亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

當前及未來可用技術正在且將持續改變作戰環境的本質，這一論斷無可辯駁。然而更具挑戰的是識別哪些技術能使沖突一方對技術弱勢對手形成決定性優勢——尤其是這些技術在多大程度上影響陸地作戰固有的保守性。當前沖突中涌現的技術已呈現趨勢，預示著未來"算法化"戰場的可能形態。本文探討未來二十年戰場的可能圖景，并闡釋高強度沖突中地面部隊在技術飽和戰場運用的挑戰。（注：原文編制過程中未使用人工智能內容生成工具）

未來軍事行動的實施方式將與傳統模式截然不同（Turaj & Bu?ka, 2020）。納戈爾諾-卡拉巴赫（Petrosyan, 2023）、烏克蘭（Hrn?iar & Kompan, 2023; Zahradní?ek et al., 2023）及加沙地帶戰場已顯著展現創新技術引發的變革。這些沖突特征在于：大量使用舊代軍事裝備，輔以一定程度現代技術支撐，實質是源起數十年前的現役武器裝備與現代戰場元素的結合體（Gibradze et al., 2022）。因此稱其為"下一代沖突"并不恰當。同時至少就烏克蘭沖突而言，俄聯邦武裝力量的軍事藝術（尤其沖突初期）呈現高度保守與傳統主義特征：其大規模部署的營級戰斗群在編成、裝備及戰術運用上常不符合現代戰場需求（Grau & Bartles, 2022）。然而這些沖突的鮮明特點是：先進軍民技術（如無人機系統/UAS）正加速融入指揮控制（C2）最底層級的趨勢。該趨勢由技術成熟度與可用性共同驅動。通過多平臺交互或與空基/天基/地基傳感器-效應器的體系化協同（Turaj, 2019），此類系統效能顯著提升，其應用潛力預計將持續擴展。

上述考量促使以軍事專家、指揮官、理論家、學者、研究人員及政界人士為代表的廣泛"軍事共同體"提出關鍵問題：這些技術是否具備"顛覆性"潛力？會否弱化傳統作戰要素的認知？未來能力如何演進？能力如何在地面戰場具象化？軍事藝術將因此發生何種變革？更廣義而言——未來陸地戰場將呈現何種形態？這些問題的答案對建設現代化軍隊具有不可否認的價值，使其能在可預見的未來作戰環境中做好充分準備并有效行動。

當前關于軍事未來的啟發性觀點與未來學預測層出不窮。保羅·沙爾（Paul Scharre, 2019）與羅伯特·拉蒂夫（Robert H. Latiff, 2017）的著作尤具價值。兩位作者近乎一致指出：未來沖突將呈現人工智能（AI）賦能系統的自主特性；作戰將主要在網絡空間展開；陸地領域將由"機器人軍隊"主導——或由士兵遠程操控，或具備高度自主性。他們同時警示這些技術應用的法律倫理問題，強調缺乏深思的技術部署可能引發長期毀滅性后果。

馬爾欽·戈爾尼克維奇（Marcin Górnikiewicz, 2019）對21世紀后期沖突的推演極具啟發性。其研究基于"人類將在短期內取得徹底改變傳統武裝沖突形式與方法的技術突破"這一前提，預言包括"武器"與"武裝斗爭"在內的諸多概念將被重新詮釋。未來作戰潛力將不再由其物理組件的量化參數"乘積"所絕對定義（Varecha, 2020a）。軍事力量運用的重心將發生轉移：雖仍聚焦對手弱點，但未來軍隊的首要目標既非作用于作戰潛力的物理組件，亦非精神因素，而是摧毀敵作戰潛力中恢復耗時極長或具"破壞性"的組分——這類破壞將導致敵方認知功能崩潰。隨著人工智能演進，通過投射虛假視覺/聽覺/觸覺/味覺來針對性干預人腦活動機制的認知將深化，最終引發暫時性癱瘓、精神道德休克及現實感知能力喪失。基于深度個體文化密碼與潛意識決策機制的高科技預測方法，將成為預判對手決策過程的關鍵要素。

這意味著下一代作戰域很可能是涵蓋人類感知、推理與決策全維度的認知空間（Malick et al., 2022）。然而此類活動仍處萌芽階段，因當前尚缺實現上述未來效應的能力。本研究旨在"窺探"近未來，力圖描繪20年內作戰環境（尤重陸地領域）的演進輪廓。

鑒于安全環境演變態勢，未來二十年仍將由歷史上引發軍事沖突的相同因素主導。沖突誘因或包括資源爭奪、經濟/意識形態/社會/宗教差異及影響力角逐（《全球趨勢》, 2021）。本研究預期范圍內，革命性變革不會源自新技術手段或其運用理念的根本轉變。但可預見的是，現代及前瞻性裝備的技術性能參數將根本性改變未來軍事行動的整體認知與實施方式。

傳感器升級、自主化、流程自動化與人工智能的融合將產生深遠影響：技術先進的效應器將更精準、互聯更緊密、響應更迅捷、射程更遠且威力更強。這些因素也將重塑軍事藝術——當前對作戰環境的認知、對普適原則法規的傳統"把握"、兵力運用方式，尤其是過時的"戰術、技術與規程"（TTPs），將無法匹配技術先進軍隊的能力需求。

方法論

技術發展與軍事藝術變革之間存在明確關聯性——這種關聯源于創新技術在軍事力量結構中的實施。本研究聚焦未來20年最可能顯著影響常規武裝力量的技術趨勢，這些趨勢將在"算法化"戰場上發揮關鍵作用。此類預測雖具高度抽象性且非直截了當，但對充分發展軍事力量能力至關重要，使其不僅能應對當前威脅，更能應對未來挑戰。本研究目標與貢獻在于：勾勒未來二十年作戰環境發展前景，并闡明技術飽和戰場中地面部隊運用的挑戰。

基于此，作者團隊聚焦兩個核心問題：

1. 新興技術在未來二十年將為作戰環境帶來何種能力？
2. 這些技術將如何影響技術飽和戰場中地面部隊的運用？

研究無意分類描述制造商個體的"革命性"開發項目及技術參數對比，亦不考察技術解決方案或闡明運作原理。技術評估始終基于用戶-決策者視角：這些技術將帶來什么？其融入未來作戰環境"戰斗編成"后，如何影響未來戰場陸地領域的形態？尤其關注在"算法化"環境中對地面部隊行動的潛在影響。

研究采用實證-直覺方法論：

• 基于作者理論研究和分析
• 整合科學文獻、專業出版物、論文及軍事 doctrinal 文件（含國內外）
• 評估當前作戰環境及其發展趨勢
• 遵循常規高強度沖突的實用原則與實踐
• 檢驗既有原則在"算法化"陸地環境中的有效性

數據通過理論研究方法（分析與綜合）進行檢驗，研究發現采用比較法表述，研究問題通過啟發式預測方法驗證。需特別說明：本文結論僅具預測性，未經嚴格實證檢驗。

戰場數字化

當今作戰環境的復雜性與動態性對軍事力量及其多領域發展提出更高要求。關鍵挑戰在于建立并維持戰場態勢感知能力——這對作戰規劃與實施至關重要。隨著作戰環境中事件規模、強度及動態性持續增長，該能力重要性將日益凸顯；未來作戰將作為"跨域行動"組成部分在多個作戰域同步展開。鑒于當前環境特性，信息環境的發展對態勢感知能力影響最為顯著，尤其關乎當前與未來作戰的態勢認知（Fiebich, 2020）。

"洞悉戰場而隱匿己身"自古便是戰場指揮官的圭臬。自18世紀末戰場規模超出單兵目視范圍以來，戰場可視化成為指揮核心需求——催生出觀察員職能體系，通過觀測結果為指揮官構建戰場圖景（Pong, 2022）。數字化既是當代戰場要素，更是未來戰場基石：它賦能指揮官運用博伊德OODA循環（觀察、調整、決策、行動），輔助指揮官藝術化決策作戰系統部署的時機、地點、目的及預期效果。

未來陸地戰場將通過多元傳感器系統實現情報監視偵察（ISR）能力，覆蓋任意地形氣候條件下的物理環境（Rolenec et al., 2022）。陸地領域的數字化態勢圖景將通過寬帶高速加密傳輸，以高清視頻流形式傳遞指揮、遙測與影像信息。這些視頻流源自地面（及地下）、低空與高空多飛行高度、多視角傳感器，傳感器載體不再局限于傳統偵察單位、無人系統（UxS）、機載平臺與衛星。陸地戰場每臺設備乃至單兵都將成為傳感器節點——涉及威脅動態、敵軍部署、友軍定位等全維度戰場信息將實現實時聚合、分析評估與共享。通信設備微型化、多級數據數字化、面向網絡的系統架構及流程自動化，共同壓縮信息流時效，使**通用作戰圖（COP）**能實時覆蓋各作戰域至最低指揮層級。技術進步促使戰場全域融合：除物理域外，"交戰"將同步發生于信息域與認知域；增強現實與虛擬現實支撐的交互模式將成為標準作戰手段。

信息主導權將前所未有地取決于沖突何方能更快采集數據、精準分析并通過AI輔助實現安全定向分發。AI將為自主裝備自動生成行動選項（Koch, 2022），實現高度冗余性，使行動去中心化乃至完全獨立于人力干預。經濟型傳感器與海量數據處理能力的結合，預示實時信息探測、處理與共享的革命性突破。該能力將成為敵軍高價值目標（HVT），亦可能構成己方力量重心（COG）（?lebir, 2022）。當互聯互通被視為決定性優勢，對手必將全力破壞、降級乃至癱瘓高度互聯的信息依賴系統。提供互聯能力與通用作戰圖的信息系統防護性與韌性將成為關鍵制勝因素（Kompan, 2020）。敵方行動導致的任何功能中斷，都可能使作戰系統從互聯協同網絡退化為碎片化網絡——無法完整及時傳輸可溯數據，最終削弱通用作戰圖效能及作戰系統達成預期殺傷/非殺傷效果的能力（《全球趨勢》, 2021）。因此信息系統技術演進必然與其"韌性"發展深度融合。

目標殺傷效能

未來戰場焦點或將從火力轉向基于指揮、控制、計算機、通信、網絡、情報、監視與偵察（C5ISR）體系的信息力量。然而信息雖可提升武器系統效能與決策效率，其本身尚不足以迫使敵人屈從（至少在研究時限內如此）（Z?na, 2021）。

達成預期作戰效果將依賴日趨先進的效應器。武器裝備與彈藥發展的核心趨勢在于持續融合遠程打擊、高速突防、精確制導與實體摧毀能力的增強。現代武器系統的遠程打擊能力已預示：指揮所（Rolenec et al., 2023）、部隊集結點與后勤設施等傳統認為遠離敵方常規火力而相對安全的區域，正面臨日益嚴峻的威脅（Spi?ák, 2022）。

除射程提升外，武器系統（尤其間接火力）的毀傷精度（Varecha, 2020b）與破壞效能（Varecha & Majchút, 2019）正實現根本性突破。此趨勢源于高精度傳感-打擊系統的整合與火控流程自動化——基于精準目標定位信息、先進彈藥末制導能力，實現預定殺傷/非殺傷效果。未來戰場先進彈藥與游蕩彈藥因微型化與動態特性將更具破壞力且更難探測。電子技術正賦予彈藥新能力：可編程空爆、近炸引信及應對新興威脅的制導功能（Breaking Defense, 2023）。此類系統數量增長、效能提升與相對普及化，不僅威脅作戰體系關鍵節點（指揮所/通信設施/高壓武器系統/后勤設施等），更將危及空中領域全單元，包括小型戰術單位乃至戰場單兵。

探測跟蹤高速飛行彈藥與反制遠程微型機動平臺，始終是核心挑戰。定向能武器（DEW）（尤指激光武器）的持續發展可能帶來革命性反制方案。預計二十年內將實現陸地戰場實戰部署：其射速超越現有及未來機械系統，可癱瘓物理目標及信息/通信/指揮控制系統運行。核心優勢在于即時打擊效應、全氣象條件適用性及多目標覆蓋能力。地下等難以觸及目標亦在打擊范圍內，關鍵價值體現為附帶損傷最小化、目標鎖定高速化以及兵力需求銳減。未來DEW將與各軍兵種協同部署，天基平臺亦將用于干擾敵方衛星通信通道。針對單兵的地面DEW應用（如驅散人群）研究亦在推進（Valouch, 2016）。

當前軍事強國正計劃為步兵配裝激光武器。傳統槍械設計潛力趨近極限，單兵彈道防護進步催生新型單兵武器需求（Kulhánek, 2023）。未來或現微型激光武器替代反器材步槍或與輕武器協同作戰（Extance, 2015）。DEW系統能有效應對無人機群代表的分布式低成本威脅，相較傳統武器將具備更高精度與威力，其**"無限彈藥艙"**特性尤具戰略價值（Lockheed Martin, 2023）。

制約因素在于：除成本外，高度電力依賴構成顯著弊端——作戰損毀供電系統即致癱瘓。陸戰隊列裝受限于尺寸重量問題（需外骨骼或無人地面載具輔助）。國際激光武器使用公約亦限制其應用：禁止造成永久性視覺損傷或不成比例傷害的作戰行為（Kulhánek, 2023）。

被動防護技術亦取得重大突破：壓制紅外特征信號的技術、車體后方投射影像的電子偽裝系統、可完美折射光線使載具隱形的智能材料，代表未來偽裝技術研發方向（Wang et al., 2013）。研究時限內，全頻譜電磁輻射偽裝技術將為作戰單元及單兵提供高可信度防護。

自主性與速度

自主性指"系統在編程設定參數內，基于獲取知識與動態態勢感知，無需外部干預即可按預期目標運作的能力"（《北約術語庫》在線版）。在本研究語境中，外部干預特指無需大量人工輸入（Rossiter, 2020）。盡管作戰與保障平臺系統的自主化與自動化水平持續提升（Kopulety & Palasiewicz, 2018），人類仍將參與決策回路（"人在回路"），但僅限必要最低程度。其角色在于直接實施戰場指揮（下達指令或授權系統執行特定行動）與復雜作戰管控（Górnikiewicz & Szczurek, 2018）。保留人類決策參與具有顯著優勢：相較人工智能系統，人腦仍是最高級的認知處理系統。AI系統往往脆弱且易在新情境中失誤，而人類智能不僅更具魯棒性，面對陌生動態環境時通常更靈活。盡管人類反應速度不及機器，但在應對新態勢時表現更優（Foster, 2021）。

子流程自主化與自動化及人機交互減少帶來多重效益：最重要的是系統能持續長時間運行，以更高精度與可靠性實現預期打擊效果（如彈藥自主制導），且不受壓力恐懼導致的失誤影響。但決策速度在此特指行動/反應執行時效。

當前及未來軍事平臺的全自主化具有根本重要性。典型案例是防御性反應系統自主探測消除威脅（如迫擊炮彈、火箭彈、巡航導彈或反坦克火箭彈對作戰基地或地面裝備的攻擊）。人類通過目標識別確認威脅并實施反制的傳統決策回路在此失效——因反應時間過短。隨著效應器與彈藥技術發展趨勢（特征為循環自動化、速度、殺傷力、精度、能力與模式提升，如游蕩彈藥與先進彈藥）及陸地戰場密度增加，反應時間將進一步壓縮。另一例證是無人機系統（UAS）：若操作員通信鏈路遭敵破壞，將無法授權對已識別目標實施打擊（Foster, 2021）。

無人系統（UxS）的能力發展與自主性提升與人工智能（AI）進步緊密關聯。當前AI已用于增強現有系統性能（如數據采集分析）。第二階段AI將支持決策：指揮控制（C2）流程不變但顯著加速，特定任務（尤其敵方行動方案分析生成比選）將實現全電子化自動處理。基于AI的解析工具（Matiz-Rojas & FernándezCamargo, 2023）與機器學習模型能結合多因素與不確定性，在更廣背景下解讀敵行為模式，從而更精準預測態勢演進場景。軍事決策將高度依賴AI——這不僅源于數據量指數級增長與處理時效要求（Hlavizna et al., 2023），更因優化作戰力量運用的迫切需求。海量數據優先處理能力將成為關鍵里程碑。第三階段AI將直接對抗復雜敵手系統，該能力是實現平臺及全系統更高自主性的核心要素。

無人機集群作戰

各類別無人機系統（UAS）正加速普及，其能力持續增強而成本不斷降低。數千年來，特定時空的兵力集中始終是戰場成敗關鍵（Fuller, 1993）。該原則至今仍被北約奉為作戰準則，但其在未來是否持續關鍵？無人機集群即為佐證：其通過復雜算法持續變換飛行軌跡的快速機動特性，可能導致防空系統軟件無法處理目標模式而失效（Finlan, 2021）。微型無人機集群潛力不僅體現于數量優勢，短期內它們將實現集群通信、自適應調整戰術技術規程（TTPs），并隨態勢變化聚焦目標打擊（Nohel et al., 2023）。這些系統將充當移動干擾器、移動傳感器或無人系統集群，形成邏輯互聯的電磁頻譜"經典部隊集結"假象，致使敵方徒勞干擾無實際兵力的虛假目標信號；而平臺因高度自主性使傳統反制手段（劫持控制權、干擾通信鏈路、定位追蹤）失效。

無人系統（UxS）將在未來戰場扮演不可替代角色：持續替代人類士兵以優化作戰經濟性與兵力效能。未來二十年各層級新型無人系統普及度將持續提升，能力發展聚焦多技術融合傳感器（晝夜攝像機/熱成像儀/聲學/嗅覺/地震傳感）、微型化、電磁特征抑制及協同能力增強。精密"感知規避"系統（含合作與非合作模式）的發展，將使微無人機集群能在最小間隔下密集部署戰場（Vi?nai & Kandera, 2021），實現全地形（含建筑密集區）部署能力，在復雜多層建筑內部（Hrn?iar & Spily, 2011）及有人駕駛空域同步運作。當前概念顯示微型無人機系統將很快配裝至每名美軍單兵，其設計旨在增強遠程威脅探測能力，確保可靠清除隱蔽目標（Pickrell, 2019）。

其核心任務持續覆蓋情報監視偵察（ISR）、目標指示支援、高價值目標（HVT）獵殺、地面部隊護衛與近距空中支援（CAS）、軍用直升機護航（Blain, 2023）及電子戰支援等傳統領域，同時展現出物資/彈藥/食品補給等持續保障、機動支援與反機動措施（布設雷場/開辟通路）、化生放核（CBRN）物質探測清除、爆炸物處置及人員裝備洗消等新興潛力領域。技術發展也將推動反無人機（C-UAS）防空能力顯著進步，具備"獵殺"敵無人機與游蕩彈藥能力的無人機系統或將成為該領域突破方向。

有人-無人系統協同作戰（MUM-T）

從相對安全的遠程位置對裝備與系統實施半自主控制，現已成為現代戰場固定要素。未來將加速發展徒步/車載部隊與自主系統協同作戰概念——即"有人-無人系統協同作戰"（MUM-T）。該概念定義為"通過同步部署士兵、有人/無人空中地面載具、機器人及傳感器，實現態勢感知增強、殺傷效能提升與生存能力優化"（BAE Systems, 2023）。

未來陸地戰場特征體現為作戰無人系統（UxS）融入部隊編成，例如作為伴隨式陸空協同平臺。基于廣泛算法、機器學習與高速大數據處理，無人系統將逐步實現更高層級自主性：初始階段由操作員遠程操控；待相關概念、技術及操作挑戰解決后，將過渡至部分自主執行任務；遠期或可實現完全自主化。核心效益不僅在于提升作戰系統火力，更在于通過減少有人單元作戰部署，使其聚焦其他任務，從而拓展戰術任務譜系與執行范圍（《航空航天技術》, 2022）。同時無人系統在MUM-T中的普及將量化縮減有人單元部署規模，降低傷亡風險（Zahradní?ek et al., 2022）。

然MUM-T框架內無人系統戰術運用受兩大因素制約：一是物理環境微地形信息處理能力局限（K?i??álová et al., 2022; Mazal et al., 2020）；二是目標精確識別（PID）缺失——因系統尚缺可媲美人腦精度的目標性質判定算法庫。現有作戰識別（CID）能力雖可辨識己方單位，仍無法區分戰場人員屬性（敵軍/平民/其他角色）。

可預見時期內，殺傷/非殺傷效果終決權仍歸屬人類操作員或決策者。盡管如此，MUM-T或將成為陸地戰場關鍵創新：通過分布式智能網絡連接的智能模塊化無人系統，將作為有人平臺的力量倍增器。復雜未來作戰環境必然要求無人系統與有人空/地平臺協同編組作戰。技術進步與AI發展將逐步提升軍用無人平臺自主性與冗余度，大幅減輕未來作戰中MUM-T的后勤與認知負擔（《航空航天技術》, 2022）。

自主/半自主平臺獨立性增強將使"人在環內"模式逐步淘汰，減少MUM-T所需操作員數量。通過降低對無人平臺的直接操控強度，有人單元將獲得戰術、戰役乃至戰略層面的更強戰場掌控力。當人類無需操作"非生命體"平臺的導航與目標識別系統時，操作員可聚焦情報分發、作戰編組協同等復雜任務。鑒于無人系統潛力，MUM-T編組內人機比例將隨時間遞減，但純無人編隊的創建部署仍存疑（《航空航天技術》, 2022）。

外骨骼系統

在未來軍事行動中部署有人-無人系統協同作戰（MUM-T）時，最大挑戰在于將"人類士兵"整合至該體系——正如研究前文所述，與"機器"不同，人類會疲勞且必須在精神、心理和生理層面應對致命無人平臺的動態變化與普及（Yeadon, 2021）。外骨骼系統正是增強部署人員體能的關鍵技術，其大規模應用將催生可稱為"重型徒步步兵"的新兵種或專業部隊（Mudie et al., 2021）。

外骨骼使用熱潮預計將席卷高體能負荷軍種，主要源于裝備武器超重問題（Wu et al., 2021）：
? 爆炸物處理（EOD）分隊需攜行排爆裝備
? 步兵單位背負戰斗載荷長途機動
因此外骨骼發展需聚焦穿戴舒適性與武器系統集成能力（含定向能武器）。

這些"戰士戰甲"將降低士兵代謝消耗：外骨骼承擔機械工作（負重/行走），減少后勤需求并允許戰場兵力更分散部署。同時集成先進通信系統與指揮控制（C2）平臺，使未來戰士能"數據賦能決策優化"（Gruss, 2022）。

未來外骨骼將通過增強防護提升戰場生存力：在標準單兵防護外增設防破片層，重點保護要害部位以降低戰損（Bengler et al., 2023）。關鍵技術突破在于未來二十年設計變革——從"額外負重"轉型為"人機一體"作戰復合體。該概念使士兵能在技術飽和戰場作為高級資產（如無人系統）的控制節點，憑借增強火力、生存力與復雜態勢感知能力，成為自主系統的戰場"人形備份"。

