配備先進傳感器的無人平臺的集成有望提高態勢感知能力，緩解軍事行動中的 “戰爭迷霧”。然而，管理這些平臺涌入的大量數據給指揮與控制（C2）系統帶來了巨大挑戰。本研究提出了一種新穎的多智能體學習框架來應對這一挑戰。該方法可實現智能體與人類之間自主、安全的通信，進而實時形成可解釋的 “共同作戰圖景”（COP）。每個智能體將其感知和行動編碼為緊湊向量，然后通過傳輸、接收和解碼形成包含戰場上所有智能體（友方和敵方）當前狀態的 COP。利用深度強化學習（DRL），聯合訓練 COP 模型和智能體的行動選擇策略。展示了在全球定位系統失效和通信中斷等惡劣條件下的復原能力。在 Starcraft-2 模擬環境中進行了實驗驗證，以評估 COP 的精度和策略的魯棒性。報告顯示，COP 誤差小于 5%，策略可抵御各種對抗條件。總之，貢獻包括自主 COP 形成方法、通過分布式預測提高復原力以及聯合訓練 COP 模型和多智能體 RL 策略。這項研究推動了自適應和彈性 C2 的發展，促進了對異構無人平臺的有效控制。

圖：從學習到的交流中預測 COP 的框架概覽。在決策過程中確定并使用 COP。使用 QMIX作為 COP 集成的 MARL 方法示例。

配備先進傳感器的無人平臺的集成為減輕 “戰爭迷霧 ”和提高態勢感知能力帶來了希望。然而，管理和傳播來自此類平臺的大量數據對中央指揮與控制（C2）節點的信息處理能力構成了巨大挑戰，特別是考慮到隨著平臺數量的增加，數據量也會呈指數級增長。目前的人工處理方法不適合未來涉及無人平臺群的 C2 場景。在本研究中，我們提出了一個利用多智能體學習方法來克服這一障礙的框架。

我們考慮的框架是，智能體以自主方式相互通信（以及與人類通信），并以數據驅動的方式訓練這種通信功能。在每個時間步驟中，每個智能體都可以發送/接收一個實值信息向量。該向量是智能體感知或視場（FoV）的學習編碼。這些向量不易被對手解讀，因此可以實現安全的信息傳輸。

在接收方，必須對信息進行解碼，以恢復發送方的感知和行動。此外，還應將信息整合（隨時間匯總）到 “共同作戰圖像”（COP）中。與編碼器一樣，解碼器也是以數據驅動的方式學習的。在本文中，我們將 COP 的定義簡化為戰場上每個友方和敵方智能體的當前狀態（位置、健康狀況、護盾、武器等）。我們認為，COP 對決策智能體至關重要。

近年來，以數據驅動方式進行端到端訓練的人工智能/人工智能方法大有可為。在數據驅動型自主 COP 的背景下，一個優勢是無需對傳感器和執行器中的噪聲、對手的動態等做出建模假設。通過充分的訓練，我們的數據驅動方法將產生高度精確的 COP。

不過，ML 模型可能對訓練數據或訓練場景的偏差很敏感。這與陸軍 C2 場景中通常假設的 DDIL（拒絕、中斷、間歇和有限影響）環境形成了鮮明對比。我們的實驗強調評估對霧增加、全球定位系統失效和通信中斷（如干擾）的適應能力。

我們使用深度神經網絡（DNN）的深度學習實現了編碼器和解碼器的數據驅動端到端訓練。將 DNN 應用于 COP 形成的一個挑戰是通信中缺乏人類可解釋性。人類可解釋性對于人類操作員有效控制蜂群至關重要。例如，通過解釋通信，操作員可以理解蜂群用于（自主）決策的特征。我們的方法具有人機互換性，這意味著人類操作員可以解碼傳入的信息，并將自己的感知編碼，與蜂群進行交流。由此產生的 COP 使人類能夠指揮蜂群。

在實踐中，COP 被大量用于任務執行，例如，確保協調運動。我們假設，將 COP 納入自主決策智能體將產生彈性多智能體策略（例如，對敵方變化的彈性）。我們在實驗中將有 COP 和沒有 COP 的多智能體策略學習與多種最先進的方法進行了比較，并驗證了這一假設。

接下來，我們總結一下我們的方法。我們首先描述了我們的深度學習方案，其中每個智能體將其感知和行動編碼成緊湊向量并進行傳輸。各智能體共享底層嵌入向量空間，以實現對態勢的共同理解。每個智能體都要訓練一個編碼器-解碼器，以生成本地 COP。本地 COP 應與智能體的感知一致，并能預測行動區域內所有單元的狀態（包括位置）。

在不同的模擬場景、初始部隊配置和對手行動中，使用深度強化學習（DRL）對 COP 和智能體策略進行端到端訓練。訓練的輸出是一個編碼器-解碼器神經網絡（NN）和一個跨智能體共享的策略 NN。可通過多種方式對訓練進行配置：最小化帶寬、最大化對干擾（如信道噪聲、數據包丟失、GPS 干擾等）的恢復能力。該方法可用于協調信息收集任務。

實驗在星際爭霸-2（SC2）多智能體環境中進行。在 SC2 中模擬的多個藍方與紅方場景中，通過經驗觀察了方法的有效性。具體來說，在具有挑戰性和現實性的 TigerClaw 場景（圖 1）中測試和評估了方法，該場景由 DEVCOM 陸軍研究實驗室（ARL）和陸軍主題專家（SMEs）在美國佐治亞州摩爾堡的上尉職業課程中開發。

圖 1：（左）Tigerclaw場景中的狀態示例。(右）每個智能體的感知（本地觀察）和它們之間的通信聯系。

對 COP 的準確性和幻覺進行評估，以揭示有趣的訓練動態。在整個模擬過程中，方法生成的 COP 高度準確，誤差小于 5%（與地面實況相比）。為了測試策略的魯棒性，我們將我們的方法與多種最先進的多智能體 RL 方法和基線進行了比較。結果表明，我們的方法所制定的策略能夠抵御視覺范圍下降、通信能力下降、GPS 被拒絕以及場景變化等因素的影響。

總之，這項研究通過數據驅動的 COP 形成，實現了人在環內的異構自主平臺的指揮和控制，推動了自適應和彈性 C2 領域的發展。其貢獻如下：

• 實時自主形成可解釋的共同行動圖像（COP）的方法，包括預測整個行動區域的敵方位置。

• 由于利用智能體間的通信進行分布式 COP 預測，因此展示了對可視范圍和 GPS 拒絕的更強的應變能力。

• 通過聯合訓練 COP 模型和多智能體 RL 策略，提高整體任務成功率。

人工智能（AI）和機器學習（ML）技術的進步有可能徹底改變軍事組織在日益復雜和充滿競爭的未來作戰環境中如何確定情報的優先次序、收集、處理、分析、傳播和利用情報。通過快速整合大量不同的數據集，人工智能/ML 算法可以加快傳統情報流程，快速識別相關趨勢和異常情況，并協助人類分析人員對潛在威脅和機遇做出有據可依的判斷。當海軍陸戰隊在競爭激烈的信息環境（IE）中持續作戰時，將機器生成的知識與人類的洞察力相結合的能力對于保持認知優勢至關重要。

