本報告詳細介紹了萊斯大學與美國陸軍作戰能力發展司令部（DEVCOM）陸軍研究實驗室（ARL）之間的合作協議的關于網絡軌道上進行的第二年研究工作。這個項目的驅動力是開發自主網絡，以支持分布式多域作戰，同時對近距離的對手具有強大的彈性。這些尖端的網絡必須具有能源和頻譜效率，能夠自適應不同的作戰條件，并且在設計上能夠安全地應對新一類基于學習的威脅。第二年的一個亮點是DEVCOM ARL和萊斯大學的研究人員在整體參與和出版物方面的重要合作。

圖 用于估計場景幾何的示例網絡拓撲。盟軍節點之間正在進行的數據傳輸被解碼并重新用于對坦克進行成像。

1 引言

本項目的最終目標是設計新一代的自主無線網絡，以支持分布式多域作戰（MDO），同時對近乎同行的對手具有強大的彈性。本報告總結了本項目第二年取得的進展，并為未來幾年制定了明確的研究方向。

自主網絡對于使軍隊能夠比對手更快地進行MDO演習至關重要。此外，這些也將促進整個戰斗空間（陸地、空中、海上、太空、網絡空間、頻譜、信息環境）和各種作戰功能（情報、任務指揮、火力、維持、保護、運動和機動）的融合和利用跨領域的協同作用。

為了開發新一代的網絡，該項目已被組織成三個相互關聯的研究方向：

• 從毫米波到太赫茲的安全網絡。材料的創新使人們能夠并且將繼續能夠獲得從低GHz到THz的廣泛頻譜。然而，新的能力帶來了新的挑戰，因為在更高的頻段，通信越來越具有方向性。在這個方向上，我們正在開發新的方法，以利用新興設備的特殊性能，這些設備可以在GHz到THz的頻段上進行傳輸，由萊斯大學的多個實驗室和部署的測試平臺支持。

• 人工智能（AI）驅動的自適應網絡管理。通信能力的最新進展為網絡管理和優化提供了一系列豐富的調整旋鈕。然而，網絡戰是依賴于場景的，并與信道和流量條件以及設備能力緊密相連。在這個主旨中，我們利用人工智能來了解作戰環境，并將網絡的作戰點引導到最佳狀態，甚至在惡劣的條件下。

• 保護網絡免受基于人工智能的威脅。基于學習的攻擊已經打開了一個新的威脅載體，被動的對手可以從聆聽正在進行的傳輸中學習，甚至從加密的網絡中潛在地提取關鍵信息。我們正在開發創新，使對手更難提取信息，創新范圍包括新的天線和新的高層方法。

2 第二年的主要成就

第5、6和7節詳細描述了在這三個方向上取得的進展。作為一個總結性的預演，我們在此提供一份第二年期間每個方向的主要成就清單。

從毫米波到太赫茲的安全網絡

• 實現了一種保護太赫茲鏈路的方法，該鏈路表現出角色散，表明可以同時實現大帶寬和安全。

• 實驗證明了來自 "中間元表面 "攻擊的威脅，其中一個強大的對手試圖截獲高度定向的通信而不被發現。

• 展示了基于多面漏波天線（LWA）架構的強大的移動高定向鏈路的基礎，該鏈路跨度為100GHz至1THz。

人工智能驅動的自適應網絡管理

• 結合圖神經網絡的表達能力和算法展開的靈活性，為多輸入多輸出（MIMO）系統和能量受限的場景設計了可學習的功率分配機制。

• 為聯合學習提出了一個可證明的接近最優的功率分配策略，其中包含了學習系統的特定約束。

• 開發了一種基于圖機器學習的可訓練和可擴展的鏈路調度方法，增強了現有的方法并達到了最先進的性能。

• 設計了一個訪問控制的學習方案，可以在現有協議之間進行切換和調整，以使預先指定的效用最大化。

保護網絡免受基于人工智能的威脅

• 開發了一個無監督的 "無線日記 "框架，無需事先訓練就能識別無線節點的數量。

• 開發了一個框架，在存在錯誤測量的情況下，從一個竊聽者那里估計鏈接率。

• 開發了一種方法，被動地利用空氣中的無線能量來估計場景的地理位置。

支撐的硬件框架

摘要

英國國防部（MOD）的科學和技術戰略已經指示研究重點放在下一代（GAN）的軍事能力上。GAN能力是指那些英國防部今天無法采購的能力，在它們出現之前需要基礎科學和技術。Dstl最近領導了一項活動，以確定GAN對應用于國防培訓、教育和準備的國防模擬和合成環境的研究意味著什么。這涉及到收集國防利益相關者（未來的一線軍事用戶）的意見，以及對英國工業界和學術界（由QinetiQ、Thales、Cordillera應用集團和微軟領導）的GAN技術的審查。

本報告將概述推薦的下一代技術，這些技術對英國防部在未來五年內的成熟非常重要。這包括以下領域：擴展現實（XR）；數字孿生；元宇宙；學習技術；核心模擬技術；人工智能和自動化；以及代表未來復雜作戰環境所需的技術。它將提供一個概述，說明英國防部應該把研究重點放在什么地方；什么應該留給消費者領域去推動走向成熟；以及國防部可能期望在五年時間內能夠利用的功能和能力。

1.0 引言

1.1 英國國防部的科學和技術戰略

技術及其使用對英國國防部實施其戰略的能力和我們的運作方式越來越重要。英國國防部的科技戰略和最近的國防和安全綜合審查都強調，英國國防部需要更好地了解未來，并尋找、培育和資助下一代技術。英國國防部還必須通過示范、實驗來識別、評估和推動新興技術和創新，更好地利用流程和結構，并加速現有技術的規模化應用，以實現英國的優勢。

1.1.1 下一代技術

英國防部首席科學顧問（CSA）安吉拉-麥克萊恩女士對下一代技術（GAN）的定義如下：

"你今天買不到的東西--我們知道我們需要的能力，但在它們可用之前需要基礎科學和技術。這并不意味著任何特定的時間表 - 下一代技術可能在今年"

英國防部的CSA將GAN稱為下一代技術的一個單獨的興趣領域，這些技術可由國防部購買，但在軍事背景下使用時需要避免風險。GAN不是按照傳統的基于路線圖的方法中描述的線性時間表來考慮的。相反，它有一個非線性的范圍，一種技術的下一代可能只是幾個月后的事，另一種可能是幾年后的事。例如，智能手機的GAN可能在今年就準備好了，而核電站的GAN（如核聚變）可能要在幾十年后才能成熟。

2.0 仿真和合成環境的下一代

仿真和合成環境被廣泛用于英國國防部，為一系列領域提供更好的能力，包括：獲取；測試與評估；研究；能力開發；作戰分析；兵棋推演；實驗；部隊準備；以及決策支持。

英國防部責成Dstl管理科技能力--在Dstl內部和整個供應鏈--以便現在和將來為英國的國防和安全提供正確的能力。管理涉及到對科技能力的規劃、管理和監督的責任。國防部科技戰略中的GAN目標重新強調了這一活動，以確保國防部的內部能力，以及工業界、學術界和其他合作伙伴的能力適合于滿足國防的新興和未來需求。這一職責包括對模擬和合成環境的管理。

為了支持這種能力管理，并為英國國防部應開展的未來研究活動提供信息，Dstl與英國工業界和學術界一起進行了一項研究，以了解：

"GAN對未來模擬和合成環境的發展意味著什么，以支持英國的優勢？"

該報告確定了以下關鍵領域，這些領域應成為GAN能力研究的重點。

• 信息和通信技術（ICT）。

• 核心模擬技術。

• 人工智能（AI）和自動化。

• 擴展現實（XR）。

• 數字孿生和數據。

• 元宇宙。

• 未來的復雜作戰環境。

在這些領域中，該研究旨在確定：

• 尚不能采購的全球網絡能力和技術 - 這意味著該能力尚未發展成為可購買的產品或服務。

• 消除能力風險所需的科技活動--這意味著英國防部為利用該能力所需的基礎科學和技術研究。這可能涉及一系列的活動，包括從基礎科學研究到更成熟的演示和實驗，以及與終端用戶進行的去風險活動。

這項研究的范圍只包括與支持國防培訓、教育或準備有關的模擬和合成環境的使用。我們承認，這些領域在很大程度上受到鄰近市場和行業的影響（如軍事教育的民用學習市場），研究的范圍包括更廣泛的相關市場，那里有未來的 "衍生"機會。以前的 "附帶 "例子包括使用商業現貨（COTS）游戲技術進行培訓。

2.1 信息和通信技術（ICT）

預測：云計算已經改變了組織處理和存儲信息的方式。處理和存儲現在可以 "隨用隨取"，就像自來水公司一樣，企業可以根據自己的需要支付少量或多量的費用。雖然當前一代的云計算越來越多地被用于國防，并且幾乎肯定會支持下一代的模擬能力，但也有機會利用計算技術的GAN。

特征：新興的計算技術，如量子計算、神經形態和熱力學計算可能提供以下機會。

• 熱力學計算尋求將計算硬件運行到其熱力學潛力的極限。這有可能減少計算設備的尺寸、重量和功率（SWAP）。潛在的開發機會包括儀器化的現場訓練，在那里，與5G或6G通信相結合，它可以使邊緣設備以更低的功率要求被廣泛部署。限制性因素是證明該技術規模所需的研發，以及供應鏈和工業能力的要求。

• 量子計算不太可能在短期內出現在國防用戶的口袋里。雖然基于云的工作負載正在出現，但這些工作負載的可用性有限，安全和延遲可能是一個問題，而且可靠性可以得到改善。量子計算很可能被用于與運行詳細模型有關的確定的工作負載，作為科學研究的一部分，甚至在GAN的時間尺度內，對一般用途的培訓教育和準備的利用是不確定的。目前，英國政府的投資是巨大的，培訓、教育和準備社區應繼續監測其發展。

• DNA存儲器可以為培訓、教育和準備社區提供潛力，以存儲未來將產生的越來越多的數據。這有可能改善靜態數據的可及性。

• 圖形處理單元（GPU）的能力將繼續為大規模的模擬提供支持。GAN時間尺度的趨勢是，能力越來越強的GPU將支持越來越大的M&S環境，有可能在基礎設施層面而不是通過中間件軟件進行擴展。

效益和機會：總之，培訓、教育和準備社區可能會在GAN中擁有越來越強大和低SWAP的計算。這有可能徹底改變儀器化的現場訓練，但也可能對所有的M&S環境產生影響。這反過來又會對用于生成這些環境的輸入數據的驗證和確認（V&V）提出要求。

