多智能體系統在解決復雜和動態領域的問題方面顯示出巨大的潛力。這種系統由多個單獨的實體組成，稱為智能體。系統的整體行為是由其組成的智能體的許多相互作用產生的。大多數研究的系統由同質的智能體組成，它們擁有相同的行為或物理形式。然而，最近的工作表明，擁有不同行為或形式的異質智能體可以提高系統性能。這項研究考察了異質性對多智能體系統有效性的影響，并研究了多智能體系統在聯合武器戰中的應用，聯合武器戰同時應用異質單位類型來完成軍事目標。數百個形態上同質和異質的多Agent團隊被演化出來，并對其完成某些目標的能力進行評估。結果表明，沒有一個團隊配置在所有情況下都表現出色，在異質和同質配置之間轉換的能力對團隊的成功比任何配置的異質性更重要。結果進一步表明，美國海軍陸戰隊理論中描述的聯合武器戰術可以從簡單的、分散的智能體的互動中產生，表明該領域的未來研究可能被證明對聯合武器戰爭的軍事藝術有價值。

引言

1.1 問題背景

現代聯合武器理論要求同時應用多種武器類型，以達到大于其各部分之和的效果[1, 2]。復雜適應性系統（CASs）的研究人員對這句話很熟悉，它是一種涌現的語言，通過這種現象，一個相對簡單的智能體系統表現出復雜的總體行為，從而創造出 "小中見大 "的效果--大于其部分之和[3, 4, 5]。約翰-博伊德（John Boyd）的工作是基于當前的聯合軍備理論，他將武裝部隊視為由處于不同角色的自主單位組成的復雜網絡，并借鑒了CAS文獻來發展其戰爭理論[6]。對博伊德來說，每個軍事單位都填補了一個專門的利基，有助于整體的運作，因此，發展一支有效的聯合武器部隊是一個多智能體系統工程問題。在這樣的問題中，每個智能體必須被設計成通過與同伴的互動，在系統層面上幫助產生一些理想的特征。例如，戰斗的勝利是軍隊的一個理想特征，每個士兵的訓練和裝備都是針對贏得戰斗的整體任務。

聯合武器部隊具體來說是一個異質的多智能體系統。異質性一詞表示智能體之間在形態上、行為上或兩者上的差異。形態上的異質性指的是物理特性上的差異，而行為上的異質性指的是智能體對感知數據的行為方式上的差異。因此，形態上的異質性智能體就像坦克與飛機或警犬與警察一樣不同。行為上的異質性智能體不同，就像兩架相同的飛機在執行任務時可能扮演不同的角色，或者一個士兵可能在另一個士兵前進時提供火力掩護[3, 7]。

聯合武器戰爭的歷史提供了許多異質系統的例子，從古代的小兵、步兵和騎兵的聯合編隊到現代空軍的復合翼概念[8, 9]。現代計算機模擬和人工智能（AI）的研究提供了新的機會，通過建模和評估部隊的組成和戰術來推進聯合武器理論。最近的研究表明，智能體能夠在戰略游戲中產生新的戰術[10]，協調多個物理和行為上不同的單位，在物理世界中執行協作任務[11]，并在智能體的合作團隊中產生新的和多樣化的行為[12]。所有這些結果都與聯合武器理論有直接關系。這樣的研究既促進了軍事藝術的發展，也促進了人工智能和多智能體系統的研究。

1.2 研究問題

假設異質智能體系統將比同質系統更有效地完成分配的任務，其中有效性是由衡量成功完成任務的健身分數來衡量。更具體地說，這項研究將回答以下問題。

1.行為的異質性是否會改善或損害多Agent系統在聯合武器場景下的性能？

2.形態上的異質性是否會改善或損害多Agent系統在聯合軍備情況下的性能？

假設異質智能體系統將比同質系統更有效地完成分配的任務，其中有效性是由衡量成功完成任務的健身分數來衡量。更具體地說，這項研究將回答以下問題。

1.行為的異質性是否會改善或損害多Agent系統在聯合武器場景下的性能？

2.形態上的異質性是否會改善或損害多Agent系統在聯合軍備情況下的性能？

3.給定一組形態不同的單元，多Agent系統能否在沒有明確的中央指令的情況下表現出協同的聯合武器行為？

問題一和問題二涉及到可以將多樣性引入到智能體群體中的方式。采用具有物理或形態差異的智能體是否有益？為了回答這些問題，本研究在各種不同的任務中測試并比較了行為上和形態上的異質團隊。第三個問題是評估多智能體系統參與聯合武器戰爭中的合作行為類型的潛力。

這項研究提出了幾個戰斗單位的異質團隊的模擬，并評估了形態和行為異質性對團隊有效性的影響。多個異質和同質團隊被生成并在四個場景中測試，每個場景都有不同的目標。隊伍根據其勝利率進行分級，并與所受傷害成反比。測試結果被用來確定最有效和最高效的團隊配置和行為。

最合適的團隊表現出合作戰術，包括側翼機動、偵察、多管齊下的攻擊和其他行為。這些戰術產生于每個團隊成員智能體的互動，并且經常結合不同的智能體形態或行為。這項研究表明，異質性對團隊適應性的影響因情況而異，最有效的團隊傾向于演化出異質性行為和形態來克服戰術挑戰，而且聯合武器戰術可以從簡單智能體的相互作用中出現。

1.3 貢獻

這項研究提供了一個動態領域中同質和異質多智能體系統的比較。它支持國防部（DoD）發展自主武器系統的優先事項[13]，并通過展示從簡單的智能體互動中出現的可識別的戰術行為，將多智能體系統理論應用于聯合武器的軍事藝術。提供了一個新的和可擴展的模擬器，用于未來對單體和多體系統的研究。

1.4 概要

第二章提供了多智能體系統的相關背景和研究，并概述了該領域與聯合武器理論的關系。還提供了RoboCodePlus模擬器的描述。第三章描述了用于執行實驗的方法，概述了智能體架構、測試場景以及用于生成和進化單個團隊的遺傳算法。第四章分析了每個實驗的結果并得出結論，而第五章總結了所做的工作并為未來的工作提供了建議。

美陸軍網絡部隊的技能和能力在其成立后的十年里得到了增長。本文重點介紹了美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力帶來了挑戰。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領域行動的需要。

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工作是在二十世紀初，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建立軍事航空后發展起來的，但由于當時缺乏危機感而被界定和限制。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。像陸軍航空隊一樣，陸軍的網絡部隊正在達到成熟，擁有切實的能力和對對手的作戰經驗，并將受益于評估先前的組織和人事決定的影響，為多領域行動做準備。

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。美陸軍和國防部（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；以及

• 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，并阻礙了統一的努力。

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團隊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團隊。 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。本文認為，美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。

美國軍隊繼續在日益復雜的安全環境中作戰，不能再期望在每個領域都有無爭議的或主導性的優勢。由特種作戰部隊（SOF）操作的飛機需要改進防御能力，以支持在非許可環境下的任務。將自動化和人機協作納入現有的防御能力，可以減少威脅的反應時間，提高有人和無人飛機配置的防御機動的有效性。這篇論文研究了作為威脅反應一部分的飛機機動的價值，以確定人類干預對時間和準確性產生負面影響的情況。它還考慮了復制Merlin實驗室的飛行自動化方法和將能夠進行防御性機動的機器訓練系統納入現有飛機的機會。分析表明，飛機的機動性對于有效的威脅反應至關重要，自動選擇操作者的行動可以提高對某些地對空威脅的生存能力。這篇論文建議重新關注特種部隊飛機的防御能力，并贊同將機載自主系統整合到傳統的載人平臺上，以提高防御性威脅反應。它還主張繼續研究在SOF任務中使用可選的載人飛機，以完善其操作效用，并在各種任務平臺上擴大能力。

美國軍隊繼續在日益復雜的安全環境中運作，不能再期望在每個領域都有無爭議的或主導性的優勢。由于地對空威脅已經擴散到在世界各地活動的敵對行為者，未來的作戰環境將以有爭議的空域為特征，這將對有人和無人駕駛飛機的操作構成挑戰。由特種作戰部隊（SOF）操作的飛機需要改進防御能力，以便在這些有爭議的地區進行機動，同時支持傳統SOF任務。這篇論文研究了商業能力的進步，以減少威脅的反應時間，提高有人和無人駕駛飛機配置的防御性機動的有效性。

通過與位于波士頓的飛行自動化初創公司Merlin實驗室合作，本分析探討了防御性機動的潛在自動化。飛機機動是對威脅作出有效反應的一個關鍵方面，自動選擇操作者的行動可以提高對某些地對空威脅的生存能力。通過確定AC-130J威脅反應中人為干預影響飛機操縱時機和準確性的步驟，這項分析揭示了復制梅林實驗室的飛行自動化方法和將能夠執行防御性操縱的機器訓練系統納入現有飛機的機會。

在威脅反應過程中確定的關鍵步驟包括威脅指示、威脅作戰識別和威脅反應配對。目前，機組人員手動執行這些步驟來完成防御性威脅機動。然而，這些步驟中的每一個都可以從自動化和人機協作中受益，通過三種明顯的方式提高整體性能。首先，生成簡化的視覺和聽覺威脅指示，確保及時通知威脅的存在。其次，自動識別過程以準確識別威脅的變體，減少了反應時間和人類識別錯誤的可能性。最后，將威脅識別與適當的飛機反應同步配對，減少了不必要的延誤，并提高了威脅操縱的準確性。

