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

擴展現實（XR）是涵蓋三大相似技術的統稱：（1）虛擬現實（VR）、（2）增強現實（AR）及（3）混合現實（MR）。盡管XR領域自1960年代末便在美國國防部（DoD）啟動研發，近年仍持續取得重大突破。這項變革性技術已在國防部門體系內產生顯著影響，并具備在未來數年內革新防務領域的巨大潛力。

本報告剖析XR技術現狀，探討其在美國防部維修訓練中的應用，同時展示XR領域核心機構的最新科技成果，輔以學術期刊與科研報告數據。通過分析技術優勢與挑戰，報告闡釋VR、AR與MR如何通過節約成本、提升效率、降低風險賦能防務訓練體系。隨著XR領域的最新進展，國防部將獲得利用技術能力強化訓練體系與維修流程的機遇。

研發人員開發頭戴顯示裝置原型機以輔助軍事機修人員執行裝甲車輛維護任務。該設備通過提供文本、標簽等可視化指引引導用戶完成復雜操作流程。為驗證裝置效能，研究人員在機修人員使用該設備作業時開展專項研究，發現使用原型機人員操作效率顯著提升，機修人員評價該技術"在執行測試任務序列時兼具直觀性與滿意度"。此案例僅是擴展現實（XR）融入現有維修流程以提升效能的范例之一。作為新興技術，XR在國防部各機構具有廣泛適用場景。XR已被公認為變革性力量，能重塑用戶與物理/數字元素的交互方式。隨著技術成熟度提升，XR軟件將在國防部作業體系中日益關鍵，尤其在維修訓練領域。本報告概述XR技術現狀，研判其在維修訓練領域的當前及未來應用價值，并聚焦國防部特定需求，梳理XR維修訓練領域核心機構的現狀。

XR技術優勢

網絡安全與信息系統信息分析中心研究發現，XR可優化維修流程以提升教學效率、降低成本、節省時間并減少風險。該技術通過實時可視化輔助向用戶推送關鍵任務信息以強化訓練成效，同時支持個性化學習模塊，為人員定制專屬培訓體驗以提升戰備能力。AR技術使現場技術人員能實時獲取遠程專家支持，在執行復雜維修程序時獲得視覺引導或通訊協助。XR技術已為國防部維修訓練催生創新型解決方案，為多領域作戰帶來全新工具。

XR技術挑戰

盡管XR在訓練與維修領域優勢顯著，仍存在亟待突破的瓶頸。該技術普遍存在長期佩戴頭顯導致身體不適的問題，可能引發頭痛、頸部酸痛、視覺疲勞、眩暈及倦怠等健康風險。XR應用應僅以便捷方式在用戶視野內展示必要信息，避免信息過載。開發者尚未完美實現用戶界面的平視顯示功能。另一顯著挑戰在于裝備與零件狀態的視覺檢測——要使算法在真實場景中精準識別細微特征，高效圖像處理算法必須實現近乎零誤差的精確性與可靠性。在團隊協作或請求訓練/維修支持時，系統運行時間與網絡連通性亦可能成為制約因素。當前高保真XR頭顯單價成本高達數千美元，價格門檻突出。海軍研究實驗室作為國防部內首個測試XR設備效能的機構，著力探索其強化訓練項目的路徑。該實驗室攻克了XR硬件在圖形處理、深度感知及便攜性等方面的難題，其中可穿戴設備的亮度與對比度調節能力尤為關鍵——工程師需確保顯示器在戶外強光環境下仍能提供清晰視覺，同時避免光線直射用戶眼部造成眩光。XR系統交互設計聚焦用戶界面直觀性，例如士兵使用AR系統時低頭注視腳部即可在視野內調取地圖進行路徑規劃。

本研究報告記載了由美國陸軍未來司令部資助的“機協同與人工智能”項目研究分析工作。項目旨在調查陸軍試圖將士兵與人工智能（AI）算法配對以完成特定作戰任務時可能遭遇的困境，并提出克服潛在障礙的建議，確保陸軍有效開發能與士兵良好協同的AI系統。本研究在蘭德阿羅約中心戰略、條令與資源項目框架下實施。蘭德阿羅約中心作為蘭德公司分支，是由美國陸軍資助的聯邦研發中心。

人工智能、機器學習與機器人領域的最新進展表明，軍事專業領域即將實現人類士兵與AI賦能的機器及應用系統的深度融合。AI賦能的機器與軟件應用正展現適用于軍事場景的能力，例如在復雜城市交通中自主行進、通過大語言模型生成類人化衍生作品等。但這并不意味著相關技術可順利應用于軍事領域：構建凝聚力強的微型作戰單位本就艱巨——最優作戰單元能在巡邏基地微光條件下憑借輪廓剪影和步態特征瞬間識別同伴；優秀參謀人員需長期內化指揮官的作戰風格與特定需求。軍事領域人機協同雖可借鑒民用經驗，仍需大量場景化適配。為此，陸軍未來司令部要求本研究團隊評估人機協同的潛在影響，核心目標是探究陸軍在配置"士兵-AI算法"作戰單元執行特定任務時可能面臨的困難，并提出克服障礙的建議，確保陸軍有效構建能與士兵實現深度交互的AI系統。

方法論

本研究主要采用定性分析法，包含兩大核心環節。首先基于文獻綜述探究陸軍當前對人機協同的認知框架，將研究成果提煉為"接觸行進"與"城市作戰"兩則探索性案例。通過這些案例識別陸軍思維模式的關鍵特征。其次開展關于AI新興原則的全面文獻研究，涵蓋人類與機器認知的"初始條件"、現有方法的實踐挑戰以及更具潛力的人機協同路徑。

??核心發現??

