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

本論文對增強現實技術（AR）在軍事訓練中的潛在應用進行了調查。這項研究是在延雪平大學工程學院計算機科學與信息學系進行的。研究旨在開發一種人工智能，解決識別士兵的技術問題，并從該領域的資深人士那里收集有關 AR 在軍事訓練中的深入見解。

研究發現，雖然增強現實技術在加強軍事訓練方面大有可為，但其實施需要慎重考慮。它應該對用戶友好、不顯眼，并且能夠創建逼真的訓練場景。調查參與者的反應不一，這表明，雖然 AR 可能是比目前使用的傳統設備更好的解決方案，但也存在保留意見和需要應對的潛在挑戰。

這項研究對該行業具有重大意義，有可能啟動從傳統筆記本電腦向 Meta Quest Pro 頭戴式耳機等更高效設備的過渡。目前有關 Meta Quest Pro 在軍事訓練中的應用的研究還很有限，本研究旨在為其他人繼續研究計算機科學的這一領域奠定基礎。

還可以開展進一步的研究，以測試和評估 AR 頭顯在真實軍事訓練環境（如射擊場）中的擬議應用。這需要進行實地研究，讓軍官在實戰演習中使用 AR 頭戴式耳機，并對結果進行比較。

軍事分析人員可利用公開數據庫深入了解相關國際事件的發展。然而，這些數據庫依賴于以英語為基礎、經過整理的資料來源。這可能會導致偏差，不利于分析質量，尤其是在關注英語不是主要語言的地區和行動者時更是如此。

本研究旨在利用全球事件、語言和語調數據庫（GDELT）數據集來預測影響烏克蘭戰爭的重要因素，并將使用提取的數據和機器學習技術來開發預測模型。該項目旨在實現兩個目標。首先，提供一種從大數據集合中自動提取和預處理相關事件數據的方法。其次，將不同的機器學習模型應用于提取的數據，以預測重要因素，從而識別持續沖突中的事件趨勢。

所展示的數據采購可自由擴展到不同地區、行為體或其組合。在應用程序接口（API）中配置所需的參數后，相關的 GDELT 事件將自動提取。

由于本論文的重點在于預測，因此建模技術的應用側重于時間序列和遞歸神經網絡（RNN）模型。在測試過的時間序列預測模型中，自回歸綜合移動平均（ARIMA）模型與其他候選模型和天真模型相比，顯示出良好的預測性能。應用時間序列模型預測一至三個月的中期趨勢取得了最佳結果。

為了補充時間序列模型并利用 GDELT 的短期更新間隔，我們建立了不同類型的 RNN，并測試了它們在事件數量短期預測方面的性能。簡單 RNN 與長短期記憶 (LSTM) RNN 進行了比較，結果發現，簡單 RNN 的性能不如 LSTM RNN 模型。由此得出的結論是，數據中確實存在影響模型預測能力的長期和短期效應。

除了最初的跨語言 GDELT 數據庫，RNN 模型還運行了僅基于英語來源的 GDELT 數據提取，以及來自武裝沖突地點和事件數據項目（ACLED）數據庫的數據提取。

總體而言，在幾乎所有測試的模型中，使用基于英語來源的數據集都能獲得更好的均方根誤差值。不過，這并不一定意味著模型在捕捉現實生活中的變化方面表現更好。一項補充性探索數據分析（EDA）得出結論，在以英語為基礎的報告中，一系列事件的代表性不足。這一點在烏克蘭戰爭前奏期間尤為明顯，因為西方公眾對該地區的興趣和英語報道的一致性有時會降溫。事件報道不足導致數據的可變性較低，一致性較高，從而提高了基于英語模式的績效指標。

關于 RNN 模型在 ACLED 數據庫中的性能，除了 "爆炸/遠程暴力 "和 "戰斗 "這兩種事件類型外，本研究選擇的模型無法應用于 ACLED 數據提取。造成兼容性低的原因是報告事件的數量較少，以及報告中的空白與所選模型的相關性不高。

不同數據源之間的性能比較表明，要持續產生可靠的結果，挑選合適的預測因子和對結果進行初步分析并不容易實現自動化。強烈建議每次從 GDELT 首次提取新型數據子集時都進行一次 EDA。

圖 3.1. GDELT 事件數據庫中一個數據元素的示意圖。矩形代表中心數據元素，即事件。圓圈代表屬性，屬性 "GlobalEventID "用作唯一標識符。提及和音調 "屬性是灰色的，因為它不屬于本工作的范圍。

1 引言

未來的戰場將是動態的、混亂的、不可預測的和不確定的。在這種多戰區、多領域、相互關聯的戰場上，指揮官和參謀人員將從大量數據中篩選信息、做出決策和反饋。在克勞塞維茨戰爭迷霧籠罩下的時間有限的作戰環境中，領導者有效而公正的決策，以及由人類和機器/系統組成的團隊協調一致的行動，將是取得簡潔勝利的助推器。決策的速度和復雜程度預計將超越人類的認知水平。最新技術和新興技術提供的能力將為各個領域的決策者和部隊提供幫助，同時國家和非國家行為者也將在這些領域同時展開爭奪戰。著名的 OODA 循環在 "觀察"、"定位"、"決策 "和 "行動 "的每個階段都將有技術輔助投入。大數據和推理分析的更快處理能力以及算法驅動的機器對輸入的無縫整合將簡化與大數據的五個Vs（即數量、速度、真實性、價值和多樣性）相關的復雜性。

人工智能（Artificial Intelligence 或 AI）是計算機科學的一個分支，它匯集了多個學科，旨在創造智能機器--能夠執行復雜任務的設備和系統，如人類智能所執行的任務，但其方式等同于或超越人類的能力。從根本上說，其目的是制造能夠在各種意義上復制人類行為和智能的智能機器。正如我們所知，在人工智能的三種類型（人工狹義智能、人工通用智能和人工超級智能）中，目前的能力是 "人工狹義智能 "或 "弱人工智能"，即機器或系統（如 Alexa 或 Siri）可以重復執行一系列預先確定和定義的活動。在日常生活中，我們與大數據、機器學習等與人工智能相關的集合或子集合中的一個進行交互，盡管所有集合或子集合都被松散地稱為人工智能。即使關于人工智能獲得過多自由的倫理爭論仍在繼續，人工智能的奇點預計將在二十年后出現，但諸如 ChatGPT、蜂群無人機、鋼鐵俠、無人駕駛自動汽車等話題仍在人工智能文盲的閱讀清單上。

美國、中國和俄羅斯等國已經在人工智能的各個領域，包括軍事能力領域取得了飛速發展。與 1997 年 "深藍 "擊敗卡斯帕羅夫或 2016 年 Deepmind 的 AlphaGo 擊敗李世石相比，2020 年 8 月王牌 F16 飛行員與人工智能系統 "獵鷹"（美國國防部高級研究計劃局（DARPA）的空戰進化（ACE）計劃）的模擬空戰等試驗或事件受到了更多關注。印度已經采取了一系列措施來開發和利用人工智能的能力，其中包括建立一個國家級的機構，并在各研究所建立卓越中心。2018 年，NITI Aayog 發布了《國家人工智能戰略 #AIForAll》，隨后在 2020 年建立了國家人工智能門戶網站，此外還有其他各種舉措。國防人工智能委員會和國防人工智能項目機構已經成立，目前正在努力確定和開發各個領域的項目。印度國防與發展研究組織（DRDO）的十個卓越中心和兩個專門實驗室致力于確定和開發關鍵技術與應用，而印度陸軍則在莫霍（Mhow）的MCTE建立了人工智能卓越中心，并在各培訓機構增設了以人工智能為導向的課程。除了各種研討會，印度陸軍最近還宣布了采購噴氣背包、機器人騾子、無人機系統和干擾器等武器的計劃，以期提高其在戰斗中的優勢。