2.2 核心模擬技術；

預測：核心模擬技術包括戰術環境、圖像生成器、協議和標準、監測和控制工具以及代表自然和物理環境的系統。核心模擬技術將利用來自消費者信息技術和游戲市場的創新，越來越多地使用這些技術來支持以前的定制應用，如圖像生成和當前一代XR能力。全面運作的建模和仿真服務（MSaaS）能力將是下一代仿真技術的一個特點，而 "下一代 "可能會充分利用面向服務的架構和云技術。國防部將為核心仿真功能定義并擁有可重復使用的構建模塊和標準。平臺和系統的仿真將由OEMs提供數字雙胞胎。

特征核心仿真技術的GAN可能包括。

• 本身可擴展的環境，以前在處理能力和連接方面的限制被消除。

• 基于服務的方法和隨需應變的能力，可能會轉向完全云托管的模式。

• 混合的現場、虛擬和建設性（LVC）模擬，這三個領域之間的障礙越來越模糊或不存在。

• 與消費者游戲和信息技術的持續融合。

• 安全、高帶寬、有彈性的網絡。

效益和機會：核心模擬技術在支持培訓、教育和準備方面有廣泛的用途。它們可以被認為是提高這些國防部成果的效率和效益的重要推動力。向基于服務的仿真技術架構的轉變，特別是通過重新使用資產和減少對內部硬件的需求，可能會提高仿真交付的效率。

2.3 人工智能（AI）和自動化；

預測：英國防部和更廣泛的市場對人工智能和自動化的投資是相當大的，預計將繼續推動下一代和GAN能力的快速提高。有希望的早期技術包括基礎模型，它提供通用的、可訓練的人工智能，能夠處理廣泛的任務。計算的發展，包括 "網絡3.0 "或邊緣計算、量子計算和處理器的發展可能會提高人工智能和自動化的能力。民用工業部門的過程自動化也可能為管理和提供培訓、教育和準備提供潛在的交叉機會。然而，盡管有大量的投資，但不太可能有一個單一的 "銀彈 "通用人工智能和自動化工具來完全改變培訓、教育和準備。相反，干預可能是在一個更有限的基礎上，但仍將有可能產生影響。除了它的能力，人工智能和自動化工具可能會變得更可用，更容易被終端用戶所操作。

特征：GAN人工智能和自動化可能在以下方面有利于培訓、教育和準備。

• 通過 "人機聯手"，提供更有效的活動策劃、交付和支持。

• 提供對培訓、教育和準備數據的洞察力和理解，以提高效率和效益。

• 為實體或系統的行為提供更好的表述。

效益和機會：人工智能和自動化有可能促進效率和效益的提高。如果利用得當，它可以幫助減少與提供培訓、教育和準備活動有關的開銷，（例如）替代人類的角色扮演者。在效率方面，它可以用來提高演習人員的生產力（如監測受訓人員的狀態，并在出現異常情況時向教官發出信號），從而使他們能夠專注于改善培訓體驗。

2.4 擴展現實（XR）

預測：GAN XR技術（包括增強現實（AR）、虛擬現實（VR）、增強虛擬和多感官模擬）極有可能成為未來廣泛的培訓、教育和準備用例中用戶面對能力的首選形式因素。GAN混合現實技術具有較高的世代交替性，并有可能在2-5年的時間框架內被國防用戶所使用，這主要是由于消費技術市場的資助。GAN XR技術將有可能取代傳統的投影顯示器，成為面向用戶的主要能力形式，下一代應用已經被批準用于民用飛行訓練，盡管傳統的顯示器將在一段時間內繼續使用。來自消費技術市場的大量私人投資將確保該技術的價格與傳統顯示技術相比保持競爭力。對于高端應用，如飛行模擬，XR可能會有更高的成本效益，但要看認證和政策要求。

特點：GAN XR技術和能力的特點可能是融合了AR、VR、觸覺（包括人體服和其他可穿戴技術）和多感官刺激，以進一步提高沉浸感，并將刺激擴展到純粹的視覺和聽覺之外。GAN XR技術的發展將受益于對元空間、云和邊緣計算、移動和計算設備技術、5G/6G無線網絡、流媒體和消費者娛樂及游戲技術的更廣泛投資。

效益和機會：GAN XR技術有可能通過提高著色器/現實主義的質量來改善培訓、教育和準備工作的沉浸感，例如觸摸全息圖、穿越和更大的視野、超級現實的化身和沉浸式房間/體驗。如果它的有效性可以被證明與現場體驗相比更有優勢，它也可以支持一些現場或傳統的虛擬交付手段過渡到虛擬環境，提供效率機會。它還可能支持改進LVC領域的整合，例如通過在實況環境中更可信地表現虛擬仿真實體，推動提高培訓效果。GAN XR的使用還可以推動用戶參與，特別是國防部的 "Z世代 "成員，而不是傳統的面向用戶的技術。使用XR來支持行動可能會模糊訓練、準備和行動之間的界限。

2.5 數字孿生和數據

預測：數字孿生被定義為 "作為物理對象或過程的實時數字對應物的虛擬表示 "。 數字孿生正在工程、科學和運營規劃中出現，作為了解和優化當前和未來性能的一種手段。因此，數字孿生體在準備工作中可能特別有用，但也可能支持培訓和教育能力。目前，各行各業都對數字孿生體進行了大量投資，然而，定義和實施方法都有很大不同，在許多情況下，數字對應體的 "實時性 "和保真度都很有限。GAN數字孿生將擴大可以結對的實體的范圍和復雜性，提高輸入數據的質量，從而提高模型的保真度，并提高數字孿生的可用性或互操作性。在GAN的時間框架內，英國防部可能會處理一個單一的數字孿生子 "來統治它們"，而不是為不同目的產生的平臺或系統的多個代表。盡管 "數字孿生 "一詞可能會過時，但所提供的能力的使用將為廣泛的行業提供一個總體方向，并將以多種方式加以利用。數字孿生子和物聯網將確定一個發展方向，使更多的權威性和實時數據集被用于模擬。捕捉、存儲和分析來自大量來源的數據的能力將被啟用。它們將形成管理和消除風險的核心能力，在未來的國防采購中，合成環境采購的原則可能會被重新激活。

特征：GAN數字孿生將有可能成為一系列對象和實體的權威性單一數據源，從單個平臺到訓練區、人口甚至是對手。它們將是真正的實時的，并基于經過驗證的、可重復使用的數據源（包括生物統計學）。它們將是可互操作的，并能在比目前更廣泛的使用情況下發揮作用。數字雙胞胎的使用有可能鞏固和凝聚整個國防的數據管理。

效益和機會：數字孿生體有可能支持廣泛的培訓、教育和準備用例。雖然目前還沒有得到證實，但它們也有可能通過重復使用一個平臺或系統的單一權威模型來提高效率，從而消除采購多個模型來實現不同功能的需要。此外，它們還有可能通過生成更高保真度的、多用途的復雜系統模型來提高培訓、教育和準備的有效性。

2.6 元宇宙

預測：雖然沒有單一的定義，但元宇宙（Metaverse）被認為是下一代互聯網，它將傳達包容性的沉浸式數字體驗，在未來，它將與我們的物理現實密不可分。這些構件包括上述的大部分能力領域，包括。云基礎設施、數據（歷史和實時）、實時游戲引擎，包括新的渲染技術，如Lumens和Nanites.5G、觸覺、計算、體積視頻和沉浸式環境。元宇宙目前正受到消費技術公司的大量投資。對于其潛在的所有權、治理、作為一個獨立概念的可信度和商業主張，也有很大的爭議。一個關鍵的爭論是，元宇宙是由大型技術公司（如社交媒體平臺供應商）來實現貨幣化，還是以開放和民主化的方式來發展。Dstl的研究已經開發了一個軍事元宇宙的作戰概念，以了解其未來的潛在效用。英國防部不能忽視元宇宙，而且來自消費者領域的投資極有可能被國防部的培訓、教育和準備用戶部分或全部利用，然而它對這些領域的具體好處需要被更好地理解。

特點：如上所述，元宇宙是一種從一些較低層次的創新或技術能力中產生的能力。預計它將利用從云端召喚大量處理和存儲的能力、面向用戶的能力（如XR）、消費者游戲框架的元素和協作工具。發展可能包括新的輸入方法，包括無障礙設備、基于從消費者游戲中學習到的新的MR用戶體驗（UX）模式、非玩家角色的AI決策樹、從實時數據中捕捉和生成化身、整體捕捉、計算機視覺和穿戴設備。

效益和機會：Metaverses是一種新興的能力，因此，其好處和機會仍有待討論。Metaverses提供了為整個國防使用案例服務的潛力，并確保M&S能力是最新的、一致的、可驗證的、具有成本效益的，并能惠及所有可能受益的人。最終的愿景可能是幫助國防部門充分利用其M&S資源的潛力，作為一種綜合的、一致的M&S能力。這可以提供用戶/創造者社區；提供可以到達所有用戶的按需使用的M&S系統；以及新的按需采購和商業模式。對提供元宇宙所需的基礎技術或功能的投資也可以為國防界提供機會。

2.7 未來的復雜作戰環境

預測：當前和下一代的模擬系統都在提高表現復雜環境的能力，如大城市，以及支持與多領域整合（MDI）相關的系統和效果，如網絡和電磁活動、空間和高度復雜的地形，如大城市。這與數字孿生不同，因為它可能不會實時更新。這種趨勢可能會在模擬系統的GAN中繼續下去，通過云計算、改進的數據采集和環境生成工具獲得更大的處理能力。隨著模擬的規模和復雜性變得不再是一個限制因素，重點可能從提供或擴展處理能力轉向確保構成模擬的數據可以被驗證和確認為適合目的（注意這在技術上和文化上都是一個具有挑戰性的概念）。在能夠增加價值的情況下，理解代表復雜操作環境的要求，以便為國防用例提供好處，重要的是在不需要增加這種復雜性的情況下（例如，在可能對培訓或其他用例產生負面影響的情況下）。

