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

2022年6月15日，英國國防部在倫敦科技周人工智能峰會上發布了《國防人工智能戰略》，旨在“雄心勃勃、安全和負責任地”使用人工智能的戰略和相關政策。本戰略支持創建新的國防人工智能中心（DAIC），以提供前沿技術樞紐，支撐英軍使用和創新相關技術。本戰略概述了以下內容：一是在國防中使用人工智能的新倫理原則；二是人工智能在國防部加強安全和現代化的地位和應用；三是考慮通過人工智能研究、開發和實驗，通過新概念和尖端技術徹底改變武裝技術能力，并有效、高效、可信地向戰場交付最新裝備。該戰略將將成為英國人工智能戰略的關鍵要素，并加強國防在政府層面通過科學和技術獲取戰略優勢的核心地位。

圖 英國國防部發布《國防人工智能戰略》

（本文根據原文編譯整理，僅供交流參考，觀點不代表本機構立場。）

英國國防部人工智能戰略的愿景是：以英國規模為標準，成為世界上最有效、最高效、最可信和最具影響的國防組織：

有效——提供戰場制勝能力和支持，以及英國與盟友關于人工智能生態系統合作的能力；

高效——通過創新使用技術交付能力，進行作戰并實現生產力效應；

可信——基于人工智能系統的安全性和可靠性受到公眾、盟友和人民的信任，根據英國核心價值觀合法合規地使用人工智能；

影響——積極參與合作和引領人工智能技術的全球發展和管理趨勢；

二**、背景和必要性******

英國國防部《綜合評估（2021）》強調指出，國家在人工智能領域的卓越表現是確保英國在2030年前成為“科技超級大國”的核心。英國國防部《國家人工智能戰略（2021年）》指出，人工智能在改寫整個行業的規則、推動經濟大幅增長和改變生活的所有領域方面具有巨大潛力。英國國防部《綜合作戰概念 （2020年） 》描述了無處不在的信息和快速的技術變革如何改變了戰爭的性質。在軍事作戰的各個領域，沖突正變得愈發復雜。新技術產生大量數據，解鎖新的威脅和漏洞，并通過如蜂群無人機、高速武器和先進網絡攻擊等下一代先進能力擴大潛在攻擊的規模。

人工智能技術以及其影響可能會極大地縮短決策時間，使人類理解負擔加重，而且這些在現代戰場中需要快速做出反應。正如《國防司令部文件（2021）》所指出的，“未來沖突的勝負可能取決于所采用人工智能解決方案的速度和效率”。因此信息作戰變得越來越重要。簡而言之，當代國防正在發生一場根本性的劇變，與人工智能相關的戰略競爭正在加劇，因此必須迅速、主動和全面應對。

本戰略闡述了英國將如何應對這一重大戰略挑戰，其應該引起英國國防部的重視，并參與部隊發展和國防轉型，英國國防部需要明確其機構與人工智能相關的要素并采取相應行動，以在后續執行和交付方面發揮關鍵作用。

三、發展途徑

**一是英國國防部需要轉變為“人工智能就緒”的組織。**具體措施是：1）推動文化、技能和政策變革，培訓領導人，提高人員技能，并加強國防人工智能和自主部門的組織能力；2）創建國防人工智能技能框架和新的人工智能職業發展和晉升路徑；3）將數據視為關鍵戰略資產進行管理和應用，建設新的數字主干網絡和國防人工智能中心。

**二是在速度和規模上采用和利用人工智能，以獲得防御優勢。**具體措施是：1）將人工智能視為能力戰略和部隊發展過程中戰略優勢的關鍵來源；2）短期路線采用成熟的數據科學、機器學習和先進的計算統計技術提升效果和生產力，長期路線進行尖端人工智能技術研發；3）采用多學科多技術將人類認知、創造力和責任與機器速度分析能力相結合以評估人工智能系統的脆弱性和威脅；4）與盟友和伙伴密切合作開發創新能力解決方案以應對共同的挑戰。

**三是推動和支持英國國防和安全人工智能生態系統。**具體措施是：1）通過英國工業和學術人工智能的雄厚基礎以及政府的支持建立信心并明確要求；2）視人工智能生態系統為戰略資產，消除行業壁壘，建立更具活力和一體化的伙伴關系；3）促進行業聯系建立新的國防和國家安全人工智能網絡，促進人才交流和共創，鼓勵業界投資國防相關的人工智能研發，并簡化國防數據和資產的獲取。4）促進中小企業，使監管方法現代化，支持業務增長并最大限度地利用國防人工智能相關知識產權促進相關技術商業化。

**四是塑造全球人工智能發展，以促進安全、穩定和民主價值觀。**具體措施是：1）按照英國的目標和價值觀塑造人工智能的發展，促進倫理方法，并影響符合民主價值觀的全球規范和標準；2）促進安全與穩定，確保英國的技術進步得到適當保護，同時探索建立信心和將軍事人工智能使用風險降至最低的機制；3）考慮可能出現的極端甚至事關生存的風險，并積極與盟友和合作伙伴接觸，制定未來的安全政策，尋求建立對話，以降低戰略錯誤、誤解和誤判的風險。

四、優先效果

通過采用人工智能技術實現本戰略目標，使英國武裝部隊實現現代化，并迅速從工業時代的聯合部隊過渡到敏捷信息時代的綜合部隊，國防部將受益于效率和生產率的提高，其期望的優先效果如下：

決策優勢：通過更充足、更分散的決策制定和基于威脅的機器快速響應，提高作戰節奏和靈活性。

效能：通過智能自主提高靈活性、效能和可用性。

解鎖新能力：通過開發新的作戰方式確保作戰優勢，增強軍事效果，保護人民免受傷害。

武裝部隊：減輕部隊負擔，并將人類決策集中在基于獨創性、背景思維和判斷力的高價值職能上。

五、戰略綜述總結****

**六、**結束語

人工智能必須成為未來必不可少的技術，其也促使著英國國防部改變對現代技術的看法，調整其技術方向和戰略需求，全面擁抱世界領先的人工智能解決方案和能力，推進其國防業務中觀念、文化、規劃和交付方面的持久變化，并將其作為國防戰略融入國防領域，以確保英國軍隊成為敏捷信息時代的綜合部隊。

編譯：船の心

END

世界軍事電子領域2021年度十大進展

軍事電子領域

引言

軍事規劃人員往往只關注個體能力的發展，而不考慮他們如何與國家其他部隊協同工作，更不用說盟軍了。與任何優秀的交響樂團一樣，協調這些能力需要一個世界級的指揮家。指揮和控制（C2）系統及其操作員在軍事上相當于指揮家的角色。直觀地說，改進的C2系統可以提高作戰效率和效力，相當于交響樂團更迅速地演奏，并努力爭取完美的表演。然而，什么才是真正的C2改進，如何評判這種改進？是不是簡單地說，如果在戰略層面的成本/效益比得到改善，同時控制相同的效果交付工具，就可以認為新的C2系統更好，還是改進涉及更多的方面？這種改進的主要因素可能是整體速度的提高和友軍減員的降低。假設兩個相互競爭的系統在戰術層面上一對一的公平決斗的結果是相對統計學上的拋硬幣，這種公平的平衡需要受到從戰術層面到戰略層面所獲得的優勢影響。下面將探討一些選項的好處及弊端。

態勢感知

一種扭曲平衡和改善單個系統交付效果的方法是實現比對立系統更好的態勢感知 (SA)，這應該能夠實現優化和更快的決策。這就要求在每個過程（如計劃、部署、交戰）中都能及時獲得所有必要的信息，以創造優勢。這通常也被稱為信息優勢。北約及其國家可利用來自各個領域的大量主動和被動傳感器（包括技術和人力），產生了大量的數據。接下來的步驟是將數據轉換為信息，然后可能轉換為知識，接著是將其傳播給所需的用戶。假設國家來源的數據和信息的持續共享，需要決定什么可以、將必須被傳遞，以及傳遞給誰。在傳輸之前，知識到信息的轉換需要信任，但也需要在為多個用戶服務時利用較少的帶寬以節省時間。應用于數字內容的信任有時被稱為電子信任。然而，這減少了地方指揮官/操作者進行背景分析的選擇，這反過來又強調了對數據/信息真實性的需求。此外，可用的數據/信息越多，就越需要確定 "什么是相關的 "以創造優勢。實際上，這只能在接近收集點時進行，除非客戶確切知道他實際需要什么。隨著可用材料數量的不斷增加，再加上通過現有網絡分銷的瓶頸，這種可能性變得越來越小。此外，隨著數據量的增加，對計算機化分析支持的實際需求也在增加，這對于檢測、分類、識別和相關數據的分類都是如此。這就是不斷發展的人工智能（AI）、大數據、深度學習和量子計算等領域可以幫助提高速度和效率的地方。