這篇論文建議重新關注SOF飛機的防御能力，并贊同將機載自主系統整合到傳統的載人平臺上，以改善防御性威脅反應。將人機協作和自主能力納入飛機防御系統，可以使防御機動性能優于傳統系統，并允許在更廣泛的環境中作戰。除了改善防御性機動，梅林實驗室的自動飛行甲板在各種不同的飛機和任務中提供了潛在的用途。繼續研究應該調查在SOF任務中使用可選擇的載人飛機，以完善其操作效用，并在各種任務平臺上擴大能力。最后，在整個特種部隊中采用梅林系統將顛覆既定的操作慣例，需要個人和組織行為的改變。為了緩解過渡期并提高采用率，AFSOC應采取步驟，盡量減少利益相關者的行為變化，同時最大限度地提高系統的操作效益。培養對人工智能、機器學習和自動化的理解，將使這些行為者為軍事技術的快速變化和戰爭特征的變化做好準備。

圖 9. AC-130 防御性威脅反應圖。

太空一直是一個需要高度自主的領域。所需的自主性帶來的挑戰使其難以在短時間內完成復雜的任務和操作。隨著越來越多地使用多Agent系統來增強空中領域的傳統能力和展示新能力，在軌道上和近距離多Agent操作的發展需求從未如此強烈。本文提出了一個分布式的、合作的多Agent優化控制框架，為在近距離操作環境中執行多Agent任務相關的分配和控制問題提供解決方案。然而，所開發的框架可以應用于各種領域，如空中、太空和海上。所提出的解決方案利用第二價格拍賣分配算法來優化每個衛星的任務，同時實施模型預測控制來優化控制Agent，同時遵守安全和任務約束。該解決方案與直接正交配位法進行了比較，并包括了對調整參數的研究。結果表明，所提出的技術允許用戶用模型預測控制來優化超越相位的控制，并以三個調諧參數實現編隊交會。與傳統的多相MPC相比，這更好地接近了配位技術中的相變。

融合項目（PC）是一項美國陸軍學習活動，旨在整合和推進他們對聯合部隊（陸軍、海軍、空軍和海軍陸戰隊）的貢獻。根據研究和分析中心（TRAC）-蒙特雷的說法，"PC確保陸軍作為聯合戰斗的一部分，能夠快速和持續地整合或'融合'所有領域的效果--空中、陸地、海上、太空和網絡空間，以便在競爭和沖突中戰勝對手"（研究和分析中心[TRAC]2020）。目標是評估在PC21上展示的新的創新系統（SoS）技術是否滿足為聯合部隊提供必要的速度、范圍和融合所需的作戰能力，以產生未來的決策主導權和大國競爭的超能力。然而，鑒于PC期間各種現代技術的注入，TRAC-蒙特雷目前缺乏一種方法來衡量作戰效果以及作為軍隊和聯合部隊的融合是否正在實現。因此，本項目的重點是制定一個概念性的評估框架，以確定在PC21演習中測試的多域作戰（MDO）任務中SoS的作戰有效性。這個框架將集中在那些被證明可以減少傳感器到射手（S2S）時間的技術的行動有效性，以便在聯合MDO任務中消滅一個固定的目標。

該小組確定，對某一特定能力的功能分解，結合用于開發MOE的Langford綜合框架的修改版，將產生描述該特定能力的行動有效性的良好措施。為了將衡量標準轉化為價值分數，團隊使用了構建價值尺度的理想范圍方法，該方法為每個衡量標準建立了一個從最好到最壞的情況，使其具有適應任何能力的靈活性。帕內爾的搖擺加權法被用來量化利益相關者對每個蘭福衍生的MOE的重要性，以確定能力的每個MOE的加權價值分數（WVS）。WVS相加得出總分，這就提供了對運營有效性的最終評估。然后，該團隊產生了一個行動有效性量表，向利益相關者說明他們的能力在這個量表中的得分情況。

該項目最后針對概念評估框架應用了PC21用例，以衡量其在生成與用例中的能力最相關的MOE以及單一行動有效性分數方面的穩健性。該模型的最終驗證將在目前計劃于2021年10月開始的PC21期間進行。

總之，該團隊使用系統工程流程建立了一個概念性評估框架系統，該系統將使TRAC-Monterey有能力評估PC21期間展示的新的創新SoS技術的作戰能力。該團隊開發了一個利益相關者分析，一個由利益相關者衍生的目標層次，一個功能分解，以及一個創建良好措施的過程，將這些措施轉化為價值分數，量化措施的重要性，并將產生的價值匯總為一個單一的、行動有效性分數。該框架將為利益相關者提供信息，使他們能夠就進一步的技術開發做出明智的決定。TRAC-Monterey還可以將本研究中制定的衡量標準作為指南，在整個PC21和未來的PC活動中收集相關信息。

建議 TRAC 在 PC21 期間對照 S2S 用例 1-1 驗證概念性評估框架。還應采用其他用例來測試框架的靈活性和可用性。還建議進一步研究行動效率的認知方面，以及如何利用這些信息來擴大本評估框架的范圍。TRAC和JMC向團隊表示，PC的努力將有助于改寫聯合行動的理論。

摘要

本技術評估報告總結了2022年7月舉行的北約 "評估新興技術對軍事后勤的影響 "專題討論會期間的發言要點。它補充了會議記錄中收集的論文，討論了主題演講的要點，并對研討會上的發言和考慮進行了總結。它確定了關鍵的見解并提供了進一步工作的建議。本次研討會對北約和國家物流供應鏈領域的新興和顛覆性技術（EDT）的思考、規劃、發展和實施提供了豐富的概述。雖然確定關鍵技術是最重要的，但同樣重要的是介紹物流供應鏈中EDT的工具、方法、研究、分析和評論，并了解北約和國家為使EDT在軍事物流中實現而采取的舉措。這些創新技術將使供應鏈得到改善，減輕人力負擔，實現成本節約，提供可見性和物流態勢感知，減輕戰區水電供應任務，提高維護和修理能力，支持行動規劃，節省所有供應類別的必要庫存，最重要的是為所有軍事活動整合成一個無縫的多領域執行軍事任務做準備。

1.0 引言

70多年來，北約一直處于技術的最前沿，以確保其盟國的防御和行動的成功。為了保持北約的技術優勢，北約必須了解新興和顛覆性技術（EDT）對安全和防御的影響有多深遠。北約2022年戰略概念[1]對此作了如下表述。"新興和顛覆性技術既帶來了機遇，也帶來了風險。它們正在改變沖突的特征，獲得更大的戰略重要性，并成為全球競爭的關鍵舞臺。技術優勢日益影響著戰場上的成功"。人工智能（AI）、自主系統、先進制造業、生物技術和量子技術等技術正在改變世界，以及北約的運作方式。2019年，北約國防部長們批準了一個EDT路線圖，以幫助構建北約在關鍵技術領域的工作。北約科學和技術組織（STO）制定了科學和技術趨勢，為該路線圖的制定提供了背景支持。STO是世界上最大的國防和安全領域的合作研究論壇。它開展和促進科學和技術研究活動，以增強北約和國家的能力，并支持整個聯盟的決策。在STO內部，系統分析和研究（SAS）小組作為分析建議的專家小組，進行研究和分析，并交流作戰分析和研究（OR&A）的方法和工具，以探索如何在作戰環境中有效或高效地使用已開發的能力、新概念、組織的變化或創新技術[2]。

SAS小組提議并由STO批準舉辦 "評估新興技術對軍事后勤的影響 "的研究專題討論會。該研討會于2022年7月6日和7日在羅馬高級國防研究中心舉行，該中心是意大利國防聯合機構，為意大利武裝部隊提供管理、戰略領導和國防與安全相關問題的最高教育水平。該研討會匯集了來自北約成員國和伙伴國的物流、物流技術和從事未來物流能力OR&A的主題專家，以討論和評估EDT對物流的影響。專題討論會強調了整個北約開發利用新興技術的物流能力的工作。預計這將有助于發展未來的后勤業務、國家采購和教育/培訓計劃，了解新出現的互操作性挑戰，并確定更廣泛合作的機會。專題討論會的進行必須在北約的轉型舉措及其對創新的關注的背景下進行理解，其中位于弗吉尼亞州諾福克的盟軍司令部轉型是北約能力發展的先鋒，科學和技術組織作為科技前瞻的監督者，北大西洋理事會（NAC）通過北約的創新委員會和新興和顛覆性技術咨詢小組指導其主要委員會實施創新和加強北約的技術準備工作。

1.1 新興和顛覆性技術

在未來幾年，隨著人、機器和服務之間的相互聯系成倍增加，采用創新技術將是必要的。雖然計算網絡、大數據處理、數字交易和無處不在的傳感的存在似乎已經在世界最富裕的地區確立了自己的標準，但這些創新所承諾的全球規模的轉變，實際上還處于早期階段。網絡物理技術的快速采用和整合將通過重新定義和消除工業部門、政府機構和其他基礎設施建設之間的既定界限來改變經濟。此外，區塊鏈、分布式賬本和加密代幣方面的進展有望對人類活動在'網絡空間'的影響產生深遠影響[3]。

在軍事上，這種技術格局的變化將從根本上重新定義人類的有組織沖突，表現為新的戰爭方式。未來科技格局的特點是：綜合和整體的情報、分析和決策能力；利用現實和虛擬網絡重疊的戰爭領域，其中傳感器、流程、組織、個人和自主代理連接；分散和無處不在的大規模傳感、存儲、計算、決策、研究和開發；以及人類、物理和信息領域的混合，創造新的現實[4]。這四個因素的結合將創造出能夠進行更復雜決策和自我指導活動的自主系統和代理。此外，新的適應性C4ISR網絡將產生風險和脆弱性，因為軍事行動中的深度行動依賴性，因為它們依賴于行為者之間的無縫和無處不在的連接。此外，更大的作戰環境（包括網絡和空間）以及傳統領域（空中、陸地、海上）之間的相互聯系需要以廣泛分散、相互聯系、不分領域的方式進行綜合思考、規劃和操作。最后，雖然整個C4ISR能力的數字化和小型化的提高使智能、互聯和分布式系統得以實現，從而開辟了新的機會，但它們也增加了對低成本和廉價精確武器的脆弱性，因此帶來了風險。

