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

元宇宙是一個新興的概念和能力，由多種基礎新興技術支持，但它的含義和關鍵特征可能并不明確，并可能隨著時間的推移而改變。因此，它與一些組織，如美國國土安全部（DHS）的相關性可能并不明確。這種不明確可能導致無法緩解的威脅和錯過的機會。它也可能抑制健康的公共討論和有效的技術管理。為了幫助解決這些問題，本視角提供了對元宇宙概念的初步審查，以及它如何與DHS相關。作為分析任何新興技術的關鍵第一步，作者回顧了當前的定義并確定了關鍵的實際特征。通常情況下，不管是否有精確的定義，基本能力才是討論和管理的核心。然后，鑒于對元宇宙的基本理解，作者總結了DHS的主要目標和相關需求。最終，為了具有相關性，技術必須與各組織或用戶的實際需求相一致。通過將來自各種任務集的國土安全部的示范性需求與元宇宙的普遍特征進行交叉比對，作者證明了元宇宙事實上與國土安全部有關。最后，作者確定了國土安全部可以主動管理的具體威脅和機會。盡管這項工作將威脅和機遇的討論集中在國土安全部，但它具有廣泛的意義。這項工作提供了一個基礎，可以在此基礎上進行進一步的討論和研究，盡量減少發展和政策方面的差異和不協調。

混合戰爭也被稱為灰色地帶沖突或非限制性戰爭。而這些只是現在流傳的描述同一現象的各種術語中的三個--對一個國家的多方面攻擊，對其國家安全和國防機構產生嚴重影響。它們可能包括軍事元素，但也可能利用網絡工具、公共和商業腐敗、法律制度的武器化、跨國有組織犯罪和虛假信息運動以及其他一系列方法來發動。有效的反應將要求軍事、情報、網絡和其他安全專家與商業、法律和公共環境中的沖突管理專家進行前所未有的合作。

本期《追蹤》探討了混合戰爭的崛起對加拿大和其他自由民主國家的影響。它強調了建立復原力和加強私營部門、公共領域和其他相關實體（非政府組織、大學、醫院、市政當局等）之間合作的必要性。它評估了現代社會是否有足夠的能力來面對這些新出現的威脅，并強調需要加強合作和知識傳播。

本報告重點討論與人工智能系統可能缺乏可預測性而導致的有關風險--被稱為可預測性問題--及其對國家安全領域人工智能系統治理的影響。人工智能系統的可預測性表明人們可以在多大程度上回答這個問題：人工智能系統會做什么？可預測性問題既可以指人工智能系統的正確結果，也可以指不正確的結果，因為問題不在于這些結果是否符合系統工作的邏輯，而是在部署時是否有可能預見到這些結果。

人們越來越擔心，使用不可預測的人工智能系統為高風險決策提供信息可能會導致災難性的后果，這將破壞公眾對部署這些系統的組織的信任，并可能侵蝕政府的聲譽。在國家安全領域，人工智能的使用引入了一個新的不確定性來源，可能會阻礙風險管理程序，并可能使責任鏈變得混亂。在這個領域，可預測性問題的影響可能導致關鍵基礎設施的安全風險、個人權利和福祉的風險、沖突升級或外交影響。

在本報告中，我們首先從技術和社會技術的角度分析了可預測性問題，然后集中討論了英國、歐盟和美國的相關政策，考慮它們是否以及如何解決這個問題。從技術角度來看，我們認為，鑒于人工智能系統的設計、開發和部署的多層面過程，不可能考慮到所有的錯誤來源或可能產生的新行為。此外，即使在理想的情況下，在設計或開發階段沒有錯誤可以假設或檢測，一旦部署了人工智能系統，仍然可能發展出形式上正確的（但不想要的）結果，這在部署時是無法預見的。

我們通過關注人機編隊（HMT-AI）來分析可預測性問題的社會技術影響。人機編隊代表了一種越來越普遍的人工智能系統部署模式。在HMT-AI中，人類咨詢、協調、依賴、發展并與人工智能代理交換任務。由于HMT-AI結合了人類和人工的自主性，它們通過增加人工和人類代理及其環境之間的互動的數量和類型而加劇了可預測性問題。在這種情況下，我們發現可預測性問題的三個主要來源：人機交互、人員培訓和（過度）信任。人機交互可能會助長不可預測的結果，因為它們可以掩蓋、扭曲或過分詳細地描述人工智能系統的工作原理，而培訓計劃可能沒有考慮到人工智能技術的學習能力和HMT-AI的長期慣例建設。同樣，在HMTAI中，人類代理人不加批判地接受AI系統的結果，這種過度信任的動態也可能導致無法預測的結果。