這種增強的效率也有其缺點。我們不僅要思考和處理新類型的錯誤信息，因為它對人工智能的意義與對人類操作者的意義不同，而且還需要對錯誤信息的潛在最終接受者進行相應的培訓。人類的決策過程基于兩種類型的推理：1）更耗時的深思熟慮的推理；2）常規決策的自動推理。研究表明，人類在與自動化系統互動時，傾向于使用更多的自動推理。系統越快，操作者就越不可能慎重推理。關于殺手機器人的辯論圍繞著自動或自主決策展開，在使用致命武力時缺乏有意義的人類控制。這可以通過將這些決定權留在人類手中來避免。然而，如果操作者沒有經過良好的訓練，在某些情況下，結果可能沒有什么區別。

以地基防空和導彈防御（SBAMD）系統為例，外部提示數據允許優化排放控制，因此，輻射檢測較晚，電子對抗措施較少。這也支持優化攔截點和采用先進的火力控制概念，如遠程交戰或發射。然而，在伊拉克自由戰中，SBAMD部隊發生了幾起自相殘殺事件后，美國國防部的一份報告指出有三個不足之處，導致了這些有時是致命的情況。首先，關鍵的識別系統表現不佳；其次，防空系統嚴重缺乏安全保障；第三，SBAMD的作戰概念與實際作戰條件不符，但操作人員卻被訓練成信任該系統。這支持了這樣一種觀點，即技術方案需要與作戰要求同時進行，最重要的是，需要進行充分的培訓。

多域環境中的系統體系

軍事行動的總體效果取決于所使用的能力和其使用的方式。加強其中之一肯定會改善結果。然而，僅僅優化現有的能力和程序以達到必要的效果會有局限性，例如技術上的限制或程序上的不足。這可能需要開發全新的方法或能力。最后，新方法或性能力需要提供預期的效果，同時保持對突發情況的穩健。

一對一或一對多的交戰是每一次軍事對抗中的單個拼圖，然而，總體目的是在使用軍事力量時實現預期的最終戰略狀態。除了單個系統的有效性，軍事行動的藝術是協同使用選定的軍事力量以創造整體優勢。在作戰/戰術層面，目標是盡可能地協同使用各個系統。近幾十年來，顯著增加的態勢感知（SA）使軍事行動從更注重消耗的方法轉向更注重效果的方法。此外，軍事力量網絡化的能力使聯合和合成作戰越來越有活力。在目前的北約作戰中，一個聯合部隊分部領導各個領域的組成部分（如聯合部隊航空分部），這些組成部分在各自的領域提供能力。例如，這就需要聯合部隊對目標和受保護的資產進行強有力的聯合協調，同時仍然采用以領域為中心的方式來關注效果交付本身。在這方面，一個由空中部門領導的SBAMD單位可以為陸地部門要求的資產提供掩護，或者為攻防一體化接受陸地或海軍的支持。盡管進行了聯合協調，但領域規劃仍主要停留在領域分部層面。獲得優勢的一種方法是比對手的規劃周期更快規劃和執行，不讓對手有機會獲得最佳執行。我們所有可用的效果，將有助于把問題空間轉化為我們所期望的最終狀態，可以被視為解決方案空間，整體SA越好，軍事規劃者就越能定義和理解問題空間。當從效果方面考慮時，需要最大限度地提高應用某種方法或能力的預期成功幾率。有兩種方法可以實現這一點：使用新的武器，如高超音速滑翔飛行器，通過利用對手的能力差距來保證高成功概率，或者通過結合一個或多個領域的各種能力來削弱有效的反制措施。每一個交付的效果都會改變我們的問題空間，從而對我們的規劃產生后續影響。目前，空戰和相關的空中任務指令通常以72小時為周期進行規劃和執行，以便適應問題空間的變化。在現有網絡和現代軟件工具的支持下，通過在聯合層面上對問題和解決方案空間的最佳認識，這一過程可以被簡化，以減少規劃周期長度，并包括更有力地利用多個領域能力來實現一個目標的解決方案，而不需要廣泛的協調。

此外，在多效應任務中，支持單位和被支持單位之間的關系應該變得更加靈活，因為所選擇的指揮關系結構可以是臨時的、取決于效應的，而不是以任務為中心的長期關系。這種更加集中的規劃和分布式的執行，將進一步把領域內的組成部分轉變為主要是能力保管者和效果提供者。軍事決策空間將在C2層次中向上移動，最低級別的軍事實體規劃成為強大效果的提供者或貢獻者，而強大必須從多領域的角度來定義。這可能也會影響到哪些國家以及如何向北約作戰派遣部隊，因為臨時的、靈活的部隊規劃可能會受到國家紅牌持有者概念的阻礙。對于戰術層面的執行，變化的程度取決于戰術能力在影響戰斗空間和提供更廣泛效果方面的通用性。高度機動的航空資產，特別是那些擁有各種有效載荷的資產，可以比以前更加靈活和有效地使用。一般來說，SBAMD系統將大大受益于改進的SA，導致優化的射擊和排放控制理論，更好的分層防御的射擊管理和整體上更好地利用防御庫存。然而，單位的機動性水平將對靈活使用決策的附加值產生重大影響。長程SBAMD部隊的機動性相對較低，這將不允許非常快速的長距離重新部署以應對臨時的任務變化。然而，短程SBAMD部隊具有較高的機動性，將能夠以更靈活的方式提供覆蓋。在聯合層面上，隨著SA的大幅增加以及規劃和執行工具的增強（如AI功能），有可能使類似于全域聯合作戰的結構成為現實。反過來，這可以使規劃到執行的周期更快，讓對手陷入多域的困境，并集中精力采用基于效果的方法來實現預期的最終狀態。盡管聽起來很有希望，但這種方法至少有兩個必須考慮的弊端。

弊端：C2依賴技術結構

在新技術成就的基礎上發展新的C2結構并不是一個原創的想法。我們可以假設我們的潛在對手正在研究類似的概念，同時他們也在加快作戰節奏。保持足夠的SA以充分了解問題空間將變得更加復雜。此外，我們的決策周期必須不斷加快，以便能夠向對手的規劃過程注入影響。由于在處理速度方面，使用人類操作員本身就是一個限制因素，新的C2結構必須越來越多地依賴技術解決方案。這可能會導致軍事上的技術奇點、戰場奇點，即人類的認知不再能跟上機器的速度。因此，在計算機、人工智能或深度學習的幫助下開始加速未來戰爭的進程，我們必須意識到對整個進程的后果。此外，我們的倫理和司法框架也必須解決這個難題。暫時讓我們考慮一下，這個挑戰是可以應對的，并創造一個未來戰爭可行的C2結構。人類行為者/操作者，從政治/戰略層面到戰術層面，都需要適應并訓練在這樣的環境中發揮作用。以快節奏、多領域的效果來思考問題，需要專業的、有能力的人員。由于從工程角度來看，針對現有能力的開發比較容易，因此可以假設未來的對手會設計一些方案來中斷或否定這種新環境。例如，對手可以使用量子計算來破譯我們的安全通信，這將大大影響數據/信息的可用性、可信賴和保密性。因此，需要準備、提供和演練一項應急計劃。這個應急計劃不僅需要提供用于規劃、執行和通信的后備技術，而且還需要保持熟練掌握未來和當前C2結構的人員能力。由于軍事設備和可用時間有限，這可能成為資源管理的一個挑戰。目前的一個例子是我們對定位、導航和定時（PNT）系統的依賴，如全球定位系統（GPS）。因此，士兵們需要能夠利用PNT的好處，認識到干擾的可能性，但也要保留在沒有GPS的情況下執行任務的能力。在SBAMD領域，GPS干擾的一個很好的例子是，在沒有PNT服務的情況下，要準確安置傳感器和射手以進行正確的交戰，并提供一個明確的空中畫面。因此，有無GPS的兩種方法都必須不斷地進行實踐。然而，在未來復雜的C2系統中，對技術解決方案的依賴程度越來越高，也有類似的問題。整個系統需要準備好在任何情況下都能發揮作用。未來C2結構的基礎技術越強大，從核心（如情報、監視和偵察平臺或規劃/執行工具）到使能系統（如通信網絡或PNT）都包括在內，我們就越不需要考慮遺留問題；但這將是昂貴和費時的。系統的穩健性被定義為在特殊輸入或壓力條件下的正常運行，只能針對目前可以想象的所有條件和輸入進行測試。因此，穩健性需要不斷地重新評估和不斷地維護，特別是在一個快速發展的環境中。