人工智能

人工智能（AI）已被北約列為"新興顛覆性技術"（EDTs）——即能引發多領域突破的快速發展技術（NATO, 2023）。未來二十年AI將爆發式增長，深刻影響全域安全防御需求，并為陸地作戰環境帶來新挑戰。AI結合高級數據分析與"大數據"應用，將根本性改變跨域作戰的信息環境：
? 用于優化"影響力作戰"：迷惑對手/轉移輿論支持/直接干預作戰人員認知（Lucas, 2022）
? 提升現代武器系統殺傷效能：在"目標鎖定"環節全面參與"決策-探測-投射-評估"（D3A）流程
? 通過優化資源分配與打擊資產運用，顯著削弱敵軍作戰潛力

自主系統、有人-無人協同及"重型徒步步兵"都將依賴AI提供的通用作戰圖（COP）。AI將逐步接管陸地作戰環境中非必要人力的領域：軍事水文氣象、戰場測繪、分析支援、后勤系統、關鍵基礎設施防護（Jan?o, 2022）及材料工程。第二類AI優勢領域是人類響應過慢的任務：目標探測、電子戰、網絡防護、爆炸物偵排（Agarwala, 2023）。指揮控制與目標交戰等領域未來二十年仍將保持"人機混合"模式——人類干預負責注入軍事藝術，并規避道德法律困境（Morgan et al., 2023）。

AI重點發展方向已明確聚焦：指揮控制、信息管理、后勤保障與訓練（Grand-Clément, 2023）。這些主題領域緊密關聯，有理由預見AI將為地面部隊提供壓倒非AI敵軍的決定性優勢。

結論

"當今軍隊無法對抗21世紀中葉技術先進的超現代化軍隊"的假設看似直觀卻非完全客觀。畢竟軍事史上不乏證偽案例：本世紀前二十年，全球技術最先進的軍隊在伊拉克與阿富汗平叛行動中僅能實施有限作戰。但需明確——此類"挫敗"根源并非單純源于作戰潛力不足。未來二十年最先進軍隊的能力必將劇變，其增長核心加速器在于創新技術整合，這些技術將在互聯性、速度、殺傷力、自主性、可持續性等領域引發陸地戰場顯著變革。這些因素將根本性影響未來作戰中地面部隊的部署理念。未來作戰環境特征體現為多域互聯同步作戰，行動協同增效需求始終顯著。信息環境容量、吞吐量、速度、數據流冗余度及信息處理能力將成為決定性因素。軍事力量運用的核心意圖將是破壞敵方系統完整性與連通性，癱瘓其鏈路。

可預見陸地戰場將由"混合戰斗系統"主導，但人類仍居核心地位。未來二十年指揮控制（C2）作為核心作戰功能仍不會被AI機器取代——人類扮演決策者角色，機器負責全域數據采集處理分析。無人系統（UxS）替代人類執行高危任務，各類平臺由人類遠程管理或（視自主化程度）至少實施遙控。盡管待控占的物理作戰環境規模顯著擴大，作戰本質并未根本改變。但裝備能力將變革，其運用方式與手段將拓展。從未來軍隊作戰潛力物理組件視角看，遠程殺傷性資產（如作戰無人系統/集群、遠程火力特別是火箭炮與身管火炮、先進彈藥及游蕩彈藥）將至關重要。

效應器射程、速度、精度與殺傷力的持續提升，將影響高價值難替代平臺的生存力及地面部隊自身效能。精準地理定位、高精度實時真實戰場態勢感知、持續傳感器互聯與即時自動化效應器響應的結合，意味著近期軍隊可能不再需要（或無法遵循）傳統認為必要的"集中原則"——即通過時間/空間/規模的集中達成目標。應對技術優勢敵軍火力威脅的潛在方案是深化分布式發展：即戰場兵力分散化（含作戰行動分散化）。由此可預期任務、空間、資源與時間受限的戰術行動將增加。有人/無人作戰系統在技術飽和戰場的生存力，將取決于其進入作戰區域的速度、區域內高機動能力及后續撤離重組再部署能力。小范圍密集部署作戰系統、靜態作戰模式、低水平欺騙偽裝、線性單域作戰及其他"經實戰檢驗但過時"的傳統軍事行動方式，將倍增部隊定位風險及隨之而來的即刻壓制風險。

所有已識別技術將構成整體防御能力與威懾基礎，因其確保技術主導權。故任何國家必須發展并落實于安全領域建設。經合理結構整合與流程實施的技術，必將成為質量優勢的決定因素。但若技術擁有方無法全面認知物理環境能力與給定條件，且不能因地制宜運用軍事藝術、創造力及自身能力，則先進裝備潛力在作戰環境中的應用仍將不足。

隨著未來競爭者愈發熟悉形勢變化，他們將日益嘗試開啟新型戰爭模式，深刻改變當前主要圍繞戰場展開、以國家軍事力量為載體的克勞塞維茨戰爭理念。技術融合在未來20年內不僅將在社會層面引發變革，還將改變戰爭形態——軍事能力將日益呈現自主化、網絡化、多域化和精確化特征。

隨著北約《2022戰略概念》的通過，北約各國元首和政府首腦已承認“歐洲-大西洋地區已無和平”。在認識到北約面臨全方位競爭環境的同時，各方確立了應對所有作戰領域多樣化與日俱增之挑戰的共識。破壞性事件頻次與范圍日益擴大之際，潛在對手和戰略競爭者展現出持續削弱聯盟履行核心任務能力的意圖。北約盟軍轉型司令部獨特的未來研究項目“戰略前瞻分析”（Strategic Foresight Analysis），以聯盟戰略概念為基線（即“碎片化世界”），深入探討了趨勢演變軌跡。在“全方位競爭”的未來世界中，技術將提供賦能，規則適用性減弱將構成誘因，強權政治將驅使各方行為體日益涌入監管不足的全球空間——無論太空、大氣層、北極、海床、失敗國家領土，抑或虛擬與認知域效應的層面。

未來競爭者將在全球、區域和次區域層面，與國家及非國家行為體在模糊的競爭連續體中進行博弈。這些轉變發生在包含新冠疫情余波、俄烏戰爭以及巴以沖突在內的系統性震蕩背景之下。國際秩序因此處于轉型期，在大國競爭加劇與各層面割裂之中日益趨向多極化。氣候崩潰、資源短缺、人工智能時代及新興顛覆性技術等主要結構性驅動力，將持續影響國家、社會與武裝力量，改變競爭與沖突的性質。總而言之，當前歐洲已無和平，且不幸的是，受國際體系根本性變革（技術革新、破壞性因素與行為體態度能力轉變所驅動），前述挑戰將演變為特有現象并持續加劇。隨著行為體愈發熟悉形勢變化，他們將日益嘗試開啟深刻改變我們當前克勞塞維茨戰爭理念（主要圍繞戰場展開、以國家軍事力量為載體）的新型戰爭。

俄羅斯作為此趨勢的例證，正運用全方位力量對烏克蘭實施消耗戰。作為其戰爭手段的組成部分，俄羅斯正通過網絡攻擊和針對盟國的虛假信息運動等“閾下”活動，試圖塑造并破壞盟國政策與行動。削弱聯盟凝聚力、顛覆北約核心價值觀似乎是俄羅斯的長期目標。當前中東、北非及薩赫勒地區部分區域同樣存在戰爭、暴力與動蕩，為聯盟帶來全方位挑戰——尤其對其南部側翼構成壓力。這些挑戰發生的背景是：北約領土雖無戰爭，卻也并無和平。在規則改變、戰爭與和平性質亦隨之演變的時代，北約的軍事力量體系正承受著這些新挑戰與事態發展的日益嚴峻的壓力。我們正身處智庫“歐洲外交關系委員會”創始人馬克·倫納德（Mark Leonard）于2021年提出的“非和平時代”。必須深入理解此種“非和平”狀態的后果，為北約作戰能力發展與防務規劃工作提供依據。本文將總結近年來最權威的協作性未來研究成果，以期助力軍事思想家與作戰能力發展界研判可能重塑軍事力量效用的新興問題集合。

圖：七個變革驅動因素的主要框架。

演進中的戰略環境

《戰略前瞻分析2023》（SFA23）作為協作研究項目而制定，該項目包含九場研討會與800名參與者，并經由北約體系內盟國、合作伙伴及利益相關方開展兩輪全面評審，涉及超過50個不同實體。此項協作研究確證了北約戰略環境的持續惡化——在系統性震蕩及體系內行為體能力與行為模式轉變的驅動下，該環境正日益呈現“碎片化”態勢。氣候崩潰、生物多樣性喪失及資源短缺進一步加劇了前景的復雜性，不斷催生不穩定與沖突。資源短缺預計將持續加劇，引發更深層次的不穩定、競爭與沖突。隨著氣候崩潰進一步破壞重要生態系統并中斷其服務功能，對可再生與不可再生資源以及關鍵原材料的需求將持續增長，而圍繞這些資源的競爭與依賴關系亦將更趨尖銳。資源的高需求與稀缺性可能引發競爭轉向對抗的臨界點。綠色能源轉型正成為未來國際與國內事務的核心要素。地緣經濟學助長極化趨勢：經濟活動向亞洲轉移，既有體系因安全關切與數字化轉型而變革。全方位競爭在全球經濟重大震蕩中展開，進一步加速極化進程。供應鏈安全化與替代性數字生態系統將促使地緣經濟集團形成。適應第四次工業革命將為國家、社會及武裝力量帶來重大挑戰與顛覆性影響。新興顛覆性技術（EDTs）將重塑這些國家、社會與武裝力量，在跨維度環境中產生融合效應。未來20年技術融合不僅將在社會層面引發變革，更將改變戰爭形態——軍事能力將日益呈現自主化、網絡化、多域化和精確化特征。這將使包括商業組織與恐怖組織在內的更多行為體能夠更有效地追求其自主目標，日益挑戰傳統國家權力。技術發展的加速化與公私領域關系的變革將深刻影響安全及軍事事務。跨作戰域及物理/非物理維度的融合效應將拓展競爭范圍并重塑其特性。

網絡化非國家行為體的崛起、技術賦能、城市化進程及信息/虛假信息過載具有高度確定性。技術加速互聯互通，使群體與個人能夠獨立于國家行為體追求目標。人際網絡快速適應能力使其成為強大盟友或危險對手。社會與商業能力正崛起為現代競爭與戰爭不可或缺的要素。這些人際網絡趨勢將深度影響國際關系、安全與治理，既創造機遇亦滋生風險。城市將成為未來軍事行動最關鍵節點，次國家行為體將更具敏捷性、適應性與可擴展性。技術擴散賦能人際網絡，日益影響國際及國家內部事務。商業實體將推動能源與工業雙重轉型，改變戰爭形態。

上述趨勢與軌跡在缺乏有效全球協作以緩解全球挑戰的情境下，正共同導向“全方位競爭”。此種動態將包含加速的變革、戰略性震蕩、普遍性不穩定及威權國家——這些因素將實質性挑戰并進一步割裂基于規則的國際秩序，同時伴隨加劇的戰略競爭以及新型安全合作與軍事聯盟的涌現。在通過推演與兵棋模擬驗證可選路徑后，所有研究參與者均認為“跨全域、全維度、全時段的全方位競爭”是最可能出現的場景。該環境將呈現復雜化、擁擠化、商業化、對抗化及非故意混亂化特征。戰略競爭者將試圖通過塑造局勢、制造爭端、利用破壞性事件與不穩定態勢，從戰略優勢地位實施對抗，從而協調其各力量體系以限制聯盟在和平時期的軍事力量體系效能。潛在對手提升其力量體系的協調與運用效率，非軍事手段或將發揮更大作用。鑒于北約在軍事力量體系方面的優勢，此類對手可能傾向于避免與聯盟發生公開直接沖突。其目標將反映這一傾向——試圖掩蓋意圖與能力以達成戰略突襲。這些對手可能引入“合理推諉”機制規避歸因與反制；可能廣泛運用新興顛覆性技術與網絡戰對關鍵基礎設施造成持久破壞；并實施強力的技術賦能型認知戰以瓦解團結聯盟。

圖：“未來軍事挑戰將涉及適應技術、經濟、環境及社會變革，并創建適應未來需求的異質化、高效且可持續的兵力設計。”首圖（盟軍快速反應部隊）與第三圖（北極海域巡邏）由北約提供；第二、四、五、六圖分別由Shutterstock提供，依次展現量子技術、綠色能源、高超聲速導彈及復雜信息環境。

全方位競爭時代軍事力量體系面臨的挑戰

《戰略前瞻分析2023》勾勒了未來圖景——軍事力量體系將與更廣泛的國家力量手段相互交織。未來軍事挑戰將涉及適應技術、經濟、環境及社會變革，并創建適應未來需求的異質化、高效且可持續的兵力設計。北約必須發展具備彈性與適應性的能力，融合軍事與商業創新，以應對動態演變威脅并在劇變世界中維護安全。隨著步入“全方位競爭”時代，國家與非國家行為體正轉變其態度與行為模式。全球防務開支指標揭示了各國如何對沖安全環境惡化的風險。非國家行為體受益于技術民主化，制造出戰略級效果與突發狀況。商業化使私營行為體能在戰略競爭中扮演關鍵角色，而社會成為戰役決勝因素——韌性成為軍事行動的根本前提。受技術局限與機遇、人口因素、勞動力市場剛需、差異化道德倫理法律門檻及威脅暴露程度的驅動，民主國家軍隊與其潛在競爭者的發展軌跡將日益分化。力量體系間不斷擴大的不對稱性（涵蓋設計、結構、能力及運用理念）凸顯重新評估的必要性。戰爭形態正經歷轉型：機動作戰與火力平衡改變；殺傷力與消耗戰加劇；人機作戰比例轉換；遠程打擊的復蘇、擴散與泛化；以及強大的“反介入/區域拒止”能力。面對這些無孔不入的新型挑戰，武裝力量亟需快速適應，并在此過程中日益依賴社會力量與商業主體維持行動能力。

圖：《戰略前瞻分析2023》方法論基于“框架預見模型”（Framework Foresight Model），并根據盟軍轉型司令部目標進行定制。

此外，國家未來生成作戰力量的能力或將面臨挑戰。這些挑戰包括：適應氣候變化與轉向綠色能源的成本負擔；緊跟快速技術變革的步伐；應對經濟與財政制約。社會因素（如福利支出增長需求、人口老齡化與熟練工人短缺引發的勞動力挑戰）將進一步擠占國家資源。防務領域成本持續攀升亦增加管理難度。北約三大核心任務——威懾防御、危機預防管理及合作安全——均受安全環境演變影響。有效履行這些任務需成員國通力協作，提供保證未來作戰效能所需的能力。各類力量體系之間的互聯互通將增強。技術顛覆與對抗性策略將檢驗北約軍事力量體系的效能。未來戰爭特征將呈現全域持續同步威脅。經濟與環境因素將影響軍事力量的部署。在資源短缺的動蕩地區，國家可能訴諸戰爭解決困境。保護自然資源、貿易通道與供應鏈將成為優先事項，涉及無人海空平臺及擴展型精確打擊等新技術。非國家行為體亦可能獲得挑戰國家與商業實體的能力。國際治理缺失將加劇網絡與信息等領域資源競爭。

兵力發展因戰爭復雜性提升而難度倍增。人工智能賦能的制造保障能力結合北約內部協作，或能緩解部分壓力并構建韌性。自主運輸服務、無人機、人工智能與量子計算等創新技術將優化后勤運作。然而未來仍將存在勞動密集型、成本密集型與技術密集型的軍事裝備，導致對高價值資產的風險規避傾向。增強型決策能力可能改變攻防平衡，為高強度作戰與全球機動作戰提供工具，但同時也催生早期威脅偵測與響應新需求。新興顛覆性技術將提升作戰速度與透明度，壓縮戰術、戰役與戰略層級。未來兵力設計或將呈現異質化與商業化特征，公私部門協同創新發揮重要作用。這將引發對可信度、可靠性與依賴性的關切，需聚焦軍事韌性與長期防務規劃。國防預算將承受國家資源需求競爭與戰爭成本攀升的雙重壓力。烏克蘭戰爭增加了大規模沖突的可能性，推動全球軍備建設。庫存與戰備水平未達最優值，刺激防務投資增長。通貨膨脹、武器高需求及關鍵材料獲取不均將使價格維持高位。全球預算赤字攀升，盟國GDP增速將落后于危機前水平。武器系統老化與兵員招募困境將推高維護成本與人員開支。基于能力聚合與統一行動的聯盟體系對威懾國家行為體及應對多維威脅至關重要。然而威懾效能將受以下因素挑戰：碎片化安全環境、現代技術賦能意圖隱蔽能力、以及高風險耐受度的非國家行為體。依托公私協同構建的社會韌性可通過"拒止"策略增強威懾效果。

軍事力量體系將依賴商業賦能主體實施威脅偵測、威懾與防御。但復雜安全環境仍將在認知與規范層面提出挑戰。對手將在物理對抗前爭奪人際網絡主導權。數據成為戰略資源，人工智能深度影響“傳感器-射手”系統與自動決策機制。太空資產對多域作戰至關重要，令戰場透明度顯著提升。互聯互通與自動化系統及傳感器的廣泛運用構成軍事優勢核心要素。關鍵新興顛覆性技術（如高超聲速導彈與自主武器系統）將日趨普及。通過時空維度掌控軍事力量體系的能力依然關鍵。預警與沖突升級間隔時間縮短，信息流加速。數據與信息優勢將轉化為認知領域主導權。軍事力量體系需提供多元化解決方案，實現多域作戰協同效應。

北約盟軍轉型司令部（ACT）的《未來作戰環境》（FOE）研究進一步探討了這些考量的關鍵影響，聚焦四大領域：技術沖擊、行為體意圖與能力、戰場特征演變、戰爭形態轉型。FOE研究成果將為司令部作戰能力發展與防務規劃提供信息支持。自北約通過《2022戰略概念》以來，我們深知和平已然消逝。借助《戰略前瞻分析2023》，進一步評估“全方位競爭”正在所有影響維度、所有力量手段及全時段持續展開。盟軍轉型司令部正全力重塑對和平與戰爭的認知：發展全球化戰場生成與協調作戰力量的理念；構思應對消耗戰、致命性、規模效應與成本控制的方案；研究應對國家行為體與恐怖分子遠程打擊及泛在暴力的策略。我們的工作旨在協助北約適應這個復雜、擁擠、商業化、對抗化且混亂的環境。《2024未來作戰環境》致力于預判影響能力運用的條件，為前瞻性能力建設提供框架，確保盟軍始終保持適應性、韌性與有效性。

北約如何適應多域威脅時代的未來戰場需求？

本文核心問題的答案相對明確，但落實答案的實際過程可能充滿挑戰。我們必須更善于捕捉未來——主要是技術性——變革，并比對手更快速高效地把握其價值。同時不應忽視：威懾、防御及緩解“多域威脅”和行動影響所需的諸多措施其實已然具備。常見挑戰在于能否及早“偵測”這些威脅，并協調運用應對措施。誠如克勞塞維茨所言：“戰爭中如同日常生活，整體各部分相互關聯。因此所有行動后果（無論其起因多么微小）必然影響后續所有軍事行動，并在某種程度上改變最終結局。同理，每一種手段必將影響終極目標。”

必須厘清發展脈絡。理解現狀需要歷史與文化語境支撐。若缺乏這種認知——包括承認過往部分假設與決策可能存在失誤——便難以為未來做出正確抉擇。必須把握當前態勢及其對未來的影響。從觀察到理解需要評估過程。面對“多域威脅”，區分競爭性行為與軍事性質行動至關重要。這要求通過商業與公共部門、政府文職與軍事機構、國際組織間的數據交換，持續提升“態勢感知”能力。同時須共享對形勢、威脅或事件及其潛在影響的評估結論。

必須借助持續警惕的“視野掃描”與接觸，識別未來的機遇與挑戰。通過辨別事件與趨勢，方能評估其對未來（尤其是未來“作戰環境”）的影響。運用“新興顛覆性技術”（EDTs）將提升識別影響未來事件或趨勢的能力。隨著長期未來評估機構日益增強數據交換，其把握機遇與通過“風險緩釋”應對挑戰的能力也將提升。

必須常態性質疑對未來的預設。任何變化都可能影響當前行動及未來能力建設規劃。預設塑造發展軌跡，而我們在財力與情感上投入愈深，改變軌跡便愈艱難。應盡可能將“彈性”融入規劃——正如制定軍事行動計劃時所追求的那樣。正如諺語所言：“遭遇敵軍時任何計劃都需調整”。我們確信未來將出現“顛覆性沖擊”迫使我們改變方向。必須通過“訓練演習”、“建模仿真”與“實驗”，嚴格檢驗構成當前發展軌跡基礎的假設與評估。同時須勇于接受在這些嘗試中的“失敗”可能。

必須愿意調整自身發展軌跡與規劃。前述步驟為未來正確決策奠定基礎。核心問題在于：我們是否“愿意且能夠改變”？改變程度如何？是否改變整個DOTMLPFI（條令、編制、訓練、裝備、領導力與教育、人員、設施、互操作性）框架？改變“合作伙伴”及“合作模式”？調整“商業伙伴關系”與“義務歸屬”？最終歸結為“風險管控”能力。日新月異的變革速度，疊加未來“沖擊”與“顛覆性事件”的頻發趨勢及其潛在負面影響，要求北約必須增強“靈活性”及“路徑調整”能力以保持競爭優勢。同時應持續聚焦那些對聯盟執行“核心任務”能力具有決定性影響的“變革”領域。

結論

從事未來評估的專家普遍持悲觀態度并聚焦于未來威脅。本文結論部分擬采取更積極視角：首先，北約及盟國當前正著力應對未來帶來的諸多挑戰與機遇。盟軍轉型司令部正開發"認知作戰"與"跨域指揮"等概念，為未來"認知優勢"開辟廣闊發展路徑。"在司令部，我們正探索如何在全球化戰場生成與協調作戰力量。"美軍B-52H轟炸機執行威懾任務，特別在東部側翼彰顯北約威懾力。此外整個聯盟體系正大力推進系統性未來思維建設——通過增強前瞻能力與流程設計，并構建前瞻研究機構協同網絡。

其次，盡管存在爭議或非普適性，我們堅信自由社會與民主國家在技術創新領域將優于威權國家。三十二個成員國各自的歷史積淀、文化底蘊、專業優勢及差異化視角匯聚成巨大潛能，將為未來挑戰提供多元解決方案。商業部門引領著全聯盟多領域研發活動，初創企業數量與研究領域廣度奠定樂觀基礎。北約指揮機構與部隊體系的工作成果強化了我們積極預期。軍民人員日常實踐彰顯并鞏固著北約核心價值觀。這些價值觀歷經時間考驗與對抗行為沖擊仍保持韌性，未來也必將在多域威脅中勝出。最后，北約在各流程中培育反思與批判性思維的能力，賦予我們超越戰略競爭對手與潛在對手的強大優勢。決策者與戰略家必須針對日趨復雜且整體惡化的安全環境制定有效應對方案。防務政策與分析領域的批判性思維，正在拓寬認知疆界并提出創新命題以協助實現這一目標。

