為了促進北約指揮機構（NCS）、北約部隊機構（NFS）和其他關鍵組織之間的大范圍數據交換，北約正在不斷修訂支持作戰指揮和控制（C2）的廣域網。在北約通信和信息局（NCIA）的支持下，本十年最重要的任務之一就是重新設計和組織現有的機密網絡域，以支持當前和未來行動的高效 C2。 在這篇文章中，將簡要介紹 NCIA為創建更具彈性的機密域網絡所做工作的歷史背景，以及聯盟內部核心和功能服務的需求，以介紹已經確定的、可行的機密網絡增強解決方案。

引言

北大西洋公約組織（NATO）通用通信和信息系統（CIS）網絡（NGCS）于 1997 年推出，用于支持非機密和機密安全領域的北約指揮結構（NCS）要素（如盟軍最高司令部轉型 SACT、盟軍歐洲最高總部 SHAPE、布魯塞爾聯合部隊司令部 JFCBS、那不勒斯聯合部隊司令部 JFCNP 等）。與此同時，還需要國防網絡（NDN）和北約部隊結構（NFS）單位在上述物理和邏輯領域實現互聯，以便在北約和國家指揮部之間提供盡可能高水平的多重連接。為實現這一共同目標，需要建立一個稱為 NGCS 的全面、總體網絡結構。

北約部隊結構（NFS）單位都有專門負責包括獨聯體在內的所有層面支助工作的有機支助單位；然而，國家指揮系統的主要指揮部可能沒有為此目的的國家專門支助單位。因此，需要建立一個組織，在非機密和機密領域提供最大程度的 CIS 支持，即為 NCS 和 NFS 建立 CIS 網絡的靜態領域。為了完成這些任務，1996 年成立了北約咨詢、指揮和控制機構（NC3A），包括位于荷蘭海牙的 SHAPE 技術中心（STC）和位于比利時布魯塞爾的北約通信和信息系統機構（NACISA）。NC3A 是北約咨詢、指揮和控制組織（NC3O）的一部分，并向北約咨詢、指揮和控制委員會（NC3B）報告。2012 年 7 月，北約通信和信息局（NCIA）重組成立。

新成立的 NC3A（即后來的 NCIA）的主要前提之一是建立北約核心網絡（NCN），將通過網關、路由器和防火墻在物理域連接的 NCS、NFS 和 NDN 要素整合在一起。在這一術語中，NC3A 已開始成為將 NCS 和 NFS CIS 元素納入非機密和機密靜態域中的一個全面、可擴展網絡的組織。

北約網絡化能力（NNEC）倡議推動將北約機密領域作為整個聯盟的行動咨詢、規劃和執行工具，提供從主要指揮部到國家飛地的自上而下的方法；同時，北約在 20 世紀 90 年代末的擴張（匈牙利于 1999 年加入北約）要求在理念和物資方面采用新的網絡擴展方法。連網部隊倡議（CFI）確立了零日連通性的概念，使其成為新加入連網國家的戰略重點。零日連通性使新加入和現有的聯盟成員能夠運行核心 CIS 服務和選定的基本功能服務，以便在任何演習和行動開始之前就為主要 C2 功能提供連貫的基本網絡。

互操作性要求核心企業服務（CES）方面的總體連接，如電話、電子郵件、視頻電話會議和聊天，以及主要由 NCIA 提供的特定利益共同體（CoIs），列在 NCIA 成本服務目錄和服務費率中。

NFS 以及后來的聯合指揮與控制（C2）能力（JC2C）倡議促使各國建立北約戰備部隊（NRFs），并需要與 NGCS 互聯。在北約戰備行動計劃（RAP）出臺后，這一努力轉向與多國總部的大規模連接，通過實現從上到下的有效指揮控制（從戰略到戰術層面），進一步鞏固了北約機密領域，使其成為北約高度戰備部隊的基礎支柱之一。

為了應對這些挑戰，NC3A 和 NCIA 利用比利時的 Mons 和 Evere、意大利的 Lago Patria（那不勒斯）作為北約企業（CES 和 CoIs）服務和數據中心/樞紐，在機密領域建立了網狀網絡。大多數國家只需將 NGCS 向下延伸到國家總部，即可優先滿足其信息交換要求 (IER)。這意味著從上述由 NCIA 運行的數據中心到國家總部（用戶）之間的 "爐灶式 "連接，使信息渠道/通信線路面臨多種多樣的威脅，需要采取可擴展的措施，從整體上保障網絡安全。

另一個相關主題是全聯盟獨聯體在共同供資/單獨（國家）供資方面的資金問題。聯盟成員向北約基金支付預算，但根據調查和經驗，從 21 世紀第一個十年開始，聯盟迅速擴張，這表明 80% 的 NGCS 實際足跡被排除在北約共同資助的能力包之外。這意味著新加入北約的國家并不急于或沒有能力按照北約常用硬件和軟件的NCIA建議更新周期改進其機密的C2-使能CIS。這就導致在網狀網絡中存在大量過時的、與網絡相關的脆弱設備和工具，而這些設備和工具在設計上仍然沒有將這些國家擴展分隔開來。如今，當網絡挑戰成為我們這個相互聯系的世界中最嚴峻的威脅時，這些設備和工具的性能正在減弱，并可能危及整個 NGCS。

值得注意的是，國家管理的機密信息服務域激增，其目的是使其目錄（如文件服務器）和電子郵件（如交換服務器）與NCIA自動信息系統（AIS）域單獨同步，NCIA企業是各組織相互通信不可或缺的樞紐。 因此，目前由NCIA管理的NGCS(至少是靜態機密網絡域)顯然需要修訂和重新設計，這是立即應對21世紀網絡挑戰的一項重要任務。相關的應對措施將很大一部分決定權交給各組織（總部、國家等），由它們在創建自己的網絡和服務時采取有分寸、有針對性但至少是最低限度的適當行動。

在簡短的介紹之后，本文將回顧北約正在進行的程序，以便找到持續發展網絡化需求（信息交換需求 IER）的解決方案，將各國和其他組織作為信息樞紐納入具有嵌入式真實聯網能力的全聯盟網絡。

在這篇文章中，將簡要介紹 NCIA 當前為各國在機密領域創建彈性廣域網而開展的研究/趨勢，并將介紹各國和其他組織為實現這一更高層次的網絡互聯而采取的預期步驟。

可行的解決方案

顯然，聯盟的主要指揮部（NCS 要素）今后也必須得到 NCIA 的支持。利用聯邦任務網絡（FMN spirals）模型作為加入北約機密靜態網絡的模式，可以在 NFS 和其他組織的信息技術（IT）網絡領域實現革命性的變化。這樣做的目的是在這一相關領域創建一種保密互聯網，使各國和各組織有機會通過其專門的東道國和支助單位管理自己的網絡，最初由國家信息和通信管理局提供大力支持。

應對新出現的挑戰的一個可能辦法是由國家信息與通信管理局發起的聯盟聯合服務（AFS）項目。2019年4月，NCIA組織了關于這一主題的啟動/試點會議，會議以聯盟的北極星計劃為基礎。北極星 "是一項現代化倡議，幾乎涵蓋了北約發展的所有領域，目的是在通信領域創建一個以尖端技術為特征的聯盟，在信息技術方面提供具有抵抗力和彈性的 CIS 網絡，使聯盟能夠應對 21 世紀的挑戰。正如北約文件 C-M(2015)0041-REV2（國家/組織行動方案）、PO(2014)0801（CIS 安全）、C-M(2017)0062（北約 C&I 愿景）所述，"北極星 "的重要組成部分之一是由 NCIA 領導的 CIS/IT 現代化。調查和經驗表明，北約傘形網絡內有 600 多個存在點（PoPs），涉及整個保密靜態網絡。12 調查和經驗表明，北約傘狀網絡內有 600 多個存在點，籠罩著整個靜態保密網 絡。為了減少由北約信息中心管理的存在點的數量，讓更多的國家和組織參與其管 理，有必要重新設計、升級/安裝和管理/維護每個實體最多 2 個存在點，由北約(北 約信息中心)和國家/組織共同運行/監督。通過這些PoPs，各實體可以利用NCIA的CES和CoIs，也可以設計、運行和維護自己的服務（聯合服務），還可以向北約其他國家/組織借用或借用這些服務（NCIA企業對企業模式）。NCIA在CES和CoI方面利用民用和私人IT環境中眾所周知的云服務，為NGCS提供遷移服務支持。NGCS 必須轉型為更先進、更現代化的 IT 網絡，并將更名為北約通信基礎設施 (NCI)。

通往最佳的道路

基于 FMN 概念，新的 AFS 模式必須利用以下各層聯盟（根據 C3 分類法）。

• 網絡層
• 核心（事業）服務層
• 網絡安全層
• 信息技術基礎設施庫（ITIL）層
• 協同創新層
• 驗證和確認層

一旦完成了 NNG 的互聯，也就完成了分層，各層的聯合可能就是成功的關鍵。在定義了聯盟層之后，值得深入研究網絡層的各個層面，以便概述和確定國家、組織重新設置其連接性的真正需求和任務。表 1 列出了預先計劃的以網絡層為重點的聯邦計劃。

這項現代化工作的目標是將重點放在 2-3-4 型上，設計新的網絡布局，交換硬件（PoPs），重新設計互聯網協議（IP，目前為 IPv4）地址，開發服務管理（SM），包括服務質量（QoS）措施。

因此，很明顯，加入 AFS 首先必須是聯盟所有成員組織（NCS、NFC）和其他總部、國家分部的全國性努力。同樣顯而易見的是，一旦國家或組織擁有了最先進的、新建的網絡延伸，并有進一步擴大的光明前景，隨著 CES 和 CoIs 與其他聯盟成員組織的重組，國家或組織層面的重組將帶來最高的利潤和利益。

設計原則

正如已經指出的，目前的 NNG（帶有邊界保護服務 BPS 的邊界路由器）將直接連接到組織、國家的邊界路由器。NNG 可由 NCIA 和相關國家共同管理；但國家網關（如邊緣路由器）和 BPS 的管理必須由國家負責。換言之，邊界保護機制（可以是本地的和/或集中的）將由相關國家負責。

此外，邊界保護措施也是每個國家的明確利益所在。圖 1 顯示了從目前的網絡狀況到不久的將來的愿景的可能解決方案。

圖 1 清楚地表明，新網絡使聯盟能夠在整個網絡中運作，如同分類互聯網（IP 路由和域名服務 DNS）一樣，并以各國的努力為基礎。國家網絡可以擁有或接受北約企業提供的服務；但是，高度鼓勵每個國家網絡在核心企業和功能（CoIs）服務方面發展自己的聯盟聯合網絡（AFN）能力，這些服務由北約國家信息和通信管理局（NCIA）直接支持和監督，NCIA 仍負責管理整個北約機密靜態網絡。

NCIA還將支持國家IPv4專用空間的分配，建立NCIA命名和注冊管理局（NRA）。我們認識到，在過去幾十年中，NCIA 和國家/組織對適當的 IP 空間照顧較少，與民用環境一樣，隨著需求的增加，必須將 IPv4 交換到 IPv6，IP 空間的遷移是不可避免的，對于建立一個具有網絡復原力的機密網絡至關重要。

成功之路

NCIA為任何組織設計了將其陳舊網絡重新改造為聯合靜態網絡的步驟。如前所述，這是一項由NCIA主導的倡議，因此，該機構提供了實現全面連接的可行步驟。以下是最重要的、任何國家和組織都必須采取的行動，如表 2 所示。

完成上述步驟后，國家和組織顯然會受益匪淺，因為受尊重的實體可以完全控制和管理其整個保密靜態網絡，并有可能在未來進行擴展，包括擴大當前的保密靜態網絡，以連貫、可擴展、有彈性的方式實施可部署（任務）網絡或要素。這也是靜態和可部署機密網絡（利用符合 FMN 的網絡原則）在層級、CES 和 CoI 方面實現聯合的關鍵點。所有這一切都意味著，這個新形成的云將處于北約企業足跡之外；因此，它可以完全獨立地管理由 NCIA NRA 分配給它的 IP 空間。國家和組織可以創建新的網絡節點、改變網絡拓撲結構（擴展或縮小）、升級網絡設備以及部署新的應用程序和服務。從另一個角度看，這種聯合方法使國家和組織能夠按照自己的意愿，更重要的是根據業務需求和變化，自由地運行自己的保密網絡業務。

總結、結論和未來之路

顯然，由于北約戰略和行動文件規定的具體原因，目前使用的 NGCS 無法再進行管理。需要進行轉型，需要在北約機密和靜態網絡中利用 "調頻網絡 "原則進行緊急網絡升級。NCIA已于2019年啟動了AFS項目，以應對21世紀的挑戰，明確確定需求，然后由NCIA本身、NCS、NFS和其他要素（特別是國家和組織）制定規則、角色和責任，如何重新設計目前被稱為NGCS的過時的分類靜態網絡。

NCIA還提供全面的《聯合成員和退出指示》（JMEI），供整個聯盟的任何實體閱讀、消化、利用并最終采取行動，以做出最大努力。這就是網絡過渡倡議的明顯說明，按照該文件指導的步驟，各國、各組織可以成功、快速地加入這個新定義、新組建的網絡。

匈牙利也已經邁出了這一步，成立了我們分類靜態網絡的核心網絡規劃小組。在現階段，該委員會的主要任務是審查目前匈牙利北約保密網絡（HUN NSN）的布局和節點、PoPs，然后制定一個升級計劃、一個可行的解決方案，并向決策者提供適當的時間表、如何以及何時，最重要的是，根據美國戰地服務局（AFS）的原則，首先對匈牙利保密網絡進行改造，然后與誰進行聯合。

現在就提出了挑戰。堅信，根據美國戰地服務團的原則，HUN NSN 很快就會變成一個新的保密網絡。

美國特種作戰司令部（USASOC）的任務是在國內和國際上協調和支持特種作戰部隊。該組織面臨的一個摩擦點是收集簡明的數據，告知行進的士兵與他們的目的地有關的重要因素。該項目旨在匯總不同的數據，為前往任何國家的申報或未申報人員建立風險模型。指揮部作戰網絡的風險評估或RECON系統收集開源數據，將其匯總，然后進行評估，產生一個風險評估，供指揮官解釋。然后，匯編的信息將被提交給前往海外的部隊指揮官，使他們能夠做出更有風險的決定。

方法

為了給USASOC的指揮官創建儀表板，以協助他們確定向國外派遣士兵的風險，問題被分成兩個部分：定量和定性分析。第一部分涉及開發一個模型，通過收集定量數據來衡量一個國家檢測個人數據簽名中的異常的意愿和能力。然后將其落實到隨機森林回歸模型中，以預測風險分數。第二部分是向指揮官提供定性數據，以使預測的風險分數具有背景性。這是通過網絡搜索國務院旅行咨詢、推特、Reddit和其他網站來收集的，以顯示每個國家內與潛在威脅有關的當前事件。然后將其編入Streamlit上的一個用戶友好型儀表板，提交給指揮官。請參閱第4頁的圖3，該圖概述了從最初輸入派往特定國家的個人行進者的情況，到最后實現用戶友好型Streamlit儀表板的過程。

“美國陸軍2030”概念的出現結合了新的概念、編隊和技術，需要在各級戰爭中進行大量實驗。陸軍作為美國資源的保管者，必須向高級領導人提供關鍵信息，以便就陸軍應該如何改變做出決定。在一個技術提高了陸軍、聯合部隊、盟友和潛在對手的能力的世界里，這些變化是必要的。下面的文章旨在幫助指揮官和參謀部了解陸軍如何設計和執行實驗。

為什么美國陸軍實驗對作戰部隊很重要？

美國陸軍進行實驗是為了確保領導人能夠運用有限的資源來達到2030年的陸軍，甚至進一步達到2040年的陸軍。在人員、戰備和現代化的優先事項中，陸軍領導層對概念、編隊和技術的可能性和可行性有必要的理解和認識是至關重要的。這三者的結合必須實現一支能夠提供超強的潛在對手能力的部隊。對于一支必須始終關注戰備狀態的作戰部隊來說，實驗提供了一個驗證哪些能力可以提高戰備狀態的場所。其中一個關鍵部分是讓今天的作戰部隊的士兵和組織對這些潛在的變化提供反饋。這為參與的作戰部隊提供了影響陸軍未來的能力，同時提供了一個額外的訓練場所。

什么是陸軍實驗？

國防部實驗指導手冊將實驗描述為 "在測量的條件下測試一個假設，以探索操縱擬議的作戰概念、技術或條件的未知效果。" 在陸軍作戰實驗中，士兵們在野外環境中參與新技術、新概念和新組織。訓練有素的數據采集員和作戰分析員觀察這些實驗。這些觀察員在定量和定性分析的基礎上提出問題和假設。觀察完成后，收集人員將他們的數據提供給陸軍高級領導人，以協助他們確定未來部隊可能采用的能力。

作戰實驗與演習的區別

陸軍進行演習和實驗的方式有許多區別和結果。首先，演習可以提高戰備狀態，有訓練目標，有主要的訓練對象，并且有 "自由發揮 "的場景。陸軍單位進行演習是為了提高戰備狀態。根據一個單位的基本任務清單，指揮官確定訓練目標。訓練目標驅動著場景、參與單位和其他實現戰備目標的必要因素。在演習中，參與單位是主要的訓練對象。這方面的一個例子是在聯合戰備訓練中心（JRTC）的演習中，主要的訓練對象是旅戰斗隊的指揮官。在演習中，有大量的自由發揮。例如，對方部隊（OPFOR）可能被指示做一些特定的事情，以便讓各單位做出選擇和回應。

陸軍經驗教訓實踐社區為大多數重大演習計劃收集活動。根據演習的訓練目標，這些收集活動可能包括對特定重點領域或一般經驗教訓的觀察。陸軍經驗總結團體組成了收集小組，由于OPFOR和參與單位之間的自由發揮，可能會也可能不會收集到預期的數據。演習的成功如果基于訓練對象所學到的東西。觀察、洞察力和收集到的教訓數據屬于演習中的單位。

陸軍實驗與陸軍演習明顯不同。實驗的設計是基于贊助組織需要學習什么來推動未來的決策。贊助組織就需要回答的問題提出活動問題。實驗設計者將這些問題進一步分解為基本分析要素（EEAs），以幫助陸軍了解必須收集和分析什么來充分回答事件問題。通常，實驗有學習目標，有廣泛的領域需要答案來推動進展。此外，設計者會將學習目標分解為學習需求。學習需求是由任務分析和問題分解過程中發現的任務或定向活動所確定的問題。最終的狀態是滿足學習需求和各種可以用來完成的方法，包括文獻回顧、研究、運籌學技術和實驗。最后，設計者制定性能和有效性的衡量標準，以提供有意義的結果來告知領導者。實驗設計者利用這些步驟的結果來制定方案、所需組織、設備要求和其他項目。

