行訓練可以減輕這種風險。此外，規劃人員在較低層次上仍將使用沒有人工智能的MDMP，從而保留了模擬規劃的技能。另一個風險是計劃人員各梯隊之間面對面的合作可能減少，因為系統以電子方式拉動和存檔OPORD信息。這種影響類似于電子郵件通訊的增加和實際通訊的減少之間的關聯。這些影響都是不可避免的，但并不嚴重妨礙軍事規劃的進行。事實上，這些風險是值得的，因為將人工智能整合到作戰層面的規劃中，可以提高效率、速度和準確性。

8 結論

人工智能比以往任何時候都更傾向于社會規范。這項技術幾乎伴隨著人類生活的每個方面。深度強化學習和專家系統技術的進步正在使私人企業激增。然而，美國軍隊只是見證了人工智能力量的一小部分。隨著其他發達國家對人工智能技術的投資成倍增長，美國正在落后于創新曲線。如果不增加、逐步將人工智能納入軍事規劃單元和作戰規劃團隊，那么作戰過程將不會對未來產生有利影響。此外，美國陸軍站在見證一個戰場，讓我們的認知能力無法規劃、準備和執行，適應使用MDMP的行動。

通過人工智能的能力來分析MDMP，這項研究確定了通過部分融合獲得的潛在效率和積極表現。人工智能技術應逐步整合到陸軍師級MDMP中，以發揮其能力。目前的人工智能技術可以支持MDMP的某些方面，但只有在為軍事用途做了具體的調整之后。未來的研究應該調查目前在戰斗環境中使用人工智能技術的陸軍跨職能小組的擴展情況，以便將規劃過程納入其范圍。最后，研究應該調查人工智能在所有作戰功能中的好處。

報告研究了信息對抗的定義和類型，并分析了俄羅斯影響力行動和心理戰的歷史演變、信息對抗在俄國家安全和國防戰略中的作用，并為美國情報機構提供建議。

報告提出，信息對抗是指在和平、有爭議和沖突期間有目的的使用信息手段來實現政治、經濟、軍事等目標，正在從最初作為對傳統戰爭手段的補充演變為獨立的“非接觸式”戰爭；一個國家的技術越先進，就越容易受信息對抗的影響。

信息對抗主要分為2類：一是信息心理對抗，旨在影響對手的人員心理，包括誤導、削弱人員意志，制造恐慌，引發背叛等。二是信息技術對抗，旨在影響或破壞對手的信息、無線電電子和計算機網絡，以及在拒止情況下訪問對手信息資源，同時保護自身的信息空間免受對手干擾和攻擊。

新的信息技術將注重提高共享、處理和分析數據的數量、精度和速度。在和平時期，信息對抗可用于實現政治領導層設定的目標，有助于提高國家的政治、外交、經濟和法律能力；爭議期間，信息對抗可用于執行軍事和政治任務，支持實現軍事和非軍事目標；沖突期間，信息對抗可用于獲得和保持信息優勢。報告建議：美情報機構應深入研究俄軍事科學文獻，以更好地了解俄在信息領域的活動、意圖和觀念，以及信息對抗在俄軍事戰略中的作用等；研究俄烏沖突中發展的信息戰和信息對抗理論框架；進一步研究混合戰爭中的信息對抗，包括將其作為軟實力工具的方式，以及監管方式等。

總結

信息和信息技術滲透到現代社會的所有部分--在和平時期，在戰略競爭時期，以及在戰爭時期。自21世紀初以來，用于快速共享、處理和分析數據的先進信息技術對俄羅斯軍事行動的特點產生了重大影響。對俄羅斯軍事科學文獻的研究揭示了信息對抗概念在俄羅斯軍事戰略中的核心地位。

信息對抗（IPb），是后冷戰時代俄羅斯戰略思想中的一個獨特元素。俄羅斯認為自己一直處于與西方的信息對抗狀態，因為它試圖擴大自己的主導地位，并防止其對手獲得影響力。

在這份報告中，作者研究了信息對抗的普遍定義和類型，并討論了俄羅斯（和蘇聯）影響力行動和心理戰的歷史演變，從18世紀的俄羅斯帝國一直到弗拉基米爾-普京時代。作為俄羅斯戰略的一個基本要素，信息對抗正在從主要為補充傳統戰爭手段而開展的活動演變為在和平時期持續開展的活動，以塑造作戰環境，從而使其在未來的沖突中具有可塑性。

作者還分析了烏克蘭的經驗，它是俄羅斯近年來最全面的IPb和混合戰爭運動的對象之一。烏克蘭提供了一個窗口，讓人們了解IPb的當今作用以及俄羅斯在信息領域的活動和意圖。

主要研究結果

• 俄羅斯軍事科學文獻對信息對抗進行了詳細的討論，但專家們對如何定義這一術語存在分歧。
  • 相關（但不同）的術語和概念是信息影響和信息戰。
  • 俄羅斯軍事科學文獻經常將信息武器的戰略影響等同于大規模毀滅性武器。
  • 俄羅斯軍事專家呼吁為信息對抗制定一個一致、統一的定義。
• 信息對抗可以由國家和非國家行為者利用一系列工具進行
  • 信息-心理對抗包括努力影響敵人的人口和軍事力量。
  • 信息技術對抗涉及對信息網絡的實際操縱或破壞。
  • 執行信息對抗的國家行為者包括軍隊和安全部門。非國家行為者也支持信息對抗。
• 信息對抗在俄羅斯（和蘇聯）的軍事思想中有著深厚的根基
  • 拿破侖戰爭塑造了后來俄羅斯關于心理作戰的軍事思想。
  • 通過大戰和俄羅斯革命，以及后來的冷戰，宣傳和心理作戰的使用在質量和效果上都有所提高。
  • 在后冷戰時代，俄羅斯認為自己在信息領域已經落后于西方。海灣戰爭深刻地塑造了俄羅斯對IPb的思考，俄羅斯軍事專家也從科索沃沖突和21世紀初美國在阿富汗和伊拉克的軍事行動中吸取了教訓。
  • 曾經在戰斗中發揮輔助作用的信息戰役現在正演變為現代混合戰爭的核心。

建議

• 美國情報界應研究俄羅斯的軍事科學文獻，以更好地了解俄羅斯在信息領域的活動和意圖，并深入了解信息在俄羅斯軍事戰略中的作用以及俄羅斯如何看待美國的信息行動。
• 美國軍方情報部門還應該審查公開的、公開來源的和非保密的俄語報告。
• 美國軍方應更密切地監測俄羅斯關于歪曲歷史事實的言論，特別是在東歐，作為一種新興的信息對抗工具。
• 由于烏克蘭被認為是俄羅斯顛覆活動的試驗場，烏克蘭充滿活力和多產的學術界應該參與進來。美國將受益于開放其分析窗口，納入烏克蘭和其他國家的學術文獻，這些國家是俄羅斯努力的試金石。
• 有必要進一步研究混合戰爭中的信息對抗--也就是說，它如何被用作軟實力的工具，以及國際治理機制如何在未來規范信息對抗。

近年來，人工智能（AI）作為一個熱門詞匯重新出現在世界各地。人工智能的潛在好處橫跨整個社會，從金融到醫療，從農業到交通。人工智能實施的最有潛力的領域之一是軍事。對于那些能夠采用人工智能的部隊來說，有令人難以置信的優勢，而對于那些不能適應的部隊來說，則有巨大的風險。本文研究了一些歷史實例，其可為美國空軍（USAF）如何最好地采用人工智能提供參考。本文探討了二戰期間雷達發展的歷史根源和 F-117A 隱身技術的出現，并研究了美國防部過去如何采用商用現成技術和軟件。然后，本文研究了這些過去的技術和人工智能之間的對稱性領域，以確定有效的技術采用方法。最后，本文提出了幾個功能建議，以確保未來有效和高效地采用人工智能。

關鍵詞：國家安全，人工智能，空軍，美國空軍

人工智能（AI）是美國（US）國家安全未來的一項關鍵新興技術。在一個技術突破迅速擴大的時代，最近的一項研究表明，人工智能可能是影響最深遠的。美國政策制定者認識到人工智能的重要性，并在過去兩年中發布了關于保持美國在人工智能領域領導地位的總統行政命令13859，在2019年國防授權法案中使用了關于人工智能的具體表述，并發布了2018年美國國防部人工智能戰略。在最近一份人工智能政策建議文件的前言中，美國前國防部副部長羅伯特-沃克指出："中國、俄羅斯、歐盟成員國、日本和韓國都在增加人工智能的研究、開發和培訓。尤其是中國，將人工智能的進步視為在經濟和軍事力量方面超越美國的一個關鍵手段。中國已經表示，它打算在2030年成為世界人工智能的領導者，并正在為實現這一目標進行重大投資。"關于如何為潛在的人工智能革命做最好的準備，已經有許多建議寫給美國政府。本文在現有建議的基礎上，利用不同歷史實例的分析，將以前許多政府范圍內的建議直接集中針對美國空軍（USAF）。

首先，必須嘗試定義人工智能的含義。今天圍繞著人工智能的炒作使討論變得模糊不清，以至于有意義的對話在開始之前就可能失去。在人工智能能力最強的一面，許多人立即開始思考好萊塢描繪的科幻小說，如《終結者》中的天網，《黑客帝國》中的機器，或《戰爭游戲》中馬修-布羅德里克幾乎引發第三次世界大戰。相反，在人工智能能力最弱的一面，似乎每個人都想利用炒作，如一位同事最近分享的關于她的 "人工智能貓砂箱 "的廣告。 "當把一個奴役全人類的計算機智能與一個智能垃圾箱進行比較時，我們討論的似乎不是同一件事，但由于每個人都聲稱是人工智能，我們如何知道其中的區別并進行知情討論？

美國《國家人工智能研發戰略計劃：2019年更新》對人工智能的解釋是："人工智能使計算機和其他自動化系統能夠執行歷史上需要人類認知和我們通常認為的人類決策能力的任務。"《2019年國防授權法案》使用以下幾點作為定義：

(1) 任何人工系統，在不同的和不可預測的情況下，在沒有大量人類監督的情況下執行任務，或者在接觸數據集時，能夠從經驗中學習并提高性能。

(2) 在計算機軟件、物理硬件或其他背景下開發的人工系統，解決需要類似人類的感知、認知、計劃、學習、溝通或身體行動的任務。

(3) 一個被設計成像人一樣思考或行動的人工系統，包括認知架構和神經網絡。

(4) 一套技術，包括機器學習，被設計用來接近認知任務。

(5) 一個被設計為理性行動的人工系統，包括一個智能軟件代理或具身的機器人，利用感知、計劃、推理、學習、交流、決策和行動來實現目標。

這個定義是一個有用的起點；然而，我們必須做出進一步的區分。首先是通用人工智能和狹義人工智能之間的區別，有時分別被稱為強人工智能和弱人工智能。通用人工智能描述的是在人類能力的廣度上超過人類智能的計算機智能，包括復雜的決策和一定程度的批判性思維。雖然一般人工智能往往是描述人工智能時想到的形象，但大多數專家同意，如果它甚至有可能的話，它仍然是幾十年后的事情。目前所有的人工智能效果都屬于狹義人工智能的范疇，程序被設計用來解決一個具體問題。這包括從導航，到圖像識別，語言翻譯，游戲和自動駕駛汽車等一切。

在狹義人工智能的保護傘下，有多種方法和技術，其名稱經常與人工智能互換使用，使問題更加模糊。這些技術包括從深度神經網絡和機器學習（ML），到大數據和自動駕駛等一切。換句話說，為了利用狹義人工智能，你可能會建立一個利用多個神經網絡來完成圖像識別的算法。即使是狹義人工智能的概念，也具有難以置信的挑戰性，因為它似乎在不斷變化。每當科學突破一個新的人工智能障礙時，以前無法實現的東西就會顯得很平常，因此不再值得冠以"人工智能"的名號。因此，以一種非常真實的方式，人工智能的公認定義在不斷變化，這就提出了一個更加困難的任務，即澄清這一概念。本文的重點是狹義人工智能的當前和未來應用，包括屬于該概念的所有工具和技術。

雖然在定義什么是人工智能方面存在很大的混亂，但專家或政治家們一致認為，人工智能有可能是革命性的。中國在2017年發布了一份戰略文件，比美國任何官方的人工智能戰略都要早，其目標是在2030年達到全球人工智能的領先地位。同年，弗拉基米爾-普京宣布了俄羅斯的人工智能目標，他說："誰成為這個領域的領導者，誰就能統治世界。"兩年后，美國緊隨其后，特朗普總統在一份關于美國在人工智能領域立場的行政命令中說："美國在人工智能領域的持續領導地位對于維護美國的經濟和國家安全以及以符合我們國家的價值觀、政策和優先事項的方式塑造人工智能的全球演變至關重要。"人工智能無疑是未來國家安全的一項關鍵技術。

很容易理解為什么人工智能被提出來作為全世界軍隊的一個機會。軍隊的成功一直是關于信息和決策的，而不是關于士兵和技術的。約翰-博伊德上校著名的 "OODA環"在過去的一代中一直是軍事戰術理論的核心。他總結了軍事領導人長期以來的經驗，即如果你能比你的敵人更快地觀察、定位、決定和行動，你就能打敗他們。今天的空軍被數據淹沒了，有數百萬小時的遙控飛機視頻需要分析。現在，人工智能使美國空軍能夠通過一個名為Project Maven的計算機視覺程序來處理信息。人工智能發展的下一步很可能實現從人到機器的決策，將決策速度提高到無助的人無法管理的水平。即使對非軍事人員來說，其優勢也是顯而易見的：如果一支部隊的信息處理和決策速度比另一支部隊快幾個數量級，那么就沒有辦法與之抗衡。大規模沖突中的決策只是人工智能可能成為威脅的領域之一。

下表顯示，如果美國空軍在采用和使用人工智能方面不保持競爭優勢，那么人工智能可能有多少領域會產生潛在的重大影響。同行競爭者的競爭和虛擬/網絡沖突領域的威脅最大。面對一個具有同等能力的對手，或者在網絡領域配備了更先進人工智能技術的對手，將迅速改變已經形成的平衡。混合戰爭和超大城市的沖突并不構成那么大的威脅，因為更多的沖突將保持在傳統意義上。更多技術的趨勢意味著這些地區將走向高威脅，因為城市和家庭變得更加相互聯系和依賴技術。失敗的國家和國家的不穩定目前并不構成威脅，因為它們不依賴于人工智能或相關技術。隨著世界技術的發展，即使是失敗的國家，如果高度發達并配備了人工智能技術，也可能帶來高威脅。

表1. 超前采用人工智能而產生的威脅

關于如何為美國的人工智能革命作出最佳姿態，已經有多項研究。本文將試圖為美國空軍（USAF）做同樣的研究。本文將為空軍提供建議，以贏得并保持在未來人工智能方面的主導地位。為了實現這一目標，本文研究了過去的技術是如何整合的，重點是與人工智能增長采用相平行的點，以便為未來如何采用人工智能制定建議。首先，本文將研究隱身技術的發展和采用，然后是雷達技術，最后是空軍對商業現成技術的采用，即COTS技術，特別是對微芯片和軟件的關注。

人工智能

對學習機的首次討論開始于20世紀40年代，艾倫-圖靈在1950年澄清了這場辯論，盡管人工智能一詞在1956年才出現。在最初的興趣之后，人們發現計算機技術的發展還不足以取得重大進展。20世紀90年代末，狹義的人工智能研究工作大幅增加，并在1997年達到高潮：IBM的國際象棋程序 "深藍 "成功擊敗了世界冠軍加里-卡斯帕羅夫。在過去十年中，新的機器學習算法，通過迅速增加的計算能力和數據集規模，正在推動正在進行的人工智能革命。此外，人工智能圖像識別從2011年的26%的錯誤率到2015年的3.5%的錯誤率，優于人類標準錯誤率措施的5%。

了解人工智能的一個重要方面是，它主要由軟件驅動。雖然這一區別可能看起來并不重要，但它標志著與大多數先前技術的獨特區別。人工智能程序可以被開發出來，然后相對容易地輸出并使用柜臺上的硬件實施，這使得人工智能的獨家使用幾乎是不可能的。使這個問題更加復雜的是研究界的心態，即人工智能應該對所有人免費。"人工智能因社區的開放文化而變得更加復雜多樣，促使研究成果被廣泛發表，訓練過的人工智能模型可在網上免費下載。"這方面的兩個關鍵例子是TensorFlow和PyTorch；谷歌和Facebook各自的免費機器學習框架。

人工智能程序作為軟件的性質以及開放發現和共享的標準已經將人工智能推向了社會的各個方面。現在，即使是商業公司，如果沒有固有的技術基礎和資金來開發自己的人工智能，也可以利用預先建立的算法或使用共享計算和預先建立的程序來建立自己的特定應用程序。這與空軍過去利用的幾乎所有技術的性質有很大的不同，為美國空軍今后的發展創造了相當大的挑戰。

