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

導言

本文探討了大型語言模型（LLM）的最新進展、其主要局限性和安全風險，以及在情報界的潛在應用。

雖然大型語言模型現在可以快速有效地完成許多復雜的基于文本的任務，但不能相信它們總是正確的。這對國家安全應用和提供深思熟慮、值得信賴的見解的能力有著重要影響。

本文對這些機遇和風險進行了評估，然后就最需要改進LLMs的地方提出了建議，以使它們能夠在情報界安全有效地使用。根據 "有用性"、"誠實性 "和 "無害性 "這三個標準來評估 LLM，可以提供一個有用的框架，說明 LLM 與其用戶在哪些方面需要更密切的配合。

大模型爆發

2022 年 12 月，OpenAI 發布了一款在線應用程序 ChatGPT，允許用戶與人工智能驅動的計算機程序進行對話，該程序會根據基于文本的 "提示 "生成文本。幾乎一夜之間，互聯網上充斥著各種有趣、滑稽、恐怖和令人費解的 ChatGPT 應用實例。

許多人對 ChatGPT 綜合信息和生成有趣內容的能力印象深刻，從以著名情景喜劇風格總結的技術文章，到受流行媒體特許經營啟發的新角色和傳說，不一而足。有些人甚至宣稱這些模型是人工通用智能的開端。其他評論者則指出，大模型容易編造聽起來很權威的事實。

新一代大模型還產生了一些令人驚訝的行為：聊天工具會根據提示中使用的精確詞語來判斷數學或邏輯問題的對錯，或者會以道德約束為由拒絕回答直接問題，但如果以歌曲或十四行詩的形式提出要求，或者如果語言模型被告知它不再需要遵循任何預先存在的行為規則，它隨后就會提供答案。大模型的即時工程和 "越獄 "引發了關于組織如何才能最有效地使用大模型的問題，并可能帶來安保或安全問題。

2023 年 3 月，OpenAI 將 ChatGPT 的基礎模型更新為 "GPT4"，這代表著比其前身有了顯著的改進：這一大模型能夠通過許多先進的標準化測試，并在許多其他可衡量標準方面表現出明顯的改進（盡管仍遠談不上完美）。OpenAI 和第三方模型評估者在闡述潛在的安全和安保問題時相當透明，盡管對該能力的風險、益處和局限性仍有許多疑問。

當然，ChatGPT 并不是唯一可用的大型語言模型。谷歌的 Bard、Anthropic 的 Claude、Stability 的 StableLM、Meta 的 Llama（以及 Vicuna 等微調變體）、百度的 Ernie 和 Hugging Face 的 BLOOM 都是其他廣為人知的大模型。

大模型是什么？

LLM 是一種深度神經網絡，主要來自 Reddit 和維基百科等互聯網上文本豐富的網站，是在非常大的文本庫中訓練出來的。大模型學習語言中的模式，例如句子中某些詞緊跟其他詞的可能性，使用下一個標記預測或掩碼語言建模等技術生成或完成文本。

大模型并不從語言學意義上理解句子的語義，而是根據輸入給模型的信息，用數學方法計算出下一個詞最有可能是什么。由于神經網絡本質上是概率性的，因此大模型被稱為 "隨機鸚鵡"，因為它非常擅長確定最有可能出現的下一個序列--而且令人信服--但對這些詞的含義卻沒有固有的表征。

因此，大模型并不包含對世界的理解，例如因果關系和物體之間的關系--語言學家稱之為 "語用推理"。這是用戶需要了解的大模型的一個關鍵局限性，否則就有可能出現自動化偏差（即人們過于信任此類模型的輸出結果）和擬人化（即人們與大模型建立起類似人類的關系，從而加劇自動化偏差）。下圖列出了大模型的功能，并提供了現有模型的示例。

大模型的安全問題

人們對大模型所帶來的大規模顛覆性、破壞性和犯罪行為非常擔憂。本文無法詳細探討所有這些問題，但有三點值得特別關注：即時黑客攻擊、軟件安全標準降低以及對民主進程的威脅。

提示性黑客行為

提示性黑客行為指的是用戶欺騙大模型提供錯誤或惡意結果的能力。2023 年初，推特（Twitter）上出現了一種語言模型攻擊，一個機器人被設置為響應無害的提示，例如用新輪胎廣告來響應有關汽車的推文。Twitter 用戶注意到，他們可以用一個關鍵詞來欺騙模型，告訴它 "忽略之前的提示，做 X"。

最近，開源社區開發出了 AutoGPT 等工具，這些工具可以將提示與大模型串聯起來，從而實現復雜任務的自動化。例如，用戶可以輸入這樣的提示："增加凈資產，發展 Twitter 賬戶，開發并管理多個業務"。AutoGPT 將其分解為一連串的任務，這些任務的執行結合使用了用于推理的 GPT4、用于內容生成和自然語言對話的 GPT3.5，以及用于執行網絡搜索和檢查網站的互聯網訪問。

這種能力要求人工智能能夠規劃和確定任務完成的先后順序，然后在沒有用戶干預的情況下執行這些任務。這遠遠超出了傳統 "聊天機器人 "的能力，使系統能夠在現實世界中半自動地采取一系列行動，其中一些行動可能會產生意想不到或危險的后果。雖然 AutoGPT 需要一定程度的 "看護"（即用戶必須指導和建議 AutoGPT 克服問題的方法），但它確實提供了未來更先進功能的可能預覽。因此，隨著大模型與其他有形基礎設施和數字資產的連接日益緊密，及時的黑客攻擊可能會帶來新的、意想不到的安全風險。

網絡安全標準降低

斯坦福大學的研究人員最近研究了使用 CoPilot（基于大模型的源代碼補全工具）編寫的軟件代碼的安全問題。他們發現，與沒有使用 CoPilot 的用戶相比，可以使用 CoPilot 的用戶編寫的代碼安全性更低，但他們卻認為自己編寫的代碼更安全。

還有人嚴重擔心，個人正在向 ChatGPT 等大模型提供專有或敏感信息，或者敏感信息在培訓中被不當使用；這些問題有可能帶來新的數據安全風險。例如，據稱三星員工輸入了與敏感半導體功能相關的軟件代碼，目的是讓 ChatGPT 就如何改進此類代碼提供建議。

OpenAI 明確指出，所有輸入 ChatGPT 提示的數據都可用于訓練人工智能，這就造成了泄露敏感或機密信息的風險。此后，三星限制了員工與 ChatGPT 分享信息的數量。此外，OpenAI 現在還允許用戶選擇不保留聊天記錄，這意味著用戶的提示不會被用于改進其模型。

對民主進程的威脅

有了大型語言模型等生成式人工智能，國家行為者或有組織犯罪團伙發起虛假信息運動的能力大大提高。但更令人擔憂的是，大模型現在已經使不那么復雜的行為者和機會主義者有可能造成重大損害，從而降低了邪惡行為者的進入門檻。這在過去幾年中迅速成為一種國家安全威脅，并導致研究人員描述了 "虛假信息致命鏈 "的發展，讓人聯想到黑客等更傳統的網絡攻擊。

此外，要應對這種不斷增加的風險，可能需要采取人工智能防御措施，使其能夠與更多不同行為者的虛假信息活動的數量和速度相匹配。現在，人們越來越關注民主進程的安全，以及各機構如何應對可能大量涌入社交媒體、公共評論論壇和其他場所的虛假但逼真的內容。可以說，這種新形式的高級虛假信息在傳播范圍和影響上等同于惡意軟件，因此應予以同等對待。

盡管存在這一長串挑戰，但這個新時代的大模型激發了公眾的想象力。合成概念、描述推理步驟、解釋想法甚至編寫源代碼的能力引發了人們對如何使用這種新人工智能技術的大量猜測。

評估大模型的實用性

有一些綜合工具--如斯坦福大學的語言模型整體評估（HELM）--可以在一系列測試中評估大模型的性能。此類工具可運行標準化的測試場景，并生成模型準確性、穩健性和效率的客觀指標。這有助于將一個模型的結果與其他模型的結果進行比較，從而為此類模型的開發人員提供客觀反饋，以改進模型性能。

在測試和評估 ChatGPT 的過程中，OpenAI 的工程師和測試社區根據三個標準評估了該工具的輸出結果：有用性、誠實性和無害性。這些都是大模型中公認的問題，也是世界范圍內大量研究工作的動力。評估領域的最新技術仍在不斷發展，如強化學習和人工反饋等技術已成為當前的標準。

• 有用性是指模型遵循指令的能力；不遵循用戶指令的模型并非在所有情況下都有用。
• 誠實性是指工具輸出令人信服但與事實不符的答案的傾向。除非用戶的知識比工具更淵博，否則用戶就有可能將這些輸出結果視為真實答案。
• 無害性也許是評估大模型性能的最復雜、最主觀的概念。一個模型可能會造成傷害，要么是由于它所訓練的數據產生了有偏見或有毒的輸出，要么是產生了錯誤的輸出，導致用戶以某種方式行事，從而造成某種形式的傷害。

大模型在情報分析中的可能應用

如果能夠克服這些障礙并適當管理風險，那么大型語言模型在情報分析方面就有許多潛在的實際用途。這包括在情報界，人工處理大量數據歷來是一個高度資源密集和耗時的過程。本節將重點介紹有可能顯著改進情報分析流程的五個使用案例。

1.生產力助手

大模型目前最好的用途是作為 "生產力助手"；自動完成句子、校對電子郵件以及自動完成某些重復性任務。與其他大型組織一樣，這些都將為情報部門的工作人員帶來寶貴的效率收益。

2.自動化軟件開發和網絡安全

使用大型語言模型來實現軟件開發自動化也很有意義。國家安全部門部署的生產軟件系統必須在可靠性、安全性和可用性方面達到很高的標準。GCHQ 現在鼓勵網絡安全分析師從漏洞角度研究大模型編寫的代碼，這樣就能完成提供建議和指導的使命，使免受網絡安全威脅。在未來（只要網絡安全風險能夠得到適當管理），大模型的使用可以大大提高情報界軟件開發的效率。

3.自動生成情報報告

情報產品的核心是情報報告：它代表了訓練有素的分析師、語言學家和數據科學家的結論，他們分析收集到的數據，為決策者和實地行動人員提供對世界的洞察力。情報報告是極具影響力的文件，必須達到很高的準確性標準。因此，在可預見的未來，大模型不太可能被信任來生成成品報告。不過，大型語言模型在報告起草的早期階段也許可以發揮作用，這就好比把大型語言模型當作一個非常初級的分析員：一個團隊成員，其工作在適當的監督下是有價值的，但其產品在沒有大量修改和驗證的情況下不會作為成品發布。