在實驗中，陸軍通過收集的數據和由此產生的分析為未來的決策提供依據來定義成功。實驗資源的關鍵是確保數據收集和分析要素（如電子系統、人員、數據庫、數據收集卡等），這是獲得數據以進行后期分析的必要條件。自由發揮，或參與者做出選擇的能力，在實驗中是有限的，以使必要的聯系發生和被測量。例如，將特定的傳感器與特定的網絡和應用聯系起來，然后再與特定的射手聯系起來。實驗設計者這樣做是為了實驗各種元素一起工作如何提高反應能力。

在實驗中，收集者/分析者根據收集者的觀察分析得出教訓，以回答學習需求。在可能的情況下，這些問題在性能或有效性方面進行衡量，以提供可衡量的數據。這可能是基于技術能力的定量數據或基于操作有效性的定性數據。這些數據通常支持概念、物資和組織的發展。實驗負責人在不同的地方公布實驗結果。為了整合實驗數據，未來和概念中心正在開發Forge。Forge是一個 "結構模塊化的日期環境，促進了現代化進程的同步和整合，使陸軍現代化企業協作和共同運作的進展圖"。用戶可以訪問Forge來查找最終的實驗報告。Forge提供了一種能力，可以看到計劃的實驗，以及他們的學習需求和結果。經驗教訓社區可以使用Forge來了解分析家們提出的問題。根據經驗教訓社區在操作和訓練中看到的情況，社區可能能夠完善和/或幫助回答一些學習需求。

以“融合項目”為例

融合項目21（PC21）是上述內容的一個很好的例子。AFC根據需要學習的內容設計了PC21。陸軍的跨職能團隊（CFTs）和能力發展整合局（CDIDs）以及其他機構根據他們需要回答的問題提交了學習需求，以便為高級領導人的決策提供信息。在PC21中，有兩個關鍵領域的實驗需要解決。第一個是單個技術的性能。第二個問題是基于這些技術結合后如何提高作戰部隊的能力。為了解決這些問題，未來與概念中心和聯合現代化司令部（JMC）開發了用例作為實驗場所。設計者使用特定的領域，如傳感器到射手或綜合空中和導彈防御來開發用例。JMC制定了執行檢查清單（EXCHECKs），逐步描述了預期發生的情況。EXCHECK是收集數據的關鍵部分，以收集每個行動，為以后的分析提供基礎。PC21進行了多次迭代，以觀察和測量變化。觀察收集器進行了根本原因分析，以確定哪些因素促成了實驗中發生的事件。然后，對這些單獨技術的分析與對它們與其他技術的使用分析相結合，以發現它們如何能夠提高部隊的有效性。

了解需要學習的內容并集中收集努力是PC21成功的關鍵。由研究與分析中心（TRAC）、美國陸軍測試與評估司令部（ATEC）、陸軍作戰能力發展司令部（DEVCOM）分析中心（DAC）以及CFTs和CDIDs組成的PC21數據收集與分析（DC&A）團體將學習需求細化為分析的基本要素。DC&A進一步將分析的基本要素分解為性能和效果的衡量標準。這提供了必要的基線數據要求，以顯示收集者在實驗中必須追求的目標。DC&A研究了如何收集這些數據要求。對于定量數據，電子能力可以收集一些數據。在不可能的情況下，數據收集者收集具體的時間或其他數字元素，供以后分析。數據收集員和分析員收集額外的定性數據，如士兵和領導對技術效用的想法，或通過調查、熱洗和其他投入使用的潛在技術。數據收集員和分析員將收集到的原始數據輸入陸軍實驗資源數據庫（AERDR）。AERDR為所有陸軍實驗數據提供了一個數據庫。然后，代表PC21數據收集和分析界各要素的分析人員能夠使用這些數據，得出他們輸入實驗報告的結論。在未來，實驗發起人將在Forge發布這些類型的報告，供陸軍和聯合伙伴使用。高級領導人可以使用分析的結果來決定各種技術的發展方向。未來的 "聚合項目 "實驗將進一步納入概念和編隊。

結論

陸軍實驗對于向未來部隊提供能力超配至關重要。像 "融合項目 "這樣的實驗提供了一個場所，作戰部隊可以對未來能力提供反饋。這種反饋對于為高級領導人做出資源決策提供信息至關重要。作戰部隊指揮官對實驗的設計和收集的理解有助于他們更好地理解他們在這個過程中的關鍵作用。

聯合全域指揮與控制（JADC2）代表了進行戰爭的一個歷史性轉變。這些變化通過技術進步和由此產生的指揮和控制的重新配置表現出來，其中許多都是新生事物。雖然JADC2的這兩個層面--技術和指揮與控制--仍在發展之中，但空軍可以通過改變組織文化來準備，這是支撐這兩個層面的基礎。空軍部門必須培養一種文化，這種文化是真正的不分領域的，讓合作伙伴有意義地參與到行動中來，接受殺傷網絡，并在一個連接豐富的環境中執行日常任務。

1 引言

美國空軍正處于轉型之中，因為它正在為與一個近似競爭對手的潛在大國沖突做好準備。最廣泛的變化之一將是實施聯合全域指揮和控制（JADC2）。美國軍方必須考慮這一變化對戰爭行動層面的影響，對空軍而言，戰爭行動層面體現在其空中組成部分和空中作戰中心（AOC）。

JADC2涉及建立一個復雜的連接傳感器和機器對機器接口的組合，它將整合服務組件、盟國和伙伴國以及動能/非動能戰爭領域。由此產生的新的不對稱優勢將保持美國的軍事優勢，就像1980年代的精確革命在后冷戰時代所做的一樣。因此，JADC2的對話在本質上是壓倒性的技術性的，并且集中在未來架構實現的狀態上。較少受到關注的是JADC2的巨大人力層面，以及為使這種不對稱優勢成為現實而需要飛行員和航空部門的文化變革。

如果JADC2要在作戰層面上取得成功，空軍部門必須對其組織內部的文化和技術變革給予同等關注。實際上，JADC2可以被設想為一個金字塔，其頂端是有前途的技術的精靈。然而，該技術牢固地建立在兩個更低和更廣泛的層次上：一個是敏捷的指揮和控制（C2）的中間層，另一個是由軍事人員及其作戰文化組成的關鍵基礎層。

組織文化是指導和告知所有團隊成員行動的價值觀、期望和做法的集合。要想實現轉型，必須盡早解決這個問題。正如一份分析報告所確認的那樣，"有必要盡早對飛行員進行戰爭新概念的教育，這可能需要改變組織結構和文化，隨著JADC2的成熟，教學計劃也應如此。" JADC2的技術可能存在于未來，但為這種新的戰爭概念做準備是今天的問題。

為了在JADC2中取得成功，航空部門必須培養一種接受聯合能力的文化，了解非動能過程，并將伙伴國家視為問題的解決方案。這是一種重視在盡可能低的水平上進行橫向合作的文化，并要求激進地分享信息，這樣最好的射手將有最好的機會打擊目標。此外，這是一種好奇心的文化，但這種好奇心是不斷尋找將敵人納入其殺傷網絡的最佳方式。

用金字塔的比喻可以進一步研究JADC2和它對空中部分的影響。JADC2金字塔的頂層代表技術和技術變革。中間一層代表JADC2的敏捷C2要素，以及這對空軍部門，特別是對其目前配置的AOC構成的組織挑戰。底層代表了優化JADC2文化的關鍵基礎。

這個文化層的意義對于空軍的作戰指揮訓練計劃（OCTP）來說是非常清楚的。作為第505指揮與控制聯隊的一部分，該計劃由一群作戰C2主題專家組成，他們通過重大演習和現實世界的突發事件對全球的每一個空軍部門進行指導和建議。本文的觀點部分基于與數百名高級領導人的對話，以及從這些發生在2019年至2023年的復雜事件中的實際觀察。

2 技術層面

美國防部指出，聯合全域指揮與控制的目的是 "在戰爭的各個層次和階段，在所有領域，與合作伙伴一起產生感知、判斷和行動的作戰能力，以相關的速度提供信息優勢。" 簡單地說，JADC2是一種將每個傳感器與每個射手直接聯系起來的手段，而不考慮服務、領域或合作伙伴。

美國防部強調以共享汽車服務Uber作為比喻來描述其對JADC2的期望最終狀態。與Uber使用應用程序和算法將乘客與最佳司機相匹配的方式類似，JADC2將使用應用程序和算法將目標與最佳武器相匹配，而不考慮服務、領域或伙伴國。JADC2的總體效果是實現快速觀察、定位、決定和行動（OODA）循環，以便快速做出C2決策，因為在大國沖突中，速度和準確性是最重要的。

空軍已經接受了先進作戰管理系統（ABMS）的概念來執行JADC2。這個概念提出利用云環境和新的通信方法來無縫共享數據，利用人工智能來實現由傳感器、C2系統和射手組成的物聯網之間的快速決策。空軍已經確定了使ABMS成為現實的四個關鍵因素：傳感網、先進的網絡、決策、當局和效果的交付。

2.1 傳感網

傳感網被設想為一個傳感器網絡，收集大量與平臺無關的、全領域的數據，以獲得并保持決策優勢。感應網格是平臺無關的，因為它不在乎什么平臺產生的數據--它可能是一架情報、監視和偵察（ISR）飛機、一艘海軍艦艇或一個社交媒體賬戶。網格也對產生信息的領域漠不關心；無論是空中、陸地、海上、太空、網絡、人類還是電子戰都不重要。感知網格群將由國防部平臺、愿意合作的國家和相關的商業來源組成。

2.2 先進網絡

JADC2需要一個靈活和有彈性的網絡，以便在所有組件和領域中實時傳輸數據。這個網絡必須能夠在一個有爭議的、退化的和操作有限的環境中運行。這種環境將需要多種途徑來抵御對手的網絡攻擊，如果它不能抵御退化，那么它必須能夠快速愈合或至少使其達到某種有限的能力。雖然網絡（傳輸）是關鍵，但同樣重要的是數據（內容）。數據標準對于先進的網絡是至關重要的。如果來自所有領域、部門和伙伴國家的節點要共享與戰爭有關的信息，他們的數據必須以一種方式結構化，使其普遍兼容。

2.3 決策

這一要素依賴于人機合作，對傳感網收集的大量數據進行分類，并以一種使決策更容易的方式呈現。聯合全域指揮和控制設想依靠人工智能和機器學習（AI/ML）來實現這一過程。一些例子可能是執行工業任務，如繪制實時作戰順序或匹配配備優化武器的動能平臺，以消滅一個動態彈出的目標。JADC2還設想了一個全球和所有領域的共同作戰圖景，與共同情報圖景相融合，以便在支持或執行戰斗的所有梯隊中實現快速決策和整合。

2.4 權限和效果

權限和效果交付的目標是將正確的武器與正確的目標相匹配。在一個全領域的環境中，正確的平臺和武器可能是網絡、空中、海上、地面火力，或任何從效果角度看最有意義的東西，以及任何在當時的物理范圍和連接狀態下最容易獲得的資產。為使JADC2發揮作用，必須存在利用其他領域、部門和伙伴國家的能力的任務授權。建立合同和任務類型命令以實現這些授權是必須在沖突前完成的事情。任務授權也需要討論如何在戰爭的作戰層面上控制所有領域的能力，特別是在與聯合對手打交道的時候。

先進作戰管理系統的聯合對應方--美國海軍的 "超配項目 "和美國陸軍的 "融合項目"--非常強調共同的數據標準，以便共享聚合火力所需的目標數據。海軍和陸軍正在尋找建立共同數據標準的方法，因為數據共享仍然是每個軍種內部和之間的一個挑戰。

"超配項目"正在開發一個新的艦隊架構，使用人工智能和有人/無人的團隊合作進行分布式海上作戰。海軍正在努力建立海軍作戰架構，使艦隊的每個部分都有一個共同的標準來交換數據并與其他部門建立互操作性。“融合項目”是陸軍的JADC2概念，旨在整合人工智能、機器人技術和自主性，以改善戰場態勢感知，將傳感器與射手連接起來，并加速決策時間線。

3 指揮與控制（C2）層面

在最近的一級演習、美國空軍的兵棋推演和實驗中，解決全域權限的需求已經成為一個共同的主題。聯合全域指揮和控制的橫向連接，即每個傳感器都與每個射手相連，這就提出了指揮和控制的問題： 誰做出射擊的決定？何時、何地、用什么？今天的C2結構將每個軍種和領域都放在自己的筒倉里，在那里他們按照聯合作戰指揮官或聯合部隊指揮官的要求平行工作。然而，目前這種C2結構被認為是過時的，對于未來大國沖突的預期速度、范圍和多領域性質來說太慢。在一個所有部門和領域都被連接起來并且速度是優先事項的時代，問題變成了：誰來指揮和控制所有領域的火災？這個問題的答案對航空部門的飛行員有巨大的影響。

空軍的轉型包括對其口號的改變。作戰級別的戰士們不再把 "集中控制和分散執行 "作為他們的理論，而是把 "集中指揮、分散控制和分散執行 "作為前進的方向。分布式控制的引入是為了將控制與指揮分離開來--事實上，有些人已經將其稱為 "控制和指揮"--作為一種手段，以便在JADC2環境中更好地運作，在這種環境中，單一的C2節點被削弱或破壞，控制實際上可以在許多地方發生。分布式控制在以下情況下是有意義的：多個控制節點共享一個無處不在的共同作戰圖/共同情報圖；人工智能/ML協助將目標與武器相匹配；單一、集中的C2節點是一個誘人的目標；以及速度是關鍵。

自2018年以來執行的杜利特爾游戲和陳納德兵棋推演代表了更好地理解全域作戰以及對控制和指揮的相關影響的努力。這就是討論敏捷控制和綜合指揮等新概念的地方。敏捷控制利用多個節點在整個作戰環境中實施空戰管理，而不僅僅是空中作戰中心或一個以平臺為中心的C2節點，如E-3哨兵機。綜合指揮探討了飛行員如何在作戰層面上承擔起對所有領域的火力--如網絡、太空和海洋--的權力，以起訴戰斗空間中關鍵的時間敏感目標。

這些和類似的概念將使飛行員從以空軍為中心的思維方式轉變為以空軍為優化的思維方式，這種區別是著眼于其他領域來實現空軍目標。研究實施綜合指揮的實際手段導致了新的組織概念，如全域作戰能力（ADOC）和使用共同任務控制中心（CMCC）。

在2021年和2022年，空軍部門對ADOC概念進行了試驗。例如，Keen Edge 21演習--美國印太司令部的演習--通過將空中作戰中心作為全域作戰能力進行試驗，看看空中部門如何在前沿地點同步執行聯合職能。其他航空部門已經探索了這樣的情景：空中作業中心將成為ADOC，指揮和控制聯合行動特定階段的全域火力，例如在戰役的開始階段摧毀敵人的防空系統。

定義未來的控制和指揮機構對于確定ADOC的形式和功能至關重要，因為其指導多領域和多軍種能力的能力將是其存在的核心。正如Keen Edge和Chennault游戲所表明的那樣，對ADOC結構、它的幾種作用以及它在AOC梯隊中的位置的堅實定義將是重要的討論點。例如，ADOC是否只是取代戰區指揮官的聯合行動中心？或者全域作戰能力是一種分布式能力，其節點從戰斗的前沿一直延伸到美國本土的避難所？如果控制權在整個C2結構中轉移，那么如何以及何時轉移控制權就需要更多的博弈和測試。

來自美國本土的指揮和控制的一個例子是位于加州比爾空軍基地的共同任務控制中心。在最近的演習中，CMCC被強調為JADC2的推動者，最引人注目的是在美國印太司令部兩年一度的聯合野外訓練演習 "勇敢之盾2022 "中。CMCC是一個先進的戰術戰斗管理C2原型，設計用于有爭議的、退化的環境，并打算成為戰區空中控制系統的成員，這是空軍指揮和控制空中力量的機制。在 "勇敢之盾 "行動中，該中心提供了改進關鍵的C2和戰斗空間感知功能的能力--包括在分布式C2節點上保持超視距的目標監護，減少電子戰斗命令更新所需的時間，以及快速傳播敵人的位置以實現火力聚合。

共同任務控制中心可以進入更高的安全通信通道，使其能夠利用美國空軍和美國網絡司令部的全域能力，并且比AOC或可能的前沿ADOC具有更大的透明度。因此，CMCC可以成為一種能力，為空中部分提供空間和網絡任務，與空中機動相結合，并清洗來自空間和網絡的較高機密信息，以便根據需要將其納入較低機密的戰術戰斗中。

有了這些潛在的能力，許多人很想摒棄空中作業中心和戰爭的作戰層面，而選擇設想中的戰術全知。雖然這種想法在戰區戰役計劃的背景下是短視的，但很明顯，空中作戰中心必須隨著新環境的變化而改變。行動層面的C2需要更加強調指揮官的意圖和基于條件的權力。在這樣的環境下，空中部門必須對如何刻意規劃C2以實現分布式控制進行重大思考。

3.1 空中作戰中心（AOC）的挑戰

批評者指出，當涉及到JADC2和分布式控制的時候，空中作戰中心是過時的，而且構造不良。這種批評也延伸到了空中任務指令（ATO），其72小時的時限常常被描述為太慢、不靈活，而且這種模式更適合于20世紀末的 "沙漠風暴 "作戰，而不是21世紀的南海作戰環境。雖然這些批評沒有充分考慮到空中作業中心的動態目標定位和臨時任務分配方法中固有的靈活性，以及行動層面規劃的基礎重要性，但空中作業中心確實存在結構和文化上的挑戰，在美國迎接JADC2的未來時必須加以解決。

動力偏見。空中作戰中心和航空部門人員對炸彈有偏見。雖然今天肯定會出現非動能目標，而且一直在改進，但今天的空中作業中心的思維、計劃、目標和武器設計的比較規模嚴重偏向于動能。由于文化、人員、理論和程序都偏向于從空中平臺投放動能武器，所以對非動能效果的影響很大。

空軍部門的領導人主要是從戰斗機背景中選拔出來的，這使得對太空、網絡和其他非動能的知識和舒適度比塑造領導人成長的動能經驗要低得多。擅長動能效應并不是一件壞事，但在發展成為一支全領域部隊的背景下，擁有如此強烈的領域偏見的領導人是一個必須解決的挑戰。

戰斗節奏。72小時的空中任務指令周期強化了動能偏向，當然在設計時也牢牢考慮到了飛機。全領域的能力，如網絡、空間和信息戰，不一定符合72小時的周期，在大多數情況下，其規劃時間表遠遠超過這個時間框架。例如，陳納德兵棋推演已經考慮了如何將8天的非動能效應（NKE）計劃周期與ATO周期合并起來。這種戰斗節奏的不匹配導致非動能效應被忽視，通常不能很好地整合到航空部門的規劃和執行中。如果考慮到聯合、機構間和合作伙伴的規劃時間表，整合和利用的挑戰就會成倍增加。在推進JADC2的過程中，調整不同的規劃程序和時間表將是一項關鍵的任務。

