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

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。

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

人工智能（AI）被視為當今時代最具顛覆性的技術。科學界和商業界正在對它進行大量投資和深入研究。它已在許多小工具和設備（如手機、電腦、網絡應用服務器等）中顯示出初步的商業用途，如搜索輔助、需求預測、數據分析和驗證、建模和模擬、語言學、心理學等。谷歌、微軟和亞馬遜等商業巨頭正在利用人工智能進行消費者行為預測。自 2011 年以來，我們一直生活在被稱為 "認知時代 "的時代，因為人工智能正越來越多地融入每個人的日常生活。IBM 的沃森（Watson）可能是首個用于解決各領域問題的人工智能商業應用，于 2013 年推出。2011 年，沃森在 "危險 "游戲中擊敗了有史以來排名最高的兩位選手，從而備受矚目。此后，沃森得到了進一步改進。

據預測，人工智能將在十年左右的時間內滲透到所有主要民用系統和小工具中，形成其軟件基礎。此外，據預測，在二三十年內，人工智能將徹底改變世界的運行方式。美國（US）、歐盟（EU）和中國等主要大國、區域已經出臺了在各個領域開發、采用和推廣人工智能的政策文件和路線圖。

不同的專家對人工智能提出了不同的定義。所有這些定義都趨向于機器獲得類似人類智能的概念，通常遵循一個被稱為感知-認知-行動（或決策）信息處理循環的順序。人工智能的程序同樣遵循這一循環，即人工智能計算機感知周圍的世界，通過優化和驗證算法處理接收到的信息，并以類似于人類的方式做出行動選擇。目前，各種先進的人工智能能力正處于不同的開發和使用階段，包括自然語言處理、信息搜索、面部、物體或手勢識別、自適應學習、直觀感知、綜合推理、混合智能（人機結合智能）、集體蜂群智能、問題解決、預測和響應等。

人工智能在軍事上的應用雖然是人工智能發展的必然產物，具有巨大的潛力和優勢，但一直是一個有爭議的問題，也是科學界經常產生分歧的話題。隨著人工智能的迅猛發展及其進入軍事領域，人工智能已經在以一種重要的方式重塑軍隊的運作。可以預見，它將從根本上改變未來的戰爭和軍事行動。與此同時，由于技術的飛速發展，戰爭本身也在概念層面發生著變化。未來人工智能將如何塑造戰爭，專家學者們仍在探討。

本文旨在根據人工智能的發展軌跡以及圍繞其未來軍事用途的主要問題，確定人工智能在不久的將來--預計未來十年或二十年--在戰爭中的擴散情況。本文還為印度尋找了一種衍生工具。本文以 "人工智能系統分類 "一節開篇，帶領讀者略微深入地了解人工智能，以便客觀分析人工智能的發展和應用軌跡。非凡壯舉 "部分揭示了該技術的顛覆性。未來的表現 "一節討論了人工智能未來的發展和普及。這一部分還強調了與人工智能相關的各種問題，同時建立了對人工智能的總體認識。在 "人工智能推動戰爭 "一節中，試圖推導出人工智能將浸漬軍事系統并重塑戰爭，包括概念和條令。然后，本文重點討論了影響人工智能應用情況的一個主要問題 "不確定性談判"，并從這個角度分析了人工智能在作戰空間的應用。下一節分析了與人工智能系統軍事應用相關的 "挑戰"。關于 "全球領導力競賽 "的部分強調了人工智能軍事應用的全球趨勢，隨后分析了 "印度的立場"，并向印度決策者提出了一些建議。

計算力（或稱 "計算"）對于開發和部署人工智能（AI）能力至關重要。因此，政府和公司開始利用計算作為管理人工智能的手段。例如，政府正在投資國內計算能力，控制計算向競爭國家的流動，并對某些行業的計算訪問提供補貼。然而，這些工作只是從表面上了解了如何利用計算來管理人工智能的開發和部署。與人工智能的其他關鍵投入（數據和算法）相比，人工智能相關計算是一個特別有效的干預點：它是可檢測、可排除、可量化的，并且是通過極其集中的供應鏈生產出來的。這些特點，加上計算對尖端人工智能模型的獨特重要性，表明對計算的管理有助于實現共同的政策目標，如確保人工智能的安全和有益使用。更確切地說，政策制定者可以利用計算促進人工智能的監管可見性，分配資源以促進有益的結果，并對不負責任或惡意的人工智能開發和使用實施限制。然而，雖然基于計算的政策和技術有可能在這些領域提供幫助，但其實施的準備程度卻存在很大差異。一些想法目前正在試行，而另一些則因需要進行基礎研究而受到阻礙。此外，在隱私、經濟影響和權力集中等領域，樸素或范圍不清的計算治理方法會帶來巨大風險。最后，我們將提出一些建議，以最大限度地降低計算治理的這些風險。