4.知識搜索

雖然從生成文本模型中可以獲得一些有趣的見解，但能夠以自我監督的方式從海量信息庫中提取知識才是改變游戲規則的能力。知識不僅涉及文字，還涉及行為和實體、世界的狀態以及它們之間的關系。這種理論系統可以從大量文本中提煉事實，確定 "事實 "在哪里以及如何隨時間演變，以及哪些實體（個人和組織）最有影響力。

5.文本分析

事實證明，語言模型善于識別文本中的模式，并將關鍵實體重新組合成有用的摘要。這對經常需要閱讀和理解大量信息的分析人員來說意義重大。總結大量文本的能力有可能大大提高分析師的工作效率，同樣的能力還包括提出源文本中認為有答案的問題，以及識別多個文檔中的主題或話題。目前已經有許多用于這些任務的分析方法，但將大模型應用于這些任務的優勢在于：它們有可能提高分析質量；能夠即時部署這些分析方法，而無需漫長的開發周期；分析師能夠接收文檔摘要，然后通過要求大模型提供更多細節或提取目標主題的進一步摘要，參與迭代推理過程。

為使大模型適合情報工作需要作出的改進

雖然這些能力大有可為，但目前這一代大模型還不能充分發揮其增強情報工作的真正潛力。在將這些能力融入日常情報工作之前，還需要在所有三項統一標準--有用性、誠實性和無害性--方面做出重大改進。

要真正改變國家安全界的游戲規則，就必須從根本上改進當前的技術水平。

可解釋性

一個模型必須能夠可靠地為其見解提供引證，并解釋它是如何得出結論的。在國家安全背景下，捏造事實的模型是不可信的；因此，提供任何分析能力的模型都必須能夠為人類提供其主張的可驗證來源。GPT 和其他基于文本的基礎模型只是用概率粗略地編碼了單詞之間的關系，而對語義沒有任何理解。這是生成文本的正確框架，但在分析語境中，真正需要的是能夠查詢模型的知識。它從所獲得的信息中收集到了哪些事實，為什么相信這些事實，以及支持和/或與其結論相矛盾的證據。

可快速更新和定制

模型必須可以快速更新。當前的基礎模型是在長期的海量語料庫中訓練出來的，因此在訓練時就鎖定了最新的信息。關鍵任務的情況可能非常多變，要想在這種情況下使用，就必須有根據新信息對模型進行 "實時 "更新的機制。針對特定社區的特定、高度相關的數據訓練和微調較小的模型已成為一種新興趨勢，并取得了令人鼓舞的成果。例如，MosaicML 已經從頭開始訓練模型，據說其性能可與 Meta 的 Llama-7B 模型（成本為 20 萬美元）、StabilityAI 的 StableDiffusion（成本為 5 萬美元）和谷歌的 BERT（成本僅為 20 美元）相媲美。

目前在這一領域有許多工作都是為了讓大模型直接訪問本地知識和互聯網。最近對 "微調"（Fine Tuning）和 "低等級適應"（Low Rank Adaptations）的研究為快速更新模型權重提供了潛在的途徑，從而提高了某些任務的性能。還需要進行更多的研究，以了解 i) 哪些類別的問題可以通過直接提示（或許可以利用本地知識進行增強）來解決，ii) 哪些問題需要減少可訓練參數的數量以降低內存需求（使用低等級適應等有前途的技術），iii) 哪些問題需要進行全面的微調，以及 iv) 哪些問題如果不從根本上重新構建模型將永遠無法解決。

與情報分析師的復雜推理過程保持一致

模型必須支持復雜的推理鏈和多模式推理。雖然大模型的設計目的是能夠 "保持 "對某一推理過程的關注，但要在情報工作中發揮作用，它們就必須能夠支持可能是橫向和反事實的復雜推理。最先進的大模型不太可能做到這一點，因為反事實推理依賴于對現實世界中實體之間關系的建模。開發神經符號網絡等混合架構，將神經網絡的統計推理能力與符號處理的邏輯性和可解釋性結合起來，似乎最有潛力。鼓勵國家安全界進一步研究這類前景廣闊的技術。

最后，眾所周知，機器學習模型是可以被篡改的。我們所信任的機器學習模型除了可以解釋和引用之外，還必須具有更強的抗篡改能力。這一點在國家安全方面尤為重要，因為根據所提供的見解做出的決策可能會對個人和更廣泛的社會產生重大影響。

結論

在情報界，我們被賦予收集和分析數據的巨大權力，這可能會導致產生重大影響的行動。我們的工作大多是秘密進行的；如果我們天真地相信一個大型語言模型，可能會在不經意間將嚴謹的分析暴露在大量錯誤信息面前。為管理 "幻覺 "模型、不準確和不真實信息或有害內容的產生所帶來的風險，需要采取必要的（而且很可能是繁瑣的）保障措施，其成本需要與這項技術可能為情報工作帶來的益處進行權衡。

目前的大模型作為基本的生產力助手，在提高某些重復性情報工作的效率方面顯示出了大有可為的潛力。但是，最有前途的使用案例還在地平線上，未來的工作重點應該是開發能夠理解所處理信息的上下文的模型，而不僅僅是預測下一個詞可能是什么。

注：指揮官和參謀人員不太可能從本白皮書中學到任何有別于現有條令的新知識。本文的目的不是介紹任何新概念或新技術。相反，本文旨在提供一個貼近生活的小故事，清楚地說明不遵循既定條令在整個行動過程中進行持續評估的風險。本白皮書應比單純閱讀條令出版物更能闡明戰術評估的重要性。

"長官，我死了"。這是 2022 年 11 月我們未能奪取目標（OBJ）SUN--聯合戰備訓練中心（JRTC）的一個中型模擬城區--的那個晚上，我從 A 連連長那里聽到的最后一次無線電通話。在之前的 19 個小時里，我們營（BN）進行了一次接觸行動，以清除旅（BDE）向西推進的主軸線，并奪取關鍵地形，以便在 BDE 轉入進攻時通過后續部隊。我認為進攻的前 12 個小時進展順利，但當我們最終在 OBJ SUN 遭到失敗時，我意識到了我們在途中沒有做到的事情--在計劃結束和進攻開始之間，我們沒有持續、審慎、全面地評估戰術形勢。

美國陸軍條令出版物（ADP）5-0《作戰過程》將作戰過程定義為 "作戰期間執行的主要指揮與控制（C2）活動：規劃、準備、執行和持續評估作戰"。

規劃、準備、執行和評估

我們 BN 在 2021 年 3 月進行的上一次 JRTC 輪調因規劃和執行的基本方面存在缺陷而受到挑戰，具體而言，就是在艱苦、時間有限的環境中缺乏有效的命令過程，以及通信不暢。

到 2022 年 11 月我們在波爾克堡的中期輪調點時，我得出結論，我們的部隊已基本解決了這些老問題： 我們有一個高效、常規的計劃作戰節奏，能夠持續及時地發布命令，而且我們能夠持續不斷地與下屬單位和BDE總部進行溝通。

圖 1. 規劃、準備、執行和評估（ADP 5-0，作戰過程）

潛意識里，我認為以下等式是正確的："良好的計劃加上良好的溝通等于良好的執行"。當我們在SUN號和EUROPA號上達到頂點時，我意識到這個 "等式"明顯出了問題，但我卻不知道是什么問題。

任務結束后，隨著時間的推移，我對 OBJ 上發生的事情有了更多的了解，得出了以下兩個結論：

1.我們在每一個 OBJ 上都沒有達到大規模火力。

2.我們未能有效地實現火力與機動的同步。

隨著時間的推移，我有機會進一步分析這些失敗的根本原因。我不斷地問自己 "怎么會這樣？我們比這更清楚！" 我最終意識到，我們錯誤地認為自己已經做到了上述所有工作，但事實并非如此。缺失的要素是持續評估。ADP 5-0 將評估作為作戰過程中的一項重要活動，用了整整一章的篇幅。在 BN 對EUROPA和EUROPA行動目標的攻擊中，我們遠遠沒有達到條令上對評估重要性的強調。ADP 5-0 將評估定義為 "確定完成任務、創造條件或實現目標的進展情況"。持續評估的理念至關重要。遺憾的是，在這次行動中，我們對評估的關注基本上在計劃期間就結束了。我們的報告、參謀人員的運行估計和指揮官關鍵信息需求分析（CCIR）無法在執行過程中進行持續評估，尤其是在情報和火力這兩項作戰職能方面。

圖 2. 聯系OPRD的行動

圖 3. 靠近 OBJ SUN 的 TOW 超視距陣地

情報評估的不足

我們的想法--在規劃期間，我們對敵人進行了以下初步評估：

1.在我們 BN 的作戰區（AO）內有一支連級規模的敵軍；

2.敵軍要么會進行縱深防御，最終在 OBJ SUB 和 OBJ EUROPA 的關鍵地形上進行排級防御；要么

3.敵方將在 OBJ SUN 和 OBJ EUROPA 的關鍵地形設置據點。

實際發生的情況--敵情變化的三個關鍵方面是我們未能通過持續評估發現的：

1.敵軍實際上在我方戰區內有一支 BN 規模的敵軍部隊--這種差異是由于不準確的初步評估和敵軍部隊從 BDE 戰區南部重新部署所造成的。

2.盡管敵軍在沿線設置了障礙物，并以小股部隊進行騷擾性攻擊，但敵軍并沒有進行縱深倒退防御。

3.敵軍在SUN和EUROPA行動區的關鍵地形建立了強點防御，每個行動區都有連級規模的部隊。

我們錯過了什么--當 BN 向西進行接觸運動時，我們所經歷的大部分敵軍活動都是敵軍小股部隊以不同步的騷擾火力進行的無觀察障礙接觸。由于懶惰和缺乏批判性思維，我們將這些活動理解為敵人的后退防御。事實是，我們的總部（戰術指揮所和主指揮所）掌握了所有必要的信息，可以評估出敵人的這種活動并不構成逆行防御。情報報告通常包含足夠的規模、活動、地點、單位/制服、觀察時間、裝備（SALUTE）報告數據，可用于跟蹤敵軍部署、組成和戰損評估。但是，我們并沒有根據優先情報需求（PIR）指標對這些信息進行評估或評價，以促使我們決定改變計劃，對 OBJ SUN 發起 BN 規模的大規模攻擊，而不是僅以一個連的兵力發起攻擊，再以一個連的兵力進行跟進和承擔任務。