? 可解釋AI與認知強制功能效果不及預期。學術研究中最顯著的發現是：當前通過工程化解決方案提升人類對AI信任度的嘗試存在缺陷。提高透明度的信任構建措施反而導致人類過度依賴AI輸出（即便在AI判斷不準確時）。這種信任構建困境尤為關鍵，因對AI的信任度是陸軍首要關注點。

? 設計理念、信號傳遞與心智模型的持久價值值得關注。實現人機融合需更系統化地構建共享心智模型，并隨時間推移在人與機器間建立交互記憶系統。這表明協同過程應顯著延長——人類成員須更明確共享其心智模型，并將部隊內隱性的交互記憶系統顯性化以促進機器融合。人本化設計與人機信號傳遞雖能積極影響交互界面，但僅當人類深度參與解釋自身行為（使機器學習適應）時才具實際價值。

? 地面作戰籌劃與執行領域的人機協同進程將慢于商業領域。主因在于陸軍對信任機制的嚴苛要求、作戰安全保密需要以及"人類參與關鍵決策"的政策導向。這在敘事研究中可見端倪：鑒于信任是職業軍人的核心素養（亦是任務指揮哲學的根基），陸軍需更長時間積累AI系統應用經驗，使作戰團隊對人類元素建立充分適應。

? 陸軍人機協同重點仍聚焦"機器適配人類"路徑。但變革人類組織架構以適應機器的嘗試同樣值得探索：戰術層面建議調整編組形式（如設立"機器監管崗"）；基礎組織層面應改革研究開發測試評估（RDT&E）與采辦體系（提升對AI迭代優化的響應速度）。深化協同更要求加強官兵對機器的專業培訓：正如先前論斷——人機協同作為社會技術系統，需在特定場景中積累設備操作經驗。全體官兵須通過專業軍事教育理解AI運作原理，這對指揮集成化人機單元（需實時解讀機器輸出行為）的分隊指揮員尤為必要。特定崗位官兵（如部隊AI系統管理員）則需精研專項設備操作，此培訓體系應參照其他武器系統的進階訓練模式構建。

建議措施??

? ??將新部署設備視同新兵編入作戰單元??。當陸軍準備在作戰單位部署機器系統時，其整合模式不應簡單照搬武器系統列裝流程。該過程應借鑒新兵完成基礎訓練后編入部隊的模式：先承擔復雜性較低的必備任務，待適應后再執行高階任務。人類需主動向機器闡明操作細節以構建共享心智模型，包括詳細解釋"指揮官關鍵信息需求"（CCIR）、決策邊界及標準作戰程序。機器AI升級節奏須與部隊訓練周期同步——此時維護現有人機交互記憶與共享心智模型的價值，遠高于追求AI準確率的邊際提升。

? ??預判差異化表現特性??。若采取新兵編入式整合策略，陸軍應接受同類部隊間AI特性、性能及價值存在差異的必然性。本研究證實人機協同屬社會技術建構體系，而人類個體差異本就導致各部隊的標準程序、表現及文化存在區別，這將直接影響AI增強單元構建交互記憶與共享心智模型的方式。陸軍對此應有充分預案。

? ??監控信任建立與維系機制??。盡管陸軍在作戰編成中整合機器面臨諸多技術程序挑戰（多數可通過設備優化解決），唯有人類方能應對的核心難題是建立并維持人機互信。隨著機器深度融入作戰編組與參謀體系，陸軍須嚴密監控信任關系發展。可參照國防部監控"女性融入作戰崗位"項目的雙重框架：（1）追蹤整合進程（2）預判重大挑戰。這種方法雖與快速列裝設備的戰術需求存在張力，但人類對機器的信任只能通過漸進節奏構建。建議由訓練與條令司令部主導監控工作，突顯人機協同兼具技術性與行為科學雙重屬性。

? ??堅守人類在協同體系的主導地位??。隨著國防部持續開發AI賦能的作戰系統，美軍陸軍人機協同進程必將伴隨希望、挑戰、進步與挫折。多數技術演進源自民用領域，但軍事行動中機器的角色必須始終定位于"輔助人類履行軍事職責"。若人類喪失戰場主導權，戰術行動將脫離戰爭政治目的，淪為毫無意義的精妙暴力。

美國國防部（DoD）制定本指南手冊，旨在支持人工智能（AI）系統及人工智能賦能系統（AIES）的開發測試與評估（DT&E）。其目標是通過技術可靠、基于共識的指導原則，應對人工智能技術帶來的獨特挑戰。本手冊為政府測試團隊規劃與執行人工智能賦能組件、應用及系統的開發測試與評估提供支持，助力在AIES開發與部署階段向決策者及利益相關方提供關鍵洞察。鑒于人工智能技術快速演進，本指南反映了測試與評估（T&E）領域的當前共識，未來將隨技術方法進步持續更新。

