本文提出了一個海軍作戰管理系統（CMS）架構，考慮到電子戰（EW）與人工智能（AI），以應對現代高超音速和低觀測能力的威脅，其中反應時間可能很短，需要自動化。它使用一個反制措施案例研究作為數據要求，拍賣傳感器任務，人工智能過程，以及認知復合感應的數據融合。該文件還強調了已經公布的關鍵認知電子戰能力，以證明該架構的合理性。該架構的方向是用高反應時間的自動化人工智能驅動的認知DM來取代人類決策者（DM）。

引言

當把人工智能（AI）應用于電子戰（EW）時，它不僅要幫助決策者（DM）進行態勢感知（SA），還要滿足點、區域和區域防御以及反目標活動的需要。電磁波譜是密集的，有許多通信和雷達發射器。因此，挑戰在于如何將人工智能應用于能夠滿足管理部門需求的EW系統。因此，它必須能夠整理出感興趣的信號（SoI）[1]，如部隊的信號和與指定任務無關的信號。這項工作的基礎是 "常規戰爭 "中的反導彈反應，以便與傳統的交戰進行更直接的比較。影響反艦導彈（ASM）成功的一些主要因素是雷達橫截面（RCS）、紅外橫截面（IRCS）、視覺和紫外線（UV）特征。因此，目標艦的特征是決定被動軟殺傷[2]反措施（也叫伎倆）性能的一個基本因素。然而，反坦克導彈也可以使用主動雷達尋的方式進行瞄準和跟蹤。因此，射頻（RF）和微波（MW）的截面特征是重要的，同時還有光輻射量子（或光子）、方位角和機動中的方位率，以及它們的戰術影響。因此，現代操作環境在處理電磁波譜方面存在挑戰，人工智能的自動化和自主性是解決這一挑戰的理想選擇。

A. 動機、方法和限制

本文描述了一個架構，其中包括用糠和干擾器進行軟殺傷；用導彈、火炮和火控系統進行硬殺傷；以及一個跟蹤目標并協調軟殺傷和硬殺傷反應的指揮和控制系統。本文僅限于假設反坦克導彈是使用射頻主動雷達尋的目標和跟蹤的海上滑行。因此，這項工作的中心是簽名管理、大型目標船的規避動作、船上被動型誘餌系統（如金屬箔片和反射器）的操作性能，涉及反坦克導彈的跟蹤方案和交戰環境，包括風速和風向。擊敗導彈威脅的一個基本因素是反應時間；隨著高超音速的出現，時間因素成為反應殺傷鏈的決定性因素。潛在導彈平臺的識別標準是最基本的；它們將允許更精確的SA，迅速讓DM消除發射平臺。鑒于反導鏈反應的時間很短，人的頭腦無法計算巨大的信息量，并在短時間內決定反應的類型，要么是硬殺傷，要么是軟殺傷，要么是兩者兼而有之；那么人工智能就成為反導系統中的基礎[3] [4]。因此，人類的DM理論不能用于遙遠的未來，因為它要求對形勢的分析速度、識別能力、對威脅的立即反應，以及在人類思維的指揮鏈中進行計算和決定，因此不能提供所需的反應時間。本文的最后部分介紹了幫助平臺保護速度的架構，朝著定義CMS中的設備連接方向發展，同時還介紹了一些已經發表的關鍵技術。

B. 論文的結構

第1節是介紹、動機、方法和論文結構。第2節提供了一個常規條令性例子戰術和反擊方法，用于在架構中需要支持的硬殺和軟殺。同時，在第2節中，還介紹了軟殺傷反擊方法的主動、被動和綜合方法。此外，第3節是一個使用飛毛腿和機動性的交戰例子，展示了所需的關鍵數據。第4節介紹了所提出的AI/EW技術的架構。最后，第5節是結論。

AI/EW技術的架構

人工智能應用于電子戰時，不僅要保證DM（決策者）的SA（態勢感知），而且還必須滿足點和區防御以及反目標活動的需要。電磁波譜因無線電和雷達發射器而加劇，一個挑戰是將人工智能應用于能夠滿足DM需求的EW系統，因此它必須能夠分出感興趣的信號，例如其海軍部隊的信號。另外，哪些信號對指定的任務沒有影響。

一個陸軍師的基本 "有機 "通信和電子設備，在一個典型的70公里乘45公里的地區作戰，是超過10,700個單獨的發射器。一個支持性的空中遠征部隊（AEF）會帶來另外1400個，而一個典型的海軍航母戰斗群會帶來另外2400個發射器[20]。比如說： 在沙漠盾牌/沙漠風暴中，六個陸軍師和一個海軍陸戰隊師都占據了相同的地理和電磁波譜空間，還有許多其他聯軍和指揮控制網絡[21]。鑒于這種信息密度，認知型EW也必須與人工智能概念和認知循環階段的相關挑戰相一致。

A. EW活動和AI對應的術語

為幫助EW和AI的受眾，我們提供了一個AI和EW術語的表格，在表1中，這些術語有一些對應關系。

表1 等效AI和EW術語

B. EW核心概念

電子戰被正式定義為三個部分：

• ES（電子支持）：了解誰在使用頻譜，出于什么目的。使用寬窄帶探測和攔截過程，它定位、識別、辨認、轉錄、分析可能的意圖，并評估致命性、敵對性和忠誠度。現代形式包括多層次的情報產品，如網絡電磁活動（CEMA），從地理到人物網絡。
• EA（電子攻擊）：利用頻譜，以EW效應爭奪該頻譜對自己的優勢。
• EP（電子保護）：是為保護和抵制干擾等攻擊而采取的行動。反干擾也可能包括抵抗ES、EA和CEMA產品的措施。

C. 查找、定位、追蹤、瞄準、攻擊、評估

在圖10中，Haigh和Andrusenko[15]提出了一個EW和AI的組合架構，它跨越了殺傷鏈階段，將AI的特征和分類輸入一個融合引擎，以建立一個意圖，這個意圖是由因果關系和異常檢測階段推斷出來的。

圖10 與EW功能相關的EW和AI能力[15]。

Haigh和Andrusenko的論文與EA之前的ES的數據融合觀點一致，同時保持EP。因此，人工智能方法被應用于特定發射器的分析、特征描述和分類，作為數據融合之前的模式匹配工作。然后，這些方法被用于異常檢測和因果關系搜索，以實現意圖識別。這是一個信息漏斗，在EA/EP方面，這些方法更多的是優化適應性，而不是智能，這貫穿于整個殺傷鏈，并應用于任務管理的決策援助和與電子戰令（EOB）和網絡管理有關的人為因素。不難看出，AI態勢評估、DM和機器學習（ML）能力與所有EW功能相關。每個認知型EW系統的第一步是電子支持（ES），以了解射頻頻譜。在人工智能界被稱為情況評估，ES確定誰在使用頻譜，他們在哪里和何時使用，以及是否有可以 "利用 "的模式。AI/ML技術可以使用特征估計、發射器特征和分類、數據融合、異常檢測和意圖識別。圖11顯示了任務前準備和任務后分析與任務中需求的重疊。

圖11 任務中、任務前和任務后的重疊部分

ES對環境進行分析，并創造出驅動決策者（DM）的觀測數據。日益復雜的情況將頻譜態勢感知（SSA）定義為 "收集有關頻譜使用的不同信息并處理這些信息以產生一個融合的頻譜圖"[15]。SSA收集、組織和處理EW所需的頻譜數據。SSA必須以近實時（NRT）的方式進行，以滿足任務中的決策者的需要，SSA必須結合各種支持技術，包括傳統的和認知的。然而，一個挑戰在于相關技術的整合和展示，其中只有少數是認知的，以減少脆性和處理新的發射器。人工智能和ML能力可以在每個層面上改善SSA，這是在其他相關SSA技術背景下對這些AI/ML技術的看法。一個完整的EW系統必須有多層面的SSA。未來的SSA系統可以用深度學習模型來生成潛在的特征，用經典的ML模型來進行任務中的更新，以及用混合模型來抵消有限的數據。此外，SSA不一定要完全依賴射頻數據： 它可以與非射頻數據融合，如視頻和靜態圖像、自由空間光學、或開源、戰術或作戰情報。跨越多個異質來源的分布式數據融合必須創建一個在空間、時間和頻率上都準確的連貫的戰地頻譜共同作戰圖。異常檢測、因果推理和意圖推理使作戰圖更加完整，以了解事件的影響并支持管理部門。

D. 影響范圍

Rudd-Orthner等人[14]用圖12中的 "影響范圍 "概念[18]擴展了這一概念，并增加了一個 "保護洋蔥 "框架，以根據數據需要選擇對策。

圖12 影響范圍

他們指出，威脅武器系統有變得更加復雜的趨勢，這種復雜性的增加至少可以部分歸因于：戰術的演變、技術發展的速度和數字化的現代化，但也有一種趨勢，即隨著人類決策和反應時間的減少，威脅的作用也在擴大；隨著自主系統的效力和使用的增加，這種情況也許更加明顯。自主系統的崛起在所有領域都在發展： 陸地、空中、海上、太空和網絡。自主系統的規模各不相同，從無人值守的槍支系統到自主空中平臺。這些自主平臺運作的作用也在不斷擴大，因此在打擊它們時，可能需要在綜合防御輔助系統中匹配復雜性，作為打擊復雜威脅系統的戰略。這些復雜平臺的作用和能力的增加，可能導致單一平臺的作用不大，并為其他平臺提供 "保護投射 "的要求。與此相結合，利益相關者群體也更加多樣化，科學家/工程師、機組人員和任務生產程序員之間的溝通機制也是挑戰，這樣他們都可能做出有意義的貢獻，并與他們的利益相關者群體的價值互補，正如Rudd-Orthner等人所說。

E. 拒止、降級、擾亂、欺騙、毀壞

圖12中的維恩圖顯示了數據可用性的 "影響范圍"：保護平臺/部隊、威脅或武器系統和防御限制與反措施設計考慮相疊加。Rudd-Orthner等人指出，這些不同的反措施考慮加上不同的可用數據，可能對反措施戰術設計形成影響范圍。

F. 保護洋蔥的映射

Rudd-Orthner等人在[14]和[19]中應用了多視角威脅分析圖解技術，該技術基于判別器、操作視角、系統視角以及對策設計考慮和影響范圍的維恩圖，適用于保護的洋蔥。他們在維恩圖中描述了反措施的設計考慮，將反措施的設計意圖描繪成一種規范，而不是ECM干擾器技術設施。在這種情況下，反措施設計考慮表示戰術的反意圖。論文[14]和[19]還建立了一個保護洋蔥的概念，利用反措施設計的影響因素和組織成洋蔥層的數據源，將揭示的數據分層管理。其中這些層級建議的對策方法也是與該威脅殺傷鏈階段的威脅意圖直接相反的，使得它也是一個測量的反應和保護數據模型在所揭示的數據。表2顯示的是保護洋蔥的層級（第1層是最外層）和反措施設計考慮，影響范圍與威脅系統的殺傷鏈意圖的映射。表2提供了保護洋蔥的六個層次。

表2 保護洋蔥

G. 認知電子戰系統

認知型電子戰系統的設計必須提供態勢感知、決策和學習能力。一般來說，系統要求推動了一系列關于哪些問題和它可能需要回答的問題的決定。決策可能是反復的，要么是集中的，要么是隨部隊效應范圍分布的。他們將一個問題表示為規格，并受制于AI代理的拍賣。就我們如何定義和調整優化函數而言，利用領域的物理學與參與的進展可能會減少狀態和交易空間。問題來自于像干擾這樣的設計結果所需的緊迫性和缺失的數據。因此，選擇對策和感覺的C4L參數、'while'或'if'條款都是數據要求，可能形成問題對話鏈或問題樹，在殺傷鏈的不同處置路線中需要。因此，這些對話鏈或問題樹就像專家系統的規則庫格式。因此，所需的數據就以拍賣的方式給投標的傳感器。這樣一來，邏輯路線總是有目的性的結果，而DM和傳感器的使用也是如此。另外，隨機森林[22]可以減少熵，增加信息增益。

雖然具有高度的適應性，但先進的雷達和軟件定義無線電（SDR）架構通常依賴于定制的API，單獨暴露每個參數。這種方法不適合EW系統中的近實時認知控制，因為緊密的耦合意味著人工智能不能做出全局性的決定。組成模塊必須是高度模塊化和可組合的，以消除這一障礙。通用接口允許模塊暴露其參數和依賴關系，從而實現全局優化和跨多個處理器的計算負載平衡。通常，由RESM（雷達電子支持措施）攔截的發射物是通過發射物數據庫識別的。發射者被識別出來，并在本地認可的海上圖像（LRMP）中得到體現。當通過數據庫確認為一種威脅時，它可以接受DM的詢問和拍賣：

• RECM C4L反措施規范可能需要威脅、獲取類型、速度、仰視距離和威脅的各種電子反措施（ECCMs）邏輯；
• DLS（誘餌發射系統）可能需要C4L數據并計算出發射角度和時間；
• CMS可能會要求C4L說明采取的最佳路線（避免武器系統的盲弧）。

為此，我們需要一個中間代理，提供一個模塊化的結構組件，允許不同的技術提供不同的服務，并確保信息/控制的一致流動，與John Boyd的OODA循環[23]一致，但適用于數據處理和DM。

圖13 模塊化架構

軟件架構的一個例子是ADROIT。自適應動態無線電開源智能團隊（ADROIT）：用中間代理認知控制SDR節點之間的協作。ADROIT項目正在建立一個開源的軟件定義的數據無線電，旨在由認知應用程序控制。模塊暴露了它的參數和它們的屬性（特別是讀/寫）。當一個模塊發生變化時（例如，增加一個新的參數），它只需揭示新的參數，并在一個發布-訂閱機制中公開參數（名稱、屬性），而不是為該新參數增加一個新的API函數；這也可以擴展為一個組播目的地，給后來仍需要定義的模塊。ADROIT用圖14所示的模塊實例化了中間代理。

圖14 ADROIT體系結構支持認知代理

處理不同的或變化的傳感器的一種可擴展的方式是，如果所有的設備可以減少不確定性或提供額外的數據來回答一個殺戮鏈階段的問題，就將它們定義為傳感器。因此，這些傳感器可以成為拍賣算法的參與者，以其回答問題的能力來競標。在不同的操作環境下，拍賣算法中的分數可以改變，因此，不同的傳感器選擇提供較低的可觀察性或與當前的ROE、受限的EMCON或當前的傳感器利用相一致。通過這種方式，形成了一個問答循環，完善了對情況的理解，同時在提問的基礎上做出增量決定，并使環境情況有利于他們的部隊使用保護洋蔥的一個版本。此外，同樣的拍賣優化可以與反措施一起執行，其概念是，如果一切都能影響當地的殺戮鏈決策或導致結論或問題發生在受害者身上，那么它就是一個影響者。由此可見，C4L提供了一種以標準形式指定反措施行動和傳感規格的方法；這些規格可以一起拍賣，以便在一個可適應的模型中獲得最佳效果和傳感，然后該模型將優化殺戮鏈的進展，為跟蹤的對手的殺戮鏈進展提供優勢。在圖15中，本文展示了EW系統如何在拍賣優化的基礎上與具有認知DM的作戰管理系統（CMS）集成。威脅的檢測/識別/鑒定/分類被轉移到不同的數據庫中，但這些過程和數據庫的不確定性導致了傳感器的重新任務。這些都是拍賣，根據傳感器解決情況的不確定性的能力來分配任務，并根據緊急程度來確定優先次序；這使用了從保護的角度預測威脅的殺傷鏈意圖。這些過程越可靠，立即識別和反應的概率就越高。為了進一步提高這一結果，管理部門必須考慮機器學習中的其他參數，以適應當地環境的傳感任務和對策效果的拍賣。

