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

在本研究中，研究者探討了美國及五個盟國與伙伴國家在城市訓練領域的差距、機遇與協同效應，并分析應如何優化合成訓練環境（STE）技術以提升美軍當前及未來的全域城市訓練能力。研究者采用定性多案例研究方法，通過分析美國、德國、法國、英國、以色列和新加坡的軍事條令、城市作戰訓練策略及基礎設施，確立這些國家的最佳實踐模式。城市作戰需要專業技能以應對高層建筑、地下網絡和高密度平民區等復雜地形。然而，美軍現有城市訓練設施在規模和技術復雜度方面均不足以真實還原此類環境。盟國與伙伴國家已建成先進城市訓練中心，運用虛擬現實（VR）和增強現實（AR）技術模擬城市復雜環境及多域作戰場景。研究采用萊夫和溫格（1991）的“情境學習理論”，強調構建真實沉浸式訓練環境的必要性。研究揭示了合成訓練環境（STE）突破物理限制、提升作戰真實度、融合增強現實（AR）、虛擬現實（VR）、人工智能與云計算等技術的潛在能力。通過對比各國訓練基礎設施，研究結果突顯了美軍訓練體系現代化的緊迫性。從盟國與伙伴國家獲得的經驗包括：創造聯合訓練與互操作性機會，以及利用先進綜合型STE技術。建議措施涵蓋：與盟國及伙伴國家建立訓練協同機制、升級本土訓練基礎設施、整合混合訓練技術。

本研究兼具學術價值與實踐意義。首先，其重要性在于通過多國案例與多元證據鏈，深入探索全域城市訓練、合成訓練應用及訓練基礎設施建設，以模擬真實城市環境的復雜性。在美國備戰潛在未來沖突背景下，理解各國城市作戰訓練方法具有戰略價值，可為應對同類問題提供協同解決方案。研究創新性審視“指揮官意圖”，揭示不同指揮層級領導者的優先事項，闡明合成訓練如何影響士兵在城市環境任務中的行為表現。此外，本研究具有重要實踐意義：系統總結他國城市作戰訓練與基礎設施經驗，包含技術整合關鍵考量。這些發現將有效推動美國城市訓練體系與基礎設施的全面升級。

本論文研究了搜索潛艇使用對數螺旋搜索模式重新定位近期丟失目標潛艇的能力。研究通過開發隨機時間步進仿真模型進行數據采集與定量分析，核心效能指標包括重獲接觸時間、重獲接觸時的距離以及總體探測概率。自變量涵蓋目標潛艇的假定航速、搜索潛艇的初始距離以及目標機動頻率。研究發現：該搜索模式在前兩小時內效能最優，此后定位目標的可能性顯著下降；目標機動頻率與探測概率呈正相關，搜索潛艇初始距離與探測概率呈負相關；若搜索潛艇基于目標可能航速的極端值（如最低或最高航速）規劃機動策略，其性能將顯著降低。本研究通過定量分析驗證了對數螺旋搜索模式的有效性，并為未來反潛戰術開發提供了框架支撐。

背景與戰略意義
 在大國競爭時代，美國及其近等對手正通過軍事、經濟、政治與外交手段爭奪全球影響力（Savoy與Staguhn，2022年）。就軍事手段而言，制海權的核心要素之一是潛艇。鑒于潛艇的多功能性與隱蔽性，全球各國持續投入大量資源發展潛艇技術。為應對對手的技術飛躍，美國持續研發技術與戰術以維持水下優勢。自二戰以來，潛艇已采用平行搜索、蛇行搜索、方形搜索、扇形搜索及屏障巡邏等多種模式定位敵方潛艇（Champagne等，2003年）。然而，理論上還存在基于嚴密數學推導的搜索模式，例如對數螺旋搜索模式（見圖1，搜索潛艇與目標潛艇的相對速度比為3:1）（Nahin，2007年，第85-90頁）。

