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

前美國防部長馬克·埃斯珀（Mark Esper）曾經說過：“歷史告訴我們，那些率先利用新一代技術的人往往在未來幾年的戰場上擁有決定性的優勢”。

人工智能與機器學習技術對戰場的影響

人工智能和機器學習將在塑造現代戰場方面發揮關鍵作用。這些技術增強了態勢感知能力，優化了決策，并提供了競爭優勢。

從用于偵察的自主無人機到用于供應鏈管理的預測分析，它們的影響是深遠的。在烏克蘭的行動凸顯了這些技術的應用：由克里斯·希爾博士領導的陸軍物資司令部分析小組利用作戰數據在需要時協助需求規劃，同時無縫預測和協調需求。快速處理此類大量數據的能力允許實時威脅檢測和響應，從而挽救生命和資源。

此外，人工智能有助于開發復雜的網絡防御系統，并支持創造更智能、適應性更強的武器。簡而言之，人工智能和機器學習正在通過提高效率、準確性和整體有效性來徹底改變戰爭。隨著我們繼續開展活動和運營，并在全球范圍內進行投資，情況將保持不變。

總的來說，指揮官和領導者必須信任這項技術，才能在聯合全域作戰中證明其有效。當務之急是，所有梯隊的領導者都必須考慮如何制定和實施與家鄉站的數據訓練策略——以及戰斗訓練中心的參與——以建立對技術的信心，以便領導者能夠以信任的速度運作。

在不斷變化的戰爭環境中，技術進步不斷塑造著武裝部隊的作戰方式。從南北戰爭期間的加特林機槍到二戰期間的DUKW兩棲車輛和M-3半履帶運兵車，技術一直影響著我們的戰斗方式。

在這些進步中，人工智能和機器學習已成為游戲規則的改變者，無疑將徹底改變現代戰場。它們的整合在軍事行動的各個方面，從情報收集到決策等方面都帶來了前所未有的改進。

量子計算和機器學習可以在幾秒鐘內做出比傳統工作人員在軍事決策過程中更多的行動方案，這允許決策速度，這將給我們帶來決定性的優勢。

隨著戰爭性質的變化，我們正處于一個戰略轉折點，正如現已退休的馬克·米利將軍在 2023 年 7 月發表的“聯合部隊季刊”文章《戰略拐點：戰爭性質中最具歷史意義和最根本的變化正在發生——而未來籠罩在迷霧和不確定性中》中所闡明的那樣。

“我們必須努力比敵人少犯錯，”他說。這要求我們的聯合特遣部隊在聯合作戰概念的指導下進行根本性轉變。隨著我們過渡到一個新的戰爭時代，如果我們要贏得“比敵人少犯錯”的戰斗，我們必須確保聯合部隊被納入人工智能和機器學習的整合中。

同時，全面了解戰場對于軍事成功至關重要，人工智能和機器學習將使軍隊能夠利用大數據和實時信息的力量來增強態勢感知能力。配備人工智能算法的自主無人機可以以無與倫比的效率執行偵察任務，捕獲有關敵人動向、地形狀況和潛在威脅的數據。這些信息可以快速處理，使指揮官能夠在使用傳統方法所需時間的一小部分內做出明智的決定。

這種增強的態勢感知能力不僅可以最大限度地降低士兵的風險，還可以對新出現的威脅做出積極反應。簡而言之，訪問可以快速處理和分析的數據，為指揮官和作戰人員的實時決策提供信息，這將改變戰場上的游戲規則。

利用人工智能和機器學習等技術將塑造我們如何在未來的戰斗中采用這一概念，并決定我們如何培訓和發展梯隊領導者，以便在競爭、危機或沖突中利用這項革命性技術。

在“軍事評論”最近的一篇文章中，堪薩斯州萊文沃思堡陸軍聯合武器中心司令米爾福德·比格爾中將談到了我們必須如何通過減少對材料的依賴和提高對信息維度的利用來優化指揮所。

人工智能對提高決策速度的至關性

在混亂的戰爭中，瞬間的決策可以決定戰斗的結果。

正如在第二次世界大戰期間的中途島海戰中所看到的那樣，在那場海戰中，決策速度決定了成敗。人工智能和機器學習算法旨在處理大量數據并識別人類可能遺漏的模式。這些工具將改變組織如何更快地做出更好的決策。

將那些經常在“數據脫節”環境中作戰的戰場最邊緣的指揮官提升到行動指揮官和上層之間費力的信息流的犧牲品。

這種能力有助于軍事領導人做出更明智的決策，從選擇最佳戰略到根據實時情報評估最佳行動方案。從歷史數據中得出的預測分析還可以幫助預測敵人的動向并識別其防御中的潛在弱點。這是對指揮官現在利用的人類情報和信號情報流的一大補充。

人工智能對軍事行動方法的影響

最后，利用這項技術可以采取更有計劃、更有效的軍事行動方法，從而最大限度地減少傷亡并提高任務成功率。

戰略競爭對手正在部署能力，通過所有領域的多層對峙來對抗對手，這將要求在太空、網絡、空中、海上和陸地上擊敗多層對峙。實時檢測和響應威脅的能力是現代戰爭的重要組成部分。

人工智能驅動的系統可以同時監控多個數據源，從衛星圖像到截獲的通信。通過實時分析這些數據，算法可以識別異常和潛在威脅，從而立即向軍事人員發出警報。這種積極主動的方法能夠實現快速響應和反擊，防止對手占據上風。

無論是對關鍵基礎設施的網絡攻擊還是敵軍的移動，人工智能驅動的威脅檢測系統在維護軍事行動的安全性和完整性方面都具有顯著優勢。

后勤和供應鏈管理是任何軍事行動的命脈。在全球綜合后勤環境中，有太多相互作用的變量，維持者無法有效監控。

如今，人員只能通過各種數據流對車隊和供應商品的歷史數據進行監控。正如 Lone Star Analysis 的 John Price 在 2021 年 8 月發表在“軍事嵌入式系統”上的一篇文章中所寫的那樣，“計算機系統可以提供持續的評估，并且有足夠的機器智能，預測就會變得強大。

人工智能和機器學習通過預測需求模式、識別供應短缺和簡化分銷路線來優化這些流程。這包括人工智能驅動的基于車輛狀態的維護，該維護監控車輛的各個方面，從進氣到排氣以及其中的所有點。

因此，我們將范式完全從工廠轉移到了工廠，現在需求從散兵坑傳到了工廠。基于車輛狀態的維護利用預測性和規范性分析，同時提供持續診斷以及提供問題預測和解決方案處方，從而使人員能夠專注于進行特定調整，以優化軍用車隊的運營可用性。

這不僅確保了部隊擁有必要的資源，而且還最大限度地減少了浪費并降低了成本。通過自動化重復性任務和優化路線，武裝部隊可以更有效地分配資源，并在速度和效率方面保持競爭優勢。這種由人工智能和機器學習實現的精確維持確保響應符合需要，或者從散兵坑移動到工廠，而不是從工廠轉移到散兵坑。

同時，現代戰爭超越了傳統戰場，也包括了網絡領域。人工智能和機器學習在制定針對網絡威脅的自適應防御策略方面發揮著至關重要的作用。

美國防部的OODA - 觀察，定位，決策和行動 - 是作戰人員使用數據不僅實現有根據的決策，而且及時定位的循環。這些技術可以快速識別和響應網絡攻擊，分析模式以區分正常的網絡活動和可疑行為。此外，人工智能驅動的網絡安全系統可以從以前的攻擊中吸取教訓，并不斷提高其檢測和消除新出現的威脅的能力。

隨著世界的不斷發展，沖突的性質也在不斷變化。人工智能和機器學習已成為現代軍事武器庫中不可或缺的工具。他們處理大量數據、加強決策和實現實時響應的能力改變了武裝部隊的運作方式。