隨著 “信息 ”被指定為第七項作戰功能，美海軍陸戰隊已認識到信息在規劃和成功實施軍事行動中的重要作用。海軍陸戰隊頂層作戰概念（MOC）進一步認識到，需要利用新興技術在所有領域成功發動信息戰。雖然已經提出了一些支持性概念來解決 IE 的各個方面，但要確定如何系統地整合 AI/ML 技術以增強現有的情報能力和流程，仍有許多工作要做。這份擬議的未來作戰概念文件探討了一些新技術和人機界面可為海軍陸戰隊情報部門帶來重大紅利的初步領域，因為這些部門在快速發展的信息環境中運作并預測變化。

作為一個具有適應和創新歷史的機構，海軍陸戰隊完全有能力在決定如何采用和整合新興人工智能和 ML 技術以支持各種軍事行動方面發揮主導作用。雖然政策辯論通常集中在人工智能是否應用于致命的自主或半自主武器上，但人工智能技術可用于許多非動能用途，在提高情報和信息行動效率的同時，也不會引起太多道德問題。雖然人工智能機器無法取代海軍陸戰隊員和其他軍人固有的智慧和決心，但人類分析師與機器之間的新合作模式可以大大提高情報分析的及時性和實用性，為未來的軍事行動提供支持。

本概念文件探討了人工智能（AI）和機器學習（ML）技術如何幫助解決在未來作戰環境中可能變得更加普遍和復雜的新興軍事問題。它描述了人工智能和 ML 應用如何增強當前的情報收集和分析流程與能力，為在這些復雜環境中工作的軍事決策者提供更快速、更有洞察力的情報支持。盡管這些技術在幫助解決挑戰方面擁有巨大潛力，但任何技術解決方案或解決方案集都不應被視為萬能藥，因為競爭對手將無情地尋求利用漏洞，而人的創造力和性格將繼續是獲得優勢和贏得未來戰斗所需的最具決定性的要素。

要優化人類與有人駕駛和無人駕駛戰車組成的異質團隊的協同工作效果，就必須了解關鍵任務所需的通信和協調。這些知識可用于指導這些互動的人體工學界面設計，以及團隊合作效果的評估方法。該項目系統地研究了下一代戰車（NCGV）概念所涉及的任務，以制定人類-自主團隊互動分類法，并確定適用于該環境的初步措施。

最終目標是開發能夠衡量 NGCV 環境下人類-自主團隊合作有效性的指標和模型。由于無法使用實際運行中的機器人戰車（RCV）或現有經驗豐富的機器人戰車乘員，我們的方法可細分為工作說明書中的三項任務和嵌入式可交付成果：

• 任務 1（第 2 節）介紹了 NGCV 的背景以及在從移動到接觸行動期間的相關互動。

• 任務 2（第 3 節）為裝甲排的核心基線任務和潛在的交互策略制定交互分類法，特別是根據相關文獻和有關作戰車輛以往經驗的主題訪談為 RCV 操作員的任務制定交互分類法。

• 任務 3（第 4 節）以任務 1 和任務 2 為基礎，提出了一個全面的團隊合作有效性模型，并建議了團隊層面的團隊合作有效性衡量標準，重點關注團隊狀態，包括團隊態勢感知、團隊信任、團隊工作量和團隊應變能力。這些衡量標準也為以后的實證測試提供了測試平臺要求。許多想法都很新穎，有別于傳統的團隊合作有效性靜態和二元測量方法。它們的優缺點也包括在內。

未來，這些已確定的基于互動的衡量標準需要在涉及人類、自主性和互動的團隊任務中進行實證測試。然后，我們的目標是構建和定義衡量標準，并找出在人類-自主團隊合作背景下定義團隊效率的衡量標準之間的背景變化和相互關系。

隨著人工智能和機器學習技術的進步，技術越來越能夠成為團隊的正式成員，而不是監督或控制設備。未來的士兵不僅要與同伴互動，還要與多種形式的機器人（包括下一代戰車 [NGCV]）、智能輔助決策系統以及能感知其當前生理狀態的可穿戴設備互動。有人駕駛車輛需要與無人駕駛車輛互動。挑戰在于如何讓這些異構和分布式智能體作為一個有效的團隊進行互動，同時管理工作量并保持團隊的態勢感知（SA）、恢復力和信任。為應對這一挑戰，本文介紹的研究重點是確定新穎的人類-智能體交互模型、措施以及人類-智能體團隊合作有效性的衡量標準。

1.1 人類-自主性編隊協同（HAT）

最近，包括軍事團隊在內的團隊已擴展到包括智能人工體（Burke 等人，2004 年；Salas 等人，2008 年）。智能體被定義為 "任何可通過傳感器感知環境并通過效應器對環境采取行動的物體"（Russell 和 Norvig，2016 年，第 34 頁）。這也包括非人類（即人工）實體，如機器人、車輛和車輛中的其他自動化系統。人類-自動駕駛團隊指的是由人類和智能體共同組成的團隊，他們相互依存地行動，以實現團隊層面的目標。與傳統的全人類團隊相比，當協調行動能更安全、更高效地完成任務，或達到全人類團隊以前無法達到的更高績效水平時，這些人類-自主團隊可能更受青睞。例如，在倒塌的建筑物中穿行對于人類來說可能是危險、困難或不可能的，但對于城市搜救行動來說卻是至關重要的（Burke 等人，2004 年）。

未來的自主戰車可能會利用多種控制結構與其他智能體進行協調。現有的一些人機交互控制模型包括遠程操作、監督控制（Sheridan，2002 年）以及各種共享控制模型（Allen 等，1999 年；Chen 和 Barnes，2014 年；Johnson 等，2014 年）。每種模式都涉及實現能力各異的多個人類和智能體之間有效協調的基本策略。在戰場上，任何個體都不可能完全了解局勢。相反，需要積極整合不同的視角來協調努力，實現集體目標。團隊層面的認知過程，如計劃、推理、決策和行動（即團隊認知）都需要團隊互動（Cooke 等人，2013 年）。在開發 NGCV 以支持有效的 HAT 設計時，需要對團隊互動和協調測量進行研究。