人工智能系統的測試面臨關鍵挑戰，傳統全面測試方法因以下因素難以適用于多數人工智能組件：

• 模型輸出在實踐中的固有不可預測性；
• 模型對輸入細微變化的敏感性；
• 某些人工智能模型的復雜性和不透明性；
• 參數空間的高維度性；
• 模型輸出對訓練數據集的復雜依賴性。

此外，被測系統的配置變更通常快速迭代，這為測試與評估（T&E）過程增添了另一層復雜性。上述因素使得測試團隊、評估人員與決策者難以通過具體測試結果推演通用結論，阻礙對人工智能組件及人工智能賦能系統（AIES）開展必要的技術評估，進而影響工程決策或采辦決策。

為應對這些挑戰，本指南手冊強調了以下新方法：

• 早期參與開發：在AIES開發初期引入T&E團隊，促使技術特征與任務需求對齊。鑒于機器學習模型開發的迭代性，早期介入至關重要——從開發之初持續優化需伴隨動態評估，確保部署系統符合作戰目標。
• 形式化方法增強：形式化方法通過數學嚴謹的技術手段補充傳統物理測試，實現人工智能系統更精確的驗證。這類方法有助于應對人工智能技術固有的復雜性與不確定性。
• 確保可測試性需求：DT&E團隊需與需求方加強協作，不僅確保系統需求原則上可測，還需構建可行的測試方案以支撐必要評估。AIES測試的復雜性進一步擴展了該職責范圍。
• 指導系統與作戰概念（CONEMP）開發：AIES開發的迭代性及其與作戰概念的深度耦合，要求DT&E的度量活動需協同指導系統與作戰概念開發方。在人類-系統融合、校準信任、涌現行為、人機協同等領域的測試，以及遵循負責任的人工智能政策，對避免高成本返工、確保系統設計與作戰需求一致至關重要。

本指南手冊最終旨在為美國國防部人工智能項目提供資源支持，強化對人工智能技術的有效測試與評估能力，確保其成功整合并服務于國防使命。

本指南手冊面向政府測試團隊，旨在指導其規劃與執行人工智能賦能系統（AIES）或系統中人工智能組件的開發測試與評估（DT&E），為采辦項目前期及項目執行中的DT&E活動提供聚焦性指南。

人工智能的引入對開發測試與評估（DT&E）帶來重大變革。機器學習（ML）方法與負責任人工智能（RAI）要求改變了系統及軟件生命周期的傳統模式，包括性能特征化與風險管理。測試與評估（T&E）需貫穿AIES開發全周期，以確保評估有效性與可信度。這種全周期滲透通常要求DT&E深度參與科技研發（S&T）、原型開發與實驗驗證。 本指南初始版本闡釋人工智能如何重塑DT&E，從DT&E活動與輸出以及人工智能驅動變革因素的雙重視角展開分析。手冊涵蓋機器學習數據集測試評估方法，包括數據集本身、基于其訓練的模型及集成系統的評估。同時簡要探討T&E團隊與其他實踐社群加強互動可能帶來的全局性效益——此類擴展性互動對DT&E團隊早期介入系統作戰概念（CONEMP）定義至關重要。

首版指南手冊的章節框架包括：

• 第1章引言，闡述手冊目標與范圍；
• 第2章AIES的DT&E概述，分析人工智能系統最新進展對性能評估、風險評估及系統工程支持的DT&E職責影響，概要性介紹人工智能（尤其是機器學習）引發的核心議題；
• 第3章AI驅動的T&E實踐變革，提出應對機器學習新型挑戰的專項T&E方法論；
• 第4章T&E社群的擴展性互動，探討T&E專業領域之外的組織與跨學科協作機制。

本指南后續版本將深化當前議題，包括生成式AI的測試評估挑戰及強化學習（RL）的完整論述（以應對國防部新興用例需求）。隨著國防部及其下屬機構在風險管理、安全工程及數據模型驗證、確認與認證（VV&A）領域的政策標準完善，未來版本將詳細闡釋T&E在相關領域的作用。

最新

本版空軍條令注釋（AFDN）闡述人工智能（AI）技術，并預判其在競爭連續體背景下空戰行動中的作用。文件參考多類來源，包括相關聯合與軍種政策戰略、公共法律、學術與工業界文獻及領域專家咨詢意見。本AFDN是對美國國防部（DoD）現有AI政策與戰略的補充，旨在提供權威性與參考性，但不作為強制性指令。

本AFDN聚焦作戰層級問題與潛在解決方案，支持空軍條令開發。其旨在識別短期內對全軍種產生影響的作戰領域條令缺口，為指揮官與參謀團隊制定戰略及規劃空戰行動提供新興經驗教訓與最佳實踐的推廣框架。

最后，本AFDN承認AI領域專家對相關術語與概念的精確定義存在分歧。為此，文件對AI術語進行描述性定義，促進空軍人員理解，并為未來軍種與聯合AI政策協調奠定基礎。

若本AFDN與聯合或軍種政策出版物存在沖突，美國空軍（USAF）行動須以相應政策文件為準。

人工智能應用：空軍核心職能

未來作戰要求空軍人員理解人工智能發展與空軍職能之間的關聯。空軍人員需與科技界協同合作，識別適合應用人工智能與自主系統的作戰缺口。人機編隊（HMT）必須充分發揮人類直覺與推理的優勢，結合人工智能的超高速數據處理能力，從而強化所有任務中的動能與非動能作戰效果。

