本研究論文介紹了軍用無人機系統盒（The NeuronDrone-Box）中用于攻擊或防御決策的全自主人工智能：硬件、算法和一種新型專用軍用無人機或無人機。第一部分介紹了軍用無人機系統盒（The NeuronDrone-Box）中的攻擊或防御決策全自主人工智能，以適應任何無人機的主控系統。第二部分是使用混沌理論和經濟地理學的算法。第三部分介紹了被稱為 "黑色噩夢 V.7" 的開創性原型機。黑色噩夢 V.7 無人機投彈手擁有一系列與眾不同的功能和應用，本技術報告將對此進行詳細介紹。首先，主張在軍用無人機系統箱（The NeuronDrone-Box）中實施全自主人工智能攻防決策，以控制與全自主人工智能攻防決策軍用無人機系統箱（The NeuronDrone-Box）相連的多副翼系統（MAS）和多導彈系統（MM-System）。

隨著《2019 年陸軍現代化戰略：投資未來》的發布，美國陸軍又一次啟動了周期性的現代化運動，以滿足競爭新時代的軍事要求。考慮到與官僚機構變革相關的挑戰，確定有助于取得成功和提高效率的行動和條件至關重要。本文考慮了陸軍可以影響和塑造哪些內部條件，以及可以監控哪些外部條件，從而成功實現現代化。它進一步嘗試利用第一次世界大戰和第二次世界大戰之間的戰時案例研究，確定陸軍領導者應重點關注的具體現代化條件。研究從現代化和變革管理領域的理論家那里汲取了包括承諾、領導力、共識、條令和資源配置在內的條件。研究結果表明，這些條件中的每一個都會影響現代化進程，但研究進一步發現，所選條件并不完全決定成功與否。雖然這項研究只是為更好地理解現代化的成功奠定了基礎，但它也為進一步的研究開辟了探索領域，例如整合各軍種的現代化，這不僅可以提高美國陸軍成功的可能性，也可以提高整個國防部成功的可能性。

美國陸軍公布了最新的現代化藍圖--《2019 年陸軍現代化戰略：投資未來》。這份基礎性文件為陸軍在漫長的現代化和轉型歷史中的下一步努力確定了方位。美國陸軍部隊司令部司令邁克爾-加勒特（Michael Garrett）上將認為，"投資未來 "是確保陸軍保持相關性并為國家未來戰爭做好準備的關鍵。然而，美國陸軍不穩定的成功創新記錄威脅著這一努力。事實上，盡管最近出現了一些非常有效的例子，如 "二十一世紀部隊 "能力和 "斯崔克旅戰斗隊"（SBCT），但最近大多數陸軍現代化努力都以過早終止而告終。美國陸軍越戰后轉型的設計師之一唐-斯塔里將軍曾在 1983 年指出："在最好的情況下，像陸軍這樣龐大的機構的改革都是有問題的"。此外，他還指出，在整個歷史上，陸軍始終表現出為最后一場戰爭做準備的傾向。最后，他指出，美國陸軍在針對單一特定威脅和和平時期的現代化努力最為成功。美國仍在伊拉克和阿富汗開展行動，繼續在全球范圍內追捕和打擊恐怖組織，并面臨多個大國對手的擴張主義和叛亂行動，這使當代現代化變得更加復雜。最近的這些戰爭構成了長達十八年的地方反叛亂行動。如果 2018 年國防戰略（NDS）通過將戰爭概念擴展到包括全球競爭來準確描述未來戰爭，那么未能讓陸軍做好適當準備的現代化戰略將給國家帶來災難性的結果。

當前的戰略環境使美國陸軍成功實現現代化的機會更加復雜。全球幾乎完成了從工業時代到信息時代的過渡；技術以迅雷不及掩耳之勢發展，自冷戰結束以來，潛在軍事對手的數量大幅增加。為此，2018 年《國家發展戰略》首次擴展了戰爭的概念--設想大國之間恢復長期的戰略競爭，將其作為各國與政治對手較量的主要手段--利用數字信息、全球通信和技術進步的速度和獲取途徑，使國家力量的所有要素同步發展，以取得成功。在美國重點打擊阿富汗、伊拉克、菲律賓、也門、敘利亞和非洲之角的伊斯蘭恐怖分子的同時，俄羅斯等都制定并實施了軍隊現代化戰略，重點是削弱或超越美國的能力。有鑒于此，《投資未來》提出了多域作戰（MDO），進一步闡述了未來戰場的復雜性。多域作戰承認，美國和對手的軍隊都將試圖在所有領域（空中、陸地、海上、太空、信息和網絡空間）同步行動和能力，以取得優勢地位。MDO 要求各國在緊迫的時間框架內，同步調整所有軍事部門和政府機構的行動和能力，以創造有的放矢的機會。正是在這種復雜而又瞬息萬變的環境中，美國陸軍將開展下一步現代化工作，增強現有能力或開發新能力，在所有領域創造暫時和/或持久的優勢地位，戰勝未來的對手。

本文旨在讓陸軍領導人參與討論，對影響成功實現軍事現代化的潛在條件形成更透徹的理解。本文根據組織影響和控制這些條件的能力，對內部和外部條件進行了區分。具體來說，本文試圖確定哪些內部或外部條件可以指導現代化工作，以在 MDO 環境下組建可隨時部署并提高戰斗力的部隊。內部條件是指美國陸軍可以控制和影響以提高現代化成功幾率的條件，具體來說，是指無需總統或立法機構采取行動即可控制、修改或消除的條件。理想情況下，陸軍領導層會在進程早期發現適得其反的條件，從而支持組織調整，提高成功機會。外部條件可能是國家/戰略、文化或社會性質的，不在組織的直接控制范圍內。不過，了解這些條件及其對現代化的影響將使陸軍能夠修改方法和努力，以提高成功的機會。可能影響現代化的外部條件的一個例子是，陸軍預算大幅削減，降低了陸軍進行研發的能力。這種外部條件可能會推動影響現代化的內部決策和行動，如削減研發以支持戰備。

了解了這種差異，本文旨在確定美國陸軍必須在內部設定哪些條件，以及必須解決（必要時減輕）哪些外部因素，才能使陸軍最有效地實現現代化？本文的意義不在于它的預測能力，而在于它有可能引發對現代化有效性的新思考和討論，并最終確保最新戰略的結果比歷史常態更加成功。

基于本研究的各種資料來源，需要對定義進行一些澄清。就變革而言，有幾個術語描述了組織和機構的變革；"現代化"、"轉型 "和 "創新 "只是其中的幾個。一些參考文獻和作者為每個術語賦予了特定的定義。其他作者則交替使用這些術語來表示 "一種新的和改進的方法或程序"。創新 "或 "現代化 "意味著關注一項獨立的技術或能力，而 "轉型 "則意味著廣泛的、全企業范圍的變革。這三者都適用于當前的陸軍現代化工作。有鑒于此，并考慮到最近出版的《投資未來》一書，這項工作將使用 "現代化 "一詞，但有一項諒解，即上述每種類型的變革都可包括在內。第二點說明涉及定性評估。現代化研究中出現了幾種不同的描述，包括效果、效率、成功和價值等等。由于本研究不包括對現代化案例研究的經濟評估，而是側重于現代化部隊相對于當代部隊實現其預期能力的能力，因此本研究將使用 "效力 "作為評價術語。

