C4ISR是指為國防和戰略決策者執行指揮和控制指令提供可操作情報的技術。最近在系統、技術和工藝方面的進步使得態勢感知（SA）得到加強，并能深入了解對手的能力。這種增強的態勢感知將有助于最大限度地減少從最初感知威脅到隨后決決策減輕威脅的時間，從而提高C4ISR能力。本文對可用于改善決策和SA的當前和即將到來的技術進行了回顧。

引言

軍隊的 "神經系統"，即用于最佳利用實時態勢感知（SA）的子系統的集合，被稱為C4ISR--指揮、控制、通信、計算機、情報、監視和偵察。 C4ISR是任何防御行動的骨干，確保戰場的透明度。它從各種來源收集和組織數據，對其進行分析，然后將其傳播給所有相關機構，以便采取協調和迅速的行動。

C4ISR的價值正在從靜態的決策過程中急劇轉變，以前指揮官是根據預先確定的標準進行決策，而現在則是動態的決策過程，其靈活性是建立在系統中的，使各指揮部的指揮官能夠更有效地進行近實時的互動，并在必要時進行中期修正。

由于電子、IT、通信、計算能力等方面的進步，數據的質量有了巨大的增長，而且這種趨勢將繼續下去。由于這些進步，產生了大量的數據，這可能會給分析帶來壓力，使其能夠將許多來源的數據關聯起來，評估它們，并幾乎實時地交流有用的發現。

C4ISR中使用的信息將來自各種來源和數據類型，包括衛星和航空圖像、圖片、文本、音頻和視頻、傳感器數據等。在實施C4ISR過程中需要考慮的方面有：

• 所有參與組織之間必須有共同的標準和協議
• 共同的數據格式和數據字典以實現信息的無縫交換
• 具有地理參照數據的通用地理信息系統
• 共同的坐標投影系統
• 標準的政策和程序
• 聯合加密系統

本文討論了當前和新興技術的設計，以保持C4ISR對國家的相關性和實用性。

C4ISR的體系架構

C4ISR從各種來源接收數據，包括服務和情報組織。在這種情況下，所有這些利益相關者可能不愿意披露他們的內部架構，包括數據和應用程序，這是一個重要的考慮。因此，應建立聯合網絡中心架構，允許所有機構在必要時或應要求分享已確定的數據，同時對其他數據進行保密。

每個機構都有自己的安全網絡，就像一個 "島"。C4ISR實施中的網絡架構必須被設計成包括各種'網絡島'，并有安全的整合點。一個 "網絡島 "內的自主性和幾個 "網絡島 "之間的安全互操作性是需要實現的關鍵原則。每個 "網絡島 "都有一個信息交換網關（IEG），通過數據二極管連接。這個IEG將只包含已經確定的數據，然后通過不同的數據二極管與劇院共享數據中心（TSD）共享。然后，這個TSD將把數據傳輸到中央共享數據中心（CSD）。一個組織/機構的IEG不會同時連接一個'網絡島'和一個TSD，保護'網絡島'存儲的私人數據。

C4ISR可以在集中式或聯合式架構中實施。圖1描述了一個集中式架構，其中所有的TSD數據被集中存儲、分析，并在客戶/服務器（C/S）模型中發布。

在集中式架構中，如果與CSD的網絡通信失敗，所有實體都將失去ISR支持。這些組織/機構將繼續在獨立的垂直筒倉中運作，它們之間的整合只有在CSD層面才可以想象。

圖 1：C4ISR 的集中式架構

圖2描述了一個聯合架構，在這個架構中，各 "網絡島 "的TSD以點對點模式連接。任何組織或機構的IEG將通過點對點連接的TSD從其他組織收集數據。每當建立與數據二極管的連接時，IEG就會與其安全的'網絡島'同步數據。由于資源的分配，冗余和生存能力在聯合架構中是更好的。

此外，C4ISR架構將在 "需要知道 "的基礎上滿足執行者的信息推送模式，在 "知道所有 "的基礎上滿足決策層指揮官的信息牽引模式。

圖 2：C4ISR 的聯合架構

該架構的子系統應該有適當的維持模式，考慮到可集中管理的操作系統、計算要求、可擴展的存儲、可靠的網絡和網絡安全。

應用

應用構成了SA的核心。過去十年中的各種技術創新導致了安全保障能力的提高。無論是在服務或機構層面，還是在中央指揮和控制中心，都部署了應用程序以滿足要求，提高性能，并幫助及時和適當的決策能力。下面詳細介紹了一些改善SA的技術：

1、數據收集、整理和編目

在以網絡為中心的戰爭中，C4ISR的大量數據的開發正在加速進行，增加了數據流的速度。這是由于技術的進步、更多傳感器的部署、向數字數據的轉換以及其他因素造成的。來自衛星和航空平臺、物聯網傳感器、監視資產和其他來源的高分辨率、高頻率數據以圖像、視頻、音頻、無線電信號和其他類型的數據形式提供了大量的數據。這種大量的數據不僅帶來了高效處理方面的挑戰，而且還需要高性能的計算系統來提供近乎實時的檢索和分析基本數據，以便做出合適和及時的決策。

• 有助于改善SA的數據收集或情報收集的不同來源有：
  • 人類情報（HUMINT）
  • 開放源碼情報（OSINT）
  • 信號情報(SIGINT)
  • 圖像情報(IMINT)
  • 地理空間情報(GEOINT)

數據有各種類別和格式。一些用于改善SA的數據類型是：

• 地理空間數據，如圖像，有衛星圖像（EO、SAR、IR、超光譜等）、航空圖像（天底、斜面）、矢量數據（簡單特征、點云、三維數據模型、時間序列網格數據、數據立方體等）、數字海拔模型（DEM）、數字地形模型（DTM）、肖像圖片、景觀圖片等。
• 文本數據，如簡單文本、結構化文本數據、結構化數據庫、非結構化文本數據、圖形數據庫等。
• 音頻數據，來自音頻記錄、電話/手機通話記錄、電聲傳感器等。
• 來自攝像機、網絡攝像機、監控傳感器等的視頻數據。

數據目錄，如時空資產目錄（STAC），為不同環境下的數據源的語義分類、索引和組織，以及用元數據充實原始數據，提供了一個很有前景的解決方案。包含數據描述的數據目錄可以作為網絡服務提供。RESTful API的實施在應用中發現和使用數據，以提高SA。

2、地理空間應用

地理空間技術是C4ISR應用的骨干。它提供地理空間圖像和地圖分析能力。它還為用戶提供了了解地貌、事件發生地、部隊部署及其范圍、可及性、時間和地點的變化等的能力。

• 地理空間數據發布。地理空間數據可以通過遵循OGC標準進行發布（圖3）。地理空間應用程序可以在獨立或網絡模式下消費發布的數據。
• 地理空間圖像數據分析。尋找新的目標、發現變化、進行監視、規劃任務、評估戰斗損失評估（BDA）的戰斗結果、戰斗秩序（OOB）分析等，是分析來自衛星和空中平臺的地理空間圖像數據的主要目標。它們有助于估計對手的軍事力量，定位和跟蹤對手的部隊，觀察對手軍事單位的定位和部署，密切關注敵人的主要供應路線，他們的武器儲存設施的活動，行動方案的評估，等等。掌握定位地下發射井/掩體/彈藥庫等隱藏設施的藝術和科學，將為戰略和戰術規劃提供關鍵信息。地理空間圖像分析將在其識別中發揮關鍵作用。圖像解讀任務包括：特征檢測、定位、識別、鑒定、比較、解釋、理解和預測。

圖3:地理空間服務

• 三維地形可視化。三維景觀可視化使指揮官在遠離行動的情況下，也能更好地欣賞真實世界的場景。采用現代三維投影儀/AR-VR/全息投影，而不是沙盤模型，增強了他們做出明智決策的能力。地形分析包括許多表面分析功能，如定位最高點和最低點，評估能見度，確定視線，生成視線棚，路徑剖面的構建，高程剖面的查看，陰影浮雕的創建，最陡峭路徑的計算，為高程/坡度/方面創建彩色編碼圖像，顯示坡度輪廓和箭頭，切割和填充量分析，規劃戰術部署，以及3D飛越可視化。

• 變化檢測。對多時空的衛星和航空照片進行檢查，以檢測戰略特征的變化。在給定的參考圖像中確定的特定物體與目標圖像中發現的特征進行比較，以檢測物體的出現、消失或位置的變化。變化檢測為了解對手的行為和意圖提供了有用的洞察力。變化檢測的自動化過程目前正處于開發階段。自動化將使其更容易快速分析眾多圖像。

3、人工智能應用

機器人和人工智能（AI）是技術和認知智能的結合，用于模擬、處理信息和知識，在機器中建立模仿人類行為的能力3。無人系統預計將在未來的戰爭中占據主導地位，而人工智能將是一個關鍵因素。2022年7月11日，印度國防部長在新德里舉行的 "國防中的人工智能"（AIDef）研討會上，推出了75種新開發的人工智能產品/技術。為了使國防服務和戰略機構現代化，目前正在努力充分利用AI的潛力。從這個角度來看，下面探討了各種基于人工智能的應用。

• NLP搜索、語言支持和情感分析。自然語言處理（NLP）使用深度學習（DL）來理解詞語之間的含義和關系。情報專家在NLP中采用HUMINT、OSINT和其他類型的情報數據，以獲得相關的主題發現、序列映射和生成式總結。NLP將在C4ISR的背景下提供SA，并將改善決策。

• 帶有地理空間技術的NLP可以幫助各機構理解和欣賞事件在時間和空間上的協調和關聯性。

• 對一種語言形式、其意義和環境的技術研究和檢查被稱為語言學。人工智能在解釋計算機背景下的語言學方面起著關鍵作用，這將有助于智能的發展。語言AI模型可用于各種任務，如翻譯、音譯、語音轉文字、文字轉語音、圖像轉文字等。

• 通過印刷品、電子和社交媒體流通的信息對情報機構非常有價值。對這些數據的分析可能為情報機構提供對某些群體和/或公眾的暗流和情緒的重要洞察力。組織可以使用NLP來評估公眾情緒，監測社交媒體、新聞等，并根據悲傷、悲痛、喜悅、憤怒等情緒對在線互動進行分類。NLP可以用來發現風險，關注行為，并防止危機的發生。

