反叛戰爭的經典和現代理論強調了資源能力的作用。我們證明，在確定叛軍如何對裝備較好的政府軍發動復雜攻擊的具體細節方面，由這些資源提供的情報收集發揮了關鍵作用。我們利用關于阿富汗叛軍攻擊、叛亂分子領導的間諜網絡和反叛亂行動的高度詳細的數據來檢驗理論模型。利用鴉片適宜性的準隨機變化，我們發現，叛軍能力的提高與（1）額外的反偵察，（2）叛亂行動的增加，（3）通過技術創新、增加復雜性和攻擊集群改進戰場戰術，以及（4）提高對安全部隊的有效性，特別是對更難對付的目標。這些結果表明，獲得資本，再加上情報收集，對叛軍的作戰方式和地點產生了有意義的影響。

引言

國內沖突已經取代了國家間的戰爭，成為人員損失和人口遷移的主要來源。一般來說，人們都知道，資源能力決定了叛軍如何招募、保留和部署他們的戰士（Weinstein，2007）。叛軍持有的經濟資源的波動影響了叛軍活動的規模（Dube和Vargas，2013年），他們對戰略領土的控制（Kalyvas，2006年），以及他們如何對待平民（Wood，2014年）。這些因素反過來又影響到平民是與叛軍勾結還是與政府軍合作（Condra和Shapiro，2012）以及政府參與發展和重建的能力（Sexton，2016）。

在這篇文章中，我們從更細微的層面來解讀資源可用性對作戰策略的影響。在我們的非正規戰爭模型中，叛軍收集有關目標脆弱性的信息，并根據這些信息選擇攻擊模式。積極的經濟沖擊使叛軍能夠獲得相對高質量的情報，他們的攻擊變得更加復雜，涉及更復雜的武器，并聚集在一組最脆弱的目標上。從技術上講，我們的模型是Blotto上校博弈的一個新版本，這是一個標準的兩方沖突的一般模型（Blackett, 1958; Powell, 2007; Kovenock and Roberson, 2012）。我們為攻擊方增加了收集有關目標脆弱性的額外信息的可能性：在政府分配了其防御資源后，每個可能的目標都要進行脆弱性測試，叛軍對目標的選擇依賴于這些測試的結果。在均衡狀態下，不同目標的最佳攻擊分配要考慮到這些額外的信息；這在信息的精確性和攻擊的分配之間建立了聯系。

我們使用美國政府提供的解密軍事數據來測試我們模型的含義，這些數據記錄了在 "持久自由行動 "期間阿富汗的數十萬次戰斗。這些數據在范圍和規模上都是獨一無二的；它們包含了原本無法觀察到的戰斗行動細節，如叛亂分子監視行動的地點、叛亂分子的戰場創新、叛亂分子的單位滲透以及欺騙性武器技術的使用。我們將這些細化的記錄與微觀層面的鴉片生產地點和強度信息以及影響鴉片生產力的外生農藝條件的衛星測量相結合。我們利用這些高分辨率、高頻率的農業投入措施來構建一個新的外源性鴉片適宜性措施。我們還收集了一系列有關農業價格區、基礎設施項目、灌溉技術和使用脅迫性威脅來操縱當地生產的額外信息，以評估反叛能力的沖擊如何影響政治暴力。

我們發現一致的證據表明，對反叛組織的正面經濟沖擊導致了暴力的增加和反叛分子產生暴力的方式的改變。特別是，我們發現反叛者能力的提高與反叛者更多的技術創新有關，更多的攻擊涉及對政府部隊的復雜滲透，更多的使用欺騙性武器技術，以及更復雜的多目標作戰行動。我們還發現，隨著叛亂分子獲得資本的增加，他們在時間和空間上都參與了更多的集群攻擊。重要的是，由于我們的作戰記錄還包括叛軍的監視信息，我們可以檢驗我們理論模型的核心猜想：獲得有關政府漏洞的更精確的信息使叛軍可以將資本轉化為更復雜的攻擊。在我們的樣本開始時，叛亂分子能夠在阿富汗398個地區中的70個地區進行監視行動，我們在圖1中對其進行了可視化。我們發現了這一機制的廣泛證據：在戰役早期叛亂分子開展監視行動的地區，暴力和攻擊的復雜性對資源能力的反應特別強烈。

圖 1：叛軍領導的在阿富汗進行的監視行動。

注釋：叛亂分子間諜行動的數據來自SIGACTS軍事記錄。交叉模式表明叛亂分子在2006年期間至少進行了一次被發現的監視行動，這也是我們樣本的第一年。地區邊界取自ESOC阿富汗地圖（398個地區）。

利用現代計量經濟學推理方法對戰斗策略進行的研究仍然很少，這些研究利用了細化的軍事記錄。正如伯爾曼和馬塔諾克（2015）所指出的，在我們對叛軍何時和如何參與武裝斗爭的理解之間存在一個有意義的差距。我們的論文有助于解決這一差距。更廣泛地說，我們的論文提供了對叛亂基本機制的見解。國家能力是沖突的經濟理論的核心（Besley和Persson，2011；Powell，2013）。然而，國家競爭者可用的資源也影響著沖突何時出現，內部戰爭如何進行，以及是否以撤軍結束。

我們的理論模型和實證測試還關注沖突中一個新的但經常被忽視的動態：所有各方都收集信息。之前關于反叛亂的工作主要是研究戰斗的動態，包括對平民的傷害，如何影響政府軍的情報收集（Condra和Shapiro，2012）。這部分是由于很難觀察到非國家行為者如何以及何時參與監視并管理有關戰斗活動和目標脆弱性的信息流。然而，Kalyvas（2006）和其他人使用各種人種學、歷史和檔案方法指出，在沖突期間，特別是不對稱戰爭期間，信息對各方都很重要。我們的理論模型強調了這一機制，認為情報收集決定了叛亂分子在哪里、如何以及以何種方式制造暴力。我們還對這一機制進行了廣泛的定量探討，并對政治暴力的豐富定性描述進行了探討，這些描述將信息置于國內沖突的中心。

最后，我們的研究是第一個估計資源能力對戰場有效性影響的研究，特別是涉及車輛和武器系統損壞以及士兵傷亡的攻擊。我們發現，這些有效攻擊隨著鴉片適宜性的正向沖擊而大幅增加，特別是針對硬目標的攻擊。與我們的主要結果一致，我們還發現，這些沖擊對叛軍能力的影響是由情報收集機制介導的：在叛軍能夠獲得監視資產的地區，戰斗力的提高最為明顯。

本文的其余部分組織如下。第2節介紹了我們的理論模型。第3節簡要介紹了制度背景。第4節詳細介紹了實證策略。第5節介紹主要結果和穩健性檢驗。最后一節是結論。

摘要

為了支持加拿大皇家空軍（RCAF）領導的遙控飛機系統（RPAS）項目，加拿大國防研究與發展部（DRDC）-多倫多研究中心（TRC）在2016年開發了一個綜合地面控制站實驗和演練的試驗平臺，以研究中隊級無人機系統（UAS）作戰單元的關鍵作戰概念。測量操作員的決策性能是分析、設計和評估人機交互（HMI）和智能自適應系統（IAS）概念的一個特別重點。在這份參考文件中，我們對直接和間接的性能測量（MoPs）進行了全面的審查，在無人機系統和人機協作的概念開發和實驗（CD&E）方面。

對國防和安全的意義

本參考文件提供了適合于無人機系統模擬器實驗和人類與自主系統互動的MoPs總結和描述。它為其使用提供了科學證據，并為其應用提供了指導，以可靠地評估和評價軍事環境中涉及無人機系統和廣義上的人類自主協作的作戰概念。

1 引言

1.1 概述

本參考文件對無人機系統（UAS）和人機協作的概念開發和實驗（CD&E）中使用的直接和間接性能測量標準（MoPs）進行了審查。直接性能測量標準，或基于結果的測量標準，包括決策準確性、決策效率、決策質量和操作者任務績效的決策一致性。間接的，或與過程相關的測量，指的是培訓效果、態勢感知、操作員的工作量、人機信任、可用性、團隊合作和操作員反饋。在加拿大國防研究與發展部（DRDC）--多倫多研究中心（TRC），這兩種類型的措施都已成功地適應于無人機系統地面控制站（GCS）模擬器的使用。

1.2 背景

為了支持加拿大皇家空軍（RCAF）領導的遙控飛機系統（原聯合無人機監視和目標獲取系統項目），DRDC多倫多研究中心在2015年開發了一個綜合地面控制站實驗和演練的試驗平臺，以研究中隊級無人機系統作戰單元的關鍵作戰概念。這些概念包括GCS功能要求、適航認證、人類系統集成（HSI）、機組配置和操作員培訓要求。

