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

這項研究的目的是為步兵旅戰斗隊（IBCT）提出解決方案，以加快戰場決策，并在多域戰場上保持戰術超配。本研究將確定如何通過收集基于士兵的數據，到 2030 年在地面戰術層面實現主動和預測性戰場推理（PPBR）。作者假設，美國陸軍應通過融合人體可穿戴傳感器和設備、機器學習軟件以及美國陸軍的各種舉措來利用士兵數據，以便到 2030 年實現 PPBR。對美國陸軍新興概念和能力需求以及預計的未來作戰環境（FOE）的分析為研究結果提供了依據。戰術解決方案旨在最大限度地發揮人的潛能，并通過人機協同在單兵層面加速認知。雖然有證據表明美國陸軍可以做到這一點，但對這一課題的坦率分析卻引出了一個問題： 美國陸軍是否應致力于全面主導信息空間，以加速戰場決策，實現戰術超配。多域作戰中的美國陸軍強調信息空間，其意義與主要機動域幾乎相當。對工業和軍事現代化趨勢的定性元綜合顯示，信息曾是國家權力的一種獨立工具，但在未來的網絡化戰場上，它將成為首選工具。基于士兵的數據是網絡化信息空間的關鍵組成部分，指揮官應利用這些數據保持單元內部的行動自由。機動單元在數據驅動下做出明智決策的速度，將是在網絡戰場上實現戰術超越的決定性因素。與利用士兵數據和其他數據類型實現 PPBR 的超自動化決策相比，卓越的直接火力武器系統可能很快就會黯然失色。對于戰士技能 1 級任務來說，采用這一概念并非難事： 射擊、移動、通信、維持、生存和信息。采用人機協作的方式來綜合士兵信息，將使指揮官能夠提高決策速度和態勢感知能力，并積極主動地緩解戰場態勢。積極主動的預測性戰場推理，其基礎扎根于士兵內部數據的收集，將使美國陸軍能夠準確預測其作戰范圍。就像今天的汽車傳感器會告知駕駛員診斷問題或剩余里程一樣，士兵佩戴的聯網傳感器套件也將簡化曾經需要寶貴時間和注意力的戰場任務。世界上的大國競爭者有可能正在軍事領域下一場革命的邊緣徘徊：超自動化戰場決策。美國陸軍有可能在中期實現這場革命。

圖 3. 前瞻性和預測性戰場推理

前瞻性和預測性戰場推理（PPBR）： 這一術語由作者創造，用于描述加快地面部隊指揮官（GFC）和士兵在戰場上做出和預測決策的速度所需的能力。根據設想，這一過程將通過可穿戴傳感器或設備（機器）收集基于士兵的數據，使用 ML 軟件對數據進行分析和綜合，并以可消化的方式實時發布數據，以加速決策制定。

前瞻性戰場推理： 通過機器輔助和機器自動化戰場任務加速戰場決策。前瞻性戰場推理旨在無縫收集和共享信息，以提高戰場決策速度。

預測性戰場推理： 通過機器增強和機器自動化戰場任務預測未來戰場決策。預測性戰場推理利用 ML，通過分析當前和歷史數據來預測未來戰場決策。

前瞻性推理與預測性推理相結合，加速了士兵對戰場的認知。信息隨時可用，領導者根據單元預設閾值進行決策提示。筆者通過以下小故事來設想 PPBR： 一名士兵及其裝備配備了一套無源傳感器和裝置。傳感器收集與士兵相關的數據（例如生物識別數據），并將信息傳輸到一個微型處理單元。ML 軟件對數據進行分析和綜合，并以易于理解和直觀的方式（如平視顯示器上的百分比率和方框圖）將數據傳回士兵和單元領導層。地面部隊和更高層保持單元的持續實時狀態。根據預先確定的差異閾值，軟件可識別和預測戰場決策要求，并通知全球指揮中心。全球戰斗指揮中心通過類似智能手機或手表的直觀指揮界面，批準、否決或推遲戰場決策（例如啟動醫療后送系統）。

本論文分析了社交媒體對現代軍隊的影響。研究結果旨在讓沒有網絡或信息戰背景的戰地指揮員了解社交媒體及其在軍事行動和日常生活中的存在所帶來的益處和擔憂。研究采用了案例研究方法，以確定社交媒體在國內外的廣泛影響。研究結果表明，社交媒體在沖突的灰色空間中發揮著重要影響，既塑造了信息戰場，也對其做出了反應。但這種影響可以通過教育和反誤導來加以限制。此外，個人在社交媒體上的行為確實會對軍事行動和民間信心產生影響，但真實的影響可能被夸大了。這些結果應能讓戰地軍官對社交媒體風險管理有一個基本的了解。

二十世紀和二十一世紀的技術創新迅速改變了全球通信格局。無論是公認的國家還是流氓集團，都擁有以前無法企及的能力。互聯網的發展使各個社會幾乎可以瞬時聯網，獲取知識。然而，這項技術同樣也會造成分裂。現在，各國政府和社會都將互聯網視為一種革命性的社會語言。同樣，武裝競爭者，從成熟的國家軍隊到恐怖組織，都在利用互聯網作為試驗場，以實現從戰術到戰略層面的戰爭目標。

