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

聯合目標定位是作戰規劃各個方面的核心。如果從聯合目標定位業務的角度來看待聯合作戰概念和數字化舉措，顯然聯合目標定位是實現美國防部數字化轉型的最佳途徑。

大多數現代化倡議和計劃都側重于發現、固定、整理、利用和分析作戰空間中的移動或動態目標。這些舉措忽視了經過審核的預定目標對作戰的至關重要性。因此，聯合目標定位與作戰規劃的方方面面密不可分。如果從整個聯合目標定位業務（JTE）的角度，而不是只關注其中的一個方面--改進動態目標定位--來更全面地看待新的聯合作戰概念（JWC）和數字化舉措，就會發現聯合目標定位是實現美國防部所尋求的數字化轉型的理想選擇。

邁克爾-馬扎爾建議做好準備，"在沖突的頭幾周向攻擊部隊提供......火力"，以防止對手實現地區霸權或征服。這一行動將起到常規威懾的作用，表明聯合反擊部隊應為最壞情況下的戰斗做好準備。目前在聯合作戰概念和數字現代化總綱下正在制定的許多聯合電子戰現代化倡議和計劃，如果能成功開發和整合，將能提高戰備狀態。

聯合目標定位與軍事規劃和行動的每個階段都息息相關--從穩態戰略制定和戰役規劃，到敵對行動開始，再到評估--它利用了包括國防情報業務在內的許多網絡和領域的數據和信息。根據《聯合出版物 3-60》，"目標定位是考慮作戰要求和能力，選擇目標和確定優先次序，并匹配適當對策的過程。目標定位需要一個持續的分析過程，以確定、發展和影響目標，從而實現指揮官的目標"。

有別于人力情報或收集目標定位，聯合目標定位為規劃人員提供了有關目標的詳細信息，并得到指定部門分析推理的支持，將目標與預期效果聯系起來...目標是指對敵方具有某種功能的實體或物體，被視為可能交戰或采取行動的對象。目標的重要性源于其對實現指揮官目標或完成指定任務的潛在貢獻。

聯合目標定位人員協助規劃人員制定計劃，以應對外交失敗、針對近鄰或大國競爭對手爆發重大沖突的最壞情況。目標定位員是 "完成必要培訓并在當前職責中指導聯合目標定位循環的人員"。聯合目標定位員與情報分析員合作，負責開發所有來源的情報，以了解目標集、識別薄弱環節，并幫助規劃人員為軍事行動選擇可行的聯合目標。

聯合目標定位員所執行的任務復雜而艱巨，需要關注重大細節。如果忽略一個細節，就可能危及國家公民的生命和生計。這些目標定位人員要確保選定的聯合目標符合戰爭計劃的目標和意圖，并符合戰爭法的要求，以減輕對平民造成的傷害和痛苦。

要很好地執行各項任務，就需要有足夠的訓練有素、經驗豐富的聯合目標定位人員和情報分析員來開始聯合目標的開發。發現、開發和制作所有來源的情報和目標系統分析，并選擇適當的聯合目標--最好是在敵對行動開始之前--需要時間。目標系統分析是 "對潛在目標系統進行全方位檢查，以確定與既定目標的相關性、軍事重要性和攻擊的優先次序"。這種分析包括固定設施和軍事組織情報，包括其指揮和控制結構、人員和輔助基礎設施。

根據《美國國防部詞典》，戰斗序列是 "任何軍事力量的人員、單元和裝備的標識、兵力、指揮結構和部署"。在穩態行動期間，當部隊單元離開駐扎地時，地形和部署位置也會被放入數據庫，用于在敵對行動開始時更有效地查找和固定。歷史表明，這可能需要數年時間，取決于對手基礎設施和軍事組織的復雜程度、規模、可用數據、可用收集資產以及專門情報分析師的數量。

聯合目標定位也取決于緊迫性。如果這種目標定位被視為優先事項，那么制定足夠多高質量聯合目標的時間可能會縮短到幾個月。然而，當支持情報組織全力投入生產時，這只是最好的情況。緊張局勢、征兆、警告、態勢和當前形勢將始終決定緊迫性，但至關重要的是，如果出現 "晝夜戰斗 "的緊急情況，必須有足夠的適當、有效的聯合目標定位能力。對威脅相對較低的對手采取行動時，如果沒有準備好聯合目標定位，可能會不必要地延長戰斗時間。在與大國競爭者的沖突中，如果沒有足夠的經過審核的聯合目標來進行交戰，那么開場的齊射可能會失敗。

好的戰略和規劃通常會轉化為可行的聯合目標。聯合目標定位通過將目的、方式和手段聯系起來，將戰略轉化為針對聯合目標的具體行動。選擇聯合目標是為 "D-Day "做準備的詳細計劃的最后一項任務。當事件升級到敵對行動迫在眉睫的地步時，目標定位人員和規劃人員將回答和完善 "誰"、"什么"、"哪里 "和 "多少個聯合目標 "等問題。這些目標定位人員和規劃人員分布在上級指揮部的各個層級。

制定和選擇聯合目標的過程與要交付的能力無關，這些能力將根據預期效果分配。預期效果取決于戰略意圖以及作戰計劃的假設和進展。隨著計劃的發展或執行，預期效果也取決于當前形勢，包括現有的常規武器和運載平臺，以及準備投放或啟動的非動能能力。

所有預期效果都取決于能否接觸到聯合目標--受地理、射程、電磁頻譜、網絡防火墻、密碼以及易受攻擊性和機會等因素的限制。聯合目標定位人員在根據這些限制因素估算預期效果方面發揮著重要作用，指揮官和操作人員利用這些估算結果做出交戰決策。

聯合目標定位人員、分析人員和規劃人員負責評估交付效果。聯合目標定位人員負責評估單個聯合目標的效果，并對各種聯合目標集的總體效果進行重要評估。規劃人員和分析人員利用這些評估來確定聯合部隊是否實現了作戰計劃目標。當效果傳遞到動態聯合目標時，進行良好評估的復雜程度就會成倍增加。從歷史上看，聯合目標定位的這一部分通常做得并不好，因為它不是經常演練和大規模完成的。當發生重大沖突時，對動態聯合目標定位效果的評估需要專門的收集和許多情報分析師。

當前岌岌可危的全球戰略安全環境要求重新評估必要的資源，使聯合目標定位與 2018 年美國國防戰略優先事項保持一致。要擴大聯合目標定位能力，以應對國防戰略中確定的對手，仍有許多工作要做。

在過去五年中，美國防部已將大多數司令部和軍種中專門從事聯合目標定位的人員數量增加了 50%。但是，訓練有素、經驗豐富的人員仍然短缺，而這是他們目前所掌握的自動化工具所無法彌補的。事實上，即使有足夠的人員，目前各自為政的網絡和自動化工具也會使聯合目標定位任務變得不必要的繁瑣。

因此，由于聯合目標定位與軍事行動的每個階段都息息相關，因此可以幫助評估正在開發中的數字化現代化計劃和舉措。例如，聯合目標定位依賴于輸入數據庫的多個 "權威數據源"，這些數據源的特點是足以發展成為有效的聯合目標。數據依賴于收集。

收集工作取決于收集資產和分析人員對收集內容的訪問。同樣，攻擊后評估也取決于收集和及時性。收集的數據和信息可以來自任何領域和平臺，并且與平臺或接收集成網絡和架構無關。重要的是能夠及時獲取收集到的數據，這些數據可以在競爭對手或對手（如果爆發沖突）的決策循環內進行分析。

在這方面，提高 "回傳 "所需的整體自動化效率的有度方法為數字化改造聯合作戰概念和國防情報業務提供了用例機會，這將產生跨職能的倍增效應。包括利用機器學習和人工智能（AI）增強聯合目標定位業務的能力，從而極大地改進聯合目標分析，包括目標系統分析以及大規模目標選擇、優先級排序和評估，特別是在時間緊迫的情況下。

但這需要確定有多少聯合作戰概念和國防情報業務人工智能計劃，并了解它們的目的。盡管這些計劃似乎都在朝著同一個目標前進--大幅提高適合數字時代的作戰能力--但大多數計劃都是在無視其他計劃的情況下制定的，而且主要集中在針對動態目標的傳感器對射擊能力上。

這些能力的基本假設是，持久的戰區和戰術情報、監視和偵察平臺、充足的國家技術手段、通信接入和連接，以及精確、導航和定時資產將可用來準確地向目標定位投送精確武器。在與大國的沖突中，預計通信環境會惡化，在這種情況下可能無法獲得或利用這些資產，這也是指揮官需要現成的聯合目標定位的關鍵原因。

此外，即使美軍有足夠的收集和連接能力來將武器瞄準目標，收集人員和武器操作人員也需要大致知道在哪里可以找到并完成動態單元和裝備。這種信息只有通過沖突前的聯合目標和目標系統分析開發才能獲得，而機器輔助分析和人工智能可以極大地改進這種分析。在 "沙漠風暴 "行動中，當聯軍擁有伊拉克上空的制空權和專用的情報、監視和偵察收集平臺時，他們無法有效地找到并解決在伊拉克西部隱藏地點之間移動的 "飛毛腿 "發射器。在整個戰役期間，伊拉克軍隊可能會定期向以色列和沙特阿拉伯發射飛毛腿導彈。人工智能可以智能地協助這些火力任務。

還有一個難題是如何將傳統的記錄項目（PoRs）與人工智能結合起來。在過渡到新的網絡和架構并嘗試添加算法以智能協助聯合目標定位人員和分析人員時，美國防部是否應該改進當前的傳統記錄項目，使其更具互操作性？或者，軍方是否應廢棄性能不佳或閑置的PoR，轉而發揮算法戰爭的潛力？考慮到聯合目標定位業務岌岌可危的全球戰略安全環境，應該是兩者兼而有之。美國防部不能為了獲取資源和開發新的架構、網絡和軟件工具以實現人工智能，而失去當前 PoRs 有限的互操作性連接。

