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

本文以約翰-博伊德的觀察、定向、決策、行動（OODA）循環及其 “指揮與控制的有機設計”（1987 年）分析為背景，對決策優勢和主動權進行了定義。博伊德的思想遠遠超前于當時的時代，但在新興的運營環境中卻能產生清晰的共鳴。決策優勢的結果就是主動權。此外，決策優勢不僅是一種條件，也是實現這種優勢所需的過程。由于人仍然是有效的聯合全域指揮與控制的關鍵，因此規劃者和戰略家必須了解這些關鍵概念在條令上的細微差別。

美國國防部對聯合全域作戰（JADO）（前身為多域作戰）的支持推動了一系列發展和組織活動，這些活動是由作戰環境的明顯變化和近鄰對手挑戰美國安全領導地位的具體努力引發的。指揮與控制是所有軍種多域或全域作戰概念的核心。鑒于新興技術有可能對以往計劃、決策和執行周期的局限性產生根本性影響，本文--空軍大學 2020 年 JADC2 會議的產物--通過博伊德 1987 年的簡報 “指揮與控制的有機設計 ”的視角，探討了決策優勢的概念。

在考慮 JADC2 的意圖和架構時，博伊德在 20 世紀 80 年代末的著作似乎極具預見性。對博伊德思想的研究可以幫助當代規劃師和架構師更好地理解各種可能性。

無論采用何種技術來驅散戰爭的迷霧和摩擦，人的因素--信念、信任、共同愿景、身份、知識、經驗、教育和培訓等--對于 JADC2 企業的重要性不亞于傳感器網格、開放數據標準和交換、網狀連接、云計算或邊緣計算、人機協作、機器學習甚至人工智能（AI）。俄羅斯解決這一問題的方法表明，俄羅斯規劃人員認為人為因素是 JADC2 體系最薄弱的環節之一，也可能是最強大的方面。

本文探討了似乎支撐美國防部 JADC2 體系的一個基本原則--博伊德的觀察、定向、決策、行動（OODA）循環。本文并不質疑美國防部對這一決策模式的接受。此外，雖然本文研究了 JADC2 的條令和架構設計，但由于篇幅所限，本文并未討論作為一種實踐的條令發展的適用性。

圖 1. 修改后的 JADC2 高級概念圖

定義決策優勢的基礎

雖然高層領導采用了信息優勢和決策優勢這兩個術語來捕捉聯合反戰條 約方法的預期效益，但多年來，決策優勢一直沒有國防部的定義。盡管 JADC2 企業的整個宗旨是 “決策的藝術和科學，以及將這些決策轉化為行動的能力，利用所有領域的能力并與任務伙伴合作，在競爭和沖突中取得作戰優勢”，但決策優勢的概念在非保密的 JADC2 和多域作戰/JADO 文件中有所暗示，但并未得到明確定義。最后，空軍于 2021 年 11 月公布了其定義。

有些人可能會得出 JADC2 就是決策優勢的結論。上述定義雖然沒有明確將這一概念與 JADC2 的技術架構聯系起來，但在沖突的連續性方面提供了有益的聯系。這一定義也出現在 2020 年空戰司令部關于 JADC2 的重要圖表摘要中（圖 1），其中規定了 “以壓倒性的決策優勢阻滯敵人前進 ”的任務，但同樣沒有界定決策優勢的含義。

JADC2 概念是一種提供卓越態勢感知的架構。理解 JADC2 至少需要深厚的領域知識，理想情況下還需要跨領域知識，反映關鍵視角，這些視角相互碰撞、相互作用，從而形成背景。

在美軍內部，人機協同增強了決策過程。陸軍多域作戰條令指出，“在人工智能和高速數據處理的支持下，人機界面在速度和準確性上都能提高人類決策的水平”。美國陸軍訓練與條令司令部（TRADOC）第525-3-1號小冊子《2028年多域作戰中的美國陸軍》強調了對對手情報、監視和偵察綜合體的攻擊：“陸軍部隊與合作伙伴和聯合部隊一起，對抗對手的偵察并進行欺騙，在對手的決策過程中制造不確定性”。報告進一步指出，“在競爭中展示的能力會破壞對手的信息戰行動，并在其決策過程中產生復雜性和不確定性”。

這與俄羅斯的做法類似，旨在為決策周期注入模糊性，以創造機動空間，剝奪關鍵信息并造成癱瘓。

雖然陸軍的小冊子沒有定義或使用決策優勢一詞，但它確實使用了決定性空間，并將其定義為 “時間和空間（物理、虛擬和認知）上的位置，在這些位置上，充分優化跨域能力的運用會對敵方產生明顯優勢，并極大地影響行動的結果”。這似乎是對我們熟悉的 “決定點 ”概念的改編，與大國的概念相似，即選擇對手系統中的關鍵點并設計反擊系統加以對抗。

TRADOC 525-3-1 還討論了預測性維持行動： 精確后勤可通過以下方式實現：具有預測分析工具和無需請求即可補給和/或根據優先次序重新分配補給的能力的后勤企業資源規劃決策支持系統（著重號后加）；可供各級指揮官和后勤人員查看的實時共同行動畫面。

這種系統對于支持靈活的作戰部署或其他形式的動態部隊部署是絕對必要的。

最后，陸軍的綜合運用行動旨在協調 “與信息相關的能力（IRC），與其他行動路線協同作戰，以影響、欺騙、擾亂、腐蝕或篡奪敵人和對手的決策，同時保護我們自己的決策”，并影響敵人和民眾的戰斗意志。TRADOC 525-3-1 強調削弱敵方決策能力，并建議保護美國的類似能力。根據 TRADOC 525-3-1 的構想，贏得優勢的主要方法是攻擊敵方的認知，而不是建立優越的程序和信息環境。

圖 2. 美空軍指揮與參謀學院聯合全域戰略家計劃演習的決策支持矩陣

確定決策優勢

鑒于 OODA 循環概念強調人為因素、速度和信息優勢以及主動權概念的核心地位，本文提出了決策優勢的定義。第一部分定義了決策優勢本身，第二部分將 JADC2 置于 OODA 概念和人為因素的背景下，并通過對手的作戰方法加以說明： 決策優勢是指在正確的時間獲取并識別正確的信息（信息優勢），及時做出決策并將其轉化為行動，以及奪取或保持主動權。

