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

本文從情報和安全服務的角度探討了對抗性威脅不斷演變的性質。文章探討了混合威脅和非線性戰爭在戰爭與和平之間日益模糊的安全環境中的影響。研究旨在了解灰色地帶新出現的動態，以及這些不斷演變的威脅給情報和安全部門帶來的新挑戰。文章采用定性方法，借鑒全球實例，包括國家和非國家行為者對混合戰爭的戰略利用。此外，研究還探討了技術進步，特別是人工智能（AI）和機器學習（ML），以評估它們在塑造現代威脅方面的作用。文章認為，現代對抗性威脅在強度和復雜性上都不同于傳統威脅。混合威脅橫跨多個領域，融合軍事和非軍事戰術，同時利用社會的弱點。文章強調了人工智能和機器學習在進攻和防御戰略中日益增長的重要性，以及國家無法控制的快速技術進步所帶來的挑戰。文章最后指出，情報和安全部門必須采取靈活的綜合戰略，以適應這些多維威脅。加強國際合作、先進的技術整合和注重應變能力將是應對混合威脅的關鍵。研究結果強調，情報部門必須超越傳統邊界開展行動，以有效管理未來安全環境的復雜性。

本報告是軍事人工智能 (AI) 發展及其在烏克蘭戰爭中的應用系列報告的一部分。報告將重點關注烏克蘭軍隊采用人工智能的兩個關鍵方面：

• 從 2014 年與俄羅斯的戰爭一開始，促進軍事人工智能發展的條件和因素
• 負責推動人工智能應用的主要政府機構和舉措，以及其與人工智能相關的主要舉措摘要

下面的摘要部分介紹了這兩方面的主要發現和見解。

1.人工智能正處于試驗性部署階段，絕大多數都是用于輔助功能。

雖然人工智能在烏克蘭戰爭中經常被討論，但其在戰場上的全面部署仍然有限。許多人工智能驅動的能力和技術正在前線、俄羅斯境內的遠程打擊以及多域作戰中進行測試，但這些工作在很大程度上是實驗性的，而不是表明人工智能將在戰爭中系統地取代人類功能。目前，人工智能主要發揮輔助和信息作用，即使人工智能能力有所進步和提高，也還沒有在戰場上以完全自主的模式實施。

2.烏克蘭政府越來越多地參與到人工智能的發展中，由政府各利益相關方主導組織、監管和技術方面的舉措。

最初，烏克蘭的人工智能驅動技術開發是由私營部門和志愿者倡議帶頭的。不過，政府機構和部門最近也開始建設自身推進新技術的能力。這一轉變體現在政府機構和烏克蘭武裝部隊（AFU）內部設立了新的組織部門和單元，專門負責以人工智能為重點的技術及其部署。這些努力標志著公共部門向人工智能創新制度化邁出了重要一步。

3.烏克蘭政府的重點是采用商業人工智能，而不是在政府機構內部開發新技術。

烏克蘭當局認識到，私營部門的技術開發速度和質量遠遠超過政府部門，因此優先考慮建立基礎設施和程序，以便快速采用商業技術。這種做法的結果是簡化了烏克蘭武裝部隊采用創新技術的規定，啟動了原型測試計劃，并向早期初創企業提供補助資金等舉措。此外，烏克蘭軍方新成立的大多數單元，如無人系統部隊，都致力于將新技術融入軍事行動，而非參與戰斗本身。

4.缺乏軍事人工智能發展的長期戰略對持續有效地采用這些技術構成了重大挑戰。

缺乏軍事人工智能發展的長期戰略是烏克蘭政府在新興技術方面的一個關鍵缺口。盡管烏克蘭擁有公認的技術潛力，但在國防中使用人工智能方面卻沒有統一的愿景指導。造成這一戰略空白的主要原因是政府機構的管理能力有限，以及政治領導層缺乏應對復雜戰爭的經驗。因此，重點一直放在眼前的戰術解決方案上，而不是建立一個有凝聚力的前瞻性戰略，以在軍事行動中充分發揮人工智能的潛力。

2014 年至 2022 年間，兩個基層應用--用于態勢感知的分析技術和用于情報、監視和偵察（ISR）的無人機--為 2022 年后軍事人工智能的激增奠定了基礎。俄羅斯全面行動后，軍事人工智能在六大應用領域大幅擴展，越來越多的公司將重點放在自主性上。

本報告將烏克蘭軍事行動中的人工智能應用分為以下六大領域。本系列后續報告將對這些應用進行更詳細的分析。

• 自主。最重要的進步是在自主系統方面，烏克蘭正在全球定位系統拒絕導航和蜂群作戰等領域取得長足進步。
• 開源情報和打擊虛假信息。人工智能有助于分析來自媒體和社交網絡的大量數字內容，并識別俄羅斯散布虛假信息的敘述、宣傳和信息活動。
• 態勢感知與指揮控制。人工智能通過軍方使用的眾多軟件平臺提高態勢感知能力，分析戰場和情報數據，促進實時高效決策。
• 排雷。人工智能驅動的分析軟件和人工智能無人地面車輛提高了掃雷的效率和安全性。
• 訓練和模擬。人工智能驅動的訓練模擬正在幫助士兵適應復雜的戰場條件，通過播放接近真實的戰斗場景，人工智能進行調整，以解決作戰人員的技能差距。
• 損失評估。人工智能在損害評估中至關重要，它利用衛星數據和無人機圖像分析損害、損失和破壞情況，并估算未來的恢復工作。

6.有幾個因素促進了烏克蘭軍事人工智能的快速發展，為國防創新創造了獨特的環境。

烏克蘭在過去十年中的局勢，特別是與俄羅斯的持續沖突，影響了社會的方方面面，需要在國防和相關領域進行快速調整。這些因素使烏克蘭能夠在真實戰場條件下測試和部署人工智能驅動的解決方案，從而帶來了眾多創新，特別是在自主和自主武器系統領域。

• 對先進技術的迫切需求。2022 年后，烏克蘭迫切需要迅速開發先進的國防技術。高風險的環境促使政府和私營部門優先考慮人工智能等技術進步，以增強軍事能力。這種緊迫性還催化了對人工智能進行試驗的意愿，導致在戰斗中更快地部署人工智能驅動的能力。
• 活躍的民間社會和強大的私營部門。烏克蘭活躍的民間社會和創業型私營部門在推動國防創新方面發揮了重要作用。甚至在全面入侵之前，烏克蘭的創業精神與深刻的國防責任感相結合，促使許多私營公司和初創企業積極為戰爭做出貢獻。這些組織開發了從自主無人機到先進監視系統等人工智能驅動的解決方案，其中許多創新都是由快速響應軍事需求的小型團隊完成的。非政府組織積極參與人工智能國防技術開發，并快速部署商業技術，大大加快了這一領域的進展。
• 允許的監管框架。烏克蘭在作戰前并不具備軍事人工智能的監管環境。在許多其他國家，監管瓶頸可能會延緩創新，而烏克蘭政府卻拒絕對軍事人工智能進行監管，這使得創新者能夠快速響應前線需求，開發出可立即部署到作戰環境中的人工智能應用。數字轉型部（MDT）優先考慮采取一種軟性的、對企業友好的方法，旨在避免過度監管。該部不強加嚴格的規則，而是采用自下而上的策略，提供自愿性指南和工具，幫助企業為未來的法規做好準備。這種方法也適用于國防部門，因為軍事技術部已表示，它不打算在國防部門引入人工智能法規。
• 工程師與軍事人員之間的直接交流。烏克蘭軍事人工智能發展最重要的推動力之一是工程師與軍事人員之間的直接交流。通過設在前線附近或軍事單元內的完善的技術車間網絡，包括移動無人機維修車，私營公司的工程師能夠密切監測和評估其系統在實戰場景中的性能。這種近距離接觸使從事無人系統和自主能力研究的工程師能夠獲得實時反饋，從而快速改進他們的技術。
• 外國援助提供了獲取新技術的途徑。來自政府和私營公司的國際支持對烏克蘭技術能力的飛躍發展至關重要。這種支持為烏克蘭采用新技術提供了便利，例如 Palantir 公司的分析工具、Starlink 公司的通信基礎設施以及將關鍵政府數據遷移到微軟云服務等。這種外部援助不僅為烏克蘭提供了重要的創新工具，還為烏克蘭公司與外國公司之間的合作發展創造了機會，從而加強了烏克蘭的軍事和技術能力。

