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

日益進化的隱形潛艇正推動海洋國家投資戰略無人反潛作戰（ASW）技術。傳感器技術、數字化、數據分析及機器學習的進步——通過整合多無人自主系統數據——正催生人工智能驅動的數字孿生體。這些孿生體基于陸海空天網多域數據，可為集中式指揮控制情報（CCCI）網絡提供增強型戰場態勢感知與認知智能，實現"精確探測能力"與"可靠威懾能力"的同步提升。

本文闡述數字孿生技術在細分領域發展現狀，重點探索認知數字孿生（CDTs）在戰略反潛作戰中的應用范疇，該領域涉及具備增強自主性、干預能力及集群協同的無人水面/水下生態系統。部署CDTs技術可通過彌補人類認知局限，在海軍作戰中發揮"戰力倍增器"效應，從而提升CCCI賦能的反潛作戰效能。

潛艇作為海軍戰役核心力量，憑借日益增強的巡航導彈與彈道導彈能力，在威懾行動、水下作戰及對陸攻擊任務中發揮關鍵作用。作為核三位一體體系中最具生存力的組成部分，海基核威懾力量促使全球大國將多數核彈頭部署于彈道導彈潛艇，確保可靠安全的二次打擊能力。即便在沖突爆發前，潛艇實施隱蔽力量投送的能力已構成戰略優勢。戰術潛艇還為常規遠程打擊行動提供防區外作戰能力，可運用于對陸攻擊任務。雖然潛艇在航速、續航力、靜音性及隱身性方面持續提升，但發展能瓦解敵方水下戰力的反潛武器與系統仍是必要前提。早期第一代反潛戰術嚴重依賴靜態防御手段（如水雷與鏈式防護網），第二代隨水聽器發明演進。1980年代后第三代反潛系統出現，典型代表為"拖曳式陣列監視系統"（SURTASS）——該系統通過艦船拖曳長距水聽器陣列，將聲學情報經衛星傳至地面站。當代反潛系統的情報監視偵察（ISR）能力由水面艦艇、飛機與潛艇組成的互聯網絡支撐。戰略無人反潛作戰預計將從平臺中心控制模式，轉向具備協同控制與認知能力的自主系統，實現持續海上監視、潛艇動向情報搜集、非對稱威脅應對及敵對潛艇壓制等效能。

盡管對敵潛艇的可靠探測、追蹤與情報收集仍是水下作戰核心任務，但六大挑戰制約著反潛行動效能：潛艇操作國激增（42個國家現役潛艇，主要受安全目標、威脅認知、區域態勢及大國戰略關系驅動），其中朝鮮、美國、中國、俄羅斯、日本、韓國與伊朗潛艇數量分別為71、67、59、49、22、19及17艘；此外還面臨靜音性能持續優化的潛艇、"不依賴空氣推進系統"（AIP）降低暴露率、具備終端毀傷力與防區外射程的先進潛射武器、以及溫躍層/環境噪聲等"海水復雜物理特性"遮蔽探測的難題。這些發展在增強潛艇進攻能力的同時，使反潛計劃制定與執行更趨復雜。因此現代反潛系統需具備探測隱形潛艇、隱蔽追蹤（不暴露己方位置）、安全通信及實施精準可靠打擊的能力。隨著傳感器技術、數字化、數據分析、無人系統、自主控制及機器學習的進步，本文探討認知數字孿生（CDTs）作為戰略CCCI網絡實時決策支持工具的適用范疇，以實現精確探測與戰略威懾效能。

圖1：潛艇和反潛戰技術的演變

人工智能(AI)與軍事平臺的快速融合已引發現代戰爭革命，為決策、偵察與目標鎖定提供前所未有的能力。然而，依賴AI系統亦催生關鍵脆弱性——尤其體現在訓練數據集的完整性層面。美軍計劃推動通過隱蔽行動對對手AI系統實施戰略性數據投毒作戰。通過隱秘破壞這些系統，可在未來沖突中獲得決定性非對稱優勢。此戰略不僅具備作戰可行性，更可依托武裝沖突法(LOAC)框架確保道德與法律層面的正當性，為AI驅動戰爭提供倫理法理制高點。

數據投毒機制與戰略應用

數據投毒指在機器學習模型訓練集中注入污染/對抗性數據，導致模型運行失常。常用技術包括"標簽翻轉"（篡改數據集標簽引發分類錯誤）與"后門攻擊"（植入觸發機制導致定向系統故障）。不少軍事強國日益依賴AI執行軍事決策（含偵察與目標鎖定），通過在訓練階段隱秘注入操控數據，可令敵方AI系統效能癱瘓：錯誤識別裝備或誤判戰場態勢（例如敵方無人機識別軍用車輛系統可能誤判友軍裝備，戰場分析模型或錯誤解讀戰場環境）。此戰術與非對稱作戰經典案例形成歷史呼應——如第二次世界大戰期間密碼破譯作戰，作戰層面的干擾即可獲取重大戰略收益。

對手對數據投毒的防御措施

數據投毒雖可提供戰略優勢，但對手也可開發防御手段保護其AI模型。這些措施包括數據完整性防護、對抗訓練及異常檢測技術。確保訓練數據供應鏈安全、可信數據集驗證與數據查驗，構成對手降低投毒風險的核心方法。

AI模型正增強識別數據異常偏離的能力，使異常檢測成為優先事項。對抗魯棒性訓練與差分隱私技術等防御機制助力AI模型識別細微操控，而實時模型監控可探測AI行為偏差并預警潛在篡改。這種多層防御體系持續挑戰著數據投毒行動的可行性。

為維持優勢，投毒策略需超越報復性行動模式。最高難度與風險的方案是策反對手AI工程師（蓄意操控或利用其AI系統及組件），此舉將確保最大成功率。次選方案包括漸進式投毒（注入微小累積性干擾規避檢測）與隱蔽后門植入（污染數據僅在特定條件激活），后者是實現長期潛伏的終極目標。

數據投毒的對稱性風險

數據投毒非單家可獨掌的單邊武器，其構成對手正積極研發的對等威脅。正如可采取隱蔽手段削弱對手AI可靠性，亦需防范針對己方系統的平行攻擊。此處的對等邏輯非理論鏡像，而是動態非對稱博弈。模型反演、標簽翻轉及清潔標簽攻擊等技術不僅用于破壞對手AI決策，亦可能癱瘓機器學習系統——尤其危及情報監視偵察(ISR)、目標鎖定與后勤優化領域。

與既往關注通用AI隱私（如差分隱私）的案例不同，軍事應用要求技術針對性：

• 基于污染地形數據訓練的ISR分類算法或誤判戰場戰術特征
• 受損視覺訓練集導致目標識別系統誤認友軍
• 受誤導的AI后勤工具或錯誤降級關鍵物資優先級
  此類非動能攻擊雖無物理毀傷，卻具有作戰級影響力乃至災難性后果。

若廣泛采用開源、商用及涉外數據集，可導致脆弱（含軍事與防務關聯領域）。美國首席數字與人工智能辦公室(CDAO)及聯合人工智能中心(JAIC)等機構正布局對抗韌性。對抗訓練或區塊鏈式完整性驗證等技術防御需與隱蔽作戰條令結合。唯有理解此對稱性威脅環境，方能主動發展攻防能力，確保AI戰場戰略優勢。

數據投毒作為隱蔽網絡行動

數據投毒構成隱蔽網絡行動形式——通過操控AI系統影響或削弱外國軍事能力的非動能手段。美國防部《5240.01手冊》（DoDM 5240.01）規定，國防情報機構可在武裝沖突門檻以下開展對外情報與反情報行動（含網絡空間行動），只要行動符合《第12333號行政令》（EO 12333）及批準程序。

雖然美軍DoDM 5240.01未定義具體網絡技術，但允許在適當授權下執行涉及訪問或利用外國軍事技術的情報活動。在此框架下，當數據投毒用于削弱涉及偵察、目標鎖定或作戰規劃的敵方AI系統時，屬于合法隱蔽行動范疇。關鍵的是，此類操控可于和平時期實施，作為情報驅動的環境塑造努力組成部分。

該準備行動契合美軍《聯合作戰綱要JP 3-05》中"環境預置"(PE)概念。PE包含秘密滲透、持續監視與作戰條件營造，為未來行動創造有利態勢。通過隱蔽網絡或人員手段實施的數據投毒，成為該條令的現代延伸——能在對手決策系統投入戰場前實施隱秘削弱。

武裝沖突法原則作為隱蔽行動的分析框架

武裝沖突法(LOAC)適用于武裝沖突期間的軍事行動。但在實踐中，尤其在實施非常規戰爭與敏感活動時，LOAC原則常被規范性運用，以確保從戰前準備到實戰行動的法律倫理連續性。

區分原則
 數據投毒雖不直接造成平民傷亡或設施損毀，區分原則仍可指導其目標選擇。其核心是選擇性削弱關聯軍事目標的AI系統——如敵偵察、目標鎖定或指揮控制系統。例如：向識別軍用車輛的監控模型注入污染訓練數據時，需規避支持民用基礎設施的系統，確保效果始終指向合法軍事目標。

比例原則
 比例原則禁止軍事收益與預期附帶平民傷害失衡的攻擊，此原則在非動能領域仍具相關性——當行動可能間接影響民用系統時。理論上，數據投毒導致模型誤判或引發連鎖物理毀傷。為避免此后果，規劃者須確保污染模型的觸發機制僅作用于作戰意義明確且嚴格界定的軍事場景。

必要性原則
 軍事必要性原則要求任何行動（含隱蔽行動）須產生具體軍事收益。數據投毒通過削弱對手對AI決策（尤情報監視偵察/戰場解析系統）的信賴滿足此要求。但技術效果需審慎評估："確保誤識別"的論斷需更嚴謹表述，應修正為："定向篡改目標分類數據可能統計性增加對手模型誤識概率，削弱其決策優勢。"

