亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

制定量化不確定性元數據的軍事標準是解決利用人工智能/機器學習（AI/ML）軍事優勢所固有的問題。通過提供元數據，美國防部可以繼續確定使用人工智能/機器學習的最佳策略，與能力發展同步進行。這種協調將防止在解決與在作戰系統中實施AI/ML有關的困難技術問題時出現延誤。不確定性量化可以使觀察、定向、決定和行動循環的實際數字實施成為可能，解決在戰爭中使用AI/ML的道德問題，并優化研究和開發的投資。

引言

從基礎上講，美國軍隊不需要人工智能/機器學習（AI/ML）。然而，軍隊需要能夠比對手更快、更好地觀察、定位、決定和行動（OODA），以實現軍事優勢。機器有能力以比人類更快的速度進行觀察、定位、決定和行動，從而實現這一優勢。然而，關于允許AI或ML模型 "決定 "最佳軍事行動方案是否合適的問題仍然沒有定論，因為該決定可能導致破壞和死亡。

利用AI/ML的軍事優勢的潛在隱患已經被不厭其煩地提出來。有三個問題仍然是最令人擔憂的：（1）解決賦予AI摧毀事物和人的權力的道德和倫理考慮；（2）平衡發展AI/ML能力的成本和軍事效用；以及（3）確保對機器的適當信任水平，以最佳地利用對能力發展的AI/ML部分的投資。然而，作為元數據納入軍事信息的不確定性量化（UQ）可以解決這三個隱患，同時遵守美國防部的人工智能倫理原則。

美國防部的人工智能戰略將AI/ML技術的成熟作為優先事項并加以激勵。其結果是，試圖快速實施能力的活動紛至沓來，而對能力增長的可持續性或AI/ML使用的高階影響規劃卻少之又少。正如一位國防研究人員所指出的，"當技術變革更多的是由傲慢和意識形態驅動，而不是由科學理解驅動時，傳統上調節這些力量的機構，如民主監督和法治，可能會在追求下一個虛假的黎明時被削弱。"

美國國防高級研究計劃局認為，目前的AI/ML系統 "缺乏必要的數學框架 "來提供使用保證，這阻礙了它們 "廣泛部署和采用關鍵的防御情況或能力。"保證需要信心，而信心需要最小的不確定性。使用AI/ML的系統的這種保證可以幫助解決道德方面的考慮，提供對開發成本與效用的洞察力，并允許其在戰爭中的使用責任由最低層的指揮官和操作員承擔。

通過在AI/ML系統中實施不確定性量化的軍事標準，美國防部可以確保對這些系統非常需要的信任。此外，如果美國防部將不確定性量化作為對開發者的要求，有可行的方法來應用現有的數學方法來確定和傳播不確定性。然而，當軍方將這一標準應用于信息時，它必須牢記不確定性量化的高階效應和挑戰。

AI/ML的不確定性量化

為了解決上述三個陷阱，任何軍事數字系統內部和都應該要求進行不確定性量化。不確定性量化是為系統中的不完美或未知信息分配一些數字的過程，它將允許機器實時表達它的不確定性，為建立對其使用的信任增加關鍵的透明度。美國防部應實施一項軍事標準，規定對數字系統中的每個數據或信息的元數據進行不確定性的量化標記。一旦可用，這些元數據可以通過功能關系傳播到更高層次的信息使用，為AI或ML模型提供所需的信息，以始終表達它對其輸出的信心如何。

理解作為元數據的UQ需要理解計量學的基礎概念--與測量不確定度有關的權重和計量科學。也就是說，一個測量有兩個組成部分： 1）一個數值，它是對被測量量的最佳估計，以及2）一個與該估計值相關的不確定性的測量。

值得注意的是，2008年國際標準化組織（ISO）的《測量不確定性表達指南》定義了測量不確定性和測量誤差之間的區別。這些術語不是同義的："通常在被測物[被測量的量]的報告值后面的±（加或減）符號和這個符號后面的數字量，表示與特定被測物有關的不確定性，而不是誤差。誤差是指測量值與實際值或真實值之間的差異。不確定度是許多誤差的影響"。

在軍事術語中，"測量"是在OODA循環中收集和使用的任何信息。每條信息都是由某種傳感器測量的，并且會有一些不確定性與之相關。作為元數據的不確定性量化將至少采取兩種形式：根據經驗產生的測量不確定性（基于上文概述的計量標準）和統計學上假設的不確定性（通過一些手段確定，其中有很多）。

操作員在使用具有UQ功能的系統時，可以使用系統報告的不確定性來告知他們的戰術決策。指揮官可以利用這種系統在作戰甚至戰略層面上為各種類型的軍事行動設定所需的預定義信任水平，這可以幫助操作人員在使用AI或ML模型時了解他們的權限是什么。這也將有助于采購專業人員為AI/ML能力的發展做出適當的投資決定，因為它將量化效用的各個方面。此外，在使用AI/ML的系統中提供量化的最低限度的確定性要求，可以解決上面討論的三個隱患。

就使用AI的道德和倫理問題而言，對于 "讓AI或ML模型決定將導致破壞和死亡的軍事行動方案，是否符合道德或倫理？"這個問題沒有單一的正確答案。正如所有的道德和倫理辯論一樣，以絕對的方式處理是不可能的。

因此，美國防部應將軍事行動分為三個眾所周知的機器自主性相對程度之一：機器永遠不能自己做的事情，機器有時或部分可以自己做的事情，或機器總是可以自己做的事情。然后，美國防部可以為這些類別中的每一類定義一個最低的確定性水平作為邊界條件，并且/或者可以定義具體行動所需的最低確定性水平。決策或行動的關鍵性將推動UQ邊界的確定。使用不確定性量化包含了在處理使用AI/ML的系統的道德考慮方面的細微差別和模糊性。

當涉及到平衡人工智能/機器學習的成本與使用時，美國防部的受托責任是確保對人工智能/機器學習發展的投資與它的軍事效用成正比。如果人工智能/機器學習政策禁止美國軍隊允許人工智能決定摧毀某物或殺人，那么開發和采購一營完全自主的殺手機器人就沒有任何意義。因此，預先定義的最低不確定性界限將使采購專業人員能夠確定如何最好地使用有限的資源以獲得最大的投資回報。

在能力發展過程中優化對AI/ML的信任，將需要對AI/ML采購中普遍存在的經驗不足以及機器學習中不確定性量化科學的相對稚嫩進行保障。"不確定性是機器學習領域的基礎，但它是對初學者，特別是那些來自開發者背景的人造成最困難的方面之一。" 系統開發的所有方面都應該包括不確定性量化的元數據標簽，無論系統是否打算自主使用。

這些輸出可能會被卷進更高層次的數字能力中，然后需要UQ數據來計算不確定性的傳播。例如，F-16維護者的故障代碼閱讀器應該有不確定性量化元數據標記到每個故障讀數，在源頭提供這種量化。讀碼器本身并不打算納入人工智能或機器學習模型，而且該數據可能不會立即用于人工智能/ML應用，但故障數據可能會與整個艦隊的故障數據進行匯編，并提交給預測倉庫級維護趨勢的外部ML模型。元數據將跟隨這組數字信息通過任何級別的編譯或高階使用。

要求將不確定性量化元數據作為一項軍事標準，實現了美國防部長關于人工智能道德原則的意圖，其中包括五個主要領域：

• 負責任： UQ為判斷提供依據，為開發、部署和使用人工智能能力提供經驗基礎。
• 公平性： 人工智能中的偏見可以用與不確定性相同的方式來衡量，并且是基于許多相同的統計學原理。然后，偏見可以被解決和改善。
• 可追溯性： 要求每個層次的不確定性元數據能夠保證可追溯性。機器的性能問題可以追溯到有問題的部件。
• 可靠性： UQ允許開發人員檢查，并允許有針對性地改進最惡劣的輸入因素。
• 可管理： UQ作為自主性信任等級的邊界條件，可以用來定義實現預期功能和避免意外后果的準則。

采用這些道德原則是為了確保美國防部繼續堅持最高的道德標準，同時接受人工智能這一顛覆性技術的整合。不確定性量化是實現這一目標的實用方法。

在AI/ML中建立信任

蘭德公司的一項研究發現，信任是與人工智能/ML的軍事用途有關的大多數擔憂的根本原因。國防部研究人員指出，"當涉及到組建人類和自主系統的有效團隊時，人類需要及時和準確地了解其機器伙伴的技能、經驗和可靠性，以便在動態環境中信任它們"。對于許多自主系統來說，它們 "缺乏對自身能力的認識，并且無法將其傳達給人類伙伴，從而降低了信任，破壞了團隊的有效性"。

AI/ML模型中的信任從根本上說是基于人類對信息的確定性，無論是簡單的傳感器輸出還是自主武器系統的整體能力。這一點得到了MITRE公司研究的支持： 人工智能采用者經常詢問如何增加對人工智能的信任。解決方案不是讓我們建立人們完全信任的系統，也不是讓用戶只接受從不犯錯的系統。相反，教訓指出了在證據和認知的基礎上形成良好的伙伴關系的重要性。良好的伙伴關系有助于人類理解人工智能的能力和意圖，相信人工智能會像預期的那樣工作，并在適當程度上依賴人工智能。然后，利益相關者可以校準他們的信任，并在授予人工智能適當的權力之前權衡人工智能決定的潛在后果。

通過將機器--數字或物理--視為合作伙伴，軍方可以將其與人類合作伙伴的信任建立技術進行類比。健全的伙伴關系需要有效的雙向溝通和加強合作的系統。"事實上，數字系統輸出中的不確定性措施是沒有用的，除非這種不確定性可以傳達給人類伙伴。一旦機器能夠量化不確定性，并且能夠傳達這種量化，它們也能夠對輸出進行評估并改進系統。