以空中力量為中心。空中作業中心的人員很少有知識和專長來詢問有關聯合、全域和伙伴國的能力，更不用說如何計劃和協調它們的整合。許多飛行員在進入空中作業中心時沒有任何聯合行動的經驗，有些人是初級甚至是第一任飛行員。他們的聯合思考往往包括如何整合服務或合作伙伴的飛機，而通常不涉及，例如，如何使用海上或地面部隊行動來代替空中力量或支持空中機動。因此，對非空軍能力如何實現空軍目標的理解，在今天的空軍部隊中往往不存在或不提倡。

缺少權威。缺乏對聯合、全域和伙伴能力的任務授權，往往是空中作業中心偏重于動能、以空氣為中心的戰斗節奏，以及缺乏聯合視角的原因。空中作業中心的專業人員經常從 "我的ALLOREQ（分配請求）是什么？"的角度思考問題，它包括從其他部門和合作伙伴那里分配給空中部門的飛行任務，以便在空中任務單上進行任務分配。這種思維方式當然是一個單一領域的死胡同。

但這無疑是一個公平的觀點，即AOC應該審查他們需要哪些權限才能真正成為全域，以及在適當的規劃和同步的情況下，他們與非空軍能力的關系可以增強任務。許多航空部門的飛行員認為他們必須控制某些東西才能使用它，但這種自我限制應該被最小化。隨著軍隊發展到JADC2時代，從作戰指揮部借來有限的權力，或者與網絡或海洋能力簽訂支持/支援合同，可能是提高AOC認識、理解和權力的途徑。

人在回路中的重要性。與美國防部的其他部門一樣，AOC的專業系統很少有機器對機器的連接。因此，有許多人必須在應用程序之間手動移動信息，以實現查找、固定、跟蹤、瞄準、接觸和評估（F2T2EA）過程。這種結構是造成執行動態目標等時間敏感活動的摩擦和缺乏速度的主要原因。

新的AOC武器系統工具，如Kessel Run，實現了機器與機器之間的數據傳輸，但它仍然無法從非Kessel Run系統中獲取數據。來自情報相關應用程序和空中機動性相關系統的數據，對AOC的功能都很關鍵，但與Kessel Run沒有機器間的聯系。這種差距使得關鍵數據的輸入必須由人工完成，這個過程很慢而且容易出錯。使JADC2成為現實的關鍵是制定聯合通用數據標準，允許 "單次輸入，多次輸出"。換句話說，數據只需輸入一次，然后通過機器對機器的連接擴散到整個系統中需要的地方，而不是由人在環形的數據輸入。

YESFORN。機器對機器的問題因安全和分類而進一步復雜化。AOC生活在秘密計算機系統中，但許多全域能力需要通用任務控制中心的絕密或特殊技術操作（STO）訪問。這加劇了整合能力和規劃周期的問題，促成了陳納德系列所描述的 "非動力性故障"。再加上伙伴國的安全、系統要求和共享，問題就會變得成倍的困難。

至少，AOC需要在可秘密釋放的水平上進行溝通，以整合他們各自的伙伴國。正如空戰司令部指揮官馬克-凱利將軍所說，我們需要用YESFORN來取代NOFORN（禁止外國訪問）22，在安全和分類方面沒有優雅或簡單的解決方案，但AOC必須努力提供一個平衡。

4 基本文化層面

聯合全域指揮和控制是如此的全面和雄心勃勃，以至于它可能會讓人不知所措。金字塔頂端的技術尋求改變傳感器、機器對機器的接口和數據結構，通過改變已知的作戰指揮和控制的本質，導致金字塔中間層的改變。許多航空部門對正在進行的ABMS技術開發和機器對機器的信息流進行了充分的投資，通過大量的作戰戰爭應用。同樣關鍵的是，通過讓飛行員在認知和經驗上準備好掌握JADC2的要求來確保基礎層。航空部門可以通過關注人和培養JADC2文化使他們的組織更接近這個愿景。

4.1 文化偏見

組織文化是任何轉型的基礎層，包括航空部門的轉型。JADC2的核心是通過橫向連接，使從業人員能夠作為一個統一的整體來感知、理解和行動，從而擁抱聯合和伙伴的能力。這樣做的必要性并不新鮮。在2003年入侵伊拉克的行動中，聯合和伙伴的整合也很重要。但是，20年的低強度沖突已經使常規部隊僵化，并形成了低節奏的爐灶。今天，對聯合和伙伴國家整合的需求和2003年一樣重要。現在唯一的區別是，如果沒有真正徹底的整合，風險不僅僅是失去一場區域沖突的選擇，還包括失去一場大國戰爭的需要。

下面的建議如果單獨來看既不激進也不具有啟示意義，但整體大于部分之和，代表了方法上的重大轉變。空軍的作戰指揮訓練計劃經常發現，組織的卓越性不是一種發現的行為，而是一種記憶的行為。需要提醒各組織在改變文化的過程中應用基礎知識。這涉及到領導層的重視、培訓以及對建立肌肉記憶的重復的坦誠承諾。

特別是，空軍應該把重點放在建立文化基礎上，即組織的價值觀、期望和實踐。對于JADC2來說，價值觀、期望和實踐應該集中在：1）與空軍和非空軍的團隊和組織合作；2）建立全領域的關系；3）經常進行戰斗演習，將這些團隊、組織和關系轉化為能夠實現精心排練的殺傷網的過程。通過這種方式，空中部門可以開始真正整合非空中力量的能力，如空間、網絡和信息，以及聯合和伙伴國家的能力。

與這些全領域的對應方建立關系，了解他們的能力和時間表，并練習如何融合這些火力，現在必須在危機前完成。試圖在危機或戰爭發生時再做這件事，簡直太晚了。JADC2的文化是一種重視好奇心、學習和與組織外的人接觸的文化。JADC2要求航空部門成為價值包容和領域無關的合作伙伴，關注殺傷性網絡并尋求機器對機器的連接。

對于JADC2來說，在文化上關注合作伙伴和領域不可知意味著首先要有一個聯合展望。空中部分是空軍的聯合接口。盡管這種聯系很重要，但很少能找到有聯合經驗的空軍人員。這通常會導致工作人員的文化幾乎只從空軍的能力和動能的角度考慮問題。JADC2要求從業人員以多領域的方式進行思考，類似于一個聯合特遣部隊。空軍人員必須了解陸軍、海軍、特種作戰和其他能力以及與他們的平臺、火力、情報、通信、目標和其他方面有關的任務分配過程：

作戰級]C2的實踐者必須能夠超越他們的戰術 "原生家族 "武器系統，并理解各種聯合和聯盟部隊如何能夠配合到一個連貫的機動計劃中。在[AOC]中的空中規劃人員在空中聯合行動規劃過程中接受了專門的培訓，但也支持由聯合部隊總部執行的平行聯合行動規劃過程。因此，他們必須熟悉多種聯合行動和職能行動的概念、學說和術語。

培養JADC2的文化意味著培養一種聯合特遣部隊的文化，在這種文化中，陸地、網絡和海洋能力在解決問題時與空中力量一樣容易想到。這種強調必須要求與聯合對應方進行面對面的互動并建立關系；了解彼此的能力和程序；并在盡可能低的水平上找到整合和協同的方法。這可能意味著建立動態目標演習，規劃多領域的ISR活動，或將其他部門的官員分配到航空部門的崗位上。

而一旦空軍人員找到了這些與非空軍伙伴的整合和協同點，他們應該經常進行聯合戰斗演習，以建立工作人員的肌肉記憶。這些與聯合伙伴一起進行的頻繁戰斗演習的重要性怎么強調都不過分。在危機前像聯合特遣部隊一樣思考，連接聯合團隊，并在頻繁的戰斗演習中建立起信任關系，是JADC2成功的前提條件。

4.2 伙伴國

在文化上關注合作伙伴意味著擁抱與美國目標相同的關鍵盟友和合作伙伴。伙伴國可能會帶來精致的能力和授權，使他們能夠比航空部門更容易和更快地實現共同目標。與聯合伙伴一樣，飛行員必須接受伙伴能力的教育，了解他們的任務分配（或要求）過程，并建立個人關系，通過頻繁的戰斗演習變得更加牢固。

除了飛機之外，航空部門的飛行員應該了解伙伴國家的專長和渠道，無論是網絡、人類情報、海事，還是公開的信息。然而，建立這種危機前的關系，由于技術互操作性和對外披露的額外挑戰而變得復雜。頻繁的整合所帶來的團隊建設通常受到合作手段不足的阻礙。

除了共同的系統、伙伴網絡和語音線路外，航空組件應努力與合作伙伴擁有強大的視頻電話會議和聊天連接。然而，擁有強大的通信網絡并不僅僅是一個檢查清單項目。這些通信必須是相關的并經常使用。這些合作伙伴的通信節點應該被飛行員持續地激發出來，在日常操作中，而不僅僅是在演習活動中，將整合到最低水平。

使伙伴整合的問題更加復雜的是對外披露的困難。在每一次危機中，與伙伴國家分享的必要性是最重要的。然而，在這種危機中，往往缺乏對外披露官員的數量和預先安排的、快速移動的分享安排。

JADC2文化將要求與伙伴國進行徹底的共享，這意味著要攻擊那些善意的安全專業人員設置的神圣障礙--當共享需求的信號在當地出現時，可能會被最好地起訴。例如，在AOC操作層與合作伙伴一起工作的絕密/敏感機密信息的描述，在以前可能是不可想象的，但如果美國要贏得未來的大國沖突，這種情況可能會成為一種必要。因此，空軍必須堅持強有力的和技術上冗余的通信，使伙伴國的通信成為常規的、低水平的，最好是面對面的。

4.3 領域不可知

非動能效應。連接團隊、建立關系和演練戰斗行動的必要性尤其適用于非動能效應的整合。非動能效應的時間和權限與動能效應的時間和權限有很大不同。為了做好戰爭準備，必須在危機前熟悉和實踐這些過程。建立一個熟悉網絡和信息戰的平臺文化需要運用和規劃這些火力，作為當今現實世界大國競爭的一部分，而不僅僅是在概念上或演習中。

例如，在危機前制定具體的進攻性網絡行動概念（CONOPs）的空中作戰中心必須為他們的工作指定注意事項，因為空中部門無權批準網絡火力。這一權力由美國網絡司令部及其下屬單位保留，并通過戰區作戰司令部協調。盡管如此，制定進攻性網絡CONOPs的AOCs可以為空軍人員創造一個教育工具，為動能和NKE規劃者創造一個焦點，為作戰指揮部創造一個預期的行動計劃，為網絡火力鏈中的職能部門創造一個明確的意圖--所有這些都可能導致網絡能力更容易與空中機動結合。

另一個例子是，在危機前的競爭活動中，航空部門人員與聯合和伙伴國家的網絡或信息戰規劃人員一起使用真實世界的多域ISR包或多域靈活威懾選項。這將建立起可以在戰時利用的實際經驗和組織關系。在使用NKE方面尋求戰斗演習，并與伙伴國的小組一起嵌入現實世界的規劃和執行，將為戰時的領域無關的火力創造良好的路徑。

全球一體化行動。聯合全域指揮和控制對全域前景的要求將鼓勵空軍人員在空軍部門之外，甚至在戰區地理邊界之外尋求解決空中力量問題。空軍目標可能位于網絡和空間領域，在空軍動能效應的物理范圍之外，或者在責任區之外。因此，該目標可能無法在該AOC的空中任務指令中被起訴。許多有傳統觀念的飛行員認為，僅僅因為一個目標不能由他們的ATO提供服務，所以這不是他們的工作。但在這個全球一體化行動的時代，所有作戰指揮部（及其空中部門）都在一起工作，不分地域和領域，共同瞄準敵人。

在JADC2的文化中，如果一個航空部門對一個它自己無法采取行動的目標感興趣，那么它仍然會投資于對該目標關鍵弱點的詳細分析，即使只是為了有效地游說將其列入另一個作戰司令部或伙伴國的聯合目標名單。受過JADC2教育的飛行員將本能地進入全球一體化行動的領域，并理解美國網絡司令部或美國太空司令部的范圍和能力，因為他們尋求任何必要的手段來向敵人提供效果。

4.4 殺傷網

擁抱它。注重文化伙伴和領域不可知的意義在于獲得更高的殺敵效率和效果。擁抱殺傷性網絡意味著擁抱情報、監視和偵察，這對航空部門來說意味著分布式通用地面系統（DCGS）。直到幾年前，DCGS只專注于利用機載ISR收集的原始情報。2020年1月，第480情報聯隊啟動了 "DCGS Next Gen"，強調對空中組成部分的平臺無關的深度分析支持。這種支持是以分析員開發小組的形式出現的，這些小組專注于需要深度專業知識的空中部門情報問題。

DCGS通過專注于數據服務和實現共同情報畫面和共同操作畫面的能力來支持先進的戰斗管理系統和JADC2，以促進快速OODA循環。DCGS也對傳感網進行了大量的投資。該系統正在開發用于快速定位和遠程殺傷鏈概念的情報應用，使其成為JADC2的融合引擎，成為加速與殺傷網相關的決策的關鍵推動者。因此，JADC2培養的飛行員將更加了解DCGS的活動，并將尋求將其納入重大演習、戰斗演習和靈活的反應方案中。

演習吧。連接組織、建立關系和戰斗演習一起構成了聯合全域指揮和控制的筋骨。如果這些都是有目的的和習慣性的，就會形成肌肉記憶，使所有領域的快速和大規模的戰斗過程變得更加清晰。JADC2的技術發展追蹤了機器到機器的信息從應用到應用和傳感器到射手的流動。然而，JADC2的人的方面需要通過這些過程追蹤殺傷性網絡信息的流動。通過經常一起進行戰斗演習，擁有全域隊友的飛行員將更好地確定整合全域殺傷網的最有效路徑和流程。

尋找最佳路徑和流程應自下而上地進行，但飛行員們需要反復地去發現它們。例如，動態目標體驗式訓練可以通過藍旗或海王星系列的演習獲得。但這些活動很少，每18至24個月舉行一次。這對于建立組織的肌肉記憶來說頻率太低了。JADC2的文化是由那些為頻繁的戰斗演習制定自己的程序并真正測試他們的殺傷力的航空部門創造的。這方面的一個例子是F2T2--發現、固定、跟蹤、目標--這是空軍殺傷鏈F2T2EA的第一部分，去掉了參與和評估。這些都是自我生成的演習，練習實際的而不是模擬的殺傷網，例如，海上和地面火力、伙伴國和全域能力，如網絡。

一些空軍部門通過使用多域ISR包對現實世界的目標進行F2T2，所獲得的情報推動了多域的目標選擇過程。作戰和戰術C2、機器對機器數據共享、服務組件程序和全域規劃考慮都是針對一個真實的、會呼吸的、有自己思想的移動目標而進行的。上面描述的F2T2演習倡議是巧妙的，因為它將真實世界的要求與實際的聯合/盟軍/全域目標進程結合起來，并且每年可以發生多次。這種頻繁的戰斗演習可以找到直觀的JADC2殺傷路徑。JADC2技術不應推動這些殺傷網絡進程。空中作戰中心的中低層在得到全域和伙伴國的理解、整合和頻繁的戰斗演習的信息后，完全能夠確定正確的路徑。

4.5 連接驅動

完全形成的JADC2結構的傳感網假定機器對機器的橫向連接在許多平臺之間以速度和規模共享數據，但這顯然不是今天的現實。盡管存在這一不足，但對于建立JADC2文化的飛行員來說，尋求機器連接的方法并消除數據共享的障礙是至關重要的。例如，在2021年夏天的海地聯合特遣部隊救援行動中，空軍南部聯合航空部門協調部門連接了來自海上船只的雷達圖像，以便在AOC中顯示。來自空中和海上領域的幾位通信員必須一起工作，在一天左右的時間里，雷達圖像就完全整合了。

當JADC2完全成熟時，這將自動發生，但今天它可能需要高級領導的強調才能發生。重要的是各級領導要設定一個期望，即飛行員必須始終努力識別障礙，并與聯合和伙伴國家的成員建立工作聯系，不管是什么主題。無論是雷達饋電還是情報收集，這些聯系將證明是JADC2成功的基礎。

紅點測試是有用的工具，太平洋空軍和美國駐歐洲空軍都用它來追蹤F2T2EA殺傷鏈中機器對機器的連接。紅點圖追蹤了從ISR傳感器到戰術射手的數據流以及中間所有的情報和操作應用。該圖顯示了每一個必須由人工將信息從一個應用程序轉移到另一個應用程序的情況，每一個都有一個紅點的注釋。

觀察殺傷網絡上的紅點數量，可以得到一個需要自動化的數據連接的量化清單。每次機器與機器之間的連接被軟件開發人員精心制作后，紅點就會被移除。紅點測試是識別和量化模擬連接的有效機制，使航空專業人士能夠更清楚地思考他們數據的機器流。正因為如此，"單輸入，多輸出 "應該成為大多數精通JADC2文化的空軍人員的重點。

一個以合作伙伴為中心的、與領域無關的、擁抱殺傷性網絡的、連接驅動的航空組件文化將為JADC2的扎根提供豐富的土壤。建設文化意味著采取行動，領導人應該把重點放在確保聯系、發展關系和要求戰斗演習上，因為它們構成了JADC2金字塔的必要基礎層。現在專注于建設這種文化將有助于指導JADC2技術的發展，并以最有利于殺傷網絡的方式刻意規劃敏捷的指揮和控制。建立與聯合社區、伙伴國家、全球一體化、以行動為重點的實體以及分布式共同地面系統的關系、知識和肌肉記憶，將使空中力量在任何大國沖突中取得成功。

5 結論

聯合全域指揮與控制是一個以技術為頂點的金字塔。但JADC2不僅僅是無數的技術解決方案。為了有效，處于頂層的技術必須有一個堅固的中間層的指揮和控制。這種C2可以是戰術性的，也可以是操作性的，必須提供靈活的控制和綜合指揮，使飛行員不被限制在空中領域或被束縛在一個單一的、以平臺為中心的C2節點。

雖然這些技術和C2變化可能會在不久的將來出現，但空軍現在面臨的任務是建立和成熟JADC2金字塔的基礎層--文化。作為JADC2基礎的組織文化是空軍領導人今天必須解決的問題。這種變化正在進行中，特別是在今天的空軍部門的年輕成員中，他們創造了像F2T2s、全域CONOPs、挑戰理論的出版物以及構建空中作戰中心的新方法等創新。展望未來，空軍有責任以一種使空中力量與其他各領域同步的方式建立空中力量組織，使OODA循環和相關效果的集體產生明顯地更快、更平坦、更有效。

為了應對一個日益動態的作戰環境的挑戰，必須適應技術發展的快速步伐。無人系統（UxS）在改善美國海岸警衛隊的卓越任務方面發揮著關鍵作用，并擁有巨大的前景。無人系統可以幫助找到遇險的海員。它們可以提高在海上探測非法毒品和移民販運的能力，這樣就可以最有效地分配有限的船只、船舶和飛機。UxS可以成為監測世界各地非法、未報告和無管制（IUU）捕撈活動的有力工具。在不斷變化的北極地區，UxS可以幫助破冰船的導航，跟蹤冰山和增加的船只交通，并監測其他商業活動的增長。未來將在一個可互操作的系統的互聯范圍內采用UxS，并使人工智能得到有效的整合，以便在這樣的情況下和更多的情況下向海岸警衛隊的操作員提供可操作的數據。能夠實現最佳人機協作的UXS為海岸警衛隊提供了改變游戲規則的機會。