特征：GAN代表未來和復雜環境的能力可能由以下因素驅動。

• 改進數據獲取、驗證和確認以及測試工具，以建立具有驗證信息的復雜環境。

• 通過使用云計算為模擬環境服務，改進處理和存儲，消除對環境規模/復雜性的歷史限制。

• 提高理解、描述和表現軟因素的能力，如使用與更廣泛的模擬組件相聯系的動態模型的人類亞環境。

效益和機會：復雜的環境是未來行動的一個可能的特征（正如一些國防部的政策文件和出版物中所反映的那樣--如全球戰略趨勢），因此，用模擬來有效地表現它們，為國防人員在一個可能無法用實戰訓練方法來表現的環境中作戰提供了潛在的準備。提供適當準確和有代表性的作戰環境模擬，應能提高培訓、教育和準備的有效性，因為這種模擬的開發能夠更好地支持與未來作戰環境有關的新的培訓結果。需要注意的是，培訓解決方案不能被過度設計，并且要了解對這種模擬能力的投資回報，以支持商業案例。

3.0 結論和建議

3.1 消費者技術

國防模擬最終是一個相對較小的專業市場，遠遠小于消費技術市場。在全球網絡中，消費技術部門的龐大規模及其研發預算將意味著它將繼續對國防仿真部門產生影響。這些工具的模塊化性質和相對較低的成本為國防部門提供了一個提高效率的機會，而它們的真實性和沉浸性則為提高有效性提供了機會。

2005-2020年期間，消費者游戲技術對國防模擬市場的影響穩步增長。英國防部的人員現在包括一個熱衷于游戲的社區，他們希望國防模擬的體驗能與他們的游戲機提供的體驗相匹配。國防用戶要求對COTS游戲引擎進行修改，使其成為可用的培訓和準備工具，并增加場景規劃和行動后回顧（AAR）功能。然而，一些游戲引擎已經成功過渡到國防用途。英國國防部對國防虛擬仿真（DVS）的投資很可能已經付出了數倍的代價。隨著時間的推移，植根于消費領域的技術已經逐漸侵蝕了僅用于國防領域的專有模擬工具的市場。世界上最大的國防模擬公司CAE在I/ITSEC 2021上宣布游戲引擎為飛行模擬器提供動力的圖像生成器（IG）是該行業的一個重要時刻。我們可能已經看到了最后一代由專業國防仿真公司開發的專有IG和虛擬及構造仿真工具。除了引擎本身，消費者游戲可能提供工具或流程，可用于更快速地生成仿真內容或事件，提升效率。然而，依賴國防領域以外的市場存在潛在的風險，對某些產品和服務的開發決策的影響可能很快使其效用不再與國防使用案例相關，因此國防對這些產品和服務的投資可能變得多余（例如，新版本打破了向后的兼容性，或新的道德用戶權利限制了其在國防方面的使用）。在決定使用這種方法時，需要仔細考慮風險回報率。

極有可能的是，消費者游戲部門較大的市場規模，以及對元空間的興趣，將繼續拋出對國防模擬用戶感興趣和可用的GAN創新。從歷史上看，消費者游戲公司并不都對國防模擬市場感興趣，因為它的規模較小，或對其環境、社會和治理（ESG）證書有潛在的損害。然而，有證據表明，大型消費者游戲公司對向國防部門提供其工具感興趣。這有可能會帶來一些可能的工業挑戰。

對消費者XR的持續投資也將提供一個國防可以利用的機會。雖然研究會的一些與會者認為XR作為一項技術在消費領域已經達到頂峰，但從中期來看，XR有可能最終取代傳統的投影儀和屏幕作為IG，至少對于一些國防培訓和教育應用來說是如此。基于XR的民用飛行模擬器的認證突出了其潛力。

國防模擬科技界的行動是通過技術觀察、前景掃描和去風險試驗繼續監測這些發展。國防部有自己特定的功能和非功能要求（如安全），這些要求可能并不總是與消費者關注的能力相一致，必須對這些要求進行評估，以使國防部了解開發潛力。

3.2 風險和挑戰

在交付模擬的GAN方面有幾個挑戰。

• 隨著模擬在處理和存儲方面的限制減少，輸入數據和模擬結果的V&V可能會成為一個越來越大的限制因素。這可能是對FOE模擬的一個特別挑戰。適當的V&V是國防模擬界的一個長期要求。不斷提高的計算和網絡能力意味著未來的模擬有可能不受處理或存儲的限制，并有能力運行更大、更復雜的模擬。隨著時間的推移，確保支持仿真的模型和數據的準確性與需求相適應，可能會成為比提供足夠的計算能力來運行它們更大的挑戰。利用仿真技術的限制因素是驗證它是否正確運行，是否有不可預見的后果，以及驗證所產生的實施方案是否適合正在進行的任務（例如，實施水平和V&V是否適合實現特定的培訓目標）。

• 隨著模擬在表現復雜性方面的能力越來越強，控制復雜程度的能力對于確保國防培訓、教育或準備活動集中于實現其結果是很重要的。有一種危險是，模擬能力在管理和維護方面變得過于繁瑣和昂貴，并提供了消極培訓的真正風險。

• 在培訓、教育和準備能力中有效插入新的模擬技術的能力將需要適當的手段來評估它們在當前或替代方法之上或旁邊提供的價值。雖然一些全球網絡能力的可負擔性可能會降低，但在增加的有效性和成本之間可能會有權衡。

• 在全球網絡中使用非國防能力將需要更多地了解新能力的來源和它們出于安全原因的資金來源。這與風險投資（VC）資助的公司和消費者游戲技術特別相關。

• 越來越多的行業資助的知識產權生成，或使用消費者或風險投資公司資助的能力作為全球網絡的一部分，可能意味著供應商對研究活動的合作熱情降低。這也可能給政策和標準領域帶來挑戰。

• 國防部缺乏必要的基礎設施來充分利用這些技術的障礙，如國防部的安全要求可能會對流媒體技術和無線網絡等技術的使用造成越來越大的限制。

• 國防部在設定要求、獲取和使用M&S方面缺乏文化，這使得引入和成功采用GAN M&S方法具有挑戰性。人們認為，改進教育和SQEP將改善這一狀況，同時還包括新的培訓方法、全壽命風險管理方法、新的商業方法等。

3.3 GAN模擬愿景

在GAN的時間框架內，將提供動態的、可擴展的、可重新配置的、高度沉浸的和數據驅動的能力，在培訓教育和準備的有效性和效率方面帶來一步的變化。

面向用戶的系統將了解何時何地利用（或不應利用）全息投影、混合現實技術和高度逼真的圖形的能力，以提供有利于提供培訓的沉浸式體驗，并在適當時取代目前的投影系統和顯示器。在邊緣計算和強大的無線網絡的推動下，這些技術將實現現場、虛擬和建設性領域的無縫過渡和相互作用。面向用戶的系統將不僅刺激視覺和聽覺通道，而且提供多感官的刺激。它們將使用對用戶精神和身體狀態的實時反饋，以及適當的混合學習方法，以提供個人優化的培訓和教育，并推動受訓者的體驗。

M&S系統將提供適當的精確和動態的作戰環境表現，包括所有領域的復雜系統和信息效果。通過數字孿生、環境數據和獨立的復雜模型的無縫集成，使用開放的數據標準和可組合的方法，培訓交付的專業人員將能夠快速建立環境以滿足他們的要求。數據將能夠更迅速地被采集、處理和驗證，以納入模擬系統，開辟新的準備用例。

啟用系統將利用數據分析、有線和無線網絡、人工智能和流程自動化、計算和軟件系統的改進。這些將使GAN模擬能夠更快速、更經濟地提供，并在射程內安全地交付。

3.4 科技建議

為了實現上述愿景，需要開展科技活動以降低開發和交付模擬能力的風險。作為這項任務的一部分，建議的科技活動分為以下幾個方面。

• 監測和了解--這涉及到英國防部需要進行前景掃描活動的領域，以更好地了解全球網絡能力或技術的方向。這里可能會給國防部帶來好處，但在需要更有針對性的去風險活動之前，需要更好地了解使用案例或潛在的基本能力。這包括國際研究合作（IRC）。

• 深度應用研究 - 這涉及到需要進行基礎研究以降低能力或技術風險的領域。

• 實際去風險--這涉及到國防部需要通過進行實際的實驗或實際的試驗活動來消除使用GAN技術或能力的風險的領域。這可能是指出現了一種新的技術或能力，其在國防中的使用尚未得到證實，或者與融合有關的整合問題需要去掉風險。

3.4.1 監測和了解

為監測和了解新能力而進行的科技去風險化，應重點關注消費者和商業技術市場的發展。技術觀察活動應包括

• 面向用戶的系統，包括混合現實技術、全息顯示器、觸覺、多感官刺激和腦計算機接口。

• 消費者游戲技術，包括構建游戲環境所需的工具、用于提供內容的框架和流媒體及其他網絡技術。流媒體是未來M&S交付的一個潛在的關鍵推動因素，也出現在下文。

• 新穎的計算和消費者信息技術。仿真相關的科技不可能為新的計算研究提供資金，但M&S社區可能會從（例如）熱力學計算中看到一些改善SWAP的重要機會。同樣，雖然基于云的模擬形成了下一代的模擬，但也需要繼續了解和利用消費者和商業IT的改進。

• 元宇宙相關的能力，包括基本的個別技術和功能、標準和用例。國防部不能忽視元宇宙和與之相關的資金量，但其對國防部的好處目前還不確定。我們需要幫助國防部了解并消除對元宇宙所帶來的機會的神秘感。

3.4.2 深度應用研究

我們需要在以下領域進行基礎性的應用研究。

• 改進的模擬組合，作為更動態地生成和整合模擬組件的一般促成因素。這需要對仿真數據結構進行基礎應用研究。

• FOE的表示。在GAN中，更復雜的環境應該能夠被常規地表示出來，但仍有重大的V&V挑戰。

• 數字孿生的整合，包括如何將這些數字雙胞胎與其他模擬進行常規連接。

3.4.3 實際的去風險化

英國防部在安全、保障、堅固性和可用性等方面有自己的特殊要求。因此，需要進行實際的實驗來降低國防部使用新能力的風險。

• 努力了解和衡量消費者技術的有效性，特別是面向用戶的系統，與傳統的方法相比。這可以包括比較 "并排 "試驗，以了解培訓或教育的有效性。

• 努力降低邊緣計算、顯示器和網絡在LVC培訓或現場培訓中的融合風險。

• 努力了解如何將人工智能和自動化的改進應用于培訓、教育和準備。人工智能在提高效率和效益方面有一定的前景，但需要滿足國防的具體要求。

• 努力降低國防的無線和流媒體技術的風險，使其成為軍事和安全活動的一般推動者。目前這一代技術在延遲方面是不夠的，而且仍然存在安全問題。

• 努力為國防政策和戰略提供信息，以實施充分利用GAN技術所需的基礎設施，即開發一個模擬生態系統；企業數據管理方法；安全無線基礎設施。

3.5 北約和國際研究合作的作用

北約建模和仿真小組（MSG）將在GAN仿真和合成環境能力的去風險化和互操作性方面發揮關鍵作用。同時，北約人因和醫學（HFM）將為未來培訓的開發和交付提供關鍵的人的方面的見解。