機器對其自身能力的認識的實時反饋，將通過提供每個循環中的不確定性的量化，增加機器的觀察、定位和決定功能的透明度。這種反饋提高了對該特定系統的信任，并通過不確定性的傳播實現了對系統中的系統的信任量化。例如，考慮遙控飛機（RPA）對一個潛在目標的視頻監控。如何確定RPA的傳感器是準確的和經過校準的，視頻流沒有被破壞，和/或操作者已經得到了關于首先將傳感器指向何處的健全的基線情報？

OODA環路的每一個組成部分都有一些相關的不確定性，這些不確定性可以而且應該被量化，從而可以用數學方法傳播到決策層面。在這種情況下，它將導致目標正確性的x%的傳播確定性，使任務指揮官對他們的態勢感知（觀察）充滿信心，并使他們能夠更好地確定方向，更快地決定是否參與。

通過量化不確定性，并將其與各類行動所需的預定信心水平結合起來使用，決策者可以圍繞那些幾乎沒有道德影響的軍事行動以及那些有嚴重道德影響的軍事行動創造邊界條件。國防部高級領導人還可以為開發和應用人工智能/ML能力的投資比例設定門檻，并可以確保投資將被用于實現最佳軍事優勢。這將通過 "量化-評估-改進-溝通 "的循環為使用人工智能/ML的系統提供保證。

不確定性量化允許設置如果-那么關系，以限制機器的可允許行動空間。在另一個簡略的例子中，一個空間領域意識任務可以使用紅外傳感器數據來識別空間飛行器。如果-那么關系可能看起來像這樣： 如果傳感器數據與目標的關聯模型的確定性大于95%，那么該目標識別信息可以在國家空間防御中心目錄中自動更新。如果傳感器數據與目標的關聯模型的確定性大于75%但小于95%，那么機器可以嘗試與確定性大于75%的信號情報（SIGINT）進行匹配，或者可以將信息發送給人類進行驗證。

因此，使用量化的不確定性使指揮官能夠將決策樹根植于人工智能/ML模型可使用的參數中，并指導如何使用這些人工智能/ML模型。在考慮機器自主性的三個相對程度時，指揮官可以預先定義每一類行動的輸入的不確定性水平，作為何時以及在何種情況下讓機器決定是有意義的指導方針，明確界定使用人工智能或ML模型的參與規則。

所有武器系統，無論是否打算納入自主性，都應在其計劃的用戶界面中提供不確定性元數據。了解所有輸入的不確定性對傳統武器系統的用戶和人工智能/ML的應用一樣有利。通過現在提供元數據，國防部高級領導人可以繼續確定使用AI/ML的最佳治理和政策，而不會放慢技術和工程發展。任何這樣的治理都可以在未來通過參考系統內組件級或輸出級的量化不確定性來實施。

數學實現

將不確定性量化和傳播應用于收緊OODA循環，假定功能關系可用于定義軍事情況。函數關系是這種應用的最佳數學方法，因為一般可以證明函數值和輸入變量之間存在因果關系，而不需要具體確定關系的確切數學形式。通過假設這些函數關系的存在，可以使用一個描述不確定性傳播的一般方程式。

一個帶有不確定性條款的通用函數關系看起來像：

其中y是輸出，u(y)是該輸出的不確定性，有n個輸入變量，其相關的不確定性影響該輸出。這表明y取決于n個輸入變量，并且按照 "不精確概率論者 "的風格，y的精確值在y+u(y)到y-u(y)的區間內。

這種旨在改善醫學實驗室研究的想法的直接應用也涉及到軍事決策。"與任何測量相關的不確定性及其通過定義的函數關系的傳播可以通過微分（部分微分）和應用不確定性傳播的一般方程來評估。"這些數學方法將捕捉到在一個非常復雜的系統中許多測量物變化時不確定性的變化。這個不確定性傳播方程可以用標準的統計程序得出，最重要的是，它與函數關系的確切形式無關。

請那些更精通統計學的人將這種方法提交給進一步的案例研究，并確定在需要包括許多輸入變量時，在非常大的系統層面計算傳播的不確定性的可行性。已經表明，"問題越復雜，獲得校準的不確定性估計的成本就越高"。這種方法通過作戰級別的人工智能/ML模型（即涉及一翼或一營的交戰）可能是可行的，但更高層次的戰略不確定性傳播（即包括政治經濟或核因素的戰役級模型）可能需要不可行的計算能力來實時計算。

作為輸入數據集的一部分，通過機器學習模型傳播測量的不確定性比使用統計方法來估計模型內的不確定性要少得多。數據科學家和人工智能研究人員將熟悉大量專注于假設機器學習模型內的不確定性的研究，但許多歷史工作并沒有采取調整認識上的不確定性--ML模型的訓練數據量不足--與訓練數據集中的測量不確定性的方法。

測量的不確定性可以被認為是數據中的噪聲和/或觀察中的變異性。在數字系統中實施不確定性量化時，需要對不確定性的其他方面進行量化，如領域覆蓋的完整性，也就是輸入數據集的代表性，以及軍事問題的不完善建模，這是模型開發過程中不正確的基線假設的結果，最終植根于人類判斷的不完善。

一個更現代的傳播方法，可能計算量較小，可能是使用機器學習來假設不確定性。來自其他學科使用神經網絡的證據顯示，納入已知的輸入數據不確定性，"與不使用它們的情況相比，對做出更好的預測是有利的"。這些研究人員還建議進一步調查在貝葉斯深度學習框架中使用已知的輸入數據不確定性 "作為要得出的不確定性的初始值"，這將是一種與統計學得出的不確定性協同傳播經驗不確定性的方式。

使用數學方法來傳播不確定性，將納入并考慮到不確定性的影響--無法解釋的數據的固有隨機性--以及認識上的不確定性。擬議的軍事標準應將測量不確定性的要求與傳播到高階用途的要求結合起來，如機器學習或更抽象的建模和模擬。用軍事術語來說，通過這種方法使UQ標準化，不僅要考慮基線觀測數據的不確定性，還要考慮與方向和行動有關的數據不確定性。

軍事用途的數學問題

為了繼續與軍事戰略進行類比，功能關系描述了在OODA循環中如何獲得軍事優勢，以及不確定性如何在該過程中傳播。

在這個特意象征性的等式中，觀察和定位是恒定的活動，而決策和行動是時間上的離散事件。所期望的軍事效果的成功概率是基于循環中每個輸入變量的不確定性的傳播：操作者有多大把握(a)他們的觀察抓住了現實，(b)他們以預期的方式定向，(c)他們的決定以預期的方式執行，以及(d)他們的行動沒有被打亂。

這種方法的障礙在于它需要對不確定性的事先了解，這是目前無法獲得的元數據，因為在經驗情況下確定它的成本通常很高，而在統計情況下有許多可接受的方法來生成它。這就回到了建議的解決方案，即征收要求和標準，以提供與每個輸入變量相關的不確定性作為元數據。一旦提供，匯編觀測和定位數據的人工智能/ML系統可以使用元數據進行傳播，并向操作者或指揮官提供情況圖中的總體量化不確定性。當實時使用時，這種方法內在地捕捉了OODA循環的決策和行動步驟的各個方面。

高階效應和挑戰

一項分析表明，將不確定性信息傳達給無人駕駛車輛的操作員并使之可視化，有助于提高人類-AI團隊的績效。但其他人工智能研究人員也表明，"需要更多地研究如何以對用戶有意義的方式，最好地捕捉和呈現開發者的[不確定性量化]"。他們進一步指出，"讓用戶對他們不了解的方面有看似控制的感覺，有可能給人以清晰和知情控制的錯覺，造成額外的自動化偏差，或者干脆讓用戶選擇一個給他們想要的答案的選項。" 這一發現堅實地進入了決策理論和心理學的工作體系。有一些統計方法試圖用算法來定義判斷和決策，使用這些方法有風險。

一項單獨的分析提供了判斷和決策文獻中與決策中使用不確定性估計有關的結論。該研究的結論是，向利益相關者提供不確定性估計可以通過確保信任的形成來提高透明度： "即使是經過良好校準的不確定性估計值，人們也會有不準確的認識，因為(a)他們對概率和統計的理解程度不同，(b)人類對不確定性數量的認識往往受決策啟發式的影響。

作者進一步補充說，"非專業人士和專家都依賴心理捷徑或啟發式方法來解釋不確定性"，這 "可能導致對不確定性的評估出現偏差，即使模型輸出是經過精心校準的"。不出所料，關于這個問題的主要啟示是，所選擇的UQ交流方法應首先與利益相關者進行測試，開發人員應滿足他們的UQ顯示和用戶界面的不同終端用戶類型。例如，向數據科學家介紹不確定性量化應該與向戰時決策的操作員介紹UQ不同。情報界在確定傳達與軍事信息相關的不確定性的最佳方法方面有著悠久的歷史，因此它對 "估計概率詞 "的約定可能是后一類終端用戶的合適出發點。

當考慮在作戰和戰略決策層面使用傳播的不確定性時，有可能使用傳播計算可能使UQ數字變得不相關和不可用，因為在非常復雜的系統中，不確定性接近100%的期望輸出。順便說一句，這是一個有趣的結論，可能指向 "戰爭迷霧 "的數學證明。進一步調查計算非常大的系統級別的傳播的不確定性可能會更好地闡明這個結論。

然而，這種高度傳播的不確定度的潛在缺陷并不足以反駁實施不確定度軍事標準的做法。包括每個級別的元數據標簽，使操作人員能夠檢查哪些因素造成了最大的不確定性，哪些因素是指揮官可以有高度信心的，這仍然是非常有用的信息。當操作員的帶寬在高壓力交戰之外可用時，這些元數據標簽允許操作員檢查功能關系中輸入變量之間的協方差和相關性。這些元數據還可以被采集專業人員用于評估和改進任務，通過識別系統性錯誤并將其消除，以及識別造成隨機錯誤的最嚴重的罪犯。