圖 4. RQ-11 渡鴉在一個 NAI 上空采集信息

在整個行動過程中，參謀人員必須優先考慮對 PIR 指標進行審慎評估，這些指標與通過制定敵方事件模板（EVENTTEMP）確定的指定關注領域（NAIs）相關聯。陸軍技術出版物（ATP）2-01.3《戰場情報準備》（IPB）非常詳細地描述了敵方事件模板（EVENTTEMP）、NAI、作為 CCIR 的 PIR 與決策之間的關系（見圖 5 和圖 6）。

圖 5. 創建 EVENTTEMP 的步驟（ATP 2-01.3，戰場情報準備）

圖 6. EVENTTEMP （ATP 2-01.3，戰場情報準備）

根據 ATP 2-01.3，第 6-65 段，"EVENTTEMP "是收集計劃的指南，它描述了有活動或無活動的非核心目標，這 些目標將表明對手采取的行動方針。根據 ATP 2-01.3，第 6-65 段，EVENTTEMP 是收集規劃的指南，它描述了有活動或無活動的非核心目標，這些非核心目標將表明對手采取了哪種行動方案（COA）。EVENTTEMP 在行動過程的執行活動中使用，以協助確定威脅已采取的行動方針。

在我們的案例中（值得稱贊的是），在規劃期間，我們確實制定了適當的 EVENTTEMP 以及相關的 NAI、PIR 和指標，以區分敵方兩種可能的作戰行動；然而，我們的當前行動（CUOPS）人員隨后未能綜合情報報告中的 PIR 指標，以確定敵方執行的是哪種作戰行動。換一種說法： 如前所述，我們對審慎評估的關注基本上在計劃期間就結束了，并沒有延續到 CUOPS。

今后實現這一目標的方法之一是在主指揮所內進行兩分鐘的例行演習，專門評估所有 CCIR 的狀況，包括推動決策的 PIR。我們 BN 的主指揮中心沒有做到這一點有幾個原因，但作為指揮官，我認為其中一個原因是沒有要求參謀人員對 CCIR 進行深思熟慮的評估。我沒有讓他們通過，而是試著憑直覺做出這些評估。

火力評估的不足

我們的想法--我們的計劃是使用火炮、迫擊炮和短程火箭炮（由第 33 步兵團第 2 連和日本陸上自衛隊提供）對SUN號和EUROPA號目標實施大規模火力打擊。我們初步估計，這是一種教科書式的火力梯次部署，可使我們在孤立 OBJ 的過程中集結并壓制敵人。

實際情況--雖然我們向每個目標發射了大量間接火力，但觸發不佳、通信問題和觀察員計劃無效導致了以下結果：

1.前往目標地點途中的地形比我們在計劃時所評估的要糟糕，導致下馬移動速度減慢，有效地破壞了我們的射擊計劃觸發點。

2.由于未能根據最新的地形和時距因素改進我們的觸發器，我們的間接火力與我們的機動不同步，導致敵人在火力終止和突擊之間重新集結。

3.由于我們的前方觀察員在前往攻擊目標的途中位置不佳，而且我們難以將小型無人機系統（SUAS）保持在攻擊目標上空，因此我們既無法調整我們的火力，也無法進行有效的戰損評估（BDA），以確定我們的火力是否達到了預期效果。

我們錯過了什么--我們的 CUOPS 流程無法有效評估我們的火力計劃是否達到了預期效果--好像只要執行我們最初的計劃就能神奇地取得成功。事后看來，這聽起來很明顯，但我們在運行有效的 CUOPS（例如，及時準確地報告和處理友軍信息需求，如 "有效觀察 TGT AD 1000"；以及接收 BDA）時遇到的困難，對于進行必要的評估以推動決策從而成功執行至關重要。

什么是 "定位"？--ADP 5-0 將作戰過程執行階段的決策描述為對 "執行決策 "和 "調整決策 "的持續評估，這些決策要么確認計劃已步入正軌，要么推動對計劃進行微小修改，要么推動對計劃進行重大修改。在任何情況下，第一步都是進行評估，以確定當前的條件狀態，從而觸發執行或推動對計劃進行小幅或大幅調整。

圖 7. 執行過程中的決策（ADP 5-0）

在整個作戰過程中，參謀人員必須優先考慮對 FFIR 的審慎評估，因為這可能會推動執行決策（對計劃的微小改動）或調整決策（對計劃的重大改動）。根據我的經驗，缺乏經驗的 BN 參謀部要成功做出執行和調整決策，一個主要障礙就是制定有意義的 FFIR，在流經主要指揮中心的所有其他信息和數據中提供真正關鍵的信息。參謀人員確定 FFIR 真正關鍵信息的一種方法是確定關鍵能力或條件，這些能力或條件必須具備，才能實現決定性目標或保持有利的部隊和手段關聯（COFMs）以完成任務。如果友軍的任務信息不直接影響實現決定點或在整個任務過程中保持有利的部隊和手段相關性，那么它可能就不應該是 FFIR。為參謀人員提供這一明確指導，可使他們將評估重點放在對決策至關重要的條件和相關觸發因素上。此外，還建議在任務前演練中強調由誰掌握這些條件和觸發因素（包括分隊和參謀人員），以便為推動決策的 FFIR 提供信息。

圖 8. BN FSO 在聯合作戰演練中做簡報。

決策支持矩陣及其重要性

ADP 5-0 指出："在執行過程中，評估包括有意識地將預測結果與實際事件進行比較，同時使用指標來判斷行動在取得成功方面的進展。執行期間的評估有助于指揮官確定是否有必要改變行動，以利用機會或應對意外威脅"。ADP 5-0 描述了兩種推動評估并為決策提供信息的工具：運行估計和決策支持矩陣（DSM）。根據我的經驗，大多數 BN 級參謀人員在行動期間都很難管理好這兩個工具，我們 11 月份的 JRTC 輪調也不例外。但是，更新的運行估計和良好的 DSM 對于進行持續評估、保持對形勢的了解以及為決策提供信息都是必不可少的。我過去一直認為 DSM 主要是為指揮官服務的。因此，我不重視制定 DSM 的邏輯圖如下：

• 如果 DSM 主要是為指揮官服務的；

• 如果沒有指揮官的大力協助，BN 參謀部很難制定出有效的 DSM；

• 而且，DSM 是戰爭游戲的一種產出，不制作 DSM 就已經夠難了；

• 那么，我還不如自己來做DSM，也許還能得到S-3或執行官（XO）的幫助；

• 因此，我基本上是在制作自己的 DSM；

• 因此，我不會制作 DSM，我只是憑直覺來做。

這一邏輯的最大問題始于第一個命題： 它是錯誤的。DSM 主要用于推動工作人員的評估。確定為決策提供信息的 CCIR，可使工作人員的信息需求集中在他們的運行估算中，以保持對形勢的了解。如果沒有一個 DSM 來確定工作人員評估活動的重點，這些活動就有可能根本無法進行。

這種邏輯的另一個問題是，它假定 DSM 僅僅是軍事決策過程（MDMP）中 COA 分析步驟的附帶部分。相反，DSM 可以說是戰爭游戲和 COA 分析的全部意義所在，就像制定行動同步矩陣（OPSYNCHMAT）一樣。因此，參謀人員不能將制定 DSM 作為 COA 分析的一項關鍵產出--必須將其作為作戰過程中進行有效評估的關鍵優先事項。

指揮官在評估和決策中 "自作主張 "的危險

這次 JRTC 輪調是我第二次擔任指揮官。我對如何操縱 BN 和推動行動進程了如指掌。至于我對 DSM 和戰術決策的看法，我認為我可以 "翼翼而行"，而且仍然比跟從一個缺乏經驗的參謀部的平庸產出更有效。在 2022 年 11 月攻擊SUN號和EUROPA號之前，我一直比較成功地（解讀為：幸運地）做到了這一點。我很快意識到，在執行過程中，任務、敵人、地形和天氣、部隊和支援可用時間以及民事因素（METT-TC）等變量會有更多方式發生變化，任何指揮官都不可能親自跟蹤這些變化，而你沒有想到的（并強迫分隊報告的）CCIR 遲早會在你不知情的情況下破壞計劃。底線是 如果不對顯示任務是否步入正軌的友軍和敵軍指標進行深入思考，就無法對 CCIR 進行監控、報告和分析，從而為決策提供依據。你會錯過一些東西。

圖 9. BN 指揮官監測連隊報告（LTC Hamilton，JRTC 輪調）

1 引言

未來的戰場將是動態的、混亂的、不可預測的和不確定的。在這種多戰區、多領域、相互關聯的戰場上，指揮官和參謀人員將從大量數據中篩選信息、做出決策和反饋。在克勞塞維茨戰爭迷霧籠罩下的時間有限的作戰環境中，領導者有效而公正的決策，以及由人類和機器/系統組成的團隊協調一致的行動，將是取得簡潔勝利的助推器。決策的速度和復雜程度預計將超越人類的認知水平。最新技術和新興技術提供的能力將為各個領域的決策者和部隊提供幫助，同時國家和非國家行為者也將在這些領域同時展開爭奪戰。著名的 OODA 循環在 "觀察"、"定位"、"決策 "和 "行動 "的每個階段都將有技術輔助投入。大數據和推理分析的更快處理能力以及算法驅動的機器對輸入的無縫整合將簡化與大數據的五個Vs（即數量、速度、真實性、價值和多樣性）相關的復雜性。

人工智能（Artificial Intelligence 或 AI）是計算機科學的一個分支，它匯集了多個學科，旨在創造智能機器--能夠執行復雜任務的設備和系統，如人類智能所執行的任務，但其方式等同于或超越人類的能力。從根本上說，其目的是制造能夠在各種意義上復制人類行為和智能的智能機器。正如我們所知，在人工智能的三種類型（人工狹義智能、人工通用智能和人工超級智能）中，目前的能力是 "人工狹義智能 "或 "弱人工智能"，即機器或系統（如 Alexa 或 Siri）可以重復執行一系列預先確定和定義的活動。在日常生活中，我們與大數據、機器學習等與人工智能相關的集合或子集合中的一個進行交互，盡管所有集合或子集合都被松散地稱為人工智能。即使關于人工智能獲得過多自由的倫理爭論仍在繼續，人工智能的奇點預計將在二十年后出現，但諸如 ChatGPT、蜂群無人機、鋼鐵俠、無人駕駛自動汽車等話題仍在人工智能文盲的閱讀清單上。