圖15 數據布局EWS與CMS集成

有些參數可能不為人所知，也可能沒有方法或傳感器來提供這些參數；因此，Rudd-Orthner等人[24]的專家系統的神經網絡形式作為數據庫的疊加，在這些情況下提供一個估計值。它還可以提供一個由貝葉斯網絡進一步引導的值，該網絡可以將從環境中收集的傳感器事實與來自其規則的知識結合起來，使其不容易被收集的事實所欺騙。此外，在圖16中，也是在人工智能的背景下，所提出的架構將EW系統與CMS結合起來。它通過一個反饋回路支持 "態勢感知"，根據威脅殺傷鏈的位置重新安排傳感器的任務，以快速解決識別和確認的不確定性，更新跟蹤的準確性，并為CMS和EW系統資源提供戰術清單作為選擇。

圖16 ID標準交互模型

在圖16中，DM能力因此積極主動地利用感知能力直接處置威脅，并為反制措施/部署制定了時間表。這些反措施/部署應按照RuddOrthner等人的保護理念，利用推斷出的威脅的殺傷鏈位置階段，直接對抗威脅的意圖。因此，傳感要求可以在拍賣算法中與可供選擇的策略/反措施交錯安排。同樣，在威脅分析和處置的關鍵時刻，一些所需信息可能無法在DM中獲得，但可以使用RuddOrthner論文中提出的神經符號-AI專家系統方法的代數專家系統部分進行估計。可控的可觀察數據可能來自人工智能環境中的數學或認知學習發展過程。我們可以認為這些有助于識別目標的元素是可觀察的，這些元素在DM中是可控的。

圖17 CMS和EW CM系統中的威脅數據路徑

在圖17中，本文展示了一個威脅發射器從EW系統進入CMS部分的順序。從EW系統的庫或數據庫中識別截獲的發射器；該數據庫包含物理雷達特征： PRI、頻率、PW、振幅、掃描類型、掃描周期平臺等級和威脅名稱；采集類型的特征，ECCM，如原點干擾（HOJ）Chaffs辨別，紅外，雙導射頻和紅外。如果發射物未被識別為威脅，則在本地識別的海上圖像中直接代表發行者。如果被確認為威脅，它將遵循不同的路徑，如前所述。導彈的獲取和ECCM的類型在反應鏈中具有巨大的價值。如果它有HOJ能力，最好是通過C4L中捕獲的特定計算直接干預硬殺傷和誘餌發射；該選定的C4L規格是由保護的洋蔥頭選擇的，它與頻譜中的感應計劃一起安排。該規格將誘餌定位在C4L所確定的與發射船的一定距離和特定的β值。除了在CMS上表示威脅的到達方向外，EW系統還將C4L搜索數據和傳感規范發送到多功能雷達（MFR）和火控雷達（FCR）作為即時硬殺傷系統。本文在圖18中畫出了由人工智能支持的戰斗管理系統（CMS）的架構基礎。在標準環境塊中，還有四個相互關聯的組件：

1.傳感器管理，提供設備監視器（資源管理器）的管理，傳感器信息的收集和軌道管理；在這個塊中，所有的相關數據都匯聚到機載傳感器，如雷達、聲納、ESM雷達、通信ESM、導航輔助設備和氣象數據。在這個架構中，一個傳感器的任務和它的優先權來自于它的成熟度和殺傷鏈。在這方面，關于Rudd-Orthner等人，威脅意圖的成熟度被評估為使用保護洋蔥的反意圖對策，并嵌入到Haigh和Andrusenko的殺傷鏈階段，其中的整合是通過ADROIT架構的發布和訂閱機制，這允許快速和靈活的整合和擴展。

2.在架構的第二塊，有信息管理，其中本地軌道與來自鏈接網絡的軌道相關聯，根據識別標準識別目標的追蹤，管理技術決策輔助工具和信息，共享共同的操作畫面，該畫面中的不確定性和異常情況引起了傳感器的任務。

3.第三塊代表戰斗管理，它提供了對威脅的評估計劃和武器優先權的分配--演習的計算和艦隊內與戰斗有關的信息交流。

4.最后一個區塊是資產管理，使用C4L規范和序列，允許艦艇同時協調幾個進攻和確定的目標。

圖18 AI應用于CMS結構

在DM處理環境之外，人工智能也同樣適用于智能處理環境，類似的技術疊加數據庫和ML提取，走向專家系統規則捕獲[25]。在人工智能輔助的CMS中，數據流入信息管理數據融合，使計算機系統在沒有明確編程的情況下利用歷史數據進行預測或做出一些決定。機器學習使用從IMDF（信息管理數據融合）獲得的大量結構化和半結構化的數據，這樣機器學習模型就能產生準確的結果，或根據這些數據提供預測。

作為戰備的一個關鍵原則，重要的是要知道--目前的跟蹤和對未來各種時間框架的預測--衡量和了解單位水平的熟練程度和個人職業的熟練程度。作為一個例子，最近在試圖評估水面艦艇軍官的熟練程度時特別強調了這一點。這項研究致力于開發一種知識管理（KM）方法來進行這種測量和理解，尋求實現當前的跟蹤和未來的預測。知識管理方法將被開發出來，以提高質量設計的特點，如直觀的操作、自然的數據輸入、敏捷性和全球覆蓋率。

海軍水面作戰部隊（SWO）群體提供了一種重要的、復雜的能力，以應對世界各地日益動態和不可預測的威脅。在水面作戰群體中的有效表現需要一套獨特的技能和能力，這些技能和能力的核心是在海上艦艇上的生活和工作。這種技能和能力一般都會以可預測的方式增長（特別是通過培訓和經驗），海軍執行既定的資格認證程序，以幫助確保其人員在負責船上的關鍵工作之前就已經熟練掌握。

然而，與任何人類的努力一樣，不同的人擁有不同的動機水平，每個人學習新技能的速度也各不相同。此外，鑒于世界各地的水面作戰行動的持續高節奏，加上SWO的培訓時間縮短，SWO的海員技能和類似的關鍵技能有很大一部分是在航行中學習的（特別是通過在職培訓[OJT]、指導[UI]、個人資格標準[PQS]）。因此，我們很難事先知道船上每個人的熟練程度，或者推而廣之，船公司和船員在開航前的準備程度。此外，并不是所有的船舶（即使是同級別的）都有相同的配置和操作，所以在一艘船上的OJT和經驗不一定能100%轉移到另一艘船上。正如最近的綜合審查（艦隊司令部，2017年）所指出的，諸如此類的因素可能會導致有問題的航海技術，無效的溝通，甚至是可避免的海上碰撞事故。

作為戰備的一個關鍵原則，重要的是要知道--跟蹤目前的情況和預測未來的各種時間框架--衡量和了解單位水平的熟練程度和個人職業的熟練程度。本研究致力于開發一種知識管理（KM）方法來進行這種測量和理解，力求實現當前的跟蹤和未來的預測。知識管理方法的開發將提高質量設計的特點，如直觀的操作、自然的數據輸入、敏捷性和全球覆蓋。

當按照這些思路來處理一個項目時，重要的是保持對知識的動態和人類本質的關注（Nissen，2014）。知識是不斷運動的（例如，當個人學習和練習個人技能時，當團隊學習和練習共同工作時，當船員遇到并與他人分享經驗時）。這尤其涉及到各種豐富的、基于經驗的、隱性的知識，這些知識是有效的航海、艦橋溝通、戰術行動和船上領導所需要的。因此，除了在每個時間點保持靜態理解外，還必須識別、測量、跟蹤和預測知識的流動（即知識流）。

知識也是無形的，不可見的，而且對量化有抵觸，這使得測量成為一個持續的挑戰。事實上，我們主要是通過人們（以及團體和整個組織）的行動和表現，來深入了解促成這種行動和表現的基本知識。此外，知識并不代表一個單一的概念：不同種類的知識（例如，隱性的、顯性的、個人的、團體的、創造的、應用的）具有質量上不同的屬性和行為，因此對行動和績效的影響也不同（Nissen，2006）。

在這項研究中，我們將知識流理論（KFT；例如，見Nissen，2014）、分析、可視化和測量（例如，見Nissen，2017；Nissen，2019）方面的技術水平--除了最近關于SWO社區的研究（例如，見Nissen & Tick，2018）--用于衡量和跟蹤SWO的能力和準備情況。我們也很謙虛，理解與SWO社區專家合作的重要性，以挖掘詳細和相關的洞察力和經驗。因此，這項工作結合了關于知識動態和測量的一些最佳思維，以及對水面戰能力和準備狀態的一些最佳理解，以創建一個綜合的、實用的、專注于水面戰的努力。

這導致了四個主要的研究問題：

問題1：什么是有助于個人和單位準備狀態的關鍵因素？

問題2：如何測量、跟蹤和預測這些關鍵因素？

問題3: 什么樣的準備狀態知識和信息是需要直觀而可靠的評估的？

問題4：什么樣的架構可以支持測量和理解的知識管理方法，實現當前的跟蹤和未來的預測，并提高質量設計的特點，如直觀的操作、自然的數據輸入、敏捷性和全球覆蓋？

這些研究問題是通過下面概述的四步法進行的。其結果增加了我們對識別、測量、跟蹤和預測水面戰熟練程度和準備情況的理解和能力。然而，顯然在一項研究中能完成的只有這么多，而本研究也不例外。然而，我們需要從某個地方開始，并開始制定哪怕是一個初步的方法和一套概念、構造和結果，作為一個隱喻的基礎，我們和其他研究人員可以在此基礎上進行研究。

一體化防空反導系統(IAMD)資源管理可以適用于當今現代軍隊中的許多不同裝備。本文討論的是雷達資源，它是用于用相控陣雷達探測、跟蹤和辨別目標的射頻能量和時間片段。IAMD的雷達資源可以在離散的停留水平和宏觀任務水平上進行管理。本文的第一部分介紹了一種IAMD雷達調度算法，該算法使用間隔和 "最早-最后 "調度的變體，在滿足固定任務期限的情況下，有效地實現所需的搜索幀時間。文章的后半部分接著討論了一個用于長期彈道導彈防御任務的軌道協調算法的設計。這兩個概念都適用于多功能相控陣雷達，并被設計為在滿足現有性能參數的同時提高效率。

1 引言

一體化防空反導系統(IAMD)是一套對飛機、巡航導彈和彈道導彈提供分層防御的能力。IAMD的資源管理是管理任何綜合防空導彈作戰系統或部隊的有限資源的一套作戰系統和系統的能力。圖1顯示了一個多任務（包括IAMD）雷達的各種預期能力和功能的例子。

傳統的武器系統是受限制的；對新的威脅和復雜環境的反應，這些系統最初并不是為其設計的，必須用傳統的硬件、計算機和網絡來解決，增加了能源、時間和系統的復雜性。新的IAMD系統在應對同樣的挑戰時，其資源受到的限制較少，但卻不同。然而，無論系統的現代化程度如何，美國海軍永遠不會有足夠的資源將能源和金屬扔到太空中，而不考慮這些資源在未來可能被需要并有效協調其應用。本文介紹了兩種用于IAMD雷達資源管理的算法。第一種算法是一個單一雷達的調度算法。第二種算法是針對多個雷達的協調算法。

圖1. IAMD雷達所需的性能和功能。

2 背景

IAMD從根本上說是一個多層面的優化問題。IAMD雷達控制系統的一個目標是在受到硬件能力和其他限制的情況下，在給定的時間內執行最大數量的功能，如搜索和跟蹤。考慮的因素包括占空比、峰值輸出功率、信號處理吞吐量、瞬時帶寬、接收鏈靈敏度和陣列結構。雷達控制算法根據優先考慮的事件隊列，在重復的雷達調度間隔（RSI）中安排雷達任務，同時遵守上述的限制。對于每個RSI，傳統的算法將從最高優先級的隊列開始，只有當高優先級的隊列為空且RSI中仍有空缺時，才會轉移到低優先級的隊列。這種方法可以被描述為 "貪婪的調度器"，因為RSI是固定的（不是靈活的），資源的應用只是為了安撫優先級，而不是為了實現效率。

高效的IAMD資源管理應用了基于優化理論的技術，特別是組合優化。這個特殊的數學優化分支將樣本和解決方案集視為離散。雷達任務或 "駐留 "可以被認為是離散事件，必須適合一個固定的容器--RSI。目標是用雷達事件完全填滿RSI，而不在時間軸上留下空隙。開源文獻中的組合優化例子，如knapsack問題和區間調度，特別適用于雷達調度。區間調度是計算機科學中的一個問題，其中必須選擇具有固定開始和結束時間的最大的區間（任務）集合在給定的時間段內執行。間隔調度問題有一些變體，將任務放入組中，并對每組的任務安排數量設定目標，或者根據優先級對組進行加權，目標是使安排的任務的加權值最大化。這最后的變化與系統設計者通常提出的IAMD資源管理問題非常相似。最后，中央處理器（CPU）的設計提供了一個高效動態調度算法的例子，即earliestdeadline-first（EDF）調度。如果每個任務可以用到達時間（隊列中的順序）、執行要求（持續時間）和最后期限（請求時間）來表征，那么EDF將選擇最后期限最接近當前時間的任務。

3 IAMD調度算法

一個雷達調度器必須滿足以下標準：

• 實現特定的搜索幀時間（名義上是重新訪問空間中每個點的時間，或者說，每個波束位置之間的時間）。
• 執行特定的跟蹤功能，同時盡量減少放棄的跟蹤更新事件。(軌跡更新是指雷達波束傳送到預計有目標的位置，加上隨后對該目標的探測，"更新 "其估計位置）。
• 最大化雷達占用率（調度器效率）。

讓雷達要安排的任務是兩種類型之一：固定的或靈活的。固定任務有一個特定的請求執行時間。靈活任務沒有具體的請求時間，但它們被認為是由預先確定的序列組成的持續任務，目標是以某種最低速度完成每個序列。固定任務和靈活任務可能有不同的優先級，這取決于由整體任務決定的系統目標。任務根據提出請求的時間被放在隊列中。

固定任務有一個指定的單一事件（或 "停留"）的最佳請求傳輸時間，由固定任務管理器決定。固定任務通常有少量的松弛時間，即計劃時間可以偏離請求時間的最大時間（提前或推遲）。松弛量將根據雷達任務的類型而變化。雷達固定任務的例子包括跟蹤、辨別、導彈通信和提示性獲取事件。

靈活任務有一組確定的事件，以特定的順序或模式執行。分配給每個靈活任務的事件可能有不同的長度。盡管這些事件沒有具體的要求時間，但整個模式將有必須執行的最低和最高時間段。靈活任務模式將被系統無限期地重復，直到被命令停止。所有與隊列中特定任務相關的靈活任務請求將具有相同的優先級。靈活任務的例子是體積搜索、雜波映射和基本測試功能。

所提出的調度算法是間隔調度和EDF的一個變體。在組成動態RSI時，它使用EDF方法來選擇固定任務（有截止日期的雷達事件），但隨后使用啟發式方法來設置靈活任務（沒有截止日期但對該任務隊列有執行目標的雷達事件）的動態優先級。該算法包括將固定任務安排在或接近其要求的時間，然后用靈活的任務事件填補固定任務之間的間隔。靈活任務的選擇不是基于優先級，而是基于動態地重新計算的模式率。這種單通道的算法設計假定所有的雷達事件都是符合責任因素的，而且固定任務總是比靈活任務有優先權。由于雷達硬件、算法設計和系統性能的限制，這些假設對于美國IAMD雷達如AN/SPY-1、-3、-4和-6并不總是成立。然而，這種調度算法是一種基于抽象原則的方法，與所有雷達調度算法有關。

IAMD調度算法利用固定任務的屬性來組成一個動態RSI（DRSI）。圖2描述了固定任務的屬性。固定任務必須在某個時間段內執行。要求的時間是最初要求開始執行的時間。長度是任務將消耗的時間段（占用）（即從任務開始到另一個任務或事件可能被安排的下一個時間之間的時間段）。閑置時間是指該任務在請求時間前后可接受的調度窗口。最早的可能開始時間是請求的時間減去領先的松弛時間。最晚的可能開始時間是所請求的時間加上尾部的時間差。前期和后期的松弛可以是相同的時間，但不要求是相同的時間。DRSI是一個固定任務結束與下一個固定任務結束之間的間隔。該算法將試圖把靈活的任務事件放在DRSI中。

