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

導言

人工智能的能力越來越強，其深遠影響也越來越明顯。像 ChatGPT 這樣的程序正在重塑人類活動的許多領域，其速度之快令各機構難以跟上。

軍方已經注意到人工智能（AI）的潛力。公開資料顯示，美國、俄羅斯等國軍隊都在開發包含人工智能的規劃過程。這些軍事規劃過程的細節并未公開，但這并不妨礙將澳大利亞國防軍的規劃過程與現有的人工智能規劃過程進行比較。這樣做可以推斷出聯合軍事評估過程（JMAP）如何通過整合人工智能進行改進。

澳大利亞可以通過在 JMAP 中整合人工智能來改進 JMAP。本文探討了這種整合是否可行，并得出結論認為是可行的。文章將 JMAP 與計算機程序 AlphaGo 中固有的規劃過程進行了比較，從道德、理論和實踐的角度分析了人工智能增強型 JMAP 對澳大利亞國防軍（ADF）的適用性。本文了選擇 AlphaGo（一個玩棋盤游戲圍棋的程序）作為比較規劃程序有幾個原因。AlphaGo 代表了人工智能的最新應用。與人工智能的軍事應用不同，AlphaGo 的信息基本上是公開的。最后，AlphaGo 之所以出名（至少在人工智能界），是因為它在規劃方面可能展現出了真正的創造力。比較研究了 JMAP 和 AlphaGo 如何執行兩項基本的規劃功能：設定作戰環境以及開發和評估可能的解決方案。結論是，通過將人工智能更好地融入規劃，JMAP 可以更適用于 ADF。

背景介紹

人們對利用技術增強軍事規劃和決策的興趣并不新鮮。在計算機化的長期趨勢中，人工智能增強規劃是順理成章的下一步。1963 年，美國空軍委托編寫了一份關于增強人類智力方法的報告。恩格爾巴特（Engelbart）將增強人類智力定義為 "提高人類處理復雜問題的能力，以獲得適合其特定需求的理解力，并推導出解決問題的方案"。它特別指出，計算機是實現這一目標的有力工具。人工智能是這方面的最新發展。如今，澳大利亞國防軍的條令明確指出："澳大利亞國防軍必須通過更多地使用人工智能來提高人民的戰斗力"。雖然人工智能的定義比比皆是，但國防軍將人工智能定義為 "機器表現出看似智能行為的一大類技術"。

AlphaGo 就是這種人工智能的一個例子，它試圖在中國古代戰略棋盤游戲圍棋中獲勝。為了有效地做到這一點，AlphaGo 必須了解環境并制定行動方案。將 AlphaGo 如何做到這一點與 JMAP 如何尋求解決軍事問題進行比較，為比較和隨后的分析提供了依據。

理解環境

JMAP 有一套獨特的理解環境的方法。JMAP 的第一步是確定范圍和框架，"詳細描述觀察到的系統和期望的系統"。我們采用了各種方法，包括創建圖表，以捕捉系統內的參與者、關系、功能和緊張關系。這種圖表就是系統模型。任何模型的保真度都是有限的。例如，可視化表示法僅限于三維空間，其他維度的特征最多只能通過顏色等其他線索來表示。面對這些限制，目標是建立一個能充分代表復雜系統的模型，為規劃者提供信息。為了適應這種限制，"確定范圍和框架可能需要將結構混亂和/或定義不清的情況解構為結構化和可理解的問題集"。一個臭名昭著的例子就是北約的 PowerPoint 幻燈片，該幻燈片試圖用圖形說明阿富汗沖突的參與者和動態（圖 1）。

圖 1--阿富汗環境的圖形模型，說明描繪復雜系統或結構混亂情況所面臨的挑戰。

作戰環境聯合情報準備（JIPOE）"構成了作戰環境的定義......和對環境影響的描述"，是對范圍界定和框架制定的補充。這種描述為范圍界定中開發的模型規則提供了信息。

與 JMAP 一樣，AlphaGo 也開發了一個環境模型，在圍棋游戲中，環境由棋盤上的棋子位置定義。它使用的方法類似于圖像分類和面部識別軟件。棋盤（包括所有棋子的狀態）被當作一幅 19 x 19 的圖像，神經網絡中的各層構建出棋盤狀態的抽象表示。這樣一來，AlphaGo 就真正做到了 "框定環境"。用模型表示環境的當前狀態只是理解環境的一部分。然后，AlphaGo 使用價值網絡來評估給定的棋盤位置，以及每步棋可能產生的棋盤位置。它對每個局面的評估都采用一個簡單的指標：從該局面獲勝的概率。盡管可能過于簡單，但這種方法的重點完全符合戰爭的第一原則：選擇并保持目標。

JMAP 和人工智能所采用的了解作戰環境的方法有相似之處。兩者都試圖創建一個現實模型。在 JMAP 中，這一模型是在計劃人員的生物大腦中實例化的，并輔以各種認知人工制品，如圖表、地圖和書面文本。人工智能中也有一個模型，但它是通過 AlphaGo 的多層神經網絡進行數字編碼的。每個模型都將環境視為由節點和鏈接組成的系統。從根本上說，JMAP 和人工智能描述環境的方式并沒有什么不協調之處。然而，僅僅因為它們使用了相似的方法，并不意味著 JMAP 和人工智能會給出相似的結果，"因為自主系統可能擁有與人類隊友不同的傳感器和數據源，它可能在不同的操作環境假設下運行"。當利用對環境的了解來制定和評估行動方案時，這些好處就會顯現出來。

行動方案的制定和評估

JMAP 行動方案的制定和評估是參謀人員和指揮官之間對話的結果。行動方案的核心思想往往是指揮官的想法，是經驗、判斷和直覺的綜合體現。由于這些過程發生在指揮官的頭腦中，因此有些不透明。不過，行動方案的制定過程中也有外部可見的因素可以分析。兵棋推演就是 JMAP 中新創意的一個可能來源。美國核戰略學家謝林（Schelling）在對核武器控制文獻的貢獻中，論證了游戲在引入規劃者無法以其他方式獲得的新想法方面的價值。他指出："一個人無論分析多么嚴謹，想象力多么豐富，都不可能做到的一件事，就是列出一份他永遠不會想到的事情清單！"。兵棋推演也可以用來評估行動方案，這與 AlphaGo 使用蒙特卡洛模擬來進行評估的方法類似。

AlphaGo 會反復考慮行動方案，每走一步棋后都會重新評估，以選擇最有可能取得勝利的下一步合法棋步。 它是通過策略網絡來做到這一點的。它建立在價值網絡的基礎上： 策略網絡將棋盤位置 s 的表示作為輸入，通過許多具有參數 σ（SL [監督學習] 策略網絡）或 ρ（RL [強化學習] 策略網絡）的卷積層，并輸出合法棋步 a 的概率分布 pσ(a|s) 或 pρ(a|s)，由棋盤上的概率圖表示。由于其開發和比較計劃的方式，'AlphaGo 開發出了新穎的開局棋步，包括一些人類根本無法理解的棋步'。用于制定行動方案的人工智能在這方面可以表現出真正的創造力，這一點在 2016 年得到了證明。在戰勝韓國圍棋冠軍李世石的比賽中，AlphaGo 下了一步出人意料的棋（被廣泛稱為第 37 手）。這步棋將一顆棋子深入塞多爾的棋盤區域，打破了傳統的圍棋智慧，令觀察者大惑不解。這步棋震撼了Sedol，以至于他短暫地離開了房間。這步棋改變了棋局的走向，對 AlphaGo 有利，AlphaGo 的聰明才智顯露無遺。Sedol 最終被自己和大多數人類幾乎無法想象的創造性棋步擊敗。這讓我們看到了人工智能如何增強規劃能力。

AlphaGo 的行動方案開發和評估在很多方面都與 JMAP 相似。它不是對所有可能的行動進行 "蠻力 "評估，而是對不同選項進行知情的開發和評估。其結果是，'AlphaGo 評估的局面比深藍在與卡斯帕羅夫的國際象棋比賽中所做的少數千倍；通過使用策略網絡更智能地選擇這些局面，并使用價值網絡更精確地評估這些局面來進行補償--這種方法或許更接近人類的下棋方式'。同樣，兵棋推演并不考慮無窮無盡的行動方案，而是只考慮指揮官選定的行動方案，或許只關注這些行動方案的選定方面。與 JMAP 的相似之處促進了人工智能的整合。

AlphaGo 和 JMAP 都利用過去的例子來訓練未來。AlphaGo 的開發者詳細介紹了訓練不同版本軟件所采用的各種方法，這些方法要么依賴于人類過去的圍棋比賽輸入，要么依賴于模擬圍棋對手的自我對弈。用人類下過的棋譜訓練算法類似于研究過去的戰役：這是職業軍事教育的支柱。有趣的是，這種方法似乎也存在隱患，因為 "從由完整棋局組成的數據中預測對局結果的天真方法會導致過度擬合"。換句話說：AlphaGo 可能會掉入許多軍隊都熟悉的陷阱，即為了贏得最后一場戰爭而進行訓練。我們需要共同努力訓練人工智能，使其做出的決策能夠適應未來的一般對局/沖突。

總的來說，AlphaGo 理解環境、制定和評估行動方案的方式與 JMAP 相似，但又有足夠的不同，因此可能會帶來優勢。目前形式的 JMAP 未能充分利用人類和人工智能的不同優勢來解決軍事問題。

接下來，將分析人工智能在澳大利亞國防軍規劃中的適用性，以了解是否可以利用這些優勢。人工智能在國防軍規劃中的適用性需要從倫理、理論和實踐的角度來考慮。

倫理適用性

對軍事規劃中的人工智能進行任何分析，都必須考慮適用于國防軍的道德問題。關于人工智能在軍事決策中的應用，有相當多的倫理爭論。允許人工智能或自主系統使用致命武力或做出導致使用致命武力的決策尤其具有爭議性。斯帕羅得出結論認為，使用致命武力必須始終由人類直接負責，因此人工智能不能指揮致命武力。辛普森和穆勒對辯論進行了調查，得出結論認為，指揮官仍可對人工智能做出的決定負責，因此仍允許使用人工智能。將人類納入人工智能增強型 JMAP 進一步減輕了與人工智能無監督軍事決策相關的許多擔憂。