• 圖像中的物體識別和分類。在地理空間圖像中，被識別的物體類型、其類別及其隨時間的相對變化，為C4ISR指揮官規劃其戰略提供了關鍵信息。人工智能是一種解決問題的久經考驗的技術。當然，圖像和/或照片的比例與物體的分類有很大關系。物體應在圖像或照片中清晰可見，以便進行分類。卷積神經網絡（CNN）是用來分析地理圖像的最常用技術之一。大多數現代人工智能檢測系統已被訓練為識別預先定義的物體。未來屬于預訓練的模型，它將通過自動分類和識別防御對象并協助決策來改善SA。

• 面部識別。面部識別是一種生物識別解決方案，是專門為識別人臉而創建的，沒有任何身體接觸。它可以幫助提高任何組織或重要設施的安全性。面部識別的主要目標是識別、分類、確認，并在必要時消除任何確定的威脅。

• 視頻流中的自動事件識別。來自無人機、物聯網設備和閉路電視攝像機的視頻流是監控和SA的關鍵來源。來自不同來源的自動視頻數據分析可以幫助及時分析大量的數據并提高輸出質量。隱馬爾科夫模型（HMMs）和CNNs需要大量的訓練數據來配置網絡以識別事件。相反，當訓練視頻數據不足時，貝葉斯網絡可用于事件識別。

• 超級分辨率。在國防應用中，主要挑戰之一是從低分辨率圖像中提取信息。超級分辨率可以解決這個問題。超級分辨率（SR）是通過對低分辨率（LR）圖像應用一種算法來獲得高分辨率（HR）圖像的過程。一般來說，SR需要多個不同分辨率的圖像來生成HR圖像。在國防應用中，很多時候很難獲得多張圖像。單一圖像超分辨率（SISR）具有基本的低水平視覺問題。SISR旨在從單一的低分辨率圖像中恢復高分辨率的圖像。

• 在衛星圖像上采用超分辨率將提高C4ISR系統對國防目標的識別、分類和變化檢測的分析能力。

• 先進應用。國防部隊和情報機構的現代化正朝著自動化方向發展，配備強大算法的機器人分析現有數據，應用人工智能技術，并做出決策。

  • 信息融合。監控應用使用了大量的傳感器，如運動探測器、接近傳感器、生物識別傳感器，以及一系列的攝像機，如彩色攝像機、夜視成像攝像機、熱成像攝像機等，從不同的角度和分辨率監控國防目標。信息融合通過幫助從觀察到的數據中提取有洞察力的知識，對SA有很大貢獻。SA結合了低層次的信息融合（跟蹤和識別），高層次的信息融合（基于威脅和場景的評估），以及用戶完善（物理、認知和信息任務）。信息融合將不同傳感器捕獲的數據之間的冗余度降到最低，例如，不同攝像機捕獲的相同或相似的景象。此外，信息融合還有助于在攝像機之間進行交接，當被其中一個攝像機跟蹤的物體從其視野中移出并進入另一個攝像機的視野中時。在霧/邊緣計算范式中，傳感器/物聯網節點的信息融合減少了傳輸到服務器的數據。

  • 自動圖像注冊/正射矯正。具有特定地理位置的信息提取始于多時空和/或多傳感器圖像的圖像注冊。然而，該程序是時間和勞動力密集型的。由于進入的數據量越來越大，需要將從衛星和其他航空圖像中近乎實時地提取有意義的信息的程序自動化。

  • 圖像登記和正交化被用于國防和安全應用，如目標檢測、識別和跟蹤、車輛導航和監視等。

• 物聯網和傳感器。隨著新技術的發展，新的傳感器被開發并用于國防。士兵健康監測傳感器、自主車輛傳感器、槍聲傳感器和其他技術正在被開發，以實現國防系統的現代化。它們以各種格式向指揮和控制中心提供一系列數據，以便快速分析和決策。

• 無人機/UAV數據處理。無人駕駛飛行器（UAVs）/無人機可以極大地幫助加強SA，因為它們能夠在被認為沉悶、不干凈或危險的情況下收集情報。由于技術的發展，下一代無人機將處理收集的數據，進行信息融合，并在機上進行高級分析。帶攝像頭的上下文感知無人機能夠對視頻中看到的場景進行高水平的描述，并準確指出潛在的危險情況。在和平時期的灰色地帶戰爭中，以新穎的方式應用無人機的勢頭很好。電子產品的微型化、新一代導航工具和快速計算機導致了智能武器的發展，具有遠距離的卓越傳感器和精確的終端引導。最初作為反輻射無人機而開發的徘徊彈藥，已被證明比武裝無人機更危險。

4、網絡戰

網絡戰是指一個民族或國家或國際組織利用計算機病毒或拒絕服務攻擊，攻擊并試圖傷害另一個國家的計算機或信息網絡的行動。網絡戰可以采取許多不同的形式，包括間諜活動、破壞活動、拒絕服務攻擊、對電網的攻擊、宣傳、經濟破壞和突襲網絡攻擊。關于最新的網絡威脅、網絡攻擊和零日事件的威脅情報必須被獲取和跟蹤，因為它們是網絡戰的基本知識。網絡戰的組成部分包括連接到對手的網絡和防止進入自己的網絡。

研究領域

技術的進步是一個動態現象。為了保持系統的更新，應該把時間、金錢和資源放在研究新興/未來的技術上。為了獲得對對手的優勢，信息技術的發展應該以跟上全球進步的速度發展。以下是一些新興技術，對國防很重要。 -ISAR。逆向合成孔徑雷達（ISAR）是一種微波數據處理技術，使用雷達成像來生成目標的二維高分辨率圖像。它類似于傳統的合成孔徑雷達，只是ISAR技術使用目標的運動而不是發射器來創造合成孔徑。ISAR雷達在海上巡邏機上有重要作用，它為它們提供雷達圖像，用于識別目標，如船舶和其他物體。在其他雷達只顯示一個無法識別的明亮移動像素的情況下，ISAR圖像往往足以區分各種導彈、軍用飛機和民用飛機。

• 預測模型。預測分析是高級分析的一種形式，使用當前和歷史數據來預測活動、行為和趨勢。它將統計分析技術、數據查詢和ML算法應用于數據集以創建預測模型。預測模型在數據中尋找模式，并預測它們，以幫助國防部門減輕風險和利用機會9。在動態的戰斗場景中，在圖像中標記和跟蹤防御單位，如火炮和裝甲縱隊，可以使情報單位獲得關于對手計劃和動機的寶貴信息。
• 5G網絡。5G網絡提供超低延遲，這意味著在移動視頻和AR/VR等數據以獲得沉浸式體驗時，響應時間更快。它的高可靠性使其成為支持關鍵任務的應用和服務的理想選擇。它的大規模連接能力使網絡連接的終端、傳感器、設備和數據能夠更快地聚集起來，為物聯網連接提供動力。
• 機器人技術。機器人技術是在國防背景下執行風險任務的重要工具，也是訓練、模擬、建模的重要工具。由于持續的技術進步，機器人正在被重新定義為物理上體現的人工智能實體。機器人可以配備雷達、電子光學/紅外線、聲納、激光雷達等技術，以收集關鍵數據。盡管配備了傳感器和無線電，但機器人應該能夠抵抗電子戰和網絡攻擊。
• 量子計算。量子技術領域是新的，有可能是顛覆性的。量子技術在國防領域的使用，在提高效率和提高精確度的同時，也開辟了新的可能性，從而形成了 "量子戰爭"。必須具備的 "技術是實施后量子密碼學。外國情報機構正在收集加密數據，預計未來將利用量子計算機的能力進行解密，這種可能性是真實的，高的，而且是存在的。很少有抗量子的算法不僅可以提供一個新的數學方法，甚至對量子計算機來說也有足夠的挑戰性，而且可以提供一個處理加密數據的新范式。

互操作性、標準化和兼容性

兩個或多個系統組件之間的互操作性的觀點包括信息交換、信息理解和系統元素之間的協作協調。系統的互操作性因素，如架構的合理性、信息交換環境的安全性、運行效率、管理維護等，是需要考慮的幾個觀點。

整合各國防/戰略機構采用的各種國防設備制造商的不同平臺是C4ISR中一個重要的互操作性問題。

互操作性可以從不同層面來看，如設備互操作性、網絡互操作性、語法互操作性、語義互操作性和平臺互操作性。這些層次與互操作性方法、開放性、連接性、應用協議和安全/隱私指標相結合，是處理C4ISR互操作性問題的必要條件。

在每個組件中遵循國防/工業標準是實現完全互操作性的關鍵。隨著技術的發展，過時的硬件和軟件有可能無法使用新的數據格式和接口。當硬件、軟件或應用程序升級時，現有的數據不應丟失，應準備好重新使用。通過遵守ISO、OGC等標準，可以實現向后兼容。

協作

建議各機構與專業機構合作，以研究和開發高質量的應用。與學術機構的長期合作將保證未來的技術研究，而與政府實驗室和企業的合作將通過提供尖端的應用來推動C4ISR的發展。

結論

在沖突中，部隊對敵人及其活動區域的了解通常決定了他們的成敗。在20世紀70年代，蘇聯軍事戰略家發明了 "偵察打擊綜合體 "這一短語來解釋一個網絡系統，該系統包含了通過將一系列傳感器連接到許多射手而在空中產生 "殺傷鏈 "的現代概念。這些傳感器和網絡所需的大部分計算能力今天已經可以獲得。此外，更多的信息可以通過云計算獲得并輸入人工智能系統，從而產生新的可獲得的和可負擔的觀察方式，以及匯集和分析所收集的數據并在需要時呈現信息的技術。人工智能系統還可以解決隱身、電子戰、網絡攻擊和其他形式的欺騙，這些都是隱藏者可以用來保持不被發現的。因此，偵察-打擊綜合體已經變得越來越復雜。現代架構師們正在融合各種技術，以開發一個能夠快速消除大量潛在目標的系統，同時將有關這些目標的信息傳遞給重要地點。