高度傳播的UQ可能是不相關的，這也強調了發展健全的軍事判斷的永久重要性。正如在任何不確定性非常高的軍事情況下，為實現軍事優勢，將需要具有敏銳性的操作員和指揮官。使用人工智能/ML來觀察、定位、決定和比對手更快地行動，只有在行動優越的情況下才會導致勝利。勝利理論的這一層面與要求、傳播和以標準化的方式交流UQ的論點不同。

最后，AI/ML要求輸入數據是感興趣領域的 "具有適當代表性的隨機觀察樣本"。重要的是，"在所有情況下，我們永遠不會有所有的觀察結果"，而且在感興趣的領域內 "總會有一些未觀察到的情況"。盡管人工智能或ML算法是在一個不充分的數據集上訓練出來的，但試圖在數據抽樣中實現對該領域的全部觀察覆蓋也是不理想的。

當以較高的行動節奏將人工智能/ML應用于OODA循環時，提高領域的覆蓋率并不需要更多的抽樣，而應該通過抽樣中更多的隨機化來實現，重點是確定準確的測量不確定性。上述關于已知輸入數據的研究從理論上和經驗上證明，將數據的不確定性納入一系列機器學習模型的學習過程中，使模型對過擬合問題更有免疫力--當模型與訓練數據集擬合得過于緊密時，就會出現不可接受的ML行為，導致在負責評估未知數據時出現不準確的預測結果。

過度擬合的問題并不是機器學習所獨有的，從根本上說是由輸入數據集的缺陷造成的。"簡單地說，不確定性和相關的無序性可以通過創造一個更高更廣的更一般的概念來代表現實的直接假象來減弱"。這導致了對該領域的最大統計覆蓋，對被觀察系統的侵擾最小。它還最大限度地減少了數據和元數據集的大小，從而在高階使用中提高了UQ傳播方程的計算效率。

結論

實施量化不確定性元數據的軍事標準，并發展傳播、評估、改進和交流該信息的能力，將為繼續追求AI/ML的軍事用途能力提供最大的靈活性。使用人工智能/ML系統的不確定性量化，通過溝通、透明和參與共同經歷來發展這種信任，使人機團隊內部能夠相互信任和團結。使用AI/ML系統實現軍事目標的保證需要量化的不確定性。

與軍事戰略的概念相聯系，這種不確定性量化的整個框架有助于一個成功的組織。通過現在提供UQ元數據，國防部高級領導人可以繼續確定使用人工智能/ML的最佳治理和政策，而不耽誤技術和工程開發。隨著作戰人員使用UQ來發展對AI/ML伙伴的信任，軍隊的觀察、定位、決定和行動的能力將比對手更快，并確保軍事優勢。

隨著技術的飛速發展和威脅環境變得更加復雜，今天的海軍行動經常面臨著具有挑戰性的決策空間。人工智能（AI）的進步為解決海軍行動中日益復雜的問題提供了潛在的解決方案。未來的人工智能系統提供了潛在的意義深遠的好處--提高對態勢的認識，增加對威脅和對手能力和意圖的了解，識別和評估可能的戰術行動方案，并提供方法來預測行動方案決定的結果和影響。人工智能系統將在支持未來海軍作戰人員和保持作戰和戰術任務優勢方面發揮關鍵作用。

人工智能系統為海戰提供了優勢，但前提是這些系統的設計和實施方式能夠支持有效的作戰人員-機器團隊，改善作戰情況的不確定性，并提出改善作戰和戰術結果的建議。實施人工智能系統，以滿足海軍應用的這些苛刻需求，給工程設計界帶來了挑戰。本文確定了四個挑戰，并描述了它們如何影響戰爭行動、工程界和海軍任務。本文提供了通過研究和工程倡議來解決這些挑戰的解決思路。

引言

人工智能是一個包括許多不同方法的領域，目的是創造具有智能的機器（Mitchell 2019）。自動化系統的運作只需要最小的人類輸入，并經常根據命令和規則執行重復性任務。人工智能系統是自動化機器，執行模仿人類智能的功能。它們將從過去的經驗中學習到的新信息融入其中，以做出決定并得出結論。

如表1所述，人工智能系統有兩種主要類型。第一種類型是明確編程的專家系統。Allen（2020，3）將專家系統描述為手工制作的知識系統，使用傳統的、基于規則的軟件，將人類專家的主題知識編入一長串編程的 "如果給定x輸入，則提供y輸出"的規則。這些系統使用傳統的編程語言。第二種類型是ML系統，從大型數據集中進行訓練。ML系統自動學習并從經驗中改進，而不需要明確地進行編程。一旦ML系統被 "訓練"，它們就被用于操作，以產生新的操作數據輸入的結果。

表1. 兩類人工智能系統

人工智能系統--包括專家系統和學習系統--為海軍提供了巨大的潛力，在大多數任務領域有不同的應用。這些智能系統可以擴展海軍的能力，以了解復雜和不確定的情況，制定和權衡選擇，預測行動的成功，并評估后果。它們提供了支持戰略、作戰計劃和戰術領域的潛力。

本文確定了工程設計界必須解決的四個挑戰，以便為未來海戰任務實施人工智能系統。表2強調了這四個挑戰領域。這些挑戰包括：（1）復雜的海戰應用領域；（2）需要收集大量與作戰相關的數據來開發、訓練和驗證人工智能系統；（3）人工智能系統工程的一些新挑戰；（4）存在對手的人工智能進展，不斷變化和發展的威脅，以及不斷變化的人工智能系統的網絡弱點。本文側重于海軍戰爭的四個挑戰領域，但認識到這些挑戰可以很容易地被概括為整個軍隊在未來人工智能系統可能應用的所有戰爭領域中廣泛存在的挑戰。

表2. 為海軍實施人工智能系統的四個挑戰領域

挑戰一：戰爭復雜性

人工智能正被視為一種能力，可應用于廣泛的應用，如批準貸款、廣告、確定醫療、規劃航運路線、實現自動駕駛汽車和支持戰爭決策。每個不同的應用領域都提出了一系列的挑戰，人工智能系統必須與之抗衡，才能成為一種增加價值的可行能力。表3比較了一組領域應用的例子，從潛在的人工智能系統解決方案的角度說明了挑戰的領域。該表在最上面一行列出了一組10個因素，這些因素對一個特定的應用程序產生了復雜性。根據每個因素對作為實施人工智能的領域的整體復雜性的貢獻程度，對六個應用領域的特征進行了定性評估。顏色代表低貢獻（綠色）、中貢獻（黃色）和高貢獻（紅色）。

表3中最上面一行顯示的特征包括： (1)認識上的不確定性水平（情況知識的不確定性程度），(2)情況的動態性，(3)決策時間表（可用于決策的時間量），(4)人類用戶和人工智能系統之間的互動所涉及的錯綜復雜的問題、 (5）資源的復雜性（數量、類型、它們之間的距離以及它們的動態程度），（6）是否涉及多個任務，（7）所需訓練數據集的復雜性（大小、異質性、有效性、脆弱性、可獲得性等 8）對手的存在（競爭者、黑客或徹頭徹尾的敵人），（9）可允許的錯誤幅度（多少決策錯誤是可以接受的），以及（10）決策后果的嚴重程度。該表的定性比較旨在提供一個高層次的相對意義，即基于一組樣本的貢獻因素，不同應用領域的不同復雜程度。

表3. 影響應用復雜性的因素比較

對于所有的應用領域來說，人工智能系統的工程都是具有挑戰性的。人工智能系統在本質上依賴于具有領域代表性的數據。獲得具有領域代表性的數據會帶來基于數據大小、可用性、動態性和不確定性的挑戰。決策時間--由情況的時間動態決定--會給人工智能系統工程帶來重大挑戰--特別是當一個應用領域的事件零星發生和/或意外發生時；以及當決策是時間緊迫的時候。具有更多決策時間、充分訪問大型數據集、直接的用戶互動、完善的目標和非致命后果的應用，如貸款審批、廣告、醫療診斷（在某種程度上）面臨工程挑戰，但其復雜程度較低。確定最佳運輸路線和為自動駕駛汽車設計AI系統是更復雜的工作。這些應用是動態變化的，做決定的時間較短。航運路線將在可能的路線數量上具有復雜性--這可能會導致許多可能的選擇。然而，航運錯誤是有空間的，而且后果通常不會太嚴重。對于自動駕駛汽車來說，決策錯誤的空間非常小。在這種應用中，決策失誤會導致嚴重的事故。

影響開發支持海戰決策的人工智能系統的因素在表3所示的所有類別中都具有高度的復雜性。因此，戰術戰爭領域對工程和實施有效的人工智能系統作為解決方案提出了特別棘手的挑戰。表4強調了導致這種復雜性的海戰領域的特點。作為一個例子，海軍打擊力量的行動可以迅速從和平狀態轉變為巨大的危險狀態--需要對威脅保持警惕并采取適當的反應行動--所有這些都是在高度壓縮的決策時間內進行。戰術威脅可能來自水下、水面、空中、陸地、太空，甚至是網絡空間，導致需要處理多種時間緊迫的任務。由于海軍和國防資產在艦艇、潛艇、飛機、陸地和太空中，戰術決策空間必須解決這些分散和多樣化資源的最佳協作使用。制定有效的戰術行動方案也必須在高度動態的作戰環境中進行，并且只有部分和不確定的情況知識。決策空間還必須考慮到指揮權、交戰規則和戰術理論所帶來的限制。人類作為戰術決策者的角色增加了決策空間的復雜性--信息過載、操作錯誤、人機信任和人工智能的模糊性/可解釋性問題等挑戰。最后，對于戰術決策及其可能的后果來說，風險可能非常大。

