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

目的

本洞察報告的目的是介紹與實現敏捷指揮與控制（Agile C2）技術的最近和預計發展有關的關鍵主題及其影響。特別是，本文試圖勾勒出這些技術對澳大利亞國防軍（ADF）未來作戰人員的影響--這些人將得到支持。這將為EDTAS的參與者提供基本的常識，并有助于在研討會期間引起辯論。為了實現這一目標，本文件將描述C2技術的背景和現狀。它將描述新出現的技術和它們打算如何支持C2，以及這些技術帶來的風險和挑戰。

范圍

本文并不打算做定論，因為敏捷C2跨越了許多學術和技術學科，并且在理論上已經融入了過去和現在的澳國防部隊成員的文化。本文所提出的是一系列意見，旨在促進討論和澳國防科技部潛在的敏捷C2研究目標。學術界、工業界和國防部的思想領袖和主題專家（SMEs）在一次范圍界定研討會上被確定，然后被邀請參加一次探索性的結構化訪談。受訪者名單附在本文之后。所提出的一些意見不一定與目前的理論、概念或甚至政策一致。所得出的結論是作者的結論，并注意到利益相關者的可用性和開放源碼研究的限制。

敏捷指揮與控制是什么?

C2是一項活動，包括計劃的構思、計劃的執行和對特定群體或組織的監測。它包括哲學和功能兩個方面--功能方面是指必須有效地指導團體實現特定的目標，而哲學方面是指必須適當地組織和裝備團體以實現這一目標。

C2從根本上說是一種人類效力--即使其中沒有多少人。組織的目的決定了所采用的C2模式。該模式需要包括廣泛的技術、結構、哲學、倫理和法律方面的考慮，并應旨在使該組織能夠最有效地運作以實現其目標。

敏捷性的最基本定義是快速移動、行動、思考或理解的能力。 具備這種素質的個人或組織能夠根據不斷變化的環境迅速修改其行為。敏捷性的基礎是適應性的目標。在一個變化速度有時令人眼花繚亂的世界里，吸收和理解新信息，然后根據這些信息做出決定的能力，對于從信息技術到戰場等領域的成功至關重要。

敏捷性是21世紀任何組織的一個關鍵屬性。它是一種狀態，在這種狀態下，人們變得更有能力 "處理存在的復雜性和不確定性的綜合影響"。 更簡單地說，如果你是敏捷的，你就能成功和迅速地應對環境的變化。

重要的是，敏捷性不僅僅是一次成功，而是'它是在改變或變化的環境中保持成功'。敏捷C2不是一種最終狀態。相反，它是一個組織根據逆境和情況，迅速調整其C2信息、互動和決策權的能力。如下圖所示，C2系統可以在三個軸上進行調整。

一個高度分布式的C2系統（有時被稱為邊緣組織）并不總是適合所有情況。然而，一個敏捷的C2結構具有多功能性，可以根據需要進行調整。

我們處理敏捷性的方式將影響結果。俄亥俄州立大學的戴維-伍茲教授認為，需要通過對適應性系統的理解來確定方法，而適應性系統本身就是生物，必須考慮人類行為的特點。他認為，建立能力的標準方法對敏捷C2不起作用。

該方法本身需要靈活，并以跨越多個學科的人員為中心。 ADF的指揮和控制概念是基于 "分層指揮"和"敏捷控制"。在這個意義上，敏捷性使部隊內部的控制關系能夠主動適應環境，以利用行動中出現的機會。

戰爭的特點正在發生變化，但它仍然是一項以人為中心的緊張工作。武裝部隊繼續調整他們的作戰方法，使用新興的和破壞性技術，擁抱數字時代。在這些技術中，快速發展的RAS有可能為未來的戰斗空間帶來最重要的范式轉變之一。在這種情況下，RAS代表著從一些曾經被認為是完全 "人類 "活動的作戰活動中消除對人類和人類智能的依賴，從根本上重塑了未來戰爭的特征。隨著RAS技術變得更加先進、可用和負擔得起，潛在對手的能力也將繼續擴大，變得更加智能和靈活。這縮小了裝備精良的軍隊和有動機的個人或團體之間的能力差距，在未來的沖突中代表了新的和重大的威脅。

隨著技術先進性的不斷發展，澳大利亞的戰略環境也在不斷變化，進一步影響了未來由RAS帶來的機會和威脅。正如《2020年國防戰略更新》（DSU）所強調的，澳大利亞現在處于一個高度動態的戰略環境中。印度洋-太平洋地區的軍事化進程加快，灰色地帶的活動更加普遍，潛在對手越來越多地利用破壞性和新興技術，這些都促使區域競爭加劇。這促進了對RAS所提供的靈活性、可擴展性和決策優勢機會的關注，以加強聯合部隊。這一重點在澳陸軍的 "加速戰爭 "計劃中得到了延續，強調了RAS和新興技術在實現持續適應性和未來準備的陸軍中的重要性，并在未來的行動中提供了潛在的補償。2020年底發布的ADF RAS概念進一步強調了這一點，該戰略既借鑒了RAS概念，也嵌套了它。

通過澳大利亞皇家海軍的RAS/AI戰略8、澳大利亞皇家空軍的杰里科破壞性創新（JDI）、澳大利亞國防軍RAS概念和國防科技集團（DSTG）STaR Shots計劃所展示的社區。因此，未來陸軍內部由RAS支持的技術變革必須以聯合作戰理念為基礎，以充分應對未來的挑戰。為實現這一技術變革，陸軍提出了修訂后的陸軍RAS戰略，旨在通過RAS為未來的陸軍創造并保持競爭優勢。

未來陸軍的RAS能力實例包括由自主智能體、集群和跨網絡物理的人-機團隊。RAS將通過高速信息分析和分配來提高態勢感知、生存能力和殺傷力。這將創造情報，推薦行動方案以推動優勢。

建立和保持這樣的競爭優勢是一項復雜的工作，需要整個軍隊和更廣泛的國防部門的協調努力。 澳大利亞不再為國防規劃假設10年的戰略預警時間，陸軍必須迅速工作，以應對這些挑戰，實施未來的RAS能力。這包括快速技術發展和插入的內在困難，越來越多的科學、技術、工程和數學（STEM）勞動力的主權，資源限制，以及政策和法律的導航。陸軍RAS戰略V2.0是一個確定和考慮這些挑戰的機會，以指導陸軍的凝聚力，為聯合部隊的未來陸軍利用機器人、人工智能和自主性的真正潛力。

人工智能正在緩慢地進入軍事行動，該學科的進步推動了戰斗空間中自主性的質和量的增加。這就意味著戰斗人員將越來越多地與具有越來越先進自主能力的機器共存。隨著機器從簡單的工具躍升為合作的隊友，人機編隊將成為現代戰爭的中心。空軍的忠誠僚機概念表明，人與機器之間的互動質量與機器的技術先進性一樣，對成功的人機協作至關重要。了解如何確保人類和機器之間的信任將是至關重要的。人工智能和機器學習將使信任變得更加必要和難以實現，而與神經技術的融合可能會使這項任務進一步復雜化，帶來新的挑戰。

引言

人工智能（AI）正日益進入軍事領域。雖然愛好者、否認者和實用主義者可能對人工智能將在多大程度上賦予戰斗空間優勢持不同意見，但它已經被用作分析工具、破壞者和力量倍增器（Rickli和Mantellassi，2023）。在烏克蘭的沖突中，人工智能通過縮短傳感器到射手的時間、分析截獲的通信、傳播情報以及在信息戰中利用人工智能來優化目標定位周期，明顯體現了這種趨勢（Rickli, Mantellassi, and Juillard, 2022, p.22）。人工智能的進步不僅在數量上加速了戰爭的自主性和自動化，而且在質量上也加速了完全或部分由機器完成的一系列任務。隨著人類和機器在戰斗空間中的共存不斷擴大，成功理解如何實現人類和機器之間的最佳合作是釋放人工智能在軍事行動中的全部潛力的關鍵。本文將重點討論人工智能和人機協作對空軍的新的重要性，在放大信任問題之前，特別關注 "忠誠的僚機 "概念。它還將討論人機協作如何與其他新興技術，特別是神經技術相融合，以重新定義未來的可能性。

人工智能與人機編隊

人機編隊（HMT）是將人類的判斷與計算機的數據處理和響應能力相結合的行為（Motley，2022）。在軍事領域，這意味著將人類、人工智能和機器人整合到合作、相互依賴和自主的系統中（Hein和Maquaire，2022）。人機互動在軍事和民用領域已經很普遍，但這種傳統的機器和人之間的互動模式并不一定構成一個 "團隊"（Walliser等人，2019）。理解是什么讓兩者之間的互動成為一個團隊，而不是機器只是一個工具，這一點至關重要。在人機團隊中，機器在實現目標方面發揮著積極作用，它 "從信息中進行推斷，從信息中獲得新的見解，從過去的經驗中學習，發現并提供相關信息以測試假設，幫助評估潛在解決方案的后果，辯論所提出的立場的有效性，提供證據和論據，提出解決方案并提供對非結構化問題的預測，另外還參與人類行為者的認知決策"（Bittner等人，2020，第3頁）。在HMT中，機器不僅僅是一個在指示后完成指定功能的工具，而是一個能夠與人類同行協調并支持實現目標的決策的隊友（Motley, 2022）。

如果機器沒有與人并肩合作，僅憑機器中存在的自主權不足以將人機互動定性為團隊（Motely, 2022）。人機互動由三個要素組成：人、機器以及機器和人之間的互動和關系的性質（Chahal和Konaev，2021）。人工智能正在加速HMT的潛力和普遍性，特別是在軍事行動中，人工智能驅動的自主性有了質的飛躍，正在投入使用的自主系統的數量也在增加。機器將不再是簡單的工具，而是成為行動的組成部分，積極參與決策（Walliser等人，2019）。在這種新興的背景下，需要成功地將人和機器配對，以提取兩者的最大潛力，這為HMT奠定了基礎。

人工智能的進步導致自主系統可以執行的各種功能有了質的提高，使這些系統以更關鍵和合作的方式與人類并肩作戰。以人工智能為動力的自主性，越來越多地由機器學習（ML）驅動，正導致機器能夠獨立和更準確地完成的任務的復雜性增加。例如，Primer。AI正在使用不同的技術，最主要的是自然語言處理（NLP），融合多種情報輸入（音頻、視覺、文本），為烏克蘭軍隊提供實時、自主生成的戰斗空間情報圖（Primer, 2022）。同樣，游蕩的彈藥已經進入了戰斗空間，依靠人工智能來識別和攻擊目標。武器系統正越來越多地受益于私營部門開發的雙重用途人工智能技術。例如，2022年5月，Deepmind發布了一種新的算法 "GATO"，能夠執行604項不同的任務（Deepmind, 2022）。

• 算法可以執行的功能越多，它在功能上與“人類”的等效性就越大，從而增加了 HMT 的潛力。

一個算法可以執行的功能越多，它在功能上就越等同于人類，增加了HMT的潛力。這些發展也推動了自主系統或具有某種程度自主性的系統數量的增加（Boulanin和Verbruggen，2017）。蜂群技術的出現--已經在實驗中得到證明--將加速這一趨勢（Xin等人，2022；Mehta，2017）。許多這些技術進步都是在私營部門開創的，是小國、非國家行為者和個人更容易獲得的收益，與傳統系統不同（Ashby等人，2020；Rickli，2020a）。隨著機器人技術和自主權在數量和質量上的增加，戰爭的節奏將加快（Rickli，2019）。在算法戰爭中，人類在決策過程中保留有意義的作用的唯一途徑將是通過整合和同步人類和機器的輸入（Walsh, 2021）。空軍必須在人和機器元素之間建立共生關系和互動。