各國正在認識到人工智能的巨大潛力并成為該領域的先行者。 2017 年加拿大投資 1 億美元用于培養 AI 畢業生，韓國宣布每年投資 8.63 億美元為期 5 年，中國宣布計劃到 2030 年在 AI 經濟活動中賺取 590 億美元。美國也追求 AI，投資額約為2015 年 AI 研發投入 11 億美元，2016 年 12 億美元。國防部 (DOD) 于 2018 年成立了聯合人工智能中心 (JAIC)，以監督未來的 AI 發展。他們 2020 年的大致預算為 2.08 億美元。美國國防高級研究計劃局 (DARPA) 最近宣布了“AI Next”，這是一項 20 億美元的五年計劃，用于研究先進的 AI 技術。

與商業部門的支出相比，這些數字還很小。2016年的估計是，美國和中國的頂級科技公司（阿里巴巴、Alphabet、蘋果、亞馬遜、百度、Facebook、微軟、騰訊）對人工智能的投資在200-300億美元之間。同時，全球初創企業在人工智能方面的投資超過50億美元。在這種國家和企業明顯試圖成為人工智能技術領導者的情況下，美國空軍如何在人工智能技術領域獲得并保持技術和功能優勢？美國空軍在之前的許多技術進步中都有明顯的優勢或成為早期采用者。對這些技術采用的一些回顧將為美國空軍成為人工智能領導者需要做的事情提供啟示。

RADAR

• "雷達，就像二十世紀的大多數主要技術進步一樣，并不是由一個發明家的突然和靈感思路推動到實現的地步而產生的。與其他偉大的創新一樣，基本的想法比發明早了幾十年，只有當某些特殊的手段被開發出來后，其實現才變得可行。同樣，與本世紀的其他偉大發明一樣，一旦背景工作完成，發展就在幾個國家同時獨立進行。"

雷達（Radio Detection and Ranging）的歷史，無論從技術方面還是從戰略上考慮它在第二次世界大戰期間的角色都是十分關鍵的。第一次使用無線電波進行探測的記錄是在1904年，由德國科學家克里斯蒂安-胡爾斯邁耶（Christian Hülsmeyer）完成的。直到18年后，幾家公司開始認真推進這項技術，這項技術才再次被公開研究。值得注意的是，這些人中有兩個是美國人，其中一個來自美國海軍研究實驗室（NRL），該組織后來歸屬國防部--顯示了美國在研究和開發（R&D）方面的早期投資。

1930年左右，貝爾電話公司和美國海軍研究實驗室都注意到來自視線范圍以外的飛機的無線電信號有類似的波動，"因此，提出了一個可以為探測飛機和船只而建造設備的建議。這沒有得到海軍部的青睞，被放棄了。"國家實驗室的科學家們隨后沮喪地離開了海軍。他們在1934年為自己的工作申請了專利，這些專利后來被送往多個國家，支持了這些國家最初的雷達研發工作。當這些探測方面的發現正在發生時，在確定射程方面也同時有了發現，這是雷達運作所需組件的另一半。

重要的是要注意影響雷達發展的廣泛形勢。在發展的關鍵初始階段，英國正面臨著來自德國日益增長的軍備問題，特別是戰斗機和轟炸機部隊，這是對英國本土的直接威脅。此外，科學發展得到了英國當時的研發結構的幫助。英國的科學研究屬于三個緊密聯系的機構，其中之一是工業和科學研究部（DISR）。工業和科學研究部開始于1917年，以應對德國在一戰中領先的技術發展。這種情況與美國為應對蘇聯發射的人造衛星而設立的DARPA驚人地相似。

在20世紀30年代，德國人致力于研究兩種不同的方法，利用無線電波幫助飛機準確轟炸目標。這兩個系統，X-Grer?t和Knickebein，并不是對雷達的實際使用，它們是定向無線電波束，飛機使用調到特定頻率的盲目接收器。在英國，普遍的科學觀點是，使用的頻率在180英里以外是無法接收的。有了這個情報，就開始了改進雷達探測和導航并拒絕敵人使用雷達的競賽。

英國和德國在二戰開始時都有雷達設備的庫存。德國有兩家公司的雷達，Gema和Telefunken，它們分別制造了Freya和Würzburg。Freya的信號發射距離為75英里，覆蓋范圍為360度，并且可以移動，但它不能測量目標的高度。Würzburg的信號發射距離只有25英里，但可以準確地定位來襲的飛機，受到德國高射炮手的追捧。該雷達使他們能夠瞄準來襲的飛機，而不必先從視覺上找到它們。相比之下，英國的系統，Chain Home，發射距離為120英里，但視野有限，只有120度；其尺寸也限制了任何機動性。兩個國家都在研究安裝在飛機上的小型雷達。德國準備開始測試一個用于運輸機的機載雷達，而英國則準備推出一個用于巡邏機的系統和一個用于戰機的系統。

隨著對德國的轟炸越來越嚴重，對雷達支援的需求也越來越大。在預警雷達信息導致24架英國轟炸機中的14架在日間空襲中損失后，所有的轟炸任務都轉為夜襲。由于沒有足夠的Würzburg雷達來引導反機槍，德國人成立了一個夜間戰斗機中隊來對抗英國轟炸機。目前的雷達不足以支持夜間戰斗機的行動，因為它們要么不夠精確，無法將來襲的轟炸機和防衛的戰斗機分開，要么沒有足夠的探測范圍。夜間戰斗機指揮部與Telefunken公司合作開發了 "巨型Würzburg"。這個新系統既更加精確，又比以前系統的發射距離增加了一倍。對"Freya"雷達進行尺寸增加，也產生了作用，由此第三家德國公司I.G.Farben制造了"Mammut"雷達。在對地基預警雷達進行這些改進的同時，Telefunken公司還生產了Lichtenstein，一種用于夜間戰斗機的空中雷達。有趣的是，雖然兩者都是新技術，但飛行員已經習慣了地面雷達的控制，并經常因為操作上的輕微損失而拒絕使用裝有機載雷達的飛機。他們最終克服了這種猶豫不決，因為有一位軍官，路德維希-貝克爾上尉，堅持使用新的雷達。"隨著貝克爾的擊落分數穩步上升，該設備開始在其他地方獲得認可。"

在1939年奧斯陸報告的暗示下，英國人指派了一位科學家R.V.瓊斯博士到空軍情報局調查德國的系統。此外，英國人還派了一位特使到美國交換所有的雷達機密，"以換取技術和生產方面的幫助。"到1941年初，英國領導層仍然不相信德國人有任何雷達。在收到Würzburg的照片證據后，英國人于1942年2月對它進行了一次大膽的突襲，以獲取零件和技術手冊。有了這些信息，反措施的工作開始認真進行。到1942年4月，英國人部署了 "月光"，一種空中反雷達欺騙裝置，模擬大量的飛機來襲。然而，這種技術只適合對付"Freya"。

同時，這兩個國家正在研究第二種非常有效的反雷達方法。投下大量的小金屬條，也就是我們今天所說的 "箔條（chaff）"，當時英國人稱之為 "金屬箔片（Window）"，德國人稱之為 "杜佩爾（Düppel）"，它產生了大量的回波，有效地隱藏了雷達操作員試圖找到的飛機。在一個非常相似的反應中，這兩個國家都選擇不進一步追求這項技術，因為如果敵人發現了，對他們自己來說是多么糟糕。日本開發了Giman-shi（欺騙性紙張），并且已經在瓜達爾卡納爾島對美國海軍的炮手進行了有效的部署應用。英國人從未收到這一信息，直到1943年7月，英國飛機才最終部署了Window。決定使用Window的原因之一是美國的雷達研究終于迎頭趕上。美國的SCR.720雷達開發了一種發現和駁回Window雷達回波的方法，有效地否定了它對友軍造成的問題。英國最終在對漢堡的大規模突襲中使用了Window，一個高度防御的軍事目標。該部隊包括791架轟炸機，事實證明Window非常成功。漢堡空襲的典型損失是6%；這次，英國只損失了12架飛機，或1.5%，估計節省了35架飛機。

新的戰術和干擾技術在整個戰爭中繼續發展。這一發展的頂點是在支持盟軍入侵諾曼底的過程中。一個全面的欺騙計劃被制定并用于掩護入侵部隊。在入侵前，英國人系統地摧毀了德國著名的雷達站。入侵當晚，一支由18艘艦艇組成的艦隊被派出，其中4艘配備了經過特殊改裝的 "月光 "干擾器，14艘配備了綽號為"Filbert"的系留雷達反射氣球。伴隨著這兩支假軍團的是使用金屬箔片和空中干擾器混合的轟炸機中隊。一旦到達誘餌登陸地點，他們就部署煙幕，并發出類似于船只拋錨的聲音。掩護真正入侵部隊的是兩百個艦載雷達干擾器。這些努力的結果是阻止了對入侵部隊的任何空中反應，并造成了如此大的混亂，以至于德國人直到下午才向諾曼底投入重兵，認為這是另一個佯攻。

這段簡短的雷達發展、使用和利用的初步歷史為與當今人工智能的發展進行比較提供了幾個明確的路標。首先，美國起初完全忽略了雷達的早期階段。這不僅導致美國在研發方面的落后，而且疏遠了該領域的主要領先科學家和一家領先的商業公司，直接導致美國的早期專利技術在美國進一步開發同一技術之前被外國（甚至是敵對）國家使用。第二，跨越國際界限的伙伴關系使美國和英國的技術都得到了發展，超過了單獨工作所能達到的程度。如果沒有英國的早期援助，美國可能不會趕上技術的發展，因此，從來沒有向英國提供“金屬箔片”的解決方案。第三，雷達技術的發展既用于獨立的防御系統，監測來襲的飛機，也用于機載雷達，以提高飛行員發現和定位敵機的能力。這顯示了技術的雙重路徑，首先是獨特的獨立系統，其次是將新技術整合到已知的平臺。最后，雷達技術的初步發展突出了風險領域和失敗的潛力。在雷達投入使用后，就開始同時研究開發反雷達技術和保護這些努力，這對戰爭努力至關重要。

將這些經驗應用于當前的人工智能發展，表明美國空軍目前在哪些方面取得了成功，以及在哪些方面需要做出重大改進。前面討論的支出表明，美國空軍在人工智能技術上并沒有"過關"，然而，從資金角度來看，它已經落后了。美國空軍面臨的挑戰是不要像雷達研究那樣疏遠私營部門。資助人工智能研究的主要公司通常不是國防合同公司。DARPA的"AI Next"計劃無疑將吸引非典型的行業參與者，但不太可能吸引那些研發資金已經超過國防部的AI大公司。雖然DARPA在正確的方向上利用國防部技術基礎的舉措是一個積極的步驟，但缺乏直接連接到美國空軍記錄項目的能力意味著這項研究很有可能被遺忘，讓人想起海軍部在20世紀30年代選擇不追求雷達。我們將在隱形討論中看到同樣的問題，一個DARPA項目，即使是一個成功的項目，也不能保證是美國空軍的正式記錄項目。美國空軍必須選擇擁抱人工智能，所以它準備采用發展中的人工智能技術。

英國在科學部門和政策制定者或未來的政策制定者之間有著密切聯系的優勢。此外，已知的和即將到來的德國的威脅，沒有其他技術潛力來對抗空中轟炸，推動了對雷達技術的需求。美國空軍今天面臨著相反的關鍵問題：不受挑戰的成功。美國空軍過去幾十年來在中東的成功已經培養了整整一代人，他們將目前的部隊結構和戰術視為對空中力量的倒數第二種使用。雖然人工智能項目很可能會改善現有的空中力量的能力和戰術，但它們也將為執行空戰提供新的和獨特的機會。如果對執行空中力量的新方法沒有一個開放的心態，可能會排除現有的飛機、技術或人員，美國空軍可能無法進行創新，而只是逐步改善它已經擁有的東西。

第二個同樣重要的教訓是與其他國家互動的好處。不應錯過利用外國技術能力的積極因素。考慮到前面提到的開放源碼的心態，這一點尤其正確。其他國家將使用美國人工智能社區的發展。與我們最親密的盟友公開分享，可以確保美國和他們的盟友都處于人工智能技術的領先位置，并繼續在盟友中發展善意，因為我們與他們分享的東西可能很快就會發布。這也將有助于確保美國和其盟友的國際系統之間的互操作性。最近的沖突表明，在未來的任何沖突中，多個國家與美國結盟的可能性是多么大。發展共享的，或至少是類似的系統，能使兩國為未來的沖突做好最佳準備。因為有如此多的商業和開源的人工智能研究，與盟友共享不太可能失去秘密。只要技術開發的關鍵部分得到充分的保護，如訓練數據集或實際設備，風險就會很小。

雷達的開發幾乎同時發生，作為地面預警和地面控制，以及直接安裝在飛機上供空中使用，這提供了另一個教訓。美國空軍必須確保人工智能被用來改進當前的技術，如改進嵌入雷達的飛機，并找到正確的新想法，如開發一個預警站。上面提到的Maven項目是利用人工智能改進當前設備和戰術的一個很好的例子。美國空軍必須繼續盡可能地追求這種類型的改進。首先要看的是商業公司已經在開發可以輕松應用的系統。這可能是在飛機維修或調度方面，與商業航空公司或航運公司合作可以使雙方受益。同時，將人工智能引入某些戰斗系統可能會立即為正在進行的斗爭提供解決方案。克服雷達干擾和探測雷達跟蹤都有很大的潛力從人工智能中受益，因為信息量大，而且必須以最快的速度處理。美國空軍必須有力地確保國防承包商認真對待人工智能的潛在好處。這可以通過特別要求項目的某些方面采取人工智能，或者通過設定只有通過使用人工智能才能滿足的要求來實現。此外，必須提供開放的系統架構，以便多個用戶可以開發軟件和人工智能程序，并能快速有效地應用于實戰飛機。把一切都留給主要的國防承包商，大大限制了潛在的人才庫和可以實施的想法。

最后，雷達技術如何迅速地以多種獨特的方式被反擊的例子突出了人工智能的潛在風險。美國空軍需要認真對待人工智能防御，并對任何正在開發的人工智能系統進行 "加固"，以及規劃對敵人人工智能能力的防御。目前最高的風險之一是用于訓練人工智能算法的數據集的損壞。損壞可能是意外發生的，也可能是惡意的，敵國或玩家故意添加圖像，迫使程序錯誤地學習。緊隨其后的是未知的偏見，它可能在從數據集學習的程序中發展。這種未知的偏見可能是由于一個不完整的數據集，一個沒有被正確建立的數據集，或者一個被故意篡改的數據集。由于特定算法的創造者往往不知道人工智能程序是如何做出決定的，因此存在著程序發展未知偏見的真正危險。此外，由于訓練人工智能算法所需的數據集非常大，要持續監測數據集的有效性是非常困難的。最后，在人類看來是無稽之談的圖像可以有效地欺騙計算機識別程序，使之成為高概率的錯誤報告。這些只是已知的人工智能潛在隱患中的幾個。美國空軍必須認真對待這些風險，并開發出能防止顛覆的系統。管理正確保護和分類的數據集需要對軍事人工智能算法極為重視，這是一個良好的開端。然而，僅僅談論意外發現的最新問題是不夠的。美國空軍必須拿出一個熟練的 "紅隊"，一個了解人工智能的小組，主要負責尋找針對我們自己系統的利用手段。傳統的測試和驗證水平對于一個與迄今所見的任何技術都如此不同的技術來說是不夠的。

最后，美國空軍也必須著眼于防御人工智能的進攻性使用。這將是一個更加困難的數量級，因為它涉及到正確預測對手如何可能使用人工智能技術，然后尋求對抗這些努力。特別重要的是要注意，對人工智能進行適當的防衛準備必須不僅僅是著眼于保護數據集和推進電子戰。人工智能算法有可能影響更多，而且是以人們剛剛開始討論的方式。深度偽造，人工智能制作的視頻模仿真人，以至于與真實視頻無法區分，是一個巨大的潛在威脅。雖然這肯定是政府高層的問題，但美國空軍也不能忽視這個問題。

隱形

隱形技術是試圖使飛機避免雷達探測的一個重要要素。這個領域包括多種方法，包括箔條、戰術、電子攻擊、雷達吸收材料（RAM）和飛機形狀，正如之前在雷達部分討論的那樣。大多數人將隱身與洛克希德公司最初發布的F-117 "夜鷹 "聯系在一起，但早在二戰期間，地面探測雷達一投入使用，就開始了避免探測的嘗試。很快就可以看出，減少雷達截面（RCS）是非常困難的，而且回報也很小。按照現在已經確立的雷達測距方程，當時的科學家們很快發現，要將飛機的探測距離減少10倍，飛機的RCS就需要減少10,000倍。到20世紀70年代，RCS管理方面的主要工作幾乎完全是由于處理RAM的各種努力，而在管理飛機形狀以大幅減少RCS的方法上投入的努力微乎其微。