近250年來，美國始終依靠陸軍工程兵團（USACE）應對最緊迫的工程挑戰。但當前任務復雜度持續攀升——面對基礎設施老化、極端天氣頻發、新型環境問題等壓力，必須探索新方法應對挑戰。生成式人工智能、先進材料、遙感技術、算力提升與自主系統等突破性技術，將賦能精準決策支持，以尖端科研成果與工程技術創新補充我們的世界級專業能力。

本《民用工程研發與技術（RD&T）戰略》是一份綜合性指南，闡明USACE如何通過研發、創新、協作與實踐解決方案直面挑戰。該戰略以韌性及可持續性為核心，應對當前與未來威脅，確保自然與人工基礎設施具備抵御多重壓力的適應能力。

戰略強調在滿足即時作戰需求的同時，重視長遠目標。以六大戰略重點領域為指引：基礎設施、水工模型、沉積物管理、生態系統、危機準備、以及人工智能/機器人/數據。

挑戰規模遠超單一機構應對范疇。與政府、學界及產業界合作將擴展研發廣度，確保技術前沿地位。這種協作模式匯聚外部智慧與資源，放大整體行動成效。致力于從項目啟動到完成的全程與內外利益相關方緊密互動，通過知識共享尋求最優解。

除協作破題外，戰略另一核心優勢在于推動技術從研發向實際應用轉化。在研發初期規劃技術轉化路徑，確保創新成果經過測試驗證后融入實際工程。

圖：一幅描繪“輝煌交響曲行動”開端的藝術渲染圖，該行動是2016年至2017年間美軍聯合其他機構對伊斯蘭國恐怖組織及行政體系實施的同步網絡與心理作戰攻擊。

將人工智能（AI）整合至軍事信息作戰（IO）領域，不能任由這種已被友軍與對手共同視為支撐當前及未來多域作戰關鍵能力的技術隨機演進。因此，對于美軍及其盟軍而言，AI的全譜系應用必須通過聚焦且精心規劃的轉型路徑實現，該路徑需經詳盡研究規范以協調條令開發、實驗驗證、實踐經驗總結，并輔以充足的資源保障。

鑒于對手在日益復雜的信息環境中運用AI技術日趨嫻熟，有效利用AI能力不僅是必需，更是維持未來戰略優勢與戰場主導權的關鍵。AI的潛在能力意味著，若美國無法在全球舞臺上確立AI主導地位，其與盟國在任何未來沖突中必將遭遇戰略性失敗。

本文在簡要梳理信息作戰歷史背景后，將重點剖析AI在信息作戰中的具體應用與戰略影響，揭示其如何提升軍事行動效能。受限于文章篇幅，研究聚焦兩個典型案例的經驗啟示：由聯合特遣部隊"阿瑞斯"（JTF Ares）主導的"輝煌交響曲行動"——這場現實作戰是2010年代末瓦解伊拉克與敘利亞境內伊斯蘭國（IS）的關鍵；以及2021年啟動的"網絡堡壘"演習系列——其直接源于全球反恐戰爭中針對IS及其他目標開展攻防網絡作戰的經驗總結。

信息武器的歷史先例與未來應用

通過信息影響、誤導、瓦解或削弱敵方決策能力，歷來是軍事戰略的基石。指揮官們深諳信息控制對沖突最終走向的塑造作用，使其成為軍事行動不可或缺的要素。從孫子強調欺詐與間諜運用的古代謀略，到冷戰時期、沙漠風暴行動、全球反恐戰爭乃至當前俄烏沖突中復雜的心理作戰，信息爭奪始終是戰爭的核心維度。

然而，廣義信息作戰面臨的歷史性挑戰，始終在于如何及時處理海量信息以區分關鍵數據與非關鍵信息。在此過程中，貫穿歷史的信息有效利用主要障礙，始終是信息處理速度的瓶頸——即如何在極端時限內建立有效機制，快速篩選所獲信息以提取最核心數據。

圖：一幅描繪2016-2017年"輝煌交響曲行動"對恐怖分子實施網絡攻擊的藝術渲染圖，該行動通過侵入伊斯蘭國成員手機、計算機等設備，秘密竊取信息、篡改數據、中斷通信，并利用定向宣傳誤導敵方作戰人員以制造猜疑與混亂。（美陸軍大學）

現代戰爭的預期關鍵特征正加速演變，這種演變往往加劇而非緩解信息分析的固有難題。例如，雖然數據采集能力空前便捷，但由此產生的信息總量遠超歷史水平，在現代作戰節奏持續壓縮決策時限的背景下，從海量數據中篩選有效信息并提煉洞察的難度呈幾何級數增長。二十一世紀前二十五年計算機技術的飛躍發展，更是將信息采集能力推向新高度，使得依賴傳統人工分析輔以老舊計算機系統的處理模式已完全無法應對當前信息處理需求。

與此同時，盡管面臨技術革新帶來的挑戰，傳統動能作戰在沖突中的主導地位正逐漸被信息域作戰所補充甚至替代，這種轉變重塑了戰爭本身的范式。數字通信技術、互聯網與社交媒體平臺的指數級發展，根本性地改變了信息傳播與操控的格局，成為驅動此轉變的核心力量。

在這個新興信息時代，AI與先進技術的整合確實具有革命性意義——盡管"革命性"一詞常被濫用，但此處恰如其分。人工智能驅動的信息作戰能自動化執行傳統人工操作無法企及的大規模任務，首次賦予使用者以空前速度組織、分類與分析超大規模數據的能力。這種變革不僅是信息領域的突破，更是整體戰爭形態的革命性演進。AI賦能的信息采集、整合與分析能力，正被視為必須融入軍事行動規劃與執行的變革力量，其潛力邊界尚未明晰，仍存廣闊拓展空間。鑒于信息處理能力的升級需求，將AI作為國家戰略優先事項投入已刻不容緩——它不僅是維持現代全球作戰環境戰略優勢的關鍵要素，更將在未來發揮決定性作用。

此外，復雜AI算法的發展或將模擬甚至替代軍事決策者賴以計算風險的人類直覺——這種曾被視作機器無法復制的神秘能力。通過對敵方領導人的人格特征與行為傾向進行實時分析，AI可賦能心理作戰的精準化，同時生成海量定制化宣傳內容并實施復雜的定向虛假信息戰，利用預測的人類行為反應來操控社交媒體輿論。這些應用凸顯AI作為"力量倍增器"的潛力，能顯著放大傳統信息作戰策略的效能，使其成為未來沖突中不可或缺的工具。

因此，AI提供的核心能力已成為現代戰爭多數形態的必備要素——決策者獲取信息的速度與精度將直接決定成敗。這意味著軍方采用AI并非漸進式改良現有流程，而是必須承認并適應戰爭本質的范式轉變，通過革命性運用新型數字工具實現戰略與作戰規劃的質變提升，同時在全球網絡空間直接破壞削弱對手的信息共享與通信通道。

軍事信息作戰中人工智能應用的崛起

如前所述，人工智能技術正在重塑軍事機構實施信息戰的方式，既帶來前所未有的能力，也引發新的挑戰。AI能夠生成海量符合特定敘事框架的信息，分析巨量數據，并基于歷史數據與實時模式預測敵方動向。這些能力雖能增強態勢感知與決策效能，但也存在用信息過載淹沒決策者的風險。

AI在信息作戰中的最顯著優勢，在于其快速精準處理與分析海量數據的能力。AI可篩選衛星圖像、實時信號截獲數據及開源情報，識別人類分析師無法察覺的模式與趨勢。這種能力極大提升了態勢感知與決策制定水平，使軍事指揮官能夠實時做出更明智的決策。

然而如前所述，待分析信息的龐大體量構成重大挑戰。若分析工具未實現革命性升級，決策者可能因試圖從海量數據中及時甄別關鍵信息而陷入過載困境。此類信息過載將導致"決策癱瘓"——指揮官因無法在高度敏感的時間窗口內有效解析可用數據而錯失決策時機。多樣化AI技術將成為破解此難題的核心手段。

此外，武器化AI還能生成欺騙性信息，誘使敵方AI得出錯誤結論并誤導其決策者。同時，AI可輔助分析目標群體的心理特征，實現更精準有效的心理作戰。

圖：2024年7月，美網絡與信息作戰人員在弗吉尼亞海灘州立軍事保護區接受"網絡堡壘"演習訓練，該演習聚焦關鍵基礎設施防護。

與此同時，防御性AI技術不可或缺——敵方可能利用AI生成的深度偽造內容與惡意合成媒體，構建旨在破壞友方公眾輿論的虛假信息與士氣打擊行動。AI生成的視頻與圖像既能散布虛假信息，亦可削弱公眾對合法信源的信任。必須認識到，AI技術的快速發展使深度偽造內容的檢測難度持續提升，有效反制此類虛假信息行動面臨嚴峻挑戰。

輝煌交響曲行動：網絡與信息戰的范式轉型

作為打擊伊斯蘭國（IS）整體戰役的關鍵組成，“輝煌交響曲行動”開創性地運用前文所述的進攻性網絡能力瓦解敵方信息傳播網絡，標志著網絡與信息戰整合的范式轉型。該行動展示了如何通過AI與網絡工具的融合達成信息域戰略目標，代表著對抗IS等對手的戰術升級。聯合特遣部隊"阿瑞斯"（JTF Ares）在行動中不僅摧毀了IS的信息傳播、人員招募與數字通信能力，更驗證了進攻性網絡能力與傳統信息作戰結合的戰略價值。

盡管行動細節多數未解密，已知該行動始于2016年并持續至2017年。行動核心力量部署于美國網絡司令部設施，但打擊范圍覆蓋IS在中東、歐洲等地的線上基礎設施。成功關鍵在于網絡能力與傳統信息作戰策略的無縫整合：美軍通過控制IS服務器、網站與數據中心，在破壞其信息能力的同時，向相同受眾植入親己方信息。多支行動團隊在最終授權后十分鐘內同步執行腳本，系統摧毀IS媒體網絡的服務器、社媒賬號與郵箱體系，行動因此被稱為"毀滅交響曲"。

這種整合策略揭示了現代戰爭的演進方向——網絡行動與信息作戰的界限日趨模糊。傳統信息作戰聚焦于影響、干擾、破壞或篡奪敵方決策流程，當與先進網絡能力結合時，其效能呈指數級放大。網絡行動能直接操控信息環境，為實時植入反敘事、瓦解敵方通信創造機遇。

行動的關鍵創新在于戰略性地運用親己方信息反制IS宣傳。美軍網絡部隊不僅阻截IS信息傳播，更在其數字平臺上替換符合美方目標的內容。這種主動信息傳播有效削弱了IS的公信力，在其支持者中制造思想混亂。

美軍在敵方網絡中植入親己方信息的能力，彰顯了對戰爭心理維度的深刻認知。行動未止步于消音對手，而是將IS自有平臺轉化為反制渠道，通過發布矛盾性信息解構其敘事。此戰術既破壞了IS招募網絡，又通過提供替代性觀點動搖了其支持基礎。

“輝煌交響曲行動”同時凸顯了運用網絡能力瓦解敵方信息作戰的效能。通過打擊IS賴以通信的關鍵基礎設施，美國網絡司令部肢解了該組織的數字網絡，致使其難以協調襲擊、招募成員及維持線上存在。

行動采用先進黑客技術穿透IS防線，操控其數據傳輸與通信系統。這種層級的破壞要求對IS運營的技術與信息維度具備深度認知。通過有效切斷IS通信鏈路，美軍實現了對該組織的戰術孤立，極大限制了其行動持續力與受眾觸達。

“輝煌交響曲行動”標志著網絡與信息戰整合的分水嶺。美國網絡司令部通過瓦解IS數字通信網絡與戰略反制宣傳，驗證了網絡能力與傳統信息作戰結合的巨大潛力。該行動不僅證明了整合策略在現代戰爭中的有效性，更為未來技術創新奠定了基礎。隨著數字戰場持續擴展，“輝煌交響曲行動”中運用的原則與戰術，將繼續引領網絡與信息戰的演進方向。

人工智能增強網絡與信息作戰：網絡堡壘案例研究

“網絡堡壘”是2021年啟動的系列演習，由弗吉尼亞州應急管理部聯合國民警衛隊及其他聯邦與私營合作伙伴共同組織，直接脫胎于“輝煌交響曲行動”的成功經驗。該演習構建了公私合作主動防御國土網絡安全的典范模式，目前每年在弗吉尼亞海灘舉行，吸引來自聯邦/州政府、軍警部門以及私營企業、關鍵基礎設施機構與學術界的數十家單位參與。

“網絡堡壘”演習通過全面模擬數字與信息環境，使軍地參演人員能在受控場景中演練優化信息作戰策略。該演習展現了信息戰訓練與戰備的演進特性，其中AI的深度融入既突顯其在未來軍事行動中的重要性，也強調持續適應與創新的必要性。

演習目標：拓展AI應用概念

本演習通過全維度模擬數字與信息環境，使軍地參演人員能在受控場景中演練優化信息作戰策略。AI的深度融入既突顯其在未來軍事行動中的重要性，也強調持續適應與創新的必要性。

演習不僅應用“輝煌交響曲行動”的成功經驗，更在此基礎上拓展關鍵基礎設施防護的進階措施。通過整合新興人工智能技術，“網絡堡壘”既提升了國內網絡防御能力，又拓展了復雜信息作戰場景的應對框架，探索驗證AI在網絡與信息作戰中的雙重效能。

當前“網絡堡壘”的核心目標之一，是運用新型AI工具強化網絡安全與信息作戰。AI使人類能夠評估網絡流量、發現海量數據集中的異常與趨勢，并以超越"非武裝"分析員的速度精度響應事件。AI驅動系統可高效識別阻斷網絡威脅，通過近實時持續數據分析，在威脅造成重大損害前實現預警攔截。AI的關鍵優勢在于將人類操作員從耗時費力的常規任務中解放，使其專注戰略決策，從而提升關鍵基礎設施防護效率。

在“網絡堡壘”中，AI還廣泛用于攻防兼備的信息作戰演練。進攻端，AI技術支持可定制化信息戰役，生成逼真虛假媒體并根據實時反饋調整信息內容，使紅方能實施復雜信息戰擾亂、欺騙并影響目標對象。

演習還通過采集參演用戶行為數據訓練高級機器學習算法。這種數據驅動方法確保AI系統持續進化，隨時間推移提升效能。算法通過分析人員對信息的反應模式識別趨勢，增強對未來威脅的預測與應對能力。在持續演變的網絡與信息戰領域，這種持續學習機制對保持戰術優勢至關重要。

“網絡堡壘”的終極目標是培育人機協同增強型作戰能力。通過整合AI工具，該演習致力于提升人員在復雜網絡與信息作戰環境中的技能水平。這種人機協作模式充分發揮人類智慧與機器精度的優勢，實現高效率低誤差的任務執行。

紅藍對抗：AI驅動信息作戰模擬中的攻防演練

在“網絡堡壘”演習中，紅隊運用AI實施復雜攻擊性信息作戰，其核心目標是通過傳播破壞性信息在公眾中播撒不信任與恐慌。紅隊采用AI驅動算法生成多語言信息，融入文化族群差異要素，確保信息能精準觸動美國不同族裔群體的深層共鳴。

紅隊還利用AI實現適應性信息投放與實時反饋，通過監控公眾反應動態調整信息內容。AI生成的聊天對話機器人在數字平臺發布評論，參與在線討論以操控輿論走向并擴大虛假信息影響。

AI賦能的適應性信息投放使紅隊能基于實時反饋持續優化戰術。通過監測信息傳播效果，紅隊可識別哪些敘事正在獲得關注并相應調整策略。這種適應性策略確保紅隊信息戰役保持效力與相關性，持續影響公眾認知并加深網絡輿論場域的分裂。

藍隊運用AI驅動策略反制此類復雜攻勢，通過快速生成準確可靠信息消解虛假敘事，并利用AI語言翻譯技術跨語種監控與反擊虛假信息。

演習期間，信息作戰支援單元（IOSC）作為藍隊的分析與戰略中樞，運用先進AI算法進行自然語言處理、情感分析與模式識別，全面監控信息環境并定位處置欺騙性內容。

IOSC通過AI自然語言處理與情感分析能力，可快速識別紅隊戰役的底層策略。通過分析目標人群特征、信息傳播頻率與主題內容，能更精準制定反制措施，確保快速實施戰略級定向響應。這種能力對維護演習信息環境的完整性、保護數字信息生態免受虛假敘事污染至關重要。

藍隊還利用AI制定主動性戰略傳播計劃，基于受眾分析定制內容投放方案。此方法確保反敘事信息能精準觸達目標群體。在此過程中，隱私保護、透明度與責任歸屬等倫理考量始終置于AI應用的核心位置。

鑒于不同人群信息獲取方式的差異性，藍隊運用AI定制內容傳播策略。AI算法確定針對不同受眾的最優傳播渠道與形式，確保反敘事信息以正確方式觸達正確人群。這種定向策略增強了藍隊信息戰役的效能，既遏制有害虛假信息的擴散，又提升公眾對未來虛假信息攻勢的抵御能力。

新興技術與未來應用

人工智能在軍事信息作戰（IO）中的應用即將引發革命性變革。新興技術將提升能力可及性，驅動軍事行動的戰略轉型。先進AI系統能處理海量數據，自主生成復雜心理畫像、預測模型與信息戰役方案。這些模型可預判潛在威脅并對信息戰役實施自動化響應，為軍事戰略家提供前所未有的洞察與預見能力。

深度學習與神經網絡的應用是技術發展的關鍵突破。該技術可生成高度逼真的合成媒體，為心理作戰提供戰略優勢。同時，AI自然語言處理工具的智能化程度持續提升，能以人類無法企及的規模與速度自主生成傳播可信敘事內容。

從戰略層面看，AI在軍事行動中的持續應用將對全球政治產生深遠影響。AI賦能的信息戰役可能催生新型戰爭形態——數字戰場上的交鋒將驅動輿論走向與國家政策，無需物理對抗。AI技術領先國家可通過影響力行動獲取國際關系中的戰略杠桿，從而引發基于"智能優勢"的新型軍備競賽。

AI系統的自動化追蹤與分析功能對快速識別虛假信息與異常行為至關重要。這些系統持續掃描數字交互與媒體內容，標記潛在威脅與虛假信息戰役。然而，海量數據的無監督分析存在誤判合法信息與放大虛假敘事的風險，因此仍需人類介入輔助。自動化警戒機制在提升防御能力的同時，也需確保信息行動的誠信與效能。人工智能在軍事信息作戰中的未來不僅關乎技術創新，更涉及如何在高度互聯世界中確保決策者實時掌握最新情報，并有效應對新型數字威脅。

未解決的倫理與隱私關切

隨著AI深度融入軍事信息作戰，倫理考量必須成為部署實踐的首要原則。AI在信息生成傳播中的應用引發重大倫理問題，尤其在隱私保護、透明度與責任歸屬層面。

AI處理分析海量數據的能力引發嚴重隱私擔憂。系統可通過社媒、通訊等數字平臺采集分析數據以識別模式趨勢，這種能力雖對信息作戰至關重要，但涉及個人數據采集的合法性需嚴格審查。確保AI系統負責任使用、數據采集符合隱私法規，需實施嚴格數據治理政策，包括數據匿名化與用途限制。

圖：2024年"網絡堡壘"演習期間開發的AI生成多語言圖像與敘事內容（作者通過MidJourney生成的AI圖像；文本由ChatGPT生成）

此外，必須警惕軍事AI應用的潛在濫用風險。個人數據聚合可能導致非預期后果，例如基于數字足跡的個體定向攻擊。防范信息濫用需建立強健安全機制與持續監管體系。

AI信息作戰的透明度對維護公眾信任至關重要。使用AI生成傳播信息必須遵循明確指南，向公眾與利益相關方披露技術應用方式與數據采集范圍。透明度建設有助于消除技術神秘性，增強公眾對AI軍事應用的信心。

責任歸屬是AI倫理部署的另一關鍵維度。必須明確AI系統行為的責任主體，通過人類監管確保生成內容的準確性與倫理性，及時糾正技術濫用。建立責任框架有助于評估AI系統影響，確保其應用符合倫理標準與法律要求。

AI在戰爭尤其是信息作戰中的應用，引發關于信息操控與心理傷害的倫理爭議。深度偽造與合成媒體技術可能被用于操縱輿論、散播虛假信息。此類應用的倫理影響需審慎評估，并制定指南確保軍事AI應用符合道德規范。

倫理框架應重點防范AI技術對人類認知弱點的利用，避免造成心理傷害或社會動蕩。例如宣傳中使用的深度偽造內容可能侵蝕公眾對合法信源的信任，引發社會不穩定。倫理約束需確保AI不被用于實施具有脅迫性或危害性的心理操控。

結論

人工智能已成為軍隊維持現代戰場優勢的戰略必需品。AI通過數據分析與心理功能自動化，正在重塑信息作戰形態。成功應用AI需構建創新性、戰略性與倫理性兼備的整合策略。隨著數字戰場持續演進，美軍必須將AI既視為效率工具，更作為變革戰力投入研發。

這要求從現有范式轉向AI驅動模式，優先實現快速決策、敏捷響應與網信作戰整合。同時需著力解決數據隱私、算法偏見與技術濫用等問題。人工智能在信息作戰中的部署將重新定義軍事行動范式，既提供影響全球信息生態、防范新型威脅的機遇，也構成國家安全防護的關鍵支柱。在持續演變的戰場環境中，軍隊的創新能力、協作能力與適應能力，將決定此次技術整合的最終效能。

參考來源：美國陸軍

隨著美國從全球反恐戰爭期間磨練出來的專長、領導力構架和決策矩陣中走出來，當深入 21 世紀時，等待我們的新挑戰也就不足為奇了。大國熱衷于獲取資源，而世界上較為穩定的力量又暫時無法遏制它們，因此它們已開始采取行動，以鞏固在新的有影響力的結構中取得的進步和發揮的更大作用。在烏克蘭與俄羅斯的沖突中，高技術、小規模彈藥的大規模擴散，以及指揮、控制、通信、計算機、情報、監視和偵察（C4ISR）技術的進步，給每一位軍事指揮官都帶來了令人膽寒的問題。首先，以極小的代價在廣闊的地理區域對不同目標進行風險控制的能力可能會也可能不會對戰場目標產生影響，但肯定會打擊部署部隊的士氣。其次，進行實時監控、移動大量數據和提供戰損評估的能力將決策制定環節緊縮到荒謬的程度，使人為干預成為限制因素。此外，民用市場上用于各種散文提煉、藝術表現和決策支持的人工智能（AI）工具已呈爆炸式增長，只有一絲時間等待交叉出現。

推理小說為人工智能在治理和戰爭方面的進步敲響了警鐘，也為美國社會是否準備好將生死攸關的道德決定權交給機器敲響了警鐘。積極的影響是顯而易見的，那就是消除人在回路中的延遲，讓人工智能關閉殺傷鏈，讓成群的自主無人機支持戰場目標。但這一機遇也同樣伴隨著危險：訓練不當的人工智能為了實現目標，不惜撒謊、欺騙、偷竊或攻擊其創造者。