在武裝部隊中，人工智能和相關能力可用于成倍提高訓練、監視、情報整理、后勤（包括供應鏈管理）、網絡安全、武器彈藥等領域的性能。Manekshaw 關于 "將人工智能用于軍事 "的論文提到了人工智能可以重點關注的態勢感知、殺傷力、人力資源（HR）、培訓、生存能力、網絡、信息和電子戰（EW）以及機動性等領域。可以推測，納入人工智能系統和子系統（包括無人駕駛系統、遠程系統和機器人）的目的是：

• 加強信息優勢（例如：提供對手位置的航拍照片；整合來自結構化和非結構化數據的輸入）。

• 減少認知負荷（例如：在交火中識別新目標并提出目標選擇建議）。

• 承擔物理負荷（例如：攜帶沉重的作戰裝備或以外骨骼的形式協助人類）。

• 處理危險任務（例如：在危險區域運送物資或進行醫療后送）。

隨著武裝部隊融入和利用人工智能的方方面面，一個明顯的表現將是在戰斗或作戰效能領域。戰斗力被定義為一支軍事部隊基于行為、行動和領導力等方面的考慮參與戰斗的準備狀態，是部隊（人數）、裝備可用性、士氣、領導力、訓練標準等有形和無形因素的綜合。換言之，它是一支軍隊成功完成其使命或任務的能力。

然而，目前的想法對兩個重要且相互關聯的方面卻只字未提，而這兩個方面可能會影響戰斗力，同時還包含人工智能的各個方面，即 "信任 "和 "偏見"。即使技術不斷進步，智能水平從 "輔助 "到 "增強 "再到 "自主"，不變的是 "人的因素 "或 "回路中的人"。組織文化、年齡、性別等因素將影響新技術進步在不同組織中被人類接受的方式。人、流程和技術這三大支柱必須與積極的反饋機制無縫結合，以確保任何形式的偏見，無論是被動的還是主動的，都不會表現出來，從而影響信任度和效率。

2 信任

人機協作是一種關系，至少由三個同等重要的要素組成：人、機器以及它們之間的互動和相互依存關系。建立透明、可解釋、可靠并具有其他特征和能力的可信人工智能，是創建高效人機團隊的重要組成部分。人機交互的復雜動態是未來的趨勢，這將要求增強對機器的信任，就像同一團隊中兩名士兵之間的信任一樣。在任何戰斗單位或分隊或可稱為團隊的單位中，每個隊員在一起接受過訓練，都知道對方的長處和短處。團隊成員之間的友情和團隊精神，最終使團隊成為一個具有戰斗力的凝聚單位。團隊成員之間的 "信任 "遠比其他任何因素都重要，這是在敵方火力下行動時必須具備的條件，因為在這種情況下，一個人的生命取決于另一個人的火力掩護或支援。

隨著復雜程度和互動的增加，對人際（人-機和人-系統）信任的需求也會增加，而在人與人的關系中，這種信任取決于相關各方的品格和能力，以及他們對這一點的相互認識。盡管在開發系統時，"信任 "是一個難以考慮的因素，但我們可以做的是提高系統的透明度、可靠性和可解釋性，從而在人機協作中建立信任。在這樣一個有凝聚力的團隊中引入一臺機器，一個不露面、沒有感情的成員，會影響信任因素。人類的傳統習慣是擬人化，即把人類的情感賦予其他生物，這在飼養寵物的家庭中很常見。如果一臺機器能表現出類似人類的特征、習慣和情感，那么它就更有可能贏得團隊的信任。

一項關于人機協作的研究指出，協調、溝通和適應是成功團隊成員的三大關鍵能力。雙向溝通是一個重要方面，因此，可解釋的人工智能或 xAI 正在解決使用深度神經網絡的復雜系統透明度降低的問題。有效的溝通還能建立信任。協調則更多地涉及對團隊成員知識、技能和行為的認可，以實現共同目標。目前，這一能力的一個主要弱點是隱式協調，即團隊成員可以根據他人的行為模式預測他人可能會做什么，這超出了具有明確框架和規則的機器的范圍。也許 "心智理論人工智能 "也能滿足這一要求。在適應方面，人機團隊的每個成員都必須根據已知的知識、隊友的行為以及預期的模式進行適應。這是另一個方面，它將要求目前的第一代（基于知識）和第二代（統計）人工智能系統向第三代（因果和上下文）模型轉變。大規模數據集的可用性以及具有共享態勢感知和經驗的關聯系統將幫助系統更快地適應環境。

另一項關于人機交互中影響信任的因素的研究在人類、機器人和環境三個方面確定了 33 個因素（見表 1）。研究顯示，在所有因素中，機器人的表現對建立信任的貢獻最大，而環境也發揮了相當大的作用。正如信任是如何在純人類團隊中形成的一樣，相信人工智能輔助機器人或系統將提供無偏見的高質量產出或性能，也將在人機團隊中建立信任。

表 1 影響人機交互信任的因素

3 偏差

人類決策和判斷中的認知偏差是有據可查的。丹尼爾-卡尼曼（Daniel Kahneman）在《思考的快與慢》（Thinking Fast and Slow）一書中提到了大腦的第一和第二系統類型，其中快速直觀的第一系統試圖劫持緩慢分析的第二系統大腦，從而導致更多的思維捷徑或啟發式方法，進而產生偏差。雖然有消除和減輕偏差（去偏差）的方法和手段，但意識到偏差并不總能導致從決策循環中消除偏差。更具破壞性的是，在不確定和有風險的條件下，大腦在有限的時間窗口內采用其中一種捷徑（啟發式方法）時，通常會出現對隱含偏見缺乏了解的情況。

除了在組織的各個層面制定政策和程序以系統地消除偏見并建立反饋機制外，還需要采用 "循證決策"。這就需要數據云等通用數據共享平臺，以及能夠解讀輸入信息并分析結構化和非結構化數據的標準算法，以便在決策過程的各個階段為領導者或決策者提供真知灼見。在 OODA 循環的 "觀察 "階段，可以通過讓機器綜合大量和各種輸入來提供經過整理的情報畫面，從而減少人為偏見。在 "定向 "階段，當決策者正在經歷決策循環中的 "感知 "范式時，一套經過整理和綜合的分析輸入將有助于在更短的時間內確定框架和方向。在 "決策 "階段，基于機器學習的決策支持系統可以對領導者的經驗和直覺進行適當的補充，從而以更快的速度做出更好的決策，這對于即使在認知和物理領域也沒有明確界限的未來多領域戰場來說至關重要。

另一方面，增加對人工智能系統的依賴可能會進一步擴大算法中的內在偏差或訓練數據集中的存在偏差。盡管有制衡措施來系統地審查算法是否存在偏差，并防止由于在不完整的數據集上進行訓練而產生隱性偏差，但仍不能排除在設計階段納入人類認知偏差的可能性和可能性。表 2 列出了德勤公司關于偏見和信任的研究中發現的數據模型偏見，盡管并不全面。