• 制空權作戰

美國空軍需通過攻防作戰奪取制空權，作為聯合作戰組成部分。人工智能技術將強化復雜對抗環境下制空權與信息優勢任務的執行效能。集成于空基導彈防御體系中的AI預警探測系統，可為空中作戰指揮控制（C2）系統提供威脅數據，激活防御性防空反制單元。進攻性防空任務需依賴AI賦能的ISR系統、目標鎖定機制與航空平臺，全面支撐從敵區戰斗空中巡邏（CAP）、壓制敵防空（SEAD）到摧毀地面航空力量的空中遮斷任務。

以自主無人機群與半自主協作戰斗機（CCA）為例，此類平臺可執行多樣化制空任務。2024年5月，美空軍部長搭乘搭載AI狗斗模塊的改裝F-16，彰顯人機協同信任度的提升。作為自主協作平臺（ACP）項目組成部分的CCA計劃，驗證了半自主戰機對有人戰機的支援能力。CCA作為武器平臺或ISR平臺的潛力，體現了人機編組（HMT）與人工導引交戰的可能性，為后續發展奠定基礎。

• 全球精確打擊

在全球精確打擊領域，空軍致力于實現更快速、更精準的全天候全域打擊能力。AI技術推動機載武器目標鎖定能力的跨越式發展。例如，AI計算機視覺（CV）結合改進的目標識別跟蹤算法，將最大限度降低高精度低附帶損傷彈藥的平民風險。AI建模技術持續增強隱身突防能力，提升拒止區域打擊效能。在目標鎖定與"傳感器-射手"鏈路整合層面，AI賦能的自動化C2能力可加速決策周期、優化風險評估、提升打擊時效。CCA與預測性維護技術的進步，正是AI增強全球精確打擊能力的典型案例。

• 敏捷全球機動

敏捷戰斗部署模式要求對抗環境下的自適應基地選擇與快速響應后勤體系。AI技術通過生存性、效率、彈性與保障能力等指標，智能優選作戰位置。預測性分析系統可大規模識別裝備故障與使用趨勢，優化預測性維護流程，同時改進庫存管理與運輸流程，強化自適應后勤規劃。AFWERX與工業界合作開發的半自主空運能力即為例證：2024年8月"竹鷹/敏捷旗"演習中，某空中遠征聯隊A4部門運用該能力，向多個分散地域投送20余項急需航材，實現戰術級即時補給，緩解傳統空運壓力并加速戰機恢復戰備。此類實驗驗證了AI/機器學習系統對未來空軍后勤的變革潛力。

• 全域情報監視偵察（ISR）

多源跨域數據融合的作戰能力依托多模態AI系統（可處理異構數據格式）展現前景。此類系統可實現實時突發威脅偵測識別與多域態勢感知同步。AI程序可消除軍種專用情報平臺間的數據壁壘，自主ISR平臺則能在傳統拒止區域實施持續聲光電磁信號采集。

• 指揮控制（C2）

AI技術將優化目標鎖定、資源分配、計劃制定等流程，支撐多域C2與戰場管理。對抗/降級/受限環境下的AI賦能通信網絡可增強C2系統彈性：若作戰中心通信中斷，AI驅動網絡可即時重構通信路徑；上級C2失效時，系統可將數據流重定向至下級單元維持指揮鏈。

后勤數據分析中心（LDAC）是美國陸軍后勤保障數據與技術解決方案的集成中樞。作為陸軍裝備司令部（AMC）G3部門監管下的獨立報告機構，LDAC通過提供戰略支援區至戰術需求點的全譜系保障數據、信息技術與決策支持，強化部隊戰備水平并優化高級指揮官決策效能。

依托專業領域知識與軟件開發能力，LDAC實現原始數據業務化轉型，將其提升為可執行洞察，同時保障后勤領域數據質量，管理陸軍后勤決策支持技術基礎設施，并為陸軍"轉型保障"進程奠定戰略基礎。LDAC承擔AMC與陸軍后勤數據分析樞紐職能，有效彌合領導層戰略意圖與技術產出間的鴻溝。

為實現上述使命，LDAC下設四大職能板塊：任務支援處、戰略戰備處、項目管理處與全壽命周期保障處。

美國海軍發布了《海軍與陸戰隊數字系統工程轉型戰略》（DSETS），推動全兵種組織變革，要求從傳統文檔中心的需求-采辦-保障（R/A/S）模式轉向集成數字環境（Bray 2020）。基于模型的系統工程（MBSE）等先進數字工具可提升裝備全生命周期內的設計流程、互操作性、功能維護與保障效能（Zimmerman等 2017），為新一代無人水面艦艇（USV）等自主系統賦予戰術優勢（Del Toro 2024）。