從提高態勢感知到徹底改變供應鏈管理和網絡安全，這些技術正在塑造戰爭的未來。

美國防部致力于遵循“設計即使用”的方法，在聯合全域作戰中利用這項技術。在開發解決方案時，每種服務都有不同的要求。

美國陸軍的要求可能是移動中的士兵或地面戰車;相比之下，對于空軍來說，這個案例可能是前沿空軍基地所需要的。

隨著向前邁進，這些技術的整合對于保持軍事優勢和確保軍事人員在現代戰場上的安全和成功仍然至關重要。借助人工智能和機器學習，無疑將能夠“以最先的速度”到達那里。

參考來源，David Wilson，美國陸軍維持司令部司令

無論稱之為非動能作戰、信息戰、信息行動還是信息環境作戰（OIE），計劃和執行這些活動都異常困難。一次標準的行動需要幾個月的時間，而 OIE 的官僚作風使得在 24 小時內從搖籃到墳墓的執行幾乎不可能，尤其是在沖突期間。生成式人工智能可以加快這一進程。人工智能可以在幾秒鐘內生成文本和圖像等內容。在人工質量控制人員的適當提示下，人工智能可以開發出大型語言模型和文本到圖像模型，能夠高效地生產優質產品，從而大幅減少工時。這種能力可以在軍事領域得到廣泛應用。

在討論如何實現 OIE 要素自動化之前，先定義一下重要術語。

• 人工智能（AI）： 數字計算機或計算機控制的機器人執行通常與智能人相關任務的能力。人工智能模擬人類智能來解決問題。
• 生成式人工智能（GAI）：使用戶能夠根據各種輸入快速生成新內容。這些模型的輸入和輸出可包括文本、圖像、聲音、動畫、三維模型或其他類型的數據。
• 大型語言模型（LLM）：一種使用深度學習算法的 GAI 形式，可以使用龐大的數據集識別、總結、翻譯、預測和生成內容。最著名的 LLM 是 OpenAI 的 ChatGPT。
• 文本到圖像模型：一種根據文本提示創建圖像的 GAI 形式。
• （人工）幻覺：一種LLM生成與現實世界輸入不符的看似逼真的輸出現象。

JPP對規劃人員和參謀人員來說是一個有價值的模型，但很少在演習之外使用。LLM 的高效率可以鼓勵其采用。由 LLM 生成的任務分析和作戰行動分析可大大減少計劃人員花在集思廣益和生成產品上的時間。由于 LLM 是一種統計算法，它們可以更好地告知、權衡和比較預期效果的可能性以及不同 COA 的風險。有了實時向指揮官和規劃人員提供簡明行動更新和估計的自動化系統，工作人員就能以信息環境的速度開展工作。 在演習環境中，LLM 可以代表演習指揮人員充當 "白方"，管理數以千計的輸入，并根據紅藍部隊的活動得出現實的結果。

自動化可以進一步開發大量的 OIE COA。能夠編寫代碼、翻譯、調試、識別安全漏洞、分析軟件合規性等的 LLM，可以提高計劃人員可利用的網絡空間行動的規模、速度、復雜性和多樣性。通過重復敘述、闡述、操縱、播種和說服，影響力作戰有可能提高速度和規模。從理論上講，訓練有素的當地聯絡官可以作為受信任的內部人員/多數群體成員，向其他內部群體的目標受眾成員發表講話。

LLM 可以幫助指揮官和規劃人員在信息環境中快速行動。通過不斷攝取機密和開放源碼數據、大規模分析情報和兵棋推演，LLMs 可以將向 OIE 提供情報支持的許多方面自動化。 人工智能還能極大地促進參謀估算和聯合行動計劃的制定。LLM 可以快速起草指揮官指導產品和行政行動，指揮官可以對其進行完善，以確保質量和意圖不受損害。此外，在某些情況下，人類指揮官可能會授權自動批準特定的戰術任務，并規定明確的界限和紅線（例如，將軍不需要批準每一次進攻性網絡空間行動）。在現代戰爭中，在一些特定的環境和時間范圍內，需要指揮官以人類無法操作的速度或規模進行審批。與完全自動化相比，將審批權下放給訓練有素、技能嫻熟的在環人員仍然更為可取。當然，人類審批者仍應承擔責任，特別是對于可能產生暴力影響的 OIE，因為人工智能不會像人類那樣珍視人的生命，因此無法追究其法律責任。外交和人際關系需要人類的經驗和指揮官的智慧。

LLM 確實存在一些顯著的局限性和脆弱性。雖然這些令人印象深刻的統計算法似乎能理解所寫文字的含義，但其實不然，因為它們只是文字關聯的數學公式。LLMs 無法像人類那樣理解世界，這導致它們經常產生幻覺。這其中有重大的安全考慮因素--我們可以想象這樣的場景：LLM 提供錯誤的情報數據，導致人類指揮官做出錯誤的決定；或者人工智能得出結論，認為核行動會比穩態行動產生更可行的長期結果。因此，它們不可能成為不受監督的人工戰略家、規劃者或指揮官。

創建一個對軍事有用的 LLMs 是一個多步驟的過程。作為 "生成式 "人工智能，它們必須在已有數據的基礎上進行訓練。在將這些訓練數據輸入 LLM 之前，必須對其進行收集和適當調節。用于商業和學術用途的訓練數據可能很容易獲取，格式一致，并經過預先校準，以確保其可靠性和質量，但用于軍事目的的高質量訓練數據可能更難獲取。安全等級將阻礙數據的獲取，而可用數據的格式可能并不常見，質量也無法得到一致保證。一旦輸入這些訓練數據，評估人員（人類或其他人工智能）將在迭代改進循環中對 LLM 的輸出進行評分。要建立對軍事有用的 LLM，需要解決數據集、合同、范圍和完善循環等問題。

數據的可訪問性、規范化和真實性是為軍隊創建可用數據集的最大挑戰。所需培訓資料的分類各不相同，這是最直接的可訪問性障礙，不過將所有資料移至最高成分分類是一種行之有效的變通辦法。軍方文件存儲的分布式性質增加了額外的復雜性，因為資料通常存儲在孤立或受限的網絡、權限受限的文件服務器、SharePoint 站點、電子郵件、個人文件夾和打印紙上。訪問這些資料需要大量的協調工作。軍事資料長短不一，可以用各種字體和編碼書寫，通常以具有靈活復雜元數據結構的文件格式存儲。有用的信息也可能以機器較難讀取的格式存儲，如書面文本的圖像。這些產品的規范化需要將文件的關鍵部分轉錄為文本。由于需要判斷是否需要省略格式過于定制的產品，因此人類最有能力完成規范化工作。不過，由于需要大量的訓練數據，其他自動化流程會更加實用。不過，依賴自動規范化需要一定的信任，因為錯誤的訓練數據會錯誤地訓練 LLM，使其產生錯誤的輸出結果。因此，數據的真實性對于確保高質量的 LLM 輸出非常重要。然而，簡單的錯誤（如重復文件或錯別字）或惡意行為（如用大量錯誤信息毒害訓練數據集）都會影響數據的準確性。此外，隨著時間的推移，數據的真實性也會發生變化，因為數據會過時或后來被推翻。

訓練 LLM 需要非常搶手的技能集、大量的訓練數據和昂貴的計算基礎設施，而且這很可能需要通過簽約來實現，這就造成了一些額外的障礙。即使美國防部能夠開發內部培訓，使其軍事人員達到行業標準，也很難讓他們穿上軍裝。因此，承包商是最可行的選擇，但由于他們需要獲得適當的許可，因此會造成額外的障礙。確保合同不包含允許保留數據的漏洞至關重要，因為人工智能公司會設法保留以前客戶的培訓數據副本，因為這些數據很有價值。審查合同不僅需要嚴格的技術和法律審查，而且對承包商的監控也需要積極主動的取證工作，以確保不會意外或以其他方式保留數據。鑒于沒有為較高分類級別的工作租用計算機設備的選擇，這些法律碩士的硬件必須購買。

明確 LLM 的范圍對于管理預期至關重要，尤其是并非每個流程都能從人工智能的使用中切實受益。鑒于產出可能因目的不同而完全不同，即使它們的名稱相同，也必須根據特定任務定制 LLM。 例如，網絡任務的 "規劃文件 "與轟炸任務的 "規劃文件 "在內容、結構、術語和措辭上都會有所不同。接受過各種 "規劃文件 "培訓的 LLM 可能會選擇不正確的格式，甚至將不同格式拼湊成不適合任何單元的文件。然而，雖然縮小范圍可以使人工智能更好地適應特定目的，但也可能限制可用訓練材料的數量。鑒于軍事規劃的深奧性，需要大量的訓練數據才能讓 LLM 思考正確，而不僅僅是聽起來正確。這種人工智能自動化也可能無助于戰爭的上層和下層。一名作戰人員不會想向一個聊天應用詢問在交火中欺騙對手的想法。同時，審議政策和戰略的緩慢節奏也限制了 LLM 在生成速度方面的主要優勢。相反，它最適合工作人員的工作，尤其是在行動層面。