北約MSG目前有以下小組，這些小組與GAN模擬和合成環境能力有很好的配合或提供配合的機會：

• MSG-195 MSaaS第三階段小組正在支持模擬的發展，以采用現代ICT基礎設施，如云、容器化和元數據，在開發和提供基于服務的模擬能力方面提供自動化和效率，可以按需訪問。這些技術已經被用于消費領域，并被考慮用于下一代國防仿真能力，但需要進一步研究GAN的自主性和效率，以充分實現MSaaS的生態系統方法。

• MSG-198研究小組在構建性仿真系統中的可組合人類行為表現，將要求GAN技術提供表現和重新使用未來操作環境的人類行為表現的能力。

• MSG-203建模和仿真在支持當前和未來北約行動中的作用系列講座將發揮重要作用，向高級利益相關者強調可能的GAN技術正在成熟，供北約和各國使用。

• MSG-205盟軍數字孿生體的互操作性和標準化倡議小組將在理解數字孿生體支持北約和各國的作用，以及如何開發共同的方法來實現其使用方面發揮重要作用。

• MSG-206小組將為評估XR技術在北約和各國的培訓和教育中的使用提供一個共同框架。評估和交流消費者領域的發展的共同方法將是跟蹤和利用這些技術發展的關鍵。

北約MSG活動中可能存在差距的一些領域包括:

• 網際網路：需要了解和解讀元宇宙對北約和國家的意義。在消費者領域，利用Metaverse的大量投資的機會將是很多的。跟蹤和維護這些發展將需要資源和整個社區的共同理解。軍方有一些關鍵的使用案例，這些案例也可以用來幫助集中開發Metaverse，以確保這項技術的軍事用途在開發生命周期的早期就被消除風險。

• 一般技術觀察和消費技術的地平線掃描：與元宇宙相關的是，需要對新興技術提供快速的洞察力和評估，以便北約和各國能夠在這些技術出現時迅速加以利用。通過一個共同的方式來評估、理解和交流這種相關性，整個社區的努力將是關鍵。

• 標準小組：北約MSG目前與模擬國際標準組織（SISO）有著良好的關系和合作，通過這種關系，它有助于為SISO產品和服務的制定提供一個共同的北約影響和聲音。隨著消費技術的大量投資和相關性，人們注意到MSG和SISO將需要擴大他們與其他標準組織的關系，如Khronos集團和數字雙胞胎聯盟（等）。

私營部門不斷收集和整理關鍵數據及其來源，以通過利用數據密集型的人工智能機器學習（AI/ML）技術來確保支持和發展新的業務。大部分行業數據都是有價值的共享資源，而海軍到目前為止還沒有實現這種做法。本頂點研究通過研究、訪談和個人專業知識，探討了海軍在創造數據可用性和質量方面的挑戰性任務。研究側重于過程、技術和管理，采用了詳細需求評估、利益相關者分析、功能設計。其研究結果是一個集中式人工智能庫（CAIL）的概念框架，旨在匹配行業對數據作為關鍵商品的堅定關注。美國海軍需要持久和動態的數字化準備，因此這個擁有70多年美國海軍數據專業知識的頂點團隊建議 OVERMATCH 考慮這些發現并生成一個確保海軍數據可用性和質量的系統。

執行摘要

美國海軍部（DON）對研究和開發人工智能和機器學習（AI/ML）系統的興趣源于這些創新能力對海軍任務和對作戰人員的直接支持所帶來的深遠和改變游戲規則的影響。人工智能/機器學習系統可以被用來改善任務規劃，減少人員配置，改善戰術決策，簡化系統維護和支持，提高安全性，在某些情況下，還可以將作戰人員從危險中移除。戰士日常活動的許多方面將發生變化，從常規和勞動密集型工作的自動化到支持復雜和時間緊迫的戰斗空間決策。

只有當美國國防部首先釋放數據的力量，才能實現AI/ML系統的這些進步。目前，在獲取或"釋放"DON的數據以開發未來的AI/ML系統方面存在許多障礙。整個海軍的數據主要停留在"筒倉"或難以訪問的數據庫中，每個"筒倉"都在其領域內受到保護。在DON的數據領域內，定位、請求、獲取和策劃數據的過程并不正式。米勒（2021）說："數據的所有者是美國人民。海軍只是管理人和監護人"。這句話包含了將數據從孤島中 "解放"出來的需要，以使海軍真正成為一個以數據為中心的企業，并實現海軍的數字化準備。

這個頂點項目開始了一項研究，以了解美國防部內AI/ML開發人員的數據需求，并制定一個概念性的解決方案來解決數據需求。其他目標是：

• 研究AI/ML方法如何在DON任務中應用。

• 了解數據需求是否在DON任務中普遍是標準的，或者數據需求是否在DON任務中有所不同。

• 制定一套 DON AI/ML利益相關者的要求。

• 為一個支持DON AI/ML數據需求的系統制定一個概念性設計。

• 研究實施概念性解決方案系統的潛在成本和進度效益。

時區團隊（Team Time Zone）應用系統工程分析方法研究DON AI/ML開發人員的數據需求，并開發和評估一個概念性的系統解決方案，以解決這一數據挑戰，并最終支持DON未來的數字準備，以解決復雜的任務。該團隊通過采訪三個不同的海軍任務領域的主題專家（SME）來進行利益相關者的需求分析：系統維護、物理安全和戰備。這三個任務被認為是 "數據提供者"的代表。此外，該團隊還采訪了數據研究人員和AI/ML科學家，以了解他們的數據需求。訪談為團隊提供了基于獨特和不同領域和經驗的關注、挫折、經驗教訓和挑戰的洞察力。從數據提供者的角度來看，反復出現的主題包括所有權的劃分、信息保障的需要、數據未被收集或存儲的情況以及對可訪問性的擔憂。從數據用戶的角度來看，明顯的軼事包括尋找數據的耗時，承諾的數據并不總是能夠實現，以及即使在獲得數據后，理解數據的背景也是至關重要的。該小組根據利益相關者的訪談和信息收集工作，為DON AI/ML制定了一套數據要求。DON AI/ML的數據需求是：

• 數據必須能夠被外部組織訪問。

• 數據必須被翻譯成與其領域應用兼容的標準格式。

• 數據必須有確定的所有者。

• 數據必須伴隨著描述性的元數據。

• 數據必須有標準化的管理。

• 數據必須以其 "最低標準"的形式被訪問。

• 數據必須具有保護和適當共享的安全性。

• 數據必須具有混淆性，以保護個人身份信息（PII）。

• 數據必須伴有背景信息。

為了解決DON數據研究人員和AI/ML科學家確定的數據需求，Team Time Zone開發了一個中央AI庫（CAIL）系統的概念設計，作為解決方案。CAIL系統的目的是簡化 DON內部的數據訪問和管理，以支持AI/ML系統的開發。CAIL系統旨在減少訪問數據的時間（和相關費用），騰出更多時間用于AI/ML系統的實際開發、培訓和評估。該團隊提出，為了滿足未來計劃的訪問和整合要求，CAIL需要成為一個 "數據云"。圖1是CAIL的OV-1；它描述了為AI/ML開發簡化DON數據訪問和管理的擬議過程。

圖1. CAIL OV-1

該團隊根據六個主要類別制定了CAIL系統要求：數據準備、數據偏差、數據整理、數據分類、數據治理和數據安全。每一個類別都是針對利益相關者分析過程中發現的需求。CAIL系統將主要與外部聯合數據、數據庫、文件和權威數據生產商/供應商的內容對接。它將像 "谷歌 "一樣為DON用戶尋找數據。數據將是結構化的，并將伴隨著元數據（關于數據的描述性信息），使數據可以被搜索。一個管理數據的社區將提供規則來管理對數據的安全訪問和授權。

在利益相關者的分析中，很明顯，在訪問數據之前需要進行一些重要的活動。AI/ML開發人員解釋了了解數據收集方式、數據來源以及其他有關數據的特定領域的背景方面的重要性。Team Time Zone將這些過程指定為 "預CAIL活動"，并將其作為整個CAIL過程的一部分。

Team Time Zone進行了成本分析，以估計為DON實施CAIL系統的成本。該團隊使用了兩種方法來估計成本：傳統的成本估計和基于模型的系統工程（MBSE）方法。該小組估計CAIL系統的成本（基于傳統的成本估算）為3380萬美元，持續時間為5年，每年的重復維持成本為400萬美元。團隊估算的CAIL系統成本（基于MBSE方法），在運行了一萬次蒙特卡洛模擬后，平均為3290萬美元，持續時間為5年。運營和維護模型的平均成本為每年440萬美元。表1顯示了CAIL開發和維護成本的摘要。

表1. CAIL系統成本匯總

為了使DON的AI/ML項目蓬勃發展，并在未來幾十年內實現AI/ML的進步，DON必須確保數據的管理，并使AI/ML的發展能夠被訪問。Team Time Zone提出的CAIL系統解決方案將為AI/ML項目提供一個單一來源的綜合數據環境，以訪問存儲在整個DON各種數據庫中的數據庫目錄。Team Time Zone建議海軍實施CAIL系統，通過確保AI/ML開發者訪問持久和動態的數字數據來支持數字準備。CAIL系統支持DON項目和開發人員的協調方法，以安全訪問數據。該小組建議超配項目（Project Overmatch）考慮這些發現并實施CAIL系統和流程，以確保海軍的數據可用性和質量。該小組開發了一個CAIL標志（見圖2），表明CAIL系統是海軍的一個重要基礎。

圖2：CAIL標志。改編自美國海軍標志。

I. 簡介

A. 背景情況

技術的進步給軍事領域帶來了新的威脅類型和現有威脅的改進版本。對抗性威脅的進步要求海軍改進現有的能力并開發新的能力，以提高防御能力并應對這些威脅。能力的增強需要提高速度、隱身性、機動性、反措施、擴大范圍、更早發現和更大的殺傷力。這些增強的能力使我們能夠在不確定的、復雜的和時間緊迫的條件下做出關鍵決定。現代戰術作戰人員面臨著越來越復雜的決策空間。他們需要獲得對動態戰斗空間的態勢感知，并確定有效的行動方案（COA）以滿足任務需求。圖1強調了造成這種戰術復雜決策空間的因素。決策的復雜性來自于威脅環境，來自于知識的不確定性，來自于戰爭和信息系統本身，來自于作戰人員與自動化系統和信息系統的互動和使用所產生的挑戰，以及任務決策的重要性或后果的嚴重性。

圖1：戰士的復雜決策空間。資料來源：Johnson (2021).