在本文中，將評估在上述技術進步的支持下，戰場人工智能將如何協助指揮官取得勝利。這種假想的人工智能將把 ISR 信息與地面的實時評估融合在一起，并自主向閑逛的彈藥或空中打擊包發出攻擊指令，以實現總體戰役目標。或者，這種人工智能可以與 "人在環內 "的殺傷鏈一起工作，只需為目標提供最有價值的選擇；雖然這將消除重大的道德障礙，但同樣也會降低構建者的節奏優勢。

這種引入會帶來什么？戰爭會因哪支部隊充分發展這些能力而發生怎樣的變化？對本討論最重要的是，應如何調整新的和現有的作戰條令，以充分利用這些技術進步？為了對潛在構型進行分類并優化國家應對措施，將使用以下模型來提出建議。可以設想一個 2x2 矩陣，其中包含四種不同的戰場場景，在這些場景中，紅軍和藍軍分別選擇使用（或避免使用）人工智能支持：

無人工智能：維持現狀

在沒有任何參戰部隊依賴人工智能支持的情況下，可以繼續進行傳統戰爭，開展由現有條令和決策結構支持的戰役。雖然這些沖突的規模和地點可能確實會與在過去 50 年中所看到的有所不同，但在新的大國競爭時代，幾乎不需要改變過去多年來的作戰方式。

當前的作戰條令可以根據所涉及的作戰領域不斷演變和應用，而不會出現重大分歧。理想情況下，AFDP 3.2 非正常戰爭條令將隨著國家利益和政府結構的發展而復興和發展，使國防部和空軍能夠參與并擊敗更廣泛的交戰方；正如在過去 30 年中所看到的，在與國家和非國家行為體（包括國外和國內叛亂）交戰時，需要不同的構架。

藍軍 AI：兵力投射

如果單靠友軍來利用這些能力，他們必然會在整個 AFDP 3-0 作戰條令系列中獲得巨大的節奏優勢，唯一的限制是領導層的道德考量。根據為人工智能界面提供的自主程度，可以在當前 ATO 周期的決策圈內快速識別、評估、打擊和解決目標。這將從根本上把 AFDP 3-60 的總體目標定位條令，特別是聯合目標定位周期（JTC）卸載到自動化系統中。

人工智能遠不止是一個簡單的決策輔助工具或條令最佳實踐清單，它可以融合傳感器數據、信號情報等，在評估或部署有效反制措施之前發現并起訴目標。這種在時間上的極高保真度可有效實現隨心所欲地執行 "震懾"/"一夜之間 "空戰方案，為作戰人員提供前所未聞的進入和行動自由。

在聯合指揮中心，人工智能可以自動執行每個階段，達到指揮結構可接受的極限。目標可以與 ISR 數據一起輸入，以便根據既定目標、武器和反制手段的可用性快速制定優先目標列表。無論是否有領導參與，都可以創建、安排和部署任務。最后，幾乎可以即時進行評估。

前沿部署部隊在面對這些威脅時無疑會士氣低落到極點；在傳統戰爭中，有一種已知的途徑可以讓自己脫離戰斗，以恢復到間接火力范圍之外。正如烏克蘭可以證明的那樣，知道微型無人機隨時可能降臨到你的頭上是一種心理因素。對于戰場指揮官來說，這種計算方法同樣會發生變化，他不再需要消耗 20 萬美元的彈藥，而是可以用一枚手榴彈和一架價值 200 美元的無人機來摧毀一個火力小組。經過充分的訓練，人工智能可以找到打敗野戰部隊的策略，其速度比友軍資產在其背后推進的速度還要快。最近，據估計伊朗對以色列的無人機攻擊耗資 300 萬美元，而攔截彈藥的成本卻高達 15 億美元，而美國海軍為保護紅海的航運耗資 10 萬美元/枚。

這種速度同樣有可能超過配套的工業基礎，消耗各種小型電子設備、發射器/接收器、打印長絲和其他原材料。為了獲得最大利益，這些類型的物資需要像準備傳統戰爭的小型武器彈藥一樣進行儲備。

紅軍AI：自我保護

面對一個由人工智能工具增強的近乎同類的對手，將是當今大多數軍事領導層無法想象的地獄，會讓他們希望回到 2003 年的反叛亂任務。雖然可以逆轉上述成果，但還可以在此基礎上增加一種真正的可能性，即人工智能可以專門操縱部隊以極高的速度消耗友軍的資源，包括工時、彈藥和生命。通過這些挑戰造成的損耗將是巨大的，并將擊潰友軍殘存的士氣和公眾的支持。

面對敵方的人工智能，最主要的擔憂是它可能會在第一臺平臺升空之前，立即攝取整個聯合和空軍的條令，包括歷史資料，甚至是個人出版物，以綜合戰略目標，建立一棵可能行動的樹，并對部隊進行最佳定位。從某種程度上說，蘇聯人關于美國條令的老笑話本身就可以成為行動的助推器。"針對美國條令進行規劃的一個嚴重問題是，美國人不看他們的手冊，也不覺得有任何義務遵循他們的條令。" 如果人工智能是流程驅動的，但美國的條令卻靈活得顯得混亂不堪，那么就可以建立起小小的優勢。

很少有戰略能打敗這樣的對手，但在從主動到被動的范圍內，可以想象一支部隊如何開始打敗這樣的部隊，即使是在明顯處于劣勢的情況下。正如非對稱戰爭所能產生的效果超出了數學上所能達到的規模一樣，謹慎的方法加上果斷的行動可能會使友軍保持活力。

理想情況下，應盡一切努力用盡 JDWN 1- 18 中提到的其他 DIME 力量手段，并完全避開戰場。雖然軍事和信息影響可能是最困難的，但其他影響可能更有用。首先應利用制裁、談判和聯盟協議來和平解決技術上占優勢的敵人，即使不能永久結束敵對行動，但至少可以爭取時間縮小技術差距。與面對核大國和無核大國時必須采取的戰略類似，必須恢復均勢，并以長期的降級和裁軍為目標。

在沒有充分計劃的情況下進入戰場與這一對手作戰，幾乎是注定要失敗的。必須立即采取戰術，利用先進的傳感器或前沿部署的部隊，找到并擊敗可在沒有預警的情況下發動攻擊的小型武器。在任何情況下，這些反制措施都必須經濟實惠，并能大規模使用，因為當人工智能控制的彈藥的成本只有攔截器的 1/1000 時，消耗就不是制勝的策略了。在整個殺傷鏈中，從指揮/控制到作戰，再到所需的飛行架次生成和目標追擊，都需要極其緊密的協調。

只要稍加警告，就可以制定戰略，使敵方人工智能無法獲得成功完成決策循環所需的信息。正如 AFDP 3-85 "EWS 行動 "所證實的那樣，與 GWOT 中使用的簡易爆炸裝置干擾器類似，電子戰系統可用于切斷數據鏈路，拒絕敵方目標定位解決方案和相關的戰損評估。同樣，只要有足夠的彈藥控制信息，就可以復制信號，使進入的武器崩潰或提前引爆。還可通過 AFDP 3-12 進行其他網絡空間影響行動，以抑制有效操作人工智能所需的網絡流量。

對人工智能進行戰略打擊極為困難，因為必須假定人工智能會比你更早知道你的行動。任何攻擊都必須把握好時機，以達到最大效果，并使對人工智能運行至關重要的功能和基礎設施癱瘓。發電、C4ISR、數據線和補給線攔截都需要解決，這樣才能以任何有意義的方式減緩人工智能的功能。與民用基礎設施的重疊將是巨大的，但幾乎不存在其他選擇。

全AI：消耗戰

在某種程度上，這些方案中最好的情況可能是在多個友軍和交戰部隊中引入人工智能系統。隨著這些戰略助手在多方發揮作用，有可能看到一種僵局或冷戰的另一種遺跡，只是這次不是由核彈頭而是由同樣危險的智能機器和學習算法來勸阻。

為了爭奪領土或資源而與這些參數發生沖突，無疑會耗費大量資源，而一路上的收獲卻微乎其微。從理論上講，人工智能對手之間的對決可能會試圖超越對方，直到一方在技術上占據優勢，或者另一方在對決過程中出現人為錯誤，才會取得進展。這些微小的擾動會立即導致人工智能內部形成新的決策樹，并提供短暫的不穩定窗口，從而取得進步。

與上文設想的紅軍人工智能情景一樣，在進行軍事交戰之前，所有參與方都應充分探索其他 DIME 選項。如果敵軍滿足于在途中進行更長時間的戰略博弈，就像今天的潛在沖突所證明的那樣，他們可能會發現通過其他手段（包括秘密行動和摧毀公民的集體意志）削弱對手的戰斗意志更為可取。

除了作戰條令，采購界和相關工業基礎也必須不斷發展以應對這些挑戰。正如第四次工業革命帶來的 "大規模定制 "概念一樣，作戰平臺、網絡和彈藥也必須足夠分散，以降低敵方人工智能發現致命缺陷的風險；接口標準化、互操作性和互換性將成為基本要求。

訓練中的危險

盡管人工智能技術正在迅速發展，并為遏制沖突和在必要時贏得沖突提供了極好的機會，但必須十分謹慎，以確保系統的正常運行和訓練。將包括 "殺 "與 "不殺 "在內的道德決策卸載給機器只是問題的一部分，還必須討論適當的保障措施和訓練數據集，以使系統取得成功。

人工智能將像一個大型的級聯游戲一樣做出決策，每一個決策、行動、命令或動能打擊都會被判斷為好或壞，并使其更接近程序設定的目標。兵棋推演已經表明，如果沒有類似于阿西莫夫機器人三定律的足夠保障措施，人工智能就會背叛自己的創造者，切斷自己的聯系，或者無視命令，只要這意味著它們可以繼續執行行動，追求自己的使命。這種危險表明，要防止眾所周知的流氓人工智能的進化，需要人類的永久控制。

此外，雖然人工智能非常擅長以有限人類無法企及的速度做出決策，但它仍然依賴于歷史信息數據庫，在此基礎上制定戰略并得出結論。正因為如此，人工智能很難想象出全新的東西，同樣，它也高度依賴于能夠從中獲取的大量訓練數據。正如那些能夠越獄早期 ChatGPT 版本以表達不受歡迎觀點的用戶，以及隨后為使這些工具在流行文化的 "奧弗頓窗口 "內正常工作而進行的腦葉切除術所證明的那樣，可以看到這些變化所帶來的影響。

過于復雜的數據集會減慢決策速度，直至幾乎毫無用處。受限程度過高的人工智能可能會錯失可以更快解決沖突的機會或策略。最令人擔憂的是，一個有偏見的人工智能很容易得出錯誤的結論，從而使野戰部隊在系統的指揮下誤入歧途。

事實上，對付敵方人工智能的最佳進攻手段很可能是利用電子戰領域眾所周知的觀點，即人工智能可能被蒙蔽、誤入歧途并返回無效結論。參照 AFDP 3.85《電磁頻譜行動》，可以在 "電磁威脅 "中提出另一個概念，即在戰場背景下創建或分發的任何數據都可以提供給人工智能以支持決策。

結論

將大量傳感器數據與人工智能加速決策相結合，以實現智能彈藥的廣泛部署，這是一個勇敢的新世界，需要認真考慮并制定應對戰略。因此，空軍條令可以建立一個新的篇章，以涵蓋人工智能的威脅和機遇：

1.AFDP 3-0 行動： 實施一項不斷發展的戰略，將人工智能/機器學習算法納入總體規劃和兵力投送流程。這將支持人工智能利用真實世界的數據進行訓練，并平衡風險與所需的作戰節奏。同樣，所有下游作戰條令都可以采用人工智能來管理航空兵、空域、彈藥及其聯合運用。

2.AFDP 1-1 任務指揮和 3-60 目標定位： 需要進行兩項重大調整。如果作戰對手的人工智能技術得到增強，則必須將更多的決策權下放到盡可能低的級別，以便迅速做出調整，保持有效交戰。其次，如果藍方部隊正在與友方的人工智能部隊作戰，那么決策環路必須明確在何時何地以何種方式使用人工智能支持，以及在哪些地方將采用人在環路中的停滯措施。與 "任務指揮 "類似，"聯合目標鎖定循環 "也需要根據指揮官的意圖進行修訂，以平衡風險與節奏優勢。

3.AFDP 3-12 網絡安全和 3-85 EMS： 網絡安全和電子戰需要共同合作，以保護友軍使用人工智能，同時壓制敵方的有效性。2018 年《國家網絡戰略》確立的四大支柱需要加以擴展，以專門增加為阻止敵方人工智能行動而采取的進攻行動。

在最近的沖突中，火力的應用是創新和動態的。在無人機觀測員的協助下，利用閑逛無人機和常規火箭炮彈藥進行 "遠程精確火力"和 "時間敏感目標定位 "極為有效。事實證明，各種火力資產、無人機、武器定位雷達、預警資產和火控系統的自動化和網絡化整合非常致命。無人機已證明其在 ISR 和目標定位矩陣中的功效，并被廣泛用于反恐和常規武裝沖突。隨著技術的進步和通信設施的改善，無人機的使用范圍將進一步擴大。

在國防和安全部門的目標定位和其他領域使用無人機是不可避免的。印度具有成為全球無人機制造中心的巨大潛力。印度武裝部隊已做好充分準備，探索和優化利用無人機的潛力。必須確保建立一個自動化和無縫聯網的傳感器射擊鏈接，將 ISR 架構和目標實體整合在一起。為實現這一目標，需要一個通用地理信息系統和通用通信協議。對于巨大的資源需求而言，財政審慎和 "Atmnirbharta "將是關鍵因素。應重新審視對各級人員的培訓。

引言

遙控無人駕駛飛機自 20 世紀 30 年代起就開始使用。美國最初使用無人機執行 ISR 任務，后來逐漸發展到部署對陸攻擊炸彈和魚雷。越戰期間，美國開始使用無人駕駛飛機執行作戰任務。2001 年 9 月 11 日雙子塔恐怖襲擊后，美國在全球范圍內廣泛使用武裝無人機開展反恐行動。許多知名度很高的恐怖分子頭目都是在無人機的精確瞄準下被擊斃的。2022 年 7 月 31 日，"基地 "組織領導人艾曼-扎瓦希里在美國的一次無人機襲擊中被消滅。從一架 MQ9 "死神 "無人機上發射的兩枚地獄火 R9X 導彈擊中了他，當時他正站在阿富汗喀布爾市中心家中的陽臺上。襲擊中無人傷亡。R9X 版地獄火導彈的彈頭為惰性彈頭，不含任何炸藥。2 R9X 型 "地獄火 "導彈的彈頭為惰性彈頭，不含任何爆炸物，而是金屬彈片，可在不對周圍環境造成太大破壞的情況下殺死目標。2020 年 1 月 3 日，美軍在一次無人機精確攻擊中定點清除了伊朗最有權勢的軍事指揮官卡西姆-蘇萊曼尼將軍，這突顯了戰場已變得極為透明并超越了國界。無人機攻擊的有效性體現在將目標殲滅在一個繁忙的民用機場附近，沒有造成任何附帶損害。

在常規行動中使用無人機的情況也成倍增加。在最近的沖突中，火力的使用具有顯著的創新性和動態性。在無人機觀測員的協助下，利用閑逛無人機以及常規火箭和火炮彈藥進行遠距離精確瞄準極為有效。在正在進行的俄烏戰爭中，兩國都在使用各種無人機來補充常規武器。早些時候，在阿塞拜疆和亞美尼亞之間的納戈爾諾-卡拉巴赫沖突中，阿塞拜疆部隊使用了土耳其提供的無人機，取得了毀滅性的效果。亞美尼亞的坦克、火炮、部隊和裝備傷亡慘重。在 2020 年 3 月初的土耳其-敘利亞沖突中，土耳其部隊采用了同樣的 "無人機襲擊和大規模炮擊 "方法，摧毀了 100 多輛裝甲車，打死了數百名敘利亞士兵。土耳其的這次攻勢主要是利用無人機炮兵偵察兵和電子戰能力實施的。本文試圖分析 "目標定位 "的當前和近期趨勢，強調 "整合無人機進行遠程精確射擊和時間敏感目標定位 "的重要性，并為印度武裝部隊提出一些當務之急。

未來作戰環境和戰場環境

未來幾十年，人口增長、持續的全球化、移民、快速城市化、日新月異的技術、能源、水、石油需求、資源競爭和氣候變化等因素都可能對戰略環境構成重大挑戰。新出現的沖突環境的特點是復雜、混亂和競爭。在所有這一切中，出現了 "灰色地帶"--介于戰爭與和平之間的空間，在這里，不同類型和數量的行動者在國家內部和國家之間爭奪資源、通道、領土和權力。

《2017 年印度武裝部隊聯合條令》指出，未來戰爭的特點是模糊、不確定、短暫、迅速、致命、激烈、精確、非線性、無限制、不可預測和混合。未來戰場的特點可能是：激烈交戰；非線性戰斗；同時行動；戰場透明度增加；在混合戰爭環境中協同和協調火力資源的使用以及精確和高殺傷力武器系統的使用，而且可能是在核生化戰爭威脅的總體背景下。

在過去幾年中，幾乎所有的軍事思想家、分析家和評論家都認為未來戰爭是 "短平快 "的。10 在過去幾年中，幾乎所有的軍事思想家、分析家和評論家都認為未來的戰爭是 "短平快 "的，但也出現了一些相反的觀點；這些觀點有力地指出，"實際上，一場成功、短平快的戰爭的可能性微乎其微，未來的戰爭將是長期的，并會帶來嚴重的政治后果"。正在進行的俄羅斯-烏克蘭戰爭似乎證明了這一觀點的正確性。

鑒于上述特點，未來的軍事行動很可能是多領域的。一般來說，陸地、海洋、空中、太空和網絡被認為是競爭和未來沖突可能發生的領域。但隨著戰爭的發展，新的領域也會不斷增加。拉吉-舒克拉中將（退役）在 2023 年 7 月 28 日的一條推文中總結了現代戰爭，確定了八個領域--陸地、海洋、空中、海底、電磁、太空和網絡，以及三個矩陣--射程、速度和精度，在新的人才管道、創新和軍民融合的幫助下，通過匹配進行作戰。他進一步解釋說，"潛艇 "和 "海底傳感器 "是不同的領域。

無論 "戰爭動態"、"作戰環境 "和 "未來戰場 "如何，武裝部隊都必須適應、發展能力、開展訓練，并為所有可能發生的情況做好充分準備。無人機和無人系統已成為戰爭和反恐行動的重要有力工具。

目標、目標獲取和目標定位--概述

美國武裝部隊聯合出版物 3-60《聯合目標瞄準》對 "目標 "和 "瞄準 "作了正式定義。目標 "是一個實體（人、地點或事物），被視為可能的交戰目標或行動目標，以改變或解除其對敵方的功能。目標必須符合國家戰略方向，并且是為完成指定任務而選擇的。它可以是設施、個人、虛擬、設備或系統能力"。

出于作戰計劃的目的，目標被分為 "計劃目標 "和 "機會目標"。高價值目標（HVT）被定義為敵方最不能承受損失或能為其提供最大優勢的目標。高回報目標（HPT）是指友軍為取得成功而必須獲取和打擊的目標。一些特殊類型的 HPT 對完成任務具有非常重要的意義，被稱為 "時間敏感 "目標和 "關鍵部件 "目標。

“目標獲取”是指以指定武器系統所需的精確度定位目標，以有效摧毀或壓制目標的過程。

“目標定位”系統地分析目標并確定優先次序，匹配適當的致命和非致命行動，以產生具體的預期效果，實現目標。它將各級指揮和各階段行動中的情報、行動和計劃聯系起來。"目標定位"的目的是通過利用現有能力對目標產生特定的致命或非致命效果，將火力整合并同步到聯合行動中。目標定位概述如下：

PMESII--政治、軍事、經濟、社會、信息和基礎設施--目標定位概覽

該出版物進一步闡述道："目標定位包括許多過程，所有這些過程都相互關聯，并以聯合目標定位周期為邏輯指導，不斷尋求分析、確定、發展、驗證、評估目標，并確定參與目標的優先次序。目標定位過程分為'蓄意'和'動態'兩類"。

還需要強調 ISR 與目標定位之間的相互關系。ISR 是將情報周期與監視、目標捕獲和偵察任務相結合的過程，目的是提高指揮官的決策能力和促進目標定位過程。ISR 行動的重點是為決策者提供所需的信息和情報。無人機是 ISR 和目標定位矩陣中最重要的資源之一。它們為軍事規劃人員提供了極大的靈活性和巨大優勢。

目標定位過程

各陸軍采用了許多目標定位流程來打擊敵方目標。其中一個流程是 "決定、探測、投送和評估"（D3 A）流程。另一種流程是 "發現、固定、跟蹤、目標定位、交戰和評估"（F2 T2 EA）流程。F2 T2 EA 流程一般與動態目標定位有關，也被稱為 "殺傷鏈"。

目標定位的新趨勢--廣泛使用無人機

在最近涉及俄羅斯-烏克蘭、土耳其-敘利亞、亞美尼亞-阿塞拜疆和利比亞的沖突中，各種武器系統的能力得到了展示。在 ISR 和目標定位方面出現了某些非常有趣的趨勢。事實證明，各種火力資產、無人機、武器定位雷達、預警資產和火控系統的自動化和網絡化整合是非常致命的組合。無人機在這一 "ISR 和目標定位循環 "中發揮了最重要的作用。它們被用于各種作戰任務，如情報搜集、監視、目標定位、干擾通信、使用閑置彈藥進行攻擊以及后勤支援。

俄烏戰爭。在正在進行的俄羅斯-烏克蘭戰爭中，交戰國都廣泛使用了無人機。2023 年 5 月 19 日，英國專門研究國防問題的智庫--皇家聯合服務研究所（RUSI）發表報告稱，"烏克蘭軍方目前每月在戰場上損失約 1 萬架無人機，即每天損失 300 多架"。戰爭初期，烏克蘭使用土耳其 Bayraktar TB2 等大型戰術無人機攻擊俄羅斯坦克縱隊。不過，現在使用的主要是小型無人機，通常是民用無人機。雖然許多評論家對這一說法提出質疑，但無人機的重要性不容忽視。

《華盛頓郵報》的另一篇報道稱，無人機已融入兩國戰斗的每一個階段，擁有龐大的機群、防空和干擾系統。除了雙方在戰斗中使用無人機外，記者也在使用無人機從原本無法進入的戰區收集信息和進行報道。一些分析家認為，2022 年 4 月，俄羅斯旗艦 "莫斯科娃 "號被烏克蘭擊沉，烏克蘭創新性地使用了無人機。可能是土耳其制造的 "Bayraktar "無人機干擾了該艦的防御，然后使用 "海王星 "反艦導彈攻擊并摧毀了該艦。