同理，操控偵察數據集可致敵方AI系統誤讀地形或兵力部署。此舉雖非必然導致誤判，但會誘導系統輸出偏差結論——若配合偽裝、誘餌等欺騙行動效果尤甚。目標非無差別故障，而是受控削弱對手系統決策質量。

因此，區分、比例與必要性三項LOAC原則為數據投毒等隱蔽塑造行動提供政策指導框架。雖在和平時期或武裝沖突外情報搜集場景無法律約束力，但其應用能確保隱蔽網絡行動。

政策考量
 AI在軍事行動中角色深化既創造機遇也催生脆弱性。數據投毒作為高性價比、可擴展手段，能對技術先進對手施加不對等代價。實施投毒成本低廉，而對手檢測與消解攻擊的財務與操作負擔巨大。

關鍵前提是：不預設對手遵守國際規范或關注其AI系統完整性。相反，預判對手可能繼續使用已降級或部分受控系統——尤其當系統仍具破壞性產出時。此時數據投毒的戰略收益不在迫使合規，而在侵蝕對手信心、增加誤判風險，通過延遲/誤擊/過度修正削弱戰場效能。

數據投毒行動亦存戰略敘事風險：若受污染對手AI系統致平民傷亡，對手或嫁禍友軍（尤其發現隱蔽干預證據）。這要求精準目標選擇、倫理監督及先制信息戰策略，以塑造全球認知維護合法性。隱蔽行動須權衡其在物理域與敘事域的潛在意外后果。

然而，削弱對手對AI的信任可誘發猶豫、操作失誤與戰略癱瘓。例如：對目標識別算法的不信任或迫使對手回歸低效人工決策。縱使對手繼續使用受控系統，其性能降級仍帶來戰術戰略收益。

盡管承認數據投毒或削弱全球對AI信任，但保障國家安全與護佑官兵的迫切性，使其在具備法律授權、作戰紀律與倫理監督前提下具備應用正當性。

結論

數據投毒作為隱蔽能力體系的新銳力量，在AI驅動戰爭演進格局中提供獨特優勢。隨著AI日益定義現代軍事運作模式，在對手系統實戰部署前實施隱秘降級的能力，使得以預先塑造戰場——無需直接對抗或公開升級。

此能力非無風險：對手或繼續使用受污染AI達成破壞效果，或利用此類行動宣傳造勢，將責任轉嫁并削弱其公信力。故數據投毒運用須受作戰紀律、法律監督與戰略連續性約束，其使用應配合在爭議域維護道德與敘事優勢的整體工作。

最終，未來戰爭決勝關鍵非僅取決于誰建造最先進AI系統，更在于誰能最有效利用、削弱并控制支撐這些系統的底層數據環境。通過將進攻性防御性數據戰略整合至連貫國安框架，可不費一槍一彈贏得AI戰場持久優勢。

參考來源：美國西點

盡管商業與消費產業投入擴展現實（XR）技術研發已數十年，近期突破仍為軍事開辟了諸多新型應用場景。美國國防部研究與工程事務副部長辦公室已將XR人機交互列為美國防部（DOD）14項關鍵技術領域之一。隨著美國防部持續推進XR及相關應用開發，美國會正在考量其對國防授權撥款、軍隊結構及網絡安全的影響。

概述

XR涵蓋三大物理與數字環境類別（圖1）：

• 虛擬現實（VR）：完全沉浸式數字環境（例如使用戶置身游戲虛擬世界的視頻游戲）

• 增強現實（AR）：物理環境上的數字對象疊加層（例如在用戶視頻/照片疊加預設特效的Instagram濾鏡）

• 混合現實（MR）：物理與數字環境融合體系，支持實體與虛擬物體交互。區別于AR，MR允許用戶操控物理/數字對象，并在同一混合環境中共享視圖（例如在投影數字地圖上協同標注敵軍位置）

圖1. 擴展現實主要類別

5G與邊緣計算（在“數據源位置或鄰近區域”執行的計算）等關鍵技術將持續拓展XR應用邊界。這些技術可提升數據傳輸速率、增加用戶承載量、縮短延遲時間，從而支撐大規模網絡化應用。美國防部已在劉易斯-麥克科德聯合基地（華盛頓州）與圣安東尼奧聯合基地（得州）測試支持5G的XR應用。

擴展現實的軍事應用

美軍各軍種正探索XR在戰術訓練、飛行訓練、裝備維護、醫療訓練及作戰等領域的應用。

• 訓練領域

美國防部意圖借力“游戲產業成熟的AR/VR與實況訓練技術”開發定制化XR項目。這可使軍隊開展物理環境中成本過高或風險過大的訓練課目，并實現異地官兵協同訓練。

以美陸軍“合成訓練環境（STE）”為例——這個旨在輔助實況訓練的XR系統，力求讓士兵“在首戰開始前，就能與未來并肩作戰的戰友，在包含城市密林、叢林、沙漠及地下空間的復雜作戰環境中開展實戰化訓練”。STE設計目標是通過高效重復訓練提升士兵專業素養，進而增強戰備水平與殺傷效能。

美空軍運用XR開展飛行訓練以降低成本、縮短訓時、減少機體損耗，同時探索維護訓練應用并構建虛擬機庫體系，“實現各類機型全天候隨地訓練”。美海軍則致力通過XR技術聯通全球工程師與維護人員，實施實時遠程協同維修。

美國防部正研究XR在醫療訓練領域的應用。據空軍表述，XR可“在無需增加人力配置的情況下提升訓練可及性”，為人員短缺的醫療培訓課程提供分布式學習解決方案。

• 作戰領域

軍方持續推進XR作戰應用探索（圖2）。長期以來，XR技術已融入飛行員使用的平視顯示器（HUD）及頭盔顯示器（HMD）。這些設備能實時提供飛行參數與傳感器數據，強化用戶態勢感知與武器瞄準能力。以F-35戰機HMD為例，其外置攝像頭賦予飛行員360度全景視野，疊加夜視熱成像功能并同步顯示探測目標技術參數（如高度、速度）。

美陸軍正開發“綜合視覺增強系統（IVAS）”——基于微軟商用HoloLens加固設計的平視顯示器。軍方文件表明，IVAS旨在“整合新一代全天候態勢感知工具與高分辨率數字傳感器，打造提升士兵感知、決策、目標捕獲與交戰能力的單一平臺”。

圖2. XR戰場應用示意圖

美國會關注的議題

美國會評估國防部XR軍事應用投資時可能考量以下問題：

• 成本效益

XR軍事應用前期開發成本差異顯著，其中耗資220億美元分十年部署的IVAS系統屬最大規模項目。不過XR系統部署后可通過避免人員集中、實彈消耗及平臺損耗降低訓練成本。國會或要求獨立評估XR訓練與作戰應用的潛在收益（如認知過載風險）與成本節約空間，研判是否存在成本更低的替代方案。同時需獲取包含維護需求的XR系統全壽命周期成本預測。

• 技術成熟度

部分XR應用（尤以獨立AR系統）已相對成熟，但更多項目仍處早期階段，面臨技術整合難度或部署測試延遲。國會或將持續追蹤XR系統技術成熟度以判定資金支持力度，并評估配套支撐技術的成熟度與資金保障狀況。

• 人力資源影響

XR應用或對軍隊結構與人員配置產生多重影響：若顯著提升訓練作戰效能，可縮減訓練單位編制或降低總兵力需求（以更少兵力維持更高戰備水平）；反之亦可能增加維護保障與網絡安全人員需求，甚至推高總體兵力規模。

• 網絡安全與信息防護

分析人士警示XR系統存在網絡安全漏洞風險，可能遭受竊取數據或操控社交交互的“初始攻擊”。此類漏洞或使對手獲取高價值目標數據庫（含訓練數據、武器維護信息、圖像分類、地圖測繪等）及美軍位置情報。

若對手操控XR系統，可扭曲軍事行動協同的通用作戰視圖，導致人員裝備誤判（引發誤傷或平民傷亡），甚至奪取美軍無人系統控制權（如IVAS系統操控微型無人機執行ISR任務的功能）。美國會可要求聽取國防部XR系統網絡安全測試報告，并對存在重大漏洞的系統凍結撥款資金。

近年來，無人機已成為現代戰爭的標志性技術。從小型商用四旋翼飛行器到精密遠程系統，這些無人航空載具（UAV）正深刻重塑戰場形態。其低成本與易部署特性引發全球多國政府的高度關注。這一轉變在持續進行的烏克蘭戰爭中尤為顯著——無人機在情報搜集、目標鎖定及直接攻擊敵方裝備人員等環節發揮著核心作用。

俄烏無人機戰爭

烏克蘭戰場已成為各類無人機技術與反制手段的試驗場。

近期戰例是烏克蘭對俄實施的大規模無人機集群襲擊。數十架無人機經協同編隊深入俄羅斯領土（包括別爾哥羅德、韃靼斯坦及克拉斯諾達爾地區），同步攻擊煉油廠與軍事基礎設施。此舉不僅彰顯烏克蘭日漸增強的敵后打擊能力，更凸顯協同無人機集群構成的重大威脅。尤為重要的是，這標志著基輔方面戰術轉型，將無人機運用推向戰略前沿。

俄方當時宣稱通過電子戰系統與地對空導彈防御攔截了多數無人機。然而后續衛星圖像與開源情報證實：至少部分無人機成功突破防御并造成重大設施損毀。該事件暴露出同時偵測與壓制大量低空小型無人機的極端困難性。

而就在幾天前，據烏克蘭國防情報局向全球披露的戰報：烏方無人機襲擊摧毀了逾40架縱深部署于俄境內的軍用飛機。一位匿名烏克蘭高級軍官向美聯社透露，此次遠程打擊經18個月周密策劃，由總統澤連斯基親自督導實施。

