21 世紀迄今為止最重大的軍事變革之一是無人（也稱無機組人員）系統的發展。這項技術發展迅速--從玩具遙控汽車到國家兵力改造和采用的資產。隨著技術的改進，無人駕駛系統不僅出現在地面上，還出現在空中、水上和水下。無人駕駛飛行器的種類之多令人震驚，既越來越小，也越來越大。現在，它們的大小從大黃蜂到潛艇不等。

盡管技術仍在不斷發展，但無人資產發展的一個重要階段是將其融入行動。現有的系統現在已經足夠有用，可以為戰場上的作戰人員提供支持，它們正越來越多地接受測試并編入作戰部隊。例如，2022 年 10 月初，荷蘭皇家陸軍宣布，它已與機器人和自主系統（RAS）部隊一起向立陶宛部署了四輛武裝履帶式混合模塊化步兵系統（或 THeMIS）無人地面車輛（UGV），這被軍方官員稱為西方首次涉及武裝 UGV 的作戰試驗。這些系統可以裝備機槍、榴彈發射器和反坦克導彈，因此可以為其他兵力提供支援。即使沒有裝備武器，這些 UGV 也很有用，因為它們可以通過運輸補給品（包括重型武器、水和彈藥）減輕士兵的體力負擔。愛沙尼亞國防軍已經在馬里部署了非武裝型 UGV，與愛沙尼亞士兵一起提供后勤支持，這是法國領導的反叛亂行動 "巴爾卡內行動 "的一部分。在烏克蘭，非武裝 UGV 也被用于傷員后送。照片顯示，俄羅斯軍方已經部署了全副武裝的 Uran-9 機器人坦克，以支援烏克蘭盧甘斯克地區的部隊。

無人機（UAV）、無人水面飛行器/船（USV）和無人水下飛行器/船（UUV）的發展為海軍提供了一系列新的能力。隨著技術的進步，無人系統的能力會越來越強，而且在大多數情況下會更加自主。在開發用于進攻的系統的同時，也需要開發用于防御的系統。隨著系統和行為體的擴散，防御敵方兵力將變得更加復雜。

本文將簡要討論海事領域無人系統的實例，并指出使用這些系統所固有的挑戰和問題。變化發生得如此之快，以至于本文只能提供這些系統的開發和使用情況的一個縮影。需要注意的是，本文總體上側重于大西洋/西方舞臺。

無人駕駛飛行器

在過去的 20-25 年里，無人駕駛飛行器 (UAV) 被開發、改造并用于軍事用途。無人駕駛飛行器/系統（UAV/UAS）--有些人稱之為無人機--曾經是簡單的偵察工具，現在已被用于一系列復雜的軍事用途。美國武裝系統，如 "捕食者 "和 "收割者 "無人機，在阿富汗和伊拉克（以及巴基斯坦和索馬里）的使用表明，軍事技術和無人系統的使用發生了真正的轉變。

鑒于西方國家/北約最近卷入的沖突--即阿富汗、伊拉克和敘利亞--很少強調海上問題，因此大部分注意力都放在地面部隊和空軍使用無人機上也就不足為奇了。盡管如此，無人機對海上兵力的好處顯而易見。無人機可提高對海洋的感知能力，進行遠程監視，將態勢感知范圍擴大到艦載傳感器范圍之外，還可進行目標捕獲、空中預警、空中加油，還可用于補給和/或物資運輸。傳統上，這些功能需要從航母上起飛的飛機或以軍艦為基地的直升機來實現，但現在，無人機可以以更低的成本和更強的可持續性為艦船提供一些相同的優勢。

利用無人機進行反潛戰也成為可能。在反潛戰中，水面艦艇試圖在不傷害艦艇和船員的情況下探測和跟蹤潛艇。這包括從艦艇聲納以及聲納浮標（可探測水下聲音并傳送相關信息的浮標）和飛機（加拿大通常使用直升機）操作的浸入式聲納收集信息。有跡象表明，正在設計無人駕駛飛行器，以便利用直徑較小的電纜進行聲納浸入，這將減輕有人駕駛飛機的任務。

除了增加監視范圍、擴大戰艦航程和承擔與反潛戰有關的任務外，無人機還能為海軍帶來其他好處。無人機能力可以廣泛分散到整個艦隊。不再是只有大型艦艇才能具備航空能力--小型艦艇可以攜帶輕型無人機，大型艦艇可以攜帶大型無人機（或許多小型系統）。系統的多樣性意味著一些戰艦可以搭載多個系統，而且這些系統可以同時向多個方向發射。在作戰情況下，這種改進的戰術畫面有助于確保有效的防御。

迄今為止，尚未討論過使用無人機作為武器的問題。雖然加拿大皇家海軍/加拿大沒有使用武裝無人機，但其他國家卻在使用。無人機正在成為沖突中的有力資產，未來將變得更加有力。本文僅探討具有海上因素的用途，但即便如此，還是可以很容易地找到最近在這種環境中使用無人機的例子。例如，在烏克蘭沖突中，無人機被用于破壞俄羅斯黑海艦隊總部和克里米亞的一個海軍基地。根據情報報告，這些襲擊導致俄羅斯海軍將其潛艇從克里米亞遷至俄羅斯新羅西斯克基地。除襲擊俄羅斯海軍基地外，烏克蘭還使用土耳其中空長航時無人戰斗機（Bayraktar）幫助奪回蛇島，擊沉俄羅斯海軍巡邏艇，并可能在黑海艦隊旗艦 "莫斯科號"（RFS Moskva）被導彈擊中前分散其注意力。俄羅斯使用伊朗研發的 Shahed-136 無人機進行反擊，攻擊烏克蘭港口的目標（以及城市中的目標，但本文的重點是海上目標）。2021 年 4 月，作為 "超級蜂群 "項目的一部分，美國海軍在加利福尼亞附近海域進行了一次演習，摧毀了一艘使用無人機群進行模擬攻擊的水面艦艇，以說明這種攻擊是可能發生的，并制定了抵御這種攻擊的戰術。

2022 年 10 月，挪威海上石油平臺上的工人發現無人機在平臺周圍盤旋。2022 年 10 月，挪威海上石油平臺上的工人發現無人駕駛飛行器在平臺周圍盤旋，這引起了人們的擔憂，擔心這些無人駕駛飛行器可能被俄羅斯用來瞄準/破壞能源生產或運輸設施。為此，挪威部署了軍艦在海上平臺周圍巡邏。這說明了武裝無人機的另一面--既然可以武裝攻擊，就必須進行防御。因此，各國正在開發防御無人機攻擊的手段和培訓。例如，2022 年 10 月底，德國海軍的一艘護衛艦成功地利用艦載激光武器系統反擊了短距離和超短距離無人機。

無人水面航行器器/無人艦艇

與航空飛行器一樣，無人水面艦艇（USV）的相關技術也在迅速發展。與無人機一樣，無人水面艦艇也能為海軍艦隊帶來各種益處。它們已被用于水雷和反水雷行動、兵力和港口保護以及反恐/禁毒行動。USV 還可用于跟蹤和攻擊潛艇、進行監視以支持海上行動、繪制特定區域的 "生活模式圖"（以確定異常行為）以及進行兩棲攻擊。

USV 越來越多地用于防御攻擊的訓練演習。海軍艦艇，尤其是在港口或靠近海岸時，很容易受到小型快速爆炸艇（越來越多的無人駕駛船只）的攻擊。在這種情況下，識別威脅并做出反應的時間非常有限。為了解決這一問題，包括加拿大在內的許多國家的海軍都使用了模仿小型快速攻擊艇設計的 USV 來模擬攻擊并進行應對訓練。

關于 USV 的早期研究大多集中在排雷方面，因為排雷活動會給船只和人員帶來危險。如果 USV 可以進行排雷，那么將減少對傳統資產的威脅。這些系統已經取得了進展，一些國家已經開發或采用了這些系統。例如，2022 年 10 月初，英國國防部的 USV 演示成功展示了在蘇格蘭沿海的真實條件下（即不同深度、水流和潮汐流）以及在埋有類似地雷的模擬雷場中的自主獵雷技術。

USV 的另一個用途是巡邏。USV 可以持續巡邏和監測海洋入口，收集沿岸地區的活動數據。澳大利亞正在與工業界和智囊團探討將有人駕駛巡邏艇改裝為 USV 的可能性。澳大利亞奧斯特公司獲得了一艘退役的阿米代爾級巡邏艇，以開始自主和遙控系統的規劃、改裝、測試和評估。這是 "巡邏艇自主試驗"（PBAT）的一部分，該試驗旨在 "在巡邏艇上建立機器人、自動化和自主元素，提供概念驗證演示器，以便在未來為 RAN（澳大利亞皇家海軍）提供可選擇的乘員或自主操作"。

從也門和烏克蘭最近發生的事件中，可以看到 USV 正在如何加入戰斗序列。在也門內戰期間，攜帶炸藥的遙控船被廣泛用于攻擊沙特（或阿拉伯聯合酋長國）船只。例如，2017 年，一艘裝滿炸藥的無人艇在也門近海撞擊沙特護衛艦 Al-Madinah，造成兩名水手死亡，船只受損。

在烏克蘭戰爭中，USV 也曾亮相。2022 年 4 月，美國稱將向烏克蘭提供數量不明的 "無人駕駛海岸防御艦"。2022 年 9 月，國際媒體報道稱，克里米亞塞瓦斯托波爾俄羅斯海軍基地外的海岸線上沖出了一艘（可能是兩艘）簡易 USV，大小與皮劃艇差不多。(這艘船不是美國提供的那種。）船的照片顯示，這是一架由商用水上船只部件制成的水面無人機，可能裝有炸藥。它裝有照相機、紅外線傳感器、通信天線、船首傳感器和噴水推進器（類似于 Sea-Doo 的推進器）以提高速度。2022 年 10 月，類似的烏克蘭 USV（也有無人駕駛飛行器）再次對俄羅斯黑海艦隊發動襲擊，據說損壞了多艘艦船。這次襲擊的一個有趣之處是，其中一艘 USV 的視頻可以在網上觀看。

目前尚不清楚 9 月份發現的第一艘無人潛航器的去向，也不清楚它為什么會出現在岸上，但這是俄羅斯和烏克蘭戰爭中在黑海使用這種船只的第一個已知例子。正如第二起事件所示，該 USV 很可能被用于瞄準和/或攻擊（因為它很可能裝有炸藥）。鑒于這些 USV 非常低調，它們將是風險較低、隱蔽性較強的無人機替代品，因為它們可以在水中非常低的位置徘徊，以免被發現。俄羅斯宣布已經摧毀了最初的船只，這無疑是因為它攜帶了爆炸物，但第二次襲擊表明烏克蘭的武器庫中還有更多的 USV。

也門和烏克蘭并不是使用無人水面艦艇的唯一戰場。伊朗革命衛隊海軍已研制出快速水面攻擊艦，并可能已向也門胡塞武裝提供了 USV 及其使用培訓。但有趣的是，迄今為止，這些攻擊型 USV 往往是對載人船只的改裝，保留了駕駛員的位置，因此也可用于其他行動。這與在克里米亞發現的版本形成鮮明對比，后者專門設計為無人駕駛，其體積小、低調，很難被觀察和/或摧毀。

為了對抗伊朗的影響，美國海軍（USN）第五艦隊于 2021 年 9 月成立了一個無人系統和人工智能兵力特遣部隊，將新技術整合到美國海軍在中東地區的行動中。59 特遣部隊與地區合作伙伴合作，以巴林和約旦亞喀巴的行動中心為基地，將新的無人系統和人工智能（AI）整合到海上行動中。成立 59 號兵力的目的是收集和使用非保密系統，這簡化了調整收集方法和共享信息的過程。此外，與許多緩慢的采購系統不同，特遣部隊被賦予了嘗試不同無人系統和人工智能供應商的任務，并迅速將不同的平臺引入第五艦隊。據美國海軍中央司令部、美國第五艦隊和海上聯合部隊司令布拉德-庫珀中將稱，"目標是與合作伙伴共同運營一個分布式綜合系統網絡，以顯著擴大我們能看到多遠"。庫珀表示，"美國及其盟國希望在 2023 年夏季之前擁有一支由 100 艘無人水面艦艇組成的兵力，在從紅海到波斯灣的水域巡邏"。2022 年 1 月，作為第 22 次國際海上演習的一部分，來自 10 個國家的 50 多個無人系統舉行了一次大型無人海上演習。演習的目的是將這些無人潛航器連接起來，并形成統一的圖像--這兩點都取得了成功。

隨著各國紛紛開發新系統，這就提出了一個問題：海軍兵力如何能夠共同行動，最大限度地發揮系統的效能。因此，最近舉行了一些海軍演習，以演練與其他海軍系統的合作。在 2022 年 10 月 7 日為期一天的演習中，美國海軍（以及美國海岸警衛隊的一艘艦艇）和英國皇家海軍（RN）的艦艇在阿拉伯灣進行了一次名為 "幻影范圍 "的雙邊演習。這次演習的特點是使用無人系統--三艘 Saildrone Explorer USV--和人工智能來加強艦員和岸上操作人員的海上監測。在這次演習中，USV 上的傳感器能夠定位和識別水中的訓練輔助設備，并將可視化圖像傳送到指揮中心。2022 年 9 月，美國海軍和以色列還進行了另一次雙邊演習（"數字盾牌"），重點是利用無人系統提高海上感知等。在這次演習中，使用了 Devil Ray T-38 和 Saildrone Explorer USV。這些演習表明，各國都希望提高合作能力，有效利用這一新技術。這必須在多邊和雙邊基礎上進行。北約于 2018 年 10 月啟動了海上無人系統倡議，以促進在聯盟海軍行動中使用無人系統。北約也一直在為此進行演習。2022 年 9 月，北約舉行了兩次演習--"2022 年使用海上無人系統的機器人實驗和原型驗證演習"（REPMUS22）和 "2022 年動態信使演習"（DYMS22），以測試新型海上無人系統（MUS）的訓練、準備和互操作性。這些演習包括空中、水面和水下資產。動態信使號 "是 "北約第一次全面的作戰試驗演習，其具體重點是將無人系統納入海事領域，更具體地說是北約海上特遣艦隊"。

來自 16 個北約成員國的 18 艘艦船、48 臺無人機和 1,500 多名人員參加了演習。北約的兩個海軍常備小組以及私營部門和學術界的代表都參與了這項活動。

美國啟動了一個非常有趣的 USV 項目。在 "無需人員操作的船舶"（NOMARS）計劃中，美國國防部高級研究計劃局（DARPA）與工業界合作，正在研究一種全新的船舶設計，即 "潔凈表方法"。他們在設計船舶時假定船上永遠不會有人類。這意味著所有與人類相關的設計要求都可以取消，例如，沒有空氣、沒有生活空間、沒有食物準備或儲存空間等，這在歷史上還是第一次。然而，隨之而來的是維護問題。如果沒有船員進行維護，就需要重新考慮飛船的 "發電、推進、機械陣容和控制方案，以確保在各種天氣、溫度和海況下執行長期任務時的持續功能"。這些飛船--原型名為 "Defiant"--將需要冗余、模塊化和分布式混合發電。該計劃為建造截然不同的戰艦提供了可能。我們的想法是想象、設計并展示一艘完全無人駕駛的戰艦，它可以說明性能和能力的提高，可以與有人駕駛的戰艦并肩作戰，也可以單獨作戰。

無人駕駛水下航行器/無人潛艇

無人潛航器（UUV）是最新開發的無人系統--不過需要指出的是，一些民用機構多年來一直在使用遙控無人潛航器。這些系統的技術難度很大，特別是有效的通信具有挑戰性，但又必不可少。需要注意的是，由于各國都在尋求開發既能在水面又能在水下運行的系統，因此可能與 USV 技術有一些重疊。例如，英國皇家海軍/皇家海軍陸戰隊正在為海上突擊行動尋找一種無裝甲水面和水下航行器（USSV）原型。據稱，他們需要的是一種能在部署時從水面轉換到水下的船只，以便將貨物/補給運送到前沿基地、偏遠島嶼或危險環境中，從而減少對載人運輸的威脅。

盡管存在技術上的困難，UUV 的發展和應用仍然十分迅速。它們開始用于執行各種任務。美國海軍的 "無人潛航器（UUV）總體規劃 "確定了以下任務：

• 情報、監視和偵察
• 反水雷
• 反潛戰
• 檢查/識別；
• 海洋學；
• 通信/導航網絡節點；
• 有效載荷投送；
• 信息戰；以及
• 時間緊迫的打擊。

除這些任務外，UUV 在最近幾個月還發揮了一個新的作用--監測和保護水下基礎設施，以保護國家安全。2022 年 9 月，波羅的海海底的 "北溪 "管道遭到破壞，中斷了從俄羅斯到西歐的天然氣輸送（此前已因政治原因中斷）。雖然誰干的、怎么干的等問題還沒有公開答案，但這一事件加劇了人們對海底基礎設施易受攻擊的擔憂。各國正在努力開發監測和保護海底通信電纜的方法。例如，法國海軍于 2022 年 10 月首次使用 UUV（"HUGIN Superior "深海水下無人機）開展行動，作為其探索性海底控制能力的一部分。

目前已開始采用可定位、跟蹤、識別、瞄準和摧毀敵方潛艇或水雷的 UUV。一些無人潛航器已研制成功，可從潛艇上發射。(到目前為止，UUV 可以從潛艇上發射，但其回收工作仍在進行中）。具有諷刺意味的是，防御型 UUV 是對抗 UUV 攻擊群的必要手段。潛艇的設計目的是與其他潛艇或其他大型資產交戰，它們無法消耗有限的魚雷來對付小型但可能致命的 UUV。此外，潛艇往往沒有近防武器，這使其容易受到小型 UUV 的攻擊。因此，有可能需要發射一次性攔截型 UUV 來防御潛艇，或許可以誘導來襲的魚雷和/或摧毀它們。

與航空和水面系統一樣，隨著技術的發展，正在生產多種類型和尺寸的 UUV。美國海軍 UUV 總體規劃將其分為四個級別：

1.便攜式：排水量 25-100 磅；續航時間 10-20 小時；由小型水上船只手動發射（如 Mk 18 Mod 1 劍魚 UUV）；

2.輕型：排水量 500 磅以下；續航時間 20-40 小時；從使用發射-回轉系統的 RHIB 上發射，或從水面艦艇上用起重機發射（例如，Mk 18 Mod 2 Kingfish UUV）；

3.重量級：排水量最大 3,000 磅；續航時間 40-80 小時；從潛艇發射；

4.大型：排水量達 10 長噸；由水面艦艇和潛艇發射。

為了說明目前正在開發的 UUV 的尺寸，俄羅斯開發了一種重約 100 公噸的 UUV，稱為 "海神狀態 6 "或 "末日魚雷"，這是一種自主的核動力 UUV，能夠投送常規和核有效載荷。其他國家也在迅速開發和采用各種規模的 UUV。例如，美國海軍已經部署了 "剃刀背"（Razorback）中型 UUV 的早期型號，并正在采購升級型號。此外，美國海軍正在開發五種機器人超大型無人潛航器（XLUUV），可在海底布雷，并防止敵人進入水道和海岸。

雖然出現過延期和成本增加的情況，但所有這些 XLUUV 都計劃于 2024 年完成。2022 年 9 月，英國宣布皇家海軍已獲得三艘新型 REMUS 100 UUV。最后一個例子是，波蘭將在其正在建造的 Kormoran II 級獵雷艦上配備無人水下能力，以協助在波羅的海和北海執行海底搜索和勘測任務。

有關無人駕駛系統的考慮因素

在開發和采用大多數新的軍事用途系統的過程中，有許多固有的考慮因素和挑戰，無人駕駛技術也是如此。首先，也許最重要的考慮因素是，在不久的將來，這些系統將從簡單的無人駕駛變為自主系統，事實上，正如前面提到的幾個例子所表明的，一些自主系統已經投入使用。兩者之間的差別非常明顯--請看美國在伊拉克和阿富汗行動期間進行的 "捕食者 "無人機襲擊。當時，這些無人機是由坐在美國空軍基地的人操作的。操作員可以通過 "捕食者 "的攝像頭實時觀察一個人或一個地方。準備就緒后，作戰員按下按鈕向目標開火。雖然無人駕駛系統在類別上存在差異，但無人駕駛系統就像這個例子一樣--有一個操作員在控制，實時發出指令。而自主系統一般都預先編好程序，以執行特定任務。一旦編好程序，它就可以繼續運行，而無需有人對其進行遠程控制。(美國海軍多年來一直在研究無人自主艦艇，中國和俄羅斯也是如此，并且都取得了重大進展。例如，2019 年初，美國海軍 40.2 米（132 英尺）長的中排水量無人水面艦艇（MDUSV）"海上獵人 "號（Sea Hunter）成為第一艘從圣迭戈到夏威夷珍珠港往返自主航行的船只。除了護航船上的人員短暫登船檢查電氣和推進系統外，船上沒有一名船員。

與增強自主性相關的是對錯誤或故障責任的法律和道德擔憂。如果自主系統出錯導致人員死亡，或者 USV 撞沉民用船只，那么責任/罪責和賠償責任的界限并不明確。如下文所述，這說明有必要制定有關使用自主系統的政策和法律。

其次，西方國家的海軍都面臨人員短缺的問題，而使用無人艦艇有可能解決這一問題。從長遠來看，無人系統有可能取代配備船員的軍艦。美國的 NOMARS 計劃就是在這條道路上邁出的重要一步。

第三，話雖如此，但必須指出的是，"無人/無船員 "技術并不意味著沒有人員參與。無人系統需要一組人員來操作、發射/回收和維護。系統本身可能是無人駕駛的，但它們有與之相配套的大量支持團隊。負責操作和維護這些系統的人員所需的技能組合與軍艦上的普通船員不同，即這些系統是技術性極強的資產，船員需要精通電子、計算機軟件和硬件以及賽博安全。此外，在勞動力市場緊張的情況下，招聘具有操作和維護系統技能的人員將是一項挑戰。

或者，這些系統可以而且通常由制造這些系統的公司進行維護。但這意味著，如果系統由制造商維護，軍艦（和海軍基地）將需要為工業代表提供住宿。除了住宿和外包成本外，人們還對在作戰中使用合同服務供應商提出了質疑。這些問題始于美國在伊拉克開始將重要資產（以及其他服務）的維護外包。例如，有人質疑工人的忠誠度（對所服務的國家還是對雇傭他們的公司），有人質疑公司員工是否愿意在戰區服役，有人質疑戰爭法對非國家行為者的適用性，有人質疑如果出了問題應承擔的責任，等等。