海岸警衛隊還將有目的地在復雜的海洋環境中抵御和管理無人系統。將采用適合海岸警衛隊在所有領域的海上安全作用的反無人系統能力，以幫助確保海洋運輸系統（MTS）的安全。此外，自動化、自主化和無人駕駛系統的采用有望改變海運業。

雖然海岸警衛隊成功的關鍵一直是人，但無人駕駛系統提供了提高勞動力的性能和效率的前景，并作為一個真正的力量倍增器。海岸警衛隊將尋求調整要求、采購、收購和資金，以確保UXS能夠以需要的速度交付，并與勞動力和現有資產相結合。擁抱和整合UxS將在復雜和不斷變化的環境中促進海上安全和保障。

無人系統的變化、威脅和機遇

引言

海岸警衛隊的一系列廣泛的任務要求海岸警衛隊的人員和漁船、艦艇、飛機和海岸站都要做到最好。然而，海洋領域繼續迅速變化并提出新的挑戰。"當今世界的變化步伐正在加快。地緣政治戰略競爭、經濟動蕩、氣候變化影響、勞動力期望值的變化、不斷發展的技術和新興的海洋用途正在匯聚在一起，推動服務發生變化。" 非法、無管制和未報告的捕撈活動已取代海盜行為成為最大的全球海事威脅之一。毒品和移民的非法販運正在向更遠的地方轉移，并持續對公眾構成威脅。北極地區的海事活動正在增加。自然災害繼續威脅著海洋上和海洋附近的人們。對海岸警衛隊服務的需求是強烈的，并繼續增長。

在一個不斷變化的海洋領域中保持意識和執行管理，仍然是幾乎所有海岸警衛隊任務的核心。在國內，"海洋環境的新興用途--包括近海能源生產、無人駕駛船只和航空系統的使用以及商業空間活動--正在迅速擴大，對現有的監管和操作框架提出了挑戰。" 更廣泛地說，"國家競爭者、暴力極端分子以及日益強大和有能力的跨國犯罪組織（TCOs）都在繼續試圖利用海上的薄弱治理、岸上的腐敗和海洋領域意識的差距來獲得經濟和政治優勢。" 這些變化給海岸警衛隊的任務執行帶來了威脅和機遇，同時也增加了對海岸警衛隊海上領域意識的需求，以支持美國和全球利益。

技術在不斷進步，提供了新的工具和能力，可以幫助執行海岸警衛隊的任務。"技術的快速發展，對海岸警衛隊服務不斷增長的需求，越來越多的動態操作環境，以及全球戰略競爭，使目前執行任務的方式更加緊張。必須加強競爭優勢，以配合影響海洋領域的變化速度。這是對行動的呼吁"。

UxS創造了機會，以新的方式將人員、資產、系統和數據結合起來，以創造一支更加靈活的部隊。UxS可以填補覆蓋面的空白，提高對形勢的認識。UxS還可以提供新的能力，以增強載人任務。UxS可以將人類從一些任務中經常是骯臟的、偶爾是枯燥的、有潛在危險的工作中解放出來。UxS不能單獨執行任務，但它們可以幫助保持人員準備狀態，直到正好需要海岸警衛隊人員的時刻。

海岸警衛隊已經雇用了一些UXS，但主要是以分離和以平臺為中心的方式進行的。海岸警衛隊已經經歷了一些項目的成功，如國家安全快艇上的中程無人駕駛航空系統（UAS），以及在海岸警衛隊各水上和岸上單位使用的短程UAS。當與其他技術無縫整合時，作為技術生態系統的一部分，無人機系統可以成為一個力量倍增器，將傳感器與作戰決策者通過資產、網絡、數據系統、高級分析和信息共享平臺聯系起來，并具有更高的速度和效率。必須保持靈活和適應性，以追求這一變革性變化。

雖然無人駕駛系統為海岸警衛隊的就業提供了機會，但它們已經被海洋環境中的所有類型的行為者所使用，而且應該預期它們的存在將大幅增長。公民使用無人駕駛系統正在無意中影響著政府和商業船只以及沿海設施的日常運作。商業航天公司正在使用無人駕駛的駁船進行作業，航運公司正在將自主系統甚至完全自主的車輛納入其船隊。麻醉品販子已經建造了小型的自制無人潛水艇，以秘密地在海上邊界非法運輸毒品。應該預料到，無人駕駛系統將在海洋環境中變得無處不在，必須為其影響做好準備。

了解海岸警衛隊任務的變化、機會和風險，使能夠構建一個愿景，為戰略制定方向。

作戰概念：UXS，作戰/戰術ISR

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

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

引言

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

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

表1. 兩類人工智能系統

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

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

表2. 為海軍實施人工智能系統的四個挑戰領域

挑戰一：戰爭復雜性

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

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

表3. 影響應用復雜性的因素比較

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

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

表4. 導致戰術決策復雜性的因素

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

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

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

挑戰二：數據需求

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

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

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

圖1. 使用數據來訓練機器學習系統

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

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

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

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

挑戰三：工程化人工智能系統

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

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

表5. 傳統系統和人工智能系統的比較

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

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

表6.人工智能系統工程中的挑戰（改編自：Robinson，2021）。

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

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

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

挑戰四：對抗性

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

表7. AI系統的對抗性挑戰

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

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

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

結論

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

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

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

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

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

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

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

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

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

根據陸軍多域作戰（MDO）條令，從戰術平臺生成及時、準確和可利用的地理空間產品是應對威脅的關鍵能力。美國陸軍工程兵部隊、工程師研究與發展中心、地理空間研究實驗室（ERDC-GRL）正在進行6.2研究，以促進從戰術傳感器創建三維（3D）產品，包括全動態視頻、取景相機和集成在小型無人機系統（sUAS）上的傳感器。本報告描述了ERDCGRL的處理管道，包括定制代碼、開源軟件和商業現成的（COTS）工具，對戰術圖像進行地理空間校正，以獲得權威的基礎來源。根據美國國家地理空間情報局提供的地基數據，處理了來自不同傳感器和地點的四個數據集。結果顯示，戰術無人機數據與參考地基的核心登記從0.34米到0.75米不等，超過了提交給陸軍未來司令部（AFC）和陸軍采購、后勤和技術助理安全局（ASA（ALT））的簡報中描述的1米的精度目標。討論總結了結果，描述了解決處理差距的步驟，并考慮了未來優化管道的工作，以便為特定的終端用戶設備和戰術應用生成地理空間數據。

圖3. ERDC-GRL的自動GCP處理管道。輸入數據為JPEG格式的FMV/Drone圖像、參考/地基圖像和參考/地基高程。藍色方框代表地理空間數據，而綠色方框是處理和分析步驟。

未來的戰場是一個將受到近鄰對手快速變化的技術能力嚴重影響的戰場。在這種環境下的成功將需要簡單易用的系統，它能適應各種情況，并能與其他部隊和系統整合。多域作戰指揮、控制、計算機、通信、作戰系統和情報（MDOC5i）旨在為海軍陸戰隊準備未來的戰場。由于傳統的機器學習技術存在某些缺點，MDOC5i使用矢量關系數據建模（VRDM），為海軍陸戰隊提供適合動態部署的系統。MDOC5i使用全球信息網絡架構（GINA）作為其VRDM平臺。這項研究使用GINA創建了一個無處不在的決策模型，可以根據美國海軍陸戰隊的場景進行配置。該研究實現了無處不在的模型，并通過一個網絡分析用例證明了其功能。這個決策模型將作為所有GINA實施的基礎模型。快速構建和調整基于場景的GINA模型并將這些模型整合到一個共同的框架中的能力將為海軍陸戰隊提供對抗未來對手的信息優勢。

圖. 超圖描繪了構成 GINA 決策模型的關鍵實體。這是圖 3.2 中描述的“決策者信息”部分的細分。影響力的三個主要領域是現實世界、網絡和網絡。本論文中的模型將僅包含網絡類別的一部分，特別是 XMPP 流量。這三個領域應被視為為大規模網絡診斷設計的決策模型的起點。

引言

在最近的沖突中，美國能夠承擔對其敵人的技術優勢[1]。然而，由于美國已經將重點從反叛亂（COIN）行動轉移到與近距離對手的沖突上，這是一種不能再假設的奢侈。美國和國防部必須不斷尋求獲得并保持對近距離對手的技術優勢。所有軍種的指揮官都強調了這一點，包括司令部的規劃指南[2]。網絡戰場是一個日益復雜和快速發展的領域，在戰爭中從來沒有出現過像現在這樣的能力。目前的對手既有掌握該空間的愿望，也有掌握該空間的能力[1]。人機交互（HCI）將是在未來沖突中實現信息主導的關鍵。人機交互融合了計算機科學、認知科學和人因工程，以 "專注于技術的設計，特別是用戶和計算機之間的互動"[3]。我們必須掌握人機交互，以協助指揮官并保持對敵人的優勢

美國海軍陸戰隊（USMC）沒有很好的裝備來在網絡領域取得成功。美國海軍陸戰隊訓練和教育司令部（TECOM）已經將這一能力差距確定為一個主要的問題聲明："海軍陸戰隊沒有接受過應對同行威脅的訓練，在這種情況下，我們不再享有數量或技術優勢的歷史優勢。為了在未來的戰場上取勝，我們必須提供一個學習框架，以發展適應性和決定性的海軍陸戰隊，并提供訓練環境，以產生能夠產生決定性效果的互操作單位"［4］。

信息技術的進步產生了一個以網絡為中心的應用框架[5]，可以幫助縮小能力差距，使美國海軍陸戰隊保持對對手的網絡優勢。

1.1 MDOC5i

在為滿足指揮官的指導并使美國海軍陸戰隊為網絡戰場做好準備而采取的舉措中，海軍陸戰隊已經建立了多域作戰指揮、控制、計算機、通信、作戰系統和情報（MDOC5i）。MDOC5i是一個基于陸軍網絡信息管理環境（ANIME）的系統，提供了一個以網絡為中心的因果動態數字孿生環境。利用基于實體的模擬，MDOC5i提供以網絡為中心的互操作性和決策模型，可以增強多域作戰（MDO）[6]。MDOC5i計劃 "提供基層開發的技術，使操作人員能夠'推斷和適應'不斷變化的戰斗空間的需求" [7]。MDOC5i確定了需要改進的三個問題領域：互操作性、信息處理和利用，以及文化轉變[7]。

隨著戰場的不斷發展，聯合解決方案將是獲得優勢的關鍵。這些互操作性的解決方案將依賴于網絡和通信能力。互操作性是指與整個服務的各種通信系統相關的所有設備之間的通信能力。因此，目前在互操作性方面的差距需要被彌補，以進行聯合行動。系統之間的互操作性還沒有通過一個標準化的通用方法來實現[7]。MDOC5i認為這個問題的根源在于，當前系統所使用的所有網絡都被認為是彼此獨立的領域，而不是一個統一的作戰指揮和控制（C2）系統[7]。

MDOC5i解決的下一個問題是信息處理和利用。這個問題指的是目前整個海軍陸戰隊沒有能力處理大量的信息。數據通常很豐富，而且隨著傳感器能力的增長，數據會越來越豐富，但很難分析所有的數據并從噪音中分出有用的數據。鋪天蓋地的數據如果不進行適當的分析，對決策過程是無用的，甚至是有害的。這個問題被具體描述為："當前行動和數據收集的速度超過了我們處理、識別和獲取可操作情報的能力，以快速評估、調整和修改計劃和實時COA，從而優化部隊投射、殺傷力，并實現持久的超額配給"[7]。

為了提高處理越來越多的數據和跟上快速發展的戰場的能力，作戰人員需要關注人機互動。這種關系對于能夠在可操作的時間范圍內將大量的數據轉化為有用的信息，從而做出更好的決定至關重要。更好的人機交互可以幫助確保 "數據處理和決策的速度與行動的速度相稱" [7]。

解決的最后一個問題，即文化轉變，涉及美國防部需要調整其在數據整合和聯合行動方面的重點。雖然國防部致力于為作戰人員提供可操作的情報，但其方法是無效的和低效的[7]。此外，各個軍種制定了自己的就業方法和情報方式，這往往會導致聯合行動的無效性。為了在目前存在的動態戰場上作戰，各軍種必須共同努力，"使能力與任務、標準操作程序、訓練戰術和協議、采購和部署政策以及作戰部隊的整體文化相一致" [7]。

1.2 MDOC5i應用于海軍陸戰隊

5月9日至5月13日，MDOC5i在海軍陸戰隊空地作戰中心（MCAGCC）二十九棕櫚島與第七海軍陸戰隊進行了演示。這次初步測試的目的是展示MDOC5i所帶來的增強的火力能力，并確定MDOC5i通過提供共同情報圖像（CIP）--共同作戰圖像（COP）和決策支持來增強整個海軍陸戰隊空地特遣部隊（MAGTF）的MDO的可行性。

在MCAGCC Twenty-Nine Palms進行的MDOC5i演習成功地描述了該系統的防火能力。MDOC5i系統使用最先進的掃描機制和瞄準系統，將標準裝備的區域射擊武器轉變為精確射擊武器平臺，能夠在幾乎沒有歸零的情況下有效地攻擊目標。雖然這本身就大大增加了海軍陸戰隊的殺傷力，但增強的火力能力僅僅是MDOC5i概念所提供的效用的開始。底層系統使用全球信息網絡架構（GINA），一個矢量關系數據建模（VRDM）平臺，以使所有通過網絡連接的單位都能獲得準確的COP和CIP。這在戰場上提供了一個優勢，因為所有單位都獲得了意識，并將能夠為共享系統提供輸入，從而產生最準確的CIP-COP。

這些投入可以用來幫助決策和影響有利于沖突空間競爭的活動。

這一過程的關鍵使能部分之一是GINA內的決策模型，它能使人采取行動。在二十九棵樹的演示中，海軍陸戰隊員被展示了使用標準武器系統對選定目標進行第一輪射擊的能力。選定的目標出現在通過網絡連接的所有信息顯示器上。為了實現目標定位，GINA模型接受目標的輸入并將信息傳遞給所有用戶。系統首先決定該目標是一個有效的目標還是一個重復的目標。它通過一個專門設計的決策模型來實現這一目標，該模型將確定的目標與其他繪圖的目標進行比較。如果新的目標在指定的距離內，程序會認為它是重復的。這可以防止信息過載，使指揮官對現有的威脅有最準確的描述，以便更好地決定如何使用武器系統來對付敵人的目標。因此，在這個特定的例子中，輸入的是確定的目標位置，決定的是該目標是合法的還是重復的，決定的標準是確定與其他已經繪制的目標的距離，結果是對威脅的準確描述，使海軍陸戰隊能夠最好地與敵人作戰。

在演示中，決策與識別目標有關，而影響的行動與射擊有關。然而，如前所述，增強射擊能力只是MDOC5i通過基于VRDM的GINA平臺所能提供的好處的開始。創建和采用為指揮官提供最新的CIP-COP并幫助決策的模型將對海軍陸戰隊和國防部（DOD）的所有方面都有用。按照目前的情況，每次實施新的模型時，都需要從頭開始創建新的決策模型。

1.3 論文重點和MDOC5i的聯系

海軍研究生院（NPS）論文的目的是在GINA平臺上使用VRDM建立一個不可知的決策模型。重點是該模型的普遍性，以便它可以很容易地被塑造為未來的情景。該決策模型擴展了無處不在的數據表概念，以包含關于數據的信息屬性，并允許通過基于屬性的真值表關系實現來自數據屬性和信息屬性（邏輯類型）的知識屬性。因此，模型將數據轉化為信息，然后從已知的真值（既定協議）中獲取狀態和規定過程的知識，然后模型執行相應的過程。這表明了該方法的普遍性，并使任何數據任務的數據轉化為行動。本論文驗證了使用基于模型的配置方法，該方法由數據、真值表和狀態的概念對象組成，可用于人在/在環的自動數據決定-行動，并可在知識管理圖框架內為任何任務進行管理。

建議的模型在通過分析可擴展消息和存在協議（XMPP）消息來確定網絡健康狀況的情況下進行測試。該模型的輸入是可擴展標記語言（XML）消息，旨在復制大規模戰術網絡的數據包捕獲（PCAP）中捕獲的XMPP消息。雖然網絡診斷分類本身很重要，并證明了功能，但主要的效用將在于決策模型的普遍性。因為該模型是不可知的，它可以很容易地被修改以適應一系列所需的場景。務實地說，它可以作為所有其他GINA實施的基礎模型，使海軍陸戰隊實現信息超配。

1.4 假設和研究問題

本論文的假設是，GINA將被證明是一個高效的平臺，在這個平臺上實現一個可以輕松配置的泛在決策模型，以應對多種情況。在這個假設的核心，主要目標是利用GINA架構成功地設計和實現一個無所不在的決策模型。這項任務已經完成，證明了主要假說的正確性。

本論文的問題包括。

1.無處不在的決策模型能否在GINA的界面中實現？

2.GINA是否為機器學習（ML）提供了一個可行的、可操作的替代方案，該模型是否達到了與傳統機器學習技術相同的效果？

3.該模型是否有切實的方面證明比傳統機器學習技術優越？

4.該模型和GINA平臺能否用于大規模網絡流量分析？

與假設一致，第一個問題是最重要的，并且被證明是正確的。所實施的決策模型應該能夠促進并推動未來的工作。其余的問題涉及模型的可擴展性和與傳統技術相比的性能。雖然這兩個概念都沒有直接解決，但該模型提供了肯定的機會來測試這些概念。

1.5 使用的工具

為了成功地理解決策模型的實施和它可以應用的規模，有必要了解所涉及的工具。其中一些應用在本論文中直接使用。其他的是在MDOC5i中使用的，對于理解這個模型如何推導到多種情況下是很有用的。這些工具也提供了很好的背景，對未來的工作有好處。

1.5.1 全球信息網絡架構

GINA 是一個基于云的、提供可執行建模環境的 VRDM 平臺，該平臺產生的模型能夠進行推理和適應[7], [8]。該架構通過其反思性的、可執行的、基于組件的、與平臺無關的和模型驅動的構造，提供先進的數據、信息和知識的互操作性[9]. 該平臺使用一種語義結構，使應用領域的用戶能夠理解組成的模型組件，并形成具有半知覺行為的系統，這對動態任務需求的適應性和可配置的靈活性至關重要。該創新平臺是松散耦合的，這意味著它可以通過配置創建模型，使用來自遺留系統、現有系統或未來系統的各種輸入[8]，而不會破壞或重新編譯。由于概念性的信息對象構造可以臨時引入，并可能存在于任何領域，GINA提供了誘人的可能性，美國防部正在探索這種可能性[2]。