自主系統設計需應對復雜技術挑戰，但過度關注自動化功能往往導致人因工程與工效學（HF/E）要素缺失（Lee & Seppelt 2009；Liu等 2016）。研究表明，HF/E整合不足將危及作戰安全、系統性能與人機交互（Hancock 2019；Parasuraman & Riley 1997）。本研究強調HF/E要素應作為先導設計條件，而非事后補丁。通過構建經過驗證的USV人因需求MBSE框架，為決策者提供結構化數字模板。核心研究問題（RQ1）聚焦：USV綜合HF/E需求框架的構成要素？經驗證模型涵蓋11個核心組件與6類通用功能下的117項需求，涉及感知、認知、時域、人機工程與輔助領域，經專家驗證可有效應對自主系統設計、操作與維護中的關鍵挑戰。該框架旨在優化人機交互、降低失誤率、緩解認知負荷并增強態勢感知。

補充研究問題（RQ2）探究MBSE技術優勢。通過框架構建、修正與驗證過程中的實證研究，揭示MBSE在需求捕獲、可追溯性、版本控制與產品生命周期管理（PLM）方面的優勢（Visure；Zimmerman等 2017）。專家訪談證實MBSE在復雜架構中管理HF/E需求的有效性，驗證本研究采用MBSE在數字生態中捕獲與管理需求的可行性。研究還表明MBSE提供可擴展的數字化工程解決方案，符合國防部（DoD）與海軍數字化轉型目標，為開發最優自主系統奠定基礎框架。

問題陳述

無人水面艦艇（USV）等先進自主系統的快速應用、開發與優先部署需要大量帶寬、精力與關注度。此類資源的高度傾斜導致關鍵人因工程與工效學（HF/E）需求被忽視，引發錯誤信任、不切實際的預期、操作失誤及系統故障（Lee & Seppelt，2009；Vicente，2003）。

研究目的

自主系統需整合機器學習算法、通信系統、復雜計算機編程與傳感器等先進技術要素，這些方面需要工程團隊投入大量資源，并受到利益相關方同等關注。美國海軍加速部署配備先進技術的USV，增加了忽視關鍵HF/E需求的風險。傳統文檔中心方法加劇此問題，割裂需求-采辦-保障（R/A/S）流程，阻礙HF/E專家與工程團隊的有效協作（Muhammad等，2023；Zimmerman等，2017）。此類疏漏將推高長期保障成本、導致重復設計、需專業干預措施，并為操作與維護人員制造低效環節（Hancock，2019；Liu等，2016；Salmon，2019）。設計需求必須包含并優先考慮HF/E要素，以優化系統交互、安全性及USV整體性能（Proctor & Van Zandt，2018；Vicente，2003）。現有文獻既未明確USV設計所需的HF/E要素，也未提出系統性實施框架。

將HF/E需求整合至USV設計初始階段至關重要。整合HF/E與工程學科的龐雜信息、流程與活動，需摒棄孤立式"非數字化"系統開發模式（Bray，2020；Muhammad等，2023；Zimmerman等，2017）。本研究識別并捕獲USV設計與操作所需的HF/E要素，采用基于模型的系統工程（MBSE）軟件構建結構化需求框架。該可復用、可調整的框架使HF/E要素成為系統之系統（SoS）架構的數字基礎需求，涵蓋感知、認知、時域、人機工程與組織維度，優化有人-無人協同作戰（MUM-T）。通過構建包含結構、行為、活動與參數模型的系統架構，為設計團隊提供滿足需求的集成化數字生態系統（Hause，2011）。

本研究采用混合研究方法獲取有效HF/E數據，通過專家訪談驗證框架與建模技術。項目管理方采用經驗證的HF/E需求框架將提升USV安全性、效率與效能（Lau等，2020；Ramos等，2022）。研究成果支持美國海軍在科技與數字工程領域的持續投入，在HF/E常被忽視的現狀下提升USV設計與作戰效能。該可復用、可定制的HF/E模型體現了對自主系統操作人員的責任承諾。正如美國特種作戰司令部（USSOCOM）強調："人員而非裝備決定成敗"，特種部隊信條"人員重于硬件"（USSOCOM，未注明日期）即為此理念的集中體現。

研究意義

本研究通過將HF/E需求嵌入設計核心，填補USV開發與部署的關鍵空白。將此類要素納入集成數字架構可提升作業安全、優化人機交互并增強需求可追溯性（Carrol & Malins，2016；Liu等，2016）。研究強調因HF/E缺陷導致的系統修改與保障成本將使USV"離線"，影響遠程海上行動。所構建的可移植模型亦適用于其他軍用與民用自主平臺領域。提升認知與推動需求采納是本研究的核心驅動力，旨在優化人員福祉、MUM-T協同與系統性能（Lee & Seppelt，2012）。

Proctor與Van Zandt（2018）闡明了HF/E的基本原則：忽視該要素將導致性能下降、錯誤率上升與風險增加。本研究運用數字圖表與建模工具捕獲并優化USV適用的HF/E要素。采用的MBSE方法支持需求的系統化開發、整合與驗證（Lu等，2022；Madni & Sievers，2018）。將HF/E需求整合至USV系統模型，使其成為基礎"構建模塊"，通過功能與活動模型實現需求驗證。

本研究成果對HF/E學術界、科研界與工業界具有重要價值。研究反饋證實HF/E要素對創建健康高效工作環境的必要性。H?kansson與Bjarnason（2020）強調將HF/E視角融入需求工程（RE）可降低壓力并提升用戶滿意度。參與USV"論域"構建的項目辦公室、需求制定方、操作維護人員須踐行此理念（參見術語表）。經驗證的HF/E框架通過集成反饋機制促進安全高效的操作環境與持續改進，通過迭代優化應對新興挑戰與利益相關方需求。