位于DRDC TRC的TIGER是一個GCS模擬器，用于遠程駕駛中高度長壽命（MALE）無人機（UAV）（Hou，2015）。該模擬器包括飛行器操作員（AVO）和有效載荷操作員（PO）工作站，以及另外四個可重新配置的工作站，用于圖像分析員和報告員（IMA-A和IMA-R），以及電子戰分析員和報告員（EW-A和EW-R）。駕駛和傳感器操作可由操作員進行，或根據編程腳本自主進行。該平臺允許在組件的位置（工作空間安排）、訓練或測試重點（團隊、部分團隊或個人）、環境視角（空中飛越、空中監視或地面觀察）以及用于信息處理、利用和傳播（PED）的指揮和控制（C2）單元方面有相當大的靈活性。TIGER可以是一個獨立的GCS和/或支持網絡中心戰的分布式演習。表1描述了每個操作員的角色和職責，相關的工作站布局在圖1中說明。

當前無人機系統任務的復雜性和無人機系統技術能力的不斷提高，對操作人員提出了重大的認知要求。Arrabito等人（2010年）提供了一份關于一系列認知風險的綜合報告，這些風險導致了許多與無人機系統有關的事件和事故，如操作人員的疲勞、工作量和情景意識（SA）的喪失。

表1：TIGER中無人機系統操作員的角色和責任

角色	工作職責
飛行器操作員 (AVO)	作為機組指揮官，駕駛無人機，并控制任何武器的釋放
有效載荷操作員 (PO)	控制無人機有效載荷，確保傳感器設置對當前任務是最佳的，并控制無人機的激光瞄準。
圖像分析員(IMA-A)	查看來自無人機傳感器的視頻資料，識別任何潛在的重要事件和實體，并將這些信息傳達給IMA-R
圖像報告員（IMA-R）	審查來自IMA-A的事件和實體，并為無人機任務分配機構和AVO編寫報告
電子戰分析員(EW-A)	專注于無人機的電子支持措施，確定任何潛在的重要事件和實體，并將這些信息傳達給EW-R
電子戰報告人（EW-R）	審查來自EW-A的事件和實體，并為無人機任務分配機構和AVO編寫報告

圖1：TIGER中的UAS地面控制站布局。

本參考文件概述了根據NATO STANREC 4685《無人機系統人類系統集成指南》（Hou & Geesman, 2022）和人因設計標準HF-STD-004（聯邦航空管理局，2009），使用無人機模擬器進行作戰概念開發和測試的實驗要求。這些研究強調了進行實驗、調查和演示（包括動態模擬和軟件原型）的重要性，以確定和解決人類工程問題，并評估操作員的認知負荷。測量操作員的決策表現是分析、設計和評估人機交互（HMI）和智能自適應系統（IAS）概念的一個特別重點（Hou, Banbury, & Burns, 2014）。這是一個不小的挑戰，因為 "正確 "決策的概念，特別是在不確定的條件下，是高度主觀和依賴環境的（Hou等人，2014；Banbury, Pelletier, Baker, Tremblay, & Proulx, R，2014b）。因此，一套定量和定性的MoPs被用來描述個人和集體的決策表現。本研究報告確定并總結了用于評估操作者決策過程的 MoPs，以及衡量其結果的 MoPs，并概述了在 DRDC TRC 的三項 TIGER 研究中所采用的措施。

這份頂點報告分析了增材制造（AM）技術在美國國防部（DOD）當前和未來的使用情況。該分析為開發增材制造工藝和分析工具（AMPAT）提供了必要的技術背景。AMPAT將幫助利益相關者確定哪些增材制造設備能最好地服務于作戰人員和他們在遠征環境中的任務。此外，該工具可以被利益相關者用來確定AM能力在整個艦隊中最有利的分布，并就這些能力應該如何被整合到更大的海軍任務和更大的國防部企業中做出決定。采用系統工程（SE）方法來收集關于當前和未來的AM方法的信息，以了解和定義AM系統的操作要求。此外，還利用SE過程來分析建立工具的替代軟件選項，實施敏捷軟件開發過程來開發工具，并驗證和確認該工具符合項目要求。研究發現，AMPAT根據用戶定義的輸入參數和加權值，成功地輸出了一個AM系統建議的排名列表。關于選擇AM設備和為艦隊制定分散計劃的建議包括使用AMPAT的可交付成果，利用用戶定義的輸入值進行定制的、迭代的分析，以適應特定的遠征環境。

執行摘要

美國海軍和海軍陸戰隊一直在各種作戰環境和任務場景中增加使用增材制造（AM）能力，以快速交付作戰設備，降低成本，更換和維修部件。美國海軍研究生院（NPS）海軍遠征增材制造（NEAM）團隊的成立是為了解決海軍遠征作戰司令部（NECC）提出的幾個研究問題。該團隊開發了一個名為增材制造過程和分析工具（AMPAT）的工具，該工具將：1）確定具體的增材制造設備，以便在遠征環境中為部隊提供最佳服務，包括分布式海上行動（DMO）、有爭議環境中的沿岸行動（LOCE）和遠征先進基地行動（EABO）；2）輸出建議，可用于幫助通知整個艦隊的增材制造設備分散計劃；以及3）幫助NECC更好地將其能力融入更大的海軍任務。

NEAM團隊使用修改過的瀑布過程模型系統工程方法來開發一個工具來回答這些問題。NEAM團隊進行了詳細的文獻審查，以收集有關各種AM技術、AM零件的設計考慮因素、材料處理以及AM在國防部的使用的信息。此外，該團隊還會見了許多從事AM技術工作的組織的主題專家（SMEs），包括海軍設施（NAVFAC）工程和遠征作戰中心、海軍海上系統司令部技術辦公室、海軍陸戰隊系統司令部、海軍水面作戰中心Indian Head分部、海軍水面作戰中心Pt. Hueneme分部、海軍陸戰隊第一后勤集團、海軍供應系統司令部（NAVSUP）、太平洋海軍信息戰中心和海軍研究辦公室。

AMPAT是一個基于Excel的工具，用Visual Basic for Applications（VBA）編程語言編寫。AMPAT包括一個數據庫，供用戶輸入各種AM系統的信息和數據，以及一個工具儀表板，使用戶能夠在進行分析所需的輸入和分析的輸出之間輕松瀏覽。儀表板允許用戶行使工具功能，包括調整分析標準和用戶選擇，向AM數據庫添加打印機，檢查AM數據庫的錯誤，運行分析，以及清除結果。用戶可以定制AMPAT分析，對一組具有不同規格和特性的AM打印機進行排名，以確定在特定環境下滿足作戰人員需求的最佳AM系統設計。關于如何使用AMPAT的每個功能，可以在《用戶指南》中找到全面的、分步驟的說明。

本報告為用戶提供了一個執行AMPAT以獲得分析結果的方法。首先，用戶通過確定感興趣的具體屬性（如故障率、運行可用性、環境條件）來設置分析參數。接下來，用戶為每個選定的屬性設置加權值，以排列每個屬性相對于另一個屬性的重要性。用戶必須設置權重值，以便AMPAT進行必要的數學分析，提供具體的AM系統建議。數學分析將根據用戶對每個屬性的權重輸入，計算出每個AM系統的加權分數，并將其標準化。AMPAT將生成一個過濾的數據庫表，其中包括滿足用戶在運行分析之前確定的輸入參數的AM系統。此外，根據分配給每個參數的權重值，將提供這些AM系統的排名列表。最后，AMPAT將繪制分析結果；用戶可以選擇特定的參數，以包括在繪圖中，并決定是按系統繪圖還是按屬性繪圖。

NEAM團隊建議NECC使用AMPAT進行迭代分析，并繼續向數據庫添加新的AM系統和系統屬性。隨著新的信息被輸入該工具，用戶將收到更詳細的結果，這可能會影響最終的AM排名。AMPAT提供的排名將為決策者提供建議，說明哪種AM設備在執行DMO、LOCE和EABO環境中最能為部隊服務。此外，NEAM團隊建議NECC將AMPAT升級到具有適當安全分類的環境中，以定制該工具的分析，為艦隊的特定地點提供AM系統的建議。如果有適當的輸入，該分析的結果可用于確定在整個艦隊中預置AM技術的最佳策略。

為了統一國防部和國防部，AM領域的專家必須共同制定一份戰略文件，確定批準AM系統用于國防部的必要標準。AMPAT應被串聯使用，以協助社區評估不同的AM技術，以確定是否適合于國防部的任務和作戰方案。隨著用戶繼續用更多的AM系統填充AMPAT，并反復進行不同參數的分析，該工具的結果和輸出可用于證明國防部的批準決定。

NEAM團隊還建議，AMPAT應擴大到包括一個零件和零件規格的圖書館或資料庫。這將擴大AMPAT的效用，使其能夠為AM系統提供建議，這些系統應被用來打印特定的零件，以支持船舶、潛艇、飛機和其他車輛或設備。最終，這將減少成本并縮短艦隊的時間表，以快速生產量身定做的部件，提高作戰人員的準備程度。

AMPAT提供了一個決策分析過程，以確定最理想的AM設備來支持特定任務，并提高整個國防部對AM能力的認識。AM技術在確保迅速和有條不紊地維持作戰設備和加強艦隊準備方面發揮了關鍵作用。AMPAT的使用將有助于使國防部和國防部統一努力推進AM技術，以支持更大的海軍任務的需要。

I. 簡介

本章定義了本研究項目的問題陳述、目標、范圍和操作方案。此外，本章還解釋了用于開發工具的方法，以及該工具將如何被主要利益相關者--海軍遠征作戰司令部（NECC）和其他利益相關者使用，以滿足研究目標。