GINA技術由方法論、開發工具和可執行模型的部署平臺組成，可作為軟件程序使用。這些模型不需要被編譯，而是在元數據中定義并實時編譯。該平臺使用通過配置實現的行為、環境和因果的建模概念，以提供定義、操作和互操作性[10]。GINA可以通過其名稱的組成部分進一步理解。"全球 "指的是該平臺通過多層抽象包含了所有的數字表示。"信息 "指的是可以被建模和管理的靜態和動態數據以及互動關系。"網絡 "指的是可以通過模型和圖表顯示、參考和管理的所有互聯關系的數字表示。"架構 "意味著GINA是被使用的系統，專門用于制作行為、背景和因果關系的可執行模型[10]。

第二章將深入討論GINA的優點和特點。

1.5.2 ANIME Dark Stax

Dark Stax是一個由ANIME開發和使用的工具，能夠以接近實時的速度創建復雜系統的數字孿生體。這些數字孿生體可以用來操作克隆的系統進行數據操作和決策分析。這種聯合有助于數據驅動的決策過程。這個工具能夠創建戰術網絡的克隆，并過濾PCAP數據，為網絡診斷模型創建輸入[10]。Dark Stax工具由Ad Hoc維護和運行。他們對該工具的掌握為首要的人工智能（AI）技術和VRDM技術的結合提供了巨大的效用。

1.5.3 StarUML

StarUML是一個開源的軟件建模平臺，支持統一建模語言（UML）[11]。它被設計為支持簡明和敏捷的建模，并提供系統疊加的可視化描述[12]。本文使用UML圖來描述實現的VRDM模型的靜態和動態方面。UML并沒有捕捉到VRDM模型中包含的所有細節，但它確實捕捉到了最重要的信息，并提供了模型中連接的清晰疊加。

在這個項目中，它只被用于GINA模型的可視化和文檔化。然而，我們的意圖是使GINA能夠接受UML設計作為輸入。因此，一個系統可以用UML建模并輸入到GINA中，以放棄配置。

1.5.4 目標光標仿真器

Cursor On Target（COT）"是一個互聯網協議和一個基于XML的機器對機器模式，可以被任何系統讀取和理解，使專有和開放源碼系統能夠相互通信"[13]。模擬器在GINA模型中被用來模擬XMPP流量。XMPP消息的樣本在一個文本文件中生成。然后，Cursor On Target Simulator（COTS）模擬器將文本文檔的內容作為XML輸入到GINA。這個XML是決策模型的輸入。

在未來的軍事行動中，通過協調多智能體系統（MAS）來實施戰略機動以獲得對對手的優勢，是一個很重要的途徑。最近探索MAS協作的工作主要集中在識別、分類、驗證、實施，以及通過多智能體強化學習（RL）來研究新興的協作方式。強化學習方法可以通過探索和利用選定行動來響應特定環境中的突發行為，這有可能抑制對抗性協作，反過來又可以為各種情報、監視、目標獲取和偵察任務提供機會窗口。本報告簡要介紹了RL領域的突出工作及其在自主戰略機動協作式MAS中的潛在應用。

1 引言

美國陸軍現代化激增是由對手在多個領域（如陸地、海洋、空中、網絡、電磁和空間）對美國構成的威脅所推動的，這對美國利益的威脅超出了常規戰爭。預計未來的戰斗將在這些復雜的多領域環境中進行，人工智能（AI）將指導與人類士兵一起協同工作的機器人Agent的戰術、技術和過程（TTPs）。這些機器人將聚集在一起，形成智能多Agent團隊，與人類士兵有效協作，完成任務。

美國陸軍作戰能力發展司令部（DEVCOM）陸軍研究實驗室（ARL）的基本研究計劃（ERPs）構建了開發和實施智能多Agent系統（MAS）的具體計劃路徑。此類陸軍計劃為美國國防行動提供了關鍵研究問題的答案，這些問題匯聚在一起，指明陸軍未來司令部的現代化努力方向。人工智能用于自主機動性（AIMM）和新興超限技術（EOT）是ERP的例子，明確側重于使下一代戰車具有自主感知、學習、推理、規劃和機動能力。這些未來的自主系統將與人類智能體合作進行預測和規劃，并通過戰場上的自主機動（AIMM）和保護（EOT）向士兵提供支持。本報告重點關注需要進行的自主協作，以使多智能體系統（即人類、智能體或人類和智能體混合）在未來的軍事行動中取得成功。

集成和協調的MAS將需要技術的進步，重點是超越我們目前的能力，以有效地對付同等裝備的對手（同行或接近同行）的協作戰略機動性。一個直接的挑戰是開發能夠以良好協調方式自主和智能地工作的智能體團隊。這種能力要求智能體在執行關鍵任務時與士兵一起觀察、定位、決定和行動（OODA-Loop）。雖然新的努力促進了對多智能體范式中情報的一般理解，但目前對情報的解釋并不明確。最近的文獻表明，基于強化學習（RL）的方法可能為實現這種技術進步提供了一條可行的途徑，本文介紹的一系列工作就是證明。

在本報告中，介紹了RL領域的貢獻，以及它們在軍事環境中的潛在應用--特別是通過戰略編隊機動來抑制對手的協作，以實現戰場上的超越。最小化、限制或完全抑制對抗性多Agent行為中的協作是探索和執行在模擬情況下通過RL實驗得出戰略機動的一種手段。此外，協作的戰略機動可以通過各種RL方法學習，以告知防御部隊創造機會或優勢窗口的潛在途徑。

為了在模擬環境中通過戰略機動的RL方法實現MAS協作，我們首先介紹了近年來一些最突出的RL研究。最近在RL領域的進展（如alphago）促進了更復雜的多智能體強化學習（MARL）算法在現實世界應用。此外，近年來也有一些框架來實現多智能體協作。這些努力加在一起，可以為開發和實施多機器人協作提供一條道路，以便在為未來戰場設計的多機器人系統中實現戰略機動。

在下面的章節中，對近年來突出的RL方法進行了分類和概述，并表明這些方法與DEVCOM陸軍研究實驗室目前的研究和開發項目相一致。具體來說，本報告的重點是確定戰略機動的特定算法的優勢和劣勢。此外，對選定的RL方法類別進行了分類，以深入了解戰略機動的潛在實施，并考慮到情報、監視、目標獲取和偵察（ISTAR）任務。

2. 多域作戰中多智能體系統的戰略機動

簡單地說，戰略機動可以解釋為一組智能體協調他們的行動，通過戰勝對手來實現一個共同的目標。破壞，是戰略機動的一個特例，可以表示為對對手協作戰略機動的抑制。因此，戰略機動一詞的使用意味著至少存在兩個對立的或敵對的雙方，他們處于動態的斗爭中，通過限制、抑制或以其他方式破壞對手的協調或戰術，并強加自己的協作戰術來獲得對對方的優勢。

在本節中，提供了一個對抗性的交戰場景，其核心是使用選定的遠程資產，這些資產本質上破壞了友好部隊的交戰。圖1顯示了一個圖例，描述了與所述多域作戰（MDO）情景相關的選定資產和部隊的軍事符號學。根據MDO理論，在武裝沖突中，對手的遠程反介入和區域拒止（A2AD）火力系統可以被用來拒絕友軍在戰區的機動自由（見圖1）。這是通過將情報、監視和偵察（ISR）資產與致命性和非致命性火力相結合來實現的，以攻擊戰略和行動支持區的友軍指揮結構、維持能力和部隊編隊。這些地區是近距離地區作戰資產（如部隊和裝備）的傳統集結地（見圖2）。對手有能力在友軍后方深處識別和攻擊目標，導致這些實體在地理上與戰術支持區和近距離區分離，這有效地提高了友軍的損耗率，即所謂的對峙。鑒于前線部隊與戰略和作戰機動支援相分離，敵對勢力可以利用這種友軍孤立無援的情況，將其消滅。

圖1 友軍（BLUEFOR，左）和敵軍（OPFOR，右）部隊的資產和資源。在所描述的MDO情景中，假設BLUEFOR和OPFOR的所有資產都是自主化的編隊。

圖2 敵軍（OPFOR）使用遠程導彈和火箭炮干擾或破壞友軍（BLUEFOR）戰略支援區的維持行動，這使得友軍無法以有利的條件與近距離地區的敵軍機動部隊交戰。為了應對這一戰略，BLUEFOR執行反擊任務，以摧毀位于深火區的OPFOR遠程火力系統（藍色箭頭）。從深層機動區的BLUEFOR SOF發出的三叉箭頭代表了一種 "破壞 "戰術，它打破了對手的隊形和節奏。

圖3 壓制（S）或解除（N）敵方遠程火力系統和ISR資產，使友軍能夠穿透敵方的A2AD保護傘。這使友軍能夠在近距離地區擊敗敵人，并使機動指揮官有能力利用他們的成功，迅速將部隊轉移到深度機動區，摧毀（D）脆弱的敵方資產并追擊撤退的敵軍。F表示 "固定"，可有效減緩敵軍的行動。粗箭頭代表部隊移動的方向。

MDO理論規定了擊敗對手A2AD能力的計劃（即對峙），以便戰略和作戰機動能夠使前沿部署的友軍以有利的條件與對手交戰（即穿透和瓦解A2AD系統以利用機動自由）。在這里，我們只關注友軍（BLUEFOR）野戰軍和軍團與敵方A2AD系統交戰時的滲透和瓦解部分，這可能需要在未來的戰斗中使用自主MAS。此外，據推測，圖1中友軍（BLUEFOR）和敵軍（OPFOR）的所有符號都將包含自主化的編隊（例如，機器人戰車、自動瞄準系統、地面和空中的機器人ISR資產）。圖2和圖3分別顯示了利用這種符號學與自主化編隊進行戰略機動的情景圖。

如圖2所示，敵對的A2AD火力系統通過攻擊戰略和作戰支持區來創造對峙局面。友軍火力和防空部隊從太空和高空監視（未顯示）接收有針對性的情報，在狹窄的時間窗口內打擊高價值目標（即多管火箭系統[MLRS]），以減少對手的位置調整。除了監視之外，還可以采用戰略刺激--打擊來穿透和瓦解對手的遠程火力系統。

在ISTAR任務中，MARL可以通過利用敵軍理論和敵軍行動中的局部觀察，戰略性地照亮和跟蹤敵軍目標的位置。此外，經過MARL訓練的具有自主能力的編隊，結合高度機動和分散的空中和地面火力，可以開始壓倒對手的遠程防空。友軍可以利用經過訓練的MARL方法來利用對手的TTP，進行防空和地面火力的戰略機動。這些具有自主能力的編隊根據從戰略空基刺激收集的監視數據選擇地理位置。隨著對手的遠程火力系統被消滅，戰略和作戰支援部隊能夠向前方的作戰部隊推進（機動）（見圖2）。

敵軍利用ISR資產識別作戰支援區的友軍資產，并從作戰縱深火力區用遠程火力系統（即多管火箭炮）攻擊友軍。這些敵方火力擾亂了友軍在該地區進行傳統支援行動的能力，這反過來又導致這些活動在離部隊前線更遠的地方進行。這通過擴大戰場和緊張的補給線而造成地理上的對峙。此外，這還允許敵方機動部隊以有利于敵方既成事實的條件與近距離地區的友軍作戰。根據MDO的理論，為了消除對峙，友軍的炮兵系統必須在敵軍的火力和ISR資產部署之前識別、交戰并摧毀它們。友軍SOF通過破壞補給和指揮與控制（C2）節點以及為聯合火力提供目標數據來協助這項工作。這在敵人的A2AD保護中創造了缺口，可以被機動指揮官所利用。在這種覆蓋下，友軍機動部隊穿透并利用近距離和深層機動區域的缺口。

在作戰區，近距離和縱深地區的聯合部隊的戰略編隊可能是自主啟用的編隊（即MAS），利用MARL訓練的策略來利用對手的TTP（來自理論）、本地觀察和ISR收集的信息。如圖2所示，聯合部隊將協調其ISR和遠程精確火力的能力，為前沿部署的BLUEFOR部隊提供支持。在戰略和作戰單位的支持下，擁有自主能力的前線部隊可以在近距離和縱深地區進行協調，以分離和擊敗敵方資產。這將促進消滅敵對的前沿機動部隊（OPFOR），使遠程火力系統容易受到地面攻擊（瓦解），如圖2所示。

聯合火力（即友軍或BLUEFOR）壓制或消滅對手的遠程火力系統，使友軍機動部隊能夠進入并擊敗近距離區域的作戰部隊（見圖3）。然后，友軍機動部隊利用這一優勢，在深度機動區（見圖3中的D區）摧毀敵方的助推器。這將導致剩余的敵對機動編隊從近距離區域撤出，并在深層機動區域建立一個新的戰線。這個過程不斷重復，直到達到戰略目標或打敗OPFOR。這些協調活動在理論上可以通過人類士兵和自主多智能體系統之間的合作來實現。此外，鑒于目前正在積極研究開發和部署這種自主系統，預計未來的戰場將需要考慮像這樣的場景來規劃戰略機動。

本節提供了一個可以應用MARL方法訓練自主化編隊的場景；然而，在這種復雜的MDO環境中執行的具體RL方法還沒有經過測試，或者可能還不存在。下一節闡明了與利用RL方法為未來的MDO交戰訓練MAS有關的一些挑戰。

3 挑戰

在這項工作中，我們將重點聚焦到可以指導MAS克服與軍事防御MDO中戰略機動相關挑戰的RL方法。從技術上講，RL是機器學習（ML）的一個分支，它超越了從數據中建立精確的預測，通過在環境中產生行動來展示學習。這種學習的展示可以被認為是一種決策形式，但更準確的描述是通過狀態空間探索進行戰略行動選擇。

RL智能體在獎勵函數的基礎上進行學習（或訓練），最終確定在當前情況下（即該智能體在環境中的狀態），哪一個是智能體要選擇的最佳行動。例如，RL智能體可以與環境互動，產生與獎勵掛鉤的經驗，這將形成學習的策略（即一系列的狀態-行動對）。然而，在后面的章節中強調，目前的RL方法可能還不夠成熟，無法克服與人類類似的適應性相關的挑戰，以便在新情況或環境中進行智能決策。盡管RL算法有其缺點，但它們似乎是在軍事防御MDO中實現協調的MAS執行戰略機動的最有希望的途徑之一。

在多智能體任務中，協作通常是定義不清的，而且經常被用來表示一組智能體在某些合作任務領域中成功地執行了任務。在以前的工作中，開發并采用了各種新方法來測量執行合作任務時智能體行動之間的相互依賴性，以確認這些智能體事實上已經學會了協作。對協作的確認是確定MAS有能力與其伙伴合作的先決條件，而不是簡單地采取導致某種程度的優化行動。雖然在某些情況下，最佳行為可能是可取的，但如果任務以某種不可預見的方式發生了變化，一個簡單的最佳行為的智能體可能會在戰場上導致災難性的損失。因此，未來防御行動的MAS必須具有明確協作的能力。

在本節的其余部分，描述了與開發戰略機動MAS有關的一些挑戰，其中時間尺度、能力和局部目標可能有很大的不同（例如，MDO），但需要某種程度的協作。此外，假設更大程度的靈活協作可以促進任務執行的改進（例如，更快、更少的損失、非直觀的策略、有效處理不斷變化的能力/團隊組成）。

隨著環境在動態戰場上的變化，敵對雙方（至少）可能需要重復規劃和預測，以便1）跟上，或2）領先于對手的規劃和預測。經過RL訓練的MAS能夠學習這種動態的規劃和預測循環。另外，如果學習智能體建立了一個關于對手協作行動的適當模型，然后采取行動破壞這種協作，也可以實現這一目標。

在一個理想的情況下，一個被選來指導MAS行為的算法將學會處理環境、對手戰術和能力、自身能力（獲得新的能力或失去以前的能力）、團隊組成（例如，改變合作者）和局部目標的變化。然而，大多數最先進的（sota）方法受到經驗的限制（正如許多RL方法的情況一樣）。此外，在大多數模擬中，團隊的能力和組成通常是固定的，不能為算法提供足夠的數據來操作和處理任何上述的特征變化。因此，在選擇一種算法來指導旨在產生戰略機動的MAS的行為時，必須考慮新的或動態的事件、行為、資產和實體。

總之，目前的算法方法在復雜的軍事防御MDO環境中沒有達到所需的能力。目前的缺點可以分為三類。1）數據要求，由于情況的新穎性，數據是有限的，數據集不足以產生準確的預測，或者數據以某種方式被污染（例如，嘈雜、臟亂或對手的改變），2）有限的計算資源，以及3）算法不能泛化到訓練期間遇到的情況之外（例如，不同的目標、改變的能力或修改的團隊組成），導致狹隘或脆弱的MAS解決方案。

在下一節中，我們將更詳細地討論RL的缺點，以闡明如何克服這些問題，為軍事防御MDO環境提供解決方案。為此，我們介紹了現有的RL算法的分類法。這一努力應提供對有前途的RL技術更好的洞察力，這可能有助于確定最終應用于美國國防MDO的可行途徑。

4. RL技術和方法

學習算法的可擴展性是MDO中軍事任務的主要關注點之一，特別是因為這種任務可能需要大量的智能體來完成一個目標。此外，軍事任務可能涉及多個子任務，每個子任務都有自己的子目標，從而進一步復雜化了場景。在MDO中，預計一個子目標由無數復雜的戰略演習組成，這需要MAS的快速計算，以及使用最小計算資源（如在戰術邊緣計算）的最佳（或至少足夠）戰略。因此，一個可擴展的RL算法必須考慮到：1）環境和任務的復雜性；2）智能體（伙伴和對手）的數量，以便每個智能體能夠在通過RL學習過程中收集經驗時正確選擇行動。

環境復雜性（即智能體的狀態和行動空間的大小）可以指環境的狀態空間中可用的狀態數量，以及該環境中智能體可用的行動方案數量。RL算法的可擴展性是指在足夠復雜的狀態和行動空間中，在合理的時間和計算能力內計算最優策略的能力。環境的復雜性還包括納入額外的智能體（例如，擴展到MAS），其中狀態空間被放大以考慮到額外的智能體，而行動空間的大小被乘以該之智能體的數量。

通過使用狀態-動作對的表格來解決RL的可擴展性問題是不實際的，因為連續的領域會使表格無法維持，而且在合理的時間內同時更新所有智能體的表格條目是不可行的。即使有足夠大的計算資源（如過多的計算機內存）來包含所有的狀態，在每個狀態-動作對之間的學習也會太慢。與利用表格跟蹤狀態-動作對相反，一個解決方案是使用非參數函數近似器（例如，權重為參數的深度神經網絡）來近似整個狀態空間的值。然而，函數近似器必須是可微分的，這樣就可以計算出一個梯度，以提供參數調整的方向。