雖然人工智能的成功和高潛力正在重塑HMT，但人工智能的固有局限性和相對脆性意味著機器必須繼續與人類共存（Rickli，2020b）。假設戰爭的所有方面都將在不久的將來實現自動化，人工智能將取代所有--甚至大多數--作戰人員的任務，這是不現實的。人工智能目前仍然是 "狹窄的"，只能夠在容易編纂或有更明確的規則和指標的活動中勝過人類（英國國防部，2018）。此外，這些狹窄的人工智能應用很容易受到對抗性攻擊和數據偏差的影響，這可能導致驚人的失敗（Scott-Hayward，2022）。雖然人工智能卓越的分析、數據處理和統計關聯能力大大超過了人類，但后者將保持對戰斗空間的認知優勢，理解背景，依靠直覺，必要時打破規則，并以新穎的方式適應（Losey，2022）。HMT的優先級正是由于需要從機器算法與人類的結合中獲得最佳結果，在這種情況下，每個人都可以發揮其優勢（Jatho和Kroll，2022）。當正確的任務被分配給團隊中正確的元素（人類或機器），并且兩者之間的互動是高質量的，人機團隊的表現就會大大超過人類和機器單獨行動（Jatho和Kroll，2022）。

忠誠僚機的概念和信任

空軍已經特別適應HMT的要求（Briant，2021）。采用人工智能和人與機器之間的互動越來越成為空中力量的核心（Briant, 2021）。世界上有幾個備受矚目的項目正在試驗 "忠誠的僚機 "概念，該概念建議自主的無人駕駛飛機與有人駕駛的飛機一起協作。空軍對HMT的需求來自于多個方面。首先，將人工智能、機器人和計算機整合到行動中，加速了數據的生產和收集，給作戰人員帶來了 "信息過載 "的風險（約翰遜等人，2014年）。操作復雜系統的飛行員需要高度集中和多任務處理，實時分析更多數據的范圍有限。人工智能協助可以減輕一些這種負擔。作為其 "先鋒計劃 "的一部分，美國空軍正在開發 "Skyborg"--一個 "自主飛機組隊架構"，它將使諸如Kratos Valkyrie這樣的無人機能夠與有人駕駛的飛機組隊飛行（美國空軍，n.d）。這些無人機僚機將通過卸載一些數據分析任務、繪制目標和防空系統，以及為飛行員建議飛行走廊來提高飛行員的表現（Losey, 2022）。隨著時間的推移，機載人工智能系統將能夠向飛行員建議適當的行動方案。第二，美國的近鄰對手，如中國，已經大量投資于發展反介入/區域拒止（A2/AD）能力，使作戰環境變得非常有爭議和致命（Grynkewich, 2017）。為了在這些高度競爭的環境中提高生存能力--考慮到蜂群技術的出現--忠誠的僚機可以被大量用于穿透和飽和對手的防御，充當誘餌，或提供動能效應（Perret，2021）。

無數的挑戰出現了，使為忠誠的僚機實現有效的HMT的目標變得復雜，而這些挑戰并非都是技術性的。多種因素影響著HMT的互動質量，其中一些因素在圖9.1中得到了說明。許多關于HMT的研究重點并不完全在技術能力和特性上，而是在人和機器之間的關系及其互動的性質和質量上。有效的HMT只是部分地依賴于人工智能的先進性，但在很大程度上取決于互動的質量。人們常常把它與人與人之間的團隊相提并論。團隊的有效性不是簡單的單獨成員能力和投入的總和，實際上取決于通過團隊流程和團隊工作成功地整合和協調個人努力（Funke等人，2022）。在HMT中，人類必須了解1）其角色，2）人工智能系統，3）如何與人工智能系統/隊友互動，以及4）如何與其他人類隊友互動（Puscas，2022）。

圖 9.1：影響人機交互質量的因素

信任是HMT中的一個重要元素，但也是一個高度復雜的概念，有許多影響它的變量，如人口、地理位置、背景和其他多種因素（Chahal and Konaev, 2021）。Davis、Mayer和Schoorman將信任定義為 "一方愿意受到另一方行動的影響，因為他們期望另一方會采取對信任者很重要的特定行動，而不考慮監督或控制該另一方的能力"（1995）。關于支配人與人之間信任的變量和動力是否與影響人機信任的變量和動力相同，目前還沒有定論（Celaya and Yeung, 2019）。本文將把信任視為 "個人對技術結論的可靠性及其完成既定目標的能力的信心"。(Chahal and Konaev, 2021)。正如英國國防部所指出的，人工智能系統不僅會受到可以做什么的限制，而且還會受到 "行為者信任他們的機器會做什么 "的限制（英國國防部，2018）。事實上，如果沒有信任，人工智能將無法發揮其全部潛力，因為它的使用可能僅限于低風險的情況，而不是它可以提供真正的優勢（Motley, 2022）。空軍面臨的挑戰涉及到如何加強對人工智能的信任，從質量上增強人機關系。培訓和用戶界面的特點是提高對人工智能的信任和改善人機關系的核心考慮。

對人工智能系統的信任可以受到機械理解、系統可預測性、熟悉度和背景的影響（英國國防部，2018，第48頁）。這些因素可以--至少是部分地--通過適當的培訓來灌輸對人工智能系統的信心和理解，以及通過用戶友好的界面，通過提高熟悉度和可預測感來控制機器（Puscas, 2022）。然而，人工智能驅動的自主性的增加和ML作用的擴大意味著適當的培訓和用戶界面將同時變得更加復雜和具有挑戰性，但也更加必要--但所有這些都會對信任產生不利影響（Puscas，2022）。人工智能的 "黑箱 "問題阻礙了可理解性、可解釋性和可預測性，從而降低了信任度，而這種信任度只會隨著下放給機器的自主權程度而增加（Michel，2020）。隨著ML算法隨著時間的推移而學習，飛行員/人類隊友必須知道機器如何變化，它正在學習什么，以及這將如何影響其結果。因此，自動化的復雜性使得持續培訓成為首要任務，但也更加復雜。同樣地，界面的可用性變得更加重要，但同時也更加復雜。隨著機器隊友提供更多的自主權和它的算法過程的復雜化，它的輸出在解釋和溝通上也更具挑戰性（Puscas 2022）。這種復雜性反過來可能會導致對系統的信任度降低。

• 隨著ML算法隨著時間的推移而學習，飛行員/人類隊友必須知道機器如何變化，它在學習什么，以及這將如何影響其結果。因此，自動化的復雜性使得持續訓練成為首要任務，但也更加復雜。

缺乏信任會影響HMT，降低人機團隊的效率和潛力，從而降低其作戰使用的概率。然而，對機器的過度信任也會對HMT產生負面影響。(Scharre, 2018; Puscas, 2022）。事實上，系統自主性的提高會導致 "自動化難題"，即用戶警覺性的喪失與系統增強的自動化和感知的可靠性成正比（Puscas，2022）。在這個意義上，機器的復雜性既可以減少信任，也可以將其增加到一個過度的水平。因此，軍事操作人員需要對他們操作或監督的自主系統抱有健康的懷疑態度，這就需要有能力準確評估系統的局限性（Scharre, 2018, p.144）。這再次強調了適當培訓的重要性，以獲得對系統的理解，以免它 "因忽視而變得完全自主"（Puscas, 2022）。2003年，涉及美國 "愛國者系統 "的一系列事件，一個人在回路中的防空系統，導致自相殘殺，歸因于過度信任和不適當的培訓，這使得該系統事實上完全自主（Scharre, 2018）。

神經科技的融合

任何單獨的新興技術的興起都不會發生在真空中，獨立于其他技術創新。因此，新興技術組之間的融合需要仔細關注，以預測這些技術之間不可預測的互動所帶來的未來挑戰（Rickli和Mantellassi，2022）。目前，人類的互動總是通過界面（如屏幕）進行的，這意味著其效率有一些限制。采用忠誠的僚機的操作演示中，操作員用手持平板電腦指揮機器隊友（Trevithick, 2021）。消除對界面的需求的一個方法是，使用一套允許大腦和機器之間雙向互動的技術，直接將機器與人腦連接起來。人工智能和神經技術領域--尋求將技術部件連接到神經系統的科學領域--之間正在進行的融合可能會在未來實現最佳的人機互動（Rickli，2020c）。

人與機器之間的關系質量對人機交互至關重要，并且受到界面特征的影響。使用外部界面（屏幕、平板電腦、計算機）來監督或以其他方式與機器或半自主代理接觸，可能對認知要求很高，導致喪失警覺性和自滿情緒（Puscas，2022）。神經技術的進步可能會解決飛行員與外部鏈接（如屏幕或顯示器）互動的需要，以查看、溝通并向機器傳輸信息。腦機接口（BCI）將把忠誠的僚機控制無縫整合到飛行員的認知過程中，以減少認知過載，加速觀察、定向、決定和行動（OODA）循環，如下圖9.2所示，并消除設計接口的復雜任務。BCI可以 "促進思維速度的多任務處理"，并允許飛行員 "與智能決策輔助工具對接 "和多車輛合作（Bartels等人，2020）。DARPA正在努力實現BCI的使用，它模擬了狗斗，其中算法 "進入 "對手的OODA循環，通過更快的決策擊敗人類對手（Tegler，2020）。

圖 9.2：OODA 循環的儀表板樣式表示

技術的融合融合了每項技術的特質，加速了它們的發展，并導致了以前不可能的新穎創新。然而，融合也使與單個技術相關的風險轉移到另一個技術，有時會帶來全新的、不可預測的挑戰。因此，雖然BCI等神經技術可以及時實現最佳的HMT，但它們也帶來了新的和更復雜的風險。對于神經技術而言，這些風險包括數據隱私和認知及精神完整性的倫理困境、大腦操縱和發動認知戰爭的新途徑，以及前所未有的監控能力等（Rickli和Ienca，2021）。

結論

人工智能的進步導致軍事行動中具有自主能力的人工智能驅動的機器在質量和數量上的增加。然而，今天的人工智能相對脆弱，這意味著作戰人員將在戰斗空間與機器共存，越來越多地成為隊友。空軍必須投資于可消耗的、無人駕駛的能力，如忠誠的僚機，以克服信息負擔、認知過載和高度競爭的空域中的低生存能力等挑戰。HMT的挑戰是未來空中力量能力的中心。優化人與機器之間的關系，而不僅僅是駕駛這些忠誠僚機的算法，是至關重要的。確保飛行員對人工智能驅動的自主系統的運作和性能有信任，并對其固有的局限性有一個強有力的理解是至關重要的。在解決這些問題時，培訓和用戶界面的重要性非常突出。了解自主性如何影響信任并影響飛行員和他們的機器隊友之間的關系，將對推進HMT具有決定性意義。神經技術，特別是BCI，是一個新興的領域，有可能與忠誠的僚機概念相融合，并使人與機器之間的聯系更加優化。通過預見性地預測BCI、忠誠僚機和人工智能之間的融合所帶來的新挑戰，對于指導未來空中力量的發展至關重要。

人工智能（AI）是一項具有廣泛用途的新興技術。《美國防戰略》強調了人工智能對軍事行動的重要性，以使美國保持對其近似競爭對手的優勢。為了充分實現這一優勢，不僅要在戰術層面，而且要在戰爭的作戰層面整合人工智能。人工智能可以最有效地融入作戰計劃的復雜任務，方法是將其細分為其組成部分的作戰功能，這些功能可以由狹義的人工智能來處理。這種組織方式將問題減少到可以由人工智能解析的規模，并保持人類對機器支持的決策的監督。

引言

人工智能是一套新興的、變革性的工具，有可能幫助軍事決策者。美國國家戰略將人工智能（AI）納入戰爭。《2020年國防授權法》11次提到了人工智能。國防戰略強調了利用人工智能和機器學習方面的商業突破的重要性。人工智能的軍事用途是保留國家安全的一個引人注目的方式。創造工具來支持戰術行動，如摧毀敵軍和從一個點導航到另一個點，具有顯著和可見的效果，使他們在資源有限的環境中在政治上可以接受。它們在訓練和測試方面的可重復性，使它們在采購過程中成為人工智能系統的快速贏家。然而，戰術行動的范圍和時間是有限的。僅在戰術層面上整合人工智能，忽視了在作戰層面上發生的決定性影響。