A. 問題陳述

幾年來，美國海軍和海軍陸戰隊一直在作戰環境中采用增材制造（AM）能力來快速交付作戰裝備。必須進行研究，以確定如何整合未來的AM能力，同時最大限度地提高投資回報，并盡量減少重復工作。首要的目標是將這項研究應用于部署在各種環境中的能力，如：分布式海上行動（DMO）、有爭議環境中的沿岸行動（LOCE）和遠征先進基地行動（EABO）。就本報告而言，重點是開發一個工具和數據庫，以協助決策者確定在這些環境中使用適當的增材制造。

增材制造已經被證明是非常有益的，它提供了降低成本和快速的部件更換和維修；本報告的以下部分將更詳細地討論AM的具體優勢和劣勢。由于AM是一個快速發展的技術領域，很難持續比較和權衡技術能力和屬性以滿足不斷變化的需求。需要一個工具，讓領導層充分了解當前和新的AM技術提供了哪些能力，這樣他們就可以做出明智的決定，使國防部（DOD）的投資回報最大化，以支持作戰人員和他們的任務。決策者需要考慮的一些特性包括：移動性、易用性、培訓、打印材料和打印機床尺寸。

本項目的目的是提供一個總體決策分析方法和工具，其中包括一個易于修改的NECC當前3D打印機和部件的數據庫，以有效地將當前和未來的AM能力整合到更廣泛的海軍遠征任務中。海軍遠征增材制造（NEAM）團隊廣泛研究了當前的AM能力及其在遠征部隊中的應用，以幫助開發分析方法、工具和數據庫，NECC可以采用并用于確定如何在整個美國海軍艦隊中最佳地分散AM能力并實現利益最大化。雖然在海軍遠征軍內，以及在海軍和國防部內廣泛存在著對AM集成的廣泛需求和巨大潛力，但NEAM項目側重于將AM作為部署系統、平臺和車輛的支持能力。最終，該計劃將作為NECC的參考和指南，以便在海軍和海軍陸戰隊的AM設備部署戰略和采購方面做出明智的決定。

B. 研究目標和項目范圍

本項目的重點是NECC在部署AM設備供遠征軍使用時，如何使投資回報最大化，并盡量減少重復工作。這項研究有助于實現在DMO、LOCE、EABO和其他情況下部署AM能力的總體目標，同時確保與現有工作的互操作性，盡量減少重復的工作，并使投資回報最大化。為了不重復工作，該團隊利用以前為類似工作完成的工作，并與海軍內部正在進行的AM工作協調。這項研究的目的是為NECC提供一個決策分析過程，以指導決策者選擇最有效的AM技術來滿足遠征環境中的具體使用情況。

上述三種遠征環境（即DMO、LOCE和EABO）對AM技術都有自己獨特的需求。DMO環境將海軍的注意力集中在同行和近鄰的競爭者身上，這需要艦隊級別的參與主要作戰行動。為了做到這一點，它在各司令部之間建立了更加一體化的關系，并促進了對風險的計算接受。同樣，EABO手冊指出，"EABO是一個未來的海軍作戰概念，滿足美國聯合遠征作戰的下一個范式的彈性和前沿存在要求"（海軍陸戰隊協會2018，5）。這一戰略提供了進行遠征作戰的機會，在不摧毀所有敵軍的情況下擊敗對手的戰略。此外，EABO手冊 "鼓勵海軍陸戰隊和海軍發展優化的內部力量能力，以服務于整個DMO結構"（海軍陸戰隊協會2018，22）。LOCE概念描述了沿海環境中的海軍行動，考慮到新出現的威脅，為海軍和海軍陸戰隊提供了一個創新的、聯合的框架（有爭議環境中的沿海行動，2020）。AM在確保作戰人員在這些環境中得到適當裝備方面發揮著關鍵作用。

考慮到這些環境，NEAM項目重點關注以下問題，以利用AM技術解決作戰人員能力方面的關鍵差距。

1.什么樣的AM設備能夠最好地服務于執行DMO/LOCE/EABO的部隊，包括考慮與其他美國海軍陸戰隊和海軍部隊的互操作性？

2.在整個艦隊中，什么是最有利的AM能力的分散，以使利益最大化，包括潛在的設備預置？

3.NECC如何將其能力更好地整合到更大的海軍任務中？

這個項目并不打算分析AM實施的每一部分；因此，未來的工作將建立在這個項目的基礎上。未來的工作也被認為是減少范圍蠕變風險的一個緩解因素。NEAM團隊對未來工作的建議可以在第七章A節中找到。

C. 方法

為了實現協助NECC最大限度地提高投資回報和減少重復的項目目標，這項研究的重點是開發一個數據庫和工具，以協助決策和增加對特定任務和目標的可用AM能力的接觸。該工具和數據庫是使用微軟Office產品開發的，因為它在整個聯邦政府的計算機系統中通常是可用的。這將有助于確保它能在整個海軍中被廣泛傳播并被大量受眾使用。

該工具是使用系統工程過程中選擇的軟件開發的。它側重于由利益相關者和NECC定義的AM系統的各種能力。用戶可以使用內置的圖形用戶界面（GUI）加載AM系統的各種特性并分配權重。該工具根據所期望的遠征環境的特征分配權重，輸出AM系統建議。

為了確保交付物滿足利益相關者的需求，NEAM團隊采用了一種系統工程方法，包括利益相關者的持續反饋，這在第四章有詳細描述。這使得利益相關者能夠在項目進展過程中對研究的具體方向提供意見，并使NEAM團隊能夠在獲得信息和分析結果時提供。

D. 報告結構

本報告第一章解釋了問題陳述、研究的目標和范圍，以及用于開發本項目中可交付成果的方法。

第二章包括對NEAM團隊為收集不同類型的AM技術、如何設計AM零件、材料處理方面的考慮以及AM在國防部的具體使用情況而進行的文獻審查的廣泛和詳細描述。此外，第二章描述了NEAM團隊用來完成項目的系統工程方法，以及考慮過的其他方法。

第三章著重于利益相關者的識別和分析，并描述了主要利益相關者的需求，用于將其轉化為具體要求的過程，以及當前AM能力中存在的差距。

第四章概述了增材制造工藝和分析工具（AMPAT）的代碼開發過程和所遵循的軟件流程，以及該工具的能力和限制。

第五章提供了AMPAT的幾個使用案例，并描述了該工具所要使用的操作環境。

第六章全面解釋了AMPAT如何用于檢索特定任務的分析結果，并解釋了用于確保該工具滿足項目要求和利益相關者需求的驗證和確認（V&V）方法。

第七章記錄了開發團隊得出的結論，總結了研究和分析對利益相關者和國防部的益處，并對未來工作提出了建議。

小型無人駕駛飛機系統（sUAS）的指數式增長為美國防部帶來了新的風險。技術趨勢正極大地改變著小型無人機系統的合法應用，同時也使它們成為國家行為者、非國家行為者和犯罪分子手中日益強大的武器。如果被疏忽或魯莽的操作者控制，小型無人機系統也可能對美國防部在空中、陸地和海洋領域的行動構成危害。越來越多的 sUAS 將與美國防部飛機共享天空，此外美國對手可能在美國防部設施上空運行，在此環境下美國防部必須保護和保衛人員、設施和資產。

為了應對這一挑戰，美國防部最初強調部署和使用政府和商業建造的物資，以解決無人機系統帶來的直接風險；然而，這導致了許多非整合的、多余的解決方案。雖然最初的方法解決了近期的需求，但它也帶來了挑戰，使美國防部跟上不斷變化問題的能力變得復雜。為了應對這些挑戰，美國防部需要一個全局性的戰略來應對無人機系統的危害和威脅。

2019年11月，美國防部長指定陸軍部長（SECARMY）為國防部反小型無人機系統（C-sUAS，無人機1、2、3組）的執行機構（EA）。作為執行機構，SECARMY建立了C-sUAS聯合辦公室（JCO），該辦公室將領導、同步和指導C-sUAS活動，以促進整個部門的統一努力。

美國防部的C-sUAS戰略提供了一個框架，以解決國土、東道國和應急地點的sUAS從危險到威脅的全過程。國防部的利益相關者將合作實現三個戰略目標：（1）通過創新和合作加強聯合部隊，以保護國土、東道國和應急地點的國防部人員、資產和設施；（2）開發物資和非物資解決方案，以促進國防部任務的安全和可靠執行，并剝奪對手阻礙實現目標的能力；以及（3）建立和擴大美國與盟友和合作伙伴的關系，保護其在國內外的利益。

美國防部將通過重點關注三個方面的工作來實現這些目標：準備好部隊；保衛部隊；和建立團隊。為了準備好部隊，國防部將最大限度地提高現有的C-sUAS能力，并使用基于風險的方法來指導高效和快速地開發一套物質和非物質解決方案，以滿足新的需求。為了保衛部隊，國防部將協調以DOTMLPF-P考慮為基礎的聯合能力的交付，并同步發展作戰概念和理論。最后，作為全球首選的軍事伙伴，國防部將通過利用其現有的關系來建設團隊，建立新的伙伴關系，并擴大信息共享，以應對新的挑戰。