理論假設與仿真模型
 該搜索模式在數學上被證明能夠確保目標定位，但其有效性依賴四項假設：1）搜索潛艇保持聲學優勢；2）目標潛艇無法探測搜索潛艇（Cares，2024年）；3）搜索潛艇對目標具有顯著速度優勢（Cares，2024年）；4）目標潛艇保持恒定的規避航向與航速（Cares，2024年）。本研究通過仿真模擬挑戰上述假設：構建包含藍方（搜索潛艇）與紅方（目標潛艇）的隨機時間步進仿真模型。紅方潛艇采用二維隨機游走模型，其航向在每次機動時從0至2π弧度的均勻分布中隨機抽取，航速從6至14節的均勻整數分布中隨機選擇。紅方機動間隔時間服從泊松過程，每次間隔為隨機指數變量。藍方潛艇在每次場景中起始于紅方初始位置的正南方，初始距離可變。藍方機動分為兩階段：第一階段朝紅方最后已知位置抵近至1海里內；第二階段啟動螺旋搜索。

探測概率建模與效能指標
 藍方潛艇在每個時間步的探測概率由分段函數定義，最大探測距離為4海里。若紅方潛艇航向與藍方航向夾角在±30度范圍內（正對或背對），探測概率將乘以0.1的衰減系數，以模擬此類方位下潛艇聲學輻射能量的衰減效應。本仿真的效能指標（MOE）包括重獲接觸時間、重獲接觸距離以及紅方潛艇的總體探測概率。這些指標對評估對數螺旋機動的效能與安全性至關重要：重獲接觸時間越短，目標完全丟失的可能性越低；重獲接觸距離影響潛艇安全性與反探測風險；總體探測概率直接反映戰術有效性。通過對初始分離距離、紅方假定航速及紅方機動頻率等變量的分析，研究得出以下結論：

1. 紅方假定航速與探測概率的關系：若假定航速接近紅方實際航速范圍的極端值（6節或14節），搜索效能顯著下降。最優假定航速需結合初始距離與機動頻率動態調整。
2. 初始距離與探測概率的負相關性：藍方初始距離每增加1海里，探測概率下降約8%。
3. 機動頻率與探測概率的正相關性：紅方機動頻率每提升1次/小時，探測概率上升約12%。

結論與未來方向
 本研究首次系統評估了對數螺旋搜索模式在動態對抗環境中的局限性，揭示了假定參數偏差對戰術效能的非線性影響。研究結果為開發基于自適應參數優化的新一代反潛戰術奠定了基礎。未來工作可拓展至多目標協同搜索、環境噪聲干擾建模及機器學習驅動的實時參數調整等領域，以進一步提升反潛作戰效能。

本研究提出分層多智能體強化學習框架，用于分析異構智能體參與的仿真空戰場景，旨在通過預設模擬識別促成任務成功的有效行動方案（CoA），從而低成本、低風險探索現實防務場景。在此背景下應用深度強化學習面臨特定挑戰，包括復雜飛行動力學、多智能體系統狀態與動作空間指數級擴展，以及實時單元控制與前瞻規劃融合能力。為解決這些問題，決策過程被分解為雙層抽象：底層策略控制單個單元，高層指揮官策略發布與總體任務目標匹配的宏觀指令。該分層結構通過利用智能體策略對稱性及控制與指揮任務分離，顯著優化訓練流程。底層策略通過漸進復雜度的課程學習訓練單兵作戰控制能力，高層指揮官則在預訓練控制策略基礎上學習任務目標分配。實證驗證證實了該框架的優越性。

本研究探索深度強化學習（RL）作為低成本、低風險空戰場景模擬分析方法的可行性。RL在各類環境中展現的行動方案發現能力構成研究動機，涵蓋棋類博弈[1]、街機游戲實時控制[2]以及現代兵棋推演[3]等融合控制與戰略決策的場景。空戰場景中應用RL存在多重挑戰：仿真場景結構特性（如單元復雜飛行動力學、聯合狀態動作空間規模）、規劃深度、隨機性與信息不完備性等。戰略博弈與防務場景的決策樹（即潛在行動方案集合）規模遠超常規搜索能力邊界。此外，現實作戰需同步協調單元機動與戰略布局及全局任務規劃，整合部隊層級實時控制與指揮官層級任務規劃的聯合訓練極具挑戰性，因二者對系統需求、算法架構及訓練配置存在本質差異。