7.烏克蘭和美國政府在人工智能方面的合作。

以下是美國政府為促進美國和烏克蘭在人工智能發展方面開展更密切的合作而提出的幾項主要建議，其方式將對兩國都有利。

• 戰略支持。美國應利用其技術領先地位，幫助烏克蘭制定一項將人工智能融入國防行動的有凝聚力的長期戰略。通過提供戰略指導，可以幫助調整烏克蘭在人工智能發展方面的國家優先事項，同時獲得有關人工智能在現役戰爭中應用的寶貴見解。
• 縮小反饋回路。對美國提供的無人機和軍事技術在烏克蘭的表現進行評估的結構化反饋系統將使兩國受益。美國公司可以快速迭代和改進其技術，而烏克蘭將獲得更有針對性和更有效的能力，從而加強戰場行動。
• 美國對外援助中的人工智能。美國應將人工智能發展納入其對烏克蘭的對外援助計劃，為支持人工智能創新提供必要的計算基礎設施。這將加強烏克蘭的國防能力，并使該國成為軍事人工智能發展的中心，有利于美國在全球人工智能領導地位方面的戰略利益。
• 以人工智能為重點的培訓和創業發展。美國為烏克蘭國防企業家和商業領袖建立人工智能相關單元。這些舉措將促進烏克蘭國防科技生態系統的發展，加強美烏合作，使兩國在人工智能驅動的國防創新方面處于領先地位。

物聯網的迅猛發展有可能對人類的多個領域產生影響，作戰領域就是其中之一。本文強調了物聯網在現代戰場場景中的應用前景，分析了物聯網在增強態勢感知、提供信息優勢和通過綜合分析補充決策支持系統方面的作用。在肯定技術優勢的同時，本文還探討了物聯網在軍事應用中的安全和倫理問題。

物聯網向戰場物聯網過渡

長期以來，國防領域一直是眾多新興技術的源泉。獲得戰場優勢一直是探索和嘗試激進想法的驅動因素。第一次海灣戰爭后，時任美國海軍作戰司令的威廉-歐文斯上將在美國國家安全研究所發表的一篇研究文章中提出了 “系統簇”這一概念，從而使這種想法開始成形。他闡述了數據和網絡改變作戰的方式。這一觀點轉化為 “網絡中心戰”概念，它是三個領域的融合，即物理領域（進行演習并從傳感器獲取數據）、信息領域（傳輸和存檔數據）和認知領域（處理和分析數據）。在這一概念提出二十多年后的今天，世界各地的軍事領導人和國防專家都對這一概念的實施持樂觀態度，這主要是由于物聯網技術的成熟。烏克蘭地面部隊廣泛使用標槍反坦克導彈和 “彈簧刀 ”隱形導彈來挑戰強大的俄羅斯裝甲部隊，這就是物聯網技術在戰區成功應用的例證。

物聯網技術不應被視為 “另一種獨特的利基技術”，相反，它涵蓋了許多此類技術。因此，將物聯網技術理解為一種理念更為恰當和合理。它是多種智能化、網絡化和動態構建的設備和技術融合的結果，可以在物理和虛擬空間產生效果。IoBT 的目標是管理復雜、智能的系統之系統，普遍安裝智能傳感器和執行器，以自適應學習過程為動力，實現軍隊的戰略和戰術目標。IoBT 網格通過各種有線或無線傳感器節點實現功能，所有這些節點都是網狀的。由地面預警和無人機傳感器、自主武器、智能士兵和最先進的指揮所組成的網絡可協調行動。它可以發揮收集情報和實施動能打擊的雙重作用。它可以將士兵從執行環節中剝離出來，讓他們處于最高級別的監督地位，從而使武器能夠高度自主地分配和攻擊目標。它還能加快行動節奏，消除戰爭迷霧。

圖 1：國防戰術邊緣物聯網的目標場景

戰場物聯網應用案例

物聯網在軍事領域的應用潛力巨大，其在戰術戰斗領域的應用似乎更勝一籌，有望帶來豐厚的紅利。在以網絡為中心的作戰場景中，物聯網可無縫、有效地整合戰場指揮官所掌握的所有可用資源，幫助其做出明智決策。下面簡要介紹一些可能的應用領域。

• C4ISR。部署在各種平臺上的物聯網傳感器集成網絡可在有爭議和脅迫的環境中提供更好的態勢感知。地面和空中傳感器、監視衛星以及實地士兵的組合必然會收集到各種數據。這些信息可在一個平臺上進行過濾、處理、核對、確證和保存，該平臺可調節指揮鏈上下的關鍵數據傳輸，從而實現更好的戰場協調、指揮和控制。

• 武器控制系統。目前正在探索利用傳感器網絡、機器學習和先進的人工智能分析技術實現自主武器系統和火力控制的可能性。這種傳感器射手網格可以提供精確的目標火力投送，并對攻擊做出完全自動化的實時響應。

• 作戰物流。利用智能傳感器、RFID 標簽和 M2M 通信，可以輕松實現有效的車隊管理和高效的貨物跟蹤。邊緣物聯網設備可增強對軍械、關鍵物資、口糧和服裝的實時跟蹤和供應。在監控消費模式的同時，還可以根據固有的優先級和必要性來推動物資供應模式的實施，從而大大提高行動效率。

• 人員管理。可穿戴物聯網傳感器可嵌入戰斗人員的個人裝備，如小武器、頭盔、服裝、背包等，實現無處不在的身體活動跟蹤和作戰數據收集。利用情境感知數據實時推斷和跟蹤士兵在行動中的健康參數和心理狀態，可提供重要的洞察力，有助于采取預防性措施以保護部隊。

• 訓練。物聯網還可用于加強訓練和戰爭游戲體驗。IoBT 概念可融入軍事訓練，為未來行動提供更加真實、適應性更強和更有效的準備。可穿戴傳感器可用于跟蹤正在接受訓練的士兵的生理和認知狀態，從而提供量身定制的反饋和個人優化。

• 管理。管理戰區的電力需求仍然是一個被低估的領域，但隨著戰場上電子設備的引入越來越多，電力和能源管理將給未來行動的規劃和執行帶來嚴峻挑戰。采用預測算法和實時物聯網數據可以大大節省軍方的能源消耗，并有助于了解使用模式。

• 智能監控。先進的視聽和地震傳感器以及視覺人工智能和模式識別技術可促進智能監視和監測網的建立，該網不僅可覆蓋地面，還可覆蓋海洋環境。物聯網解決方案使感知和預測生態條件成為可能，從而隨時掌握大范圍內的海上作業情況。

• 協作與人群感應。戰術資源的流動性和機動性給現代戰場帶來了一系列獨特的通信挑戰。協作傳感是指在移動設備之間傳播傳感器數據的過程，通常使用可靠的短程通信。物聯網節點可利用閑置傳感器來滿足自身的傳感需求。通過將傳感器與任務分配相匹配，可為任何臨時 ISR 任務提供便利。因此，作戰指揮官可支配的可用傳感和通信資源可得到最佳利用。

人工智能（AI）技術，尤其是機器學習技術，正在通過增強人類決策能力迅速改變戰術行動。本文探討了人工智能驅動的人類自主組隊（HAT）這一變革方法，重點關注它如何增強人類在復雜環境中的決策能力。雖然信任和可解釋性仍是重大挑戰，但我們的探討重點是人工智能驅動的 HAT 在改變戰術行動方面的潛力。通過改善態勢感知和支持更明智的決策，人工智能驅動的 HAT 可以提高此類行動的有效性和安全性。為此，本文了提出了一個綜合框架，該框架涉及人工智能驅動的 HAT 的關鍵組成部分，包括信任和透明度、人類與人工智能之間的最佳功能分配、態勢感知和道德考量。所提出的框架可作為該領域未來研究與開發的基礎。通過識別和討論該框架中的關鍵研究挑戰和知識差距，我們的工作旨在指導人工智能驅動的 HAT 的發展，以優化戰術行動。我們強調開發可擴展且符合道德規范的人工智能驅動的 HAT 系統的重要性，該系統可確保無縫的人機協作、優先考慮道德因素、通過可解釋的人工智能（XAI）技術提高模型的透明度，并有效管理人類操作員的認知負荷。