通過實施這一戰略，美國防部將成功地應對在美國本土、東道國和應急地點出現的無人機系統威脅所帶來的挑戰。在這些不同操作環境中的指揮官將擁有他們需要的解決方案，以保護國防部人員、設施、資產和任務免受當前和未來的無人機系統威脅。

• 本研究由美國陸軍研究實驗室贊助，根據合作協議號W911NF-21-2-0227完成。

?在日益復雜的軍事行動環境中，下一代兵棋推演平臺可以減少風險，降低作戰成本，并改善整體結果。基于具有多模態交互和可視化能力軟件平臺的新型人工智能（AI）兵棋推演方法，對于提供滿足當前和新興戰爭現實所需的決策靈活性和適應性至關重要。我們強調了未來作戰人-機器交互的三個發展領域：由人工智能引導的決策指導，高計算力下的決策過程，以及決策空間的真實呈現。這些領域的進展將使有效的人機協作決策得以發展，以滿足當今戰斗空間日益增長的規模和復雜性。

關鍵詞：決策、交互、兵棋推演、人工智能、增強/混合現實、可視化

1 引言

在傳統的兵棋推演中，指揮官利用一個共同的基于地圖的作戰地形，并在軍事決策過程（MDMP，方框1）中模擬各種因素的組合如何產生行動方案（COA）、可能的反擊行動、資源使用估計和預測結果（美國陸軍，1997年，2014年，2015年）。在幾天或幾周的時間里，MDMP過程導致了一套精煉的COAs，它對作戰環境做出了一定的假設，包括地形、天氣以及戰區資產的可用性和能力（即塑造支持主要作戰行動的活動）。

方框1. 軍事決策過程（MDMP）
MDMP是美國陸軍解決問題的理論方法，從接到任務開始，到生成作戰命令結束。MDMP被用作一種工具，幫助指揮人員審查眾多的友軍和敵軍的作戰行動。MDMP的7個步驟在規劃新任務、擴展行動和執行訓練演習所需的決策過程中灌輸徹底、清晰、合理的判斷、邏輯和專業知識（美陸軍，1997年，2015年）。
指揮官在接到任務后啟動了MDMP。在MDMP的第1步中，所有的工作人員和關鍵的任務參與者都被告知任務和待定的規劃要求，包括進行MDMP的可用時間量。確定進行任務分析所需的工具，并收集與任務和作戰區有關的文件。步驟2，執行任務分析，建立對任務的全面理解，包括關鍵的事實和假設，形成擬議的任務說明和任務分析簡報，為制定COA做準備。
MDMP的第3至第6步著重于制定COA以進行分析和比較。這些步驟包括：第3步，制定COA；第4步，COA分析（兵棋推演）；第5步，COA比較；第6步，COA批準。COA是對一個已確定的問題的潛在解決方案。每個COA都要使用篩選標準來檢查其有效性，如在既定的時間框架、空間和資源限制內完成任務。COA的選擇過程通常涉及到兵棋推演，它試圖在考慮到友軍力量和敵人能力的情況下，將行動的順序流程可視化，同時考慮到行動區域內平民的影響和要求（美陸軍，2014）。戰術模擬（兵棋推演）方法的好處是突出了作戰行動的優勢和劣勢。這往往是一個反復的過程，對作戰行動方案進行評估，然后根據需要進行修改，直到出現一個或多個具有最高成功概率的作戰行動方案來完成任務目標。
在一個具體的行動方案得到指揮部的批準后，MDMP的最后一步是制作行動指令，這是一份給下屬和鄰近單位的指令，旨在協調所有參與任務的組織的活動。這一步驟涉及到所有受命令傳播影響的組織之間的積極合作，并建立起對局勢的共同理解。

盡管MDMP幫助指揮官了解作戰環境和考慮作戰方法，但這個過程有很多局限性，如時間密集、假設僵化、跨場景訓練的機會有限，以及將人工智能（AI）指導納入決策過程的機會很少。傳統上，一項任務的成功與指揮部執行MDMP的能力直接相關。然而，鑒于當今多域作戰（MDO）的復雜性增加（Feickert，2021年），有大量的任務指揮系統和流程，與行動相關的所有活動的整合和同步變得越來越困難，甚至到了人為無法完成的地步。由于MDMP的缺陷而導致的規劃專業知識的缺乏，可能會導致不同步和不協調的行動，從而最終導致士兵的生命損失。

MDMP中沒有具體描述戰斗空間的可視化能力，但它顯然在決策過程中發揮著重要作用。最近，集成了先進可視化能力的新系統和新技術已經被開發出來，它們可以提高態勢感知，從而增強決策過程。美陸軍的例子包括Nett Warrior（Gilmore，2015），它使下馬戰士能夠直觀地看到附近的友軍和敵軍，同時根據當地的地形協同規劃戰術任務。盡管這項技術將無線電和數字地圖擴展到了下馬戰士，但它缺乏一個底層的人工智能引擎來提供決策幫助。戰斗空間可視化和交互平臺（BVI，前身為增強現實沙盤，ARES）是陸軍技術的另一個例子，它能夠為任務規劃提供分布式協作，具有從任意視角和廣泛選擇設備的共同作戰畫面的二維和三維可視化能力（Su等人，2021）。BVI架構的制定是為了拉入外部計算服務，如分析管道、模型和人工智能引擎。美陸軍研究實驗室正在努力將這些類型的服務納入BVI，包括用于加強決策支持的人工智能。

目前，MDMP并沒有將人工智能指導納入整體任務規劃方法中。美陸軍的自動規劃框架（APF）（Bailey，2017）開始通過將自主技術插入MDMP工作流程來解決人工智能輔助決策問題。指揮人員可以通過APF的數字規劃呈現、規劃創建和規劃監控工具，在任務規劃和COA開發期間獲得背景援助。任務執行和估計能力通過監測任務的規劃和實際進展，為改進決策跟蹤和支持活動提供自動協助。盡管APF為MDMP引入了基本的自動化水平，但它缺乏Nett Warrior和BVI所提供的先進的可視化和用戶互動能力。

提供地面部隊自動化和用戶可視化能力的是美陸軍最知名的兵棋推演平臺--半自動化部隊（OneSAF），為計算機生成的地面部隊提供建模和模擬能力（PEO_STRI, 2022）。OneSAF提供了半自動和全自動的軍事實體（即士兵、坦克、直升機和綜合單位）的建模，在類似真實世界的戰斗空間中以不同的保真度來支持特定的應用和場景。OneSAF主要用于訓練，并與目前的任務指揮系統具有互操作性。它可以使用多分辨率的地形和詳細的實體相關數據庫來模擬廣泛的作戰環境。然而，OneSAF對地形和實體系統的高保真建模的優勢使得它的設置和運行成本很高。它受到老化系統的限制，而且眾所周知，士兵需要大量的培訓來學習如何操作模擬，使用起來很困難（Ballanco，2019）。OneSAF的復雜功能并不適合開發人工智能能力，以實現快速和敏捷的戰士-機器決策。

除了MDMP和上面提到的陸軍平臺外，最近將人工智能納入決策過程的工作包括一些方法（Goecks等人，2021a），在模擬人類決策過程方面取得了一些成功。一般來說，人工智能在決策變量有限的問題上取得了一些成功，如資源分配（Surdu等人，1999）、飛行模擬器（Drubin，2020）和更簡單的場景。正在進行的挑戰包括需要提高人工智能的能力，以解決有多個行為者、不完整和可能沖突的信息、不斷變化的單位行動和環境屬性的復雜決策，以及需要將這些決策的后果在許多空間和時間尺度和領域內可視化。

以下各節描述了對MDMP的潛在改進。"未來軍事決策過程所需的進步"一節概述了支持MDO決策的三個研究領域，并以圖表形式描述了這些研究領域與軍事理論決策方法之間的關系。"未來軍事決策過程所需的進步 "一節中的小節對每個研究領域進行了更深入的討論。"展望推進人-人工智能團隊決策的交互技術 "一節概述了未來的作戰人員-機器接口（WMI）的發展方向，重點是與決策有關的人-人工智能團隊的跨學科研究。

2 未來軍事決策過程所需的進步

軍事決策過程在支持MDO復雜決策方面的局限性，突出了在三個研究領域的改進需要。首先，有必要將人工智能產生的指導和輔助決策支持納入MDMP。這既包括進一步開發和整合人工智能到戰斗空間決策規劃，也包括進一步改善人工智能決策過程的可解釋性和透明度（Chen等人，2018）。第二，有必要在戰略層面以及戰術邊緣，盡可能地將決策分析與高性能計算（HPC）的力量結合起來。這將能夠利用HPC系統的力量來支持建模、分析和計算時間，同時整合和同步來自所有戰區領域的信息。最后，有必要利用先進的可視化技術，如混合現實技術，對決策空間進行更準確和互動表述。不是簡單地在一個固定的時間尺度上顯示地形的二維渲染，而是需要可視化不同領域的決策是如何相互作用的，并利用混合現實技術來提高理解的吞吐量，并產生平面顯示不可能的洞察力。

