在世紀之交，空中和導彈防御（AMD）的作戰挑戰已變得越來越復雜，要求防御系統更有能力、更有彈性、更強大，并能夠履行多種任務。為了應對這些挑戰，AMD社區在使用多頻譜和多層次的交戰系統以及空間系統方面取得了重大進展，并與合作伙伴進行了合作。在21世紀初，AMD能力的轉變推動了技術整合的邊緣，操作的效用，以及復雜的全球系統的協調。在這些進展的最前沿，約翰霍普金斯大學應用物理實驗室（APL）提供了改變游戲規則的思想領導、能力創新和及時、務實的解決方案。本文描述了其中一些變革性的能力。

1 世紀之交：基礎的空中和導彈防御作戰能力

在世紀之交，美國海軍的空中和導彈防御（AMD）能力依賴于堅實的基礎要素，其中許多要素來自于APL工作人員提出的最初概念，以及后來由APL工作人員執行的嚴格的系統工程。APL的貢獻的標志是與政府和工業界建立了密切的工作關系，使其能夠提供重要的能力來應對空中和導彈威脅的發展。

這些基礎作戰能力成為20世紀AMD的支柱，使美國海軍能夠應對一系列不斷變化的威脅。這些能力包括處理多軸威脅的相控陣雷達；有助于縮短交戰時間的綜合作戰系統決策輔助工具；應對更具挑戰性的空中和彈道導彈的復雜導彈系統；以及協調規劃、探測、控制和交戰功能的綜合作戰系統，以實現同步火控解決方案。

在AMD的基礎發展時期，APL為標準導彈、宙斯盾和艦艇自衛系統（SSDS）作戰系統以及SPY-1雷達系統創建了開創性的能力概念。作為技術指導者或政府團隊的信任者，APL領導了創新算法的開發；先進的雷達概念；復雜的多傳感器解決方案；開放架構方法；以及綜合導彈和作戰系統解決方案。

在20世紀后半葉，APL引領了將這些單獨的作戰和傳感器系統聯網的方式，以提高對戰斗空間的態勢感知，提供多傳感器和多光譜威脅圖片，并形成使用非有機傳感器的擴展交戰和火力控制解決方案的基礎。在合作交戰能力（CEC）的創新、演示和實戰化方面處于領先地位，APL與政府和行業伙伴合作，為作戰人員提供更遠距離的火控質量數據，增加導彈交戰空間和超視距能力。這種擴展的交戰能力有助于為21世紀的戰爭鋪平道路，并為21世紀AMD的轉型奠定基礎。

圖1. 一個說明復雜的AMD任務背景的場景。突出了當前和新出現的挑戰，包括擴展的戰斗空間和多軸、多光譜和多任務威脅。

2 對21世紀戰爭的重要貢獻

2.1 背景

20世紀中期的作戰方法往往集中在單一目的/單一任務系統上，因為使能技術還不夠成熟，無法支持更復雜的作戰需求。這些萌芽狀態的作戰能力的例子包括早期的雷達系統和手動瞄準和重力制導炸彈。然而，20世紀后半葉出現了一些使能技術，提供了必要的材料、計算機處理、軟件方法和系統工程知識，以實現更復雜的作戰能力。這些先進的作戰技術和能力是21世紀作戰的基礎。

隨著AMD作戰任務變得更加復雜，隨著戰斗空間的擴展和多軸、多光譜和多任務的威脅，對手有更大的潛力來壓倒我們的防御系統。因此，作戰人員和系統開發人員必須合作開發概念和能力，積極主動地應對當前和新出現的AMD任務挑戰。圖1描述了當前和新出現的復雜AMD任務背景。在這一作戰背景下，前面提到的所有挑戰都得到了強調：擴展的作戰空間和多軸、多光譜和多任務威脅。在過去的20年里，APL通過與政府贊助者和利益相關者合作，作為技術指導者和可信賴的代理人，為開發新的和基本的能力做出了貢獻（圖2）。APL的工作人員與政府和行業伙伴合作，制定全面的、可擴展的要求和解決方案，并執行嚴格的測試、評估和操作性的實戰方法。

圖2. APL在AMD能力發展的整個生命周期中的領導作用。作為政府的技術指導者和可信賴的代理人，APL的工作人員與政府和工業界的合作伙伴合作，開發、測試和實施基本能力。

2.2 宙斯盾武器系統

在過去的20年里，許多新的和基本的AMD能力都是建立在 "宙斯盾 "武器系統的基礎上。在接近20世紀末的時候，宙斯盾系統主要側重于反空戰（AAW），以對抗威脅飛機和巡航導彈。然而，隨著20世紀90年代初第一次海灣戰爭的爆發，對彈道導彈威脅的防御（彈道導彈防御，或稱BMD）成為接下來20年宙斯盾武器系統發展的關鍵動力。

作為一個成員跨越政府、工業和政府實驗室的團隊的一部分，APL幫助開發了新的 "宙斯盾 "要求和與外大氣層和內大氣層的彈道導彈威脅有關的能力。這些重要的發展包括對付比宙斯盾以前的任何東西都飛得更高、更遠、更快的威脅的能力。憑借APL工作人員在火力控制環路的所有階段（探測、控制和交戰）以及參與這些階段的宙斯盾武器系統的各種要素方面的專業知識，該實驗室在這一發展中發揮了核心作用。宙斯盾BMD能力是反復設計、建造的，并在40個難度和復雜性不斷增加的測試任務中的33個中成功測試。這種開發、集成和積極的測試活動導致了一個強大的、多功能的系統設計。

圖3. 宙斯盾/SM-3在 "燒霜 "事件中的發射。這一關鍵行動要求APL、政府和工業團隊對宙斯盾BMD系統進行快速修改，使其能夠成功地攔截一顆錯誤的情報衛星，并在衛星重新進入地球大氣層之前使其燃料箱破裂。

宙斯盾BMD能力的多功能性和有效性在2008年2月的 "燒霜"（圖3）中得到展示。在這次重要的任務中，政府、工業界和實驗室團隊被要求對武器系統進行快速修改（在不到6周的時間內），以便在NROL-21衛星用一整箱冷凍肼威脅到人口中心之前將其摧毀。最初的概念是基于APL工作人員撰寫的一篇論文。APL的工程師做了預測性的性能分析，用來為國家安全委員會和最終為美國總統驗證這一能力。APL與洛克希德-馬丁公司和雷神公司一起工作，提出并實施對宙斯盾和標準導彈的修改。APL在執行任務前在其制導系統評估實驗室（GSEL）測試了標準導彈-3（SM-3）的最終尋的器和制導代碼，發現了一個錯誤，如果沒有發現和修復，將導致任務失敗。

這些新的和必要的反艦導彈和BMD能力是巨大的突破；然而，將反艦導彈和BMD能力合并成一個更強大的綜合防空和導彈防御（IAMD）方法的必要性是顯而易見的。IAMD在操作上和計劃上都是必要的，因為它提供了一個單一的綜合作戰系統靈活地執行多任務操作的能力，使每艘艦艇具有更大的靈活性和效用。IAMD通過基線9被引入宙斯盾艦，并將在未來幾十年內被納入大多數宙斯盾艦中。

APL的另一項創新是能夠將宙斯盾BMD能力部署在 "岸上 "配置中，以支持內陸資產的防御。這種能力被稱為 "岸上宙斯盾"（圖4）。APL在導彈防御局的研究中提出了 "岸上宙斯盾 "的原始概念，通過嚴格的需求分析幫助推動系統工程，并通過系統開發、集成和測試以及系統的投入使用，繼續發揮其技術指導作用。岸上宙斯盾系統于2015年12月在太平洋導彈靶場設施對一個實際目標進行了首次飛行測試攔截。宙斯盾近岸系統從概念探索到在羅馬尼亞投入使用僅用了6年多的時間，它是在非常緊湊的時間內開發的，這是一個值得注意的成就，是對包括APL在內的整個團隊的證明。

圖4. 岸上的宙斯盾系統。這種配置支持對內陸資產的防御。

2.3 標準導彈

與 "宙斯盾 "武器系統一起發展的美國海軍AMD新的基本能力的另一塊基石是標準導彈系列（圖5）。與 "宙斯盾 "團隊緊密合作，"標準導彈 "團隊開發了配套的攔截器，與不斷發展的 "宙斯盾 "武器系統協同工作。標準導彈系列目前包括SM-2、SM-6和SM-3。APL是標準導彈所有變種的全面性（AUR）的技術指導機構。作為技術指導機構，APL是標準導彈系統的整體戰略、開發和實戰的社區思想領袖。

SM-2是 "宙斯盾 "AAW能力的主要防御手段，也是一些國際作戰系統的防御手段。在21世紀，SM-2導彈系統已經發展到可以處理更復雜和具有挑戰性的目標和環境條件，并具有更多的最終游戲要求，還包括與其他作戰系統的通信能力和替代操作模式。隨著21世紀的繼續，SM-2將繼續增加能力，使其更加靈活地支持日益復雜和具有挑戰性的威脅環境。

圖5. 標準導彈家族的歷史。該系列目前包括SM-2，SM-6和SM-3。APL是所有SM變體的全方位（AUR）的技術指導機構。Blk，Block；BTV，燃燒器試驗車；CMD，巡航導彈防御；CTV，控制試驗車；ENDO，內大氣層；EXO，外大氣層；LEAP，輕型外大氣層彈丸；MU2，機動性升級2；PAC，太平洋；RTV，沖壓式試驗車；SBT，海基終端；STV，超音速試驗車；TBM，戰術彈道導彈。

SM-6導彈系統最初的設想是利用一個不需要對目標進行遠程終端照射的主動尋的器，在延伸和超視距范圍內執行反擊任務。延程能力增加了宙斯盾武器系統的戰斗空間，可以在對手對友軍構成迫在眉睫的威脅之前對其進行打擊。偶然的是，隨著SM-6武器的能力開始被充分認識，出現了在多種任務中使用這種導彈系統的概念。例如，作為海基終端（SBT）計劃的一部分，SM-6在BMD任務中的使用被展示出來，以應對內大氣層地區的彈道導彈威脅。最近，"宙斯盾 "和SM-6演示了用于反艦任務的遠程地對地模式，而且SM-6也正在考慮用于其他一些用途。

SM-3在過去20年里不斷發展，以對抗外大氣層地區的威脅彈道導彈。SM-3導彈系統與 "宙斯盾 "BMD武器系統緊密協調，提供強大的命中摧毀能力。在過去的20年里，SM-3導彈系統不斷發展，以處理更復雜的目標場景和更具挑戰性的最終目標要求，并與全球彈道導彈防御系統（BMDS）更好地整合。最近，宙斯盾BMD成功地進行了SM-3 Block IIA導彈的首次實彈攔截測試。SM-3 Block IIA是一種直徑為21英寸的AUR，在可對付的威脅的范圍和復雜性方面有了重大升級。SM-3 Block IIA由美國和日本合作開發，用于擊敗中程和中程彈道導彈。今后，美國海軍和MDA將繼續依靠SM-3來提供可靠和高度有效的BMD。

2.4 艦炮綜合火控

為了在一系列不同的作戰傳感器中產生盡可能好的跟蹤畫面，擴展藍軍的作戰空間，并支持基于遠程傳感器數據的交戰，APL在20世紀80年代和90年代構思并幫助開發了CEC。CEC在21世紀之交開始運行，目前是實現未來靈活作戰模式的支柱之一。由于其固有的在部隊參與者之間進行火力控制質量數據聯網的能力，CEC為海軍領導層最近闡述的以網絡為中心和殺傷性網絡概念提供了基礎。APL為這一基礎能力的構思、開發、集成和應用提供了思想領導和遠見，使海軍綜合火力控制--反空（NIFC-CA）這一更大的方法得以實現。

NIFC-CA（圖6）的能力通過一個高架傳感器系統擴展了交戰空間，以獲得超視距的態勢感知和火控交戰能力。這種擴展的戰斗空間使藍軍能夠在更大的范圍內攔截來襲的威脅，為新興的作戰人員需求增加了一個重要的縱深防御層。APL是NIFC-CA概念的原創者和思想領袖之一，支持需求開發、早期原型設計、元素級測試和演示，以及系統的綜合演示。NIFC-CA能力的早期發展已經得到了成功的驗證，APL目前正在與贊助商合作，發展和擴大這種新的基本能力，以用于其他平臺和任務。

圖6. NIFC-CA概念和系統要素。這種能力利用高位傳感器系統擴展了交戰空間，以實現超視距態勢感知和火力控制交戰能力。

2.5 彈道導彈防御

除了 "宙斯盾"、"標準導彈 "和 "CEC "能力的發展，APL一直是AMD社區的推動者、思想領袖和其他一些贊助商和利益相關者的能力提供者。這些主要利益相關者之一是導彈防御局（MDA）。MDA成立于2002年，主要任務是與各軍種（空軍、陸軍和海軍）密切協調，對BMD系統進行設計、開發、測試和投入使用。APL作為早期的技術領導者加入了MDA（以及前身的戰略防御倡議辦公室，或SDIO，和彈道導彈防御組織，或BMDO），產生了早期的彈道導彈對手框架，以及通過協調BMDS資產的綜合能力概念來對抗這些對手的方法。圖7顯示了APL在BMD方面的歷史。

圖7. APL在BMD的歷史。BMC2，戰斗管理指揮和控制；FTM，飛行測試任務；ITF，互操作性工作組；PTSS，精確跟蹤空間系統；STSS，空間跟蹤監視系統；UEWR，升級版預警雷達。

在過去的20年里，APL為BMDS雷達TPY-2的概念開發、需求開發、系統工程和實地應用做出了重要貢獻。TPY-2目前正與幾個聯盟伙伴協調部署。開發TPY-2系統使MDA開始實現其愿景，即建立一套可在世界各地部署的靈活、可搬遷和可擴展的能力。此外，APL在使用空間系統和BMDS的相關指揮和控制能力方面一直處于領先地位，并與地基中段防御（GMD）項目密切合作，為MDA和相關的利益相關者提供了更強大的BMD能力。

3 展望未來：進一步改造21世紀的AMD能力

APL為實現所需的21世紀作戰能力做出了巨大貢獻。然而，隨著威脅變得更具挑戰性，有必要進一步推動AMD的發展。

很明顯，由空中和導彈威脅構成的主要挑戰將繼續變得更加難以對付。大型協調的威脅突襲、復雜的多模式尋的器、精確制導系統、高度機動的機身、低信號、以及復雜的反制措施和誘餌只是威脅快速演變的幾個領域。不太傳統的空中威脅能力也正在出現，包括那些與中小型受控或自主飛行器單獨或以協調的群組運行有關的能力。這些威脅，當與更復雜的電子戰和網絡戰相結合時，將為AMD系統創造一個非常復雜的環境。最后，高超音速技術的引入為防空系統創造了一個新的威脅挑戰--制度。

伴隨著這些挑戰，威脅技術的進步提供了一個機會。潛在的對手使用多軸和多光譜系統來強調目前的AMD能力，這使人們認識到需要開發更強大的防御系統，在不同的光譜和模式下工作，以避免單點故障。使用強大的電子戰系統，在部隊中各艦艇和飛機之間以亞波長時間協調，在與協調的誘餌相結合時，可以對甚至是最復雜的威脅搜索器產生有效的反制措施。

在其中一些艦艇和飛機上增加激光器，可以對多模尋的器和電光/紅外傳感器進行反制。增加這些激光器的功率，再加上使用脈沖能量武器（如高功率微波），可以創造出有效和高效的武器來對付小型的、無人看管的空中飛行器，在未來，也許甚至是更強硬的空中和導彈威脅。

這些新的能力，再加上自身有改進的傳統硬殺傷系統，將有助于引領未來綜合AMD系統的發展方向。多用途系統必須成為未來的規范，以應對緊張的對手環境、動態的操作需求和永遠存在的財政現實。

使用自主的地面、空中和地下車輛的數量，對于實現不對稱的AMD優勢也將是必要的。這些自主車輛將攜帶傳感器和武器有效載荷到它們最有效的地方，同時通過分散在被保護的部隊周圍減少它們的脆弱性。隨著我們未來的部隊變得更加靈活和分散，以應對更加強大和分散的威脅環境，我們提供AMD的手段必須跟上。

考慮到我們對傳感器和有保障的通信的依賴，并考慮到對手的電子戰和網絡戰能力，未來的AMD系統將需要強大的電子保護、信息保障措施和積極的網絡防御，以便在戰爭的早期階段生存。納入不基于無線電頻率的通信，如自由空間光學，將提供高帶寬的數據傳輸，同時幾乎無法檢測到并對干擾免疫。

最后，同步的全面分層防御概念和系統方法的持續發展將是必要的，以整合和協調這些新的和必要的能力，使之成為一個統一的21世紀AMD作戰模式。

用人類的話說，信任是掙來的。本文提出了一種基于人工智能的作戰方案(COA)推薦算法(CRA)如何贏得人類信任的方法。它介紹了一個分為三個階段九個步驟過程（NSP），其中前兩個階段填補了建立一個可信賴的CRA所必需的兩個關鍵邏輯漏洞。最后一個階段是部署一個可信的CRA。在解釋其建議之外，還介紹了歷史上的例子，以提供關于為什么需要贏得信任的論據，特別是在解決戰斗的復雜性和對手的突然行動時。本文描述了關于突襲行動對過去戰役影響的討論，以及人工智能如何可能帶來改變，但前提是信任程度很高。為了實現這一目標，NSP引入了被稱為EVE的建模結構。EVEs是允許在所有三個階段收集、整合和完善來自不同來源和形式的知識的關鍵。使用EVEs，CRA可以整合來自進行桌面討論的兵棋專家以及在產品測試期間使用實際技術的作戰測試工程師的知識。EVE允許CRA接受理論和實踐相結合的培訓，以提供更實用和準確的建議。

引言

人工智能（AI）的信任意味著什么？2020年10月，桑迪亞國家實驗室（SNL）與國家領導人和行業專家舉行了 "可信人工智能"圓桌會議。根據SNL的說法，"如果人工智能的輸出可以用于關鍵決策，包括可能危及生命的情況，那么它就是可信賴的"（Sandia國家實驗室，2021）。在2021年5月26日概述美國防部負責任人工智能計劃的備忘錄中，國防部副部長凱瑟琳-希克斯博士表示：隨著國防部擁抱人工智能（AI），必須采取負責任的行為、程序和結果，以反映該部對其道德原則的承諾，包括保護隱私和公民自由。一個可信賴的生態系統不僅能增強軍事能力，還能與終端用戶、作戰人員和美國公眾建立信任。(Hicks, 2021)

可信人工智能有相當高的門檻需要通過。不僅在可能危及生命和任務的情況下必須信任人工智能，它還必須得到美國公眾的信任。

對人工智能的信任，就像對人類關系的信任，需要時間來建立。人工智能必須首先在復雜、現實的合成戰斗場景的多次迭代中證明自己，才能在實際沖突中得到信任。美國公眾需要知道，在它被用于將他們的兒子、女兒、丈夫、妻子、父親和母親置于危險境地之前，它已經被徹底測試、評估和驗證。人工智能的可靠表現也可以被認為是一個涉及危害的系統安全問題，會讓美國感到尷尬（Nagy，2021）。

在復雜作戰場景中，人工智能應被采用的程度與對該人工智能系統的信任程度成正比。換句話說，目標越大，對信任的要求就越高。對于更重要的決策，即可能關系到生命的決策，應該要求更高的信任度，但這也在很大程度上取決于決策者對使用人工智能的風險與回報的權衡。例如，尋求進入對手的決策周期的對手可能會利用人工智能，達到他或她確定的回報大于風險的程度。同樣，尋求擾亂對手決策周期的對手可能希望增加其感知的風險，或選擇不信任其人工智能系統。

有很多關于需要 "贏得信任"的說法，或者需要"在信任的基礎上建立關系"，而提出潛在生死建議的人工智能系統不應例外。本文將提供一個九步驟的過程（NSP），描述一種創建值得信賴的COA推薦算法（CRA）方法，通過在各種功能角色中的可靠表現來證明。這種方法有助于確保決策者對COA建議充滿信心，特別是當生命受到威脅或對手積極致力于制造不信任的時候。對突襲的預測和/或投入軍事資源的建議會被信任嗎？為了回答這個問題，國家戰略計劃提供了一個過程，使CRA能夠： (差距1）通過桌面討論的專業兵棋推演來學習戰術和戰略，以及（差距2）通過測試和評估、驗證、確認/真實虛擬結構（TEVV/LVC）設施內的 "現場"作戰測試，以更大的統計準確性來分析產品的性能限制和優勢（由技術開發/獲取產生）。本文將介紹為什么需要填補這些差距，以充分建立對CRA的信任，在復雜戰斗場景中提供關鍵的建議。

兵棋中的CRA任務分配（差距1）

CRA需要從兵棋環境中開發，以利用移動到反移動的知識和可能性的 "寶庫"，例如： (1)可以影響結果的人為因素，(2)改變戰斗結果的意外/驚喜動作，(3)多域場景，聯合和聯盟部隊被整合以實現共同目標（DSB，2015），以及(4)準確解釋各種質量的情報/資源的能力。CRA需要學習如何解開戰斗的復雜性，包括揭開和管理 "未知數"（DSB，2009），并仍然確定最佳戰略/戰術反應。揭開 "未知數"，也就是在戰斗中的意外發生之前揭示它們，是具有挑戰性的。就人工智能系統而言，在討論事件-動詞-事件（EVE）鏈和兵棋推演建模時，將對描述復雜的戰斗場景中的 "未知數 "以及如何在事件發生前揭開或反擊這些未知數進行審查。CRA必須收集移動到反移動的知識和可能性，并向兵棋推演專家學習，以便提供可以信賴的建議。

彼得-佩拉博士將兵棋推演定義為 "一種戰爭模型或模擬，其事件的順序受到代表對立雙方的玩家所做決定的交互影響，其運行不涉及實際軍事力量的活動"（佩拉，1987）。佩拉接著說："兵棋推演的真正價值在于其獨特的能力，即闡明戰爭中人的因素的影響。就其本質而言，兵棋推演試圖探索的正是那些戰役分析所忽視的混亂的、'無法量化的'問題。兵棋推演可以幫助參與者發現他們不知道自己不知道的東西，"（Perla，1987）。兵棋推演、演習、戰役或行動分析都是建立人工智能信任的有用工具。然而，演習往往是昂貴的努力，有腳本的時間表，戰役分析往往受分析框架的約束。只有兵棋推演 "允許雙方不斷調整戰略和戰術，以應對戰役分析中看不到的發展結果和事件"（Perla, 1987）。只有隨著時間的推移，與對立的藍隊和紅隊成員進行反復的兵棋推演，才能為未來的沖突提供洞察力。

CRA應該能夠使用關于對方的不同程度的情報可靠性。基于自身技術的情報和性能知識，它應該顯示戰略和戰術瓶頸、優勢和劣勢，以及提高自我恢復能力的方法，以確保從紅方和藍方的角度來看任務成功。此外，CRA應該能夠對紅方和藍方的行動和反行動進行裁決。CRA的設計需要存儲完整的兵棋推演，包括細節，然后隨機地重演兵棋推演，收集統計結果進行分析。它還應該能夠改變任何一個對手的情報可靠性水平，并通過附加分析顯示趨勢和變化。CRA需要在三個方面為藍方、紅方和白方玩家提供支持：

1.從藍方角度運行兵棋： 它需要根據藍方 "認為 "紅方（和相關盟友）會做什么，從藍方的角度（與相關盟友）來運行兵棋推演；但在游戲中使用紅方的 "真實 "行動和意圖。換句話說，這只是一個藍方隊友與它的藍方隊員一起體驗，它對紅方行動的預期如何。這是從藍隊友的角度進行的分析評估。CRA需要學習并與藍方隊員分享這些統計結果，關于如何從藍方的角度更好地準備應對戰斗中未預料到的、"出格 "的驚喜。

2.從紅方的角度運行兵棋： CRA執行與上一步相同的任務，只是從一個紅方的角度。這被認為是 "以忠實和嚴格的方式進行紅方游戲"（Rielage, 2017）。CRA需要學習并與紅方團隊成員分享這些統計結果，關于如何從紅方角度更好地準備戰斗中未預料到的、"出格"的驚喜。

3.從白方角度運行兵棋：CRA需要對紅隊和藍隊的行動進行裁決。它需要模擬 "萬一"的場景。這是從白方隊員的角度進行分析評估，了解藍隊和紅隊的表現真相。CRA需要為藍隊提供逐步分析，說明情報和/或技術能力是如何被使用、歪曲、隱藏、甚至錯過的，以及這些決定如何影響結果。CRA需要為藍方和紅方做這件事，在游戲的匯報中使用白方的視角來幫助白方隊員。CRA的角色需要不斷地從數以千計的看似不相關的數據中評估模式，以學習如何在向其藍方和紅方團隊提出下一組兵棋推演的建議時，將未預料到的、"出乎意料"的意外影響降到最低。分析數以千計，甚至可能是數以百萬計的數據點，應該是CRA執行的一項自然職能。這些類型的分析將由白方隊員指導，以發現戰略和戰術瓶頸、優勢和弱點，以及提高完成各種任務的系統的彈性。

CRA需要能夠分析過去的兵棋推演，以支持基于情報的戰術結構的比較，以及在評估期間提供選擇。隨著收集的數據越多，CRA就越能在NSP之后，逐段提供統計證據。然后，它可以利用這些證據向藍隊和紅隊提出如何更有效地實現其任務目標的建議。對于白方團隊來說，它將實現裁決的自動化，節省戰友們的時間，并允許對棋步進行更精確的統計分析。這將開始填補第一個空白，為紅、藍、白棋手提供價值，支持他們的目標和工作習慣。

將CRA整合到兵棋推演環境中的最后一個原因是復雜性。訓練數據是否充分代表了涉及戰斗復雜性的部署挑戰（Nagy，2021）？如果不是，當作戰部署期間經歷了戰斗復雜性時，如何信任COA建議？如果要贏得信任，那么CRA必須提出建議，在統計學上有很高的成功可能性，考慮到戰斗復雜性的挑戰。在復雜的戰斗中，當影響生命、財產或關鍵目標損失的功能懸而未決時，在戰斗中信任一個未經證實/缺乏經驗的CRA，即使有人類的監督，似乎也是不合理的。然而，部署CRA的動機包括更快的反應時間，避免人員損失，如果訓練得當，在行動或建議的細節上更精確。因此，問題變成了訓練或將技術發展成一個值得信賴的CRA的細致過程。這種訓練能夠成功證明的唯一方法是在遵循建議的COA時有很高的成功率。

需要考慮的變量： 訓練數據是否足以使CRA在面臨復雜的戰斗挑戰時有可靠的表現？兵棋推演是否包括適當的復雜性？復雜性由四個要素組成，這些要素結合在一起會使事物變得復雜：適應性、相互依賴性、相互關聯性和多樣性。根據復雜性的科學定義，如果一個問題具有更多的這些特征，那么它就更加復雜（弗蘭克，2015）。復雜性理論是指揮和控制理論：兩者都涉及到廣泛分布的眾多代理的集合，單獨行動，但仍然可以像一個單一的，甚至是有目的的實體（Schmitt, 2008）。在文獻中，大多數時候，戰斗復雜性的定義可以概括為有許多軍事組件、系統和子系統為了一個單一的目的與同樣復雜的敵方力量相互作用的情況。注意："復雜 "一詞與難度有關。海軍研究生院的邦尼-約翰遜博士和美國海軍上尉斯考特-米勒（退役）以及其他研究科學家已經撰寫論文并發表演講，表示 "未知數 "或 "不確定性 "是復雜性的核心（約翰遜，2019；洛根，2009）。

作戰測試中的CRA任務分配（差距2）

合乎邏輯的下一步是讓CRA從戰爭桌面討論轉向對國防部（DoD）項目正在開發/獲得的新技術產品進行實際的 "現場 "作戰測試。重要的是，CRA要從第一手經驗中了解產品能做什么和不能做什么。然后，這些數據可以用來完善兵棋推演中討論的行動和反行動。這也確保了建議的準確性。當CRA根據兵棋專家的指導展示了可靠的COA時，CRA就需要使用 "實戰 "數據來完善其知識。

為了支持TEVV/LVC設施，CRA還需要被設計來編寫測試腳本，以更準確地識別國防部正在開發/獲得的新技術產品的優勢和劣勢。通過分析國防部的新技術在受到測試腳本情景的挑戰時的表現，CRA在支持作戰測試工程師的同時，也為戰爭參與者提供了額外的價值。

為了獲得價值，它必須提供一種自動化能力，以減少開發測試腳本的時間，并確保對需求的充分覆蓋。它還必須分享通過兵棋推演獲得的分析和統計知識，以支持作戰測試工程師開發更多的戰術和戰略戰斗的復雜測試腳本。然后，性能數據可以用于未來的兵棋推演，允許關于產品性能的任何桌面修正，從而為專業戰爭玩家增加額外的價值。由CRA制作的這些類型的作戰測試腳本將滿足兩個目標：

(1)了解發展中的人工智能或任何新技術在性能、能力和彈性方面處理意外情況的能力如何，即意外。

(2) 允許CRA在作戰測試和如何在專業兵棋推演環境中使用之間架起橋梁；這種附加價值在信任方面贏得了 "信用"。

同樣，從常識的角度來看，在CRA被部署到作戰環境之前，目標是為CRA提供遵循其創建的測試腳本方案的性能結果。這些性能結果將包括支持作戰測試的工作技術，以及正在審查發布的產品。此外，重要的是CRA可以完善、修改、甚至糾正最初在兵棋推演中描述的假設/性能數據。它必須盡可能多地了解在戰區使用的工作/部署技術的第一手資料。在對CRA的培訓中包括這種實際性能知識是至關重要的，因為它可以在部署時提供值得信賴的建議。

縮小兵棋專家和作戰測試工程師之間的差距是需要考慮的。專業的兵棋專家和作戰測試人員如何分享知識？戰術家從戰略、戰術和結果的角度說話。測試人員從要求、性能能力和統計結果的角度說話。作戰測試腳本方案是否充分或正確地反映了兵棋專家的方案在游戲中如何使用這些技術/產品資產？遵循NSP的CRA可以確保這種一致性。本文將展示NSP如何通過使用EVE建模，使這兩個領域保持一致，并使CRA產生有凝聚力和值得信賴的建議。

作戰中突發事件的確定性

在1955年的一次新聞發布會上，德懷特-D-艾森豪威爾總統說："每一場戰爭都會讓你感到驚訝，因為它的發生方式，以及它的執行方式"（艾森豪威爾圖書館，2022）.目前烏克蘭的沖突似乎并沒有挑戰這一論斷，即使有六十多年的新技術。在2018年戰略與國際研究中心（CSIS）的一份題為《在大國沖突中避免應對突發事件》的報告中，馬克-F-坎西安得出結論："突發事件是不可避免的"（Cancian, 2018），但也指出了四種不同類型的突發事件：戰略、技術、理論和政治/外交。報告詳細分析了每種類型的驚喜，明確指出并非所有的驚喜都是對手行動的結果。坎西恩認為，理論上的驚喜，"是以意想不到的方式使用已知的能力或技術，產生強大的新效果。理論上的驚喜也可以來自我們自己的作戰概念的意外失敗"（2018）。最近一個理論上的驚喜的例子是2020年亞美尼亞-阿塞拜疆的沖突，在這場沖突中，阿塞拜疆人使用武裝無人機系統讓亞美尼亞人措手不及，并使沖突的規模傾向于阿塞拜疆（加拿大軍隊，2021）。信任人工智能/機器學習（ML）要求這些系統不僅要考慮對手的驚喜，還要考慮當我們的系統、流程和程序意外地不能像宣傳的那樣工作。

從CSIS的文章中，Cancian將驚訝定義為 "當事件發生時，與受害者的預期相悖，對手獲得了重大優勢"（Cancian，2018）。對于一個旨在測量單個比特數據的人工智能系統來說，這個驚喜的定義太過寬泛。在人工智能方面，驚訝可能會導致對手獲得重大優勢，但驚訝的起源可能來自一個完全出乎意料的事件，或者是許多小驚訝的累積效應導致的偏差超出了人工智能算法的容忍度。本文并不討論人工智能是否最終會從戰爭中消除意外因素，盡管在作者看來這不太可能。相反，本文分析了在未來的沖突中，在驚喜因素永遠存在的情況下，人工智能需要被信任的原因。

意外是戰爭中固有的，被認為是不受約束的數據，這應該被認為是一個既定的事實。另一個既定的事實是，人工智能的戰斗決策輔助工具在面對無限制的信息時已經被認為是 "災難性的 "失敗（Moses, 2007; Cooter, 2000）。這個問題在人工智能中是如何解決的呢？確保用于訓練人工智能系統的數據集準確地反映出部署后的作戰狀態! 因此，需要在部署前進行廣泛的兵棋推演和作戰測試。填補這兩個空白并不是可有可無的，它們是確保對CRA的信任所必需的。

關于CRA在作戰部署前需要贏得信任的經驗教訓

歷史上不乏美國出其不意的例子（DSB，2009），包括1973年埃及和敘利亞對以色列的攻擊、1979年伊朗國王的倒臺、1989年柏林墻的倒塌、2001年9月11日的恐怖襲擊（Cancian，2018），以及烏克蘭平民頑強抵御俄羅斯對其家園的攻擊。

CRA能預測到1941年12月7日對珍珠港的襲擊嗎？如果是這樣，領導層會相信這個預測嗎？Cancian（2018）指出，對珍珠港的襲擊是被預測到的，問題是對這些預測缺乏信任。日本人在明知有可能將美國卷入沖突的情況下還會發動攻擊，這似乎是不可信的。更重要的是，領導層需要什么來改變現有的作戰計劃，投入資源，并花費所需的作戰資金？鑒于珍珠港的戰略位置和裝貨點（POL）物流的關鍵脆弱性，兵棋專家預測到這種可能性是非常合理的。Cancian（2018）還指出："美國已經打破了日本的外交密碼（MAGIC），因此對日本的思維和意圖有非同尋常的洞察力。然而，由于各種原因--對訪問的嚴格控制、信息的空白、傳輸的延遲、對意義的混淆、對攻擊可能發生的地方的成見--這個非凡的數據寶庫并不足以提醒美國軍隊。" 如果兵棋專家可以預測這次攻擊，那么人工智能決策輔助工具是否可以做出同樣的預測？即使預測被認為是不可靠的，一個優化的、可信賴的彈性計劃是否會有所作為（DSB，2009）？

看看二戰中盟軍的跳島戰役，有一些戰役中，人工智能決策輔助工具會感到驚訝，而且可能沒有效果。使用人工智能，戰斗損失可能已經通過一個優化的、可信賴的彈性計劃降到了最低。在最好的情況下，人工智能決策輔助工具會給戰斗指揮官帶來多年的兵棋推演和作戰測試經驗。在第二次世界大戰中，這些經驗是否可以用來提高盟軍的作戰效率，包括移動、反移動的建議，以及在發生突發事件時的彈性計劃？

當需要進行重大變革時，可解釋人工智能可能是不夠的

用 "如果 "來審視從美國的角度看珍珠港襲擊事件（誰輸了這場戰役），要考慮的一個問題是，跟隨NSP的CRA是否會對結果產生影響？

• 如果CRA參與了第三艦隊/珍珠港突襲所涉及的兵棋推演和技術測試會怎樣？它是否能夠確定防御準備、彈性計劃和戰術建議的變化？如果是這樣，這些數據可以用來解釋投入部隊進行突襲的建議。使用這些數據，該建議是否會被采納？

• 如果一些變化包括統計學上的可能性、最低限度的防御姿態以及對日本部隊運動的模式識別，并通過CRA的培訓過程進行預測，情況會如何？解釋這些細節會對人們的準備有多大的幫助？

• 如果CRA從一遍又一遍的兵棋推演中，學會了如何盡量減少應對突襲的反應時間，可能是通過確保彈性作為防御準備，或者提供一個核心反擊，將影響降到最低？有多少傷亡是可以避免的？然而，有了這些可以解釋的數據，美國領導人會聽嗎？

• 如果CRA贏得了與珍珠港決策者的信任關系，也許在專業的兵棋推演活動中或在測試設施中，會怎么樣？換句話說，CRA已經通過在兵棋推演中提供可靠的建議和/或提供分析來創造更有效地使用技術以實現任務結果，給其用戶留下了深刻印象。考慮到這一經過驗證的記錄，用戶在選擇采納其建議時是否會有區別？

關于這個 "如果 "場景的一個有趣的觀點是，有大量關于珍珠港襲擊的數據，但基地的干部們沒有做出反應。壓倒性的大量數據表明是一次突襲。有人審查了這些數據并得出結論，認為有可能發生突然襲擊。但是，沒有人相信積累的數據，足以支持軍事資源的承諾。汲取的教訓可能是，可解釋的人工智能，即人類審查數據作為人工智能的等同物，可能是不夠的。來自計算機的數據是否會產生影響？確切的答案是表現的歷史!

我們的目標是與CRA建立信任關系。然而，信任是通過性能的可靠性贏得的，即產生高度成功的建議。它是通過成為一個可靠的作戰推薦工具來贏得的，該工具已經證明了它有能力對抗未知-未知因素。它還可以通過來自作戰測試的增值知識來贏得信任。在NSP之后，CRA可以發展并贏得積極的聲譽! 考慮一下，如果沒有這種經過驗證的聲譽，無論如何解釋，人工智能算法的建議會被認為是可靠的，足以投入相當數量的軍事資產？關鍵是，CRA需要根據業績建立自己的聲譽，以贏得信任!

