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。

隨著美國陸軍發展其在多域戰場上的競爭、威懾和制勝的理論，戰爭規劃者必須考慮互操作性的價值，以促進校準的部隊態勢。在歐洲，當考慮到俄羅斯構成的威脅時，俄羅斯反介入/區域防御武器的強大將限制美國陸軍前哨部隊的能力。為了克服這一不足，能夠與美國陸軍部隊習慣性地建立互操作關系的北約盟友最適合于促進調整部隊態勢。然而，完美的互操作性在北約聯盟內仍然難以實現。在與歐洲盟國合作時，了解并平衡互操作性的三個領域的美軍指揮官，最能激發出有效的、習慣性的、有說服力的互操作性解決方案。美國陸軍和盟軍部隊如果能夠在他們選擇的時間內再現有效的互操作性，就會直接加強校準部隊態勢的想法，在沖突期間提供前沿能力，并在競爭環境中推進盟軍的說法。

想象力和對物理原理不斷發展的理解是未來技術能力的唯一界限，當美國陸軍將自己轉變為一支能夠在多域作戰（MDO）中占主導地位的部隊時，技術在建立和保持對敵手的優勢方面的作用就會增加。美國的政府機構包含了一些組織，負責資助、研究、開發并在新技術增長時將其納入部隊。本專著描述了目前正在開發的能力，這些能力將作為下一代概念的基礎，目前只存在于科幻小說中，但現實中卻有可能實現。它概述了這些進展中的技術所提供的潛在機會，以及它們如何能夠融入所有領域的未來作戰環境。

引言

隨著美國國防部（DoD）從大規模戰斗行動概念向多域作戰（MDO）和聯合全域作戰過渡，對跨領域技術整合的重視程度繼續提高。公共和私營部門的研究和開發組織已經從關注具體的能力轉向提供基本概念的創新，正如陸軍優先研究領域中所概述的那樣（見圖1）。雖然這些優先事項是陸軍特有的，但國防部的其他部門也在為技術創新投入大量資源。

圖 1. 美陸軍優先研究領域。美國陸軍，“2019 年陸軍現代化戰略：投資未來”。

2019年正式成立的美國太空部隊（USSF），在其預算撥款中包括89億美元用于發展天基系統技術。 作為領導將新技術納入空間領域當前和未來擬議戰爭概念的軍事機構，USSF占據了一個不斷發展以滿足作戰環境變化的角色。在短期內，其余領域的更多能力將依賴于空間領域的資產，并推動對技術能力和效率的要求呈指數級增長。美國防部或整個美國政府的任何作戰組織都沒有智力或財政能力來單獨管理這一巨大的任務。與私營企業的緊密合作提供了美國所需的優勢，以保持對其對手的相對優勢。

民用技術的軍事應用和軍用技術的民用應用通過連接兩個平行的研究軌道和匯集關鍵資源如突破、設施和資金來加速發展進程。美國的幾家私營公司已經有專門的部門與政府合作，使雙方受益。作為洛克希德-馬丁公司的一部分，臭鼬工廠負責開發標志性的軍用飛機，如F-117夜鷹和SR-71黑鳥，而雷神技術實驗室創造了愛國者導彈，至今仍是國家防空計劃的基石。私營企業和軍方官員之間的持續合作也改善了技術預測，使規劃者有能力建立起納入仍在開發管道中的概念的途徑，甚至在它們準備投入使用之前。

在本專著中，對未來軍事規劃者來說，最后也是最關鍵的難題是如何在中期和長期將預測能力整合到作戰方法中。等到概念經歷了研究、開發、測試、原型設計和規模生產的完整周期后再考慮其效果，會使美國部隊落后于曲線，并處于持續的反應狀態，特別是在與俄羅斯和中國這樣的全球技術大國競爭時。未來的鑄造過程必須是連續的和迭代的。適應性強的計劃，具有圍繞發展中的突然延遲或進展進行調整的靈活性，比依賴線性進展的概念保持優勢。將 "鞭打 "事件的可能性傳達給高級領導人和政治家，以緩和期望，并減少那些不熟悉技術的細微差別的人的摩擦。

研究問題

美國國防機構如何利用并迅速整合技術進步，以在多域作戰框架內獲得并保持競爭優勢？

論題

負責開發下一代全域聯合作戰概念的戰地級規劃人員需要采用一個反復的、持續的規劃過程，考慮到理論上可能的、但目前還沒有的、與所有領域相互依賴的技術，以集中資源分配和從目前到未來作戰環境的未來預測路徑。

方法論

本專著包括四個不同的研究和思考階段，大致遵循軍隊設計方法學的概念。因此，第一部分試圖了解創新技術的現狀，從而了解軌道和軌道外競爭的技術作戰環境。發展存在于整個美國戰爭機器從概念到原型生產的連續過程中，一些進步來自非軍事應用，如通信、金融和體育產業。第二，研究哪些非保密技術有待于相對迫切的實施。即使在起步階段，新概念的簡單應用也會在多領域的戰場上帶來作戰優勢，而來自真實世界的反饋和數據支持進一步的完善。

在已知的物理學和應用科學的限制下，對現在和可能的空間進行了略微緩和但雄心勃勃的介紹，為未來三十年設定了目標桿。計算能力、材料科學和效率的線性增長阻礙了這些崇高目標的實現。然而，如果能力的增長保持過去幾十年的指數增長（見圖2），本專著中所探討的所有概念都是可以掌握的。最后，本研究以一個簡短的未來戰爭的虛構場景作為結束，該場景展示了戰略和作戰能力在戰術領域的整合，加強了它們與未來戰士在MDO的五個現有領域以及未來可能存在的地外領域的相關性。該方案提出了一個可能的理論終結狀態，以在10到15年的規劃范圍內建立一個作戰方法。然而，這很可能只是物理學和想象力極限競賽中的一個快照。

圖2. 隨著時間的推移，技術能力呈指數增長。

本專著主要關注軌道和軌道外的競爭，包括對所探討的能力有重大影響的地面節點和系統。最終的勝利或失敗，即使是在未來的沖突中，也將極大地影響地面人口，即交戰國的公民。他們將掙扎著在戰爭的附帶影響下生存，同時也會受到氣候變化、人口過剩、食物和水匱乏的日益嚴重的影響。