1.2 下一代戰車（NGCV）的背景

NGCV 是未來軍用車輛的一個系列，旨在利用現代技術發展移動防護火力，保護士兵的生命安全。在 NGCV 中，團隊組成可能會有所不同，例如乘員人數和作戰車輛。本研究中的概念版 NGCV 包括七名乘員、一輛載人戰車（MCV* ）和兩輛作為僚機的無人機器人戰車（RCV），以提高乘員的生存能力和殺傷力。然而，在與移動中的有人駕駛戰車分離并坐在其中的情況下操作無人戰車，會改變當前許多任務的性質，這就需要適當地重新分配功能并提供有效的界面，以支持人類決策和團隊表現。當問題空間充滿不確定性和可能性時，這一點尤其具有挑戰性。

在一種設想的使用變化中，NGCV 的排由兩個部分組成（圖 1），每個部分包括一輛 MCV 和兩輛無人遙控車。每輛車主要由兩人操作，一個分隊的所有操作員都坐在該分隊的 MCV 車內，第七人可能擔任車長和分隊長。其中一名分隊長（又稱車長）可能擔任排長，負責監督一個排中的兩個分隊；另一名車長可能擔任排長。排長還可能與排外的實體進行互動，包括連長、地區指揮官和其他步兵單元。作為未來裝甲戰斗的一部分，NGCV 排應能夠執行進攻、防御和穩定任務，以支持統一的陸地行動。我們選擇了一個 NGCV 排在運動接觸（MTC）場景中的部分，作為第一階段詳細研究的可控部分。

圖 1 NGCV 排的可能坐姿結構。A-F 是車輛的標記，每輛車由同一 MCV 中的兩人控制，顏色與所控制的車輛相同（例如，A1 和 A2 控制 RCV A，均為淺藍色）。分隊長的顏色為灰色（S1pl = 排長，S2 = 排中士），可分別擔任車輛指揮官和監督 1 分區和 2 分區，而 S1pl 還負責監督整個排。

1.3 當前工作

本報告的目標是開發能夠衡量 HAT 在 NGCV 環境中有效性的指標和模型。由于無法使用實際運行中的 NGCV 或現有經驗豐富的 RCV 人員，我們的方法分為三項任務：

• 任務 1（第 2 節）： NGCV 的背景以及 MTC 運行期間的相關互動

• 任務 2（第 3 節）： 裝甲排核心基線任務的交互分類法和潛在的交互策略

• 任務 3（第 4 節）： 綜合團隊合作有效性模型和團隊層面的團隊合作有效性潛在衡量標準建議

圖 12 排中的通信渠道。為了跟蹤每次互動，我們使用了互動標簽，例如 "1T1"：T 前的數字 = 第一節，T = 兩人小組/小隊，T 后的數字 = 互動的 ID 代碼；本排以外的實體 = 主要是連長。

2025 年及以后新出現的威脅環境對戰區前沿作戰陣地構成挑戰。可生存的遠程精確武器在空中、太空和網絡領域的出現，使戰區空中作戰中心（AOC）等以往偏遠、單一的指揮與控制（C2）場所面臨風險。多域指揮與控制（MDC2）概念中的多域作戰中心（MDOC）提供了可提高復原力的結構變化，但計劃要到 2035 年才實施。新興的商用虛擬現實（VR）系統可以將許多 AOC 功能分散，并加快向 MDOC 結構的過渡，從而提高抵御 2025 年威脅的能力。分布式協作虛擬現實技術、利用新興商業能力以及支持性技術被確定下來，并針對每種產品類型進行了討論。本文指出了支持戰術 C2 的附帶技術，但未涉及。本文強調了培訓和采購方面的注意事項。建議包括在 AOC 框架中進行技術演示，將分布式 VR 納入 MDC2 試驗活動，并繼續與游戲開發行業互動。

通過虛擬現實技術加速向多域作戰中心（MDOC）過渡

• 目前的限制

如前所述，MDC2 的作戰概念有三個限制。首先，當前的態勢感知能力無法同時提供對多個領域的了解。其次，當前的規劃工具不支持在多個作戰領域進行有效協作。最后，當前的指揮與控制概念不支持敏捷性，因為它們無法同步在空中、太空和網絡空間中或通過空中、太空和網絡空間產生影響。如 AFFOC 所述，MDOC 是將這些功能納入未來指揮與控制中心結構的一種嘗試。在 MDOC 的開發過程中，虛擬現實技術可用于緩解這些限制，并使 AOC 的能力更接近 MDOC 所需的能力。

• 建立多域理解

第一個限制是無法提供多域理解，這可以看作是一個可視化問題。要了解空中、太空和網絡空間的活動，必須能夠以有意義的可視化方式獲取并關聯這些領域的相關信息。可視化有幾種分類方法。有些更適合抽象關系的科學可視化。另一些則更適合更具體的關系，如空間、物理或連接關系。有意義的可視化將取決于觀察信息的人所扮演的角色。有幾種技術可以顯示多領域數據，并將數據與上下文聯系起來。地理信息系統（GIS）可以顯示明顯的自然地理信息，并疊加有關犯罪、數據流、基礎設施、天氣和其他各種信息。地理信息系統的背景顯然是空間；所有數據都是在這一背景下組織的。數據的其他特征由數據點本身的特征來表示。特征包括數據點的顏色、形狀、大小、閃爍/穩定、強度、相關聲音和突出顯示。Google EarthVR 就是 VR GIS 的一個例子。網絡背景也可能有用。在網絡可視化中，物理對象和虛擬對象是基于它們之間的互動而連接在一起的，而不一定是它們之間的物理距離。在這樣的空間中，距離可能取決于互動的強度。這種方法可能有助于確定網絡空間活動的方向，以最大限度地提高在空間或空中領域的效果。或者，根據空間領域威脅的預計最近接近點來確定空間領域威脅的優先次序，這種方法也可能很有用。在虛擬現實中，第三空間維度的加入允許定向聲音提示、基于范圍的聲音提示、信息亭效果（隨著數據對象代表圖標的旋轉，呈現的信息也會發生變化）、方面信息以及考慮其他視角的能力。在虛擬空間中理解這些關系可以為規劃者或操作者提供更多信息。使用通用的融合數據庫，可以在多個用戶定義的環境中查看通用的多領域運行畫面。使用共享的虛擬現實環境，可以讓多個觀察者從不同的視角欣賞同一戰場環境。