表2 數據模型偏差

雖然有些人認為，與有偏差的人類決策者相比，在更大的歷史數據集上訓練出來的有偏差的算法仍會提出更平衡的 "行動方案"，但 "去偏差（消除/減輕偏差）"方面值得比現在更多的關注。可以說，人類和機器都需要采取 "互利的去偏差策略 "來提高決策質量，以探索和了解那些不道德、不健全和不合法的偏差。

4 建議

人工智能及其相關工具和能力可在不同層次和階段引入，以提高和衡量技能和標準，同時可根據不斷變化的戰場和作戰范圍的需求進行進一步修改。虛擬現實和增強現實技術與觸覺技術相結合，可使身心沉浸其中，為訓練增添真實感和活力，而模擬和戰爭游戲模型則可降低成本、提高適應性和改進相互操作性。虛擬現實（VR）可用于教育、醫療和作戰訓練領域。在 COVID-19 大流行期間，在線教學平臺大規模增加，許多教育機構利用現有技術使學習更加身臨其境。復雜的概念可以用三維在線模型來解釋，而士兵必須接受的多層次教育和技能發展可以通過 VR 系統逐步實現。所有士兵都能更好地學習和實踐醫療保健方面的知識，包括作戰醫療護理。利用自然語言處理能力，可以建立人工智能對話系統，讓士兵參與各種問題的討論，包括基本文件、野戰工藝和戰術、基本醫療說明、專業軍事教育（PME）原則等。無人傳感器、載荷搬運、重復性任務機器人、多模態情報分析、使用云架構的邊緣計算以加快決策速度和縮短 OODA 循環，這些都是人工智能輔助系統在營/團一級的一些應用領域。

問題的關鍵在于營級或團級會發生什么變化？它會改變我們目前的工作和運作方式嗎？在效率和透明度方面，我們的工作和運作方式確實會發生范式性變化。隨之而來的還有對變革管理和技術技能提高的需求。從公務員遴選委員會（針對軍官）和招聘中心（針對初級軍官和其他職級）開始，人工智能輔助軟件可以幫助識別具有適當能力和接受能力的個人，使其能夠在這種人機接口團隊中工作。這些團隊可以協同工作，確定每個級別的可操作部分或領域，然后與各卓越中心合作，生產基于需求的機器或系統。在目前的 Agniveer 計劃中，人工智能系統可以為這些士兵在四年部署期結束后的留用性提供有價值的信息。

一個營、一個團或一艘艦艇要想真正發揮戰斗力，就必須對其他作戰人員（包括三軍人員）有起碼的基本認識。基本認識包括對其作戰風格的認識以及對局勢的認識，從而形成共同作戰圖景（COP）。目前，三軍和海岸警衛隊的聯合演習次數有限，主要原因是規劃和空間限制。資產類型、成本、適用性和損耗等方面的原因導致各部門參與聯合演習的規模縮小。目前，各軍種正在討論和實施戰區司令部，并探索更多的聯合行動途徑，而人工智能輔助的增強現實和虛擬現實技術為參與者提供了一個更加綜合的共同訓練機會。通過這種聯合模擬和人工智能輔助的戰爭游戲，可以根據對手不斷變化的戰略和武器配置動態改變場景和設置，同時系統地解決自身的進程問題。無人駕駛航空系統和其他系統也是如此，它們可以成為提高作戰效率的聯合資產。

人工智能的能力和人工智能所有相關系統的作用需要作為三軍專業軍事教育（PME）的一部分加以介紹。未來戰場需要一支綜合的多領域作戰部隊，不能讓指揮官或參謀人員不了解這些新興技術所能提供的能力。PME 需要在軍官、軍士長和部隊一級滿足這些要求。即使在國際和平研究部等機構制定心理措施以接受機器和系統的同時，也有必要在部隊/分隊一級改革目前的培訓方法，重點放在任務基本任務（MET）和任務基本任務清單（METL）上。有必要在每個級別設立人機接口小組（HMiT），以促進這一過渡。人機接口小組可以確定技術在哪些階段可以提高和增強行動或各種任務的成功率。畢竟，任務的成功是戰斗力的主要決定因素之一。

野戰靶場（FFR）數量的減少、不斷擴大的城市景觀對傳統訓練場地的侵蝕、成本削減措施以及其他諸如此類的因素，都可以通過采用人工智能輔助的聯合戰爭游戲和模擬方法加以克服，這將為各級領導層帶來急需的意識、活力和聯合（紫色）思維。人工智能系統和人力資源分析還可以協助人力資源管理，從招聘和培訓階段就開始識別操作特定平臺的關鍵人員，這將在一定程度上消除在識別合適人選時發現的偏見或成見。

雖然人工智能和相關技術的能力是巨大的，但錯誤的實施戰略可能會造成長期損害。隨著新技術的采用，包括隱私在內的倫理道德問題也需要適當考慮。機器學習和深度學習的子集需要龐大的數據集來建立參考框架。在目前的情況下，由于保密程度不同，共享和記錄事件的范圍有限，因此擁有一個可行的訓練數據集和一個能夠應對多種突發情況的算法成為了一項挑戰。著名的 "死亡算法 "概念，即自動駕駛汽車的算法應在可能發生碰撞的情況下拯救車內人員或行人，這讓我們對設計人工智能系統所面臨的挑戰有了深入的了解。

結論

即使目前形式的人工智能已從 "弱人工智能 "轉變為具有深度學習、神經網絡等功能的強人工智能，人工直覺和量子認知等概念也將獲得更多關注。一支為多平面、多領域行動做好準備的未來部隊必須在人-機、人-系統層面實現真正的整合，而這可以通過在組織的各個層面采取系統、可持續、漸進但平行的措施來實現。團隊成員之間的信任必須超越人與機器之間的信任，并采取充分的保障措施，防止系統性和隱性偏差。

在日益復雜和苛刻的作戰環境中運作的需要，有可能使現代軍艦上以人為中心的指揮鏈超負荷。擴大使用快速發展的人工智能技術提供了應對這一挑戰的潛力，徹底改變了指揮空間的決策。本文以皇家海軍為例，研究了最近在這一領域的實驗。

背景介紹

戰斗信息中心（CIC）是現代軍艦上局面編制、任務管理和武器控制的協調中心。它承載著一個人類操作團隊，負責為戰術家和指揮官提供合理化的信息，作為實時決策的基礎。戰爭小組的成員與計算機控制臺、顯示器、通信設備和其他外圍設備互動，以建立對戰術形勢的集體認識；評估和優先考慮威脅；并管理海面上、海面下的 "戰斗"。

一名電子技術員在美國海軍 "保羅-漢密爾頓 "號導彈驅逐艦（DDG-60）上跟蹤地面和空中接觸。隨著威脅越來越復雜，環境越來越有挑戰性，數據量越來越大，指揮團隊越來越面臨認知過載。(圖片: 美國海軍)

目前，CIC中的指揮鏈是基于高度規定性和以人為本的決策層次，由編譯器和操作員從各種有機和非有機來源中建立戰術圖景，以實現及時和知情的戰術決策：例如，轉向開放武器弧的路線，或執行軟殺傷性反措施計策。然而，人們認識到，由于海軍部隊越來越多地被要求在更加復雜和苛刻的作戰環境中作戰，而這些環境的特點是多樣化和越來越具有挑戰性的威脅，因此指揮小組現在面臨著越來越大的超負荷威脅。