圖2.固定任務屬性。

該算法還要求對靈活任務模式的狀態進行監控。一個模式最后開始的時間是模式開始時間（PST）。如果模式中的所有元素都被執行了一次，那么一個框架（模式的周期）就完成了。模式中所有事件長度的總和是模式長度（PL）。完成一幀圖案的所需時間長度被指定為所需幀時間（DFT）。PL和DFT通常是不一樣的（否則，靈活的任務將要求完全占用）。

圖3. 調度算法步驟。

在當前時間安排的模式的期望量是PL除以DFT，再乘以當前時間和PST之間的差異。靈活任務赤字（FTD）是在當前時間安排的模式的期望量減去已經為當前周期的模式執行安排的事件長度的總和。例如，一個靈活任務的DFT是8秒，當前時間和PST之間的差值是4秒。如果靈活任務的PL是3.2秒，那么當前時間安排的模式的期望量是1.6秒。假設當前周期的模式安排的事件長度之和是1.4秒，因此FTD是0.2秒。FTD在調度算法中被用來動態地優先考慮當前DRSI的那個靈活任務隊列。

該算法分四步執行，如圖3所示，有一些靈活任務類型的例子。首先，選擇下一個固定任務（NFT）來創建DRSI。其次，計算FTD，以確定哪些靈活的任務事件應該首先被安排，以及應該安排多少個來盡可能地填滿DRSI并減少最大的FTD。靈活任務按其FTD的順序考慮，較長的FTD具有較高的優先權。第三，靈活任務事件被安排到NFT，每個事件之間沒有空隙。第四，NFT被安排在最早的開始時間（在這種情況下，可能會有間隙），通過使用可用的松弛時間，或緊隨先前安排的靈活任務事件（不留間隙）。選擇NFT的算法也允許調度固定任務，中間沒有間隙。當固定任務可以在時間線上相鄰放置時，可以獲得較長的DRSI，并且可以安排較長的靈活任務。這個特點解決了靈活任務的一個隊列不能前進的情況，因為DRSI太短，不能從該隊列中插入一個事件。

每個固定任務隊列中最早的固定任務請求填充到NFT候選池中。選擇算法首先在候選者的松弛度允許的范圍內，盡可能晚（向右）移動每個候選者（圖4）。對于情況1（最高優先級的任務有最早的最后期限），選擇算法選擇最高優先級的固定任務作為NFT。該算法試圖更早地移動NFT，使其與先前安排的固定任務相鄰，中間沒有間隙。如果NFT不能更早轉移，那么它將被盡可能地推遲，下一個DRSI被定義為當前時間和所選NFT結束之間的間隔。圖5描述了任務A創造了一個DRSI，靈活的任務被安排在任務A之前，接著是任務B，它被安排在任務A之后，沒有間隙。

圖4. NFT的選擇。

圖5. NFT案例1，沒有沖突的優先順序。

一旦所有的事件都被放置在DRSI中，通常會有一個缺口，即DRSI中最后安排的靈活任務和固定任務的開始之間的未填充部分。固定任務在時間線上被提前移動，直到間隙被關閉或達到松弛的最早限度。在案例1中，任務A被稍稍提前移動，以便它和前面的靈活任務事件之間沒有間隙。

如果一個較低優先級的任務比一個較高優先級的任務更早開始，并且有足夠的松弛，使較低優先級的固定任務可以在最高優先級的固定任務之前開始和結束，那么該算法就選擇一個較低優先級的任務作為NFT。較低優先級的任務形成了DRSI，較高優先級的任務被安排在較低優先級的任務之后。這就是案例2，如圖6所示。

情況2還安排了任務B和A，使DRSI中不存在間隙。但是，如果任務B的松弛的最早限度會達到，以至于它不與前面的靈活任務事件相鄰，那么缺口就不可能被關閉。當缺口發生時，缺口的長度會被制成表格，以便在計算調度器效率時使用。調度器的效率是總時間減去間隙的總和除以總時間。

最后，如果有一個優先級較高的固定任務必須被調度，而優先級較低的固定任務要么太長，要么沒有足夠的松弛時間被容納，那么該算法就不會調度一個優先級較低的固定任務。這就是案例3，如圖7所示。

當沖突出現時，較高優先級的固定任務被選為NFT。在這種情況下，較低優先級的固定任務被退回給任務管理器。請注意在這個特殊的例子中，靈活任務是如何被選擇的。該算法在每次建立DRSI時都會計算隊列中的FTD。因為這是一個單程算法，具有最大FTD的隊列的事件被首先安排。當一個優先級較低的靈活任務具有較大的FTD時，就會發生靈活任務調度中的 "優先級 "倒置。該算法將最大FTD隊列中的事件填入DRSI，這些事件是將FTD減少到零所必需的，或者是在DRSI中可以容納的。該過程以赤字順序重復，直到DRSI被填滿或所有隊列都被解決。靈活任務的優先級繼承自靈活任務參數（DFT和PL）。

圖6. NFT案例2，由于最早的截止日期，優先順序反轉。

圖7. NFT案例3，無法解決的固定任務沖突。

通過模擬，我們發現了兩個額外的、必要的算法特征。第一個特征是對NFT選擇算法的調整，限制了最大的DRSI。DRSI必須被限制在一個最大值，這樣，如果一個新的固定任務到達隊列，它可以被安排，而不會因為執行一個長的DRSI而出現延遲或拒絕服務。如果符合條件的NFT將創建一個超過最大DRSI的DRSI，那么當前的DRSI將用一個靈活的任務而不是一個固定任務關閉。第二個特征是一個中斷動作，將允許新的關鍵固定任務搶占當前的DRSI。關鍵固定任務的特征是高優先級，請求時間與當前時間接近，并且沒有松弛。如果一個關鍵的固定任務發生，固定任務和靈活任務事件將從DRSI返回到它們的隊列中。

調度算法采用四步單通道方法，沒有超前看。追蹤FTD的特點是將過去的性能納入下一個DRSI的目標，并防止一個任務僅僅由于優先權而支配時間線。這個特點也允許進程優雅地退化。該算法有時可能無法實現增量目標，但平均而言，在較長的時間跨度內，DFT一般都能實現，很少有固定任務丟失（超時），除非他們所要求的時間會阻止一個更優先的固定任務被執行。請注意，該算法的性能仍然取決于適當的固定和靈活的任務參數輸入，如松弛量和DFTs。在重載條件下，請求可能還需要進一步的優先級；這種優先級將涉及調整靈活任務的DFT和可能的模式內的事件參數，以及整個模式的長度。

圖8. 沒有協調的概念冗余跟蹤。

4 彈道導彈防御軌道協調算法

用于IAMD的部隊級雷達資源管理（FLRRM）是海軍研究辦公室的一個未來海軍能力項目，目的是建立通過協調雷達任務產生增強防御性能的技術。盡管該項目中的廣泛努力正在研究雷達任務管理的許多方面，但由于彈道導彈防御（BMD）跟蹤任務的固有壓力，該項目重點關注彈道導彈防御的協調。

對BMD跟蹤的協調解決了目前部隊規劃和執行的局限性。沒有任務重疊的友軍布局（如分區防御設計）會限制突襲性能，因為從單一發射區進行的BMD突襲可能超過單艦能力。任務重疊的友軍布局也有局限性，因為重疊的雷達搜索理論或提示性獲取將導致重復跟蹤，如果沒有某種形式的干預協調，可能會導致過度交戰。盡管人工形式的協調是可能的，但突襲間隔時間使其失去了作用（圖8）。

FLRRM跟蹤協調（FTC）的目的是通過減少BMD的冗余跟蹤來提高突襲被殲滅的概率，并通過多艘艦艇之間的協調來保持艦艇自衛能力。FTC的形式是廣義分配問題（GAP）和多臂強盜（MAB）問題。前一類問題繼承自組合優化。MAB則是從概率論中得到的。關鍵的區別在于，組合優化要求對每個 "機會 "進行分配，而MAB則不需要。因為BMD軌道協調不允許棄權，所以它更自然地采用了類似于多重背包問題的GAP方法。

GAP公式如圖9所示。軌道的數量為N，傳感器的數量為M。一個傳感器-軌道對用ij表示。ij對的利潤和權重（成本）分別為pij和wij。傳感器i的總容量用wi表示。分配向量為xij；如果xij為1，則解決方案中要使用配對ij（即傳感器i是軌道j的首選）。典型的解決方案涉及一個動態程序或一個近似算法。然而，彈道導彈跟蹤的性質和可用的通信機制進一步制約了這個問題。每次有新的彈道導彈被其中一個傳感器探測到或被遠程報告時，協調問題必須重新解決。但是，如果傳感器軌道分配xij在引入新的軌道后發生變化，那么每個系統的火力控制回路可能會受到不可修復的干擾。換句話說，一旦彈道導彈被分配到一個系統，它就必須留在那里。該算法只能在考慮已知（現存）彈道導彈軌道的當前狀態的同時，協調每個新彈道導彈軌道的行動。此外，協調必須發生在跟蹤階段的早期，在這個階段對彈道導彈的類型和目的地知之甚少。因此，需要一個簡單而有效的利潤函數，該函數基于從MIL-STD-6016消息集中容易獲得的信息，以便可以實施分布式算法。結果是一個具有傳感器可用性和確認信息的先入先出的分布式貪婪啟發式算法。

FTC算法在美國海軍IAMD平臺（主要是宙斯盾巡洋艦和驅逐艦）之間提供分布式、可控的BMD軌道協調。圖10描述了一個使用FTC的名義上的部隊協調結果。通過避免對鏈路信息和雷達的修改，FTC保持了一個定義明確的范圍，是可以負擔得起的，并且可以擴展的。在每個啟用的平臺上，FTC從通過BMD通信鏈路傳達的Link 16信息中輸入空間軌跡圖；在宙斯盾武器系統內的指揮和決策元素中進行處理；然后向操作者輸出建議。信息交換要求限于現有的MIL-STD-6016信息和交換，由宙斯盾BMD 5.1計劃認可，以及操作員和武器系統之間的配置和監督控制信息。圖11描述了宙斯盾武器系統中修改后的功能。

算法研究表明，在各種突襲環境中，FTC比無協調的傳感器網絡極大地增加了交戰目標的數量。戰術相關場景的結果表明，有能力提供接近理想協調的高概率突襲殲滅。協調的好處廣泛適用，包括只有兩艘船參與的情況。

FLRRM已經過渡到導彈防御局宙斯盾BMD（MDA/AB）項目辦公室，并將在一個記錄程序中進行進一步的改進、整合和關鍵實驗。預計FTC將在2020年投入使用。使用新的傳感器和通信鏈路的改進也正在探索之中。

圖11. 美國聯邦貿易委員會對宙斯盾武器系統(AWS)的修改

這篇文章概述了軍事行動規劃過程中的一個獨特階段，即兵棋推演。作為軍事藝術領域的專家，兵棋推演是決策過程的一個特殊方面，它提供了根據作戰環境的某些變量來確定最佳反應方案的可能性。因此，在這種方法中，將從有關該領域的出現和發展的主要歷史里程碑開始，以便以后可以介紹兵棋推演的某些特點，在這種情況下，將能夠確定該領域的一般理論，然后制定一系列的行動方向，以適應可能的敵人的可能行動路線。軍事藝術的發展，軍事戰略家的經驗，新技術的出現，以及戰術對戰場變化的適應，代表了進行戰爭和兵棋推演的方式的一個里程碑。這個領域唯一不變的是，人類的想象力是無限的，只能希望軍事專家能找到適當的解決方案，把虛構的東西變成現實。因此，不僅針對專家，而且也針對那些處于軍事生涯初期的人，提供該領域的觀點。

引言

本文打算用科學的觀點分析的主要議題是兵棋推演理論，主要目的是確定其可能的演變以及該理論可能影響軍事行動的方式。

為了達到這個目的，對兵棋推演的演變進行了歷史分析，同時更加關注指揮官可以從戰斗模擬中獲得的優勢。接下來，從軍事理論、手冊和指示中規定的概念出發，利用假設-演繹分析，將強調兵棋推演對作戰方案的主要影響。

在本文的最后，將根據在開始時提出的分析，提請注意結論。

選擇這個主題進行分析的動機是由于俄羅斯-烏克蘭沖突的臨近，以及需要確定一種方法來預測它對國家利益可能產生的任何影響。

研究的新穎性在于分析兵棋推演的演變和建立這些模擬發生的總體框架的具體程序之一，更加關注羅馬尼亞國防大學的演習和培訓項目中最常用的方法。

人類建立和平和全球和諧的沖動，迫使領導人找出各種方法來化解緊張局勢，結束武裝沖突或戰爭，或至少減少人力和技術損失及財務成本。從這個角度來看，模擬戰斗的重要性是毫無疑問的。在不涉及部隊調動或人命和設備損失的情況下，擁有確定優勢和劣勢、脆弱性、關鍵能力和行動成功所需的其他一切的選擇是非常重要的，并提供了在較短時間內評估許多行動方案的可能性。

1 兵棋推演概述

很長一段時間以來，歷史學家和哲學家都在努力回答眾多復雜的問題。在所有這些問題中，可以找出一個與武裝沖突有很大關系的問題，即兵棋推演。從我們的角度來看，人類是否首先面臨戰爭或發展出模擬的戰斗并不重要。我們認為，最重要的事實是，根據人類的本性，一方面為了提高戰斗的效率，另一方面為了拯救生命，我們不遺余力。看來，這兩種對立的感情，共同生活在我們的頭腦中，對社會的進步是最重要的。因此，其中一個分支的發展誘發了對另一個分支的對稱性影響。就像戰場上的戰術或技術被開發或發明一樣，兵棋推演的技術和方法也在同樣的程度上被調整和改進。因此們可以看到，戰爭模擬的歷史與戰斗方式的歷史有著密切的聯系。因此，為了完成有關兵棋推演歷史的研究，必須集中精力研究武裝戰斗的歷史、技術的發展以及戰術和戰略的演變，因為所有這些都影響著模擬過程。

要確定哪種戰爭或兵棋推演在人類歷史上最早出現是非常困難的。考慮到每場沖突和每場游戲都是以戰略為基礎，以取得勝利為目的，我們很容易觀察到這兩個概念之間的緊密聯系。因此，根據一些研究人員的說法，國際象棋和圍棋游戲的復雜性是一個強有力的論據，這兩種游戲可能是現代戰斗模擬的靈感來源（Goria 2011, 1 - 16）。此外，真正的游戲大師都有那種獨特的能力，在對手面前掩蓋自己的真實意圖，這正是軍事藝術的精髓： "一切戰爭都建立在欺騙的基礎上"（Tzu 2000, 3）。即使出于這個單一的原因，我們也傾向于宣布這兩種古代游戲和那個時代的戰斗方式之間一定有非常密切的聯系。更重要的是，當涉及到國際象棋時，游戲人物（國王、皇后、主教、騎士、城堡和步兵）和戰斗單位的細節之間的相似性是顯而易見的。這種相似性和女王在很長一段時間內被稱為將軍或首相的事實（Dunnigan 2005, 140），以及游戲的結束與國王的投降相吻合，國王是一個國家和軍隊的象征和最高代表，這也證明了國際象棋游戲是一個原始的嘗試，在一個平坦的、小的表面上轉述戰場事件，始終由最高指揮官支配。