在確定了可預測性問題的一些根本原因之后，我們分析了英國、歐盟和美國的政策，以評估這些原因是否在相關的政策文件中被涵蓋，如果是的話，如何以及在何種程度上被涵蓋。我們確定了四個主要主題和一個缺口。它們是：控制、監督和價值調整；資源提升的方法；可信賴人工智能的發展；以及缺乏對風險管理措施的關注，以遏制可預測性問題的影響。

我們的政策分析包括八個建議，以減輕與可預測性問題有關的風險。關鍵的建議是將治理方法集中在HMTAI上，而不僅僅是AI系統，并將可預測性問題概念化為多維度的，解決方案集中在HMT-AI組成的共同標準和準則上。在這些標準和準則中，可信人工智能的要求是特別相關的，應該與評估人工智能系統的可預測性的標準和認證計劃以及審計HMT-AI的程序結合起來。支持在國家安全中使用HMT-AI的決定的成本效益分析和影響評估應該考慮到可預測性問題及其對人權、民主價值的潛在影響，以及意外后果的風險。為了確保在部署潛在的不可預測的人工智能系統時進行充分的風險管理，我們建議調整ALARP原則--在合理可行的情況下盡量降低--作為制定HMT-AI中可預測性問題的人工智能特定風險評估框架的基礎。

擬議的基于ALARP的框架將提供有用的實際指導，但僅僅是這樣還不足以識別和減輕可預測性問題所帶來的風險。需要額外的政策、指導和培訓來充分考慮人工智能可預測性問題帶來的風險。人工智能系統支持的決策的影響越大，設計、開發和使用該系統的人的謹慎責任就越大，可接受的風險門檻也越低。這些分析和建議應該被理解為可操作的見解和實用的建議，以支持相關的利益相關者在國家安全背景下促進社會可接受的和道德上合理的人工智能的使用。

建議

建議1. 政府應撥出研究經費，發展公私合作，對HMT-AI進行縱向研究。這項研究應側重于HMT-AI中的新舊決策模式，以評估編隊協議建設和培訓對績效和控制措施的影響。重點應放在為HMT-AI的具體動態定義新的培訓協議，以及加快風險管理標準和HMT-AI績效評估的發展。

建議2. 應該建立一個專門的HMT-AI認證計劃，以促進行業對為HMT-AI設計的AI系統的設計要求和評估的共識。任務之間的通用性、有效的溝通、性能的一致性以及對新隊友的適應性都應該包括在這樣一個認證計劃中。在開發不足的ISO標準的基礎上，這個認證計劃還應該擴展到過程的可追溯性和決策的問責制，以及評估HMT-AI信任程度的審計機制。這對于抑制HMT-AI中的過度信任和自滿態度是必要的，這種態度維持或擴大了可預測性問題。

建議3. 對國家安全領域的可預測性問題的政策反應應該側重于管理HMT-AI團隊，而不是單獨的AI系統。

建議4. 國家安全領域的HMT-AI的成本效益分析（CBA）應該包括對AI系統的可預測性以及技術和操作層面的相關道德風險的評估。為了促進各安全機構之間的一致評估，應該定義一個評估人工智能系統可預測性的標準量表，在這個量表上，使用（或不使用）人工智能的選擇應該根據上下文的CBA以及考慮公眾對風險和相關利益的態度來證明。這個尺度的定義應屬于獨立的第三方行為者的職權范圍，即與部署HMT-AI的公共機構不同。

建議5. 與其說是 "更多 "或 "更少 "的可預測性，政策建議應側重于可預測性的權衡，明確具體建議旨在解決可預測性問題的哪個方面，以何種方式解決，以及它們有可能加劇哪些方面，哪些緩解措施將被落實到位。政策應該認識到，可預測性是一個多維度的概念，在一個層面上可預測性的收益可能會以另一個層面的損失為代價。