表4. 導致戰術決策復雜性的因素

解決高度復雜的決策領域是對海軍的挑戰。人工智能為解決海軍作戰的復雜性提供了一個潛在的解決方案，即處理大量的數據，處理不確定性，理解復雜的情況，開發和評估決策選擇，以及理解風險水平和決策后果。Desclaux和Prestot（2020）提出了一個 "認知三角"，其中人工智能和大數據被應用于支持作戰人員，以實現信息優勢、控制論信心和決策優勢。約翰遜（2019年）開發了一個工程框架和理論，用于解決高度復雜的問題空間，這些問題需要使用智能和分布式人工智能系統來獲得情況意識，并做出適應動態情況的協作行動方案決定。約翰遜（2020a）建立了一個復雜的戰術場景模型，以證明人工智能輔助決策對戰術指揮和控制（C2）決策的好處。約翰遜（2020b）開發了一個預測分析能力的概念設計，作為一個自動化的實時戰爭游戲系統來實施，探索不同的可能的戰術行動路線及其預測的效果和紅色部隊的反應。首先，人工智能支持的C2系統需要描述戰術行動期間的復雜程度，然后提供一個自適應的人機組合安排來做出戰術決策。這個概念包括根據對目前戰術情況的復雜程度最有效的方法來調整C2決策的自動化水平（人與機器的決策角色）。約翰遜（2021年）正在研究這些概念性工程方法在各種防御用例中的應用，包括空中和導彈防御、超視距打擊、船舶自衛、無人機操作和激光武器系統。

在海軍作戰中實施人工智能系統的一個額外挑戰是在戰術邊緣施加的限制。分散的海軍艦艇和飛機的作戰行動構成了戰術邊緣--在有限的數據和通信下作戰。"在未來，戰術邊緣遠離指揮中心，通信和計算資源有限，戰場形勢瞬息萬變，這就導致在嚴酷復雜的戰地環境中，網絡拓撲結構連接薄弱，變化迅速"（Yang et. al. 2021）。戰術邊緣網絡也容易斷開連接（Sridharan et. al. 2020）。相比之下，許多商業人工智能系統依賴于基于云的或企業內部的處理和存儲，而這些在海戰中是不存在的。在戰術邊緣實施未來的人工智能系統時，必須進行仔細的設計考慮，以了解哪些數據和處理能力可用。這可能會限制人工智能系統在邊緣所能提供的決策支持能力。

在軍事領域使用人工智能必須克服復雜性的挑戰障礙，在某些情況下，人工智能的加入可能會增加復雜性。辛普森等人（2021）認為，將人工智能用于軍事C2可能會導致脆弱性陷阱，在這種情況下，自動化功能增加了戰斗行動的速度，超出了人類的理解能力，最終導致 "災難性的戰略失敗"。Horowitz等人（2020）討論了通過事故、誤判、增加戰爭速度和升級以及更大的殺傷力來增加國際不穩定和沖突。Jensen等人（2020）指出，人工智能增強的軍事系統增加的復雜性將增加決策建議和產生的信息的范圍、重要性和意義的不確定性；如果人類決策者對產出缺乏信心和理解，他們可能會失去對人工智能系統的信任。

挑戰二：數據需求

實施人工智能系統的第二個挑戰是它們依賴并需要大量的相關和高質量的數據用于開發、訓練、評估和操作。在海戰領域滿足這些數據需求是一個挑戰。明確編程的專家系統在開發過程中需要數據進行評估和驗證。ML系統在開發過程中對數據的依賴性甚至更大。圖1說明了ML系統如何從代表作戰條件和事件的數據集中 "學習"。

ML系統的學習過程被稱為被訓練，開發階段使用的數據被稱為訓練數據集。有幾種類型的ML學習或訓練--它們是監督的、無監督的和強化的方法。監督學習依賴于地面真相或關于輸出值應該是什么的先驗知識。監督學習算法的訓練是為了學習一個最接近給定輸入和期望輸出之間關系的函數。無監督學習并不從地面真相或已知的輸出開始。無監督學習算法必須在輸入數據中推斷出一個自然結構或模式。強化學習是一種試錯法，允許代理或算法在獎勵所需行為和/或懲罰不需要的行為的基礎上學習。所有三種類型的ML學習都需要訓練數據集。在部署后或運行階段，ML系統繼續需要數據。

圖1顯示，在運行期間，ML系統或 "模型 "接收運行的實時數據，并通過用其 "訓練 "的算法處理運行數據來確定預測或決策結果。因此，在整個系統工程和采購生命周期中，ML系統與數據緊密相連。ML系統是從訓練數據集的學習過程中 "出現 "的。ML系統是數據的質量、充分性和代表性的產物。它們完全依賴于其訓練數據集。

圖1. 使用數據來訓練機器學習系統

美國海軍開始認識到對這些數據集的需求，因為許多領域（戰爭、供應鏈、安全、后勤等）的更多人工智能開發人員正在了解人工智能解決方案的潛在好處，并開始著手開發人工智能系統。在某些情況下，數據已經存在并準備好支持人工智能系統的開發。在其他情況下，數據存在但沒有被保存和儲存。最后，在其他情況下，數據并不存在，海軍需要制定一個計劃來獲得或模擬數據。

收集數據以滿足海軍領域（以及更廣泛的軍事領域）的未來人工智能/ML系統需求是一個挑戰。數據通常是保密的，在不同的項目和系統中被分隔開來，不容易從遺留系統中獲得，并且不能普遍代表現實世界行動的復雜性和多樣性。要從并非為數據收集而設計的遺留系統中獲得足夠的數據，可能非常昂貴和費時。數據收集可能需要從戰爭游戲、艦隊演習、系統測試、以及建模和模擬中收集。此外，和平時期收集的數據并不代表沖突和戰時的操作。海軍（和軍方）還必須教導人工智能系統在預計的戰時行動中發揮作用。這將涉及想象可能的（和可能的）戰時行動，并構建足夠的ML訓練數據。

數據收集的另一個挑戰是潛在的對抗性黑客攻擊。對于人工智能/ML系統來說，數據是一種珍貴的商品，并提出了一種新的網絡脆弱性形式。對手可以故意在開發過程中引入有偏見或腐敗的數據，目的是錯誤地訓練AI/ML算法。這種邪惡的網絡攻擊形式可能很難被發現。

海軍正在解決這一數據挑戰，開發一個數據基礎設施和組織來管理已經收集和正在收集的數據。海軍的Jupiter計劃是一個企業數據和分析平臺，正在管理數據以支持AI/ML的發展和其他類型的海軍應用，這些應用需要與任務相關的數據（Abeyta，2021）。Jupiter努力的核心是確定是否存在正確的數據類型來支持人工智能應用。為了生產出在行動中有用的人工智能/ML系統，海軍需要在游戲中保持領先，擁有能夠代表各種可能情況的數據集，這些情況跨越了競爭、沖突和危機期間的行動范圍。因此，數據集的開發和管理必須是一項持續的、不斷發展的努力。

挑戰三：工程化人工智能系統

第三個挑戰是，人工智能系統的工程需要改變傳統的系統工程（SE）。在傳統系統中，行為是設定的（確定性的），因此是可預測的：給定一個輸入和條件，系統將產生一個可預測的輸出。一些人工智能解決方案可能涉及到系統本身的復雜性--適應和學習--因此產生不可預見的輸出和行為。事實上，一些人工智能系統的意圖就是要做到這一點--通過承擔一些認知負荷和產生智能建議，與人類決策者合作。表5強調了傳統系統和人工智能系統之間的區別。需要有新的SE方法來設計智能學習系統，并確保它們對人類操作者來說是可解釋的、可信任的和安全的。

SE作為一個多學科領域，在海軍中被廣泛使用，以將技術整合到連貫而有用的系統中，從而完成任務需求（INCOSE 2015）。SE方法已經被開發出來用于傳統系統的工程設計，這些系統可能是高度復雜的，但也是確定性的（Calvano和John 2004）。如表5所述，傳統系統具有可預測的行為：對于一個給定的輸入和條件，它們會產生可預測的輸出。然而，許多海軍應用的人工智能系統在本質上將是復雜的、適應性的和非決定性的。Raz等人（2021年）解釋說，"SE及其方法的雛形基礎并不是為配備人工智能（即機器學習和深度學習）的最新進展、聯合的多樣化自主系統或多領域操作的工程系統而設想的。" 對于具有高風險后果的軍事系統來說，出錯的余地很小；因此，SE過程對于確保海軍中人工智能系統的安全和理想操作至關重要。

表5. 傳統系統和人工智能系統的比較

在整個系統生命周期中，將需要改變SE方法，以確保人工智能系統安全有效地運行、學習和適應，以滿足任務需求并避免不受歡迎的行為。傳統的SE過程的大部分都需要轉變，以解決人工智能系統的復雜和非確定性的特點。在人工智能系統的需求分析和架構開發階段需要新的方法，這些系統將隨著時間的推移而學習和變化。系統驗證和確認階段將必須解決人工智能系統演化出的突發行為的可能性，這些系統的行為不是完全可預測的，其內部參數和特征正在學習和變化。運營和維護將承擔重要的任務，即隨著人工智能系統的發展，在部署期間不斷確保安全和理想的行為。

SE界意識到，需要新的流程和實踐來設計人工智能系統。國際系統工程師理事會（INCOSE）最近的一項倡議正在探索開發人工智能系統所需的SE方法的變化。表6強調了作為該倡議一部分的五個SE重點領域。除了非決定性的和不斷變化的行為，人工智能系統可能會出現新類型的故障模式，這些故障模式是無法預料的，可能會突然發生，而且其根本原因可能難以辨別。穩健設計--或確保人工智能系統能夠處理和適應未來的情景--是另一個需要新方法的SE領域。最后，對于有更多的人機互動的人工智能系統，必須仔細注意設計系統，使它們值得信賴，可以解釋，并最終對人類決策者有用。