美國空軍最近發布了空軍條令出版物 3-99/太空部隊條令出版物 3-99《空軍部在聯合全域作戰中的作用》，將決策優勢定義為 “態勢理解的產物，通過保持全域優勢來保證和交換信息、做出和傳達決策的能力”。這一定義有許多值得推薦之處。它強調的是理解而不是認識。與作者的建議不同，它強調溝通的中心地位，并將決策與溝通的需要聯系起來。然而，它也提出了在所有領域保持優勢的必要性，而這在實踐中可能是不可能的--盡管毫無疑問，如果能以某種方式實現，這將是一個值得歡迎的情況。

然而，美空軍的定義仍然缺乏強調決策優勢重要性的核心要素--主動性的傳遞。為了更牢固地將決策與主動性聯系在一起，對空軍的定義可作如下修改： 對形勢理解的產物，保證和交換信息的能力，作出和傳達決策以在關鍵領域奪取或保持優勢的能力。

無論采用哪種定義，決策優勢都是由超強的理解力、信心和信任所支撐的，這種理解力、信心和信任能夠克服模糊性并創造清晰性。決策可以奪取并保持對對手或競爭者的主動權，迫使其重新觀察和調整方向，延遲其做出決定，并最終剝奪其行動甚至保持凝聚力的能力。同時，決策優勢力求最大限度地擴大友軍的行動自由、團結以及引導（對手）做出對美國有利的決策、目標和最終狀態的能力，在一些俄羅斯文獻中被表述為反身控制。

卓越的理解力來自于相關知識、經驗、適當的智力工具、教育和培訓；信心來自于清晰的理解、愿景、目的、權威和目標--或者說是已知的事物。信任通過建立關系來支持風險，從而抵御未知。因此，決策優勢的對立面可能是癱瘓--無法確定方向、做出決定和采取行動。

大衛-愛潑斯坦（David Epstein）最近提出，跨領域和多領域知識--即學術領域的知識，而不一定是條令作戰領域的知識--對于解決專業化世界中的棘手問題可能很有價值，這一點很有說服力。如果愛潑斯坦的觀點是正確的，那么廣泛而深入的教育是必要的，這樣才能實現跨領域的知識轉移，并為那些在專家看來難以解決的問題找到解決方案。此外，目前已知的人工智能固有局限性表明，適應性和靈活性是戰勝相對狹隘但快如閃電的機器判斷力的關鍵。

愛潑斯坦認為，跨領域知識是面對令人沮喪的模糊性時的有力武器，這與多域或全域作戰是取得優勢戰勝對手的關鍵的軍事概念相似。在這兩種觀點中，對來自單一領域之外的信息的了解或認識可以產生重要的優勢。

烏克蘭部隊的小單元創新與俄羅斯部隊的集中式方式形成了鮮明對比。烏克蘭軍民憑借技術優勢，不斷創新技術和戰術，令對手無所適從。M142 高機動性火炮火箭系統、美國情報、監視和偵察系統、標槍導彈和無人機等技術使烏克蘭軍隊在遠距離作戰時更加靈活。這些技術本身并沒有讓俄羅斯軍方感到困惑，但與這些技術相結合的創新步伐或許才是。

同樣，教育的廣度可能有助于防止癱瘓，使人們能夠迅速綜合并解決棘手的問題。這將是必要的，因為模糊信息和虛假信息的注入肯定會對支持機器計算和人類判斷產生不利影響，從而讓人類填補空白。我們需要高質量的教育和培訓，以應對有目的地注入模糊信息所帶來的困難，以及子系統受到攻擊和崩潰時產生的迷霧和摩擦。

在追求現代化和利用新興技術潛力的過程中，JADC2 系統的最薄弱環節和最薄弱環節將是人類操作員和他們所操作的組織。然而，各級決策者仍然需要理解以接近機器速度呈現的信息--他們必須具備態勢感知能力。視角、偏見、文化、身份和其他因素賦予信息以意義，并為作戰信息的傳遞提供了另一種視角。教育是對抗窒息性組織狹隘性的一種方法，即使 JADC2 以任何形式實現，這種個人偏見也可能持續存在。

本文探討了無處不在的人工智能對戰斗本質的改變。將目光從人工智能取代專家轉向人機互補的方法。利用歷史和現代實例，展示了由人工智能操作員和人工智能/機器學習代理操作員組成的團隊如何有效管理自主武器系統。方法基于互補原則，為管理致命自主系統提供了一種靈活、動態的方法。最后，提出了實現機器加速戰斗綜合愿景的途徑，即由人工智能操作員操作戰場人工智能，觀察戰場內的行為模式，以評估致命自主系統的性能。與任何純粹的自主人工智能系統相比，這種方法能開發出更符合道德規范、以機器速度運行并能應對更廣泛動態戰場條件的作戰系統。

2022 年 11 月，ChatGPT 的發布標志著人工智能（AI）發展史上的一個關鍵時刻。幾十年來，人工智能一直是人們熱衷研究的課題，但對于普通人來說，它仍然是一個抽象的概念，更多的是科幻小說或技術演示，比如 IBM 的沃森贏得了《危險邊緣》（Jeopardy）。然而，有了 ChatGPT，人工智能走出了實驗室，人們可以用與朋友和同事交流的方式與人工智能對話。ChatGPT 將公眾對人工智能的看法從未來的可能性轉變為實實在在的現實。與此同時，在距離開發 ChatGPT 的辦公室千里之外，烏克蘭正在將人工智能融入戰場。面對俄羅斯大規模的射頻干擾，烏克蘭部署了人工智能增強型無人機，能夠在敵對條件下，在無人監督的情況下有效運行。人工智能的這一應用并不是要進行對話或模擬類似人類的互動，而是要在傳統系統失靈的情況下，增強對大型對手的作戰能力。ChatGPT 的認知能力與烏克蘭無人機對人工智能的功利性應用之間的對比，說明了人工智能在不同領域的多樣性和變革性。

