前言

我們的同行競爭者，利用科學、技術和信息環境的新興趨勢，已經投資于挑戰美國和重塑全球秩序的戰略和能力。他們采用創新的方法來挑戰美國和盟國在所有領域、電磁波譜和信息環境中的利益。他們經常尋求通過在武裝沖突門檻以下采取模糊的行動來實現其目標。在武裝沖突中，武器技術、傳感器、通信和信息處理方面的進步使這些對手能夠形成對峙能力，以在時間、空間和功能上將聯合部隊分開。為了應對這些挑戰，履行美國陸軍在保護國家和確保其重要利益方面的陸軍職責，陸軍正在調整其組織、訓練、教育、人員和裝備的方式，以應對這些圍繞多域作戰（MDO）概念的未來威脅。

陸軍的情報工作本質上是多領域的，因為它從多個領域收集情報，而且可以接觸到合作伙伴，彌補陸軍信息收集能力的不足。在競爭中，陸軍情報能力作為掌握作戰環境和了解威脅能力和脆弱性的一個關鍵因素。在整個競爭過程中，陸軍情報部門為每個梯隊的指揮官和參謀人員提供所需的態勢感知，以便在所有領域、電磁頻譜和信息環境中可視化和指揮戰斗，并在決策空間匯集內外部能力。

這個概念描述了關鍵的挑戰、解決方案和所需的支持能力，以使陸軍情報部門能夠在整個競爭過程中支持MDO，以完成戰役目標并保護美國國家利益。它是陸軍情報部隊、組織和能力現代化活動的基礎。這個概念還確定了對其他支持和輔助功能的影響。它將為其他概念的發展、實驗、能力發展活動和其他未來的部隊現代化努力提供信息，以實現MDO AimPoint部隊。

本文總結

陸軍未來司令部的情報概念為陸軍情報部隊的現代化活動提供了一個規劃，以支持陸軍2035年的MDO AimPoint部隊在整個競爭過程中與同行競爭對手進行多域作戰。它提供了支持2035年以后MDO AimPoint部隊的見解。這個概念是對2017年美國陸軍情報功能概念中概述想法的修改：情報作為一個單位在所有領域的運作，有廣泛的合作伙伴投入。這個概念擴展了這些想法，以解決陸軍在進行大規模作戰行動中的頭號差距：支持遠距離精確射擊的深度傳感。領導陸軍情報現代化的舉措是組織上的變化，以提供旅級戰斗隊以上梯隊的能力，以及支持深層探測問題的四個物資解決方案。

支持MDO AimPoint Force 2035的組織變化使戰區陸軍、軍團和師級指揮官能夠以遠程精確火力和其他效果塑造深度機動和火力區域。在戰區層面，軍事情報旅的能力得到提高，新的多域特遣部隊擁有軍事情報能力。遠征軍的軍事情報旅被重新利用和組織，以支持軍團和師的指揮官，而不是最大限度地向下支持旅級戰斗隊。

支持MDO AimPoint Force 2035的物資變化，即將所有的傳感器、所有的火力、所有的指揮和控制節點與適當的局面融合在一起，對威脅進行近乎實時的瞄準定位。多域傳感系統提供了一個未來的空中情報、監視和偵察系統系列，從非常低的高度到低地球軌道，它支持戰術和作戰層面的目標定位，促進遠距離地對地射擊。地面層系統整合了選定的信號情報、電子戰和網絡空間能力，使指揮官能夠在網絡空間和電磁頻譜中競爭并獲勝。戰術情報定位接入節點利用空間、高空、空中和地面傳感器，直接向火力系統提供目標，并為支持指揮和控制的目標定位和形勢理解提供多學科情報支持。最后，通過分布式共同地面系統，陸軍提高了情報周期的速度、精度和準確性。

伴隨著這些舉措的是士兵培訓和人才管理方法，旨在最大限度地提高對目標定位和決策的情報支持。從2028年MDO AimPoint部隊開始，陸軍情報部門將繼續改進軍事情報隊伍，以支持2035年及以后的MDO AimPoint部隊。

這一概念確定了陸軍情報部門將如何轉型，以支持陸軍和聯合部隊在整個競爭過程中與同行競爭者抗衡。

圖1 邏輯圖

摘要

人工智能（AI）和機器學習（ML）有望對聯盟的多領域混合行動產生變革性影響。在戰術邊緣的聯盟行動中，支持情景理解的人工智能/機器學習方法目前有相當大的研究興趣。聯盟行動需要分布式人工智能/機器學習，它對復雜的多行為體情況具有強大的能力。高度復雜性信息需要通過一系列傳感方式來收集，并根據人類的需求和能力來進行高速處理。自2016年以來，美國/英國分布式分析和信息科學（DAIS）聯合計劃研究正在解決聯盟對可適應、可信賴和有彈性的AI/ML的需求：可適應的人工智能是指能夠在動態情況下快速適應的人工智能系統；可信賴的人工智能是指人類用戶能夠快速校準他們對人工智能系統的信任；有彈性的人工智能涉及對對手攻擊和欺騙有彈性的人工智能系統。

本文重點關注以快速整合利用聯盟人工智能/機器學習資產為中心的DAIS研究，包括符號（基于邏輯）和亞符號（基于深度神經網絡）方法。本文的重點是，我們考慮了涉及檢測相互關聯的事件模式，這些事件形成了只有稀疏的訓練數據（對于機器學習）可用的情況。快速信任校準是通過可解釋的人工智能--涉及可解釋的符號和亞符號方法--和不確定性的有效管理--考慮不確定性的啟示和認識結合來解決的。雖然這不是本文的主要重點，但通過顯示綜合神經符號系統對有針對性的模型中毒對抗性攻擊的穩健表現，以及可解釋的人工智能/機器學習服務對多模態傳感數據的處理使綜合系統更難被攻擊，我們考慮了復原力。為了更容易地吸收工作計劃，我們使用了一個基于北約Anglova演習的城市環境中協調攻擊的單一綜合案例研究。

本文重點關注以快速整合利用聯盟AI/ML資產為中心的DAIS研究，包括符號（基于邏輯）和亞符號（基于深度神經網絡）方法。本文的重點是，我們考慮了涉及檢測相互關聯的事件模式環境，這些事件形成了只有稀疏的訓練數據（對于ML）可用的情況。快速信任校準是通過可解釋的人工智能--涉及可解釋的符號和亞符號方法--和不確定性的有效管理--考慮不確定性的啟示和認識類型的結合來解決。雖然這不是本文的主要重點，但通過顯示綜合神經符號系統對有針對性的模型中毒對抗性攻擊的魯棒表現，以及采用可解釋的AI/ML方法對多模態傳感數據處理，使得綜合系統更難被攻擊。此外我們考慮了系統的彈性力。為了更容易地解讀工作規劃，我們使用了一個基于北約Anglova演習的單一綜合案例研究。