本文介紹了詳細而全面的技術文獻結論，旨在確定戰術自主性的當前和未來的研究挑戰。本文非常詳細地討論了當前最先進的強大人工智能（AI）、機器學習（ML）和機器人技術，以及它們在未來軍事和國防應用背景下開發安全和強大自主系統的潛力。此外，我們還討論了在試圖為先進的軍事和國防應用實際建立完全自主系統時出現的一些技術和操作上的關鍵挑戰。我們的論文提供了最先進的可用于戰術自主的先進人工智能方法。據我們所知，這是第一篇論述戰術自主性當前重要趨勢、戰略、關鍵挑戰、戰術復雜性和未來研究方向的作品。我們相信，這項工作將使從事機器人和自主系統領域的學術界和工業界的研究人員和科學家產生極大興趣。我們希望這項工作能鼓勵人工智能多個學科的研究人員去探索更廣泛的戰術自主領域。我們也希望我們的工作能成為設計先進的人工智能和ML模型的重要步驟，對現實世界的軍事和國防環境有實際意義。

關鍵詞：戰術自主性；自主系統；人工智能；軍隊；國防應用；航天；機器倫理；網絡安全；可信賴性；可解釋性

資助

這項工作得到了霍華德大學國防部（DoD）人工智能和機器學習卓越中心（CoE-AIML）的支持，與美國陸軍研究實驗室簽訂了W911NF-20-2-0277合同。

1. 引言

新興技術，如機器人技術和自主系統，正在為潛在的社會革命提供機會[1]。先進的自主系統正在為多個科學領域的科學突破和顛覆性技術創新鋪平道路[2]。自主系統是一個智能系統網絡，能夠獨立完成復雜的任務，在沒有人類明確干預的情況下做出智能決策，以及其他操作管理和控制系統[3,4]。現代自主系統的最新發展對各種潛在的軍事和國防應用越來越關鍵，包括空中監視系統、隱私、網絡安全、導彈防御、航空航天工業等。

背景和動機。來自民用、國防和軍事界的研究科學家們正在通過復雜的工作來確定為工業和現實世界應用實施先進的人工智能和自主系統的最佳方式。利用AI、ML和其他相關的先進技術領域來實現自主系統，是現代自主系統的一個改變戰術的戰略。

現代尖端的人工智能和ML技術已經越來越多地被用于軍事和國防領域的各種成功應用，包括網絡安全[5]、海上安全[6,7]、關鍵基礎設施保護[8,9]，以及其他具有重大社會和技術意義的領域。先進的人工智能系統的潛力可以被用來對軍事和國防技術產生積極的影響。人工智能可以在軍事環境中用來評估收集的數據，并提供作戰計劃和戰略支持，加速決策過程。除此之外，人工智能系統可以被設計和部署在戰略、政治、作戰和戰術層面的戰爭中使用。

在政治和戰略層面上，人工智能系統可以用來動態地破壞隱藏的敵人，并實時防御各種形式的對手攻擊。然而，在戰術層面，人工智能可以為無人系統提供更快、更好的態勢感知，以減少其對攻擊的脆弱性。它還可以通過識別可疑的模式和潛在的危險活動有效地自動檢測威脅。然而，盡管在過去的幾十年里，自主性在廣泛的領域內取得了進展，但一些技術和實際的挑戰仍然大大限制了現代自主系統的部署和廣泛采用。第4節、第5節和第6節將討論一些需要解決的關鍵挑戰。因此，必須在人類最低限度的監督或參與下開發現代戰術自主系統，以大幅提高最先進的水平，減少認知工作負荷，增加功能，改善和保持多領域的態勢感知，提高整體機動性和流動性，有效實現部隊保護，支持主動的網絡防御等。

在對自主性越來越感興趣和普及的激勵下，本文對戰術自主性的基本概念和原則進行了全面的技術調查，重點是以前研究工作中沒有充分解決的前沿人工智能和ML方法。據我們所知，這是第一篇論述當前重要趨勢、戰略、基本挑戰、戰術復雜性和未來戰術自主性研究方向的作品。

貢獻。我們論文的主要貢獻總結如下：

• 我們介紹了戰術自主的基本概念和它在廣泛的應用中的潛力。

• 我們掌握了在軍事和國防背景下對戰術自主性概念的理解。

• 據我們所知，我們是第一個提供關于戰術自主性的重要當前趨勢、戰略、基本挑戰、戰術復雜性和未來研究方向的。

• 我們提出的工作可以作為設計先進和創新的人工智能和ML模型的一個重要步驟，對現實世界的軍事和國防應用具有實際意義。

• 我們提出了戰術自主性的基本和長期的挑戰。

提綱。本文的其余部分組織如下。第2節提供了簡要的歷史，主要的里程碑，倫理方面，以及戰術自主性的級別。第3節介紹了可用于推進戰術自主能力的不同人工智能技術。第4節描述了對可信人工智能和任務自主性的需求。第5節簡要介紹了平臺之間的廣泛合作和相關的技術挑戰。第6節介紹了最先進的人機協作方法以及與當前方法相關的挑戰。第7節簡要介紹了戰術自主性的網絡安全及其基本挑戰。第8節詳細討論了戰術自主系統的風險和內在挑戰的概述。最后，在第9節中，我們總結了本文并討論了潛在的未來工作。縮略語部分列出了本文中使用的縮略語。

2. 背景

關于自主系統的文獻已經在許多研究工作中得到了廣泛的研究。自主性的概念有不同的內涵，而且在過去幾年里有了很大的發展。例如，[10]中的自主性概念是關于委托的任務。在[10]中詳細解釋了委托的各個方面和層面。一般來說，智能系統背景下的自主性側重于開發智能決策系統，這些系統可以在復雜的戰術環境中自主地進行物理操作，并具有一定程度的自我管理[11]。在本節中，我們只提供明確與歷史、倫理方面、自主的屬性、監管和戰術自主性級別有關的工作背景。

2.1. 戰術自主權的簡要歷史和主要里程碑

根據美空軍研究實驗室（AFRL）的說法，戰術自主性是一個與現代自主系統相關的術語，該系統在人類的授權和約束下行動，以支持與長期戰略愿景相關的戰術、短期行動。近年來，在廣泛的應用中出現了相當多的關于戰術自主性的跨學科研究。軍方長期以來一直對推進機器人技術和自主行動的能力感興趣。美空軍部（DAF）和國防部（DoD）正在推動開展以戰術自主性為重點的創新自主性研究，這將有助于將研究轉化為實際應用。此外，美國AFRL正在大力優先考慮正在進行的數字化改造戰術自主性的研究工作，特別是在軍事領域，以更好地使作戰人員對抗美國對手。圖1描述了戰術自主性的簡要歷史和重要的里程碑。

圖 1. 戰術自主的性簡史和里程碑。

戰術決策。決策系統采用先進的模型，對復雜環境進行預測。由于這些模型中有許多是數據驅動的，自主系統應該能夠獲得更多關于它們所處的復雜環境的數據，并相應地實時調整它們的基本行為。對智能自主系統在嘈雜、動態和現實環境中的強大和有效的戰術決策的需求正在迅速上升。然而，最關鍵的挑戰之一是為自主系統設計戰術決策模型和支持框架。例如，與其他道路使用者的復雜和動態互動，環境的復雜多樣性，以及傳感器信息的不確定性，使得自主駕駛的戰術決策變得非常困難[12]。

一個結合了規劃和深度強化學習（DRL）的通用框架，可用于自主駕駛系統的戰術決策智能體，在[12]中被詳細描述。該框架的性能在兩個概念上不同的高速公路駕駛場景中進行了評估[12]。戰術決策算法被設計用來處理不可預見的環境狀況和不可預測的對抗性攻擊。戰術決策系統的過程可以被建模為概率的（即包括不確定因素時）或完全確定的（即不包括不確定因素時）。不確定性中的計劃和決策在機器人和自主系統中是至關重要的。因此，在設計自動決策模型和算法時，必須考慮到各種不確定性的來源[13]。部分可觀察的馬爾可夫決策過程（POMDP）是一個通用的數學框架，用于模擬不確定性下的決策任務[13]。然而，在以前的工作中，沒有充分解決設計能夠制定不確定性意識的戰術決策任務的有效方法，如POMDP，以及解決其計算復雜性。因此，正如第3節所解釋的，需要基于先進的人工智能/ML方法的不同策略來加強復雜和現實環境中的戰術決策任務的進程。

2.2. 自主性的倫理問題

自主性的倫理問題對人工智能研究者來說是復雜的挑戰。現代基于人工智能的系統的開發和應用在學術界和工業界都在激增。因此，在決策過程的速度和效率大幅提高的激勵下，我們日常生活的各個方面的決策正在完全委托給人工智能/ML驅動的算法。然而，關于自主權與倫理的關系、社會影響、法規、自主權治理、倫理影響以及這種自主技術和活動的能力等許多重要問題在以往的研究中沒有得到充分的解決。因此，探索基于人工智能的完全自主技術的安全和倫理層面，使我們能夠認識到先進機器自主性的當前和未來潛在發展的倫理影響。此外，對機器智能的倫理學進行準確有效的調查，可以促進發現現有倫理學理論的潛在問題，以及它們在現實世界環境中的一般作用。關于機器倫理學的意義、倫理學理論的研究以及自主智能機器的倫理學影響的詳細討論見于[14]。關于[14]的研究工作還表明，現代算法可以被設計成模仿人類的倫理決策。

機器倫理學。隨著人工智能驅動的決策在廣泛的領域中變得越來越普遍，關于其適用性[15]、倫理層面以及在決策算法設計中對基本方面的考慮等新的重大問題也出現了[16]。機器倫理學的最終目的是有效地研究如何設計智能機器來進行道德和倫理上的推理。它關注的是智能機器對人類和其他自主機器的行為。機器倫理學的主要目標是開發一種智能機器，在可接受的道德層面的指導下，對潛在的行動方案做出決定。區分隱性倫理機器和顯性倫理機器很重要[17]。隱性倫理機器意味著約束智能機器的行動以避免不道德的結果。實現這一目標的一個實用技術是通過開發軟件系統的內部功能和特性來隱性支持和促進道德行為[14]。另一方面，顯式倫理機器可以通過使用倫理原則的顯式表示來解釋倫理信息[14,18]。明確的倫理機器可以處理新的情況，并合理地做出明確的倫理判斷[14,18]。

