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

人與人工智能的合作正在從基于工具的視角演變為一種伙伴關系模式，在這種模式中，人工智能系統補充并增強了人類的能力。傳統的方法往往將人工智能局限于輔助作用，而忽略了人類和人工智能為共同目標做出貢獻的互惠關系的潛力。雖然以人為本的人工智能（HcAI）框架強調透明度、道德和用戶體驗，但它們往往缺乏真正的動態合作機制。人與人工智能握手模型 "通過引入一個雙向、自適應的框架來彌補這一不足，該框架具有五個關鍵屬性--信息交換、相互學習、驗證、反饋和相互能力增強--可促進平衡的互動。這種模式使人工智能成為一個反應迅速的合作伙伴，隨著時間的推移與用戶共同發展。用戶體驗和信任等人類促進因素與可解釋性和責任感等人工智能促進因素共同促進了這種合作，而道德和共同進化的共同價值觀則確保了可持續發展。與現有框架不同，這種模式體現在支持雙向學習和透明度的 GitHub Copilot 和 ChatGPT 等工具中。挑戰依然存在，包括維護道德標準和確保有效的用戶監督。未來的研究將探索這些挑戰，旨在建立真正的人類-人工智能合作關系，利用雙方的優勢，取得超出任何一方單獨完成的成果。

人工智能（AI）的最新進展已將討論從對工作崗位流失的擔憂轉向對人類與人工智能合作機會的探索。雖然人工智能自動化在特定任務（如垃圾郵件過濾）中繼續發揮著至關重要的作用，但學術研究和行業實踐中越來越多的證據凸顯了人工智能的潛力，它不僅能提高人類的能力，還能促進融合人類專長與計算優勢的新型工作形式的出現。例如，在醫療保健領域，集成了先進機器學習模型的人工智能輔助決策系統可以通過分析人類難以或無法檢測的復雜患者數據，提高診斷的準確性（Cai 等人，2019 年；Lai 等人，2021 年）。在創意領域，人工智能驅動的系統可以在構思、原型設計和迭代等過程中與藝術家和設計師合作，在增強人類藝術能力的同時保持創意的原創性（Rezwana & Maher, 2023）。這些例子說明了人工智能增強人類能力而非取代人類角色和責任的潛力。

在過去的十年中，各學科的研究人員和從業人員已達成共識，即人類與人工智能合作的價值在于有效的設計和動態的互動，從而增強人類的能動性和人工智能的能力。現有文獻為優化人類與人工智能的互動和協作引入了成熟的模型和框架。例如，Rezwana 和 Maher（2023 年）提出的交互設計協同創造框架（COFI）確定了協同創造系統中的交互空間。Wang 和 Yin（2021 年）強調，人工智能提供的透明解釋對于培養人類與人工智能互動中的信任至關重要。同樣，Beghetto（2023 年）強調了在創造過程中保留人類能動性的重要性，以確保人工智能作為人類努力和能力的補充而不是替代。總之，這些研究強調，設計完善的協作式人工智能系統應在提高人類創造力和能力的同時，堅持透明、負責、信任和用戶體驗的原則。

人們越來越認識到，雙向交流和互動對于推進人類與人工智能的合作至關重要，尤其是當人工智能從被動的工具轉變為主動的合作者時。這種轉變使人工智能能夠增強人類的能力，并促進更有意義的互動，以實現共同的目標或任務。例如，GitHub Copilot 是一款廣泛應用于軟件開發的人工智能輔助工具，它在開發人員驗證和提供反饋的同時提供代碼建議，形成了一個動態循環，人類和人工智能都為實現共同目標做出了有意義的貢獻。然而，這并不意味著人工智能在任務執行方面等同于人類。相反，它強調了人工智能在補充人類能力方面的計算能力和適應性。在學術文獻中，Jiang 等人（2022 年）強調需要提高人工智能的可解釋性，以增強用戶影響力，而 Cai 等人（2019 年）則提倡 “協作心智模型”，使人類和人工智能能夠利用彼此的優勢。此外，Ezer 等人（2019 年）探討了 “信任工程”，將其作為一種戰略，通過提高透明度和適應性來發展有效的人工智能-人類團隊。這些研究共同強調了雙向交流和互動在促進人類與人工智能有效合作中的關鍵作用。

現有的研究通常將人工智能定位于人類與人工智能互動中的從屬角色，這可能會低估其作為互動合作者和互補伙伴的潛力。此外，目前的文獻對人類與人工智能合作中的雙向關系以及這種伙伴關系所需的屬性缺乏足夠的重視。此外，現有研究對促進人類與人工智能有效合作的關鍵因素了解有限。根據 Yue（2023 年）和 Jiang 等人（2022 年）的觀點，有效的人類-人工智能合作應優先考慮用戶需求、維護用戶自主權并利用人工智能的適應性。然而，這些以人為本的人工智能（HCAI）原則在當代理論模型和技術框架的發展中仍未得到充分探索。

鑒于有關人工智能作為人類能力互補伙伴的研究日益增多，以及人們對人類與人工智能合作中雙向互動的興趣日益濃厚，當務之急是重新認識人工智能，將其視為一種動態的互動伙伴，在提高和增強人類能力的同時保護人類的能動性。此外，在整個合作過程中必須堅持道德標準。解決這些現有差距并將以人為本的人工智能（HCAI）原則（如信任、用戶體驗、可解釋性和適應性）整合到人工智能系統中，可以釋放其全部潛能，促進更有效、更可信和更符合道德規范的人類-人工智能合作。

本研究通過提出強調雙向協作的人類-人工智能握手框架，填補了現有研究的空白。該框架確定了信息交換等關鍵的雙向屬性，并引入了用戶體驗、道德和可解釋性等促進因素，這些因素對于促進有效的人機協作至關重要。握手隱喻將人工智能定位為一個互補的合作伙伴，在提高人類能力的同時確保責任仍由人類主導，從而將富有成效的合作概念化。該框架的基礎是對以人為本的人工智能、人-人工智能協作和以用戶為中心的設計等方面的文獻進行的廣泛回顧，通過優先考慮雙向互動使其與眾不同。此外，對現有人工智能工具的回顧表明，這些工具與擬議的握手框架相吻合，同時也強調了它們的局限性。這些見解為研究議程提供了信息，研究議程包括專家訪談和用戶反饋，以完善和驗證該框架。本項目旨在通過人類-人工智能握手框架，將人工智能概念化為一種動態的、類似于伙伴的工具，從而推動人類-人工智能合作與互動領域的發展。它旨在為合作創造新的可能性，這種合作不僅可靠、有效，而且有道德基礎。

本研究旨在

• 介紹人類-人工智能握手框架，詳細說明促進雙向協作的屬性和推動因素。

• 研究人工智能如何作為互補的合作伙伴，在增強人類能力的同時，堅持責任和道德標準。

• 制定研究議程，通過與用戶和專家進行訪談和調查，確定應用和挑戰，從而完善該框架。

智能自主系統（IAS）是系統簇（SoS）的一部分，可與其他智能體互動，在復雜環境中完成任務。然而，集成了 IAS 的系統簇由于其認知過程有限，增加了額外的復雜性，特別是共享態勢感知（SSA），使團隊能夠對新任務做出反應。在軍事指揮與控制等復雜任務環境中，IAS 缺乏 SSA 會對團隊效率產生不利影響。SSA 的補充方法，即 “態勢理論”，有助于理解系統簇的 SSA 與效能之間的關系。本研究闡明了態勢理論的概念性討論，以研究當人類與智能體協同工作時，系統簇共享態勢感知的發展。為了使討論有根有據，所回顧的研究在系統簇的背景下擴展態勢理論，從而提出了三個主要猜想，這對未來系統簇的設計和開發大有裨益。

機器學習算法和人工智能（AI）的進步正在使許多自動化系統變得更加自主（Chiou 和 Lee，2016 年）。這些技術進步的轉變之一是自適應智能自主系統（IAS）的發展，作為團隊成員，它們可以與其他智能體（即人類或機器）進行互動，以完成共同的目標。在指揮與控制（C2）任務環境中的人機團隊（HMT）背景下，IAS 是 “自主與無人系統和人工智能的融合”（海軍部 IAS 戰略，2021 年）。IAS 使組織能夠自動執行以前需要人類監督、能力和支持的各種單項任務。此外，伴隨著傳感器、艦載處理和人工智能編程復雜性的進步，IAS 的應用范圍也在不斷擴大。基于這些原因，我們將系統簇（SoS）定義為人類和 IAS（即 HMT）的組合，它們在與環境交互的過程中為實現共同目標而運作。由人類、機器和連接它們的輔助 C2 系統組成的 SoS 概念與 Maier（1998 年）對 SoS 和通用協作系統的分類學區分是一致的。由此帶來的 IAS 發展標志著認知過程和性能的有效性和效率的提高，同時減少了人類操作員的腦力和體力工作量（Matthews 等人，2021 年）。

在 C2 行動中引入 IAS 作為團隊成員，為有人類參與的行動引入了新的層面。然而，這些新的 HMT 編隊也在系統簇層面引入了不確定性。例如，IAS 和隨附的網絡化決策支持系統可能會引入大量動態環境因素（如人機通信），或向作為這一更大 SoS 一部分的人類展示異常行為，從而造成認知超載。此外，人類操作員對 IAS 的行為或輸出缺乏了解，同樣會產生子系統的不確定性（Canan 等人，2017 年）。這種由算法引起的不確定性可能會降低、減緩或阻礙決策過程，從而導致人類團隊成員面臨更高的風險，進而影響任務的執行。目前，HMT 領域的人工智能研究探討了系統（即團隊）層面，特別是 SoS 層面的團隊認知過程和性能，包括交互（Klien 等人，2004 年）、信任（Bindewald 等人，2018 年）和決策（Kase 等人，2022 年）。然而，在人類-智能輔助系統團隊的背景下，還需要進行更多的深入研究，特別是在團隊態勢感知（TSA）的角度上進行研究，以便對這些系統進行適當的工程設計。