同時，艦艇收到來自有機傳感器和非有機來源的越來越多的數據，從而使指揮團隊識別、理解和應對威脅情況的能力更加復雜。操作人員也要承受越來越大的壓力：在防衛值班時，一次盯著屏幕看幾個小時，需要人類集中精力，即使有休息時間。任何疏忽都可能意味著遺漏或錯誤地識別了一次接觸。

正是在這種背景下，海軍從業人員、作戰人員、國防科學家、工業界和學術界都開始考慮如何增加自動化和更多地使用人工智能（AI）技術來提高指揮和控制領域決策的敏銳度和速度。定義各不相同，但從廣義上講，人工智能可以被描述為機器所顯示的 "智能行為"。從本質上講，這描述了機器模仿人類在推理、計劃、學習和解決問題的任務中所采用的認知功能的能力。

人工智能已經開始進入商業和消費領域的主流，因為事業已經看到了人工智能在提高生產力、增加效率和簡化任務執行方面的潛力。海軍現在也熱衷于在指揮和決策中利用 "機器速度 "人工智能的力量，因為他們認識到人工智能技術善于從嘈雜的動態數據中推斷出模式、趨勢和信號。同時，人們認識到，在一個有效和高效的社會技術組織中整合人類操作員和計算機，會帶來無數的技術、操作和道德方面的復雜性。

維斯比級護衛艦HSwMS卡爾斯塔德的CIC。未來人工智能支持的指揮和控制系統將需要將人類和機器的合作作為設計過程的基本組成部分來考慮。(圖片: Richard Scott)

背景下的人工智能

高級別的自動化對海戰來說絕非新鮮事物。例如，設置為 "自動 "模式的自衛武器系統將在滿足預先確定的交戰閾值條件時自動開火。這代表了一種非常初級的人工智能形式，因為武器系統有能力承擔原本由人類執行的功能。然而，應該明確的是，這不是一個學習系統，因為它只按照預先編程的規則集運作。

在指揮環境中實施早期形式的人工智能的最初想法可以追溯到20世紀80年代。皇家海軍（RN）艦艇在南大西洋的損失，在海灣地區對 "斯塔克 "號護衛艦（FFG-31）的反艦導彈攻擊，以及 "文森 "號巡洋艦（CG-49）無意中擊落一架伊朗A300客機，都證明了依賴大型和以人為中心的指揮鏈的行動信息組織的脆弱性和易錯性。在某些情況下，高工作量和戰斗壓力的結合壓倒了操作人員的認知能力，導致他們錯誤地評估局勢和/或錯誤地計算出適當的反應。在其他情況下，由于操作人員和作戰人員缺乏關注，即使有明確的線索表明攻擊迫在眉睫，也會忽視威脅。

到20世紀90年代，一些有限的嘗試將人工智能的形式引入到指揮鏈中。然而，這些所謂的 "專家 "系統--實施基于包含嵌入式理論或規則的知識庫的人工智能形式--遇到了一些不足和限制。例如，那個時代的計算能力和可訪問的內存所帶來的限制必然限制了軟件實施的復雜性。另外，這些基于知識的技術在實施中非常僵化--依賴于從操作者經驗中提煉出來的規則--因此在應用中非常狹窄。

約翰霍普金斯大學應用物理實驗室的硬殺傷/軟殺傷（HK/SK）性能評估工具（HaSPAT）原型于2020年初部署在美國海軍 "邦克山 "號巡洋艦（CG-52）上。(圖片：美國海軍)

對在海軍指揮和控制領域實施人工智能的重新關注反映了過去十年中技術和工藝的重大進步--最重要的是，深度學習的革命使計算機能夠以更像人類的方式對特定任務進行學習和概括。同時，人們對人工智能在指揮過程中可以增加價值的地方有了更好的認識：例如，通過幫助提醒操作人員在早期階段的潛在威脅，或在復雜的多重威脅情況下支持威脅評估和武器分配（TEWA）。

還應理解的是，至少在可預見的未來，不贊成用機器完全取代人類的想法。相反，重點是利用人工智能技術來減少決策者的工作量，從而使人類在計劃任務、估計對手能力或考慮采取特定行動方案時有更多的時間和更清晰的認識。簡而言之，當時間有限或選擇的數量太多，人類無法分析所有的選擇時，人工智能可以提供關鍵的決策支持。

這種決策援助的一個例子是約翰霍普金斯大學應用物理實驗室（JHU APL）開發的硬殺傷/軟殺傷（HK/SK）性能評估工具（HaSPAT）原型。HaSPAT旨在幫助操作人員了解計劃中的防御態勢，并在敵方攻擊前評估作戰系統的性能，它還通過告知有哪些資源可用，確保為自衛保留足夠的彈夾容量來平衡武器庫存。來自JHU APL的工程師在2019年6月訪問美國海軍 "邦克山 "號巡洋艦（CG-52）后開發了HaSPAT。在與該艦的指揮官討論后，決定進行快速開發，以幫助艦上的作戰團隊更好地計劃和協調硬殺傷和軟殺傷效應器的使用。

智能船舶第二階段共資助了10個智能代理，并選擇了一個 "集成商 "來管理ISAIN環境的開發。(圖片: Dstl)

HaSPAT納入了有關武器有效性的信息，以支持武器分配和調度，并嵌入了一個模擬，以產生分析和性能指標，告知用戶與配置相關的可能風險。它還被設計成用戶可以為區域和自衛實驗設置不同的部隊戰斗空間配置。

原型工具于2020年初部署在美國海軍 "邦克山 "號上，以便船上的船員能夠評估HaSPAT的功能，并為進一步更新提供反饋。根據JHU APL的說法，這一初步演示為在部隊層面上獲得更重要的硬殺傷/軟殺傷協調能力提供了一個墊腳石。

在大西洋彼岸，旨在加速和改善指揮團隊在緊張的水上戰爭場景中的形勢意識和威脅分析的原型決策輔助工具也已經由英國皇家海軍在海上進行了操作試驗。例如，英國皇家海軍和國防科技實驗室（Dstl）在2021年5月的海上演示/"強大的盾牌21 "演習中評估了一些人工智能工具。其中一個是Roke公司的STARTLE應用程序，其目的是通過提供實時建議和警報，幫助減輕操作員監測空中情況的負擔。另一個是CGI英國的系統協調綜合效果分配（SYCOIEA）自動化平臺和部隊TEWA應用。

智能船舶

人們認識到，未來的核心挑戰是如何設計人類操作員與計算機和人工智能軟件程序之間的互動和合作，以最大限度地減少人類意圖與使用自動或自主系統執行該意圖之間的 "摩擦"。這種整合--其縫隙是人機界面--必須認識到人類不僅僅是 "用戶 "或 "操作員"，他們本身也是決策環路的一部分，因此是功能和產出的組成部分。

2019年，英國國防部啟動了一個名為 "智能船舶 "的多階段科技項目（S&T），正是因為需要研究有關人工智能改變指揮決策的潛力的一些關鍵問題。由國防部（MoD）資助，作為其更廣泛的自主性科技計劃的一部分，這項正在進行的努力代表了一種開創性的嘗試，即設計一個合作的 "系統的系統"，其中自動化和人工智能與人類更緊密地結合和合作，以實現更及時和更明智的規劃和決策。重要的是，智能船舶項目旨在展示一個未來的指揮和控制概念，其中人類和人工智能 "代理 "在一開始就被設計進去，而不是簡單地將人工智能添加到傳統的行動信息組織中。此外，它還認識到，系統的系統將包括機器-機器團隊以及人-機器團隊。