美國國防部（DOD）和海軍部（DON）正在研究使用人工智能（AI）來解決復雜的戰術決策空間，通過改善態勢感知和提供自動決策輔助來支持戰術作戰人員。利用人工智能方法的先進算法可以通過減少信息過載、改善態勢感知、提高決策速度和加強一般的戰術決策來減輕作戰人員的認知負荷。預測分析（PA）可以支持對系統可靠性和故障概率的預測，這為物流提供了廣泛的改進（Zhao和Mata 2020）。諸如PA等技術可以通過開發 "what-if "和 "if-then "情景來加強戰術決策，通過預測決策選擇的長期影響來改善戰士的COA決策（Johnson 2020）。人工智能方法可以通過檢測異常情況和從大量的安全攝像機數據中識別可能的威脅來改善海軍基地的物理安全。

米切爾（2019）將人工智能定義為一個包括許多不同方法的領域，以創造具有智能的機器。圖2顯示，人工智能存在于一套廣泛的自動化方法中，使機器能夠根據命令和規則執行任務。人工智能是使系統能夠執行模仿人類智能的功能的一套方法。機器學習（ML）方法是人工智能方法的一個子集。ML方法允許系統從被訓練的大型數據集上學習。ML系統從訓練的數據集中學習。然后，這些 "訓練有素 "的ML系統在操作上被用來識別模式，并在新的操作數據下產生預測的結果（Johnson 2021）。

圖2：什么是人工智能？資料來源：Johnson (2021)。

人工智能算法是編碼的計算機程序，用于對數據進行分類、分析和得出預測。監控、交通預測和虛擬個人助理是實施ML算法的應用實例。

開發人工智能系統，特別是ML系統，是一項具有挑戰性的工作。ML算法的初始訓練是一個數據密集型的演變。人工智能/ML系統對數據要求很高，其準確性在很大程度上取決于數據訓練集的質量和數量（Godbole 2020）。作為一個參考點，訓練DeepMind的AlphaGo Zero系統學習下圍棋花了大約40天，包括2900萬場比賽（Feldman, Dant, and Massey 2019）。想象一下人工智能/ML武器系統算法所涉及的額外復雜性，它需要考慮戰爭背景（戰爭游戲、冷戰、和平時期）、朋友或敵人、道德和合法性等概念（Feldman, Dant, and Massey 2019）。

隨著美國防部開始開發人工智能和ML方法，出現了獨特的數據挑戰。開發人員需要大量的驗證數據來訓練他們的算法；這些數據需要準確、安全和完整，以確保算法不會被破壞或有偏見。這些數據集必須代表適當的操作環境。對于海軍的應用，訓練數據必須代表眾多的任務，包括海上、空中、太空、水下、沿岸、網絡和陸基領域的任務。盡管許多海軍司令部和實驗室正在研究和開發基于人工智能/ML系統的未來能力，但沒有協調的程序來獲取他們所需的海軍數據。在許多情況下，數據是存在的，但要確定國防部的數據來源并獲得數據是一項耗時和昂貴的工作。

這個頂點項目采用了系統工程分析方法來研究DON AI/ML開發者的數據需求，并確定和評估一個概念性的系統解決方案來解決這個數據挑戰，并最終支持未來DON的數字準備來解決復雜的任務。

B. 問題陳述

DON對研究和開發AI/ML系統的興趣為各種應用帶來了數據挑戰。盡管DON的許多指揮部和實驗室正在研究和開發基于AI/ML系統的未來能力，但沒有一個協調的程序來訪問他們所需的DON數據。AI/ML系統需要大量的驗證數據來支持他們的發展和訓練算法。在許多情況下，數據是存在的，但要確定美國防部的數據來源并獲得數據是一項耗時和昂貴的工作。這個頂點研究了這個問題，并進行了需求分析，以確定DON AI/ML開發人員的數據需求，并開發和評估了解決DON數字準備這方面的解決方案概念。

C. 項目目標

這個頂點項目的主要目標是分析 DON AI/ML 開發的數據需求，并開發一個概念性的解決方案來解決數據需求。其他目標是

• 研究AI/ML方法如何在DON任務中應用。

• 了解數據需求在DON任務中是否有普遍的標準，或者數據需求在DON任務中是否有差異。

• 制定一套 DON AI/ML利益相關者的要求。

• 為一個支持DON AI/ML數據需求的系統制定一個概念性設計。

• 研究實施概念解決方案系統的潛在成本和進度效益。

D. 項目團隊和組織

時區團隊由五個具有不同學術和專業經驗的NPS系統工程學生組成。該團隊由以下人員組成。

• Robert French于2016年畢業于Old Dominion大學，獲得了計算機工程和電子工程的學士學位。他目前是位于弗吉尼亞州弗吉尼亞海灘的海軍水面作戰中心Dahlgren分部-Dam Neck附件的特殊傳感器技術部門的R.F.工程師。羅伯特也是美國艦隊司令部海上作戰中心N6（信息系統）的高級入伍領導（USNR）。他曾在現役中擔任電子技術員超過14年，并成為現役預備役軍人達9年之久。

• Wallace Fukumae前擁有夏威夷大學的電子工程學位。他目前居住在夏威夷，為海軍太平洋信息戰中心工作，擔任印度-太平洋部門主管。他的經驗包括指揮和控制（C2）系統的開發和交付以及操作。

• Kheng Hun目前居住在日本，擁有華盛頓大學的電子工程學位。他目前在海軍信息戰中心（NIWC）太平洋分部工作，擔任位于日本橫須賀的夏威夷西太平洋（HWP）分部的項目工程師。他的專業背景包括設計和安裝各種C4I系統，如電子安全系統（ESS）和網絡系統以及MILCON項目的C4I系統規劃。

• Obed Matuga擁有馬里蘭州巴爾的摩市摩根州立大學的工業工程學位，在華盛頓特區的海軍海洋系統司令部工作。與宙斯盾和艦船自衛系統一起工作，目前居住在馬里蘭州。

• Caitlyn O’Shaughnessy于2015年畢業于馬薩諸塞大學達特茅斯分校，獲得計算機科學學士學位。她目前是羅德島紐波特的海軍海底作戰中心的CANES（S.S.）項目的首席工程師。

圖3描述了時區團隊（Team Time Zone）的組織結構和每個團隊成員的主要職責。圖中還顯示了NPS的項目顧問，Bonnie Johnson博士（系統工程系）和美國海軍上尉Scot Miller（退役）（信息科學系）。

圖3：團隊時區組織圖

E. 項目方法

時區團隊采用了系統工程的方法來進行這個項目。圖4說明了該團隊的過程。團隊從需求分析開始，以了解問題并為DON AI/ML開發者定義數據要求。在這個階段，團隊確定了三個DON任務領域作為AI/ML應用的代表性領域。接下來，團隊在功能分析和系統綜合的基礎上，制定了一個名為中央人工智能庫（CAIL）系統的解決方案戰略的概念設計。該小組對CAIL系統進行了建模，并利用DON的三個任務領域來分析實施CAIL系統的效用和潛在的成本/進度效益。該團隊的分析過程涉及幾種分析方法，包括定性調查、定量調查、建模和模擬、數據結構和格式分析、需求分析和操作概念評估。

圖4：頂點項目的方法

首先，該團隊通過進行需求分析和為海軍AI/ML開發人員制定一套數據要求來確定需求的定義。該團隊確定了利益相關者，并與來自不同海軍任務領域的AI/ML開發者會面，以了解他們的數據需求。該小組進行了文獻回顧，以收集背景信息并了解當前的人工智能/ML方法。團隊對來自利益相關者會議和文獻審查的信息進行了匯編，以了解與支持海軍AI/ML應用有關的要求和限制、數據所有者、數據源、數據系統、數據元素和數據屬性。

該小組研究并確定了利益相關者和三個海軍任務主線的獨特數據要求：系統維護、實體安全和戰斗群準備。該小組確定并采訪了任務領域的主題專家（SMEs），以了解獲得AI/ML實施數據的過程，并關注需要從DON系統和組織中收集和存儲哪些數據。圖5說明了海軍的三個任務主線，以及數據、架構、基礎設施和互操作性能力在支持這些作戰人員任務領域方面的直接潛在重要性。

圖5：美國防部任務領域

接下來，團隊根據需求分析結果，制定了一個概念設計方案，以解決海軍對人工智能/ML發展的數據需求。該團隊綜合了CAIL系統，并生成了CAIL操作概念（CONOPS）和CAIL功能模型。基于國防部建筑框架（DODAF）和系統建模語言（SysML），該團隊開發了概念模型，詳細說明了CAIL的系統特征、功能和操作概念。

頂點項目的最后階段是團隊對CAIL解決方案方法的評估和分析。該團隊使用Innoslate（一種基于模型的系統工程工具）開發了一個模型，以表示CAIL系統在三個海軍任務主線中的使用情況。該小組評估了CAIL系統的能力，以簡化和改善收集、格式化、策劃、驗證和確保安全訪問海軍任務數據集的過程，以支持在三個海上任務線領域工作的AI/ML開發人員。對該模型進行了評估，以估計海軍實施CAIL系統的潛在成本和調度效益。CAIL系統模型被用來驗證和確認需求。

F. 頂點報告概述

第一章提供了項目的介紹和動機，描述了問題陳述、項目目標，以及團隊的組織和完成項目的方法。

第二章總結了團隊的文獻回顧，為需求分析提供了基礎，強調了訓練AI和ML算法所需的數據。文獻回顧包括對數據科學、統計學習、深度學習、分類學以及支持AI和ML系統的企業信息技術解決方案的信息探索。

第三章包含了團隊的需求分析結果。

第四章包含了對團隊的概念性解決方案--CAIL系統的描述。

第五章介紹了團隊對CAIL系統的分析和評估結果，該系統是解決海軍在支持AI/ML發展方面的數據挑戰的解決方案。

最后，第六章討論了擁有CAIL系統的影響和結論以及對后續研究和工作的建議。

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。

摘要

軍事決策在不同的領域--陸地、海洋、空中、太空和網絡--以及不同的組織層面--戰略、作戰、戰術和技術上發揮著關鍵作用。建模和仿真被認為是支持軍事決策的一個重要工具，例如，生成和評估潛在的行動方案。為了成功地應用和接受這些技術，人們需要考慮到整個決策 "系統"，包括決策過程和做出決策的指揮官或操作員。