本研究受兩個因素制約，一個與范圍有關，另一個與來源有關。由于軍事力量的本質是針對和消解敵對勢力的能力，因此大多數當代軍事現代化工作仍然是保密和不可獲取的。認識到這一局限性，本文將繼續進行非保密程序分析；本文將不對潛在敵對勢力的具體技術細節進行評估。其次，盡管組織變革包含了廣泛的理論，但并不存在通用的理論；研究人員必須在前人著作的基礎上加以擴展，或者發展出自己的概念。為此，本文將借鑒多位作者的理論。在此過程中，假定如果這些作者的觀點一致，那么某個變量對有效現代化的相對重要性就會更有說服力。

本研究報告由四個部分組成。導言部分介紹了研究的背景，提出了假設以及驗證或否定假設的問題。文獻綜述 "通過討論一些廣為接受的組織變革理論來確定分析框架，并在 "方法 "部分概述了所選的案例研究。這一部分介紹了各個案例研究，明確了選擇這些案例研究的理由，并構建了分析工具和評估標準。案例研究部分探討了三個單獨的軍事現代化時期，并根據現代化條件標準衡量了每個時期的結果。在 "結論 "部分，加入了一個 "分析 "小節，對每個案例研究的結論進行總結和比較。該部分還包含一個 "建議 "小節，對從案例研究中得出的數據進行了敘述性分析，評估了一個或多個案例研究與陸軍當前現代化工作之間任何可識別的直接相似之處，并就該主題的進一步研究途徑提出了建議。

本文概述了一種評估和量化與集成大型語言模型（LLMs）生成海軍作戰規劃有關風險的方法。其目的是探討大型語言模型在這方面的潛在優勢和挑戰，并提出一個全面風險評估框架的方法。

大型語言模型（LLM）是一種先進的人工智能系統，它在龐大的數據集上經過訓練，可以處理和生成文本，使其能夠執行從簡單的問題解答到復雜的內容創建等各種任務。大型語言模型，如 ChatGPT 和 Bard，在理解、解釋和生成人類語言方面已顯示出非凡的能力。它們在海軍作戰中的潛在用途可提供顯著的戰略優勢，如增強決策支持、情景分析和作戰計劃效率。然而，在敏感的軍事環境中部署這些先進的人工智能技術會帶來一些關鍵的風險問題，包括潛在的偏見、作戰安全問題以及人工智能生成戰略的可靠性。

這項研究的意義在于其重點關注大型語言模型在海軍作戰計劃生成中的整合。通過研究潛在風險并制定評估這些風險的框架，本研究旨在促進在這些海軍作戰環境中安全、戰略性地使用人工智能技術，同時使技術進步與作戰安全和有效性保持一致。

對現有文獻的回顧顯示，專門針對軍事應用中大型語言模型的全面風險評估框架存在空白。有關大型語言模型的研究主要集中于其技術能力和在民用環境中的應用。然而，軍事行動的獨特挑戰，尤其是在海軍環境中，需要一種專門的風險評估方法。本研究試圖通過開發一種基于海軍作戰計劃的具體要求和復雜性的方法來彌補這一差距。

研究方法

本研究的理論框架以貝葉斯網絡為基礎，貝葉斯網絡提供了一種結構化方法，用于模擬與 LLM 部署相關的各種風險因素之間的復雜關系。由于貝葉斯網絡能夠處理不確定性和概率關系，因此特別適合用于這一目的，使其成為評估海軍行動中 LLM 集成的多方面風險的理想工具。

本研究吸收了 Lauría 和 Duchessi（2007 年）概述的方法論中的見解，采用類似的結構化方法來構建貝葉斯網絡，并以實證數據收集和分析為基礎。我們的方法首先是編制和管理一份調查問卷，其答復將作為初始數據源，用于確定與海軍作戰計劃風險相關的變量之間最有可能存在的關系。這一過程為我們的貝葉斯網絡中每個節點的條件分布設置了后續參數。通過這種方法，我們旨在建立一個穩健的貝葉斯網絡模型，以準確反映與 LLM 生成的作戰計劃相關的風險的復雜相互依存關系和概率性質，并在分析更多作戰計劃和整合更多經驗數據時進一步完善我們的模型。

本研究的方法包括以下幾個關鍵步驟

• 問卷編制與管理

• 數據收集與分析

• 貝葉斯網絡建模

• 風險分類和評估

• 問卷編制和管理 將設計一份詳細的調查問卷，以便從海軍人員、人工智能專家和軍事戰略家等廣泛的利益相關者那里收集信息。問卷將包含各種海軍作戰計劃，其中一些由 LLM 生成，另一些則由作戰規劃人員編寫，以確定這些計劃中的潛在風險途徑。

• 數據收集與分析 將收集和分析調查問卷的答復，以確定海軍作戰計劃的關注領域。這一分析將為確定與作戰計劃相關的關鍵風險因素以及由 LLM 生成的計劃所特有的風險因素奠定基礎。

• 貝葉斯網絡建模 將使用貝葉斯網絡對確定的風險因素進行建模，以了解其相互依存關系和這些風險的概率性質。該模型將作為一種動態工具，用于評估和直觀顯示這些生成的業務計劃的復雜風險狀況。

• 風險分類和評估 通過調查問卷和貝葉斯網絡模型確定的風險將根據其對海軍行動的潛在影響進行分類和評估。這一步驟包括對每個風險因素進行全面評估，同時考慮其可能性和嚴重性。

分析

研究的分析階段包括對大型語言模型生成的假設計劃和人類戰略家創建的計劃進行比較研究。這種比較旨在突出 LLM 生成的計劃的優勢、局限性和潛在風險。此外，研究還將探討降低已識別風險的策略，如納入制衡機制、提高透明度和確保持續驗證 LLM 的產出。

這項研究預計將產生幾項重要成果：

• 從利益相關者反饋和貝葉斯網絡分析中得出的與海軍作戰規劃中使用大型語言模型相關的風險因素綜合清單。
• 評估已確定風險的結構化框架，為決策者評估和減輕將大型語言模型納入作戰規劃的潛在挑戰提供依據。
• 對大型語言模型生成的計劃和人工創建的計劃進行比較分析的結果，為了解大型語言模型在業務規劃方面的能力和局限性提供了寶貴的見解。
• 降低已識別風險的建議，確保在將大型語言模型納入實際行動時，既能實現最大效益，又能將潛在弊端降至最低。

初步結果

在此，使用 ChatGPT 生成了一個基于以下指揮官意圖的虛構作戰計劃樣本： "我的意圖是支持菲律賓武裝部隊在菲律賓中部受災地區開展人道主義援助和災難響應（HA/DR）行動。我們將提供一切可用的援助，以減輕人類痛苦并恢復正常狀態"（圖 1）。

圖1:ChatGPT生成的行動計劃

LLM 為菲律賓中部地區虛構的 HA/DR 行動制定的行動計劃展示了該模型構建全面響應戰略的能力。不過，它也凸顯了與 LLM 生成的計劃相關的幾個潛在風險。

該計劃概述了在帕奈島建立一個前沿行動基地，但沒有考慮該島目前支持此類行動的能力或對當地社區的潛在影響。這種疏忽可能會使當地資源緊張或擾亂地方當局正在進行的恢復工作。

使用無人機進行即時空中勘測的假設是，可以快速、準確地確定最需要幫助的地區。然而，這種方法可能無法考慮快速變化的天氣條件或評估后出現的新緊急情況，從而可能導致資源分配不當。

如果出現不可預見的技術問題，或同時需要直升機執行多項緊急任務，那么依靠海軍直升機在公路無法到達的地區進行空投可能會出現問題。這凸顯出可能會過度依賴特定資產，而不考慮替代或后備交付方法。