如上所述，戰爭的發展和模擬戰爭的演變是相輔相成的。因此，由于軍隊作戰領域的發明和創新改變并擴大了沖突的規模，同樣，用來想象行動路線的游戲也重新調整，以面對新的挑戰。我們認為，在對戰斗模擬的進展有重大影響的眾多因素中，地理地圖的發現和使用是最重要的。從這一點出發，規劃者和工程師們能夠更貼近現實地模擬部隊的行動，有機會根據戰場的多樣性、河流或其他困難地形的存在與否，確定特定部隊的覆蓋距離。此外，該技術還影響了戰爭的進行方式。每一個新的突破都會在軍事領域得到應用，或者提高標準戰斗單位的能力，或者創造新的特定單位的必要性。在歷史上的每一個時刻，所有這些由技術引起的變化都被要求成為新模擬的一部分。因此，由64個規劃好的格子組成的棋盤已經過時了，取而代之的是地圖，其準確性完全取決于研究和模擬戰場的技術可能性。此外，每個國際象棋的16個數字讓位于代表師、營或連的可變數量的物體，根據其在戰斗中使用的主要特點進行編碼。1650年左右，在普魯士，所謂的Koenigspel（國王游戲），除了所謂的第一個 "兵棋"之外，沒有別的東西出現，包括在一個更大的棋盤上顯示不同數量的人物，反映了十七世紀戰爭的現實。被認為是第一次模擬海上沖突的游戲被認為是在十八世紀下半葉首次組織的，當時使用小木片代表的戰艦，玩家設法模仿真實的海上戰斗行動，甚至風對船只的影響或對敵人戰艦的射擊效果（Goria 2011, 1-16）。

兵棋推演的重要性是無可爭議的。每一個新的假設、理論、戰略或戰術都可以在不涉及大量部隊和設備的情況下進行測試，這意味著成本的大幅降低，并有機會投資于軍事人員的更好準備或軍事單位和戰斗設備的現代化。另外，在我看來，正是在這個時期，兵棋推演玩家的專業化成為一種絕對必要。因此，除了最高指揮官和其他指揮官之外，諸如操作員、維護人員或工程師等職能部門也開始嶄露頭角，對模擬的準確性變得不可或缺。此外，模擬被用來驗證這些創新，并將其應用于未來的戰斗（Goria 2011, 1-16）。在改變戰略或戰術之前，指揮官有機會在戰斗前進行測試，并根據游戲的結論，決定是否在軍事行動中應用它，節省了大量的資金，更重要的是，挽救了他們同志的生命。

航空和潛艇的出現是進行戰爭和兵棋推演方式的一個里程碑。它迫使工程師們超越想象力的極限，以創造一個盡可能準確的虛擬現實。從這一點來看，經典的戰斗模擬已經過時了，一方面是由于高速的空中作業，對操作人員來說是一個真正的挑戰，另一方面是由于要求對戰場進行三維表現，以便在行動中引入潛艇。正是信息技術的發展--IT--解決了這個巨大的問題。信息技術對游戲模擬的巨大影響是難以想象的。突然間，幾乎任何東西都可以在計算機的顯示屏上可視化。似乎沒有什么是不可能的，唯一的限制在于人類想象力的限制。從現在開始，以非常低的成本，成千上萬的模擬，發生在世界不同的地方，有不同的戰斗人員和設備，可以在同一臺設備上使用，位于遠離戰場的地方，返回更多的數據。所有這些都是在一個非常短的時間內完成的，涉及的額外工作人員數量減少，因此提高了安全水平，減少了信息泄露的風險。

越來越多的非軍事專家參與到武裝沖突的模擬中來，直到一家公司產生將這一概念用于民用目的的想法只是時間問題。這發生在1958年（Dunnigan 2005, 141），當時一家專門的公司決定為平民創造一個版本，這是游戲模擬歷史上的一個真正的轉折點。有可能在很短的時間內測試不同的理論，用人較少，更重要的是大大降低了成本和風險，這使得民間領導人集中資源開發這種應用。民用環境中前所未有的快速變化速度只有計算機的發展才能與之相匹配。從這一點來看，人類歷史在幾乎每一個活動領域都是軍事和民用技術的混合體，尤其是仿制軟件。兵棋推演，通過對軍事資產的高度模仿，代表了突出這種融合的無可爭議的證據。在這些視頻游戲中，艦船、飛機或坦克的設計具有看不見的準確性，它們的行動受到戰場現實的嚴格限制。也許，這些游戲最重要的優點是它們面向所有人，無論他們的年齡或職業如何，讓工程師和規劃師對他們的工作有一個更好的、不受限制的反饋。

因此，回顧了兵棋推演的歷史，看看軍事行動、戰術和戰略的演變是如何影響戰斗的模擬的。戰術游戲的目的是通過軍隊演習再現一場特定的戰斗來確定一些重要的經驗教訓，或者提出最佳的解決方案，以便在未來的武裝沖突中盡量減少損失并取得勝利。我們強調，大多數戰術演習和戰略都可以用這個系統進行測試和驗證，以便通過減少成本和軍事人員及設備的損失來簡化一個國家的整個防御過程。

此外，在我們看來，這種信息可視化工具使我們能夠進行競爭性情報實踐，并有可能通過其表現形式增加信息的價值。另一個優勢是將有關作戰環境的問題擴展到識別與具體軍事行動相關的威脅和機會。在這個想法的延續中，決策者可以確定一個行動的主要影響所在。

最后，由于無法預見新技術的突破，幾乎不可能預測未來戰爭模擬的設計。我們只能想象，新的量子計算機的發展將在這一領域產生。這個過程中唯一不變的是，人類的想象力是無限的，只能希望我們的智力能夠找到適當的解決方案，將看似虛構的東西轉化為未來的現實。同樣重要的是，互聯網為我們提供了必要的基礎設施，使我們的設備能夠以光的速度從世界的一個角落傳輸信息，這一優勢可用于各種目的，如軍事合作、模擬不同國家的戰斗單位的整合或教育過程中。

2 兵棋推演過程的特性

在歷史上，偉大的將軍們明白，預測是很難實現的，因此，他們最重要的能力是找到新的和更好的方法來分析對手，并盡可能多地識別敵人的行動方案。不僅如此，戰斗模擬成為計劃過程中最重要的步驟之一，它提供了評估自己的行動方案與對手的行動方案完成任務的潛力的可能性，并能正確地識別不足之處。然而，兵棋推演的真正價值在于它能讓指揮官和參謀人員同步和可視化地開展行動。它可以幫助預測可能發生的事件，識別潛在的風險和機會，可能需要對抗和利用不同的情況，最終目的是取得勝利（SMG-3 2016, 125）。為了最大限度地發揮兵棋推演的作用，聯合行動規劃組（JOPG）應考慮到各種因素，如：可用于規劃和執行的時間、需要發揮的關鍵事件、下屬參與的必要性、指揮官的支持以及與相關國家和國際行為者的合作、兵棋推演的類型--人員估計、地圖演習、行動分析（SMG-3 2016, 125）等，最大限度地提高模擬效率。從我們的角度來看，兵棋推演的成功與任命一名協調員嚴格相關，其主要目的是進行模擬的準備工作，并保持對參與過程的每個行為者的客觀態度。

研究兵棋推演的計劃過程和不同的方法，可以發現，通常情況下，模擬過程包括幾個階段，如：設定條件、進行游戲回合和評估。雖然這些階段都有特定的格式，但JOPG應該永遠記住，靈活性是一個優秀官員最重要的品質之一，因此，他們不應該局限于此。一般來說，設定條件階段是一個介紹，列出影響行動的戰略和行動條件，包括政治考慮、威脅的性質、環境、民事、媒體、信息條件等。此外，進行游戲回合是指在行動-反應-反行動的類型上進行一系列的游戲，每次都把主動權交給對手。最后，評估包括對每輪游戲后可能出現的結果和結論的評估，用于確定下一輪游戲的條件。

游戲以 "行動 "項目開始。發起這一行動的小組負責人（A部分）將提出自己的COA部分，并對其進行分析，強調其間發現的威脅。這個介紹還將包括要實現的目標、部隊本身采取的措施、確定的詳細程度、所有可用的部隊和能力、分配的任務、計劃的作戰行動的描述以及部隊的部署和機動。接下來，此舉中的 "反應 "要素，對于確定A部分在 "行動 "中采取的哪些行動可以被發現/確定是非常重要的。"反作用力 "是結束行動的要素。這是該循環中最靈活的元素。A部分的代表將就 "反擊 "中提出的行動/威脅提出他的選擇（SHAPE 2013, 4.73-4.81）。

基于上述方面，可能有必要修改自己的COA。在兵棋推演的執行過程中，不對COA進行大的修改，停止進程，進行修改，恢復游戲。每個周期的分析階段的目的是在同步矩陣中記錄由游戲主管確定的信息和由此得出的結論。在 "行動"、"反應 "和 "反反應 "中記錄的結果將由參與者進行評價。根據所選擇的兵棋推演的玩法，下一個周期在時間上可能與前一個周期密切相關，或者代表一個新的環節的開始，在空間和時間上錯開。

在一場良好的兵棋推演之后，聯合行動小組可以得到許多結論。根據軍事文獻和資料，兵棋推演最重要的結果包括：驗證自己的行動方案，確定決定性的要點，需要制定變通計劃或/和替代方案，應該發送給指定機構的新信息要求，行動的同步性，確定每個COA的優點和缺點，風險評估和確定減少風險的方法，更新初步估計，更新成本，建議修改交戰規則（ROE）或確定機會和脆弱性，額外的力量和能力要求，損失估計，等等。(NWP-5-01 2018, 4-21)。在所有這些中，我們可以得出結論，兵棋推演可以改善一些規劃方面的問題，如在空間和時間上對計劃行動的各個階段進行接續，部隊之間所需的協調程度，參與行動的部隊的同步性，確定必要的自身能力和部隊的戰斗力等。

兵棋推演的結論支持工作人員建立執行行動的部隊組織，部隊行動在時間和空間上的同步，以及實現決策支持矩陣。為此，所有在兵棋推演后提供的數據必須以這樣的方式記錄下來，以方便比較路線和制定作戰計劃的活動。有兩種已知的方法可以做到這一點：同步矩陣和課程分析工作表。這兩種方法都支持參謀部記錄所有關于確定的優勢和劣勢、下屬單位的額外任務或必要的指揮控制系統的組織的意見。

在羅馬尼亞國防大學形成的經驗使我們有機會參加各種演習，其主要目的是說教，結果我們能夠列出在這些演習中從兵棋推演中獲得的一些結論：分析小組改進了任務的部隊組織，并設法制定了一個同步矩陣。另外，他們也更容易確定每個作戰行動的優勢和劣勢，確定變體和替代方案，或確定一些可能影響實際行動發展的風險。此外，規劃者能夠直觀地看到并改進河海之間軍事行動的連續性和同步性，評估并改變監視和打擊的路線，重新考慮已接受的風險等。

從眾多可以進行兵棋推演的方法中，根據我們的經驗，我們可以確定一些適合于教學目的的兵棋推演：行動階段的兵棋推演；穿越決定性點的兵棋推演；作戰環境的分段兵棋推演（SMG-3 2016, 125-129）。

行動階段的兵棋推演的發展包括通過兵棋推演分析集結部隊的主要任務，與行動的一些階段有關，在時間上明確界定，與該階段相關的目標有關。就結果的保真度而言，這個模型是基于預先定義的場景，參與者在其中進行決策干預。因此，人工作戰的一個主要缺點是，事件的結果和順序受到參與者的決定的影響。其優點是可以精心選擇階段，使兵棋推演能夠在短期內對可能的情況進行真實的描述。另外，游戲中一個階段的錯誤不會影響下一個階段的分析。在這種情況下，規劃者面臨的挑戰是確定計算機輔助戰爭的解決方案，決策者可以在最小的誤差下做出決定（SMG-3 2016, 125- 129）。

通過決定性點的兵棋推演的發展包括實現兵棋推演，其中分析的要素是基于需要滿足一些決定性的條件，由集合的部隊的主要任務定義。決定性的地點導致了敵人的重心。轉折點代表軍事行動的那些關鍵時刻，允許過渡到下一個階段，因此，決定性點的連續導致達到擬議的最終狀態。這種方法的優點是有具體的可能性來量化結果，無論是在手動兵棋推演中還是在輔助游戲中。缺點是，對一個決定性點的錯誤分析，在一個級聯中，會導致錯誤傳播到后面的決定性點分析（SMG-3 2016, 125-129）。

對作戰環境的各個部分進行兵棋推演的方法包括確定通過分析不同行動領域特有的主要任務而獲得的結果。這樣做的好處是，針對一種行動手段的任務不會影響對另一種行動手段的分析結果。缺點是，對一個共同的任務進行分析，與兩種行動手段有關，會產生不同的效果，而不能確定錯誤在哪里（SMG-3 2016, 125-129）。

經過個人實踐，能夠推薦一些在戰術層面進行兵棋推演的方法，這些方法可以單獨使用，也可以組合使用：

• 大道縱深法；
• 帶狀（條狀）法；
• 箱子法；
• 區域法；
• 基本任務繼承法。

如果在作戰區域內有明確劃分的方向，那么縱深大道法就適用于進攻和防御行動路線。基于對所有被分析力量的決策點、關鍵事件和重心的分析，這種方法是兵棋推演法的對應物，用于穿越作戰層面的決定性點。

使用條帶法，作戰區域將被劃分為橫向條帶（橫跨作戰區域的寬度），戰斗的組成部分將被分階段分析。這是一種很好的分析方法，因為它提供了關于影響某一事件的所有力量的信息，這就是為什么特別推薦它用于發生在大空間的行動（延遲行動、接觸推進）、分析行動的不同階段（逼迫河流）或當敵人被分組在明確界定和確定的梯隊中時。這種方法有助于我們按順序分析沿指定地帶的整個戰線所進行的行動，但建議包括屬于鄰國的部分地帶，以評估他們的行動對自己部隊行動的影響。

盒式方法包括對某些地區、部門、就業區的關鍵事件進行分析，劃定的區域被隔離開來，模擬嚴格按照該區域進行。這種方法涉及到將兵棋推演的發展集中在某一地理區域，在該區域必須達到某種效果。采用這種方法，要考慮到所選區域的劃定，要考慮到地形的一般特點、自己部隊的排列、行動的敵人的行動區域、具體的地理邊界（由湖泊、河流、三角洲、海灘、山脈、道路通訊等劃定）。當軍事行動計劃在由主要地理特征劃定的行動區域內進行時，就會使用這種方法。

區域法涉及將行動率細分為作戰區域內的子區域。每個子區都對應著一個要分析的時間段。使用這種方法時，規劃組將區域隔離開來，重點關注該區域內的關鍵事件。

基本任務的接續方法是最方便的方法之一。這種方法涉及穿越COA的一個或多個時間段。將COA分成時間段可以通過兩種方式進行。一種程序是將COA劃分為具有相同時間間隔的片段，對所有己方和敵方的COA（OPFOR）都是一樣的。另一種程序是將COA劃分為具有靈活時間間隔的片段，與戰術序列相對應。基本任務的繼承方法允許確定執行基本任務獲得成功的方式，并確定發展下一階段行動的條件。它還提供了根據對手的某些可能反應來審查行動方案的可能性。

綜上所述，我們認為軍事規劃人員有足夠的工具來分析強調COA發展的指數和警告，其依據是尊重規劃、分析和優化決策的最基本原則的兵棋推演的結果。所介紹的兵棋推演方法，以及該領域的特殊性，提供了發展分析可能情況的可能性，以做出明智的決定。

結論

根據理論戒律，在虛擬環境中最廣泛使用的兵棋推演原則與行動的類型、目的和結構的任務以及情景中列出的初始條件有關。情景提供了一個迷人的環境，所有的游戲都在其中發生。

與作戰計劃過程類似，在兵棋推演過程中，目的和目標的制定對于確保一個要研究的問題被正確制定/構思是至關重要的。

作為一個特點，玩家和他們的決定是所有兵棋推演的基礎，所以兵棋推演的客觀性是由玩家的決定的公平性來體現的。

模擬是兵棋推演中包含的行動模型的本質。所有的模擬都是基于行動模型所依據的數據和數據源。根據這種方法提出的方面，可以看出，模擬可以是計算機輔助的，也可以是人工的。因此，規劃小組的決定最好是基于輔助分析過程。

提到可以考慮用干預措施來介紹這個過程的某些方面，確信對那些想發展這個主題的人來說是有幫助的，以發展這個概述。最后，通過這次干預，我們強調了兵棋推演在計劃軍事行動過程中的重要性。