人工智能和自主技術的融合給包括國防和戰術行動在內的各行各業帶來了革命性的變化。HAT 的興起可歸因于幾個因素，包括自主技術和人工智能的快速進步、任務和環境的日益復雜、能力更強的自主系統的發展，以及數據和計算能力的不斷提高。隨著這些技術變得越來越復雜和強大，人們越來越認識到，將人類的認知能力與自主系統的計算能力和效率相結合，可以實現潛在的合作。現代 HAT 系統的興起也是由于需要應對快速發展和動態環境的復雜性和挑戰。隨著任務變得越來越復雜、對時間越來越敏感、數據越來越密集，人類與智能體之間的協作對于有效駕馭和應對這些挑戰變得至關重要。

HAT 是一個新興領域，探索人類與自主系統之間的協作伙伴關系，以執行任務或實現共同目標。這涉及一種協作安排，其中至少有一名人類工作者與一個或多個智能體協作。這種協作方式有可能徹底改變各行各業完成任務的方式，并為人類與智能自主系統攜手解決復雜問題和實現共同目標的未來鋪平道路。HAT 系統旨在允許人類將任務委托給智能自主體，同時保持對整體任務的控制。這里所說的智能體是指在決策、適應和通信方面具有不同程度自治能力的計算機實體。這一定義得到了先前研究成果的支持。在 HAT 中，人類的認知能力與自主系統的計算能力和效率相結合，可以提高性能、決策和系統的整體能力。

在此，將定義和澄清一些關鍵概念，這些概念對于理解本研究的范圍和背景至關重要。這些概念包括人工智能、自主、自主系統和戰術自主。通過提供明確的定義并區分這些術語，我們希望讀者能夠達成共識。

自主性。HAT背景下的自主性是指智能自主系統或智能體在團隊環境中獨立運行和決策的能力，具有不同程度的自我管理能力。這涉及到自主系統在學習、適應和推理基礎上更高程度的決策能力。它是系統的一種屬性，而非技術本身。自主實體可以感知、推理、規劃和行動，以實現特定的目標或目的，而無需人類的不斷干預。值得注意的是，自主的程度可能各不相同，有的系統可以完全自主地做出所有決定，有的系統則是半自主的，在某些情況下需要人的干預。在戰術自主方面，HAT 涉及將自主能力整合到戰術行動中。這種整合可包括各種應用，如利用自主系統收集情報、執行監視和其他關鍵活動。自主性使系統能夠在復雜和不確定的環境中運行，從經驗中學習，并在任何情況下都無需明確的人工干預即可做出決策。然而，必須將其與傳統自動化區分開來，傳統自動化通常遵循預先編程的規則、決策樹或基于邏輯的算法來執行任務或做出決策。傳統自動化的適應性和靈活性有限，無法在沒有明確編程的情況下處理動態或不可預見的情況。本文討論了人工智能驅動的自主性如何通過強調學習、適應和決策能力來區別于傳統自動化。這些能力最終會提高戰術行動中人類-自動駕駛團隊合作的整體有效性和敏捷性。

自主系統。自主系統可以在沒有人類持續控制的情況下執行任務或操作。它們利用人工智能算法和傳感器感知和導航環境，實現高度自主。

戰術自主。在本研究中，戰術自主是指自主系統在動態和復雜的作戰環境中做出實時決策和采取行動的能力。這涉及人類與自主系統之間的無縫協調和互動，使它們能夠作為一個優勢互補的統一團隊發揮作用。HAT 的重點是通過人類操作員與智能自主系統之間的無縫協調與協作，實現共同的任務目標。本文介紹了一種人工智能驅動的 HAT，它將人工智能集成到 HAT 框架中。這種方法結合了人類專業技能和人工智能能力的優勢，從而提高了決策、態勢感知和作戰效率。戰術自主性將人類的認知能力（如適應能力、直覺和創造力）與自主系統的計算能力、精確性和動態執行能力相結合，有可能給包括國防、應急響應、執法和危險環境在內的各個領域帶來革命性的變化。必須區分戰術自主和戰略自主，以明確人工智能驅動的人類-自主團隊如何在軍事和作戰環境中促進這兩個層次的自主。戰略自主是指一個國家或組織就廣泛的安全目標做出自主選擇的能力，而戰術自主與戰略自主相反，側重于單個單位或團隊在特定任務中的獨立行動。戰略自主涉及更高層次的決策和規劃，要考慮長期目標、總體任務目標和更廣泛的態勢感知。它涉及指導整體任務或戰役的協調、資源分配和戰略決策過程。

戰術行動。戰術行動涉及在特定區域或環境中的協調活動，通常是在軍事、執法或戰略背景下，重點是通過快速決策、適應動態形勢以及在局部區域和時間范圍內應用軍事技能和資源來實現短期目標。

近年來，人工智能、機器學習（ML）、機器人和傳感器技術的進步為實現戰術自主的潛力鋪平了道路。這些技術進步使自主系統能夠執行復雜任務，實時處理大量數據，做出明智決策，并與人類團隊成員無縫協作。這為增強人類能力、優化資源配置和提高整體作戰效率提供了新的可能性。然而，有效的戰術自主需要全面了解人類與自主系統之間的動態關系。包括信任、溝通、共享態勢感知和決策在內的人為因素在確保 HAT 取得成功方面發揮著至關重要的作用。必須認真應對各種挑戰，如建立適當的信任度、解決潛在的認知偏差、管理工作量分配和保持有效的溝通渠道，以確保無縫協作，最大限度地發揮戰術自主的潛在優勢。戰術自主的 HAT 是一種使用人類和自主系統來操作和控制武器及其他軍事系統的協作方法。在 HAT 中，人類操作員和自主系統共同努力實現共同目標。人類操作員負責總體任務并做出高層決策。自主系統負責執行指定任務。

正如第四節詳細解釋的那樣，人類操作員根據自己的經驗和對任務目標的理解，貢獻戰略洞察力、背景和高層決策能力。交互和通信代表著界面和通信渠道，各組成部分可通過這些渠道交換信息、開展協作并做出共同決策。在共享決策過程的背景下，人類操作員和自主系統參與協作決策過程，共享見解、數據和建議，以制定有效的戰略。自主系統負責實時數據處理、分析和特定任務的執行，為人類操作員提供及時、相關的信息支持。隨后，一旦做出決策，自主系統就會根據共同決策過程的指令執行具體任務，包括偵察、導航或數據收集。

本文全面探討了 HAT 的歷史發展和現狀，并深入探討了利用人工智能實現戰術自主的機遇、挑戰和潛在的未來方向。它強調了人工智能對戰術自主性的變革性影響，并提出了改進決策、態勢感知和資源優化的機遇。通過認識和應對與采用人工智能相關的挑戰，并規劃未來的研究方向，可以為人類與自主系統無縫協作的未來鋪平道路，最終實現戰術環境中更安全、更高效、更成功的任務。

圖1:HAT的應用。

首先回顧并簡要評述了當前的軍事人工智能形勢。然后，轉向迄今為止在很大程度上被忽視的人工智能驅動系統影響國家層面訴諸武力決策的前景。雖然此類系統已經對發動戰爭的決策產生了有限而間接的影響，但它們將越來越多地以更直接的方式影響此類決策--無論是在自動自衛的背景下，還是通過為人類決策提供信息的決策支持系統。本文引證了人工智能系統在其他決策領域的不斷擴散，再加上人們認為有必要在人工智能 “全球軍備競賽 ”中與潛在對手的能力相匹配，這種發展是不可避免的，很可能會在不久的將來出現，并有望產生重大影響。在概述了與這一預期發展相關的四個主題之后，預覽了構成本特刊的十二篇多元化、多學科文章。每篇文章都涉及我們提出的四個主題之一，并探討了人工智能技術滲透到戰爭決策中的重大風險或益處。