恢復階段建議協助恢復關鍵基礎設施，但沒有詳細說明參與范圍或開始撤出海軍資產的標準。這種不具體的做法可能導致過早撤離或超出海軍行動能力的長期參與，影響恢復工作的整體效果。

對這個由 LLM 生成的作戰計劃的審查不僅說明了人工智能在提高作戰計劃能力方面的潛力，而且也表明了我們為 LLM 生成的海軍作戰計劃開發綜合風險模型的研究工作的必要性。識別人工智能方法中固有的特定風險因素--如對當地基礎設施能力的假設、對技術的依賴以及計劃執行和完成標準的模糊性--表明需要一個能夠有效評估這些風險的框架，以便在使用這些工具時能夠考慮到這些風險。研究旨在通過使用方法來評估、分類和管理與在復雜作戰環境中部署大型語言模型相關的風險，從而彌補這些差距。通過整合這些風險模型，我們可以更好地確保負責任地利用大型語言模型的創新能力，提高作戰計劃的有效性和可靠性。

Palantir AIP（人工智能平臺）是將人工智能系統（包括許多依賴大型語言模型的能力）整合到運營環境中的尖端方法。雖然利用這些先進的工具可以讓組織利用人工智能系統的大型能力，但在 Palantir AIP 等平臺中使用大型語言模型清楚地表明，亟需對所有潛在的相關風險因素進行全面研究。隨著這些人工智能驅動的系統被部署到運營規劃的越來越多的重要方面進行協助和自動化，人工智能生成的內容的特殊細微差別成為重要的關注領域。

展望大型語言模型在海軍行動中的部署，會暴露出另一個風險途徑，特別是在支持此類技術所需的基礎設施方面。大型語言模型需要大量的計算和數據傳輸，還需要實時數據處理和無縫通信，以執行人工智能驅動的作戰計劃，這就要求網絡基礎設施不僅要有彈性，還要有很強的適應性。這就是軟件定義網絡（SDN）的潛在整合意義所在。SDN 以其靈活性和可配置性著稱，是一種先進的網絡框架，有可能支持 LLM 部署的要求。然而，SDN 的引入也帶來了關于現有海軍網絡基礎設施是否已準備好適應此類先進技術的問題，這突出了我們在海軍行動中引入人工智能能力時需要考慮的另一個領域。

本研究的預期結果對大型語言模型的戰略整合對未來海軍行動具有重大影響。通過提供一個全面的風險評估框架，本研究旨在促進在海軍行動中明智決策和負責任地使用人工智能技術，為在更廣泛的軍事背景下負責任地使用人工智能技術奠定基礎。此外，這項研究填補了文獻中的重要空白，有助于加深對海軍行動中整合 LLM 所帶來的挑戰和機遇的理解。

本研究概述了評估將大型語言模型納入海軍作戰計劃相關風險的綜合方法。通過開發結構化風險評估框架并探索部署 LLM 的潛在益處和挑戰，本研究旨在為在軍事行動中負責任地、有效地使用人工智能技術做出貢獻。未來的研究方向包括根據實證研究結果完善風險評估框架，探索大型語言模型在更廣泛軍事環境中的其他應用，以及制定在敏感作戰環境中合乎道德地使用人工智能的指導方針。

為了真實地再現軍事行動，嚴肅的戰斗模擬要求建模實體具有合理的戰術行為。因此，必須定義作戰戰術、條令、交戰規則和行動概念。事實證明，強化學習可以在相關實體的行為邊界內生成廣泛的戰術行動。在多智能體地面作戰場景中，本文展示了人工智能（AI）應用如何制定戰略并向附屬單元提供命令，同時相應地執行任務。我們提出了一種將人類知識和責任與人工智能系統相結合的方法。為了在共同層面上進行交流，人工智能以自然語言下達命令和行動。這樣，人類操作員就可以扮演 "人在回路中 "的角色，對人工智能的推理進行驗證和評估。本文展示了自然語言與強化學習過程的成功整合。

RELEGS：針對復雜作戰情況的強化學習

為了獲得模型架構的靈感，我們研究了 DeepMind 的 AlphaStar 架構，因為它被認為是復雜 RL 問題領域的最先進架構。通過我們的架構（如圖 2 所示），我們提出了一種靈活、可擴展的行動空間與深度神經網絡相結合的適應性新方法。觀察空間的設計基于如何準備戰場的軍事經驗。通常使用地圖和可用部隊表。因此，模擬觀測被分為標量數據（如可用坦克數量及其彈藥）。同時，基于地圖的輸入作為視覺輸入提供給空間編碼器。

標量數據用于向人工智能提供幾乎所有場景細節的建議。其中包括有關自身部隊及其平臺的數據，以及有關敵方部隊的部分信息。輸入并非以絕對數字給出，而是采用歸一化方法來提高訓練效果。編碼器可以很容易地寫成多層感知器（MLP）；不過，使用多頭注意力網絡可以大大提高訓練后智能體的質量，因此應予以采用（Vaswani 等人，2017 年）。

為了理解地理地形、距離和海拔高度的含義，人工智能會被輸入一個帶有實體編碼的地圖視覺表示。顏色方案基于三通道圖像，這使我們能夠輕松地將數據可視化。雖然使用更多通道會給人類的圖形顯示帶來問題，但人工智能能夠理解更多通道。不同的字段類型和實體會用特殊的顏色進行編碼，以便始終能夠區分。這種所謂的空間編碼器由多個卷積層組成。最初，我們嘗試使用 ResNet-50 （He 和 Zhang，2016 年）和 MobileNetV3 （Howard 等，2019 年）等著名架構，甚至使用預先訓練的權重。然而，這并沒有帶來可接受的訓練性能。因此，我們用自己的架構縮小了卷積神經網絡（CNN）的規模。

為了測試和優化這一架構，我們使用了一個自動編碼器設置，并使用了模擬中的真實樣本。我們能夠將參數數量從大約 200 萬減少到大約 47000。此外，我們還生成了一個預訓練模型，該模型已與模擬的真實觀測數據相匹配。這一步極大地幫助我們加快了 RL 進程。

一個可選元素是添加語言輸入，為人工智能定義任務。雖然一般的戰略人工智能不使用這一元素，但計劃將其用于下屬智能體。這些智能體將以自然語言接收來自戰略人工智能的任務，并使用雙向門控遞歸單元（GRU）編碼器對其進行處理。

視覺數據、任務數據和標量數據的編碼值被合并并輸入核心網絡。根據 Hochreiter 和 Schmidhuber（1997 年）的介紹，核心主要是一個擁有 768 個單元的長短期記憶（LSTM）組件。在軍事場景中，指揮官必須了解高價值資產的長期戰略規劃。在本模擬中，人工智能可以請求戰斗支援要素，這些要素在影響戰場之前需要長達 15 分鐘的時間。因此，人工智能必須了解未來任務的時間安排和規劃。在 RL 中使用 LSTM 網絡相當困難，因為它需要大量的訓練時間，而且會導致上面各層的梯度消失。因此，我們決定在 LSTM 上添加一個跳過連接，以盡量減少新增層的負面影響。

動作頭由一個自然語言處理（NLP）模型組成。這是一個非常簡化的動作頭模型，包含一個小型 LSTM 和一個額外的密集層，共有約 340000 個參數。其結果是一個尺寸為 8 x 125 的多離散動作空間。