在短時間內，應繼續為優先考慮的傳統 PoR 提供維持資金并對其進行一定程度的改進，同時為新網絡和架構提供資金，這些網絡和架構應具有以數據為中心的特性，不依賴平臺，并能使用算法來滿足作戰需求。如果人工智能帶來的新能力極大地增強了企業當前的生產能力，那么軍方就可以讓傳統的聯合目標定位 PoRs 停止。這也是一種方法，可讓深陷傳統 PoRs 思維模式的作戰和情報支持部門逐漸適應，接受并訓練人工智能，并開發使用人工智能后的新分析技術和程序。

總之，制定以數據為中心的聯合作戰新概念和國防情報企業倡議不能在真空中進行。在不久的將來，所有人都能提供數據要素，在算法的賦能下，改變聯合目標定位業務的效率和效果。優先考慮聯合目標定位可能無法解決聯合WC功能戰中固有的所有任務。然而，通過聯合目標定位的整體視角提供所有領域和平臺的數據訪問權限，將有助于改進其中的大多數任務。

支撐性活動包括聯合全域指揮與控制、聯合火力、爭奪后勤和信息優勢。口號應該是："某項舉措最終如何幫助將炸彈或非致命能力置于目標定位，是否會加強決策的及時評估？

正如眾議員邁克-加拉格爾（Mike Gallagher）最近寫道："實際上需要整合的是更多的常規硬實力。 讓對手確定目標定位是恢復美軍常規威懾態勢的最重要任務"。如果暴力沖突爆發，美國的軍事行動最終將收益于創造力，它開創了數字時代，改變了所謂的美國戰爭方式。

參考來源：Air & Space Operations Review (ASOR)

這項調查旨在確定能夠在 13 個與航空彈藥相關的研究領域開發最新解決方案的潛在來源。

美國國防承包商只有兩周的時間來表明他們對參與即將開展的空中優勢研究項目的興趣，這些項目涉及建模與仿真、飛機集成、目標跟蹤、導彈制導與控制以及用于無人機群的人工智能（AI）等使能技術。

位于佛羅里達州埃格林空軍基地的美國空軍研究實驗室彈藥局官員周二發布了2024年空中優勢廣泛機構公告項目的尋源通知（FA8651-24-S-0001）。

這項市場調查旨在確定具有專業知識、能力和經驗的潛在來源，以便在 13 個與空投彈藥相關的研究領域開發最先進的解決方案，這些領域包括

• 建模、仿真和分析；
• 飛機集成技術；
• 尋找固定目標跟蹤和數據鏈技術；
• 交戰管理系統技術；
• 高速引信
• 導彈電子設備
• 導彈制導和控制技術
• 先進彈頭技術
• 先進導彈推進技術
• 控制驅動系統；
• 導彈運載和釋放技術
• 導彈測試和評估技術；以及
• 人工智能和機器自主。

建模、仿真和分析旨在開發模型，以分析空中優勢概念，如相互通信武器、新型破壞機制、致命和新型破壞機制、若干目標定位和關鍵時間投送。詳細建模包括傳感器、空氣動力學、自動駕駛儀、導航和制導方案、推進、彈頭、引信、數據鏈、火控、發射器、懸掛、運載和釋放、誤差過濾器、環境（風、霧和塵埃）、殺傷力、脆弱性和威脅。

創新飛機集成技術旨在設計、開發和演示飛機集成技術的物理、電氣和邏輯接口。

尋找-固定-目標-跟蹤和數據鏈技術旨在開發探測飛機威脅的技術。感興趣的技術包括用于空對空導彈的小型數據鏈終端、保形數據鏈天線、替代波形以及支持空對空導彈群的數據鏈應用。

交戰管理系統技術力求在競爭日益激烈的環境中最大限度地提高飛機的生存能力，同時降低誤報率和交戰成本。這些技術可能只需要有限的機組人員監督，也可能是自主操作的。

高速引信涉及能夠安全啟動彈頭的電子安全和武器技術、目標探測裝置和制導綜合引信裝置，這些裝置能夠提供小型化、快速反應、精確的射程和位置信息，用于高閉合速度攔截慢速和快速移動的目標。

導彈電子設備旨在研究空對空導彈的動力和電子設備，涉及動力轉換和分配、發電和存儲技術、制導電子設備和熱管理。

導彈制導和控制技術旨在研究針對機動目標的制導算法、實時優化發射和能量管理、集成制導和控制、減少尋的器測量和最終控制鰭指令之間的延遲、尋的器技術和算法、目標狀態估計器以及第三方排隊。

先進彈頭技術旨在研究常規彈頭和概念彈頭技術，以利用技術摧毀、破壞、擊敗或剝奪相關目標的功能，從而使空射彈藥具備強大且經濟實惠的能力。

先進導彈推進技術涉及推進劑配方、顆粒結構、殼體技術、點火安全裝置、噴嘴技術和多脈沖發動機屏障。

控制執行系統旨在開發高效的導彈飛行控制，涉及微型執行器、高速執行系統、低成本控制執行技術、鉸接式導彈雷達罩、高速導彈折疊鰭概念以及先進的機身控制技術。

導彈運載和釋放技術旨在研究使用高速數據飛機到武器通信、吊艙結構以及飛機到武器電力轉換和分配系統的武器艙應用高密度運載。

導彈測試和評估技術尋求加密遙測方法，以減輕當前加密遙測系統的后勤負擔；自主飛行終止系統，以消除對機載飛行終止接收器和天線的需求；小型化和大功率導彈跟蹤信標；小型化爆炸物引爆模塊；以及雙重導彈跟蹤技術。

人工智能和機器自主旨在為成群的網絡協作和自主武器系統開發機器學習能力。

參考來源：militaryaerospace

幾十年來，美國海軍一直在研究人工智能的好處和陷阱，雖然人們關注的焦點是無人駕駛船舶和飛行機器人等系統，但人工智能也可能在后勤、資產管理和調度方面帶來重大進步。

1月11日，美國海軍研究辦公室（Office of Naval Research）數學、計算機和信息科學部門主任亞歷山德拉·蘭茨伯格（Alexandra Landsberg）在水面海軍協會第36屆全國研討會（National Symposium）的小組討論中將焦點轉向了人工智能的行政用途。

她認為，雖然分析大量數據和創建摘要等信息處理優勢是人工智能的已知優勢，但也許在任務規劃和有爭議的后勤方面，一個較少被談論和探索的潛力。

隨著傳感器收集的數據比以往任何時候都多，“現在，鑒于我們在硬件進步和軟件進步方面的能力，我們可以引入，考慮到有爭議的物流，”她說。

她說，后勤帶來的作戰問題為兩用人工智能帶來了機會。他們可以向一些大型商業參與者學習。

“我們去亞馬遜或聯邦快遞吧。亞馬遜有倉庫，里面有機器人，他們確切地知道里面有什么產品，如何把這些產品送到送貨員手中。他們知道如何優化所有這些的日程安排。”

優化資源和規劃是蘭茨伯格所說的海軍一個至關重要的目標的一部分：戰備狀態。

“如果我們能從世界上的亞馬遜或聯邦快遞公司那里采用這些人工智能方法，并在那里對我們的造船廠進行現代化改造，確切地知道我們擁有哪些零件，什么是合適的人，在正確的時間在正確的地點。所有這些都將結合在一起，真正優化我們機隊的可用性。”

她說，人工智能可以在行政上提供幫助的另一個領域是通過ChatGPT等大型語言模型。

“我們想搜索大型文檔。我們有很多大型文檔。我們想去做總結。我們希望準確地制作表格，”她說。

但是，在國防部內部使用生成式人工智能的一個備受討論的挑戰是安全性和信任。

“挑戰在于，世界上的ChatGPT是公開開發的，信息又回到了那里，”她說。

她說，這意味著為了利用生成式人工智能，海軍需要開發自己的安全環境，并確保正在訓練的數據是安全的。

她補充說，確保信任和理解意味著人工智能必須與人類協同工作。信任需要理解，理解需要培訓。

“所有這一切都取決于人類。這實際上是人類和人工智能系統協同工作，它確保運營商信任并理解這些人工智能建議的好處，但也了解這些建議的局限性。”

她說，需要測試評估、驗證和確認。除了實驗和模擬之外，應用程序還需要在現實世界中進行測試。這絕對至關重要。

有很多扎實的數學和研究可以給你保證，這是其中的一個方面。我們不要忘記，研究人員可以幫助海軍提供服務的保證。她說，有了保證，海軍就可以將實驗擴大到規模。

她說，無論人工智能被用于什么——從無人系統到物流和規劃——它都必須涵蓋一系列科學技術、基礎研究以及技術演示和實驗。但它不能在實驗中停滯不前——它需要投入使用，并且需要擴大到艦隊。

“這就是我們走到一起的地方，”她說。它必須超越實驗室中的科學家。“我們必須在車隊中盡早并經常對其進行測試。然后我們必須能夠擴大規模。它需要什么？它要求海軍人員，無論是軍事還是民用人員，都要了解人工智能。

蘭茨伯格說，人工智能生態系統將需要軍事、工業和學術界之間的伙伴關系，“以便能夠在人工智能方面為我們提供一些嚴格的措施和保證。因此，這確實是我看到人工智能生態系統的發展方向，以及我們所有人需要如何合作。

參考來源：National DEFENSE

美陸軍計劃采用兩種版本的戰術情報瞄準節點（TITAN）系統，一種是更適合遠征的基本版本，另一種是可直接連接天基情報資產的先進版本。

隨著美陸軍進入戰術情報目標節點（TITAN）計劃的計劃成熟階段，它將要求選定的供應商提供兩種變體，一種是基本的、更遠征的系統，另一種是直接下行到天基數據的高級版本。

12月5日，美國陸軍情報、電子戰和傳感器項目執行官埃德·巴克（Ed Barker）準將主持了一場虛擬媒體圓桌會議，向記者介紹了TITAN及其投資組合中的其他項目。