人工智能（AI）是一項具有廣泛用途的新興技術。《美國防戰略》強調了人工智能對軍事行動的重要性，以使美國保持對其近似競爭對手的優勢。為了充分實現這一優勢，不僅要在戰術層面，而且要在戰爭的作戰層面整合人工智能。人工智能可以最有效地融入作戰計劃的復雜任務，方法是將其細分為其組成部分的作戰功能，這些功能可以由狹義的人工智能來處理。這種組織方式將問題減少到可以由人工智能解析的規模，并保持人類對機器支持的決策的監督。

引言

人工智能是一套新興的、變革性的工具，有可能幫助軍事決策者。美國國家戰略將人工智能（AI）納入戰爭。《2020年國防授權法》11次提到了人工智能。國防戰略強調了利用人工智能和機器學習方面的商業突破的重要性。人工智能的軍事用途是保留國家安全的一個引人注目的方式。創造工具來支持戰術行動，如摧毀敵軍和從一個點導航到另一個點，具有顯著和可見的效果，使他們在資源有限的環境中在政治上可以接受。它們在訓練和測試方面的可重復性，使它們在采購過程中成為人工智能系統的快速贏家。然而，戰術行動的范圍和時間是有限的。僅在戰術層面上整合人工智能，忽視了在作戰層面上發生的決定性影響。

作戰，也就是實踐者將戰術行動轉化為戰略效果的層面，取決于領導者做出正確決策的能力。聯合部隊海事部分指揮官（JFMCC）的艱巨任務是制定計劃，將戰區戰略和聯合部隊指揮官（JFC）的目標結合起來，通過決定性的海軍交戰來塑造環境。在人工智能的快速認知能力的幫助下，JFMCC將能夠制定并更徹底地分析行動方案（COA）。這些品質對于未來的沖突是必要的。

人工智能必須在戰爭的各個層面進行整體集成，以充分實現其優勢。除了局部的、短期的戰斗，它還需要應用于主要的行動和戰役，涉及整個戰區的數月或數年。在戰爭的戰役（作戰）層面上的實施，放大了為實現戰略目標而進行的有序交戰和同步行動之間的協同作用。除了技術發展之外，行動上的整合將刺激政策和理論的建立，以使作戰人員有意愿使用人工智能。隨著使用人工智能的經驗的增加，其采用率也會增加。為協助海軍作戰計劃而實施的特定人工智能技術可能與那些用于計算射擊方案或在被拒絕的淺灘水域規劃路線的技術不同。然而，在作戰層面的接受度將推動戰術上的使用。

在JFMCC層面，人工智能系統網絡將為決策者提供決定性的優勢，將專注于作戰功能的獨立的人工狹義智能（ANI）單位統一起來將實現最顯著的好處。首先，人工智能解決方案比它們的通用人工智能（AGI）同行更適合于軍事問題的解決。其次，戰爭的性質促使有必要在作戰層面上整合人工智能。最后，雖然有許多方法可以整合，但沿著功能線這樣做會帶來最顯著的好處。不僅在技術意義上吸收人工智能，而且描述其在政策、理論和培訓中的使用，將使海軍能夠充分使用它，并在與我們的戰略競爭對手的競爭中獲得優勢。

如何在海戰領域整合人工智能？

目前人工智能在海上行動中的最佳應用是將復雜的海上行動問題分解成子問題，由人工智能來解決，并組合成COA建議。解決小問題的人工智能需要更少的訓練數據，有更直接的邏輯，并且可以連鎖起來解決更重要的問題。麻省理工學院人工智能實驗室前主任羅德尼-布魯克斯（Rodney Brooks）認為，創建動態環境的符號表示是困難的或不可能的。然而，特定任務的智能體可以利用足夠的傳感器數據智能地行動，更重要的是，可以連貫地互動。通過將簡單的活動連鎖起來，失敗的風險很低，更復雜的問題就可以得到解決。多個簡單的行動可以在低認知層平行運行，并將其輸出結合起來，為更高層次的復雜活動提供支持。這種結構的優點是允許軍事工程師開發和訓練人工智能，以首先解決可操作的問題。對人工智能開發者來說更具挑戰性的功能可以保留只由人類決定的方法，直到他們產生解決這些問題的專業知識。與其等待一個完整的系統，部分系統將提供一個臨時的邊際優勢。

鑒于人工智能可以通過將問題分解成更小的決策來最好地解決問題，問題仍然是如何劃分這些問題。重述作戰任務的一個模式是將它們分成作戰功能：指揮和控制（C2）、通信、情報、火力、運動和機動、保護和維持。這些作戰功能為開展有效行動提供了基礎。它們為一個行動提供了采用手段實現其目的的方法。因此，與決定如何實施這些功能以實現目標的決策者一起使用人工智能是很自然的。

如同應用于海上作戰戰爭，最低層的決策支持系統將由感知環境的活動組成：探測艦艇、飛機和潛艇；燃料水平；天氣；以及其他客觀的戰斗空間數據。通過將外部輸入限制在特定的、低層次的任務上，該系統將最大限度地減少對抗性例子或旨在消極操縱自動系統的數據的風險。中間層將把下層的輸出與作戰目標和因素結合起來，如時間、空間和力量的限制，以提供解決問題的方法和作戰功能。由于上層的對抗性數據注入的威脅較小，這些系統可以使用深度學習。深度學習是機器學習的一個子集，它不像其他形式那樣需要高度格式化的數據，但計算成本會更高，而且容易受到欺騙。深度學習將增加這一層的人類互動，并暴露出更復雜的關系。最高層將把C2流程應用于其他六個業務功能，以產生業務建議。中間層的每個功能人工智能將向其他功能人工智能和最高C2層提供建議。中間層的人工智能對復雜的數據和相鄰單位及C2功能的建議進行理解。

如果將中間層人工智能納入規劃和指導、收集、處理、分析和傳播的情報周期，將促進收集資產的更好分配。判斷對有限的收集資產的請求以滿足行動和戰術信息需求是JFMCC關注的一個問題。在收集計劃期間，人工智能可以使用已知的對手軌跡、地點、個人和組織來定義和優先考慮指定的利益區域（NAI）。在執行過程中，人工智能可以根據優先級驅動收集路線，就像企業用它來規劃送貨路線以減少勞動力、燃料和維護成本一樣。采集計劃者可以通過增加對手監視點的位置和范圍來減少反偵查的風險。在C2層面，指揮官和情報官員可以利用收集成果來證明更多的JFMCC收集資產和COA的修改。這種方法適用于其他功能。