使用人工智能生成行動方案為人類控制和監督留下了很大的空間。AlphaGo 使用的蒙特卡洛方法可以在人類的指導下制定出更符合指揮官意愿的計劃，或考慮到人類規劃者的道德考量。在 1999 年的研究中，邁爾斯和李使用了超越單純隨機化的技術，通過人工智能生成不同質量的計劃。他們的方法 "植根于偏差的創建，偏差會使計劃人員專注于具有特定屬性的解決方案"，這樣 "用戶就可以通過指定元理論中應用于偏差生成的方面，選擇性地引導計劃人員進入計劃空間的理想區域"。這為人類監督致命計劃和決策的制定提供了一種可能的形式。(請注意，上文使用的 "偏見 "一詞沒有任何負面含義，僅指人類以特定方式指導人工智能的能力）。

關于致命自主武器系統（LAWS）合法性的相關問題，聯合國正在進行辯論，特別是《禁止或限制使用某些可被認為具有過分傷害力或濫殺濫傷作用的常規武器公約》（簡稱《特定常規武器公約》）。澳大利亞在2020年提交給《特定常規武器公約》的文件中總體上對自主系統持支持態度，稱 "澳大利亞認識到人工智能為軍事和民用技術帶來的潛在價值和益處。澳大利亞主張對人工智能系統的人類控制進行廣泛定義。呈件的結論是，適用現有的國際人道主義法足以解決對人工智能系統的關切，為人工智能增強型聯合軍事行動計劃敞開大門，但須經過現有的審查程序。因此，澳大利亞似乎不反對將人工智能增強規劃適用于國防軍。

理論適用性

為了分析它們對澳大利亞國防軍的適用性，考慮了軍事組織如何應用 JMAP 和人工智能增強型規劃的理論方面。這就需要了解這樣一個澳大利亞國防軍組織在進行規劃時是如何行動、認知和決策的。這首先是一個社會學問題。基于對軍事組織的社會學理解，認知科學為理解人類認知與非人類要素的融合提供了一個理論框架。

吉登斯認為，現代社會在很大程度上是由專家系統構成的，而專家系統是一類可以涵蓋軍事總部的實體。專家系統有許多特性，但它們與認知的關系對當前的問題最為重要。克諾爾-塞蒂娜研究了專家系統在科學中的行為，展示了某些活動的開展是如何塑造和改變一個組織的。她指出，高能粒子實驗室在進行實驗時，"創造了一種分布式認知，這種認知也是一種管理機制：通過這種話語，工作變得協調，自組織成為可能"。雖然她的研究重點是作為知識組織的科學實驗室，但她也承認，"科學以外的專家文化 "也可以使用認識論文化這一概念。從事規劃工作的總部可以表現出分布式認知，對 "分布式認知 "概念的進一步探討有助于我們理解如何考慮人工智能在規劃中的作用。

分布式認知的概念使能夠評估人工智能和 JMAP 對國防軍的適用性。Vaesen 對這一理論總結道："分布式認知（d-cog）背后的基本思想是，認知往往分布在不同的個體和/或認識輔助工具上，如儀器、圖表、計算器、計算機等。哈欽斯曾以船舶進港航行為例，對分布式認知進行了著名的闡釋。在對美國海軍艦船進行廣泛研究后，他得出結論：人類和儀器組成的系統共同指揮著船只。這一系統所取得的認知結果超出了任何一個人的思維，也超過了這一過程中每個人單個認知的總和。以這種方式看待人工智能，就會發現它不過是一個已經整合了各種認知人工制品的系統中的另一個非人類元素。人工智能與其他技術（計算機、矩陣、可視化、地圖）一樣適用于聯合監測和評估計劃，這些技術已被整合到澳大利亞國防軍的規劃中。這種將總部理解為分布式認知系統的觀點強調了將人工智能與人類智能相結合所產生的潛在效益，而不僅僅是總部數字和生物部分的總和。此外，由于軍事總部已經在人類和人工制品之間分配認知，因此人工智能的整合不存在理論上的障礙。

實際適用性

實際上，在 JMAP 中更有利地整合人工智能會是什么樣子？規劃人員結構的變化是否會像個人電腦出現后文員和打字員隊伍的消失一樣？是否需要新的工作人員職能來清理和管理數據，或調整和完善算法？美國國防部在 2017 年成立的算法戰團隊為我們提供了一些思路，即此類團隊如何為國防部門的現有結構和職能增值。瑞安在其 2019 年的文章中指出，"通過應用人工智能擴展器，可以開發行動模型，根據已知和預測的敵方能力測試和比較各種活動，然后比較不同行動方案實現更高層次結果的能力，從而顯著增強并可能加快國防軍的規劃流程。通過對人工智能規劃流程的比較，同意 Ryan 的觀點。澳大利亞戰略政策研究所等智囊團也在研究澳大利亞國防軍整合人工智能的方法，并得出結論認為，作為一種通用技術，人工智能可以以多種方式應用于澳大利亞國防軍。這表明，人工智能與規劃的整合可由一項集中的人工智能戰略來指導，該戰略應考慮到澳大利亞國防軍從單個平臺層面到戰略規劃等最高級別功能的需求。

目前，人工智能在規劃中的作用存在實際限制。圍棋等游戲的規則更為明確，能產生明確的結果。Gibney 警告說，AlphaGo 的規劃方法可能很難推廣到現實世界的問題中，因為 "深度強化學習仍然只適用于某些領域"。這歸因于實際軍事沖突數據的可用性和質量有限，以及在沒有簡單勝負定義的情況下評估行動方案結果的挑戰。人工智能在軍事規劃任務中的一些實際局限性可以通過合成數據來克服。自動駕駛汽車已經成功地利用真實世界數據與合成數據的結合進行了訓練。盡管在實施人工智能增強型規劃過程中仍然存在重大的實際障礙，但在將人工智能應用于實際問題方面卻不斷取得進展。這些都讓我們有理由相信，實際挑戰終將被克服。

結論

得出人工智能增強型規劃比未增強型 JMAP 更適用于 ADF 的結論不足為奇。然而，通過深入分析一個特定的人工智能規劃過程，已經能夠超越這種一般性的結論，并探索能夠促進或阻礙這種整合的細節。AlphaGo 程序了解其環境并制定和評估行動方案的方式與澳大利亞國防軍總部通過 JMAP 完成這些任務的方式類似。分析發現，實施人工智能增強型 JMAP 沒有不可逾越的道德或理論障礙。在這一過程中，人類的參與提供了一定程度的監督，這應該能讓大多數人工智能軍事化的批評者感到滿意。參與 JMAP 的軍事總部已經采用了非人類輔助認知技術，因此分布式認知技術為從概念上整合人工智能提供了一個很好的方法。在現實沖突中實施人工智能仍面臨實際挑戰，因為現實環境比圍棋更復雜，結構性更差。人工智能的其他各種應用正在克服這些挑戰，這無疑將使人工智能應用于軍事問題。

參考來源: War College Papers 2023

//theforge.defence.gov.au/war-college-papers-2023/artificial-intelligence-operational-planning

數字孿生的優勢

數字孿生是一種強大的數字工具，允許原始電子制造商 （OEM） 或工程和制造服務提供商創建和利用物理產品的數字模型。從工廠 4.0 實施到高級智能家居，數字孿生在許多應用中越來越受歡迎，這些應用支持預防性維護。在復雜、高可靠性系統的設計工程中，數字孿生顯示出巨大的前景。

數字孿生技術使我們能夠模擬真實世界的系統，以識別數字環境中的設計和制造挑戰和解決方案。因此，這種專業技術具有許多好處，包括：

• 防止產生代價高昂的故障
• 加快產品上市速度
• 減輕維護負擔

數字孿生增強卓越設計

更進一步，數字孿生允許在審查和與數字模型交互時提供更深層次的細節。盡管構建數字模型的能力已經存在了一段時間，但數字孿生使我們能夠組合系統并更好地了解這些不同系統如何相互反應和協同工作。

例如，從理論上講，我們可以開發一個帶有所有預期集成系統（例如無線電）的直升機駕駛艙的虛擬表示，然后模擬直升機飛越無線電干擾器的環境，以了解我們如何解決這一挑戰。這種使用數字模型的靈活性和能力將大大增強設計、測試和制造，并將增強整體卓越設計 （DFX） 流程。但問題仍然存在：

• 我們如何組織所有這些數據以使其盡可能有效？
• 誰擁有數據？
• 誰負責開發各種零件和組件的建模，誰來推動構成數字孿生的系統的標準？

當我們考慮如何在航空航天和國防市場中使用這種專業技術時，數字孿生變得更加復雜，因為系統設計的復雜性正在增加，對獲得解決方案所需時間的期望正在降低。盡管如此，美國國防部（DoD）和Prime正在關注數字孿生的發展。

美國軍方對數字孿生的擁抱

軍用飛機、作戰坦克和軍艦服役的時間越長，制造或采購所需零件就越困難。因此，保持健康的供應鏈和確保最佳性能可能變得越來越困難。由于制造商可以基于數字模型生產精確的零件，因此國防部正在轉向數字孿生技術，以縮短零件采購的交貨時間。

但是，除了克服供應鏈和維護問題之外，數字孿生還為國防部提供了一些額外的好處，“從增加網絡安全和周邊防御到加強設施運營和規劃未來發展”。 隨著數字孿生技術變得越來越容易獲得，美國空軍、陸軍、海軍、海軍陸戰隊和海岸警衛隊將繼續尋找機會與先進的工程和制造公司合作，利用數字孿生來確保任務的持續成功。