除主模型外，還有一個單獨的價值網絡部分。價值網絡使用核心 LSTM 的輸出，并將對手信息串聯起來傳遞給 MLP。然后，MLP 可以精確預測價值函數。通過對手信息，價值網絡對模擬有了一個上帝般的地面實況視圖。由于該網絡只與訓練相關，因此可以在不干擾訓練完整性的情況下進行。

澳陸軍研究與發展請求 (ARDR) 16/0054 要求對自主化和自動化在整個戰斗勤務支援 (CSS) 功能中的應用機會和相關影響進行研究。本報告概述了范圍界定研究、主題專家討論和研討會以及 CSS 自動化和自主系統用例開發的結果。范圍界定研究包括關鍵概念和趨勢、技術掃描以及后勤行動潛在應用的識別。與陸軍總部人員舉行的研討會的成果包括對入圍技術進行優先排序，選出前四項技術進行進一步研究：預測分析、最后一英里后勤無人機系統、便攜式聯網健康診斷技術和半自動化車隊。進一步的討論確定了所選技術的關鍵信息要求和界限。報告接著介紹了兩種相關技術的詳細使用案例：半自主護航和最后一英里物流無人機系統，包括一個加強戰傷護理的使用案例。

圖 1：自動和自主系統分類的三維框架

自動化和自主化領域的技術發展是影響當今軍事行動的最重要技術趨勢之一。本報告是對陸軍研究與發展請求（ARDR）16/0054 的貢獻，研究了自動化和自主系統在戰斗勤務支援（CSS）中的潛在用途。本報告還借鑒了技術合作計劃（TTCP）陸地小組第 6 技術小組就供應和分配中的自主性所開展的工作。

本文件的第一部分概述了初步范圍界定研究的主要結果，包括概念模型的開發、主要趨勢的研究、不同類型自動化和自主系統的詳細技術掃描，以及這些系統在陸地后勤中潛在應用的映射。

概念模型考慮了問題空間的關鍵方面。這包括屬于自動化和自主化范疇的技術類型： 物流信息系統 (LIS)、各種無人系統和蜂群、人力增強系統、電力和能源管理系統以及各種新興的健康技術。這些系統的應用領域被映射到供應、運輸、衛生、工程和維護、指揮與控制（C2）以及能力生命周期管理等廣泛的后勤功能中。該模型進一步考慮了社會、技術、環境、經濟、政治和軍事部門的內部和外部驅動因素，以及不同任務類型和環境的作戰背景。

對關鍵方面的考慮有助于突出自動化和自主系統面臨的主要挑戰。這些挑戰包括：數據管理和安全；決策和信任的平衡；處理復雜環境的能力；技術成熟度和具體的物理限制；導航對全球定位系統的依賴；組織整合和人機界面；以及缺乏監管生態系統。這些系統在軍事環境中的一般理想特性包括：監管負擔低、優雅退化、低成本、穩健性、多功能性、模塊化和適應性。

技術掃描強調了后勤領域的大量潛在應用。通過審查軍事技術報告和與澳大利亞國防軍后勤官員的討論，本研究將其縮小到后勤功能中的具體應用概念：

• 供應和運輸：用于供應鏈優化、資產可視性和風險管理的先進 LIS；用于分配任務的無人系統和半自主車隊；用于裝載和供電的無人小隊支持系統；自動物資搬運設備（MHE）；以及作為 MHE 替代品的外骨骼。
• 工程、維護和現場服務： 基于狀態的維護（CBM）；使用小型機器人進行日常維護；以及自動化建筑機械。
• 醫療衛生： 用于提高醫療補給響應速度的 LIS；用于傷員后送和提高外科手術能力的無人系統；利用增強現實技術和遠程醫療獲得專科護理；自動病人穩定系統；先進的假肢；野戰消毒系統；取代病理實驗室的自動便攜式診斷設備；以及傷員持續遙測和士兵背景監測。
• C2 和能力生命周期管理： 用于長期艦隊管理和供應鏈風險管理的 LIS 系統；用于態勢感知的無人系統。

本報告的第二部分涉及在陸軍總部與陸軍后勤專題專家（SMEs）開展的研討會活動，旨在完善進一步的研究方向。研討會的討論內容包括支持和反對使用特定技術的論據、技術優先級排序工作、特定信息要求和技術判別因素的討論，以及對選定使用案例的審查。研討會的結果是，從范圍界定研究的龐大清單中篩選出了 CSS 最感興趣的四項技術：

• 用于供應鏈優化、物流規劃和風險管理的預測分析技術
• 最后一英里物流無人機系統 (UAS)，用于向偏遠和有爭議地區、分散單元運送重要物資，并加強戰傷護理
• 便攜式聯網健康診斷技術，用于加強傷員救護和健康規劃
• 在半結構化環境中進行配送的半自主車隊。

在討論選擇技術的關鍵特征時，重點強調了部隊保護、改善 CSS 的交付、系統脆弱性和擁有成本等主要因素。其他考慮因素包括跨域效應、與項目和作戰概念的兼容性以及用戶接受度。

報告接著概述了在分配任務和戰斗傷亡管理中使用無人機系統以及半自主車隊的詳細用例。這些用例是利用系統工程原理開發的，并在主題專家研討會上進行了完善。詳細審查用例后發現的共同問題包括確立價值主張，即考慮在哪些情況下使用該技術是合適和有必要的。一個重要的共同要求是在資產所有權和戰術/操作控制方面制定明確的 C2 框架。技術考慮因素包括通信范圍、網絡安全問題以及與組織流程的整合。從使用案例中得出的其他問題包括資產保護和簽名、任務分配的靈活性和替代用途，以及對總體法律、條令和監管框架的要求。

在識別和分析新興技術、建立進一步發展使用技術概念的共同框架以及使用情景方面，為正在進行的工作提出了建議。建議進行建模和模擬，以開發可靠的商業案例。再次強調任何新的網絡系統都需要詳細的數據管理和利用戰略。

美國陸軍網絡部隊的技能和能力在其創建后的十年里得到了增長。本文重點介紹了陸軍網絡任務部隊部分所需的結構性變化，這些變化將使其繼續增長和成熟，因為陸軍過去的組織和結構性決定對當前和未來的效率和效果造成了挑戰。對當前形勢的評估強調了軍事領導層必須解決的領域，以使陸軍的網絡部隊繼續發展以滿足多域作戰的需要。

訓練和裝備一支能夠在新領域開展行動的新軍事力量是一個反復的過程。美國上一次開始這樣的努力是在二十世紀初，航空部隊的誕生和空域的出現。戰術、部隊結構和利用新能力的戰略是在軍事航空業建立后發展起來的，但被當時缺乏危機感的情況所界定和限制。第二次世界大戰迫使空軍迅速成熟，并導致了美國陸軍航空隊的建立，這是一支為應對空域挑戰而設計的有凝聚力的戰斗部隊。與陸軍航空隊一樣，陸軍的網絡部隊正在達到成熟的程度，擁有切實的能力和針對對手的作戰經驗，并將受益于評估先前的組織和人事決定的影響，為多域作戰做準備。

對軍事網絡的重大和復雜的入侵為美國網絡司令部（USCYBERCOM）的成立提供了動力，并使網絡空間與空中、海上、陸地和太空一起成為作戰領域。陸軍和國防部（DoD）已經在建立該領域的能力方面取得了重大進展。從部隊結構的角度來看，主要的亮點包括：

• 在2010年建立美國陸軍網絡司令部（ARCYBER）；
• 通過在2011年創建第780軍事情報旅（網絡）來組建一支進攻性網絡部隊；
• 在2014年創建網絡保護旅（CPB），以容納防御性部隊；
• 在2019年建立第915網絡空間戰營（CWB），以滿足戰術網絡空間電磁活動的要求，以及所有網絡任務部隊（CMF）小組；
• 在2018年實現全面作戰能力。