如果這個結論是可信的，那么珍珠港事件的教訓就很重要了。即使開發了完美的人工智能推薦系統，如果沒有過去的信任歷史，可解釋的人工智能是不夠的。即使人工智能用過去的歷史/訓練數據來解釋它的建議，問題是，盡管建議可能是可解釋的/歷史的，但如果沒有基于成熟的歷史記錄的信任，襲擊珍珠港的結果可能會保持不變。如果沒有信任的歷史，軍事指揮官就不可能根據機器的建議投入相當數量的軍事資源。此外，一個由CRA推薦的彈性計劃，即使它是完美的，也可能因為缺乏信任歷史而遭受同樣的命運。

從戰敗的日本人的角度來考慮中途島戰役。人工智能推薦算法會對這一結果產生影響嗎？

日本人知道他們有優勢的部隊，更有經驗的飛行員，更好的飛機，以及出其不意的因素。在一個計算勝算的兵棋推演中，日本人很可能確定他們幾乎100%都會取得勝利。因此，日本人的 "未知數 "極大地影響了戰斗的結果，也就是說，他們是錯誤的。他們沒有考慮到美國人破解了他們的密碼，這在技術能力上是一個驚喜。他們的計算沒有考慮到許多海軍飛行員的英勇和近乎自殺的努力--這是人為因素的意外。日本認為，重新武裝和加油這些危險的行動任務，將始終以最謹慎的方式處理，這意味著需要時間，但他們偏向于速度，這又是一個人為因素的意外。再次，考慮 "如果 "清單，以及CRA是否能積累足夠的知識來發現這些未知因素。如果是這樣，這些建議會被信任嗎？如果這些未知因素能夠被發現，那么CRA關于應對這些意外事件的建議會被相信嗎？同樣，這是一個關系問題，通過表現的可靠性來贏得，也就是說，為了贏得信任，需要在兵棋推演中提出高比例的成功建議。然而，為了提出準確的建議，CRA還需要從第一手資料中了解產品/技術的性能優勢和局限性，這些都是在作戰測試中了解到的。

正如珍珠港襲擊和中途島戰役所描述的那樣，對情報和人為因素的解釋在行動和反應、移動和反移動中起著重要作用，最終導致最終的結果。也許這些意外是無法預測的，但如果CRA提供了一個有效對抗意外影響的彈性計劃呢？作為一個教訓，情報和人為因素需要被納入CRA的培訓和對其可靠建議的評估中，既要有主動的反擊和/或有效的彈性戰略。

用信任來克服傲慢可能是最好的方法

如果不加以考慮，人的因素會成為兵棋推演中的一個意外因素。傲慢會對理性決策產生不利影響，而信任可能是唯一能夠創造所需清晰度的人為因素。多少信任才足以克服傲慢？

當傲慢在決策中起作用時，有什么經驗教訓？這個問題是需要考慮的，因為美國被認為是一個 "超級大國"。傲慢會不會使CRA的建議更難接受？它是否提高了關于需要贏得多少信任來克服傲慢以使建議被接受的標準？傲慢會不會成為一個弱點，影響到戰斗的結果？傲慢是對日本人即將襲擊珍珠港的大量數據缺乏反應的主要因素嗎？在中途島戰役的攻擊中，日本人是否表現出傲慢？

傲慢的一個潛在例子是，從戰敗的亞美尼亞人的角度來解釋納戈爾諾-卡拉巴赫戰爭的戰斗。這純粹是關于態度的猜想，必須強調的是，這種討論只是作為一個例子提供。這種解釋可能是錯誤的，但將用來強調一個觀點，即傲慢可能會使人更難相信提供CRA建議的AI系統。猜想是，亞美尼亞人認為對手比較弱，盡管情報顯示邊界兩側的能力正在增強，但對過去成功的自負壓倒了他們的謹慎。其結果是，阿塞拜疆在戰斗中實際上證明了自己是一個同行的對手。這對亞美尼亞人來說是一個驚喜。

亞美尼亞人的信心是建立在與阿塞拜疆的成功歷史上的，被認為是 "已知的知識"（過去的歷史）。阿塞拜疆的信心是基于增加的 "已知-未知"（關于改進的假設）。亞美尼亞人贏得了上一次戰爭，并認為他們會贏得下一次戰爭（假設）。他們對阿塞拜疆改進的作戰能力沒有準備（意外）。另一方面，阿塞拜疆從上次戰爭中吸取了教訓。他們通過與獲勝的俄羅斯技術和戰略聯系起來，增加了他們的技術和軍事訓練。因此，他們能夠大大改變亞美尼亞人對戰斗的預期結果。阿塞拜疆有俄羅斯的 "雪穹 "防御系統，而亞美尼亞沒有預見到它的有效性。這是情報不足還是狂妄自大？這是一個技術驚喜因素。無人機系統（在好天氣下使用）和坦克炮（在壞天氣下使用）的有效性嚴重削弱了亞美尼亞的能力--此外，使用以色列的Harop（無人機系統）來提供監視和動力也被有效利用，這是阿塞拜疆的另一個技術驚喜。

通過兵棋推演和作戰測試證明推薦性能而受到信任的CRA，是否有足夠的聲譽來克服任何潛在的亞美尼亞的傲慢？就像在美國的例子中，情報指向珍珠港的攻擊，情報數據是不夠的。就美國而言，其作為超級大國的地位是否會導致其軍事領導層的傲慢，一個在兵棋推演和作戰測試（例如，了解Snowdome或Harop的性能影響）方面有良好記錄的CRA是否會產生影響？用于提出建議的數據的AI解釋能力是否足夠？需要多大的信任，以及可解釋的數據，才能說服亞美尼亞人他們需要更好地準備？

避免設計一個CRA來贏得有限的信任

另一個需要考慮的人為因素是愿意為自己的信仰而死。這一點在自殺式爆炸中得到了體現。自殺式爆炸是一種出其不意的戰術，在阿拉伯戰爭以及第二次世界大戰期間都發生過。日本神風特攻隊的轟炸是完全沒有預料到的。從美國的角度來看，這能預料到嗎？這種犧牲能被CRA預料到嗎？第一個把飛機開進二戰軍艦的神風特攻隊飛行員很可能會大大偏離預測的規范，對任何現代的人工智能系統來說都是一個驚喜。CRA能否應對神風特攻隊的攻擊？現代的人工智能系統有可能分析了武士道準則（Anya, 2013），認識到日本文化非常重視為榮譽而犧牲生命，并由此與未來神風特攻隊襲擊的可能性相關聯。這個解決方案顯然是有價值的，但它能贏得信任嗎？

這種關聯性依賴于人工智能程序員輸入武士道代碼來支持神風特攻隊的預測。這種類型的訓練數據被認為是有偏差的。挑戰在于，數據集之間的差異性會很差，這意味著數據不會支持來自其他國家的其他文化關系，例如，自殺炸彈手遵循不同的宗教代碼。作為一個教訓，CRA培訓必須避免這種偏見限制。本文不是建議排除這種方法，而是確保在處理對手的意外時，信任不依賴于它。如果是這樣，那么CRA將被限制在與武士道準則相關的日本行動上。信任將在這個領域內獲得，而不是其他領域。正如將要描述的那樣，CRA需要成為一種通用的、結構化的方法來處理各種各樣的對手的意外。如果CRA要被信任，這一點很重要，也就是說，偏見和差異應該被平衡。

作為一種替代的、通用的方法，神風特攻隊的攻擊可能沒有被預料到，但CRA可能已經考慮了如何處理來自對手棋步和反手的特定類型的影響。這就是使用EVE的好處。CRA也可能在假設對手成功的基礎上制定了一個彈性計劃，這是EVE建模的另一個好處，從而將對手影響的影響降到最低。推薦的準備和彈性，特別是來自一個值得信賴的CRA，是對未知因素的成熟防御。關鍵是讓CRA了解脆弱點，并為包括復原力在內的反擊行動提出值得信賴的建議。使用EVE鏈對CRA進行培訓，以了解脆弱性并推薦所需的反應。

EVE鏈對CRA開發的作用

作為訓練過程的一部分，需要在兵棋推演和作戰測試中收集數據。EVE鏈旨在復制任何類型的行動或行動交換（Nagy, 2021; Nagy, 2022）。在兵棋推演中，EVE可以根據世界狀態來模擬移動和反移動。一個EVE段可以代表一個特定的移動、反移動的互動，將每個兵棋推演戲的互動捕捉到EVE段中，以便重復使用。在作戰測試中，它可以表示被測產品需要執行的一系列動作，包括躲避和其他形式的反作用。EVE模型由事件、動詞執行產生的狀態變量變化組成。狀態變量構成一個事件。動詞修改了某些狀態變量，從而產生了一個結果事件。以下是關于EVE模型的一些常用術語：

• 事件： 在一個特定的時間范圍內的全部或部分世界狀態--世界狀態包括所有與游戲有關的使能者和影響者狀態變量。在這個TAWC結構中，事件在游戲過程中不消耗時間。

• 動作：使能者和影響者可用的行動，改變世界狀態并消耗游戲板上的時間。動詞可以通過認證的元模型（Nagy，2022）、ML算法或多項式來表示功能。注意：EVE與元模型的結合允許輕量級、低處理能力的系統被戰備、交戰管理（BREM）原型項目證明（Nagy，2022）。

• 推動者： 一種資產，游戲中的一個 "部件"，具有特定的動詞（或行動），當執行時可以影響世界狀態，例如，使能動詞可以對抗實體影響者行動的負面影響，并對抗障礙物；或者使能動詞可以利用障礙物，支持任務成功。注意：根據不同的視角，使能者可以是藍方或紅方的游戲棋子。使能者只能由實體代表。

• 影響者： 有環境影響者和實體影響者之分。環境影響者包括可移動和不可移動的障礙物，以及上方和下方的天氣狀況。實體影響者有動詞，當執行時可以對一個或多個使能者實體狀態變量產生負面影響，以及以導致任務失敗的方式對可移動的障礙物產生負面影響。注：根據不同的視角，影響者實體可以是藍方或紅方的游戲碎片。

兵棋推演和作戰測試的訓練數據，是可以收集和統計分析的EVE鏈。CRA把EVE鏈作為建議，即成功結果的高統計百分比，涉及基于輸入狀態變量（導致任務成功的事件）的行動（動詞）。EVE段是根據從兵棋推演中收集的數據創建的，即動作和反動作，以及產品測試結果，即展示所需動作和反動作性能的測試腳本。從兵棋推演和作戰測試中，EVE段、動作和反動作可以從同一個庫中定義和完善，支持更大的模型準確性。更大的模型精度意味著有機會獲得更大的建議精度。

重申一下，NSP或任何COA開發方法的一個必要成分是贏得足夠的信任，這意味著包括對對手突發行動的反應在內的EVE鏈的成功比例極高，如果CRA預測了一個突發事件，用戶將遵循它的建議，導致軍事力量的承諾。然而，預測一個出乎意料的EVE鏈，即在兵棋推演或作戰場景中從未被發現，是一個困難的挑戰。

應該注意的是，專業兵棋推演不是學習預測未來，也不是驗證友軍或敵軍的行動方案，即EVE鏈。正如Perla（1987）所說，它是關于 "照亮 "和 "探索"。對于CRA的學習過程，兵棋推演提供了對因果關系的 "照亮 "和 "探索"。它提供了因果分析的媒介，支持EVE序列的發展。這些EVE序列導致結果，基于兵棋推演的結果。當這些序列被統計分析時，那么結果可以與成功的可能性相關聯。如果基本的因果分析可以從兵棋推演中學習，那么CRA在扮演所有三種顏色的團隊時，可以比通過與自己的比賽發展更多的統計數據和EVE片段。正是這種EVE片段的積累，將支持COA準備好應對意外（Nagy, 2022）。

CRA旨在根據人類游戲或自我游戲期間積累的模式匹配的EVE片段來統計預測結果。它跟蹤EVE序列和片段的行動，作為一種模式匹配方法。通過模式匹配EVE片段，可以產生一個結果的統計預測。例如，一個人（1）每天在同一時間醒來，（2）煮咖啡，（3）穿上職業裝，（4）上車，（5）去上班。這被注意到75次，25次是這個人去加油。如果提供前四項，關于上班或加油的統計數字就會很明顯。但是這個結果會被相信嗎？

如果四個行動中的一個在輸入中被遺漏了，會怎么樣呢？CRA將如何回應一個結果的建議？一個給定的狀態被用來確定一個行動，但是當這個狀態不準確時，CRA所面臨的挑戰是如何仍然可靠地執行。這是一個常見的 "垃圾進，垃圾出 "問題，被認為是預測的貝葉斯方法（Adamski，2019）。NSP要求CRA的設計要使用ML泛化來處理這個問題。一個驚喜是當這個人從朋友那里得到一程。也許汽車在商店里。CRA如何處理這個驚喜？

從EVE鏈的重點來看，未知-未知事件有兩部分：

(1）第一部分是確定 "什么"（事件中的一個或多個狀態變量）將受到影響，從而阻止Verb（或行動）的執行，例如，炸毀燃料庫以阻止飛機加油，或摧毀跑道以阻止飛機起飛。每個變量可以代表1表示可用，或0表示不可用。這被稱為二進制EVE鏈分析。對方希望創造零，從而阻止任何行動。二元EVE鏈分析中的一個零就能影響任務的成功。

(2) 第二部分是預測對手將 "如何 "導致事件（一個或多個狀態變量）受到影響，設置為零，例如，炸毀倉庫或摧毀跑道的過程。是自殺式炸彈襲擊者，還是精心布置的炸彈，還是完全沒有預料到的事情？

從EVE鏈的重點來看，有兩種應對措施來反擊攻擊：

(1)第一部分是確定對手的 "如何"，然后采取適當的反擊措施（用EVE鏈序列），以確保狀態變量保持一個，從而確保EVE鏈/序列可以繼續實現任務成功。

(2) 第二部分涉及創建一個應急的EVE鏈/序列，考慮到計數器無效，意味著狀態變量要設置為零。而EVE鏈必須表現出對影響的彈性，即維持任務成功結果的替代Verb。

在一個EVE鏈中，可能有成千上萬的狀態變量。CRA通過從兵棋推演和作戰測試中學習的過程，有時間來 "壓縮 "可能成為目標的數千種狀態變量。它可以評估哪些狀態變量具有最高的影響、最佳的反擊措施和復原計劃。它還可以評估哪些變量受到的攻擊最少但影響最大，從而分析和分享不太可能但有影響的漏洞點。請注意，CRA可能無法預測變量如何被攻擊，但可以根據影響和反擊策略（包括彈性計劃）來預測可能性。

對于與人工智能系統相關的EVE鏈，戰斗的復雜性被定義為可由一系列事件描述的情況，即EVE鏈，由對立的參與者之間的行動引起，其結果可由歸類為以下的因素顯著影響： (1）"已知-已知"（事實），（2）"已知-未知"（假設）（3）"未知-未知"（無數據）和（4）"未知-未知"（意外；Nagy, 2021）。

• "已知-未知"（事實）--參與者依賴作為 "事實 "來贏得交戰的因素；這些可以包括自己參與者的ISR和C2技術能力、地理空間、時間態勢感知、互操作性、EW效果、人的技能、戰術行動和戰略利弊。這些是來自于從兵棋推演和作戰測試中收集的數據的EVE鏈。

• "已知-未知"（假設）--每個參與者需要 "假設 "有關戰斗條件的變化（事實）的因素，這些因素可以包括第三方的參與、天氣預報、IO、ISR和C2的有效性、動能和非動能的有效性、對手的攻擊面和相關的脆弱性、各方的英雄主義和主動性、對手的優先事項以及克服人造和自然障礙的難度。這些都是根據從兵棋推演和作戰測試中收集的數據在EVE鏈中假設的變化。

• "未知數"（沒有數據）--導致參與者 "沒有數據 "的因素，有時是決策關鍵信息；這些因素可能包括人為錯誤、傳感器故障和通信問題。這些是EVE鏈中缺失的狀態變量。

• "未知-未知"（意外）--在參與過程中會讓參與者 "吃驚 "的因素；這些因素包括未預見的技術和前三類中未預見到的任何東西。這些是在任何兵棋推演或作戰測試中都沒有發現的EVE鏈。國家戰略計劃將描述如何利用歸納法解決這些EVE鏈（國家戰略計劃方法的第9階段，第三階段）。

在一場復雜的戰斗中，意外是肯定的，當這些意外是未知的時候，你如何為算法提供訓練數據，即EVE序列，以處理意外？考慮到CRA是如何通過包括未知因素，即非綁定數據的程度的兵棋推演和產品測試來支持這一需求的。這就是這兩個缺口需要被填補的原因。這也是CRA必須與自己博弈，即自我博弈的原因，以積累來自各種移動和反移動的EVE片段。當一個最不可能被攻擊但對任務成功影響最大的狀態變量仍然被翻轉時，CRA也可以確定一個彈性計劃，即另一組EVE段。足夠的自我發揮能否減少無約束的數據問題，也就是突發事件的數量？這需要確定，但從兵棋推演中收集數據確實有幫助。

即使 "驚奇 "是必然的，我們相信通過兵棋推演的努力可以減少驚奇的數量，從而減少非約束問題的機會。這也是CRA必須通過捕捉那些EVE環節來向戰爭者學習的另一個重要原因。在1960年對美國海軍戰爭學院（USNWC）的一次演講中，海軍上將尼米茲說："與日本的戰爭已經在這里（USNWC）的游戲室里被許多人以不同的方式重演了，以至于戰爭期間發生的任何事情都不令人驚訝--除了戰爭結束時的神風特攻隊戰術，絕對沒有；我們沒有想象過這些"（尼米茲, 1965）。在戰時的十多年里，海軍戰爭學院的兵棋專家對與日本的潛在沖突的各個方面進行了戰爭模擬，并確定了幾乎所有的突發事件，但與日本的戰爭仍然帶來了驚喜。

"贏得信任"的挑戰將始終涉及到讓CRA準備好處理無約束的數據問題的能力，即對手在交戰中可能揭開的驚喜。從兵棋推演中收集數據在最大限度地減少這些意外方面發揮著必要的作用，從而減少非約束問題。如果意外，如神風特攻隊的攻擊，確實發生了，CRA需要準備提供彈性的解決方案和反擊的解決方案，兩者都由EVE鏈代表。

應該始終有一個擔憂，即意外情況可能會導致數據輸入超出該算法的變化限制。為了解決這個問題，必須有一種方法來確保對這些無限制的解決方案進行監督（Miller, 2021），并確保CRA準備好提供彈性建議，作為一種替代。護欄和閘門是人工智能算法的成熟方法。根據其固有的定義，無界數據意味著對人工智能模型的性能/行為的信心不能被預測，因此不能被信任。為了代表一個現實的運行訓練數據集，需要考慮部署環境的復雜性；必須立即進行彈性規劃。同樣，CRA試圖通過其兵棋推演和產品測試來解決這些考慮。鑒于驚喜是必然的，因此不受約束的數據是必然的，包括彈性的兵棋推演和作戰測試是CRA贏得信任的必要成分。從這兩個環境中，可以收集EVE片段，并訓練CRA重新構思以滿足任務挑戰的變化。訓練的過程就是NSP。

NSP在開發可信CRA中的作用

NSP是基于使用EVE來連接每個階段描述的學習過程的所有部分，使用一個共同的模型。圖1中的細節顯示了三個階段中每個階段的EVE的積累情況。這就是如何確保CRAs做出值得信賴的建議，使決策者在生命垂危、需要投入大量軍事資源時能夠充滿信心。使用EVES，這三個階段通過九個階段連接起來。在圖1所示的所有三個階段，CRA的結果是創建戰術或作戰計劃。按照NSP三個階段的九個階段，可以創建一個值得信賴的CRA。使用EVE建模的數據收集在這些兵棋推演和測試領域之間架起了知識的橋梁，創造和完善改進的建議，為CRA的部署做準備。作為使用EVE的NSP的一個必要結果，戰爭者和作戰測試者從增加的自動化和統計分析中受益。這促使用戶繼續在他們的領域中使用CRA，為所有參與者建立一個增值的方法。

同樣重要的是要注意，NSP涉及到贏得信任的培訓過程。第一階段的步驟1可以與CRA核心開發同時進行。當第一階段和CRA核心發展完成后，就可以進行第二階段和后續階段。CRA必須使用EVE鏈或與世界狀態變量相關的類似建模結構完成其核心開發。NSP是以使用EVE鏈為基礎的。Bruce Nagy在SPIE國防和商業傳感會議上發表的論文中提供了一個使用EVE鏈的CRA核心設計的例子（Nagy, 2022）。

第一階段的兵棋推演

戰爭模式的重點是支持專業戰爭玩家。這個過程涉及到利用游戲中使用的資產和技術的驗證性能能力從專業戰爭者那里收集數據。在這一階段，CRA作為一個戰役分析工具，作為紅、藍、白三隊的戰役團隊成員，支持專業戰役機構更好地分析和理解各種戰役場景中的情報質量、戰略和戰術結果的影響。本階段內有七個步驟。第一階段的前三個步驟見表1。

步驟1的重點是開發在世界棋盤游戲中移動和跟蹤游戲棋子，即資產的算法。它還包括為兵棋推演的用戶自動進行各種裁決程序。這是一個先決階段，必須提前進行，重點是開發CRA在游戲過程中使用的輔助算法，同時也要支持兵棋推演者的自動化需求。盡管步驟1被列在兵棋推演階段，但它也必須包括將用于支持TEVV/LVC設施的統計自動化工具。此外，這個階段建立了所有需要的背景信息，以告知EVE結構中的動詞和事件。例如，如果動詞是移動，并且涉及到飛機實體，步驟1捕捉到所有的性能參數。換句話說，游戲中的棋子和移動都是自動化的，用于兵棋推演活動。

步驟2決定了游戲棋盤最初是如何設置的，其最終目標是什么。它收集用戶數據，確定他們認為的各種任務的開始狀態和結束狀態（來自指揮官的意圖）。它為兵棋推演設定了舞臺，包括世界范圍內資產的安置，它們的準備狀態，以及需要完成的目標。步驟2抓住了各種任務，包括藍隊和紅隊的任務。這種 "當前 "到 "最終目標 "的狀態也可以在游戲開始前 "實時 "輸入。關于初始/第一個事件的世界狀態和相關的狀態變量，以及最后/最終事件的數據輸入可以是手動的，也可以是自動的，即當任務結束時，世界狀態需要 "看起來像 "什么。這個最終/最后事件支持指揮官的指導，轉化為世界狀態變量。注意，當狀態變量根據行動發生變化時，這代表了EVE鏈（Nagy，2022）。如果沒有充分定義開始和結束狀態，就不可能開發出可信的CRA。在這個階段，性能邊界也被定義，提供了一個與游戲板有關的景觀。

步驟3和步驟4涉及使用這兩個前階段運行CRA，步驟1用于自動游戲棋子的移動，步驟2用于游戲棋子的放置。如果CRA要從每個團隊的角度最佳地確定最佳的行動和反行動，這是必要的。請記住，CRA承擔了所有參與對局的團隊色彩。

步驟3是讓CRA為紅隊和藍隊以及他們的盟友制定一個最佳戰略和戰術，以實現第二階段定義的最終目標狀態。這個階段是一個理想的世界，對手和環境的影響因素都不存在。它指出，如果棋盤上沒有對手的棋子或可以克服的障礙，那么什么才是實現結果，即最終狀態的最佳動作。這可能會產生許多解決方案，可以根據在什么是任務成功方面定義的團隊優先級進行分析。從這一分析中，CRA選擇 "最佳 "候選方案，在沒有對立/反對實體的情況下，用他們的運動領域路線來實現任務的成功。障礙可能涉及，但僅限于那些無法改變的障礙物，即不可移動的景觀。

步驟4是讓CRA制定一個最佳戰略和戰術，以便在可移動和可移動的景觀、游戲板內的對手力量時實現最終目標狀態。它的重點是讓CRA在藍軍和紅軍之間進行各種場景模擬。它試圖選擇最佳的游戲棋子候選人和他們的移動路線，以便在有對手/對手實體試圖阻撓行動的情況下實現任務成功。CRA現在有能力 "穿越 "環境/障礙物，如果這有利于用戶的最終狀態目標和優先事項。

步驟5是重復步驟2、步驟3和步驟4，但針對對手。請記住，每個團隊只擁有有限的知識，基于對其他玩家的情報質量。換句話說，藍隊（有盟友）和紅隊（有盟友）都要重復這些階段，以確定他們對對方的最佳策略，而不知道其他玩家能力的 "真相"。與步驟4和5相關的細節顯示在表2中。通過完成步驟4和步驟5，確定了每個對立隊伍的最佳候選棋子或組合，以便在非理想的環境中，即對立/敵對實體以及在可移動/可管理和不可移動/不可管理的環境條件和障礙物中發揮。

步驟6涉及讓CRA執行兵棋推演所涉及的裁決過程。這意味著 "白方"在完全了解紅藍雙方的情況下進行兵棋推演。他們的戰術和戰略是基于對兵棋推演構架內的情報來源的感知和解釋。CRA使用關于每一方的能力和意圖的 "真相 "來評估每一方在實現任務成功方面的實際結果，鑒于每一方戰術和戰略的現實。然后，它可以運行包括性能和情報質量變化的 "假設 "情景，EVE段逐一找到每一方的最佳結果。在博弈論中，這就是找到純策略納什均衡（PSNE）或混合策略納什均衡（MSNE）。這些 "如果 "解決方案有助于帕累托分析圖上的各個點，即第9段中描述的四方形準備矩陣。

步驟7將步驟4和步驟5的原始結果與步驟6的修改、步驟4的真相和步驟5的真相進行比較，將基于情報的對對手的感知與對手能力的實際真相進行比較。在這種比較中包括 "如果 "的結果。這個過程是通過每個連鎖序列，逐段EVE運行，并跟蹤在二元EVE段內有多少次試圖將每個狀態變量翻轉為零。考慮到兵棋推演的趨勢，最高的數字成為最可能的漏洞候選者，最低的數字則是最小的。這個階段可以在后臺執行/運行，或者在任何兵棋推演之前，只要第一階段和第二階段已經完成。

表3中顯示了步驟6和步驟7。這些階段成為所有參與人員、用戶和CRA的重要學習過程，以確定如何最佳地處理未知因素，特別是那些沒有被翻轉的位子以及為什么沒有被翻轉。是否有辦法創建一個戰略或戰術，以確保假設的錯誤對任務結果的影響最小？這就是CRA的設計目的，也是不同于其他算法的地方。從兵棋推演、裁決的角度來看，該解決方案可用于兵棋推演分析和裁決，確定如何和何時進行裁決，并提供未知-未知挑戰。

第二階段的T&E

第二階段完成后，第二階段開始了CRA贏得信任的演變。T&E階段的重點是支持TEVV/LVC設施。該過程涉及使用測試期間使用的資產和技術的驗證性能能力，從測試技術產品和系統中提煉數據。在這個階段，CRA作為測試分析工具執行，是對其在第一階段開發的兵棋推演能力的修改。在步驟8階段，根據表4，CRA被設計為創建嚴格的測試腳本，同時完善EVE部分，以更好地代表 "現實的 "性能能力、結果和限制。在這個階段中只有一個階段。

CRA現在已經準備好進行最后的升級，成為一個推薦算法，以生成名義和壓力水平的測試腳本。這是一個來自兵棋推演EVE部分的完善和驗證過程。使用TEVV/LVC設施，EVE段代表了復雜的環境，與實時系統或六自由度系統相連。CRA算法將根據環境中代表的所有產品的性能進行調整。

在開發測試腳本和積累知識的同時，必須對CRA進行設計，通過對狀態變量的逐一調查，收集在兵棋推演中受到攻擊最少但影響最大且未被發現的狀態變量。如果發現，這被認為是一種范式的轉變，即未知-未知，以支持戰爭者。

為了支持其作戰測試人員，CRA需要提供三種類型的測試腳本。每個測試腳本可以有子腳本，確定在哪里改變測試條件和場景，以支持三種類型的測試。這三種類型的測試是 (1)名義性能，(2)產品在攻擊下的性能和有效反擊的演示，以及(3)產品在攻擊下的性能，沒有有效反擊，因此需要審查產品的彈性來檢查產品的局限性。所有的數據都被收集起來，并與戰友們分享。

在這一點上，第一階段和第二階段是同時執行的。只有在兵棋專家和測試工程師都同意之后，CRA才會被允許進入第三階段。

第三階段作戰模式

作戰模式的重點是部署CRA，以支持需要做出戰術和戰斗管理決策的實地資產。CRA的學習過程繼續涉及到利用資產和技術的實時數據進行作戰演習的數據完善。CRA是前兩個階段的發展。CRA現在被設計為提供值得信賴的建議，同時確保對手產生的突發問題對任務結果的影響最小。在這個階段中有一個階段。

如表4所述，第9階段代表最后的CRA開發階段，并逐漸進入實戰支持，即CRA被部署。從以前的階段來看，EVE部分已經被開發和完善，現在CRA在需要時可以使用。在第一階段，分析了與EVE段選擇相關的情報質量的理解。此外，還創建了支持復雜環境的EVE分部。這導致了對兵棋推演復雜性和EVE解決方案的驗證，這些解決方案具有統計學意義，意味著任務影響對每個解決方案都是獨特的。還應該注意的是，由于EVE分部是由專業戰爭玩家使用從真實游戲中獲得的經過驗證的技術性能數據開發的，因此EVE分部復制了 "實際 "技術/資產能力。在第二階段，對被測產品的性能能力或在測試環境中的性能能力進行下一級的驗證，以支持對EVE片段的 "第一手 "完善，確保它們代表 "現實性"。隨著復雜性和現實性的驗證，以及CRA對決策的情報質量影響的理解，CRA現在已經準備好以具有統計意義的建議的形式發展戰備、交戰和管理支持。

使用帕累托圖分析方法，圖2，CRA確定了一個單一的EVE樹解決方案，再次使用先前訓練的AI/ML算法組合EVE段，支持盡可能多的綠色區域的點變化。

帕累托前線是一組非支配性的解決方案，如果沒有任何目標可以在不犧牲至少一個其他目標的情況下得到改善，則被選為最優。另一方面，一個解決方案x被稱為被另一個解決方案x所支配，當且僅當x在所有目標方面與x同樣好或更好。

綠色區域是根據蒙特卡洛模擬的任務成功概率的用戶閾值來定義的。這是考慮到更多影響者行動的最佳解決方案。代表帕累托圖綠色區域內這些點組的EVE樹是被推薦的，以盡量減少影響者變化和EVE樹弱點的影響。提供的建議有兩種類型：

• 建議類型1. 名義上的EVE樹解決方案，包括綠色區域中盡可能多的點。

• 建議類型2。彈性的EVE樹解決方案，支持承受狀態變量翻轉為零的能力，但仍支持成功的任務。這種有彈性的EVE解決方案也必須能夠包括盡可能多的綠色區域的點。這第二種類型假設發生了未知--未知數，因為是驚喜，所以成功地翻轉了一下。該建議因為其解決方案的彈性而確保持續成功。

提供 "為什么 "是為了支持可解釋的人工智能，不僅僅是在因果關系中，還有這些因果關系是如何引起統計結果的，正如在前幾個階段收集的那樣。結果（畫出的點）是已知的兵棋推演結果，具有智能的變化，描述了紅軍在做什么（狀態變量翻轉）、如何做（EVE樹）以及藍軍被攻擊時的能力。閾值，從帕累托圖上的一個顏色區域到下一個顏色區域，是由使用離散相關方法計算的值決定的。綠色區域表示該值在裁決時被認為是一個成功的任務結果，即高于被認為是成功的任務的閾值。黃色區域表示與無法解決的閾值有關的成功和失敗的巨大變化，因此有不確定的結果。右邊黃色區域的上部表示偏向于紅軍的成功可能性。左邊黃色區域的下方表示偏向于藍方部隊成功的可能性。

如前所述，"進攻 "行動可以包括EVE樹中描述的防御戰術（Nagy，2021；Nagy，2022），而防御行動可以包括進攻戰術，同樣在相應的EVE樹中描述。考慮一下機器學習系統是如何泛化的。CRA吸收了訓練數據的實例（圖上的點），通過反饋，學習如何正確判斷輸入的含義。其結果是，CRA被設計成能夠處理與原始訓練數據不同的變化，并且仍然能夠確定其含義。

"對我有好處"（WIFM）的人為因素

如果用戶要參與使用CRA，那么對于兵棋專家和作戰測試工程師來說，需要有顯著的投資回報，否則他們為什么會有動力去改變或做不同的事情？

為了支持專業戰爭人員的動機，我們的目標是使他們現有的工具套件自動化。這意味著移動和反移動可以更容易地被輸入和分析，并具有明顯更高的統計精度。同樣，由于CRA下面的NSP可以詳細地重復整個兵棋推演，使用EVE連鎖事件逐個行動，它可以為 "如果 "分析播放統計變化。它可以按EVE部分確定信心因素，這意味著可以仔細檢查移動和反移動，甚至分析情報的質量水平如何影響戰略和戰術。通過其自動化，CRA可以減少建立和實施兵棋推演的時間，更多關注內容，更少關注管理。它可以創建一個本體，讓戰爭參與者更容易分享看法和聯合行動。

為了支持作戰測試工程師的積極性，CRA在NSP之后，可以實現與更有效的分析和測試相關的近期和長期目標。它可以支持2021年人工智能國家安全委員會最終報告中定義的近期目標，為受限的測試場景提供自動決策支持，這些測試場景面臨著創建 "現實的 "戰斗交戰測試腳本和真實/模擬的自主系統環境的挑戰，包括有人和無人的團隊合作。CRA可以通過提供一個具有成本效益的、通用的模擬環境，來使現有的TEVV/LVC設施標準化。它將對被測產品的優勢和劣勢進行更準確的分析，支持復原力，并提供可統計解釋的測試腳本情景。

作為2021年人工智能國家安全委員會最終報告中定義的長期目標，CRA最終將能夠測試一個自主系統，或一個自主系統的系統，設計成在有人和無人的組隊行動中動態地學習和適應。CRA將提供實時決策支持和行動方案建議以及自動生成的腳本。這將使TEVV/LVC設施能夠準確地復制需要開放世界模擬的合成環境，以充分測試執行廣泛的聯合和聯盟強化任務所需的適應性自主平臺。

結論

本文建議，CRA要想獲得人類用戶的信任，在作戰部署之前，必須在設計上填補其訓練和發展過程中的兩個差距：

(1) 戰術差距(1)： CRA必須學會如何在涉及復雜戰斗場景的兵棋推演中提供成功的建議，這些戰斗場景包括對方部隊未曾預料到的、"出乎意料 "的驚喜，或者甚至在情報質量不佳或無法從自己的資產中獲得準確狀態時也是如此。

(2)作戰測試的差距(2)： CRA必須學會如何創建測試腳本，通過提供需求覆蓋來支持VVTE/LVC設施，但也要創建測試，以幫助分析使用復雜的戰斗場景的性能，其中包括對方部隊意料之外的、"開箱即用 "的驚喜，或者甚至在遇到情報質量差或從自己的資產接收準確狀態的能力。

如果這兩個具體的差距被概括為人工智能發展的基礎，它將是： (1) 讓人工智能從主題專家（SME）那里學習，在那里它的學習可以被不斷地測試/驗證，從而證明性能；(2) 讓人工智能參與 "真正的 "技術，從第一手經驗中學習系統能做什么和不能做什么，在那里它的學習可以被不斷地測試/驗證，從而證明性能。使用這個原型的最后一個關鍵方面是確保任何參與人工智能培訓的人都能得到價值，也就是說，他或她的WIFM因素在這個過程中也被填補。

這些都是與關鍵學習差距有關的關鍵方面（DSB, 2009），在任何CRA部署之前都必須填補這些差距，以確保贏得信任。這些關鍵差距由NSP使用EVE鏈來解決，而且必須被填補，以使CRA為作戰部署期間的 "現實 "經驗做好充分準備。在這個訓練過程中，CRA必須在最壞的情況下向兵棋專家和作戰測試工程師展示所學的知識，如上所述。

訓練差距(1)和(2)都表明，需要與兵棋推演和作戰測試工程師合作，制作戰斗場景，以幫助預測意外情況，并在訓練數據中設計出最佳反應。這種訓練必須包括對手突襲成功時的彈性計劃。當不必要的生命或財產損失處于危險之中時，人的監督對CRA來說仍然是必要的，但通過在設計CRA時填補這兩個空白，將通過可靠的性能贏得信任，顯示出處理戰斗情況的規模和復雜性的能力。

在NSP之后，CRA的設計是為了激勵三類客戶繼續使用AI產品。對于專業的兵棋推演，CRA將艱苦的評估過程的一部分自動化，并提供改進的分析結果，這包括因果因素。它可以獨特地支持兵棋推演者，根據每個對立面收到的情報，對兵棋推演的紅方和藍方進行三種分析，而白色知道 "真相"。CRA將能夠重演整個兵棋推演，對戰略和戰術進行統計分析，顯示瓶頸、優勢和弱點，以及提高復原力的需要。它可以改變情報，再次模擬整個兵棋推演，并顯示假設、趨勢和變化。人工智能系統可以學習并分享這些統計結果，關于如何從藍方的角度更好地準備戰斗中未預料到的、"出乎意料 "的驚喜。

對于測試人員來說，這個由NSP創建的CRA提供了測試線程，使評估人員能夠考慮在預期的和未預期的、但可能的情況下對某一特定技術的所有可能使用。它可以分享通過兵棋推演獲得的分析和統計知識，以支持作戰測試工程師開發更多戰術和戰略上 "現實 "的測試腳本。CRA將提供一種自動化能力，以減少開發測試腳本的時間和精力，并確保對需求的充分覆蓋。

對于操作人員來說，CRA成為一個值得信賴的工具，能夠自動生成和比較可行的COA，并使用EVE的因果關系、可解釋因素。當有限的情報可用時，它可以提供可以最小化紅方效應的COA。此外，CRA可以推斷紅方的意圖并識別可能的未知數，這可以減少藍方可能面臨的戰術意外的數量。

