亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

在大規模作戰行動（LSCO）背景下——以師級單位為行動主體——戰術目標定位對確保作戰成功至關重要。目標定位官（131A）負責管理目標定位流程，該流程遵循"決定-偵測-投送-評估"（D3A）框架（美國陸軍部，2023）。然而傳統目標定位方法受限于通信效率低下及傳感器至射手數據傳輸延遲，導致響應速度緩慢。隨著戰爭動態性日益增強，快速精準的目標定位解決方案需求愈發凸顯。鑒于此挑戰，"項目融合"（PC）通過整合人工智能（AI）與聯合全域指揮控制（JADC2）平臺等尖端傳感器-射手技術，強化師級目標定位能力。這些技術顯著加速目標獲取與交戰流程，確保LSCO中的戰術優勢（Horning, 2023）。通過變革目標定位能力，“項目融合”旨在使美軍能在快速演變的LSCO環境中超越對手并保持戰術主導權。

項目融合中的傳感器-射手集成

師級LSCO目標定位成功與否取決于傳感器與射手的快速連接——項目融合通過重大技術進步應對此挑戰。傳統系統面臨顯著帶寬限制，延誤關鍵目標數據傳輸，削弱作戰效能。項目融合通過JADC2與戰術云參考架構（TCRI）等創新實現跨域實時數據共享，實現流程現代化。AI驅動工具（如"火風暴"系統）的集成，進一步將目標定位周期從數小時縮短至數分鐘，加速戰場決策（Horning, 2023）。PC21等演習證明：自動化與實時數據融合能極大壓縮傳感器-射手時間線，確保師級指揮官快速果斷行動（Reinier, 2020）。例如AI系統分析無人機、衛星及地面單元傳感器數據，瞬息間向指揮官提供可行動情報。通過突破傳統系統局限，項目融合確保作戰師在面對演進威脅時保持敏捷與戰術優勢（Stout, 2022）。

• 人工智能與云架構賦能
   “項目融合”通過部署AI算法與機器學習模型變革目標定位流程。這些系統實時處理海量傳感器數據，自動識別高價值目標并推薦最優打擊方案。AI驅動分析顯著減輕目標定位官認知負荷，使其聚焦關鍵決策而非數據處理。云架構為分布式數據存儲與處理提供基礎設施，使作戰單元能安全訪問最新戰場情報。戰術邊緣計算設備使前沿部隊能在斷開環境維持目標定位能力，確保作戰連續性（美國陸軍未來司令部，2022）。

• 跨域協同與聯盟互操作性
   除提升處理速度外，“項目融合”的云架構系統增強盟軍互操作性。隨著LSCO日益涉及北約伙伴的聯盟作戰，此能力尤為關鍵。通過集成數據平臺，盟軍可跨境共享實時目標數據，確保協同交戰并降低關鍵行動中的誤判風險。2023年"融合頂點"演習驗證：美國/英國/澳大利亞部隊通過標準化數據格式實現無縫目標信息交換，將跨境打擊協調時間縮短60%（北約聯合能力中心，2023）。

• 未來影響與挑戰
   “項目融合”通過整合傳感器-射手技術、AI與云架構，為LSCO目標定位設定新標準。其成功實施要求持續投資數字基礎設施并推進文化轉型——作戰人員需適應與技術協同決策。隨著系統復雜度提升，網絡安全漏洞與電子戰干擾風險加劇。應對這些挑戰需強化系統韌性協議與持續人員培訓（國防科學委員會，2023）。盡管存在障礙，“項目融合”代表美軍向決策優勢邁進的轉型步伐，為未來高強度沖突中的制勝奠定基礎。

人工智能與自動化對目標定位流程的影響

人工智能（AI）與自動化技術已徹底改變師級部隊在大規模作戰行動（LSCO）中處理與打擊目標的方式。傳統目標定位流程依賴操作員人工解析傳感器數據，導致決策滯后與響應延遲。通過"項目融合"，部隊采用預測性目標定位技術，實現基于敵軍行為模式的主動打擊。該能力經"火風暴"等平臺強化，為指揮官提供實時火力解決方案，顯著降低人為失誤并縮短響應時間（Horning, 2023）。例如AI可識別敵軍行為模式并預測其動向，使指揮官能預判性部署作戰資產——此舉不僅優化戰術決策，更確保美軍戰術機動性超越對手（Patterson, 2024）。通過自動化目標定位流程主體，"項目融合"減輕131A目標定位官的認知負荷，使其聚焦高層決策而非手動數據分析。JADC2與"火風暴"等AI驅動工具整合陸海空天多域數據流，為指揮官提供戰場全景視圖。這種多域全景視角賦能更高效的資產部署，確保在對抗環境中維持主導權。隨著戰爭形態演進，AI與自動化將持續成為美軍LSCO優勢的核心賦能要素。

師級作戰中的未來能力與戰術級目標定位

伴隨技術持續進步，師級目標定位未來能力將實現跨越式發展，有望徹底變革LSCO戰術行動。"項目融合"正為整合高超音速武器、無人機與自主系統等新興技術奠定基礎。這些創新將壓縮傳感器-射手周期，使部隊既能打擊傳統火炮/導彈射程外目標，又能延伸作戰半徑（美國陸軍未來司令部, 2021）。突破性進展在于自主無人機的應用——其可實時收集情報甚至無需人工干預直接打擊目標。在高強度對抗環境中，此類能力使部隊能在無人員介入下監控并打擊目標（Stout, 2022）。當結合AI預測分析時，這些自主平臺將進一步鞏固陸軍在復雜態勢中的戰術優勢。多域作戰（MDO）通過協調陸海空天網五域行動，將在未來目標定位中發揮關鍵作用。這種全域協同模式確保師級作戰保持敏捷性，適應未來沖突的復雜性（Reinier, 2020）。隨著對手持續發展反制美軍能力的手段，跨多域快速實施打擊的能力將成為維持作戰優勢的關鍵。

“項目融合”計劃推動目標定位演進

綜上所述，“項目融合”及其對先進技術整合的強調，正根本性重塑LSCO中的師級目標定位體系。通過建立傳感器-射手無縫鏈接，該計劃加速目標定位流程，使131A目標定位官能實時處理傳遞關鍵數據。AI與自動化的應用進一步提升流程速度與精度，確保師級指揮官擁有在戰場快速明智決策的必要工具。未來，無人機、自主系統與先進通信網絡等尖端技術的持續發展，有望延伸師級戰術目標定位的覆蓋范圍與效能。隨著戰爭形態日趨復雜動態化，快速獲取、分析并打擊目標的能力仍將是維持對敵優勢的決定性因素。

參考文獻

Department of the Army. (2023, August). Field manual 3-60 Army Targeting. U.S. Government Printing Office.

Horning, M. (2023, January 30). Thoughts on PC20: Project Convergence History & Way Forward.

Patterson, L. (2024, March 1). Table of Knowledge Acts as Think Tank for Project Convergence Capstone 4. U.S. Department of Defense.

Reinier, W. (2020, September 10). Campaign of learning: U.S. Army, AFC introduce Project Convergence.

Stout, J. (2022, March 18). Key takeaways from the Army’s Project Convergence Capstone 4. Stout.

U.S. Army Futures Command. (2021, September 15). AFC pamphlet 71-20-06: Army Futures Command concept of fires 2028.

開展此項研究的原因

軍事指揮官需要在戰場上快速做出明智決策。他們依賴美國防部（DOD）系統將海量數據轉化為可執行情報。2019年，國防部啟動聯合全域指揮控制（CJADC2）計劃以滿足跨域作戰需求。CJADC2本身并非獨立系統，而是通過數據與分析優化戰場決策與信息傳遞的方法。眾議院報告要求GAO對CJADC2計劃進行審查。GAO（1）明確國防部對CJADC2概念的定義方式及其系統跟蹤、進展監測與投資管理機制；（2）評估國防部在提升現有系統間指揮控制數據共享效能方面的準備程度，以及應對新型數據共享方案開發挑戰的能力。GAO分析了與國防部CJADC2目標相關的政策、規劃文件與簡報，并審查各軍種CJADC2項目文件。GAO訪談對象包括國防部、各軍種、全部11個作戰司令部及CJADC2跨職能團隊官員。

建議

GAO建議美國防部：（1）制定CJADC2框架以指導投資并衡量進展；（2）設計經驗共享機制；（3）識別并解決實現CJADC2目標的關鍵挑戰。國防部對兩項建議表示認可，對第三項建議部分認可。

發現

聯合全域指揮控制（CJ）是國防部提出的概念，旨在通過連接太空、空中、陸地、海洋與網絡空間的選定美國資產提升指揮控制效能，同時建立與國際伙伴的互聯。國防部認為，盡管實施難度大，推進CJADC2將使關鍵決策者更快速便捷地共享與運用數據執行指揮控制任務。例如，CJADC2將推動從"轉椅式"分析模式（分析人員接收多系統輸入并手動錄入數據）向全數據整合模式的轉型。

自2019年啟動以來，美國防部持續嘗試定義與指導CJADC2計劃，但尚未構建能夠指導國防部全域相關投資或跟蹤目標進展的框架。隨著CJADC2概念逐步成型，各軍種與國防部其他實體同步推進獨立數據整合能力建設。GAO此前研究發現，確立可量化目標并據此衡量進展對組織成功至關重要。缺乏明確指導的情況下，作戰實體將繼續孤立推進指揮控制項目，可能導致CJADC2目標實現進程遲緩低效甚至失敗。國防部正開展能力驗證活動，但實驗經驗認知有限可能引發重復勞動并延緩目標達成。此外，GAO發現若干阻礙CJADC2實現的關鍵挑戰尚未被國防部正式識別與應對。例如，過度嚴格的數據分級顯著阻礙指揮控制數據共享，受訪官員亦未獲悉相關機構正著手解決此問題及其他關鍵挑戰。CJADC2領導層表示此類挑戰超出其職權范圍。若不識別并解決關鍵挑戰，國防部CJADC2目標的推進將始終受限。

第五代 (5G) 技術的部署已被確定為包括軍事在內的各行業的關鍵戰略技術。美國防部（DOD）尤其強調了盡早采用 5G 技術以保持競爭優勢的重要性。然而，在戰術網絡中部署現成商用（COTS）5G 解決方案仍需進一步研究。戰術環境復雜多變，往往充滿敵意，給網絡通信帶來了獨特的挑戰。利用純軟件解決方案集成 5G 技術，實現戰術融合，可在成本、靈活性和可靠性方面帶來顯著優勢。本研究旨在收集和分析 5G 網絡實驗數據，以深入了解在戰術環境中部署和使用 5G 技術所面臨的挑戰和機遇。目標是推動開發更有效、更高效的網絡解決方案。這項研究揭示了顯式網絡切片的潛在性能權衡、5G 擴大頻譜接入的意義，以及 COTS 解決方案在加速戰術網絡開發方面的價值。提出的建議包括在實驗性戰術環境中全面實施網絡切片，以及探索用于資源優化和網絡防御的人工智能/ML 模型。

圖 1.1. 美通信陸戰隊員在加利福尼亞州 29 Palms 的一次野外訓練中安裝 COTS 解決方案。

論文闡述了戰術融合的復雜性及其與 5G 技術的融合，為現代國防通信的戰略需要指明了方向。

第 2 章 “背景和相關工作 ”首先簡要概述了 5G 的歷史，詳細介紹了支撐其徹底改變戰術通信潛力的關鍵技術創新。這一敘述不僅強調了 5G 的關鍵技術能力，還將討論置于相關著作的背景下，明確了本研究試圖解決的貢獻和差距。

第 3 章 “方法論 ”介紹了為探索 5G 的可擴展性及其增強美國海軍陸戰隊戰術網絡并與之整合的潛力而采用的研究方法。本章概述了實驗設計以及為評估 5G 在這些獨特環境中的實用性和有效性而制定的評估標準，為嚴格的實證調查奠定了基礎。在

第 4 章 “結果 ”介紹了實證研究的結果，詳細分析了 5G 網絡在戰術條件下的表現以及軟件解決方案在促進網絡整合方面的作用。分析的重點是評估戰術融合的可行性，利用數據為有關 5G 在支持戰術行動方面的適應性、復原力和作戰效能的討論提供信息。

最后，第 5 章 “結論與未來工作 ”對研究成果進行了總結，探討了在戰術網絡中采用戰術融合的戰略意義。它闡明了 5G 和戰術融合在增強未來國防通信系統方面的預期作用，同時也為進一步研究指明了道路。最后一章旨在總結本研究的見解，反思本研究對更廣泛的軍事通信技術討論的貢獻，并提出未來探索的途徑。

北約的同級和近級對手不斷提高情報搜集、目標鎖定和遠程打擊能力。因此，通常在地理上遠離沖突地區并代表相對安全避難所的空軍基地變得越來越脆弱。因此，北約盟國和伙伴國正在進行精簡，以變得更加 “敏捷”，從而應對一系列威脅，并使對手的計劃變得更加復雜。敏捷作戰部署（ACE）是這一趨勢的直接結果，包括北約空軍部隊條令的演變。

敏捷作戰部署（ACE）是北大西洋公約組織（NATO）成員采用的最新空軍條令，代表了整個聯盟空軍武器模式的轉變。根據美國空軍條令 1-21（DN 1-21）的定義，ACE 是 “一種在威脅時限內執行的主動和被動作戰方案，在產生戰斗力的同時提高生存能力”。ACE 建立在靈活性和適應性原則的基礎上，旨在提高北約空中力量的應變能力、生存能力和反應能力，并使北約能夠隨時隨地在戰區內迅速形成全方位的空中作戰力量。

其核心是摒棄少數大型集中空軍基地的作戰模式，轉而在整個戰區部署更多規模較小、更加分散的航空資產包。這樣做的目的是使敵方的目標鎖定更加復雜，并限制敵方任何一次攻擊得手可能造成的潛在破壞，從而提高整個空中組成部分的生存能力。

圖：2023 年 8 月，在一次 “敏捷海盜 ”演習中，來自第 617 中隊 “敢死隊 ”的一架 F-35B 在英國國防部博斯科姆唐通過一架 A400M。敏捷海盜 "系列演習測試和演練了英國皇家空軍作戰飛機及其相關支持人員在英國各地陌生設施中快速分散和持續作戰的能力。 圖片來源：2023 年皇家版權/空軍專家 1 號杰克-霍布斯

ACE 承認北約的永久性基地數量正在減少，并回應了指揮官的期望，即這些基地將在對抗的早期階段成為攻擊目標。在 “積極主動 ”方面，ACE 的作用是與行動者溝通，向盟國提供支持和保證，并通過改善部隊態勢向對手表明意圖，以阻止侵略并更有效地應對潛在攻擊。與此同時，ACE 也是 “被動 ”的，它針對預期或已執行的對手演習擺出部隊態勢，這意味著一觸即發，從持久地點開始分散。