1.2 后勤創新

后勤對于任何軍事行動都是至關重要的。沒有它，行動就無法進行和維持。后勤是實施和控制從大本營到散兵坑的貨物運輸和儲存的效率和效果的規劃過程。雖然EDT的采用在C4ISR領域得到了熱切的理解，因此得到了高級指揮官的關注，但在后勤領域的創新引進卻一直滯后。為了確保軍事行動的領域無關、無處不在、相互關聯，軍事后勤創新必須通過整合思維、計劃、執行和維持行動來支持無縫操作，而且必須注意識別和減輕戰略脆弱性和依賴性，包括與北約的關鍵基礎設施、供應鏈和衛生系統有關的。新技術將支持跨組織的供應鏈，并將創造一個動態的后勤功能，包括操作效率和戰略靈活性，其中 "你要求，我們提供 "將無法完成工作：它需要協作服務，這與C4ISR領域的特點相似：智能、互聯、分布和數字化（I2D2）。因此，通往未來物流的道路要求物流概念需要采用新技術，并適應不斷變化的操作環境，即概念要對多領域、可互操作、網絡化和連接的環境敏感，并強調自力更生、自我修復和復原力。EDTs正在擾亂物流過程，這導致需要擴展軍事物流的定義，在更大的地理范圍內監督整個供應鏈，包括從采購、管理、分配、運輸到教育和培訓的相關商業實體和技術[5]。為了使作戰物流能夠創新，需要像商業世界那樣，通過合作方式整合服務，加強與作戰的相互依存關系。無論是單獨還是組合，新技術都有可能改變軍事后勤信息系統和服務的提供方式。

本次研討會旨在強調物流規劃中發生的變化，技術對物流能力發展和業務使用的影響，特別是數字化帶來的物流服務的轉變。在規劃會議中，包括了預測和預報--作為EDT的結果--新的威脅和機會的影響，特別是進行維護、運輸和供應的新方法。通過應用分析、人工智能、自動化和數字化技術，可以實現人力、物資和供應的節約，但最重要的是在設計北約供應鏈時建立彈性，以應對EDTs將帶來的威脅和機遇。在技術會議上，論文將討論EDTs在自主系統中的應用，在減輕供應鏈負擔的替代解決方案中的應用，以及在遠程培訓和支持中的應用。這些例子包括用于海上和陸地行動的無人系統、增材制造和戰區內水的生成。關于數字化的論文被選中，因為它們討論了利用數字化實現的更多連接性和相互依賴性的綜合系統和服務如何能使從供應商到客戶的供應鏈受益，并確定了一些非常有前途的技術，其中元數據和區塊鏈在專門的論文中得到了特別關注。

在項目委員會主席Marcus Tynnhammer博士的介紹性發言之后，他說："我們的目標是要在全球范圍內，在全球范圍內，在全球范圍內，在全球范圍內，在全球范圍內，在全球范圍內，在全球范圍內。馬庫斯-廷哈默博士作了介紹性發言后，意大利聯合后勤教育中心主任克勞迪奧-托特里準將致歡迎辭，他強調，鑒于不斷變化的安全環境、日益復雜的后勤業務、民用公司的參與以及作為本次研討會主題的新技術的引入，本次研討會的舉行非常重要和及時："正如在每個戰斗領域，技術先進的后勤是任何防御性或進攻性行動取得成功的基礎。托特里將軍進一步指出。"在軍事后勤中實施先進技術是一項絕對重要的戰略要求"。

多年來，加拿大國防研究與發展部（DRDC）一直通過一系列的研討會與軍事人員接觸，評估新興技術對概念、能力和投資的可能影響。本文概述了影響評估框架，該框架已被設計并用于調查一些新興技術的影響。該框架包括定量和定性的措施，以及支持任務所需能力要素的正式清單。該框架的應用通過幾個新興技術領域對加拿大陸軍能力要素的評估結果來說明。被評估的新興技術領域包括量子技術、超材料、人工智能、印刷電子學、人體性能增強、合成生物學、增材制造和其他許多領域。結果提供了關于哪些軍事能力領域和作戰功能將受到所審查技術的最大影響的見解。這種方法為部隊開發人員提供了額外的證據，并支持對能力發展計劃和技術路線圖的審查。

1.0 引言

對技術、戰爭、政治和經濟之間關系的研究已經多次提出，未來必須在高度不確定的情況下做出決定。偏見塑造了國家和文化對如何預測未來的偏好。正如W.Chin所指出的，未來戰爭方面的文獻往往過度依賴明顯具有決定性軍事技術的簡單化概述[1]。

國防和安全的作戰環境不斷被競爭和沖突所塑造。雖然軍隊在評估未來作戰環境（FOE）的基礎上發展未來部隊，但它也需要評估趨勢和發展對能力的可能影響[2]。盡管大多數官方的FOE出版物包括對軍事力量的關鍵推論和高層影響，但仍然很少有既定的框架來評估新興技術在能力和概念發展方面的可能影響。

2017年，加拿大陸軍委員會批準將近距離接觸[3]作為未來軍隊（AoT）的頂點作戰概念。AoT是一個不斷發展的概念模型，說明加拿大軍隊在未來15年內應該如何配置、裝備和訓練。理想的AoT將被要求更加連接、敏捷、靈活、整合和強大。正如 "親密接觸"所指示的那樣，需要對政治、環境和技術變化進行持續的地平線掃描和觀察，以便對破壞性變化提供更好的預警[5]。作為風險管理戰略的一部分，部隊組建者需要了解技術發展以評估和利用潛在的機會。他們還需要預測和減輕他們在FOE中可能面臨的潛在風險、威脅和作戰挑戰。技術前瞻性和組織敏捷性是機構復原力的關鍵推動因素。技術優勢當然是任務成功的助推器，但創新文化和靈活的系統將是未來陸軍在作戰中成功的游戲規則。

1.1 新興技術在基于能力的規劃中的作用

一些軍隊已經采用了著名的基于能力的規劃（CBP）框架，該框架最初由Paul K. Davis[4]開發，用于支持能力和系統的長期戰略計劃。在加拿大，CBP于2005年被加拿大武裝部隊（CAF）采用。CBP是一種系統的部隊發展方法，旨在為最合適的部隊結構選擇提供建議，以滿足政府的優先事項。CBP過程評估了通過情景分析得出的能力目標。然后，通過對當前和計劃中的能力進行分析，確定并驗證能力的不足和過剩。它支持首選部隊結構的發展。CBP是一個使用場景的過程，這些場景松散地位于FOE中，以評估現有能力在多大程度上可以保持運作，并在不同場景下對任務的成功做出貢獻。CBP過程的主要結果是識別和記錄可能威脅到任務成功的能力差距和缺陷。CBP是關于評估現有軍事能力的準備程度、生存能力和維持能力。

傳統上，新興技術的趨勢是作為FOE的一部分來考慮的，從FOE中推導出一些情景來 "測試 "現有的軍事能力。評估新興技術的綜合方法需要考慮三種不同的應用背景。

• 機會：新興技術能否被塑造來解決差距和不足，提供新的能力或新的手段來實現效果？

• 風險：新興技術能否代表新的威脅，需要出口控制或技術保護計劃，加速我們自己技術的淘汰，或降低我們的能力？

• 環境：新興技術將如何塑造作戰環境？鑒于全球都能獲得新技術，我們在未來的物理和數字環境中會面臨什么？

CBP是在未來部隊結構的設計中創造機會和減少風險的藝術。

2.0 評估新興技術的方法

文獻中描述了在國防背景下評估新興技術的幾種方法。

2.1 北約DTAG方法

顛覆性技術評估游戲（DTAG）是一種方法，最初由北約SAS-062和SAS-082任務組開發[6-8]。DTAG最適合于探索新興技術在軍事場景中的使用如何可能改變行動方案和結果。DTAG使用系統理念（IoS）卡，將幾種技術整合到一個新概念中。DTAG會議通過在軍事背景下進行基于場景的桌面兵棋推演演習，探索IoS的潛在好處。

從能力發展的角度來看，文獻中沒有證據表明，擬議的IoS卡得到了現有技術路線圖或技術趨勢分析的支持，這將有助于能力開發者估計一個新的 "系統 "在可預見的未來何時可以現實地出現和部署。DTAG會議的結果產生了新的技術應用概念，但它們缺乏技術趨勢分析和路線圖的支持，使能力開發者獲得的可操作信息有限。

2.2 TOWS分析（澳大利亞）

澳大利亞陸軍采用了由國防科技集團（DST）的科學家開發的威脅、機會、弱點和優勢（TOWS）方法來評估新興技術對陸軍通用功能的可能影響。TOWS技術的描述見[9, 10]。TOWS技術將外部威脅和機會與一個組織的內部弱點和優勢進行比較。結果被用來定義一套行動，以保護組織免受威脅，并使其能夠利用機會。TOWS是專門為推斷行動和戰略而設計的。

表1：技術領域對軍隊一般職能的影響[10］

3.0 評估新興技術的綜合方法

加拿大國防研究與發展部（DRDC）用于識別和評估新興技術的一些工具和技術已經在2015年的北約IST系列講座中進行了描述[11, 12]。目前，DRDC的計劃將這些工具和技術整合到科技（S&T）展望和風險評估的綜合方法中。圖1說明了從前景掃描活動到提供戰略建議的主要組成部分和邏輯流程。新興技術影響評估研討會每年進行一次，以評估新興技術對國防和安全能力、利益相關者和政策制定者的影響。

圖1：DRDC的科技（S&T）展望和風險評估計劃。

3.1 科技展望與風險評估

DRDC的科技展望和風險評估計劃的所有活動都是按照四步程序進行的，首先是進行前景掃描活動，以確定新出現的利益趨勢，然后收集和分析信息，以發展關于這些利益趨勢的技術情報。然后評估新出現的技術趨勢對國防、安全、政策和立法的可能影響。評估的結果被用來為計劃、能力和伙伴關系方面的決策提供信息。