這兩項人工智能應用促使美國國防部（Department of Defense，DoD）關于戰場人工智能的戰略思想發生了潛在轉變。最初的人工智能條令強調，對人工智能系統 "適當程度的人為判斷 "至關重要，"要有明確的程序來激活和關閉系統功能，并對系統狀態提供透明的反饋"[5]。對 "自主和半自主武器系統的人機界面"[5] 的要求意味著一定程度的人類直接互動，通常稱為 "人在回路中"（HITL）或 "人在回路中"（HOTL）。這種人類直接參與人工智能或監控錯誤的方式，證明了對關鍵流程自動化的謹慎態度。

之所以會出現這種轉變，是因為人們認識到，人工智能及其不可避免的技術普及，將不僅僅是補充，而是從根本上改變戰場上的行動和情報搜集，就像它已經開始改變社會上幾乎所有其他地方一樣。這種演變并非首次發生。就在上一代，互聯網的出現和智能手機的普及徹底改變了通信和信息獲取方式，以至于國防部別無選擇，只能適應。與這些創新一樣，人工智能也正走在一個類似的基本層面上。現在的挑戰不在于試圖支配人工智能的整合，而在于適應其不可避免的普遍性，在擔心數據偏差、計算 "幻覺 "的情況下確保軍事系統的可靠性和有效性，同時確保致命性自主武器系統的行為符合國際人道主義法（IHL）。本文件旨在探討這些挑戰，并提出緩解這些挑戰的途徑，同時認識到人工智能增強戰爭的進程不僅不可避免，而且已經開始。

討論

2022 年，人工智能達到了一個拐點。隨著電子戰的加劇，烏克蘭沖突迫使自主無人機快速發展。與此同時，像 ChatGPT 這樣的強大語言模型的發布吸引了全球觀眾，盡管它們的局限性也變得顯而易見。這些系統容易出現事實錯誤和赤裸裸的捏造，凸顯了將模式識別誤認為真正理解的風險。在人工智能顛覆整個行業的同時，我們也認識到，人工智能的流暢性往往掩蓋了根本無法分辨真假的缺陷。

人工智能在軍事上的應用提出了獨特而棘手的倫理問題。根據特定數據訓練的人工智能系統是實現其設計目的的強大工具。它們擅長模式識別和快速執行所學任務。但人工智能系統適應新情況的能力，尤其是在人命關天的情況下，仍然不太清楚。

雖然人工智能在數據處理和分析方面的能力毋庸置疑，但它在道德框架內指導行為的能力卻不那么確定。圖 1 展示了戰場自主人工智能的典型組織結構。作戰人員（橙色圓圈）直接操作一套武器系統（藍色圓圈），每套系統都通過一個人工智能模型進行調解，該模型經過訓練，可控制特定武器與敵人交戰。然而，如果敵人已經找到了欺騙人工智能模型的方法，作戰人員往往無法改變模型的行為。相反，作戰人員必須依靠其他可能風險更大的手段與敵人交戰。在戰爭中強調簡化、精簡的人工智能模型會帶來一種危險的脆性。當人工智能模型被愚弄時，它可能會使作戰人員面臨更大的風險，同時將關鍵優勢拱手讓給敵人。

在本文中，我們提出了 3.8 節中介紹的人工智能操作員或 "馬夫 "的角色。這種角色延伸了加里-卡斯帕羅夫（Garry Kasparov）在 "高級國際象棋 "中提出的 "半人馬"（centaur）概念，即人類與多個國際象棋程序合作，將人類的戰略洞察力與機器的計算能力相融合，以達到超高水平的競爭[21, 13]。這些相互促進或互補的領域已被證明優于任何一個單獨的組成部分[23]。互補的概念是將多個元素結合在一起，產生一個比任何一個部分都更有效的整體，這與更常見的替代做法有著本質區別，替代做法是單獨使用能力最強的部分--人類、自動化或人工智能。替代系統的實際結果是，它們的強大取決于最薄弱的部分。由作戰人員、戰場人工智能、遠程人類操作員及其本地人工智能代理組成的網絡可確保人類和人工智能的優勢得到最大程度的發揮（圖 2）。半人馬概念在軍事戰略中的演變說明，未來人類與人工智能的合作不僅有益，而且對于在高度動態和競爭激烈的環境中取得優勢至關重要。

要想讓人工智能系統在軍事環境中可靠運行，人類操作員必須了解人工智能的決策過程。這就意味著要對具有不同技能和背景的操作員進行培訓。就像棋手調整策略一樣，操作員應能根據需要切換人工智能模型。不能指望單一的人工智能模型在每一種戰場場景中都能完美發揮作用。情況是不可預測的；在一種情況下最好的模型在另一種情況下可能會失效。操作員必須了解每種人工智能模型的優缺點，以確保使用最有效的工具來完成手頭的任務。這種適應性是人工智能成功融入軍事行動的關鍵。

在軍事行動中，采用這種靈活的方法將人類與人工智能配對，可創建出比人工智能單獨運作的系統更靈活、適應性更強的系統。這種人類與人工智能的共生關系可以破壞對手的 "觀察、定位、決策、行動"（OODA）循環[18]，有效地 "反客為主"。人工智能在人類直覺和經驗的充實下，引入了不可預測性和復雜性，純人工智能對手可能難以理解或實時處理這些不可預測性和復雜性。這可能會使天平向有利于人類-人工智能團隊的方向發生決定性的傾斜，使他們在關鍵時刻超越和思考純人工智能系統，從而獲得戰術優勢。

人類可以利用自己的創造力和創新力提出人工智能無法提出的新想法和解決方案。例如，將人類對已知危險和風險的了解融入自主系統，可以讓操作員確定并預測基于人工智能的控制器在遇到真實世界的風險因素時的行為[6]。我們還能理解人工智能忽略的細微差別和情境，這對決策至關重要。最后，人類在群體中表現最佳，每個人都能帶來不同的視角和技能，從而提供深度理解，而目前的人工智能似乎可以模仿，但卻無法復制。

本文為具有混合狀態空間的多智能體系統提出了一種迭代規劃框架。該框架使用過渡系統在數學上表示規劃任務，并采用多個求解器來迭代改進規劃，直到計算資源耗盡為止。在整合不同求解器進行迭代規劃時，我們建立了數學框架的理論保證，以確保遞歸可行性。所提出的框架能夠持續改進解決方案的最優性，有效利用分配的計算資源。我們將所提出的方法應用于能源感知的 UGV-UAV 合作任務站點分配，對其進行了驗證。結果表明，與文獻中提出的算法相比，該方法在保持實時執行能力的同時，還能不斷改進解決方案。