但目前的挑戰使我們無法實現所有這些優勢。然而，克服這些障礙并提出必要的問題將有助于我們更好地了解數字孿生的未來可能走向何方。

數字孿生帶來的挑戰

我們應對的主要挑戰之一是組織和捕獲產品開發所需的組件、硬件、軟件等的所有不同數字模型。以藍牙模塊為例。為了使數字孿生的概念有效工作，用戶需要擁有每個組件（例如，驅動程序、兼容軟件、天線/射頻組件、固件等）。但是，如果這些部件中的每一個都來自不同的供應商和服務提供商，那么誰負責物理部件、組件或子系統的相應數字孿生？

另一個挑戰是使用更敏感的知識產權，例如，如上所述，在軍事系統設計和開發中。擁有功能齊全的數字孿生會帶來嚴重的網絡安全威脅，因為任何獲得數字孿生訪問權限的人都可以在物理世界中重新創建產品。這種潛在威脅需要對數字模型各個方面的訪問進行限制，使數據創建、所有權和訪問的想法進一步復雜化。

克服數字孿生挑戰

目前，有幾種不同的方法可以解決所有權、創建數字孿生的責任和可訪問性問題。我們在下面概述了其中的一些：

• 選項一：物理和數字模型的所有權

第一種選擇是讓負責零件、子系統或組件的每個人也負責創建各自的數字模型，并擁有這些零件的數據。盡管這會帶來更大的安全風險，但在快速開發數字孿生和在眾多組織之間分擔創建數字孿生的責任方面，它更有效率。此選項還使這些人更容易與可能需要零件的其他系統共享其模型，前提是創建并支持模型和“仿真環境”的標準。

• 選項二：OEM 所有權

第二種選擇是讓 OEM（擁有產品的 IP）創建、管理和擁有數字孿生的所有方面。此選項將提供更好的安全性，因為所有權的變量更少，并且 OEM 將對數字孿生的可訪問性有更多的控制權。缺點是系統設計所有者將承擔創建和維護子系統模型和數據的艱巨任務。

• 選項3：擴展當前熱仿真或電仿真模型

第三種選擇涉及現有仿真建模能力的演變，其中一組公司為數字孿生運營環境開發資產，并將這些資產出售給需要它們的公司。這些公司的范圍包括：

1）那些已經參與硬件設計和開發的人

2）基于使用其軟件創建的資產創建庫的模擬軟件公司

3）為創建和管理數字孿生而建立的全新公司

盡管這些模型中的每一個都有各種優點和缺點，但我們必須保持對話向前發展。

繼續進行數字孿生對話

沒有人完全確定這將如何發展，但預計這將是這些不同選項的組合，基于對安全性和可訪問性的日益關注以及所需的前期投資。圍繞機器學習 （ML） 和人工智能 （AI） 將如何影響數字孿生存在疑問。盡管如此，這些都是現在要問的關鍵問題，因為數字孿生的興起將不可避免地在以下方面提供實質性的推動：

• 加快上市速度
• 在受限的供應鏈中尋找替代品
• 使 OEM 和服務提供商能夠更快地應對復雜的挑戰（并且無需創建多次硬件和測試）

參考來源：Benchmark，Jan Janick

自 1950 年代以來，人工智能以一種非凡的方式發展，它不僅改變了行業，也改變了我們的日常生活。世界各地的武裝部隊正在以多種方式整合人工智能的使用，由于該領域尚未受到監管，因此正在探索和開發各種基于人工智能的自主系統。眾所周知，基于人工智能的自主系統的首次使用是由DARPA（美國）開發的動態和分析重新規劃工具（DART），用于安排供應鏈和個人移動，以解決其軍隊的后勤效率問題。從那時起，它已經走了很長一段路，在最近的沖突和戰爭中，以破壞性的方式觀察到基于人工智能的自主系統的大規模使用。自主無人機在超出任何反措施范圍的高度等待，以便對系統選擇的目標進行有效的精確打擊。這可能是最簡單但最有效的例子之一，可以詳細說明現代作戰基礎設施如何過渡到集成自主系統。除了具有高有效性和效率的優勢外，這些系統還為士兵提供了3D（沉悶，骯臟和危險）任務的安全，并優化了高昂的作戰成本。

人工智能使用計算機系統模擬自然智能，在該系統中，它感知和感知數據，分析數據，從數據集中學習，然后將其用于所需的決策，而無需人類參與。對于人類來說，圖像是根據存儲在人腦中腦回溝細胞結構中的圖像來感知和理解的，而在 AI 模型中，具有具有權重的神經網絡算法的計算機處理器在數學上學習和感知相同的圖片。

人工智能是機器學習 （ML）、深度學習 （DL） 和自然語言處理 （NLP） 等多個領域的龐大通用集合，它們是根據可用數據集的大小解決各種問題的工具。人工智能的目標是創建一個可以智能和獨立運行的系統。任何 AI 模型的這一目標都涉及培養解決問題的能力、允許持續學習、鼓勵智能、促進創造力以及實現人與 AI 的協同作用。人工智能可以根據它應該執行的任務類型，分別在不熟悉的領域或特定的已知需求中大致分為廣義或狹義。人工智能模型基于傳感器輸入的數據，根據算法處理數據以解釋、預測或采取行動。然后，系統可以分析或提供反饋以適應或自我學習。所有這些都屬于 ML、DL、NLP、語音識別、專家系統、優化、機器人技術、計算機視覺形成自主系統。

基于人工智能的系統的軍事用例很多，涵蓋了上述所有技術，以了解軍事行動的確切動態。這些系統是作戰系統、戰略決策算法、數據處理單元、兵棋推演中的戰斗模擬、目標識別、威脅監測、蜂群、游蕩彈藥、高效的后勤方法、因果關系護理和疏散。 基于人工智能的武裝部隊自主系統由一組多個復雜的子系統組成，其中可能包括傳感器/感知系統、通信設備、基于機器學習和訓練數據的決策算法的執行器，這些執行器不需要任何人工干預即可執行所需的任務。這些系統可以根據其功能和操作分為各種類別，如無人機/無人機/機器人平臺/蜂群或其他作戰系統。

自主系統旨在通過收集信息并在沒有任何人工干預的情況下長時間工作，在不斷變化的環境中實現一系列目標。他們可以自己思考。雖然它們有一個人工智能核心，包括傳感器、通信系統、執行器、基于機器或深度學習的決策算法，但它們也需要是冗余的，與按照道德和法律框架制定的網絡安全措施相結合，應該有足夠的人機界面。

根據戰略用途的類型和特定地理位置的戰術需求，這些自主系統以各種形式設計。最常見的是地面車輛（履帶式、輪式或腿式）和無人機，它們也可以作為集群運行。 海洋自主系統旨在根據情況需要在水下或水面上移動。該系統將武器或傳感器安裝在地面或空中平臺上，專為戰斗、ISR、后勤、目標/火控、搜索和救援等特定作戰場景而設計。自主通信網絡旨在最有效地利用已部署的資源，以實現連續的信息流。以類似的方式，成群的無人機或地面車輛在網狀網絡上工作，其算法旨在避免碰撞，同時在定義的空間中作為一個組保持凝聚力。一群類似于鳥類的無人機在成群結隊、上學和覓食方面工作，而不會因冗余而影響操作必要性。

自主系統是有利的，因為它們可以降低士兵的生命風險，因此可以處理各種對人類來說骯臟、沉悶或危險的任務，如解除爆炸物、敵對條件下的 ISR、戰斗、CI/CT 操作、巡邏、快速反應、搜索和救援、惡劣地形中的后勤、長期操作、事故預防和醫療應用。

這些自主系統的開發、集成、部署和維護是有成本的，但從長遠來看，通過負責任的規劃和決策，它們在整體成本效益方面具有優勢。自主系統降低成本的方式和手段是減少人員費用，減少損失風險，優化資源及其分配，降低維護成本，提高任務效率，減少燃料消耗，操作靈活性，可擴展性和規模經濟。

這個基于人工智能的自主系統領域正在隨著新技術的發展而增長，以增強軍事能力。這些系統充當了力量倍增器，確保了速度和精度，操作的連續性，并具有更好的數據處理和分析能力。這些不斷發展的自主系統與軍事戰略相結合，將導致戰爭的新面貌，使它們成為任何現代作戰部隊不可或缺的資產，確保提高效率，降低生命風險并節省成本，但是，負責任地部署這些系統存在道德，法律和政策相關的問題，以避免任何意外和不希望的情況，因為對手也將開發導致沖突的此類系統。降低與自主系統相關的任何風險至關重要，包括負責任的決策、保持監督和故障安全檢查。

參考來源：Narendra Tripathi中校

雖然戰爭的基本性質保持不變，但軍事戰略仍在根據新技術帶來的能力不斷演變。因此，軍事領導人必須了解新興的顛覆性技術，以保持部隊的相關性。量子技術就是這樣一種技術，由于其在廣泛領域的潛在應用，它在過去幾年里受到了廣泛關注。特別是，量子技術有望通過大幅提升當前的軍事技術，在戰爭的各個領域實現突破。本文基于現實評估，探討了量子技術在國防領域的三大應用--量子計算、量子傳感和量子通信--及其對未來戰爭的影響。

隨著美國國家戰略重點轉向與大國競爭，對美國海軍陸戰隊是否能滿足美國需求提出了質疑。海軍陸戰隊目前的兵力設計是針對大規模兩棲聯合強行進入作戰（JFEO）和岸上持續作戰而優化的。然而，隨著遠程精確導彈、先進預警雷達、無人機（UAV）和網絡能力在全球的擴散，美國前國防部長羅伯特-蓋茨（Robert M. Gates）以及新美國安全中心（Center for a New American Security）和戰略與預算評估中心（Center for Strategic and Budgetary Assessments）的學者們對海軍陸戰隊數十年來的多海軍陸戰隊遠征旅兩棲聯合強行進入作戰（JFEO）組織設計和相關投資提出了質疑。作為回應，海軍陸戰隊第 38 任司令戴維-伯杰（David H. Berger）將軍于 2020 年 3 月宣布了 "兵力設計 2030"（Force Design 2030），概述了海軍陸戰隊當前兵力設計的不足之處以及變革的必要性，以保持海軍陸戰隊在競爭環境中與先進的同級競爭對手的相關性。

