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

專家們一致認為，未來戰爭的特點將是使用人工智能（AI）技術，特別是完全自主的武器系統。這些系統--如美國空軍的 "忠誠僚機 "無人機--能夠在無人監督的情況下識別、跟蹤和攻擊目標。最近在加沙、利比亞、納戈爾諾-卡拉巴赫和烏克蘭等地的沖突中使用這些致命的自主武器系統提出了重要的法律、倫理和道德問題。

盡管人工智能被廣泛應用，但目前仍不清楚人工智能增強型軍事技術會如何改變戰爭的性質和態勢。那些最擔心將人工智能用于軍事目的的人預見到了一個烏托邦式的未來或 "人工智能啟示錄"，機器將成熟到足以主宰世界。一位政策分析師甚至預測，致命的自主武器系統 "將導致世界秩序的劇變，其程度將遠遠超過核武器問世時發生的變化"。其他觀察家則質疑，鑒于通過算法模擬生物智能的復雜性，人工智能系統能在多大程度上真正取代人類。假設人工智能的這種擴展是可能的，那么依賴人工智能的軍隊將承擔數據和判斷成本，這可以說 "使戰爭中人的因素變得更加重要，而不是更加不重要"。

這些觀點雖然有助于討論人工智能對全球政治的潛在影響，但卻無法解釋人工智能究竟會如何改變戰爭的進行，以及士兵們對這一問題的看法。為了解決這個問題，作者最近研究了人工智能增強型軍事技術--整合到不同決策層面和監督類型--如何影響美國軍官對這些系統的信任，從而影響他們對戰爭軌跡的理解。在人工智能領域，信任被定義為一種信念，即一項自主技術在追求共同目標的過程中將可靠地按照預期執行。

圖：XQ-58A Valkyrie "忠實僚機 "無人駕駛戰斗飛行器由人工智能驅動，可在無人監督的情況下識別、跟蹤和攻擊目標。(圖片：美國空軍。 設計：Fran?ois Diaz-Maurin/Erik English）

為了衡量軍方對致命自主武器系統的信任程度，本文作者研究了就讀于賓夕法尼亞州卡萊爾美國陸軍戰爭學院和羅德島州紐波特美國海軍戰爭學院的軍官的態度。軍隊未來的將軍和海軍上將都將來自這些軍官，他們負責管理未來沖突中新興能力的整合與使用。因此，他們的態度對于了解人工智能在多大程度上可能塑造一個由 "戰爭機器人 "陸軍作戰的新戰爭時代非常重要。

研究有三個重要發現。首先，軍官對人工智能增強型軍事技術的信任程度不同，這取決于整合這些技術的決策層以及對新能力的監督類型。其次，軍官可以批準或支持采用人工智能增強型軍事技術，但卻不信任它們，這表明他們的態度不一致，對軍事現代化產生了影響。第三，軍官對人工智能能力的態度還會受到其他因素的影響，包括他們的道德信念、對人工智能軍備競賽的擔憂以及教育水平。總之，這些發現首次提供了軍隊對戰爭中人工智能態度的實驗證據，對軍事現代化、自主武器的政策監督和專業軍事教育（包括核指揮與控制）都有影響。

四種類型的人工智能戰爭

不同國家采用人工智能增強型軍事技術的決策水平（戰術或戰略）和監督類型（人類或機器）各不相同。各國可以優化算法，在戰場上執行戰術行動，或進行戰略審議，以支持總體戰爭目標。在戰術上，此類技術可以快速分析從分布在戰場上的傳感器獲取的大量數據，比對手更快地生成目標選擇，從而提高戰地指揮官的殺傷力。正如網絡安全專家喬恩-林賽（Jon Lindsay）所說，"戰斗可以被模擬為一場游戲，通過摧毀更多的敵人同時保全更多的友軍來贏得勝利"。要做到這一點，就必須大大縮短 "從傳感器到射手 "的時間線，即從獲取目標到攻擊目標的時間間隔。美國國防部的 "利馬特遣部隊"（Task Force Lima）和 "Maven計劃"（Project Maven）都是此類人工智能應用的范例。

在戰略上，人工智能增強型軍事技術還能幫助政治和軍事領導人將關鍵目標（目的）與作戰方法（途徑）和有限資源（手段）（包括物資和人員）相結合，實現同步。在未來的軍事行動中，新的能力甚至可能出現并取代人類，包括制定戰略方向和國家級戰略。正如一位專家所言，人工智能已經顯示出 "參與復雜分析和戰略制定的潛力，可與發動戰爭所需的能力相媲美"。

與此同時，各國還可以調整對人工智能增強型軍事技術的監督或控制類型。這些技術在設計上可以允許更多的人為監督，從而增強決策的自主性。這類系統通常被稱為半自主系統，即仍受人類控制。這種監督模式是目前大多數人工智能增強武器系統（如通用原子公司的 MQ-9 "死神 "無人機）運行的特點。雖然 "死神 "可以自動駕駛，根據地形和天氣條件的變化調整飛行高度和速度，但人類仍然可以做出瞄準決定。

各國還可以設計人工智能增強型軍事技術，減少人工監督。這些系統通常被稱為 "殺手機器人"，因為人類不在其中。在這些應用中，人類行使的監督即使有，也是有限的，甚至在目標選擇決策方面也是如此。決策水平和監督類型的差異表明，在采用人工智能增強型軍事技術后，全球可能出現四種類型的戰爭。

圖：人工智能戰爭的四種類型。(插圖：Fran?ois Diaz-Maurin）

首先，各國可以利用人工智能增強型軍事技術在人類監督下進行戰術決策。這就是保羅-沙雷（Paul Scharre）所說的 "半人馬作戰"。"半人馬 "是希臘神話中的一種生物，上半身像人，下半身和腿像馬，因此得名。半人馬作戰強調人類為戰場目的控制機器，例如摧毀敵方武器庫等目標。

其次，各國可以利用人工智能增強型軍事技術，在機器監督下進行戰術決策。這就從字面上顛覆了半人馬戰爭，讓人聯想到古希臘的另一種神話生物--牛頭人，它有牛的頭和尾巴，人的身體。"牛頭人戰爭 "的特點是在戰斗中機器控制人類和跨領域作戰，從地面上的士兵巡邏到海洋上的戰艦編隊，再到空中的戰斗機編隊，不一而足。

第三，戰略決策加上機器監督，構成了 "人工智能將軍 "或 "單兵 "類型的戰爭。這種方法為人工智能增強型軍事技術提供了非同尋常的空間，以塑造各國的作戰軌跡，但可能會對沖突期間國家間的攻防平衡產生嚴重影響。換言之，人工智能通用型作戰可使各國在時間和空間上獲得并保持對對手的優勢，從而影響戰爭的總體結果。

最后，"馬賽克戰 "保留了人類對人工智能增強型軍事技術的監督，但試圖利用算法來優化戰略決策，以強加和利用針對同行對手的弱點。美國海軍陸戰隊退役將軍約翰-艾倫（John Allen）將這種作戰模式稱為 "超戰爭"，學者們通常將其稱為算法決策支持系統。這些任務包括通過 "實時威脅預測 "過程預測敵人可能采取的行動（這是美國防部新的機器輔助分析快速存儲系統或 MARS 的任務），確定最可行、最可接受和最合適的戰略（Palantir 和 Scale AI 等公司正在研究如何做到這一點），以及調整后勤等關鍵作戰功能，以幫助軍隊在印度洋-太平洋等補給線延伸的有爭議作戰環境中獲得并保持主動權。

美國軍官對人工智能戰爭的態度

為了解決軍官在決策水平和監督類型不同的情況下如何信任人工智能增強型軍事技術的問題，作者于 2023 年 10 月對分配到卡萊爾和紐波特戰爭學院的軍官進行了一次調查。調查涉及四個實驗組，這四個實驗組在決策（戰術或戰略）和監督（人類或機器）方面對人工智能增強型軍事技術的使用有所不同，還有一個基線組沒有操縱這些屬性。在閱讀了隨機分配的場景后，要求受訪者用 1 分（低）到 5 分（高）來評價他們對該能力的信任度和支持度。然后，使用統計方法對數據進行了分析。

雖然樣本不能代表美國軍隊（也不能代表其分支，如美國陸軍和海軍），但它是政治學家所說的便利樣本。這有助于得出極為罕見的見解，了解軍人如何信任人工智能增強型軍事技術，以及這種信任對戰爭性質的影響。

這個樣本也是對人工智能出現后未來戰爭可能發生的變化的理解的一個艱難考驗，因為抽取了過多的野戰軍級軍官，包括少校/中校、中校/指揮官和上校/上尉。他們接受過多年的訓練，是目標瞄準方面的專家，許多人都曾參加過戰斗部署，并對無人機做出過決策。他們也是新興的高級領導人，負責評估新技術對未來沖突的影響。這些特點意味著，樣本中的軍官可能比軍隊中的其他人員更不信任人工智能增強型軍事技術，尤其是那些常被稱為 "數字原住民 "的初級軍官。

這項調查揭示了幾個重要發現。首先，基于對這些新能力的決策水平和監督類型的不同，軍官對人工智能增強型軍事技術的信任程度也不同。雖然軍官們普遍不信任不同類型的人工智能增強型武器，但他們最不信任用于單兵作戰（由機器監督的戰略決策）的能力。另一方面，他們對馬賽克戰爭（人工智能優化戰略決策的人工監督）表現出更多的信任。這表明，軍官們始終傾向于由人類控制人工智能來識別敵方活動的細微模式、生成軍事方案以應對對手的多重困境，或者在長期沖突中幫助維持戰備狀態。

與基線組相比，軍官對人工智能軍事技術的信任度在單兵作戰（18.8%）方面的下降幅度要大于馬賽克作戰（10.5%）--見圖 1。雖然與基線組相比，兩種類型的人工智能增強型戰爭中軍官的平均信任度差異在統計上都很顯著，但用于單兵作戰的新軍事能力比用于馬賽克戰爭的更明顯。此外，軍官對兩類人工智能增強型戰爭的信任概率的平均變化（即人工智能增強型軍事技術對軍官信任的平均邊際效應）僅對單兵作戰具有統計意義。總體而言，這些結果表明，軍官對人工智能增強型軍事技術的不信任程度較低，因為這些技術是在人類監督下用于輔助高層決策的。

這些關于信任度的結果在很大程度上反映了軍官的支持態度。與基線組相比，軍官對用于單兵作戰的人工智能增強型軍事技術的支持程度較低，支持率為 18.3%，統計顯著性幾乎相同。不過，與基線組相比，軍官對牛頭人戰爭的支持程度也高于其他人工智能增強型戰爭模式，支持程度的變化約為 6.5%。這表明，雖然軍官們對用于較高層次決策和人工控制的人工智能增強型軍事技術的不信任程度較低，但他們更支持用于戰術級決策和機器監督的人工智能增強型軍事技術。總之，軍官們的態度似乎反映了國王學院教授肯尼斯-佩恩（Kenneth Payne）的論點："戰爭機器人將成為令人難以置信的戰斗員，但卻是有限的戰略家"。

圖 1. 與基線組相比，四類人工智能戰爭的信任度和支持度。注：數值代表與基線組相比，各處理組對人工智能增強型軍事技術的支持度和信任度的變化。當支持度和信任度與基線組相比下降時，數值為負。(數據：Paul Lushenko；可視化：Fran?ois Diaz-Maurin）

軍官們對在戰術層面使用人工智能增強型軍事技術的支持度相對較高，這揭示了第二個關鍵發現。軍官們對人工智能增強型軍事技術的態度可能是支持比信任更明顯。這意味著一些學者所說的 "信任悖論"。軍官們似乎支持采用人工智能增強的新型戰場技術，即使他們并不一定信任這些技術。這種現象主要與 "牛頭人 "戰爭有關（使用人工智能進行戰術決策并由機器監督）。這表明，軍官們預計人工智能增強型軍事技術將壓縮對手的機動時間和空間，同時擴大美軍的機動時間和空間，而美軍的機動時間和空間是建立在縮短 "從傳感器到射手 "的時間線基礎上的，高級軍事領導人認為這是在未來沖突中擊敗近鄰對手的關鍵。

軍官對用于戰術層面決策和機器監督的人工智能增強型軍事技術的支持程度差異大于其信任度的變化（圖 2）。此外，結果表明，軍官在信任和支持態度上的差異在統計學上具有顯著性： 軍官對用于牛頭人戰爭的人工智能增強型軍事技術的支持程度要高于對它們的信任程度。軍官支持用于牛頭人戰爭的人工智能增強型軍事技術的平均概率變化也高于其他三種類型的人工智能增強型戰爭。

綜合來看，這些結果表明美國軍官對人工智能增強型軍事技術的支持和信任存在信念偏差。盡管軍官們支持采用此類技術來優化不同層次和不同程度的監督決策，但他們并不信任因新興的人工智能能力而導致的潛在戰爭類型。這一結果表明，美國軍官可能認為有義務接受與他們自己的偏好和態度相悖的預計戰爭形式，特別是作為美國陸軍和海軍新興作戰概念基礎的牛頭人戰爭。

圖 2. 對四類人工智能戰爭的信任和支持。注：數值代表各處理組對人工智能增強型軍事技術的支持和信任的平均水平。(數據：Paul Lushenko；可視化：Fran?ois Diaz-Maurin）

其他因素進一步解釋了軍官對人工智能增強型軍事技術信任度的差異。在作者的調查中，當控制了決策水平和監督類型的差異后，發現軍官對這些技術的態度也可能受到潛在的道德、工具和教育因素的影響。

認為美國有道義上的義務在國外使用人工智能增強型軍事技術的軍官，反映出他們對這些新戰場能力的信任程度較高，這與支持的態度也是一致的。這表明，軍官對在國外使用人工智能增強型軍事技術（如在人道主義援助和救災行動中）的潛在益處的道德信念，可能有助于克服他們對采用這些能力的固有不信任。