互聯網時代最引人注目的產物之一就是社交媒體網站的出現。梅里亞姆-韋伯斯特詞典》將其定義為 "電子通信形式（如社交網絡和微博網站），用戶通過這些網站創建在線社區，分享信息、觀點、個人信息和其他內容（如視頻）"。社交媒體的界限模糊，參與者似乎無限，功能也十分強大。簡而言之，任何人都可以在任何時候對任何人說任何話或播放任何內容。這種概念與結構嚴謹、紀律嚴明的軍隊文化形成了鮮明對比。在這些結構中，有等級分明的權力機構受托發布命令，而這些命令必須得到遵守。雖然在許多軍隊中，獨立思考大多被接受和鼓勵，但一般要求下屬尊重、服從上級，不考慮個人感受執行命令。社交媒體不僅助長了這種做法，而且往往助長了相反的做法。

21 世紀的數字時代為軍隊帶來了新的可能性，但同樣也帶來了困難。雖然通信技術的進步并不新鮮，但社交媒體以其規模和速度帶來了新的挑戰。積極的一面是，軍隊可以利用社交媒體吸引合適的新兵，迅速傳播重要信息，并向公眾提供積極的透明度。但同樣，社交媒體也可以加快世界范圍內的宣傳，為招募和灌輸新戰士提供全球影響力，損害行動和人員，并成為可能與自相殘殺一樣有害的丑聞的基礎。

社交媒體對戰爭的影響是一個相對較新的研究領域。二十多年來，國家和非國家行為者的實施為研究提供了基礎，但長期戰略仍不明確。美國（U.S. ）軍方必須審視對手的行動以及內部文化，以確保在不斷涌現的網絡戰領域取得成功。

研究問題一：美國軍方應如何將社交媒體作為實現軍事目標的一種手段？

研究問題二：社交媒體是戰爭武器嗎？

研究問題三： 美軍國內社交媒體丑聞是否具有戰略意義？

本研究項目的意義在于更好地了解當前戰場的一個新興領域。這一戰場通過多域作戰（MDO）進行融合，利用陸地、海洋、空中、網絡和太空達到預期效果。在許多歷史戰例中同樣重要的信息戰，隨著互聯網的出現而獲得了明顯的優勢。美國未來在信息領域的主導地位并不能得到保證，因為更小的交戰國集團會利用更多的作戰空間，使大國更難以在技術復雜的環境中強加自己的意志。同樣，近鄰威脅國俄羅斯也發現社交媒體是老牌蘇聯宣傳條令的一個充足的新宿主。本研究旨在對這一領域進行研究，以便為未來跨社交媒體領域的行動提供見解。

本研究的重點是實地級領導。研究人員不持有任何偏見，也沒有網絡行動方面的背景。本研究的目的是對一般戰地領導應該了解的國內外社交媒體和軍事知識進行廣泛評估。

社交媒體的使用方式需要分析。武器一詞可以有多種不同的定義。網絡戰專家托馬斯-里德（Thomas Rid）將武器定義為 "使用或指定使用的工具，目的是對結構、系統或生物造成威脅或身體、功能或精神傷害"。梅里亞姆-韋伯斯特詞典》的解釋則不那么冗長，將其描述為 "用來傷害、擊敗或摧毀他人的東西（如棍棒、刀或槍），一種與他人抗衡的手段"。多軍種聯合運用火力的戰術、技術和程序》（通常稱為 JFIRE）沒有定義武器，但所有提到的武器都是有形的致命手段，如集束炸彈單元（CBU）或聯合直接攻擊彈藥（JDAM）。

社交媒體可用于通過信息傳播活動積極開展心理戰。正如《網絡防御評論》的 Beata Bialy 所說，社交媒體可 "作為傳播信息的渠道，其目的是影響（改變）目標受眾的觀點、信念、看法和行為。這意味著利用錯誤信息（包括虛假信息）和宣傳在認知領域達到某種軍事效果"。同樣，它也可用于進攻，宣傳和鼓勵對敵人造成直接的人身傷害。伊拉克和敘利亞伊斯蘭國（ISIS）策劃了一場針對西方的大規模社交媒體運動，并將其轉化為實際行動。例如，得克薩斯州加蘭市的一家公司舉辦了一場繪制穆罕默德卡通形象的競賽。隨即，ISIS 的同情者們在 Twitter 上狂轟濫炸，要求發動同情攻擊。幾天之內，兩名特工在試圖襲擊德克薩斯公司時被殺。這是利用社交媒體煽動對美國公民實施人身暴力的眾多例子之一。

相比之下，社交媒體可被用于被動收集信息、數據，監控人員和/或團體，抵御威脅。此類情報可用于收集目標受眾數據，或為確定動能目標提供關鍵數據。從本質上講，這是情報界的一個新興來源。社交媒體收集的社會學結構構成了一幅巨大的人類和網絡情報地圖。

最后，社交媒體是一把雙刃劍，能夠從內部削弱我們的力量。丑聞、令人遺憾的數字足跡以及參與不道德的網絡活動只是其中的幾個例子。這些事件會導致調查工作耗費大量財力和人力，但最重要的是，它們會削弱公眾對這個為公民服務并負責保護公民的機構的信任。