CRA，按照九個步驟的方法，有能力提供關于紅方可能做什么的新想法，大大增加了藍方規劃者和決策者對未來可能結果的心理模型。此外，EVE鏈的建模和EVE段的相關回憶能夠非常迅速地重新規劃，并產生思考和實現行動復原力的新方法。解釋一項建議或行動不同于發展一種信任關系，即該建議或行動將實現預期的結果。本文的結論是，如果希望在復雜的戰斗場景中盡量減少人類的參與（例如，提高反應時間或避免人類損失），那么人工智能必須能夠處理意外情況。這意味著人工智能必須接受訓練以處理意外情況。

同樣，NSP的基礎是在作戰部署之前，通過與CRA的關系實現信任。這種通過與作戰人員和測試人員的可靠表現來贏得信任的能力填補了這兩個空白。此外，在兵棋推演和作戰測試期間，需要引入與狀態變量相關的意外/驚喜，這將提高美國武裝部隊的準備和克服能力，從而減少死亡、作戰成本和升級。(DSB 2015)通過使用EVE鏈的三個階段包含九個部分，將理論和實際相結合，它提出了通過COA建議來改變未來沖突的結果的潛力，這些建議可以最佳地應對對手的意外、出乎意料的驚喜，并處理復雜的場景。

與"半人馬作戰（centaur warfighting）"概念以及自主武器系統將取代人類作戰人員的想法不同，本文提出，未來的有人-無人協同作戰更可能是“牛頭人”，即在人工智能控制、監督或指揮下的人類團隊。它研究了未來部隊的可能組成，并促使人們對牛頭人作戰引起的倫理問題進行必要的對話。

前言

人類將在未來的戰爭中扮演什么角色？對這個問題的一個有影響力的答案是，他們將與先進的機器合作，利用雙方的獨特能力。保羅-沙爾創造了 "半人馬作戰 "一詞來描述有人-無人組隊的使用，他認為相對于使用自主武器系統（AWS），它們擁有一些關鍵的優勢。通過讓人類控制、監督或指揮多個無人系統，人類的判斷力和認知的靈活性可以與機器的反應速度、傳感器、力量和功率相結合，從而勝過人類和機器單獨作戰。

半人馬是一種神話中的生物，其頭部和上身是人，下身是馬。當被用來描述有人-無人團隊時，半人馬的形象促進了人類將領導團隊的想法。我們概述了對有人-無人團隊性質的另一種看法，這種看法更有可能在未來戰爭的關鍵作戰領域實現。我們懷疑人工智能（AI）將指導多個人類的活動，而不是人類指揮多個機器人。未來的機器人士兵更有可能是牛頭人--一種具有人的身體和牛的頭的神話生物，而不是半人馬：他們將有一個可怕的頭而不是一個可怕的身體。

牛頭人是思考人類參與戰爭未來的一個更好的形象，其原因與技術動態和道德要求有關。可以說，人工智能在執行與戰爭最相關的認知任務方面的能力已經超過了機器人在執行與戰爭最相關的人體功能方面的能力。此外，人工智能應用方面的進展比機器人應用方面的進展出現得更快。因此，在可預見的未來，在許多領域，當人類扮演執行角色時，用機器代替人類將比人類扮演涉及操縱物體或在雜亂環境中移動的角色更有說服力。事實上，將人類置于機器的控制、監督或指揮之下往往是一種道德上的需要。隨著新技術的引入，軍事行動的節奏加快，將戰場指揮的一些功能轉移給人工智能，將有助于防止友軍交火事件，并提高人類作戰人員的生存能力。

鑒于人工智能的發展速度，迫切需要考慮牛頭人作戰的影響，這既是為了未來作戰部隊的有效性，也是為了將越來越多地在機器的指導下進行戰爭的人類。本文討論了推動我們走向由牛頭人作戰的未來因素，并開始了關于牛頭人作戰的倫理影響的對話。

半人馬作戰

沙爾在關于使用自主武器的影響和倫理的辯論中提出了半人馬作戰的想法。沙爾承認，完全自主的武器系統可能在未來的戰爭中發揮作用，但他認為，在大多數情況下，人類和機器的團隊在單獨運作時將勝過兩者。機器人和人工智能程序在整合大量數據、快速反應和實施精確打擊方面表現出色。但目前，在涉及到對作戰至關重要的其他角色時，它們的能力不如人類。特別是，他認為，人工智能仍然難以在復雜和意外的情況下做出正確的決定，特別是在解決戰爭中經常出現的道德困境方面，行使必要的道德判斷。由于這個原因，據沙爾說，在許多應用中，人類和機器人（或人工智能）組成的團隊一起工作，在戰斗和其他軍事行動中，將勝過自主系統和人類的單獨戰斗。

半人馬作戰的想法具有很大的影響力，這體現在人們對現有武器系統運作的理解上，也體現在如何設計和使用機器人和人工智能來進行未來的戰爭的模式上。

沙爾本人用半人馬的形象來分析美國反火箭、火炮和迫擊炮系統（C-RAM）的運作，該系統自2010年以來一直在運行。該系統由一門雷達和計算機控制的高速加特林炮組成。它是高度自動化的，能夠在沒有人類監督的情況下攻擊和摧毀目標。然而，目前的理論要求有一個人在回路中（意味著系統不能在沒有人類操作員輸入的情況下運行），以授權參與特定目標，以減少自相殘殺的風險。Scharre將這種安排作為半人馬作戰的典范，應盡可能地加以模仿。他還指出，類似的系統只包括人類的 "循環"（意味著人類主管可以選擇干預以改變系統的運作），并建議這種安排可能會變得越來越普遍，甚至是必要的，因為在更多的角色中使用自主系統而導致行動節奏加快。

重要的是，半人馬座作戰可以作為目前正在開發的使用機器人和自主系統的未來行動模式。美國國防部無人系統綜合路線圖2017-2042聲稱，"未來的軍事行動將需要無人系統和人類之間的協作"，并強調了 "人機合作 "的重要性。人機協作（MUM-T）是美國陸軍無人機系統2010-2035年路線圖的一個關鍵目標，在美國海軍的無人機運動框架中也占有重要地位。雖然有人-無人團隊合作與團隊中的機器和人類之間的一系列關系兼容，但文件中提供的背景和例子清楚地表明，這些有人-無人團隊被想象成半人馬。此外，無人系統的旗艦例子包括美國陸軍的機器人戰車-輕型，美國海軍陸戰隊的遠程操作地面部隊的遠征（ROGUE）-消防平臺，美國空軍的SkyBorg項目，以及澳大利亞皇家空軍的Loyal Wingman項目（最近更名為MQ-28A Ghost Bat）。這些例子幾乎都被宣傳為提高人類作戰人員的效率--也就是說，促進半人馬作戰。

人類在負責？

半人馬的形象意味著，當人類與機器人或人工智能合作時，人類將負責團隊的工作。準確地說，他們將如何負責仍然是開放的。Scharre通過使用人類在循環中和在循環中的例子來介紹半人馬作戰的想法。Scharre似乎允許半人馬作戰與人類只發揮較遠的監督作用的情況兼容，盡管據推測，機器將需要保持在 "有意義的人類控制 "之下，以便在這種情況下談論人類監督。Scharre對 "有人-無人小組 "中人類負責的含義做了慷慨的解釋。即使在這種情況下，我們相信，與Scharre相反，許多人類和機器的合作將被更準確地描述為牛頭人（無人駕駛的團隊）而不是半人馬（有人駕駛的-無人駕駛的團隊），因為團隊中的機器將有效地負責。

關鍵技術動態

人工智能發展的最初時期的特點是認為關鍵的挑戰是創造出能夠完成認知任務的機器--例如下棋、完成數學運算和處理大型數據集--我們覺得很難，并認為是智力成就的巔峰。例如，臭名昭著的是，被廣泛認為是現代人工智能研究起點的達特茅斯夏季研討會的原始撥款申請提出：將嘗試尋找如何使機器使用語言，形成抽象和概念，解決現在留給人類的各種問題，并改進自己。我們認為，如果一個精心挑選的科學家小組在一個夏天共同研究這些問題，就可以在其中一個或多個問題上取得重大進展。

然而，很快就可以看出，真正的挑戰在于其他方面。我們認為很容易的任務（而且我們認為這些任務不需要智力，因為兒童和動物與成人一樣能很好地完成）對機器來說證明是困難的。現在，感知、運動和操縱被認為是人工智能和機器人學的難點。盡管過去十年來機器視覺取得了重大進展，但機器在非結構化環境中定位和識別物體的能力仍然有限，而靈巧的操縱仍然是一個關鍵的挑戰。現實世界操作條件下的魯棒性對機器人系統來說也是一個挑戰，能源要求也是如此。在當前，令人震驚的是，人工智能研究的進展比機器人研究快得多。一般來說，人工智能的腦袋仍然比機器人的身體好。正如計算機科學家唐納德-克努斯（Donald Knuth）所觀察到的，"到目前為止，人工智能基本上已經成功地完成了所有需要'思考'的事情，但卻未能完成人和動物'不需要思考'的大部分事情--這一點，不知為何，要難得多。" 鑒于體現在與物理世界的接觸中所涉及的挑戰程度，在可預見的未來，這種情況可能仍然存在。

人工智能和機器人技術的相對優勢在許多民事應用中是顯而易見的。今天，當人類和智能機器在工業領域的團隊中一起工作時，機器往往執行腦力勞動，而人類則從事體力勞動。

也許牛頭人最突出的民用例子是亞馬遜的履行中心。這些中心的工人是由機器指揮和監督的。復雜的算法決定了哪些貨物必須被運送，在哪里，以及如何運送，但人類必須收集和（有時）包裝它們。機器通過手持設備告訴工人要收集什么，從哪里收集。因為倉庫使用算法包裝系統，它存儲貨物以盡量減少收集貨物所需的時間，而不是在一個固定的位置，如果沒有機器，人類就無法找到他們被要求收集的產品。越來越多的機器人化的叉車、托盤或存儲單元將產品箱帶到桌子上，人類在那里提升和包裝貨物或將它們放入另一臺機器：人類因此淪為了機器的手。正如諾姆-謝伯在《紐約時報》上指出的，"[從工作中]不斷剝離人類的判斷力是自動化最普遍的后果之一--與其說是用機器人取代人，不如說是讓人變得像機器人"。

另一個平民牛頭人的例子是由長途卡車運輸的演變提供的。卡車司機越來越多地收集和運送物品，并遵循算法物流系統分配給他們的路線。將數據傳回給這些算法的傳感器監測司機的速度、路線和駕駛表現。司機甚至可能因為各種違規行為而被自動處罰。自主系統不是由人類選擇自主車輛行駛的目的地，而是指示人類何時、何地、如何行駛。這些人機團隊的發展和繁榮，主要是因為它們在技術上比其他選擇（如人類選擇路線或機器駕駛）更可行，但也因為它們減少了道路死亡。

在討論未來戰爭中的有人和無人合作時，人工智能和機器人的性能差異一直沒有被充分認識到，因為無人系統在軍事應用中的成功案例都是在空中領域操作（或攻擊目標）的機器。與感知、導航和運動有關的問題對無人駕駛航空器來說是相對容易解決的，而與操縱和靈巧操作有關的問題則不會出現。如果考慮到無人系統在陸地戰爭中的核心任務的表現，情況就會非常不同。

城市環境、森林、泥地、雪地、冰地和沙地對機器人來說都極具挑戰性。在戰時安全地通過這些地形需要不斷地判斷物體和表面如何相互作用，選擇最佳路線，其他友方和敵方單位的目標，以及其他代理的可用信息。雖然人類是憑直覺做出這些判斷，而且往往是無意識的，但這種身體和感知的知識很難在算法中呈現。物理環境的非結構化和難處理的性質給機器人帶來了深刻的挑戰，這一點在涉及到在陸戰中發揮關鍵作用的其他活動時更加明顯。例如，運輸和安放軍械、設置防御工事或清理建筑物都需要人類。不過，機器可以通過整合多種來源的信息（如無人機、衛星、安裝在武器或頭盔上的攝像機的視頻資料以及信號情報），越來越多地（近乎）實時識別敵方軍事目標和人員，這項任務可能超過人類的能力，但現在已經在機器的能力范圍之內。Scharre和其他人認為，機器可能很難考慮到對適用戰爭法很重要的背景線索，或作出確定適當目標所需的道德或戰略判斷。然而，在許多情況下，環境實際上會使機器作出這樣的決定是可行的。例如，在一個特定的地區或交戰中，所有的敵方潛艇、坦克或戰斗機都可能是合法的目標，而現有的人工智能有能力將這些系統與民用物體區分開來，這是可信的。

對于人工智能和機器人技術在海戰中的應用，也可以進行類似的觀察。許多對艦艇操作至關重要的任務將很難實現自動化或分配給機器人，因為它們依賴于人類在復雜環境中識別、移動和操縱一系列不同物體的能力。特別是，在可預見的未來，人類將需要裝載和維護武器以及維修發動機。然而，對海戰至關重要的認知任務（如確定船只的最佳路線、控制防空系統、識別目標并確定其優先次序）似乎完全在現有或未來的人工智能能力范圍之內。

將我們的注意力從天空轉移到陸戰和海戰，突出了物理環境對機器操作構成的挑戰，而我們離解決這些問題還很遠，而我們離創造能夠識別目標和為作戰人員確定優先次序的人工智能還很遠。

牛頭人作戰

牛頭人團隊在平民生活中的出現表明，牛頭人在未來的軍事行動中也將發揮一定的作用。至少，軍事倉庫和后勤可能會效仿民用模式，創建牛頭人團隊來執行關鍵職能。

談到作戰行動，牛頭人的合理用例比比皆是。

盡管最近在一些功能的自動化方面取得了進展，但拖曳或駕駛、放置和裝載軍械需要多個人類。不過，識別、跟蹤和確定目標的優先次序可以由機器完成。在所謂的以網絡為中心的戰爭時代，進入敵人的 "觀察-東方-決定-行動 "循環的最佳方式是讓計算機分配目標，甚至是瞄準和發射武器。事實上，據報道，在目前與俄羅斯的戰爭中，烏克蘭軍方已經朝著這個方向采取了重大步驟。當人類拖拽和裝載的武器被瞄準和發射到機器選擇的目標時，我們就有了牛頭人作戰。

新興技術也有可能將步兵小隊變成牛頭人。美國陸軍的綜合視覺增強系統將利用基于微軟HoloLens的混合現實頭盔為作戰人員提供戰術數據。美國陸軍最近的一份 "信息請求 "提供了線索，說明其開發者預計人工智能將如何被用來擴展該系統的能力。這份文件將 "人工智能目標檢測算法"、"機器輔助任務規劃"、"人工智能戰術預測 "和 "人工智能數字戰場助理 "列為感興趣的領域。雖然要求的措辭暗示人工智能將作為助理或顧問，但有充分的理由相信，人工智能不會長期局限于這些角色。

對人機交互（HCI）的研究表明，人們傾向于過度信任人工智能，尤其是當人工智能已經證明自己普遍可靠時--這種現象被稱為自動化偏見。如果目標檢測算法或戰場助手表明某個特定的物體或人是一種威脅，那么作戰人員不太可能否定人工智能，特別是考慮到綜合視覺增強系統的前提是它有助于減少戰爭的迷霧。此外，如果人工智能可以利用來自多個平臺和傳感器的信息來制定威脅評估或任務目標，考慮到機器更好的有利條件，違背其建議行事可能是錯誤的。一旦人工智能的性能達到一定水平，主張自己的判斷高于人工智能的判斷的作戰人員將把自己和周圍人的生命置于危險之中；他們還將減損團隊的作戰效率。最終，人工智能的建議將在心理上，甚至在規范和制度上具有命令的力量，參與小單位戰斗的作戰人員將把大部分時間用于實現人工智能為他們設定的目標。

正如托馬斯-亞當斯在20多年前所認為的那樣，隨著人工智能的影響加速了戰斗的節奏，減少了人類的有效決策時間，軍隊除了將許多決策外包給人工智能之外，可能沒有其他選擇。不過，在可預見的未來，戰爭的成功起訴將涉及人類處理目前機器處理不好的平凡的物理和物質挑戰。如果在未來，人工智能在一個有人-無人（或者更準確地說，無人-有人）的團隊中通過選擇目標和設定目標來完成認知工作，而人類在人工智能的指導下辛勤工作，我們將有一個牛頭人而不是半人馬。亞當斯確定的同樣的動態表明，牛頭人將在未來的戰斗中戰勝半人馬，為軍隊采用牛頭人作戰創造了強大的動力。

最終的牛頭人作戰部隊將由一隊人類和機器人組成，由相當于將軍的AI指揮。雖然還不可行，但從長遠來看，這個想法沒有表面上那么牽強。人工智能往往擅長游戲，包括戰爭游戲，因為人工智能可以從一個游戲的多次迭代的經驗中學習。如果戰爭只是在屏幕上移動單位或根據一套復雜的規則使分數最大化，機器在指揮軍事行動方面已經超過了人類。他們還沒有做到這一點的原因是，在軍事模擬中準確表現不同武器系統和軍事單位的能力，以及行動所處的地形（包括人類地形）的承受力方面存在著困難。如果軍事模擬的技術得到改進，使真實世界的行動能夠在戰爭游戲中得到準確體現，那么就會為開發復雜的戰爭算法打開大門。最終，對勝利的追求可能需要將指揮權交給機器，而勝利可能由哪支部隊擁有更好的人工智能決定。

同樣值得注意的是，自動化偏見表明，目前人們認為的一些高度自動化系統是半人馬，實際上是牛頭人。如果 "在圈內 "的人不太可能反駁機器，那么有人-無人團隊就是一個牛頭人，而不是半人馬。我們懷疑Phalanx近程武器系統和反火箭、火炮和迫擊炮系統可能就是這種情況。

最后，認識到即使是所謂的 "自主 "系統也要依靠人類來裝載、修理和維護它們，這表明許多自主武器系統應該被理解為牛頭人的頭，其人類支持團隊是身體。

倫理影響

至關重要的是，軍事政策制定者和更廣泛的社會現在開始就牛頭人作戰的倫理問題進行對話，以準備或塑造未來。

牛頭人作戰有強大的倫理論據。牛頭人作戰很可能是為了響應避免自相殘殺的道德要求而出現的。更具爭議性的是，民間社會對作戰人員的義務，以及指揮官對其部隊的義務，即避免將友軍暴露在不必要的風險中，也往往會成為支持牛頭人作戰的理由。通過迅速識別和確定目標的優先次序，牛頭人將減少敵人使用武器的機會。最后，牛頭人有可能在不遠的將來擊敗半人馬，這在倫理上是很突出的；如果我們為正義事業而戰，就有強烈的倫理理由讓我們派出盡可能強大的軍事力量。

然而，牛頭人作戰也有一些令人深為不安的方面。事實上，在賦予機器超越人類的力量，以至于將它們送上戰場被殺死的時候，牛頭人作戰預示著當代關于機器和人類之間關系的辯論中正在討論的倫理問題，更普遍。

一個擔心是，機器將不會充分關心，或以正確的方式關心，或者，也許根本不關心他們所指揮的人的生命。例如，人工智能將軍可能會把人類當作炮灰，為更強大的無人駕駛系統掃清道路。在這里，重要的是要區分對機器會不必要地拿人的生命冒險的擔憂和對它們拿人的生命冒險的擔憂。前者實際上是對軍事人工智能有效性的懷疑，最終應該由牛頭人贏得戰斗和減少（人類）作戰人員的風險的證據來緩解。

人的生命不應該在機器的決定中受到威脅，這種擔憂也出現在關于使用AWS的倫理的辯論中，可以用伊曼紐爾-康德的哲學來表達。康德堅持認為，人類應該始終被視為 "目的"，而不是僅僅作為手段。與機器不同，人類有自由意志。康德認為，我們必須尊重對方的這種能力，避免將他人僅僅作為工具來推進我們的目的。我們很難看到機器如何表現出這樣的尊重，也很容易擔心牛頭人作戰會將人類淪為單純的手段。

這種反對意見還有一個共和派的版本。根據這一傳統，自由與法律是兼容的，而法律是追蹤公民利益的審議過程的結果。不過，如果個人只能在強權的支配下按自己的意愿行事，那么他們就會被支配，在這個程度上，就不是自由。公民的平等自由要求他們不受制于主權者或其他公民的任意權力。人們很容易認為，機器行使權力總是任意的，因為機器不能參與構成商議的推理實踐。

這兩種反對意見都是有道理的。然而，要以一種不會招致回答的方式來表述這些反對意見是很困難的，因為當人類命令其他人類上戰場時也存在類似的情況。當士兵入伍時，他們同意被用來為更大的目的服務，而且可以說，他們受制于上級的任意權力。雖然人們希望指揮官只以他們可以向下屬證明其利益的方式來對待他們手下的人，但軍事上的需要有時可能會有不同的要求。因此，機器指揮的倫理看起來與更普遍的指揮倫理沒有什么區別。

然而，很難避免一種感覺，即授予機器權力讓人類去送死是有問題的。人類的價值是機器無法比擬的。將人類置于機器的指揮之下，似乎表達了這樣一種想法：機器比人類更重要，或者至少比人類更好。不出所料，這種直覺也出現在關于使用自主武器系統的倫理的辯論中，它在其中發揮了重要作用。

另一個問題是自主武器系統和牛頭人都會出現的，它涉及到機器所做決定的責任歸屬問題。當父母得知他們的孩子在被機器送上戰場后被殺時，他們可能想知道應該責備誰。如果有一天，讓機器對 "它 "的行為承擔道德責任是合適的，這仍然是一個激烈的哲學辯論的話題。我們猜測，對于悲傷的父母的問題，如果不是道德問題，也將最終作為一個法律問題來解決，即把對人工智能的決定和牛頭人的行動的后果的責任分配給更高層次的人類。

這里指出的牛頭人作戰引起的倫理問題足以令人不安，而且隨著牛頭人隊伍的使用推廣，無疑會出現更多問題。然而，在軍事背景下，牛頭人的理由--他們將贏得戰斗并拯救友軍的生命--是非常強大的。出于這個原因，我們的分析表明，正如新技術通常的情況一樣，對牛頭人作戰進行全面考慮的倫理評估需要解決康德和后果主義直覺之間的沖突。

像我們用來理解世界的許多區別一樣，半人馬和牛頭人之間的對比無疑是過度的。在現實中，當人類和機器一起工作時，他們之間會有一系列的關系。即使在特定的團隊中，一些任務將更多地委托給人類，而另一些則委托給機器人或AI。然而，牛頭人的形象提醒我們，這種談判不會總是有利于人類。

同樣，就軍事是一個系統的系統而言，人類和機器之間的特定合作是半人馬還是牛頭人，將是分析水平的一個函數。如果我們以一種方式畫出團隊周圍的邊界，那么這個系統看起來就像一個牛頭人，如果我們以另一種方式畫出它，它就可能是一個半人馬。因此，如果人工智能戰場助手發展成為人工智能班長，人們希望人類官員能指揮他們。如果指揮國家軍隊的將軍是一個人工智能，人們就會認為國家的文職領導層會制定人工智能的戰爭目標。然而，認識到在某些分析層面上，機器將負責，有助于我們理解不同形式的有人-無人團隊合作的優勢和局限。正如我們所論證的，當人們承認一些人類實際上是在機器的指揮下，即使這些機器反過來是在人類的指揮下，倫理問題也會顯得非常不同。

思考

牛頭人作戰將在關鍵的作戰領域得到發展，因為無人駕駛團隊的表現將超過有人-無人駕駛團隊或單獨操作的人類或自主武器系統。在這種新興的有人-無人團隊作戰模式中，人類和機器之間的關系的性質提出了深刻的倫理問題。我們還預計，牛頭人作戰的發展對那些畢生都在磨練人類判斷能力的人來說，在個人和體制上都是一種挑戰，而這種能力目前在作戰中發揮著核心作用。盡管牛頭人帶來了倫理和制度上的挑戰，但那些負責贏得戰爭的人應該抵制牛頭人作戰的發展，這一點還不明確。

如果軍隊或社會確實決定將作戰人員置于機器的控制、監督或指揮之下是一個太遠的步驟，我們認為有三項任務--一項是技術，一項是倫理，一項是政治--需要作為緊急事項加以面對。

首先，必須投入大量的財政和智力資源來開發能夠在非結構化環境中長期有效運行的機器人。這項任務的一個挑戰是，在成功的同時，也要讓把戰爭中涉及的關鍵認知任務交給人工智能更有說服力。一個真正的危險是，機器人應對物理環境的不確定性和復雜性所需的軟件進步，只會進一步賦予人工智能戰略和對軍事力量行使作戰控制權。

其次，必須澄清和加強作為不將人類置于機器指揮之下的道德和政治承諾的基礎的直覺。這樣做也有可能意味著自主武器系統的開發和應用比許多軍事倫理學家和政策制定者所承認的問題更多。如果允許機器告訴人類該做什么在道德上是錯誤的，那么很難看到允許機器殺人在道德上是被允許的。

第三，國際社會必須考慮在國際法律上禁止在戰爭中或在戰爭的某些角色中使用牛頭人團隊是否可取，或者甚至是可行的。每個國家也需要考慮如果其他國家開始在戰爭中使用牛頭人團隊，它將如何應對。

這些挑戰是否能夠成功應對，或者是否應該嘗試，目前還不清楚。我們希望這次討論已經證明了直面這些問題的重要性。在人類戰士將戰場讓給牛頭人之前，我們需要知道，他們勝利的代價不會是我們的人性。

聯合全域指揮與控制（JADC2）將從任何傳感器和任何領域收集信息，在巨大的物理距離上快速傳輸大量數據，處理信息以支持動態戰斗管理和指揮官的決策，然后確保正確的信息在正確的時間到達正確的戰斗人員手中，以達到預期的效果，所有這一切都在全球范圍內進行。太空將賦予所有這些關鍵行動權力。這只能通過基于空間的基本能力來實現。只有太空領域能夠以一個有效的JADC2架構所要求的速度、規模和范圍來移動信息。如果美國希望在同行沖突中獲勝，美國防部和太空部隊須優先考慮一個強大的太空運輸層、傳感器和空間優勢，以保護這些能力。

適應新的現實

相對于世界上任何其他國家，美國在技術、訓練和經驗方面保持著無可比擬的軍事優勢。然而，其他國家的進步向美國軍隊提出了挑戰，要求其在戰略轉型、技術創新和作戰概念方面保持領先，以保持在所有作戰領域的未來優勢。這一挑戰因美國的對手在過去30年里仔細研究了美國的戰略、作戰概念和技術，特別是在科索沃的沙漠風暴行動和持久自由行動，而變得更加復雜。通過研究美軍快速部署和維持部隊以及進行精確打擊的能力，其他國家的現代化道路已經被經驗教訓所塑造，以對抗美軍以相同方式實現相同效果的能力。在未來的同行沖突場景中，空中力量的結構將受到強調，因為戰斗機和轟炸機可能有很高的出動率，而且從遙遠的作戰基地到戰區的運輸時間很長。越南戰爭期間從關島安德森空軍基地起飛的B-52飛機的例子，其特點是往返飛行時間為12至14小時（Correll, 2009）。

如果沒有精致和及時的機外情報反饋，長時間的過境時間將使機載打擊平臺對時間敏感目標的打擊變得多余。越來越多的美國及其盟國將面臨對手，他們在戰斗中帶來了自己的綜合能力，旨在剝奪機動自由和破壞重心，特別是指揮和控制（C2）。美國國防須適應新的戰斗空間現實，以確保并保持信息和決策優勢，這對戰勝對手至關重要。意識到這些復雜的挑戰和發展當前C2系統和流程的迫切需要，美國國防部（DOD）正在通過JADC2結構追求下一代C2概念和技術。在與聯合參謀部和國防部長辦公室的協調下，每個美國軍種都在尋求創造信息和決策優勢。雖然各種途徑可能不同，但所有美國軍種在基本目標上是一致的。

信息的需求速度

正如美國國防部副部長凱瑟琳-希克斯所指出的，"在一個日益注重信息的作戰環境中，指揮和控制從未如此關鍵"（哈德利，2022）。意識到確保信息和決策優勢的重要性，國防部制定了JADC2結構，它設想了一個體系，其中數據從廣泛的多領域傳感器中收集，在遙遠的距離上快速傳輸，處理成可操作的信息，并在與需求相關的基礎上提供給消費者，以增強戰術、作戰和戰略指揮領域的智能決策（美國防部，2022）。JADC2不是一個單一的項目或能力，它涉及到利用各種能力的組合，在正確的時間將相關信息傳遞給每個戰士，以達到預期的效果，所有這些都是在全球范圍內。美國防部在其2022年3月的聯合全域指揮與控制戰略摘要中描述了這些功能（美國防部，2022）。"JADC2為塑造未來聯合部隊的C2能力提供了一個連貫的方法，旨在產生在所有級別和戰爭階段、所有領域以及與合作伙伴一起感知、感知和行動的作戰能力，以便以相關速度提供信息優勢。"

任何質疑JADC2必要性的人都可以反思一下1940年夏天的不列顛之戰。這是一個典型的例子，說明信息和決策的優勢可以成為沖突中的決定性因素。在剛剛占領法國之后，德國決心入侵英國，而空中攻勢是實現這一目標的第一個組成部分。皇家空軍（RAF）的作戰飛機在數量上超過了七比一。當德國空軍的空襲開始時，超過3500架德國作戰飛機聚集在英吉利海峽對面。相比之下，皇家空軍只擁有446架作戰飛機。在1940年8月8日至8月18日的10天里，皇家空軍損失了154名飛行員，只有63名來自訓練中隊的綠色飛行員可以填補傷亡（理查德，1953）。然而，英國部隊在這些壓倒性的困難面前取得了勝利，因為他們的信息和決策優勢使他們能夠更有效地指揮他們的颶風和噴火戰斗機來對付數量更多的德國空軍。皇家空軍能夠在正確的時間和地點部署戰斗機，以保衛祖國，同時避免不適當的風險區域。

盡管自不列顛戰役以來，技術、系統和程序都發生了變化，但信息和決策優勢仍然是至關重要的軍事屬性，特別是在面對同行威脅時--這正是美國軍隊面臨的情況。

圖5.1: JADC2

鑒于這一目標，幾個基本原則對JADC2的架構師來說是至關重要的。JADC2只有在數據授權的情況下才是有效的。數據輸入是信息和決策優勢的骨干。傳感器必須在正確的時間和地點定位，以確保對敵方活動、部隊組成和脆弱點的必要洞察力。在尋求指揮和控制美國和盟國部隊、確保關鍵基礎設施的安全以及追蹤來襲威脅時，數據也是至關重要的。未來戰區的規模和范圍需要新一代的傳感器來收集必要的數據，以增強智能決策的能力，包括能夠深入敵后觀察或感知并提供持久觀察的系統。

JADC2也必須以需要的速度移動信息。機動性和速度一直是戰爭中的當務之急，但歷史上的重點是操作者或平臺如何在物理上利用這些優勢。在信息時代，軍事行動越來越依賴于傳感器的能力、數據處理能力和決策領域的人類行為者來了解戰斗空間。這包括尋找和固定目標，以確保預期效果，同時減少脆弱性（Deptula, 2016）。現代戰爭的關鍵是，工業時代的工具仍然重要--飛機、艦艇、坦克、衛星和野戰部隊，但信息優勢具有同等或更大的重要性。軍隊需要在最佳的時間和地點被引導執行行動，以最大限度地提高部隊的效率，同時避免不適當的風險。要做到這一點，作戰企業需要在未來適合這一目的的態勢感知和連接。

太空對JADC2的貢獻

太空領域將決定未來沖突的結果。原因很簡單：戰爭的成功將歸于擁有卓越的戰斗空間知識、做出更好的決定、更有效地指揮部隊和更快地關閉殺傷鏈的一方。天基技術將被證明在實現JADC2的愿景方面至關重要。在軌技術是確保作戰優勢的關鍵，特別是當涉及到傳感器和連接時：太空是最終的高地，為傳感器數據的收集提供了極其廣闊的視野。來自太空的優勢也使相隔遙遠的部隊之間的連接成為可能，并提供全球通信鏈路，可以傳輸所有傳感器的數據。美國太空部隊領導人了解太空能力對JADC2的必要性和核心地位。正如美國第一任太空作戰司令杰伊-雷蒙德將軍所解釋的，"我們從太空領域感知、傳輸和理解數據，然后將數據送到我們在陸地、空中和海上的聯合作戰伙伴手中的能力，是太空部隊為JADC2提供的。太空能力是現代戰爭的基礎"（美國空軍，2022）。

美國空軍的條令指出，"信息時代戰爭的一個關鍵區別是，許多武器系統依靠外部信息來源來運作"（美國空軍，2020）。雖然毫無疑問，太空能力對實現JADC2至關重要，但所需的具體系統和能力，有多少，以及成本如何，仍未確定。對JADC2的最終規模和范圍的不明確并沒有幫助未來的規劃。許多必要的技術已經存在，而其他技術仍在圖紙上，但沒有明確的途徑來采購和部署所需的能力。還必須確定指導其使用的總體作戰概念和戰略，特別是那些與在軌JADC2功能有關的概念。傳感器、處理能力和C2，所有這些都通過強大的連接性聯系起來，是構成JADC2愿景的關鍵因素。太空領域在所有這些領域提供了獨特的優勢，通過太空提供的效果對于實現JADC2的預期目標至關重要。

• 對JADC2的最終規模和范圍的不明確，無助于未來的規劃。許多必要的技術已經存在，而其他技術仍在繪圖板上，但沒有明確的路徑來采購和部署所需的能力。

傳感

數據收集是JADC2工作的一個重要組成部分，并強調必須將傳感器放置在正確的地點和時間，以收集整個戰斗空間--從友軍防線到敵方領土深處的所需輸入。在過去，這些數據收集功能主要是從空域執行的，允許快速跨越大片領土并利用高度優勢觀察感興趣的區域。今天的空域不僅在敵人的周邊地區有很大的爭議，而且機載情報、監視和偵察（ISR）也必須從美國和盟國的行動基地經過極長的距離才能有效地到達前線，更不用說在敵后。雖然空域對于此類任務仍然是必要的，但ISR將越來越多地過渡到太空。以快速的刷新率和持續的覆蓋率覆蓋地球的廣大地區，同時避開傳統的防空系統，并且不需要維持任務飛機的大量輪換就能獲得預期的結果，這種能力是在軌系統提供的改變游戲規則的優勢。

空間傳輸層

天基傳感器將產生關鍵的輸入，但位于空中、陸地或海上的傳感器也將被證明具有同等價值。一個關鍵的操作優勢是將來自所有來源的輸入融合到一個高度動態的、以效果為導向的方式，以實現任務結果。太空傳感器，無論是移動目標識別還是其他類型，都將被設計成更廣泛的多領域傳感器網絡中的節點，能夠收集不同的數據并將它們融合成一個整體，以揭示比任何單獨來源所能提供的更多可操作的戰斗空間知識。太空中的傳感器和其他JADC2節點提供了巨大的潛力，但整個體系必須連接起來以提供預期的結果。雖然以各種數據鏈形式存在的一系列地面網絡仍然很重要，但需要一個新的全球通信主干網，以可靠、高速、無縫、有彈性的方式全面連接JADC2企業的所有不同要素。由于天基能力具有全球視野、持久性和信息連接性，因此可以最好地滿足這一要求。擴大、運行和管理全球JADC2太空傳輸層和相關基礎設施將是美國空軍未來幾年的一項重要任務。

圖5.2：太空傳感器和數據傳輸層

擴展太空能力

通過利用太空實現JADC2的愿景，需要國家安全界，特別是太空部隊，開發一套新的傳感器能力和一個強大的太空運輸數據傳輸層，以適應全球行動（美國防部，2022）。雖然JADC2將是作戰指揮官在空中和地面創造效果的途徑，但其軌道資產必須是有彈性的并受到保護。這些動態反映了美國國家安全機構在如何看待空間方面的一個重大范式轉變。一套更好的能力始于一個分布式的、有彈性的架構，涉及的衛星數量遠遠超過目前在軌的衛星。為了提高彈性、響應性和功能水平，JADC2太空運輸層將需要政府和商業太空系統的組合，分布在許多軌道制度上，以構成所需的巨大數量。隨著時間的推移，傳輸層將不斷發展和擴大，利用不同的鏈接技術、衛星和軌道。更簡單地說，需要更多的、分布式的衛星來增強JADC2傳輸層的能力，以幫助避免單點故障，并將更多的現代能力帶到軌道上。

• 為了提高彈性、響應性和功能水平，JADC2太空傳輸層將需要分布在許多軌道制度上的政府和商業空間系統的組合，以構成所需的巨大數量。隨著時間的推移，傳輸層將不斷發展和擴大，利用不同的鏈接技術、衛星和軌道。

在JADC2的下一步，太空發展局（SDA）將發射一個低地軌道（LEO）衛星群，整合各服務的戰術網絡，以創建一個網狀網絡的傳輸層。SDA認為傳輸層主要是一個整合的挑戰，即必須將多種服務工作納入一個有凝聚力的系統中。因此，SDA正在與各個部門合作，滿足具體的集成要求。設計JADC2太空傳輸層的美國空軍將需要采用寬帶陣列能力，使其能夠在多個軌道上以多種頻率發送和接收衛星的數據。由此產生的模型將表現得很像現代手機，它可以依靠多個專有網絡，對用戶來說是無縫的，并提供一系列的服務。美國空軍領導人完全理解在軌通信能力對實現JADC2愿景的重要性。正如太空作戰部副部長大衛-"DT"-湯普森將軍所解釋的："JADC2是美國空軍的一個絕對優先事項。通過太空連接聯合部隊來實現JADC2，可能是我們在未來十年對聯合行動的最大貢獻"（湯普森，n.d）。