合適的環境是什么樣的？這取決于操作員在 C2 架構中的角色。戰略部的設計團隊需要看到空中、太空和網絡空間領域的戰略特征，以及它們之間的關系。這幅圖必須為確定空中、太空和網絡空間的戰略節點和依賴關系提供背景，以便戰役規劃人員能夠確定這些領域的決定點，并設計行動路線（LOO），通過最合適的領域與這些決定點交戰。同樣，重心（COG）分析也應包含多領域信息。作戰計劃處在考慮如何實施 SRD 提出的作戰概念時，可以使用相同類型的可視化方法，但保真度更高。作戰行動司需要從二維空中圖像過渡到顯示影響當前行動的空中、太空和網絡空間活動的環境。

這將包括友方和敵方的空中、太空和網絡空間行動，并以有意義的方式呈現。畫面必須盡可能接近實時，以便靈活分配任務，動態控制各地域和全球作戰司令部的所有可用資產。情報、監視和偵察司需要同時了解網絡空間、太空、空中和其他領域的友軍和敵軍行動。在情報、監視和偵察司內部，可能同時存在多個環境，當特定重點領域發生的事件影響到另一個分析人員的重點領域時，分析人員會相互提示。例如，某個節點的網絡使用量增加可能與衛星軌道的變化相對應，而衛星軌道的變化也可能與已知反衛星設施的活動相關。這可能不會在基于物理位置的上下文中被標記出來，但會在基于網絡活動的上下文中顯示出來。每個上下文都將包含來自所有三個領域的數據，但在一個上下文中，這種關系的重要性可能比在另一個上下文中更明顯。

實現多域作戰空間感知的一種可能性是建立虛擬融合單元。這將包括地理 AOC 與空間和網絡全球作戰中心之間的分布式協作。每個實體都將向融合小組提供自己的作戰畫面。虛擬參與者將能夠檢查所有三張圖片，并合作開發作戰空間感知。如圖 5 所示。每個地點都有一個 CAVE，作為連接虛擬空間的物理點。來自 AOC 各部門的指定成員可以看到多域畫面，并相互協作提示跨域威脅和機遇。雖然這還不是真正融合的多域作戰畫面，但它將為未來的這種能力架起一座橋梁。移動式和便攜式 CAVE 可通過商業途徑獲得，因此這種能力也可用于通過分散 AOC 的行動來增強現有 AOC 的復原力。

• 實現多域協作規劃

需要解決的第二個限制因素是，當前的規劃工具在多域規劃協作方面存在不足。MDC2 運行概念中的長期解決方案是由多領域圖片和決策支持自動化來支持多學科團隊。在 AOC 中，這可通過各師內的團隊、全球指揮與控制系統 (GCCS) 上的特定任務應用程序、共同行動畫面以及通過各種聯絡功能提供的回傳支持來實現。考慮到前面關于多域作戰空間感知橋梁的討論，也許可以利用現有的一些虛擬協作環境，朝著多域協作規劃的方向發展。

有許多協作式虛擬環境可供使用。圖 6 顯示了一個典型商業產品的內部視圖。在 Bigscreen 這個特定的環境中，每個人的個人屏幕上都會顯示其所在物理位置顯示器上的內容。在這個空間內，他們可以查看彼此的屏幕，將一個屏幕作為大顯示屏推送到公共空間，進行交談，并共享音頻和視頻饋送。這種特殊應用的優勢在于，它允許用戶在自己的電腦上運行他們通常會運行的任何功能。在聯合規劃場景中，每個人可能會運行不同的 GCCS 應用程序，以支持他們在團隊中的特定角色。空間中的其他人可以觀察、評論和批判產品，也可以像在 AOC 中一樣通過自己的物理計算機訪問產品。通過頭部和手部追蹤，一些社交線索（如指向和聚焦）會增加臨場感。其他環境或多或少都具有沉浸感和互動性。BasementVR是一個共享環境，允許交互式創作二維和三維藝術作品，可用作三維協作白板。AltSpace 是一個協作世界，化身可在用戶創建的空間中進行互動。當訪問大型工作空間比互動存在更重要時，Envelop 允許用戶將其桌面擴展為 360 度虛擬空間。它還允許用戶將現實世界帶入虛擬空間，這樣用戶就可以看到自己的鍵盤或物理桌面等。聊天和語音聊天應用程序可以提供任何所需的通信互動。圖 7 顯示了該環境的一個快照。隨著虛擬現實系統的不斷普及，更新、更好的應用也將應運而生。

規劃雖然不能達到最佳水平，但足以實現多領域操作。再看圖 5。正如用于保持領域感知的互不關聯的系統可以被帶入一個共同的虛擬空間，以產生對作戰空間的多領域理解，我們同樣可以創建一個虛擬聯合規劃單元，將所有必要的領域應用和專家匯集在一個協作環境中。在虛擬現實硬件的支持下，他們可以從任何地方進入虛擬空間，無論是 CAVE、HMD 還是變色龍單元。與實體 AOC 中的聯絡人員不同，回傳組織的實際工作成員可以參與到多學科團隊中，從而縮短詢問-響應-計劃周期的延遲。參考圖 2 及其長長的主題專家（SME）名單，我們可以在不顯著增加戰區人力的情況下，大大提高 SME 支持的及時性。

• 實現靈活性和同步性

第三個限制因素是，當前的指揮控制結構沒有提供足夠的靈活性，無法在空中、太空和網絡中實現同步效應。目前的 TACS 結構主要是為空域行動設計的。該系統以分級結構為基礎，由 JFACC 作為空中行動的支援指揮官。太空和網絡為空中行動提供效果支持，但其指揮控制由另外兩個行動中心負責。敏捷性要求能夠從支持空中行動的網絡和太空行動轉向其他支持和輔助行動組合，這就形成了一個不斷變化的權力結構。這些權力轉移需要密切協調，以確保在最佳領域內、從最佳領域出發并通過最佳領域應對新出現的機會和威脅。這是一個結構性問題，需要改變條令來解決。在過渡時期，可以建立一個由受影響指揮官（或適當參謀人員）組成的虛擬執行小組，以近乎實時的方式完成指揮關系的協調。虛擬現實技術可用于虛擬執行小組。一個兩面或三面墻的 CAVE 將允許訪問共同行動畫面，并為控制權力交換的參謀團隊提供一個共享的工作空間。在虛擬空間中進行演練，將為制定不同的權力過渡辦法和練習業務靈活性提供機會。與其他過渡計劃一樣，這種方法也不是最佳的，但能更快地提高復原力。