TITAN是陸軍第一個由人工智能和機器學習支持的情報地面站，被認為是該軍種多域作戰和聯合全域作戰愿景的關鍵組成部分。該系統旨在提供下一代、遠征、可擴展和可機動的梯隊平臺，以解決陸軍在大規模作戰行動中的頭號差距：深度傳感。據陸軍網站稱，通過同時訪問來自太空、高空、空中和地面層的多個傳感器的傳感器數據，TITAN在行動中提供了態勢感知和態勢理解。該網站解釋說，融合這些數據并使用高級分析向致命和非致命網絡提供有針對性的情報，可以縮小傳感器與射手之間的差距，并實現遠程精確射擊、航空和任務指揮。

“這是陸軍內部情報現代化工作的基本要素之一。正如你們中的許多人可能知道的那樣，泰坦是一個可擴展的遠征情報地面站，真正希望提供融合的傳感器數據，以實現遠程精確射擊。它確實是事物深度傳感方面的關鍵組成部分，以及將其存儲在傳感器到射手回路中的能力”，巴克將軍說。

該系統正在根據快速原型設計戰略進行開發，以盡快開發和部署該系統。去年，陸軍向Palantir Technologies和Raytheon Technologies授予了兩份價值3600萬美元的TITAN合同。項目官員允許士兵在 2023 年期間訪問該系統，用于所謂的士兵“接觸點”，允許服役人員就如何改進系統提供反饋。2024 年，該服務打算將原型成熟階段合同授予一家公司，并向尚未選擇的單位發布第一個 TITAN Advanced 系統。

“我們的下一步，在 [20]24 年的第二季度，我們預計會選擇其中一家供應商進入我們所說的原型成熟階段，即 PMP，這是快速原型設計的下一階段。在這個PMP成熟階段，選定的供應商將進一步成熟他們的原型，[具有]更多的士兵接觸點。然后，我們打算在指定單位中增加一些這種能力問題，以使他們能夠完善TPP（戰術，技術和程序）中的反饋，并將其用于其中，”巴克將軍說。

他指出，將包括不同版本的地面站。基本系統和先進系統之間的主要區別在于，后者將包括諾斯羅普·格魯曼公司提供的“太空套件”，該套件提供來自天基資產的直接下行鏈路，從而更快地提供情報數據。“從天基方面來看，這是來自那些國家技術手段的直接下行鏈路。這減少了直接訪問這些天基資產的額外周期時間，”將軍說。

但是，基本版本也將能夠訪問該信息，只是不能直接訪問。相反，它將能夠從國家地理空間情報局等組織的數據設施中獲取信息，“現在，這并不意味著基本人員無法訪問這些天基數據，”他澄清說。

陸軍將繼續通過一系列演習來評估和開發該系統，“從網絡的角度并了解梯隊的發展方向，這將有助于確定不同梯隊需要多少基本和先進的系統。”

剩余的 TITAN 計劃包括 2025 年推出 TITAN Basic 的第一臺產品，以及完成快速原型制作計劃、開始生產和 2026 年發布最終原型。

他補充說，隨著該服務“向主要能力獲取”過渡，它很可能“也將開始走上他們所謂的軟件獲取路徑”，這將有助于應對新出現的威脅，并“使我們能夠繼續保持足夠的敏捷性來滿足新出現的需求”。

巴克將軍的團隊創建了 Project Linchpin，專門用于提供人工智能和機器學習 TITAN 以及許多其他程序。所有 PEO-IEW&S 傳感器現代化都有望利用這些新興功能。

參考來源：AFCEA

英國國防部利用 SimStriker 機器人中的 ChatGPT 增強作戰訓練，使士兵與目標的動態對話成為現實。

英國國防部（MoD）計劃將 ChatGPT 語言模型集成到用于軍事演習的機器人靶標中，從而徹底改變近距離作戰訓練。戰斗訓練專業公司 4GD 獲得了國防與安全加速器的一份合同，將把先進的 ChatGPT 系統整合到其 SimStriker 機器人靶標中。

SimStriker：近身格斗訓練的突破性進展

由 4GD 于 2020 年開發的 SimStriker 已在英國科爾切斯特的 SmartFacility 使用，目前為英國陸軍第 16 空中突擊旅提供服務。2022 年，該設施記錄了超過 1200 小時的訓練，包括國防部警察和平民參與者在內的各種用戶都參與其中。

SimStriker 機器人目標具有 "命中區域 "傳感器，可記錄精確度和射速，為評估士兵表現提供寶貴數據。這些目標還擁有探測移動、光線和聲音的精密儀器。它們可以發出聲音，發出警報，使用非致命彈藥進行反擊，并在交戰時落在自己的基地上。

集成 ChatGPT，實現動態對話

在 11 月 27 日的最新公告中，4GD 披露了將 OpenAI 的 ChatGPT 系統集成到 SimStriker 的計劃，使士兵能夠與目標進行 "動態對話"。這一集成是與軟件解決方案公司 NIAXO 合作進行的，旨在通過引入多樣、逼真的互動來增強軍事訓練場景。

操作員可以配置或選擇預先配置的場景，并在培訓過程中與 SimStriker 進行口頭交流。這項創新性的開發將模擬社交媒體饋送和其他環境刺激結合在一起，創造了一個更加身臨其境和動態的訓練環境，從而使訓練更進一步。

英國國防部實現逼真訓練的戰略舉措

將 ChatGPT 集成到戰斗模擬機器人中的決定與全球軍事力量投資于增強現實和虛擬現實等技術以進行高性價比訓練的大趨勢相一致。雖然虛擬仿真具有優勢，但真實世界的訓練對于建立和保持作戰效能仍然至關重要。

英國國防部將 ChatGPT 納入 SimStriker 的舉措標志著互動培訓解決方案的最新發展，彌補了技術進步與實際作戰場景之間的差距。現代戰爭要求士兵在復雜的近距離環境中作戰，整合先進的語言模型旨在提供更加逼真和動態的訓練體驗。

用合成對話增強真實感

國防與安全加速器（DASA）強調了在 SimStriker 中添加 ChatGPT 的重要性，并強調了逼真訓練場景的必要性。目標是讓目標與士兵及其裝備進行 "合成對話"，包括社交媒體饋送。這一創新有望使訓練課程更加多樣、動態和身臨其境，有助于提高士兵的反應能力和決策技能。

4GD 業務發展總監詹姆斯-克勞利（James Crowley）對這一發展表示興奮，他說："DASA 授予我們這份合同證明，4GD 將與我們的行業合作伙伴一起，繼續調整我們的解決方案，以實現最佳的培訓效果。他補充說，人工智能的集成為城市戰爭場景增添了另一層真實感，進一步提高了軍事訓練模擬的效果。

隨著英國國防部對尖端技術的青睞，將 ChatGPT 集成到戰斗模擬機器人中標志著一個重要的里程碑，推動了英國武裝部隊近身格斗訓練的真實性和有效性。

參考來源：Interesting Engineering, Inc.

無論稱之為非動能作戰、信息戰、信息行動還是信息環境作戰（OIE），計劃和執行這些活動都異常困難。一次標準的行動需要幾個月的時間，而 OIE 的官僚作風使得在 24 小時內從搖籃到墳墓的執行幾乎不可能，尤其是在沖突期間。生成式人工智能可以加快這一進程。人工智能可以在幾秒鐘內生成文本和圖像等內容。在人工質量控制人員的適當提示下，人工智能可以開發出大型語言模型和文本到圖像模型，能夠高效地生產優質產品，從而大幅減少工時。這種能力可以在軍事領域得到廣泛應用。

在討論如何實現 OIE 要素自動化之前，先定義一下重要術語。

• 人工智能（AI）： 數字計算機或計算機控制的機器人執行通常與智能人相關任務的能力。人工智能模擬人類智能來解決問題。
• 生成式人工智能（GAI）：使用戶能夠根據各種輸入快速生成新內容。這些模型的輸入和輸出可包括文本、圖像、聲音、動畫、三維模型或其他類型的數據。
• 大型語言模型（LLM）：一種使用深度學習算法的 GAI 形式，可以使用龐大的數據集識別、總結、翻譯、預測和生成內容。最著名的 LLM 是 OpenAI 的 ChatGPT。
• 文本到圖像模型：一種根據文本提示創建圖像的 GAI 形式。
• （人工）幻覺：一種LLM生成與現實世界輸入不符的看似逼真的輸出現象。

JPP對規劃人員和參謀人員來說是一個有價值的模型，但很少在演習之外使用。LLM 的高效率可以鼓勵其采用。由 LLM 生成的任務分析和作戰行動分析可大大減少計劃人員花在集思廣益和生成產品上的時間。由于 LLM 是一種統計算法，它們可以更好地告知、權衡和比較預期效果的可能性以及不同 COA 的風險。有了實時向指揮官和規劃人員提供簡明行動更新和估計的自動化系統，工作人員就能以信息環境的速度開展工作。 在演習環境中，LLM 可以代表演習指揮人員充當 "白方"，管理數以千計的輸入，并根據紅藍部隊的活動得出現實的結果。

自動化可以進一步開發大量的 OIE COA。能夠編寫代碼、翻譯、調試、識別安全漏洞、分析軟件合規性等的 LLM，可以提高計劃人員可利用的網絡空間行動的規模、速度、復雜性和多樣性。通過重復敘述、闡述、操縱、播種和說服，影響力作戰有可能提高速度和規模。從理論上講，訓練有素的當地聯絡官可以作為受信任的內部人員/多數群體成員，向其他內部群體的目標受眾成員發表講話。

