技術的改進需要理論和訓練的改進。在將軍事資產合并為多功能平臺時，任務要求也應合并，以允許充分利用資產。由于過時的理論以及數據收集和打擊能力的任務集之間的脫節，目前的空中力量系統缺乏靈活性。本文認為，管理這些平臺的程序應合并為一個單一的程序，以利用和優化這兩種作用。

1 引言

1.1 入門

1936年，英國皇家空軍軍官JC-斯萊索出版了《空軍與陸軍》一書，將空軍（空中力量）命名為截至當時戰爭中最具革命性的進步。這項新技術的出現和在地面以上作戰的能力重新定義了當代戰爭概念。2016年，托馬斯-弗里德曼的《感謝你遲到》解釋說，技術以指數級的速度發展，稱為摩爾定律。歷史上第一次，人類的適應能力無法跟上技術進步的步伐。 一年后，蘭德公司的一份報告指出，"在合理的假設下，美國軍隊可能會在他們被要求進行的下一場戰爭中失敗"。 最后，在2019年，退役將軍大衛-彼得雷烏斯表示，美國已經進入了 "科技冷戰的早期階段"。 這四個看似獨立的觀點定義了美國今天所處的關鍵位置。技術進步正在改變空中力量的運用，能夠將新技術與組織改革和創新作戰概念相融合的國家將在未來以信息為中心的戰場上占據主導地位，并可能開啟下一場軍事事務革命（RMA）。

空中力量從一開始就為戰爭提供了一個新的舞臺，在其中開展行動。早期的空中力量允許加強觀察、瞄準信息和偵察。這種達到最終制高點和提供戰場清晰度的能力是現代空軍的情報、監視和偵察（ISR）作用的前身。隨著時間的推移，建立一個獨立的美國空中力量的愿望使空軍的倡導者強調空軍的動能潛力，但卻無意中導致了ISR任務的從屬地位。 這種對打擊行動的強調造成了任務集之間的鴻溝，由于資源限制、任務要求以及在高度競爭的環境中與技術先進的對手進行戰爭，這種鴻溝在未來的沖突中是難以維持的。

1.2 論點

這項研究試圖解決空中力量使用的一個主要問題：多功能飛機的有效任務，其定義是能夠在一個架次中執行ISR和打擊任務的平臺。陳舊的理論、獨立的目標定位過程以及一個世紀以來ISR和動能打擊行動的任務集之間的劃分抑制了這種效率。為了充分利用多功能飛機的能力，目前的動能瞄準和ISR收集過程應合并為一個單一的過程，利用先進的人工智能（AI）來產生一個優化的綜合任務分配單（ITO）。

1.3 提綱

本文的論點主要通過對未來戰爭現實的研究來支持。隨著國家安全戰略和國防戰略將重點從中東的低技術對手轉移到中國和俄羅斯等近距離競爭者，戰爭戰略也將被要求轉移。據預測，未來的空域將是高度競爭的，可能需要具有生存能力、隱形和防御能力的非傳統ISR平臺來進行作戰環境情報準備（IPOE）。 如果沒有適當的理論和程序，美國軍隊將沒有準備好與技術先進的對手作戰。

美國的財政限制也將減少生產單一用途的專業飛機，因此有必要進行程序上的改變，以允許多用途飛機執行多種非傳統的任務。空中力量的倡導者在歷史上一直優先考慮動力學而不是ISR。改變這種文化慣性將需要一個范式的轉變。

對目前的動能和ISR目標定位過程的審查將建立起任務集之間的分界線，這將需要解決方案來彌合這一鴻溝。目標定位理論中的三個關鍵問題對多功能任務的執行造成了障礙。此外，有六個建議對目標選擇理論進行修改，以合并動能和ISR目標選擇過程的特定部分。最后，一個名為 "多域綜合ISR（MDI2）"的人工智能工具應被納入該過程，以優化和加快任務分配決策。通過MDI2實施建議的六項變化，將產生一個精簡的目標定位過程，能夠靈活地給所有多功能飛機分配任務。

2 未來的爭奪戰

2.1 近乎對等的戰場

美國繼續在一系列關于未來沖突將如何發生的過時假設的基礎上實現其軍事現代化。美國認為，戰爭將在它選擇的時間、寬松的環境和無力阻止任何領域內機動自由的對手中開始。美國軍隊假定它可以通過卓越的技術克服它可能面臨的任何數量上的劣勢，這些技術將在不被發現的情況下穿透敵人的防御系統并打擊目標，所有這些都是最小的戰斗損失。在這些假設的指導下，目前的空軍由技術上最先進、昂貴、難以替換的多功能平臺組成。中國和俄羅斯正在 "采用多層反介入與區域拒止（A2/AD）系統"，以實現物理對峙能力。A2/AD使對手能夠加強他們的區域勢力范圍，并且在必要時，迅速造成不可接受的損失，比美國能夠進行更有效地回應。美國需要假定，未來的沖突將在高度競爭的環境中進行，對手是技術先進的、戰斗力強的對手。利用這一觀點，美國必須利用它已經發展起來的戰斗力，并通過發展靈活的空中任務分配機制進行創新，利用所有平臺的全部能力。對于打擊目標和情報收集的需要，重新分配任務和多任務資產的能力是對抗未來對手的一個重要轉變。

2.2 非傳統ISR

在未來敵對行動開始時，空域可能不允許傳統的ISR平臺使用。建立IPOE的唯一手段可能是通過指派具有ISR能力的戰斗機來執行ISR的主要或額外任務。在獲得和保持空中優勢之前，美國的大部分噴氣式ISR機隊將被停飛，而信息的匱乏將是由于制度上的程序阻止了每架飛機被用作ISR節點。