人工智能技術可以以各種方式改善這個決策系統。例如，人工智能技術被用來從（大）數據流中提取觀察結果，自動建立（物理/人類/信息）地形模型，產生對未來事件和行動方案的預測，分析這些預測，向人類決策者解釋結果，并建立人類決策者的用戶模型。

對于所有這些應用，人工智能技術可以在不同的情況下被使用，并且已經開始被使用，因此有不同的要求。在本文中，我們概述了人工智能技術和模擬在決策"系統"中的不同作用，目的是在我們的社區中促進對人工智能的綜合看法，并為用于軍事決策的各種人工智能研發奠定基礎。

1.0 引言

軍事決策有多種形式。它發生在不同的領域--陸地、海洋、空中、太空、網絡--以及不同的組織層次[7]。例如，在戰略層面上，決策是否以及何時在一個特定的作戰區域內開始一項軍事任務。在作戰層面上，聯合部隊指揮官決定為某項行動分配哪些軍事要素，并指定在具體行動中尋求的預期效果。在戰術層面上，例如，海上任務組的反空戰指揮官決定由哪艘護衛艦來應對來襲的威脅。最后，在技術層面上，要決定在什么范圍內使用什么武器來消滅對手。

建模和仿真被認為是支持這些現場決策過程的一個重要工具（例如，見[3]的清單）。它提供了一種理解復雜環境和評估潛在行動方案有效性的手段，而不必使用現場測試。因此，借助于建模和模擬可以更安全、更便宜、更快速，而且可以更容易地測試不同的操作方式。此外，對于戰場上的軍事行動來說，廣泛地試驗軍事行動應該如何進行，甚至可能在道德上不負責任。因為，在指揮官可以決定不繼續按照同樣的戰術行動之前，就已經產生了意想不到的效果。

現代建模和仿真經常得到人工智能（AI）技術的支持。例如，用于仿真單個節點、組織和社會行為模型（見一些背景資料[13][4]），以獲得對對手合理和可能行為的洞察力。在這種行為洞察力的基礎上，可以為許多決策層面的軍事行動設計提供智能分析和決策支持。此外，人工智能技術被用來構建這些模型，與這些模型互動，并迅速分析大量的模擬結果數據。這里的技術進步非常多，例如，使用機器學習來構建更真實的行為模型[11]，改善人機協作[5]，對大量的模擬數據進行理解[10]。然而，人工智能技術只有在對決策者有用的情況下才能也應該被用于軍事決策。這意味著，只有在決策質量提高或決策過程變得更容易的情況下，才應將人工智能技術（在建模和仿真中）整合起來。

成功應用和接受用于決策支持的模擬仿真--可能建立在人工智能技術之上--取決于與主要軍事決策過程的互動和不斷學習（[1]）。決策者和分析員應該知道如何提出正確的輸入問題，以便通過建模和仿真來回答。然后，這些問題應該通過建模和仿真研究轉化為正確的輸出答案。因此，在各種互補的人工智能技術的支持下，應該對軍事決策過程和軍事模擬之間的互動有一個廣泛、全面的看法，并服從不同的功能要求。在本文中，我們概述了由人工智能技術支持的軍事仿真在決策"系統"中的不同作用，目的是在我們的社區內促進對人工智能的綜合看法，并為軍事決策的各種人工智能研發奠定基礎。

2.0 基于仿真的軍事決策

如引言所述，決策發生在不同的領域和不同的組織層面。在這里，我們提出了一個決策系統的示意圖，以提供一個關于如何通過仿真來支持決策的一般見解。這一觀點（圖1）來自于對多個決策過程的分析，如聯合定位[5]、作戰計劃[7]、海上反空戰[1]，并與著名的OODA環[8]相結合。該觀點中的元素解釋如下。

圖1：由建模和仿真支持的軍事決策周期的系統觀點。

觀察：OODA循環的第一步是觀察，從廣義上講，就是觀察現實世界中正在發展和出現的事件和情況。觀察包括，例如，來自傳感器的（原始）數據，包括我們自己的眼睛和耳朵，以及來自報告、報紙和社會媒體的符號數據。還收集了來自高層指揮和控制實體的指導意見。這些數據由分析員處理，對鏡頭中的個體進行命名，計算某些Twitter標簽的出現次數，驗證某個事件是否真的發生，等等。根據[9]，這可以被稱為情境意識的第一級：對當前情況下的元素的感知。

世界模型：在OODA環的觀察步驟中，已經開始了構建世界模型的過程，無論是隱性的還是顯性的。符合軍事決策觀點的世界模型的另一個名稱是共同行動圖。所有相關的概念都在世界模型中得到體現，包括不確定因素和假設。請注意，世界模型可以被仿真，即個體、平臺、團體或社會的行為可以隨著時間的推移而被預測，即使是在用戶的頭腦中隱含完成。

定位：在OODA循環的第二步，分析者使用他的專業知識，對觀察結果進行推理，形成假設，例如對手的意圖。通過這樣做，實現了對真實世界的深入理解[12]，這反映在世界模型中（仍然是顯性或隱性的）。在態勢感知方面，這被稱為第2級（對當前形勢的理解）和態勢感知能力第3級（對未來狀態的預測）。在任何時候，推理的結果可能是世界模型結構是不充分的，例如，現實世界的一個方面被認為是不相關的，但最后發現是相關的。因此，世界模型需要被更新。

決定：決策者，可能是與分析員相同的人，將根據對現實世界的理解，考慮如何采取行動的選項。世界模型的預測能力被用來演繹各種情景，讓人了解什么是理想的行動方案，什么不是，或者讓人了解空間和/或時間上的關鍵點，這樣就可以對這些關鍵點給予額外考慮。當然，如果世界模型是隱含的，這都是決策者的精神努力。此外，對于感興趣的現實世界系統的預測行為，可以得出的結論的精確性和/或確定性有很大不同：從精確的路線，到可能的戰略和理論的廣泛指示。

行動：在OODA-環的這一步，行動被執行。這些行動發生在真實世界中，然后一個新的OODA-環開始觀察是否需要重新考慮已經做出的決定。另一個行動可以是向 "較低層次"的決策過程下達命令，例如，讓下屬單位計劃和執行他們所得到的任務。這就是不同組織層次的決策過程的互動方式。還要注意的是，盡管每個組織層面的世界模型都與真實世界相聯系，但這些世界模型的結構（即被認為是相關的）可能是不同的。

從概念上講，在上述的決策過程中引入模擬（實際上首先是建模的巨大努力）是很直接的。在第一步和第二步中，建立了世界相關部分的模型，在以后的時間里，它被用來評估許多不同的情景，分析由此產生的結果，并根據其結論做出決定。正如后面將顯示的那樣，人工智能技術的作用與建模和模擬的使用有很大關系。

雖然從概念上來說，納入仿真模擬和人工智能技術是很簡單的，但為了給行動提供真正的附加值，它需要被嵌入到具體的決策過程中。而每個決策過程都是不同的，有不同的時間限制，不同的行動者，在不同的操作環境中。這將對開發使用的解決方案，包括人工智能技術，提出不同的功能要求。此外，根據具體的作戰決策環境，應用人工智能技術的附加值（或缺乏附加值）將是不同的。在下一節中，我們將對一個具體的案例進行進一步的探索，盡管肯定不是詳盡的努力，以允許對這種系統在這個過程中可能具有的不同角色進行更通用的識別。

3.0 案例研究：聯合目標定位周期

本節提供了一個關于如何利用仿真和人工智能技術來支持作戰層面上的（蓄意）聯合目標定位決策的案例研究。對于每個想法，都有以下描述：被加強的行為者（決策者）和/或產品，人工智能如何提供支持，以及使用這種形式的支持的附加值是什么。請注意，這個案例研究的目的是為了更好地了解人工智能技術應用的廣度，因此，目標不是完全涵蓋所有的可能性，也不是過于詳細。這種類型的案例研究已經確保了可以得出初步的功能要求，人工智能技術和智能建模與仿真應該應用于此。

圖2顯示了北約盟國聯合出版物3.9中的聯合瞄準決策周期，其中強調了五個想法。

圖2--來自北約盟國聯合出版物3.9的聯合目標定位周期，JFC=聯合部隊指揮官，JTCB=聯合瞄準協調委員會，JTL=聯合瞄準清單，TNL=目標

想法1--基于AI的目標系統分析的所有來源分析。第一個想法是支持目標小組的成員在聯合目標定位周期的第二階段參與目標系統分析，進行目標開發。例如，假設從第一階段開始，就打算通過瞄準對手的石油生產來擾亂其資金能力。在第二階段，分析人員將研究石油生產的目標系統，以確定油井、煉油廠、管道、重要的道路，也許還有相關的關鍵人物，等等，基于他們擁有的所有來源（圖像、信號情報、人類情報，等等）。

人工智能技術可以協助人類分析員建立 "目標系統模型"，即通過采用模式識別算法來處理大量的所有來源的信息，通過使用推理算法將信息碎片組合成一個結構化和連貫的整體。分析傳入信息的算法可能--經過增量的人工智能驅動的創新--也能夠識別尚未反映在目標系統模型中的新概念，然后可以自動添加到模型中。另一種可能性是創建一個 "虛擬分析師"（見圖3），通過不斷挑戰假設、假說和人類偏見來協助人類分析師，這需要額外的用戶建模和可解釋的AI技術。

圖3：人類和虛擬分析員，一起解釋數據，推理信息和知識，以建立一個目標系統模型。

這個想法的潛在附加值首先體現在完整性上，更多的目標可以呈現給人類分析員--它仍然可以為交叉檢查的目的做最后一步的目標審查。因為所有來源的情報都被整合到目標識別決策中，所以可以得出更具體的目標信息。識別算法經過訓練后，與基于人眼從數據中識別目標時相比，可以更快更及時地進行識別。最后，該算法可以明確地轉向識別不同類型的目標，這些目標可能并不都在人類分析員的經驗或觀察能力范圍內。

想法2--通過算法識別來自目標系統分析的優先目標。第二個想法是支持從一個給定的目標系統分析中識別優先目標。這有助于目標支持小組成員得出一個聯合的優先目標清單，該清單是在聯合目標定位周期的第二階段，即目標開發階段制定的。人工智能技術的支持始于將目標系統分析（如果還沒有的話）轉化為計算機可理解的形式，該形式由功能關系連接的實體組成，并由目標任務的目標支持。然后，在相關的時間范圍內計算直接或間接瞄準不同實體所產生的效用（例如，效果和效果的持續時間）。