位于Dstl的Portsdown West設施的指揮實驗室作為智能船舶第二階段評估的測試平臺環境。(圖片: Dstl)

智能船舶計劃的第一階段涉及一系列 "挑戰"主題--任務規劃和決策輔助工具、信息融合、傳感器和信息管理、新型人機界面、人機協作和集成--代表了典型軍艦中的各種功能和能力。這些包括支持平臺系統的組件，以及指揮規劃和決策輔助工具。 這個最初的六個月階段的一個核心部分是開發智能船舶人工智能網絡（ISAIN）框架的任務。在CGI英國公司的領導下，在DIEM分析公司、人因工程解決方案公司和決策實驗室的支持下，ISAIN是一個可以在不同場景下探索人機合作的環境，使開發和評估新的組織和工作流程結構成為可能，這些結構利用AI與人一起工作。這提供了在人類、人工智能或兩者之間動態轉移工作量的可能性，這取決于情況及其復雜性。此外，ISAIN框架為系統研究提供了一個試驗場，并促進對支持和促進團隊所有成員（包括人類和AI）的活動和互動的創新機制的研究。

例如，不同的人工智能和人類如何合作，人工智能和人類能力的最適當組合，組織人工智能和人類作為一個團隊實現目標的最佳方式，以及仲裁或消除來自多個人工智能的相反建議/行動的手段。 除了ISAIN，智能船的第一階段還資助了人工智能的成熟--或稱決策代理（ADeM）--可以被整合到ISAIN中進行演示。ADeM是該項目采用的一個術語，用來描述在人-AI機器或AI機器-AI機器混合團隊中運作的人類或基于機器的智能代理。

2020年6月，通過國防部的國防與安全加速器（DASA）發出了智能船舶項目第二階段的呼吁。DASA資助創新和可能利用的科技想法，這些想法可以為英國武裝部隊和國家安全帶來成本效益的優勢。當年11月，總共授予了9個第二階段的合同--累計價值約為300萬英鎊。其中，CGI英國公司作為ISAIN的集成商和開發負責人，獲得了大約一半的合同。在這個角色中，CGI UK與Dstl合作進行ISAIN的集成，將ISAIN安裝到Dstl的Portsdown West站點的指揮實驗室中，設計開發智能船舶的各個方面如何在ISAIN環境中結合起來，并將選定的ADeMs集成到ISAIN架構中。

DASA將第二階段的剩余資金用于開發特定的 "訓練有素 "的AI。授予決策實驗室、DIEM分析公司、Frazer Nash咨詢公司、Montvieux公司（獲得兩個獎項）、諾丁漢特倫特大學、勞斯萊斯公司和SeeByte公司個別合同。CGI英國公司在行業標準和工具的基礎上制作了一個軟件開發工具包，提供給各個ADeM供應商。

除了DASA合同，之前在Dstl'Progeny'框架下開發的戰術導航（TacNav）代理被拉入智能船舶第二階段。TacNav是由CGI英國公司開發的，用于計劃、執行和監控智能船的戰術導航。在第二階段中，CGI的SYCOIEA TEWA決策輔助工具也發揮了作用。

由于該項目無法為DASA征集的所有提案提供資金，因此決定選擇廣泛的人工智能代理，跨越一系列的平臺和戰斗系統功能。例如，羅爾斯-羅伊斯公司開發了一個被稱為ACE（人工總工程師）的決策控制系統，該系統旨在根據指揮部的優先次序，就如何最好地操作船舶機械--發動機、推進系統、電力網絡和燃料系統做出基于條件的決定。另一個人工智能被稱為IBIS（用于損害控制和消防的內部戰斗智能強化學習），是由弗雷澤-納什咨詢公司構思的，作為一個使用基于人工智能的新型強化學習技術的預測性損害控制工具。

智能船舶團隊還選擇了決策實驗室開發的人工智能，稱為CIAO（用于優化的高級復合智能代理），可用于仲裁兩個不同代理交付的沖突輸出。例如，如果TacNav根據水下障礙物或當地航運交通推薦一條航線，但TEWA代理建議另一條航線，以打開武器弧線對付來襲的威脅，它就可能發揮作用。CIAO在系統的許多部分都得到了實施，以便在決策鏈的不同部分提供復合建議。

杜威號導彈驅逐艦（DDG-105）CIC中的人員。未來幾年，人工智能將在海軍領域的許多情況下得到應用，將人類和機器融合在一起。(圖片: 美國海軍)

指揮實驗室

ISAIN被整合到了Dstl的Portsdown West站點的指揮實驗室設施中。這一設施--承載著由開放和靈活的硬件、軟件、網絡、數據庫和協議接口組成的實時、虛擬和建設性的模擬--由Dstl的許多部分共同出資。它作為一個可配置的測試平臺，提供了在所有戰爭環境中進行實驗和整合新系統的能力。

為了支持智能艦艇的實驗和評估活動，指揮實驗室配備了類似于CIC多功能控制臺的操作終端，允許軍事顧問在偽作戰環境中與人工智能代理互動。在2021年和2022年期間，指揮實驗室已經進行了四次單獨的評估，場景的復雜性、代理人的數量和這些代理人的成熟度隨著時間而增加。

這些評估是針對Dstl軍事顧問開發的名義場景進行的，這使得ADeMs可以在一個有代表性的操作環境中得到展示。這始于一個規劃階段。在這之后，"船"--在一個更大的任務組之前行動--在有爭議的水域附近進行情報收集行動。隨著緊張局勢的加劇，與對手的紅色部隊發生了對峙。這最終導致了一次反艦導彈攻擊，并造成了自身艦艇的損壞。為了評估的目的，這個端到端的場景被分解成一系列較短的小插曲，每個小插曲包括大約半小時的 "操作 "活動。這些腳本是為了最大限度地提高代理人之間的互動。

第二階段于2022年3月底完成。研究和實驗提供了寶貴的早期洞察力，使人們了解到將多個人工智能應用結合在一起做出集體決定的機會和好處，無論是否有人類操作員的判斷。同時，它確定了一些新的問題，即如何在復雜的指揮環境中最好地實施和管理AI-enabled自動化。結論是，只有通過解決多個智能機器代理團隊的設計和操作，才能獲得真正的操作優勢，并使人類在這些團隊中的整合得到優化，形成有效的人類-自治團隊（HATs）。

DASA與Dstl合作，在2023年初宣布了智能船第三階段的計劃。在第二階段之前開發和評估的協作式人工智能概念的基礎上，這一后續科技計劃的結構是為了探索更早和更集中地考慮HAT的人類組成部分的好處，以支持未來的海軍指揮和控制。

第三階段的目標是為HAT設計一個綜合系統，該系統可以提供水上海軍指揮和控制的各個方面，并更詳細地考慮基于人工智能的HAT的協作的仲裁需求。這將促使人們更加關注系統設計，而不是人工智能代理的開發；人類在HAT系統中的整合；以及對不同人工智能代理的潛在沖突建議的仲裁方法的理解。其目的是將現有的ISAIN環境用于整合和評估。

第三階段的競爭預計將于2023年4月開始。其目的是，一個單一的多學科合作團隊將提供所有的產出，包括系統設計、構建、整合和評估。目前的計劃設想在2023年第三季度授予合同，第三階段的活動預計將持續到2024年12月。