非傳統ISR（NTISR）的概念是："將非主要用于ISR的傳感器作為綜合收集計劃的一部分，在作戰層面上制定，用于預先規劃的、隨叫隨到的、臨時的和/或適時的收集任務。" 在2002年的伊拉克自由行動（OIF）期間，規劃人員創造了NTISR一詞，因為戰斗機開始在完成動能任務后的返航途中使用其瞄準吊艙，以支持反飛毛腿行動并觀察伊拉克安全部隊的位置。聯合空中作業中心收藏管理部副主任說："在NTISR之前，我們有具備監視能力的戰斗機在天空中盤旋，只是等待著地面指揮官的任務。我們沒有浪費這些資源，而是開始用它們來填補我們傳統ISR作戰中的一些空白。" NTISR是如此 "成功，以至于它是一個啟示"，然而，這個新功能也強調了美國飛機與戰場態勢感知的脫節程度。來自合成孔徑雷達和瞄準吊艙的圖像不能直接提供給地面的分析人員；大多數傳感器信息都是飛機內部的，甚至沒有記錄。盡管NTISR在OIF早期的行動中開始證明其價值，但作戰指揮官仍然要求多功能遙控飛機（RPA）專門執行ISR任務，以節省有人駕駛的戰斗機在長時間ISR飛行中的磨損。空中作戰中心（AOC）仍然將多功能飛機視為攻擊或ISR資產，很少嘗試將這兩種任務結合起來。

3 財政限制

3.1 國防預算

盡管美國的軍事力量以6:1的比例超過俄羅斯，以2.7:1的比例超過中國，但美國仍然處于一個新的大國競爭時代，其對手引領著下一代軍事技術的發展。矛盾的是，盡管美國防部處于歷史上巨大的年度預算，但仍面臨著財政限制。在20財年，國會為國防撥款7046億美元，而總統為21財年提出了7054億美元的要求。這些數額使所有外國軍事競爭對手以及幾個大國的整個經濟相形見絀。21財年的預算請求為這一數額辯護，聲稱它促進了 "許多艱難的選擇"。具體到空軍，最近一位負責預算的副助理部長指出，在準備19財年時，空軍 "比去年有更多的錢，但問題更多"。簡而言之，需求多于資源，即使目前的資源仍然代表著巨大的比較優勢。

3.2 單一用途系統存量

美國國防預算的問題不是資金不足，而是對手以優勢戰略反擊美國武器系統。"簡單地說，美國的對手正在出動大量價值數百萬美元的武器來摧毀美國價值數十億美元的軍事系統"。同行競爭者的創新戰略正在迅速縮小美國幾十年來享有的不對稱能力差距。更令人震驚的是，美國采購周期的延長，再加上需求與資源的不匹配，使得開發或增強武器系統變得越來越具有挑戰性。這種情況引發了空軍最近的預算偏好，傾向于能夠滿足多種作用的平臺而不是專門的平臺。因此，美國空戰的未來是一支質量較低（less mass）的戰斗部隊，需要更多的多任務處理能力。空軍必須制定適當的理論、程序和方案，以賦予存量飛機多功能化，實現國家目標。每架飛機都是一個潛在的ISR資產，能夠比對手更快地收集、融合和響應。通過創新的作戰理念來利用信息優勢，聯合部隊的空軍成員指揮官可以更準確、更迅速地完成決策周期，從而獲得優勢。

4 目前的目標定位過程

4.1 動能打擊目標過程

聯合理論概述了獨立的ISR和作戰目標選擇過程，并為任務集的持續分歧和阻礙整合奠定了基礎。動能瞄準過程始于聯合部隊指揮官（JFC）通過空中行動指令（AOD）對聯合部隊空中分部指揮官（JFACC）的指導。空中行動指令還包括JFC的空中分配決定，即對每個戰役目標的優先級或努力的百分比。空中行動指令的指導開始了制定和確定聯合綜合優先目標清單（JIPTL）的過程。JIPTL是一份為動能或非動能摧毀而選擇的目標清單。AOC的作戰計劃部（CPD）的目標效應小組（TET）利用從戰略到任務的神話，將每個目標與JFC的戰役目標直接聯系起來，制定JIPTL并確定優先次序。目標的優先次序是根據其相關的優先任務和對整個聯合戰役的重要性來確定的。然后，JIPTL由JFC在聯合目標選擇協調委員會上批準，并提供給主空襲規劃（MAAP）小組進行力量分配。JFACC通過將JFC的空中分配決定轉化為武器系統的總飛行架次來確定空中分配。空中分配小組將空中分配架次與JIPTL上的目標相匹配。最后的結果是構成空中任務指令（ATO）基礎的MAAP。

4.2 收集目標過程

聯合綜合優先收集清單（JIPCL）是一份情報收集的目標清單，與JIPTL分開制定，這一過程阻礙了有效利用可以處理兩個清單上目標的資產。在美中央政策局制定JIPTL的同時，AOC的ISR部門（ISRD）制定JIPCL，各部門之間的協調很少。根據聯合理論，戰時ISR資產的分配始于指揮官的關鍵信息要求（CCIRs）。CCIRs是指揮官認定的對促進及時決策至關重要的信息要求。最關鍵的情報需求被指定為優先情報需求（PIRs），并在資產分配中獲得更多的支持和優先權。ISR任務收集基本信息要素（EEIs），而這些信息要素反過來又能滿足PIRs。EEI是信息的子集，填補了指揮部對敵方活動和作戰環境其他相關方面了解的空白。

ISRD內的收集管理員將EEI轉化為收集目標的清單，稱為JIPCL。JIPCL還包括支持打擊行動所需的收集要求。JIPCL由聯合收集管理委員會（JCMB）審查，該委員會作為一個機制，對JFC的情報需求進行優先排序、合并和批準。一旦收集請求被優先考慮并得到JCMB的批準，ISR作戰小組中的主題專家就會制定一個收集計劃，將ISR資產用于滿足JIPCL上的目標，試圖盡可能多地回答優先需求的EEI。ISR計劃人員通過將一定比例的可用收集資產分配給第一優先目標，將較低比例的資產分配給第二優先目標，以此類推，直到所有可能的收集都被規劃，或者沒有剩余的資產可以分配。這一過程的最終產出是偵察、監視和目標獲取（RSTA）附件，它記錄了最終的收集規劃，并成為ATO的一部分。圖1以圖示方式描述了動能和ISR目標定位過程。

圖1：動能與ISR目標定位過程

在ISR行動的規劃階段，收集管理員的艱巨任務是在考慮眾多變量的情況下確定針對目標的適當收集資產。這些變量包括諸如天氣、及時性、優先級、敵方防御、地理和目標范圍等考慮。在JIPCL中獲得低優先級的目標或請求可能只是因為缺乏可用于處理這些目標的資產而從清單上拿下來。例如，在OIF期間，炸彈損害評估（BDA）在戰斗行動中被賦予了低優先級。這導致了很少有完成的BDA收集任務。在伊拉克的主要作戰行動結束時，頭條新聞吹噓說，新的傳感器技術已經實現了前所未有的態勢感知，能夠描繪出歷史上最清晰的戰場畫面。然而，戰術指揮官仍然依靠運動接觸和武裝偵察來了解他們部隊面前的對手。美國空軍高級領導人聲稱，缺乏BDA和偵察的原因是ISR資產的短缺，而不是ISR目標定位過程和優先次序的無效性。事實上，無效的ISR目標定位過程未能優化ISR和多功能平臺的性能，戰術指揮官因此而被迫使用二戰時期的戰術。