為應對挑戰并復現現實防務行動，本研究構建分層多智能體強化學習（MARL）框架分析異構智能體空戰仿真場景。該方法將決策過程解耦為雙層結構：底層策略負責單元實時控制，高層策略依據全局任務目標生成宏觀指令。底層策略通過預設場景（如攻擊/規避）訓練，場景目標由指令標識符標記。為增強魯棒性與學習效率，采用漸進復雜度場景課程學習與聯盟自博弈機制。高層策略學習基于動態任務目標為下屬智能體分配合適標識符。戰略規劃權責上移至高層指揮官，底層執行單元自主完成控制任務。該架構通過底層策略對稱性利用與信息流定向傳輸，大幅簡化策略訓練過程，并實現控制與指揮的清晰分離，支持任務定制化訓練方案。

本研究核心貢獻包括：（1）開發輕量化環境平臺，快速模擬智能體核心動力學與交互行為。通過固定飛行高度將運動約束至2D空間，仍能精確捕捉智能體交互與機動特征。（2）采用課程學習虛構自博弈機制，通過漸進復雜度提升作戰效能。（3）設計集成注意力機制、循環單元與參數共享的神經網絡架構，聯合訓練底層控制策略與高層指揮官策略。（4）針對深度學習系統黑箱特性與科學評估風險，通過分層組件解析實現決策可解釋性。

第2節綜述前沿進展并闡明本研究對現有文獻的拓展；第3節介紹飛行器模擬器基礎特性與MARL原理；第4節闡述空戰對抗場景及訓練流程；第5節呈現實驗結果；第6節討論結論與未來研究方向。

本研究致力于提升人機協同導航能力，使機器人團隊與人類作為整體單元協同移動并完成任務。通常情況下，團隊協同導航受預定義標準操作程序（SOP）的強約束，該程序為成員行動路徑與任務執行提供高層級指導。本研究提出"受限集體運動（CCM）"概念，描述團隊成員如何在環境約束與應用約束平衡下，通過隊內與跨隊導航執行聯合任務。該研究推進機器人在城市搜救、火場人員搜索、軍事建筑物清剿等場景中與人類協同作業的能力。引入機器人可降低人員風險，同時提升團隊執行關鍵任務（如向受困者輸送救援裝備）的效能。現有研究多聚焦純模型驅動方法實現復雜協同導航，但需人工編碼規則，耗費大量領域知識且易導致非自然行為。

本論文創新性融合高層級模型驅動知識表征與低層級行為克隆技術，實現人機團隊協同導航的CCM。采用Unity游戲引擎開展仿真實驗驗證，結果表明：所設計方法可學習高層級行為要素（準確率達88%），并掌握低層級機器人控制行為（準確率達89%）。據現有文獻，此為首個將經典AI方法與前沿機器學習相結合的人機協同導航研究范式。該成果不僅提升協同導航效能，更為聯合制造、社會輔助機器人等協作型人機應用提供技術啟示。

本研究探討超視距（BVR）環境下的2v2空戰機動問題（ACMP）。通過構建離散時間、無限視野的馬爾可夫決策過程（MDP）模型對BVR-ACMP進行建模，旨在為雙機協同的自主飛行器確定執行戰術機動與火力決策的高質量策略。高級仿真、集成與建模框架（AFSIM）被用于表征復雜的六自由度（6-DOF）飛行器動態，涵蓋運動學、傳感器與武器系統特性。鑒于狀態與決策變量的高維度和連續性特征，研究采用深度強化學習（RL）解決方法，通過神經網絡（NN）實現價值函數近似。研究內容包括設計中立初始狀態場景用于訓練，并評估對抗行為與導彈特性對決策策略的影響。通過三階段超參數調優實驗獲取高質量策略，并開展多案例研究驗證深度RL方法在空戰行為建模中的有效性，論證了該方法為基于AFSIM的空戰仿真研究生成飛行器行為模型的可行性。