訓練和評估 LLM 和其他類型的人工智能的最佳方式是通過迭代改進循環，對人工智能產生的輸出結果進行反復評估。如果語法和寫作風格是唯一的參數，那么這些改進循環可以迅速完成。不過，雖然 LLM 可以輕松地編寫出足夠好的短文，如詩歌或簡短的電子郵件，但當需要編寫較長的文件時，它們更容易產生幻覺。由于軍事用途對文件內容和準確性的依賴比對語法或文體的依賴更為關鍵，這些提煉循環可能會更加費力。細化循環需要一定的專業知識、研究或實驗，以防止產生逼真但錯誤的輸出。由于此類測試需要耗費大量精力，因此細化循環可能是訓練軍用 LLM 的最大限制因素。

在軍隊中使用 LLM 并非沒有風險和困難。有缺陷或不足的訓練數據、人工智能對齊、不適當的信任校準、人類的自滿情緒、模型盜竊和模型濫用等問題都可以.... 數據量、種類、速度、真實性和價值方面的不足會增加不同的風險。數量少的數據集可能會導致過度擬合，因為在面對現實世界的混亂時，LLM 只有很少的兩個參考點，而缺乏多樣性則可能產生等同于群體思維的現象。如果建立數據集的速度不夠快，成本就會增加，項目進度也會放緩。同時，真實性和價值不高的數據容易給LLM帶來錯誤的教訓。此外，也很難證明 LLM 符合人類的價值觀。深度學習視角下的對齊問題為討論對齊風險提供了一個有用的三部分框架：

• 所謂 "情境感知獎勵黑客"，是指人工智能在訓練（與運行）中表現出不同的行為，從而看起來更符合評估標準。寶馬的排放丑聞就是這種一致性風險的人類類比。

• "內部表示目標不一致 "是指人工智能從人類意圖中誤解了自己的目的。例如，"采摘西紅柿 "可能會被誤解為 "收集鮮紅的物體"；這在實踐中仍然可以很好地發揮作用，但也可能導致 "西紅柿豐收 "的結果是瓶蓋和瓢蟲。

• "部署過程中的權力尋租 "是一種風險，因為許多目標都隱含著權力尋租，而這在培訓過程中可能不會被發現。尼克-博斯特羅姆（Nick Bostrom）著名的 "回形針最大化 "思想實驗設想，人工智能的任務是創造 "大量回形針"。它通過控制越來越多的材料和制造能力來實現這一目標，同時抵制人類盡量減少回形針生產的努力，最終將宇宙中的所有材料（包括人類）轉化為回形針。

考慮到這三種潛在風險，人在回路是最好的保險措施，但并非萬無一失。相反，人類還必須對 LLM 保持謹慎的信任和不信任。如果人類對 LLM 信任度不夠，那么 LLM 很可能會效率低下。然而，如果人類過于信任 LLM，或者信任 LLM 去做它沒有能力處理的事情，就會產生更大的風險。LLM 可能會成為那些缺乏適當訓練或技能的人的拐杖，當 LLM 的幻覺產生危險、虛假的信息（例如，建議對目標清單上沒有的目標進行 OIE）或不適當地強化對壓力過大的人類有吸引力的想法（例如，切斷一個同時包含叛亂總部和平民醫院的城區的電力）時，就會產生危險的情景。LLM 可能會帶來安全風險，因為它們可能包含大量信息。盡管逆向工程人工智能模型仍是一門不成熟的藝術，但這一領域卻有著巨大的發展潛力。最后，人類用戶有可能濫用 LLM，最有效的形式是將行動循環自動化或將人類從某些循環中移除。理性的行為者有理由理解這一點，不會自動執行我們都會感到遺憾的程序（如 "天網 "的 C2 和火力控制）。不過，不法行為者或急于獲得不對稱優勢的人可能會以不同的方式評估風險。

結論是，LLMs 值得立即研究并應用于大多數常規軍事任務，包括保密和非保密任務。有了訓練有素、在線、持續更新的 LLM，再加上適當的用戶輸入，績效報告、每日行動更新 PowerPoint、情報報告和其他無數任務都可以在幾分鐘或幾小時內完成，而不是幾天或幾周，每周可為整個國防部節省數百萬工時。至于人工智能是否能獨立地、災難性地運行，我們認為可以，在我們有生之年可以，但不能在我們的軍隊中運行。

參考來源：U.S. AIR UNIVERSITY

本文討論了在軍事領域決策過程中使用人工智能（AI）的好處和注意事項。文章側重于三個主要方面：提供更快、更準確信息的能力，掌握情況和減少人為錯誤，以及在使用這種技術時必須考慮的技術和倫理因素。人工智能可以大大改善軍事領域的決策；然而，重要的是要反思與使用人工智能相關的倫理和技術影響。

關鍵詞 人工智能、情境領域、減少人為錯誤、合成環境、顛覆性技術、知情決策。

1 簡介

人工智能（AI）已成為包括軍事在內的各個領域的重要工具。人工智能的定義是開發計算機系統，使其能夠執行通常需要人類典型的理性智能才能完成的任務，包括識別語音、做出決策和解決問題。在軍事領域，人工智能可以通過實時處理有價值的信息，幫助指揮官更快、更準確地做出決策。然而，人工智能在軍事領域的應用也帶來了倫理和技術方面的挑戰，例如在隱私和數據安全等方面對人類的影響。必須了解人工智能在軍事領域的優勢和挑戰，才能有效、負責任地實施人工智能。從這個意義上說，人工智能的應用可以優化指揮官在戰場上及時做出明智決策的能力。此外，對大量信息的即時處理使人們有可能對全景有更全面的了解，這為預測突然變化和可能出現的風險提供了依據，而這些都需要掌握態勢。這也有助于減少個人失誤，擺脫每個人的局限性。不過，有必要考慮在對這一顛覆性技術進行管理時所涉及的倫理問題。

2 人工智能在決策中提供快速準確的信息

在軍事領域使用人工智能并非新概念。然而，在很短的時間內，它已成為一種日益重要和有用的工具。它能夠高速、準確地處理大量數據，并分析模式和趨勢，提供重要信息，幫助指揮員在發生危機時執行措施，而危機需要快速、有效的反應，這在完成任務可能受到影響的情況下非常有用。

此外，人工智能還能識別人類可能忽略的模式和趨勢，從而更好地進行數據分析。這樣就能更全面、更清晰地了解任何情況，使軍方能夠做出更明智的決策。人工智能還能將數據收集和分析等乏味的重復性任務自動化，從而騰出時間實施更相關的行動。

從這個意義上說，人工智能提供信息的速度和質量對軍事決策過程有著積極的影響。指揮官可以擁有一種工具，使他們在行動發展過程中更容易選擇并永久保持認知優勢。所謂 "認知優勢"，是指在戰場上以最有效的方式利用信息和知識的能力。這意味著，人工智能可用于規劃過程、開展行動，甚至在任務完成后提供反饋并鞏固認知優勢。

同樣，在軍事行動規劃中，人工智能可以分析數據、生成情報，并提供需要優先處理的局勢變化信息以及可用資源和其他重要因素。在戰爭實施過程中，人工智能可以提供有關設備變化、通信流量和其他關鍵因素的實時數據。這一優勢將使指揮官有能力在不斷變化的情況下做出快速有效的決策，并確保其部署的資產始終處于有利地位。例如，某國開發了一套自主車輛系統，用于收集戰場信息，其目的是對信息進行處理，以便為決策提供準確的要素；它甚至可以在結果評估方面提供幫助。

3 掌握情況和減少人為錯誤

據西點軍校現代戰爭研究所稱，人工智能的多任務特性使其可以通過與不同決策層的偵察、監視和情報集成手段的實時連接，用于收集和處理信息。人工智能能夠處理大量數據并從中學習，這意味著指揮官可以提高對態勢的掌控能力，減少危急情況下的人為錯誤。