從說教的角度來看，作為該領域的專家，我們強調，除了模擬的兵棋推演的結果之外，經驗也隨著游戲中收集的結果而增長--通常需要幫助我們理解兵棋推演中發生的事情，并加強其效益。我們把這種經驗從一代又一代的學生身上傳遞下來，但也傳遞給軍事教師。

與"半人馬作戰（centaur warfighting）"概念以及自主武器系統將取代人類作戰人員的想法不同，本文提出，未來的有人-無人協同作戰更可能是“牛頭人”，即在人工智能控制、監督或指揮下的人類團隊。它研究了未來部隊的可能組成，并促使人們對牛頭人作戰引起的倫理問題進行必要的對話。

前言

人類將在未來的戰爭中扮演什么角色？對這個問題的一個有影響力的答案是，他們將與先進的機器合作，利用雙方的獨特能力。保羅-沙爾創造了 "半人馬作戰 "一詞來描述有人-無人組隊的使用，他認為相對于使用自主武器系統（AWS），它們擁有一些關鍵的優勢。通過讓人類控制、監督或指揮多個無人系統，人類的判斷力和認知的靈活性可以與機器的反應速度、傳感器、力量和功率相結合，從而勝過人類和機器單獨作戰。

半人馬是一種神話中的生物，其頭部和上身是人，下身是馬。當被用來描述有人-無人團隊時，半人馬的形象促進了人類將領導團隊的想法。我們概述了對有人-無人團隊性質的另一種看法，這種看法更有可能在未來戰爭的關鍵作戰領域實現。我們懷疑人工智能（AI）將指導多個人類的活動，而不是人類指揮多個機器人。未來的機器人士兵更有可能是牛頭人--一種具有人的身體和牛的頭的神話生物，而不是半人馬：他們將有一個可怕的頭而不是一個可怕的身體。

牛頭人是思考人類參與戰爭未來的一個更好的形象，其原因與技術動態和道德要求有關。可以說，人工智能在執行與戰爭最相關的認知任務方面的能力已經超過了機器人在執行與戰爭最相關的人體功能方面的能力。此外，人工智能應用方面的進展比機器人應用方面的進展出現得更快。因此，在可預見的未來，在許多領域，當人類扮演執行角色時，用機器代替人類將比人類扮演涉及操縱物體或在雜亂環境中移動的角色更有說服力。事實上，將人類置于機器的控制、監督或指揮之下往往是一種道德上的需要。隨著新技術的引入，軍事行動的節奏加快，將戰場指揮的一些功能轉移給人工智能，將有助于防止友軍交火事件，并提高人類作戰人員的生存能力。

鑒于人工智能的發展速度，迫切需要考慮牛頭人作戰的影響，這既是為了未來作戰部隊的有效性，也是為了將越來越多地在機器的指導下進行戰爭的人類。本文討論了推動我們走向由牛頭人作戰的未來因素，并開始了關于牛頭人作戰的倫理影響的對話。

半人馬作戰

沙爾在關于使用自主武器的影響和倫理的辯論中提出了半人馬作戰的想法。沙爾承認，完全自主的武器系統可能在未來的戰爭中發揮作用，但他認為，在大多數情況下，人類和機器的團隊在單獨運作時將勝過兩者。機器人和人工智能程序在整合大量數據、快速反應和實施精確打擊方面表現出色。但目前，在涉及到對作戰至關重要的其他角色時，它們的能力不如人類。特別是，他認為，人工智能仍然難以在復雜和意外的情況下做出正確的決定，特別是在解決戰爭中經常出現的道德困境方面，行使必要的道德判斷。由于這個原因，據沙爾說，在許多應用中，人類和機器人（或人工智能）組成的團隊一起工作，在戰斗和其他軍事行動中，將勝過自主系統和人類的單獨戰斗。

半人馬作戰的想法具有很大的影響力，這體現在人們對現有武器系統運作的理解上，也體現在如何設計和使用機器人和人工智能來進行未來的戰爭的模式上。

沙爾本人用半人馬的形象來分析美國反火箭、火炮和迫擊炮系統（C-RAM）的運作，該系統自2010年以來一直在運行。該系統由一門雷達和計算機控制的高速加特林炮組成。它是高度自動化的，能夠在沒有人類監督的情況下攻擊和摧毀目標。然而，目前的理論要求有一個人在回路中（意味著系統不能在沒有人類操作員輸入的情況下運行），以授權參與特定目標，以減少自相殘殺的風險。Scharre將這種安排作為半人馬作戰的典范，應盡可能地加以模仿。他還指出，類似的系統只包括人類的 "循環"（意味著人類主管可以選擇干預以改變系統的運作），并建議這種安排可能會變得越來越普遍，甚至是必要的，因為在更多的角色中使用自主系統而導致行動節奏加快。

重要的是，半人馬座作戰可以作為目前正在開發的使用機器人和自主系統的未來行動模式。美國國防部無人系統綜合路線圖2017-2042聲稱，"未來的軍事行動將需要無人系統和人類之間的協作"，并強調了 "人機合作 "的重要性。人機協作（MUM-T）是美國陸軍無人機系統2010-2035年路線圖的一個關鍵目標，在美國海軍的無人機運動框架中也占有重要地位。雖然有人-無人團隊合作與團隊中的機器和人類之間的一系列關系兼容，但文件中提供的背景和例子清楚地表明，這些有人-無人團隊被想象成半人馬。此外，無人系統的旗艦例子包括美國陸軍的機器人戰車-輕型，美國海軍陸戰隊的遠程操作地面部隊的遠征（ROGUE）-消防平臺，美國空軍的SkyBorg項目，以及澳大利亞皇家空軍的Loyal Wingman項目（最近更名為MQ-28A Ghost Bat）。這些例子幾乎都被宣傳為提高人類作戰人員的效率--也就是說，促進半人馬作戰。

人類在負責？

半人馬的形象意味著，當人類與機器人或人工智能合作時，人類將負責團隊的工作。準確地說，他們將如何負責仍然是開放的。Scharre通過使用人類在循環中和在循環中的例子來介紹半人馬作戰的想法。Scharre似乎允許半人馬作戰與人類只發揮較遠的監督作用的情況兼容，盡管據推測，機器將需要保持在 "有意義的人類控制 "之下，以便在這種情況下談論人類監督。Scharre對 "有人-無人小組 "中人類負責的含義做了慷慨的解釋。即使在這種情況下，我們相信，與Scharre相反，許多人類和機器的合作將被更準確地描述為牛頭人（無人駕駛的團隊）而不是半人馬（有人駕駛的-無人駕駛的團隊），因為團隊中的機器將有效地負責。

關鍵技術動態

人工智能發展的最初時期的特點是認為關鍵的挑戰是創造出能夠完成認知任務的機器--例如下棋、完成數學運算和處理大型數據集--我們覺得很難，并認為是智力成就的巔峰。例如，臭名昭著的是，被廣泛認為是現代人工智能研究起點的達特茅斯夏季研討會的原始撥款申請提出：將嘗試尋找如何使機器使用語言，形成抽象和概念，解決現在留給人類的各種問題，并改進自己。我們認為，如果一個精心挑選的科學家小組在一個夏天共同研究這些問題，就可以在其中一個或多個問題上取得重大進展。

然而，很快就可以看出，真正的挑戰在于其他方面。我們認為很容易的任務（而且我們認為這些任務不需要智力，因為兒童和動物與成人一樣能很好地完成）對機器來說證明是困難的。現在，感知、運動和操縱被認為是人工智能和機器人學的難點。盡管過去十年來機器視覺取得了重大進展，但機器在非結構化環境中定位和識別物體的能力仍然有限，而靈巧的操縱仍然是一個關鍵的挑戰。現實世界操作條件下的魯棒性對機器人系統來說也是一個挑戰，能源要求也是如此。在當前，令人震驚的是，人工智能研究的進展比機器人研究快得多。一般來說，人工智能的腦袋仍然比機器人的身體好。正如計算機科學家唐納德-克努斯（Donald Knuth）所觀察到的，"到目前為止，人工智能基本上已經成功地完成了所有需要'思考'的事情，但卻未能完成人和動物'不需要思考'的大部分事情--這一點，不知為何，要難得多。" 鑒于體現在與物理世界的接觸中所涉及的挑戰程度，在可預見的未來，這種情況可能仍然存在。

人工智能和機器人技術的相對優勢在許多民事應用中是顯而易見的。今天，當人類和智能機器在工業領域的團隊中一起工作時，機器往往執行腦力勞動，而人類則從事體力勞動。

也許牛頭人最突出的民用例子是亞馬遜的履行中心。這些中心的工人是由機器指揮和監督的。復雜的算法決定了哪些貨物必須被運送，在哪里，以及如何運送，但人類必須收集和（有時）包裝它們。機器通過手持設備告訴工人要收集什么，從哪里收集。因為倉庫使用算法包裝系統，它存儲貨物以盡量減少收集貨物所需的時間，而不是在一個固定的位置，如果沒有機器，人類就無法找到他們被要求收集的產品。越來越多的機器人化的叉車、托盤或存儲單元將產品箱帶到桌子上，人類在那里提升和包裝貨物或將它們放入另一臺機器：人類因此淪為了機器的手。正如諾姆-謝伯在《紐約時報》上指出的，"[從工作中]不斷剝離人類的判斷力是自動化最普遍的后果之一--與其說是用機器人取代人，不如說是讓人變得像機器人"。

另一個平民牛頭人的例子是由長途卡車運輸的演變提供的。卡車司機越來越多地收集和運送物品，并遵循算法物流系統分配給他們的路線。將數據傳回給這些算法的傳感器監測司機的速度、路線和駕駛表現。司機甚至可能因為各種違規行為而被自動處罰。自主系統不是由人類選擇自主車輛行駛的目的地，而是指示人類何時、何地、如何行駛。這些人機團隊的發展和繁榮，主要是因為它們在技術上比其他選擇（如人類選擇路線或機器駕駛）更可行，但也因為它們減少了道路死亡。

在討論未來戰爭中的有人和無人合作時，人工智能和機器人的性能差異一直沒有被充分認識到，因為無人系統在軍事應用中的成功案例都是在空中領域操作（或攻擊目標）的機器。與感知、導航和運動有關的問題對無人駕駛航空器來說是相對容易解決的，而與操縱和靈巧操作有關的問題則不會出現。如果考慮到無人系統在陸地戰爭中的核心任務的表現，情況就會非常不同。

城市環境、森林、泥地、雪地、冰地和沙地對機器人來說都極具挑戰性。在戰時安全地通過這些地形需要不斷地判斷物體和表面如何相互作用，選擇最佳路線，其他友方和敵方單位的目標，以及其他代理的可用信息。雖然人類是憑直覺做出這些判斷，而且往往是無意識的，但這種身體和感知的知識很難在算法中呈現。物理環境的非結構化和難處理的性質給機器人帶來了深刻的挑戰，這一點在涉及到在陸戰中發揮關鍵作用的其他活動時更加明顯。例如，運輸和安放軍械、設置防御工事或清理建筑物都需要人類。不過，機器可以通過整合多種來源的信息（如無人機、衛星、安裝在武器或頭盔上的攝像機的視頻資料以及信號情報），越來越多地（近乎）實時識別敵方軍事目標和人員，這項任務可能超過人類的能力，但現在已經在機器的能力范圍之內。Scharre和其他人認為，機器可能很難考慮到對適用戰爭法很重要的背景線索，或作出確定適當目標所需的道德或戰略判斷。然而，在許多情況下，環境實際上會使機器作出這樣的決定是可行的。例如，在一個特定的地區或交戰中，所有的敵方潛艇、坦克或戰斗機都可能是合法的目標，而現有的人工智能有能力將這些系統與民用物體區分開來，這是可信的。

對于人工智能和機器人技術在海戰中的應用，也可以進行類似的觀察。許多對艦艇操作至關重要的任務將很難實現自動化或分配給機器人，因為它們依賴于人類在復雜環境中識別、移動和操縱一系列不同物體的能力。特別是，在可預見的未來，人類將需要裝載和維護武器以及維修發動機。然而，對海戰至關重要的認知任務（如確定船只的最佳路線、控制防空系統、識別目標并確定其優先次序）似乎完全在現有或未來的人工智能能力范圍之內。

將我們的注意力從天空轉移到陸戰和海戰，突出了物理環境對機器操作構成的挑戰，而我們離解決這些問題還很遠，而我們離創造能夠識別目標和為作戰人員確定優先次序的人工智能還很遠。

牛頭人作戰

牛頭人團隊在平民生活中的出現表明，牛頭人在未來的軍事行動中也將發揮一定的作用。至少，軍事倉庫和后勤可能會效仿民用模式，創建牛頭人團隊來執行關鍵職能。

談到作戰行動，牛頭人的合理用例比比皆是。

盡管最近在一些功能的自動化方面取得了進展，但拖曳或駕駛、放置和裝載軍械需要多個人類。不過，識別、跟蹤和確定目標的優先次序可以由機器完成。在所謂的以網絡為中心的戰爭時代，進入敵人的 "觀察-東方-決定-行動 "循環的最佳方式是讓計算機分配目標，甚至是瞄準和發射武器。事實上，據報道，在目前與俄羅斯的戰爭中，烏克蘭軍方已經朝著這個方向采取了重大步驟。當人類拖拽和裝載的武器被瞄準和發射到機器選擇的目標時，我們就有了牛頭人作戰。

新興技術也有可能將步兵小隊變成牛頭人。美國陸軍的綜合視覺增強系統將利用基于微軟HoloLens的混合現實頭盔為作戰人員提供戰術數據。美國陸軍最近的一份 "信息請求 "提供了線索，說明其開發者預計人工智能將如何被用來擴展該系統的能力。這份文件將 "人工智能目標檢測算法"、"機器輔助任務規劃"、"人工智能戰術預測 "和 "人工智能數字戰場助理 "列為感興趣的領域。雖然要求的措辭暗示人工智能將作為助理或顧問，但有充分的理由相信，人工智能不會長期局限于這些角色。

對人機交互（HCI）的研究表明，人們傾向于過度信任人工智能，尤其是當人工智能已經證明自己普遍可靠時--這種現象被稱為自動化偏見。如果目標檢測算法或戰場助手表明某個特定的物體或人是一種威脅，那么作戰人員不太可能否定人工智能，特別是考慮到綜合視覺增強系統的前提是它有助于減少戰爭的迷霧。此外，如果人工智能可以利用來自多個平臺和傳感器的信息來制定威脅評估或任務目標，考慮到機器更好的有利條件，違背其建議行事可能是錯誤的。一旦人工智能的性能達到一定水平，主張自己的判斷高于人工智能的判斷的作戰人員將把自己和周圍人的生命置于危險之中；他們還將減損團隊的作戰效率。最終，人工智能的建議將在心理上，甚至在規范和制度上具有命令的力量，參與小單位戰斗的作戰人員將把大部分時間用于實現人工智能為他們設定的目標。

正如托馬斯-亞當斯在20多年前所認為的那樣，隨著人工智能的影響加速了戰斗的節奏，減少了人類的有效決策時間，軍隊除了將許多決策外包給人工智能之外，可能沒有其他選擇。不過，在可預見的未來，戰爭的成功起訴將涉及人類處理目前機器處理不好的平凡的物理和物質挑戰。如果在未來，人工智能在一個有人-無人（或者更準確地說，無人-有人）的團隊中通過選擇目標和設定目標來完成認知工作，而人類在人工智能的指導下辛勤工作，我們將有一個牛頭人而不是半人馬。亞當斯確定的同樣的動態表明，牛頭人將在未來的戰斗中戰勝半人馬，為軍隊采用牛頭人作戰創造了強大的動力。

最終的牛頭人作戰部隊將由一隊人類和機器人組成，由相當于將軍的AI指揮。雖然還不可行，但從長遠來看，這個想法沒有表面上那么牽強。人工智能往往擅長游戲，包括戰爭游戲，因為人工智能可以從一個游戲的多次迭代的經驗中學習。如果戰爭只是在屏幕上移動單位或根據一套復雜的規則使分數最大化，機器在指揮軍事行動方面已經超過了人類。他們還沒有做到這一點的原因是，在軍事模擬中準確表現不同武器系統和軍事單位的能力，以及行動所處的地形（包括人類地形）的承受力方面存在著困難。如果軍事模擬的技術得到改進，使真實世界的行動能夠在戰爭游戲中得到準確體現，那么就會為開發復雜的戰爭算法打開大門。最終，對勝利的追求可能需要將指揮權交給機器，而勝利可能由哪支部隊擁有更好的人工智能決定。