澤連斯基表示，117架無人機從俄聯邦安全局（FSB）地方辦公室附近區域協同出擊。俄羅斯媒體發布的社交媒體畫面顯示，無人機從卡車貨廂的發射容器中升空，于6月1日同步襲擊多個軍用機場的41架軍機，包括A-50預警機、圖-95及圖-22M戰略轟炸機。俄軍此前曾使用圖-95與圖-22轟炸機對烏實施導彈打擊，A-50則承擔偵察與指揮職能。

據美聯社報道，烏克蘭國防情報局官員后續確認此次行動摧毀約34%的俄軍戰略轟炸機隊。俄羅斯國防部承認這些襲擊，并補充說明伊爾庫茨克地區（距烏4000公里）及北部摩爾曼斯克的空軍基地亦有飛機損傷與火災發生。

作戰中的無人機運用

除直接攻擊外，無人機在前線其他領域同樣發揮關鍵作用。在烏克蘭東部戰場，俄烏雙方部署數千架第一人稱視角（FPV）無人機執行偵察與直接打擊任務。此類無人機常配備爆炸裝置，由佩戴視頻護目鏡的操作員引導實施“自殺式打擊”，可實現精準點殺傷。社交媒體近期涌現大量視頻，展現FPV鎖定孤立無援的單兵實施絕殺的場景。阿夫迪夫卡與巴赫穆特周邊戰事的影像資料還證實：這些裝置被用于癱瘓坦克、摧毀掩體及襲擾步兵單位。

烏克蘭無人機部隊精通商用無人機改裝技術，并能協調廣闊戰線的協同打擊。作為回應，俄軍重點投入電子對抗手段（包括信號干擾與欺騙）以破壞無人機通信導航。

但前線還存在其他限制無人機效能的應對方法。

反制無人機的手段

鑒于現代作戰中無人機應用激增，據報道全球軍隊正研發三類反無人機技術與戰術：動能、電子與程序化應對手段。

1. 電子對抗（EW）：

電子干擾是最廣泛使用的無人機壓制手段，涵蓋GPS干擾、射頻干擾及信號欺騙。俄羅斯部署“克拉蘇哈”（Krasukha）及“驅離”（Repellent）系列移動式電子戰系統，用于保護關鍵資產并破壞無人機行動。但電子對抗并非萬全之策：多數商用無人機預編程“自動返航”或“跟隨”功能，信號中斷時仍可觸發；現代集群攻擊常采用不依賴持續操控的自主無人機，使其抗干擾能力顯著增強。

2. 動能攔截武器：

導彈、高射炮乃至激光器等傳統防空武器可摧毀無人機，但對高速小型目標常顯成本過高或響應遲緩。這催生了以色列“鐵光束”（Iron Beam）激光系統及美制“郊狼”（Coyote）攔截無人機等專用裝備的發展熱潮。在烏克蘭戰場，雙方更多采用簡易應對手段：包括隨手武器射擊，甚至使用霰彈槍擴大彈著散布面。此外，雷達制導自行高炮（如德國援助的"獵豹"（Gepard）系統）經證實能有效攔截低空無人機。

3. 程序化應對與戰術調整：

除硬件方案外，前線部隊通過戰術調整降低無人機威脅。烏軍精于運用偽裝、煙霧及誘餌欺騙操作員，部隊機動常選擇低能見度時段，單位頻繁轉移陣地規避偵測。有報道稱甚至采用充氣假目標誘導攻擊火力，掩護真實坦克、裝甲運兵車等裝備。上述措施配合便攜式雷達、聲學傳感器及人工瞭望哨使用，可預警來襲無人機，為地面單位爭取反應時間或尋求掩體。

反無人機戰略的未來發展??

北約等軍事聯盟正投資構建分層反無人機系統，整合傳感器、電子戰工具、動能攔截武器及人工智能驅動的指揮系統。其核心目標可概括為：在不同環境中實時偵測、追蹤并摧毀無人機。

由此，定向能武器（如激光與微波系統）等新興技術有望提供針對無人機集群的性價比防御方案——至少在相對開闊區域適用。英國陸軍已測試能精準擊落無人機的激光武器，其附帶損傷可控制在最低限度。

然而迄今尚無單一反制手段被證實完全有效，尤其針對集群式自主無人機。隨著無人機技術日益精密與普及，軍事規劃者必須采用融合技術、戰術及訓練的多層防御策略，以有效應對這一漸長的威脅。烏克蘭戰爭不僅暴露全球頂級軍隊的脆弱性，更在決定未來戰爭走向的關鍵領域加速了技術創新。

參考來源：intellinews

人工智能（AI）正日益成為指揮控制（C2）及相關決策鏈的關鍵組成。AI系統通過賦能指揮員依托數據信息實現更快、更高效的決策支持，其核心價值在于顯著加速指揮控制活動。然而此類系統兼具高度復雜性：決策結果常呈“黑箱效應”難以解析驗證，且面臨倫理思量困境。為消減這些缺陷，人類操作員無需認同AI的每項決策，但必須保留對系統的實質性掌控權，確保可隨時干預并中止特定決策。鑒于AI賦能的指揮控制活動持續加速，指揮機構維持這種“可干預性”的能力將面臨嚴峻挑戰。

引言??

高效遂行作戰行動離不開信息的快速共享與處理。隨著數字化系統與傳感器陣列的普及使當代戰場呈現“數據富集化”特征，指揮員必須處理持續膨脹的數據量以有效實施作戰。為迅速解析數據內涵，指揮員日益依賴基于人工智能（AI）的決策支持系統。AI在指揮控制（C2）領域的深度應用正加速從戰役規劃、戰斗執行到作戰行動的全鏈路決策進程，成為應對戰爭演變中速度、規模與復雜性升級的“關鍵賦能器”。此處C2特指“指揮官對所屬部隊行使指揮權與作戰指令下達以達成任務目標”的行為。

AI的戰略價值提升及其引發的“C2加速效應”，使指揮體系面臨多重挑戰：包括系統過度依賴、可信度缺失、操作訓練不足等固有問題，以及AI賦能的指控系統在戰術、技術與倫理層面構成的“三維風險”。核心矛盾在于如何認知AI應用于C2的固有缺陷，并通過平衡“人機協同決策”機制予以消解。

本文主張：AI驅動的C2加速既具必要性又存戰略價值，但必須確保人類持續“接入”AI輔助決策回路——“決策回路”指代完整決策流程，“接入”狀態意味著人類無需認同AI每項決策，但須保留決策實施中的干預權與緊急中止能力。論文首先剖析“AI加速C2”的收益風險及衍生影響，繼而聚焦該進程對陸軍指揮機構的具體效應，最終為歐洲地面部隊提出針對性建議。

1. AI賦能的C2加速效應影響分析??

技術創新及時有效的應用對戰爭實施具有關鍵作用。自海灣戰爭精確制導彈藥與數字系統問世以來，軍事領導者始終致力于打造新興技術賦能的高效快速部隊。與此同時，戰場電子化與數字化革命使傳感器與數據系統呈指數級增長——能否及時有效進行數據優先級排序將獲得決定性優勢。為AI算法提供數據的傳感器至關重要，其信息處理速度遠超人類能力上限。因此，對全域傳感器海量數據進行優先級排序是支撐C2決策的核心環節。

AI帶來的效率增益正全域加速指揮控制活動。正如沃特林（2023）強調：數據的戰術價值存在有效期，信息有效性驗證周期必須短于其戰術價值存續期。該過程同時依賴硬件與帶寬能力以實現數據高速傳輸。為避免系統過載，AI可進一步優化數據傳輸優先級。這在電子飽和戰場尤為重要——陸軍部隊無法依賴海空平臺級帶寬資源時，AI可最大化有限帶寬利用率，從而提升決策精確度與效能。

基于海量數據的AI網絡系統日趨復雜化，其部署運作難度同步增大。地面部隊管理此類系統面臨獨特挑戰：需建立更多連接節點、保障高能耗系統電力供應、應對復雜地形干擾。為構建AI輔助C2體系建立的節點網絡，更易成為敵對國家與非國家行為體網絡攻擊的突破口。硬件與軟件的雙重制約使AI系統實戰部署仍存挑戰。

指揮官在作戰中必須應對“戰爭迷霧”（克勞塞維茨提出的不確定性概念）、摩擦阻力、戰場恐懼及態勢突變。虛擬環境研發的AI系統初涉高風險實戰環境時極易出現異常。其原因包括訓練數據缺失或受安全/后勤限制無法開展實戰化測試。AI系統持續面臨“戰略混沌”中戰場摩擦、多義性及多重可能結果的壓力。

AI在C2決策相關的倫理道德領域同樣存在局限。當前無人干預的致命性自主武器系統實施動能打擊決策，已違反《國際人道法》武裝沖突條款。這引發責任歸屬與可追溯性質疑：若AI決策違反國際人道法，追責主體如何界定？以軍事必要性為由授權AI處理道德困境的做法，仍存國際爭議（Johnson, 2023）。該爭議將深度影響AI在軍事體系及C2決策回路中的定位。

AI與C2結合可指數級提升通信能力、數據分析與決策效率。隨著技術進步，AI賦能的C2發展具有必然性。然而C2全流程自動化將催生新脆弱性并危及系統生存能力：基于網絡連接的AI系統及其數據存儲節點面臨多重網絡攻擊風險。更關鍵的是，決策加速正改變戰略戰役層級的戰爭節奏，理解這些新動態成為當務之急。C2中AI自動化程度最終取決于部隊結構需求、戰場約束與任務目標。

武器系統與決策鏈的AI應用將重塑戰略格局與力量平衡。軍隊戰略原則須納入AI與C2加速要素。值得注意的是，AI將深刻改變戰爭的倫理屬性與法律特征。歐洲地面部隊需展現對國際秩序及其規則體系的維護承諾——若欲充分利用AI賦能的C2優勢，其指揮機構必須直面這些挑戰。