如果由智能機器來決定國家是否參與戰爭呢？從某種意義上說，這只是科幻小說的內容，或者說是對未來技術如何發展、如何超越我們的能力并掌握控制權的長期猜測。然而，從另一個更細微的角度來看，這是一個非常可信的現實，與我們現在擁有的技術相兼容，很可能在不久的將來以某種形式實現（考慮到其他領域可觀察到的發展），而且是我們心甘情愿地逐步實現的前景。

本文將探討人工智能介入訴諸武力的決策這一完全可以想象的前景所帶來的風險和機遇。將回過頭來簡要評述一下當前的軍事人工智能形勢，然后再探討人工智能預期影響這一在很大程度上被忽視的領域。然后，將強調與人工智能技術滲入戰爭決策相關的四個主題，然后預覽與這些并發癥相關的十二篇不同的、多學科文章。

當前背景

人工智能（AI）--不斷發展的機器模仿人類智能行為的能力--已經從根本上改變了有組織的暴力行為。人工智能已經并正在越來越多地融入各種軍事功能和能力。例如，圍繞澳大利亞、英國（UK）和美國（US）“AUKUS ”協議發布的官方文件概述了人工智能在先進軍事能力中發揮的日益重要的作用，包括對 “彈性和自主人工智能技術（RAAIT）”的承諾，根據該承諾，"‘AUKUS’合作伙伴正在提供人工智能算法和機器學習，以加強部隊保護、精確瞄準以及情報、監視和偵察。(AUKUS 國防部長引文2023）人工智能在軍事能力中的擴散不僅對武器系統的實用性、準確性、殺傷力和自主性產生深遠影響（例如，見 Scharre 引文2024），而且人工智能與先進武器系統的交叉被認為會對軍事力量平衡產生嚴重影響（例如，見 Ackerman 和 Stavridis 引文2024）。事實上，人工智能已被視為謀求軍事優勢的關鍵所在，并在當前關于維護軍事優勢的思考中占據中心位置。正如一份分析報告所解釋的那樣，人工智能 “將使美國能夠部署更好的武器，在戰斗中做出更好的決策，并釋放出更好的戰術”。(布坎南和米勒引文 2017, 21）用美國前國防部副部長米歇爾-弗盧諾伊（引文 2023）的話說，“人工智能正開始重塑美國的國家安全”。

軍事人工智能的重要性與日俱增，其利用也日益廣泛，與此同時，人們對其使用可能帶來的潛在風險和不良后果也感到擔憂。一個充滿人工智能的決策世界和隨之而來的壓縮時間表，再加上智能自動化甚至完全自主的武器，在帶來軍事優勢的同時也帶來了危險。這促使人們試圖制定規則和限制，至少可以約束人工智能的某些軍事應用，并力求將危險或不良結果降至最低。這種監管不僅僅是一個學術問題。大量證據表明，各國政府也越來越關注人工智能在軍事領域的應用所帶來的廣泛風險。2023 年 2 月在海牙舉行的 “軍事領域負責任的人工智能 ”國際峰會發表了 “關于負責任地在軍事領域使用人工智能和自主權的政治宣言”，截至 2024 年 2 月，該宣言已得到 50 多個國家的認可（美國國務院引文2023）。該聲明包括一系列旨在促進安全、謹慎地使用軍事人工智能的可取措施，其中包括 “在負責任的人類指揮和控制鏈內 ”使用人工智能的主張（與本特刊通篇討論的一個問題有關）（美國國務院引文 2023）。

澳大利亞國防部長理查德-馬爾斯議員在宣布澳大利亞將于 2023 年 11 月加入該宣言時重申，澳大利亞承諾 “積極參與國際議程，以負責任的方式研究、開發、部署和應用人工智能”（澳大利亞政府引文 2023）。此外，美國總統喬-拜登和澳大利亞總理安東尼-阿爾巴內塞于2023年10月在華盛頓特區會晤后發表聯合聲明，申明 “各國應采取適當措施，確保負責任地開發、部署和使用其軍事人工智能能力，包括實現自主功能和系統的能力”（澳大利亞總理引文2023）。當然，要切實采取這些措施，就必須了解--并預測--人工智能系統在軍事環境中的各種應用方式。

最后，必須承認，軍事人工智能與核武器并存的幽靈最近引起了人們的關注和擔憂。人工智能在核武器領域的應用引發了大量分析和擔憂，原因顯而易見，其潛在風險是如此巨大（例如，見 Kaur Citation2024；Shaw Citation2023；Parke Citation2023）。正如 Depp 和 Scharre 嚴正指出的那樣，“在核行動中正確使用人工智能可能會產生毀滅世界的影響”（Depp 和 Scharre 引用 2024）。美國在其 2022 年《核態勢評估報告》中宣布，作為一項政策，在任何涉及使用核武器的決策中，人類都將無一例外地參與其中（美國國防部引文 2022，13）。一個基本的擔憂是，人工智能可能會以自動反應能力的方式融入核指揮與控制，這可能會加強威懾，但也會增加意外升級或失控的風險。由于擔心人工智能的引入會給核指揮與控制帶來新的漏洞，人們呼吁制定規范和準則，以限制核不穩定性以及可能隨之而來的對核威懾的威脅（Avin 和 Amadae Citation 2019）。

總之，人工智能對武器系統的性能、軍事行動的開展以及軍事力量的弱點和優勢的影響非常重要。這些發展對未來戰爭具有嚴重影響（如果仍不確定的話），并引起了學術界、國家領導人和普通公眾的關注。然而，由人工智能驅動的軍事工具激增所引發的思想發酵和政策審議主要集中在因此而使用（和改變）武力的方式上，而不是這種新興技術組合如何可能為國家是否以及何時參與戰爭的決策提供信息（并可能改變決策）的問題上。要討論的正是后一個問題。

被忽視的前景

學術界和政策制定者的關注點主要集中在戰爭中人工智能系統的使用上。其中最突出的包括正在出現的 “致命自主武器系統”（“LAWS”--或更通俗和挑釁性的 “殺手機器人”）和決策支持系統，其形式是依靠大數據分析和機器學習來推薦無人機襲擊和轟炸目標的算法（如最近引起關注的以色列在加沙的行動（Abraham Citation2024；Davies, McKernan, and Sabbagh Citation2023））。相比之下，試圖探討的是在商議訴諸戰爭的各個階段和層面使用人工智能工具這一相對被忽視的前景。

換句話說，將從戰場上的人工智能轉向戰爭室中的人工智能。從士兵選擇和攻擊目標（以及授權和監督智能機器選擇和攻擊目標）的決策，轉向國家層面關于發動戰爭和軍事干預的決策；從戰時法（jus in bello）轉向訴諸戰爭法（jus ad bellum）的考慮（用正義戰爭傳統的語言）；從國際人道法裁定的行動，轉向受《聯合國憲章》禁止訴諸武力及其明確例外規定約束和縱容的行動。

重點的轉移至關重要。它預示著國家在做出戰爭決定時不可避免的變化。之所以預測人工智能將滲透到訴諸武力的決策過程中，部分原因是人工智能驅動的系統（包括預測性機器學習算法）在其他許多領域不斷擴散，以幫助決策制定。從招聘、保險決策、醫院醫療診斷和福利分配，到警務實踐、商用飛機駕駛艙支持和累犯可能性判斷，都需要依靠此類系統。總之，人類的決策越來越依賴于人工智能的幫助。此外，在日益高速、始終高風險的戰爭環境中，需要與潛在對手的能力相匹配，這也助長了最新的 “全球軍備競賽”（Simonite Citation2017）。雖然人工智能系統目前在國家層面的訴諸武力決策中只發揮了有限和間接的作用，但相信，它們將逐步以更直接的方式影響此類決策。現在，通過研究人工智能逐步干預訴諸武力決策的前景，就有可能確定使用這些技術的益處和風險，同時還有時間分別找到加強或減輕這些益處和風險的方法。

這些考慮因素的嚴重性怎么強調都不為過。正如阿什利-迪克斯（Ashley Deeks）、諾姆-盧貝爾（Noam Lubell）和達拉-默里（Daragh Murray）（引文2019, 16）挑釁性地提出的：如果說機器被賦予 “決定 ”殺死一名敵軍士兵的權力的可能性充滿了倫理和法律爭議，那么又該如何看待機器最終決定一個國家是否參戰，從而影響成千上萬或數百萬人生命的可能性呢？