在人事方面，陸軍在2014年成立了網絡部，并在2018年整合了電子戰。最近，陸軍正式確定了網絡空間能力發展官員/準尉軍事職業專業（MOSs），以提供設計和創建特定網絡空間能力的有機能力。

從理論到培訓再到組織，該部門和網絡單位不得不確定需求，進行試驗，并制定解決方案，以滿足不斷變化的網絡空間行動的需求。在這篇文章中，我們研究了與兩個最初的部隊結構決定相關的挑戰，并提供了克服這些挑戰的考慮。

首先，當陸軍創建其網絡部隊時，進攻性和防御性網絡行動被隔離在兩個不同的獨立旅內。歷史上的分界繼續存在，并帶來了意想不到的后果。盡管創建了一個新的分支和軍事職業專業，但將進攻性網絡行動（OCO）和防御性網絡行動（DCO）分開的組織決定對人員和資源產生了負面影響。

其次，這些單位有復雜的指揮系統，有獨立的行政控制（ADCON）和作戰控制（OPCON）關系。目前，網絡小組的作戰指揮與小組的行政和領導不一致，包括人員評級、財產問責、統一軍事司法法典的權力和指揮本身（例如，連長跟蹤網絡小組的訓練和醫療準備，而小組負責人負責日常運作）。這些復雜的問題造成了混亂和驚愕，阻礙了統一的努力。

雖然這些組織決定是經過深思熟慮的，也是出于行動的需要，但它們阻礙了陸軍網絡部隊內部的統一行動，造成了組織和行動上的損失。整個聯合網絡社區正在進行反省。隨著所有的CMF小組最近實現了充分的操作能力，美國網絡司令部正在評估其目前的規模，并要求陸軍和空軍派遣更多的小組。為了給網絡空間帶來更統一的方法，空軍通過重新指定和重新分配第67網絡空間聯隊下的幾個單位來重新調整其內部組件的結構和組成。現在是重新審視陸軍內部結構以更好地支持網絡空間行動的理想時機。如果陸軍忽視了過去因需要而做出的決定的影響，而不重新評估其有效性，那將是一種失職。陸軍必須在網絡部門內部推動更大的團結，使該組織作為一支有效的網絡空間戰斗力量繼續前進。

在過去的75年里，蘭德公司進行了支持美國國家安全的研究，目前為聯邦政府管理著四個聯邦資助的研究和發展中心（FFRDCs）：一個為國土安全部（DHS），三個為國防部（DoD）。本文將重點評論國防部如何能夠最好地確保人工智能（AI）的進展有利于美國國家安全，而不是降低它。

在一系列廣泛的技術中，人工智能因其進展速度和應用范圍而脫穎而出。人工智能具有廣泛改變整個行業的潛力，包括對我們未來經濟競爭力和國家安全至關重要的行業。由于幾個原因，將人工智能納入我們的國家安全計劃帶來了特殊的挑戰：

• 這些技術是由商業實體驅動的，而這些商業實體經常在國家安全框架之外。

• 這些技術正在迅速發展，通常超過了政府內部的政策和組織改革。

• 對這些技術的評估需要集中在私營部門的專業知識，而這些專業知識很少被用于國家安全。

• 這些技術缺乏區分良性和惡意使用的常規情報特征。

美國目前是全球人工智能的領導者；然而，這種情況可能會改變，因為中國尋求在2030年前成為世界主要的人工智能創新中心--這是中國人工智能國家戰略的明確目標。此外，中國和俄羅斯都在追求軍事化的人工智能技術，加劇了挑戰。作為回應，將強調美國防部可以采取的四組行動：

1.確保美國防部的網絡安全戰略和網絡紅方活動跟蹤可能影響網絡防御和網絡進攻的人工智能的發展，如網絡武器的自動開發。

2.為防止不良行為者獲得先進的人工智能系統，(1)確保對領先的人工智能芯片和芯片制造設備進行強有力的出口控制，同時許可芯片的良性使用，如果需要的話，可以進行遠程節流；(2)利用國防生產法的授權，要求公司報告大型人工智能計算集群、訓練運行和訓練模型的開發或分發情況；(3) 在美國防部與云計算供應商簽訂的合同中，要求他們在訓練大型人工智能模型之前對所有客戶進行 "了解你的客戶 "篩選；(4) 在美國防部與人工智能開發商簽訂的合同中包括 "了解你的客戶 "篩選，以及強大的網絡安全要求，以防止大型人工智能模型被盜。

3.與情報界合作，大幅擴大收集和分析敵國參與人工智能的關鍵外國公共和私營部門行為者的信息，包括評估關鍵外國公共和私營實體；他們的基礎設施、投資和能力；以及他們的工具、材料和人才供應鏈。通過以下方式加強國防部開展此類活動的機構能力：（1）在美國和盟國政府機構、學術實驗室和工業公司之間建立新的伙伴關系和信息共享協議；（2）招募私營部門的人工智能專家以短期或兼職的方式為政府服務。

4.投資于人工智能安全的潛在計劃，包括（1）嵌入人工智能芯片的微電子控制，以防止開發沒有安全保障的大型人工智能模型，以及（2）在部署人工智能系統之前評估其安全性的通用方法。

圖4. 人工智能對目標定位的增強：人工智能可以通過搜索目標并在發現后發出警報來增強動態目標定位周期。

開發和使用新的軍事技術是一個軍事專業人員工作的一部分。事實上，軍事歷史在很大程度上是一個技術革新的故事，士兵需要學習如何操作新系統。因此，關于整合人工智能的很多東西并不新鮮。就像坦克、飛機甚至弩一樣，隨著時間的推移，士兵們學會了使用和運用技術，工業界學會了以足夠的數量和質量生產技術，高級領導人學會了運用技術來實現戰略效果。如前所述，人工智能技術與它們的顛覆性“前輩”之間的區別在于，前者有能力改善廣泛的軍事武器、系統和應用。由于這種潛在的普遍性，幾乎所有的士兵都必須在某種程度上變得熟練，才能有效地和道德地運用AI技術。隨著這項技術在應用上的擴展，戰爭將像管理暴力一樣管理數據。

這種普遍性也提出了關于人類發展和人才管理的問題。盡管培訓計劃最終會培養出更多的知識型士兵，人事系統也會提高管理士兵的能力，但軍警人員能夠獲得知識和技能的限制仍然存在，特別是在作戰層面。盡管討論的目的不是要建立嚴格的指導方針，但討論確定了士兵需要獲得的許多知識。例如，士兵將需要知道如何策劃和培訓數據庫，而該數據庫對他們正在執行的任務有著重要作用。這樣做需要確保數據的準確、完整、一致和及時。使用這些數據需要熟練應用推薦模型卡中描述的條件，而熟練的操作有助于確保算法以有效和道德的方式執行。

當然，信任不能僅靠政策和程序來保證。指揮官、參謀員和操作員需要知道他們被信任做什么，以及他們信任系統做什么。指揮官、參謀員和操作員信任人工智能系統來識別合法目標，并避免識別非法目標。參與這一過程的人必須在使用這些信息時，既需要擊敗敵人，又必須避免友軍和非戰斗人員的傷亡。要找到這種平衡，就需要判斷人應該承擔多大的風險。