2. AI賦能C2加速效應對地面部隊指揮機構的深層影響??

決策結構中的所有信息最終匯聚至指揮員。指揮員的戰場態勢感知能力取決于信息數量、關聯價值及其獲取、理解與響應速度。有學者將態勢感知定義為“士兵對己方與敵方的相對位置關系，以及周邊作戰意圖的認知程度”。AI通過優化數據優先級排序與分發效能，協助指揮員預判敵軍動向并規劃己方兵力部署。在聯合全域作戰背景下，AI對戰場態勢的“實時全景掌握”，可加速多軍種在“決策回路”中的行動協同。該能力通過預判敵方行動增強部隊“抗毀韌性”，使地面部隊能在AI支持下實施精準高效作戰。

AI通過彌補人類“認知與生理局限”進一步提升地面部隊戰力。C2流程中“關鍵環節自動化”可有效抑制疲勞與人為失誤。倫理層面而言，整合“戰場微觀態勢”與法律體系的AI系統，可實現更精確的“武裝沖突法比例評估”及合規打擊決策。盡管將倫理準則植入AI無法消除算法偏見，但結合人類監管可降低“違法使用武力”風險。隨著AI加速C2全流程，通過抑制人因失誤提升決策可靠性的框架愈發重要。

然而AI系統的“技術新穎性”與“快速迭代”特性，阻礙指揮機構深度整合應用。要使AI有效支持C2決策，系統除準確性外更需具備“可信賴屬性”。當AI輸出結論的“驗證復雜度”遠超傳統模式時，指揮員決策意愿顯著降低。這種“黑箱效應”——即不可解析的AI輸出——持續削弱信任根基。“技術脆弱性”構成另一信任障礙，例如支撐AI決策的“關鍵數據鏈”可能因戰場環境失穩。標準化演訓體系、抗毀架構與“高質量數據鏈”仍是建立人機信任的基石。

AI引發的“C2半自動化轉型”，促使指揮員角色從“系統主導者”轉向“團隊協作者”，深刻改變行為模式與認知框架。該轉型易滋生“決策依賴癥”，若缺乏批判性思維，指揮員可能誤判“失真AI結論”。當系統“突發失效”或“可靠性降級”時，過度依賴將削弱戰場“自主應變力”。“創造性思維”與“動態適應力”始終是C2決策核心，AI應作為賦能模塊而非替代要素。歐洲地面部隊需貫徹“用戶中心”研發原則，引導作戰人員參與AI系統“需求設計”與“實裝訓練”。配合“持續強訓”，官兵將逐步掌握技術特性、構建“邏輯理解力”并建立“作戰信任度”。

AI在深度融入“決策回路”后已非被動工具，正演變為戰爭中的“戰略行為體”。這引發出超越常規的倫理詰問：是否應賦予AI“責任主體”身份及其相應權責？AI依賴度提升正重構指控體系內的“跨域協作機制”，亟需建立承認AI作戰主體地位的“新型條令架構”。

指揮官應對AI輸出保持“合理性存疑”，培養“批判思維”、“直覺感知”與“倫理抉擇”的復合決策素養。隨著“決策回路超速化”與AI依賴加深，人類（尤其指揮員）在C2中的職能定位需“動態校準”。歐洲地面部隊應警惕“AI專屬脆弱域”：重點防范“數據投毒”與“網電突襲”。強化“系統全維監控”、設限“網信活動邊界”及“安全數據實踐”，是維持AI戰場“存活性”與“可信度”的關竅。在滿足上述條件且確保人類“全時介入”決策回路的前提下，歐洲地面部隊方能有效釋放AI的C2賦能價值。

結論??

人工智能（AI）在指揮控制（C2）活動與決策中的作用將持續呈不可逆指數級增長。這將加速決策回路的運轉以及支撐決策的數據處理與分發進程。為維持“全時介入”決策回路，指揮機構必須重構職能定位并重組現有C2體系。人類參與及監督機制仍不可或缺——AI賦予的作戰效率、態勢感知與響應速度，不應以犧牲倫理準則與責任追溯為代價，更不應“主導指揮思維”。AI研發應用須恪守“輔助而非替代”原則，維護人類在C2決策回路的核心地位。

若未能融入部隊文化及條令體系，AI等“顛覆性技術”將無法釋放全部潛能。為充分獲取戰爭各層級的AI決策紅利，歐洲地面部隊亟需革新C2架構，并通過系統化訓練使指揮員隊伍掌握工具底層邏輯。最終，AI在C2領域的重要性攀升將使“高效應用者”贏得戰略優勢，此趨勢將重塑全球力量平衡。歐洲地面部隊唯有實現“風險控制”與“效能釋放”的動態平衡，方能維持軍事優勢。

Barry, W.J., & Wilcox, B. (2025, May 9). Neocentaur: A Model for Cognitive Evolution Across the levels of War. Modern War Institute. //mwi.westpoint.edu/neocentaur-a-model-for-cognitive-evolution-across-the-levels-ofwar/

Collazzo, A. (2025, February 21). Warfare at the speed of thought: Balancing AI and critical thinking for the military leaders of tomorrow. Modern War Institute.

Demarest, C. (2024, February 21). Pentagon achieves ‘minimum viable’ version of CJADC2, Hicks says. C4ISRNET.

European Commission, (2019, April 8). High-Level Expert Group on Artificial Intelligence. European Commission.

Freedberg, S., Jr. (2023, September 5). 3 ways DARPA aims to tame ‘strategic chaos’ with AI. Breaking Defense.

Harper, E. (2024, September 26). Will AI fundamentally alter how wars are initiated, fought and concluded? International Committee of the Red Cross.

Hinote, C. (2024). Reimagining command and control with human-machine teams. Special Competitive Studies Project.

Johnson, J. (2023). The challenges of AI command and control. European Leadership Network.

Lucas, R. (2024). Command and control in the future; Concept paper 4: C2 enablers. RAND Europe.

Luckenbaugh, J. (2023, July 21). Army hopes AI will give soldiers an information advantage. National Defense Magazine.

Simonetti, R., & Tripodi, P. (2020). Automation and the future of command and control: The end of Auftragstaktik? Marine Corps University Press, 11(1), 88–106.

Watling, J. (2023). Supporting command and control for land forces on a data-rich battlefield. Royal United Services Institute.

信息環境廣闊、復雜且快速演變。在包含灰色地帶與混合戰爭的當代沖突中，認知往往凌駕于現實之上。因此，人工智能對駕馭這一復雜動態環境至關重要。國防部門需在"小規模戰爭"中強化信息環境作戰效能以實現決策優勢，但必須進一步將人工智能及其能力整合至條令與文化中。

決策優勢的內涵與實踐
 決策優勢確保指揮官更深入理解作戰區域，并剝奪敵方及時決策能力。該理念強調能力優勢而非物理壓制，核心在于通過提供特定選項與限制敵方選擇來影響其行動。當敵方因可行選項全被剝奪而無法行動時，其將停止抵抗——甚至可能在主要戰斗前就已放棄。

歷史教訓與信息環境挑戰
 美國防部近期戰績堪憂：1991年海灣戰爭雖勝卻遺留政權存續問題；2001年阿富汗戰場初期獲勝，但塔利班以游擊戰術利用巴阿邊境卷土重來；2003年伊拉克戰爭初期速勝后陷入僵局。這些案例凸顯信息環境治理困境：海量信息淹沒作戰行動，區域利益博弈（甚至五角大樓內部分歧）阻礙決策優勢。信息環境中，勝利感知與實際戰果同等重要，而失敗認知將導致實質性損失。

阿富汗與伊拉克戰場暴露關鍵問題：信息相關能力（IRC）協調不足。心理戰與公共事務常釋放矛盾信息，使塔利班在復雜信息生態中占據宣傳優勢。例如，塔利班屢次指控美軍造成平民傷亡，而IRC協同失效使其掌控敘事主動權，最終導致公眾信任流失與戰略挫敗。

人工智能賦能信息作戰
 美國防部近十余年持續投資人工智能，代表性項目Project Maven通過機器學習整合多源監視數據（無人機視頻、紙質文檔、硬盤數據等），加速決策分析與信息優勢構建。2018年《國防戰略》確立多域作戰概念，強調信息環境貫穿所有戰爭域。然而，灰色地帶與混合沖突仍存挑戰——非國家行為體借助生成式與判別式AI技術，在國家級行為體支持下實施低于全面戰爭門檻的對抗。

2022年，英偉達GPU/TPU架構推動AI技術普及，國防部開始將AI融入組織文化與作戰。信息作戰部門需利用現成AI工具增強行動，塑造信息環境以實現決策主導。例如：判別式AI可通過自然語言處理實施社交媒體情感分析與影響評估；生成式AI可制作超現實音視頻素材，削弱敵方決策時效性。

制度整合與未來方向
 人工智能尚未深度融入國防部文化、組織與條令體系。當前要務是將AI納入信息作戰框架，觸發"軍事事務革命"。任務定制化訓練須整合AI能力，軍事教育體系需確保AI在攻防行動中占據核心地位。Project Maven僅是起點，AI應成為灰色地帶競爭與高強度混合戰爭中的決策中樞。

盡管AI無法徹底杜絕"阿富汗式潰敗"，但其為國防部提供了駕馭復雜信息環境的最優工具集，至少可確保指揮官優先事項與戰場實況動態對齊。未來，AI驅動的情報融合與認知塑造能力，將成為維持信息優勢、避免戰略被動的關鍵支柱。

參考來源：by Matthew Fecteau

戰場上，瞬間決策往往決定成敗。海軍陸戰隊歷來依賴訓練與領導力應對戰爭復雜性。然而，隨著現代戰場日益數據驅動化，亟需匹配其復雜度的工具。人工智能（AI）應運而生——這種"力量倍增器"旨在增強而非取代人類決策。

盡管AI具備變革潛力，美軍尚未以應對威脅演變所需的速度實現全面整合。正如馬克·米利上將與埃里克·施密特近期指出："軍方尚未真正擁抱人工智能……其推進速度過于遲緩。"這凸顯海軍陸戰隊主導AI整合的必要性與機遇。然而，釋放AI全部潛能需超越商用現成技術的定制化方案。深刻理解軍事需求開發的人工智能與大語言模型（LLM）系統，可提供提升決策與作戰能力所需的精確性與適應性。

