1 簡介

戰斗機的時代已經過去。這話是埃隆-馬斯克在2020年空戰研討會上描述未來空戰時說的。這產生了巨大影響力。

馬斯克的立場似乎得到了美國國防部高級研究計劃局（DARPA）Alphadogfight（ADT）演示的支持。在ADT期間，幾個人工智能（AI）項目在一場斗狗比賽中相互對決。獲勝的人工智能隨后與人類戰斗機飛行員進行了面對面的較量。雖然DARPA聲稱比賽的目的是開發支持人類飛行員的人機共生的人工智能程序，但結果對飛行員本人來說不可能更糟。人類在與機器的每一次交戰中都輸了，而且比人工智能以前的機器對手輸得更快。

同樣值得考慮的是，在超視距情況下——在這種情況下，距離的計算、對飛機相對位置的了解、相對高度、速度和武器都必須在非常高的速度下完成——結果會如何。考慮到空對空戰術的復雜性以及欺騙和電子戰在其實施中的突出作用，結果可能會更加令人震驚。

盡管如此，許多飛機制造商仍在繼續開發有人駕駛的作戰飛機。即使是成本驅動的商業航空部門也不太可能取代人類飛行員。此外，盡管西方第五代戰斗機都是單座飛機，即使是出于訓練目的，雙座設計也回到了桌面上。最近，中國第五代殲-20戰斗機采用雙座配置，蘇霍伊公司正在考慮其蘇-75 "Checkmate"的雙座版本。回歸雙座設計背后的原因仍然不透明，但鑒于目前空中行動的復雜性和對更復雜的多域作戰（MDO）的預期，下一代戰斗機可能受益于武器系統官（WSO）。

另外，DARPA的空戰進化（ACE）計劃設想了一個中間地帶，人類飛行員信任人工智能來控制飛機，而他們需要人類來指揮任務，如決定交戰策略、選擇和優先考慮目標，以及確定最佳武器或效果。

未來幾乎肯定會包括馬斯克所宣稱的、DARPA所預期的人工智能優勢，但它們應該伴隨還是取代人類飛行員？許多挑戰依然存在。本文將強調最重要的挑戰。

2 挑戰和考慮因素

2.1 機器學習過程

支持人工智能的最常見的機器學習方法是強化學習（RL），它使計算機算法能夠從過去的事件中自我學習。機器使用一個獎勵系統來區分成功和不成功的動作，它可以在沒有指導的情況下快速進行，不需要人類的互動。同時，人類也可以指出錯誤，幫助強化未來的課程，讓機器尋求成功。

• "未來的戰斗機......將急劇增加的飛行員工作量。人工智能必須在管理這種工作量方面發揮一些作用。"

獎勵函數設計是另一種機器學習技術，通過給交易分配相對價值來加速學習結果，從而補充RL。這個概念激勵人工智能通過利用它已經學到的關于其先前選擇的 "價值 "的東西，而進入到一個更高的獎勵狀態。這種評估使人工智能能夠在探索一系列行動以追求更高的獎勵時進行風險與獎勵計算。目標是在探索了所有可能的解決方案和獎勵之后，達到一個良好的平衡。

一個可能加速學習過程的額外優勢是，人工智能系統可以建立在其他人工智能系統的經驗上，使用額外的機器在所需的網絡內進行訓練，而無需人類參與，并將獲得的知識轉移到目標機器上。幾個模擬器，每個都應用不同的戰術，可以極大地加快學習過程。

然而，機器學習不應該被看作是萬能的。它仍然高度依賴于軟件設計、算法和數據選擇。納入機器學習技術內的不完整或有毒的信息會導致學習過程中出現重大缺陷或錯誤。因此，人工智能可能做出無效或危險的決策。

2.2 戰機的控制

盡管現在的趨勢是，只有在ACE計劃顯示人工智能飛得更好的情況下，人工智能才會幫助飛行員，但在真正的戰斗機上，這兩種選擇將如何合并？

一種選擇是，飛機由人類飛行員控制，只由人工智能提供建議，至少在機器識別出關鍵風險并評估出它能比人類更快或更好地做出反應之前。人類飛行員應該始終保留對這一決定的控制權，還是應該授權人工智能在沒有預先授權的情況下進行控制，以確保任務成功或飛機生存？同樣地，飛行員是否應該在知道他的反應時間意味著失去可能影響定位或射擊機會的關鍵秒數的情況下，采取所有武器使用行動？

此外，在飛機機動能力的極端情況下不會有失去意識的風險，這是人工智能相對于人類飛行員所具有的誘人優勢之一。雖然預計人工智能可以納入飛行員的健康狀況數據，但獲得對敵優勢的唯一方法可能是犧牲飛行員的意識。在飛行員沒有意識的情況下，人工智能應該自主地使用武器嗎？

此外，由于戰斗機傳統上是以雙機或四機編隊的形式運行，關于人類與人工智能控制的決定將影響到單個飛機和整個機隊。需要考慮人工智能控制的飛機如何與其他編隊的機組人員進行交流，以及是否通過數據鏈、語音或兩者進行。鑒于飛行中的一些（而不是所有）飛機有可能在人工智能的控制下--而且有可能是無意識的飛行員--整個編隊的控制權應該下放給人工智能，還是應該轉移給任何有意識的飛行員？

一個更直接的選擇是將人工智能限制在一個輔助角色，在準確的時刻提供適當的信息，以避免飽和，也許，在特殊情況下，如生存需要時，就像現有的線控系統在超過攻擊角限制或在某些失控的情況下對飛機進行指揮。

到今天為止，由于其相當復雜，最可能的演變是人工智能只是幫助飛行員。然而，隨著技術的快速發展，我們當然不應該回避人工智能的支持，尤其是知道潛在的對手會廣泛地使用它。

2.3 倫理學

許多作者都寫過關于機器人自主和人工智能控制的武器系統的道德和倫理問題，并探討了我們是否應該允許機器對人類做出生死決定。從倫理上評估的一個特殊案例是，人工智能凌駕于人類飛行員的控制之上。一些人認為，一個充分發展的人工智能將對其決定和后果負責，并承擔法律責任。相反，其他人認為至少有一個人必須保留責任和法律責任。如果人工智能控制的飛機出現錯誤，導致人類生命的損失，誰將負責？可以認為是人類飛行員，即使他可能沒有機會干預或取消行動，甚至是程序員，但最有可能的是，下令執行任務的指揮官將是負責的一方。

2.4 準確的情報和人工智能衍生的戰術

來自情報的數據將為人工智能的學習過程提供基礎。預計人工智能將處理飛機、其飛行成員以及可能更廣泛的云聯網系統的所有可用傳感器數據。在實時的情況下，這將支持單個飛機的決策優勢，并在測試和評估活動中提出和評估戰術的重要能力。然而，正如單靠數據不等于準確的情報，單靠數據也不會創造新的戰術。人類的判斷會解釋數據，推斷對手的能力和戰術，創造測試環境，并評估結果。這些人類選擇的準確性將不可避免地影響人工智能衍生的戰術，就像在傳統戰術開發中一樣。在這里，應該利用人工智能運行大量模擬集的能力來提供廣泛的潛在選擇，以應對不可預見的對手能力和戰術。

2.5 人工智能將位于何處？

當我們想到戰斗機中的人工智能與人類的共生關系時，不可避免地會想到R2D2、天行者盧克和《星球大戰》中的X-Wing戰斗機。然而，在真正的戰斗機中，人工智能將在哪里？它是在飛機上還是在云中？云端的人工智能會克服通信延遲，在斗狗中獲得對人類的優勢嗎？將人工智能或飛行員移位意味著應盡量減少風險，要知道通信方面的優勢永遠不是絕對的，也不是永久的。

為了設定預期，應該注意到ADT使用了一個計算機機架和服務器來處理由人類駕駛的戰斗機提供的實時數據。這樣的計算能力和啟用的數據優勢目前無法納入戰斗機中。

2.6 人工智能會有什么 "感覺"？

在ADT競賽中，人類飛行員使用高保真的虛擬現實系統來視覺追蹤人工智能駕駛的對手飛機。然而，由于比賽中使用的數字智能模型缺乏傳感器，人工智能收到的所有對手數據都是直接輸入的，減輕了感應和解釋等更復雜的任務。使用關于對手飛行參數的準確數據給機器帶來了巨大的優勢。在實際戰斗中，這種數據不容易獲得，而且即使收集到也不一定準確。人類飛行員必須推斷出對手的參數，使解釋和決策變得復雜。人工智能agent將不得不做同樣的事情。

為此，人工智能將需要的不僅僅是飛行員可用的信息（包括雷達、警告接收器、紅外傳感器和數據鏈），以 "感受"和保持對形勢的認識。人工智能將需要一套類似于自動駕駛汽車中的視覺傳感器，以實現與人類飛行員目前所完成的同等的視覺觀察。雖然預計人工智能在解釋適當集成的傳感器方面會更快--這本身就是一個不小的成就--但人工智能對需要 "感覺或直覺 "的非預期或異常情況的反應如何，還有待觀察。這將在ACE計劃的最后一步進行評估，即兩架戰斗機之間的真正交戰，一架由人類駕駛，另一架由人工智能駕駛。

3 結論

未來的戰斗機，特別是那些設想與人工智能駕駛的無人機/僚機一起使用并在MDO環境下運行的戰斗機，將經歷急劇增加飛行員工作量。人工智能必須在管理這種工作量方面發揮一些作用。

然而，考慮到各種可能性，很難想象人類作為人工智能駕駛的飛機上的乘客來管理空戰，而人工智能自主地操縱飛機進入射擊位置，然后將武器的控制權移交給飛行員或在沒有人類授權的情況下發射導彈。更容易設想的是，飛行員在人工智能的支持下駕駛飛機，以提高戰術信息的準確性和及時性，并提供威脅診斷、警告和可能的防御性機動，如使用反措施或其他戰術選擇。

雖然有理由認為，人工智能與人類的合作將不如對手使用不受約束的人工智能所能做到的，但人工智能是否能在未來的整個場景中取代人類飛行員，還有待觀察。盡管如此，預計人工智能與人類的合作將為未來的戰斗機提供一個更有彈性和有效的方法，但只有當優化的人工智能與人類的共生關系被優先考慮并實現時。

誠然，未來的戰斗機作戰行動將不斷發展，埃隆-馬斯克關于載人戰斗機時代結束的預言性警告與事實相去甚遠。

作者

拉斐爾-伊卡索，中校于1993年加入位于圣哈維爾的西班牙空軍學院。他于1997年完成了基礎飛行員培訓，并于1998年在第23聯隊完成了戰斗機武器課程。1998年至2007年，他在薩拉戈薩空軍基地第15戰斗機聯隊的151SQN中駕駛EF-18戰斗機。2007年被分配到巴達霍斯第23聯隊的戰斗機武器學校擔任教官飛行員。2009年回到第15聯隊，在152SQN和153改裝SQN擔任EF-18教官。2008年他被晉升為少校，2009年被分配到空軍學院的學術部門，擔任飛行教官以及國防大學的教師。2013年至2016年，他在北約總部空軍司令部拉姆施泰因的評估部門（TACEVAL）擔任飛行部隊項目官員和評估員。在馬德里的武裝部隊聯合參謀課程結束后，2017年他被提升為中校，并被派往托雷洪空軍基地的西班牙空戰司令部A7科（訓練、演習和評估）擔任參謀，之后被派往聯合空軍能力中心。在此期間，他參加了阿維亞諾空軍基地的幾次部署，在巴爾干半島上空飛行。他擁有聯合參謀課程和地緣政治和國際關系的碩士學位等。他已經在C-101、F-5和EF-18上飛行了2700多個小時。

美國缺乏一套專門的人工智能（AI）戰爭的理論。這導致了在戰爭的作戰層面上缺乏對人工智能影響的討論。人工智能的定義通常采用技術視角，不考慮對作戰藝術的影響。提議的作戰藝術的新要素 "抓手（Grip）"解釋了人工智能和人類在兩個方面的基本關系：自主性和角色交換。“抓手”為人工智能戰爭的理論奠定了基礎，除了揭示改變任務指揮理論的必要性外，還提出了作戰的假設。美國空軍陸戰隊的發展以及由此產生的戰爭作戰水平（和作戰藝術）在歷史上有類似的案例，說明關鍵假設如何影響戰場的可視化。去除“人在回路中”的人工智能戰爭的假設，揭示了需要一種新的作戰藝術元素來安排部隊的時間、空間和目的，此外，美國陸軍任務指揮理論需要調整，以使指揮官能夠在各種形式的控制之間移動。

簡介

“機器人和人工智能可以從根本上改變戰爭的性質......誰先到達那里，誰就能主宰戰場。”- 美國陸軍部長馬克-埃斯佩爾博士，2018年

預計人工智能（AI）將極大地改變21世紀的戰爭特征。人工智能的潛在應用只受到想象力和公共政策的限制。人工智能擁有縮短決策周期的潛力，超過了人類的理論極限。人工智能也有望執行人類、機器和混合編隊的指揮和控制功能。人工智能在自主武器系統（AWS）中的潛力同樣是無限的：分布式制造、蜂群和小型化的先進傳感器為未來的指揮官創造了大量的配置變化。與圍繞人工智能的技術、倫理和概念問題相關的無數問題，為如何將這項技術整合到戰爭的戰術層面上蒙上了陰影。現代軍隊幾個世紀以來一直在為正確整合進化（和革命）的技術進步而奮斗。美國內戰期間的鐵路技術對 "鐵路頭 "軍隊和格蘭特將軍在維克斯堡戰役中的勝利都有貢獻。25年后，法國人忽視了普魯士的鐵路試驗，給第三帝國帶來了危險，同時也沒能把握住小口徑步槍的優勢。卡爾-馮-克勞塞維茨在《論戰爭》中指出，每個時代都有自己的戰爭和先入為主的觀念。本專著將探討當前的先入為主的觀念和人工智能在戰爭的操作層面的出現。