引言

軍事行動通常涉及與聯盟伙伴合作，在面對快速演變的局勢時采取有效措施。實現聯盟態勢理解（CSU）既包括洞察力，即認識現有的情況，也包括預見力，即學習和推理，以便對這些情況進行推斷，利用整個聯盟的資源，包括各種模式的傳感器反饋和分析服務。因此，軍事信息處理系統需要能夠近乎實時地識別分布在時間和空間上的重要活動模式，而不會產生太多的錯誤告警信息。用信息處理的語言來說，這要求有能力識別一組單獨事件之間的關系。近年來，適用于CSU的人工智能（AI）和機器學習（ML）技術取得了重大進展。基于深度學習的人工智能系統正在不斷提高其識別此類單個事件的能力。然而，這種基于深度神經網絡的最先進的ML技術需要大量的訓練數據；但不幸的是，CSU中代表性訓練實例通常是稀少的。此外，基于ML的分析服務不能是 "黑盒子"；它們必須能夠解釋它們的輸出，并量化它們在決策中的不確定性，以使用戶能夠校準他們對基于AI的資產的信任，并且這個過程應該是快速的。

我們描述了一種綜合的CSU方法，它將深度神經網絡與符號學習和推理，以及可解釋性和不確定性的技術結合起來，集成在一個有利于人類與人工智能合作的環境中。該方法支持多模式傳感數據的處理，并強調了兩個關鍵特征。

• 人類能夠通過增加新的規則迅速注入關于行動模式的新知識或假設--這意味著在沒有足夠的時間或數據來訓練深度學習模型的情況下也能識別模式。
• 對訓練數據的需求大大減少（當感興趣的模式例子相對稀少時尤其重要），且人工智能模型訓練更快，檢測精度比 "純 "深度學習方法有所提高。

我們的方法是松耦合的，基于開放架構的開源軟件，基于人工智能的資產可以在網絡邊緣設備上運行，因此適用于戰術傳感器系統。我們的綜合方法旨在使基于人工智能的國防CSU系統具有以下特點：（1）適應性強，能夠以 "戰斗的速度 "學習和適應；（2）可信，意味著人類用戶能夠迅速校準他們對基于人工智能資產的信任；以及（3）對對手的攻擊和欺騙有彈性。本文報告了自2016年以來在美國/英國分布式分析和信息科學（DAIS）聯合計劃中進行的研究。為了更容易吸收該工作計劃，我們在一個綜合場景中介紹了關鍵的科學和技術組成部分：城市環境中的協調攻擊。

摘要

本文旨在展示開源數據的潛力，結合大數據分析和數據可視化，以表明特定領域的彈性水平，其中包括北約彈性評估的基線要求(blr)。

本文中描述的概念驗證提取了特定領域的相關彈性指標，涵蓋了包括能源和交通在內的選定基線要求。概念驗證使用交互式儀表板，允許終端用戶從多個角度探索可用的公共數據，以及對這些數據進行高級分析和機器學習模型的結果。

關鍵詞:大數據分析，機器學習，彈性，能源，交通，媒體

引言

軍隊越來越意識到大數據分析在作戰和戰略決策中的重要性和作用。在正確的時間獲得相關信息一直是做出最佳決策的關鍵因素。今天，這種影響甚至更大，因為數據和信息可以大規模收集并提供給每個人。技術和人工智能方法成為利用數據的巨大推動者[1]。

廣泛可用的開源數據來自媒體、科學文章、相關(專家)門戶網站，涵蓋經濟、政治、社會、能源、交通運輸等帶來了創造更有洞察力的背景的可能性，并通過分析各種來源和整合結果為任何評估提供了有價值的新維度。

從軍事角度來看，我們從開源數據中確定了許多跨不同領域的重要指標，這些指標可以用于評估整個聯盟的戰備和恢復能力。來自不同領域的許多指標似乎相互影響，可以相互關聯。

在去年，北約CI機構數據科學團隊參與了一項創新性的概念驗證，包括轉型和作戰命令，如ACT、SHAPE和JFCBS;為了識別、提取、計算和呈現開源數據中最相關的指標，以支持整個聯盟的彈性評估。由于彈性評估是一項復雜的評估，它依賴于許多不同領域和事件的關系，因此該項目定義了較小的范圍，重點關注以下關鍵領域:

?關鍵基礎設施——醫院、發電廠、港口、液化天然氣接收站和軍事設施

?能源——專注于電力和天然氣

?交通——專注于空運、公路、海運和接近實時的交通指標

?媒體——態勢感知

其主要目標是通過使用來自公開數據集的大數據來確定相關指標。然后創建有用的策劃數據和機器學習(ML)模型，以識別相關關系，并提供對當前情況和破壞性事件影響的見解。為了提高結果的準確性，我們最初關注于一個特定的地理區域。

摘要

混合沖突的分析、評估和決策是復雜的，原因有很多：混合活動的信號是多維的；結合多種類型的信息是必要的；許多混合沖突是隱蔽的，或者很難從正常的國家與國家的關系中分辨出來。對混合沖突的評估需要包括對手行為者的戰略目標、被利用的社會脆弱性和背景事件、跨社會領域的活動，以及對目標社會的影響。在早期的工作中，我們根據混合沖突的這五個要素提出了一個分析過程。在本文中，我們在這項工作和更廣泛的情報文獻的基礎上，解決如何進行混合沖突評估的問題。具體來說，我們概述了一個詳細的評估過程，為決策者提供對形勢的了解，以選擇對混合威脅的預防性和反應性反應。所提議的程序的優點在于它對混合沖突的綜合評估，結合了目標社會的觀點和對手行為者的觀點。此外，所提出的評估功能依賴于人類產生的分析性見解--考慮到背景、模糊性、規范性--和從傳入數據中產生的信號--考慮到結構化和結合來自多個來源的信息--之間的持續互動。這種綜合視角超越了傳統的分析方法。我們提出的評估很適合引導人類和自動化情報的結合，并提供了一個分析方法和工具的藍圖，以應對混合沖突中的決策挑戰。

引言

混合沖突是國家之間的一種沖突，大多低于公開戰爭的門檻（見歐盟等的定義，2018年，北約，2019年和荷蘭層面的定義，NCTV，2019年）。混合沖突中的國家使用許多國家權力的措施來影響其他社會。這些措施包括外交、信息、軍事、經濟、金融、情報和執法手段。戰略層面上的混合沖突案例研究需要敘事和社交媒體操縱、針鋒相對的金融和經濟制裁、外交威脅、大規模軍事演習和許多其他全社會的互動。許多類型的混合威脅在前些年的經驗中是已知的。例如，美國的選舉影響，中國通過基礎設施投資的影響，以及俄羅斯在破壞烏克蘭穩定方面的努力。

混合沖突給決策者帶來了不同的挑戰。這是因為公開的軍事對抗大多被避免，只有低于武裝沖突的法律門檻的活動才被應用。網絡領域和信息領域是針對政府和社會的影響活動發生的主要領域。由于混合沖突中許多活動的隱蔽性或模糊性，在將活動歸于國家行為者方面存在很大問題。最后，混合沖突是對各種手段和方法的創造性安排，它創造了新的情況，對分析來說具有內在的挑戰性。在這篇文章中，更詳細地研究了在面臨上述挑戰時對混合沖突的評估。