人工智能可以在部隊部署不斷變化和對手存在不確定的環境中改善維持能力。相互沖突的要求使如何使用有限的后勤資產來滿足作戰人員的需求的決策變得復雜。后勤單位較低的生存能力促使人們決定是將它們帶入被對手防御系統拒絕的區域，還是將戰斗飛船引離目標。人工智能可以利用軍事和民用運輸的可用性、預先部署的庫存和供應商的響應能力來制定船舶和飛機需求的解決方案。企業利用人工智能準確預測需求，并分辨出影響運輸和倉儲的采購模式。維持型人工智能可以使用這個過程的一個變種，來計劃在高級后勤支持站點（ALSS）或前方后勤站點（FLS）的材料堆放。它可以決定如何以及何時使用穿梭船和站立船來運送到攻擊組。機器學習將使用燃料、食品和武器庫存、威脅環、戰備水平和維修時間來訓練維持人工智能。維持型人工智能可以提供比人類單獨完成的更有效的量化解決方案，并將其反饋給其他功能區和C2高層。

C2層將對來自下層的決定進行仲裁，并提供一個統一的建議。就像一個軍事組織的指揮官一樣，它將把其副手AI的建議合并起來。人工智能過程的早期階段使用傳感器數據和其他客觀信息來確定指揮官的方向；決定行動方案需要建立對戰斗空間的理解，這是一種更高層次的欣賞。戰斗空間的可變性和模糊性將使這一層的人工智能元素最難開發。最終，該系統將作為一個可信的智能體，壓縮指揮官負責的信息量。壓縮的信息減輕了時間有限的決策者工作時的疑慮負擔，使她能夠向下屬單位發出更及時的命令。

圖1說明了基于這些原則的系統的擬議架構。以對手預測為例，許多單一用途的ANI將在最低層結合原始傳感器和單位報告數據。它將評估敵方單位的最可能位置。公司分析評論、社交媒體和論壇發帖的情緒，以確定產品的滿意度。同樣地，這個系統將通過公開的言論和秘密的報告來確定對手的意圖。它將評估當前和歷史天氣模式，以評估氣候對敵人行動的影響。這三個輸入和其他信息將被功能情報ANI用來形成對敵方COA的評估。同樣，火力節點將使用敵人的組成、JFC的優先級和預測的彈藥可用性來產生目標指導。中間層節點將橫向傳遞他們的評估，以完善鄰近的建議，如部隊保護水平。獨立的功能建議也將直接反饋給C2層，以創建整體行動方案。

圖1. 海上人工智能系統的擬議架構

建議

首先，利用聯合人工智能資源的優勢，針對海軍的具體問題修改標準組件。擅長開發軍事人工智能系統的工程師的稀缺性將限制新系統的開發。美國防部的人工智能戰略具體規定了建立通用的工具、框架和標準，以便進行分散的開發和實驗。使用這些現成的組件，為人工智能決策網的所有子系統創建低級別的系統和標準接口。將海軍的資源集中于采購和實施用于海事具體決策的中層和高層系統。避免技術上令人著迷但無效的解決方案，并通過將職能領域的專家與設計團隊相結合來保持解決海事問題的目標。

第二，創建并維護可通過機器學習攝入的作戰數據數據庫，以訓練海軍人工智能。實施能夠在海上作戰中心（MOC）讀取和集中匯總基本作戰數據報告的技術和工藝，如燃料狀態、導彈裝載量。開發記錄和定性評分作戰決策結果的方法，如對手態勢的變化、傷亡修復率和公眾對行動的反應。將輸入與作戰決策和結果聯系起來的數據庫將加速開發符合現實世界標準的系統。

第三，將人工智能的使用納入政策和條令。條令應該編纂人工智能可以被整合到戰爭戰役層面決策中的領域。明確地說，關于情報、行動、火力、后勤、規劃和通信的海軍作戰出版物應說明人工智能在決策過程中產生優勢的地方和方式。描述海上聯合行動的聯合出版物應明確說明如何將JFC的要求解析為JFMCC的AI系統。如果國防部和海軍的政策對指揮官因整合人工智能的決策建議而產生的責任量進行了定性，那么他們在使用人工智能時就可以采取經過計算的風險。讓指揮官和作戰人員掌握使用人工智能的戰術、技術和程序將加速其在艦隊中的應用。

未來的戰場是一個將受到近鄰對手快速變化的技術能力嚴重影響的戰場。在這種環境下的成功將需要簡單易用的系統，它能適應各種情況，并能與其他部隊和系統整合。多域作戰指揮、控制、計算機、通信、作戰系統和情報（MDOC5i）旨在為海軍陸戰隊準備未來的戰場。由于傳統的機器學習技術存在某些缺點，MDOC5i使用矢量關系數據建模（VRDM），為海軍陸戰隊提供適合動態部署的系統。MDOC5i使用全球信息網絡架構（GINA）作為其VRDM平臺。這項研究使用GINA創建了一個無處不在的決策模型，可以根據美國海軍陸戰隊的場景進行配置。該研究實現了無處不在的模型，并通過一個網絡分析用例證明了其功能。這個決策模型將作為所有GINA實施的基礎模型。快速構建和調整基于場景的GINA模型并將這些模型整合到一個共同的框架中的能力將為海軍陸戰隊提供對抗未來對手的信息優勢。

圖. 超圖描繪了構成 GINA 決策模型的關鍵實體。這是圖 3.2 中描述的“決策者信息”部分的細分。影響力的三個主要領域是現實世界、網絡和網絡。本論文中的模型將僅包含網絡類別的一部分，特別是 XMPP 流量。這三個領域應被視為為大規模網絡診斷設計的決策模型的起點。

引言

在最近的沖突中，美國能夠承擔對其敵人的技術優勢[1]。然而，由于美國已經將重點從反叛亂（COIN）行動轉移到與近距離對手的沖突上，這是一種不能再假設的奢侈。美國和國防部必須不斷尋求獲得并保持對近距離對手的技術優勢。所有軍種的指揮官都強調了這一點，包括司令部的規劃指南[2]。網絡戰場是一個日益復雜和快速發展的領域，在戰爭中從來沒有出現過像現在這樣的能力。目前的對手既有掌握該空間的愿望，也有掌握該空間的能力[1]。人機交互（HCI）將是在未來沖突中實現信息主導的關鍵。人機交互融合了計算機科學、認知科學和人因工程，以 "專注于技術的設計，特別是用戶和計算機之間的互動"[3]。我們必須掌握人機交互，以協助指揮官并保持對敵人的優勢