減少飛機的RCS很快成為美國空軍的一個重要焦點。1973年，以色列在贖罪日戰爭中與敘利亞和埃及作戰。以色列使用美國空軍最新的飛機和戰術作戰，但在18天內損失了108架飛機，主要是被當時的美國情報部門評估為 "不合格"的部隊所操作的地空導彈（SAM）擊中。第二年，DARPA開始了一項具有雙重目標的計劃：發現戰術飛機所需的RCS以避免被發現，并開發出實現該RCS的技術方法。有趣的是，最初的要求只發給了五家公司。諾斯羅普、麥道、通用動力、費爾柴爾德和格魯曼，不包括洛克希德。洛克希德公司在向DARPA介紹了以前為中央情報局設計的A-12和D-21偵察機所完成的高度機密工作后，獲得了進一步研究的合同。洛克希德公司決定在設計上首先滿足RCS的要求，而不是按照戰術飛機的要求設計，然后再試圖降低RCS。Denys Overholser和他的團隊開發了計算機程序來預測特定飛機設計的雷達信號。在他發現了俄羅斯人P.I.Ufimtsev于1962年發表的關于雷達信號衍射的科學著作后，取得了重大突破，該著作于1972年被翻譯成英文。

以計算機預測為基準，洛克希德公司獲得了25,000美元，用于建造一個帶有金屬框架的初始設計的木制模型，以驗證模型的準確性。1975年，洛克希德公司和麥道公司都進行了測試，以驗證這些模型，導致DARPA開始了這個項目，該項目后來被稱為實驗性可生存試驗臺（XST）。三支隊伍參加了XST競賽，洛克希德公司和諾斯羅普公司超出預期，提交了性能幾乎相同的原型。第三支隊伍是麥道公司和Teledyne Ryan公司的合作，沒有達到XST的規格要求。

在合作之前，麥道公司在專注于更通用的隱身設計之后，正在努力滿足RCS的要求。他們之前的設計被命名為 "靜音攻擊"，試圖通過減少雷達、聲學、紅外和視覺這四個領域的信號來保持不被發現。在與Teledyne Ryan公司合作后，該聯合提案在減少RCS方面仍然表現不佳，并計劃用電子對抗措施（ECM）來彌補這一差距。洛克希德公司和諾斯羅普公司都獲得了大約150萬美元的資金來進行XST項目的第一階段。隨著第一階段的結束，DARPA選擇了洛克希德公司負責該項目并進入第二階段。諾斯洛普團隊所做的工作得到了認可，他們被鼓勵繼續為另一個剛剛開始的DARPA項目工作。他們的工作是Tacit Blue項目的基線，Blue項目又是B-2轟炸機項目的基線。

在開始第二階段之前，DARPA決定擴大項目的范圍。不幸的是，新的總成本估計為3600萬美元。在DARPA項目中，典型的成本分擔是DARPA占34%，承包商和相關部門占33%。在這種情況下，空軍的資金是一個問題，許多領導層不愿意提供1200萬美元的資金。在內部，空軍正在努力就輕型戰斗機項目（這將成為F-16，美國空軍庫存中最普遍的戰斗機）達成一致，許多人不想支持另一個技術演示。最終，DARPA獲得了資金，第二階段于1976年4月開始，打算建造一個實際的飛機技術演示器。該計劃的安全性也被提高到最高機密，并被命名為 "Have Blue"。許多在第一階段工作的人都沒有得到通報，也不知道這項工作還在繼續。

這兩架 "Have Blue"飛機于1976年開始建造。為了節約成本和時間，飛機的許多基本設備都直接來自于現有的飛機：F-16的側桿控制器，F-5的鼻輪轉向器，以及來自海軍T-2C庫存的通用動力發動機。"Have Blue"1號機于1977年12月1日進行了首次飛行，在贖罪日戰爭喚醒四年后，在DARPA開始該計劃僅三年后，它甚至有可能避免被防空導彈發現。到 "Have Blue"計劃結束時，總成本為5460萬美元，第二階段平均只有66名洛克希德公司的工程師。"Have Blue"計劃成功后，洛克希德公司試圖為海軍設計低可視性的艦艇。在DARPA的支持下，在成功展示了與潛艇類似的驚人成果后，海軍領導層拒絕了追求這種能力。對洛克希德的 "Have Blue"計劃至關重要、后來領導了 "臭鼬工廠"（洛克希德負責"Have Blue"計劃的技術部門）的本-里奇推測，海軍拒絕的原因是無法將文化從公認的設計和人員配置中轉移出來。他說，海軍認為，這種設計 "看起來太不同了"，它不需要足夠的水手讓艦長覺得自己在領導，而且海軍也不需要足夠的水手來填補所需的領導職位。里奇說，最后海軍決定這是一個 "過于激進的設計"。

在證明科學理論和實戰化的戰術隱身飛機之間仍有許多問題需要克服，最重要的是被動紅外瞄準系統。在最初計劃購買20架飛機，然后增加到89架，美國空軍最終確定了總共59架飛機。在1983年宣布有限的初始作戰能力后，F-117A于1989年在巴拿馬首次投彈作戰。F-117A只出動了兩個架次，由于沒有地面雷達防御網絡，所以沒有獲得關于飛機能力的信息。在1991年的沙漠風暴行動中，F-117A第一次有機會在高度競爭的戰斗中證明隱形技術的可行性。F-117機隊出動了1270架次的戰斗，是唯一一架有機組人員的飛機，負責打擊巴格達的高度防御目標。F-117A只出動了總攻擊架次的2%，但卻在針對伊拉克戰略目標的任務中使用了40%，所有這些都沒有被敵人的炮火擊中過。

從隱身術的發展中，有幾條有用的經驗可以應用于人工智能的發展。首先，重要的是要注意到，世界上沒有任何地方的隱身研究能達到這種程度的成功例子。這是由幾個因素造成的：該技術的使用極為集中，缺乏任何相關的民用利益，人們認為缺乏對該技術的需求（從俄羅斯的反應中可以看出，他們傾向于防御性防空導彈而不是進攻性隱形），以及美國非常成功地將該項目分類并對隱形項目的存在進行保密，更不用說細節。這種情況與當前全球人工智能競賽之間的鮮明差異至關重要，因為它表明在一個孤立的保密世界中試圖管理人工智能發展是徒勞的。當然，一些人工智能項目或項目元素可能是保密的，還有軍事數據集和其他設備，但人工智能在商業領域的發展和使用甚至已經超過了國防部的尖端機構DARPA。正如前面所討論的，DARPA的AI Next計劃將在不久的將來花費不到世界領先公司在AI開發上的10%。美國空軍不會通過保密來保持在AI應用上的優勢。

盡管在發展方面存在巨大差異，但有幾個推論為人工智能的發展提供了經驗。David Aronstein和Albert Piccirillo從他們對隱形發展的研究中提供了幾個重要的教訓。首先，不要回避外部的專業領域。洛克希德公司最初被排除在討論之外，因為他們沒有被認為參與了戰斗機的設計。美國空軍決不能將技術合作局限于傳統的國防服務公司。雖然這些傳統公司無疑將在未來發揮關鍵作用，但錯過最佳團隊進行獨特改造的風險太高了。美國空軍必須邀請并找到與國防工業沒有普遍聯系的公司進行接觸。

第二，鼓勵競爭，不要讓知識和技能被浪費。DARPA鼓勵諾斯羅普公司參與第二個項目，使未來的隱身設計成為可能。在這個技術發展和創新的關鍵時期，任何專業知識都不應被忽視。跨職能領域、專業甚至服務部門的溝通是必須的。DARPA的項目經理有效地將一個團隊過渡到另一個發現領域，直接影響到下一代的隱形。美國空軍必須發展和保護溝通渠道，這樣不適合一項任務的突破和創新設計就不會丟失，而是轉移到它們將是關鍵的地方。

第三，人員是關鍵：在隱身技術的發展中，政府和工業界的團隊合作良好，所有的團隊都是由高技能和積極性的人組成的小團體。美國空軍必須認識到并完成同樣的工作。它必須在戰術層面和高級領導人中高度重視人工智能知識和經驗。由于美國空軍的領導層不了解人工智能，認為這個想法與目前的范式差別太大，而放棄了下一次軍事革命，這是美國空軍無法承受的失敗。Aronstein和Piccirillo將一個關鍵的教訓總結如下:

• 代表大多數參與的主要組織的一些項目參與者將美國空軍早期低觀測點工作的成功大部分歸功于高級領導人，他們構建了該項目，支持它，并允許它以精簡的方式進行，并縮短了監督。他們允許許多通常的官僚主義被削減，并授權項目人員完成他們的工作。

這個教訓無疑是最難應用的；畢竟，他們討論的是對一個小項目來說容易和有效的做法。當人工智能作為一個概念，不僅有可能侵入每件作戰設備，而且還有可能侵入作戰控制、維護和所有支持工作時，如何達到同樣的效果？在這種情況下，美國空軍將通過模仿國防部已經做的事情，建立一個人工智能辦公室來做得最好。如果有適當的位置、人員和資金，美國空軍的人工智能辦公室在應用一些相關的經驗方面可能是至關重要的。該辦公室在與新的商業公司和領先的人工智能技術公司的協調中可能是至關重要的，協助服務的各個方面的溝通，負責對正在進行的項目進行適當的監督，并成為選定的人工智能網絡和人工智能采購專家人員工作的完美地點。

最后，隨著美國空軍開發和采用人工智能，必須同時注意反人工智能技術和基礎技術或執行方面的弱點。雖然麥道公司的XST在降低RCS方面表現不佳，但在視覺、聲學、紅外和雷達等所有 "波段 "上應用隱身技術的意義重大。美國空軍隱身飛機目前面臨的最大挑戰之一是，潛在的對手國家已經選擇不使用美國空軍技術仍然優越的雷達與它們交戰。相反，他們正在轉向其他頻段，在那里他們可能更容易發現隱形飛機。1999年在科索沃發生的F-117A的唯一一次戰術損失就是對這一點的一個很好的提醒。薩姆防御部隊在傳統上沒有機會使用雷達來探測和瞄準美國空軍的隱形飛機，但在這種情況下，他們不需要這樣做。他們利用視覺觀察員在飛機從意大利起飛時打電話的組合，并利用F-117A不幸地選擇反復使用相同的飛行路線來知道飛機的大致位置。

商業現成（Cots）技術和軟件

最后分析的重點領域是國防部以前采用商業計算機技術的工作。研究的主要來源是國防部服務委員會的研究報告，包括1987年1月的研究 "軍事設備中商業組件的使用 "到2018年2月的研究 "國防系統軟件的設計和采購"。 雖然所有的研究并不完全集中于相同的技術采購，但它們基本上是相互迭代的，參考了國防部在他們的時間段和之前對現有技術的使用。令人震驚的是，在跨越30多年的技術發展過程中，每項研究的結論和建議是如此相似。

在國防部使用計算機技術的整個歷史中，各部門一再趨向于缺乏對商業能力的信任和對所需目的要求的過度規定。一項研究甚至明確指出："國防部資助的研究和開發曾經推動了商業技術的發展，但現在商業技術在許多關鍵領域領先于國防部。"這一評估表明，過去和今天國防部與商業人工智能技術之間的平衡有著驚人的相似之處。那么，有哪些成功和失敗的經驗，我們如何從中學習？

從最早的研究來看，涉及到80年代末的微處理器采購，有幾個問題被強調。首先，國防部的標準比目前可接受的商業標準更具限制性。這在最初沒有行業標準的情況下形成。隨著技術的發展，軍事應用引領了方向，創造了一個有許多標準的可接受的標準。隨著商業行業的發展，基線設備在效率和可靠性方面都有所提高，具體的技術并不總是遵循以前定義的軍事規格。軍方不愿意接受民用標準，而是越來越多地堅持已經定義的MIL-SPEC標準，甚至經常提高要求。值得注意的是，這些額外的要求往往不會使產品比商業對應產品更有能力。這使得商業公司與國防部打交道變得非常麻煩，他們需要為軍事和商業銷售創造不同的項目，而這些項目的功能基本相同。這種趨勢一直持續到今天，這也是許多公司發現與美國空軍合作具有挑戰性并選擇回避軍事合同的原因之一。我們一次又一次地發現，美國空軍為功能不如民用產品的產品支付了更多的費用。國防部要求的原因之一是保持美國對產品生產的控制。雖然在產品管道安全方面肯定有問題，但有許多領域的風險是超過可接受的。此外，正如過去發現的那樣，即使有非常重要的限制和監督，許多美國公司購買的產品都是在美國以外創造的，只在美國組裝。

從歷史上看，美國空軍也發現自己在新興技術的知識基礎方面很薄弱。這似乎是反直覺的，然而，這在DSB的研究中被反復強調。這并不是說美國空軍在使用技術方面不領先，只是說合適的人沒有足夠的知識和經驗。空軍擅長用先進的技術來執行，但在開發和獲取這些技術的過程中，常常在成本或時間（或兩者）上掙扎。這種知識的缺乏尤其適用于采購和維持領域，美國空軍飛行員正在協調數百萬美元的合同，卻沒有充分了解真正的需求是什么，以及如何與擁有先進技術的實際設計和建造專業知識的私營公司適當合作。在過去，這往往導致時間和成本的超支，并最終導致國防部比私營公司付出更多，得到更少。

這種知識的不足也導致缺乏為未來制定適當要求的能力。這既是一個科學知識基礎，也是一個文化挑戰。美國空軍必須在采購職業領域擁有一批受過人工智能教育的人員，以便與商業公司就合同進行充分的合作。美國空軍還需要在未來的能力和項目辦公室中擁有受過人工智能培訓的人員，以了解平臺應該在哪些方面進行開發，以及哪些領域由于在該領域或人工智能的接壤領域的進展而不再有用。

此外，美國空軍需要關鍵的戰術思想家和支持性的戰略思想家來尋找未來使用人工智能的最佳領域。這些想法不應僅限于讓美國空軍擁有的東西變得更好；他們應該努力實現真正的創新，以一種完全獨立的方式使用人工智能，或與一個系統搭配，以一種新的和獨特的方式實現戰略目標。2009年DSB研究報告建議國防部擁有 "相關的能力和經驗，包括技術領域和項目管理。"然后在2018年，DSB研究報告建議各部門 "發展勞動力能力和對當前軟件開發技術的深刻熟悉。"顯然，這是美國空軍以前面臨的問題，還沒有克服。這不僅需要受過教育的人員，也需要文化的改變。

通過多年的研究，這些教訓需要由全面的文化變革來推動，這可能就是為什么在這么多建議之后，它仍然沒有發生。1989年，DSB建議國防部需要進行根本性的文化變革，"以獲得更高的質量、更低的總成本、更多獲得先進技術的機會、更廣泛的工業基礎和更大的客戶滿意度的潛在好處--正如民用部門最近的趨勢所代表的那樣。"1994年的研究將爐管文化作為建議不被接受的原因。 2009年的研究再次呼吁改變購買和修改COTS的文化，以獲得速度、降低成本和風險。最后，2018年的研究說，由于國防部的文化，國防承包商基地沒有跟上成熟的商業部門軟件開發。值得慶幸的是，到目前為止，這只是花費了時間和金錢。如果美國空軍不能適應人工智能，其后果可能會更糟糕。在三項研究中，高層領導自上而下的參與是糾正國防部缺乏向COTS設備轉變的能力的建議。

建議

所有三個案例研究中最關鍵的發現是，外部驅動力對于新興技術的有效和高效應用至關重要。在雷達的案例中，是迫在眉睫的威脅和二戰的持續行動推動了技術的實施。就隱身而言，是以色列在贖罪日戰爭中的損失所激發的恐懼，使美國空軍對其設備和戰術產生懷疑，甚至對對手產生懷疑。至于徹底和有效地采用COTS技術和軟件，國防部一次又一次地落后于商業部門，因為沒有激勵執行的需求。不幸的是，如果沒有一個統一行動的外部動機，這種趨勢要克服是非常困難的。