摘要

混合戰爭為沖突推波助瀾，以削弱對手的實力。相關的行動既發生在物理世界，也發生在媒體空間（通常被稱為 "信息空間"）。防御混合戰爭需要全面的態勢感知，這需要在兩個領域，即物理和媒體領域的情報。為此，開源情報（OSInt）的任務是分析來自媒體空間的公開信息。由于媒體空間非常大且不斷增長，OSInt需要技術支持。在本文中，我們將描述對物理世界的事件以及媒體事件的自動檢測和提取。我們將討論不同類型的事件表征如何相互關聯，以及事件表征的網絡如何促進情景意識。

引言

開源情報（OSInt）的任務是探索和分析可公開獲取的媒體空間，以收集有關（潛在）沖突的信息，以及其他主題。所謂 "媒體空間"，我們指的是通過傳統媒體（如電視、廣播和報紙）以及社交媒體（包括各種網絡博客）傳播的非常龐大、快速且持續增長的多語種文本、圖像、視頻和音頻數據語料庫。社會媒體大多是平臺綁定的。平臺包括YouTube、Twitter、Facebook、Instagram和其他[1,2]。在很大程度上，媒體空間可以通過互聯網訪問。很多部分是對公眾開放的。然而，也存在一些半開放的區域，其中有潛在的有價值的信息，但并不打算讓所有人都能接觸到，例如Telegram和Facebook頁面。

媒體空間提供關于物理世界的信息：發生了什么？哪些事件目前正在進行？未來計劃或預測會發生什么？它對物理世界的事件反應非常快，也就是說，幾乎是立即提供信息[3]。因此，媒體空間似乎是物理世界中事件的一個有希望的 "傳感器"。然而，從鋪天蓋地的大量信息中檢索出特別相關的信息仍然是一個挑戰，因為到目前為止，所提供的大多數信息是完全不相關的，至少對軍隊來說是如此。此外，媒體空間并不一致--它包括真實和虛假信息，因此，事實核查是一個進一步的挑戰。

除了作為物理世界的傳感器，媒體空間還是意識形態、意見和價值觀的論壇。它是一個重要的空間，用于協商一個社會認為是允許的、規定的或禁止的東西，并用于表現情緒和偏見。因此，它已成為混合戰爭的戰場，即以 "通過暴力、控制、顛覆、操縱和傳播（錯誤的）信息"（[4]，第2頁）為目的進行的行動。(錯誤的)信息行動導致我們稱之為 "媒體事件"。媒體事件可以被觸發，以影響情緒、意識形態和公眾對物質世界的看法。

【摘 要】

本報告提供了對機器學習 (ML) 技術的基本理解，并回顧了它們在國防和安全領域的應用。其目標是開發ML的內部專業知識，以支持與加拿大皇家海軍(RCN)海上信息戰(MIW)概念和愿景相一致的能力發展。本文進行了文獻回顧以收集有關在軍事和民用場景中實施和使用的 ML算法信息。結果表明，海軍必須適應和接受新技術，以便在所有 RCN的數據驅動決策中有效利用所有信息。這可以包括使用自動化、大數據分析、云計算、人工智能 (AI) 和 ML。這樣做可以減少與繁瑣任務相關的操作工作量，進而最大限度地減少人為錯誤和超負荷。這項研究表明，ML有可能提供新的或增強的能力，以支持 MIW 的概念，以及滿足使用現有和未來信息源的 RCN 的需求。這意味著開發利用這些技術的必要技能將使加拿大武裝部隊（CAF）受益。憑借這些專業知識和這些技術的適當應用，軍方將有能力在必須進行快速數據驅動決策的情況下更有效地利用其信息源。

【對國防和安全的意義】

本報告旨在就如何將人工智能和機器學習技術應用于支持加拿大皇家海軍與海上信息戰相關概念和目標，而建立基本的理解和專業知識。對這些技術及其在國防和安全領域的應用進行了回顧。

1 引言

在過去的十年中，加拿大國防部 (DND) 和加拿大皇家海軍 (RCN) 引入了新的概念和方法，以幫助提升其服務水平。其中許多概念引入了新技術，旨在增強信息空間在作戰級（即作戰職能）和事業級（即管理職能）方面的防御能力。在作戰層面，這些舉措得到了一系列文件的支持，這些文件強調了信息戰的重要性及其在 RCN 內的實施和執行。

2015年，海上信息戰（MIW）的概念被引入[1]。本概念文件概述了在信息環境中運作對 RCN 及其內部可能產生的影響。這一概念的引入清楚地強調了能夠利用該領域中可用信息源的重要性。它討論了信息的影響，基于其廣泛的可用性以及 RCN 的依賴性和使用該信息支持作戰的能力。

采用新的概念和技術進行能力開發并非沒有挑戰。這需要更有效的處理技術來處理在 MIW 的功能區域內收集的大量和各種數據。此外，概念文件還討論了 MIW 與物理、虛擬和認知領域的關系，表明在戰爭中使用所有領域的信息作為 RCN 的寶貴資源的重要性。

2016 年，RCN 發布了一份信息戰戰略文件，重點關注為國家和國際部署開發 MIW 能力 [2]。該戰略文件討論的主題包括有效收集、利用和傳播信息的重要性。該戰略還認識到并傳達了信息戰是RCN可以同時采取防御和進攻行動的地方。

2017年，加拿大國防政策發布[3]。盡管它沒有直接處理信息領域，但它承認信息對 RCN 的重要性，這在 2019 年和 2020 年分別發布的 DND 數據戰略 [4] 和 RCN 數字海軍 [5] 報告中得到了回應。數字海軍支持國防政策創新目標，其中包括適應和接受新技術的能力，而數據戰略涵蓋了如何利用技術在RCN 社區中做出數據驅動的決策。這可以包括使用自動化、大數據分析、云計算、人工智能 (AI) 和機器學習 (ML)。在操作上，期望通過這些技術對更繁瑣任務的自動化實施來減少海軍團隊的日常工作量，進而最大限度地減少人為錯誤和疲勞，提高整體作戰效率。

這些文件中包含的首要主題強調了 RCN 采用新的數字能力成為一個信息組織的重要性，其中信息在戰爭環境中被使用，但也被用作工具。使用和利用信息來支持 RCN 的現代工具、技術和專業知識是能力發展的關鍵。在此之后，我們顯然需要一個強大的、知情的、由信息科學、人工智能和機器學習專家組成的科學團體。

這項工作背后的動機是在 MIW 領域內建立科學專業知識，以支持 RCN 的目標。為實現這一目標，以下報告將回顧可在防御和安全領域中使用的 AI 和 ML 技術。除了這篇綜述之外，本文還將介紹這些與 RCN運作相關的技術的應用，例如艦艇監視、目標檢測以及使用生成建模來支持運作。

這項工作的總體目標是為如何將 AI 和 ML 技術應用于 RCN 挑戰提供科學基礎和理解。建立這些新興技術的專業知識不僅是支持當前運作目標的必要條件，也是對開發和塑造未來能力的投入。這種向算法決策制定的轉變與 MIW 的概念非常吻合，因為它認識到信息在戰爭中的使用至關重要。還提出并討論了 ML 未來的工作和研究主題。

5 機器學習在國防和安全中的應用

2、3、4章節簡要回顧了在計算機科學和數據分析中使用的機器學習技術。這些技術同樣適用于海上防御和安全領域中經常發現的問題。本節概述這些技術及其在這個領域的應用，特別是海上探測和監視有關的任務。此外，還將討論生成對抗ML方法的應用。需要注意的是，這些部分并不是對這個領域中已經完成的研究的全面回顧。相反，本文的目的是概述如何使用這些技術改進和開發與RCN相關的新功能。