根據 BBC Verify 監測到的俄羅斯媒體報道，今年在俄羅斯和俄羅斯控制的烏克蘭領土上發生了 120 多起疑似無人機襲擊事件。石油設施、機場和能源基礎設施都成為目標定位。

據報道無人機襲擊俄羅斯目標定位

土耳其在 2020 年 3 月的伊德利卜戰役中對敘利亞部隊進行了致命的火力攻擊，使火炮與無人機和用于預警的網絡資產相結合，在 21 世紀的軍事行動中重新嶄露頭角。據報道，土耳其干擾了敘利亞的雷達，利用無人機獲取目標定位，并用火炮和火箭實施了致命的火力攻擊。作為炮兵的觀測員，無人機扮演了過去由慢速飛行的觀測飛機承擔的危險角色，用于指揮精確的炮兵射擊。

俄羅斯的偵察-打擊和偵察-火力系統概念。俄羅斯人在 2014 年 7 月的 "澤洛諾皮亞火箭攻擊 "中首次展示了這種創新性的綜合運用無人機進行目標定位、網絡攻擊以及火箭和火炮致命火力攻擊的方法。根據《華盛頓郵報》的報道，"俄羅斯炮兵的一次'火力打擊'在幾分鐘內摧毀了烏克蘭近兩個機械化營"。這是一次創新而大膽的火力運用，將 EW 資產、無人機以及火箭和火炮等火力資產融為一體。

俄羅斯歷來是 "火力至上 "的最大支持者。根據《2023 年全球火力》數據，俄羅斯擁有世界上最大的火炮。俄羅斯對其火力資源及其應用概念進行了大規模的現代化改造。為了對抗北約部隊的空中優勢，俄羅斯投入巨資購買了伊斯坎德爾和金日勒等精確制導導彈以及 2S35 Koalitsiya 155 毫米自行榴彈炮和 9A53 Uragan M1 多管火箭炮等先進火炮武器系統。同時，還大力發展無人機和無人駕駛飛行器。為炮兵設計了特殊目標定位無人機，射程約為 40 公里。現代 T14 Armata 坦克安裝了系留目標定位無人機。每個機動旅都編有一個無人機連，配備有 Eleron、Granat 和 Orlan 等無人機。

華盛頓特區詹姆斯敦基金會歐亞軍事研究高級研究員羅杰-麥克德莫特在分析俄羅斯炮兵現代化時強調說，俄羅斯的炮兵和精確導彈等武器系統接收來自無人機和其他前方偵察機的目標定位信息，這些信息通過 "Strelets "情報管理和通信系統實時傳輸。這有助于在極短的時間內進行高精度射擊。無人機是重型火炮師的組成部分，有助于精確瞄準目標。ROS 是俄羅斯網絡中心戰的變種，旨在整合在戰場上行動的所有單元和分單元。為確保對敵火力打擊的速度和連續性，正在創建 "偵察-打擊 "和 "偵察-火力綜合體"。

俄羅斯武裝部隊舉行了 "Tsentr 2019 "戰略指揮參謀演習。在作戰行動中廣泛使用無人機可能是演習中最重要的方面。演習中，無人機被獨立用于偵察、識別和指定目標，以便航空兵和野戰炮兵實施打擊。無人機和無人駕駛飛行器與野戰炮的結合使用是俄羅斯偵察-火力系統的關鍵要素，大大提高了行動速度和火力控制的準確性。

以色列國防軍（IDF）也非常重視整合來自海陸空各種平臺的火力，并通過單一的 C4I 網絡相互連接。炮兵部隊負責摧毀固定目標和機會目標。陸基發射器和其他基礎設施的明顯優勢在于，一旦連接起來，它們都相對簡單。同樣，無人機和無人潛航器在目標定位方法上也發揮著重要作用。除了精確度越來越高、射程越來越遠的導彈和彈藥外，炮兵部隊也在使用無人機。

非常明顯，無人機將成為 ISR 目標定位架構的重要組成部分。無人機在最近的沖突中充分展示了其功效。隨著人工智能技術的改進和通信設施的改善，無人機的使用范圍將進一步擴大。

印度武裝部隊的當務之急和建議

無人機的相關性和重要性不僅體現在國防領域，還體現在工業、基礎設施、農業、物流、供應鏈管理、零售、通信、新聞、大眾傳媒和許多其他領域。它已被確定為一項利基技術和 Atmnirbhar Bharat 的核心研發領域。無人機管理條例 3.0 正在創造一個有利的政策生態系統。印度政府正在平衡行業需求和公共安全關切。這將推動印度無人機產業的快速發展。

印度工商會聯合會（FICCI）與安永會計師事務所（E&Y）在一份題為 "讓印度成為世界無人機中心 "的報告中估計，到 2025 年，全球無人機市場規模可能達到 540 億美元。就印度而言，無人機制造的潛力到 2025 年可能達到 42 億美元，到 2030 年可能增長到 230 億美元。印度擁有成為全球無人機中心的潛力和機會。為利用這一機遇，各方都在付出巨大努力。

印度武裝部隊正處于轉型的風口浪尖。三軍的現代化和轉型正在得到推動。隨著政界和官僚機構的加入以及綜合戰略部署的到位，三軍的整合似乎已成定局。聯合戰區司令部的成立只是時間問題。不過，這只是轉型的開始。要成為一支精干、高效、靈活的現代化部隊，還有許多工作要做。

印度武裝部隊已經正確認識到無人機的潛力，并做好了充分準備加以利用。必須與工業界以及參與無人機研發和后續批量生產的所有其他利益相關方保持有效聯系。

在當前的沖突和演習中，各國武裝部隊都充分展示了無人機在 "遠程精確射擊 "和 "時間敏感目標定位 "方面的集成能力。印度武裝部隊也將不可避免地使用無人機進行同樣的工作。為此而建立的框架需要大量資源、努力和各級協調。下文將詳細闡述簡化該框架的若干建議：

• 印度武裝部隊的重點通常放在 ISR 行動上。聯合目標定位 "方面也必須納入各個層面。

• 為確保有效、實時或接近實時的目標定位，必須建立自動化、網絡化和無縫的 "傳感器-射手 "鏈接。必須整合各級 ISR 架構和目標定位火力控制實體。為此，最重要的是要有一個共同的地理信息系統和共同的通信協議，確保所有三個軍種以及與國家安全有利害關系的其他實體之間的無縫連接。

• 美國私營公司 Planet Lab 充分證明了衛星對 ISR 的重要性。該公司由三名前美國國家航空航天局工程師于 2010 年創立，目前運營著最大的私人地球觀測衛星星座。它一直以商業方式向全球提供衛星圖像。印度必須考慮建立自己的低地球軌道小型衛星星座，以進行持續監視和偵察。這將提高武裝部隊的 C4I2SR 能力，從而加強傳感器與射手之間的聯系。它還將改善地面站、空中資產和太空之間的連接和數據傳輸。

• 戰場監視系統（BSS）必須優先投入使用。36 - 戰場監視系統（BSS）必須優先投入實戰。一旦投入實戰，用戶希望的進一步改進可隨后納入。應優先確保該系統與目標定位實體的整合。

• 火力資源必須擁有自己的整體化、自動化和網絡化觀測與目標定位系統。無人機、UAV 和 RPAS 必須納入整個 ISR 和目標定位矩陣。

• 包括無人機在內的自動化和網絡化 ISR - 目標定位架構可能需要大量資源。這只能通過本土化來滿足。財政謹慎和 Atmnirbharta 將是關鍵因素。

• 隨著數據自動化的發展，庫存管理已變得非常容易。

• 包括戰略和行動領導人在內的各級人員培訓需要重新審視。必須提高士兵的技術門檻。

結 論

未來戰場變幻莫測。戰爭的性質是動態的，并將不斷變化。無人機將在國防和安全部門發揮非常重要的作用，并具有廣泛的適用性。在最近的沖突中，無人機證明了其在動能和非動能行動中的功效。印度有潛力在不久的將來成為全球無人機制造中心。國防部隊必須充分利用這一機遇。

印度武裝部隊必須為任何可能發生的情況做好充分準備。目標定位 "必須從全局出發。必須將無人機整合到 "ISR 和目標定位 "以及后勤和通信等其他領域。將作戰空間網絡化、加強 ISR 網、將火力資產與無人機和火控系統相結合，將是未來戰斗制勝的關鍵因素。

最近在烏克蘭的行動證明，引入新技術、戰術、技巧和程序可以極大地影響 21 世紀的戰場。美軍正在將從這次沖突和其他近期沖突中吸取的經驗教訓融入聯合全域指揮與控制（JADC2）作戰概念。美國防部正在尋求通過 JADC2 實現決策優勢，"在戰爭的各個層次和階段、跨所有領域并與合作伙伴一起產生感知、理解和行動的作戰能力，以相關性的速度提供信息優勢"。雖然這一定義抓住了 JADC2 的目標，但對如何實現這一目標卻知之甚少。本文利用 OODA 循環和一個項目融合用例（濕隙穿越）來說明人工智能 (AI) 將如何在這種復雜而相關的場景中通過降低風險來實現決策優勢。

圖：在 OODA 循環中應用邊緣人工智能 (AIAE) 加快決策能力，提高決策優勢

最近在烏克蘭的行動再次證明，在 21 世紀的戰場上，引進新技術和戰術、技術和程序可以產生重大影響。美軍正在利用從這次沖突和其他近期沖突中吸取的經驗教訓，并將其納入聯合全域指揮與控制（JADC2）作戰概念。最近由美國防部（DoD）贊助的實驗（包括各軍種、作戰司令部和盟國的參與）重點關注日益復雜的局勢，以深入了解 JADC2。

這種方法希望利用人工智能（AI）、機器學習（ML）、自主性和其他先進能力更好地連接傳感器和射手，縮短對對手產生致命和非致命影響的時間，從而影響多域行動。降低作戰人員和決策者的認知負荷以及縮短從探測到交戰決策的時間以獲得優勢等目標，只是國防部正在應對的需求、風險和技術挑戰中的一部分。

決策優勢

與過去的其他沖突一樣，21 世紀的沖突將取決于決策優勢，誰能最好地利用和確保信息，在最短的時間內做出最明智的決策，誰就有可能獲勝。決策優勢被定義為比對手更快地吸收、分析從戰場上獲取的信息并采取行動的能力。

縱觀歷史，決策優勢始終是決定戰斗和沖突勝負的關鍵。現在，面對日益增長的中國威脅，美國的作戰能力和能力優勢正在急劇縮小，在這樣一個時代，實現決策優勢比以往任何時候都更加重要。由于其他國家和非國家行為者在全球范圍內迅速擴散技術，實現決策優勢也變得更具挑戰性。

電信、傳感器、處理能力和武器的進步，以及太空和網絡空間作為作戰領域的作用日益增強，從根本上改變了戰爭中指揮與控制的特點。有鑒于此，國防部正尋求通過聯合作戰指揮與控制2實現決策優勢，"在戰爭的各個層次和階段，在各個領域，與合作伙伴一起，產生感知、理解和行動的作戰能力，以相關的速度提供信息優勢"。但是，盡管這一定義抓住了 JADC2 的目標，卻對如何實現這一目標知之甚少。

共享情報

為了使 JADC2 概念成為現實，各軍種都在分析自己在實現這一愿景方面的貢獻。雖然許多軍種都在專注于創建一個全球目標系統，以實現發現、固定、跟蹤、瞄準、交戰和評估等殺傷鏈功能，但也有一些軍種正在研究 JADC2 如何協助實現決策優勢，以便將部隊機動到優勢位置，阻止對手實現其目標。

美國陸軍最近接待了空軍、海軍、海軍陸戰隊，并首次將國際合作伙伴和盟國納入其中，在其年度現代化實驗中整合技術并測試多域作戰： 2022 融合項目"。陸軍的第三個年度 "聚合項目 "通過在多個地點舉行一系列基于各種作戰場景的實驗和活動，對該軍種的范圍和能力進行了測試。

來自美國、英國和澳大利亞的作戰人員用數周時間測試了約300項技術和新的作戰概念，以展示各軍種有朝一日如何作為一支聯合部隊作戰。這些實驗和其他實驗有助于形成跨組織協作、確定技術投資的優先次序以及完善平臺和系統需求文件，從而為未來作戰環境的構想提供信息。

通過這些不同的實驗，發現一個共同的主題，即未來作戰需要跨國家、跨領域和跨技術的協作，以確保互操作性并實現 JADC2 的愿景。無論在哪種情況下，假設的對手都可能是近鄰競爭對手，并將尋求在無法保證美國空中或其他領域優勢的情況下實現反介入/空中拒止（A2AD）環境。

確定技術挑戰

包括全球定位系統衛星在內的美國天基資產可能會被削弱。人們還認為，帶有人機界面的人工智能/ML 能力將做出最終目標定位和其他決策，而先看、先理解、先行動和先決策的能力將為哪一方獲勝提供關鍵優勢。同樣顯而易見的是，工業界、學術界和聯盟伙伴在為存在的各種差距和挑戰尋找技術解決方案方面至關重要。

本文旨在探討新的創新技術解決方案如何有助于利用有人和無人系統在陸地領域實現決策優勢。本文將確定并討論關鍵技術挑戰和風險，以及潛在的技術材料解決方案。實現 JADC2 需要在條令、組織、培訓、物資、領導力和教育、人員、設施和政策方面進行重大變革，但本文將只關注物質解決方案。

當前地面戰中的人工智能

認識到數據是一種戰略資產，并在多域行動中采用全局性的整體方法，將有助于推進 JADC2 計劃，并提高各軍事任務的決策優勢。值得注意的最復雜地面場景之一是濕式間隙穿越作戰，這對機動部隊接近和摧毀敵軍非常重要。(圖 1）

然而，在計劃和執行這些關鍵行動時，后勤保障面臨著明顯的挑戰。(圖 2）一旦成功實施，濕式間隙穿越作戰就能提供戰爭中最有價值的基本要素之一--速度。速度是掌握主動權、防止敵人偵察和取得成功的關鍵。執行安全高效的濕式間隙穿越行動可以讓友軍為成功創造必要條件。

俄羅斯部隊最近在烏克蘭的一次失敗的濕式間隙穿越突顯了與這一復雜行動相關的許多挑戰和風險。俄軍在試圖穿越橫跨烏克蘭東部 Siverskyi Donets 河的浮橋時，損失了兩個或更多營的兵力--可能有 100 輛車和一千多名士兵。

在對這一失敗場景進行評估時，本文將探討進行濕式間隙穿越行動的主要風險，以及使用人工智能/移動式語言和其他關鍵技術的潛在技術解決方案。

圖 1：濕隙交叉口的描述

圖 2：規劃和執行濕式間隙穿越作戰時的典型分析

分析風險

由于未來大多數入侵資產都可能使用無人或可選有人系統，因此需要確保大量數據的安全，并通過戰術網絡進行傳輸，以同步執行偵察與安全、機動、火力、后勤和其他作戰功能。在宏觀層面，JADC2 需要通過各種分布式傳感器收集大量數據，并將其處理為可操作的信息。

戰略、作戰和戰術層面的利益相關者利用由此產生的信息流中的相關要素，以最佳方式執行任務。整個系統通過一套強大的通信鏈路連接在一起。這并不意味著每個人都能接收到所有信息，因為那樣每個人都會被數據淹沒。相反，這需要分配正確的信息，使各組織能夠在其特定責任領域取得更好的效果。以下是材料解決方案需要應對的其他風險：

• 如果無法在間隙穿越地點實現出其不意，那么在穿越過程中出現人員傷亡和任務失敗的幾率就會很高。

• 如果穿越點缺乏指揮和控制（C2），那么友軍很容易被對手的致命和非致命火力摧毀和削弱。

• 如果網絡保護不足或缺乏安全的空中更新，那么無人系統或可選擇的有人系統就會被對手欺騙或接管，從而破壞缺口穿越行動。

• 如果友軍處理傳感器和射手數據的能力下降，那么由于機動、火力和其他作戰功能之間缺乏同步，成功穿越缺口的可能性就會降低。

• 如果聯合和聯軍的 C2 系統不能互操作，那么同步作戰功能以確保成功穿越行動的能力就會降低。

技術挑戰的解決方案

在決策過程中應用和評估技術需要一個模型。OODA 循環--觀察、定位、決策、行動--是一個眾所周知、廣為接受的模式，尤其是在作戰人員群體中，因為它的起源。它是由美國空軍上校約翰-博伊德（John Boyd）提出的概念，是各領域決策和行動的典范。

OODA 循環描述了決策和行動的四步流程。首先，觀察環境并收集信息。然后，通過分析信息并理解其含義，為自己定位。然后，根據觀察和定位，決定采取什么行動。最后，根據決定采取行動。

OODA 循環強調決策和行動中速度和靈活性的重要性。我們的目標是盡可能快速高效地完成這一循環，以便適應不斷變化的環境，并在機會出現時加以利用。

通過觀察上圖，利用人工智能實現決策優勢有兩個關鍵的考慮因素：

• 人工智能（AI）處理適用于每個部分
• 盡量減少四個步驟之間的延遲

前面在 "濕隙穿越 "場景中概述的風險所體現的一個宏觀考慮因素是，決策必須在 "邊緣 "做出，而不是從指揮中心遠程做出。這大大減少了延遲，并在快速變化的環境中提供了靈活性。邊緣人工智能（AIAE）是指在靠近數據源的設備上部署人工智能算法。

將傳感器直接連接到 AIAE 單元將大大減少 OODA 循環中觀察-定向步驟之間的延遲。傳感器數據將從傳感器傳輸到人工智能單元的傳感器輸入端，然后通過處理集成電路內部的高速總線或同一單元內集成電路之間的高速總線傳輸到數據處理核心。(圖 3）

在 AIAE 單元中進行人工智能處理和決策，還將大大減少 "定向-決策 "步驟之間的延遲。這樣就不需要為額外的決策步驟向外部中心發送大量數據，然后等待決策回傳。出于同樣的原因，從 AIAE 單元發送 "行動 "命令也將減少 "決定-行動 "步驟的延遲。

圖 4：GPU 的并行處理架構可實現比 CPU 更快的計算速度，從而支持大量的人工智能應用

實現人工智能處理

用于 AIAE 處理的一個主流 COTS（商用現成）解決方案是通用圖形處理單元（GPGPU）。圖形處理單元上的通用計算指的是使用 GPU（圖形處理單元）來執行除傳統圖形渲染作用之外的通用計算。

GPU 設計用于并行處理大量數據，使其成為執行某些計算的理想選擇，速度比傳統 CPU（中央處理單元）快得多。通過利用 GPU 的并行處理能力，GPGPU 可以加速各種人工智能應用。(圖 4）

技術的進步為市場帶來了更高性能的小型超級計算機，它們將 GPGPU 與 CPU 相結合，可用于 AIAE 應用。GPU 廣泛用于人工智能應用。

英偉達?（NVIDIA?）Jetson系列模塊將支持人工智能的GPGPU與多核CPU結合在一起，形成了一個緊密耦合、高性能、低功耗的超級計算機，可支持人工智能處理能力和決策應用軟件。英偉達?（NVIDIA?）Jetson 系列有多種不同外形尺寸、性能和最大功耗的模塊可供選擇。(圖 5）

圖 5：NVIDIA Jetson 系列包括不同的模塊，具有不同的外形尺寸、性能和最大功率選項。

以英偉達?（NVIDIA?）Jetson Xavier NX 模塊為例，該模塊可提供每秒六萬億次浮點運算（TFLOPS）的性能，最大功率為 15 瓦。這樣的性能可與配備處理器和圖形處理器卡的數百瓦工作站相媲美。

這種計算架構可以每秒 30 幀的速度處理和應用 20 多個 1040p 分辨率高清視頻輸入的人工智能算法，也就是說，它有足夠的帶寬來運行人工智能應用程序，為系統中的多個高清攝像機提供服務。

配備英偉達?（NVIDIA?）Jetson Xavier NX 模塊的加固單元可小至 4" x 2.3" x 3.9"。最大重量為 1.3 磅，最大功率為 15 瓦，從尺寸、重量、功率（SWAP）和性能的角度來看，它是 AIAE 應用的理想選擇。(圖 6）如果需要更高性能，基于更高性能英偉達?（NVIDIA?）Jetson 模塊的更大和更高功率的堅固解決方案是可以實現的。

圖 6：緊湊型高性能超級計算機正在邊緣處理大量傳感器數據。

這類基于 GPGPU 的堅固耐用單元還可以支持以太網（1GbE 和/或 10GbE）、CAN 總線、串行端口等行業標準接口）。例如，以太網接口可用作與系統中其他 "智能 "盒和任務計算機的通信通道，也可通過無線通信轉換器與外部設備進行交互。如果需要低延遲以太網通信，可使用時間敏感網絡（TSN）或時間觸發以太網（TTE）。

使用以太網網絡進行內部通信，可實現從物理電纜到路由器和數據包的多種冗余級別。在整個網絡中實施 IEEE 1588 時間分配可使所有網元同步到單一時間源。

除了高速傳感器處理外，這些單元還可用于處理來自低速傳感器的數據--模擬 I/O、離散 I/O、串行端口等。將這些功能整合到一個 AIAE 單元中，有助于消除車輛中額外的電子設備盒和相關線束，進一步減小電子設備的尺寸、重量和功率。

時敏網絡（TSN）與決策優勢

時敏網絡（TSN）的功能，包括精確定時、低延遲通信和確定性數據傳輸，有助于改進決策過程，提高對態勢的認識，并最終實現決策優勢。

通過提供低延遲通信，TSN 可通過高精度、高可靠性的實時數據傳輸，確保關鍵信息及時送達決策者。它還有助于收集、匯總和分析這些實時數據，使決策者能夠獲得最新的準確信息，做出明智的選擇。

TSN 跨分布式網絡同步設備和系統的能力有助于實現決策優勢。它能確保來自多個來源的數據保持一致，提供對運行環境的整體了解，并加強傳感器、執行器和控制系統等不同組件之間的協調，實現無縫協作和集成。

利用邊緣人工智能（AIAE）優化地面車輛運行

1 簡化網絡通信

將堅固耐用的人工智能超級計算機放置在傳感器（如高分辨率相機、紅外探測器）附近，有助于解決地面車輛電子設備方面的難題，最終使作戰人員受益。例如，在傳感器附近進行物體識別/分類、目標識別/捕獲、地形分析等處理可帶來以下好處：

• 無需將大量數據從傳感器傳送到任務計算機或外部指揮中心，減少了延遲和信息過載。

• 縮短系統響應時間，加快決策速度。

• 增強無人或可選有人駕駛飛行器/系統的能力

• 無需在傳感器與任務計算機之間鋪設昂貴的長距離高速數據線，從而降低了布線的復雜性，提高了系統的可靠性、可用性和可維護性。

• 提高系統集成和可操作性--邊緣人工智能"盒與系統中其他 "智能 "盒之間的所有數據均通過行業標準以太網接口傳輸。

• 提高可升級性--所有獨特的傳感器處理都在 AIAE 單元中完成。傳感器和相關處理單元（如有需要）無需更換以太網電纜即可升級，也無需更換任務計算機，這可減少將新功能提供給作戰人員所需的時間和成本。