人工智能（AI）方法論的持續發展，包括強化學習（RL）的進步，對全球軍事力量而言既是復雜化的挑戰，也是戰略機遇。2022年美國《國家國防戰略》明確指出AI技術進步帶來的復雜性，強調美國對手可能引入復雜的升級動態，并對美國戰略穩定性構成新型挑戰。尤其是受這些技術飛躍推動的自主系統廣泛擴散，使軍事力量面臨來自非國家行為體與政府實體通過技術削弱其優勢的潛在脆弱性。針對這些已識別的威脅，美國空軍（USAF）認識到AI在增強自身能力、決策流程與作戰效能方面的潛力。隨著聯合部隊作戰日益依賴數據驅動技術，美國國防部（DoD）計劃實施機構改革，通過提供競爭性激勵與更靈活的任務分配來強化AI研發。此外，推動強化學習領域的國內進展可為美國空軍的一項核心任務——獲取對對手的空中優勢——提供支持力量。自主載具系統領域，尤其是空中領域的自主系統，對美國空軍具有重大戰略意義。隨著該研究領域的技術突破，美國軍方必須正視AI對實現空中優勢的潛在威脅與利益。

美國空軍正與國防高級研究計劃局（DARPA）合作推進自主無人戰斗飛行器（AUCAVs）領域的技術發展。DARPA“空戰演進”（ACE）項目下開發的AI算法已成功完成概念驗證，展示了AI指揮全尺寸戰斗機并在模擬視距內（WVR）環境中超越經驗豐富的F-16戰斗機飛行員的能力。然而，在視距內學習算法取得進展的同時，雷達制導導彈的進步使得從超視距（BVR）發起攻擊成為可能，為空戰策略帶來了新挑戰。

超視距（BVR）空戰的起源可追溯至第二次世界大戰后，其標志性事件是1946年美國海軍研發的AIM-7“麻雀”導彈的問世。在冷戰的緊張態勢中，蘇聯轟炸機或戰斗機可能配備新興BVR導彈技術被視為對美國國家安全利益的重大威脅。盡管這一威脅從未真正實現，但隨著冷戰接近尾聲，戰斗機領域先進機動性與導彈技術的融合顯著推動了BVR空戰活動的發展。與受光照條件、目標尺寸、視覺敏銳度及目標方位等因素高度影響的視距內空對空（A2A）作戰不同，現代BVR空戰的機制主要圍繞遠程制導導彈的使用展開。在實際作戰場景中，配備先進雷達系統的技術優勢戰斗機通過此類高精度遠程導彈實現對敵機的壓制。BVR空戰的性質帶來了獨特挑戰：由于缺乏成熟的戰斗機戰術與敵我識別（IFF）技術，飛行員常面臨有效運用此類武器的局限性。為解決這些難題，基于強化學習（RL）的人工智能方法有望突破這些限制，提升美國空軍（USAF）及其作戰人員在BVR場景下的能力。

自主載具訓練的傳統策略通常采用基于規則的邏輯，即自主智能體根據預定義標準做出決策。然而，該方法已被證明易受挫敗，且無法為此復雜問題提供新穎的智能解決方案。針對基于規則邏輯的局限性，強化學習（RL）提供了一種解決途徑，其核心在于考慮目標導向型智能體在不確定環境中的整體交互問題。RL具備運用先進搜索技術的能力，例如AlphaZero算法在象棋等復雜游戲中實現超越人類水平的性能即為明證。空對空作戰固有的復雜性與不確定性要求開發獨特且具有挑戰性的戰略方法。

強化學習已展現出為這一多維度問題設計制勝策略的能力，泰勒（Taylor）、波普（Pope）等人、麥格魯（McGrew）等人、樸（Piao）等人以及克倫帕克（Crumpacker）等人早期的研究均對此進行了驗證。麥格魯等人開創性地采用基于模型的方法解決空戰機動問題（ACMP），為后續ACMP的無模型研究奠定了基礎。在麥格魯等人工作的基礎上，樸等人提出了一種端到端的基于RL的競爭性空戰智能體訓練方法。泰勒則致力于以獨特方法填補超視距空戰機動問題（BVR-ACMP）研究領域的空白，其利用Q-Learning對1v1 BVR作戰場景中的自主無人戰斗飛行器（AUCAV）進行建模，以優化其作戰機動與武器運用能力。