ML研究界已經開始探索將現代ML能力應用于機器倫理。之前已經介紹了各種用于倫理推理的ML方法。例如，[19]中的工作探討了一個神經網絡模型，該模型對特定的道德判斷和基于案例的道德推理進行分類。在[20]的工作中簡要介紹了一種基于案例的推理方法，以開發能夠指導對道德問題和困境進行推理的系統。[20]中提出的一個主要問題是，機器如何協助或潛在地取代人類在道德推理中的位置。

[21]中提出了一種不同的計算倫理學方法，它采用了一種基于行動的倫理學理論方法。作者為一個具有多種計算職責的倫理理論開發了一個高效的決策程序[21]。除了ML能力之外，還有其他方法來解決這個問題，比如說，使用義務邏輯(deontic logic)(哲學邏輯領域關注義務、許可和相關概念)。例如，[22]中的作者描述了如何使用行為邏輯將一套特定的倫理原則納入自主系統的決策過程。另一方面，[23]中的工作評估了應用行為邏輯方法來實現伊曼紐爾-康德關于絕對命令和道德義務的基本原則的可行性。作為伊曼紐爾-康德關于機器倫理學的一般方法，存在一個決策程序，用于生成絕對命令，并從中得出行動規則。根據[23]中提出的方法的結果，道德范疇被表述為禁止的、允許的或強制的行動。

2.3. 自主性的屬性

文獻表明，在分布式人工智能的背景下，有多種方法來定義自主性和自主系統的概念。自主性可以被定義為智能體在沒有直接外部干預的情況下獨立行動的能力，并在最小的人類監督下做出決定。自主系統概念的定義在其自主性屬性方面也有不同。其外部和內部狀態決定了自主性的屬性。當一個系統的行為是非決定性的，可以被認為是自主的。非決定性的系統即使在相同的環境輸入的情況下也可能表現出不同的行為，甚至可能完全失敗。另一方面，如果考慮到系統的內部狀態，一個自主系統也可能是確定性的。一個確定性的系統是一個系統，它的模型從一個給定的環境初始狀態或情況下持續產生相同的結果。在這種情況下，主動性、互動性和涌現是最能描述自主性及其相關基本特征的三個屬性[24,25,26]。自主性的屬性摘要見表1。

表1. 自主性屬性總結。

主動性。智能自主系統必須安全地適應動態和不可預測的環境中的意外情況，以便在各種領域中使用[27]。當自主系統在沒有明確的外部事件的情況下激活目標或啟動行動時，這種自主性的屬性被稱為主動性[24,25,26]。

交互性。這一屬性指的是智能體與環境的交互。自主系統可以動態地與復雜和不可預測的環境互動并作出反應。此外，智能自主系統還能適應動態環境的變化。這一特性在實時應用中非常重要[24,25,26]。

緊急性。復雜的多智能體系統是由多個相互作用的子系統組成的。智能體的交互和主動性產生了新出現的自主屬性，這些屬性事先沒有明確的模型。在大規模多智能體系統的背景下，緊急性的特點是隨著時間的推移，與環境的非線性相互作用引起的意外系統行為。這種特性影響著系統的可靠性和可預測性，它被用作評估自主軟件系統的標準[24,25,26,28]。

2.4. 監管和自主性級別

受監管的自主性。隨著目前人工智能研究的進展和現代自主系統的影響越來越普遍，建立政策、法規和準則以確保人工智能驅動的智能系統保持可信、道德和以人為本是非常重要的。例如，歐盟的一般數據保護條例（GDPR）[29,30]和美國的公平信用報告法（FCRA）[31]所采用的隱私條例對如何處理個人互聯網數據給出了指示，并授予個人訪問其個人信息的權利，以及獲得有關智能自動系統所做決定的合理解釋。采用這樣的一套法規，使我們能夠評估圍繞人工智能驅動的自主系統及其運作方式的法律和倫理問題。

自主性的級別。根據以前的研究工作，自主性的級別被分為強監管、操作性自主、戰術性自主和戰略性自主。自主級別與基礎動態環境屬性的映射在[26]中有所描述。環境的屬性包括可觀察的、決定性的、偶發的、靜態的和智能體。一個可觀察的環境在任何時候都能完全或部分地接觸到系統的所有必要狀態。一個確定的環境是指基礎環境的下一個狀態完全由當前狀態和智能體選擇的行動決定[32]。在偶發環境中，智能體的經驗被分為多個獨立的偶發事件。環境中的每一個情節都由智能體的感知和然后的行動組成。換句話說，偶發環境是指之前的行動不影響下一次的觀察[32]。然而，如果隨后的行動取決于先前的行動，則環境被稱為順序性的。如果一個環境不隨時間的推移而變化，則被稱為靜態環境。如果一個環境在其上運行時發生變化，則被稱為動態環境。單一智能體系統意味著只有一個智能體在一個特定的環境中行動和互動。然而，如果多個相互作用的智能體與他們的環境相互作用，則被稱為多智能體系統。

強監管表示沒有自主能力的系統。這種監管在復雜程度有限的環境中是有效的。操作性自主表示決策的操作層面。實現操作自主性的智能軟件系統在部分可觀察、確定性、偶發性和靜態的環境中實際上是有效的[26]。戰術自主性在自主系統的戰術決策方面擴展了操作自主性。

3. 用于戰術自主能力的人工智能技術

自主性是學術界和工業部門的一個活躍的研究領域。隨著現代分布式自主系統和智能技術的普及，人工智能和ML方法已經大大推進了各種研究領域問題的最新進展。人工智能方法在大幅提高自主系統的性能和安全性方面具有關鍵作用。完全自主的和其他復雜的網絡系統被配置和編程為連續運行。這些復雜的系統不斷從周圍環境中收集復雜的信息。因此，操作和理解完全自主系統的動態和運動學，并實時處理巨大的信息流是極具挑戰性的，超出了人類的能力。這時，基于人工智能的技術及其底層的ML能力就有了壓倒性的幫助。事實證明，人工智能和ML系統在一些領域比人類更強大、更高效[33,34,35,36]。除此之外，人工智能和ML系統經常在復雜情況下指導人類理解和自主決策過程[37,38]。

先進的人工智能和自主系統技術已經改變了我們的生活，并將在未來繼續改變。這種由人工智能驅動的技術革命的空前成功，其潛力在于人工智能系統在各種新興技術中的適用性迅速增加。例如，在過去的幾十年里，人工智能技術在機器人和自主系統界創造了潛在的現實世界影響。除了人工智能的潛在好處外，人們也擔心強大的人工智能系統的長期影響[39,40,41]。最近，強大的人工智能和ML技術在戰術自主方面的進展已經徹底改變了廣泛的領域，包括自主駕駛[42,43,44]、航空和航天工業[45]、無人駕駛飛行器（UAV）導航[46]、海上防御[47,48]等。最近自主系統的大多數方法都是基于不同的人工智能技術。表2列出了用于戰術自主的最先進的人工智能技術的摘要。一些主要類別的方法詳細包括以下內容。

深度學習（DL）。這是一種有效且強大的人工智能應用算法，如計算機視覺、自然語言處理（NLP）、機器人、人工智能游戲和其他應用。自其誕生以來，深度學習（DL）方法已被證明能有效地發現和學習高維訓練數據的復雜結構[49]。由于深度神經模型在復雜環境中帶來的巨大性能，DL技術最近被用來解決一些現實世界的應用，如自動駕駛[50,51,52]、計算機視覺[53]、圖像分類[49]、視頻預測[54]等。作者在[55]中展示了深度Q網絡（DQN）代理如何學習為自主駕駛做出一個通用的戰術決策模型。DL方法也有助于根據當前和過去對周圍環境的觀察，預測復雜駕駛環境中自主車輛的行為和性能[56,57]。此外，[58]中提出了一種使用深度神經網絡估計端到端車道位置的方法。

強化學習（RL）。要實現人工智能技術的全部影響和潛力，需要智能自主系統能夠動態地學習并自動做出獨立的決定。與自主系統相關的戰術決策任務的一個根本不同的方法是利用一種不需要對輸入的訓練數據進行標記的人工智能/ML技術。完成這種任務的一個強大的ML范式是應用強化學習（RL）技術[59]。RL是一個框架，為經驗驅動的順序決策問題提供了有效的解決方案[59]。它關注的是智能人工智能代理應如何在復雜和嘈雜的環境中做出合適的決定，以使特定可執行行動的累積獎勵最大化。RL是基于自我學習的人工智能代理和其復雜環境之間的動態互動序列。通過其在人工智能代理中的自學能力，RL正在使各種科學領域取得令人興奮的進展，如自主機器人[60]、自主駕駛[61,62]、NLP[63,64]、游戲[65,66]和許多其他應用。可以利用RL技術來為自主系統創建一個通用的戰術決策代理。例如，基于神經網絡集合的貝葉斯RL技術被用于自主駕駛的有效戰術決策代理[67]。此外，最近的一些工作也將基于深度RL的技術擴展到移動機器人的自主導航任務中[68,69]。

聯邦學習（FL）。在傳統的ML和DL應用中，來自不同客戶的訓練數據通常被聚集在一個中央服務器或云平臺上，以訓練模型有效地執行一個給定的任務[70]。這是一個常見的數據隱私問題，也是經典的ML和DL方法的基本限制，主要是當訓練數據包含高度敏感和機密的信息（如國家機密和軍事相關信息、醫院等），會引起廣泛的安全和隱私以及法律和道德問題。維護智能系統的安全和隱私仍然是一個公開的挑戰。這種情況下，聯邦學習（FL）技術是有幫助的。聯邦學習是一種新興的、有前途的去中心化ML范式，它通過采用分布式計算來解決數據安全和隱私問題[71]，提供了一種解決方案。它使網絡中許多資源有限的分布式客戶端能夠協同訓練ML模型，而無需交流他們的本地數據，主要目的是保護用戶的隱私和安全[72,73,74]。通過利用跨學科的技術和科技，機器人和自主系統正變得越來越普遍。鑒于隱私保護、分散學習、并行訓練和機載處理等獨特的優勢，FL有可能成為分布式自主系統的安全和高效的人工智能框架[75]。例如，在[76]中，作者提出了一個FL框架，使自主控制器模型在一組連接和自主的車輛中進行協作學習。其他作者在[77]中證明了FL模型可以被用來從更大的設備池中檢測和識別不同類型的無人機，通過利用單個無人機傳輸的射頻信號。