在訓練有素的人看來，ACE 沒有任何新奇之處。事實上，從主要作戰基地向外分散和增援是北約冷戰戰略的基本組成部分。例如，除了十個主要作戰基地外，英國皇家空軍（RAF）還有近三十個分散機場，可將 “V-Force ”戰略核轟炸機分散到這些機場。那么，ACE 有什么特別之處，為什么是新的呢？

今天的 ACE 產生于這樣一種安全背景：西方國家正在擺脫二十年來以反恐和反叛亂為重點的低強度行動。在此期間，北約大幅削減了兵力和基地，并將威脅重點轉向了同級和近級對手。ACE 代表了北約對當代軍事政治環境的回應，在國內壓力、預算和后勤限制等政治因素的主導下，北約重新學習和發展，以恢復以前被忽視的能力，這些能力對于打擊同級沖突仍然至關重要。

如今在英國，皇家空軍的固定翼資產僅占據五個主要作戰基地。與此同時，自第二次世界大戰結束以來，美國空軍的海外空軍基地數量減少了 65%，從 93 個降至 33 個。同樣，國際戰略研究所（IISS）報告稱，自冷戰以來，整個北約的空中作戰機隊大幅減少，僅英國就從 1973 年的約 500 架飛機減少到 2023 年的僅 169 架；法國、德國和意大利也出現了類似的減少。英國皇家空軍負責ACE交付的高級軍官哈夫-斯邁思（Harv Smyth）空軍元帥將目前的安排形容為 “把雞蛋放在一個籃子里”。

圖：圖為英國皇家空軍空天司令哈夫-斯邁思（Harv Smyth）空軍元帥和美國空軍負責作戰的副參謀長吉姆-斯利夫（Jim Slife）中將在 2023 年簽署 “敏捷作戰部署聯合愿景聲明”。

在聯盟資源捉襟見肘的情況下，ACE力圖通過以更少的資源做更多的事，最大限度地發揮友軍在對抗對手時的優勢。英國米爾登霍爾皇家空軍第100空中加油聯隊（100th ARW）發言人稱，從本質上講，ACE旨在使部隊 “做好準備，以不可預測的方式快速執行任務，或對對手的行動做出快速反應”。該發言人告訴 ESD，在歐洲，ACE 解決了 “近距離暴政”（指來自北約東翼的潛在威脅距離短、時間短）的問題，并補充說："ACE 行動手冊指導的方法和能力必須使分散的部隊能夠利用當地指揮官可獲得的最佳信息，在不確定的情況下進行調整并取得勝利。

總之，通過其分散行動模式，ACE 旨在實現一系列目標：提高生存能力、增強反應能力、在高強度沖突中將行動維持到所需水平，并使這些行動能夠持續進行。

機制

生成和維持致命的空中作戰力量仍然是一項復雜的任務，尤其是在資產分散在戰區內的動態基地化情況下更為復雜。除基地外，ACE 還利用 “多能力飛行員”（MCA）--即接受過培訓并能夠執行超出其主要專業或職業范圍的任務的人員--并建立跨職能團隊。這有助于精簡服務，確保大多數人員能夠直接支持遠征作戰行動，并確保整個部隊能夠發揮作用。

美國空軍 MCA 培訓框架：

(通過第 100 ARW 公共事務部）

基礎：從入伍開始，通過學術或實際演練向全體空軍飛行員介紹 MCA 基礎知識。

功能性： 側重于主要的空軍專業代碼（AFSC）技能組合。通常在技術培訓期間進行。

主要作戰基地（MOB）： 有能力處理其主要專業之外額外任務的飛行員將接受交叉利用訓練，以支持任務執行。

前方作戰基地（FOS）： 中級 MCA 訓練，旨在支持輪換行動或戰區指派部隊的 ACE 能力包。

應急地點 (CL)： 為小型多學科小組設計的高級 MCA 訓練，旨在支持獨立的部隊組合在艱苦地點開展 ACE。只有一小部分飛行員需要接受這一級別的培訓。

美國的 ACE 條令采用了五個核心要素，以平衡大規模部隊動員的繁瑣性，因為大規模部隊動員在很大程度上需要指揮與控制（C2）、后勤和供應鏈基礎設施。根據美國空軍的 Joint DN 1-21，ACE 建立在五個核心要素的框架之上：

2022 年 2 月 16 日，在美國愛達荷州山之家空軍基地舉行了指揮控制事件管理應急響應應用訓練演習，這是敏捷戰斗部署遠征訓練的一部分。 圖片來源：美國空軍/一級飛行員夏安-巴薩姆（Cheyenne Bassham

DN 1-21 的 “五大核心要素 ”概述

• 態勢：指 ACE 演習中所有部隊的 “起始位置”。這包括裝備和資產的預先部署、補給的優化、戰區內預先確定的前沿持久和應急行動地點，以及靈活的通信。

• C2：這包括成功運用聯合全域指揮與控制（JADC2），以確保戰斗空間內各參與方 “統一行動”。其目的是在戰區內實現快速、大規模、可迅速消化的 C2。ACE JADC2 必須具有移動性、生存性、安全性和可持續性，并具有冗余和彈性。DN 1-21 指出，指揮官應預料到部隊成員在 ACE 期間的某些時候會失去與指揮官的聯系，因此必須制定靈活的計劃并進行詳盡的培訓，以便部隊成員能夠從上層進行 “有限指揮”。

• 移動和機動： 部隊從母站或永久部署地點開始，分別稱為主要作戰基地（MOB）和前方作戰地點（FOS）。這些地點擁有大量現有、專用和持久的基礎設施，在 ACE 條令中被稱為 “持久地點”。MOB 的例子可能是英國皇家空軍的康寧斯比皇家空軍基地或羅西茅斯皇家空軍基地，它們是英國皇家空軍在英國的 “臺風 ”永久性基地。作為 “持久地點 ”的補充，還有 “應急地點”（Contingency Locations，簡稱 CL），它們是戰區內或靠近前線的非永久性地點，在 ACE 的反應階段，一旦觸發，資產就會分散到這些地點。待命地點有不同程度的永久性，其中包括

• “初始"，這是指除了執行 ACE 的部隊本身的部署外，外部支持極少的簡易地點，如廢棄的簡易機場或市政機場。

• “臨時"，是指可以短期利用少量外部支持的地點。

• “半永久性"：可獲得持續支持，支持水平適合長期維持行動。

MOB 和 FOS 至少與一個 CL 相關聯，以確保簡化往返于每個地點的后勤工作，減少信息流，提高 C2 效率。距離較近的聯絡官被編入 “基地集群”，這些基地被分配到一個單一的持久地點，從那里接受指揮通信，從而最大限度地提高指揮通信的冗余度。對于執行 ACE 的每個國家或使用 ACE 的更大范圍而言，這些地點可能各不相同。例如，英國可能會將臺風戰斗機分散到民用機場作為可接受的指揮中心，以保持其在國內的快速反應戒備能力。與此同時，這可能被認為是美國戰略核轟炸機在海外分散的不恰當方法。這些地點是預先確定并與東道國商定的。斯邁思空軍元帥認為，“烏托邦 ”就是資產 “永遠在移動”。

圖：2024 年 1 月 22 日，來自米爾登霍爾皇家空軍第 100 ARW 部隊的美國空軍兵參加 Kingfish ACE Agile Combat Employment 桌面兵棋推演。 圖片來源：美國空軍/一級飛行員克里斯托弗-坎貝爾

• 保護： 與過去幾十年的遠征作戰不同，在遠征作戰中，全套作戰裝備被轉移到戰場外圍的偏遠地點，而 ACE 則規定，任何基地都不應被視為資產的安全避難所。ACE 認為，所有基地都應被視為作戰地點，需要主動和被動的部隊保護，包括防空反擊。因此，“基地集群 ”旨在共享保護資源。保護工作需要采取全部隊、跨軍種的方法，使所有地點都能得到保護，免受所有領域的威脅，同時能夠不斷產生效果。此外，還必須有效應用情報單元，并立即整合分散地點的原有部隊和東道國部隊，以最大限度地提高反應能力和降低風險。

• 持續性： 由于 ACE 是動態的，它使空軍的后勤基礎設施捉襟見肘，特別是因為分散的地點可能跨越廣闊的地理范圍。維護包括飛機和機場維修，優先考慮飛機出動架次，這是 ACE 的主要維護任務。與此同時，希望現有的 “拉動式 ”物資供應鏈（根據需要分配資源）被 “推動式 ”后勤系統所取代。在這種模式下，后勤深度是通過分析作戰環境來實現的，從而確定維持所需的資源。然后，在需要戰備物資和作戰裝備之前，就對其進行前沿部署，以避免短缺和在多個作戰地點進行分配。

迄今為止的 ACE

ACE 的起源故事令人信服，其機制看起來也大有可為；但到目前為止，ACE 在多大程度上體現了自己，是否產生了影響？這是否只是試圖用一個全新的詞匯表來重塑冷戰時期的輪子？2021 年，美國空軍在歐洲舉行了一系列演習，ACE 首次在歐洲正式亮相。值得注意的是，2021 年 1 月，第 48 戰斗機聯隊在其位于英國皇家空軍拉肯希思基地的偏遠地區模擬了一次飛行任務，標志著美國駐歐洲空軍（USAFE）首次對這一概念進行重大試驗。演習中，兩架 F-15E “攻擊鷹 ”戰斗機在蘇格蘭勒查斯分流機場進行了加油。

圖：一架隸屬于美國空軍第 495 戰斗機中隊的 F-35A 在當地訓練飛行后返回英國皇家空軍拉肯希思基地。預計到 2030 年，將有超過 550 架 F-35 戰斗機在歐洲投入使用，第五代戰斗機的能力將不可避免地顯著增強空軍執行 ACE 的能力。

從那時起，ACE 逐步成熟并擴大規模，在專用環境和更廣泛的演習計劃（如 “堅定衛士 ”和 “北極挑戰”）中都進行了更大規模的演示。作為這一進程的一部分，英國皇家空軍和美國空軍于 2023 年 9 月 12 日簽署了 ACE “聯合愿景聲明”。其中包括采用共同的術語、概念、戰術、程序和材料，以確保互操作性。這一過程強化了幾個因素，包括美國對歐洲安全的承諾、美英特殊關系，并鞏固了這些國家作為條令發展先行者的地位。

在演習中，北約已在歐洲各地的聯絡點進行了前沿部署，既證明了這一概念，也加強了北約對烏克蘭持續戰爭的戰備反應。2023 年 6 月，在 “暴風雨打擊 ”和 “塔樓守護者 ”演習中，已經部署在愛沙尼亞阿馬里空軍基地的皇家空軍第 1（戰斗機）中隊的 “臺風 ”戰斗機分散到挪威，證明它們有能力深入北極圈和高北緯地區--歐洲爭奪最激烈的地區之一。這些飛機利用在厄爾蘭德主航空站快速部署的基礎設施，在前方布防和加油點（FARP）進行了加油，然后前往巴杜福斯航空站的 CL，在那里執行空對地作戰任務。北部高地的安全對歐洲安全日益重要，因為該地區資源豐富，競爭日益激烈。

芬蘭最近加入北約后，北約的集體安全保護傘現在必須顧及歐洲與俄羅斯之間最大的單一陸地邊界。因此，不僅要有快速部署的能力，還要有在北部高原惡劣條件下有效行動的能力，這對開發 ACE 至關重要。雖然只是小規模的迭代，但類似上述的情景有助于直觀地了解這一概念在現實世界中可能產生的影響。此外，盡管北約可能不知道對手的想法，但成功執行 ACE 能有效傳達意圖和能力，從而加強 ACE 的威懾性質。此外，參與上述演習的飛機已在愛沙尼亞執行北約空中巡邏任務--因此，演習展示了對已投入使用的資產的成功運用，而不是從本土基地增派資產，這說明了 ACE 的靈活性和反應能力。

最近，“星空騎士 2024 ”演習在測試聯軍綜合空中和導彈防御系統的同時，還廣泛應用了英國和美國以及其他四個北約成員國（愛沙尼亞、拉脫維亞、立陶宛、波蘭）的 ACE 配置。其中，英國皇家空軍的一支 “臺風 ”戰斗機特遣隊再次從空中警戒任務中轉移，這次是從羅馬尼亞轉移到波蘭。波蘭人員使用 A400M Atlas 運輸 50 名人員和必要設備，抵達后與英國皇家空軍進行了整合，與英國皇家空軍的 F-16 戰斗機一起執行防空反擊任務。與此同時，美國空軍第 555 戰斗機中隊將多架 F-16 戰斗機從意大利的阿維亞諾空軍基地轉移到立陶宛的希奧利艾空軍基地，而第 100 ARW 戰斗機中隊則將 KC-135R “平流層加油機 ”分散到歐洲大陸各地，為各種行動提供支持。

圖為美國空軍第 100 空中加油聯隊的一架 KC-135T 在米爾登霍爾皇家空軍基地。該單元通常配備 15 到 17 架配備飛行吊桿和軟管及垂管裝置的加油機，是歐洲北約成員在整個歐洲大陸快速部署和擴大行動規模不可或缺的能力，加強了法國、意大利和荷蘭類似裝備飛機的適度機隊。

這些演習表明，除作戰飛機外，ACE 還涉及多種多樣的內容，以及 ACE 是如何成為一種整體力量的。它不僅僅是作戰飛機從一個點到另一個點的移動，還需要確保空中機動性和空中加油等關鍵力量推進手段的生存能力和功能，否則 ACE 的潛力就會受到極大抑制。阿斯特拉騎士 "清楚地表明了美英在 ACE 發展方面的合作，同時也代表了在確保整個聯盟都能勝任這一概念方面取得的進展。

最近，位于米爾登霍爾皇家空軍基地的第 100 ARW 部隊進行了一次創新性的桌面 ACE 兵棋推演，即 “ACE 魚王演習”。第 100 ARW 部隊發言人告訴 ESD，此類演習有助于 “以結構化的方式向飛行員介紹 ACE 概念”。該發言人在解釋演習情景時說，“各小組面臨的挑戰是完成任務，這促使他們針對后勤挑戰實施創造性的解決方案”。發言人補充說，這種方法旨在 "讓（美國空軍）在低成本/無成本的環境中利用（美國空軍）年輕飛行員的創造力，找到可以轉化為實際應用的解決方案。如果想法有前景，就可以將其介紹給主題專家，以完善想法并幫助確定其在現實世界中的可行性"。