結論

技術創新一直使軍事戰爭得到改進。然而，若僅僅因為技術上是可行的，這并不意味著它可以被輕松地納入，或沒有副作用。優化的SA和更有能力的工具總是能讓我們更好更快地規劃和執行。然而，這種能力需要在所有預期的情況下盡可能地強大，并有適當的后備方案作為支持。所有人員都必須在這兩個世界中得到充分的教育和訓練，并能夠在兩者之間無縫切換。此外，由于技術支持而提高的軍事行動速度，必須在道德和法律框架內與人的能力保持平衡。系統越是復雜，就越需要強調在不斷發展的環境中保持穩健和彈性。這不是一次性采購C2工具包的問題，而是系統的不斷發展和對各級操作人員進行必要的教育和培訓。給管弦樂隊一些新的樂器或新的指揮，肯定需要微調、持續的排練和真正的表演審查，總是有一個后備選項來復制熟悉的質量標準以滿足聽眾的期望。

然而，在選擇進化我們的C2系統的道路上，沒有真正的選擇，因為潛在的對手也會這樣做，從而有可能獲得決定性的、難以匹敵的優勢。潛在的專制對手在使用新興技術（如人工智能、深度學習）方面的法律和道德約束可能要少得多，因此可以不受限制地發揮這些能力。因此，我們的系統不僅需要跟上這一步伐，還需要有能力用其他手段彌補使用限制，讓我們保持競爭力。

作者：

安德烈亞斯-施密特中校：1993年加入德國空軍。在軍官學校學習后，他在慕尼黑的德國武裝部隊大學學習計算機科學。自1998年以來，他在地基防空，特別是 "愛國者 "武器系統方面建立了廣泛的背景。他開始擔任戰術控制官，隨后在不同的 "愛國者 "部隊中擔任偵察官、炮臺執行官和炮臺指揮官。此外，他在德克薩斯州的布利斯堡有兩個不連續的任務。他第一次任務的主要是為德國PATRIOT辦公室進行戰術層面的武器系統行為的美國和歐盟雙邊研究。在他的第二次任務中，他是德國空軍防空中心的綜合防空和導彈防御的主題專家（SME）。在這之間，他曾在前空軍分部擔任A3C的任務。目前，他是JAPCC的綜合防空和導彈/彈道導彈防御SME。

序言

指揮、控制和通信（C3）系統是所有軍事作戰的基礎，為國防部（DoD）的所有任務提供計劃、協調和控制部隊和作戰所需的關鍵信息。歷史上，美軍取得并保持了C3技術的主導優勢，但同行的競爭者和對手已經縮小了差距。國防部目前的C3系統沒有跟上威脅增長的步伐，也沒有滿足我們聯合作戰人員不斷增長的信息交流需求。聯合部隊必須配備最新的C3能力，為所有領域提供實時態勢感知和決策支持。

未來的沖突很可能由信息優勢決定，成功的一方將來自多個領域的分布式傳感器和武器系統的大量數據轉化為可操作的信息，以便更好、更快地做出決策并產生精確的效果。國防部（DoD）正在執行一項重點工作，通過綜合和同步的能力發展，在所有領域迅速實現靈活和有彈性的指揮和控制（C2），以確保對我們的對手的作戰和競爭優勢。這項工作被稱為聯合全域指揮與控制（JADC2），是決策的藝術和科學，將決策迅速轉化為行動，利用所有領域的能力并與任務伙伴合作，在競爭和沖突中實現作戰和信息優勢。JADC2需要新的概念、科學和技術、實驗以及多年的持續投資。

該戰略代表了國防部對實施國防部數字化現代化戰略中C3部分的設想，并為彌合今天的傳統C3使能能力和JADC2之間的差距提供了方向。它描述了國防部將如何創新以獲得競爭優勢，同時為完全網絡化的通信傳輸層和先進的C2使能能力打下基礎，以使聯合全域作戰同步應對21世紀的威脅。該戰略的重點是保護和保持現有的C3能力；確保美國、盟國和主要合作伙伴在需要的時候能夠可靠地獲得關鍵信息；提供無縫、有彈性和安全的C3傳輸基礎設施，使聯合部隊在整個軍事作戰中更具殺傷力。這一戰略的實施需要在作戰領域內和跨作戰領域內同步進行現代化工作，從完美的解決方案過渡到一個高度連接的、敏捷的和有彈性的系統。

本文件確定的目標為DOD的C3系統和基礎設施的現代化提供了明確的指導和方向。然而，現代化并不是一個終點，而是一項持續的工作。國防部將評估和更新該戰略，以適應在通往JADC2道路上的新的作戰概念和技術。

引言

美國防部正面臨著幾十年來最復雜和競爭激烈的全球安全環境。在這個大國競爭的新時代，國防部必須提高聯合作戰人員的殺傷力，加強聯盟伙伴關系，吸引新的合作伙伴，并改革國防部以提高績效和經濟效益。

當我們建立一支更具殺傷力的部隊并加強聯盟和伙伴關系時，DOD必須專注于關鍵的有利工具，以有效地運用聯合多國部隊對抗大國競爭。有效的部隊使用始于有效的C2，即由適當指定的指揮官在完成任務的過程中對指定和附屬部隊行使權力和指導。在現代戰爭中，這可能是人對人、機器對機器（M2M）的循環，或者隨著自主程度的提高，M2M的循環中也有人類。在其最基本的層面上，成功的C2需要有可靠的通信、發送和接收信息的手段，以及其他處理和顯示可操作信息的能力，以幫助指揮官進行決策并取得決定性的信息優勢。

圖1：指揮、控制和通信現代化

該戰略的重點是支持有效的聯合和多國作戰的C3使能能力（圖1）。C3使能能力由信息整合和決策支持服務、系統、流程以及相關的通信運輸基礎設施組成，使其能夠對指定和附屬的部隊行使權力和指導。這些能力使指揮官和決策者能夠迅速評估、選擇和執行有效的作戰方案以完成任務。

具體而言，該戰略為2020-2025年的C3使能能力現代化提供了方法和實施指南。作為2018年國防戰略（NDS）實施的一部分，聯合參謀部正在制定聯合和任務伙伴網絡的工作概念，以便在有爭議的環境中執行全域聯合作戰。根據這些概念，負責研究和工程開發的國防部副部長辦公室（OUSD(R&E)）正在開發和發展一個長期的（2024年及以后）全網絡化指揮、控制和通信（FNC3）架構。實施這些未來的概念和架構將需要時間來使得新的技術和多年的投資成熟可用。這個C3現代化戰略為彌合今天的傳統C3使能能力和未來的FNC3使能JADC2之間的差距提供了方向，以確保聯合部隊能夠 "今晚作戰（fight tonight）"，同時為聯合全域作戰所需的未來技術創造一個可行的過渡路徑。

戰略目標

本戰略提出的C3現代化目標與國防部數字化現代化戰略（DMS）和其他更高層次的指導意見相一致，包括國家發展戰略、國防部2018年網絡戰略、聯合作戰的基石概念：《聯合部隊2030》和《國防規劃指南》。它實施近期的現代化作戰和創新解決方案，通過更安全、有效和高效的C3環境提供競爭優勢。為此，國防部必須解決這些C3現代化的目標：

1.開發和實施敏捷的電磁頻譜操作；

2.加強定位、導航和授時信息的交付、多樣性和彈性；

3.加強國家領導指揮能力；

4.提供綜合的、可互操作的超視距通信能力；

5.加速和同步實施現代化的戰術通信系統；

6.全面建立和實施國防部公共安全通信生態系統；

7.創造一個快速發展5G基礎設施和利用非美國5G網絡的環境；

8.提供有彈性和響應的C2系統；9.提供任務伙伴環境能力。提供任務伙伴環境能力和服務。

圖2：DOD數字現代化戰略

圖3：DOD C3現代化和數字現代化戰略的一致性

圖2和圖3分別顯示了本戰略中實施的DMS要素以及兩個戰略之間的目標和目的的一致性。

DOD C3依賴于一個復雜的、不斷發展的系統，從網絡基礎設施和核心服務到戰術邊緣的手持無線電和移動設備。本戰略中包含的九個目標是對圖2中強調的六個DMS目標的更細粒度的分解。C3現代化的其他關鍵因素包括聯合信息環境能力目標、數據中心化和數據分析，分別包含在DMS、國防部云戰略和國防部人工智能戰略中。有效的國防部事業管理將確保這些戰略的成功同步和實施。