一般來說，TSA 被定義為“......每個團隊成員都有一套自己關注的特定 SA 要素，這是由每個成員在團隊中的職責決定的”（Endsley，1995 年，第 38-39 頁）。后來，Gorman 等人（2012 年）擴展了 Endsley 的 TSA 觀點，大力強調團隊溝通與協調的時空方面（即在正確的時間、正確的地點向正確的團隊成員發送信息）。然而，在發送信息之前，還必須在 TSA 概念內考慮最初的決策過程，尤其是在復雜領域。為了填補這一空白，本研究旨在通過專門闡述 TSA 的 SoS 層面，了解團隊層面認知過程的動態變化，包括溝通、協調和決策。此外，TSA 與共享態勢感知（SSA）有更廣泛的聯系。研究人員在 HMT 研究中交替使用 SSA 和 TSA（Ososky 等人，2012 年；Schaefer 等人，2017 年；Wildman 等人，2014 年）。因此，我們在本文的其余部分使用 SSA。

為了更好地理解這一現象，本研究首先對 IAS 進行了定義。接下來，我們研究態勢感知和心理模型。然后，我們引入態勢理論，探討 IAS 如何與現實領域視角（RDP）相匹配，從而更好地理解 IAS 和人類之間的 SSA。最后，通過開發一種擴展的態勢理論方法來理解 SoS 層面上的人類-IAS SSA，我們概述了開發和設計人類與 IAS 之間 SSA 所面臨的重大挑戰。在最后的分析中，我們證明了智能體系統缺乏必要的多樣性、反事實推理能力和算法反饋環路，因此無法與人類智能體產生 SSA。我們對這些系統簇工程挑戰進行了討論和總結。

共享態勢感知是群體決策中的一個重要概念。由于信息是系統簇內智能體之間最終共享的東西，因此特定的概念對于理解信息的生態相關性至關重要。下文將介紹幾個概念，這些概念相互依存，有助于全面理解這一現象及其對人機異構系統工程的重要性。

選擇要攻擊的威脅是戰場上最重要的決策之一。該決策問題表現為武器-目標分配問題（WTA）。在以往的研究中，動態編程、線性規劃、元啟發式和啟發式方法已被用于解決這一問題。然而，以往的研究因建模過于簡化、計算負擔重、缺乏對干擾事件的適應性以及問題規模變化時的重新計算等問題而受到限制。為了克服這些局限性，本研究旨在利用強化學習和圖神經網絡來解決 WTA 問題。所提出的方法反映了現實世界的決策框架--OODA-loop（觀察-定向-決策），具有很高的實用性。在各種環境中進行了實驗，并通過與現有的啟發式和元啟發式方法進行比較，證明了所提方法的有效性。所提出的方法為戰術指揮與控制中的智能決策引入了一種開創性的方法，傳統上被認為是人類專家的專屬方法。

本研究將強化學習與圖形神經網絡（GNN）相結合。強化學習與 GNN 的結合是最有前途的領域之一，因為 GNN 能有效地表示復雜的交互作用。為了應用強化學習，DWTA 被建模為 POMDP（部分可觀測馬爾可夫決策過程）。為了優化強化學習智能體的策略，采用了近端策略優化（PPO）。學習環境是一個仿真模型，反映了對真實世界的詳細描述。本研究的貢獻如下。

• 本研究利用深度強化學習和圖神經網絡在各種情況下做出優化決策，為復雜性和不確定性主導的情況提供豐富的目標導向表征。

• 圖神經網絡有助于提高我們方法的可擴展性，從而增強其實際用途。

• 提出的方法通過人工智能技術的增強，為傳統上由人類專家主導的領域（如戰術指揮和控制）的決策制定帶來了創新。

• 從整數編程中定義的問題出發，利用馬爾可夫狀態的理論基礎和圖建模技術系統地構建了 POMDP。與依靠直覺和經驗法則推導 POMDP 的傳統方法相比，這是一種更有條理的方法，更容易看出 POMDP 與所定義問題之間的聯系。

智能自主系統（IAS）是系統簇（SoS）的一部分，可與其他智能體互動，在復雜環境中完成任務。然而，基于其有限的認知過程，IAS 集成的 SoS 增加了額外的復雜性，特別是共享態勢感知（SSA），使團隊能夠對新任務做出響應。在軍事指揮與控制等復雜任務環境中，IAS 缺乏 SSA 會對團隊效率產生不利影響。SSA 的補充方法，即 “態勢理論”，有助于理解 SoS 的 SSA 與效率之間的關系。本研究闡明了態勢理論的概念性討論，以研究當人類與智能體協同工作時，SoS 的共享態勢感知的發展。為了使討論具有基礎，所回顧的研究在 SoS 的背景下擴展了態勢理論，并由此產生了三大猜想，這些猜想對未來 SoS 的設計和開發大有裨益。

圖 實現共享感知

機器學習算法和人工智能（AI）的進步正在使許多自動化系統變得更加自主（Chiou 和 Lee，2016 年）。這些技術進步的轉變之一是自適應智能自主系統（IAS）的發展，作為團隊成員，它們可以與其他智能體（即人類或機器）進行互動，以完成共同的目標。在指揮與控制（C2）任務環境中的人機團隊（HMT）背景下，IAS 是 “自主與無人系統和人工智能的融合”（海軍部 IAS 戰略，2021 年）。IAS 使組織能夠自動執行以前需要人類監督、能力和支持的各種單項任務。此外，伴隨著傳感器、艦載處理和人工智能編程復雜性的進步，IAS 的應用范圍也在不斷擴大。基于這些原因，我們將系統簇（SoS）定義為人類和 IAS（即 HMT）的結合體，在與環境交互的同時為實現共同目標而運行。由人類、機器和連接它們的輔助 C2 系統組成的 SoS 概念與 Maier（1998 年）對 SoS 和通用協作系統的分類區分是一致的。由此帶來的 IAS 發展標志著認知過程和性能的有效性和效率的提高，同時減少了人類操作員的腦力和體力工作量（Matthews 等人，2021 年）。

在 C2 行動中引入作為團隊成員的 IAS，為有人類操作的行動引入了新的層面。然而，這些新的 HMT 編隊也在 SoS 層面引入了不確定性。例如，IAS 和隨附的網絡化決策支持系統可能會引入大量動態環境因素（如人機通信），或向作為更大 SoS 一部分的人類展示異常行為，從而造成認知超載。此外，人類操作員對 IAS 的行為或輸出缺乏了解，同樣會產生子系統的不確定性（Canan 等人，2017 年）。這種算法引起的不確定性可能會降低、減緩或阻礙決策過程，從而導致人類團隊成員面臨更高的風險，進而影響任務的執行。目前，HMT 領域的人工智能研究探討了系統（即團隊）層面，特別是 SoS 層面的團隊認知過程和性能，包括交互（Klien 等人，2004 年）、信任（Bindewald 等人，2018 年）和決策（Kase 等人，2022 年）。然而，在人類-智能輔助系統團隊的背景下，還需要進行更多的深入研究，特別是在團隊態勢感知（TSA）的角度上進行研究，以便對這些系統進行適當的工程設計。

一般來說，TSA 被定義為“......每個團隊成員都有一套自己關注的特定 SA 要素，這是由每個成員在團隊中的職責決定的”（Endsley，1995 年，第 38-39 頁）。后來，Gorman 等人（2012 年）擴展了 Endsley 的 TSA 觀點，大力強調團隊溝通和協調的時空方面（即在正確的時間、正確的地點向正確的團隊成員發送信息）。然而，在發送信息之前，還必須在 TSA 概念內考慮最初的決策過程，尤其是在復雜領域。為了填補這一空白，本研究旨在通過專門闡述 TSA 的 SoS 層面，了解團隊層面認知過程的動態變化，包括溝通、協調和決策。此外，TSA 與共享情境意識（SSA）有更廣泛的聯系。研究人員在 HMT 研究中交替使用 SSA 和 TSA（Ososky 等人，2012 年；Schaefer 等人，2017 年；Wildman 等人，2014 年）。因此，我們在本文的其余部分使用 SSA。

為了更好地理解這一現象，本研究首先對 IAS 進行了定義。接下來，我們研究態勢感知和心理模型。然后，我們引入態勢理論，探討 IAS 如何與現實領域視角（RDP）相匹配，從而更好地理解 IAS 和人類之間的 SSA。最后，通過開發一種擴展的態勢理論方法，在 SoS 層面上理解人類與 IAS 之間的 SSA，我們概述了開發和設計人類與 IAS 之間的 SSA 所面臨的重大挑戰。在最后的分析中，我們證明了智能體系統缺乏必要的多樣性、反事實推理能力和算法反饋環路，因此無法與人類智能體產生 SSA。我們對這些 SoS 工程挑戰進行了討論和總結。

在需要做出重大決策的關鍵系統中，通常無法實現或不希望實現完全自動化。相反，人類-人工智能團隊可以取得更好的效果。為了研究、開發、評估和驗證適合這種團隊合作的算法，有必要建立輕量級實驗平臺，實現人類與多個智能體之間的互動。然而，此類平臺在國防環境中的應用實例非常有限。為了填補這一空白，我們提出了 Cogment 人機協同實驗平臺，該平臺實現了以異構多智能體系統為特征的人機協同（HMT）用例，可涉及學習型人工智能智能體、靜態人工智能智能體和人類。它建立在 Cogment 平臺上，已被用于學術研究，包括在今年的 AAMAS 的 ALA 研討會上展示的工作。希望通過這個平臺，進一步促進關鍵系統和國防環境中的人機協作研究。