• 其他彈性考慮因素

上文討論的計劃有助于通過使企業朝著 MDC2 運行概念中規定的方向發展來提高應變能力，但這些計劃并不能直接解決 AOC 和 TACS 前沿要素的近期應變能力問題。事實上，這些問題被確定為 10 多年的目標。對于在該地理區域需要多少實體存在存在著不同的看法，但有一種估計認為，目前存在的 90% 可以駐扎在美國本土。允許地域和全球行動中心之間進行虛擬協作的相同技術也可用于虛擬化現有 C2 架構的各個組成部分，從而減少戰區的人力足跡。這在一定程度上是通過 LNOs 和 reachback 實現的，但這種做法可通過 VR 技術應用加以擴展。如前所述，美國本土的中小型企業可以被整合到虛擬工作空間，而不是實體工作空間。此外，AOC 人員可以分散到戰區或 CONUS 的其他地點，但仍能保持對區域環境的感知。對于 TACS 的前沿人員來說，HMD VR 系統已經發展到可以通過高端筆記本電腦運行的地步。這樣就可以在任何有適當通信條件的地方分散或重組行動。在某些情況下，基于平板電腦或智能手機技術的變色龍系統可能更為合適。這樣做的凈效果是成倍增加和分散戰區內的目標，減少網絡領域的特征，并將大部分資源轉移到相對安全的美國本土，同時相應提高復原力和能力。表 5 概述了擬議的解決方案。

表 5. 擬議解決方案和虛擬現實應用匯總

利用人工智能已成為美國防部的優先事項。2018 年《美國國防戰略》呼吁美國防部通過投資人工智能應用，在一定程度上獲得軍事競爭優勢。依賴預測能力和數據豐富的職業領域被視為人工智能解決方案的主要候選者。本文將討論空軍承包界如何利用人工智能的現有能力，以增強人類決策者執行任務的能力。利用人工智能應用的能力不僅能加強業務決策，還能支持為空軍部節省可量化資金的舉措。為了充分利用這一優勢，該職業領域將需要一個人工智能總體戰略愿景、一支具有人工智能思維的員工隊伍，以及空軍各合同組織的共同工作。

鑒于空軍可以從以前的合同中獲取數據，并依靠分析為任務合作伙伴提供建議并支持業務決策，空軍合同部門應考慮擴大人工智能的使用范圍，以增強整個企業中人類決策者的能力。

利用人工智能已成為國防部的優先事項。2018 年《國防戰略》呼吁國防部通過投資人工智能應用，在一定程度上獲得軍事競爭優勢。依賴預測能力和數據豐富的職業領域被視為人工智能解決方案的主要候選者。

空軍承包職業領域利用數據做出業務決策，為政府實現最佳價值。人工智能提供了一種利用數據的方法，可以增強并潛在地提高人類的決策能力。機器學習和自然語言處理等技術提供了從現有合同數據中整合、分析和解釋意義的能力。雖然目前的人工智能工作已經實施，但職業領域仍有許多領域可以利用當前的技術。

結論：

空軍合同部門的定位是利用人工智能的現有能力，增強人類決策者執行任務的能力。利用人工智能應用的能力不僅能加強業務決策，還能支持為空軍部節省可量化資金的舉措。為了充分利用這一優勢，該職業領域將需要一個人工智能總體戰略愿景、一支具有人工智能意識的員工隊伍以及空軍各承包組織的共同努力。

研究要求：

由于傳感器數量不斷增加，人工智能（AI）的應用也日益廣泛，未來作戰環境的特點將是信息量大、決策速度快。因此，陸軍指揮官及其參謀人員將需要更快地做出決策和篩選大量信息的能力。商用人工智能系統具有提供這種能力的潛力，但陸軍不能假設 "開箱即用 "的商用人工智能系統具有全部能力，因為這些系統需要針對美國陸軍的具體情況進行充分的訓練。此外，還需要開展研究，以了解目前人工智能在陸軍中的應用情況。總的來說，人工智能往往擅長于主要通過模式識別來解決的任務，以及可以通過任務數據進行預測的任務，如圖像識別、醫療診斷和轉錄。然而，人工智能能否用于提高美國陸軍的信息收集效率，目前還不得而知。因此，在當前的研究中，探討了以下問題： 人工智能能否用于提高美國陸軍任務式指揮流程中的信息收集效率？

方法：

為了回答研究問題，使用了一個商業人工智能應用系統，它反映了陸軍任務式指揮人工智能應用原型的首次開發工作。在這項研究工作中，比較了這一適合陸軍的人工智能系統和其他兩種信息收集方法在信息收集任務中的表現：一種是傳統的信息收集方法（搜索計算機文件夾中的 PDF 文件），另一種是非適合陸軍的人工智能系統。針對軍隊的系統使用軍隊相關知識來幫助搜索（例如，它知道 "MDMP "等同于 "軍事決策過程"），而非針對軍隊的系統則沒有。在以下方面對三種搜索方法進行了比較 1) 參與者找到準確搜索結果所需的時間；2) 參與者搜索結果的準確性；3) 參與者對搜索結果的信心程度；4) 參與者使用系統的工作量感知；5) 參與者對系統可用性的感知。

研究結果：

與使用傳統搜索方法相比，學員在使用人工智能系統進行搜索時既沒有更快，也沒有更準確。在使用人工智能系統時，參與者對搜索結果的信心也沒有傳統方法高。不過，在使用軍隊定制的人工智能系統而不是非軍隊定制的系統時，參與者的搜索速度更快，但準確性也更低。最后，不同搜索方法的參與者對工作量和可用性的感知沒有明顯差異。

利用和傳播研究結果：

這項研究是確定人工智能系統對信息收集效率影響的第一步。總體而言，研究結果表明，人工智能系統可能不會大幅提高美國陸軍任務式指揮流程的信息收集效率，至少不會立即提高。雖然這項研究的重點是在受控實驗室中執行一項無害的任務（即針對戰術情況尋找條令解決方案），但未來計劃中的用途不會像現在這樣無害，這表明未來的研究需要對假設進行檢驗。在對人工智能進行投資的同時，還應在培訓和研究方面進行投資，以充分發揮人工智能的優勢并降低風險。假定人工智能系統是靈丹妙藥并非明智之舉，事實上，這項研究表明，人工智能系統需要經過全面審查。

本報告記錄了通過利用深度學習（DL）和模糊邏輯在空間和光譜領域之間整合信息，來加強多模態傳感器融合的研究成果。總的來說，這種方法通過融合不同的傳感器數據豐富了信息獲取，這對情報收集、數據傳輸和遙感信息的可視化產生了積極的影響。總體方法是利用最先進的數據融合數據集，為并發的多模態傳感器數據實施DL架構，然后通過整合模糊邏輯和模糊聚合來擴展這些DL能力，以擴大可攝入信息的范圍。這項研究取得的幾項進展包括：

• 將DL模型實施到片上系統（SoC）硬件中
• 高光譜圖像（HSI）數據的DL
  • 1.在HSI上建立DL，以獲得水的特性和底層深度
  • 2.在HSI上使用開放集識別方法
• 框架內融合方法的消融研究
• 使用DL和模糊聚合的HSI和LiDAR多模態傳感器融合的新框架
• 探討神經模糊邏輯在遙感數據中復雜場景的不確定性下自動推理的作用和實用性