人工智能是有望改變未來幾年戰爭面貌的眾多熱門技術之一。描述其可能性并警告那些在人工智能競賽中落后的人的文章比比皆是。美國防部已經創建了聯合人工智能中心，希望能在人工智能的戰斗中獲勝。人工智能的愿景是使自主系統能夠執行任務、實現傳感器融合、自動化任務以及做出比人類更好、更快的決策。人工智能正在迅速改進，在未來的某一天，這些目標可能會被實現。在此期間，人工智能的影響將體現在我們軍隊在無爭議的環境中執行的更平凡、枯燥和單調的任務上。

人工智能是一種快速發展的能力。學術界和工業界的廣泛研究正在縮短系統訓練時間并獲得越來越好的結果。人工智能在某些任務上很有效，例如圖像識別、推薦系統和語言翻譯。許多為這些任務設計的系統今天已經投入使用，并產生了非常好的結果。在其他領域，人工智能非常缺乏人類水平的成就。其中一些領域包括處理人工智能以前從未見過的場景；理解文本的上下文（理解諷刺，例如）和對象；和多任務處理（即能夠解決多種類型的問題）。今天的大多數人工智能系統都被訓練來完成一項任務，并且只在非常特定的情況下這樣做。與人類不同，它們不能很好地適應新環境和新任務。

人工智能模型每天都在改進，并在許多應用中顯示出它們的價值。這些系統的性能可以使它們在信息戰中展示出非凡的能力，諸如在衛星圖像中識別 T-90 主戰坦克、使用面部識別識別人群中的高價值目標、為開源情報翻譯文本以及文本生成等任務。人工智能最成功的應用領域是那些有大量標記數據的領域，如 Imagenet、谷歌翻譯和文本生成。 AI 在推薦系統、異常檢測、預測系統和競技游戲等領域也非常有能力。這些領域的人工智能系統可以幫助軍方在其承包服務中進行欺詐檢測，預測武器系統何時因維護問題而失效，或在沖突模擬中制定制勝策略。所有這些應用程序以及更多應用程序都可以成為日常操作和下一次沖突中的力量倍增器。

人工智能在軍事應用方面的不足

當軍方希望將人工智能在這些任務中的成功經驗納入其系統時，必須承認一些挑戰。首先是開發人員需要獲得數據。許多人工智能系統是使用由一些專家系統（例如，對包括防空炮臺的場景進行標注），通常是人類標注的數據進行訓練。大型數據集通常由采用人工方法的公司進行標注。獲得這種數據并分享它是一個挑戰，特別是對于一個喜歡對數據進行分類并限制其訪問的組織來說。一個軍事數據集的例子可能是由熱成像系統產生的圖像，并由專家進行標注，以描述圖像中發現的武器系統（如果有的話）。如果不與預處理器和開發人員共享，就無法創建有效使用該數據集的人工智能。人工智能系統也很容易變得非常大（因此很慢），并因此容易受到 "維度問題 "的影響。例如，訓練一個系統來識別現有的每一個可能的武器系統的圖像將涉及成千上萬的類別。這樣的系統將需要大量的計算能力和在這些資源上的大量專用時間。而且由于我們正在訓練一個模型，最好的模型需要無限量的這些圖像才能完全準確。這是我們無法實現的。此外，當我們訓練這些人工智能系統時，我們經常試圖強迫它們遵循 "人類 "的規則，如語法規則。然而，人類經常忽視這些規則，這使得開發成功的人工智能系統在情感分析和語音識別等方面具有挑戰性。最后，人工智能系統在沒有爭議的、受控的領域可以很好地工作。然而，研究表明，在對抗性條件下，人工智能系統很容易被愚弄，導致錯誤。當然，許多國防部的人工智能應用將在有爭議的空間運作，如網絡領域，因此，我們應該對其結果保持警惕。

忽略敵人在人工智能系統方面的努力，其靠此擊敗我們，因為這些看似超人類的模型也有局限性。人工智能的圖像處理能力在給定不同于其訓練集的圖像時并不十分強大--例如，照明條件差、角度不對或部分被遮擋的圖像。除非這些類型的圖像在訓練集中，否則模型可能難以（或無法）準確識別內容。幫助我們信息戰任務的聊天機器人僅限于數百個字，因此不能完全取代一次可以寫幾頁的人類。預測系統，如IBM的Watson天氣預測工具，由于它們試圖模擬的系統復雜性，在維度問題和輸入數據的可用性方面很困難。研究可能會解決其中的一些問題，但很少有問題會像預測或期望的那樣迅速得到解決。

人工智能系統的另一個弱點是他們沒有能力進行多任務處理。人類有能力識別敵方車輛，決定對其采用何種武器系統，預測其路徑，然后與目標交戰。這套相當簡單的任務目前對人工智能系統來說是不可能完成的。充其量，可以構建一個人工智能的組合，將個別任務交給不同的模型。這種類型的解決方案，即使是可行的，也會帶來巨大的傳感和計算能力的成本，更不用說系統的訓練和測試了。許多人工智能系統甚至沒有能力在同一領域內轉移他們的學習。例如，一個被訓練來識別T-90坦克的系統很可能無法識別中國的99式坦克，盡管它們都是坦克，而且都是圖像識別任務。許多研究人員正在努力使系統能夠轉移他們的學習，但這樣的系統離實際應用還有長久的時間。

人工智能系統在理解輸入和輸入中的背景方面也非常差。人工智能識別系統并不理解圖像是什么，它們只是學習圖像像素的紋理和梯度。給予具有這些相同梯度的場景，人工智能很容易錯誤地識別圖片的一部分。這種缺乏理解的情況可能會導致作出錯誤分類，例如將湖面上的一艘船識別為BMP，但人類缺不會。

這導致了這些系統的另一個弱點--無法解釋它們是如何做出決定的。人工智能系統內部發生的大部分事情都是一個黑盒，人類幾乎無法理解系統是如何做出決定的。這對于高風險的系統來說是一個關鍵問題，比如那些做出參與決定的系統，或者其輸出可能被用于關鍵決策過程的系統。對一個系統進行審計并了解其犯錯原因的能力在法律上和道德上都很重要。此外，在涉及人工智能的情況下，我們如何評估責任的問題是一個公開研究點。最近，新聞中出現了許多例子，人工智能系統在貸款審批和假釋決定等領域基于隱藏的偏見做出了糟糕的決定。不幸的是，關于可解釋的人工智能的工作多年來一直沒有取得成果。

人工智能系統也很難區分相關性和因果關系。經常用來說明兩者區別的臭名昭著的例子是溺水死亡和冰激凌銷售之間的相關性。一個人工智能系統得到了關于這兩個項目的統計數據，卻不知道這兩個模式之所以相關，只是因為兩者都是天氣變暖的結果，并可能得出結論，為了防止溺水死亡，我們應該限制冰淇淋的銷售。這類問題可能表現在一個軍事欺詐預防系統中，該系統被告知按月采購的數據。這樣一個系統可能會錯誤地得出結論，認為9月份的欺詐行為會隨著支出的增加而增加，而實際上這只是年終消費習慣的一個結果。

即使沒有這些人工智能的弱點，軍方目前應該關注的主要領域是對抗性攻擊。我們必須假設，潛在的對手將試圖愚弄或破解我們使用的任何可獲得的人工智能系統。將試圖愚弄圖像識別引擎和傳感器；網絡攻擊將試圖躲避入侵檢測系統；后勤系統將被輸入篡改的數據，用虛假的需求堵塞供應線。

對抗性攻擊可分為四類：規避、推理、中毒和提取。事實證明，這些類型的攻擊很容易完成，通常不需要計算技能。逃避攻擊試圖愚弄人工智能引擎，往往是希望避免被發現--例如，隱藏網絡攻擊，或說服傳感器相信一輛坦克是一輛校車。未來的主要生存技能可能是躲避人工智能傳感器的能力。因此，軍方可能需要開發一種新型的人工智能偽裝，以擊敗人工智能系統，因為事實證明，簡單的混淆技術，如戰略性的膠帶放置，可以愚弄人工智能。逃避攻擊通常是通過推理攻擊進行的，推理攻擊可以獲得關于人工智能系統的信息，這些信息可以用來實現逃避攻擊。中毒攻擊的目標是訓練期間的人工智能系統，以實現其惡意的意圖。這里的威脅將是敵人獲得用于訓練我們工具的數據集。可能會插入誤標的車輛圖像以愚弄目標系統，或篡改維護數據，旨在將即將發生的系統故障歸類為正常操作。考慮到我們的供應鏈的脆弱性，這將不是不可想象的，而且很難發現。提取攻擊利用對人工智能界面的訪問來了解人工智能的運行情況，從而創建一個系統的平行模型。如果我們的人工智能不被未經授權的用戶所保護，那么這些用戶可以預測我們的系統所做的決定，并利用這些預測為自己服務。人們可以設想對手預測人工智能控制的無人系統將如何應對某些視覺和電磁刺激，從而影響其路線和行為。