為了應對這一挑戰，美國空軍必須采取多種途徑。首先，美國空軍必須自上而下地優先采用人工智能。人工智能國家安全委員會（NSCAI）提交給國會的2019年報告也提出了這一觀點。它引用了蘇聯作為威脅，在冷戰中推動了核武器技術，然后在20世紀70年代推動了隱形和GPS。這應該由目前的領導層來完成，使人工智能的采用成為一個持續的關鍵利益項目，并創建一個美國空軍辦公室來推動和協助人工智能在所有服務元素中的采用。空軍采取了初步措施，但這還不夠。國防部人工智能戰略文件的2019年美國空軍人工智能附件將有效和高效地在全軍采用人工智能列為優先事項。然而，這還不夠，文本中固有的思維方式也不足以將人工智能完全采用到所需的程度。在結尾處，它說："對我們這些軍事領域的人來說，人工智能類似于隱形飛機和精確制導彈藥的發展。"正如本文所討論的那樣，隱形技術雖然重要，但它是一種孤立的技術，是進化的，使美國空軍既定的理論有了實質性的提高。另一方面，人工智能有可能在多個領域產生革命性的影響，無論是對美國空軍還是對其對手。在沒有具體的外部推動力的情況下，美國空軍必須將人工智能發展和應用的重要性內部化，就像有一種存在的驅動力一樣。如果它不這樣做，在以前的技術采用中反復看到的同樣的陷阱將發展，美國空軍將落后。NSCAI支持同樣的擔憂，同意明確承認人工智能對國家安全的重要性，"然而，不清楚這些最高級別的信念和戰略優先事項是否已經被各部門和機構完全接受了。對于人工智能如何解決核心國家安全挑戰以及實現人工智能優勢所需的條件，必須有廣泛的組織理解"。

該辦公室不僅需要適當的級別和官方領導的監督，而且還需要一個支持人工智能努力的重要性的分配預算，有能力將這些資金分配給任何朝著明確的人工智能采用目標前進的組織或項目。這反映了2002年DSB研究的前三項建議，2009年DSB研究的結論，以及1990年DSB研究的實施計劃。此外，該辦公室必須配備受過人工智能培訓的人員。

這些案例研究中明確提出的第二項建議是人的重要性。正如上文在審查COTS采用情況時指出的那樣，從洛克希德公司從事Have Blue工作的少數工程師所做的驚人開發中可以看出。有未來人工智能建議的三個主要文件（NSCAI、新美國安全中心的研究報告《美國人工智能世紀：行動藍圖》，以及國防部人工智能戰略的美國空軍人工智能附件），都將招募和培訓人工智能人員作為他們的主要發現之一。美國空軍應該以多種方式處理這個問題，首先為人工智能培訓人員創建一個職業領域，或者至少創建一個網絡職業領域的子集。這加強了人工智能在自上而下的重要性，并發展美國空軍人員。此外，美國空軍可以提供類似于其他職業領域的獎金，以獎勵長期服務。

獲得合適人員的第二個方法是通過與在人工智能開發方面有實力的商業公司建立強有力的關系。美國空軍人工智能辦公室在與通常與國防部沒有聯系的公司發展密切的伙伴關系方面具有獨特的優勢。軍隊和技術部門之間的差距正在擴大，個人關系和直接的辦公室聯系將有助于縮小差距。美國空軍必須尋找已經在部署人工智能的公司，其方式可以直接轉移到目前的行動中。這可能是商業航空公司或空運公司的維修或飛行調度過程，也可能是協助基地安全或旅行協調。從不太嚴格的安全要求開始工作，不僅會使美國空軍的效率全面提高，而且會加強非傳統商業公司之間的聯系，并有助于將人工智能介紹給美國空軍人員。這將在多個渠道建立信任，以實現更大的人工智能發展合作。美國空軍還必須確保人工智能在目前運行的公司和項目中的發展。

空軍必須效仿雷達技術的發展，既要改進已知的系統，又要集中精力尋找人工智能可以創造或加強全新的設備，或戰術和行動路線的領域。雷達被設計到飛機上以提高其性能，但它首先被設計為一個全新的元素，即基于地面的探測和控制。美國空軍必須吸取的教訓是，有目的地尋求全新的和獨特的方式，使人工智能可以實現戰術、作戰或戰略優勢。首先，人工智能可以而且應該被用來大幅改善已知的平臺和能力。當前飛機的升級計劃必須推進到包括人工智能。然而，如果這就是美國空軍采用的終點，它將有可能失去發展中的技術所提供的最大優勢。

美國空軍需要在戰術官員中培養一種對人工智能潛力的認識，并鼓勵對未來的創新思維。這可能是最困難的過程，因為這無疑將導致美國空軍在某些領域偏離傳統裝備和戰術。緩慢而痛苦地采用遙控飛機顯示了這個過程可能是多么困難。如果不成功，敵國很可能已經適應了人工智能來防御我們目前的戰術，美國空軍將被拋在后面。這個過程也必須立即包括創造性的防御和對抗對手AI的方法。

人工智能將成為下一代的決定性技術，塑造世界各地的軍隊。只要美國空軍承諾應用該技術并獲得好處，它就完全有能力利用這些好處并保持其在世界的卓越地位。必須采取行動，遵循本文提出的步驟將有助于確保這些行動在未來是正確的。

這是一個顛覆性技術快速變革的時代，特別是在人工智能（AI）領域。雖然這項技術是由商業部門為商業開發的，但人工智能在軍事應用方面的明顯潛力，現在正促使世界各地的武裝部隊對人工智能防御雛形系統進行試驗，以確定這些系統如何能夠最好地用于作戰與和平時期的任務。

澳大利亞也不例外，在2020年國防戰略更新中分配了資金，開始將人工智能能力引入國防。這將涉及開發解決戰術級和戰略級軍事問題的人工智能應用程序，建立一個熟練的人工智能勞動力，并與澳大利亞合作伙伴和盟友合作，將倫理學納入人工智能應用程序，并進行人工智能實驗。今年在澳大利亞首都地區費爾伯恩設立的國防技術加速實驗室是這一計劃的具體行動體現。

彼得-雷頓（Peter Layton）的論文考慮了人工智能在未來海、陸、空作戰行動中的戰術和作戰層面上可能發揮的作用，為這一廣泛的活動做出了貢獻。這是一個很少被研究的領域，因為到目前為止，大部分的討論都集中在關鍵的技術問題上。這些審議表明，人工智能可能是未來戰爭中的一項重要技術，但仍有許多不確定因素。本文提供了一個起點，在此基礎上開始辯論，這將有助于解決其中一些不確定性。

本文認為，人工智能將滲透到大多數軍事機器中；然而，它的通用性意味著它很可能是在現有作戰層面結構中被使用。鑒于此，人工智能在中短期內的主要作戰用途是“尋找（find）和欺騙（fool）”。人工智能/機器學習尋找隱藏在高度混亂背景中的目標非常出色；在這個應用上，它比人類更好，而且速度更快。然而，人工智能可以通過各種手段被欺騙；其強大的尋找能力缺乏穩健性。這兩個關鍵特征在應用于當前海、陸、空作戰層面的思考時，可能會產生巨大的影響。

本文初步設計的作戰概念與沒有人工智能技術的作戰概念明顯不同。

所討論的概念旨在激發人們對人工智能戰場上人機協作作戰的思考。這樣的戰場在目前看來可能有些猜測，幾乎是科幻小說。即便如此，許多國家已經在規劃、研究和開發方面取得了很大進展。鑒于將軍事力量調整到新方向所需的漫長準備時間，這一旅程需要從現在開始。

人工智能（AI）技術突然變得對軍事力量很重要。美國國防部（US DoD）已將人工智能的投資從2016-17年約6億美元增加到2021-22年25億美元，橫跨600多個項目。中國已經通過了一項“下一代人工智能發展計劃”，旨在到2030年使中國成為人工智能領域的杰出國家，并使人民解放軍從“信息化戰爭”轉向“智能化戰爭”。更引人注目的是，俄羅斯總統普京宣布，“人工智能是未來......誰成為這個領域的領導者，誰就會成為世界的統治者”。這些高級別的倡議和聲明正在產生結果。

在美國，美國海軍（USN）的“海上獵人”號（USV）在沒有船員的情況下從加利福尼亞航行到夏威夷再返回，利用船上的傳感器、雷達和攝像機數據，通過人工智能進行導航。同時，在美國國防部高級研究計劃局（DARPA）的支持下，一架由人工智能驅動的F-16模擬戰斗機最近在多次模擬的近距離空戰中全面擊敗了由非常有經驗的人類飛行員控制的類似模擬。在一項研究陸戰的類似評估中，美國陸軍（US Army）已經確定，一支由人工智能驅動的部隊比一支非人工智能驅動的部隊擁有大約10倍的戰斗力。

中國目前正在應用人工智能，通過指揮和控制系統的自動化來提高其戰場決策的速度和準確性，制定預測性作戰計劃并解決情報、監視和偵察數據融合的挑戰。中國還開始試用人工智能USV，以備在南海使用，并開始試驗無人駕駛坦克，而一家中國私營公司公開展示了人工智能武裝的蜂群無人機。

俄羅斯落后于美國和中國，但現在正在實施一項國家人工智能戰略以迎頭趕上。在軍事領域，俄羅斯有幾項工作正在進行。一條主線是將人工智能應用于信息戰，在戰術上用于發動心理戰，在戰略上用于破壞對手國家的社會凝聚力。另一條線是通過開發無人駕駛地面車輛（UGVs）、遠程傳感器、戰術指揮和控制系統以及無人駕駛航空器（UAVs），使用人工智能來提高陸地作戰行動的有效性。另一個努力方向是國家防空網絡的指揮和控制系統的自動化。

初步跡象表明，人工智能可能是未來戰爭中一項非常重要的技術，但仍然存在不確定性。雖然人工智能在民用領域，特別是在消費類產品中，被廣泛使用，但在軍事環境中才剛剛接近實際部署。此外，它仍然沒有在真正的戰斗行動的惡劣試驗場上得到驗證。即便如此，人工智能已經成為軍事力量考慮其未來時不可忽視的技術。

重要的是，在可預見的未來，可用的人工智能技術是狹義的，而不是通用的。狹義人工智能等于或超過了人類在特定領域內特定任務的智能；其表現取決于應用環境。相比之下，通用人工智能等于人類在任何領域任何任務中的全部表現。何時能實現通用人工智能仍然值得商榷，但似乎還有幾十年的時間。近中期的全球軍事興趣在于如何在現代戰場上使用狹義的人工智能技術。

不足為奇的是，人工智能的定義往往與人類智能相提并論。例如，2018年美國國防部人工智能戰略將人工智能定義為“機器執行通常需要人類智能的任務......”。這種理解將技術擬人化，并無意中將對人工智能應用的思考限制在那些可以由人類執行的任務上。

在某些應用中，人工智能可能比人類做得更多或更少。人工智能和人類能力的維恩圖在某些領域可能會重疊，但認為它們重合是有點虛偽的。在提供解決問題的見解上，人工智能可能是智能的，但它是人工的，因此，它的思維方式是人類所沒有的。

因此，本文在考慮人工智能時，更多的是考慮這種技術能夠執行的廣泛功能，而不是考慮它與人類能力的關系。2019年澳大利亞國防創新委員會采取了這種方法，將人工智能定義為“用于執行以目標為導向的任務的各種信息處理技術，以及追求該任務的推理手段”。

初一看，這個定義似乎并不精確，沒有包括人工智能可能為軍事或民用目的實際執行任務。但這種模糊性是當代人工智能應用的一個關鍵屬性。人工智能可以以多種方式應用，可以被認為是一種普遍存在于社會中的通用技術。通用技術的一個早期例子是電力，現在它被廣泛使用，以至于它的持續存在和使用，就所有的意圖和目的而言，都是簡單的假設。電能使惰性機器活躍起來，人工智能也將以自己的方式，通過推理為它們提供完成任務的能力。人工智能似乎將注入許多軍事機器，因此未來的戰場將不可避免地以某種方式由人工智能支持。

為了取得對對手的作戰優勢，軍隊不斷尋求更大的戰斗力。傳統上，技術是以一種綜合的方式在戰場上使用的，它能最好地利用人類和機器的長處，同時盡量減少兩者弱點的影響。人工智能似乎也可能是類似的。可以預計，人工智能在與人類謹慎地合作時，而不是在某種獨立的模式下，會變得最有效。

這種考慮強調了新技術本身并不會突然間帶來戰場優勢，而是在于人類如何運用它。對早期技術創新的歷史分析指出，擁有指導如何使用這些新技術的合理概念是軍隊成功將其投入使用的關鍵。歷史學家威廉姆森-默里和艾倫-米萊指出：

• 證據表明，首先，制定未來愿景的重要性。軍事機構不僅需要進行最初的智能投資，以發展對未來戰爭的設想，而且必須繼續對這種設想進行深入思考，以確定這些戰爭可能與以前的沖突有什么不同......在這方面任何對未來戰爭的設想幾乎肯定是模糊和不完整的，不是詳細和精確的，更不是任何科學意義上的預測。然而，愿景并不足以產生成功的創新。一個人對未來沖突的看法也必須是平衡的，并與行動的實際情況有很好的聯系。

在戰術層面，與戰爭現實的聯系是最緊密的。戰略規定了目標、總體方針和使用的力量，但在與聰明和適應性強的對手戰斗中處理這些力量的卻是戰術層面。雖然戰斗的成功可能不會導致戰略的成功，正如美國在越南的戰爭所說明的那樣，反之亦然。一個好的戰略在面對持續的戰術失敗時不可能成功。克勞塞維茨寫道：一切都取決于戰術結果......這就是為什么我們認為強調所有的戰略規劃都只依賴于戰術上的成功是有用的......這在任何情況下都是決策的實際基本依據。戰術通常被認為涉及友軍相互之間以及與敵人之間的分布和機動，以及在戰場上使用這些部隊。

本文旨在為在未來的人工智能戰場上使用人機團隊制定作戰概念。這樣的戰場，特別是當擴大到陸戰以外的空戰和海戰時，有一個混合的線性和深層的方面，具有消耗和機動的概念。設計這些作戰概念將為潛在的狹義人工智能系統如何在戰爭的戰術和作戰層面上使用提供一個廣闊的視野。

首先，本文討論了組成人工智能技術包的各種技術要素。這些要素包括先進的計算機處理和大數據，以及與云計算和物聯網（IoT）有關的具體方面。

第二章研究了利用人工智能發動戰爭的問題，并為防御和進攻制定了通用的作戰概念。這些概念位于作戰和戰術層面之間的模糊界面，涉及友軍相對于對手的分布和機動，以及友軍在戰場上的運用。

第三章、第四章和第五章分別將人工智能防御和進攻的兩個通用概念應用于海洋、陸地和空中領域。每個領域的戰斗在分配和操縱友軍以及與敵人交戰方面都有很大的不同，因此有必要提出單獨的人工智能作戰概念。沒有一個單一的概念能夠充分涵蓋所有三個領域，除非在很高的抽象水平上，但理解其含義可能會變得困難。提出這種具有前瞻性的概念似乎接近于投機性的小說。為了避免這種情況，每個概念都特意以當代作戰思維為基礎，并討論了當前和新興的人工智能支持的海、陸、空平臺和系統，以說明所提出的想法。

設計這些作戰概念的目的是激發思考，并啟動關于未來和如何備戰的辯論。本文提出的作戰概念旨在成為辯論其他人工智能戰場概念的實用性、可能性和有用性的基礎。只有通過對建議進行批判性分析，并不斷重構它們以進一步分析和演化，才能朝著最佳作戰概念取得進展。

本文所討論的概念在性質和范圍上都是有意限制的。就性質而言，海、陸、空的概念是：為了保持每個概念的重點，它們不是聯合或合并的。重要的是，這種狹隘性意味著一些領域并沒有包括在內，如俄羅斯在影響力戰爭中使用人工智能或中國在社會管理和內部防御中使用人工智能。出于類似的原因，每個概念都有一個狹窄的范圍，專注于戰爭，只有限地關注后勤，并避免關鍵領域，如教育、培訓、行政和指揮與控制。值得注意的是，除了與傳統的陸、海、空領域的戰術交戰的關系外，沒有討論網絡和空間這些新領域。

本文將人工智能這種新技術與戰爭的作戰方式和戰術使用選擇聯系起來。有了這樣一個重點，本文就與許多武裝部隊制定的眾多人工智能戰略和計劃不同。一般來說，這些戰略和計劃都是向內看的，目的是闡述人工智能作為一種技術將如何被研究、獲得并引入到他們的具體服務中。本文旨在補充這些人工智能技術戰略和計劃，將它們與更廣泛的作戰業務聯系起來，發揮作用。

毫無疑問，今天圍繞人工智能（AI）的最復雜的治理挑戰涉及國防和安全。CIGI正在促進戰略制定：人工智能對軍事防御和安全的影響項目將這一領域的主要專家與來自國防部的40多名公務員和加拿大武裝部隊的人員聚集在一起，討論人工智能對國家安全和軍事領域的力量倍增效應。

這一努力依賴于一系列的四次研討會，以產生關于數據驅動技術如何引發巨大的技術重組的前瞻性思考，這將對加拿大的國防規劃產生深遠影響。具體來說，這些研討會集中在數據治理和政策（道德、云計算、數據準備和互操作性）；決策（可信賴性、人機一體化、生物技術和問責制）；模擬工具（培訓、兵棋推演、人機合作、機器人、自主和可信的人工智能）；以及信息時代的加拿大情報（將人工智能用于情報）。CIGI還主辦了一個研究生研討會，以激勵整個加拿大在全球公共政策、計算機科學和安全等領域學習的新興學者。