整合AI不僅是技術采納，更是技術駕馭。圍繞任務定制的AI/LLM能力培訓計劃，對陸戰隊員有效運用系統至關重要。與可信賴伙伴合作開展系統高階訓練，將確保陸戰隊在現代戰場保持領導優勢。

指揮控制（C2）中的AI應用

指揮控制是軍事行動的中樞神經。快速精準處理海量信息的能力關乎成敗，這正是AI的用武之地——協助指揮官梳理陸、海、空、天、網多域數據。通過將原始數據轉化為清晰可操作的洞見，AI賦予指揮官在復雜環境中快速明智決策的優勢。

成功關鍵不僅在于部署AI系統，更在于有效運用。專為軍事決策設計的AI系統可過濾冗余信息，聚焦核心數據。這些系統幫助指揮官掌控瞬息萬變的態勢，但陸戰隊員需理解如何信任系統建議，同時保持領導力核心的人類判斷。

實現平衡的最佳途徑是定制化訓練計劃：既聚焦技術操作，更培養人機協同決策藝術。通過任務導向的AI系統訓練，陸戰隊可確保AI成為決策流程的增效工具，而非替代品。

情報監視偵察（ISR）中的AI賦能

現代戰場僅收集情報已不足夠，需快速處理、解析并行動。數據爆炸式增長使AI的價值凸顯——它能實時篩選衛星圖像、截獲通信等海量信息，高亮關鍵情報。

但需清醒認知：AI效能取決于使用者。專為ISR構建的AI平臺可通過多源數據融合將能力提升至新高度，但陸戰隊員需接受針對實際場景的系統培訓。這意味著不僅要教授操作技能，更要訓練解讀AI輸出并快速自信響應的能力。

最終，AI應被視為強化戰場陸戰隊員本能與經驗的工具，而非替代者。定向功能訓練能確保AI與陸戰隊既有技能洞察力形成協同增效。

人工智能時代的火力部署

火力部署的精準性、時機與協同是制勝關鍵。隨著戰爭復雜化，人工智能通過提升目標鎖定精度與速度，強化火力作戰職能。人工智能驅動系統可識別高價值目標，并基于實時戰場變化調整火力任務。

通過簡化通信與協調流程、確保火力任務符合法律標準、促進跨域聯合作戰，AI重塑火力體系。然而，AI整合至火力領域帶來倫理挑戰。海軍陸戰隊須嚴格測試驗證AI系統，確保其區分戰斗人員與非戰斗人員，恪守比例性與區分性原則。人類監督仍至關重要——指揮官須保留干預權限，在AI異常時及時禁用。

要使AI真正變革火力領域，專為目標鎖定與火力控制定制的AI解決方案需提供現成系統無法企及的精準性與適應性。這些方案設計隨現代戰爭復雜性演進，在對抗環境中提供優勢。培訓陸戰隊員整合此類先進工具，需匹配系統復雜度的專業知識。與專精軍事AI系統的供應商合作，對保障火力任務精度與倫理標準至關重要。

人工智能賦能機動作戰

機動作戰是海軍陸戰隊核心理念，強調敏捷性、主動權奪取及對敵身心壓制（參見《美海軍陸戰隊作戰條令第1號：作戰》（MCDP 1, Warfighting））。這一快節奏、動態變化的作戰環境，正是AI協助陸戰隊應對復雜性的絕佳場景。人工智能可為指揮官提供敵軍動向實時洞察、預測戰場態勢演變，并基于海量數據提供戰術選項。

關鍵在于，軍事AI系統并非通用方案。專為機動作戰設計的AI系統能整合地形、氣象、敵軍編成等關鍵戰場信息，針對具體場景提供實時解決方案。美國防部《2023年人工智能戰略》強調此類能力對維持復雜戰場作戰優勢的重要性。

然而，即便最先進的AI也無法孤立運作。陸戰隊員需理解如何將AI洞察與戰術經驗融合。定制化訓練項目在此發揮關鍵作用：不僅教授AI系統操作，更培養關鍵時刻信任系統與依賴直覺的判斷力。通過恰當訓練，AI將成為機動作戰的強力伙伴，助力陸戰隊保持敏捷與先發優勢。

人工智能重塑后勤體系

后勤是維持軍事行動的生命線。人工智能通過預測補給需求、協調運輸、實時庫存追蹤，優化供應鏈管理，確保物資高效抵達前線。

未來后勤依賴能應對軍事特有復雜性的AI平臺——從對抗環境到不可預測補給路線。專為軍事后勤設計的AI與LLM系統不僅提升效率，更提供彈性與實時適應性，使陸戰隊能在壓力下維持持續供應鏈。為釋放系統潛能，陸戰隊員需接受先進AI后勤平臺專項訓練，確保其與作戰現實無縫整合。由此，他們將具備在高/低強度沖突中管理AI驅動后勤的能力。

人工智能在部隊防護中的應用

人工智能通過分析數據流加速威脅檢測，強化部隊防護。AI驅動系統（如自主無人機）可監控周邊區域并識別異常活動，降低人員風險。

海軍陸戰隊將受益于AI驅動的防護平臺——其增強型威脅檢測與快速響應能力可保障關鍵資產安全。專為防御設計的系統能實時處理海量監控數據，但充分運用這些平臺需陸戰隊員接受任務導向的AI系統培訓，以提升戰備狀態并保持倫理監督。

人工智能賦能信息域作戰

信息時代，掌控敘事權與掌控戰場同等重要。人工智能通過協助管理海量信息、識別虛假情報、保障關鍵數據安全發揮核心作用。無論是監控社交媒體虛假信息，還是在網絡威脅危及任務前實施偵測，AI助力陸戰隊掌控信息環境。

真正價值源自專為軍事信息作戰定制的AI系統。人工智能解決方案可同步監控多信道，實時標記虛假信息活動，并為陸戰隊提供反制工具。

AI效能取決于使用者。為最大化系統效用，陸戰隊員需接受信息域AI運作專項訓練。定制化訓練項目可展示如何利用AI管理信息流、保護敏感數據、確保行動在威脅演變中保持安全。通過AI與專業訓練的結合，海軍陸戰隊可在信息域維持戰略優勢。

結語

人工智能已非遙遠概念，而是海軍陸戰隊未來的核心工具。為保持現代戰爭效能，陸戰隊須將AI全面納入作戰體系。然而，僅采納技術遠遠不夠——陸戰隊員需精通其運用。AI提供從快速決策到精確打擊的非凡優勢，但確保其合理合規使用取決于陸戰隊員自身。

《美海軍陸戰隊第5231.4號命令》確立的原則保障AI負責任整合與清晰監督。陸戰隊員始終保持控制權，以AI增強而非替代人類判斷。人類因素至關重要，尤其在應對AI作戰倫理挑戰時。陸戰隊需持續測試驗證AI系統，確保其遵循交戰規則并保護非戰斗人員。

與私營企業合作對釋放AI潛能至關重要。陸戰隊無法依賴現成方案，需定制化應對挑戰的工具。通過與AI及軍事技術專家協作，可開發符合獨特需求的系統。持續研發投入將確保陸戰隊在關鍵時刻擁有最佳裝備。

對抗環境中AI尤為重要。在此類場景中，通信與補給可能中斷，AI可協助應對挑戰。基于有限數據實時決策的系統對維持行動連續性至關重要。AI還將在人機協同、任務規劃與戰場威脅評估等領域發揮核心作用。

然而，缺乏恰當訓練則一切歸零。各級陸戰隊員需掌握有效運用AI的技能。訓練非一次性工程，需隨技術同步進化。通過教導陸戰隊員理解、信任并在必要時質疑AI，可確保其成為決策流程的可靠伙伴，而非拐杖。

正如米利上將與埃里克·施密特所言，軍方AI應用進展遲緩。這為海軍陸戰隊提供引領變革的機遇。當前果斷行動可使其成為軍事AI應用的典范。這不僅關乎技術領先，更關乎保持前瞻性，為未來挑戰做好準備。

歸根結底，AI是工具——正確運用可提升陸戰隊戰場效能與敏捷性。通過投資適配系統、訓練與伙伴關系，海軍陸戰隊將確保直面明日挑戰。人工智能不會取代戰爭中的人類因素，而是強化之，賦予陸戰隊在日益復雜世界中引領勝勢所需的優勢。

美國陸軍即將發布關于使用大型語言模型（LLM）和生成式人工智能（AI）的新政策指南。此舉正值五角大樓尋求利用人工智能的變革潛力，同時解決安全問題并確保該技術滿足美國防部（DoD）的獨特需求之際。隨著人工智能的不斷發展，陸軍旨在利用其能力來提高作戰效率、決策和整體任務成功率。

大型語言模型的崛起

大型語言模型，如 OpenAI 的 GPT-4 和谷歌的 Gemini，因其能夠根據提示和訓練數據生成類似人類的文本、音頻、代碼、圖像和視頻而備受關注。這些模型已在從內容創建到復雜問題解決等各種應用中展示出令人印象深刻的能力。然而，它們的廣泛應用也引發了有關數據安全、道德考量和潛在濫用的關鍵問題。

美陸軍對生成式人工智能的態度

認識到生成式人工智能的潛力和挑戰，陸軍將發布新的政策指南，以確保負責任地安全使用這些技術。據陸軍首席信息官（CIO）利奧-加西加（Leo Garciga）稱，即將發布的指令將為如何將 LLM 集成到陸軍行動中同時保護敏感信息提供明確的指導。這項政策預計將涉及幾個關鍵領域：