作戰，也就是實踐者將戰術行動轉化為戰略效果的層面，取決于領導者做出正確決策的能力。聯合部隊海事部分指揮官（JFMCC）的艱巨任務是制定計劃，將戰區戰略和聯合部隊指揮官（JFC）的目標結合起來，通過決定性的海軍交戰來塑造環境。在人工智能的快速認知能力的幫助下，JFMCC將能夠制定并更徹底地分析行動方案（COA）。這些品質對于未來的沖突是必要的。

人工智能必須在戰爭的各個層面進行整體集成，以充分實現其優勢。除了局部的、短期的戰斗，它還需要應用于主要的行動和戰役，涉及整個戰區的數月或數年。在戰爭的戰役（作戰）層面上的實施，放大了為實現戰略目標而進行的有序交戰和同步行動之間的協同作用。除了技術發展之外，行動上的整合將刺激政策和理論的建立，以使作戰人員有意愿使用人工智能。隨著使用人工智能的經驗的增加，其采用率也會增加。為協助海軍作戰計劃而實施的特定人工智能技術可能與那些用于計算射擊方案或在被拒絕的淺灘水域規劃路線的技術不同。然而，在作戰層面的接受度將推動戰術上的使用。

在JFMCC層面，人工智能系統網絡將為決策者提供決定性的優勢，將專注于作戰功能的獨立的人工狹義智能（ANI）單位統一起來將實現最顯著的好處。首先，人工智能解決方案比它們的通用人工智能（AGI）同行更適合于軍事問題的解決。其次，戰爭的性質促使有必要在作戰層面上整合人工智能。最后，雖然有許多方法可以整合，但沿著功能線這樣做會帶來最顯著的好處。不僅在技術意義上吸收人工智能，而且描述其在政策、理論和培訓中的使用，將使海軍能夠充分使用它，并在與我們的戰略競爭對手的競爭中獲得優勢。

如何在海戰領域整合人工智能？

目前人工智能在海上行動中的最佳應用是將復雜的海上行動問題分解成子問題，由人工智能來解決，并組合成COA建議。解決小問題的人工智能需要更少的訓練數據，有更直接的邏輯，并且可以連鎖起來解決更重要的問題。麻省理工學院人工智能實驗室前主任羅德尼-布魯克斯（Rodney Brooks）認為，創建動態環境的符號表示是困難的或不可能的。然而，特定任務的智能體可以利用足夠的傳感器數據智能地行動，更重要的是，可以連貫地互動。通過將簡單的活動連鎖起來，失敗的風險很低，更復雜的問題就可以得到解決。多個簡單的行動可以在低認知層平行運行，并將其輸出結合起來，為更高層次的復雜活動提供支持。這種結構的優點是允許軍事工程師開發和訓練人工智能，以首先解決可操作的問題。對人工智能開發者來說更具挑戰性的功能可以保留只由人類決定的方法，直到他們產生解決這些問題的專業知識。與其等待一個完整的系統，部分系統將提供一個臨時的邊際優勢。

鑒于人工智能可以通過將問題分解成更小的決策來最好地解決問題，問題仍然是如何劃分這些問題。重述作戰任務的一個模式是將它們分成作戰功能：指揮和控制（C2）、通信、情報、火力、運動和機動、保護和維持。這些作戰功能為開展有效行動提供了基礎。它們為一個行動提供了采用手段實現其目的的方法。因此，與決定如何實施這些功能以實現目標的決策者一起使用人工智能是很自然的。

如同應用于海上作戰戰爭，最低層的決策支持系統將由感知環境的活動組成：探測艦艇、飛機和潛艇；燃料水平；天氣；以及其他客觀的戰斗空間數據。通過將外部輸入限制在特定的、低層次的任務上，該系統將最大限度地減少對抗性例子或旨在消極操縱自動系統的數據的風險。中間層將把下層的輸出與作戰目標和因素結合起來，如時間、空間和力量的限制，以提供解決問題的方法和作戰功能。由于上層的對抗性數據注入的威脅較小，這些系統可以使用深度學習。深度學習是機器學習的一個子集，它不像其他形式那樣需要高度格式化的數據，但計算成本會更高，而且容易受到欺騙。深度學習將增加這一層的人類互動，并暴露出更復雜的關系。最高層將把C2流程應用于其他六個業務功能，以產生業務建議。中間層的每個功能人工智能將向其他功能人工智能和最高C2層提供建議。中間層的人工智能對復雜的數據和相鄰單位及C2功能的建議進行理解。

如果將中間層人工智能納入規劃和指導、收集、處理、分析和傳播的情報周期，將促進收集資產的更好分配。判斷對有限的收集資產的請求以滿足行動和戰術信息需求是JFMCC關注的一個問題。在收集計劃期間，人工智能可以使用已知的對手軌跡、地點、個人和組織來定義和優先考慮指定的利益區域（NAI）。在執行過程中，人工智能可以根據優先級驅動收集路線，就像企業用它來規劃送貨路線以減少勞動力、燃料和維護成本一樣。采集計劃者可以通過增加對手監視點的位置和范圍來減少反偵查的風險。在C2層面，指揮官和情報官員可以利用收集成果來證明更多的JFMCC收集資產和COA的修改。這種方法適用于其他功能。

人工智能可以在部隊部署不斷變化和對手存在不確定的環境中改善維持能力。相互沖突的要求使如何使用有限的后勤資產來滿足作戰人員的需求的決策變得復雜。后勤單位較低的生存能力促使人們決定是將它們帶入被對手防御系統拒絕的區域，還是將戰斗飛船引離目標。人工智能可以利用軍事和民用運輸的可用性、預先部署的庫存和供應商的響應能力來制定船舶和飛機需求的解決方案。企業利用人工智能準確預測需求，并分辨出影響運輸和倉儲的采購模式。維持型人工智能可以使用這個過程的一個變種，來計劃在高級后勤支持站點（ALSS）或前方后勤站點（FLS）的材料堆放。它可以決定如何以及何時使用穿梭船和站立船來運送到攻擊組。機器學習將使用燃料、食品和武器庫存、威脅環、戰備水平和維修時間來訓練維持人工智能。維持型人工智能可以提供比人類單獨完成的更有效的量化解決方案，并將其反饋給其他功能區和C2高層。

C2層將對來自下層的決定進行仲裁，并提供一個統一的建議。就像一個軍事組織的指揮官一樣，它將把其副手AI的建議合并起來。人工智能過程的早期階段使用傳感器數據和其他客觀信息來確定指揮官的方向；決定行動方案需要建立對戰斗空間的理解，這是一種更高層次的欣賞。戰斗空間的可變性和模糊性將使這一層的人工智能元素最難開發。最終，該系統將作為一個可信的智能體，壓縮指揮官負責的信息量。壓縮的信息減輕了時間有限的決策者工作時的疑慮負擔，使她能夠向下屬單位發出更及時的命令。

圖1說明了基于這些原則的系統的擬議架構。以對手預測為例，許多單一用途的ANI將在最低層結合原始傳感器和單位報告數據。它將評估敵方單位的最可能位置。公司分析評論、社交媒體和論壇發帖的情緒，以確定產品的滿意度。同樣地，這個系統將通過公開的言論和秘密的報告來確定對手的意圖。它將評估當前和歷史天氣模式，以評估氣候對敵人行動的影響。這三個輸入和其他信息將被功能情報ANI用來形成對敵方COA的評估。同樣，火力節點將使用敵人的組成、JFC的優先級和預測的彈藥可用性來產生目標指導。中間層節點將橫向傳遞他們的評估，以完善鄰近的建議，如部隊保護水平。獨立的功能建議也將直接反饋給C2層，以創建整體行動方案。

圖1. 海上人工智能系統的擬議架構

建議

首先，利用聯合人工智能資源的優勢，針對海軍的具體問題修改標準組件。擅長開發軍事人工智能系統的工程師的稀缺性將限制新系統的開發。美國防部的人工智能戰略具體規定了建立通用的工具、框架和標準，以便進行分散的開發和實驗。使用這些現成的組件，為人工智能決策網的所有子系統創建低級別的系統和標準接口。將海軍的資源集中于采購和實施用于海事具體決策的中層和高層系統。避免技術上令人著迷但無效的解決方案，并通過將職能領域的專家與設計團隊相結合來保持解決海事問題的目標。

第二，創建并維護可通過機器學習攝入的作戰數據數據庫，以訓練海軍人工智能。實施能夠在海上作戰中心（MOC）讀取和集中匯總基本作戰數據報告的技術和工藝，如燃料狀態、導彈裝載量。開發記錄和定性評分作戰決策結果的方法，如對手態勢的變化、傷亡修復率和公眾對行動的反應。將輸入與作戰決策和結果聯系起來的數據庫將加速開發符合現實世界標準的系統。

第三，將人工智能的使用納入政策和條令。條令應該編纂人工智能可以被整合到戰爭戰役層面決策中的領域。明確地說，關于情報、行動、火力、后勤、規劃和通信的海軍作戰出版物應說明人工智能在決策過程中產生優勢的地方和方式。描述海上聯合行動的聯合出版物應明確說明如何將JFC的要求解析為JFMCC的AI系統。如果國防部和海軍的政策對指揮官因整合人工智能的決策建議而產生的責任量進行了定性，那么他們在使用人工智能時就可以采取經過計算的風險。讓指揮官和作戰人員掌握使用人工智能的戰術、技術和程序將加速其在艦隊中的應用。

什么是多域作戰？

以下定義摘自美國陸軍訓練與條令司令部：

多域作戰（MDO）描述了美國陸軍作為聯合部隊[陸軍、海軍、空軍、海軍陸戰隊和太空部隊]的一部分，如何在競爭和武裝沖突中對抗和擊敗能夠在所有領域[空中、陸地、海上、太空和網絡空間]與美國抗衡的近鄰對手。該概念描述了美國地面部隊作為聯合和多國團隊的一部分，如何在2025-2050年的時間框架內威懾對手并擊敗能力強大的近鄰對手。

MDO為指揮官提供了許多選擇，以執行同時和連續的行動，利用出其不意以及快速和持續地整合所有領域的能力，給對手帶來多種困境，以獲得物質和心理上的優勢以及對作戰環境的影響和控制。

多域作戰的關鍵元素

• 滲透敵方的反介入和區域拒止（A2/AD）系統（分層和綜合遠程精確打擊系統、沿岸反艦能力、防空系統、遠程火炮和火箭系統），使美軍能夠進行戰略和作戰機動。

• 破壞--擾亂、降低或摧毀A2/AD系統，使美軍能夠進行作戰和戰術機動。

• 利用由此產生的機動自由，通過擊敗所有領域的敵軍來實現作戰和戰略目標。

• 重新競爭--鞏固各領域的成果，迫使其以對美國和盟國有利的條件恢復競爭。

需要什么樣的軍備解決方案?