除了MDMP之外，其他更廣泛適用的支持戰斗性問題解決的軍事理論包括：DOTMLPF[例如，學說、組織、訓練、物資、領導、人員和設施；（美陸軍，2018年）]，這是一個確定差距并為當前和未來作戰要求提出設計解決方案的框架；以及METT-TC[例如，任務、敵人、地形和天氣、部隊、可用時間和民事考慮；（美陸軍，2019年）]，這是一個結構化框架，用于捕捉任務相關因素的狀態，以便在軍事行動期間進行共享評估。這些理論定義了MDO戰場的信息背景，構成了應用于上述三個研究領域的軍事決策的核心基礎。如圖1所示，在為人類和人工智能指揮開發復雜軍事決策空間的新表述時，研究進展和MDO相關理論相互借鑒、相互啟發、相互加強（美陸軍，2010）。

圖1. 新型作戰人員-機器交互（WMIs）和人工智能輔助決策所需的三個研究發展領域，以支持和加強基本的MDO理論[右下圖來源：Lebsack（2021）]。

2.1 人工智能導向的決策指導

需要新的人工智能支持的WMI，以利用人工智能決策方面正在取得的進展，并為復雜的適應性決策的人工智能學習作出貢獻。在簡化的戰斗空間中測試人工智能決策輔助工具是開發過程中重要的第一步，也是將人工智能納入更成熟的戰斗空間平臺（即BVI、OneSAF）的前奏。開發用于決策輔助實驗的人工智能測試平臺可以在MDO中產生能力越來越強的潛在COA建議。圖2顯示了陸軍開發的兩個人工智能測試平臺的例子。

圖2. 兩個ARL人工智能測試平臺的例子。左邊：ARL Battlespace（Hare等人，2021）（ //github.com/USArmyResearchLab/ARL_Battlespace ）。右邊：ARL的Simple Yeho測試平臺。圖片由C. Hung制作。

人工智能測試平臺能夠開發出匯集所有領域信息的AI，并計算出人類和AI智能體的風險和預期回報。圖2的左側顯示了ARL戰斗空間測試平臺（Hare等人，2021年），它是從頭開始開發復雜決策的新型人工智能的理想場所。它對戰斗空間的抽象強調了軍隊相關場景下的核心推理原則，在這種情況下，用蜜罐進行網絡欺騙。較小的網格空間使人工智能的學習和發展能夠集中在不確定性下的復雜推理，有多個友好和敵對的agent。圖2的右側顯示了ARL的Simple Yeho測試平臺，它提供了將人工智能開發與更多真實世界場景中的默契推理結合起來的能力，有多個基于地形的海拔高度、視線范圍、障礙物、樹葉（隱蔽）、道路和城市區域。紅色陰影和黑色線條表示任務的起點和終點、左右邊界以及人工智能建議的路線。這種額外的真實性使其能夠與MDO理論相結合，包括DOTMLPF和METT-TC，并使人工智能與自然的、機會主義的士兵行為共同發展。這兩個人工智能測試平臺都可以擴展為傳統和沉浸式混合現實WMI開發平臺。

使用漸進式和可擴展的人工智能測試平臺，可以調查現有人工智能的幾個基本限制，特別是對于具有不確定性的復雜和適應性決策，以及人類和AI智能體的協作和對抗。對多智能體的協作和對抗性決策進行建模可能特別復雜，因為其遞歸性質，其他智能體是模型的一部分（Goldman，1973；Grüning和Krueger，2021），需要對決策特征、個性化的價值、風險規避、記憶和注意力進行動態和不斷發展的估計。這些具有高度不確定性、復雜性和動態性的情況是人類擅長的領域，適當設計的交互界面和人工智能測試平臺的人機協作可以提供加速和更有效的決策。對于有效的團隊合作，新穎的WMI應該幫助作戰人員篩選復雜的信息，并幫助人工智能發現決策的隱含規則。下面，我們提供了關于人機協作如何有效的案例。

多域兵棋推演中需要的復雜決策是開發有效人工智能決策輔助工具的直接挑戰。最近人工智能在圍棋、國際象棋、Minecraft和大富翁等游戲中的成功（Silver等人，2017；Goecks等人，2021b；Haliem等人，2021）是基于對世界現有狀態有完整了解的游戲（即 "開放 "游戲），而兵棋推演平臺通常包括關于作戰環境的不完整（如星際爭霸）、不確定或欺騙性信息（Vinyals等人，2019）。不確定性也可能來自變化的物理學或其他環境規則，正如在《憤怒的小鳥》中所探索的那樣（Gamage等人，2021）。由于世界狀態、不同行動者的狀態以及所采取的行動不確定性，知識的缺乏使得人工智能agent難以計算未來行動的風險回報情況（Cassenti和Kaplan，2021）。不確定性也限制了人工智能估計其他行為者的風險回報概況的能力，而這是計算有效的博弈論策略所需要的。人工智能被可能的最優和近似最優選擇的廣度所淹沒（Lavine，2019），即由于信息有限而選擇錯誤的選項，這種情況并不罕見，因為人類在制定有效探索隱藏信息的策略時，采用啟發式方法進行有效的選擇和預測（Gardner，2019）。為了幫助發展人工智能的隱性知識和探索能力，新型的WMI需要有效地解釋和展示決策景觀，以使作戰人員能夠快速和自然地瀏覽可能的選擇，同時使人工智能能夠在不施加認知負擔的情況下從人類的決策中機會主義地學習（Lance等人，2020）。這種機會主義學習可以包括：例如，凝視跟蹤，以捕捉吸引人類興趣和意圖的視覺區域和未標記的目標。它們還可以包括建立在自然的士兵選擇行為基礎上的行動者批評方法，以改善人工智能對人類專家在不確定、不完全信息和欺騙的情況下如何優先考慮某些選擇的學習，這取決于任務相關的背景。

開發人工智能的WMI的另一個基本挑戰是如何有效地整合和顯示MDO中所有五個領域的信息，特別是空間和網絡，因為這些領域的信息具有不同的時空尺度（Gil等人，2018）。對于網絡，決策的規模和速度可能比人類處理和理解的能力更快，需要人類的輸入來指導半自動化的決策，以及實施進攻和防御性欺騙策略的人工智能。WMI需要能夠以這樣的方式顯示決策圖景，即可以解釋一小部分最優和接近最優的決策策略（例如，圖3中的決策樹）。這應該包括對關鍵agent在不確定情況下的未來狀態和風險回報情況的估計（Hare等人，2020），以使有效的博弈論決策能夠被共同開發和相互理解。

圖3. 在頂部，是BVI網絡戰術規劃器應用程序中友軍與敵軍戰爭場景的三維視圖。三維視圖提供了一個比二維視圖更真實的決策視角，例如，顯示友軍（藍色）和敵軍（紅色）機載預警系統（AEWs）和周圍地形的海拔。這使得快速審查可能的視線和相對于周圍地形的感應。下面是人工智能的導航決策樹，為人工智能計算的幾個關鍵選擇的風險/回報概況以及它們如何映射到地形上提供透明度。這種抽象的決策空間還可以整合非空間決策，例如網絡欺騙。虛線表示與友方AEW的通信聯系和對敵方AEW的可能干擾。圖片由C. Hung制作。

這些挑戰為有效的WMIs設計提供了參考。也就是說，我們需要有能力從不同的來源（包括從其他國家的決策輔助工具）提取信息，以及一個能夠承載整合這些信息的計算能力的架構，同時還要處理基礎的人工智能計算（用于學習和部署）。我們還需要共同開發一個界面和算法設計，以適時地利用人類和人工智能agent的優勢并減少其局限性。

2.2 高計算能力下的決策過程

在復雜的決策過程中，需要大量的計算能力來處理和記錄所有組件、實體和狀態空間。從積累的動態狀態空間的數據集中建立過去、現在和預測模型，需要利用HPC資源來產生分析性的見解，并在決策背景下創建有用的表述。

實施HPC分析工作流程的一種方法是使用持久性服務框架（PSF）。PSF是一個最近可用的分布式虛擬化解決方案，它可以通過一個基于網絡的前端實現對HPC服務的非傳統訪問，而不像傳統的HPC環境，計算節點在特定的時間段內以批處理模式分配給用戶。此外，PSF提供對數據、數據庫、容器化工具集和其他托管平臺的分布式連續訪問（Su等人，2021）。

在一個PSF方法的例子中，一個模擬引擎連接到PSF，用于記錄人類和人工智能做出的所有決定。這允許分析在任務規劃和COA開發過程中發生的決策行為，以及識別決策模式和戰略，以開發競爭性和現實的兵棋推演場景。一個戰斗空間可視化平臺可以托管在PSF上，并使用消息傳遞協議來更新所有連接的設備接口。來自模擬引擎的狀態信息可用于生成戰斗空間和參與作戰單位的圖形表示。

使用PSF方法并利用HPC資源，可以實施人工智能輔助決策機制，利用大數據攝取和分析，同時可供地理分布的用戶用于協作決策工作和 "永遠在線 "的個性化培訓和紅色團隊。連接到PSF托管服務器的各種混合現實顯示模式可以支持一系列作戰場景，從戰略層面的指揮和控制到作戰邊緣的更多移動戰術使用。