• 安全問題： 使用市售 LLM 的主要顧慮之一是，敏感軍事數據有可能暴露給未經授權的個人。陸軍的政策將強調使用符合國防部嚴格安全標準的安全內部人工智能系統的重要性。這種方法旨在防止機密信息的無意泄漏，并防止潛在的敵方利用。
• 量身定制的解決方案： 陸軍尋求可定制的人工智能解決方案，以滿足其特定的作戰需求。這包括開發可在陸軍安全環境下運行的人工智能模型，并應對軍事應用的獨特挑戰。通過與行業合作伙伴合作并利用內部專業知識，陸軍旨在創建既能提高任務效率又不影響安全性的人工智能工具。
• 合乎道德和負責任的使用：陸軍致力于合乎道德地采用人工智能技術。新政策將納入負責任地使用人工智能的原則，確保人工智能系統透明、負責，并符合陸軍的價值觀和任務目標。這包括持續實驗、用戶反饋和不斷改進，以解決可能出現的任何道德問題。

生成式人工智能在陸軍中的應用

生成式人工智能在各種軍事應用中大有可為。一些潛在用例包括

• 作戰規劃和決策：人工智能可協助指揮官分析海量數據、提出可行見解并做出明智決策。通過將常規任務自動化并提供實時分析，人工智能可以提高決策過程的速度和準確性。
• 培訓與模擬：人工智能驅動的模擬可以創建逼真的訓練環境，讓士兵在可控的環境中練習和提高技能。這些模擬可以適應不同的場景，提供寶貴的經驗并提高戰備狀態。
• 后勤和供應鏈管理：人工智能可以通過預測需求、管理庫存和簡化供應鏈流程來優化物流運營。這可以提高資源分配效率，降低運營成本。
• 網絡安全：人工智能可以通過實時檢測和應對威脅來增強陸軍的網絡安全態勢。先進的人工智能算法可以識別模式和異常，從而實現對網絡攻擊的主動防御。

挑戰和考慮因素

雖然生成式人工智能的潛在效益巨大，但陸軍必須克服幾個挑戰，以確保成功實施：

• 數據質量和集成：人工智能系統的有效性取決于其訓練數據的質量和準確性。陸軍必須確保其數據是干凈、相關和適當整合的，以最大限度地發揮人工智能工具的效用。
• 人機協作：人工智能的有效使用需要人類操作員與人工智能系統之間的無縫協作。陸軍必須在培訓和教育方面進行投資，以確保人員能夠有效地與人工智能技術互動并加以利用。
• 遵守法規：陸軍的人工智能計劃必須符合國防部和聯邦層面的現有法規和標準。這包括遵守有關數據隱私、安全和道德使用的準則。

結論

美陸軍即將發布的關于大型語言模型和生成式人工智能的政策指導，是利用人工智能的力量進行軍事應用的重要一步。通過解決安全問題、定制滿足作戰需求的解決方案以及促進道德使用，陸軍旨在利用人工智能提高任務成功率并保持技術優勢。

參考來源：Indigo Monser

如果海軍陸戰隊要與近似對手競爭，海軍陸戰隊必須將人工智能（AI）作為一種決策支持系統（DSS），以加快規劃-決策-執行（PDE）周期，從而在認知、時間和致命性方面取得優勢。

信息系統和監視技術正在改變戰爭的特點，使較小的部隊也能分布和影響較大的區域。但是，目前的指揮、控制、通信、計算機、情報、監視和偵察系統（C4ISR）以及機器人和自主系統（RAS）都是人力密集型系統，會產生大量數據，海軍陸戰隊必須迅速利用這些數據來提供可操作的情報。由于遠征高級基地行動（EABO）要求部隊規模小、分布廣、復原力強，必須迅速做出明智決策，才能在各種不斷發展和演變的威脅面前生存下來，因此這就存在問題。

使用數據分析和機器學習的人工智能處理、利用和傳播信息的速度比人類更快。配備了人工智能 DSS 的 EAB 指揮官將以比對手更快的速度做出更明智的決策。然而，在實現這一目標之前，目前還存在著巨大的障礙。海軍陸戰隊必須為 EABO 制定一個人工智能支持概念，并將其納入海軍作戰概念中，充分確定人工智能工作的優先次序和資源，并為企業數據管理提供資源，以最大限度地利用數據分析和機器學習來發現數據庫中的知識（KDD）。此外，海軍陸戰隊必須利用美國陸軍的人工智能實驗和概念開發來實現多域作戰（MDO）。最后，海軍陸戰隊應確定當前可通過狹義人工智能加以改進的技術和作戰領域。

引言

指揮、控制、通信、計算機、情報、監視和偵察（C4ISR）以及機器人和自主系統（RAS）技術的普及正在改變戰爭的特點，使較小的部隊能夠分布和影響更大的區域。然而，作戰期間收集的數據正在迅速超越人類的認知能力。早在 2013 年，美國國防部就指出："ISR 收集和......收集的數據急劇增加。我們繼續發現，我們收集的數據往往超出了我們的處理、利用和傳播能力。我們還認識到，就戰術層面的分析人員數量而言，PED 的資源需求可能永遠都不夠"。

如果能迅速加以利用，C4ISR/RAS 數據將為指揮官提供戰勝敵人的信息優勢。但是，從這些來源獲取及時、可操作的情報需要大量人力，而且必須通過人工手段對數據進行快速處理、利用和傳播（PED）才能發揮作用。如果遠征軍要通過 C4ISR 與近鄰競爭并獲得競爭優勢，這對海軍陸戰隊來說是個問題。這些豐富的信息可以加快計劃-決策-執行（PDE）周期，但如果不加以管理，就會使領導者被信息淹沒，猶豫不決。必須采取相應措施，利用新技術實現數據自動化和管理。如果海軍陸戰隊要與近似對手競爭，海軍陸戰隊必須將人工智能（AI）作為決策支持系統（DSS），以加快 PDE 周期，從而在認知、時間和致命性方面取得優勢。

本文旨在證明，利用人工智能技術可加快指揮官在其環境中的觀察、定位、決策和行動能力。本文承認，但并不打算解決射頻通信、信息系統和組織變革中出現的技術問題的重大障礙。本文分為四個不同的部分。第一部分重點討論不斷變化的安全環境和新興技術帶來的挑戰，以及這些挑戰將如何影響指揮官。第二部分討論技術解決方案、決策模型，以及人工智能作為 DSS 如何為 EAB 指揮官創造認知、時間和致命優勢。第三部分將在未來沖突中，在 EAB 指揮官很可能面臨的假想作戰場景中說明這種系統的優勢。最后一部分重點討論了實施過程中遇到的障礙，并對今后的工作提出了建議。

第 I 部分：新的安全環境和新出現的挑戰

自 2001 年以來，海軍陸戰隊在 "持久自由行動"（OEF）、"伊拉克自由行動"（OIF）和最近的 "堅定決心行動"（OIR）中重點打擊暴力極端組織（VEO）和反叛亂戰爭。美國武裝部隊所處的是一個寬松的環境，有利于技術優勢、不受限制的通信線路和所有領域的行動自由。隨著 2018 年《國防戰略》（NDS）和海軍陸戰隊第 38 任司令官《司令官規劃指南》（CPG）的出臺，這種模式發生了變化，《司令官規劃指南》將大國競爭重新定為國家國防的首要任務，并將海軍陸戰隊重新定為支持艦隊行動的海軍遠征待命部隊。

為了支持這一新的戰略方向，海軍陸戰隊開發了 "先進遠征作戰"（EABO），作為在有爭議環境中的瀕海作戰（LOCE）和分布式海上作戰（DMO）的一種使能能力。EABO 為聯合部隊海上分隊指揮官或艦隊指揮官提供支持，在反介入區域拒止（A2/AD）環境中提供兩棲部隊，以獲取、維持和推進海軍利益，作為控制海洋的綜合海上縱深防御。然而，EABO 對部隊提出了一些必須考慮的具體挑戰。這些挑戰包括在所有領域與近似對手的競爭、對新興技術的依賴、人員與能力之間的權衡，以及地理距離和分布式行動帶來的復雜性。總的主題是如何通過在關鍵點上集成人工智能技術來克服這些挑戰，從而增強指揮官的 PDE 循環。

處理開發傳播 (PED) 問題

如果情報驅動軍事行動，那么海軍陸戰隊就會出現問題。如前所述，數據收集的速度超過了戰術層面的處理、利用和傳播（PED）過程。數據本身是無用的，必須經過組織和背景化處理才有價值。根據認知層次模型（圖 1），數據和信息對形成共同理解至關重要。聯合情報流程通過規劃和指導、收集、處理和利用、分析和制作、傳播和整合以及評估和反饋這六個階段來實現這一目標。C4ISR/RAS 的擴散擴大了收集范圍，但 PED 卻沒有相應增加。除非采取措施實現信息管理自動化，否則指揮官將面臨信息超載和決策癱瘓的風險。

信息超載是指由于一個人無法處理大量數據或信息而導致的決策困難。 羅伯特-S-巴倫（Robert S. Baron）1986 年關于 "分心-沖突理論"（Distraction-Conflict Theory）的開創性研究表明 執行復雜任務的決策者幾乎沒有多余的認知能力。由于中斷而縮小注意力，很可能會導致信息線索的丟失，其中一些可能與完成任務有關。在這種情況下，學習成績很可能會下降。隨著分心/干擾的數量或強度增加，決策者的認知能力會被超越，工作表現會更加惡化。除了減少可能關注的線索數量外，更嚴重的干擾/中斷還可能促使決策者使用啟發式方法、走捷徑或選擇滿足型決策，從而降低決策準確性。