同樣值得注意的是，自動化偏見表明，目前人們認為的一些高度自動化系統是半人馬，實際上是牛頭人。如果 "在圈內 "的人不太可能反駁機器，那么有人-無人團隊就是一個牛頭人，而不是半人馬。我們懷疑Phalanx近程武器系統和反火箭、火炮和迫擊炮系統可能就是這種情況。

最后，認識到即使是所謂的 "自主 "系統也要依靠人類來裝載、修理和維護它們，這表明許多自主武器系統應該被理解為牛頭人的頭，其人類支持團隊是身體。

倫理影響

至關重要的是，軍事政策制定者和更廣泛的社會現在開始就牛頭人作戰的倫理問題進行對話，以準備或塑造未來。

牛頭人作戰有強大的倫理論據。牛頭人作戰很可能是為了響應避免自相殘殺的道德要求而出現的。更具爭議性的是，民間社會對作戰人員的義務，以及指揮官對其部隊的義務，即避免將友軍暴露在不必要的風險中，也往往會成為支持牛頭人作戰的理由。通過迅速識別和確定目標的優先次序，牛頭人將減少敵人使用武器的機會。最后，牛頭人有可能在不遠的將來擊敗半人馬，這在倫理上是很突出的；如果我們為正義事業而戰，就有強烈的倫理理由讓我們派出盡可能強大的軍事力量。

然而，牛頭人作戰也有一些令人深為不安的方面。事實上，在賦予機器超越人類的力量，以至于將它們送上戰場被殺死的時候，牛頭人作戰預示著當代關于機器和人類之間關系的辯論中正在討論的倫理問題，更普遍。

一個擔心是，機器將不會充分關心，或以正確的方式關心，或者，也許根本不關心他們所指揮的人的生命。例如，人工智能將軍可能會把人類當作炮灰，為更強大的無人駕駛系統掃清道路。在這里，重要的是要區分對機器會不必要地拿人的生命冒險的擔憂和對它們拿人的生命冒險的擔憂。前者實際上是對軍事人工智能有效性的懷疑，最終應該由牛頭人贏得戰斗和減少（人類）作戰人員的風險的證據來緩解。

人的生命不應該在機器的決定中受到威脅，這種擔憂也出現在關于使用AWS的倫理的辯論中，可以用伊曼紐爾-康德的哲學來表達。康德堅持認為，人類應該始終被視為 "目的"，而不是僅僅作為手段。與機器不同，人類有自由意志。康德認為，我們必須尊重對方的這種能力，避免將他人僅僅作為工具來推進我們的目的。我們很難看到機器如何表現出這樣的尊重，也很容易擔心牛頭人作戰會將人類淪為單純的手段。

這種反對意見還有一個共和派的版本。根據這一傳統，自由與法律是兼容的，而法律是追蹤公民利益的審議過程的結果。不過，如果個人只能在強權的支配下按自己的意愿行事，那么他們就會被支配，在這個程度上，就不是自由。公民的平等自由要求他們不受制于主權者或其他公民的任意權力。人們很容易認為，機器行使權力總是任意的，因為機器不能參與構成商議的推理實踐。

這兩種反對意見都是有道理的。然而，要以一種不會招致回答的方式來表述這些反對意見是很困難的，因為當人類命令其他人類上戰場時也存在類似的情況。當士兵入伍時，他們同意被用來為更大的目的服務，而且可以說，他們受制于上級的任意權力。雖然人們希望指揮官只以他們可以向下屬證明其利益的方式來對待他們手下的人，但軍事上的需要有時可能會有不同的要求。因此，機器指揮的倫理看起來與更普遍的指揮倫理沒有什么區別。

然而，很難避免一種感覺，即授予機器權力讓人類去送死是有問題的。人類的價值是機器無法比擬的。將人類置于機器的指揮之下，似乎表達了這樣一種想法：機器比人類更重要，或者至少比人類更好。不出所料，這種直覺也出現在關于使用自主武器系統的倫理的辯論中，它在其中發揮了重要作用。

另一個問題是自主武器系統和牛頭人都會出現的，它涉及到機器所做決定的責任歸屬問題。當父母得知他們的孩子在被機器送上戰場后被殺時，他們可能想知道應該責備誰。如果有一天，讓機器對 "它 "的行為承擔道德責任是合適的，這仍然是一個激烈的哲學辯論的話題。我們猜測，對于悲傷的父母的問題，如果不是道德問題，也將最終作為一個法律問題來解決，即把對人工智能的決定和牛頭人的行動的后果的責任分配給更高層次的人類。

這里指出的牛頭人作戰引起的倫理問題足以令人不安，而且隨著牛頭人隊伍的使用推廣，無疑會出現更多問題。然而，在軍事背景下，牛頭人的理由--他們將贏得戰斗并拯救友軍的生命--是非常強大的。出于這個原因，我們的分析表明，正如新技術通常的情況一樣，對牛頭人作戰進行全面考慮的倫理評估需要解決康德和后果主義直覺之間的沖突。

像我們用來理解世界的許多區別一樣，半人馬和牛頭人之間的對比無疑是過度的。在現實中，當人類和機器一起工作時，他們之間會有一系列的關系。即使在特定的團隊中，一些任務將更多地委托給人類，而另一些則委托給機器人或AI。然而，牛頭人的形象提醒我們，這種談判不會總是有利于人類。

同樣，就軍事是一個系統的系統而言，人類和機器之間的特定合作是半人馬還是牛頭人，將是分析水平的一個函數。如果我們以一種方式畫出團隊周圍的邊界，那么這個系統看起來就像一個牛頭人，如果我們以另一種方式畫出它，它就可能是一個半人馬。因此，如果人工智能戰場助手發展成為人工智能班長，人們希望人類官員能指揮他們。如果指揮國家軍隊的將軍是一個人工智能，人們就會認為國家的文職領導層會制定人工智能的戰爭目標。然而，認識到在某些分析層面上，機器將負責，有助于我們理解不同形式的有人-無人團隊合作的優勢和局限。正如我們所論證的，當人們承認一些人類實際上是在機器的指揮下，即使這些機器反過來是在人類的指揮下，倫理問題也會顯得非常不同。

思考

牛頭人作戰將在關鍵的作戰領域得到發展，因為無人駕駛團隊的表現將超過有人-無人駕駛團隊或單獨操作的人類或自主武器系統。在這種新興的有人-無人團隊作戰模式中，人類和機器之間的關系的性質提出了深刻的倫理問題。我們還預計，牛頭人作戰的發展對那些畢生都在磨練人類判斷能力的人來說，在個人和體制上都是一種挑戰，而這種能力目前在作戰中發揮著核心作用。盡管牛頭人帶來了倫理和制度上的挑戰，但那些負責贏得戰爭的人應該抵制牛頭人作戰的發展，這一點還不明確。

如果軍隊或社會確實決定將作戰人員置于機器的控制、監督或指揮之下是一個太遠的步驟，我們認為有三項任務--一項是技術，一項是倫理，一項是政治--需要作為緊急事項加以面對。

首先，必須投入大量的財政和智力資源來開發能夠在非結構化環境中長期有效運行的機器人。這項任務的一個挑戰是，在成功的同時，也要讓把戰爭中涉及的關鍵認知任務交給人工智能更有說服力。一個真正的危險是，機器人應對物理環境的不確定性和復雜性所需的軟件進步，只會進一步賦予人工智能戰略和對軍事力量行使作戰控制權。

其次，必須澄清和加強作為不將人類置于機器指揮之下的道德和政治承諾的基礎的直覺。這樣做也有可能意味著自主武器系統的開發和應用比許多軍事倫理學家和政策制定者所承認的問題更多。如果允許機器告訴人類該做什么在道德上是錯誤的，那么很難看到允許機器殺人在道德上是被允許的。

第三，國際社會必須考慮在國際法律上禁止在戰爭中或在戰爭的某些角色中使用牛頭人團隊是否可取，或者甚至是可行的。每個國家也需要考慮如果其他國家開始在戰爭中使用牛頭人團隊，它將如何應對。

這些挑戰是否能夠成功應對，或者是否應該嘗試，目前還不清楚。我們希望這次討論已經證明了直面這些問題的重要性。在人類戰士將戰場讓給牛頭人之前，我們需要知道，他們勝利的代價不會是我們的人性。

隨著技術的飛速發展和威脅環境變得更加復雜，今天的海軍行動經常面臨著具有挑戰性的決策空間。人工智能（AI）的進步為解決海軍行動中日益復雜的問題提供了潛在的解決方案。未來的人工智能系統提供了潛在的意義深遠的好處--提高對態勢的認識，增加對威脅和對手能力和意圖的了解，識別和評估可能的戰術行動方案，并提供方法來預測行動方案決定的結果和影響。人工智能系統將在支持未來海軍作戰人員和保持作戰和戰術任務優勢方面發揮關鍵作用。

人工智能系統為海戰提供了優勢，但前提是這些系統的設計和實施方式能夠支持有效的作戰人員-機器團隊，改善作戰情況的不確定性，并提出改善作戰和戰術結果的建議。實施人工智能系統，以滿足海軍應用的這些苛刻需求，給工程設計界帶來了挑戰。本文確定了四個挑戰，并描述了它們如何影響戰爭行動、工程界和海軍任務。本文提供了通過研究和工程倡議來解決這些挑戰的解決思路。

引言

人工智能是一個包括許多不同方法的領域，目的是創造具有智能的機器（Mitchell 2019）。自動化系統的運作只需要最小的人類輸入，并經常根據命令和規則執行重復性任務。人工智能系統是自動化機器，執行模仿人類智能的功能。它們將從過去的經驗中學習到的新信息融入其中，以做出決定并得出結論。

如表1所述，人工智能系統有兩種主要類型。第一種類型是明確編程的專家系統。Allen（2020，3）將專家系統描述為手工制作的知識系統，使用傳統的、基于規則的軟件，將人類專家的主題知識編入一長串編程的 "如果給定x輸入，則提供y輸出"的規則。這些系統使用傳統的編程語言。第二種類型是ML系統，從大型數據集中進行訓練。ML系統自動學習并從經驗中改進，而不需要明確地進行編程。一旦ML系統被 "訓練"，它們就被用于操作，以產生新的操作數據輸入的結果。

表1. 兩類人工智能系統

人工智能系統--包括專家系統和學習系統--為海軍提供了巨大的潛力，在大多數任務領域有不同的應用。這些智能系統可以擴展海軍的能力，以了解復雜和不確定的情況，制定和權衡選擇，預測行動的成功，并評估后果。它們提供了支持戰略、作戰計劃和戰術領域的潛力。

本文確定了工程設計界必須解決的四個挑戰，以便為未來海戰任務實施人工智能系統。表2強調了這四個挑戰領域。這些挑戰包括：（1）復雜的海戰應用領域；（2）需要收集大量與作戰相關的數據來開發、訓練和驗證人工智能系統；（3）人工智能系統工程的一些新挑戰；（4）存在對手的人工智能進展，不斷變化和發展的威脅，以及不斷變化的人工智能系統的網絡弱點。本文側重于海軍戰爭的四個挑戰領域，但認識到這些挑戰可以很容易地被概括為整個軍隊在未來人工智能系統可能應用的所有戰爭領域中廣泛存在的挑戰。

表2. 為海軍實施人工智能系統的四個挑戰領域

挑戰一：戰爭復雜性

人工智能正被視為一種能力，可應用于廣泛的應用，如批準貸款、廣告、確定醫療、規劃航運路線、實現自動駕駛汽車和支持戰爭決策。每個不同的應用領域都提出了一系列的挑戰，人工智能系統必須與之抗衡，才能成為一種增加價值的可行能力。表3比較了一組領域應用的例子，從潛在的人工智能系統解決方案的角度說明了挑戰的領域。該表在最上面一行列出了一組10個因素，這些因素對一個特定的應用程序產生了復雜性。根據每個因素對作為實施人工智能的領域的整體復雜性的貢獻程度，對六個應用領域的特征進行了定性評估。顏色代表低貢獻（綠色）、中貢獻（黃色）和高貢獻（紅色）。

表3中最上面一行顯示的特征包括： (1)認識上的不確定性水平（情況知識的不確定性程度），(2)情況的動態性，(3)決策時間表（可用于決策的時間量），(4)人類用戶和人工智能系統之間的互動所涉及的錯綜復雜的問題、 (5）資源的復雜性（數量、類型、它們之間的距離以及它們的動態程度），（6）是否涉及多個任務，（7）所需訓練數據集的復雜性（大小、異質性、有效性、脆弱性、可獲得性等 8）對手的存在（競爭者、黑客或徹頭徹尾的敵人），（9）可允許的錯誤幅度（多少決策錯誤是可以接受的），以及（10）決策后果的嚴重程度。該表的定性比較旨在提供一個高層次的相對意義，即基于一組樣本的貢獻因素，不同應用領域的不同復雜程度。

表3. 影響應用復雜性的因素比較

對于所有的應用領域來說，人工智能系統的工程都是具有挑戰性的。人工智能系統在本質上依賴于具有領域代表性的數據。獲得具有領域代表性的數據會帶來基于數據大小、可用性、動態性和不確定性的挑戰。決策時間--由情況的時間動態決定--會給人工智能系統工程帶來重大挑戰--特別是當一個應用領域的事件零星發生和/或意外發生時；以及當決策是時間緊迫的時候。具有更多決策時間、充分訪問大型數據集、直接的用戶互動、完善的目標和非致命后果的應用，如貸款審批、廣告、醫療診斷（在某種程度上）面臨工程挑戰，但其復雜程度較低。確定最佳運輸路線和為自動駕駛汽車設計AI系統是更復雜的工作。這些應用是動態變化的，做決定的時間較短。航運路線將在可能的路線數量上具有復雜性--這可能會導致許多可能的選擇。然而，航運錯誤是有空間的，而且后果通常不會太嚴重。對于自動駕駛汽車來說，決策錯誤的空間非常小。在這種應用中，決策失誤會導致嚴重的事故。

影響開發支持海戰決策的人工智能系統的因素在表3所示的所有類別中都具有高度的復雜性。因此，戰術戰爭領域對工程和實施有效的人工智能系統作為解決方案提出了特別棘手的挑戰。表4強調了導致這種復雜性的海戰領域的特點。作為一個例子，海軍打擊力量的行動可以迅速從和平狀態轉變為巨大的危險狀態--需要對威脅保持警惕并采取適當的反應行動--所有這些都是在高度壓縮的決策時間內進行。戰術威脅可能來自水下、水面、空中、陸地、太空，甚至是網絡空間，導致需要處理多種時間緊迫的任務。由于海軍和國防資產在艦艇、潛艇、飛機、陸地和太空中，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。制定有效的戰術行動方案也必須在高度動態的作戰環境中進行，并且只有部分和不確定的情況知識。決策空間還必須考慮到指揮權、交戰規則和戰術理論所帶來的限制。人類作為戰術決策者的角色增加了決策空間的復雜性--信息過載、操作錯誤、人機信任和人工智能的模糊性/可解釋性問題等挑戰。最后，對于戰術決策及其可能的后果來說，風險可能非常大。