軍事人工智能應用的發展之路

人工智能在未來的軍事應用中肯定會有作用。它有許多應用領域，它將提高工作效率，減少用戶的工作量，并比人類更迅速地運作。正在進行的研究將繼續提高其能力、可解釋性和復原力。軍隊不能忽視這項技術。即使我們不擁有它，但我們的對手肯定會發展AI，我們必須有能力攻擊和擊敗他們的AI。然而，我們必須抵制這種重新崛起的技術誘惑。將脆弱的人工智能系統放置在有爭議的領域，并讓它們負責關鍵的決策，這將為災難性的結果打開了機會。在這個時候，人類必須繼續負責關鍵決策。

鑒于我們暴露的人工智能系統被攻擊的概率很高，以及目前人工智能技術缺乏彈性，投資軍事人工智能的最佳領域是那些在沒有爭議的領域運作的人工智能。由人類專家密切監督或具有安全輸入和輸出的人工智能工具可以為軍隊提供價值，同時減輕對漏洞的擔憂。這類系統的例子有醫學成像診斷工具、維修故障預測應用和欺詐檢測程序。所有這些都可以為軍隊提供價值，同時限制來自對抗性攻擊、有偏見的數據、背景誤解等等的風險。這些并不是由世界上的人工智能推銷員贊助的超級工具，但卻是最有可能在短期內獲得成功的工具。

作者信息

保羅-麥克斯韋中校（退役）是美國軍事學院陸軍網絡研究所的計算機工程網絡研究員。他在服役的24年中曾是網絡和裝甲部隊的軍官。他擁有科羅拉多州立大學的電子工程博士學位。

所表達的觀點僅代表作者本人，不反映美國軍事學院、陸軍部或國防部的官方立場。

機器學習是現代戰爭系統的關鍵組成部分。本文探討了人工智能的 7 個關鍵軍事應用。

機器學習已成為現代戰爭的重要組成部分，也是我（Nicholas Abell）作為陸軍退伍軍人和數據科學家的主要興趣點。與傳統系統相比，配備人工智能/機器學習的軍事系統能夠更有效地處理大量數據。此外，人工智能由于其固有的計算和決策能力，提高了作戰系統的自我控制、自我調節和自我驅動能力。

人工智能/機器學習幾乎被部署在所有軍事應用中，軍事研究機構增加研發資金有望進一步推動人工智能驅動系統在軍事領域的應用。

例如，美國國防部 (DoD) 的國防高級研究計劃局 (DARPA) 正在資助一種機器人潛艇系統的開發，該系統預計將用于從探測水下水雷到參與反潛行動的各種應用。此外，美國國防部在 2017 財年在人工智能、大數據和云計算方面的總體支出為 74 億美元。預計到 2025 年，軍事 ML 解決方案的市場規模將達到 190 億美元。

以下是機器學習將在未來幾年證明其重要性的七種主要軍事應用。

1. 作戰平臺

來自全球不同國家的國防軍隊正在將人工智能嵌入陸地、海軍、空中和太空平臺上使用的武器和其他系統中。

在基于這些平臺的系統中使用人工智能，可以開發出更少依賴人工輸入的高效作戰系統。它還增加了協同作用，提高了作戰系統的性能，同時需要更少的維護。人工智能還有望使自主和高速武器能夠進行協作攻擊。

2. 網絡安全

軍事系統通常容易受到網絡攻擊，這可能導致機密軍事信息丟失和軍事系統損壞。然而，配備人工智能的系統可以自主保護網絡、計算機、程序和數據免受任何未經授權的訪問。

此外，支持人工智能的網絡安全系統可以記錄網絡攻擊的模式，并開發反擊工具來應對它們。

3. 物流運輸

人工智能有望在軍事后勤和運輸中發揮關鍵作用。貨物、彈藥、武器和部隊的有效運輸是成功軍事行動的重要組成部分。

將人工智能與軍事運輸相結合可以降低運輸成本并減少人力工作負荷。它還使軍用艦隊能夠輕松檢測異常并快速預測組件故障。最近，美國陸軍與 IBM 合作，使用其 Watson 人工智能平臺來幫助預先識別 Stryker 戰車的維護問題。

4. 目標識別

正在開發人工智能技術以提高復雜戰斗環境中目標識別的準確性。這些技術使國防軍隊能夠通過分析報告、文檔、新聞提要和其他形式的非結構化信息來深入了解潛在的作戰領域。此外，目標識別系統中的人工智能提高了這些系統識別目標位置的能力。

支持人工智能的目標識別系統能力包括基于概率的敵人行為預測、天氣和環境條件匯總、潛在供應線瓶頸或漏洞的預測和標記、任務方法評估以及建議的緩解策略。機器學習還用于從獲得的數據中學習、跟蹤和發現目標。

例如，DARPA 的競爭環境中的目標識別和適應 (TRACE) 計劃使用機器學習技術在合成孔徑雷達 (SAR) 圖像的幫助下自動定位和識別目標。

5. 戰場醫療

在戰區，人工智能可以與機器人手術系統 (RSS) 和機器人地面平臺 (RGP) 集成，以提供遠程手術支持和疏散活動。美國尤其參與了 RSS、RGP 和其他各種用于戰場醫療保健的系統開發。在困難條件下，配備人工智能的系統可以挖掘士兵的病歷并協助進行復雜的診斷。

例如，IBM 的 Watson 研究團隊與美國退伍軍人管理局合作開發了一種稱為電子病歷分析器 (EMRA) 的臨床推理原型。這項初步技術旨在使用機器學習技術來處理患者的電子病歷，并自動識別和排列他們最嚴重的健康問題。

6. 戰斗模擬與訓練

模擬與訓練是一個多學科領域，它將系統工程、軟件工程和計算機科學結合起來構建計算機模型，使士兵熟悉在軍事行動中部署的各種作戰系統。美國正在越來越多地投資于模擬和訓練應用。

美國海軍和陸軍都在進行戰爭分析，啟動了幾個傳感器模擬程序項目。美國海軍已經招募了 Leidos、SAIC、AECOM 和 Orbital ATK 等公司來支持他們的計劃，而美國陸軍的計劃得到了包括 SAIC、CACI、Torch Technologies 和 Millennium Engineering 在內的公司的支持。

7. 威脅監控和態勢感知

威脅監控和態勢感知在很大程度上依賴于情報、監視和偵察 (ISR) 工作。ISR 行動用于獲取和處理信息以支持一系列軍事活動。

用于執行 ISR 任務的無人系統既可以遠程操作，也可以按照預先定義的路線發送。為這些系統配備人工智能有助于防御人員進行威脅監控，從而提高他們的態勢感知能力。

具有集成 AI 的無人駕駛飛行器 (UAV) - 也稱為無人機 - 可以巡邏邊境地區，識別潛在威脅，并將有關這些威脅的信息傳輸給響應團隊。因此，使用無人機可以加強軍事基地的安全，并提高軍事人員在戰斗中或偏遠地區的安全性和效率。

結論

人工智能在軍事技術硬件和軟件的大規模采用，向我們展示了現代戰爭中令人難以置信和可怕的范式轉變。毫不奇怪，世界上最大的軍隊比其他任何事情都更加關注這項技術，而這場技術競賽的獲勝者可能會比美國在研制原子彈后擁有更多的全球影響力。 （作者：Nicholas Abell，美國陸軍退伍軍人）

摘要

如今，隨著技術飛速發展和威脅環境變得更加復雜，在信息爆炸的局面下，作戰人員面臨著具有挑戰性的決策空間。人工智能(AI)和機器學習(ML)可以減輕作戰人員負荷。人工智能系統具有深遠的好處——提高態勢感知能力，檢測威脅，理解對手的能力和意圖;確定和評估可能的戰術行動方針;并提供方法來預測行動決策的結果和影響。人工智能系統是理解和解決高度復雜的戰術情況的關鍵。

人工智能系統為作戰人員提供了優勢，但前提是這些系統被正確設計和實施，并且以減輕作戰人員的認知負荷的方式。為國防應用實施人工智能系統帶來了獨特的挑戰。本文確定了四個獨特的挑戰，并描述了它們如何影響戰術作戰人員、工程設計界和國防。本文通過國防采辦和系統工程計劃，為解決這些獨特的挑戰提供了解決方案。