出版物[1, 2, 3, 4, 5]進一步詳細介紹了取得的進展。

"可預測性 "和 "可理解性 "被廣泛認為是人工智能系統的重要品質。簡單地說：這種系統應該做他們被期望做的事情，而且他們必須以可理解的理由這樣做。這一觀點代表了關于致命性自主武器系統（LAWS）和其他形式軍事人工智能領域新興技術辯論的許多不同方面的一個重要共同點。正如不受限制地使用一個完全不可預測的致命性自主武器系統，其行為方式完全無法理解，可能會被普遍認為是不謹慎的和非法的，而使用一個完全可預測和可理解的自主武器系統--如果存在這樣的系統--可能不會引起許多核心的監管問題，這些問題是目前辯論的基礎。

這表明，最終為解決致命性自主武器系統和其他形式的人工智能在軍事應用中的使用而采取的任何途徑，都必須考慮到有時被稱為人工智能的 "黑盒困境"。事實上，遵守現有的國際人道主義法（IHL），更不用說假設的新法律，甚至可能取決于具體的措施，以確保致命性自主武器系統和其他軍事人工智能系統做他們期望做的事情，并以可理解的理由這樣做。然而，在關于致命性自主武器系統和軍事人工智能的討論中，可預測性和可理解性尚未得到與如此重要和復雜的問題相稱的那種詳細介紹。這導致了對人工智能可預測性和可理解性的技術基礎的混淆，它們如何以及為什么重要，以及可能解決黑匣子困境的潛在途徑。

本報告試圖通過提供有關這一主題的共同知識基線來解決這些模糊不清的問題。第1節和第2節解釋了說一個智能系統是 "可預測的 "和 "可理解的"（或者相反，是 "不可預測的 "和 "不可理解的"）的確切含義，并說明有各種類型的可理解性和可預測性，它們在重要方面有所不同。第3節描述了可預測性和可理解性將成為致命性自主武器系統和其他軍事人工智能在其開發、部署和使用后評估的每個階段的必要特征的具體實際原因。第4節列出了決定每個階段所需的適當水平和類型的可預測性和可理解性的因素。第5節討論了為實現和保證這些水平的可預測性和可理解性可能需要的措施--包括培訓、測試、標準和可解釋人工智能（XAI）技術。結論是為政策利益相關者、軍隊和技術界提出了進一步調查和行動的五個途徑。

本報告的主要要點

• 人工智能的不可預測性有三種不同的意義：一個系統的技術性能與過去的性能一致或不一致的程度，任何人工智能或自主系統3的具體行動可以（和不能）被預期的程度，以及采用人工智能系統的效果可以被預期的程度。

• 可預測性是一個系統的技術特征、系統所處的環境和對手的類型以及用戶對它的理解程度的函數。

• 可理解性是基于一個系統內在的可解釋性以及人類主體的理解能力。一個智能系統可以通過多種方式被 "理解"，并不是所有的方式都建立在系統的技術方面或人類的技術素養之上。

• 可預測性不是可理解性的絕對替代品，反之亦然。高可預測性和高可理解性的結合，可能是安全、謹慎和合規使用復雜的智能或自主軍事系統的唯一最佳條件。

• 可預測性和可理解性是自主武器和其他形式的軍事人工智能的必要品質，這在其整個開發、使用和評估過程中有著廣泛的原因。

• 這些系統中可預測性和可理解性的適當水平和類型將因一系列因素而大不相同，包括任務的類型和關鍵性、環境或輸入數據的種類，以及評估或操作系統的利益相關者的類型。

• 在軍事人工智能系統中實現并確保適當的可預測性和可理解性的潛在方法可能會涉及與培訓、測試和標準有關的工作。建立XAI的技術研究工作也提供了一些希望，但這仍然是一個新的領域。

美國陸軍CCDC C5ISR中心的夜視和電子傳感器局（NVESD）的任務是開發低光和紅外傳感器技術，其形式包括空中/車載傳感器、步兵武器傳感器、頭戴式傳感器和顯示器。本文討論了NVESD最近獲得的一個沉浸式測試環境，它能夠為不同的傳感器系統進行虛擬原型設計練習，同樣也能夠作為一個沉浸式環境，檢驗AR顯示的變化以及向人類操作者展示AR信息的方法。該沉浸式環境包括一個 "綠色房間"，由有機玻璃板組成，通過可控的電致發光帶發出綠光。一對攝像機與Vive虛擬現實頭盔（HTC公司）配對，用于形成真實物體和虛擬覆蓋的復合視圖；在沉浸式測試環境中觀察到的任何物體對用戶來說都是可見的，但開放的綠色空間被虛擬環境取代。我們描述了傳感器和AR技術的新系統和模擬用例，描述了這種模擬技術如何能夠嚴格控制經驗場景，對設備特性進行有力的評估。最終，這種模擬將允許士兵在第一個物理原型建造之前體驗傳感器的特性和AR顯示，在采購生命周期的設計階段早期征求寶貴的用戶反饋。

執行摘要

研究要求：

由于傳感器數量和人工智能（AI）應用快速增多，未來的作戰環境將以豐富的信息和機器速度的決策為特征。因此，美國陸軍指揮官和他們參謀人員將需要有能力篩選大量的信息，更快地做出決策。商業人工智能系統有可能提供這種能力，但美國陸軍不能指望"開箱即用"的商業人工智能系統具有通用能力，因為這種系統需要針對美國陸軍的情況進行充分的訓練。此外，還需要進行研究，以了解軍隊中的人工智能目前可以做到什么和不可以做到什么。總的來說，人工智能往往擅長于主要通過模式識別來解決的任務，以及可以從任務數據中進行預測的任務，如圖像識別、醫療診斷和文本轉錄。然而，目前還不知道人工智能是否可以用于提高美國陸軍信息收集效率。因此，在目前的研究中，探討了以下問題：人工智能能否用于提高美國陸軍任務指揮過程中的信息收集效率？

研究方法：

為了回答研究問題，本文使用了一個商業人工智能應用系統，它反映了軍隊任務指揮部人工智能應用原型的首次開發工作。在這項研究工作中，比較了這個為軍隊量身定做的人工智能系統和其他兩種信息收集方法的參與者在信息收集任務中的表現：傳統的信息收集方法（在計算機文件夾中搜索PDF文件）和非軍隊量身定做的人工智能系統版本。軍隊定制的系統使用軍隊相關的知識來幫助搜索（例如，它知道 "MDMP "等同于 "軍事決策過程"），而非軍隊定制的系統則沒有。我們在以下方面比較了這三種搜索方法：1）參與者找到準確的搜索結果所需的時間，2）參與者搜索結果的準確性，3）參與者對其搜索結果的信任程度，4）參與者對使用該系統工作負荷的看法，5）參與者對該系統可用性的看法。