圖 1：該圖顯示了 Cogment HMT 實驗平臺的主用戶界面。左側帶帽的圓圈是由五個藍色智能體組成的團隊防守的禁區。右側的單個紅點是無人機攻擊者。

嵌入式人工智能體，如無人駕駛飛行器（UAV，或無人機），有可能徹底改變各行各業，包括交通、農業和安防。然而，這些智能體在物理世界中發展，因此可能會產生危險影響，尤其是在無人監管的情況下。例如，無人機可能會出現故障或無法識別潛在危險，從而造成財產損失甚至人員傷亡。此外，智能體可以根據算法做出決策，而算法可能不會考慮倫理、道德或法律方面的影響。因此，人類必須有能力對這些智能體進行有意義的控制[2]和監督，以確保它們的安全和負責任的使用。人類操作員可以監控和干預系統故障，評估潛在風險，并在需要其判斷的復雜情況下做出道德或法律決定。

除了監督，人類還可以通過協作在幫助智能體實現任務方面發揮關鍵作用。例如，對于無人機，控制中心的人類操作員可以提供實時指導和支持，確保無人機準確、高效地執行所需的功能。此外，人類還可以在現場充當隊友，與具身的人工智能體并肩作戰，實現既需要人類判斷又需要機器精確度的復雜目標。

此外，必須認識到，人機協作（HMT），即人類與具身智能體建立雙向協作的能力，是安全有效使用人工智能的一個關鍵方面。這類人工智能體的設計、訓練、驗證和操作不能孤立地進行，必須考慮它們如何融入包括它們在內的更大系統中。人類，尤其是作為操作員或隊友的人類，從一開始就應被視為該系統不可分割的一部分。

除了這種雙向協作之外，具身人工智能系統在運行過程中往往沒有考慮到 “道德責任 ”和 “社會技術 ”因素[2]。有意義人類控制（MHC）的概念是由 Santoni de Sio 和 van den Hoven 提出的，目的是讓人類能夠影響具身人工智能體的行為[3]。然而，MHC 的原始定義并不一致，因為人類可能缺乏專業技能或知識，無法完全有效地控制人工智能系統。Cavalcante Siebert 等人[2]提出了四個附加屬性來改進 MHC 的原始定義：“明確的道德操作設計領域”、“適當且相互兼容的表征”、“控制能力和權限 ”以及 “人工智能與人類行動之間的明確聯系”。因此，至關重要的是設計一個協調平臺，將有意義的人類控制和人類在環相結合，以確保人工智能系統的訓練和操作方式符合人類價值觀、社會規范和道德行為。

Cogment HMT 提供了一個設計和實驗人機團隊的平臺，尤其是涉及無人機的人機團隊。它以我們的 Cogment [4] 平臺為基礎，解決了協調自動決策系統（包括人工智能體）、人類之間的協作及其對數據的訪問和對環境的影響等難題。Cogment HMT 實驗平臺目前使用一個模擬環境，可以很容易地進行調整，以適應更真實的模擬和現實世界的部署。我們將在第三節介紹該平臺及其特性。

利用 Cogment HMT 實驗平臺，人工智能從業者可以開發出能夠與人類協同工作的智能體，并從人類的知識和期望中學習，同時考慮有意義的人類控制、信任和認知負荷管理等因素，實現有效的雙向人機協作。我們將在第四部分介紹早期成果。

雖然蜂群機器人具有不同程度的自主性，但人類操作員在執行任務之前和期間指揮和控制蜂群仍然非常重要。因此，必須開發出對操作員來說直觀的人機交互界面，并能向大規模蜂群網絡中的飛行和地面機器人傳達準確的指令。此外，必須對蜂群收集的大量信息進行分類，并以減少認知負荷的方式呈現給用戶，以便用戶確定信息的相關性及其對任務的影響。在本文中，我們介紹了基于草圖和增強現實的界面，這些界面既可用于指揮和控制（C2）無人地面和飛行器，也可用于處理蜂群在現場收集的數據。這些界面在兩個實地實驗中進行了測試，實驗中部署了多個空中和地面機器人執行任務。最后，討論了現場實驗的結果、經驗教訓和未來工作領域。

表 1. 操作員可以執行的直觀草圖子集以及相應的策略，以便將其分發到蜂群網絡。

系統設計

設計了兩個界面，以評估在大規模飛行和地面蜂群的指揮和控制應用中使用高級用戶界面的情況。這些界面并不相互排斥，因為它們可以代表不同的操作員在不同的環境下執行相同的任務。第一個界面是一個基于草圖的系統，可收集用戶的二維數據，并將其轉化為蜂群網絡的指令。第二個界面利用增強現實技術在用戶手上再現二維平板電腦，并允許執行三維草圖數據。雖然這些界面是根據以前的研究（LaViola，2015；Sakamoto 等人，2009）中吸取的經驗教訓建立的，但它們被結合成一種獨特的多模式方法，用于指揮和控制大規模蜂群網絡。

用 python (pyc2) 編寫了一個集中式服務器應用程序，用于處理界面和蜂群網絡之間的數據分發。該系統還能跟蹤機器人的健康狀況和總體狀態，從而決定哪些機器人有能力共同完成任務。該接口是進入蜂群網狀網絡的通道，能夠向蜂群發布任務，由各個機器人競標完成。

將詳細介紹這兩個界面向操作員傳遞信息的能力，以便操作員了解態勢并指揮機器人群。我們還確定了每個界面中對導航和任務操作有用的關鍵功能。

圖 1. 操作員在現場實驗中使用的戰術顯示器。

由于近年來無人駕駛飛行器技術的蓬勃發展，這些飛行器正被用于許多涉及復雜任務的領域。其中一些任務對車輛駕駛員來說具有很高的風險，例如火災監控和救援任務，這使得無人機成為避免人類風險的最佳選擇。無人飛行器的任務規劃是對飛行器的位置和行動（裝載/投放載荷、拍攝視頻/照片、獲取信息）進行規劃的過程，通常在一段時間內進行。這些飛行器由地面控制站（GCS）控制，人類操作員在地面控制站使用最基本的系統。本文介紹了一種新的多目標遺傳算法，用于解決涉及一組無人飛行器和一組地面控制站的復雜任務規劃問題（MPP）。我們設計了一種混合擬合函數，使用約束滿足問題（CSP）來檢查解決方案是否有效，并使用基于帕累托的方法來尋找最佳解決方案。該算法已在多個數據集上進行了測試，優化了任務的不同變量，如時間跨度、燃料消耗、距離等。實驗結果表明，新算法能夠獲得良好的解決方案，但隨著問題變得越來越復雜，最佳解決方案也變得越來越難找到。

軍事領導的一種方法是任務式指揮哲學。任務式指揮由若干原則支撐，所有這些原則都必不可少，沒有這些原則，任務式指揮就無法全面實施。這些原則包括參與者之間的相互信任、相互理解、明確表達上級意圖、分散執行和及時決策。隨著人工智能的不斷進步和普及，它將影響軍事指揮與控制過程的方方面面：新的決策情況將會出現，人機合作可能會產生新的關系。本文探討了已確定的任務式指揮原則能否以與傳統環境相同的方式應用于人工智能注入的作戰環境。

導言

全世界的軍隊都在努力尋找他們的 "哲人之石"，為他們提供能夠戰勝敵人的解決方案。有幾種概念和技術被認為可以勝任這一職位，其中一些屬于指揮與控制領域。在這些概念中，有一個在西方世界被廣泛認為是改變游戲規則的候選概念，即任務式指揮方法。在技術方面，有幾項創新可供研究，但最有前途和最流行的是人工智能。

人工智能和任務式指揮這兩種看似遙遠的事物在軍事領域共存，并已應用于指揮和控制系統。本研究旨在探討它們之間的相互關系，仔細研究人工智能對任務式指揮理念的影響。本文的主要研究問題是，任務式指揮能否在注入人工智能解決方案的指揮與控制系統中實現。由于各國對任務式指揮的理解不盡相同，要回答這個問題，就需要對任務式指揮進行討論，并為本研究的目的確立一個共同的理解。關于人工智能，需要說明現有和未來系統的性質，重點是其潛在的軍事用途。在理清基本思路后，作者旨在明確任務式指揮與人工智能在指揮與控制方面的互動關系。由于沒有基于人工智能的非保密系統進行測試，實現這些目標的基本方法是分析相關書籍、研究報告和軍事期刊上的文章，綜合其精髓以回答研究問題。

任務式指揮

現代軍隊需要有效的領導，運用現有的最佳方法領導下屬。實現這種現代有效領導的方法之一就是任務式指揮。盡管這一術語本身被廣泛使用，但其含義卻因國家而異，甚至在一個國家中具有多種因語境而異的含義。本研究的這一部分追蹤了任務式指揮在 20 世紀 80 年代之前的起源和發展，以及之后的擴散。

任務式指揮是一個英語術語，為英語國家的軍隊所使用。北大西洋公約組織（NATO）對這一概念進行了調整，并將其作為其聯合作戰條令的重要原則之一。該術語本身主要由美國陸軍傳播，其以前的一些條令文件表明，他們目前的任務式指揮概念源于德國的 Auftragstaktik，這是普魯士--后來是德國--軍隊在 19 世紀末發展起來的一種方法（ADP 6-0，2019 年）。盡管有這種說法，但似乎很明顯，雖然任務式指揮一詞是德文 Auftragstaktik 的一種松散翻譯，但兩者并不相同。更多時候，涉及任務式指揮的研究和文章往往會將起源故事過于簡單化。詳細介紹 Auftragstaktik 的誕生超出了本文的范圍。