建議6. 關于國家安全中人工智能可預測性問題的政策應該在正式和操作層面上解決可信度和不可預測性之間的聯系。例如，應該給人工智能系統一個可修正的可預測性分數，這應該包括在對系統的可信任度的評估中。人工智能系統的可信賴性應包括成本效益分析，以評估不想要的行為在不同部署背景下可能帶來的風險。

建議7. 應該為不可預測的人工智能建立風險閾值，這些閾值將圍繞不可預測行為的風險嚴重程度映射到其自身的可預測程度（例如，劃分為已知的已知因素、已知的未知因素等）。這些閾值反過來將為風險管理過程的發展提供信息，允許根據風險的可預測性及其影響對其進行優先排序。

建議8. 應該制定一個基于ALARP的框架，以評估不可預測的人工智能和HMT-AI的風險，并為任何給定的環境確定可接受的最大程度的不可預測性。這個框架應該包括:

• 對特定人工智能系統和HMT-AI的可預測程度的定量評估；
• 對導致部署人工智能系統的設計、開發和/或采購步驟的可追溯性的評估；
• 對部署條件的評估，例如，HMT-AI、操作員（或HMT-AI成員）的培訓水平、交互的透明程度、人類對AI系統的控制水平；
• 對部署該系統的潛在風險和預期收益進行成本效益分析（根據建議4）；
• 對假設情況的分析，以考慮風險暴露或緩解措施的有效性如何隨部署情況而變化；
• 人為推翻系統的協議和補救機制。

長期目標

在決策或推理網絡中進行適當的推理，需要指揮官（融合中心）對每個下屬的輸入賦予相對權重。最近的工作解決了在復雜網絡中估計智能體行為的問題，其中社會網絡是一個突出的例子。這些工作在各種指揮和控制領域具有相當大的實際意義。然而，這些工作可能受限于理想化假設：指揮官（融合中心）擁有所有下屬歷史全部信息，并且可以假設這些歷史信息之間具有條件統計獨立性。在擬議的項目中，我們打算探索更普遍的情況：依賴性傳感器、（可能的）依賴性的未知結構、缺失的數據和下屬身份被掩蓋/摻雜/完全缺失。對于這樣的動態融合推理問題，我們建議在一些方向上擴展成果：探索數據源之間的依賴性（物理接近或 "群體思維"），在推理任務和量化不一定匹配的情況下，采用有用的通信策略，甚至在每個測量源的身份未知的情況下，采用無標簽的方式--這是數據關聯問題的一種形式。

我們還認識到，對動態情況的推斷是關鍵目標所在。考慮到一個涉及測量和物理 "目標 "的傳統框架，這是一個熟悉的跟蹤問題。但是，來自目標跟蹤和多傳感器數據關聯的技術能否應用于提取非物理狀態（物理狀態如雷達觀察到的飛機）？一個例子可能是恐怖主義威脅或作戰計劃--這些都是通過情報報告和遙測等測量手段從多個來源觀察到的，甚至可能被認為包含了新聞或金融交易等民用來源。這些都不是標準數據，這里所關注的動態系統也不是通常的運動學系統。盡管如此，我們注意到與傳統的目標追蹤有很多共同點（因此也有機會應用成熟的和新興的工具）：可能有多個 "目標"，有雜波，有可以通過統計學建模的行為。對于這種動態系統的融合推理，我們的目標是提取不尋常的動態模式，這些模式正在演變，值得密切關注。我們特別建議通過將雜波建模為類似活動的豐富集合，并將現代多傳感器數據關聯技術應用于這項任務，來提取特征（身份）信息。

目標

研究的重點是在具有融合觀測的動態系統中進行可靠推理。

方法

1.決策人身份不明。在作戰情況下，融合中心（指揮官）很可能從下屬那里收到無序的傳感器報告：他們的身份可能是混合的，甚至完全沒有。這種情況在 "大數據 "應用中可能是一個問題，在這種情況下，數據血統可能會丟失或由于存儲的原因被丟棄。前一種情況對任務1提出了一個有趣的轉折：身份信息有很強的先驗性，但必須推斷出身份錯誤的位置；建議使用EM算法。然而，這可能會使所有的身份信息都丟。在這種情況下，提出了類型的方法來完成對局部（無標簽）信念水平和正在進行的最佳決策的聯合推斷。