本報告探討了將移動和固定水下傳感器組合成一個連貫、分布式網絡的概念。該項目提出了數據融合系統的基準架構，該架構有助于近乎實時地交換來自不同來源的信息。該架構反過來又為進一步的系統開發提供了基礎，并指導今后對相關數據/信息融合概念和技術的研究，以應用于反潛戰（ASW）和水雷戰。

本研究采用獨特的逆向系統工程方法，根據反潛戰殺傷鏈以及探測、分類和跟蹤水下物體的成功概率設計了一個架構。然后將成功概率與人類反潛戰操作員的相同成功概率進行比較，以確定設計的適當性。研究小組利用 ExtendSim 軟件對架構進行建模和仿真，以驗證其功能能力和優于人類反潛潛航器操作員的性能。

由此產生的架構有助于將被動聲學傳感器信息與情報產品成功整合，并在有人和無人平臺上及時分發融合數據。該架構還允許未來向主動聲源、環境數據源、非傳統反艦導彈源（如雷達和 ESM）發展。

圖 1. 反潛戰數據融合系統背景圖

圖 1 描述了項目的范圍。反潛戰數據融合系統架構封裝在綠色框中。黑框描述的是受架構影響的系統，而架構之外的系統則對架構產生影響。團隊決定，被動聲學傳感器將是此次架構迭代中唯一包含的傳感器。圖中還顯示了灰色標記的非被動傳感器功能。團隊建議在未來的架構迭代中加入這些傳感器。圖中增加的非被動傳感器說明了反潛戰數據融合問題的真正范圍，并影響了系統設計對未來發展的預期（即，不要建立一個限制性太強的系統，以至于只能使用被動聲學傳感器）。

研究小組采用標準的殺傷鏈范式來構思反潛戰數據融合系統的成功。殺傷鏈的串行性質支持盧瑟定律的應用。通常所理解的魯瑟定律指出，串聯系統的可靠性等于其組成子系統可靠性的乘積（邁爾斯，2010 年）。就反潛戰數據融合系統而言，該系統就是使用殺傷鏈表示的反潛戰任務，殺傷鏈的每一步都由反潛戰數據融合系統功能表示。將盧瑟定律應用于殺傷鏈，反潛戰任務的成功概率可以用殺傷鏈中每個環節的成功概率來表征。具體來說，反潛戰數據融合系統的成功概率等于探測（發現）、分類（固定）、定位（跟蹤）、交戰（目標）和殺傷（交戰）概率的乘積。圖 2 描述了反潛戰殺傷鏈的盧瑟定律。

圖 2. 反潛戰殺傷鏈的盧瑟法則

反潛戰的現狀在很大程度上依賴于人類操作員。實質上，人類操作員充當了數據融合系統的角色。由于目前的處理能力有限，操作員無法評估所有接收到的信息，從而丟失了潛在的相關數據。此外，在殺傷鏈流程的每一個步驟中，人為錯誤都可能在不知不覺中注入解決方案。反潛戰數據融合架構力求使融合過程自動化，以提高效率，消除人為主觀因素和相關錯誤，從而提高性能，增強反潛戰任務的有效性。反潛戰數據融合系統的成功取決于該系統的性能至少與人類操作員的性能相當。

本文任務是了解美國國防部（DoD）數字工程的成本和效益，并為武器系統項目中的數字工程活動制定決策支持框架。為做好準備工作，我們查閱了相關文獻，并采訪了利益相關者，以了解數字工程實踐的現狀，以及之前為評估數字工程和基于模型的系統工程（MBSE）的成本和效益所做的努力。然后，我們開發了決策支持框架，其中納入了 (1) 既定的美國防部成本效益分析方法和 (2) 既定的系統工程決策方法。在此過程中，我們注意到了國防部數字工程實踐中的嚴謹性和風險方面的關鍵問題，并將其納入了我們的研究范圍

研究表明，在武器系統項目生命周期的任何階段，如果收集了相應的項目數據，或利用了基于目標的系統工程原則，都有可能為數字工程提供成本效益決策支持。計算數字工程的確切成本和收益并不完美，因為沒有分析師能獲得沒有數字工程開發的相同武器系統項目--反事實場景。

盡管許多作者都聲稱 MBSE 和數字工程有好處，但支持這些說法的實證數據仍然很少。用 "更好 "和 "更容易 "等籠統的術語來表述所聲稱的或期望的益處是無法評估的，但在項目決策中可能已經考慮到了這些因素。大多數已發表的有關數字工程和 MBSE 的研究報告所引用的參考文獻都來自軟件開發實踐。因此，它們與武器系統工程的實際應用相關性有限。盡管國防部長期以來一直表示要采用更多工業類型的開發和創新方法，但工業普遍要求的投資回報理由并未在國防部文化中扎根。

第一個框架以經濟學家和國防部分析人員所熟悉的既定成本效益分析實踐為基礎。根據這些實踐，我們開發了一種專門針對國防部項目中數字工程實施的方法。

第二個框架利用了《聯合能力集成與開發系統》（Joint Capabilities Integration and Development System）中編纂的系統工程目標定義流程，以及與美國防部相關的采購條律。以關鍵性能參數和關鍵系統屬性為重點，為數字工程方法建立了可量化的效益單元：性能指標。利用邏輯模型方法、相應風險的調整和成本類別的成本細分矩陣，提供了一種貿易研究手段，用于從多個數字工程活動方案中進行比較和選擇，因為它們可能會影響已定義的武器系統目標。