3.2 加拿大軍隊的作戰功能和能力

在所有的未來情況下，任務的成功和有效性依賴于執行任務所需能力的可用性、準備性、穩健性和彈性。新興技術的潛在影響需要在所有作戰功能中進行評估，以確定哪些能力可能從中受益，哪些可能面臨風險。加拿大陸軍使用五個核心作戰功能：指揮、感知、行動、防護和維持

• 指揮 - 建立共同的意圖和管理指揮的必要結構和程序。作為一項作戰功能，指揮部是其他四項作戰功能的紐帶。指揮部是將所有作戰功能整合到一個全面的戰略、作戰或戰術層面的概念的作戰功能。

  • 指揮部的運作功能由一些關鍵能力支持，包括：

    表1：支持指揮職能的能力。

指揮與控制網絡	安全、穩健、多級和移動通信系統，允許在所有適當級別進行網絡化指揮。
規劃和決策支持系統	態勢感知（SA）；協作規劃工具；建模與仿真
JIMP連接性	聯合、機構間、多國和公共 (JIMP) 連接

• 感知 - 一個單一的綜合實體，收集、整理、分析和顯示各級數據、信息和知識。戰術、行動和戰略資產被整合為一個單一的連續體。感知是為指揮官提供知識的操作功能。感知功能包含了所有收集和處理數據的能力。

  • “感知” 的操作功能由一些關鍵能力支持，包括：

    表2：支持感知功能的能力。

地面傳感器網絡	雷達;光學
空中和戰略傳感器網絡	無人機;衛星;網絡
情報系統	圖像;信號;社會文化;地理空間;人類;開放源

• 行動 - 使用一種能力來影響整個沖突范圍內物質和道德領域的事件。行動反映了對各種來源的能力的整合--戰術、行動或戰略。行動是整合了機動、火力和信息戰的作戰功能，以達到預期效果。它是聯合火力和影響活動的結合，通過機動和對作戰環境的管理而同步和協調。

  • 該法案的運作功能由一些關鍵的能力支持，包括：

    表3：支持行動功能的能力。

火力	直接火力武器；間接火力武器；遠距離火力；聯合火力；定向能武器
機動	裝甲車；輕型車輛；自主系統；戰術空運；沿岸船只
信息作戰	電子戰；心理作戰；計算機網絡作戰（防御、攻擊、利用）。

• 防護 - 為促進任務成功而采取的部隊保護措施，通過管理風險和盡量減少人員、信息、物資、設施和活動在所有威脅下的脆弱性，維護行動自由和行動效率。防護是保護部隊、其能力和行動自由的業務職能。防護功能可以保護部隊免受常規和不對稱的威脅，適用于國內、大陸和國際行動。

  • 防護作戰功能由一些關鍵能力支持，包括：

    表4：支持盾牌功能的能力。

火災防護	保護基礎設施部隊、個人、車輛、武器、設備和物資免受直接和間接火災的傷害；戰斗識別（反自相殘殺）
GBAMD	地基防空和彈藥防御
避免爆炸性危險	簡易爆炸裝置（IED）；誘殺裝置；地雷
化學、生物、輻射防御	防范化學、生物、輻射、核威脅；環境和職業健康與安全
保護免受心理威脅	反心理學行動

• 維持--產生、部署、使用和重新部署一支部隊所需的所有功能的組合。"維持"是支持行動的再生和維持能力的操作功能。

  • "維持"行動功能由一些關鍵能力支持，包括：

    表5：支持維持功能的能力。

陸地設備系統	維修設施；前方維修；回收
材料和分配系統	總資產可見度；倉儲；供應；食品服務；陸路運輸；空運；集裝箱化
行政系統	財務服務；人事管理；停尸服務；牧師；法律服務；郵政服務；娛樂設施
衛生服務系統	醫療設施；傷員后送；醫療和牙科治療；醫療用品；健康報告；預防醫學（身體和精神）。

除了作戰功能外，還考慮了部隊生成能力。一些新興技術可能會影響到部隊生成的各個方面。例如，增強現實和虛擬現實技術正被越來越多地用于加速訓練。它們還為平臺的現場維護和修理提供了新的手段。在CA的背景下，部隊組建得到了一些關鍵能力的支持，包括：

表6：支持部隊組建的能力。

組織力量產生的結構	單位；旅；師；訓練機構；靶場和訓練區；總部
兵力投送	國家維持基地；戰略交通線；戰區維持（包括工程支持）；空運；海運；APODs/SPODs

3.3 研討會方法

通常情況下，新興技術影響評估研討會以一個或多個主題專家（SME）的展望簡報開始。中小企業有責任介紹該技術領域并描述其潛在的應用。他們還提供有關被審查的新興技術領域的新興趨勢和主要領導人的有用信息，以及對該技術目前的成熟度、限制、局限性和科學界面臨的挑戰的概述。

圖2：研討會過程。

根據中小企業提供的信息和個人的專業知識，研討會參與者被要求使用簡單的李克特量表評估新興技術領域對陸軍能力的潛在影響，從0（無影響）到7（非常大的影響）。評級過程確保參與者考慮到每個作戰功能的所有能力領域的影響。通常情況下，在考慮一項新興技術的潛在影響時，參與者已經想到了一個具體的能力領域。使用一個系統的能力評級過程，可以確保"不太明顯"的影響領域也在研討會上得到考慮和討論。

圖3：評級過程和尺度。

在研討會上，"影響"的定義是：解決現有的差距和缺陷；解決持久的問題（如士兵的負擔）；改善現有的能力；引入新的概念和能力；破壞或否定現有的能力；使任務面臨風險（多種風險類別）。

在第一輪個人評估后，將結果提交給研討會參與者，以激發小組討論和辯論。小組討論提供了機會，以交流對新興技術的看法，要求中小企業提供額外的技術細節和清晰度，挑戰假設，并試圖填補 "高不確定性所固有的知識空白"。小組討論后，再進行第二輪評估。這種方法有助于衡量和減輕 "群體思維"的影響。

3.4 數據分析

在研討會上收集的數據用兩種不同的方法進行分析。第一種是依靠DRDC的科學家在2006年開發的統計工具來進行多標準分析和排名共識（MARCUS）。MARCUS[14, 15]是一個產生共識結果的有用工具。MARCUS的特點之一是它能正確處理排名中的并列關系，能容忍不完整的排名，并在必要時允許單個排名在確定共識排名時具有不同的權重。

下面的例子顯示了小組討論前后評估的微小差異。在這個特殊的案例中，在小組討論之前，評估認為情報系統（5）將受到人工智能（AI）發展的最大影響。在小組討論后，與會者評估說，規劃和決策支持系統（2）將受到最大影響。

圖4：小組討論前后，MARCUS對人工智能應用在20種軍隊能力上的排名

用于分析數據的第二種定量方法是對所有參與者對每個能力領域的評分應用一個簡單的平均函數，如圖5所示。此外，在研討會期間還收集了參與者的定性評估，以便為個人評級提供額外的理由和背景。結果被用來確定哪些能力領域和作戰功能將受到所考慮的新興技術的最大影響（技術觀點），并確定哪些新興技術將有助于塑造整個作戰功能的未來能力（操作功能觀點）。自2014年以來，CA一直在舉辦一系列的研討會，以評估幾個新興技術領域的潛在影響。

3.5 結果概述

如圖5所示，累積結果表明，支持指揮功能的能力將受到人工智能（AI）應用、人類性能優化和修改（HPO、HPM）發展以及量子科學（QS）應用的顯著影響。量子技術有望提供下一代的加密能力，可以提高指揮和控制（C2）網絡的安全性。

圖5：新興技術領域對CA運行功能的影響程度

結果還表明，在未來15年以上的時間里，支持理智功能的能力將受到幾種新興技術的顯著影響。人工智能（AI）的快速發展，以及量子科學（QS）、超材料（MM）和印刷電子（PE）的發展，將有助于塑造未來的感知能力。

對于支持行為功能的能力，結果表明它們將受到人工智能、文化行為模型（CBM）以及培訓、教育和演習5（TEE）新模式的影響。機動能力將大大受益于人工智能的發展，特別是在機器人、自主車輛和蜂群的應用領域，但也可以通過人工智能的增強現實技術為下崗士兵服務。量子傳感器的發展將提供更精確的定位、導航和定時（PNT）系統，以提高在GPS缺失環境下的機動能力。

支持防護功能的能力也將受到幾個技術領域的重大影響。材料科學和個人防護設備（PPE）設計的發展顯然將塑造未來的防火能力。化學和生物檢測和保護（CB DP）的進步將有助于增強或新的CBRN防御能力，同時合成生物學（SB）和人體性能優化（HPO）的發展也將有助于增強或新的CBRN防御能力。量子科學（QS）預計將提供新的傳感器，以實現對爆炸性危險的遠距離探測和規避。

在支持 "維持"功能的所有能力領域中，衛生服務系統是未來15年內變化最大的領域。合成生物學（SB）、人體性能優化（HPO）和改造（HPM）的發展，以及個人防護裝備、化學和生物檢測和保護（CB DP）的發展，培訓、教育和鍛煉的新模式，以及來自印刷電子（PE）的可穿戴和植入式傳感器，預計將對未來的衛生服務系統產生重大影響，前提是有適當的政策和立法。

3.6 結果

年度新興技術影響評估研討會是支持能力發展和實施國防創新計劃的關鍵。它們匯集了科學家、學者、工程師、政策制定者、項目管理人員、法律顧問和軍事人員的專業知識。自2014年成立以來，新興技術影響評估研討會為國防能力、科技合作計劃和伙伴關系的戰略投資決策提供了信息。例子包括。

• 采用部門的量子科技戰略。

• 加拿大軍隊人工智能概念文件和技術路線圖。

• 提交給國防部（DND）"創新促進國防卓越和安全"（IDEaS）計劃的新的創新挑戰。

• 在新興技術領域的新FVEY活動，如超高分子量聚乙烯（UHMWPE）。

• 幾個國防和安全政策問題簡報。

• 對敏感技術和出口控制的系統性審查6。

4.0 結論

任務的成功和有效性取決于用于實現效果的能力的可用性、準備性、穩健性和復原力。長期的戰略能力發展計劃需要識別和評估新興技術對所有作戰功能的潛在影響，以了解哪些能力可能受益于這些技術，哪些可能面臨風險。為了支持這種評估，我們設計了一個框架，其中包括定量和定性的措施以及支持任務所需的能力要素的正式清單。通過對加拿大陸軍能力要素的幾個新興技術領域的評估結果，說明了該框架的應用。自2014年第一次迭代影響評估研討會以來，累積的結果提供了寶貴的見解，即在未來15年內，哪些軍事能力領域和作戰功能將受到審查技術的最大影響。

附錄A

表A-1: CA評估的新興技術領域

5.0 參考文獻

[1] Chin, Warren, “Technology, war and the state: past, present and future” International Affairs 95: 4, 2019

[2] Sullivan et al. Mad Scientist: Disruption and the Future Operational Environment Final Conference Report 25 July 2019

[3] Kaduck Anthony (LCol), Ron Bell (LCol), Peter Gizewski, Close Engagement. Land Power in an Age of Uncertainty, Kingston, 2017.