此外，重視人工智能增強型軍事技術的工具價值并對其抱有 "害怕錯過 "態度的軍官--即他們認為其他國家采用這些技術會迫使美國也采用這些技術，以免在潛在的人工智能軍備競賽中處于不利地位--也傾向于對這些新興能力抱有更大的信任。在考慮教育時，也觀察到了類似的信任態度。結果顯示，高等教育降低了軍官對人工智能增強型軍事技術的信任度，這意味著更多或更專業的知識會讓人對未來戰爭中人工智能的優點和局限性產生疑問。最后，在這些規范性和工具性考慮的交叉點上，作者發現那些認為軍事力量對于維護全球秩序是必要的軍官也更支持使用人工智能增強型軍事技術。這些結果共同加強了早先的研究，即軍官的世界觀決定了他們對戰場技術的態度，軍官在評估他們對在國外使用武力的信任和支持時可以整合不同的邏輯。

如何讓軍官更好地為人工智能戰爭做好準備

有關美國軍官對人工智能態度的第一手證據，描繪了一幅新興技術帶來的戰爭特征演變的復雜圖景，這比一些分析家所認為的要復雜得多。然而，這些態度對作戰現代化和政策以及軍官的專業軍事教育（包括核武器管理）都有影響。

首先，盡管一些美國軍事領導人聲稱 "我們正在目睹戰爭性質的巨大變化，而這主要又是由技術驅動的"，但在沖突中出現的人工智能增強型軍事技術可能更多的是一種演變，而不是一場革命。雖然加沙戰爭和烏克蘭戰爭表明軍隊作戰方式發生了重要變化，但它們也反映了關鍵的連續性。軍隊傳統上一直尋求利用新技術來提高情報能力、保護部隊、擴大戰術和作戰火力范圍，這一切在戰場上產生了 "根本的不對稱"。最近，各國使用和限制無人機方式的變化也被證明影響了公眾對合法或非法使用武力的看法，這一結果與新興的完全自主軍事技術是一致的。

然而，這些能力和其他能力對戰爭中戰略結果的影響充其量只是個疑問。戰爭中的戰略成功仍然取決于各國是否愿意犧牲士兵的生命和納稅人的錢財來實現支持國家重大利益的政治和軍事目標。事實上，在研究中，軍官們可能最支持用于牛頭人戰爭的人工智能增強型軍事技術。但是，考慮到圍繞軍事創新的炒作--如果不是夸張和恐懼--，研究參與者對新戰場技術的總體信任和支持程度仍然遠遠低于預期。這些結果表明，對于人工智能對未來沖突的范式性影響，軍事領導人應該降低他們的預期。換句話說，應該 "做好被人工智能失望的準備"。美國陸軍中校邁克爾-弗格森（Michael Ferguson）認為，由于缺乏這種清晰的視角，"時髦的理論將戰爭變成了委婉語的歌舞伎"，掩蓋了殘酷的戰斗現實。戰爭是意志的碰撞，充滿人性，并受政治目標的制約。

其次，軍官對人工智能增強型軍事技術的信任態度比本研究顯示的更為復雜。事實上，正如一位前美國空軍上校、現任聯合參謀部J-8局分析師所指出的，"操作人員很難高概率地預測系統在面對適應性對手時的實際表現，這可能會削弱對系統的信任"。在另一項正在進行的研究中，發現軍官對人工智能增強型軍事技術的信任會受到一系列復雜因素的影響。這些因素包括技術規格，即其非致命目的、更高的精確度和人類監督；在平民保護、部隊保護和任務完成方面的感知有效性；以及監督，包括國內監管，尤其是國際監管。事實上，本研究中的一名軍官指出，對人工智能增強型軍事技術的信任是建立在 "遵守國際法而非美國國內法 "的基礎上的。

這些結果表明，需要對新型能力進行更多的測試和實驗，使其使用符合軍人的期望。政策制定者和軍事領導人還必須明確應鼓勵開發人工智能增強型軍事技術的作戰概念；指導其在不同領域、不同層級和不同目的中整合的條令；以及規范其使用的政策。對于后一項任務，官員們必須解釋美國的政策如何與國際法律相吻合或背道而馳，以及哪些規范是使用人工智能增強型軍事技術的條件，至少要考慮到戰地級別的軍官期望如何使用這些能力。為了填補這一空白，白宮最近宣布了美國關于負責任地在軍事上使用人工智能和自主功能與系統的政策，國防部通過了一項指令，規范美軍自主武器的開發和使用，五角大樓還設立了首席數字與人工智能辦公室，以幫助執行這一指令，不過據報道，該辦公室受到預算和人事方面的挑戰。

最后，軍事領導人還應改革專業軍事教育，讓軍官了解人工智能的優點和局限性。他們應該探索人工智能在其他戰略環境中的應用，包括核指揮與控制。美國軍方的許多舉措已經反映了這一需求，尤其是考慮到軍官們在與人工智能能力合作時猶豫不決。

在作戰方面，由美國陸軍第 18 空降軍領導的 "里奇韋項目 "旨在將人工智能整合到瞄準過程中。與之相匹配的是 "阿米莉亞 "和 "忠誠僚機"，它們是海軍和空軍旨在優化人員流程和作戰的項目。在體制上，除了預先存在的認證課程外，一些分析師鼓勵將數據素養評估納入基于人才的評估計劃，如美國陸軍的指揮官評估計劃。在教育方面，軍事院校和戰爭學院都有專門研究人工智能對未來戰爭影響的教師、研究中心和選修課。美國陸軍戰爭學院最近聘請了一名數據科學教授，美國海軍學院設有 "武器、機器人和控制工程 "研究集群，美國海軍戰爭學院開設了 "戰略領導人人工智能 "選修課。

圖：MQ-9 "死神 "發射了一枚空對地導彈-114 "地獄火 "導彈，它是一種無遙控駕駛飛機，可用于情報、偵察和打擊。(圖片：美國空軍。 設計：Fran?ois Diaz-Maurin）

與此同時，在美國海軍戰爭學院和其他地方進行的兵棋推演表明，網絡能力可以鼓勵自動化和將核指揮與控制權預先下放給戰術指揮層，并激勵積極的反擊戰略。但研究結果表明，一個令人費解的結果值得更多的檢驗。從表面上看，盡管結果可能與戰爭中使用核武器的結果相同，但這些結果提出了一個令人不安的問題： 正如研究結果所表明的那樣，即使軍官們不信任人工智能，不信任或不支持使用人工智能來管理反制戰略，他們是否真的愿意支持潛在的自動化以及將核指揮與控制權預先下放給戰術級人工智能？

俄羅斯威脅在烏克蘭使用核武器，這促使美國軍方重新審視在大國戰爭中有限使用核武器的可能性。盡管這種 "回到未來 "的情景令人恐懼，而且與冷戰期間戰術核武器的擴散不謀而合，但美國戰爭學院還是重振了教育工作，為參與大規模沖突的國家之間的戰術核交換做好作戰準備。

然而，這些舉措和其他舉措在多大程度上有效地對軍官進行了人工智能教育尚不清楚。問題的部分原因在于，這些舉措將相互競爭的教學方法對立起來。一些計劃以 "一英里寬、一英寸深 "的方式調查數據掃盲和人工智能，將一門課納入更廣泛課程的一門課程中。其他計劃則提供更多的發展機會，并采用 "更窄更深 "的方法，讓少數官員自愿選擇選修課，將其放在更廣泛的課程之上。還有一些項目，如美國陸軍戰爭學院的項目，嘗試采用 "金線 "方法，將數據素養和人工智能貫穿于課程中，從而構建出更廣泛的教學計劃。然而，后一種方法迫使管理者在內容和時間上做出重要權衡，并要求教師具備深入的專業知識。

展望未來，負責協調整個美國聯合部隊培訓和教育工作的聯合參謀部 J-7 應將專業軍事教育概念化，使其成為數據素養和人工智能教學方面長期持續、不斷豐富的連續體。服役院校的預備役學生或參加后備軍官培訓團的學生應接觸有關人工智能的基本概念。初級和中級軍官應在培訓、部署和參加中級教育（如美國陸軍指揮與總參謀學院）期間將這些見解融會貫通。在被選入戰爭學院后，軍官們應與有關在戰斗中使用人工智能的概念性、規范性和工具性考量因素進行斗爭，研究表明，這些考量因素可以塑造軍隊對新技術的態度。

當然，采用這種端對端的教育方法需要時間和資金。它還容易受到不同利益相關者的特權、軍種文化和軍種間競爭的影響。然而，通過將培訓和教育與明確可行的學習成果相結合，這種整體教學模式充分利用了現有的機會，確保美軍做好準備，愿意在和平時期和未來戰爭中采用人工智能增強型軍事技術，并使其使用方式符合國際法律和規范。

參考來源：Bulletin of the Atomic Scientists，Paul Lushenko

盡管人工智能作為宣傳工具的使用一直備受關注，但烏克蘭和以色列的熱點沖突正被證明是加速人工智能和其他信息技術工具在戰場上使用的活實驗室。特別是在烏克蘭，有報道稱，人工智能甚至被用于自主瞄準打擊目標。以色列國防軍（IDF）對人工智能的使用則更為隱秘，但它肯定被用作瞄準輔助工具，以擊敗來自加沙哈馬斯的鋪天蓋地的導彈攻擊。

烏克蘭在拒絕了其他 10 個國家的人工智能項目后，開發出了自己的人工智能，因為烏克蘭確信本國開發的人工智能會更有益處，而且可以規避向商業公司報告的任何要求。烏克蘭的人工智能主要集中在龐大的攝像頭和無人機網絡提供的計算機視覺數據上。例如，名稱和目標字符識別（OCR）可以快速識別伊朗制造的 "沙赫德 "神風無人機，而不是標準導彈。 人工智能還有助于烏克蘭自己的導彈瞄準。這些人工智能工作大多由烏克蘭的 IT 陸軍完成，據說他們有 25 萬人，其中許多人在創新的 "蝸牛車庫 "里工作，而他們的預算只有西方 IT 公司的一小部分。人工智能還被用于分析俄羅斯的無線電通信和清除地雷。與此同時，俄羅斯在軍事領域的人工智能應用似乎陷入了雄心壯志與實際用途之間的脫節，尤其是自主無人機，據說供不應求。

一些通訊社報道稱，無人化嚴重的烏克蘭已經更進一步，允許配備人工智能的無人機在某些情況下不受人類控制地識別和攻擊目標，從而引發了戰場上 "機器人殺手 "的幽靈。美國軍方已經啟動了一項為期兩年的 "復制者 "計劃，準備投入數千套價格相對低廉的自主系統，主要是為了應對大國在海軍艦艇等領域的數量優勢。澳大利亞一家名為 "Anduril "的公司（以《指環王》傳奇中的一把劍命名）正在向烏克蘭提供可發射彈藥、由人工智能驅動的 "幽靈鯊 "海上無人機。

雖然烏克蘭似乎正在使用自主人工智能來攻擊坦克等大型物體，但它幾乎可以指名道姓地攻擊單個士兵。據《時代》雜志報道，備受爭議的 Clearview 公司免費提供的面部識別系統已經識別出 23 萬多名參與烏克蘭戰爭的俄羅斯士兵和官員。Clearview 系統被用于偵測滲透者、識別親俄民兵和合作者，甚至烏克蘭稱被越過俄羅斯邊境綁架的兒童。Clearview 技術標志著 "戰斗識別系統 "的首次使用，該系統有可能被用于鎖定敵方關鍵人員。例如，一架攜帶彈藥的人工智能無人機可以在原地徘徊，直到發現一名反對派將軍。

與此同時，在立志成為 "人工智能超級大國 "的以色列，人工智能技術正在協助對加沙的哈馬斯目標進行快速定位空襲--該系統被稱為 "火力工廠"，但其針對軍事目標的準確性目前尚不得而知。人工智能還幫助抵御來襲的導彈襲擊，這些導彈試圖以數量優勢壓倒以色列引以為傲的 "鐵穹 "導彈防御系統。以色列國防軍（IDF）越來越多地使用人工智能，并將其應用于移動平臺，如新型 "巴拉克 "超級坦克。巴拉克 "坦克的一個主要特點是配備了 "鐵視角 "頭盔，通過一系列外部傳感器和攝像頭，坦克乘員只需按下按鈕，就能 "看穿車輛的裝甲"。

主要得益于人工智能，坦克能夠在戰場上獨立學習、適應、導航和瞄準。以色列國防軍表示，一對 "巴拉克 "坦克將能夠執行以前需要一個坦克排才能完成的任務。

大多數分析家都認為，烏克蘭和以色列正被證明是在戰斗中加速使用人工智能的前所未有的試驗基地，而這一發展在和平時期通常需要更長的時間。現在，人工智能系統正在接受來自真實戰爭的真實數據的訓練，這意味著人工智能將在下一場武裝沖突中發揮更大的作用和效力，而下一場武裝沖突很可能包括人工智能自主作戰。

參考來源：techstrong.ai

大數據與人工智能（AI）的結合實現了準確預測和明智決策，為工業和研究帶來了革命性的變化。這些進步也在軍事領域找到了自己的應用位置，一些舉措整合來自不同領域的數據源和傳感器，提供共享的態勢感知。在城市軍事行動中，及時了解具體情況的信息對于實現精確和成功至關重要。數據融合將來自不同來源的信息結合在一起，對實現這一目標至關重要。此外，民用數據可提供關鍵的背景信息，并對任務規劃產生重大影響。本文提出了軍事數據空間（MDS）概念，探討大數據如何通過結合民用和軍用數據來支持軍事決策。文章介紹了使用案例，強調了數據融合和圖像認證在提高數據質量和可信度方面的優勢。此外，還討論了數據安全、隱私、完整性、獲取、融合、聯網和利用人工智能方法等方面的挑戰，同時強調了構建下一代軍事應用的機遇。

I. 引言

大數據的興起改變了企業存儲、管理和分析海量數據的方式。此外，大型數據集的可用性和更強大硬件的發展也為人工智能（AI）時代的到來鋪平了道路。盡管存在局限性，但這些課題在軍事領域也找到了適用性。其中一個例子是美軍使用的多域作戰（MDO），后來擴展為聯合全域指揮與控制（JADC2），以及 "共同作戰圖景"（COP）概念，這些概念整合了多個領域（陸地、海洋、空中、太空和網絡空間）的各種數據源和傳感器，使決策變得更快、更明智，提供了從戰術到戰略的各級組織的共享態勢感知。此外，北約社區已通過北約核心數據框架（NCDF）討論并測試了數據湖概念，以便在適當的時間/形式與聯盟伙伴共享可靠的跨域信息。