5 目前過程的不足之處

5.1 隔離的目標列表

JIPTL和JIPCL在AOC中遵循不同的發展和批準路線，都給多功能任務分配帶來三個具體問題。首先，沒有一個理論機制可以將動能、非動能和收集需求結合起來并確定其優先級，形成一個單一的優先級清單，如聯合綜合優先效應清單（JIPEL）。如果沒有一個全面的清單，規劃者就無法確定一個動能目標或收集目標是否具有更高的優先權，因此也就無法確定哪個目標應該得到需求更高的武器系統。相反，JFACC將飛機分配給ISR或打擊任務，AOC各部門之間的協調很少。雖然聯合理論鼓勵目標和收集清單之間的密切協調以提高效率，但在現實中，只有在動能打擊需要預打擊收集、打擊后收集或BDA時才會進行協調。此外，如果一個師獲得了過多的飛機分配，它可能會將這些飛機與他們名單上的低優先級目標相匹配，而不是與另一個師協調，使這些平臺可用于他們名單上的高優先級目標。這個陷阱加強了對綜合目標清單的需求，以確保規劃者始終處理最高優先級的目標，無論它們位于哪個清單上。

5.2 多功能任務機制

另一個問題來自于缺乏一種理論機制，允許多功能飛機在一次飛行中同時執行動能和ISR任務。當多功能飛機小組被分配到飛機時，規劃人員將這些資產與動能目標相匹配。分配給ISR作戰小組的資產也是如此；規劃人員將這些資產與情報收集要求相匹配。沒有正式的機制允許MAAP和ISR計劃人員溝通和協調多功能任務。多功能飛機能夠投擲彈藥，然后過渡到ISR任務。如果MAAP團隊和ISR作戰團隊在CPD下的AOC中合并，并產生一個ITO而不是ATO，兩邊可以共享多功能資產來完成更多的任務。例如，MQ-9 "死神 "是一個ISR平臺，擁有與F-16相當的戰斗載荷。利用MQ-9來攻擊一個目標，然后繼續執行收集任務，這對雙方都有好處。

5.3 目標位置

最后，沒有任何理論機制或產品能在地理上描述與收集有關的動能目標。加強ISR行動的部隊強化小組和部隊分配小組之間的協調可以加強對動能目標位置的理解。對所有目標位置的地理理解對于實現多功能平臺在一次飛行中處理多個目標和作用的目標至關重要。多功能飛機可以收集或攻擊其飛行路線附近的目標或靠近其主要目標。如果沒有對所有目標位置的明確了解，任務分配就會失去效率。

圖1說明了攻擊和ISR目標選擇過程之間的明顯分界。CPD的攻擊支持收集請求是理論上規定的少數幾個跨部門溝通機制之一。即使如此，這種溝通似乎也僅限于CPD將他們的打擊收集要求推給ISRD，以便以ISR作戰小組認為合適的方式來實現。多功能任務分配將永遠不會在獨立的目標選擇過程中成功，包括不同的優先級模式。適當分配多功能資產的唯一方法是讓一個小組有能力協調所有可用飛機對所有目標的任務分配。為了實現多功能任務分配，攻擊和ISR團體之間的鴻溝必須消失。

6 建議

6.1 聯合綜合優先效應清單（JIPEL）

為了有效地完成多功能平臺的任務，并解決前面所確定的理論問題，實施以下變革將結合目標定位和收集過程的特定部分。

規劃人員需要將所有的動能、非動能和ISR收集目標整合到一個稱為JIPEL的單一清單中。JIPCL妨礙了多功能任務的執行和戰場態勢感知。為了便于合并JIPEL，規劃人員必須使用與動能目標相同的戰略-任務方法來確定收集目標的優先次序。ISRD仍將獨立產生EEI，并將其轉化為收集目標，然而，ISR規劃者將有能力使用與攻擊目標相同的方法對收集目標進行優先排序。一個單一的優先目標清單是合并動能和收集團體的第一步。JIPEL將使規劃人員能夠有效地分配資產，并使用他們所掌握的任何武器系統首先處理最優先的目標。

6.2 聯合收集目標單元（JCTC）

為了將所有的目標和收集的信息整合到JIPEL中并進行優先排序，將需要組建一個新的聯合小組。這個新的小組，JCTC，將由ISRD的ISR人員和TET的動能瞄準人員組成。只有來自收集和動能瞄準領域的專家一起工作，才能對目標進行適當的優先排序。JCTC可以被置于AOC的CPD之下，或者簡單地組成一個聯合打擊-ISR的老虎小組，但是來自這兩個團體的專家必須帶著一份準備好的目標和建議的優先次序清單來到JCTC。JCTC的目標是產生一個單一的優先目標清單，該清單可以通過目標選擇過程的其他部分進行流動，并允許多功能任務。

6.3 目標與收集導向（TACO）

JCTC不僅將制作JIPEL，而且還將構建TACO圖形。這個圖形將描述作戰區域內所有動能和ISR目標的實際位置。ISR作戰規劃人員和部隊分配小組對開發這樣一個圖形有正確的理解。使用這一產品，下游的規劃人員獲得了在盡可能不干擾主要任務的情況下為多功能飛機分配二級和三級目標。

6.4 聯合目標批準委員會（JTAB）

第四，一旦JCTC產生了JIPEL，一個合并的JTAB將批準這些目標和優先次序。合并后的JIPEL不再需要單獨的審批委員會。一個單一的批準委員會為JFC和JFACC在批準目標優先次序時提供了一個單一的參考框架。隨著作戰和ISR之間行動優先級的轉移，高級領導人和規劃人員可以很容易地看到哪種類型的目標被優先考慮，并確定最有可能受到影響的目標。如果規劃人員錯誤地解釋了指揮官的意圖，領導人可以在飛機分配之前進行糾正，并在公布ATO之前評估不一致之處，為戰役目標分配錯誤的努力權重。最終，JTAB提高了效率，消除了冗余，并增強了指揮官的態勢感知。