本研究契合美國海軍戰略文件提出的數字化轉型與現代工程目標。Bray（2020）指出數字模型在海軍R/A/S流程中的重要性，可打破"卓越孤島"并增強協作效能。Zimmerson等（2017）強調變革管理策略、數字工具應用與持續利益相關方參與對轉型的關鍵作用。本研究通過MBSE構建HF/E需求框架，支持海軍數字化轉型戰略。經驗證框架可供海軍及跨領域自主系統開發人員使用，其雙重意義在于：優先考慮以人為中心的設計原則提升USV功能，同時踐行海軍數字工程戰略。

美國海軍陸戰隊人工智能（AI）戰略是該部隊數字化現代化努力的一個里程碑。該戰略為將人工智能整合到海軍陸戰隊的各個層面提供了一個框架，以支持更好、更快的決策，將各種職能的決策時間從幾分鐘縮短到幾秒鐘。該戰略有五個目標，每個目標都支持創建和利用優化決策優勢。海軍陸戰隊全體人員將認識到，向負責任的人工智能模型轉型將改善我們在正確的時間和正確的地點獲取正確數據的方式。

現代戰場上的成功取決于幾個關鍵要求，其中之一就是對作戰環境的全面了解。這種了解使軍隊能夠進行調整，為多領域作戰做好準備，并提高對態勢的認識。烏克蘭戰爭繼續證明，人工智能正在提高決策速度。該戰略為提供現代人工智能能力創造了條件，以支持在有爭議環境中的遠征先進基地行動和瀕海行動的決策優勢。

海軍陸戰隊員了解創新，該戰略將為投資于擅長數據分析和以數據為中心的行動的海軍陸戰隊員提供途徑。在數字化戰場上，從接受任務到執行戰術任務，人工智能都是加快決策和取得成功的助推器。

圖 1. 支持海軍陸戰隊人工智能的指導原則。

美國海軍陸戰隊利用技術進步進行智能作戰，簡化業務操作，并比對手更快、更可靠地關閉殺傷鏈。人工智能（AI）就是這樣一種迅速崛起的技術，只要應用得當，就能極大地改變海軍陸戰隊的訓練、計劃和作戰方式。

美國國防部（DoD）將人工智能定義為 “機器執行通常需要人類智慧才能完成的任務的能力 ”。這項技術適用于海軍陸戰隊的所有作戰職能、業務運作和支持機構，以加強決策和提高運作效率。

美國防部的人工智能需求層次結構以高質量數據為基礎。從企業到邊緣的人工智能部署取決于高效的數據管理實踐以及數據的生成、收集、標記和整理。為了與國防部更廣泛的目標保持一致，海軍陸戰隊的方法將在梯隊和規模上整合企業能力，增強海軍陸戰隊的智能作戰能力。

問題陳述

人工智能繼續快速發展，在條令、組織、領導、物資、培訓和教育、人員、設施和政策制定等領域給海軍陸戰隊帶來了挑戰。數據管理是當今人工智能應用所面臨的規模最大、影響最深的一系列挑戰。海軍陸戰隊正在進行數據管理現代化的戰略努力，因此本文件重點關注以下以人工智能為中心的挑戰：

• 人工智能與任務目標不符。
• 人工智能能力的差距越來越大。
• 從企業到戰術邊緣難以大規模部署人工智能。
• 傳統治理框架扼殺創新。
• 合作與伙伴關系的障礙。

海軍陸戰隊必須明智地推進我們的方法，以有效、高效、負責任的方式加速人工智能的發展--全面了解我們對手的風險和速度--從而在競爭和作戰中取得優勢。應對這些挑戰需要大量資源。

范圍

本戰略將指導企業努力為后續方向和指導奠定基礎。它適用于整個部隊、聯合部隊、盟國和合作伙伴，應作為核心文件加以利用，以調整資源和活動。

目標

美海軍陸戰隊的人工智能愿景進一步細分為以下目標，其中每個目標都包含成功實現海軍陸戰隊人工智能愿景所需的目標：

1.人工智能任務調整 2.具備人工智能能力的員工隊伍 3.大規模部署人工智能 4.人工智能治理 5.伙伴關系與合作

本報告向國會提供了海軍正在開發的用于水面艦艇自衛的艦載固體激光器（SSL）的背景信息和問題。海軍 2025 財年擬議預算要求繼續為其中一些工作提供研發資金。

美海軍于2014年在一艘海軍艦艇上安裝了第一臺能夠對抗水面艦艇和無人機（UAV）的固態激光器原型機。從那時起，海軍一直在開發和安裝更多的 SSL 原型，以提高反水面飛行器和無人機的能力。海軍正在開發的更大功率 SSL 可能具有反艦巡航導彈 (ASCM) 的能力。目前海軍開發 SSL 的工作包括：

• 固態激光技術成熟（SSL-TM）工作；

• 海軍光學眩暈攔截器（ODIN）；

• 海軍水面激光武器系統（SNLWS）增量 1，又稱集成光學眩光和監視功能的高能激光器（HELIOS）；以及

• 高能激光反反艦導彈計劃（HELCAP）。

美國國會面臨的問題是是否修改、否決或批準海軍的艦載激光器開發項目的采購戰略和資金申請。國會就此問題做出的決定可能會影響海軍的能力和資金需求，以及國防技術和工業基礎。