2.動態系統融合推理的操作點。在以前的支持下，我們已經探索了動態事件的提取：我們已經開發了一個合理的隱馬爾科夫模型，學會了提取（身份）特征，有一個多伯努利過濾器啟發的提取方法 - 甚至提供了一些理論分析。作為擬議工作的一部分，將以兩種方式進行擴展。首先，打算將測量結果作為一個融合的數據流，這些數據來自必須被估計的未知可信度的來源。第二，每個這樣的信息源必須被假定為雜亂無章的 "環境 "事件（如一個家庭去度假的財務和旅行足跡），這些事件雖然是良性的，可能也不復雜，但卻是動態的，在某種意義上與所尋求的威脅類似。這些必須被建模（從數據中）和抑制（由多目標追蹤器）。

3.數據融合中的身份不確定性。當數據要從多個來源融合時，當這些數據指的是多個真相對象時，一個關鍵的問題是要確定一個傳感器的哪些數據與另一個傳感器的哪些數據相匹配："數據關聯 "問題。實際上，這種融合的手段--甚至關聯過程的好方法--都是相當知名的。缺少的是對所做關聯的質量的理解。我們試圖提供這一點，并且我們打算探索傳感器偏差和定位的影響。

4.具有極端通信約束的傳感器網絡。考慮由位置未知、位置受漂移和擴散影響的傳感器網絡進行推理--一個泊松場。此外，假設在這樣的網絡中，傳感器雖然知道自己的身份和其他相關的數據，但為了保護帶寬，選擇不向融合中心傳輸這些數據。可以做什么？又會失去什么？我們研究這些問題，以及評估身份與觀察的作用（在信息論意義上）。也就是說，假設對兩個帶寬相等的網絡進行比較；一個有n個傳感器，只傳輸觀察；另一個有n/2個傳感器，同時傳輸數據和身份。哪一個更合適，什么時候更合適？

5.追蹤COVID-19的流行病狀況。誠然，流行病學并不在擬議研究的直接范圍內，但考慮到所代表的技能以及在目前的健康緊急情況下對這些技能的迫切需要，投機取巧似乎是合理的。通過美國和意大利研究人員組成的聯合小組，我們已經證明，我們可以從當局提供的每日--可能是不確定的--公開信息中可靠地估計和預測感染的演變，例如，每日感染者和康復者的數量。當應用于意大利倫巴第地區和美國的真實數據時，所提出的方法能夠估計感染和恢復參數，并能很準確地跟蹤和預測流行病學曲線。我們目前正在將我們的方法擴展到數據分割、變化檢測（如感染人數的增加/減少）和區域聚類。

由于多種因素的影響，自動機器學習（AutoML）這些年一直在快速發展，數據科學家需要創建機器學習管道原型來決定如何進行解決，并為非專業人士提供解決方案。已經創建了一些AutoML框架，但它們受到能解決的問題類型、機器學習原語的數量、管道表示語言和嚴格數據描述的限制。這些限制大多是由相當大的工程量造成的。D3M項目旨在擴大AutoML的范圍，提供創建AutoML系統所需的工具，使其能夠解決超出大部分框架的問題類型，并為用戶提供工具，使機器學習工具不需要太多的專業知識。此外，該項目還致力于實現AutoML組件的標準化，以便對不同的框架進行公平的比較，并通過開源共享該項目期間創建的基礎設施來幫助研發界改善該領域。

本文在D3M上的工作主要集中在兩個方面：在D3M小組內創建標準化AutoML工具，以及創建具有不同目的的AutoML系統和框架。在這份報告中，將介紹對該項目的主要貢獻以及AutoML系統的演變。在該項目中，創建了評估AutoML系統的工具，開發了三個AutoML系統，開發了被多個系統廣泛使用的原型，設計了測試原型的自動化框架，并通過創建AutoKeras對AutoML研發界產生了巨大影響。