• 戰爭的速度和決策的速度可以說從來沒有像今天這樣快過，而且明天可能也會這樣。

• 在陸、海、空、天，甚至網絡領域運作的資產的密切協調，以促進ISR活動和對敵對目標的殺傷鏈，需要精確性，以及在各種平臺上 "蓄勢殺傷 "的能力。

• 系統的通用性可以減少后勤的負擔，簡化培訓和維護，并有助于確保各平臺的性能一致、可靠。

• 基于成熟技術的解決方案能夠迅速投入使用，并為作戰人員增加更多的靈活性和選擇，是一種力量的倍增劑。

戰場的數字化導致了 "信息泛濫"，造成了機組的認知過載。數字技術和機器學習方法已經成為分析海量數據、整合信息和有用地分配態勢感知的關鍵。

因此，未來軍事優勢的核心將是將人類、人工智能（AI）和機器人有效地整合到戰斗系統中--人機團隊--最好地利用飛行員和技術的能力來超越我們的對手。優勢將不會自動在于擁有最新或最昂貴算法的部隊，而是在于最有效的人機團隊。

與人類不同，人工智能不會因注意力不集中、疲勞或壓力而被削弱。機器的速度、精度和計算能力、可靠性、幾乎無限的內存和不屈不撓的精神使其能夠彌補人類的某些局限性。然而，它們在理解復雜的非結構化數據或進行非決定性分析（例如，預測人類行為）方面并不出色。機器不適合對復雜或模糊的環境進行細微的判斷，然后緩和決策。此外，由于機器是使用與任務或問題相關的既定數據集進行編程或訓練的，遇到新問題或與既定數據集非常不同的東西，往往會導致失敗。

相比之下，人類在理解背景方面比機器更好，而且他們很可能在很長一段時間內保持這種狀態。人類適應新情況的能力通常要強得多，即使答案可能是不完美的。靈活性、創造性、強大的抽象能力以及面對不確定性和新奇事物的適應能力，包括來自非結構化的部分數據，都是人類特有的能力，機器很難復制。這部分是因為人類使用心理替代或從熟悉的技能或任務中的近似值來獲得近似的答案。人類也有一種智力上的敏捷性，需要用到情感上的技能，如同理心或直覺。

即使在最先進的技術方面，人仍然處于最佳位置，可以設定目標并監測系統的整體運作，以便在必要時能夠糾正自動故障。

人工智能在廣泛的任務中相當于或超過了人類的表現，然而自主系統仍然很脆弱，缺乏人類在其指令之外的靈活性。因此，人與機器的對比是一個錯誤的選擇。

根據P. Scharre的Centaur Warfighting模型，這反而是一個優化使用自主技術的問題，同時將人作為武器系統的核心。這種混合方法從自動化的貢獻中獲益，同時保持人的能力，以利用它們為任務服務。因此，人機合作（MMT）比單獨的人類行動或單獨的人工智能更有效，可以充分利用各自的優勢。

如果人工智能能夠彌補人類的弱點，那么它在提高人類績效方面尤其具有強大的潛力。因此，空中環境需要一種以人類為中心的、協作性的和增強性的人工智能，能夠預測其人類伙伴的意圖，發現偏差并在協作性空中作戰系統和作戰概念的框架內與他們共生行動。

美國防部負責研究和工程的副部長辦公室（Alexandria, VA）成立了美國防部健康和人類表現生物技術委員會（BHPC）研究小組，以持續評估生物技術的研究和發展。BHPC小組評估了具有潛在軍事用途的改善健康和性能的科學進展；確定了相應的風險和機會以及倫理、法律和社會影響；并向高級領導層提供了為未來美國部隊減輕對抗性威脅和最大化機會的建議。在BHPC執行委員會的指導下，BHPC研究小組進行了為期一年的評估，題為 "2050年的半機械士兵：人/機融合和對國防部未來的影響"。這項工作的主要目的是預測和評估在未來30年內與人體結合的機器對軍事的影響，以增強和提高人類的表現。本報告總結了這一評估和發現；確定了該領域新技術的四個潛在軍事用途；并評估了它們對美國防部組織結構、作戰人員的理論和戰術以及與美國盟友和民間社會的互操作性的影響。

執行總結

美國防部健康和人類表現生物技術委員會（BHPC，弗吉尼亞州亞歷山大）研究小組調查了與協助和提高人類在許多領域的表現有關的廣泛的當前和新興技術。該小組利用這些信息開發了一系列小故事，作為討論和分析的案例，包括可行性；軍事應用；以及倫理、法律和社會影響（ELSI）的考慮。最終，該小組選擇了四個場景，認為它們在2050年或更早之前在技術上是可行的。以下是與軍事需求相關的場景，并提供了超越目前軍事系統的能力：

• 對成像、視覺和態勢感知的眼球增強。

• 通過光遺傳體衣傳感器網恢復和編程肌肉控制。

• 用于通信和保護的聽覺增強。

• 直接增強人腦的神經，實現雙向數據傳輸。

盡管這些技術中的每一項都有可能逐步提高超出正常人類基線的性能，但BHPC研究小組分析認為，開發直接增強人腦神經的雙向數據傳輸技術將為未來的軍事能力帶來革命性的進步。據預測，這項技術將促進人與機器之間以及人與人之間通過腦與腦之間的互動的讀/寫能力。這些互動將允許作戰人員與無人駕駛和自主系統以及其他人類直接溝通，以優化指揮和控制系統和行動。人類神經網絡和微電子系統之間直接交換數據的潛力可以徹底改變戰術戰士的通信，加快整個指揮系統的知識轉移，并最終驅散戰爭的 "迷霧"。通過神經硅接口對人腦進行直接的神經強化，可以改善目標的獲取和接觸，并加速防御和進攻系統。

盡管直接神經控制所帶來的軍事硬件控制、增強的態勢感知和更快的數據同化將從根本上改變2050年的戰場，但其他三種半機械人技術也可能以某種形式被作戰人員和民間社會采用。BHPC研究小組預測，人類/機器增強技術將在2050年之前廣泛使用，并將穩步成熟，這主要是由民用需求和強大的生物經濟推動的，而生物經濟在今天的全球市場上處于最早的發展階段。全球醫療保健市場將推動人類/機器增強技術，主要是為了增強因受傷或疾病而喪失的功能，國防應用可能不會在后期階段推動市場發展。BHPC研究小組預計，逐步引入有益的恢復性機械人技術將在一定程度上使人們適應其使用。

BHPC研究小組預測，在2050年之后的幾年里，將增強的人類引入普通人群、美國防部現役人員和近似的競爭對手，并將導致既定法律、安全和道德框架的不平衡、不平等和不公平。這些技術中的每一項都將為終端用戶提供某種程度的性能改進，這將擴大增強和未增強的個人和團隊之間的性能差距。BHPC研究小組分析了案例研究并提出了一系列問題，以推動其對國防部計劃、政策和行動的影響評估。以下是由此產生的建議（不按優先順序排列）：

1.美國防部人員必須對社會對人/機增強技術的認識和看法進行全球評估。在美國存在一種普遍的看法，即我們的對手更有可能采用美國民眾因道德問題而不愿或不愿意使用的技術。然而，對手對這些技術的態度從未被證實過。引入新技術后的社會憂慮會導致意料之外的政治障礙，并減緩國內的采用，而不考慮價值或現實的風險。對全球態度的評估將預測在哪些地方可能因為社會政治障礙而難以引進新技術，以及在哪些地方對手采用抵消技術可能會更容易被接受。

2.美國領導層應利用現有的和新開發的論壇（如北約）來討論在接近2050年時對盟國伙伴互操作性的影響。這將有助于制定政策和實踐，使部隊的互操作性最大化。機械人技術的快速發展速度對軍隊的互操作性有影響。美國防部要求在北約和其他全球聯盟框架內與盟國伙伴保持互操作性，這就需要努力使半機械人資產與現有的盟國伙伴關系理論保持一致。

3.美國防部應投資發展其控制下的動態法律、安全和道德框架，以預測新興技術。由于這些技術在美國和世界其他國家（盟國和敵國）的發展速度，目前的法律、安全和道德框架是不夠的。因此，國防部應支持制定具有前瞻性的政策（內部和外部），以保護個人隱私，維持安全，并管理個人和組織的風險，同時使美國及其盟友和資產的明確利益最大化。由于國家安全技術的操作化是國防部任務的核心，這些框架的結構應該是靈活的，并對美國國內或其他地方開發的新技術做出反應。

4.應努力扭轉關于增強技術的負面文化敘述。在流行的社會和開源媒體、文學和電影中，使用機器來增強人類的身體狀況，在娛樂的名義下得到了扭曲的和反社會的敘述。一個更現實、更平衡（如果不是更積極）的敘述，以及政府對技術采用的透明度，將有助于更好地教育公眾，減輕社會的憂慮，并消除對這些新技術的有效采用的障礙。一個更加知情的公眾也將有助于闡明有效的社會關注，如那些圍繞隱私的關注，以便國防部人員可以盡可能地制定緩解策略。雖然這不是國防部的固有任務，但國防部領導層應該明白，如果這些技術要投入使用，需要克服公眾和社會的負面看法。

5.美國防部人員應進行桌面兵棋推演和有針對性的威脅評估，以確定盟軍和敵軍的理論和戰術。兵棋推演是衡量不對稱技術對戰術、技術和程序影響的既定機制。探討美國或其對手整合和使用人類/機器技術的各種場景的桌面演習將預測抵消優勢，確定北約和其他盟國組織的互操作性摩擦點，并告知高級軍事戰略家和科技投資者。國防部人員應利用對這一新興領域有針對性的情報評估來支持這些努力。

6.美國政府應支持努力建立一個全國性的人/機增強技術的方法，而不是整個政府的方法。聯邦和商業在這些領域的投資是不協調的，并且正在被中國的研究和開發努力所超越，這可能導致美國在本研究的預計時間框架內失去在人/機增強技術方面的主導地位。在商業領域接近同行的主導地位將使美國在國防領域的利益處于劣勢，并可能導致到2050年在人/機增強領域的劣勢被抵消。為保持美國在半機械人技術方面的主導地位而做出的國家努力符合國防部和國家的最佳利益。

7.美國防部應支持基礎研究，在投入使用前驗證人/機融合技術，并跟蹤其長期安全性和對個人和團體的影響。人機融合帶來的好處將是巨大的，通過恢復因疾病或受傷而喪失的任何功能，將對人類的生活質量產生積極影響。軍事界也將看到影響行動和訓練的能力機會。隨著這些技術的發展，科學和工程界必須謹慎行事，最大限度地發揮其潛力，并關注我們社會的安全。在這些領域的相應投資將致力于減少這些技術的誤用或意外后果。

摘要

基于人工智能 (AI) 實現的軍事情報(MI)自動化，在許多方面拓寬了情報收集程序和分析功能范圍。在當今的數字化世界中，每分鐘都以指數方式產生數據。世界各地的情報機構正在體驗新的信息維度，而這些信息在過去由于人類處理龐大數據集的能力有限而被忽視。人工智能/機器學習 (ML)的發展帶來了一種革命性的方法，可以收集大量數據并使用 ML 算法進行分析，從而為非戰時時期和戰時戰略、作戰和戰術指揮官生成各種情報信息摘要。為了應對傳統和非傳統威脅，基于機器學習的軍事情報數據收集和分析，將通過有監督、無監督、強化和深度學習方法進行，其中自動化程度通過人在回路和人在回路之外的方法確定。這些 ML 工具將有助于開發系統框架，能夠通過自適應學習技術感知和響應運行環境，從而從其經驗中學習，根據以前的學習和經驗適應不斷變化的環境。結合智能安全傳感器、監控無人機、地球觀測衛星、電子和虛擬源監控系統，可以增強軍事情報信息收集系統。數據分析和數據融合可以在信息源收集、存儲與處理、融合與分析、數據共享4層框架內，通過回歸、分類、時序分析、聚類分析、主題建模、協同過濾和關聯規則等方式進行。軍事云網絡和物聯網 (IoT)可以增強數據共享。與其他武裝軍種、相關部委、工程大學和商業利益相關者合作，將有助于制定未來的策略指南、研發、ML 算法開發計劃以及為各種基于 ML 的 MI 平臺和應用程序生產兼容的硬件。