5.1 艦艇監視

艦艇行為分析是與海上監視和安全相關的關鍵組成部分。這種分析的結果依賴于捕獲和利用艦艇活動數據的能力。用于海上監視的數據源包括：自動識別系統 (AIS) 數據、天基 AIS、雷達數據等。這種監視形式允許分析師進行船只航跡重建、路徑預測、異常艦艇交通監視，這些在海上領域非常重要，有助于發現恐怖主義、海盜、毒品和武器走私、非法移民和非法捕魚等非法活動。

5.1.1 機器學習應用

各種各樣的機器學習算法和技術可以應用于海事問題并提供有價值的見解。為了支持預測模型的開發，可以使用的技術包括：

? 聚類：無監督聚類方法已用于為海事和艦艇監視提供洞察力。這些聚類算法已應用于 AIS 數據。具體來說，已經報道了基于這些方法對艦艇運動實時預測的可靠性和準確性的研究[25]。還使用應用于基于空間的 AIS21 的 K-means 聚類算法來研究艦艇避撞，以評估航行穩定性和檢測異常行為[26]。研究人員還探索了使用聚類和 AIS 數據流來支持搜索和救援行動[27]。

? 決策樹：使用模糊粗略決策樹算法，研究探索了執行艦艇類型行為學習的能力[28]。對艦艇活動進行可靠和有效的表征可以提高海域態勢感知。這是通過使用包含運動學、靜態和環境信息等軌跡特征的概括向量來實現的，其中軌跡是通過融合 AIS、合成孔徑雷達 (SAR) 和天氣報告來創建的。

? 隨機森林：研究已使用隨機森林算法開發用于艦艇監視和跟蹤的各種目的的模型。由于多種原因，基于 AIS 的艦艇運動往往會丟失數據。例如，這些失誤可能是由于惡劣天氣造成的。為了檢測這些記錄，這些技術已被用于自動識別船只軌跡中缺失的位置記錄[29]。隨機森林也被用于創建預測船只目的地的模型。在艦艇離開特定港口后使用歷史 AIS 數據確定目的地點的能力也已被研究 [30]。這也通過比較當前和歷史軌跡數據進行了研究，以便根據相似性度量來預測最終位置[31]。

? 關聯挖掘：創建關聯規則的模型通常用于購物籃分析場景。然而，當應用于 AIS 數據源時，這種算法為艦艇運動分析提供了有用的見解。使用關聯挖掘進行的研究提供了有助于發現艦艇運動模式的洞察力。此類運動包括：軌跡預測，估計艦艇接下來最有可能訪問的港口[32]，并在收到新消息時預測艦艇的位置，并計算有和沒有艦艇位置插值的關聯概率[33]。

? 支持向量機：支持向量機執行回歸和分類任務。支持向量回歸用于研究異常艦艇行為的檢測。當前檢測異常行為的方法是利用艦艇運動的突然變化。然而，與海上事故相關的導航數據可以模擬正常情況。為了解決這個問題，使用 SVR 航道模型及其路線提取方法，開發了一個模型來檢測異常艦艇行為 [34]。該研究的目的是定義“通過將導航數據分配給位置基礎來確定異常行為的可接受的最大值和最小值”[34]。除了SVR研究之外，科學家們還研究了SVM在檢測和分類異常艦艇行為方面的應用。通過從原始AIS數據中提取海上運動模式，對異常艦艇行為的識別和分類提供了新的信息[35]。

? 人工神經網絡：人工神經網絡 (ANN) 已被用于幫助預測北極的船只速度，因為該地理區域氣候變化帶來的交通量增加[36]。 AIS 數據的使用允許模型根據位置、時間、艦艇用途、大小和冰級來預測艦艇的速度。在[37]中，作者使用神經網絡作為一個基于云的web應用程序來預測未來的艦艇行為。它能夠將預測的短期和長期行為疊加到交互式地圖上。除了預測艦艇航線，人工神經網絡也被用于調查異常檢測事件。具體來說，該研究著眼于AIS轉發器中觀察到的有意和非有意的切換，因為這種活動可以用來隱藏可疑或非法活動[38]。

?卷積神經網絡：AIS、雷達、高精度攝像機和電子海圖等信息源為理解海上態勢感知提供了有用的信息。利用這些來源，CNN可以提取艦艇運動模式。在[39]中，作者通過將原始AIS數據轉換成保存艦艇運動模式信息的圖像數據結構，利用歷史AIS重建艦艇軌跡。然而，使用AIS系統的艦艇軌跡重建技術存在原始數據含有噪聲、記錄缺失和其他錯誤。許多研究在進行彎曲軌跡或高損失率的艦艇重建時面臨困難。為了克服這些障礙，[40]的作者使用了一種健壯的CNN架構，稱為“U-net”。這種架構能夠處理不同采樣率的軌跡、丟失的數據記錄和其他噪聲相關問題的軌跡。

? 循環神經網絡：艦艇監測通常依賴于存在許多問題的 AIS 數據。AIS源可以表示大量數據，除了具有不規則的時間戳和丟失的記錄外，這些數據有時可能會非常臟亂。已經進行了研究以幫助解決這些問題。研究 [41] 使用多任務深度學習框架，將 RNN 與潛在變量建模相結合，以幫助在執行軌跡重建、異常檢測和艦艇識別等任務時處理這些問題。 [29]中的作者利用隨機森林來識別丟失的記錄，并使用 LSTM 架構來重建缺少 AIS 記錄的船只軌跡。結合統計分析、數據挖掘和神經網絡方法監測內河艦艇數據[42]。具體來說，LSTM 用于艦艇軌跡修復、發動機轉速建模和燃料消耗預測。在另一項研究 [43]中，由于與設備故障、傳輸延遲和信號丟失有關的問題，需要在分析之前對 AIS 數據進行預處理。作者通過將 LSTM 與變量建模相結合來執行軌跡重建，同時考慮異常軌跡數據和艦艇航行狀態。這一努力將有助于減少艦艇碰撞的風險，并支持其他研究途徑，如艦艇類型分析、風險評估、軌跡預測和航線規劃。

5.1.2 對比分析：為確定艦艇類型而開發的機器學習模型

監視海域中的艦艇行為對于檢測可能表明存在非法活動的異常情況至關重要。收發器用于報告 AIS 數據流，其中包含有關船只及其軌跡的信息。由于從 AIS 數據流收集的信息是自我報告的，因此可能會出現問題。有意或無意地修改此數據或打開/關閉轉發器會導致間歇性消息，這些消息可能不準確或具有誤導性。這種策略可用于掩飾海上的非法行為和活動。

在某一天，有大量船只在海上作業，人類操作員無法監控和檢測這些事件。因此，可以使用 AIS 數據流以及其他來源來訓練 ML 模型，從而為人類操作員提供自動化支持和洞察力。根據行為特征確定船只類型的能力是 ML 提供的眾多能力之一。探索艦艇類型分類的兩項研究是[28]和[44]。