2.3 決策空間的真實呈現

用圖形表示各級行動的軍事決策戰略需要新的可視化方法，這些方法可以應用于以規則變化、認知狀態、不確定性以及個人偏見和啟發式方法為特征的動態環境（Dennison等人，2020；Hung等人，2020；Raglin等人，2020）。戰斗空間的視覺表現應該在技術上盡可能準確和逼真，但又保持在人類可以理解和解釋的認知水平（Kase等人，2020；Larkin等人，2020；Hung等人，2021）。融合了混合現實技術的先進可視化方法有可能更好地表現多領域戰爭的變化特征及其不斷變化的威脅和動態環境。隨著最近混合現實可視化設備的技術進步，成本降低，硬件的可靠性和實用性顯著提高，混合二維和三維可視化方法現在已經成為可能。

由多個二維顯示器組成的混合現實方法增強了更先進的三維可視化能力，可以為指揮人員提供理解復雜的兵棋推演狀態空間所需的洞察力（Su等人，2021）。當需要一個共享的戰斗空間表示時，可以通過在不同的可視化模式上實現多個協調的視圖來實現協作的戰略規劃模式，以根據分布式指揮人員的輸入進行互動更新。

BVI（Garneau等人，2018）平臺表示地理空間地形信息和地圖圖像，允許指揮人員建立和修改戰術任務規劃和COA。作為一個數據服務器，BVI將地形和作戰數據分發給支持多種可視化模式的客戶端應用程序，包括頭戴式顯示器設備、基于網絡的界面、移動安卓平板設備和混合現實設備（例如，HoloLens 2、Oculus Quest）。

例如，圖3（頂部）顯示了位于加利福尼亞州圣貝納迪諾縣歐文堡國家訓練中心的高分辨率地形上的友軍與敵軍的兵棋推演場景（Wikipedia, 2021）。與MDMP期間經常使用的傳統2D地圖顯示相比，戰斗空間的3D視圖可以從多個觀察角度提供更豐富的用戶體驗。三維視圖，在BVI的網絡戰術計劃器（WTP）中，將地形和人工特征的空間信息以及由MIL-STD 2525C符號描繪的單位位置可視化（美國防部，2014）。可以想象，地理空間視角，如BVI提供的視角，支持決策者對動態戰斗空間環境的理解。與可導航的人工智能增強的決策空間（圖3，底部）搭配，組合的視角可以使人們更好地理解視覺空間依賴性、影響和因果關系、估計的風險和價值、不確定性以及復雜決策的欺騙性。將這種以地理空間和決策為中心的視角與人工智能相結合，可以提供必要的廣度，以協調物理行動與網絡和其他非空間領域的行動，跨越多個時間尺度，并具有快速適應變化的任務目標的靈活性。

3 人-人工智能團隊決策的交互技術展望

人工智能和人-人工智能團隊的快速發展需要WMI同步發展。隨著新型人工智能對有價值的COA產生更好的預測，并能更好地處理復雜的決策，它們也必須利用人類的專業知識，學習如何處理具有高度不確定性、欺騙、隱性知識和博弈論的決策。相反，人工智能的推理必須既抽象又能與兵棋推演環境相聯系，以實現透明和信任，同時又不造成過度的認知負擔。基于三維混合現實的WMI可以利用和增強人類固有的三維認知和預測能力（Welchman等人，2005；Kamitani和Tong，2006；Kim等人，2014；Boyce等人，2019；Krokos等人，2019），如果設計得當，其交互將感覺自然，同時擴大顯示多個領域的信息的能力，同時使AI能夠適時地從用戶的決策中學習。

我們強調了三個關鍵的發展領域，即人工智能引導的決策指導，支持這種指導的計算基礎設施，以及決策透明度的混合現實表現的發展。這些領域的進步需要跨越許多不同學科的專業知識。新的人工智能發展需要融合神經科學、心理學和數學的思想，以克服復雜決策中長期存在的問題的瓶頸。這包括跨時間尺度的學習和變化環境下的災難性遺忘，以及更具體的兵棋推演問題，如具有不確定性、欺騙和博弈論的多Agent決策。計算基礎設施也需要發展，因為計算能力和數據框架對于在戰術邊緣產生人-人工智能團隊的共同操作圖來說都是必不可少的。為了有效地開發，應該通過一個共同的框架來抽象出專有的限制和軟件的依賴性，并為使用和故障排除提供清晰的文檔，以使學術界、政府和工業界更好地專注于解決人與人工智能的合作問題。這個通用框架應該包括有效的信息傳遞，同時提供靈活性和適應性，以滿足人工智能開發和人類用戶在訓練和實際使用環境中的需求。最后，交互技術的開發本身需要跨學科的協同專業技術。一個基礎性的問題是如何壓縮信息使之被用戶有效地理解，以及如何最好地利用用戶的互動來進行機會主義學習。人類的大腦并不處理所有的感官信息，而是對世界進行預測和假設，以便在信息不完整的環境下節約計算。一個有效的WMI應該同時預測潛在的決策結果以及個人用戶的期望和假設。此外，人工智能決策輔助工具必須估計用戶的默契，使其能夠提供最相關的信息和最有希望的選擇，這些信息來自整個作戰領域。

結論

信息作戰和指揮與控制（C2）是美國陸軍可以向盟友和伙伴提供的兩種能力。在未來的作戰環境中，不僅要為動能作戰做準備，而且要為混合作戰和以信息為重點的戰爭做準備。這需要在復雜和默契推理的人工智能能力方面取得進展，在能夠提供持續訓練、分布式混合決策和大數據分析系統方面取得進展，以及在人與人工智能協作決策和機會主義學習方面取得進展，以實現人工智能的持續進步和人與人工智能的共同適應。這些進展中的每一項都需要跨學科的計劃性努力，以克服復雜的技術挑戰，創造新的決策原則、理論和理論方法，包括持續開發綜合測試平臺和技術，以實現政府、學術界和工業界的合作和協同發展。

海軍艦艇是由多個組織組成的復雜機構，這些組織必須在不影響效率和戰備狀態的情況下順利交互和外部交流。隨著后勤挑戰的增加和技術推動響應時間的增加，因此引入最先進的計算方法至關重要，用于分析互聯系統和針對不同事件進行分析。

美國海軍研究生院專家引入了一個名為LAILOW的框架：學習、優化和兵棋推演。LAILOW利用復雜機構中多個來源產生的數據，基于數據挖掘、機器學習和預測算法，分析和發現模式、規則和異常。接著LAILOW的輸出結果可以用來優化業務流程和行動方案。展示了使用LAILOW框架的三個用例。使用LAILOW框架，搜索主要艦艇設備維護和供應系統的脆弱性，以進行困難測試，并相應地提出彈性和新穎的解決方案。詞法鏈接分析（LLA）作為LAILOW的一部分，以提高與C4I系統相關的海軍艦艇關鍵部件失效概率的預測精度，用于NAVWARSYSCOM的預測風險備用矩陣（PRiSM）產品中。還展示了LLA對財務受限工作隊列（FRWQ）中的優先項目與基線計算的比較。

附slides：

作者：

梅森-克拉克（Mason Clark）是美國戰爭研究所的俄羅斯方向負責人和俄羅斯與烏克蘭項目的研究分析師。他的工作重點是俄羅斯在敘利亞的軍事適應和學習。他的工作被《任務與目的》、《防務一號》、《基輔郵報》、《紐約時報》等媒體引用。他曾就俄羅斯的軍事發展和克里姆林宮的全球運動向多位高級軍事和文職決策者作過簡報。梅森在美國大學國際服務學院獲得了國際研究的榮譽學士學位，重點是美國外交政策和俄語。

美國戰爭研究所（ISW）

ISW是一個無黨派、非盈利的公共政策研究組織。它通過可靠的研究、可信賴的分析和創新的教育，促進對軍事事務的知情理解。它致力于提高國家執行軍事行動和應對新興威脅的能力，以實現美國在全球的戰略目標。

目錄

• 8 執行摘要
• 10 引言
  • 11 俄羅斯軍方將敘利亞視為未來戰爭的案例研究
  • 12 俄羅斯正在對敘利亞的經驗教訓進行研究
• 14 俄羅斯從敘利亞吸取的主要教訓：改善指揮和控制
  • 14 俄羅斯軍官在戰斗中的主要優先事項：獲得管理上的優勢
  • 16 俄羅斯認為敘利亞是指揮與控制的成功范例
  • 18 俄羅斯軍隊尋求將所有部隊統一在同一指揮系統之下
• 19 俄羅斯面臨著培養軍官的創造力和主動性的時代要求
• 21 俄羅斯正在優化聯合作戰，不再強調其對代理部隊的成功使用
• 23 俄羅斯的管理優勢取決于對敵方指揮和控制的破壞
• 24 俄羅斯在敘利亞超出指揮和控制范圍外的經驗教訓
  • 24 克里姆林宮認為它通過影響美國/北約的行動在敘利亞取得了空中優勢地位
  • 26 俄羅斯正在加倍努力發展精確武器
  • 27 俄羅斯再次未能制定反叛亂的理論或學說
  • 28 俄羅斯正在完善其新發現的遠征軍部署經驗
  • 29 俄羅斯在敘利亞使用新裝備的經驗很重要，但被俄羅斯和西方夸大了
  • 31 俄羅斯軍方認為無人機將在未來沖突中發揮關鍵作用
  • 31 俄羅斯預計城市作戰的重要性會增加，但尚未形成統一的方法
• 33 俄羅斯在敘利亞學習的有限效用
  • 33 俄羅斯軍隊在敘利亞將經驗的廣度置于知識的深度之上
  • 35 俄羅斯軍隊遺漏了一些經驗教訓
• 37 含義
• 40 附錄A--俄羅斯在敘利亞的指揮官
• 43 尾注