研究結果：

參與者在使用人工智能系統時比使用傳統搜索方法時既不快也不準確。當使用人工智能系統而不是傳統方法時，參與者對他們的搜索結果也沒有更多信任。然而，在使用軍隊定制的人工智能系統而不是非軍隊定制的系統時，參與者的搜索速度更快，但準確性也更低。最后，在不同的搜索方法之間，參與者對工作負荷和可用性的感知沒有明顯的差異。

研究結果的利用和傳播：

這項研究是確定人工智能系統對信息收集效率影響的第一步。總的來說，我們的研究結果表明，人工智能系統可能不會大幅提高美國陸軍任務指揮過程中的信息收集效率，至少不會立即提高。雖然這項研究的重點是在受控實驗室中的無關要害任務（即尋找戰術情況下的理論解決方案），但未來計劃的使用將不會那么無害，這表明需要未來研究來測試假設。對人工智能的投資應該伴隨著對培訓和研究的投資，以獲得人工智能的全部優勢并減少風險。假設人工智能系統是銀彈是不審慎的，事實上，這項研究表明人工智能系統需要被充分審查。

簡介

戰爭正變得越來越復雜。陸軍指揮官需要考慮在地面、空中和海上的戰斗，以及在信息和網絡環境中的戰斗（美陸軍部，2017）。隨著社交媒體的出現和計算機的日益強大，在這些環境中的行動可能會導致地緣政治損失，而在過去，只有通過更傳統的行動，如地面攻擊、空中打擊和海上轟炸才能實現。此外，美陸軍指揮官不僅應該期待來自其他民族國家部隊的復雜和有影響的打擊，而且還應該期待看起來不復雜的對手，因為網上零售商使人們很容易購買到過去難以獲得的產品（包括合法的和非法的），如無人機、夜視鏡和槍支。在這一切之上，陸軍指揮官需要在一個前所未有的水平上做出準確和及時的決策，因為人工智能（AI）正在許多軍事職能和領域中實施，如網絡戰、航空和信息收集。這些因素加在一起，為陸軍指揮官創造了復雜的作戰環境。

為了在復雜的環境中有效運作，陸軍指揮官及其參謀人員需要有能力從不同的來源收集大量的數據，并迅速處理收集到的信息，以便及時對信息采取行動。例如，如果對手正在準備一次大規模的作戰行動，信息環境、網絡環境和物理環境中新的但微妙的多變量模式可能會出賣對手的意圖。然而，為了及時發現這些模式，陸軍指揮官和他們的參謀人員將需要有能力快速匯總和分析從各個環境傳來的數據。此外，為了根據這些數據迅速采取行動，陸軍指揮官及其參謀人員需要有能力迅速找到相關的陸軍和聯合理論，以實施戰術和戰略，并吸取經驗教訓，以利用曾面臨類似情況的指揮官經驗。對于這兩項任務--檢測模式和根據模式采取行動--人工智能可能被證明是一個非常有用的工具。

正如其名稱所暗示的那樣，人工智能是由機器而非人類或動物等非人工實體所展示的智能。在這種情況下，智能包括通常與人類相關的認知功能，如推理、計劃、學習和感知。因此，人工智能的主要目的是取代或增強人類的某些任務，如駕駛、飛行和圖像識別（例如，自動檢測和識別人群中的面孔）。例如，谷歌和優步等公司目前正在自動駕駛汽車中使用人工智能，人工智能充當了車輛的駕駛員，因此是使自動駕駛汽車自動化的實體。此外，美國陸軍目前正在探索將人工智能用于自動車輛識別。

人工智能主要通過兩種方式實現 "智能化"。一種方式是通過編程使人工智能的軟件接受某些輸入并根據輸入做出某些輸出。例如，視頻游戲中的人工智能競爭者可能被編程為在玩家向右移動（輸入）時向左移動（輸出），或者在玩家攻擊時進行阻擋。這種方法使用簡單的算法--人工智能要遵循的規則--除了最基本的任務外，其他都是低效的，因為人工智能的軟件程序員必須思考并手動編程每個規則。這樣做很快就會變得不方便，因為許多任務需要許多規則和嵌套的規則--其他規則中的規則（例如，如果接近一個讓行標志，如果有另一輛車出現，則要讓行，但只有當另一輛車在附近時）。此外，思考一項任務的每一個可能的規則很快就會變得困難，即使是人類認為很容易的任務（如駕駛）。

使人工智能智能化的更好方法是使用機器學習，這是一個從數據中創建統計模型的過程，以提高預測和決策的準確性。機器學習不是明確地告訴人工智能系統如何應對其環境中的某些事件，而是允許人工智能系統從其環境中的行動中學習。更簡單地說，機器學習允許人工智能系統從經驗中學習。例如，谷歌通過向人工智能系統提供組成游戲顯示屏的像素，并允許人工智能系統通過游戲控制器對這些像素進行操作，從而訓練人工智能系統成功地玩視頻游戲Atari Breakout（Leo Benedictus，2016）。人工智能系統的程序很簡單，就是通過游戲控制器的動作來最大化其游戲分數，并使用游戲分數來確定一個動作是否有益。起初，人工智能系統在游戲中做出看似隨機的行動，但一段時間后，它開始獲得得分點，并最終學會了一種人類玩家從未使用過的有用技巧。

機器學習讓人工智能在日常生活中變得非常普遍，以至于人工智能被一些人認為是 "新電"（Lynch, 2017）。人工智能傾向于擅長那些主要通過模式識別就能解決的任務。因此，人工智能擅長于圖像識別、醫療診斷和轉錄等任務。像駕駛這樣的任務給人工智能帶來了更大的難度，因為目前自動駕駛汽車上的傳感器無法檢測到標記模糊的道路上的模式（例如，被雪覆蓋的道路）。人工智能對于從數據中進行預測是異常有用的。例如，醫生可以使用人工智能來幫助醫療診斷，因為人工智能能夠處理病人的所有數據，將這些數據與已知的醫療條件進行比較，并從比較中產生醫療診斷。人工智能在視覺搜索方面也很有用。一家公司使用人工智能系統搜索航拍圖像，以尋找住宅區內水浪費的證據（Griggs, 2016）。該人工智能系統能夠通過使用游泳池的存在、灌木的數量和大小以及房屋周圍草地的綠色程度等因素，準確判斷一個家庭是否在浪費水。該人工智能系統能夠以每秒208張航空圖像的速度完成這項任務。