利用先進的算法和計算能力，人工智能可以處理龐大的數據集，揭示人類通常無法察覺的復雜模式。這使國防行動能夠增強實戰經驗、促進任務執行、做出數據驅動的決策、協調來自不同來源的數據，并加強應對威脅和災難的準備。通過整理來自不同來源的數據，指揮與控制（C2）部門可以深入了解城市景觀，并通過數據融合技術[3]、[4]促進態勢感知決策[1]、[2]。現代城市部署了傳感器網絡，利用大數據支持城市軍事戰略。此外，社交媒體平臺是寶貴的文本、圖像和視頻來源，豐富了態勢感知，但也帶來了數據完整性等挑戰。在 "非戰爭 "行動中，包括打擊腐敗政府、毒品販運和人道主義任務，大數據、數據融合、數據完整性和人工智能在任務成功中的重要作用在當代全球格局中變得顯而易見。

本文深入探討了利用大數據促進軍事決策以及相關挑戰。文章以簡明易讀的方式涵蓋了該領域相對欠缺探索的各個方面。在此背景下，研究介紹了軍事數據空間（MDS）的概念，這是一種將軍內數據（IMD）和軍外數據（EMD）結合在一起的新方法，旨在引發討論并開發軍事解決方案。然后，它通過以數據融合和圖像完整性機制為重點的使用案例來說明大數據的好處。最后，它討論了使用大數據的挑戰和機遇，集中在支持戰略性軍事決策必須考慮的四個主要方面：i) 數據融合；ii) 安全/隱私和完整性；iii) 人工智能；以及 iv) 網絡作為訪問大數據的手段。

從網絡視角討論數據傳播問題具有現實意義，文獻中也有廣泛論述。因此，本研究旨在引發對大數據觀點的討論，以及利用大數據造福軍事系統的可能性。此外，我們還強調了應對整合 IMD 和 EMD 相關挑戰的重要性。這種整合對于建立有凝聚力的大數據，最終提高軍事決策能力至關重要。總之，本文的貢獻如下：

• 引入一個整合軍用和民用數據的新概念：軍事數據空間（MDS）框架。
• 通過 MDS 框架的出現，確定大數據固有的關鍵挑戰和機遇。
• 兩個說明性用例，突出數據融合和完整性在支持戰略決策方面的優勢。

文章結構如下。第二節介紹了 MDS 的概念。第三節回顧了有關軍事和民用場景中大數據的最新文獻。第四節介紹兩個使用案例，說明大數據如何支持軍事決策。第五節討論了軍事數據領域的挑戰和機遇。最后，第六節總結了本研究討論的主要方面，為文章畫上了句號。

II. 軍事數據空間

軍事數據空間（MDS）的概念是根據 [5] 中討論的觀點提出的。它提供了一個以數據為驅動的軍事場景視角，有助于根據不同的數據源做出決策。MDS 包括兩個主要類別： 軍內數據（IMD）和軍外數據（EMD），如圖 1 所示。目前大多數軍事文獻都只針對 IMD 提出和評估系統（如中間件、協議）。然而，隨著信息和通信技術（ICT）的迅猛發展，民用系統已成為不可忽視的數據和基礎設施（網絡）的重要來源。因此，考慮到數據隱私/安全、完整性、獲取、融合、聯網和利用人工智能等挑戰，MDS 旨在支持關于 EMD 如何幫助軍事決策的討論。

圖1 軍事數據空間。

A. 軍內數據

IMD 與軍方提供和消費的數據相對應，主要分為兩層：帶有真實/虛擬傳感器（來自空間/航空/地面/航海單元）的基礎設施和信息層，包括作戰、情報和后勤數據。

基礎設施包括傳感器（如雷達、聲納、照相機）和其他電子系統收集的數據，可探測和跟蹤空中、陸地或水中的物體；車輛傳感器可提供軍事單元和周圍的狀態；可穿戴/智能和物聯網（IoT）設備可通過 GPS 定位、地圖、健康測量、實時照相機（高分辨率、紅外線）等為戰場上的步兵提供支持。這些數據可用于監測和識別潛在威脅、協助鎖定敵軍目標以及監測步兵狀況。

除了來自真實/虛擬傳感器的原始數據外，IMD 還包括信息層，該層融合了從作戰到情報等各種來源收集的數據，以創建一個更可靠、更廣闊的作戰視圖，這也是 JADC2 和 COP 系統的目標。情報信息可幫助軍隊了解敵軍的能力和意圖，識別潛在威脅并制定作戰計劃。后勤數據提供有關物資、裝備和人員的信息，如運輸時間表、庫存水平和維護記錄。這些數據對于確保軍隊擁有有效執行任務的資源至關重要。

B. 軍外數據

軍外數據是由真實/虛擬傳感器單獨或融合提供的數據子集，可描述軍事行動周圍的環境。因此，可定義用于支持軍事行動的兩個主要數據層：基礎設施（如交通系統、天氣、當局）和信息（如社交媒體、新聞、政府報告）。這些層產生了大量高度可變的信息，從用戶對實時事件（如事故、腐敗和恐怖主義）的感受和照片，到城市環境中的交通/天氣狀況和人們/駕駛員的行為。

信息和通信技術在城市地區的發展催生了智能城市的出現，智能城市通過增強流動性、安全性和健康解決方案來應對城市化帶來的挑戰。智能城市基礎設施包含傳感器，可捕捉有關車輛、交通、天氣和駕駛員行為的寶貴數據。傳感器和物聯網設備的激增也產生了大量數據，這使得利用云通信技術和人工智能應用開發智能系統成為可能。在大數據的推動下，數據融合應運而生，它整合了來自多個提供商的數據，以提高質量和覆蓋范圍，并減少海量數據流量。融合來自交通、天氣、攝像頭、醫療系統等的數據，不僅有可能支持民用應用，還能通過提供上下文數據支持戰略性軍事行動。在傳感器基礎設施有限的情況下，來自社交媒體和政府報告等媒體來源的數據可幫助了解當地行為，并識別影響犯罪、腐敗和毒品販運的因素。

社交媒體數據對于支持與緊急事件和災難相關的信息非常有價值，可通過捕捉獨特信息（如需要救援的群體的位置或隱藏人員的存在）來補充其他傳感器數據。建筑物上的固定傳感器和監控攝像頭可幫助進行人員跟蹤，以準確識別位置。社交媒體數據與其他數據源相結合，有助于敵情偵查和戰術規劃。與交通相關的傳感器數據，特別是交通監控攝像頭，在應急響應和軍事后勤方面發揮著重要作用。它可以檢測事故造成的擁堵和堵塞，從而改進軍事行動期間的路線規劃和交通管理。整合所有收集到的信息可增強態勢感知，促進城市環境中行動的有效規劃和管理。

針對近期發生的事件，如俄羅斯戰爭以及美國和巴西等國的反民主極端分子所帶來的挑戰，已經出現了多項舉措。其中一個例子是 ACLED（武裝沖突地點和事件數據）項目，該項目提供有關政治暴力和抗議事件的實時全球數據。另一個值得一提的項目是 DATTALION，這是一個廣泛的開源照片和視頻片段數據庫，記錄了俄羅斯對烏克蘭的戰爭。該數據庫的主要目的是反擊俄羅斯政府散布的錯誤信息。聯合國開發計劃署（UNDP）利用機器學習（ML）算法和大數據來檢測烏克蘭東部受損的基礎設施。語義損壞檢測器 (//tinyurl.com/semdam) 利用衛星圖像和地面照片對算法進行訓練，以識別建筑物、道路和橋梁的潛在損壞，協助地方當局和人道主義組織確定行動的優先次序。這些舉措極大地促進了 MDS，特別是 EMD，為分析和研究提供了寶貴的資源。

III. 軍事領域的大數據

本節探討大數據在軍事領域的應用，重點從數據內（IMD）和數據外（EMD）兩個角度概述大數據在軍事行動中的重要意義，并探索利用其潛力的最新解決方案。

A. 軍內數據

大數據在軍事領域的一些挑戰已在文獻中提出，并成為北約社區討論的主題，如作戰安全性、漏洞加固和數據可靠性[1]、[2]、[6]，以及北約 IST160 和 IST-173。納入與外界幾乎沒有聯系的自主隔離（如 EMD）可能會限制大數據的自由流動，這就要求在保持系統自主性和保護性的同時，以創造性的方式利用大數據。在這一方向上，COP 和 JADC2 引導研究人員和行業使用和融合來自不同軍事實體的數據，以支持戰略決策。

Kun 等人[1]提出了在軍工企業構建大數據平臺、建立多級數據通道、實現全面數據管理和控制的詳細技術方案。該平臺有利于數據的收集、組織、處理和分析，將數據轉化為知識，以加強決策/服務支持、創新、質量控制和風險管理。Xu 等人[6]強調了數據科學在當代戰爭中實現信息優勢的重要性。他們的系統性綜述顯示，社會科學文獻對數據科學風險給予了極大關注，這可能會影響政治和軍事決策者。然而，與戰術層面相比，科學文獻缺乏對作戰和戰略層面風險的關注，這表明存在研究空白。這一差距可能是由于 IMD 與 EMD 之間缺乏聯系造成的，而 EMD 可以支持行動和戰略決策。

B. 軍外數據

1. 數據融合： 大數據在異構數據融合中發揮著至關重要的作用，其目的是將多種記錄合并為一致的表示形式，提高數據質量并減少通信開銷。然而，由于數據語義和時空覆蓋范圍的原因，挑戰也隨之而來。在軍事應用中，異構數據融合對于設計信息系統，增強復雜的城市戰爭或反恐場景中的信息優勢和感知能力非常有價值。強大的系統對于處理敏感數據（如個人數據或戰略任務/政府計劃）至關重要。數據融合可減輕信息過載，提高準確性，并利用知識支持戰略行動和形勢評估[3]。

多傳感器數據融合（MSDF）方法是在戰術場景中提供快速高效的目標探測、跟蹤和威脅評估的一個實例，如文獻[4]所示。數據融合的另一個應用領域是基于位置的社交媒體（LBSM），它可以增強各個領域的知識，包括交通特征描述和事故檢測[7]。利用 LBSM 系統可以獲得更詳細的交通數據，有利于軍事后勤工作。在特定的軍事環境中，可以利用 LBSM 系統的潛力來提高數據可用性，并實現情境感知操作。

2. 數據安全、隱私和完整性： 設計在數據庫中存儲和收集信息的軍事系統時，安全和隱私是關鍵的考慮因素。安全性旨在防止未經授權的數據修改，而隱私性則保護個人的信息[8]。然而，從公開來源收集數據，尤其是從普通用戶（EMD）收集數據，會給系統安全和用戶隱私帶來風險，使其容易受到攻擊和數據泄露。IBM 的《2022 年數據泄露成本報告》指出，網絡攻擊成本與上一年相比增加了 2.6%，全球平均數據泄露成本達到 335 萬美元。此外，該報告還顯示，83% 的被調查組織經歷過多次數據泄露，這凸顯了保護這些系統安全所面臨的挑戰。

數據完整性對于維護對 MDS 的信任至關重要[9]。被篡改的數據會產生嚴重后果，影響民事和軍事決策過程，破壞對數據源的信心。社交媒體平臺上錯誤信息的泛濫就是這一挑戰的例證，這些錯誤信息往往被利用來施加政治影響，烏克蘭正在發生的沖突就是一例。為應對此類問題，Twitter 等平臺修訂了其政策，標記了許多與俄羅斯國家附屬媒體相關的推文，并檢測了數十億條與沖突相關的實時推文印象[10]。

與此同時，圖像認證的出現解決了人們對圖像完整性和來源驗證的擔憂。然而，包括人工智能軟件在內的先進圖像處理工具的興起使圖像驗證變得越來越棘手。雖然圖像驗證引入了水印、數字簽名和感知散列（pHash）等多種技術[11]，但每種技術都有其優勢和局限性。例如，水印可提供真實性和所有權保護，但可能會影響圖像質量，而且容易受到高級處理技術的影響。相比之下，pHash 可以靈活地進行圖像操作，并對內容變化敏感，因此特別適合在社交媒體平臺上使用。在數據完整性和圖像認證的背景下考慮這些挑戰和解決方案至關重要。

IV. 使用案例

A. 數據融合

首先，大數據的時空融合是為了支持軍事決策。由于缺乏所討論的可用 IMD，多數據融合（MDF）框架[12]被實例化，用于收集、準備和處理 EMD，并將其融合以提供豐富的信息。為了證明時空數據的豐富性，MDF 利用基于云的系統共享數據的公共可用性獲取了交通系統數據。不過，該框架可擴展到其他各種數據類型。其目標是提高數據質量、改進 C2 系統和軍事后勤，并支持城市地區的 COP/JADC2，從而創造出將融合 EMD 與來自不同領域的可用 IMD 結合使用的新方法。下文圖 2 介紹了 MDF 的主要功能。此外，還通過分析數值結果討論了融合大數據的好處。

對于數據采集，圖 2 (1)配置了一組參數（如區域、請求頻率）和數據源，MDF 為此收集各種格式的數據，并將其存儲在文件中。在準備階段（2），通過將不同的地物名稱和類型轉換為統一的表示方法，對輸入數據集進行標準化。這包括各種數據映射，以生成統一的數據類型，例如將描述性映射為數值或降低數據粒度。此外，還啟動地圖匹配，將所有地理定位數據（可能具有不同的精確度）融合到同一個路網中。MDF 對所有收集到的數據進行預處理，并從收集到的區域獲取 Shapefile (SHP)。請注意，根據應用目標和可用數據類型，框架可能會應用不同的特征提取方法，如自然語言處理（NLP）（情感分析、關鍵詞提取、詞法化、詞干化和自動摘要）或圖像處理（圖像分割、邊緣檢測和對象檢測），以從非結構化數據類型中提取信息。在使用案例中，我們沒有使用 NLP 算法，因為數據是無文本圖像和基于交通的數據。不過，建議的數據融合框架具有多功能性，可以處理各種數據類型，包括可以應用 NLP 技術的文本數據。