接下來，考慮了數字工程的嚴謹性和風險問題--重點政策可通過數字工程改善開發和采購成果的杠桿點。最后，總結了研究結果，提出了處理嚴謹性和風險問題的建議，并介紹了兩個框架。

主要結論

• 由于對什么是數字工程缺乏共識，學者和從業人員在進行成本和效益分析時缺乏共同的基 礎。
• 跟蹤數字工程投資并將其與其他成本（如系統工程、多用途 IT 投資）區分開來似乎還不是一種標準做法。
• 以系統思維的方法為數字工程資源分配做出計劃決策，可能會產生最佳的計劃結果。
• 許多人致力于通過預測可能的效益來為數字工程提供依據，但同時卻不對成本進行評估。
• 一些作者和一些服務機構將數字工程成熟度模型作為改善成果的途徑，但卻沒有任何成本數據、因果關系圖或風險分析來支持這一結論。

建議

• 在數字工程是什么（和不是什么）的問題上達成一致性和以目標為中心的共識。
• 建立明確的數字工程計劃目標和系統界限，以消除假裝，并避免將軟件原則和標準應用于復雜系統。
• 收集項目目標數據，為評估數字工程成本和效益提供支持。
• 最大限度地消除實施數字工程的愿望和一般性指導（自上而下的指導）。
• 營造一種環境，使數字工程成為良好系統工程實踐和武器系統項目管理中眾多工具中的一種有用工具。
• 客觀分析企業數字工程工具的運行情況。
• 促進數字工程實踐和文化，使從錯誤中學習與取得成功同等重要。
• 制定政策，將了解和降低風險作為數字工程和 MBSE 實踐的一個重要方面。
• 結合各自的數字化轉型，為確定和實現整個國防部和各部門的吸收能力需求制定路線圖。
• 制定一個框架，為在武器系統項目中利用數據和知識產權確立分級目標。
• 根據既定的系統工程實踐，建立國防部武器系統計劃生命周期決策和里程碑關口標準，以有效利用建模和仿真。
• 根據需要，對多級分類系統、數據和基礎設施的長期生命周期進行客觀研究并提出建議。

面對未來復雜多變的戰場，軍事行動越來越需要自主能力更強的機器人為士兵提供支持。要在軍事行動的整個過程中建立人類與機器人團隊合作的共同基礎，就必須進行有效的溝通。然而，人們對混合主動協作的溝通類型和形式仍不完全了解。本研究探討了人機交互中的兩種交流方式--透明度和通信模式，并研究了在協作演習中，機器人隊友操縱這些元素對人類隊友的影響。參與者與計算機模擬的機器人一起執行一項類似 “警戒搜索 ”的任務。人機界面提供了不同類型的透明度--關于機器人單獨的決策制定過程，或關于機器人的決策制定過程及其對人類隊友決策制定過程的預測--以及不同的通信模式--或者向參與者傳遞信息，或者既向參與者傳遞信息又從參與者那里獲取信息。實驗結果表明，與互動性較弱的機器人相比，既能傳遞信息又能征求信息的機器人更有活力、更討人喜歡、也更智能，但與這些機器人合作會導致在目標分類任務中出現更多失誤。此外，回應機器人的行為也會導致正確識別的數量減少，但只有當機器人只提供有關其自身決策過程的信息時才會出現這種情況。這項研究成果為設計支持人機協作的下一代視覺顯示器提供了參考。

本文是研究指揮與控制（C2）未來表現形式的四篇系列論文中的第一篇。第一篇論文通過探討未來指揮與控制（C2）系統需要在其中運行的未來作戰環境，為后續研究設定了基線。具體來說，本文探討了復雜性的驅動因素、表現形式和影響，而此前的研究表明，復雜性很可能是這一環境的特征。為此，它討論了 C2 和復雜性等關鍵術語的定義；介紹了未來運行環境中復雜性的一些驅動因素，并討論了這些因素如何對 C2 系統和組織造成新的壓力；研究了分析和理解復雜性的可能方法；并概述了 2030 年代及以后可能產生的一些實際考慮因素。由于本文旨在為本系列的后續三篇論文提供資料，因此沒有全面涵蓋未來 C2 思考的所有方面，包括提出具體建議。

研究問題

• 根據當前的全球社會和技術趨勢進行預測，國防和合作伙伴可能面臨的持續競爭和多領域作戰的作戰環境的性質是什么？
• 基于這種對未來的預測，未來的 C2 系統和組織將面臨怎樣的復雜性；即復雜性的可能來源是什么？
• 考慮到未來作戰環境的這一特點，未來的 C2 系統和組織需要具備哪些條件？
• 未來的 C2 系統和組織需要什么樣的新能力和特性才能有效應對這些需求？

有爭議的定義

C2 沒有直截了當的定義，對于該術語在當代作戰環境中的范圍和相關性也存在爭議。對 C2 傳統定義的批判來自于對 21 世紀有效領導力構成要素的更廣泛質疑。在英國、美國和北約，最近出現了大量與 C2 相關的新術語，并將重點從聯合思維轉向多領域思維。我們的研究將 C2 定義為一個動態的、適應性強的社會技術系統，因此有必要考慮組織、技術和人力要素。