1 引言

軍事情報 (MI) 是收集、解釋和向軍事指揮官傳播信息以協助其決策的過程。它研究廣泛的作戰環境，分析各種參與者，同步相關信息并監控非戰時、戰時正在進行的事件。隨著技術的進步，多源數據呈現多倍和多維度增加。這些數據來自戰略、作戰和戰術層面，包括政治、軍事、經濟、社會、商業、媒體和多背景職業人員。情報分析人員經常面臨從大量信息中得出適當結論的復雜任務。從可用數據中得出的假設不能被認為是結論性的，因為它無法通過最大程度收集的信息源進行驗證。由于生成的信息在時間和空間上是動態的，隨著形勢變化而快速演變；從一組信息中得出的結論通常需要驗證，由于處理如此大量的數據和信息的限制，有時甚至在給定的上下文中排除了驗證。此外，需要通過與其他來源的各種相關性分析，定期檢查來源的真實性，這對從這些信息中得出的假設有明顯的影響。

不可否認，由于各種來源的數據生成激增，在信息的收集、分析和相關性評估方面將有很大的改進空間。在收集和分析過程中使用人工智能 (AI) 和機器學習 (ML) 可能是未來最有效的方法。許多技術先進的國家正在用AI/ML改造他們的智能系統。因此，需要評估機器學習是否可用于情報信息的收集和后續分析，處理非戰時、戰時的海量數據流，以獲得戰場環境和當代全球形勢最準確的結論性圖景。

軍事情報是一個動態過程，這是由于各種參與者無處不在的活動，他們產生了連續的數據流。對數據進行評估和分析，將數據分發給利益相關者，采取適當的行動并監測相應的影響，這些都是不可分割的過程，可以通過機器學習系統驅動的自動化進行。此外，通過 ML 系統可以提高和更有效地運行指揮、控制、通信、計算機、情報、監視和偵察 (C4ISR) 系統的功能，其中集成系統可以從環境中學習，并根據迭代學習過程提出評估方法。因此，可以將軍事情報、偵察和監視集成在一個綜合指揮系統下，通過機器學習可以拓寬軍事視野。

2 軍事情報過程中機器學習模型的概念化

Shu-Hsien 等人（2003 年）強調了基于知識的未來軍事情報規劃系統架構。已經討論了許多應用 ML的系統架構和系統配置，其中介紹了自動和半自動分析方法的過渡。此外，還討論了一個具有假設系統實施策略的典型模型。

Prelipcien 等人 (2010) 強調了可用于分析和決策行為模型的各種 AI 算法。簡要介紹了神經網絡的應用、泛型算法、模糊邏輯和專家系統。一些模型描述了神經網絡可用于模式識別但在決策應用方面存在不足。泛型算法具有對環境動態適應的自學習原理，可廣泛用于開發多種決策方案。模糊邏輯被推薦用于基于輸入和期望輸出之間關系的決策規則。它有助于機動計劃和兵力分配，但缺乏具體的判斷決定。專家系統是基于知識規則進行識別和確定特定情況下的行動時間。并重點討論了各種算法模型設計的 ML 應用。

Dijk (2019) 在他之前關于國防應用中的 AI 和 ML 的會議上，為軍事情報分析方法編譯了許多 ML 模型。與實現研究目標相關的方法是無人傳感器和系統、使用 ML 方法對無人機進行聲學檢測、通過無人機系統進行態勢感知、可見光和熱光譜范圍內的視頻監控、用于視覺識別的神經網絡、用于行為識別的深度學習，提出了用于危險分類、信息提取和語義世界建模的深度神經網絡模型，和基于對象的深度學習多光譜圖像融合方法，應用于軍事情報分析。

Ahmed (2019) 強調了人工智能在孟加拉國 (BD) 武裝部隊監視領域應用的重要性。詳細闡述了 AI 實施路線圖架構，可用作探索預期目標的初始參考方案。調查已用于基于ML進行軍事情報分析框架的意見和指南。

Mitchell 等人（2019 年）討論了情報周期元素之間的相互聯系，并列舉了如何將 ML應用于情報周期的各個階段。通過人工智能實現自動化，所有情報機構都可以利用潛在的工作時間，這為情報機構在量化價值方面的效率加速程度提供了深入的見解。這為情報主體在情報過程中應用數學模型時的效率提供了定量比較。

中國（2017）強調了潛在的通用技術、支撐平臺和未來人工智能產業，以開發智能計算技術，用于未來人工智能驅動的重大科技項目。重要的是要發現知識計算技術是建立在自適應機器學習和分析推理技術之上的。其中，關鍵群體智能技術、跨媒體分析推理技術、知識計算與服務技術、混合增強智能架構、智能自主無人系統、智能虛擬現實技術、智能計算芯片與系統、自然語言處理技術，已成為探索未來軍事情報分析的重要創新。大數據智能理論、跨媒體感知理論、混合與增強智能理論、群體智能理論、自主協調與控制、優化決策理論、高級機器學習理論、類腦智能計算等學術研究發展規劃理論、群體智能理論和量子智能計算理論已被預測為 ML 應用于情報分析的指導學術話語。這些將通過機器學習為未來的軍事情報分析構建基于知識的架構。這些是基本的學術指導方針，持續發展將為 ML 用于軍事情報分析創建研發計劃。結合這一理論框架，Haridas(2015)提出了用于國家和軍事情報收集的大數據分析，基于大數據分析的情報可以為決策提供必要的支持。ML 被用作情報大數據分析工具，通過該工具可以實現威脅警報、社交媒體監控、信息挖掘、文檔分析和網絡安全監控。討論了基于大數據應用的情報收集系統的概念布局，其中可以對來自多個收集源的各種信息數據進行實時高級分析，以提供態勢感知、決策制定和戰斗評估。這些都為今后的研究和開發提供了較為詳細的理論概念。

Michael O'Hanlon (2019) 預測未來 20 年軍事技術將發生顯著變化，他專注于軍事技術的未來趨勢。在四類技術突破中，第一類是收集與軍事行動相關數據的傳感器，第二類是處理和分發這些數據的計算機和通信系統。預測了 2020-2040 年關鍵可部署技術的預計進展，其中顯示了傳感器和其他通信系統的部署概率。它對情報采集源、通信和信息處理技術的未來發展做出了清晰的預測。 Connable (2012) 強調了各種形式和格式的情報數據融合過程，并介紹了融合過程對于相關國家和國際參與者分析未來復雜環境的重要性。一個包含政治、經濟、軍事、社會和信息基礎設施的系統分析圖，解釋了信息流如何影響戰略和作戰重心，這驗證了未來情報數據收集和處理熱潮的顛覆性轉變。它描繪了融合的情報圖片如何更好地反映地面圖片，從而幫助情報人員了解復雜的社會-政治-軍事環境，并與大局建立聯系。因此，在未來復雜的作戰和戰略場景中，將在情報數據融合分析方面尋求范式轉變。

為了對來自不同來源的數據進行融合，Cruickshank (2019) 提出通過應用數據科學來開發軍事情報架構，為了從原始數據中提取知識的能力。建議使用 ML 和其他 AI 技術，數據科學將成為分析來自各種收集源結構化和非結構化數據的首選學科。在這方面，Kendrick (2019) 展示了一個在所有陸軍梯隊采用以數據為中心的框架。這允許在陸軍決策和執行的每一層面將數據科學有效地整合到陸軍情報中。數據科學工具可以自動化情報過程的復雜步驟，最終開發軍事情報數據庫。這些概念可以提供為軍事情報過程開發合適的 ML 模型。

Dopico 等人（2009 年）在他們的《人工智能百科全書》中匯編了大量關于當前人工智能技術發展的研究文章。在這些文章中，各種最新的智能系統建模、自適應技術、人工神經網絡、用于信息檢索的人工智能、認知建模、基于行為的神經網絡聚類、智能代理中的決策、面部表情識別程序、分層強化學習、自然語言處理程序、模糊邏輯系統的監督學習和群體智能方法模型，可以提供一個啟動框架，可用于說明 ML 如何用于解釋情報數據并將其轉換為可用信息。有了 ML 程序開發指南，對用于軍事情報分析的 ML 系統的研究和開發可能非常重要。

3 用于軍事情報分析的全球軍事機器學習應用平臺

機器學習是人工智能的一個子集，已被發達國家和發展中國家的軍隊廣泛用于其各種軍事應用和作戰平臺。 ML算法用于分析和學習數據（Bhatnagar，2018）。 ML 旨在通過分析示例和信息中有意義的關系和數據模式，來學習和調整其思維模式，這些示例和信息旨在以類似于人類認知邏輯的性質工作（Janiesch & Heinrich，2021）。在 2018 年美國國防戰略（Defense, 2018）中宣布，將人工智能作為未來打贏戰爭的關鍵技術，這已被美國（US）列為未來戰略。俄羅斯在 2017 年重申追求人工智能技術，因為俄羅斯總統公開宣布了其對未來軍事前景的立場（Simonite，2017）。中國在 2017 年發布了一項戰略，詳細說明了到 2030 年通過人工智能引領軍事技術的路線圖（Council，2017 年）。 Maven 項目是正在進行的領先的軍事 AI 實施項目之一，在伊拉克和敘利亞打擊 ISIS 的行動中，五角大樓通過算法戰跨職能團隊將無人機視頻轉換為可操作的情報，從而開始對 ML 進行軍事應用（WEISGERBER，2017 年）。

3.1 軍事情報流程的系統架構

軍事情報（MI）流程集成了情報、監視和偵察 (ISR)，ISR開發了情報發送 (IC) 流程。通常，它結合了空間數據庫、屬性數據庫、案例庫、規則庫和知識庫，MI 過程通過這些知識庫進行工作。軍事偵察是獲取有關敵對部隊和自身作戰利益地形信息的過程。軍事監視是根據偵察數據對活動進行監測，以便保持有關的最新情況 。MI 結合了分析偵察和監視數據，并將原始信息轉換為對當前和未來行動具有軍事利益的有用情報的過程（Liao 等人，2003 年）。軍事 ISR 的框架如圖 1 所示。

圖1:軍事ISR框架(Liao等，2003)

從圖 1 可以明顯看出，MI 的相互交織的過程列舉了每個過程都與其他過程相輔相成，并且任何過程中缺乏活動都會導致整個 IC 過程出現故障。可以通過自動化以最小的錯誤概率加速持續的協調、修訂、更新和執行。因此，最新的人工智能強化學習方法通??過人機協作將整個過程納入情報分析框架。

MI過程是通過使用管理信息系統（MIS）進行的，通過該系統處理顯性知識。但在當今世界，有大量的數據產生，包括物理數據和虛擬數據，有屬性數據庫、空間數據庫、案例庫和知識庫等多種數據庫。地理信息系統（GIS）和基于知識的決策支持系統（KBDSS）被用于整合決策支持和知識管理功能，以增強顯性和隱性知識庫。在這方面，提出了結合情報戰支持系統（IOSS）結構，通過混合推理策略完成豐富的知識表示，證明了其在生產決策系統中的適用性（Xia & Rao，1999）。該系統的運行基于從書面知識中學習、從問題解決中學習、從問題解決失敗中學習和從遺忘中學習。這稱為自適應和強化學習，它是 ML 的主要屬性和 AI 的核心功能。由于情報收集、積累、分析和傳播功能的動態特性，基于強化學習的 ML 功能正變得越來越流行，并且依賴于 MI 過程。

3.2 軍事情報流程的層次結構和配置

MI 流程的層次結構和配置大致分為三個層次（Liao 等，2003）。第一層由作戰和戰術情報收集組織和單位組成，其通過偵察和監視手段收集數據、圖片、信號和網絡信息。這些手段大致可細分為人類智能、信號智能、圖像智能和通信智能。第二層次對提供的數據和信息進行不同的情報分析。在此層面上，分別根據日常和緊急需求提供常規和特殊情報報告。常規情報的存檔是這一層面的重要組成部分之一，它會定期更新并根據需要進行檢索。第三層是經常提出智能化要求的用戶組織、上級指揮部和高層領導。他們還定期更新態勢感知以及具有作戰和戰術價值的特殊情況。