圖 1：報告中的核心概念摘要。計算因其四種特性而對政策制定具有吸引力。可以利用這些特性來設計和實施政策，從而實現人工智能治理的三種關鍵能力。

在第 2 節 "人工智能能力、人工智能治理和計算概述 "中，我們提供了幾個主題的基本背景，作為后面章節的基礎。我們討論了作為人工智能發展關鍵投入的人力資本、數據、算法和計算。然后，我們描述了人工智能生命周期的各個步驟（包括設計、培訓、增強和部署）--其中每個步驟都是可能的干預點（并具有獨特的計算足跡）。我們接著討論了人工智能可能對社會產生的影響，以說明負責任治理的重要性。隨后，我們將回顧目前在治理計算方面所做的努力，以便為后面的章節提供背景資料。

在第 3 節 "為什么計算治理對決策具有吸引力 "中，將解釋計算的特點，這些特點使其成為人工智能治理的一個有吸引力的工具。這源于計算對前沿模型的獨特重要性，以及計算作為一種治理策略所具有的增強功效的若干特性。

讀者如果已經確信計算的重要性和特殊屬性，但又想知道如何將計算治理擴展到現有工作之外，可以考慮跳到第 4 節 "計算可以增強三種人工智能治理能力"，在這一節中，我們將探討如何利用計算來增強關鍵的治理能力：（a）通過監控計算來提高人工智能發展的可見性；（b）改變計算的分配以實現有益的發展；以及（c）利用計算來執行人工智能相關規范和法規。

在第 5 節 "計算治理的風險與可能的緩解措施 "中，我們總結了之前關于計算治理可能存在的局限性的討論。

美國國家科學、工程和數學研究院為空軍研究實驗室編寫了一份共識報告，其中記錄了各軍種對支持人-人工智能（Al）團隊合作的普遍和日益增長的愿望。Sonalysts 已經開始了一項內部計劃，探索人類-人工智能團隊的培訓。這項工作的第一步是開發一個能夠促進人-人工智能團隊研究的合成任務環境（STE）。決定將 "聯合全域指揮與控制"（Joint Al-Domain Command and Control，JADC2）作為開發 STE 的重點，因為 JADC2 概念中的大量傳感器輸入和決策選項可能需要使用輔助系統才能及時做出決策。有鑒于此，我們聘請了多位具有指揮與控制經驗的主題專家（SMEs），以深入了解如何開發能體現與 JADC2 相關的團隊挑戰的 STE。本報告記錄了我們與這些利益相關方的初步接觸。我們制作了一份包含兩類問題的調查問卷。第一類問題要求受訪者報告他們是否同意我們預計在以 JADC2 為重點的測試平臺中可能非常重要的 STE 功能。第二類問題要求主題專家回答開放式問題，探討任務域、性能評估方法、通信方法和自主隊友的特征等測試平臺特征。研究小組確定了 13 名具有軍事背景和指揮與控制經驗的 Sonalysts 員工（內部稱其為合作伙伴），并邀請他們參與調查。12 名受訪者完成了調查。然后，研究小組對他們的回答進行了分析，以確定出現的主題和需要進一步分析的話題。結果表明，我們的主題專家可以接受使用與軍事環境中類似的任務進行研究，只要這些任務要求團隊處理大量數據以做出復雜決策。主題專家認為，測試平臺應支持代表矩陣式組織的 "體系團隊"，并應支持口語、基于文本和面對面通信的強大陣列。

背景

2021 年，美國空軍研究實驗室（AFRL）人類性能單元（Human Performance Wing）要求美國國家科學、工程和醫學院（NASEM）編寫一份共識報告，以審查人工智能（Al）的軍事作用，特別是作為人機團隊的一部分。這項工作的目標是使美國空軍后勤部能夠更好地支持未來系統的設計，在這些系統中，人類與智能體聯手實現任務目標。