表4. 導致戰術決策復雜性的因素

解決高度復雜的決策領域是對海軍的挑戰。人工智能為解決海軍作戰的復雜性提供了一個潛在的解決方案，即處理大量的數據，處理不確定性，理解復雜的情況，開發和評估決策選擇，以及理解風險水平和決策后果。Desclaux和Prestot（2020）提出了一個 "認知三角"，其中人工智能和大數據被應用于支持作戰人員，以實現信息優勢、控制論信心和決策優勢。約翰遜（2019年）開發了一個工程框架和理論，用于解決高度復雜的問題空間，這些問題需要使用智能和分布式人工智能系統來獲得情況意識，并做出適應動態情況的協作行動方案決定。約翰遜（2020a）建立了一個復雜的戰術場景模型，以證明人工智能輔助決策對戰術指揮和控制（C2）決策的好處。約翰遜（2020b）開發了一個預測分析能力的概念設計，作為一個自動化的實時戰爭游戲系統來實施，探索不同的可能的戰術行動路線及其預測的效果和紅色部隊的反應。首先，人工智能支持的C2系統需要描述戰術行動期間的復雜程度，然后提供一個自適應的人機組合安排來做出戰術決策。這個概念包括根據對目前戰術情況的復雜程度最有效的方法來調整C2決策的自動化水平（人與機器的決策角色）。約翰遜（2021年）正在研究這些概念性工程方法在各種防御用例中的應用，包括空中和導彈防御、超視距打擊、船舶自衛、無人機操作和激光武器系統。

在海軍作戰中實施人工智能系統的一個額外挑戰是在戰術邊緣施加的限制。分散的海軍艦艇和飛機的作戰行動構成了戰術邊緣--在有限的數據和通信下作戰。"在未來，戰術邊緣遠離指揮中心，通信和計算資源有限，戰場形勢瞬息萬變，這就導致在嚴酷復雜的戰地環境中，網絡拓撲結構連接薄弱，變化迅速"（Yang et. al. 2021）。戰術邊緣網絡也容易斷開連接（Sridharan et. al. 2020）。相比之下，許多商業人工智能系統依賴于基于云的或企業內部的處理和存儲，而這些在海戰中是不存在的。在戰術邊緣實施未來的人工智能系統時，必須進行仔細的設計考慮，以了解哪些數據和處理能力可用。這可能會限制人工智能系統在邊緣所能提供的決策支持能力。

在軍事領域使用人工智能必須克服復雜性的挑戰障礙，在某些情況下，人工智能的加入可能會增加復雜性。辛普森等人（2021）認為，將人工智能用于軍事C2可能會導致脆弱性陷阱，在這種情況下，自動化功能增加了戰斗行動的速度，超出了人類的理解能力，最終導致 "災難性的戰略失敗"。Horowitz等人（2020）討論了通過事故、誤判、增加戰爭速度和升級以及更大的殺傷力來增加國際不穩定和沖突。Jensen等人（2020）指出，人工智能增強的軍事系統增加的復雜性將增加決策建議和產生的信息的范圍、重要性和意義的不確定性；如果人類決策者對產出缺乏信心和理解，他們可能會失去對人工智能系統的信任。

挑戰二：數據需求

實施人工智能系統的第二個挑戰是它們依賴并需要大量的相關和高質量的數據用于開發、訓練、評估和操作。在海戰領域滿足這些數據需求是一個挑戰。明確編程的專家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甚至更大。圖1說明了ML系統如何從代表作戰條件和事件的數據集中 "學習"。

ML系統的學習過程被稱為被訓練，開發階段使用的數據被稱為訓練數據集。有幾種類型的ML學習或訓練--它們是監督的、無監督的和強化的方法。監督學習依賴于地面真相或關于輸出值應該是什么的先驗知識。監督學習算法的訓練是為了學習一個最接近給定輸入和期望輸出之間關系的函數。無監督學習并不從地面真相或已知的輸出開始。無監督學習算法必須在輸入數據中推斷出一個自然結構或模式。強化學習是一種試錯法，允許代理或算法在獎勵所需行為和/或懲罰不需要的行為的基礎上學習。所有三種類型的ML學習都需要訓練數據集。在部署后或運行階段，ML系統繼續需要數據。

圖1顯示，在運行期間，ML系統或 "模型 "接收運行的實時數據，并通過用其 "訓練 "的算法處理運行數據來確定預測或決策結果。因此，在整個系統工程和采購生命周期中，ML系統與數據緊密相連。ML系統是從訓練數據集的學習過程中 "出現 "的。ML系統是數據的質量、充分性和代表性的產物。它們完全依賴于其訓練數據集。

圖1. 使用數據來訓練機器學習系統

美國海軍開始認識到對這些數據集的需求，因為許多領域（戰爭、供應鏈、安全、后勤等）的更多人工智能開發人員正在了解人工智能解決方案的潛在好處，并開始著手開發人工智能系統。在某些情況下，數據已經存在并準備好支持人工智能系統的開發。在其他情況下，數據存在但沒有被保存和儲存。最后，在其他情況下，數據并不存在，海軍需要制定一個計劃來獲得或模擬數據。

收集數據以滿足海軍領域（以及更廣泛的軍事領域）的未來人工智能/ML系統需求是一個挑戰。數據通常是保密的，在不同的項目和系統中被分隔開來，不容易從遺留系統中獲得，并且不能普遍代表現實世界行動的復雜性和多樣性。要從并非為數據收集而設計的遺留系統中獲得足夠的數據，可能非常昂貴和費時。數據收集可能需要從戰爭游戲、艦隊演習、系統測試、以及建模和模擬中收集。此外，和平時期收集的數據并不代表沖突和戰時的操作。海軍（和軍方）還必須教導人工智能系統在預計的戰時行動中發揮作用。這將涉及想象可能的（和可能的）戰時行動，并構建足夠的ML訓練數據。

數據收集的另一個挑戰是潛在的對抗性黑客攻擊。對于人工智能/ML系統來說，數據是一種珍貴的商品，并提出了一種新的網絡脆弱性形式。對手可以故意在開發過程中引入有偏見或腐敗的數據，目的是錯誤地訓練AI/ML算法。這種邪惡的網絡攻擊形式可能很難被發現。

海軍正在解決這一數據挑戰，開發一個數據基礎設施和組織來管理已經收集和正在收集的數據。海軍的Jupiter計劃是一個企業數據和分析平臺，正在管理數據以支持AI/ML的發展和其他類型的海軍應用，這些應用需要與任務相關的數據（Abeyta，2021）。Jupiter努力的核心是確定是否存在正確的數據類型來支持人工智能應用。為了生產出在行動中有用的人工智能/ML系統，海軍需要在游戲中保持領先，擁有能夠代表各種可能情況的數據集，這些情況跨越了競爭、沖突和危機期間的行動范圍。因此，數據集的開發和管理必須是一項持續的、不斷發展的努力。

挑戰三：工程化人工智能系統

第三個挑戰是，人工智能系統的工程需要改變傳統的系統工程（SE）。在傳統系統中，行為是設定的（確定性的），因此是可預測的：給定一個輸入和條件，系統將產生一個可預測的輸出。一些人工智能解決方案可能涉及到系統本身的復雜性--適應和學習--因此產生不可預見的輸出和行為。事實上，一些人工智能系統的意圖就是要做到這一點--通過承擔一些認知負荷和產生智能建議，與人類決策者合作。表5強調了傳統系統和人工智能系統之間的區別。需要有新的SE方法來設計智能學習系統，并確保它們對人類操作者來說是可解釋的、可信任的和安全的。

SE作為一個多學科領域，在海軍中被廣泛使用，以將技術整合到連貫而有用的系統中，從而完成任務需求（INCOSE 2015）。SE方法已經被開發出來用于傳統系統的工程設計，這些系統可能是高度復雜的，但也是確定性的（Calvano和John 2004）。如表5所述，傳統系統具有可預測的行為：對于一個給定的輸入和條件，它們會產生可預測的輸出。然而，許多海軍應用的人工智能系統在本質上將是復雜的、適應性的和非決定性的。Raz等人（2021年）解釋說，"SE及其方法的雛形基礎并不是為配備人工智能（即機器學習和深度學習）的最新進展、聯合的多樣化自主系統或多領域操作的工程系統而設想的。" 對于具有高風險后果的軍事系統來說，出錯的余地很小；因此，SE過程對于確保海軍中人工智能系統的安全和理想操作至關重要。

表5. 傳統系統和人工智能系統的比較

在整個系統生命周期中，將需要改變SE方法，以確保人工智能系統安全有效地運行、學習和適應，以滿足任務需求并避免不受歡迎的行為。傳統的SE過程的大部分都需要轉變，以解決人工智能系統的復雜和非確定性的特點。在人工智能系統的需求分析和架構開發階段需要新的方法，這些系統將隨著時間的推移而學習和變化。系統驗證和確認階段將必須解決人工智能系統演化出的突發行為的可能性，這些系統的行為不是完全可預測的，其內部參數和特征正在學習和變化。運營和維護將承擔重要的任務，即隨著人工智能系統的發展，在部署期間不斷確保安全和理想的行為。

SE界意識到，需要新的流程和實踐來設計人工智能系統。國際系統工程師理事會（INCOSE）最近的一項倡議正在探索開發人工智能系統所需的SE方法的變化。表6強調了作為該倡議一部分的五個SE重點領域。除了非決定性的和不斷變化的行為，人工智能系統可能會出現新類型的故障模式，這些故障模式是無法預料的，可能會突然發生，而且其根本原因可能難以辨別。穩健設計--或確保人工智能系統能夠處理和適應未來的情景--是另一個需要新方法的SE領域。最后，對于有更多的人機互動的人工智能系統，必須仔細注意設計系統，使它們值得信賴，可以解釋，并最終對人類決策者有用。

表6.人工智能系統工程中的挑戰（改編自：Robinson，2021）。

SE研究人員正在研究人工智能系統工程所涉及的挑戰，并開發新的SE方法和對現有SE方法的必要修改。Johnson（2019）開發了一個SE框架和方法，用于工程復雜的適應性系統（CASoS）解決方案，涉及分布式人工智能系統的智能協作。這種方法支持開發智能系統的系統，通過使用人工智能，可以協作產生所需的突發行為。Johnson（2021）研究了人工智能系統產生的潛在新故障模式，并提出了一套跨越SE生命周期的緩解和故障預防策略。她提出了元認知，作為人工智能系統自我識別內部錯誤和失敗的設計方案。Cruz等人（2021年）研究了人工智能在空中和導彈防御應用中使用人工智能輔助決策的安全性。他們為計劃使用人工智能系統的軍事項目編制了一份在SE開發和運行階段需要實施的策略和任務清單。Hui（2021年）研究了人類作戰人員與人工智能系統合作進行海軍戰術決策時的信任動態。他制定了工程人工智能系統的SE策略，促進人類和機器之間的 "校準 "信任，這是作為適當利用的最佳信任水平，避免過度信任和不信任，并在信任失敗后涉及信任修復行動。Johnson等人（2014）開發了一種SE方法，即協同設計，用于正式分析人機功能和行為的相互依賴性。研究人員正在使用協同設計方法來設計涉及復雜人機交互的穩健人工智能系統（Blickey等人，2021年，Sanchez 2021年，Tai 2021年）。

數據的作用對于人工智能系統的開發和運行來說是不可或缺的，因此需要在人工智能系統的SE生命周期中加入一個持續不斷的收集和準備數據的過程。Raz等人（2021）提出，SE需要成為人工智能系統的 "數據策劃者"。他們強調需要將數據策劃或轉化為可用的結構，用于開發、訓練和評估AI算法。French等人（2021）描述了需要適當的數據策劃來支持人工智能系統的發展，他們強調需要確保數據能夠代表人工智能系統將在其中運行的預期操作。他們強調需要安全訪問和保護數據，以及需要識別和消除數據中的固有偏見。

SE界正處于發展突破和進步的早期階段，這些突破和進步是在更復雜的應用中設計人工智能系統所需要的。這些進展需要與人工智能的進展同步進行。在復雜的海軍應用以及其他非海軍和非軍事應用中實施人工智能系統取決于是否有必要的工程實踐。SE實踐必須趕上AI的進步，以確保海軍持續的技術優勢。

挑戰四：對抗性

海軍在有效實施人工智能系統方面面臨的第四個挑戰是應對對手。海軍的工作必須始終考慮對手的作用及其影響。表7確定了在海軍實施人工智能系統時必須考慮的與對手有關的三個挑戰：(1)人工智能技術在許多領域迅速發展，海軍必須注意同行競爭國的軍事應用進展，以防止被超越，(2)在海軍應用中實施人工智能系統和自動化會增加網絡脆弱性，以及(3)海軍應用的人工智能系統需要發展和適應，以應對不斷變化的威脅環境。

表7. AI系統的對抗性挑戰

同行競爭國家之間發展人工智能能力的競賽，最終是為了進入對手的決策周期，以便比對手更快地做出決定和采取行動（Schmidt等人，2021年）。人工智能系統提供了提高決策質量和速度的潛力，因此對獲得決策優勢至關重要。隨著海軍對人工智能解決方案的探索，同行的競爭國家也在做同樣的事情。最終實現將人工智能應用于海軍的目標，不僅僅取決于人工智能研究。它需要適當的數據收集和管理，有效的SE方法，以及仔細考慮人類與AI系統的互動。海軍必須承認，并采取行動解決實施人工智能系統所涉及的挑戰，以贏得比賽。

網絡戰是海軍必須成功參與的另一場競賽，以保持在不斷沖擊的黑客企圖中的領先地位。網絡戰的特點是利用計算機和網絡來攻擊敵人的信息系統（Libicki, 2009）。海軍對人工智能系統的實施導致了更多的網絡攻擊漏洞。人工智能系統的使用在本質上依賴于訓練和操作數據，導致黑客有機會在開發階段和操作階段用腐敗的數據欺騙或毒害系統。如果一個對手獲得了對一個運行中的人工智能系統的控制，他們可能造成的傷害將取決于應用領域。對于支持武器控制決策的自動化，其后果可能是致命的。海軍必須注意人工智能系統開發過程中出現的特殊網絡漏洞。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戰略。海軍必須小心翼翼地確保用于開發、訓練和操作人工智能系統的數據集在整個人工智能系統的生命周期中受到保護，免受網絡攻擊（French等人，2021）。

威脅環境的演變是海軍在開發AI系統時面臨的第三個對抗性挑戰。對手的威脅空間隨著時間的推移不斷變化，武器速度更快、殺傷力更大、監視資產更多、反制措施更先進、隱身性更強，這對海軍能夠預測和識別新威脅、應對戰斗空間的未知因素構成了挑戰。尤其是人工智能系統，必須能夠加強海軍感知、探測和識別新威脅的能力，以幫助它們從未知領域轉向已知領域的過程。他們必須適應新的威脅環境，并在行動中學習，以了解戰斗空間中的未知因素，并通過創新的行動方案快速應對新的威脅（Grooms 2019, Wood 2019, Jones et al 2020）。海軍可以利用人工智能系統，通過研究特定區域或領域的長期數據，識別生活模式的異常（Zhao等人，2016）。最后，海軍可以探索使用人工智能來確定新的和有效的行動方案，使用最佳的戰爭資源來解決棘手的威脅情況。

結論

人工智能系統為海軍戰術決策的優勢提供了相當大的進步潛力。然而，人工智能系統在海戰應用中的實施帶來了重大挑戰。人工智能系統與傳統系統不同--它們是非決定性的，可以學習和適應--特別是在用于更復雜的行動時，如高度動態的、時間關鍵的、不確定的戰術行動環境中，允許的誤差范圍極小。本文確定了為海戰行動實施人工智能系統的四個挑戰領域：（1）開發能夠解決戰爭復雜性的人工智能系統，（2）滿足人工智能系統開發和運行的數據需求，（3）設計這些新穎的非確定性系統，以及（4）面對對手帶來的挑戰。

海軍必須努力解決如何設計和部署這些新穎而復雜的人工智能系統，以滿足戰爭行動的需求。作者在這一工作中向海軍提出了三項建議。

1.第一個建議是了解人工智能系統與傳統系統之間的差異，以及伴隨著人工智能系統的開發和實施的新挑戰。

人工智能系統，尤其是那些旨在用于像海戰這樣的復雜行動的系統，其本身就很復雜。它們在應對動態戰爭環境時將會學習、適應和進化。它們將變得不那么容易理解，更加不可預測，并將出現新型的故障模式。海軍將需要了解傳統的SE方法何時以及如何在這些復雜系統及其復雜的人機交互工程中失效。海軍將需要了解數據對于開發人工智能系統的關鍵作用。