表2. 用于戰術自主能力的人工智能技術綜述。

4. 可信的人工智能和任務自主性

最先進的人工智能和ML技術正被越來越多地應用于一系列需要改進操作可靠的時間關鍵型和安全關鍵型系統，如軍事、國防、航空航天、自動駕駛[78]、醫學[79]、科學[80]等。為了提高和確保其端到端的有效性和彈性操作，這些具有人工智能能力的現代自主系統必須被持續驗證、核實和監測。此外，為了使自主系統保持穩健的運行，還需要持續的系統性能評估，以識別不可預見的風險、異常情況和潛在的對抗性威脅。此外，對于超出人類控制的自主武器，也有人工智能支持的軍事關切[81]。

可解釋人工智能。最近ML技術的進步使得人們對人工智能系統的可解釋性越來越感興趣，以幫助人類更深入地了解ML算法的決策過程。在過去的幾年里，先進的人工智能系統在各種復雜的應用中廣泛部署，與此同時，道德、法律和社會對這些系統提供人類可理解的模型解釋和對其輸出的解釋的要求也在增加。作為這些要求的結果，最近有幾項關于要求對基于人工智能的自動系統所做的決定進行解釋和說明的法規的工作被引入[82,83,84]。這也導致了一個不斷增長的研究群體，他們非常關注可解釋的ML技術。如圖2所示，為用戶提供可理解的解釋和說明，可以讓他們更深入地了解系統的自動決策觀點，這是建立對底層人工智能和ML系統信任的關鍵因素[85,86,87]。因此，在關鍵系統的人工智能模型和技術中建立可解釋性和可解釋性也會對安全[88]、倫理[89,90,91]、法律[92,93,94]和可轉移性[95]產生影響。然而，人工智能和ML系統的內部運作是人類難以理解的，被認為是黑箱方法，只有輸入和輸出對用戶可見[96]。這種人工智能和ML系統的算法缺乏透明度，對現實世界的用戶需求缺乏了解，以及我們無法充分解釋這些系統如何以及為什么會達成特定的人工智能驅動的自動決策，使得它從根本上難以理解，即使是該領域的專家[96,97]。為了讓人類充分信任人工智能驅動的系統并建立信心，底層系統的解釋必須與人類的期望和認知一致。最近，越來越多的開源解釋工具和平臺產生了不同的解釋，用于探索和解釋底層的黑盒ML模型，正在被用戶訪問[98,99,100,101]。然而，盡管最近作出了努力，目前大多數最先進的解釋和解釋技術需要更加值得信賴。

圖 2. 可解釋 AI。如第 8 節所述，開發高級 ML 技術以生成可解釋的模型是我們未來工作的一個方向。除此之外，集成最先進的解釋接口以產生對底層模型的有效解釋是我們計劃在未來工作中探索的挑戰。

可信任人工智能。先進的人工智能和ML模型能夠加速復雜系統中數據驅動的自動決策過程。然而，正如前面所解釋的，盡管最近人工智能和ML系統在科學和技術領域被廣泛采用，其系統模型在很大程度上仍然是黑盒方法。對這些復雜的系統如何全面運作有一個清晰和充分的了解，對于建立信任和透明度是很有幫助的。此外，了解人工智能和ML系統的內部運作，可以讓用戶更好地了解底層模型，然后利用它將模型從不可信轉變為可信任的。當模型被用于自動決策系統時，確定人工智能和ML模型的可信度是一個基本問題。正如第6節所解釋的，人類和智能機器之間的合作使現代自主系統得到了快速發展和廣泛使用。在軍事和國家情報機構以及其他關鍵領域有效使用這種復雜的系統，取決于人類和機器之間建立的信任。因此，鑒于人工智能驅動的技術在眾多自主系統中的應用范圍迅速擴大，使這些系統可靠和值得信賴比以往任何時候都更重要[102]。建立一個安全和可信賴的人工智能生態系統對于確保人類安全和在各種應用中采用先進的人工智能技術至關重要[103]。可信的人工智能是一個技術術語，描述了人工智能的安全性、合法性、穩健性和道德原則，包括對人工智能驅動的系統的安全性[104]、隱私[105]、透明度和公平性的基本關注[106,107]。使人工智能系統值得信賴的要求和要素如圖3所示。可信的人工智能的基本概念是基于這樣一個概念：當信任建立起來時，人工智能會充分發揮其潛力。可信性賦予人工智能系統可解釋性技術，使人類更容易理解和信任無處不在的人工智能算法所產生的結果和輸出背后的特征和原因。

圖 3. 可信人工智能的要求和要素 [108]。

任務自主性。它是一個技術術語，大多用于國防和航空航天技術行業和其他下一代自主和智能系統。任務自主性是指自主系統在使用現代數據驅動的人工智能/ML技術對底層系統的了解和理解的基礎上，獨立執行各種基本的復雜任務的能力，如深空探測任務[109]。為了使先進的任務自主系統的開發和實施在戰術上有用，必須解決上述與自主和人工智能系統相關的潛在安全和風險問題。

5. 平臺之間的協作

先進的算法決策系統的激增使得不同平臺之間的協作成為可能。然而，實現和確定人類、智能機器和自主代理之間的直接協作是具有挑戰性的。一些需要解決的主要技術挑戰是互操作性、可組合性和適應性。

互操作性。在自主性方面，互操作性使不同類型的大規模自主系統能夠通過底層平臺獨立地進行通信。當設計具有強烈自主性概念的交互式自主代理系統時，互操作性問題發生在不同的層面。正如在[110]中詳細描述的那樣，互操作性層可以分為連接層、通信層、本體層和服務層。

可組合性。在軟件系統開發領域，可組合性對于創建一個強大、靈活和可互操作的系統來說是必要的，在這個系統中，不同的交互式自主組件可以無縫通信[111]。它能夠將基于組件的系統的獨立功能結合起來，以完成一個特定的、無法獨立完成的總體任務。可組合性使系統設計有能力通過重復使用現有的系統組件和適應新的變化來提高敏捷性[111]。一個可組合的架構允許幾個系統組件的組裝。這樣的方法有重要的好處，包括可重用性、靈活性和改進的模塊化。自主性、模塊化和可發現性是可組合組件的主要元素。在一個可組合的系統中，每個組件都被期望在沒有其他組件的幫助下自主獨立地執行一個給定的任務。另一方面，模塊化是指當一個可組合系統中的每個組件被設計成獨立解決一個特定任務時的系統屬性。這使得系統設計者有可能將模塊化組件組裝成一個系統。除此之外，可組合系統的框架必須可以被其他用戶發現，以便單個組件可以被重復使用。

適應性。一個交互式自主系統需要意識到它的內部狀態和它穩健運行的復雜環境。先進的自主系統有能力自主地、互動地監測和適應復雜環境中的任何意外變化。一個復雜的系統有效處理運行環境中動態功能變化的程度被稱為適應性[112,113]。一個適應性強的、穩健的、有彈性的系統能夠容忍環境中的突然變化和動態情況，而不依賴外部干預[112]。

6. 人機協作

人機協作的概念及其能力是當前人工智能研究中許多進展的核心。人機協作是一種范式，在這種范式中，人類和具有不同能力的智能機器整合并緊密合作，以完成一個需要集體行動的共同目標[114,115]。它關注的是對打算供人類使用的智能機器的深入理解和評估[116]。鑒于最近的指數增長和人工智能技術的預測能力，在智能系統和人類之間創造一個成功的協作操作環境來解決復雜的問題是至關重要的。然而，廣泛采用人工智能系統的主要挑戰之一是將人類和分布式智能系統無縫整合以實現共同目標的能力。

有效地利用人機合作，使人類能夠更深入地了解智能機器的自動決策。然而，正如第4節所解釋的，這高度依賴于人工智能自動決策系統和人類之間的信任。這是因為當人類對人工智能驅動的決策給予更多的信任時，就會產生關于信任問題的疑問。人機合作的有效性主要取決于機器的透明度以及用戶對人工智能系統的行為是否符合預期、安全、可理解的信心程度[117]。跨越多個學科、由現代人工智能技術驅動的自主系統和領域專家的廣泛合作，對于建立人工智能/ML模型的可解釋性，創建一個可信賴的人工智能生態系統，以及釋放人工智能的潛力以解決更多重大問題，是非常引人注目的。

人工智能有可能提高人類的能力，使組織決策自動化，并從根本上改變企業的運作方式[118,119]。人工智能/ML系統的可解釋性是一種潛在的人機合作方式，因為具有解釋和解釋結果能力的自動化使人類能夠更好地理解智能機器的基本行為。使用自主系統的主要好處之一是能夠比人更快地實時處理更多數據。為了確保安全和有效的關鍵任務操作，跨越不同領域的自主系統，如國防、醫療[120]、航空航天、制造、自動駕駛等，都被評估為與人類協作操作。因此，探索更好的人機協作的前沿技術，有能力提高生產力、可用性、可靠性、操作性能、通信接口、設計和操作平臺的成本，在人類和智能機器之間分享知識，并確保安全和現有系統適應新環境和新任務的能力[121,122]。在[123]中提出了一個人機合作框架，指導人工智能開發團隊創建廣泛采用的道德人工智能系統，這些系統是可用的、安全的、值得信賴的。除此之外，主要的參與者，如IBM[124]、DeepMind[125]、谷歌[126]和其他學術機構最近啟動了一項研究工作，以加強人機協作[127,128,129]。

6.1. 自組織人機協作

自主系統的重大進展正在日益提高我們日常生活的質量。鑒于過去幾年的這些技術進步，出現了不同形式的人機協作。自組織編隊是指具有不同知識和能力的人類和智能機器集體合作以實現共同目標的過程[130]。自組織人機編隊是一個具有挑戰性的場景，在這個場景中，智能體與未知的異質隊友合作，事先沒有協調的知識。一個有效的自組織團隊成員是一個善于將其他代理的能力與自己的能力進行比較評估的代理。在軍事、工業和其他自主環境中，在沒有任何先決條件的情況下與異質團隊進行有效和穩健的合作是非常重要的。沒有任何事先協調的協作是人機研究中的一個已知挑戰[131]。作為解決這個問題的一種方法，[132]中提出了一種針對自組織團隊環境的在線規劃算法，該算法是為智能體在沒有任何預先協調的情況下進行合作而設計的。