NASEM報告在更廣泛的人機協作領域確定了九個重點領域：

1.訓練人機團隊

2 人工智能的透明度和可解釋性

3 人機團隊互動

4 信任人工智能隊友

5 人-AI團隊合作過程與成效

6 人機協作方法與模式

7 人-AI團隊中的態勢感知

8 人類-人工智能團隊中偏見的識別與緩解

9 人機系統集成流程與人機團隊協作和績效的衡量標準

Sonalysts 已開始在內部探索人-AI團隊中的第一個領域--人AI團隊培訓。表 1 轉載了 NASEM 報告的部分內容，其中作者將六項研究需求分為三個階段。

研究計劃的第一步是開發合成任務環境 (STE)，為人機團隊提供一個經過驗證的研究環境。為了提出一套能夠最大限度地提高我們的研究適用性的要求，Sonalysts 正在與該領域的主要搜索人員和分部門專家（SMEs）進行接觸。本報告總結了與軍方 SME 進行的首次外聯工作的結果。

概述

雖然各軍種多層次都對人機協同感興趣，但新出現的聯合全域指揮與控制（ADC2）概念提供了一個聚焦視角。JADC2 概念設想將所有軍種和所有領域（如空中、海上、陸地、太空、網絡空間）的傳感器連接成一個龐大的網絡，以便快速使用這些軍種和領域的資產來實現任務效果。為了加快行動速度，同時考慮更多的數據和潛在行動方案（COA），人類決策者很可能要比過去更廣泛地與 AI 隊友合作。此外，我們認為這將是真正的 "團隊合作"。我們的研究將假定，智能體最終將能夠作為同伴/隊友而不僅僅是工具與人類合作。為了實現這一目標，我們設想人類-AI團隊將包括使用AI或類似技術在指定領域內做出決策和/或采取行動的自主系統，這些系統將能夠應對新的性能挑戰，同時與隊友協調和合作。當達到這些里程碑時，我們就可以開始將該系統視為自主隊友，它不僅能夠獨立行動，還能相互依賴。

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。

將分布式仿真和工具集成到可互操作的系統聯盟中是一項復雜而耗時的任務，需要對單個組件、接口和綜合解決方案進行廣泛測試。為了支持這項任務，北約依靠標準和協議以及它們的一致應用。在整合解決方案以支持北約和國家仿真和訓練時，提高建模和仿真（M&S）的互操作性、重用性和成本效益，是一個長期的目標，有幾個挑戰。需要采取漸進和迭代的方法來協調分布式仿真聯盟協議，以應對與遺留系統、多種架構、信息技術（IT）和軟件技術的新進展、行業標準的采用、新的商業模式以及開發開放標準的過程有關的問題。

標準、聯盟協議、符合性測試和認證是重要的工具，可以減少集成時間，降低風險，增加現有系統的重復使用，并支持采購新的可互操作的仿真組件。新的和更新的仿真互操作性標準，如高級架構（HLA），要求北約仿真認證服務持續維護和更新，以使用適用標準的最新版本管理更復雜的測試案例。仿真組件的認證需要在核心HLA服務接口之外進行額外的測試，還應該包括符合聯盟協議的測試。

在M&S界，人們普遍認為系統之間的技術互操作性不再是一個基本問題。然而，高水平的互操作性仍然被認為是建立可靠和可信的分布式仿真聯盟的一個主要挑戰。所需的互操作性程度不僅取決于仿真系統的目的和目標，而且還取決于聯盟設計和具體系統組件的互操作能力。早期識別互操作性問題可以降低風險，以及減少與互操作性系統組件相關的成本。高度的互操作性允許更靈活的聯合設計，以及仿真系統的可組合性，而不會大大增加與測試和集成有關的風險和成本。

根據參與的仿真組件之間的互操作性程度，將聯合體集成到復雜的聯合體中可能是一項耗時且雄心勃勃的任務。支持早期檢測互操作性問題的工具、流程和服務將大大減少集成時間和成本。符合標準和接口的驗證不僅與支持認證有關，而且對系統集成商和仿真系統開發商也有價值。

對系統組件進行符合互操作性標準和協議的測試是驗證互操作性的基礎。測試和驗證仿真組件的互操作能力是實現異構分布式仿真系統快速設計和集成的基礎。隨時可用的、最新的、可信賴的工具是支持合規性測試的關鍵。

認證服務可以根據一套基于一致性聲明的互操作性要求（IR），對被測系統（SuT）提供無偏見的符合性測試。證書由授權的認證機構（CE）提供，是符合互操作性要求的標志。根據STANAG 4603的規定，仿真組件必須擁有或獲得證書才能成為采購或驗收測試的候選者。