表6.人工智能系統工程中的挑戰（改編自：Robinson，2021）。

SE研究人員正在研究人工智能系統工程所涉及的挑戰，并開發新的SE方法和對現有SE方法的必要修改。Johnson（2019）開發了一個SE框架和方法，用于工程復雜的適應性系統（CASoS）解決方案，涉及分布式人工智能系統的智能協作。這種方法支持開發智能系統的系統，通過使用人工智能，可以協作產生所需的突發行為。Johnson（2021）研究了人工智能系統產生的潛在新故障模式，并提出了一套跨越SE生命周期的緩解和故障預防策略。她提出了元認知，作為人工智能系統自我識別內部錯誤和失敗的設計方案。Cruz等人（2021年）研究了人工智能在空中和導彈防御應用中使用人工智能輔助決策的安全性。他們為計劃使用人工智能系統的軍事項目編制了一份在SE開發和運行階段需要實施的策略和任務清單。Hui（2021年）研究了人類作戰人員與人工智能系統合作進行海軍戰術決策時的信任動態。他制定了工程人工智能系統的SE策略，促進人類和機器之間的 "校準 "信任，這是作為適當利用的最佳信任水平，避免過度信任和不信任，并在信任失敗后涉及信任修復行動。Johnson等人（2014）開發了一種SE方法，即協同設計，用于正式分析人機功能和行為的相互依賴性。研究人員正在使用協同設計方法來設計涉及復雜人機交互的穩健人工智能系統（Blickey等人，2021年，Sanchez 2021年，Tai 2021年）。

數據的作用對于人工智能系統的開發和運行來說是不可或缺的，因此需要在人工智能系統的SE生命周期中加入一個持續不斷的收集和準備數據的過程。Raz等人（2021）提出，SE需要成為人工智能系統的 "數據策劃者"。他們強調需要將數據策劃或轉化為可用的結構，用于開發、訓練和評估AI算法。French等人（2021）描述了需要適當的數據策劃來支持人工智能系統的發展，他們強調需要確保數據能夠代表人工智能系統將在其中運行的預期操作。他們強調需要安全訪問和保護數據，以及需要識別和消除數據中的固有偏見。

SE界正處于發展突破和進步的早期階段，這些突破和進步是在更復雜的應用中設計人工智能系統所需要的。這些進展需要與人工智能的進展同步進行。在復雜的海軍應用以及其他非海軍和非軍事應用中實施人工智能系統取決于是否有必要的工程實踐。SE實踐必須趕上AI的進步，以確保海軍持續的技術優勢。

挑戰四：對抗性

海軍在有效實施人工智能系統方面面臨的第四個挑戰是應對對手。海軍的工作必須始終考慮對手的作用及其影響。表7確定了在海軍實施人工智能系統時必須考慮的與對手有關的三個挑戰：(1)人工智能技術在許多領域迅速發展，海軍必須注意同行競爭國的軍事應用進展，以防止被超越，(2)在海軍應用中實施人工智能系統和自動化會增加網絡脆弱性，以及(3)海軍應用的人工智能系統需要發展和適應，以應對不斷變化的威脅環境。

表7. AI系統的對抗性挑戰

同行競爭國家之間發展人工智能能力的競賽，最終是為了進入對手的決策周期，以便比對手更快地做出決定和采取行動（Schmidt等人，2021年）。人工智能系統提供了提高決策質量和速度的潛力，因此對獲得決策優勢至關重要。隨著海軍對人工智能解決方案的探索，同行的競爭國家也在做同樣的事情。最終實現將人工智能應用于海軍的目標，不僅僅取決于人工智能研究。它需要適當的數據收集和管理，有效的SE方法，以及仔細考慮人類與AI系統的互動。海軍必須承認，并采取行動解決實施人工智能系統所涉及的挑戰，以贏得比賽。

網絡戰是海軍必須成功參與的另一場競賽，以保持在不斷沖擊的黑客企圖中的領先地位。網絡戰的特點是利用計算機和網絡來攻擊敵人的信息系統（Libicki, 2009）。海軍對人工智能系統的實施導致了更多的網絡攻擊漏洞。人工智能系統的使用在本質上依賴于訓練和操作數據，導致黑客有機會在開發階段和操作階段用腐敗的數據欺騙或毒害系統。如果一個對手獲得了對一個運行中的人工智能系統的控制，他們可能造成的傷害將取決于應用領域。對于支持武器控制決策的自動化，其后果可能是致命的。海軍必須注意人工智能系統開發過程中出現的特殊網絡漏洞。必須為每個新的人工智能系統實施仔細的網絡風險分析和網絡防御戰略。海軍必須小心翼翼地確保用于開發、訓練和操作人工智能系統的數據集在整個人工智能系統的生命周期中受到保護，免受網絡攻擊（French等人，2021）。

威脅環境的演變是海軍在開發AI系統時面臨的第三個對抗性挑戰。對手的威脅空間隨著時間的推移不斷變化，武器速度更快、殺傷力更大、監視資產更多、反制措施更先進、隱身性更強，這對海軍能夠預測和識別新威脅、應對戰斗空間的未知因素構成了挑戰。尤其是人工智能系統，必須能夠加強海軍感知、探測和識別新威脅的能力，以幫助它們從未知領域轉向已知領域的過程。他們必須適應新的威脅環境，并在行動中學習，以了解戰斗空間中的未知因素，并通過創新的行動方案快速應對新的威脅（Grooms 2019, Wood 2019, Jones et al 2020）。海軍可以利用人工智能系統，通過研究特定區域或領域的長期數據，識別生活模式的異常（Zhao等人，2016）。最后，海軍可以探索使用人工智能來確定新的和有效的行動方案，使用最佳的戰爭資源來解決棘手的威脅情況。

結論

人工智能系統為海軍戰術決策的優勢提供了相當大的進步潛力。然而，人工智能系統在海戰應用中的實施帶來了重大挑戰。人工智能系統與傳統系統不同--它們是非決定性的，可以學習和適應--特別是在用于更復雜的行動時，如高度動態的、時間關鍵的、不確定的戰術行動環境中，允許的誤差范圍極小。本文確定了為海戰行動實施人工智能系統的四個挑戰領域：（1）開發能夠解決戰爭復雜性的人工智能系統，（2）滿足人工智能系統開發和運行的數據需求，（3）設計這些新穎的非確定性系統，以及（4）面對對手帶來的挑戰。

海軍必須努力解決如何設計和部署這些新穎而復雜的人工智能系統，以滿足戰爭行動的需求。作者在這一工作中向海軍提出了三項建議。

1.第一個建議是了解人工智能系統與傳統系統之間的差異，以及伴隨著人工智能系統的開發和實施的新挑戰。

人工智能系統，尤其是那些旨在用于像海戰這樣的復雜行動的系統，其本身就很復雜。它們在應對動態戰爭環境時將會學習、適應和進化。它們將變得不那么容易理解，更加不可預測，并將出現新型的故障模式。海軍將需要了解傳統的SE方法何時以及如何在這些復雜系統及其復雜的人機交互工程中失效。海軍將需要了解數據對于開發人工智能系統的關鍵作用。

2.第二個建議是投資于人工智能系統的研究和開發，包括其數據需求、人機互動、SE方法、網絡保護和復雜行為。

研究和開發是為海戰行動開發AI系統解決方案的關鍵。除了開發復雜的戰術人工智能系統及其相關的人機協作方面，海軍必須投資研究新的SE方法來設計和評估這些適應性非決定性系統。海軍必須仔細研究哪些新類型的對抗性網絡攻擊是可能的，并且必須開發出解決這些問題的解決方案。海軍必須投資于收集、獲取和維護代表現實世界戰術行動的數據，用于人工智能系統開發，并確保數據的相關性、有效性和安全性。

3.第三個建議是承認挑戰，并在預測人工智能系統何時準備好用于戰爭行動方面采取現實態度。

盡管人工智能系統正在許多領域實施，但海軍要為復雜的戰術戰爭行動實施人工智能系統還需要克服一些挑戰。人工智能系統在較簡單應用中的成功并不能保證人工智能系統為更復雜的應用做好準備。海軍應該保持一種現實的認識，即在人工智能系統準備用于戰爭決策輔助工具之前，需要取得重大進展以克服本文所討論的挑戰。實現人工智能系統的途徑可以依靠建模和模擬、原型實驗、艦隊演習以及測試和評估。可以制定一個路線圖，彌合較簡單應用的人工智能和復雜應用的人工智能之間的差距--基于一個積木式的方法，在為逐漸復雜的任務開發和實施人工智能系統時吸取經驗教訓。

海軍將從未來用于戰術戰爭的人工智能系統中獲益。通過安全和有效地實施人工智能系統，戰術決策優勢的重大進步是可能的。此外，海軍必須跟上（或試圖超越）對手在人工智能方面的進展。本文描述了為在海戰中實施人工智能系統而必須解決的四個挑戰。通過對這些新穎而復雜的人工智能系統的深入了解，對研究和開發計劃的投資，以及對人工智能技術進步時限的現實預期，海軍可以在應對這些挑戰方面取得進展。