《2030 年部隊設計》是適應性的縮影，是一種應對選擇性壓力的生存機制。迫使海軍陸戰隊進行變革的主要選擇性壓力之一是同行競爭對手的技術以前所未有的速度進步。雖然技術本身并不會改變戰爭的根本性質，但它肯定會影響必須采用的制勝戰略。由于技術在國家安全中的重要性，美國政府每年繼續投入數十億美元資助國防實驗室，如國防高級研究計劃局（DARPA）、海軍研究辦公室和陸軍研究實驗室。這些研究機構開發新的國防技術，并隨時向領導人通報這些技術可能對戰爭各個方面產生的影響。不過，海軍陸戰隊的最終責任是采用和調整這些新技術，使其能夠為聯合部隊提供相關的獨特能力。各級領導層對新興技術的進一步了解將加速新技術的采用，這也是快速技術進步的要求。本文是作者試圖提高人們對量子技術這一重大新興技術和潛在顛覆性技術及其對未來戰場潛在影響的認識，從而使海軍陸戰隊能夠共同積極地維持一支適合未來需求的部隊。

結論

量子技術不會取代現有技術，相反，它將增強現有技術。量子密碼分析可以使美軍，特別是海軍陸戰隊在進攻和防御領域的網絡行動多樣化。抗量子算法的發明和實施就是網絡防御的一個例子。量子優化算法可以解決各種優化問題，包括但不限于路線規劃、供應鏈、多無人機部署和導彈防御，在提高作戰效率的同時減少所需資源。量子模擬可以開發出更輕、更堅固、更節能的材料，使海軍陸戰隊能夠在分布式環境中以更輕的足跡維持更長的時間。量子傳感器可以實現擴展導航和寬帶無線電頻率接收，同時占用空間更小，幾乎沒有電磁特征。量子網絡可提供高水平的通信安全，并實現量子信息的分發。

值得注意的是，由于實施方面的工程挑戰，這些應用仍停留在理論層面。第二次量子革命的大多數技術距離實際應用還有幾十年的時間。海軍陸戰隊不應該太有遠見，因為它必須能夠隨時投入戰斗--但同時，它也不應該太近視，以免在未來落伍并失去相關性。美國同行競爭對手的技術突飛猛進，要求海軍陸戰隊迅速采用新技術。及時合理地獲取、發展條令并在戰術上運用新技術的一個先決條件是，各級領導層要保持對新興顛覆性技術的集體認識，以便海軍陸戰隊能夠適當地組織、裝備和訓練海軍陸戰隊員，使其成為國家未來的替補部隊。

在不斷發展的技術和戰略分析領域，有兩個領域因其深遠的影響和有趣的可能性而脫穎而出：人工智能 （AI） 和博弈論。乍一看，它們可能看起來很不同——人工智能是計算機科學的一個分支，致力于創造智能機器，而博弈論則是研究競爭環境中的戰略決策。然而，當這兩個領域融合在一起時，它們開啟了一個新的可能性領域，徹底改變了我們處理和解決復雜戰略問題的方式。

人工智能和博弈論的交集不僅僅是一個技術聯盟;它代表了我們對戰略、決策和預測分析的理解的范式轉變。人工智能帶來了其無與倫比的計算能力、處理大量數據集的能力和先進的算法。另一方面，博弈論為理解競爭和合作互動的動態提供了一個框架，無論是在個人、公司還是國家之間。它們共同創建了一個強大的工具包，用于駕馭錯綜復雜的戰略決策世界。

在當今數字時代，這種融合尤為有效，因為數字時代數據豐富，計算能力不斷擴展。人工智能的學習、適應和決策能力越來越類似于人類的戰略思維，這是博弈論的一個核心方面。隨著人工智能系統變得越來越復雜，它們不僅在學習下國際象棋或圍棋等游戲。盡管如此，它們也被應用于戰略互動至關重要的現實世界場景——從金融市場到國際外交。

在本文中，我們將踏上人工智能和博弈論的探索之旅。我們將深入研究它們的歷史背景，研究人工智能如何用于解決復雜的博弈論問題，并展望這個令人興奮的跨學科領域的未來。通過了解人工智能和博弈論之間的協同作用，我們可以深入了解戰略決策的未來——一個機器競爭和制定戰略的未來。

人工智能和博弈論的歷史背景和里程碑

人工智能在戰略博弈和博弈論領域的旅程始于不起眼但意義重大的一步。最早的里程碑之一是IBM的“深藍”（Deep Blue）的誕生，這是一款國際象棋計算機，在1997年擊敗了世界冠軍加里·卡斯帕羅夫（Garry Kasparov）。這一事件標志著一個關鍵時刻，展示了人工智能在掌握需要深入戰略思維的游戲方面的潛力。

繼深藍之后，人工智能領域繼續發展，處理更復雜的游戲。一個里程碑式的成就是谷歌DeepMind的AlphaGo，它在2016年擊敗了世界冠軍圍棋選手李世石。圍棋，一個以其大量可能的位置和對直覺的依賴而聞名的游戲，對人工智能來說是一個重大挑戰。AlphaGo的勝利證明了人工智能在學習和制定戰略方面的先進能力，遠遠超出了蠻力計算。

在這些發展的同時，人工智能開始納入博弈論的原理。博弈論的理性決策者之間沖突與合作的數學模型為人工智能算法模擬和分析戰略互動提供了一個框架。這種整合使人工智能能夠超越游戲，應用于現實世界的場景，如經濟建模、政治戰略和社會行為分析。

機器學習是人工智能的一個子集，專注于構建從數據中學習的系統，機器學習的集成進一步推動了人工智能的能力。強化學習等技術，人工智能系統通過執行動作和觀察結果來學習決策，在開發能夠在動態環境中適應和優化策略的人工智能方面發揮了重要作用。

人工智能在預測博弈論中的應用標志著另一個重要的里程碑。人工智能系統經過訓練，可以預測戰略場景中的結果，考慮眾多變量和潛在策略。事實證明，這種能力在金融和經濟等領域非常寶貴，在這些領域，預測市場趨勢和消費者行為至關重要。

隨著人工智能系統越來越善于制定戰略，出現了倫理方面的考慮，特別是在軍事戰略和監視等敏感領域的使用方面。隨著我們邁向未來，圍繞人工智能在戰略決策中的道德使用問題的辯論仍然是一個關鍵的討論。

人工智能在解決博弈論問題中的應用

人工智能在博弈論中的應用在很大程度上延伸到了經濟學和政治學領域。在經濟學中，人工智能算法用于模擬市場行為、模擬競爭性商業場景和優化定價策略。在政治學中，人工智能有助于模擬選舉策略、外交談判和沖突解決。

示例：市場分析中的人工智能 考慮一個簡單的市場場景，公司在價格上競爭。人工智能算法可用于模擬該市場并預測均衡價格。

在政治戰略方面，人工智能可以模擬選舉場景，考慮選民偏好、競選策略和媒體影響等因素。這些模擬有助于了解選舉政治的動態，并制定有效的競選策略。 、

機器學習與預測博弈論

機器學習是人工智能的一個動態子集，它大大增強了博弈論的預測能力。通過分析模式和學習數據，機器學習模型可以預測各種博弈論場景中的結果，為戰略決策過程提供有價值的見解。

在博弈論中，預測建模涉及根據歷史數據和概率算法預測玩家的行動和反應。神經網絡、決策樹和強化學習算法等機器學習模型擅長處理這些復雜的場景。它們可以處理龐大的數據集，找出可能無法立即顯現的模式和戰略，為戰略規劃提供預測優勢。

在商業競爭戰略領域，機器學習模型被用來模擬市場情景，預測各種戰略舉措的結果。例如，公司可以利用這些模型來預測競爭對手對新產品發布、定價變化或營銷活動的反應。這種預測能力使企業能夠更有效地制定戰略，在激烈的市場競爭中領先一步。

行為博弈論中的人工智能

人工智能（AI）在行為博弈論領域發揮著越來越重要的作用，行為博弈論是一門結合了經濟學、心理學和戰略決策學等元素的學科。人工智能在這一領域的貢獻圍繞著理解和預測博弈論背景下的人類行為，為個人如何在戰略情況下做出決策提供了新的視角。

行為博弈論傳統上依賴心理學見解來解釋為什么人們有時會在戰略博弈中做出非理性或意想不到的決策。人工智能，尤其是機器學習模型，通過分析大量的行為數據，加強了對這一問題的理解。這些模型可以識別人類決策中的模式和異常現象，而這些模式和異常現象在傳統分析中可能并不明顯。例如，人工智能有助于理解為什么人們在某些博弈中會偏離納什均衡，或者為什么他們會在經典博弈論預測會出現競爭的情況下進行合作。

考慮一下 "最后通牒博弈"（Ultimatum Game），這是行為經濟學中的一個標準實驗。如果第二個玩家拒絕這個提議，那么兩個玩家都將一無所獲。雖然傳統博弈論認為任何非零提議都應被接受，但人類玩家經常會拒絕他們認為不公平的提議。人工智能模型可以分析此類博弈的數據，預測在什么情況下提議有可能被接受或拒絕，從而深入了解人類的公平與合作觀念。

人工智能的預測能力在涉及復雜人類互動的游戲中尤其有用。通過分析類似游戲的歷史數據，人工智能可以預測玩家在未來游戲中可能的行為。這種能力不僅在學術上很有意義，在市場研究、政治競選和談判策略等領域也有實際應用。

人工智能在博弈論中的未來前景和潛在影響

展望未來，人工智能（AI）與博弈論的交匯蘊含著實現變革性突破的巨大潛力。人工智能技術的飛速發展與博弈論的深刻見解相結合，有望徹底改變各行各業和全球政治的戰略決策方式。