[4] Davis, Paul K., Analytic Architecture for Capabilities-Based Planning, Mission-System Analysis, and Transformation. RAND MR-1513

[5] Chapman B. and Gisewski P., Army 2040 Seminar. A Methodology to Address Capability Development in an Uncertain Future. 30th International Symposium on Military Operational Research (ISMOR), 2013

[6] NATO-SAS-082, Disruptive Technology Assessment Game. Evolution and Validation, RTO Technical Report TR-SAS-082, 2012.

[7] H. And?s, B. Damsgaard, G. Kindvall, E. R?nnberg, S. O. Solheim and M. Suojanen, Emerging Technology Concepts and Defence Planning in the Nordic Countries, FFI-NOTAT Eksternnotat 16/00336, 2016.

[8] G. Kindvall, A. Lindberg, C. Trané and J. Westman, Exploring Future Technology Development, FOI- R- -4196--SE, 2017.

[9] Pincombe B. and Dexter P., The Possible Effects of Potential Key Technological Developments on the Force Structure of the Australian Army in 2040. DSTO-GD-0862. 2014

[10] Dexter P. and Krysiak, K. “Assessing the impact of emerging technologies on the Australian Army”. 20th International Congress on Modelling and Simulation, Adelaide, Australia, 1–6 December 2013

[11] Auger, A. Emerging and Disruptive Technologies Impact Assessment. NATO IST 135 Lecture Series. STO-EN-IST-135. 2015

[12] Auger, A. Identification of Emerging Scientific and Technical Trends Using Scientometric Analysis. NATO IST 135 Lecture Series. STO-EN-IST-135. 2015

[13] Holland-Smith, D.J. On the Risk from High-Impact, High-Uncertainty Technologies. NATO IST 135 Lecture Series. STO-EN-IST-135. 2015

[14] Emond, E. J., Developments in the Analysis of Rankings in Operational Research. DRDC CORA TR 2006-37; Defence R&D Canada, December 2006

[15] Tania Yazbeck and E. J. Emond. Multi-Criteria Analysis and Ranking Consensus Unified Solution (MARCUS) -User Guide DOR(CORP) Research Note RN 2004/13. 2004

[16] Auger, A. Emerging and Disruptive Technologies Impact Assessment Workshop. Results from 2015, DRDC-RDDC-2016-L328, Ottawa, Oct 2016.

[17] Auger, A. Impact of Selected Emerging Technologies on Canadian Army Capabilities. Results from Emerging and Disruptive Technologies Workshop, Dec. 2017 DRDC-RDDC-2018-R152. May 2018

[18] Gunashekar S., et al. Oversight of science and technology. Learning from past and present efforts around the world. RAND Europe report, 2019. RR-2921

• 本研究由美國陸軍研究實驗室贊助，根據合作協議號W911NF-21-2-0227完成。

?在日益復雜的軍事行動環境中，下一代兵棋推演平臺可以減少風險，降低作戰成本，并改善整體結果。基于具有多模態交互和可視化能力軟件平臺的新型人工智能（AI）兵棋推演方法，對于提供滿足當前和新興戰爭現實所需的決策靈活性和適應性至關重要。我們強調了未來作戰人-機器交互的三個發展領域：由人工智能引導的決策指導，高計算力下的決策過程，以及決策空間的真實呈現。這些領域的進展將使有效的人機協作決策得以發展，以滿足當今戰斗空間日益增長的規模和復雜性。

關鍵詞：決策、交互、兵棋推演、人工智能、增強/混合現實、可視化

1 引言

在傳統的兵棋推演中，指揮官利用一個共同的基于地圖的作戰地形，并在軍事決策過程（MDMP，方框1）中模擬各種因素的組合如何產生行動方案（COA）、可能的反擊行動、資源使用估計和預測結果（美國陸軍，1997年，2014年，2015年）。在幾天或幾周的時間里，MDMP過程導致了一套精煉的COAs，它對作戰環境做出了一定的假設，包括地形、天氣以及戰區資產的可用性和能力（即塑造支持主要作戰行動的活動）。

方框1. 軍事決策過程（MDMP）
MDMP是美國陸軍解決問題的理論方法，從接到任務開始，到生成作戰命令結束。MDMP被用作一種工具，幫助指揮人員審查眾多的友軍和敵軍的作戰行動。MDMP的7個步驟在規劃新任務、擴展行動和執行訓練演習所需的決策過程中灌輸徹底、清晰、合理的判斷、邏輯和專業知識（美陸軍，1997年，2015年）。
指揮官在接到任務后啟動了MDMP。在MDMP的第1步中，所有的工作人員和關鍵的任務參與者都被告知任務和待定的規劃要求，包括進行MDMP的可用時間量。確定進行任務分析所需的工具，并收集與任務和作戰區有關的文件。步驟2，執行任務分析，建立對任務的全面理解，包括關鍵的事實和假設，形成擬議的任務說明和任務分析簡報，為制定COA做準備。
MDMP的第3至第6步著重于制定COA以進行分析和比較。這些步驟包括：第3步，制定COA；第4步，COA分析（兵棋推演）；第5步，COA比較；第6步，COA批準。COA是對一個已確定的問題的潛在解決方案。每個COA都要使用篩選標準來檢查其有效性，如在既定的時間框架、空間和資源限制內完成任務。COA的選擇過程通常涉及到兵棋推演，它試圖在考慮到友軍力量和敵人能力的情況下，將行動的順序流程可視化，同時考慮到行動區域內平民的影響和要求（美陸軍，2014）。戰術模擬（兵棋推演）方法的好處是突出了作戰行動的優勢和劣勢。這往往是一個反復的過程，對作戰行動方案進行評估，然后根據需要進行修改，直到出現一個或多個具有最高成功概率的作戰行動方案來完成任務目標。
在一個具體的行動方案得到指揮部的批準后，MDMP的最后一步是制作行動指令，這是一份給下屬和鄰近單位的指令，旨在協調所有參與任務的組織的活動。這一步驟涉及到所有受命令傳播影響的組織之間的積極合作，并建立起對局勢的共同理解。

盡管MDMP幫助指揮官了解作戰環境和考慮作戰方法，但這個過程有很多局限性，如時間密集、假設僵化、跨場景訓練的機會有限，以及將人工智能（AI）指導納入決策過程的機會很少。傳統上，一項任務的成功與指揮部執行MDMP的能力直接相關。然而，鑒于當今多域作戰（MDO）的復雜性增加（Feickert，2021年），有大量的任務指揮系統和流程，與行動相關的所有活動的整合和同步變得越來越困難，甚至到了人為無法完成的地步。由于MDMP的缺陷而導致的規劃專業知識的缺乏，可能會導致不同步和不協調的行動，從而最終導致士兵的生命損失。

MDMP中沒有具體描述戰斗空間的可視化能力，但它顯然在決策過程中發揮著重要作用。最近，集成了先進可視化能力的新系統和新技術已經被開發出來，它們可以提高態勢感知，從而增強決策過程。美陸軍的例子包括Nett Warrior（Gilmore，2015），它使下馬戰士能夠直觀地看到附近的友軍和敵軍，同時根據當地的地形協同規劃戰術任務。盡管這項技術將無線電和數字地圖擴展到了下馬戰士，但它缺乏一個底層的人工智能引擎來提供決策幫助。戰斗空間可視化和交互平臺（BVI，前身為增強現實沙盤，ARES）是陸軍技術的另一個例子，它能夠為任務規劃提供分布式協作，具有從任意視角和廣泛選擇設備的共同作戰畫面的二維和三維可視化能力（Su等人，2021）。BVI架構的制定是為了拉入外部計算服務，如分析管道、模型和人工智能引擎。美陸軍研究實驗室正在努力將這些類型的服務納入BVI，包括用于加強決策支持的人工智能。

目前，MDMP并沒有將人工智能指導納入整體任務規劃方法中。美陸軍的自動規劃框架（APF）（Bailey，2017）開始通過將自主技術插入MDMP工作流程來解決人工智能輔助決策問題。指揮人員可以通過APF的數字規劃呈現、規劃創建和規劃監控工具，在任務規劃和COA開發期間獲得背景援助。任務執行和估計能力通過監測任務的規劃和實際進展，為改進決策跟蹤和支持活動提供自動協助。盡管APF為MDMP引入了基本的自動化水平，但它缺乏Nett Warrior和BVI所提供的先進的可視化和用戶互動能力。