對作戰層面的討論側重于作戰藝術，以及指揮官和他們的參謀人員如何通過整合目的、方式和手段，以及在時間、空間和目的上安排部隊來發展戰役。在作戰藝術中缺乏以人工智能為主題的討論，增加了不適當地部署裝備和以不充分的理論進行戰斗的風險；實質上是在邦聯的火車上與追兵作戰。美國的政策文件和技術路線圖主要集中在能力發展和道德影響上，而沒有描述一個有凝聚力的人工智能戰爭的理論。但美國和中國在自主行動方面的實驗趨于一致；這引起了沖突的可能性，其特點是越來越多的被授權的人工智能和AWS沒有得到實際理論框架的支持。這個問題導致了幾個問題。美國軍隊的人工智能戰爭理論是什么？大國競爭者的人工智能戰爭理論是什么？有哪些關于顛覆性技術的歷史案例？理論應該如何改變以解釋顛覆性技術？

本專著旨在回答上述問題。它還提出了兩個概念，以使指揮官能夠在戰場上可視化和運用人工智能；一個被暫時稱為 "抓手"的作戰藝術的新元素和一個任務指揮理論的延伸。該論點將分三個主要部分進行闡述。第一節（理論）將證明人工智能需要一個認知工具來在時間、空間和目的上安排部隊，方法是：綜合美國的人工智能戰爭理論，描述中國的人工智能戰爭理論，以及揭示當前文獻中的“抓手”理論。第二節（歷史）是對1973年為應對技術轉變而從主動防御演變而來的空地戰（ALB）的案例研究。第二節將重點討論戰場維度的思想、任務指揮理論的演變以及相關的作戰藝術的正式出現。第三節（新興理論）提出了作戰藝術的新要素，作為一種認知工具，幫助指揮官和參謀部將21世紀的戰場可視化。第三節將把以前的章節整合成一個有凝聚力的模型，讓指揮官和參謀部在時間、空間和目的方面可視化他們與AI和AWS的關系。第三節還將提供一個任務指揮理論的建議擴展，以說明人機互動的情況。

主要研究成果

人工智能的復雜性導致了正式的戰爭理論的缺乏；然而，在美國的政策和發展文件中存在著一個初步的美國人工智能戰爭理論。人工智能戰爭理論必須解釋人類和人工智能之間的關系，這樣才能完整。通過作戰藝術和任務指揮的視角來看待人工智能，揭示了自主性和角色互換的兩個頻譜，通過不同的組合創造了人工智能戰爭理論的維度。這些維度，或者說掌握的形式，代表了作戰藝術的一個新元素。同樣，需要將任務指揮理論擴展到一個過程-產出模型中，以實現掌握形式之間的移動。

方法論

綜合美國目前的人工智能政策和AWS的發展路線圖，提供了一幅戰略領導人如何看待人工智能的圖景，允許發展一個暫定的戰爭理論。由于缺乏關于武器化人工智能的歷史數據，政策和發展路線圖是必需的，因此本專著中提出的理論是由提煉出來的概念產生的。由于中國的工業和技術基礎的規模，中國被選為對抗模式，預計在10到15年內，中國將超越俄羅斯成為美國最大的戰略競爭對手。

圖文并茂的案例研究方法將被用來分析主動防御和空地戰之間的過渡。該案例研究將整合技術、政策和戰爭理論，以喚起人們對多域作戰（MDO）和人工智能在21世紀戰爭中作用的疑問。第二節的批判性分析側重于理論的發展，而不是其應用。第二節的詳細程度是有限制的，因為它仍然是一個更大（和有限）整體的一部分，因此重點應繼續揭示戰場可視化和認知輔助工具之間的聯系。第三節通過作戰藝術的新元素和任務指揮理論的調整來回答每一節中發現的問題，從而將前幾節連接起來。人工智能缺乏歷史，考慮到人們不能直接分析以前的沖突，以獲得教訓或原則。在這種情況下，任務指揮理論提供了一種間接的方法來理解使人類能夠集中式和分布式指揮和控制功能的機制，以及為什么人工智能缺乏相應的機制會抑制我們感知機會的能力。第三節將把美國現行政策和路線圖中的幾個抓手成分匯總到任務指揮理論提供的框架中。

范圍和限制

本專著存在于美國陸軍多域作戰概念的框架內，其理解是解決方案是聯合性質的，因為 "陸軍不能單獨解決問題，概念發展必須在整個聯合部隊中保持一致，清晰的語言很重要。"本專著不能被理解為對MDO中提出的問題的單一解決方案，而是一種幫助實現戰斗力聚合的方法。

關于人工智能的討論充滿了倫理、法律和道德方面的考慮，本專著不會涉及這些方面。本專論的假設是，人工智能的軍事用途在政治上仍然是可行的，而且 "戰略前提 "允許該技術的軍事應用走向成熟。由于運用的變化幾乎是無限的，人工智能的戰術實施將不會被詳細討論，而重點是在作戰層面上的概念整合。一般能力將被限制在與作戰藝術和作戰過程有關的具體趨勢上。

美國海軍部長

托馬斯-W-哈克: 海軍部長（代理）

美國海軍部正在有目的地進行創新和適應新技術，為未來建立一支更具殺傷力和分布式的海軍部隊。為了在一個大國競爭的時代進行競爭并取得勝利，海軍部致力于在先進的自主性、強大的網絡和無人系統方面進行投資，以創造真正的人機一體化團隊，在整個艦隊中無處不在。

這些持續的投資將產生新的能力，遠遠超出獨立的平臺或以人為本的系統的有效性。它們將通過為每一個水手和海軍陸戰隊員提供不對稱的優勢來改變海戰。

美國海軍和海軍陸戰隊現在已經邁出了下一步，調整無人系統愿景，以執行分布式海上作戰（DMO）和有爭議環境中的瀕海作戰（LOCE）。為了確保成功，海軍和海軍陸戰隊正在將需求、資源和采購政策緊密結合起來，以便更快地開發、建造、整合和部署有效的無人系統。

美國海軍部的無人駕駛作戰規劃橫跨整個理論、組織、培訓、物資解決方案、領導和教育、人員、設施和政策的構建。這份文件提供了運動計劃的總體框架，并得到了更高等級的詳細實施計劃的支持。它們共同勾勒出一個具體的戰略，其根基是對當今每個領域的現實評估。前進的道路需要一個整體的方法來開發和部署無人系統，確保個別技術可以在一個更廣泛的網絡化作戰系統架構中運行，并得到正確的人員、政策、作戰概念和其他推動因素的支持。

整個海軍企業致力于為美國和每一個水手和海軍陸戰隊員提供人機協作所提供的戰略和戰術優勢，以保證所有人的海洋自由。

美國海軍水手和公務員水手從美國海軍 "赫歇爾 "號上發射一個無人水面飛行器（USV）從USNS赫歇爾 伍迪-威廉姆斯，2019年9月14日。

美國海軍作戰部部長

M. M. GILDAY：美國海軍作戰部長海軍上將

隨著海軍適應日益復雜的安全環境，必須了解未來的部隊在日常競爭和高端戰斗中都需要什么。

無人系統（UxS）已經并將繼續在未來的分布式海上作戰（DMO）中發揮關鍵作用，而且顯然需要部署負擔得起的、致命的、可擴展的和連接的能力。這就是為什么海軍正在擴大和發展一系列無人駕駛飛行器（UAV）、無人駕駛水下航行器（UUV）和無人駕駛水面艦艇（USV），當把重點轉向以更分散的方式運作的小型平臺時，它們將發揮關鍵作用。

一個混合艦隊對于海軍滿足新出現的安全問題來說是必要的。需要平臺在所有領域的多軸上同時提供致命和非致命的效果。UxS將為未來艦隊提供額外的能力--在空中、在水面上和在水下。

該活動計劃將作為實現無人系統作為海軍作戰團隊的一個組成部分的未來的全面戰略。它將是一份活的、反復的文件，闡明愿景，即通過加快技術、流程和伙伴關系中的關鍵使能因素，建立一支更加準備就緒、致命和有能力的艦隊。

注意到過去的缺點，因此其方法是深思熟慮的，但有一種緊迫感。將解決理論、組織、訓練、物資、領導和教育、人事、設施和政策（DOTmLPF-P）的各個方面，確定并消除能力差距，并努力創建和維護未來的海軍部隊。

MQ-25 T1，左翼下有空中加油站，在坡道上。

海軍陸戰隊司令員的致辭

大衛-H-貝格爾：美國海軍陸戰隊將軍 海軍陸戰隊司令員

美國、盟國和敵方部隊獲得無人駕駛技術的速度要求有一個愿景和路線圖來最大化這種能力。海軍陸戰隊需要無人駕駛的空中、水面和地面系統來充分利用固有的遠征性質和能力。與海軍伙伴合作，將提供一個聯合部隊的海上組成部分指揮部，在居住的獨特海域支持聯合部隊。當在惡劣的條件下以小隊形式在前方作戰時，最大限度地利用無人系統為盟友和對手創造巨大的效果的能力是未來成功的一個關鍵因素。

該戰役計劃作為海軍陸戰隊的一個起點，使其了解到無人系統在不久的將來必須而且將具有更大的重要性。諸如一半的航空機隊在近期到中期內實現無人駕駛，或者大部分的遠征后勤在近期到中期內實現無人駕駛的概念不應該讓任何人感到害怕。相反，這些想法應該點燃海軍陸戰隊的創造性和狡猾的天性，以便前沿部署部隊對聯合部隊更加致命和有用。

大衛-H-貝格爾和海軍作戰司令部（CNO）一起，致力于為海軍陸戰隊的無人駕駛系統制定一個審慎但積極的前進路線。這份文件提供了初步的愿景，并取決于與海軍陸戰隊艦隊、艦友、聯合部隊、國會、盟友和工業界的反復討論。大衛-H-貝格爾希望海軍陸戰隊能接受這種未來的戰爭，并將其轉化為他們在戰場上的優勢；從日常競爭到大規模作戰行動。

一架VBAT垂直起降（VTOL）無人機系統準備在飛行甲板上降落。準備在海軍艦艇的飛行甲板上著陸。一艘海軍艦艇的飛行甲板上。

美國海軍作戰架構

無人系統通過解除對有人系統的限制來提供實現任務結果的能力。僅靠搭建平臺是無法實現任務成果的。為了在無人空間提供整體解決方案，DON 將更加關注開發成功擴展投資經驗所需的推動力。其中一些關鍵推動因素包括：網絡、控制系統、基礎設施、接口、人工智能和數據。海軍和海軍陸戰隊正在設計和實施一個全面的作戰架構來支持 DMO。這種架構將為單位、作戰群和艦隊提供準確、及時、分析的信息。

近年來，人工智能（AI）作為一個熱門詞匯重新出現在世界各地。人工智能的潛在好處橫跨整個社會，從金融到醫療，從農業到交通。人工智能實施的最有潛力的領域之一是軍事。對于那些能夠采用人工智能的部隊來說，有令人難以置信的優勢，而對于那些不能適應的部隊來說，則有巨大的風險。本文研究了一些歷史實例，其可為美國空軍（USAF）如何最好地采用人工智能提供參考。本文探討了二戰期間雷達發展的歷史根源和 F-117A 隱身技術的出現，并研究了美國防部過去如何采用商用現成技術和軟件。然后，本文研究了這些過去的技術和人工智能之間的對稱性領域，以確定有效的技術采用方法。最后，本文提出了幾個功能建議，以確保未來有效和高效地采用人工智能。

關鍵詞：國家安全，人工智能，空軍，美國空軍

人工智能（AI）是美國（US）國家安全未來的一項關鍵新興技術。在一個技術突破迅速擴大的時代，最近的一項研究表明，人工智能可能是影響最深遠的。美國政策制定者認識到人工智能的重要性，并在過去兩年中發布了關于保持美國在人工智能領域領導地位的總統行政命令13859，在2019年國防授權法案中使用了關于人工智能的具體表述，并發布了2018年美國國防部人工智能戰略。在最近一份人工智能政策建議文件的前言中，美國前國防部副部長羅伯特-沃克指出："中國、俄羅斯、歐盟成員國、日本和韓國都在增加人工智能的研究、開發和培訓。尤其是中國，將人工智能的進步視為在經濟和軍事力量方面超越美國的一個關鍵手段。中國已經表示，它打算在2030年成為世界人工智能的領導者，并正在為實現這一目標進行重大投資。"關于如何為潛在的人工智能革命做最好的準備，已經有許多建議寫給美國政府。本文在現有建議的基礎上，利用不同歷史實例的分析，將以前許多政府范圍內的建議直接集中針對美國空軍（USAF）。

首先，必須嘗試定義人工智能的含義。今天圍繞著人工智能的炒作使討論變得模糊不清，以至于有意義的對話在開始之前就可能失去。在人工智能能力最強的一面，許多人立即開始思考好萊塢描繪的科幻小說，如《終結者》中的天網，《黑客帝國》中的機器，或《戰爭游戲》中馬修-布羅德里克幾乎引發第三次世界大戰。相反，在人工智能能力最弱的一面，似乎每個人都想利用炒作，如一位同事最近分享的關于她的 "人工智能貓砂箱 "的廣告。 "當把一個奴役全人類的計算機智能與一個智能垃圾箱進行比較時，我們討論的似乎不是同一件事，但由于每個人都聲稱是人工智能，我們如何知道其中的區別并進行知情討論？

美國《國家人工智能研發戰略計劃：2019年更新》對人工智能的解釋是："人工智能使計算機和其他自動化系統能夠執行歷史上需要人類認知和我們通常認為的人類決策能力的任務。"《2019年國防授權法案》使用以下幾點作為定義：