我們今天所熟知和使用的任務式指揮源于美國陸軍為提高領導素質所做的努力。為了提高領導能力，他們追溯到德國在第二次世界大戰中的經驗，并對德國國防軍指揮官在東線戰場上實施的 "任務指揮"（Auftragstaktik）進行了廣泛研究。因此，新條令的第一版《空地戰》包含了 Auftragstaktik 和德國機動戰的主要原則。速度、主動性、快速決策、明確目標和指定主力等概念似乎是普魯士人 100 多年前使用的 Auftragstaktik 基本原理的邏輯衍生物（Shamir，2010 年）。然而，羅伯特-M-西蒂諾（2005 年）和里卡多-A-埃雷拉（2022 年）指出，美國條令所設想的 Auftragstaktik 概念從未存在過。他們認為，在討論指揮問題的當代德國文件中從未使用過 Auftragstaktik 一詞，而是使用了 "下級指揮官的獨立性 "一詞。

在概念發展的早期階段，Auftragstaktik 一詞被翻譯為任務式指揮，但正如 Eitan Shamir（2011 年）所言，圍繞這一術語存在爭論。提出的其他翻譯方案包括 "任務類型命令 "和 "指令控制"，但都被否決。學者和專家們指出了任務式指揮系統的不足和概念問題，并強調最初的 Auftragstaktik 和今天的任務式指揮是兩個不同但又相關的概念。任務式指揮一詞于 1995 年正式列入英國條令，2003 年列入美國陸軍條令。世界各地的其他一些軍隊也紛紛效仿，有的將任務式指揮作為一種理念和方法，有的則將其指定為可能的指揮方法之一。

2003 年 8 月 11 日批準的美國陸軍戰地手冊 FM 6-0 標題為 "任務式指揮： 陸軍部隊的指揮與控制"。這本手冊首次按照美國陸軍的解釋闡述了任務式指揮的基本原理。手冊中對任務式指揮作了如下定義： "根據有效完成任務的任務命令，通過分散執行來開展軍事行動"（FM 6-0，2003，術語表-10）。要做到這一點，需要下屬有嚴謹的主動性，指揮官有明確的意圖。但任務式指揮最重要的特點是信任和相互理解的環境。這兩者相互關聯，互為基礎，但手冊并未詳細介紹如何實現這兩點。后來，條令產品的不斷微調改變和完善了任務式指揮的定義。2010 年的 FM 5-0 給出了這樣的總結："任務式指揮是行使指揮與控制的首選方法"（FM 5-0，2010，vii.） 文件中沒有進一步討論提到的另一種方法，即詳細指揮。

在不到兩年的時間里，美國的任務式指揮方式發生了根本性的改變。20 世紀 80 年代，條令制定者通過對用于完成任務的物理手段進行分組，創建了 "戰場操作系統 "的概念。指揮與控制是這七大系統之一。2008 年，戰場操作系統結構被重新設計，并轉變為作戰功能系統。作戰功能并非簡單地由物理手段組成，而是被定義為 "由一個共同目的單元（人員、組織、信息和流程）組成的任務和系統群，指揮官利用它們來完成任務和訓練目標"（FM 3-0，2008，術語表-15）。2012年，指揮與控制作戰職能更名為任務式指揮作戰職能，從而使任務式指揮多了一個完全不同的含義。

根據2012年版的《ADRP 6-0》，"任務式指揮 "一詞同時意味著三種不同的含義：第一，統一陸地作戰的基礎之一；第二，首選的指揮方式；第三，一種作戰職能。這一術語的泛濫適得其反：它讓領導層中的一些人搞不清楚如何對待任務式指揮，以及任務式指揮的真正本質是什么。ADRP 6-0 指出，美國陸軍任務式指揮的根源可以在德國的 Auftragstaktik 中找到，然而，雖然 Auftragstaktik 為領導和指揮提供了總體基礎，但任務式指揮只能被視為統一陸地作戰的四個基礎之一。將指揮理念、首選指揮方式和一種作戰職能同樣命名為任務式指揮，成為混淆和誤解的根源。布雷特-馬岑巴赫（Brett Matzenbacher）（2018）指出，這一所謂的創新變革反而埋下了混亂的種子，因為重新命名作戰職能背后的原因--即改變基本指揮理念的意圖--并沒有在整個美國陸軍中得到明確傳達。人們可以通過描述該條令設定的環境來理解這個問題：任務式指揮是利用任務指揮方法，通過任務指揮作戰職能來實現作戰職能的同步化，是所領導的作戰行動的基礎。為了進一步增加混亂，該條令還引入了 "任務式指揮系統 "一詞，即 "使指揮員能夠實施行動的人員、網絡、信息系統、流程和程序以及設施和設備的安排"（ADRP 6-0，2012，1-5）。

盡管存在這些問題，任務式指揮的多功能性在很長一段時間內經受住了時間的考驗。2017年版的《ADRP 3-0》明確指出，"任務式指揮仍然既是一種指揮哲學，也是一種作戰職能"（ADRP 3-0，2017，v.）。這也意味著它不再是一種指揮方法。從2016年起，美國陸軍逐漸改變了做法：首先，任務式指揮成為六大原則之一，而不是四大基礎。其次，2019年版ADP 6-0取消了 "任務式指揮系統 "和 "任務式指揮作戰職能 "的提法。作戰職能改回了指揮控制，因此任務式指揮一詞終于變得更加純粹和清晰。ADP 6-0 和 2022 年 5 月版的 FM 6-0 將任務式指揮重新定義為 "陸軍的指揮與控制方法，賦予下級決策權和適合情況的分散執行權"（FM 6-0，2022，術語表-5）。

在最近的狀態下，美國陸軍任務式指揮成為一種定義明確的指揮和控制方法。它不再是統一陸地作戰的基本要素或原則，但它支持統一陸地作戰。行使任務式指揮要求下級和指揮官雙方都具備同等的能力，同時還要相互信任。指揮官的意圖提供了一個框架，在這個框架內，部隊通過對局勢的共同理解，在任務式指揮的指導下開展行動。當有機會或有必要時，下級應發揮紀律嚴明的主觀能動性，以實現指揮官的意圖。可以說，任務式指揮最重要的組成部分是風險接受和責任承擔，因為并非所有任務都能取得成功。

除德國外，北約另一支較長時間應用任務式指揮的主要軍隊是英國陸軍。根據 Oliver Burwell（2016 年）的說法，他們對任務式指揮的理解與最初的德軍類似：他們認為任務式指揮是一種哲學，用于指導領導活動。他們的任務式指揮原則是分散指揮、行動自由、主動性和速度。任務式指揮的執行依賴于信任、相互理解和主動性。北約的任務式指揮方式部分源于英國，部分源于美國對這一術語的理解。

北約的條令定期接受審查，審查期間定期更新條款和原則。最近一次更新發生在 2022 年，2 月更新了 AJP-3.2(B)《盟軍陸戰聯合條令》，12 月更新了 AJP-01(F)《盟軍聯合條令》。這兩份文件都包含了北約任務式指揮的基礎，盡管內容并不完全相同。它們都認為任務式指揮是北約指揮軍事行動的指揮思想，但在確定原則方面有所不同。根據 AJP-01(F)，任務式指揮的基本要素是信任和相互理解，而統一行動、及時有效決策和分散執行則是指導其應用的原則。這一概述與 AJP-3.2(B)中所述的概述略有不同，后者只區分了五項原則，沒有提及任何基本要素。這種不一致是北約條令體系的特點，根源在于條令更新期的抵消。根據前幾十年的慣例，等到下層條令趕上頂層條令時，就會有新的頂層條令發布。

總而言之，任務式指揮是一種指揮和控制部隊的方法，在這種方法中，指揮官和下級具有一定的關系。北約的條令將任務式指揮定義為 "一種主張集中、意圖明確而執行分散的指揮哲學；一種描述'做什么'，而不一定規定'怎么做'的風格"（AJP-3.2(B)，2022，Lex-8）。指揮官有責任明確闡述自己的愿景，并組織規劃工作以做出決定。做出決定后，指揮官必須將目標告知下屬，設定限制，并為他們提供實現指定目標的手段。北約的方法提倡集中規劃和分散執行，這需要適當的培訓和領導素質。實施任務式指揮背后的主要目的是提供靈活性，使組織能夠在相關層面更快地做出決策，從而勝過敵人。在協調整個部隊的任務式指揮時，有各種原則是必不可少的。在本研究中，將把信任、相互理解、有效決策和分散執行作為進一步關注的要點。

人工智能

人工智能是一種新興的通用技術，未來前景廣闊。有關這一主題的基本著作之一認為，人工智能非常復雜，甚至沒有試圖給它下一個直接的定義（Russell & Norvig，1995 年）。人工智能是一項多學科的工作，其可能性遠遠超出了計算機科學。在本研究中，只關注數字人工智能的現代詮釋。其領域包括圖像識別、計算機視覺、機器人、語言識別、自然語言處理、神經網絡和機器學習。回顧過去 60 年的人工智能研究，可以清楚地看到，對 "人工智能 "一詞的解釋隨著時間的推移而不斷變化。本文對人工智能的工作定義是 人工智能是一種計算機系統，能夠執行通常需要人類操作員才能完成的任務（蘭德公司，2020 年）。目前，人工智能在軍事上的應用包括兩個方面：自主系統和指揮控制支持應用。本研究主要涉及其在指揮與控制中的作用，因此對后者的仔細研究是重點。