報告總結

本文探討了在人工智能（AI）和機器學習背景下的軍事特定能力的發展。在加拿大國防政策的基礎上，本文概述了人工智能的軍事應用和管理下一代軍事行動所需的資源，包括多邊參與和技術治理。

維持先進軍事能力的前景現在與人工智能的武器化直接聯系在一起。作為一項通用技術，人工智能代表著一種力量的倍增器，有能力重塑戰爭規則。事實上，在核彈頭仍然是一種單一的技術應用的情況下，人工智能有能力支持許多不同類型的武器和系統。正如北大西洋公約組織（NATO）的指導意見所指出的，人工智能和其他 "智能 "技術現在對加拿大及其盟國的未來安全至關重要。

新技術在改變戰爭的性質方面有著悠久的歷史。從馬匹和盔甲的使用到航空母艦和戰斗機的引進，人工智能和機器人只是代表了軍事技術發展的最新階段。常規武器與人工智能和機器學習的融合，必將重塑決策的性質和軍事戰略轉型中的武力應用。

即使當代人工智能系統的能力被限制在機器學習算法的狹窄范圍內，這種限制可能不會持續太久。與神經科學、量子計算和生物技術相重疊的發現領域正在迅速發展，代表了 "智能機器 "進化的未知領域。在這些新的研究領域中的科學和技術發現給加拿大的國防帶來了巨大的風險，但同時也代表著巨大的機遇。

顯而易見的是，新興技術已經成為高度緊張的地緣政治競爭的基礎，它與一系列商業產業和技術平臺相重疊。中國、俄羅斯、美國和其他國家和非國家行為者正在積極追求人工智能和其他前沿技術的軍事應用。競爭的領域包括云技術、高超音速和新導彈技術、空間應用、量子和生物技術以及人類增強。

盡管技術創新一直塑造著國家間沖突的性質，但新興和顛覆性技術（EDT）的規模和速度是前所未有的。加拿大的國防政策反映了這種擔憂，它呼吁使加拿大武裝部隊（CAF）適應不斷變化的地緣政治環境。加拿大國防規劃已著手擴大和發展加拿大武裝部隊，在新的軍事平臺整合中納入下一代偵察機、遙控系統和天基設施。

基于對不斷變化的技術環境的廣泛評估，加拿大國防部（DND）認識到，這個新時代的特點是全球力量平衡的變化。這包括在快速發展的創新經濟中大國競爭性質的變化。就像石油和鋼鐵為工業時代設定條件一樣，人工智能和機器學習現在也可能為數字時代設定條件。

這種規模的破壞是由技術和制度變化的融合所驅動的，這些變化可以以新的和不可預測的方式觸發復雜的反饋回路。在這個新的環境中，人工智能技術將迫使世界各國軍隊投射力量的能力倍增。確定軍事人工智能發展中的護欄對于避免未來危機至關重要。應用減少風險的措施來識別和減輕軍事人工智能可能帶來的一系列風險將是關鍵。事實上，在這些能力完全嵌入世界上目前和未來的軍隊之前，治理人工智能可能會更容易。

從整體上看，這種轉變預示著從初級機器到數據驅動技術和精密電子的巨大轉變。這種物理、數字和生物技術的加速融合代表了一場巨大技術革命的早期階段。在全球范圍內管理這些新興和顛覆性的技術，對于減少未來沖突的風險至關重要。

1 引言

從人工智能和機器人到電池存儲、分布式賬本技術（DLT）和物聯網（IoT），新興和顛覆性技術（EDT）現在正在激起一個商業創新的新時代。這一巨大的技術變革景觀正在醞釀一場社會和經濟變革，對中央銀行的發展具有巨大影響。正如北約最近的一份報告所指出的（北約新興和顛覆性技術咨詢小組2020），這些技術包括：

→ 人工智能和機器學習。人工智能/機器學習的發展及其對創新的潛在影響。這包括神經形態計算、生成式對抗網絡，以及人工智能從已經收集或尚未收集的數據中揭示出意想不到的見解的能力。

→ 量子技術。正在進行的從量子過程研究中獲得的知識轉化為量子技術的應用，包括量子計算、量子傳感、量子密碼系統，以及在量子尺度上對材料的操縱和開發。

→ 數據安全。用于保障和損害通信、數據交易和數據存儲安全的算法和系統的設計，包括量子證明加密方法、區塊鏈和分布式賬本架構，以及更廣泛的網絡安全領域。

→ 計算功能的硬件。微型化、電力采集和能源儲存方面的進展，包括在全球范圍內提供數字化關鍵基礎設施所需的物理系統（物聯網）和機器人的廣泛使用及其對全球系統和流程的持續影響。

→ 生物和合成材料。從原子/分子層面的材料設計、合成和操作到中觀和宏觀尺度的創新，支持生物工程、化學工程、基因層面的操作、增材制造和AI介導的生成設計。

正如蒸汽機和印刷術激發了工業革命一樣，人工智能和機器人技術現在也在軍事技術的性質和全球力量平衡方面引發了巨大變革。人工智能的興起并非沒有歷史先例，但伴隨著人工智能的變化表明，需要對國防規劃進行更精確的調整，以適應一個數據驅動的時代。

在大國競爭和多極體系的背景下，人工智能已經成為競爭的一個特別焦點。中國、俄羅斯、美國和其他許多國家都在積極追求人工智能能力，并把重點放在國防和安全方面。例如，中國希望到2030年在人工智能方面領先世界，并期望通過利用大量的豐富數據，擴大其在人工智能產業化方面的領先優勢（Lucas和Feng，2017年）。

事實上，數據和數據驅動的技術現在占據了全球經濟的制高點。整個全球數據經濟的競爭已經與大國競爭密不可分（Mearsheimer 2021）。盡管美國和中國的經濟深深地相互依存，但中國在整個歐亞大陸不斷擴大的投資將很快使其成為世界貿易的中心。

技術優勢仍然是北約國家的關鍵支柱，但中國正在迅速趕超。即使美國在人工智能發現方面建立了強大的領先優勢，中國也越來越有可能在人工智能驅動的應用產業化方面占據主導地位。中國不僅有先進的商業能力，而且還有一個連貫的國家戰略。中國的技術部門正在達到專業知識、人才和資本的臨界質量，正在重新調整全球經濟的指揮高度（Lucas and Waters 2018）（見圖1）。

中國產業部署的大部分技術創新都是 "漸進式 "的，而不是 "顛覆式 "的，但現在這種情況正在改變。將新興市場聚集在其軌道上，中國前所未有的經濟擴張現在對世界經濟產生了引力（The Economist 2018）。標志性項目，價值數萬億美元的 "一帶一路 "倡議（世界銀行2018年）為圍繞電動汽車、電信、機器人、半導體、鐵路基礎設施、海洋工程以及最終的人工智能的廣泛戰略轉變提供了一個全球平臺（McBride和Chatzky 2019年）。

毫不奇怪，中國已經是國際專利申請的世界領導者（世界知識產權組織2020）。隨著自主機器（Etzioni和Etzioni 2017）、可再生能源基礎設施、量子通信（?iljak 2020）、增強型腦機接口（Putze等人2020）和天基武器（Etherington 2020）的出現，重新思考加拿大國家安全，特別是加拿大國防的性質的壓力正在增加。鑒于技術創新的步伐不斷加快，以及亞洲作為世界貿易中心的崛起（Huiyao 2019），來自國外的技術的影響可能是巨大的。

圖1：按購買力平價計算的國內生產總值預測（以萬億美元計）

2 AI與軍事防御

2.1 AI定義

人工智能的概念已被廣泛討論，但該術語的精確定義仍然是一個移動的目標。與其說人工智能是一項具體的技術或特定的創新，不如說它是一個材料的集合。事實上，即使人工智能技術已經成為廣泛的主流商業應用的基礎，包括網絡搜索、醫療診斷、算法交易、工廠自動化、共享汽車和自動駕駛汽車，人工智能仍然是一個理想的目標。

盡管人工智能領域的研究始于20世紀40年代，但隨著機器學習和計算機處理能力的改進，過去十年對人工智能興趣的爆炸性增長已經加速。人工智能的持續進步被比喻為在人腦中發現的多尺度學習和推理能力。當與大數據和云計算相結合時，預計人工智能將通過將 "智能 "人工智能和機器學習系統與第五代（5G）電信網絡（即物聯網）上的大量聯網設備連接起來，使數字技術 "認知化"。

作為人工智能的一個子集，機器學習代表了人工智能的最突出的應用（見圖2）。機器學習使用統計技術，使機器能夠在沒有明確指令的情況下 "學習"，推動許多應用和服務，改善一系列分析和物理任務的自動化。通過使用數據自動提高性能，這個過程被稱為 "訓練 "一個 "模型"。使用一種算法來提高特定任務的性能，機器學習系統分析大量的訓練數據集，以便做人類自然而然的事情：通過實例學習。

今天，機器學習的最常見應用是深度學習。作為更廣泛的機器學習家族的一部分，深度學習利用人工神經網絡層來復制人類智能。深度學習架構，如深度神經網絡、遞歸神經網絡和卷積神經網絡，支持一系列廣泛的研究領域，包括計算機視覺、語音識別、機器翻譯、自然語言處理和藥物設計。

圖2：人工智能的層級

2.2 加拿大國防部：將人工智能應用于國家安全

安全人工智能位于新興和顛覆性技術（EDT）星座的中心，包括機器人學、基因組學、電池存儲、區塊鏈、3D打印、量子計算和5G電信。在研究層面，美國仍然是人工智能的全球領導者。目前，國家科學基金會每年在人工智能研究方面的投資超過1億美元（國家科學基金會2018年）。國防高級研究計劃局（DARPA）最近宣布投資20億美元用于一項名為AI Next的計劃，其目標是推進上下文和適應性推理（DARPA 2018）。

與過去的原子武器或隱形飛機的技術發展不同，沒有國家會壟斷軍事人工智能。研究人員和領先的商業企業之間廣泛的全球合作意味著人工智能和機器學習的進步可能會在全球范圍內擴散。事實上，人工智能發展的大多數技術進步是由工業界而不是政府推動的。除了市場主導的技術公司，世界各地廣泛的網絡集群正在孵化新一代的商業創新（Li and Pauwels 2018）。因此，許多未來的軍事應用將可能是為商業產業開發的技術的改編。

幸運的是，加拿大一直是人工智能研究前沿的領導者，并繼續通過2017年推出的泛加拿大人工智能戰略下的幾個項目培育一個強大的人工智能生態系統。加拿大政府積極參與人工智能咨詢委員會和各種國際伙伴關系，包括2020年啟動的全球人工智能伙伴關系；人工智能國防伙伴關系，其第二次對話在2021年舉行；以及重疊人工智能驅動的安全和規劃的多邊協議（五眼，北約）。事實上，加拿大的國防政策，"強大、安全、參與"（SSE），反映了加拿大政府對增加年度國防開支的承諾，重點是技術。

目前的聯邦預算包括對人工智能發展的實質性承諾，承諾在10年內投入4.438億美元（Silcoff 2021）。在政府2021年的預算中，1.85億美元將支持人工智能研究的商業化；1.622億美元將用于在全國范圍內招聘頂尖的學術人才；4800萬美元將用于加拿大高級研究所；五年內4000萬美元將旨在加強埃德蒙頓、多倫多和蒙特利爾的國家人工智能研究所的研究人員的計算能力；五年內860萬美元將幫助推進人工智能相關標準的發展和采用（加拿大政府2021年，148）。

2.3 增強加拿大的情報能力

人工智能是一個影響廣泛的商業和軍事技術的模糊領域。像電力或化石燃料一樣，人工智能的廣泛應用意味著人工智能和其他通用技術有能力重新配置現代軍隊的步伐和組織（Bresnahan和Trajtenberg 1995）。從整體上看，人工智能代表了國家安全性質的結構性轉變。出于這個原因，SSE設想了一個未來的軍事態勢，更加注重開發、獲取和整合先進的變革性技術，包括網絡和自主系統。

即使加拿大在傳統聯盟（北美防空司令部、北約和五眼聯盟）中的持續作用仍然是國家安全的基礎，EDT正在從根本上改變沖突的性質。正如格雷格-菲夫（2021年）所觀察到的，人工智能作為戰爭工具的崛起與升級加拿大國家安全架構，特別是加拿大情報部門的日益增長的需求相重疊。技術變革和信息爆炸的復合周期，新的技能組合和新的數據分析戰略對國防規劃的演變變得至關重要。

在數字時代，戰爭正日益成為基于知識的戰爭。隨著沖突進入信息領域，軍事規劃開始重新聚焦于信息/虛假信息行動、網絡行動、情報行動和政治或經濟影響行動。事實上，這種混合戰爭作為一種戰爭工具由來已久，其目的是利用宣傳、破壞、欺騙和其他非動能軍事行動，從內部破壞對手（Bilal 2021）。

網絡仍然是潛在對手、國家代理人、犯罪組織和非國家行為者的一個關鍵目標。這包括對通信、情報和敏感信息的嵌入式監視和偵察。正如Amy Zegart（2021年）所解釋的那樣，技術正在通過極大地擴展數據和信息的獲取，使情報的性質民主化。事實上，今天驅動戰略情報的大部分信息實際上是開放源碼情報（OSINT）或在公共領域。

現代軍隊正變得嚴重依賴安全、及時和準確的數據。隨著數據的急劇膨脹，消化它變得不可能。這種數據爆炸正在推動對新的分析模式和新型網絡工具的需求。在數字時代，安全和情報人員需要新的平臺、新的工具和跨領域工作的新OSINT機構。在這方面，人工智能可能特別有幫助。

隨著數據的重要性增加，在廣闊的數字領域的對抗性競爭也在增加。人工智能和機器學習可以通過篩選巨大的數據庫來極大地提高加拿大的國家情報能力。人工智能不是銀彈。人工智能系統不能產生意義或提供因果分析。然而，人工智能和機器學習可以極大地增強人類在管理數據和數據驅動的分析方面的情報能力。

2.4 增強加拿大軍力

隨著決策者為數據驅動的世界調整其安全態勢，人工智能有望改變軍事沖突的既定模式。DND/CAF面臨的關鍵挑戰之一是數據驅動的網絡重塑指揮和控制系統的速度（Thatcher 2020）。集中式系統的優勢在于其協調人類活動的效率。在指揮系統中，人員和傳感器推動威脅檢測，將信息向決策堆棧上移，以便決策者可以做出適當的反應。數字技術深刻地加速了這個過程。

人工智能在軍事領域的應用可能被證明對傳統的指揮和控制系統具有挑戰性。例如，在美國，五角大樓的第一位首席軟件官最近辭職，以抗議技術轉型的緩慢步伐。在離開國防部職位后的一次采訪中，尼古拉-沙伊蘭告訴《金融時報》，美國未能對技術變革和其他威脅作出反應，使國家的未來面臨風險（Manson 2021）。

除了變化的速度緩慢，軍事指揮和控制系統的集中性意味著單點故障提供了脆弱的攻擊點。指揮機關和自動或人類控制者往往容易受到利用不良或欺騙性信息的對抗性技術的影響，甚至自上而下的決策在適應復雜的突發挑戰方面也會很緩慢。

神經形態計算、生成式對抗網絡（GANs）、人工智能決策支持、數據分析和情報分析方面的新創新在增強軍事行動的結構和進程方面可能會產生巨大影響。機器學習算法的快速發展已經在商業和軍事領域引發了一波投資熱潮。

超越對損耗和動能攻擊的傳統關注，轉向基于加速和適應的新方法，數據驅動的技術可能是促成國家安全性質徹底轉變的關鍵。人工智能不是一種單一的技術。相反，它是一類可以在一系列軍事和商業應用中整合的技術。這些技術不斷演變的基礎是數據。

數字技術現在由數據推動，并將繼續推動創造越來越多的數據驅動的技術--特別是人工智能。數據是訓練人工智能和先進機器學習算法的基礎。數據既是大規模運行的數字系統產生的 "操作廢氣"，也是機器對數據輸入作出反應的過程，它現在推動了機器的 "自主性"。

數據驅動的技術支撐著現代社會的核心社會和經濟功能，涵蓋了基礎設施、能源、醫療保健、金融、貿易、運輸和國防。隨著5G網絡的全球推廣，預計在高度健全的全球信息網絡中創建、收集、處理和存儲的數據將出現爆炸性增長。根據市場研究公司IDC的數據，目前全球數據正以每年61%的速度增長（Patrizio 2018）。預計到2025年，數據將達到175 zettabytes（一萬億吉字節），改變數字經濟的性質和規模（同上）。