LLM 可以幫助指揮官和規劃人員在信息環境中快速行動。通過不斷攝取機密和開放源碼數據、大規模分析情報和兵棋推演，LLMs 可以將向 OIE 提供情報支持的許多方面自動化。 人工智能還能極大地促進參謀估算和聯合行動計劃的制定。LLM 可以快速起草指揮官指導產品和行政行動，指揮官可以對其進行完善，以確保質量和意圖不受損害。此外，在某些情況下，人類指揮官可能會授權自動批準特定的戰術任務，并規定明確的界限和紅線（例如，將軍不需要批準每一次進攻性網絡空間行動）。在現代戰爭中，在一些特定的環境和時間范圍內，需要指揮官以人類無法操作的速度或規模進行審批。與完全自動化相比，將審批權下放給訓練有素、技能嫻熟的在環人員仍然更為可取。當然，人類審批者仍應承擔責任，特別是對于可能產生暴力影響的 OIE，因為人工智能不會像人類那樣珍視人的生命，因此無法追究其法律責任。外交和人際關系需要人類的經驗和指揮官的智慧。

LLM 確實存在一些顯著的局限性和脆弱性。雖然這些令人印象深刻的統計算法似乎能理解所寫文字的含義，但其實不然，因為它們只是文字關聯的數學公式。LLMs 無法像人類那樣理解世界，這導致它們經常產生幻覺。這其中有重大的安全考慮因素--我們可以想象這樣的場景：LLM 提供錯誤的情報數據，導致人類指揮官做出錯誤的決定；或者人工智能得出結論，認為核行動會比穩態行動產生更可行的長期結果。因此，它們不可能成為不受監督的人工戰略家、規劃者或指揮官。

創建一個對軍事有用的 LLMs 是一個多步驟的過程。作為 "生成式 "人工智能，它們必須在已有數據的基礎上進行訓練。在將這些訓練數據輸入 LLM 之前，必須對其進行收集和適當調節。用于商業和學術用途的訓練數據可能很容易獲取，格式一致，并經過預先校準，以確保其可靠性和質量，但用于軍事目的的高質量訓練數據可能更難獲取。安全等級將阻礙數據的獲取，而可用數據的格式可能并不常見，質量也無法得到一致保證。一旦輸入這些訓練數據，評估人員（人類或其他人工智能）將在迭代改進循環中對 LLM 的輸出進行評分。要建立對軍事有用的 LLM，需要解決數據集、合同、范圍和完善循環等問題。

數據的可訪問性、規范化和真實性是為軍隊創建可用數據集的最大挑戰。所需培訓資料的分類各不相同，這是最直接的可訪問性障礙，不過將所有資料移至最高成分分類是一種行之有效的變通辦法。軍方文件存儲的分布式性質增加了額外的復雜性，因為資料通常存儲在孤立或受限的網絡、權限受限的文件服務器、SharePoint 站點、電子郵件、個人文件夾和打印紙上。訪問這些資料需要大量的協調工作。軍事資料長短不一，可以用各種字體和編碼書寫，通常以具有靈活復雜元數據結構的文件格式存儲。有用的信息也可能以機器較難讀取的格式存儲，如書面文本的圖像。這些產品的規范化需要將文件的關鍵部分轉錄為文本。由于需要判斷是否需要省略格式過于定制的產品，因此人類最有能力完成規范化工作。不過，由于需要大量的訓練數據，其他自動化流程會更加實用。不過，依賴自動規范化需要一定的信任，因為錯誤的訓練數據會錯誤地訓練 LLM，使其產生錯誤的輸出結果。因此，數據的真實性對于確保高質量的 LLM 輸出非常重要。然而，簡單的錯誤（如重復文件或錯別字）或惡意行為（如用大量錯誤信息毒害訓練數據集）都會影響數據的準確性。此外，隨著時間的推移，數據的真實性也會發生變化，因為數據會過時或后來被推翻。

訓練 LLM 需要非常搶手的技能集、大量的訓練數據和昂貴的計算基礎設施，而且這很可能需要通過簽約來實現，這就造成了一些額外的障礙。即使美國防部能夠開發內部培訓，使其軍事人員達到行業標準，也很難讓他們穿上軍裝。因此，承包商是最可行的選擇，但由于他們需要獲得適當的許可，因此會造成額外的障礙。確保合同不包含允許保留數據的漏洞至關重要，因為人工智能公司會設法保留以前客戶的培訓數據副本，因為這些數據很有價值。審查合同不僅需要嚴格的技術和法律審查，而且對承包商的監控也需要積極主動的取證工作，以確保不會意外或以其他方式保留數據。鑒于沒有為較高分類級別的工作租用計算機設備的選擇，這些法律碩士的硬件必須購買。

明確 LLM 的范圍對于管理預期至關重要，尤其是并非每個流程都能從人工智能的使用中切實受益。鑒于產出可能因目的不同而完全不同，即使它們的名稱相同，也必須根據特定任務定制 LLM。 例如，網絡任務的 "規劃文件 "與轟炸任務的 "規劃文件 "在內容、結構、術語和措辭上都會有所不同。接受過各種 "規劃文件 "培訓的 LLM 可能會選擇不正確的格式，甚至將不同格式拼湊成不適合任何單元的文件。然而，雖然縮小范圍可以使人工智能更好地適應特定目的，但也可能限制可用訓練材料的數量。鑒于軍事規劃的深奧性，需要大量的訓練數據才能讓 LLM 思考正確，而不僅僅是聽起來正確。這種人工智能自動化也可能無助于戰爭的上層和下層。一名作戰人員不會想向一個聊天應用詢問在交火中欺騙對手的想法。同時，審議政策和戰略的緩慢節奏也限制了 LLM 在生成速度方面的主要優勢。相反，它最適合工作人員的工作，尤其是在行動層面。

訓練和評估 LLM 和其他類型的人工智能的最佳方式是通過迭代改進循環，對人工智能產生的輸出結果進行反復評估。如果語法和寫作風格是唯一的參數，那么這些改進循環可以迅速完成。不過，雖然 LLM 可以輕松地編寫出足夠好的短文，如詩歌或簡短的電子郵件，但當需要編寫較長的文件時，它們更容易產生幻覺。由于軍事用途對文件內容和準確性的依賴比對語法或文體的依賴更為關鍵，這些提煉循環可能會更加費力。細化循環需要一定的專業知識、研究或實驗，以防止產生逼真但錯誤的輸出。由于此類測試需要耗費大量精力，因此細化循環可能是訓練軍用 LLM 的最大限制因素。

在軍隊中使用 LLM 并非沒有風險和困難。有缺陷或不足的訓練數據、人工智能對齊、不適當的信任校準、人類的自滿情緒、模型盜竊和模型濫用等問題都可以.... 數據量、種類、速度、真實性和價值方面的不足會增加不同的風險。數量少的數據集可能會導致過度擬合，因為在面對現實世界的混亂時，LLM 只有很少的兩個參考點，而缺乏多樣性則可能產生等同于群體思維的現象。如果建立數據集的速度不夠快，成本就會增加，項目進度也會放緩。同時，真實性和價值不高的數據容易給LLM帶來錯誤的教訓。此外，也很難證明 LLM 符合人類的價值觀。深度學習視角下的對齊問題為討論對齊風險提供了一個有用的三部分框架：

• 所謂 "情境感知獎勵黑客"，是指人工智能在訓練（與運行）中表現出不同的行為，從而看起來更符合評估標準。寶馬的排放丑聞就是這種一致性風險的人類類比。

• "內部表示目標不一致 "是指人工智能從人類意圖中誤解了自己的目的。例如，"采摘西紅柿 "可能會被誤解為 "收集鮮紅的物體"；這在實踐中仍然可以很好地發揮作用，但也可能導致 "西紅柿豐收 "的結果是瓶蓋和瓢蟲。

• "部署過程中的權力尋租 "是一種風險，因為許多目標都隱含著權力尋租，而這在培訓過程中可能不會被發現。尼克-博斯特羅姆（Nick Bostrom）著名的 "回形針最大化 "思想實驗設想，人工智能的任務是創造 "大量回形針"。它通過控制越來越多的材料和制造能力來實現這一目標，同時抵制人類盡量減少回形針生產的努力，最終將宇宙中的所有材料（包括人類）轉化為回形針。

考慮到這三種潛在風險，人在回路是最好的保險措施，但并非萬無一失。相反，人類還必須對 LLM 保持謹慎的信任和不信任。如果人類對 LLM 信任度不夠，那么 LLM 很可能會效率低下。然而，如果人類過于信任 LLM，或者信任 LLM 去做它沒有能力處理的事情，就會產生更大的風險。LLM 可能會成為那些缺乏適當訓練或技能的人的拐杖，當 LLM 的幻覺產生危險、虛假的信息（例如，建議對目標清單上沒有的目標進行 OIE）或不適當地強化對壓力過大的人類有吸引力的想法（例如，切斷一個同時包含叛亂總部和平民醫院的城區的電力）時，就會產生危險的情景。LLM 可能會帶來安全風險，因為它們可能包含大量信息。盡管逆向工程人工智能模型仍是一門不成熟的藝術，但這一領域卻有著巨大的發展潛力。最后，人類用戶有可能濫用 LLM，最有效的形式是將行動循環自動化或將人類從某些循環中移除。理性的行為者有理由理解這一點，不會自動執行我們都會感到遺憾的程序（如 "天網 "的 C2 和火力控制）。不過，不法行為者或急于獲得不對稱優勢的人可能會以不同的方式評估風險。

結論是，LLMs 值得立即研究并應用于大多數常規軍事任務，包括保密和非保密任務。有了訓練有素、在線、持續更新的 LLM，再加上適當的用戶輸入，績效報告、每日行動更新 PowerPoint、情報報告和其他無數任務都可以在幾分鐘或幾小時內完成，而不是幾天或幾周，每周可為整個國防部節省數百萬工時。至于人工智能是否能獨立地、災難性地運行，我們認為可以，在我們有生之年可以，但不能在我們的軍隊中運行。