在戰略規劃領域，人工智能分析復雜情景和預測結果的能力將變得越來越復雜。我們可以預見，人工智能系統不僅能模擬商業和經濟領域的可能戰略，還能積極提出最佳行動方案。例如，人工智能可以預測市場波動并提出庫存策略建議，從而徹底改變供應鏈管理；人工智能驅動的交易算法可以預測市場變化并做出實時反應，從而改變金融市場。

在全球政治中，人工智能在博弈論中的作用可以為解決沖突和外交談判帶來開創性的方法。可以開發人工智能系統來模擬國際沖突，并根據歷史數據、當前的政治氣候和潛在的未來情景提出解決方案。這些系統可以協助人類外交官了解不同外交戰略可能產生的結果，幫助預防沖突和促進全球合作。

人工智能系統能夠在戰略規劃和談判方面勝過人類，這一前景帶來了令人興奮和充滿挑戰的可能性。在商業領域，這種人工智能可以談判合同、優化交易，甚至參與高層決策過程。然而，這也帶來了有關透明度、公平性以及人類判斷在關鍵決策過程中的作用等倫理方面的考慮。

結論：引領人工智能與博弈論的未來交匯點

當我們結束對人工智能（AI）與博弈論動態融合的探索時，我們顯然站在了戰略分析與決策新時代的懸崖邊上。從人工智能在戰略博弈中的歷史里程碑、先進的經濟應用、對人類行為的深刻洞察，到人工智能在博弈論中的未來猜想，我們描繪了一幅快速發展的圖景，其中蘊含著豐富的潛力，也充滿了挑戰。

回顧歷程： 我們的旅程始于對歷史的回顧，追溯人工智能從掌握國際象棋和圍棋等棋類游戲到解決經濟學和政治學中復雜博弈論問題的演變過程。這些里程碑不僅展示了人工智能日益增長的實力，也為人工智能更深入地融入戰略決策奠定了基礎。

人工智能在經濟和政治中的作用： 我們深入研究了人工智能在博弈論中的高級經濟應用，探討了人工智能模型如何徹底改變市場分析、消費者行為預測和競爭性商業戰略。在政治領域，人工智能在外交談判和沖突解決建模方面的潛力預示著未來人工智能將在維護全球和平與穩定方面發揮至關重要的作用。

人工智能視角下的人類行為：人工智能在行為博弈論中的探索揭示了人工智能如何促進我們對人類決策的理解。通過分析有關人類行為的大量數據集，人工智能已開始揭示我們如何在戰略背景下做出選擇的復雜性，為從實驗經濟學到社會心理學等領域提供了寶貴的見解。

猜測人工智能的未來影響： 展望未來，我們推測了人工智能在博弈論中的未來，并設想了可能改變行業、重塑全球政治以及重新定義戰略談判性質的突破。人工智能在戰略規劃方面超越人類的潛力既帶來了令人興奮的可能性，也帶來了重大的倫理問題。

平衡技術進步與倫理責任： 當我們擁抱人工智能和博弈論的進步時，我們也必須認識到其對倫理和社會的影響。在將人工智能融入戰略決策過程時，必須堅持透明、公平和維護人類判斷力的原則。人工智能在博弈論中的未來不僅關乎技術實力，還關乎用人工智能增強人類智慧，從而創造一個更具戰略性、更知情、更合作的世界。

用心創新，擁抱未來： 總之，人工智能與博弈論的交叉代表著一個充滿無限可能的前沿領域。它有望徹底改變我們處理和解決復雜戰略問題的方式，為理解和塑造我們周圍的世界提供新的工具。在我們前進的過程中，我們必須以審慎的創新態度對待這一前沿領域，確保人工智能和博弈論的進步能夠為更大的利益服務，并以道德原則為指導，深刻理解其對社會的影響。

參考來源：Enrique J. ávila Mu?oz

航空航天和國防領域正在經歷一場變革，其主要驅動力是將人工智能（AI）和機器學習（ML）技術集成到為軍事設計的傳感器、武器和信息系統中。在精確度、快速決策和穩健性至關重要的環境中，人工智能/機器學習已成為一項關鍵技術，可加快對態勢的理解和決策，提高作戰效率。這些技術使軍事行動更有可能克服 "戰爭迷霧"，人工智能/機器學習基于無休止和持續的信號收集，而不是人眼可見的跡象，使感官和態勢理解更加敏銳。這些部門的獨特要求，如多域作戰、極端條件下的應變能力、高風險決策、互操作性和先進的安全措施，為人工智能發揮重大影響創造了條件。

市場驅動力和獨特需求

航空航天和國防領域轉向人工智能有幾個關鍵因素：

1.快速準確的決策：軍事行動在時間和空間上都具有決定性意義。人工智能系統快速處理和分析海量數據的能力對于實時做出戰略和行動決策至關重要。挖掘來自不同來源和領域的信息并快速融合這些數據，可為決策者提供可在短周期內實施的行動情報，從而在分配的時間和空間內產生預期效果。

2.彈性和可靠性： 人工智能應用程序必須在各種具有挑戰性的環境中始終如一地運行；其建議和響應必須可信、可靠，并且不會出現商業大型語言模型（LLM）所遇到的 "幻覺"。信心和信任是軍事人工智能系統中最重要的因素，能讓用戶利用這些系統發揮最大價值。安全和信心不應是設計功能，而應是軍事人工智能系統基線基礎設施的一部分。此外，還應考慮物理安全和安保問題，采用分布式系統、邊緣處理以及強大而有彈性的網絡，使人工智能隨時隨地為作戰部隊提供支持。

3.道德和受控的自動化：無論是否有制衡機制來實現人類的信任，軍事系統的高風險都要求人工智能系統納入并遵守道德標準，并允許人類在不減慢整個流程的情況下進行監督。盡管 "道德標準 "是一個不固定的術語，取決于設計者和用戶的法律、文化、宗教和社會背景，但它為人工智能操作定義了 "游戲場地 "和邊界，就像戰爭法定義了作戰人員在戰時能做什么或不能做什么一樣。

4.先進的安全措施：鑒于國防行動的敏感性，人工智能系統必須具備無與倫比的網絡安全能力，消除系統訓練和操作過程中的不利和惡意行為。人工智能系統依賴于網絡、信息、數據饋送以及通過訓練嵌入的算法。在設計或訓練過程中篡改這些基礎，或在系統運行階段對其進行惡意操作，都可能會給用戶和依賴系統帶來巨大風險和意想不到的后果。因此，從早期設計階段就應考慮安全措施，包括風險檢測、規避和應對。

領先企業及其影響

研究了數十家公司的產品，觀看了演示，并在展覽和會議上聽取了官員的介紹。通過研究，掃描了市場上專為軍事行動設計或能夠支持軍事用途的人工智能系統。使用現有最好的人工智能工具進行研究，但即使這樣也需要大量的人工分析才能提供符合標準的可用信息。在第一部分中，挑選了五個在軍事行動中表現出色的人工智能系統。

洛克希德-馬丁公司

為何選擇：作為行業領導者，洛克希德-馬丁公司是將人工智能廣泛應用于國防領域的典范。他們的 AI Factory 計劃展示了他們在該領域推進 AI/ML 技術的承諾。它提供了一個安全的端到端模塊化生態系統，用于訓練、部署和維持可信賴的人工智能解決方案。其功能側重于從開發到部署和維護的自動化，應用 MLOps 解決方案（機器學習運營）來驗證、解釋、保護和監控所有機器學習生命周期階段，并創建可跨項目重復使用的參考架構和組件。

影響：從作戰飛機到太空探索，洛克希德-馬丁公司通過其人工智能驅動的解決方案影響著全球國防戰略，樹立了行業標準并為未來的技術進步鋪平了道路。

Palantir科技公司

為何選擇： Palantir 在大數據分析領域舉足輕重，為情報收集和作戰計劃提供人工智能平臺。他們的 AIP 平臺為綜合解決方案奠定了基礎，通過向決策者提供相關信息、利用可用傳感器增強信息以及根據對信息、紅軍和藍軍戰術、技術和程序（TTP）的理解向決策者提供相關的、可操作的響應，從而增強軍事組織的能力并使其同步化。

影響： Palantir AIP 將大型語言模型和尖端人工智能的力量結合起來，激活數據和模型，以安全、合法和合乎道德的方式從最高度敏感的環境中獲取信息。他們的系統利用信息源的可追溯性和可信推理，在復雜的國防環境中實現數據驅動決策，說明人工智能在作戰計劃和情報行動中的重要性與日俱增。

安杜里爾工業公司

為何選擇：Anduril Industries 站在將人工智能整合到自主系統和監控技術的前沿，改變傳統的防御戰略，采用可信賴的有人無人操作能力。

影響：他們的任務自主方法是從邊境安全和態勢感知發展而來的。他們的 Lattice AI 操作系統重新定義了防御方法，引入了分布式任務自主，采用由小型人類團隊操作的眾多無人系統。核心軟件提供傳感器融合、目標識別和跟蹤、智能網絡、指揮和控制。與其他解決方案不同的是，Anduril 的方法是通過添加可操作的使能因素，將其人工智能的覆蓋范圍擴展到 Lattice 核心之外--在安全領域，這些使能因素包括 Sentry 傳感器、Anvil 和 Roadrunner 反制措施。在進攻性打擊任務中，例如在美國陸軍的 "空中發射效應 "中，該系統通過Altius長續航時間傳感器、Fury Attritable飛機和Altius 700M效應器，將Anduril的移動自主概念發揮到極致。作為一個集成解決方案，它通過擴展覆蓋范圍、能力和態勢感知，使人類能夠使用自主系統，同時使作戰人員能夠更快地做出更好的決策。

C3.ai公司

為何選擇：C3.ai 的突出之處在于其將各種人工智能工具整合到 AI-Readiness 中的戰略，這是一個安全、統一的平臺，具有可信任、彈性和可互操作的可擴展系統，可在整個生命周期內連接和管理復雜且不同的資產。