出于這個原因，DND/CAF將數據提升到國家資產的水平是明智的。這對經濟增長和加拿大國防都至關重要。將數據作為國家資產加以保護和利用，將意味著重新思考目前構成當代數據架構的大型集中式數字基礎設施。可以肯定的是，網絡時代的數據安全應該是分散的和聯合的，以避免集中式系統的脆弱性。

3 武器化AI：致命的自治系統

關于技術破壞的傳統預測往往會犯一個錯誤，即假設這種規模的系統變化只是以一對一的方式取代舊技術。在現實中，這種規模的顛覆往往會不成比例地取代舊的系統，使其具有巨大的新的架構、界限和能力（Arbib和Seba 2020）。

正在進行的人工智能武器化正在助長一場全球軍備競賽，有望重塑加拿大國防戰略的輪廓。事實上，世界上許多國家在人員系統自動化、設備維護、監視系統以及無人機和機器人的部署方面已經遠遠領先（斯坦利和平與安全中心、聯合國裁軍事務廳和史汀生中心2019）。從美國到俄羅斯到以色列再到中國，軍事研究人員正在將人工智能嵌入網絡安全舉措和支持遠程手術、戰斗模擬和數據處理的機器人系統。

以先進的物流、半自動車隊、智能供應鏈管理和預測性維護系統的形式將人工智能應用于軍事行動代表了人工智能的近期應用（Perry 2021）。然而，能夠在陸地、海洋、空中、太空和網絡領域針對個人（無論是否需要人類干預）的自主武器的演變代表了軍事沖突的可能未來（見圖3）。事實上，近100個國家的軍隊目前擁有某種程度的武裝或非武裝無人機能力（Gettinger 2019）。

圖3:全球無人機激增

商業無人機技術在采礦、農業和能源領域的縱橫捭闔，正在助長無人機技術的廣泛擴散。正如最近亞美尼亞和阿塞拜疆之間的沖突所表明的那樣，一群相對便宜的自主和半自主無人機可以被利用來壓倒傳統的軍事系統，使一系列當代平臺變得過時（Shaikh和Rumbaugh 2020）。輕型、可重復使用的武裝無人機，如土耳其的Songar（Uyan?k 2021）可以配備一系列有效載荷，包括迫擊炮、手榴彈和輕機槍。最近對沙特阿拉伯的Abqaiq石油加工設施（Rapier 2019）和俄羅斯的Khmeimim空軍基地（Hambling 2018）的攻擊反映了軍事無人機在不同戰場環境中的應用越來越多。

致命自主武器系統（LAWS）被定義為可以在沒有人類授權的情況下選擇和攻擊目標的武器，它被設計為在獨立識別目標之前在指定的行動區域內長期徘徊。多個無人機或機器人可以并行運作，以克服對手的防御或摧毀一個特定目標。開發人員傾向于將致命性武器系統分為三大類，即觀察、定位、決定和行動（OODA）循環（見圖4）。這些類別包括。"循環中的人"、"循環中的人 "和 "循環外的人"。這種區分也被框定為 "半自主"、"受監督的自主 "和 "完全自主 "的技術系統。不幸的是，受監督的致命性自主武器系統和完全自主的致命性自主武器系統之間的區別，可能只是一個軟件補丁或一個監管程序。

圖4：OODA環

隨著致命性自主武器系統和其他數據驅動的技術變得更便宜和更廣泛，它們可能會給廣泛的國家和非國家行為者提供平臺和工具，以新的和破壞性的方式利用人工智能和機器學習。除了收緊OODA循環外，軍事人員將需要了解人工智能在加速OODA循環方面的影響，以確定在特定情況下哪種模式最合適。

3.1 網絡平臺

鑒于EDT的范圍和規模，認為我們可以簡單地保持從上個世紀繼承的系統和做法是錯誤的。正如英國查塔姆研究所2018年的一份報告所警告的那樣，美國、英國和其他核武器系統正變得越來越容易受到網絡攻擊（Unal and Lewis 2018）。這些擔憂是有根據的。人工智能和EDT的擴散一起，幾乎肯定會通過利用人工智能和自主系統的規模效應，為小國和非國家行為者帶來好處。

對于許多北約國家來說，網絡平臺已經成為多領域行動的關鍵--海、空、陸、網絡和空間。大規模的網絡使得在復雜環境中可視化和協調大量資源成為可能。在5G電信和云計算的基礎上，信息系統現在可以有效地收集、傳輸和處理大量的戰場數據，提供實時數據分析。

連接設備正在成為協調空襲、駕駛無人機、消化戰斗空間的實時視頻和管理高度復雜的供應鏈的關鍵。在英國，國防數據框架提供了一個結構，以解決軍事組織與數據驅動的企業需求相一致的挑戰（Ministry of Defence 2021）。從戰略到通信到后勤到情報，數字平臺現在是協調復雜軍事行動的基礎。數據現在是所有作戰領域的命脈。

在一個數字化的戰斗空間中，每個士兵、平臺和資源現在都是一個復雜軍事網絡中的節點。從20世紀90年代以網絡為中心的美國軍事行動開始，數字技術已經成為先進武器、戰術和戰略的基礎。從戰場態勢感知和自主無人機到精確制導彈藥和機器驅動的心理行動，網絡正在使戰爭進入網絡時代。

在集中式機構對工業時代至關重要的地方，平臺和網絡正在成為數字時代的關鍵。人工智能本質上是一種 "自下而上 "的技術，依靠不斷 "喂養 "大量的數據來支持機器學習作為 "學習引擎"。隨著數字生態系統的激增，網絡平臺和它們所依賴的數據管理系統成為管理不斷擴大的資源和人員的關鍵。

與金融部門一樣，DND應該尋求區塊鏈等DLT，以加速加拿大軍隊的數字化轉型。通過在分散的網絡中橫向分配數據，CAF區塊鏈可以幫助減少官僚化系統固有的限制和脆弱性。DLT提供了一個高度分散的驗證系統，可以確保所有的通信和數據傳輸免受對手的攻擊，同時消除集中式節點的潛在故障。

3.2 無人機群和機器人技術

人工智能在軍事規劃中的應用正在迅速推進，許多國家在部署無人機和機器人方面已經取得了很大進展。事實上，無人機技術的全球擴散正在順利進行中。

世界各地的軍隊正在加速開發或采購攻擊型無人機（見圖5）。俄羅斯的 "閃電"（BulgarianMilitary.com 2021）、西班牙的Rapaz8以及英國、9美國10和以色列11的各種無人機項目共同代表了軍事技術新時代的早期階段。與工業時代的軍事技術不同，無人機可以以低成本獲得，并需要相對較少的技術技能。

無人機群技術涉及微型/迷你無人機/無人駕駛飛行器或無人機群，利用基于共享信息的自主決策。事實上，當代軍用無人機已經可以被設計成在沒有人參與的情況下定位、識別和攻擊目標。利用蜂群技術，數以百計的非武裝無人機可以從現場收集信息，同時用各種武器（即火器、火炮和/或彈藥）引導數以千計的無人機。

正如簡短的視頻 "Slaugherbots "所展示的那樣，完全自主的武器將使瞄準和殺死獨特的個人變得非常容易和便宜。在面部識別和決策算法的基礎上，國家和非國家行為者都可以廣泛使用致命性武器。數以千計的相對便宜的無人機配備了爆炸性的彈頭，有可能壓倒防空系統，攻擊基礎設施、城市、軍事基地等等。

圖5：無人機對比

3.3 馬賽克戰爭

無人機群壓倒加拿大軍事設施的威脅，以及對關鍵基礎設施的網絡攻擊或在衛星傳感器檢測到威脅時自動發射的高超音速導彈，代表了一個令人不安但越來越可能的未來。從復雜性科學和對昆蟲的研究中產生的，使用無人機來支持 "集群情報 "代表了一個加速戰爭節奏的新工具集。

為了應對這種不斷變化的環境，DARPA提出了 "馬賽克戰爭"的概念。馬賽克戰爭的中心思想是，模塊化系統可以成為應對高度網絡化環境的廉價、靈活和高度可擴展的工具。就像馬賽克中的瓷片一樣，單個作戰平臺可以被設計成高度可配置的。編隊利用分散的代理在 "殺戮網 "上進行重新配置。殺戮網的目標是避免 "單體系統 "的結構僵化。

與傳統戰爭中需要的復雜棋局不同，馬賽克戰爭利用數字網絡，利用模塊的靈活性和增強的決策（時間壓縮）加快動態響應時間。像自然界中的復雜系統一樣，殺傷性網絡使用算法來消除單點故障，通過模塊化設計加速反應時間。

從主導地位（預測）轉向加速反應（適應），"馬賽克戰爭 "旨在支持混合軍事單位，利用 "決策棧 "上下的橫向網絡。人工智能、無人機、傳感器、數據和人員結合在一起，為地面上的作戰指揮官提供支持，使小型編隊能以更快的速度獲得情報、資源和后勤資產。

像 "馬賽克戰爭 "這樣的模塊化系統表明，未來的戰爭將越來越多地利用現在驅動戰爭游戲和模擬的計算、數據分析和算法。推動高度流動、游戲化和不可預測的環境，未來的人工智能系統可以將戰爭加速到一個隨著結果范圍的擴大而變得極其密集的計算速度和節奏。

DARPA最近的AlphaDogfight（2019-2020年）為這一新現實提供了一個窗口。使用復雜的F-16飛行模擬器讓計算機與有經驗的人類飛行員對決，試驗的目的是為DARPA的空戰進化計劃推進人工智能開發者。毫不奇怪，F-16人工智能代理通過積極和精確的機動性擊敗了人類飛行員，而人類飛行員根本無法與之相提并論，五局為零。

4 對抗性攻擊

人工智能的武器化也在激起對抗人工智能系統的新戰略和方法。正如網絡行動（無論是間諜活動還是攻擊）可以指示計算機網絡或機器以它們不打算的方式運行，對手也可以對人工智能系統使用同樣的策略。這個過程被稱為對抗性機器學習，旨在找出機器學習模型的弱點并加以利用。攻擊可能發生在開發或部署階段，包括通過提供欺騙性輸入（例如，"毒化"數據）或針對模型本身來誤導模型。

這些方法在國家安全環境中特別危險，因為在許多情況下，它們是微妙的，人類無法察覺。此外，具有挑戰性的是，對手不一定需要對目標模型的具體知識或直接訪問其訓練數據來影響它。隨著人工智能系統變得更加普遍，更多的人可以接觸到，對手的吸引力和攻擊機會將增加。

4.1 攻擊數據

攻擊者可能試圖修改訓練數據或測試數據。這是通過創造對抗性樣本來實現的，這些樣本被故意 "擾亂 "或改變并提供給模型，從而導致錯誤。例如，通過改變洗衣機圖像的分辨率，研究人員能夠欺騙一個模型，將機器分類為 "安全 "或 "擴音器"（Kurakin, Goodfellow and Bengio 2017）。對人的眼睛來說，對抗性圖像看起來幾乎是一樣的。

在國家安全方面，對手可能會試圖使用同樣的技術來暗示武器系統實際上是一個社區中心。如果這是在孤立的情況下發生的，那么這個問題很可能被識別和解決。如果對手的樣本被長期大規模使用，這可能成為一個重大的挑戰，并影響對情報收集系統的信任。

此外，一些對手可能并不精確--或有技能--并可能試圖迫使一個模型對整個類別而不是特定類別進行錯誤分類。由于我們在國家安全環境中越來越依賴計算機圖像，并不總是能夠實時或在有爭議的空間進行驗證，因此在這種攻擊中出現誤判的風險是很大的。

高后果的人工智能系統并不是對抗性攻擊的唯一目標。受對抗性樣本影響的人工智能系統可以包括生物識別，其中假的生物特征可以被利用來冒充合法用戶，語音識別中攻擊者添加低量級的噪音來混淆系統（Zelasko等人，2021）和計算機安全（包括在網絡數據包中混淆惡意軟件代碼）。

由于DND/CAF尋求通過部署人工智能系統來提高效率--如軍艦上的語音助手（McLeod 2019）--必須在部署前評估對抗性使用的風險并制定對策。

4.2 攻擊模型

除了改變輸入，另一種攻擊方法可用于逆向工程模型以獲取訓練數據（Heaven 2021）。由于機器學習模型對訓練數據的表現比新的輸入更好，對手可以識別目標模型預測的差異，并與包括個人身份信息在內的已知數據相匹配（Shokri等人，2017）。隨著機器學習即服務變得越來越多--而且在許多情況下，被用作開發更復雜的能力的基礎--DND將需要仔細審查國家安全系統的數據泄漏風險。這甚至適用于看似無害的系統，如語音助手。

人工智能系統的弱點的例子很多（Hadfield-Menell等人，2017）。這些例子包括吸塵器將收集到的灰塵彈回它剛打掃過的地方，以便它能收集更多的灰塵，或者數字游戲中的賽艇在原地循環以收集分數，而不是追求贏得比賽的主要目的。雖然這些例子沒有生命危險，但同樣的技術--被稱為獎勵黑客（當一個模型被指示使其目標函數最大化，但卻以非故意的方式進行）--可以被用于更嚴重的效果。

從旨在用固定的訓練數據解決 "單步決策問題 "的機器學習過渡到解決 "順序決策問題 "和更廣泛的數據集的深度機器學習，將使對抗性攻擊更難發現。這種威脅是如此之大，以至于美國情報高級研究項目活動正在資助一個項目，以檢測木馬人工智能對已完成系統的攻擊。令人擔憂的是，政府可能會在不知情的情況下操作一個產生 "正確 "行為的人工智能系統，直到出現 "觸發 "的情況。例如，在部署過程中，對手可能會攻擊一個系統，并在更晚的時候才導致災難性的故障發生。這些類型的攻擊可能會影響到圖像、文本、音頻和游戲的人工智能系統。

4.3 防御和反制措施

正如對抗性樣本可以用來愚弄人工智能系統一樣，它們可以被納入訓練過程中，以使它們對攻擊更加強大。通過對最重要的國家安全人工智能系統進行清潔和對抗性數據的訓練--要么給它們貼上這樣的標簽，要么指示一個模型將它們分離出來--更大的防御是可能的。但是，復雜的對手很可能會自行躲避這種防御方法，而使用額外的戰術進行深度防御將是必要的。

GANs有各種各樣的用例，從創建深度假說到癌癥預后（Kim, Oh and Ahn 2018）。它們也可用于防御對抗性攻擊（Short, Le Pay and Ghandi 2019），使用一個生成器來創建對抗性樣本，并使用一個判別器來確定它是真的還是假的。一個額外的好處是，使用GANs作為防御，實際上也可能通過規范數據和防止 "過度擬合 "來提高原始模型的性能（IBM云教育2021）。

對抗性攻擊和防御模型進行基準測試--如使用GANs--是一種全面的對策，可以對AI系統進行比較。這種方法為制定和滿足安全標準提供了一個量化的衡量標準，并允許評估人工智能系統的能力和限制。

作為這個測試和評估過程的一部分，博弈論可能有助于建立對手的行為模型，以確定可能的防御策略。由于人工智能系統無法在傳統的信息安全意義上進行 "修補"，因此在部署前應仔細分析針對國家安全人工智能系統的對抗性攻擊的風險，并定期進行審查。此外，訓練有素的模型--特別是那些關于機密數據和最敏感應用的模型--應該得到仔細保護。

5 關于人工智能的全球治理

數據驅動的戰爭的速度和范圍表明，我們正在進入一個新的時代，其中致命性武器系統的潛力--無論是否有人類參與--都可能極大地改變全球力量平衡。從殺手級無人機和人機合作到增強的軍事決策（殺手2020），人工智能技術將使世界各國軍隊投射力量的能力大大增加。正在進行的人工智能武器化也與空間武器化相重疊（《經濟學人》2019年），因為低地球軌道（LEO）日益成為軍事監視、遙感、通信、數據處理（Turner 2021）和彈道武器（Sevastopulo和Hille 2021）的操作環境。

人工智能與低地軌道和致命性自主武器系統的興起，代表了全球安全性質的一個關鍵轉折點。為此，世界各地的學術研究人員、技術企業家和公民都對人工智能的軍事化所帶來的危險表示擔憂。正如他們正確地指出的那樣，在規范負責任地開發和使用人工智能的規范和法律方面缺乏國際共識，有可能造成未來的危機。

5.1 戰爭法則

除了我們在科幻小說中經常看到的對人工智能的夸張描述，重要的是建立適當的制衡機制，以限制人工智能技術可能提供的權力集中。關于管理人工智能和其他數字技術的共同國際規則和條例將塑造未來幾十年的戰爭和沖突的輪廓。在軍事人工智能的發展中制定護欄，對于減少未來沖突的可能性至關重要。

加拿大和其他北約國家積極參與這一討論可能是未來全球和平與安全的關鍵。在發動戰爭的條件（jus ad bellum）和戰爭中的人工智能行為（jus in bello）方面，規范人工智能使用的戰爭法仍有待確定。鑒于美國和中國之間不斷擴大的競爭，需要制定關于致命性自主武器系統的使用及其擴散的條約是再及時不過了。