6.5 聯合效應組（JET）

下一個變化直接發生在JTAB批準之后。一旦JIPEL被批準，來自MAAP小組和ISR作戰小組的成員將會面，將飛機分配給目標。這個新的團隊將被稱為JET。通過讓這兩個團體都參加JET，通常被分配到ISR或攻擊任務的平臺可以被分配為非傳統的攻擊資產或次要任務。JET直接有效地糾正了多功能飛機在一次飛行中執行多種任務的問題。利用JIPEL和TACO，JET計劃人員可以有效地分配任何飛機首先完成最優先的目標，然后在必要時，將飛機在其主要目標附近或撤離路線上執行次級任務。由于JET規劃人員可以接觸到所有飛機，他們將能夠確保飛機與目標的最佳配對。此外，規劃人員將擁有對形勢的認識，有可能讓一架多功能飛機來完成以前需要幾架飛機才能完成的任務。通過了解所有目標的優先級和位置而實現的態勢感知，將使行動能夠為更多的目標服務，同時利用多功能飛機的全部潛力。

6.6 空中行動總規劃（MAOP） / 綜合任務分配單（ITO）

最后建議的改變是制定一個綜合的MAOP，以形成ITO。目前的程序是在MAAP小組和ISR作戰小組完成各自的武器編組后，為動能目標制定MAAP，同時為收集目標制定RSTA附件。隨著JET完成所有平臺的聯合武器裝備，這種分離已不再必要。因此，為了效率和簡單起見，MAAP和RSTA附件被合并為一個合并的MAOP，它將最終產生ITO。圖2描述了新提議的聯合瞄準程序與現有瞄準程序的關系。

圖2：新合并目標定位過程

這六項建議變化的目的不是為了讓ISR群體占有傳統的打擊資產，而是為了讓兩個群體的所有多功能平臺都能靈活地有效執行任務。例如，一架MQ-9可以在前往ISR戰斗空中巡邏（CAP）的途中進行動能打擊。同樣，一架有人駕駛的多用途戰斗機可以在附近執行BDA的次要任務，這就避免了ISR資產不得不飛到同樣的距離來執行快速ISR任務。最終，將打擊和ISR的瞄準過程結合起來，可以對整個系統進行更好的控制和靈活性。JCTC和JET的成員將成為雇傭多功能平臺的專家，并通過各種選擇將目標置于危險之中。隨著美軍向聯合全域指揮與控制（CADC2）概念的發展，規劃人員將承擔起協調的責任，而不僅僅是一個合并的打擊和ISR過程。最終，軍方將需要開發一個系統，將網絡、空間和其他能力合并到目標選擇過程中。這個擬議的合并目標選擇過程可以擴展到包括這些額外的作戰領域。

6.7 多域集成ISR

隨著動能和ISR目標、過程的合并，信息過載是一個真正的問題。美國空軍中央司令部副司令錢斯-薩爾茨曼少將說，AOC的一個重要障礙是及時整理大量的日常信息和情報，以便在威脅和機會消失之前做出反應。為了克服信息過載，空軍研究實驗室（AFRL）正在開發一個多領域綜合ISR（MDI2）計劃，該計劃旨在建立工具、系統和流程，以更好地支持跨領域和情報來源的數據的真正整合和融合。MDI2通過以可消化的格式向所有用戶提供所有相關的信息來促進實時態勢感知，而不會使人類決策者負擔過重。

MDI2由四個程序組成：斯芬克斯、海德拉、地獄犬和克拉肯（Sphinx, Hydra, Cerberus, Kraken），它們在整個目標定位過程中協同工作，以優化資產-目標選擇、飛行路徑規劃、多功能任務和動態重新分配任務。首先，Sphinx解決了在目標定位過程中缺乏協作、標準化和反饋的問題。該系統開發、評估和跟蹤信息需求，推動收集工作，并提供一個滿足需求的封閉反饋回路。接下來，Hydra為ISR收集規劃者提供了一個決策輔助工具，以優化資產分配和路徑規劃。從歷史上看，30%的ISR收集工作沒有得到滿足，因為任務分配方案不夠理想。Hydra將利用學習算法來確定一個最佳路徑，同時以比人類專家更高的性能水平來適應動態變化的環境。這些算法已經被證明可以在一秒鐘內提供優化建議，而人類專家一般需要一個多小時。

Cerberus是一種實時顯示，為規劃者提供監控和動態重新分配資產的能力。Cerberus將生成帶有損益分析的行動方案，以應對不斷變化的條件，進行臨時任務分配。即使是由知情人員做出的決定也有個人偏見，會產生不理想的決定和權衡。Cerberus將根據實時的資產分配和重新分配的后果創建建議的行動。

Kraken是一個能夠跟蹤和確定滿足收集要求的最佳能力的系統。Kraken將反饋到其他三個程序中，使Sphinx能夠確定可用的資產，Hydra能夠在創建資產分配規劃時利用最佳資產，Cerberus能夠計算出資產重新分配的收益/損失。

6.8 新合并目標定位過程

為了將MDI2正確地整合到一個合并的動能和ISR目標定位過程中，MDI2必須得到適當的輸入。MDI2將利用來自新的合并目標定位程序的三種產品：空中分配決定（決定可用于執行任務的飛機），JIPEL中的目標優先級，以及TACO（描述所有目標的位置）。然后，MDI2根據這三個產品和其他需要的限制，制定一個最佳解決方案或多個解決方案。MDI2的優化方案被選中，由JET驗證，并最終成為MAOP。如果沒有技術的幫助，由人類專家生成的這些日常解決方案將不會產生預期的效率。圖3顯示了MDI2與新合并目標定位程序的整合。

圖3：新目標定位過程與MDI2的整合

在快速變化的戰斗環境中，人類無法在規定的時間內吸收數以千計的變量來創造最佳解決方案。MDI2將對信息進行過濾，并為人類決策者提供簡明的解決方案，這些解決方案考慮到了所有的變量，如目標優先級、目標位置、加油機軌道、飛行路徑和威脅。弗里德曼在《感謝你遲到（Thank You for Being Late）》中指出："機器現在能夠以以前無法想象的速度和數量吸收和處理數據，它們現在可以識別模式，并像我們的生物大腦一樣學習。那些能夠分析海量數據的人將能夠發現以前不可能看到的趨勢"。人工智能允許更快速和優化的決策。優化的解決方案為平臺提供了額外的能力，以便在一次任務中覆蓋更多的角色。理論和流程可以被改進，以鼓勵目標開發的整合，但僅靠這些改進還不足以實現多功能任務。AFRL的MDI2計劃在實現完成復雜任務以贏得未來戰爭所需的指揮和控制效率方面顯示出前景。