參考來源：U.S. AIR UNIVERSITY

人工智能解決方案在陸軍野戰應用中的使用將在很大程度上依賴于機器學習（ML）算法。當前的ML算法需要大量與任務相關的訓練數據，以使其在目標和活動識別以及高級決策等任務中表現出色。戰場數據源可能是異構的，包含多種傳感模式。目前用于訓練ML方法的開源數據集在內容和傳感模式方面都不能充分反映陸軍感興趣的場景和情況。目前正在推動使用合成數據來彌補與未來軍事多域作戰相關的真實世界訓練數據的不足。然而，目前還沒有系統的合成數據生成方法，能夠在一定程度上保證在此類數據上訓練的ML技術能夠改善真實世界的性能。與人工生成人類認為逼真的語音或圖像相比，本文為ML生成有效合成數據提出了更深層次的問題。

1 引言

人工智能（AI）是美國國防現代化的優先事項。美國國防部的人工智能戰略指示該部門加快采用人工智能并創建一支適合時代的部隊。因此，它自然也是陸軍現代化的優先事項。從陸軍多域作戰（MDO）的角度來看，人工智能是解決問題的重要因素，而MDO是建立在與對手交戰的分層對峙基礎上的。雖然人工智能本身沒有一個簡明和普遍接受的定義，但國防部人工智能戰略文件將其稱為 "機器執行通常需要人類智能的任務的能力--例如，識別模式、從經驗中學習、得出結論、進行預測或采取行動--無論是以數字方式還是作為自主物理系統背后的智能軟件"。這句話的意思是，當機器在沒有人類幫助的情況下獨立完成這些任務時，它就表現出了智能。過去十年中出現的人工智能解決方案的一個重要方面是，它們絕大多數都符合模式識別模式；在大多數情況下，它們根據經過訓練的人工神經網絡（ANN）對相同輸入數據的輸出結果，將輸入數據分配到數據類別中。具體來說，深度學習神經網絡（DNN）由多層人工神經元和連接權重組成，最初在已知類別的大量數據上進行訓練以確定權重，然后用于對應用中的實際輸入數據進行分類。因此，機器學習（ML），即自動機（這里指DNN）在訓練階段學習模式的過程，一直是一個主導主題。事實上，DNN在計算機視覺領域的成功是商業和政府部門加大對人工智能關注和投資的原因。訓練算法和軟件開發工具（如tensorflow）的進步、圖形處理器（GPU）等計算能力的可用性，以及通過社交媒體等途徑獲取大量數據，使得深度學習模型在許多應用中得到了快速探索。

在監督學習中，人類專家創建一組樣本來訓練ML算法，訓練數據與實際應用數據的接近程度對人工智能方法的性能起著重要作用。將ML模型應用于軍事問題的主要瓶頸是缺乏足夠數量的代表性數據來訓練這些模型。有人提出使用合成數據作為一種變通辦法。合成數據集具有某些優勢：

• 它們帶有準確的地面實況。
• 使用現成的模擬產品可輕松生成大量各種類型的數據。
• 它們在程序上的障礙較少，例如，生物識別數據需要獲得機構審查委員會的許可。

然而，最關鍵的問題是在合成數據或混合合成和真實數據上訓練ML模型是否能使這些模型在真實數據上表現良好。美國陸軍作戰能力發展司令部陸軍研究實驗室的研究人員和合作者使用合成生成的人類視頻進行機器人手勢識別所獲得的初步結果表明，在合成數據和真實數據混合的基礎上進行訓練可以提高ML手勢識別器的性能。然而，并沒有普遍或分類的結果表明，當全部或部分使用合成數據進行訓練時，真實世界的ML性能會得到一致的提高。因此，有必要進行系統調查，以確定使用合成數據訓練ML方法的可信度。我們有理由假設，合成數據在提高ML性能方面的有效性將受到實際應用領域、合成數據與真實數據的保真度、訓練機制以及ML方法本身等因素的影響。合成數據與真實數據的保真度反過來又取決于數據合成方法，并提出了通過適當指標評估保真度的問題。以圖像為例，合成數據訓練的ML方法的性能與人類視覺感知的真實場景的保真度是否成正比并不清楚。有可能數據的一些關鍵特征對于ML的性能比那些影響人類感知的特征更為重要。組織這次陸軍科學規劃和戰略會議（ASPSM）的一個主要目的是讓合成數據生成、人工智能和機器學習（AI & ML）以及人類感知方面的頂尖學術界和國防部專家討論這些問題。會議的技術重點主要是圖像和視頻數據，反映了組織者在計算機視覺和場景感知方面的任務領域。

2 組織

根據上一節提出的問題，會議圍繞三個主題展開：

1.人類的學習和概括： 人類可以從最小的抽象和描述概括到復雜的對象。例如，在許多情況下，觀察一個物體的卡通圖像或線描，就足以讓人類在真實場景中識別出實際的三維物體，盡管后者比卡通圖像或線描具有更復雜的屬性。 這遠遠超出了當前人工智能和ML系統的能力。如果能夠開發出這種能力，將大大減輕數據合成機器的負擔，確保真實數據的所有屬性都嚴格保真。這個例子也說明了一個事實，即用于訓練ML模型的合成數據生成研究與提高ML模型本身的能力密切相關。因此，這項研究的重點是探索人類和動物的學習，以啟發ML和數據合成的新方法。

2.數據合成方法和驗證： 大多數應用ML方法的領域都有針對其領域的數據合成技術和工具。游戲平臺提供了一個流行的視頻合成商業范例。問題是如何評估特定領域中不同合成方法的性能。顯然，我們必須確定執行此類評估的指標或標準。通常情況下，合成工具的作者也會就工具的性能或功效發表聲明。驗證將是評估此類聲明的過程。本研究的目的是探討指導合成和驗證過程的原則。合成技術的例子包括基于計算機圖形的渲染器（如電影中使用的）、基于物理的模擬（如紅外圖像）和生成模型（目前傾向于基于神經網絡）。

3.領域適應挑戰： ML中的領域適應是指使用一個領域（稱為源領域）的數據訓練ML模型，然后將ML應用于不同但相關領域（稱為目標領域）的數據。例如，使用主要為民用車輛的源圖像數據集訓練識別車輛的ML算法，然后使用訓練好的算法識別主要為軍用車輛的目標數據集中的車輛。在使用合成數據進行訓練時，它們通常構成源域，而實際應用數據則是目標域。本次會議的重點是確定和討論有效領域適應中的關鍵問題和挑戰。

ASPSM的審議分四次會議進行。第一天的兩場會議討論了前兩個主題。第二天的第一場會議討論第三個主題，第二場會議在三個主題下進行分組討論。ASPSM兩天的日程安排分別如圖1和圖2所示。從圖中可以看出，每個主題會議首先由該領域的學術專家進行40分鐘的主講，然后由大學專家進行兩個20分鐘的講座。隨后由來自學術界和國防部的專家組成的小組進行討論。最后一個環節是分組討論，與會者可以討論與主題相關的各個方面。

3 口頭報告和小組討論

麻省理工學院電子工程與計算機科學系的Antonio Torralba教授在第一分會場發表了關于人類學習與泛化的主題演講。他的演講題目是 "從視覺、觸覺和聽覺中學習"，深入探討了深度學習方法如何在不使用大量標注訓練數據的情況下發現有意義的場景表征。舉例說明了他們的DNN如何在視覺場景和環境中的聲音之間建立聯系。讀者可參閱Aytar等人關于這一主題的代表性文章。

同樣來自麻省理工學院的James DiCarlo博士的下一個演講題目是 "視覺智能逆向工程"。他將 "逆向工程 "定義為根據對行為的觀察和對輸入的反應推斷大腦的內部過程，將 "正向工程 "定義為創建ANN模型，以便在相同輸入的情況下產生相應的行為。他的研究小組的一個目標是建立神經認知任務的性能基準，人類或其他靈長類動物以及ML模型可以同時達到這些基準。他的演講展示了大腦處理模型如何適應ANN實現的初步結果，并提出了ANN通過結合這些適應密切模擬人類行為，進而準確描述大腦功能的理由。

第一場會議的第三場講座由加州大學伯克利分校的Jitendra Malik教授主講，題為 "圖靈的嬰兒"。這個題目也許是指最早的電子存儲程序計算機之一，綽號 "寶貝"，其創造者之一受到了阿蘭-圖靈的啟發。馬利克教授首先引用了圖靈的觀點：與其創建一個模擬成人思維的程序，不如從模擬兒童思維開始。從本質上講，這意味著創造一種人工智能，通過與環境互動以及向其他人工智能和人類學習來學習和成長。這被稱為具身機器智能。馬利克教授認為，監督學習本質上是處理靜態數據集，因此顯示了在精心策劃的時間點上運行的非實體智能。具體而言，他認為監督訓練方法不適合創建能夠提供人類水平的世界理解，特別是人類行為理解的人工智能。Malik教授介紹了 "Habitat"，這是一個由他和他的合作者開發的平臺，用于嵌入式人工智能的研究。在隨后的小組討論中，與會人員討論了演講者所涉及的主題，以及與機器人學習和當前兒童智力發展模型相關的主題。

第二部分“數據合成:方法和驗證”以一個題為“學習生成還是生成學習?”，作者是斯坦福大學的Leonidas gu教授。在研究用于訓練ML的合成數據生成的動機中，他指出可以減輕大量人工注釋訓練數據的負擔。他的前提是，無論合成數據是用于訓練ML還是供人類使用，其生成效率和真實性都非常重要。不過，他表示其他質量指標還沒有得到很好的定義，需要進一步研究。他舉例說明了在混合合成數據和真實數據上訓練ML時，ML的物體識別性能有所提高，但他也承認很難得出可推廣的結論。

卡內基梅隆大學的Jessica Hodgins博士發表了第二場會議的第二個演講，題為 "生成和使用合成數據進行訓練"。演講展示了她的研究小組生成的精細合成場景。利用從真實場景到合成場景的風格轉移過程，她的研究小組創造了一些實例，說明在混合了大量風格適應的合成數據和一些真實數據的基礎上進行訓練的ML方法的性能優于僅在真實數據集或僅在合成數據集上進行訓練的方法。性能提高的原因在于風格轉移克服了合成數據集與真實數據集之間的 "分布差距"。