影響： 通過提高決策和運營效率，C3.ai 的解決方案優化了資源管理和維護計劃，證明了人工智能在提高國防資產的可用性和使用壽命方面的作用，同時還能保持高安全標準。為支持引入人工智能驅動的解決方案，該公司提供了一個人工智能開發工作室，將技術評估加速到數天，并在數周或數月內完成應用開發和部署，而不是數年。

赫爾辛公司

為何選擇：赫爾辛公司代表了新一輪專注于專業人工智能應用的國防初創企業，他們得到歐洲主要國防企業的支持，凸顯了赫爾辛公司在人工智能國防市場的潛力和影響力。

影響：赫爾辛公司在情報分析和決策支持方面的人工智能解決方案利用先進的目標識別和人工智能賦能的電子戰技術，與其他合作伙伴的解決方案一起，必將成為雄心勃勃的未來空戰系統（FCAS）這一任務系統的人工智能支柱的一部分。赫爾辛公司專為現代戰爭量身定制，將為未來提供獨一無二的人工智能國防和航空應用。自 2022 年以來，赫爾辛公司一直活躍在烏克蘭，為前線作戰提供能力和技術。

結論

正如這些領先公司所展示的那樣，航空航天和國防領域正在走向以人工智能為中心的未來。市場格局多種多樣，發展迅速。每家公司都以獨特的方式塑造人工智能的市場、技術和未來，凸顯了人工智能對全球國防和航空航天戰略的變革性影響。這一趨勢增強了當前的能力，為軍事和太空行動開辟了新的可能性，標志著國防技術進入了一個新時代。

參考來源：DEFENSE UPDATE

大數據與人工智能（AI）的結合實現了準確預測和明智決策，為工業和研究帶來了革命性的變化。這些進步也在軍事領域找到了自己的應用位置，一些舉措整合來自不同領域的數據源和傳感器，提供共享的態勢感知。在城市軍事行動中，及時了解具體情況的信息對于實現精確和成功至關重要。數據融合將來自不同來源的信息結合在一起，對實現這一目標至關重要。此外，民用數據可提供關鍵的背景信息，并對任務規劃產生重大影響。本文提出了軍事數據空間（MDS）概念，探討大數據如何通過結合民用和軍用數據來支持軍事決策。文章介紹了使用案例，強調了數據融合和圖像認證在提高數據質量和可信度方面的優勢。此外，還討論了數據安全、隱私、完整性、獲取、融合、聯網和利用人工智能方法等方面的挑戰，同時強調了構建下一代軍事應用的機遇。

I. 引言

大數據的興起改變了企業存儲、管理和分析海量數據的方式。此外，大型數據集的可用性和更強大硬件的發展也為人工智能（AI）時代的到來鋪平了道路。盡管存在局限性，但這些課題在軍事領域也找到了適用性。其中一個例子是美軍使用的多域作戰（MDO），后來擴展為聯合全域指揮與控制（JADC2），以及 "共同作戰圖景"（COP）概念，這些概念整合了多個領域（陸地、海洋、空中、太空和網絡空間）的各種數據源和傳感器，使決策變得更快、更明智，提供了從戰術到戰略的各級組織的共享態勢感知。此外，北約社區已通過北約核心數據框架（NCDF）討論并測試了數據湖概念，以便在適當的時間/形式與聯盟伙伴共享可靠的跨域信息。

利用先進的算法和計算能力，人工智能可以處理龐大的數據集，揭示人類通常無法察覺的復雜模式。這使國防行動能夠增強實戰經驗、促進任務執行、做出數據驅動的決策、協調來自不同來源的數據，并加強應對威脅和災難的準備。通過整理來自不同來源的數據，指揮與控制（C2）部門可以深入了解城市景觀，并通過數據融合技術[3]、[4]促進態勢感知決策[1]、[2]。現代城市部署了傳感器網絡，利用大數據支持城市軍事戰略。此外，社交媒體平臺是寶貴的文本、圖像和視頻來源，豐富了態勢感知，但也帶來了數據完整性等挑戰。在 "非戰爭 "行動中，包括打擊腐敗政府、毒品販運和人道主義任務，大數據、數據融合、數據完整性和人工智能在任務成功中的重要作用在當代全球格局中變得顯而易見。

本文深入探討了利用大數據促進軍事決策以及相關挑戰。文章以簡明易讀的方式涵蓋了該領域相對欠缺探索的各個方面。在此背景下，研究介紹了軍事數據空間（MDS）的概念，這是一種將軍內數據（IMD）和軍外數據（EMD）結合在一起的新方法，旨在引發討論并開發軍事解決方案。然后，它通過以數據融合和圖像完整性機制為重點的使用案例來說明大數據的好處。最后，它討論了使用大數據的挑戰和機遇，集中在支持戰略性軍事決策必須考慮的四個主要方面：i) 數據融合；ii) 安全/隱私和完整性；iii) 人工智能；以及 iv) 網絡作為訪問大數據的手段。

從網絡視角討論數據傳播問題具有現實意義，文獻中也有廣泛論述。因此，本研究旨在引發對大數據觀點的討論，以及利用大數據造福軍事系統的可能性。此外，我們還強調了應對整合 IMD 和 EMD 相關挑戰的重要性。這種整合對于建立有凝聚力的大數據，最終提高軍事決策能力至關重要。總之，本文的貢獻如下：

• 引入一個整合軍用和民用數據的新概念：軍事數據空間（MDS）框架。
• 通過 MDS 框架的出現，確定大數據固有的關鍵挑戰和機遇。
• 兩個說明性用例，突出數據融合和完整性在支持戰略決策方面的優勢。

文章結構如下。第二節介紹了 MDS 的概念。第三節回顧了有關軍事和民用場景中大數據的最新文獻。第四節介紹兩個使用案例，說明大數據如何支持軍事決策。第五節討論了軍事數據領域的挑戰和機遇。最后，第六節總結了本研究討論的主要方面，為文章畫上了句號。

II. 軍事數據空間

軍事數據空間（MDS）的概念是根據 [5] 中討論的觀點提出的。它提供了一個以數據為驅動的軍事場景視角，有助于根據不同的數據源做出決策。MDS 包括兩個主要類別： 軍內數據（IMD）和軍外數據（EMD），如圖 1 所示。目前大多數軍事文獻都只針對 IMD 提出和評估系統（如中間件、協議）。然而，隨著信息和通信技術（ICT）的迅猛發展，民用系統已成為不可忽視的數據和基礎設施（網絡）的重要來源。因此，考慮到數據隱私/安全、完整性、獲取、融合、聯網和利用人工智能等挑戰，MDS 旨在支持關于 EMD 如何幫助軍事決策的討論。

圖1 軍事數據空間。

A. 軍內數據

IMD 與軍方提供和消費的數據相對應，主要分為兩層：帶有真實/虛擬傳感器（來自空間/航空/地面/航海單元）的基礎設施和信息層，包括作戰、情報和后勤數據。

基礎設施包括傳感器（如雷達、聲納、照相機）和其他電子系統收集的數據，可探測和跟蹤空中、陸地或水中的物體；車輛傳感器可提供軍事單元和周圍的狀態；可穿戴/智能和物聯網（IoT）設備可通過 GPS 定位、地圖、健康測量、實時照相機（高分辨率、紅外線）等為戰場上的步兵提供支持。這些數據可用于監測和識別潛在威脅、協助鎖定敵軍目標以及監測步兵狀況。

除了來自真實/虛擬傳感器的原始數據外，IMD 還包括信息層，該層融合了從作戰到情報等各種來源收集的數據，以創建一個更可靠、更廣闊的作戰視圖，這也是 JADC2 和 COP 系統的目標。情報信息可幫助軍隊了解敵軍的能力和意圖，識別潛在威脅并制定作戰計劃。后勤數據提供有關物資、裝備和人員的信息，如運輸時間表、庫存水平和維護記錄。這些數據對于確保軍隊擁有有效執行任務的資源至關重要。

B. 軍外數據

軍外數據是由真實/虛擬傳感器單獨或融合提供的數據子集，可描述軍事行動周圍的環境。因此，可定義用于支持軍事行動的兩個主要數據層：基礎設施（如交通系統、天氣、當局）和信息（如社交媒體、新聞、政府報告）。這些層產生了大量高度可變的信息，從用戶對實時事件（如事故、腐敗和恐怖主義）的感受和照片，到城市環境中的交通/天氣狀況和人們/駕駛員的行為。

信息和通信技術在城市地區的發展催生了智能城市的出現，智能城市通過增強流動性、安全性和健康解決方案來應對城市化帶來的挑戰。智能城市基礎設施包含傳感器，可捕捉有關車輛、交通、天氣和駕駛員行為的寶貴數據。傳感器和物聯網設備的激增也產生了大量數據，這使得利用云通信技術和人工智能應用開發智能系統成為可能。在大數據的推動下，數據融合應運而生，它整合了來自多個提供商的數據，以提高質量和覆蓋范圍，并減少海量數據流量。融合來自交通、天氣、攝像頭、醫療系統等的數據，不僅有可能支持民用應用，還能通過提供上下文數據支持戰略性軍事行動。在傳感器基礎設施有限的情況下，來自社交媒體和政府報告等媒體來源的數據可幫助了解當地行為，并識別影響犯罪、腐敗和毒品販運的因素。

社交媒體數據對于支持與緊急事件和災難相關的信息非常有價值，可通過捕捉獨特信息（如需要救援的群體的位置或隱藏人員的存在）來補充其他傳感器數據。建筑物上的固定傳感器和監控攝像頭可幫助進行人員跟蹤，以準確識別位置。社交媒體數據與其他數據源相結合，有助于敵情偵查和戰術規劃。與交通相關的傳感器數據，特別是交通監控攝像頭，在應急響應和軍事后勤方面發揮著重要作用。它可以檢測事故造成的擁堵和堵塞，從而改進軍事行動期間的路線規劃和交通管理。整合所有收集到的信息可增強態勢感知，促進城市環境中行動的有效規劃和管理。