在[28]中，作者開發了一個模糊粗略的決策樹模型，以根據運動學、靜態和環境信息確定艦艇類型。用于模型開發的訓練數據包含來自加拿大東海岸和美國東北部的 AIS 消息。[44]中給出的結果使用具有來自兩個不同地理區域的軌跡信息的 GANN 執行艦艇分類。第一個是歐洲數據集，其中包括來自凱爾特海、海峽和比斯開灣的海上交通。另一個是東南亞數據集，根據在新加坡附近的海峽和港口以及南中國海開放水域的海上交通中船只的預期運動模式，該數據集被分為三組。

在[44]中，作者使用以下性能指標來評估他們的模型：召回率、精度和 F1分數[45]。作者在他們的報告中使用召回指標作為他們的模型準確性。召回率表示正確識別的實際相似性部分，其中準確度是正確預測的數量與預測總數的比率。假設作者使用召回作為準確率，當將其與[28]中報告的性能進行比較時，此分析將把[44]中的召回指標視為模型準確度。兩項研究都將他們的結果與一系列其他 ML 技術進行了比較，以幫助評估性能。然而，與[44]不同的是，[28]報告了具有不確定性的準確性，從而賦予了性能結果意義，并使模糊粗略決策樹模型與其他標準技術相比更容易理解。除此之外，比較這兩篇論文的結果（沒有不確定性測量）表明，大多數機器學習模型的表現都一樣好。例如，k-最近鄰、樸素貝葉斯、隨機森林和支持向量機在[28]中的性能準確度在[44]中使用的四個數據集中的兩個數據集中的相似鄰域內。具體而言，新加坡港口和海峽周圍海上交通的準確率報告在 47% 到 64% 之間，而[28]中報告的準確率為 45% 到 69%。

[28] 中使用的多層感知器取得的結果表明，它以81.5%的整體準確度優于其他模型，略高于模糊粗略決策樹結果 (80.7%)。[44]中報告的四個不同數據集的準確率在41%到56%之間，非常差。在 [28] 中，對各種參數進行了特征選擇過程，并根據分配的加權值選擇了19個特征中的 10 個。特征及其相關權重為：ship_length (1.0)、avg_speed (0.183)、max_speed (0.183)、speed_st_dev (0.183)、course_st_dev (0.100)、heading_st_dev (0.097)、duration (0.082)、end_point lat (0.055)、start_point_lat (0.052) 和 max_lat (0.051)。[44]中使用軌跡特征來執行分類，利用 AIS 消息中包含的時間戳、經度、緯度、對地航向和對地速度。

這些研究之間選擇用于訓練的特征之間的主要區別之一是[28]中權重和影響最大的特征是ship_length，這不是[44]中使用的特征。模型的成功很大程度上取決于所用數據的質量和數量，但在很大程度上取決于特征選擇。在多層感知器模型的情況下，[44]中使用的軌跡信息特征可能不足以生成準確的艦艇類型預測。這表明了解艦艇的長度是進行此類分類的關鍵指標。在比較[28]中選擇的特征時，ship_length 被分配的權重大約是任何其他特征的五倍。這將使模型在進行分類時更加依賴此特定信息。除了特征選擇和可調超參數外，使用的訓練數據也對模型的成功有影響。數據的特征，如記錄數量、代表性內容以避免過度/不足以及數據完整性，都在成功訓練模型以提供高度性能方面發揮作用。

另一個有趣的觀察結果是，[44]中使用的GANN 報告了其分析中使用的數據集從低 80% 到高 96% 的一系列準確度，平均準確度為 87%。這些結果優于 [28]中使用模糊粗略決策樹報告的80.7% 準確度。關于為什么GANN 的表現似乎更好，有一些可能的解釋。GANN模型基于LSTM-RNN，它允許將時間依賴性構建到模型中。包括這個額外的時間維度可以提供預測洞察力，從而實現更高程度的預測準確性。此外，GANN 模型使用對抗性組件進行訓練，該對抗性組件可能迫使網絡實現更大程度的學習以執行其所需任務。

5.2 目標檢測

目標檢測對于防御和安全的海上環境中的監視和態勢感知都至關重要。然而，這是一項艱巨的任務，因為尺寸、方向和目標配置的變化加上環境背景噪聲和使用的各種傳感器的性能差異很大。所有這些事情只會增加這個問題的整體復雜性。傳統的檢測算法缺乏簡單性和可靠的輸出。深度學習領域的最新研究和進展表明，CNN 可以執行與檢測相關的任務，同時提供高速性能和準確性。開發這些能力正在推動促進防御和安全的技術。

5.2.1 機器學習應用

目前使用 CNN 顯示出前景的能力包括：使用SAR圖像進行艦艇識別和分類以監測海洋區域[46][47]、使用探地雷達[48]進行魚類檢測、海冰SAR圖像分類以監測極地地區的變化并檢測可能威脅海上交通的流冰[49]，并檢測從SAR [50][51] 和遠程傳感器[52]獲得的圖像中的船只。雖然這不是一個詳盡的應用程序列表，但它確實突出了一些與信息戰領域相關的當前 ML 應用程序。特別是，現在將討論 CNN 的兩個有趣的應用。

? 水下聲納圖像的目標識別和分類：研究[53]的研究重點是深度學習特征提取在水下聲納圖像目標識別和分類中的應用。該方法通過 CNN 使用聲納圖像提取目標特征。然后使用 SVM 進行分類。在現代海上作業期間執行自動目標識別和分類可以幫助當局檢測潛在威脅。自主系統，例如基于調查和戰術信息收集圖像的無人水下航行器，是可以利用這種技術的系統。機器學習的這種應用減少了對具有分類目標專業知識的操作員的需求。因此，隨著效率、速度和成本的提高，這個過程有可能變得更加自動化。該領域的一個活躍研究課題包括使用 ML 更好地檢測聲納數據中的類似地雷的物體[54][55]。

? 使用有限數據進行軍事目標識別和分類：CNN等深度學習算法是用于處理圖像和視頻的強大工具，可支持防御和安全功能。目標識別和分類能力對于監視和態勢感知至關重要。然而，所開發模型的成功取決于能否獲得反映被建模數據的關鍵屬性和特征的良好數據集。許多軍事場景中的訓練數據集的大小可能很少。[56]中的作者使用遷移學習和混合神經網絡層的組合來解決這個問題，以開發可以嵌入的先驗知識，以實現對高精度識別任務的特征提取的改進。這樣的發展自然會進入并改進分類過程。

5.2.2 對比分析：為使用聲納圖像進行目標檢測而開發的機器學習模型

自動目標識別在海上作業中發揮著重要作用。無人水下航行器使用聲學傳感器產生聲納圖像，幫助檢測水下目標和威脅，例如水雷。由于噪聲、低對比度和低分辨率，使用聲納圖像進行目標檢測很困難。ML和DL都提供了可以幫助提取特征和重要信息以進行對象檢測和分類的功能。