第二場會議的最后一場講座由加州大學伯克利分校的Trevor Darrell教授主講。他的演講題為 "生成、增強和調整復雜場景"，分為三個部分。第一部分詳細介紹了演講者及其核心研究人員開發的一種名為 "語義瓶頸場景生成 "的技術，用于根據地面實況標簽合成場景。該技術可進一步與通過生成過程生成此類地面標簽的模型相結合。Azadi等人對該技術進行了詳細描述。 第二部分涉及增強和自我監督學習。發言人提出，當前的對比學習方法在合成增強數據時建立了不變量，而這些不變量可能是有益的，也可能是無益的。例如，建立旋轉不變性可能有利于識別場景中的花朵，但可能會阻礙對特定方向物體的有效識別。演講者介紹了他的研究小組考慮具有特定不變性的多種學習路徑的方法，并展示了與現有技術相比性能有所提高的結果。 第三部分介紹了一種名為 "Tent"（測試熵）的技術。其前提是DNN應用過程中遇到的數據分布可能與訓練數據不同，從而導致性能下降。因此，需要對DNN參數進行實時或測試時調整，以防止性能下降。Tent技術通過調整權重使DNN輸出的測量熵最小化來實現這一目標。演講者隨后用常用數據集展示了該技術相對于先前方法的改進性能。隨后的小組討論涉及合成方面的挑戰，尤其是紅外圖像方面的挑戰。

第二天的第三場會議以 "領域轉移的挑戰 "開始。約翰霍普金斯大學布隆伯格特聘教授Rama Chellappa博士發表了題為 "解決美國防部實際問題的綜合數據期望與最大化"的演講。演講首先回顧了過去二十年來國防部處理合成圖像的多個項目的歷史。他提出了一個重要論斷，即如果在合成過程中考慮到真實數據的物理特性，那么真實數據和合成數據之間的領域轉換就會減少。Chellappa教授還就領域自適應表示法提供了快速教程，涵蓋了正規數學方法以及較新的生成對抗網絡（GANs）。演講者及其核心研究人員開發的基于GAN的方法可以修改合成數據的分布，使之與目標分布相匹配。講座舉例說明了這種方法優于之前的非GAN方法。

佐治亞理工學院的Judy Hoffman教授發表了題為 "從多個數據源進行泛化的挑戰 "的演講。她考慮的問題是在模擬中學習模型，然后將模型應用于現實世界。她指出了四個挑戰： 生成、列舉、泛化和適應。發言人介紹了應對這些挑戰的幾種不同方法。具體來說，用于泛化的特定領域掩碼（DMG）方法通過平衡特定領域和領域不變特征表征來生成一個能夠提供有效領域泛化的單一模型，從而解決多源領域學習問題。

第三場會議的第三位也是最后一位演講者是波士頓大學的Kate Saenko教授，他的演講題目是 "圖像分類和分割的Sim2Real領域轉移的最新進展和挑戰"。Saenko教授延續了前兩場講座的主題，介紹了視覺領域適應的歷史，并探討了領域和數據集偏差問題。在糾正數據集偏差的不同方法中，講座詳細討論了領域適應。特別重要的是，Saenko教授及其合作者開發的技術能夠顯示合成到真實的適應性，就像從游戲引擎到真實數據一樣。隨后的小組討論提出了幾個有趣的問題，包括訓練域和測試域的不同，不是感興趣的對象不同，而是對象所處的環境不同，例如訓練時軍用車輛在沙漠環境中，而測試時則在熱帶植被背景中。

4 分組討論

三個主題的分組討論同時進行。在 "人類學習與泛化 "分組討論中，首先討論了 "人類如何學習？"、"ML模型如何模仿人類過程？"以及 "合成數據如何實現這些過程？"等問題。從童年到青春期和成年期，學習和成長之間的關系成為關鍵點。其他被認為有助于人類學習的因素包括人類心理、情感、同時參與多維活動、記憶以及解除學習的能力。

關于 "數據綜合： 方法與驗證 "分論壇確定了數據合成的幾個問題，特別是圖像和視頻。主要問題涉及結合物理學的有用性、視覺外觀保真度與成本之間的權衡、保真度的衡量標準、保真度本身的重要性以及當前技術（包括GANs技術）的局限性。據觀察，合成圖像和視頻生成至少已有幾十年的歷史，但大多數產品要么是為視覺效果而設計，要么是為再現物理測量而設計（例如，紅外模擬中的輻射剖面）。它們并不適合用于ML培訓。提出的另一個問題是，合成的二維圖像必須與物體和環境的底層三維幾何圖形保持一致。還有人提出，能夠在特定的感興趣的環境中生成大量合成數據，可以作為第一道工序測試新的人工智能和ML方法，而不管這些方法是否能夠在真實數據中很好地工作。

專題3 "領域轉移挑戰 "的分組討論確定了MDO所需的關鍵人工智能能力，即從孤立學習到機器與人類之間的聯合或協作學習。會議還討論了在多種數據模式下同時訓練ML的聯合學習。人們認識到，這些領域的工作才剛剛開始。分組討論的牽頭人強調，需要向士兵明確說明基于人工智能的系統在特定情況下將會做什么。這引發了對系統魯棒性的討論。分組組長向ASPSM聽眾提供了討論摘要。

5 差距和建議

根據本次ASPSM的討論，我們確定了以下值得陸軍進一步進行科技投資的領域：

1.支持多模式互動學習的合成技術和數據集。與當前流行的捕捉 "時間瞬間 "的靜態數據集（如農村環境中的車輛圖像）相比，有必要開發更能代表支持持續學習的體現性體驗的模擬器，就像我們在人類身上看到的那樣，并實現對世界更豐富的表征。混合方法（如增強現實）也可將人類監督的優勢與合成環境的靈活性結合起來。

2.學習和合成因果關系和層次關系的算法和架構。最近的一些方法，如基于圖的卷積神經網絡，已經在學習空間和時間的層次關系（如物體-部件和因果關系）方面顯示出前景。鑒于在現實世界中收集和注釋此類數據的復雜性，合成數據的生成可能特別有用。識別層次關系是一般國防部和戰場情報分析的關鍵要素。

3.支持持續、增量、多模態學習的算法和架構。深度強化學習方法被成功地用于訓練虛擬或機器人代理的相關行動策略，如捕食者與獵物之間的相互作用。基于模仿的方法承認學習的社會性，通常讓代理與（通常是人類）教師合作學習新策略。這些類型的交互式持續學習可進一步與多模態學習（即融合來自多個傳感器的數據）相結合，以實現更豐富的世界表征，使其更穩健、更具通用性。同樣，在這一領域難以獲得大量經過整理的數據，這也為探索合成引擎提供了動力。

4.學習物理或具備相關物理領域知識的算法和架構。在許多領域（例如紅外光下的物體感知），從圖像感知和合成圖像需要了解世界的基本物理特性，例如光與材料之間的相互作用。然而，當前的深度學習模型缺乏這種物理知識。開發賦予ML物理領域知識的技術對這些系統的性能至關重要。

5.具有豐富中間表征的領域適應技術。為了縮小真實數據和合成數據之間的領域差距，必須進一步推動當前建立領域不變中間表征的趨勢，特別是使用語義詞典和生成式對抗網絡。能夠理解數據底層結構（如光照、旋轉、顏色）的表征更有可能成功抽象出合成數據中不重要的細節。

6.深入了解ML模型內部表征的方法，以及合成表征與真實表征的比較。網絡剖析技術 "打開 "了深度學習模型的隱藏層，允許解釋網絡中的每個階段正在學習哪些特定概念或其更細的方面。這些技術揭示了具有真實輸入和合成輸入的DNN的內部表征，有助于識別所學內容的關鍵差異，從而找到克服這些差異的解決方案。

6 結論

為期兩天的虛擬ASPSM吸引了眾多美國防部科學家和工程師、頂尖學術專家以及科技項目管理人員的熱情參與。多學科的討論強化了這樣一種觀點，即開發用于訓練ML方法的生成合成數據的改進方法與理解和改進ML方法本身是分不開的。一個特別重要的需求是了解ML方法，尤其是當前的學習架構，是如何創建場景的內部表示的。另外兩個重要領域是：1）理解人類學習與ML世界中可能存在的學習之間的異同；2）多模態數據--從合成和ML的角度。我們預計近期國防部和學術研究人員將在本報告確定的領域加強合作。

為提升無人機在復雜空戰場景中的存活率, 基于公開無人機空戰博弈仿真平臺, 使用強化學習方法生成機動策略, 以深度雙Q網絡(double deep Q-network, DDQN)和深度確定性策略梯度(deep deterministic policy gradient, DDPG)算法為基礎, 提出單元狀態序列(unit state sequence, USS), 并采用門控循環單元(gated recurrent unit, GRU)融合USS中的態勢特征, 增加復雜空戰場景下的狀態特征識別能力和算法收斂能力。實驗結果表明, 智能體在面對采用標準比例導引算法的導彈攻擊時, 取得了98%的規避導彈存活率, 使無人機在多發導彈同時攻擊的復雜場景中, 也能夠取得88%的存活率, 對比傳統的簡單機動模式, 無人機的存活率大幅提高。

現代空戰環境錯綜復雜, 空空導彈和機載雷達性能不斷提升, 超視距空戰已經在現代空戰中占據主導地位[1], 空空導彈也早已成為打擊空中單位的主要武器。無人機作為空中戰場的理想作戰目標之一, 被普遍運用到軍事領域當中[2]。利用無人機可持續大機動的飛行特點, 采取高效的機動策略以提高無人機對導彈的規避、逃逸成功率, 對提升無人機的空戰生存能力而言至關重要[3]。