本研究無法詳述人工智能的發展歷史。到 20 世紀 90 年代末，計算機硬件的逐漸進步和新算法的出現為人工智能研究注入了新的動力。互聯網的誕生和所謂 "物聯網 "的逐步普及，每天都會產生難以想象的海量數據。這些豐富的信息，即所謂的大數據，再加上時下流行的人工智能技術--機器學習，可以成為一種強大的工具。機器學習算法可以通過適當的訓練數據來改進和優化自己的行為，因此它們擅長通過尋找模式來對新遇到的信息進行評級和標記，從而產生類似智能的行為。隨著底層數學和算法的不斷改進，機器學習變得越來越強大，在當今時代，它被大多數人認為是最值得使用的人工智能解決方案（Scharre & Horrowitz，2018）。當代的創新正在將機器學習技術應用于硬件，使計算機芯片能夠按需重新配置其電子電路，從而模擬神經元和突觸，更好地模仿人腦的工作過程。研究實驗室和商業公司，如廣為人知的 OpenAI，正在競相創造人工通用智能（Artificial General Intelligence），一種與人類智能能力無異的人工智能。OpenAI 最新的 "重磅炸彈 "是 ChatGPT，這是一款能與任何人就各種話題進行類似人類書面對話的應用程序。ChatGPT 使用了某種機器學習類型，即生成式預訓練轉換。這需要大量已經處理過的數據來生成與輸入相關的輸出。雖然這種方法能產生驚人的反應，但模型本身離 "會思考的機器 "還差得很遠。它的批評者，如諾姆-喬姆斯基（Noam Chomsky，2023 年），認為它是一種高效的 "自動完成"，是通往通用智能道路上的死胡同，因為它處理問題的方法存在缺陷。

不過，人工智能和潛在的機器學習也有其局限性，這限制了其可能的應用。盡管人工智能炒得很熱，但似乎人工通用智能仍然是一個遙不可及的夢想。當前的人工智能雖然在不斷發展，但就其現狀而言，只適合解決具有類似變量的定義明確的問題。它們無法理解自己的操作環境，僵化、不靈活，無法 "跳出 "設計的框框（Scharre & Horowitz，2018）。例如，當代的圖像識別系統可以準確識別圖片或視頻中物體的類型和大小，但卻無法連貫地講述發生了什么，現場的互動是什么。機器學習很容易被損壞的輸入所欺騙，它也可以學習人類的偏見，這使得這項技術很容易受到攻擊（Hawkins & Kott, 2022）。另一個必須解決的問題是數據庫免受黑客攻擊的安全性。目前狀態下的人工智能可以比人類更好、更快地執行專門任務，但它們提供的輸出結果需要人類智能對其進行分析，使其適合進一步使用（Layton，2018）。

軍事應用一直是人工智能發展的驅動力。一些系統的開發旨在加快規劃或指揮進程。美國武裝部隊率先開發了部署規劃軟件，加快了幾次行動的準備工作，也有助于節省預算。隨著技術的進步，新的機遇出現了，這導致了自動決策系統或自主武器系統的發展。全世界的軍隊都意識到，如果能縮短決策所需的時間，就能戰勝敵人。如今，如果不在行動的規劃和執行階段廣泛采用人工智能，就無法考慮縮短決策時間。大數據、高性能機器學習和不斷改進的云技術三者共同促成了一種被一些專家稱為 "算法戰爭 "的新方法。彼得-雷頓（Peter Layton）（2018 年）和格雷格-羅蘭茲（Greg Rowlands）（2018 年）等專家和研究人員推測，未來戰爭將與算法和硬件展開重要較量。

未來的沖突可能在多個方面與當代沖突不同。彼得-雷頓（Peter Layton）（2021 年）在其著作中指出，其中一個方面就是指揮和控制系統。改進己方決策和削弱敵方決策是在武裝沖突中取得優勢的兩個主要途徑。改進的一種方法是整合人工智能，其中一種方法就是所謂的 "超戰爭 "理論。顧名思義，戰斗和信息處理速度的加快超出了人類的認知水平，這意味著決策也必須在短時間內做出，甚至不到一秒鐘。從理論上講，在這種環境下，擁有更多自主決策系統的一方很可能會占上風。人工智能系統將有助于生成更好的 "共同行動圖"，并能預測敵方的行動路線，提出自己的行動路線。人工智能將加快消除沖突的速度，以監督或非監督的方式為下屬分配任務。執行過程將包括若干自主武器系統和作為下屬的人工智能輔助決策系統。如果應用得當，人工智能子系統將提高行動速度，減少決策所需時間。不可避免的技術擴散可能會導致沖突雙方在某種程度上都具備進行超戰爭的能力。在這種加速的環境中，傳統的軍事決策模式可能并不適用：人工智能子系統與其（可選的）上級之間必須進行更加緊密的合作。瞬息萬變的形勢將使傳統方法難以為繼，讓位于計算機輔助預測。分散決策是盡快抓住難得機遇的關鍵之一，而爭奪和/或保持主動權將是超戰爭環境中行動的核心要素。

如果沒有與超戰爭所提供的速度和效力相匹配的能力，一方可能會使用人工智能系統來擾亂敵方的決策。自主或半自主系統可用于欺騙、使敵方傳感器系統超載、干擾敵方通信、充當誘餌，基本上可以采取任何必要手段來延緩敵方決策，或者最好是完全阻止敵方決策。即使阻礙敵方決策系統的某些部分或功能--如傳感器、通信網絡、指揮所--也可能對作戰產生重大影響，為決策提供更多時間。

還必須考慮自主系統在現代作戰環境中的作用。人工智能驅動的系統可以在不危及己方部隊生命的情況下執行危險任務。它們主要分為兩大類：自主武器系統和機器人車輛。武器系統能夠摧毀對手的目標定位，機器人車輛可以在有人類遙控甚至沒有人類遙控的情況下運行。無論在行動中使用哪種資產，決策權都將掌握在人類手中，但人類指揮官必須將人工智能驅動的下屬考慮在內。這種資產的自主程度和自身判斷力可能會引起道德和操作方面的擔憂。對這些問題的審查不在本文的討論范圍之內，因為這需要單獨的研究。

人工智能對任務式指揮的影響

前面幾章討論了任務式指揮的本質和人工智能的簡要概述，為仔細研究它們之間的互動提供了共同基礎。傳統上，做出最終決定的是人類，而且僅僅是人類。傳統的任務式指揮方法將指揮過程的參與者視為人類，并接受人類不會出錯這一事實。如果未來出現可靠且可解釋的人工通用智能，這將預示著在指揮系統的某些環節中人工智能將取代人類。這種人機混合組織可能會比想象的更快實現。這種未來的 "合成戰友 "需要特殊的指揮方式。可能采用的領導方法很可能是一種改進的任務式指揮，一些研究人員已經將其稱為機電一體化任務式指揮。

軍事指揮通常被認為是一門藝術，因為盡管有固定的原則和方法，但克勞塞維茨式的典型摩擦和人性的特殊性阻礙了純科學指揮方法的應用。任務式指揮是在前輩軍事領導人最佳實踐的基礎上追求這門藝術的一種方法。上文提到的能力作為任務式指揮的主要要素之一，在很大程度上取決于指揮員的個性和訓練。指揮系統參與者之間的相互信任和理解取決于他們的個性。目前的人工智能主要作為決策支持工具發揮作用。

作為輔助工具，人工智能可以產生兩方面的影響：它可以加快決策的達成速度和/或提高決策的有效性。通常情況下，人類指揮官在做出決策之前會對局勢做出估計。根據指揮級別和可用時間的不同，這種估計可能會涉及其他人員的見解和專業知識，在更高的級別，這被稱為指揮官的參謀部。決策速度取決于指揮官及其參謀人員的行動速度。時間有限的環境或匆忙可能會影響決策的質量，但根據經驗，按時做出適當的決策要好于延遲做出完美的決策。人工智能決策支持系統可以幫助參謀專家提高建議速度，這有助于指揮官做出正確、及時的決策。同樣，潛在的人工智能決策支持系統將擁有一個堅實的知識庫，這個知識庫來自過去的經驗和共享數據庫。它們的建議或決定都有積累的知識庫作為基礎，可以促進信任和理解，從而加強任務式指揮。

綜上所述，可以說，人工智能在不久的將來只能起到輔助作用，有助于及時、準確地做出決策。要確定它是否會對任務式指揮理念產生影響，必須仔細研究它在信任、相互理解、有效決策和分散執行方面帶來的變化。

在信任方面，新出現的問題是指揮官能否信任人工智能決策支持系統的建議，以及信任的程度。如上所述，與人力相比，人工智能系統擅長處理大量輸入數據，并能在短時間內做出評估。指揮官必須決定是相信人工智能評估的有效性，還是置之不理。對人工智能的信任程度取決于其提供的信息是否有用和有價值。然而，在行動開始前評估這些信息的有效性可能會非常復雜。如果行動順利，人工智能很可能不會獲得信任。如果行動失敗，人工智能很可能成為替罪羊之一。如果通過人工智能獲得的信息非同尋常、不尋常，或與人類慣常的發現不同，決策者可能會面臨一個問題。如果他們無法檢查這些發現的有效性或可行性，他們可能會不愿意使用這些發現，或者可能會完全忽略這些發現。這種可能的行為是由于人類的認知偏差造成的，它迫使從一系列可能的解決方案中選擇熟悉的方案。如果決策者選擇使用人工智能的非同尋常的發現，還存在一個很大的風險，那就是由于缺乏足夠的背景知識，下屬在理解意圖或任務時會遇到困難。如果下屬信任指揮官，就不會質疑其意圖。然而，如果出現問題，下屬的信任度就會下降，指揮官對人工智能的信任度也會下降。信任一旦喪失就很難恢復。