7 結論

財政上的限制可能會使美國未來的只能夠執行單一任務的專業飛機庫存減少。此外，未來的戰場將繼續是以信息為中心但高度競爭的環境，可能不允許典型的ISR平臺生存。非傳統的ISR資產，如F-35，可能是在有爭議的戰場收集ISR的唯一選擇。利用這些財政和戰場現實作為指導性的燈塔，美國空軍必須適應和創新以繼續統治。通過這些調整，規劃者必須最充分地利用每架多功能飛機。每架飛機都是一個潛在的ISR傳感器，必須能夠近乎實時地收集和融合情報。

改進理論和倡導多功能任務只有在訓練中才會成功。幸運的是，美國空軍的 "紅旗 "演習已經成功展示了多功能概念。F-16CM是一種壓制敵方防空（SEAD）的專用飛機。在 "紅旗 "演習中，F-16CM經常進行打擊目標的訓練，并重置為SEAD CAP以支持后續的動態任務。這種訓練類似于多功能戰斗機或RPA進行動能打擊并重置為ISR CAP的任務。2018年1月，MQ-9進行了成功的概念驗證試驗，將駐扎時間分為ISR和近距空中支援（CAS）的不同時期。一些任務驗證了這一概念，并展示了在一個架次中對多種任務類型的近乎無縫的整合。此外，測試證明，MQ-9可以在ISR和打擊行動控制之間流動，有效地滿足ISR需求，同時在一個架次中打擊和消滅四個目標。在 "紅旗 "和MQ-9試驗期間的成功訓練驗證了在一次飛行中執行多項任務的概念。阻礙動能和ISR整合的唯一剩余障礙是過時的理論和文化上的無知，它將ISR視為獨立的、從屬于打擊能力的任務。

反對多任務飛機的人可能會認為，有人駕駛的戰斗機現在將不得不對次要任務進行作戰規劃，這可能會影響實現主要目標的成功概率。雖然這種說法有道理，但TACO圖形的建立通過確保在給飛機執行次要任務時考慮到所有的目標位置來減輕這種影響。額外的目標應該在入口或出口路線的附近或主要目標位置附近。飛行員們還對失去對其主要任務的熟練掌握以及飛機因增加ISR飛行時間而迅速老化表示擔憂。同樣，這些擔憂也是有道理的，然而，這個新的任務分配過程尋求的是將飛機分配到最有利的目標上的效率，而不是將多功能飛機濫用于低優先級、長停留時間的ISR任務。大多數長時間的ISR任務仍將由RPA承擔。然而，如果一個高優先級的ISR目標只能由一架有人駕駛的戰斗機來完成，那么保持讓傳統攻擊機來執行任務的能力將是有利的。這種新的任務分配過程使多用途戰斗機有能力以非侵入性的方式在一個架次上完成許多任務，而不影響未來架次的生成。

通過更有效地管理與這些低密度、高需求的資產相關的規劃和執行過程，作戰人員將能夠最好地利用這些稀缺資源。建立一個新的綜合動能和ISR目標定位程序將有許多挑戰需要克服。然而，成本是這個解決方案容易克服的一個挑戰。AOC的重組、人員培訓和整合一個已經得到資助的MDI2計劃將沒有重大成本。除了購買更少的飛機外，效率的提高應通過減少飛行架次而產生成本節約。然而，任何相關的費用都是值得的，因為它可以打造一支更具活力和不可預測的空中作戰力量。

這種新目標定位過程的挑戰涉及到了解飛機的優勢和劣勢，并認識到將某些功能結合起來本身就是不理想的，例如ISR和CAS。此外，AOC內的規劃人員需要克服分類問題以獲取相關信息。然而，隨著軍隊加速向一個明顯更復雜的CADC2概念邁進，領導人必須適應將新技術與組織改革和創新作戰概念相融合。換句話說，下一個RMA很可能是實現CADC2的解決方案。與開發協調所有五個戰爭領域的戰斗框架相比，合并動能和ISR目標定位過程是一個不那么引人注目的挑戰。如果軍方不能克服打擊和ISR整合的挑戰，CADC2成功的機會就很小。最終，解決多功能飛機的任務分配問題可以被看作是邁向CADC2的一小步。一旦這些程序到位，空間、網絡和電子戰都可以很容易地被整合到這個新的合并程序中，通過一連串的非動能手段解決目標。

毫無疑問，今天圍繞人工智能（AI）的最復雜的治理挑戰涉及國防和安全。CIGI正在促進戰略制定：人工智能對軍事防御和安全的影響項目將這一領域的主要專家與來自國防部的40多名公務員和加拿大武裝部隊的人員聚集在一起，討論人工智能對國家安全和軍事領域的力量倍增效應。

這一努力依賴于一系列的四次研討會，以產生關于數據驅動技術如何引發巨大的技術重組的前瞻性思考，這將對加拿大的國防規劃產生深遠影響。具體來說，這些研討會集中在數據治理和政策（道德、云計算、數據準備和互操作性）；決策（可信賴性、人機一體化、生物技術和問責制）；模擬工具（培訓、兵棋推演、人機合作、機器人、自主和可信的人工智能）；以及信息時代的加拿大情報（將人工智能用于情報）。CIGI還主辦了一個研究生研討會，以激勵整個加拿大在全球公共政策、計算機科學和安全等領域學習的新興學者。

報告總結

本文探討了在人工智能（AI）和機器學習背景下的軍事特定能力的發展。在加拿大國防政策的基礎上，本文概述了人工智能的軍事應用和管理下一代軍事行動所需的資源，包括多邊參與和技術治理。

維持先進軍事能力的前景現在與人工智能的武器化直接聯系在一起。作為一項通用技術，人工智能代表著一種力量的倍增器，有能力重塑戰爭規則。事實上，在核彈頭仍然是一種單一的技術應用的情況下，人工智能有能力支持許多不同類型的武器和系統。正如北大西洋公約組織（NATO）的指導意見所指出的，人工智能和其他 "智能 "技術現在對加拿大及其盟國的未來安全至關重要。