(1) 任何人工系統，在不同的和不可預測的情況下，在沒有大量人類監督的情況下執行任務，或者在接觸數據集時，能夠從經驗中學習并提高性能。

(2) 在計算機軟件、物理硬件或其他背景下開發的人工系統，解決需要類似人類的感知、認知、計劃、學習、溝通或身體行動的任務。

(3) 一個被設計成像人一樣思考或行動的人工系統，包括認知架構和神經網絡。

(4) 一套技術，包括機器學習，被設計用來接近認知任務。

(5) 一個被設計為理性行動的人工系統，包括一個智能軟件代理或具身的機器人，利用感知、計劃、推理、學習、交流、決策和行動來實現目標。

這個定義是一個有用的起點；然而，我們必須做出進一步的區分。首先是通用人工智能和狹義人工智能之間的區別，有時分別被稱為強人工智能和弱人工智能。通用人工智能描述的是在人類能力的廣度上超過人類智能的計算機智能，包括復雜的決策和一定程度的批判性思維。雖然一般人工智能往往是描述人工智能時想到的形象，但大多數專家同意，如果它甚至有可能的話，它仍然是幾十年后的事情。目前所有的人工智能效果都屬于狹義人工智能的范疇，程序被設計用來解決一個具體問題。這包括從導航，到圖像識別，語言翻譯，游戲和自動駕駛汽車等一切。

在狹義人工智能的保護傘下，有多種方法和技術，其名稱經常與人工智能互換使用，使問題更加模糊。這些技術包括從深度神經網絡和機器學習（ML），到大數據和自動駕駛等一切。換句話說，為了利用狹義人工智能，你可能會建立一個利用多個神經網絡來完成圖像識別的算法。即使是狹義人工智能的概念，也具有難以置信的挑戰性，因為它似乎在不斷變化。每當科學突破一個新的人工智能障礙時，以前無法實現的東西就會顯得很平常，因此不再值得冠以"人工智能"的名號。因此，以一種非常真實的方式，人工智能的公認定義在不斷變化，這就提出了一個更加困難的任務，即澄清這一概念。本文的重點是狹義人工智能的當前和未來應用，包括屬于該概念的所有工具和技術。

雖然在定義什么是人工智能方面存在很大的混亂，但專家或政治家們一致認為，人工智能有可能是革命性的。中國在2017年發布了一份戰略文件，比美國任何官方的人工智能戰略都要早，其目標是在2030年達到全球人工智能的領先地位。同年，弗拉基米爾-普京宣布了俄羅斯的人工智能目標，他說："誰成為這個領域的領導者，誰就能統治世界。"兩年后，美國緊隨其后，特朗普總統在一份關于美國在人工智能領域立場的行政命令中說："美國在人工智能領域的持續領導地位對于維護美國的經濟和國家安全以及以符合我們國家的價值觀、政策和優先事項的方式塑造人工智能的全球演變至關重要。"人工智能無疑是未來國家安全的一項關鍵技術。

很容易理解為什么人工智能被提出來作為全世界軍隊的一個機會。軍隊的成功一直是關于信息和決策的，而不是關于士兵和技術的。約翰-博伊德上校著名的 "OODA環"在過去的一代中一直是軍事戰術理論的核心。他總結了軍事領導人長期以來的經驗，即如果你能比你的敵人更快地觀察、定位、決定和行動，你就能打敗他們。今天的空軍被數據淹沒了，有數百萬小時的遙控飛機視頻需要分析。現在，人工智能使美國空軍能夠通過一個名為Project Maven的計算機視覺程序來處理信息。人工智能發展的下一步很可能實現從人到機器的決策，將決策速度提高到無助的人無法管理的水平。即使對非軍事人員來說，其優勢也是顯而易見的：如果一支部隊的信息處理和決策速度比另一支部隊快幾個數量級，那么就沒有辦法與之抗衡。大規模沖突中的決策只是人工智能可能成為威脅的領域之一。

下表顯示，如果美國空軍在采用和使用人工智能方面不保持競爭優勢，那么人工智能可能有多少領域會產生潛在的重大影響。同行競爭者的競爭和虛擬/網絡沖突領域的威脅最大。面對一個具有同等能力的對手，或者在網絡領域配備了更先進人工智能技術的對手，將迅速改變已經形成的平衡。混合戰爭和超大城市的沖突并不構成那么大的威脅，因為更多的沖突將保持在傳統意義上。更多技術的趨勢意味著這些地區將走向高威脅，因為城市和家庭變得更加相互聯系和依賴技術。失敗的國家和國家的不穩定目前并不構成威脅，因為它們不依賴于人工智能或相關技術。隨著世界技術的發展，即使是失敗的國家，如果高度發達并配備了人工智能技術，也可能帶來高威脅。

表1. 超前采用人工智能而產生的威脅

關于如何為美國的人工智能革命作出最佳姿態，已經有多項研究。本文將試圖為美國空軍（USAF）做同樣的研究。本文將為空軍提供建議，以贏得并保持在未來人工智能方面的主導地位。為了實現這一目標，本文研究了過去的技術是如何整合的，重點是與人工智能增長采用相平行的點，以便為未來如何采用人工智能制定建議。首先，本文將研究隱身技術的發展和采用，然后是雷達技術，最后是空軍對商業現成技術的采用，即COTS技術，特別是對微芯片和軟件的關注。

人工智能

對學習機的首次討論開始于20世紀40年代，艾倫-圖靈在1950年澄清了這場辯論，盡管人工智能一詞在1956年才出現。在最初的興趣之后，人們發現計算機技術的發展還不足以取得重大進展。20世紀90年代末，狹義的人工智能研究工作大幅增加，并在1997年達到高潮：IBM的國際象棋程序 "深藍 "成功擊敗了世界冠軍加里-卡斯帕羅夫。在過去十年中，新的機器學習算法，通過迅速增加的計算能力和數據集規模，正在推動正在進行的人工智能革命。此外，人工智能圖像識別從2011年的26%的錯誤率到2015年的3.5%的錯誤率，優于人類標準錯誤率措施的5%。

了解人工智能的一個重要方面是，它主要由軟件驅動。雖然這一區別可能看起來并不重要，但它標志著與大多數先前技術的獨特區別。人工智能程序可以被開發出來，然后相對容易地輸出并使用柜臺上的硬件實施，這使得人工智能的獨家使用幾乎是不可能的。使這個問題更加復雜的是研究界的心態，即人工智能應該對所有人免費。"人工智能因社區的開放文化而變得更加復雜多樣，促使研究成果被廣泛發表，訓練過的人工智能模型可在網上免費下載。"這方面的兩個關鍵例子是TensorFlow和PyTorch；谷歌和Facebook各自的免費機器學習框架。

人工智能程序作為軟件的性質以及開放發現和共享的標準已經將人工智能推向了社會的各個方面。現在，即使是商業公司，如果沒有固有的技術基礎和資金來開發自己的人工智能，也可以利用預先建立的算法或使用共享計算和預先建立的程序來建立自己的特定應用程序。這與空軍過去利用的幾乎所有技術的性質有很大的不同，為美國空軍今后的發展創造了相當大的挑戰。

各國正在認識到人工智能的巨大潛力并成為該領域的先行者。 2017 年加拿大投資 1 億美元用于培養 AI 畢業生，韓國宣布每年投資 8.63 億美元為期 5 年，中國宣布計劃到 2030 年在 AI 經濟活動中賺取 590 億美元。美國也追求 AI，投資額約為2015 年 AI 研發投入 11 億美元，2016 年 12 億美元。國防部 (DOD) 于 2018 年成立了聯合人工智能中心 (JAIC)，以監督未來的 AI 發展。他們 2020 年的大致預算為 2.08 億美元。美國國防高級研究計劃局 (DARPA) 最近宣布了“AI Next”，這是一項 20 億美元的五年計劃，用于研究先進的 AI 技術。

與商業部門的支出相比，這些數字還很小。2016年的估計是，美國和中國的頂級科技公司（阿里巴巴、Alphabet、蘋果、亞馬遜、百度、Facebook、微軟、騰訊）對人工智能的投資在200-300億美元之間。同時，全球初創企業在人工智能方面的投資超過50億美元。在這種國家和企業明顯試圖成為人工智能技術領導者的情況下，美國空軍如何在人工智能技術領域獲得并保持技術和功能優勢？美國空軍在之前的許多技術進步中都有明顯的優勢或成為早期采用者。對這些技術采用的一些回顧將為美國空軍成為人工智能領導者需要做的事情提供啟示。

RADAR

• "雷達，就像二十世紀的大多數主要技術進步一樣，并不是由一個發明家的突然和靈感思路推動到實現的地步而產生的。與其他偉大的創新一樣，基本的想法比發明早了幾十年，只有當某些特殊的手段被開發出來后，其實現才變得可行。同樣，與本世紀的其他偉大發明一樣，一旦背景工作完成，發展就在幾個國家同時獨立進行。"

雷達（Radio Detection and Ranging）的歷史，無論從技術方面還是從戰略上考慮它在第二次世界大戰期間的角色都是十分關鍵的。第一次使用無線電波進行探測的記錄是在1904年，由德國科學家克里斯蒂安-胡爾斯邁耶（Christian Hülsmeyer）完成的。直到18年后，幾家公司開始認真推進這項技術，這項技術才再次被公開研究。值得注意的是，這些人中有兩個是美國人，其中一個來自美國海軍研究實驗室（NRL），該組織后來歸屬國防部--顯示了美國在研究和開發（R&D）方面的早期投資。

1930年左右，貝爾電話公司和美國海軍研究實驗室都注意到來自視線范圍以外的飛機的無線電信號有類似的波動，"因此，提出了一個可以為探測飛機和船只而建造設備的建議。這沒有得到海軍部的青睞，被放棄了。"國家實驗室的科學家們隨后沮喪地離開了海軍。他們在1934年為自己的工作申請了專利，這些專利后來被送往多個國家，支持了這些國家最初的雷達研發工作。當這些探測方面的發現正在發生時，在確定射程方面也同時有了發現，這是雷達運作所需組件的另一半。

重要的是要注意影響雷達發展的廣泛形勢。在發展的關鍵初始階段，英國正面臨著來自德國日益增長的軍備問題，特別是戰斗機和轟炸機部隊，這是對英國本土的直接威脅。此外，科學發展得到了英國當時的研發結構的幫助。英國的科學研究屬于三個緊密聯系的機構，其中之一是工業和科學研究部（DISR）。工業和科學研究部開始于1917年，以應對德國在一戰中領先的技術發展。這種情況與美國為應對蘇聯發射的人造衛星而設立的DARPA驚人地相似。

在20世紀30年代，德國人致力于研究兩種不同的方法，利用無線電波幫助飛機準確轟炸目標。這兩個系統，X-Grer?t和Knickebein，并不是對雷達的實際使用，它們是定向無線電波束，飛機使用調到特定頻率的盲目接收器。在英國，普遍的科學觀點是，使用的頻率在180英里以外是無法接收的。有了這個情報，就開始了改進雷達探測和導航并拒絕敵人使用雷達的競賽。

英國和德國在二戰開始時都有雷達設備的庫存。德國有兩家公司的雷達，Gema和Telefunken，它們分別制造了Freya和Würzburg。Freya的信號發射距離為75英里，覆蓋范圍為360度，并且可以移動，但它不能測量目標的高度。Würzburg的信號發射距離只有25英里，但可以準確地定位來襲的飛機，受到德國高射炮手的追捧。該雷達使他們能夠瞄準來襲的飛機，而不必先從視覺上找到它們。相比之下，英國的系統，Chain Home，發射距離為120英里，但視野有限，只有120度；其尺寸也限制了任何機動性。兩個國家都在研究安裝在飛機上的小型雷達。德國準備開始測試一個用于運輸機的機載雷達，而英國則準備推出一個用于巡邏機的系統和一個用于戰機的系統。

隨著對德國的轟炸越來越嚴重，對雷達支援的需求也越來越大。在預警雷達信息導致24架英國轟炸機中的14架在日間空襲中損失后，所有的轟炸任務都轉為夜襲。由于沒有足夠的Würzburg雷達來引導反機槍，德國人成立了一個夜間戰斗機中隊來對抗英國轟炸機。目前的雷達不足以支持夜間戰斗機的行動，因為它們要么不夠精確，無法將來襲的轟炸機和防衛的戰斗機分開，要么沒有足夠的探測范圍。夜間戰斗機指揮部與Telefunken公司合作開發了 "巨型Würzburg"。這個新系統既更加精確，又比以前系統的發射距離增加了一倍。對"Freya"雷達進行尺寸增加，也產生了作用，由此第三家德國公司I.G.Farben制造了"Mammut"雷達。在對地基預警雷達進行這些改進的同時，Telefunken公司還生產了Lichtenstein，一種用于夜間戰斗機的空中雷達。有趣的是，雖然兩者都是新技術，但飛行員已經習慣了地面雷達的控制，并經常因為操作上的輕微損失而拒絕使用裝有機載雷達的飛機。他們最終克服了這種猶豫不決，因為有一位軍官，路德維希-貝克爾上尉，堅持使用新的雷達。"隨著貝克爾的擊落分數穩步上升，該設備開始在其他地方獲得認可。"

在1939年奧斯陸報告的暗示下，英國人指派了一位科學家R.V.瓊斯博士到空軍情報局調查德國的系統。此外，英國人還派了一位特使到美國交換所有的雷達機密，"以換取技術和生產方面的幫助。"到1941年初，英國領導層仍然不相信德國人有任何雷達。在收到Würzburg的照片證據后，英國人于1942年2月對它進行了一次大膽的突襲，以獲取零件和技術手冊。有了這些信息，反措施的工作開始認真進行。到1942年4月，英國人部署了 "月光"，一種空中反雷達欺騙裝置，模擬大量的飛機來襲。然而，這種技術只適合對付"Freya"。