一方面，人工智能可以實時處理信息，全面了解戰場態勢。此外，人工智能還能分析歷史數據和趨勢，在更短的時間內預測局勢并做出更準確的決策。同樣，如果與能夠以自身標準開展行動的自主手段銜接，就可以省去暫停行動的必要，從而有可能對對手保持持續的壓力。例如，人工智能可以分析敵人的行為模式并預測未來的動向，從而用于制定不確定性余地更小、細節更精確的應急計劃。

另一方面，在軍事決策過程中應用人工智能還能減少人為錯誤。從這個意義上說，由于軍事力量的應用所隱含的后果，指揮官的決策能力面臨著需要高度重視的情況。例如，法律方面的考慮，如尊重人權或保護自己的部隊，被證明是涉及道德的因素，最終會對指揮官產生壓力，并可能導致因疲勞、恐懼或缺乏經驗而做出錯誤的決定。在這種情況下，人工智能通過提供準確可靠的信息，有助于最大限度地減少這些錯誤。

此外，人工智能還可用于模擬合成環境中的情況，讓軍事人員在安全可控的環境中練習、積累經驗并提高技能。因此，美國陸軍正在利用人工智能的優勢培訓步兵單元指揮官，根據戰術形勢的變化--面對模擬對手--創建可變場景，對手的反饋和快速決策能力豐富了培訓經驗。這樣就能加強美國陸軍培訓的步兵指揮官的決策和掌握情況的能力。總之，在軍事決策過程中應用人工智能，可以讓負責任的指揮官提高對態勢的掌握能力，減少人為錯誤。

4 技術和倫理方面的考慮

人工智能這一技術正越來越多地應用于軍事領域，目的是提高軍事行動的效力和效率。然而，人工智能的使用也帶來了一些重要的技術和倫理問題，必須認真加以解決。從這個意義上說，不應無視這一現實，也不應無視在使用這些技術時因其顛覆性而涉及的考慮因素。

從技術角度看，在軍事決策過程中使用人工智能有可能提供更快、更準確的信息，提高對態勢的認識，并降低人為錯誤的風險。然而，人工智能的使用也帶來了必須妥善解決的重大挑戰。首先是人工智能所使用數據的質量問題，人工智能的正常運行依賴于準確、高質量的信息。如果不具備這些特征，人工智能除了在訓練中出現錯誤外，還可能做出不正確或不恰當的決定。因此，必須掌握準確的最新數據，以確保人工智能的效率。其次，必須有足夠的基礎設施供其使用。換句話說，人工智能需要大功率的計算基礎設施和可靠的通信網絡才能良好運行。因此，要想在軍事決策過程中充分發揮人工智能的潛力，就必須對基礎設施進行投資。

另一方面，從道德角度來看，使用人工智能會引發重要的思考，例如它對受武裝沖突影響的戰斗人員、非戰斗人員和平民的生活會產生什么影響。因此，必須制定明確和透明的政策，規范在軍事情況下使用人工智能。在這方面，為確保在軍事領域有效使用人工智能，有必要明確以下幾個方面： 首先，必須制定明確透明的人工智能使用政策，并確保所有專家、人工智能操作員都接受過使用、監督和控制該技術的培訓。其次，必須確保提供有效使用人工智能所需的計算和通信基礎設施。這包括購置適當的設備和技術，以及建立安全可靠的通信網絡。因此，要充分利用人工智能在軍事決策中的潛力，就必須對基礎設施進行投資。

結論

人工智能可提高收集信息的速度和準確性，并增強及時做出明智決策的能力，從而提高軍事行動的效力和效率。此外，使用人工智能還有助于減少人員傷亡和附帶損害，從而保護平民和限制軍事行動對非戰斗人員的負面影響。為了充分發揮人工智能在軍事領域的潛力，必須制定清晰透明的使用政策，優先培訓軍事人員使用人工智能，并與學術研究機構簽訂合作交流協議。這將有助于最大限度地降低在軍事行動中使用人工智能的風險，最大限度地提高其效益。在軍事領域的決策過程中使用人工智能的經驗，主要參與者是美國陸軍等，由于不斷競爭以加強其在世界上的存在，他們一直在加速發展這項技術。可以從中汲取重要的經驗教訓，以發展自己的人工智能，并闡明國防方面的需求，特別是在軍事決策過程中。總之，在決策過程中適當實施人工智能，可受益匪淺。這可以通過提供更快、更準確信息的自主系統來實現；也可以通過在模擬器中使用合成環境對指揮官進行決策培訓來實現；最后，還可以通過減少處理過程中的人為錯誤來實現。

參考來源：CEEEP

人工智能（AI）究竟是什么？它與電子戰（EW）的未來有什么關系？人工智能正在改變我們所做的一切嗎？如果忽視人工智能，那將是一個錯誤。眾所周知，特斯拉采用了人工智能算法，特別是卷積神經網絡、遞歸神經網絡和強化學習。從根本上說，這些算法可以匯編來自多個傳感器的數據，分析這些數據，然后做出決策或向最終用戶提供信息，從而以驚人的速度做出決策。這一過程以指數級的速度發生，超過了人腦的處理速度。因此，從根本上說，人工智能是機器像人類一樣執行認知功能的能力。

人工智能可以駕駛汽車、撰寫學期論文、以適當的語氣幫你創建電子郵件，因此，它在軍事領域的潛在應用也是理所當然的。具體來說，就是整合人工智能電子戰及其提供的潛在能力轉變。雖然 "電子戰 "一詞已經使用了相當長的一段時間，但將人工智能注入這一領域為提高速度和殺傷力和/或保護開辟了新的途徑。

電子戰包含一系列與控制電磁頻譜有關的活動，傳統上一直依賴人類的專業知識來探測、利用和防御電子信號。然而，現代戰爭的速度和復雜性已經超出了人類操作員的能力。這正是人工智能的優勢所在，它帶來的一系列優勢將徹底改變電子戰的格局。

將人工智能融入電子戰的首要好處之一是增強了實時處理和分析海量數據的能力。在數字時代，戰場上充斥著來自通信網絡、雷達系統和電子設備等各種來源的大量信息。人工智能算法可以迅速篩選這些數據，識別出人類操作員可能無法識別的模式、異常情況和潛在威脅。這種能力不僅能提高威脅檢測的準確性，還能大大縮短響應時間，使友軍在快速演變的局勢中獲得關鍵優勢。

在這種情況下，人工智能賦能的兵力倍增器就出現了，它能在面對復雜多變的局勢時做出更高效、更有效的決策。現代戰場會產生大量電子信號，需要快速準確地識別。人工智能驅動的算法擅長篩選這些數據、辨別模式，并識別在以往場景中可能被忽視的信息。這使兵力能夠迅速做出反應，以更快的速度做出關鍵決策。

此外，人工智能還具有適應和學習新信息的能力，這一特性在電子戰領域尤為有利。電子威脅和反制措施處于不斷演變的狀態，需要反應迅速和靈活的策略。人工智能驅動的系統可以根據不斷變化的情況迅速調整戰術，持續優化性能，而無需人工干預。這種適應性對于對抗復雜的電子攻擊和領先對手一步至關重要。

人工智能與電子戰的融合還為指揮官提供了更先進的決策工具，比歷史標準更詳細、更快速。人工智能算法可以分析各種場景，考慮地形、天氣以及友軍和敵軍兵力等因素。這種分析為指揮官提供了全面的戰場情況，使他們能夠在充分了解情況的基礎上做出決策，最大限度地提高任務成功的概率，最大限度地降低潛在風險。此外，人工智能驅動的模擬可以演繹不同的場景，使軍事規劃人員能夠完善戰略，評估不同行動方案的潛在結果。美國今年早些時候進行了一次以印度洋-太平洋地區為重點的演習，將大語言模型（LLM）作為規劃和決策過程的一部分。一位演習成員稱贊了系統 "學習 "的成功和速度，以及系統成為戰場上可行資源的速度。另一個例子是，利用已輸入人工智能系統的數據對目標清單進行優先排序，人工智能系統能夠考慮瞄準行動、網絡，從而比操作人員更快、更全面地了解戰區情況。