新技術在改變戰爭的性質方面有著悠久的歷史。從馬匹和盔甲的使用到航空母艦和戰斗機的引進，人工智能和機器人只是代表了軍事技術發展的最新階段。常規武器與人工智能和機器學習的融合，必將重塑決策的性質和軍事戰略轉型中的武力應用。

即使當代人工智能系統的能力被限制在機器學習算法的狹窄范圍內，這種限制可能不會持續太久。與神經科學、量子計算和生物技術相重疊的發現領域正在迅速發展，代表了 "智能機器 "進化的未知領域。在這些新的研究領域中的科學和技術發現給加拿大的國防帶來了巨大的風險，但同時也代表著巨大的機遇。

顯而易見的是，新興技術已經成為高度緊張的地緣政治競爭的基礎，它與一系列商業產業和技術平臺相重疊。中國、俄羅斯、美國和其他國家和非國家行為者正在積極追求人工智能和其他前沿技術的軍事應用。競爭的領域包括云技術、高超音速和新導彈技術、空間應用、量子和生物技術以及人類增強。

盡管技術創新一直塑造著國家間沖突的性質，但新興和顛覆性技術（EDT）的規模和速度是前所未有的。加拿大的國防政策反映了這種擔憂，它呼吁使加拿大武裝部隊（CAF）適應不斷變化的地緣政治環境。加拿大國防規劃已著手擴大和發展加拿大武裝部隊，在新的軍事平臺整合中納入下一代偵察機、遙控系統和天基設施。

基于對不斷變化的技術環境的廣泛評估，加拿大國防部（DND）認識到，這個新時代的特點是全球力量平衡的變化。這包括在快速發展的創新經濟中大國競爭性質的變化。就像石油和鋼鐵為工業時代設定條件一樣，人工智能和機器學習現在也可能為數字時代設定條件。

這種規模的破壞是由技術和制度變化的融合所驅動的，這些變化可以以新的和不可預測的方式觸發復雜的反饋回路。在這個新的環境中，人工智能技術將迫使世界各國軍隊投射力量的能力倍增。確定軍事人工智能發展中的護欄對于避免未來危機至關重要。應用減少風險的措施來識別和減輕軍事人工智能可能帶來的一系列風險將是關鍵。事實上，在這些能力完全嵌入世界上目前和未來的軍隊之前，治理人工智能可能會更容易。

從整體上看，這種轉變預示著從初級機器到數據驅動技術和精密電子的巨大轉變。這種物理、數字和生物技術的加速融合代表了一場巨大技術革命的早期階段。在全球范圍內管理這些新興和顛覆性的技術，對于減少未來沖突的風險至關重要。

1 引言

從人工智能和機器人到電池存儲、分布式賬本技術（DLT）和物聯網（IoT），新興和顛覆性技術（EDT）現在正在激起一個商業創新的新時代。這一巨大的技術變革景觀正在醞釀一場社會和經濟變革，對中央銀行的發展具有巨大影響。正如北約最近的一份報告所指出的（北約新興和顛覆性技術咨詢小組2020），這些技術包括：

→ 人工智能和機器學習。人工智能/機器學習的發展及其對創新的潛在影響。這包括神經形態計算、生成式對抗網絡，以及人工智能從已經收集或尚未收集的數據中揭示出意想不到的見解的能力。

→ 量子技術。正在進行的從量子過程研究中獲得的知識轉化為量子技術的應用，包括量子計算、量子傳感、量子密碼系統，以及在量子尺度上對材料的操縱和開發。

→ 數據安全。用于保障和損害通信、數據交易和數據存儲安全的算法和系統的設計，包括量子證明加密方法、區塊鏈和分布式賬本架構，以及更廣泛的網絡安全領域。

→ 計算功能的硬件。微型化、電力采集和能源儲存方面的進展，包括在全球范圍內提供數字化關鍵基礎設施所需的物理系統（物聯網）和機器人的廣泛使用及其對全球系統和流程的持續影響。

→ 生物和合成材料。從原子/分子層面的材料設計、合成和操作到中觀和宏觀尺度的創新，支持生物工程、化學工程、基因層面的操作、增材制造和AI介導的生成設計。

正如蒸汽機和印刷術激發了工業革命一樣，人工智能和機器人技術現在也在軍事技術的性質和全球力量平衡方面引發了巨大變革。人工智能的興起并非沒有歷史先例，但伴隨著人工智能的變化表明，需要對國防規劃進行更精確的調整，以適應一個數據驅動的時代。

在大國競爭和多極體系的背景下，人工智能已經成為競爭的一個特別焦點。中國、俄羅斯、美國和其他許多國家都在積極追求人工智能能力，并把重點放在國防和安全方面。例如，中國希望到2030年在人工智能方面領先世界，并期望通過利用大量的豐富數據，擴大其在人工智能產業化方面的領先優勢（Lucas和Feng，2017年）。

事實上，數據和數據驅動的技術現在占據了全球經濟的制高點。整個全球數據經濟的競爭已經與大國競爭密不可分（Mearsheimer 2021）。盡管美國和中國的經濟深深地相互依存，但中國在整個歐亞大陸不斷擴大的投資將很快使其成為世界貿易的中心。

技術優勢仍然是北約國家的關鍵支柱，但中國正在迅速趕超。即使美國在人工智能發現方面建立了強大的領先優勢，中國也越來越有可能在人工智能驅動的應用產業化方面占據主導地位。中國不僅有先進的商業能力，而且還有一個連貫的國家戰略。中國的技術部門正在達到專業知識、人才和資本的臨界質量，正在重新調整全球經濟的指揮高度（Lucas and Waters 2018）（見圖1）。

中國產業部署的大部分技術創新都是 "漸進式 "的，而不是 "顛覆式 "的，但現在這種情況正在改變。將新興市場聚集在其軌道上，中國前所未有的經濟擴張現在對世界經濟產生了引力（The Economist 2018）。標志性項目，價值數萬億美元的 "一帶一路 "倡議（世界銀行2018年）為圍繞電動汽車、電信、機器人、半導體、鐵路基礎設施、海洋工程以及最終的人工智能的廣泛戰略轉變提供了一個全球平臺（McBride和Chatzky 2019年）。