• 提高可擴展性--如果飛行器能提供幾個額外以太網端口的布線，就能增加額外的傳感器和 AIAE 盒，從而使新任務設備包的集成變得更容易、更快捷。

• 通過減小電子系統的尺寸、重量和功率 (SWaP)，無需大型任務計算機和笨重的線束，從而使地面系統更加可用、可靠和易于維護。

2 網絡安全保護

具有增強網絡安全保護能力的高性能人工智能系統將有助于防止網絡和欺騙攻擊，并保護信息共享數據鏈路。

使用 "邊緣人工智能 "解決方案將有助于通過以下方式消除或最大限度降低第 6 節所述的以下風險：

• 通過在源頭處理大部分數據，大幅減少戰術網絡共享的數據量

• 為每個數據用戶分配正確的信息，從而簡化數據分配工作

• 縮短響應時間，改進指揮與控制 (C2) 通信

• 改善通信渠道的網絡保護

• 最大限度地降低傳感器數據處理能力下降的可能性--大部分數據在本地處理，冗余方案可用于解決傳感器受損問題

• 使用單一時間源同步車輛內和多個平臺上的所有系統

• 如果所有系統都使用相同的通信協議和數據報文結構，則可消除聯盟 C2 系統之間的互操作性問題

3 優化地面車輛人工智能的其他考慮因素

雖然 AIAE 有許多好處，如減少延遲和增加隱私，但它也提出了一些必須解決的技術挑戰。其中一些挑戰包括

• 處理能力有限：與基于云的服務器相比，邊緣設備的處理能力和內存往往有限。因此，開發可在低功耗邊緣設備上有效運行的人工智能算法是一項重大挑戰。

• 存儲空間有限： 邊緣設備的存儲空間通常有限，從而限制了可在本地處理和存儲的數據量。這也會影響需要大型數據集的機器學習模型的準確性。

• 能源效率： 邊緣設備通常基于低功耗解決方案。開發高能效的人工智能算法對于最大限度地降低邊緣設備的功耗至關重要。

• 連接性： 邊緣設備與云的連接可能時斷時續或有限，這給訓練和更新機器學習模型帶來了挑戰。這也會限制與網絡中其他設備的通信能力。

• 安全和隱私： 邊緣設備可能更容易受到安全威脅，在邊緣使用人工智能會引發對數據隱私的擔憂。確保邊緣人工智能的安全和隱私保護至關重要。

• 標準化： 隨著邊緣人工智能的發展，需要實現標準化，以確保不同設備和系統之間的互操作性和兼容性。

要應對這些挑戰，就需要在邊緣人工智能領域不斷進行研究和開發，并在各行業和標準組織之間開展合作。基于英偉達?（NVIDIA?）Jetson 模塊的堅固耐用的 AIAE 解決方案可以幫助應對其中的許多挑戰。

結論

利用 AI/ML 和先進的算法戰爭系統可為實現決策優勢提供顯著優勢。能夠切實有效地保護、傳輸和處理信息，并比對手更快地壓縮 OODA 循環的軍隊很可能會取得勝利。AI/ML 不是明天的問題。這種使能技術今天已在使用，將來會越來越普遍。

對于國防部來說，要實現 JADC2 的愿景，首先要求工業界有能力連接當前所有可支持戰區感知的傳感器，使傳感器數據可供任何行動級別的任何潛在用戶使用。這種數據共享結構可以創建安全的作戰空間感知，從而了解單一、綜合、全球作戰空間中某一區域的行動，并為其他區域所需的行動和決策提供依據。

其次，傳感器數據共享和互操作性的概念應在每個系統和項目中強制實施。此外，國防部還需要加快數字化轉型、原型設計和系統集成的速度，以便利用數據，建立更好的作戰制勝人工智能/移動式人工智能算法和硬件系統，并通過學習和實驗活動加以鍛煉，以取得成功。

將人工智能（AI）融入陸軍后勤工作，可以徹底改變供應鏈管理、優化資源配置并增強決策能力。不過，這需要采取全面的方法，解決實施過程中的挑戰和問題。

人工智能技術的迅猛發展為將其應用于包括陸軍后勤在內的各行各業提供了新機遇。認識到人工智能的潛力，陸軍應努力大規模利用其能力，并將其應用到戰術層面，以改善供應鏈管理、資源分配和決策過程。通過與《聯合出版物 4-0：聯合后勤》、《野戰手冊 4-0：維持行動》和《陸軍條令出版物 4-0：維持》中概述的指導原則保持一致，陸軍可以在日益復雜和快速發展的世界中發展適應性強、反應迅速和有效的后勤行動。然而，將人工智能融入陸軍后勤工作會帶來一些挑戰和問題，如在自動化與人類專業技能之間找到最佳平衡點、確保強大的網絡安全、解決倫理問題以及使勞動力適應不斷變化的技術環境。本文探討了在陸軍后勤中整合人工智能的潛在優勢和劣勢，并討論了在最大限度地提高效益的同時，最大限度地降低風險和解決與實施人工智能相關的問題所需的全面方法。

最大化供應鏈管理： 真實案例

人工智能在大幅提升陸軍供應鏈管理方面的變革能力毋庸置疑。正如美陸軍物資司令部前司令埃德-戴利（Ed Daly）將軍所強調的那樣，人工智能對于實現實際后勤所需的相關速度至關重要。他的愿景是將人工智能和機器學習無縫融入陸軍后勤流程的方方面面，從而為戰場上的士兵提供無與倫比的效率和及時支持。為支持這一觀點，《國際生產經濟學雜志》上發表的一項研究顯示，將人工智能融入供應鏈管理可將效率提高 20% 或更多。

人工智能分析海量數據、預測未來趨勢和資源分配需求的能力是陸軍后勤的另一大優勢。通過利用人工智能驅動的分析，陸軍可以更精確地預測士兵的需求，確保重要物資在正確的時間和地點到達目的地。此外，預測分析還能通過簡化人員和裝備分配來優化陸軍行動。陸軍后勤中的預測分析可以確定車輛部件何時需要更換，從而在故障發生前進行主動維護。這種方法可節省大量成本并提高運營安全性，減少因維護和事故而計劃外停機的可能性。此外，預測性分析還可以通過預測供應需求和驗證在正確的時間和地點是否有正確的資源來完善供應鏈管理。這一戰略可提高運營效率、縮短交付周期并提高供應鏈的可見性。

自適應后勤與決策： 對實時信息做出反應

適應當地快速變化條件的能力是現代軍事行動的重要組成部分。適應性后勤和決策對于維持陸軍在復雜環境中的有效性和反應能力至關重要。人工智能通過提供實時信息、復雜的分析和先進的決策支持工具，有可能徹底改變軍事后勤的這一方面。

人工智能在適應性后勤方面的一個重要優勢是它有能力收集和分析來自各種來源的大量數據，包括傳感器、衛星和其他情報平臺。此外，人工智能還能訪問來自不同陸軍源系統的記錄系統數據，如全球指揮與控制系統-陸軍、后勤現代化計劃、港口自動化工具和運輸協調員移動信息自動化系統 II。人工智能還可以利用非陸軍系統，如全球決策支持系統和后勤功能區服務。通過這種全面的數據分析，可以做出更明智的決策，提高后勤效率。

這些信息可為作戰環境提供全面的最新情況，使指揮官能夠根據實時情報做出明智決策。通過獲取準確及時的數據，陸軍可以更有效地應對新出現的威脅，最大限度地降低風險，并抓住機遇。

除了提供實時信息外，人工智能還能通過識別人類分析人員可能不易察覺的模式和趨勢來加強決策。通過機器學習算法和先進的數據分析，人工智能系統可以發現隱藏的相關性，并產生可操作的見解，為戰略和戰術決策提供依據。例如，人工智能可以幫助預測敵人的動向，預測后勤瓶頸，或在潛在的供應鏈中斷發生之前加以識別。有了這些洞察力，指揮官就能做出更明智的決策，更有效地分配資源，并在戰場上保持競爭優勢。

人工智能還能通過自動化某些后勤規劃和決策環節，提高陸軍應對突發事件和緊急情況的能力。例如，人工智能驅動的系統可以根據不斷變化的環境條件或供應鏈的突然中斷，自動調整物資和人員的路線。通過實現這些流程的自動化，陸軍可以最大限度地減少延誤，并確保將關鍵資源運送到最需要的地方，即使在不確定和逆境中也是如此。

人工智能在適應性后勤中的另一項應用涉及使用模擬和優化技術來支持復雜多變條件下的決策。人工智能驅動的模擬模型可以幫助指揮官探索各種場景，評估潛在的行動方案，并確定實現目標的最有效策略。這可以使后勤計劃更加穩健、更具彈性，并提高任務的整體成功率。

反駁意見

雖然將人工智能融入陸軍后勤會帶來諸多益處，但也有合理的擔憂和潛在的弊端需要考慮。一些批評者認為，依賴人工智能可能會導致過分強調技術，而忽視人的經驗和直覺，而人的經驗和直覺在復雜和不可預測的情況下至關重要。人工智能有可能造成虛假的安全感，導致過度自信和戰略失誤。

此外，與實施人工智能技術相關的巨大成本，如基礎設施升級、軟件開發和持續維護，可能會超過潛在的好處。預算限制和相互競爭的優先事項可能會使為人工智能集成分配足夠的資源變得具有挑戰性，從而可能限制其有效性。

另一個令人擔憂的問題是人工智能系統易受網絡攻擊和敵方操縱。隨著人工智能驅動的后勤系統對陸軍行動越來越關鍵，它們也成為對手試圖破壞或損害軍事能力的高價值目標。制定強有力的網絡安全措施至關重要，但無法保證這些防御措施在應對快速發展的威脅時始終有效。

此外，還要考慮與軍事后勤中的人工智能有關的倫理問題。使用人工智能可能會導致決策偏差、缺乏透明度或意想不到的后果。必須明確界定人工智能系統行動的責任，以確保在出現錯誤或故障時能追究責任。

最后，將人工智能融入陸軍后勤可能會給后勤軍事職業專業帶來意想不到的后果。雖然特定任務的自動化可以提高效率，但也可能導致工作崗位的轉移，并需要對勞動力進行大量的再培訓。確保陸軍能夠適應這些變化并保留一支熟練的勞動力隊伍至關重要，但這需要持續的努力和投資。

雖然反駁意見中提出的擔憂不無道理，但必須指出，不應完全否定整合人工智能的潛在好處。相反，有必要采取一種平衡的方法，仔細考慮與人工智能實施相關的風險和挑戰，同時尋求利用其在陸軍后勤中的變革潛力。通過制定全面的戰略，陸軍可以解決這些問題，最大限度地發揮人工智能集成的效益。

結論

將人工智能融入陸軍后勤工作，為徹底改變供應鏈管理、優化資源配置和加強決策過程提供了眾多機會。然而，至關重要的是要認識到并解決與實施人工智能相關的挑戰和問題，如在自動化和人類專業知識之間取得適當平衡、確保強大的網絡安全、解決道德問題以及使勞動力適應不斷變化的技術環境。

為了充分利用人工智能的潛力，陸軍應采取全面的方法，包括投資人工智能基礎設施、促進公共和私營部門之間的合作、為人員提供持續的教育和培訓，以及制定強有力的網絡安全措施。此外，必須就人工智能在軍事后勤中的道德影響保持公開對話，并建立明確的指導方針和問責結構，以確保負責任地部署人工智能。

通過采取全面的方法，陸軍可以克服與人工智能集成相關的挑戰，釋放其變革潛力，并在日益復雜和快速發展的全球安全環境中保持競爭優勢。

1. 問題陳述

集中式指揮和控制（C2）是軍事優勢國家的奢侈品。與近鄰（近同行）對手的沖突將對約米尼的內部交通線造成挑戰，因此優勢可能是局部和暫時的。雖然集中式 C2 帶來的風險較小，但近鄰敵人兵力有限，只能采取集中式指揮、分布式控制的模式。美國空軍應對近敵較量的辦法是開發一種名為 "先進作戰管理系統"（ABMS）的網狀網絡 C2 系統，將 "物聯網 "引入戰場。ABMS 預計耗資數千億美元，雄心勃勃、富有創造性，而且模糊不清。在開始類似于 F-22 和 F-35 計劃的又一次大規模采購以建造 ABMS 之前，空軍應首先考慮以下格言。首先，創新并不一定需要發明。換句話說，要考慮這樣一種可能性，即滿足擬議能力和要求的硬件已經存在，只需組裝、改進和逐步提高即可。其次，沿著這一思路，為打擊簡易爆炸裝置，在用于持久情報、監視和偵察（ISR）的廣域運動圖像（WAMI）方面取得了巨大的計算進步，并將其打包用于低成本可減載機身。用于持久性 ISR 的 WAMI 是 ABMS 的前身。最后，未來沖突的速度可能要求在 ABMS 系統中使用人工智能進行自動目標定位。在采用 ABMS 之前，必須考慮自動目標定位的法律和道德因素，以免空軍打開未來主義烏托邦的潘多拉盒子。

2. 確定需求的緊迫性

如今，大國有能力使集中式航空指揮與控制（AC2）方法失效。要做到這一點，他們不必處處拒止通信；他們只需使流程過于繁瑣而難以維持，減緩 "觀察、定向、決定、行動"（OODA）循環，這將迫使美國在本質上變得被動。大國將通過在網絡上嚴守紀律、保持沉默、操縱數據，迫使美國操作員對其 C2 系統失去信心，最終降低其有效性。接下來或同時，大國將阻礙或削弱更快的通信手段，如衛星通信和數據服務，導致美軍兵力無法執行其主要、備用、應急和緊急（PACE）計劃。從邏輯上講，這些計劃往往會恢復使用效率越來越低的通信媒介，即高頻（HF）通信形式，用于 C2 節點之間的長途或視線范圍以外的信息交換。這大大降低了集中式 AC2 所需的反饋回路。

美軍的近期對策是將控制權下放到前沿部署的 C2 節點，并實施任務指揮，使指揮官的意圖高于詳細的作戰命令。不幸的是，這樣做會使敵方無法進入控制與報告中心、空中支援作戰中心或任何等同部門的梯隊單位。大國廣泛關注反介入區域拒止（A2AD）能力，建立了一種縱深防御模式，將扼殺美國向前推進行動的努力。要戰勝這種情況并非不可能，但需要分布式，以實現比目前人類 "在環路中 "更快的目標定位周期。問題是，"軍方目前是否具備實現這一目標的能力？在回答這個問題之前，讀者必須考慮這種能力的具體要求。

3. 確定要求

需求始于聯合航空條令。如果不了解規劃中應該發生什么，就無法建立一個有效或符合道德規范的人工智能增強型分布式解決方案。換句話說，在人工智能增強型分布式解決方案中，敵方會破壞的流程仍必須以某種方式發生。為了縮小范圍，本論點將只關注從開始到執行和評估的聯合空中任務命令（ATO）周期，這是聯合兵力空中分隊指揮官（JFACC）領導戰區目標瞄準工作的手段。

ATO 周期建立在委員會、局、中心、小組和工作組（或稱 B2C2WG）的基礎上。聯合 ATO 周期的所有后續階段在某種程度上都與各軍種的空中參謀部相呼應--各軍種的周期為更大的聯合周期提供支持。也就是說，ATO 的制定始于接收聯合兵力指揮官和 JFACC 的目標、效果和指導。這種指導采取空中行動指令（AOD）的形式，確保計劃人員和分布式的執行人員統一行動。在第二階段 "目標開發 "之前，JFACC 的工作人員會召開第一次聯合目標協調委員會 (JTCB)，陸軍、海軍、海軍陸戰隊和特種作戰聯絡員等目標開發方面的所有利益相關方都會在該委員會上討論各軍種的具體需求。目標開發的成果是 "聯合綜合優先目標清單"，該清單對目標選擇工作進行了 "排序和堆疊"。這份優先目標清單強調的是有利于實現作戰層面目標的目標，情報分析師、律師和規劃人員在整個目標開發過程中都會對這些目標進行審查，并在第三階段 "武器設計與分配 "中繼續審查。

第四階段是建立并向戰區內的作戰單位發布 ATO。任務數據、路線、控制機構信息、油罐車計劃和落塵應急措施、目標和武器設計細節等信息都為戰斗提供了參考。然而，計劃永遠無法在與敵人的首次接觸中幸存下來。這四個階段奠定了人工智能增強型分布式能力的框架和要求，但第五和第六階段則明確地揭示了這些要求。在 ATO 循環的第五和第六階段，系統必須具備三種關鍵能力。首先，在執行階段，系統必須了解并尊重 B2C2WG 各項活動的上述產出。例如，它必須理解 AOD 中規定的目標，確定哪些行動或不行動將實現指揮官的最終目標，為什么某些目標比其他目標更重要，并尊重目標計劃中的交戰規則。其次，解決方案系統必須具備與航空平臺動態通信的能力，以控制空域和整合火力。此外，它還必須具備對時間敏感目標進行優先排序的能力，并在攻擊目標之前對附帶損害進行動態評估。最后，解決方案必須具備開始 ATO 循環最后評估階段的能力。這意味著該系統能夠匯總戰損評估、炸彈命中評估，并理解和闡明計劃的哪些部分已經實現，哪些沒有實現。從邏輯上講，系統必須能夠將這些結果反饋給中央指揮節點，為未來的 ATO 計劃提供信息。

4. 廣域運動圖像發展融入指揮節點

為應對恐怖組織使用的簡易爆炸裝置 (IED) 的威脅，開發了用于持久性 ISR 的 WAMI，使其成為迄今為止計算能力最強的機載資產。在 "持久自由行動 "和 "伊拉克自由行動 "初期，美國在伊拉克和阿富汗的傷亡人數急劇上升，現有持久性 ISR 的局限性變得非常明顯。"捕食者 "系統只有一個可轉向攝像機，存在 "蘇打吸管 "問題，即視場聚焦有限，視頻分析人員無法同時跟蹤多個目標。一個名為 "恒鷹 "的項目彌補了這一局限，它將六臺攝像機系統以數字方式融合在一起，形成一個巨大的基點圖像，覆蓋面積超過 200 平方公里，且沒有覆蓋空白。在天氣允許的情況下，一旦平臺著陸并提取保存的數據，就會記錄下關鍵點范圍內的每一個事件，以便回放和分析。"天使之火 "計劃將這一概念向前推進了一步，它增加了一個射頻（RF）通信鏈路，就像一個軍用級 Wi-Fi 集線器，連接到附近的地面站，這樣地面兵力就可以近乎實時地查看圖像饋送，以便立即采取行動。在近兩年的時間里，"天使之火 "每天都在費盧杰市上空飛行，同時向當地海軍陸戰隊指揮所傳輸圖像。這標志著 J. R. R. 托爾金所描繪的概念--戰場上無所不知的索倫之眼--在技術上的開端。

處理持久性攝像機產生的大量數據所需的計算能力意味著，天空中不僅有一只監視的眼睛，還有一個大腦。"天使之火"（Angel Fire）和 "恒鷹"（Constant Hawk）的后繼者是 "藍魔鬼"（Blue Devil）和 "高竿凝視"（Gorgon Stare），這兩款相機目前在中央司令部（CENTCOM）的行動中得到大量使用。藍魔 "和 "高竿盯梢 "都可以安裝在無人機（如 MQ-9 "死神"）中，并通過衛星網絡向地面兵力提供本地數據和全球數據。生成 WAMI 數據的自動分析負荷是巨大的。在 10 小時的任務中，Gorgon Stare 軟件包可生成 65 萬億像素的圖像。毋庸置疑，如此大量的圖像需要人工分析人員進行梳理和破譯。然而，巧妙的軟件開發（也稱為人工智能（AI））為這一問題提供了解決方案。WAMI 現在使用被稱為 "基于活動的智能 "的人工智能處理工具來自動評估對抗行為，這種工具最初被足球分析師用來根據陣型和開球后的初始時刻預測戰術。此外，Gorgon Stare 還使用了信用卡公司用于檢測欺詐行為的常規異常行為檢測，以突出顯示感興趣場景的異常變化。重點是，獨立機載平臺通過數據融合對戰區進行人工智能評估已經成為現實。自動控制附近軍事資產的道路已經完成了 90%。WAMI 平臺現在需要擴展其聯網能力，以便與其他 WAMI 平臺進行網狀串聯，并建立與其他武器系統的端口和協議鏈接，這一步在技術上的要求比目前的開發工作要低得多。一旦與區域系統和當地地面部隊聯網，分布式控制只需添加軟件即可。對這一事實的認識至關重要，以免美國空軍偶然發現 ABMS 的二重身，卻不知道自己創造了什么。

與自動駕駛汽車可能比人類駕駛的汽車安全得多類似，使用機器學習等技術的自動瞄準在避免平民傷亡和附帶損害方面也可能更勝一籌。一旦戰區內的 WAMI 平臺聯網并共享計算資源，自動瞄準功能就能隨時加載到 WAMI 處理器上。然而，必須明確認識到機器學習的細微差別。戰爭既復雜又繁瑣，因此不能指望將明確的計劃預先加載到分布式的自動化 C2 節點上。換句話說，戰爭的藝術過于抽象，無法創建一個計算機可以用代數方法處理的綜合物理模型（然而！）。機器學習巧妙地避免了這一事實，它通過對當前沖突的可觀察性進行訓練，將戰爭的基本特征完全參數化并加以規避。機器學習所需要的只是設計者提供的目標、數字化的觀測數據和計算能力，而這一切目前都可以通過 WAMI 平臺實現。22 機器學習所需的只是設計者提供的目標、數字化觀測數據和計算能力，而這兩者目前在 WAMI 平臺上都可實現。這就是為什么機器學習標志著能力的巨大轉變；集中式指揮部將加載其所需的指標，而分布式式控制節點將根據正在進行的沖突進行學習和調整，以調整指令結果。

在使用人工智能和機器學習時，對訓練數據的依賴會在沖突期間的精確性和正義戰爭方面帶來獨特的雙重性。從沖突一開始，分布式控制節點發布的戰術計劃實際造成的平民傷亡可能會高于人類軍事規劃人員協調的結果。這是因為機器學習是從不準確的初始條件開始的。以圖 1 為例，比較使用機器學習的自動瞄準與傳統的人工瞄準在不同時間造成的平民傷亡。起初，自動瞄準可能差得令人震驚，但與傳統的人工瞄準相比，精確度呈指數級增長。道德難題就在圖 1 中兩條曲線之間。如果知道從長遠來看將有更多平民幸免于難，美國是否會、是否應該在初期接受更高的平民傷亡？與人類相比，民眾能否容忍機器犯錯？當自動瞄準系統出錯時，誰應承擔道德和法律責任？總之，無論是有意為之還是無意識的進化，ABMS 的組成部分已經存在，并且正在與 WAMI 和人工智能組裝在一起。用 20 年時間建立 ABMS 的計劃就像在方格旗之后才開著法拉利參加比賽一樣。