挑戰

ACE 雖然進展迅速，但尚未達到完全成熟的形態，基本挑戰依然存在。對于 ACE 來說，“一刀切 ”的整體方法顯然是不合適的，考慮到從特種作戰部隊到空戰的巨大作戰范圍，這種方法也不可取。然而，在所有層面上，由于航空資產的多樣性，有效的適應性基地化仍是 ACE 實踐者面臨的一個根本問題。

RC-135W “鉚釘 ”聯合戰略信號情報（SIGINT）飛機就是一個很好的例子。美國和英國的此類飛機幾乎每天都在歐洲最東端執行任務，從波羅的海、巴倫支海和黑海的國際空域監視對手的活動。這些平臺為作戰指揮官提供實時情報，大部分時間從位于米爾登霍爾皇家空軍基地和沃丁頓皇家空軍基地發射和回收。這些平臺既高度優先又極其脆弱，其敏感性和作用意味著它們需要特殊的安全要求、機場要求和特定的基礎設施，可能需要不同的基地程序。不僅如此，情報、監視和偵察（ISR）資產在沖突前環境和沖突期間都是關鍵的部隊推進手段，這意味著必須確保它們能夠持續執行任務。這些資產是 ACE 目的的縮影，因此，通過美英 Rivet 聯合合作計劃，RC-135 已進行了 “熱加油 ”試驗，即飛機在著陸時加油，但不關閉發動機。履行重要空中加油任務的 KC-135 “平流層加油機 ”也進行了類似試驗。對于 KC-135 來說，熱加油意味著地面時間從 6 小時縮短到 1 小時，這表明該程序能夠提高產出和靈活性。

當然，對于戰斗機和直升機等戰術資產來說，這是一個熟悉的領域，但對于 SIGINT 和加油機來說，這無疑是一種非標準戰術。不過，通過采用這種非常規方法，從理論上講，這意味著可以減輕自適應基地和作戰場景帶來的一些挑戰。例如，分散所需的一些先決條件可以得到緩解，因為資產可以保持機動，而不會在一個地方停留太久。同時，擴大能夠進行熱加油的資產規模，可以大大減輕已經非常緊張的加油機供應鏈的負擔。飛行中尉丹-威爾克斯（Dan Wilkes）還指出，特別是對于 RC-135 來說，熱加油有助于提高 “快速反應能力”，使皇家空軍能夠 “將飛機推向其最高性能”。同樣，第 100 ARW 也開始試行低空飛行，以另一種非常規的方式來提高潛力。

圖：2023 年 8 月 14 日，一架隸屬于米爾登霍爾皇家空軍第 95 偵察中隊的 RC-135W Rivet Joint 完成了該機型的首次熱坑加油。

英國皇家空軍米爾登霍爾基地的一位發言人告訴 ESD，這些飛行架次有助于 “培養空中技能和先進的任務規劃”，雖然沒有明確提到 ACE，但據稱 “這些技能將適用于任何 ACE 類型的行動”，因為該概念旨在利用新方法來擴大作戰指揮官的軍事選擇。然而，就第 100 ARW 部隊而言，ESD 被告知，沒有必要為執行 ACE 而進行大規模重組，因為他們的任務 “幾十年來一直涉及向前部署小分隊以滿足加油要求”。然而，該聯隊與其他許多聯隊一樣，已經開展了 MCA 培訓，以確保在更小的作戰范圍內完成同樣的任務。

另一個挑戰是在盟友和組織之間建立相互理解。斯邁思空軍元帥最近提到了在英國使用民用機場開展軍事行動的困難。在合適設施并不充裕的環境中，在 ACE 的下一階段發展中建立這些關系是不可或缺的，以確保有足夠的選擇，既可用于演練 ACE，又可在情況出現時執行 ACE。對于英國來說，一個潛在的解決方案可能是利用全國各地仍保留著一些基本機場基礎設施的許多前軍事基地，例如前英國皇家空軍斯庫爾索普和英國皇家空軍迪什福斯，那里仍定期進行軍事訓練。美國空軍通過重新啟用塞班島上的機場就做到了這一點。

上述情況揭示了 ACE 在不同國家或不同背景下的不同表現形式。例如，斯邁思空軍元帥強調，英國缺乏先進的綜合導彈防御系統。因此，在國內，英國的 ACE 可能會優先考慮將資產不斷轉移到新的地點，以確保其生存能力。然而，其他國家可能面臨不同的挑戰，例如缺乏加油機能力。這可能需要外部支持或提高熱加油能力。這表明，一刀切的 ACE 方法是不可行的，同時強調不僅要相互理解這一概念，而且要相互理解每個盟國的要求，因為通過合作可以確保減輕影響，使 ACE 在未來數年內得以成功實施。

包括空軍元帥斯邁思在內的高級官員都斷言，ACE 仍是一個發展中的概念。在有些情況下，執行人員并不具備執行 ACE 所需的從技能到專業設備的所有資源。因此，現階段肯定要找出差距，并在資源允許的情況下加以彌補，或繞過這些差距以降低風險。

投射

條令發展的一個關鍵組成部分是打算在舉行的大多數大規模演習中加入 “ACE 元素”。2023 年，空軍元帥斯邁思對此的解釋是，在大規模演習期間的某個時間點，在不通知的情況下快速轉移到特定的 CL，同時繼續完成演習的訓練目標，就像在演習的 MOB 中一樣。有法國、英國和美國部隊參加的大西洋三叉戟三邊演習（2023 年 10 月 30 日至 11 月 10 日）就是一個例子。

圖：2023 年 11 月 6 日，英國皇家空軍第 12（戰斗機）中隊的一架臺風 FGR.4 在大西洋三叉戟演習的敏捷戰斗部署階段降落在英國皇家空軍利明基地。英國皇家空軍的四架 “臺風 ”戰斗機、法國空軍和太空部隊的四架 “陣風 C ”戰斗機、美國空軍的四架 F-35A 戰斗機和法國海軍的兩架 “陣風 Ms ”戰斗機參加了此次演習。

演習期間，法國航空航天軍 “陣風 ”戰斗機將英國皇家空軍瓦丁頓空軍基地作為作戰基地，而英國皇家空軍 “臺風 ”戰斗機和美國空軍 F-35A 戰斗機則在英國皇家空軍康寧斯比和拉肯希思基地執行任務。英國皇家空軍宣布，這些飛機在執行例行演習任務時接到通知，稱他們的 MOB 已經喪失能力，因此必須分散到北約克郡的利明皇家空軍基地。盡管利明是英國皇家空軍的一個現役機場，但它缺乏適用于這些機型的專業基礎設施--法國特遣隊指揮官 Veuille 中校說，演習參與者 “沒有計劃 ”他們將去哪里、如何到達那里或將得到哪些后勤支持。參加演習的還有英國皇家空軍的 F-35B 戰斗機，它們與英國皇家海軍 “鉆石 ”號 45 型驅逐艦一起在 “伊麗莎白女王 ”號上執行任務。在分散階段，英國皇家空軍指出，艦艇與陸上指揮中心之間建立了安全通信；這表明了跨域集成以及協作指揮中心在實現動態 ACE 行動中的核心作用。F-35B 戰斗機隨后抵達利明并進行了加油，使其續航時間增加了 4 個小時。

2023 年，斯邁思空軍元帥進一步暗示，2024 年首次 “ACE 評估 ”演習的執行工作正在取得進展。斯邁思說，這與冷戰時期北約的 “戰術評估”（TACEVALs）類似，都是測試部隊在沒有通知的情況下做出反應的能力。TACEVALs 的作用是 “根據規定的標準評估北約司令部和指定單元的作戰潛力”，并使用標準化的評分標準 “指出不足之處并在必要時提出建議”。因此，類似的 “ACE EVAL ”可能需要整個部隊的努力，以測試圍繞 ACE 的原則和能力，集結部隊完成該概念的所有目標和任務。然而，TACEVAL 的四個主要評分標準（警戒態勢和反應；任務效果；支持功能；生存能力）肯定與 ACE EVAL 類型的演習相關，與 ACE 的核心原則完全一致。

斯邁思斷言，在現階段，這種演習不是為了證明概念，而是為了發展概念。斯邁思認為，就目前而言，開發和實施王牌項目 “同樣需要失敗”，并學習如何降低風險和最大限度地發揮業務潛力。

美國空軍（USAF）提出了一種稱為 "敏捷作戰部署"（ACE）的作戰概念，為其規劃提供信息和指導。根據空軍的說法，ACE 是一種 "主動和被動的機動作戰方案"，使美軍能夠 "在產生戰斗力的同時提高生存能力"。

背景

作戰概念是一種廣泛的想法，旨在指導軍事力量的組織和使用。空軍將 ACE 描述為對近期地緣戰略發展的回應，包括冷戰后美國全球態勢的變化、對手武器系統的進步以及國內財政和政治限制。美國防部還將 ACE 定義為應對來自俄羅斯和中國的日益激烈競爭的整體方法的一部分。其他軍種也提出了類似的概念（如陸軍的 "多域作戰"、海軍的 "分布式海上作戰 "和海軍陸戰隊的 "遠征先進基地作戰"）。

ACE 概覽

ACE 的核心思想是將單元和能力分布和分散到多個不同地點。空軍條令 1-21（AFDN 1-21）--是公開發表的對 ACE 的主要基本闡述--指出，這一概念 "將行動從集中的有形基礎設施轉移到由較小、分散的地點組成的網絡，從而使對手的計劃復雜化，并為聯合部隊指揮官提供更多選擇"。一些分析家將其描述為 "樞紐-輻條 "方法，以一個持久地點（如現有的美國或盟國空軍基地）作為若干應急地點（如民用機場、簡易或獨立簡易機場）的樞紐，飛機可在這些地點之間轉移，也可從這些地點發起任務（見圖 1）。

核心要素

在 AFDN 1-21 中，空軍將 ACE 定性為由 "五個核心要素 "組成。它們是：(1) 態勢；(2) 指揮與控制 (C2)；(3) 移動與機動；(4) 防護；(5) 持續。這五個核心要素構成了 ACE 的作戰框架，下文將逐一簡要討論。

態勢。根據 AFDN 1-21，"態勢與所有其他要素有著內在聯系。它是后續行動的起點"。態勢要求確保場地和設施（如跑道、停車場）的安全，以及設備和物資的預先部署，并分配或重新分配部隊。對于海外地點，ACE態勢目標可能包括與外國政府談判準入權、基地權和飛越權。

指揮與控制（C2）。與更為集中的規劃模式相比，ACE 可能會對美軍人員和武器系統提出更為復雜的 C2 要求，特別是從（或在）應急地點之間行動時。AFDN 1-21 強調了冗余和彈性 C2 方法對 ACE 的重要性，更廣泛的國防部聯合全域指揮與控制 (JADC2) 計劃預計將在滿足 ACE 特定 C2 要求方面發揮作用。

運動與機動。根據 AFDN 1-21，在作戰行動之前或期間，ACE 特定的移動和機動要求可能需要 "將部隊移動到預定的分散地點，并將分散的部隊流回持久地點"。

保護。這一要素涉及對抗對行動地點、人員和武器系統以及后勤能力或資產的威脅。就 ACE 而言，保護因地點而異，但可能涉及被動和主動防御的整合，以應對地面、海上、空中、太空和網絡空間等領域的威脅。

維持。空軍指出，"維持計劃應主要關注飛機的出動架次"，但也應包括執行 C2 和基地運行支持功能的能力，其中包括為部隊提供維護、餐飲、住宿和醫療支持。

可視化和執行 ACE

盡管 ACE 的應用可能因任務組合和地點而異，但在進一步闡述其條令時，空軍幫助將 ACE 概念可視化為五個階段。這五個階段可能不是按順序排列的，但為 ACE 行動提供了一個總體框架，并結合和/或與 ACE 核心要素保持一致，使指揮官在動態行動中具有靈活性和流動性（見圖 2）。

在第一階段（"設定戰區"），空軍確定并準備好可供使用的地點和裝備。在第二階段（"Proactive ACE Maneuver"），空軍對人員和資產進行定位和分配，以便在敵方行動發生前對其進行預測或施加影響（一些空軍官員指出，烏克蘭在俄羅斯 2022 年入侵前立即分散飛機就是一個實際例子）。第三階段（"反應式 ACE 機動"）旨在應對 "觀察到的、感知到的、預期的或實現的敵方侵略"，可能涉及重新分配部隊以優化生存能力。第四階段（"聯合集結效應"）需要協調作戰資產（包括盟軍/伙伴部隊）的使用，以便從分散的地點對所有領域產生最大的進攻影響。最后，第五階段（"恢復和維持"）涉及修復設備和基礎設施，以繼續提供空中作戰力量。

與空軍其他倡議的關系

多能力飛行員。空軍已將其訓練和培養多能力飛行員（MCAs）的舉措確定為 ACE 的關鍵推動因素。MCA 是指在其主要職業領域之外接受額外任務訓練的人（例如，MCA 可能是飛機維護員，但也能夠提供安全或通信支持）。空軍打算利用小型 MCA 小組來降低對軍人和工作人員的要求，并提高靈活性。在 ACE 的背景下，MCA 可以在基礎設施和人員有限的艱苦地點執行諸如 C2、飛機操作和基地支持等功能。

部隊組建。在開發 ACE 的同時，空軍正在引入組織、訓練和裝備部隊的新模式，以執行 ACE 任務。新的部隊組建模式被稱為 "空軍部隊組建 "或 "AFFORGEN"，它建立了一個更加 "結構化和可預測的周期，使空軍人員更好地為分布式高端作戰行動做好準備"。此外，空軍正在試驗空中特遣部隊（ATFs），以 "組建更高效的綜合可部署行動單元"。ATFs 將在整個 AFFORGEN 周期內共同工作、訓練和演習的空軍人員團隊打包在一起。然后，空中特遣部隊一起部署，理想情況下隨時準備作為一個團隊開展行動，這可能有助于幫助飛行員做好準備，以支持 ACE 行動的需求。

大國競爭。2022 年，空軍確定了七項空軍部（DAF）投資重點，或稱 "行動要務"（OIs），這是保持其 "競爭 "優勢、應對中國等同行威脅所必需的。ACE 隸屬于 "彈性基地 "OI。空軍已宣布了 "為大國競爭重新優化 "的計劃，包括重組單元組織；開展大規模演習和針對 ACE 的訓練；修訂流程以確保航空備件和武器系統的可用性；強調 C2、通信和 "戰斗管理"；以及創建新的 MCA 訓練計劃--所有這些都可能支持 ACE 的實施。空軍還繼續擴大盟友和合作伙伴協議，以確保準入、基地和飛越選擇，并參加演習以加強一體化和促進合作伙伴關系。