圖2 數據融合框架工作流程。

第三階段實現時間/空間數據融合和數據導出。為確保數據完整性，需要事先過濾非信任信息或有偏見的信息，例如，根據信息在不同數據源或圖像認證機制中的出現情況，使用驗證信息的方法，如第四節B部分所述。時間數據融合是通過對任意時間窗口（如每分鐘、每小時、每天）內的數據進行分組來實現的。為了進行空間融合，MDF 利用地圖匹配，根據底層道路網絡在規定的精確度下對 GPS 點進行對齊。由于不同數據源的 GPS 報告精度各不相同，因此必須這樣做，才能將所有地理定位數據映射到相同的道路網絡中。

最后，在圖 2 (4)中，豐富的數據以不同的格式輸出，為軍事和民用領域提供了多種可能性。MDF 的輸出通過創建不同類型的統計數據和可視化效果來支持時空分析，從不同的空間和時間方面描述可用信息的特征。

1. 結果： 為了展示數據融合的優勢，表 I 總結了 MDF 框架在實際實驗中的結果。該實驗為期九個月，在兩個不同的城市收集了四類民用交通數據（交通流量、事故、車輛數據和天氣狀況）。數據融合使科隆的數據覆蓋率提高了 173%，覆蓋了 5081 條道路，而僅使用Traffic HERE數據源時僅覆蓋了 1379 條道路，波恩的數據覆蓋率提高了 137%。此外，通過重疊路段豐富信息的潛力達到了 39.5%，從多個來源提供了事件的詳細描述。

表I 按數據來源分列的道路覆蓋情況。

B. 數據完整性

之前的工作[11]介紹了一種利用 Twitter 和 Facebook 來確保圖像完整性的圖像認證系統。該系統采用卷積神經網絡（CNN）和全連接層（FCC）進行特征提取，采用位置敏感散列（LSH）進行散列構建，并采用對比度損失最大化原始圖像和篡改圖像之間的差異。該模型的輸出是每個圖像 1024 位的固定長度向量表示。

為解決在城市軍事行動和民用系統中保持圖像完整性的重要性，提出了圖像事實檢查器（IFC），如圖 3 所示。它能檢測虛假圖像，確保數據的可信度，并作為當局主導的認證系統，打擊錯誤信息。系統會生成帶有徽標或圖標的驗證版照片，表明其已通過 IFC 系統驗證。此外，IFC 還提供了圖像的感知散列（pHash）字符串表示，可將其納入描述或在其他網站上共享。數據融合系統是 IFC 的一個可能的終端用戶，它可以在應用時空融合和生成豐富數據之前對抓取的圖片進行驗證。

圖3 Image-Fact-Checker (IFC)。

建立一個能提供即時真實信息的自動化系統是一個相對較新的概念，因此通過比較來評估其有效性具有挑戰性。然而，由于創建令人信服的偽造圖像的人工智能生成模型的興起，實施圖像認證系統現在變得至關重要。添加這一系統作為驗證層有助于防止或減少虛假信息的傳播，尤其是考慮到不斷發展的互聯網法規會對缺乏反虛假信息措施的平臺進行處罰。一種有效的方法是將 IFC 系統與政府機構連接起來。IFC 方法具有通用性和可擴展性，可提高個人的意識和信任度。

1. 成果： 使用 IFC 系統提高了數據的可信度，并能檢測到圖像操縱行為。在烏克蘭-俄羅斯沖突等沖突局勢中，受俄羅斯襲擊影響的平民在社交媒體上分享圖片，但對其真實性產生質疑。IFC 可以使用 DATTALION 數據集對這些圖像進行驗證，從而可以快速將其分發給救援隊、聯合國或北約等相關組織。這加快了對襲擊的響應速度，并提供了針對俄羅斯的可靠證據。在交通等民用場景中，從普通用戶那里獲取實時和經過驗證的信息可以加強路線更新和應急響應方面的決策。

圖 4（左）是通過 DATTALION 從普通社交媒體用戶那里收集到的兩張未經驗證的圖片。這些圖片只是更大數據集中的一小部分。用戶通常不愿意相信這些來源，因此有效利用這些來源具有挑戰性。然而，當這些圖像經過 IFC 機制處理后，其可靠性就會提高，因為任何進一步的篡改都很容易被檢測出來。如圖 4（右圖）所示，應用 IFC 后，每張圖片都會收到 pHash 和相關信息，如圖片描述、提取的特征、位置、事件日期、抓取日期、發布者 ID。這些經過處理的圖像將存儲在 IFC 數據庫中，供今后查詢。該數據庫有多種用途：重復檢測、完整性驗證以及滿足特定最終用戶的要求。

圖4 使用IFC提取圖像細節。

V. 軍事數據空間的挑戰與機遇

A. 數據融合

數據融合的第一個挑戰是尋找和獲取軍事和民用領域的可用數據。出于隱私/安全考慮，信息可能無法廣泛獲取或獲取途徑有限。在軍事領域（IMD），數據受到更多限制，這為探索可用的民用數據（EMD）以支持戰略性信息決策提供了機會。第二個值得注意的挑戰是融合多種數據源，這些數據源可能具有不同的結構（結構化、半結構化和非結構化數據）、標準、數據類型（如文本、圖像、視頻）、測量單元、粒度和時空覆蓋范圍。因此，需要深入了解如何準備和處理不同的數據集，并將其融合為一個數據集。

處理社交媒體中的圖像和文本需要進一步的程序，如特征提取方法（如 NLP 和圖像處理），以提取可用信息。盡管數據融合面臨諸多挑戰，但將從不同角度（如指揮部、用戶、記者、政府、傳感器）描述同一空間和時間的不同數據源結合起來的好處，可以加強軍事行動的規劃和戰略階段，為 COP 和 JADC2 系統提供支持。

B. 數據安全、隱私和完整性

1. 數據安全與隱私： 保護敏感的軍事信息對國家安全至關重要。需要強大的加密、安全的數據存儲和訪問控制來降低風險。建議采用的技術包括公鑰基礎設施（PKI）安全、受保護內核、數據加密、防火墻和入侵檢測。然而，如何在數據共享、有利于信息融合和安全/隱私措施之間取得平衡，對軍方來說仍是一項具有挑戰性的任務。

2. 數據完整性： 被操縱的數據會給民用和軍用決策帶來風險，并降低對數據提供者的信任度。在生成內容的人工智能模型不斷進步的幫助下，篡改圖像迅速傳播，參與度不斷提高，這凸顯了對智能綜合解決方案的需求。通過社交媒體分享的圖片能夠快速傳達復雜的想法，從而為救援行動提供支持，使人們能夠立即采取行動，如在城市發生事故/災難時改變交通路線。圖片還能喚起情感聯系，增強讀者對新聞事件的理解。然而，烏克蘭戰爭等危機擴大了錯誤信息的傳播，這就需要 snopes.com 和 norc.org 等人工事實核查機構的參與，以打擊錯誤信息。然而，在戰爭期間或為打擊腐敗政府而進行基于人工的實時核查可能會耗費大量時間，這就為設計自動系統來驗證圖像和處理虛假信息創造了機會。

C. 聯網

雖然這項工作的主要重點在于數據視角，以及確保使用來自不同來源的可信數據來支持軍事行動的相關性，但同樣重要的是要認識到網絡在有效提供數據和服務方面的重要性。在以網絡為中心的軍事行動中，利用高頻、甚高頻、超高頻、衛星通信、Wi-Fi 和 LTE 4-5G 等各種技術進行無線通信至關重要。有些技術擅長長距離覆蓋，但帶寬有限、延遲高，而且容易受到干擾。另一些則以可靠性為先，覆蓋范圍較短，帶寬較大，延遲較低。

以信息為中心的網絡（ICN）和軟件定義網絡（SDN）等網絡范例對于優化數據傳播和網絡協調至關重要[13]，尤其是在網絡資源有限的情況下。在軍事網絡中，尤其是在戰術邊緣，數據傳播過程中會出現資源有限和安全問題等挑戰。為解決這些問題，軍方可能會探索包括民用網絡在內的各種基礎設施，以獲取和融合非軍事數據。以歐洲 5G COMPAD 聯盟為例，目前正在考慮采用 5G 技術。然而，由于硬件通信系統成本高昂、帶寬和互操作性有限，因此具有挑戰性。這就需要定制參考架構來滿足軍事通信需求。

在最近的烏克蘭-俄羅斯沖突中，俄羅斯對烏克蘭基礎設施的攻擊導致互聯網中斷，暴露了通信網絡的脆弱性。SpaceX 的 Starlink 衛星互聯網星座提供了一種解決方案，證明了在戰時利用民用網絡基礎設施的價值。盡管該技術有望提高互聯網在數據和緊急通信方面的可靠性，但它在網絡安全、覆蓋范圍、可靠性和成本效益方面仍面臨挑戰。

D. 人工智能

由于隱私、安全以及軍事機構為防止濫用和限制 IMD 的可用性而施加的限制，為人工智能研究訪問軍方擁有的大數據帶來了挑戰。此外，人工智能功能可能會受到對抗性攻擊的影響，對抗性攻擊會通過改變造成錯誤分類來欺騙人工智能模型。快速梯度符號法（FGSM）和語義攻擊等技術分別有助于識別和減輕計算機視覺和 NLP 中的此類攻擊。Yuan等人[14]對攻擊、對策和基于應用的分類標準進行了全面評述。

要檢測對抗性攻擊，一種有效的方法是使用具有與主人工智能模型不同特征的輔助人工智能模型。這一想法源于早期的衛星通信。當時，人們使用電報等輔助系統來防止對衛星通信的中間人攻擊或干擾攻擊。由于帶寬有限，輔助系統只能傳輸與完整衛星數據相對應的摘要數據，用于偵測攻擊和應急通信。同樣，在人工智能中防范對抗性攻擊時，傳統的 ML 可以作為輔助系統，產生與主要 CNN 方法一致的結果。對抗性攻擊依賴于計算機視覺深度學習模型中的梯度技術，而傳統的 ML 方法則使用不同的方法，這些方法對這些攻擊操作大多具有免疫力。

在軍事領域使用人工智能的另一個問題是需要共享敏感數據來訓練模型。在這方面，聯邦學習（FL）作為一種訓練 ML 模型的技術已經出現，在這種技術中，數據不會暴露，從而確保了數據的安全性和隱私性[15]。雖然它不能被視為對抗惡意攻擊的防御技術，但這種方法隱藏了敏感數據和模型或參數的一部分。這種技術對于建立在人工智能基礎上的新興軍事應用非常有價值。

VI. 結論

本文探討了大數據在軍事領域的應用。研究了與整合不同數據源、確保數據安全、隱私和完整性以及聯網和利用人工智能相關的機遇和挑戰。文章引入了 MDS 概念，以豐富和引導討論，強調納入民用數據的潛力，以提高軍事行動戰略決策所需的信息質量和數量。此外，文章還包括兩個實際使用案例，說明了數據融合的好處以及實施圖像認證機制以保持數據完整性的重要性。這些發現凸顯了大數據在軍事領域的重要意義，并強調了在該領域開展進一步研究和探索的必要性。

在不到一年的時間里，Chat-GPT 已成為一個家喻戶曉的名字，反映了人工智能驅動的軟件工具，特別是生成式人工智能模型的驚人進步。伴隨著這些發展，人們頻頻預測人工智能將徹底改變戰爭。在人工智能發展的現階段，人們仍在探索可能的參數，但軍方對人工智能技術的反應是不可否認的。美國網絡安全和基礎設施安全局局長詹-伊斯特里警告說，人工智能可能是 "我們這個時代最強大的武器"。雖然自主武器系統在有關人工智能軍事應用的討論中往往占據主導地位，但人們較少關注在武裝沖突中支持人類決策的系統中使用人工智能的問題。

在這篇文章中，紅十字國際委員會軍事顧問魯本-斯圖爾特（Ruben Stewart）和法律顧問喬治婭-海因茲（Georgia Hinds）試圖批判性地審視人工智能用于支持戰爭中武裝人員決策時被吹噓的一些益處。其中特別討論了減輕對平民的傷害和節奏問題，尤其關注武裝沖突中對平民的影響。

即使在最近的炒作之前，人們可能已經以各種形式使用過人工智能，事實上，人們可能正在使用主要由人工智能驅動的設備閱讀這篇文章。如果您使用指紋或人臉打開過手機，參與過社交媒體，使用手機應用程序規劃過旅程，或者在網上購買過披薩和書籍等任何物品，那么這些都可能與人工智能有關。在很多方面，我們對人工智能已經習以為常，常常在不知不覺中將其應用到我們的日常生活中。

但如果人臉識別軟件被用來識別要攻擊的人呢？如果類似的軟件不是尋找最便宜的航班將你送往目的地，而是尋找飛機對目標實施空襲呢？或者，機器推薦的不是最好的披薩店或最近的出租車，而是攻擊計劃？這顯然是開發基于人工智能的國防決策平臺的公司 "即將到來 "的現實。

這類人工智能決策支持系統（AI-DSS）是一種計算機化工具，使用人工智能軟件顯示、綜合和/或分析數據，并在某些情況下提出建議，甚至預測，以幫助人類在戰爭中做出決策。

AI-DSS 的優勢往往體現在提高態勢感知能力和加快決策周期上。下文將根據人工智能系統和人類的局限性，并結合現代沖突的規劃過程，對這些說法進行解讀。

將沖突中傷害平民的風險降至最低

新技術在戰爭中的出現往往伴隨著這樣的說法，即新技術的整合將減少對平民的傷害（盡管在實踐中并不總是如此）。就 AI-DSS 而言，有人聲稱這種工具在某些情況下有助于更好地保護沖突中的平民。當然，國際人道主義法（IHL）規定，軍事指揮官和其他負責攻擊的人員有義務根據他們在相關時間所掌握的所有來源的信息做出決定。特別是在城市戰爭的背景下，紅十字國際委員會建議，有關平民和民用物體存在等因素的信息應包括互聯網等公開來源資料庫。此外，具體到人工智能和機器學習，紅十字國際委員會認為，只要人工智能-DSS工具能夠促進更快、更廣泛地收集和分析這類信息，就能使人類在沖突中做出更好的決策，從而最大限度地減少對平民的風險。