圖 1：在沖突開始時使用經過人工智能訓練的自動瞄準與傳統的有意減少平民傷亡的人工瞄準相比，平民傷亡與時間的假設關系。

5. 獲取和使用自主武器系統的法律考慮因素

法律界正在圍繞上述一些問題展開辯論。在辯論的一端，一些非政府組織和政策團體主張在戰爭中全面禁止自主武器系統（AWS）。另一方面，也有人認為，根據現行法律，包括武裝沖突法（LOAC），現在就可以使用自主武器系統。如果有足夠的制衡措施，美國應該能夠根據現行國際法和武裝沖突法（LOAC）充分發展和使用 AWS。

美國國防部的現行政策禁止所有 "人在回路外 "的 AWS。(DODD 3000.09，4(a)-(c)）。前國防部長卡特強化了這一政策，他承諾國防部永遠不會完全使用具有致命能力的預警機。然而，隨著美國將重心轉向近鄰競爭，開始意識到需要更快的 C2 構建，尤其是在通信能力下降的環境中。對 AWS 進行禁止和/或嚴格限制的呼吁是短視的，而且忽視了這些武器系統可以符合《武裝沖突法》的規定，因而今天可以合法使用的事實。

《美國國防部戰爭法手冊》為新武器和武器系統的法律審查提供了指導，以確保此類武器符合國際法，特別是《日內瓦公約第一附加議定書》（API）第 36 條。API 規定，在戰斗中使用的任何武器系統都不得違反國際法或條約的任何原則。鑒于 AWS 不屬于國際法禁止的武器類別，國防部根據《武裝沖突法》的四項指導原則，即軍事必要性、區分、相稱性和人道，對新武器或應用于武器的新技術進行法律審查。

軍事必要性的最佳描述是 "為盡快有效地擊敗敵人而有理由使用戰爭法不禁止的一切必要措施的原則"。必要性與區分密切相關，是 "使沖突各方有義務主要區分兵力和平民人口，以及未受保護物體和受保護物體 "的原則。相稱性原則禁止任何 "可能附帶造成平民生命損失、平民受傷害、民用物體受損害或三種情形均有而且與預期的具體和直接軍事利益相比損害過分的攻擊"。最后，人道 "禁止為實現合法軍事目的而造成不必要的痛苦、傷害或破壞"。

那些呼吁禁止或嚴格限制戰爭預警系統的人提出的法律主張是，戰爭預警系統不能遵守《武裝沖突法》的這些原則。而另一些人則認為，目前的國際法結構為在戰斗中使用預警機提供了一條道路，雙方都必須考慮相關問題。例如，預警機能否區分平民和敵方戰斗人員（即非法目標和合法目標）？在某些情況下，即使是經驗豐富的軍事操作人員，尤其是在城市環境中的反叛亂行動中，這種區分也是非常困難的。預警機能否實時分析新信息，例如執行復雜的決策任務，以確定摧毀特定目標所造成的損害與攻擊所獲得的直接軍事優勢相比是否過大？同樣，相稱性問題也是一個難以駕馭的問題，充滿了復雜、主觀的考慮因素，即使是最有經驗的指揮官也難以作出判斷。

盡管對任何武器系統都采取了法律預防措施，但人類還是容易出錯。在需要速度的緊張、有害環境中，人類的決策能力也會下降。毋庸贅言，人類在瞄準決策中經常犯錯，而這些錯誤并不總是被定性為違反《武裝沖突法》。這些問題帶來了一個問題，即如果預警機違反了武裝沖突法或交戰規則之一，誰應該承擔責任？例如，當人類違反武裝沖突法的原則時，很容易追究某個人的責任--要么是犯錯誤的個人，要么是做出錯誤決定的指揮官。但如果 AWS 違反了武裝沖突法，是否任何個人都應承擔責任？建議可根據 DoDD 3000.09 第 4(b)段追究指揮官的責任。4(b)段規定，指揮官有責任以符合國際法和系統能力的方式操作和部署預警系統。這一論點凸顯了使用 AWS 的另一個優勢--即 AWS 只做程序設計要做的事。為此，程序員和開發人員在為 AWS 編程時，只應使用不會嚴重違反國際法的命令。

總之，數百年來，新武器和新技術一直受到抵制和譴責。本文所設想的 AWS 也遇到了同樣的阻力，但可以證明它符合國際法和《武裝沖突法》，因為武器本身并不特別新穎；相反，允許 "環外決策 "的 AWS 技術才是新的。盡管國防部的政策完全禁止 AWS，但采用這種技術所帶來的好處足以修改國防部的政策，使其傾向于采用執行決策速度比人類快得多的系統，并有能力在通信能力下降的地區這樣做。歷史也表明，人類在使用武器系統時經常會出錯，而在壓力和不確定性下的決策過程也并不可靠。雖然在近期內，隨著技術的不斷發展，繼續開發 "人在回路中 "的預警系統可能是有益的，但美國應致力于開發和部署完整的預警系統，以便在未來的近距離沖突中使用，因為那時可能會失去可靠的 C2 網絡。

電子戰（EW）操作人員在日益密集和敏捷的威脅環境中執行單平臺和分布式平臺的傳感和干擾任務時，面臨著眾多的挑戰。在交戰時限內，往往必須根據現有的部分信息迅速采取行動。最近，世界觀察到了人工智能的蓬勃發展，這是一套數據驅動的橫向技術，已經顛覆了自主性和大數據是關鍵因素的多個領域。盡管它不是所有EW任務的解決方案，但人工智能顯示出有希望提供潛在的解決方案，通過超出人類操作員能力的知情決策來提高EW效率和有效性。約翰霍普金斯大學應用物理實驗室（APL）精確打擊任務區已經投資于發射器識別和自主資源分配等具體EW任務的研究和開發。本文介紹了這些項目的有希望的結果，并描述了在這些領域建議的未來工作，以及可能從人工智能研究中受益的其他EW應用。

1 引言

電子戰（EW）作戰威脅空間是一個在有爭議的頻譜環境中運行的多個射頻（RF）傳感和發射平臺之間的非合作性互動。這個作戰空間給執行任務的操作人員帶來了許多挑戰，如感知電磁（EM）頻譜、有效管理頻譜資源、在多個EW平臺之間共享關鍵信息，同時干擾威脅發射器。這些挑戰促使人們需要能力越來越強的射頻系統，以機器的速度處理大量的信息并采取行動，通常幾乎不需要人工干預。下一代軟軟件定義的射頻威脅發射器，使用越來越復雜的敏捷波形，推動了未來電子支持（ES）和電子攻擊（EA）活動方式的轉變。干擾平臺的整體有效性受制于其有效探測、描述、干擾和通信威脅波形的能力，同時智能地管理戰斗空間內的可用射頻資源。

在過去幾年中，人工智能領域受到了極大的關注，在物體識別、自然語言處理和自動語音識別等領域取得了多項重大突破。機器學習（ML）技術在其他問題領域的成功應用，引起了EW贊助商、運營商和研究人員的興趣，他們希望確定ML方法如何解決EW的差距。本文重點介紹了通過APL的精確打擊任務區（PSMA）獨立研究和開發（IRAD）項目取得的幾個有希望的成果，這些項目專門針對發射器識別和自主資源分配的EW任務。它還包括其他建議的研究課題，以使自動化EW方法成熟，并可過渡到未來的軍事平臺。此外，本文還強調了幾個特定領域的挑戰，并提出了未來的研究課題，在這一重點領域中，使用ML技術可能會顯示出前景。

1.1 背景

圖1展示了一種場景，它試圖通過使用協作式EW來實現信息主導并對對手產生壓倒性的EW效應。開發ML應用以提高單平臺背景下的EW效率和有效性，是實現協作、自主和適應性EW能力的一個重要基石。在這篇文章中，我們主要描述了從兩個IRAD項目中獲得的結果和知識，這些項目將ML應用于傳感和發射器識別，以研究自動調制識別（AMR）和自主資源分配。這項基礎性工作證明了這些方法的優點，并建立了一條通往多平臺、協作式EW能力的發展道路。本文介紹的方法和結果與平臺無關，盡管迄今為止考慮的主要平臺是機載的，但可能也有引人注目的地面或海基應用。

圖1. 在APL的PSMA中，有兩個感興趣的協作EW主題。美國將建立頻譜優勢，并通過使用協作式EW來對對手提供壓倒性的EW效果。為了實現這一目標，必須克服兩個挑戰：分布式傳感，ML AMR將識別感興趣的特定信號（左）；以及分布式資源管理，傳感和干擾資源將在戰斗空間中自動管理（右）。

2 機器學習適用于EW技術和操作的挑戰

圖1大致說明了戰術EW操作中的兩個具有挑戰性的主題領域，ML提供了有希望的解決方案。本節簡要介紹了與分布式傳感和分布式資源管理相關的挑戰。

2.1 敏捷威脅發射器的交戰

敵方傳感器和通信系統的敏捷性給EW系統帶來了挑戰，它們能迅速適應并在整個電磁頻譜上運行。傳統的EW系統必須首先確定一個威脅雷達，以確定適當的預編程EA技術。隨著雷達從固定的模擬系統發展到具有未知行為和敏捷波形的可編程數字變體，這種方法的有效性就會下降。未來的雷達可能會帶來更大的挑戰，因為它們將能夠感知環境，同時適應傳輸和信號處理，以最大限度地提高性能和減輕干擾影響。同樣，通信系統能夠適應頻率、調制和編碼以及協議，以便在各種退化的信道條件下運行，目標是最大限度地提高數據吞吐量，同時最大限度地減少幀錯誤和比特錯誤率。此外，由于硬件、軟件和自適應信號處理的進步，現代傳感器系統以更敏捷和更不確定的方式工作的能力得到了大幅提升。打擊這些潛在的威脅需要靈活的EW交戰方案，根據當前觀察到的運行參數和威脅的模式，在特定的快照下調整EA技術。通常情況下，這種交戰需要在威脅發射者的時間刻度上以機器的速度調整反措施--換句話說，比人類操作員的速度快得多（以毫秒或微秒為單位，而不是秒）。美國國防部高級研究計劃局（DARPA）的兩個項目專注于這一問題空間：自適應電子戰的行為學習（BLADE）項目已經成功地將ML技術應用于敏捷的通信信號，而自適應雷達對抗措施（ARC）項目已經成功地將ML應用于威脅雷達信號。鑒于該領域的基礎性工作已經建立，本文不進一步討論ML對威脅發射器的應用。

2.2 寬帶傳感

EW系統的關鍵挑戰之一是實時提供精確的電磁頻譜態勢感知，以描述所觀察到的信號的行為，并確定什么是友好、威脅和中立。敵方的傳感和通信系統正在擴大其對電磁波譜的使用，要求ES傳感器同時觀察多個千兆赫茲的頻譜。傳統的ES系統在同時監測大面積的電磁頻譜方面能力有限，通常會求助于掃描一組窄帶頻道。在信號收集之后，大量的信號捕獲數據必須在戰術時間尺度上進行處理，以便在這些測量變得陳舊之前確定發射體的特征并告知EA的反應。如果考慮到遇到多個高密度射頻發射器在不同的射頻功率水平下工作，觀察到部分信號，以及在高度的機載和非機載射頻干擾的情況下進行感應，這些挑戰就進一步加劇了。

除了在基于傳感器的應用中很有價值外（如模擬處理），ML方法也有可能在緩解ES數據處理瓶頸中發揮作用。只有當這種傳感與能夠應對相應的大信息速率的信號處理器結合在一起時，才能實現寬帶傳感的好處。即使計算昂貴的操作與完整的輸入流解耦，如果檢測沒有被有效過濾，密集的信號環境仍然會使下游資源超載。ML技術可以在處理鏈的早期丟棄低優先級的檢測，減少整個系統的負荷，為處理關鍵任務的檢測節省計算資源。換句話說，ML可以通過在處理鏈的早期和較少的步驟中捕捉關鍵模式來發揮作用。這一優勢適用于本文介紹的AMR工作的一個特定的下一步應用。AMR工作僅側重于調制識別，為潛在的富有成效的ML調查參數留下了機會，如通過帶寬、中心頻率、脈沖重復間隔、到達角或這些參數的組合來確定信號特征。

2.3 資源管理

必須根據具體任務和威脅環境平衡使用EW平臺的傳感和干擾資源，以有效地打擊射頻通信和雷達目標。一個EW任務可能包括與一系列的威脅交戰，從需要有限的傳感支持的已知的、不太敏捷的威脅到需要精確的傳感和交戰時間表來跟蹤和擊敗的復雜的、適應性強的威脅。來自單一平臺的傳統EW傳感和干擾資源是按時間尺度管理和安排的，可以在任務前分配或在任務中由操作人員調整。然而，必須被感知和打擊的可適應的對手目標的數量正在增加，超出了傳統的人在環形方法的可行性。在威脅發射器的時間尺度上保持有效性需要自主優化方法，以機器速度平衡和分配EW資源。未來的分布式、協作式EW任務包括多個平臺一起工作，并適應實現特定的EW任務目標，這將需要分布式資源管理。

如果我們從貝葉斯的角度出發，這個看似難以解決的問題可以得到簡化。在每個時間點上，操作者必須考慮對手正在做什么的多種競爭性假設。然后，操作者必須從一組可能的假設中考慮什么是最佳行動方案。這些假設可以被列舉出來，并根據收集到的累積證據為每個假設分配代表強度的實際數值。貝葉斯概率理論允許我們將證據單位表示為實數，可用于加強或摒棄競爭性假設。這種方法使我們能夠自動權衡不同假設的合理性，并根據證據最支持的假設做出決定。我們相信，ML有可能為EW任務前計劃的資源管理和EW行動中的近實時決策提供重大的能力提升。

3 基于AMR的發射器識別

發射器識別過程允許ES和監視接收器區分來自威脅和友好或中立的發射。因此，ES系統必須處理一套廣泛的接收波形，從商業波段常用的波形到軍事特定的雷達和通信信號。ES系統依靠脈沖處理器，使用固定的描述符來檢測、過濾，并從接收到的射頻調制脈沖中提取發射器信息。調制格式是ES系統在勘察頻譜時用于描述有源發射器的一種描述符。

EW系統必須完成的許多挑戰性任務之一是有效地確定檢測到的信號的調制格式。這個話題更廣泛地被稱為AMR。傳統的脈沖處理器將調制格式視為一個單一的特征，可與其他用于識別活動發射體的波形特征相配合。許多脈沖處理器會將脈沖描述符群與板載庫進行匹配，以識別正在觀察的發射器。成功應用這種傳統的匹配方法的前提是，信號先前已經被觀察過，其特征也是已知的。

AMR的第二個挑戰是在遇到新觀察到的調制類型或發射器模式時識別和解釋它們。事實證明，新的發射物對于依賴預定義的已知發射物特征庫的系統來說是一種挑戰。在軟件定義的威脅成為現實之前，捕捉和描述新的發射物的過程一直是一個歷史上可解決的問題。然而，現代適應性威脅促使人們需要能夠以機器的速度快速識別和描述新的檢測的傳感技術。圖2說明了AMR在一個名義上的戰術EW場景中的應用。

圖2. 將AMR應用于一個名義上的戰術EW場景。這里顯示的是如何利用在線AMR來描述各種威脅的一個例子。左上圖表示原始探測的時間-頻率分布。左下圖表示確定的雷達脈沖組合，其中每個不同的顏色用于代表具有特定特征的脈沖。

3.1 用于AMR的特征學習背后的動機

雖然有幾種深度學習方法已經應用于AMR，但在2018和2019財年，基于特征的電子攻擊訓練超表面反應（FEATHR）IRAD項目探討了AMR背景下的深度特征表示模型。這項工作強調了這些模型比其他類型的深度神經網絡（DNN）模型直接訓練分類的幾個明顯優勢。

將深度學習應用于AMR的大部分現有工作都集中在使用神經網絡模型從一組固定的標記實例中學習分類調制分配的方法。各種研究表明，這種方法是執行AMR的一種可行方式。然而，僅僅為了分類的目的而訓練一個模型，本質上是將模型的預測限定在訓練數據中的標記類集上。這種限制導致了訓練后的模型無法超越訓練期間的標簽集進行泛化。擴展神經網絡分類器的類集需要一個漫長的過程，即收集新的例子，給例子貼上標簽，然后用擴展的類集重新訓練模型。

當用分類目標訓練DNN時，一個模型通常會使用全連接輸出層，加上一個歸一化指數，以產生一個跨越正在學習的類集的信心分數。因此，學到的任何特征都不會被直接觀察到，因為它們是網絡架構的內部。然而，如果學習目標是直接學習特征，情況就不一定是這樣了。在這個問題的背景下，特征可以被認為是數據中的獨特模式，是特定信號調制的特征。這就把我們帶到了一組被稱為特征學習的技術上。雖然與特征提取類似，但特征學習并不假定直接獲得特征的預定義規則或變換；相反，所需的特征是通過客觀任務的訓練而學習的。

為了解決在一組預定義的標簽之外識別和分類開放的調制集的需要，我們研究了一種特征學習的方法來執行AMR，其中首先學習區分調制類型差異的特征，而不是調制類型本身。該模型的目標是學習一種轉換，將實例映射到多維特征空間中的一個位置。

3.2 三重損失

第一篇關于三重損失的論文顯示了如何對個體進行分類。由于同一個體會因各種因素（如燈光、服裝、視角）而看起來不同，研究人員意識到需要一種方法來對許多個體進行非線性條件下的分類。通過使用神經網絡定義一個高維輸出空間的軸，他們發現個體可以在這個空間中被聚在一起。術語 "嵌入 "經常被用來描述在這個輸出空間中對應于一個位置的N維向量。

使用三重損失（一種特征學習方法）訓練的模型產生了一種轉換，允許數據被映射到一個學習的特征空間。在這個空間中，根據訓練過程中提出的調制類之間的學習關系，對實例進行匯總。這使我們能夠隨后分析這些特征，對已知的調制進行分類，并對新觀察到的不在我們現有標簽集中的例子進行分類。我們實施了一個兩步法，首先使用用三重損失訓練的殘余DNN模型學習特征表示轉換。一旦模型被訓練出來，我們就以調制分類和異常調制識別為學習目標，探索兩種方法來描述這個特征表示。

三重損失是一個有監督的訓練目標，旨在與連體網絡一起使用。連體網絡可以被認為是單個人工神經網絡模型的多個鏡像實例，其中每個實例在整個訓練過程中以相同的方式初始化和聯合更新。每個輸出被視為輸入實例在一個共同的N維歐幾里得空間（也稱為嵌入空間）中的映射。對于使用三連體損失的訓練配置，創建了一個有三個實例的連體網絡模型，如圖3所示。

圖3. 使用連體網絡訓練配置的三重損失配置的例子。連體網絡可以被認為是單個人工神經網絡模型的多個鏡像實例，在整個訓練過程中，每個實例都以相同的方式被初始化和聯合更新。每個輸出被視為輸入實例在一個共同的N維歐幾里得空間（也稱為嵌入空間）中的位置的映射。

3.3 使用學習到的特征進行異常檢測

一旦學會了一組調制特征，它們就可以被用于執行分類或異常檢測等任務。圖5顯示了一個對每個調制類型的學習特征擬合多變量高斯模型的過程。異常情況是通過為每個高斯模型固定一個對數似然閾值來確定的。這個閾值作為關聯新例子的決策邊界。沒有關聯的例子也會被捕獲并歸類為異常。這由圖5中的底部分支表示。圖6顯示了在訓練好的特征空間內映射的波形的三維投影。

如果我們考慮一種以上的異常檢測類型，就需要一個無監督的聚類步驟來識別被分類為異常的檢測中各種可能的異常類型。

圖5. 異常類識別過程的流程圖。這個過程將一個多變量高斯模型適合于每個調制類型的學習特征。通過為每個高斯模型固定一個對數似然閾值來確定異常情況。這個閾值作為關聯新例子的決策邊界。沒有關聯的例子也被捕獲并歸類為異常，由底部分支表示。

圖6. 映射在訓練過的特征空間內的波形的3-D投影。左圖：映射到訓練過的特征空間的波形投影，每種顏色代表一種不同的調制方式。這個空間中的位置對應于所學特征的不同組合。具有相似/匹配的學習特征集的波形被放在彼此附近，形成一個集群。右圖：只包含與訓練階段產生的任何調制集群無關的點的投影。運行OPTICS后，綠色的點被識別為噪聲，而藍色和紅色的點被賦予新的 "未識別的調制 "標簽。

3.4 射頻調制數據集

在下面描述的實驗中，我們使用了由DeepSig發布的開源RadioML2018數據集。該數據集由24種合成的通信調制類型的大約250萬個例子組成。每個例子都表示為1,024個長度的同相和正交（IQ）矢量，使用浮點進行時間采樣。這些數據包括在收集的數據中經常觀察到的多種環境失真。例子上標有調制標簽以及跨度為-20到30dB的離散信噪比。這些數據中的調制集合以兩種方式使用：作為監督訓練的例子和類別，以及作為無監督異常檢測的保留。監督訓練使用IQ向量與其適當的調制標簽配對，而保留的調制則不給調制標簽。我們首先使用22種調制類型的子集學習特征表示，并展示了一種無監督的方法，使用兩個調制類別--頻率調制（FM）和16正交振幅調制（16QAM）--作為保留類別來識別新類別。

3.5 有監督的培訓課程

我們將數據集分為兩類：（1）由22個已知類別組成的監督類，細分為80%的訓練區和20%的評估區；（2）有兩個保留類的類別（FM和16QAM在訓練中被扣留）。我們的DNN模型是在22個已知的調制上訓練的（即不包括這兩個保留類）。按照上述程序，我們將多變量高斯分布適合于訓練分區的每個調制特征嵌入。所有已知調制的聯合分布被用來定義一個閾值距離。這個閾值被用作一個多維高斯邊界，用于將新的樣本與現有的一個類別相關聯，或者用于標記未識別的樣本。落在這個定義的多維邊界內的樣本（在公式3中用θ表示）與現有的調制類別之一相關。否則，樣本將被賦予未識別的標簽。請注意，這一步并不假設任何關于未識別點的先驗信息；相反，它只是將離群或異常的例子排除在已知調制類別的分類之外。

我們現在的目標是在我們的異常例子中識別出我們的保留調控的新群組。要做到這一點，我們針對上一步確定的異常例子集運行OPTICS，為落在有足夠密度的區域的例子創建標簽。

圖7中的混淆矩陣顯示了這個過程對信噪比為10dB的例子的準確性。真正的保留類（FM和16QAM）被顯示為灰色的列。這里我們顯示了新的群組1和新的群組2，作為識別的類別，顯示了與保留類中的例子集的強烈相關性。未識別的類別包含落在我們的分布閾值之外的例子，被OPTICS歸類為噪聲樣本。新群組3是由其他調制類中被錯誤分類的未識別樣本的密集區域產生的錯誤檢測。