MI的作戰流程分為常規任務和特殊任務。在常規任務中，作戰注意力集中在基于常規和標準操作程序的基本情報收集上。有時限的特殊任務側重于從特定事件、情況和人員中獲取特定情報。因此，這兩個作戰過程都闡釋了如圖 2 所示的 IC。

圖2:軍事情報作戰流程(Liao等，2003)

廣義情報作戰流程建立在對第一層情報采集組織和單位采集的原始數據處理之上。將原始數據轉換為信息的過程是由隱性和顯性知識庫完成的。這兩種類型的知識庫之間存在核心差異。隱性知識是任何智力主體的經驗、邏輯思維和膽識的積累，本質上更多的是個人屬性(Oliver, et al., 1997)。它因人而異，并且根據此類知識庫做出的決定通常是出乎意料的，可能不是基于邏輯推理（Hedlund，1994）。盡管在某些情況下，隱性知識被證明是根據情報預測任何結果的合理正確方法。但另一方面，顯性知識基于教義基礎的規則、方法和技術，本質上更精確、清晰和結構化（Zhang & Griffith，1997）。此外，程序性知識是由顯性知識支持的標準操作程序（Anderson，1985）。

3.3 為什么ML是MI分析的擾亂技術

在當今的數字化世界中，人類處于大量數據中，這些數據正以指數方式增長。數據的多樣性、數量、速度、矢量和無處不在不僅擾亂了當今的作戰前景，而且忽視了對通過它所承載的信息解釋，從而危及國家安全。在“信息就是力量”的格言下，作戰部隊必須具備解讀這種不斷增加的結構化和非結構化數據的能力，并找到有助于促進非戰時、戰時情報數據庫發展的模式。世界各地的情報機構正在重新定位和重組其傳統的情報作戰方法，以適應動態數據流并準備分析大型數據集。很明顯，在未來的技術時代，情報前景必須拓寬，并依賴于收集和組織大部分自己感興趣的數據來可視化未來態勢。

一般情報作戰由五個相互關聯、相互依賴的循環組成。分別是計劃、收集、處理、分析和傳播 (PCPAD)。收集、處理和分析 (CPA) 階段至關重要，需要從技術方面加以重視，因為操縱和處理的數量已經超過了人類的能力。數據收集來源包括傳感器、航空系統、衛星、無線電信號、開源互聯網、社交網絡、不同的組織、代理、對手等等。這些數據在不同的時間和空間以不同的格式在不同的介質中以二進制數據的數字格式或書面和口頭數據的形式出現。因此，它需要一個通用的解釋系統，可以處理、存儲、解釋所有類型的數據格式，并可以制作通用的情報圖。

根據 Desjardins（Desjardins，2019 年）的說法，世界正在產生大量數據，如圖 3 所示。

圖3:2019年中一天的數據(Desjardins, 2019)

Bulao (Bulao, 2020) 總結了以下關于互聯網世界中通過信息高速公路產生了多少數據的細節。

表 1：通過信息高速公路生成數據（Bulao，2020）

這些是在非戰時時期準備情報數據庫時需要分析的數據量和數據類型，以便在需要的時候幫助提取必要的信息。此外，在過去十年中，非傳統安全 (NTS) 威脅仍然很高，并且已經成為新的安全問題。因此，需要每天開發、更新和監控針對 NTS 威脅的情報，以便及時了解由于參與者的不可預測行為而導致的任何即將發生的情況。在戰時，在活躍的戰場情景下，持續的偵察和監視是任何作戰活動必不可少的組成部分。在戰場環境中，這些來自各種來源的數據被添加到以前的數據庫中，從而產生海量的數據流，這是人類操作員使用傳統的收集、存儲和分析方法無法處理和組織的。在正在進行的 AI 技術時代，有監督和無監督 ML 被廣泛用于收集大量數據。使用 ML 的優點是它可以自主或半自主地訓練自己來整理 MI 所需的數據，這使它能夠用可用的模式標記數據。因此，機器學習系統可以輕松篩選數十億字節的數據并捕獲所需的數據類型，為機器學習創建有意義的信息。雖然機器學習應用于數據收集，但系統通過數據挖掘（Chan，2020）通過正確識別、定位、分析、集成、清理和存儲來準備數據。

3.4 ML 在 MI 中的全球軍事應用

在討論了 MI 流程和系統架構的廣泛結構之后，不同國家的軍隊一直在通過監督學習和強化學習關注隱性知識和顯性知識來開發和重新定位其 MI 流程。隨后，對各種正在進行的MI流程系統進行了徹底的重組，這些系統將在可預見的未來主導MI流程的制定。簡要討論了一些最近開發的用于收集和分析 MI 流程的自動化系統。

? 多域指揮和控制系統（MDC2）是集中式平臺之一，收集和分析通過傳感器從陸地、空中、海洋和網絡空間收集的原始數據。這些數據與中央系統的融合是為了創建一個單一的信息庫，從而為決策者創建一個通用的作戰圖（CLARK，2017）。

? 邊境監視系統（BSS），對邊境沿線的物體和人員進行自動監視。它由傳感器、網絡資源和數據庫組成，其中開發了算法來計算指標，從而為威脅提供預測值。它不僅可以估計威脅程度，還可以評估一系列事件的不確定性程度。貝葉斯推理、背書理論、模糊推理和 Dempster Shafer 理論與編程算法一起用于 BSS 的設計（Albertus C. van den Broek，2019）。

? 聲學探測器，是一種通過機器學習方法運行的主動探測系統，可以跟蹤和探測空中和地面中的小型微型物體。 ML 方法用于使用來自各種傳感器和雷達的實時數據來檢測和評估多種算法的性能。這可以將各種音頻特征與可聽和不可聽頻譜區分開來。基于 ML 的檢測算法可以剔除噪聲并通過作戰環境產生可用的情報（Alexander Borghgraef，2019 年）

? 通過增強技術在可見光和熱光譜范圍內進行視頻監控，采用深度神經網絡記錄和檢測紋理和熱圖像。卷積神經網絡是在自適應學習算法下設計的，通過從各種來源獲取傳感器數據并做出決策。它在長波紅外和可見光譜范圍內的大規模多光譜熱世界數據集中特別有用（Vanessa Buhrmester，2019）。

? 基于深度學習的行為識別已經應用于監控系統中的傳感器數據分析。該系統致力于識別人的異常行為并跟蹤具有特定行為模式的人員（Maria Andersson，2019）。該系統通過預設的人與人、人與物、人在特定環境的行為模式來分析不同的行為特征。這是在監督學習模型上設計的，其中具備不同的行為類別和模式，通過這些模型分析和檢查受試者的行為特征，以篩選和檢測所需的感興趣的人。

? 通過結合和分析不同的情報輸入，開發了基于語義世界模型的信息提取技術。這些情報輸入的形式有人力情報（HUMINT）、圖像情報（IMINT）、開源情報（OMINT）、虛擬源情報（VIRINT）等。通過使用數據驅動的機器學習機制和語義世界建模，將信息整合、處理、融合產生一個通用的情報。這些是基于深度學習方法面向結構化和非結構化數據開發的（Almuth Hoffmann，2019）。

3.5 用于 MI 分析的 ML 算法開發模型

ML 在國防、經濟、醫療保健、交通、航空、空間技術、商業等領域的應用領域已經具有較大發展。有趣的是，這些領域的應用成果可以加速國防應用的發展。對于 MI，這些 ML 算法可以用于探索未來的應用，這些應用已經在理論研究中或已經在實際工業應用中。在此基礎上，討論了算法模型及其在模型分析中的應用范圍：

? 從互聯網資源和通信媒體中檢索多媒體信息會在高維空間中產生大量數據。主動學習支持向量機 (ALVSM) 一直在開發以處理此類高維系統，因此可以作為 MI 數據收集和分析的基本系統 (Jiang & Horace, 2009)。

? 基于智能體的智能系統建模被開發用于感知和響應作戰環境，作為一個自適應系統來獲取和存儲信息，從其經驗中學習，通過自動化或半自動化控制，調整方向，適應變化的環境。通過自適應學習不斷修改規則，使系統在不斷變化和演變的環境中做出必要的決策輸出。智能體的工作原理是通過基于代理的建模 (ABM) 結合人類和基于機器的數據進行監控、傾聽和響應 (Tang, et al., 2009)。

? 環境智能 (AmI) 通過物聯網 (IoT) 無縫集成智能設備和基礎設施。它通過語音識別和圖像轉換集成了所有的采集和監視傳感器、智能系統、人、計算機和社會交互。該系統通過認知推理的直觀界面工作，并向智能體提供合適的策略選擇（Sadri & Stathis，2009）。

? 面部表情識別系統 (FERS) 用于識別人類情緒并捕捉大量圖像序列中的面部表情。人機交互解釋面部運動并分析情緒狀態（Dornaika & Raducanu，2009）。

? 數據挖掘和數據倉庫被廣泛用于管理和分析大型數據集（基于模式識別技術）。數據倉庫可用于存儲可在需要時檢索的數據。數據挖掘用于壓縮龐大的信息存儲庫。它是一個涵蓋大數據集、模式識別、機器學習、信息與控制理論、信息檢索、并行與分布式計算和數據可視化的多學科領域（Zhou，2003）。與 MI 分析最相關的數據挖掘活動可能是關聯、序列、分類、聚類和通過神經網絡、決策樹、回歸分析和基于記憶的推理進行的預測（Wang 等人，2009 年）。

? 帶有傳感器、AI 和 ML 的地理信息系統 (GIS) 生成數字地圖，其中輸入來自地面傳感器、空中平臺和衛星。它生成定制的便攜式地圖，其中包含實時和空間放置的更新對象以及用于檢測和跟蹤系統的準確地理坐標。圖像和對象處理是通過自適應和監督機器學習的深度挖掘建模完成的（Matheson，2020）。

? 基于傳感器的認知平臺通過廣泛的神經網絡系統中的各種數據和圖像收集傳感器工作。該平臺通過模糊邏輯和遺傳算法進行操作，形成專家和學習系統（Hamblem，2017）。

4 機器學習在軍事情報中的應用潛力

要在大局下開發完整的情報概要，顯然需要關聯和融合來自多個收集源的所有情報數據。基于機器學習方法的工具可以分為三類，例如監督學習、無監督學習、強化學習和深度學習。 Alkire (Alkire, et al., 2016) 將分析工具分類為啟用分析、執行分析和支持分析。啟用監督學習方法下的分析工具可幫助智能體快速、準確、完整地執行特定的分析任務。這種半自動化工具通過人機交互和人在環結構中執行分析任務。執行分析是替代智能體的全自動工具；從而在具有人外循環結構的無監督學習方法下運行。執行分析工具可以通過基于任務和基于周期的方式進行操作。基于任務的工具從情報代理中卸載指定的任務并自主完成任務。基于循環的工具完全無需人工??干預即可執行智能循環的所有步驟。強化學習和深度學習下的分析工具通過自適應學習運行，它通過知識管理數據庫、建模、模擬環境、人際協作、縱向和橫向協作來支持智能體。

數據合成是情報數據分析的重要步驟。其目的是將來自各種收集源的所有不同元素組合在一起，以開發單個事件和情況的情報摘要。這種合成一般分三個層次進行。初級階段是基礎分析和開發，其中匯總來自單一來源的數據以制作情報產品。這是關鍵基礎，因為到下一層次的合成鏈取決于此數據組合階段。高級分析和開發層次目的在于解釋多源數據，由于來自多個來源的數據量和類型，分析和開發變得更加復雜。與此層次并行，可以創建多源分析和多情報融合，以發現情報產品之間的關系，這可以被認為是更深層次的階段。這樣做主要是為了找出數據模式，以便可以預測任何情報事件的概率。最后一個層次是所有源分析，其中所有可用數據被融合和合成在一起，并在時間、地點和行為方面對目標進行更準確的預測。這種類型的分析需要一種整體方法來組合所有類型的數據格式，這可以通過監督學習 ML 方法較好地完成。