美國海軍陸戰隊（USMC）沒有很好的裝備來在網絡領域取得成功。美國海軍陸戰隊訓練和教育司令部（TECOM）已經將這一能力差距確定為一個主要的問題聲明："海軍陸戰隊沒有接受過應對同行威脅的訓練，在這種情況下，我們不再享有數量或技術優勢的歷史優勢。為了在未來的戰場上取勝，我們必須提供一個學習框架，以發展適應性和決定性的海軍陸戰隊，并提供訓練環境，以產生能夠產生決定性效果的互操作單位"［4］。

信息技術的進步產生了一個以網絡為中心的應用框架[5]，可以幫助縮小能力差距，使美國海軍陸戰隊保持對對手的網絡優勢。

1.1 MDOC5i

在為滿足指揮官的指導并使美國海軍陸戰隊為網絡戰場做好準備而采取的舉措中，海軍陸戰隊已經建立了多域作戰指揮、控制、計算機、通信、作戰系統和情報（MDOC5i）。MDOC5i是一個基于陸軍網絡信息管理環境（ANIME）的系統，提供了一個以網絡為中心的因果動態數字孿生環境。利用基于實體的模擬，MDOC5i提供以網絡為中心的互操作性和決策模型，可以增強多域作戰（MDO）[6]。MDOC5i計劃 "提供基層開發的技術，使操作人員能夠'推斷和適應'不斷變化的戰斗空間的需求" [7]。MDOC5i確定了需要改進的三個問題領域：互操作性、信息處理和利用，以及文化轉變[7]。

隨著戰場的不斷發展，聯合解決方案將是獲得優勢的關鍵。這些互操作性的解決方案將依賴于網絡和通信能力。互操作性是指與整個服務的各種通信系統相關的所有設備之間的通信能力。因此，目前在互操作性方面的差距需要被彌補，以進行聯合行動。系統之間的互操作性還沒有通過一個標準化的通用方法來實現[7]。MDOC5i認為這個問題的根源在于，當前系統所使用的所有網絡都被認為是彼此獨立的領域，而不是一個統一的作戰指揮和控制（C2）系統[7]。

MDOC5i解決的下一個問題是信息處理和利用。這個問題指的是目前整個海軍陸戰隊沒有能力處理大量的信息。數據通常很豐富，而且隨著傳感器能力的增長，數據會越來越豐富，但很難分析所有的數據并從噪音中分出有用的數據。鋪天蓋地的數據如果不進行適當的分析，對決策過程是無用的，甚至是有害的。這個問題被具體描述為："當前行動和數據收集的速度超過了我們處理、識別和獲取可操作情報的能力，以快速評估、調整和修改計劃和實時COA，從而優化部隊投射、殺傷力，并實現持久的超額配給"[7]。

為了提高處理越來越多的數據和跟上快速發展的戰場的能力，作戰人員需要關注人機互動。這種關系對于能夠在可操作的時間范圍內將大量的數據轉化為有用的信息，從而做出更好的決定至關重要。更好的人機交互可以幫助確保 "數據處理和決策的速度與行動的速度相稱" [7]。

解決的最后一個問題，即文化轉變，涉及美國防部需要調整其在數據整合和聯合行動方面的重點。雖然國防部致力于為作戰人員提供可操作的情報，但其方法是無效的和低效的[7]。此外，各個軍種制定了自己的就業方法和情報方式，這往往會導致聯合行動的無效性。為了在目前存在的動態戰場上作戰，各軍種必須共同努力，"使能力與任務、標準操作程序、訓練戰術和協議、采購和部署政策以及作戰部隊的整體文化相一致" [7]。

1.2 MDOC5i應用于海軍陸戰隊

5月9日至5月13日，MDOC5i在海軍陸戰隊空地作戰中心（MCAGCC）二十九棕櫚島與第七海軍陸戰隊進行了演示。這次初步測試的目的是展示MDOC5i所帶來的增強的火力能力，并確定MDOC5i通過提供共同情報圖像（CIP）--共同作戰圖像（COP）和決策支持來增強整個海軍陸戰隊空地特遣部隊（MAGTF）的MDO的可行性。

在MCAGCC Twenty-Nine Palms進行的MDOC5i演習成功地描述了該系統的防火能力。MDOC5i系統使用最先進的掃描機制和瞄準系統，將標準裝備的區域射擊武器轉變為精確射擊武器平臺，能夠在幾乎沒有歸零的情況下有效地攻擊目標。雖然這本身就大大增加了海軍陸戰隊的殺傷力，但增強的火力能力僅僅是MDOC5i概念所提供的效用的開始。底層系統使用全球信息網絡架構（GINA），一個矢量關系數據建模（VRDM）平臺，以使所有通過網絡連接的單位都能獲得準確的COP和CIP。這在戰場上提供了一個優勢，因為所有單位都獲得了意識，并將能夠為共享系統提供輸入，從而產生最準確的CIP-COP。

這些投入可以用來幫助決策和影響有利于沖突空間競爭的活動。

這一過程的關鍵使能部分之一是GINA內的決策模型，它能使人采取行動。在二十九棵樹的演示中，海軍陸戰隊員被展示了使用標準武器系統對選定目標進行第一輪射擊的能力。選定的目標出現在通過網絡連接的所有信息顯示器上。為了實現目標定位，GINA模型接受目標的輸入并將信息傳遞給所有用戶。系統首先決定該目標是一個有效的目標還是一個重復的目標。它通過一個專門設計的決策模型來實現這一目標，該模型將確定的目標與其他繪圖的目標進行比較。如果新的目標在指定的距離內，程序會認為它是重復的。這可以防止信息過載，使指揮官對現有的威脅有最準確的描述，以便更好地決定如何使用武器系統來對付敵人的目標。因此，在這個特定的例子中，輸入的是確定的目標位置，決定的是該目標是合法的還是重復的，決定的標準是確定與其他已經繪制的目標的距離，結果是對威脅的準確描述，使海軍陸戰隊能夠最好地與敵人作戰。

在演示中，決策與識別目標有關，而影響的行動與射擊有關。然而，如前所述，增強射擊能力只是MDOC5i通過基于VRDM的GINA平臺所能提供的好處的開始。創建和采用為指揮官提供最新的CIP-COP并幫助決策的模型將對海軍陸戰隊和國防部（DOD）的所有方面都有用。按照目前的情況，每次實施新的模型時，都需要從頭開始創建新的決策模型。