信任也是理解的一種功能：一個人很少會信任沒有共同理解的人。人類之間的相互理解通常需要共同的術語、共同的程序和共同的經驗。在國際環境中工作或與非軍事實體密切合作并不能保證理解，因為軍事程序和術語通常是特殊的。在軍隊中，不同部門都有自己的行話，這會使部門之間的有效溝通變得復雜。緩解這一問題的最佳方法是為所有部門制定統一的標準化軍事語言，但這是一個激進且不切實際的舉措。人工智能決策支持系統的程序可以解釋各軍種特定術語的輸入，但輸出必須是標準化的，以確保相互理解。因此，必須確保人工智能能夠理解所需的任務，但生成的輸出結果也必須符合術語和標準。如果能做到這一點，人們對人工智能系統的信任度就會提高。

人工智能還有助于及時有效地做出決策。它可以縮短制定或修改計劃所需的時間，從而加快速度。通過人工智能通信系統發布計劃和命令，也有助于保證行動安全和實現最佳速度。縮短上級指揮部制定計劃所需的時間，可以讓下級及時采取行動。如前一章所述，超戰爭理論以高速決策和效果為基礎，旨在破壞敵方決策系統。同樣，也必須做好準備，預料敵方會以同樣的方式試圖干擾我方的決策系統，因此，更好的人工智能支持系統和更快的通信系統是取得優勢的關鍵。

分散執行也是人工智能系統應用可能產生積極或消極影響的一個特征。上級的最終決策和計劃設定的任務和目標，可能會因為形勢的重大變化而無法完成或實現。在這種情況下，下級必須嚴守紀律，發揮主觀能動性，盡其所能為實現指揮官的意圖做出貢獻。但是，由于評估是一個在行動中持續進行的過程，指揮官的意圖有可能會根據人工智能系統分析不斷變化的行動環境所產生的新信息而發生變化。人工智能可能會以現在難以想象的速度對單元目標提出修改建議，這將給決策者及其參謀人員帶來壓力。要想在復雜的戰斗空間中以最快的速度取得成功，就必須采用新穎的和平時期訓練方法，這種訓練方法可能是在虛擬訓練環境中進行的，而大部分現實參與者都會在場。要進行超戰爭訓練，就必須創造一個與預計的未來作戰環境相似的訓練環境。人工智能系統可以成為實現這一目標的有力工具，從而培養部隊成功進行任務式指揮的能力。

盡管人們設想未來的軍隊將實現全網絡化，所有系統和傳感器相互連接，利用人工智能系統提供幾乎實時的態勢感知。從理論上講，這可以讓上級對下級進行干預，在最壞的情況下可以繞過指揮系統。要有效運用任務式指揮，就必須排除這種可能性，必須通過正確運用分權執行原則，讓下級擺脫干擾。

從上面這幾段可以看出，人工智能將對任務式指揮產生影響。在人工智能決策支持系統的影響下，每一項原則的含義和內在機制都將發生變化。首先，人與機器之間必須實現相互理解和信任，這可能是一個相當大的挑戰，但專業培訓和聯合演習將有助于形成有效的合成戰友關系。

結論

這項研究的主要問題是，任務式指揮能否應用于人工智能系統啟用和加速的環境中。隨著決策速度的提高，指揮互動必須改變，讓下屬有更大的自主權。這符合任務式指揮的原則。為參謀人員注入人工智能輔助決策系統將影響任務式指揮的信任和相互理解因素。如果使用得當，人工智能也是提高決策及時性的有用工具，還能促進執行權力下放。但是，人工智能的成功整合需要新的人員工作方法、大量的培訓以及視機器為同志的新思維。由于這項技術相對較新，從一開始就期待最佳解決方案是模糊的。老實說，預期的詳細程度和為更高級別的指揮官提供的更好的通信可能性會使任務式指揮做法受挫，從而能夠通過微觀管理地面部隊來規避指揮系統。超戰爭的一個方面是在盡可能低的級別上進行高速決策，但下級比上級更快地做出決策是否總是正確的呢？下級通常對局勢的看法比較狹隘，因為他們必須專注于自己的行動區域。而上級做出的決定通常更能洞察全局，因此更有可能成功實現意圖。如果下級開始執行一些上級以其高超的知識認為是錯誤的事情，那么會發生什么事情來緩解這種情況呢？阻止或微觀管理已經開始的行動是不明智的。超級戰爭的支持者可能會說，下級與上級擁有相同的行動視野，但教育水平和經驗可能并不相同，更不用說任務和責任了。所有這些方面都將對未來作戰環境中任務式指揮的發展產生影響。結論是，不能避免使用人工智能解決方案，因為它們能提供競爭優勢，而且任務式指揮的方式一定會發生不可避免但又無法確定的變化。

參考來源：Land Forces Academy Review

對分布式作戰資產進行最佳管理以實現協同作戰的能力可顯著增強軍事優勢。最近的研究指出，戰爭的速度越來越快，威脅的能力和數量不斷增加，越來越多的傳感器和網絡導致數據超載。面對復雜的決策空間、大量的信息和所需的快速反應時間，人類的決策面臨挑戰。自動化作戰管理輔助系統（BMA）具有縮短時間、提高決策可信度和優化戰爭資源的潛力。本文介紹了為未來海軍和聯合作戰任務構思和設計 BMA 的系統工程方法。系統方法將 BMA 視為管理未來分布式戰爭資產的能力使能因素，將其視為復雜自適應系統簇 (CASoS)。

引言

戰術戰爭是復雜的（Bar-Yam，2004 年）。它需要敏捷、適應性強、具有前瞻性思維、思維敏捷和有效的決策。威脅技術的不斷進步、戰爭節奏的加快、每個戰場情況的獨特性，再加上信息量的增加，而這些信息往往是不完整的，有時甚至是令人震驚的；所有這些因素都導致人類決策者不堪重負（Zhao 等人，2015 年）。自動化 BMA 是解決這種復雜性的一種方法--簡化復雜性，增加理解/知識，并對決策選項進行定量分析。

自動化 BMA 是計算機輔助決策支持系統，旨在加強和改進戰術決策。BMA 可通過以下方式改進決策：加快決策過程；使人們對決策所依據的知識更有信心；制定更多的決策方案；使人們對決策后果有更深入的了解；制定成功概率更大的方案；和/或改進資源使用的優化。軍方目前使用 BMA 共享和處理數據，以開發作戰圖片和態勢感知。不過，本文的重點是構想未來海軍和聯合作戰中的 BMA。

系統方法綜合了分析和合成方法，包括整體論和還原論（Checkland，1993 年）。它強調系統內部各要素之間以及系統與其外部環境之間的相互依存和相互作用（Gharajedaghi，2011 年）。本文提出有必要采用系統方法來構思和設計未來的自動化 BMA。本文首先描述了戰術決策的特點以及未來自動決策輔助工具可能發揮的作用。然后，針對這一復雜的問題空間提出了一種系統方法。

戰斗管理的決策輔助

作為自動 BMA 概念化的準備工作，本節介紹了戰斗管理決策的類型。它討論了如何在軍事戰術環境中使用 BMA 來支持人類決策者。最后，它介紹了 "決策復雜性 "的概念以及 BMA 在管理和解決戰術復雜性方面的作用。

A. 戰斗管理決策

軍事戰術行動涉及大量戰斗管理決策。大多數決策涉及戰爭資產的使用或部署，其中包括平臺（艦艇、飛機、潛艇等）、武器、傳感器、通信設備和人員（Johnson、Green 和 Canfield，2001 年）。圖 1 展示了戰爭決策的四個領域：時間領域、空間領域、主動/被動領域以及規則和政策領域。其中每個領域都會影響決策過程，并可能導致決策復雜度增加。

規劃性或主動性決策包括部隊定位（艦艇、戰斗群、飛機等）、隱形行動、進攻性攻擊，以及通過干擾或其他武力措施阻止敵方行動。反應性或響應性決策的例子包括抵御主動威脅、將平臺移動到防御態勢、從威脅環境中撤退以及評估戰斗損失。有效的戰斗管理必須認識到何時主動或被動決策需要自動支持。

圖1 -戰術決策域

軍事決策的性質會隨著時間的推移而變化，可以被視為分等級的。戰略決策的時間跨度較長，考慮的目標層次較高，有時甚至跨越數年。計劃層面的決策時間跨度較短，即使在安排防御時也是積極主動的。戰術決策是戰斗管理的重點，時間跨度最短，涉及近期規劃或主動決策以及應對敵方行動的被動決策。三個時間決策域之間需要保持一致，以實現戰術、計劃和戰略決策之間的兼容。同樣，計劃和戰略需要支持有效的戰術戰爭，并反映戰術威脅環境的重大變化。自動 BMA 的設計應支持分級決策范式，以及支持和適應不同決策時間跨度的范式。

分層時間決策領域的成果之一是一套指導戰術決策的規則和政策。這些規則是近實時決策與長期計劃和戰略保持一致的方法之一。這些規則和政策支持符合更高目標的有效戰術決策。自動決策輔助工具可支持跨時空和跨層級的動態和適應性決策，以實現各層級之間的一致性；考慮各層級的變化可能會如何影響其他層級；以及跨層級有效發布指導意見。

第四種對作戰管理決策進行分類的方法是按照空間領域進行分類，如太空、空中、海上、水下和陸地。在這些作戰環境中，威脅千差萬別。同樣，作戰系統的開發也是為了應對特定的威脅或威脅類型，這自然反映了其空間環境。海軍戰斗群必須同時應對所有空間領域的威脅。自動化 BMA 有可能通過提高跨空間域態勢感知能力，并通過制定可優先執行任務和交戰策略的備選決策來應對這種復雜性。