結論

未來幾年，人工智能將在海軍領域的許多情況下得到應用。同時，人們認識到，人工智能的使用提出了一些深刻的倫理、法律和管理問題。今天，海軍、國防科學和工業界所面臨的挑戰是如何確定人工智能可能成為解決方案的一部分的操作缺陷和能力差距，并了解如何最好地將人類和機器融合在一起，以便將人類的認知、直覺和責任與機器速度的分析能力相結合。

從長遠來看，將人工智能引入指揮鏈可能需要一個范式轉變。未來的指揮和控制系統將不再是設計系統，然后設計與人類操作員的接口，而是將人類和機器的合作互動作為基礎概念和設計的基本部分。此外，將需要仔細關注，以確定在一系列操作場景和任務中指揮團隊中人和機器元素之間的最佳平衡。

視覺分析是一門通過交互式視覺界面促進分析推理的科學。北約科技組織調查、研究并促進可視化分析方面的合作--促進知識提取和數據分析，以便及時理解態勢并作出有效決策。因此，本報告目標是研究、開發和應用探索性視覺分析技術：1）利用和理解大量復雜的數據，即大數據；2）幫助隱性知識顯性化；3）提供敏銳的態勢感知；4）支持廣泛的國防領域的知情決策，包括網絡、海事、基因組學和社交媒體領域，以及仿真數據的后期分析和現場可視化。

報告簡介

1 背景

信息優勢是軍事優勢的關鍵因素之一；利用來自多個來源的所有相關信息是北約信息優勢的一個關鍵因素。可視化和可視化分析研究對于滿足2015年北約在信息分析（IA）和決策支持（DS）方面的重點目標的需求至關重要：關于決策支持的IA&DS-1和關于大數據和長數據處理與分析的IA&DS-2。

視覺分析（VA）是一門通過交互式視覺界面促進分析推理的科學[1]。VA有三個主要組成部分，即交互式可視化、分析性推理和計算性分析[2]。在專家組所考慮的VA背景下：

• 可視化關注的是使用數據的交互式視覺表現來放大認知[3]。
• 分析推理和計算分析的工作是支持數據探索、分析和理解。

2 目標

北約研究任務組（RTG）探索性視覺分析調查、研究和促進了知識提取/發現和數據分析方面的合作，以便及時了解情況，支持有效決策。該小組探索了可視化如何有效地傳達信息：利用人類的感知和增強人類的認知，即把可視化和用戶的心理模型結合起來（見第2章和[4]）。因此，目標是研究、開發和應用探索性視覺分析技術：1）利用和理解大量復雜的數據集，即大數據；2）幫助隱性知識顯性化；3）提供敏銳的態勢感知，以及4）支持廣泛的不同國防領域的知情決策，如海事、社交媒體、基因組學和網絡領域，以及模擬數據的后期分析和現場可視化。

3 本報告的目的

本技術報告的目的是討論研究小組進行的研究、開發和應用探索性視覺分析的工作，這些數據集涉及到

• 簡易爆炸裝置資源（NATO C-IED COE）。
• 社交媒體；以及
• 網絡和海事及情報行動。

這項工作證明了探索性視覺分析在檢測、監測、分析和理解大型復雜數據集（即大數據）方面的有效性，以提高對態勢的認識和決策支持。

本報告還將討論該小組在以下方面的工作：

• 1）可視化和視覺分析技術的研究和開發。

• 2）提高對研究小組工作的認識。

  • 通過在著名的國際會議上發表論文，如IEEE VIS；以及

  • 為北約的兩個系列講座（IST-143和IST-170）作出貢獻。

• 3）促進視覺分析和可視化技術在北約國防和安全領域及其他領域的開發和應用。

• 4）拓寬對可視化和可視化分析的理解和探索的視野。

• 5）利用新想法的產生。

• 6）通過以下方式發展北約小組間/組內合作。

  • 組織（并在其中介紹小組的工作）一次北約專家聯合小組會議（IST-HFM-154：網絡符號學）和一次北約小組間/組間研討會（IST-178：大數據挑戰--情況意識和決策支持）。

  • 參加其他國家組織的北約活動；以及

  • 與來自不同小組的許多RTG組織聯合會議。

4 本報告結構

報告中的各章總結了在這個RTG過程中進行的工作。

第2章討論了視覺分析的人因考慮。它首先定義了人為因素，并描述了人為因素/以用戶為中心的設計過程。它討論了一些關于設計過程的常見迷思，供設計者注意和避免。視覺分析系統的用戶很多，也很多樣化，所以了解任何項目的用戶對于確保輸出產品的有用性和可用性是最重要的。本章提供了關于如何最佳地顯示信息的標準、指南、啟發式方法和最佳實踐的參考資料。本章還包括討論和數字，描述了對特定數據集使用立體三維可視化的優勢。最后，有一節是關于如何評估可視化的有用性和可用性。包括情況意識和工作負荷指標的資源。

第3章討論了海事領域的信息可視化和視覺分析。

第4章和第5章關注社會媒體數據和模擬數據。

第6章討論了可視化分析和深度學習之間的相互作用。

第7章討論了網絡態勢感知和網絡符號學。

第8章和第9章探討了視覺分析和可視化在北約數據中的應用，如：

• 簡易爆炸裝置（NATO C-IED COE）；和
• 北約HFM-259數據。

這兩章討論了基于網絡訪問這些數據集的發展和由此產生的設計原則，這些數據集的用戶范圍很廣，從普通公眾到研究人員和政策制定者，即來自不同背景、具有不同專業水平和知識的人。對簡易爆炸裝置數據的分析采用了互動式講故事的方法來吸引普通公眾，而HFM-259數據的視覺分析/可視化也適合公眾參與。

第10章得出了結論并提出了建議。

海事領域的信息可視化和視覺分析

• 船舶交通監測與探索性分析的交互式可視化：文獻中提出的方法研究了海洋數據的可視化，以便交互式地探索它們的空間分布和時間演變，或者通過結合聚合和過濾能力促進它們的比較。以地圖為基礎的可視化占主導地位，偶爾也會以數據匯總的統計圖為補充。最近，基于圖形的海洋數據可視化也出現了。基于圖形的可視化可以將匯總統計與交通動態的可視化相結合。

• 海事模式檢測的可視化分析：視覺分析，將有效的海事數據可視化與數據分析相結合，有多種應用。文獻中討論的用途之一是運動模式搜索和匹配，與數據過濾相結合，能夠減少數據泛濫，幫助用戶關注相關的數據特征。這種方法根據經驗來定義運動模式，例如使用基于函數的定義或規則。運動模式也可以從數據中提取，例如使用數據聚類、聚合和過濾技術。地理特征被利用來支持模式的定義和可視化。不同的聚合技術可以被結合起來，有時還可以使用語義學，以支持數據探索。其他工作專門解決異常或不一致的模式檢測。例如，密切接觸的檢測或預測被應用于海上安全，用于船舶碰撞的識別和預防。

• 海事模式和移動性的三維可視化：很少有作品在海洋領域利用三維可視化，因為由此產生的可視化的復雜性增加，會對用戶體驗產生負面影響。領域無關的三維可視化被用來支持單一船只動力學參數的比較。時空立方體可視化對海洋事件的分析是有效的，因為它使空間和時間特征的當代可視化。在培訓中使用的沉浸式虛擬現實模型，可能比二維地圖更有效地支持用戶（和船只）的定向行動。