總結

俄羅斯軍方將其在敘利亞的部署視為未來戰爭的原型--支持基于聯盟的混合戰爭遠征部署。俄羅斯總參謀部認為，敘利亞問題突出表明，俄羅斯需要發展一種新的軍事能力--部署靈活的遠征軍，在國外開展 "有限行動"。俄羅斯武裝部隊正在運用從敘利亞的經驗中獲得的教訓，將其發展成為一支靈活而有效的遠征軍。

美國必須避免將自己的現代化優先事項或中國等其他競爭對手的優先事項投射到俄羅斯身上。俄羅斯軍方正在做出獨立的選擇，集中精力從敘利亞獲得某些學習機會。這些選擇被優化，以支持俄羅斯的作戰概念，該概念與敘利亞之前俄羅斯的現代化努力和美國自己的現代化努力都不同。

俄羅斯軍方正在利用在敘利亞管理臨時聯盟和代理部隊的經驗教訓，為協調未來戰爭中的正式聯盟做準備。正如俄羅斯總參謀長瓦列里-格拉西莫夫所描述的那樣，克里姆林宮試圖創造條件，確保其基于敘利亞的下一次 "有限行動 "能夠利用非俄羅斯的力量。克里姆林宮在這方面的準備工作包括在演習中練習聯合作戰，擴大俄羅斯的國際軍事聯系--放大克里姆林宮的力量投射能力。

俄羅斯軍隊從敘利亞得到的主要教訓是需要在未來的沖突中獲得 "管理優勢"。俄羅斯人將管理優勢定義為比對手更快地做出更好的決定，并迫使對手在俄羅斯的決策框架內運作。他們斷言，在日益快速和復雜的沖突中，獲得管理優勢將是指揮官的關鍵重點。俄羅斯軍方評估認為，指揮和控制（C2）效率是現代和未來作戰成功的關鍵預測因素。俄羅斯在指揮和控制方面的許多經驗對俄羅斯來說是新的，而不是現代戰爭中的新穎創新，但俄羅斯軍方正在有效地利用從敘利亞學到的東西來縮小與西方軍隊在C2能力方面的差距。

克里姆林宮優化了對敘利亞的部署，以向整個俄羅斯軍隊灌輸戰斗經驗。格拉西莫夫認為敘利亞內戰是俄羅斯軍隊學習未來作戰的主要來源，并優化了俄羅斯的部署，以確保盡可能多的軍官獲得經驗。俄羅斯高級軍官班的大部分人現在擁有必要的經驗。

自2015年以來，俄羅斯的軍事演習將對敘利亞的教訓進行制度化。從2015年到2020年，俄羅斯關于從敘利亞學習的論述發展迅速，本報告中討論的許多適應性措施可能已經被納入理論，包括在俄羅斯機密的2021-2025年國防規劃中。

俄羅斯軍隊仍然需要大量投資和時間來實施從敘利亞學到的經驗教訓。然而，如果美國在未來幾年不采取行動應對這些發展，俄羅斯從敘利亞汲取的新的能力工具包將縮小與美國和北約的一些能力和技術差距。

• 美國不應低估克里姆林宮以其在敘利亞的干預行動為模式進行遠征部署的意圖。克里姆林宮認為敘利亞是一個非常成功的、可復制的行動，并將遠征部署視為克里姆林宮政策工具箱中的一個新成員。克里姆林宮已經將敘利亞的經驗教訓應用于其在利比亞和納戈爾諾-卡拉巴赫。

• 美國必須保持一個全球性的、靈活的力量態勢來對抗俄羅斯軍隊。美國不需要在克里姆林宮可能進行遠征行動的地方部署自己的軍隊，但它必須找到并發展盟國和伙伴的軍事力量來對抗俄羅斯的威脅。俄羅斯的軍事威脅并不局限于歐洲，也不能僅靠常規部署來對抗。

• 在管理優勢方面美國必須優先考慮與俄羅斯進行較量。美國及其盟國不需要復制“管理優勢”這一概念，但必須注重俄羅斯軍官對關鍵作戰任務的理解--提高他們自己的決策速度，減少他們對手的指揮和控制能力。 俄羅斯軍隊新的有戰斗經驗的軍官骨干可能會改變俄羅斯的軍事思維和效力。每個俄羅斯軍區指揮官和幾乎所有團級和旅級以上的軍官現在都擁有來自敘利亞的經驗。俄羅斯軍方將整個俄羅斯參謀部移植到敘利亞的做法確保了俄羅斯部隊在執行咨詢任務時形成單位凝聚力。

• 克里姆林宮可能會在未來的作戰行動中更有效地利用聯盟伙伴。美國應采取措施加強與北約的合作，并向其他國家推廣，以減輕克里姆林宮發展其軍事關系網絡的能力。美國及其盟友還應該開發出破壞敵方聯盟的方法，雖然這是美國在最近的戰爭中不需要進行的任務。

俄羅斯軍隊正在利用從敘利亞學到的知識來彌補與美國和北約的若干能力差距。美國及其盟國應該為俄羅斯軍隊進一步實現若干能力的現代化做好準備，這些能力雖然對美國和北約來說并不新鮮，但會增強俄羅斯軍隊的能力。

• 俄羅斯軍隊對網絡化指揮系統的優先考慮，如果實現，將削弱美國和北約的關鍵技術優勢之一。克里姆林宮正在進行的指揮和控制系統現代化努力將是一個昂貴的過程，但俄羅斯軍隊已經在迅速取得進展，在2020年測試的系統在2018年還處于理論階段。

• 俄羅斯軍方正在用一場徹底改革俄羅斯指揮文化的運動來支持其指揮系統技術現代化。俄羅斯總參謀部正在著手進行一項艱難的代際努力，將主動性和創造性引入俄羅斯軍官隊伍。未來的俄羅斯軍官可能會比他們的前輩表現出更大的創造性和靈活性，美國及其盟國必須避免對根植于蘇聯時代的俄羅斯指揮文化做出越來越過時的評估。

• 俄羅斯軍隊正在發展支持提高精確打擊能力的理論，但實現這些目標需要進一步的昂貴技術投資。美國及其盟國還應保持制裁壓力，使克里姆林宮失去實施昂貴的收購計劃所需的資源。

• 俄羅斯軍隊可能正在發展挑戰使用無人駕駛飛行器的能力。美國及其盟國應該準備好在一個越來越危險的空域使用作戰無人機。現代化的努力必須考慮到俄羅斯無人機和反無人機能力的日益復雜化。

美國及其盟國必須準備好面對能力日益增強的俄羅斯軍隊，該軍隊有意進一步發展遠征能力并在聯盟環境中使用這些能力。俄羅斯仍在參與敘利亞的沖突并仍在從沖突中學習。?俄羅斯軍隊從敘利亞學到的東西正在推動俄羅斯的現代化改造；美國必須了解這種學習和改造，以有效對抗克里姆林宮。

1 報告概述

2022年5月9日蘭德公司發布《利用機器學習進行作戰評估》報告。作者描述了一種利用機器學習來支持軍事作戰評估的方法。他們展示了如何利用機器學習從情報報告、作戰報告以及傳統和社會媒體中的非結構化文本中快速、系統地提取與評估相關的見解。這些數據已經由作戰級別的總部收集，通常是關于當地居民、敵人和伙伴部隊的最佳可用信息來源，但很少被納入評估，因為它們的結構不容易被分析。本報告中描述的機器學習方法有助于克服這一挑戰。

本報告中描述的方法，作者利用最近結束的針對上帝抵抗軍的戰役進行了說明，使評估小組能夠向指揮官提供關于戰役的近乎實時的見解，這些見解是客觀的，與統計學相關。這種機器學習方法可能特別有利于資源有限或沒有具體評估數據的戰役，這在資源有限或被拒絕地區的戰役中很常見。這種機器學習的應用對大多數評估小組來說應該是可行的，并且可以通過公開和免費的機器學習工具來實現，這些工具已被授權在美國國防部系統上使用。

2 研究問題

如何利用機器學習工具將現有的情報報告、作戰報告和環境數據（如社交媒體、傳統媒體）納入戰爭行動層面的評估？

3 研究背景

準確和及時的評估--提供關于哪些是有效的，哪些是無效的，以及如何改進作戰的反饋--是所有美國軍事作戰的一個關鍵要求。對軍事作戰的評估是圍繞戰役的作戰目標進行的，評估過程的重點是確定在實現這些目標方面是否正在取得進展。評估小組--最好是與指揮小組一起--確定與每個目標相關的預期效果，然后制定有效性措施（MOE），以跟蹤實現這些目標的進展。