美國、中國和俄羅斯等國已經在人工智能的各個領域，包括軍事能力領域取得了飛速發展。與 1997 年 "深藍 "擊敗卡斯帕羅夫或 2016 年 Deepmind 的 AlphaGo 擊敗李世石相比，2020 年 8 月王牌 F16 飛行員與人工智能系統 "獵鷹"（美國國防部高級研究計劃局（DARPA）的空戰進化（ACE）計劃）的模擬空戰等試驗或事件受到了更多關注。印度已經采取了一系列措施來開發和利用人工智能的能力，其中包括建立一個國家級的機構，并在各研究所建立卓越中心。2018 年，NITI Aayog 發布了《國家人工智能戰略 #AIForAll》，隨后在 2020 年建立了國家人工智能門戶網站，此外還有其他各種舉措。國防人工智能委員會和國防人工智能項目機構已經成立，目前正在努力確定和開發各個領域的項目。印度國防與發展研究組織（DRDO）的十個卓越中心和兩個專門實驗室致力于確定和開發關鍵技術與應用，而印度陸軍則在莫霍（Mhow）的MCTE建立了人工智能卓越中心，并在各培訓機構增設了以人工智能為導向的課程。除了各種研討會，印度陸軍最近還宣布了采購噴氣背包、機器人騾子、無人機系統和干擾器等武器的計劃，以期提高其在戰斗中的優勢。

在武裝部隊中，人工智能和相關能力可用于成倍提高訓練、監視、情報整理、后勤（包括供應鏈管理）、網絡安全、武器彈藥等領域的性能。Manekshaw 關于 "將人工智能用于軍事 "的論文提到了人工智能可以重點關注的態勢感知、殺傷力、人力資源（HR）、培訓、生存能力、網絡、信息和電子戰（EW）以及機動性等領域。可以推測，納入人工智能系統和子系統（包括無人駕駛系統、遠程系統和機器人）的目的是：

• 加強信息優勢（例如：提供對手位置的航拍照片；整合來自結構化和非結構化數據的輸入）。

• 減少認知負荷（例如：在交火中識別新目標并提出目標選擇建議）。

• 承擔物理負荷（例如：攜帶沉重的作戰裝備或以外骨骼的形式協助人類）。

• 處理危險任務（例如：在危險區域運送物資或進行醫療后送）。

隨著武裝部隊融入和利用人工智能的方方面面，一個明顯的表現將是在戰斗或作戰效能領域。戰斗力被定義為一支軍事部隊基于行為、行動和領導力等方面的考慮參與戰斗的準備狀態，是部隊（人數）、裝備可用性、士氣、領導力、訓練標準等有形和無形因素的綜合。換言之，它是一支軍隊成功完成其使命或任務的能力。

然而，目前的想法對兩個重要且相互關聯的方面卻只字未提，而這兩個方面可能會影響戰斗力，同時還包含人工智能的各個方面，即 "信任 "和 "偏見"。即使技術不斷進步，智能水平從 "輔助 "到 "增強 "再到 "自主"，不變的是 "人的因素 "或 "回路中的人"。組織文化、年齡、性別等因素將影響新技術進步在不同組織中被人類接受的方式。人、流程和技術這三大支柱必須與積極的反饋機制無縫結合，以確保任何形式的偏見，無論是被動的還是主動的，都不會表現出來，從而影響信任度和效率。

2 信任

人機協作是一種關系，至少由三個同等重要的要素組成：人、機器以及它們之間的互動和相互依存關系。建立透明、可解釋、可靠并具有其他特征和能力的可信人工智能，是創建高效人機團隊的重要組成部分。人機交互的復雜動態是未來的趨勢，這將要求增強對機器的信任，就像同一團隊中兩名士兵之間的信任一樣。在任何戰斗單位或分隊或可稱為團隊的單位中，每個隊員在一起接受過訓練，都知道對方的長處和短處。團隊成員之間的友情和團隊精神，最終使團隊成為一個具有戰斗力的凝聚單位。團隊成員之間的 "信任 "遠比其他任何因素都重要，這是在敵方火力下行動時必須具備的條件，因為在這種情況下，一個人的生命取決于另一個人的火力掩護或支援。

隨著復雜程度和互動的增加，對人際（人-機和人-系統）信任的需求也會增加，而在人與人的關系中，這種信任取決于相關各方的品格和能力，以及他們對這一點的相互認識。盡管在開發系統時，"信任 "是一個難以考慮的因素，但我們可以做的是提高系統的透明度、可靠性和可解釋性，從而在人機協作中建立信任。在這樣一個有凝聚力的團隊中引入一臺機器，一個不露面、沒有感情的成員，會影響信任因素。人類的傳統習慣是擬人化，即把人類的情感賦予其他生物，這在飼養寵物的家庭中很常見。如果一臺機器能表現出類似人類的特征、習慣和情感，那么它就更有可能贏得團隊的信任。

一項關于人機協作的研究指出，協調、溝通和適應是成功團隊成員的三大關鍵能力。雙向溝通是一個重要方面，因此，可解釋的人工智能或 xAI 正在解決使用深度神經網絡的復雜系統透明度降低的問題。有效的溝通還能建立信任。協調則更多地涉及對團隊成員知識、技能和行為的認可，以實現共同目標。目前，這一能力的一個主要弱點是隱式協調，即團隊成員可以根據他人的行為模式預測他人可能會做什么，這超出了具有明確框架和規則的機器的范圍。也許 "心智理論人工智能 "也能滿足這一要求。在適應方面，人機團隊的每個成員都必須根據已知的知識、隊友的行為以及預期的模式進行適應。這是另一個方面，它將要求目前的第一代（基于知識）和第二代（統計）人工智能系統向第三代（因果和上下文）模型轉變。大規模數據集的可用性以及具有共享態勢感知和經驗的關聯系統將幫助系統更快地適應環境。

另一項關于人機交互中影響信任的因素的研究在人類、機器人和環境三個方面確定了 33 個因素（見表 1）。研究顯示，在所有因素中，機器人的表現對建立信任的貢獻最大，而環境也發揮了相當大的作用。正如信任是如何在純人類團隊中形成的一樣，相信人工智能輔助機器人或系統將提供無偏見的高質量產出或性能，也將在人機團隊中建立信任。

表 1 影響人機交互信任的因素

3 偏差

人類決策和判斷中的認知偏差是有據可查的。丹尼爾-卡尼曼（Daniel Kahneman）在《思考的快與慢》（Thinking Fast and Slow）一書中提到了大腦的第一和第二系統類型，其中快速直觀的第一系統試圖劫持緩慢分析的第二系統大腦，從而導致更多的思維捷徑或啟發式方法，進而產生偏差。雖然有消除和減輕偏差（去偏差）的方法和手段，但意識到偏差并不總能導致從決策循環中消除偏差。更具破壞性的是，在不確定和有風險的條件下，大腦在有限的時間窗口內采用其中一種捷徑（啟發式方法）時，通常會出現對隱含偏見缺乏了解的情況。

除了在組織的各個層面制定政策和程序以系統地消除偏見并建立反饋機制外，還需要采用 "循證決策"。這就需要數據云等通用數據共享平臺，以及能夠解讀輸入信息并分析結構化和非結構化數據的標準算法，以便在決策過程的各個階段為領導者或決策者提供真知灼見。在 OODA 循環的 "觀察 "階段，可以通過讓機器綜合大量和各種輸入來提供經過整理的情報畫面，從而減少人為偏見。在 "定向 "階段，當決策者正在經歷決策循環中的 "感知 "范式時，一套經過整理和綜合的分析輸入將有助于在更短的時間內確定框架和方向。在 "決策 "階段，基于機器學習的決策支持系統可以對領導者的經驗和直覺進行適當的補充，從而以更快的速度做出更好的決策，這對于即使在認知和物理領域也沒有明確界限的未來多領域戰場來說至關重要。

另一方面，增加對人工智能系統的依賴可能會進一步擴大算法中的內在偏差或訓練數據集中的存在偏差。盡管有制衡措施來系統地審查算法是否存在偏差，并防止由于在不完整的數據集上進行訓練而產生隱性偏差，但仍不能排除在設計階段納入人類認知偏差的可能性和可能性。表 2 列出了德勤公司關于偏見和信任的研究中發現的數據模型偏見，盡管并不全面。

表2 數據模型偏差

雖然有些人認為，與有偏差的人類決策者相比，在更大的歷史數據集上訓練出來的有偏差的算法仍會提出更平衡的 "行動方案"，但 "去偏差（消除/減輕偏差）"方面值得比現在更多的關注。可以說，人類和機器都需要采取 "互利的去偏差策略 "來提高決策質量，以探索和了解那些不道德、不健全和不合法的偏差。

4 建議

人工智能及其相關工具和能力可在不同層次和階段引入，以提高和衡量技能和標準，同時可根據不斷變化的戰場和作戰范圍的需求進行進一步修改。虛擬現實和增強現實技術與觸覺技術相結合，可使身心沉浸其中，為訓練增添真實感和活力，而模擬和戰爭游戲模型則可降低成本、提高適應性和改進相互操作性。虛擬現實（VR）可用于教育、醫療和作戰訓練領域。在 COVID-19 大流行期間，在線教學平臺大規模增加，許多教育機構利用現有技術使學習更加身臨其境。復雜的概念可以用三維在線模型來解釋，而士兵必須接受的多層次教育和技能發展可以通過 VR 系統逐步實現。所有士兵都能更好地學習和實踐醫療保健方面的知識，包括作戰醫療護理。利用自然語言處理能力，可以建立人工智能對話系統，讓士兵參與各種問題的討論，包括基本文件、野戰工藝和戰術、基本醫療說明、專業軍事教育（PME）原則等。無人傳感器、載荷搬運、重復性任務機器人、多模態情報分析、使用云架構的邊緣計算以加快決策速度和縮短 OODA 循環，這些都是人工智能輔助系統在營/團一級的一些應用領域。

問題的關鍵在于營級或團級會發生什么變化？它會改變我們目前的工作和運作方式嗎？在效率和透明度方面，我們的工作和運作方式確實會發生范式性變化。隨之而來的還有對變革管理和技術技能提高的需求。從公務員遴選委員會（針對軍官）和招聘中心（針對初級軍官和其他職級）開始，人工智能輔助軟件可以幫助識別具有適當能力和接受能力的個人，使其能夠在這種人機接口團隊中工作。這些團隊可以協同工作，確定每個級別的可操作部分或領域，然后與各卓越中心合作，生產基于需求的機器或系統。在目前的 Agniveer 計劃中，人工智能系統可以為這些士兵在四年部署期結束后的留用性提供有價值的信息。