第四，根據系統的不同，使用無人駕駛系統可能會節省成本。這可能體現在幾個方面。首先，根據其大小和復雜程度，購買價格可能比其他資產低得多。因此，一艘軍艦部署多架小型無人機的價格可能只是一架直升機的價格。其次，另一項成本節約可能是人的生命。在某些情況下使用無人系統可以減少人員傷亡。如果使用無人系統，即使系統沉沒、墜毀或被擊落，人員也不會有任何危險。第三個考慮因素是與人員相關的財務成本。人員成本很高--對加拿大來說，這些成本占國防預算的主要部分--因此，減少人員意味著減少工資、養老金和福利的成本。但需要注意的是，無人系統的成本并不總是很低，例如，2019 年 6 月被伊朗擊落的美國海軍 "全球鷹 "無人偵察機的成本就超過了一架基本的 F-35 戰斗機。此外，美國 XLUUV 的成本也一直存在爭議，據估計，5 架 XLUUV 的成本為 6.21 億美元。

第五，雖然降低成本在理論上聽起來不錯，但也有不利之處。正如最近所見，俄羅斯使用成群的無人機攻擊烏克蘭的城市。據傳，俄羅斯購買了數千架伊朗無人機用于烏克蘭戰爭，因為每架無人機的價格僅約（2 萬美元），比普通軍用導彈便宜得多。這里的關鍵是，如果這些系統的價格相對低廉，那么不僅強國的軍隊買得起，小國也買得起。小國可能買不起戰斗機或潛艇，但它可能買得起致命的無人駕駛系統。這些系統可能無法產生單個大型武器的效果，但它們同樣可以造成殺傷和破壞。此外，如果價格低廉，叛亂團體、犯罪組織和恐怖分子等非國家行為者也將買得起這些系統。這將增加威脅行為者的數量。現在，兵力不僅要保護自己不受其他國家兵力的攻擊，還要保護自己不受任何有能力購買、武裝和操作無人系統的個人或組織的攻擊。

第六，根據部署船只的不同，在為大型無人系統尋找存儲空間時可能會遇到困難。一些大型無人機的機翼或槳葉可以折疊，因此可以容納在現有的機庫中，但其他無人機則不然。與大多數技術一樣，這些系統不能暴露在鹽水和鹽氣中，因此必須找個地方存放，以避免系統受損。

第七，將這些系統生成的數據與艦艇作戰管理系統和其他來源的數據進行整合可能會遇到困難。這些新系統善于收集數據，但如果無法訪問這些數據，它們就沒有什么用處。如果一個系統擁有先進技術（無人機/無人潛航器/無人潛航器），而另一個傳統系統沒有，則很難整合數據。必須有一種方法來收集數據、傳輸數據和分析數據。這意味著各國海軍將面臨越來越大的壓力，需要更新艦載系統并利用最新的數據分析技術來處理傳入的傳感器數據。我們很可能會看到各國海軍正在努力采用人工智能系統來分析數據。

第八，隨著各國海軍開發自己的系統，盟國和/或友邦在確保其系統的兼容性和互操作性方面將面臨越來越多的挑戰。無人系統不僅必須與本國艦艇通信，還必須相互通信，并與其他盟國/友好國家的系統通信。因此，如前所述，在西方，我們已經看到北約正在增加這方面的演習。當然，隨之而來的是對系統安全性的擔憂。這些系統依賴于復雜的計算機程序，因此需要輔以額外的網絡安全措施來防止黑客攻擊。有許多船只的 GPS 導航系統被欺騙，即坐標被篡改，確保這種情況不會發生在無人/自主系統上至關重要。

第九，隨著越來越多的無人技術被海軍--甚至所有軍種--采用，各國將需要就如何使用、在何處使用以及為何使用制定政策方針。需要與工業界、學術界以及各國政府合作，制定作戰概念和條令，推動將這些系統納入作戰行動。同樣，聯盟也需要制定共同的政策，并在采用這些系統時制定相關的國際規則。這種技術將對戰爭產生影響，而在過去，對戰爭行為有重大影響的技術的發展導致了有關技術使用和開發的國際協議--例如 1899 年和 1907 年的《海牙公約》以及《核不擴散條約》。

第十，隨著這些系統的擴散，其使用將使現有民用和軍用能力的運作復雜化。無人機如何避開民用飛機？空中交通管制員能否確保飛抵民用機場的噴氣式飛機與在附近發射的軍用無人機之間不會發生沖突？換句話說，將如何進行空中交通管理？如何消除水下船只的沖突？目前有一套水域空間管理系統，如果友好國家的潛艇在當地水域，各國可以知道它們的位置。這是為了避免碰撞。UUV 將如何與潛艇解除沖突？或者說，UUV 和 USV 是否有足夠先進的系統來避免碰撞？這些問題都需要認真考慮。

結論

本文僅簡要介紹了無人駕駛系統的發展情況。在空中、水面和水下等所有環境中，變化都在迅速發生。幾乎每天都有新的發展。這里重要的不是無人資產的具體細節，而是它們如何影響海軍兵力的結構和使用。在結構方面，這些系統已經導致了海軍兵力的一些組織變化。例如，2022 年 10 月，韓國宣布其海軍總部將進行重組，其三個編號艦隊將被海上無人兵力司令部取代。該司令部將由無人水面艦艇編隊、無人水下航行器編隊和無人機編隊組成。其他國家也需要考慮改變其組織結構。這些系統可能會支持更多分布式艦隊的呼吁--即許多小型資產相對于少量大型資產。

變化還不止于此。這些系統不僅會影響艦隊資產和海軍的組織結構，還會影響采購、人員和培訓。它們將影響預算。美國海軍提出的 2023 財年預算要求為大型和中型 USV 使能技術提供 5.493 億美元的研發資金，為 UUV 提供 6070 萬美元的額外資金。這些數字將繼續增長。據估計，到 2030 年，僅 UUV 的銷售額就將從目前的 40 億美元增長 150%。

在使用方面，這些系統正在迅速進入海軍的戰斗序列，這將影響戰斗的方式。海軍兵力面臨的一系列威脅有所增加。敵人的戰艦、導彈、魚雷、海盜和犯罪分子依然存在，但現在又多了一個大雜燴，不友好的行為者可以利用這些系統來威脅海軍兵力。

這些系統將繼續存在。隨著時間的推移，它們將變得更加復雜，更加無處不在。海軍如何采用和應對這些系統將決定未來的海戰。

大數據是當今媒體和政府討論的主題。當大數據與人工智能相結合時，它被描述為一個 "簡易按鈕"，可以減少人類的分析負擔。一些人認為這是對秩序的潛在威脅，而另一些人則認為這是在大肆炒作，卻鮮有驚天動地的成果。什么是大數據，為什么它對情報界（IC）和聯合軍事行動的未來至關重要？

在這篇文章中，作者認為，信息革命通過大幅增加情報采集器的數量和種類，從根本上改變了情報工作。基于采集器創建了一個由分析師和機器組成的全球網絡，促進了數據和信息的快速共享。這一網絡也使作戰人員希望更快、更切合行動需要地評估威脅和目標定位的機會。此外，它還通過在賽博領域創建新的權力和收集中心重塑了威脅環境——在這里，對手可以招募成員、策劃打擊，并通過在線集體利用有命令的和受啟發的攻擊。在當前人力和資源有限的環境下，再加上這些因素，需要制定新的戰略來規劃和執行情報、監視和偵察（ISR）行動，并在組織、培訓和裝備分析人員方面進行投資，使其具備在現代信息環境中取得成功的工具。從概念上講，大數據是這一環境的核心，它將推動了解未來如何收集、組織和分析數據、信息和情報。

撥開迷霧——什么是大數據？

顧名思義，大數據歸根結底就是收集、存儲和處理大量數據和信息。情報分析師很快就會指出，收集和存儲大量信息并不是什么新鮮事，幾個世紀以來，這一直是情報實體的核心目的。非軍事分析人員會定期對大量數據進行分類，根據數以萬計的跨多個變量的案例觀察結果，對復雜的問題集進行定量評估。那么，是什么讓大數據變得與眾不同？這個短語最早出現在 2000 年代初，當時行業分析師 Doug Laney 將大數據定義為有別于以往模式的三個主要因素，稱為 "三個 V"：

• 規模性：信息時代使數據和信息的獲取和存儲成為可能，這些數據和信息可以在前所未有的規模上進行保存、定期訪問和分析。以前用于分析的大多數數據庫可包含在一個數據庫（如 Microsoft Excel 數據庫）中，行數從幾行到幾萬行不等。大數據可收集數百萬至數十億個數據點。

• 高速性：以前所未有的速度獲取大量數據和信息，必須及時處理。例如，Twitter 在 2013 年每天收到 5 億條更新（推文）；每條推文構成一個信息數據點。

• 多樣性：數據和信息的格式多種多樣，來源各異。

過去，需要信息的分析師或實體可以決定收集的內容和存儲的方式，但如今，由于數據量大、速度快，有必要建立系統來管理和整合以各種形式獲取的數據；從圖像到 Twitter 或 Facebook 條目，再到對話或演講的副本。隨著對大數據認識的加深，當今許多學者在這三個維度的基礎上增加了其他維度，如可變性和復雜性。在美國空軍和其他機構中，在此基礎上增加了第四個 "V"：

• 真實性： 大數據可訪問的數據量大、速度快、種類多，其中包括大量噪音和與問題集無關的數據。這可能會造成數據分析異常，并在選擇哪些數據重要以及如何分析這些數據時產生分析偏差。大數據戰略必須包括保持數據 "清潔 "的流程和對大數據工作危害的分析意識。

大數據出現后，一個新詞--大數據分析--開始流行。這些術語經常被交替使用，但卻代表了同一事物的兩個不同側面。大數據代表了一種快速編譯、存儲和訪問大量數據和信息的流程，這些數據和信息來源眾多，結構各異。大數據分析代表的是能夠將大數據轉化為洞察力的工具、技術和流程--從作戰環境的情報準備到威脅預警，從預測性作戰空間感知到目標選擇。這些洞察力反過來又影響著從戰略威懾行動到近實時（NRT）戰術交戰等各種軍事和外交行動的決策。

關于大數據潛力與炒作的爭論主要源于對大數據和大數據分析的誤解。大數據的“啦啦隊”歷來對大數據有四種令人興奮的說法，但這些說法充其量不過是樂觀的過度簡化：（1）數據分析產生的結果準確無誤；（2）無需抽樣，因為大數據允許捕捉所有可能的數據點；（3）大數據中的高度相關性使得關于因果關系的定性辯論成為過眼云煙；以及（4）統計模型同樣無關緊要，因為 "數據自己會說話"。事實上，大數據并沒有消除數據收集和數據分析中的傳統挑戰，但它確實從根本上改變了出現問題的地點和方式。主要的挑戰源于最后的說法：數據永遠不會為自己說話。收集、組織和處理數據的方式決定了數據向用戶傳遞的信息。復雜的算法執行了其中的許多功能，從而實現了大數據分析，但這些算法，即使在機器學習的幫助下，也必須由人類編程，并為回答預先指定的問題而量身定制。這意味著大數據在收集、顯示和分析過程中仍會出現偏差，分析人員必須對此有清醒的認識。大數據使數據點的訪問量呈指數級增長，從而有助于從更多的數據點進行更快的分析，但糟糕的大數據分析也會帶來糟糕的分析。

大數據如何重塑情報

在大數據的四個 "V "中，分析人員直到最近還主要面對第一個和第三個 "V"，但規模較小，更易于管理。收集的速度、國家行為者構成的威脅的相對一致性，以及按照情報學科生產線（INTs--信號情報[SIGINT]、地理空間情報[GEOINT]、圖像情報[IMINT]、人類情報[HUMINT]、開放源情報[OSINT]以及測量和信號情報[MASINT]）進行的分析和分割，使得能夠將工作劃分為獨立的數據問題，由專家對其進行分塊分析，并通過將各組成部分結合起來得出所有源情報答案。

信息革命對美國空軍情報核心能力（收集、分析、目標定位和整合）的影響首先集中在收集方面，其次是威脅分析和目標定位分析（見圖 1）。可用的收集器和傳感器急劇增加，全球一體化的 ISR 實現了 NRT 利用。與此同時，作戰需求也將威脅分析和目標定位分析轉向 NRT，以深入對手的 OODA 循環。在資源緊張的時代，近期內幾乎沒有大幅增加人力的跡象，要改變情報生產以滿足當今的作戰需求，不太可能通過進一步革新收集或分析來實現。如今，即使在國家情報局內部，數據和信息收集的數量、速度和種類也已增長到這樣一個地步：如果沒有計算機程序和自動化流程的幫助，分析人員再也無法對收集到的所有信息進行充分篩選，甚至無法對其進行存儲，更不用說分析了。此外，賽博時代的到來改變了從公開來源收集信息的性質，使開源分析從一種輔助分析的信息源發展成為一門真正的情報學科--OSINT--圍繞著收集、分析和生產的技術、管理和法律問題。

圖 1. 信息革命對收集、分析和目標定位的影響

未來的發展方向是數據管理和情報規劃，以促進以問題為中心而不是以需求為中心的美國空軍情報工作。工業生產模式已跟不上信息環境的發展。正如美國國家地理空間情報局局長羅伯特-卡迪羅在今年早些時候指出的那樣："如果我們試圖手動利用預計在未來 20 年內將獲得的商業衛星圖像，我們將需要 800 萬名圖像分析人員。即使是現在，每天僅在一個戰區使用一個傳感器，我們收集到的數據就相當于三個 NFL 賽季--每場比賽。而且是高清晰度的！" 分析人員比以往任何時候都能獲得更多的信息，并擁有更多的工具來收集信息以填補知識空白。讓這些分析人員為指揮官提供已知信息、評估信息和未知信息，并使用正確的工具回答剩余的情報問題，是在正確的時間向正確的決策者提供正確信息的途徑。在規劃和執行基于效果的 ISR 戰役時，必須采用與進攻性空中行動相同的靈活多變的方式。

四個 V 與情報收集

反恐戰爭的特點，加上信息革命對精確目標定位的創新，使美國空軍的工作重心從投放彈藥量轉向對 ISR 收集的需求。1943年10月14日，施韋因富特（Schweinfurt）空襲納粹德國，293架轟炸機需要3小時的情報支持，而2006年阿布-穆薩布-扎卡維（Abu Musab al-Zarqawi）空襲，15分鐘的出動需要600多個小時的情報支持。精確打擊需要精確情報，這就將人力負擔從飛行行動轉移到處理、利用和分析上，以促進打擊行動。由于認識到為提高打擊能力而對情報的需求不斷增加，因此收集平臺、傳感器和帶寬都在穩步大幅增加，以支持 "后送 "行動，但人力卻不一定相應增加，無法在規定時間內分析大量收集的情報，為行動提供便利。與此同時，重點轉向 "后方 "作戰，再加上信息時代作戰的優勢和弱點，進一步模糊了歷史上對前方和后方作戰區域的劃分，使這一作戰環境概念對現代兵力而言成為過時的概念。

對于 GEOINT 來說，最明顯的表現是對全動態視頻（FMV）收集的需求激增。在過去十年的大部分時間里，美國空軍的 FMV 需求量一直居高不下，而這并不是美國空軍一家的事情，因為陸軍、特種作戰部隊和伙伴國都在不斷擴大其機隊規模，增加遙控飛機（RPA）的出動架次，并投資帶寬以滿足近乎貪得無厭的需求。與 "就地部署 "狀態相關的高工作量導致情報界在 2015 年前不斷掏空其員工隊伍，圖像分析師的流失速度超過了他們接受培訓的速度。此后實施的幾項提高生活質量的舉措減少了工時，緩解了壓力，但也導致能力下降。2015 年，美國空軍將 RPA 巡邏次數從 65-60 次短暫減少，以幫助飛行員、傳感器操作員和情報人員隊伍健康發展，但作戰現實迫使軍方用承包商補充現役 RPA 兵力，以滿足需求。

圖 2. 信息革命對美國空軍目標定位的影響

在情報界之外，FMV 獲得了最多的關注，但即使在 GEOINT/ IMINT 領域，它也只是為滿足行動需求而爆炸性增長的情報來源之一。包括伊拉克、敘利亞和阿富汗在內的許多作戰地區對多光譜圖像、超光譜圖像和地面移動目標指示源的需求都在持續上升。專用傳感器套件為美國空軍提供了前幾代產品無法比擬的收集能力。然而，這些傳感器套件需要培訓、人員配備和時間密集型的分析質量，這使得每個傳感器都是人力密集型的，使有限的圖像分析人員難以處理不斷增加的收集任務。

如果不借助大數據解決方案，GEOINT 傳感器和收集能力的爆炸式增長會給有效分析帶來另一個重大挑戰。以各種圖形格式收集的各種數據信息對分析人員來說是 "無法發現的"，有時被稱為暗數據。已開發的 GEOINT 通常有文本摘要，可通過類似谷歌圖像搜索的查詢進行搜索，但如果沒有文本提示分析人員，相關圖像可能會一直埋藏在數據檔案中，無法發現。大數據算法和自動開發模板可使 NRT 中的所有圖像與地理坐標綁定，與已知位置對齊，并自動歸檔到可搜索的分層數據庫中，并隨時間推移提供相關圖像。雖然當前的 ISR 模式以操作為中心，需要出動新的架次來收集地理空間信息（特別是針對生命模式等問題集），但大數據分析將為未來的分析人員提供訪問歷史數據資料庫的途徑，以及快速篩選可能成千上萬張圖像的工具，以查看隨時間推移而發生的變化并分析其意義。

對收集和分析的需求呈指數級增長的不僅僅是 GEOINT。收集平臺的增加也導致了包括 SIGINT 有效載荷在內的各情報學科收集器有效載荷的增加。隨著收集機會數量的增加，以及信息時代全球網絡化威脅的出現，收集信號的數量、速度和種類也在不斷增加，其速度往往超過我們招募和培訓分析人員的能力。如果沒有大數據分析的前景來幫助分析人員找到分析收集的關鍵部分，那么 RPA 獲取的數小時視頻可能數年都得不到分析；如果沒有自動化工具來對數百億字節的收集信息進行分類，那么數小時的截獲通信可能得不到分析。除 SIGINT 和 GEOINT 外，MASINT 的收集和生產需求也同樣呈現出蓬勃發展的態勢，合成孔徑雷達和相干變化探測等能力的需求量越來越大。

開源情報

也許沒有什么例子比 OSINT 作為一門真正的情報學科的誕生更能說明大數據四維收集的巨大變化了。當說 OSINT 是一門新學科時，許多冷戰時期的分析師會告誡說："不，我們一直都有 OSINT，中央情報局（CIA）的開源中心就是證明。事實上，從時任中央情報局局長艾倫-杜勒斯（Allen Dulles）的一句話開始，數十年來，一條常用的經驗法則就是：超過 80% 的情報分析最終都來自于開放源代碼。這些都是事實，但從條令上講，將其定性為公開來源情報更為恰當。作為一門情報學科，OSINT 與互聯網和社交媒體的普及直接相關，因此需要開發新的技術來搜索和發現信息，進行監督以確保情報界遵守保護公民和信息安全的相關法律和命令，并對這一過程進行管理。如果沒有大數據分析解決方案，分析人員就不可能對現有的數十億個數據點（數量、種類和速度）進行分類，不可能識別相關和不相關的數據（真實性），不可能保障公民的權利和遵守其他適用的法律法規，也不可能發現滿足客戶需求的相關情報見解。

信息革命帶來了一種新的在線共享文化，許多人稱之為過度共享。對情報界來說，好處是通過 Twitter、Facebook、Snapchat、博客和許多甚至尚未發明的社交媒體網站，情報部門可以接觸到世界各地數以千萬計的被動收集者。20 世紀 90 年代，分析人員面臨的前景是，在他們有時間完成情報評估周期之前，CNN 就可能進行戰損評估。如今，如果一架 RPA 失去連接并墜毀，很可能在確認飛機失聯之前就會在 Twitter 上被多次報道和轉發。學術研究和情報分析現在依賴于情感分析，其實質是推特上 "趨勢 "的一個復雜和可定制的版本，以確定人群的情緒，作為未來活動（內亂等）的潛在預測因素。

行動的時間需求

在大多數關于大數據的商業討論中，速度主要是指獲取信息的速度。對于情報行動而言，速度同樣適用于作戰員、指揮官和其他決策者需要情報輸出以促進行動的速度。對美國來說，打擊 "伊斯蘭國 "的行動主要是一場以空中為中心的行動，強調有意識地和動態地瞄準目標，以孤立和削弱一個固定基礎設施有限的原生態國家，并使其很容易融入人群，以防御打擊。這種組合，再加上必須盡量減少附帶損害的風險，只會增加對 ISR 的需求。這包括尋找目標并確定其特征，保持對潛在目標地點的監視，以及了解居民的生活模式。聯軍兵力航空兵指揮官小查爾斯-布朗（Charles Q. Brown Jr.）中將在 2016 年 5 月明確提出了這一點，他說："因為它能幫助我做的就是開發目標，這樣我們就能在開發這些目標的同時進行打擊。我擁有的 ISR 越多，我就能將平民傷亡的風險降到最低，并繼續我們的精確空襲行動"。

在這種情況下，"更多 "既指數量，也指時間，因為在動態打擊中，信息發揮作用的時間極短，尤其是與機場、指揮掩體或部分通信網絡等傳統目標相比。FMV 的 NRT 特性及其在行動的接戰/收尾階段的關鍵作用使許多觀察家得出結論，如今更容易實時鎖定目標，但實際上這只是促進打擊的情報冰山一角。聯軍兵力需要一個全球同步的分析人員網絡，迅速融合圖像、電子截獲情報和線人提供的線索，提示潛在的打擊目標。全球一體化的 ISR 可通過及時獲取更多的收集信息為這些網絡提供便利，但隨之而來的是嚴重的真實性問題。與此同時，這一系統也引起了人權組織對平民傷亡問題的關注，以及更多傳統空襲行動支持者的批評，認為即使按照近期空襲行動的標準，打擊目標的總數量也是不夠的。ISR 團體以及更廣泛的情報界必須面對分布式作戰、分析質量控制和數據集管理等復雜的管理問題，以便讓 ISR 和實時行動的作戰人員充分了解目標開發的進展情況。

威脅性環境

伊拉克和敘利亞伊斯蘭國（ISIS）經常呼吁通過所謂的數字哈里發進行 "獨狼式 "恐怖主義，這凸顯了互聯網對西方安全構成的挑戰。在此之前，像 4chan/"匿名者 "這樣的網絡集體利用網絡的連通性建立了信息共享的無政府社區，最終促進了在一些問題上的集體行動。美國軍事情報機構歷來將常規軍事優勢視為其任務的重點，而在信息時代，武器化敘事正迅速成為國家安全行動的重點。只有獲得并有效利用大數據解決方案，才能了解信息時代的威脅環境。雖然應對這一挑戰的任務最終可能會落到美國國防部等非國防部實體的肩上，但美國空軍的任務要求了解和防御賽博領域。因此，美國空軍情報分析師必須站在分析和發現網絡領域威脅的最前沿。