獲得和處理正確的數據類型對于產生相關和可辯護的評估至關重要，這也是本報告的主題。有效的評估要求數據是客觀的、縱向的、與軍事作戰希望達到的效果類型相關的、有適當的評估結構，并且有足夠的時間頻率來支持決策。

在以前的研究中，我們為特種作戰部隊（SOF）的作戰評估開發了一種標準化的方法，我們發現作戰總部已經收集的各種數據與評估有關，但很少被使用。三種類型的數據--情報報告（如來自人類情報或信號情報來源）、作戰報告（如情況報告[SITREPs]）和環境數據（如社交媒體）中已有的對正在發生的事件的文字描述，往往是有關當地居民、敵人和伙伴部隊的最佳可用信息來源。然而，這些數據的結構很少能被輕易地納入評估過程。

本報告描述了一種方法，即如何利用機器學習（ML）工具將這些現有數據納入作戰評估。我們展示了一個基于ML的文本分類器如何快速整理和準備這些數據，以便使用評估小組常用的標準統計工具進行后續分析。然后，我們使用最近結束的針對上帝抵抗軍的作戰數據來說明這一方法。這種基于ML的方法對大多數評估小組來說應該是可行的，并且可以用公開和免費提供的ML工具來實施，這些工具已被預先授權用于美國國防部（DoD）的機密系統。

本報告所描述的方法使評估小組能夠準確、及時地了解一場戰役，為指揮官提供近乎實時的、客觀的、與統計學相關的結果。可以使用我們的方法分析的每一種類型的數據--情報、作戰和環境--為理解一個戰役的效果提供了一個不同的視角。在有評估特定數據（如投票）的軍事作戰中，這些新的數據來源使評估小組能夠對調查結果進行三角測量，提高評估的可靠性。然而，ML工具在評估專用數據有限或沒有的情況下特別有用--這在資源有限或在被拒絕地區的作戰中很常見。

4 評估方法：有監督機器學習

我們的分析集中在一個具體ML評估應用上：使用 "有監督機器學習"（SML），從現有的情報、作戰和環境報告中的非結構化文本中構建一個可供評估的數據庫。SML的這種應用的直覺是相對簡單的。首先，人類分析員通過手工審查和分析可用的非結構化文本的一個子集。這第一步的輸出通常被稱為 "訓練數據"。然后，ML算法分析這個訓練數據，并試圖模仿人類分析師對所有剩余文本使用的相同分析過程。

這種方法允許評估小組系統地編輯非結構化文本中的信息--每份報告中提供的定性描述成為客觀和定量評估中的單一數據點--然后檢查這些信息如何隨時間演變。這種方法是將ML納入評估過程的最簡單方法，但它仍然是一種有效的方法，可以從這些現有數據中信息豐富的非結構化文本中獲得與評估相關的見解。

在本報告中，我們詳細說明了一個五步工作流程，并在圖S.1中進行了總結，評估小組可以按照這個流程將SML納入評估過程。

圖S.1 用于評估工作流的監督機器學習

• 第1步是整理大量的潛在相關報告--通常是數以千計的年度報告（或更多）--可用于大多數業務。這個整理過程包括刪除不必要的重復內容，并將數據重新組織成適合ML算法分析的格式。在我們的方法中，現有報告中的非結構化文本被分為單句，然后分析其與競選活動的相關性。

• 第2步是制定適合每個相關MOE的編碼標準。這些編碼標準是歸納出來的，評估小組首先審查現有的數據，以確定哪些MOE是可以用現有的數據衡量的。然后，評估小組制定具體的編碼標準--也就是一套規則，說明什么時候一份報告應該被認為與該MOE相關（或不相關）。至關重要的是，這些編碼標準要足夠清晰和詳細，以便于復制，使不同的分析員在應用這些標準時產生幾乎相同的結果。本報告為每一類數據（情報、作戰和環境）提供了常用的MOE的編碼標準樣本，盡管具體的編碼標準必須是針對作戰的。

• 第3步是準備訓練數據，這是SML方法中ML算法的主要輸入。這些訓練數據是整體非結構化數據的一個子集，由評估小組使用步驟2中制定的編碼標準進行審查、分析和編碼。確保編碼標準的穩健性和可復制性是開發這些訓練數據的一個關鍵組成部分，因為ML算法試圖復制人類分析員的編碼。

• 第4步是實現和校準一個或幾個選定的ML算法。校準過程包括審查由ML算法編碼的報告，以驗證其準確性--也就是說，即確保被識別為相關的報告確實是相關的。如果算法表現不佳，評估小組需要調整算法參數或擴大訓練數據的數量。在一個實際的活動中，這個校準過程應定期重復，以確保算法在更多的數據可用時仍然表現良好。

• 第5步，評估小組處理來自ML算法的輸出，以整合到評估過程中。ML算法的輸出是一個結構化的數據庫（例如，Excel），確定所有滿足步驟2中制定的編碼標準的報告。這種通用的結構化格式允許用評估小組常用的工具進行分析，并便于插入現有的態勢感知工具中。在某些情況下，可以直接分析這些數據，以產生報告在一段時間內的趨勢線，例如，以正面方式討論一個實體（如敵人或伙伴部隊）的社交媒體報告的百分比與以負面方式討論它的數量相比。在其他情況下，這些數據需要與報告中的其他信息相結合--例如，提取特定地點的信息可以使評估小組生成不斷變化的敵人作戰自由地圖。

主要發現

機器學習可以成為支持作戰評估的有力工具

• 作戰總部已經收集的數據--情報報告、作戰報告和環境數據（社會和傳統媒體）--往往是關于敵人和伙伴部隊以及當地居民的最佳可用信息類型。然而，它們很少被納入評估，因為它們往往（1）不被認為是足夠客觀的，（2）沒有以易于分析的結構化格式提供，以及（3）數量極大，需要花費一些精力來獲取和組織。
• 機器學習（ML）工具，可以快速攝取和解釋大量的非結構化文本，允許對這些數據進行快速、系統和客觀的分析，產生關于作戰的客觀和統計相關的見解。
• 監督機器學習（SML）是使用ML將這些數據納入評估過程的最簡單方法。在SML方法中，評估小組首先通過手工分析非結構化文本的子集，然后應用ML算法來模仿評估小組對剩余數據的分析方法。
• ML衍生的數據可以為指揮官提供關于戰役的近乎實時的洞察力，每種類型的數據（情報、作戰和環境）為理解戰役的效果提供不同的視角。
• ML工具在評估數據有限或沒有評估數據的戰役中特別有利--這在資源有限的戰役或在被拒絕的地區很常見。
• 這種基于ML的方法對大多數評估小組來說應該是可行的，并且可以用免費提供的ML工具來實施，這些工具已被預先授權用于美國國防部的機密系統。

主要建議

我們的研究確定了五個建議，這些建議將提高基于ML的評估方法的價值。

• 建議1：在受控演習中驗證SML方法。本報告所描述的方法是特意設計的，以使評估小組盡可能容易復制，而且該方法的設計依靠的是既免費又已被批準在許多軍事網絡上使用的工具。然而，盡管我們已經用實際作戰測試了我們的方法，但我們并沒有試圖在實時或與軍事分析員團隊一起做這件事。因此，我們建議利用實戰演習，但在受控條件下驗證各項要求--如任務前培訓、人員配置、分析工具的可用性和必要的數據訪問。

• 建議2：探索如何利用無監督的ML為作戰評估提供信息。無監督的ML可以提供一種工具，用于發現戰役活動和這些活動的行動目標之間的未預期模式。經過評估小組的審查，這些信息可以為指揮官提供一個寶貴的工具，用來探索未預料到的模式。考慮到我們的任務是探索如何利用ML將現有數據用于評估，我們沒有詳細研究將無監督ML納入評估的實用性或價值。

• 建議3：對作戰報告實施適度的標準化。SITREP和其他作戰報告往往是關于伙伴部隊活動和能力的唯一最佳歷史數據來源，而且這種報告還可以提供關于美國部隊活動的詳細歷史記錄。這些特點使作戰報告成為評估小組潛在的有力工具--特別是如果有ML（或類似的）工具可以快速提取與評估有關的信息--但這種報告在質量和細節上并不一致。我們建議對這種作戰報告進行適度的標準化。要求（簡單地）戰術部門持續討論其伙伴部隊的活動和能力。

• 建議4：改善歷史情報和作戰報告的歸檔、發現和提取。獲取和提取本報告所述方法所需的相關情報和作戰報告在現有系統中并不容易。對于情報報告，我們建議在現有系統中增加快速提取縱向數據（如三個月或更長時間的數據）的能力，以滿足一組特定的搜索參數（如地理、布爾邏輯），其中包括報告全文和一些關于數據的基本描述性信息（日期、來源等）。對于業務報告，我們建議業務層面的總部確保所有下屬總部的SITREPs被系統地歸檔。

• 建議5：擴大專業軍事教育中要求的具體評估討論。盡管承認評估對軍事行動的重要性，但在向聯合部隊提供的與評估有關的教育和培訓方面存在重大差距。因此，評估小組往往難以提供指導有效決策所需的信息，而作戰級總部的其他工作人員往往缺乏經驗。