不過，必須承認，要完成人工智能整合，還存在一些潛在的障礙。首先，美國防部大多數實體無法直接獲得人工智能技術。大多數從事前沿人工智能工作的組織都是商業公司，它們必須與軍事系統合作或集成。這可能會受到美國現行預算和研發流程的阻礙。此外，美國的這些流程進展緩慢，人工智能技術很有可能無法融入美國兵力。還有潛在的道德和安全考慮。隨著人工智能系統在探測和應對威脅方面承擔更多責任，人類的監督和控制水平也會出現問題。為了與戰爭法則保持一致，需要有人工參與，而不是完全依賴人工智能來做出攻擊決策。任何時候，只要有可能造成人員傷亡、附帶損害或其他問題，就需要人類做出有意識的知情決策，而不能任由人工智能自生自滅。在人工智能自主決策和人工干預之間取得適當的平衡至關重要，以防止意外后果或機器在沒有適當問責的情況下做出生死攸關的選擇。

最后，人工智能的整合引發了對潛在網絡漏洞的擔憂。雖然人工智能可以提高電子戰的速度和準確性，但它也為試圖操縱或破壞人工智能系統的惡意行為者帶來了新的攻擊途徑。要保護這些系統免受網絡威脅，就必須采取強有力的整體網絡安全方法，同時考慮到人工智能驅動的電子戰的硬件和軟件層。

最后，不可否認，將人工智能融入戰爭預警的潛在戰略利益是巨大的。人工智能處理海量數據、適應不斷變化的條件和支持決策過程的能力有可能重塑現代戰爭的格局。隨著兵力越來越依賴技術來保持在數字化作戰空間中的優勢，負責任地開發和部署人工智能驅動的預警系統將是必要的。 如何在技術創新、人工監督和安全措施之間取得適當平衡，將決定能在多大程度上實現這些優勢，同時又不損害戰略目標或道德考量。美國采購系統面臨的挑戰也將在人工智能集成中發揮關鍵作用。人工智能在電子戰中的變革力量有可能改變游戲規則。問題是：它會嗎？人工智能將如何融入新型 EC-37B Compass Call 和 NexGen 干擾機等未來平臺？陸軍是否會將人工智能納入其推動營級決策的努力中？這些都是值得探討的問題，但有一點是肯定的：電磁作戰界必須繼續接受創新思維，因為我們知道未來的戰斗將在電磁頻譜中開始和結束。人工智能將在現代戰爭的新時代發揮關鍵作用。

從規劃到執行，人工智能（AI）在軍事行動中發揮著越來越重要的作用。隨著技術的進步，將人工智能融入國防戰略已成為各國保持競爭優勢、確保國民安全和安保的關鍵所在。人工智能在軍事行動中的潛在應用非常廣泛，從加強決策過程到提高軍事系統的效率和效力，不一而足。

人工智能在軍事行動中的主要應用方式之一是分析大量數據。在當今的信息時代，兵力從衛星圖像、信號情報和社交媒體等各種來源生成和收集海量數據。人工分析這些數據是一個耗時耗力的過程，可能會延誤關鍵決策。而人工智能算法則能以更快的速度處理和分析這些數據，使軍事指揮官能夠根據實時信息做出更明智的決策。

除數據分析外，人工智能還被用于加強軍事行動的規劃和執行。例如，人工智能驅動的系統可以通過模擬各種場景和預測不同戰略的結果，幫助軍事戰略家制定更有效、更高效的作戰計劃。這樣，指揮官就能根據最準確的最新信息選擇最佳行動方案。此外，人工智能還可用于優化人員和裝備等資源的分配，確保以最有效的方式部署兵力。

人工智能在軍事行動中的另一個重要應用是開發自主系統。無人駕駛飛行器（UAVs）又稱無人機，由于能夠在不危及人類生命的情況下執行監視和偵察任務，已成為現代戰爭的主要裝備。人工智能技術有可能進一步提升這些能力，使無人機能夠自主運行，根據周圍環境和任務目標做出決策，而無需人工干預。這不僅能降低人類操作員的風險，還能更高效、更有效地利用這些資產。

此外，人工智能正被集成到各種軍事系統中，以提高其性能和能力。例如，人工智能驅動的算法可用于提高導彈防御系統的精確度和瞄準能力，增強其攔截和消除來襲威脅的效力。同樣，人工智能也可用于提高軍事通信系統的性能，確保信息在不同單位和指揮中心之間快速、安全地傳輸。

盡管人工智能為軍事行動帶來了諸多好處，但也存在一些需要解決的問題和挑戰。其中一個主要問題是在戰爭中使用人工智能所涉及的倫理問題，特別是當涉及到可以在沒有人類干預的情況下做出生死攸關決定的自主系統時。確保這些系統遵守國際法和道德標準對于防止潛在的濫用和意外后果至關重要。

另一個挑戰是對手惡意利用人工智能技術的風險。隨著人工智能變得越來越先進，越來越容易獲取，人們越來越擔心敵對行為體可能會利用人工智能開發出新的、更復雜的網絡戰形式，甚至制造出難以防御的人工智能武器。

總之，將人工智能融入軍事行動有可能徹底改變戰爭的打法和勝負。從加強決策過程到提高軍事系統的效率和效力，人工智能提供了眾多好處，可以幫助各國在日益復雜和不可預測的全球安全環境中保持競爭優勢。然而，必須解決與戰爭中的人工智能相關的倫理問題和潛在風險，以確保負責任地使用這項技術，并為更大的利益服務。

參考來源：TS2 space，作者：Marcin Fr?ckiewicz

美國陸軍近年來提出了 "信息優勢 "的概念，即士兵有能力比對手更快地做出決策和采取行動。陸軍現在認為，人工智能是實現這一戰略的關鍵。

人工智能的普及程度和能力都有了爆炸式的增長，ChatGPT 等大型語言模型和其他人工智能系統也越來越容易為大眾所使用。在工業界和美國防部，許多人都在探索將該技術用于軍事應用的可能性，陸軍也不例外。

陸軍賽博司令部司令瑪麗亞-巴雷特（Maria Barrett）中將說，人工智能具有 "真正、真正推動變革的最大潛力......但它也給我們帶來了非常、非常現實的挑戰，以及整個信息維度的挑戰"。

負責政策的國防部副部長辦公室副首席信息作戰顧問、陸軍少將馬修-伊斯利（Matthew Easley）說，軍方正在經歷 "從傳統的信息作戰，即我們如何將不同的信息效果結合起來，為我們的行動創造我們想要的協同效應 "到新的信息優勢概念的轉變。

伊斯利在 6 月份美國陸軍協會的一次活動中說，這一概念的目標是確保陸軍在信息環境中掌握 "主動權"，"能夠看清自己、了解自己并更快地采取行動"。他說，信息優勢包括五大功能：輔助決策；保護士兵和軍隊信息；教育和告知國內受眾；告知和影響國外受眾；以及開展信息戰。

他補充說："所有這五個領域都可以利用人工智能和機器學習取得一定效果"。

伊斯利在 2019 年幫助建立了陸軍人工智能兵力工作組。但他說，在他任職期間，該小組在全軍范圍內采用人工智能時遇到了兩個挑戰：遷移到混合云環境和移動設備。

陸軍將 "繼續擁有大量的傳統數據中心，但隨著我們需要激增，我們需要在全球范圍內移動--云環境使我們更容易開展全球業務，"他說。根據陸軍預算文件，陸軍正在為2024財年申請4.69億美元，用于向云過渡和數據環境投資。

巴雷特在 AUSA 會議上說： "沒有數據存儲庫，就無法實現人工智能和機器學習"。陸軍賽博司令部對其大數據平臺進行了大量投資，將 "進入我們平臺的數據流數量翻了一番，解析器翻了一番，我們現在存儲的數據存儲量也翻了一番，"她說。她說："我們將繼續沿著這條軌跡前進，這意味著我們已經準備好開始利用 "人工智能能力"。

她說，對于指揮部來說，人工智能主要用于網絡防御，但在 "信息層面 "也有應用。"引入各種不同的信息源......并真正了解特定環境的信息基線，這意味著什么？所有這些都對我們大有幫助，而且我認為這只會不斷擴大"。

伊斯利說，移動設備的普及大大增加了潛在的饋送量，但也會擴大對手的潛在目標。這些設備 "有很多功能，也有很多漏洞。我們必須考慮并使用人工智能......既能保護我們自己，又能管理我們擁有的大量數據"。