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

引言

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

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

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

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

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

本文討論了當前和新興技術的設計，以保持C4ISR對國家的相關性和實用性。

C4ISR的體系架構

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

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

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

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

圖 1：C4ISR 的集中式架構

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

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

圖 2：C4ISR 的聯合架構

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

應用

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

1、數據收集、整理和編目

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

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

數據有各種類別和格式。一些用于改善SA的數據類型是：

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

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

2、地理空間應用

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

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

圖3:地理空間服務

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

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

3、人工智能應用

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

4、網絡戰

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

研究領域

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

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

互操作性、標準化和兼容性

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

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

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

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

協作

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

結論

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

美國空軍正在探索自適應基地（AB）概念，以減少美軍對日益增長的空中和導彈威脅的脆弱性，并在高度競爭的環境中保持關鍵的作戰能力。這些概念可能會強調美國空軍的全球機動能力。AB概念要求一攬子部隊以機動和響應的方式行動，以提供保護并從優勢位置作戰。盡管這些概念對美國空軍的全球機動能力提出了額外的、不同的要求，但它們對機動性空軍（MAF）的影響還沒有被充分分析過。

在本報告中，作者評估了AB概念對MAF的影響，并建議如何使MAF更好地支持有爭議環境中的行動。該分析考慮了幾個反導概念對太平洋責任區的油輪、空運和基地支援的需求的影響，并審查了目前MAF部隊是否足以支持反導概念。然后考慮了潛在的加強措施。

總的來說，作者發現目前的MAF（加油機、空運和基地支援）可以支持幾個戰斗機聯隊（兩到三個）使用AB型機動方案作戰。必須做出重大改變以支持更大的部隊組合。潛在的改進包括文化；戰術、技術和程序；裝備和新技術。

研究問題

• 現在正在考慮的一系列AB概念將如何影響對MAF資產的需求？
• 目前MAF滿足不同AB概念所要求的空中加油和空運需求的能力是什么？
• 如何加強MAF的能力（在空中加油、空運和基地能力方面）以更好地支持AB概念？

研究發現

• 按目前的配置和資源，MAF部隊可能難以支持大范圍的AB行動

  • 不同的反導概念和不同的實施方法對MAF的影響有很大的不同。
  • 在大多數情況下，MAF可以使用AB概念與油輪從遠處支持戰斗空軍（CAF）戰斗機的小部分人員（大約10個24小時，兩艘船的防御性反空作戰巡邏）--但只有通過參與MAF艦隊的很大一部分。
  • 空運行動似乎不那么具有挑戰性，但高度依賴于所分析的情況。MAF部隊的規模或結構并不適合支持AB概念，沒有能力大規模部署小型包。
  • 在大多數情況下，基地支援人員（如應急反應部隊和基地行動支援）可以支持所分析的情況，但整個戰區的戰役會給資源帶來壓力。
  • 中央空軍和MAF之間的指揮和控制協調，通信和導航的脆弱性，以及MAF的文化提供了額外的挑戰。

• 為了支持整個戰區的以戰斗機為基礎的戰斗力，需要對MAF進行一些加強，以使用AB型戰斗機

  • 油機將可能需要在更接近戰斗的地方運行以滿足大規模的需求。

• 盡量減少加油機的前線地面時間和從多個前線基地進行操作可以提高加油機的生存能力，同時返回對峙基地進行維護。

• 有多種選擇可以減少空運需求，縮短空運的地面時間，提高生存能力，減少部署的足跡，并提高時間和后勤效率。其中包括更多地使用地面運輸，東道國或合同支持，預先部署新的飛機材料處理技術和行動概念（CONOPs），人員交叉培訓，以及增加應急反應能力。

• 事先尋求與潛在合作伙伴的基地協議是非常可取的。

建議

• 空中機動性司令部（AMC）應加強與中央空軍、聯合組織和組成部分的整合，以確保AB計劃的制定符合空中機動性的優勢和限制。
• AMC應該嘗試新的行動方案，使MAF能夠最好地支持AB行動。
• AMC應該與盟國政府進行協調，以提高理想基地的潛力，并更好地減輕因中國使用硬實力、軟實力或銳實力而對行動造成的影響。
• AMC應該對規則和條例（如空軍指令）進行全面審查，以便在承擔審慎風險的同時，在具有挑戰性的環境中實現更有效的行動。
• AMC應該考慮新的設備和技術以及新的CONOPs如何能夠使AB行動更安全、更高效、更有效果。

目錄

第一章

簡介

第二章

分析方法和選定的適應性基礎概念

第三章

坦克對適應性基地的支持。目前的能力和潛在的加強措施

第四章

對適應性駐扎的空運支持。目前的能力和潛在的加強措施

第五章

支持適應性基地建設的基礎能力。目前的能力和潛在的加強措施

第六章

影響機動性空軍的其他問題

第七章

結論和建議

事實證明，采用基于生物識別技術的安全措施對北約國家極為重要，特別是在聯合行動區（JOA）。在為基地招聘當地人員時，可以使用生物識別技術來篩選雇員，或者識別參與使用簡易爆炸裝置（IED）的罪犯，這促使一些北約國家建立生物識別數據庫和生物識別觀察名單（BEWLs）。北約本身已經實施了北約自動生物識別系統（NABIS），該系統是由新興安全挑戰司（ESCD）管理的防御恐怖主義工作計劃（DAT POW）的一部分。盡管它對北約國家以及間接地對一些非軍事實體（如國家執法機構）具有潛在的高價值，但一般來說，除了合作協議，北約軍事部隊獲得的生物識別數據不能共享。這主要是由于法律和憲法的限制，但也有與互操作性有關的技術問題。SAS-135研究任務組（RTG）的主要目標是確定這些障礙并推廣北約生物識別標準（STANAG 4715）。STANAG 4715在北約之外可能沒有足夠的知名度，它的采用可以促進軍用和非軍用實體之間的合作。

幾十年來，影響作戰行動一直是現代軍事行動的一部分。在20世紀下半葉，特別是在不對稱戰爭的背景下，利用信息來迷惑或操縱敵人，甚至是平民百姓的做法越來越多，并被證明是非國家行為者取得政治勝利的主要因素，如在越南。然而，隨著網絡空間和隨之而來的全球社交網絡帶來的通信加速，技術也帶來了重大變化。因此，技術一直是信息戰的核心，允許在準即時的時間范圍內接觸更多的受眾。因此，新興的信息技術，特別是基于人工智能的技術，可以啟動軍事影響行動的新的重大演變。由于有可能產生虛假的個人、虛假的視頻和對某個問題的虛假共識，混合戰爭可能進入一個新的時代。此外，級別較低的軍事強國和非國家行為者也可以從越來越容易獲得這些技術中受益，對于正規軍和混合威脅行為者來說，經過適當培訓的人員仍然是需要克服的主要障礙。

1 引言

自20世紀60年代和70年代以來，主要的武裝部隊都認為信息領域是一個重要的戰場，是對傳統的物理領域，如陸地、海洋和空中行動的補充。二戰期間影響行動的重要性，包括在霸王行動（1944年入侵諾曼底）的計劃中，有專門的心理和信息行動，如 "保鏢 "或 "毅力"，突出了這種行動的潛在重大影響，事實證明，這些行動具有特別的意義，也體現在其成本效益方面。這些行動的主要目的是通過傳播信息對目標受眾的心理產生直接影響--無論是本土受眾、敵軍還是戰場上的平民，等等。

在這方面，可以使用幾種戰術，從傳播偽造的信息（假信息）和利用信息鼓勵特定的行為（操縱和欺騙）到通過發動故意誤導的智力攻勢癱瘓敵人的決策系統（陶醉）。這些戰術與戰爭本身一樣古老，但隨著信息和通信技術的發展，它們不時地重新煥發活力，可以更快更廣泛地進行廣播，接觸到新的受眾并產生更強的影響。

然而，數字革命似乎正在為影響力行動帶來一個新的時代，它既能創造新品種的偽造影響力產品，又能迅速降低專用工具和系統的成本。這種情況可能使各種行為者，無論是國家還是非國家行為者，都能實現高度的復雜性，特別是在混合威脅的背景下。由于信息操作一直是不對稱戰爭中的一個有利工具，新興技術，特別是人工智能（AI），可能會加速它們在未來沖突中的使用。

這篇研究論文的目的是探討隨著新興的--主要是基于人工智能的--數字技術的崛起，影響力行動的格局發生了變化，這些技術可以提供新的內容和新的傳播能力。文件的第一部分將考慮自20世紀末以來數字技術的發展及其在影響力行動中的使用，因為武裝部隊和國家行為者試圖應對非國家行為者對數字工具的使用，主要用于宣傳和招募。在第二部分中，本文將探討新興數字技術在深度偽造、在線社區滲透、人工創造嗡嗡聲方面創造的新的可能性，以及它們在影響力行動中的可能使用。還將探討獲取技術的問題，因為它是混合戰爭方面需要克服的一個主要障礙。本文的最后一部分將重點討論這些技術在混合戰爭中的潛在用途，以正在進行的烏克蘭戰爭為例。

2 數字時代的影響行動

在20世紀90年代末至21世紀，武裝部隊不得不調整其影響理論和行動，以適應數字技術的崛起。正如在阿富汗和伊拉克的行動所體現的那樣，他們面臨著雙重挑戰：隨著士兵手中個人IT設備的興起，他們要控制自己一方的通信，以及在數字戰場上與叛亂分子或武裝恐怖組織的斗爭，他們雄心勃勃地要利用這些數字技術開辟一條新戰線。西方武裝部隊很快發現，全球通信能力可能成為他們必須主導的一個特別強大的戰場，因為主要的經驗教訓是，數字技術可以以相對較低的成本對戰區內外產生重大影響。

2.1 應對技術

應對技術演變的需要是現代軍事行動的主要問題之一，特別是考慮到信息領域源自民間的技術發展，包括大規模的數字通信使能器。它們已經對軍事行動產生了重大影響，因為21世紀的第一批關鍵行動，即阿富汗的 "持久自由 "和伊拉克的 "伊拉克自由"，突出了數字技術的重要性。參與這些行動的西方士兵使用個人數字錄像機和社交網絡賬戶，塔利班和伊拉克叛亂分子迅速使用數字媒體通信，展示他們對西方聯盟的軍事能力，這些都突出了數字戰場的突出地位。基于信息技術的個人技術的廣泛使用適當地開創了軍事通信和宣傳的新時代。