一個營、一個團或一艘艦艇要想真正發揮戰斗力，就必須對其他作戰人員（包括三軍人員）有起碼的基本認識。基本認識包括對其作戰風格的認識以及對局勢的認識，從而形成共同作戰圖景（COP）。目前，三軍和海岸警衛隊的聯合演習次數有限，主要原因是規劃和空間限制。資產類型、成本、適用性和損耗等方面的原因導致各部門參與聯合演習的規模縮小。目前，各軍種正在討論和實施戰區司令部，并探索更多的聯合行動途徑，而人工智能輔助的增強現實和虛擬現實技術為參與者提供了一個更加綜合的共同訓練機會。通過這種聯合模擬和人工智能輔助的戰爭游戲，可以根據對手不斷變化的戰略和武器配置動態改變場景和設置，同時系統地解決自身的進程問題。無人駕駛航空系統和其他系統也是如此，它們可以成為提高作戰效率的聯合資產。

人工智能的能力和人工智能所有相關系統的作用需要作為三軍專業軍事教育（PME）的一部分加以介紹。未來戰場需要一支綜合的多領域作戰部隊，不能讓指揮官或參謀人員不了解這些新興技術所能提供的能力。PME 需要在軍官、軍士長和部隊一級滿足這些要求。即使在國際和平研究部等機構制定心理措施以接受機器和系統的同時，也有必要在部隊/分隊一級改革目前的培訓方法，重點放在任務基本任務（MET）和任務基本任務清單（METL）上。有必要在每個級別設立人機接口小組（HMiT），以促進這一過渡。人機接口小組可以確定技術在哪些階段可以提高和增強行動或各種任務的成功率。畢竟，任務的成功是戰斗力的主要決定因素之一。

野戰靶場（FFR）數量的減少、不斷擴大的城市景觀對傳統訓練場地的侵蝕、成本削減措施以及其他諸如此類的因素，都可以通過采用人工智能輔助的聯合戰爭游戲和模擬方法加以克服，這將為各級領導層帶來急需的意識、活力和聯合（紫色）思維。人工智能系統和人力資源分析還可以協助人力資源管理，從招聘和培訓階段就開始識別操作特定平臺的關鍵人員，這將在一定程度上消除在識別合適人選時發現的偏見或成見。

雖然人工智能和相關技術的能力是巨大的，但錯誤的實施戰略可能會造成長期損害。隨著新技術的采用，包括隱私在內的倫理道德問題也需要適當考慮。機器學習和深度學習的子集需要龐大的數據集來建立參考框架。在目前的情況下，由于保密程度不同，共享和記錄事件的范圍有限，因此擁有一個可行的訓練數據集和一個能夠應對多種突發情況的算法成為了一項挑戰。著名的 "死亡算法 "概念，即自動駕駛汽車的算法應在可能發生碰撞的情況下拯救車內人員或行人，這讓我們對設計人工智能系統所面臨的挑戰有了深入的了解。

結論

即使目前形式的人工智能已從 "弱人工智能 "轉變為具有深度學習、神經網絡等功能的強人工智能，人工直覺和量子認知等概念也將獲得更多關注。一支為多平面、多領域行動做好準備的未來部隊必須在人-機、人-系統層面實現真正的整合，而這可以通過在組織的各個層面采取系統、可持續、漸進但平行的措施來實現。團隊成員之間的信任必須超越人與機器之間的信任，并采取充分的保障措施，防止系統性和隱性偏差。

在日益復雜和苛刻的作戰環境中運作的需要，有可能使現代軍艦上以人為中心的指揮鏈超負荷。擴大使用快速發展的人工智能技術提供了應對這一挑戰的潛力，徹底改變了指揮空間的決策。本文以皇家海軍為例，研究了最近在這一領域的實驗。

背景介紹

戰斗信息中心（CIC）是現代軍艦上局面編制、任務管理和武器控制的協調中心。它承載著一個人類操作團隊，負責為戰術家和指揮官提供合理化的信息，作為實時決策的基礎。戰爭小組的成員與計算機控制臺、顯示器、通信設備和其他外圍設備互動，以建立對戰術形勢的集體認識；評估和優先考慮威脅；并管理海面上、海面下的 "戰斗"。

一名電子技術員在美國海軍 "保羅-漢密爾頓 "號導彈驅逐艦（DDG-60）上跟蹤地面和空中接觸。隨著威脅越來越復雜，環境越來越有挑戰性，數據量越來越大，指揮團隊越來越面臨認知過載。(圖片: 美國海軍)

目前，CIC中的指揮鏈是基于高度規定性和以人為本的決策層次，由編譯器和操作員從各種有機和非有機來源中建立戰術圖景，以實現及時和知情的戰術決策：例如，轉向開放武器弧的路線，或執行軟殺傷性反措施計策。然而，人們認識到，由于海軍部隊越來越多地被要求在更加復雜和苛刻的作戰環境中作戰，而這些環境的特點是多樣化和越來越具有挑戰性的威脅，因此指揮小組現在面臨著越來越大的超負荷威脅。

同時，艦艇收到來自有機傳感器和非有機來源的越來越多的數據，從而使指揮團隊識別、理解和應對威脅情況的能力更加復雜。操作人員也要承受越來越大的壓力：在防衛值班時，一次盯著屏幕看幾個小時，需要人類集中精力，即使有休息時間。任何疏忽都可能意味著遺漏或錯誤地識別了一次接觸。

正是在這種背景下，海軍從業人員、作戰人員、國防科學家、工業界和學術界都開始考慮如何增加自動化和更多地使用人工智能（AI）技術來提高指揮和控制領域決策的敏銳度和速度。定義各不相同，但從廣義上講，人工智能可以被描述為機器所顯示的 "智能行為"。從本質上講，這描述了機器模仿人類在推理、計劃、學習和解決問題的任務中所采用的認知功能的能力。

人工智能已經開始進入商業和消費領域的主流，因為事業已經看到了人工智能在提高生產力、增加效率和簡化任務執行方面的潛力。海軍現在也熱衷于在指揮和決策中利用 "機器速度 "人工智能的力量，因為他們認識到人工智能技術善于從嘈雜的動態數據中推斷出模式、趨勢和信號。同時，人們認識到，在一個有效和高效的社會技術組織中整合人類操作員和計算機，會帶來無數的技術、操作和道德方面的復雜性。

維斯比級護衛艦HSwMS卡爾斯塔德的CIC。未來人工智能支持的指揮和控制系統將需要將人類和機器的合作作為設計過程的基本組成部分來考慮。(圖片: Richard Scott)

背景下的人工智能

高級別的自動化對海戰來說絕非新鮮事物。例如，設置為 "自動 "模式的自衛武器系統將在滿足預先確定的交戰閾值條件時自動開火。這代表了一種非常初級的人工智能形式，因為武器系統有能力承擔原本由人類執行的功能。然而，應該明確的是，這不是一個學習系統，因為它只按照預先編程的規則集運作。

在指揮環境中實施早期形式的人工智能的最初想法可以追溯到20世紀80年代。皇家海軍（RN）艦艇在南大西洋的損失，在海灣地區對 "斯塔克 "號護衛艦（FFG-31）的反艦導彈攻擊，以及 "文森 "號巡洋艦（CG-49）無意中擊落一架伊朗A300客機，都證明了依賴大型和以人為中心的指揮鏈的行動信息組織的脆弱性和易錯性。在某些情況下，高工作量和戰斗壓力的結合壓倒了操作人員的認知能力，導致他們錯誤地評估局勢和/或錯誤地計算出適當的反應。在其他情況下，由于操作人員和作戰人員缺乏關注，即使有明確的線索表明攻擊迫在眉睫，也會忽視威脅。

到20世紀90年代，一些有限的嘗試將人工智能的形式引入到指揮鏈中。然而，這些所謂的 "專家 "系統--實施基于包含嵌入式理論或規則的知識庫的人工智能形式--遇到了一些不足和限制。例如，那個時代的計算能力和可訪問的內存所帶來的限制必然限制了軟件實施的復雜性。另外，這些基于知識的技術在實施中非常僵化--依賴于從操作者經驗中提煉出來的規則--因此在應用中非常狹窄。

約翰霍普金斯大學應用物理實驗室的硬殺傷/軟殺傷（HK/SK）性能評估工具（HaSPAT）原型于2020年初部署在美國海軍 "邦克山 "號巡洋艦（CG-52）上。(圖片：美國海軍)

對在海軍指揮和控制領域實施人工智能的重新關注反映了過去十年中技術和工藝的重大進步--最重要的是，深度學習的革命使計算機能夠以更像人類的方式對特定任務進行學習和概括。同時，人們對人工智能在指揮過程中可以增加價值的地方有了更好的認識：例如，通過幫助提醒操作人員在早期階段的潛在威脅，或在復雜的多重威脅情況下支持威脅評估和武器分配（TEWA）。

還應理解的是，至少在可預見的未來，不贊成用機器完全取代人類的想法。相反，重點是利用人工智能技術來減少決策者的工作量，從而使人類在計劃任務、估計對手能力或考慮采取特定行動方案時有更多的時間和更清晰的認識。簡而言之，當時間有限或選擇的數量太多，人類無法分析所有的選擇時，人工智能可以提供關鍵的決策支持。

這種決策援助的一個例子是約翰霍普金斯大學應用物理實驗室（JHU APL）開發的硬殺傷/軟殺傷（HK/SK）性能評估工具（HaSPAT）原型。HaSPAT旨在幫助操作人員了解計劃中的防御態勢，并在敵方攻擊前評估作戰系統的性能，它還通過告知有哪些資源可用，確保為自衛保留足夠的彈夾容量來平衡武器庫存。來自JHU APL的工程師在2019年6月訪問美國海軍 "邦克山 "號巡洋艦（CG-52）后開發了HaSPAT。在與該艦的指揮官討論后，決定進行快速開發，以幫助艦上的作戰團隊更好地計劃和協調硬殺傷和軟殺傷效應器的使用。

智能船舶第二階段共資助了10個智能代理，并選擇了一個 "集成商 "來管理ISAIN環境的開發。(圖片: Dstl)

HaSPAT納入了有關武器有效性的信息，以支持武器分配和調度，并嵌入了一個模擬，以產生分析和性能指標，告知用戶與配置相關的可能風險。它還被設計成用戶可以為區域和自衛實驗設置不同的部隊戰斗空間配置。

原型工具于2020年初部署在美國海軍 "邦克山 "號上，以便船上的船員能夠評估HaSPAT的功能，并為進一步更新提供反饋。根據JHU APL的說法，這一初步演示為在部隊層面上獲得更重要的硬殺傷/軟殺傷協調能力提供了一個墊腳石。