只要參與流程的人類能夠與系統進行有效的互動，由人工智能賦能的系統就能促進找到這種平衡。在將人類控制整合到機器流程中時，人們經常被迫在控制和速度之間做出選擇：強加的人類控制越多，系統的運行速度就越慢。但本研究發現這種兩難的局面是錯誤的。盡管在某些情況下，在人的控制和速度之間進行平衡可能是必要的，但如果系統要最佳地運作，人的輸入是必要的。

實現最佳性能首先要求指揮官確保參謀和操作人員了解模型能力，理解數據質量的重要性，以及洞悉模型在作戰環境中的表現。盡管它可能不會使系統更加精確或準確，但實現這些任務可使系統能夠更好地對輸出進行概率分配。第二，指揮官需要確定對任務、友軍戰斗人員和敵方非戰斗人員的風險有多大才合適。這一決定很復雜，其中關鍵任務可能是需要容忍更多的友軍和非戰斗人員傷亡。同樣，如果非戰斗人員的密度較低，即使任務不那么緊急，也可以容忍較高的風險。尋找這種平衡將是人類的工作。

但在前面描述的模糊邏輯控制器的幫助下，指揮官可以更好地確定什么時候可以信任一個人工智能系統在沒有人類監督的情況下執行一些目標定位步驟。此外，可以通過構建交互的邏輯，以找到多種不同的人機互動配置，確保系統的最佳使用，同時避免不必要的傷害。在LSCO期間，讓指揮官在需要時選擇智能和負責任地加快目標定位過程將是至關重要的，本報告中提出的設計實現了這一目標。這一成就在未來尤其重要，因為為了保護部隊并實現任務目標，指揮官將面臨大量時間敏感目標，及面臨承擔更多風險的操作條件。

在培養具有正確技能的足夠數量士兵以充分利用人工智能技術方面，仍有大量的工作。目前的人才管理計劃尚未達到管理這一挑戰的要求，盡管多個有前途的計劃準備最終滿足需求。然而，在大多數情況下，這些計劃都是為了滿足機構層面的要求，在機構層面上做出全軍采買人工智能和相關技術的決策。但是，這些技能將如何滲透到作戰陸軍，尚不清楚。

盡管人工智能在目標定位中的使用并不違反當前的戰爭法，但它確實引起了一些道德倫理問題。在所討論的目標定位系統背景下，這些倫理問題中最主要的是問責制差距和自動化偏見。第一個問題對于回答核心問題至關重要，“指揮官在什么基礎上可以信任人工智能系統，從而使指揮官可以對這些系統的使用負責？”自動化偏見和數據衛生與問責制差距有關，因為當這些問題存在時，它們會破壞指揮官可能希望實施的有意義的人類控制措施。指揮官可以通過以下方式縮小問責差距：首先，確保人員受到適當的教育、技能和培訓，以整理相關數據；其次，確保指揮官允許的風險，準確地反映完成任務與保護友軍士兵和非戰斗人員之間的平衡需求。指揮官還可以通過在機器需要更多監督時向參與該過程的人類發出信號來減少自動化偏見的機會及其潛在影響。

作為一個專業人員，不僅僅意味著要提供服務，還要在出問題時承擔責任。專業人員還必須了解各種利益相關者，包括公眾和政府及私營部門實體，如何與本行業互動和競爭。鑒于這些技術的潛力，軍事專業人員必須首先學會在技術及其應用的發展中管理預期。由于這種演變影響到專業工作的特點，軍事專業人員還必須注意專業以外的人如何重視、獎勵和支持這項工作。因此，隨著美軍繼續將人工智能和數據技術整合到各種行動中，對其專業性的考驗將在于擁有專業知識的能力，以及建立能夠繼續發展、維護和認證這種專業知識的機構，這些機構既能滿足美國人民的國防需求，又能反映他們的價值觀。

本文件供加拿大陸軍發展局局長審議。在過去的幾十年里，西方國家的部隊在其技術優勢的幫助下，已經取得了對對手的優勢。戰術性的地面作戰軍隊由于其技術優勢而被驅使贏得戰斗。這種技術優勢在很大程度上取決于與信息時代相關的技術和概念的演變。因此，預計信息技術的不斷演變將發揮重要的驅動力，在現在和2050年之間塑造戰爭技術。本服務文件將強調人工智能（AI）作為一種變革性技術對未來三十年陸軍行動的基本性質的影響。

1 引言

本文重點介紹了 10 種武器系統，這些系統具有的特征可能有助于考慮武器系統的自主性。它旨在展示用于各種領域的武器系統類型的多樣性，以及能力的增強；包括打擊范圍、目標類型、共同運行的系統數量以及無需人工操作即可進行的活動范圍。這些指向自主性的趨勢，這可能有助于確定可能需要監管以確保遵守道德和法律規范的領域。

1.1 武器探測目標

探測目標并根據傳感器輸入對其打擊的武器已經存在多年。這類系統與那些由人類操作者設定具體位置和時間點以進行打擊的系統不同。在很大程度上，這些都是 "防御性"武器系統，通常在其位置上是固定的，與人類操作者同處一地，并具有固定的 "目標輪廓"，限制了它們可以攻擊的目標類型。

然而，近年來的技術發展導致具有自主功能的武器系統能力增加，包括更大的地理區域和行動時間，以及更復雜或可改變的目標輪廓的潛力。這種擴大的獨立操作范圍引起了人們對如何將人類的 "控制 "應用于此類系統，或如何將其理解為具有足夠的 "可預測性 "的關注。目標輪廓的變化也引起了相關的關注，以及在使用武力時被認為有 "非人化 "的風險。這些主題是關于限制武器系統自主權的國際法律討論的核心。

1.2 趨勢

在過去的幾年里，看到生產商的數量和多樣性都在增加，自主武器系統所處環境類型的變化，以及隨著自主性的增強，武器系統的能力也在發生變化。

1.2.1 制作商

來自越來越多國家的越來越多公司正在開發具有越來越多自主功能的非飛行武器系統。在過去，主要是美國、西歐、韓國和以色列在這個領域處于領先地位。最近幾年，來自中國、俄羅斯、土耳其和東歐的生產商出現得更多。更廣泛地說，幾乎每一個擁有大量國內武器開發能力的國家也在為其產品增加自主功能。

1.2.2 環境與平臺

大多數武器系統的自主目標定位最初是針對通常不太復雜的領域--海洋（地下和表面）和空中的目標物體。這方面的一個例外是地雷，它也使用傳感器來探測并對目標施力，并且與重大的人道主義問題有關。然而，其他具有自主功能的武器系統是在更簡單的環境中使用的，這些環境呈現出更均勻的地形，與之互動的固定物體和車輛較少，這也導致了更容易的背景，以正確識別預定目標。然而，最近，看到無人駕駛地面車輛（UGVs）的數量在增加--由于環境的復雜性，操作上的成功率有高有低。目前，UGVs仍然需要人類操作員在環境中遠程導航。在空中，游蕩彈藥的生產有了很大的擴展，這些航空器可以攻擊地面上的目標。這種系統可以在指定的地理區域內搜索潛在的目標一段時間。當打擊陸地上的目標時，這些系統可以將具體何時何地發生武力的不確定性與地面上平民和物體的相對豐富和多樣性結合起來。因此，據報道，目前的許多游蕩彈藥都有一個人類操作者，在彈藥與目標交戰之前必須批準攻擊。