同時，這兩個國家正在研究第二種非常有效的反雷達方法。投下大量的小金屬條，也就是我們今天所說的 "箔條（chaff）"，當時英國人稱之為 "金屬箔片（Window）"，德國人稱之為 "杜佩爾（Düppel）"，它產生了大量的回波，有效地隱藏了雷達操作員試圖找到的飛機。在一個非常相似的反應中，這兩個國家都選擇不進一步追求這項技術，因為如果敵人發現了，對他們自己來說是多么糟糕。日本開發了Giman-shi（欺騙性紙張），并且已經在瓜達爾卡納爾島對美國海軍的炮手進行了有效的部署應用。英國人從未收到這一信息，直到1943年7月，英國飛機才最終部署了Window。決定使用Window的原因之一是美國的雷達研究終于迎頭趕上。美國的SCR.720雷達開發了一種發現和駁回Window雷達回波的方法，有效地否定了它對友軍造成的問題。英國最終在對漢堡的大規模突襲中使用了Window，一個高度防御的軍事目標。該部隊包括791架轟炸機，事實證明Window非常成功。漢堡空襲的典型損失是6%；這次，英國只損失了12架飛機，或1.5%，估計節省了35架飛機。

新的戰術和干擾技術在整個戰爭中繼續發展。這一發展的頂點是在支持盟軍入侵諾曼底的過程中。一個全面的欺騙計劃被制定并用于掩護入侵部隊。在入侵前，英國人系統地摧毀了德國著名的雷達站。入侵當晚，一支由18艘艦艇組成的艦隊被派出，其中4艘配備了經過特殊改裝的 "月光 "干擾器，14艘配備了綽號為"Filbert"的系留雷達反射氣球。伴隨著這兩支假軍團的是使用金屬箔片和空中干擾器混合的轟炸機中隊。一旦到達誘餌登陸地點，他們就部署煙幕，并發出類似于船只拋錨的聲音。掩護真正入侵部隊的是兩百個艦載雷達干擾器。這些努力的結果是阻止了對入侵部隊的任何空中反應，并造成了如此大的混亂，以至于德國人直到下午才向諾曼底投入重兵，認為這是另一個佯攻。

這段簡短的雷達發展、使用和利用的初步歷史為與當今人工智能的發展進行比較提供了幾個明確的路標。首先，美國起初完全忽略了雷達的早期階段。這不僅導致美國在研發方面的落后，而且疏遠了該領域的主要領先科學家和一家領先的商業公司，直接導致美國的早期專利技術在美國進一步開發同一技術之前被外國（甚至是敵對）國家使用。第二，跨越國際界限的伙伴關系使美國和英國的技術都得到了發展，超過了單獨工作所能達到的程度。如果沒有英國的早期援助，美國可能不會趕上技術的發展，因此，從來沒有向英國提供“金屬箔片”的解決方案。第三，雷達技術的發展既用于獨立的防御系統，監測來襲的飛機，也用于機載雷達，以提高飛行員發現和定位敵機的能力。這顯示了技術的雙重路徑，首先是獨特的獨立系統，其次是將新技術整合到已知的平臺。最后，雷達技術的初步發展突出了風險領域和失敗的潛力。在雷達投入使用后，就開始同時研究開發反雷達技術和保護這些努力，這對戰爭努力至關重要。

將這些經驗應用于當前的人工智能發展，表明美國空軍目前在哪些方面取得了成功，以及在哪些方面需要做出重大改進。前面討論的支出表明，美國空軍在人工智能技術上并沒有"過關"，然而，從資金角度來看，它已經落后了。美國空軍面臨的挑戰是不要像雷達研究那樣疏遠私營部門。資助人工智能研究的主要公司通常不是國防合同公司。DARPA的"AI Next"計劃無疑將吸引非典型的行業參與者，但不太可能吸引那些研發資金已經超過國防部的AI大公司。雖然DARPA在正確的方向上利用國防部技術基礎的舉措是一個積極的步驟，但缺乏直接連接到美國空軍記錄項目的能力意味著這項研究很有可能被遺忘，讓人想起海軍部在20世紀30年代選擇不追求雷達。我們將在隱形討論中看到同樣的問題，一個DARPA項目，即使是一個成功的項目，也不能保證是美國空軍的正式記錄項目。美國空軍必須選擇擁抱人工智能，所以它準備采用發展中的人工智能技術。

英國在科學部門和政策制定者或未來的政策制定者之間有著密切聯系的優勢。此外，已知的和即將到來的德國的威脅，沒有其他技術潛力來對抗空中轟炸，推動了對雷達技術的需求。美國空軍今天面臨著相反的關鍵問題：不受挑戰的成功。美國空軍過去幾十年來在中東的成功已經培養了整整一代人，他們將目前的部隊結構和戰術視為對空中力量的倒數第二種使用。雖然人工智能項目很可能會改善現有的空中力量的能力和戰術，但它們也將為執行空戰提供新的和獨特的機會。如果對執行空中力量的新方法沒有一個開放的心態，可能會排除現有的飛機、技術或人員，美國空軍可能無法進行創新，而只是逐步改善它已經擁有的東西。

第二個同樣重要的教訓是與其他國家互動的好處。不應錯過利用外國技術能力的積極因素。考慮到前面提到的開放源碼的心態，這一點尤其正確。其他國家將使用美國人工智能社區的發展。與我們最親密的盟友公開分享，可以確保美國和他們的盟友都處于人工智能技術的領先位置，并繼續在盟友中發展善意，因為我們與他們分享的東西可能很快就會發布。這也將有助于確保美國和其盟友的國際系統之間的互操作性。最近的沖突表明，在未來的任何沖突中，多個國家與美國結盟的可能性是多么大。發展共享的，或至少是類似的系統，能使兩國為未來的沖突做好最佳準備。因為有如此多的商業和開源的人工智能研究，與盟友共享不太可能失去秘密。只要技術開發的關鍵部分得到充分的保護，如訓練數據集或實際設備，風險就會很小。

雷達的開發幾乎同時發生，作為地面預警和地面控制，以及直接安裝在飛機上供空中使用，這提供了另一個教訓。美國空軍必須確保人工智能被用來改進當前的技術，如改進嵌入雷達的飛機，并找到正確的新想法，如開發一個預警站。上面提到的Maven項目是利用人工智能改進當前設備和戰術的一個很好的例子。美國空軍必須繼續盡可能地追求這種類型的改進。首先要看的是商業公司已經在開發可以輕松應用的系統。這可能是在飛機維修或調度方面，與商業航空公司或航運公司合作可以使雙方受益。同時，將人工智能引入某些戰斗系統可能會立即為正在進行的斗爭提供解決方案。克服雷達干擾和探測雷達跟蹤都有很大的潛力從人工智能中受益，因為信息量大，而且必須以最快的速度處理。美國空軍必須有力地確保國防承包商認真對待人工智能的潛在好處。這可以通過特別要求項目的某些方面采取人工智能，或者通過設定只有通過使用人工智能才能滿足的要求來實現。此外，必須提供開放的系統架構，以便多個用戶可以開發軟件和人工智能程序，并能快速有效地應用于實戰飛機。把一切都留給主要的國防承包商，大大限制了潛在的人才庫和可以實施的想法。

最后，雷達技術如何迅速地以多種獨特的方式被反擊的例子突出了人工智能的潛在風險。美國空軍需要認真對待人工智能防御，并對任何正在開發的人工智能系統進行 "加固"，以及規劃對敵人人工智能能力的防御。目前最高的風險之一是用于訓練人工智能算法的數據集的損壞。損壞可能是意外發生的，也可能是惡意的，敵國或玩家故意添加圖像，迫使程序錯誤地學習。緊隨其后的是未知的偏見，它可能在從數據集學習的程序中發展。這種未知的偏見可能是由于一個不完整的數據集，一個沒有被正確建立的數據集，或者一個被故意篡改的數據集。由于特定算法的創造者往往不知道人工智能程序是如何做出決定的，因此存在著程序發展未知偏見的真正危險。此外，由于訓練人工智能算法所需的數據集非常大，要持續監測數據集的有效性是非常困難的。最后，在人類看來是無稽之談的圖像可以有效地欺騙計算機識別程序，使之成為高概率的錯誤報告。這些只是已知的人工智能潛在隱患中的幾個。美國空軍必須認真對待這些風險，并開發出能防止顛覆的系統。管理正確保護和分類的數據集需要對軍事人工智能算法極為重視，這是一個良好的開端。然而，僅僅談論意外發現的最新問題是不夠的。美國空軍必須拿出一個熟練的 "紅隊"，一個了解人工智能的小組，主要負責尋找針對我們自己系統的利用手段。傳統的測試和驗證水平對于一個與迄今所見的任何技術都如此不同的技術來說是不夠的。

最后，美國空軍也必須著眼于防御人工智能的進攻性使用。這將是一個更加困難的數量級，因為它涉及到正確預測對手如何可能使用人工智能技術，然后尋求對抗這些努力。特別重要的是要注意，對人工智能進行適當的防衛準備必須不僅僅是著眼于保護數據集和推進電子戰。人工智能算法有可能影響更多，而且是以人們剛剛開始討論的方式。深度偽造，人工智能制作的視頻模仿真人，以至于與真實視頻無法區分，是一個巨大的潛在威脅。雖然這肯定是政府高層的問題，但美國空軍也不能忽視這個問題。

隱形

隱形技術是試圖使飛機避免雷達探測的一個重要要素。這個領域包括多種方法，包括箔條、戰術、電子攻擊、雷達吸收材料（RAM）和飛機形狀，正如之前在雷達部分討論的那樣。大多數人將隱身與洛克希德公司最初發布的F-117 "夜鷹 "聯系在一起，但早在二戰期間，地面探測雷達一投入使用，就開始了避免探測的嘗試。很快就可以看出，減少雷達截面（RCS）是非常困難的，而且回報也很小。按照現在已經確立的雷達測距方程，當時的科學家們很快發現，要將飛機的探測距離減少10倍，飛機的RCS就需要減少10,000倍。到20世紀70年代，RCS管理方面的主要工作幾乎完全是由于處理RAM的各種努力，而在管理飛機形狀以大幅減少RCS的方法上投入的努力微乎其微。

減少飛機的RCS很快成為美國空軍的一個重要焦點。1973年，以色列在贖罪日戰爭中與敘利亞和埃及作戰。以色列使用美國空軍最新的飛機和戰術作戰，但在18天內損失了108架飛機，主要是被當時的美國情報部門評估為 "不合格"的部隊所操作的地空導彈（SAM）擊中。第二年，DARPA開始了一項具有雙重目標的計劃：發現戰術飛機所需的RCS以避免被發現，并開發出實現該RCS的技術方法。有趣的是，最初的要求只發給了五家公司。諾斯羅普、麥道、通用動力、費爾柴爾德和格魯曼，不包括洛克希德。洛克希德公司在向DARPA介紹了以前為中央情報局設計的A-12和D-21偵察機所完成的高度機密工作后，獲得了進一步研究的合同。洛克希德公司決定在設計上首先滿足RCS的要求，而不是按照戰術飛機的要求設計，然后再試圖降低RCS。Denys Overholser和他的團隊開發了計算機程序來預測特定飛機設計的雷達信號。在他發現了俄羅斯人P.I.Ufimtsev于1962年發表的關于雷達信號衍射的科學著作后，取得了重大突破，該著作于1972年被翻譯成英文。

以計算機預測為基準，洛克希德公司獲得了25,000美元，用于建造一個帶有金屬框架的初始設計的木制模型，以驗證模型的準確性。1975年，洛克希德公司和麥道公司都進行了測試，以驗證這些模型，導致DARPA開始了這個項目，該項目后來被稱為實驗性可生存試驗臺（XST）。三支隊伍參加了XST競賽，洛克希德公司和諾斯羅普公司超出預期，提交了性能幾乎相同的原型。第三支隊伍是麥道公司和Teledyne Ryan公司的合作，沒有達到XST的規格要求。

在合作之前，麥道公司在專注于更通用的隱身設計之后，正在努力滿足RCS的要求。他們之前的設計被命名為 "靜音攻擊"，試圖通過減少雷達、聲學、紅外和視覺這四個領域的信號來保持不被發現。在與Teledyne Ryan公司合作后，該聯合提案在減少RCS方面仍然表現不佳，并計劃用電子對抗措施（ECM）來彌補這一差距。洛克希德公司和諾斯羅普公司都獲得了大約150萬美元的資金來進行XST項目的第一階段。隨著第一階段的結束，DARPA選擇了洛克希德公司負責該項目并進入第二階段。諾斯洛普團隊所做的工作得到了認可，他們被鼓勵繼續為另一個剛剛開始的DARPA項目工作。他們的工作是Tacit Blue項目的基線，Blue項目又是B-2轟炸機項目的基線。

在開始第二階段之前，DARPA決定擴大項目的范圍。不幸的是，新的總成本估計為3600萬美元。在DARPA項目中，典型的成本分擔是DARPA占34%，承包商和相關部門占33%。在這種情況下，空軍的資金是一個問題，許多領導層不愿意提供1200萬美元的資金。在內部，空軍正在努力就輕型戰斗機項目（這將成為F-16，美國空軍庫存中最普遍的戰斗機）達成一致，許多人不想支持另一個技術演示。最終，DARPA獲得了資金，第二階段于1976年4月開始，打算建造一個實際的飛機技術演示器。該計劃的安全性也被提高到最高機密，并被命名為 "Have Blue"。許多在第一階段工作的人都沒有得到通報，也不知道這項工作還在繼續。