過去十年的反恐和反叛亂行動使美國空軍情報分析員精通于監控和評估沖突地區的恐怖網絡，特別是伊拉克的基地組織和阿富汗與塔利班有關聯的組織。然而，賽博集體是一個獨特的挑戰。賽博集體缺乏集中的指揮結構，而是主要通過在線社區規范和價值觀來運作。它們的成員是開放的，沒有正式的招募或保留機制，其戰略規劃也微乎其微。大多數賽博集體傾向于抵制任何人成為其集體的領導者或發言人；有影響力的人可能會在有限的時間內出現，但成員的開放性和多樣性使得任何人都無法在不分裂集體的情況下長期出現。由于成員人數有限，意識形態單一，小型社區可能會形成較強的內部等級制度，但這也限制了大型集體的全球覆蓋面和影響力。圖 3 簡要說明了等級制度、網絡和賽博集體之間的區別。

情報集體的特點是提供了一個可以被滲透的論壇，引發獨狼或狼群攻擊；信息同時在集體的一個圈子內傳播，發起行動--想想快閃族--幾乎沒有預警。與此同時，集體的無政府主義特征往往使其理由也是無政府主義的；他們的工作方式通常是反對權威人物和濫用權力，而不是積極尋求以新的主流意識形態取而代之。因此，許多通過集體招募的個人發起的獨狼和狼群襲擊，即使受到具有特定意識形態的組織的啟發，也不一定表現出對特定意識形態立場的親近，而只是表現出其反動性。例如，奧蘭多夜總會槍手奧馬爾-馬特恩可能并不了解伊斯蘭國、基地組織和真主黨之間的區別，盡管這些組織在教派和戰略上有顯著區別。然而，根據賽博集體的特點，這些組織因反西方情緒和對西方秩序的無政府主義觀點而在網上聯系在一起。煽動混亂以報復道德錯誤的呼聲在這種環境中傳播，而具體的意識形態信息和與特定團體更正式的結盟可能不會傳播。

圖 3 等級制度、網絡和賽博集體。

這種新的分布式組織給情報機構帶來的挑戰是，作為多管齊下戰略的一部分，對集體進行滲透的前景，其目的是同時通過深層國家的攻擊破壞對手的穩定，同時通過網絡和等級組織對地方政府集中式更有組織和戰略性的暴力。圖 4 說明了這種混合模式的可能形式，由一個中央戰略領導核心指揮多個部門的行動，包括招募、宣傳、培訓、直接行動、與網絡的協調以及對賽博集體的在線宣傳滲透。由于這些網絡廣泛多樣，傳統的網絡制圖是不可能實現的，因為它們的變化速度非常快，信息通過賽博集體共享的速度也非常快。要識別網絡中的影響者，需要大數據解決方案來跟蹤信息流量，識別哪些主題可能成為趨勢，哪些信息可能在哪些領域被接受，并識別這些信息中可能預示攻擊策略變化（大規模槍擊、撞車和下一次威脅演變）的趨勢變化。這種對敵方組織和信息的了解程度對于在作戰層面及以上直接打擊敵方至關重要，但對于兵力保護的戰術指示和警告可能更為重要。

正如對手可以利用賽博領域通過影響力開展行動一樣，他們也可以利用賽博工具挫敗情報并放大其信息。其中最突出的是機器人的使用；機器人軟件旨在通過社交媒體和其他在線渠道自動傳播信息。這些機器人可以扭曲數據進行情感分析，通過讓輿論看起來更受歡迎的波段效應左右輿論，通過賽博自動傳播虛假信息，并擴大招募范圍。對俄羅斯在 2016 年大選中的潛在活動的調查重點不是傳統意義上的黑客攻擊威脅，而是由機器人針對特定集體發布信息的社交工程。展望未來，在復雜的多領域環境中工作的分析人員必須了解賽博領域威脅的新特性。只有更好地了解大數據分析并認識到其作為工具的威力及其脆弱性，才能保持基本的態勢感知，更不用說獲得行動上的理解。

圖 4. 被滲透的賽博集體的混合威脅

工業時代的情報模式與信息時代的模式

大數據的三個 V 及其對敵我雙方的影響，使得有必要重新思考情報生產的工業模式。所有情報操作人員從基礎課程開始就接受五步情報周期的培訓，即規劃和指導；收集；處理、利用和傳播（PED）；分析和制作；以及傳播（PCPAD）。這種結構化和可重復的程序確保了生產步驟的清晰度，并對分析過程進行制衡。這種結構化和可重復的過程確保了生產步驟的清晰，并對分析過程進行制衡。它還包含官僚因素，特別是對美國空軍情報部門這樣的大型組織而言，它將 PCPAD 周期的各個步驟與不同的單位/辦公室聯系起來。信息時代的情報模式必須找到超越官僚模式的方法（不是取代它，而是補充它），并促進分布式企業級的數據管理，以支持滿足業務需求的決策質量情報。數據科學必須被視為信息時代情報界的核心能力，傳統的情報分析師必須與熟練的計算機科學家和數據管理人員攜手合作，促進情報的生產。

美國空軍情報工作面臨的另一個挑戰/機遇是情報與 ISR 的混淆。美國國防部將 ISR 定義為 "為直接支持當前和未來行動，對傳感器、資產以及處理、利用和傳播系統的規劃和操作進行同步和整合的活動。這是一種綜合的情報和行動職能"。盡管它是情報與行動的結合，但它只是整個情報周期的一個子集。如圖 5 所示，任務分配是規劃過程的最后部分，通過 ATO 向各單位分配需求，而收集和 PED 則反映了 PCPAD 周期的這些階段。

圖 5. 情報生產的工業模式

這種模式建立了情報分析的基礎設施，在評估國家行為者方面證明是有效的，但其時間順序的特點實際上給空軍的 ISR OODA 循環帶來了限制因素。ISR 規劃是通過 72 小時 ATO 任務分配周期執行的，并受收集管理流程的制約，根據該流程，在執行 ATO 任務之前，指揮官對收集目標（需要成像或以其他方式收集的地點）的優先級進行排序和堆疊，并通過董事會或裁判的優先級排序流程進行排序和堆疊。隨后是分析流程，美國空軍的作戰級分析可能需要數天時間，而國家機構的全資源制作則需要數周時間。從 ISR 的角度來看，這與美國空軍的靈活性原則相悖，該原則應使 ISR 操作人員能夠將 ISR 效果集結并機動到作戰環境的關鍵點，以便在時間、空間和目的上進行整合。此外，由于 ISR 來源日益復雜，基礎情報數據和信息的儲備也在增加，未來制定優先情報需求、指揮官關鍵信息需求和其他情報收集請求的傳統模式不太可能繼續成為確定收集資產優先次序的有效手段。

在 2005年前后，ISR 操作人員面臨的挑戰是如何向客戶解釋："不要申請像'捕食者'這樣的資產，而要申請像 FMV 這樣的能力"。如今，這個問題變得更加復雜，因為收集資源更加專業化，數量也更多，這使得 ISR 戰術人員最有能力確定哪種 ISR 資源最適合填補情報缺口。增加 OSINT 等被動傳感器以及對現有 HUMINT、SIGINT、GEOINT 和 MASINT 數據進行可發現的大數據分析，可以在不需要額外收集的情況下迅速解決客戶感知到的問題，其可信度足以證明不重新分配資產是合理的。雖然在近期內，絕大多數資產和收集分配將繼續通過這一標準流程執行任務，但必須將一部分機載 ISR 資產和分析能力專用于信息時代的替代方案，以直接影響 NRT 的空襲行動。

信息時代的替代方案是由 ISR 兵力主導的以問題為中心的情報。ISR 流程的行動輸入不應是收集任務，而應是感知到的情報問題，然后 ISR 專家可將其轉化為細化的 ISR 問題、情報缺口，并在聯合行動計劃中確定 ISR 傳感器的優先級，以填補這些缺口。ISR 兵力由單一指揮官授權，擁有有機的收集需求管理和收集行動管理權限，有權為指定的作戰目標制定綜合 ISR 計劃。這是推進美國空軍中央司令部 2009 年指令的下一步，該指令將 ISR 任務類型命令（MTO）編纂為支持作戰應急行動的關鍵。如果沒有一支特定的 ISR 特遣部隊，擁有 ISR 資產的所有權和分配任務的權力，那么目前的 MTO 結構更像是用于重新分配任務的 ISR 協調卡，而不是《聯合出版物 3-50：人員恢復》中定義的真正的任務類型命令。

圖 6 所示的這種 ISR 兵力模式將有機機載 ISR 資產的規劃流程重組為以問題為中心的模式，并結合大數據分析來細化任務 ISR 問題。“情報云”由整個情報部門中的國家情報局 OSINT 數據和完整的多情報分析數據庫組成，使分析人員在流程的最初階段就能為客戶的問題提供答案，同時根據對情報部門實際已知情況的深入了解來完善他們的情報問題。然后，ISR 戰術人員可以匹配最佳收集平臺，以填補情報空白。然后，在指揮官的授權下，ISR 特遣部隊可以通過 MTO 的意圖隨時重新分配 ISR 行動的任務；在實踐中，指定的操作員擁有傳感器任務分配權。這樣，就能與 PED 和融合實體合作，對收集工作進行 NRT 改進，最大限度地發揮傳感器的作用。然后，ISR 兵力產品可在 NRT 中同時分發給作戰客戶，供其做出規劃和目標選擇決策，并分發給更廣泛的情報部門，供其進一步分析，并最終納入情報云，供未來利用。

如圖 6 所示，要在情報分析和 ISR 任務分配中采用這種大數據解決方案，還要求美國空軍情報部門在今后的人員選擇上有更大的考慮。迄今為止，除了情報軍官和士兵外，情報部門還接受了許多科學領域的專家。為了使大數據在未來發揮作用，美國空軍情報企業必須吸納數據科學家、計算機程序員和具有賽博領域專業知識的社會科學家，以理解我們所獲取數據的性質，并有效分析賽博領域的運行環境。

圖 6. 機載情報、監視和偵察兵力模型。

結論

套用一句老話，你可能對大數據不感興趣，但大數據對你感興趣。大數據塑造了現代信息環境，通過信息共享和訪問云，大數據已經在徹底改變分析人員獲取和解讀數據的方式。對手利用復雜的賽博環境招募人員、影響民眾，并以只有通過大數據解決方案才能發現的方式對美國利益實施攻擊。收集和存儲原始數據的能力不斷超越處理所收集數據的能力，這意味著在龐大的信息數據庫中，很可能已經有了情報客戶今天提出的問題和明天將提出的問題的答案。如果沒有大數據解決方案來管理不斷收集的數據和信息，并迅速將其提供給 ISR 規劃人員，以促進更智能、更及時的收集工作，美國空軍情報部門將面臨信息過載，導致決策癱瘓。在正確的時間向正確的客戶提供正確的信息意味著重新思考 ISR 規劃，并采用大數據解決方案來應對面臨的 ISR 挑戰。

未來戰爭的勝利將越來越取決于哪一方能最迅速地從數據中收集戰略洞察力，并能在實時作戰條件下從總部、戰術邊緣和整個作戰空間部署這些洞察力。如果軍方不能基于安全的數據架構緊急轉變集成和分發信息的能力，美國及其盟國就可能在對手發展自身能力時喪失威懾或贏得潛在沖突的能力。

引言

"如果我能擁有戰場上的數據，那么我就領先了五步，"前美國空軍少將羅伯特-惠勒說，他是本文采訪的北約和 "五眼 "國家的幾位領導人之一。"我需要這些數據的及時性、準確性，我需要這些數據貫穿整個戰場"。

然而，美國軍方及其在北約和 "五眼 "中的盟友還沒有足夠迅速地提供這些基本能力。隨著數據科學、傳感器、自主資產和人工智能（AI）革命的不斷深入，失去決策優勢的風險成倍增加。隨著數據源迅速激增，敏捷的軟件和集成的信息交付系統（如數據結構架構）將改變威懾力量，并為最快部署最佳數據的兵力創造決定性優勢。唯一的問題是誰能搶占這一戰略制高點。

轉型的步伐令人生畏。包括俄羅斯在內的其他國家繼續大力投資于新興技術和顛覆性技術。在某些領域，如電子戰、面部識別和某些 IT 硬件，它們可能正在形成有意義的優勢。事實上，許多觀察家認為，北約盟國傳統上相對于潛在對手的能力差距可能正在縮小。隨著使用企業級生成式人工智能來發掘洞察力和強化決策優勢的發展，對強大的數據結構的需求將變得越來越重要，以管理正在傳播的各類數據。

雖然軍事硬件和訓練有素的部隊仍然必不可少，但國防官員必須擴大對戰機、艦船和火炮的關注，將數據處理、分析、管理和部署方面的優勢作為衡量戰備狀態的關鍵指標。當信息以光速流動時，許多現有的指揮和控制系統都顯得過于遲緩，無法收集和傳遞相關數據，從而識別和消除新出現的威脅。

惠勒警告說："如果我們要與大國對抗，今天就需要在新一代能力上實現顛覆性的飛躍。未來的網絡必須整合所有軍種和盟國的武器平臺，從太空到海底，并 "在移動中近乎實時地發現、固定、跟蹤、瞄準和摧毀多個目標"。

烏克蘭沖突表明，一支靈活的軍隊如何利用商用衛星通信、移動互聯網塔、低成本無人機、手機視頻和開源軟件，相對無縫地融合數據，實施精確的作戰行動。烏克蘭能夠迅速開發出數據驅動的作戰資產，但要在多個大型軍事機構中復制這一成功將是一項更大的工作。德國國防部參謀長尼科-蘭格（Nico Lange）說："大多數北約國家可能需要 10 年左右的時間才能取得類似的進展，而且價格要高出 10 倍，功能也更少"。德國國防部參謀長尼科-蘭格（Nico Lange）說："到 2022 年，大多數北約國家可能需要 10 年左右的時間才能取得類似的進展，而所需的費用是現在的 10 倍，功能也更少"。

為了加快發展數據驅動作戰的專業技術，并與商業世界的技術進步速度相匹配，國防組織必須摒棄國防工業中常見的 "不是在這里發明的 "思維模式，加強合作。保密和安全仍然至關重要，但軍事領導人可以從私營部門的數據管理和數字創新中獲得啟發，因為私營部門的公司在競爭和快速迭代中發展壯大。

工業界也可以發揮作用，因為承包商和開發商可以做得更多，以提高所收集的各種數據類型（包括元數據）的互操作性。就一些基本標準達成一致，可以幫助國防機構迅速提高數據的實用性，因為很多數據并沒有得到有效利用。

從數據中收集、清理、保護和提取重要信息是一項艱巨的工作，即使在和平時期，在多個國家和大洲之間共享數據也是一項挑戰，而且這些系統需要在作戰條件下運行，在這種情況下，正常的通信網絡和云訪問將受到阻礙。

美國及其盟國如何迅速采取行動，創造可持續的決策優勢？關鍵步驟包括以下幾點：

• 為數據管理、架構、部署和使用制定共同的總體戰略。這就要求美軍及其盟友更早、更愿意進行持續溝通與合作，以發展真正的互操作性。

• 建立一個包括工業界在內的盟國聯合工作組，重點關注數據系統集成，該工作組可快速開發一個全面的數據架構，以管理與美軍聯合全域指揮與控制（JADC2）/多域集成計劃相一致的多域行動。

• 建立數據集成標準，以混合云和數據結構技術為基礎，使用向后兼容并可廣泛訪問的動態數據架構。這很可能需要轉向軟件即服務（SaaS）模式，使用更多現成的硬件，并減少對專用內置軟件的依賴。

• 從小型系統開始，逐步擴大規模，而不是部署需要數年時間的巨型復雜系統。采用私營部門使用的 "最小可行產品 "模式，加快新系統的測試，然后再擴大規模。

• 考慮新的招聘和入職方案，旨在吸引頂級 IT 人才加入軍隊，將數據集成的高層次愿景轉化為實地現實。

• 在尊重國家利益的前提下，有目的地利用私營部門的創新和資源。

• 鼓勵企業以更加開放的態度允許員工在專門時段與政府國防機構合作。

要實現所有這些目標是一項艱巨的挑戰，但在這個危險的世界里，別無選擇，因為對手近在咫尺，敵人也是不可預測的非對稱的。雖然數據對國防戰略的每個階段（從規劃、戰備到威懾）都至關重要，但本文主要關注的是利用數據結構架構將正確的數據從指揮員那里傳遞到戰術邊緣，從而創造決策優勢的必要性、機遇和挑戰。

規劃不確定的未來

自 "9-11"襲擊事件以來的二十年間，美國及其北約盟國主要關注阿富汗和伊拉克等戰區的反叛亂行動。位于柏林的德國國防部賽博/IT 總監兼首席信息官邁克爾-維特（Michael Vetter）中將說："因此，在長達 20 多年的時間里，我們對指揮與控制的投資不足"。

烏克蘭戰爭讓許多人看到了擁有先進武器的軍隊之間突然爆發常規戰爭的可能性。在不斷變化的地緣政治環境中，盟國的國防機構已迅速開始適應新的現實，為與資源充足、技術先進的同級或近似同級競爭對手的潛在沖突做好準備，這些競爭對手也擁有頂級武器和復雜的數據能力。

五角大樓和北約認識到這一不斷變化的戰略格局，已將信息領域確定為常規戰爭的下一個戰場。戰爭規劃者現在認識到，先進的處理和數據分析能力，以及將數據迅速傳遞到邊緣的能力，可以在沖突發生時產生決策優勢。

為了反映這種新思維，五角大樓于 2022 年 3 月制定了聯合全域指揮與控制（JADC2）框架。五角大樓將 JADC2 定義為 "作戰需要 "和 "一種發展作戰能力的方法，以便在戰爭的各個層次和階段、跨所有領域并與合作伙伴一起感知、理解和行動，以相關速度提供信息優勢"。盟國也制定了具有類似目標的計劃。

然而，要利用先進的信息技術實現決策優勢，需要更高水平的跨系統互操作性、更強大的數據共享和冗余，以確保網絡在戰斗中受到破壞后仍能提供數據。惠勒少將說："能夠以非傳統的方式擁有戰場上的數據，即使在網絡遭到破壞的情況下，邊緣處理也是安全的......這才是我們需要努力的方向"。

實施這樣的戰略需要軍隊文化和思維方式的重大轉變。

反思戰爭與威懾

需要制定各軍種的共同標準，使美軍與北約和 "五眼 "盟友保持一致，這對大型組織來說是一個巨大的考驗，因為傳統上，這些組織一直在創造自己的技術解決方案，以解決各自認為是軍種特有的問題。

目前，美國陸軍推出了 "融合項目"，海軍宣布了 "超配項目"，空軍授予了 "先進作戰管理系統"（ABMS）合同，而海軍陸戰隊則在其最新的 "兵力設計2030 "更新中承認，該軍種的傳統指揮控制系統已經癱瘓，需要進行現代化改造。

雖然大家都知道戰斗機飛行員的需求與潛艇指揮官的需求不同，但系統間互操作性的需求只會越來越重要。美國政府問責局（GAO）最近的一項研究指出，國防部尚未準確確定實現其 JADC2 愿景所需的現有和未來預期能力，并且正在確定各種實施挑戰。

各軍種需要從注重以硬件為中心的解決方案轉向采用 "軟件即服務"（Software as a Service）模式的升級，以鼓勵數據共享和互操作性達到新的水平，并能以最快的速度執行任務。在與國防專家的訪談中，一個反復出現的主題是，如果各軍種或北約盟國在開發數據架構時各自為政，那么即插即用的互操作性系統就無法立足。

前 INDOPACOM 情報總監 William Metts 海軍少將（已退役）說："核心挑戰是在各軍種之間以及與合作伙伴和盟國之間建立真正的互操作性。我們往往利用不同的 IT 通信網絡開展行動，而這些通信網絡在歷史上并不容易實現信息共享"。

Metts 說，軍方需要考慮利用私營企業率先進行的技術創新，快速整合各部門和合作伙伴的數據。美國太平洋艦隊海上行動后備主任、前海軍信息戰系統司令部總工程師埃里克-魯滕伯格少將說，在最初的迭代中，許多軍種都把重點放在了 JADC2 的通信部分。我們花了大約兩年時間才明白，重要的不是網絡，而是通過網絡傳輸的1和0--數據。

此外，要在信息技術的基礎上實現軍事優勢，就需要一種新型的數據架構，在這種架構中，可以對存放在不同地點和格式中的數據進行清理、篩選和分發，同時保持所需的安全分類。同樣，以數據為中心的能力要求通過虛擬化實現邊緣冗余，以克服作戰期間可能發生的網絡中斷。在以數據為中心的防御系統中，靈活性、彈性、速度和機動性很可能被證明是決定性的。

"這就是數據結構至關重要的原因，"Ruttenberg 說。"因為這不僅將推動我們所需的網絡彈性，還將推動我們如何開發和交付網絡上的應用程序。

雖然開發共享數據架構的時間很短，但人們越來越意識到，西方盟國需要一個安全的數據結構架構，它可以連接多個超標量器和內部中心的多種數據源，采用多種數據格式，同時控制訪問、保護機密和維護主權。

維特中將說："數據是一種戰略資源，我們需要真正行動起來，更好地利用組織內的所有數據。我們必須找到將結構化和非結構化數據整合在一起的工具，我們需要提供共同的作戰畫面，特別是在北約層面，以協調聯合行動。這將是向前邁出的一大步"。

什么是數據結構？

數據結構是一種架構框架，旨在為企業內不同系統、平臺和數據源提供統一一致的數據視圖。它的重點是創建一個集中的數據層，將各種數據孤島連接起來，實現企業內部大規模的無縫數據訪問和集成。

數據結構將傳統系統、數據湖、數據倉庫、SQL 數據庫和應用程序中的數據整合在一起，提供從各種數據源創建的整體視圖。

數據結構的一些主要特征包括以下幾點：

• 采用虛擬化技術對底層數據源進行抽象，為訪問和查詢數據提供統一的界面。

• 通過建立連接、轉換數據格式和確保數據一致性來整合不同的數據源。

• 管理機制，確保整個組織的數據質量、安全性和合規性。

• 可觀察性，包括管理數據工作流、數據管道和數據轉換的工具和流程。

陸軍指揮、控制、通信-戰術（PEO C3T）項目執行官羅布-柯林斯少將這樣描述數據結構： "我們必須確保我們已經有了一個可以接收所有數據的結構，確保數據是可理解的、可互操作的、可信的。然后，在另一端，我們必須確保它是可發現的。我們現在正試圖轉向一個更加聯合的數據環境。你可以發現數據，你可以根據對數據的需求交換數據，你還可以闡明和標記屬性級別的數據"。