1.2.3 能力與特征

縱觀具有自主功能的武器系統的能力，近年來在以下方面有所提高：

• 潛在的作戰時間和地理區域。
• 系統可被設定為識別和打擊的目標類型
• 可以一起行動的系統的數量；以及
• 可以在沒有人類參與的情況下執行的任務類型。

使部件更小、更輕的能力，加上更長的電池壽命，擴大了操作的時間和地理區域。由于信息技術（包括處理能力、大數據、神經網絡、模式識別）和傳感器（包括電子光學和紅外攝像機）的進步，自動目標識別的發展導致了更多種類的目標輪廓的潛力。最近幾年也出現了對蜂群技術的重視，例如在中國、美國、俄羅斯和土耳其的軍事項目。目前，大多數蜂群要么是遙控的，要么是預先編程的，但各國和各公司正在優先考慮開發自主運作的蜂群能力。易于交換的組件和有效載荷--包括各種相機和傳感器（包括光電、熱能和聲納）、電子戰系統以及一系列用于實際使用武力的 "武器 "或彈頭（無論是否打算致命）--擴大了可能的應用范圍。當以群集方式部署時，不同的系統可以配備不同的有效載荷，以創造一系列的操作選擇。本報告中描述的各種武器系統是這種發展的例子，包括無人機40、卡爾古、亞里和機器人戰車。一個重要的跨領域趨勢是新技術組件的成本降低。這有助于公司和軍隊采用更多的模塊化方法，并對不同的能力進行更多的試驗。成本的降低也使消耗性成為可能--例如在許多在打擊目標物體的過程中被摧毀的閑置彈藥中可以看到。

1.2.4 營銷自主性

值得注意的是，不同的公司對自動化和自主性的標記或表述是不同的。對一些公司來說，"自主性"一詞被用作強調創新的積極營銷術語。其他公司則試圖強調保留人類的決策，也許是考慮到正在出現的關于武器系統自主性的公眾和政治辯論。這意味著自動化功能的實際性質和程度在宣傳資料中并不總是很明顯。

1.3 研究背景

本報告的研究基于公共領域的信息，要么來自公司網站，要么來自可信的（軍事方向）媒體。并非所有關于這些技術的技術和操作信息都可以公開獲得。已盡力確保信息的正確性。

本文中強調的系統具有不同程度的自主性。并不是說這些都被認為是自主武器（在使用傳感器探測和對目標施力的意義上）。然而，它們確實指出了在武器系統中增加自主性的趨勢和可能性。分析這些能力可以為關于自主武器的辯論提供信息。在未來幾年，可能會繼續看到武器系統具有進一步擴大地理范圍、持續時間和目標輪廓復雜性的技術能力。所有這些領域的漸進式發展可能會推動所使用武器的效果更加不可預測。這意味著，與其說是一個分水嶺，不如說是朝著更加自主和減少人類用戶在決策過程中的作用不斷邁進。

10個自主武器系統案例

（具體案例系統參數請閱原文）

（1）無人機 40（游蕩彈藥）- 澳大利亞

無人機40（Drone 40）是一種小型四旋翼無人機/彈藥，可由40毫米步兵榴彈發射器發射。它有基于GPS的自主導航和一個便攜式 "地面站"。操作員可以遠程解除彈藥的武裝，使其降落回收。它可以使用各種有效載荷，包括用于偵察的傳感器、非致命性（煙霧/閃光）和致命性彈藥。它包括多個無人機同時打擊一個目標的能力。

無人機40的開發主要由澳大利亞政府資助。衍生產品也已經開發出來，用于60毫米、81毫米和155毫米發射平臺，具有更大的有效載荷和射程能力。 無人機40已經賣給了澳大利亞和英國的軍隊。英國已經在馬里使用Drone 40進行監視和偵察。它還被用于波蘭的演習和美國海軍陸戰隊的演習中。

（2）JARI (USV) - 中國

JARI是一種50英尺長的USV，可用于反潛、反艦和反空戰。JARI可以被遠程控制，但據說在某些配置下也可以自主導航并進行戰斗活動。 由于其小尺寸和航程，獨立的遠洋任務是不可能的，但可以作為大型載人船只的輔助任務艇。 目前它是單獨使用的，但CSOC（見下文）正在努力使JARI在群組中使用。該USV已經為海軍和潛在的出口客戶設計。

（3）BLOWFISH (UAV) - 中國

Blowfish是一種長度約為兩米的無人駕駛直升機。它既可用于民用，也可用于軍事目的。Blowfish有不同的版本，包括A2和A3，規格略有不同。A2型可以攜帶多枚60毫米迫擊炮彈或35-40毫米榴彈發射器。A3可以攜帶不同類型的機槍，并采用空氣動力學設計，可以從不同角度進行射擊。 據制造商稱，Blowfish有一個目標識別系統，可以識別不同的目標，如車輛、無人機或人。它可以整合可見光和紅外線，實現多源目標識別和跟蹤。Blowfish通過自組織網絡具有蜂群能力，不必依賴地面控制。無人機可以 "自主起飛，避免在空中發生碰撞，并找到通往其指定目標的道路。一旦收到攻擊命令，它們就會以協調的方式自主地攻擊目標"。

據Ziyan稱，Blowfish A2廣泛用于軍事、警察和公共安全目的、消防、海上行動和其他領域。

（4）SEAGULL (USV) - 以色列

海鷗號（SEAGULL）是12米長的無人水面艦艇，被設計用于反水雷和反潛任務。在反水雷方面，它有 "水下機器人車輛來識別和消除水雷"。它能夠探測、分類和消除海中的地雷。對于反潛任務，它能夠發射輕型魚雷。其他類型的任務包括監視、水文地理、電子戰和海上安全。 它可以一次執行四天的深水任務，視線范圍可達100公里。 它在船頭有一門穩定的遙控12.7毫米機槍。

兩個 "海鷗 "可以由陸地或母艦上的控制站同時控制。埃爾比特系統公司在 "海鷗 "號上增加了 "云雀 "C小型無人機，以進一步提高態勢感知和情報收集能力。 以色列海軍已經在北約的幾次海上演習中使用了 "海鷗"，包括與英國皇家海軍和西班牙海軍的合作。

（5）迷你HARPY（游蕩彈藥）- 以色列

迷你HARPY是以色列航空航天工業公司（IAI）開發的一種游蕩彈藥。它結合了Harop和Harpy彈藥的能力，即探測廣播輻射和電子光學能力。它可以游蕩并探測輻射發射物體，如雷達裝置。攻擊是由擁有行動視頻資料的人批準的。據IAI稱，操作者可以控制到最后一刻來阻止攻擊。然而，該公司還表示，它有一個 "完全自主 "的操作選項。目前還不清楚完全自主模式會帶來什么，但最有可能的是，武器系統檢測并攻擊目標，而不需要人類批準。

該公司指出。"在一個不對稱戰爭和快速移動目標每次'閃爍'幾秒鐘的時代，使用游蕩彈藥為關閉火力圈提供了強大的能力。開發的系統不是依靠精確的參考點，而是在空中徘徊，等待目標出現，然后在幾秒鐘內攻擊并摧毀敵對威脅。迷你HARPY"可從陸地、海上或直升機平臺發射，射程為100公里，續航時間為120分鐘。

（6）MARKER (UGV) - 俄羅斯

MARKER是一種無人地面車輛（UGV），可以使用輪式或履帶式底盤。 它是一個實驗性平臺，用于測試地面機器人技術，如自主導航、群體互動和人工視覺。 MARKER有一個模塊可以同時控制幾個車輛。據報道，它使用算法和編程模塊來探測各種目標。 研究機構ARF（其開發者）指出，該武器系統給操作者一個目標指定，然后操作者可以批準交戰。 ARF補充說，"戰斗機器人的演變正走在提高自主模式下執行任務的能力的道路上，操作者的作用逐漸減少"。