提供地面部隊自動化和用戶可視化能力的是美陸軍最知名的兵棋推演平臺--半自動化部隊（OneSAF），為計算機生成的地面部隊提供建模和模擬能力（PEO_STRI, 2022）。OneSAF提供了半自動和全自動的軍事實體（即士兵、坦克、直升機和綜合單位）的建模，在類似真實世界的戰斗空間中以不同的保真度來支持特定的應用和場景。OneSAF主要用于訓練，并與目前的任務指揮系統具有互操作性。它可以使用多分辨率的地形和詳細的實體相關數據庫來模擬廣泛的作戰環境。然而，OneSAF對地形和實體系統的高保真建模的優勢使得它的設置和運行成本很高。它受到老化系統的限制，而且眾所周知，士兵需要大量的培訓來學習如何操作模擬，使用起來很困難（Ballanco，2019）。OneSAF的復雜功能并不適合開發人工智能能力，以實現快速和敏捷的戰士-機器決策。

除了MDMP和上面提到的陸軍平臺外，最近將人工智能納入決策過程的工作包括一些方法（Goecks等人，2021a），在模擬人類決策過程方面取得了一些成功。一般來說，人工智能在決策變量有限的問題上取得了一些成功，如資源分配（Surdu等人，1999）、飛行模擬器（Drubin，2020）和更簡單的場景。正在進行的挑戰包括需要提高人工智能的能力，以解決有多個行為者、不完整和可能沖突的信息、不斷變化的單位行動和環境屬性的復雜決策，以及需要將這些決策的后果在許多空間和時間尺度和領域內可視化。

以下各節描述了對MDMP的潛在改進。"未來軍事決策過程所需的進步"一節概述了支持MDO決策的三個研究領域，并以圖表形式描述了這些研究領域與軍事理論決策方法之間的關系。"未來軍事決策過程所需的進步 "一節中的小節對每個研究領域進行了更深入的討論。"展望推進人-人工智能團隊決策的交互技術 "一節概述了未來的作戰人員-機器接口（WMI）的發展方向，重點是與決策有關的人-人工智能團隊的跨學科研究。

2 未來軍事決策過程所需的進步

軍事決策過程在支持MDO復雜決策方面的局限性，突出了在三個研究領域的改進需要。首先，有必要將人工智能產生的指導和輔助決策支持納入MDMP。這既包括進一步開發和整合人工智能到戰斗空間決策規劃，也包括進一步改善人工智能決策過程的可解釋性和透明度（Chen等人，2018）。第二，有必要在戰略層面以及戰術邊緣，盡可能地將決策分析與高性能計算（HPC）的力量結合起來。這將能夠利用HPC系統的力量來支持建模、分析和計算時間，同時整合和同步來自所有戰區領域的信息。最后，有必要利用先進的可視化技術，如混合現實技術，對決策空間進行更準確和互動表述。不是簡單地在一個固定的時間尺度上顯示地形的二維渲染，而是需要可視化不同領域的決策是如何相互作用的，并利用混合現實技術來提高理解的吞吐量，并產生平面顯示不可能的洞察力。

除了MDMP之外，其他更廣泛適用的支持戰斗性問題解決的軍事理論包括：DOTMLPF[例如，學說、組織、訓練、物資、領導、人員和設施；（美陸軍，2018年）]，這是一個確定差距并為當前和未來作戰要求提出設計解決方案的框架；以及METT-TC[例如，任務、敵人、地形和天氣、部隊、可用時間和民事考慮；（美陸軍，2019年）]，這是一個結構化框架，用于捕捉任務相關因素的狀態，以便在軍事行動期間進行共享評估。這些理論定義了MDO戰場的信息背景，構成了應用于上述三個研究領域的軍事決策的核心基礎。如圖1所示，在為人類和人工智能指揮開發復雜軍事決策空間的新表述時，研究進展和MDO相關理論相互借鑒、相互啟發、相互加強（美陸軍，2010）。

圖1. 新型作戰人員-機器交互（WMIs）和人工智能輔助決策所需的三個研究發展領域，以支持和加強基本的MDO理論[右下圖來源：Lebsack（2021）]。

2.1 人工智能導向的決策指導

需要新的人工智能支持的WMI，以利用人工智能決策方面正在取得的進展，并為復雜的適應性決策的人工智能學習作出貢獻。在簡化的戰斗空間中測試人工智能決策輔助工具是開發過程中重要的第一步，也是將人工智能納入更成熟的戰斗空間平臺（即BVI、OneSAF）的前奏。開發用于決策輔助實驗的人工智能測試平臺可以在MDO中產生能力越來越強的潛在COA建議。圖2顯示了陸軍開發的兩個人工智能測試平臺的例子。

圖2. 兩個ARL人工智能測試平臺的例子。左邊：ARL Battlespace（Hare等人，2021）（ //github.com/USArmyResearchLab/ARL_Battlespace ）。右邊：ARL的Simple Yeho測試平臺。圖片由C. Hung制作。

人工智能測試平臺能夠開發出匯集所有領域信息的AI，并計算出人類和AI智能體的風險和預期回報。圖2的左側顯示了ARL戰斗空間測試平臺（Hare等人，2021年），它是從頭開始開發復雜決策的新型人工智能的理想場所。它對戰斗空間的抽象強調了軍隊相關場景下的核心推理原則，在這種情況下，用蜜罐進行網絡欺騙。較小的網格空間使人工智能的學習和發展能夠集中在不確定性下的復雜推理，有多個友好和敵對的agent。圖2的右側顯示了ARL的Simple Yeho測試平臺，它提供了將人工智能開發與更多真實世界場景中的默契推理結合起來的能力，有多個基于地形的海拔高度、視線范圍、障礙物、樹葉（隱蔽）、道路和城市區域。紅色陰影和黑色線條表示任務的起點和終點、左右邊界以及人工智能建議的路線。這種額外的真實性使其能夠與MDO理論相結合，包括DOTMLPF和METT-TC，并使人工智能與自然的、機會主義的士兵行為共同發展。這兩個人工智能測試平臺都可以擴展為傳統和沉浸式混合現實WMI開發平臺。

使用漸進式和可擴展的人工智能測試平臺，可以調查現有人工智能的幾個基本限制，特別是對于具有不確定性的復雜和適應性決策，以及人類和AI智能體的協作和對抗。對多智能體的協作和對抗性決策進行建模可能特別復雜，因為其遞歸性質，其他智能體是模型的一部分（Goldman，1973；Grüning和Krueger，2021），需要對決策特征、個性化的價值、風險規避、記憶和注意力進行動態和不斷發展的估計。這些具有高度不確定性、復雜性和動態性的情況是人類擅長的領域，適當設計的交互界面和人工智能測試平臺的人機協作可以提供加速和更有效的決策。對于有效的團隊合作，新穎的WMI應該幫助作戰人員篩選復雜的信息，并幫助人工智能發現決策的隱含規則。下面，我們提供了關于人機協作如何有效的案例。

多域兵棋推演中需要的復雜決策是開發有效人工智能決策輔助工具的直接挑戰。最近人工智能在圍棋、國際象棋、Minecraft和大富翁等游戲中的成功（Silver等人，2017；Goecks等人，2021b；Haliem等人，2021）是基于對世界現有狀態有完整了解的游戲（即 "開放 "游戲），而兵棋推演平臺通常包括關于作戰環境的不完整（如星際爭霸）、不確定或欺騙性信息（Vinyals等人，2019）。不確定性也可能來自變化的物理學或其他環境規則，正如在《憤怒的小鳥》中所探索的那樣（Gamage等人，2021）。由于世界狀態、不同行動者的狀態以及所采取的行動不確定性，知識的缺乏使得人工智能agent難以計算未來行動的風險回報情況（Cassenti和Kaplan，2021）。不確定性也限制了人工智能估計其他行為者的風險回報概況的能力，而這是計算有效的博弈論策略所需要的。人工智能被可能的最優和近似最優選擇的廣度所淹沒（Lavine，2019），即由于信息有限而選擇錯誤的選項，這種情況并不罕見，因為人類在制定有效探索隱藏信息的策略時，采用啟發式方法進行有效的選擇和預測（Gardner，2019）。為了幫助發展人工智能的隱性知識和探索能力，新型的WMI需要有效地解釋和展示決策景觀，以使作戰人員能夠快速和自然地瀏覽可能的選擇，同時使人工智能能夠在不施加認知負擔的情況下從人類的決策中機會主義地學習（Lance等人，2020）。這種機會主義學習可以包括：例如，凝視跟蹤，以捕捉吸引人類興趣和意圖的視覺區域和未標記的目標。它們還可以包括建立在自然的士兵選擇行為基礎上的行動者批評方法，以改善人工智能對人類專家在不確定、不完全信息和欺騙的情況下如何優先考慮某些選擇的學習，這取決于任務相關的背景。

開發人工智能的WMI的另一個基本挑戰是如何有效地整合和顯示MDO中所有五個領域的信息，特別是空間和網絡，因為這些領域的信息具有不同的時空尺度（Gil等人，2018）。對于網絡，決策的規模和速度可能比人類處理和理解的能力更快，需要人類的輸入來指導半自動化的決策，以及實施進攻和防御性欺騙策略的人工智能。WMI需要能夠以這樣的方式顯示決策圖景，即可以解釋一小部分最優和接近最優的決策策略（例如，圖3中的決策樹）。這應該包括對關鍵agent在不確定情況下的未來狀態和風險回報情況的估計（Hare等人，2020），以使有效的博弈論決策能夠被共同開發和相互理解。

圖3. 在頂部，是BVI網絡戰術規劃器應用程序中友軍與敵軍戰爭場景的三維視圖。三維視圖提供了一個比二維視圖更真實的決策視角，例如，顯示友軍（藍色）和敵軍（紅色）機載預警系統（AEWs）和周圍地形的海拔。這使得快速審查可能的視線和相對于周圍地形的感應。下面是人工智能的導航決策樹，為人工智能計算的幾個關鍵選擇的風險/回報概況以及它們如何映射到地形上提供透明度。這種抽象的決策空間還可以整合非空間決策，例如網絡欺騙。虛線表示與友方AEW的通信聯系和對敵方AEW的可能干擾。圖片由C. Hung制作。