毫不奇怪，中國已經是國際專利申請的世界領導者（世界知識產權組織2020）。隨著自主機器（Etzioni和Etzioni 2017）、可再生能源基礎設施、量子通信（?iljak 2020）、增強型腦機接口（Putze等人2020）和天基武器（Etherington 2020）的出現，重新思考加拿大國家安全，特別是加拿大國防的性質的壓力正在增加。鑒于技術創新的步伐不斷加快，以及亞洲作為世界貿易中心的崛起（Huiyao 2019），來自國外的技術的影響可能是巨大的。

圖1：按購買力平價計算的國內生產總值預測（以萬億美元計）

2 AI與軍事防御

2.1 AI定義

人工智能的概念已被廣泛討論，但該術語的精確定義仍然是一個移動的目標。與其說人工智能是一項具體的技術或特定的創新，不如說它是一個材料的集合。事實上，即使人工智能技術已經成為廣泛的主流商業應用的基礎，包括網絡搜索、醫療診斷、算法交易、工廠自動化、共享汽車和自動駕駛汽車，人工智能仍然是一個理想的目標。

盡管人工智能領域的研究始于20世紀40年代，但隨著機器學習和計算機處理能力的改進，過去十年對人工智能興趣的爆炸性增長已經加速。人工智能的持續進步被比喻為在人腦中發現的多尺度學習和推理能力。當與大數據和云計算相結合時，預計人工智能將通過將 "智能 "人工智能和機器學習系統與第五代（5G）電信網絡（即物聯網）上的大量聯網設備連接起來，使數字技術 "認知化"。

作為人工智能的一個子集，機器學習代表了人工智能的最突出的應用（見圖2）。機器學習使用統計技術，使機器能夠在沒有明確指令的情況下 "學習"，推動許多應用和服務，改善一系列分析和物理任務的自動化。通過使用數據自動提高性能，這個過程被稱為 "訓練 "一個 "模型"。使用一種算法來提高特定任務的性能，機器學習系統分析大量的訓練數據集，以便做人類自然而然的事情：通過實例學習。

今天，機器學習的最常見應用是深度學習。作為更廣泛的機器學習家族的一部分，深度學習利用人工神經網絡層來復制人類智能。深度學習架構，如深度神經網絡、遞歸神經網絡和卷積神經網絡，支持一系列廣泛的研究領域，包括計算機視覺、語音識別、機器翻譯、自然語言處理和藥物設計。

圖2：人工智能的層級

2.2 加拿大國防部：將人工智能應用于國家安全

安全人工智能位于新興和顛覆性技術（EDT）星座的中心，包括機器人學、基因組學、電池存儲、區塊鏈、3D打印、量子計算和5G電信。在研究層面，美國仍然是人工智能的全球領導者。目前，國家科學基金會每年在人工智能研究方面的投資超過1億美元（國家科學基金會2018年）。國防高級研究計劃局（DARPA）最近宣布投資20億美元用于一項名為AI Next的計劃，其目標是推進上下文和適應性推理（DARPA 2018）。

與過去的原子武器或隱形飛機的技術發展不同，沒有國家會壟斷軍事人工智能。研究人員和領先的商業企業之間廣泛的全球合作意味著人工智能和機器學習的進步可能會在全球范圍內擴散。事實上，人工智能發展的大多數技術進步是由工業界而不是政府推動的。除了市場主導的技術公司，世界各地廣泛的網絡集群正在孵化新一代的商業創新（Li and Pauwels 2018）。因此，許多未來的軍事應用將可能是為商業產業開發的技術的改編。

幸運的是，加拿大一直是人工智能研究前沿的領導者，并繼續通過2017年推出的泛加拿大人工智能戰略下的幾個項目培育一個強大的人工智能生態系統。加拿大政府積極參與人工智能咨詢委員會和各種國際伙伴關系，包括2020年啟動的全球人工智能伙伴關系；人工智能國防伙伴關系，其第二次對話在2021年舉行；以及重疊人工智能驅動的安全和規劃的多邊協議（五眼，北約）。事實上，加拿大的國防政策，"強大、安全、參與"（SSE），反映了加拿大政府對增加年度國防開支的承諾，重點是技術。

目前的聯邦預算包括對人工智能發展的實質性承諾，承諾在10年內投入4.438億美元（Silcoff 2021）。在政府2021年的預算中，1.85億美元將支持人工智能研究的商業化；1.622億美元將用于在全國范圍內招聘頂尖的學術人才；4800萬美元將用于加拿大高級研究所；五年內4000萬美元將旨在加強埃德蒙頓、多倫多和蒙特利爾的國家人工智能研究所的研究人員的計算能力；五年內860萬美元將幫助推進人工智能相關標準的發展和采用（加拿大政府2021年，148）。

2.3 增強加拿大的情報能力

人工智能是一個影響廣泛的商業和軍事技術的模糊領域。像電力或化石燃料一樣，人工智能的廣泛應用意味著人工智能和其他通用技術有能力重新配置現代軍隊的步伐和組織（Bresnahan和Trajtenberg 1995）。從整體上看，人工智能代表了國家安全性質的結構性轉變。出于這個原因，SSE設想了一個未來的軍事態勢，更加注重開發、獲取和整合先進的變革性技術，包括網絡和自主系統。

即使加拿大在傳統聯盟（北美防空司令部、北約和五眼聯盟）中的持續作用仍然是國家安全的基礎，EDT正在從根本上改變沖突的性質。正如格雷格-菲夫（2021年）所觀察到的，人工智能作為戰爭工具的崛起與升級加拿大國家安全架構，特別是加拿大情報部門的日益增長的需求相重疊。技術變革和信息爆炸的復合周期，新的技能組合和新的數據分析戰略對國防規劃的演變變得至關重要。

在數字時代，戰爭正日益成為基于知識的戰爭。隨著沖突進入信息領域，軍事規劃開始重新聚焦于信息/虛假信息行動、網絡行動、情報行動和政治或經濟影響行動。事實上，這種混合戰爭作為一種戰爭工具由來已久，其目的是利用宣傳、破壞、欺騙和其他非動能軍事行動，從內部破壞對手（Bilal 2021）。