不斷變化的任務的成功因素

新出現的以數據為中心的作戰模式將要求五角大樓改變長期以來的作戰方法。

退役空軍少將布賴恩-德拉維斯（Brian Dravis）曾擔任國防信息系統局（DISA）高級領導和五角大樓聯合服務提供商組織主任，他指出，傳統上，存儲和歸檔數據被認為是運營成本，而不是戰略資產。他說："從字面上看，數據與其說是資產，不如說是負債。因為大量的舊數據必須存儲和歸檔在服務器群中，而服務器群需要電力來保持冷卻，需要人員來維護設施，還需要協議來確保數據的安全，即使其中很多數據從未被實際使用過"。

相比之下，今天的愿望 "是將其顛倒過來"，Dravis 說，"利用機器學習、人工智能、自動化等快速發展的屬性來利用數據中的洞察力，讓你能夠真正將其用于決策優勢"。這種轉型的挑戰是巨大的。"從一個簡直就是成本中心的巨大錨點，轉變為一個你有高度信心的、可獲得決策優勢的屬性，這不是一件小事"。

創建一個統一的、可互操作的數據架構還將使軍事部門能夠真正利用其已經從結構化和非結構化數據源中收集到的大量數據，并創建治理工具以確保所分析的數據準確無誤。

專家表示，按照目前的配置，絕大多數數據都無法充分挖掘其意義。德拉維斯說："如果超過 90% 的數據，尤其是非結構化數據，不能為面臨戰略和作戰決策的指揮官提供價值，我也不會感到驚訝。"我們需要比敵人更快地做出正確決策"。

同樣，美國各軍種之間以及美國與其盟國之間分類系統的差異也會成為真正實現互操作性的障礙。

英國國防部首席數據架構師蒂莫西-羅賓遜博士說，英國也面臨著同樣的挑戰。各部門各自為政，在改變流程以提高互操作性方面 "非常規避風險"。他說："我們的數據雜亂而復雜，無法快速提供給用戶。互操作性并不一定被視為優先事項，因為 "人們只是不想讓數據脫離他們的控制范圍"。

為了更好地分析收集到的大量數據，這些服務將越來越依賴于機器學習和先進的人工智能系統。但專家指出，要確保分析的數據可靠、真實、準確，還需要額外的步驟，因此還需要新的數據治理和梳理標準。德拉維斯說："你需要保證數據的真實性，這些數據為機器學習提供了依據，因此也為人工智能和自動化帶來了決策優勢。"數據出處經常被忽視，但它正變得越來越重要。

實施這些新的數據要求將需要另一種思維方式的轉變：從通過硬件更新操作、加密和分類系統的系統轉變為可通過軟件定義和更新的系統，就像特斯拉電動汽車的運行軟件通過Wi-Fi無線更新一樣。向后和向前兼容的開放式任務軟件能以更低的成本更快地更新指揮和武器系統。

將與盟友更緊密地合作

烏克蘭沖突也強化了美國國防兵力必須與北約和 "五眼 "伙伴更緊密合作的理念。然而，有關數據共享和互操作數據架構，甚至在盟國之間采用共同的數據定義等問題尚未完全解決。

北約下一代建模和模擬部門項目主管斯蒂芬-納爾遜少校指出，并非所有北約國家都同意為地中海和黑海之間的大片海域采用一套通用的地形名稱。"他問道："我們能否開發一個所有 31 個國家，甚至可能是 32 個國家都能同意的地形數據模型？

此外，雖然歐洲國家可以共享有關潛在敵方（即所謂的 "紅隊"）威脅的數據，但 "各國在共享藍隊信息方面也是心懷嫉妒的。因此，我們對藍隊數據的實際了解可能比對紅隊數據的了解要少。

在組織全面的多領域方法時，"你必須擁有雙向流動的數據，"納爾遜說，"因此，你將看到北約 和其他盟國可以訪問北約的數據，但這不是一個雙向的大門。他們只會提供這么多的反饋"。

歐洲領導人迫切希望與美國在創建深度數據互操作性方面的努力保持一致，但同時也必須采取措施加強內部運作。

維特將軍解釋說："在德國，互操作性是我們的首要任務之一，在數據和數據標準方面，我們是北約內部聯合任務網絡方法最直言不諱的倡導者之一，以確保我們有標準、有協議，即使我們在不同的信息系統上運行，也能協同工作和共享信息"。

維特認為，德國國防軍在決策和實施新的數據管理架構方面可以更加靈活，因為他們缺乏美軍那樣的規模。

然而，"一旦美國人決定采用通用架構，并就實施計劃達成一致，我們會驚訝地發現他們會如此迅速地完成這項工作。美國的機器需要一些時間才能運轉起來。但當它開始運轉時，你最好別擋道"。

荷蘭空軍負責信息驅動決策的副主任塔利塔-博恩上校說，雖然荷蘭兵力贊同數據融合架構可實現多領域權威決策的想法，但必須在基礎信息骨干網以及管理北約盟國的思維模式方面進行更多投資。"我們需要北約的認知主導地位。我們需要全面投資于信息整合，"她說，"合理的倡議正在路上，但我們還有很長的路要走"。

從概念到實施

博恩上校指出，烏克蘭沖突凸顯了北約成員國需要加大投入，以解決自身數據架構管理方面的不足，即使他們正在等待美國軍方給出更統一的定義。

荷蘭軍方正在投入巨資加強其數據骨干網，并進一步整合以前分散的數據流，但同時也認識到必須遵循美國五角大樓最終確定的數據架構。"我們不能對此視而不見，"她說。"很明顯，我們必須在某些方面追隨美國，因為我們的武器系統在很大程度上來自美國。因此，你不能忽視擁抱F-35可能性的機會，而只有美國人才有這個能力。"

在接受采訪的數據專家中，越來越多的人認識到，將關鍵任務數據傳送到邊緣將需要數據虛擬化和冗余通信網絡，甚至在更傳統的基于云的網絡中斷時使用 5G 或 6G 技術。但有些人擔心，服務部門是否擁有幫助建立這些系統所需的人才。

英國國防部的羅賓遜（Robinson）擔心，軍方自己的信息技術服務部門確實缺乏技術技能，這將使英國政府難以真正實現高級指揮層所闡述的數據共享的烏托邦愿景。他說："我們的薪酬無法與私營部門相提并論，因此我們無法招到最優秀的人才，而那些訓練有素的人員往往在很短的時間內就被調往其他部門"。

許多人還表達了傳統的抱怨，即軍方獲取新技術的方式阻礙了他們保持尖端技術的能力。德拉維斯說："國防部沒有風險投資家。五角大樓需要找到一種方法來迭代和測試新概念，而不必通過所有安全方面的開發障礙"。

惠勒少將指出，除了五角大樓內部缺乏數據工程人才來實施圍繞數據架構的新模式外，必須批準采購的采購官員也缺乏足夠的技術背景。他指出："采購人員沒有使用這些系統的操作經驗。"當采購人員不了解如何使用這些系統時，就會出現問題"。

當涉及到數據結構時，情況尤其如此，人們越來越清楚地認識到，數據結構是一種基礎數據架構，可以快速傳播關鍵任務數據。

MOD 的羅賓遜說："我將其定義為'數據價值時間'"。

"這是指能夠更快地獲得所需的數據，并更快地將其移動。但這意味著你必須建立管道來實現這一點，而且你必須能夠快速建立這些管道，這意味著開發低代碼解決方案和數據可視化"。

在新的世界里，互操作性、復原力、移動性和快速決策正在成為遏制沖突的 "必備 "資產，專家們一致認為，多域數據結構架構與提供多級安全協議的分發系統相結合，可以迅速改善邊緣的數據狀況。當已經部署的先進商業技術適應軍方的安全需求時，這種靈活的新架構還能節省成本。

雖然軍方必須直接面對快速建立更強互操作性的需求，但其在國防、通信和 IT 行業的私營部門合作伙伴也應采取更具體的措施，降低超大規模系統之間以及各種軟件數據庫和操作套件之間的數據共享障礙。

惠勒少將說，"這一系列復雜的系統 "要求你改變經營方式"，"但是，我們生存和防止下一場戰斗的唯一方法，就是擁有這些結構，希望永遠不必再戰--如果我們不得不戰，那就打贏它。因此，這并不是什么未來主義。它只是讓人們一起去理解它"。

行動呼吁

為加快真正的數據互操作性并在戰術邊緣實現決策優勢，美國及其北約和 "五眼 "盟國的國防官員應考慮以下幾點：

• 像對待任何武器系統一樣認真對待數據。建立 "數據官 "分類，與武器控制官的職責相一致。

• 優先考慮建立聯合數據兵力，以建立統一的數據架構，管理美國及其北約和 "五眼 "盟國的多域行動。

• 召集一個軍民工作組，與包括云計算提供商和軟件公司在內的主要 IT 合作伙伴合作，制定互操作性標準，以便在使用商業技術的同時加快數據共享，同時保持必要的加密和數據安全原則。

• 更加重視數據管理和可靠性問題。隨著圍繞人工智能的討論將不可避免地加速，確保所有數據源真實可靠的需求也將加速。

通信網絡在軍事行動中的重要性與日俱增，時間緊迫的目標定位、秘密特種作戰、指揮與控制、訓練和后勤等任務領域都在很大程度上依賴于通信網絡及其服務。另一方面，商業通信也極大地改變了我們的社會和通信方式。目前最新的網絡模式--5G 及超5G（5GB），具有高速度、低延遲、高可靠性和高通信密度的特點。雖然國防機構使用 5GB 商業網絡可以提供更大的靈活性和效率，但也面臨著新的挑戰，即需要高標準的網絡保護和苛刻的工作條件和環境。在本文中，我們將討論通信網絡在幾種潛在軍事應用中的重要性，特別是在戰爭、訓練、后勤和特殊任務站中的應用。我們介紹了軍事應用中采用的通信趨勢。然后，我們介紹了各種 5GB 關鍵性能指標及其在軍事通信系統中的使用案例。我們還闡述了軍事通信網絡所面臨的獨特挑戰，這些挑戰不太可能通過商業5GB 研究來解決。我們還討論了用于軍事通信系統的各種 5GB 使能技術。最后，我們介紹并分析了用于 C 波段專用軍事通信的 5GB 新型無線電。

引言

當今世界，及時獲取信息已成為實現軍事目標的關鍵環節。無線通信網絡是及時傳遞準確無誤信息、促進軍事行動高效順利進行的重要手段，也是影響作戰能力的主要組成部分之一[1]。通信系統和網絡應用在軍事行動中發揮著越來越重要的作用，時間緊迫的目標定位、隱蔽的特種作戰、指揮與控制（C2）、訓練和后勤等任務式領域都非常依賴于它們的大容量接入、高機動性互聯和穩健傳輸。典型的軍事通信使用異構無線通信技術，如圖 1 所示，可分為四種場景[2]。

• 第一種場景是戰爭場景，描述的是進攻/防御環境下的實際作戰指揮情況。C2 信息和語音通信在營、旅和部隊各級之間不斷消散。該場景包括艦船、飛機和車輛的動態聯網，以及發射平臺和移動/便攜式通信設備，這些設備需要移動性、廣覆蓋、安全性、互聯性以及與第三方應用平臺的連接。

• 第二種場景是訓練/演習場景，通過作戰、艦船、飛機和車輛開展演習訓練活動。它由配備真實或虛擬/增強現實應用的固定和移動訓練基地組成，為戰斗提供演習指導。在這一場景中，需要大容量、廣覆蓋和更高數據傳輸速率的固定和移動網絡相結合，以支持每平方米大量用戶、大量小尺寸數據包，并幫助收集遠程數據/視頻/語音。

• 第三種場景是后勤保障，由軍隊組織實施物資、裝備、資源和資金的分配，以及包括數字軍營固定網絡在內的各種服務。它主要包括固定或移動通信網絡上的數據、語音和視頻等基本通信。數字軍營的商業網絡和車輛/船舶的一般連接也屬于這一類。

• 第四種場景是特殊安裝場景，即執行各種軍事任務的特定網絡安裝平臺。聯網方式包括固定和移動綜合連接，需要在現有平臺上建立一個特殊網絡，以解決通信問題。它包括中繼站、作為基站的無人駕駛飛行器（UAV），以及任何其他可利用現有商業通信提升網絡性能的接入點。

圖 1. 軍事無線通信場景。

基于上述四種情況，軍事領域的通信可根據通信類型、組件、應用、最終用戶和國家進一步劃分為各種類型，如表 1 所示[3]。軍事應用對通信的基本要求是在固定和移動網絡平臺上建立快速、準確、保密和不間斷的通信網絡。新興的 5GB 網絡技術在支持國防網絡方面大有可為，其增強的通信和網絡功能可大大提高吞吐量、降低延遲、提高能效并降低成本，從而滿足許多軍事應用場合的需求。互聯或自動化設備，包括智能軍事基地/總部、自動駕駛車輛、精確訓練/演習系統、戰爭機器和精密機器人，都可能受益于 5GB 技術。此外，軍事領域的 5GB 技術可能會促進情報、監視和偵察系統及處理，并允許采用新的 C2 方法和簡化后勤系統以提高效率[4]。然而，商用 5GB 通信系統與國防 5GB 通信系統之間存在著重大差異。國防網絡缺乏廣域固定基礎設施，包括集中的資源和干擾管理設計，無法在網絡拓撲不斷變化、電磁環境復雜、傳播條件具有挑戰性的環境下支持服務。

表 1 軍事通信類型

在本文中，我們詳細介紹了用于軍事應用的 5GB 通信技術，并討論了早先移動連接創新和發展的主要兵力，如今在無線通信行業中所占的比重如何大大降低。主要貢獻概述如下：

• 我們根據軍事通信需求設計了三種典型的 5GB 應用場景。

• 我們合理解釋了軍事通信技術中峰值數據速率的下降趨勢。

• 根據軍事任務和行動的不同優先級，將 5GB 的性能指標定義為不同類別。

• 我們分析了 5GB 支持的各種關鍵技術及其在軍事通信場景中的獨特應用挑戰。

• 我們闡述了 5GB 使能技術及其在軍事通信中的可能應用和未來研究方向。

• 我們介紹了用于專用軍事通信的新型 C 波段 5G 新無線電，并分析了其在公平性約束下的性能。

本文其余部分的結構如下。第二節介紹了軍事通信系統的技術發展趨勢。第三節討論軍事通信的關鍵性能要求。第四節介紹 VGB 技術及其在軍事領域的應用案例。第五節列出并討論了軍事通信中的各種通信和安全挑戰。第六節介紹軍事通信的關鍵技術推動因素和研究方向。第七節從 5G NR-U 軍事專網的角度展開。最后，第八節對本文進行總結。

技術趨勢

從互聯網到蜂窩通信的不同領域，今天的大多數技術創新都源于早幾個世紀國防資助的技術。然而，現在越來越多的人認為，軍事需求不再是推動通信技術進步的主要動力。根據美國研究與發展公司 1999 年的研究[5]，美國軍方市場僅占美國信息技術總需求的 2%，低于 1975 年的 25%，而且此后的趨勢還在加快。此外，如圖 2 所示，2010 年的一份報告[6]、[7]、[8] 強調了美國國防部（DoD）影響力的下降。從圖中不難看出，目前商業通信技術正在推動通信技術的發展。商業技術的快速發展不僅局限于無線數據傳輸速率，還涉及移動速度、密度、可靠性、安全性、魯棒性等多個方面。

圖 2. 商用蜂窩技術正在超越其專有技術 [6]、[7]、[8]。

商業無線技術的最大推動力是集電話和計算功能于一體的智能手機的問世。移動中輕松上網和處理多媒體數據的功能為蜂窩通信帶來了巨大的沖擊[7]。除技術進步外，商業技術發展的日新月異也可以從一些商業統計數據中看出，如政府和私人（三星、Version、中興、蘋果、高通等）在信息和通信技術（ICT）研發方面的巨額投資。2012 年，全球在信息和通信技術方面的投資約為 2 791 億美元，僅美國就投資了 1 485 億美元，而美國國防部則花費了 3.85 億美元[9]、[10]。

因此，在某些一般情況下（如后勤場景），軍用手機技術（如商用智能手機）被原封不動地使用，而在其他情況下，由于安全問題，手機的直接改裝和使用被嚴格禁止。不過，制造商會根據使用情況的獨特需求定制設備（以提高耐用性）。專用設備中也使用了蜂窩長期演進（LTE）商用芯片組[11]。如文獻[12]所述，已經對 5G 技術及其潛在軍事應用進行了技術評估研究。技術報告[12]包括

• 為北約利益相關方提供知情的技術意見和建議；

• 確定 5G 技術和 5G 基礎設施的軍事應用機會；

• 制定初步的 5G 軍事參考方案，并提供支持理由；

• 為與利益相關方的后續討論提供結論和建議；

目前，各種形式的跨代通信正處于實驗驗證和演示階段，如超寬帶通信、光通信、空間通信、太赫茲連接和量子通信[13]、[14]。表 2 列出了在 12 個美國軍事設施作為試驗床進行的 5G 應用測試和實驗的初始階段[4]。2020 年 9 月 18 日，國防部提交了一份信息請求，以更好地了解 5GB 技術中的動態頻譜共享。2022 財年，國防部為 5G 和微電子技術申請了 3.74 億美元，2021 財年批準了 4.39 億美元用于 5G 技術。隨著空間通信和智能通信技術的出現，軍事通信正朝著寬帶、集成和軟件技術方向發展。根據全球數據[15]的市場分析，在 2021 年至 2028 年的預測時間段內，軍事通信市場預計將以 11.54% 的速度增長。這一增長主要受軍事戰術通信創新需求的推動，到2021年，全球軍事戰術通信創新的價值將達到1510億美元。

表 2 美國 5GB 軍事設施和測試平臺

軍事通信的關鍵性能要求

軍事通信網絡是決定作戰能力的重要組成部分之一，是確保有效和無縫執行軍事行動的重要途徑。軍事通信必須滿足基本標準：必須快速、準確、隱蔽和不間斷。表 3 從優先級、可用性、延遲、可靠性、用戶速率、移動性、連接密度、安全分類和能效八個方面總結了軍事應用的關鍵性能指標。這些 KPI 目標值，如軍事通信系統的可靠性達到 5 個 9，是由于在具有挑戰性的關鍵任務場景中需要高度可靠和彈性的通信能力。此外，實現通信的高可靠性會對系統設計產生重大影響，因為需要考慮幾個關鍵方面，如冗余和多樣性、穩健的基礎設施、可擴展性和靈活性、快速恢復和復原以及互操作性。詳細說明如下：

表 3 軍事通信系統的關鍵性能指標

A. 優先事項

軍事任務既包括基本通信服務，如消息、數據、語音和視頻，也包括關鍵服務通信，如作戰設備、車輛、機器人等觸覺操作中的 C2 通信。因此，應根據軍事任務的重要性確定網絡資源調度的優先級。而且，必須根據任務進展或作戰情況實時動態地改變優先級。軍事通信可分為高、中、低三類，分別用于戰爭實時對抗活動、訓練活動和后勤裝備保障任務。

B. 可用性

軍事通信被歸類為關鍵通信，因此網絡的高可用性至關重要。在任何特定地點，正常運行時間都應達到 99.9999%。確保基站（如冗余骨干單元）、回程（如用衛星取代光纖作為回程）和核心網絡高可用性的技術必須采用高冗余方案和自主邊緣設計。

C. 延遲

數據包到達目的地所需的時間是軍事應用中最重要的問題之一。當設備需要進行近乎實時的通信時，延遲會產生很大的影響（如物理或虛擬現實）。在軍事應用中，端到端延遲的目標是 1 毫秒，即從終端發送數據到另一端接收數據之間的時間（即傳輸、處理、排隊和傳播）。此外，無人機器人/作戰平臺的遠程控制和操作服務要求延遲時間小于 1 毫秒 [2]、[16]、[17]。

D. 可靠性

安全通信和警報系統是任務關鍵技術的范例，需要持續、可靠的連接。這些應用中的 C2 通信必須由可信度極高的鏈路提供支持。網絡應為各種特定情況和功能下的特定軍事活動提供可信服務，并在軍事活動的整個執行過程中評估網絡的可信度。通信技術應為武器打擊提供 99.999% 的可靠性，為指揮與控制提供 99.9% 的可靠性，為服務支持提供 99% 的可靠性。

E. 機動性

軍事通信需要支持從低速到高速的移動設備，如飛機、艦船和陸地戰車。在規定的服務質量（QoS）和無縫傳輸條件下，必須支持的最高速度為：最高時速大于 200 公里，中等時速為 2 至 200 公里，最低時速的獲取設備和車輛小于 2 公里。

F. 數據傳輸速率

軍事通信的用戶是作戰人員的設備、人員身體區域網絡、雷達、導彈、傳感器和其他武器設備。在特定條件和環境下，網絡的峰值數據傳輸速率可達每秒 20 千兆比特[2]。

G. 設備密度

單位面積可容納的最大設備數量稱為設備密度。軍事應用包括在戰場或作戰體區網絡中分布和互聯的大量傳感器，這些傳感器應保持特定的服務質量水平。因此，必須支持高密度區域內每平方公里 104 個設備的連接密度。同樣，在中密度和低密度部署區，每平方公里的連接密度分別為 100-104 個和少于 100 個。

H. 安全

它描述了軍事應用的安全級別。在物理網絡中，服務根據其安全級別進行邏輯隔離。機密、秘密和不安全是三個安全級別，分別獲得軍事服務中定義的高、中、低安全級別位置。

I. 能源效率

軍事任務一般包括離岸行動、登陸行動和遠離指揮所的控制行動。終端設備及其網絡應盡可能保持單位能耗可傳輸和檢索的信息量。一般來說，與戰場和一般遠程控制操作相比，武器中的傳感器需要較高的能效。

軍事通信的其他關鍵性能指標包括網絡訪問時間、低攔截概率、電子設備的魯棒性以及自組織、自修復和動態資源管理等網絡管理能力。除網絡性能要求外，國防網絡還需要針對陸基、空基和水基通信系統所采用的不同設計和技術系統進行架構優化。此外，每個架構都應進一步優化為低空平臺（LAP）、中空平臺（MAP）和高空平臺（HAP）等子級別，其中包括各種設備類型、獨特功能以及不同級別之間缺乏兼容性等問題。相比之下，人們希望網絡架構能利用聯合學習等機器學習技術提供更大的自主支持，這有助于根據部署場景自主組織網絡參數。抗干擾性對軍事至關重要，因為入侵者在戰爭中會使用無線電干擾方法來干擾軍事通信。波束成形和大規模多輸入多輸出（mMIMO）的抗干擾能力有待進一步研究。服務隔離是另一個重要特性，有助于國防網絡設備的運行，不受其他設備活動和/或基礎設施/服務提供商不請自來的任何直接或間接影響。這種隔離可以是資源層面的，也可以是管理層面的，可以在無線電層面為各種應用實現不同的子載波或分離的無線電資源塊。最后，成本并不是軍事通信的關鍵問題，但網絡基礎設施的資本支出（CAPEX）和運營支出（OPEX）成本必須降低到較低水平。