在大西洋彼岸，旨在加速和改善指揮團隊在緊張的水上戰爭場景中的形勢意識和威脅分析的原型決策輔助工具也已經由英國皇家海軍在海上進行了操作試驗。例如，英國皇家海軍和國防科技實驗室（Dstl）在2021年5月的海上演示/"強大的盾牌21 "演習中評估了一些人工智能工具。其中一個是Roke公司的STARTLE應用程序，其目的是通過提供實時建議和警報，幫助減輕操作員監測空中情況的負擔。另一個是CGI英國的系統協調綜合效果分配（SYCOIEA）自動化平臺和部隊TEWA應用。

智能船舶

人們認識到，未來的核心挑戰是如何設計人類操作員與計算機和人工智能軟件程序之間的互動和合作，以最大限度地減少人類意圖與使用自動或自主系統執行該意圖之間的 "摩擦"。這種整合--其縫隙是人機界面--必須認識到人類不僅僅是 "用戶 "或 "操作員"，他們本身也是決策環路的一部分，因此是功能和產出的組成部分。

2019年，英國國防部啟動了一個名為 "智能船舶 "的多階段科技項目（S&T），正是因為需要研究有關人工智能改變指揮決策的潛力的一些關鍵問題。由國防部（MoD）資助，作為其更廣泛的自主性科技計劃的一部分，這項正在進行的努力代表了一種開創性的嘗試，即設計一個合作的 "系統的系統"，其中自動化和人工智能與人類更緊密地結合和合作，以實現更及時和更明智的規劃和決策。重要的是，智能船舶項目旨在展示一個未來的指揮和控制概念，其中人類和人工智能 "代理 "在一開始就被設計進去，而不是簡單地將人工智能添加到傳統的行動信息組織中。此外，它還認識到，系統的系統將包括機器-機器團隊以及人-機器團隊。

位于Dstl的Portsdown West設施的指揮實驗室作為智能船舶第二階段評估的測試平臺環境。(圖片: Dstl)

智能船舶計劃的第一階段涉及一系列 "挑戰"主題--任務規劃和決策輔助工具、信息融合、傳感器和信息管理、新型人機界面、人機協作和集成--代表了典型軍艦中的各種功能和能力。這些包括支持平臺系統的組件，以及指揮規劃和決策輔助工具。 這個最初的六個月階段的一個核心部分是開發智能船舶人工智能網絡（ISAIN）框架的任務。在CGI英國公司的領導下，在DIEM分析公司、人因工程解決方案公司和決策實驗室的支持下，ISAIN是一個可以在不同場景下探索人機合作的環境，使開發和評估新的組織和工作流程結構成為可能，這些結構利用AI與人一起工作。這提供了在人類、人工智能或兩者之間動態轉移工作量的可能性，這取決于情況及其復雜性。此外，ISAIN框架為系統研究提供了一個試驗場，并促進對支持和促進團隊所有成員（包括人類和AI）的活動和互動的創新機制的研究。

例如，不同的人工智能和人類如何合作，人工智能和人類能力的最適當組合，組織人工智能和人類作為一個團隊實現目標的最佳方式，以及仲裁或消除來自多個人工智能的相反建議/行動的手段。 除了ISAIN，智能船的第一階段還資助了人工智能的成熟--或稱決策代理（ADeM）--可以被整合到ISAIN中進行演示。ADeM是該項目采用的一個術語，用來描述在人-AI機器或AI機器-AI機器混合團隊中運作的人類或基于機器的智能代理。

2020年6月，通過國防部的國防與安全加速器（DASA）發出了智能船舶項目第二階段的呼吁。DASA資助創新和可能利用的科技想法，這些想法可以為英國武裝部隊和國家安全帶來成本效益的優勢。當年11月，總共授予了9個第二階段的合同--累計價值約為300萬英鎊。其中，CGI英國公司作為ISAIN的集成商和開發負責人，獲得了大約一半的合同。在這個角色中，CGI UK與Dstl合作進行ISAIN的集成，將ISAIN安裝到Dstl的Portsdown West站點的指揮實驗室中，設計開發智能船舶的各個方面如何在ISAIN環境中結合起來，并將選定的ADeMs集成到ISAIN架構中。

DASA將第二階段的剩余資金用于開發特定的 "訓練有素 "的AI。授予決策實驗室、DIEM分析公司、Frazer Nash咨詢公司、Montvieux公司（獲得兩個獎項）、諾丁漢特倫特大學、勞斯萊斯公司和SeeByte公司個別合同。CGI英國公司在行業標準和工具的基礎上制作了一個軟件開發工具包，提供給各個ADeM供應商。

除了DASA合同，之前在Dstl'Progeny'框架下開發的戰術導航（TacNav）代理被拉入智能船舶第二階段。TacNav是由CGI英國公司開發的，用于計劃、執行和監控智能船的戰術導航。在第二階段中，CGI的SYCOIEA TEWA決策輔助工具也發揮了作用。

由于該項目無法為DASA征集的所有提案提供資金，因此決定選擇廣泛的人工智能代理，跨越一系列的平臺和戰斗系統功能。例如，羅爾斯-羅伊斯公司開發了一個被稱為ACE（人工總工程師）的決策控制系統，該系統旨在根據指揮部的優先次序，就如何最好地操作船舶機械--發動機、推進系統、電力網絡和燃料系統做出基于條件的決定。另一個人工智能被稱為IBIS（用于損害控制和消防的內部戰斗智能強化學習），是由弗雷澤-納什咨詢公司構思的，作為一個使用基于人工智能的新型強化學習技術的預測性損害控制工具。

智能船舶團隊還選擇了決策實驗室開發的人工智能，稱為CIAO（用于優化的高級復合智能代理），可用于仲裁兩個不同代理交付的沖突輸出。例如，如果TacNav根據水下障礙物或當地航運交通推薦一條航線，但TEWA代理建議另一條航線，以打開武器弧線對付來襲的威脅，它就可能發揮作用。CIAO在系統的許多部分都得到了實施，以便在決策鏈的不同部分提供復合建議。

杜威號導彈驅逐艦（DDG-105）CIC中的人員。未來幾年，人工智能將在海軍領域的許多情況下得到應用，將人類和機器融合在一起。(圖片: 美國海軍)

指揮實驗室

ISAIN被整合到了Dstl的Portsdown West站點的指揮實驗室設施中。這一設施--承載著由開放和靈活的硬件、軟件、網絡、數據庫和協議接口組成的實時、虛擬和建設性的模擬--由Dstl的許多部分共同出資。它作為一個可配置的測試平臺，提供了在所有戰爭環境中進行實驗和整合新系統的能力。

為了支持智能艦艇的實驗和評估活動，指揮實驗室配備了類似于CIC多功能控制臺的操作終端，允許軍事顧問在偽作戰環境中與人工智能代理互動。在2021年和2022年期間，指揮實驗室已經進行了四次單獨的評估，場景的復雜性、代理人的數量和這些代理人的成熟度隨著時間而增加。

這些評估是針對Dstl軍事顧問開發的名義場景進行的，這使得ADeMs可以在一個有代表性的操作環境中得到展示。這始于一個規劃階段。在這之后，"船"--在一個更大的任務組之前行動--在有爭議的水域附近進行情報收集行動。隨著緊張局勢的加劇，與對手的紅色部隊發生了對峙。這最終導致了一次反艦導彈攻擊，并造成了自身艦艇的損壞。為了評估的目的，這個端到端的場景被分解成一系列較短的小插曲，每個小插曲包括大約半小時的 "操作 "活動。這些腳本是為了最大限度地提高代理人之間的互動。

第二階段于2022年3月底完成。研究和實驗提供了寶貴的早期洞察力，使人們了解到將多個人工智能應用結合在一起做出集體決定的機會和好處，無論是否有人類操作員的判斷。同時，它確定了一些新的問題，即如何在復雜的指揮環境中最好地實施和管理AI-enabled自動化。結論是，只有通過解決多個智能機器代理團隊的設計和操作，才能獲得真正的操作優勢，并使人類在這些團隊中的整合得到優化，形成有效的人類-自治團隊（HATs）。

DASA與Dstl合作，在2023年初宣布了智能船第三階段的計劃。在第二階段之前開發和評估的協作式人工智能概念的基礎上，這一后續科技計劃的結構是為了探索更早和更集中地考慮HAT的人類組成部分的好處，以支持未來的海軍指揮和控制。

第三階段的目標是為HAT設計一個綜合系統，該系統可以提供水上海軍指揮和控制的各個方面，并更詳細地考慮基于人工智能的HAT的協作的仲裁需求。這將促使人們更加關注系統設計，而不是人工智能代理的開發；人類在HAT系統中的整合；以及對不同人工智能代理的潛在沖突建議的仲裁方法的理解。其目的是將現有的ISAIN環境用于整合和評估。

第三階段的競爭預計將于2023年4月開始。其目的是，一個單一的多學科合作團隊將提供所有的產出，包括系統設計、構建、整合和評估。目前的計劃設想在2023年第三季度授予合同，第三階段的活動預計將持續到2024年12月。

結論

未來幾年，人工智能將在海軍領域的許多情況下得到應用。同時，人們認識到，人工智能的使用提出了一些深刻的倫理、法律和管理問題。今天，海軍、國防科學和工業界所面臨的挑戰是如何確定人工智能可能成為解決方案的一部分的操作缺陷和能力差距，并了解如何最好地將人類和機器融合在一起，以便將人類的認知、直覺和責任與機器速度的分析能力相結合。

從長遠來看，將人工智能引入指揮鏈可能需要一個范式轉變。未來的指揮和控制系統將不再是設計系統，然后設計與人類操作員的接口，而是將人類和機器的合作互動作為基礎概念和設計的基本部分。此外，將需要仔細關注，以確定在一系列操作場景和任務中指揮團隊中人和機器元素之間的最佳平衡。

“美國陸軍2030”概念的出現結合了新的概念、編隊和技術，需要在各級戰爭中進行大量實驗。陸軍作為美國資源的保管者，必須向高級領導人提供關鍵信息，以便就陸軍應該如何改變做出決定。在一個技術提高了陸軍、聯合部隊、盟友和潛在對手的能力的世界里，這些變化是必要的。下面的文章旨在幫助指揮官和參謀部了解陸軍如何設計和執行實驗。