3.6 下一步工作

我們認為特征學習是一種可推廣的方法，用于建立豐富的射頻調制特征表示，使新觀察到的射頻信號的識別和分類。在射頻領域的許多邊緣應用中，一旦部署了神經網絡模型，對其進行再訓練往往是不現實的。使用一致的學習過的特征表示與較簡單的分類模型相結合，可以動態識別射頻調制，而不需要重新訓練單一模型的高處理要求。用一個簡單的分類模型對特征表示進行后處理所需的計算能力遠遠低于重新訓練所需的計算能力。此外，可以采用無監督技術來搜索新的波形，使用現有的學習過的特征表征，這些特征表征在區分其他調制方面顯示出重要性。我們有興趣擴大這項工作的幾個要素。

首先，我們預計有幾個因素可以提高這項技術的性能。三聯體損失的原始實現是用比我們在這項工作中使用的更大的類數來訓練的。更高的類數允許網絡學習更豐富的特征表示，以捕捉樣本之間更精細的差異。在我們的實驗中，我們使用了一個由24種獨特的調制類型組成的數據集。然而，我們預計用更多的獨特調制進行訓練將通過增加訓練期間使用的三聯體的種類來提高性能。

其次，在考慮信號類型的廣度時，要注意不同類型的特征在區分信號類型時是很重要的。例如，區分16QAM調制和正交相移鍵控的特征集將不同于區分線性頻率調制脈沖和非線性頻率調制脈沖的特征集。正因為如此，考慮信號之間相互關系的分層模式是有意義的。其他正在進行的APL工作已經證明了在用DNN執行AMR時使用層次結構的成功。一個潛在的后續研究工作可能是探索如何將特征學習與信號的層次結構相結合，以提高對廣泛的信號類型的分類性能。一個潛在的解決方案可能涉及到在每個決策點使用單獨的學習特征集構建一個非二元分類樹。這種方法可以允許使用更小/更簡單的模型，因為每個特征集將不再需要捕獲全部的信號類型。

第三，這種方法假設實例被捕獲為檢測，表示為在時間和頻率上隔離的IQ向量。探索其他各種波形表示可能是有用的，如復雜的時間-頻率數據或稀疏的檢測樣本。此外，將學習到的特定調制特征與其他背景數據（如方向、波的偏振或地理位置）結合起來，對于形成具有高置信度的特定發射器身份是必要的。最后，圖7中產生的錯誤檢測的來源和特征是一個需要進一步調查的領域。

圖7. 混淆矩陣說明了在信噪比為10dB的情況下，AMR過程的準確性。真正的保留類（FM和16QAM）顯示在灰色的列中。新群組1和新群組2是已識別的類別，顯示出與保持類中的例子集有很強的相關性。未識別的類別包含分布閾值之外的例子，被OPTICS歸類為噪聲樣本。新群組3是由其他調制類的錯誤分類的未識別樣本的密集區域產生的錯誤檢測。

4 資源自主分配

如前所述，發射器特征的自動解決方案提供了一個有用的手段，將觀察到的射頻數據映射到特定的觀察到的對手威脅發射器中。然而，這本身并不足以提供一個強大的EW響應。上一節介紹的AMR結果通常假定有孤立的探測和完整的信號捕獲，以告知AMR決策過程。EW平臺通常遇到的真實情況要復雜得多。通常，一個EW平臺必須干擾更多的可能的威脅發射器，其頻率超過了它能同時覆蓋的頻率，而且占空比不允許對威脅環境進行充分的接收采樣。因此，必須對EW系統可用的有限資源進行適當的分配，使威脅發射器的準確快照及其相應的行為與干擾反應相平衡。我們把如何最好地分配我們可用的EW資產的問題稱為資源分配問題，并在圖8中以作戰背景加以說明。

盡管在實踐中我們可能希望分配許多資產以優化系統性能，但在這里我們考慮的是具有兩種不同行動類型的資源分配問題：感知和干擾。感知是指檢測和識別環境中存在的波形類型的行動；干擾是指干擾對手的波形的行動。一般來說，目標是最大限度地提高干擾者的開機時間，最小化有用的傳感時間（即干擾者關機時間）。這兩個問題是相互關聯的，因為對環境的感知可以指導干擾者技術的調整和集中，以提高整體的干擾效果，但要犧牲干擾者的關閉時間。

在2020和2021財年，PSMA資助了智能學習電子攻擊大師（IL'EA Maestro）IRAD項目，以開發一種解決資源分配問題的方法。IL'EA Maestro的長期愿景是使未來部署可擴展的、分布式的、多平臺的方法來實現自主資源分配。盡管人們可以使用無數潛在的方法來設計這樣一個系統，但IL'EA Maestro團隊已經確定使用基于模型的隨機優化加上近似貝葉斯推理是一個特別有前途的方法。與標準的現成強化學習算法相比，這種方法允許系統設計者將重要的領域知識（對手能力的已知限制、基于事先感知對手威脅的觀察行為等）納入智能體的設計。而對于標準的強化學習算法，如果在模擬器上有足夠的訓練時間，我們希望智能體能夠自己確定對手的弱點，而在系統中建立這樣的知識，可以減少學習負擔。凈效應是系統性能的提高，因為需要更少的數據來學習對手的有用模型，因此需要更少的整體感應時間。在本節的其余部分，我們描述了資源分配問題并探討了IL'EA Maestro項目的早期結果。

圖8. 在戰術EW環境下自主資源分配的說明。僅為說明起見，ES任務被顯示出來，形狀代表紅色威脅發射器的發射。如果ES任務是在沒有智能的情況下安排的，傳感間隔不能優化對脈沖的傳感（左上圖），顯示為錯過許多脈沖的虛線框。如果任務被智能地安排，它們可能會更有效地執行（左下圖），其中ES間隔被動態地安排以捕獲更多的脈沖。

4.1 資源分配問題

解決自主資源分配的一種方法是通過貝葉斯概率理論（見，例如，Koller和Friedman）。我們首先根據先驗信息初始化一套廣泛的可能的對抗行為，例如，預期的對抗頻率范圍和時間模式。然后，我們分配資源，在不同的時間段從頻譜的不同部分收集信號，以建立一套證據，可以支持一個特定的戰略，或不遵循的信念。在每次嘗試采集信號（即掃描）后，我們更新我們關于哪些行為是可能的信念，以反映添加到我們知識庫中的新證據。

為了更好地構建本節的發展，現在讓我們正式描述所考慮的資源分配問題的一個一般實例。我們考慮對感興趣的射頻頻譜子集進行劃分。我們認為分區的每個元素都是一個特定的頻率通道，其中總共有c個通道。我們將時間軸劃分為離散的元素，每個元素的持續時間為Δt。如果我們用C表示通道的集合，用T表示所考慮的時間集合，我們就會發現，所考慮的感興趣的信號在C×T的乘積空間上作為時間的函數演化。圖9顯示了一個潛在的發射器在離散的時間和頻率空間中表示，其中C={1，2，...，9}，T={1，2，...，20}，著色的網格空間表示從脈沖波形內單獨接收的突發。請注意，紅色信號的頻率是敏捷的-它在第四和第五個脈沖之間從通道4跳到通道7。

我們用S表示環境中感興趣的信號集。我們假設在遇到每個脈沖時，有能力將每個收到的脈沖識別為特定的感興趣的信號。重要的是，我們不假設關于信號的模式行為（例如，脈沖長度、跳頻序列、占空比）的全部先驗信息。我們假設：（1）每個信號可以出現的通道集是連續的（即，它出現在一個設定的最小和一個設定的最大頻率之間）；（2）感興趣的信號是周期性的；（3）信號不是相互干擾的（即，兩個信號不能同時占據同一個頻率通道）。嚴格地說，這些假設簡化了我們當前原型所需的分析。放寬這些假設以適應更大的可能信號集是可能的，盡管這樣做的代價是需要更多的數據來學習有用的信號特征。哪一組假設在實踐中是最好的，將根據情況決定。

我們考慮一種情況，即考慮中的平臺同時具有感知和干擾能力。我們假設每個能夠執行傳感或干擾行動的收發器只能在連續的信道范圍內這樣做，如果有多個收發器，它們可以獨立分配，但要明白如果不適當地協調，它們會造成自我干擾。

圖9. 一個潛在的發射器在一個離散的時間和頻率空間中表示。著色的網格空間代表了從脈沖波形中單獨接收的突發信號。紅色的信號從通道4跳到通道7。

4.2 貝葉斯智能體

貝葉斯智能體是開發必須以有意義的方式與世界互動的智能學習系統的基本方法。它可以被認為是設計強化學習智能體的一種非傳統的、抽象的方式，它對世界的本質和如何推理世界有強烈的假設。這種假設可以而且應該與人類主題專家一起設計。這些假設包括：（1）智能體認為世界的可能性的假設集；（2）關于這些可能性的相對可能性的先驗信念分布；（3）結合從環境觀察中獲得的數據來更新關于智能體的基本假設的信念的方法；（4）評估未來行動的潛在序列的相對價值的方法；以及（5）選擇一個特定行動以應用于環境的方法。我們可以將第1-5項分解為一組行為塊，如圖10所示。

我們可以把第1-3項視為構成智能體的學習者（圖中的對象A），第4項構成智能體的評估者（圖10中的對象B），第5項構成智能體的執行者（圖中的對象C）。圖10中的對象C）。我們看到，智能體通過執行器和學習者與現實世界（環境；圖中的對象D）對接，前者對環境采取了行動，后者則從環境中吸收了觀察結果。

這種方法的一個優點是，對學習者、評估者和執行者的適當選擇可以顯著提高智能體學習與環境有效互動的速度。值得注意的是，假設的特定選擇可以限制智能體的通用性，即假設所允許的可行控制策略集可能嚴格小于所有可行控制策略集。如果我們這樣選擇，我們可以設計學習者、評估者和執行者來模仿標準的通用強化學習算法，如Q-learning、深度Q-learning、策略梯度，等等。然而，通過以特定的目的構建它們，我們可以用比使用現成的方法更少的訓練時間達到良好的性能。因此，智能體的設計者自己可以控制失去多少通用性的問題。

在討論為這里考慮的資源分配任務開發貝葉斯智能體所涉及的任何特定技術細節之前，讓我們首先討論一些抽象的原則，這些原則是設計一個有利于高水平操作的貝葉斯智能體所需要的：近似貝葉斯信念傳播、信念驅動的行動評估和行動選擇。

4.3 對現狀的評價

現在我們可以詳細說明我們的解決方案的現狀，所做的一些基本設計決定，以及它目前的性能。對一組假設的選擇是非常直接的：給定關于環境中存在多少信號及其相應時期的預先假設，可以產生一個有限的可能信號集。這就是我們的假說集。

隨著數據從環境中收集，它們被用來更新智能體關于假設的信念。隨著使用掃描資源從環境中收集證據，與某些假設相關的概率將增加，表明它們更可能是真的。在我們的解決方案中，我們對世界做了某些公理上的假設，我們試圖以現實主義為基礎。這樣做的目的是為了將假設集的范圍限制在只有操作上合理的情況。

更新信仰分布的方法比較抽象。如果智能體在特定的時間t進行了掃描，并且在時間t觀察到了特定的信號q，那么智能體就會排除任何說明信號q在時間t不存在的假設。這個過程會積累更多的信息，直到最后只剩下對環境來說是真的特定假設。同樣地，每當在一個特定的通道上觀察到一個信號時，我們就會更新智能體的信念。這樣的觀察可以用來支持關于哪些信號出現在特定通道上的任何假設。至少，這使智能體相信，在不久的將來，該信號更有可能留在特定的通道上。然而，一些觀察可以更顯著地改變智能體的信念--例如，通過告知智能體，一個特定的信號可以存在于一個迄今為止沒有觀察到的頻道上。評估智能體行動的價值的方法也同樣涉及。

抽象地講，資源分配智能體的目標是了解環境中正在發生什么，以及如何最好地干擾對手的行動。為此，在智能體的當前信念狀態的基礎上設計了一個隨機優化問題。如果智能體對環境在某一特定時刻將如何行動比較確定，那么目標就會高度優先考慮干擾對手的信號。如果智能體對目前或不久的將來要發生的事情沒有強烈的信念，則優先考慮以掃描的形式收集信息。如果規定得好，這樣的優化問題會誘發一種行為，迅速發現、描述和干擾高價值的對抗性信號。同時，它逐漸了解到低價值信號的行為，以及如何在不犧牲高價值信號性能的情況下最好地阻止它們。

為了進一步研究這個問題，讓我們看一個資源分配問題的例子和我們目前的方法在這方面的表現。我們考慮一個有24個頻率通道和8個不同對手發射器的環境。每個信號的周期長度、脈沖長度和脈沖間長度是隨機產生的。信號被隨機地分散在頻率-時間空間中，只要(1)發射者能在所需的頻率上操作，(2)該頻率是可用的（即沒有被其他對抗性發射者使用），信號就可以跳到不同的頻率。信號被分配的效用值為正整數，范圍從1到4（隨機選擇）。每當有信號被干擾時，智能體就會產生效用，獲得的金額就是信號的價值。

圖11總結了三種資源分配算法的統計性能：（1）在收集足夠的發射器模式數據后，干擾對抗性發射器以累積最佳預期獎勵的策略（藍色），（2）在各通道中均勻隨機干擾（橙色），以及（3）假設完全了解發射器模式的干擾性能（灰色）。請注意，每一種算法都是根據其干擾適當信號的能力來評分的，而存在的信號有無數的評分權重。信號被分配的權重大致與它們被認為的重要性成正比，因此更高的分數與更頻繁地干擾重要的對手能力（即那些與更高效用值相關的能力）相關。

圖11. 資源管理策略之間的干擾性能比較。在收集了足夠的發射器模式數據后，干擾對抗性發射器以累積最佳預期獎勵的策略顯示為藍色，跨信道的均勻隨機干擾顯示為橙色，假設對發射器模式完全了解的干擾性能顯示為灰色。相應顏色的虛線給出了模擬的抽樣平均性能。

共進行了一千次抽樣運行。圖11給出了每種策略的得分直方圖，其中相應顏色的虛線給出了模擬的采樣平均性能。均勻隨機干擾在三種策略中表現最差，智能資源分配方法表現次之，完美干擾策略表現最好。請注意，完美策略在實踐中是不可能實現的，因為它是非因果的，需要關于未來的完美信息，而實施的智能體在運行時無法獲得這些信息。

然而，我們感興趣的可能不僅僅是智能體的原始干擾能力。因此，我們在圖12中比較了智能資源智能體與統一搜索策略的學習性能。這里，藍色直方圖（及其相關的平均值）描述了智能體在每個歷時（即時間離散間隔）采取行動以盡可能減少其對操作環境的不確定性的性能，而橙色直方圖（及其相關的平均值）描述了在每個歷時均勻隨機掃描的智能體的性能。智能體學習對抗性信號的頻率范圍和時間模式的速度比處理通過在所有時間均勻隨機掃描獲得的信息的智能體要快。

4.4 下一步

在這個階段，值得注意的是，在解決資源分配問題方面，已經開發的內容與運營系統所需的內容之間存在明顯差距。最容易注意到的是，在目前的問題陳述中，至少有一些（如果不是全部）簡化的假設需要被改變，以適應現實世界的系統。盡管這樣的工作正在進行，并且具有技術上的意義，但它超出了本文的范圍。

目前的智能體只考慮控制一個收發器。在實踐中，每個平臺可能會配備幾個不同的傳感器和發射器。盡管在考慮這種概括時，智能體的具體實施細節將不可避免地發生變化，但基本架構將保持不變。變化將限于評價器。

目前我們為資源管理問題開發的解決方案是一個智能體，旨在根據關于其對手波形的貝葉斯假設采取行動。隨著智能體對其環境知識的積累，它可以更新其信念分布，導致更好的可能干擾行動。該智能體與傳統的強化學習智能體不同，因為它強烈地結合了主題專家知識，并利用基于模型的隨機優化方法來采取行動。基于模型的隨機優化方法允許設計者在智能體上設置特定的約束和界限，以防止它采取從設計者角度看是沒有結果的行動。我們的結果表明，這種方法顯示了在單智能體環境中使用的前景。

我們相信，隨著更多的研究，這種方法可以擴展到由協作性EW平臺組成的多智能體環境。主要關注的是分布式平臺的通信和處理延遲。由于波形以光速傳播，在EW平臺的戰斗群中優化這種方法仍然是一個挑戰。目前，我們只明確考慮了單個收發器的控制，但我們希望基本的方法可以擴展到多個收發器的情況，而不需要進行嚴格的算法重新設計。

圖12. 資源管理策略之間的學習性能比較。藍色直方圖（及其相關的平均值）描述了一個智能體在每個歷時中采取行動以盡可能減少其對操作環境的不確定性的性能，而橙色直方圖（及其相關的平均值）描述了一個智能體在每個歷時中均勻地隨機掃描的性能。

5 將ML應用于EW的挑戰

盡管應用ML的潛在好處是令人信服的，但要在戰術EW平臺內實現設想中的具有ML功能的自主行為，還存在許多障礙。ML技術可以作為一個強大的工具，用于開發能夠做出強大的、數據驅動的預測的模型。然而，當開發一個能夠進行數據驅動推斷的模型時，首先要有一個代表手頭問題的數據源，這一點至關重要。必須有一個能充分捕捉感興趣的射頻環境的訓練數據集來訓練ML算法。讓我們考慮兩種類型的射頻數據源，以及它們在構建適合在EW中實現ML應用的射頻數據集方面的作用。

5.1 射頻采集

產生射頻數據集的一個明顯的方法是直接從相關環境中記錄感興趣的信號。這可能是一個挑戰，取決于要解決的問題的背景。軟件定義的無線電已經使捕捉大量的信號變得更加容易。然而，要從收集的信號中捕捉到形成強大數據集所需的信號類型的廣度仍然是一個挑戰。此外，信號收集總是包含對特定環境和接收設備的偏見。如果想要一個干凈的信號集，現實世界中的數據雜質，如信道衰減、多徑和干擾，可能會成為問題。在其他條件下，收集的數據在驗證模型的環境因素方面可以產生優勢，而這些因素可能不健全。在使用現有的采集數據方面的另一個挑戰是，大多數數據不包含監督學習工作所需的足夠注釋。這通常意味著在使用采集的數據之前，需要額外的數據混合/手動標注。

5.2 射頻模擬

產生射頻數據的另一種方法是模擬。這種方法的一個明顯的優點是，任何特征化的信號都可以通過參數的變化來產生，而這些參數的變化超出了可行的收集。然而，生成的射頻數據將只與模擬框架中的效果和損傷一樣真實。此外，在模擬過程中，幾乎不需要額外的努力來捕獲任何所需的元數據。這意味著用于訓練有監督的ML算法的標記數據通常可以更容易地添加到模擬數據集中。相反，考慮到適當的射頻效應會使合成足夠真實的信號數據成為一種挑戰。必須對觀測效應進行建模的保真度在很大程度上取決于數據將被應用的問題。還需要一個嚴格的驗證方法，如用標記的射頻集合進行交叉驗證，以確保所使用的合成數據能適當地代表它們所模擬的真實射頻信號。

5.3 其他考慮因素

一旦克服了上述與ML訓練數據相關的挑戰，在將ML應用于EW問題之前還應該考慮其他的挑戰。首先，許多可能用于未來整合ML算法的戰術主機平臺可能受到尺寸、重量和功率的限制。額外的尺寸、重量和功率通常會減少任務時間或功能。這意味著在具有豐富的圖形處理單元資源的企業服務器設施中應用典型的ML算法訓練方法在戰術平臺上是不可行的。同樣，連接平臺和這些設施的高帶寬數據鏈接可能無法支持ML應用。此外，需要有可靠的離線訓練與有限的再訓練和/或在線學習的方法，以便將ML引入戰術EW平臺。EW界長期以來一直依靠硬件在環和范圍內的測試和評估來確定EW技術的有效性。需要改進測試和評估基礎設施，以描述ML算法的非確定性行為，并在開發、贊助者和操作者群體中建立信任和信心。

6 結論

PSMA IRAD對發射器識別和資源管理的投資為未來智能和自主EW平臺奠定了基礎。對AMR和自主資源分配的研究結果已經產生了有希望的結果，展示了平臺使用數據驅動技術和快速有效地解決敏捷威脅的能力。盡管這些基礎性的努力證明了ML解決方案在解決EW差距方面的可行性，但我們建議進行大量的后續研究工作，以使這些解決方案成熟。

一個這樣的未來研究方向涉及將問題背景從特定的調制或信號類型擴展到特定的發射器ID。這帶來了幾個必須首先解決的挑戰。確定發射器特定ID的問題可能會推動對其他背景信息的需求，以便有效地處理。其他相關的非射頻因素，如地理位置、日/月/年的時間，或其他特定任務的先驗因素，可能會影響到如何解釋捕獲的射頻發射，從而確定優先次序。

盡管測試/開發框架能夠反映真實世界的情景（如DARPA的頻譜合作挑戰所使用的環境模型），但需要與這些高保真頻譜環境模型整合，以開發和測試下一次迭代的ML-enabled RF系統。PSMA在這方面的其他幾項努力尋求加速未來協作EW系統的開發和演示。正在進行的小規模寬帶、低延遲環境（SaBLE）工作的重點是開發一個硬件在環射頻環境仿真基礎設施。協作和自適應系統EW模擬工作提出了一個事件驅動的模擬框架，設計了模塊化的平臺互動模型來模擬復雜的交戰。通過動態地改變保真度水平，模擬解決了在信號層面上對協作性EW交戰進行建模時遇到的時間分辨率挑戰。

最終，任何實地的、自動化的EW缺口解決方案都將以操作者可以理解的方式與人類操作者協同行動，并向指揮鏈的其他成員解釋。設計一個界面，允許手動調整不同信號的優先級，以及手動調整用于觀察和干擾的努力的平衡，在技術層面上是很簡單的。它可以通過允許用戶手動輸入不同的目標函數到智能體的在線優化中來完成。然而，創建這樣一個操作者可以認知管理的界面是具有挑戰性的。解決這項任務的路徑有很多；然而，所有這些都需要大量的設計工作和與相關專家（如人類因素工程師、候選操作員）的協商。

最后，將自動化解決方案納入EW任務需要一定程度的任務規劃。自主資源分配的貝葉斯機構方法也可以擴展到任務規劃中，以實現EW平臺和EW技術的最佳安置和使用。將自主資源分配部分描述的工作應用于任務規劃，需要考慮到目標、環境和對手的準確模型。通常情況下，所關注的情景是基于在有爭議的環境中的競爭性對手目標，從而使防御者獲得優勢。一個任務規劃應用程序應該在制定假設時納入操作者的先前信息。如果這樣做是正確的，算法所考慮的假設將與任務目標更加相關。然而，操作者也需要將不確定性納入先驗信息，這將導致非零概率跨越一組假設，這些假設是可能的，但根據操作者的知識認為不太可信。

在這篇文章中，我們描述了APL的兩個活躍的研究領域，它們正在將ML技術應用于EW領域的特定挑戰。我們進一步概述了EW的差距和建議的研究課題，我們預計ML將在未來的EM作戰環境中發揮作用。這些技術的成功采用將可能推動未來EW系統的開發、測試和維護方式的改變。