5G 技術及其在軍事通信中的應用案例

5GB 無線通信改變了蜂窩技術的功能，而不僅僅是像前幾代那樣提高數據傳輸速率和擴大覆蓋范圍。5GB 通信系統的主要目標包括：每秒 1 至 20 千兆比特的吞吐量；小于 1 毫秒的延遲；1000 個連接設備和單位面積 1000 倍的帶寬；超高速的大規模連接；99.999% 的可用性；100% 的覆蓋率；卓越的能源經濟性--能耗最多可降低 90%，機器類通信的電池壽命最長可達 10 年[19]。第三代合作伙伴計劃（3GPP）正積極致力于通過徹底改變蜂窩網絡的構建方式、可連接的節點、使用的工作頻率以及發揮的功能來實現 5G。智能交通、汽車、醫療、工業、農業、物流、能源、衛星、海事等領域的政府和私營部門將從中受益匪淺。表 4 比較了 4G、5G 和 6G 蜂窩通信支持的功能。

表 4 4G、5G 和 6G 蜂窩通信的比較 [18]

一般來說，5GB 應用分為三類：增強型移動寬帶（eMBB）、海量機器類型通信（mMTC）和超可靠低延遲通信（URLLC）。首先，也是最重要的先決條件是 eMBB，它是 4G/LTE 向 5GB 發展的必然趨勢，可支持瀏覽速度提高 10 倍，即目標瀏覽速度將從每秒 1 千兆比特開始，下載速度將超過每秒 200 兆比特。其次，開發 mMTC 是實現物聯網（IoT）目標的必要條件，即實現日常智能小工具、汽車和工業設備的互聯。最后，URLLC 是 "關鍵任務 "應用的有用應用，這些應用需要實時收集數據，以便了解態勢和快速決策。圖 3 描述了商用 5G 的三個類別及其目標應用和一般用例。此外，不同場景對各種應用的要求也不盡相同，因此我們在表 5 中描述了基于不同場景的 5G 應用的關鍵性能要求。

表 5 與場景相關的 5G 應用關鍵性能指標

圖 3. 5GB 通信技術的潛力及其應用案例。

5GB 技術的上述概念與軍事通信在全球范圍內提供綜合多媒體服務的操作要求相似。5GB 能夠將傳感器與配備強大人工智能算法的無人機和機器人連接起來，這將帶來更快、更高效的武器，并減少參與戰爭災區的士兵人數。有了 5GB 固定無線接入 (FWA) 服務，軍方可以在沒有有線連接基礎設施的地區實現最后一英里的固定連接。毫米波、波束成形、mMIMO 和共享頻譜接入技術相結合，可在防御中實現超高速全雙工連接。此外，由于 5GB 技術可實現側向鏈路通信，因此無需使用衛星或通信中繼無人機等集中式基礎設施，即可實現戰斗機和機器之間的點對點通信。軍方內部也在爭論 5GB 技術的脆弱性、基礎設施和覆蓋范圍，但有一點是肯定的：如果沒有 5GB 通信，國防和其他領域就幾乎不可能充分挖掘大數據、人工智能和云處理所帶來的潛力。

5GB 無線網絡有望為幾乎所有可以想象到的設備帶來無處不在的連接，從而產生一系列具有不同需求的新的相關服務。例如，完全自主的戰車將需要使用各種無線通信技術來實現車對車（V2X）通信。同樣，為了實現基地/倉庫的數字化和觸覺操作中機器人活動的自動化，軍事物聯網（mIoT）將依賴于廣泛的連接、云計算資源、人工智能和大數據分析。為了向作戰人員提供定制化的精準醫療服務，移動和電子醫療將依賴于分散的模塊化架構和更好的數據保護措施，而大量的 mIoT 設備將提供大量的數據支持。然而，5G/物聯網通信架構與軍事通信架構在目標、作戰環境、網絡特性、安全性和互操作性方面仍存在巨大差距。以下是一些需要考慮的關鍵區別：

• 5GB 通信架構旨在為商業用戶提供高速、低延遲的連接，而軍事通信架構則應滿足軍事行動的特定需求。

• 5GB 網絡主要在民用環境中運行，滿足城市、郊區和農村地區預先確定的覆蓋范圍和容量要求，而軍事通信系統則在動態且往往充滿敵意的作戰環境中運行。

• 5GB 網絡采用基于云的核心網絡集中式架構，而軍用系統通常采用分布式架構以提高彈性。

• 5GB 網絡通過網絡切片和虛擬化等技術優先考慮可擴展性和高效資源分配，而軍用通信系統則強調彈性、適應性和自主聯網能力。

• 5GB 的互操作性基于標準化協議和接口，可實現商業用戶之間的無縫連接。而軍用通信系統則需要各種軍用無線電系統和設備之間的互操作性，通過互操作性標準（如聯合戰術無線電系統（JTRS））來實現。

大多數軍事服務不容易符合 eMBB、mMTC 和 URLLC 三類 5GB 用例，而這三類用例一般是根據其所需的性能質量來定義的。因此，5GB 用例不僅可以根據性能特征進一步分類，還可以根據正在發生的交互類型進一步分類：士兵之間、機器之間或士兵與機器之間。圖 4 提供了各種軍事用例的分類，涵蓋了廣泛的交互和性能劃分。這些需求表明，網絡轉型需要使用 NFV（網絡功能虛擬化）、SDN（軟件定義網絡）、MEC（多接入邊緣計算）和服務間網絡切片等技術手段，以滿足日益增長的服務需求。要實現這些目標，需要 5GB 系統設計者、用例開發者和垂直行業之間的協調。

圖 4. 軍事應用中的 5GB 用例。

軍事通信中的通信和安全挑戰

如圖 4 所示，新興的 5GB 連接，特別是對軍事而言，將不僅僅是快速連接的電話交談和快速的多媒體下載。事實上，5GB 可能會成為現實，國防指揮官稱之為 "信息層[20]"，在這里，來自視頻、音頻、傳感器、目標、監視甚至遠程武器瞄準器的數據都可以從作戰工作環境（如飛機駕駛艙或艦橋）快速、輕松地接收到。有了信息層，作戰人員有望管理和訪問遠程電器/設備、工作場所小工具、訓練儀器和計算工具，并與世界上任何地方的同行進行通信。5GB 的能力將極大地改進情報、監視和偵察（ISR），以及更快、更安全的指揮和控制，使后勤工作更加井然有序，使無人駕駛車輛更加擁擠，并使虛擬現實和增強現實技術在模擬、演習和任務式試驗中得到廣泛應用。此外，地球上任何地方的即時連接、具有空中重新瞄準功能的智能超音速武器、對戰場關鍵任務信息的大量獲取，以及可在商用空域與客機安全并肩飛行的無人戰斗機/無人機，都是 5GB 的可能性所在。

盡管 5GB 商業通信技術取得了巨大突破，其中大部分可為國防部門所用，但仍需要在 5GB 通信和網絡方面進行以軍事為重點的研究和更新。值得注意的是，軍事通信中采用的具體技術可能會根據行動的性質、信息的敏感程度以及特定時間的可用技術而有所不同。軍事組織會不斷改進其通信戰略，以應對新出現的威脅，并采用新技術來增強安全性和應變能力。以下是一些旨在保護敏感信息、防止未經授權訪問、確保可靠傳輸和保持行動有效性的技術。

• 先進的加密方法，如公鑰加密法，通常用于保護機密信息。

• 采用雙因素認證和生物測定等強大的認證方法，確保只有獲得授權的軍事人員才能訪問敏感信息。

• 軍事通信系統采用自適應波束成形、頻率敏捷性和功率控制等抗干擾技術，以減輕干擾攻擊的影響，并在具有挑戰性的環境中保持通信能力。

• 直接序列擴頻（DSSS）和跳頻擴頻（FHSS）等擴頻技術用于在寬頻帶內傳播信號，使其具有更強的抗干擾和抗干擾能力。

此外，軍事通信網絡還面臨著商業研究和創新無法解決的獨特挑戰。具體包括

• 1）商業蜂窩連接依賴于組織完善且安全的基礎設施，而另一方面，軍事部門可能需要在沒有此類基礎設施的地區進行連接。此外，通信網絡大多受到惡劣天氣和多變地形的影響。海上、空中和敵方領域的軍事通信不能依賴永久性基礎設施，也不能配備固定基站（BS）。此外，軍事通信網絡對廣域覆蓋和海、陸、空、天多域連接的需求也沒有得到商業網絡的充分考慮。

• 2）軍事通信網絡的拓撲結構隨時動態變化，不像商業網絡有集中的網絡服務，如固定的核心網絡與接入網絡。多跳網絡在軍事通信中更為常見。這種網絡的理論基礎在商業網絡中并不像只使用單跳鏈路的網絡那樣明確和成熟。

• 3）軍事通信由多個異構網絡組成，其中包括多種無線電接入技術的共存，以及在同一地理區域內運行的不同規模的小區。商業網絡也可以是多種多樣的，但它們不必應對相同程度的時間和地理變化。在動態環境中，跨異構網絡連接仍然是一個關鍵問題。

• 4）軍事通信網絡必須能夠抵御強電磁干擾，同時還能提供安全傳輸，提高保密性和可靠性。它們必須應對干擾和電子戰等敵對行動，以及計算機、傳感器、無線電等領域的新型先進商業技術激增所帶來的復雜性和先進性。

• 5）軍事通信正遭受著帶寬低且時斷時續的困擾，因為它不斷失去以前專用于軍事用途的頻譜。其中一個例子是公民寬帶無線電服務（CBRS）頻段（3550-3700MHz），該頻段以前僅由軍方和海軍使用，但現在通過采用一般授權訪問（GAA）和優先訪問許可（PAL）計劃的共享訪問方式開放給商業使用。

• 6）由于 5GB 尚不成熟，其標準、安全原則和頻譜規則仍在制定過程中，因此很難加快軍方向 5GB 的過渡。5GB 需要考慮全套設備保護、穩健的物理層、動態網絡路由、獨立于 GNSS 的網絡定時、隱藏流量模式、低檢測概率以及分散方式的網絡節點驗證。

• 7）由于 5GB 網絡將傳輸大量敏感的個人、商業和政府數據，因此將成為潛在對手的目標。對手可能會參與間諜活動，危及全球人民的隱私和權利，和/或削弱關鍵基礎設施。

• 8）要確保軍方能夠在全球 5GB 環境中執行任務十分困難，因為潛在對手試圖控制主要伙伴國的 5GB 市場，這可能使他們通過供應鏈漏洞、惡意軟件和/或內部威脅獲得未經授權的網絡和數據訪問權限。因此，對手可能會利用對 5GB 市場的控制來推進安全和外交政策目標，最終損害國家利益。

• 9）其他潛在問題 [4]：

  • 什么樣的頻譜管理策略（如頻譜共享、頻譜重新分配）既能最好地保障國防部的任務，又能滿足商業需求？

  • 盟國和伙伴國開發的 5GB 基礎設施會對本國的國家安全造成什么威脅？是否有可能控制這種風險？

  • 國家是否應該限制與使用敵國提供的 5GB 設備的國家進行情報合作？

  • 商用 5GB 技術在多大程度上容易受到對手的干擾攻擊？

  • 由于軍事 5GB 的進步或使用，是否需要修改作戰原則、兵力組織、條令或態勢？

當我們把所有這些考慮因素與更普遍公認的挑戰（如對堅固性、安全性和隱蔽性的要求）相加時，就會發現軍事通信仍然需要大量的研究和開發。盡管網絡為作戰行動提供了更大的靈活性和更高的效率，但由于需要高度的網絡安全、特殊的作戰環境和設置，網絡也帶來了一些新的挑戰。對網絡的依賴與日俱增，因此，充分理解和解決這些問題，為現有和未來的軍事通信系統提供穩健安全的基礎設施就顯得尤為重要。 由于軍隊在充滿敵意和爭議的環境中工作，5GB 系統的安全性、隱私性和可信度至關重要。由于對機密信息泄露的安全擔憂，目前在軍事領域采用現有 5G 解決方案受到限制。在此背景下，[21] 號報告研究了 2030 年軍事行動場景中與 5G 連接技術相關的網絡安全挑戰。有必要使用基于風險的框架來確保在敵對環境中使用的設備、武器系統和應用程序的 5GB 網絡的保密性、完整性和可用性。5GB 網絡中的一些威脅包括認證和密鑰協議攻擊、頻譜切分攻擊、導致欺騙的尋呼攻擊、性能下降和拒絕服務攻擊。此外，物理層安全還可通過波束成形、協同傳輸和人工噪聲注入來補充傳統的加密方案[22]。

在未來的 5GB 網絡中，將使用邊緣云計算、開放無線接入網（O-RAN）、應用編程接口（API）、基于服務的架構、物聯網和虛擬/云基礎設施，但這些都可能成為被攻擊的威脅載體，并與 DoS、中間人、隱私泄露等聯系在一起。5G 網絡核心基于網絡虛擬化技術構建，而網絡虛擬化技術嚴重依賴 HTTP 和 REST API 協議，這些協議都有可能遭到破壞。此外，對手還可能發起干擾攻擊。因此，有必要提供邏輯隔離技術和物理層保護。此外，保護設備免受冒充攻擊和中間人（MiTM）攻擊對于確保個人信息的安全也至關重要。這些風險包括身份欺騙、使用惡意基站、利用薄弱的身份驗證協議、缺乏端到端加密以及物聯網設備的漏洞。攻擊者可以冒充合法設備或用戶，截獲和篡改數據，并利用身份驗證過程中的弱點。雖然 5GB 提供了強大的加密功能，但端到端加密可能并不總能得到執行。此外，5GB 網絡中大量的物聯網設備可能會增加出現漏洞和設備受損的可能性。為應對這些風險，有必要采取強有力的安全措施，如強大的身份驗證、加密、安全網絡配置和持續監控。[23]、[24]、[25]、[26]和[27]等文章中的研究與合作對于解決新出現的威脅和 5G 網絡特有的漏洞至關重要。為了提高安全性，必須不斷用最新的操作系統和應用程序補丁更新設備。強大而獨特的密碼加上雙因素身份驗證可提供額外的防御層。連接公共 Wi-Fi 網絡時應謹慎，可使用虛擬專用網絡 (VPN) 進行加密瀏覽。驗證應用程序權限、從官方渠道下載應用程序以及警惕網絡釣魚企圖都是必不可少的預防措施。安裝信譽良好的移動安全軟件、加密設備和定期備份數據也是建議采取的措施。通過采取這些措施，用戶可以最大限度地降低移動設備遭受冒充攻擊、MiTM 攻擊和其他安全漏洞的風險。

此外，底層硬件的可信度也會對 5GB 系統的安全性產生影響。在私有 5GB 系統中，在集成來自多個供應商的 5GB 設備時，存在供應鏈安全威脅和對手威脅。軍方應確保 5GB 設備和網絡的可信度，這可以通過確保與合作伙伴和行業的密切合作來管理。他們應證實供應商遵守嚴格的監控、檢查、物理安全、操作安全和實踐指南，同時不安裝來自對手的 5GB 設備。

關鍵技術推動因素和研究方向

A. 頻譜

美國聯邦通信委員會（FCC）在拍賣 CBRS 頻譜 5GB [28]之后，正致力于釋放越來越多的頻譜供 5G 使用。在交易覆蓋范圍和容量的基礎上，FCC 將可用頻段分為低頻段、中頻段和高頻段。低頻段（1 GHz 以下）頻譜為軍事通信提供了廣闊的覆蓋范圍，在數百平方英里范圍內，單個 BS 就能為數千名用戶提供服務。另一方面，中頻段（1 GHz - 6 GHz）被認為是理想的頻段，因為它可以長距離傳輸大量數據。此外，中頻段還具有良好的抗雨能力和強大的覆蓋容量比，并采用共享頻段機制，可與傳統頻段技術共存。最后，高頻段（6 千兆赫以上）可實現超高數據傳輸速度和小距離高帶寬通信，這是自動駕駛汽車、虛擬現實以及智能基地/總部/倉庫等其他數據密集型應用所必需的。因此，軍事通信技術可以利用這些頻段及其獨特的特性來實現其任務目標 [29]，[30]。此外，多頻段操作和多頻譜共享范例可通過在 RAN 上集成/聚合所有或任何頻段來實現，這將以更低的成本提高數據的可靠性、可用性和彈性 [31]、[32]、[33]。 多種多樣的 5GB 頻段為大容量、廣覆蓋和電磁獨立的軍事系統打開了大門。

B. 國防網絡切片

網絡切片允許多個垂直部門利用共同的網絡基礎設施，同時保持完全隔離[34]。利用網絡功能虛擬化（NFV）、軟件定義網絡（SDN）和虛擬專用網絡（VPN）等技術，形成一個跨端到端（E2E）網絡基礎設施的邏輯網絡[35]。5G 有三種基本的網絡片：eMBB、mMTC 和 URLLC。eMBB 網絡片需要高流量帶寬、高密度用戶和中低移動性[36], [37], [38]。eMBB 片可以支持虛擬/增強現實（VR/AR）媒體以及軍事訓練、超高清視頻監控、軍用可穿戴設備等應用。mMTC 片包括大量聯網設備，這些設備通過無線電鏈路需要最小的吞吐量和間歇性低流量非延遲敏感數據。軍事物聯網（MIoT）是 mMTC 的用例之一，它是一個連接軍事設施、作戰設備、武器裝備和士兵的智能設備網絡。URLLC 切片要求移動場景中的數據服務具有最小延遲和高可用性 [39]，[40]。遠程控制和觸覺通信涉及近乎實時的人機（或機機）界面，是軍事網絡中的一些應用。此外，國防部（MoD）作為運營商，也可以通過相同的遠征 5GB 基礎設施為不同兵力提供軍事網絡切片，以同時滿足延遲關鍵型、可用性關鍵型和可靠性關鍵型通信的需求。網絡切片還允許軍方將商業基礎設施切片用作專用的類似于托管領土的私有基礎設施，為用于戰術的私有軍事系統提供系統級解決方案。

C. 分布式計算

移動云計算（MCC）是一種創新的移動計算系統，它結合了各種云和網絡技術的動態資源，在異構環境中通過互聯網隨時隨地為大量移動設備提供無限的能力、容量和便攜性[41], [42]。根據數據處理和數據存儲發生在移動設備之外的位置，基于云的 MCC 資源可分為四類，它們是近端固定云、近端固定計算實體、近端移動計算實體和混合云。云功能在戰術環境中最具優勢。空軍可利用戰術云來監視、管理、控制和保衛其許多航空資產。通過邊緣和云計算，空軍每周可節省數百萬美元的加油機加油費用，特別是在噴氣機在空中飛行時，通過云中更好的預測后勤服務，可節省加油機加油費用。此外，可部署的戰術云還能讓海軍和特種作戰部隊在戰術邊緣作戰時擁有更好的通信和 C2 網絡。例如，士兵可能正在執行監控任務，但當他們到達某個地點時，情況可能發生了變化，從而將行動轉變為情報、監視和偵察（ISR）任務。邊緣計算使他們能夠修改自己的邊緣設備并啟動軟件，從而在現場收集更多數據并進行更深入的分析，無論這些設備是否連接到網絡。同樣，通過在國防云中運行完全獨立的移動核心和小型 RAN，MCC 可以實現應用層面的低延遲和集群的自主運行（無回程連接）。

D. 側鏈路通信

5GB 新無線電（NR）技術使能器將允許設備通過一種稱為 Sidelink 通信的過程直接相互通信 [43]，[44]。Sidelink 可在專用、許可和非許可等不同配置下運行，可在不同環境中靈活采用。此外，由于 Sidelink 將通信鏈路限制為一跳，因此可顯著降低延遲，多跳中繼有助于節省功耗、克服鏈路預算限制并提高延遲和可靠性，這對于關鍵任務應用至關重要。此外，NR Sidelink 中繼自然擴展了互聯智能邊緣，為交通安全、公共安全通信、范圍和容量擴展提供了動力。用于 AR/VR 戰斗的體域網絡服務可受益于 Sidelink，利用其直接連接取代藍牙連接，并最終取代 Wi-Fi 連接，還可在沒有網絡覆蓋的地區用于士兵之間的通信。因此，許多軍用小工具的通信架構可能會發生革命性的變化。軍用通信不再為每種使用情況提供不同的無線電接口，而是可以完全依賴 Sidelink 作為廣域、局域和個人區域通信的鏈接。此外，基于 Sidelink 的中繼或多鏈路中繼也可在軍事通信中實施，以實現小區覆蓋并在惡劣環境條件下提供支持。Sidelink 也是 MIoT 未來發布的候選功能[45]。因此，Sidelink 可用于多種 "無基礎設施 "的戰術場景，其中需要無線系統的多層和/或網狀布局。

E. 波束成形和大規模多輸入多輸出

波束成形是一種將無線信號導向特定接收設備的方法，而不是像廣播天線那樣將信號向四面八方傳播[46]。波束成形通過將信號集中式地傳送到某個方向來提高接收器的信號質量。這意味著數據傳輸更快、更準確。此外，這種精確度可以在不增加廣播功率的情況下實現。以前，開發波束成形系統的成本很高，因為需要多個大型天線組件，這就必須采購額外的材料。利用商用 5GB 毫米波技術[47]是將商用蜂窩系統定向波束成形系統的尺寸、重量和成本降至最低的最佳選擇。這是因為毫米波具有高頻輸出，可在狹小的空間內安裝數百個小型天線。基于毫米波的波束成形更容易在軍事平臺上實現系統集成。波束成形在軍事應用中有多種用途，如改進的定向波束成形將使戰術通信比標準廣播天線更有效，因為軍方可以同時使用和重復使用分配的每一片頻譜。波束成形通信系統有助于在前線綿延數百公里的偏遠地區進行多域沖突，還可根據兵力（GPS）位置對紅軍進行無效定位。此外，在地面和空中機器人戰車上使用波束成形通信技術，可以讓士兵操縱無人設備進入敵對地形，同時與它們保持聯系。定向波束成形和 mMIMO 技術有助于提高網絡的魯棒性。它還被視為解決軍隊面臨的主要通信挑戰之一，即多個獨立無線網絡共存的解決方案。