為什么美國陸軍實驗對作戰部隊很重要？

美國陸軍進行實驗是為了確保領導人能夠運用有限的資源來達到2030年的陸軍，甚至進一步達到2040年的陸軍。在人員、戰備和現代化的優先事項中，陸軍領導層對概念、編隊和技術的可能性和可行性有必要的理解和認識是至關重要的。這三者的結合必須實現一支能夠提供超強的潛在對手能力的部隊。對于一支必須始終關注戰備狀態的作戰部隊來說，實驗提供了一個驗證哪些能力可以提高戰備狀態的場所。其中一個關鍵部分是讓今天的作戰部隊的士兵和組織對這些潛在的變化提供反饋。這為參與的作戰部隊提供了影響陸軍未來的能力，同時提供了一個額外的訓練場所。

什么是陸軍實驗？

國防部實驗指導手冊將實驗描述為 "在測量的條件下測試一個假設，以探索操縱擬議的作戰概念、技術或條件的未知效果。" 在陸軍作戰實驗中，士兵們在野外環境中參與新技術、新概念和新組織。訓練有素的數據采集員和作戰分析員觀察這些實驗。這些觀察員在定量和定性分析的基礎上提出問題和假設。觀察完成后，收集人員將他們的數據提供給陸軍高級領導人，以協助他們確定未來部隊可能采用的能力。

作戰實驗與演習的區別

陸軍進行演習和實驗的方式有許多區別和結果。首先，演習可以提高戰備狀態，有訓練目標，有主要的訓練對象，并且有 "自由發揮 "的場景。陸軍單位進行演習是為了提高戰備狀態。根據一個單位的基本任務清單，指揮官確定訓練目標。訓練目標驅動著場景、參與單位和其他實現戰備目標的必要因素。在演習中，參與單位是主要的訓練對象。這方面的一個例子是在聯合戰備訓練中心（JRTC）的演習中，主要的訓練對象是旅戰斗隊的指揮官。在演習中，有大量的自由發揮。例如，對方部隊（OPFOR）可能被指示做一些特定的事情，以便讓各單位做出選擇和回應。

陸軍經驗教訓實踐社區為大多數重大演習計劃收集活動。根據演習的訓練目標，這些收集活動可能包括對特定重點領域或一般經驗教訓的觀察。陸軍經驗總結團體組成了收集小組，由于OPFOR和參與單位之間的自由發揮，可能會也可能不會收集到預期的數據。演習的成功如果基于訓練對象所學到的東西。觀察、洞察力和收集到的教訓數據屬于演習中的單位。

陸軍實驗與陸軍演習明顯不同。實驗的設計是基于贊助組織需要學習什么來推動未來的決策。贊助組織就需要回答的問題提出活動問題。實驗設計者將這些問題進一步分解為基本分析要素（EEAs），以幫助陸軍了解必須收集和分析什么來充分回答事件問題。通常，實驗有學習目標，有廣泛的領域需要答案來推動進展。此外，設計者會將學習目標分解為學習需求。學習需求是由任務分析和問題分解過程中發現的任務或定向活動所確定的問題。最終的狀態是滿足學習需求和各種可以用來完成的方法，包括文獻回顧、研究、運籌學技術和實驗。最后，設計者制定性能和有效性的衡量標準，以提供有意義的結果來告知領導者。實驗設計者利用這些步驟的結果來制定方案、所需組織、設備要求和其他項目。

在實驗中，陸軍通過收集的數據和由此產生的分析為未來的決策提供依據來定義成功。實驗資源的關鍵是確保數據收集和分析要素（如電子系統、人員、數據庫、數據收集卡等），這是獲得數據以進行后期分析的必要條件。自由發揮，或參與者做出選擇的能力，在實驗中是有限的，以使必要的聯系發生和被測量。例如，將特定的傳感器與特定的網絡和應用聯系起來，然后再與特定的射手聯系起來。實驗設計者這樣做是為了實驗各種元素一起工作如何提高反應能力。

在實驗中，收集者/分析者根據收集者的觀察分析得出教訓，以回答學習需求。在可能的情況下，這些問題在性能或有效性方面進行衡量，以提供可衡量的數據。這可能是基于技術能力的定量數據或基于操作有效性的定性數據。這些數據通常支持概念、物資和組織的發展。實驗負責人在不同的地方公布實驗結果。為了整合實驗數據，未來和概念中心正在開發Forge。Forge是一個 "結構模塊化的日期環境，促進了現代化進程的同步和整合，使陸軍現代化企業協作和共同運作的進展圖"。用戶可以訪問Forge來查找最終的實驗報告。Forge提供了一種能力，可以看到計劃的實驗，以及他們的學習需求和結果。經驗教訓社區可以使用Forge來了解分析家們提出的問題。根據經驗教訓社區在操作和訓練中看到的情況，社區可能能夠完善和/或幫助回答一些學習需求。

以“融合項目”為例

融合項目21（PC21）是上述內容的一個很好的例子。AFC根據需要學習的內容設計了PC21。陸軍的跨職能團隊（CFTs）和能力發展整合局（CDIDs）以及其他機構根據他們需要回答的問題提交了學習需求，以便為高級領導人的決策提供信息。在PC21中，有兩個關鍵領域的實驗需要解決。第一個是單個技術的性能。第二個問題是基于這些技術結合后如何提高作戰部隊的能力。為了解決這些問題，未來與概念中心和聯合現代化司令部（JMC）開發了用例作為實驗場所。設計者使用特定的領域，如傳感器到射手或綜合空中和導彈防御來開發用例。JMC制定了執行檢查清單（EXCHECKs），逐步描述了預期發生的情況。EXCHECK是收集數據的關鍵部分，以收集每個行動，為以后的分析提供基礎。PC21進行了多次迭代，以觀察和測量變化。觀察收集器進行了根本原因分析，以確定哪些因素促成了實驗中發生的事件。然后，對這些單獨技術的分析與對它們與其他技術的使用分析相結合，以發現它們如何能夠提高部隊的有效性。

了解需要學習的內容并集中收集努力是PC21成功的關鍵。由研究與分析中心（TRAC）、美國陸軍測試與評估司令部（ATEC）、陸軍作戰能力發展司令部（DEVCOM）分析中心（DAC）以及CFTs和CDIDs組成的PC21數據收集與分析（DC&A）團體將學習需求細化為分析的基本要素。DC&A進一步將分析的基本要素分解為性能和效果的衡量標準。這提供了必要的基線數據要求，以顯示收集者在實驗中必須追求的目標。DC&A研究了如何收集這些數據要求。對于定量數據，電子能力可以收集一些數據。在不可能的情況下，數據收集者收集具體的時間或其他數字元素，供以后分析。數據收集員和分析員收集額外的定性數據，如士兵和領導對技術效用的想法，或通過調查、熱洗和其他投入使用的潛在技術。數據收集員和分析員將收集到的原始數據輸入陸軍實驗資源數據庫（AERDR）。AERDR為所有陸軍實驗數據提供了一個數據庫。然后，代表PC21數據收集和分析界各要素的分析人員能夠使用這些數據，得出他們輸入實驗報告的結論。在未來，實驗發起人將在Forge發布這些類型的報告，供陸軍和聯合伙伴使用。高級領導人可以使用分析的結果來決定各種技術的發展方向。未來的 "聚合項目 "實驗將進一步納入概念和編隊。

結論

陸軍實驗對于向未來部隊提供能力超配至關重要。像 "融合項目 "這樣的實驗提供了一個場所，作戰部隊可以對未來能力提供反饋。這種反饋對于為高級領導人做出資源決策提供信息至關重要。作戰部隊指揮官對實驗的設計和收集的理解有助于他們更好地理解他們在這個過程中的關鍵作用。

《空軍全球未來報告： 2040年的聯合職能》通過美國條令中的七種聯合職能--火力、防護、運動和機動、信息、情報、指揮和控制（C2）以及維持--的視角，探討了四種情況，或未來的作戰環境。

本報告通過對2040年未來的持續增長、轉型、受限和崩潰的描述，制定了四種備選的未來作戰環境（FOE）。這些全球性的場景來自于環境掃描和問題分析，發現了新出現的微弱信號、當前的趨勢和長期存在的結構性力量，它們將共同塑造未來。鑒于時間跨度較長，且存在干擾事件，沒有辦法準確預測未來；本報告反而提供了對潛在FOE的分析評估，并通過比較分析，提出了進一步研究的關鍵問題。利用這四個視角，"空軍的未來 "研究了聯合功能，以展示新出現的信號、趨勢和力量如何影響整個美國空軍和國防部的核心業務。

• 持續增長： 大國競爭者繼續試圖增加對美國的影響力并削弱其優勢。全球化仍然是主導的經濟因素，推動了更多的相互聯系和相互依賴。競爭對手做出審慎的經濟選擇，破壞美國的聯盟和伙伴關系，限制美國獲得關鍵資源和市場。一些競爭對手利用道德上的不對稱來掏空關鍵條約和國際規范。潛在的對手利用代理戰爭來測試轉基因士兵、先進的化學和生物武器以及核武器的能力。現代技術消除了避難所，特別是當無處不在的傳感器納入人工智能和機器學習（AI/ML）時。

• 轉型： 前所未有的技術進步及其廣泛傳播，以以前認為不可能的規模重塑了全球權力動態。基因編輯和空間能力的革命性突破--由自主性、人工智能/機器學習、原產地制造、量子計算和定向能源的進步進一步促成--破壞了全球安全環境，并導致了能夠瞬間改變世界的武器的發展。

• 受限： 中俄協調繼續使兩國在新技術、戰略和關鍵礦產以及資源的大規模生產和分配等各個方面受益。這種合作增強了兩國的經濟，同時削弱或破壞了被認為是競爭對手的經濟。新的權力集團利用灰區戰術和新的戰略來避免大國風險，并尋找機會來增加自己的權力。美國及其盟國和伙伴在這個支離破碎的世界秩序中掙扎。

• 崩潰： 自然和人為的危機推動了全球范圍內的孤立主義和民族主義傾向。相對較強的國家以犧牲其他國家的利益來保護自己的利益。較弱的國家則努力維持秩序，提供基本服務。技術擴散與量子、自主、人工智能/ML和定向能源的進步一起改變了戰爭，同時也瓦解了20世紀中期建立的世界秩序。自然和人道主義災難的增加加劇了緊張局勢，強大的暴力極端主義組織（VEO）的重新出現也加劇了緊張局勢，它們進入了權力真空。美國國防預算的減少導致軍隊規模和作戰范圍的縮減。機會主義的競爭者采取行動，以實現民族主義的優先事項，破壞基于規則的世界秩序。分裂和保護主義促使各國加強資源建設，并對社會進行奧威爾式的控制。