1.3 論文重點和MDOC5i的聯系

海軍研究生院（NPS）論文的目的是在GINA平臺上使用VRDM建立一個不可知的決策模型。重點是該模型的普遍性，以便它可以很容易地被塑造為未來的情景。該決策模型擴展了無處不在的數據表概念，以包含關于數據的信息屬性，并允許通過基于屬性的真值表關系實現來自數據屬性和信息屬性（邏輯類型）的知識屬性。因此，模型將數據轉化為信息，然后從已知的真值（既定協議）中獲取狀態和規定過程的知識，然后模型執行相應的過程。這表明了該方法的普遍性，并使任何數據任務的數據轉化為行動。本論文驗證了使用基于模型的配置方法，該方法由數據、真值表和狀態的概念對象組成，可用于人在/在環的自動數據決定-行動，并可在知識管理圖框架內為任何任務進行管理。

建議的模型在通過分析可擴展消息和存在協議（XMPP）消息來確定網絡健康狀況的情況下進行測試。該模型的輸入是可擴展標記語言（XML）消息，旨在復制大規模戰術網絡的數據包捕獲（PCAP）中捕獲的XMPP消息。雖然網絡診斷分類本身很重要，并證明了功能，但主要的效用將在于決策模型的普遍性。因為該模型是不可知的，它可以很容易地被修改以適應一系列所需的場景。務實地說，它可以作為所有其他GINA實施的基礎模型，使海軍陸戰隊實現信息超配。

1.4 假設和研究問題

本論文的假設是，GINA將被證明是一個高效的平臺，在這個平臺上實現一個可以輕松配置的泛在決策模型，以應對多種情況。在這個假設的核心，主要目標是利用GINA架構成功地設計和實現一個無所不在的決策模型。這項任務已經完成，證明了主要假說的正確性。

本論文的問題包括。

1.無處不在的決策模型能否在GINA的界面中實現？

2.GINA是否為機器學習（ML）提供了一個可行的、可操作的替代方案，該模型是否達到了與傳統機器學習技術相同的效果？

3.該模型是否有切實的方面證明比傳統機器學習技術優越？

4.該模型和GINA平臺能否用于大規模網絡流量分析？

與假設一致，第一個問題是最重要的，并且被證明是正確的。所實施的決策模型應該能夠促進并推動未來的工作。其余的問題涉及模型的可擴展性和與傳統技術相比的性能。雖然這兩個概念都沒有直接解決，但該模型提供了肯定的機會來測試這些概念。

1.5 使用的工具

為了成功地理解決策模型的實施和它可以應用的規模，有必要了解所涉及的工具。其中一些應用在本論文中直接使用。其他的是在MDOC5i中使用的，對于理解這個模型如何推導到多種情況下是很有用的。這些工具也提供了很好的背景，對未來的工作有好處。

1.5.1 全球信息網絡架構

GINA 是一個基于云的、提供可執行建模環境的 VRDM 平臺，該平臺產生的模型能夠進行推理和適應[7], [8]。該架構通過其反思性的、可執行的、基于組件的、與平臺無關的和模型驅動的構造，提供先進的數據、信息和知識的互操作性[9]. 該平臺使用一種語義結構，使應用領域的用戶能夠理解組成的模型組件，并形成具有半知覺行為的系統，這對動態任務需求的適應性和可配置的靈活性至關重要。該創新平臺是松散耦合的，這意味著它可以通過配置創建模型，使用來自遺留系統、現有系統或未來系統的各種輸入[8]，而不會破壞或重新編譯。由于概念性的信息對象構造可以臨時引入，并可能存在于任何領域，GINA提供了誘人的可能性，美國防部正在探索這種可能性[2]。

GINA技術由方法論、開發工具和可執行模型的部署平臺組成，可作為軟件程序使用。這些模型不需要被編譯，而是在元數據中定義并實時編譯。該平臺使用通過配置實現的行為、環境和因果的建模概念，以提供定義、操作和互操作性[10]。GINA可以通過其名稱的組成部分進一步理解。"全球 "指的是該平臺通過多層抽象包含了所有的數字表示。"信息 "指的是可以被建模和管理的靜態和動態數據以及互動關系。"網絡 "指的是可以通過模型和圖表顯示、參考和管理的所有互聯關系的數字表示。"架構 "意味著GINA是被使用的系統，專門用于制作行為、背景和因果關系的可執行模型[10]。

第二章將深入討論GINA的優點和特點。

1.5.2 ANIME Dark Stax

Dark Stax是一個由ANIME開發和使用的工具，能夠以接近實時的速度創建復雜系統的數字孿生體。這些數字孿生體可以用來操作克隆的系統進行數據操作和決策分析。這種聯合有助于數據驅動的決策過程。這個工具能夠創建戰術網絡的克隆，并過濾PCAP數據，為網絡診斷模型創建輸入[10]。Dark Stax工具由Ad Hoc維護和運行。他們對該工具的掌握為首要的人工智能（AI）技術和VRDM技術的結合提供了巨大的效用。

1.5.3 StarUML

StarUML是一個開源的軟件建模平臺，支持統一建模語言（UML）[11]。它被設計為支持簡明和敏捷的建模，并提供系統疊加的可視化描述[12]。本文使用UML圖來描述實現的VRDM模型的靜態和動態方面。UML并沒有捕捉到VRDM模型中包含的所有細節，但它確實捕捉到了最重要的信息，并提供了模型中連接的清晰疊加。

在這個項目中，它只被用于GINA模型的可視化和文檔化。然而，我們的意圖是使GINA能夠接受UML設計作為輸入。因此，一個系統可以用UML建模并輸入到GINA中，以放棄配置。

1.5.4 目標光標仿真器

Cursor On Target（COT）"是一個互聯網協議和一個基于XML的機器對機器模式，可以被任何系統讀取和理解，使專有和開放源碼系統能夠相互通信"[13]。模擬器在GINA模型中被用來模擬XMPP流量。XMPP消息的樣本在一個文本文件中生成。然后，Cursor On Target Simulator（COTS）模擬器將文本文檔的內容作為XML輸入到GINA。這個XML是決策模型的輸入。

未來的系統開發包括指揮和控制（C2）技術，以支持空戰管理人員（ABM）和戰斗機飛行員，因為他們支持在一個更大的系統系統中使用自主無人機系統（UAS）的復雜任務。在復雜的、不斷發展的和動態的環境中，人類作戰員有效地觀察、定位、決定和行動的能力是必不可少的。然而，在ABM和飛行員之間的UAS監管變化過程中，作戰者的表現可能會下降，這大大增加了作戰者的認知工作量，超過了以往任務中通常看到的工作量。不幸的是，C2技術的發展往往把重點放在自動化和硬件上，使人類作戰員的參與度不足，不利于人與自動化的互動。目前，數字工程和基于模型的系統工程（MBSE）工具正在迅速被系統開發、整合和管理所采用，以支持整合這些系統所需的復雜開發工作。目前的研究在MBSE工具中整合了人的考慮，以分析開發過程中人與自動化的合作。該方法支持在建模的任務模擬中用一對專門的活動圖表示自動化輔助和人類作戰者，稱為任務行為者圖和OODA2活動圖，允許分析作戰過程中的錯誤和瓶頸。這種方法說明有可能減少作戰員的認知工作量，改善作戰員的決策，提高系統性能，同時減少系統重新設計的時間。