當然，智能機器 “決定 ”一個國家是否參與戰爭可能意味著不同的事情。撇開科幻小說中的場景和長期的未來主義猜測不談，目前的人工智能驅動系統可以通過兩種方式對訴諸武力的決策產生影響。首先，人工智能決策支持系統可用于為是否參戰的討論提供信息。在這種情況下，人類決策者將利用算法建議和預測來做出訴諸武力的決定。在人工智能輔助收集和分析情報方面，這種情況已經開始出現，至少是間接地出現在組織層級和指揮系統中。另外，人工智能驅動的系統本身也可以計算和執行訴諸武力的決定，例如在防御網絡攻擊的情況下。此外，令人擔憂的是，人工智能驅動的自動核反應首次打擊的建議也被醞釀和威脅，特別是在斬首攻擊的情況下。(據報道，蘇聯留給俄羅斯的 “死手 ”發射系統仍在使用，因此這種可能性并非不可想象。俄羅斯的 “周邊 ”系統在 Depp 和 Scharre Citation2024 中有所描述；另見 Andersen Citation2023，12）。在這種情況下，人工智能自主系統將決定并實施行動方案--無論是否有人類監督。這兩類情況都是可預見的（而且很可能是在不久的將來），需要立即關注。

四個復雜因素

這些人工智能驅動的系統能夠分析大量數據，通過發現人類決策者無法感知的數據模式提出建議和預測，并以望塵莫及的速度和效率對潛在攻擊作出反應，盡管它們具有種種潛在優勢，但挑戰也層出不窮。2023 年 6 月 29 日至 30 日，在澳大利亞國立大學（ANU）舉行了題為 “預測未來戰爭：人工智能、自動化系統和訴諸武力決策 ”的研討會，該研討會促成了本特刊的出版。

復雜因素 1 涉及人工智能驅動的訴諸武力決策中人類判斷的替代，以及對威懾理論和沖突意外升級的可能影響。當編程建議--或獨立計算和實施--對特定情況做出反應時，智能機器的行為會與人類代理人不同。這種差異可能會挑戰我們對威懾的理解。目前對一個國家是否愿意訴諸武力的看法是基于對人類判斷力、決心和忍耐力的假設，而不是機器生成的結果。此外，在某些情況下，人工智能系統被委以獨立應對侵略的任務，將以人類行為者無法達到的速度做出并執行決策，從而加快決策周期。它們似乎還可能曲解人類的信號（例如，關于緩和沖突的愿望）。這兩個因素都可能導致在人類決策者本應保持克制的情況下，訴諸武力卻在無意中升級，并可能造成災難性后果（例如，見 Wong 等人，Citation2020，第 7 章和第 8 章）。

復雜因素 2 強調了自動化偏差可能產生的影響。實證研究表明，依賴人工智能驅動系統的個人和團隊往往會出現 “自動化偏差”，即傾向于不加質疑地接受計算機生成的結果（Cummings Citation2006；Citation2012；Mosier and Fischer Citation2010；Mosier and Manzey Citation2019；Skitka, Mosier, and Burdick Citation1999）。這種傾向會使人類決策者不太可能利用自己的專業知識和判斷力來檢驗機器生成的建議。自動化偏見的有害后果包括接受錯誤、人類行動者的非技能化--包括 “道義上的枯竭”（Vallor Citation2013），以及正如一位在本文集和其他地方所論證的，在戰爭中 “錯位責任 ”的推廣（與其他因素一起），或者說智能機器可以為必然是人類的決策及其結果承擔道義責任的危險誤解（Erskine Citation2024a, 551-554; Citation2024b）。

復雜因素 3 涉及算法的不透明性及其對民主和國際合法性的影響。機器學習過程經常是不透明和不可預測的。受其指導的人往往不理解預測和建議是如何得出的，也不了解它們的局限性。目前，許多人工智能驅動的決策都缺乏透明度，這導致了一系列負面影響（Knight Citation2017；Pasquale Citation2016；Citation2017；Vogel 等人 Citation2021）。由于政府的民主和國際合法性要求對訴諸戰爭的決定提供令人信服且易于理解的理由，當機器為此類行動提供信息或獨立計算和實施此類行動時，這種缺乏透明度的情況會帶來嚴重的問題。

復雜因素4 涉及人工智能系統加劇組織決策病態的可能性。國際關系（IR）和組織理論的研究都揭示了組織決策的現有復雜性和 “病態”（在國際關系領域，例如參見 Barnett 和 Finnemore Citation 1999）。人工智能驅動的決策支持和自動化系統介入這些復雜的結構有可能會放大這些問題。它們對國家甚至政府間決策的貢獻可能會扭曲和擾亂戰略和行動決策過程及指揮系統。

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。

深度偽造（DT）技術已經達到了全新的復雜程度。網絡犯罪分子現在有能力修改聲音、圖像和視頻，以誤導個人和企業，傳播虛假信息。這對國際組織和個人構成了日益嚴重的威脅，當務之急是采取措施加以應對。本文概述了深度偽造，討論了其對社會的作用以及 DT 的運作。本文重點探討了深度偽造對世界各國的經濟、政治和法律機構可能造成的危害。此外，本研究還將探討深度偽造問題的各種解決方案，并在最后討論進一步研究的潛在方向。

深度偽造技術（DT）的出現是人工智能（AI）發展的直接結果[1,2]。這些技術給世界各地的機構帶來了巨大風險。深度偽造是一個術語，指的是一種建立在人工智能基礎上的技術，這種技術有能力改變圖像、音頻和視頻內容，以表現實際并未發生的事件。例如，將政客的面孔編輯到其他人的身體上，然后讓他們說一些政客實際上從未說過的話，這種情況越來越常見。這種不斷擴大的現象已被用于政治場合，在各種議題上誤導公眾，而且只會繼續下去。以意大利一檔諷刺電視節目針對意大利現任總理馬泰奧-倫齊（Matteo Renzi）使用 deepfake 視頻為例。在社交媒體上流傳的這段視頻中，可以看到他在貶低其他立法者。隨著這段視頻在網上瘋傳，越來越多的人開始認為它是真實的，這引起了大眾的憤怒[3,4]。網絡犯罪分子還利用 "深度偽造 "冒充公司的首席執行官（CEO），誘騙員工（通常是財務部門的員工）向騙子控制的銀行賬戶轉賬"[5,6]。絕大多數深度偽造篡改都是為了在電影、電子游戲和教學視頻等娛樂媒體中使用[7,8]。另一方面，網絡犯罪分子已經找到了利用這種技術誤導組織和個人并實施欺詐的方法。此外，制作這種深度偽造品除了需要專業的計算機軟件和技術外，還需要知識[9,10]。然而，"FaceSwap "和 "Reface "等免費軟件的存在，使得不懂技術的人也可以出于娛樂或有害的目的參與媒體操縱[10-12]。

深度偽造技術可用于創建令人信服的合成媒體，使人們無法分辨其與真實媒體之間的區別。這是一個相對較新的研究領域，來自學術界和工業界的學者都貢獻了深度偽造數據庫以及合成和檢測算法，所有這些都促進了深度偽造的流行[13,14]。"深度偽造是人工智能（AI）應用的結果，它通過合并、組合、替換和疊加照片和視頻片段，生成看起來合法的虛假視頻"[15]。深度偽造利用了當前深度神經網絡的發展成果，制造出極為逼真的人工媒體[16]。當深度偽造技術應用于電影或靜態照片時，就有可能將一個人的臉替換成另一個人的臉，而幾乎不留下任何操縱的證據[17]。Cho 和 Jeong [18]認為，深度學習的發展使以前建立的假臉檢測系統變得易受攻擊。

"深度偽造數據集以及合成和檢測技術的可用性，使得社區甚至經驗不足的用戶都有可能構建逼真的深度偽造人臉。這反過來又導致深度偽造視頻在野外的受歡迎程度大幅上升"[19]。令人信服的深度偽造視頻可以迅速影響數百萬人，并對我們的社會產生有害影響[20]。社交媒體的傳播范圍和速度使這一切成為可能。