這兩架 "Have Blue"飛機于1976年開始建造。為了節約成本和時間，飛機的許多基本設備都直接來自于現有的飛機：F-16的側桿控制器，F-5的鼻輪轉向器，以及來自海軍T-2C庫存的通用動力發動機。"Have Blue"1號機于1977年12月1日進行了首次飛行，在贖罪日戰爭喚醒四年后，在DARPA開始該計劃僅三年后，它甚至有可能避免被防空導彈發現。到 "Have Blue"計劃結束時，總成本為5460萬美元，第二階段平均只有66名洛克希德公司的工程師。"Have Blue"計劃成功后，洛克希德公司試圖為海軍設計低可視性的艦艇。在DARPA的支持下，在成功展示了與潛艇類似的驚人成果后，海軍領導層拒絕了追求這種能力。對洛克希德的 "Have Blue"計劃至關重要、后來領導了 "臭鼬工廠"（洛克希德負責"Have Blue"計劃的技術部門）的本-里奇推測，海軍拒絕的原因是無法將文化從公認的設計和人員配置中轉移出來。他說，海軍認為，這種設計 "看起來太不同了"，它不需要足夠的水手讓艦長覺得自己在領導，而且海軍也不需要足夠的水手來填補所需的領導職位。里奇說，最后海軍決定這是一個 "過于激進的設計"。

在證明科學理論和實戰化的戰術隱身飛機之間仍有許多問題需要克服，最重要的是被動紅外瞄準系統。在最初計劃購買20架飛機，然后增加到89架，美國空軍最終確定了總共59架飛機。在1983年宣布有限的初始作戰能力后，F-117A于1989年在巴拿馬首次投彈作戰。F-117A只出動了兩個架次，由于沒有地面雷達防御網絡，所以沒有獲得關于飛機能力的信息。在1991年的沙漠風暴行動中，F-117A第一次有機會在高度競爭的戰斗中證明隱形技術的可行性。F-117機隊出動了1270架次的戰斗，是唯一一架有機組人員的飛機，負責打擊巴格達的高度防御目標。F-117A只出動了總攻擊架次的2%，但卻在針對伊拉克戰略目標的任務中使用了40%，所有這些都沒有被敵人的炮火擊中過。

從隱身術的發展中，有幾條有用的經驗可以應用于人工智能的發展。首先，重要的是要注意到，世界上沒有任何地方的隱身研究能達到這種程度的成功例子。這是由幾個因素造成的：該技術的使用極為集中，缺乏任何相關的民用利益，人們認為缺乏對該技術的需求（從俄羅斯的反應中可以看出，他們傾向于防御性防空導彈而不是進攻性隱形），以及美國非常成功地將該項目分類并對隱形項目的存在進行保密，更不用說細節。這種情況與當前全球人工智能競賽之間的鮮明差異至關重要，因為它表明在一個孤立的保密世界中試圖管理人工智能發展是徒勞的。當然，一些人工智能項目或項目元素可能是保密的，還有軍事數據集和其他設備，但人工智能在商業領域的發展和使用甚至已經超過了國防部的尖端機構DARPA。正如前面所討論的，DARPA的AI Next計劃將在不久的將來花費不到世界領先公司在AI開發上的10%。美國空軍不會通過保密來保持在AI應用上的優勢。

盡管在發展方面存在巨大差異，但有幾個推論為人工智能的發展提供了經驗。David Aronstein和Albert Piccirillo從他們對隱形發展的研究中提供了幾個重要的教訓。首先，不要回避外部的專業領域。洛克希德公司最初被排除在討論之外，因為他們沒有被認為參與了戰斗機的設計。美國空軍決不能將技術合作局限于傳統的國防服務公司。雖然這些傳統公司無疑將在未來發揮關鍵作用，但錯過最佳團隊進行獨特改造的風險太高了。美國空軍必須邀請并找到與國防工業沒有普遍聯系的公司進行接觸。

第二，鼓勵競爭，不要讓知識和技能被浪費。DARPA鼓勵諾斯羅普公司參與第二個項目，使未來的隱身設計成為可能。在這個技術發展和創新的關鍵時期，任何專業知識都不應被忽視。跨職能領域、專業甚至服務部門的溝通是必須的。DARPA的項目經理有效地將一個團隊過渡到另一個發現領域，直接影響到下一代的隱形。美國空軍必須發展和保護溝通渠道，這樣不適合一項任務的突破和創新設計就不會丟失，而是轉移到它們將是關鍵的地方。

第三，人員是關鍵：在隱身技術的發展中，政府和工業界的團隊合作良好，所有的團隊都是由高技能和積極性的人組成的小團體。美國空軍必須認識到并完成同樣的工作。它必須在戰術層面和高級領導人中高度重視人工智能知識和經驗。由于美國空軍的領導層不了解人工智能，認為這個想法與目前的范式差別太大，而放棄了下一次軍事革命，這是美國空軍無法承受的失敗。Aronstein和Piccirillo將一個關鍵的教訓總結如下:

• 代表大多數參與的主要組織的一些項目參與者將美國空軍早期低觀測點工作的成功大部分歸功于高級領導人，他們構建了該項目，支持它，并允許它以精簡的方式進行，并縮短了監督。他們允許許多通常的官僚主義被削減，并授權項目人員完成他們的工作。

這個教訓無疑是最難應用的；畢竟，他們討論的是對一個小項目來說容易和有效的做法。當人工智能作為一個概念，不僅有可能侵入每件作戰設備，而且還有可能侵入作戰控制、維護和所有支持工作時，如何達到同樣的效果？在這種情況下，美國空軍將通過模仿國防部已經做的事情，建立一個人工智能辦公室來做得最好。如果有適當的位置、人員和資金，美國空軍的人工智能辦公室在應用一些相關的經驗方面可能是至關重要的。該辦公室在與新的商業公司和領先的人工智能技術公司的協調中可能是至關重要的，協助服務的各個方面的溝通，負責對正在進行的項目進行適當的監督，并成為選定的人工智能網絡和人工智能采購專家人員工作的完美地點。

最后，隨著美國空軍開發和采用人工智能，必須同時注意反人工智能技術和基礎技術或執行方面的弱點。雖然麥道公司的XST在降低RCS方面表現不佳，但在視覺、聲學、紅外和雷達等所有 "波段 "上應用隱身技術的意義重大。美國空軍隱身飛機目前面臨的最大挑戰之一是，潛在的對手國家已經選擇不使用美國空軍技術仍然優越的雷達與它們交戰。相反，他們正在轉向其他頻段，在那里他們可能更容易發現隱形飛機。1999年在科索沃發生的F-117A的唯一一次戰術損失就是對這一點的一個很好的提醒。薩姆防御部隊在傳統上沒有機會使用雷達來探測和瞄準美國空軍的隱形飛機，但在這種情況下，他們不需要這樣做。他們利用視覺觀察員在飛機從意大利起飛時打電話的組合，并利用F-117A不幸地選擇反復使用相同的飛行路線來知道飛機的大致位置。

商業現成（Cots）技術和軟件

最后分析的重點領域是國防部以前采用商業計算機技術的工作。研究的主要來源是國防部服務委員會的研究報告，包括1987年1月的研究 "軍事設備中商業組件的使用 "到2018年2月的研究 "國防系統軟件的設計和采購"。 雖然所有的研究并不完全集中于相同的技術采購，但它們基本上是相互迭代的，參考了國防部在他們的時間段和之前對現有技術的使用。令人震驚的是，在跨越30多年的技術發展過程中，每項研究的結論和建議是如此相似。

在國防部使用計算機技術的整個歷史中，各部門一再趨向于缺乏對商業能力的信任和對所需目的要求的過度規定。一項研究甚至明確指出："國防部資助的研究和開發曾經推動了商業技術的發展，但現在商業技術在許多關鍵領域領先于國防部。"這一評估表明，過去和今天國防部與商業人工智能技術之間的平衡有著驚人的相似之處。那么，有哪些成功和失敗的經驗，我們如何從中學習？

從最早的研究來看，涉及到80年代末的微處理器采購，有幾個問題被強調。首先，國防部的標準比目前可接受的商業標準更具限制性。這在最初沒有行業標準的情況下形成。隨著技術的發展，軍事應用引領了方向，創造了一個有許多標準的可接受的標準。隨著商業行業的發展，基線設備在效率和可靠性方面都有所提高，具體的技術并不總是遵循以前定義的軍事規格。軍方不愿意接受民用標準，而是越來越多地堅持已經定義的MIL-SPEC標準，甚至經常提高要求。值得注意的是，這些額外的要求往往不會使產品比商業對應產品更有能力。這使得商業公司與國防部打交道變得非常麻煩，他們需要為軍事和商業銷售創造不同的項目，而這些項目的功能基本相同。這種趨勢一直持續到今天，這也是許多公司發現與美國空軍合作具有挑戰性并選擇回避軍事合同的原因之一。我們一次又一次地發現，美國空軍為功能不如民用產品的產品支付了更多的費用。國防部要求的原因之一是保持美國對產品生產的控制。雖然在產品管道安全方面肯定有問題，但有許多領域的風險是超過可接受的。此外，正如過去發現的那樣，即使有非常重要的限制和監督，許多美國公司購買的產品都是在美國以外創造的，只在美國組裝。

從歷史上看，美國空軍也發現自己在新興技術的知識基礎方面很薄弱。這似乎是反直覺的，然而，這在DSB的研究中被反復強調。這并不是說美國空軍在使用技術方面不領先，只是說合適的人沒有足夠的知識和經驗。空軍擅長用先進的技術來執行，但在開發和獲取這些技術的過程中，常常在成本或時間（或兩者）上掙扎。這種知識的缺乏尤其適用于采購和維持領域，美國空軍飛行員正在協調數百萬美元的合同，卻沒有充分了解真正的需求是什么，以及如何與擁有先進技術的實際設計和建造專業知識的私營公司適當合作。在過去，這往往導致時間和成本的超支，并最終導致國防部比私營公司付出更多，得到更少。

這種知識的不足也導致缺乏為未來制定適當要求的能力。這既是一個科學知識基礎，也是一個文化挑戰。美國空軍必須在采購職業領域擁有一批受過人工智能教育的人員，以便與商業公司就合同進行充分的合作。美國空軍還需要在未來的能力和項目辦公室中擁有受過人工智能培訓的人員，以了解平臺應該在哪些方面進行開發，以及哪些領域由于在該領域或人工智能的接壤領域的進展而不再有用。

此外，美國空軍需要關鍵的戰術思想家和支持性的戰略思想家來尋找未來使用人工智能的最佳領域。這些想法不應僅限于讓美國空軍擁有的東西變得更好；他們應該努力實現真正的創新，以一種完全獨立的方式使用人工智能，或與一個系統搭配，以一種新的和獨特的方式實現戰略目標。2009年DSB研究報告建議國防部擁有 "相關的能力和經驗，包括技術領域和項目管理。"然后在2018年，DSB研究報告建議各部門 "發展勞動力能力和對當前軟件開發技術的深刻熟悉。"顯然，這是美國空軍以前面臨的問題，還沒有克服。這不僅需要受過教育的人員，也需要文化的改變。

通過多年的研究，這些教訓需要由全面的文化變革來推動，這可能就是為什么在這么多建議之后，它仍然沒有發生。1989年，DSB建議國防部需要進行根本性的文化變革，"以獲得更高的質量、更低的總成本、更多獲得先進技術的機會、更廣泛的工業基礎和更大的客戶滿意度的潛在好處--正如民用部門最近的趨勢所代表的那樣。"1994年的研究將爐管文化作為建議不被接受的原因。 2009年的研究再次呼吁改變購買和修改COTS的文化，以獲得速度、降低成本和風險。最后，2018年的研究說，由于國防部的文化，國防承包商基地沒有跟上成熟的商業部門軟件開發。值得慶幸的是，到目前為止，這只是花費了時間和金錢。如果美國空軍不能適應人工智能，其后果可能會更糟糕。在三項研究中，高層領導自上而下的參與是糾正國防部缺乏向COTS設備轉變的能力的建議。

建議

所有三個案例研究中最關鍵的發現是，外部驅動力對于新興技術的有效和高效應用至關重要。在雷達的案例中，是迫在眉睫的威脅和二戰的持續行動推動了技術的實施。就隱身而言，是以色列在贖罪日戰爭中的損失所激發的恐懼，使美國空軍對其設備和戰術產生懷疑，甚至對對手產生懷疑。至于徹底和有效地采用COTS技術和軟件，國防部一次又一次地落后于商業部門，因為沒有激勵執行的需求。不幸的是，如果沒有一個統一行動的外部動機，這種趨勢要克服是非常困難的。

為了應對這一挑戰，美國空軍必須采取多種途徑。首先，美國空軍必須自上而下地優先采用人工智能。人工智能國家安全委員會（NSCAI）提交給國會的2019年報告也提出了這一觀點。它引用了蘇聯作為威脅，在冷戰中推動了核武器技術，然后在20世紀70年代推動了隱形和GPS。這應該由目前的領導層來完成，使人工智能的采用成為一個持續的關鍵利益項目，并創建一個美國空軍辦公室來推動和協助人工智能在所有服務元素中的采用。空軍采取了初步措施，但這還不夠。國防部人工智能戰略文件的2019年美國空軍人工智能附件將有效和高效地在全軍采用人工智能列為優先事項。然而，這還不夠，文本中固有的思維方式也不足以將人工智能完全采用到所需的程度。在結尾處，它說："對我們這些軍事領域的人來說，人工智能類似于隱形飛機和精確制導彈藥的發展。"正如本文所討論的那樣，隱形技術雖然重要，但它是一種孤立的技術，是進化的，使美國空軍既定的理論有了實質性的提高。另一方面，人工智能有可能在多個領域產生革命性的影響，無論是對美國空軍還是對其對手。在沒有具體的外部推動力的情況下，美國空軍必須將人工智能發展和應用的重要性內部化，就像有一種存在的驅動力一樣。如果它不這樣做，在以前的技術采用中反復看到的同樣的陷阱將發展，美國空軍將落后。NSCAI支持同樣的擔憂，同意明確承認人工智能對國家安全的重要性，"然而，不清楚這些最高級別的信念和戰略優先事項是否已經被各部門和機構完全接受了。對于人工智能如何解決核心國家安全挑戰以及實現人工智能優勢所需的條件，必須有廣泛的組織理解"。