這些挑戰為有效的WMIs設計提供了參考。也就是說，我們需要有能力從不同的來源（包括從其他國家的決策輔助工具）提取信息，以及一個能夠承載整合這些信息的計算能力的架構，同時還要處理基礎的人工智能計算（用于學習和部署）。我們還需要共同開發一個界面和算法設計，以適時地利用人類和人工智能agent的優勢并減少其局限性。

2.2 高計算能力下的決策過程

在復雜的決策過程中，需要大量的計算能力來處理和記錄所有組件、實體和狀態空間。從積累的動態狀態空間的數據集中建立過去、現在和預測模型，需要利用HPC資源來產生分析性的見解，并在決策背景下創建有用的表述。

實施HPC分析工作流程的一種方法是使用持久性服務框架（PSF）。PSF是一個最近可用的分布式虛擬化解決方案，它可以通過一個基于網絡的前端實現對HPC服務的非傳統訪問，而不像傳統的HPC環境，計算節點在特定的時間段內以批處理模式分配給用戶。此外，PSF提供對數據、數據庫、容器化工具集和其他托管平臺的分布式連續訪問（Su等人，2021）。

在一個PSF方法的例子中，一個模擬引擎連接到PSF，用于記錄人類和人工智能做出的所有決定。這允許分析在任務規劃和COA開發過程中發生的決策行為，以及識別決策模式和戰略，以開發競爭性和現實的兵棋推演場景。一個戰斗空間可視化平臺可以托管在PSF上，并使用消息傳遞協議來更新所有連接的設備接口。來自模擬引擎的狀態信息可用于生成戰斗空間和參與作戰單位的圖形表示。

使用PSF方法并利用HPC資源，可以實施人工智能輔助決策機制，利用大數據攝取和分析，同時可供地理分布的用戶用于協作決策工作和 "永遠在線 "的個性化培訓和紅色團隊。連接到PSF托管服務器的各種混合現實顯示模式可以支持一系列作戰場景，從戰略層面的指揮和控制到作戰邊緣的更多移動戰術使用。

2.3 決策空間的真實呈現

用圖形表示各級行動的軍事決策戰略需要新的可視化方法，這些方法可以應用于以規則變化、認知狀態、不確定性以及個人偏見和啟發式方法為特征的動態環境（Dennison等人，2020；Hung等人，2020；Raglin等人，2020）。戰斗空間的視覺表現應該在技術上盡可能準確和逼真，但又保持在人類可以理解和解釋的認知水平（Kase等人，2020；Larkin等人，2020；Hung等人，2021）。融合了混合現實技術的先進可視化方法有可能更好地表現多領域戰爭的變化特征及其不斷變化的威脅和動態環境。隨著最近混合現實可視化設備的技術進步，成本降低，硬件的可靠性和實用性顯著提高，混合二維和三維可視化方法現在已經成為可能。

由多個二維顯示器組成的混合現實方法增強了更先進的三維可視化能力，可以為指揮人員提供理解復雜的兵棋推演狀態空間所需的洞察力（Su等人，2021）。當需要一個共享的戰斗空間表示時，可以通過在不同的可視化模式上實現多個協調的視圖來實現協作的戰略規劃模式，以根據分布式指揮人員的輸入進行互動更新。

BVI（Garneau等人，2018）平臺表示地理空間地形信息和地圖圖像，允許指揮人員建立和修改戰術任務規劃和COA。作為一個數據服務器，BVI將地形和作戰數據分發給支持多種可視化模式的客戶端應用程序，包括頭戴式顯示器設備、基于網絡的界面、移動安卓平板設備和混合現實設備（例如，HoloLens 2、Oculus Quest）。

例如，圖3（頂部）顯示了位于加利福尼亞州圣貝納迪諾縣歐文堡國家訓練中心的高分辨率地形上的友軍與敵軍的兵棋推演場景（Wikipedia, 2021）。與MDMP期間經常使用的傳統2D地圖顯示相比，戰斗空間的3D視圖可以從多個觀察角度提供更豐富的用戶體驗。三維視圖，在BVI的網絡戰術計劃器（WTP）中，將地形和人工特征的空間信息以及由MIL-STD 2525C符號描繪的單位位置可視化（美國防部，2014）。可以想象，地理空間視角，如BVI提供的視角，支持決策者對動態戰斗空間環境的理解。與可導航的人工智能增強的決策空間（圖3，底部）搭配，組合的視角可以使人們更好地理解視覺空間依賴性、影響和因果關系、估計的風險和價值、不確定性以及復雜決策的欺騙性。將這種以地理空間和決策為中心的視角與人工智能相結合，可以提供必要的廣度，以協調物理行動與網絡和其他非空間領域的行動，跨越多個時間尺度，并具有快速適應變化的任務目標的靈活性。

3 人-人工智能團隊決策的交互技術展望

人工智能和人-人工智能團隊的快速發展需要WMI同步發展。隨著新型人工智能對有價值的COA產生更好的預測，并能更好地處理復雜的決策，它們也必須利用人類的專業知識，學習如何處理具有高度不確定性、欺騙、隱性知識和博弈論的決策。相反，人工智能的推理必須既抽象又能與兵棋推演環境相聯系，以實現透明和信任，同時又不造成過度的認知負擔。基于三維混合現實的WMI可以利用和增強人類固有的三維認知和預測能力（Welchman等人，2005；Kamitani和Tong，2006；Kim等人，2014；Boyce等人，2019；Krokos等人，2019），如果設計得當，其交互將感覺自然，同時擴大顯示多個領域的信息的能力，同時使AI能夠適時地從用戶的決策中學習。

我們強調了三個關鍵的發展領域，即人工智能引導的決策指導，支持這種指導的計算基礎設施，以及決策透明度的混合現實表現的發展。這些領域的進步需要跨越許多不同學科的專業知識。新的人工智能發展需要融合神經科學、心理學和數學的思想，以克服復雜決策中長期存在的問題的瓶頸。這包括跨時間尺度的學習和變化環境下的災難性遺忘，以及更具體的兵棋推演問題，如具有不確定性、欺騙和博弈論的多Agent決策。計算基礎設施也需要發展，因為計算能力和數據框架對于在戰術邊緣產生人-人工智能團隊的共同操作圖來說都是必不可少的。為了有效地開發，應該通過一個共同的框架來抽象出專有的限制和軟件的依賴性，并為使用和故障排除提供清晰的文檔，以使學術界、政府和工業界更好地專注于解決人與人工智能的合作問題。這個通用框架應該包括有效的信息傳遞，同時提供靈活性和適應性，以滿足人工智能開發和人類用戶在訓練和實際使用環境中的需求。最后，交互技術的開發本身需要跨學科的協同專業技術。一個基礎性的問題是如何壓縮信息使之被用戶有效地理解，以及如何最好地利用用戶的互動來進行機會主義學習。人類的大腦并不處理所有的感官信息，而是對世界進行預測和假設，以便在信息不完整的環境下節約計算。一個有效的WMI應該同時預測潛在的決策結果以及個人用戶的期望和假設。此外，人工智能決策輔助工具必須估計用戶的默契，使其能夠提供最相關的信息和最有希望的選擇，這些信息來自整個作戰領域。

結論

信息作戰和指揮與控制（C2）是美國陸軍可以向盟友和伙伴提供的兩種能力。在未來的作戰環境中，不僅要為動能作戰做準備，而且要為混合作戰和以信息為重點的戰爭做準備。這需要在復雜和默契推理的人工智能能力方面取得進展，在能夠提供持續訓練、分布式混合決策和大數據分析系統方面取得進展，以及在人與人工智能協作決策和機會主義學習方面取得進展，以實現人工智能的持續進步和人與人工智能的共同適應。這些進展中的每一項都需要跨學科的計劃性努力，以克服復雜的技術挑戰，創造新的決策原則、理論和理論方法，包括持續開發綜合測試平臺和技術，以實現政府、學術界和工業界的合作和協同發展。

當前的海軍作戰要求水手們根據動態作戰環境中的不確定態勢信息做出時間緊迫和高風險的決策。最近的悲慘事件導致了不必要的傷亡，海軍行動中涉及決策復雜性，并特別突出了 OODA 循環（觀察、定向、決策和評估）中的挑戰。涉及使用武器系統的殺傷鏈決策是 OODA 循環中一個特別緊張的類別——具有難以確定的意外威脅、縮短的決策反應時間和致命的后果。有效的殺傷鏈需要正確設置和使用船上傳感器；未知接觸者的識別和分類；基于運動學和智能的接觸意圖分析；環境意識；以及決策分析和資源選擇。

該項目探索了使用自動化和人工智能 (AI) 來改進海軍殺傷鏈決策。該團隊研究了海軍殺傷鏈功能，并為每個功能制定了特定的評估標準，以確定特定 AI 方法的功效。該團隊確定并研究了 AI 方法，并應用評估標準將特定的 AI 方法映射到特定的殺傷鏈功能。

圖：利用人工智能改進海軍殺傷鏈的作戰概念

總結

當前的海軍行動通常是快節奏的、關鍵的，并且需要做出高風險的決策，這些決策有時基于非常動態的戰區中的不確定信息。許多例子強調了提高決策效率的必要性以及減輕觀察團隊負擔的必要性。缺乏上述情況的例子包括 2017 年的菲茨杰拉德號航空母艦 (DDG 62) 和 MV ACX Crystal相撞，以及 2009 年皇家港口號航空母艦 (CG 73) 的擱淺。一些根本原因是相關人員缺乏經驗、疲勞和壓力.