F. 非地面網絡（NTN）網絡

5GB NTN 可在非地面平臺上實現 5G NR 的優勢 [26]、[48]、[49]。非地面網絡技術解決方案正在第 16 版工作中進行評估，而規范預計將在 3GPP 第 17 版發布。前幾代無線網絡只能為部分基于 NTN 的通信提供連接[50]。另一方面，5GB 預計采用三維（3D）異構架構，其中地面基礎設施與 NTN 或衛星網絡（如無人機、高空平臺 (HAPS)、低地球軌道 (LEO) 等）相輔相成，以促進無處不在、大范圍和極高的連接性 [51]。NTN 可在交通擁堵和服務不佳的地區提供按需、成本較低的連接，以及回程、高移動性數據傳輸、高吞吐量和無處不在的連接服務。3GPP 正在根據不同空域間連接的嚴重程度推廣各種 NTN 設計 [52], [53]。3GPP 預測了以下目的：

• 衛星將用戶信號從饋線鏈路復制到服務鏈路，反之亦然，從而創建一個透明的基于衛星的 RAN 架構。

• 基于衛星的自適應 RAN 架構，其中衛星有效載荷重新生成從地面接收的信號，同時實現衛星間通信。

• 多連接設計，包括兩個透明的 RAN（地球靜止軌道（GEO）和低地軌道（LEO）的組合），并協助集成 NTN 和地面接入。

多年來，近地軌道網技術一直被用于協助氣象、監視攝像機、電視廣播、遙感和地圖制導等軍事功能。目前，空天技術的進步為地面技術和 NTN 技術的融合鋪平了道路，使軍事通信服務有了更復雜的觸覺應用。一些極端情況下的應用包括 (1) 當地面網絡擁塞或癱瘓時，NTN 可提供替代連接路徑，以提供持續的無線網絡覆蓋；(2) NTN 平臺可結合移動邊緣云功能，為地面終端提供更強的計算和存儲能力，實現 3D 連接； (3) 衛星平臺與地面網絡的頻譜聚合可通過空間網狀網絡向地面設備提供高容量連接；(4) NTN 終端可在無法接入有線回程的地點無線處理地面回程請求；(5) 無人機和衛星還可充當 MIoT 流量的移動收集器，為基于傳感器的服務提供全球連接。

圖 5 顯示了概念架構，表 6 顯示了用于軍事應用的五項關鍵使能技術摘要。要充分挖掘 5GB 在軍事應用方面的潛力，可以考慮應用特定的 5G 技術，而不是整個 5G 生態系統。必須對 5GB 關鍵技術及其面向國防的適用性研究進行詳細的研究和分析，并調查將 5GB 應用于作戰各個方面和領域的可能性，確定能力極限。

表 6 關鍵賦能技術概述

圖 5. 軍事應用的關鍵使能技術。

各種頻譜的使用、防御網絡切片、分布式計算和側鏈路通信等 5G 使能技術可極大地幫助實現高可靠性和低延遲通信。

• 使用各種頻譜有助于創建冗余路徑并確保連續運行，這有助于提高可靠性并減少因信道擁塞而造成的通信延遲。

• 網絡切片可在共享基礎設施內創建專用虛擬網絡。通過分配專用資源和優先處理流量，網絡切片可確保 URLLC 應用獲得必要的帶寬和延遲保證，從而實現高可靠性和低延遲。

• 分布式計算使計算能力和存儲更接近網絡邊緣，從而通過在靠近 URLLC 應用程序的地方處理數據來改善延遲。此外，由于處理資源與應用之間的距離最小，因此可以實現超低延遲。

• 利用 Sidelink 通信功能，軍事應用可以通過直接和近距離通信、提供冗余和支持 ad hoc 網絡來實現更低的延遲和更高的可靠性。

• 采用先進的天線系統（如 mMIMO）可通過分集、空間復用和波束成形技術增強信號強度、覆蓋范圍、可靠性和吞吐量。

• 在某些情況下，NTN 提供的替代基礎設施和連接選項可以克服地面網絡的局限性。軍事行動可以利用縮短距離、冗余、廣覆蓋、抗災能力、獨立基礎設施和低延遲解決方案來提高通信可靠性和減少延遲。

5G NR-U 軍事專用網絡透視

海軍雷達使用的 C 波段（3.55-3.7GHz）可視為實現軍用 5GB 專用蜂窩系統的關鍵頻段之一 [54]，[55]。這是因為這些頻段利用率極低，雷達占用率每年僅為 9% 到 25% [56]。此外，這些頻段存在于有限的地理區域；因此，通過實用的保護距離和嚴格的干擾保護機制，可以建立與現有海軍雷達共存的二級 5GB 軍事通信系統。在此背景下，我們提出了 5GB NR-U 技術（3GPP Rel-16），作為軍事通信系統的一種有吸引力的方法。NR-U 源自已被廣泛接受的 LTE-U/LAA 方法，其中對 LTE 協議棧進行了調整，以協助與雷達和 Wi-Fi 等其他技術共存 [57]、[58]。此外，對 LTE 協議棧的此類更改可顯著減少雷達所需的投射距離，從而增加信道中的頻譜接入機會。例如，NR-U gNB 可感知雷達旋轉模式，并相應調整其占空比（開-關持續時間），使其傳輸不與正在進行的雷達傳輸重疊。此外，NR-U 還支持公平共存，在這種情況下，Wi-Fi 服務受到的影響不會超過同一載波上的額外 Wi-Fi 網絡。因此，如圖 6 所示，NR-U 與傳統的 Wi-Fi 或新的 Wi-Fi 連接可以很容易地為多樣化和密集的軍事后勤環境進行設置。

圖 6. 5GB NR-U 部署場景。

在本研究中，我們考慮的部署場景是軍方覆蓋一個有限的地理區域，如文獻 [59] 所述，該地理區域被進一步劃分為三個部分：雷達區、專屬區和后勤區。后勤區由其覆蓋范圍周圍的多個 NR-U 小區組成。在評估中，我們采用了單個 NR-U 小區，其性能可復制到其他 NR-U 小區。我們使用 MATLAB 開發了一個系統級仿真平臺。NR-U BS 在 3.5 GHz 信道中支持的 NR-U 用戶數量和其他網絡參數如表 7 所示。在同一信道中，Wi-Fi AP 和 Wi-Fi 站與 NR-U 服務共存。NR-U 用戶和 Wi-Fi 站在小區覆蓋范圍內任意分布。在 Wi-Fi 網絡中，所有 STA 都利用一種稱為分布式協調功能（DCF）協議的載波感知方案來爭奪信道接入權，而 NR-U BS 則采用 ETSI 支持的 LBT 類別 4（用于 FBE 方法）[60] 或占空比基礎方法（在適當的持續時間內自適應地占用共享信道）。

表 7 模擬參數

結論

5GB 技術擁有影響任何國家經濟和國家安全的重要能力。軍隊必須學會采用 5GB 所提供的連接性，以必要的速度、精度和效率開展行動，從而在未來保持有效性和生存能力。當前的 5GB 技術為軍事應用帶來了多方面的機遇和風險。軍方蘭德公司的主要任務應該是加快開發和部署支持 5GB 的能力，同時確保其系統強大、安全、有彈性且可靠，能夠抵御對手。

在2020年代，戰略研究中的辯論越來越多地集中在新興技術對國防創新和未來戰爭特征的影響上。先進的新技術，如人工智能（AI）系統、機器人、增材制造（或3D打印）、量子計算、定向能源和其他 "顛覆性 "技術的融合，被定義在第四次工業革命（4IR）的商業保護傘下，有望為國防應用提供新的和潛在的重大機會，反過來，也有助于提高自己對潛在對手的軍事優勢。目前的許多辯論可以說是將 "下一個前沿 "技術描繪成戰爭性質和行為的 "不連續 "或 "破壞性 "軍事創新的同義詞--從 "工業時代 "走向 "信息時代的戰爭"，現在越來越走向 "自動化時代的戰爭"（Raska, 2021）。例如，先進的傳感器技術，如高光譜圖像、計算攝影和緊湊型傳感器設計，旨在提高目標探測、識別和跟蹤能力，并克服傳統的視線干擾（Freitas等人，2018）。復合材料、陶瓷和具有適應性的納米材料等先進材料將使軍事裝備更輕，但對環境的抵抗力更強（Burnett等人，2018）。新興的光子技術，包括高功率激光器和光電設備，可能提供基于量子計算和量子密碼學的新水平的安全通信（IISS，2019）。

新興技術的融合--即機器人技術、人工智能和學習機、具有先進傳感器技術的模塊化平臺、新型材料和保護系統、網絡防御和模糊物理、網絡和生物領域之間界限的技術，被廣泛認為對未來戰爭的特征具有深遠影響。對于現代軍隊來說，將新型機器學習算法應用于各種問題，也有望在信息處理速度、有人/無人武器平臺和監視系統組合的自動化以及最終的指揮和控制（C2）決策方面提供前所未有的能力（Horowitz，2018；Cummings，2017）。

然而，盡管戰略背景各不相同，這些新興技術的擴散也在促使人們提出與過去40年類似的理論和政策規定性問題： 新興技術的傳播是否真的意味著戰爭的 "顛覆性 "轉變，還是僅僅是一種進化的變化？如果新興技術規定了戰爭的顛覆性變化，那么國防資源分配的必要性是什么，包括部隊結構和武器采購要求？軍事組織，包括空軍，如何利用新興技術來發揮其優勢？此外，新興技術在應對21世紀的安全威脅和挑戰方面的效果如何，這些威脅和挑戰的特點是波動性、不確定性、復雜性和模糊性？

四十年的顛覆性敘事

主要在信息技術飛躍的推動下，"顛覆性 "軍事創新敘事和辯論的軌跡被定義為信息技術驅動的軍事事務革命（IT-RMA），它至少經歷了五個階段： (1）20世紀80年代初蘇聯戰略思想家對軍事技術革命的最初概念發現，（2）20世紀90年代初美國戰略思想中的概念調整、修改和整合，（3）20世紀90年代中后期的親技術主義RMA辯論，（4）21世紀初轉向更廣泛的 "國防轉型 "及其部分經驗調查，以及（5）2005年起對顛覆性敘述的關鍵逆轉質疑（格雷，2006）。然而，自2010年代中期以來，隨著人工智能和自主系統等新技術的加速擴散，人們可以說，一個新的人工智能-RMA-或第六次RMA浪潮已經出現（Raska，2021）。

然而，回過頭來看，在過去的四十年里，IT-RMA的實施也可以說是遵循了一條明顯不具革命性或顛覆性的道路，包括對現有能力的漸進式、通常近乎連續的改進（Ross，2010）。雖然國防技術、組織和理論方面的重大、大規模和同步的軍事創新是一種罕見的現象，但軍事組織在很大程度上通過從小規模到大規模的軍事創新的持續進展，塑造了他們的戰爭行為（Goldman，1999）。雖然這個時代的許多軍事創新，如網絡中心戰的概念已經成熟，但 "顛覆性軍事變革 "即將到來的雄心勃勃的說法，幾乎總是超越了現有的技術、組織和預算能力。此外，不同的概念、技術、組織和操作創新主要集中在將數字信息技術整合到現有的常規平臺和系統中（Raska，2016）。

例如，在美國的戰略思想中，隨著伊拉克和阿富汗戰爭中的作戰挑戰和經驗，顛覆性軍事創新的說法從2005年開始逐漸減弱。更多的批評聲音指出，"顛覆性 "國防轉型的承諾沒有實現。幾乎每一項國防舉措或建議都以 "新的思維方式和新的戰斗方式 "為理由，這表明了迷失方向而不是明確的戰略（Freedman, 2006）。對國防轉型持懷疑態度的人還告誡說，通過技術解決復雜的戰略挑戰，而拋棄潛在敵人或對手的適應能力，這種邏輯是有缺陷的。簡而言之，即將到來的國防轉型的顛覆性敘述已經變成了一個模糊的想法，由預算要求和不現實的能力組合而不是實際的戰略和操作邏輯所推動（Reynolds, 2006）。

為什么AI浪潮與眾不同？

然而，新的 "AI驅動"國防創新浪潮在幾個方面與過去由信息技術主導的浪潮不同。首先，人工智能驅動的軍事創新的擴散速度要快得多，通過多個層面，特別是通過大國之間加速的地緣戰略競爭--美國、中國，以及在較小程度上俄羅斯。大國之間的戰略競爭并不新鮮；它們在歷史上根深蒂固--從公元前五世紀伯羅奔尼撒戰爭期間雅典人和斯巴達人的大戰略，到二十世紀下半葉冷戰的兩極分化。然而，新出現的戰略競爭的特點與以往戰略競爭的類比不同。在21世紀，戰略競爭的路徑和模式更加復雜多樣，反映了不同或重疊的規則下的多種競爭，其中長期的經濟相互依賴與核心戰略挑戰并存（Lee，2017）。然而，在爭奪未來霸權的競賽中，技術創新被描繪成國際影響力和國家力量的核心來源--產生經濟競爭力、政治合法性和軍事力量（Mahnken，2012）。具體來說，幾十年來，美國第一次面臨一個戰略上的同行競爭者--中國，能夠追求和實施自己的人工智能--RMA。因此，主要的問題不是AI-RMA浪潮是否會帶來戰爭的根本不連續，如果是的話，如何以及為什么？相反，它是美國的人工智能-RMA是否可以被相應的中國或俄羅斯的人工智能-RMA所抵消--或至少被削弱？換句話說，技術優勢的邊際實際上正在縮小，這實際上加速了將新技術作為軍事優勢來源的戰略必要性。

第二，與前幾十年不同的是，前幾十年是利用一些軍民兩用技術來開發主要的武器平臺和系統，而目前的人工智能浪潮在作為軍事創新來源的商業技術創新的規模和影響方面有所不同（Raska，2020）。大型軍工企業不再是技術創新的唯一驅動力；相反，具有雙重用途潛力的先進技術正在商業部門開發，然后被 "旋轉 "到軍事應用。在這種情況下，新興技術的傳播，包括增材制造（3D打印）、納米技術、空間和類似空間的能力、人工智能和無人機，并不僅僅局限于大國（Hammes，2016）。人工智能驅動的傳感器和自主武器系統的擴散也反映在一些先進的小國和中等國家的國防軌跡上，如新加坡、韓國、以色列和其他國家。這些國家現在有可能發展利基新興技術，以推進其國防能力和經濟競爭力、政治影響力以及在國際舞臺上的地位（Barsade和Horowitz，2018）。

第三，自主和人工智能支持的自主武器系統的擴散，加上新穎的作戰結構和部隊結構，對人類參與未來戰爭的方向和特點提出了挑戰--在這種情況下，算法可能會塑造人類的決策，未來的戰斗被設想為使用致命的自主武器系統（LAWS）。先進的軍隊，包括空軍，正在試驗不同的人機技術，在戰爭中依靠數據分析和自動化。這些技術正日益滲透到未來戰爭的實驗和能力發展計劃中（Jensen和Pashkewitz，2019）。例如，在美國，選定的優先研究和發展領域集中在發展人工智能系統和各種人機類型合作的自主武器--即人工智能支持的預警系統和指揮和控制網絡、空間和電子戰系統、網絡能力、致命的自主武器系統，以及其他。

這三個驅動因素--戰略競爭、雙重用途的新興技術創新以及戰爭中不斷變化的人機互動特征--的融合推動了一系列新的條件，定義了人工智能-RMA浪潮。它的擴散軌跡本質上也帶來了新的挑戰和問題，涉及戰略穩定、聯盟關系、軍備控制、道德和治理，以及最終的作戰行動（Stanley-Lockman，2021a）。例如，關于人工智能系統在使用武力方面的作用的國際規范性辯論，越來越多地關注致命性自主武器系統的擴散和國家遵守國際人道主義法原則的能力。隨著技術進步從科幻領域走向技術現實，各國對致命性自主武器系統的引入是否會違背或加強國際法律原則也有不同的看法。面對軍事人工智能應用在法律和道德方面的爭議，軍事機構越來越認識到需要解決與安全、道德和治理有關的問題，這對建立對新能力的信任、管理風險升級和振興軍備控制至關重要。然而，在國防部和軍隊將其道德努力狹隘地集中在致命性自主武器系統上，還是更廣泛地集中在人工智能系統上，這之間存在著矛盾。因此，軍事組織需要跟蹤關于人工智能和自主性的不斷變化的觀點，以及關于對2020年代及以后的戰略和作戰環境的影響的辯論（Stanley-Lockman，2021b）。

人工智能浪潮在空中力量中的應用

例如，在戰役層面，人工智能浪潮的應用可以在改變空中力量的概念中看到。現代空軍的目標是加速整合不同的人工智能相關系統和技術，如多域作戰云系統，它從各種來源收集大數據，創建一個實時的作戰畫面，基本上，自動化和加速指揮和控制（C2）過程（Robinson，2021）。例如，人工智能支持的戰斗云被設定為識別目標并將其分配給任何領域中最相關的 "射手"，無論是空中、水面還是水下--一些空軍將其概念化為聯合全域指揮和控制（JADC2）。一些空軍部隊也在嘗試使用人工智能算法作為 "虛擬后座"，它可以有效地控制飛機的傳感器和導航，尋找對手的目標，這樣做可以減少機組人員的工作量（Everstine，2020）。

在這種情況下，關鍵的論點是，人工智能系統的進步--廣義上是指能夠感知、推理、行動和適應的程序，包括機器學習（ML）系統--其性能隨著時間的推移不斷增加的數據交互而提高，以及深度學習（DL）系統--其中多層神經網絡從大量的數據中學習--有可能 "改變空戰行動以及構想和使用空中力量的方式" （Davis, 2021）。根據蘭德公司的一項研究（Lingel等人，2020年），目前有六類應用AI/ML的研究和開發對未來戰爭，包括空中力量有影響：

(1) 計算機視覺--圖像識別--對視覺世界中的物體進行檢測和分類，可用于處理多源情報和數據融合；

(2) 自然語言處理（NLP）--成功理解人類語音和文本識別模式的能力，包括翻譯，可用于從語音和文本中提取情報，也可用于監測友軍通信，并將相關信息引導到需要提醒的個人或單位；

(3) 專家系統或基于規則的系統--收集大量的數據，以推薦特定的行動，實現作戰和戰術目標；

(4) 規劃系統--利用數據解決調度和資源分配問題，可以協調選擇空中、太空和網絡資產來對付目標，并產生建議的分時段行動；

(5) 機器學習系統--從與環境的數據互動中獲取知識，可與其他類別的人工智能結合使用，即在沒有專家知識或最佳戰術、技術和程序（TTPs）未知時，使C2系統能夠學習如何執行任務；

(6) 機器人和自主系統--結合所有或選定的前述類別的人工智能/ML方法，使無人系統與他們的環境互動；

這些與人工智能相關的類別幾乎適用于空中力量的每一個方面，可能會形成新的自動化戰爭形式： 從C2決策支持和規劃，人工智能/ML可以在日益緊張的時間內提供建議的選項或建議；通過數據挖掘能力提供ISR支持；后勤和預測性維護，以確保部隊的安全和平臺和單位的可用性；培訓和模擬； 網絡空間行動，以探測和反擊先進的網絡攻擊；機器人和自主系統，如無人機，被用于各種任務，從ISR到尖端任務，如壓制敵人的防空和協作作戰，在空中和陸地打擊行動中整合不同的有人和無人平臺。換句話說，這里的論點是，人工智能系統將越來越有能力在約翰-博伊德的觀察-定向-決定-行動（OODA）循環的每一步中簡化C2和決策過程：收集、處理和將數據轉化為統一的態勢感知視圖，同時提供建議行動方案的選項，并最終幫助人類采取行動（Fawkes和Menzel，2018）。

從國防到軍事創新：持續的挑戰

然而，將人工智能系統整合到軍事平臺、系統和組織中，將計算機從工具轉變為解決問題的 "思考 "機器，將繼續提出一系列復雜的技術、組織和操作挑戰（Raska等人，2021）。這些可能包括開發算法，使這些系統能夠更好地適應環境的變化，從意料之外的戰術中學習并在戰場上應用。這也會要求為這些會思考的機器設計道德準則和保障措施。另一個挑戰是，技術進步，特別是軍事系統的技術進步，是一個持續的、動態的過程；突破總是在發生，它們對軍事效力和比較優勢的影響可能是巨大的，在其新生階段很難預測。此外，這種技術和由此產生的能力很少在地緣政治線上均勻地傳播。

然而，最重要的是，關鍵問題是我們能在多大程度上信任人工智能系統，特別是在安全關鍵系統領域？正如Missy Cummings所警告的那樣，"歷史上有很多類似的操作準備的承諾是如何以昂貴的系統失敗而告終的例子，這些案例應該作為一個警示故事"（Cummings，2021）。此外，一個不斷增長的研究領域集中在如何通過生成虛假數據來欺騙人工智能系統，使其做出錯誤的預測。國家和非國家行為者都可能利用這種所謂的對抗性機器學習來欺騙對方，用不正確的數據來產生錯誤的結論，并以此來改變決策過程。對抗性機器學習對國際安全的整體戰略影響可能比技術本身更具破壞性（Knight，2019；Danks，2020）。

從戰術和戰役的角度來看，許多復雜的人工智能系統也需要聯系在一起--不僅在技術上，而且在組織和行動上。對于許多軍隊來說，這是一個持續的挑戰--他們必須能夠有效地（實時地）將人工智能支持的傳感器到射手的循環和數據流在不同的服務和平臺之間進行整合。這意味著有效地連接不同的空軍、陸軍、海軍和網絡戰斗管理系統和數據；指揮和控制、通信和網絡；ISR；電子戰；定位、導航和計時；與精確彈藥。雖然選定的人工智能/ML系統可能會減輕一些挑戰，但同樣的系統會產生另一組與確保可信人工智能有關的新問題。因此，人們可以認為，人工智能在軍事事務中的軌跡的方向和特點將取決于相應的戰略、組織和行動的敏捷性，特別是這些技術如何與當前和新興的作戰結構和部隊結構互動。

展望未來，人類在未來戰爭中的參與程度、改變傳統部隊結構和招募模式的必要性以及在哪些領域使用武力，都是受到新技術挑戰的事項。現代軍隊正在為這些問題制定他們自己的、往往是多樣化的解決方案。與過去一樣，它們的有效性將取決于與戰略的持久原則相關的許多因素--將現有的國防資源 "轉化 "為新的軍事能力的目的、方式和手段，并在此過程中創造和保持作戰能力以應對廣泛的突發事件。成功實施的主要因素將不是技術創新本身，而是持續的資金、組織專長（即規模和有效的研發基地，包括軍事和商業）以及實施國防創新的機構靈活性的綜合效應（張，2021）。這意味著廣泛擁有能夠提供創新解決方案的人員、流程和系統，同時保持現有的核心能力，在日益復雜的戰略環境中提供可行的政策選擇。