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

RELEGS：針對復雜作戰情況的強化學習

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

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

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

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

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

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

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

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

作為 CAF JADC2 AUAR 項目的一部分，本文研究了聯合全域指揮與控制系統的需求，特別是開發中的先進作戰管理系統（ABMS），以考慮極有可能發生的授權分布式作戰。本文認為，先進作戰管理系統不應只關注高層決策者和傳統指揮與控制要素的需求，而應考慮到部隊一級的使用。報告介紹了空軍單位級情報部門的作用和職責，將其作為一個使用案例來說明這一點，以便在整個聯合兵力中進行開發。

正文

美國空軍前參謀長戴維-戈德芬（David Goldfein）將軍將開發中的先進作戰管理系統（ABMS）比作優步（Uber）的共享乘車應用。他描述了共同行動圖（COP）的相似之處，該圖可以顯示汽車和司機的位置，也可以顯示 "巡航導彈和攻擊型無人機 "的位置，從而實現乘客與汽車或射手與目標的高效自動匹配。在軍事方面，這樣一個系統展示了從傳感器到戰斗管理再到射手的連接，這樣，人與人之間的第一次互動就是海軍巡洋艦指揮官提出交戰選擇，以供最終決策。這種描述非常優雅，戈德費恩將軍無疑是想為大眾提供一個有用的說明，但即使是對聯合全域指揮與控制（JADC2）結構中的 ABMS 系統進行更多的技術描述，似乎也僅限于能夠實現更有效的中央指揮控制的系統。為了對抗未來高度對抗性的環境，像 ABMS 這樣的工具必須考慮整合各層次更廣泛的用戶。如果從一開始就不考慮任務指揮的分布式執行和廣泛使用，就有可能過度依賴集中決策，從而忽視下級操作人員的兵力倍增能力，并在無法與 C2 連接時危及作戰效能。空軍單位級情報（ULI）在支持飛行行動中的作用、能力和近期經驗表明，需要擴大 ABMS 的范圍，以實現彈性的 JADC2 和有效的聯合全域作戰（JADO）。

空軍部對聯合防務與發展組織的愿景認識到，"與近期的低強度沖突行動相比，JADC2 需要更大程度的分布式執行、更高程度的授權，以及對中央規劃和任務指導的更少依賴"。"由于通信能力下降和作戰環境發生重大變化等原因，需要通過 "基于條件的授權 "來實現這一點。授權允許通過使用任務類型的命令進行任務指揮，將上級指揮官的意圖明確傳達給行使授權的下級指揮官。這與空軍正在開發的未來分布式作戰概念（如 "敏捷戰斗部署"（ACE））非常吻合，該概念設想部隊在沒有與空中作戰中心（AOC）和其他 C2 平臺所體現的傳統集中式 C2 結構進行可靠通信的情況下開展行動。當除最短距離通信外的所有通信都被切斷時，空中遠征聯隊（AEW）指揮官或在不同作戰地點的更低級別的指揮官可能不得不在只有上級指揮官最新意圖的情況下執行本地 C2。從邏輯上講，這種分布式指揮調度可能涉及本地/可通信區域內多個領域和服務的能力。這種最具戰術性的 JADC2 將需要通過及時準確的友軍信息和敵方情報來實現。

ABMS 旨在提供態勢感知，使 JADC2 成為可能。它是一個系統，旨在通過通用應用程序和軟件開發工具包（SDK）將傳感器與作戰管理聯系起來，使開發人員能夠構建將信息傳遞到這些應用程序的平臺。組件應用程序包括數據源、人工智能/機器學習（AI/ML）、數據融合、COP 以及最終的 C2 功能。利用人工智能/ML 融合和評估所有可用傳感器數據并將其顯示給決策者的方法令人鼓舞，但現有文件顯示，指揮應用程序的主要客戶是 "未來的空間、空中、網絡和全域指揮與控制戰斗管理者"，并列出了傳統的 C2 角色職業領域。這些職業領域通常與 AOC 和戰術 C2 平臺等傳統 C2 元素相關，這意味著其重點是改進當前模式下的決策制定，而不是重點構建可實現上述最分散和最授權形式 C2 的工具。盡管 ABMS 尚處于起步階段，傳統的 C2 要素是一個合理的起點，但必須擴大客戶范圍，將支持戰術決策者的參與者包括在內，直至單個射手。ULI 飛行員已經執行或預計執行的功能為 ABMS 功能的更廣泛應用提供了范例，這些功能將實現分布式 JADC2。

AFTTP 3-3.IPE 將 ULI 結構概述為一個應急情報網絡 (CIN)。CIN 包括 1. 作戰情報單元（CIC），負責綜合內部和外部來源，提供全來源分析，以支持聯隊指揮官、任務規劃人員、飛行單位以及網絡防御和兵力保護等其他聯隊職能部門，此外還負責協調聯隊向 AOC 等上級部門的情報報告；2. 情報人員納入聯隊任務規劃單元（MPC），以提供量身定制的威脅分析和目標數據；3. 中隊情報人員向飛行員提供針對任務的情報簡報，進行任務后匯報，并向中央情報中心報告從匯報中獲得的情報。圖 1 所示的所有這些職能對聯隊的行動都至關重要，可幫助指揮官做出決策，并為飛行員、保衛人員和聯隊其他人員提供威脅情報，通常還提供藍色作戰數據，特別是來自空中任務指令（ATO）等 AOC 文件的信息。簡而言之，如果能夠提供必要的情報和作戰數據，并利用有助于進行定制分析的工具，ULI 可以使決策制定深入到最底層，包括在某些平臺上執行任務時進入駕駛艙。