人機界面和人機協作是將機器學習納入 MI 的重要階段。在 MI 流程的自主化方面，人在環系統一直是首選。可以通過多個層次開發將 ML 納入 MI 流程。這些層級是相互關聯的，可以從總部放置到外勤單位，以促進各種來源的信息流動。

4.1 第 1 層（數據來源）

第 1 層將主要包括人力、機械和電子來源。可以放置傳感器、無人機、衛星和雷達，以全天候收集來自全國各地和感興趣區域的圖像源，以用于作戰目的。傳感器是靜態設備，低成本設備，可以很容易地放置在感興趣的地方。傳感器之間可以建立局部連接，其中圖像數據可以收集在全國分布式服務器的數據庫中。此數據存儲功能將在第 2 層（存儲和處理）中進行協調，其中可以在中央數據庫中收集、分類和篩選來自傳感器的所有圖像數據。無人機和衛星分別是可以探測、跟蹤和定位靜止和移動物體的戰術和戰略設施。無人機可以將圖像數據發送到本地和中央數據庫，而衛星數據可以發送到中央數據庫。由于衛星范圍超出國家邊界，它可能用一個單獨的數據庫用于外部圖像存儲。雷達是靜態檢測系統，可以檢測飛行物體、移動物體。這些圖像數據可以通過光纖網絡直接存儲到中央數據庫。

圖4:第1層(數據來源)

智能安全傳感器、無人駕駛航空器（UAV）、地球觀測衛星（EOS）以及電子和虛擬源的功能

非戰時監視是 MI 部門的主要職能之一。為此，除了人工收集信息外，傳感器、無人機和地球觀測衛星（EOS）也可以在收集大量數據和信息方面發揮重要作用。

? 智能安全傳感器

智能安全傳感器是構建 MI 采集系統的關鍵元素。靜態的、通過物聯網(IoT)互聯的傳感器，可以在國家邊境形成一個大型監控網絡系統。它們可以執行各種功能，包括環境監測、武器控制、通信和信號攔截、監測軍事行動、犯罪檢測、入侵檢測、NBC 檢測等。有多種類型的傳感器可用 MI 目的。有源傳感器通過自己的輻射源發揮作用??，該輻射源在電磁頻譜的微波和無線電波長區域工作。它支持包括運動檢測和入侵檢測在內的各種 ML 算法。這些都是通過ML算法下的自動提取過程，從復雜的噪聲頻譜中處理無線電信號。智能傳感器通過強化學習機制發揮作用，這是一種多功能、自我診斷和自我補償的裝置。這些是由具有更高處理芯片的高分辨率圖像傳感處理器構建的，可以將數據從遠程站快速傳輸和共享到中央數據庫或本地數據庫。短波圖像輻射機制已證明它是用于 MI 目的的精密和可靠傳感器之一。微機電系統 (MEMS) 傳感器通過機電傳感器發揮作用，小型化機電傳感器尺寸，因其在短時間內快速部署而廣受歡迎。這些是在崎嶇不平地形和環境中長時間工作的理想傳感器。視覺解釋數據生成過程使其成為值得信賴的軍事檢測傳感器之一。納米傳感器被認為是用于 MI 的最先進技術。它們耐用、堅固、重量輕，并通過自適應學習算法工作。這些新興技術通過創建本地虛擬云網絡來共享數據。這些在難以接近的地形配置中提供了更好的連接性，該配置通過認知學習方法和通過增強現實 (AR) 界面進行工作（Electronicsforu，2018 年）。

? 監視無人機(UAV)

監視無人機(UAV) 是收集難以接近和易受攻擊的地形圖像和視頻數據的基本系統之一。由高分辨率計算機視覺和圖像處理技術建模的移動對象檢測和跟蹤 (MODAT) 框架，用于創建地理空間地圖和其他圖像文檔。對地形物體的監測、對運動物體的跟蹤和實時位置數據的更新，有助于對感興趣區域進行24小時監控。它們獨立運行，集群工作，分散方式通信，以確保最佳的安全性和應用靈活性。自動化 MODAT 框架在圖像對齊、運動檢測和對象跟蹤等三個模塊下運行。圖像數據的大量計算是基于強化學習的各種圖像處理算法進行的（Ibrahim等人，2010）。

? 地球觀測衛星

地球觀測衛星(EOS) 是一個覆蓋廣泛地形的寶貴情報收集系統，因此可以作為任何軍隊的戰略資產設施。 EOS可以從不同高度觀察獲取地形衛星圖像并將其發送回中央控制站。經過適當處理后，這些圖像可以通過機器學習研究地形配置模式的變化，并為潛在的越境入侵提供警報。對衛星圖像進行采集、存儲、處理和解釋的整個過程都是由各個ML算法模型自主完成的。

? 電子和虛擬來源

除了其他傳統和現有的情報來源之外，電子和虛擬來源對 MI 至關重要。數字簽名和潛在信息出現在各種電子媒體和虛擬信息高速公路（互聯網、社交媒體網絡和其他媒體資源）中，可以對任何即將發生的情況建立 360 度的視角和評估。通過有監督的算法建模框架來強化人工智能學習，可以從這些媒介中提取所需的信息。這需要人工的持續監督，可以通過監督學習程序來實現。互聯網上的電子資源是 ML 在檢測和提取所需信息方面發揮重要作用的主要信息來源之一。它可以通過自動化過程對所需信息進行分類和收集，由于數據量大，情報人員經常忽視這一過程。潛在情報來源包括互聯網網站、社交媒體平臺（Facebook、Twitter、Instagram 等）、視頻共享平臺（YouTube、Vimeo、TikTok 等）、新聞門戶（國內和國際）、媒體頻道（國內和國際）。這些來源的數據通常以非結構化的圖像和語音數據格式出現。外交機構是提供該國家最近在政治、經濟和軍事方面發展情況的真實來源之一，這些發展通常以結構化的形式出現。全球軍備合同和交易細節可以提供潛在對手的最新軍備能力。這些主要是結構化數據，收集來源通常需要在第 2 層進行驗證。除此之外，各種軍事技術開發計劃可能是了解未來軍事發展趨勢的最重要來源。這些數據采用結構化格式，通常需要在第 2 層進行驗證。

? 人力情報

人力資源仍將是最重要的信息來源，正如孟加拉國陸軍所流行的那樣。人力情報（HUMINT）可以通過各種人力和其他來源收集。這些可以分為常規、非常規、專業、按需和共享 HUMINT。常規 HUMINT 是從一般收集來源收集的，這些來源經過培訓并符合常規就業原則。從需要定期驗證的來源收集非常規的 HUMINT。這些來源必須符合個性配置文件下第 3 層中設置的驗證參數。專業的 HUMINT 是從高度機密的來源收集的，這些來源通常在感興趣的地方處于休眠狀態，基于自驅動機制收集信息。專業的來源通常在放置之前進行驗證，但需要與在第 3 層中執行的活動模式相匹配。 按需HUMINT 是常規 HUMINT 的擴展，其中來源通常在特定情況下放置在特定的時間范圍內。共享 HUMINT 是經常從其他組織按需或出于共同目的收到的共同情報。 HUMINT 的模式有書面、口頭和編碼格式的數據。這種結構化、半結構化甚至非結構化數據可以通過數據挖掘、NLP 和文本分析方法進行分析。非結構化信息管理架構 (UIMA) 可用于第 2 層，以處理半結構化和非結構化數據并創建通用結構化數據庫。

4.2 第 2 層（存儲和處理）

在第 2 層中，將協同進行數據存儲、數據處理、數據流、數據處理硬件。來自各種來源的數據可以存儲在分散的服務器中，該服務器可以將數據傳輸到中央數據庫。按需數據也可以通過軍用云網絡進行提取。數據處理可以通過 ML 算法進行。對于結構化數據，監督學習系統可以在有限的自主性下使用。對于圖像和語音數據，可以使用強化學習，使其可以從環境中學習，并可以繼承具有情境經驗的自適應配置。 NLP 可以應用于各種語音識別、語音解釋和語音定向。數據存儲可以通過大數據框架內的神經網絡來實現。數據流可以通過安全的光纖網絡進行。此外，機械采集源可以通過物聯網互連，從而可以即時和集中地執行數據流和設備控制。

圖5:第2層(存儲和處理)

基于機器學習的情報數據處理

通過各種收集源獲得的數據將形成大數據。不斷變化的數據結構需要基于ML的數據處理算法，這是一個不斷發展的研究領域。 ML算法對數據的處理是通過數據選擇（結構化、半結構化和非結構化）、數據處理、數據轉換、數據輸出和最終數據存儲來進行的。在不斷發展的數據科學領域，有多種 ML 算法方法。其中，回歸、分類、時間序列分析、主題建模、聚類分析、協同過濾、關聯規則和降維很流行，并在軍事和商業中得到廣泛應用（Bhatnagar，2018）。在使用 ML 算法進行數據處理時，可以采用三種學習類型的 ML 技術。被廣泛使用的 ML 的三個子領域是監督學習、強化學習和自動/無監督學習。在 ML 的這些子領域中，監督學習（神經網絡、貝葉斯網絡、樸素貝葉斯、支持向量機和馬爾可夫模型算法）用于對數據處理任務進行分類和估計。強化學習（Q-Learning、R-learning、TD 學習和 Sarsa 學習算法）用于從情報數據集中開發決策任務。無監督學習（k 均值、高斯模型、X 均值和 Dirichlet 過程模型算法）的主要功能是通過對形勢趨勢分析來產生數據聚類，以做出未來的預測事件（Bhatnagar，2018）。處理和分析各種來源生成的情報數據需要使用大數據框架。在眾多大數據處理框架中，Hadoop 框架最適合 MI 分析（Chowdhury，n.d.）。

4.3 第 3 層（融合和分析）

第 3 層通過融合各種數據集發揮作用，從而可以開發人格剖析模型、決策模型、動態情境模型和綜合預警 (EW) 系統。結合HUMINT，收集、協作和融合個人在社交網絡（OSN）和其他網站中的互動，創建軍事和非軍事感興趣者的內部動態人格檔案。這類人員的選擇范圍可能包括敵人的軍事和非軍事領導層以及非傳統威脅集團的嫌疑行為者。根據 (Souri, et al., 2018)，艾森克三因素模型（精神病、外向、神經質 (PEN) 模型）、大五模型和另類五模型被廣泛用于描述人格概況。為此，可使用樸素貝葉斯、決策樹、神經網絡和支持向量機等 ML 算法來分析在線數據集。

基于強化學習，可以實現定期更新和重構的人格輪廓。根據一個人在不同情況下的各種行為反應所形成的一系列人格特征，編制了人格模型。這種個性模型將被廣泛用于開發大量決策模型，這些模型將成為戰略和作戰領導力的重要成分。類似地，基于某種情況下的各種活動，可以將活動元素的組合以隨機方式融合在一起，以預測即將到來的情況。因此，情景元素的融合將利用機器學習的自適應學習方法構建動態情景模型。所有這些模型將有助于創建關于相關人員和任何情況的綜合電子戰，特別是高級領導和一般部隊。

圖6:第3層(融合和分析)

MI 數據融合的特點

? 數據融合是機器學習將所有類型的數據處理成可用的格式，并為當前和未來情況準備統一圖景的方法。 ML一般通過數據的不不完整、數據的關聯、數據的不一致性和數據的分散性來進行這種數據融合。數據融合是處理多源數據和信息的集自動檢測、因果、關聯、估計和組合的多層次、多方面的過程（F.E.White，1991）。它是信息從不同來源和不同時空點轉換的過程。該過程提高了檢測能力和可靠性，減少了數據模糊性，并擴展了從國家邊界到興趣點區域的空間和時間覆蓋范圍。JDL模型是軍事領域中最常見、最流行的融合模型之一，它基于輸入的結構數據，通過對象、影響、情境和過程細化四個不斷增加的抽象層次產生輸出。 JDL 模型主要側重于輸入輸出數據，而不是處理。相反，Dasarthy 的框架允許輸入/輸出數據流和功能處理（Dasarthy，1994）。基于全球、區域和國家層面事件的不確定性，MI 通常需要適應隨機數據集。根據這些隨機數據集構建大量決策模型將很有用。在這方面，Goodman (Goodman, 1997) 隨機集就是一個非常有用的過程，它具有結合決策不確定性以及呈現不確定性選項的一般模式能力。