正如北約所觀察到的，加拿大及其盟國應尋求促進、參與和建立合作機會，以支持開發和應用人工智能和其他EDT的廣泛、全面的架構（北約新興和顛覆性技術咨詢小組2020）。盡管面臨著艱巨的挑戰，全球治理在規范軍事人工智能方面可以發揮重要作用。盡管對人工智能及其武器化有不同的看法，但過去的談判可以作為未來條約的基礎，特別是在定義戰爭規則方面。這包括關于常規武器、核軍備控制、生物和化學武器、地雷、外層空間和平民保護的條約（見圖6）。

到目前為止，《聯合國特定常規武器公約》（CCW）已經監督了一個討論應對自主武器帶來的人道主義和國際安全挑戰的進程。已經提出了一系列監管致命性自主武器系統的潛在方案，包括《特定常規武器公約》下的一項國際條約，一個不具約束力的行為準則，宣布各國承諾負責任地開發和使用致命性自主武器系統。在聯合國之外，2013年發起了 "停止殺手機器人 "運動，目標是完全禁止致命性自主武器系統。

聯合國秘書長安東尼奧-古特雷斯強調了人工智能和其他數字技術的風險和機遇（聯合國2020），并呼吁禁止致命性自主武器系統（古特雷斯2021）。不幸的是，聯合國成員國，特別是聯合國安理會的觀點存在分歧，一些國家認為監管是民族國家的專屬權限，而另一些國家則側重于更多部門的做法。除了人工智能的武器化，在圍繞人權、算法偏見、監控（公共和私人）以及國家支持的或國家支持的網絡攻擊等問題上也存在廣泛的分歧。

對于世界上的主要軍事大國來說，缺乏互信仍然是追求人工智能集體軍備控制協議的一個重大障礙。即使相當多的國家支持提供新的具有法律約束力的條約，禁止開發和使用致命性自主武器，但世界上大多數主要軍事大國都認為人工智能的武器化具有重大價值。鑒于這些分歧，致命性自主武器系統的多邊管理將需要建立信任措施，作為打開政治僵局的軍控進程的手段。

走向平凡的監管 也許制定管理人工智能的政策和監管制度的最具挑戰性的方面是難以準確地確定這些制度應該監管什么。與生物和化學武器不同，人工智能大多是軟件。事實上，人工智能是一個移動的目標：40年前被定義為人工智能的東西，今天只是傳統的軟件。

人工智能是一個模糊的技術領域，影響著廣泛的商業和軍事應用。例如，機器學習算法是搜索引擎（算法排名）、軍用無人機（機器人技術和決策）和網絡安全軟件（算法優化）的成分。但它們也支撐著平凡的行業，甚至兒童玩具（語義分析、視覺分析和機器人技術）、金融軟件和社交媒體網絡（趨勢分析和預測分析）。

與屬于這些平凡的監管領域的產品和流程一樣，人工智能技術不是被設計成最終實體，而是被設計成在廣泛的產品、服務和系統中使用的成分或組件。例如，一個 "殺手機器人 "不是一種特定技術的結果。相反，它是人工智能 "成分 "重新組合的結果，其中許多成分也被用來檢測癌癥或增加駕駛者的安全。

雖然人們傾向于使用一個專門的不擴散鏡頭來監管人工智能，但雙重用途的挑戰仍然存在。與核擴散或轉基因病原體不同，人工智能不是一種特定的技術。相反，它更類似于一個材料或軟件成分的集合。與大多數二元的核不擴散鏡頭相比，可以在食品監管中找到更相關（盡管不那么令人興奮）的監管模式的靈感，特別是食品安全和材料標準（Araya和Nieto-Gómez 2020）。

5.2 治理人工智能

鑒于對人工智能進行全面監管存在重大的概念和政治障礙，治理仍然是一項艱巨的挑戰。一方面，如果我們把人工智能理解為一系列復制人類活動的技術實踐，那么就根本沒有一個單一的領域可以監管。相反，人工智能的治理幾乎重疊了每一種使用計算來執行任務的產品或服務。另一方面，如果我們將人工智能理解為大幅改變人民和國家之間權力平衡的基礎，那么我們就會面臨重大挑戰。

幸運的是，這并不是民族國家第一次面臨影響全球安全的新技術。在第二次世界大戰之后，世界上最強大的國家--美國、英國、蘇聯、中國、法國、德國和日本--對核武器、化學制劑和生物戰的全球治理進行監督。當時和現在一樣，世界必須采取集體行動來治理人工智能。

與冷戰時期一樣，包括定期對話、科學合作和分享學術成果在內的建立信任措施可以幫助減少地緣政治的緊張。為管理軍事人工智能帶來的風險制定一個共同的詞匯，可以為隨著時間的推移制定更有力的人工智能多邊條約提供基礎。

在這方面，經濟合作與發展組織（OECD）已經公布了其關于人工智能的建議，作為一套政府間標準，于2020年2月啟動了人工智能政策觀察站。加拿大和法國政府還與經合組織一起領導了一個全球人工智能伙伴關系（GPAI），旨在成為一個人工智能政策的國際論壇。GPAI的成員專注于以 "人權、包容、多樣性、創新和經濟增長原則 "為基礎的負責任的人工智能發展。

除了GPAI，一些歐洲國家已經呼吁歐盟成員開始一個關于負責任地使用新技術的戰略進程--特別是人工智能。美國已經邀請盟國討論人工智能的道德使用問題（JAIC公共事務2020）。北約已經啟動了一個進程，鼓勵成員國就一系列道德原則和具有軍事用途的電子技術關鍵領域的國際軍備控制議程達成一致（Christie 2020；NATO 2020）。認識到EDT對全球安全的深遠影響，北約于2019年12月推出了EDT路線圖（北約科技組織2020）。

從整體上看，二十一世紀需要進行正式監管。從長遠來看，這很可能包括尋求與禁止生物武器、化學武器和殺傷人員地雷一樣的人工智能條約。然而，鑒于人工智能的創新速度和世界超級大國之間日益擴大的分歧，就人工智能的全球治理進行談判的機會之窗可能正在關閉。

圖6:人工智能的全球治理

6 結論：走向國家創新體系

即使在工業時代即將結束的時候，技術創新也在加速進行（Araya 2020）。自從大約80年前誕生以來，人工智能已經從一個神秘的學術領域發展成為社會和經濟轉型的強大驅動力。人工智能在戰爭中的整合被一些軍事分析家描述為一個不斷發展的 "戰場奇點"（Kania 2017）。在 "技術奇點"（Schulze-Makuch 2020）的概念基礎上，人們越來越多地猜測，人工智能和機器人將超越人類的能力，有效地應對算法驅動的戰爭。

人工智能和其他EDT的演變正在將先進的數據、算法和計算能力匯集起來，以 "認知 "軍事技術。在這種新環境下，現代軍隊正變得嚴重依賴提供安全、及時和準確數據的網絡。數據已經成為數字系統的 "作戰用氣 "和驅動 "智能機器 "的原料。隨著數據重要性的增加，在廣闊的數字領域的對抗性競爭也在增加。事實上，數據的真正價值在于其推動創新的數量和質量。

正如北約關于EDT的年度報告（北約新興和顛覆性技術咨詢小組2020）明確指出，要想跟上技術變革的步伐，就必須在技術的開發、實驗和應用方面保持靈活性和快速迭代。整個CAF的創新能力必須是一個更廣泛的創新生態系統的一部分，該系統有效地整合了公共和私人生態系統的研究和實施。這包括與加拿大工業界合作利用雙重用途的GPT的明確目標，以便利用已經存在的技術。

這種多領域的合作在歷史上被定義為國家創新體系（NSI）（OECD 1997）。事實上，NSI政策和規劃可以采取多種形式，從松散的協調到高度整合的伙伴關系。在美國（Atkinson 2020）、中國（Song 2013）和歐洲（Wirkierman, Ciarli and Savona 2018）應用的各種NSI規劃模式表明，在最大化政府-產業-研究伙伴關系方面可以找到大量的經濟和社會回報。政府應通過稅收優惠、采購和研究資金以及戰略規劃，努力建設加拿大的技術能力。但它不能單獨行動。

國家創新必然取決于機構參與者在一個共享的生態系統中進行合作。出于這個原因，一個協調的加拿大國家統計局將需要在推動長期創新的過程中，人們和機構之間的技術和信息的相互流動。鑒于EDT的許多創新是由工業界主導的，推進公私伙伴關系對加拿大軍隊的發展至關重要。對于國防部/加拿大空軍來說，要推進適合數字時代的軍隊，政府、工業界和學術界將需要以更綜合的方式進行合作。

建立一個強大的加拿大創新生態系統將意味著更廣泛的公私合作和持續的知識和資源的再培訓、培訓和孵化。盡管開發尖端人工智能需要人力資本投資，但大多數人工智能應用現在可以通過開源許可獲得，即使核心學習算法可以在公共平臺和整個學術生態系統中獲得。這種 "開放一切 "環境的影響是對封閉的等級制度和深思熟慮的官方機構的實質性挑戰。

政府程序和規劃將需要適應加速的創新生命周期，以配合EDT積極的淘汰周期。除了與網絡技術相關的巨大的不對稱安全風險外，向數據驅動型軍隊的轉變將需要大量關注數據安全和數據治理。與進行傳統的國家間沖突所需的大量成本和規劃不同，網絡攻擊的破壞性影響可以由僅有一臺個人電腦的小團體對關鍵基礎設施發動。鑒于未來不斷增加的挑戰，大型官僚機構（公司、政府、學術和軍事）的設計變化是不可避免的。

除了對新的和不同的知識、資源和專長的需求，加拿大政府和加拿大軍方將需要平衡硬實力和不斷變化的地緣政治格局的需求。在美國占主導地位的時代之外，二十一世紀正被一個以技術民族主義和后布雷頓森林體系為特征的多極體系所塑造。面對一個快速發展的數字時代，國際合作將是確保和平與安全的關鍵。信息共享、專家會議和多邊對話可以幫助世界各民族國家及其軍隊更好地了解彼此的能力和意圖。作為一個全球中等國家，加拿大可以成為推動這一努力的主要伙伴。

國際治理創新中心（CIGI）

國際治理創新中心（CIGI）是一個獨立的、無黨派的智囊團，其經同行評議的研究和可信的分析影響著政策制定者的創新。其全球多學科研究人員網絡和戰略伙伴關系為數字時代提供政策解決方案，目標只有一個：改善各地人民的生活。CIGI總部設在加拿大滑鐵盧，得到了加拿大政府、安大略省政府和創始人吉姆-巴爾西利的支持。

博弈論提供了一些分析工具，旨在幫助人們更全面地理解決策者互動時出現的現象。博弈描述了玩家之間的戰略互動，他們在利益的指引下，意識到自己的行動會影響到對方。所有博弈論模型中的基本實體是玩家。博弈者可以被理解為一個人、一群人或任何類型的組織，甚至是面臨決策挑戰和機會的國家或聯盟。在這方面，"能力 "這一概念為優化國防資源分配所需的規劃 "游戲 "要素提供了維度和變量。本文開發的模型側重于在假設的能力上分配可用的國防資源，以實現對國家安全的最佳響應。參與國防資源管理的戰略決策者與國家安全威脅之間的競爭是一種博弈。

引言

戰爭是一種代價高昂的經濟活動。博弈論提供了一些分析工具，旨在幫助人們更全面地理解決策者互動時發生的現象。博弈描述了參與者之間的戰略互動，他們以自己的利益為導向，并意識到他們的行動會影響對方。所有博弈論模型中的基本實體是玩家。博弈者可以被理解為一個人、一群人或任何類型的組織，甚至是需要做出決定的國家或聯盟。

為了描述一個理論博弈，我們需要明確四個基本要素：玩家、行動、報酬和信息。Rasmussen用PAPI的縮寫來指代這些要素[2]。

為了在博弈論的基礎上建立一個能夠描述最佳防御資源分配的模型，并確定規劃的 "游戲"要素，需要對 "防御能力 "有一個全面的概念性理解。

澳大利亞國防軍將 "防御能力 "定義為 "在指定的環境中，在指定的時間內達到預期的作戰效果，并在指定的時間內保持這種效果的能力"[3]。這包括多種投入的綜合效果，如：人員、組織、訓練、主要系統、物資。美國國防部將軍事能力定義為 "在規定的標準和條件下，通過執行一系列任務的手段和方法的組合，達到預期效果的能力"[CJCSI/M 3010系列]。它包括四個主要部分：部隊結構、現代化、戰備和可持續性。

這兩個定義都是圍繞著 "效果 "的概念。這使我們想到一個問題："在有限的可用資源（如分配的國防預算）的壓力下，在設計了某些能力以應對某些威脅后，可以采取什么決定來最大化一般的安全效果？"

本文建立的模型側重于在假定的能力上分配可用的國防資源，以實現對國家安全的最佳反應。參與國防資源管理的戰略決策者與國家安全威脅之間的競爭是一種博弈。

引言

俄羅斯總統弗拉基米爾·普京宣布 2021 年為俄羅斯科技年，11 月被命名為人工智能 (AI) 月，這表明俄羅斯領導層對這一總括性術語的濃厚興趣。俄羅斯國防部門尤其被這些人工智能技術相關機遇所吸引。近年來，人工智能、機器人技術以及將自動化和自主性進一步整合到武器系統和軍事決策中，都被強調為俄羅斯武裝部隊現代化的優先事項。

2017 年，普京有句名言：“人工智能是未來，不僅是俄羅斯，也是全人類……誰成為這一領域的領導者，誰就成為世界的統治者”。引用這句話，分析人士經常將俄羅斯的發展歸因于、測試和使用武器化的 AI 來與當前領先的 AI 開發商：美國和中國在所謂的全球 AI 競賽或全球技術競賽中競爭的必要性。雖然認為競爭和追趕的需求是俄羅斯動機的一部分，但它對軍事人工智能的興趣不應僅僅歸因于對相對實力的追求。要了解俄羅斯圍繞人工智能、自治和自動化的辯論的深度和復雜性，需要審查有關其對俄羅斯軍隊的戰略影響、自治的好處和風險，以及更廣泛地說技術現代化和技術現代化的重要性的討論。俄羅斯在世界上的地位的創新。

本報告旨在概述面向國際受眾的不同概念和動機，這些概念和動機一直并正在指導俄羅斯政治和軍事領導人實現其追求武器化人工智能的雄心。首先，它概述了俄羅斯軍隊追求人工智能、自主和自動化背后的各種外部和內部因素。其次，它介紹了俄羅斯在這一領域的一些計劃、對其能力的了解以及加強這些計劃所面臨的挑戰。第三，它深入探討了俄羅斯關于自主，特別是自主武器系統的辯論，以及關于開發所謂的“殺手機器人”或自主戰斗機器人的倫理討論，這是一個經常使用的術語在俄語文學中。

該分析基于對開源材料的調查，包括媒體報道、新聞稿、官方聲明和演講、同行評議的文章和智囊團報告，以及俄羅斯軍事期刊上的出版物。作者希望將其作為正在進行的博士研究項目的第一步，以及對新興的關于俄羅斯如何看待武器化 AI 的英語文獻做出貢獻。

概念注釋

本報告分析了自主、自動化和人工智能的概念——這三個術語在俄羅斯和國外經常相互混淆。值得從探索這些概念開始。自動化是一種基于特定動作或規則序列將任務委派給機器的方式，從而使流程更具可預測性。自動化系統是“根據預編程腳本執行具有定義的進入/退出條件的任務”。自主性是一個更復雜的過程，廣義上的意思是“對機器進行編程以執行通常由人員執行的某些任務或功能人類”，但沒有詳細的規則，因此更難以預測。人工智能可以定義為“數字計算機或計算機控制的機器人執行通常與智能相關的任務的能力。” 人工智能及其子集，例如機器學習，以及其在計算機視覺、面部和聲音識別等方面的應用，可用于實現武器系統更高水平的自動化和自主性。自主武器系統通常被定義為“一旦啟動，無需人工操作員進一步干預即可選擇和攻擊目標的機器人武器系統。” 聯合國安理會 2021 年 3 月發布的一份報告表明，土耳其制造的 Kargu-2在利比亞內戰期間，游蕩彈藥系統被編程為以自主模式選擇和攻擊目標。這被世界各地的媒體描述為首次使用致命的“殺手機器人”。但是，尚不清楚該系統在攻擊時是否真正自主運行。