最終，隨著作戰行動從和平時期到遭遇多域威脅，作戰管理決策空間也從簡單到復雜不斷變化。影響決策空間復雜性的問題空間變化的例子包括：戰斗節奏（或反應時間）、同時發生的威脅（或戰斗事件）的數量、戰斗事件后果的嚴重性、威脅的異質性（由于威脅類型或空間領域）以及事件或事件的范圍（受影響的地區或人口）。所有這些作戰因素都轉化為構成 "決策空間 "的多維變量。隨著決策空間復雜性的增加，軍事決策者可能會力不從心。此時，自動化 BMA 可以為有效決策提供支持。

B. 支持人類決策的自動輔助工具

由于傳感器、網絡、參與者、回傳和情報的增多，作戰空間的信息量也隨之增加。人類決策者被信息淹沒，決策時間縮短。自動 BMA 是有效戰術決策的必要能力。

如圖 2 所示，自動決策輔助工具或 "機器 "可通過多種方式為人類決策者提供支持。圖中顯示了人機決策互動的三種模式（Johnson、Green 和 Canfield，2001 年）。人工決策模式包括人類在頭腦中收集和 "存儲 "相關信息并進行決策分析（處理和決策）的情況。這種模式意味著一個相當簡單明了的決策空間，其中的數據量和變體數量是可以人工管理的。在半自動化模式中，人類決策者可以依靠機器來管理、存儲、融合和處理輸入信息，從而向人類顯示決策分析結果。決策分析可包括對作戰空間和威脅的了解、行動方案（COA）選項以及對預期事件成功率和后果的定量測量。最后，在全自動模式中，人類的作用是監控自動化機器決策過程，并在必要時推翻或更改決策。

針對決策類型建立適當的機制非常重要。一般來說，當問題空間相對簡單，需要考慮的因素數量和信息量在人類決策者的管理范圍內時，決策可由人工執行。對于某些類型的決策，半自動化的人機界面機制最為合適。這對于具有潛在關鍵或嚴重后果的更復雜決策空間是有效的；需要自動化 BMA 的支持，但需要大量的人工參與。全自動人機交互適用于需要處理和融合大量復雜信息，但決策類型非常簡單的決策空間。全自動決策模式適用于和平時期的行動，在這種情況下，決策不會產生嚴重后果，或者適用于高度復雜的行動，在這種情況下，決策反應時間對人類來說過于緊迫。全自動決策模式適用于對信息和情況了解非常有把握的情況。例如，當高度確信被跟蹤物體實際上是敵方威脅目標時。

圖 2 - 人機決策模型

戰斗管理決策支持系統的未來目標是能夠為給定的決策空間選擇適當的決策模型。也許一個靈活的決策架構可以容納所有三種人機模式，并根據需要加以應用。上層結構本身將對決策空間進行監控，評估需要做出何種決策，然后確定人機之間的適當互動，以做出每項決策。

C. 戰斗管理： 復雜工作

戰斗管理行動十分復雜（Young，2012 年）。如圖 3 所示，戰術環境從和平環境到高度危險的環境都有，來自許多不同方向的威脅多種多樣。這就形成了復雜的戰斗管理決策空間。決策空間的 "狀態 "必須靈活轉變，從正常無威脅行動期間的線性和直接，轉變為作戰行動期間的高度非線性和多變。

圖 3 - 復雜戰術環境中的作戰管理

復雜問題空間的特征包括：復雜的目標、復雜的環境和/或行動；適應性；集體行為；以及決策結果的不可預測性。這些特征都是戰術行動所固有的（Young，2012 年）。戰斗空間呈現出多種目標，這些目標通常不一致且不斷變化。軍事系統必須權衡各自的作戰目標（如自衛）與部隊級任務（可能包括區域防御、隱形作戰或特定資產防御）。由于不利的環境和千差萬別的環境導致目標優先級不斷變化，以及多種跨空間域任務，因此需要復雜的作戰行動。在應對復雜多變的威脅環境時，適應性是作戰系統的必要特征。軍事行動必須有效地適應威脅，以提高生存機會，實現戰術和戰略目標。分布式作戰資產的集體行為必須得到適當的協調，以避免碰撞和友軍誤傷事件的發生；并且最好能從它們的累積貢獻中獲益。最后，戰術決策的結果難以預測，從誤射、錯誤識別到對戰損的錯誤評估，這些不準確的知識和行動漣漪效應以及不可預見的后果使問題空間變得更加復雜。

自動化 BMA 有可能通過描述作戰環境的復雜程度并將這一知識轉化為決策空間，為人類決策者提供支持。理想情況下，完整而準確的作戰空間 "圖像 "將為決策空間提供態勢感知。BMA 可以對 "圖景 "進行監控，并對問題空間的復雜性特征進行評估。這些知識可支持有效、及時地使用決策輔助工具，并使人類決策和機器決策有效地相互作用。

系統性方法

"......只有復雜的系統才能執行復雜的任務（Braha，2006 年）"。

Bar-Yam 寫道："......高復雜性任務需要一個足夠復雜的系統來完成（Bar-Yam，2004 年）"。戰術軍事行動呈現出高度復雜的環境，轉化為戰爭資產必須執行的復雜任務。本節探討了在軍事行動中實施自動化 BMA 的復雜系統方法，以有效解決戰術問題空間。

上一節從決策的角度描述了作戰管理問題空間的特點；區分了人類決策與自動化決策輔助工具如何支持這些決策；并描述了作戰管理復雜性的特點。本節將介紹一種思考問題空間的方法，作為構思并最終實施系統解決方案的一種手段。

A. 將作戰資產視為資源系統

系統性方法的第一步是從系統角度 "看待 "問題和解決方案空間。對于戰術戰爭而言，首先要將戰爭資產視為資源系統。將資產（如：艦船、飛機、潛艇、武器系統、傳感器、通信設備/網絡和干擾器）定義為系統，就可以將其視為資源，并從其功能、性能、行為、結構和界面等方面加以審視。這樣就能根據它們的位置、狀態和預期能力等特征進行定量分析。隨著作戰行動日趨復雜，當存在多個目標重疊和沖突時，自動化 BMA 可以進行分析，以確定戰爭資源的有效利用。在 BMA 的幫助下，戰爭資源的利用可包括在系統間形成協作，以實現系統的行為和能力，從而更好地應對復雜的戰術任務。圖 4 展示了作為系統之系統的作戰資產網絡化協作。

"多維性可能是系統思維最有力的原則之一。它能夠從對立的趨勢中看到互補關系，并用不可行的部分創造出可行的整體（Gharajedaghi，2011 年）"。通過將作戰空間視為一組相互作用的系統，利用其多維性的能力可支持跨越空間和時間領域的部隊級協作行為。它使分層防御和綜合火力控制戰略成為可能，其中涉及到分布式武器和傳感器。當存在復雜的多維目標時，自動 BMA 可提供定量分析，以確定協作資源的利用情況。

圖 4 - 將作戰資產視為系統資源

B. 全面看待作戰管理

復雜的戰術環境要求從部隊層面以整體視角管理戰爭資源。隨著環境變得越來越復雜，事件發生得越來越快，而且是并行發生。決策數量和所需行動方案的數量都在增加。對有限的戰爭資源提出了更多的要求，其任務、目標和行動方案的相互關聯性也越來越強。從 "整體 "上了解多種威脅和任務，以及應對這些威脅和任務的可能方案和可能后果，就能做出更有效的軍事反應，這可能是有效應對高要求威脅的必要條件。作戰空間視角的概念可被描述為 "決策范圍"，或圍繞問題空間和解決方案空間設定邊界。更全面的決策范圍包括一個地區或戰區，以及該地理空間區域內的所有威脅和戰爭資源。較窄的決策范圍可能只包括特定威脅和特定平臺及其相關資產。

確定決策范圍既是限制因素，也是必要的促進因素。隨著作戰環境日趨復雜，戰術決策在因果關系上變得更加相互依賴和 "混亂"（Jackson 和 Keys，1984 年）。當只有一個威脅需要清除或一個區域需要觀察時，做出特定的武器交戰決策或傳感器任務分配決策就比較簡單。然而，如果將決策范圍縮小到發射單一武器系統或管理一艘艦艇上的傳感器，就會在需要處理多個戰術任務或需要優先處理和應對多個威脅時，失去其在部隊層面的整體有效性。在這種情況下，"整體性 "原則適用于決策，包括 "同時和相互依賴地盡可能多地考慮系統的各個部分和層次（杰克遜和凱斯，1984 年）"。換言之，擴大決策空間的范圍，或許可以考慮一個戰術區域或戰區。確定決策范圍本身就是一項決策。我們的目標是設計出支持靈活決策范圍的未來部隊架構，當部隊層面的任務變得更加復雜并可能受益于分布式作戰資產協作時，決策范圍可以擴大。

一旦戰術軍事力量面臨復雜的作戰問題空間，未來的自動化 BMA 就能建立更全面、更廣泛的決策范圍，并支持平臺和部隊層面的資源管理。最終，各種自動化 BMA 可支持不同層面的資源使用。支持特定傳感器和武器的 BMA 可由更高層次的 BMA 架構進行協調。因此，可以實施一個 BMA 系統體系。