資源配置和立法活動

DAF 2025 財政年度總統預算申請為 ACE 確定了 5.38 億美元，其中 4 億美元申請用于空軍賬戶運行與維護的細列項目，以 "設置戰區、提供敏捷通信和培養隨時執行任務的飛行員"。其他資金申請可在軍事建設、采購和研發空軍賬戶中找到。2025 財年國防和安全部隊未獲資助的優先事項清單包括 2.663 億美元，用于 "在整個戰區開展敏捷戰斗部署演習"。2025 財年太平洋威懾倡議和歐洲威懾倡議申請中包括與 ACE 相關的資金。此外，《2024 財年國防授權法案》所附的參議院軍事委員會報告指示空軍向國防委員會報告 ACE 開發和實施的各個方面。

國會的考慮因素

國會在 ACE 方面的潛在考慮因素包括（但不一定限于）以下內容：

• ACE 是否充分支持國會對國家戰略和行動優先事項的評估？在國會看來，ACE 是否與其他軍種的作戰概念和支持要求（如陸軍基地防御）適當保持一致？

• 國會認為，DAF 預算和計劃是否為實施 ACE 提供了適當的資源？國會是否應增加、減少或保持空軍相關撥款不變？

• 實施 ACE 是否存在政治或外交風險，特別是考慮到位于外國的基地和其他基礎設施所發揮的作用？在國會看來，DAF 和 DOD 是否采取了適當措施，以確保在戰時情況下允許訪問？

無論稱之為非動能作戰、信息戰、信息行動還是信息環境作戰（OIE），計劃和執行這些活動都異常困難。一次標準的行動需要幾個月的時間，而 OIE 的官僚作風使得在 24 小時內從搖籃到墳墓的執行幾乎不可能，尤其是在沖突期間。生成式人工智能可以加快這一進程。人工智能可以在幾秒鐘內生成文本和圖像等內容。在人工質量控制人員的適當提示下，人工智能可以開發出大型語言模型和文本到圖像模型，能夠高效地生產優質產品，從而大幅減少工時。這種能力可以在軍事領域得到廣泛應用。

在討論如何實現 OIE 要素自動化之前，先定義一下重要術語。

• 人工智能（AI）： 數字計算機或計算機控制的機器人執行通常與智能人相關任務的能力。人工智能模擬人類智能來解決問題。
• 生成式人工智能（GAI）：使用戶能夠根據各種輸入快速生成新內容。這些模型的輸入和輸出可包括文本、圖像、聲音、動畫、三維模型或其他類型的數據。
• 大型語言模型（LLM）：一種使用深度學習算法的 GAI 形式，可以使用龐大的數據集識別、總結、翻譯、預測和生成內容。最著名的 LLM 是 OpenAI 的 ChatGPT。
• 文本到圖像模型：一種根據文本提示創建圖像的 GAI 形式。
• （人工）幻覺：一種LLM生成與現實世界輸入不符的看似逼真的輸出現象。

JPP對規劃人員和參謀人員來說是一個有價值的模型，但很少在演習之外使用。LLM 的高效率可以鼓勵其采用。由 LLM 生成的任務分析和作戰行動分析可大大減少計劃人員花在集思廣益和生成產品上的時間。由于 LLM 是一種統計算法，它們可以更好地告知、權衡和比較預期效果的可能性以及不同 COA 的風險。有了實時向指揮官和規劃人員提供簡明行動更新和估計的自動化系統，工作人員就能以信息環境的速度開展工作。 在演習環境中，LLM 可以代表演習指揮人員充當 "白方"，管理數以千計的輸入，并根據紅藍部隊的活動得出現實的結果。

自動化可以進一步開發大量的 OIE COA。能夠編寫代碼、翻譯、調試、識別安全漏洞、分析軟件合規性等的 LLM，可以提高計劃人員可利用的網絡空間行動的規模、速度、復雜性和多樣性。通過重復敘述、闡述、操縱、播種和說服，影響力作戰有可能提高速度和規模。從理論上講，訓練有素的當地聯絡官可以作為受信任的內部人員/多數群體成員，向其他內部群體的目標受眾成員發表講話。

LLM 可以幫助指揮官和規劃人員在信息環境中快速行動。通過不斷攝取機密和開放源碼數據、大規模分析情報和兵棋推演，LLMs 可以將向 OIE 提供情報支持的許多方面自動化。 人工智能還能極大地促進參謀估算和聯合行動計劃的制定。LLM 可以快速起草指揮官指導產品和行政行動，指揮官可以對其進行完善，以確保質量和意圖不受損害。此外，在某些情況下，人類指揮官可能會授權自動批準特定的戰術任務，并規定明確的界限和紅線（例如，將軍不需要批準每一次進攻性網絡空間行動）。在現代戰爭中，在一些特定的環境和時間范圍內，需要指揮官以人類無法操作的速度或規模進行審批。與完全自動化相比，將審批權下放給訓練有素、技能嫻熟的在環人員仍然更為可取。當然，人類審批者仍應承擔責任，特別是對于可能產生暴力影響的 OIE，因為人工智能不會像人類那樣珍視人的生命，因此無法追究其法律責任。外交和人際關系需要人類的經驗和指揮官的智慧。

LLM 確實存在一些顯著的局限性和脆弱性。雖然這些令人印象深刻的統計算法似乎能理解所寫文字的含義，但其實不然，因為它們只是文字關聯的數學公式。LLMs 無法像人類那樣理解世界，這導致它們經常產生幻覺。這其中有重大的安全考慮因素--我們可以想象這樣的場景：LLM 提供錯誤的情報數據，導致人類指揮官做出錯誤的決定；或者人工智能得出結論，認為核行動會比穩態行動產生更可行的長期結果。因此，它們不可能成為不受監督的人工戰略家、規劃者或指揮官。

創建一個對軍事有用的 LLMs 是一個多步驟的過程。作為 "生成式 "人工智能，它們必須在已有數據的基礎上進行訓練。在將這些訓練數據輸入 LLM 之前，必須對其進行收集和適當調節。用于商業和學術用途的訓練數據可能很容易獲取，格式一致，并經過預先校準，以確保其可靠性和質量，但用于軍事目的的高質量訓練數據可能更難獲取。安全等級將阻礙數據的獲取，而可用數據的格式可能并不常見，質量也無法得到一致保證。一旦輸入這些訓練數據，評估人員（人類或其他人工智能）將在迭代改進循環中對 LLM 的輸出進行評分。要建立對軍事有用的 LLM，需要解決數據集、合同、范圍和完善循環等問題。

數據的可訪問性、規范化和真實性是為軍隊創建可用數據集的最大挑戰。所需培訓資料的分類各不相同，這是最直接的可訪問性障礙，不過將所有資料移至最高成分分類是一種行之有效的變通辦法。軍方文件存儲的分布式性質增加了額外的復雜性，因為資料通常存儲在孤立或受限的網絡、權限受限的文件服務器、SharePoint 站點、電子郵件、個人文件夾和打印紙上。訪問這些資料需要大量的協調工作。軍事資料長短不一，可以用各種字體和編碼書寫，通常以具有靈活復雜元數據結構的文件格式存儲。有用的信息也可能以機器較難讀取的格式存儲，如書面文本的圖像。這些產品的規范化需要將文件的關鍵部分轉錄為文本。由于需要判斷是否需要省略格式過于定制的產品，因此人類最有能力完成規范化工作。不過，由于需要大量的訓練數據，其他自動化流程會更加實用。不過，依賴自動規范化需要一定的信任，因為錯誤的訓練數據會錯誤地訓練 LLM，使其產生錯誤的輸出結果。因此，數據的真實性對于確保高質量的 LLM 輸出非常重要。然而，簡單的錯誤（如重復文件或錯別字）或惡意行為（如用大量錯誤信息毒害訓練數據集）都會影響數據的準確性。此外，隨著時間的推移，數據的真實性也會發生變化，因為數據會過時或后來被推翻。

訓練 LLM 需要非常搶手的技能集、大量的訓練數據和昂貴的計算基礎設施，而且這很可能需要通過簽約來實現，這就造成了一些額外的障礙。即使美國防部能夠開發內部培訓，使其軍事人員達到行業標準，也很難讓他們穿上軍裝。因此，承包商是最可行的選擇，但由于他們需要獲得適當的許可，因此會造成額外的障礙。確保合同不包含允許保留數據的漏洞至關重要，因為人工智能公司會設法保留以前客戶的培訓數據副本，因為這些數據很有價值。審查合同不僅需要嚴格的技術和法律審查，而且對承包商的監控也需要積極主動的取證工作，以確保不會意外或以其他方式保留數據。鑒于沒有為較高分類級別的工作租用計算機設備的選擇，這些法律碩士的硬件必須購買。

明確 LLM 的范圍對于管理預期至關重要，尤其是并非每個流程都能從人工智能的使用中切實受益。鑒于產出可能因目的不同而完全不同，即使它們的名稱相同，也必須根據特定任務定制 LLM。 例如，網絡任務的 "規劃文件 "與轟炸任務的 "規劃文件 "在內容、結構、術語和措辭上都會有所不同。接受過各種 "規劃文件 "培訓的 LLM 可能會選擇不正確的格式，甚至將不同格式拼湊成不適合任何單元的文件。然而，雖然縮小范圍可以使人工智能更好地適應特定目的，但也可能限制可用訓練材料的數量。鑒于軍事規劃的深奧性，需要大量的訓練數據才能讓 LLM 思考正確，而不僅僅是聽起來正確。這種人工智能自動化也可能無助于戰爭的上層和下層。一名作戰人員不會想向一個聊天應用詢問在交火中欺騙對手的想法。同時，審議政策和戰略的緩慢節奏也限制了 LLM 在生成速度方面的主要優勢。相反，它最適合工作人員的工作，尤其是在行動層面。

訓練和評估 LLM 和其他類型的人工智能的最佳方式是通過迭代改進循環，對人工智能產生的輸出結果進行反復評估。如果語法和寫作風格是唯一的參數，那么這些改進循環可以迅速完成。不過，雖然 LLM 可以輕松地編寫出足夠好的短文，如詩歌或簡短的電子郵件，但當需要編寫較長的文件時，它們更容易產生幻覺。由于軍事用途對文件內容和準確性的依賴比對語法或文體的依賴更為關鍵，這些提煉循環可能會更加費力。細化循環需要一定的專業知識、研究或實驗，以防止產生逼真但錯誤的輸出。由于此類測試需要耗費大量精力，因此細化循環可能是訓練軍用 LLM 的最大限制因素。

在軍隊中使用 LLM 并非沒有風險和困難。有缺陷或不足的訓練數據、人工智能對齊、不適當的信任校準、人類的自滿情緒、模型盜竊和模型濫用等問題都可以.... 數據量、種類、速度、真實性和價值方面的不足會增加不同的風險。數量少的數據集可能會導致過度擬合，因為在面對現實世界的混亂時，LLM 只有很少的兩個參考點，而缺乏多樣性則可能產生等同于群體思維的現象。如果建立數據集的速度不夠快，成本就會增加，項目進度也會放緩。同時，真實性和價值不高的數據容易給LLM帶來錯誤的教訓。此外，也很難證明 LLM 符合人類的價值觀。深度學習視角下的對齊問題為討論對齊風險提供了一個有用的三部分框架：

• 所謂 "情境感知獎勵黑客"，是指人工智能在訓練（與運行）中表現出不同的行為，從而看起來更符合評估標準。寶馬的排放丑聞就是這種一致性風險的人類類比。

• "內部表示目標不一致 "是指人工智能從人類意圖中誤解了自己的目的。例如，"采摘西紅柿 "可能會被誤解為 "收集鮮紅的物體"；這在實踐中仍然可以很好地發揮作用，但也可能導致 "西紅柿豐收 "的結果是瓶蓋和瓢蟲。

• "部署過程中的權力尋租 "是一種風險，因為許多目標都隱含著權力尋租，而這在培訓過程中可能不會被發現。尼克-博斯特羅姆（Nick Bostrom）著名的 "回形針最大化 "思想實驗設想，人工智能的任務是創造 "大量回形針"。它通過控制越來越多的材料和制造能力來實現這一目標，同時抵制人類盡量減少回形針生產的努力，最終將宇宙中的所有材料（包括人類）轉化為回形針。

考慮到這三種潛在風險，人在回路是最好的保險措施，但并非萬無一失。相反，人類還必須對 LLM 保持謹慎的信任和不信任。如果人類對 LLM 信任度不夠，那么 LLM 很可能會效率低下。然而，如果人類過于信任 LLM，或者信任 LLM 去做它沒有能力處理的事情，就會產生更大的風險。LLM 可能會成為那些缺乏適當訓練或技能的人的拐杖，當 LLM 的幻覺產生危險、虛假的信息（例如，建議對目標清單上沒有的目標進行 OIE）或不適當地強化對壓力過大的人類有吸引力的想法（例如，切斷一個同時包含叛亂總部和平民醫院的城區的電力）時，就會產生危險的情景。LLM 可能會帶來安全風險，因為它們可能包含大量信息。盡管逆向工程人工智能模型仍是一門不成熟的藝術，但這一領域卻有著巨大的發展潛力。最后，人類用戶有可能濫用 LLM，最有效的形式是將行動循環自動化或將人類從某些循環中移除。理性的行為者有理由理解這一點，不會自動執行我們都會感到遺憾的程序（如 "天網 "的 C2 和火力控制）。不過，不法行為者或急于獲得不對稱優勢的人可能會以不同的方式評估風險。

結論是，LLMs 值得立即研究并應用于大多數常規軍事任務，包括保密和非保密任務。有了訓練有素、在線、持續更新的 LLM，再加上適當的用戶輸入，績效報告、每日行動更新 PowerPoint、情報報告和其他無數任務都可以在幾分鐘或幾小時內完成，而不是幾天或幾周，每周可為整個國防部節省數百萬工時。至于人工智能是否能獨立地、災難性地運行，我們認為可以，在我們有生之年可以，但不能在我們的軍隊中運行。

參考來源：U.S. AIR UNIVERSITY

問題

情報、監視和偵察（ISR）行動的目的是收集信息并將信息提供給操作人員，而操作人員則需要就戰區內的各種行動方案做出具體決策。可以肯定的是，ISR 行動是技術密集型的。但與此同時，ISR 行動也是一個非常以人為本的過程。盡管如此，在 ISR 概念開發和評估（CD&E）過程中卻很少甚至根本沒有進行人為因素（HF）研究。通過研究新的 ISR 技術和概念在各種作戰環境下對操作人員表現的影響，研究人員可以提供更加科學嚴謹的建議，為高層政策制定者和決策者提供有關未來 ISR 技術和能力的信息，這些技術和能力適用于所有 ISR 環境：空中、海面、地下和太空，貫穿國內、盟國和整個政府（WoG）的合作關系。因此，HF研究方法應成為任何 ISR CD&E 流程的組成部分，以便為 ISR 指揮系統各級的政策和決策者提供信息和建議。