與此同時，任何 AI-DSS 的輸出都應在多個來源之間進行交叉核對，以防止信息有偏差或不準確。雖然這對沖突中的任何信息來源都是如此，但對AI-DSS 尤為重要；正如紅十字國際委員會先前所概述的那樣，由于系統的功能以及人類用戶與機器的交互方式，要核實輸出信息的準確性可能極其困難，有時甚至是不可能的。下文將進一步闡述這些方面。

系統局限性

最近關于人工智能發展的報道經常包括人工智能失敗的例子，有時是致命的。例如，軟件無法識別或錯誤識別膚色較深的人，推薦的旅行路線沒有考慮最新的路況，以及自動駕駛汽車造成死亡的例子。其中一些失誤是可以解釋的，但不可原諒，例如，因為其輸出所依據的數據有偏差、被破壞、中毒或根本不正確。這些系統仍然很容易被 "欺騙"；可以使用一些技術來欺騙系統，使其對數據進行錯誤分類。例如，可以想象在沖突中使用對抗性技術來影響瞄準輔助系統的源代碼，使其將校車識別為敵方車輛，從而造成毀滅性后果。

隨著人工智能被用于執行更復雜的任務，特別是當多層分析（可能還有決策和判斷）不斷累積時，驗證最終輸出以及導致最終輸出的任何錯誤的來源就變得幾乎不可能。隨著系統越來越復雜，出現復合錯誤的可能性也越來越大--第一個算法建議中的一個微小不足會被反饋到第二個算法過程中并造成偏差，而第二個算法過程又會反饋到第三個算法過程中，依此類推。

因此，人工智能系統經常表現出用戶或開發者無法解釋的行為，即使經過大量的事后分析也是如此。一項針對備受矚目的大型語言模型 GPT-4 的研究發現，三個月后，該模型解決數學問題的能力從 83.6% 銳減至 35.2%，令人費解。不可預測的行為也可以通過強化學習產生，在強化學習中，機器已被證明能夠非常有效地采用和隱藏不可預見的行為，有時甚至是負面行為，從而戰勝或超越人類：無論是通過撒謊贏得談判，還是通過走捷徑擊敗電腦游戲。

人類與機器互動面臨的挑戰

AI-DSS 不會 "做出 "決定。不過，它們確實會直接影響人類的決策，而且往往影響很大，其中包括人類在與機器交互時的認知局限性和傾向性。

例如，"自動化偏差 "指的是人類傾向于不批判性地質疑系統的輸出，或搜索矛盾的信息--尤其是在時間緊迫的情況下。在醫療保健等其他領域已經觀察到了這種情況，經驗豐富的放射科醫生的診斷準確性受到了人工智能錯誤輸出的不利影響。

在醫療領域，不準確的診斷可能是致命的。同樣，在武裝沖突中，過度信任也會帶來致命后果。2003 年，美國的 "愛國者 "防御系統兩次向友軍聯軍飛機開火，原因是這些飛機被誤認為是攻擊導彈。在隨后的調查中，發現的主要缺陷之一是 "操作員接受了信任系統軟件的培訓"。

這些運作方式，再加上人機互動的這些特點，有可能增加結果偏離人類決策者意圖的可能性。在戰爭中，這可能導致意外升級，無論如何都會增加平民和受保護人員的風險。

節奏

人工智能在軍事上被吹捧的一個優勢是，它能讓用戶的決策節奏快于對手。節奏的加快往往會給平民帶來額外的風險，這就是為什么要采用 "戰術忍耐 "等降低節奏的技術來減少平民傷亡。放慢決策節奏，包括為決策提供信息的過程和評估，可以讓系統和用戶有額外的時間：

• 看到更多
• 了解更多；以及
• 制定更多選擇。 重要的是，在整個決策鏈中都是如此，而不僅僅是在最后的 "決策點"。因此，聲稱 AI-DSS 將加快最終決定是否 "扣動扳機 "的耗時步驟，從而實際上為戰術忍耐帶來更多時間的說法，有可能過度簡化當代沖突中的目標選擇和武力執行過程。

額外的時間讓你看到更多

2021 年 8 月 29 日，在喀布爾大撤退期間，無人機對喀布爾進行了臭名昭著的空襲，造成 10 名平民死亡，中央司令部指揮官將這次空襲歸咎于 "我們沒有多余的時間來分析生活模式和做其他一些事情"。

"生活模式"分析是一些軍隊對平民和戰斗人員的存在和密度、他們的時間表、在考慮攻擊的地區內和周圍的移動模式等進行評估的描述。這是減少平民傷害的重要方法。然而，對生活模式的評估只能實時進行--平民創造這種模式需要時間--無法加快。

試圖根據歷史趨勢預測未來行為的做法無法顧及當前情況。在這個例子中，回顧舊的情報資料，特別是喀布爾的全動態視頻，并不能反映出由于塔利班接管和正在進行的疏散工作而發生的形勢和行為變化。

正如預防平民傷亡指南所解釋的那樣，"等待和觀察的時間越長，你就會對發生的事情了解得越多，也就能更好地做出使用致命或非致命手段的決定"，或者正如拿破侖所說的那樣 "慢慢給我穿衣服，我趕時間"--有時，刻意為之才能達到最佳效果。

額外的時間可以讓用戶理解更多

放慢決策速度的另一個原因是，人的理解能力，尤其是對復雜和混亂情況的理解能力，需要時間來培養，也需要時間來斟酌適當的應對措施。時間越少，人理解局勢的能力就越弱。軍事規劃流程旨在讓指揮官和參謀人員有時間考慮作戰環境、對手、友軍和平民，以及所考慮的行動方案的利弊。正如德懷特-D-艾森豪威爾將軍所解釋的，"在準備戰斗的過程中，我總是發現計劃是無用的，但規劃是不可或缺的"。

當人類決策者考慮由 AI-DSS 生成或 "推薦 "的行動方案時，這一點就會產生影響，因為相對于對手而言，AI-DSS 加快行動節奏的能力可能是被利用的最主要原因。如果人類計劃人員沒有經歷或甚至完全不了解 AI-DSS 提出的計劃的制定過程，那么他對局勢、各種影響因素和相關人員的了解可能就會很有限。 事實上，人們已經注意到，使用自動輔助工具會降低人類用戶的警覺性，損害他們保持態勢感知的能力。這一點應從如何影響遵守國際人道主義法義務的角度加以考慮；盡一切可能核查目標的義務表明，需要最大限度地利用現有情報、監視和偵察資產，以獲得在當時情況下盡可能全面的態勢感知。

更多時間可讓用戶做出更多選擇

除了能讓指揮官看到和了解更多情況外，額外的時間還能讓指揮官制定戰術備選方案，包括決定不使用武力或緩和局勢。額外的時間可以讓其他單元和平臺脫離接觸、重新定位、重新補給、計劃和準備協助即將到來的行動。這為指揮官提供了更多選擇，包括可更好地減少平民傷害的替代計劃。額外的時間可能允許采取額外的緩解措施，如發布警告，從平民的角度來看，這也允許他們實施應對機制，如躲避、重新補給食物和水或撤離。

正如軍事規劃理論中的一個例子所解釋的那樣，"如果時間充裕，而且更快采取行動也沒有好處，那么就沒有什么借口不花時間進行充分規劃"。正如北約的《保護平民手冊》所回顧的那樣，"如果有時間按照國際人道主義法的原則對部隊或目標進行蓄意規劃、區分和精確瞄準，那么CIVCAS[平民傷亡]的可能性就會大大降低"。

結論

"戰爭是混亂的、致命的，從根本上說是人類的努力。它是人與人之間的意志沖突。所有戰爭本質上都是為了改變人類的行為，每一方都試圖通過武力改變另一方的行為"。"戰爭源于人類的分歧，在人類群體之間展開，由人類控制，由人類結束，而在戰爭結束后，人類又必須共存。最重要的是，沖突中的苦難由人類承擔。

這一現實，乃至國際人道主義法本身，都要求在武裝沖突中開發和使用人工智能時采取 "以人為本 "的方法--努力在本已不人道的活動中維護人性。這種方法至少有兩個關鍵方面：(1) 關注可能受影響的人；(2) 關注使用或下令使用人工智能的人的義務和責任。

在研究可能受影響的人時，不僅要考慮在使用 AI-DSS 獲取軍事優勢時減少對平民的風險，還要考慮專門為保護平民的目標設計和使用這類工具的可能性。在這方面已經提出的可能性包括識別、跟蹤和提醒部隊注意平民人口存在的工具，或識別在武裝沖突中表明受保護地位的特殊標志的工具（見這里和這里）。

確保人類能夠履行其在國際人道主義法下的義務意味著 AI-DSS 應為人類決策提供信息，但不能取代人類對武裝沖突中人們的生命和尊嚴構成風險的判斷。在自主武器系統方面，各國已廣泛認識到這一點（例如，見此處、此處和此處）。遵守國際人道主義法的責任在于個人及其指揮官，而非計算機。正如美國國防部《戰爭法手冊》所述："戰爭法并不要求武器做出法律決定......相反，必須遵守戰爭法的是人。中國在《新一代人工智能倫理規范》中更普遍地強調了這一點，堅持 "人是最終的責任主體"。

關于 AI-DSS 必然會加強平民保護和遵守國際人道主義法的說法必須受到嚴格質疑，并根據這些考慮因素進行衡量，同時考慮到我們對系統局限性、人機互動以及行動節奏加快的影響的了解。

參考來源：International Committee of the Red Cross

人工智能（AI）究竟是什么？它與電子戰（EW）的未來有什么關系？人工智能正在改變我們所做的一切嗎？如果忽視人工智能，那將是一個錯誤。眾所周知，特斯拉采用了人工智能算法，特別是卷積神經網絡、遞歸神經網絡和強化學習。從根本上說，這些算法可以匯編來自多個傳感器的數據，分析這些數據，然后做出決策或向最終用戶提供信息，從而以驚人的速度做出決策。這一過程以指數級的速度發生，超過了人腦的處理速度。因此，從根本上說，人工智能是機器像人類一樣執行認知功能的能力。

人工智能可以駕駛汽車、撰寫學期論文、以適當的語氣幫你創建電子郵件，因此，它在軍事領域的潛在應用也是理所當然的。具體來說，就是整合人工智能電子戰及其提供的潛在能力轉變。雖然 "電子戰 "一詞已經使用了相當長的一段時間，但將人工智能注入這一領域為提高速度和殺傷力和/或保護開辟了新的途徑。

電子戰包含一系列與控制電磁頻譜有關的活動，傳統上一直依賴人類的專業知識來探測、利用和防御電子信號。然而，現代戰爭的速度和復雜性已經超出了人類操作員的能力。這正是人工智能的優勢所在，它帶來的一系列優勢將徹底改變電子戰的格局。

將人工智能融入電子戰的首要好處之一是增強了實時處理和分析海量數據的能力。在數字時代，戰場上充斥著來自通信網絡、雷達系統和電子設備等各種來源的大量信息。人工智能算法可以迅速篩選這些數據，識別出人類操作員可能無法識別的模式、異常情況和潛在威脅。這種能力不僅能提高威脅檢測的準確性，還能大大縮短響應時間，使友軍在快速演變的局勢中獲得關鍵優勢。

在這種情況下，人工智能賦能的兵力倍增器就出現了，它能在面對復雜多變的局勢時做出更高效、更有效的決策。現代戰場會產生大量電子信號，需要快速準確地識別。人工智能驅動的算法擅長篩選這些數據、辨別模式，并識別在以往場景中可能被忽視的信息。這使兵力能夠迅速做出反應，以更快的速度做出關鍵決策。

此外，人工智能還具有適應和學習新信息的能力，這一特性在電子戰領域尤為有利。電子威脅和反制措施處于不斷演變的狀態，需要反應迅速和靈活的策略。人工智能驅動的系統可以根據不斷變化的情況迅速調整戰術，持續優化性能，而無需人工干預。這種適應性對于對抗復雜的電子攻擊和領先對手一步至關重要。

人工智能與電子戰的融合還為指揮官提供了更先進的決策工具，比歷史標準更詳細、更快速。人工智能算法可以分析各種場景，考慮地形、天氣以及友軍和敵軍兵力等因素。這種分析為指揮官提供了全面的戰場情況，使他們能夠在充分了解情況的基礎上做出決策，最大限度地提高任務成功的概率，最大限度地降低潛在風險。此外，人工智能驅動的模擬可以演繹不同的場景，使軍事規劃人員能夠完善戰略，評估不同行動方案的潛在結果。美國今年早些時候進行了一次以印度洋-太平洋地區為重點的演習，將大語言模型（LLM）作為規劃和決策過程的一部分。一位演習成員稱贊了系統 "學習 "的成功和速度，以及系統成為戰場上可行資源的速度。另一個例子是，利用已輸入人工智能系統的數據對目標清單進行優先排序，人工智能系統能夠考慮瞄準行動、網絡，從而比操作人員更快、更全面地了解戰區情況。

不過，必須承認，要完成人工智能整合，還存在一些潛在的障礙。首先，美國防部大多數實體無法直接獲得人工智能技術。大多數從事前沿人工智能工作的組織都是商業公司，它們必須與軍事系統合作或集成。這可能會受到美國現行預算和研發流程的阻礙。此外，美國的這些流程進展緩慢，人工智能技術很有可能無法融入美國兵力。還有潛在的道德和安全考慮。隨著人工智能系統在探測和應對威脅方面承擔更多責任，人類的監督和控制水平也會出現問題。為了與戰爭法則保持一致，需要有人工參與，而不是完全依賴人工智能來做出攻擊決策。任何時候，只要有可能造成人員傷亡、附帶損害或其他問題，就需要人類做出有意識的知情決策，而不能任由人工智能自生自滅。在人工智能自主決策和人工干預之間取得適當的平衡至關重要，以防止意外后果或機器在沒有適當問責的情況下做出生死攸關的選擇。