陸軍參謀長詹姆斯-麥康維爾（James McConville）將軍在6月的一次媒體吹風會上說，在潛在沖突中，人工智能可以幫助士兵整理所有數據，并將正確的信息 "送到箭筒中"。

根據陸軍預算文件，陸軍正在為2024財年的人工智能和機器學習申請2.83億美元，其中包括用于增強自主實驗的研發資金，以及為集成視覺增強系統、可選載人戰車（最近被重新命名為XM30機械化步兵戰車）、遠程戰車、TITAN地面站和 "具有邊緣處理功能的更智能傳感器 "等系統的人工智能/機器學習項目活動提供資金。

"陸軍部長克里斯蒂娜-沃穆斯（Christine Wormuth）在簡報會上說："我們當然在尋找如何利用人工智能使我們的能力（包括新能力和正在開發的能力）更加有效。她說，陸軍尤其在 "融合項目"（Project Convergence）演習中使用了人工智能目標定位程序。

融合項目是陸軍對國防部聯合全域指揮與控制概念的貢獻，該概念旨在通過網絡將傳感器和射手聯系起來。陸軍發布的一份新聞稿稱，在2022年底的上一次演習中，參演人員使用了陸軍的 "火風暴 "系統--"一種人工智能驅動的網絡，將傳感器與射手配對"，向參加實驗的澳大利亞兵力發送情報。

麥康維爾說，軍方還將人工智能用于預測性后勤工作。他說："我們正在使用人工智能來幫助我們預測所需的零部件，這對龐大的軍隊來說意義重大"。

除了簡單的維護之外，預測性后勤還涉及陸軍的不同供應類別，如燃料和彈藥，"以及我們如何看待消耗，如何預測在哪里可以將正確的供應品送到需要的地方"，負責維持的陸軍副助理部長蒂莫西-戈德特（Timothy Goddette）說。

戈德特在國防工業協會戰術輪式車輛會議上說："我們的目標是提前計劃這些物資需要運往何處或何時需要進行維護，而不是作出反應。

他說："如果計劃的維護是正確的，但條件是錯誤的--如果你處于低[操作]節奏，我們如何改變計劃的維護？如果你處于炎熱、寒冷或腐蝕性環境中，你該如何改變維護計劃？這可能正是我們需要思考的地方。"

他補充說，在數字化世界中，陸軍必須 "學會如何使用數據和以不同的方式使用數據"。"我承認，我們還沒有完全弄懂[預測性后勤]。我們確實需要大家的幫助來思考這個問題。

McConville 和 Wormuth 說，人工智能未來的其他應用還包括人才管理和招聘。"Wormuth 說："人工智能可能有辦法幫助我們以人類不擅長的方式識別優質線索或潛在客戶。

不過，McConville 強調，在使用人工智能時，"人在回路中 "非常重要。

他說："實際做所有工作的可能不是人，但我們會看到人工智能幫助我們更好地完成工作。"但與此同時，我們也希望有人能說'發射這個武器系統'，或者至少能考慮到這一點。"

巴雷特贊同麥康維爾的說法："每個人都會把［人工智能］當成一臺機器。但是......你猜怎么著：每個玩過 ChatGPT 的人--是的，是人在喂養那臺機器。"

伊斯利說，隨著陸軍引入人工智能系統，士兵們可以做四件事來幫助技術正常成熟：收集和注釋數據；使用這些數據訓練人工智能模型；使用這些模型來檢驗它們是否有效；以及幫助改進模型。

他說，軍方在收集數據方面做得 "很好"，"但軍隊中仍有很多數據我們沒有完全捕捉到......我們可以利用這些數據來訓練我們自己的大型語言模型。"要使這些模型對我們的領域有效，我們必須在我們的數據上進行訓練。因此，我們必須研究：我們的人力資源數據是什么？我們的人力資源數據是什么？我們的醫療數據是什么？我們的業務數據是什么？我們的情報數據是什么？我們如何在受控環境下利用這些數據來建立更好的模型？

他說，這些模型必須根據軍隊的數據進行快速訓練和再訓練，以便不斷改進。他以自己手機上的餐廳推薦算法為例，"它之所以這么好，是因為它有10年的時間，我只告訴它我喜歡世界上哪些餐廳"。

伊斯利說，雖然他們將來可能會收到人工智能的推薦，但武器系統將始終由人類來管理，但 "其他系統，如果不是那么關鍵的話......[機器]可以做出決定"。不過，他補充說，人類將對人工智能進行培訓，使其在執行陸軍任務時可以信賴。"他說："你不會質疑你的地圖算法告訴你在城市中往哪里走--你知道該算法比你掌握更好的信息。但是，"我們如何獲得數據背后的真實性，讓我們能夠相信模型的內容、模型是如何訓練的，以及我們是如何使用它的？我認為這都是......人類的努力"。

參考來源：NDIA網站；作者：Josh Luckenbaugh

雷達和電子戰（EW）等軍事應用測試和測量系統的設計人員正在加緊使用人工智能（AI）解決方案，以便更好地測試認知功能。同時，現代數字架構的采用也推動了軍事測試需求的增長。

人工智能（AI）和機器學習（ML）工具正在進入國防系統的幾乎每一個領域，從制造、雷達系統開發、航空電子設備到軟件開發和測試測量系統。

NI 公司（德克薩斯州奧斯汀）航空航天、國防與政府研究與原型開發解決方案營銷經理 Jeremy Twaits 說："人工智能不僅影響測試系統本身的能力，還影響我們的測試方式。"人工智能使系統更具適應性，其行為會根據訓練數據集發生變化。有了人工智能，工程師必須了解系統性能的界限，并使用測試方法來滿足系統部署時可能遇到的最關鍵和最可能的情況。

人工智能工具還能在電子戰系統中實現認知功能。羅德與施瓦茨公司（Rohde & Schwarz，馬里蘭州哥倫比亞市）航空航天與國防市場部雷達與 EW（電子戰）全球市場部門經理 Tim Fountain 說："通過為客戶配備工具，提供高帶寬、長時間射頻記錄和回放系統，用于在操作相關的射頻環境中訓練認知系統，從而幫助客戶交付支持 AI/ML 的系統"。

他繼續說："此外，認知系統還可用于提取和分類 ELINT（電子情報）接收器捕獲的寬帶數據中的新型發射器。我們的客戶一再告訴我們，他們面臨的一個挑戰是，他們并不缺少來自采集活動的數據，但對這些信號進行標記、分類、排序和地理定位仍然是一項人工任務，由于時間和預算壓力，分析人員往往會忽略這項任務"。

軍事用戶對數據量的要求只增不減，這給系統設計人員和系統測試人員帶來了更大的壓力。

Keysight 航空航天/國防和政府解決方案集團（加利福尼亞州圣克拉拉市）總經理 Greg Patschke 說："隨著高速捕獲技術的發展，我們能夠收集的數據量正以指數級速度增長。這些大型數據集帶來了分析信息和得出結果的挑戰。目前，我們正在使用無監督機器學習工具來加快洞察之路。我們可以使用智能算法來識別感興趣的信號，對信息進行分類，并識別數據中的模式和異常。利用這項技術為我們打開了一扇通往全新數據分析世界的大門，而這在以前是不可行的"。

由于系統的復雜性，在定義測試場景的同時，通過人工智能系統實現適應性將至關重要。

Twaits指出："幾乎不可能在每一種可能的情況下進行測試，但業界必須定義關鍵的測試場景和模型。"由于真正測試和信任人工智能系統的動態性和挑戰性，測試平臺必須具備適應性，以應對未來的測試場景和要求。例如，NI 的 COTS（現成商用）硬件可以與 MathWorks 的軟件工具（如深度學習工具箱）相連接。NI 和 MathWorks 合作展示了如何利用軟件定義無線電 (SDR) 對訓練有素的神經網絡進行空中測試和評估，以對雷達和 5G 新無線電信號進行分類。

在軟件中定義測試功能

人工智能在測試解決方案中的應用得益于在軟件中植入測試和測量系統功能的能力。

Patschke 說："在測試和測量行業，不斷需要改進測量軟件的功能。EW 測試的專業性往往要求軟件具有一定程度的創新性和靈活性，而這在其他行業通常是看不到的。例如，與雷達/預警機有關的到達角（AOA）測試需要軟件和硬件的無縫配對，以適當應用實時運動學并準確計算 AOA 結果"。