有兩種方法來訓練值函數近似器：1）增量方法和2）批量方法。增量方法使用隨機梯度，在梯度方向上調整近似器的參數，使估計值和目標值之間的誤差最小。然而，增量方法的樣本效率不高，因此不具備可擴展性。相比之下，批量處理方法從一組經驗中保存數據，并使用它們來計算函數近似值估計和目標值之間的誤差。批量方法與傳統的監督學習有共同之處，即結果是已知的（例如，數據被標記），計算近似值的估計值和實際結果值之間的誤差。這種類型的批量學習通常被稱為經驗重放。重復這個過程將導致最小平方誤差的解決方案。最近一個成功的經驗重放的例子是用深度Q網絡（DQN）玩雅達利游戲演示的。盡管函數近似法在復雜的環境中顯示出了成功，但如果不考慮額外智能體的加入（即非平穩性或部分可觀察性），單靠這種方法不太可能足以訓練出MDO場景的MAS。

與價值函數近似法相比，策略學習方法依靠策略梯度（PG）的計算來明確優化策略，而不是間接依靠價值函數。與函數近似方法相比，PG具有更好的收斂特性。PG方法比價值近似方法更受歡迎的主要原因是它們能夠在高維和連續的行動空間中有效（即在復雜環境中可擴展）。在蒙特卡洛（MC）策略梯度（例如REINFORCE算法）中，實際回報（選擇行動）與一個分數函數相乘，以計算梯度。該梯度被用于策略調整（通過改變參數值）以找到最大的回報行動。MC策略梯度具有高方差，收斂速度慢，因為它使用智能體的狀態-行動對在不同時間的整個軌跡來獲得一個返回值。另一種可能超越傳統函數近似方法缺點的解決方案是利用 "演員評論"方法。

在演員-評論家方法中，PG方程被修改為使用價值函數的近似值，而不是使用真實的行動-價值函數乘以分數（如REINFORCE算法）。這表明行為者按照評論者所指向的方向調整策略，以便使總的累積獎勵能夠達到最大。評論者的這一策略評估步驟可以通過使用組合值近似方法（即MC、時差-TD（0）和TD（λ））來完成。為了減少策略梯度的差異，可以使用一個優勢函數。優勢函數告訴我們，與一般的狀態值函數相比，一個行動比另一個行動（Q值）好多少。這意味著評論者必須估計Q值。一個有效的方法是使用TD-error，它是優勢函數的無偏樣本，評論者對一組參數進行近似。TD(λ)資格跟蹤也可用于評論者估計不同時間步長的值。有趣的是，MC（高方差）和TD方法可以與行為人一起使用，隨著時間的推移（即收集的經驗）修改策略。

由于MDO涉及軍事任務，RL算法必須有能力與許多其他智能體協調，以實現最佳的戰略機動，因此MAS的算法必須能夠與大量的智能體和異質資產一起擴展。算法的另一個重要能力是處理復雜狀態空間（即許多智能體）和多領域環境的大量觀察能力。在接下來的章節中，我們將討論在MDO中使用不同種類的RL算法對戰略機動的影響。

無模型算法可分為非策略性和策略性算法，其中狀態行動空間可以是連續的或離散的。在這一節中，討論了無模型算法的優勢和劣勢，以及它們如何與戰略機動相一致，從而實現MDO的目標。這一分析的目的是為尋找在MDO環境中實現戰略機動性的潛在算法方法提供方向。

4.1 深度Q網絡（DQN）

深度Q網絡（DQN）是一種單一的RL智能體算法，它被訓練用來玩行動空間離散、狀態空間連續的Atari 2600游戲。DQN使用一個用Q-learning訓練的卷積神經網絡，從高維輸入（連續圖像）中學習。

DQN算法是一種有效的樣本方法，因為它利用所有收集到的經驗來提取盡可能多的信息。DQN足夠強大，可以使用相同的超參數進行訓練，玩六種不同的Atari游戲，其中智能體在其中三個游戲中的表現比人類專家更好。

然而，DQN的一個缺點是，在理論上不能保證訓練好的神經網絡實現穩定的Q值預測（即在不同的獨立模型中，訓練好的策略可能會有很大的差異）。

鑒于DQN本質上是一個單一的RL智能體模型，它應該不足以在MDO中進行戰略機動。在MDO中，多智能體RL算法可能更適合，因為智能體在執行時間內典型的分散化，允許智能體彼此獨立運作。此外，DQN的原始實現只利用了四個觀察序列來學習Q值，這對于MDO中的戰略機動來說是不夠的。多個資產的戰略機動通常不能在如此短的時間間隔內被捕獲。事實上，這是DQN在評估的三個Atari游戲（即Q*bert、Seaquest和Space Invaders）中與人類相比表現不好的主要原因。然而，存在一些DQN的變體來解決這個問題和其他弱點。

Bootstrap DQN就是這樣一個變體，它學習了一個Q網絡的集合，以提高采樣效率，并克服了傳統DQN的不足之處。行動消除是另一種與DQN一起使用的方法，以解決大的行動空間。帶有記憶類型的DQN（即循環神經網絡）也可以用來處理部分可觀察性。如果一個智能體需要為完成任務而導航環境，這種方法就特別有用。另外，分布式DQN返回一個分布信息，可用于評估策略風險和減少最佳解決方案周圍的方差或噪音。

盡管DQN及其修改后的變體在處理比簡單的Atari游戲更復雜的任務方面很有前途，但DQN方法本質上缺乏一個多智能體預測機制來進行協作戰術，而這是MDO中戰略機動的需要。此外，DQN在大多數情況下計算量太大，無法用于軍事相關環境。最后，DQN算法方法對未見過的例子（例如，伙伴的新行為或環境中出現的實體/障礙）缺乏足夠的適應性。

4.2 深度確定性策略梯度（DDPG）

在現實世界中，大多數常規任務涉及連續狀態和行動空間。然而，DQN只考慮離散的狀態空間和低維的行動空間。處理連續狀態和行動空間的DQN的另一種方法是深度確定型策略梯度（DDPG）方法。DDPG通過結合價值函數近似和確定性策略梯度（DPG），推進了DQN方法的進展。DDPG利用行為批判的方法，可以克服連續空間的復雜性。這種無模式、非策略預測和控制算法可以執行物理控制任務（如車桿、靈巧的操縱、腿部運動或汽車駕駛）。

另一種使用深度神經網絡的方法是信任區域策略優化（TRPO）。這種方法直接構建一個隨機策略，而不需要演員-評論者模型（不要與環境模型混淆，這將使其成為一種基于模型的方法）。與TRPO類似，引導式策略搜索（GPS）不需要角色評論模型，而是使用軌跡引導的監督式策略學習以及一些額外的技術（例如，減少視覺特征的維度，在網絡的第一層增加機器人配置動態的信息）。因此，GPS的數據效率很高，如果需要的話，可以改編成DDPG。另一方面，PILCO首先學習一個概率模型，然后找到一個最佳策略。PILCO在某些問題領域具有很高的數據效率；然而，它的計算量很大。此外，D4PG對DDPG算法提出了一些改進：分布式評論者更新、分布式并行演員、N步返回和經驗重放的優先級，以實現對不同類別任務的更穩定和更好的解決方案。

從戰略機動的角度來看，DDPG算法的主要缺點是它被設計成一個完全分散的單一智能體算法（即獨立學習者）。因此，DDPG算法不便于在多智能體場景中進行協作。因此，使用DDPG所產生的戰略機動將不會產生協作的團隊行為。此外，DDPG不具備處理基于角色的多目標任務的能力，而這是軍事行動中戰略機動的要求。

4.3 多智能體深度確定性策略梯度（MADDPG）

RL智能體互動對于戰略機動的人工智能系統至關重要，不同的智能體可能需要組成團隊來抑制對手的戰略合作或抑制對手的協調。Q-Learning和PG方法分別受到非平穩性和高方差的影響。為了克服這些問題，多智能體深度確定性策略梯度（MADDPG）算法擴展了一個演員評論家方法，這使得它可以通過集中智能體訓練而對多智能體系統發揮作用。MADDPG框架采用集中式評論家家進行訓練，并在測試期間部署分散的演員。一個評論者（每個智能體都有一個）接收每個智能體的策略，這允許開發具有潛在不同獎勵功能的依賴性策略（例如，MADDPG允許訓練具有相反獎勵功能的對抗性團隊）。相反，演員（即策略網絡）在訓練和測試期間只擁有本地知識。演員（通過訓練）在與評論者評價一致的方向上反復改進策略。

MADDPG的一個主要弱點是，對Q函數的輸入隨著環境中智能體數量的增加而增加（不可擴展）。這給MDO中的戰略機動性帶來了問題。如果智能體需要被替換、添加、修改或移除，可能需要進行再訓練。在戰略機動中，智能體可能需要定期轉換角色或改變能力，這對MADDPG適應軍事領域構成了重大挑戰。此外，頻繁的再訓練將使快速戰略機動變得不可能。縮短訓練時間將減少邊緣的計算負荷，使快速戰略機動成為可能。MADDPG不能適應這種極端情況。對于軍事應用，希望有一個強大的對手或智能體模型，以便使作戰時間最大化（即有足夠的時間來執行戰略機動）。

為解決其可擴展性問題，對MADDPG的一個潛在修改是形成智能體集群，為集群而不是每個智能體單獨學習一個策略。在發生新事件的情況下，可以推遲重新訓練的需要，因為從理論上講，一個智能體集群將有一套處理動態情況的可變能力。此外，這將避免隨著智能體的修改或新智能體的引入而增加Q函數的輸入空間。然而，問題來了。我們怎樣才能將一個任務分解成部分獨立的子任務，并使最優分組策略的退化程度最小？

雖然MADDPG可以形成一組異質的多智能體策略，能夠完成不同的任務，但這種方法不能很好地擴展到十幾個智能體。隨著智能體數量的增加，策略梯度的方差會呈指數級增長。因此，這種方法不太適合MDO中的戰略機動，在這種情況下，必須考慮到40多個異質智能體的對抗情況。克服這一可擴展性問題的方法是均值場多智能體RL算法，該算法計算鄰近智能體Q值的均值估計，當智能體之間的鄰近互動變得復雜時，可能導致高誤差率。此外，進化種群課程算法的設計是為了通過將遺傳算法方法與RL相結合，使MADDPG具有可擴展性。隨著MADDPG的進步和該方法所顯示的成功，可以想象這些算法的進步會導致在模擬實驗中對MDO內的戰略機動性進行強有力的演示。

與MADDPG不同的是，反事實多智能體（COMA）方法對所有智能體使用一個集中的評論家，但被設計用于離散的行動空間。COMA比MADDPG更具可擴展性，但它可能導致一套同質的策略，在智能體能力充分不同、局部目標不同或獎勵函數不同的情況下可能失敗。與MADDPG類似，Minmax多智能體DDPG（M3DDPG）比MADDPG的原始版本增加了一項改進，允許智能體制定更穩健的策略來對抗對手（即具有對立獎勵結構的競爭游戲）。然而，M3DDPG仍然無法處理異質智能體被引入系統的情況。

在具有連續狀態和行動空間的環境中實施算法，有時需要利用常見的技術來操作輸入或輸出，如離散化狀態和行動空間或將離散的策略輸出轉換為連續輸出。轉換策略輸出的一個例子是OpenAI多智能體粒子環境中MADDPG的實現。在這個例子中，離散的策略組件被用來計算連續的行動。從另一個角度來看，多智能體轉化器軟雙Q學習算法將連續行動空間離散為一組速度和角速度控制，然后可以在運動模型中使用。盡管這些技術允許在連續環境中使用這種算法，但這些算法方法沒有用連續信息進行訓練，這可能會限制它們在物理環境中進行戰略機動的功效。

4.4 價值為本

最近的一個基于價值的MARL算法系列在非常復雜的《星際爭霸2》模擬環境中被證明是相當成功的，其中根據智能體的本地Qa值學習了一個集中的聯合行動值Qtot。然后通過線性argmax算子從Qa中提取一個分散的策略。這種非常簡單而有效的分解方法避免了學習聯合行動值，而聯合行動值的規模并不大。如果增加新的智能體或用新的能力替換智能體，仍需進行再訓練。然而，與MADDPG相比，它更具有可擴展性，因為單個Q值僅從局部觀察中學習，避免了通過學習因子化的Qtot來學習聯合行動值。但是，當有超過40個智能體時，這個系列的算法的可擴展性可能會受到挑戰。為了使其更具可擴展性，已經提出了基于角色的算法RODE，其中智能體的角色是根據他們對環境的影響對他們的行動進行聚類來確定。該算法對于大量的智能體顯示了非常有希望的結果。

對于戰略機動，RODE算法是非常有前途的，因為各組智能體可以被分配到不同的角色，其中角色可以基于他們的行動和對環境的影響或任何其他固定的行為（對于盟友或甚至敵人）。然后，該算法可用于不同群體的戰略角色轉換。由于不同角色的行動空間受到限制，該算法收斂得非常快。這種算法也適合于基于角色的技術的戰略使用，這可能會在未來的工作中進行研究。即使RODE是非常可擴展的，我們也不清楚當新的智能體將被添加到環境中時如何調整它；需要學習一個集中的策略以實現最佳協作。

與RODE算法相比，一種可擴展的多智能體強化學習方法部署了一種熵-規則化的非策略方法來學習隨機價值函數策略，實驗表明它能夠擴展到1000多個智能體。如前所述，可擴展的RL算法關注環境的復雜性--系統或團隊中的智能體越多，狀態空間越大。RODE是有限的，因為它使用一個集中的策略，當更多的智能體被引入到環境中時必須重新訓練。多智能體轉化器軟雙Q學習算法是一種集中訓練的非策略學習算法（即共享一個中央經驗重放緩沖器），其執行是分布式的（即每個智能體根據其本地觀察做出自己的控制決定），而不是來自中央控制器。由于這種分布式的方案，當智能體被添加或從系統中移除時，團隊不受影響，繼續執行他們的策略。

在可擴展性方面，訓練大型MAS（即許多智能體）是很困難的，而且已經表明，即使是最先進的算法也不能為復雜的MARL任務學習到高性能的策略。多智能體變換器軟雙Q學習通過在訓練期間利用啟發式方法緩解了這一可擴展性問題，該方法允許在較小的智能體集合上訓練策略（例如，在目標追蹤場景中，四個智能體追蹤四個目標），并且該策略已被證明可以在執行中與更多的智能體一起工作而不需要任何調整（即用1000個智能體測試和評估）。訓練和執行過程中使用的啟發式方法使算法能夠解決智能體數量的巨大分布變化：它基本上將測試時的大型復雜觀察空間縮減為接近智能體策略最初訓練的內容。從軍事角度看，這種提法是戰略機動的理想選擇，因為現場的智能體可能會在原地丟失或獲得，可能要考慮額外的戰略信息。一個靈活和可擴展的算法提供了MDO中所需要的能力。

5. 洞察力和結論

由于一些因素，包括科技進步，美國的對手正在變得更加先進。在未來的MAS自主戰爭中，協作的戰略機動可以為國防軍帶來某些優勢。在這篇文章中，我們討論了一些最突出的RL算法，以發現訓練MAS的可行候選策略，這些MAS可以有效地進行戰略機動，從而在未來潛在的軍事行動中打開機會之窗。本文描述了RL方法的分類法，并對最突出的RL算法進行了概述。研究發現，由于訓練和測試因素的不同，大多數RL算法缺乏處理與未來潛在沖突相關的復雜性的能力。

DEVCOM ARL ERPs為開發和實施智能MAS提供了一個規劃性的路徑。鑒于陸軍研究項目為美國國防行動提供了關鍵研究問題的答案，AIMM和EOT ERPs特別促成了研究，可以為協作的自主MAS提供一個路徑，可以克服與1）環境，2）對手戰術和能力，3）自身能力（即，獲得新的能力，失去以前的能力，或能力被改變），4）團隊組成（例如，增加、刪除或交換隊友），5）戰略團隊定位、進入、導航（機動）以支持部隊并壓倒對手，以及6）任務目標。最近，AIMM和EOT ERP在這一領域的工作闡明了衡量MAS協調性的方法，并允許開發一個框架來訓練和測試執行各種任務的MAS的協調性，此外還評估了利用一系列集中訓練技術的新算法方法。

此外，還需要進行更多的調查，以闡明有利于在ISTAR任務和其他交戰場景中利用MAS的軍事戰略。在淺顯的情況下，將完全自主的MAS送入高風險情況（即預期因果率高的情況）是可取的；然而，由于目前的技術限制，僅僅期望MAS能夠在沒有人類監督或干預的情況下完成任務是不夠的。因此，在未來的工作中，將進行研究以確定一套強有力的交戰方案。最后，這項工作將導致自主MAS的最終整合，以便在未來的軍事行動中盡可能地協調戰略機動。

總結

美國防部（DOD）正在對其指揮軍事力量的方法進行現代化改造。國防部高級領導人已經表示，現有的指揮和控制架構不足以滿足2018年國防戰略（NDS）要求。全域聯合指揮與控制（JADC2）是國防部的概念，將所有軍種--空軍、陸軍、海軍陸戰隊、海軍和太空部隊的傳感器連接到一個網絡中。

DOD指出，用Uber共享服務來比喻其對JADC2的期望最終狀態。Uber結合了兩個不同的應用程序--一個是乘客，另一個是司機。使用各自的位置，Uber算法根據距離、旅行時間和乘客（以及其他變量）來確定最佳匹配。在JADC2的情況下，這種邏輯將找到攻擊特定目標的最佳武器平臺，或應對新出現威脅的最佳單位。為了使JADC2有效工作，DOD正在追求三種新的或新興的技術：自動化和人工智能、云環境和新的通信方法。

DOD的一些機構和組織參與了與JADC2相關的工作。下面的清單突出了與JADC2開發有關的部分組織和項目：

• 國防部首席信息官：第五代（5G）信息通信技術。

• 國防部長辦公室（研究與工程）：全網絡化指揮、控制和通信（FNC3）。

• 國防高級研究計劃局：馬賽克戰爭。

• 空軍：高級戰斗管理系統（ABMS）。

• 陸軍：項目融合（Project Convergence）。

• 海軍：項目超配（Project Overmatch）

隨著國防部開發指揮和控制軍事力量的新方法，國會可能會考慮幾個潛在的問題：

• 國會如何在驗證需求或成本估算之前考慮JADC2的相關活動？

• 在沒有正式的計劃或預算申請的情況下，國防部為JADC2的預算是多少？

• JADC2的支出重點是什么，是否有國防部可能沒有投資的舉措？

• 國防部如何確保每個軍種和盟國的通信系統之間的互操作性？

• 國防部應如何優先考慮其未來網絡中相互競爭的通信需求？

• 人工智能將在未來的指揮和控制決策系統中發揮什么作用？

• 為了滿足JADC2的要求，有哪些潛在的部隊結構變化是必要的？

• 國防部應如何管理與JADC2相關的工作？

1 什么是JADC2

全域聯合指揮與控制（JADC2）是美國國防部（DOD）的概念，即把所有軍種--空軍、陸軍、海軍陸戰隊、海軍和太空部隊的傳感器連接成一個網絡。傳統上，每個軍種都開發了自己的戰術網絡，與其他軍種的網絡不兼容（例如，陸軍網絡無法與海軍或空軍網絡連接）。通過JADC2，國防部設想建立一個 "物聯網"網絡，將眾多傳感器與武器系統連接起來，利用人工智能算法幫助改善決策。