鑒于 Baron 的結論，C4ISR/RAS 將降低而不是提高戰術指揮官的決策能力。筆者在擔任海軍陸戰隊作戰實驗室（MCWL）科技處地面戰斗部（GCE）處長期間進行的研究證實了這一結論。2013 年，海軍陸戰隊作戰實驗室 (MCWL) 開展了戰術網絡傳感器套件 (TNS2) 有限技術評估 (LTA)。一個海軍陸戰隊步槍連及其下屬排配備了空中和地面機器人、地面傳感器以及戰術機器人控制器（TRC）。戰術機器人控制器使一名操作員能夠在白天或黑夜，在視線范圍外同時控制多輛戰車進行 ISR。MCWL 將這種 ISR 形式命名為多維 ISR（圖 2）。LTA顯示，使用TNS2的排級指揮官在防御、進攻和巡邏時都能迅速發現威脅，但LTA也發現了兩個重大問題：1.在軟件和機器人能夠自主分析和關聯傳感器輸入之前，海軍陸戰隊員仍需收集和整理ISR數據；2.在中高作戰壓力下... 在中度到高度的作戰壓力下......操作人員會超負荷工作......無法探測和識別目標，并普遍喪失態勢感知能力。

海軍陸戰隊情報監視和偵察--企業（MCISR-E）正在通過海軍陸戰隊情報中心（MIC）、海軍陸戰隊情報活動（MCIA）與戰斗支援機構（CSA）和國家情報界（IC）連接，納入預測分析流程，以解決這些問題。通過海軍陸戰隊情報活動（MCIA），MCISRE 解決了全動態視頻（FMV）聯合 PED 支持問題，并于 2017 年成立了全動態視頻聯合 PED 小組，該小組具有全面運作能力，每周 7 天提供 12 小時支持，費用由 14 名分析員和 3 名特派團指揮官承擔。

雖然這是朝著正確方向邁出的一步，但由于人力需求量大，這可能證明是不夠的。EAB 指揮官必須依靠地理位置相隔遙遠的上級總部提供的、通過有爭議的電磁頻譜傳輸的情報成品。海軍陸戰隊司令部的 MIX 16（海軍陸戰隊空地特遣部隊綜合演習）實驗結果證實了這一結論： "未來戰爭將在具有挑戰性的電磁環境中進行，分布在各地的部隊......從上級總部 "伸手回來 "獲取日常情報援助的能力可能有限，而且無法依賴"。此外，在戰術和作戰層面增加更多的分析人員會導致循環報告，這只會加劇信息超載問題。

EABO/分布式作戰 (DO) 困境

根據《EABO 手冊》，EAB 必須 "產生大規模的優點，而沒有集中的弱點"。美國陸軍在 2016 年進行的實驗表明，較小的單位有可能分布并影響較大的區域（圖 3）。有人無人協同作戰概念（MUMT）認為，采用縱深傳感器、縱深效應和支援行動的部隊可實現戰斗力并擴大其影響范圍。

然而，DO 和 EABO 是零和博弈。C4ISR 和 RAS 技術可以讓部隊分布得更遠，但實驗表明，規模經濟會喪失。增加兵力將增加所有領域的需求。正如皮涅羅在 2017 年的一篇研究論文中總結的那樣："當部隊分散時，就會失去指揮與控制、情報和火力等輔助功能的效率。"在后勤方面也是如此。這種 "DO 困境 "可以用以下經過修訂的 "三重約束范式 "來表示（圖 4）。隨著部隊的分散，一個領域的整合將削弱另一個領域的能力。如果 EAB 指揮官能在不增加 EAB 占地面積的情況下提高能力，就能重新獲得規模經濟效益。智能技術整合可以解決這一問題。

第II部分：融合技術、決策和概念

人工智能展示了解決 PED 問題和 EABO/DO 困境的最大潛力，同時為指揮官提供了對抗性超配。據審計總署稱，"人工智能可用于從多個地點收集大量數據和信息，描述系統正常運行的特征，并檢測異常情況，其速度比人類快得多"。由聯合規劃流程（JPP）提供信息的人工智能系統可以產生更快、更明智的 PDE 循環。如果海軍陸戰隊想要實現 EABO，就不能僅僅依靠人類。相反，未來的關鍵在于如何利用人工智能來增強人類的決策能力。

決策和決策支持系統

研究表明，人類的決策并不完美，在復雜和緊張的情況下會迅速退化。人類的決策在很大程度上是憑直覺做出的，并在進化過程中不斷優化，通過使用判斷啟發法（偏差）來防止認知超載。偏差是快速決策的捷徑，它根據以往的經驗和知識做出假設。36 偏差是一種快速決策的捷徑，它根據以往的經驗和知識做出假設。雖然這些決策已經過優化，但并沒有參考因啟發式方法而被否定的大量數據。由于這些決策都是基于以往的經驗和現有的知識，人們在面對混亂的新情況時可能毫無準備。如前文所述，這對 EAB 指揮官來說是個問題。決策支持系統可以提供幫助。

決策支持系統可以是一個人用來提高決策質量的任何方法。海軍陸戰隊營長利用其參謀人員和聯合規劃流程 (JPP) 提供專家判斷來提高決策質量，而商業部門也越來越依賴于決策支持系統和人工智能來處理大量數據。在本文中，決策支持系統被定義為 "幫助用戶進行判斷和選擇活動的基于計算機的交互式系統"，也被稱為基于知識的系統，因為 "它們試圖將領域知識形式化，使其適合于機械化推理"。大多數 DSS 都采用西蒙的有限理性理論（Theory of Bounded Rationality）來建模，該理論承認人類在信息、時間和決策認知方面的局限性。西蒙提出了一個四步模型（圖 5），包括：1.觀察現實的智能；2.制定和衡量標準和備選方案的設計；3.評估備選方案和建議行動的選擇；以及 4.根據信息采取行動的實施。4. 執行，根據信息采取行動，最后反饋到第一步。

指揮官決策的兩個關鍵要素是選擇活動和推理。選擇活動，也稱為選項意識，是指在某種情況下對不同行動方案或備選方案的認識。選擇意識為指揮官提供了通往解決方案的不同途徑。能夠自主分析海量數據的 DSS 可能會揭示出以前不知道的選項。推理是一種邏輯思維能力。通過構建決策過程，數據支持系統可以不帶偏見和感情色彩地對數據得出結論。一些研究表明，在現實環境中，簡單的線性決策模型甚至優于該領域的專家。

DSS 有不同的類型，而類型決定了其性能和對人類增強的效用。智能決策支持系統（IDSS）是與作戰行動最相關的系統，因為它使用人工智能技術和計算機技術來模擬人類決策，以解決實時復雜環境中的一系列問題。在本文中，它將被稱為人工智能決策支持系統或 AI-DSS。它由一個數據庫管理系統（DBMS）、一個模型庫管理系統（MBMS）、一個知識庫和一個用戶界面組成，前者用于存儲檢索和分析數據，后者用于獲取結構化和非結構化數據的決策模型。人工智能-決策支持系統結合了人類構建問題結構的能力，以及通過統計分析和人工智能技術來支持復雜決策的系統，從而壓縮了 PED 流程（圖 6）。

人工智能輔助OODA循環

約翰-博伊德上校（美國空軍退役）被譽為機動作戰條令及其相應心理過程模型的主要作者之一。通過對實驗性戰斗機的研究，他認識到 "錯配有助于一個人的成功和生存，以及敏捷性和節奏之間的關系，以及如何利用它們使對手的感知現實與實際現實相背離"。為了解釋這些不匹配，他提出了一個 PDE 循環，后來被稱為 OODA（觀察、定向、決定和行動）循環（圖 7）。博伊德認為，誰能通過歸納或演繹推理更快地執行這一過程，誰就能獲勝。通過將人工智能融入 OODA 循環，EABO 指揮官可以獲得對敵決策優勢。正如伯杰司令在其規劃指南中所說："在任何規模的沖突環境中，我們必須比對手更快地做出并執行有效的軍事決策。

更好的信息和選擇有助于做出更迅速、更明智的決策，同時減輕認知負擔。EAB 部隊將面臨超音速和潛在的高超音速武器，這將使他們幾乎沒有時間做出充分知情的決策。EAB 指揮官將被迫利用大量有人和無人傳感器平臺感知威脅，并迅速確定行動方案。

人工智能輔助 OODA 循環（圖 8）直觀地描述了 EAB 指揮官如何借助人工智能技術做出決策。它將博伊德的 OODA 循環作為指揮官 PDE 循環的基礎。這反映出指揮官是決策過程的中心，也是情報和決策支持的主要消費者。下一層是國家情報總監辦公室（ODNI）的六步情報循環，用于將數據處理成情報。下一層是西蒙的有界理性模型，用于描述 AIDSS 如何嵌套在 EAB 指揮官的決策框架中。最后，使用狹義人工智能增強的外部代理被疊加以代表物理工具（如 RAS、武器系統、AI-DSS 和圖形用戶界面 (GUI)）。在關鍵點集成狹義人工智能，以實現傳感器操作和利用、數據和情報的 PED 以及武器使用的自動化，從而減少人力并壓縮 PDE 周期時間，為指揮官創造可利用的優勢窗口。

作戰概念

由于 EAB 指揮官將在一個簡樸、分散和資源有限的環境中工作，他必須重新獲得在這些方面失去的效率，以超越對手。AI-OODA 循環將按以下方式解決問題。在執行任務前，指揮官進行任務分析/人員規劃流程，以確定指揮官的關鍵信息需求（CCIR）（優先情報需求（PIR）/友軍情報需求（FFIR））以及與上級總部意圖相關的任務（作戰空間的情報準備（IPB）、行動區域、任務、約束/限制等）。

在步驟 1. 觀察階段，指揮官收集有關作戰環境、敵我態勢和友軍態勢的數據，以驗證 IPB 中的基準假設并更新態勢感知。為此，將利用國防部云服務和配備計算機視覺和機器學習技術的無人系統提供的多源情報，自主分析環境，查找 CCIR。這些系統在收集和識別 CCIR 時，可根據威脅程度和排放控制（EMCON）狀態采取兩種行動方案：1. 從云和/或邊緣 AI 平臺（AI-DSS）分發/縮減信息；2. 限制通信并返回基地進行開發。從這一過程中收集到的數據將反饋到第二階段--定向，以確定其意義和相關性。