探討這個問題的兩篇研究論文包括Zhu等人[53]和Bouzerdoum等人[57]的工作。在[53]中，作者使用稱為AlexNet的預訓練NN來執行特征提取，然后使用SVM將檢測到的對象分為兩類：目標和非目標。然后將性能與以下兩種技術進行比較：局部二進制模式和定向梯度直方圖。在[57]中，作者遵循與[53]類似的方法，其中使用預訓練的網絡進行特征提取，并使用 SVM 對檢測到的對象進行分類。然而，在[57]中，對象被分為三個不同的類別：類水雷對象、非類水雷對象和誤報對象。該研究還開發了一個用于分類目的的小型 CNN，并使用了一個名為 ObjectNet23 的預先開發的 CNN 來執行相同的任務。所有這三種方法都在它們的整體性能方面進行了比較。

兩項研究都測試了用于特征提取的預訓練 CNN 和用于分類的 SVM 的應用。結果表明，[53]和[57]的性能準確率分別為 95.9% 和 76.2%。鑒于這些方法相似，人們不會期望這些結果會有大約 20% 的差異。兩個系統都使用預訓練的網絡進行特征提取。有趣的是，[57]考慮了不同的 CNN 架構，包括 VGG16 和 VGG19。這些網絡是基于 AlexNet 網絡的架構構建的，但經過改進。

奇怪的是，[57]中使用VGG的方法不會勝過[53]中使用 AlexNet 的技術。這樣的結果可以用許多因素來解釋。作者沒有指定用于訓練VGG網絡的數據集。用于訓練的數據質量和數量可能會影響模型的性能，從而使 AlexNet 能夠更好地提取特征。該問題也可能存在于SVM執行的分類中。用于訓練這些系統的數據可以極大地影響預測結果，因為在該領域很難獲得大量標記數據。兩項研究都進行了數據處理并使用增強技術來增加數據集的大小，這不如擁有更多“真實”數據點有效。此外，應注意分類類別的差異。[53]和[57]中檢測到的對象分別分為兩類和三類。擁有額外的類并嘗試檢測特定對象會更加復雜，并且可能會降低這些模型的整體性能準確性。

盡管這些研究使用了類似的方法來實現預訓練的 CNN 和 SVM 來執行目標檢測，但[57]也為此任務開發了一個小型 CNN。小型 CNN 的性能優于預訓練的 CNN + SVM 模型，準確率達到 98.3%。與大型 CNN 不同，較小尺寸的 CNN 需要訓練的參數顯著減少，從而在數據樣本有限時減少過度擬合的機會。這可能是小型 CNN 和預訓練 CNN 之間顯著性能差異的原因+ SVM 模型。

5.3 生成對抗網絡應用

艦艇檢測在軍用和民用環境中發揮著重要作用，各種類型的成像傳感器用于檢測、跟蹤和分類艦艇。因此，DNN 的引入改變了軍隊執行任務的方式。生成網絡提供了生成代表歷史數據記錄的數據或樣本的能力。此功能提供了新的數據樣本，可用于在軍事場景中訓練智能系統，在這些場景中，由于可用性、安全分類和成本，數據通常難以收集。但是，其他國家也可以使用相同的過程來創建對抗性數據，這些數據有可能危及易受此類攻擊的國家系統。因此，GANN 的實現既可以用于進攻性場景，也可以用于防御性場景。這些網絡可用于訓練預測、分類和產生可靠輸出的智能系統，以發展未來的軍事能力。 GANN 還提供了執行對抗性攻擊以欺騙對手系統的能力。

5.3.1 機器學習應用

GANN與國防和安全領域相關的應用包括：

? 對抗性偽裝：偽裝在軍隊中被用作一種策略，以阻止對手在視覺上檢測和分類軍事物體的能力。此類任務傳統上由人類觀察者執行。然而，戰斗空間在不斷發展，自主軍事代理和人工智能在此類任務中的使用也在增加。這一變化促使科學家們研究偽裝是否能有效對抗這些聰明的對手，或者是否有可能設計出能夠迷惑這些人工智能對手的偽裝。2019 年，對這個問題進行了調查，其中NN被訓練來區分和適當分類軍用和民用船只 [58]。這項研究的結果表明，如果 GANN 生成的模式覆蓋在軍艦的某些部分上，則針對此類圖像分類訓練的 NN 可能會混淆這些模式。這種技術被稱為對抗偽裝。進一步的研究 [59]研究了如何使用這種方法來欺騙選擇的幾個NN分類器。通過這樣做，他們能夠將分類的整體準確性降低到被認為不可靠的程度。在研究 [60]中，研究了迷彩圖案的穩健性和通用性。這些模式在研究中被稱為補丁，并且發現通過在補丁生成器的訓練中實施降級過濾器，作者表明他們能夠提高這些補丁的整體魯棒性或有效性。

? 特定發射器識別：[62]中報告了使用GANN開發的半監督特定發射器識別 (SEI)應用程序。此應用程序是針對與基于接收到的波形對發射器進行 SEI 分類相關的問題而開發的。這些波形容易受到可能導致單個發射器表示不準確的因素的影響。SEI在包括無線電和無線網絡安全在內的各種軍事應用中都很重要。

? 時空數據：2020 年，報告了與時空數據一起使用的 GANN 架構以及衡量此類模型性能的常用評估方法 [63]。這些架構已被用于執行軌跡預測和時間序列。盡管在該領域正在進行重要的研究，但執行時空數據預測的能力對研究人員來說是一個持續的挑戰。特別是對于時空應用是一個新領域的GANN。[63]中討論的最近工作強調了與數據生成相關的問題，這些問題會影響研究人員理解數據特征的能力。

5.3.2 對比分析：針對對抗偽裝開發的機器學習模型

對抗性偽裝用于防止軍事資產被發現和分類。傳統上，偽裝是通過使用大網或油漆來幫助隱藏人類觀察者的飛機或船只等資產來實現的。然而，隨著使用智能系統執行傳統上由人類執行的分類任務，戰場空間發生了變化。Adhikari等人[64] 和Aurdal 等人[58]進行的兩項研究，如何使用對抗偽裝來欺騙或誤導這些智能系統執行的自動對象檢測。在[64]中，基于補丁的對抗性攻擊被用來掩飾軍事資產不受無人駕駛空中監視的影響。該研究使用神經網絡創建覆蓋在軍事資產上的各種補丁，以防止自動檢測目標物體。對于這些研究，感興趣的目標對象主要是飛機。[58]中進行的工作訓練了一個可以檢測和分類軍用和民用船只的 NN。對第二個網絡進行了訓練，以生成用于防止對軍艦進行檢測和分類的補丁。

這些研究使用對抗性補丁來防止智能系統檢測或錯誤分類資產。兩項研究都表明，對抗性偽裝既可行又有效，但在現實世界中并不可行。貼片的設計可能相當復雜，因此很難將其復制到飛機或船只的外部。與[58]不同，[64]確實試圖通過將現實世界的適用性構建到損失函數中來解決這個問題。然而，這種方法是否充分并不明顯。

在比較這些作者所采取的方法時，[64] 中防止檢測的目標似乎更可行，部分原因是避免了與國際人道主義法相關的問題。相比之下，作者在 [58] 中的意圖是使用對抗性偽裝來實現將軍用船只錯誤分類為民用，顯然會陷入法律戰爭問題。然而，[64] 中采用的方法對于 [58] 中的船只可能更復雜，因為它們沒有與部署在陸地上的軍事資產相同的多樣化環境。這表明在考慮對抗性偽裝的應用時，能夠避免檢測是兩種方法中更好的方法。