作者簡介：

Bonnie Johnson——在海軍工程研發方面擁有超過 25 年的領導和系統工程經驗。她曾是 SAIC 和諾斯羅普·格魯曼公司的高級系統工程師，研究用于海戰系統和導彈防御能力的自動決策輔助。她于 2011 年加入美國海軍研究生院 (NPS) 系統工程系。她擁有 NPS 系統工程博士學位、約翰霍普金斯大學系統工程碩士學位和弗吉尼亞理工大學物理學學士學位。

引言

人工智能是一個包含許多不同方法的領域，其目標是創造具有智能的機器（Mitchell，2019）。圖 1 顯示了一個簡單的維恩圖，其中機器學習 (ML) 作為 AI 的子集，而 AI 作為更廣泛的自動化類別的子集。自動化系統以最少的人工輸入運行，并且經常根據命令和規則執行重復性任務。人工智能系統執行模仿人類智能的功能。他們將從過去的經驗中學到的知識與收到的新信息結合起來，以做出決策并得出結論。

圖 1. 自動化、人工智能和機器學習的維恩圖

如圖 2 所示，有兩種主要類型的 AI 系統。第一種類型是明確編程的，也稱為手工知識系統。 Allen (2020) 將手工知識系統描述為“使用傳統的、基于規則的軟件，將人類專家的主題知識編碼為一長串編程的‘如果給定 x 輸入，則提供 y 輸出’規則的人工智能”（第3頁）。這些系統使用傳統的或普通的編程語言。第二種類型是從大量數據集訓練而來的機器學習系統。 ML 系統從訓練過的數據集中“學習”，然后在操作上使用“訓練過的”系統在給定新的操作數據的情況下產生預測結果。

圖 2. 兩種類型的人工智能：顯式編程和學習系統

自動化、人工智能和機器學習系統，包括手工知識系統和學習系統，為美國國防部 (DoD) 提供了巨大的潛力，在大多數任務領域具有多種應用。這些智能系統可以擴展國防部理解復雜和不確定情況、制定和權衡選項、預測行動成功和評估后果的能力。它們提供了在戰略、規劃和戰術領域支持國防部的潛力。人工智能系統可以減輕作戰人員的負擔，但前提是這些系統的設計和實施正確，并且以減輕作戰人員認知負擔的方式。這為國防應用實施人工智能系統提出了獨特的挑戰。本文確定了四個獨特的挑戰，并描述了它們如何影響戰術作戰人員、工程設計界和國防。

第一個為國防應用實施人工智能系統的獨特挑戰是戰術戰爭呈現高度復雜的情況。戰術復雜性可能涉及信息超載、需要處理的多個并發任務、具有可怕后果的時間關鍵決策、態勢感知的未知/不準確/不完整，以及因各種分布式戰爭能力所需的互操作性而產生的工程挑戰。將人工智能系統添加到這個已經很復雜的環境中是一項必要但極具挑戰性的工作。

第二個獨特的挑戰是人工智能系統需要大量數據來訓練。所開發的人工智能系統的質量很大程度上取決于訓練數據集的質量和數量。軍事領域的數據尤其難以獲得。軍事數據可能涉及分類問題、網絡漏洞、數據驗證挑戰，并且根據艦隊演習和兵棋推演的需要，收集起來可能非常昂貴且耗時。

第三個獨特的挑戰是人工智能系統為系統工程提出了一個新的前沿。在傳統系統中，行為是固定的，因此是可預測的：給定輸入和條件，系統將產生可預測的輸出。一些人工智能解決方案可能涉及本身就很復雜的系統——適應和學習——因此會產生無法預料的輸出和行為。事實上，一些人工智能系統的目的就是為了做到這一點——與人類決策者合作，承擔一些認知負荷并產生智能建議。需要系統工程方法來設計智能系統，并確保它們對人類操作員來說是可解釋的、可信賴的和安全的。

第四個獨特的挑戰是，對于國防應用，總是需要考慮潛在的對手。在人工智能系統方面，采購界必須注意同行競爭對手國家，他們在人工智能進步方面取得了自己的進步。美國國防系統也必須在這場人工智能競賽中取得進步。網絡攻擊在防御系統中總是有可能發生的。隨著防御能力增加對自動化和人工智能系統的依賴，這可能會造成更多的網絡漏洞。最后，技術正在迅速發展，對抗性威脅空間正在發生變化。國防采購和系統工程界必須確保人工智能系統不斷發展和適應，以應對威脅環境的變化，并以可信賴和安全的方式做到這一點。

挑戰一:復雜的決策空間

第一個獨特的挑戰是許多防御領域呈現出復雜的決策空間。因此，設計和實施適當的人工智能系統來解決這種復雜性將是極具挑戰性的。圖 3 突出顯示了導致戰術領域決策復雜性的許多因素。例如，海軍打擊部隊的行動可以迅速從和平狀態轉變為一種巨大的危險——需要對威脅保持警惕并采取適當的反應行動——所有這些都在高度壓縮的決策時間線上。戰術威脅可能來自水下、水面、空中、陸地、太空，甚至是虛擬的，因此需要處理多個時間緊迫的任務。在船舶、潛艇、飛機、陸地和太空中擁有海軍和國防資產；戰術決策空間必須解決這些分散和多樣化資源的最佳協作使用問題。制定有效的戰術行動方案也必須發生在高度動態的作戰環境中，只有部分和不確定的態勢知識。決策空間還必須考慮指揮權、交戰規則和戰術條令施加的限制。人類作為戰術決策者的角色增加了決策空間的復雜性——面臨信息過載、操作員錯誤、人工智能信任以及人工智能模糊性和可解釋性問題等挑戰。最后，戰術決策及其可能后果的風險可能非常高。

圖 3. 導致戰術決策空間復雜性的因素

解決高度復雜的決策空間是美國國防部面臨的挑戰。人工智能提供了解決這種復雜性的潛在解決方案——通過處理大量數據、處理不確定性、理解復雜情況、開發和評估決策替代方案以及了解風險水平和決策后果。人工智能解決方案可以應用于國防部的戰略、規劃和戰術層面。海軍研究生院 (NPS) 開發了一種工程框架和理論，用于解決高度復雜的問題空間，這些問題空間需要使用智能和分布式 AI 系統來獲得態勢感知并做出適應動態情況的協作行動決策（Johnson， 2019）。模擬了一個復雜的戰術場景，以演示使用 AI 來驗證該方法（Johnson，2020a）。 NPS 已經開發了一種預測分析能力的概念設計，該設計將被實施為一個自動化的實時戰爭游戲系統，該系統探索不同的可能戰術行動方案及其預測效果和紅軍反應（Johnson，2020b）。 NPS 研究已經確定了在戰術行動中描述復雜性水平的必要性，并實施自適應人機協作安排以做出戰術決策，其中自動化水平根據情境復雜性水平進行調整。正在進行的 NPS 研究正在研究這些概念工程方法在各種防御用例應用中的應用，包括防空和導彈防御、超視距打擊、船舶自衛、無人機操作和激光武器系統。

復雜的決策空間為 AI 系統嘗試和解決創造了具有挑戰性的問題。表 1 根據決策空間的復雜性比較了不同的 AI 應用領域。該表包含 10 個表征決策空間復雜性的因素：認知不確定性（對情境知識的不確定性數量）、情境動態、決策時間線（做出決策的時間量）、決策的復雜性決策過程中的人機交互、資源復雜性（數量、類型、它們之間的距離以及它們的動態程度）、是否涉及多個任務、對手（競爭對手、黑客或打算摧毀的徹底敵人）的存在，允許誤差的幅度（多少決策錯誤是可以接受的），以及決策后果的嚴重性。

表 1. 不同 AI 應用的決策復雜度比較

人工智能應用程序涉及的決策空間用于廣告（根據特定用戶的購買習慣或互聯網搜索確定將哪些廣告流式傳輸）、貸款批準（根據貸款金額和信用評分確定貸款資格）和醫療（根據診斷確定關于患者癥狀）相對簡單。存在大量訓練數據，決策過程中的計算和人為交互簡單，情況相對穩定。不良廣告的后果是微乎其微的。可以審計不良貸款批準決定。糟糕的醫學診斷可能會產生更嚴重的后果，但通常有足夠的時間在治療前尋求更多的評估和意見。為自動駕駛汽車確定最佳運輸路線和工程 AI 系統是更復雜的工作。這些應用程序是動態變化的，需要更短的時間來做出決策。運輸路線在可能路線的數量上會很復雜——這可能會導致許多可能的選擇。但是，存在運輸錯誤的空間，并且后果通常不會太嚴重。對于自動駕駛汽車來說，決策錯誤的余地非常小。此應用程序中的錯誤決定可能導致嚴重事故。