目前，人工智能（AI）為改造許多軍事行動領域提供了巨大的機會，包括作戰、指揮與控制（C2）、后勤、安全和維護，以提高其整體作戰效率。空中和導彈防御（AMD）是一個特別復雜的任務領域，人工智能的應用至關重要。空中導彈防御任務指的是保衛國土、保護區、地面基地、地面部隊或艦艇免受敵對的空中或導彈威脅。AMD的威脅包括敵對的飛機、無人駕駛飛行器（UAV）或機載導彈。AMD行動的復雜性源于威脅的嚴重性、威脅的意外性、對形勢認識的不確定性以及事件的快速發展，因為作戰人員必須迅速評估形勢，制定適當的行動方案，并最好地利用他們的戰爭資產來應對。美國國防部（U.S. DOD）正在研究使用AI系統（或AI-enabled AMD[AI-AMD]系統）作為AMD作戰人員的自動決策輔助工具，以大大減少他們的認知負荷（Jones等人，2020），使AMD決策更快、更好。

人工智能的一個關鍵方面已經聚集了大量的研究興趣，那就是信任。信任是有效團隊的一個基本原則。它同時適用于人類和人機團隊。信任使團隊成員能夠很好地合作，是有效團隊表現的基礎（Lee and See 2004）。與人工智能系統的成功合作將需要人類對人工智能系統有一個校準的信任和依賴程度（泰勒等人，2016）。

隨著更先進和更快的空中和導彈威脅彈藥的發展和投入使用，操作人員更需要在AMD行動中迅速作出監測。不及時的決策和反應將導致災難性的后果。因此，人工智能是一個可能的解決方案，通過自動決策輔助工具加快和加強決策過程。這些AMD自動戰斗管理輔助工具可以幫助戰術操作人員應對更快的決策周期、大量的數據以及需要觀察的幾個系統或屏幕（Galdorisi 2019）。然而，為了有效地利用人工智能能力的潛力，需要操作員的高度信任。操作員對系統的信任程度低，可能會導致人工智能-AMD系統利用不足，受到不適當的監控，或者根本不使用（Floyd, Drinkwater, and Aha 2016）。這些問題中的任何一個都可能導致操作者的工作量不必要的增加，或者任務失敗的可能性。

論文對信任的定義、人機交互（HMI）的概念、信任因素以及包括AMD殺傷鏈模型、威脅場景、架構、模型和功能在內的概念模型進行了廣泛的回顧。有了這樣的認識，論文提出了人工智能-AMD系統的信任框架，對人機交互和人工智能-AMD系統信任因素的描述。論文最后提出了在人類操作者和AI-AMD系統之間實現校準信任的策略。

信任框架始于對系統背景的分析。圖1顯示了AI-AMD指揮與控制（C2）系統（包括AI-AMD操作員和決策輔助工具）及其他與之互動的子系統的背景圖，這些子系統有助于操作員和AI-AMD決策輔助工具之間信任的發展。背景圖使我們能夠研究各系統之間的相互作用，以及它們對AI-AMD操作員和決策輔助工具之間信任動態的影響。

圖1. AI-AMD系統框架圖。

這篇論文將信任定義為操作者的態度，即AI-AMD決策輔助工具將有助于實現操作者的目標，即在一個以不確定性和脆弱性為特征的作戰環境中迅速摧毀來襲威脅的任務。這種信任的定義表明，它是對操作者相信或感知AI-AMD決策輔助工具的一種情感評估。為了積極地影響信任，操作者必須親自看到并感受到AI-AMD決策輔助行動的優勢。AI-AMD行動涉及很多不確定因素，以及天氣、電磁干擾和地形等環境因素以及不斷變化的威脅的性質所帶來的脆弱性。操作員將預期AI-AMD決策輔助系統按照 "合同 "執行，以處理這些不確定性和脆弱性。這些合同將是人工智能-AMD決策輔助工具應該執行的感知功能或任務，以及執行這些功能或任務的理想表現。

圖2說明了操作員和AI-AMD決策輔助工具之間的信任框架。y軸代表人類對AI-AMD決策輔助系統的信任程度，x軸代表AI-AMD決策輔助系統的能力。綠色的45°虛線表示最佳的信任水平或校準的信任線，其中的信任與AI-AMD的能力相對應，導致正確的利用（Lee and See 2004）。過度信任由最佳信任水平線以上的區域表示，此時的信任超過了系統能力，導致誤用。低于理想信任水平線的區域表示不信任，這時的信任沒有達到系統能力，導致濫用。假設存在一些默認的信任水平（如黃框所示），目標是制定一個策略，以提高AI-AMD輔助決策能力的信任。在使用該系統時，可能會發生違反信任的情況，從而降低操作員的信任。因此，信任修復行動必須被納入，以保持信任在最佳水平。

圖2. 人類操作員和AI-AMD決策輔助工具之間的信任。

基于功能分配的操作員和AI-AMD決策輔助工具之間的人機交互研究表明，操作員和AI-AMD決策輔助工具應該被設計成在大多數殺戮鏈功能中作為一個 "團隊"運作。這引導論文研究了單獨和集體考慮人類和決策輔助的信任因素。對操作員和人工智能-AMD決策之間的人機交互的研究還顯示，操作員的角色已經從手動控制器變成了監督控制器。因此，一個值得信賴的決策輔助工具是很重要的，因為操作者會期望系統的表現符合預期，以幫助操作者更好地履行他的角色。另外，為了進一步幫助減輕操作者的認知工作量，信息的外部表示、決策輔助工具的建議必須易于閱讀和理解。

關于信任因素，本論文提出了一個 "由外而內 "的框架，如圖3所示。論文首先考慮了與操作環境相關的因素，這些因素描述了AMD操作系統的背景。第二，它研究了與組織環境相關的因素，操作人員和人工智能-AMD系統得到了培訓和發展。第三，論文研究了操作人員和人工智能-AMD決策輔助工具之間的交互，以提出與操作人員、人工智能-AMD、單獨和集體相關的因素。