"可預測性 "和 "可理解性 "被廣泛認為是人工智能系統的重要品質。簡單地說：這種系統應該做他們被期望做的事情，而且他們必須以可理解的理由這樣做。這一觀點代表了關于致命性自主武器系統（LAWS）和其他形式軍事人工智能領域新興技術辯論的許多不同方面的一個重要共同點。正如不受限制地使用一個完全不可預測的致命性自主武器系統，其行為方式完全無法理解，可能會被普遍認為是不謹慎的和非法的，而使用一個完全可預測和可理解的自主武器系統--如果存在這樣的系統--可能不會引起許多核心的監管問題，這些問題是目前辯論的基礎。

這表明，最終為解決致命性自主武器系統和其他形式的人工智能在軍事應用中的使用而采取的任何途徑，都必須考慮到有時被稱為人工智能的 "黑盒困境"。事實上，遵守現有的國際人道主義法（IHL），更不用說假設的新法律，甚至可能取決于具體的措施，以確保致命性自主武器系統和其他軍事人工智能系統做他們期望做的事情，并以可理解的理由這樣做。然而，在關于致命性自主武器系統和軍事人工智能的討論中，可預測性和可理解性尚未得到與如此重要和復雜的問題相稱的那種詳細介紹。這導致了對人工智能可預測性和可理解性的技術基礎的混淆，它們如何以及為什么重要，以及可能解決黑匣子困境的潛在途徑。

本報告試圖通過提供有關這一主題的共同知識基線來解決這些模糊不清的問題。第1節和第2節解釋了說一個智能系統是 "可預測的 "和 "可理解的"（或者相反，是 "不可預測的 "和 "不可理解的"）的確切含義，并說明有各種類型的可理解性和可預測性，它們在重要方面有所不同。第3節描述了可預測性和可理解性將成為致命性自主武器系統和其他軍事人工智能在其開發、部署和使用后評估的每個階段的必要特征的具體實際原因。第4節列出了決定每個階段所需的適當水平和類型的可預測性和可理解性的因素。第5節討論了為實現和保證這些水平的可預測性和可理解性可能需要的措施--包括培訓、測試、標準和可解釋人工智能（XAI）技術。結論是為政策利益相關者、軍隊和技術界提出了進一步調查和行動的五個途徑。

本報告的主要要點

• 人工智能的不可預測性有三種不同的意義：一個系統的技術性能與過去的性能一致或不一致的程度，任何人工智能或自主系統3的具體行動可以（和不能）被預期的程度，以及采用人工智能系統的效果可以被預期的程度。

• 可預測性是一個系統的技術特征、系統所處的環境和對手的類型以及用戶對它的理解程度的函數。

• 可理解性是基于一個系統內在的可解釋性以及人類主體的理解能力。一個智能系統可以通過多種方式被 "理解"，并不是所有的方式都建立在系統的技術方面或人類的技術素養之上。

• 可預測性不是可理解性的絕對替代品，反之亦然。高可預測性和高可理解性的結合，可能是安全、謹慎和合規使用復雜的智能或自主軍事系統的唯一最佳條件。

• 可預測性和可理解性是自主武器和其他形式的軍事人工智能的必要品質，這在其整個開發、使用和評估過程中有著廣泛的原因。

• 這些系統中可預測性和可理解性的適當水平和類型將因一系列因素而大不相同，包括任務的類型和關鍵性、環境或輸入數據的種類，以及評估或操作系統的利益相關者的類型。

• 在軍事人工智能系統中實現并確保適當的可預測性和可理解性的潛在方法可能會涉及與培訓、測試和標準有關的工作。建立XAI的技術研究工作也提供了一些希望，但這仍然是一個新的領域。

在沖突發生前預測沖突的能力可以幫助阻止集體暴力的爆發，避免人類痛苦。現有的方法使用統計學和機器學習模型，甚至社會網絡分析技術；然而，它們通常局限于特定區域的長期預測，并且只基于少數語言。從社交媒體中多種或混合語言的信號中理解集體暴力仍然沒有得到充分研究。在這項工作中，我們構建了一個多語種語言模型（MLLM），可以接受社交媒體中任何語言的輸入，這個模型在本質上是語言無關的。這項研究的目的有兩個方面。首先，它旨在從存檔的Twitter數據中收集一個多語言暴力語料庫，使用一套擬議的啟發式方法，說明過去和未來暴力事件周圍的空間-時間特征。其次，它試圖比較傳統機器學習分類器與深度學習MLLMs在預測與過去和未來暴力事件發生有關的消息類別方面的性能。我們的研究結果表明，MLLMs在預測準確性方面大大超過了傳統的ML模型。我們工作的一個主要貢獻是，軍事指揮部現在有了一個工具來評估和學習所有人類語言中的暴力語言。最后，我們公開了數據、代碼和模型。