探索性媒體分析

網絡媒體是影響輿論以及反映輿論的最重要工具之一。這份報告分析了BBC、RussiaToday、DayKiev和delfi.lt（立陶宛的主要新聞門戶網站）對烏克蘭沖突動態的反映。采用了兩種不同的分析方法：共同發生網絡分析來反映沖突期間四個不同媒體渠道的語言變化，以及基于情感的故事情節（syuzhet）分析來監測BBC從2013年到2014年的情感變化。將沖突分為三個階段：開始（2013/11/21-2014/01/15）、升級（2014/01/16-2014/02/17）和占領克里米亞（2014/02/18-2014/02/28）。這些方法可以對媒體中的沖突動態進行可視化分析。從人工智能（AI）、自然語言處理（NLP）和大數據的可視化技術的應用中，可以更好地了解對沖突動態的看法和公眾對特定主題的情緒，以及信息分析的自動化。此外，其他類型的類似應用也是可能的。

仿真數據的可視化探索

仿真被廣泛用作生產前測試系統的一種安全且通常具有成本效益的手段，并作為一種估計其他無法訪問的系統的預期行為的方法。仿真的共同點是隨著時間的推移而發生的事件鏈，導致由仿真算法決定的結果。本章將詳細闡述使用可視化來分析仿真條件和結果，以及如何應用可視化分析（VA）來更好地理解高級仿真算法的內部生活。

有大量不同的工具用于仿真數據的可視化分析；然而，現有工具的適用性高度依賴于被分析的數據及其背景。通用的可視化軟件包并不總是能夠滿足人們的需求。通用的可視化軟件包并不總是容易被有效地用于特定領域的任務。如果沒有資源花在定制軟件上，最好的辦法是將不同的軟件組合成一個工具箱，共同滿足可視化需求。有時，尋找合適的工具必須延伸到自己的領域之外。本報告介紹了適用于批量仿真數據分析的一系列工具：時間線圖(TLG)、可視化工具箱（VTK）和ParaView、VisIt。

探索深度學習

視覺分析（VA）技術可以應用于增強與三個目標有關的深度學習方法：1）了解深度神經網絡的內部運作；2）解釋DL的結果；以及3）利用VA和DL之間的協同作用。

在VA和DL技術的交叉點上的應用如何能夠更好地理解深度神經網絡及其結果，并實現強大的應用。將VA與AI相結合的方法將成為未來國防和安全系統的關鍵驅動力，這些系統具有日益增長的任務復雜性所要求的高級處理能力，但人們不能盲目相信AI的預測而采取行動。

網絡態勢感知

網絡SA與人類的認知過程和數據處理有關。在復雜和動態的網絡環境中，通過敏銳的態勢感知，人類決策的質量和速度可以大大提高。初步評估發現，以用戶為中心的SA方法提供了分析、檢測、發現和識別模式、異常、違規和威脅以及相關事件的有效方法。這些可視化適用于提供關于網絡組件性能的詳細信息。另一方面，生態接口設計（EID）方法提供了有效的可視化，以指導用戶理解網絡應該如何運行，以及這些網絡實際如何運行;因此，分析人員可以很容易地看到網絡的運行層面，即整體態勢。這兩種方法在提供有關網絡情況的不同方面的認識和信息方面相輔相成。網絡符號有可能實現網絡態勢的可視化，盡管目前還沒有明確的方法或解決方案可以最好地實現這一點。

探索性視覺分析法分析簡易爆炸裝置事件

收集和分析有關事件的數據集可以幫助分析人員得出活動水平評估，進行趨勢分析，并對他們所監測的問題有更深入的了解。為了更好地了解簡易爆炸裝置（IED）攻擊的動態，并支持反簡易爆炸裝置（C-IED）的工作，本報告決定采用一種帶有敘事元素的探索性視覺分析方法。分析有關事件的數據集可以幫助得出活動水平評估，進行趨勢分析，并獲得更好的情況意識。探索性視覺分析的目的是讓用戶探索數據集，發現有趣的模式和見解。一些可視化分析工具提供了復雜的互動，可能會讓新用戶感到恐懼。敘事技術可以幫助新用戶開始使用一個新的交互式可視化應用程序，以了解數據集包含什么，以及如何利用探索性視覺分析工具的能力來對數據集進行新的分析。使用探索性視覺分析工具可以在北約反簡易爆炸裝置卓越中心（NATO C-IED COE）制作的烏克蘭簡易爆炸裝置事件數據集中發現有趣的模式，通過應用敘事技術作為交互式可視化工具的一部分將這些見解傳達給用戶。一旦用戶開始探索所提供的見解，他們會被邀請繼續探索，允許他們從數據中獲得更多發現。

人工智能（AI）在國防領域的使用帶來了重大的倫理問題和風險。隨著人工智能系統的開發和部署，澳國防部將需要解決這些問題，以維護澳大利亞國防軍的聲譽，維護澳大利亞的國內和國際法律義務，并支持國際人工智能制度的發展。

這份報告《案例研究：國防中的倫理人工智能方法應用于戰術指揮和控制系統》是總理與內閣部（PM&C）、澳國防部和澳大利亞國立大學（ANU）3A研究所之間的科技（S&T）合作的產物。它使用《國防中的倫理人工智能方法》[1]來探討設想中的人工智能戰術指揮和控制（C2）系統的倫理風險，該系統整合了各種自主功能，以協助單個人類操作員同時管理多個無人駕駛車輛。

使用 "國防中的倫理人工智能方法 "對這一設想的C2系統進行分析，為三個利益相關者群體提供了關鍵的發現：澳國防部；人工智能技術開發者，以及那些尋求使用或迭代 "國防中的倫理人工智能方法 "的人。

對于澳國防部，該報告確定了關鍵的政策差距，并建議在以下方面采取行動。

• 對人工智能所做的決定和使用人工智能所做的決定制定一個問責框架

• 對操作員、指揮和系統開發人員的教育和培訓

• 管理支撐許多人工智能應用的數據，包括其收集、轉換、存儲和使用。

如果不采取行動，這些差距使澳國防部容易受到重大的聲譽和業務損害。

對人工智能技術開發者的其他關鍵發現涉及到有效性、整合、授權途徑、信心和復原力等主題。總的來說，這些發現鼓勵開發者考慮最有效的系統或算法（例如，在速度或準確性方面），是否一定是為決策者提供幫助的最佳選擇。在某些情況下，與規范性決策更一致的效率較低的算法可能更合適。此外，顯然需要研究哪些信息是做出好的判斷所必需的（特別是在問題復雜、背景重要的情況下）；以及應該如何快速傳達這些信息。通過考慮作為分析的一部分而開發的七種假設的道德風險情景，可以進一步探討這些關鍵的發現。

對于那些尋求應用或迭代《國防倫理人工智能方法》的人來說，報告建議開發更多的工具，以幫助從業者確定對其特定需求具有最大相關性和效用的領域；以及一套全面的定義，以幫助應用該方法。

迅速設計專門針對特定應用的材料的能力取決于預測性材料模型的使用。在過去的幾十年里，多尺度建模已經成為構建材料模型的主要范式。本報告總結了作為美國陸軍作戰能力發展司令部陸軍研究實驗室跨領域工作的一部分，即2011年至2021年的材料多尺度研究企業（PE 611102.AA7.13 "新型材料的多尺度建模"）在發展多尺度建模方法方面的工作。這項工作包括與兩個為期5年的合作研究聯盟（CRAs）的耦合研究：極端動態環境中的材料CRA和電子材料的多尺度/多學科建模CRA（PE 611104.AB7.09 "材料的多尺度建模中心"）。