? 用于 MI 數據轉換的數據融合技術必須經過魯棒的自適應編程框架，以解決數據類型的不完善、數據類型的多樣性、傳感器技術的多樣性以及操作環境的性質和類型。

? 數據融合算法需要能夠承受智能體和傳感器從現場收集的不完美、不精確的數據類型。它還應該能夠導出冗余數據，從而減少測量中的噪聲。

? 數據融合系統應該能夠避免反直覺的結果，并且能夠以適當的注意力處理高度沖突的數據，從而消除決策錯誤的增加。

? 數據融合方案應該能夠同時處理同質和異構數據，如音頻、視頻、無線電信號和其他形式的信號源。

? 數據融合系統需要通過傳感器注冊來克服由單個傳感器模式引起的校準誤差。該處理可以集中式和分布式兩種方式完成。分布式融合過程在必須建立無線傳感器網絡的偏遠地區非常有用。

? 數據融合方法應針對多個時間尺度，以處理傳感器接收和發送數據的多個時間尺度變化。由于數據流通過的路由是可變的，因此可能存在數據亂序到達的可能性。為了解決這種性能變化的潛在缺陷，融合中心應該具有分布式融合設置。

? 融合過程必須通過強化學習方法進行操作，以便能夠快速適應變化并相應更新。

數據融合方法

實時數據融合系統將面臨許多挑戰，因為該方法仍在探索中。主要挑戰來自非結構化、不完整和不精確的數據。很明顯，MI 數據永遠不會具有完整的結構化格式，因為預測的來源包括人類傳感器、無人機、衛星和其他虛擬和在線平臺。 Khaleghi (Khaleghi, et al., 2011) 描述了數據融合系統中的幾個與數據相關的挑戰。數據融合方法的分類如圖 7 所示

圖7:數據融合方法的分類(Khaleghi等，2011)

無論數據結構如何，ML都可以使用數據融合算法，在多個數據模型中創建數據結構，以滿足MI的各種需求。其中，數據不完備性是數據融合系統面臨的最基本的挑戰，主要表現為不確定性、模糊性、不完全性和粒度性。有許多建議的不完善的數據融合框架來解決這些限制。流行的數據融合框架是概率、證據、模糊推理、可能性、粗糙集理論、混合和隨機集理論融合。該框架具有處理數據不確定性、模糊數據融合、模糊數據處理、不完整數據處理和不完整數據融合的能力。

4.4 第 4 層（數據共享）

第 4 層是數據共享平臺，將與內部和外部利益相關者共享完整的態勢模型和集成電子戰信息。這個集中的數據共享平臺將連接到所有編隊指揮部，使態勢感知可以即時到達。這些可以通過具有單獨通信集線器的光纖網絡連接到其他組織和利益相關者。

圖8: 第4層(數據共享)

軍事云計算在MI融合中的應用

軍事云計算(MCC)可以為通用情報數據和資源提供方便的按需共享網絡訪問。 MCC 至關重要的可訪問性功能使其可靠、耐用且安全，具有軍事級別的網絡攻擊保護。它將為所有情報大數據和其他資源提供一個動態的資源池和存儲設施，以便任何情報人員可以在世界任何地方隨時訪問它，同時可以在任何地方、時間上傳各種數據。這樣，MI 資源可以 24 小時共享和訪問。 MCC 可以在 4 層單獨的分散功能中構建。 Cheng & Liao (Cheng & Liao, 2011) 將它們命名為資源層、面向服務的架構層、面向服務的工具層和云計算應用層。資源層將保存所有的物理資源和邏輯資源。物理資源包括存儲配件、網絡設備、物理數據庫配件、服務器等。邏輯資源包括應用軟件和其他相關軟件。面向服務的架構層執行情報服務、通用服務和專業服務的資源共享。面向服務的工具層提供用戶接口和訪問接口，進行仿真建模和調試加密數據。

用于情報數據傳輸的軍事物聯網

軍事物聯網 (MIoT) 將是一個新興且必不可少的系統，用于連接同一軍用級網絡下的所有設備、傳感器、無人機、衛星和其他采集設備。它將人和機器互連在一起，促進人機協作。 MIoT將由除了采集設備之外的所有軍事平臺組成，因此也可以傳遞執行部署指令。這不僅允許信息不斷地流入中央數據庫，而且還將流出的信息傳播給最終用戶。

5 建議

基于上述關于將機器學習納入 MI 過程的各種因素討論，提出以下建議：

? 除了傳統的 MI 收集源之外，還可以在感興趣的領域中加入基于機器學習的收集源。

? 可引入數據融合中心，對各類數據進行組合融合，形成統一的情報圖。

? 可以與工程機構、政府機構和相關行業合作啟動研發，以幫助推動機器學習算法和配套硬件的自主創新和開發。

? 可規劃ML算法開發時間線及相關MI應用平臺，將MI過程向人機協作轉變。

? 可以在 MI 框架內引入情報層級框架，以便協同實現自動化。

? 必須通過充分更新的防火墻系統確保每一層來源的信息安全。

? 在 MI 流程的每一層都需要確保備份數據存儲。

6 總結

機器學習是人工智能的一個子集，已被發達國家和發展中國家的軍隊廣泛用于各種軍事應用和作戰平臺。為支持這一趨勢，發達國家通過機器學習重新定位其情報收集和分析過程，以更深入地了解情況并從各個角度進行分析。軍事ISR的框架包括空間數據庫、屬性數據庫、案例庫、規則庫和知識庫，這些過程相互交織。在機器學習應用的情報分析框架中，可以通過自動化以最小的錯誤概率要求人機協作，來加速持續的協調、修訂、更新和執行。地理信息系統（GIS）和基于知識的決策支持系統（KBDSS）被用于整合決策支持和知識管理，以增強顯性和隱性知識庫這兩種形式的情報知識方法。結合智能作戰支持系統（IOSS）結構，通過混合推理策略完成豐富的知識表示，證明了其在決策系統中的適用性。 MI的層次結構和配置大致分為三個層次；第一級由作戰和戰術情報收集組織和單位組成，第二級對收集組織和單位提供的數據和信息進行不同的情報分析，第三級是用戶組織，上級總部和高層領導經常對情報提出要求。第一級和第二級的數據收集和分析步驟可以通過結合基于人工智能的功能系統來實現自動化。

ML 在 MI 中的全球軍事應用的最新發展范圍，包括多域指揮和控制系統 (MDC2)、邊境監視系統 (BSS)、聲學探測器、視頻監視、基于深度學習的行為識別，及通過語義世界建模進行信息提取。這些系統或技術通過使用監督、強化和深度學習方法，來分析來自人力情報 (HUMINT)、圖像情報 (IMINT)、開源情報 (OMINT)、虛擬源情報 (VIRINT) 和許多其他來源的信息。用于 MI 分析的 ML 算法模型已經開發出來，該領域的一些重要成就是主動學習支持向量機 (ALVSM)、基于智能體的智能系統建模、環境智能 (AmI)、面部表情識別系統 (FERS)、數據挖掘和數據倉庫、帶有傳感器的地理信息系統 (GIS) 和基于傳感器的認知平臺。

MI 的收集、處理和分析 (CPA) 階段至關重要，需要從技術方面予以重視，因為操縱和處理龐大的數據量已經超過了人類的能力。數據來源的類型包括傳感器、航空系統、衛星、無線電信號、開源互聯網、社交網絡、不同的組織、代理、對手等等。在非戰時時期，非傳統安全 (NTS) 威脅在過去十年中一直居高不下，并已成為新的安全問題。在戰時，在活躍的戰場情景下，持續的偵察和監視是任何作戰活動必不可少的組成部分。在戰場環境中，這些來自各種來源的數據被添加到以前的數字數據庫中，從而產生大量數據流。 ML 系統可以輕松篩選數十億字節的數據，并捕獲所需的數據類型，為 MI 創建有意義的信息。當機器學習應用于數據收集時，系統通過正確識別、定位、分析、清理和存儲來準備數據。有各種 ML 方法利用復雜算法和預測建模來進行數據分析以預測未來的結果。監督學習適用于訓練和測試數據集，其中訓練數據集可用于 MI 智能體訓練 ML 系統。無監督學習用于查找數據集中的數據結構模式。強化學習使用復雜的算法從其經驗中學習并重新設計其程序以分析預測情況。深度學習通過人工神經網絡發揮作用，其中數據保存在多個層級中，以便通過可變數據接口層使用。在 MI 的自動化中，發現 AI的應用在 MI 過程的處理和分析階段帶來了最大影響。因此，機器學習的內在價值將為 MI 組織促進和利用“自動化紅利”，以便人類可以將節省的時間用于其他高優先級任務。

非戰時監視是 MI 部門的主要職能之一。除了手動和人工收集信息外，傳感器、無人機和 EOS 還可以在收集大量數據和信息方面發揮重要作用。智能安防傳感器可以通過物聯網互聯，可以形成跨越國界的大型監控網絡系統。監視無人機 (UAV) 是通過移動目標檢測和跟蹤 (MODAT) 框架收集無法訪問和易受攻擊的地形圖像和視頻數據的基本系統之一。地球觀測衛星 (EOS) 是一種覆蓋廣泛地形的寶貴情報收集系統，因此可以作為任何軍隊的戰略資產設施。通過監督算法建模框架來強化人工智能學習，可以從電子和虛擬資源中提取所需信息。 ML算法對數據的處理是通過數據選擇（結構化、半結構化和非結構化）、數據處理、數據轉換、數據輸出和最終數據存儲來進行的。用于情報數據處理的 Hadoop 框架作為大數據框架執行，用于處理和分析從各種來源生成的情報數據。數據融合是 ML 將所有類型的數據處理成可用的格式并準備好當前和未來情況的統一圖景的方法。 ML一般通過數據的不完善、數據的關聯、數據的不一致性和數據的分散性來進行數據融合。在各種融合系統中，Joint Director of Laboratories (JDL) 模型、Dasarthy 框架和 Goodman 隨機集執行各種數據融合、特征融合、決策融合和信息融合。流行的數據融合方法涵蓋了概率、證據、模糊推理、可能性、粗糙集理論、混合和隨機集等多種理論。數據合成是情報數據分析的一個重要步驟，它可以將來自各種收集源的所有不同元素組合在一起，以開發單個事件和情況的情報摘要。軍事云計算（MCC）的動態資源池和所有情報大數據及其他資源的存儲設施，可以為通用情報數據和資源提供便捷的按需共享網絡訪問，讓任何情報人員可以在世界任何地方的任何時間訪問它，同時可以在任何時間上傳各種數據。

數據收集、數據存儲和處理、數據融合和分析以及最后的數據共享四個層次的功能，可以通過監督和強化學習方法開發。這將允許全方位擴展 MI 的范圍，并且可以監視感興趣的物理和虛擬區域。因此，ML 的應用將促進 MI 收集和分析過程的自動化，以便可以查看自己興趣點的所有情況，并且戰略、作戰和戰術領導者清楚接下來會發生什么。

作者

Nizam Uddin Ahmed 中校, 在孟加拉國國防學院擔任高級研究員。他對國防技術發展有著廣泛的興趣。他在 Springers、Mirpur Papers 和 NDC 期刊上發表了多篇論文。目前，他正在研究將人工智能納入武裝部隊的可行性，并開發各種深度學習模型。