MSG-134的任務是根據現有的標準和使用以前的工具和認證程序的經驗，建立一個北約仿真互操作性測試和認證服務。MSG-134項目的重點和優先事項是提供基于HLA和北約教育和培訓網絡（NETN）聯邦架構和FOM設計（FAFD）的認證服務工具。該服務由工具、流程和組織組成，管理和提供仿真組件的測試、驗證和認證，以實現高效集成。

2016年，MSG-134建立了認證服務，并在CWIX 2017實驗中首次使用，證明了其功能能力。

至少從第二次世界大戰開始，機器人就被用于戰斗，它們在上個世紀的局部沖突中也有使用。然而，這些機器人設備在形式上比今天的設備更簡單。它們與其他設備的整合是根本不可能的。現在范式已經改變。目前戰斗行動的機器人化涉及到由數字和人工智能（AI）指揮和控制裝置驅動的設備。隨著這些技術的加入，出現了使用機器人技術的新方法，例如將機器人技術與非致命武器綜合使用，以及自主執行（和潛在控制）任務的新方法。最初，使用機器人的特殊和基本屬性是它們能夠幫助最大限度地減少戰斗中終端人員的損失，這繼續激勵著發展。然而，今天的機器人設備正在配備動能部件，可以從空中、陸地和海上摧毀對手的力量。而且，正如對其能力的仔細檢查所揭示的那樣，機器人可能正變得如此先進和自主，以至于人類正在失去對它們的指揮和控制。

俄羅斯軍方已經開發了許多機器人能力，包括以下內容：戰車射擊系統；多管火箭系統；放射性偵察；后勤運輸；太空使用；無船員船舶和潛艇；以及機器人群和群體互動，等等。軍事領導人已經確定，有機制確保對這些資產的控制，這些資產只能在有限的情況下使用。然而，俄羅斯在眾多行動中使用機器人的計劃可能表明，它們的使用可能并不像預測的那樣有限。在軍事領域，快速尋求優勢是超越對手的中心環節。

下面的摘要首先提供了俄羅斯理論家從1991年開始定義機器人的幾種方式。第二，分析比較了俄羅斯和美國運用機器人的方法（從俄羅斯的角度），以及使用機器人的任務和原則。第三，詳細介紹了機器人在俄羅斯的一些使用情況，重點是軍事期刊上的描述--在城市環境中，與工程師支持相結合，在無人駕駛飛行器（UAV）的使用中，與火炮相結合，以及它們在敘利亞的使用。第四，研究了影響世界各地和俄羅斯的機器人使用的法律和組織問題的爭議。第五，涵蓋了俄羅斯在發展機器人能力中遇到的眾多問題領域，隨后是一些結論。有兩個附錄。附錄一列出了一些機器人的使用原則，附錄二提供了一些俄羅斯正在開發的機器人的照片以及它們的操作參數（還有一些照片中沒有顯示的）。

事實上，目前的OODA概念已經支持了對人類決策過程的理解，以支持關于人類戰友和以人為本的行動的敏捷和競爭性決策。然而，基于人機協作的未來軍事決策依賴于支持人機聯合情報的技術和互動概念，而不僅僅是人的能力。這需要新的OODA概念。在此，定義了機器OODA環，考慮了使其與人類OODA環相似和不同的特點。考慮了人工智能和認知建模的進展如何能被整合到機器OODA階段，為機器提供了比人類更獨特的優勢，因為機器可以將對人類操作者的理解和預測水平與對機器行為和數據分析的預測結合起來。此外，本文建議，有效的人機合作應該得到人機聯合決策-行動過程的支持，其概念是相互作用的OODA循環。對相互作用的人機OODA過程的考慮為支持有效的人機操作決策的系統設計原則和架構提供了概念上的指導。

本文的結構如下。首先，回顧了人類的OODA循環以及在該框架內開發的變體。接下來，定義了新的機器OODA循環，并討論了如何讓機器擁有比人類OODA循環更多的戰略推理優勢。最后，介紹了將人機團隊概念化為交互式OODA流程的方法。在深入探討圖1所示的OODA環概念方法的細節之前，將激勵為機器智能開發OODA環的理由。

完全依靠自主系統的技術在推動海底領域的環境研究方面發揮了重要作用。無人潛水器（UUV），如美海軍研究生院的UUV研究平臺，在推進用于研究目的的自主系統的技術水平方面發揮了作用。使用自主系統進行研究正變得越來越流行，因為自主系統可以將人類從重復性的任務中解脫出來，并減少受傷的風險。此外，UUVs可以以相對較低的成本大量制造。此外，由于計算和電池技術的進步，UUVs可以在沒有人類干預的情況下承擔更多的擴展任務。