該辦公室不僅需要適當的級別和官方領導的監督，而且還需要一個支持人工智能努力的重要性的分配預算，有能力將這些資金分配給任何朝著明確的人工智能采用目標前進的組織或項目。這反映了2002年DSB研究的前三項建議，2009年DSB研究的結論，以及1990年DSB研究的實施計劃。此外，該辦公室必須配備受過人工智能培訓的人員。

這些案例研究中明確提出的第二項建議是人的重要性。正如上文在審查COTS采用情況時指出的那樣，從洛克希德公司從事Have Blue工作的少數工程師所做的驚人開發中可以看出。有未來人工智能建議的三個主要文件（NSCAI、新美國安全中心的研究報告《美國人工智能世紀：行動藍圖》，以及國防部人工智能戰略的美國空軍人工智能附件），都將招募和培訓人工智能人員作為他們的主要發現之一。美國空軍應該以多種方式處理這個問題，首先為人工智能培訓人員創建一個職業領域，或者至少創建一個網絡職業領域的子集。這加強了人工智能在自上而下的重要性，并發展美國空軍人員。此外，美國空軍可以提供類似于其他職業領域的獎金，以獎勵長期服務。

獲得合適人員的第二個方法是通過與在人工智能開發方面有實力的商業公司建立強有力的關系。美國空軍人工智能辦公室在與通常與國防部沒有聯系的公司發展密切的伙伴關系方面具有獨特的優勢。軍隊和技術部門之間的差距正在擴大，個人關系和直接的辦公室聯系將有助于縮小差距。美國空軍必須尋找已經在部署人工智能的公司，其方式可以直接轉移到目前的行動中。這可能是商業航空公司或空運公司的維修或飛行調度過程，也可能是協助基地安全或旅行協調。從不太嚴格的安全要求開始工作，不僅會使美國空軍的效率全面提高，而且會加強非傳統商業公司之間的聯系，并有助于將人工智能介紹給美國空軍人員。這將在多個渠道建立信任，以實現更大的人工智能發展合作。美國空軍還必須確保人工智能在目前運行的公司和項目中的發展。

空軍必須效仿雷達技術的發展，既要改進已知的系統，又要集中精力尋找人工智能可以創造或加強全新的設備，或戰術和行動路線的領域。雷達被設計到飛機上以提高其性能，但它首先被設計為一個全新的元素，即基于地面的探測和控制。美國空軍必須吸取的教訓是，有目的地尋求全新的和獨特的方式，使人工智能可以實現戰術、作戰或戰略優勢。首先，人工智能可以而且應該被用來大幅改善已知的平臺和能力。當前飛機的升級計劃必須推進到包括人工智能。然而，如果這就是美國空軍采用的終點，它將有可能失去發展中的技術所提供的最大優勢。

美國空軍需要在戰術官員中培養一種對人工智能潛力的認識，并鼓勵對未來的創新思維。這可能是最困難的過程，因為這無疑將導致美國空軍在某些領域偏離傳統裝備和戰術。緩慢而痛苦地采用遙控飛機顯示了這個過程可能是多么困難。如果不成功，敵國很可能已經適應了人工智能來防御我們目前的戰術，美國空軍將被拋在后面。這個過程也必須立即包括創造性的防御和對抗對手AI的方法。

人工智能將成為下一代的決定性技術，塑造世界各地的軍隊。只要美國空軍承諾應用該技術并獲得好處，它就完全有能力利用這些好處并保持其在世界的卓越地位。必須采取行動，遵循本文提出的步驟將有助于確保這些行動在未來是正確的。

摘要

《改變陸軍的思想：實現多域作戰的認知優勢》，作者丹尼爾-J-赫利希上校，72頁。

認知能力影響著士兵表現的所有方面--身體、精神和情感。盡管陸軍希望在多域作戰（MDO）中實現認知優勢，但它還沒有完全發展和采用認知性能增強和優化的概念。相反，士兵們服務于即時溝通的“永遠在線”文化中，試圖過濾數十種信息流并做出快速決策，同時在睡眠不足的情況下進行運行，并且沒有獲得認知能力教育和培訓的益處。由于陸軍現代化戰略規定了使用日益復雜裝備更復雜的戰術，陸軍必須改變其認知能力方法，以防止對手獲得他們在認知領域尋求的不對稱優勢。本專著描述了對士兵認知能力日益增長的要求，提供了認知理論的概述，并評估了陸軍目前的認知能力方法與工業界、盟國和對手認知能力的比較。最后，它概述了與提高認知能力相關的潛在機會和威脅，并對DOTMLPF-P的改革提出了建議，以促進整個軍隊持久的認知主導文化。

引言

認知能力是士兵在戰場上和戰場外執行每項任務的基礎。它是支持所有表現的關鍵變量--身體、精神和情感。在最近的出版物中，包括2019年陸軍現代化戰略和2028年多域作戰（MDO）概念，陸軍理論描述了認知優勢的重要性，或獲得對敵人的智力優勢。

盡管認知科學取得了進展，并且普遍認識到認知優勢在MDO中的重要性，但陸軍還沒有完全發展和接受認知能力優化的概念。在過去的十年中，美國國家衛生研究院在大腦研究方面投入了超過457億美元，但士兵和領導人在 "永遠在線 "的多任務和連接的認知能力文化中進行訓練和操作。在整個軍隊中，領導人試圖過濾幾十條信息流，做出快速決策，而對認知能力優化的原則了解有限。這種文化是在認知上失敗的秘訣，而不是主導地位。

在此期間，中國和俄羅斯與美國一樣希望獲得認知上的優勢。兩國都在尋求生物技術、神經科學和人工智能(AI)解決方案，以增強人類認知能力，為他們提供相對于美國及其盟友的不對稱作戰優勢。不受西方社會倫理規范的約束，中國和俄羅斯積極利用民用和軍事兩用研究來實現這些目標。這兩個國家都將思想視為現代戰爭的主要戰場，并采取措施競爭和主導。

為了確保未來的認知主導地位，美國陸軍必須改變其文化，以推動競爭和創新的方式激勵卓越的認知。這需要一種植根于教育、培訓、技術和努力工作的深思熟慮的方法，用基于科學的方法來取代過時的認知能力神話，以確保認知優勢。在此之前，我們的對手可能會在認知領域找到他們尋求的不對稱優勢。

本專著描述了日益增長的要求，士兵的認知能力，并提供了認知理論和基礎神經科學的概述。它評估了陸軍當前的認知能力方法，并與工業、盟友和對手的方法進行比較。最后，它提供了與認知能力增強相關的潛在機會和威脅的概述，并提出了DOTMLPF-P變化的建議，以促進整個陸軍持久的認知主導文化。

1. 簡介

機器學習（ML），從廣義上講，是一類自動優化參數以處理給定輸入并產生所需輸出的計算機算法。ML的一個經典例子是線性回歸，據此找到一條最適合（通過）一組點的線。最近的一個例子是分類任務，如用 "貓 "這樣的單字來標記一張百萬像素的圖像。

對于許多應用，ML完成了人類可以做得同樣好的任務。然而，ML在兩種情況下大放異彩：1）任務的數量巨大，例如數百萬；2）問題的維度超出了人類思維的理解。一個簡單的例子是同時實時監控成千上萬的安全攝像頭，尋找可疑的行為。也許一個ML方法可以發現異常事件，并只與人類觀察者分享這些視頻片段。更好的是，異常圖像可以被暫時貼上諸如 "1號入口處的蒙面入侵者 "之類的標簽，以幫助保安人員只關注相關的信息。

除了減少人類的負擔外，ML還可以將人類可能無法識別的復雜的相互聯系拼湊起來。例如，一個ML算法可以發現，在一百萬個銀行賬戶中，有五個賬戶的交易似乎是同步的，盡管它們沒有相互發送或接收資金，也沒有向共同的第三方發送或接收資金。

鑒于手持和固定設備的計算資源不斷增加，我們有必要想象一下，ML可以在哪些方面改變戰爭的打法。當然，ML已經對美國陸軍的科學研究產生了影響，但我們也可以很容易地想象到自主車輛和改進的監視等作戰應用。

本文件的主要目標是激勵美國陸軍和美國防部的人員思考ML可能帶來的結果，以及為實現這些結果，哪些研究投資可能是有成效的。

5. 使用機器學習的ARL研究

在ARL的許多研究項目中，機器學習目前正在被使用，或者可以被使用。我們列出了一些使用ML或可能從ML中受益的研究項目。我們列出的與ML相關的ARL研究工作絕非完整。

6. 軍隊作戰應用

雖然從技術上講，機器學習自19世紀初高斯發明線性回歸以來就一直存在，但我們相信，ML的最新進展將以我們目前無法想象的方式影響軍隊。在本節中，我們概述了我們認為將得到加強的軍隊行動的許多領域，以及可能采用的ML方法的種類。

6.1 軍事情報

軍事情報包括信息收集和分析，因為它涉及到指揮官做出最佳決策所需的信息。由于收集的數據量越來越大，處理必須自動化。需要考慮的主要問題是數據的數量、速度、真實性和多樣性。大量的數據（又稱大數據）需要在許多計算節點上對數據進行智能分配。速度要求快速計算和網絡連接到數據流。真實性是對信息來源和異常檢測的信任問題。多樣性相當于使用許多不同的ML算法的不同訓練模型的應用。我們在本小節中概述了不同類型的數據和分析要求。

6.1.1 自然語言處理

讓計算機從從各種媒體來源收集到的大型文本數據庫中提煉出重要的概念和文本部分，有很大的好處。最近報道的另一個ML突破是不同語言之間的精確文本翻譯。 軍隊的一個獨特挑戰是翻譯不常見的語言，因此專業翻譯人員較少。在人工通用智能（AGI）領域，一些團體聲稱，自然語言處理將是類似人類認知的基礎。

6.1.2 數據挖掘

鑒于人類、傳感器和代理產生的數據的激增，一個很大的問題是，除了證明其收集的直接用途之外，這些數據還包含什么剩余價值。數據挖掘可以是統計學和機器學習的努力，以發現數據中的模式，否則人類操作者就會錯過。

6.1.3 異常檢測

傳統上，異常檢測是通過首先識別已知數據的群組和描述數據的分布來進行的。然后，當新的輸入被處理時，它們被識別為屬于或不屬于原始分布。如果它們在已知分布之外，就被認為是異常的。以下許多類型的異常檢測系統可能對軍隊有用。

• 網絡入侵檢測：超出常規的網絡流量。McPAD和PAYL是目前使用的軟件中的2個這樣的例子，它們使用了異常檢測。

• 生活模式異常：人們的視覺和生物統計學上的行為方式與常人不同，表明他們可能正在進行一些對抗性行動。

• 基于條件的維護：在當前生命周期中，材料/系統在其年齡段不典型的信號。

• 士兵異常：有理由相信士兵的生物識別技術不正常。

• 異物檢測：在已知物資數據庫中無法識別的物體的視覺效果。

6.2 自主性

6.2.1 自動目標識別

自動目標識別（ATR）是一個非常成熟的領域，已經使用機器學習幾十年了。

1）目前深度學習的進展將在多大程度上增強ATR？

2）更復雜的算法是否需要更復雜/更耗電的機載計算？

3. ML是否能對目標的各種欺騙性的混淆行為具有魯棒性？

4. 強化學習在多大程度上可以用來進行實時軌跡調整？

6.2.2 機器人學

機器學習在機器人學中的應用也是一個巨大的領域。ML應用領域包括傳感、導航、運動和決策。目前，傳感將從計算機視覺的所有進展中受益。導航，除了使用標準的GPS之外，還可以從自我運動中受益，也就是基于自身感知的運動估計。運動可以被學習，而不是規劃，這不僅會導致更快的開發時間，而且還能在新的環境或受損的模式下重新適應（例如，失去四條腿中的一條）。最后，隨著機器人的數量超過人類操作員的數量，機器人將有必要自行決定如何執行其規定的任務。它將不得不做出這樣的決定："由于電池電量不足，我是否要回到大本營？"或者 "我是否繼續前進一點，然后自我毀滅？"

6.2.3 自愈性

除了機器人技術，人們最終希望任何系統在損壞或不能滿負荷工作時能夠自我糾正。這需要在某種程度上的智能，以自主診斷缺陷和問題，并利用其可用的資源糾正這些問題。

6.2.4 倫理

在通過機器學習來學習自主權的情況下，問題將是："自主系統將如何應對X情況？" 這里的問題是，對于一個擁有潛在致命武力的系統，我們怎么能確定它只會正確合法地使用武力？我們推測，在機器學習的算法擁有使用致命武力的實際能力之前，必須對其進行廣泛的測試，即使它與人類的環形決策相聯系。

6.3 通過玩游戲來訓練智能代理

近年來，大量的研究都在研究使用機器學習來自主地玩各種視頻游戲。在某些情況下，報告的算法現在已經超過了人類玩游戲的水平。在其他情況下，仍然存在著處理長期記憶的挑戰。對于美國空軍來說，智能代理已經成功地在以戰斗為中心的飛行模擬器上進行了訓練，這些模擬器密切模仿現實生活。陸軍的問題包括以下內容。

• 智能代理能否附加到機器人平臺上？

• 智能在多大程度上可以通用于處理現實生活與視頻游戲中遇到的各種情況？

• 當我們可能不理解一個訓練有素的代理的邏輯時，我們能相信它的行動嗎？

• 代理在多大程度上能夠與人類合作？

6.4 網絡安全

在過去的十年里，機器學習在網絡安全方面發揮了不可或缺的作用。具體來說，ML可以用于異常檢測，檢測已知威脅的特定模式，并辨別網絡行為是否可能由惡意代理產生。隨著該領域的不斷加強，問題是ML是否能使安全比對手領先一步，因為對手可能利用ML來混淆檢測。