同樣，復雜性也沒有一個公認的定義。學術界對復雜性的研究日益增多，涉及多個科學學科，但缺乏統一的方法或理論框架。一個有用的出發點是區分簡單系統、復雜系統、復雜系統和復雜適應系統。文獻還描述了在這些條件下可能出現的所謂 "棘手"或 "超級棘手問題"。還可以對有限博弈和無限博弈進行重要區分--這是考慮作為復雜適應系統的國家間競爭時的一個有用視角。鑒于這些爭論，我們的研究避開了對復雜性的僵化定義，而是從其關鍵屬性的角度對這一現象進行了 DCDC 式的描述。

復雜性的預計驅動因素

未來作戰環境的特征--以及國防 C2 系統和組織預計將執行的任務類型--具有很大的不確定性，因此任何預測都必須謹慎。盡管如此，文獻指出了各種政治、經濟、社會、技術、法律、環境和軍事（PESTLE-M）趨勢，預計這些趨勢將影響國際體系的演變，進而影響 2030 年及以后的國防行動。這些趨勢包括以下宏觀趨勢

• 日益增強的互聯性、多極化和全球競爭
• 不斷變化的氣候的影響
• 技術變革和數字化的影響
• 傳統和新穎領域的模糊化
• 國際準則和價值觀的轉變。

最重要的是，沒有一個單一或主要的趨勢推動著變化或復雜性；相反，最令人擔憂的是多種因素的融合及其不可預測的相互作用。這種認識為進一步研究這些趨勢影響國際體系復雜性水平和特征的具體機制提供了基礎，從而為在這一領域開展工作的 C2 帶來了新的挑戰。

復雜性的表現

上述 PESTLE-M 趨勢為未來組織應對 C2 帶來了一系列困境和壓力，包括但不限于

• 不確定性
• 模糊性
• 多義性
• 信息超載
• 認知偏差
• 面對瞬息萬變的事件，決策癱瘓或節奏不足
• 難以確保決策（包括人工智能）或信任決策所依據的數據、邏輯和假設
• 難以調動所有必要的權力杠桿，或協調參與制定和執行特定戰略或行動計劃的大量不同參與者（如跨政府合作伙伴、行業、國際盟友、公民）。

此外，無論是理論家還是實踐者，在處理包含非線性動態的問題時，都缺乏有力的措施來衡量所做決定或采取的行動的有效性。因此，很難確切地說未來作戰環境中的復雜性是否在客觀上不斷增加（而不是以不同的形式出現），但對軍隊應處理的復雜任務的政治期望與當前 C2 方法的執行能力之間顯然存在巨大差距。當前的學術理論為決定如何在復雜環境中配置 C2 提供了一個方法工具包的初步輪廓和一些指導原則，但并沒有提供靈丹妙藥。該理論強調審議分析方法，即讓不同利益相關者參與共同設計、借鑒多學科和知識體系的見解，并在分析和決策過程中建立靈活性，以便根據反饋意見不斷迭代和改進的方法。

未來 C2 的實際考慮因素

要應對復雜的自適應系統，就必須摒棄當前的線性 C2 流程和等級結構，盡管在處理非復雜任務和問題時，更傳統的方法可能仍然有用。在競爭激烈的世界中，英國既需要培養能夠對他人施加建設性影響的特性和能力（例如，將復雜性強加給對手的 C2），也需要培養能夠增強自身駕馭復雜性能力的特性和能力。

要影響敵對行動者的觀念、決策和行為，首先要深入了解其 C2 結構、流程和文化。根據這種了解，英國國防需要一套動能和非動能杠桿，對敵方的 C2 施加建設性影響，包括施加復雜性。除了敵對行動者，英國國防部還需要進一步了解如何對 PAG、盟友、合作伙伴、工業界、學術界、公民和對 C2 采取截然不同方法的其他人施加建設性影響。

在增強英國自身應對復雜性的能力方面，未來的 C2 系統和組織必須促進靈活性、復原力以及學習和適應能力等特性。整個決策周期都需要變革。例如，傳感器和通信技術的進步為獲取更多深度和廣度的數據提供了機會，包括有關復雜問題的數據。因此，提高認知能力對于理解所有這些數據至關重要，既要利用人類和機器的優勢，又要減少各自的缺點。要改變決策方法，還需要改變領導風格，以培養更善于駕馭復雜適應系統的決策者。在做出決策或計劃后，提高跨部門或跨層級的能力，在實施階段更好地整合活動或匯聚效應，對于抵消英國的局限性（如在質量方面）至關重要。