針對近期發生的事件，如俄羅斯戰爭以及美國和巴西等國的反民主極端分子所帶來的挑戰，已經出現了多項舉措。其中一個例子是 ACLED（武裝沖突地點和事件數據）項目，該項目提供有關政治暴力和抗議事件的實時全球數據。另一個值得一提的項目是 DATTALION，這是一個廣泛的開源照片和視頻片段數據庫，記錄了俄羅斯對烏克蘭的戰爭。該數據庫的主要目的是反擊俄羅斯政府散布的錯誤信息。聯合國開發計劃署（UNDP）利用機器學習（ML）算法和大數據來檢測烏克蘭東部受損的基礎設施。語義損壞檢測器 (//tinyurl.com/semdam) 利用衛星圖像和地面照片對算法進行訓練，以識別建筑物、道路和橋梁的潛在損壞，協助地方當局和人道主義組織確定行動的優先次序。這些舉措極大地促進了 MDS，特別是 EMD，為分析和研究提供了寶貴的資源。

III. 軍事領域的大數據

本節探討大數據在軍事領域的應用，重點從數據內（IMD）和數據外（EMD）兩個角度概述大數據在軍事行動中的重要意義，并探索利用其潛力的最新解決方案。

A. 軍內數據

大數據在軍事領域的一些挑戰已在文獻中提出，并成為北約社區討論的主題，如作戰安全性、漏洞加固和數據可靠性[1]、[2]、[6]，以及北約 IST160 和 IST-173。納入與外界幾乎沒有聯系的自主隔離（如 EMD）可能會限制大數據的自由流動，這就要求在保持系統自主性和保護性的同時，以創造性的方式利用大數據。在這一方向上，COP 和 JADC2 引導研究人員和行業使用和融合來自不同軍事實體的數據，以支持戰略決策。

Kun 等人[1]提出了在軍工企業構建大數據平臺、建立多級數據通道、實現全面數據管理和控制的詳細技術方案。該平臺有利于數據的收集、組織、處理和分析，將數據轉化為知識，以加強決策/服務支持、創新、質量控制和風險管理。Xu 等人[6]強調了數據科學在當代戰爭中實現信息優勢的重要性。他們的系統性綜述顯示，社會科學文獻對數據科學風險給予了極大關注，這可能會影響政治和軍事決策者。然而，與戰術層面相比，科學文獻缺乏對作戰和戰略層面風險的關注，這表明存在研究空白。這一差距可能是由于 IMD 與 EMD 之間缺乏聯系造成的，而 EMD 可以支持行動和戰略決策。

B. 軍外數據

1. 數據融合： 大數據在異構數據融合中發揮著至關重要的作用，其目的是將多種記錄合并為一致的表示形式，提高數據質量并減少通信開銷。然而，由于數據語義和時空覆蓋范圍的原因，挑戰也隨之而來。在軍事應用中，異構數據融合對于設計信息系統，增強復雜的城市戰爭或反恐場景中的信息優勢和感知能力非常有價值。強大的系統對于處理敏感數據（如個人數據或戰略任務/政府計劃）至關重要。數據融合可減輕信息過載，提高準確性，并利用知識支持戰略行動和形勢評估[3]。

多傳感器數據融合（MSDF）方法是在戰術場景中提供快速高效的目標探測、跟蹤和威脅評估的一個實例，如文獻[4]所示。數據融合的另一個應用領域是基于位置的社交媒體（LBSM），它可以增強各個領域的知識，包括交通特征描述和事故檢測[7]。利用 LBSM 系統可以獲得更詳細的交通數據，有利于軍事后勤工作。在特定的軍事環境中，可以利用 LBSM 系統的潛力來提高數據可用性，并實現情境感知操作。

2. 數據安全、隱私和完整性： 設計在數據庫中存儲和收集信息的軍事系統時，安全和隱私是關鍵的考慮因素。安全性旨在防止未經授權的數據修改，而隱私性則保護個人的信息[8]。然而，從公開來源收集數據，尤其是從普通用戶（EMD）收集數據，會給系統安全和用戶隱私帶來風險，使其容易受到攻擊和數據泄露。IBM 的《2022 年數據泄露成本報告》指出，網絡攻擊成本與上一年相比增加了 2.6%，全球平均數據泄露成本達到 335 萬美元。此外，該報告還顯示，83% 的被調查組織經歷過多次數據泄露，這凸顯了保護這些系統安全所面臨的挑戰。

數據完整性對于維護對 MDS 的信任至關重要[9]。被篡改的數據會產生嚴重后果，影響民事和軍事決策過程，破壞對數據源的信心。社交媒體平臺上錯誤信息的泛濫就是這一挑戰的例證，這些錯誤信息往往被利用來施加政治影響，烏克蘭正在發生的沖突就是一例。為應對此類問題，Twitter 等平臺修訂了其政策，標記了許多與俄羅斯國家附屬媒體相關的推文，并檢測了數十億條與沖突相關的實時推文印象[10]。

與此同時，圖像認證的出現解決了人們對圖像完整性和來源驗證的擔憂。然而，包括人工智能軟件在內的先進圖像處理工具的興起使圖像驗證變得越來越棘手。雖然圖像驗證引入了水印、數字簽名和感知散列（pHash）等多種技術[11]，但每種技術都有其優勢和局限性。例如，水印可提供真實性和所有權保護，但可能會影響圖像質量，而且容易受到高級處理技術的影響。相比之下，pHash 可以靈活地進行圖像操作，并對內容變化敏感，因此特別適合在社交媒體平臺上使用。在數據完整性和圖像認證的背景下考慮這些挑戰和解決方案至關重要。

IV. 使用案例

A. 數據融合

首先，大數據的時空融合是為了支持軍事決策。由于缺乏所討論的可用 IMD，多數據融合（MDF）框架[12]被實例化，用于收集、準備和處理 EMD，并將其融合以提供豐富的信息。為了證明時空數據的豐富性，MDF 利用基于云的系統共享數據的公共可用性獲取了交通系統數據。不過，該框架可擴展到其他各種數據類型。其目標是提高數據質量、改進 C2 系統和軍事后勤，并支持城市地區的 COP/JADC2，從而創造出將融合 EMD 與來自不同領域的可用 IMD 結合使用的新方法。下文圖 2 介紹了 MDF 的主要功能。此外，還通過分析數值結果討論了融合大數據的好處。

對于數據采集，圖 2 (1)配置了一組參數（如區域、請求頻率）和數據源，MDF 為此收集各種格式的數據，并將其存儲在文件中。在準備階段（2），通過將不同的地物名稱和類型轉換為統一的表示方法，對輸入數據集進行標準化。這包括各種數據映射，以生成統一的數據類型，例如將描述性映射為數值或降低數據粒度。此外，還啟動地圖匹配，將所有地理定位數據（可能具有不同的精確度）融合到同一個路網中。MDF 對所有收集到的數據進行預處理，并從收集到的區域獲取 Shapefile (SHP)。請注意，根據應用目標和可用數據類型，框架可能會應用不同的特征提取方法，如自然語言處理（NLP）（情感分析、關鍵詞提取、詞法化、詞干化和自動摘要）或圖像處理（圖像分割、邊緣檢測和對象檢測），以從非結構化數據類型中提取信息。在使用案例中，我們沒有使用 NLP 算法，因為數據是無文本圖像和基于交通的數據。不過，建議的數據融合框架具有多功能性，可以處理各種數據類型，包括可以應用 NLP 技術的文本數據。

圖2 數據融合框架工作流程。

第三階段實現時間/空間數據融合和數據導出。為確保數據完整性，需要事先過濾非信任信息或有偏見的信息，例如，根據信息在不同數據源或圖像認證機制中的出現情況，使用驗證信息的方法，如第四節B部分所述。時間數據融合是通過對任意時間窗口（如每分鐘、每小時、每天）內的數據進行分組來實現的。為了進行空間融合，MDF 利用地圖匹配，根據底層道路網絡在規定的精確度下對 GPS 點進行對齊。由于不同數據源的 GPS 報告精度各不相同，因此必須這樣做，才能將所有地理定位數據映射到相同的道路網絡中。

最后，在圖 2 (4)中，豐富的數據以不同的格式輸出，為軍事和民用領域提供了多種可能性。MDF 的輸出通過創建不同類型的統計數據和可視化效果來支持時空分析，從不同的空間和時間方面描述可用信息的特征。

1. 結果： 為了展示數據融合的優勢，表 I 總結了 MDF 框架在實際實驗中的結果。該實驗為期九個月，在兩個不同的城市收集了四類民用交通數據（交通流量、事故、車輛數據和天氣狀況）。數據融合使科隆的數據覆蓋率提高了 173%，覆蓋了 5081 條道路，而僅使用Traffic HERE數據源時僅覆蓋了 1379 條道路，波恩的數據覆蓋率提高了 137%。此外，通過重疊路段豐富信息的潛力達到了 39.5%，從多個來源提供了事件的詳細描述。

表I 按數據來源分列的道路覆蓋情況。

B. 數據完整性

之前的工作[11]介紹了一種利用 Twitter 和 Facebook 來確保圖像完整性的圖像認證系統。該系統采用卷積神經網絡（CNN）和全連接層（FCC）進行特征提取，采用位置敏感散列（LSH）進行散列構建，并采用對比度損失最大化原始圖像和篡改圖像之間的差異。該模型的輸出是每個圖像 1024 位的固定長度向量表示。

為解決在城市軍事行動和民用系統中保持圖像完整性的重要性，提出了圖像事實檢查器（IFC），如圖 3 所示。它能檢測虛假圖像，確保數據的可信度，并作為當局主導的認證系統，打擊錯誤信息。系統會生成帶有徽標或圖標的驗證版照片，表明其已通過 IFC 系統驗證。此外，IFC 還提供了圖像的感知散列（pHash）字符串表示，可將其納入描述或在其他網站上共享。數據融合系統是 IFC 的一個可能的終端用戶，它可以在應用時空融合和生成豐富數據之前對抓取的圖片進行驗證。