在步驟 2. 在第 2 步 "定向"階段，指揮官要對收集到的大量數據進行意義分析，以便做出適當的決策。隨著數據池的不斷擴大，第一步的輸出結果必須由人工進行處理，這將耗費大量的時間和資源。如果處理不當，指揮官就有可能因信息過載而無法確定行動方案。研究表明，在面臨信息超載等人類認知極限時，人們會使用次優的應對策略，從而導致認知偏差。第二步是當前流程中的瓶頸，也是人工智能輔助決策支持系統（AI-DSS）緩解信息過載和縮短 PDE 周期的理想場所。

AI-DSS 的優勢在于它可以自主地以數字方式整合來自無限量來源的數據，包括多源情報、RAS、鄰近邊緣 AI 節點、開放源數據以及最終基于國防部云的服務，以生成決策輔助工具、預測性威脅預報或響應行動方案。通過監控這些來源，人工智能可利用 KDD 推斷出模式和意義，以探測敵方意圖，并在人工智能-OODA 循環的第 4 步中利用 F2T2EA（發現、修復、跟蹤、瞄準、交戰、評估）的殺傷鏈模型做出反應。與計算機網絡防御（CND）中使用的技術類似，EABO 部隊可以探測敵人的行動，將敵人的殺傷鏈指標與防御者的行動方針聯系起來，并識別出將敵人的個別行動與更廣泛的戰役聯系起來的模式，從而建立起陸基情報驅動的 SLOC（海上交通線）防御（IDSD），以控制當地海域。現在，他的情報系統已獲得最佳數據，并輔以人工智能生成的行動方案 (COA)，為第 3 步 "決定 "做好準備。

在步驟 3. “決定”步驟中，指揮官現在可以決定采取何種行動方案來實現預期結果。AI-DSS 可以推薦 COA、確定成功概率并建議后續行動或對手行動。通過圖形用戶界面，她的決定可以在整個梯隊中傳達，并傳遞給 RAS 平臺，從而在分布式作戰空間中形成一個綜合的有人無人團隊。

在步驟 4.“ 行動”中，指揮官正在執行任務，并利用反饋機制為其下一個決策周期提供信息，該決策周期已通過綜合通信、火力和指揮控制網絡進行了溝通，以確定可用和適當的武器系統。人工智能 OODA 循環將循環往復地進行下去，直到指揮官達到預期的最終狀態或情況不再需要采取戰術行動。通過利用人工智能作為 DSS，指揮官實現了以下目標：

1.融合--在梯隊中快速、持續、準確地整合來自所有領域、電磁頻譜（EMS）和信息環境的內部和外部能力；

2.優化 - 在正確的時間，以最有效和最高效的方式，向正確的目標提供效果的能力；

3.同步--將態勢感知、火力（致命和非致命）和機動結合起來進行滲透和利用的能力；以及

4.感知和行動速度--在沖突的各個階段都能識別和直觀地看到導致領域優勢和/或挑戰的條件，并采取相應行動；

確信所有數據點都以不偏不倚的方式加權，且周期速度快于敵方。

第 III 部分：關于人工智能輔助 EABO 的小故事

本節將通過一個小故事來解釋人工智能-OODA 循環系統在未來沖突中如何運作，從而將前面討論的主題結合起來。本節旨在從概念上向讀者概述如何使用該系統、它能解決哪些挑戰以及它能創造哪些機遇。

第 IV 部分：障礙和建議

有幾個問題不是本文的主題，但卻是接受和開發 AI-DSS 的重大障礙。將精力和資源集中在這些領域將激發行業解決方案，并協助海軍陸戰隊制定必要的政策、程序和戰術，以實現這一概念，并使海軍陸戰隊與國防部的人工智能戰略保持一致。

第一個問題是 EABO 的人工智能支持概念。如果對問題沒有清晰的認識，海軍陸戰隊就無法在技術、培訓和實驗方面進行適當的投資。一個可以考慮的途徑是與美國陸軍合作。2019 年 8 月，陸軍未來司令部發布了《2019 年未來研究計劃--人工智能在多域作戰（MDO）中的應用》。MDO 是聯合部隊的一個概念，海軍陸戰隊可以輕松嵌套在遠征梯隊中。這項研究通過戰爭游戲得到加強，概述了在 A2/AD 環境中建立人工智能能力的要求、優勢/劣勢和作戰案例。

第二個問題是海軍陸戰隊人工智能的資源配置。國防部人工智能戰略的美國海軍陸戰隊附件在 MCWL 設立了人工智能利益共同體（COI）和人工智能處，以確定人工智能工作的優先順序和同步性，并制定海軍陸戰隊人工智能戰略。這是一個良好的開端，但還不足以滿足人工智能運作所需的資源。海軍陸戰隊必須利用美國陸軍在多域作戰中開展的人工智能工作的范圍和規模，加速技術成熟、實驗和部隊發展。軍事、戰爭和后勤部人工智能有限技術評估應重點關注人工智能-DSS 如何能夠實現、改進或完全修改與 ISR-Strike、C2、維持和部隊保護相關的任務執行。2020 年有機會與陸軍人工智能任務組 (A-AITF) 就其 20 財年人工智能操作化研究計劃開展合作。

第三個問題是企業數據管理。國防部在匯集數據并將其組合成可用的形式方面舉步維艱。為了解決這個問題，國防部數字化現代化戰略要求提供企業云數據服務，也稱為聯合企業防御基礎設施（JEDI）。司令還認識到海軍陸戰隊在數據收集、管理和利用方面的不足，以促進更好的決策。機器要進行 KDD，必須有大量可用的數據集。海軍陸戰隊必須以人工智能-DSS 和其他深度學習技術能夠利用的方式構建其數據，以獲得業務收益。

第四個問題是對人工智能技術的信任。根據美國政府問責局的說法，人工智能正在接近第三次浪潮，但并非沒有嚴重障礙： "第三波人工智能的一個重要部分將是開發不僅能夠適應新情況，而且能夠向用戶解釋這些決策背后原因的人工智能系統"。目前的深度學習方法具有強大的分析能力，但有時會產生不尋常的結果。要讓指揮官信任并在軍事行動中使用 AI-DSS，就必須具備解釋人工智能如何得出答案的能力。可解釋的人工智能是國防部和商業部門共同關注的問題，而商業部門正在牽頭研究可能的解決方案。53 可解釋的人工智能是國防部和商業部門都關注的問題，而商業部門正在引領可能的解決方案研究。了解為什么會做出好的或壞的決策，會讓人對技術產生信任，這對軍事行動至關重要。

第五個問題是邊緣計算，即 "將計算能力下推到數據源，而不是依賴集中式計算解決方案"。這是必要的，因為電磁頻譜將受到爭奪，機器將無法依賴一致的通信和基于云的計算。數據網絡架構將需要重組，以便變得更加分散，并可抵御災難性損失，每個邊緣設備都應能夠與相鄰節點進行網狀連接和通信。在實踐中，數據連接將根據威脅環境從完全連接到拒絕連接的滑動范圍進行。這樣，AI-DSS 就能對本地收集的數據進行快速、實時的 PED，為 EAB 指揮官的決策周期提供支持。此外，國防部必須在戰術邊緣提供基于云的服務，并采用 5G 數據傳輸速率，以機器速度和低延遲充分利用人工智能和 RAS。同樣，這也是與美國陸軍在多域作戰方面的合作領域。

第六個問題是，這在以前已經嘗試過。2002 年，美國國防部高級研究計劃局（DARPA）創建了 PAL（個性化學習助手）計劃，作為一種認知計算系統，它可以通過學習來協助用戶完成任務，從而做出更有效的軍事決策。其主要目標之一是減少對大量人員的需求，從而使決策更加分散，不易受到攻擊。PAL 的一些功能包括將多源數據融合為單一饋送，這些功能已過渡到蘋果 Siri 個人助理和美國陸軍的未來指揮所 (CPOF) 計劃。筆者無法獲得有關 PAL 計劃局限性的詳細信息，但陸軍認識到遠征決策支持系統的必要性，目前正在精簡 CPOF。指揮所計算環境（CPCE）將多個環境整合為一個單一的用戶界面，整體重量從 1200 磅減至 300 磅，主要用于移動作戰。這是朝著正確方向邁出的一步，也是陸軍和海軍陸戰隊的潛在合作領域。

最后，MCWL 應研究在 RAS、計算機視覺、機器學習和數據分析方面的狹窄人工智能領域，這些領域可立即應用于減少指揮官的認知負荷。

結論

當前的 C4ISR/RAS 是勞動密集型的，會產生大量數據，必須迅速加以利用，才能為海軍部隊提供可操作的情報。使用數據分析和機器學習的人工智能可以比人類更快地處理、利用和傳播信息。配備了人工智能信息系統的 EAB 指揮官將以比對手更快的速度做出更明智的決策。然而，在實現這一目標之前，目前還存在著巨大的障礙。展望未來，海軍陸戰隊必須制定一個與海軍作戰概念相匹配的海軍陸戰隊作戰概念，對人工智能工作進行充分的優先排序和資源配置，對企業數據管理進行資源配置，以最大限度地利用數據分析和機器學習來發現數據庫中的知識（KDD），并利用美國陸軍的人工智能實驗和概念開發來實現多域作戰（MDO）。此外，海軍陸戰隊應確定當前可通過狹義人工智能加以改進的技術和作戰領域。

海軍陸戰隊不能再依賴過時的決策支持系統和信息管理方法來進行戰術決策。隨著友軍和敵軍利用技術獲取戰術利益，指揮官的信息負荷將繼續增加。人工智能決策支持系統可以解決這個問題。軍事指揮與控制發展計劃》（MCDP 6）指出了這一點的必要性："無論時代或技術如何發展，有效的指揮與控制都將歸結為人們利用信息做出明智的決定和行動....，衡量指揮與控制有效性的最終標準始終如一：它能否幫助我們比敵人更快、更有效地采取行動？

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。