上述事故展示了軍事行動的難度，并展示了 OODA（觀察、定向、決策和評估）循環中的挑戰（Jones 等人，2020 年）。人為錯誤、人的認知限制和海軍作戰固有的決策復雜性導致了 OODA 循環中的挑戰，更具體地說，是殺傷鏈過程中的挑戰。

現代戰斗空間由來自常規陸地、空中和海洋等多個領域以及來自太空和網絡空間的大量數據組成。決策者需要考慮許多因素，包括交戰規則 (ROE)、要使用的武器、傳感器和意圖評估。發現、修復、跟蹤、瞄準、參與、評估 (F2T2EA) 殺傷鏈模型緩解了該過程的一些困難（參謀長聯席會議，2013 年）。人工智能 (AI) 和機器學習 (ML) 可以通過分析備選方案和使用評估標準將 AI 方法映射到殺傷鏈功能，從而幫助海軍在戰術領域做出殺傷鏈決策。這是在本報告的五個章節中分三個階段完成的。

本報告利用了數百個資源，主要利用了美海軍研究生院 AI-OODA 團隊在其 Capstone 報告（2020 年）中進行的先前研究，“利用人工智能 (AI) 進行空中和導彈防御 (AMD)：以結果為導向的決策援助。”他們將他們的工作與 John Boyd 的觀察、定向、決定和行動決策框架相結合。作為他們分析的初步步驟，AI-OODA 團隊將特定的 OODA 功能明確且緊密地耦合到特定的 F2T2EA 功能。然而，本報告斷言 OODA 循環是一個決策循環，它嵌套在殺傷鏈的每個功能中，而不是在高壓力或低壓力情況下專門映射到一個或多個殺傷鏈功能。團隊基于 F2T2EA 模型開發了一組 28 個殺傷鏈功能。

在制定將 AI 方法映射到殺傷鏈的評估標準時，很難確定一個好的決策，這對于決策評估至關重要。在評估決策時，必須考慮選擇行動時的知識意識狀態以及解釋能力。使用了幾種對決策進行評分的方法，從定義和優先考慮感興趣的“武器-目標”到制定評分標準和報告評估結果，以供其他人審查。

目前，人工智能的狀態非常廣泛，必須對其進行解釋，以了解人工智能對殺傷鏈中功能的適用性。本報告討論了所選 AI 方法的高級概述，并突出顯示了部分最流行的方法。首先，沒有普遍接受的定義，這很難定義人工智能。其次，人工智能與機器學習 (ML) 存在差異。 ML 允許在準確性和可預測性方面取得增量收益； AI 接收數據并通過算法提供輸出。人工智能的歷史從 1940 年代艾倫·圖靈 (Alan Turing) 的加密機器到 1980 年代美國政府在戰略計算計劃中的使用，再到今天在聯合人工智能中心 (JAIC) 中的人工智能戰略五個支柱，從領先的人工智能人力到安全和倫理。美國國防高級研究計劃局 (DARPA) 在 3-wave 框架中描述了 AI 的發展方向，分為手工知識 (Wave 1)、統計學習 (Wave 2) 和上下文推理 (Wave 3) 在 1-4 個維度內情報參數的屬性（Launchbury 2017）。這些屬性包括感知、推理、抽象和學習。

人工智能涉及可以根據輸入值預測結果的監督學習。有幾種使用監督學習進行學習的技術。包括線性回歸和分類。此外，許多數值方法可以分析發生的學習有效性，例如 F-score 和 Accuracy score。人工智能還可以使用無監督學習，它使用算法來發現未標記數據集中的數據模式或分組。在分析未知（y）響應以揭示標記（x）數據中的模式時，無監督學習是有益的。數據分析界的一個著名例子是鳶尾花（Iris flower）數據集。僅使用標記的數據，可以看到響應聚集在一起，并且可以確定響應中存在模式（花的種類）。無監督學習的方法包括聚類和 K-means，但還有其他方法。強化學習有一個代理能夠接收來自環境的反饋并理解基本目標。此外，正如 Sutton 和 Barto 在（2018 年）中解釋的那樣，探索和開發之間存在權衡。最后，生成對抗網絡 (GAN) 利用無監督學習和強化學習，通常用于神經網絡 (NN)。神經網絡是機器學習算法的極好來源，它有大量的輸入，而這些輸入又會產生大量的計算。 NN 非常適合用于模擬、自然語言處理、博弈論和計算機視覺。 NN 只是一種將輸入映射到輸出的簡單方法，可以在此過程中進行學習。然而，NN 可以被描述為一種“黑盒”學習技術，因為很難解釋正在發生的事情，并且通常需要一種可解釋的 AI (XAI) 技術。 XAI 的三個主要組成部分是可解釋模型、解釋界面和解釋心理學（Gunning 2019）。數據安全必須與“大數據”一起考慮，“大數據”是指非結構化、復雜和大型數據集，具有五個 v 特征：數量、速度（數據量隨時間變化的增加）、多樣性、真實性和價值。其他理論包括決策理論、模糊邏輯和效用函數

使用上述文獻綜述，該團隊開發了一個框架，用于將 AI/ML 映射到 AMD（空中導彈防御）殺傷鏈。采取了四個步驟：1) 建立模型框架，2) 確定決策點，3) 應用 AI/ML 方法，以及 4) 分析結果。該團隊確定了以下用于殺傷鏈映射分析的 AI/ML 方法：線性回歸、邏輯回歸、聚類、關聯、隨機森林、神經網絡、GAN 和樸素貝葉斯。評估標準被稱為“決策點”并提出四個問題：（1）所需輸出的類型是什么，（2）所需的學習類型是什么，（3）可解釋性（XAI）是什么水平需要，以及 (4) 需要多少個預測變量？該團隊通過基于一組決策點和評分過程評估每個殺傷鏈功能的每種方法來執行映射。對于被認為非常適合某項任務的方法，得分為+1，如果該方法適合但次優，則為0，如果該方法不適合該任務，則為–1。

該團隊進行了映射分析，根據與殺傷鏈的 28 個功能中的每一個功能相關的評估標準（決策點）分析 AI 方法。該團隊使用評分方法來確定每個殺傷鏈功能的最佳整體 AI/ML 分數。團隊的映射顯示為 0。

該團隊的 AI/ML 映射到殺傷鏈功能為國防部和海軍提供了兩個關鍵好處。首先，映射本身是設計和開發支持殺傷鏈決策的人工智能戰術決策輔助工具的重要起點和基礎。其次，該團隊將 AI 方法映射到殺傷鏈的分析過程可用于了解 AI 在許多其他軍事和非軍事領域的應用。識別適當的人工智能方法、制定評估標準和評分過程以及制定過程功能以進行分析映射的過程對于支持許多不同人工智能系統的工程具有深遠的潛力。

表1：AI/ML方法到殺傷鏈的映射

【標 題】

Wargaming in Professional Military Education: Challenges and Solutions

職業軍事教育中的兵棋推演：挑戰與解決方案

【作 者】

美國海軍陸戰隊埃里克·沃爾特斯（Eric M. Walters）上校（退役）

【摘 要】

鑒于強調在專業軍事教育中使用兵棋推演，學校、作戰部隊和支持機構的教官——尤其是那些本身沒有經驗的兵棋推演者——如何去做呢？本文解釋了在經驗豐富專家的幫助下，為選定、修改或內部設計的嚴格兵棋式推演制定理想的學習成果的必要性。總結了最近的相關學術成果，它提供了促進協作對話的基本術語和概念，并就這種動態和沉浸式教學方法的常見但可避免的陷阱提供了建議。

【正 文】

對于那些認為兵棋推演不僅僅是一種娛樂消遣的人來說，商業兵棋推演曾經是——而且可以說仍然是——一種小眾愛好。在 20 世紀和 21 世紀初的歷史中，只有相對較小比例的軍人和學者經常進行所謂的嚴格式兵棋推演。過去，這一想法受到制度性的抵制，在職業軍事教育（PME）中使用一些人認為是兒童游戲的東西；雖然最近這種恥辱感有所減輕，但對于外行來說，兵棋推演的學習障礙仍然很高。兵棋推演可能很難學習，甚至更難戰勝有能力的對手。然而，我們已經到了 2021 年，軍事兵棋推演似乎正在 PME 學校、作戰部隊甚至支持機構中復活。海軍陸戰隊司令大衛 H. 伯杰將軍在他的指揮官規劃指南中，強調了在 PME 中練習軍事決策的必要性，這是教育兵棋推演的主要目的。但一個事實仍然存在。對于那些有興趣使用和設計兵棋推演來教授軍事判斷力的人來說，這種教學方法似乎很難有效實施。學術界的成功案例涉及作戰部隊中已經是兵棋推演者的教授、教官和海軍陸戰隊領導人。不是兵棋推演者但教軍事決策的人如何弄清楚要使用什么兵棋推演？如何使用它？各種可用游戲的優點和局限性是什么？整合兵棋推演和課程有哪些挑戰，如何克服這些挑戰？本文旨在幫助那些不熟悉兵棋推演的人定位，并就在教授決策中的軍事判斷時使用它們的經過驗證的最佳實踐提供建議。

提 綱

1 教育者如何使用游戲來教學生？
1.1 了解戰術、作戰和戰略中力量、空間和時間之間的關系
?1.2 在兵棋推演中模擬現實“決策環境”以解決決策困境
?1.3 在兵棋推演環境中體驗摩擦、不確定性、流動性、無序和復雜性的交互動力學
1.4 鍛煉創造性和批判性思維：準備、參與和分析兵棋推演活動

2 哪種類型的兵棋推演最適合學習目標？
?2.1 角色扮演游戲 (RPG)
? ?2.2 研討會矩陣游戲
2.3 系統游戲
?2.4 紙牌游戲

3 哪種情況最適合使用——歷史情景還是假設情景？

4 兵棋推演教學——挑戰與解決方案
?4.1 克服設計偏見
?4.2 時間和復雜性的挑戰
?4.3 對教師要求的考慮
?4.4 兵棋推演支持單位教育和凝聚力