無人機規避空空導彈問題一直都是空戰的研究熱點。王懷威等[4]采用蒙特卡羅方法驗證了無人機實施常規盤旋機動規避導彈的效果。Imado等[5]利用微分對策法研究導彈與無人機差速博弈的問題。另外, 還有諸多針對導彈的規避方式[6-10]、規避效能評估[11-13]以及無人機最優或次優規避策略解析解[14-16]等方面的研究。以上方法依賴于完備的空戰對戰模型以求解在單枚導彈打擊情況下的最優機動策略, 當導彈數量變化時, 模型很難理解, 而且建立空戰對戰模型本身就是一個非常復雜的過程, 需要使用大量微分函數結合積分函數，才能表征無人機與導彈狀態屬性的轉移規律。

深度強化學習(deep reinforcement learning, DRL)算法在馬爾可夫決策過程(Markov decision process, MDP)基礎上, 采用端到端學習方式, 以態勢信息為輸入, 直接利用神經網絡獲取輸出, 控制智能體作出決策, 被廣泛應用于自動化控制當中[17-22]。范鑫磊等[23]將深度確定性策略梯度(deep deterministic policy gradient, DDPG)算法[24]應用于無人機規避導彈訓練, 在簡易模型下對固定態勢攻擊的空空導彈進行仿真驗證。宋宏川等[25]針對導彈制導規則設計成型獎勵, 用DDPG算法訓練無人機規避正面來襲的導彈, 對比典型規避策略, 訓練出了僅次于置尾下降機動的逃逸策略。

上述研究表明, 無人機能夠通過特定的機動方式來規避空空導彈的打擊, 而深度強化學習算法可以訓練出自動規避空空導彈的智能體。總體而言, 以往研究大多基于單枚導彈打擊場景。但是在超視距空戰中, 多枚導彈從不同方向鎖定無人機并發動協同攻擊的情況屢見不鮮。在這種情形下, DRL算法會存在狀態空間維度大, 狀態信息維度不斷變化, 神經網絡輸入維度難以固定, 算法收斂性能差等問題。

針對以上問題, 本文提出一種基于單元狀態序列(unit state sequence, USS)的強化學習算法(reinforcement learning method based on USS, SSRL)。在該算法中，首先，將導彈和無人機進行一對一的特征編碼，形成特征單元; 其次，根據距離優先級對所有編碼后的特征單元進行排序, 組合成一個USS; 然后，使用門控循環單元(gated recurrent unit, GRU)對USS中的特征單元進行特征融合, 提取其中的隱藏特征信息; 最后，將隱藏特征信息看作該時刻的狀態信息，并將信息傳入強化學習算法的神經網絡。將該算法分別應用于深度雙Q網絡(double deep Q-network, DDQN)[26]和DDPG算法上, 在公開無人機空戰博弈仿真平臺上進行訓練。仿真結果表明, 由SSRL算法訓練的智能體能夠學到連續規避機動策略, 控制無人機進行規避導彈機動, 增加導彈脫靶量, 提升無人機連續規避導彈的成功率。

無人作戰飛機(unmanned combat aerial vehicle，UCAV)在進行空戰自主機動決策時，面臨大規模計算，易受敵方不確定性操縱的影響。針對這一問題，提出了一種基于深度強化學習算法的無人作戰飛機空戰自主機動決策模型。利用該算法，無人作戰飛機可以在空戰中自主地進行機動決策以獲得優勢地位。首先，基于飛機控制系統，利用MATLAB/Simulink仿真平臺搭建了六自由度無人作戰飛機模型，選取適當的空戰動作作為機動輸出。在此基礎上，設計了無人作戰飛機空戰自主機動的決策模型，通過敵我雙方的相對運動構建作戰評估模型，分析了導彈攻擊區的范圍，將相應的優勢函數作為深度強化學習的評判依據。之后，對無人作戰飛機進行了由易到難的分階段訓練，并通過對深度Q網絡的研究分析了最優機動控制指令。從而無人作戰飛機可以在不同的態勢情況下選擇相應的機動動作，獨立評估戰場態勢，做出戰術決策，以達到提高作戰效能的目的。仿真結果表明，該方法能使無人作戰飛機在空戰中自主的選擇戰術動作，快速達到優勢地位，極大地提高了無人作戰飛機的作戰效率。 目前無人作戰飛機(unmanned combat aerial vehicle, UCAV)被廣泛應用于軍事領域[1]，UCAV在過去主要從事戰場監視、吸引火力和通信中繼等任務，隨著武器裝備的傳感器、計算機及通信等技術的發展，性能不斷提升，未來的UCAV將逐步升級成為可以執行空中對抗、對地火力壓制和參與制空權的奪取等作戰任務的主要作戰裝備之一。盡管UCAV的性能提升很大，但大多數的任務都離不開人工干預，控制人員通過基站在地面對UCAV進行控制，這種控制方法有延遲且易受到電磁干擾。因此研究UCAV的自主作戰能力已經成為空軍發展的必然趨勢，裝備了無人作戰決策系統的UCAV將逐步取代飛行員的位置，以達到減少成本，提高戰斗力的作用。在近距離格斗的階段，UCAV應根據當前的空戰態勢及時選取合適的飛行控制指令，搶占有利的位置，尋找擊落敵機的機會并保護自己[2]。

在空戰條件下，飛機模型本身為非線性同時目標的飛行軌跡是不確定的，這些都將給UCAV的機動決策帶來許多不便，因此良好的機動決策是UCAV自主空戰的一個重要環節，自動機動決策要求UCAV能在不同的空戰環境下自動生成飛行控制指令。常規的機動決策控制方法包括最優化方法、博弈論法、矩陣對策法、影響圖法、遺傳算法、專家系統、神經網絡方法以及強化學習方法等。文獻[3]將空戰視為一個馬爾可夫過程，通過貝葉斯推理理論計算空戰情況，并自適應調整機動決策因素的權重，使目標函數更加合理，保證了無人戰斗機的優越性。文獻[4]設計了一個基于遺傳學習系統的飛機機動決策模型，通過對機動的過程加以優化來解決空戰環境未知情況下的空戰決策問題，可以在不同的空戰環境中產生相應的戰術動作，但該方法的參數設計存在主觀性，不能靈活應用。文獻[5]利用統計學原理研究UCAV的空戰機動決策問題，具有一定的魯棒性，但該算法實時性能較差無法應用于在線決策。文獻[6]將可微態勢函數應用于UCAV微分對策中，可以快速反應空戰環境，但由于實時計算的局限性很難解決復雜的模型。文獻[7]采用博弈論對UCAV空戰決策進行建模，對不同的空戰環境具有通用性。雖然這些決策算法可以在一定程度上提高決策的效率、魯棒性和尋優率，但由于這些決策模型存在推理過程較為頻繁，會浪費大量時間尋優等問題，導致UCAV的響應變慢，并不適用于當今的戰場環境。

基于人工智能的方法包括神經網絡法、專家系統法以及強化學習算法。文獻[8]采用了專家系統法，通過預測雙方的態勢和運動狀態生成相應的機動指令控制UCAV飛行，但不足之處在于規則庫的構建較為復雜，通用性差。文獻[9]采用了自適應神經網絡技術設計PID控制器，對高機動目標具有較強的跟蹤精度，但神經網絡方法需要大量的空戰樣本，存在學習樣本不足的問題。與以上兩種方法相比，強化學習算法是一種智能體與環境之間不斷試錯交互從而進行學習的行為，智能體根據環境得到的反饋優化自己的策略，再根據策略行動，最終達到最優策略。由于強化學習的過程通常不考慮訓練樣本，僅通過環境反饋得到的獎勵對動作進行優化，可以提高了學習的效率，是一種可行的方法[10]。文獻[11]將空戰時的狀態空間模糊化、歸一化作為強化學習算法的輸入，并將基本的空戰動作作為強化學習的輸出，使得UCAV不斷與環境交互從而實現空戰的優勢地位。在此基礎上，文獻[12-13]將神經網絡與強化學習相結合，提高了算法的運算效率，但這些文章都沒有考慮飛機的姿態變化。

本文提出了一種深度強化學習(deep reinforcement learning, DRL)算法來解決UCAV自主機動決策作戰的問題，并在MATLAB/Simulink環境中搭建了某種六自由度UCAV模型，充分考慮了其非線性。同時選取適當的空戰動作作為UCAV的機動輸出，建立空戰優勢函數并設計UCAV空戰機動決策模型。通過強化學習方法可以減少人為操縱的復雜性，保證計算結果的優越性，提高UCAV的作戰能力，而神經網絡可以提升實時決策能力。最后通過仿真將該方法應用于UCAV機動作戰決策中，證明了其有效性和可行性。

當前的流程和網絡限制迫使軍隊員工在物理上聚集在一起進行操作。Metaverse 提供了一種潛在的解決方案，可以在通過分發操作使指揮所更易于生存的同時啟用操作

共同的操作畫面

“我需要理解”也許是任務指揮技術背后的主要驅動力。制定和維護共同作戰圖的基本概念是增強態勢感知，實現態勢理解并促進所有梯隊的共同理解。通過連接數字系統以在 2D 和 3D 地圖上顯示信息或通過在紙質地圖上手動跟蹤友軍和敵方信息的復雜應用程序編程接口執行，該過程在過去 30 年中沒有太大發展。這項工作需要大型、繁瑣的指揮所，配備集中的人員和技術，以執行作戰過程并最終生成通用的作戰畫面，指揮官和參謀人員可以利用該畫面做出最及時、最準確的決策。 不幸的是，隨著運營變得越來越復雜，數據越來越多，各單位一直在努力有效地進行信息和知識管理。指揮所的規模和范圍已經擴大以滿足需要。人員數量的增加和對網絡的依賴使今天的指揮所容易受到敵人的攻擊，沒有足夠的機動性和生存能力。元宇宙提供了一種潛在的解決方案，可以使操作過程成為可能，同時通過分布操作固有地使指揮所更具生存能力，以及減少物理和電磁足跡。