此外，[58] 中使用的數據集由世界各地用戶上傳的圖像組成，這些圖像主要由艦艇輪廓組成。該數據集不太可能包含每艘船的足夠的方面數據。此外，[64] 專注于航拍圖像，而 [58] 則沒有。在海上的任何軍事場景中，用于檢測船只的數據集很可能包含空中數據。擁有完整的數據集將允許模型為這些艦艇的不同方向生成補丁，而不僅僅是輪廓補丁。為實際使用實施對抗性偽裝不僅需要此類數據，還需要適當的技術來實施。

最后，[64] 的訓練數據顯著減少，它使用稱為 YOLO26 的標準預訓練網絡進行目標檢測。該網絡是對語義對象進行分類的通用模型，并未經過專門訓練以檢測空中目標。然而，在[58]中建立并訓練了一個鑒別器網絡來專門檢測和分類艦艇。使用這種專門的鑒別器網絡的目的是提高創建補丁的網絡的整體性能。如果[64]的作者使用專門的鑒別器網絡而不是他們的預訓練網絡，他們將獲得什么性能提升，這將是一件有趣的事情。

6 總結和未來工作

技術進步已經并將繼續改變與現代戰爭相關的所有戰場空間。隨著機器學習、人工智能和自主代理的引入，軍方必須學會調整這些不斷發展的技術并將其整合到他們的系統中。DND和RCN都已主動引入和使用此類技術，目的是提高整體防御和安全性。本節將總結本文的內容，并討論作為文獻回顧的結果將進行的未來工作。

6.1 總結

本報告探討了深度學習和機器學習技術，這些技術可用于開發流程以支持 RCN 實現其既定目標所需的自動化和高效率。例如，回歸是一種進行未來預測的簡單方法，無監督聚類方法通過檢查和分組具有相似特征的數據點來推斷新信息，決策樹和隨機森林允許分析師評估選項并根據準確度估計進行分類，關聯挖掘創建可以檢測行為和模式的規則集，支持向量機允許分析師根據多種核函數選擇在高維空間中進行有效的預測和分類。此外，神經網絡很重要，因為它們可用于開發支持自動化的工具。例如，感知和深度神經網絡提供了人類不容易執行的分析能力；卷積神經網絡可以輕松處理具有網格狀拓撲結構的數據，例如音頻信號、圖像和視頻；遞歸神經網絡可以處理序列數據并處理長期依賴關系；生成建模技術可以執行密度估計和樣本生成，以支持一般的訓練模型或支持防御和進攻行動。

這些學習算法和技術的應用為分析師提供了洞察力并簡化了繁重的任務。在國防和安全的背景下，它們在能力開發周期中的應用顯示出巨大的前景。具體而言，本報告重點介紹了三種此類應用，包括艦艇監視、目標檢測以及對防御和進攻行動的支持。相當多的機器學習重點是艦艇監控，特別是航跡重建、防撞、航跡預測、目的地預測等。該研究領域已經研究并報告了許多機器學習算法的應用。目標檢測對于海上環境中的監視和態勢感知都至關重要。用于物體檢測的卷積神經網絡已被用于對船只進行分類、發現水雷、檢測海冰、使用水下聲納圖像進行分類、檢測具有有限數據的軍事物體等。生成對抗神經網絡可用作支持密集操作的工具和防守。此外，在國防和安全領域，它們已用于樣本生成、生成對抗偽裝、用于支持特定發射器識別，并用于時空數據應用，包括軌跡預測和時間序列插補的事件生成。

這些技術在國防和安全領域的適當應用可以為軍方提供情報，這些情報可以在必須進行快速數據驅動決策的情況下加以利用。本文提供了對 ML 技術應用背后的基礎知識的基本理解，以幫助構建使用符合 RCN 既定目標的新技術支持和構建能力所需的內部專業知識。對發展這種專業知識的任何投資都將有助于塑造應對現代戰場所帶來的挑戰所需的未來能力。這些空間在本質上變得越來越技術化，因此，DND 和 RCN 必須學習如何適應和改變，以便在這些環境中發揮作用。對于 RCN，利用技術援助利用數據和信息對于海上信息戰概念的成功至關重要。

6.2 未來工作

第 5 節中的討論涉及與 MIW 相關的防御和安全領域的各種 ML 應用。當前研究的一個共同主題是對艦艇監視的內在興趣。雖然 AIS 數據流是用于高度研究主題的重要信息來源，包括軌跡重建、路徑預測和船只異常行為識別，但文獻缺乏檢測與數據流本身相關的潛在異常。

在研究艦艇監視領域的異常檢測時，文獻傾向于將“異常”稱為可用于掩蓋非法海上活動的 AIS 應答器的有意和非有意開關。然而，研究這個數據流的特征和這個信息源中可能存在的異常是很重要的。檢測和解釋數據流中的異常有助于建立用戶對使用此信息訓練的 ML 模型的信任。模型提供準確和穩健的預測或分類的能力源于使用可靠和值得信賴的數據。因此，有必要將研究工作集中在 AIS 轉發器數據流上。

AIS數據流為各種船舶提供了大量的數據，這些船舶被法律要求在海上發送AIS信息。但是，船舶并不是操作可以產生AIS信息的AIS技術的必要條件。因此，用戶如何相信他們收到的數據是可靠、準確的，并且來自實際船只？這方面的一個例子是虛擬艦艇的存在。在這種情況下，這些船只正在將 AIS 消息傳輸到數據流中，即使它們實際上并不存在。這種類型的惡意注入可以用來迷惑和影響情報人員和決策者。這些虛擬船只的存在是海事運營中心注意到的數據流中的異常現象。因此，它們需要被識別和解釋，以支持決策過程。

在異常行為的背景下，研究虛擬艦艇的檢測是本研究中同樣重要的課題。這些研究將探索第 3 節和第 4 節中討論的機器學習技術的應用。檢測和確定識別虛擬艦艇的關鍵 AIS 信號特征的能力是這項工作的基礎。此外，從 AIS 數據流中刪除惡意注入的能力將大大有助于使信息更加可靠、準確和值得信賴。

情報社區 (IC) 專注于開發和部署未來的尖端技術能力——包括人工智能、機器學習和深度學習——以支持所有源情報分析。在此期間，應部署現有技術，尤其是商業世界中可用多年的人類語言技術和自然語言處理能力，以減輕分析師的工作量，同時提高他們的效率，直到這些未來的系統投入使用。

以下領域的改進將對分析師的日常工作產生最大的影響：

• 信息檢索。部署非布爾搜索功能和桌面搜索應用程序將為分析師提供使用其他搜索策略查找所需信息的方法，并使分析師免于花費大量時間搜索保存在電子文件夾和驅動器中的數據的挫敗感。
• 信息過濾。通過將信息提取和摘要與現有機構信息檢索工具相結合來促進知識發現，以幫助分析師審查大量搜索返回并識別意外關系。

最終，分析師需要一種能力來減少搜索相關信息所需的時間，并為他們提供更多思考、分析和寫作的時間。這種能力不僅應該提供 IC 數據存儲庫的聯合搜索，還應該自動提取和過濾信息，以及以正確的格式推送數據，以便它們可以在其他應用程序中可視化。