DOD官員認為，未來的沖突可能需要領導人在幾小時、幾分鐘或可能幾秒鐘內做出決定，而目前分析作戰環境和發布命令的過程需要數天時間。國防戰略（NDS）委員會報告的非保密概要指出，目前的C2系統與潛在的同行競爭對手相比已經"惡化"。國會可能對JADC2概念感興趣，因為它正被用來制定許多高調的采購計劃，以及確定美國軍隊對潛在對手的有效性和競爭力。

圖 1. JADC2 的概念愿景

JADC2設想為聯合部隊提供一個類似云的環境，以共享情報、監視和偵察數據，在許多通信網絡中傳輸，從而實現更快的決策（見圖1）。JADC2打算通過收集來自眾多傳感器的數據，利用人工智能算法處理數據以識別目標，然后推薦最佳武器--包括動能和非動能武器（如網絡或電子武器）--來打擊目標，從而幫助指揮官做出更好的決策。

DOD指出，用Uber共享服務作為類比來描述其對JADC2的期望最終狀態。使用各自的位置，Uber算法根據距離、旅行時間和乘客（以及其他變量）來確定最佳匹配。然后，該應用程序為司機提供指示，讓他們按照指示將乘客送到目的地。Uber依靠蜂窩和Wi-Fi網絡來傳輸數據，以匹配乘客并提供駕駛指示。

一些分析家對JADC2采取了更加懷疑的態度。他們對JADC2的技術成熟度和可負擔性提出了疑問，以及是否有可能在一個致命的、充滿電子戰的環境中部署一個能夠安全可靠地連接傳感器和射手并支持指揮和控制的網絡。分析人士還詢問誰將擁有跨領域的決策權，因為傳統上，指揮權是在每個領域內而不是從整體戰役的角度下放的。

什么是指揮與控制？C2的維度和人工智能的影響
人們可以通過五個問題來看待指揮和控制：誰、什么、何時、何地和如何。傳統上，國會通過兩個不同但相關的問題來關注指揮與控制：權力（"誰"）與技術（"如何"）。
國會傳統上關注的第一個問題反映了指揮官執行行動的權力。這一討論的重點是指揮系統，反映了負責組織、訓練和裝備美國部隊的軍種與有權在國外使用部隊的作戰司令部之間的差異。這個問題可以用一個問題來概括："誰指揮部隊？"
第二個問題是使指揮官能夠做出這些決定并將其傳遞給戰場的技術方面。指揮、控制、通信（C3）、C3加計算機（C4）以及情報、監視和偵察（ISR）等術語進入了討論。指揮和控制的這一技術問題著眼于指揮官用于決策的數據（和收集方法）（即ISR是促成決策的數據），將數據轉化為信息的處理能力，以及使指揮官將其決策傳達給地理上分布的部隊系統。這種指揮和控制的技術方法可以概括為："你如何指揮部隊？"
指揮和控制的其他動態回答了其他問題：哪些系統和單位被指揮（什么），時間方面（何時），以及地理方面（何處）。國會在歷史上對這些問題中的每一個都是在具體的，而不是一般的問題上表示了興趣。例如，國會沒有考慮一般用途的部隊，而是關注與核部隊和特種作戰相關的權力問題。與核和網絡戰的快速反應相關的指揮和控制問題，以及在有限的程度上與電磁頻譜戰相關的問題，這些都是及時性問題，引起國會關注的其他領域。
關于 "何時"，國會已表示對與核和網絡戰的快速反應有關的指揮和控制感興趣，并在有限的程度上對電磁頻譜戰感興趣。然而，對 "何時"的最大敏感度似乎更側重于戰術（例如，何時讓飛機進入目標，何時開始對建筑物進行攻擊）；這些決定往往被授權給指揮官。最后，地理因素對指揮美軍提出了獨特的挑戰；只要行政部門和國會繼續支持全球國家安全戰略，地理決策在很大程度上代表了戰術問題，往往被授權給各個指揮官。
圖2. 指揮與控制的維度和人工智能的影響
圖2描述了這些問題是如何通過引入人工智能（AI）來優化各方面的結果。隨著編隊復雜性的增加--特別是為全域聯合作戰設計的編隊，控制這些部隊有可能超越人類的認知能力，并使用算法來幫助管理這些部隊。美國軍方表示，它打算讓人類參與整個決策過程，但隨著美國軍隊將更多的人工智能技術引入其決策機構，各方面的區別開始變得模糊不清。例如，"誰"和 "如何"開始變得相似，特別是當計算機或算法向指揮官提出建議時，他們可能不了解信息或產生建議的過程。
人工智能還可以影響指揮和控制的其他方面，包括 "什么"、"什么時候 "和 "在哪里"。將 "什么 "和 "哪里 "這兩個要素結合起來，可以挑戰對手尋找和與美國部隊交戰的能力；這樣做也可以挑戰指揮官及其參謀部在沒有系統幫助管理復雜情況下保持對部隊的控制能力。從 "何時 "的角度來看，需要快速決策的行動，特別是電磁頻譜戰或網絡戰，可能超過人類的決策能力。這就提出了一個重要的問題，即指揮官能在多大程度上信任人工智能，以及人類作戰員需要理解人工智能系統為什么建議采取特定行動。

2 為什么要改變當前的 C2 結構？

DOD目前使用戰斗空間的不同部分來執行C2--主要是沿著確定的軍事領域：空中、陸地、海上、太空和網絡空間。這種結構的存在是因為傳統的威脅來自單一系統，如飛機和坦克編隊。作為回應，軍方開發了高度復雜（但昂貴）的傳感器來監視戰斗空間，向集中式指揮中心（如空中作戰中心或陸軍指揮所）提供信息。E-3高級預警和指揮系統（AWACS）和E-8聯合監視目標攻擊雷達系統（JSTARS）等系統經過優化，為這些中央前哨的指揮官提供態勢感知，然后他們可以在那里指揮軍事力量。

2018年國防戰略（NDS）、審查它的 NDS 委員會和其他來源闡述的未來作戰環境描述了潛在對手如何發展復雜的反介入/區域拒止 (A2/AD) 能力（見圖 3）。這些能力包括電子戰、網絡武器、遠程導彈和先進的防空系統。 美國競爭對手將 A2/AD 能力作為對抗美國傳統軍事優勢（例如投射力量的能力）的一種手段，并提高他們贏得快速、決定性交戰的能力。

圖 3. A2/AD 環境的可視化

美國防部高級領導人已經表示，在未來的作戰環境中，獲取信息將是至關重要的。此外，這些領導人還表示，為了挑戰潛在的同等對手，需要采取多領域的方法（美國部隊將使用地面、空中、海上、太空和網絡力量來挑戰對手的目標計算）。因此，全領域聯合作戰的概念為指揮官提供了獲取信息的機會，可以利用突襲進行同步和連續的行動，并在所有領域快速和持續地整合能力，從而獲得物質和心理優勢以及對作戰環境的影響和控制。

空中陸戰概念設想將空軍和陸軍的努力結合在一起，在20世紀80年代對抗蘇聯，自該概念提出以來，技術上的進步使美國防部能夠繼續發展全領域聯合作戰的概念。這些技術進步包括增加了攻擊目標的方法（包括電子和網絡手段），相對低成本的傳感器的擴散，以及將這些傳感器的數據轉化為信息的處理能力的提高。維持對所有領域行動的控制所面臨的挑戰是，美國的軍事C2機構并不是為做出這些類型的決定而組織的，26而且正在使用的技術的復雜性和速度可能超過人類的認知能力。

指揮與控制是如何演變的？
美軍傳統的指揮和控制概念源于德軍的 "任務型命令"（auftragstaktik）。認識到軍事行動中的混亂和 "戰爭迷霧 "是不可避免的，下級指揮官被委托半自主地行動以實現其指揮官的意圖（即任務的總體目標），而不是有預先規定的行動。情報來源和偵察的信息需要很長的時間，甚至可能需要幾天才能到達指揮官手中。為了保持對部隊的控制，指揮官們依靠無線電通訊和紙質信件。有限的信息量使得指揮官可以在兩個方面指揮部隊--使用單一的領域來應對對手的行動。
在冷戰的高峰期，蘇軍給軍事力量提出了一個新的問題：如何對抗一支數量上占優勢的坦克部隊。為了應對這一威脅，陸軍和空軍提出了一種新穎的方法，通過開發新技術來確定增援地點，將空中和陸地力量結合起來。這一概念被稱為 "空地戰"。這種三維方法試圖利用情報、監視和偵察方面的優勢，"深入觀察"，將火力集中打擊增援部隊（即 "深入打擊"）。為了支持這種利用深度打擊來防止增援部隊的設想，美軍需要改進指揮所，以提高指揮部隊的決策速度，同時仍然保持遵循指揮官意圖的傳統。這種需要導致了新系統的開發，如JSTARS和ATACMS。這些系統使指揮官能夠更快地了解戰斗空間，并提高對敵軍直接開火的反應時間。
在過去的20年里，中國和俄羅斯觀察了美國的戰爭方法，確定了挑戰美國優勢的不對稱方法。中國的軍事現代化尤其注重防止美國建立大量的戰斗力（限制后勤），增加高價值飛機（油輪、間諜飛機、指揮和控制飛機）的風險，并增加其海軍足跡（限制美國的海軍優勢）。為了應對這些新威脅，國防部最初提出了使用多域作戰的想法（后來過渡到全域作戰一詞）。國防部認為，使用一個或甚至兩個維度來攻擊對手是不夠的，因此挑戰對手的目標計算需要更復雜的編隊（額外維度）。國防部認為，不斷增加的復雜性，加上應對新興技術威脅的時間可能減少，需要新的方法來管理部隊。
圖4. 指揮和控制的復雜性的變化

3 JADC2-賦能技術

在國防部發展JADC2概念的過程中，有三類技術在這種指揮和控制軍事力量的方法中起著不可或缺的作用：自動化、云環境和通信。

3.1 自動化與人工智能

許多DOD高級領導人已經明確表示，JADC2是一個概念（或許是一個愿景），而不是任何具體的計劃。在2021年1月的一篇文章中，聯合人工智能中心主任Michael Groen中將說："JADC2不是一個IT（信息技術）系統，它是一個作戰系統。從歷史上看，你會有一個大型的國防項目，你會花數年時間來完善需求，你會收集大包大包的錢，然后你會去找國防承包商，花更多的時間來建造、測試，然后在多年后最終投入使用"。在這篇文章中，Groen中將描述了人工智能（AI）的作用，以及延伸到數據和數據結構的作用，使這些算法能夠為指揮官提供信息。根據Dennis Crall中將（聯合參謀部指揮、控制、通信和計算機/網絡首席信息官[JS J6]主任）的說法，人工智能和機器學習對于實現JADC2至關重要。Dennis Crall說道："JADC2是關于將所有這些自動化....。它是關于利用傳感器豐富的環境--查看數據標準等事情；確保我們可以將這些信息轉移到一個我們可以正確處理的區域； 帶來了云；帶來了人工智能、預測分析；然后用一個能夠處理這些的網絡來支撐所有領域和合作伙伴。"

3.2 云環境

DOD表示，擁有多分類的云環境對于實現JADC2是必要的。DOD設想，用戶能夠根據他們的需要和信息要求，在不同的分類下訪問信息。在2021年6月的新聞發布會上，克拉爾中將說，"戰術邊緣 "的云能力是用于數據存儲和處理，實現人工智能算法。作為一個例子，空軍討論了其高級戰斗管理系統（ABMS）項目對云環境的需求--空軍部對JADC2的貢獻，這將在下文討論。根據空軍的預算說明，ABSM將需要一套云系統、應用程序（即軟件）和網絡（包括商業和政府擁有的），這將 "了解環境并應用由人工智能和機器學習輔助的先進算法"。

3.3 通信

根據DOD的說法，開發JADC2將需要新的通信方法。DOD目前的通信網絡已經為中東地區的行動進行了優化。因此，DOD使用衛星作為與海外部隊通信的主要方法。這些系統面臨著延遲（時間延遲）問題，并且在設計上不能在有電子戰的情況下有效運行。這些舊的架構依賴于地球同步軌道上的衛星，這些衛星在地球上空大約22200英里（35800公里）處運行。新的應用，如人工智能，將有可能需要額外的數據速率，而目前的通信網絡可能無法支持--特別是當DOD增加傳感器的數量，以提供額外的數據來改進算法。自主系統的引入，如海軍的大型無人水面和海底航行器，以及陸軍對機器人飛行器越來越感興趣而產生的系統，可能需要安全的通信和短時延來維持對這些系統的控制。

4 目前開展的JADC2相關工作

聯合參謀部是負責制定全域聯合指揮與控制概念戰略的國防部組織。此外，還有一些正在進行的研究和努力與JADC2概念有關。每個軍事部門（陸軍、海軍、空軍）以及國防部機構，如國防高級研究計劃局（DARPA）和負責研究和工程的國防部副部長辦公室（OSD[R&E]），都在開發技術和概念。以下各節簡要介紹一些組織的工作。

4.1 聯合參謀部 J6：JADC2 戰略

國防部負責制定JADC2戰略的領導機構是聯合參謀部J6指揮、控制、通信和計算機/網絡局。JADC2戰略最初的設想是改善聯合部隊的互操作性（例如，確保無線電系統能夠相互通信），后來擴大了這一重點，制定了一種信息共享方法，通過為決策提供數據來實現聯合行動。除了制定戰略，J6還組織了一個JADC2跨職能小組，各軍種和國防部機構通過該小組協調他們的實驗和計劃。這與國防部數據戰略和國防部副部長創造數據優勢的努力相一致。該戰略確定了五條工作路線以實現JADC2框架：

1.數據組織

2.人力組織

3.技術組織

4.核指揮、控制和通信（NC3）

5.任務伙伴信息共享

在2021年6月4日的新聞發布會上，克拉爾中將表示國防部長奧斯汀已經批準了JADC2戰略。

4.2 OUSD研究與工程（R&E）：完全網絡化的指揮、控制和通信（FNC3）

根據R&E辦公室的說法，"FNC3確定、啟動和協調指揮、控制和通信關鍵使能技術的研究、開發和降低風險活動。這些活動將包括整個國防企業不同但相互關聯的努力，由FNC3在OUSD（R&E）的工作人員監督和同步進行。" FNC3的主要負責人邁克爾-扎特曼博士描述了FNC3的整體愿景，包括三個層次--物理層、網絡層和應用層--它們為開發指揮、控制和通信系統提供了一種量身定做的方法，與商業部門的最佳實踐相一致。物理層代表無線電和發射器本身，而網絡層則通過開發國防部優化的新興商業軟件定義網絡技術（如網絡切片）來管理應用對物理層的訪問。所有這三層都旨在提高互操作性和彈性（即防止網絡被干擾或中斷的能力），并為每個應用提供適當的服務質量。

根據扎特曼博士的說法，FNC3是JADC2的中長期技術愿景，而每個部門（在以下章節中概述）都有專注于發展近期采購戰略的引人注目的努力。例如，空軍部的先進戰斗管理計劃旨在通過關注成熟技術在未來三年內部署。OUSD R&E利用其投資組合中不太成熟的技術，包括由DARPA、國防創新部門、戰略能力辦公室、各部門和其他部門開發的技術，為實施JADC2提供長期的技術手段。

4.3 DoD CIO：5G技術

國防部提出，5G無線技術的商業進展提供了傳輸更多數據（通常稱為數據吞吐量）和更低延遲的能力。國防部認為，它需要這些能力來處理來自眾多傳感器（如衛星、飛機、船只、地面雷達）的更多數據，并在 "邊緣"（與無線電接收器在同一地點）處理這些信息。5G技術的另一個方面可以實現新的指揮和控制概念，即動態頻譜共享。隨著電磁頻譜變得更加擁擠，聯邦政府已經開始允許多個用戶在同一頻段上運行（稱為頻譜共享）。國防部首席信息官認為，頻譜共享技術允許通信系統在有干擾的情況下傳輸和接收數據。2020年9月，國防部CIO向工業界發出了一個信息請求，即如何對待動態頻譜共享。2021年1月21日，已經公布了67份對信息請求的回應。

4.4 DARPA：馬賽克戰

馬賽克戰爭代表了一系列由DARPA贊助的項目，旨在利用人工智能將傳統上不被設計為互操作的系統和網絡相結合。從概念上講（見圖5），這些項目將能夠利用從衛星上收集的原始情報，并將這些數據轉化為傳遞給 "射手 "的目標信息--在這種情況下，網絡武器、電子干擾器、導彈、飛機或任何其他可能影響預期目標的武器。正如哈德遜研究所的分析家布萊恩-克拉克和丹-帕特所解釋的那樣，"馬賽克戰爭 "試圖將多種重疊的困境強加給敵軍，擾亂他們的行動，從而阻止他們及時到達目標。

圖5：DARPA的馬賽克戰愿景

DARPA的馬賽克計劃之一，稱為異質電子系統的技術集成工具鏈（STITCHES），已被用于空軍和陸軍的實驗。據DARPA稱，STITCHES是一種軟件，旨在通過自主創建允許低延遲和高吞吐量的軟件，快速整合任何領域的通信系統，而無需升級硬件或修改現有的系統軟件。根據空軍的一份新聞稿，該部門已在幾個高級戰斗管理系統的 "上線 "中測試了該技術，并已開始將該計劃從DARPA過渡到空軍部。

4.5 空軍部：高級戰斗管理系統（ABMS）

高級戰斗管理系統最初的設想是取代E-8聯合監視和目標攻擊雷達系統（JSTARS）。空軍在2019年將ABMS項目從開發飛機或雷達之類的東西過渡到 "數字網絡環境，連接所有領域和每個梯隊的作戰能力，以實現全球決策優勢。" 換句話說，空軍從建立一個支持指揮和決策的平臺（如E-8 JSTARS）轉向建立一個安全的、"類似云"的環境，利用人工智能和預測分析為指揮官提供近實時數據。根據空軍的說法，ABMS項目將沿著六條產品線開發能力：傳感器集成、數據、安全處理、連接、應用和效果集成。

空軍已經舉行了三次 "on-ramps"（空軍用來描述演示的術語），以展示其ABMS的方法。2019年12月舉行的第一次on-ramps，展示了該部門從F-22戰斗機使用的安全通信向陸軍和海軍系統傳輸數據的能力。第二次上線使陸軍榴彈炮能夠擊落一枚代用巡航導彈。此外，空軍向美國北方司令部提供了這種 "類似云 "的零信任平板電腦--一種不在設備上存儲敏感數據的安全功能，以協助其在2020年春季應對COVID大流行。

2020年11月，空軍部確定了首席架構師辦公室，負責評估架構上線和整合企業數字架構。同時，空軍確定空軍部快速能力辦公室為ABMS整合項目執行辦公室。快速能力辦公室的工作重點是快速向現場交付項目，它的參與可以被看作是將ABMS從實驗轉向系統開發。