目的

北大西洋公約組織（NATO）研究與技術組織（RTO）人為因素與醫學（HFM）小組任務組（研究與技術組（RTG）-276 NATO RTG HFM-276）"人為因素與 ISR 概念開發與評估 "的成立是為了確定和了解對有效的 ISR 行動至關重要的HF問題。更確切地說，這項開創性工作的目標是 (1) 確定對有效的 ISR 行動至關重要的HF問題（如態勢感知 (SA)、工作量、組織結構、協調和協調機制、可視化、信任、信息共享和管理、領導力和決策）；(2) 使用行為理論模型來制定我們的研究方法并理解我們的研究結果；(3) 就在 ISR CD&E 行動中使用和實施HF研究提出建議。

范圍和限制

基于并擴展最初由北約 HFM-163 RTO 小組開發的軍事組織效能模型，北約 HFM RTG-276 小組的工作范圍是確定并了解對 ISR 行動至關重要的HF問題。為此，小組決定于2018年6月11日至2018年6月26日在德國Einsiedlerhof的美國空軍歐洲（USAFE）戰士準備中心（WPC）的 "北約2018聯合愿景"（UV18）試驗模擬內開展關于聯合ISR（JISR）作戰效能的研究。此外，小組還在 2019 年 5 月于芬蘭舉行的 "大膽探索 2019"（BQ19）演習中進行了類似研究。

結果、對北約的意義和實際影響

北約 HFM-276 任務小組使用組織有效性模型制定了一套調查，以確定和了解對有效的 ISR 行動至關重要的HF問題。該模型的核心是由任務分配、收集、處理、利用和傳播（TCPED）組成的聯合監查制度流程。從這一模型和其他來源得出的數據收集計劃審視了一些HF問題在整個 ISR 行動中的作用：基本HF知識、態勢評估、工作量、組織結構、信任、信息共享、信息管理、領導力、文化、組織流程、組織靈活性、共同意識和責任、協調和協調機制、決策、能力、情報需求管理（IRM）、通信、元數據和應用系統。所有這些HF因素都將影響 ISR 的作戰概念，并影響操作人員的績效。此外，本文還總結了改進北約和非北約行動 ISR CD&E 流程的一些實際意義，重點是開發應納入 ISR CD&E 流程的HF研究方法。這種HF方法就像 ISR 概念開發的技術和程序質量控制部分。預計研究結果將有助于為 ISR 指揮系統各級的政策和決策者提供信息和建議，以加強北約 ISR 規劃、任務執行和能力發展方面的信息和決策優勢。預計研究結果還將有助于為 ISR 與其他聯合進程（如聯合目標定位）的整合提供信息，以確定當前與 ISR 有關的HF差距以及與其他進程的整合。

理論框架

在本節中，我們將為監委會的HF行動提供一個高層次的理論框架。廣義上，理論可以理解為在一組邊界假設和約束條件下對概念間關系的陳述，因此我們對一般假設、約束條件和概念及其與我們框架的關系進行了劃分[1]。我們認為我們的理論框架由三個關鍵概念組成：1）監委會進程；2）各種HF變量；3）產出因素。本節關注的是這些概念之間的關系，以及它們之間關系的支配因素。各節詳細介紹了監委會進程的理論和分析、各種HF因素的影響及其對產出因素的影響。各節還深入介紹了與各小節相關的方法。

人們提出了不同的組織流程方法，如輸入-中介-輸出框架、輸入-中介-輸出-輸入框架以及受結構化啟發的流程框架[2, 3]。從廣義上講，這些方法既包括目的論和順序論的觀點，即假定有明確的目標來指導行動以產生特定的結果，也包括更具突發性的變革觀點，即人類在其中工作的結構會影響其他結構中的人類，并受到其他結構中人類的影響[4]。

我們認為，作為一個基本假設，在聯盟背景下開展的監委會聯合審查進程并不容易采用上述任何一種模式：相反，它是一個預先計劃和設計的順序進程與突發進程的混合體[5]。一方面，有正式定義的程序、理論、戰術、技術和流程（TTP），如《支持北約行動的聯合情報、監視和偵察程序》（AintP）和《作戰命令》（ORBAT）；另一方面，也有包括特定節點在內的工作流程的實驗。這表明，我們的研究一方面要對 TTPs 的影響保持不可知論的觀點，另一方面要對執行聯合監查制度時的行動和對這些 TTPs 的看法保持不可知論的觀點。因此，我們的理論框架包含兩種相互作用的兵力：計劃行動和突發行動。計劃中的監委會審查和執行中的監委會審查之間的區別既體現在實驗計劃和實際實驗/演習執行之間的對立，也體現在計劃中的監委會審查行動和執行中的監委會審查行動之間的緊張關系，執行有時甚至是動態的。我們認為，計劃與執行動態之間的矛盾對于理解HF如何影響聯合監委會至關重要。應建立人類決策和協作機制，確保北約的聯合監委會從預先計劃順利過渡到動態執行。

更具體地說，我們的模型試圖將聯合監委會合作的線性和非線性軌跡結合起來。從順序計劃的角度來看，該模型的核心是聯合監委會流程，其中的 TCPED 階段可視為構成伯克等人[6]團隊適應模型的不同階段： SA、計劃制定、計劃執行和團隊學習（可以是評估收集處理、利用和傳播（CPED）是否有助于解決任務）（見下圖 1）。單個 PED 單元的這種相對線性的團隊流程也應結合其在多團隊系統中與其他團隊（單元）的協作來看待，即多個團隊為實現共同目標而集成工作[7]。涉及多個 PED 單元的聯合 PED 對于確保收集必要數據以獲取可采取行動的情報尤為重要。我們預計，由于不同的原因，計劃中的監委會審查流程可能并不總是按照預期的計劃方式可行。例如，從任務的角度來看：一個 PED 單元在執行任務期間的實際工作量可能會嚴重影響其參與整個聯盟聯合監 督和報告進程的能力。北約的事先規劃可在一定程度上減少這一因素，但不能完全消除不確定性。其他一些因素也可能對事先規劃的聯合監查制度進程構成挑戰：如各 PED 單元的動機、經驗、對任務的不同理解程度等。因此，我們認為HF的影響不僅與在單個小組內實現聯合監委會進程的總體目標有先后關系，而且在很大程度上以其他無意方式影響了北約的整體聯合監委會進程。另一方面，所述的監委會進程不一定會因這些障礙而改變，因為這可能取決于多個國家政策、執行和評估小組內部和之間協調和信任的有效性。

在不同的章節中，我們闡述了個人和人際因素、組織因素、文化因素、任務因素、系統因素和團隊因素如何影響聯合監委會。這些輸入因素預計會影響監委會的程序及其在監委會內部以及向外部組織要素（如聯合目標或情報界）提供可用結果的能力，進而影響諸如共享情況意識、數據分析、信息共享和決策以及任務完成的準確性和速度等輸出因素。圖 1 描繪了輸入和輸出因素之間的擬議聯系；該圖概述了本報告研究的所有因素。藍色和帶下劃線的因素是經過實證研究的因素。在隨后的章節中會有更詳細的理論介紹，其中還包括更詳細解釋一般模型中提出的各因素之間擬議相互關系的模型。

如果海軍陸戰隊要與近似對手競爭，海軍陸戰隊必須將人工智能（AI）作為一種決策支持系統（DSS），以加快規劃-決策-執行（PDE）周期，從而在認知、時間和致命性方面取得優勢。

信息系統和監視技術正在改變戰爭的特點，使較小的部隊也能分布和影響較大的區域。但是，目前的指揮、控制、通信、計算機、情報、監視和偵察系統（C4ISR）以及機器人和自主系統（RAS）都是人力密集型系統，會產生大量數據，海軍陸戰隊必須迅速利用這些數據來提供可操作的情報。由于遠征高級基地行動（EABO）要求部隊規模小、分布廣、復原力強，必須迅速做出明智決策，才能在各種不斷發展和演變的威脅面前生存下來，因此這就存在問題。

使用數據分析和機器學習的人工智能處理、利用和傳播信息的速度比人類更快。配備了人工智能 DSS 的 EAB 指揮官將以比對手更快的速度做出更明智的決策。然而，在實現這一目標之前，目前還存在著巨大的障礙。海軍陸戰隊必須為 EABO 制定一個人工智能支持概念，并將其納入海軍作戰概念中，充分確定人工智能工作的優先次序和資源，并為企業數據管理提供資源，以最大限度地利用數據分析和機器學習來發現數據庫中的知識（KDD）。此外，海軍陸戰隊必須利用美國陸軍的人工智能實驗和概念開發來實現多域作戰（MDO）。最后，海軍陸戰隊應確定當前可通過狹義人工智能加以改進的技術和作戰領域。

引言

指揮、控制、通信、計算機、情報、監視和偵察（C4ISR）以及機器人和自主系統（RAS）技術的普及正在改變戰爭的特點，使較小的部隊能夠分布和影響更大的區域。然而，作戰期間收集的數據正在迅速超越人類的認知能力。早在 2013 年，美國國防部就指出："ISR 收集和......收集的數據急劇增加。我們繼續發現，我們收集的數據往往超出了我們的處理、利用和傳播能力。我們還認識到，就戰術層面的分析人員數量而言，PED 的資源需求可能永遠都不夠"。

如果能迅速加以利用，C4ISR/RAS 數據將為指揮官提供戰勝敵人的信息優勢。但是，從這些來源獲取及時、可操作的情報需要大量人力，而且必須通過人工手段對數據進行快速處理、利用和傳播（PED）才能發揮作用。如果遠征軍要通過 C4ISR 與近鄰競爭并獲得競爭優勢，這對海軍陸戰隊來說是個問題。這些豐富的信息可以加快計劃-決策-執行（PDE）周期，但如果不加以管理，就會使領導者被信息淹沒，猶豫不決。必須采取相應措施，利用新技術實現數據自動化和管理。如果海軍陸戰隊要與近似對手競爭，海軍陸戰隊必須將人工智能（AI）作為決策支持系統（DSS），以加快 PDE 周期，從而在認知、時間和致命性方面取得優勢。

本文旨在證明，利用人工智能技術可加快指揮官在其環境中的觀察、定位、決策和行動能力。本文承認，但并不打算解決射頻通信、信息系統和組織變革中出現的技術問題的重大障礙。本文分為四個不同的部分。第一部分重點討論不斷變化的安全環境和新興技術帶來的挑戰，以及這些挑戰將如何影響指揮官。第二部分討論技術解決方案、決策模型，以及人工智能作為 DSS 如何為 EAB 指揮官創造認知、時間和致命優勢。第三部分將在未來沖突中，在 EAB 指揮官很可能面臨的假想作戰場景中說明這種系統的優勢。最后一部分重點討論了實施過程中遇到的障礙，并對今后的工作提出了建議。

第 I 部分：新的安全環境和新出現的挑戰

自 2001 年以來，海軍陸戰隊在 "持久自由行動"（OEF）、"伊拉克自由行動"（OIF）和最近的 "堅定決心行動"（OIR）中重點打擊暴力極端組織（VEO）和反叛亂戰爭。美國武裝部隊所處的是一個寬松的環境，有利于技術優勢、不受限制的通信線路和所有領域的行動自由。隨著 2018 年《國防戰略》（NDS）和海軍陸戰隊第 38 任司令官《司令官規劃指南》（CPG）的出臺，這種模式發生了變化，《司令官規劃指南》將大國競爭重新定為國家國防的首要任務，并將海軍陸戰隊重新定為支持艦隊行動的海軍遠征待命部隊。

為了支持這一新的戰略方向，海軍陸戰隊開發了 "先進遠征作戰"（EABO），作為在有爭議環境中的瀕海作戰（LOCE）和分布式海上作戰（DMO）的一種使能能力。EABO 為聯合部隊海上分隊指揮官或艦隊指揮官提供支持，在反介入區域拒止（A2/AD）環境中提供兩棲部隊，以獲取、維持和推進海軍利益，作為控制海洋的綜合海上縱深防御。然而，EABO 對部隊提出了一些必須考慮的具體挑戰。這些挑戰包括在所有領域與近似對手的競爭、對新興技術的依賴、人員與能力之間的權衡，以及地理距離和分布式行動帶來的復雜性。總的主題是如何通過在關鍵點上集成人工智能技術來克服這些挑戰，從而增強指揮官的 PDE 循環。

處理開發傳播 (PED) 問題

如果情報驅動軍事行動，那么海軍陸戰隊就會出現問題。如前所述，數據收集的速度超過了戰術層面的處理、利用和傳播（PED）過程。數據本身是無用的，必須經過組織和背景化處理才有價值。根據認知層次模型（圖 1），數據和信息對形成共同理解至關重要。聯合情報流程通過規劃和指導、收集、處理和利用、分析和制作、傳播和整合以及評估和反饋這六個階段來實現這一目標。C4ISR/RAS 的擴散擴大了收集范圍，但 PED 卻沒有相應增加。除非采取措施實現信息管理自動化，否則指揮官將面臨信息超載和決策癱瘓的風險。

信息超載是指由于一個人無法處理大量數據或信息而導致的決策困難。 羅伯特-S-巴倫（Robert S. Baron）1986 年關于 "分心-沖突理論"（Distraction-Conflict Theory）的開創性研究表明 執行復雜任務的決策者幾乎沒有多余的認知能力。由于中斷而縮小注意力，很可能會導致信息線索的丟失，其中一些可能與完成任務有關。在這種情況下，學習成績很可能會下降。隨著分心/干擾的數量或強度增加，決策者的認知能力會被超越，工作表現會更加惡化。除了減少可能關注的線索數量外，更嚴重的干擾/中斷還可能促使決策者使用啟發式方法、走捷徑或選擇滿足型決策，從而降低決策準確性。