同樣，整合也不是萬全的；如果國防缺乏足夠深度的力量和能力，無法在充滿敵意的威脅環境中采取可信行動或維持高節奏行動，那么即使是最高效的指揮控制系統也無法在未來取得成功。此外，還需要采取防御措施以及恢復和失效模式，以阻止或減輕敵方破壞 C2 系統和組織的努力所造成的影響。鑒于所面臨的威脅，以及英國國防可能需要解決的不同形式的復雜問題，很可能會同時出現多種并行的 C2 模式，而不是單一的方法。應對復雜性意味著不斷學習、適應、創新和開放求變。因此，必須從一開始就將效果衡量標準、信號和變革機制納入計劃以及 C2 系統和組織，使其能夠隨著時間的推移不斷學習和調整，以應對各種情況。至關重要的是，未來 C2 系統和組織的設計只是挑戰的一部分--它們還必須得到更廣泛的國防企業緊急改革的支持，以確保獲得所需的使能因素（人員、技術等）。從 C2 的角度來看，這本身就是一個挑戰，因為改變這個企業--一個復雜的適應性系統--本身就是一個棘手的問題。

結論和下一步行動

學術理論家和政府、軍事或工業從業人員對復雜性或復雜適應系統的理解并不全面，而這正是未來 C2 運行環境的特點。雖然文獻提供了處理復雜性的有用方法和工具，以及未來 C2 的一些初步設計考慮，但英國 C2（本身就是一個社會技術系統）的現代化和轉型將是一項高度復雜的工作。這意味著要與不斷發展的作戰環境、不斷變化的威脅和技術環境共同適應，從而進行迭代和不斷學習。因此，最緊迫的挑戰或許是，考慮到 C2 系統在未來面對復雜性時取得成功所需的轉型（技術、結構、流程、文化、教育等）的程度和性質，了解如何在一段時間內最好地引導這一過程。

自相矛盾的是，要克服實現以應對復雜性為目標的 C2 系統所面臨的障礙，可能需要英國國防部已經表現出其所尋求建立的系統的許多特征。面對這樣的循環邏輯，英國國防部可能需要某種外部沖擊來迫使其進行創造性的破壞，或者利用（或不顧）更傳統、線性的 C2 方法來啟動自身的激進改革努力，并隨著時間的推移，隨著變化的到來而進行調整。

為了真實地再現軍事行動，嚴肅的戰斗模擬要求建模實體具有合理的戰術行為。因此，必須定義作戰戰術、條令、交戰規則和行動概念。事實證明，強化學習可以在相關實體的行為邊界內生成廣泛的戰術行動。在多智能體地面作戰場景中，本文展示了人工智能（AI）應用如何制定戰略并向附屬單元提供命令，同時相應地執行任務。我們提出了一種將人類知識和責任與人工智能系統相結合的方法。為了在共同層面上進行交流，人工智能以自然語言下達命令和行動。這樣，人類操作員就可以扮演 "人在回路中 "的角色，對人工智能的推理進行驗證和評估。本文展示了自然語言與強化學習過程的成功整合。

RELEGS：針對復雜作戰情況的強化學習

為了獲得模型架構的靈感，我們研究了 DeepMind 的 AlphaStar 架構，因為它被認為是復雜 RL 問題領域的最先進架構。通過我們的架構（如圖 2 所示），我們提出了一種靈活、可擴展的行動空間與深度神經網絡相結合的適應性新方法。觀察空間的設計基于如何準備戰場的軍事經驗。通常使用地圖和可用部隊表。因此，模擬觀測被分為標量數據（如可用坦克數量及其彈藥）。同時，基于地圖的輸入作為視覺輸入提供給空間編碼器。

標量數據用于向人工智能提供幾乎所有場景細節的建議。其中包括有關自身部隊及其平臺的數據，以及有關敵方部隊的部分信息。輸入并非以絕對數字給出，而是采用歸一化方法來提高訓練效果。編碼器可以很容易地寫成多層感知器（MLP）；不過，使用多頭注意力網絡可以大大提高訓練后智能體的質量，因此應予以采用（Vaswani 等人，2017 年）。

為了理解地理地形、距離和海拔高度的含義，人工智能會被輸入一個帶有實體編碼的地圖視覺表示。顏色方案基于三通道圖像，這使我們能夠輕松地將數據可視化。雖然使用更多通道會給人類的圖形顯示帶來問題，但人工智能能夠理解更多通道。不同的字段類型和實體會用特殊的顏色進行編碼，以便始終能夠區分。這種所謂的空間編碼器由多個卷積層組成。最初，我們嘗試使用 ResNet-50 （He 和 Zhang，2016 年）和 MobileNetV3 （Howard 等，2019 年）等著名架構，甚至使用預先訓練的權重。然而，這并沒有帶來可接受的訓練性能。因此，我們用自己的架構縮小了卷積神經網絡（CNN）的規模。

為了測試和優化這一架構，我們使用了一個自動編碼器設置，并使用了模擬中的真實樣本。我們能夠將參數數量從大約 200 萬減少到大約 47000。此外，我們還生成了一個預訓練模型，該模型已與模擬的真實觀測數據相匹配。這一步極大地幫助我們加快了 RL 進程。

一個可選元素是添加語言輸入，為人工智能定義任務。雖然一般的戰略人工智能不使用這一元素，但計劃將其用于下屬智能體。這些智能體將以自然語言接收來自戰略人工智能的任務，并使用雙向門控遞歸單元（GRU）編碼器對其進行處理。