MARKER是模塊化的，可以安裝卡拉什尼科夫生產的機槍、反坦克榴彈發射器、游蕩彈藥、電火箭，以及管狀發射和牽引式無人機。 據報道，該系統有一個模塊化的多光譜視覺和數據處理系統，具有神經網絡算法，以及 "二維和三維物體識別、語義分割、深度計算、自動自我定位、軌跡構建"。

據稱，俄羅斯已經測試了五臺Markers，作為一個沒有人類參與的自主團體運作。這些 "機器人在沒有人類參與的情況下，解決了在小組內分配目標的任務，達到最佳射擊位置，對戰斗形勢的操作變化作出獨立反應，并交換目標名稱"。MARKER還在沃斯托奇尼太空港進行了測試，在那里它與保安人員一起自主地巡邏周邊地區。在未來，開發人員計劃將其與無人機一起測試。

（7）KUB（游蕩彈藥）- 俄羅斯

KUB是卡拉什尼科夫公司和ZALA航空集團開發的一種游蕩彈藥。它可以從安裝在海軍平臺上的特殊發射器發射，如卡拉什尼科夫公司生產的BK-016型高速登陸艇。在未來，將開發一個甲板集裝箱發射器來發射KUB蜂群。 發射后，無人機可以在空中游蕩以探測目標，然后從垂直軌道上攻擊目標。這使得它可以攻擊坦克，從其 "裝甲保護最小 "的上方刺穿炮塔，也可以攻擊防空系統等其他目標。 目標坐標由操作者指定或從瞄準有效載荷中獲取。 據卡拉什尼科夫公司稱，操作人員還可以向控制系統上傳預定目標類型的圖像。 據報道，它有人工智能視覺識別功能，可以進行 "實時識別和分類檢測對象"。 它的目的是不被傳統雷達看到。

2021年，開發并測試了一個海軍版本，可以從高速船和特殊用途的船只上使用。

（8）KARGU（游蕩彈藥）- 土耳其

KARGU是一種多旋翼無人機，可用于了解情況，也可作為游蕩彈藥使用。該系統有一個便攜式移動地面控制站，允許用戶批準使用武力或中止任務。 開發商STM公司表示，他們認為 "從道德上講，應該有一個人參與到這個循環中"。 然而，這并不意味著KARGU在技術上不可能自主地對付一個目標。

STM公司一直在進一步開發KARGU的能力，據說包括面部識別，以及增加該系統可使用的有效載荷的多樣性。根據STM公司的說法，多達30個卡爾古裝置可以在一個蜂群中一起運作，同時由一個地面控制站控制。

Kargu于2020年被引入土耳其武裝部隊，并有報告稱將有更多的單位被交付。根據聯合國的一份報告，KARGU也被用于利比亞，在那里，"武器系統被編程為攻擊目標，不需要操作員和彈藥之間的數據連接"。 據報道，阿塞拜疆也使用了這種武器，但沒有得到證實。

（9）機器人戰車(UGV) - 美國

機器人戰車（RCV）是美國正在開發的一系列無人駕駛地面車輛。其目標是讓它們作為一個團體工作。輕型RCV（RCV-L）的重量不到10噸，其主要目的是偵察和信息收集。它有更多的傳感器和較少的重型武器（一枚反坦克制導導彈和一個無后坐力武器）。它的模塊化平甲板結構可以使用超過20種有效載荷。它的目標是主要與較小的和無裝甲的車輛作戰。 中型版本裝備了更多的裝甲和火力，以對付更廣泛的目標。中型RCV（RCV-M）將重約15噸，并將擁有更多的火力（幾枚反坦克引導導彈，一門30毫米大炮和一挺機槍）。在2020年的一次測試中，它安裝了Switchblade游蕩彈藥。 RCV-M比RCV-L更耐用。 RCV重型（RCV-H）將重達20-25噸。它仍在開發中，但打算擁有M1艾布拉姆斯坦克的火力和生存能力，同時重量要輕得多。它的目的是作為有人駕駛的坦克的伙伴單位。

RCVs將擁有自主導航和遙控武器。計劃為這些系統配備人工智能輔助探測和目標識別（AIDTR），以 "比人更快、更有效地探測和識別威脅車輛"。它必須能夠形成共同的作戰圖景，并 "分析威脅模式和習慣，并向指揮官提出建議"。 目前，每輛RCV由兩名操作員控制，一名為駕駛員，一名操作武器系統。 據報道，未來的意圖是一個操作員將控制幾個系統，他們只需要給予許可就可以與目標交戰。

Qinetiq公司正在建造RCV-L。德事隆公司正在其Ripsaw小型坦克的基礎上建造RCV-M。RCV-L和RCV-M已經進行了單獨測試。這兩個系統將在2022年參加載人-無人合作（MUM-T）士兵作戰實驗。

（10）Agile condor(電腦吊艙) - 美國

Agile condor不是一個武器系統，而是一個可以添加到MQ-9 "死神 "無人機上的使能技術。它是一個結合機器學習的機載高性能嵌入式計算機，用于自主融合和解釋傳感器數據，以識別、分類和 "提名"感興趣的目標。 傳感器數據來自MQ-9 "死神 "的傳感器，其中包括光電和紅外傳感器以及合成孔徑雷達。敏捷禿鷹 "吊艙由許多隔間組成，可以支持各種技術，包括商用單板計算機、圖形處理單元、固態硬盤存儲和更先進的芯片。 開發者設想了以人腦為模型的計算機技術的潛力（所謂的神經形態架構）。

板載處理減少了必要的通信帶寬，因為系統有可能只與其他平臺共享特定數據。 此外，機載視頻處理有助于減少分析和決策時間，當使用帶有攝像頭的無人機進行ISR時，這可能是一個很大的問題。越來越多的軍隊正在尋求使用機器學習來加快對這些數據的分析，正如在 "Maven項目 "中看到的那樣。敏捷禿鷹吊艙將把這種技術整合到平臺本身。它還可以使MQ-9在GPS和通信缺失的環境中更自主地運行，因為該技術還可以通過識別地標來進行導航，避免潛在的威脅。雖然沒有明確提到，但機載處理能力也可以讓它自主地探測、識別和攻擊目標。一個開發者的視頻說明了該系統通過使用面部識別來識別一個人類目標，并提醒地面上的操作人員，后者改變了經過該地點的車隊的路線。

第一個Agile Condor吊艙于2016年交付，2020年9月，Agile condor吊艙在一架MQ-9 Reaper無人機上進行了測試。

結論

本文強調了在其運作中具有 "自主性 "的十個系統。并不是說這十個系統比其他許多可能被指出的系統更有問題。之所以選擇這些例子，是因為它們指出了自動化能力被納入其中的系統的多樣性：能力的多樣性、運作的規模、運作環境和來源國的多樣性。

這些系統中的大多數在使用武力的時候都保留了人類決策的能力。在導言中對 "自主武器 "做了廣泛的定義，即探測目標并根據傳感器的輸入對其使用武力的系統。在這里看到的系統包含了自主性的一些方面，但根據這個定義，它們不一定是 "自主武器"。然而，它們中的許多可以被配置成這樣一種模式。這就提出了這樣的問題：隨著時間的延長和更廣泛的行動地理區域，將如何做出有意義的決定，即是否可以將某些模式的傳感器數據充分代表一個合法的目標。分析武器系統自主性增強的趨勢，可能有助于確定可能需要監管的領域，以確保遵守道德和法律規范。