圖 1 CIN 的功能和關系

從條令上講，AOC 的情報監視和偵察處（ISRD）負責向部隊提供其所需的大部分作戰情報。情報監視和偵察處應以部隊支助小組為中介，通過情報摘要（INTSUM）、跟蹤威脅位置的作戰命令（OB）更新、匯集和評估所有部隊關于打擊目標和威脅位置及戰術變化的匯報數據的任務摘要、目標定位和武器設計數據，為聯合作戰環境情報準備工作（JIPOE）提供最新信息，并對總體局勢進行評估，同時還是答復部隊信息請求（RFIs）的主要樞紐。在實踐中，ISRD 的人員數量和單位經驗通常不足以在支持其他 AOC 部門和 ATO 生產的同時履行所有這些職能--這已經是一項幾乎不可能完成的任務。ABMS 所宣稱的傳感器融合、自動提示和 COP 生成等目標將使 ISRD 的許多分析、目標定位和收集管理流程自動化或輔助化，但不應將其視為簡單啟用 AOC 與部隊之間現有等級條令關系的一種方式。無論是由于物理距離、通信問題，還是由于缺乏定制產品所需的相關經驗，AOC 的部隊支持人員往往不具備滿足部隊需求的能力。

鑒于在日益復雜的作戰環境中，部隊一級需要大量的支持功能，而且預期 AOC 支持不會像條令所規定的那樣完整，因此 ULI 空軍人員經常依賴人工數據處理和分析。和平時期，根據聯隊任務定制的 JIPOE 是通過對一系列情報界（IC）來源的研究建立的。戰時更新則來自任何可用來源，包括原始報告。由于缺乏來自 AOC 的足夠詳細的信息或更新頻率，用于任務規劃的威脅 OB 是通過相對較新的多情報可視化工具（如 MIST 和 Thresher）建立的，盡管要求分析人員融合多種來源以得出最終評估結果。飛行員提供的任務數據仍需匯報并手動輸入報告系統，目前這些系統幾乎無法向大型多重情報工具提供反饋，因此必須臨時納入威脅位置和戰術評估。空中和防空行動固有的聯合性質往往也要求 ULI 人員了解兄弟部隊的能力，這通常是通過經驗和關系而非正式流程實現的。這些例子僅涵蓋了較為傳統的飛行支持要求，但其他任務（如兵力保護和網絡空間防御支持）對 ULI 空軍人員的要求可能會成倍增加。

考慮戰術級情報人員（如 ULI）以及他們所支持的分布式指揮官的信息需求，應從一開始就納入 ABMS 等系統。毫無疑問，向聯合部隊指揮官（JFC）、部隊指揮官及其 C2 機構等高級決策者提供信息仍然至關重要，但啟用 JADC2 的系統同樣需要預測權力如前所述被下放的情況，并隨時準備為責任加重的低級別人員提供量身定制的信息。最近的 ULI 經驗和針對 ACE 情景的規劃展示了一些在單位層面執行的職能實例，這些職能在理論上可能是 AOC 或其他 C2 要素的職責。這些功能包括：為有機傳感器建立作戰偵察目標甲板，以滿足當地的信息需求；直接向空中的飛行員傳達具有時效性的威脅或目標更新信息；以及執行先進的目標開發以實現打擊。了解這些可能的非理論使用案例的全部范圍，并將其納入 ABMS 開發和其他 JADC2 概念中，將使有能力的 ULI 飛行員能夠利用而不是圍繞經過測試的工具和理論支持真正的分布式行動。通過利用人工智能/人工智能支持的數據融合和顯示，消除來自不同來源的人工處理和分析，該領域的有意開發可簡化 ULI 的許多任務。

認識到像 ULI 這樣的行動者在開發 JADC2 系統中的重要性，突出了使系統在對抗性、分布式行動中發揮作用的一些額外要求。考慮到在不斷變化的作戰環境中，授權可能會迅速改變，因此必須在不同的用戶訪問權限中預置權限和數據顯示，以便在上級失去連接時自動激活。考慮到用戶可能會搬遷到條件較差的地方，系統應能在連接較少或沒有連接的情況下運行。這就需要在本地網絡上進行本地存儲和繼續運行，直到恢復更廣泛的連接，然后提供一種同步和突出顯示已更改信息的方法。所有這一切都需要對高層領導的風險承受能力進行認真的討論，而不是理論上的討論，以便在獲得最佳數據和合格分析師的情況下，在最基層做出決策。

這種情況不僅適用于分布式空中行動。在空軍條令中，納入系統開發可將作戰決策權下放到最基層的分布式執行，這與其他軍種的基本概念也是一致的。例如，陸軍的任務指揮概念是 "授權下級根據情況決策和分布式執行"，使用任務命令明確概述指揮官的意圖。聯合海上條令還強調了海軍長期以來的傳統，即 "任務指揮涉及集中指導、協作規劃以及分布式控制和執行"。因此，條令框架存在跨多領域授權的可能性，如果適當地集成到 JADC2 系統中，就可以通過與 ULI 相當的實體支持來實現。這些系統最終將使下放的權力能夠跨域行使指揮控制權，盡管要在整個聯合兵力中建立有效的全域作戰知識還有很多工作要做。

即使有了先進的通信和數據處理技術，假定傳統 C2 結構中的決策在對抗性行動中會有效也是不明智的。像 ABMS 這樣的 JADC2 規劃和系統開發必須預見到真正下放權力的影響，以及最基層指揮官和操作人員的信息需求。空軍 ULI 提供了一個例子，說明如果將其納入這些新開發的范圍，用戶集合就能隨時支持分布式行動

美國陸軍對人工智能和輔助自動化（AI/AA）技術在戰場上的應用有著濃厚的興趣，以幫助整理、分類和澄清多種態勢和傳感器數據流，為指揮官提供清晰、準確的作戰畫面，從而做出快速、適當的決策。本文提供了一種將作戰模擬輸出數據整合到分析評估框架中的方法。該框架有助于評估AI/AA決策輔助系統在指揮和控制任務中的有效性。我們的方法通過AI/AA增強營的實際操作演示，該營被分配清理戰場的一個區域。結果表明，具有AI/AA優勢的模擬場景導致了更高的預期任務有效性得分。

引言

美國陸軍目前正在開發將人工智能和輔助自動化（AI/AA）技術融入作戰空間的決策輔助系統。據美國陸軍機動中心稱，在決策輔助系統等人工智能/輔助自動化系統的協助下，士兵的作戰效率可提高10倍（Aliotta，2022年）。決策輔助工具旨在協助指揮官在作戰場景中減少決策時間，同時提高決策質量和任務效率（Shaneman, George, & Busart, 2022）；這些工具有助于整理作戰數據流，協助指揮官進行戰場感知，幫助他們做出明智的實時決策。與使用AI/AA決策輔助工具相關的一個問題是，陸軍目前缺乏一個有效的框架來評估工具在作戰環境中的使用情況。因此，在本文中，我們將介紹我們對分析框架的研究、設計和開發，并結合建模和仿真來評估AI/AA決策輔助工具在指揮和控制任務中的有效性。