諸如此類的觀點反映了這樣一個現實：JADC2的力量完全依賴于整合和協作。無論美國防部在傳感器、處理能力、C2中心或前線資產上投資多少，如果沒有強大的、快速的和有彈性的以空間為中心的通信能力，這些都將不重要。考慮到這一點，美國太空部隊必須準備好保衛在軌傳感器和空間數據傳輸層。保衛在軌傳感器的關鍵因素是 發展一個可生存的JADC2體系，由加固的、擴散的網絡系統（由軍事、商業和聯盟資產組成）組成，跨越多個軌道--LEO、中地球軌道（MEO）、地球同步軌道（GEO）和近月軌道，以增強復原力，使對手同時瞄準和攻擊變得復雜，并提供深度防御（包括快速重組）。強大的太空態勢感知，包括天基ISR平臺--如地球同步太空態勢感知（GSSAP）航天器--用于低地軌道、中地軌道、地球同步軌道和月球軌道，以探測和識別對手的威脅并防止攻擊；以及進攻性和防御性空間武器，以防御和擊敗對JADC2架構和所有領域的空間傳輸層通信線路的主動攻擊。

結論

要想以今天的部隊在所有作戰領域達到戰爭勝利的水平，需要對C2進行改造。創建利用優勢決策周期和信息的C2將使作戰指揮官能夠在未來的戰斗中奪取主動權。擁有信息和決策優勢是實現可信的威懾能力的前提條件。1940年的不列顛戰役就是一個例子，C2系統是出于需要而設計的，以使有限的皇家空軍部隊在正確的時間和地點取得決定性的結果。沙漠風暴行動也同樣是一個成功的故事，技術先進的部隊利用優越的C2系統抵消了數量上的優勢部隊。在當今時代，JADC2是保持美軍主導性作戰態勢的途徑。正如美國空軍司令查爾斯-布朗（Charles Q. Brown）所指出的，"我們在這項工作中一天也不能耽誤。在未來高度競爭的環境中，速度、敏捷性和復原力對決策和戰斗管理至關重要。我們在JADC2中取得的進展將決定我們作為一支聯合部隊的成功"（美國空軍，2022）。為了實現JADC2并釋放它所承諾的作戰優勢，太空領域在收集、融合和迅速向全球范圍內的作戰人員傳輸大量數據方面發揮著重要作用。要做到這一點，必須有一個巨大的軌道資產網絡，該網絡必須具有彈性，并需要在所有領域進行防御

“美國陸軍現代化戰略（AMS）”描述了整個陸軍--正規軍、國民警衛隊、陸軍預備役和陸軍文職人員--如何在2035年前轉變為一支多領域的預備部隊，以履行其作為聯合部隊一部分的持久責任，為美國提供防御并保持其作為全球主導陸地力量的地位。提交給國會的“2018年美國陸軍現代化戰略報告”介紹了陸軍的六個物資現代化優先事項，以使士兵和部隊在部署、戰斗和贏得戰爭時更具殺傷力。2019年的AMS將陸軍的方法擴展到這六個優先事項之外，概述了一個更全面的現代化方法，同時保持優先事項的連續性。2021年的版本更新了AMS，以滿足2020-15號陸軍指令，包括有針對性的現代化維持；情報、監視和偵察（lSR）能力；以及對執行多域作戰至關重要的持久非跨職能團隊能力。現代化是一個持續的過程，需要整個軍隊的協作。因此，雖然本AMS概述了2035年陸軍的最終狀態，但陸軍的現代化仍將持續，因為我們必須繼續測試和完善作戰概念，利用新興技術和組織設計，并預測作戰環境的變化。

陸軍現代化框架

與2018年陸軍戰略嵌套的2021年更新版AMS的主要最終狀態是實現一個現代化的陸軍，準備好作為綜合聯合部隊的一部分進行多域作戰（MDO）。多域作戰概念描述了陸軍將如何支持聯合部隊快速和持續地整合所有領域的戰爭--陸地、海洋、空中、太空和網絡空間--在沖突前的競爭中進行威懾和勝利，并在威懾失敗后進行戰斗和勝利。

為了在2035年之前實現這一最終狀態，陸軍將使作戰方式、作戰對象以及身份現代化。這種方法整合了陸軍內部的條令、組織、訓練、物資、領導人發展和教育、人員、設施和政策（DOTMLPF-P）等要素，并與其他聯合部隊成員以及盟友和合作伙伴一起。如何作戰是概念、條令、組織和訓練的范疇。用什么打仗是以陸軍六大物資現代化優先事項為指導的物資開發和采購。“我們是誰”包括我們的人員、領導者發展、教育和21世紀的人才管理。以同步的方式實現每項工作的現代化，將確保陸軍擁有訓練有素的士兵，組織成有效的作戰編隊，擁有現代化的武器系統和足夠的能力在世界任何地方的任何沖突、任何戰場上取得勝利。這些要素是相互依存的，需要對全球部隊態勢、設施和政策進行相應的更新，以確保陸軍的現代化工作隨著時間的推移與聯合部隊的其他部門保持同步。

陸軍的改革工作減少了官僚主義，并為首要任務重新調整了資金，以實現這些現代化工作。陸軍重新調整了現代化事業的要素，并建立了陸軍未來司令部（AFC）來領導現代化，并為部隊的設計和發展過程帶來統一的工作。跨職能小組（CFT）是陸軍未來司令部的下屬單位，它將需求開發人員與采購專家以及來自測試、后勤、科技和其他團體的代表結合起來，極大地縮短了從確定能力差距到原型測試和作戰試驗的時間跨度。此外，陸軍快速能力和關鍵技術辦公室（RCCTO）具有獨特的授權，可以提供具有剩余作戰能力的快速實驗原型，以支持陸軍現代化的優先事項。陸軍還展示了其為優先現代化工作提供充分資源的承諾。自2018年以來，陸軍已經重新調整了395億美元，以確保為CFT和RCCTO工作提供足夠的資金。現代化事業的調整和資金的優先級，再加上作戰部隊的反饋，是美國執行AMS的手段。

圖1。陸軍現代化戰略框架

戰略環境：信息時代新的大國競爭

美國“2018年國防戰略（NDS）”指出，必須優先考慮與中國和俄羅斯的長期戰略競爭，同時威懾區域對手并保持非正規戰爭的能力。“未來作戰環境2035-2050”描述了沖突不是陸軍需要準備的唯一一種未來競爭。政治、經濟、社會和技術變化將繼續為美國陸軍創造挑戰和機遇，因為其保持著陸地上的優勢。未來的戰爭只會在地理范圍、領域和行為者類型方面擴大，而決策周期和反應時間則會壓縮。

中國是陸軍目前的 "步調一致的威脅"。中國正在迅速實現其武裝力量的現代化，預計將在本十年內超過俄羅斯，成為美國最有能力的威脅。中國是世界上技術研究和發展的領導者之一。中國目前正在進行廣泛的軍事相關技術的研究，包括人工智能（AI）、高超音速、機器人、蜂群、先進材料、生物工程、量子信息科學、空間技術、生物識別技術和其他領域。對中國人民解放軍（PLA）的考察強調了現代化不僅僅是對技術的投資；解放軍正在經歷自成立以來最全面的現代化工作，包括部隊的準備、培訓、教育和組織變革。中國對反介入和區域拒止（A2/AD）能力的關注包括海軍部隊、巡航導彈和彈道導彈，以及在網絡和空間行動方面的強大能力。

俄羅斯在短期內仍然是美國最有能力的核武威脅。俄羅斯軍隊在恢復其發動現代戰爭的能力方面取得了相當大的進展，它已經利用了從克里米亞、烏克蘭東部和敘利亞學到的作戰經驗。俄羅斯已經公布了新的能力，如使用代理人、無人駕駛和機器人系統、精確打擊武器，以及復雜的網絡能力。俄羅斯武裝部隊繼續通過年度國家級和 "突擊"演習提高戰備狀態，并繼續發展持久能力，包括在火炮、火箭和導彈、地面部隊訓練、電子戰以及化學和生物武器方面的廣泛投資。

美國與眾多盟友和伙伴一起面臨這些挑戰。俄羅斯等經常用非軍事的國家權力工具進行競爭，許多國家對他們的修正主義行動越來越關注。陸軍將繼續與長期盟友和伙伴緊密合作，并吸引提供獨特視角和能力的新伙伴。利用外國先進技術和投資資金使陸軍能夠填補關鍵的能力差距并降低總體現代化成本，從而加速現代化工作。聯盟加強了軍事和政治伙伴關系，發出了威懾潛在侵略的力量信號，提高了互操作性和作戰效率，為未來的挑戰定位部隊和能力，并完善了作戰概念和戰術實踐。

假設

這一戰略是基于四個關鍵的假設。其中任何一個假設的變化都可能影響陸軍的現代化戰略方針。

• 陸軍的預算將保持平穩，導致支出能力隨著時間的推移而減少。
• 在執行這一戰略時，對陸軍部隊的需求將繼續增長。
• 研究和開發將及時成熟，在2035年之前對陸軍能力進行重大改進。
• 中國的現代化計劃在能力水平和時間表方面都在加速進行。其他對手的現代化計劃將保持在他們目前估計的軌道上。

戰略方針：保持優先事項和生產動力

AMS支持2018年陸軍戰略中概述的優先事項，該戰略表達了陸軍對現代化的承諾，同時保持對當前行動的準備狀態。陸軍現代化的六個優先事項--遠距離精確射擊、下一代戰車、未來垂直升降、網絡、防空和導彈防御以及士兵殺傷力--保持不變。此外，陸軍將繼續改革其業務流程，從工業時代轉向信息時代的方法，并確保我們有足夠的資金用于陸軍的現代化優先事項。國會、國防工業和國際合作伙伴可以繼續相信，這些優先事項--以及重點工作--保持不變。一個審慎的、同步的方法，使其戰斗方式、戰斗內容以及身份現代化，將使陸軍現在就能實現不可逆轉的勢頭，在2035年之前建立起MDO的準備力量。

現代化是一個持續的過程，需要整個陸軍的協作，而陸軍未來司令部為陸軍的現代化方法帶來了統一的工作。陸軍未來司令部在陸軍部總部（HQDA）的戰略指導下，根據其對未來作戰環境的評估，制定并提供未來的概念、要求和組織設計。AFC與陸軍的現代化利益相關者緊密合作，將這些解決方案整合并同步到整個DOTMLPF-P的作戰部隊中。除AFC外，陸軍現代化企業的主要利益相關者還包括：

• 陸軍部總部（HQDA），提供戰略指導和方向，制定陸軍政策，對資源進行優先排序，并為陸軍制定戰略方向。在所有部隊現代化的時間范圍內，整合和同步陸軍工作和陸軍高級領導人的決策。

• 負責采購、后勤和技術的陸軍助理部長（ASA(ALT)）是物資采購的支持機構，負責向作戰人員提供現代化的工作。

• 陸軍未來司令部（AFC）是支持部隊設計的司令部，包括設計AimPoint以實現2035年的MDO準備部隊，并且是支持部隊發展的司令部，包括發展2028年的WayPoint，由聯合武器中心（CAC）及其下屬的卓越中心（CoE）直接支持。

• 訓練與條令司令部（TRADOC）及其職能卓越中心是條令發展、作戰部隊組織產品的發展、訓練、領導人發展和教育以及獲得和發展人員的領導。

• 陸軍物資司令部（AMC），重組后包括設施管理司令部，將執行設施的現代化--陸軍的力量投射平臺--以滿足訓練、維持、投射和維護未來部隊的要求。作為支持部隊維持和戰略剝離的指揮部，AMC確保持續的現代化工作可以得到支持以實現戰略準備，并通過剝離不再需要的平臺來減輕現代化部隊的負擔。

• 部隊司令部（FORSCOM）作為服務力量的提供者發揮著關鍵作用，它使陸軍能夠測試、試驗和借鑒作戰部隊的見解，同時平衡當前行動和應急的準備要求。

圖2。全面推進現代化建設

如何戰斗

美陸軍將持續更新其條令、組織設計和訓練，以作為一支多領域部隊開展行動。陸軍將繼續驗證MDO概念，并在必要時對其進行完善。陸軍將尋求一切機會，將MDO迅速融入不斷發展的條令中。區域統一戰備和現代化模式（ReARMM）作為同步矩陣，以可預測的、持續的方式將未來的能力納入部隊，平衡當前需求和未來現代化。此外，實驗、兵棋推演和分析的使用將為MDO預備部隊的組織設計、物資解決方案和訓練要求提供信息。各單位將利用新的合成訓練環境能力在原地進行MDO訓練，而重新設計的作戰訓練中心將使各梯隊的單位能夠進行MDO的集體訓練。

多域作戰

像中國和俄羅斯這樣的近鄰競爭者試圖通過在所有領域--陸地、海洋、空中、太空和網絡空間--利用多層對峙來實現他們的目標，在時間、地理和功能上將美國部隊和盟友分開。他們希望剝奪美國投射戰斗力的能力，從而形成事實上的勢力范圍。競爭對手將通過長、中、短程武器系統、常規部隊、綜合防空、電子戰和干擾、網絡攻擊、成群的無人駕駛和自主系統、拒絕基于空間的能力，如偵察、導航和通信，以及一系列政治和信息工具的組合來做到這一點。

為了解決分層對峙的問題，MDO概念描述了作為聯合部隊一部分的戰略部署的軍隊將如何在武裝沖突的門檻下進行競爭，滲透和利用機會窗口來突破敵人的對峙能力，然后以有利的條件回到競爭中。MDO概念定義了多域作戰的三個原則。第一個原則是 "校準的部隊態勢"--將前沿存在、遠征能力和獲得聯合、國家和合作伙伴的能力結合起來。第二個宗旨是使用 "多域編隊"，這些編隊具有在多個領域進行機動和編排效果的能力、能力和耐力。最后一個原則是 "融合"--利用多種形式的攻擊和冗余的分層傳感器到射手網絡，在強有力的任務指揮下，同時和幾乎持續地快速融合來自多個領域的效果。一支具有MDO能力的部隊將使陸軍作為綜合聯合部隊的一部分，擴大民政當局的選擇范圍，包括在武裝沖突之外的有效威懾和競爭，或對試圖永久改變現狀的攻擊作出及時反應。

多域編隊

陸軍必須提供全方位的能力，使聯合部隊指揮官有能力威懾、競爭，并在必要時迅速過渡到武裝沖突。此外，陸軍必須有足夠的遠征能力，以便在需要時提供后續部隊來增援戰區。這些能力被統稱為 "一攬子部隊"。

具有MDO能力的部隊將由現代化的編隊組成，這些編隊處于戰略地位，能夠利用國家級的能力和權力。有能力的MDO部隊將結合網絡化有人和無人平臺、火力、電子戰、網絡、情報、監視、偵察、工兵、維持、通信和保護能力的所有梯隊，從班級到戰區的可定制的編隊。

陸軍將根據對戰略環境的持續評估，逐步建立、使用和完善MDO部隊的能力。這種發展將由持續的作戰測試和分析來推動--例如在歐洲和印度-太平洋地區的多領域特遣部隊的實驗，定期的兵棋推演和實驗，以及對部署和實地的部隊進行快速和反復的能力評估。陸軍將利用從這種實驗中獲得的經驗來完善未來多域編隊的設計。

有針對性的現代化保障

為了部署戰斗和支持戰斗中的部隊，陸軍必須在建立MDO準備部隊的過程中實現維持實踐和能力的現代化。陸軍作為聯合部隊的一部分，擅長全球力量投射--在世界各地傳遞壓倒性戰斗力的能力。這種卓越性取決于一個不斷老化的公路、機場、港口、鐵路樞紐、海上和空中戰略運輸資產以及陸軍預置物資（APS）網絡。陸軍致力于對這個復雜的網絡進行有針對性的現代化改造，以確保力量投送，最大限度地提高地理靈活性，減少援助盟國和合作伙伴的反應時間，并保護國家目標。對于戰斗中的部隊來說，維持能力決定了行動的深度、廣度和持續時間。因此，維持作戰功能的現代化是必要的，以確保行動自由，擴大作戰范圍，并延長士兵和部隊在戰場上的耐力。

為了保持卓越的力量投射并不斷提高部署部隊的維持能力，陸軍尋求利用一些先進技術。傳感器技術、遠程診斷、人工智能、機器學習、機器人技術、量子計算和增強的網絡能力的整合將提供從戰略支持區（SSA）到前沿接觸點的預測和可操作的分析。替代動力推進系統、車輛電氣化、先進的制造、動力管理和電池動力技術，大大減少或消除了化石燃料，將減少專門用于能源再供應的海空戰略提升的程度，并提高機動部隊的耐力和靈活性。半自主的地面補給能力將為分布式行動提供靈活的、反應迅速的和冗余的維持，同時減輕美國陸軍后備部隊和陸軍國民警衛隊的早期進入和高作戰節奏，這些部隊提供了陸軍分布能力的絕大部分。開發能夠減少彈藥體積和重量的物資解決方案將最大限度地提高戰略運載能力，減輕士兵的個人負擔，并減少分配需求，而對革命性推進劑的投資將使彈藥處理和運輸更加安全。

用什么戰斗

美陸軍的六個現代化優先事項將推動MDO能力部隊的物資發展。整體大于部分之和--正是這些能力的組合將使陸軍能夠對抗MDO。

• 遠距離精確火力使多領域部隊能夠穿透并消滅敵人的A2/AD能力，同時確保每個梯隊的軍事優勢。
• 下一代戰車提高了陸軍的火力、速度和生存能力，使他們能夠在戰場上機動到優勢位置，并與機器人車輛配對。
• 未來的垂直升降平臺和技術提高了陸軍飛機的機動性、耐力、殺傷力和生存能力--增加了他們的作戰范圍和對近似競爭對手的有效性。
• 陸軍網絡技術的現代化對于指揮和控制分布在廣闊地形上的部隊、匯聚來自多個領域的效果以及在MDO中保持共同的態勢理解是必要的。
• 我們的競爭對手已經在他們的間接火力和導彈能力上進行了大量投資，這使得我們的防空和導彈防御能力必須進行現代化。新技術將保護地面部隊免受對手的空中威脅，也將保護我們和我們的盟友及合作伙伴的基礎設施免受一系列空中和導彈威脅。
• 最后，士兵殺傷力的現代化努力將提高單個士兵武器的能力，為士兵提供增強的夜視能力，并提高他們快速了解和應對新情況的能力--提高他們的殺傷力、精確度和生存能力。這些努力將與正在進行的士兵績效倡議相輔相成，以改善體能、營養和復原力，確保我們正在實現士兵的現代化，而不僅僅是士兵的裝備。

陸軍未來司令部的CFTs能夠實現現代化的優先事項。CFTs將主要的利益相關者--需求、采購、科學和技術、測試和后勤--聚集在一起，共同開發需求，及時支持MDO。早期的原型設計、測試以及與作戰部隊士兵的接觸有助于確保產生的解決方案是正確的。八個CFTs與陸軍的六個現代化優先事項相一致，另外還有兩個使能領域--保證定位、導航和定時（PNT）以及合成訓練環境（STE）。作為陸軍持續現代化的一個組成部分，CFTs將隨著技術的進步和我們競爭對手的調整而調整。此外，陸軍部隊將需要有針對性地逐步實現關鍵使能項目的現代化，以便為MDO準備好部隊。隨著31個CFT簽名工作的投入使用，一些現有的系統將被升級，以提供補充性的超配能力。

除了31項CFT工作外，RCCTO還領導了四項簽名工作以實現陸軍現代化的優先事項。這些工作包括高超音速技術、中程能力和用于機動-短程防空（M-SHORAD）和間接火力防護能力（IFPC）的定向能源。RCCTO正在對一種陸基長程高超音速武器（LRHW）進行原型設計，以便在23財年之前向士兵提供剩余的作戰能力。RCCTO還在開發一種地面發射的中程能力原型，以便在23財年交付給一個作戰部隊。LRHW和MRC是對陸軍遠程精確火力組合中其他關鍵系統的補充。作為陸軍定向能工作的領導者，RCCTO正在對定向能機動-短程防空（DE M-SHORAD）進行原型設計，這是一種安裝在斯崔克上的50千瓦級高能激光（HEL）武器系統，它將在22財年為機動部隊提供剩余作戰能力。最后，RCCTO還在對間接火力防護能力--高能激光器（IFPC-HEL）進行原型設計，這是一種用于固定和半固定地點防御的300千瓦級激光系統，將在24財年投入使用。

陸軍可能不會在每個系統的第一次演示和實驗中取得成功，但將學習并迅速調整方案和概念。開發必要的技術以實現現代化目標的關鍵是鼓勵陸軍內部的創新文化，并與傳統和非傳統產業、學術界和其他合作伙伴建立新的伙伴關系。將使用適應性的收購方法，利用國會的全部權力，如中間層收購，以加速開發、生產和交付物資能力。還將使用創新的合同工具，如其他交易授權和合作研究與開發協議，以促進創新并鼓勵美國中小企業幫助滿足士兵當前和未來的需求。將對知識產權（IP）采用一種深思熟慮和平衡的方法，這將使客戶更加成熟，能夠獲得來自私營部門的創造性技術，同時仍然保護知識產權。

除了轉變陸軍的采購方式外，還將從根本上改變發展物資能力的方式。先進的制造方法和材料將被納入到系統設計、開發、生產和維持中。在系統的整個生命周期中采用這些先進技術將能夠快速開發下一代武器系統，并保持對近似對手的超強實力。

最后，投資于數字化轉型和陸軍基礎網絡和計算機基礎設施的現代化，對成功至關重要。具體而言，云是整個現代化努力的基礎。陸軍將開發云計算技術，改善數據訪問和共享環境，并簡化軟件開發工具和服務。這些技術投資加在一起，將使陸軍能夠利用新興的機器學習和人工智能技術和應用，比競爭對手更快地理解、可視化、決定和指導。通過利用云，開放架構的信息可以在事業體系和地面士兵之間快速流動。這將使指揮官能夠在信息環境中像在物理領域一樣有效地對抗對手，并在認知空間中獲勝。

圖3。當前的 CFT 和 RCCTO 簽名工作

情報、監視和偵察 (ISR) 能力的現代化

發展未來ISR能力的目標是為指揮官提供對所有作戰領域的態勢認識和了解，通過有針對性地使用CFT的特色工作和持久能力，在競爭、危機和沖突中完成目標。陸軍已經建立了一個ISR任務組，以利用新興技術，推動新能力實地應用需求的發展，并支持情報過程、政策和程序的改革。工作隊將制定ISR框架的要求，利用有機收集系統的最佳組合和從國家、聯合和聯盟伙伴收集器獲取數據，以支持指揮官在多域作戰中的態勢感知和遠程精確瞄準要求。

ISR任務組尋求使ISR的四個層次現代化。地面層形成了對戰術指揮官的地面情報、電子戰和網絡能力的要求。空中層為使用有人和無人駕駛航空平臺的指揮官提供多情報傳感器能力的要求，以擴大范圍。空間層為戰術指揮官提供對當前和新興的天基情報能力的要求。基礎層為情報和行動之間的聯系提出要求，使其他三層的能力與多域行動的要求保持一致。所有四個層次都將包括反情報和安全部分，以幫助保護美國在MDO的優勢。

有針對性地實現持久能力現代化

在2035年之前將陸軍轉變為一支MDO準備就緒的部隊，將不會僅僅通過CFT的簽名工作來實現。為了完成轉型，持久的作戰和機構能力也將成為現代化的目標。所有的能力--CFT標志工作、被確定為對實現MDO準備狀態至關重要的持久能力、CFT關鍵推動因素和關鍵組成部分、與作戰挑戰的擬議解決方案相關的能力和能量，以及持久作戰和機構能力--將競爭資源。投資將基于對業務利益和每個項目的健康狀況（可負擔性、時間表和技術可行性）的評估。

CFT簽名工作的關鍵促成因素包括關鍵部件--改進的發電廠、信息系統、彈藥--和支持設備，如雷達或維持平臺。沒有這些關鍵的推動因素，陸軍將無法向作戰人員提供每一種新能力的全部潛力。

為了在戰區范圍內執行MDO，陸軍正在尋求一系列作戰挑戰的解決方案。這方面的例子包括解決陸軍如何在一個戰區為多個軍團提供指揮和控制，保護部隊從集結區到近距離接觸，在旅級戰斗隊整合電子戰和網絡能力，優化師部對近距離競爭對手的戰區級地面作戰，或準備在未來的作戰環境中作戰和獲勝，其中可能包括化學、生物、輻射、核（CBRN）和工業危害。

陸軍將利用整個國防的投資來保持與不斷變化和新出現的威脅的步伐。這些國防范圍內的工作必須支持科技的適應能力發展；增加對新型或基因工程的病原體的了解；改進預防和治療方法，以減輕化學戰劑/生物/工業化學品的影響；發展能力，減少必須在這些危險區域內行動的士兵數量；保護必須在這些危險區域內行動的士兵。這些行動上的挑戰，除其他外，正在得到資源、重新評估和解決。

此外，持久的機構能力需要有針對性的現代化，以使軍隊從工業時代轉向信息時代的方法。陸軍有機工業基地（AOIB）是更大的國防工業基地的一個子集，必須有能力和能力來維持已投入使用的系統，保持與陸軍現代化努力的步伐，并在戰區范圍內支持MDO。2020年提出了獨特的挑戰，加強了一個有彈性的供應鏈是滿足當前和未來部隊的物資需求的基本需要。陸軍將通過消除工業基地中可能破壞向作戰人員提供資源能力的單點故障，來創造維持的廣度和深度。加快和增加引進新的作戰系統也使得這些能力更容易被對手獲得的信息所破壞，對陸軍安全企業建立越來越大的壓力，以保護關鍵技術，確保在MDO中不被破壞地提供現代化的能力。此外，為了使陸軍保持穩定的持續準備狀態，并根據設備和物資的實時、全球可見性做出明智的決定，陸軍必須投資于數據分析和一個靈活的、有彈性的網絡化物資企業系統。獲得這些工具和技術將使陸軍能夠迅速確定差距、不足和積壓。最后，設施必須有能力支持當前和不斷變化的戰備需求。陸軍繼續尋求改善和保護陸軍設施的方法，以確保力量的投射，并使士兵們能夠專注于他們的作戰任務，并進行有效的訓練。

認識自己

陸軍一直依賴有能力和受過高度訓練的士兵。新興技術和全球安全環境的復雜性，以及MDO概念的復雜性，使得這種依賴性更加強烈。正如2019年陸軍人員戰略中更全面地闡述的那樣，陸軍將更新其領導者發展和教育進程，以增加批判性、創造性和系統性思維，從而使下一代陸軍領導者和作戰人員為MDO的復雜性做好準備。將使用人才管理原則來改造人事系統，以最大限度地提高個人的知識、技能、行為和偏好，幫助士兵和平民充分發揮他們的潛力。此外，將繼續探索更靈活的人才管理方法和機會，確保全軍擁有未來環境所需的人才。最后，新的班組績效模式將使用績效指標來評估現代化工作如何在士兵層面上提高殺傷力。

陸軍將始終作為聯合部隊的一員與盟友和伙伴一起作戰。伙伴關系是大國競爭的關鍵，盟友和伙伴給了一個重要的不對稱優勢。了解到準備共同作戰，并且在需要時愿意這樣做，是對潛在對手的強大威懾。

作為現代化工作的一部分，將尋求機會與盟友和伙伴一起發展概念和能力。不僅將加強技術上的互操作性，而且還將加強人力和程序上的互操作性，以確保能夠作為一個團隊作戰。將利用演習、培訓機會和領導人交流來加強這種互操作性，并完善作為聯合和聯盟部隊的MDO方法。

支撐性工作

到2022年，陸軍將確定它為MDO所需要的校準的部隊態勢--前沿存在、遠征能力和獲得國家級資產的組合。戰略部隊態勢將伴隨著授權和同步進行MDO所需的那些權力。

陸軍還將使其設施和設備現代化，以支持實現MDO的新技術和物資，并將開發更高效、有效和有彈性的系統，以支持如何從SSA動員、保護、預測和維持遠征部隊。陸軍預置物資相互支持現代化和遠征能力，為MDO提供戰略靈活性。此外，設施和有機工業基地將實現現代化，以支持沖突中的準備、動員和增援要求，并支持由CFTs和RCCTO開發的設備，并將其投入到整個軍隊中。

此外，MDO要求對現有的政策和權力進行持續的重新評估，涉及三個廣泛的領域：準入、監督和就業。陸軍部隊需要進入軍事和民用網絡，以便在競爭和武裝沖突中進行監視、欺騙和保護行動。如果競爭升級為武裝沖突，陸軍部隊必須有能力迅速使用電子攻擊、進攻性網絡空間和空間以及致命打擊等能力。

最后，陸軍以發現、創新和轉型的原則為基礎，開展相關的變革性研究，以提供科學技術（S&T）解決方案。陸軍科技部門保持對基礎和應用研究的重點投資。陸軍將執行一項投資戰略，提供基礎知識和技術，解決部隊現代化的要素。為了支持這一努力，陸軍正在使其研究中心和實驗室與優先的現代化工作保持一致，并制定外部合作協議。例如，AFC與德克薩斯A&M大學簽訂了高超音速技術的合作協議，與德克薩斯大學奧斯汀分校簽訂了機器人技術的合作協議，與卡耐基梅隆大學簽訂了人工智能的合作協議。陸軍科技部門將繼續通過基于威脅、概念驅動和能力告知的工作，大力強調中期和遠期能力。

圖4。陸軍優先研究領域

提供資源

陸軍調整了其預算編制過程，并在過去三年中重新調整了395億美元，以資助六個物質現代化優先事項、新組織、培訓升級、設施改進和其他相關的現代化工作。這是一個重要的開端，但隨著系統進入低速率的初始生產和隨后的采購，在保持戰備狀態的同時，現代化的成本只會增加。陸軍必須繼續通過改革舉措尋求節約，以確保有可用的資源來開發和擴展系統。例如，陸軍將在商業案例分析的基礎上，采取審慎的方法將裝備過渡到維持狀態。這需要評估能力需求、采購計劃和現有系統，以確定最經濟的維持方法。在許多情況下，這將導致放棄對遺留系統的額外增量升級。陸軍還將剝離部分遺留項目以支持現代化的優先事項。

邁向MDO準備部隊:2035年及以后的時間框架

多域作戰將從根本上改變軍隊。實施新的編隊和能力將發生在三個變革時期。這些時期的目的是使陸軍現代化的年度重新評估制度化，使知情決策成為可能，并將部隊設計活動--通常集中在未來的5-15年，以設計解決未來作戰環境及其預期威脅的作戰和功能概念--與部隊發展活動--通常集中在未來的2-7年，以使概念成熟為綜合部隊。持續的靈活性、實驗、學習和調整將確保陸軍在2035年部署MDO預備役部隊，并在幾十年后繼續實現新興的概念里程碑。

現在到2028年

隨著陸軍對第一批解決方案的測試和投入使用，這一時期已經呈現出快速變化。在此期間，陸軍將開始實戰化的CFT和RCCTO簽名工作，并向2028年的第一個WayPoint，即MDO能力部隊邁進。通過概念測試、實驗和分析來驗證和完善MDO概念的要素，這個WayPoint將提供部隊發展的基礎，陸軍將調整編隊以納入執行MDO所需的現代化裝備，并在2035年之前實現MDO準備就緒的部隊。陸軍還將轉變其訓練模式，以融合復雜的現場、虛擬和合成環境，同時改造現有的訓練中心，為旅以上的梯隊模擬多域環境。由作戰人員在實際測試和實驗中展示的MDO最佳實踐將繼續被納入條令。

2029年到2034年

在此期間，陸軍將以MDO能力為基礎，向其最初的目標點，即2035年的MDO準備部隊邁進。陸軍將在整個陸軍編隊中擴大CFT簽名工作的范圍，包括數量以及戰術、作戰和戰區/戰略梯隊。在2035-2050年未來作戰環境的指導下，陸軍將繼續開發、測試和完善整合新技術的作戰方法。

2035年及以后

隨著新的破壞性技術的采用和其他大國軍事能力的增強，這一時期可能會給戰爭的特點帶來廣泛的變化。AimPoint 2035概念旨在回答陸軍作為全球部署的聯合部隊和聯盟部隊的一部分，將如何利用新興技術和戰術在武裝沖突期間對同行的對手使用陸軍，而這種環境的特點是有爭議的領域、快速機器化決策和人機協作。即使是現在，陸軍也在發展這個未來的、作戰層面的概念的核心，以解釋陸軍如何作戰，用什么裝備，以及如何組織起來進行威懾，在沖突的門檻下競爭，并向危機過渡。隨著作戰環境和戰爭特點的不斷演變，陸軍將確定它必須應對的挑戰和它應該追求的下一個機會。以這些新出現的挑戰和機會為導向的連續作戰概念，將對陸軍的持續現代化進行反復的重新評估，并為未來的陸軍領導人提供慎重的決策點。

風險

在過去的幾十年里，由于專注于發展對抗叛亂和恐怖威脅的能力，美國對保持大國競爭陸地優勢的能力方面積累了大量的戰略風險。2021年更新的AMS建立在陸軍最近的工作之上，通過保持明確的現代化優先事項，并做出困難但必要的選擇，以確保為優先的物資解決方案提供足夠的資金來減少這種風險。雖然AMS減輕了這些風險，但它也引入了其他風險，陸軍領導人將積極減輕這些風險。

• 戰備。隨著資源被優先用于現代化工作，戰備風險也隨之增加。陸軍別無選擇，只能同時進行--保持準備狀態和現代化。增加用于支持現代化的項目開發的資源可能會對可用于近期需求的資源造成壓力。
• 能力。當在相對較短的時間內，以相對較大的數量，將遺留系統過渡到維持狀態并引入新的作戰系統時，能力風險就會增加。這些過渡將給陸軍的后勤系統帶來壓力。它們也會給訓練事業帶來壓力，因為它必須支持陸軍生成和作戰部隊的新訓練要求。如果現代化的舉措被推遲或受到影響，能力風險也會增加。支持MDO的組織和物資舉措被設計為相互依賴，一個領域的變化或延遲可能會影響DOTMLPF-P工作的整體同步。
• 基礎設施。如果陸軍不能隨著新武器系統和編隊的發展而實現設施的現代化，那么基礎設施的風險就會增加。這些過渡可能會給設施帶來計劃外的基礎設施需求的壓力，這可能會使實戰化的時間表面臨風險。現代化的設施為充分利用新技術提供了配套的基礎設施。陸軍將計劃對維修設施、汽車庫、網絡基礎設施、行政設施、住房、營房、安全設施、訓練設施、靶場、機動用地和空域以及公用設施進行升級和改變，以跟上其他現代化工作的步伐，并減輕這種風險。
• 預算。如果供資決定被推遲，預算風險就會增加，這就會危及工業界對已確定的項目和競爭的早期承諾，并需要陸軍預算的額外資金。在科技進步和DOTMLPF-P活動之間存在權衡，直到有技術可以實現MDO的所需能力。沿著DOTMLPF-P的所有元素的解決方案必須減輕物資的短缺，以便在2035年之前產生一支準備好的MDO部隊。

結論

陸軍正在轉型，2021年更新的陸軍現代化戰略為陸軍現代化奠定了基礎--將如何發展一支為多域作戰做好準備的部隊，以及將如何設定條件以保持陸軍的持續現代化。陸軍將利用《年度現代化指南》同步進行現代化工作，該指南將作為《陸軍規劃指南》的附件發布。這一戰略的成功實施需要全軍的工作，總部發展局和每個陸軍司令部在與聯合部隊、國會、盟友和合作伙伴、工業界、學術界和其他合作伙伴的密切協調下發揮關鍵作用。如果有效地、高效地、堅持不懈地進行現代化建設，陸軍就能盡其所能，確保我們在國家需要時做好競爭、威懾、戰斗和勝利的準備。

澳大利亞陸軍“加速戰爭”未來聲明描述了即將到來的作戰挑戰，包括快速發展的技術、跨作戰領域的沖突蔓延、適應人口變化的訓練需求、壓縮戰略預警時間的“規模”要求，以及網絡對于決策優勢的日益重要性。陸軍已經通過購買諸如埃爾比特戰斗管理系統來應對最后一個挑戰，該系統由戰術通信網絡來傳輸數據。未來的系統將需要做得更多，以應對2035年的挑戰。理想的情況是，人類的決策可以通過一個人工智能的戰斗管理應用程序來增強，該應用程序使用起來很直觀，可滿足澳大利亞越來越多的“數字原生代”人員需要。未來的通信網絡將需要通過欺騙對手、自我防衛和保持替代鏈接來應對新出現的電子戰和網絡威脅。支持要素將需要使聯合陸軍的規模在幾乎沒有戰略預警的情況下得到擴大，迅速傳授給受訓人員，對新出現的威脅做出反應。這個理想系統的可行性取決于軍隊對威脅的認識和對自主系統的信任。如果這些被證明無法實現，陸軍和聯合陸地軍力將需要準備以“決策彈性”而不是“決策優勢”來進行戰爭。

目 錄

1 引言
2 澳陸軍2035及以后的戰場指揮系統
3 未來的戰斗管理軟件應用
4 作戰網絡——多域作戰能力同步的關鍵
5 未來戰場指揮的支撐系統
6 決策優勢還是決策彈性?
7 結論

?