這里的問題是，武裝部隊在應對技術發展的加速時遇到的困難，以及公眾對其中一些技術的容易接觸。自越南戰爭以來，西方軍隊已經意識到，他們需要在地方和全球層面采取行動來贏得戰爭，而不僅僅是通過純粹的動力手段。需要闡明戰略通信（stratcom）以加強本土民眾對軍事行動的共識，并影響戰場上的行動以及對當地民眾和敵對勢力的行動層面，這就創造了一個具有多層次互動的信息-行動關系。數字時代增加了一層新的復雜性，不僅在空間（國土與戰場）方面難以銜接，而且在時間方面也難以銜接，因為數字技術允許準實時通信，需要與信息行動計劃化過程一起進行，這有時是很麻煩的。

2.2 理論上的差距

關于西方武裝力量（北約、美國、歐洲）在信息戰方面的理論演變，在戰略-行動-戰術層面和本土-戰場層面之間存在著傳統的分離-和互補。在越南戰爭之后，吸取的教訓導致了70年代和80年代軍事理論的重新定位，通過嵌入記者、使用專業級戰略通信以及需要將信息本身視為一個軍事領域，更好地整合大眾媒體及其影響。這些變化使得心理作戰（對敵人或民眾的行為和心態采取行動）和信息作戰（通過信息和媒體采取行動）的能力得以發展，以支持動能行動。從20世紀80年代開始，信息被認為是一個價值鏈，闡明了發射者、信息、媒介和接受者。因此，任何信息行動的成功都與在所有價值鏈要素之間建立一致性的能力有關。這些考慮和理論上的變化促成了聯盟在1991年海灣戰爭中的成功，導致了全球媒體的主導地位。因此，信息行動專家可以通過控制媒體（通過記者嵌入軍事單位）和信息（通過直接向大眾媒體提供圖像和文件）來構建自己的戰爭敘事。

然而，這種信息主導地位是短暫的。海灣戰爭是一場不對稱的戰爭，在國家和正規武裝力量之間進行。因此，沒有必要對信息戰和不對稱性之間的關系進行深入分析。然而，新技術的發展引起了全球信息的提供和消費的動蕩。自21世紀初以來，通信網絡之間的相互聯系產生了一個新的通信地理，理論上任何信息都可以在世界范圍內即時到達，從而模糊了領土之間的邊界。因此，幾乎沒有任何可能性可以與海灣戰爭時代相比，施加信息主導權，信息提供能力越來越多地被包括非國家行為者在內的各種行為者所獲得。到2000年代中期，正規武裝部隊和非國家行為者--有時被用作代理人--在信息領域爭奪全球受眾的注意力。

為此，武裝部隊必須同時在兩條戰線上行動--在本土，需要維持民眾對軍事行動的支持，在戰場，需要影響當地民眾和敵人--包括不同的受眾和看法，有時還具有矛盾的取向。2006年的第二次黎巴嫩戰爭表明了信息行動的重要性，特別是在戰爭的第二階段，黎巴嫩真主黨在物質領域和信息領域采取行動，對整個中東地區的觀眾以及西方觀眾施加影響，包括通過黎巴嫩僑民。數字內容的創作包括偽造的圖片和視頻，特別是關于對以色列薩阿5級輕型護衛艦INS Hanit的攻擊，這些內容被用來強調真主黨特工人員在任何地方--包括在海上--進行攻擊的能力，以平衡真主黨的 "低成本戰士 "與處于軍事技術前沿的主要力量之間的不對稱。

然而，近年來，西方主要武裝力量--以2006年后的以色列為榜樣--對理論和行動指南進行了深入的重新評估，以應對基于信息的威脅，包括在日益增長的混合威脅背景下，模糊了國家和非國家行為者之間的區別。這種變化也必須在西方武裝力量的全球理論演變的背景下加以考慮，同時多領域整合也是其中的一個關鍵因素，也是在促成聯合能力方面的一個關鍵因素。

近年來，隨著基于人工智能技術的快速發展，出現了另一個重大技術變革。2005年，從信息1.0到信息2.0的轉變對軍事行動產生了重大影響；從信息2.0到信息3.0的轉變也可能改變行動，特別是在混合威脅日益嚴重的情況下。

3 基于人工智能的技術興起

3.1 從娛樂到惡毒的意圖

在20世紀80-90年代出現的網絡空間和2000-2010年代出現的社交網絡之后，新出現的主要信息技術是圍繞人工智能在通信中的使用，以及在整個信息技術相關部門的使用。人工智能技術在軍事影響領域似乎特別有意義，特別是為了精心制作專用信息。為特定的目標受眾創建相關內容是信息運營的最關鍵階段之一。然而，人工智能相關技術在內容創建之外還可能有其他用途，包括創建虛假資料。

創建一個可信的化身來傳播信息往往是影響力行動的第一個--如果不是最常見的--陷阱之一。在這方面，擁有一個既值得信賴又不會危及負責實施這些行動的操作者的身份是一個重要問題。人工智能技術可以為這個問題提供可行的解決方案，其中一些基于機器學習的技術有能力利用專門的算法提高圖片的分辨率，并允許從固定圖像中創建視頻，以及其他應用。

這種基于神經網絡的技術，對于分析衛星圖像以獲取情報非常有用，也可以被轉用于創建完全虛構的圖像。這些使用生成式對抗網絡（GAN）創建的深層假象，自2014年以來一直被記錄在案，其在社交網絡中的使用明顯增加，用于建立虛假的個人資料，通常具有社交工程的目的。 在這種情況下，基于人工智能的深度偽造技術可用于以下方向的影響行動：

• 阿凡達創建：目的是創建一個完全虛構的人，使用圖片甚至動畫圖像，可以用來滲透到一個特定的社區，納入目標受眾可識別的身體或道德特征。為此，有必要使用盡可能多的關于目標社區的數據來訓練負責創作的人工智能，以便獲得最大數量的特定特征。由此產生的假人有多種用途，特別是在智能方面：映射人際網絡、插入討論、網絡釣魚等等。GAN創建的化身現在被用于某些電視頻道--尤其是在中國--成為第一個準人類的虛擬主持人。同樣地，使用GAN創建的假人在社交網絡中的存在感更強。

• 利用真人偽造言論：在這里，深度偽造的目的是利用公眾人物的形象--如政治領袖或軍事指揮官--將他們置于尷尬的境地，或讓他們說出他們從未說過的話。這種 "2.0偽造系統 "由于有冒充政治和軍事通訊的傾向而特別有用。這是一種典型的顛覆手法，即把反對派領導人描繪成殘酷/軟弱/騙子等，使其處于不利地位。所部署的戰術不能被認為是特別創新的，但近年來，利用名人和用GAN制作的視頻有了驚人的增長。許多例子在社交網絡上流傳，以巴拉克-奧巴馬或唐納德-特朗普的演講為主題，這些演講往往是陰謀性的。由于有許多特定人物（如美國總統）的圖像或視頻可用，因此可以通過融化許多多角度的圖像樣本和聲紋來制作極其逼真的假視頻。

在這一領域，考慮軍事反影響也是相關的，特別是檢測深度偽造和GAN生成的圖像和視頻。鑒于混合威脅行為者的數字影響知識的增加，這種能力在幾年內應該成為武裝部隊的關鍵。考慮到目前馬里和中非共和國的局勢以及瓦格納集團在針對法國武裝部隊的虛假信息和影響行動中的牽連，很明顯，俄羅斯支持的團體和個人已經在利用社交網絡和電子通信參與數字和非數字影響行動。如果這些行動的技術水平仍然是低到中等水平，那么在撒哈拉以南非洲，數字技術的使用迅速增加，可能會導致在未來幾年內利用基于人工智能的系統。

除了這個打擊國家或國家代理人（如瓦格納集團）的問題，考慮非國家行為者使用這些技術的假設也很重要。例如，ISIS成功地建立了一個具有多語言實體和產品的專業級通信系統（例如，Dabiq、Dar al-Islam雜志）。ISIS的宣傳機器特別依賴于專業或半專業技術的使用，如用于圖像和視頻錄制的無人機，或計算機圖形軟件。在這種情況下，可以預見，主要的非國家行為者--包括一些國家支持的行為者，如真主黨--可能會在中短期內使用基于人工智能的技術來達到數字影響的目的。

3.2 超越深度偽造

此外，信息業務的主要挑戰之一是創建 "音箱"，在創建信息后，提供傳播的振幅，以獲得預期的效果。

除了創造孤立的個人或單一的深度偽造視頻之外，危險更在于被稱為虛構算法投影的復雜沉浸式系統。利用基于人工智能的技術，他們創造了大量的虛假數據，以實現多層次的互動，并可能導致創造大量的假人互動的能力，例如，給人以群體內達成共識的印象。由于趨勢和流行是社交網絡的核心--正如谷歌排名和熱門推文等概念所強調的那樣--有可能模仿多個賬戶之間的對話，可能會導致利用雪球效應傳播信息。

除了深度造假和內容創作之外，廣播問題也是影響力運營的一個主要障礙。覆蓋大量受眾一直是一個重要問題，尤其是在數字媒體普及率低的地區的不對稱戰爭中。2000年代，在阿富汗和撒哈拉以南非洲，幾乎沒有使用過數字影響力行動，因為當地民眾依靠傳統媒體，主要是廣播或電視來獲取信息。因此，通過數字工具產生的影響主要面向歐洲和美國的受眾，塔利班、伊拉克叛亂分子或索馬里青年黨武裝分子等武裝團體大量使用社交媒體，包括通過鼓動宣傳（agit-prop）戰術，對西方受眾進行造謠。

然而，隨著寬帶移動網絡的全球部署，特別是基于5G的網絡，情況正在發生變化。5G的帶寬可以傳播高質量的視頻內容，并能接觸到大量的目標，在歐洲和美國以外的越來越多的地區實現大規模的受眾影響戰略。比起地面寬帶網絡，在美國和中國主要公司的支持下，隨著低地球軌道（LEO）衛星群的發展，空間和地球之間的耦合也可能通過覆蓋新的領土和增強地面網絡的帶寬和彈性來加強大規模數字通信系統。將5G、超越5G和低地軌道通信網絡和協議與Telegram、Signal或WhatsApp等即時通信系統結合起來，應該會使深度偽造和影響信息的傳播更加簡單，可能會產生非常顯著的滾雪球效應。

4 混合戰爭的完美工具?