在 元宇宙中與我會面：在未來，士兵們可以“進入”虛擬環境，在執行任務之前進行任務規劃。盡管“軍事虛擬世界”仍然只是一個概念，但整個美國陸軍的研究人員和科學家正在探索潛在的應用

什么是元宇宙？

由尼爾斯蒂芬森在他 1992 年的小說“Snow Crash” 中創造為了描述用戶在虛擬空間中交互的在線世界，元宇宙已經通過大型多人在線游戲和虛擬世界（如 Second Life、Roblox 或 Minecraft）變得熟悉。正如移動設備在過去 10 年中改變了互聯網的消費方式一樣，新一代技術——在這種情況下是虛擬和增強現實耳機——正在為我們如何消費內容提供新的視角。這些頭顯不再受平面屏幕的限制，讓用戶能夠感知在物理世界之上或代替物理世界呈現的 3D 對象和媒體并與之交互。隨著大流行驅動的遠程工作加速，這一概念變得更加流行。Facebook 甚至將其未來寄托在這一轉變上。

風險基金合伙人和受人尊敬的商業作家馬修·鮑爾（ Matthew Ball ）將元宇宙最徹底的探索之一寫成了一個由九部分組成的博客系列。Ball 的入門書著重于元宇宙的八個方面：

硬件：用于訪問、交互或開發元宇宙的物理技術和設備的銷售和支持。這包括但不限于面向消費者的硬件（例如 VR 耳機、手機和觸覺手套）以及企業硬件（例如用于操作或創建虛擬或基于 AR 的環境的硬件，例如工業相機、投影和跟蹤系統以及掃描傳感器）。此類別不包括特定于計算的硬件，例如 GPU 芯片和服務器，以及特定于網絡的硬件，例如光纖電纜或無線芯片組。

網絡：由骨干提供商、網絡、交換中心和在它們之間路由的服務以及管理“最后一英里”數據給消費者的服務提供持久、實時的連接、高帶寬和分散的數據傳輸。

計算：支持元宇宙的計算能力的啟用和供應，支持物理計算、渲染、數據協調和同步、人工智能、投影、動作捕捉和翻譯等多樣化和高要求的功能。

虛擬平臺：沉浸式數字和通常是 3D 模擬、環境和世界的開發和運營，用戶和企業可以在其中探索、創造、社交和參與各種體驗（例如賽車、繪畫、上課，聽音樂），從事經濟活動。這些業務與傳統在線體驗和多人視頻游戲的區別在于，存在一個由開發人員和內容創建者組成的大型生態系統，這些生態系統在底層平臺上生成大部分內容和/或收集大部分收入。

交換工具和標準：工具、協議、格式、服務和引擎，它們充當互操作性的實際或事實上的標準，并支持元宇宙的創建、操作和持續改進。這些標準支持渲染、物理和 AI 等活動，以及資產格式及其從體驗到體驗的導入/導出、前向兼容性管理和更新、工具和創作活動以及信息管理。

支付：支持數字支付流程、平臺和運營，包括法定入口（一種數字貨幣兌換形式）到純數字貨幣和金融服務，包括比特幣和以太幣等加密貨幣以及其他區塊鏈技術。

元宇宙內容、服務和資產：與用戶數據和身份相關的數字資產（例如虛擬商品和貨幣）的設計/創建、銷售、轉售、存儲、安全保護和財務管理。這包含所有“建立在”元宇宙之上和/或“服務于”元宇宙的所有業務和服務，并且沒有被平臺所有者垂直整合到虛擬平臺中，包括專門為元宇宙構建的、獨立于虛擬界的內容平臺。

用戶行為：消費者和商業行為（包括花費和投資、時間和注意力、決策和能力）的可觀察變化，這些變化要么與元宇宙直接相關，要么以其他方式促成或反映其原則和理念。這些行為在最初出現時幾乎總是看起來像“趨勢”（或者，更貶義地，“時尚”），但后來顯示出持久的全球社會意義。

他討論了每個領域的進展，以及充分啟用和采用元宇宙作為移動互聯網繼任者的方法。

從虛擬到現實：隨著大型指揮所分解其物理足跡并依賴數字環境，諸如元宇宙之類的概念可以幫助參謀人員對現實世界的行動進行規劃

聯網

帶寬是當今戰場上的稀缺資源，需要技術突破才能完全啟用虛擬世界。然而，許多戰術場景可以受益于不是特別密集的信息，因此需要較少的帶寬來傳輸，例如地理空間位置、單位狀態摘要、當前目標等。此外，更密集的信息，例如用于訓練輔助目標識別算法的作戰區域3D 地形模型或未知敵方車輛的視頻，無需通過網絡實時發送。這將要求陸軍利用云服務，云服務不僅能高效地移動和處理信息，而且由情報部門控制，這些情報部門了解客戶請求或可能請求的數據和服務的信息價值。

關乎生死的一個關鍵問題是信息延遲。友方單位位置的潛在變化可能會導致整個元宇宙的決策瀑布式變化，并改變任務狀態的視角。為了做出更好的決策，陸軍必須創建一個超高效的網絡，只傳輸正確的相關信息。這種實時信息更新的概念是在虛擬世界中沉浸式硬件的關鍵組成部分，因為“數字孿生”士兵的表示和動作必須在連接到其共享空間的所有其他設備上同步。與商業世界不同，元宇宙戰場涉及戰斗人員試圖摧毀對手的網絡。

微軟飛行模擬器

流行的 Microsoft Flight Simulator 視頻游戲系列包括地球的“數字孿生”，結合地圖和衛星圖像，可以對天氣和空中交通、建筑物甚至樹木實時渲染。這是一個巨大的模型，對于戰術邊緣的受限帶寬來說是不切實際的，但是這個模型和其他類似的模型可以允許在更高的、云連接的梯隊或在本站上對車輛和武器效果進行超現實建模。NVIDIA 的 Omniverse等世界構建工具包有助于渲染新對象，其中包括材質、紋理和運動構建塊。甚至這些基于世界的模型的低分辨率版本也可用于概念演練或任務演練，無論單位是否位于同一地點。

想象一下：今天使用的沉浸式硬件幾乎完全掩蓋了用戶對現實世界的看法；最終，顯示器將需要在現實之上渲染內容或用合成內容替換所有內容之間進行動態調整。（由任務指揮戰斗實驗室提供）

虛擬平臺

整合軍用數字訓練、戰斗和企業級系統的精簡平臺不足以實現元宇宙。元宇宙要求士兵的數字存在超越不同的訓練平臺，并無縫集成到其他作戰工具中。這些工具還必須使用戶能夠從不同的角度與戰場數據進行交互，無論是在傳統的 2D 顯示器上還是從沉浸式共享虛擬空間。這將需要能夠使來自現實世界或模擬的數據在各種顯示媒體上無縫呈現的架構，無論它們是如何部署的。商業游戲世界一直在適應這一挑戰，支持在不同類型的硬件（如 PC 和游戲機）之間交叉玩同一游戲。

雖然化身的出現對我們的士兵來說可能不是那么優先，但數字資產可以以其他方式使用，這可能是有用的--例如，包括在一個人的身份系統偏好或自定義語言模型中，即使在用戶登錄一個新系統時也可以幫助人機合作。此外，一些游戲使一部分用戶能夠戴著虛擬現實設備從神一樣的俯視角度進行游戲，而其他玩家則化身為化身，從地面上以第一人稱觀看世界。像這樣的游戲概念似乎很適合在不同的梯隊中使用這種能力，在那里不同類型的數據和互動是必要的。

從戰術的角度來看，陸軍必須建立具有共同視野和感受的系統，無論系統是的佩戴方式或交互方式如何。士兵應該能夠以相同的配置文件使用他們的頭戴式顯示器、他們的手持系統和他們的桌面系統，并在這些系統間能夠以相同的角色輕松地切換。

硬件

Android Tactical Assault Kit (ATAK)等系統是一款裝在堅固外殼中的手持平板電腦或手機，可為作戰人員提供其作戰環境的數字化視角。ATAK 可以可視化 2D 和 3D 地圖，以及一系列圖形控制措施來表示友軍和敵軍的位置。雖然不像民用領域的消費類智能手機那樣無處不在，但這些設備代表了將物理和數字領域融合到一個手持套件中的首次嘗試之一。

然而，增強現實系統中的當前硬件限制了全息內容的視野質量。虛擬現實頭戴式顯示器提供高質量的視覺效果，但代價是幾乎完全遮擋了用戶對自然世界的看法。雖然陸軍開始評估在指揮所等不太致命的環境中使用虛擬現實，但沉浸式硬件的未來最終將融合到一個頭戴式顯示器中，該顯示器可以在現實之上的渲染內容或替換所有內容之間動態調整合成內容。這對于在未來的戰場環境中完全實現元宇宙是必要的。

結論

盡管推動了未來的發展，但我們也必須承認目前的技術仍然面臨著局限性--例如，訪問問題、延遲。這些問題不會因為升級到元宇宙而得到解決，必須隨著元宇宙的發展而得到解決。在規劃、準備、執行和評估行動方面轉向元宇宙模式，將使分散的工作人員能夠在一個協作的虛擬節點內更有效地同步作戰功能，這將與現有的實體指揮所相媲美。臨時會議可以超越簡單的電話和視頻會議，允許用戶占據一個包含所有相關數據的虛擬規劃空間來做出決定：一個顯示友軍和敵軍位置、情報產品、相對戰斗力、維持估計等的交互式三維共同作戰圖。

與人工智能一樣，元宇宙技術為解決戰場上的問題帶來了一套新的工具，包括當前和預期的問題。也像人工智能一樣，如果沒有標準和基礎設施來啟用這些工具，其結果將是零碎的和令人沮喪的。重要的是，陸軍要向前傾斜并認識到新技術的潛力，不僅因為它們在物資方面帶來了什么，而且還因為它們對我們未來的戰斗方式的影響。