最后，人工智能的整合引發了對潛在網絡漏洞的擔憂。雖然人工智能可以提高電子戰的速度和準確性，但它也為試圖操縱或破壞人工智能系統的惡意行為者帶來了新的攻擊途徑。要保護這些系統免受網絡威脅，就必須采取強有力的整體網絡安全方法，同時考慮到人工智能驅動的電子戰的硬件和軟件層。

最后，不可否認，將人工智能融入戰爭預警的潛在戰略利益是巨大的。人工智能處理海量數據、適應不斷變化的條件和支持決策過程的能力有可能重塑現代戰爭的格局。隨著兵力越來越依賴技術來保持在數字化作戰空間中的優勢，負責任地開發和部署人工智能驅動的預警系統將是必要的。 如何在技術創新、人工監督和安全措施之間取得適當平衡，將決定能在多大程度上實現這些優勢，同時又不損害戰略目標或道德考量。美國采購系統面臨的挑戰也將在人工智能集成中發揮關鍵作用。人工智能在電子戰中的變革力量有可能改變游戲規則。問題是：它會嗎？人工智能將如何融入新型 EC-37B Compass Call 和 NexGen 干擾機等未來平臺？陸軍是否會將人工智能納入其推動營級決策的努力中？這些都是值得探討的問題，但有一點是肯定的：電磁作戰界必須繼續接受創新思維，因為我們知道未來的戰斗將在電磁頻譜中開始和結束。人工智能將在現代戰爭的新時代發揮關鍵作用。

雷達和電子戰（EW）等軍事應用測試和測量系統的設計人員正在加緊使用人工智能（AI）解決方案，以便更好地測試認知功能。同時，現代數字架構的采用也推動了軍事測試需求的增長。

人工智能（AI）和機器學習（ML）工具正在進入國防系統的幾乎每一個領域，從制造、雷達系統開發、航空電子設備到軟件開發和測試測量系統。

NI 公司（德克薩斯州奧斯汀）航空航天、國防與政府研究與原型開發解決方案營銷經理 Jeremy Twaits 說："人工智能不僅影響測試系統本身的能力，還影響我們的測試方式。"人工智能使系統更具適應性，其行為會根據訓練數據集發生變化。有了人工智能，工程師必須了解系統性能的界限，并使用測試方法來滿足系統部署時可能遇到的最關鍵和最可能的情況。

人工智能工具還能在電子戰系統中實現認知功能。羅德與施瓦茨公司（Rohde & Schwarz，馬里蘭州哥倫比亞市）航空航天與國防市場部雷達與 EW（電子戰）全球市場部門經理 Tim Fountain 說："通過為客戶配備工具，提供高帶寬、長時間射頻記錄和回放系統，用于在操作相關的射頻環境中訓練認知系統，從而幫助客戶交付支持 AI/ML 的系統"。

他繼續說："此外，認知系統還可用于提取和分類 ELINT（電子情報）接收器捕獲的寬帶數據中的新型發射器。我們的客戶一再告訴我們，他們面臨的一個挑戰是，他們并不缺少來自采集活動的數據，但對這些信號進行標記、分類、排序和地理定位仍然是一項人工任務，由于時間和預算壓力，分析人員往往會忽略這項任務"。

軍事用戶對數據量的要求只增不減，這給系統設計人員和系統測試人員帶來了更大的壓力。

Keysight 航空航天/國防和政府解決方案集團（加利福尼亞州圣克拉拉市）總經理 Greg Patschke 說："隨著高速捕獲技術的發展，我們能夠收集的數據量正以指數級速度增長。這些大型數據集帶來了分析信息和得出結果的挑戰。目前，我們正在使用無監督機器學習工具來加快洞察之路。我們可以使用智能算法來識別感興趣的信號，對信息進行分類，并識別數據中的模式和異常。利用這項技術為我們打開了一扇通往全新數據分析世界的大門，而這在以前是不可行的"。

由于系統的復雜性，在定義測試場景的同時，通過人工智能系統實現適應性將至關重要。

Twaits指出："幾乎不可能在每一種可能的情況下進行測試，但業界必須定義關鍵的測試場景和模型。"由于真正測試和信任人工智能系統的動態性和挑戰性，測試平臺必須具備適應性，以應對未來的測試場景和要求。例如，NI 的 COTS（現成商用）硬件可以與 MathWorks 的軟件工具（如深度學習工具箱）相連接。NI 和 MathWorks 合作展示了如何利用軟件定義無線電 (SDR) 對訓練有素的神經網絡進行空中測試和評估，以對雷達和 5G 新無線電信號進行分類。

在軟件中定義測試功能

人工智能在測試解決方案中的應用得益于在軟件中植入測試和測量系統功能的能力。

Patschke 說："在測試和測量行業，不斷需要改進測量軟件的功能。EW 測試的專業性往往要求軟件具有一定程度的創新性和靈活性，而這在其他行業通常是看不到的。例如，與雷達/預警機有關的到達角（AOA）測試需要軟件和硬件的無縫配對，以適當應用實時運動學并準確計算 AOA 結果"。

他繼續說："幾年前，[測試]軟件還不具備這種功能，但隨著客戶要求和需求的變化，像 Keysight 這樣的公司已經進行了調整，以滿足這些需求。客戶要求系統具有靈活性，以便在新的挑戰出現時滿足他們的需求。滿足這些需求的唯一方法就是不斷升級我們的軟件，盡可能增加新的功能，這樣就可以不斷地將硬件重新用于多種用途"。

對標準化和快速周轉的需求也需要更多的軟件功能。

Fountain 說："客戶告訴 R&S 最緊迫的問題是，他們需要快速、可驗證和可重復的測量，而且通常是基于標準的測量。"客戶通常沒有時間或內部專業知識來開發特定的測量功能，因此可能會依賴供應商將該測量功能作為附加功能提供，或者在某些情況下使用事實上的行業工具集（如 Matlab 和/或 Simlink）來支持快速軟件/硬件功能，特別是隨著 FPGA（現場可編程門陣列）和 GPU（圖形處理器）在測量數據流中變得越來越普遍。(圖 1）。

[圖1 ? 羅德與施瓦茨公司提供集成記錄、分析和回放系統（IRAPS）。IRAPS可用于需要寬帶寬、長時間射頻記錄和回放的實驗室和靶場射頻記錄和回放應用，如雷達測試和靶場電子戰（EW）效果評估。］

NI 雷達/EW 業務開發經理 Haydn Nelson 說："在軟件中定義測試系統是整個航空航天工業趨勢的體現，通常被稱為基于模型的系統工程。"推動系統級模型和要求的標準化使軟件成為定義自動測試系統不可或缺的一部分。

Nelson 繼續說："對于雷達和電子戰來說，由于雷達的多任務性質和電子戰的保密性質，這具有挑戰性。定義、開發、評估和部署新方法和技術是一個復雜的過程。隨著威脅的不斷發展，用戶需要更快地獲得新系統，而測試和評估流程不能阻礙這一進程。軟件定義的測試系統對于在保持系統能力和性能敏感性的同時滿足速度要求至關重要。

對更多實驗室測試的需求也在推動軟件定義測試系統的發展。Nelson 說："我們看到的一個具體要求是，能夠在實驗室中以現實的方式進行更多測試，而無需面對固定和鎖定測試系統的挑戰。在公開范圍測試之前，測試的次數越多，新方法或新技術獲得最終用戶信任的信心就越大。共享數據和證明能力與開發能力本身同樣重要。"

雷達/預警要求

跨越多個領域的復雜對抗性威脅對雷達和預警系統的性能提出了更高的要求，從而給測試系統設計人員帶來了更大的壓力，要求他們提供準確、高效的解決方案。

"總體而言，趨勢是不斷提高測量精度和降低相位噪聲，"Fountain 說。"精度和相位噪聲直接關系到描述雷達性能的能力。在電子戰方面，我們看到，在擁擠和有爭議的作戰環境的推動下，高度復雜的電磁場景正朝著更高保真模擬的方向發展。"

雷達和預警系統的數字架構要求和現代化努力也要求測試系統具有多功能性。

NI 的 Twaits 說："從高層次上講，測試和評估的要求是由采用現代數字架構驅動的，這些架構要求在單個系統中進行功能、參數和系統級測試，以及分割數字和射頻系統以進行獨立測試的方法。"此外，許多傳統雷達和預警系統正在進行現代化改造，而傳統的測試平臺靈活性太差，無法滿足新系統功能的測試要求。現代化不會帶來無限的測試預算。新系統和升級要不斷平衡預算和時間交付壓力所帶來的限制，而適應不斷變化的要求本身就是一種要求"。

帶寬需求也對測試系統提出了更高的要求。"從技術上講，在電磁頻譜戰（EMSO）領域，實戰系統正朝著更寬的帶寬、更高的頻率、更大的頻率靈活性和更強的抗威脅能力方向發展。因此，[測試和測量]設備必須能夠生成和分析具有適當規格的波形，快速調整，并創建逼真的場景，在接近真實的運行條件下對被測設備施加壓力。"

測試系統還能在系統部署前的設計過程中盡早發現缺陷，從而降低長期生命周期成本。

Twaits說："按時、按預算交付的一個關鍵方面是制定測試策略，以便在設計過程中及早發現缺陷。露天靶場測試成本高昂，對于測試早期設計既不可行也不實際。例如，在雷達測試中，客戶正在尋找硬件在環系統，該系統可將真實目標注入到正在測試的雷達系統中。這使他們能夠盡早、頻繁地測試系統，盡早消除問題，并針對各種情況對雷達進行評估"。

NI 提供的雷達目標生成 (RTG) 軟件使客戶能夠將 PXI 射頻矢量信號收發器 (VST) 作為閉環實時雷達目標生成器來操作。它為工程師提供了一個單一模塊，既可作為標準雷達參數測量設備，也可作為 RTG，具有很強的能力和靈活性，適合最終用戶的調整。通過完全開放的列表模式，用戶可以定義多達 1000 萬個測試目標，以硬件速度進行排序，從而以在露天靶場上無法實現的方式刺激雷達。

電子戰系統的作用是對抗和探測復雜的敵對威脅，而測試系統的作用則是使作戰人員不僅能高效而且能安全地利用這些系統。

Patschke 指出："EW 測試的核心是確保人員和設備都做好應對各種電磁威脅的準備，從而保證部隊的安全。隨著 EW 測試環境越來越先進，客戶需要生成盡可能逼真的模擬。要做到這一點，就必須生成能模擬現實條件的高保真動態場景。過去，這需要大量的設備，而這些設備在使用中往往缺乏通用性。現在，客戶不僅希望他們的設備具有更高水平的能力，如更寬的帶寬和更多的輸出端口，而且還希望它能以更緊湊的尺寸提供更大的靈活性。Keysight 推出了包括最新 M9484C 矢量信號發生器在內的可擴展、開放式架構 EW 測試和評估產品組合，滿足了客戶的這些期望。"(圖 2）

[圖2 ? Keysight 的 M9484C 矢量信號發生器是一個四端口信號源，還能產生脈沖對脈沖輸出。這種單一信號發生器能夠取代四個老式信號源]。

Fountain 對發展趨勢的最后評論是："人們希望從露天靶場測試轉向封閉實驗室，這主要是由于露天測試的復雜性、成本以及測試產生的射頻輻射可能被不受歡迎的聽眾截獲"。

開放架構/MOSA 計劃

Fountain 說，在測試和測量層面，他并沒有看到這些計劃有多少活動。"測量系統在操作層面有一些利基應用，模塊化架構（如 MOSA[模塊化開放系統方法]和 SOSA[傳感器開放系統架構]）的優勢和附加成本將適用于這些應用，但在大多數情況下，測試和測量設備是在實驗室中，需要一個可控的環境來提供高度的測量精度。"

Nelson說："從許多方面來看，SOSA等標準架構在嵌入式設計中采用的理念與NI在模塊化PXI平臺測試和測量設計中采用的理念非常相似：制造模塊化、靈活和可互操作的系統。模塊化開放式架構的這三個目標是未來軍用嵌入式系統取得成功的關鍵，使系統能夠在今天設計，并在明天進行低成本升級。NI 的測試和測量方法與這一目標不謀而合。擁有模塊化、可擴展、靈活和可升級的嵌入式系統意味著測試系統也必須是模塊化、可擴展、靈活和可升級的，以適應不斷變化的要求、能力和接口。我們相信，與開放式架構計劃的模塊化方向一致的模塊化測試系統將有助于實現這一新嵌入式系統理念的承諾。"

Keysight 的 Patschke 說："投資新產品的客戶希望確保其傳統設備和系統能夠與升級后的平臺協同運行。"這不僅是一項節約成本的措施，而且還能通過延長舊產品的使用壽命來減少浪費，同時使整個系統保持最新狀態。開放式架構平臺將可持續發展作為優先事項，同時又不犧牲升級能力。Keysight 在設計下一代系統時非常重視開放式架構的實施。"

展望未來

人工智能和軟件定義的測試系統正在為現在以及未來的雷達和 EW 測試系統的更多能力鋪平道路，例如軟件定義雷達、頻譜共享、數字孿生等領域。

Patschke說："未來美國國防部（DoD）客戶的系統測試可能發展的一個途徑就是數字孿生技術的進步。"這些系統利用基于模型的系統工程（MBSE）方法生成數字化的真實測試場景，這些場景通常會考慮到外部變量，而以前的虛擬測試方法無法做到這一點。理論上，'數字孿生'概念可以將大多數（如果不是全部）物理系統工程活動轉換為虛擬活動。在進行物理測試不切實際、真實世界的效果難以再現的情況下，"數字孿生 "有可能增加廣泛的價值。隨著客戶尋求更可靠、更具成本效益的測試手段，數字孿生選擇可能會變得更具吸引力。

Fountain 說，未來幾年有四個關鍵領域將推動測試和測量技術的發展：

• 頻譜共享： 頻譜帶正被重新部署到 CBRS（無線網絡）等商業應用中，這就要求進行更全面、更精確的共存測試。
• 軟件定義雷達： 從模擬脈沖雷達到全數字調制雷達（每個脈沖都可以調制）的轉變已經實現了雷達與合作資產之間的通信。但這不僅僅是雷達和通信，還包括 EW，包括 EP 和 EA，以及集成到單一平臺的[軍事通信]。
• 量子傳感和量子雷達仍處于早期階段，但如果這些技術能在 "實戰 "中發揮作用，它們將改變沖突的根本結構。
• 從傳統的基于脈沖描述符字（PDW）的環境生成轉向基于高保真同相（IQ）的系統，這推動了對更高帶寬射頻生成能力的需求。