作為分析框架開發的一部分，我們進行了廣泛的文獻綜述，并與30多個利益相關者進行了利益相關者分析，這些利益相關者在人工智能/AA、決策輔助、指揮與控制、建模與仿真等領域具有豐富的知識。根據他們對上述主題的熟悉程度，我們將這些利益相關者分為若干焦點小組。我們與每個小組舉行了虛擬焦點小組會議，收集反饋意見，并將其用于推動我們的發現、結論和建議（FCR）。同時，我們還開發了一個逼真的戰場小故事和場景。利用該場景和我們的FCR輸出，我們與美國陸軍DEVCOM分析中心（DAC）合作開發了一個功能層次結構，通過建模和仿真來測量目標。我們將假設的戰斗場景轉移到 "一個半自動化部隊"（OneSAF）中，該模擬軟件利用計算機生成部隊，提供部分或完全自動化的實體和行為模型，旨在支持陸軍戰備（PEOSTRI, 2023）。使用分析層次過程，我們征詢了評估決策者的偏好，計算了功能層次中目標的權重，并創建了一個電子表格模型，該模型結合了OneSAF的輸出數據，并提供了量化的價值評分。通過A-B測試，我們收集了基線模擬和模擬AI/AA效果的得分。我們比較了A情景和B情景的結果，并評估了AI/AA對模擬中友軍任務有效性的影響。

文獻綜述

分析評估框架可針對多標準決策問題對定量和/或定性數據進行評估。定性框架，如卡諾模型（Violante & Vezzetti, 2017）、法式問答（Hordyk & Carruthers, 2018）和定性空間管理（Pascoe, Bustamante, Wilcox, & Gibbs, 2009），主要用于利益相關者的投入和頭腦風暴（Srivastava & Thomson, 2009），不需要密集的計算或勞動。定量評估框架以數據為導向，提供一種數學方法，通過衡量性能和有效性來確定系統的功能。分析層次過程（AHP）適用于我們的問題，因為它使用層次設計和成對的決策者偏好比較，通過比較權重提供定性和定量分析（Saaty，1987）。雖然AHP已被廣泛應用，但據我們所知，該方法尚未被用于評估人工智能/自動分析決策輔助工具，也未與A-B測試相結合進行評估。

指揮與控制（C2）系統用于提供更詳細、更準確、更通用的戰場作戰畫面，以實現有效決策；這些C2系統主要用于提高態勢感知（SA）。研究表明，使用數字化信息顯示方法的指揮官比使用無線電通信收集信息的指揮官顯示出更高水平的態勢感知（McGuinness和Ebbage，2002年）。AI/AA與C2的集成所帶來的價值可以比作戰斗視頻游戲中的 "作弊器"：它提供了關于敵方如何行動的信息優勢，并幫助友軍避免代價高昂的后果（McKeon，2022）。對C2系統和SA的研究有助于推動本文描述的小故事和場景的發展。

建模與仿真（M&S）是對系統或過程的簡化表示，使我們能夠通過仿真進行預測或了解其行為。M&S生成的數據允許人們根據特定場景做出決策和預測（TechTarget，2017）。這使得陸軍能夠從已經經歷過的作戰場景和陸軍預計未來將面臨的作戰場景中生成并得出結論。模擬有助于推動陸軍的能力評估。測試和評估通常與評估同時進行，包括分析模型以學習、改進和得出結論，同時評估風險。軍隊中使用了許多不同的M&S工具。例如，"步兵戰士模擬"（IWARS）是一種戰斗模擬，主要針對個人和小單位部隊，用于評估作戰效能（USMA, 2023）。高級仿真、集成和建模框架（AFSIM）是一種多領域M&S仿真框架，側重于分析、實驗和戰爭游戲（West & Birkmire, 2020）。在我們的項目范圍內，"一支半自動化部隊"（OneSAF）被用于模擬我們所創建的戰斗情況，以模擬在戰場上擁有人工智能/自動機優勢的效果。

如前所述，人工智能/AA輔助決策的目標是提高決策的質量和速度。人工智能可用于不同的場景，并以多種方式為戰場指揮官和戰士提供支持。例如，人工智能/AA輔助決策系統可以幫助空中和地面作戰的戰士更好地 "分析環境 "和 "探測和分析目標"（Adams, 2001）。人工智能/自動機輔助決策系統可以幫助減少人為錯誤，在戰場上創造信息和決策優勢（Cobb, Jalaian, Bastian, & Russell, 2021）。這些由AI/AA輔助決策系統獲得的信息分流優勢指導了我們的作戰小故事和M&S場景開發。

本文方法

• 行動示意圖和場景開發

在我們的作戰小故事中，第1營被分配到一個小村莊，直到指定的前進路線。營情報官羅伊上尉（BN S2）使用AI/AA輔助決策系統（即助手）準備情報態勢模板（SITTEMP），該系統可快速收集和整合積累的紅色情報和公開來源情報衍生的態勢數據。然后，它跟隨瓊斯少校和史密斯上尉，即營行動指揮員（BN S3）和S3助理（AS3），使用AI/AA輔助決策系統制定機動行動方案（COA），以評估 "假設 "情景、 她根據選定的機動方案開發指定的利益區域（NAI），然后在其內部資產和上層資源之間協調足夠的情報、監視和偵察（ISR）覆蓋范圍。假設時間為2030年，雙方均不使用核武器或采取對對方構成生存威脅的行動，天氣條件對藍軍和紅軍的影響相同，時間為秋季，天氣溫暖潮濕。

• 利益相關者分析和功能層次開發

作為解決方案框架背景研究的一部分，我們與32位民用和軍用利益相關者進行了接觸，他們都是AI/AA及其對決策和仿真建模的貢獻方面的專家。我們進行的利益相關者分析過程如下： 1）定義和識別利益相關者；2）定義焦點小組；3）將利益相關者分配到焦點小組；4）為每個焦點小組制定具體問題；5）聯系利益相關者并安排焦點小組會議；6）進行焦點小組會議；7）綜合并分析利益相關者的反饋；以及8）制定FCR矩陣。我們利用FCR矩陣的結果來繪制功能層次圖，其中包括從模擬場景中生成/收集的目標、衡量標準和度量。然后根據這些目標、措施和指標對任務集的重要性進行排序。這為使用層次分析法（如下所述）奠定了基礎。