他繼續說："幾年前，[測試]軟件還不具備這種功能，但隨著客戶要求和需求的變化，像 Keysight 這樣的公司已經進行了調整，以滿足這些需求。客戶要求系統具有靈活性，以便在新的挑戰出現時滿足他們的需求。滿足這些需求的唯一方法就是不斷升級我們的軟件，盡可能增加新的功能，這樣就可以不斷地將硬件重新用于多種用途"。

對標準化和快速周轉的需求也需要更多的軟件功能。

Fountain 說："客戶告訴 R&S 最緊迫的問題是，他們需要快速、可驗證和可重復的測量，而且通常是基于標準的測量。"客戶通常沒有時間或內部專業知識來開發特定的測量功能，因此可能會依賴供應商將該測量功能作為附加功能提供，或者在某些情況下使用事實上的行業工具集（如 Matlab 和/或 Simlink）來支持快速軟件/硬件功能，特別是隨著 FPGA（現場可編程門陣列）和 GPU（圖形處理器）在測量數據流中變得越來越普遍。(圖 1）。

[圖1 ? 羅德與施瓦茨公司提供集成記錄、分析和回放系統（IRAPS）。IRAPS可用于需要寬帶寬、長時間射頻記錄和回放的實驗室和靶場射頻記錄和回放應用，如雷達測試和靶場電子戰（EW）效果評估。］

NI 雷達/EW 業務開發經理 Haydn Nelson 說："在軟件中定義測試系統是整個航空航天工業趨勢的體現，通常被稱為基于模型的系統工程。"推動系統級模型和要求的標準化使軟件成為定義自動測試系統不可或缺的一部分。

Nelson 繼續說："對于雷達和電子戰來說，由于雷達的多任務性質和電子戰的保密性質，這具有挑戰性。定義、開發、評估和部署新方法和技術是一個復雜的過程。隨著威脅的不斷發展，用戶需要更快地獲得新系統，而測試和評估流程不能阻礙這一進程。軟件定義的測試系統對于在保持系統能力和性能敏感性的同時滿足速度要求至關重要。

對更多實驗室測試的需求也在推動軟件定義測試系統的發展。Nelson 說："我們看到的一個具體要求是，能夠在實驗室中以現實的方式進行更多測試，而無需面對固定和鎖定測試系統的挑戰。在公開范圍測試之前，測試的次數越多，新方法或新技術獲得最終用戶信任的信心就越大。共享數據和證明能力與開發能力本身同樣重要。"

雷達/預警要求

跨越多個領域的復雜對抗性威脅對雷達和預警系統的性能提出了更高的要求，從而給測試系統設計人員帶來了更大的壓力，要求他們提供準確、高效的解決方案。

"總體而言，趨勢是不斷提高測量精度和降低相位噪聲，"Fountain 說。"精度和相位噪聲直接關系到描述雷達性能的能力。在電子戰方面，我們看到，在擁擠和有爭議的作戰環境的推動下，高度復雜的電磁場景正朝著更高保真模擬的方向發展。"

雷達和預警系統的數字架構要求和現代化努力也要求測試系統具有多功能性。

NI 的 Twaits 說："從高層次上講，測試和評估的要求是由采用現代數字架構驅動的，這些架構要求在單個系統中進行功能、參數和系統級測試，以及分割數字和射頻系統以進行獨立測試的方法。"此外，許多傳統雷達和預警系統正在進行現代化改造，而傳統的測試平臺靈活性太差，無法滿足新系統功能的測試要求。現代化不會帶來無限的測試預算。新系統和升級要不斷平衡預算和時間交付壓力所帶來的限制，而適應不斷變化的要求本身就是一種要求"。

帶寬需求也對測試系統提出了更高的要求。"從技術上講，在電磁頻譜戰（EMSO）領域，實戰系統正朝著更寬的帶寬、更高的頻率、更大的頻率靈活性和更強的抗威脅能力方向發展。因此，[測試和測量]設備必須能夠生成和分析具有適當規格的波形，快速調整，并創建逼真的場景，在接近真實的運行條件下對被測設備施加壓力。"

測試系統還能在系統部署前的設計過程中盡早發現缺陷，從而降低長期生命周期成本。

Twaits說："按時、按預算交付的一個關鍵方面是制定測試策略，以便在設計過程中及早發現缺陷。露天靶場測試成本高昂，對于測試早期設計既不可行也不實際。例如，在雷達測試中，客戶正在尋找硬件在環系統，該系統可將真實目標注入到正在測試的雷達系統中。這使他們能夠盡早、頻繁地測試系統，盡早消除問題，并針對各種情況對雷達進行評估"。

NI 提供的雷達目標生成 (RTG) 軟件使客戶能夠將 PXI 射頻矢量信號收發器 (VST) 作為閉環實時雷達目標生成器來操作。它為工程師提供了一個單一模塊，既可作為標準雷達參數測量設備，也可作為 RTG，具有很強的能力和靈活性，適合最終用戶的調整。通過完全開放的列表模式，用戶可以定義多達 1000 萬個測試目標，以硬件速度進行排序，從而以在露天靶場上無法實現的方式刺激雷達。

電子戰系統的作用是對抗和探測復雜的敵對威脅，而測試系統的作用則是使作戰人員不僅能高效而且能安全地利用這些系統。

Patschke 指出："EW 測試的核心是確保人員和設備都做好應對各種電磁威脅的準備，從而保證部隊的安全。隨著 EW 測試環境越來越先進，客戶需要生成盡可能逼真的模擬。要做到這一點，就必須生成能模擬現實條件的高保真動態場景。過去，這需要大量的設備，而這些設備在使用中往往缺乏通用性。現在，客戶不僅希望他們的設備具有更高水平的能力，如更寬的帶寬和更多的輸出端口，而且還希望它能以更緊湊的尺寸提供更大的靈活性。Keysight 推出了包括最新 M9484C 矢量信號發生器在內的可擴展、開放式架構 EW 測試和評估產品組合，滿足了客戶的這些期望。"(圖 2）

[圖2 ? Keysight 的 M9484C 矢量信號發生器是一個四端口信號源，還能產生脈沖對脈沖輸出。這種單一信號發生器能夠取代四個老式信號源]。

Fountain 對發展趨勢的最后評論是："人們希望從露天靶場測試轉向封閉實驗室，這主要是由于露天測試的復雜性、成本以及測試產生的射頻輻射可能被不受歡迎的聽眾截獲"。

開放架構/MOSA 計劃

Fountain 說，在測試和測量層面，他并沒有看到這些計劃有多少活動。"測量系統在操作層面有一些利基應用，模塊化架構（如 MOSA[模塊化開放系統方法]和 SOSA[傳感器開放系統架構]）的優勢和附加成本將適用于這些應用，但在大多數情況下，測試和測量設備是在實驗室中，需要一個可控的環境來提供高度的測量精度。"

Nelson說："從許多方面來看，SOSA等標準架構在嵌入式設計中采用的理念與NI在模塊化PXI平臺測試和測量設計中采用的理念非常相似：制造模塊化、靈活和可互操作的系統。模塊化開放式架構的這三個目標是未來軍用嵌入式系統取得成功的關鍵，使系統能夠在今天設計，并在明天進行低成本升級。NI 的測試和測量方法與這一目標不謀而合。擁有模塊化、可擴展、靈活和可升級的嵌入式系統意味著測試系統也必須是模塊化、可擴展、靈活和可升級的，以適應不斷變化的要求、能力和接口。我們相信，與開放式架構計劃的模塊化方向一致的模塊化測試系統將有助于實現這一新嵌入式系統理念的承諾。"

Keysight 的 Patschke 說："投資新產品的客戶希望確保其傳統設備和系統能夠與升級后的平臺協同運行。"這不僅是一項節約成本的措施，而且還能通過延長舊產品的使用壽命來減少浪費，同時使整個系統保持最新狀態。開放式架構平臺將可持續發展作為優先事項，同時又不犧牲升級能力。Keysight 在設計下一代系統時非常重視開放式架構的實施。"