與深度偽造研究相關的學術資料數量的增加也是這種擴張的反映。除了與深度偽造的制作和檢測相關的技術方面，倫理、社會和法律方面的影響也得到了細致的探討。目前已經有一些針對特定領域的綜述，如深度贗品的制作和檢測[21]、法律[22]、取證[23]和社會影響[24]等等。盡管如此，它們都沒有考慮到深度偽造的整個研究領域，而我們認為，這對于打算從事這一研究的學者來說可能非常有價值[25]。盡管深度偽造研究還相對年輕，但它是一個正在迅速擴展的研究領域。在這一領域中，研究課題及其相互關系隨著時間的推移不斷變化，新的趨勢也在不斷涌現[26]。從目前正在進行的眾多子研究領域來看，研究深度偽造的研究人員來自各種不同的學術和專業背景。除了目前的趨勢之外，調查融資機會也很有意義，因為這有助于集中研究力量[27,28]。

隨著人工智能和機器學習的不斷發展，我們必須了解它們在國家安全中的戰略重要性。本文重點關注人工智能在軍事上的獨特應用，強調成功的戰略要件，并旨在重新強調人工智能在國家安全中的作用。我們將從軍事角度審視美國在人工智能和機器學習方面的進展，討論確保這些技術不受對手攻擊的重要性，并探討與它們的整合相關的挑戰和風險。最后，我們將強調人工智能對國家安全的戰略意義以及軍事領導人和政策制定者的一系列戰略要務。

索引詞--人工智能，自主系統，網絡安全，決策，深度學習，機器學習，軍事戰略，自然語言處理，運籌學，大型語言模型，負責任的人工智能。

1 引言

自網絡空間技術發展的早期以來，美國在提高其戰略能力方面取得了重大進展。今天，我們發現自己處于一場新技術革命的邊緣： 人工智能（AI）。作為國家安全的一項戰略要務，人工智能為加強我們的防御能力提供了無可比擬的機會，就像太空和網絡空間技術如何改變我們的戰爭和偵察方法一樣。

這些技術有可能徹底改變軍事行動，成為增強現有能力的力量倍增器，并促成新的作戰概念的發展。因此，軍事領導人和政策制定者必須認識到人工智能的戰略重要性，并將其納入我們的規劃和決策過程。

盡管人工智能的進步已經改變了現代社會的各個部門，包括商業、金融和生產，但人工智能作為一項戰略的國家重要性仍然沒有在政府不同部門公布的戰略中得到充分體現。盡管美國國防部副部長凱瑟琳-希克斯在2021年5月發布了備忘錄，指示國防部對負責任的人工智能（RAI）采取整體的、綜合的和有紀律的方法，但許多軍事領導人尚未將人工智能戰略納入其決策過程。

其中許多文件，如上述備忘錄，更多關注負責任的人工智能方面，這雖然很重要，但可能沒有關注我們可以利用人工智能作為戰斗力的一些有趣方式。本文關注人工智能在軍事上的獨特應用，強調成功的戰略要務，并旨在重新強調人工智能在國家安全中的作用。

我們有意保持討論的非技術性，并保持更高層次的視角，盡管是針對技術導向的讀者群。這種方法使我們能夠專注于人工智能在軍事行動中整合的更廣泛的戰略意義和挑戰，而不是深入研究具體的技術細節。通過采用這種更高層次的視角，我們旨在促進一個更具包容性的對話，鼓勵跨學科對話，并促進對圍繞人工智能及其軍事應用的復雜問題的整體理解。

2 了解技術

人工智能正在徹底改變軍事和政府組織的運作方式。這些先進的技術使機器能夠自主地學習和推理，其應用范圍包括對形勢的認識和決策支持。特別是，大型語言模型（LLMs）的出現極大地影響了自然語言處理領域，從非結構化文本數據中提供了有價值的見解，并促進了類似人類的交流。

雖然有一些可用的模型，但對于戰場使用來說，基于GPT4等開發和訓練一個定制的LLM更為有利。這個模型將被專門設計，并在軍事和政府相關的數據上進行訓練，以確保在生成的文本中具有更高水平的領域專業知識、準確性和關聯性。一旦經過訓練，它可以用于各種應用，如情報分析、自動報告生成以及指揮和控制系統的自然語言界面。

在戰斗空間背景下部署人工智能系統需要仔細考慮三個主要部分：模型、數據和計算環境。模型作為數字大腦，被訓練來執行特定的任務，如物體識別、威脅預測或情感分析。組織可以利用預先訓練好的模型，如GPT4，或者開發自己的定制模型，以滿足其獨特的要求。

沒有數據，人工智能就無法運行。高質量的標記數據對于訓練和測試模型至關重要，以確保它們能夠很好地歸納到新的、未見過的情況。在軍事方面，這可能涉及從各種來源收集數據，包括衛星圖像、通信截獲物和實地報告。

計算環境是人工智能模型運行的地方，確保操作安全和數據完整性至關重要。為了說明問題，我們假設一個集成流程涉及TensorFlow或PyTorch作為底層人工智能框架，然后將訓練好的模型托管在為政府使用而定制的安全云服務上，如AWS GovCloud、微軟Azure Government或谷歌Cloud for Government。然后，我們可以在SIPRNet（秘密互聯網協議路由器網絡）上部署該模型，以實現分類和安全使用。

部署意味著將人工智能模型整合到一個組織的現有系統中，如無人機的軟件或指揮中心的通信平臺。例如，之前理論上的LLM可以被整合到無人機的控制系統中，以自動分析傳入的數據并實時生成關鍵任務的見解。

使用DevSecOps和標準管道來部署人工智能是關鍵，因為這將確保人工智能模型在復雜系統中的順利整合、維護和更新。對于戰斗空間的使用，關鍵是要對人工智能技術的能力和局限性進行全面評估，以確保其無縫融入戰略行動和戰術規劃中。

通過仔細考慮模型、數據和計算環境，并采用精心計劃的整合流程，軍隊可以部署人工智能系統，提高其作戰效率，使其更好地應對現代戰場的挑戰。

3 在軍事行動中的應用

人工智能和機器學習技術有可能改變軍事行動的各個方面，我們已經看到，基于對目標系統的給定描述，人工智能生成的惡意軟件在增加。

雖然美國空軍和其他部門采用的許多工具可能會利用機器學習的組成部分，但他們還沒有充分挖掘人工智能的潛在用途。以下是人工智能如何徹底改變我們的戰斗力的幾個例子：

1）采購和維持。購置和維持軍事裝備和用品是一個復雜的資源密集型過程，而人工智能可以在優化和簡化這一過程中發揮關鍵作用。例如，美國空軍物資指揮部可以使用人工智能算法來預測需求，并確定最有效的運輸路線，最大限度地減少與后勤業務相關的風險和成本。人工智能可以評估前線部隊的需求，并相應地安排補給任務，同時考慮到天氣、地形和敵人活動等因素。此外，人工智能可用于自動化庫存管理，確保在需要時提供正確的設備和物資。這可以幫助減少浪費，提高供應鏈的整體效率，使軍隊在面對不斷變化的威脅時能夠保持戰備和有效性。

2）網絡戰。由人工智能驅動的網絡防御系統對于防御日益增長的網絡攻擊威脅至關重要。這些系統使用人工智能算法來實時分析網絡流量模式，使其能夠在造成重大損失之前檢測和緩解潛在威脅。此外，人工智能可以被用于進攻，以確定敵人網絡中的漏洞，并發起有針對性的網絡攻擊，如拒絕服務攻擊，或破壞其通信和基礎設施。例如，美國網絡司令部已經使用人工智能算法來幫助挫敗選舉干擾，并抵御對關鍵基礎設施的網絡威脅，如電網和金融系統。

3）ISR能力。情報、監視和偵察（ISR）能力對軍事行動至關重要。人工智能可以處理來自各種來源的大量數據，包括SIGINT、IMINT和HUMINT，以產生可操作的情報，為軍事決策提供信息。美國國防部倡議的Maven項目是這種應用的一個典型例子。通過利用人工智能，Project Maven可以分析無數小時的無人機鏡頭，識別模式，并確定感興趣的區域，從而改善情報收集和增強態勢感知。人工智能還可用于以其他方式增強ISR能力，例如通過分析社交媒體數據來識別潛在的威脅，或分析衛星圖像來監測部隊動向和基礎設施。