美國陸軍即將發布關于使用大型語言模型（LLM）和生成式人工智能（AI）的新政策指南。此舉正值五角大樓尋求利用人工智能的變革潛力，同時解決安全問題并確保該技術滿足美國防部（DoD）的獨特需求之際。隨著人工智能的不斷發展，陸軍旨在利用其能力來提高作戰效率、決策和整體任務成功率。

大型語言模型的崛起

大型語言模型，如 OpenAI 的 GPT-4 和谷歌的 Gemini，因其能夠根據提示和訓練數據生成類似人類的文本、音頻、代碼、圖像和視頻而備受關注。這些模型已在從內容創建到復雜問題解決等各種應用中展示出令人印象深刻的能力。然而，它們的廣泛應用也引發了有關數據安全、道德考量和潛在濫用的關鍵問題。

美陸軍對生成式人工智能的態度

認識到生成式人工智能的潛力和挑戰，陸軍將發布新的政策指南，以確保負責任地安全使用這些技術。據陸軍首席信息官（CIO）利奧-加西加（Leo Garciga）稱，即將發布的指令將為如何將 LLM 集成到陸軍行動中同時保護敏感信息提供明確的指導。這項政策預計將涉及幾個關鍵領域：

• 安全問題： 使用市售 LLM 的主要顧慮之一是，敏感軍事數據有可能暴露給未經授權的個人。陸軍的政策將強調使用符合國防部嚴格安全標準的安全內部人工智能系統的重要性。這種方法旨在防止機密信息的無意泄漏，并防止潛在的敵方利用。
• 量身定制的解決方案： 陸軍尋求可定制的人工智能解決方案，以滿足其特定的作戰需求。這包括開發可在陸軍安全環境下運行的人工智能模型，并應對軍事應用的獨特挑戰。通過與行業合作伙伴合作并利用內部專業知識，陸軍旨在創建既能提高任務效率又不影響安全性的人工智能工具。
• 合乎道德和負責任的使用：陸軍致力于合乎道德地采用人工智能技術。新政策將納入負責任地使用人工智能的原則，確保人工智能系統透明、負責，并符合陸軍的價值觀和任務目標。這包括持續實驗、用戶反饋和不斷改進，以解決可能出現的任何道德問題。

生成式人工智能在陸軍中的應用

生成式人工智能在各種軍事應用中大有可為。一些潛在用例包括

• 作戰規劃和決策：人工智能可協助指揮官分析海量數據、提出可行見解并做出明智決策。通過將常規任務自動化并提供實時分析，人工智能可以提高決策過程的速度和準確性。
• 培訓與模擬：人工智能驅動的模擬可以創建逼真的訓練環境，讓士兵在可控的環境中練習和提高技能。這些模擬可以適應不同的場景，提供寶貴的經驗并提高戰備狀態。
• 后勤和供應鏈管理：人工智能可以通過預測需求、管理庫存和簡化供應鏈流程來優化物流運營。這可以提高資源分配效率，降低運營成本。
• 網絡安全：人工智能可以通過實時檢測和應對威脅來增強陸軍的網絡安全態勢。先進的人工智能算法可以識別模式和異常，從而實現對網絡攻擊的主動防御。

挑戰和考慮因素

雖然生成式人工智能的潛在效益巨大，但陸軍必須克服幾個挑戰，以確保成功實施：

• 數據質量和集成：人工智能系統的有效性取決于其訓練數據的質量和準確性。陸軍必須確保其數據是干凈、相關和適當整合的，以最大限度地發揮人工智能工具的效用。
• 人機協作：人工智能的有效使用需要人類操作員與人工智能系統之間的無縫協作。陸軍必須在培訓和教育方面進行投資，以確保人員能夠有效地與人工智能技術互動并加以利用。
• 遵守法規：陸軍的人工智能計劃必須符合國防部和聯邦層面的現有法規和標準。這包括遵守有關數據隱私、安全和道德使用的準則。

結論

美陸軍即將發布的關于大型語言模型和生成式人工智能的政策指導，是利用人工智能的力量進行軍事應用的重要一步。通過解決安全問題、定制滿足作戰需求的解決方案以及促進道德使用，陸軍旨在利用人工智能提高任務成功率并保持技術優勢。

參考來源：Indigo Monser

隨著當前海軍戰爭的趨勢轉向自動化作戰武器系統，美國海軍正將其戰略重點放在人工智能（AI）能力上，以減少作戰人員行動時間。這個系統工程（SE）項目使用約翰-博伊德的觀察、定向、決策和行動（OODA）概念和海軍陸戰隊規劃過程（MCPP）（Angerman 2004；美國海軍部2016）來代表人類-人工智能決策過程。空中和導彈防御（AMD）的殺傷鏈是通過簡化聯合目標定位理論“JP 3-60”（參謀長聯席會議2018）來體現的。殺傷鏈過程中提高操作動化水平被證明可以大大減少執行時間，如果進一步發展和實戰化，將為海員和海軍陸戰隊提供防空的戰術優勢。通過使用專家系統和人工智能加速殺傷鏈將大大縮短交戰時間，有效地擴大戰斗空間。