本研究主要擴展泰勒（Taylor）的研究成果，旨在設計與評估一種基于強化學習（RL）的方法，以解決雙機對抗（2v2）超視距空戰機動問題（BVR-ACMP），并通過概念驗證填補文獻空白——該驗證不僅評估潛在新型武器能力，還探索兩架自主無人戰斗飛行器（AUCAV）因交互與通信產生的涌現行為。本研究通過多種通信方案及其實施路徑的探究，確定雙AUCAV在空戰中高效協同與通信的最優模式。

本研究將2v2 BVR-ACMP概念化為馬爾可夫決策過程（MDP）。求解MDP需要在既定策略集中識別出能夠優化該MDP對應準則的最優策略。泰勒的研究聚焦于1v1場景，其模型負責控制一架飛行器相對于被稱為敵機的對抗目標進行定位。本研究中引入的2v2場景顯著增加了環境模型的復雜性。為模擬真實戰場條件，研究在概念驗證中引入第二架敵機實施監視，要求每個智能體在機動過程中追蹤三架飛行器。除了每個智能體需追蹤敵我雙方戰斗機的復雜性外，友方戰斗機之間還需一定程度的協同合作，以在空戰中實現最優結果。這種合作體現為友方戰斗機在機動與導彈部署方面的戰略協調，從而有效壓制敵方編隊。

為應對2v2 BVR-ACMP帶來的更高復雜度，本研究采用深度Q學習（DQN）算法的能力。DQN作為Q學習算法的進階版本，通過神經網絡優化長期累積獎勵。研究中使用的RL方法依托政府所有的C++仿真框架——高級仿真、集成與建模框架（AFSIM）構建空戰環境。AFSIM專為開發與實施交戰級、任務級分析仿真及虛擬實驗設計，具備空戰戰術建模、武器運動學模擬與傳感器系統仿真的能力。作為研究的基礎平臺，AFSIM支持RL解決方案的實現，并協助生成效能指標（MOE）。這些指標（如任務成功率（友方成功交戰次數）與交戰時長）為評估RL算法性能提供了量化依據。

本研究的剩余章節分為四部分，分別聚焦2v2 BVR-ACMP的不同維度。第二章系統綜述現有BVR-ACMP相關文獻，深入解析1v1 BVR-ACMP并探討其他潛在解決方案。第三章闡述本研究針對2v2 BVR-ACMP的RL方法，詳細解釋構建的模型框架。第四章展示模型運行結果及基于AFSIM環境生成的效能指標。第五章總結研究成果，提出未來研究方向，并給出2v2 BVR-ACMP研究的最終結論。

軍事戰略投資和作戰行動必然是相互交織的，但要在分析上將這兩個層面結合起來卻頗具挑戰性。在本論文中，通過隨機博弈和兵力設計模型提供了一個統一這兩個層面的框架。從作戰層面入手，利用軍事博弈的結構來構建大規模問題的可操作性表征。然后，在戰略層面，利用這一表征來評估戰略投資決策。

在第 1 章中，闡述了整合戰略部隊設計和作戰計劃所面臨的挑戰，從而奠定了基礎。通過展示軍事力量設計的重要性以及將戰略層面與作戰層面統一起來的必要性來激發問題。還介紹了在軍事決策領域的貢獻。

在第 2 章中，考慮了軍事領導層準備并在必要時打擊武裝沖突的作戰層面。開發了戰役隨機博弈（CSG），這是一種雙人、貼現、零和隨機博弈模型，用于軍事戰役中的動態作戰計劃。在每個階段，博弈者都要管理多個指揮官，由他們下令對可通過現有補給線到達的目標采取軍事行動。當為控制一個目標而發生戰斗時，其隨機結果取決于其他目標的控制所提供的行動和有利支持。每個玩家的目標都是最大限度地增加他們所控制目標的累計數量，并根據其關鍵性進行加權。為了解決這一大規模隨機博弈，利用后勤和軍事行動指揮與控制結構，推導出其馬爾可夫完美均衡的屬性。證明了最優值函數相對于部分有序狀態空間的等調性，這反過來又導致了狀態和行動空間的顯著縮小。還通過消除受支配的行動和研究每次迭代求解的矩陣博弈的純均衡來加速沙普利值迭代和范德瓦爾算法。在一個案例研究中展示了均衡結果的計算價值，該案例描述了一場具有地緣政治影響的作戰級軍事戰役。分析揭示了均衡狀態下博弈參數和動態之間復雜的相互作用，為戰役分析師、作戰計劃人員和領導層提供了新的軍事見解。