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。

在過去的幾年里，人工智能（AI）系統的能力急劇增加，同時帶來了新的風險和潛在利益。在軍事方面，這些被討論為新一代 "自主"武器系統的助推器以及未來 "超戰爭 "的相關概念。特別是在德國，這些想法在社會和政治中面臨著有爭議的討論。由于人工智能在世界范圍內越來越多地應用于一些敏感領域，如國防領域，因此在這個問題上的國際禁令或具有法律約束力的文書是不現實的。

在決定具體政策之前，必須對這項技術的風險和好處有一個共同的理解，包括重申基本的道德和原則。致命力量的應用必須由人指揮和控制，因為只有人可以負責任。德國聯邦國防軍意識到需要應對這些發展，以便能夠履行其憲法規定的使命，即在未來的所有情況下保衛國家，并對抗采用這種系統的對手，按照其發展計劃行事。因此，迫切需要制定概念和具有法律約束力的法規，以便在獲得利益的同時控制風險。

本立場文件解釋了弗勞恩霍夫VVS對當前技術狀況的看法，探討了利益和風險，并提出了一個可解釋和可控制的人工智能的框架概念。確定并討論了實施所提出的概念所需的部分研究課題，概述了通往可信賴的人工智能和未來負責任地使用這些系統的途徑。遵循參考架構的概念和規定的實施是基于人工智能的武器系統可接受性的關鍵推動因素，是接受的前提條件。

人工智能（AI）是一個創新的引擎，正在推動科學發現和經濟增長。它正日益成為解決方案的一個組成部分，這些解決方案將影響到從日常例行任務到社會層面的挑戰，最終服務于公共利益。同時，也有人擔心人工智能可能會產生負面的社會和環境后果。為了實現人工智能的積極和變革潛力，必須利用美國所有的聰明才智，以解決社會挑戰的方式推進該領域，為所有美國人服務，并維護民主價值觀。

然而，目前人工智能前沿的進展往往與獲得大量的計算能力和數據有關。今天，這種機會往往僅限于那些資源豐富的組織。這種巨大且不斷擴大的資源鴻溝有可能限制和不利于人工智能研究生態系統。這種不平衡威脅著國家培養人工智能研究社區和勞動力的能力，以反映美國豐富的多樣性和利用人工智能來推動公共利益的能力。

如本報告所述，一個可廣泛使用的人工智能研究網絡基礎設施，匯集了計算資源、數據、測試平臺、算法、軟件、服務、網絡和專業知識，將有助于使美國的人工智能研究和開發（R&D）景觀民主化，使所有人受益。它將有助于創造途徑，擴大參與人工智能的研究人員的范圍，并使人工智能的方法和應用增長和多樣化。這種網絡基礎設施也有助于為所有科學領域和學科的進步開辟新的機會，包括在人工智能審計、測試和評估、可信的人工智能、減少偏見和人工智能安全等關鍵領域。反過來，更多的機會和多樣化的視角可以帶來新的想法，否則就不會實現，并為開發設計上具有包容性的人工智能系統創造條件。

作為《2020年國家人工智能倡議法》的一部分，國會成立了國家人工智能研究資源（NAIRR）工作組，以 "調查 "NAIRR作為國家人工智能研究網絡基礎設施的可行性和可取性，并 "提出詳細說明[如何建立和維持NAIRR]的路線圖。" 最近的《2022年CHIPS和科學法案》加強了民主化使用國家人工智能研究網絡基礎設施的重要性，通過投資加速先進計算的發展--從下一代圖形處理單元到高密度內存芯片--以及采取措施積極吸引廣泛和多樣化的美國人才參與前沿科學和工程，包括人工智能。

這份最終報告是特別工作組歷時18個月，為建立NAIRR制定愿景和實施計劃的最終成果。它建立在工作組2022年5月發布的臨時報告中的調查結果和建議的基礎上，提供了一個實現NAIRR目標的實施計劃：以保護隱私、公民權利和公民自由的方式，加強美國的人工智能創新生態系統并使之民主化。

NAIRR的建立應考慮到四個可衡量的目標，即（1）刺激創新，（2）增加人才的多樣性，（3）提高能力，以及（4）推進值得信賴的人工智能。NAIRR應該通過支持來自不同背景的研究人員和學生的需求來實現這些目標，這些研究人員和學生正在從事基礎性的、受使用啟發的和轉化性的人工智能研究。這些用戶應以美國為基地或隸屬于美國的組織，包括學術機構、非營利組織和初創企業或小型企業。

NAIRR應包括一套來自不同供應商的計算、數據、測試平臺和軟件資源，以及技術支持和培訓，以滿足這一目標用戶群的需求。NAIRR的具體設計、實施和評估應圍繞四個關鍵目標進行，并應支持收集數據以評估系統性能的關鍵指標和實現這些目標的成功。

NAIRR的管理和治理應遵循合作管理模式，即由一個聯邦機構作為NAIRR運作的管理機構，由聯邦機構的負責人組成的指導委員會負責推動NAIRR的戰略方向。行政機構內的項目管理辦公室應該為一個獨立的運營實體提供資金和監督，以管理NAIRR的日常運營。由國家人工智能倡議辦公室（NAIIO）共同主持的指導委員會將在NAIRR的管理中納入聯邦各機構的利益和觀點。這些機構也應直接支持資源提供者，他們的資源聯合起來將構成NAIRR。應通過用戶委員會、科學咨詢委員會、技術咨詢委員會和道德咨詢委員會向運營實體提供建議，挖掘多樣化的觀點和專業知識，為NAIRR的運營提供信息。

NAIRR應通過一個綜合門戶網站提供計算和數據資源、測試平臺、軟件和測試工具以及用戶支持服務的聯合組合。計算資源應包括傳統服務器、計算集群、高性能計算和云計算，并應支持訪問邊緣計算資源和人工智能研發的測試平臺。開放的和受保護的數據應在分層訪問協議下提供，并與計算資源共處一地。運營實體本身不應操作構成NAIRR的全部計算機硬件；相反，計算以及數據、測試和培訓資源應作為服務由通過聯邦機構或多機構資助機會選擇的合作伙伴資源提供者提供。當全面實施時，NAIRR應同時滿足人工智能研究界的能力（支持大量用戶的能力）和能力（訓練資源密集型人工智能模型的能力）需求

NAIRR必須能被各種用戶廣泛使用，并提供一個可用于教育和社區建設活動的平臺，以降低參與人工智能研究生態系統的障礙，增加人工智能研究人員的多樣性。NAIRR的訪問門戶和公共網站應提供目錄以及搜索和發現工具，以促進對數據、測試平臺以及為各種經驗水平服務的教育和培訓資源的訪問。

NAIRR應該通過設計和實施其管理程序，為負責任的人工智能研究設定標準。NAIRR必須從一開始就通過整合適當的技術控制、政策和治理機制，積極主動地解決隱私、民權和公民自由問題。運營實體應與道德咨詢委員會合作，制定標準和機制，從隱私、民權和公民自由的角度評估擬納入NAIRR的研究和資源。應根據白宮科技政策辦公室在2022年10月發布的《人工智能權利法案藍圖》，要求定期培訓，以建立NAIRR用戶對人工智能研究中與隱私、民權和公民自由有關的權利、責任和最佳做法的認識。

NAIRR應根據既定的指導方針實施系統保障措施。這些準則包括美國國家標準與技術研究所（NIST）制定的準則和五個安全框架：安全項目、安全人員、安全設置、安全數據和安全產出。運營實體應將NAIRR網絡基礎設施設計成由多個層次組成，首先是兩個主要區域：一個開放的科學區域 "NAIRR-開放 "和一個安全區域 "NAIRR-安全"。每個區域都應該聯合計算、網絡和數據資源，按照安全和訪問控制政策運行，這些政策在區域內是統一的，但在區域之間是不同的，反映了用戶和資源運營商的不同優先級和需求。NAIRR-Open應采用開放科學界20多年來形成的最佳做法；與聯邦開放數據、開放政府和研究安全政策保持一致；使用單點登錄認證和運營實體管理的資源分配機制管理訪問。NAIRR-Secure應該由一個或多個安全飛地組成，遵守一套共同的安全控制，并有能力支持受法律保護的數據所產生的安全要求。

NAIRR的實施應分四個階段，在本報告發表后立即開始。在第一階段，國會應授權并撥款建立NAIRR。行政機構和NAIIO應該協調指導委員會的成立，并建立一個項目管理辦公室，然后準備對運營實體的招標，并管理選擇過程。

圖：階段性NAIRR實施時間表

在第二階段，運營實體應確立其活動，并監督NAIRR門戶網站和用戶界面的創建，建立適當的技術和政策控制。該架構應支持收集關鍵績效指標，以評估NAIRR的進展。資源提供者應通過協調的、多機構的籌資機會來選擇，最好是在運營實體最初授予的6個月內發布。

在第三階段，NAIRR應達到初步的運作能力，運營實體也應正式確定政策、程序和初步的技術資源，提供給人工智能研究人員。最初的能力包括：（1）一個門戶網站和用戶支持資源；（2）一個混合的計算資源提供者；（3）一個分配和身份系統；（4）一個數據發布系統。在第四階段，活動應從建立NAIRR過渡到建立穩定的運作，以及根據用戶的吸收和需求對NAIRR資源進行計劃的演變。

最后，工作組還提出了一個實施NAIRR的試點方案，該方案將與上述階段同時啟動，以加快向人工智能研發界提供NAIRR資源。

按照設想，NAIRR的影響將是巨大而深遠的，使研究人員能夠解決從常規任務到全球挑戰的各種問題。為了實現其愿景和目標，特別工作組估計NAIRR的預算在最初的六年期間為26億美元。這筆投資的大部分（22.5億美元）用于資助通過NAIRR獲得的資源，通過向多個聯邦機構撥款。工作小組根據先進的計算資源以及數據、培訓和軟件資源的近期成本、滿足人工智能研發界當前需求的使用水平估計，以及人工智能研發界的預期增長來估計這一預算。資源提供者應每兩年上線一次，使用壽命為六年，這樣每兩年就會有7.5億美元的新投資，以確保NAIRR的資源保持最先進的水平。運營實體每年將需要5500萬至6500萬美元來支持NAIRR活動的協調和管理。每年還有500萬美元的預算用于對運營實體和NAIRR績效的外部評估。

本報告中提出的NAIRR的愿景旨在滿足國家對增加獲得最先進的資源的需求，以推動人工智能創新。實現這一愿景的路線圖建立在現有的聯邦投資之上；設計了對隱私、民權和公民自由的保護；并促進了多樣性和公平的使用。如果成功，國家人工智能研究資源將改變美國國家人工智能研究生態系統，并通過加強和民主化參與美國的基礎性、使用性和轉化性人工智能研發，促進解決社會層面問題的能力。

人工智能在軍事領域的前景之一是其廣泛的適用性，這似乎可以保證其被采用。在軍事方面，人工智能的潛力存在于所有作戰領域（即陸地、海洋、空中、太空和網絡空間）和所有戰爭級別（即政治、戰略、戰役和戰術）。然而，盡管有潛力，需求和人工智能技術進步之間的銜接仍然不是最佳狀態，特別是在軍事應用的監督機器學習方面。訓練監督機器學習模型需要大量的最新數據，而這些數據往往是一個組織無法提供或難以產生的。應對這一挑戰的絕佳方式是通過協作設計數據管道的聯邦學習。這種機制的基礎是為所有用戶實施一個單一的通用模型，使用分布式數據進行訓練。此外，這種聯邦模式確保了每個實體所管理的敏感信息的隱私和保護。然而，這個過程對通用聯邦模型的有效性和通用性提出了嚴重的反對意見。通常情況下，每個機器學習算法在管理現有數據和揭示復雜關系的特點方面表現出敏感性，所以預測有一些嚴重的偏差。本文提出了一種整體的聯邦學習方法來解決上述問題。它是一個聯邦自動集成學習（FAMEL）框架。FAMEL，對于聯邦的每個用戶來說，自動創建最合適的算法，其最優的超參數適用于其擁有的現有數據。每個聯邦用戶的最優模型被用來創建一個集成學習模型。因此，每個用戶都有一個最新的、高度準確的模型，而不會在聯邦中暴露個人數據。實驗證明，這種集成模型具有更好的可預測性和穩定性。它的整體行為平滑了噪音，同時減少了因抽樣不足而導致的錯誤選擇風險。

關鍵詞：聯邦學習；元學習；集成學習；軍事行動；網絡防御

1 引言

隨著步伐的加快，人工智能（AI）正在成為現代戰爭的重要組成部分，因為它為大規模基礎設施的完全自動化和眾多防御或網絡防御系統的優化提供了新的機會[1]。人工智能在軍事領域[2]的前景之一，似乎保證了它的采用，即它的廣泛適用性。在軍事方面，人工智能的潛力存在于所有作戰領域（即陸地、海洋、空中、太空和網絡空間）和所有級別的戰爭（即政治、戰略、戰役和戰術）[3]。但與此同時，隨著參與連續互聯和不間斷信息交換服務的互聯系統數量的實時擴大，其復雜性仍在成倍增長[4]。從概括的角度來看，可以說人工智能將對以下任務產生重大影響：

1.太快的任務，反應時間為幾秒鐘或更少，在高復雜度（數據、背景、任務類型）下執行。

2.操作時間超過人類耐力的任務，或意味著長期的高操作（人員）成本。

3.涉及巨大的復雜性的任務，需要靈活地適應環境和目標的變化。

4.具有挑戰性的行動環境，意味著對作戰人員的嚴重風險。

支持上述任務的實時監測事件的應用程序正在接收一個持續的、無限的、相互聯系的觀察流。這些數據表現出高度的可變性，因為它們的特征隨著時間的推移而發生巨大的、意想不到的變化，改變了它們典型的、預期的行為。在典型情況下，最新的數據是最重要的，因為老化是基于它們的時間。

利用數據的軍事人工智能系統可以將軍事指揮官和操作員的知識和經驗轉化為最佳的有效和及時的決策[3,4]。然而，缺乏與使用復雜的機器學習架構相關的詳細知識和專業知識會影響智能模型的性能，阻止對一些關鍵的超參數進行定期調整，并最終降低算法的可靠性和這些系統應有的概括性。這些缺點正在阻礙國防的利益相關者，在指揮鏈的各個層級，信任并有效和系統地使用機器學習系統。在這種情況下，鑒于傳統決策系統無法適應不斷變化的環境，采用智能解決方案勢在必行。

此外，加強國防領域對機器學習系統不信任的一個普遍困難是，采用單一數據倉庫對智能模型進行整體訓練的前景[1]，由于需要建立一個潛在的單點故障和對手的潛在戰略/主要目標[6]，這可能造成嚴重的技術挑戰和隱私[5]、邏輯和物理安全等嚴重問題。相應地，可以使更完整的智能分類器泛化的數據交換也給敏感數據的安全和隱私帶來了風險，而軍事指揮官和操作人員并不希望冒這個風險[7]。

為了克服上述雙重挑戰，這項工作提出了FAMEL。它是一個整體系統，可以自動選擇和使用最合適的算法超參數，以最佳方式解決所考慮的問題，將其作為一個尋找算法解決方案的模型，其中通過輸入和輸出數據之間的映射來解決。擬議的框架使用元學習來識別過去積累的類似知識，以加快這一過程[8]。這些知識使用啟發式技術進行組合，實現一個單一的、不斷更新的智能框架。數據保持在操作者的本地環境中，只有模型的參數通過安全流程進行交換，從而使潛在的對手更難干預系統[9,10]。

2 提出的框架

在提議的FAMEL框架中，每個用戶在水平聯邦學習方法中使用一個自動元學習系統（水平聯邦學習在所有設備上使用具有相同特征空間的數據集。垂直聯邦學習使用不同特征空間的不同數據集來共同訓練一個全局模型）。以完全自動化的方式選擇具有最佳超參數的最合適的算法，該算法可以最佳地解決給定的問題。該實施基于實體的可用數據，不需要在遠程存儲庫中處置或與第三方共享[11]。

整個過程在圖1中描述。

圖1.FAMEL框架。

具體來說就是：

步驟1--微調最佳局部模型。微調過程將有助于提高每個機器學習模型的準確性，通過整合現有數據集的數據并將其作為初始化點，使訓練過程具有時間和資源效率。

步驟2--將本地模型上傳至聯邦服務器。

步驟3--由聯邦服務器對模型進行組合。這種集成方法使用多種學習算法，以獲得比單獨使用任何一種組成的學習算法都要好的預測性能。

步驟4--將集成模型分配給本地設備。

從這個過程中產生的最佳模型（贏家算法）被輸送到一個聯邦服務器，在那里通過啟發式機制創建一個集成學習模型。這個集成模型基本上包含了本地最佳模型所代表的知識，如前所述，這些知識來自用戶持有的本地數據[12]。因此，總的來說，集成模型提供了高概括性、更好的預測性和穩定性。它的一般行為平滑了噪音，同時降低了在處理本地數據的場景中由于建模或偏見而做出錯誤選擇的總體危險[13,14]。

結論

將機器學習應用于現實世界的問題仍然特別具有挑戰性[44]。這是因為需要訓練有素的工程師和擁有豐富經驗和信息的軍事專家來協調各自算法的眾多參數，將它們與具體問題關聯起來，并使用目前可用的數據集。這是一項漫長的、費力的、昂貴的工作。然而，算法的超參數特征和理想參數的設計選擇可以被看作是優化問題，因為機器學習可以被認為是一個搜索問題，它試圖接近輸入和輸出數據之間的一個未知的潛在映射函數。

利用上述觀點，在目前的工作中，提出了FAMEL，擴展了制定自動機器學習的一般框架的想法，該框架具有有效的通用優化，在聯邦層面上運作。它使用自動機器學習在每個聯邦用戶持有的數據中找到最佳的本地模型，然后，進行廣泛的元學習，創建一個集成模型，正如實驗所顯示的那樣，它可以泛化，提供高度可靠的結果。這樣，聯邦機構就有了一個專門的、高度概括的模型，其訓練不需要接觸他們所擁有的數據的聯合體。在這方面，FAMEL可以應用于一些軍事應用，在這些應用中，持續學習和環境適應對支持的行動至關重要，而且由于安全原因，信息交流可能很難或不可能。例如，在實時優化有關任務和情況的信息共享方面就是這種情況。在部署了物聯網傳感器網格的擁擠環境中，FAMEL的應用將具有特別的意義，需要滿足許多安全限制。同樣，它也可以應用于網絡空間行動，在雜亂的信息環境和復雜的物理場景中實時發現和識別潛在的敵對活動，包括對抗負面的數字影響[45,46]。必須指出的是，在不減少目前所描述的要點的情況下，所提出的技術可以擴展到更廣泛的科學領域。它是一種通用的技術，可以發展和產生一種開放性的整體聯邦學習方法。

盡管總的來說，聯邦學習技術的方法論、集成模型以及最近的元學習方法已經強烈地占據了研究界，并提出了相關的工作，提升了相關的研究領域，但這是第一次在國際文獻中提出這樣一個綜合框架。本文提供的方法是一種先進的學習形式。計算過程并不局限于解決一個問題，而是通過一種富有成效的方法來搜索解決方案的空間，并以元啟發式的方式選擇最優的解決方案[47,48]。

另一方面，聯邦學習模型應該對合作訓練數據集應用平均聚合方法。這引起了人們對這種普遍方法的有效性的嚴重關注，因此也引起了人們對一般聯邦架構的有效性的關注。一般來說，它將單個用戶的獨特需求扁平化，而不考慮要管理的本地事件。如何創建解決上述局限性的個性化智能模型，是目前一個突出的研究問題。例如，研究[49]是基于每個用戶必須以聯邦的形式解決的需求和事件。解釋是可解釋系統的各種特征，在指定的插圖的情況下，這些特征有助于得出結論，并在局部和全局層面提供模型的功能。建議只對那些變化程度被認為對其功能的演變相當重要的特征進行再訓練。

可以擴大擬議框架研究領域的基本課題涉及元集成學習過程，特別是如何解決創建樹和它們的深度的問題，從而使這個過程自動完全簡化。還應確定一個自動程序，以最佳的分離方式修剪每棵樹，以避免負收益。最后，探索將優化修剪的樹的版本添加到模型中的程序，以最大限度地提高框架效率、準確性和速度。

（完整內容請閱讀原文）

人工智能（AI）的最新進展為許多經典的AI應用帶來了突破，例如計算機視覺、自然語言處理、機器人和數據挖掘。因此，有很多人努力將這些進展應用于軍事領域，如監視、偵察、威脅評估、水雷戰、網絡安全、情報分析、指揮和控制以及教育和培訓。然而，盡管人工智能在軍事應用上有很多可能性，但也有很多挑戰需要考慮。例如，1）高風險意味著軍事人工智能系統需要透明，以獲得決策者的信任并能進行風險分析；這是一個挑戰，因為許多人工智能技術具有黑盒性質，缺乏足夠的透明度；2）軍用 AI 系統需要穩健可靠；這是一個挑戰，因為已經表明即使對所使用的 AI 技術沒有任何了解，AI 技術也容易受到輸入數據微小變動的影響，并且 3) 許多 AI 技術基于需要大量數據的機器學習訓練；這是一個挑戰，因為在軍事應用中經常缺乏足夠的數據。本文介紹了正在進行的項目成果，以說明軍事應用中人工智能的可能性，以及如何應對這些挑戰。

1 介紹

人工智能（AI），特別是機器學習（ML）和深度學習（DL），在十年內已經從研究機構和大學的原型設計轉向工業和現實世界應用。使用DL技術的現代人工智能已經徹底改變了傳統人工智能應用的性能，如機器翻譯、問答系統和語音識別。這一領域的許多進展也將其優秀的想法變成了卓越的人工智能應用，能夠進行圖像說明、唇語閱讀、語音模仿、視頻合成、連續控制等。這些成果表明，一個能夠自我編程的機器有潛力：1）提高軟件和硬件開發的效率，2）以超越人類的水平完成特定的任務，3）為人類以前沒有考慮過的問題提供創造性的解決方案，4）在人類已知的主觀、偏見、不公平、腐敗等方面提供客觀和公平的決定。

在軍事背景下，人工智能的潛力存在于所有維度的軍事空間中（即陸地、海洋、空中、空間和信息）和所有級別的戰爭內（即政治、戰略、作戰和戰術）。例如，在政治和戰略層面，人工智能可以通過制作和發布大量的虛假信息來破壞對手的穩定狀態。在這種情況下，人工智能很可能也是抵御這種攻擊的最佳人選。在戰術層面，人工智能可以改善無人系統的部分自主控制，以便人類操作員可以更有效地操作無人系統，最終擴大戰場影響力，增強戰場實力。