信息收集是人工智能具有潛力的另一項任務。信息收集是指從一個來源，如文件庫或互聯網上提取所需信息的過程。通過使用自然語言處理--人工智能的一個分支，用于處理自然語言數據--人工智能可以從非結構化數據中提取信息，而非結構化數據占世界數據的80%（High, 2012）。與結構化數據不同，結構化數據是以預先定義的方式組織的，包括電子表格和日志，非結構化數據不是以預先定義的方式組織的。非結構化數據包括文本文件、照片、視頻和音頻記錄。人工智能可以用來從非結構化數據中提取相關信息和意義，并以各種方式利用這些信息和意義。例如，美國陸軍和美國空軍正在探索使用人工智能，從車輛維護和車載系統日志中預測車輛故障（Osborn，2017；Vincent，2018）。此外，未來的人工智能任務指揮系統可能會不斷挖掘從眾多來源流入的數據，包括社交媒體、新聞頻道和衛星數據，并使用這些數據來預測戰略競爭對手的行動。這種方法將通過利用過去的非結構化數據（維護日志、社交媒體帖子等），并確定這些數據的哪些特征可以預測車輛故障和競爭者的行動。例如，人工智能系統可能會發現車輛運行溫度和車輛故障之間的關系，并利用這種關系來預測未來的故障。像這樣的關系將形成一個數學模型，當新的數據出現時，人工智能系統將持續更新。

通過使用自然語言處理，人工智能也可能有助于從陸軍條令和經驗教訓中提取所需信息。陸軍有許多條令出版物，指揮官和他們的工作人員經常需要在一個以上的出版物中尋找信息。例如，如果計劃進行一次接觸行動，指揮官可能不僅需要參考作戰條令，還需要參考與指揮官所在梯隊相關的條令；如果指揮官的部隊要通過一個人口中心，還需要參考民政條令；如果指揮官要使用網絡能力，還需要參考網絡戰條令。此外，指揮官可能還需要快速找到相關條令，特別是在面臨對手的意外行動時。在計劃一項行動時，指揮官也可能會查閱陸軍的經驗教訓集，以利用過去進行過類似行動的指揮官的經驗。

也許有可能使用人工智能來幫助指揮官及其參謀人員在條令和經驗教訓中找到所需的信息。要做到這一點，必須采取一些步驟。首先，必須為人工智能系統建立一個語料庫，將條令和經驗教訓的出版物加載到人工智能系統中。從這個語料庫中，人工智能系統可以學習相關的語言，包括術語，并使用自然語言處理建立一個詞庫。然后，人工智能系統可以通過建立索引和元數據對數據進行預處理，使其更有效地處理數據。最后，人類主題專家必須訓練人工智能系統，以使人工智能系統提供更精確的答案和識別模式。訓練可以通過向人工智能系統上傳問題和答案對形式的訓練數據來完成。這種訓練數據不會為人工智能系統提供每個可能問題的答案，但這些數據將幫助人工智能系統學習相關領域的語言模式。一旦人工智能系統被部署，該系統可以通過與用戶的持續互動進一步學習。

通過使用上述方法創建人工智能系統，指揮官及其參謀人員可能會比沒有人工智能系統可供使用時更快、更準確地從條令和經驗教訓中收集所需信息。如果沒有人工智能系統，指揮官將不得不通過手動搜索每個可能與所需信息有關的條令或經驗教訓出版物來尋找所需信息。這種手工搜索是一個耗時的過程，可能不會產生最佳的信息產品，特別是當進行搜索的人有時間壓力的時候。事實上，人類經常會搜索信息，直到達到一個可接受的閾值（例如，做出決定所需的最小信息量），以避免花費太多的認知資源和精力去尋找一個完美的結果（Simon, 1955; 1956; 1957）。然而，通過使用這種方法，人類可能會產生不那么充分的結果。此外，Simon還觀察到，這種方法不太可能產生一個最佳的結果，因為人類通常不會搜索足夠長的時間來找到這樣一個結果。然而，試圖找到最佳結果可能并不理想，因為這樣做需要時間，而當找到最佳結果時，結果可能已經不再有用。因此，如果指揮官試圖找到一個最佳的結果，指揮官可能無法進入對手的決策周期；指揮官需要平衡尋找結果的時間和結果的質量。另一方面，人工智能信息收集系統可能更有可能找到最佳結果，而且人工智能系統可能更有可能在比人類花費更少的時間內找到最佳結果。

盡管在人類信息處理能力有限的情況下，人工智能系統在尋找條令和經驗教訓中的所需信息方面可能比人類更有效率（Baddeley，1992），但這一結果是以人工智能系統經過充分訓練以識別條令和經驗教訓出版物中的語言模式為前提。如果人工智能系統沒有經過充分的訓練，那么人工智能系統的使用者可能會發現次優的結果，并因此對人工智能系統感到失望，最終使人工智能系統被廢棄。此外，人工智能系統只有在人工智能系統的人類用戶適當地校準他們對系統的信任時才會有用（Hancock等人，2011；de Visser, Pak, & Shaw, 2018）。許多人工智能系統由于各種原因，包括環境背景、用戶錯誤和不同背景下的訓練不一致，導致其性能不一致（Rovira, McGarry, Parasuraman, 2007）。例如，一個人工智能系統產生與火力作戰功能相關的準確結果，與機動作戰功能相比，可能產生不太準確的結果。如果人工智能系統的人類用戶完全信任該系統的結果，可能會出現性能下降（Hancock等人，2011）。訓練人類用戶了解人工智能系統何時可能準確，何時不可能準確是至關重要的（de Visser, Pak, & Shaw, 2018）。相反，如果人工智能系統的人類用戶對人工智能系統缺乏信任，那么該系統很可能會被廢棄。因此，人工智能系統不會提高指揮官尋找信息的效率，即使該系統本身在這方面表現出色（Hancock等人，2011）。

目前的研究

盡管人工智能往往擅長于主要用模式識別來解決的任務，以及可以從任務數據中進行預測的任務，如圖像識別、醫療診斷和轉錄，但目前還不知道人工智能是否可以用于提高美國陸軍背景下的信息收集效率，特別是在陸軍指揮官及其參謀人員需要在陸軍條令中尋找信息的背景下。因此，在目前的研究中，我們探討了以下問題：人工智能能否用于提高美國陸軍任務指揮過程中的信息收集效率？為了回答這個問題，我們使用了一個商業人工智能應用系統，這反映了陸軍任務指揮部人工智能應用原型的首次開發工作。在這項研究工作中，我們比較了這個為陸軍量身定做的人工智能系統和其他兩種信息收集方法的參與者在信息收集任務上的表現：一種傳統的信息收集方法（在計算機文件夾中搜索PDF文件），以及一種非陸軍量身定做的人工智能系統。