2.第二個建議是投資于人工智能系統的研究和開發，包括其數據需求、人機互動、SE方法、網絡保護和復雜行為。

研究和開發是為海戰行動開發AI系統解決方案的關鍵。除了開發復雜的戰術人工智能系統及其相關的人機協作方面，海軍必須投資研究新的SE方法來設計和評估這些適應性非決定性系統。海軍必須仔細研究哪些新類型的對抗性網絡攻擊是可能的，并且必須開發出解決這些問題的解決方案。海軍必須投資于收集、獲取和維護代表現實世界戰術行動的數據，用于人工智能系統開發，并確保數據的相關性、有效性和安全性。

3.第三個建議是承認挑戰，并在預測人工智能系統何時準備好用于戰爭行動方面采取現實態度。

盡管人工智能系統正在許多領域實施，但海軍要為復雜的戰術戰爭行動實施人工智能系統還需要克服一些挑戰。人工智能系統在較簡單應用中的成功并不能保證人工智能系統為更復雜的應用做好準備。海軍應該保持一種現實的認識，即在人工智能系統準備用于戰爭決策輔助工具之前，需要取得重大進展以克服本文所討論的挑戰。實現人工智能系統的途徑可以依靠建模和模擬、原型實驗、艦隊演習以及測試和評估。可以制定一個路線圖，彌合較簡單應用的人工智能和復雜應用的人工智能之間的差距--基于一個積木式的方法，在為逐漸復雜的任務開發和實施人工智能系統時吸取經驗教訓。

海軍將從未來用于戰術戰爭的人工智能系統中獲益。通過安全和有效地實施人工智能系統，戰術決策優勢的重大進步是可能的。此外，海軍必須跟上（或試圖超越）對手在人工智能方面的進展。本文描述了為在海戰中實施人工智能系統而必須解決的四個挑戰。通過對這些新穎而復雜的人工智能系統的深入了解，對研究和開發計劃的投資，以及對人工智能技術進步時限的現實預期，海軍可以在應對這些挑戰方面取得進展。

一個持久的、精確的和適應性強的安全應用是有效的部隊保護條件（FPCON）的必要組成部分，因為美國的軍事設施已經成為恐怖主義和暴力行為的常見目標。目前的軍事安全應用需要一種更加自動化的方法，因為它們嚴重依賴有限的人力和有限的資源。目前的研究開發了一個由嵌入式硬件組成的離網部署的聯合微調網絡，并評估了嵌入式硬件系統和模型性能。聯合微調采用集中預訓練的模型，并在一個聯邦學習架構中對選定的模型層進行微調。聯合微調模型的CPU負載平均減少65.95%，電流平均減少56.18%。MobileNetV2模型在網絡上傳輸的全局模型參數減少了81.59%。集中預訓練的MNIST模型開始訓練時，比隨機初始化的模型的初始準確率提高了53.94%。集中預訓練的MobileNetV2模型在第0輪訓練時表現出90.75%的初始平均準確率，在75輪聯合訓練后，整體性能提高了3.14%。目前的研究結果表明，聯合微調可以提高系統性能和模型精度，同時提供更強的隱私性和安全性，以抵御聯邦學習攻擊。

新興技術正在給戰爭的特點帶來重大變化。其中一項新興技術，即自主武器系統（AWS），被證明對美國保持其對對手的技術優勢越來越重要。然而，自主武器系統帶來了越來越復雜的挑戰，需要在法律、道德和操作方面加以考慮。這篇論文提出了一個與當前美國防部AWS政策直接相關的問題：在未來AWS的使用過程中，人類操作員如何應用適當的判斷？論文以權力、責任和問責為分析框架，建立在美國關于武器系統自主性的政策和戰略、國際法考慮以及AWS在作戰環境中的應用之上。論文利用1988年美國海軍文森號事件和2003年伊拉克自由行動中愛國者自相殘殺事件的案例研究，考察了人類判斷如何與武器系統中的自主功能一起執行，為AWS的研究、開發和實施提供了經驗教訓。這篇論文發現了一些關鍵的想法，即通過繼續參與具體的監督措施，使人類操作員不至于失去控制--允許在使用過程中進行適當的判斷。

本文詳細介紹了以色列國防情報局（IDI）幾十年來進行的改革，形成了一個新的概念，即 "多學科情報"，它挑戰了傳統 "情報周期 "模式的幾個假設。它的重點是在聯合進程和組織中合作收集和分析，利用先進技術。這一概念的邏輯最初被應用于戰術和目標情報，并逐漸演變為 "通過適應進行創新"，實踐先于理論。這篇文章增加了對以色列情報的研究，以及更廣泛的對 ""英倫圈"以外的情報系統的研究。

以色列國防情報局（IDI，希伯來語為Agaf Hamodi'in或AMAN）是以色列國防軍（IDF）總參謀部的情報局，也是以色列情報系統中最大的組織。盡管是一個軍事組織，IDI也有國防級和國家級的作用。在過去的幾十年里，以色列情報局經歷了根本性的改革，導致實施了一個被稱為 "多學科情報 "的新概念。然而，雖然這些改革在以色列的專業文獻中得到了很多關注，但在廣泛的情報研究領域，這些改革卻很少成為學術研究的對象。

以色列的情報工作，特別是IDI，已經被許多學者研究過了--比如BarJoseph, Handel, Ben-Zvi, Shlaim, Hershkovitz, Kahana, Shpiro, Barnea, Gelber, Adamsky, Libel, Leslau, Sheffy, Pascovich, Magen, Jones, 和其他人。這些工作得到了前以色列情報人員的專業和學術著作的補充，如哈卡比、澤維-法卡什、加齊特、亞德林、布倫、阿米德勒、庫珀瓦瑟、阿舍、拉皮德、吉爾博阿、埃文、佐哈爾、格拉尼特、西曼-托夫、沙皮拉和其他人。此外，以色列前高級情報人員的回憶錄也對其進行了補充。近年來，關于以色列情報局當前面臨的挑戰的專業作品也在不斷涌現，這些作品通常由以色列代理從業人員撰寫，盡管是匿名的，而且只用希伯來語。

這些作品從不同角度研究以色列情報工作。其中包括1973年贖罪日戰爭中的情報失敗，歷史事件，組織事項，間諜和特別行動，分析方法，如 "魔鬼的主張"，預警，對反恐的情報支持，情報和政策之間的互動，軍事情報在國家決策中的作用，與民事機構和媒體的互動，以及其他。現有的研究還研究了情報對以色列面臨的具體挑戰的貢獻--從大規模殺傷性武器，到政治和軍事方面，再到 "獨狼 "恐怖主義--在不同的地理領域。關于以色列情報部門的研究甚至已經開始研究對打擊全球大流行病的支持。

然而，廣泛的情報研究領域很少涉及以色列情報實踐的當前事項--如新興技術、收集和分析之間的互動。例如，情報研究很少研究以色列目前對 "情報周期 "的執行情況--這是公認的情報過程的順序模式，依賴于收集和分析之間的區別。因此，情報研究沒有研究以色列情報部門挑戰這種模式的方式，也沒有將以色列關于情報周期的改革與其他國家情報系統的類似改革進行比較。

本文旨在彌補這些不足。以色列情報局已經逐漸創造了一個新的概念，挑戰 "情報周期"，模糊了收集和分析之間的界限。這個概念被稱為多學科情報，它創造了新的合作過程和組織，將收集和分析結合起來。它的基礎是以任務為中心，而不是傳統的以學科為中心的關于情報過程、產品和組織的理由。這個新概念的邏輯已經發展了幾十年，以一種適應性和漸進的方式，最初是針對目標和戰術情報實施。

這篇文章的主要貢獻在于增加了對以色列情報的研究。它通過提供一個關于以色列情報局收集和分析之間的互動的經驗基礎，以及關于這個領域的改革的方式，同時通過 "情報周期 "和 "情報創新 "的理論視角討論這些問題。此外，這篇文章還有助于對 "英倫圈"（美國和英國的情報系統）以外的情報系統的研究不斷深入。它可以促成國家情報系統之間的比較研究，并豐富情報改革和 "情報周期 "替代方案的理論研究。

這篇文章的范圍有限。它只關注IDI，而不是整個以色列情報界：關于其他兩個以色列情報機構，摩薩德（負責外國情報和特別行動）和沙巴克（負責國內情報和特別行動）的公開信息由于其隱蔽性而非常少。文章討論的是程序和組織，而不是情報產品的性質或質量，因為關于后者的公共信息也很匱乏。最后，文章重點討論了情報系統本身的改革和創新，而不是討論情報部門與決策者和操作者的互動。

文章的進展如下。我們首先提供了關于文章中使用的兩個主要框架的理論背景："情報周期 "模型及其對收集和分析之間互動的影響，以及 "情報創新"。然后，我們描述了近幾十年來情報系統和IDI所面臨的新挑戰，作為IDI改革的背景。我們接著詳細介紹了自21世紀初發生的這些改革的譜系，重點是收集和分析之間的互動。最后，我們運用前幾章所描述的理論框架來理解這些改革的本質和它們的演變方式。最后，我們指出了未來研究的潛在領域。

大國競爭中快速變化的技術和近乎同等的對手正在極大地改變未來的戰場，人工智能和自主系統正在成為小單位機動的主要組成部分。超能力作戰員系統（HEO）旨在讓作戰（操作）員與自主系統對接，而不增加用戶的認知負荷，以實現成功的人機互動，提高作戰員的生存能力和殺傷力。然而，為了使HEO獲得成功，所有的技術組件都必須凝聚在一個強大的人機交互（HMI）周圍，并且傳感器、武器、計算和無線電系統的架構是為實際使用情況下的人類作戰員設計的。這個頂點項目的目標是強調以 HMI 為中心的設計作為 HEO 系統關鍵支柱的重要性，并警告不要在未徹底考慮作戰員在實際作戰中如何使用技術的情況下實施技術。過分關注開發HEO技術而不充分注意最終用戶如何采用這種創新技術，會造成技術能力和人的能力的差距，從而導致用戶的認知過載，浪費開發和采購資源。

I. 未來的戰場

作戰員在未來戰場上的角色將與今天有很大的不同。快速變化的、強大的技術意味著更多的無人系統在作戰員的控制下將是第一個突破口，而傳感器將把無線電通訊轉化為三維音頻耳機饋送，以提供精確的位置數據。大國競爭中的近鄰對手也將擁有類似的技術和有效利用它們的訓練。美國的軍事優勢將依賴于其在理論和組織上將人工智能和自動化系統技術整合到更廣泛的常規部隊和盟軍中，并跨越多個領域，以利用龐大的信息收集網絡。為了防止認知過載給最終用戶帶來負擔，軍隊必須確保數據是可理解的，可見的，最重要的是以可靠和直觀的人機交互（HMI）連接。采用與人工智能和自主系統的早期整合，定制用戶界面設計，并進行適當的培訓，將建立操作者對系統提供的信息的顯著性的信任。

A. 超能力的作戰員

超能力作戰員（HEO）系統旨在讓作戰員與自主系統對接，而不增加用戶的認知負荷，以實現成功的人機互動，提高作戰員的生存能力和殺傷力。HEO的目標是確保在正確的時間向正確的人提供正確的信息，以確保他們能更有效地工作。 HEO的概念是從現已停止的戰術突擊輕型作戰套裝（TALOS）項目演變而來的--這是一種動力裝甲外骨骼套裝，它為作戰員提供了增強現實的態勢感知。HEO放棄了外骨骼的概念，而是整合了強大的傳感、處理和增強現實技術，使作戰員在從反恐到機動行動的一系列任務類型中獲得能力。

B. 項目目標

本項目的目標是強調以人機交互為中心的設計的重要性，作為HEO系統的關鍵支柱，并確保組織變革允許作戰員接受適當的培訓，以建立對人工智能（AI）和無人自主系統（UAS）的信任和熟練程度。為了使超能力作戰員的概念獲得成功，所有的技術組件必須凝聚在一個強大的人機交互（HMI）架構上，該架構將所有的傳感器輸入、武器和無線電系統與無縫計算聯系起來，為人類作戰員提供最大的態勢感知，同時減少他們的認知過載。此外，通過性能和神經生理學數據識別認知過載，以提高作戰員的認知優勢，然后單獨調整訓練，是創造組織變化的開始，這將優化個人對戰場的影響。

C. 問題陳述

高空作業系統的設計沒有適當考慮人類的認知局限性和優化人類任務和決策能力的最佳設計特征。這就造成了技術能力和人類能力的差距，會導致用戶的認知過載，浪費開發和采購資源。本報告旨在填補這一空白，重點關注人工智能用于小單位機動（AISUM）的獨特需求和采用創新的挑戰。

D. 研究領域

本報告通過六個關鍵的視角來研究以人機交互為中心的設計的重要性：

• 定義HEO的主要元素

• AISUM的具體需求

• 神經科學中認知負荷的性質

• 良好的用戶體驗和用戶交互（UX/UI）的關鍵因素

• 通過社會技術系統（STS）對人類行為和互動的分析

• 創新采用的挑戰和機遇

圖1. 項目可視化

E. 主要結論

HEO通過整合傳感技術、算法和處理技術、通信技術和系統級技術，利用HMI為作戰員提供可操作的智能和精確的信息。這些技術要求反過來又推動了使能技術--應用創新，促進用戶能力的快速和徹底改變。

隨著AI SUM進行更強大的任務，人類控制機器的能力必須越來越依賴于強大的自主性和人工智能來減少認知負擔和操作機器所需的團隊規模。

通過對人工智能自動化系統進行適當的培訓來管理認知負荷，將有助于作戰員獲得對其系統的信任。此外，在培訓中應使用認知測量工具，以確定并糾正個人認知負荷過重的情況。對每一種特定情況的培訓應根據在這種先進的教學方法中發現的作戰員的優勢和劣勢進行個性化。例如，提供給作戰員的數據的重要性可以通過聽覺、視覺、觸覺和動覺的方法進行調整，以防止個人的認知負擔過重。最后，通過基于個人認知評估的定制系統來改進人機界面設計，將有助于每個人感知和接受符合其先天優勢和劣勢的信息。

用戶體驗/用戶界面設計是人機團隊中的一個重要的關鍵；繁瑣的用戶界面將作戰員從戰場上移開，同時降低了無人機群的效用。為了提高創新的采用率，用戶界面/用戶體驗必須在整個開發過程中得到突出和強調。

社會技術系統思維發現，有效的工作和工作流程是那些通過平衡作戰員的內在需求和操作對技術效率的需求來考慮這種技術和人類需求的互動。

創新的采用涉及到個人和集體層面的獨立變量，包括組織中領導者的特點、內部結構的特點和組織的外部特點。美國防部的任務和系統的規模和復雜性給決策帶來了摩擦和延遲，增加了所需的協調、規則、條例和其他機制的額外層次，這些機制本身就阻礙了創新的步伐。

F. 結論和建議

• USSOCOM的HEO概念和NSW的AISUM必須優化用戶體驗/用戶界面，以減輕認知和信息過載。

• 這不僅需要開發技術來完成，還需要確保SOCOM及其下屬司令部實施正確的創新采用和社會技術方法，以成功實現HEO的概念。

• 在主要武器系統項目中不考慮人類用戶，會導致影響作戰員生存能力的嚴重問題，更不用說不必要的重新設計、延遲和額外的財務成本。

• 特種作戰部隊社區必須優先考慮使用人工智能和自動化系統的早期培訓，以建立作戰員對所提供信息的重要性的信任，這樣作戰員就可以減少監控無人系統所需的認知努力。

• 軍方應投資于神經生理學測量設備，該設備可在動態的全任務簡介（FMP）場景中識別和量化實時認知過載，以減輕認知過載對戰斗中作戰員的不利影響。

• 重新關注保護部隊和家庭（POTFF），強調可穿戴技術對實現個人神經健康--或認知、情感和身體健康的平衡的重要性。隨著軍隊中保護部隊和家庭倡議的繼續，利用新興可穿戴設備收集的數據進行持續的身體和心理健康監測應該被投入，成為個人健康和神經健康的日常組成部分。