雷達和預警系統對靈活性和多功能性的需求也成為測試和測量需求的一個特點。

"納爾遜說："我們已經看到許多要求測試系統像瑞士軍刀一樣的需求：客戶希望測試設備能在單一系統中完成所有功能。

"我們經常收到這樣的請求：要求配置的系統在進行雷達目標生成等系統級測試的同時，還能進行參數測試，并能進行射頻記錄和回放。這些要求結合在一起，就很難在保持可接受的尺寸、重量和功率的同時，以具有成本效益的方式完成測試。只有采用模塊化系統，在封閉的特定功能與使用開放軟件擴展功能之間取得平衡，才能做到這一點。我們看到的趨勢是，現代測試系統必須像它們所測試的系統一樣具有多功能。

將人工智能（AI）融入軍事行動是一個持續討論和爭論的話題。在眾多人工智能應用中，像 OpenAI 的 GPT-4 這樣的大型語言模型（LLM）在自然語言處理、理解和生成方面展現出了前所未有的能力。本文探討了 LLMs 在軍事規劃革命中的潛力，并強調了它們帶來的挑戰和機遇。

LLMs： 人工智能的突破

過去幾年中，LLM 在人工智能研究領域取得了長足進步，展示了其理解上下文、生成連貫文本甚至翻譯語言的能力。這些模型給人留下了深刻印象，在新聞、客戶服務和科學研究等各個領域都得到了應用。

軍事規劃領域的LLM

軍事規劃是一個復雜的過程，需要分析大量信息，如敵方能力、兵力和后勤。LLM 可以幫助軍事規劃人員快速處理和分析這些數據，簡化規劃流程，減少人為錯誤的可能性。在軍事規劃中使用 LLM 可以帶來以下好處：

1、改進決策： 通過分析歷史數據，LLMs 可以洞察各種戰略的潛在結果，幫助軍事規劃人員做出更明智的決策。此外，LLM 還能通過評估潛在對手的行為模式來預測其行動。

2、增強交流： LLMs 可以生成復雜數據集的自然語言摘要，使軍事人員之間更容易交流關鍵信息。這可以提高對態勢的認識，并做出更明智的決策。

3、有效分配資源： LLM 可以通過分析供應鏈數據和預測未來需求來優化軍事資源的分配。這有助于最大限度地減少浪費，確保資源用在最需要的地方。

4、定制培訓： LLM 可以根據每個士兵的需求和能力創建定制的訓練場景。這樣可以提高訓練效率，最大限度地發揮每個士兵的潛能。

5、士氣和心理健康支持： LLM 可以通過自然語言對話為士兵提供心理支持，協助進行壓力管理并解決心理健康問題。

挑戰與關切

盡管有諸多優勢，但在軍事規劃中實施 LLMs 還面臨一些挑戰和問題：

1、數據安全： 在軍事規劃中使用 LLM 需要處理高度敏感的信息。確保這些數據的安全性和保密性至關重要。軍事組織必須投資于強大的網絡安全措施，以保護其數據免遭未經授權的訪問和潛在泄漏。

2、道德考慮因素： 在軍事規劃中部署 LLM 會引發道德問題，即決策自動化程度可能會提高。隨著人工智能系統變得越來越復雜，人類決策與機器決策之間的界限可能會變得模糊，從而導致人們擔心在出現錯誤或失敗時的問責和責任問題。

3、技術局限性： 雖然 LLM 在自然語言理解方面取得了顯著進步，但它們也并非沒有局限性。這些模型有時會產生不準確或有偏見的結果，從而可能導致錯誤的決策。軍事組織必須認識到這些局限性，并確保人類的專業知識仍然是規劃過程中不可或缺的一部分。

4、對技術的依賴： 過度依賴 LLM 可能會導致人類分析能力下降和對技術的過度依賴。軍事規劃人員必須在利用 LLM 的力量與保持人類參與決策過程之間取得平衡。

合作機會

軍事組織、學術界和私營部門之間的合作有助于應對軍事規劃中與 LLM 相關的挑戰。以下是一些潛在的合作途徑：

1、分享最佳實踐： 軍事組織可以相互學習在規劃過程中實施 Lating LLMs 的經驗。分享最佳實踐有助于找出潛在的隱患，確保最有效地利用這些先進的人工智能工具。

2、聯合研究計劃： 軍事組織、學術界和私營部門之間的合作研究計劃可以推動 LLM 的創新發展。這可以創建更先進的模型，更好地應對軍事規劃人員面臨的獨特挑戰。

3、道德準則： 為在軍事規劃中使用 LLMs 制定道德準則，有助于消除人們對決策自動化程度提高的潛在后果的擔憂。軍事組織、人工智能研究人員和倫理學家之間的合作可以制定原則，在人工智能的益處與人的責任和義務之間取得平衡。

4、培訓與教育： 聯合培訓和教育計劃可以幫助軍事人員發展必要的技能，以便在規劃過程中有效實施 LLM。這可以包括有關 LLM 技術方面的培訓，以及有關人工智能在軍事行動中的道德和法律影響的教育。

5、互操作性： 開發可互操作的人工智能系統可促進軍事組織之間的無縫通信和信息共享，確保將 LLM 有效納入多國軍事規劃工作。

結論

大型語言模型的強大功能為軍事規劃帶來了巨大的變革機遇。雖然在實施過程中會遇到一些挑戰和問題，但軍事組織、學術界和私營部門之間的合作有助于克服這些障礙，最大限度地發揮 LLM 在軍事行動中的潛力。通過利用人工智能的力量并保持技術創新與人類專業知識之間的平衡，軍事組織可以改進決策、加強溝通、優化資源分配，并更好地支持其人員的福祉。

作者：Chad Scott

原文來源：Crossroads of Power

以人工智能為代表的新興技術正日益成為影響全球戰略穩定的新變量。作為引領新一輪科技革命的戰略技術，人工智能在國家安全和軍事領域具有顛覆性的潛力。世界主要軍事大國已將軍用人工智能視為戰略競爭新的 制高點。人工智能軍事化的加快推進改變了傳統戰爭模式以及國際軍事競爭態勢。在常規武器領域，人工智能技術擁有增強自主武器威懾、參與輔助決策及 維護網絡安全的能力，可以推動傳統戰爭模式的顛覆性變革，加速戰爭邁向智能化。在核武器領域，人工智能技術與核導彈預警系統、核指揮和控制系統以及自主核運載平臺迭代融合，可以增強核國家核威懾力量，推動核決策走向智能化。從長遠角度來看，人工智能技術的軍事化應用或將改變現有戰略力量的平衡，削弱核國家核威懾的能力，增加危機意外升級的可能性，鼓勵軍備升級和軍備競賽，沖擊和挑戰以核威懾力量為基礎的戰略穩定，進而動搖甚至可能 破壞現有全球戰略穩定的根基。國際社會應聚焦人工智能軍事化過程中相關技術、結構、機制和治理方面的建設，探索降低人工智能軍事應用引發戰略穩定風險的路徑，為建立新型全球戰略穩定體系創造有利條件。

2020年初，美國海軍發布《人工智能技術安全性》。該報告重點關注對此項技術帶來的安全性問題。美國海軍乃至整個國防部系統，都在嚴肅認真地對待軍事人工智能的發展。2019 年的 2、6、9 月，美國先后公布《國防部人工智能戰略》、《國家人工智能戰略》《空軍人工智能戰略》三大戰略，表明其在國家、軍隊、軍種三個層面的“智能化戰略”全面啟動。可看出美國人工智能在軍事領域的發展態勢日趨激烈

一、推出多項政令戰略規劃，聚力發展人工智能

人工智能作為驅動第四次工業革命的重要引擎，深刻影響著經濟產業和各技術學科的發展，為此美國以國家戰略地位提升對人工智能在社會發展各領域( 特別是國防領域) 的動能，以推動人工智能技術的研發。2019年10月，世界經濟論壇發布制定國家人工智能戰略的框架白皮書，創建了最低限度可行的人工智能國家戰略制定框架，指出國家人工智能戰略的制定應考量具有戰略意義的優先事項人口需求資源限制和地緣政治等因素，旨在指導尚未或正在制定人工智能國家戰略的政府。美國多措并舉，繼續把發展人工智能技術作為提升國力維護國家安全的重大戰略，從國家戰略層面強化人工智能技術布局。2019年2月，美國政府科技政策辦公室發布由美國總統特朗普簽發的《維持美國在人工智能領域的領導地位》行政令，提出了美國發展人工智能的政策和原則戰略目標和重點領域，啟動旨在推進美國在人工智能領域領導地位的美國人工智能倡議，指示聯邦政府整合資源，聚力發展人工智能。

同年2月，美國國防部公布《2018年國防部人工智能戰略》的摘要部分( 題為《利用人工智能促進安全與繁榮》) 。該戰略是美國國防部首個人工智能戰略，旨在落實美國政府《國家安全戰略》和《國防戰略》提出的人工智能重要事項，為美國國防部謀求軍事人工智能優勢發展軍事人工智能實戰化能力提供戰略指導。2019年7月，美國空軍推出數字空軍計劃，旨在改進其在數據管理信息技術架構和業務運營方面的不足，使美國空軍保持競爭力。2019年9月，美國能源部成立人工智能與技術辦公室，旨在為美國人工智能研究人員提供聯邦數據模型和高性能計算資源。2019年9月，美國空軍以美國《國防部人工智能戰略》附錄形式發布《2019空軍人工智能戰略》，詳細闡釋在數字時代如何有效管理引導和引領所必須的基本原則職能和目標。2020年初，美國海軍分析中心發布專題報告《人工智能技術安全性———對海軍的行動方案建議》。該報告從當前美國海軍推動軍事領域人工智能技術運用過程中引發的公眾關注進行介紹入手，提出了海軍乃至整個國防部系統在軍事領域接收采用新興技術手段的總體態度與思路。

二、多家軍事機構開展研發項目，探索人工智能技術的軍用新場景

作為軍事大國，美國對于人工智能軍事作戰賦能的目標非常清晰，強力推動美國頂尖人工智能研究走向新的技術突破，促進科學新成果的發現、增強經濟競爭力、鞏固國家安全。2019年3月，美國參議院軍事委員會舉行主題為國防部人工智能計劃的聽證會，美國國防預先研究計劃局 DARPA、國防創新小組( DIU) 、國防部聯合人工智能中心( JAIC)等機構主管分別發言，闡述所在部門的人工智能項目及運行機制等情況，鞏固并強化了人工智能技術及應用與軍方之間的聯系，保障美國的人工智能軍用化步伐進一步加快。以DARPA為例，DARPA正將投資和研發重點轉向第三代人工智能技術，用于創建能在特定語境下進行推理的機器。資助的主要項目包括終身學習機器( L2M，2017年啟動)，可解釋人工智能( XAI，2018年啟動)和機器常識( MCS，2018年啟動)等，探索提高人工智能技術水平的方法，實現語境推理能力。DARPA認為，將這些技術集成到與軍事作戰人員合作的軍事系統中，將有助于在對空間敏感的復雜戰場環境中做出及時決策，了解不完整或者相互矛盾的海量信息，并使用無人系統安全自主地執行關鍵任務。2019年1月，DARPA啟動知識導向型人工智能推理模式( KAIROS)項目，旨在提升面向復雜戰場環境挖掘和理解海量信息中的復雜事件及其相互關系的能力。2019年1月，美國陸軍研究實驗室( ARL)啟動異構戰術環境中的分布處理( DPHTE)計劃，基于霧計算平臺在對抗性軍事環境中為作戰人員提供更多的態勢感知。2019年2月，美國空軍研究實驗室發布多域戰和目標定位支持信息分析項目，旨在開發基于算法戰和人工智能等技術，針對時敏有價值的敵對移動目標進行快速預判和打擊。2019年5月，DARPA啟動旨在將人工智能應用于空戰演變( ACE) 項目，人工智能空戰應用成熟后可替代飛行員完成部分空戰任務。2019年5月，麻省理工學院發布為美國空軍打造人工智能加速器項目，該項目研究領域包括救災和醫療準備、數據管理、維護物流、車輛安全以及網絡還原能力。2019年9月，美國國防部聯合人工智能中心宣布美國軍方網絡安全數據制定新框架，重點為未來人工智能網絡防御體系奠定基礎。2020年初，美國特朗普政府向國會提交2021財年預算申請，加速發展人工智能等技術。提議政府預算從2020財年1560億美元削減至1422億美元，下降138億美元，但預算申請仍強調優先發展“未來產業”，必須加速發展人工智能等技術。其中，500萬美元用于能源部新立“人工智能與技術辦公室”，加強人工智能的項目研發。

三、夯實人工智能實踐應用的道德準繩和安全邊界

隨著人工智能技術的發展，人權倫理、隱私保障、歧視偏見、安全問題等困境日益突出。美國亦在探索中多措并舉，確保人工智能在充分的監督和控制之下發展。特別是在2019年發布的國家級人工智能戰略和2020年初發布人工智能技術安全性報告中，將道德、隱私、安全等問題擺在突出位置，認為應在尊重道德、重視安全的前提下最大限度地發揮其社會效益。

（一）明確戰爭中使用人工智能技術的道德原則和標準

美國推動多項研究，闡明美國合法道德地使用人工智能的愿景和指導原則，引導負責任的人工智能應用和開發。2019年1月，美國國防部要求國防創新委員會制定在戰爭中使用人工智能的道德原則，用以指導軍方在戰爭中使用人工智能技術和武器，并向硅谷科技公司確認其人工智能產品將如何被使用。美國國防部這一舉措被認為旨在形成全球軍用人工智能規范的指導方針，并吸引硅谷科技公司參與防御工作；10月，人工智能原則: 國防部人工智能應用倫理的若干建議推出，被認為是美國對軍事人工智能應用所導致倫理問題的首次回應。2019年1月，美國著名智庫布魯金斯學會發布《自動化和人工智能：機器對人及地區的影響》報告，著重分析了過去近30年間的資助系統與人工智能對行業、就業、地理和人口的影響，并對當前至2030年的趨勢進行了預測。最后針對國家、州和地方的政策制定者提出一個綜合響應框架，為人們理解并規范自動化和人工智能的作用提供參考。