如今，敵對信息的傳播在互聯網上越來越普遍，尤其是在社交媒體上，這個問題正成為一個全球性的風險。事實證明，"社交媒體的滲透范圍 "對集體暴力的爆發有積極影響（Warren 2015, p. 297），這意味著社交媒體可能為即將發生的暴力信號提供有用的來源。在這篇論文中，我們構建了一個模型，可以接受來自以任何語言編寫的社交媒體信息的輸入，并學習將話語形式與集體暴力事件的時間和地點聯系起來。通過研究以語言無關的方式運作的多語言語言模型（MLLM），我們產生了矢量嵌入，以捕捉更可能出現在暴力事件之前和之后的時期的語義元素。我們的目的是提供一個有用的暴力話語表征，這可能被證明有利于通過社交媒體預測暴力。使用MLLMs的主要動機是它們能夠進行零距離的跨語言遷移學習，在這種情況下，"在一種語言上進行了微調的模型可以應用于其他語言，而不需要任何進一步的訓練"（Tunstall等人，2022，第87頁）。這種能力在社交媒體分析中證明是特別有益的，因為社交媒體分析必須涵蓋廣泛的語言多樣性，以便擴展到全球分析。

我們工作的目的是比較三種MLLMs--LaBSE、smallerLaBSE和XLM-T--的性能，它們被訓練來預測與過去和未來發生的暴力事件有關的消息類別。LaBSE是谷歌開發的一個多語言嵌入模型，它在從維基百科和Common Crawl語料庫（CC）中提取的語料中進行了109種不同語言的預訓練（Feng等人，2020）。Smaller-LaBSE只是LaBSE的一個小版本，參數較少，針對15種語言（Ukjae 2021）。相比之下，XLM-T是一個專門針對100種語言的Twitter數據訓練的MLLM（Barbieri等人，2020）。所有這些模型都可以在Hugging Face Hub上找到，這是一個用于分享自然語言處理（NLP）研究社區開發的模型的開源庫。

我們的實驗結果產生了四個值得注意的發現。第一個發現證實了我們的假設，即推文中的暴力前信號在未來暴力事件發生的地點附近更強。隨機森林（RF）分類器的標簽式接收器操作特征（ROC）圖顯示，接收器操作特征曲線（ROC）--ROC曲線下的面積（AUC）得分隨著空間距離的增加而減少，這表明集體暴力信號的存在在暴力事件發生地附近更強。第二個發現是，在我們的基準中使用的七個不同指標中，集合多標簽分類器是表現最好的傳統機器學習（ML）模型。此外，使用問題轉換方法訓練的合集模型不僅比它們的問題適應性更好，而且計算速度也更快。同樣，從XLM-T中提取的特征比LaBSE和更小的LaBSE產生更好的性能。因此，表現最好的傳統ML算法是在XLM-T特征上訓練的隨機森林（RF），ROC-AUC分數為0.6028。

第三個發現表明，當前饋分類器在較小的LaBSE、LaBSE和XLM-T的基礎上進行訓練時，它們在ROC-AUC得分方面產生了相似的表現，每個得分大約為0.73。在內存占用方面，由于較小的詞匯量和較少的可訓練參數，smaller-LaBSE是表現最好的模型。最后，第四個發現，也就是前兩個發現，深度學習MLLMs比傳統ML模型的表現要好得多，通過ROC-AUC分數顯示，樣本外的預測準確性要高13%。這最后一個證據表明，在預測哪些形式的話語與集體暴力關系最密切方面，深度學習MLLMs比傳統ML模型表現更好。

我們的結果表明，社交媒體內容和過去的集體暴力事件之間存在著預測關系，無論對話中使用的是什么語言。我們認為，我們的研究可以作為軍隊中有用的決策輔助工具，在戰爭的作戰和戰略層面上預測全球范圍內的暴力。我們工作的一個主要貢獻是，軍事指揮部現在有一個工具來評估和學習所有人類語言中的暴力語言，從而減少社交媒體中敵對信息運動的負面影響。最后，我們將代碼、數據和模型公開在//huggingface.co/m2im/，希望這能幫助研究界推進其在沖突預測方面的努力，此外還能使我們的作戰人員將該模型作為一種工具來加強對信息環境的理解。