4.6 陸軍部：項目融合（Project Convergence）

根據陸軍的說法，"項目融合是陸軍圍繞一系列連續的、結構化的演示和實驗而組織的新的學習活動"，旨在應對JADC2所帶來的挑戰。

1.確保陸軍擁有合適的人員和人才；

2.將當前的陸軍現代化工作與陸軍未來司令部的跨職能團隊聯系起來，并與陸軍現代化的六個優先事項保持一致；

3.擁有合適的指揮和控制，以應對節奏越來越快的威脅；

4.利用人工智能分析和分類信息，并在陸軍網絡中傳輸；

5.在 "最嚴峻的地形 "中測試能力。

項目融合2020在三個軍事設施中使用了大約750名士兵、平民和承包商，最終在亞利桑那州的尤馬試驗場進行了兩次現場頂點演習。在這次演習中，陸軍展示了幾種技術，包括人工智能、自主性和機器人技術，以測試新的方法來指揮和控制地理上分散的部隊。陸軍計劃將空軍和海軍的系統作為2021年項目融合的一部分，并打算在2022年項目融合中納入外國軍隊。這其中有3370萬美元用于運營和維護，以及7310萬美元用于研究、開發、測試和評估，由陸軍撥款。

4.7 海軍部：項目超配（Project Overmatch）

項目超配是海軍為建立一個 "海軍作戰架構"，將艦艇與陸軍和空軍資產聯系起來而做出的努力。2020年10月1日，海軍作戰部部長吉爾德伊上將責成一名二星上將領導海軍的"項目超配"工作。在他的備忘錄中，吉爾德伊上將指示 "項目超配"采取類似于海軍發展核動力和AEGIS系統的工程和開發方法。其主要目標是 "使海軍能夠在海上形成集群，從近處和遠處、每個軸線和每個領域提供同步的致命和非致命效果。具體來說，你[斯莫爾海軍司令]要開發網絡、基礎設施、數據架構工具和分析。" 在一個平行的努力中，吉爾德伊上將責成基爾比副上將（負責作戰要求和能力的海軍作戰部副部長）制定一項計劃，將無人系統，包括艦艇和飛機，納入海軍作戰架構。根據新聞聲明，海軍打算在2023年達到初始作戰能力（即有能力部署初始系統）。海軍在2022財政年度為 "項目超配 "申請了三個分類項目元素的資金。

在2021年6月舉行的2021年AFCEA西部會議上，吉爾德伊上將討論了項目超配目前的工作。在這次活動中，吉爾德伊表示，自2020年10月項目啟動以來，項目超配已經完成了三個螺旋式發展周期。吉爾德伊進一步解釋說："我們實際上正在試驗一種方式，使我們基本上可以將任何網絡上的任何數據傳遞給作戰人員。這是一個軟件定義的通信系統，使我們能夠以一種前所未有的方式拆開我們所有的網絡"。根據新聞報道，吉爾德表示，他預計在2022年底或2023年初將 "項目超配"的測試規模擴大到一個航母打擊群。

5 國會面臨的潛在問題

以下各節討論了國會的潛在問題，包括需求和成本估算、互操作性挑戰、平衡通信能力、人工智能在決策中的角色，以及實施JADC2所需的潛在部隊結構變化。

5.1 需求和成本估算

美國防部已經為JADC2的相關工作申請了幾個財政年度的資金，特別是在概念的早期發展階段。國防部正在積極制定JADC2戰略，預計將在2021年春季發布。國會中的一些人對國防部沒有像傳統采購項目那樣提供成本估算或驗證需求表示關切。因此，各軍種委員會和撥款委員會已經減少了對這些工作，特別是ABMS和5G研究和開發的要求資金。2021財年國防授權法案（NDAA）要求國防部在2021年4月前為JADC2提出要求。

5.2 國防部對JADC2的潛在資助水平

國防部還沒有正式公布關于JADC2的支出預算數據，該項目在各軍種和國防機構的一些項目中都有資金。根據聯合參謀部J6（JS J6）的說法，JADC2不是一個記錄項目，JS J6也不打算過渡到一個記錄項目。因此，除非國會要求國防部提供JADC2資金的詳細概述，否則國防部可能不太可能這樣做。

一些分析家推測了與JADC2有關的所有項目的年度成本。一位分析家估計，國防部在2022財政年度為與JADC2直接相關的項目編列了大約12億美元的預算。Govini估計，自2017財政年度以來，國防部在JADC2上花費了大約225億美元；這平均每年大約為45億美元。Govini的估計包括其他聯邦機構的資金--如國家航空和航天局（NASA）--以及國防部可能認為與JADC2無關的技術，因此可能高估了JADC2獲得的資金總額。

5.3 JADC2支出優先級

根據JS J6，有五條與JADC2相關的工作線：

• 1.數據組織

• 2.人力組織

• 3.技術組織

• 4.核指揮、控制和通信（NC3）

• 5.任務伙伴信息共享

以數據為中心的方法側重于國防部系統傳輸所需的數據類型和結構，創建一個共同的數據框架，為數據的發送和接收提供一個商定的標準。換句話說，數據的格式化、組織化和結構化的方式影響著數據從傳感器到決策者再到武器的高效和無縫傳輸。另一方面，網絡中心化和互操作性側重于通信標準，如無線電頻率、波形、通信加密等，以確保一個無線電能與另一個無線電通話。通過采用這種方法，JS J6專注于開發軟件應用，以改善指揮和控制。然而，該戰略可能缺少幾個方面，包括：

• 通信系統的硬件和軟件的功能，

• 網絡需要傳輸的數據量，

• 對手的行動對網絡的影響，

• 以及指揮和控制部隊的模塊化。

隨著國防部繼續改革其JADC2概念和要求，其他觀察家也注意到，在JADC2戰略中存在一些沒有被認定的領域，國防部應將其支出主要集中在研究和開發方面。一位觀察家認為，國防部應將其研發支出集中在改善網絡互操作性上。這種方法支持優先升級軍事通信系統，以便在整個聯合部隊中傳輸數據。它建議國防部在軟件和硬件方面投入更多資金，以提高所有類型的數據鏈路和網絡（例如，Link 16、多功能高級數據鏈路、態勢感知數據鏈路以及綜合海上網絡和事業服務）的互操作性。網絡互操作性方法的重點是，創建網絡是困難的；但是，利用軟件定義的網絡和通用電子設備（如類似的芯片架構）可以使每個軍種無縫共享信息。換句話說，這種方法更注重通信網絡的構建方式，而不是在這些網絡內發送數據的組織方式。軟件定義的無線電和網絡使無線電可以很容易地被編程，并因此更容易地相互通信。微電子（即物理硬件）最終定義了無線電的物理和軟件能力。

其他分析家認為，JADC2的支出應更多地集中在改變決策方式上。這一論點強調了通過利用人工智能（AI）實現決策過程自動化的必要性，正如國防高級研究計劃局（DARPA）的馬賽克戰爭概念所設想的。在這種方法中，優先利用人工智能系統的支出（如空軍的STiTCHES計劃），可以建立主要集中在需要傳輸的數據和數據結構的特設網絡。這一論點假設人工智能也可以分析情報、監視和偵察（ISR）數據，以確定人類可能錯過的趨勢，從而向軍事指揮官提出潛在的更好的建議。

其他觀察家認為，優先考慮如何使用和管理電磁波譜的決策對于支持JADC2至關重要。這些觀察家認為，像國防信息系統局的電磁戰管理計劃--旨在利用情報方法評估電磁波譜環境，然后自動決定如何使用頻譜來減輕對手的電子戰影響--對于實現全域指揮和控制是必要的。這些觀察家還認為，對手的電子戰效應將需要近乎即時地被緩解，因此需要一個強大的電磁環境部分（以及自動化），以便在對網絡的潛在攻擊中管理國防部網絡。

5.4 互操作性挑戰

由于國防部設想使用JADC2來同時指揮多個領域的部隊，因此連接不同類型部隊的需求也在增加。國防部擁有并運營著許多通信系統，每個系統都使用不同的無線電頻率、標準和數據鏈，這些系統往往不能相互 "交談"，因此需要一個網關將一種無線電協議 "翻譯 "成另一種協議。盟友和合作伙伴的加入增加了互操作性的挑戰。前國防部副部長邁克爾-格里芬在2020年3月向眾議院軍事委員會情報、新興威脅和能力小組委員會作證時，指出這個問題是繼續為FNC3進行OSD R&E努力的理由。

使國防部能夠共享來自不同部門和單位的信息的挑戰可以通過三種互操作性的方法來解決:

• 網關。通信網關（也許稱為 "翻譯器 "更為恰當）可以接收多種協議、安全級別等，并將這些信息轉播給部隊的其他部門。ABMS計劃已經開發了這種網關（見圖6），以實現通信。這種方法允許信息共享，有可能降低開發成本，因為網關可以是飛機/艦艇/地面系統的一個子系統，有可能能夠相對快速地投入使用。這種方法的挑戰是，這種網關可能沒有使用最先進的，因此也是受保護的波形來轉播給部隊。

圖 6：E-11 戰場機載通信節點 (BACN)

• 新的通信設備。這種方法采用 "自上而下 "的方式（即由OSD或聯合參謀部確定解決方案，然后要求各軍種采用該方案）。使用與聯合戰術無線電系統（JTRS）開發類似的模式，這種方案將購買一個新的通信架構，重點是互操作性。例如，FNC3的努力似乎就是采用這種方法。盡管這種方法可以確保聯合部隊開發的通信系統可以無縫共享信息，而且可能是安全的，但它可能需要大量的投資，并可能遇到時間表的延誤。這種方法的另一個可能的缺點是，隨著系統的投入使用，它們可能對對手的技術不那么有效。

• 開發軟件來創建網絡。第三種方法是使用軟件，使用戶能夠創建自定義網絡。DARPA的 "馬賽克戰爭 "和ABMS計劃的某些方面就是這種方法的例子。與其他互操作性解決方案相比，這種方法更加模塊化，使為特定行動定制的單位和系統能夠相互通信。這種方法的一個主要風險是技術上的不成熟，特別是用于創建這些網絡的軟件。另一個風險涉及到與不同系統共享的信息量和分類，這些系統經過認證，具有不同的保密級別（例如，可釋放的秘密、不可釋放的秘密、最高機密）。

國防部和國會可以選擇這些方法中的一種或多種。一種特定的方法可能提供短期的好處，而國防部則追求一種長期的方法來解決互操作性的挑戰。

5.5 平衡退化環境下的通信能力

國防部為滿足JADC2的要求而開發通信網絡的方法包括三種相互競爭的能力:

• 數據吞吐量（即數據傳輸的速度）

• 延遲（即接收信息/數據的時間延遲）

• 彈性（在自然或故意中斷的情況下保持通信信號的能力）

軍事作戰新技術的興起，如人工智能、戰術數據鏈（如Link 16和多功能先進數據鏈[MADL]）和對手的電子戰能力，為5G和FNC3等未來通信系統平衡這些能力帶來了明顯的挑戰。人工智能和信息戰可能需要大量的數據來實現預測分析，并讓指揮官對戰斗空間有一個準確的了解。與所有可用用戶共享數據的數據鏈并不一定需要高數據速率；然而，數據鏈確實需要低延遲，以確保傳感器能夠證明 "目標級數據"，特別是對于像巡航導彈和飛機這樣快速移動的系統。最后，電子干擾器的擴散需要彈性（或抗干擾性能），以便在被主動干擾時保持通信。圖7說明了在開發新的波形時必須平衡這三個相互競爭的要求（無論該波形是為民用還是軍用而設計）。無線電信號能夠提供每一種能力；然而，優先考慮一種要求意味著其他兩種要求可能會受到影響，這可能會給決策者帶來兩難選擇，即在采購中優先考慮哪些能力。

圖7：平衡通信要求

隨著國防部對其通信系統的現代化改造，它可能會考慮技術特點和限制，以選擇在保護其網絡安全的同時推進任務目標的要求。例如，像5G這樣的技術可以提供高數據容量和低延遲，但目前還不清楚這些信號可能受到對手干擾的影響。另一方面，FNC3的設計似乎是為了提供具有高數據率的彈性；但是，由于它依賴于衛星，延遲將增加。

5.6 人工智能在決策中的角色

人工智能是實現JADC2的一個潛在的關鍵組成部分。隨著人工智能被引入軍事決策中，出現了幾個潛在的問題。首先，人工智能在決策中的作用應該達到什么程度？在使用致命武器時，人類的判斷力需要達到什么適當的水平？

第二，國防部如何確保用于人工智能算法協助決策的數據的安全性？盡管國防部把重點放在了數據結構上，但它沒有討論它計劃如何具體確保JADC2的數據有效性和安全性。錯誤的數據可能導致指揮官選擇損害任務目標的選項（如算法推薦可能浪費高價值彈藥的目標）。與此相關的是，國防部打算如何保護云環境中的這些數據，以防止對手操縱它們？這些安全計劃是否足以防止對手的操縱？

5.7 潛在的部隊結構調整

由于JADC2可能需要不同類型的部隊和武器系統，每個軍種都可能尋求改變其訓練、組織和裝備部隊的方式。例如，海軍陸戰隊在其部隊重新設計中宣布，它將取消它認為不符合國防戰略指導的部隊，并將資金重新投入到其他更適合未來作戰環境的項目中。

現役和預備役部隊的能力平衡是部隊結構調整的另一個方面。例如，陸軍在歷史上決定將后勤能力從現役部門轉移到預備役部門。因此，如果美國要開戰，陸軍大概需要啟動預備役部隊來實現行動。當國防部和各軍種準備迎接JADC2帶來的挑戰時，這些組織將如何選擇平衡現役和預備役部隊的能力和部隊結構？

5.8 對JADC2工作的管理

聯合參謀部J6是國防部JADC2工作的主要協調者，每個軍種和一些國防部機構都在進行各種活動。國會中的一些人過去曾表示有興趣建立國防部范圍內的項目辦公室（如F-35聯合項目辦公室）來集中管理大規模的工作。國防部的研究和開發工作將隨著時間的推移而增加，因此，管理這些工作可能會變得更具挑戰性。國會在未來可能會尋求確定或建立一個負責項目管理、網絡架構開發和財務管理的組織。

附錄-聯合互操作性的歷史實例：聯合戰術無線電系統

聯合戰術無線電系統（JTRS）是一個通信項目，旨在通過在所有軍種中部署無線電設備來提高通信的互操作性。該計劃于20世紀90年代中期開始，最終于2011年被前國防部負責采購、技術和后勤的副部長弗蘭克-肯德爾取消。在他的理由中，肯德爾副部長指出，"由于當時技術不成熟，移動特設網絡和可擴展性的技術挑戰沒有得到很好的理解......從JTRS GMR[地面移動無線電]開發計劃中產生的產品不太可能在經濟上滿足各軍種的要求。" 在15年的開發工作中，國防部花費了大約150億美元，在終止時還需要130億美元。

JTRS計劃旨在用可在大部分無線電頻譜上運行的基于軟件的無線電取代軍隊使用的25至30個系列的無線電系統--其中許多系統不能相互通信。根據設想，JTRS將使各軍種與選定的盟國一起，通過各級指揮部的無線語音、視頻和數據通信，包括直接獲取來自機載和戰場傳感器的近實時信息，以 "無縫 "方式運作。被描述為 "軟件定義的無線電"，JTRS的功能更像一臺計算機，而不是傳統的無線電；例如，它可以通過添加軟件而不是重新設計硬件來升級和修改，以便與其他通信系統一起運行--這是一個更昂貴和費時的過程。國防部聲稱，"在許多情況下，一個具有多種波形的JTRS無線電臺可以取代許多單獨的無線電臺，簡化了維護工作"，而且由于JTRS是 "軟件可編程的，它們也將提供更長的功能壽命"，這兩個特點都提供了潛在的長期成本節約。JTRS計劃最初被分成五個 "集群"，每個集群都有一個特定的服務 "領導"（見表A-1），并由一個聯合項目辦公室管理整個架構。

注：外形尺寸無線電臺基本上是士兵攜帶的小型化無線電臺，以及重量和功率受限的無線電臺。

正如下文所討論的，JTRS在開發過程中遇到了一些困難。這些問題可能與未來的JADC2開發有關。

尺寸和重量的限制和有限的范圍

根據政府問責局(GAO) 2005年的一份報告: 為了實現寬帶網絡波形的全部功能，包括傳輸范圍，Cluster One無線電需要大量的內存和處理能力，這增加了無線電的尺寸、重量和功耗。增加的尺寸和重量是努力確保無線電中的電子部件不會因額外的內存和處理所需的電力而過熱的結果。到目前為止，該計劃還未能開發出符合尺寸、重量和功率要求的無線電，而且目前預計的傳輸范圍只有三公里--遠遠低于寬帶網絡波形所要求的10公里范圍....。Cluster One無線電的尺寸、重量和峰值功率消耗超過直升機平臺要求的80%之多。

由于無法滿足這些基本的設計和性能標準，人們擔心Cluster One可能無法按計劃容納更多的波形（計劃中Cluster One有4到8個存儲波形），而且它可能過于笨重，無法裝入重量和尺寸都受到嚴格限制的未來戰斗系統（FCS）載人地面車輛（MGVs）以及陸軍的直升機機群。一些觀察家擔心，為了滿足這些物理要求，陸軍將大大 "削弱 "第一組的性能規格。然而，根據陸軍的說法，它在減少Cluster One的重量和尺寸以及增加其傳輸范圍方面取得了進展；然而，將所有需要的波形納入Cluster One證明是困難的。據報道，Cluster Five無線電臺也遇到了類似的尺寸、重量和功率方面的困難；這些困難更加明顯，因為有些Cluster Five版本的重量不超過1磅。

安全

JTRS的安全問題成為發展中的一個重要困難。據一位專家說，該計劃最大的問題之一是安全，"即加密，因為JTRS的加密是基于軟件的，因此容易受到黑客攻擊"。 計算機安全專家普遍認為，用于任何目的的軟件都是脆弱的，因為目前沒有一種計算機安全形式能提供絕對的安全或信息保證。據美國政府問責局稱，JTRS要求應用程序在多個安全級別上運行；為了滿足這一要求，開發人員不僅要考慮傳統的無線電安全措施，還要考慮計算機和網絡安全措施。此外，國家安全局（NSA）對JTRS與美國盟友的無線電系統接口的安全擔憂也帶來了發展上的挑戰。

與傳統無線電系統的互操作性

一些分析家表示擔心，使JTRS與傳統無線電 "向后兼容 "的目標在技術上可能是不可行的。據報道，早期的計劃試圖通過交叉頻段來同步不兼容的傳統無線電信號，這被證明過于復雜。目前陸軍的努力集中在使用寬帶網絡波形來連接傳統的無線電頻率。一份報告指出，雖然寬帶網絡波形可以接收來自傳統無線電的信號，但傳統無線電不能接收來自JTRS的信號。為了糾正這種情況，陸軍考慮使用19種不同的波形來促進JTRS向遺留系統的傳輸。在JTRS無線電中加入如此多的不同波形會大大增加內存和處理能力的要求，這反過來又會增加JTRS的尺寸、重量和功率要求。

作者：John R. Hoehn，軍事能力和計劃分析師