圖3 Image-Fact-Checker (IFC)。

建立一個能提供即時真實信息的自動化系統是一個相對較新的概念，因此通過比較來評估其有效性具有挑戰性。然而，由于創建令人信服的偽造圖像的人工智能生成模型的興起，實施圖像認證系統現在變得至關重要。添加這一系統作為驗證層有助于防止或減少虛假信息的傳播，尤其是考慮到不斷發展的互聯網法規會對缺乏反虛假信息措施的平臺進行處罰。一種有效的方法是將 IFC 系統與政府機構連接起來。IFC 方法具有通用性和可擴展性，可提高個人的意識和信任度。

1. 成果： 使用 IFC 系統提高了數據的可信度，并能檢測到圖像操縱行為。在烏克蘭-俄羅斯沖突等沖突局勢中，受俄羅斯襲擊影響的平民在社交媒體上分享圖片，但對其真實性產生質疑。IFC 可以使用 DATTALION 數據集對這些圖像進行驗證，從而可以快速將其分發給救援隊、聯合國或北約等相關組織。這加快了對襲擊的響應速度，并提供了針對俄羅斯的可靠證據。在交通等民用場景中，從普通用戶那里獲取實時和經過驗證的信息可以加強路線更新和應急響應方面的決策。

圖 4（左）是通過 DATTALION 從普通社交媒體用戶那里收集到的兩張未經驗證的圖片。這些圖片只是更大數據集中的一小部分。用戶通常不愿意相信這些來源，因此有效利用這些來源具有挑戰性。然而，當這些圖像經過 IFC 機制處理后，其可靠性就會提高，因為任何進一步的篡改都很容易被檢測出來。如圖 4（右圖）所示，應用 IFC 后，每張圖片都會收到 pHash 和相關信息，如圖片描述、提取的特征、位置、事件日期、抓取日期、發布者 ID。這些經過處理的圖像將存儲在 IFC 數據庫中，供今后查詢。該數據庫有多種用途：重復檢測、完整性驗證以及滿足特定最終用戶的要求。

圖4 使用IFC提取圖像細節。

V. 軍事數據空間的挑戰與機遇

A. 數據融合

數據融合的第一個挑戰是尋找和獲取軍事和民用領域的可用數據。出于隱私/安全考慮，信息可能無法廣泛獲取或獲取途徑有限。在軍事領域（IMD），數據受到更多限制，這為探索可用的民用數據（EMD）以支持戰略性信息決策提供了機會。第二個值得注意的挑戰是融合多種數據源，這些數據源可能具有不同的結構（結構化、半結構化和非結構化數據）、標準、數據類型（如文本、圖像、視頻）、測量單元、粒度和時空覆蓋范圍。因此，需要深入了解如何準備和處理不同的數據集，并將其融合為一個數據集。

處理社交媒體中的圖像和文本需要進一步的程序，如特征提取方法（如 NLP 和圖像處理），以提取可用信息。盡管數據融合面臨諸多挑戰，但將從不同角度（如指揮部、用戶、記者、政府、傳感器）描述同一空間和時間的不同數據源結合起來的好處，可以加強軍事行動的規劃和戰略階段，為 COP 和 JADC2 系統提供支持。

B. 數據安全、隱私和完整性

1. 數據安全與隱私： 保護敏感的軍事信息對國家安全至關重要。需要強大的加密、安全的數據存儲和訪問控制來降低風險。建議采用的技術包括公鑰基礎設施（PKI）安全、受保護內核、數據加密、防火墻和入侵檢測。然而，如何在數據共享、有利于信息融合和安全/隱私措施之間取得平衡，對軍方來說仍是一項具有挑戰性的任務。

2. 數據完整性： 被操縱的數據會給民用和軍用決策帶來風險，并降低對數據提供者的信任度。在生成內容的人工智能模型不斷進步的幫助下，篡改圖像迅速傳播，參與度不斷提高，這凸顯了對智能綜合解決方案的需求。通過社交媒體分享的圖片能夠快速傳達復雜的想法，從而為救援行動提供支持，使人們能夠立即采取行動，如在城市發生事故/災難時改變交通路線。圖片還能喚起情感聯系，增強讀者對新聞事件的理解。然而，烏克蘭戰爭等危機擴大了錯誤信息的傳播，這就需要 snopes.com 和 norc.org 等人工事實核查機構的參與，以打擊錯誤信息。然而，在戰爭期間或為打擊腐敗政府而進行基于人工的實時核查可能會耗費大量時間，這就為設計自動系統來驗證圖像和處理虛假信息創造了機會。

C. 聯網

雖然這項工作的主要重點在于數據視角，以及確保使用來自不同來源的可信數據來支持軍事行動的相關性，但同樣重要的是要認識到網絡在有效提供數據和服務方面的重要性。在以網絡為中心的軍事行動中，利用高頻、甚高頻、超高頻、衛星通信、Wi-Fi 和 LTE 4-5G 等各種技術進行無線通信至關重要。有些技術擅長長距離覆蓋，但帶寬有限、延遲高，而且容易受到干擾。另一些則以可靠性為先，覆蓋范圍較短，帶寬較大，延遲較低。

以信息為中心的網絡（ICN）和軟件定義網絡（SDN）等網絡范例對于優化數據傳播和網絡協調至關重要[13]，尤其是在網絡資源有限的情況下。在軍事網絡中，尤其是在戰術邊緣，數據傳播過程中會出現資源有限和安全問題等挑戰。為解決這些問題，軍方可能會探索包括民用網絡在內的各種基礎設施，以獲取和融合非軍事數據。以歐洲 5G COMPAD 聯盟為例，目前正在考慮采用 5G 技術。然而，由于硬件通信系統成本高昂、帶寬和互操作性有限，因此具有挑戰性。這就需要定制參考架構來滿足軍事通信需求。

在最近的烏克蘭-俄羅斯沖突中，俄羅斯對烏克蘭基礎設施的攻擊導致互聯網中斷，暴露了通信網絡的脆弱性。SpaceX 的 Starlink 衛星互聯網星座提供了一種解決方案，證明了在戰時利用民用網絡基礎設施的價值。盡管該技術有望提高互聯網在數據和緊急通信方面的可靠性，但它在網絡安全、覆蓋范圍、可靠性和成本效益方面仍面臨挑戰。

D. 人工智能

由于隱私、安全以及軍事機構為防止濫用和限制 IMD 的可用性而施加的限制，為人工智能研究訪問軍方擁有的大數據帶來了挑戰。此外，人工智能功能可能會受到對抗性攻擊的影響，對抗性攻擊會通過改變造成錯誤分類來欺騙人工智能模型。快速梯度符號法（FGSM）和語義攻擊等技術分別有助于識別和減輕計算機視覺和 NLP 中的此類攻擊。Yuan等人[14]對攻擊、對策和基于應用的分類標準進行了全面評述。

要檢測對抗性攻擊，一種有效的方法是使用具有與主人工智能模型不同特征的輔助人工智能模型。這一想法源于早期的衛星通信。當時，人們使用電報等輔助系統來防止對衛星通信的中間人攻擊或干擾攻擊。由于帶寬有限，輔助系統只能傳輸與完整衛星數據相對應的摘要數據，用于偵測攻擊和應急通信。同樣，在人工智能中防范對抗性攻擊時，傳統的 ML 可以作為輔助系統，產生與主要 CNN 方法一致的結果。對抗性攻擊依賴于計算機視覺深度學習模型中的梯度技術，而傳統的 ML 方法則使用不同的方法，這些方法對這些攻擊操作大多具有免疫力。

在軍事領域使用人工智能的另一個問題是需要共享敏感數據來訓練模型。在這方面，聯邦學習（FL）作為一種訓練 ML 模型的技術已經出現，在這種技術中，數據不會暴露，從而確保了數據的安全性和隱私性[15]。雖然它不能被視為對抗惡意攻擊的防御技術，但這種方法隱藏了敏感數據和模型或參數的一部分。這種技術對于建立在人工智能基礎上的新興軍事應用非常有價值。

VI. 結論

本文探討了大數據在軍事領域的應用。研究了與整合不同數據源、確保數據安全、隱私和完整性以及聯網和利用人工智能相關的機遇和挑戰。文章引入了 MDS 概念，以豐富和引導討論，強調納入民用數據的潛力，以提高軍事行動戰略決策所需的信息質量和數量。此外，文章還包括兩個實際使用案例，說明了數據融合的好處以及實施圖像認證機制以保持數據完整性的重要性。這些發現凸顯了大數據在軍事領域的重要意義，并強調了在該領域開展進一步研究和探索的必要性。

以人工智能為代表的新興技術正日益成為影響全球戰略穩定的新變量。作為引領新一輪科技革命的戰略技術，人工智能在國家安全和軍事領域具有顛覆性的潛力。世界主要軍事大國已將軍用人工智能視為戰略競爭新的 制高點。人工智能軍事化的加快推進改變了傳統戰爭模式以及國際軍事競爭態勢。在常規武器領域，人工智能技術擁有增強自主武器威懾、參與輔助決策及 維護網絡安全的能力，可以推動傳統戰爭模式的顛覆性變革，加速戰爭邁向智能化。在核武器領域，人工智能技術與核導彈預警系統、核指揮和控制系統以及自主核運載平臺迭代融合，可以增強核國家核威懾力量，推動核決策走向智能化。從長遠角度來看，人工智能技術的軍事化應用或將改變現有戰略力量的平衡，削弱核國家核威懾的能力，增加危機意外升級的可能性，鼓勵軍備升級和軍備競賽，沖擊和挑戰以核威懾力量為基礎的戰略穩定，進而動搖甚至可能 破壞現有全球戰略穩定的根基。國際社會應聚焦人工智能軍事化過程中相關技術、結構、機制和治理方面的建設，探索降低人工智能軍事應用引發戰略穩定風險的路徑，為建立新型全球戰略穩定體系創造有利條件。