高超音速武器正在為戰爭的步伐增添一個新的維度，并將以極快的速度推動戰場上的交戰。這將要求軍事指揮官比對手可用的先進武器和自動化流程更快地采取行動。在這種作戰環境中獲得決策優勢必須從支撐所有軍事行動的情報活動開始。

及時準確的情報提供了支持決策周期的信息優勢。將自動化應用于情報周期的各個方面，并在這些過程中建立信任，將使傳感器到射手的結構成為攔截先進武器和滿足日益增長的及時性作戰需求所必不可少的。不能滿足對及時情報的需求將導致戰場上的決策優勢喪失，隨后喪失戰斗中的作戰主動權，并可能導致戰斗。

基于人工智能 (AI) 的解決方案將在戰場和整個情報周期中提供各種優勢。當與彈性情報、監視和偵察 (ISR) 以及高級分析相結合時，它將為作戰部隊提供前所未有的能力。然而，僅靠人工智能并不能完全解決這一挑戰。我們必須為消費者和整個情報社區 (IC) 建立對源自 AI 流程的情報的信任。信任是啟用它們的關鍵，因此我們有能力從自動化中獲得全部好處。

Drone Wars UK 的最新簡報著眼于人工智能目前在軍事環境中的應用方式，并考慮了所帶來的法律和道德、作戰和戰略風險。

人工智能 (AI)、自動決策和自主技術已經在日常生活中變得普遍，并為顯著改善社會提供了巨大的機會。智能手機、互聯網搜索引擎、人工智能個人助理和自動駕駛汽車是依賴人工智能運行的眾多產品和服務之一。然而，與所有技術一樣，如果人們對人工智能了解甚少、不受監管或以不適當或危險的方式使用它，它也會帶來風險。

在當前的 AI 應用程序中，機器為特定目的執行特定任務。概括性術語“計算方法”可能是描述此類系統的更好方式，這些系統與人類智能相去甚遠，但比傳統軟件具有更廣泛的問題解決能力。假設，人工智能最終可能能夠執行一系列認知功能，響應各種各樣的輸入數據，并理解和解決人腦可以解決的任何問題。盡管這是一些人工智能研究計劃的目標，但它仍然是一個遙遠的前景。

AI 并非孤立運行，而是在更廣泛的系統中充當“骨干”，以幫助系統實現其目的。用戶不會“購買”人工智能本身；他們購買使用人工智能的產品和服務，或使用新的人工智能技術升級舊系統。自主系統是能夠在沒有人工輸入的情況下執行任務的機器，它們依靠人工智能計算系統來解釋來自傳感器的信息，然后向執行器（例如電機、泵或武器）發出信號，從而對機器周圍的環境造成影響.

人工智能被世界軍事大國視為變革戰爭和獲得戰勝敵人的優勢的一種方式。人工智能的軍事應用已經開始進入作戰使用，具有令人擔憂的特性的新系統正在迅速推出。與軍事和公共部門相比，商業和學術界已經引領并繼續引領人工智能的發展，因為它們更適合投資資金和獲取研究所需的資源。因此，未來人工智能的軍事應用很可能是對商業領域開發的技術的改編。目前，人工智能正在以下軍事應用中采用：

• 情報、監視和偵察
• 賽博戰
• 電子戰
• 指揮控制和決策支持
• 無人機群
• 自主武器系統

人工智能和英國軍事

綜合審查和其他政府聲明毫無疑問地表明，政府非常重視人工智能的軍事應用，并打算繼續推進人工智能的發展。然而，盡管已經發布了概述使用自動化系統的學說的出版物，但迄今為止，英國國防部 (MoD) 仍然對管理其人工智能和自主系統使用的倫理框架保持沉默，盡管已經做出了一些重大決定。軍事人工智能的未來用途。

英國國防部一再承諾發布其國防人工智能戰略，預計該戰略將制定一套高級倫理原則，以控制軍事人工智能系統的整個生命周期。該戰略是在與來自學術界和工業界的選定專家討論后制定的，盡管政府尚未就與人工智能的軍事用途相關的倫理和其他問題進行公開磋商。該戰略的主要目的之一是向行業和公眾保證，國防部是人工智能項目合作的負責任合作伙伴。

與此同時，在沒有任何道德指南的情況下，計劃和政策正在迅速推進，主要問題仍未得到解答。英國軍隊在什么情況下會采用人工智能技術？政府認為何種程度的人為控制是合適的？風險將如何解決？英國將如何向其盟友和對手證明英國打算采取有原則的方法來使用軍事人工智能技術？

軍事人工智能系統帶來的風險 上述人工智能的每一種不同的軍事應用都會帶來不同的風險因素。作為國防部總部后臺操作的一部分，對數據進行排序的算法會引發不同的問題和擔憂，并且需要與自主武器系統不同級別的審查。

盡管如此，目前正在開發的人工智能系統無疑會對生命、人權和福祉構成威脅。軍事人工智能系統帶來的風險可以分為三類：道德和法律、操作和戰略。

道德和法律風險

• 遵守戰爭法： 目前尚不清楚機器人系統，特別是自主武器如何能夠滿足戰爭法制定的致命決定和保護非戰斗人員的標準。

-問責制：目前尚不清楚如果出現問題，誰來承擔責任：如果計算機運行不可預測并因此犯下戰爭罪行，懲罰它是沒有意義的。

• 人權和隱私：人工智能系統對人權和個人隱私構成潛在威脅。

• 不當使用：在戰斗環境中處于壓力之下的部隊可能會試圖修改技術以克服安全功能和控制。

作戰應用風險

• 偏見的技術來源：人工智能系統的好壞取決于它們的訓練數據，少量損壞的訓練數據會對系統的性能產生很大影響。

• 偏見的人為來源：當人類濫用系統或誤解其輸出時，可能會導致偏見。當作戰員不信任系統或系統非常復雜以至于其輸出無法解釋時，也會發生這種情況。

• 惡意操縱：軍用 AI 系統與所有聯網系統一樣，容易受到惡意行為者的攻擊，這些行為者可能試圖干擾、黑客攻擊或欺騙系統。

戰略風險

• 降低門檻：人工智能系統帶來了政治領導人在沖突中訴諸使用自主軍事系統而不是尋求非軍事選擇的風險。

• 升級管理：涉及人工智能的軍事行動的執行速度降低了審議和談判的空間，可能導致快速意外升級并造成嚴重后果。

• 軍備競賽和擴散：對軍事人工智能的追求似乎已經引發了軍備競賽，主要和地區大國競相發展其能力以保持領先于競爭對手。

• 戰略穩定性：如果先進的人工智能系統發展到能夠預測敵人戰術或部隊部署的程度，這可能會產生高度不穩定的后果。

本簡報列出了為人工智能設想的各種軍事應用，并強調了它們造成傷害的可能性。它認為，減輕軍事人工智能系統帶來的風險的建議必須基于確保人工智能系統始終處于人類監督之下的原則。

迄今為止，公眾對人工智能和機器人技術進步所帶來的社會變化和風險似乎知之甚少。這份簡報的部分目的是為了敲響警鐘。人工智能可以而且應該用于改善工作場所的條件和對公眾的服務，而不是增加戰爭的殺傷力。