圖3. 建議的信任因素

圖4顯示了擬議的戰略銜接圖，以實現操作者和AI-AMD輔助決策之間的校準信任。對信任定義、人機界面和信任因素的審查表明，該戰略應關注三個關鍵領域：（1）人類對自動化技術和AI-AMD決策輔助系統的集體和個人感知；（2）增強操作員和AI-AMD決策輔助系統的團隊活力；（3）AI-AMD決策輔助系統的可信度，重點是系統開發。該戰略利用DOTMLPF-P框架提出了三個關鍵原則和五個支持原則。首先，軍事作戰人員需要被告知自動化技術的真正能力和局限性，特別是AI-AMD輔助決策。第二，操作員的培訓要求必須增加，以應對新的工作范圍和不斷變化的威脅。第三，必須在人工智能-AMD決策輔助系統的開發中加入新的要求，以提高系統的可感知的可信度。這三個關鍵原則得到了DOTMLPF-P框架其他方面的支持，如組織、領導、人員、設施和政策。

圖4. 實現操作員和人工智能-AMD決策輔助工具之間校準信任的戰略銜接圖

美國人工智能國家安全委員會在2021年1月提交給國會的最終報告中建議國防部在2025年前做好人工智能準備。這一建議源于美國同行之間的人工智能軍備競賽，以及近年來在開發用于持續監視、指揮和控制以及武器化代碼的算法方面所取得的進展。雖然美國防部內有旨在利用各部門人工智能的戰略舉措，但戰術能力的發展和部署之間存在嚴重的脫節。作為美國防部的領導機構，聯合人工智能中心負責為美國防部的所有部門創造可行的解決方案，因此，如果所有單位都試圖在2025年之前做好人工智能準備，將不堪重負。本文強調了人工智能發展過程中的一個主要缺陷，并認為應將能力發展授權給空軍機群，并提供必要的資金和資源以真正將人工智能作為一種武器。此外，本文確定了通過基因操縱、智能灰塵納米技術和COVID-19機器學習過程發現成功的人工智能概念，以幫助戰術領導人了解人工智能革命如何幫助他們的特定任務領域，并激勵他們進行自我教育。

當涉及到利用人工智能（AI）時，美國空軍還沒有準備好與同行對手作戰，而且美國處于一場未宣布的軍備競賽中，可能會看到對手在未來十年內占據領先地位，因此需要迅速采取行動以扭轉局勢。更令人不安的是，這一威脅并沒有被該領域的戰術專家完全理解，或者即使他們理解，他們也可能沒有意識到（或在官僚上沒有能力）提供競爭所需的能力。對手在人工智能的研究和開發工作中正在取得進展。情報界的專業人士可以做些什么來解決這個問題。本文將嘗試定義中隊可以解決的戰術相關問題，并確定高層行動的不足之處。

人工智能國家安全委員會在其最終報告中建議美國防部采取行動，以便各部門為十年后的競爭做好準備。委員會的核心建議是美國防部遵循兩條努力路線：在2025年前為廣泛的人工智能整合奠定基礎，在2025年前實現軍事人工智能的準備狀態。這些項目在委員會報告發表前幾年就已經在進行了，這表明了對我們為有效競爭而需要的未來現實的戰略理解和承諾。然而，如前所述，開發人工智能支持的能力需要多年時間。為了有廣泛的人工智能整合，各級領導人需要了解人工智能的基本復雜性，以及如何在他們的任務空間內納入人工智能能力，以便他們能夠在2025年之前迎來人工智能革命。所提到的三大舉措從戰略角度縮短了傳感器和射手之間的差距，但處于邊緣的元素如何為這些努力作出貢獻？此外，如何授權給前線，讓他們根據任務的具體需要進行必要的組織、訓練和裝備？本文的目的是介紹人工智能的基本概念，并闡明應采取的行動，以推動空軍進入由人工智能驅動的持久性監視狀態。以下段落將討論智能能力、經過驗證的分析概念，以及展示未來的需求。

有幾個定義需要提到，以便在本文的其余部分提供背景，并幫助教育下級領導了解基礎概念。首先，人工智能需要三樣東西：數據集、算法和函數。數據集是一個數值表，算法是計算機用來解析數據的過程，而函數是 "從一組輸入值到一個或多個輸出值的確定性映射 "這些構成人工智能的基礎。總的來說，我們可以把人工智能看作是一類努力，它試圖采用計算機算法，并允許人類以合乎邏輯的方式解釋其結果。作為人工智能類別的一個子集，"機器學習（ML）涉及開發和評估使計算機能夠從數據集中提取（或學習）的算法。DL "專注于創建能夠做出準確的數據驅動決策的大型神經網絡模型"，而DL的重點舉措是圍繞著從神經網絡的特定神經元中貢獻特定功能的想法。對DL的理解對指揮官使用人工智能的能力至關重要，因為科幻小說中的想象力會認為這是可能的。

從情報、監視和偵察（ISR）的角度來看，DL可以推動多種數據來源的綜合（例如，多情報融合和分析）。通俗地說，ML可以幫助將幾種情報功能以一種共同的形式結合起來。然而，鑒于適當的數據集、算法和功能（或指揮官的意圖），理論上DL有可能允許對收集的信息進行分析、理解、反駁為錯誤信息、接受為事實、重新分配任務進行額外的收集，或推動新的收集任務，就像人可以做的那樣，但在機器處理信息和得出關于可用數據的結論所需的幾秒鐘內，是自主的。雖然戰略和作戰指揮官正在努力實現一種反映類似于上述DL潛力的能力的最終狀態，但他們仍然必須考慮法律、道德和倫理困境，以及開發完整的人工智能基礎設施的安全性和可靠性。如果戰術領導人不與高級領導人同步利用這些機會，我們注定無法與當前的任務集進行任何形式的整合，并注定無法實現國家安全委員會對人工智能規定的 "到2025年人工智能就緒的軍隊 "的姿態。那么，我們的部隊如何才能變得更有人工智能效率？幸運的是，人工智能驅動的能力、分析技術以及政府和商業案例研究可供探索。

人類基因編輯曾經似乎是難以想象的事情，但通過使用機器學習，它正逐漸成為現實。有關規則間隔短回文重復群（CRISPR）的研究已經進行了多年。作為一種生物技術，人們可以推斷出CRISPR技術的意圖是讓科學家有能力 "改變基因或創造DNA以改變植物、動物或人類。"此外，很難像前國家情報局局長詹姆斯-克拉珀在2016年所做的那樣，將基因編輯作為一種強大的大規模殺傷性武器來爭論。由于基因編輯為裝備精良的對手提供了機會，情報專業人員應該了解有關基因操縱的指標如何通過機器學習表現出來，以達到與美國戰略利益相悖的目的，并幫助指揮官了解他們如何能夠迅速打擊這些威脅。這一現實離所需的科學并不遙遠，如果分析人員知道如何識別必要的因素，他們可以將其納入計算。