（二）人工智能對軍事領域尚屬新興技術，安全性不容忽視

人類歷史上，充斥著軍隊利用技術取得軍事優勢的實例。比如戰車。戰車，是出現在戰場上的第一種車輛裝備，由民間通用馬車提高速度和機動性改進而來，在軍事運用方面取得了顯著的優勢。戰車被描述為當時的“超級武器”。又比如火藥。火藥源起于一個偶然發現，它的出現，使得軍隊能夠駕馭化學反應能量來提高速度與威力，由此徹底改變了戰爭的形態和樣式。再比如內燃機。這種發動機繼承并發展了蒸汽機的優勢，改變了戰爭活動的速度與范圍。對內燃機的應用方案，包括為后勤物流（補給運輸卡車）提供動力以及為潛艇、飛機與導彈賦予持久的遠程監視及打擊能力。對大多數技術手段的接收和運用，一度都曾起到了改變了戰爭樣式的作用。而其中有幾項，更是徹底顛覆了以往戰爭活動的樣式和范圍，其中便包括火藥與核武器。人工智能技術，亦被認為位居此類。此項技術能夠應用于整個戰爭事業的方方面面，大幅提高了戰爭活動的效能與效率。各類人工智能技術，也因其各自獨有的特性而有所區別。首先應注意到，現實世界中人工智能技術應用方案，是用以解決特定領域問題的狹義人工智能技術，而非具備普遍通用性的通用人工智能技術應用方案。人工智能技術在軍事領域的應用，可以與美國軍隊對核武器的運用方式進行類比：安全方面的關鍵性技術領域知識，必須在很大程度上由軍隊文職機構掌握，在很大程度上亦屬技術范疇。

（三）給予人工智能技術安全性 “恰到好處”的信任

人工智能技術安全性，也與對其信任程度有關。美國軍方運用人工智能技術方面的一個關鍵問題是，軍方人員和美國政府高層領導能否相信這些系統確實有效且不會引發意外問題。2016年國防科學委員會對自主控制技術的研究報告指出：“決定在特定任務中部署運用某系統的個人，必須信任該系統。”在伊拉克和阿富汗的行動表明，負責實施特定行動的指揮官和戰斗/操作人員在不完全了解后果的情況下，不一定會使用某些系統。當某些系統被部署至戰場以滿足緊急需求時（如反簡易爆炸裝置系統或用于提供關鍵性情報的監視系統），一些部隊還是選用了他們已經熟悉的武器系統和情報監視偵察平臺，即便是老系統的功能指標比不上那些已經可以選用的新系統。對人工智能系統的信任度過低是一種危險，會阻止部隊運用他們所需的功能。而另一種危險，則是對某項能力的過度信任。人類傾向于過度信任機器，即便在有證據表明不能夠給予這種程度的信任情況下，也是如此。戰爭活動中的過度信任，也有具體案例。如，2003年，陸軍“愛國者”防空導彈系統曾擊落1架海軍F/A-18飛機，該系統將飛機誤判定為戰術彈道導彈，并向操作人員提出了建議，要求其發射導彈實施攔截。操作人員在沒有獨立核實可用信息的情況下，批準實施了這項建議。這表明，在實際作戰行動中，軍方需要對人工智能給予程度“恰到好處”的信任，不能過熱也不可太冷，避免滑向兩個極端。需要達成的目標，是程度恰當的信任，并且應該讓人來參與決策過程。而這種決策過程，則需要以各種相關能力及對系統功能所具備的經驗與知識為依托。

（四）軍事人工智能安全問題將寫入政策方針

軍方和政府的高層領導，還應通過政策方針層面的決策對相關軍事行動的性質施加影響，包括確定戰爭活動中應該使用哪些特定的技術手段。這些方針政策，可能會對監管程度構成影響。例如，國防部第3000.09號指令，就要求對某些類型的自主控制系統進行高級別審核。明確戰爭活動中允許使用的技術手段（例如，對白磷（彈藥）運用的限制和使用集束彈藥時相關設定要求以及對其它此類武器具體性能參數的限制要求），并且對某些特定類型作戰行動中的策略原則進行限制。例如，《2013版總統政策指導（Presidential Policy Guidance，PPG）》及《2017版總統政策指導》中，對某些反恐行動的批準與監管流程的總體原則框架進行了明確。這些政策方針原則，有助于確保相關軍事活動符合美國的原則、價值觀及利益。這些政策方針層級的決定，都有反映出對此類系統或作戰行動可靠性所應持有的信任程度的意味。值得注意的是，以上這些實例內容都涉及到了安全性原則問題，而《國防部第3000.09號指令》的目的，就在于避免“意外交戰（inadvertent engagements）”事件的出現（例如致使平民傷亡）。限制白磷彈藥和集束彈藥的目的，還在于減少使用這些武器時給平民帶來的危險。《2013版總統政策指導》中，直接將致使平民傷亡明確列為作戰行動批準程序中的否決條件（no-gocriterion）。因此可以預見，安全性問題，勢必將成為未來高層領導人對于將人工智能技術手段運用于戰爭活動方面所明確的相關指導與指令內容中的一部分。

（五）軍方須與業界協助解決安全問題

人工智能技術的巨大進步，也使美國政府產生了對業界新的依賴性。自第二次世界大戰以來，美國政府一直在很大程度上依賴于自身投入的研發資金。然而，人工智能技術方面的研發投資，越來越多地由私營機構所主導。其特征，是過去十年來科技行業的研發支出急劇增加。在圖1中，我們將整個美國政府在網絡和信息技術研發方面的支出與美國排名前五位的高科技公司（亞馬遜、谷歌/阿爾法控股、英特爾、微軟、蘋果）的研發投資進行了對比。如圖1所示，科技行業企業在研發方面的投入明顯更多，而且兩者間的差距正在擴大。2010年，科技行業企業的研發支出，已經是美國政府整體科技研發投資規模的6倍。8年后，企業在這方面的投入規模將激增至美國政府的15倍。總體而言，美國政府在尖端技術方面研究工作的投資面臨著迅速擴大的缺口。這種現狀，為美國政府營造出了一種處于不斷變化中的環境。在這種環境中，與業界的協作，對于美國政府實現其戰略目標必須保持的技術優勢而言至關重要。在這個意義上，人工智能技術安全性應該是業界關注的問題——正如谷歌等公司放棄了對美國政府軍事領域應用方案的支持，并開始運用倫理性審查程序對其內部工作流程進行監測所證明的那樣，美國政府必須與業界協作，依托其幫助解決此類問題。

圖1 美國政府與科技行業企業研發投資差距對比圖

四、美國軍事人工智能面向未來的發展趨向人工智能技術一般可分為弱人工智能、強人工智能、超人工智能 3 個等級，預計強人工智能技術可能在 2050 年前問世。未來美軍智能化建設發展可能經歷三個階段：

2025 年前，美軍重點是搭起智能化軍隊框架，總體水平處于弱人工智能階段。美軍建設主要圍繞構建“全球監視打擊體系”，以升級水下、網電、空天、全球快速打擊和導彈防御作戰系統為重點，突出發展無人化、隱身化、遠程化作戰平臺，提升“全球公域”介入能力，確保可信的“拒止”和“懲罰”威懾。這一階段，美軍無人系統在數量上將逐步超過有人系統，自主無人系統將成為美軍前沿作戰的重要力量，無形、無人、隱形、靈巧等力量將成為美軍事干預的主要手段。2035 年前，美國初步建成智能化作戰體系，總體水平進入強人工智能階段。美軍建設主要通過發展智能化作戰平臺、信息系統和決策支持系統，以及定向能、高超聲速、仿生、基因、納米等新型武器，對主要對手形成新的軍事“代差”。在這一階段，美軍無人系統的投資將超過有人系統，無人系統建設規模及作戰運用皆居于主導地位。2050 年前，美軍智能化作戰體系將更先進、更完善，總體水平達到超強人工智能階段。美軍在強人工智能、通用量子計算、可控核聚變、納米機器人、再生、創生、腦聯網等技術方面可能取得突破。作戰平臺、信息系統、指揮控制可能全面實現智能化、無人化，更多樣的仿生、基因、納米等新型武器走上戰場，作戰空間進一步向生物空間、納米空間、智能空間拓展，人類進入“機器人戰爭時代”。

---

機器學習是現代戰爭系統的關鍵組成部分。本文探討了人工智能的 7 個關鍵軍事應用。

機器學習已成為現代戰爭的重要組成部分，也是我（Nicholas Abell）作為陸軍退伍軍人和數據科學家的主要興趣點。與傳統系統相比，配備人工智能/機器學習的軍事系統能夠更有效地處理大量數據。此外，人工智能由于其固有的計算和決策能力，提高了作戰系統的自我控制、自我調節和自我驅動能力。

人工智能/機器學習幾乎被部署在所有軍事應用中，軍事研究機構增加研發資金有望進一步推動人工智能驅動系統在軍事領域的應用。

例如，美國國防部 (DoD) 的國防高級研究計劃局 (DARPA) 正在資助一種機器人潛艇系統的開發，該系統預計將用于從探測水下水雷到參與反潛行動的各種應用。此外，美國國防部在 2017 財年在人工智能、大數據和云計算方面的總體支出為 74 億美元。預計到 2025 年，軍事 ML 解決方案的市場規模將達到 190 億美元。

以下是機器學習將在未來幾年證明其重要性的七種主要軍事應用。

1. 作戰平臺

來自全球不同國家的國防軍隊正在將人工智能嵌入陸地、海軍、空中和太空平臺上使用的武器和其他系統中。

在基于這些平臺的系統中使用人工智能，可以開發出更少依賴人工輸入的高效作戰系統。它還增加了協同作用，提高了作戰系統的性能，同時需要更少的維護。人工智能還有望使自主和高速武器能夠進行協作攻擊。

2. 網絡安全

軍事系統通常容易受到網絡攻擊，這可能導致機密軍事信息丟失和軍事系統損壞。然而，配備人工智能的系統可以自主保護網絡、計算機、程序和數據免受任何未經授權的訪問。

此外，支持人工智能的網絡安全系統可以記錄網絡攻擊的模式，并開發反擊工具來應對它們。

3. 物流運輸

人工智能有望在軍事后勤和運輸中發揮關鍵作用。貨物、彈藥、武器和部隊的有效運輸是成功軍事行動的重要組成部分。

將人工智能與軍事運輸相結合可以降低運輸成本并減少人力工作負荷。它還使軍用艦隊能夠輕松檢測異常并快速預測組件故障。最近，美國陸軍與 IBM 合作，使用其 Watson 人工智能平臺來幫助預先識別 Stryker 戰車的維護問題。

4. 目標識別

正在開發人工智能技術以提高復雜戰斗環境中目標識別的準確性。這些技術使國防軍隊能夠通過分析報告、文檔、新聞提要和其他形式的非結構化信息來深入了解潛在的作戰領域。此外，目標識別系統中的人工智能提高了這些系統識別目標位置的能力。

支持人工智能的目標識別系統能力包括基于概率的敵人行為預測、天氣和環境條件匯總、潛在供應線瓶頸或漏洞的預測和標記、任務方法評估以及建議的緩解策略。機器學習還用于從獲得的數據中學習、跟蹤和發現目標。

例如，DARPA 的競爭環境中的目標識別和適應 (TRACE) 計劃使用機器學習技術在合成孔徑雷達 (SAR) 圖像的幫助下自動定位和識別目標。

5. 戰場醫療

在戰區，人工智能可以與機器人手術系統 (RSS) 和機器人地面平臺 (RGP) 集成，以提供遠程手術支持和疏散活動。美國尤其參與了 RSS、RGP 和其他各種用于戰場醫療保健的系統開發。在困難條件下，配備人工智能的系統可以挖掘士兵的病歷并協助進行復雜的診斷。

例如，IBM 的 Watson 研究團隊與美國退伍軍人管理局合作開發了一種稱為電子病歷分析器 (EMRA) 的臨床推理原型。這項初步技術旨在使用機器學習技術來處理患者的電子病歷，并自動識別和排列他們最嚴重的健康問題。

6. 戰斗模擬與訓練

模擬與訓練是一個多學科領域，它將系統工程、軟件工程和計算機科學結合起來構建計算機模型，使士兵熟悉在軍事行動中部署的各種作戰系統。美國正在越來越多地投資于模擬和訓練應用。

美國海軍和陸軍都在進行戰爭分析，啟動了幾個傳感器模擬程序項目。美國海軍已經招募了 Leidos、SAIC、AECOM 和 Orbital ATK 等公司來支持他們的計劃，而美國陸軍的計劃得到了包括 SAIC、CACI、Torch Technologies 和 Millennium Engineering 在內的公司的支持。

7. 威脅監控和態勢感知

威脅監控和態勢感知在很大程度上依賴于情報、監視和偵察 (ISR) 工作。ISR 行動用于獲取和處理信息以支持一系列軍事活動。

用于執行 ISR 任務的無人系統既可以遠程操作，也可以按照預先定義的路線發送。為這些系統配備人工智能有助于防御人員進行威脅監控，從而提高他們的態勢感知能力。

具有集成 AI 的無人駕駛飛行器 (UAV) - 也稱為無人機 - 可以巡邏邊境地區，識別潛在威脅，并將有關這些威脅的信息傳輸給響應團隊。因此，使用無人機可以加強軍事基地的安全，并提高軍事人員在戰斗中或偏遠地區的安全性和效率。

結論

人工智能在軍事技術硬件和軟件的大規模采用，向我們展示了現代戰爭中令人難以置信和可怕的范式轉變。毫不奇怪，世界上最大的軍隊比其他任何事情都更加關注這項技術，而這場技術競賽的獲勝者可能會比美國在研制原子彈后擁有更多的全球影響力。 （作者：Nicholas Abell，美國陸軍退伍軍人）