然而，正如我們將在這項工作中指出的那樣，有幾個關鍵挑戰可能會減緩或限制現代人工智能在軍事應用中的使用：

• ML模型的透明度和可解釋性不足。舉一個例子，使用DL對使用深度神經網絡（DNN）的自動駕駛汽車進行控制建模需要幾十萬個參數。顯然，這樣一個復雜的程序不容易被解釋。即使是使用替代的ML算法生成的模型，其中模型可以被圖形化，如解析樹或決策樹，即使在應用于玩具模型問題時，也很難甚至不可能解釋。一個更重要的挑戰是人工智能系統向決策者或人類操作者解釋其推理的能力，或者在這種情況下是無能為力的。
• 眾所周知，使用ML開發的模型很容易受到對抗性攻擊。例如，基于DL的模型可以很容易地通過操縱輸入信號而被欺騙，即使該模型對攻擊者來說是未知的。舉一個例子，使用最先進的目標檢測的無人駕駛飛行器（UAV）也有可能被地面上精心設計的偽裝圖案所欺騙。
• 任何 ML 應用的原料是機器可以從中學習并最終深入理解的數據。軍事組織通常擅長收集數據用于匯報或重建目的。然而，不能保證同樣的數據可以成功用于ML。因此，軍事組織可能必須調整其數據收集過程，以充分利用現代人工智能技術，如DL。

本文的目的是強調人工智能在軍事應用中的可能性和主要挑戰。第2節簡要介紹了DL，它是本文關注的主要人工智能技術。第3節提供了幾個人工智能在軍事領域中應用的例子。第4節描述了與軍事領域中人工智能的關鍵挑戰，以及部分可用于解決這些挑戰的技術。第5節提出了結論。

2 深度學習

我們所說的DL是指由多個非線性處理單元層組成的機器學習模型。通常情況下，這些模型由人工神經網絡表示。在這種情況下，神經元指的是一個單一的計算單元，其輸出是通過一個（非線性）激活函數的輸入的加權和（例如，一個只有在信號為正時才通過的函數）。DNN指的是具有大量串連神經元層（神經元層由神經元并聯組成）的系統。與DNN相對的是淺層神經網絡，它只有一層平行連接的神經元。

直到大約十年前，DNN的訓練幾乎是不可能的。第一個成功的深度網絡的訓練策略是基于一次訓練一個層。逐層訓練的深度網絡的參數最終使用隨機梯度方法進行微調（同時），以最大限度地提高分類精度。此后，許多研究進展使得直接訓練DNN成為可能，而無需逐層訓練。例如，人們發現，網絡權重的初始化策略與激活函數的選擇相結合是解決問題的關鍵。甚至一些技術，如在訓練階段隨機停用神經元，以及在信號到達激活函數之前對其進行歸一化處理，也已證明對于使用 DNN 獲得良好結果非常重要。

表示學習是DNN高性能的主要原因之一。使用DL和DNN，不再需要手動制作學習特定任務所需的特征。相反，辨別特征是在 DNN 的訓練過程中自動學習的。

支持 DL 應用的技術和工具如今比以往任何時候都更加好用。通過廉價的計算資源、免費的 ML 框架、預訓練模型、開源數據和代碼，僅使用有限的編程/腳本技能即可成功應用和定制高級 DL。

3 軍事人工智能應用

本節介紹了幾個可以應用人工智能來提高軍事能力的例子。

3.1 監視

海上監視是利用固定雷達站、巡邏飛機、船舶，以及近年來使用自動識別系統（AIS）對海上船只進行的電子跟蹤。這些信息源提供了大量的關于船只運動的信息，這些信息可能會揭示船舶非法的、不安全的、有威脅的和異常的行為。然而，大量的船舶運動信息使得手動檢測此類行為變得困難。因此ML-方法被用來從船舶運動數據中生成常態模型。任何偏離常態模型的船舶運動都被認為是異常的，并提交給操作員進行人工檢查。

一種早期的海事異常檢測方法使用模糊 ARTMAP 神經網絡架構根據港口位置對正常船舶速度進行建模。另一種方法是利用運動模式的關聯學習來預測基于其當前位置和行駛方向的船舶運動。其他方法則使用基于高斯混合模型（GMM）和內核密度估計（KDE）的無監督聚類。這些模型能夠檢測出改變方向、穿越海路、向相反方向移動或高速行駛的船只。最近的方法是使用貝葉斯網絡來檢測錯誤的船舶類型，以及不連續的、不可能的和徘徊的船舶運動。海事異常檢測的未來發展還應該考慮周圍的船只和多艘船只之間的互動。

3.2 水下水雷戰

水雷對海上船只構成重大威脅，被用來限制船只行動或阻止船只通過受限水域。因此，反水雷措施（MCM）試圖定位和消除水雷，以實現行動自由。越來越多地使用配備合成孔徑聲納 (SAS) 的自主水下航行器 (AUV) 進行水雷搜索，該水下航行器能提供厘米分辨率的海底聲學圖像。由于AUV收集了大量的SAS圖像，自動目標分類對于區分潛在的水雷與其他物體是很有用的。雖然對水雷的自動目標分類已經研究了很長時間，但DNN在圖像分類方面的高性能表現使人們對如何將這種辦法用于自動地雷探測產生了興趣。

一些研究顯示了DNN在水雷探測方面的潛力。例如，這些研究描述了如何將假水雷的形狀、類似水雷的目標、人造物體和巖石放置在海底的各種地理圖形位置上。然后用AUV和SAS對海底進行測量。結果顯示，與傳統的目標分類器相比，DNN的性能明顯提高，對水雷形狀的檢測概率更高，誤報率更低。同樣，這些研究也描述了如何生成圓柱形物體和各種海底景觀的協同SAS圖像，并這些圖像用來訓練DNN。進一步的研究可能會探究如何從所有類型的雜波物體中分辨出水雷，結合檢測和分類，以及對噪聲、模糊和遮擋的魯棒性等

3.3 網絡安全

入侵檢測是網絡安全的重要組成部分，可在惡意網絡活動危及信息可用性、完整性或機密性之前對其進行檢測。入侵檢測是使用入侵檢測系統（IDS）進行的，該系統將網絡流量分類為正常或入侵。然而，由于正常的網絡流量往往具有與實際攻擊相似的特征，網絡安全分析師對所有入侵警報的情況進行分析，以確定是否存在實際的攻擊。雖然基于簽名的IDS通常擅長檢測已知的攻擊模式，但它們不能檢測以前未見過的攻擊。此外，基于簽名的檢測的開發往往是緩慢和昂貴的，因為它需要大量的專業知識。這限制了系統對快速演變的網絡威脅的適應性。

許多研究使用 ML 和其他 AI 技術來提高已知攻擊的分類準確性、檢測異常網絡流量（因為這可能表明新的攻擊模式偏離了正常網絡流量）以及自動化模型構建。然而，這些系統很少被實際使用。其原因是，入侵檢測給出了具體的挑戰，如缺乏訓練數據、網絡流量變化大、錯誤成本高以及難以進行相關評估。雖然可以收集大量的網絡流量，但這些信息往往是敏感的，只能部分匿名化處理。使用模擬數據是另一種選擇，但它往往不夠真實。然后，必須根據模式是正常還是入侵，或用于確保無攻擊的異常檢測來標記數據以進行監督學習，這通常很難做到。最后，模型需要是透明的，以便研究人員能夠理解檢測限制和特征的含義。

另一項提高網絡安全的措施是在安全審計期間進行滲透測試，以確定潛在的可利用的安全弱點。由于許多網絡的復雜性和其中的大量主機，滲透測試通常是自動化的。一些研究已經調查了如何使用網絡的邏輯模型而不是實際的網絡將 AI 技術用于模擬滲透測試。網絡通常用攻擊圖或樹來表示，描述對手如何利用漏洞闖入系統。描述了模型在表征方式方面的不同之處：1) 攻擊者的不確定性，從抽象的成功和檢測概率到網絡狀態的不確定性，以及 2) 從已知的前后條件到一般感知和觀察的攻擊者行為-結果的服務。此外，通過網絡和主機的正式模型，可以對不同的緩解策略進行假設分析。未來對滲透測試的研究可能會使用攻擊者和防御者之間交互的認知有效模型，例如，深度強化學習來探索可能攻擊的大問題空間。

4 挑戰

正如第3節中的案例所示，在為軍事目的開發和部署的基于人工智能的應用之前，有一些尚未解決的挑戰是很重要的。在本節中，我們將討論我們認為對軍事人工智能最關鍵的挑戰：1）透明度，2）脆弱性，以及3）在有限的訓練數據下的學習。其他重要的，但不太關鍵的，與優化、泛化、架構設計、超參數調整和生產級部署有關的挑戰，在本節中沒有進一步討論。

4.1 透明度

許多應用除了需要高性能外，還需要高透明度、高安全性以及用戶的信任或理解。這種要求在安全關鍵系統、監控系統、自主智能體、醫學和其他類似的應用中很典型。隨著最近人工智能技術的突破，人們對透明度的研究也越來越感興趣，以支持最終用戶在此類應用中的使用與透明度相關的成果。

4.1.1 對透明度的期望

人工智能所需的透明度取決于終端用戶的需求。利普頓描述了透明度可能涉及五種類型的用戶需求：

• 1.信任-在用戶難以質疑系統建議的情況下。然而，可能不清楚用戶的信任是基于系統的性能或穩定性，相對于用戶的體驗，還是用戶對系統推薦的舒適度。
• 2.理解之前未知的因果關系，可以用其他方法測試。
• 3.由于與用戶的能力相比，模型的通用性有限，因此對系統性能的了解受到限制。
• 4.有關系統建議的一些補充信息。
• 5.公平性，以避免可能導致某些情況下的不平等待遇的系統性偏見。例如，對信貸申請的評估不應基于個人屬性，如性別或種族，盡管這種屬性可能在整體統計水平上用來區分人口群體。

原則上，有兩種方法可以使人工智能系統透明。首先，某些類型的模型被認為比其他的更容易解釋，例如線性模型、基于規則的系統或決策樹。檢查這些模型可以理解它們的組成和計算。Lipton描述了可解釋性取決于用戶是否能夠預測系統的建議，理解模型參數，以及理解訓練算法。其次，系統可以解釋其建議。這種解釋可以是文字的，也可以是視覺的。例如，通過指出圖像的哪些方面最有助于其分類。Miller 對社會科學研究中如何使用這些知識來設計 AI 系統的進行了的回顧。通常情況下，人們用他們感知到的信念、欲望和意圖來解釋其他智能體的行為。對于人工智能系統來說，信念對應于系統關于情況的信息，欲望對應于系統的目標，而意圖對應于中間狀態。此外，解釋可能包括行動的異常性、使成本或風險最小化的偏好、對預期規范的偏離、事件的回顧性和行動的可控性。主要的發現是：

• 解釋是針對特定的反事實案例而進行的對比性解釋。因此，解釋的重點是為什么提出特定的建議而不是其他建議。
• 解釋是有選擇的，并且集中在一兩個可能的原因上，而不是建議的所有原因。
• 解釋是一種傳遞知識的社會對話和互動。

4.1.2 可解釋模型的實例

貝葉斯規則列表（BRL）是可解釋模型的一個例子。BRL由一系列的if（條件）then（結果）else（替代）語句組成。Letham等人描述了如何為一個高度準確和可解釋的模型生成BRL來估計中風的風險。條件離散化了影響中風風險的高維多變量特征空間，結果描述了預測的中風風險。BRL在預測中風風險方面具有與其他ML方法類似的性能，并且與其他現有評分系統一樣具有可解釋性，但其準確性較低。

基于詞典的分類器是文本分類的另一個可解釋模型的例子。基于詞典的分類器將術語的頻率與每個類別中出現的術語的概率相乘。得分最高的類別被選為預測對象。Clos等人使用一個門控遞歸網絡對詞典進行建模，該網絡同時學習術語和修飾語，如副詞和連詞。受過訓練的詞典是關于論壇中的帖子是支持還是反對死刑以及對商業作品的看法。詞典的表現比其他ML方法更好，同時也是可解釋的。

4.1.3 特征可視化的實例

盡管DNN在許多應用中提供了很高的性能，但它們的子符號計算可能有數百萬個參數，這使得人們很難準確理解輸入特征對系統推薦的貢獻。由于DNN的高性能對許多應用來說是至關重要的，因此人們對如何使它們更容易解釋產生了濃厚的興趣（見一篇評論）。許多用于解釋DNN的算法將DNN處理轉化為原始輸入空間，以便將辨別特征可視化。通常，有兩種通用方法用于特征的可視化，即激活最大化和DNN解釋。

激活最大化會計算哪些輸入特征將最大限度地激活可能的系統建議。對于圖像分類來說，這代表了理想的圖像，它顯示了每個類別的可區分和可識別的特征。然而，由于各類可能使用同一物體的許多方面，而且圖像中的語義信息往往是分散的，所以圖像往往看起來不自然。激活最大化的方法的一些例子是梯度上升法，更好的正則化方法以增加通用性，以及合成首選圖像法。

DNN的解釋是通過強調區分輸入特征來解釋系統建議。在圖像分類中，這種可視化可能會突出顯示支持或反對某個類別的區域，或者僅顯示包含區分特征的區域。計算鑒別特征的一種方法是使用局部梯度或其他變化度量的敏感性分析。然而，敏感性分析的一個問題是，它可能顯示輸入中不存在的判別特征。例如，在圖像分類中，敏感性分析可能會顯示物體被遮擋的部分，而不是可見部分。逐層相關性傳播通過考慮特征存在和模型反應來避免這個問題。

4.1.4 具體應用解釋的實例

與分類不同的是，人工智能規劃是基于動態的領域模型。Fox等人描述如何使用領域模型來解釋為什么行動被執行或不執行，為什么一些行動不能被執行，使未來行動的因果關系，以及重新規劃的需要。

由于公平性對許多人工智能應用來說非常重要，Tan等人描述了如何利用模型蒸餾來檢測黑箱模型的偏差。模型蒸餾法將更大更復雜的模型進行簡化，而沒有明顯的準確性損失。為了提高透明度，他們使用了基于淺層樹的廣義加性模型，對每個參數和兩個參數之間的相互作用進行建模。他們根據黑盒模型的系統建議訓練一個透明模型，并根據實際結果訓練一個透明模型。對兩個模型的推薦差異的假設檢驗體現了黑盒模型引入偏差的情況，然后可以通過比較兩個透明模型來診斷偏差。該系統在犯罪風險、借貸風險和卷入槍擊事件的個人風險方面進行了評估。結果顯示，一個黑盒模型低估了年輕罪犯和白種人的犯罪風險，而高估了美國本土非洲裔犯罪的風險。

4.2 脆弱性

在本節中，我們討論DNN在兩個不同方面的脆弱性。1）對輸入操縱的脆弱性和2）對模型操縱的脆弱性。我們首先看一下對輸入信號的操縱：

4.2.1 對輸入進行對抗性處理

在提供DNN的情況下，人們發現很容易調整輸入信號，從而使分類系統完全失敗。當輸入信號的維度很大時，例如圖片，通常只需對輸入中的每個元素（即像素）進行不易察覺的微小調整，就足以欺騙系統。用同樣的技術來訓練DNN，通常是采用隨機梯度法，通過觀察梯度的符號，你可以很容易地找到每個元素應該朝哪個方向改變，以使分類器錯誤地選擇目標類別或僅僅是錯誤分類。只需幾行代碼，最好的圖像識別系統就會被欺騙，相信一張車輛的圖片是一只狗。下面的圖 1 顯示了操作前后的圖像以及操作前后類的可能性。

上述方法假設有對DNN的完全訪問權，即所謂的白盒攻擊。人們發現，即使是所謂的黑箱攻擊，即你只觀察到系統的輸入和輸出類型，也是可能的。在其中，作者采用從他們想要攻擊的黑盒系統中稀疏采樣所獲得的數據來訓練一個替代網絡。鑒于替代網絡，你可以使用上述的白盒攻擊方法來制作對抗性輸入。一個學習替代網絡的替代方法被提出來，在這個方法中，遺傳算法被用來創建導致系統錯誤分類的攻擊向量。同一作者甚至表明，通常只需修改圖像中的一個像素，盡管常常是可察覺的，就能實現成功的攻擊。

圖 1：從小型貨車到西伯利亞雪橇犬。 原始圖像和操縱（對抗性制作）圖像之間的絕對差異（放大 20 倍）顯示在右側。 對抗性示例（中心）是使用 Kurakin 的基本迭代方法（BIM）生成的。

4.2.2 利用預訓練 DNN 中的隱藏后門

當設計一個DNN，但只能獲得少量的訓練數據時，通常會使用預訓練的模型來達到良好的性能。這個概念被稱為遷移學習，一個常見的應用是采用在大量數據上訓練過的模型，根據具體問題替換和定制網絡中的最后幾層，然后在最后階段（有時甚至是整個系統）利用可用的訓練數據微調參數。目前已經有大量的預訓練模型可以從互聯網上下載。那么一個相關的問題是："我們怎么知道那些上傳模型的人沒有壞心眼？"。作者在識別美國交通標志的模型中插入后門，就考慮了這種類型的漏洞。例如，一個貼紙被訓練為屬于停止標志以外的類別。然后他們表明，當使用后門（即在交通標志上放置一個貼紙）時，基于美國交通標志網絡的識別瑞典交通標志的系統會有負面的反應（大大損害了瑞典交通標志系統的分類準確性）。

4.2.3 防御方法

減少DNN對輸入信號操縱的脆弱性的一種方法是在模型的訓練過程中明確包括被操縱/對抗的例子。也就是說，除了原始訓練數據外，還產生了對抗性例子，并用于模型的訓練。

另一種方法是使用一個叫做防御蒸餾的概念。簡而言之，該方法試圖降低輸出信號只指出真實類別的要求，并迫使其他類別的概率為零。這分兩步完成。第一步是對DNN進行常規訓練。在第二步，將第一個神經元網絡的輸出（類別概率）用作新的類別標簽，并使用新的（軟）類別標簽訓練一個新的系統（具有相同的架構）。這已被證明可以減少漏洞，因為你沒有把DNN與訓練數據貼得太緊，并保留了一些合理的類間關系。

其他防御方法，例如特征壓縮技術，例如均值或中值濾波或非線性像素表示，例如單熱或溫度計編碼。

不幸的是，所描述的方法都不能完全解決漏洞問題，尤其是如果攻擊者對模型和防御方法有充分的了解的話。

4.3 數據

在軍事背景下開發基于ML的應用是具有挑戰性的，因為軍事組織、訓練設施、平臺、傳感器網絡、武器等的數據收集應用最初不是為ML目的設計的。因此，在這個領域，往往很難找到真實世界的、高質量的、足夠大的數據集，可以用來學習和深入理解的。在本節中，我們將探討即使在有限的訓練數據中也可以用來建立ML應用的技術。

4.3.1 遷移學習

遷移學習（也在第4.2.2節中提到）是一種技術，通常在數據集較小和計算資源有限時使用。這個想法是在開發針對其他類似任務的新模型時，重復使用通常由 DNN 表示的預訓練模型的參數。至少有兩種方法可用于DL應用中的遷移學習：

• 重新學習輸出層：使用這種方法，預先訓練好的模型的最后一層被替換成新的輸出層，與新任務的預期輸出相匹配。在訓練過程中，只有新輸出層的權重被更新，其他的都是固定的。
• 微調整個模型：這種方法類似于第一種方法，但在這種情況下，可能會更新整個 DNN 的權重。 這種方法通常需要更多的訓練數據。

事實證明，遷移學習也可以提高模型的泛化能力。然而，隨著源任務和目標任務之間距離的增加，遷移學習的積極作用往往會減少。

4.3.2 生成性對抗網絡

生成性對抗網絡（GANs）是由Goodfellow等人發明的，是一種生成模型，可用于半監督學習，其中將一小組標記的數據與一大組未標記的數據相結合以提高模型的性能。基本的GAN實現由兩個DNN組成，分別代表一個生成器和一個判別器。生成器被訓練成產生假數據，而判別器被訓練成將數據分辨為真實或虛假。當這兩個網絡同時被訓練時，一個網絡的改進也會導致另一個網絡的改進，直到最后達到一個平衡。在半監督學習中，生成器的主要目標是產生未標記的數據，用于提高最終模型的整體性能。除了半監督學習之外，GANs還被用于：

• 重建：填補部分被遮擋的圖像或對象的空白部分。
• 超分辨率：將圖像從低分辨率轉換為高分辨率。
• 磁帶到圖像的轉換：將圖像從冬天轉換為夏天，從夜晚轉換為白天，等等。這項技術的一個軍事應用是可以將夜視圖像轉換為日光圖像。

4.3.3 建模和仿真

建模和仿真已被軍隊廣泛用于培訓、決策支持和研究等。因此，有很多經過長期驗證的模型，也有可能被用于生成ML應用的合成數據。例如，飛行模擬器可以用來生成置于不同環境中飛機的合成圖像。在這種情況下，標簽是自動的，因為在生成合成圖像之前，飛機的類型是已知的。然而，不足為奇的是，在將模型應用于真實世界的圖像時，使用合成圖像可能會導致性能不佳。目前正在探索的一種方法是采用GANs增強合成圖像，使其具有照片般的真實性。這種方法已經得到成功的應用。

5 結論

人工智能最近的突破正在逐漸達到可以用于軍事應用的地步。 該論文描述了在監視、水下魚雷戰和網絡安全中使用人工智能的一些可能性。 其他潛在應用包括使用半自動駕駛車輛和傳感器系統進行偵察、在具有長時間要求的防空系統中進行威脅評估、新興模式的情報分析、指揮和控制系統以及教育和培訓。 然而，人工智能的軍事應用需要考慮以下方面的挑戰：

• 確保模型性能符合軍事要求的透明度。
• 脆弱性可能會導致系統性能大幅度降低。
• ML的訓練數據不足。

專注于人工智能的透明度、可解釋性和可解釋性問題的研究人員已經取得了許多進展。這些進展中的許多部分也都可能被用于軍事人工智能應用中。然而，需要進行更徹底的需求分析以了解如何利用這些研究成果。軍事需求在風險、數據質量、法律要求等方面與一般情況相比非常不同，有些類型的透明度甚至可能不適用。此外，還需要對如何利用社會科學研究來提高人工智能的可解釋性進行更多研究。未來的研究還應該包括如何充分利用在視覺分析研究領域中開發地豐富的可視化技術。

由于目前還沒有解決脆弱性問題的有效方案，因此在監測這一研究領域不斷尋找有希望的解決方案非常重要。然而，在這種解決方案出現之前，有必要盡量減少外部對模型和防御技術的訪問。否則，對手可能會試圖利用這些漏洞來為自己謀利。

最后，遷移學習使其有可能將預先訓練好的模型應用于訓練數據和計算資源都有限的軍事應用。GAN是另一種有很前途的技術，它能夠采用標記的和未標記的數據進行學習（半監督學習）。GAN也可以與仿真結合使用，以提高合成的訓練數據的真實性。