UUV的重要部分之一是控制系統。UUV控制系統的配置可能會根據車輛的有效載荷或環境因素（如鹽度）而改變。控制系統負責實現和保持在目標路徑上的穩定飛行。PID控制器在UUV上被廣泛實施，盡管其使用伴隨著調整控制器的巨大成本。由于兩個主要問題，陡峭的成本并不能提供穩健或智能解決方案的好處。

第一個問題是，PID控制器依賴于復雜的動態系統模型來控制UUV。動態系統模型有簡化的假設，使控制問題得到有效解決。當假設不成立時，PID控制器可以提供次優的控制，甚至會出現完全失去控制的情況。第二個問題是，PID控制器并不智能，不能自主學習。PID控制器需要多名工程師和其他人員花數天時間收集和分析數據來調整控制器。調整PID控制器是一項手動任務，會帶來人為錯誤的機會。

在使用深度強化學習方法進行自主車輛控制系統方面，有很多正在進行的研究，并且已經顯示出有希望的結果[1,2]。深度強化學習控制器已被證明優于執行路徑跟蹤任務的UUV的PID控制器[3]。此外，與PID控制器相比，基于深度強化學習的控制器已被證明能夠為無人駕駛飛行器（UAVs）提供卓越的姿態控制[4-5]。雖然這個例子不是專門針對UUV的，但這個來自空中領域的概念可以轉化到海底領域。

一些最流行的深度強化學習算法被用于自主車輛控制系統的開發，包括近似策略優化（PPO）[6]和深度確定策略梯度（DDPG）[7]算法。本研究將重點關注DDPG算法。DDPG算法是一種角色批判型的深度強化學習算法。Actor-Critic算法同時學習策略和價值函數。Actor-Critic算法的概念是：策略函數（演員）根據當前狀態決定系統的行動，而價值函數（批評家）則對行動進行批評。在深度強化學習中，政策和價值函數是由DNNs近似的，在本研究中具體是多層感知器（MLPs）。

與UUV的傳統PID控制器相比，基于DDPG算法的深度強化學習控制器有兩個主要好處。第一個好處是，DDPG算法是無模型的。它不需要任何關于車輛或環境動態的知識來提供最佳控制。因此，它避免了有效解決復雜的車輛或環境動態系統模型所需的簡化假設的弊端。其次，基于深度強化學習的控制系統可以被自主地調整（訓練）。與PID控制系統相比，這將減少調整基于深度強化學習的控制系統所需的資源。

與UUV的傳統PID控制器相比，基于DDPG算法的深度強化學習控制器有兩個主要好處。第一個好處是，DDPG算法是無模型的。它不需要任何關于車輛或環境動態的知識來提供最佳控制。因此，它避免了有效解決復雜的車輛或環境動態系統模型所需的簡化假設的弊端。其次，基于深度強化學習的控制系統可以被自主地調整（訓練）。與PID控制系統相比，這將減少調整基于深度強化學習的控制系統所需的資源。

在利用降低精度來提高強化學習的計算效率方面，目前的研究很有限。[11]的作者展示了如何使用量化技術來提高深度強化學習的系統性能。文獻[12]的作者展示了一種具有6種方法的策略，以提高軟行為批評者（SAC）算法低精度訓練的數值穩定性。雖然正在進行的研究集中在基準強化學習問題上，但這一概念在科學應用上相對來說還沒有被開發出來，比如使用深度強化學習代理對UUV進行連續控制。

本研究將證明在混合精度和損失比例的情況下，訓練DDPG代理對UUV的連續控制不會影響控制系統的性能，同時在兩個方面使解決方案的計算效率更高。首先，我們將比較用固定和混合數值精度訓練的DDPG代理的性能與1自由度速度控制問題的PID控制器的性能。我們將研究用固定和混合精度訓練DDPG代理的訓練步驟時間。其次，本研究將研究DNN大小和批量大小的閾值，在此閾值下，用混合精度訓練DDPG代理的好處超過了計算成本。

本文的其余部分結構如下。問題表述部分將提供關于DDPG算法、NPSUUV動力學、PID控制和混合數值精度的簡要背景。實驗分析部分將描述本研究中運行的數值實驗的設置和結果。最后，在結論和未來工作部分將描述整體工作和未來計劃的工作。