6.2. 當前人機協作方法相關的挑戰

以下是限制我們在動態操作環境中有效整合人類和智能機器的一些主要挑戰。

異質性。在人機協作中，由于人類決策任務的顯著異質性，智能機器很難預測和適應人類在動態操作環境中的行動。因此，開發可用于解決人機協作環境中異質性問題的最先進的模型和技術非常重要。

通信。人機協作的成功取決于人類和智能機器之間的有效通信。人類的通信能力有限，只能處理有限的信息量。因此，通過簡單地交換基本信息，人類和機器可以有效地溝通信息，支持人機協作。然而，這在人類和機器之間造成了信任問題。有效團隊溝通的一個關鍵組成部分是智能系統和人類之間建立的信任[133]。在人機協作中，信任被定義為用戶對智能系統結論的可靠性及其完成既定目標的能力的信心[134,135]。透明度的概念是信息交流的一個關鍵方面，因為人類和智能機器需要共享知識，對意圖、推理和決策過程、性能和未來計劃有共同的理解[136,137]。

當人類和機器作為團隊一起工作時，通信可能有助于建立信任。此外，它可以用來建立有效設計信息的準則，促進人機合作的整體性能和信任[138]。然而，機器必須首先能夠大致模仿人類處理信息的方式，才能使機器以人類能夠理解的方式交換信息。人機協作關系有三個最重要的組成部分：人、智能機器、以及人與智能機器（或替代品）之間的互動。因此，如上所述，通過開發可解釋和可信賴的人工智能來建立信任，對人機協作的成功至關重要。然而，人工智能系統日益增長的復雜性和脆弱性，以及它們學習和適應動態變化的操作環境的能力，也為在人機團隊中建立信任提出了新的挑戰。

協調。為了充分發揮異質團隊的潛力，人類和智能機器應該以高效和協調的方式進行合作。如上所述，人機協作中的通信是指人與智能機器之間的信息交流，或者說是交替進行。另一方面，協調是指組織和管理團隊成員及其相關行為以實現特定的共同目標[139,140]。根據[141]，有效的人機協調涉及三個基本要求。這些要求是共同點、可預測性和可指導性。為了準確有效地進行團隊溝通，參與者必須首先確定適當的共同點，即知識、共同信念和假設、共同目標等。共同點是指參與對話的所有參與者共同相信的信息[141]。而協調小組成員合理預測對方行動和行為的能力被稱為相互可預測性[141]。另一方面，可指導性是指當環境和優先事項突然改變時，團隊成員重新指導、幫助或影響對方行為的能力[142]。因此，根據這三個要求開發一個支持隱性協調的高級模型是很重要的。隱性協調被定義為在不使用行為通信的情況下，基于假設和意圖同步團隊成員的行動和行為的過程[143,144]。這意味著通信對于隱性協調來說不一定是強制性的。隱性協調有助于提高團隊的效率，因為它使團隊成員即使在沒有直接溝通的情況下，也能通過避免分心和有效通信來共同工作[145]。這反過來又大大減少了通信的開銷[146]。

適應性。通過調整策略和行為來有效改變行動方案以應對意外變化的復雜條件的能力被稱為適應性[113]。適應性可以分為兩類：人類輔助的適應性，以及機器輔助的適應性[147]。智能機器應該能夠識別人類隊友的知識和行為。此外，機器還應該能夠預測和應對人類的新知識和行為。然而，這需要開發現代適應性（即機器控制的適應性）和適應性（即人類控制的適應性）系統。

7. 戰術自主性的網絡安全

近年來，自主系統吸引了學術界和工業部門的大量關注。然而，自主系統在各種領域的廣泛和有效采用也帶來了需要解決的安全攻擊的顯著增加。因為網絡攻擊者的目標是大規模自主系統，如現代自主車輛（AV）、載人航天器、空間交通管理系統、船舶、移動機器人、復雜核電站的運營、飛機、智能城市的關鍵基礎設施等，以破壞系統的安全性，并對其運營造成破壞性的損害。因此，設計基于人工智能的方法是至關重要的，它可以主動應對試圖破壞和獲取自主系統及其指揮組件的潛在破壞性攻擊，例如，針對系統的基本自主決策能力。自動檢測和應對鋪天蓋地的安全威脅，處理大量的數據，并發現未知攻擊的新模式，是人工智能系統在網絡安全方面的一些好處[148]。

人工智能在網絡安全方面的挑戰。人工智能會帶來不可預見的法律、道德和社會風險和挑戰，如果不能有效解決，可能會大大降低其潛力。如上所述，人工智能及其先進的ML技術已經發展成為廣泛的創新和動態領域的一項有利技術。人工智能具有戰術和戰略上的潛在好處。然而，在與使用人工智能系統相關的信任和道德考慮方面，它也被認為有一些關鍵的制約和限制。例如，[149]中的作者談到，人工智能本身可能對網絡安全和法律及道德問題構成威脅。他們認為，人工智能系統缺乏可解釋性和可解釋性，可以被利用來隱藏安全攻擊[149]。[150]中的另一項工作也證明了人工智能在網絡安全威脅方面既有積極作用，也有消極作用。此外，鑒于人工智能驅動的網絡欺凌的興起，作者還認為應該允許網絡安全專家繼續做他們的工作，并在人類智能有必要時進行網絡測試。

7.1. 入侵檢測

入侵檢測系統旨在檢測網絡中盡管采取了預防措施但仍不可避免地發生的入侵或安全攻擊[151]。入侵檢測系統有多種方法。一些方法采用了基于簽名的技術，在該技術中，事件被檢測到并與預先定義的已知安全攻擊和入侵的簽名數據庫進行比較[152,153]。其他系統采用異常檢測技術，系統在數據中發現潛在的有害模式，這些模式不符合正常行為的預期概念[154,155,156] 。在現代自主技術中，監測和識別異常情況，檢測非法和惡意活動，并采取補救措施，以確保實時自主決策系統的持續運行，特別是在戰術環境中，同樣重要。[157]中提出了一個原型的分布式入侵檢測架構，該架構使用為戰術環境定制的自主代理。[158]中提出了一種基于人工智能的方法來識別和檢測無人機中的入侵行為。

7.2. 反自主性

反自主技術越來越受歡迎，之前已經提出了各種方法來解決這個問題。當一個自主系統的基本保密性和功能受到損害時，它就會使自己更容易受到未來的安全攻擊，并對其他自主系統構成潛在威脅。因此，在不斷變化的條件下，主動檢測和識別旨在針對自主系統的潛在網絡攻擊是至關重要的。在[159]中，作者調查了需要解決的安全和隱私挑戰，以提高網絡物理系統的復原力。在[160]中介紹了一個用于自駕車的入侵檢測系統。160]中的工作涉及到，自動駕駛汽車如果被破壞，也會對道路上的乘客和行人構成風險。此外，他們的論文還討論了互聯自動駕駛汽車的漏洞如何超越了對道路上的司機、乘客和行人的危害。作者認為，互聯自動駕駛汽車的協調有可能被用來發動影響大規模車輛特設網絡（VANET）的大范圍攻擊[160]。

無人機系統具有巨大的潛力，可以在廣泛的下一代技術應用中徹底改變研究和創新。這些系統有可能受到復雜的攻擊，旨在破壞其復雜的操作和自主決策能力。這些攻擊可以用于進攻性和防御性的網絡行動。因此，有必要制定靈活和積極的戰略，有效地提供一個潛在的防御機制，以應對旨在利用安全關鍵的自主系統在最小的人為控制下的實時漏洞的攻擊。

8. 與戰術自主性有關的一些挑戰

戰術自主性為許多國防和軍事應用提供了一個很好的解決方案，只需有限的人力參與。ML和AI系統為實現民用和軍事應用的自主性創造了前所未有的機會。然而，為了開發長期的、值得信賴的、強大的和安全的自主系統，需要解決基本的挑戰。對智能系統中使用的復雜技術和工藝的實際理解是許多人工智能和ML系統的關鍵部分，這些系統是戰術自主的核心組成部分。

雖然有許多開放性的研究問題需要解決，但要實現戰術自主性在國防和其他應用中的全部潛力，需要解決的一些最長期和最重要的挑戰包括以下幾點。

• 用于戰術自主的可信賴的人工智能。為關鍵的國防任務開發可信的、強大的和有彈性的人工智能和ML框架，需要了解與可信的人工智能和任務自主性有關的理論和實踐技術和方法，平臺之間的協作，以及通過解決第4節、第5節和第6節分別討論的關鍵技術挑戰實現的人機合作。為了增強對人工智能系統的信心，我們需要進行更多的研究來解決這些問題，使人工智能系統值得信賴。

• 對基于人工智能的模型進行驗證。確保基于人工智能的解決方案按照預期工作是極其重要的。然而，設計最先進的方法來驗證基于人工智能的系統是具有挑戰性的，需要大量的工作。

• 平臺之間的協作。改善人類和完全自主的系統（如飛行員和自主副駕駛）之間的實時協作是具有挑戰性的。因此，開發一個有效的、高效的協作性自主解決方案是一個需要克服的關鍵挑戰。

• 人機聯合協作。深入了解機器如何向人類學習，人類如何向機器學習，以及機器和人類如何共同工作是非常重要的。我們如何才能設計出先進的自主系統，在軍事和國防環境中與人類協同工作？

• 提高安全性。我們如何設計和部署一個端到端的方法，整合現代安全關鍵型自主系統的安全問題？

9. 結論

軍事和國防工業希望利用AI和ML的能力來推進和改善其在戰術環境中的表現。在本文中，我們對戰術自主的概念、技術和技術進行了全面的技術概述。此外，我們的論文還強調了在試圖為先進的現實世界軍事和國防應用實際建立完全自主系統時出現的一些關鍵和操作挑戰。因此，我們希望本文能鼓勵人工智能和ML研究人員在戰術自主性領域進一步探索開發架構和方法論。