C. 將決策空間視為一個系統

決策空間 "可視為一個系統。通過對決策空間采取系統方法，可以定義邊界、輸入和輸出、功能、性能和結構。圖 5 展示了決策空間的背景環境。戰斗空間的知識（或態勢感知）是作為 "問題空間"（或作戰戰術圖）來開發和維護的。它包括跟蹤的威脅目標以及地形、天氣、防御資產和現實世界中的所有其他物理實體。此外，還必須開發和維護 "資源圖"，其中包括戰爭資產的最新狀態、健康狀況、戰備狀態和預計能力。問題空間和資源圖景是決策空間的主要輸入。

概念決策空間系統的邊界圍繞決策架構和決策分析，其中包括決策輔助、評估、優先排序、備選方案生成和整體決策管理。決策空間系統的主要功能是開發決策備選方案。這些備選方案為管理戰爭資源資產提供建議。例如，傳感器任務分配、行動方案、武器調度、平臺（艦船、飛機等）移動等。次要功能包括估計與決策備選方案相關的置信度，以及為備選方案提供信息的多種類型的分析。分析實例包括：確定威脅的優先次序、兵棋推演可能產生的后果、估計傳感器誤差、估計知識的準確性和完整性、評估作戰復雜性、推薦最佳的人機決策互動。圖 5 所示的簡化概念沒有說明人機決策空間之間的互動。但在戰術行動中，這種互動將非常重要。

圖 5 - 決策空間的映射

概念決策空間系統的輸出可包括決策備選方案、預測后果估計、成功和失敗的估計概率，以及與源信息、備選方案和一般知識相關的置信度。

D. 解決方案空間：復雜自適應系統簇

在對BMA的系統方法進行概述的過程中，最后一步是對解決方案空間進行概念化。為了能夠對復雜的威脅空間做出戰術反應，解決方案空間包括有效利用分布式戰爭資產/資源。解決方案必須隨著威脅環境的變化而及時改變和調整。有時，進攻行動是最佳選擇；有時，單一平臺即可應對威脅；有時，可能需要并行或串聯多種進攻、防御、協作和自主行動。解決方案空間能夠從簡單操作無縫轉向復雜操作，從而改變其系統狀態的性質，這是一項具有挑戰性的要求。

本文將解決方案空間概念為復雜自適應系統簇（CASoS）（格拉斯，2011 年），其中分布式戰爭資源作為系統的系統進行交互，表現出突發性（部隊級）行為，并適應不斷變化的作戰環境。這類系統是有效解決復雜戰術問題空間所需的解決方案。設計未來戰爭系統使其表現為 CASoS，需要自動化 BMA 的決策架構和解決方案空間，以提供以下三種能力（Johnson，2017 年）：

1.自適應關系--自適應智能架構可實現組成系統之間的靈活相互關系，這些系統最終構成一個自適應 SoS，能夠應對不斷變化的復雜環境。

2.由智能組成系統組成的系統--CASoS 的自適應突發行為受分布式組成系統自我管理的支配，這些組成系統可根據復雜情況的需要進行協作或獨立行動。

3.知識發現和預測分析--工程化 CASoS 的關鍵在于獲取和維護有關環境和分布式組成系統的共享態勢知識的能力。對這些知識進行分析，可確定任務的優先次序；制定任務和行動方案（對問題空間的自適應響應）；制定 "假設 "和 "如果-那么 "預測方案，以形成未來智能決策和自適應 SoS 關系的綜合體。

決策空間必須支持概念化的 CASoS 解決方案空間。這種復雜應用的決策空間可以看作是一個 BMA 系統，由整體部隊級管理決策輔助工具支持與特定資源或平臺系統相關的低級 BMA 的協調。整體級 BMA 可以管理問題空間信息，并專注于高層次問題，如評估復雜程度、確定決策范圍和建議人機決策互動。所有這些都需要自動化的 BMA、自適應架構、"可執行任務 "的作戰資源以及支持這種系統方法的指揮與控制文化。

結論

總之，作戰管理問題空間是復雜的，而且隨著更多傳感器、更多信息、更多無人威脅、更多非國家對手和技術進步，其復雜性只會繼續增加。要想在這一問題空間中保持領先，就必須構思并最終實現一個復雜的解決方案空間，以促進快速行動和高度響應的戰爭利用。系統方法通過提供整體性、系統視角以及將決策空間定義為一個系統的系統，為解決所需的多維和適應性決策提供了一種方法。它將問題定義為 "CASoS"，并強調了對決策架構的需求，這種架構可實現自適應關系、系統級情報、共享知識和預測分析。有效利用自動化 BMA 支持人類決策為 CASoS 解決方案空間奠定了基礎。

參考來源：美國海軍研究生院

未來軍事行動場景要求在一個擁擠和極其動態的環境中快速決策和高速操作。以網絡為中心的方法是滿足這些要求的一個關鍵因素，其中系統體系中的各個平臺致力于服務整個行動。聯網，再加上適當的自主運行水平，使整個系統能夠盡可能連接最終行為者（傳感器或效應器），并做出行動決策。除了在不同的決策層上同步每個單獨的OODA（觀察-導向-決定-行動）循環之外，這也大大增加了行動速度。為了實現邊緣決策，數據必須盡早匯總和解釋，以提供最好的態勢信息，這是做出明智決策的先決條件。這兩個方面促進了對更高層次的連接損失彈性，并使個人或較小的戰術小組仍然能夠執行其任務，即使與更高級別指揮和控制的連接暫時受到限制。因此，這也是對新攻擊載體的應對方案，包括從對物理鏈路的暴力攻擊到對通信系統內更高OSI層的更復雜攻擊。針對上述問題，已經制定了以機載應用為重點的架構原則。對于這些架構原則，將首先討論多平臺傳感使用案例的示范性應用。從長遠來看，所提出的架構原則可以從機載領域轉移到其他領域，并最終應用到多域場景中。

圖：具有不同類型EO/IR傳感器的分布式EO/IR場景

網絡化多平臺架構

未來的戰爭將不再是單元與單元的戰斗，而是網絡與網絡的戰斗。輔助性原則的應用意味著一個以網絡為中心的架構方法其內在特征是分布式的。在這種情況下，權力下放意味著，在競爭激烈的EMS環境中保持電磁頻譜作戰（EMSO），在不降低自己EMSO能力的情況下與敵人作戰，實現和保持EMSO的可擴展性，確保EMSO的可靠穩定性，并允許全頻譜的優勢。但是，為什么在系統結構的背景下，輔助性及其分布式很重要，為什么相關的網絡中心式方法比等級集中式方法更有效？為了向所有持懷疑態度的人解釋“為什么”，嘗試用一個關于分布式網絡中心系統架構來類比：足球比賽。

一場足球比賽是一種相當復雜的球賽，具有時間關鍵性。令人驚訝的是，一旦開球，它在沒有集中管理比賽的情況下也能運作。一場比賽的組織是分布式的和以網絡為中心的：教練（在他的教練區）只是給出一般的指導方針，而球員必須能夠相互聯系，以便根據比賽的動態調整教練的“服務請求”。球員不會問：“下一步怎么辦？”而是預測特定的情況，并根據教練的指導建立前瞻性的行動。

這個真實例子遵循輔助性原則的系統架構，帶來了另一個非常重要的方面：作為控制結構的服務請求。未來的第六代戰斗機將是一個體系性系統，建立在各個系統之上，而這些系統本身又是高度復雜的，具有很長的運行周期。為了掌握整體的復雜性，并在設計、開發、操作使用和升級周期中保持總體架構的一致性，基礎架構原則應促進低耦合性、易集成性、互操作性和重用性，同時在新戰斗機系統進入服務后應能夠集成幾十年的遺留系統。這可以通過面向服務的架構（SoA）原則來實現。對于設計防御手段來說，服務是北約體系結構框架（NAF）和其他架構方法所支持的互操作性和能力開發的基石。面向服務的架構（SoA）是以系統組件提供的服務為中心。這些服務包涵了特定的功能，可以由服務消費者在本地或遠程訪問，并在分布式的網絡中獨立更新。在SoA方法中，服務具有以下關鍵屬性：（a）它在邏輯上代表了一組具有特定結果的活動，（b）它是獨立于消費者使用的，并且是獨立定義的，（c）它可以由其他底層服務組成，（d）對于它的實施，它對消費者來說是一個黑盒，意味著它封裝了自己的結構和內部邏輯，消費者不需要知道這些。服務是由它們提供給消費者的事物（結果、與收入的接口、服務合同）來定義的，而不是由它們如何實現其預期結果來定義的。

隨著提出（a）輔助性原則及其分布式以網絡為中心的方法和（b）面向服務的架構原則，剩下的第三個基石包含了三個重要的架構設計驅動因素。架構設計驅動因素的目的是建立一套驅動架構系統設計的屬性，并在實際系統工程的架構創建活動中為決策提供指導。

靈活性：架構應支持修改（例如，內部傳感器的修改、新傳感器的增加、服務的修改等）。設備的創新應考慮通過使用明確定義的接口，快速輕松地完成集成。

可擴展性：架構應能夠融入大量傳感器和功能，以及具備通過使用分布式資源來補償更大數據負載的能力，以根據相關的服務請求返回最有用的信息。

彈性：該架構應能適應意外事件、故障或通信問題（如干擾等），必要時重新安排任務、資源和服務。

圖4：架構設計驅動因素

擬議的架構原則確實允許小規模或大規模的資產系統組成。因此，對平臺類型或傳感器的數量沒有限制。為了實現這一點，擬議的架構在盡可能低的水平上有一個相應的分布式決策尋找過程，它是基于一個先進的去沖突機制。為了支持這一點并實現最大的靈活性和彈性，分布式傳感器網絡中數據流和信息的使用沒有被不同連接所限定。相反，所有的實體都通過網絡連接，并能以任何結構交換數據和信息。這允許對網絡進行靈活的重組，以應對外部條件或內部事件和狀態。