6.5 預測和結構健康監測

一個長期的設想是，軍隊使用的每一個機械系統都有一些關于系統當前和預測健康的內部感應。相關問題如下。

• 我們能從有限的傳感器中辨別出一個系統或系統組件的當前健康狀況嗎？

• 機載ML能否預測一個系統或系統部件在暴露于特定環境或彈道侮辱之后的健康狀況？

6.6 健康/生物信息學

6.6.1 序列挖掘

隨著基因組序列的數量繼續呈指數級增長，比較在現場獲得的序列所需的計算工作可能變得無法管理。機器學習可以通過對序列進行不同層次的分類來減少必要的比較。

6.6.2 醫學診斷

93 近年來，機器學習已經在檢測各種組織中的惡性腫瘤方面取得了長足的進步。94 它同樣可以被用來描述創傷或創傷后應激障礙（PTSD）95，并制定治療計劃。

6.7 分析

陸軍的一個重要組成部分集中在對行動、系統、研究和測試的分析上。傳統上，分析人員使用大量的工具，包括機器學習，以多維回歸、聚類和降維的形式。隨著深度學習的出現，一套新的工具應該是可能的，可以更有效地處理需要更復雜模型的大型數據集。例如，應該有可能從測試期間拍攝的視頻流中提取特征和物理屬性，這可能超過目前的標準做法。

6.8 機器學習的其他用途

• 自適應用戶界面（AUI）和情感計算。ML可以用來確定用戶的心理和/或情緒狀態，并提供適合這種狀態的界面。此外，可變的AUI可以服務于用戶的變化。例如，一些用戶可能喜歡音頻反饋而不是視覺反饋。

• 推薦系統。最流行的推薦系統之一是根據以前看過的電影的評分來選擇用戶想看的下一部電影（例如，所謂的 "Netflix問題"）。對于軍隊來說，可以根據以前的使用情況和庫存核算的反饋來推薦后勤補給的情況。

• 搜索引擎/信息檢索。傳統上，搜索引擎返回文件的 "點擊率"。新的范式是以簡明的形式回答用戶的問題，而不是簡單的模式匹配。

• 情感分析。社交媒體上的流量和對環境進行訓練的各種傳感器不僅可以檢測關鍵的關鍵詞或特定物體的存在，還可以推斷出可能的攻擊的可能性。

• 有針對性的宣傳。傳統上，宣傳是通過散發傳單來完成的，如今，宣傳可以通過社交媒體來傳播。ML的角度是如何以最有說服力的信息向正確的人口群體進行宣傳。此外，重要的是快速檢測和顛覆來自對手針對我們自己的人員/人民的宣傳。

7. 機器學習的研究差距

本研究的目標之一是確定當前研究中的差距，這些差距可能會限制ML在軍隊研究和行動中的全部潛力。本節借用了ARL運動科學家Brian Henz博士和Tien Pham博士（未發表）的戰略規劃工作。

7.1 如何將軍隊的數據/問題納入當前的方法中

傳統上，在一個特定領域采用ML的一半戰斗是弄清楚如何適應現有的工具和算法。對于陸軍所面臨的許多問題來說，這一點更為突出，與其他學術、商業或政府用途相比，這些問題可能是獨一無二的。任何數據分析員面臨的第一個問題是使數據適應他們想要使用的統計或ML模型。并非所有的數據都使用連續變量或者是一個時間序列。離散/標簽數據的管理可能非常棘手，因為標簽可能不容易被轉換成數學上的東西。在自然語言處理中的一個例子是，單詞經常被轉換為高維的單熱向量。另一個例子可能是如何將大量的維修報告轉換為對某一特定車輛在一段時間內的表現的預測。

此外，陸軍的要求超出了典型的商業部門的使用范圍，不僅需要檢測物體和人，還需要檢測他們的意圖和姿態。這將需要開發新的模型。另一個大的要求是可解釋性，正如DARPA最近的一個項目所概述的那樣：是什么因素導致ML算法做出一個特定的決定？在一個真實的事件中，如果一個ML算法在沒有人類驗證的情況下宣布一個重要目標的存在，我們能相信這一決定嗎？

7.2 高性能計算

隨著對計算要求高的ML任務的設想，開發人員正在使用多線程、并行和異構架構（GPU、多核）來加快計算速度。ML的分布式實現遠不如GPU版本常見，因為分布式計算中的節點間通信存在固有的網絡瓶頸，而且在單精度浮點性能方面，GPU相對于CPU有很大優勢。除了目前對GPU的強烈依賴，生物啟發式神經計算旨在尋找非馮-諾伊曼架構來更有效地執行ML，并可能更快。這方面的一個例子是IBM的神經形態芯片。97 未來的研究應該關注如何分配ML處理，使節點之間的網絡通信最小化。另外，像聚類這樣的無監督學習算法在多大程度上可以被映射到神經網絡中？

其他需要考慮的事情。

• 目前的ML軟件（特定的神經網絡）在一個小型的GPU集群中表現最好。

• 大多數基于非神經網絡的ML算法的并行性不高，或者根本就沒有并行。

• 另一個軍隊的具體挑戰是分析基本上沒有標記的數據集（例如，用無監督學習）。手動標注集群將是一種半監督學習的形式。

7.3 獨特的尺寸、重量、功率、時間和網絡限制因素

隨著進入偏遠地區或任何遠離基地的地區，軍隊必須限制系統的尺寸、重量和功率。此外，在 "激烈的戰斗 "中，時間是關鍵。例如，人們不能在遭到槍擊時等待作戰模擬的完成。最后，在其他商業發射器占主導地位的地區，或者在限制無線電通信以提高隱蔽性的情況下，網絡帶寬可能會受到很大限制。

在這種倍受限制的環境中，機器學習將需要有效地進行，而且往往是以一種孤立的方式進行。截然相反的條件是使用大型數據庫訓練大型神經網絡，這往往是最先進的機器學習功力的情況。商業部門正在開發自動駕駛汽車，據推測將使用低功耗的計算設備（如現場可編程門陣列、移動GPU）進行自主駕駛、道路/障礙物檢測和導航。然而，陸軍將有更多的要求，包括自主傳感器和執行器、態勢感知/理解、與人類的通信/合作，以及廣泛的戰場設備。這將需要多幾個因素的計算能力和特定算法的硬件，以實現最佳的小型化和低功耗。

7.4 用雜亂的或欺騙性的數據訓練/評估模型

在混亂的環境中，操作環境預計會有比通常密度更高的靜態和動態物體。此外，人們完全期待主動欺騙以避免被發現。我們也希望能夠開發出足夠強大的算法，至少能夠意識到欺騙，并相應地調低其確定性估計。

7.5 用小的和稀疏的數據訓練一個模型

基于CNN的目標分類的突破可以部分歸功于每個物體類別的成千上萬個例子的可用性。在軍隊場景中，某些人和物體的數據可能是有限的。人們最終將需要one-hot99或multishot分類器，其中幾個有代表性的數據條目就足以學習一個新的類別。到目前為止，最好的選擇是 "知識轉移"，通過調整以前訓練的模型的所有參數的子集來學習新的類別。我們的想法是，由于需要優化的參數較少，修改這些參數所需的數據也較少。

7.6 專門針對軍隊相關目標的訓練模型

即使對于我們可以產生大量圖像的目標類別（例如，友好物體），我們也需要訓練自己的模型，以便從每個類別的潛在的數千張圖像中識別軍隊相關類別。軍隊還使用商業車輛中通常不存在的其他傳感模式（例如，熱能和雷達）。因此，需要為這些非典型的傳感設備訓練模型。從根本上說，非典型傳感設備可能需要新的神經網絡拓撲結構以達到最佳的準確性和緊湊性。

7.7 將物理學納入推理中

一個值得研究的有趣領域是將模型和模擬與機器學習相結合。有很多方法可以做到這一點。例如，ML可以用來推導出模擬的起始參數。此外，ML還可以用來處理模擬的輸出。一個耐人尋味的新領域是開發基于物理學或類似物理學的模擬，使用類似ML的模型/方程。一個這樣的應用是預測 "如果？"的情景。例如，"如果我跑過這棵樹呢？接下來會發生什么？"

7.8 軟人工智能

機器學習在傳統上被認為是人工智能的硬性（即數學）表現形式。有可能最終，所有的人工智能任務都會被簡化為數學。然而，就目前而言，一些智能任務似乎更多的是基于推理或情感。對于之前描述的方法中的任務，ML并不能充分解決以下軟性人工智能的特點。

7.8.1 類似人類的推理

人類并不總是完全按邏輯推理，但他們也有能力將不完整的信息拼湊起來，做出 "最佳猜測 "的決定。幾十年來，對這種行為進行編碼一直是一個挑戰。

7.8.2 情感

情緒似乎是驅動人類達到某些目的的動機/目標功能。例如，快樂可能會導致不活動或追求生產性的創造力。另一方面，恐懼則可能會導致忍氣吞聲。計算機是否需要情感來更有效地運作，還是說它們最好擁有100%的客觀性？這既是一個哲學問題，也是一個未來的研究方向。不過現在，毫無疑問的是，在人與代理人的團隊合作中，計算機需要準確地解釋人類的情感，以實現最佳的團體結果。

7.8.3 社會交流

與人類的互動性是陸軍研究未來的首要關注點。一個類似的問題是，不同的計算機系統之間如何進行交流，而這些系統不一定是由同一個實驗室設計的。研究的一個領域是用計算機來教那些在這方面有困難的人進行社會交流。 再一次，對于人與代理的合作，代理將需要能夠參與社會互動，并在人類的陪伴下遵守社會規范。

7.8.4 創造性

創造力通常被認為是隨機合并的想法，與新的元素相結合，由一個鑒別功能決定新創造的項目的功能和/或美學。在某些方面，創造力已經被某些計算機實驗室所證明。例如，為了設計的目的，計算機可以被賦予某些方面的創造力。

7.8.5 通用智能

人工智能的最終目標是將許多狹義的智能算法合并成一個統一的智能，就像人類的頭腦一樣。75鑒于許多狹義的人工智能任務已經比人類的某些任務要好，即使是早期的所謂人工通用智能（AGI）也可能具有一些超人的能力。AGI的一個主要目標是將目前由人類執行的某些任務自動化。

7.8.6 人工超級智能

如果不提及許多哲學家的猜測，機器學習將最終能夠改進自己的編程，導致能力的指數級提高，也許會遠遠超過人類智能，那么機器學習的研究就不完整了。這些設想既是烏托邦式的104，也是烏托邦式的105。希望超級智能能夠解決世界上的許多問題。

8.結論

在這項工作中，我們回顧了機器學習的不同類別，并描述了一些更常用的方法。然后，我們指出了一小部分關于ML在ARL中的應用的例子。最后，我們預測了ML在未來可以應用于軍隊的各個領域，并概述了為實現這一結果需要解決的一些挑戰。我們希望這份文件能夠激勵未來的研究人員和決策者繼續投資于研究和開發，以充分利用ML來幫助推動美國陸軍的發展。

這是一個顛覆性技術快速變革的時代，特別是在人工智能（AI）領域。雖然這項技術是由商業部門為商業開發的，但人工智能在軍事應用方面的明顯潛力，現在正促使世界各地的武裝部隊對人工智能防御雛形系統進行試驗，以確定這些系統如何能夠最好地用于作戰與和平時期的任務。

澳大利亞也不例外，在2020年國防戰略更新中分配了資金，開始將人工智能能力引入國防。這將涉及開發解決戰術級和戰略級軍事問題的人工智能應用程序，建立一個熟練的人工智能勞動力，并與澳大利亞合作伙伴和盟友合作，將倫理學納入人工智能應用程序，并進行人工智能實驗。今年在澳大利亞首都地區費爾伯恩設立的國防技術加速實驗室是這一計劃的具體行動體現。

彼得-雷頓（Peter Layton）的論文考慮了人工智能在未來海、陸、空作戰行動中的戰術和作戰層面上可能發揮的作用，為這一廣泛的活動做出了貢獻。這是一個很少被研究的領域，因為到目前為止，大部分的討論都集中在關鍵的技術問題上。這些審議表明，人工智能可能是未來戰爭中的一項重要技術，但仍有許多不確定因素。本文提供了一個起點，在此基礎上開始辯論，這將有助于解決其中一些不確定性。

本文認為，人工智能將滲透到大多數軍事機器中；然而，它的通用性意味著它很可能是在現有作戰層面結構中被使用。鑒于此，人工智能在中短期內的主要作戰用途是“尋找（find）和欺騙（fool）”。人工智能/機器學習尋找隱藏在高度混亂背景中的目標非常出色；在這個應用上，它比人類更好，而且速度更快。然而，人工智能可以通過各種手段被欺騙；其強大的尋找能力缺乏穩健性。這兩個關鍵特征在應用于當前海、陸、空作戰層面的思考時，可能會產生巨大的影響。

本文初步設計的作戰概念與沒有人工智能技術的作戰概念明顯不同。

所討論的概念旨在激發人們對人工智能戰場上人機協作作戰的思考。這樣的戰場在目前看來可能有些猜測，幾乎是科幻小說。即便如此，許多國家已經在規劃、研究和開發方面取得了很大進展。鑒于將軍事力量調整到新方向所需的漫長準備時間，這一旅程需要從現在開始。

人工智能（AI）技術突然變得對軍事力量很重要。美國國防部（US DoD）已將人工智能的投資從2016-17年約6億美元增加到2021-22年25億美元，橫跨600多個項目。中國已經通過了一項“下一代人工智能發展計劃”，旨在到2030年使中國成為人工智能領域的杰出國家，并使人民解放軍從“信息化戰爭”轉向“智能化戰爭”。更引人注目的是，俄羅斯總統普京宣布，“人工智能是未來......誰成為這個領域的領導者，誰就會成為世界的統治者”。這些高級別的倡議和聲明正在產生結果。