• 層次分析法和A-B測試

AHP是托馬斯-薩蒂（Thomas Saaty）于1987年提出的一種方法，它利用專家判斷得出的一系列成對比較，將功能層次結構中的每個功能和子功能放入一個優先級表中。然后通過有形數據或專家定性意見對各種屬性進行排序。如表1所示，這些排序被置于1-9的范圍內。在賦予每個屬性1-9的權重后，再賦予標準和次級標準權重，以顯示其相對重要性（Saaty，1987）。

這個項目的目標是開發一個框架，在這個框架中，不同的認知技能和行為可以被結合起來，產生智能和安全的機器人行為。美國防部自主性委員會最近發現了自主性和人工智能研究中的一個問題；即正在產生的大多數人工智能行為基本上是獨立工作的，如果沒有重大的研究和開發努力，就無法與其他行為或技能相結合。

為了說明這一點，請考慮一個機器人，它的工作是在一個安全設施周圍巡邏，只需完成幾個簡單的任務：確保它看到的每個人都被授權在那里，并掃描大樓以確保實驗室和辦公室的門在沒有人的時候總是關閉和安全。現在，假設該設施的主管來到機器人身邊，與它并肩而行，要求它報告其一天的工作情況。機器人應該怎么做？機器人可以獲得相關的行為和知識（它知道如何巡邏，它知道如何和人類一起走過走廊，它的各個行為都知道它們當天做了什么），但它沒有被明確設計為一起做這些事情。

完全處理這種情況需要機器人超越執行孤立的、獨立的行為的模式，在任務執行和知識方面結合其組成行為。例如，它對做什么的推理，要求機器人考慮與主管交談或繼續執行其巡邏期限的相對效用。例如，最高效用的行動方案是同時追求兩個潛在的目標，在繼續沿著走廊巡邏時與主任交談；但這種交錯的行為引起了潛在的安全問題，在制定行動計劃時需要加以考慮（例如在轉身看門口時要確保不碰到人類）。它向主管報告當天的情況時，需要機器人將當天執行的行為的知識匯總到一個全面的知識庫中，以便提供一個智能的、有意義的報告。隨著我們朝著合格的戰術機器人在戰場上工作的目標邁進，這些問題將更加需要解決，以確保機器人能夠安全和智能地協助作戰人員。

在這項工作中，我們的目標是開發一個框架，通過研究這兩個重要的問題，采取步驟將單個行為和技能結合起來：（1）我們如何選擇在任何特定時間執行和交錯的行為和技能，同時考慮實用性和安全性？ 2）在執行不相關的技能和行為時，如何有意義地結合知識，以支持智能行為？

近幾十年來，國防系統的規劃已經演變成基于能力的規劃（CBP）過程。本文試圖回答兩個問題：首先，如何表達一個復雜的、真實世界的能力需求；其次，如何評估一個具有交互元素的系統是否滿足這一需求。我們建議用一套一致的模型以可追蹤的方式來表達能力需求和滿足該需求的解決方案。這些模型將目前的能力模型，具體到規劃級別和能力觀點，與系統思維方法相結合。我們的概念模型定義了環境中的防御系統，數據模型定義并組織了CBP術語，類圖定義了CBP規劃元素。通過給出一個能力參數化的例子來說明這個方法，并將其與DODAF能力觀點和通用CBP過程進行比較。我們的數據模型描述了能力在行動中是如何退化的，并將該方法擴展到能力動態。定量能力定義的目的是支持解決現實世界中相互作用的子系統，這些子系統共同實現所需的能力。

能力規劃問題的定義

在本節中，能力被定義為執行任務的效果或功能并作為系統時，我們討論CBP；在1.2小節中進一步討論Anteroinen的分類中的第三和第五類。為了專注于軍事系統或軍事單位的結構定義和未來的數學建模，只考慮系統的物理組成部分，即人員和物資，以及他們與能力的關系。環境的影響--天氣條件、地形、周圍的基礎設施和其他軍事單位--被省略，以關注兩種力量之間的相互作用；盡管在實踐中，環境和其他更廣泛的系統問題顯然是相關的。通常情況下，CBP過程定義了環境的相關方面和軍事行動的類型，為能力需求定義、能力評估和解決方案選擇制定了可能的規劃情況集合。

一個軍事單位或一個組織由其人員和物資組成。經過組織和訓練的人員配備了適當的物資，代表、擁有或產生能力。當兩個軍事單位相互作戰時，他們會啟動自己的能力，以造成敵人的物資和人員的退化。為了定義能力需求并計劃如何作為軍事單位或系統來實施，需要解決的問題是：在與敵人的互動過程中，能力將如何演變，而敵人的能力卻鮮為人知？圖1說明了在敵人能力的作用下，自己的軍事作戰和維持能力的動態互動。我們的能力削弱了敵方的人員和物資，對敵方的能力產生了影響；而敵方的能力削弱了我們的人員和物資，對我們的能力產生了影響。外部資源，也就是供應和維持能力，維持著被削弱的人員和物資。如因果循環圖所示，敵方的能力可以與我方的能力對稱地表示。第3節的進一步建模集中在我們自己的能力上，由圖1中的虛線表示，以便更純粹地表示。

對我們自己的能力的定義說明，由人員和物資提供，表明了復雜的結構和與能力有關的功能和元素之間的相互作用。此外，真正的軍事單位，通常由較小的編隊組成，有幾種能力，由大量不同的物資和人員組成，并與環境互動。