信息行動在現代戰爭中的重要性必須與這種行動的成本效益聯系起來。對于軍隊來說，使用影響力專用工具和大規模的信息作戰活動仍然難以發展，因為仍然無法精確評估結果。因此，一些軍事指揮官仍然不愿意使用這些能力，因為其結果在很大程度上是不可預見的，而且其表現也很難分析。在面對非國家或混合型威脅行為者時，影響行動往往很耗時，也被認為難以實施。

另一方面，非國家和混合型威脅行為體往往渴望參與影響戰術以進行不對稱戰爭，然而，對于非國家或代理行為體來說，獲得復雜的技術仍然是一個問題。基于人工智能的技術目前被認為是新興技術，它們需要特定的技能和設備來為其信息行動創造令人信服的化身和內容。由于技術和技術技能是關鍵問題，需要分析它們對廣大受眾的可用性，以評估基于人工智能的技術被混合威脅行為者和非國家行為者用來欺騙或迷惑對方力量的可能性。

2020年，Hwang提出了一個評估基于人工智能的深度偽造技術擴散條件的模型。確定了四個不同的瓶頸：訓練數據、專業硬件、技術專長和軟件。

• 談到訓練數據，正如已經強調的那樣，軍事和政治通信的重要性有助于混合威脅和非國家行為者獲得大量的數據，用于訓練人工智能系統，以相對容易地創建政治領導人或軍事指揮官的深度假象。

• 專用硬件是一個更困難的問題，因為一些最強大的專用處理器--如x86類--屬于雙重用途的出口法規，如美國的出口管理條例，因此受到審查。然而，在中國，由華為、中興或Cambricon等公司開發的新一代高容量處理器，可能會在未來幾年內，在成本大幅下降的同時，導致大量傳播。例如，對嵌入個人設備市場的人工智能技術的分析表明，預計人工智能芯片在智能手機中的使用會越來越多，這表明人工智能芯片在下一代主流智能手機中的使用可能會快速民主化，使其容易被廣泛的參與者所接受。

• 對于混合威脅和非國家行為者來說，技術專長也是一個復雜的問題，因為基于人工智能技術的人力資源被認為是短缺的，對最富有的公司也是如此。因此，吸引具有足夠知識的人創建算法和基于人工智能的系統可能會對這些行為者構成重大瓶頸，強調了國家在這一特定領域支持的重要性。

• 相反，軟件并不是一個主要的問題，因為很多對創建GAN和深度偽造有用的AI專用軟件都是開源的。谷歌TensorFlow是最流行的人工智能訓練平臺之一，具有高度的靈活性，是一個主要的例子，它以非常低的成本提供了立即獲得中等質量的深度偽造的工具。

利用基于人工智能技術的黃氏價值鏈進行深度偽造的一個中間結論是，人力資源對混合威脅和非國家行為者的重要性。由于大多數技術元素已經可用，或者正在經歷快速的成本下降和可用性增加，具有必要知識的人員問題仍然是關鍵，以創建和維護深度偽造的專門能力。

4.1 烏克蘭戰爭：第一場由深度偽造支持的沖突？

在最近的烏克蘭戰爭中，深度偽造被用來支持軍事行動，特別是在俄羅斯方面用于欺騙目的。2022年3月16日，烏克蘭電視頻道 "烏克蘭24 "似乎被親俄黑客入侵，導致播放了據稱是總統澤倫斯基的書面信息，呼吁烏克蘭士兵投降。同一天，即時通訊系統Telegram上播放了使用沃洛基米爾-澤倫斯基的臉的深度偽造視頻，宣傳烏克蘭士兵要向俄羅斯軍隊投降的相同信息。這段假視頻也被發布在幾個社交媒體平臺上，包括克里姆林宮間接監督下的俄羅斯Vkontakte。在對立面，社會媒體上也播放了弗拉基米爾-普京的深層假象，凸顯了這種技術的使用越來越多。

然而，這段烏克蘭總統的假視頻似乎相當簡單，澤倫斯基的聲音樣本質量不高，而且動畫中存在技術問題。因此，這個假視頻很快就被揭穿，對烏克蘭民眾幾乎沒有任何影響。然而，在戰時使用深層造假的方式將一位主要的政治領導人納入其中是影響力行動的一個新特點，再加上同時在網絡空間黑掉烏克蘭24電視臺的行動。

就混合戰爭而言，網絡和信息領域的行動結合在一起，符合俄羅斯的maskirovka或欺騙的習慣。此外，使用混合威脅和非國家行為者也可以理解為繞過YouTube或Facebook等主要社交媒體平臺禁止俄羅斯直接支持的視頻頻道的決定。這里的主要問題仍然是民眾的數字素養。即使是中等質量的深度造假，針對數字文化水平和媒體造假意識較低的人群，也可能導致重大的現實影響，如抗議甚至騷亂。

在戰爭和戰略史上，欺騙敵對軍事力量、迫使投降或癱瘓指揮系統的影響行動是相當傳統的。隨著以人工智能為基礎的技術的預期發展，以及它們對廣大公眾的可用性，這些行動的復雜性可能達到一個新的水平。幸運的是，深度造假檢測--同樣使用GAN--同樣被國家和主要IT公司開發和資助，因為大規模深度造假影響活動的風險已經被考慮了好幾年。

5 結論

信息技術的加速發展在20世紀末創造了一個新的通信時代，通過使用網絡空間，可以準即時地訪問世界上的任何文件或信息。2004年后興起的Web2.0深化了這場傳播革命，它廢除了信息提供者和信息消費者之間的傳統圍墻，使所有用戶都成為潛在的信息準消費者（生產者-消費者）。然而，將網絡空間視為和平與穩定的助推器的樂觀看法，以及其提高意識、允許自由言論和自由信息的能力，證明是對現實的扭曲。21世紀的第一批沖突表明，信息技術和網絡空間可以被惡意用來設計和實施針對大眾受眾和特定社區的影響行動，特別是在西方。諸如ISIS、塔利班或真主黨這樣的非國家行為者被證明是數字通信宣傳和影響的重要用戶。

如今，內容創作和廣播方面的新興數字技術可能對沖突產生重大影響。基于人工智能的技術的興起，提供了創造逼真的深度偽造的可能性--可以很容易地獲得創造這些扭曲的視頻所需的大部分元素--以及未來能夠廣播高質量視頻內容的電信網絡，是武裝部隊必須處理的突出特點。

對于混合威脅行為者來說，獲得這些能力的能力可以加強針對國土和戰場受眾的影響和信息行動。因此，所有主要的信息戰和心理戰戰術，如欺騙，都可以從這些新興的數字技術中受益，并有可能實現偽造的自動化。2022年的烏克蘭戰爭表明，使用深度造假是一個新興的趨勢，即使播出的視頻看起來相當不復雜，但必須記住，我們只是處于人工智能驅動的影響力時代的前夜。

因此，北約、歐盟和歐洲國家應考慮對利用信息領域的影響力和反影響力行動的理論和程序進行重大更新。隨著在烏克蘭使用深層假象，出現了發展利用GAN技術檢測和反擊深層假象的內部能力的需要。因此，在不久的將來，使用基于人工智能的技術來制造虛假言論和視頻可能會成為常規和非常規戰爭中的一種新常態。對專門人員的培訓對于獲得如何應對信息戰3.0的必要知識至關重要。由于大多數影響培訓在歷史上一直圍繞著心理學和傳統媒體的使用，現在有必要隨著基于人工智能的技術越來越重要而增加一個新的層次。

由于這些技術不僅與軍事有關，而且在性質上不能被視為 "軍事裝備"，因此可能不會有法律機會來限制其使用。然而，未來需要解決的問題是，即使在民主世界的武裝力量的公開戰爭背景下，使用人工智能偽造的內容是否可以被視為符合道德。

事實上，目前的OODA概念已經支持了對人類決策過程的理解，以支持關于人類戰友和以人為本的行動的敏捷和競爭性決策。然而，基于人機協作的未來軍事決策依賴于支持人機聯合情報的技術和互動概念，而不僅僅是人的能力。這需要新的OODA概念。在此，定義了機器OODA環，考慮了使其與人類OODA環相似和不同的特點。考慮了人工智能和認知建模的進展如何能被整合到機器OODA階段，為機器提供了比人類更獨特的優勢，因為機器可以將對人類操作者的理解和預測水平與對機器行為和數據分析的預測結合起來。此外，本文建議，有效的人機合作應該得到人機聯合決策-行動過程的支持，其概念是相互作用的OODA循環。對相互作用的人機OODA過程的考慮為支持有效的人機操作決策的系統設計原則和架構提供了概念上的指導。

本文的結構如下。首先，回顧了人類的OODA循環以及在該框架內開發的變體。接下來，定義了新的機器OODA循環，并討論了如何讓機器擁有比人類OODA循環更多的戰略推理優勢。最后，介紹了將人機團隊概念化為交互式OODA流程的方法。在深入探討圖1所示的OODA環概念方法的細節之前，將激勵為機器智能開發OODA環的理由。