然后，最終結果可以由人類分析員檢查，該分析員可能會重新引導算法的某些部分，以確保最終結果選擇的優先目標盡可能地滿足和平衡任務目標。另一種可能性是，分析表明，對目標系統的某些部分還沒有足夠的了解，無法做出某種決定，然后發出新的情報請求，以減少這種不確定性。

在這種情況下，使用人工智能技術的附加價值首先體現在通過完整地確定優先事項，包括最大限度地實現任務目標，同時最大限度地減少負面問題，從而更好更快地確定優先次序。這種全面的分析可能會導致原始的目標選擇，在這種情況下，會發現反直覺但非常有效的目標。目標優先級的可追溯性增加了，因為目標選擇問題的算法規范以及積極和消極的相關功能迫使決策者在激發他們的偏好時完全明確。

想法3--能力和優先目標的自動映射。與目標開發（第二階段）密切相關的是第三階段的能力分析。第三個想法是協助，仍然支持目標支持小組的成員，找到最適當的（致命和非致命）能力的最佳同步組合，可以應用于產生所需的物理和心理效果。使用模擬和人工智能技術來自動生成和播放高水平和低水平的行動方案，可以獲得對計劃的優勢、機會、弱點和威脅的深刻理解。當然，只有在與人類分析員和決策者密切合作的情況下，建立這樣的理解才是有用的，這就需要有人類意識的 "虛擬分析員 "技術。

想法4--計算機輔助的穩健和適應性部隊規劃和分配。在聯合定位的第四階段，能力分析的結果被整合到進一步的行動考慮中，推動聯合部隊指揮官對目標的最終批準。仿真和人工智能優化技術可用于尋找稀缺資源對目標或其他任務的最佳分配。什么被認為是 "最好的 "可以是不同的，例如，爭取最大的效果、安全、穩健、靈活，或這些和更多因素的任何組合。這可能會提供原始的規劃和分配方案，從人類分析者的角度來看，這些方案部分是反直覺的，但卻富有成效。智能優化算法可以幫助確定時間和/或空間上值得監測的關鍵點。而且，如果可以實時跟蹤進展，在事件或機會實際發生之前就可以立即生成重新分配方案，在時間緊迫的情況下減少決策時間。

想法5--自動評估軍事行動績效措施。在聯合定位的最后階段，收集和分析數據和信息，以確定計劃的行動在多大程度上得到執行（績效的衡量），以及達到預期的效果（效果的衡量）。因為這種類型的分析與其他階段的分析基本相似（即需要觀察和理解），所以在這里采用的模擬和人工智能技術可以被重復使用。例如，"目標系統模型"可以用來事先確定哪些措施或措施的組合最能說明性能和/或成功，也許還要考慮到其他因素，如效果的可測量性和延遲性。這些見解可用于指導例如戰斗損失評估工作。算法可以自動產生多種假設，當數據/信息可用時，"虛擬分析師"可以協助對這些假設和信息進行推理，幫助人類分析師以結構化的方式更好地解釋復雜的情況。

4.0 討論：人工智能在軍事決策中的作用

在本節中，我們將討論人工智能技術在軍事決策中可以發揮的作用，并將這些作用與前面介紹的軍事決策系統聯系起來。這些作用是由上面的案例研究綜合而成的。不同的作用是沿著兩個層次結構的，從上到下：在 "過程"層面，不同但連貫的步驟/階段被執行；在 "個體"層面，人類（或團隊）負責執行決策過程的特定步驟。

在整個決策過程的層面上，有多個步驟可以區分。在前面介紹的決策系統觀點中，這些步驟是觀察、定位、決定和行動。在聯合定位案例研究中，這些對應于六個階段，由不同的人在不同的時間執行。在這個層面上，我們為人工智能技術定義了四個功能角色，以支持決策過程。

• 感知：這個角色中的人工智能技術，主要以模式識別的形式，幫助處理大量的數據，如在圖像中尋找人，檢測數據流中的異常情況等。

• 態勢理解：這個角色的功能是實現對當前或假設的作戰環境的理解[12]，從而描述所有相關實體、它們之間的關系以及不可觀察的屬性，如它們的野心和目標。例如，對關于最近敵對活動的現有信息進行推理，結合關于他們的理論的一般知識，可以用來產生關于他們最可能的意圖的假設。

• 計劃生成：在這個角色中，人工智能技術，例如搜索和優化，被用來生成旨在達到（或避免）某種目標情況的計劃、策略和行動方案。處理元標準，如計劃的穩健性或情況的實用性也是這個作用的一部分。顯然，在許多情況下，不確定性是行動環境所固有的，因此不能被忽視。盡管如此，對當前形勢的理解越好，預測能力就越強。

• 學習：扮演這一角色的人工智能技術被用來更新有關作戰環境的知識。例如，在某個時間點，人們可能會發現一個被認為是正確的關于敵人理論的假設不再有效了。為了能夠保持正確的理解，這種新知識應該反映在所有其他決策步驟中。

在單個節點層面上，決策過程的單一步驟被執行，通常由一個或一組人類分析員和/或決策者負責。無論這一步需要什么，人工智能技術都可以在不同的合作角色中被使用，以支持人類。

• 專家系統支持：在這個角色中，支持的形式就像一個經典的專家系統，以知識和優化結果的形式向人類決策者或分析員提供建議。重要的考慮因素是，例如，如何以人類能夠接受的方式向其提供建議。對可解釋人工智能的研究可能是一個方向。

• 虛擬團隊成員：在這個角色中，人工智能技術被用來在人類和支持系統之間創造一種更平等的互動關系，積極為一個共同的目標工作。例如，虛擬團隊成員可以通過提出問題使假設明確化或挑戰偏見來幫助做出決定的（認知）過程。人類-人工智能的研究可能是一個追求的方向。

• 自主決策：決策過程中的其他步驟的互動，專家系統和虛擬團隊成員支持的考慮同樣有效。例如，在其他決策中的人類需要能夠推斷出一個自主系統。

圖4顯示了在軍事決策系統視圖中繪制的人工智能的七個角色。當使用模擬和人工智能來支持決策過程時，應該始終考慮這些不同的角色是如何互動的，無論是在過程層面還是在個人層面。例如，在聯合目標定位的過程層面上，第二階段包括定位（目標系統分析）和決定（為達到預期效果而瞄準什么）。第三階段也包括定位（自身能力）和決定（如何實現預期效果）。這些階段共享相同的世界模型，在這個過程中引入人工智能支持將推動這些步驟的合并，這不是不可想象的。在個體層面上，例如再次考慮第2階段，分析員可以得到綜合態勢理解、規劃生成和學習技術的支持，以及虛擬團隊成員和專家系統支持技術的任何組合。

圖4：由建模和仿真支持的軍事決策周期的系統視圖，其中人工智能技術的功能（黃色）和協作（綠色）作用被描繪出來。

5.0 結論和進一步研究

在本文的第一部分，我們介紹了軍事決策的系統觀點，主要基于OODA循環，其中我們介紹了世界模型，作為向整個決策周期提供建模和仿真支持的核心手段。接下來，從我們的聯合目標定位案例研究中，我們推斷出人工智能可以為軍事決策做出貢獻的七個功能性和協作性角色。這些角色對應于決策步驟，或者對應于如何向負責該過程步驟的人提供支持。最后，我們將這些人工智能角色整合到決策系統視圖中。

本文的目標是為我們社區內人工智能的綜合觀點做出貢獻，并為軍事決策的人工智能各種研發奠定基礎。在開發支持軍事決策的模擬和人工智能時，我們建議同時考慮過程層面和單個節點層面。在過程層面上，通過使用建模和仿真可以獲得好處。在單個節點層面上，為人類分析員和決策者提供實際支持，人工智能技術可以通過不同的角色組合對此作出貢獻。鑒于決策過程的各個步驟都是不同的，并且提出了不同的要求，履行這些不同角色的人工智能技術需要作為一個整體來開發。

我們相信，隨著對這一主題的更多研究，軍事決策的速度和質量都可以得到改善。然而，非常重要的是，要持續關注特定的未來人工智能應用的附加值，以及研究這些應用可能對，例如，負責該過程的人的所需技能，甚至該過程本身的影響。最后需要的是一個系統，它的存在是因為它可以建立，而不是有人幫助。對于這一點，應該更普遍地回答如何限定然后量化應用人工智能進行具體軍事決策應用的附加價值的問題。這樣的見解反過來又會成為關于人工智能用于軍事決策的集體技術路線圖的寶貴基礎。

6.0 參考文獻

[1] Bloemen, A., Kerbusch, P., van der Wiel, W., Coalition Force Engagement Coordination, TNO Report TNO-2013-R12117, 2015.

[2] Connable B, Perry W, Doll A, et al. Modeling, Simulation, and Operations Analysis in Afghanistan and Iraq. Santa Monica, CA: RAND, 2014.

[3] Davis P., Kulick J., Egner M. Implications of Modern Decision Science for Military Decision-Support Systems. Santa Monica, CA: RAND, 2005.

[4] Kunc, M., Malpass, J., White, L.(2016). Behavioral Operational Research, Theory, Methodology and Practice. Palgrave Macmillan, London.

[5] Langley, P., Meadows, B., Sridharan, M., Choi, D. (2017). Explainable Agency for Intelligent Autonomous Systems. Proceedings of the Twenty-Ninth AAAI Conference on Innovative Applications (IAAI-17).

[6] NATO Allied Joint Doctrine For Joint Targeting AJP 3.9(B), 2015.

[7] NATO Allied Command Operations. Comprehensive Operations Planning Directive Interim V2.0.

[8] “OODA loop.” Wikipedia, The Free Encyclopedia. 10 Mar. 2018.//en.wikipedia.org/wiki/OODA_loop

[9] “Situation Awareness.” Wikipedia, The Free Encyclopedia. 17 Mar. 2018.

[10] Smit, S., Veldhuis, G., Ferdinandus,G., et al. KaV Advanced Visual Analytics, TNO Report DHWELSS-, 2016.

[11] Toubman, A., Poppinga, G., Roessingh, J. (2015). Modeling CGF Behaviour with Machine Learning Techniques: Requirements and Future Directions. Proceedings of Interservice/Industry Training, Simulation, and Education Conference (I/ITSEC) 2015.

[12] “Understanding.” Wikipedia, The Free Encyclopedia. 18 Apr. 2018.

[13] Zacharias, G., MacMillan, J., van Hemel, S. (2008). Behavioral modeling and simulation: From individuals to societies. National Research Council, National Academies Press.