【在人工智能進步的幫助下，武器系統可以在自主范圍內進一步發展，承擔更多任務，并最終在戰場上取代人類】

圖1. 武器系統的自主性

同時，這些領域之間的能力并不總是相同的。在俄羅斯的案例中，自動化和無人機器人系統的開發比集成更現代的基于機器學習的系統更先進。俄羅斯軍事文獻中經常提到的“自動化”（автоматизация）過程——其他術語包括“機器人化”（роботизация）、“智能化”（интеллектуализация）或“數字化”（дигитализация）并不是一個新現象。 俄羅斯在自動化和遠程控制武器系統方面的能力相對優于其在人工智能總稱下整合機器學習和廣泛技術的其他子元素的能力。許多軍事決策者和分析人士的立場是，借助人工智能的進步，武器系統可以在自主范圍內進一步發展，承擔更多任務，并最終在戰場上取代人類。

摘要

幾十年來，政治科學家和國家層面的軍方政策制定者一直在戰略層面使用博弈論，但對其在作戰層面的使用幾乎沒有評論。傳統上，三個主要挑戰阻礙了規劃人員和分析人員在作戰層面使用博弈論，即復雜的作戰環境、參與者的動態交互以及大多數陸軍參謀人員不具備使用復雜數學技能。

這本專著表明，這些挑戰是可以克服的，博弈論可以在規劃過程中提供新穎的見解。美陸軍參謀部規劃人員可以在作戰層面有效地使用基本博弈論和簡單的數學來了解作戰環境、了解行動者及其動機，并在軍事決策過程中比較行動方案。本專著展示了如何避免高級博弈論用于解決理論問題的繁瑣數學程序，而是專注于使用基本博弈論在規劃過程中提供價值。它通過回顧博弈論在戰略層面的應用、教授基本博弈論和涵蓋一些基本博弈概念來展示博弈論的實用性。然后，它考察了一場歷史性的行動，以展示博弈論的使用將如何達到另一個推薦行動方案和結果，也許會改變歷史進程。最后，它通過將博弈論應用于軍事決策過程、任務分析和行動制定過程的兩個步驟的練習，提供了使用博弈論的指南。

引言

幾十年來，戰略規劃者和政策制定者在戰略層面有效地應用了博弈論，但軍事從業者往往不在作戰層面使用它。當約翰·馮·諾依曼和奧斯卡·摩根斯坦在 1940 年代初在蘭德公司工作期間發展博弈論時，他們尋求一種數學方法來為沖突領域，特別是經濟沖突提供解決方案。他們于 1944 年發表了開創性的著作《博弈論與經濟行為》

博弈論允許通過將場景建模為簡化的博弈來分析決策。博弈論試圖定義參與者、策略——或可供他們選擇的選項——以及博弈結果的預期回報。它試圖澄清由于參與者的選擇而導致的不確定性。它的主要用途是它認識到結果是通過多個參與者的互動共同決定的，而不僅僅是一個人自己決定的結果，它允許分析對手可能會做什么。由于這些原因，政策制定者和戰略家使用博弈論來理解戰略問題，例如核對手、貿易慣例、內戰解決和裁軍以及缺乏國際合作，從而制定政策建議以幫助解決這些問題

作戰層面的規劃者是否可以有效地應用博弈論仍然是一個懸而未決的問題。在作戰層面使用博弈論的批評者強調了動態交互的復雜性。他們指出，培訓軍官了解博弈論的基本概念并將操作層面問題的復雜性提煉成基本博弈需要大量時間。

本專著認為博弈論提供了一個有價值的框架，最適用于在軍事決策過程的任務分析和行動發展步驟過程中理解環境中的參與者。博弈論旨在提供對情況的理解。這需要了解參與者及其潛在計劃或戰略動機。博弈論提供了一種理性的方法來研究行動者如何制定他們的策略和他們的動機基礎。由此，指揮官和參謀人員可以獲得理解，然后疊加其他因素，包括行動方案和潛在結果。它提供了一種合理而直接的方法來簡化復雜的問題。因此，博弈論為作戰規劃者提供了另一種工具，可用于了解作戰環境。

本專著重點介紹博弈論在戰略層面的歷史應用、當前的規劃過程學說和相關框架，以回答作戰規劃者能否在作戰層面有效地使用博弈論。這本專著主要通過囚徒困境分析博弈論在戰略層面的應用，將其應用于冷戰、國際貿易和價格戰期間的降價。 1777 年的新澤西戰役為應用博弈論和理解喬治華盛頓將軍和查爾斯康沃利斯將軍之間的競爭環境提供了一個歷史例子。最后，它演示了如何以及在何處將博弈論工具實施到美國陸軍當前使用的規劃過程中。所使用的博弈論是一種基本的應用方法，而不是過于復雜和無用的高級學術博弈論。簡單的博弈可以使復雜的操作情況變得清晰。該研究回顧了陸軍規劃學說，以專注于了解作戰環境和問題。任務分析旨在了解環境中的參與者以及他們之間沖突的根源。這 3 項研究的重點是深入了解對抗性和中立的參與者、激勵措施、潛在的行動方案和回報。該專著追溯了博弈論的戰略應用和作戰應用之間的差異，以了解哪些要素是一致的，同時說明了差異。最后，它將討論如何克服實施中的潛在挑戰。

博弈論在軍事決策過程中的應用

規劃人員可以在軍事決策過程中使用博弈論工具，特別是在任務分析期間，以不同的視角理解作戰環境和行動發展過程，以檢查未發現的假設。博弈論工具不是替代軍事決策過程中現有的步驟和工具，而是對其進行補充。戰地手冊 6-0 解釋說，指揮官和參謀人員使用任務分析來更好地了解作戰環境和部隊面臨的問題。接下來，規劃人員使用任務分析來制定假設以填補知識空白。最后，考慮到博弈論理解競爭的本質，任務分析也有助于理解友軍和敵軍如何互動。行動方案制定過程提供了一種客觀的方式來看待多個潛在計劃。在上面的歷史例子中，華盛頓將軍和康沃利斯將軍需要了解他們的潛在行動以及他們認為 30 名敵方指揮官可能會做什么。在某種程度上，歷史例子中的將軍們可以在他們的行動發展過程中使用博弈論來檢查他們的假設。開發從敘述性或定性評估開始，然后轉向帶有每個計劃的加權分數的可量化評估。博弈論允許另一種觀點來評估潛在的計劃。以下思想實驗提供了一個示例，說明工作人員如何在任務規劃期間使用一些博弈論工具。

演習如下：美國討論在一個靠近對手的友好國家增加軍事存在，這旨在阻止對手入侵友好國家。軍團工作人員了解國家決策者關于在一個地區增加軍事存在的辯論。此外，他們知道如果國家領導層追求升級，軍團是升級的一個因素。工作人員致力于了解作戰環境并了解國家層面的優先事項和激勵措施，以便他們可以就選項提出更高的建議并為預期的行動方案做好準備。其次，他們努力了解敵人的動機和行動計劃。敵人還面臨著增加其在該地區的軍事存在或維持現狀的前景。兩國都擁有核武器，都不想進行全面戰爭。最后，兩個大國都可以遷移的地區的人口不希望被外國勢力占領。國家決策者面臨的戰略決策具有操作層面的影響。

如上所述，任務分析提供了對情況和問題的理解。在任務分析過程中，工作人員開始對行動者的動機和動機有所了解。戰場情報準備是任務分析的關鍵步驟。參謀人員對友軍和敵軍如何在環境中相互作用做出假設。由此，工作人員開發了每個參與者在即將到來的操作中可以使用的潛在選項。此外，情報準備步驟確定了指揮官和參謀人員的知識差距。這些差距導致了獲取信息的情報需求的發展。正如文獻回顧中所述，人們根據他們擁有的信息做出決策，并預測競爭對手的行為。這些步驟不會取代或否定軍事決策過程的任何步驟，它們只是關于如何以及在何處實施博弈論工具的建議。

鑒于這種情況，參謀人員開始制定敵人的行動方案。當應用于博弈矩陣時，這些行動方案成為敵人的策略。敵人可以用他們的一個師或軍將該地區軍事化，也可以選擇不軍事化。是否軍事化的選擇為敵人創造了兩種不同的戰略。第二步著眼于每個策略的結果。如果雙方都軍事化，那么他們將面臨戰爭。如果雙方都沒有軍事化，那么他們就維持現狀。如果一個國家軍事化而另一個國家不軍事化，那么軍事化的國家就會在沒有爭議的環境中這樣做。表11顯示了這種情況的結果。

表11：定性結果

第三步要求參謀人員查看敵人的動機，然后對他們的選擇進行定性分析。敵人想在美國不決定將該地區軍事化的情況下將該地區軍事化。這為他們創造了一個無可爭議的環境。其次，他們既不看重自己也不看重美國將該地區軍事化，這是現狀。第三個可取的結果是美國軍事化，而敵人沒有，這意味著美國擁有無可爭議的軍事化。最后，如果美國也進行軍事化，敵人不想升級為戰爭，也不想將該地區軍事化。工作人員現在可以根據偏好對敵人的行動路線進行排序。作戰和情報人員可以利用收集資產并制定收集計劃，以確定有關敵人計劃的任何指標，例如在該地區集結部隊。信息收集計劃有助于回答信息需求并協助進行有效規劃。

工作人員現在進入行動開發過程。生成選項步驟概述了指揮官和參謀人員可用的選項。工作人員制定了可以切實擊敗敵人行動方案的選項，然后確定它們的優先級。工作人員還產生了兩個廣泛的選項。他們可以軍事化，也可以不軍事化。由于每個參與者的策略，工作人員現在可以對他們的行動方案進行排序。指揮官和參謀更愿意維持現狀。如果美國采取行動將該地區軍事化，它可能會擾亂地方、國家政府和民眾。因此，美國對該地區的軍事化和一個不軍事化的敵人是次要的選擇。這種選擇意味著美國擁有無可爭議的軍事化，但正如所述，當地政府感到不安。第三，排名是美國不軍事化，但敵人軍事化，給了他們無可爭議的優勢。最后，美國不希望發生戰爭，如果美國和敵人都進行軍事化，就會發生戰爭。

接下來，工作人員將博弈發展為矩陣或戰略形式。首先，他們進行定性分析，說明每次交戰的可能結果，見表 12。然后參謀人員從每個指揮官的角度對結果進行排序，以生成定量分析和回報，如表 13 所示。該表顯示了回報敵方第一，美國第二。使用倒序排列，最低數字的收益表示排后的選項，數字越大，表示首選的選項。每個戰斗人員都是近鄰，因此參謀人員認為交戰將有利于主動一方。

表12 ：定性分析

表13：定量結果

這兩種的價值在于員工進行分析以掌握對潛在未來結果的理解。它提供了一個簡潔的可交付產品，參謀計劃人員可以在一張紙上將其交給指揮官或參謀長，以供將來參考或思考，因為指揮官和參謀人員開始在軍事決策過程的未來步驟中權衡選項。這種分析為員工提供了一個思考他們正在做什么以及他們的計劃可能產生什么結果。這是舍恩所說的實踐中反思的一個例子。正如他所說，它允許人們在執行任務時思考他們正在做什么，然后塑造他們所做的事情。

下一步要求參謀人員將可用選項縮小到只有指揮官可用的可信選項。參謀部尋找指揮官永遠不會使用任何主導策略。敵方指揮官沒有任何主導策略，并且兩種策略都可供他使用。但美國永遠不會在博弈中選擇軍事化，因為無論敵人選擇什么，不軍事化都會主導博弈。表 14 以粗體突出顯示哪個選項在美國占主導地位。例如，如果敵人決定軍事化，如果它決定軍事化，美國將獲得 1 的回報，否則將獲得 2 的回報。因此，在這種情況下，美國會選擇不進行軍事化。同樣，如果敵人不軍事化，那么如果它軍事化，美國將獲得三倍的回報，如果它不軍事化，美國將獲得四倍的回報，美國將再次選擇不進行軍事化。因此，工作人員將其排除在外。

表14：以粗體突出顯示的美國的收益

既然參謀人員了解美國沒有軍事化的動機，它就可以看看敵人可能會采取什么行動作為回應。敵人知道美國不想軍事化，并尋求使其結果最大化。因此，敵人選擇軍事化，因為這比不軍事化帶來更好的回報。這達到了納什均衡，即敵人軍事化并獲得四分之二的回報，而美國不軍事化并獲得三分之二的回報。表 15 顯示了圈出的所得納什均衡。

表15：軍事化為主

但現實生活中的情況并不總是一致的。一方通常首先采取行動，迫使另一方做出決定。在上述情況下，美國正在努力應對將該地區軍事化的決定。然后他們的決定迫使敵人做出決定。下一步著眼于在順序移動游戲中情況如何展開，以及納什均衡在決策分析中是否發生變化。順序博弈見表 16。該表首先顯示了敵人的收益，其次是美國的收益。

表16：順序多次博弈

參與者對每個結果的選擇和回報保持不變。唯一的區別是美國先行動，敵人必須做出反應。工作人員必須使用子博弈分析來分析這個博弈及其結果。敵人有第二步，因此分析從他們的預期步驟開始。這兩個參與者都知道，如果美國選擇軍事化，敵人將選擇不軍事化，因為兩個人的回報比一個人要好。如果美國選擇不軍事化，敵人會想要軍事化，因為四比三好。鑒于美國的選擇，上面的表 16 通過圈出每個敵人的首選選擇來表明這種行為。既然美國知道敵人會根據美國的選擇做出哪些選擇，他們就會在兩者之間做出選擇。美國選擇軍事化，知道敵人不會軍事化，從而為美國帶來三倍的回報。美國軍事化總比不軍事化并獲得兩個回報要好，因為知道敵人會選擇軍事化。因此，納什均衡變成了美國軍事化和敵人不軍事化，敵方兩分，美國三分，見表 17。

表17：納什均衡

序列博弈導致的納什均衡與同步博弈不同，為什么？每場比賽都會導致一方軍事化，而另一方不軍事化。在同步博弈中，敵人通過軍事化獲得了最有利的回報，美國知道這一點，因此選擇不軍事化。然而，在順序博弈中，美國先決勝負。如果他們不軍事化，他們將獲得最高的回報，而敵人也選擇不軍事化。兩國都不會軍事化，因為如果美國不軍事化，敵人就有動機進行軍事化。美國意識到這一點，因此認為他們的下一個最佳選擇是軍事化，因為它知道敵人不會軍事化，因為這會迫使兩個參與者之間發生戰爭。這個游戲提供了一個先發優勢的例子。如果敵人先選擇，他們也會有軍事化的動機

序列多次博弈反映了更現實的情況。但是運行這兩種類型的博弈為工作人員了解動機和潛在行動提供了分析價值。工作人員可以看到排序操作如何改變結果。如上所述，使用這種方法的價值在于分析。工作人員可以按照矩陣形式對每個結果進行簡要說明。然后他們可以看到他們的選擇之一不是一個可行的選擇。然后，他們查看了定量評估并確定可以使用平衡結果。所進行的定性分析重申了 Thomas Schelling 的觀點，即博弈論的數學并不總能解決沖突，不應過度依賴數學。而是對問題的思考增加了價值。

結論

博弈論提供了一種分析工具來看待競爭情況。它使分析師能夠了解潛在的行動計劃、激勵措施以及回報或結果。此外，它可以突出信息差距和需要進一步理解的領域。在 20 世紀中葉，戰略層面的規劃者用它來更好地了解美國和蘇聯之間在使用核武器和原子戰方面的競爭。國防部以外的分析師使用它來了解競爭公司之間的貿易爭端和降價。

在作戰層面，博弈論允許對潛在計劃、激勵和結果進行相同類型的分析和理解。這本專著審視了博弈論的歷史并探索了基本的博弈論，確立了博弈論在分析沖突情況方面的有用性。文獻回顧揭示了博弈論的優勢和劣勢，這為如何最好地利用它以最大限度地發揮其潛力提供了信息。檢查諸如核局勢和國際貿易等戰略層面的決策為以前的努力如何有效地應用博弈論提供了背景。博弈論在特倫頓和普林斯頓的美國獨立戰爭中的應用與指揮官們所追求的不同，展示了使用博弈論如何提供獨特的見解，這對于像康沃利斯這樣經驗豐富的將軍來說并不明顯。最后，該專著展示了軍團級別的參謀人員如何使用博弈論來理解戰略級別的決策如何影響作戰級別的行動，比較了同步博弈和序列博弈的實用性。最后一部分提供了一個基本框架，工作人員可以通過將博弈論應用于任務分析和行動開發過程來解決操作問題。

博弈論的使用不僅限于軍事決策過程。博弈論非常適合國防部和美國陸軍目前使用的現有規劃流程。規劃人員可以在聯合作戰設計過程和陸軍設計方法中使用博弈論工具。具體來說，在聯合設計期間，博弈論工具最適合理解戰略指導和理解作戰環境。在軍隊設計期間，它最適合構建作戰環境和理解問題。博弈論是參謀人員或計劃團隊的工具包中的另一個有用工具。當通過軍事決策過程或設計過程應用時，博弈論分析與其他工具很好地結合在一起，可以更好地了解作戰環境。