1 引言

奧森斯·科特·卡德1977年創作的科幻小說《安德的游戲》描述了這樣一個未來世界：人類派遣一支戰艦艦隊穿越太空，與一個外星對手作戰，以回應對方的入侵行為。這場沖突有幾個突出的特點，決定了地球軍事力量的反應。地球面對的是一個擁有蜂巢式思維的昆蟲類對手，具有快速決策和高作戰節奏能力；在面對這樣一個敵人時，要實現決策優勢，需要應對一些獨特的挑戰。被招募參加戰斗的人類人員是年輕的公民，他們在數字技術的熏陶下長大，習慣于玩電子游戲。為了實現他們的潛力，年輕的指揮候選人使用一系列游戲化的沉浸式模擬訓練，其用戶界面與戰斗中使用的指揮和控制系統相同。該系統通過照顧后勤、情報、監視、偵察和通信功能作為背景功能，簡化了戰斗中的指揮；指揮和控制應用的非戰斗方面對用戶完全不透明。這使得地球的部隊能夠比其對手更快地進行訓練和動員，這是必要的，因為人類預計在隨后的星際入侵人類家園之前，戰略預警時間很短。戰斗部隊從離家很近的基地遠程指揮，跨越空間地理距離，并由具有能力和彈性的通信網絡支持，以實現近乎實時的指揮、控制、態勢感知和跨越光年空間的協作能力。

盡管這部小說旨在描述一個與我們自己的世界格格不入的世界，但在2019年，澳大利亞陸軍發現自己所處的作戰環境與澳大利亞陸軍“加速戰爭”的未來聲明中描述的有些相似。陸軍的潛在勞動力受到人口和社會變化的影響，需要考慮新的培訓和教育模式。快速發展的技術，如人工智能和自主系統，為能夠最有效地應用它們的行為者或民族國家提供了潛在的好處。縮短戰略預警時間要求軍隊能夠迅速“擴展”，以應對需要更多陸地部隊的緊急情況。在這種情況下，網絡將日益成為通過提供融合的、綜合的和有保證的信息來實現和保持決策優勢的一個基本戰場工具。應對這最后一項挑戰的可能解決方案要求陸軍，作為聯合陸地軍力的核心，努力通過快速和準確的信息收集、處理和傳播來實現和保持決策優勢，直到2035年及以后。

約翰·博伊德描述了戰術決策和行動的循環；他聲稱，誰能更快速度完成這個“觀察、定位、決定和行動”循環，誰就有明顯的優勢。 近年來，澳大利亞國防部一直試圖通過使用數字指揮和控制系統來實現這種決策優勢，如埃爾比特戰斗管理系統，該系統由決策支持應用程序和支持性通信網絡組成。 這些戰場指揮系統通常由三個要素組成。一個戰斗管理軟件應用，如目前在役的埃爾比特能力，用電子手段取代或補充語音和紙質系統，快速傳播圖形和文字的指揮和控制、態勢感知和目標信息。第二個要素是戰術通信網絡，它使用無線電和其他承載器在用戶之間傳輸應用數據和語音服務。第三個要素是支持部分，它由訓練、維修、供應和其他保持戰場指揮系統運行所需的功能組成。目前，競爭對手正在以一種可能很快使澳大利亞及其傳統合作伙伴處于相對劣勢的速度發展其指揮和控制能力。 因此，僅僅傳達人類所做決定的指揮和控制系統不太可能產生足夠的節奏來實現和保持相對于未來潛在對手的決策優勢。陸軍2035年及以后的指揮和控制系統可能需要利用快速發展的技術，如人工智能來管理大型數據流，以協助人類做出更好、更快的決策，同時在沒有人類干預的情況下做出低級決策。

2 澳陸軍2035及以后的戰場指揮系統

2035年及以后的未來戰場指揮系統將需要增強而不僅僅是支持決策，以確保澳大利亞陸軍在加速戰爭挑戰的背景下擁有決策優勢，具體方式有三。

首先，決策必須得到認知型戰斗管理軟件的支持，該軟件能夠為戰術指揮官完成盡可能多的自動化任務，同時只需最低限度的培訓即可操作。它將需要能夠為指揮官推薦或做出低級決策，以減少個人的認知負荷，并加速更好、更快和更安全的決策。這將不需要人類水平的人工智能來推薦常規任務，如戰斗后的燃料和彈藥補充；然而，由于法律和道德原因，在可預見的未來，應用致命武力的決定可能仍由人類來做。強化的戰場指揮系統將迎合澳大利亞不斷變化的人口結構和越來越多的潛在新兵，他們將在數字技術中成長；簡化的用戶操作將使士兵能夠快速接受技術培訓。

其次，對手必須不能通過拒絕或破壞戰術通信網絡的使用來完全否定陸軍的決策。該應用需要一個半自主的安全和有彈性的通信網絡，以最小的人為干預在用戶之間傳輸戰斗空間的數據。這個網絡將需要通過欺騙對手和防御電子或網絡攻擊來應對快速出現的技術威脅。由于該地區的地理環境，它還將需要在多個作戰領域內進行長距離的延伸。

第三，戰場指揮系統需要能夠支撐陸軍的決策優勢，因為軍隊需要在幾乎沒有戰略預警的情況下擴大規模，以應對大規模沖突。因此，支撐能力也需要確保未來的系統能夠快速制造，迅速適應新出現的威脅，并迅速傳授給受訓者。此外，培訓和制造能力必須得到信任，因為將有大量的責任下放給指揮系統。

面對“加速戰爭”所闡述的挑戰，陸軍2035年及以后的戰場指揮系統必須做的不僅僅是支持指揮；它必須增強和加速指揮。然而，這一理想系統的可行性必須在澳大利亞陸軍目前面臨的挑戰背景下進行仔細審查，如信任自主系統和了解新興威脅。如果這些被證明是無法克服的，那么陸軍和聯合陸地軍力將需要準備以 "決策彈性 "而不是“決策優勢”來進行戰爭。

3 未來的戰斗管理軟件應用

未來的戰斗管理軟件應用應該增強指揮官獲得態勢感知、做出決策和指揮能力。目前全球范圍內的戰斗管理系統應用，如埃爾比特公司的產品，是為了使態勢感知、后勤、指揮、控制和目標信息以圖形方式呈現在電子屏幕上。雖然這些系統與基于紙張和語音的信息呈現和命令傳遞方法相比是先進的，但它們在很大程度上仍依賴于人類在各個層次上做出決策，起草命令，規劃和執行任務。人機協作有可能通過在更短的時間內對大量數據進行整理，協助人類做出更好、更快的決策。隨著2035年的到來，戰術指揮官可以獲得更多的海量數據，這將變得越來越重要。理想情況下，未來的戰斗管理應用軟件將能夠增強指揮官快速做出和執行決策的能力，盡可能直觀地使用，并允許未來的新兵在最低限度的培訓中熟練使用。這將減少培訓的準備時間，并協助陸軍迅速擴大規模的能力。

陸軍未來的戰斗管理系統應該增強指揮官的先天能力。由于多領域環境下聯合武器作戰的復雜性，今天的戰術指揮官往往有大量的工參謀人員來分析不斷增加的數據，然后用它來進行詳細規劃。諸如拉斐爾公司經過實地測試的“火織者”系統的更高級版本，能夠代替指揮官提出建議或作出決策，以及輔助指揮官機動規劃，可以減輕對這種大型總部的需要，從而減少人員需求。

一個直觀使用的應用程序可能會降低用戶所需的認知負荷，促進更短和更簡單的培訓，從而使更多的戰術指揮官能夠更快地獲得資格。目前，軍官們在多個課程中接受了廣泛的培訓，涵蓋了作為現場指揮官的許多方面，包括機動、情報、監視和偵察以及后勤。這些知識隨后被發展成技能，并在大量的演習和行動中得到保持。在國家快速動員的情況下，新的指揮官可能沒有機會在部署行動之前接受這套全面的培訓。一個利用人工智能、自動化和機器學習來預測、推薦和執行快速招募指揮官的支持軟件可能會抵消潛在的經驗和技能差距。例如，雖然許多年輕的澳大利亞人可能足夠熟悉數字技術，可以玩 "實時戰略 "游戲，如《命令與征服》，他們在游戲中向他們的部隊發布命令，然后通過簡單的點擊用戶界面執行他們收到的任務，但游戲玩家很少被要求考慮和規劃后勤、通信網絡、人員輪換或其他關鍵的支持任務。理想的情況是，一個數字軟件應用程序允許用手指輕輕一劃就能指揮，它能解釋戰術指揮官的機動計劃，自主提示情報、監視、偵察、恢復、修理、通信和醫療資產，并向指揮官提出計劃供其批準和執行，這將使一個相當沒有經驗的軍官接受培訓，掌握超過今天環境中可預期的能力。

戰斗管理應用軟件應滿足陸軍未來勞動力的人口統計，這可能會在2035年及以后發生變化。“數字原生代”將在軍隊招募的人員中占越來越大的比例。他們可以被定義為沉浸在數字技術中長大的人；他們可能更容易通過有效利用現代數字手段的方法進行培訓和教育。因此，未來需要陸軍迅速增加其勞動力規模的必要戰爭，可能需要依靠通信系統，通過數字方法進行簡單而快速的培訓。軍隊在未來可能招募的人群正逐漸習慣于在個人生活中使用數字手段進行交流。寧愿發送短信或社交媒體信息也不愿打電話或寫信的潛在候選人比例正在增加。到2035年，如果新兵訓練的系統與他們入伍前接觸的技術相似，軍隊應該更好地滿足新兵的學習風格。如果陸軍的系統被數字化，在短時間內培訓大量的未來戰術指揮官可能會更容易。

盡管澳大利亞年輕人更有可能熟悉技術，但這并不一定意味著他們會憑直覺熟練地使用今天戰場指揮系統中的特定技術類型。只提供支持決策優勢所需功能水平的簡單系統可能會通過簡化和縮短操作未來數字指揮系統所需的培訓，為軍隊提供更多的能力。在第二次世界大戰期間，日本帝國海軍按照標準訓練其飛行員，這意味著他們比任何競爭對手都更有技能。然而，這意味著培訓時間很長，因此，他們無法實現所需的勞動力產出規模，以匹配盟軍飛機的數量。如果人員不能熟悉他們將使用該系統的戰術任務和作戰功能，那么將不可能縮短他們合格使用該系統的時間。

從概念上講，這種應用的戰術使用可以如下說明。在預計行動的準備和重組階段，戰斗管理系統解釋指揮官的計劃，并向半自主的戰斗支持系統發出機器對人和機器對機器的綜合警告命令。士兵們被告知他們必須準備好滿足估計的增援需求，一群后勤機器人可以開始放置貯藏室，向前定位彈藥和維修資產，并在戰斗中擺出補給作戰部隊的姿勢。情報、監視和偵察資產以及警衛部隊被預先部署，以確保指揮官不會被敵人的反擊嚇到。一個聯合效應系統，如雷神公司的先進野戰炮兵戰術數據系統（AFATDS）的更先進版本，會生成一個計劃草案供人類批準，以支持機動計劃的動能和非動能效應組合，如遠程火力、空中和導彈防御，以及網絡和電子攻擊。在需要儲備、設備甚至防御結構的地方，現場的自主增材制造設施可以隨時待命，按需生產預期的物資。這種支持規劃可以迅速完成，只有在批準致命武力時才需要人的干預；機器對機器的非致命任務命令促使陸軍能夠比非自動化的對手更快地決定、重新定位和采取行動。

一個易于使用的戰斗管理系統，可以增強或取代總部參謀人員所需的支持功能，使指揮官的演習計劃得以實現，這將使同樣數量的被招募的“數字原生代”能夠填補一個需要迅速擴大規模的軍隊。然而，關于這樣一個理想的系統是否有可能被開發出來，甚至遠至2035年，還有許多問題。軍隊需要充分解決軟件集成、技術可行性和倫理可接受性等問題，這些問題將影響任何人工智能系統的可雇傭性。此外，如果沒有一個有彈性、有保障的網絡支持，在戰場上的用戶之間傳輸這些信息，那么應用數據將毫無用處。

4 作戰網絡——多域作戰能力同步的關鍵

陸軍網絡是在多個作戰領域同步作戰能力的關鍵；它們是戰斗管理系統在傳感器、用戶和武器系統之間傳輸應用數據的承載物。在未來，電磁波譜的使用將受到網絡和電子戰的爭奪，這些網絡必須能夠通過比敵人更快的行動和反應生存下去。先進的網絡有可能通過以下方式實現這一目標：在友軍的位置、目的和意圖方面自主欺騙敵人；在受到攻擊時自動防御；以及在最小的人為干預下重新建立連接。此外，該系統應確保澳大利亞地區和作戰環境中的用戶能夠訪問陸軍的數據；它將需要在沿海和城市環境中遠程運行，跨越多個作戰領域，包括陸地、空中、海上、網絡和空間。

科幻電影《獨立日》描述了外星入侵者，雖然擁有技術先進的武器和車輛，但卻嚴重依賴一個通信網絡，該網絡缺乏足夠的冗余，因為它安裝在一個母艦上。此外，該網絡的樞紐由于其特征而很容易被發現，并且沒有足夠的防御機制。任何希望實現網絡化部隊潛力的軍隊，都應該致力于設計一個能在敵人的攻擊下生存的系統，以免它成為一個致命的弱點。澳大利亞的潛在競爭對手正在通過大規模演習繼續提高、更新和訓練電子戰部隊，以改善未來面對現代沖突的準備，從而提高他們破壞、降低和拒絕網絡的能力。澳大利亞潛在對手的電子戰能力有效性最近已經在戰斗中得到了證明；在2035年，可以預計友軍網絡在面對更先進的攻擊時將需要有生存能力。

維持通信的一種方法是通過欺騙對手來避免友軍網絡的退化或中斷。現代電子戰的先進狀態意味著隱藏友軍的電磁信號實際上是不可能的，除非不采用任何電子設備或通信。由于在作戰行動中避免被發現變得更加困難，欺騙可能更有益于通過產生虛假或誤導性的電磁輻射來實現--這是現代版本的模仿性通信欺騙，即友軍模仿敵人的通信來實施欺騙。自動網絡管理系統可以用來欺騙對手，使其了解正在傳輸的數據特點、位置和數量，從而掩蓋指揮官的意圖和主要工作。生成式對抗網絡有可能被用來生成看起來像其他事物的信號，如低價值的目標、對手的發射器或多個平臺。雖然在戰爭中使用誘餌并不是什么新鮮事，但彭騰（Penten）公司無線人工智能誘餌（WAID）系統的高級版本與國防科技集團（Defence Science and Technology Group）的自組織通信和自主交付服務（SCADS）項目相結合，有可能實現欺騙而不將更多士兵置于危險之中。即使自主網絡管理系統能夠在作戰區域內進行部署、實施規模性和多類型欺騙，但其效果也可能只是暫時的；還必須考慮網絡一旦被發現，如何保衛它。

一旦受到攻擊，如果一個網絡能夠充分和迅速地自我防御，它仍然能夠保持連接。美國國防高級研究計劃局（DARPA）的行為學習適應性電子戰（BLADE）和美國陸軍快速能力辦公室的認知電子戰競賽（其中澳大利亞團隊獲得第二名），已經探討了使用認知電子戰進行電子攻擊和防御。這些項目研究了使用人工智能通過軟件定義無線電和分析工具以機器速度執行電子戰；下一個邏輯步驟是將該功能擴展到物理領域。然后，一個自主的網絡化蜂群可以通過先發制人地定位發射器和范圍擴展節點來主動防御，以減輕預期的通信衰減。它還可以從另一個能力系統（如精確遠程火力）或從蜂群本身的一個多功能平臺上提示對敵方干擾器和攔截站的動能攻擊行動。這不僅會增加難度，也會增加對手定位陸軍未來網絡時的潛在危險。然而，如果網絡的一部分退化了，就需要有多條路徑，數據可以沿著這些路徑在用戶之間傳輸，以便保持連接。

在未來的通信網絡受到攻擊后，理想情況下，它應該在很少的人為干預下重新建立服務。以前，網絡冗余是通過使用替代發射器，如無線電轉播分隊、衛星和電纜，以及使用網狀網絡來建立的。這些通常都是由人類控制的，因此可能無法對2035年的陸軍對手做出足夠的反應。由澳國防科技集團OPAL自愈通信網絡概念啟用的 "智能和自主 "網絡可能只需要最小的人力投入，通過控制部署無人通信節點來糾正網絡問題，重新建立連接。這可能會加快網絡修復的速度，并允許人類遠離危險，或受雇于只有人類才能完成的任務。

澳大利亞的地理環境要求任何旨在傳輸陸軍數據的網絡必須在遠距離、復雜的城市地形和跨作戰領域進行。與涉及有人轉發車輛或站點的傳統網格化和范圍擴展方法不同，自動網絡管理系統加上無人的自主發射器和接收器群，提供了覆蓋大面積和高密度冗余的能力，而不需要大幅增加特遣隊內的人員或車輛數量。一個 "虛擬蜂群"，或網絡領域內與空中、陸地和海洋領域物理節點協同行動的一組智能體，可能有能力通過使用現有的基礎設施，如移動電話塔、公共Wi-Fi熱點和其他發射器，在城市環境中提供連接。

一個支持2035年聯合陸地軍力通信要求的理想網絡，能夠自主地欺騙對手，以及自我防御和自我治愈，將有許多好處。網絡內一些節點的無人性質會降低人的生命風險，同時超越敵人的攻擊能力。然而，如果沒有一個能夠應對壓縮戰略預警的支持系統，在其中迅速增加設備供應規模，可以適應技術威脅的新發展并培訓用戶，那么這個令人向往的網絡就不可能實現決策的彈性，更不用說決策的優勢。

5 未來戰場指揮的支撐系統

支撐未來戰場指揮的技術系統也應適應“加速戰爭”的挑戰。對這一點至關重要的兩個基本投入是培訓和工業。如果沒有安全和迅速地制造和改造技術的能力，以及對操作人員使用技術的資格認證，陸軍網絡可能無法在戰略預警時間縮短的情況下迅速實現更大范圍的決策優勢。

陸軍可能需要迅速地大幅擴大規模，以便在未來打一場必要的戰爭；為了支持這一點，部分部隊將需要接受培訓，以操作戰斗管理應用軟件以及支持通信網絡。如果要在很少的預警時間下實現快速的大規模動員，對這些人進行技術培訓的框架也需要具備快速擴展能力。這一要求可能會使現有的通信培訓機構不堪重負，因為它們依賴于冗長、復雜的資格認證課程和集中培訓模式，要求受訓者在遠離其所屬單位的地方參加課程。目前的培訓機構設施是基于維持現有部隊的定向培訓需求，因此只有教室、培訓設備、教員和相應數量的受訓人員住宿。未來戰場指揮系統的獲取方式應該是，通過與工業界和學術界合作，以分布式的方式提供非軍事特定技術和理論部分。通過在部隊駐地提供最大數量的培訓，使用非軍事人員、設施和住宿將不再是一個限制因素。與技術和繼續教育（TAFE）機構、大學和工業界的合作將允許更多的國家資源被用于快速增加陸軍的規模，同時允許軍警教官專注于訓練士兵在行動中使用技術。然而，如果設備補給依賴于脆弱的海上和空中交通線，在沖突期間可能成為對手的目標，那么能夠在短時間內使眾多受訓者獲得資格的價值將被削弱。

由于陸軍網絡將繼續對聯合陸地軍力起到關鍵作用，將傳感器、用戶和武器連接到多個作戰領域，因此應將其視為工業能力的優先事項。因此，澳大利亞應該具備能力，獲得或控制支撐這種能力的技能、技術和基礎設施。澳大利亞政府已經表明，打算最大限度地利用澳大利亞國防工業，作為管理戰略風險和增加澳大利亞戰略力量的手段。在澳大利亞境內制造和改造技術和產品的能力，意味著陸軍能夠迅速調整其戰場指揮系統，以應對新出現的威脅，如潛在敵人可能采用的電子戰能力的未預期發展。此外，在不依賴漫長的海外供應鏈的情況下，制造替換部件或更多設備的能力提供了一定程度的保證，即無論海上控制權或空中優勢如何，都能獲得通信儲備。陸軍機器人和自主系統戰略強調，澳大利亞聯邦對其使用的系統行為負責，特別是在涉及到自主性和人工智能的情況下。這同樣適用于代表人類指揮官作出或建議作出決策的戰場指揮系統。這一責任可以部分通過主權擔保的供應鏈來實現。2015年的虛構小說《幽靈艦隊》描述了這樣一種情況：一個對手通過破壞美國軍隊的供應鏈和制造的完整性，破壞了美國軍隊的技術優勢。它允許敵人將網絡漏洞引入飛機和船只，使其可被檢測到并觸發故障。補救措施是在主要平臺上加裝自主開發的電子部件。澳大利亞應尋求避免類似的困境，但自力更生也有其他間接的好處。例如，國家造船工作為澳大利亞技術教育、培訓、工業投資和服役的發展奠定了基礎。

6 決策優勢還是決策彈性?

必須在澳大利亞陸軍目前面臨的挑戰背景下，仔細研究這一指揮系統的可行性及其使陸軍在未來15年內實現對其敵手的決策優勢潛力。如果澳國防部、政府和公眾不相信自主系統可以在戰斗中作出或建議作出決策，那么，盡管潛在的對手可能會這樣做，但不會允許陸軍獲得和運用這些能力。雖然軍隊致力于了解未來對手可能帶來的潛在威脅，但如果陸軍沒有正確預測并準備好對其通信網絡的惡意攻擊，傳感器、指揮官和武器系統將可能無法在彼此間無縫傳遞信息。面對一個擁有更好的連通性并能更快做出決策的敵人，各級指揮官可能需要依靠值得信賴的指揮和控制方法，如任務指揮、技術含量較低的通信方案——高頻（HF）通信等，以及精心排練的戰術、技術和程序。陸軍和聯合陸地軍力可能需要準備以 "決策彈性 "而不是 "決策優勢 "來進行戰爭。

7 結論

在“加速戰爭”的作戰環境下，陸軍2035年及以后的戰場指揮系統將需要超越決策支持工具和圖形顯示工具的能力，以實現和保持決策優勢。認知型戰斗管理系統軟件應用必須為指揮官自動化、推薦和執行盡可能多的任務，并需要最小的培訓和人為干預。這樣做將解決澳大利亞不斷變化的人口結構，為快速擴大規模和動員做準備。戰斗管理應用軟件需要一個半自主安全和有彈性的通信網絡，以在戰斗空間中傳輸數據。它必須通過自主欺騙對手來應對快速出現的技術威脅，并進行自我防御和修復。它還必須確保在遠距離、城市和復雜的地形中，在幾乎沒有人為干預的情況下到達所需的用戶。整個系統必須能夠快速擴展、適應和訓練。為了應對“加速戰爭”的挑戰，陸軍2035年及以后的戰場指揮系統必須不僅僅是一個數字管理系統；它必須加速指揮。

受英國Dstl的委托，這項研究旨在調查關于元宇宙的起源和最新想法，從而創建一個 "軍事元宇宙作戰方案"。CONOPS（行動概念）描述了建立在元宇宙技術、標準和方法基礎上的未來國防建模與仿真（M&S）生態系統，以及好處、用例和要采取的行動。它為國防提供了一個統一的愿景，通過綜合企業方法實現M&S的全部潛力，以支持包括訓練和行動在內的所有國防活動。研究發現，盡管對元宇宙的描述各不相同，但它可以被視為國防所關注的許多技術的總稱，而正是這些技術的整合和融合正在推動元宇宙的發展，反映了計算本身的演變，即從主要是2D到3D互動和存在。元空間技術的發展將主要在國防之外進行，但軍事元空間的關鍵要素包括無處不在的網絡和計算、泛企業對可驗證的M&S數據的訪問，以及對開放式元空間標準的利用。CONOPS方法提供了一個有用的工具，用于溝通為什么以及如何將技術結合起來以獲得國防利益，為M&S政策和M&S研究計劃的未來方向提供信息。

1 引言

1.1 研究背景與路徑

這項研究是為了支持Dstl的轉型培訓、教育和準備（TTEP）研究活動而委托進行的，旨在為Dstl提供信息，以獲得競爭優勢，支持與培訓、教育和準備有關的科學和技術（S&T）活動。它是由Vedette建議的，作為2021年8月模擬和合成環境創新呼吁的一部分，以解決兩個問題：元宇宙對國防意味著什么，通過建立元宇宙技術和方法，是否可以開發一個CONOPS，為英國國防的M&S方法提供一個統一的愿景？這項研究的主要目的是為英國防部為什么以及如何積極探索和討論元宇宙的發展并尋求利用外部驅動的創新的機會提供思考和指導。該研究從2021年12月中旬開始，到2022年2月中旬結束，其成果是 "2035年軍事元宇宙作戰概念 "以及一份輔助報告和演示。本文在該研究的基礎上，納入了該研究的主要元宇宙發展成果。

在研究結構方面，第一階段調查了 "元宇宙 "一詞的起源，掌握了關于元宇宙的最新理念，并形成了對其與國防M&S關系的理解。從這項工作中，我們開發了軍事元空間技術摘要和元空間特征與國防M&S的關系圖，旨在解釋這些技術與國防的相關性。在這項工作的基礎上，下一階段是審查英國國防部（MoD）和國際上關于未來行動的最新政策和想法，以便為軍事元宇宙作戰概念設定場景并提供信息。最后，根據ISO/IEC/IEEE 29148:2018的CONOPSi標準格式，編寫了 "2035年軍事元宇宙作戰概念（CONOPS）"。

2 元宇宙

2.1 起源與歷史

2.1.1 元宇宙起源

元宇宙這個詞最早出現在尼爾-斯蒂芬森1992年的科幻小說《雪崩》中，它是一個 "計算機生成的宇宙，他們的計算機在護目鏡上繪制，并泵入他們的耳機......一個被稱為Metaverse的想象的地方"。它是前綴 "meta"（意為超越）和 "universe"的諧音，是人類居住的未來數字模擬世界的科幻愿景，也是對現實世界的影響。由人類控制的數字化身的屬性是基于他們的社會經濟地位和財富，是物理世界在數字格式中的延伸。這是一本很有影響力的書，從那時起，元宇宙這個詞就一直在使用，盡管它的使用在2021年有了很大的增長。

《雪崩》并非獨一無二。當時的許多科幻作家和電影制作人，無疑受到了當代計算機技術發展的影響，設想了一個現實世界和虛擬世界結合在一起，有時無法區分的未來。例如，威廉-吉布森（William Gibson）的《Neuromancer》小說（1984年）普及了 "網絡空間 "一詞，并提出了 "矩陣 "的概念，即計算機網絡中的 "大眾共識的幻覺"。在《安德的游戲》（1985年）中，主人公認為他們是在一個模擬中，而他們實際上是在戰斗中，而在《黑客帝國》（1999年）中，大多數人類都不知道他們生活在一個模擬中。

2.1.2 元宇宙發展

受Metaverse啟發的概念慢慢地從虛構變成了現實。2003年，在線多媒體平臺 "第二人生 "啟動，允許人類創建自己的化身，并在一個持久的用戶生成的世界中與他人互動，并有一個工作經濟。盡管它早期的快速增長沒有得到維持，但它提供了一個元空間可能是什么樣子的（仍然）工作愿景。事實上，它仍然存在，游戲中的經濟收入為6.5億美元，來自于數字內容的買賣，如化身服裝。2007年，包括索尼和哈佛大學在內的一個跨行業/學術團體發布了《元宇宙路線圖》，承認元空間不僅是一個虛擬空間，而且是 "我們的物理世界和虛擬世界的交界處或連接點"。歐盟ITEA項目Metaverse1（2008-11）項目啟發了ISO/IEC 23005標準，為現實物理世界和虛擬世界之間提供了一個標準接口。

2010年代，在網絡游戲和XR（擴展現實）發展的背景下，metaverse繼續為技術（和社會）的發展提供了一個愿景，支持者如Epic Games的CEO Tim Sweeney說："要有耐心......metaverse會到來......而且它將是開放的"。虛擬世界游戲平臺《Minecraft》和《Roblox》在2010年代穩步增長，因為它們專注于易用性和年輕一代。從2014年到2021年，《Minecraft》增長了6倍，達到1.5億月度用戶，Roblox在同一時期增長了45倍，達到2.25億月度用戶。然而，可以說是COVID-19的大流行幫助點燃了對元空間概念的主流興趣，當今的技術支持了數字遠程工作和社交的逐步改變。這可以從Facebook在2021年將其名稱改為 "Meta"，成為一家 "社會技術公司"，以及微軟和英偉達為工程師和設計師推出元宇宙相關產品中得到說明。截至2022年，由于認識到需要用開放的標準來構建元宇宙，元宇宙標準論壇成立了，成員包括Meta、微軟和英偉達，其使命是將元宇宙所影響的多個標準組織聯合起來。

2.2 目前元宇宙描述

在寫這篇文章的時候，對元宇宙還沒有一個統一的定義，而是有一套大致相似的描述。雖然這在描述元宇宙方面可能會有問題，但這與 "網絡空間 "類似，后者也是以科幻小說術語開始的，也有不同的定義，而互聯網曾經被普遍稱為 "信息高速公路"，所以定義可能是模糊的，并隨著技術和文化的發展而來去。盡管如此，盡管虛擬現實和化身的原始概念仍然存在，但現在一般認為元宇宙也包含了更廣泛的不同成熟度的技術融合，這些技術將物理世界和數字世界結合在一起，并被視為互聯網的下一次迭代，是人類、機器和數字世界之間從2D到3D互動和沉浸的趨勢。下面的表1有一系列當代元宇宙的描述。

表1:目前元宇宙描述的范圍

來源	元宇宙描述	時間
維基百科	"在未來主義和科幻小說中，元宇宙間是互聯網的假設性迭代，是一個單一的、普遍的、沉浸式的虛擬世界，通過使用虛擬現實（VR）和增強現實（AR）頭盔來推動。"	2022.8
微軟CEO - Satya Nadella	"元宇宙使我們能夠將計算嵌入現實世界，并將現實世界嵌入計算之中。"	2021.11
NVIDIA CEO - Jensen Huang	"元宇宙是互聯網的下一個演變......3D的互聯網，一個由連接的、持久的虛擬世界組成的網絡......在這里，人類將通過XR設備進入虛擬世界，而人工智能將作為物理機器人進入我們的世界。"	2022
Matthew Ball （作者）	"一個大規模的、可互操作的實時渲染的三維虛擬世界網絡，可由有效的無限數量的用戶同步和持續地體驗，具有個人的存在感，并具有數據的連續性，如身份、歷史、權利、對象、通信和支付。"	元宇宙：以及它將如何徹底改變一切 - 2022
JP Morgan （公司）	"元宇宙是我們的實際生活和數字生活的無縫銜接，創造了一個統一的虛擬社區，我們可以在這里工作、娛樂、放松、交易和社交。"	2022 年“元宇宙中的機遇”

從這些元宇宙的描述和其他描述中可以看出，大致上有兩派思想，盡管是緊密結合的。一派認為元宇宙主要由持久性的虛擬世界組成，另一派則認為元宇宙也可以深入到現實世界。

2.3 僅僅一個元宇宙？

目前圍繞元宇宙的想法是，它將影響到非常廣泛的人類活動，因此技術公司現在正在進行大規模的投資。例如，Meta公司預計在2021/22年將花費100億美元用于元宇宙相關技術。在游戲中已經有了原生態的元宇宙或類似元宇宙的體驗，但這也將遷移到更廣泛的娛樂和休閑以及工作、商業和工程領域。創建、銷售和購買虛擬資產的能力，如可以在不同的虛擬世界中使用的3D模型，將推動元宇宙的進一步增長和投資。我們也看到一些例子，在虛擬世界中存在的數字孿生幫助設計和優化其在現實世界中的對應物。然而，要將這些技術大規模地結合起來并進行互操作，仍然存在許多挑戰，因此，任何一家公司都不太可能解決元宇宙所有復雜多樣的技術、法律和社會學問題。因此，不太可能只有一個持久的虛擬世界，更有可能是一些相互連接的可互操作的虛擬世界。

2.4 原生元宇宙

已經有一些平臺和技術具有類似于元宇宙的特征，當代評論家稱之為 "原生元宇宙"，標志著元宇宙的早期形式。它們也標志著許多人類已經在體驗類似于元宇宙的經歷，而且元宇宙技術正在找到專業用途。表2中列出了原生元宇宙的例子。

表2:目前原生元宇宙的范圍

來源	原生元宇宙
Microsoft	網格--一個協作和通信平臺，支持跨多個設備的虛擬協作和微軟Metaverse應用程序棧
NVIDIA	Omniverse?是一個可擴展的實時參考開發平臺，用于3D模擬和設計協作，而CloudXR?則提供跨越5G和Wi-Fi網絡的XR。
Varjo	現實云--"Teleport VR"
Epic Games	虛幻引擎--支持移動、XR，直至飛行模擬穹頂
Roblox	2.25億月度活躍用戶，創造和玩3D游戲，2022年有超過50%的美國兒童（<16歲）在玩。
Second Life	2003年推出，一個持久的3D虛擬世界（GDP6.5億美元（2022年））。
Decentraland	開源3D虛擬世界平臺，基于NFT的土地所有權（2020年啟動）

2.5 元宇宙技術

這項研究分析了一些元宇宙的描述（見2.7），并識別和分類了那些支撐元宇宙的技術。它們的技術和商業成熟度各不相同，并且連接著數字世界和物理世界。通過分析，以下技術和方法直接或間接地幫助建立和支持了元宇宙的發展（表3）。

表3：元宇宙相關技術

計算	軟件	網絡與安全	人機接口	數據與數字孿生	AI、數據與分析	自動化與機器人	傳感器	標準
量子技術	協同 3D 軟件	6G	擴展顯示	數字孿生	個人導師和指導	日常機器人	計算機視覺	開源
云計算	游戲引擎	自由空間光通信和 LiFi	全息成像	個人數字孿生	自然語言理解	遠程存在	實時自由視角視頻	行業/專有
邊緣計算	Web 3.0	零信任安全	觸覺反饋	區塊鏈/不可替代的代幣	自動/機器翻譯	事物的超移動性和移動性	物聯網
空間計算			可穿戴設備	合成數據	預測決策支持
DNA數字數據存儲			人類增強		視頻和音頻優化

2.6 元宇宙標準

目前，有影響力的元宇宙主角們的想法是，不會有一個單一的虛擬世界，需要有標準來允許化身和數字資產在世界之間移動。例如，馬克-扎克伯格說："你有你的化身和你的數字產品，你希望能夠傳送到任何地方......你不希望只是停留在一個公司的東西里。"有影響力的作家馬修-鮑爾聲稱 "將有數百個元宇宙，分布在多種類型的宇宙中，供人們互動、生活、開展業務和娛樂。"

一些關鍵的元宇宙互操作性挑戰將是促進：

• 三維世界/模擬之間的三維資產的創建和移動

• 個人數據在三維世界/模擬之間的移動和轉移

有趣的是，對于軍事界來說，目前似乎并沒有動態連接虛擬世界的巨大動力（正如HLA/DIS已經促進的那樣），而是資產和身份的轉移。然而，隨著3D資產在多個虛擬世界的創建和分配變得更加普遍，以及現實世界和數字世界的互動方式的進步（如XR、傳感器），那么國防以外的標準可能會占主導地位。因此，英國防部將需要積極監測元宇宙相關標準的發展，并酌情加以利用。目前的一些主要標準倡議如下（表4）。

表4:與元宇宙相關的標準團體/機構

標準倡議	描述/評論
克羅諾斯集團	一個由150多家行業領先公司（如蘋果、英特爾）組成的開放、非營利、成員驅動的聯盟，為3D圖形、增強和虛擬現實、并行編程、視覺加速和機器學習創建免版稅的互操作標準。Khronos標準中與元宇宙和國防有關的一個很好的例子是OpenXR，它提供了跨平臺訪問多個平臺上不同的XR設備運行機制。
學院軟件基金會 (ASWF)	專注于動畫和視覺效果行業的開源生態系統，使命是降低開發和使用開源軟件的門檻。監督的標準之一是通用場景描述（USD），這是皮克斯開發的開源3D場景描述和文件格式，用于內容創建和不同工具之間的交換。它正在被廣泛采用，不僅在視覺效果界，而且在設計、機器人、制造和其他學科。
元宇宙互操作社區組	作為萬維網聯盟（W3C）的一部分，它的使命是 "通過設計和推廣身份、社交圖、庫存等協議，為虛擬世界搭建橋梁"。新成立的它有103個參與者。
ISO MPEG-V(2020)	提供了 "一個架構......使虛擬世界與現實世界之間的互操作性，如傳感器、視覺，為商品和服務的提供者以及用戶提供一個較低的進入多個虛擬世界的水平"。盡管這個標準是有遠見的，并建立在2000年的互操作性研究之上，但似乎并沒有獲得廣泛的支持。
元宇宙標準論壇	該組織于2022年6月啟動，其成員與Khonos集團相似，其目的不是開發開放標準，而是協調、促進和加速其發展。

2.7 元宇宙與軍事防御的相關性

物理世界的數字化、虛擬世界和物理世界的互操作性，以及元宇宙遠見者所設想的人工智能的日益使用，與國防M&S界多年來所推動的Live-VirtualConstructive（LVC）計劃有很多相似之處。事實上，研究報告的作者以前曾提議對 "軍事元宇宙 "的描述如下：

• "持久的安全網絡化的可操作的現場、虛擬和建設性模擬，與多域作戰系統和企業范圍內的設備、平臺、基礎設施和人員以及更廣泛的人類和自然世界的數字孿生同步。"

從早期的研究中也可以看出，軍事元宇宙對國防的影響超越了M&S。元宇宙將影響到人類和機器與網絡計算互動的更廣泛的方式，并且在數據、網絡、數字孿生和人工智能等方面與國防的網絡空間計劃有很大的交叉。有人建議在更廣泛的國防數字利益相關者中宣傳這項工作，特別是表明國防M&S應該在英國國防部的數字和數據戰略中得到考慮，包括為英國國防數字骨干網設定要求。

為了幫助描述軍事元宇宙，我們生成了一個映射，從一些參考文獻中提取了更廣泛的元宇宙的關鍵屬性，并將這些屬性匯集起來，生成軍事元宇宙的屬性。這項工作的結果可以在下面的表5中看到。