4）電磁頻譜作戰（EMSO）。電磁頻譜是戰爭的一個關鍵領域，人工智能可以在管理和利用電磁頻譜方面發揮關鍵作用。人工智能可以分析和解釋電磁信號，以識別和定位敵人的發射器，如通信或雷達系統。這些信息可用于開發反措施，如干擾或欺騙敵人的通信，并更有效地管理電磁頻譜，以保持友軍在電子戰空間的優勢。例如，美國空軍正在探索使用人工智能來優化其對電磁頻譜的使用，包括為通信和傳感分配頻率，并能更有效地使用電子戰。

5）反無人駕駛航空系統（C-UAS）。商業和軍用無人機的擴散給軍事力量帶來了新的挑戰。人工智能可以被用來探測、跟蹤和反擊未經授權或敵對的無人駕駛航空系統（UAS）。例如，美國陸軍的快速裝備部隊（REF）已經開發了移動式低速、慢速、小型無人駕駛航空器綜合挫敗系統（M-LIDS），該系統使用人工智能算法來探測和跟蹤低空飛行的無人機，并提供反制方案以禁用或摧毀它們。該系統可以加強對軍事設施、人員和設備的保護，使其免受未經授權或敵對的無人機系統所帶來的潛在威脅。

6）聯合訓練演習。聯合訓練演習對于建立和保持聯合部隊的準備狀態、互操作性和有效性至關重要。人工智能驅動的模擬可以復制復雜的沖突場景，為潛在的結果提供有價值的洞察力，并使戰略和戰術得到完善。這些模擬考慮到各種因素，如地形、天氣和敵人的能力，以創造現實和動態的場景，挑戰軍事規劃者和決策者。美國陸軍的合成訓練環境項目正在探索使用人工智能和虛擬現實技術來創造真實的訓練場景，以提高士兵的技能和準備程度。此外，聯合訓練演習也可以涉及實彈訓練，這為部隊提供了在真實的戰斗場景中合作的機會，并提高他們的互操作性和有效性。

7）動態目標定位。美軍的殺傷鏈模式強調在現代戰爭中需要快速和準確地瞄準敵人的資產。人工智能可以通過自動識別目標、跟蹤和確定優先次序，在加快殺戮鏈過程中發揮關鍵作用。例如，美國國防部高級研究計劃局（DARPA）的 "拒絕環境中的協作行動"（CODE）計劃旨在開發由人工智能驅動的自主系統，該系統能夠協作并適應動態的戰斗情況，從而能夠更快、更精確地瞄準敵人的資產。

8）潛艇戰。人工智能有可能通過增強潛艇和其他水下系統的能力來徹底改變海底戰爭。例如，美國海軍的大排量無人潛航器（LDUUV）項目旨在開發由人工智能驅動的自主潛航器，能夠執行各種任務，如情報、監視和偵察（ISR）、反水雷和進攻性行動。人工智能還可用于提高潛艇通信系統的有效性，如極低頻（ELF）和極低頻（VLF）系統，這對于在水下保持指揮和控制至關重要。

人工智能技術正以驚人的速度不斷發展，導致創新的整合和能力每天都在出現。一些應用可能看起來是未來的，但最近的發展展示了人工智能在近期的潛在影響。

2023年4月，專注于政府的數據分析公司Palantir進行了一次演示，強調了生成性人工智能在戰術行動中的潛力。使用FLAN-T5 XL、GPT-NeoX-20B和Dolly-v2-12b LLMs等先進的人工智能模型，操作員收到關于敵人活動的警報，并向人工智能聊天機器人咨詢進一步的情報和潛在行動方案。然后，人工智能聊天機器人提供相關信息，并提出各種戰術選擇，如部署F-16，利用遠程火炮，或發射標槍導彈。Palantir的系統簡化了戰爭的許多方面并使之自動化，操作者主要從聊天機器人那里尋求指導并批準其建議。

然而，隨著我們越來越多地將LLMs納入軍事行動，迅速解決和減輕與其部署相關的固有挑戰和風險是至關重要的。例如，LLMs容易產生 "幻覺 "或捏造信息，這可能會在戰場上產生可怕的后果。

此外，我們必須考慮到人工智能集成所帶來的獨特的脆弱性，如被對手利用的可能性，以確保我們的武裝部隊有一個可靠和安全的人工智能驅動的未來。通過積極應對這些挑戰，我們可以利用人工智能的全部潛力來推進軍事能力和國家安全。

4 保障競爭優勢

將人工智能納入軍事行動，雖然帶來了巨大的優勢，但并非沒有內在的風險。至關重要的是，要保護人工智能技術，防止對手通過針對我們的人工智能部署的網絡攻擊來破壞我們的能力。一個多層面的方法對于保護敏感信息，同時仍然利用人工智能進步的好處是至關重要的。以下原則構成了確保人工智能安全和部署的基礎，以減少與實施相關的任務風險。這份清單不是分層次的，也不是詳盡的，而是作為戰略家的起點，旨在將人工智能作為我們軍隊的核心能力：

1）聯邦學習。聯邦學習能夠在多個設備或組織之間進行協作式人工智能模型訓練，同時保護數據隱私。通過只共享模型更新而不是原始數據，聯合學習減少了數據泄漏的風險，并確保敏感信息的安全。

2）強大的對抗性訓練。對抗性機器學習是一種被對手用來創建惡意輸入數據的技術，旨在欺騙人工智能算法，導致錯誤的預測或分類。通過將對抗性例子納入訓練過程，強大的對抗性訓練有助于人工智能模型變得更有彈性，以抵御攻擊。

3）差異性隱私。差分隱私是一種技術，它在數據或查詢結果中加入精心校準的噪音，以保護單個數據點的隱私。通過采用差分隱私，我們可以防止對手通過模型反轉攻擊來提取敏感信息，這種攻擊旨在從模型的輸出中揭示訓練數據。

4）安全飛地。安全飛地是處理器內的保護區域，可以防止未經授權的數據訪問和代碼執行。通過在安全飛地內部署人工智能模型，我們可以保護它們免受攻擊，如內存探測，它試圖從模型的內部內存提取敏感信息。

5）模型水印。模型水印在人工智能模型中嵌入獨特的、不可察覺的簽名，使其來源和所有權得到追蹤。這種技術可用于檢測模型的盜竊或未經授權的使用，有助于保護知識產權和確保人工智能系統的完整性。

6）持續監測和驗證。定期監測人工智能的性能和行為可以幫助識別潛在的安全威脅，如數據中毒或木馬攻擊。通過不斷地驗證模型的輸入輸出關系，我們可以檢測并減少破壞其完整性和有效性的企圖。

7）紅色團隊和滲透測試。對人工智能和ML架構進行紅色團隊演習和滲透測試可以幫助識別潛在的漏洞和弱點。通過積極主動地解決這些問題，我們可以確保我們的人工智能技術在面對不斷變化的威脅時保持安全和有效。

通過了解和解決人工智能整合的挑戰，我們可以更好地利用其戰略和戰術潛力，確保我們的國家保持在技術進步的最前沿。在軍事領域成功采用和實施人工智能技術的全面和可操作的路線圖應側重于具體的應用、風險和解決方案，使我們能夠保持我們的競爭優勢，同時保障我們的人工智能基礎設施。

5 前進之路

將人工智能納入軍事行動為不對稱優勢提供了巨大的機會。為了充分利用這一潛力，軍事領導人和政策制定者必須采取全面的方法，解決幾個關鍵的必要條件。在此，我們將深入探討這些戰略要務，并討論如何將它們交織在一起，以確保人工智能被有效地納入軍事行動。

首先，保持技術優勢和保持在國家安全領域進步的最前沿，有賴于加速人工智能和ML的發展和研究。這不僅涉及到優先投資于人工智能研究，而且還涉及到促進與學術界、工業界和國際合作伙伴的密切伙伴關系。通過這樣做，軍方可以確保尖端的人工智能技術不斷地被納入其應用中。