在美國，美國海軍（USN）的“海上獵人”號（USV）在沒有船員的情況下從加利福尼亞航行到夏威夷再返回，利用船上的傳感器、雷達和攝像機數據，通過人工智能進行導航。同時，在美國國防部高級研究計劃局（DARPA）的支持下，一架由人工智能驅動的F-16模擬戰斗機最近在多次模擬的近距離空戰中全面擊敗了由非常有經驗的人類飛行員控制的類似模擬。在一項研究陸戰的類似評估中，美國陸軍（US Army）已經確定，一支由人工智能驅動的部隊比一支非人工智能驅動的部隊擁有大約10倍的戰斗力。

中國目前正在應用人工智能，通過指揮和控制系統的自動化來提高其戰場決策的速度和準確性，制定預測性作戰計劃并解決情報、監視和偵察數據融合的挑戰。中國還開始試用人工智能USV，以備在南海使用，并開始試驗無人駕駛坦克，而一家中國私營公司公開展示了人工智能武裝的蜂群無人機。

俄羅斯落后于美國和中國，但現在正在實施一項國家人工智能戰略以迎頭趕上。在軍事領域，俄羅斯有幾項工作正在進行。一條主線是將人工智能應用于信息戰，在戰術上用于發動心理戰，在戰略上用于破壞對手國家的社會凝聚力。另一條線是通過開發無人駕駛地面車輛（UGVs）、遠程傳感器、戰術指揮和控制系統以及無人駕駛航空器（UAVs），使用人工智能來提高陸地作戰行動的有效性。另一個努力方向是國家防空網絡的指揮和控制系統的自動化。

初步跡象表明，人工智能可能是未來戰爭中一項非常重要的技術，但仍然存在不確定性。雖然人工智能在民用領域，特別是在消費類產品中，被廣泛使用，但在軍事環境中才剛剛接近實際部署。此外，它仍然沒有在真正的戰斗行動的惡劣試驗場上得到驗證。即便如此，人工智能已經成為軍事力量考慮其未來時不可忽視的技術。

重要的是，在可預見的未來，可用的人工智能技術是狹義的，而不是通用的。狹義人工智能等于或超過了人類在特定領域內特定任務的智能；其表現取決于應用環境。相比之下，通用人工智能等于人類在任何領域任何任務中的全部表現。何時能實現通用人工智能仍然值得商榷，但似乎還有幾十年的時間。近中期的全球軍事興趣在于如何在現代戰場上使用狹義的人工智能技術。

不足為奇的是，人工智能的定義往往與人類智能相提并論。例如，2018年美國國防部人工智能戰略將人工智能定義為“機器執行通常需要人類智能的任務......”。這種理解將技術擬人化，并無意中將對人工智能應用的思考限制在那些可以由人類執行的任務上。

在某些應用中，人工智能可能比人類做得更多或更少。人工智能和人類能力的維恩圖在某些領域可能會重疊，但認為它們重合是有點虛偽的。在提供解決問題的見解上，人工智能可能是智能的，但它是人工的，因此，它的思維方式是人類所沒有的。

因此，本文在考慮人工智能時，更多的是考慮這種技術能夠執行的廣泛功能，而不是考慮它與人類能力的關系。2019年澳大利亞國防創新委員會采取了這種方法，將人工智能定義為“用于執行以目標為導向的任務的各種信息處理技術，以及追求該任務的推理手段”。

初一看，這個定義似乎并不精確，沒有包括人工智能可能為軍事或民用目的實際執行任務。但這種模糊性是當代人工智能應用的一個關鍵屬性。人工智能可以以多種方式應用，可以被認為是一種普遍存在于社會中的通用技術。通用技術的一個早期例子是電力，現在它被廣泛使用，以至于它的持續存在和使用，就所有的意圖和目的而言，都是簡單的假設。電能使惰性機器活躍起來，人工智能也將以自己的方式，通過推理為它們提供完成任務的能力。人工智能似乎將注入許多軍事機器，因此未來的戰場將不可避免地以某種方式由人工智能支持。

為了取得對對手的作戰優勢，軍隊不斷尋求更大的戰斗力。傳統上，技術是以一種綜合的方式在戰場上使用的，它能最好地利用人類和機器的長處，同時盡量減少兩者弱點的影響。人工智能似乎也可能是類似的。可以預計，人工智能在與人類謹慎地合作時，而不是在某種獨立的模式下，會變得最有效。

這種考慮強調了新技術本身并不會突然間帶來戰場優勢，而是在于人類如何運用它。對早期技術創新的歷史分析指出，擁有指導如何使用這些新技術的合理概念是軍隊成功將其投入使用的關鍵。歷史學家威廉姆森-默里和艾倫-米萊指出：

• 證據表明，首先，制定未來愿景的重要性。軍事機構不僅需要進行最初的智能投資，以發展對未來戰爭的設想，而且必須繼續對這種設想進行深入思考，以確定這些戰爭可能與以前的沖突有什么不同......在這方面任何對未來戰爭的設想幾乎肯定是模糊和不完整的，不是詳細和精確的，更不是任何科學意義上的預測。然而，愿景并不足以產生成功的創新。一個人對未來沖突的看法也必須是平衡的，并與行動的實際情況有很好的聯系。

在戰術層面，與戰爭現實的聯系是最緊密的。戰略規定了目標、總體方針和使用的力量，但在與聰明和適應性強的對手戰斗中處理這些力量的卻是戰術層面。雖然戰斗的成功可能不會導致戰略的成功，正如美國在越南的戰爭所說明的那樣，反之亦然。一個好的戰略在面對持續的戰術失敗時不可能成功。克勞塞維茨寫道：一切都取決于戰術結果......這就是為什么我們認為強調所有的戰略規劃都只依賴于戰術上的成功是有用的......這在任何情況下都是決策的實際基本依據。戰術通常被認為涉及友軍相互之間以及與敵人之間的分布和機動，以及在戰場上使用這些部隊。

本文旨在為在未來的人工智能戰場上使用人機團隊制定作戰概念。這樣的戰場，特別是當擴大到陸戰以外的空戰和海戰時，有一個混合的線性和深層的方面，具有消耗和機動的概念。設計這些作戰概念將為潛在的狹義人工智能系統如何在戰爭的戰術和作戰層面上使用提供一個廣闊的視野。

首先，本文討論了組成人工智能技術包的各種技術要素。這些要素包括先進的計算機處理和大數據，以及與云計算和物聯網（IoT）有關的具體方面。

第二章研究了利用人工智能發動戰爭的問題，并為防御和進攻制定了通用的作戰概念。這些概念位于作戰和戰術層面之間的模糊界面，涉及友軍相對于對手的分布和機動，以及友軍在戰場上的運用。

第三章、第四章和第五章分別將人工智能防御和進攻的兩個通用概念應用于海洋、陸地和空中領域。每個領域的戰斗在分配和操縱友軍以及與敵人交戰方面都有很大的不同，因此有必要提出單獨的人工智能作戰概念。沒有一個單一的概念能夠充分涵蓋所有三個領域，除非在很高的抽象水平上，但理解其含義可能會變得困難。提出這種具有前瞻性的概念似乎接近于投機性的小說。為了避免這種情況，每個概念都特意以當代作戰思維為基礎，并討論了當前和新興的人工智能支持的海、陸、空平臺和系統，以說明所提出的想法。

設計這些作戰概念的目的是激發思考，并啟動關于未來和如何備戰的辯論。本文提出的作戰概念旨在成為辯論其他人工智能戰場概念的實用性、可能性和有用性的基礎。只有通過對建議進行批判性分析，并不斷重構它們以進一步分析和演化，才能朝著最佳作戰概念取得進展。

本文所討論的概念在性質和范圍上都是有意限制的。就性質而言，海、陸、空的概念是：為了保持每個概念的重點，它們不是聯合或合并的。重要的是，這種狹隘性意味著一些領域并沒有包括在內，如俄羅斯在影響力戰爭中使用人工智能或中國在社會管理和內部防御中使用人工智能。出于類似的原因，每個概念都有一個狹窄的范圍，專注于戰爭，只有限地關注后勤，并避免關鍵領域，如教育、培訓、行政和指揮與控制。值得注意的是，除了與傳統的陸、海、空領域的戰術交戰的關系外，沒有討論網絡和空間這些新領域。

本文將人工智能這種新技術與戰爭的作戰方式和戰術使用選擇聯系起來。有了這樣一個重點，本文就與許多武裝部隊制定的眾多人工智能戰略和計劃不同。一般來說，這些戰略和計劃都是向內看的，目的是闡述人工智能作為一種技術將如何被研究、獲得并引入到他們的具體服務中。本文旨在補充這些人工智能技術戰略和計劃，將它們與更廣泛的作戰業務聯系起來，發揮作用。

摘要

人工智能領域的進展繼續擴大這組技術的潛在軍事應用范圍。本文探討了信任在人機聯合作戰中的關鍵作用，以及依靠人工智能來補充人類認知的潛在影響。如果依靠人工智能來準確處理傳感器數據，操作自主系統和平臺，或通過擬議的作戰概念（如以決策為中心的戰爭）提供有利的決策支持，設想機器智能的中央指揮和控制作用，那么信任機器智能將是未來作戰中的一個關鍵組成部分。鑒于這些技術和理論的發展，信任的概念對于機器智能在戰術和作戰層面的軍事行動中的使用變得高度相關，正確校準的信任水平是安全和有效行動的基礎。在簡要回顧了機器智能的最新進展和對信任概念的探索之后，本文概述了人工智能在戰場上的當前和潛在應用，以及由不充分或不合理的高信任度帶來的挑戰。

引言

縱觀歷史，技術已經擴大了武裝沖突的領域，戰術交戰的節奏，戰場的地理范圍，以及指揮官與部隊溝通的手段。技術創新--包括軍事和民用--改變了軍隊的作戰方式以及國家計劃和進行這些沖突的方式。在21世紀，迄今為止，很少有進步能像統稱為人工智能（AI）的一組技術那樣獲得如此多的關注。人工智能正準備迎來一個新的時代，在這個時代，機器智能和自主性正在為軍事行動的規劃和執行產生明顯的新概念。算法戰爭可能會帶來一些獨特的東西：增強甚至取代人類決策過程的系統，其速度可能超過人類規劃者的認知能力。
新興技術的整合提出了任何數量的基本組織和倫理問題，值得關注。本文將采用定性的社會科學方法，重點討論人類-自治團隊（HAT）的一個重要方面：鼓勵對機器智能的適當信任程度。有大量的學術文獻關注自動化或機器人技術中的信任問題，但有關具體軍事應用的工作較少。當人工智能在聯合作戰中被實際部署時，在信任方面有哪些挑戰和機會？在簡要回顧人工智能和概述機器智能在戰場上的可能應用之后，本文在分析鼓勵適當信任水平的陷阱和潛在解決方案之前，探討了信任和信任校準的概念。

人工智能的進展

幾十年來，人類一直對賦予機器某種形式的人工智能的可能性著迷，Nils Nilsson將其定義為 "致力于使機器智能化的活動，而智能是使一個實體在其環境中適當運作并具有預見性的品質"。在數字時代的早期，出現了兩種廣泛的人工智能方法。自上而下的專家系統方法使用復雜的預編程規則和邏輯推理來分析一個特定的數據集。對于具有可預測規則的明確定義的環境--諸如分析實驗室結果或下棋等應用--專家系統或 "符號 "人工智能（基于符號邏輯）的性能主要取決于處理速度和算法的質量。另一大類使用自下而上的機器學習方法，模擬人類通過檢測數據中的模式進行學習的方式。神經網絡是一種以人腦為模型的機器學習形式，能夠通過使用多個（因此是 "深"）人工神經元層來識別復雜的模式，是被稱為 "深度學習 "的技術的基礎。通過其在數據集中尋找關系的能力，這種技術也被稱為 "連接主義"。
自上而下、基于規則的符號系統和自下而上的機器學習連接主義技術之間的差異是很大的，特別是關于它們的潛在應用范圍和靈活性。深度學習方法的顯著特點是能夠將學習與它所訓練的數據集分開，因此可以應用于其他問題。基于規則的算法可以在狹義的任務中表現得非常好，而深度學習方法能夠迅速找到模式，并在 "蠻力 "專家系統計算方法無效的情況下有效地自學應用。最近的一些人工智能進展顯示了模仿創造力的能力，產生了有效的解決問題的方法，這些方法對人類來說可能是反直覺的。
然而，總的來說，人工智能仍然是狹窄的或 "脆弱的"，即它們在特定的應用中功能良好，但在用于其他應用時仍然不靈活。與人類的認知相比，鑒于機器的計算速度遠遠超過人腦，機器智能在將邏輯規則應用于數據集時要優越得多，但在嘗試歸納推理時，它必須對數據集或環境進行一般性的觀察，這就顯得不足。大多數機器學習仍然需要大量的訓練數據集，盡管新的方法（包括生成對抗網絡（GAN）和 "小于一次 "或LO-shot學習）正在出現，需要非常小的數據集。圖像識別算法很容易被混淆，不能像人類那樣立即或直觀地理解情景背景。這種脆性也延伸到了其他問題，比如游戲。雖然人工智能在視頻游戲中經常表現出超人的能力，但他們往往不能將這種專業知識轉移到具有類似規則或玩法的新游戲中。
 雖然人工智能技術繼續在變得更加適應方面取得重大進展，但任何接近人類的人工通用智能仍然難以實現。評估人工智能的近期前景因該技術的漸進式進展而變得更加復雜。圍繞著人工智能的炒作--在很大程度上被深度學習方法的成功所推動--既導致了對該技術未來的不切實際的期望，也導致了對其非常大的進展的正常化。正如一份報告所指出的，"人工智能將一項新技術帶入普通人的視野，人們對這項技術習以為常，它不再被認為是人工智能，而出現了更新的技術"。盡管象征性的人工智能和各種形式的機器學習構成了該領域最近的大部分進展，也許除了融合這兩種方法的嘗試之外，未來仍然不確定。一些人猜測，機器學習技術帶來的進展可能會趨于平穩，而另一些人則保持樂觀。相關的技術進步，如短期內的計算機芯片設計和長期內的量子計算，可能會影響進一步進展的速度。