表5:為軍事元宇宙抽象的元宇宙屬性

該研究確定，出于安全考慮，軍事元宇宙很可能需要托管在自己的國防網絡上，并在必要時與更廣泛的元宇宙有一些連接。這與當今許多內聯網/互聯網國防網絡架構相似。

3 軍事元宇宙作戰概念（CONOPS）

3.1 為什么需要CONOPS 和 CONOPS 格式

為了從軍事和國防用戶的角度來看待元宇宙，研究小組著重于為M&S的泛國防利用編寫一個軍事元宇宙的CONOPS。由于元宇宙技術有可能影響整個國防企業，因此決定將M&S的使用范圍從培訓擴大到M&S的所有用途/用戶。CONOPS沒有單一的定義，但在本研究中，它被認為是一份從用戶角度描述擬議系統特征的文件。CONOPS文件結構是基于ISO/IEC/IEEE 29148:2018：包括用戶的操作需求、愿望、愿景和期望，而不是過于技術化或形式化：

• 目的
• 范圍
• 戰略計劃
• 效能
• 整體運作
• 治理結構

3.2 軍事元宇宙作戰概念（CONOPS）的目的

CONOPS的目的是提供一個統一的愿景，并為國防部門現在采取的行動提出建議，以經濟有效地利用元宇宙技術和方法，為2035年的軍事元宇宙（MM2035）做準備。它的目標是M&S社區，但也包括更廣泛的國防數字利益相關者。其目的是，通過在2035年之前利用元宇宙的進展，國防可以通過加強整合、協調和共享，以及將數據作為持久的戰略資產，在其所有活動中充分實現M&S的潛力。其好處包括提高國防從概念研究到行動的準備能力，改善對多域整合的支持，以及以更高的成本效益和獨立的距離進行合作的能力，減少對環境的影響。

3.3 MM2035范圍

由于目前的M&S能力包括許多遺留系統，因此CONOPS的最終狀態被設定為2035年，設想現在可以對當前和計劃中的項目進行必要的路線修正，并且更廣泛的元宇宙技術在整體上已經足夠成熟。如前所述，由于有可能影響到所有的國防活動，該項目面向所有的M&S客戶和用戶，以及整個能力周期內更廣泛的數字利益相關者，如圖1（源自北約C3和Dstl客戶提供的M&S分類法）。

圖1：支持整個能力周期中所有防御活動的軍事元宇宙

3.4 MM2035戰略規劃

M&S與更廣泛的國防信息戰略和技術有著密不可分的聯系，下面列出了關鍵的相關戰略和政策。雖然這些文件是以英國為中心的，但在其他國家也可以看到類似的趨勢。

表 4：主要英國國防部數字和 M&S 相關文件

文檔	關鍵指令	軍事元宇宙的影響
英國國防數字化戰略（2021.5）	(到2030年)一個安全的、單一的、現代的數字主干網正在連接跨軍事和商業領域的傳感器、效應器和決定者，并與合作伙伴一起推動跨領域和平臺的整合和互操作性。	所有的M&S都將位于英國國防部的數字主干上，并與之相連，很可能采用混合云計算平臺。
英國國防數據戰略（2021.9）	數據是經過策劃的，確保它是有保證的、可發現的和可互用的。數據將作為一種資產在單個項目之外繼續存在。	M&S數據也將被策劃、互操作和可發現，并被視為一種戰略資產，其價值超越了單個項目。
英國一體化作戰理念（2021.8）	多域整合（MDI）確保國防的每個部分都能無縫地合作，并與其他政府部門和英國的盟友合作，以實現預期的結果。	M&S需要與國防以外的機構和五個領域（空中、陸地、海洋、太空、網絡）進行互操作，這可能會推動一種聯合的方法，就像更廣泛的元宇宙。
英國 M&S 國防政策 (JSP 939)（2021.4）	DMaSC提供了一個國防范圍內的協調方法，以提供更好的建模和仿真（M&S）能力，并減少對環境的影響，降低成本。	軍事元宇宙將建立在現有的政策和標準之上，但元宇宙驅動的標準將需要被監測并酌情接受。

因此，英國防部最近制定了一些戰略和政策來指導未來的M&S投資。然而，如前所述，過渡只在一段時期內（到2035年）是可行的。國防部現在可以做的是研究并做出任何必要的資金和技術決定，這些決定可以在當前做出。元宇宙背后的商業資金的巨大分量意味著，國防部可能只需要資助極少數需要技術發展的領域，最好是不需要。國防研究可能會專注于技術應用；為國防政策提供信息；幫助產生對M&S的需求；并證明在M&S方面的任何核心投資以實現MM2035。這些課題包括：

表5: 建議的MM2035研究課題

研究主題	示例研究問題
M&S 數據	建立通用的M&S元數據標準，評估并推薦共享工具
連接性	確定MM2035的帶寬和延遲要求以及固定和移動基礎設施之間的平衡（如6G）。
云/邊緣基礎設施	為M&S計算需求設定要求，在云和邊緣之間取得平衡
探索	評估和推薦用于數據和工具/應用程序探索的工具
社區	評估分享和交流工具，培養M&S分享社區文化
安全與隱私	制定采集、存儲和訪問人事數據的政策
標準	與更廣泛的元宇宙標準團體（如Khronos集團）合作。
人員與流程	MM2035需要什么樣的SQEP，什么樣的文化和流程能最大限度地利用和分享M&S？
實驗	在更廣泛地推廣之前，將與用戶一起對技術進行評估

3.5 MM2035效能

MM2035的設計是為了支持所有的國防活動。衡量MM2035的成本效益，需要與利益相關者根據其廣泛的使用情況來確定。表6中提供了這些使用情況的例子。

表6: MM2035用例

防御活動	防御用例	MM2035支持	MM2035效益
行動	為多域任務做準備	在代表最新作戰狀態的單一分布式多域模擬中鏈接作戰人員	戰士們可以在及時和有代表性的模擬中與其他多域的人一起準備。
訓練與教育	培訓模擬器代表最新的系統/平臺	隨著新系統/平臺模型的驗證，模擬器自動更新	戰士們在更新的模擬器中訓練，避免消極訓練
能力支援	將新系統整合到現有平臺	利益相關者訪問傳統的數字M&S和新系統的數字表現。	項目利益相關者可以評估并決定如何以成本效益的方式整合新能力
能力獲取	利益相關者的分布式合作設計	分布在各地的項目利益相關者可以在虛擬空間中與最新和原有的數字模型即時互動	決策是及時的、一致的、可追溯的、合作的，并且減少了時間。
兵力開發	探索和優化人機組合	人類/作戰人員可以在模擬環境中使用自主系統進行操作	人機平衡在各條發展線上得到優化
研究	在一系列用例和環境中對自主系統進行規劃	自主系統在廣泛的模擬環境中進行訓練	自主系統規劃是穩健的、可驗證的，同時在廣泛的場景中運行

MM2035的價值將大于其各部分的總和，因為共享、共同性和互操作性有利于整個M&S和更廣泛的數字生態系統。除了服務于整個國防的使用案例外，MM2035將確保M&S能力始終是最新的、一致的、可驗證的、具有成本效益的，并能惠及所有可以受益的人。

3.6 MM2035整體行動

MM2035將作為一個安全的M&S生態系統運行，支持用戶和供應商，并建立在國防數字主干網上，促進英國防部內部和外部的連接和共享。它的發展和運作將遵循表4的戰略和政策中的設計原則，并在表7中列出。

表7: MM2035設計原則

MM2035設計原則	評論
建立在國防數字骨干網上	M&S是更廣泛的業務和商業信息系統的內在組成部分，并與之融合。
無處不在的計算和傳感器	數字骨干支持整個M&S生態系統的安全云到邊緣計算技術
模擬內聯網	國防模擬是通過一個持久的網絡聯合起來的，以支持多領域的整合和共享，包括為英國和國際合作伙伴。
支持最廣泛的人機交互	用戶可以使用最合適的硬件（如移動設備或XR，直至完全沉浸式）與M&S互動。
"創建一次，全面覆蓋"數據	項目創建/采購和管理其作為戰略資產的M&S數據，并確保其可被發現，可與整個M&S生態系統的項目、用戶和創造者互通有無。
"采集一次，全面覆蓋"的M&S應用	M&S應用被一次性采集，然后在整個M&S生態系統內提供。
M&S應用和數據是可以發現的	M&S應用程序和數據的使用是優化的、一致的和具有成本效益的。
M&S得到驗證，成本效益成為基準	英國防部了解其M&S系統的質量和成本效益，優化其投資平衡
支持的用戶/創造者社區	技術、流程和文化支持充滿活力的支持性用戶/創造者社區，優化M&S的使用。
共同M&S標準	利用商業和軍事標準來提高互操作性，最大限度地提高成本效益
英國防部M&S目錄和庫聯盟	工具和數據的共享、重復使用和一致性將是每個人的責任，并通過全網絡獲取經過驗證的工具和數據來實現。

下圖2匯集了MM2035的關鍵設計原則和國防能力循環。

3.7 MM2035管理

根據設想，MM2035將由最低水平的中央管理，鼓勵創新和靈活地使用M&S，并建立一個全面的充滿活力的M&S生態系統。整體企業級的成本效益和互操作性將通過以下方式實現。一個網絡；支持數據和內容的創建和共享的政策和工具；以及軍事和商業標準。

一個中央協調機構將監督MM2035的發展和演變，制定 "為MM2035做好準備 "的規則和指導，并有權在更高層次上提出任何不足之處，以便解決。它還將有預算用于對工具、數據和網絡的核心投資，以支持MM2035的 "共同利益 "和對MM2035標準的所有權。MM2035協調機構的表現將根據上述的MM2035有效性措施進行評估。MM2035協調機構的近期任務（0-3年）列于表8。

表8: MM2035協調機構近期任務

系列	任務（0-3年）
a	制定國防元宇宙戰略
b	制定MM2035的效能措施
c	制定“為MM2035做好準備”的規則和指導
d	成為英國國防M&S的協調機構
e	建立共同的基于M&S的研究主題并領導其開發
f	對M&S工具、數據和網絡進行核心投資的客戶
g	引導創建和訪問國防M&S工具和數據的聯合方法
h	在國防建模與仿真一致性（DMaSC）M&S標準簡介（DMSP）的基礎上，制定更廣泛的元宇宙相關標準（如Khronos集團）。

4 結論

4.1 研究目標

這項研究旨在調查從國防M&S角度看元宇宙的起源和最新想法。在這項工作的基礎上，撰寫了 "2035年軍事元宇宙CONOPS"，闡述了如果國防的M&S生態系統利用元宇宙技術和方法，可能會是什么樣子，并闡明了好處、用例和要采取的行動。基于英國防部的最新政策文件，該CONOPS為英國所有國防活動提供了一個統一的愿景，以通過采取企業方法實現M&S的全部潛力。

4.2 元宇宙與軍事防御

該研究發現，元空間并不存在單一的觀點，而是象征著許多技術的融合，而且元宇宙并不是一個獨立的實體，它將是互聯網本身演變的一部分，并反映出從主要是2D到3D的互動。元宇宙也是一個總括性的術語，指的是對國防感興趣的、超越M&S的許多技術，而且推動元宇宙發展的是這些技術的整合和融合，而不是每一項技術的成熟度。混亂的根源可能是與國防網絡空間的重疊，但我們認為整個國防應該像對待網絡一樣認真對待元空間，或者至少考慮并將其納入其網絡/數字倡議中。

4.3 M&S研究優先級

在指導這一領域的研究方面，我們提出了可能是研究計劃感興趣的新領域，這些領域與人、過程和標準有關，而不是與技術有關，特別是由于技術的發展將在國防之外推動。我們認為優先研究的領域是M&S數據（例如，建立共同的M&S元數據標準，評估和推薦共享工具）和發現（例如，評估和推薦數據和工具/應用程序發現的工具）。網絡化（在國防數字主干上）和建立工具和文化以支持更多的創造力和分享也是至關重要的。我們已經提出了一些術語，如 "創建M&S數據一次，覆蓋所有 "和 "獲得M&S應用程序一次，覆蓋所有"，作為這種文化變革的一部分。

4.4 M&S標準

商定的標準對于成功開發元宇宙是至關重要的，證據表明，Epic Games和Meta等主要參與者認識到，不會有一個單一的虛擬世界，而是會有一些取決于其使用和支持的社區的虛擬世界。這將需要開放的標準，而我們的研究令人鼓舞地發現有許多團體正在開發開放的元宇宙標準，其中許多是關鍵的技術和游戲公司。英國防部在利用DIS和HLA等標準方面有很好的傳統，我們建議它現在擴大對SISO和NATO之外的M&S標準的審查。

4.5 CONOPS效益與前景方式

我們認為，軍事元宇宙項目已被證明是一個很好的工具，可用于評估技術和交流如何以及為什么它們可以共同為國防服務。因此，我們建議在英國防部的M&S部門和更廣泛的國防數字利益相關者中廣泛傳播該文件。我們還希望它能為國防部的M&S戰略愿景做出貢獻，并為更協調的M&S方法提出理由。我們建議舉行一次 "軍事元宇宙峰會"，以進一步探討元宇宙對國防的意義，并在整個國防領域就下一步行動達成共識。多領域整合是國防的重中之重，似乎是這樣一個活動的一個非常相關的主題。

美國海軍的無人作戰框架和智能自主系統（IAS）戰略解析了美國海軍的愿景，即如何通過迭代實驗來發展無人平臺，重點是發展新的作戰概念和實現這些想法的關鍵技術。美國海軍需要制定一個作戰概念（CONOPS），將無人水面和水下航行器（USV/UUV）納入現有情報、監視和偵察（ISR）流程。無人平臺（UV）面臨著操作和續航方面的挑戰，這將使它們在情報周期的處理和開發功能中成為獨特的難點。本文討論僅限于兩個具有顯著續航能力和收集能力的無人平臺，這兩項能力使無人平臺對作戰具有重大影響。這項工作回顧了關于超大型UUV（XLUUV）和中型USV（MUSV）能力和預期任務的非機密文獻，并與MQ-4C海神偵察機的發展進行了比較。確定了海軍在開發CONOPs時應該考慮的幾個因素和解決方案，如何在戰役層面將XLUUV和MUSV集成到ISR中。

1 簡介

“無人平臺在我們未來的艦隊中發揮著重要作用。成功地整合無人平臺——在海面下、在海面上和海面上空——為我們的指揮官提供了更好的選擇，以便在有爭議的空間里作戰和獲勝。它們將擴大我們的情報、監視和偵察優勢......”--美國海軍作戰司令部，2021年航行計劃

美國海軍目前正在開發一系列無人的空中、水面和水下航行器，以滿足其未來部隊需求。海軍的無人作戰框架和智能自主系統（IAS）戰略解析了海軍的愿景，即如何通過反復實驗來開發這些新平臺，重點是發展新的作戰理念和實現這些理念的關鍵技術。無人平臺將支持海軍的目標，即建立一支更加分散的部隊，能夠在通信退化的環境中作戰，同時在受到反介入和區域拒絕威脅的挑戰時能夠應對。雖然海軍的無人平臺仍處于不同的發展階段，但有足夠的數據表明它們的能力，可以提出新作戰概念，將這些新平臺與海軍長期以來的優先事項相結合。

美國海軍需要制定一個作戰概念（CONOPS），將無人水面和水下航行器（USV/UUV）納入現有情報、監視和偵察（ISR）流程中，無論是在戰斗期間還是在日常的非戰斗行動中。這種CONOPs將支持智能自主系統中至少兩個子類——分布式和持久性傳感器，以及戰斗空間的擴展、清晰化和精確化。無人平臺（UV）雖然有潛在的強大的收集能力，但面臨著操作和續航方面的挑戰，這將使它們在情報周期的處理和開發功能方面成為獨特的麻煩。海軍使用無人平臺作為ISR資產的概念將需要納入這些平臺獨特的適合完成的作戰目標，并且應該在這些平臺能力正在形成和實戰化的時候就開始制定。

為了把重點放在戰爭的戰役層面上，討論將限于兩個具有重要續航能力和收集能力的無人平臺，使它們具有實質性的作戰影響。這項工作回顧了關于超大型UUV（XLUUV）和中型USV（MUSV）能力和預期任務的非機密文獻，并與MQ-4C Triton（一種大型海上無人駕駛飛行器）的發展相比較。它確定了海軍在制定將XLUUV和MUSV整合到作戰層面的ISR的CONOP時，應該考慮的幾個因素和解決方案。分析的重點是在以海洋為中心的戰場上使用這些平臺，對手是在海面下、水面、空中和太空領域使用軍事力量的近鄰或同級對手。提到作戰指揮官時，設想了一個戰區聯合部隊海上分指揮官（JFMCC）和情報人員，在岸上或海上作戰中心（MOC）內運作。

2 背景介紹

美國海軍的分布式海上作戰（DMO）概念是為了在反介入、區域拒止（A2AD）戰場上擊敗競爭對手，它依賴于分布式、網絡化的ISR平臺。ISR資產將定位對手并為武器使用平臺提供目標支持。無人平臺與多域作戰（DMO）概念極其相關，因為DMO設想在對手的對峙或反介入武器的交戰區域內使用海軍資產。海軍23財年的長期海軍建設計劃指出，海軍預計在45財年擁有89-145個無人平臺，并提到更詳細的信息，可在機密的能力發展計劃中獲得。22財年的建設計劃明確指出，海軍正在尋求59-89艘USV和18-51艘UUV。海軍的資金優先級和迭代式無人平臺開發支持CNO將無人平臺作為分布式作戰的一個重要組成部分。

情報、監視和偵察是三個獨立但密切相關的功能，對于軍事行動至關重要。廣義上講，情報是收集和分析與決策有關的信息。監視是使用收集資產來監測一個地點的相關活動，而偵察是將收集資產部署到一個確定的區域，以定位或確認沒有相關活動。當無人平臺用于ISR功能時，將主要作為收集資產來監視或偵察特定區域，尋找相關活動。這些平臺的 "無人"性質，使平臺本身更具有成本效益，不容易被置于危險之中，但卻使其作為ISR資產的有效性變得復雜。采集行動必須以足夠嚴格的方式進行預規劃，以滿足指揮官在不可能重新分配任務的通信環境中繼續生存。此外，收集到的數據必須傳送給有能力將信息開發成情報的分析人員，以便為作戰決策提供依據。

3 MQ-4C "海神"偵察機

MQ-4C "海神"是由RQ-4 "全球鷹 "改裝的大型無人機，用于提供持久的海上ISR。"海神"的開發是為了滿足海軍對持久性ISR的需求，最終被確定為廣域海上監視（BAMS），用于A2AD環境。"海神"在一次任務中可以飛行超過24小時，作戰范圍為8,200海里。為了滿足海軍的要求，對RQ-4進行了具體的修改，最明顯的是要求在惡劣的海上天氣下下降和上升，以便目視識別通過電子信號定位的水面航行器。這一要求需要增加除冰能力、防雷和其他強化措施。

2020年1月，海軍對 "海神 "進行了首次早期作戰能力（EOC）部署，向關島的安徒生機場派出了兩架飛機。該飛機作為CTF-72的一部分，向在INDO-PACOM責任區作戰的聯合部隊提供海上巡邏和偵察，這是ISR的一個方面。在飛行行動中，"海神 "由四名飛行員組成的機組控制，他們在地面控制點進行操作。這些操作員駕駛飛機，不進行情報開發，情報開發由一個單獨的專家小組提供。2020年派往關島的機體并不具備整套預期的收集能力，只有光電/紅外（EO/IR）視頻流和一個海上雷達。海軍目前正在測試 "海神 "的升級版、多智能改進版，它增加了信號情報收集能力，是打算取代有人駕駛的EP-3E Aeries II飛機的平臺。

盡管還沒有完全投入使用，但 "海神 "號的早期使用提供了一些經驗，應該為大型無人水面和水下船只的發展提供參考。首先，"海神"和其他無人平臺所收集的信息將需要傳送給人類分析人員進行開發。雖然存在識別感興趣的信號的自動化程序，但它們還不能將這些信息置于當前友軍和敵軍行動的背景下，并告知決策者。其次，大型無人駕駛系統依賴于岸上的維持和維護。像 "海神 "一樣，任何大型的平臺都需要返回基地或港口進行維修、加油和卸載收集的數據。這些岸上的設施是平臺操作的關鍵要求，可能會受到干擾或攻擊。第三，在建造無人平臺時，應了解任務和有效載荷在未來可能發生變化。為平靜的海況和適度的溫度而建造的無人平臺，在大海里、惡劣的天氣或極端的水溫下，可能不那么有效或無法操作。

4 “虎鯨”超大型無人潛航器（XLUUV）

5個“虎鯨”超大型無人潛航器（XLUUV） 中的第一個，在19財年得到資助。其基于波音公司的Echo Voyager XLUUV進行開發，預計在22財年作為一個測試平臺，用于開發作戰概念和關鍵的使能技術。XLUUV幾乎肯定不會有能力以載人潛艇的保真度來探測、跟蹤和分類聲音。這主要是因為UUV缺乏訓練有素和有經驗的船上潛艇人員的專業知識，而且XLUUV是一個比載人潛艇小得多的平臺，限制了任何船上聲納陣列的能力。然而，XLUUV的模塊化性質擴大了其潛在的收集能力，包括船上攜帶的任何可部署的系統，以及船體安裝或牽引的聲納陣列。下面將討論基于有機傳感器或XLUUV攜帶的有效載荷進行數據收集。

將XLUUV作為ISR資產使用的最重大挑戰是缺乏與地面控制點的頻繁通信。現有的能力并沒有確定XLUUV是否有能力升起一個通信桅桿或浮標來傳輸數據和接收修訂的指令。這樣做會削弱使用水下航行器作為ISR資產的主要優勢，即它的隱蔽性。這為作戰計劃者確定了三種可能的行動方案。第一，XLUUV在其行動期間不能發送或接收任何數據。這將限制XLUUV只執行預先計劃的行動，并剝奪行動指揮官重新分配資產的任何能力。第二，XLUUV可以部署一個僅有接收能力的通信天線。這將允許指揮官重新分配XLUUV的任務，但不允許該資產廣播接收指令，這使得操作人員不確定新的指導是否正在執行。用來傳達這種新指導的廣播有可能揭示UUV或潛艇的行動區域。第三，XLUUV可以采用一個同時具有發射和接收能力的通信浮標。這將使指揮官能夠發布新的指令，并確認XLUUV已經收到并將執行新的任務，但也有可能將UUV的位置暴露給對手。每種方案都是在安全和作戰指揮官的靈活性之間做出的折衷。

繼隱身之后，UUV作為ISR資產的第二個主要優勢是其收集聲學數據的能力。聲學情報，即對這些數據的處理和利用，是一門極富挑戰性的學科。聲學數據需要分析人員花費數年甚至數十年的訓練和經驗來進行分析。由于這門學科的挑戰，海軍應該尋求現有的聲學情報卓越中心來分析XLUUV收集的數據。海軍在弗吉尼亞和華盛頓有兩個海軍海洋處理設施（NOPFs），由聲學和情報專家共同管理。這些設施作為綜合海底監視系統（IUSS）的一部分運作，并對來自海上采集資產的聲學數據進行持續分析使用。對于ISR功能，海軍應考慮將XLUUV作為IUSS資產，并利用NOPFs的常駐聲學情報專家來處理和分析收集的數據。

需記錄的聲學信息通常也會產生大量的數據，覆蓋較長的時間段。可能需要幾周或幾個月的時間來充分開發XLUUV任務的所有記錄數據。當考慮到前面討論的通信挑戰時，使用XLUUV作為ISR資產將需要對XLUUV支持的確切行動目標進行詳細規劃。這種規劃應導致對UUV的反應進行預先規劃，以滿足指揮官意圖的具體檢測。操作員應考慮三種反應，即立即反應、暫時延遲反應，或決定繼續執行任務并在回港后分析數據。

一旦XLUUV檢測到特定的標準，例如特定對手潛艇的聲學特征，它的反應應該由作戰指揮官仔細預先確定。在這種情況下，XLUUV有三種可能的行動。第一，停止其任務，并通過通信桅桿或非系留的單向傳輸浮標，立即向作戰指揮官發出通知，說它已經探測到對手的潛艇。如果敵方潛艇對指揮官的部隊構成危險，并且需要時間敏感的定位信息來使反潛戰（ASW）資產加入戰斗，這種反應可能是適當的。二，XLUUV可以釋放一個單向的通信浮標，在延遲后將探測結果廣播給作戰指揮官。這種折中的反應將為指揮官提供最近的定位數據，并提高他的態勢感知，但也允許UUV離開該地區，繼續執行其任務而不暴露其位置。如果指揮官希望在近乎沖突的時期提高態勢感知，但又不試圖主動瞄準對手的潛艇，這種反應可能是合適的。第三，XLUUV可以簡單地繼續記錄聲學數據，對探測進行日志記錄，并繼續執行其任務。日志記錄將有助于回港后的開發。這種反應在非沖突時期和XLUUV執行一般監視任務或收集作業環境信息時可能是合適的。這些反應選項中的每一個都利用了當今可用的技術，并為作戰指揮官提供了靈活性，以根據作戰需要指揮所需的反應。

波音公司公開的Echo Voyager XLUUV的數據顯示，它的航程為6500海里（NM），最大速度為8.0節，最佳速度為2.5-3.0節。從關島阿普拉港到俄羅斯太平洋艦隊所在地阿瓦查灣約2450海里，到中國南部戰區海軍駐地亞龍灣約2050海里。如果Orca XLUUV的能力與Echo Voyager的能力相近，這將使最有可能收集情報的地點處于部署在關島的XLUUV的行動范圍之內。然而，在離母港很遠的地方使用XLUUV可能會導致在接收和利用收集的數據方面出現重大延誤。根據2.5-8.0節的前進速度，從阿瓦查灣返回關島大約需要13至40天。該平臺漫長的旅行時間，加上分析所收集的數據所需的大量時間，促使XLUUV在ISR中最有可能的用途是對作戰環境的一般性收集，或有可能實施監視任務，將該平臺的長耐久性與前面描述的即時或延遲傳輸通信方法相結合。

作為一個無人平臺，XLUUV在維持和維護方面也將面臨獨特的挑戰，這將影響其作為ISR資產的使用。XLUUV被設想為一種可部署或遠征的能力。對這種能力的討論似乎僅限于單個或少量的船體，然而DMO概念和海軍造船計劃設想了幾十個平臺，所有這些平臺都將需要運輸、地面支持和碼頭空間來運作。任何降低或拒絕完成任務的物質缺陷都需要長時間返回港口或可能返回位于對手威脅范圍之外的水面艦艇。維護和保養的現實需要被納入任何利用無人武器作為ISR資產的作戰計劃中，這可能導致它們主要被用于非戰斗性的情報準備任務，在這些任務中，故障的影響比戰斗行動中要小。

5 中型無人水面艦艇(MUSV)

美國海軍的MUSV目前正在基于最初的原型平臺Sea Hunter（SH1）和Seahawk（SH2）的基礎上進行開發。MUSV的具體目的是發揮ISR的作用，提供一個集成到海軍戰術網格中的無人傳感器和電子戰平臺。MUSV計劃目前在平臺能力方面的定義不如XLUUV，但其發展足以考慮具體的ISR功能和作戰概念。將MUSV作為ISR資產使用的關鍵決定是確定它們是作為獨立的收集器還是作為從屬于有人駕駛的水面艦艇的資產。

無論是哪種使用方式，MUSV都將以類似的方式發揮作用--收集現有的電子數據，進行初步的開發和處理，并將收集的結果轉發給岸上和海上的分析人員和系統。區別在于船上的收集系統在尋找什么信號，以及向誰和如何轉發收集的信息。當MUSV作為載人艦艇的支持力量運行時，它的收集系統應集中于探測和跟蹤來襲的威脅，并為被支持的艦艇提供目標定位的幫助。傳感器包應能同時識別和跟蹤反艦巡航導彈、彈道導彈、高超音速導彈、水面艦艇、有人和小型無人駕駛飛機，并提供潛望鏡探測能力。MUSV應該能夠將其收集的結果直接提供給被支持的艦艇，而不依靠干預的地面站或衛星，然后協助選擇和確定防御措施或反擊的目標。

如果作為一個獨立的收集器運行，MUSV最好配備能夠超越基線追蹤多個空中和地面目標的傳感器，并自動將這些追蹤與已知或可疑的對手平臺聯系起來。這些數據應該被轉發給作戰指揮官，以建立共同作戰圖（COP）。這兩項任務，直接支持載人艦艇或提供COP發展的獨立行動，包含了監視和偵察任務的要素。然而，最佳的傳感器和通信能力在不同的任務之間是不同的，這需要在進一步發展MUSV時予以考慮。

作為主要的電子情報（ELINT）收集器，MUSV將需要依靠現有的ELINT分析員來分析所收集的數據。海軍水面艦艇上一般都有可以進行這種分析的密碼學人員，盡管他們目前的任務是操作和利用其艦艇的有機收集能力。如果MUSV上有足夠的通信能力，那么收集到的數據可以被發送到岸上的分析人員進行利用。在這種情況下，海軍信息戰指揮部（NIOCs）是數據利用的合理地點。將需要開發基礎設施和信息技術，以便將MUSV收集的ELINT納入現有的處理系統。此外，水面艦艇和岸上設施的密碼人員配置將需要反映出增加了一個新的收集平臺，提供多個需要分析的數據流。

6 反論點

像“虎鯨”和MUSV這樣的大型無人平臺被設想為未來技術的一個組成部分，它將實現海軍的DMO概念。這一設想聲稱，從無人平臺收集的數據將通過海軍戰術網格和聯合全域指揮與控制（JADC2）網絡傳達給作戰級指揮官。CNO的NAVPLAN 2021指出，建立一個強大的海軍作戰架構（NOA），這將支持將無人平臺收集的數據納入JADC2，是僅次于調整海上戰略威懾力量的第二大發展重點。目前的ISR平臺開發正在將重點從人力密集型部隊轉向自動化能力，以在有爭議的環境中擊敗同行的對手。AI/ML的使用將導致收集的數據處理和利用的速度呈指數級增長，大大增強作戰指揮官的態勢感知，并減少從檢測到對手到使用武器的時間。對收集到的數據進行網絡化、自動化的利用，將是分布式作戰的一個重要推動因素。

7 辯證

網絡化通信和AI/ML的發展必然會導致無人平臺的有效使用，這有三個原因。第一，作戰藝術取決于對作戰環境、敵方和友方部隊以及作戰目標的深入分析和理解。無論提供何種工具，這種理解和部隊的有效使用將始終取決于一個有能力的作戰指揮官。作為一種ISR資產，無人平臺將依賴于指揮官和情報人員的明確行動任務。第二，目前人工智能/ML工具在情報分析中的狀態是有希望的，但離開始復制人類分析的能力可能還有很長的路要走。人工智能/ML工具只能復制人類思維和行動所形成的模式，而且幾乎可以肯定的是，無論開發何種算法，都會錯過與作戰藝術相關的新趨勢和異常數據。海軍在培訓和保留AI/ML專業知識方面也面臨挑戰。第三，大型UV目前正處于迭代實驗階段，在設計平臺能力的同時，現在就需要制定作戰概念。等到無人平臺達到最終的生產狀態，再為這些新的收集資產制定ISR CONOPs，將使海軍情報專家無法在開發過程中告知滿足作戰意圖所需的傳感器和能力。

8 結論

美國海軍情報界需要充分投資于大型無人平臺的發展，特別是發展將這些平臺用于ISR角色所需的能力和概念。海軍在將無人平臺納入ISR過程中的經驗將為利用無人水面和海底艦艇提供參考，但不能直接轉化為利用無人平臺。在通信惡化或被拒絕的環境中運行的無人平臺可能需要大量的岸邊基礎設施來處理和利用收集的數據，對這種基礎設施和人力的投資應該與平臺的開發同時進行。從無人平臺收集的數據可能需要大量的時間來處理和利用，減少了它們在指示和警告（I&W）任務中的作用，并可能引導最佳傳感器套件來支持作戰環境的收集。由于在處理和利用收集的數據方面的挑戰，無人平臺不會取代現有的載人飛機、水面和水下航行器以及國家高空收集的ISR功能，但如果開發和使用正確的能力和作戰概念組合，無人平臺可能會成為發展指揮官態勢感知的有力工具。

美國國防部和空軍領導人認為，人工智能（AI）是一種改變游戲規則的技術，將幫助空軍情報、監視和偵察（ISR）體系克服大國沖突所需的情報分析速度和規模方面的長期挑戰。傳感網格概念（最近更名為傳感器集成）被作為未來框架引入，以整合人工智能和認知建模工具融入空軍ISR，但對于對手的威脅和道德方面的考慮卻很少討論，而這些考慮應該貫穿于系統的設計和功能模塊。為了讓空軍內部的人力和組織做好準備，以整合高度自動化的人工智能情報分析系統，領導人必須倡導以人為本的設計，從歷史上人機協作的成功和失敗中吸取教訓。領導人還必須采取積極主動的方法來培訓空軍的ISR勞動力，以便與革命性的但不完善的人工智能技術進行有效協作。

問題陳述

根據美國空軍作戰集成能力（AFWIC）傳感跨職能小組的說法，空軍情報、監視和偵察（ISR）的現狀是高度專業化、專有化，并且過于依賴人力密集的回傳（reach-back）過程。當規劃人員展望未來的大國沖突時，他們評估目前的硬件和分析過程將不足以建立對同行對手的決策優勢，情報工作在勝利所需的速度和規模方面落后。空軍A2的 "下一代ISR主導地位飛行計劃"對目前的ISR體系也提出了類似的批評，主張擺脫今天的 "工業時代的單一領域方法"，以追求 "架構和基礎設施，以實現機器智能，包括自動化、人機合作，以及最終的人工智能。"雖然為空軍人員提供更快更智能的工具來制作和分享評估是空軍高級領導人的優先事項，但引入更高水平的自動化和機器主導的感知為情報界帶來了一系列新問題。考慮到這些工具可能遇到的篡改和故意提供錯誤信息的威脅，依靠算法走捷徑是否安全？追求由自動化武器系統促成的戰爭到底是否合乎道德？如果是這樣，情報界采用自動化工具以更快的速度產生關鍵的情報評估會帶來什么風險？

人工智能（AI）一詞被美國防部聯合人工智能中心定義為 "機器執行通常需要人類智慧的任務能力--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。"參議員們希望AI能夠很快為人類分析師用來進行評估的軟件套件提供動力，并使物理系統在更多的自主應用中發揮作用。機器學習（ML）被國防部高級研究計劃局（DARPA）定義為人工智能中的一個領域，"將統計和概率方法應用于大型數據集"，并可以將衍生模型應用于未來的數據樣本。利用ML好處的一個流行方法是通過深度神經網絡（DNN），它可以使用歷史數據被訓練成執行一系列的分類和預測任務。雖然在AFWIC或A2的出版物中沒有特別提及，但在模擬人類思維過程的應用中使用AI、ML和DNN是計算機科學和心理學的一個混合領域，稱為認知建模。在AFWIC對未來空軍ISR體系的設想中，AI、ML、DNNs和認知建模概念是向數字化、以網絡為中心的情報方法轉變的關鍵部分。

為了給空軍ISR體系的現代化舉措提供一個框架，AFWIC建立了傳感網的概念，定義為 "傳感器、平臺、人員、設備、內容和服務的組合，為決策者提供整體、準確、預測和及時的作戰環境特征。"該概念的設計者設想了一個具有預測分析、自主傳感和響應、融合多個數據源和邊緣處理的系統，所有這些都是通過利用AI、ML、DNN、數據分析和其他認知建模方法來實現的。盡管沒有公布傳感網格的首次亮相日期，但大多數討論表明，優化的系統簇至少還有十年。同時，美國防部領導層非常迫切地要趕上中國和俄羅斯在軍事人工智能應用方面的投資，鼓勵快速原型設計和實驗，以找到解決方案。人工智能在國防論壇上經常被認為是使以數據為中心的情報任務更快、加快戰術決策的答案，但如果所涉及的系統處于工程的初級階段，并且在國家安全領域仍未得到證實，這僅僅是猜想。

雖然AFWIC和空軍A2專注于人工智能傳感器和工具的研發投資，但很少討論使傳感網格安全和有效所需的人機合作動態。為了使傳感網格成為一個有效的系統，為空軍執行ISR和分析的方式帶來價值和進步，領導人應該在技術中倡導以人為本的設計，培訓和準備一線分析員與新系統有效的協作，并根據人工智能的優勢和劣勢調整組織做法。空軍領導人必須承認將更多的分析任務分配給人工智能工具所固有的對抗性威脅和道德問題，這些問題必須告知感知網格的藍圖。這并不是說正在進行的系統軟件開發應該停滯不前，而是說在情報和物資領導人之間必須同時進行對話，討論人類分析員的作用，因為這對減輕越來越多地依賴人工智能的弊端至關重要。空軍領導人還必須推行一項深思熟慮的計劃，將傳感網格組件整合到當前的傳感、識別、歸屬和共享（SIAS）活動中，使一線分析員為 "更高級別的推理和判斷"任務做好準備，同時承認機器應該增強人類任務，而不是完全取代人類。

接下來本文將提供與人工智能系統相關的脆弱性和道德問題的文獻回顧，以深入了解建設和應用傳感網格可能面臨的挑戰。它還將包括討論在完成和應用這個改變游戲規則的系統之前，情報和物資領導人應該考慮哪些因素。本文最后將就如何為空軍ISR戰斗空間準備傳感網格提出進一步的建議，為空軍人員在數字時代的行動提供必要的場景設置。