鑒于 Baron 的結論，C4ISR/RAS 將降低而不是提高戰術指揮官的決策能力。筆者在擔任海軍陸戰隊作戰實驗室（MCWL）科技處地面戰斗部（GCE）處長期間進行的研究證實了這一結論。2013 年，海軍陸戰隊作戰實驗室 (MCWL) 開展了戰術網絡傳感器套件 (TNS2) 有限技術評估 (LTA)。一個海軍陸戰隊步槍連及其下屬排配備了空中和地面機器人、地面傳感器以及戰術機器人控制器（TRC）。戰術機器人控制器使一名操作員能夠在白天或黑夜，在視線范圍外同時控制多輛戰車進行 ISR。MCWL 將這種 ISR 形式命名為多維 ISR（圖 2）。LTA顯示，使用TNS2的排級指揮官在防御、進攻和巡邏時都能迅速發現威脅，但LTA也發現了兩個重大問題：1.在軟件和機器人能夠自主分析和關聯傳感器輸入之前，海軍陸戰隊員仍需收集和整理ISR數據；2.在中高作戰壓力下... 在中度到高度的作戰壓力下......操作人員會超負荷工作......無法探測和識別目標，并普遍喪失態勢感知能力。

海軍陸戰隊情報監視和偵察--企業（MCISR-E）正在通過海軍陸戰隊情報中心（MIC）、海軍陸戰隊情報活動（MCIA）與戰斗支援機構（CSA）和國家情報界（IC）連接，納入預測分析流程，以解決這些問題。通過海軍陸戰隊情報活動（MCIA），MCISRE 解決了全動態視頻（FMV）聯合 PED 支持問題，并于 2017 年成立了全動態視頻聯合 PED 小組，該小組具有全面運作能力，每周 7 天提供 12 小時支持，費用由 14 名分析員和 3 名特派團指揮官承擔。

雖然這是朝著正確方向邁出的一步，但由于人力需求量大，這可能證明是不夠的。EAB 指揮官必須依靠地理位置相隔遙遠的上級總部提供的、通過有爭議的電磁頻譜傳輸的情報成品。海軍陸戰隊司令部的 MIX 16（海軍陸戰隊空地特遣部隊綜合演習）實驗結果證實了這一結論： "未來戰爭將在具有挑戰性的電磁環境中進行，分布在各地的部隊......從上級總部 "伸手回來 "獲取日常情報援助的能力可能有限，而且無法依賴"。此外，在戰術和作戰層面增加更多的分析人員會導致循環報告，這只會加劇信息超載問題。

EABO/分布式作戰 (DO) 困境

根據《EABO 手冊》，EAB 必須 "產生大規模的優點，而沒有集中的弱點"。美國陸軍在 2016 年進行的實驗表明，較小的單位有可能分布并影響較大的區域（圖 3）。有人無人協同作戰概念（MUMT）認為，采用縱深傳感器、縱深效應和支援行動的部隊可實現戰斗力并擴大其影響范圍。

然而，DO 和 EABO 是零和博弈。C4ISR 和 RAS 技術可以讓部隊分布得更遠，但實驗表明，規模經濟會喪失。增加兵力將增加所有領域的需求。正如皮涅羅在 2017 年的一篇研究論文中總結的那樣："當部隊分散時，就會失去指揮與控制、情報和火力等輔助功能的效率。"在后勤方面也是如此。這種 "DO 困境 "可以用以下經過修訂的 "三重約束范式 "來表示（圖 4）。隨著部隊的分散，一個領域的整合將削弱另一個領域的能力。如果 EAB 指揮官能在不增加 EAB 占地面積的情況下提高能力，就能重新獲得規模經濟效益。智能技術整合可以解決這一問題。

第II部分：融合技術、決策和概念

人工智能展示了解決 PED 問題和 EABO/DO 困境的最大潛力，同時為指揮官提供了對抗性超配。據審計總署稱，"人工智能可用于從多個地點收集大量數據和信息，描述系統正常運行的特征，并檢測異常情況，其速度比人類快得多"。由聯合規劃流程（JPP）提供信息的人工智能系統可以產生更快、更明智的 PDE 循環。如果海軍陸戰隊想要實現 EABO，就不能僅僅依靠人類。相反，未來的關鍵在于如何利用人工智能來增強人類的決策能力。

決策和決策支持系統

研究表明，人類的決策并不完美，在復雜和緊張的情況下會迅速退化。人類的決策在很大程度上是憑直覺做出的，并在進化過程中不斷優化，通過使用判斷啟發法（偏差）來防止認知超載。偏差是快速決策的捷徑，它根據以往的經驗和知識做出假設。36 偏差是一種快速決策的捷徑，它根據以往的經驗和知識做出假設。雖然這些決策已經過優化，但并沒有參考因啟發式方法而被否定的大量數據。由于這些決策都是基于以往的經驗和現有的知識，人們在面對混亂的新情況時可能毫無準備。如前文所述，這對 EAB 指揮官來說是個問題。決策支持系統可以提供幫助。

決策支持系統可以是一個人用來提高決策質量的任何方法。海軍陸戰隊營長利用其參謀人員和聯合規劃流程 (JPP) 提供專家判斷來提高決策質量，而商業部門也越來越依賴于決策支持系統和人工智能來處理大量數據。在本文中，決策支持系統被定義為 "幫助用戶進行判斷和選擇活動的基于計算機的交互式系統"，也被稱為基于知識的系統，因為 "它們試圖將領域知識形式化，使其適合于機械化推理"。大多數 DSS 都采用西蒙的有限理性理論（Theory of Bounded Rationality）來建模，該理論承認人類在信息、時間和決策認知方面的局限性。西蒙提出了一個四步模型（圖 5），包括：1.觀察現實的智能；2.制定和衡量標準和備選方案的設計；3.評估備選方案和建議行動的選擇；以及 4.根據信息采取行動的實施。4. 執行，根據信息采取行動，最后反饋到第一步。

指揮官決策的兩個關鍵要素是選擇活動和推理。選擇活動，也稱為選項意識，是指在某種情況下對不同行動方案或備選方案的認識。選擇意識為指揮官提供了通往解決方案的不同途徑。能夠自主分析海量數據的 DSS 可能會揭示出以前不知道的選項。推理是一種邏輯思維能力。通過構建決策過程，數據支持系統可以不帶偏見和感情色彩地對數據得出結論。一些研究表明，在現實環境中，簡單的線性決策模型甚至優于該領域的專家。

DSS 有不同的類型，而類型決定了其性能和對人類增強的效用。智能決策支持系統（IDSS）是與作戰行動最相關的系統，因為它使用人工智能技術和計算機技術來模擬人類決策，以解決實時復雜環境中的一系列問題。在本文中，它將被稱為人工智能決策支持系統或 AI-DSS。它由一個數據庫管理系統（DBMS）、一個模型庫管理系統（MBMS）、一個知識庫和一個用戶界面組成，前者用于存儲檢索和分析數據，后者用于獲取結構化和非結構化數據的決策模型。人工智能-決策支持系統結合了人類構建問題結構的能力，以及通過統計分析和人工智能技術來支持復雜決策的系統，從而壓縮了 PED 流程（圖 6）。

人工智能輔助OODA循環

約翰-博伊德上校（美國空軍退役）被譽為機動作戰條令及其相應心理過程模型的主要作者之一。通過對實驗性戰斗機的研究，他認識到 "錯配有助于一個人的成功和生存，以及敏捷性和節奏之間的關系，以及如何利用它們使對手的感知現實與實際現實相背離"。為了解釋這些不匹配，他提出了一個 PDE 循環，后來被稱為 OODA（觀察、定向、決定和行動）循環（圖 7）。博伊德認為，誰能通過歸納或演繹推理更快地執行這一過程，誰就能獲勝。通過將人工智能融入 OODA 循環，EABO 指揮官可以獲得對敵決策優勢。正如伯杰司令在其規劃指南中所說："在任何規模的沖突環境中，我們必須比對手更快地做出并執行有效的軍事決策。

更好的信息和選擇有助于做出更迅速、更明智的決策，同時減輕認知負擔。EAB 部隊將面臨超音速和潛在的高超音速武器，這將使他們幾乎沒有時間做出充分知情的決策。EAB 指揮官將被迫利用大量有人和無人傳感器平臺感知威脅，并迅速確定行動方案。

人工智能輔助 OODA 循環（圖 8）直觀地描述了 EAB 指揮官如何借助人工智能技術做出決策。它將博伊德的 OODA 循環作為指揮官 PDE 循環的基礎。這反映出指揮官是決策過程的中心，也是情報和決策支持的主要消費者。下一層是國家情報總監辦公室（ODNI）的六步情報循環，用于將數據處理成情報。下一層是西蒙的有界理性模型，用于描述 AIDSS 如何嵌套在 EAB 指揮官的決策框架中。最后，使用狹義人工智能增強的外部代理被疊加以代表物理工具（如 RAS、武器系統、AI-DSS 和圖形用戶界面 (GUI)）。在關鍵點集成狹義人工智能，以實現傳感器操作和利用、數據和情報的 PED 以及武器使用的自動化，從而減少人力并壓縮 PDE 周期時間，為指揮官創造可利用的優勢窗口。

作戰概念

由于 EAB 指揮官將在一個簡樸、分散和資源有限的環境中工作，他必須重新獲得在這些方面失去的效率，以超越對手。AI-OODA 循環將按以下方式解決問題。在執行任務前，指揮官進行任務分析/人員規劃流程，以確定指揮官的關鍵信息需求（CCIR）（優先情報需求（PIR）/友軍情報需求（FFIR））以及與上級總部意圖相關的任務（作戰空間的情報準備（IPB）、行動區域、任務、約束/限制等）。

在步驟 1. 觀察階段，指揮官收集有關作戰環境、敵我態勢和友軍態勢的數據，以驗證 IPB 中的基準假設并更新態勢感知。為此，將利用國防部云服務和配備計算機視覺和機器學習技術的無人系統提供的多源情報，自主分析環境，查找 CCIR。這些系統在收集和識別 CCIR 時，可根據威脅程度和排放控制（EMCON）狀態采取兩種行動方案：1. 從云和/或邊緣 AI 平臺（AI-DSS）分發/縮減信息；2. 限制通信并返回基地進行開發。從這一過程中收集到的數據將反饋到第二階段--定向，以確定其意義和相關性。

在步驟 2. 在第 2 步 "定向"階段，指揮官要對收集到的大量數據進行意義分析，以便做出適當的決策。隨著數據池的不斷擴大，第一步的輸出結果必須由人工進行處理，這將耗費大量的時間和資源。如果處理不當，指揮官就有可能因信息過載而無法確定行動方案。研究表明，在面臨信息超載等人類認知極限時，人們會使用次優的應對策略，從而導致認知偏差。第二步是當前流程中的瓶頸，也是人工智能輔助決策支持系統（AI-DSS）緩解信息過載和縮短 PDE 周期的理想場所。

AI-DSS 的優勢在于它可以自主地以數字方式整合來自無限量來源的數據，包括多源情報、RAS、鄰近邊緣 AI 節點、開放源數據以及最終基于國防部云的服務，以生成決策輔助工具、預測性威脅預報或響應行動方案。通過監控這些來源，人工智能可利用 KDD 推斷出模式和意義，以探測敵方意圖，并在人工智能-OODA 循環的第 4 步中利用 F2T2EA（發現、修復、跟蹤、瞄準、交戰、評估）的殺傷鏈模型做出反應。與計算機網絡防御（CND）中使用的技術類似，EABO 部隊可以探測敵人的行動，將敵人的殺傷鏈指標與防御者的行動方針聯系起來，并識別出將敵人的個別行動與更廣泛的戰役聯系起來的模式，從而建立起陸基情報驅動的 SLOC（海上交通線）防御（IDSD），以控制當地海域。現在，他的情報系統已獲得最佳數據，并輔以人工智能生成的行動方案 (COA)，為第 3 步 "決定 "做好準備。

在步驟 3. “決定”步驟中，指揮官現在可以決定采取何種行動方案來實現預期結果。AI-DSS 可以推薦 COA、確定成功概率并建議后續行動或對手行動。通過圖形用戶界面，她的決定可以在整個梯隊中傳達，并傳遞給 RAS 平臺，從而在分布式作戰空間中形成一個綜合的有人無人團隊。

在步驟 4.“ 行動”中，指揮官正在執行任務，并利用反饋機制為其下一個決策周期提供信息，該決策周期已通過綜合通信、火力和指揮控制網絡進行了溝通，以確定可用和適當的武器系統。人工智能 OODA 循環將循環往復地進行下去，直到指揮官達到預期的最終狀態或情況不再需要采取戰術行動。通過利用人工智能作為 DSS，指揮官實現了以下目標：

1.融合--在梯隊中快速、持續、準確地整合來自所有領域、電磁頻譜（EMS）和信息環境的內部和外部能力；

2.優化 - 在正確的時間，以最有效和最高效的方式，向正確的目標提供效果的能力；

3.同步--將態勢感知、火力（致命和非致命）和機動結合起來進行滲透和利用的能力；以及

4.感知和行動速度--在沖突的各個階段都能識別和直觀地看到導致領域優勢和/或挑戰的條件，并采取相應行動；

確信所有數據點都以不偏不倚的方式加權，且周期速度快于敵方。

第 III 部分：關于人工智能輔助 EABO 的小故事

本節將通過一個小故事來解釋人工智能-OODA 循環系統在未來沖突中如何運作，從而將前面討論的主題結合起來。本節旨在從概念上向讀者概述如何使用該系統、它能解決哪些挑戰以及它能創造哪些機遇。

第 IV 部分：障礙和建議

有幾個問題不是本文的主題，但卻是接受和開發 AI-DSS 的重大障礙。將精力和資源集中在這些領域將激發行業解決方案，并協助海軍陸戰隊制定必要的政策、程序和戰術，以實現這一概念，并使海軍陸戰隊與國防部的人工智能戰略保持一致。

第一個問題是 EABO 的人工智能支持概念。如果對問題沒有清晰的認識，海軍陸戰隊就無法在技術、培訓和實驗方面進行適當的投資。一個可以考慮的途徑是與美國陸軍合作。2019 年 8 月，陸軍未來司令部發布了《2019 年未來研究計劃--人工智能在多域作戰（MDO）中的應用》。MDO 是聯合部隊的一個概念，海軍陸戰隊可以輕松嵌套在遠征梯隊中。這項研究通過戰爭游戲得到加強，概述了在 A2/AD 環境中建立人工智能能力的要求、優勢/劣勢和作戰案例。

第二個問題是海軍陸戰隊人工智能的資源配置。國防部人工智能戰略的美國海軍陸戰隊附件在 MCWL 設立了人工智能利益共同體（COI）和人工智能處，以確定人工智能工作的優先順序和同步性，并制定海軍陸戰隊人工智能戰略。這是一個良好的開端，但還不足以滿足人工智能運作所需的資源。海軍陸戰隊必須利用美國陸軍在多域作戰中開展的人工智能工作的范圍和規模，加速技術成熟、實驗和部隊發展。軍事、戰爭和后勤部人工智能有限技術評估應重點關注人工智能-DSS 如何能夠實現、改進或完全修改與 ISR-Strike、C2、維持和部隊保護相關的任務執行。2020 年有機會與陸軍人工智能任務組 (A-AITF) 就其 20 財年人工智能操作化研究計劃開展合作。