在技術進步的同時，為人工智能的負責任使用建立道德、法律和社會準則也是至關重要的。通過定義和執行與國家價值觀和原則相一致的界限，軍方可以保證人工智能技術在所有情況下都能得到道德和合法的使用。這種方法也將有助于促進國際合作，這對于在全球安全領域成功部署人工智能技術至關重要。

制定一項全面的人工智能戰略是圍繞人工智能的道德考慮的自然延伸。通過制定一個包含明確目標、里程碑和衡量標準的國家網絡戰略，軍方可以為人工智能技術的發展和部署制定一個路線圖。這可以確保軍隊保持在創新的最前沿，同時也可以促進人工智能的復原力和不同軍種之間的互操作性。

針對彈性和互操作性，實施對抗性訓練方法可以提高人工智能和ML系統的穩健性。這減少了對惡意輸入數據的脆弱性，并確保無縫整合，為創建一個無縫的多領域人工智能框架鋪平道路。開發一個能夠整合所有軍事行動領域的人工智能框架，包括陸地、海洋、空中、太空和網絡空間，將能夠實現更大的互操作性和協作。

隨著人工智能框架的建立，培養一支熟練的人工智能勞動力以支持人工智能和ML技術的整合變得至關重要。投資于教育、培訓和招聘計劃，專注于在軍事人員中建立一個強大的人工智能和ML技能基礎，是一個關鍵步驟。一支多樣化和有才華的勞動力隊伍對于確保人工智能技術能夠有效地部署在國家安全行動中至關重要。

在熟練勞動力的基礎上，將人工智能能力納入軍事決策過程，可以大大增強復雜和動態環境中的態勢感知和決策。利用人工智能進行實時數據分析和處理，使軍事領導人能夠做出更明智的決定，在未來的沖突中保持戰略優勢。將人工智能驅動的模擬和戰爭游戲整合到軍事訓練和演習中，進一步支持這種對決策的關注，提高任務準備和行動效率。

作為拼圖的最后一塊，調整軍事進程、概念和理論以適應人工智能的觀點和風險，對于促進人工智能技術的成功采用和實施至關重要。通過更新這些程序，軍隊可以確保在不斷發展的技術環境中保持靈活和適應性，在其行動中充分利用AI的戰略潛力。

6 結論

當我們反思我們在太空和網絡能力方面的成就時，我們必須認識到人工智能為我們的戰斗力和國家安全帶來的巨大潛力。將人工智能融入我們的國防基礎設施將幫助我們以更高的效率、準確性和速度應對復雜的挑戰。必須制定一項全面的人工智能戰略，解決現代戰爭的緊迫性和復雜性，促進軍方、學術界和工業界之間的合作，并確保立即開展后續發展，以保持我們在軍事能力方面最重要的領導者地位。

從我們在網絡和空間發展方面的經驗中獲得的教訓可以為我們的人工智能整合方法提供參考。我們的重點應該是創造強大的、準確的、安全的、有道德責任感的人工智能系統，能夠適應戰爭的動態性質。我們必須優先考慮研究、開發和測試人工智能技術，以提高對局勢的認識、決策和自主行動，同時防范潛在的脆弱性。

總之，人工智能是我們國家安全的一個戰略要務，就像過去的空間和網絡技術一樣。通過利用這些進步的經驗教訓，我們可以有效地利用人工智能的力量來保持我們的戰略優勢，保護我們國家的利益，并確保一個更安全和更可靠的未來。將人工智能融入我們的國防能力，不僅將徹底改變我們開展行動的方式，而且還將成為我們在追求和平與安全的過程中堅定不移地致力于技術創新的證明。

作者

Dmitry I. Mikhailov（IEEE高級會員）是一位成功的網絡安全研究員和顧問，在該領域擁有超過12年的經驗。他擁有多項認證，包括CISM、CASP+和GPEN，目前在赫特福德大學學習計算機科學。他曾在國防部門擔任網絡安全工程師，在洛克希德-馬丁公司和SAIC等公司擔任過重要職務。目前，他為全球各地的組織提供專家咨詢，幫助他們解決復雜的電子安全問題并實施有效的戰略。除了他的專業經驗外，德米特里還為各種網絡安全研究和開發項目做出了貢獻。他設計和開發了一個光電隨機數發生器，并為SANs在2011年發布的第一個更新的Linux加固指南做出了貢獻。米哈伊洛夫先生是幾個專業協會的積極成員，包括IEEE計算機協會、ACM技術政策委員會和IEEE標準協會。他的工作獲得了許多獎項和認可，包括總統志愿者服務獎和國會表彰獎。德米特里目前擔任IEEE計算機協會第5區的協調員，并熱衷于通過他的研究、出版物和領導力來推動網絡安全領域的發展。

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。

近年來，機器學習的巨大進步已經開始對科學技術的許多領域產生重大影響。在本篇透視文章中，我們探討了量子技術是如何從這場革命中受益的。我們通過說明性的例子展示了科學家們在過去幾年是如何開始使用機器學習和更廣泛的人工智能方法來分析量子測量，估計量子設備的參數，發現新的量子實驗設置、協議和反饋策略，并普遍改善量子計算、量子通信和量子模擬的各個方面。我們強調了開放的挑戰和未來的可能性，并以對未來十年的一些推測性愿景作為結束。

圖1. 機器學習和人工智能可以幫助更好地解決的量子技術領域的任務概述。

機器學習在量子技術中的應用

• 測量數據分析和量子態表示

圖3. 通過神經網絡進行狀態估計。(a) 對一個量子態的許多相同副本的測量可以被處理以產生一個量子態的估計。(b)對單個量子系統的連續弱測量可以用來更新估計的狀態。在(a)和(b)中，一個單一的網絡被訓練來正確估計任意的狀態。(c) 我們也可以訓練一個基于網絡的生成模型來重現一個量子狀態的統計數據，即從概率分布中取樣。訓練需要許多可以測量的相同的副本，因此可以學習統計學。這里一個網絡只代表一個量子態。它可以被擴展到處理任意基數的測量。

• 參數估計:學習量子系統的性質

圖4. 機器學習用于量子設備的參數估計。(a) 一個典型的場景，測量結果的統計取決于一些可調整的測量設置和未知參數，這里表示為馬赫-澤恩德設置中的相移。(b) 一個自適應的測量策略可以用一棵樹來說明，每一層的分支都對應著不同的測量結果。根據這些結果，需要選擇一個特定的下一個測量設置（表示為 "αj"）。尋找最佳策略是一項具有挑戰性的任務，因為它相當于搜索所有這樣的樹的空間。 (c) 神經生成模型可用于隨機抽查與先前測量結果兼容的未來可能的測量結果（這里是二維電流-電壓圖，如[68]）。這對于選擇最佳的下一個測量位置是有幫助的。潛伏空間中不同的隨機位置會產生不同的樣本。(d) 五個可能的基本參數值的測量結果與測量設置（不同的曲線；測量不確定性通過厚度表示）。我們的目標是使信息增益最大化，即選擇最能確定參數的設置（這不等同于使結果的不確定性最大化）。

• 發現硬件級量子控制的策略

圖5. (a) 無模型強化學習的最終目標是直接應用于實驗，然后可以將其作為一個黑盒。然而，許多實際的實現是使用無模型的RL技術應用于基于模型的模擬。(b) 基于模型的強化學習直接利用了模型的可用性，例如，通過可微調的動力學取梯度。

• 發現量子實驗、協議和電路

圖6. 量子實驗的發現。量子光學實驗可以用彩色的圖來表示。使用最一般的、完整的圖作為起始表示，人工智能的目標是提取解決方案的概念核心，然后可以被人類科學家理解。然后，該解決方案可以轉化為眾多不同的實驗配置[113]。

圖7. 用離散門發現量子電路和反饋策略。(a) 強化學習智能體通過選擇門來作用于多量子比特系統，可能以測量結果為條件，找到一個優化的量子電路或量子反饋策略。(b) 一個固定布局的量子電路，其參數可以通過梯度上升進行優化，以實現一些目標，如狀態準備或變異基態搜索（可能包括反饋）。

• 量子糾錯

圖8. 量子糾錯。綜合癥在表面代碼中解釋為神經網絡可以被訓練來執行的任務。