文獻回顧

最近關于將人工智能應用于認知任務的相關弱點的研究大多強調了對抗性樣本的危險性，這些樣本修改了DNN的輸入，導致它們控制的系統以各種方式發生故障。對抗性輸入可以是物理的或非物理的，可以影響各種數據分類器分類媒體，包括圖像、音頻文件和文本。最常提到的物理欺騙樣本是一個實驗，工程師通過將停車標志調整成不同的角度來愚弄自動駕駛汽車上的光學傳感器，導致車輛錯過停車。物理欺騙在國防應用中不是一個新穎的計劃，但將邊緣處理和自動化納入像傳感網格這樣的系統可能排除了人類分析師第一手識別這些戰術。在非物理領域，訓練算法以類似于人腦的方式來識別模式是一項具有挑戰性的任務。計算機視覺（CV）算法對圖像的分類與人類分析人員非常不同，當只有幾個像素不合適時，很容易對物體進行錯誤分類。在不太直接的情況下，工程師無法解釋模型的錯誤，刺激了DARPA等組織對可解釋人工智能的倡議。 在最好的情況下，對抗性輸入被識別為異常值，并被具有強大訓練樣本的CV模型所忽略；在最壞的情況下，它們可能會破壞現實世界的輸入，并在人類分析師不知情的情況下從樣本中數字化地刪除物體或活動。如果對抗性輸入導致分析師錯過他們通常會在沒有協助的情況下捕捉到的重要活動，就會產生災難性的后果。

如果將AI、ML和DNN應用于情報數據集背后的目標是以更高的速度分析和傳播更多的信息，那么自然語言處理（NLP）也可能是感知網格架構的一部分。NLP模型今天被廣泛用于個人和商業用途，像Siri和亞馬遜Alexa這樣的工具使用語音提示來啟動其他應用程序。NLP模型也可用于大量文本或其他媒體的理解任務，使用衍生數據回答問題。這種技術在融合多種數據源的SIAS任務中可能非常有用，但也可能容易受到干擾。NLP中的對抗性輸入可以引入錯誤的句子或用文本文件中的反義詞替換關鍵詞，導致模型在沒有時間或能力進行人工審查的情況下錯誤描述數據集。

與任何分層模型的方案一樣，CV和NLP模型是否能像預測的那樣有效地協同工作還是個未知數，更不用說檢測像Deepfakes這樣在非保密領域進入DNN的偽造數據了。人類分析員離通常可以檢測錯誤信息的源數據流越遠，SIAS就越容易受到錯誤輸入的影響。盡管有這種擔憂，但空軍A2的指導意見表明，人們對分層模型利用非保密的公開信息（PAI）進行無縫傳感器提示寄予厚望，使ISR體系能夠更有效地找到相關目標。如果沒有一種強大的方法來檢測提示傳感器的PAI樣本中的偽造媒體，這個過程可能難以安全地實現。

技術的復雜性和自動化、人工智能系統對篡改的潛在脆弱性，引發了關于在軍事行動中應用這類技術是否符合道德的討論。雖然傳感網格的設計不是為了直接使用武器，但來自該系統的情報數據很可能為關于多個領域的關鍵決策提供信息。關于AI/ML的倫理學文獻通常對采用自主運作、人類干預窗口有限的系統持批評態度，其邏輯與反對地雷等傳統自動化武器的倫理學論點相似。雖然傳感網格及其前驅系統將具有比壓力板裝置高得多的認知行為屬性，但一些人認為，人類對黑盒系統的控制同樣很少，這些系統在向人類操作者提出選擇或結論之前，會執行層層的算法通信。

幸運的是，人工智能系統可能也能夠在人類容易出現道德失誤的情況下進行補償，因為機器不會經歷像恐懼或驚慌這樣的情緒，而這些情緒可能會引發危險的決定或違反LOAC。盡管利用人類與認知模型合作的這一潛在優勢是謹慎的，但美國防部的指導意見將速度作為人工智能最有用貢獻的具體價值，這引入了更多道德難題。對個人決策的測試表明，人類在復雜環境中的風險評估能力已經很差，而引入人工智能，使人類判斷的價值邊緣化，只會導致更快的、風險更高的結論。當人工智能帶來的錯誤評估或草率決定導致災難性錯誤時，問責也是美國防部領導人必須準備解決的混亂道德問題。

大多數文獻中隱含的減輕對手篡改和道德失誤威脅的解決方案，是在人類控制器和自主的人工智能系統之間進行最佳分工。不足為奇的是，對于這應該是什么樣子，以及它如何適用于像傳感網格這樣的系統，有許多觀點。一些人認為，在國際協議框架中沒有雇用自動武器系統的空間，并將其缺乏責任感與兒童兵相比較。其他人認為，如果像聯合目標定位這樣的程序以同樣的嚴格和參與規則進行，人工智能工具將不會導致不可接受的失控。雖然人們認為迫切需要通過購買現有的商業軟件向聯合情報界提供傳感網格的能力，但如果美國防部領導人希望減少前面討論的風險，工程師、需求所有者和分析師必須致力于仔細討論人工智能應用在ISR體系中最有幫助的地方以及它們有可能造成傷害的地方。

討論結果

當涉及到投資建設由人工智能和認知建模應用驅動的未來ISR體系的項目時，美國防部和空軍除了需要快速投資并與大學和國家實驗室合作外，提供的指導有限。除了系統 "事故風險較低；對黑客和對手的欺騙行為更有彈性和表現出較少的意外行為"之外，對該部門在人工智能投資方面所期望的指導也是有限的。缺乏特殊性可能是人工智能在國防部戰略中首次出現的癥狀，但自滿和滿足于為投資而投資的情況并沒有遠遠超過這種情況。使用該技術的社區有責任決定與認知模型建立哪種類型的協作關系將提供最大的利益，但戰略指導似乎將責任交給了實驗室和行業合作伙伴，責成外部人士確定人工智能將解決的問題和解決方案。如果空軍ISR領導人在討論如何最好地將人類分析員與人工智能工具協作方面不發揮積極作用，他們將如何評估開發人員是否在提供資金的情況下取得足夠的進展？美國防部如何相信由非業務伙伴開發的解決方案能夠充分解決安全和道德問題？在什么時候，人工智能會從一個脆弱的研究項目過渡到改善SIAS的速度和準確性的可行解決方案？

討論人工智能及其在情報工作中的預期功能的一個更有成效的方法是，不要把它當作一個神奇的子彈，因為它的定義太不明確，根本無法研究。雖然將認知模型應用于情報過程可能是新的，但在戰爭中實現自動化的技術已經存在了幾十年。領導人必須考慮現代戰爭中已經存在的人機合作結構，以獲得設計和整合傳感網格的經驗。對于空軍ISR來說，分析當前和歷史上人類分析員、機載傳感器和戰區決策者的團隊合作是一項有益的工作。機載ISR傳感器的性能衡量通常通過傳感器輸出的響應性和準確性等因素來評估，但了解傳感器數據引發的分析和決策過程也很重要。例如，光譜成像傳感器可以被用作異常檢測器，突出不尋常的物體或活動，供人類分析員審查和報告。報告可以傳播給行動領導人，然后他根據情報做出決定，命令對異常活動的來源進行空襲。如果這一連串的事件在行動過程中習慣性地發生，那么傳感器和人類在循環中的互動可能會開始改變，而傳感器被潛意識地重新歸類為威脅探測器。在這種情況下，傳感器的性能規格并沒有改變，但隨著時間的推移，團隊關系中的人類開始對傳感器的輸出應用不同的價值，這可能是外部激勵因素的影響。雖然大多數分析家都知道，假設所有的異常情況都是威脅是不正確的，也是危險的，但人機協作關系演變為扭曲人類判斷的微妙方式是值得關注的。為了確保人機協作以道德方式進行，領導者必須反思協作結構如何在無意中抑制組織的價值觀。對新作戰技術的準確性和穩健性的要求是合理的，但了解技術煽動的組織行為和習慣對有效和道德地使用是最重要的。

除了在ISR體系內應用現有的人機合作經驗外，人工智能感應網格的設計也應以人為本。雖然在建立一個由人類分析員使用的系統時，這似乎是顯而易見的，但在復雜的系統工程項目中，人因工程和人機協作的考慮往往是一個低優先級的問題。這部分是由于傳統的組織障礙，將軟件工程師和人因專家放在不同的部門，尤其是后者專門研究認知心理學、神經科學和機器人學等學科，這些學科在一些項目中可能發揮有限的作用。未能在復雜系統中適當整合人的因素的后果是可怕的，這在波音公司的737 Max飛機上可以看到，該飛機在2018年和2019年發生了兩起致命事故。兩份事故報告都提到高度自動化的機動特性增強系統（MCAS）軟件是導致飛機失事的一個重要因素。 雖然MCAS被設計為使用傳感器輸入來協助飛行安全，但糟糕的人為因素考慮使得該系統在觸發自動程序后，飛行員很難覆蓋。雖然培訓用戶與新系統合作是入職的自然部分，但由于缺乏人為因素工程而導致的陡峭學習曲線是一種風險，可以通過對人類和機器行為進行建模來減輕，因為它們與手頭的任務相關。 在這種情況下，建模將幫助系統架構師確定在特定的團隊合作關系中造成誤解的溝通差距，也許可以提供關于機器如何在緊急情況發生前向人類操作員充分披露其局限性的洞察力。

當我們推測如何最好地促進人機互動，充分解決與人工智能和自動化相關的安全和倫理問題時，尋求視覺分析專家的咨詢可以提供有價值的設計見解。"視覺分析是一個科學領域，它試圖通過交互式可視化增加人機對話來提高自動化、高容量數據處理的透明度。 為分析師提供一個團隊結構，讓他們選擇如何可視化數據集，可以在自動化、機器輔助的數據精簡和人類判斷之間取得有利的平衡。在傳感網格的可視化分析的最佳應用中，分析師將以高度的信心理解數據集的重要性，這得益于調整基礎分析過程的能力。 理想情況下，可視化分析使用戶能夠通過向系統提出關于數據的假設和問題來利用他們的學科專長，使他們能夠通過對話得出結論。視覺分析中的一種被稱為語義互動的方法也可能是有幫助的，創建的模型可以將分析師與視覺數據的對話轉化為模型的調整，推斷和學習人類伙伴執行常規任務的原因，如突出、復制等。考慮到前面詳述的學科有多新，建立明確的測試和評估標準將是準備將這些和其他團隊技術納入SIAS任務的重要步驟。

美國空軍研究實驗室（AFRL）內的各局無疑面臨著許多挑戰，在這個概念正式確定之前，他們一直致力于建立傳感網格的組成部分。將人工智能整合到智能架構和軟件中的工程師和開發人員主要在羅馬實驗室AFRL信息局（AFRL/RI）工作，分為多個核心技術能力（CTC）團隊。特別是處理和開發（PEX）CTC將深入參與開發實現傳感網的DNN，其任務是"為空軍、國防部和情報界提供快速感知，以提高對形勢的認識和對抗的洞察力"。在PEX CTC中，項目按功能分為特征化、極端計算、理解和預測項目，涵蓋了從數據提取到高級感知的一系列步驟。人因工程方面的專業知識來自位于兩個州外的萊特-帕特森空軍基地的飛行員系統（RH），一個跨學科局。下一步，PEX CTC的項目可能會與AFRL的其他部門（如傳感器（RY）或航空航天系統（RQ））的開發項目相結合，將RI的SIAS部分與新的機載收集傳感器和車輛聯系起來。目前，RI的工程師使用來自實際聯合和國家情報來源的樣本數據流，逐步解決在大量非結構化數據中進行分類的計算挑戰。尋找解決方案以保持物理系統的尺寸、重量和功率要求可控，也是一個持續關注的問題，特別是在像Agile Condor這樣尋求在機載系統上提供高水平邊緣處理的項目。

正如前面的文獻調查所示，在DNN中建立穩健性和安全性，以防止ML中的對抗性干擾，是任何網絡開發者都關心的問題，RI內部的團隊也不例外。DNN已經在實驗室環境中以意想不到的方式學習或失敗，引入與人類感知相矛盾的對抗性輸入，可能會使開發有用工具的進展受挫。如果系統繼續隨著新數據集的發展而發展，那么可能很難確定技術成熟度的基準，在這種情況下，AFRL將維持責任轉移給空軍生命周期管理中心（AFLCMC）是合適的。雖然這一點與建立人工智能傳感網格組件的測試和評估標準的重要性有關，但它也應該引發關于復雜系統在開發和維持組織之間的移交是否適合這種技術的討論。理想的情況是，在DNN上擁有最多專業知識的團隊建立模型，并在其整個生命周期內維護它們。一個更有可能和更少破壞性的行動方案是建立具有可升級底盤和外形尺寸的傳感網組件，允許在可用時用替換設備進行簡化升級。考慮到國家實驗室、DARPA、麻省理工學院、卡內基梅隆大學和其他機構的大量人工智能研究投資，空軍領導人應該考慮如何在研究結果公布后，整合部門的投資回報，以改善感知網的設計和功能。

對于美國防部和空軍領導人來說，為未來傳感網的整合創造條件，還有其他獨特的倫理挑戰需要協調。如果 "傳感網格"及其組件能夠提供該概念所承諾的快速和強大的傳感功能，那么期望所有使用該系統的一線分析員都能理解其工作原理是否合理？在發生災難性錯誤的情況下，初級分析員是否需要了解該技術，以便對涉嫌疏忽的錯誤負責？"將邊緣處理納入傳感網設計也是一個有道德爭議的話題。雖然自動數據處理可以節省SIAS的時間，但分析師如何知道邊緣計算程序是否出現故障，或者他們是否被對手欺騙？從傳感器的邊緣去除人類的認知勞動可以更快地提供數據，但結果的準確性可能會有所不同。那些認識到這些問題，但卻因為要比中國或俄羅斯更快地投入技術的壓力而推遲解決的領導人，應該仔細思考這一立場背后的原因。雖然中國和俄羅斯的政府形式與美國根本不同，但事實是，這兩個國家都有等級制度，對國防事務中的錯誤和不精確性的責任也很重視。以類似于核計劃的方式，美國政府應該領導國際社會與競爭對手分享安全、設計良好的人工智能算法的傳統技術，確保沒有國家因為糟糕的態勢感知工具而引發誤解導致的沖突。最好的國際人工智能軍備控制可能來自于對人工智能研究結果的盡可能透明，并倡導負責任地使用該技術。

建議

盡管完整形式的傳感網格還需要幾年時間才能實現，但最終系統的組成部分可能會在未來十年內逐步投入使用。在為下一代人機協作做好技術、人員和組織的準備方面，還有大量的工作要做。美國防部和空軍ISR領導人不應等到正式的系統首次亮相時才開始倡導在傳感網格技術中采用以人為本的設計，將人工智能的培訓目標納入對一線分析員的指導，并為組織接受該技術和與之合作做好準備。當涉及到設計和構建這個復雜的系統時，物資領導人在考慮采購商業的、現成的軟件以獲得更快的數據匯總解決方案時，應該謹慎行事。在沒有為傳感網格及其系統如何運作建立測試、評估和安全標準的情況下，過早地整合多用途商業軟件可能會給傳感網的人工智能互動帶來不確定性和風險。

此外，找到更快解決方案的愿望不應該先于對人的因素的考慮，因為這對安全和富有成效的人機合作至關重要。美國防部領導人還應該認真審視在整個傳感網中整合邊緣處理的計劃，將其作為一個安全和道德問題，并應仔細思考在哪些地方將人類感知與傳感器輸出分離才是真正合適的。雖然培訓人類分析員是ISR體系可以采取的最明顯的措施之一，以減輕來自外部干預和道德失誤的威脅，但物資領導人也必須考慮他們在采購精心設計的、以人為本的技術方面的作用，作為一個同樣重要的保障。

正如美國國防創新委員會的AI原則。雖然年輕的分析員在快速學習數字應用和程序方面表現出很強的能力，但初級人員也傾向于以令人驚訝的方式信任技術。因此，這些分析員必須繼續接受情報分析基礎知識的培訓，使他們善于識別傳感網格中的算法錯誤和遺漏。空軍領導人在2018年為促進AI和ML素養邁出了務實的第一步，啟動了一項試點計劃，以確定具有計算機語言經驗的空軍人員，希望在各種舉措中利用那些具有編碼專長的人。雖然這項措施將有助于區分具有較高數字熟練度的分析員，但教導勞動力如何運作計算機模型可能是一個更有用的技能組合，以準備在傳感網中進行人機合作。"為傳感網就業準備一線分析員的最壞方法是依靠及時培訓來彌補勞動力對技術知識的差距，從而為SIAS活動引入更大的錯誤率。

為了讓組織準備好接收和整合傳感網格，美國防部和空軍領導人必須首先解決人力需求。盡管像傳感網格這樣的系統被設計成模仿人類的認知勞動，但分析人員的勞動對于質量控制和任務管理仍然是至關重要的，更不用說作為識別DNN內潛在篡改或系統故障的保障。現在還不是為預期的技術進步做出任何急劇的力量結構調整的時候，而這種技術進步離投入使用還有好幾年的時間。此外，到目前為止，關于傳感網將如何整合來自聯合部隊的數據，或者是否允許作戰司令部像今天一樣擁有自己獨特的數據戰略和情報資源的討論很少。如果傳感網由于來自一個服務部門或地理作戰司令部的人為縫隙而無法為分析人員提供更多的情報來源，那么該系統是否真正做到了其設計者所宣傳的？這些問題必須在聯合參謀部層面加以解決和調和。最后，利用來自傳感網的情報的組織必須認識到，當他們與機器合作時，他們很容易受到偏見和捷徑的影響。了解外部壓力和交戰規則如何導致對機器輸出的質疑失敗，對于改善人機伙伴關系，真正使SIAS更加有效至關重要。

結論

美國防部和空軍對人工智能在情報中的應用所進行的研究投資，對于確定部隊應如何準備與傳感網格進行人機合作是至關重要的。對領導人和一線分析人員進行培訓，讓他們了解在自動化、人工智能支持的SIAS中存在的道德難題和對手攻擊的可能性，這對保護組織不傳播錯誤信息至關重要。幸運的是，美國防部和空軍ISR領導人主張在傳感網格系統中采用以人為本的設計和培訓模式還為時不晚，因為AFRL的工程師們正在繼續努力為部隊提供一個安全、務實的解決方案。領導人必須認識到以速度換取精確性的組織傾向，并理解精心設計的系統分階段整合將是值得等待的。

衛星通信提供了在未覆蓋和未充分覆蓋地區的服務連續性、服務普遍性和服務可擴展性的前景。然而，要實現這些好處，必須首先解決幾個挑戰，因為衛星網絡的資源管理、網絡控制、網絡安全、頻譜管理和能源使用都比地面網絡更具挑戰性。同時，人工智能（AI），包括機器學習、深度學習和強化學習，作為一個研究領域一直在穩步增長，并在包括無線通信在內的各種應用中顯示出成功的結果。特別是，人工智能在各種衛星通信方面的應用已經顯示出巨大的潛力，包括波束跳躍、抗干擾、網絡流量預測、信道建模、遙測挖掘、電離層閃爍檢測、干擾管理、遙感、行為建模、天-空-地整合以及能源管理。因此，這項工作提供了一個關于人工智能、其不同子領域以及其最先進算法的總體概述。然后討論了衛星通信系統的不同方面所面臨的幾個挑戰，并提出了它們的擬議和潛在的基于人工智能的解決方案。最后，對該領域進行了展望，并提出了未來的研究和發展步驟。

關鍵詞：衛星通信；無線通信；人工智能；機器學習；深度學習；強化學習

1 引言

隨著無線通信系統的顯著進步，各領域對新服務的需求迅速增加，以及智能設備的快速發展，促使了對衛星通信系統的需求不斷增加，以補充傳統的地面網絡，使其在未覆蓋和未充分覆蓋的城市、農村和山區以及海洋地區提供接入。有三種主要的衛星類型，包括地球靜止軌道，也被稱為地球同步赤道軌道（GEO），中地球軌道（MEO）和低地球軌道（LEO）的衛星。這種分類取決于三個主要特征，即高度、光束足跡大小和軌道。GEO、MEO和LEO衛星圍繞地球的軌道高度分別為35786、7000-25000和300-1500公里。地球同步軌道衛星的波束覆蓋范圍為200至3500公里；MEO或LEO的波束覆蓋范圍為100至1000公里。GEO衛星的軌道周期與地球自傳周期相等，這使得它在地面觀察員看來是固定的，而LEO和MEO衛星的周期較短，許多LEO和MEO衛星需要提供連續的全球覆蓋。例如，Iridium NEXT有66顆低地軌道衛星和6顆備用衛星，SpaceX的Starlink計劃有4425顆低地軌道衛星和一些備用衛星，other-three-billion（O3b）有20顆MEO衛星，包括3顆在軌備用衛星。

衛星通信應用也可分為三類：（1）服務的連續性，在未覆蓋和未充分覆蓋的地區提供網絡接入；（2）服務的普遍性，在地面網絡因災害而暫時中斷或破壞的情況下，改善網絡的可用性；（3）服務的可擴展性，從地面網絡卸載流量。此外，衛星通信系統可以為各個領域提供覆蓋，如交通、能源、農業、商業和公共安全領域。

盡管衛星通信提供了更好的全球覆蓋和更高的通信質量，但它也有一些挑戰。衛星，尤其是低地軌道衛星，機載資源有限，而且移動迅速，給網絡接入帶來了高動態性。地面網絡的模型可能有很高的計算復雜性；由于衛星的機載計算資源有限，地面模型不適合衛星。空間段的高流動性，以及衛星層（GEO、MEO、LEO）、航空層（無人駕駛飛行器（UAV）、氣球、飛艇）和地面層之間固有的異質性，使得網絡控制、網絡安全和頻譜管理具有挑戰性。高流動性導致了頻繁的交接。因此，許多研究人員都關注衛星通信的交接管理。此外，頻繁的交接使得安全路由更難實現，從而使其更容易受到干擾。此外，實現衛星通信的高能源效率比地面網絡更具挑戰性。

一些調查已經討論了衛星通信系統的不同方面，如交接方案、移動衛星系統、衛星上的多輸入多輸出（MIMO）、用于遠程物聯網的衛星、衛星間通信系統、服務質量（QoS）提供、空間光學通信、空地一體化網絡、小型衛星通信、物理空間安全、CubeSat通信和非地面網絡。

同時，近年來對人工智能（AI）的興趣也在增加。人工智能，包括機器學習（ML）、深度學習（DL）和強化學習（RL），已經在科學和工程領域的不同應用中顯示出成功的結果，如電氣工程、軟件工程、生物工程和金融工程。一些研究人員因此求助于人工智能技術來解決各自領域的各種挑戰，并設計了各種成功的基于人工智能的應用，以克服無線通信領域的一些挑戰。意識到人工智能的潛力，從其他領域人工智能的成功應用中得到啟發，并考慮到衛星通信的固有困難，我們相信人工智能可以在衛星通信領域的幾個方面發揮巨大的優化作用。

一些人已經討論了人工智能及其在一般無線通信中的應用。另一些人則專注于人工智能在無線通信某一方面的應用，如物聯網的無線通信、網絡管理、無線安全、新興機器人通信、天線設計和無人機網絡。Vázquez等人簡要地討論了人工智能在衛星通信中的一些有前途的用例，而Kato等人則討論了人工智能在空天一體網絡中的應用。DL在空間應用中的使用也得到了討論。

總的來說，一些研究人員已經討論了無線和衛星通信系統，其中一些已經討論了人工智能在衛星通信的一個或幾個方面的使用；然而，對人工智能在衛星通信的不同方面的應用的廣泛調查還沒有進行。

因此，這項工作旨在提供對人工智能的介紹，討論衛星通信所面臨的各種挑戰，以及對基于人工智能的潛在應用的廣泛調查，以克服這些挑戰。第2節介紹了人工智能的總體概況、其不同的子領域以及其最先進的算法。第3節討論了衛星通信系統的不同方面所面臨的幾個挑戰，以及潛在的基于人工智能的解決方案；這些應用在圖1中進行了總結。其中一些應用是衛星通信所特有的，如波束跳動（BH）、遙測挖掘、電離層閃爍檢測和遙感（RS）。天空地綜合網絡（SAGINs）是另一種應用，其中衛星和非衛星網絡使用人工智能進行整合，以提供更靈活的服務。盡管其他一些應用與地面網絡有共同之處，但在衛星通信方面更具挑戰性，例如，由于衛星的機載資源有限，衛星網絡的能源管理受到更多限制。表1說明了應用人工智能算法來解決不同的衛星通信問題。為了便于參考，本文使用的首字母縮寫詞和縮略語在表2中列出。

圖1 人工智能在不同衛星通信方面的應用。

表1 各種人工智能算法及其各自的衛星通信應用。

表2 縮略語和全名

2 人工智能

雖然人工智能聽起來是一種新的方法，但它可以追溯到20世紀50年代，并且包含了幾種方法和范式。ML、DL、RL以及它們的交叉點都是人工智能的一部分，如圖2所概述的。因此，人工智能的主要部分遵循的是學習方法，盡管沒有任何學習方面的方法也包括在內。總的來說，對人工智能的研究旨在使機器變得更聰明，要么遵循一些規則，要么促進有指導的學習。前者指的是符號型人工智能；后者指的是ML。這里的更聰明表示有能力完成通常需要人類的復雜智力任務，如分類、回歸、聚類、檢測、識別、分割、計劃、調度或決策。盡管這種符號化的人工智能已經適用于許多應用，但它在更高級的問題上顯示出各種局限性，這些問題顯示出更多的復雜性，更少的結構，以及更多的隱藏特征，如計算機視覺和語言處理任務。為了解決這些限制，研究人員轉向了一種被稱為ML的學習方法。

圖2 人工智能、機器學習、深度學習和強化學習的關系。

2.1 機器學習

ML，包括DL和RL，是人工智能的一個子集。與符號人工智能不同的是，在符號人工智能中，機器被提供了解決某個問題的所有規則，而在ML中，機器被提供了背景，以便自己學習規則來解決這個問題。學習過程需要數據來提取模式和隱藏的結構；重點是找到數據的最佳代表，通過使用反饋信號的指導，在預定的可能性空間內搜索，從而接近預期的結果。為了實現這一目標，有三件事是必須的：輸入數據、預期輸出的樣本，以及衡量算法性能的方法。

ML算法通常被劃分為深度學習和非深度學習。雖然DL獲得了更高的人氣和關注度，但一些經典的非深度ML算法在某些應用中更有用，尤其是在數據缺乏的時候。ML算法也可以分為監督型、半監督型、無監督型和RL型，如圖3所示。在本小節中，只討論非RL和非深度ML方法；DL和RL分別在第2.2和2.3節中討論。

圖3 機器學習子領域。

2.1.1 監督、無監督和半監督學習

監督、無監督和半監督學習都是可以用來解決各種問題的ML方法。

在監督學習期間，所有的訓練數據都被標記了，即被貼上了正確答案的標簽。因此，該算法是完全受監督的，因為它可以在訓練過程中的任何時候檢查其預測是正確還是錯誤。監督模型從訓練數據中學習模式，然后能夠在推理過程中預測非標簽數據的標簽。監督學習已經被應用于分類和回歸任務。

由于標注可能由于缺乏信息而不可能，或者由于成本過高而不可行，無監督學習在訓練過程中采用了未標注的數據集。使用無標簽的數據，模型可以提取數據中隱藏的模式或結構，這對理解某種現象可能是有用的，或者其輸出可以作為其他模型的輸入。無監督學習通常被用于聚類、異常檢測、關聯和自動編碼器（AE）。

作為監督學習和無監督學習的中間地帶，半監督學習允許訓練數據的非標簽和標簽部分的混合。因此，當只有一小部分數據被標注和/或標注過程困難或昂貴時，半監督學習是一個很好的選擇。這種技術的一個例子是偽標簽，它被用來改善監督模型。

2.1.2 概率建模

概率建模，涉及使用統計技術分析數據的模型，是最早的ML形式之一。一個流行的例子是樸素貝葉斯分類器，它使用貝葉斯定理，同時假設所有的輸入特征是獨立的。另一個流行的例子是邏輯回歸；由于這種分類器的算法很簡單，它在數據科學界被普遍使用。

2.1.3 支持向量機

核方法是一類流行的算法；其中最著名的是SVM，其目的是找到一個決策邊界來對數據輸入進行分類。該算法將數據映射為高維表示，其中決策邊界被表示為一個超平面。然后，通過嘗試最大化超平面與每個類別中最近的數據點之間的距離來尋找超平面。在相當長的時間里，SVM是最先進的分類方法，并在一些科學和工程領域顯示出許多成功的應用。然而，SVM在應用于大型數據集時表現出了局限性。此外，當SVM被應用于感知問題時，由于它是一個淺層模型，需要一個特征工程步驟來提高性能。盡管它已經被DL算法所超越，但由于其簡單性和可解釋性，它仍然是有用的。

2.1.4 決策樹

決策樹是一種監督學習算法，它通過定義條件控制語句將數據的特征表示為一棵樹。鑒于其可理解性和簡單性，它是ML中最受歡迎的算法之一。此外，決策樹可以用于回歸和分類，因為決策可以是連續值或類別。決策樹的一個更穩健的版本，即隨機森林（RFs），結合了各種決策樹以帶來優化的結果。這涉及到建立許多不同的弱決策樹，然后使用自舉聚合（bagging）將其輸出集合起來。決策樹的另一個流行版本是梯度提升機，它通常比RFs更有效；梯度提升機也結合了各種決策樹模型，但與RFs不同的是，它使用了梯度提升，這是一種通過迭代訓練新模型來改進ML模型的方法，這些模型關注的是之前模型的錯誤。極限梯度提升（XGBoost）庫是梯度提升算法的一個優秀實現。射頻和梯度提升機是最流行和最強大的非深度算法，已被廣泛用于贏得Kaggle網站上的各種數據科學競賽。

2.1.5 神經網絡

神經網絡包含不同層的相互連接的節點，其中每個節點都是一個感知器，將多元線性回歸產生的信號反饋給一個激活函數，這個激活函數可能是非線性的。一般選擇非線性激活函數是為了通過消除線性來增加模型的復雜性。在NN中，一個輸入（例如，一個圖像）的特征被分配為輸入層。然后，根據權重矩陣，使用矩陣乘法（線性操作）計算下一個隱藏層，然后使用非線性激活函數。NN的訓練都是為了找到最佳權重。為此，設計了一個損失函數來比較模型的輸出和每個輸出的地面實況，以找到使該損失函數最小的權重。逆向傳播算法被設計成使用梯度白化等優化技術來訓練權重鏈[40] 。NNs已經成功地用于回歸和分類，盡管它們在處理大量特征（輸入參數）和隱藏層時最為有效。深度NNs表現出更強的學習能力，因此比淺層NNs顯示出更高的性能，這導致了NNs更復雜的設計的發展，包括更多的學習層和使用諸如卷積或遞歸的技術，這導致了DL的進步。

2.2 深度學習

與淺層模型相比，ML的這個子領域需要高計算資源。由于其相對簡單，淺層ML算法需要人類的專業知識和干預，以提取有價值的特征或轉換數據，使其更容易被模型學習。DL模型最大限度地減少或消除這些步驟，因為這些轉換是在深度網絡中隱含完成的。

2.2.1 卷積神經網絡

CNN，是一種常見的深度神經網絡（DNNs），由卷積層組成，已被普遍用于計算機視覺應用，如圖像分類、物體檢測和物體跟蹤。它們在其他領域也顯示出成功，包括語音和自然語言處理。CNN架構是通過選擇過濾器（內核）的大小、數量和位置以及激活函數來定義的。然后，學習涉及到尋找可以應用于輸入的最佳過濾器集，以提取有用的信息并預測正確的輸出。

2.2.2 遞歸神經網絡

RNNs是另一個系列的NNs，其中的節點沿著時間序列形成一個有向圖，以前的輸出被用作輸入。RNNs專門用于處理一連串的數值x(0),x(1),x(2),...,x(T)。RNNs使用其內部存儲器來處理可變長度的輸入序列。一般來說，RNN的設計如圖4所示，對于每個時間t，x(t)代表該時間的輸入，a(t)是激活，y(t)是輸出。RNN模型最常用于自然語言處理和語音識別領域。

圖4 遞歸神經網絡的簡化結構。

2.2.3 自動編碼器

AEs是另一種類型的NNs，用于以無監督的方式學習有效的數據表示。AEs使用瓶頸技術對數據進行編碼，其中包括降維以忽略輸入數據的噪聲，以及從編碼數據中再生出的初始數據，如圖5所總結的。然后比較初始輸入和生成的輸出，以評估編碼的質量。AE已經被廣泛地應用于降維和異常檢測。

圖5 自動編碼器，它通過訓練網絡來學習數據的表示方法，以減少輸入尺寸，然后從編碼的數據中重建初始數據。

2.2.4 深度生成模型

深度生成模型涉及到自動發現和學習輸入數據中的規律性，這樣就可以生成新的樣本。這些模型已經顯示出各種應用，特別是在計算機視覺領域。最流行的生成模型是變異AE（VAE）和生成對抗網絡（GANs）。

其中，VAEs使用無監督的NN學習復雜的數據分布。雖然VAEs是AEs的一種類型，但其編碼分布在訓練過程中被正則化，以確保其潛伏空間（即壓縮數據的表示）具有生成新數據的良好特性。

GANs由兩個競爭中的NN組成，其中一個生成器網絡G學習捕捉數據分布并生成新數據，一個判別器模型D估計一個給定樣本來自生成器而不是初始訓練數據的概率。因此，生成器被用來產生誤導性的樣本，并驗證判別器可以確定一個給定的樣本是真的還是假的。

2.3 強化學習

這個ML的子集涉及到與那些使用監督、半監督或無監督學習不同的學習方法。強化學習是關于學習采取什么行動，希望最大化獎勵信號，這是一個數字獎勵，編碼一個行動的成功結果。智能體必須通過嘗試每個行動來找到哪些行動能帶來最大的回報，如圖6所示。這些行動可以影響到即時獎勵以及后續獎勵。一些RL方法需要引入DL；這種方法是深度RL（DRL）的一部分。

圖6 強化學習場景:一個智能體采取行動并從環境中獲得反饋。

在RL過程中遇到的挑戰之一是平衡探索和利用之間的權衡。為了獲得最大的即時獎勵，RL智能體必須進行開發，即選擇以前探索過并發現是最好的行動。為了找到這樣的行動，它必須探索解決空間，即嘗試新的行動。

所有的RL智能體都有明確的目標，意識到他們環境的某些方面，可以采取影響他們環境的行動，并在他們環境的重大不確定性下采取行動。除了智能體和環境之外，RL系統還有四個子元素：策略、獎勵信號、價值函數，有時還有環境模型。

在RL中，學習涉及智能體確定最佳方法，將環境的狀態映射到處于這些狀態時要采取的行動。每次行動后，環境向RL智能體發送一個獎勵信號，這是RL問題的目標。與獎勵帶來的對行動的即時評價不同，價值函數估計了智能體在較長時期內可以預期得到的獎勵總額。最后，一個環境模型模仿了環境的行為。這些模型可用于規劃，允許智能體在未來可能發生的情況之前考慮這些情況。解決利用模型的RL問題的方法被稱為基于模型的方法，而沒有模型的方法被稱為無模型方法。事實上，當構建一個足夠精確的環境模型是相當具有挑戰性的時候，無模型的方法可能更有優勢。

2.4 討論

2.4.1 模型選擇

人工智能是一個廣泛的領域，包含了各種方法，每一種方法都包含了幾種算法。人工智能可以基于預定義的規則或基于ML。這種學習可以是監督的、半監督的、無監督的或強化學習；在這些類別中的每一種學習都可以是深度的或淺度的。由于每種方法都為人工智能世界提供了不同的東西，對每種方法的興趣應該取決于給定的問題；更復雜的方法或算法不一定能帶來更好的結果。例如，一個常見的假設是，DL比淺層學習更好。雖然這在一些情況下是成立的，特別是對于感知問題，如計算機視覺問題，但它并不總是適用的，因為DL算法需要更多的計算資源和大型數據集，而這些并不總是可用的。當一個完全標記的數據集可用時，監督學習是一種有效的方法。然而，情況并非總是如此，因為數據獲取可能很昂貴、很困難甚至不可能。在這種情況下，半監督或無監督的學習或RL更適用。無監督學習可以在非標簽數據中找到隱藏的模式，而RL則是學習實現某種任務的最佳策略。因此，無監督學習是一個從數據中提取信息的好工具，而RL更適合于決策任務。因此，對一種方法或算法的選擇不應該基于它所認為的優雅，而應該將該方法與手頭的問題的特點相匹配，包括目標、數據質量、計算資源、時間限制和未來的更新。解決一個問題可能需要一個以上的方法的組合。

在評估問題和選擇方法之后，必須選擇一種算法。雖然ML有數學基礎，但它仍然是一個經驗性的研究領域。為了選擇最好的算法，數據科學和ML的研究人員和工程師根據經驗對一個給定問題的不同算法進行比較。通過將數據分割成訓練集和測試集來比較算法。訓練集然后被用來訓練模型，而測試集則是用來比較模型之間的輸出。

在競爭性的數據科學中，如Kaggle比賽中，每個增量都很重要，模型經常被組合起來以提高其整體結果，各種組合技術，如bagging、boosting和adaptive boosting都被使用。

2.4.2 模型正則化

在選擇了方法和算法之后，一般會進行超參數調整以提高算法的輸出。在大多數情況下，ML算法依賴于許多超參數；因此，為一個給定的問題選擇最佳的超參數可以獲得更高的精度。這一步可以通過直觀地選擇更好的超參數來手動完成，也可以使用各種方法自動完成，如網格搜索和隨機方法。