設計先進的人工智能和ML模型，對現實世界的軍事和國防應用具有實際意義，這是一個很大的挑戰。進一步調查這個問題，重點是在以前的研究工作中沒有充分解決的尖端人工智能和ML方法，是未來工作的一個有趣的方向。此外，展示一系列實際應用和最先進的方法，以解決和深入了解本文所討論的一些長期關注的挑戰，是未來戰術自主權實際應用的另一個研究方向的課題。

人工智能技術的飛速發展令其成為軍事領域應用的熱門技術之一，人工智能技術為軍事后勤領域提供更好發 展條件的同時，也對其提出更高要求。論文先分析了當前人工智能技術在軍事領域的發展方向，闡述了在軍事后勤領域關 于人工智能技術的運用，提出對智能化后勤進一步發展的啟示，要想在未來戰爭中占據優勢，必須合理地在提高監控、后勤 保障、態勢感知以及網絡作戰等方面將人工智能技術積極多元的運用起來。

1. 引言

人工智能技術在大數據時代的飛速發展，已經 滲透到了醫療保障、物流運輸、教育服務、數據通 信、智能汽車、智能監控及工業應用等各行各業，彰 顯出了人工智能作為新興科技的價值和發展潛 力［1］ 。此外，在軍事領域人工智能技術發揮著不可 替代的作用，例如網絡通信安防、智能文件管理、智 能識別以及情報分析等［2］ 。推動人工技術更新迭 代的重要因素之一是其帶來可觀的經濟效益，人工 智能技術在市場上的發展趨勢一直高居不下，為市 場創造出不可估量的財富，截止2019年底，數據顯 示我國實體經濟產業在人工智能板塊的規模高達 570億元。近年來，人工智能技術的運用在不知不 覺中改變了國民的生活，對于軍事領域來說，更加 需要利用人工智能技術為軍隊提供支撐［3］ 。美國 第 45 任總統特朗普在 2020 年初批準了一項法規， 限制所有關于人工智能類的軟件出口，其中包括各 種無人機、衛星和傳感器以及能夠自動識別軍用、 民用目標的軟件，這一舉措就是為了阻止其他國家 利用美國相關技術，研制出功能更強、水準更高、成 本更低的軍事領域人工智能產品［4］ 。從中不難看出，人工智能技術已是當前各個國家大力發展的對 象，人工智能技術運用的成敗在未來戰爭中將成為 軍隊能否取得制勝先機的關鍵要素之一［5］ 。

2 人工智能技術在軍事領域的應用發展方向

自人工智能問世后，這幾十年的時間中有不少 專家都在研究、分析人工智能可以代替人類工作的 可能性，其中以 CarlB.Frey 和 MichaelOsborne 兩位 學者牽頭的“TheFutureofEmployment”研究最具代 表性，如表 1 所示，羅列了部分軍地部分工種崗位 被人工智能替代的可能性。 表 1 雖然只是對部分和軍事領域類似的工種 進行了預測，但是也不難看出人工智能在軍事領域 的發展方向。人工智能對于指揮、管理的工種替代 可能性較小，對于部分支援、保障類的工作任務可 替代性就比較高一些。人工智能已經是現代戰爭 中和未來戰爭中不可或缺的一部分［7］ ，當前人工智 能在軍事領域的發展方向，可以大致概括為以下幾 個方面。

1）作戰平臺

人工智能在軍事領域的應用一直以來受到各 界關注，各國在陸、空、海以及太空等其他系統中大 量的融入人工智能技術［8］ 。利用人工智能技術可 以開發出更加高效、減少人工操作的智能化戰爭系 統，除此之外在減少人工維護的工作量同時，還提 高了戰爭系統各方面的性能，未來隨著技術的發 展，或許還能夠自動與高速武器開展協同工作。

2）網絡安全

在整個軍事系統里，最容易遭到惡意攻擊的無 疑是網絡系統，一旦受到攻擊，有可能軍事系統會 受到破壞，一些重要、機密的信息也可能會丟失。在網絡安全這一板塊配置人工智能系統不僅可以 保護計算機以及各個程序、數據不被惡意訪問，還 可以利用人工智能技術開發對應的反擊程序來應 對這些非法攻擊。

3）目標識別

目前許多研究人員為了提高在復雜的作戰環 境中對于目標識別的精準度在不斷地朝著開發人 工智能技術。利用這項技術可以讓軍隊在分析文 檔信息、數據或者其他非結構化內容的時候，更加 深層次地理解潛在作戰領域的可能性，同時還可以 提升軍事系統識別目標位置的性能。正在開發人 工智能技術以提高復雜戰斗環境中目標識別的準 確性。這些技術使軍隊能夠通過分析報告、文檔、 新聞提要和其他形式的非結構化信息來深入了解 潛在的作戰領域。此外，目標識別系統中的人工智 能提高了這些系統識別目標位置的能力。支持人 工智能的目標識別系統的能力包括基于概率的敵 人行為預測、天氣和環境條件匯總、潛在供應線瓶 頸或漏洞的預測和標記、任務方法評估以及建議的 緩解策略。例如，DARPA（美國國防部高級研究計劃 局）在 激 烈 競 爭 環 境 中 的 目 標 識 別 和 適 應 （TRACE）計劃使用了機器學習技術在合成孔徑雷 達（SAR）圖像的幫助下自動定位和識別目標。

4）態勢感知和威脅監控

在軍事戰爭中除了要及時收發數據信息以外， 在強對抗環境下還要預處理之前所收集的信息，分 析、整理具有價值的數據，利用信息整合形成情報 優勢。情報信息涵蓋了多方面的數據內容，例如電 子情報、地理空間情報、開源情報、全動態視頻、音 頻、社交媒體等方面。這些情報信息在數據中心進行存儲，可以通過索引搜索出相關的內容，發送這 些數據實現數據共享。人工智能實時對這些數據 進行先進分析，將通知和警告發送到設備上，分析 人員在進行反饋。在向指揮官發送信息時，指揮官 可以根據這些數據，分析態勢、及時判斷敵方的作 戰部署，從而做到真正意義上的知己知彼，感知戰 場動態。以人工智能為基礎的情報收集系統如圖 2所示。

把人工智能技術作用到執行 ISR（情報監控） 任務中可以通過兩個方面進行。一方面是將人工 智能技術運用到無人機、無人駕駛領域［9］ ，這一部 分的運用主要是為了解決在極端、惡劣的天氣、環 境影響下任務執行不會受到影響，從而更好地協同 工作、輔助部署部隊。另一方面是用人工智能來分 析和處理數據信息。在人工智能系統中，可以通過 預設的功能來查找無人機偵察視屏里出現的一些 異常畫面，識別目標。如果讓人類去負責這一部分 的操作，不僅會耗費時間，并且效率也不高，但是利 用人工智能技術就可以在短短的幾小時內完成這 些任務。

5）戰斗模擬與訓練模擬

戰斗模擬與訓練模擬與訓練是一個多學科領 域，它將系統工程、軟件工程和計算機科學結合起 來構建計算機模型，使士兵熟悉在軍事行動中部署 的各種作戰系統。美國正在將越來越多的投資應 用于模擬和培訓。美國海軍和陸軍都在進行戰爭 分析［10］ ，這促成了一批數字孿生傳感器模擬程序的 啟動。美軍目前已經招募 Leidos、SAIC、AECOM和 OrbitalATK等公司來支持其相關研究計劃。圖3展 示了 KWM 公司所研發的一款戰斗模擬方艙，該方 艙具備適用于武器制造商的模擬系統，通過全景仿 真可將載具全組人員完全納入模擬流程，能夠提供 逼真的戰斗體驗，該方艙模擬練習時能提供高達每 練 1000 次 CGF（兵力生成計算），可以實現指揮控 制系統和無線電電路的仿真，能夠通過設備聯網進行營連排三級訓練以及綜合武器射擊模擬。圖 4 展示了該方艙所模擬出的效果。

6）智慧勤務

美國在 2018年的時候就提出要重視利用計算 機技術實現軍事后勤的改變，其中最為重視的就是 數字化手段對于智能化后勤發展的影響。美國在 軍事價值鏈上沿用了傳統的數據（data）、信息（in?formation）、知識（knowledge）、智慧（wisdom）體系， 嘗試把大量的后勤數據轉換成DIKW體系，以此來 完成裝備后勤保障決策，DIKW體系如圖5所示。

智能化后勤在智能化戰爭的環境中可以進一 步和作戰系統進行協作。通過信息化手段更加仔 細、精準地將后勤的物資進行分類管理和統計，其 中，最主要的是可以實時分析戰場情況，捕捉到潛 在的數據信息，將這些內容提供給指揮員，幫助他 們做出決策。如果各種條件允許的情況下，甚至可 以根據當前戰況分析直接給出最佳作戰方案，此時 智能化后勤是作戰系統下的子模塊之一。

4 人工智能技術在軍事后勤的具體應用

4.1 綜合情報感知

綜合情報感知涵蓋了人員信息、物資信息、戰 場信息、武器裝備信息這四個方面［11］ 。人員信息感 知實現了對后勤資源的精準調度，其具備的能力除 了可以收集戰場上士兵的移動軌跡和位置外，還具 備傷員定位搜救和情況遠程回送的功能；物資信息 感知具備支撐物資管理、查詢等功能，實現了軍需 物資從生產到使用的整個過程跟蹤與監控這一目 標，物資信息包含了像槍彈、燃料、藥品等各種軍需 物資在運輸和使用過程中其狀態數據內容的收集 和處理；戰場信息感知實現了對于敵方在戰場上的 部署、行動、武器裝備這類信息的收集和發送，為部 隊在定位敵方目標以及評估敵方戰斗力等方面提 供數據支撐；武器裝備信息可以實現各類武器裝備 位置、武器使用狀態、各個設施的信息收集，可以在 部隊武器裝備、設施方面為部隊提供支持，如圖 6 展現了一種全資產可視系統。