在第 3 章中，考慮了戰略層面的軍事力量設計問題，即戰略領導層必須分配軍事資源（資產、活動和技術）以配備、訓練和裝備未來的軍事力量。設想了未來的全球格局，由以不同概率發生的 CSG 組成，并在投資實施后實現。為了解決具有挑戰性的軍事力量設計問題，直接在可能使用這些設計的作戰環境中對軍事力量設計進行評估。為了衡量投資的有效性，通過 CSG 值來評估部隊設計。展示了 CSG 值相對于部分有序部隊設計空間的等調性，證明只需搜索非支配組合空間。通過加速范德瓦爾算法從 CSG 生成訓練數據。然后，擬合一個回歸模型，得出一組候選軍事投資組合。為了有效搜索這些候選投資組合，引入了一種篩選算法，該算法固定了對手策略，并利用了馬爾可夫決策過程相對于隨機博弈的效率。開發了一個戰略案例研究，考慮在不確定的全球環境下，以有限的預算投資于一系列資源。分析揭示了各種軍事戰役中部隊設計的非線性表現，為領導層提供了啟示。本章為軍事部隊設計者提供了一種新穎的技術，用于快速評估作戰背景下的戰略決策。最后，總結了本論文的貢獻，并提出了未來工作的方向。

總之，本文各章代表了一種整合軍事戰略和作戰決策的原創方法。戰略領導層可以直接依靠投資的作戰效果做出理想決策。作戰領導層可以發現，當新資源引入其責任區時，他們的作戰計劃會受到怎樣的影響。統一框架為加強這兩個層面的軍事整合提供了可能。

本論文以應用研究為基礎，研究了美國海軍當前的創新生態系統，旨在找出挑戰、障礙和可行的解決方案。評估涉及一項定性研究和一項定量研究，受訪者來自海軍各組織。定性訪談（研究 1）的結果用于揭示模式、概念和理論見解，為定量調查（研究 2）的設計提供依據。研究揭示了流程上的重大差距，包括組織間的溝通障礙和知識管理上的嚴重不足。此外，研究還強調了從業人員決策的不完善，對生態系統產生了負面影響。為了規劃前進的戰略路徑，我們整合了管理學、創新管理學和行為經濟學的相關理論。主要重點是促進生態系統內從業人員之間的緊密聯系，同時提高決策過程的整體質量。

圖：美海軍研究辦公室決策過程

本研究探討了政府和國防機構的情報搜索人員所面臨的數據超載問題。研究利用認知系統工程（CSE）文獻中的方法，對情報搜索工作領域進行深入分析。這些見解被應用于設計和評估專門用于情報搜索任務的人類-人工智能智能體團隊的支持概念和要求。領域分析揭示了 “價值結構 ”的動態性質，“價值結構 ”是一個術語，用于描述管理情報搜索過程的不斷變化的標準集。此外，領域洞察力還提供了搜索聚合和概念空間的詳細信息，可將價值結構有效地應用于情報搜索。利用這些發現的支持系統設計可以使情報搜索者在更抽象的層次上與數據互動并理解數據，從而提高任務效率。此外，新的系統設計還可以通過相關的系統提示，促進對大型數據域中未被選擇對象的 “環境感知”，從而為搜索者提供支持。通過支持概念和人工智能團隊實現的 “環境感知 ”有可能解決數據超載問題，同時提高搜索覆蓋范圍的廣度和深度。