該項目開發了用于防空和導彈防御的人工智能（AI-AMD）架構，該架構旨在通過對威脅進行優先排序并在人類用戶的最小介入下采取行動來改善作戰決策。該項目專注于理解和評估空空導彈防御（AMD）的殺傷鏈，通過確定使用AI-AMD可以更快地執行行動。項目組確定并評估了與應用于殺傷鏈過程中各個步驟的AI-AMD自動化水平相關的風險。該小組進行了建模和模擬（M&S）分析，以比較低水平自動化（"無 "人工智能）的殺傷鏈和高水平自動化（"有 "人工智能）的殺傷鏈，根據節省的時間來評估改進。

該團隊在M&S分析的基礎上開發了高度自動化的AI-AMD決策輔助作戰能力的概念，并確定了有可能應用于未來AI-AMD架構的現有和未來人工智能方法。該團隊按照美國防部的架構框架（DODAF）進行了架構分析，以確定AI-AMD的操作過程。該小組采用基于模型的系統工程（MBSE）方法，使用SE工具Innoslate來開發概念架構。架構分析結合了藍軍（BLUFOR）防空傳感器、武器裝備和聯合網絡，創建了一個OV- 5b/6c行動圖，描述了AI-AMD決策輔助輸出與JP 3-60聯合目標定位程序步驟協同應用，以消除敵人的威脅（參謀長聯席會議2018）。為了完成其任務，BLUFOR系統（SoS）執行36項業務活動：AI-AMD內部的17個決策點和外部系統的19個功能（包括傳感器行動和網絡通信）。該團隊使用實驗設計（DOE）、離散事件和隨機模擬分析了架構分析的結果，發現在目標定位過程中高壓力的AMD場景需要完全自動化水平，而低壓力的AMD場景需要最低水平的自動化。該團隊開發了一個決策風險矩陣，顯示出高壓力情況下的風險可以通過完全的自動化水平來降低。目標定位過程中17個步驟中的每個步驟的風險評估都被分為四類：低、中低、中和高。團隊制定了一個相關的風險值來進行風險評估確定。團隊利用Parasuraman的自動化水平（1-10級）來進行風險評估，將決策風險與目標定位過程中各個步驟的自動化水平聯系起來（Parasuraman, Sheridan, and Wickens 2000）。該小組開發并使用了一條效用曲線來幫助確定每個自動化水平所節省的時間。自動化程度越高，節省的時間就越多。

該項目側重于單一威脅的交戰，以了解殺傷鏈過程中AI-AMD的時機。該小組進行了M&S分析，以證明AI-AMD架構的能力。該小組使用Innoslate MBSE工具和Microsoft Excel進行了離散事件模擬。在大量投資于行動圖之前，團隊使用Excel來評估元模型。仿真的主要重點是建立AI-AMD在不同壓力水平下的時間性能，如低、中、高。次要目標是將該模型發展為可交付的設計工具，在NPS用于未來研究。該小組從公開來源的威脅數據中選擇了三個有代表性的交戰：低壓力情景（時間軸為58.65分鐘），中度壓力情景（時間軸為9.72分鐘），以及高壓力情景（時間軸為1.51分鐘）。該小組的M&S分析結果顯示，在低壓力情景下，僅由人類做出的決策（自動化水平1）導致對飛入時間為58分鐘或以上的敵方威脅的AMD殺傷率達到100%。對于中度威脅情景（代表AI-AMD對每個作戰活動決策節點的不同自動化水平（如6到10）），1000次隨機運行的數據結果顯示所有交戰的平均完成時間為8.08分鐘。當AI-AMD系統被設置為較高的自動化水平時，該系統在中等威脅情況下成功地進行了AMD防御。高壓力場景的分解時間線允許每個作戰活動決策節點有0.09分鐘。該小組將人工智能-AMD系統設置為在高壓力情景下僅由人工智能進行決策（自動化水平10）。高壓力場景的結果表明，在自動化程度為10級的情況下，有可能成功應對敵人的威脅。該小組進行了敏感性分析，以探索替代的基本代表分布（基線、對稱變量擴散和高度傾斜）的影響。雖然分布形狀的變化確實影響了結果，但在每一種情況下，只有在人工智能支持的節約率超過97%的情況下，才會在高壓力場景中取得成功。

該項目研究了人工智能方法如何應用于AMD決策，以提高自動化水平，減少人類-人工智能團隊的執行時間（人工智能輔助決策）。該團隊自上而下地分析了AMD殺傷鏈：從OODA到尋找、固定、跟蹤、目標、參與和評估（F2T2EA）。該小組確定了17個關鍵決策點，在這些決策點上，提高自動化水平可以提高AMD的決策速度。潛在的自動化水平與每個不同步驟相關的風險進行了平衡。該小組使用M&S來評估人工智能-AMD系統在低水平的自動化（"無 "人工智能）到高水平的自動化（"有 "人工智能）下的決策的及時性。由此產生的AI-AMD概念架構的高層次能力被記錄下來，隨著系統技術的成熟，建議利益相關者考慮。該團隊確定了現有和未來的人工智能方法及其在AMD殺傷鏈中的潛在應用。該小組已經確定了未來人工智能-AMD的迭代需求，以研究整個戰場上具有多種威脅和參與的更復雜的情況。