第三個問題是企業數據管理。國防部在匯集數據并將其組合成可用的形式方面舉步維艱。為了解決這個問題，國防部數字化現代化戰略要求提供企業云數據服務，也稱為聯合企業防御基礎設施（JEDI）。司令還認識到海軍陸戰隊在數據收集、管理和利用方面的不足，以促進更好的決策。機器要進行 KDD，必須有大量可用的數據集。海軍陸戰隊必須以人工智能-DSS 和其他深度學習技術能夠利用的方式構建其數據，以獲得業務收益。

第四個問題是對人工智能技術的信任。根據美國政府問責局的說法，人工智能正在接近第三次浪潮，但并非沒有嚴重障礙： "第三波人工智能的一個重要部分將是開發不僅能夠適應新情況，而且能夠向用戶解釋這些決策背后原因的人工智能系統"。目前的深度學習方法具有強大的分析能力，但有時會產生不尋常的結果。要讓指揮官信任并在軍事行動中使用 AI-DSS，就必須具備解釋人工智能如何得出答案的能力。可解釋的人工智能是國防部和商業部門共同關注的問題，而商業部門正在牽頭研究可能的解決方案。53 可解釋的人工智能是國防部和商業部門都關注的問題，而商業部門正在引領可能的解決方案研究。了解為什么會做出好的或壞的決策，會讓人對技術產生信任，這對軍事行動至關重要。

第五個問題是邊緣計算，即 "將計算能力下推到數據源，而不是依賴集中式計算解決方案"。這是必要的，因為電磁頻譜將受到爭奪，機器將無法依賴一致的通信和基于云的計算。數據網絡架構將需要重組，以便變得更加分散，并可抵御災難性損失，每個邊緣設備都應能夠與相鄰節點進行網狀連接和通信。在實踐中，數據連接將根據威脅環境從完全連接到拒絕連接的滑動范圍進行。這樣，AI-DSS 就能對本地收集的數據進行快速、實時的 PED，為 EAB 指揮官的決策周期提供支持。此外，國防部必須在戰術邊緣提供基于云的服務，并采用 5G 數據傳輸速率，以機器速度和低延遲充分利用人工智能和 RAS。同樣，這也是與美國陸軍在多域作戰方面的合作領域。

第六個問題是，這在以前已經嘗試過。2002 年，美國國防部高級研究計劃局（DARPA）創建了 PAL（個性化學習助手）計劃，作為一種認知計算系統，它可以通過學習來協助用戶完成任務，從而做出更有效的軍事決策。其主要目標之一是減少對大量人員的需求，從而使決策更加分散，不易受到攻擊。PAL 的一些功能包括將多源數據融合為單一饋送，這些功能已過渡到蘋果 Siri 個人助理和美國陸軍的未來指揮所 (CPOF) 計劃。筆者無法獲得有關 PAL 計劃局限性的詳細信息，但陸軍認識到遠征決策支持系統的必要性，目前正在精簡 CPOF。指揮所計算環境（CPCE）將多個環境整合為一個單一的用戶界面，整體重量從 1200 磅減至 300 磅，主要用于移動作戰。這是朝著正確方向邁出的一步，也是陸軍和海軍陸戰隊的潛在合作領域。

最后，MCWL 應研究在 RAS、計算機視覺、機器學習和數據分析方面的狹窄人工智能領域，這些領域可立即應用于減少指揮官的認知負荷。

結論

當前的 C4ISR/RAS 是勞動密集型的，會產生大量數據，必須迅速加以利用，才能為海軍部隊提供可操作的情報。使用數據分析和機器學習的人工智能可以比人類更快地處理、利用和傳播信息。配備了人工智能信息系統的 EAB 指揮官將以比對手更快的速度做出更明智的決策。然而，在實現這一目標之前，目前還存在著巨大的障礙。展望未來，海軍陸戰隊必須制定一個與海軍作戰概念相匹配的海軍陸戰隊作戰概念，對人工智能工作進行充分的優先排序和資源配置，對企業數據管理進行資源配置，以最大限度地利用數據分析和機器學習來發現數據庫中的知識（KDD），并利用美國陸軍的人工智能實驗和概念開發來實現多域作戰（MDO）。此外，海軍陸戰隊應確定當前可通過狹義人工智能加以改進的技術和作戰領域。

海軍陸戰隊不能再依賴過時的決策支持系統和信息管理方法來進行戰術決策。隨著友軍和敵軍利用技術獲取戰術利益，指揮官的信息負荷將繼續增加。人工智能決策支持系統可以解決這個問題。軍事指揮與控制發展計劃》（MCDP 6）指出了這一點的必要性："無論時代或技術如何發展，有效的指揮與控制都將歸結為人們利用信息做出明智的決定和行動....，衡量指揮與控制有效性的最終標準始終如一：它能否幫助我們比敵人更快、更有效地采取行動？

人工智能解決方案在陸軍野戰應用中的使用將在很大程度上依賴于機器學習（ML）算法。當前的ML算法需要大量與任務相關的訓練數據，以使其在目標和活動識別以及高級決策等任務中表現出色。戰場數據源可能是異構的，包含多種傳感模式。目前用于訓練ML方法的開源數據集在內容和傳感模式方面都不能充分反映陸軍感興趣的場景和情況。目前正在推動使用合成數據來彌補與未來軍事多域作戰相關的真實世界訓練數據的不足。然而，目前還沒有系統的合成數據生成方法，能夠在一定程度上保證在此類數據上訓練的ML技術能夠改善真實世界的性能。與人工生成人類認為逼真的語音或圖像相比，本文為ML生成有效合成數據提出了更深層次的問題。

1 引言

人工智能（AI）是美國國防現代化的優先事項。美國國防部的人工智能戰略指示該部門加快采用人工智能并創建一支適合時代的部隊。因此，它自然也是陸軍現代化的優先事項。從陸軍多域作戰（MDO）的角度來看，人工智能是解決問題的重要因素，而MDO是建立在與對手交戰的分層對峙基礎上的。雖然人工智能本身沒有一個簡明和普遍接受的定義，但國防部人工智能戰略文件將其稱為 "機器執行通常需要人類智能的任務的能力--例如，識別模式、從經驗中學習、得出結論、進行預測或采取行動--無論是以數字方式還是作為自主物理系統背后的智能軟件"。這句話的意思是，當機器在沒有人類幫助的情況下獨立完成這些任務時，它就表現出了智能。過去十年中出現的人工智能解決方案的一個重要方面是，它們絕大多數都符合模式識別模式；在大多數情況下，它們根據經過訓練的人工神經網絡（ANN）對相同輸入數據的輸出結果，將輸入數據分配到數據類別中。具體來說，深度學習神經網絡（DNN）由多層人工神經元和連接權重組成，最初在已知類別的大量數據上進行訓練以確定權重，然后用于對應用中的實際輸入數據進行分類。因此，機器學習（ML），即自動機（這里指DNN）在訓練階段學習模式的過程，一直是一個主導主題。事實上，DNN在計算機視覺領域的成功是商業和政府部門加大對人工智能關注和投資的原因。訓練算法和軟件開發工具（如tensorflow）的進步、圖形處理器（GPU）等計算能力的可用性，以及通過社交媒體等途徑獲取大量數據，使得深度學習模型在許多應用中得到了快速探索。

在監督學習中，人類專家創建一組樣本來訓練ML算法，訓練數據與實際應用數據的接近程度對人工智能方法的性能起著重要作用。將ML模型應用于軍事問題的主要瓶頸是缺乏足夠數量的代表性數據來訓練這些模型。有人提出使用合成數據作為一種變通辦法。合成數據集具有某些優勢：

• 它們帶有準確的地面實況。
• 使用現成的模擬產品可輕松生成大量各種類型的數據。
• 它們在程序上的障礙較少，例如，生物識別數據需要獲得機構審查委員會的許可。

然而，最關鍵的問題是在合成數據或混合合成和真實數據上訓練ML模型是否能使這些模型在真實數據上表現良好。美國陸軍作戰能力發展司令部陸軍研究實驗室的研究人員和合作者使用合成生成的人類視頻進行機器人手勢識別所獲得的初步結果表明，在合成數據和真實數據混合的基礎上進行訓練可以提高ML手勢識別器的性能。然而，并沒有普遍或分類的結果表明，當全部或部分使用合成數據進行訓練時，真實世界的ML性能會得到一致的提高。因此，有必要進行系統調查，以確定使用合成數據訓練ML方法的可信度。我們有理由假設，合成數據在提高ML性能方面的有效性將受到實際應用領域、合成數據與真實數據的保真度、訓練機制以及ML方法本身等因素的影響。合成數據與真實數據的保真度反過來又取決于數據合成方法，并提出了通過適當指標評估保真度的問題。以圖像為例，合成數據訓練的ML方法的性能與人類視覺感知的真實場景的保真度是否成正比并不清楚。有可能數據的一些關鍵特征對于ML的性能比那些影響人類感知的特征更為重要。組織這次陸軍科學規劃和戰略會議（ASPSM）的一個主要目的是讓合成數據生成、人工智能和機器學習（AI & ML）以及人類感知方面的頂尖學術界和國防部專家討論這些問題。會議的技術重點主要是圖像和視頻數據，反映了組織者在計算機視覺和場景感知方面的任務領域。

2 組織

根據上一節提出的問題，會議圍繞三個主題展開：

1.人類的學習和概括： 人類可以從最小的抽象和描述概括到復雜的對象。例如，在許多情況下，觀察一個物體的卡通圖像或線描，就足以讓人類在真實場景中識別出實際的三維物體，盡管后者比卡通圖像或線描具有更復雜的屬性。 這遠遠超出了當前人工智能和ML系統的能力。如果能夠開發出這種能力，將大大減輕數據合成機器的負擔，確保真實數據的所有屬性都嚴格保真。這個例子也說明了一個事實，即用于訓練ML模型的合成數據生成研究與提高ML模型本身的能力密切相關。因此，這項研究的重點是探索人類和動物的學習，以啟發ML和數據合成的新方法。

2.數據合成方法和驗證： 大多數應用ML方法的領域都有針對其領域的數據合成技術和工具。游戲平臺提供了一個流行的視頻合成商業范例。問題是如何評估特定領域中不同合成方法的性能。顯然，我們必須確定執行此類評估的指標或標準。通常情況下，合成工具的作者也會就工具的性能或功效發表聲明。驗證將是評估此類聲明的過程。本研究的目的是探討指導合成和驗證過程的原則。合成技術的例子包括基于計算機圖形的渲染器（如電影中使用的）、基于物理的模擬（如紅外圖像）和生成模型（目前傾向于基于神經網絡）。

3.領域適應挑戰： ML中的領域適應是指使用一個領域（稱為源領域）的數據訓練ML模型，然后將ML應用于不同但相關領域（稱為目標領域）的數據。例如，使用主要為民用車輛的源圖像數據集訓練識別車輛的ML算法，然后使用訓練好的算法識別主要為軍用車輛的目標數據集中的車輛。在使用合成數據進行訓練時，它們通常構成源域，而實際應用數據則是目標域。本次會議的重點是確定和討論有效領域適應中的關鍵問題和挑戰。

ASPSM的審議分四次會議進行。第一天的兩場會議討論了前兩個主題。第二天的第一場會議討論第三個主題，第二場會議在三個主題下進行分組討論。ASPSM兩天的日程安排分別如圖1和圖2所示。從圖中可以看出，每個主題會議首先由該領域的學術專家進行40分鐘的主講，然后由大學專家進行兩個20分鐘的講座。隨后由來自學術界和國防部的專家組成的小組進行討論。最后一個環節是分組討論，與會者可以討論與主題相關的各個方面。

3 口頭報告和小組討論

麻省理工學院電子工程與計算機科學系的Antonio Torralba教授在第一分會場發表了關于人類學習與泛化的主題演講。他的演講題目是 "從視覺、觸覺和聽覺中學習"，深入探討了深度學習方法如何在不使用大量標注訓練數據的情況下發現有意義的場景表征。舉例說明了他們的DNN如何在視覺場景和環境中的聲音之間建立聯系。讀者可參閱Aytar等人關于這一主題的代表性文章。

同樣來自麻省理工學院的James DiCarlo博士的下一個演講題目是 "視覺智能逆向工程"。他將 "逆向工程 "定義為根據對行為的觀察和對輸入的反應推斷大腦的內部過程，將 "正向工程 "定義為創建ANN模型，以便在相同輸入的情況下產生相應的行為。他的研究小組的一個目標是建立神經認知任務的性能基準，人類或其他靈長類動物以及ML模型可以同時達到這些基準。他的演講展示了大腦處理模型如何適應ANN實現的初步結果，并提出了ANN通過結合這些適應密切模擬人類行為，進而準確描述大腦功能的理由。

第一場會議的第三場講座由加州大學伯克利分校的Jitendra Malik教授主講，題為 "圖靈的嬰兒"。這個題目也許是指最早的電子存儲程序計算機之一，綽號 "寶貝"，其創造者之一受到了阿蘭-圖靈的啟發。馬利克教授首先引用了圖靈的觀點：與其創建一個模擬成人思維的程序，不如從模擬兒童思維開始。從本質上講，這意味著創造一種人工智能，通過與環境互動以及向其他人工智能和人類學習來學習和成長。這被稱為具身機器智能。馬利克教授認為，監督學習本質上是處理靜態數據集，因此顯示了在精心策劃的時間點上運行的非實體智能。具體而言，他認為監督訓練方法不適合創建能夠提供人類水平的世界理解，特別是人類行為理解的人工智能。Malik教授介紹了 "Habitat"，這是一個由他和他的合作者開發的平臺，用于嵌入式人工智能的研究。在隨后的小組討論中，與會人員討論了演講者所涉及的主題，以及與機器人學習和當前兒童智力發展模型相關的主題。

第二部分“數據合成:方法和驗證”以一個題為“學習生成還是生成學習?”，作者是斯坦福大學的Leonidas gu教授。在研究用于訓練ML的合成數據生成的動機中，他指出可以減輕大量人工注釋訓練數據的負擔。他的前提是，無論合成數據是用于訓練ML還是供人類使用，其生成效率和真實性都非常重要。不過，他表示其他質量指標還沒有得到很好的定義，需要進一步研究。他舉例說明了在混合合成數據和真實數據上訓練ML時，ML的物體識別性能有所提高，但他也承認很難得出可推廣的結論。