圖 4. FAN 領域模型。為了強調整個 FAN 的抽象功能結構和目標互動，圖中模糊了流程塊的細節。詳細的智能搜索功能模型見補充材料圖 S1。

政府和國防機構的情報搜索人員面臨著越來越多的數據和文件，他們需要從中查找或 “發現 ”信息，以獲得支持明智決策的見解。這種情況被稱為數據超載問題，即個人在系統或其他代理的幫助下，難以選擇、組合或綜合所需的數據子集，以完成需要在更大的數據領域進行態勢評估的任務[1]。在這種情況下，情報搜索人員與同事一起利用搜索工具，協同努力從幾乎無限的可用于任務的文件中查找、收集和評估文件，以完成為情報目標提供信息的任務。具體地說，數據超載妨礙了搜索人員識別數據子集的能力，而這些數據子集能提供足夠的細節來滿足情報目標，這對行動任務的完成至關重要。

用于一般情報搜索任務的系統可能會導致數據超載癥狀。具體來說，情報搜索工具會表現出與 “鎖孔脆性”[2] 概念有關的缺陷。這里所說的 “鎖孔 ”是指縮小呈現數據的范圍，將剩余數據分配到更多的隱藏屏幕上。這種呈現方式要求研究人員手動瀏覽和綜合來自多個數據屏幕的信息，以了解搜索的效用。同時，這些現有工具的脆性與它們支持從情報搜索工作領域的數據中提取意義的潛力有關。因此，“脆性 ”產生于搜索工具對信息的狹隘表述。對于需要從大量數據中提取意義的復雜任務來說，這種局限性導致了效率的下降，而這些數據又超出了給定系統的表述范圍。此外，由于情報搜索工作和信息領域的結構復雜，無法充分捕捉和傳達，妨礙了對支持行動所需的信息的理解和管理。這就導致效率低下，搜索人員往往會錯過有價值的見解和與目標相關的數據，同時還要花費更多的時間瀏覽各個屏幕來完成任務。

情報工作領域的搜索所面臨的這些廣泛挑戰構成了本研究要探究的問題，圖 1 的頂部對此進行了總結。圖 1 中還列出了應對這些挑戰常用的術語和縮略語，作為本研究的路線圖。

本案例研究考察了美國陸軍將知識管理（KM）作為其指揮與控制系統內的整合流程的實施情況。探討的研究問題是美國陸軍嘗試使用知識管理成熟度模型（KM3）和知識管理評估工具（KMAT）來衡量知識轉移的情況。目的是確定知識管理的成熟度以及影響決策的知識障礙。概念方法采用了 Nonaka 和 Takeuchi 的知識型企業流程理論，并結合 Argote 和 Hora 的知識轉移框架，將其應用于 Moore 的公共價值概念。核心研究問題探討了美國陸軍總部的知識管理成熟度，以及其參謀人員如何描述知識轉移障礙。本研究采用定性單一案例研究設計，內含八個分析單元。對來自知識管理3 的檔案數據進行分析后發現，分析單元的平均知識管理成熟度水平表明，有些流程是可重復的，但不太可能是嚴格的。對 KMAT 檔案數據的專題分析揭示了四個主要的知識轉移障礙：內容管理、人員流動、門戶網站的使用以及將知識管理固定在機構治理中。軍方可以利用這些發現來指導其在職業結構、人事管理、訓練、知識管理政策和內容管理技術方法方面進行積極的社會變革。如果這些變革得以實施，還可以加強陸軍高層領導的未來決策，從而實現公共資源的有效投入。

知識創造模型

本案例研究探討了知識管理（KM）作為整合流程在美國陸軍總部各部門的實施情況。美國陸軍知識管理推進辦公室（AKM-PO）負責確保知識管理在整個部隊以及條令、組織結構、訓練、物資、領導發展、人事、設施和政策（DOTMLPF-P）等陸軍部隊現代化領域內得到發展。

陸軍將知識管理定義為 "促進知識流動以加強共同理解、學習和決策的過程"（陸軍部總部，2015b，第 1-1 頁）。陸軍的《指揮與控制手冊》（陸軍部總部，2019a）進一步將知識管理描述為一個整合過程，以幫助在眾多職能部門和組織之間同步復雜的數據、信息和知識流（第 3-26 頁）。知識管理于 2008 年首次被引入陸軍參謀人員條令，隨后于 2012 年和 2015 年進行了更新。目前正在進行第三次修訂，修訂日期為 2023 年。在條令上，知識管理被用作美國陸軍參謀部整合的多學科方法（陸軍經驗教訓中心，2017 年；陸軍部總部，2019a）。知識管理作為整合過程的實施和衡量其有效性的努力是本研究的主題。