4.2 智能設施控制

人工智能在軍事后勤領域的運用主要體現在 監控板塊，簡單來說，智能設施控制就是可以遠程 監視與控制軍用智能化設施、裝備，像無人機、無人 駕駛、自動化控制系統等軍用智能設施（圖 7）。利 用智能設施中的傳感器系統實現對設施的遠程監 視，利用智能設施的控制器和處理器傳輸的指令和 程序實現對自動化執行任務的遠程控制。目前軍 隊也在這一方面開展相關研究，使用人工智能輕松 檢測軍用艦隊組件異常并快速分析故障原因；使用 無人駕駛汽車按照設定好的地面補給［12］ ，規劃一線 戰場和部隊基地進行物資等資源補給，從而降低后 勤補給部隊人員在戰場上可能面臨的風險，同時減 少運輸成本及優化人力操作的工作，如美國陸軍與 IBM公司合作，使用Watson人工智能平臺來幫助預 先識別Stryker戰車的維護問題等。

4.3 戰傷醫療救護

在現實戰爭現場中，受傷的士兵大部分無法第一時間獲得醫療援助，一是因為傷員的受傷程度遠 遠超出了現場醫護人員的救治能力范圍，二是有可 能因為該片區醫護人員數量配備不足。所以在戰 場上要先對受傷的士兵進行分類，受傷較為嚴重的 士兵應該最先得到醫療救護。因此人工智能技術 為醫療救助開辟了新領域，美國的遠程醫療與先進 技術研究中心與CR（組合變量）分析公司在軍事醫 療領域開展合作，研發自動加固戰斗傷員護理系 統，該系統主要是針對戰場上傷員的診斷和指令， 但是就目前的技術發展限制，該系統還沒有完全獨 立出來成為一個完整的自動醫療救助系統，更像是 一款智能軟件，它能輔助醫護人員診斷傷員的受傷 情況，監測傷員身體情況并且及時為病人提供治療 服務。同時，為了更好地在遠程手術以及人員疏散 活動中給人類士兵提供保障服務，美國特別重視將 人工智能技術與機器人手術系統（RSS）及機器人 地面平臺（RGP）進行集成，在惡劣的環境下，利用 人工智能配置的醫療系統可以分析、整理出軍人的 歷史病例輔助醫生進行治療等。

4.4 信息分析融合

信息分析與融合能力包括多級信息融合與綜 合信息統計分析。在戰場上，將傷員的地理位置、 移動軌跡以及心跳速率等信息進行融合，從而分 析、判斷傷員的受傷情況是否嚴重，利用多類型傳 感器將聲音、光照、電磁、心率等產生的信息進行融 合；戰場上想要更加精準的判別敵方的行動部署等 信息，就要對戰場上敵方士兵、人員或者設備的活 動軌跡以及武器裝置的類型這類信息進行融合、分 析，幫助指揮員更準備判斷當前戰場上的態勢。

5 啟示

5.1 智能化戰爭模式改變后勤保障理念

智能化戰爭將成為未來戰爭中的核心部分，而 后勤保障部分的服務對象也將是各種智能化作戰 裝備所構成。在智能化戰爭中，其以“靈活”為核心 的工作機理也將替代之前戰爭中以“快”為核心的 理念［13］ ，因此給傳統的后勤保障系統帶來了挑戰， 后勤系統要不斷調整各個模塊下的功能需求，以適 應智能武器裝備的快速改變，不斷地推動后勤朝著 智能化的趨勢發展。 當前智能化戰爭要求后勤保障的領域廣、內容 多、方法多、對象多元化以及時效性高等，所以必須 利用新一代計算機技術和智能技術搭建一套完整 的后勤保障體系，滿足資源可視化、可控化，可以自 動生成作戰方案的現實需求。不難想象，在未來戰 爭中或許國家會投放大量的無人機、機器人等智能 化武器到戰場上，因此就會有大量的任務分配給后 勤保障模塊，例如裝卸任務、物資運輸、戰地醫療服 務和裝置維修等等。利用人工智能技術分析、整理 繁雜的后勤保障需求，在進一步分析解刨當前作戰 環境、條件后，可以更加高效地去組織開展智能化 后勤保障的行動。

5.2 智能化后勤需要高新技術支撐賦能

在各國分別頒布了關于人工智能技術、大數據 等國防戰略相關條例后，我國在 2017 年也發布了 《新一代人工智能發展規劃》，該規劃中詳細的向人 們展示了人工智能技術將在醫療保障、物流運輸、 教育服務、智能汽車、智能監控各行各業發光發 熱。智能化后勤裝備在當前戰爭中已經顯露鋒芒， 例如炒菜機器人、無人機運輸、無人值守機房等，從 傳統裝卸、運輸物資等方面延伸到了工程保障和生 化探測等領域，其功能多維度發展。 新一代計算機技術的發展，云計算、物聯網技 術和機器學習等技術作用到軍事領域，可以更加精 準地保障作戰部隊，搭建起多方位保障體系，在無 人操作的環境下實現作戰以及保障任務。雖然目 前技術還需要不斷發展，但是在解決這些技術問題 后，智能機器人醫生、智能運輸配送等技術將真正 走向戰場上，執行各種復雜且難度大的任務。

5.3 后勤智能化建設依賴配套發展途徑

從當前人工智能技術在我國裝備后勤的應用 來看，為了更好建設智能化后勤，適應未來戰爭需 求，可以首先從以下途徑開展： 1）頒布相關條例，統一標準。現有的一些裝備 數據相關條例以及標準大部分都是有戰區等自行 制定的，缺少規范、統一的條例，導致在后勤裝備管 理維修過程中許多數據記錄留檔過于簡單，導致數 據記錄不夠精準，在后面的分析過程中會降低數據 的可靠性。因此需要制定統一的標準，加強頂層設計，給人工智能技術的運用打下基礎。 2）構建、完善信息系統。當前現有的裝備系統 功能不一、種類繁多，每個系統的標準規范都有所 差別，導致信息系統在數據共享、聯通性能方面較 差，致使大部分數據都沒有完全發揮其作用。為了 更好地發揮后勤裝備數據的優勢，推動智能化后勤 裝備系統的建設，必須要搭建、整合統一的信息系 統平臺。 3）加強軍地合作。將后勤系統和人工智能技 術等高新技術結合發揮軍地融合的優勢，解決后勤 管理系統在記錄記錄、傳輸、存儲、分析數據的過程 中出現的各類疑難雜癥，促進智能化后勤裝備體系的構建。

6 結語

隨著計算機技術發展進程的不斷推進，我國也 更加重視計算機技術在軍事領域的運用和研究，物 聯網技術、大數據、云計算以及人工智能技術也將 成為我國軍事研究的重點技術之一。這些技術的 運用可以更好地保障作戰部隊，實現在無人操作的 環境里完成所要執行的任務，豐富、擴展智能化后 勤的保障手段。由此可見，信息化、智能化的戰爭 是未來戰爭的主要核心部分，必須合理地將人工智 能技術運用起來，在提高監視、后勤保障、態勢感知 以及網絡作戰等方面加強人工智能技術的運用與 研究。目前在軍事領域，人工智能技術的運用還需 要我們長時間的研究、分析和總結，所以我們更要 緊抓這場計算機技術的改革，在技術實現和加強戰 略合作兩方面進行研究，為了提高我國的國防實力將人工智能技術更加深入地利用到未來戰爭中。

戰爭的特點正在發生根本性的變化，這些變化對空中力量的影響尤其深遠。多域整合為空中力量和越來越多的空間力量在未來幾年內的一系列轉變做好了準備，這些轉變不僅與技術有關，而且與空軍組織和進行規劃和行動的戰略和作戰概念有關。

迫在眉睫的、不可避免的多域作戰似乎是空中力量的一個明顯的邏輯演變，它可能會引發這樣的問題：為什么我們沒有更早地沿著這些思路思考和發展作戰概念？畢竟，對優化、作戰協同和武力經濟的尋求在空中力量中是持久的。可以說，多年來，空軍及其相關部門事實上已經嘗試以某種方式或形式在多域背景下運作。然而，在整個部隊甚至整個戰區范圍內，為多域作戰（MDO）提出的早期作戰概念（CONCOPS），在多域作戰空間產生作戰協同和效果的努力是前所未有的。

諸如聯合全域指揮與控制（JADC2）這樣的結構闡述了一個作戰云賦能的未來戰爭，其中任務指揮和戰斗空間管理被有效地隱含在整個戰斗部隊中，觀察-定向-決定-行動（OODA）環路被加速到邊緣計算的速度。傳感器和通信網絡決定了空軍承擔幾乎所有傳統任務的功能能力。數據和數據流將變得比空軍傳統上對機動自由的依賴更加重要，并且有效地成為其戰略推動者。空軍力量將越來越多地與網絡而非平臺、數據而非武器系統有關。

任務的成功和失敗一直是由指揮官和作戰人員可用的態勢感知水平決定的。在新興的作戰模式中，空軍以近乎實時的速度收集、處理和利用數據的能力有效地使數據成為最大的工具和最令人垂涎的武器。收集、處理、匯總、分析、融合和傳播大量的數據、信息和知識將需要像未來有爭議的戰場上的事件速度一樣快。目前正在進行的戰爭數字化將導致在未來幾年內將 "大數據"廣泛用于作戰過程。空間領域將在實現全球范圍內連續的、有保障的和安全的通信方面發揮顯著的作用，除了更傳統的遠程監視用途外，它還被用作這種通信的運輸層。

對信息主導地位的追求將以新的和不確定的方式在物理、電磁和虛擬世界中擴展競爭的連續性。隨著空軍對帶有嵌入式人工智能（AI）工具和應用的作戰云的使用，新的風險、脆弱性和故障點將被引入。本出版物收集了來自世界各地領先的思想家的文章和見解，對多域整合和空中力量的信息優勢框架和概念的一些最相關問題提供了深入的觀點。這里的觀點和討論反映了當前對各種戰略、指揮和作戰層面的思考，讀者會發現這些思考對他們更廣泛的理解很有幫助。

這里介紹的專家展望本身既不樂觀也不悲觀，正如我們所期望的那樣，所確認的是各種新技術促成的 "飛躍"機會正在地平線上形成，但其有效利用帶來了復雜和破壞性的新挑戰。在強調其中一些關鍵的挑戰和更好地理解這些挑戰的必要性的同時，正如通常的情況一樣，沒有快速的解決辦法或現成的解決方案。然而，有令人信服的理由認為，今天所預見的眾多挑戰似乎在理論上和技術上是可以克服的，有些甚至在未來幾年內就可以克服。在未來存在的許多不確定因素中，可以肯定的是，空中力量將被徹底重新定義。