視覺數據、任務數據和標量數據的編碼值被合并并輸入核心網絡。根據 Hochreiter 和 Schmidhuber（1997 年）的介紹，核心主要是一個擁有 768 個單元的長短期記憶（LSTM）組件。在軍事場景中，指揮官必須了解高價值資產的長期戰略規劃。在本模擬中，人工智能可以請求戰斗支援要素，這些要素在影響戰場之前需要長達 15 分鐘的時間。因此，人工智能必須了解未來任務的時間安排和規劃。在 RL 中使用 LSTM 網絡相當困難，因為它需要大量的訓練時間，而且會導致上面各層的梯度消失。因此，我們決定在 LSTM 上添加一個跳過連接，以盡量減少新增層的負面影響。

動作頭由一個自然語言處理（NLP）模型組成。這是一個非常簡化的動作頭模型，包含一個小型 LSTM 和一個額外的密集層，共有約 340000 個參數。其結果是一個尺寸為 8 x 125 的多離散動作空間。

除主模型外，還有一個單獨的價值網絡部分。價值網絡使用核心 LSTM 的輸出，并將對手信息串聯起來傳遞給 MLP。然后，MLP 可以精確預測價值函數。通過對手信息，價值網絡對模擬有了一個上帝般的地面實況視圖。由于該網絡只與訓練相關，因此可以在不干擾訓練完整性的情況下進行。

本綜述旨在介紹統計和統計分析在軍事搜索探測技術評估和報告中的應用。目標受眾是參與軍事搜索能力開發的人員，他們以前可能沒有接受過統計分析方面的培訓，但其他需要做出以證據為基礎的能力開發決策的人員也可能會發現一些介紹性概念是適用的。本介紹旨在利用軍事搜索中使用的技術的技術評估中常見的例子，讓讀者熟悉統計分析的基本概念和語言，因此敘述直接指向具體的討論和概念，而繞過了在學術性更強的綜述中會考慮到的大型重要數學主題。因此，本導論并不力求詳盡，而是為感興趣的讀者提供參考，介紹業界使用的通用語言和概念，并就如何以合理的統計方式報告結果以及解釋他人提供的結果提出建議。

雖然承擔能力開發任務的軍事人員往往擁有多年的經驗和作戰洞察力，但并非所有人都接受過足夠的科學或技術培訓，使他們能夠在整個能力發展過程中從容應對要求他們進行的顯性或隱性風險效益評估中的統計和概率方面的問題。作為技術評估工作的一部分，他們需要將軍事要求轉化為技術要求，確定并分離出相關的物理參數進行測試，設計并執行實驗試驗，進行分析并解釋數據，最終做出以證據為基礎的能力發展決策，這些決策將在未來數年內影響國家能力。這可不是一項小任務。

面對預算和資源有限的壓力，同時又要負責以同樣不斷變化和改進的各種戰備等級的成套技術來應對快速發展的威脅，我們有強烈的動機來確保用于評估軍事技術有效性和局限性的資源能夠產生足夠高質量的證據，為投資和能力發展決策提供可靠的依據。此外，通過開發和應用完善的科學和統計方法，技術評估所投入的努力也能為更廣泛的盟軍能力發展社區提供支持。為確保分析的科學性、客觀性和統計有效性而付出的更多努力，將增加合作伙伴之間的信任，從而使報告的結果可以被有信心地接受，從而限制多余的工作，利用國家投資，促進相互依賴和互操作性的目標。

本報告記錄了通過利用深度學習（DL）和模糊邏輯在空間和光譜領域之間整合信息，來加強多模態傳感器融合的研究成果。總的來說，這種方法通過融合不同的傳感器數據豐富了信息獲取，這對情報收集、數據傳輸和遙感信息的可視化產生了積極的影響。總體方法是利用最先進的數據融合數據集，為并發的多模態傳感器數據實施DL架構，然后通過整合模糊邏輯和模糊聚合來擴展這些DL能力，以擴大可攝入信息的范圍。這項研究取得的幾項進展包括：

• 將DL模型實施到片上系統（SoC）硬件中
• 高光譜圖像（HSI）數據的DL
  • 1.在HSI上建立DL，以獲得水的特性和底層深度
  • 2.在HSI上使用開放集識別方法
• 框架內融合方法的消融研究
• 使用DL和模糊聚合的HSI和LiDAR多模態傳感器融合的新框架
• 探討神經模糊邏輯在遙感數據中復雜場景的不確定性下自動推理的作用和實用性