然而，軍事戰術領域在決策空間的所有領域都呈現出極端的復雜性：不確定性和有限的知識/意識、高度動態的情況、非常有限的時間線、復雜的人機交互、大量和類型的資源、多個任務、昂貴和困難- 獲取訓練數據集、極小的允許誤差范圍以及行動（或不行動）的生死攸關的后果。

挑戰二: 數據很難獲取

第二個獨特的挑戰是 AI/ML 系統需要大量相關且高質量的數據用于訓練和開發，而這些數據在軍事領域可能很難獲得。明確編程的手工知識系統在開發過程中需要數據進行評估和驗證。 ML 系統在開發過程中對數據的依賴性更大。如圖 4 所示，ML 系統從代表操作條件和事件的數據集中“學習”。 ML系統學習的過程也稱為被訓練，開發階段使用的數據稱為訓練數據集。有幾種類型的 ML 學習或訓練——它們是有監督的、無監督的和強化的。所有三種類型的 ML 學習都需要訓練數據集。 ML 系統在部署后或運營階段繼續需要數據。圖 4 顯示，在運營期間，ML 系統或“模型”接收運營實時數據，并通過使用其“訓練過的”算法處理運營數據來確定預測或決策結果。因此，在整個系統工程和采集生命周期中，ML 系統與數據密切相關。 ML 系統從訓練數據集的學習過程中“出現”。機器學習系統是數據質量、充分性和代表性的產物。他們完全依賴于他們的訓練數據集。

圖 4. 開發和實施機器學習系統

隨著許多領域（戰爭、供應鏈、安全、物流等）的更多 AI 開發人員正在了解 AI 解決方案的潛在優勢并開始著手 AI 系統開發，DoD 開始認識到對這些數據集的需求。在某些情況下，數據存在并準備好支持 AI 系統開發。在其他情況下，數據存在但不保存和存儲。最后，在其他情況下，數據不存在，需要模擬或在艦隊演習或戰爭游戲中收集。圖 5 說明了收集、獲取和在某些情況下開發用于開發和訓練 AI 和 ML 系統的數據時需要考慮的過程。

圖 5. 人工智能和機器學習系統訓練數據集的開發

軍事領域對開發訓練數據集提出了一些獨特的挑戰——數據可能被分類，數據可能存在網絡漏洞（它可能被攻擊并被對手故意破壞），如果數據不存在，它可能需要從軍事/艦隊演習或兵棋推演中獲得。數據驗證也是一項具有挑戰性的工作。

NPS 正在為海軍的數據管理系統執行需求分析和概念設計，該系統將收集數據并向海軍內部許多正在開發 AI/ML 系統的不同組織提供數據（French 等人，2021 年）。圖 6 是海軍中央人工智能庫 (CAIL) 的上下文圖，它被設想為一個數據管理系統和流程，用于識別數據集并提供索引、驗證、審計和對 AI 可以使用的數據的安全訪問。從事海軍應用的機器學習開發人員。 CAIL 將不是一個數據存儲庫或數據庫，而是一個中央組織，使 AI/ML 開發人員能夠訪問經過驗證和保護的海軍數據——以幫助識別數據集的存在，啟用授權訪問，并幫助支持開發人員所需的數據尚不存在，需要獲得——可能通過艦隊演習或兵棋推演。

圖 6. 概念性中央人工智能庫

挑戰三:人工智能為系統工程開辟了新領域

第三個獨特的挑戰是開發人工智能系統為系統工程提出了一個新的前沿。系統工程方法已被開發用于設計可能非常復雜但也具有確定性的傳統系統（Calvano & John，2004）。傳統系統具有可預測的行為：對于給定的輸入和條件，它們將產生可預測的輸出。圖 7 說明了對傳統 SE 方法（如 SE Vee 過程）進行更改的必要性，以便設計復雜且不確定的 AI 系統。特別是，需要新的方法來定義隨時間適應的學習系統的要求，并且系統驗證過程可能需要在操作過程中不斷發展和繼續，以確保安全和期望的行為。對于具有高風險后果的軍事系統，幾乎沒有出錯的余地，因此需要實施一個可以確保 AI 系統安全和預期操作的系統工程流程。

圖7. 人工智能:系統工程的新前沿

國際系統工程師理事會 (INCOSE) 最近的一項倡議已經開始探索需要對系統工程方法進行哪些改變才能有效地開發人工智能系統。圖 8 是作為該計劃的一部分創建的，旨在強調在 SE 過程中需要考慮的 AI 系統的五個方面。除了不確定性和不斷發展的行為之外，人工智能系統可能會出現新類型的故障模式，這些故障模式可能會突然發生，并且可能難以辨別其根本原因。穩健的設計——或確保人工智能系統能夠處理和適應未來的場景——是另一個系統工程設計考慮因素。最后，對于涉及更多人機交互的 AI 系統，必須特別注意設計系統，使其值得信賴、可解釋并最終對人類決策者有用。

圖 8. 人工智能系統工程中的挑戰

NPS 正在研究可以支持復雜、自適應和智能 AI 系統的設計和開發的系統工程方法。已經開發了一個系統工程框架和方法來設計系統解決方案的復雜自適應系統（Johnson，2019）。該方法支持系統系統的開發，通過使用人工智能，可以協作以產生所需的緊急行為。當前的一個研究項目正在研究可以在設計過程中設計到 AI 系統中的安全措施，以確保操作期間的安全（Cruz 等人，2021 年）。 NPS 正在研究一種稱為元認知的設計解決方案，作為 AI 系統識別內部錯誤的一種方法（Johnson，2021 年）。當前的另一個 NPS 論文項目正在研究如何將“信任”設計到 AI 系統中，以確保有效的人機協作安排（Hui，2021）。幾個 NPS 項目研究使用稱為協同設計的 SE 設計方法，來確定人類操作員與 AI 系統之間的相互依賴關系（Blickley 等人，2021；Sanchez，2021）。

挑戰四: 敵手

第四個獨特的挑戰是對手在防御應用中的存在和作用。國防部必須與對手競爭以提升人工智能能力，人工智能系統必須免受網絡攻擊，人工智能系統必須適應不斷變化的威脅環境演變。圖 9 突出顯示了對手的存在給國防部正在開發的 AI 系統帶來的一系列獨特挑戰。

圖9. 敵手的挑戰

競爭對手國家之間開發人工智能能力的競賽最終是為了進入對手的決策周期，以比對手更快的速度做出決定和采取行動（Rosenberg，2010 年）。人工智能系統提供了提高決策質量和速度的潛力，因此對于獲得決策優勢至關重要。隨著國防部探索人工智能解決方案，同行競爭對手國家也在做同樣的事情。最終，實現將 AI 用于 DoD 的目標不僅僅取決于 AI 研究。它需要適當的數據收集和管理、有效的系統工程和采集方法，以及仔細考慮人類與人工智能系統的交互。國防部必須確保它能夠應對實施人工智能系統所涉及的所有挑戰，才能贏得比賽。NPS 研究計劃正在研究如何應用 AI 和博弈論來進入對手的戰術決策周期（Johnson，2020b）。該項目正在開發一個概念，用于創建戰術態勢模型、對手的位置和能力，以及預測對手對形勢的了解。然后，概念系統將進行實時“兵棋推演”，根據預測的對抗反應和二階和三階效應分析戰術決策選項。這是一個研究未來戰術戰爭可能是什么樣子的一個例子，它為藍軍和紅軍提供了增強的知識和決策輔助。為 AI 競賽準備國防部的其他 NPS 舉措包括研究新的 SE 方法和獲取實踐以開發 AI 能力、研究海軍和國防部的數據管理需求（French 等人，2021 年）以及研究 AI 系統安全風險開發確保安全 AI 能力的工程實踐（Cruz 等人，2021 年；Johnson，2021 年）。

賽博戰是國防部必須成功參與的另一場競賽，以保持領先于黑客攻擊的持續攻擊。隨著國防部實施更多的自動化，它自然會導致更多的網絡漏洞。使用本質上依賴于訓練數據和操作數據的人工智能系統，為黑客在開發階段和操作階段用損壞的數據毒害系統提供了機會。如果對手控制了一個可操作的人工智能系統，他們可能造成的傷害將取決于應用程序領域。對于支持武器控制決策的自動化，后果可能是致命的。在最近一項關于汽車網絡安全的研究中，一家汽車公司在網上發布了一個假汽車電子控制單元，在不到 3 天的時間里，進行了 25,000 次違規嘗試（Taub，2021 年）。國防部必須注意人工智能系統開發過程中出現的特定網絡漏洞。必須為每個新的人工智能系統實施仔細的網絡風險分析和網絡防御策略。 NPS 正在研究數據安全要求，以確保 ML 訓練數據集不受黑客攻擊，并且需要安全授權才能訪問（French 等人，2021 年）。 NPS 正在研究使用元認知作為 AI 系統執行自我評估的一種方法，以識別網絡入侵、篡改或任何異常行為（Johnson，2020b）。 NPS 還在研究使用 ML 來識別惡意欺騙和篡改全球定位系統 (GPS; Kennedy, 2020)。