現有的能力模型

• 軍事能力是外交政策的工具
• 作為軍事單位戰斗力的能力
• 作為執行任務效果和功能的能力
• 作為武器系統或平臺的能力
• 作為系統的能力

軍事背景下能力規劃的概念模型架構描述

架構被定義為 "一個系統在其環境中的基本概念或屬性，體現在其元素、關系以及設計和進化的原則中"。因此，架構描述是一種表達架構的工作產品。架構框架是在一些應用領域或社區應用架構描述的基礎。架構框架為網絡系統的復雜性管理提供了結構化的方法，使利益相關者之間能夠進行溝通，并支持未來和現有系統的系統分析和設計。企業架構的Zachman框架是這類通用框架的一個例子。DoDAF、MODAF和NAF是用于國防系統分析和定義的架構框架，特別是用于指揮、控制、通信、計算機、情報、監視和偵察系統（C4ISR）。這些架構框架由觀點組成，定義了代表特定系統關注點的一組架構視圖的規則。架構視圖由一個或多個模型組成。架構框架基礎的元模型定義了不同視點中元素之間的關系。DoDAF元模型DM2有一個概念數據模型圖（DIV-1），用來向管理者和執行者傳達架構描述的高層數據構造的概念。MODAF元模型詳細定義了每個架構視圖的數據模型。

利益相關者需要適當的支持，以促進他們彼此之間以及與規劃專家團體的溝通，從而從CBP方法中獲益。軍事專家的作用不是參與復雜的工具和方法，而是為規劃過程提供重要的領域專業知識。架構框架是一個很好的工具，可以定義當前的防御系統，確定能力需求，并描述系統解決方案。不幸的是，架構框架和相關元模型的精確但復雜的機制與復雜的符號并不一定能以明顯的方式解釋能力觀點和要素之間的關系。因此，架構觀點和典型的CBP流程并沒有明顯的聯系。因此，參與能力規劃的軍事專家和決策者很少能夠加深理解，或者在沒有專門掌握這些工具和方法的人員的情況下，通過應用架構框架確定解決方案。需要對能力進行更簡單的定義，與流程兼容。

能力模型框架

圖2提出了一個高層次的數據模型，它代表了能力定義問題的抽象。數據模型描述了能力模型類型及其關系，作為能力和防御系統建模的框架。符號的選擇是為了保持信息量，但對更多的人來說是可讀的，因此它不遵循任何特定的方法，但與SODA的認知圖譜有一些共同點。

能力的現實世界實例在圖的左邊，而概念模型類型在右邊。該模型的第一個版本已經被Koivisto和Tuukkanen應用于一個基于研發的自下而上的過程和概念性的未來系統，即認知無線電。原始模型描述，系統模型定義了物資、戰斗力和功能能力。實際上，這是一種雙向的關系：在所需能力和所需資源的驅動下建立系統模型，然后用系統模型來預測特定環境和實例中的結果。

防御系統和能力——上下文模型

防御系統由系統、系統要素及其相互作用組成，其突發屬性由系統、系統要素和它們的相互作用界定。圖3中的模型代表了系統層次結構中的防御系統層次。防御系統可以被看作是SoS，但我們應用一般的系統術語來保持模型的可擴展性，并為防御系統層次結構的較低層次提供合適的術語。在國防系統層次結構的任何一級，系統代表一個由系統元素組成的軍事單位：人員和物資。

圖3 國防系統在其背景下的概念系統模型。防御系統，即利益系統（SOI），被環境和其他行為者的系統所包圍。這些系統包括相互作用的系統要素人員（P）和物資（M）。子系統和系統元素之間的聯系是示范性的。

能力模型類型和術語——高級數據模型

除了系統元素和它們的組織之外，還要定義功能和相應的輸出，以獲得更全面的系統定義。我們將能力定義為執行任務的效果或功能，是一種功能能力。在CBP過程中，功能能力定義了一些當前或計劃中的軍事單位或由物資和人員組成的系統的能力潛力。最終，能力發展過程必須以現實世界的軍事單位來定義系統的實施。力量要素的概念定義了最終的系統結構，也就是要生產的現實世界的軍事單位的組織。在我們的數據模型中，功能能力被安排在SOI內部，以代表系統的涌現屬性。當這種潛力或涌現被計劃為引起某種效果時，系統，具體來說是其功能能力，在計劃過程中被分配到一個任務中。此外，當軍事單位執行任務時，效果就會產生。高層數據模型的作用，如圖4，是將關鍵的術語及其關系可視化。

圖 4 基于能力的規劃中術語及其關系的高級數據模型表示

基于能力的規劃元素——UML類圖

圖5中的類圖將圖3所示的概念系統模型中確定的國防系統規劃要素與圖4中的能力模型類型結合起來。由于我們關注的是國防系統，國家權力和軍事力量的要素被認為是其環境的一部分，不在圖中。然而，我們建議，國家權力也可以通過效應來表示。

圖 5 基于能力的規劃元素的統一建模語言 (UML) 類圖表示

本研究報告分析了當前利益相關者對軍事自主系統的人為輸入或控制的想法。作者首先定義了關鍵術語，如 "機器學習"、"自主系統"、"人在回路中"以及軍事背景下的 "有意義的人為控制"，然后討論了當代利益相關者的文獻對無人駕駛軍事系統的人的輸入/控制的說明。然后，報告討論了各利益攸關方是否對進攻性和防御性系統中所需要或期望的人類控制水平達成了共識，以及是否因系統具有致命性和非致命性能力或西方和非西方國家之間的意見不同而有所不同。報告最后從政策和操作的角度闡述了利益相關者的想法對加拿大國防部/空軍的可能影響。

主要研究結果

• 在與自主系統有關的關鍵術語的定義方面存在著相當多的爭論。

• 在國家對自主武器應采取何種監管手段的問題上，各利益攸關方一直存在分歧。

• 參加這些討論的締約國已就自主武器的一系列指導原則達成共識，包括 "必須保留人類對使用武器系統決定的責任"。

• 在近30個表示支持禁止致命性自主武器系統（LAWS）的國家中，沒有一個是主要的軍事大國或機器人開發商，主要的軍事大國似乎都在對沖自己的賭注。

• 許多民主國家認為，他們打算保留人類對使用武力的控制/判斷，不需要禁止，因為現有的國際人道主義法律（IHL）足以解決圍繞自主武器的問題。

• 加拿大擁有重要的人工智能（AI）能力，該能力被用于民用而非軍事用途。

• 如果在國防領域不接受至少某種程度的（人工智能支持的）自主性，可能會降低與盟國的互操作性，給加拿大武裝部隊（CAF）的行動帶來風險，并且隨著時間的推移，使CAF對國際和平與安全的貢獻失去意義。