出版物[1, 2, 3, 4, 5]進一步詳細介紹了取得的進展。

本文總結了關于自主軍事系統的測試、評估、驗證和確認（TEV&V）的挑戰和建議的部分文獻。本文獻綜述僅用于提供信息，并不提出任何建議。

對文獻的綜合分析確定了以下幾類TEV&V挑戰：

1.自主系統的復雜性產生的問題。

2.當前采購系統的結構所帶來的挑戰。

3.缺少測試的方法、工具和基礎設施。

4.新的安全和保障問題。

5.在政策、標準和衡量標準方面缺乏共識。

6.圍繞如何將人類融入這些系統的操作和測試的問題。

關于如何測試自主軍事系統的建議可以分為五大類：

1.使用某些程序來編寫需求，或設計和開發系統。

2.進行有針對性的投資，以開發方法或工具，改善我們的測試基礎設施，或提高我們勞動力的人工智能技能組合。

3.使用特定的擬議測試框架。

4.采用新的方法來實現系統安全或網絡安全。

5.采用具體的建議政策、標準或衡量標準。

在過去的十年中，計算和機器學習的進步導致了工業、民用和學術應用中人工智能（AI）能力的激增（例如，Gil & Selman，2019；Narla, Kuprel, Sarin, Novoa, & Ko, 2018；Silver等人，2016；Templeton，2019）。由人工智能促成的系統往往在某種意義上表現得很自主：它們可能會接管傳統上由人類做出的決定，或者在較少的監督下執行任務。然而，與武裝沖突期間的錯誤決定相比，一個真空機器人、一個高頻股票交易系統，甚至一輛自主汽車做出錯誤的選擇是可以通過糾正措施相對恢復的。軍事系統將面臨與民用系統相同的大部分挑戰，但更多地是在結構化程度較低的環境中運作，所需的反應時間較短，而且是在對手積極尋求利用錯誤的情況下。人工智能和自主軍事系統將需要強有力的測試，以保證不理想的結果，如自相殘殺、附帶損害和糟糕的任務表現是不太可能的，并且在可接受的風險參數范圍內。

為了自信地投入使用自主軍事系統（AMS），必須相信它們會對設計時可預見的問題和它們必須適應的不可預見的情況做出適當的決定。簡而言之，這些系統必須是熟練的、靈活的和值得信賴的。 當AMS要在狹義的情況下運行時（例如，要求一個 "智能"地雷在一天中的特定時間內施加特定的壓力時爆炸），要保證系統的行為符合要求就容易多了。它能遇到的相關不同情況的數量和它的行為反應（即其決策的狀態空間）都是有限的。擴大這個狀態空間會使保證更加困難。例如，一個自主的基地防御系統旨在根據目前的ROE用適當的武力來應對任何可能的威脅，預計會遇到更多的情況，包括設計的和不可預見的。要在這種情況下適當地運作，需要更多的靈活性，這反過來又要求系統更加熟練，允許它運作的人類更加信任。這些需求的相互作用是這些系統的許多T&E困難的一個核心驅動因素。

人工智能技術為美國防部（DoD）內的采購項目的測試和評估過程帶來了一系列的挑戰。首先，這些系統純粹的技術復雜性和新穎性可能難以駕馭。此外，美國防部的采購流程是在假設的基礎上進行優化的，而自主權可能不再成立（Tate & Sparrow, 2018）。例如，將承包商、開發和操作測試分開，假設我們有離散的、相對線性的開發階段，導致系統的 "生產代表 "版本。對于AMS來說，這可能不是真的，特別是如果它們在整個生命周期中繼續學習。此外，在我們擁有一個系統之前就寫需求，是假設我們事先了解它將如何被使用。因為AMS的熟練度、靈活性和可信度會隨著時間的推移而發展，并會影響人類如何使用或與系統互動，所以與標準系統相比，作戰概念（CONOPS）和戰術、技術和程序（TTPs）將需要與系統共同開發，其程度更高（Haugh, Sparrow, & Tate, 2018; Hill & Thompson, 2016; Porter, McAnally, Bieber, & Wojton, 2020; Zacharias, 2019b）。

然而，即使美國防部的采購流程被更新，美國防部員工用于測試和評估（T&E）的具體方法、工具和基礎設施將無法保證系統的性能達到預期。開發和設計工作包含了測試，通過內部儀器建立可測試性；提高軟件的透明度、可追溯性或可解釋性；對培訓和其他數據進行良好的管理和驗證，可以改善開發過程，同時也為測試和評估鋪平道路，但它們沒有被普遍采用。此外，能夠幫助項目克服所有這些挑戰的政策和標準要么缺乏，要么不存在。

什么是自主性？

自主性的定義繁雜眾多，有些定義對美國防部來說不如其他定義有用。許多定義包含了獨立、不受外部控制或監督、或與其他實體分離的概念（例如，牛津英語詞典，2020年）。然而，假設任何參與者將在沒有控制或監督的情況下運作，甚至是人類作戰人員，這與美國防部的政策和指揮與控制（C2）的思想相悖。不希望自主系統擁有選擇行動路線的完全自由，而是在其分配的任務中擁有一些受約束的自由。

與作戰人員一樣，可能希望與自主系統有一個C2或智能體關系。希望：1. 明確具體任務和/或整體任務的目標或目的，可能還有這些目標的更大原因，如指揮官的意圖（即做什么和為什么）。2.明確與任務相關的約束，如交戰規則（ROE，即不能做什么）。3. 不指定使用的方法或對每一種情況給出明確的應急措施，如對對手的反應做出反應（即如何完成任務）。

一個系統是否被授權為一項任務做出這些 "如何 "的決定，是本文將區分自主系統和非自主系統的方法。

在 "是什么"、"不是什么 "和 "為什么 "的限制下，為 "如何 "做出有用的、理想的選擇，假定了某種程度的智能。因為這些是機器，這就意味著存在某種程度的人工智能。需要人工智能來實現對非瑣碎任務的有用的自主性，這可能解釋了為什么人工智能和自主性經常被混為一談。在本文件中，我們將自主性稱為系統在其操作環境中的行為，而人工智能則是與該環境進行有意義的互動的 "內在 "促成因素。