展望未來

人工智能和軟件定義的測試系統正在為現在以及未來的雷達和 EW 測試系統的更多能力鋪平道路，例如軟件定義雷達、頻譜共享、數字孿生等領域。

Patschke說："未來美國國防部（DoD）客戶的系統測試可能發展的一個途徑就是數字孿生技術的進步。"這些系統利用基于模型的系統工程（MBSE）方法生成數字化的真實測試場景，這些場景通常會考慮到外部變量，而以前的虛擬測試方法無法做到這一點。理論上，'數字孿生'概念可以將大多數（如果不是全部）物理系統工程活動轉換為虛擬活動。在進行物理測試不切實際、真實世界的效果難以再現的情況下，"數字孿生 "有可能增加廣泛的價值。隨著客戶尋求更可靠、更具成本效益的測試手段，數字孿生選擇可能會變得更具吸引力。

Fountain 說，未來幾年有四個關鍵領域將推動測試和測量技術的發展：

• 頻譜共享： 頻譜帶正被重新部署到 CBRS（無線網絡）等商業應用中，這就要求進行更全面、更精確的共存測試。
• 軟件定義雷達： 從模擬脈沖雷達到全數字調制雷達（每個脈沖都可以調制）的轉變已經實現了雷達與合作資產之間的通信。但這不僅僅是雷達和通信，還包括 EW，包括 EP 和 EA，以及集成到單一平臺的[軍事通信]。
• 量子傳感和量子雷達仍處于早期階段，但如果這些技術能在 "實戰 "中發揮作用，它們將改變沖突的根本結構。
• 從傳統的基于脈沖描述符字（PDW）的環境生成轉向基于高保真同相（IQ）的系統，這推動了對更高帶寬射頻生成能力的需求。

雷達和預警系統對靈活性和多功能性的需求也成為測試和測量需求的一個特點。

"納爾遜說："我們已經看到許多要求測試系統像瑞士軍刀一樣的需求：客戶希望測試設備能在單一系統中完成所有功能。

"我們經常收到這樣的請求：要求配置的系統在進行雷達目標生成等系統級測試的同時，還能進行參數測試，并能進行射頻記錄和回放。這些要求結合在一起，就很難在保持可接受的尺寸、重量和功率的同時，以具有成本效益的方式完成測試。只有采用模塊化系統，在封閉的特定功能與使用開放軟件擴展功能之間取得平衡，才能做到這一點。我們看到的趨勢是，現代測試系統必須像它們所測試的系統一樣具有多功能。

將人工智能（AI）融入軍事行動是一個持續討論和爭論的話題。在眾多人工智能應用中，像 OpenAI 的 GPT-4 這樣的大型語言模型（LLM）在自然語言處理、理解和生成方面展現出了前所未有的能力。本文探討了 LLMs 在軍事規劃革命中的潛力，并強調了它們帶來的挑戰和機遇。

LLMs： 人工智能的突破

過去幾年中，LLM 在人工智能研究領域取得了長足進步，展示了其理解上下文、生成連貫文本甚至翻譯語言的能力。這些模型給人留下了深刻印象，在新聞、客戶服務和科學研究等各個領域都得到了應用。

軍事規劃領域的LLM

軍事規劃是一個復雜的過程，需要分析大量信息，如敵方能力、兵力和后勤。LLM 可以幫助軍事規劃人員快速處理和分析這些數據，簡化規劃流程，減少人為錯誤的可能性。在軍事規劃中使用 LLM 可以帶來以下好處：

1、改進決策： 通過分析歷史數據，LLMs 可以洞察各種戰略的潛在結果，幫助軍事規劃人員做出更明智的決策。此外，LLM 還能通過評估潛在對手的行為模式來預測其行動。

2、增強交流： LLMs 可以生成復雜數據集的自然語言摘要，使軍事人員之間更容易交流關鍵信息。這可以提高對態勢的認識，并做出更明智的決策。

3、有效分配資源： LLM 可以通過分析供應鏈數據和預測未來需求來優化軍事資源的分配。這有助于最大限度地減少浪費，確保資源用在最需要的地方。

4、定制培訓： LLM 可以根據每個士兵的需求和能力創建定制的訓練場景。這樣可以提高訓練效率，最大限度地發揮每個士兵的潛能。

5、士氣和心理健康支持： LLM 可以通過自然語言對話為士兵提供心理支持，協助進行壓力管理并解決心理健康問題。

挑戰與關切

盡管有諸多優勢，但在軍事規劃中實施 LLMs 還面臨一些挑戰和問題：

1、數據安全： 在軍事規劃中使用 LLM 需要處理高度敏感的信息。確保這些數據的安全性和保密性至關重要。軍事組織必須投資于強大的網絡安全措施，以保護其數據免遭未經授權的訪問和潛在泄漏。

2、道德考慮因素： 在軍事規劃中部署 LLM 會引發道德問題，即決策自動化程度可能會提高。隨著人工智能系統變得越來越復雜，人類決策與機器決策之間的界限可能會變得模糊，從而導致人們擔心在出現錯誤或失敗時的問責和責任問題。

3、技術局限性： 雖然 LLM 在自然語言理解方面取得了顯著進步，但它們也并非沒有局限性。這些模型有時會產生不準確或有偏見的結果，從而可能導致錯誤的決策。軍事組織必須認識到這些局限性，并確保人類的專業知識仍然是規劃過程中不可或缺的一部分。

4、對技術的依賴： 過度依賴 LLM 可能會導致人類分析能力下降和對技術的過度依賴。軍事規劃人員必須在利用 LLM 的力量與保持人類參與決策過程之間取得平衡。

合作機會

軍事組織、學術界和私營部門之間的合作有助于應對軍事規劃中與 LLM 相關的挑戰。以下是一些潛在的合作途徑：

1、分享最佳實踐： 軍事組織可以相互學習在規劃過程中實施 Lating LLMs 的經驗。分享最佳實踐有助于找出潛在的隱患，確保最有效地利用這些先進的人工智能工具。

2、聯合研究計劃： 軍事組織、學術界和私營部門之間的合作研究計劃可以推動 LLM 的創新發展。這可以創建更先進的模型，更好地應對軍事規劃人員面臨的獨特挑戰。

3、道德準則： 為在軍事規劃中使用 LLMs 制定道德準則，有助于消除人們對決策自動化程度提高的潛在后果的擔憂。軍事組織、人工智能研究人員和倫理學家之間的合作可以制定原則，在人工智能的益處與人的責任和義務之間取得平衡。

4、培訓與教育： 聯合培訓和教育計劃可以幫助軍事人員發展必要的技能，以便在規劃過程中有效實施 LLM。這可以包括有關 LLM 技術方面的培訓，以及有關人工智能在軍事行動中的道德和法律影響的教育。

5、互操作性： 開發可互操作的人工智能系統可促進軍事組織之間的無縫通信和信息共享，確保將 LLM 有效納入多國軍事規劃工作。

結論

大型語言模型的強大功能為軍事規劃帶來了巨大的變革機遇。雖然在實施過程中會遇到一些挑戰和問題，但軍事組織、學術界和私營部門之間的合作有助于克服這些障礙，最大限度地發揮 LLM 在軍事行動中的潛力。通過利用人工智能的力量并保持技術創新與人類專業知識之間的平衡，軍事組織可以改進決策、加強溝通、優化資源分配，并更好地支持其人員的福祉。

作者：Chad Scott

原文來源：Crossroads of Power

及時掌握有關作戰情況的信息，對于開展各種規模的軍事行動和人員培訓都是至關重要的。現有軍事指揮和控制系統的復雜程度僅限于可視化，主要使用戰術符號。信息和計算機技術的現狀允許通過應用 "增強現實 "在感知水平上實現質的飛躍。對等的信息技術通過在實時圖像上增加額外的、有意義的圖形和文字信息來增強認知能力。高性能移動設備的飽和和無線數字網絡對軍事活動的有力進入，使得該技術的使用有可能達到戰場上單個戰士的水平。在這篇文章中，作者思考了在執行戰術任務中應用增強現實可視化的特殊性，確定了整合視覺和文本信息的適當方法，提供了一個與增強現實應用的信息交互模型。他們提出了一個專門的移動應用程序的軟件架構，并介紹了其實際實施的結果。

【關鍵詞】增強現實，指揮與控制，移動應用

基于物理信息的機器學習可以以一種統一的方式無縫地整合數據和物理原理，也因此提升了機器學習的泛化性，使機器學習不再是只針對特定的某種問題有著很好的效果。