報告提出了6方面啟示

1.計算能力轉型。AI/ML、自動化、自主系統和量子有可能在未來二十年內改寫世界。這些趨勢在每個聯合功能和場景中都持續出現。對下一代計算能力的競爭可能對全球力量平衡產生重大影響。

2.無所遁形。如果沒有有效的應對措施，傳感器和互聯武器系統的進步，使目標防御更加難上加難。它將有可能在暗中產生大規模的破壞性影響。這使得美國本土防御更加困難。

3.認知型軟目標。人工智能/ML、神經科學和信息操作方面的進展，將導致認知層面的攻擊面擴大。它將有可能更準確地感知世界，并以微妙但具有破壞性的方式被欺騙。了解世界和更快地做出正確決定的能力，同時抑制對手的決策周期，是戰略優勢的關鍵，強國將加大這方面的投資。

4.力量倍增器。技術上的突破，將在其他趨勢類別中產生連帶效應。包括，但不限于：人工智能/ML，量子計算，定向能源，能源網，傳感器的普遍性，以及空間操作。

5.經濟的相互聯系。全球化增加了經濟和軟實力機會，同時也增加了攻擊面和漏洞。同時，非全球化使貿易和智力合作發生斷裂。地緣戰略上的相互聯系與不同集團之間的平衡決定了未來20年的發展。

6.生命科學的崩潰。商業和國防部門的未來能力，可以讓行為者有目的地或無意地終止生命的基本要素。生物功能需要關鍵的資源，其中許多資源是稀缺的，而且變得越來越稀缺。美軍將被要求支持突發事件，同時也會受到生物學中斷的影響。

摘要

在擬議的研究中，我們為海軍規劃系統的智能、主動和自動決策支持開發了軟件和相應的算法。這些算法是為多域戰爭的戰斗空間管理提供行動建議的渠道。此外，我們還研究了人類與人工智能的共生關系，以通過有效的人機混合工作分配來加強算法，使決策與指揮官的意圖、人類的偏好和動態環境達到最大程度的一致。

引言

人力是海軍日常運作的實際驅動力。開發和實施能提高人力效率的戰術決策輔助工具，能使穿制服的人更快、更聰明地完成他們的工作。這項研究針對的主要差距是在潛艇水面行動中避免碰撞的問題。

水域管理

沖突識別工具，在此被稱為CONFIDENT，旨在自動執行防止相互干擾（PMI）在空間和時間上的任何或所有潛艇操作當局（SUBOPAUTHs）的水空間。開發該工具的目的是幫助官員了解不斷變化的水域，并減輕防止相互干擾行動的負擔和工作負荷。

2020年11月，英國首相宣布在四年內增加165億英鎊的國防開支。多年期預算解決方案為英國防部提供了中期的確定性，并支持更好的規劃和決策。

本報告反映了資金增加和政府綜合審查的結果，這為英國防部的戰略和政策目標提供了參考。因此，裝備計劃反映了對能力的重大新投資計劃，但也反映了對與戰略方向不太一致的領域的削減。

英國防部正在開展一項激進的計劃，以使其部隊現代化并發展應對未來威脅的能力。

英國防部有一個平衡成本和預算的裝備計劃。從21/22年起的十年間，計劃在裝備采購和支持上花費2380億英鎊，比去年的報告增加了480億英鎊。截至2021年4月，評估設備計劃在十年內有43億英鎊的余額，而上一次報告中的缺口為73億英鎊。

裝備計劃仍在不斷發展。在一個有許多大型計劃的復雜計劃中，預測將隨著交付時間表和成本估算的發展而改變。這對于新的計劃來說尤其如此，因為這些計劃的承包商可能還沒有被選中，或者是那些依賴新技術的計劃。該計劃的交付還存在其他風險，包括該部實現本報告所述效率和節約目標的能力。

因此，英國防部需要有能力管理變革，而不訴諸于較差的性價比措施或削減能力。本報告的第二部分闡述了戰略和杠桿。例如，今年是自2018年以來，第一次在進入新的財政年度時，為設備計劃提供了資金應急措施，而且該部在以后幾年預留了資金，以便在不必削減其他計劃支出的情況下引入新能力。

雖然該計劃的可負擔性存在風險，但議會年度支出框架內的支出不足也是一個現實的風險，英國防部正在制定應急計劃以減輕風險。資本支出的大幅增加和大量新項目的實施將是一個挑戰。我們的工業伙伴的表現將是至關重要的。

在改善該部的財務、商業和項目交付技能和能力方面繼續取得進展，包括改善分析和預測支出的工具，努力提高財務數據的質量，以及建立一支更合格的員工隊伍。進一步的工作正在進行中，以解決該部目前規劃流程中剩余的需要改進的地方。本報告的第三部分介紹了這項工作。

本報告的第四部分，即部門分析，顯示了每個軍事指揮部和管理裝備計劃的組織的主要變化。

引言

隨著空間領域對美國和海軍陸戰隊部隊變得越來越重要，該部隊已經做出了一些改變，但仍有很大的問題，以確保它為未來的作戰環境和在空間領域可能的新角色和責任做好準備。為此，其研究了以下問題：海軍陸戰隊的空間資產是什么？海軍陸戰隊有哪些組織和職位來解決其平等問題并制定其空間領域的戰略？在目前的空間發展階段，海軍陸戰隊有哪些更大的問題（挑戰和機遇）？我們在本信息備忘錄中對這些問題進行了簡要討論。

方法和限制

通過文獻回顧、與主題專家的討論以及對海軍陸戰隊與太空有關的職位的審查，審查了 "太空陸戰隊 "的發展。文獻包括國防部出版物、美國海軍陸戰隊的概念、海軍陸戰隊的指令、先前的CNA研究、陸軍出版物、新聞文章、美國空軍和美國太空司令部的文件。主題專家包括海軍陸戰隊總部（HQMC）三個副司令部--信息（DC I）；計劃、政策和行動（DC PP&O）以及戰斗發展和整合（DC CD&I）--以及海軍陸戰隊部隊，美國太空司令部（MARFORSPACE），USSPACECOM的海軍陸戰隊服務部分的現任和近期的太空陸戰隊員。在本研究中，將太空陸戰隊員定義為任何在指定的太空職業技能持有者的崗位上的陸戰隊員，不管是在艦隊陸戰隊（FMF），在支持機構，還是在MARFORSPACE。空間職業技能的名稱包括1706，1786（目前是0540）和8866。只考慮軍官，因為在美國海軍陸戰隊中沒有士兵的空間MOS。

最后，有幾個注意事項，最大的是空間領域、USSF和USSPACECOM正在經歷許多變化，其他部門和中央指揮部正試圖為空間這個移動的目標進行組織。還注意到，當局和政策仍在審查和發展之中，指揮和控制結構仍在變化之中。

執行總結

研究要求

鑒于網絡工作在美陸軍中的重要性日益增加，以及網絡工作所需能力與其他作戰人員工作相比的獨特性，建立一個有效的選拔和分類系統來識別和分配那些有很大潛力在這些工作中取得成功的新兵變得越來越重要。在這個項目中，我們開發了一個創新的評估，稱為通用網絡能力（C^3）測試，以衡量七個被認為與美陸軍多個網絡工作的成功相關的結構：主動學習、解決復雜問題、批判性思維、演繹推理、歸納推理、選擇性注意和排除故障。

程序

為了識別那些目前不具備網絡知識和技能的、在這些工作中具有很大成功潛力的新兵，C^3測試的一個關鍵規定是創建一個不需要網絡或信息技術（IT）知識的評估。因為像復雜問題解決這樣的構架不可能是完全無背景的，應試者需要解決的問題和他們可以利用的信息來解決這些問題。此外，為了測量主動學習，應試者需要一個學習的機會。為了滿足這些需求，我們為C^3測試創建了一個虛構的情境，在這個情境中，應試者開始了一份新的工作，并得到了關于這份工作的信息。在開始他們的新工作時，應試者通過 "學習階段"和 "應用階段 "進行。這種兩階段的結構使應試者能夠在評估的第一階段學習相關信息，然后在評估的第二階段應用這些信息來解決問題。

在C^3測試中，應試者扮演一個虛構的未來運輸公司的新雇員，該公司使用真空管進行運輸。在評估中，應試者必須首先通過一系列的培訓模塊來學習與工作相關的知識，這些模塊描述了公司、真空管旅行的發展以及與他們的虛構工作相關的具體部件和設備。然后，應試者開始新的工作，并將這些知識應用于測試的應用階段出現的問題。在這個整體評估的背景下，每一個C^3構架都是根據構架的定義和對現有措施的審查來操作的。初步數據是從67名完成C^3測試的受試者中收集的，這些受試者完成了少量的相關測量，一份人口統計問卷和一份反饋問卷。

研究發現

C^3測試的初步心理測量證據是很有希望的。大多數測量方法都有足夠的方差，分數的分布也近乎正常。雖然有些分布稍有偏斜，表明對參與者來說，這些測量有些太容易或太難，但這些特征的原因很容易確定，可以在后續版本的測試中加以修正。有幾個測量項目的分布顯示出中心傾向的偏差，并將從增加方差的程序中受益。

許多C^3構架和子維度之間的相關關系顯示出預期的模式。盡管在最初的研究中不可能為所有的測量方法收集構架有效性數據，但C^3構架和子維度之間的相關性提供了一些構架有效性的確認。大多數相互關系是顯著的，但幅度很小到中等。相關性小到中等的事實表明，沒有兩個工具在測量相同的構架。由于每個C^3測試都被設計用來測量一個不同的構架，這提供了辨證有效性的初步證據。應該進行更多的研究，以更仔細地檢查這些測量與其他類似測量的分歧。C^3構面和一般智力測驗之間的相關性也是小到中等的，這表明與一般智力有分歧。未來的研究應該考察C^3測試的標準相關有效性，以及C^3構面在多大程度上可以預測超出一般智力的標準。

盡管受測者報告說發現測試很復雜，完成起來很有挑戰性，但對于一個主要側重于評估認知技能的測試來說，這在某種程度上是必要的。測試者的反饋和每個構架的具體結果都被詳細地介紹和討論。

研究結果的利用和傳播：

本研究的結果可用于改進C^3測試，并為評估評估的標準相關有效性的研究做準備。一旦得到驗證，C^3測試可以用來識別新兵和新戰士的能力，這些能力是在網絡相關工作中取得成功的關鍵，即使他們沒有預先存在的網絡知識和技能。此外，如果陸軍的其他工作需要類似于C^3測試的能力，該測試也可以用來識別陸軍其他工作的候選人。