卡內基梅隆大學的Jessica Hodgins博士發表了第二場會議的第二個演講，題為 "生成和使用合成數據進行訓練"。演講展示了她的研究小組生成的精細合成場景。利用從真實場景到合成場景的風格轉移過程，她的研究小組創造了一些實例，說明在混合了大量風格適應的合成數據和一些真實數據的基礎上進行訓練的ML方法的性能優于僅在真實數據集或僅在合成數據集上進行訓練的方法。性能提高的原因在于風格轉移克服了合成數據集與真實數據集之間的 "分布差距"。

第二場會議的最后一場講座由加州大學伯克利分校的Trevor Darrell教授主講。他的演講題為 "生成、增強和調整復雜場景"，分為三個部分。第一部分詳細介紹了演講者及其核心研究人員開發的一種名為 "語義瓶頸場景生成 "的技術，用于根據地面實況標簽合成場景。該技術可進一步與通過生成過程生成此類地面標簽的模型相結合。Azadi等人對該技術進行了詳細描述。 第二部分涉及增強和自我監督學習。發言人提出，當前的對比學習方法在合成增強數據時建立了不變量，而這些不變量可能是有益的，也可能是無益的。例如，建立旋轉不變性可能有利于識別場景中的花朵，但可能會阻礙對特定方向物體的有效識別。演講者介紹了他的研究小組考慮具有特定不變性的多種學習路徑的方法，并展示了與現有技術相比性能有所提高的結果。 第三部分介紹了一種名為 "Tent"（測試熵）的技術。其前提是DNN應用過程中遇到的數據分布可能與訓練數據不同，從而導致性能下降。因此，需要對DNN參數進行實時或測試時調整，以防止性能下降。Tent技術通過調整權重使DNN輸出的測量熵最小化來實現這一目標。演講者隨后用常用數據集展示了該技術相對于先前方法的改進性能。隨后的小組討論涉及合成方面的挑戰，尤其是紅外圖像方面的挑戰。

第二天的第三場會議以 "領域轉移的挑戰 "開始。約翰霍普金斯大學布隆伯格特聘教授Rama Chellappa博士發表了題為 "解決美國防部實際問題的綜合數據期望與最大化"的演講。演講首先回顧了過去二十年來國防部處理合成圖像的多個項目的歷史。他提出了一個重要論斷，即如果在合成過程中考慮到真實數據的物理特性，那么真實數據和合成數據之間的領域轉換就會減少。Chellappa教授還就領域自適應表示法提供了快速教程，涵蓋了正規數學方法以及較新的生成對抗網絡（GANs）。演講者及其核心研究人員開發的基于GAN的方法可以修改合成數據的分布，使之與目標分布相匹配。講座舉例說明了這種方法優于之前的非GAN方法。

佐治亞理工學院的Judy Hoffman教授發表了題為 "從多個數據源進行泛化的挑戰 "的演講。她考慮的問題是在模擬中學習模型，然后將模型應用于現實世界。她指出了四個挑戰： 生成、列舉、泛化和適應。發言人介紹了應對這些挑戰的幾種不同方法。具體來說，用于泛化的特定領域掩碼（DMG）方法通過平衡特定領域和領域不變特征表征來生成一個能夠提供有效領域泛化的單一模型，從而解決多源領域學習問題。

第三場會議的第三位也是最后一位演講者是波士頓大學的Kate Saenko教授，他的演講題目是 "圖像分類和分割的Sim2Real領域轉移的最新進展和挑戰"。Saenko教授延續了前兩場講座的主題，介紹了視覺領域適應的歷史，并探討了領域和數據集偏差問題。在糾正數據集偏差的不同方法中，講座詳細討論了領域適應。特別重要的是，Saenko教授及其合作者開發的技術能夠顯示合成到真實的適應性，就像從游戲引擎到真實數據一樣。隨后的小組討論提出了幾個有趣的問題，包括訓練域和測試域的不同，不是感興趣的對象不同，而是對象所處的環境不同，例如訓練時軍用車輛在沙漠環境中，而測試時則在熱帶植被背景中。

4 分組討論

三個主題的分組討論同時進行。在 "人類學習與泛化 "分組討論中，首先討論了 "人類如何學習？"、"ML模型如何模仿人類過程？"以及 "合成數據如何實現這些過程？"等問題。從童年到青春期和成年期，學習和成長之間的關系成為關鍵點。其他被認為有助于人類學習的因素包括人類心理、情感、同時參與多維活動、記憶以及解除學習的能力。

關于 "數據綜合： 方法與驗證 "分論壇確定了數據合成的幾個問題，特別是圖像和視頻。主要問題涉及結合物理學的有用性、視覺外觀保真度與成本之間的權衡、保真度的衡量標準、保真度本身的重要性以及當前技術（包括GANs技術）的局限性。據觀察，合成圖像和視頻生成至少已有幾十年的歷史，但大多數產品要么是為視覺效果而設計，要么是為再現物理測量而設計（例如，紅外模擬中的輻射剖面）。它們并不適合用于ML培訓。提出的另一個問題是，合成的二維圖像必須與物體和環境的底層三維幾何圖形保持一致。還有人提出，能夠在特定的感興趣的環境中生成大量合成數據，可以作為第一道工序測試新的人工智能和ML方法，而不管這些方法是否能夠在真實數據中很好地工作。

專題3 "領域轉移挑戰 "的分組討論確定了MDO所需的關鍵人工智能能力，即從孤立學習到機器與人類之間的聯合或協作學習。會議還討論了在多種數據模式下同時訓練ML的聯合學習。人們認識到，這些領域的工作才剛剛開始。分組討論的牽頭人強調，需要向士兵明確說明基于人工智能的系統在特定情況下將會做什么。這引發了對系統魯棒性的討論。分組組長向ASPSM聽眾提供了討論摘要。

5 差距和建議

根據本次ASPSM的討論，我們確定了以下值得陸軍進一步進行科技投資的領域：

1.支持多模式互動學習的合成技術和數據集。與當前流行的捕捉 "時間瞬間 "的靜態數據集（如農村環境中的車輛圖像）相比，有必要開發更能代表支持持續學習的體現性體驗的模擬器，就像我們在人類身上看到的那樣，并實現對世界更豐富的表征。混合方法（如增強現實）也可將人類監督的優勢與合成環境的靈活性結合起來。

2.學習和合成因果關系和層次關系的算法和架構。最近的一些方法，如基于圖的卷積神經網絡，已經在學習空間和時間的層次關系（如物體-部件和因果關系）方面顯示出前景。鑒于在現實世界中收集和注釋此類數據的復雜性，合成數據的生成可能特別有用。識別層次關系是一般國防部和戰場情報分析的關鍵要素。

3.支持持續、增量、多模態學習的算法和架構。深度強化學習方法被成功地用于訓練虛擬或機器人代理的相關行動策略，如捕食者與獵物之間的相互作用。基于模仿的方法承認學習的社會性，通常讓代理與（通常是人類）教師合作學習新策略。這些類型的交互式持續學習可進一步與多模態學習（即融合來自多個傳感器的數據）相結合，以實現更豐富的世界表征，使其更穩健、更具通用性。同樣，在這一領域難以獲得大量經過整理的數據，這也為探索合成引擎提供了動力。

4.學習物理或具備相關物理領域知識的算法和架構。在許多領域（例如紅外光下的物體感知），從圖像感知和合成圖像需要了解世界的基本物理特性，例如光與材料之間的相互作用。然而，當前的深度學習模型缺乏這種物理知識。開發賦予ML物理領域知識的技術對這些系統的性能至關重要。

5.具有豐富中間表征的領域適應技術。為了縮小真實數據和合成數據之間的領域差距，必須進一步推動當前建立領域不變中間表征的趨勢，特別是使用語義詞典和生成式對抗網絡。能夠理解數據底層結構（如光照、旋轉、顏色）的表征更有可能成功抽象出合成數據中不重要的細節。

6.深入了解ML模型內部表征的方法，以及合成表征與真實表征的比較。網絡剖析技術 "打開 "了深度學習模型的隱藏層，允許解釋網絡中的每個階段正在學習哪些特定概念或其更細的方面。這些技術揭示了具有真實輸入和合成輸入的DNN的內部表征，有助于識別所學內容的關鍵差異，從而找到克服這些差異的解決方案。

6 結論

為期兩天的虛擬ASPSM吸引了眾多美國防部科學家和工程師、頂尖學術專家以及科技項目管理人員的熱情參與。多學科的討論強化了這樣一種觀點，即開發用于訓練ML方法的生成合成數據的改進方法與理解和改進ML方法本身是分不開的。一個特別重要的需求是了解ML方法，尤其是當前的學習架構，是如何創建場景的內部表示的。另外兩個重要領域是：1）理解人類學習與ML世界中可能存在的學習之間的異同；2）多模態數據--從合成和ML的角度。我們預計近期國防部和學術研究人員將在本報告確定的領域加強合作。

美國負責采購和維持的國防部副部長辦公室（OUSD A&S）的任務是快速和低成本地向作戰人員和國際合作伙伴提供和維持安全和有彈性的能力。現在迫切需要開發適應性采購框架（AAF），以加快軟件開發和采購流程，加強作戰概念（CONOPS），如分布式海上作戰（DMO）。國防部（DoD）必須利用與國防戰略和全球威脅的性質相聯系的數據驅動的分析來塑造AAF，并擴展新的能力來應對新的威脅。威脅和能力共同演化矩陣（TCCM）解決了這一要求。威脅是一種能力試圖處理的問題。一種能力是代表威脅的問題的解決方案。共同進化算法探索了一些領域，其中一個能力或能力組合的質量由其成功擊敗一個威脅或威脅組合的能力決定。TCCM有可能在新的和有爭議的環境中系統地優化、推薦和共同演化能力和威脅。我們展示了一個關于幫助項目執行辦公室（PEO）使用從公開來源匯編的非機密數據對特定領域DMO的能力和威脅進行戰役的用例。

引言

不僅美國防部負責采購和維持的副部長辦公室（OUSD A&S）有必要制定采購戰略，而且整個國防部也有必要應用數據驅動的分析以及與國防戰略和全球威脅的性質相聯系的創新和適應性作戰概念（CONOPS），并為作戰人員擴展新的能力。

例如，為了提高部隊的總體戰備能力，并在廣泛的行動和沖突頻譜中隨時投射戰斗力，海軍需要靈活的指揮和控制（C2）組織結構來滿足CONOPS。例如，DMO是海軍的一個CONOPS，而遠征先進基地作戰（EABO）是美國海軍陸戰隊（USMC）的一個CONOPS。DMO和EABO都是海戰現代化的新興作戰概念。PMW 150是PEO C4I的C2系統項目辦公室，也是C2解決方案的主要提供者，它的工作重點是將作戰需求轉化為海軍、海軍陸戰隊、聯合部隊和聯軍作戰人員的有效和可負擔的作戰和戰術C2能力。PMW150的任務是 "以創新的方式滿足相關能力的操作要求，使作戰人員能夠保持C2的優勢"（Colpo，2016）。

另一方面，美國艦艇的海上行動，特別是在沿海地區，將繼續存在爭議和危險；因此，當務之急是發展DMO和EABO，以實現統一的行動愿景。DMO的目的是在有爭議的環境中支持國家和戰略目標。DMO的概念不僅將進攻性打擊視為在戰斗中獲勝的主要戰術，而且還將欺騙和迷惑敵人的能力確定為在有爭議的環境中獲得成功的關鍵任務。目前的工作重點是將現有的平臺、系統和能力與DMO的具體戰術相結合，以實現海上戰略和作戰目標。DMO被定義為 "通過使用可能分布在遙遠的距離、多個領域和廣泛的平臺上的戰斗力來獲得和保持海上控制所必需的作戰能力"（海軍作戰發展司令部[NWDC]，2017）。

DMO作為海軍和海軍陸戰隊資產運作的一個概念，其發展源于分布式殺傷力（DL）模型（Popa等人，2018）。DMO的概念采用了DL的擴展觀點，由三個支柱組成：通過網絡射擊能力提高單個軍艦的攻擊力，將攻擊能力分布在廣泛的地理區域，并為水面平臺分配足夠的資源，以實現增強的作戰能力（Rowden, 2017）。DMO還強調在所有領域，包括空中、地下和網絡戰，都需要更有彈性和可持續性的水面平臺。DMO的未來觀點是成為以艦隊為中心的戰斗力，通過整合、分配和機動性，允許在多個領域（有爭議的空中、陸地、海上、太空和網絡空間；國防部，2018）同時和同步執行多種能力和戰術，以便在復雜的有爭議的環境中戰斗和獲勝（Canfield，2017）。因此，DMO不僅包括傳感器、平臺、網絡和武器的傳統戰爭能力，而且還延伸到隨著新技術發展的其他戰術。DMO概念使用涉及ISR、機器學習（ML）和人工智能（AI）的先進探測和欺騙，特別是使用無人系統來增強進攻性戰術行動的能力；因此，通過潛在地利用平臺、傳感器、武器、網絡和戰術的不同組合，可以在所有海上領域放大一支多樣化但統一的部隊的戰斗力。

DMO的概念包括詳細的能力，如反措施、反目標和反介入的戰術。反措施是旨在轉移威脅的防御性能力。反目標可能是進攻性能力、欺騙性戰術和轉移威脅的作戰演習。欺騙性戰術包括無人資產群、機械和物理反措施、電子干擾和限制電磁輻射，或排放控制（EMCON）。反介入是為了消除威脅。

傳統上，基線部隊結構由一組固定的友軍艦艇和飛機組成，排列成行動組，包括航母打擊組（CSG）、遠征打擊組（ESG）、水面行動組（SAG），以及各種獨立的可部署單位，如EABO的遠征海軍部隊。

DMO的行動要求包括能力、人力、維護和供應等資源，需要仔細分析、計劃和執行，這需要正確的數據戰略、分布式基礎設施和深度分析。威脅與能力協同進化矩陣（TCCM）的技術概念解決了DMO和EABO行動的要求。威脅是一種能力試圖處理的問題，包括其復雜性和緊迫性。一種能力是代表威脅的問題的解決方案。來自ML/AI社區的協同進化算法探索了一些領域，其中能力或能力組合的質量由其成功擊敗威脅或威脅組合的能力決定。戰爭游戲模擬中使用的協同進化算法類似于國防應用中廣泛使用的蒙特卡洛模擬，只是它們參與了預測和預報、優化和博弈（minmax）算法等ML/AI。DMO和EABO概念要求處理不斷變化和發展的威脅的能力和資源網絡的靈活性和進化。

圖 1. 每個節點都使用 CLA 注意：每個節點的內容和數據可能包括能力；首先需要對能力進行索引、編目和數據挖掘。

圖 2. TCCM 和兵棋仿真的概念