三個研究方向構成了整體工作。

第一個研究方向的首要目標是構建計算方法，以促進多尺度模型層次中的尺度模型之間的數據傳輸，以便通過直接連接尺度模型來構建多尺度模型。這個研究方向的一個主要貢獻是為尺度橋接開發了一個靈活的模塊化軟件環境。

第二個重點是開發新的方法，以便能夠從第一原理上探索真實材料的原子尺度結構特征與其宏觀特性之間的關系。該研究方向對一個領先的大規模第一原理軟件套件進行了重大改進，大大降低了對凝聚相系統的計算要求，同時擴展了該套件的功能，以解決軍隊的問題。

最后，第三個方向是致力于小規模塑性的中尺度建模的新方法，即材料內部位錯的運動。這個研究方向導致了一種獨特的計算能力的發展，使我們能夠將最先進的小規模塑性計算模型與有限元相融合。這種能力允許在有微觀結構的情況下對小尺度塑性進行精確建模。

圖6 嵌入協議的摘要。(a) 進行MD模擬以產生溶劑配置的平衡集合。(b) 對MD模擬中的單個分子（"活性區域"）進行嵌入CCSD(T)計算，紅圈表示。活躍區氧化時產生的電子洞由藍色電子云表示。附近的分子在B3LYP水平上處理，由藍色圓圈表示。更遠的分子使用點電荷MM模型處理，用棕色圓圈表示。

研究問題

RAS-AI，更具體地說，人機協作（HMT）對皇家海軍的未來勞動力有什么影響？

澳大利亞皇家海軍（RAN）正在對其部隊進行現代化改造，以更好地應對澳大利亞在印度-太平洋地區面臨的日益增長的挑戰。本報告概述了機器人、自主系統和人工智能（RAS-AI）對國防人員的各種影響，為皇家海軍正在進行的促進RAS-AI整合的工作提供參考。

作者對相關的公開來源的學術和灰色文獻進行了審查，重點是為RAN確定可能的教訓。分析集中在RAS-AI對國防勞動力和技能的總體影響上，特別關注人機協作（HMT）對國防勞動力的影響。

研究結果強調了有效采用HMT所需的根本性的不同和新穎的工作方式。將HMT納入勞動力隊伍需要對復雜的人員網絡進行靈活管理，并不斷調整現有結構和概念。

本報告是為支持2020年發布的RAN的RAS-AI戰略2040而進行的工作的延續。蘭德公司被要求提供政策分析和建議，以支持制定一個可操作的RAS-AI運動計劃，協助RAS-AI的實施工作。研究小組已經研究了三個具體領域，以支持制定一個可操作的計劃：軍事創新，海上RAS-AI的任務和技術評估，以及HMT。這項工作應該為皇家海軍、澳大利亞其他國防部門和國防部更廣泛地了解HMT對皇家海軍未來員工隊伍的影響。

研究成果

• 在RAN中實現HMT的正常化將需要對國防人員進行靈活的管理，并不斷調整現有的結構和概念。

• HMT需要在認知方面進行轉變，就像培訓和感知一樣。

• HMT的目標是優化互動，發揮人和機器的優勢。

• HMT包含了廣泛而復雜的問題，無法將其歸類為一個不可避免的原則、活動和資源的清單。

• 了解和考慮人機互動（HMI）的范圍是不可或缺的。

• 新技術的發展應該與實際問題/需求相一致。

• 人機交互所需的技能/屬性可能在傳統上并不被國防部所重視。

• 組織學習必須被接受，以提供這種挑戰性的能力。

• HMT不僅應該作為一種有效的軍事作戰能力，而且還應該作為一種同步的訓練能力來利用。

• HMT的成功需要在整個員工隊伍中得到顯著提升。

• HMT需要識別人類和機器的長處和短處，并利用優勢，使其大于各部分之和。

• HMT的重點應該是要解決的問題，適當的比例和HMI的模式，以及找到努力回報的最佳點。

• RAS-AI的性能必須使它們在使用它們的人中灌輸一種信任、安全和可靠的感覺。

• 從設計的那一刻起，就必須主動關注HMT范式的概念和道德的復雜性。

澳大利亞皇家海軍 (RAN) 最近推出了一項開發和使用機器人、自主系統和人工智能 (RAS-AI) 的戰略，該戰略將通過一項運動計劃來實施。蘭德澳大利亞研究團隊正在通過建立證據基礎來支持 RAN 的這項工作，以幫助識別和塑造基礎活動。本報告概述了近期和長期（到 2040 年）海上 RAS-AI 技術的現狀和軌跡，并對近期、中期和長期可能執行的任務進行了高級審查根據相關的技術和非技術推動因素。

本報告并沒有研究人工智能在海上行動中更廣泛的整合，而是關注支撐無人平臺的任務和技術的進步，包括無人空中、水面和水下航行器。除了概述近期和長期 RAS-AI 任務的關鍵技術推動因素外，該報告還指出了在 RAS-AI 能力發展中應考慮的三個關鍵原則：（1）關注多種技術（新系統和“遺留”系統），而不是單一的技術解決方案； (2) 考慮國防和商業 RAS-AI 系統的互補性進展； (3) 監測非技術因素，例如不斷發展的監管、法律、政策和道德框架，這些框架可能會顯著影響未來的技術采用路徑。

研究問題

• RAS-AI 技術和任務在海洋領域的前景如何？
• 到 2040 年，海上領域的 RAS-AI 技術和任務的可能軌跡是什么？
• 哪些可能的技術推動因素會塑造未來海上區域的 RAS-AI 任務？

主要發現

• 快速發展的技術環境使 RAS-AI 任務在海洋領域得以擴展
  • 無人駕駛飛行器 (UAV) 任務的跨度有所增長，特別是因為無人機的覆蓋范圍、適應性和生存能力不斷增加（盡管仍然相對有限）。
  • 由于通信、有效載荷和模塊化的進步，越來越多地使用無人水面航行器（USV）來支持海軍任務已經成為可能，盡管限制包括依賴載人平臺的遠程控制以及與其他車輛的有限集成。
  • 無人水下航行器 (UUV) 任務已經擴大，因為其在更深的深度、更遠的距離以及先進的傳感器和有效載荷下運行的能力越來越強。然而，水下通信、網絡和深水導航的有限耐力和未解決的障礙仍然對 UUV 任務施加了限制。
• 在所有平臺上，海上 RAS-AI 任務可能會在短期內擴大，這得益于幾個關鍵技術領域的進步
  • 在自治、集群、互操作性、安全通信和信息交換、生存能力、推進和能源管理以及先進傳感和多任務平臺開發等領域取得了進展。
• 從長遠來看，技術和非技術障礙可能會限制某些 RAS-AI 任務
  • 長期 RAS-AI 任務可能包括在有爭議的環境中部署以及在進攻性自主和動力應用中的部署，盡管后者可能會受到道德、法律和監管障礙的嚴重限制。
  • 長期任務和技術前景的特點是存在很大的不確定性，可能需要通過后續研究探索更多種類的具有潛在破壞性的未來 RAS-AI 任務、技術和戰術。