威脅環境的演變是國防部在開發人工智能系統時的第三次對抗性競賽。由于對抗性威脅空間隨著時間的推移而不斷變化，擁有更快、更致命的武器、更多的自主權、更大的監視資產、更先進的對抗措施和更多的隱身性，這對國防部能夠預測和識別新威脅并進行應對提出了挑戰戰場上的未知數。 NPS 研究的重點是在作戰過程中不斷適應和學習的工程系統，以檢測和識別戰場中的未知未知，并通過創新的行動方案快速響應新威脅（Grooms，2019；Jones 等人，2020；Wood，2019 ）。 NPS 正在研究通過研究特定區域隨時間變化的數據來識別異常變化的機器學習方法（Zhao et al., 2016）。一個例子是研究商用飛機飛行模式并根據異常飛行模式識別可疑飛機。隨著時間的推移，可以監視地面行動，以識別可能意味著軍事行動的新的和不尋常的建設項目。

結論

人工智能系統為國防部在實現和保持知識和決策優勢方面提供了重大進展。然而，為國防應用實施人工智能系統提出了獨特的挑戰。軍事戰術領域在決策空間的所有領域都呈現出極端的復雜性：不確定性和有限的知識、高度動態的情況、非常有限的時間線、復雜的人機交互、大量和類型的資源、多個任務、昂貴且難以獲得訓練數據集、極小的允許誤差范圍以及行動（或不行動）的生死攸關的后果。 AI 系統，尤其是 ML 系統，需要有代表性、足夠、安全和經過驗證的數據集來進行開發。為國防應用收集合適的數據具有處理分類數據集和確保數據安全和免受網絡攻擊的額外挑戰；這也將是收集代表戰術行動的真實數據的一項重大努力。將需要新的系統工程方法來有效地指定、設計和評估人工智能系統，這些系統通過其不確定性、新型人機協作挑戰以及難以預測和預防的新安全故障模式而呈現出新的復雜性.最后，軍事領域中對手的存在呈現出三種形式的 AI 競賽：與對手一樣快地開發 AI 系統的競賽、保持領先于可能的網絡攻擊的競賽以及訓練能夠應對的 AI/ML 系統的競賽隨著不斷發展的對抗性威脅空間。

NPS 正在通過一系列正在進行的研究計劃來解決四個獨特的挑戰領域。 NPS 研究人員正在研究人工智能系統在海軍戰術作戰領域的實施，對軍事數據集進行需求分析和需求開發，研究開發復雜人工智能系統的系統工程方法，以及開發安全、可信賴的人工智能系統工程方法，并注意潛在對手的作用。 NPS 正在為軍官和平民學生提供人工智能研究和教育機會。 NPS 歡迎與國防部和海軍組織合作，繼續研究用于國防應用的人工智能系統，并繼續探索解決方案戰略和方法，以克服開發和實施人工智能能力的挑戰。

附解讀PPT：（點擊下載）

引言

背景

人工智能 (AI) 正在徹底改變各行各業，使機器能夠從經驗中學習、適應和執行需要人類認知的任務。人工智能在 60 多年前首次被概念化，人們對人工智能應用程序的興趣有升有降。在過去十年中，有幾個因素促成了人工智能的近期復蘇，包括計算能力的提高、海量數據存儲以及人工智能算法方法的創新（包括機器學習）。

人工智能已被廣泛接受，并有望在生產力、效率和生活質量方面帶來相當大的好處。人工智能在銀行和金融行業的欺詐檢測和高頻股票交易方面發揮著重要作用。人工智能在國家安全中用于網絡安全和對象/威脅識別。人工智能在醫療保健中用于分析醫療數據以幫助診斷并預測患者的有效治療方案。當前人工智能子領域和技術有望擴展到交通生態系統——具有潛在的變革性影響。

智能交通系統 (ITS) 聯合項目辦公室 (JPO) 及其模式合作伙伴在利用互聯汽車 (CV)、自動駕駛汽車 (AV)、共享出行等新興技術解決移動性、安全性和公平性方面的基本問題方面一直處于領先地位服務和便利的交通能力。在過去的幾年里，美國運輸部 (USDOT) 對人工智能的探索有了巨大的發展（Thompson D.，2019 年）。 USDOT 的一些模態管理機構，包括聯邦公路管理局 (FHWA)、聯邦鐵路管理局 (FRA) 和聯邦航空管理局 (FAA)，一直處于采用人工智能解決方案交付任務的最前沿。基于 AI 的應用程序已用于視頻分析、異常檢測、安全分析和數據融合。例如，FHWA 的探索性高級研究計劃資助了人工智能技術的開發，用于收集大量交通數據，包括安全數據，以發現趨勢并識別看似不同的數據流之間的關系，并用于視頻分析以幫助確定駕駛員行為各種駕駛場景（美國運輸部，2019）。 FHWA 的交通分析工具 (TAT) 計劃正在研究使用 AI 開發預測技術和評估工具（FHWA ATDM，2020）。 FHWA 的高級交通和擁堵管理技術部署 (ATCMTD) 計劃最近獲得了超過 1600 萬美元的贈款，用于開發人工智能驅動的多式聯運管理解決方案（USDOT，2020 年）。FRA 正在開發一套使用人工智能和無人機系統 (UAS) 進行預測分析和入侵者檢測的技術（Baillargeon，2019 年）。其他機構，例如聯邦運輸管理局 (FTA)、聯邦汽車運輸安全管理局 (FMCSA) 以及管道和危險材料安全管理局 (PHMSA)，正在探索人工智能必須在公民中提供的承諾——

2019 年 2 月 11 日，簽署了關于保持美國在人工智能領域的領導地位的第 13859 號行政命令，以實施一項政府戰略，將人工智能提升為其關鍵優先科學技術領域之一（白宮，2019 年）。 USDOT 戰略計劃（2018-2022 年）將“創新：引領創新實踐和技術的開發和部署，以提高國家交通系統的安全性和性能”作為四個戰略目標之一（美國交通部，2018 ）。結合 USDOT 的戰略目標和行政命令，ITS JPO 將人工智能研究確定為優先領域，以加速州和地方機構采用人工智能來解決交通問題。為此，USDOT 確定了與新興支持 AI 的交通運輸應用程序合作的兩種關鍵方式：(i) 將 AI 集成到安全關鍵領域，以及 (ii) 采用和部署基于 AI 的工具，改善企業職能的交付（美國交通部，2019 年）。

目的

本報告的目的是確定可用于解決特定交通問題和需求的人工智能應用類別，并根據文獻綜述，在每個類別下提供現有和潛在的人工智能應用的高級總結。

結構

該報告的組織結構如下：
 ? 第 2 章確定并定義了 11 大類支持人工智能的應用程序，這些應用程序可用于解決特定的交通問題和需求。 ? 第 3 章提供了與 11 個類別對應的支持 AI 的應用程序的摘要描述。每個部分對應一個類別，包括對該類別下現有和潛在的人工智能應用程序的摘要描述，以及 USDOT 在投資該類別下的人工智能應用程序方面的潛在作用。本章還總結了所有類別中常見的使用人工智能的風險和障礙。 ? 第 4 章介紹了結論和后續開發。

人工智能在刑事司法中的應用，可以從全球眾多例子說明。我們采用按時間順序的方法，追溯犯罪如何展開，包括(i)其承諾，(ii)其偵查，以及最終(iii)刑事法庭和懲教機構對其作出的反應。首先，我們關注惡意行為者利用人工智能實施應受譴責行為的可能性，盡管這一點還有待觀察。其次，我們評估了執法部門對人工智能的使用，包括警察部隊發現和預測犯罪的新能力。第三，我們研究了人工智能和刑事訴訟之間的關系，以顯示人工智能是如何被用于評估在審判前和定罪后階段與罪犯相關的各種風險的。最后，我們分析了人工智能在刑事司法領域所帶來的四大挑戰: 道德、效率、采購和撥款。我們敦促所有尋求在其刑事司法系統中實施人工智能的實體保持謹慎: 必須明確和徹底地解決這些相互關聯的問題類別，以便人工智能系統能夠迭代、公平和透明地成為刑事司法決策的一部分。