陸軍的知識管理條令方法在概念上類似于 Nonaka 和 Takeuchi（1995 年）對組織知識創造的開創性研究。Nonaka 和 Toyama（2008 年）對這一研究進行了擴展，將組織與環境的互動作為知識創造的一個基本要素。此外，日本政府通過日本國際協力事業團將知識創造理論作為亞洲社區發展解決方案的推薦方法（Nonaka et al.） 由于陸軍是一個龐大的政府國防企業，下屬總部單位眾多，這些總部單位在全球各地不斷變化的環境中遇到復雜問題時，必須處理大量數據和信息，以便進行創新和決策。這就要求陸軍企業創造新知識，以保持在國際安全環境中的競爭力。Nonaka 的知識轉移和創造概念為解決這些問題提供了一種模式（Nonaka 等人，2008 年）。

最近的研究表明，采用知識管理實踐的組織與生產率提高之間存在相關性（Mendoza 等人，2017 年）。然而，目前還沒有關于陸軍采用知識管理作為條令整合參謀流程的實施情況和效果的研究，使用的是知識管理成熟度模型和知識管理評估工具。通過本案例研究，我試圖通過探索和分析美國陸軍采用知識管理作為整合過程來填補這一空白。本研究的結果可能會影響積極的社會變革，為陸軍未來的組織設計提供參考，從而加快數據、信息和知識的整合，增強決策能力。在本章中，我將討論研究的背景、問題陳述和目的。此外，我還將回顧理論框架和研究問題、數據來源和局限性。

美國空軍部對人工智能（AI）徹底改變作戰各個方面的潛力越來越感興趣。在這個項目中，美國空軍要求蘭德公司的 "空軍項目"（Project AIR FORCE）廣泛考慮人工智能無法做到的事情，以了解人工智能在作戰應用中的局限性。本報告討論了人工智能系統在執行兩種常見網絡安全任務（檢測網絡入侵和識別惡意軟件）中的應用，以及分布轉移對這些任務的影響，這種現象會極大地限制人工智能的有效性。當人工智能系統在部署后遇到的數據與經過訓練和測試的數據有明顯差異時，就會發生分布偏移。

本報告闡述了分布偏移的重要性，它如何并確實顯著限制了人工智能在檢測網絡入侵和識別惡意軟件方面的有效性，如何測試和量化其影響，以及如何減輕這些影響。這項工作主要針對大型組織，如總部設施，它們有足夠的帶寬和計算能力來實施人工智能網絡安全系統并定期更新系統。

本報告是五卷系列報告中的第二卷，論述了如何利用人工智能在網絡安全、預測性維護、兵棋推演和任務規劃四個不同領域為作戰人員提供幫助。本卷面向技術讀者；整個系列面向對作戰和人工智能應用感興趣的讀者。

研究問題

• 網絡安全數據集是否受到分布漂移的影響？
• 如何在網絡安全數據集中檢測和描述分布漂移？
• 用于檢測分布漂移的數據集的質量和周期有多重要，這些因素如何影響人工智能的性能？

主要發現

• 網絡安全數據集存在分布偏移問題，尤其是在標準網絡入侵檢測和惡意軟件分類方面。
• 分布偏移有多種表現形式，檢測的難易程度取決于數據集。
• 雖然數據質量對訓練機器學習算法很重要，但數據的新舊程度也很重要。
• 在某些情況下，數據必須是近期的才有用，這就限制了可用于訓練的數據，反過來又限制了人工智能的性能。

建議

• 任何基于人工智能的網絡安全系統都應進行數據集分割測試，以評估隨時間推移的分布變化對性能的可能影響。這些測試可用于估算數據衰減率，而數據衰減率又可用于估算人工智能系統在必須完全重新訓練之前可能的保質期。
• 此外，我們還建議對數據集進行著名的統計檢驗，如 Kolmogorov-Smirnov 檢驗，作為檢測或確認分布偏移的額外措施。