如果分析員不能通過DL技術獲得分析所需的數據，也有一些創造性的解決方案來獲得信息。一個提供巨大潛力的創新是被稱為微電子機械系統的微小無線網絡的出現，被親切地稱為智能灰塵。"智能灰塵的大小為立方毫米，包含電源、通信和計算。"這是整個傳感器網絡的一個單一節點。研究還表明，智能灰塵粒子將能夠達到微觀水平，能夠作為傳統醫療護理方法的替代品進行注射。比隱身的尺寸更令人敬畏的是這個設備子集預計能提供的能力。它們可以容納攝像頭、環境傳感器和通信機制，以傳輸數據，并進一步處理。與ML工作、與存儲設備甚至互聯網的連接相結合，人們可以設想出一種檢測概率很低的收集資產，一種維護需求很低的系統，如果計劃得當，這種系統能夠降低前沿部署資產的風險，并限制其進入目標收集區域。

到此為止，本文已經討論了分析師如何將人工智能視為一種威脅，如何將其視為一種收集資產，但分析的過程呢？不妨看看COVID-19大流行病。雖然2020年的大流行病充滿了不確定性，但在大約一年的時間里，病毒被相對快速地分析、追蹤和抗擊。醫學界與DL專家合作，開發了COVID篩查和診斷方法、藥物發現以及最終的疫苗創新。這需要大量的數據輸入，這些數據來自社交媒體、基于文本的數據、病人數據、被稱為omics的科學數據的集合，以及圖像和視頻數據。這個分析系統是一個里程碑，表明人類可以與機器合作，在一個非常有效的時間窗口內從獨特的數據集中創建一個解決方案。應用于多源數據融合和分析的標準情報實踐中，如果有資源，沒有理由相信分析師不能利用DL的能力來制定準確的評估。

正如人們所看到的，人工智能在多個國家安全問題上具有巨大的潛力，如果戰術分析員有能力的話，他們可以將其應用于自己的任務領域。美國防部在人工智能方面最重要的代理人是聯合人工智能中心（JAIC），該中心于2019年2月12日根據行政命令13859的要求啟動，作為國防部人工智能戰略的執行者。有一個組織負責確保人工智能的需求得到滿足是一個有價值的目標，但如果各部門要在2025年之前做好人工智能準備，他們就不可能處理整個國防部的能力發展需求量。各級指揮部需要有一個共同的承諾，以避免因優先事項不一致而錯過機會。就目前的人工智能能力發展進程而言，戰術解決方案是不可用的。

自身的官僚主義阻礙了快速、分散的能力發展。為了確保人工智能驅動的能力，人們必須證明有足夠大的需求需要使用人工智能（如僅用五名分析師對數百萬個數據點進行排序），并通過多層官僚機構提交所謂的 "緊急行動需求"，以達到主要司令部的要求。一旦獲得批準，該請求將被轉發到JAIC進行裁決。一旦被裁定并在國防部的其他要求中被優先考慮，可能需要幾個月的時間才能找到一個開發者，并開始解決這個問題。在最好的情況下，這個過程可能會看到從需求提交到開發的6個月周轉期，這是不令人滿意的，如果服務要在2025年之前做好人工智能準備。這不是JAIC的錯，因為他們應該向國防部領導人和國會倡導人工智能，所以各部門有資金從外部尋求人工智能，同時學習如何在人工智能、ML和DL能力發展方面變得靈巧。筆者建議領導們認真考慮賦予機翼必要的預算、培訓要求，并與經批準的開發者名單（由全軍委員會批準）協調，以追求人工智能的努力。這項建議并沒有將JAIC完全從流程和能力發展中移除，因為該組織將繼續承擔正式的領導地位，制定政策并獲取最佳實踐，以便在整個國防部共享。

人工智能革命就在這里。本文確定了人工智能為部隊的每項任務提供的機會的縮影。人工智能、ML和DL為可能的事情打開了大門，并且應該讓ISR分析員以不同的方式思考問題及其解決方案。從基因突變到自動分析再到自主武器，可能性只限于可用的數據--或如何解釋可用數據。美國的對手已經具有威脅性，并且很可能在未來十年內增加。國家安全不僅需要提高對人工智能的認識，還需要開發和整合基于人工智能的武器系統。依靠簽約組織來開發機器算法，在未來是不可持續的。必須根據任務的需要調整任務算法，否則就會在一系列的能力中遭受失敗。

對智能高超音速武器（HW）的防御不僅減少了可用的戰術反應時間，而且還要求對戰略態勢進行更深入的思考，以改善對盟國基礎設施和移動資產的成功防御。現有的洲際彈道導彈（ICBM）防御方法可以在一定程度上解決來自高超音速武器的威脅。根據不同的情況，高能武器可以比洲際彈道導彈減少大約10%的飛行路徑長度和到達目標的時間。對于10000公里范圍內的目標，洲際彈道導彈可能需要約25至40分鐘來打擊，而高能武器可能需要22至36分鐘。一個具有挑戰性的方面是HW聲稱有能力躲避導彈防御系統。真正的游戲變化是當HW的發射平臺靠近預定目標時。發射平臺可以是潛艇、船舶或戰機。這種敵對力量的戰略可能會將飛行路線從10000公里減少到1000或100公里，將到達預定目標的時間縮短到約2至4分鐘，或最壞的情況下縮短到13至21秒，使目標/地區防御變得困難。戰略態勢需要盡可能地減少發射平臺過于接近潛在預定目標的可能性。因此，防御新的HW需要解決反對力量發射平臺移動的問題。戰術角度包括在很短的時間內制定行動方案的極端時間壓力，或壓縮傳感器到執行器的環路（StEL）。以前，我們發現，通過使用人工智能和基于認知網絡的增強功能，在這種反應過程中減少人類的干預，可以加速知識的獲取，共享態勢，并及時制定有效的CoAs，以達到預期的目標或最終狀態。我們將此確定為認知性StEL（CSTEL）。因此，為了擊敗HW攻擊，認知StELs可能被證明是一種合適的方法，因為它可以通過自動識別威脅來加速反應時間。

圖9：假設加拿大靜止目標的名義導彈彈道，A-D為遠程洲際彈道導彈或HW彈道，E-H為短程HW彈道