盟軍最高司令部轉型的能力發展局的一項關鍵任務是推動北約的創新。這是通過挑戰現狀，克服組織思維定式，審視變革的長期利益，以及審查哪些變革是可能的及其相關的效果和影響的長期視角來實現的。有大量的工具可以用來點燃創新，如研究、概念開發和實驗（CD&E），以及增加與來自不同國家、學術界和工業界的專家的聯系。

世界范圍內日益具有挑戰性和快速發展的安全環境，再次強調了測試和實驗新能力的重要性，以便迅速向用戶提供這些能力，或者盡早失敗。本卷介紹了一些發人深省的章節，并闡述了廣泛主題的CD&E經驗。

第一章是重點是CD&E的誕生和需求；探討了CD&E的想法是如何演變的，它作為一項政策和一個過程的意義是什么，以及CD&E目前是如何應用的。在第二章中，強調了旨在克服 "無政府狀態 "問題的CD&E方法的要求，并討論了CD&E定義中 "分析 "的遺漏。它描述了瑞典武裝部隊在實施改革期間對該方法的經驗。這一章指出了科學方法在更復雜的情況下進行實驗的局限性。它提出了一種不同的方法，說明了文化和認知上的差異，此外還建立了對知識的積累和使用的另一種看法。將心理學的見解帶到CD&E過程中，努力減少參與該方法的工作人員的各種限制，并使后者更加有效和富有成效。

還介紹了國家的觀點，如Van Hoeserlande中校講述了比利時在CD&E方面的經驗，作者將能力和概念發展的應用與一種新文化的出現聯系起來，在這種文化中應該啟動和闡述這一過程。馬佐中校提供了一個北約的例子，他闡明了作戰分析和作戰試驗在北約行動后勤鏈管理（OLCM）計劃中的作用，以及他們對建立統一的業務流程模型（U-BPM）的貢獻。對CD&E的評估進行了概述，作為一種可審計的證據線索，重新思考經常被視為次要事件鏈的CD&E的評估。

隨后，介紹了各種技術和分析方法。向讀者介紹了桌面實驗（TTE）的適用性和有用性，解釋了它們的結構、目標以及它們在特定的軍事和科學背景下確定能力要求的總體效果。埃里克先生和帕林博士的章節通過介紹英國 "城市戰士5號 "實驗的具體情況，強調了單個模擬設計的優勢和劣勢，對桌面實驗中使用的測試和方法這一主題做出了貢獻。介紹了概念測試方法，并強調其重要性、廣泛的適用性，并概述了構成概念測試成功過程的主要特征。補充了概念測試和桌面實驗的重要性，強調了CD&E過程和三種不同類型的桌面評估游戲的價值："能力評估游戲"、"顛覆性技術評估游戲"、"概念發展評估游戲"。著重介紹了形態分析克服傳統簡化系統所具有的弱點，為國防決策帶來的優點。強調了對CD&E進行更多實證研究的必要性，這將填補文獻中存在的空白。此外，這些研究提供了一種被稱為 "防御估計成本模型 "的方法，實驗中的專業人士可以在不同部門的分析中使用。

本卷的最后一章加強了CD&E對國防規劃過程的意義，劃定了哪些要素使CD&E成功，并討論了這種方法在充滿挑戰的當代世界的未來。

內聚力是團隊的一個重要屬性，它可以影響個人隊友和團隊成果。然而，在包括自主系統作為隊友的團隊中，內聚力是一個未被充分探索的話題。我們研究了關于人類團隊內聚力的現有文獻，然后在此基礎上推進對人類-自主系統團隊的內聚力的理解，包括相似性和差異性。我們描述了團隊的內聚力，各種定義、因素、維度以及相關的好處和壞處。我們討論了當團隊包括一個自主性的隊友時，該元素可能會受到怎樣的影響，并進行了逐一描述。最后，我們確定了可能與內聚力有關的人類-自主性互動的具體因素，然后闡述了對推進有效的人類-自主性團隊的科學至關重要的未來研究問題。