序言

為了應對《2018年國防戰略》所描述的 "更具殺傷力和破壞性的戰場，跨域結合，并以越來越快的速度和越來越快的抵達力進行"，美國國防部（DoD）正在通過聯合全域指揮與控制（JADC2），追求提高能力，通過以數字化、分布式的方式更緊密地整合和聯合對抗敵手。為了實現這一概念，需要將傳感器、網絡、平臺、指揮官、作戰人員和武器系統無縫整合，以實現快速的信息收集、決策和力量投射。

美國空軍部（DAF）對JADC2的貢獻是先進作戰管理系統（ABMS），該系統試圖通過傳感器到投射的信息收集、處理、路由、決策和交戰來實現聯合作戰的現代化，以便更快地對敏捷的對手發揮能力。人們對ABMS給予了極大的關注，因為它被認為是一個不斷發展的 "系統體系"和 "空軍的一個根本性的新采用模式"。然而，重要的問題仍然存在，因為ABMS沒有遵循傳統的采用方法，而且DAF預測到2025財年，它將花費大約33億美元。因此，國會正在尋求對ABMS的成本和技術開發工作進一步澄清。

管理和預算辦公室和空軍部要求美國國家科學、工程和醫學研究院評估計劃中的ABMS架構、技術差距和管理。從2020年10月到2021年5月，空軍先進作戰管理系統委員會從大部分公開來源的新聞中進行了廣泛的文獻審查，并召開了12次非機密會議和1次為期多天的機密數據收集會議，以接受專家證詞并收集有關現有ABMS通信和系統集成架構、技術方法和管理結構規劃和能力的信息。盡管COVID-19大流行病阻礙了委員會對作戰和指揮與控制（C2）中心進行實地考察的能力，但委員會還是從許多介紹ABMS和JADC2的專家那里收集了寶貴的見解。委員會還在2020年10月至2021年4月期間每周舉行一次虛擬規劃會議，并在2021年5月下旬舉行一次面對面的會議，以審議和討論關鍵的調查結果和建議。撰寫工作于6月開始，并在2021年9月完成。

空軍先進作戰管理系統委員會感謝眾多知名專家和思想領袖的貢獻，包括來自美國海軍部、陸軍部和空軍部的代表，他們就各自的通信系統和他們對JADC2的態度發表了見解。在研究過程中咨詢的其他專家組織包括聯合參謀部、美國北方司令部、聯合人工智能中心、國家安全局、聯邦資助的研究和開發中心、大學附屬研究中心、商業行業和許多其他機構。

雖然ABMS仍然是一個正在發展的生態系統，但本報告總結了美國國家科學院關于ABMS的共識研究結果和建議，對ABMS是什么和可以是什么，以及在繼續發展的過程中如何改進提供了一個時間點的視角。這項研究由八個委員會成員進行，并得到了我們的研究主任Ellen Chou和她優秀的工作人員的大力協助，包括Evan Elwell和Ryan Murphy。

Philip S. Antón，主席，空軍高級戰斗管理系統委員會

內容目錄

• 概要

• 第1章 觀點

  • 1.1 未來空中和太空作戰的愿景, 12
  • 1.2 聯合全域指揮與控制（JADC2）, 16
  • 1.3 空中作戰中心（AOC）, 18
    • 當前的AOC, 18
    • 未來的AOC, 22
  • 1.4 先進作戰管理系統（ABMS）, 23
    • ABMS的演變, 23
    • 非傳統的采購方法, 24
    • 從論證到能力發布, 28
    • ABMS是JADC2的一個貢獻者, 30
    • 其他JADC2貢獻者和復雜因素, 32

• 第2章 架構和數據

  • 2.1 架構概述, 36
    • 架構和技術現狀, 40
    • 以數據為中心的操作技術, 44
    • 高性能處理：AI和ML, 45
    • 數據和數據標準, 48
    • 容器化和Kubernetes, 50
  • 2.2 軟件方面注意事項, 53
    • 應用軟件和DevSecOps, 54
    • 數據權限, 58
  • 2.3 安全性, 59
    • 網絡可靠性、彈性和容錯性, 59
    • 多層次的安全，62
    • 網絡安全和零信任, 64
  • 2.4 測試和建模, 68
    • 測試和評估, 68
    • 基于模型的系統工程, 70
    • M&S和VV&A, 73
    • 數字孿生, 74
  • 2.5 共同任務指揮中心, 76

• 第3章 管理

  • 3.1 組織整合, 82
  • 3.2 人為因素, 86
    • 人的系統集成, 86
    • 培訓、文化和其他方面的考慮, 88

• 第4章 挑戰與機遇

  • 4.1 互操作性, 93
  • 4.2 情報, 95
  • 4.3 主要建議, 96
    • 技術性, 96
    • 非技術性, 99
  • 4.3 結論性意見, 100

• 附錄

  • A 任務說明 107
  • B 數據收集會議 109
  • C 簡稱和縮略語 116
  • D 委員會成員履歷信息 121
  • E 對不可避免的利益沖突的披露 128

概要

美國國防部（DoD）正在追求通過聯合全域指揮與控制（JADC2）來提高對敏捷對手進行更緊密集成和聯合作戰的能力。這個框架將無縫整合傳感器、網絡、平臺、指揮官、作戰人員和武器系統，以使得聯合部隊和多國家部隊實現快速信息收集、決策和投射。美國空軍部（DAF）對JADC2的貢獻是先進作戰管理系統（ABMS）。

目前對于ABMS存在諸多疑問，它到底是什么？它的結構是否恰當？這些都存在擔憂，因為它缺乏一套明確的、獨立的、指定的最低性能目標，一套固定的要求，一個擬議的能力交付時間表，以及針對這些目標缺乏體系性的分配預算和資源。雖然敏捷性、靈活性和適應性是有價值的目標，但如果沒有一個提供足夠細節、具體要求和衡量標準的計劃來同步這樣一個龐大而復雜的系統，要成功地大規模交付能力就會受到挑戰，也不太可能。

為了解決這些問題，美國空軍先進作戰管理系統委員會被要求審查以下內容：

• 1.評估規劃中的ABMS數據和通信架構，并比較該架構的預期性能特征，以支持實時火力控制和全域傳感器到投射的數據流、指揮和控制（C2）活動、基于人工智能（AI）的生活模式訓練、戰斗損傷評估以及其他相關的數據活動。

• 2.確定ABMS技術和規劃中的系統集成架構的任何技術差距和不足。

• 3.審查ABMS的管理，并建議如何改進規劃中的組織和執行計劃及流程，以更好地使美國空軍部和整個國防部快速實現JADC2行動。

在進行研究時，前空軍負責采購、技術和后勤的助理部長（SAF/AQ）將ABMS的主要責任辦公室（OPR）從DAF的首席架構師辦公室（DAF CAO）轉移到DAF的快速能力辦公室（RCO）。這一變化的結果是雙重的。首先，委員會最初負責審查的任務與ABMS的優先事項和RCO的職責并不完全一致。由于這個原因，委員會為完成所需的分析而要求的一些信息無法提供，委員會收到的一些信息后來被更新的信息所取代。第二，委員會收到的ABMS的情況基本上是過渡性的，因為該系統的技術設計和管理在DAF內部正經歷著重大變化。

作為一個處于早期定義階段不斷發展的系統，ABMS架構及其支持要素仍然是動態的。2020年10月至2021年3月提交給委員會的ABMS技術架構在很大程度上反映了ABMS在"on-ramp "大規模演習中產生的狀態，該演習由DAF CAO主導。早期的架構和方法正在由DAF RCO進行評估和修訂，因為它致力于在將要投入使用的能力版本中創建一套采購方案。因此，委員會的分析反映了該早期架構的方法、益處、挑戰和機遇，并構成了CAO、RCO、DAF和更廣泛的美國防部元素的見解和建議，供他們在追求更新的ABMS架構、其中的單個采購計劃以及更大的JADC2框架時考慮。在新任空軍部長的指導下，DAF RCO已經在為ABMS不斷發展的規劃和設計，解決了其中的一些問題，但其他問題（尤其是非技術性因素）需要進一步考慮。

本報告的組織和主要的觀察結果

本報告按主題分為四章：觀點、架構和數據、管理以及挑戰和機遇。第1章描述了為什么需要ABMS，以及它是如何從一個聯合監視和雷達系統的替換計劃發展到一個全方位的指揮和控制系統的。第2章研究了當前和規劃的架構，包括數據標準、軟件、安全、測試和建模。第3章概述了ABMS過去和現在的管理，并強調了人力整合、培訓、文化和其他考慮。第四章詳細介紹了互操作性和情報，并總結了委員會的建議。

從高層宏觀上評論，委員會的結論是，作為一個非傳統的采購項目，ABMS已經走上正軌，但它仍然是一項正在進行的工作。它的技術設計和架構仍處于起步和發展階段，因此委員會很難對其數據和通信架構進行全面評估，特別是當它們與JADC2框架有關時，該框架也正在開發和定義中。此外，委員會發現，性能特征的規模和范圍在很大程度上是有限的，因為它們在很大程度上與“on-ramp”演示有關，而不是與實際作戰活動有關，因為現實世界的物理約束可能會限制實際性能。

委員會認為，指派DAF RCO作為ABMS的領導機構是一個積極的步驟，將ABMS從演示和實驗轉向重點能力開發。委員會還支持空軍部長的呼吁關于建立性能指標以衡量改進和操作結果。

作為一個家族系統，ABMS很難被量化。委員會無法詳細說明和評估ABMS的確切成本，因為它涉及到一個項目組合--其中一些沒有被指定為ABMS的要素，但仍被列為更廣泛ABMS生態系統的一部分。國會決定將ABMS的總預算減少近一半，這顯然限制了ABMS在近期和中期所能完成的工作。但是，這種預算限制也可能迫使DAF領導人對ABMS的投資和能力做出必要的決策和優先考慮。

委員會發現，目前的ABMS以及更廣泛的JADC2管理結構是不夠的，缺乏適當的權力來執行所有領域的指揮和控制。由于缺乏一個國防部級別的執行機構來處理和解決JADC2框架所有參與者的技術、操作和指揮決策，導致每個軍種和國防部機構都在開發自己的C2系統，其獨特的要求、標準和技術規范對實現互操作性構成挑戰。

委員會認識到，在本分析過程中，ABMS的技術方法和管理結構都在不斷發展。因此，需要注意的是，下面總結的和本報告其余部分詳細介紹的一些建議是針對早期的ABMS方法的，而其他建議可能仍然與較新的、更集中的項目計劃有關。