ML中一個常見的陷阱是過度擬合，在此期間，機器停止學習（泛化），而是開始記憶數據。當這種情況發生時，模型可以在看到的數據上取得良好的結果，但在面對新的數據時就會失敗，即訓練誤差減少，測試誤差增加，如圖7所示。過度擬合可以通過將數據分割成訓練集、驗證集和測試集來發現，其中驗證集和測試集都不用于訓練模型。訓練集用于訓練模型，驗證集用于驗證未見過的數據上的模型預測，并用于超參數調整，測試集用于模型的最終測試。

可以采用多種方法來減少過擬合。可以通過增加數據集的大小來減少過擬合，這在計算機視覺領域是很常見的。例如，可以通過對圖像進行變換來增加圖像數據，如旋轉、翻轉、添加噪音或切割圖像的一部分。雖然它很有用，但這種技術并不總是適用。另一種方法是使用交叉驗證法，而不是將數據分成訓練集和驗證集。早期停止，如圖7所示，包括在算法開始記憶數據之前停止學習過程。集合學習，即各種模型，被巧妙地生成和合并以解決特定問題的過程，也被普遍使用。

圖7 訓練時間內的訓練和測試錯誤。早期停止是常見的技術，通過在早期階段停止訓練過程，即當測試誤差開始顯著增加時，來減少過度擬合。

2.4.3 炒作和希望

在過去的十年里，由于投資呈指數級增長，人工智能研究，包括其各個子領域，都取得了快速的進展。盡管有些人無法預見人工智能的真正潛力、后果和相關性，但它將成為全球技術的一個組成部分。作者認為，人工智能的不可避免的進步可能會產生長期的影響，人工智能將可能成為從數學到衛星通信等所有科學領域的多樣化應用的主要部分。

3 衛星通信的人工智能

3.1 波束跳動

3.1.1 定義和限制

衛星資源是昂貴的，因此需要涉及優化和分時的高效系統。在傳統的衛星系統中，資源是固定的，并且均勻地分布在各波束上。因此，傳統的大型多波束衛星系統顯示出所提供的資源和所要求的資源之間的不匹配；一些點波束的需求高于所提供的容量，使需求懸而未決（即熱點），而其他點波束的需求低于所安裝的容量，使所提供的容量未被使用（即冷點，如圖8所概述的）。因此，為了改善多波束衛星通信，有必要在服務覆蓋區域內對衛星資源進行機載靈活分配，以實現更有效的衛星通信。

圖8 各波束之間的需求-容量不匹配，這表明了在多波束衛星系統中，在所有波束中使用固定和均勻分布的資源的局限性。

波束跳動（BH）已經成為一種有前途的技術，在管理非均勻和變化的流量請求方面實現更大的靈活性，在整個一天、一年和衛星覆蓋區的壽命期間。BH涉及到用少量的活動波束動態地照亮每個單元，如圖9所總結的那樣，從而利用所有可用的機載衛星資源，只向波束的一個子集提供服務。這個子集的選擇是隨時間變化的，取決于通信需求，而通信需求是基于與時間空間相關的BH照亮模式。被照亮的光束只有足夠長的時間來滿足每個光束的要求。因此，BH系統中具有挑戰性的任務是決定哪些光束應該被激活以及激活多長時間，即BH照明模式；這項責任交給資源管理器，然后通過遙測、跟蹤和指令將選定的模式轉發給衛星。

圖9 波束跳動（BH）的簡化結構。TT&C代表遙測、跟蹤和指令。

在研究人員提供的實現BH的各種方法中，大多數都是基于經典的優化算法。例如，Angeletti等人證明了使用BH時系統性能的幾個優點，并提出使用遺傳算法（GA）來設計BH照亮模式；Anzalchi等人也說明了BH的優點，并比較了BH和非跳躍系統的性能。Alberti等人提出了一種啟發式迭代算法來獲得BH照亮設計的解決方案。BH也被用來減少Terabit/s衛星的轉發器放大器的數量。還提出了一種迭代算法，在聯合BH設計和頻譜分配中，在某些波束需求和功率限制下，最大限度地提高整體提供的容量。Alegre等人設計了兩種啟發式算法來分配基于每波束流量請求的容量資源，然后進一步討論了長期和短期的流量變化并提出了處理這兩種變化的技術。Liu等人研究了BH系統中控制流量到達率的技術。BH衛星中的QoS延遲公平平衡問題也得到了解決。Shi等人和Ginesi等人提出了聯合BH方案，以進一步提高星載資源分配的效率。為了找到最佳的BH照亮設計，Cocco等人使用了模擬退火算法。

盡管采用優化算法在BH系統的靈活性和減少延遲方面取得了令人滿意的結果，但仍有一些困難。由于搜索空間隨著光束數量的增加而急劇增加，設計BH照亮模式的一個固有的困難是找到最佳設計，而不是許多局部優化中的一個。對于有成百上千個光束的衛星，經典的優化算法可能需要很長的計算時間，這在很多情況下是不現實的。

此外，經典的優化算法，包括GAs或其他啟發式算法，在場景發生適度變化時需要修改；這導致了更高的計算復雜性，這對星載資源管理來說是不切實際的。

3.1.2 基于人工智能的解決方案

為了克服這些限制并提高BH的性能，一些研究人員提出了基于人工智能的解決方案。其中一些解決方案完全基于學習方法，即端到端學習，其中BH算法是一種學習算法。另一些則試圖通過增加一個學習層來改進優化算法，從而將學習和優化結合起來。

為了優化多波束衛星系統的傳輸延遲和系統吞吐量，Hu等人制定了一個優化問題，并將其建模為馬爾可夫決策過程（MDP）。然后，DRL被用來解決BH照亮設計，并優化建模的MDP的長期累積獎勵。結果，與以前的算法相比，所提出的基于DRL的BH算法可以減少高達52.2%的傳輸延遲，并將系統的吞吐量提高了11.4%。

為了結合端到端學習方法和優化方法的優勢，進行更有效的BH照亮模式設計，Lei等人[57]提出了一種學習和優化算法來處理光束跳動模式的照亮選擇，其中，基于全連接NN的學習方法被用來預測非最佳的BH模式，從而解決在大搜索空間中應用優化算法時所面臨的困難。訓練有素的ML算法被用來提供一個預測的特征向量，然后用來從原始搜索空間中刪除大量的無前途的設計。因此，基于學習的預測減少了搜索空間，優化可以減少在較小的有希望的BH模式集上。

研究人員還為DVB-S2X衛星采用了多目標DRL（MO-DRL）。在實際條件下，Zhang等人證明了低復雜度的MO-DRL算法可以保證每個小區的公平性，并且比以前的技術（包括DRL）更好地改善了吞吐量，提高了0.172%。相比之下，產生類似結果的GA的復雜度大約是MO-DRL模型的110倍。Hu等人提出了一種基于雙環學習的多行動選擇技術，并使用DNN獲得了一個多維的狀態。他們的研究結果表明，所提出的技術可以同時實現不同的目標，并且可以通過適應用戶需求和信道條件來智能地分配資源。

3.2 抗干擾

3.2.1 定義和限制

衛星通信系統需要覆蓋廣泛的區域，并提供高速、通信和高容量的傳輸。然而，在使用衛星的戰術通信系統中，可靠性和安全性是首要考慮的問題；因此，抗干擾（AJ）能力是必不可少的。干擾攻擊可以向衛星網絡中的主要位置和關鍵設備發起，以減少甚至癱瘓吞吐量。因此，一些抗干擾方法已經被設計出來，以減少可能的攻擊，保證衛星通信的安全。

在許多先前使用衛星的戰術通信系統中，跳頻（FH）擴頻方法一直是首選。Bae等人利用采用頻分多址（FH-FDMA）方案的脫跳轉發器方法，開發了一種具有AJ能力的高效同步方法。

大多數先前的AJ技術都不是基于學習的，因此無法處理那些能夠通過互動和學習不斷調整干擾方法的智能干擾技術。發展中的人工智能算法提供了先進的工具來實現基于學習方法的多樣化和智能干擾攻擊，因此對衛星通信的可靠性構成了嚴重威脅。在這樣的兩個例子中，一個智能干擾分配自動調整了干擾信道，而一個智能干擾器則通過調整干擾功率和信道使干擾效果最大化。此外，攻擊可能是由多個干擾器同時實施基于學習方法的智能干擾攻擊造成的。盡管這可能是一種不太可能的情況，但還沒有被認真考慮。此外，大多數研究人員都專注于防御基于頻率領域的AJ攻擊，而不是基于空間的AJ技術，如路由AJ。

3.2.2 基于人工智能的解決方案

通過使用長短時記憶（LSTM）網絡，也就是DL RNN，來學習信號的時間趨勢，Lee等人證明了在之前討論的FHFDMA方案中，整體同步時間的減少。

在移動通信中，移動設備可以在動態博弈框架下，利用RL實現最優的通信策略，而不一定知道干擾和無線電信道模型。Han等人提出使用AJ的學習方法來阻止衛星互聯網（IoS）中的智能干擾，使用基于空間的AJ方法，即AJ路由，總結在圖10中。通過將博弈論建模與RL相結合，并將智能干擾器和衛星用戶之間的互動建模為Stackelberg AJ路由博弈，Han等人證明了如何使用DL來處理IoS的高動態性造成的巨大決策空間，以及使用RL來處理衛星和智能干擾環境之間的相互作用。DRL，特別是演員評論家算法，以源節點為狀態，評論者網絡評估所選行動的預期回報，使得解決異構IoS的路由選擇問題成為可能，同時保留了一個可用的路由子集，以簡化Stackelberg AJ路由游戲的決策空間。基于這個路由子集，一種流行的RL算法Q-Learning被用來快速響應智能干擾并調整AJ策略。

圖10 基于空間的抗干擾（AJ）路由。紅線代表發現的干擾路徑，綠線代表建議的路徑。

后來，Han等人將博弈論建模和RL結合起來，根據衛星支持的軍隊物聯網（SatIoT）的動態和未知干擾環境獲得AJ策略。在這里，研究了分布式動態AJ聯盟形成博弈，以減少干擾環境中的能源使用，并提出了一個層次化的AJ Stackelberg博弈，以表達干擾者和SatIoT設備之間的對抗性互動。最后，利用基于Q-Learning的算法，根據干擾環境得到次優的AJ策略。

3.3 網絡流量預測

3.3.1 定義和限制

網絡流量預測是一種主動的方法，旨在保證可靠和高質量的通信，因為流量的可預測性在許多衛星應用中是很重要的，如擁堵控制、動態路由、動態信道分配、網絡規劃和網絡安全。衛星網絡流量是自相似的，并顯示出長距離依賴性（LRD）。因此，為了實現準確的預測，有必要考慮其自相似性。然而，基于自相似性的地面網絡模型具有很高的計算復雜性；由于衛星上的計算資源有限，地面模型并不適合衛星使用。因此，需要對衛星網絡進行有效的流量預測設計。

一些研究人員已經對地面和衛星網絡進行了流量預測；這些技術包括馬爾科夫、自回歸移動平均（ARMA）、自回歸綜合移動平均（ARIMA）和分數ARINA（FARIMA）模型。通過使用經驗模式分解（EMD）來分解網絡流量，然后應用ARMA預測模型，Gao等人展示了顯著的改進。

衛星流量預測面臨的兩個主要困難是衛星網絡的LRD和有限的機載計算資源。由于衛星網絡的LRD特性，短距離依賴（SRD）模型未能實現精確的預測。雖然以前的LRD模型取得了比SRD模型更好的結果，但它們存在著高復雜性。為了解決這些問題，研究人員轉向了人工智能技術。

3.3.2 基于人工智能的解決方案

Katris和Daskalaki將FARIMA與NN結合起來用于互聯網流量預測，而Pan等人將差分進化與NN結合起來用于網絡流量預測。由于經典的NNs的高復雜性，最小平方SVM，即SVM的優化版本，也被用于預測。通過應用主成分分析（PCA），減少輸入維度，然后采用廣義回歸NN，Liu和Li以較少的訓練時間實現了較高的預測精度。Na等人將流量預測作為其低地軌道衛星網絡分布式路由策略的一部分。極端學習機（ELM）也被用于路由前衛星節點的流量負載預測。Bie等人使用EMD將具有LRD的衛星流量分解為具有SRD的系列，并在一個頻率上，以降低預測的復雜性并提高速度。他們將EMD、果蠅優化和ELM方法結合起來，以更高的速度實現了更準確的預測。

3.4 信道建模

3.4.1 定義和限制

信道模型是對無線信號傳播的通信信道效果的數學表示；它被建模為信道在頻域或時域的脈沖響應。

無線信道對可靠的高速通信提出了各種挑戰，因為它容易受到噪聲、干擾和其他信道障礙的影響，包括路徑損耗和陰影。其中，路徑損耗是由發射器發出的功率浪費和傳播信道效應造成的，而陰影是由接收器和發射器之間的障礙物吸收功率造成的。

需要精確的信道模型來評估移動通信系統的性能，從而提高現有部署的覆蓋率。信道模型也可以用來預測設計的部署大綱中的傳播情況，這可以在部署前進行評估，并優化實際系統的覆蓋和容量。對于少量的發射器的可能位置，可以進行戶外廣泛的環境評估，以估計信道的參數。隨著更先進的技術被用于無線通信，需要更先進的信道建模。因此，使用隨機模型在計算上是有效的，同時提供令人滿意的結果。

光線追蹤（Ray Tracing）被用于信道建模，這需要三維圖像，這些圖像一般使用計算機視覺方法生成，包括基于立體視覺的深度估計。

為城市環境提出了一個模型，該模型需要的特征包括道路寬度、街道方向的角度和建筑物的高度。隨后，Fernandes和Soares提出了一個簡化的模型，只需要接收器和發射器之間的建筑物占用比例，這可以從分割的圖像中手動或自動計算出來。

盡管所列的一些技術性能令人滿意，但它們仍然有許多局限性。例如，光線追蹤所需的三維圖像通常無法獲得，而且其生成在計算上也不高效。即使在有圖像的情況下，光線追蹤的計算成本也很高，數據也很詳盡，因此不適合實時優化覆蓋區域。此外，Cichon和Kümer提出的模型所需的詳細數據往往無法獲得。

3.4.2 基于人工智能的解決方案

一些早期的人工智能在路徑損耗預測方面的應用是基于經典的ML算法，如SVM ，NNs和決策樹。有興趣的讀者可以參考基于ML的路徑損失預測方法的調查，以了解更多細節。

然而，盡管以前的ML工作已經顯示出巨大的成果，但許多都需要3D圖像。因此，研究人員最近將注意力轉移到使用DL算法與2D衛星/航空圖像進行路徑損失預測。例如，Ates等人使用深度CNN從衛星圖像中逼近信道參數，包括陰影的標準偏差和路徑損失指數，而不使用任何添加的輸入參數，如圖11所示。

圖11 通道參數預測。二維衛星/航空圖像作為深度卷積神經網絡（CNN）的輸入，用于預測通道參數。該模型為每個參數單獨訓練。

通過在衛星圖像上使用DL模型和其他輸入參數來預測特定場景/區域內特定接收器位置的參考信號接收功率（RSRP），Thrane等人證明了在811和2630MHz時的增益分別比以前的技術（包括光線追蹤）有所提高。同樣，Ahmadien等人在衛星圖像上應用DL進行路徑損耗預測，盡管他們只關注沒有任何補充特征的衛星圖像，并在更普遍的數據上做文章。盡管這種方法很實用，因為它只需要衛星圖像來預測路徑損失分布，但二維圖像并不總是足以描述三維結構的特征。在這些情況下，必須將更多的特征（如建筑高度）輸入模型。

3.5 遙測開采

3.5.1 定義和限制

遙測是為控制和監測而記錄和傳輸測量結果的過程。在衛星系統中，星載遙測幫助任務控制中心跟蹤平臺的狀態，檢測異常事件，并控制各種情況。

衛星故障可能是由多種原因造成的；最常見的故障是由于太空的惡劣環境，即熱、真空和輻射。輻射環境會影響衛星的關鍵部件，包括通信系統和電源。

遙測處理能夠跟蹤衛星的行為，以檢測和減少故障風險。通過處理與衛星有關的幾個特征（如溫度、電壓和電流），尋找相關性、識別模式、檢測異常、分類、預測和聚類被應用于所獲得的數據，以進行故障診斷和可靠的衛星監測。

遙測分析中使用的最早和最簡單的技術之一是極限檢查。該方法的基礎是為每個特征設定一個精確的范圍，然后監測每個特征的方差，以檢測超范圍事件。這種算法的主要優點是其簡單的限制，因為可以很容易地選擇和更新，以控制航天器的運行。

具有復雜和先進應用的航天器對目前的空間遙測系統提出了挑戰。狹窄的無線帶寬和固定長度的幀遙測使傳輸快速增加的遙測量變得困難。此外，航天器和地面站之間不連續的短期接觸限制了數據傳輸能力。由于數據的高度復雜性，分析、監測和解釋巨大的遙測參數可能是不可能的。

3.5.2 基于人工智能的解決方案

近年來，人工智能技術在有遙測的空間任務中已被大量考慮。衛星健康監測已經使用概率聚類、降維、隱馬爾科夫和回歸樹進行，而其他人已經開發了使用k-近鄰（kNN）、SVM、LSTM的異常檢測方法，并對國家空間研究中心航天器的遙測數據進行測試。

此外，使用數據驅動和基于模型的監測方法，在不同的空間應用中進一步開發了空間功能助手。在他們對人工智能用于一般故障診斷和空間利用的研究中，Sun等人認為最有希望的方向是使用DL；建議將其用于中國空間利用的故障診斷。

Ibrahim等人利用埃及一號衛星的遙測數據比較了不同的ML算法，證明了LSTM、ARIMA和RNN模型的高預測精度。他們建議用簡單的線性回歸來預測短壽命衛星（即3-5年）的關鍵衛星特征，用NN來預測長壽命衛星（15-20年）。

與設計在地面任務控制中心運行的算法不同，Wan等人提出了一種自學分類算法，以低計算復雜度和低時間延遲的方式實現機載遙測數據分類。

3.6 電離層閃爍檢測

3.6.1 定義與限制

衛星向地球傳輸的信號會受到明顯的影響，因為它們在大氣層中的傳播，特別是電離層，這是大氣層較高的電離部分，以自由電子的密度升高為特征（圖12）。電離的潛在不規則性和梯度會扭曲信號的相位和振幅，這個過程被稱為電離層閃爍。

圖12 電離層閃爍的表示，在信號傳播過程中發生失真。藍色、綠色和紅色線條分別表示從衛星到地球天線的視線信號路徑、信號波動和信號延遲。

特別是，通過電離層的傳播可以導致全球導航衛星系統（GNSS）信號的失真，導致衛星向地球傳輸的信號受到明顯影響，因為它們通過大氣層傳播，特別是電離層，它是大氣層較高的電離部分，以自由電子的密度升高而區分（圖12）。電離的潛在不規則性和梯度會扭曲信號的相位和振幅，這個過程被稱為電離層閃爍。特別是，通過電離層的傳播會造成全球導航衛星系統（GNSS）信號的失真，導致基于GNSS的應用出現重大錯誤。全球導航衛星系統是無線電通信衛星系統，允許用戶通過處理從衛星傳輸的信號和進行三坐標測量來計算地球上任何地方的當地時間、速度和位置。全球導航衛星系統還可用于各種應用，如科學觀測。

由于GNSS波的接收功率很低，任何誤差都會大大威脅到定位系統的準確性和可信度。在電離層中傳播的GNSS信號面臨著時間延遲和閃爍的可能性。盡管所有的GNSS接收機都采用了延遲補償方法，但閃爍仍然是一個相當大的問題，因為其準隨機性使其難以建模。因此，電離層閃爍仍然是限制GNSSs高精度應用的一個主要因素。因此，為了提高GNSS的可信度和質量，需要對閃爍進行準確的檢測。

為了觀察這些信號，這些信號是解釋和模擬高層大氣的知識來源，并為基于GNSS的應用提高警惕和采取對策，已經在預計會發生閃爍的高低緯度地區安裝了GNSS接收機網絡。因此，強大的接收機和適當的閃爍檢測算法都是需要的。為了評估影響信號的閃爍程度，許多研究人員采用了簡單的事件觸發器，基于兩個信號的振幅和相位在規定時間內的比較。其他提議的替代方法包括使用小波技術，通過自適應頻率-時間技術分解載波-噪聲密度功率分布，以及評估收集的樣本的直方圖統計特性。

由于閃爍的復雜性，使用簡單的預定義閾值來評估閃爍的大小可能是欺騙性的。丟失事件的瞬時階段可能會導致延遲提出可能的警告信號，而具有高變異性的弱事件可能會被遺漏。此外，它可能難以區分由其他現象（包括多路徑）引起的信號失真。然而，其他建議的替代方案依賴于復雜的、計算成本高的操作，或依賴于定制的接收器架構。

3.6.2 基于人工智能的解決方案

最近，研究證明可以利用人工智能來檢測閃爍現象。例如，Rezende等人提出了一項數據挖掘方法的調查，該方法依賴于觀察和整合GNSS接收機。

有人提出了一種基于SVM算法的技術用于振幅閃爍檢測，后來又擴展到相位閃爍檢測。

通過使用決策樹和射頻來系統地檢測影響GNSS信號振幅的電離層閃爍事件，Linty等人提出的方法在準確性（99.7%）和Fscore（99.4%）方面超過了最先進的方法，從而達到人工驅動注釋的水平。

最近，Imam和Dovis提出使用決策樹來區分GNSS閃爍數據中的電離層閃爍和多路徑。他們的模型將數據注釋為閃爍的、受多路徑影響的或干凈的GNSS信號，顯示出96%的準確性。

3.7 干擾管理

3.7.1 定義和限制

干擾管理對于衛星通信運營商來說是強制性的，因為干擾會對通信信道產生負面影響，導致服務質量下降，運行效率降低和收入損失。此外，干擾是一個常見的事件，隨著越來越多的國家發射衛星和更多的應用預期，衛星頻段的擁擠程度也在增加。隨著共享同一頻段的用戶數量不斷增加，干擾的可能性也在增加，故意干擾的風險也在增加，這一點將在第3.2節中討論。

因此，干擾管理對于維護高質量和可靠的通信系統至關重要；管理包括檢測、分類和抑制干擾，以及應用技術來減少干擾的發生。

干擾檢測是過去幾十年來一直在研究的課題，特別是對于衛星通信。

然而，研究人員通常依賴于假設檢驗的決策理論，其中需要關于信號特性和信道模型的具體知識。由于當代的無線標準多種多樣，為每個信號類別設計特定的探測器是沒有結果的方法。

3.7.2 基于人工智能的解決方案

為了最大限度地減少干擾，Liu等人提出了一個框架，結合不同的人工智能方法，包括SVM、無監督學習和DRL，用于衛星選擇、天線指向和跟蹤，從而將人工智能用于衛星-地面網絡中的移動終端和站點。

另一種基于人工智能的方法，執行自動實時干擾檢測，是通過使用在歷史無異常頻譜上訓練的LSTM來預測在無異常情況下將會收到的以下信號頻譜。在這里，預測的頻譜與接收的信號進行比較，使用設計的指標，以檢測異常。

Henarejos等人提出使用兩種基于人工智能的方法，DNN AEs和LSTM，分別用于檢測和分類干擾。在前者中，用無干擾信號訓練AE，并與其他無干擾信號進行測試，以獲得實用的閾值。然后利用有干擾和無干擾信號的誤差差異來檢測干擾的存在。

3.8 遙感

3.8.1 定義和限制

遙感是通過處理一個地區、物體或現象在遠處的反射和發射的輻射，一般從衛星或飛機上提取有關信息的過程。

RS在多個領域有廣泛的應用，包括土地測量、地理學、地質學、生態學、氣象學、海洋學、軍事和通信。由于RS提供了監測危險、困難或不可能進入的地區的可能性，包括山區、森林、海洋和冰川，它是一個受歡迎和活躍的研究領域。

3.8.2 基于人工智能的解決方案

由DL引起的計算機視覺能力的革命導致了RS的發展，通過在衛星圖像上采用最先進的DL算法，用于RS的圖像分類已經成為計算機視覺中最受歡迎的任務。例如，Kussul等人利用Landsat-8和Sentinel-1A的RS圖像在烏克蘭的一個測試點上進行土地覆蓋和作物類型的分類。Zhang等人通過使用梯度增強的隨機CNN來結合DNN進行場景分類。最近，Li等人提出將kNN和CNN結合起來，利用RS成像繪制全球珊瑚礁海洋棲息地。RS和人工智能也被用于通信理論的應用，如第3.4節中討論的那些。

許多物體檢測和識別應用已經在RS圖像上使用人工智能進行開發。最近，Zhou等人提出使用YOLOv3，一種基于CNN的物體檢測算法，用于RS圖像中的車輛檢測。還有人提出將DL用于其他物體檢測任務，如建筑、飛機、云、船舶和軍事目標[166]檢測。人工智能也被用于分割和恢復RS圖像，例如，在云層恢復中，被云層遮擋的地面區域被恢復。

最近，Zheng等人提出了一種兩階段的去云方法，其中U-Net和GANs被用來分別進行云的分割和圖像修復。

AI提出用于敏捷地球觀測衛星的機載調度，因為自主性提高了它們的性能，并允許它們獲取更多的圖像，通過依靠機載調度進行快速決策。通過比較使用RF、NN和SVM與先前的學習和基于非學習的方法，Lu等人證明RF提高了解決方案的質量和響應時間。

3.9 行為模型

3.9.1 定義和限制

由于不同軌道、形狀、大小、方向和功能的活躍和不活躍（碎片）衛星的數量不斷增加，分析人員同時監測所有衛星變得不可行。因此，人工智能，特別是ML，可以通過幫助實現這一過程的自動化來發揮重要作用。

3.9.2 基于人工智能的解決方案

Mital等人討論了ML算法對衛星行為建模的潛力。監督模型被用來確定衛星的穩定性，而無監督模型被用來檢測異常行為和衛星的位置，RNN被用來預測衛星隨時間的機動性。

準確的衛星姿態估計，即確定衛星的相對位置和姿態，在一些空間操作中至關重要，如碎片清除、航天器間通信和對接。Chen等人最近提出的通過聯合ML和幾何優化從單一圖像中進行衛星姿態估計的建議，在最近由歐洲航天局組織的Kelvins姿態估計挑戰中獲得了第一名。 .

在過去的幾年里，空間碎片的數量大大增加，由于碎片的高速度，會對空間任務造成重要威脅。因此，必須對空間物體進行分類，并應用避免碰撞的技術來保護活動衛星。因此，Jahirabadkar等人對各種人工智能方法進行了調查，利用光的曲線作為區分屬性對空間物體進行分類。

Yadava等人利用NN和RL進行機載姿態確定和控制；他們的方法有效地提供了所需的扭矩，使一顆納米衛星沿三軸穩定。

為了避免因電池故障而導致的災難性事件，Ahmed等人利用ML和數據邏輯分析方法開發了一個機載電池剩余壽命估計系統。

3.10 天空地一體化

3.10.1 定義與限制

最近，地面通信系統取得了顯著的進步，為用戶提供了更高質量的互聯網接入。然而，由于網絡容量和覆蓋面積的限制，這種服務不可能隨時隨地都能實現，特別是對于農村或災區的用戶。

雖然地面網絡擁有最多的資源和最高的吞吐量，但非地面通信系統有更廣泛的覆蓋區域。然而，非地面網絡有其自身的局限性；例如，衛星通信系統有較長的傳播延遲，而空中網絡有較窄的容量和不穩定的鏈接。

為了向用戶提供更好和更靈活的端到端服務，研究人員建議使用SAGINs，其中包括空間的衛星、氣球、飛艇、空中的無人機和地面部分，如圖13所示。

圖13 天空地綜合網絡（SAGINs）

由GEO、MEO和LEO衛星組成的多層衛星通信系統，可以使用多播和廣播的方法來改善網絡容量，極大地減輕了不斷增加的交通負擔。由于SAGINs允許數據包通過不同質量的多條路徑傳輸到目的地，它們可以提供不同的數據包傳輸方法以滿足不同的服務需求。

然而，由于SAGINs固有的自組織性、時間可變性和異質性，其設計和優化比傳統地面通信系統更具挑戰性。因此，在設計優化技術時必須考慮的各種因素已經確定。例如，不同的傳播媒介，不同的通信類型共享頻段，空間和空中部分的高流動性，以及三個部分之間固有的異質性，使得SAGINs的網絡控制和頻譜管理變得十分艱巨。高流動性導致頻繁的交接，這使得安全路由更難實現，從而使SAGINs更容易受到干擾。此外，由于優化能源效率也比標準地面網絡更具挑戰性，因此也需要能源管理算法。

3.10.2 基于人工智能的解決方案

在討論SAGINs面臨的挑戰時，Kato等人提出使用CNN解決路由問題，利用流量模式和GEO和MEO衛星的剩余緩沖區大小來優化SAGIN的整體性能。

優化衛星選擇和無人機位置以優化源-衛星-無人機-目的地通信的端到端數據率，由于龐大的軌道衛星數量和以下時間變化的網絡結構，是具有挑戰性的。為了解決這個問題，Lee等人通過DRL聯合優化了源-衛星-無人機的關聯和無人機的位置。他們建議的技術在沒有無人機和衛星的情況下，平均數據速率比直接通信基線高5.74倍。

為了卸載計算密集型應用，已經開發了一個SAGINs邊緣/云計算設計，其方式是衛星提供對云的訪問，而無人機允許接近用戶的邊緣計算。在這里，一個聯合的資源分配和任務調度方法被用來為虛擬機分配計算資源，并為無人機邊緣服務器安排卸載任務，而基于RL的計算卸載方法處理多維的SAGINs資源并學習動態網絡條件。這里，采用了一種聯合資源分配和任務調度的方法，將計算資源分配給虛擬機，并為無人機邊緣服務器規劃卸載的功能，而基于RL的計算卸載方法則處理多維SAGINs資源并學習動態網絡特性。仿真結果證實了建議技術的效率和收斂性。

由于異構多層網絡需要先進的容量管理技術，Jiang和Zhu[181]提出了一種低復雜度的衛星間容量計算技術，使用基于時間結構的增強路徑搜索方法，并提出了一個基于RL的長期最優容量分配模型來最大化系統的長期效用。

Qiu等人將聯合資源分配問題表述為一個聯合優化問題，并使用DRL方法，提出了一個軟文定義的衛星-地面網絡，以聯合管理緩存、網絡和計算資源。

3.11 能源管理

3.11.1 定義與限制

最近在地面、空中和衛星網絡（如SAGINs）之間的連接進展增加了對衛星通信網絡的要求。這種對衛星的日益關注導致了能源消耗要求的增加。因此，衛星能源管理是衛星通信進一步發展的一個熱點研究課題。

與地球同步軌道衛星相比，低地軌道衛星的機載資源有限，而且移動迅速。此外，由于其體積小，低地軌道衛星的能源容量有限；由于需要為全球數十億的設備提供服務，目前的衛星資源能力已無法滿足需求。為了解決衛星通信資源短缺的問題，必須設計一個有效的資源調度方案，以充分利用有限的資源。由于目前的資源分配方案大多是為地球同步軌道衛星設計的，然而，這些方案并沒有考慮許多低地軌道的具體問題，如受限的能源、運動屬性或連接和傳輸動態。

3.11.2 基于人工智能的解決方案

一些研究人員因此轉向了基于人工智能的節電方案。例如，Kothari等人建議在數據傳輸前使用DNN壓縮，以改善延遲并節省電力。在沒有太陽光的情況下，衛星依賴于電池能量，這給衛星電池帶來了沉重的負擔，并會縮短其使用壽命，導致衛星通信網絡的成本增加。為了優化使用低地軌道衛星的衛星對地通信中的功率分配，從而延長它們的電池壽命，Tsuchida等人[185]采用了RL，將超負荷的衛星與負荷較低的附近衛星分擔工作負荷。同樣，在Satlot中實施DRL進行節能信道分配，與以前的模型相比，可以減少67.86%的能耗。移動邊緣計算增強的SatIoT網絡包含不同的衛星和幾個衛星網關，可以通過耦合用戶關聯、卸載決策計算和通信資源分配進行聯合優化，以最小化延遲和能源成本。在最近的一個例子中，Cui等人提出的基于DRL的聯合用戶關聯和卸載決策與最佳資源分配方法，改善了長期延遲和能源成本。

3.12 其他應用

3.12.1 交接優化

由于低地軌道衛星的動態連接模式，當通信端點之間需要改變一個或多個鏈路時，就會發生鏈路層的交接。低地軌道衛星的交接管理與地面網絡有明顯的不同，因為衛星的移動使交接發生的頻率更高。因此，許多研究人員都關注低地軌道衛星網絡中的切換管理。

一般來說，用戶設備（UE）會定期測量不同小區的參考信號強度，以確保進入強勢小區，因為交接決定取決于信號強度或其他一些參數。此外，歷史RSRP包含的信息可以避免不必要的交接。

因此，Zhang等人[188]將交接決策轉換為一個分類問題。盡管歷史RSRP是一個時間序列，但采用了CNN而不是RNN，因為歷史RSRP的特征圖有很強的局部空間相關性，使用RNN可能會導致一系列錯誤的決策，因為一個決策在很大程度上影響了未來的決策。在提出的基于人工智能的方法中，超過70%的UE的交接減少了25%以上，而常用的 "最強波束"方法只減少了平均RSRP的3%。

3.12.2 熱源布局設計

對所使用的熱源進行有效的設計可以提高整個系統的熱性能，因此已經成為多個工程領域的一個重要方面，包括集成電路設計和衛星布局設計。隨著元件的尺寸越來越小，功率強度越來越高，熱源布局設計已成為一個關鍵問題。傳統上，最佳設計是通過反復運行熱仿真來探索設計空間，比較每個方案的性能來獲得的。為了避免傳統技術的巨大計算負擔，Sun等人采用了一種反設計方法，在這種方法中，熱源的布局是根據給定的預期熱性能直接生成的，其基礎是一個名為 "顯示、出席和閱讀"的DL模型。他們開發的模型能夠學習設計問題的基本物理學，因此能夠有效地預測給定條件下的熱源設計，而無需進行任何模擬。其他DL算法已被用于不同的設計領域，如機械學、光學、流體和材料。

3.12.3 反射陣分析和設計

ML算法已經被應用于天線的分析和設計，包括反射陣的分析和設計。例如，Shan等人使用NNs來預測相位移動，而克里格法則被建議用來預測反射陣組件的電磁響應。支持向量回歸(SVR)被用來加速檢查[205]并直接優化窄帶反射陣。為了在不降低計算精度的前提下加快計算速度，Prado等人提出了一種基于寬頻SVR的反射陣設計方法，并證明了其在直接廣播衛星應用中獲得寬頻、雙線性偏振和異形波束反射陣的能力。

3.12.4 載波信號檢測

由于每個信號在分類、調制、解調、解碼和其他信號處理之前都必須進行分離，因此載波信號在頻域中的定位和檢測是無線通信的一個關鍵問題。

用于載波信號檢測的算法通常是基于閾值的，并且需要人工干預，盡管已經有了一些改進，包括使用雙重閾值。Kim等人提出使用基于斜率跟蹤的算法，根據信號的特性，如振幅、斜率、偏轉寬度或相鄰偏轉之間的距離，來分離信號元素的間隔。

最近，DL被應用于載波信號檢測；例如，Morozov和Ovchinnikov應用全連接的NN在FSK信號中進行檢測，而Yuan等人用DL在寬帶頻譜數據中進行摩爾斯信號盲檢測。Huang er al.采用全卷積網絡（FCN）模型來檢測寬帶功率譜中的載波信號。FCN是一種用于語義圖像分割的DL方法，其中寬帶功率譜被視為一維圖像，每個子載波為目標對象，將寬帶上的載波檢測問題轉變為語義一維圖像分割問題。這里設計了一個一維深度FCN模型，將寬帶功率譜陣列上的每個點分為兩類（即子載波或噪聲），然后在寬帶功率譜上定位子載波信號的位置。在分別使用模擬和真實的衛星寬帶功率譜數據集進行訓練和驗證后，所提出的深度CNN成功地檢測了寬帶功率譜中的副載波信號，并取得了比斜率追蹤法更高的精度。表3將不同的衛星通信方面與它們各自的基于人工智能的解決方案參考相匹配。

表3 各種衛星問題及其各自的基于人工智能的解決方案參考。

4 結論

這篇評論提供了人工智能及其不同子領域的概述，包括ML、DL和RL。然后介紹了衛星通信的一些限制，并討論了他們提出的和潛在的基于人工智能的解決方案。人工智能的應用已經在各種各樣的衛星通信方面顯示出巨大的成果，包括波束跳躍、AJ、網絡流量預測、信道建模、遙測挖掘、電離層閃爍檢測、干擾管理、遙感、行為建模、空間-空氣-地面整合以及能源管理。未來的工作應旨在應用人工智能，以實現更高效、安全、可靠和高質量的通信系統。盡管ML在一些應用中的精確性和準確性方面取得了巨大的成果，但為了更安全和可靠的通信，在ML的可解釋性和對抗性ML方面仍有更多的工作要做。

Mohamed-Slim Alouini于1998年在美國加州帕薩迪納的加州理工學院（Caltech）獲得電氣工程博士學位。他曾在美國明尼蘇達州明尼阿波利斯市的明尼蘇達大學任教，然后在卡塔爾的德克薩斯農工大學任教，2009年加入沙特阿拉伯王國Thuwal的阿卜杜拉國王科技大學（KAUST）的計算機、電氣和數學科學與工程系，擔任電氣工程教授。他目前的研究興趣包括無線通信系統的建模、設計和性能分析。

Fares Fourati目前正在沙特阿拉伯王國圖瓦勒的阿卜杜拉國王科技大學（KAUST）計算機、電氣和數學科學與工程部的通信理論實驗室攻讀電氣和計算機工程的碩士/博士課程。他獲得了突尼斯綜合理工學院的工程師文憑。他目前的研究興趣包括無線通信系統的機器學習。