網絡仍然是潛在對手、國家代理人、犯罪組織和非國家行為者的一個關鍵目標。這包括對通信、情報和敏感信息的嵌入式監視和偵察。正如Amy Zegart（2021年）所解釋的那樣，技術正在通過極大地擴展數據和信息的獲取，使情報的性質民主化。事實上，今天驅動戰略情報的大部分信息實際上是開放源碼情報（OSINT）或在公共領域。

現代軍隊正變得嚴重依賴安全、及時和準確的數據。隨著數據的急劇膨脹，消化它變得不可能。這種數據爆炸正在推動對新的分析模式和新型網絡工具的需求。在數字時代，安全和情報人員需要新的平臺、新的工具和跨領域工作的新OSINT機構。在這方面，人工智能可能特別有幫助。

隨著數據的重要性增加，在廣闊的數字領域的對抗性競爭也在增加。人工智能和機器學習可以通過篩選巨大的數據庫來極大地提高加拿大的國家情報能力。人工智能不是銀彈。人工智能系統不能產生意義或提供因果分析。然而，人工智能和機器學習可以極大地增強人類在管理數據和數據驅動的分析方面的情報能力。

2.4 增強加拿大軍力

隨著決策者為數據驅動的世界調整其安全態勢，人工智能有望改變軍事沖突的既定模式。DND/CAF面臨的關鍵挑戰之一是數據驅動的網絡重塑指揮和控制系統的速度（Thatcher 2020）。集中式系統的優勢在于其協調人類活動的效率。在指揮系統中，人員和傳感器推動威脅檢測，將信息向決策堆棧上移，以便決策者可以做出適當的反應。數字技術深刻地加速了這個過程。

人工智能在軍事領域的應用可能被證明對傳統的指揮和控制系統具有挑戰性。例如，在美國，五角大樓的第一位首席軟件官最近辭職，以抗議技術轉型的緩慢步伐。在離開國防部職位后的一次采訪中，尼古拉-沙伊蘭告訴《金融時報》，美國未能對技術變革和其他威脅作出反應，使國家的未來面臨風險（Manson 2021）。

除了變化的速度緩慢，軍事指揮和控制系統的集中性意味著單點故障提供了脆弱的攻擊點。指揮機關和自動或人類控制者往往容易受到利用不良或欺騙性信息的對抗性技術的影響，甚至自上而下的決策在適應復雜的突發挑戰方面也會很緩慢。

神經形態計算、生成式對抗網絡（GANs）、人工智能決策支持、數據分析和情報分析方面的新創新在增強軍事行動的結構和進程方面可能會產生巨大影響。機器學習算法的快速發展已經在商業和軍事領域引發了一波投資熱潮。

超越對損耗和動能攻擊的傳統關注，轉向基于加速和適應的新方法，數據驅動的技術可能是促成國家安全性質徹底轉變的關鍵。人工智能不是一種單一的技術。相反，它是一類可以在一系列軍事和商業應用中整合的技術。這些技術不斷演變的基礎是數據。

數字技術現在由數據推動，并將繼續推動創造越來越多的數據驅動的技術--特別是人工智能。數據是訓練人工智能和先進機器學習算法的基礎。數據既是大規模運行的數字系統產生的 "操作廢氣"，也是機器對數據輸入作出反應的過程，它現在推動了機器的 "自主性"。

數據驅動的技術支撐著現代社會的核心社會和經濟功能，涵蓋了基礎設施、能源、醫療保健、金融、貿易、運輸和國防。隨著5G網絡的全球推廣，預計在高度健全的全球信息網絡中創建、收集、處理和存儲的數據將出現爆炸性增長。根據市場研究公司IDC的數據，目前全球數據正以每年61%的速度增長（Patrizio 2018）。預計到2025年，數據將達到175 zettabytes（一萬億吉字節），改變數字經濟的性質和規模（同上）。

出于這個原因，DND/CAF將數據提升到國家資產的水平是明智的。這對經濟增長和加拿大國防都至關重要。將數據作為國家資產加以保護和利用，將意味著重新思考目前構成當代數據架構的大型集中式數字基礎設施。可以肯定的是，網絡時代的數據安全應該是分散的和聯合的，以避免集中式系統的脆弱性。

3 武器化AI：致命的自治系統

關于技術破壞的傳統預測往往會犯一個錯誤，即假設這種規模的系統變化只是以一對一的方式取代舊技術。在現實中，這種規模的顛覆往往會不成比例地取代舊的系統，使其具有巨大的新的架構、界限和能力（Arbib和Seba 2020）。

正在進行的人工智能武器化正在助長一場全球軍備競賽，有望重塑加拿大國防戰略的輪廓。事實上，世界上許多國家在人員系統自動化、設備維護、監視系統以及無人機和機器人的部署方面已經遠遠領先（斯坦利和平與安全中心、聯合國裁軍事務廳和史汀生中心2019）。從美國到俄羅斯到以色列再到中國，軍事研究人員正在將人工智能嵌入網絡安全舉措和支持遠程手術、戰斗模擬和數據處理的機器人系統。

以先進的物流、半自動車隊、智能供應鏈管理和預測性維護系統的形式將人工智能應用于軍事行動代表了人工智能的近期應用（Perry 2021）。然而，能夠在陸地、海洋、空中、太空和網絡領域針對個人（無論是否需要人類干預）的自主武器的演變代表了軍事沖突的可能未來（見圖3）。事實上，近100個國家的軍隊目前擁有某種程度的武裝或非武裝無人機能力（Gettinger 2019）。

圖3:全球無人機激增

商業無人機技術在采礦、農業和能源領域的縱橫捭闔，正在助長無人機技術的廣泛擴散。正如最近亞美尼亞和阿塞拜疆之間的沖突所表明的那樣，一群相對便宜的自主和半自主無人機可以被利用來壓倒傳統的軍事系統，使一系列當代平臺變得過時（Shaikh和Rumbaugh 2020）。輕型、可重復使用的武裝無人機，如土耳其的Songar（Uyan?k 2021）可以配備一系列有效載荷，包括迫擊炮、手榴彈和輕機槍。最近對沙特阿拉伯的Abqaiq石油加工設施（Rapier 2019）和俄羅斯的Khmeimim空軍基地（Hambling 2018）的攻擊反映了軍事無人機在不同戰場環境中的應用越來越多。

致命自主武器系統（LAWS）被定義為可以在沒有人類授權的情況下選擇和攻擊目標的武器，它被設計為在獨立識別目標之前在指定的行動區域內長期徘徊。多個無人機或機器人可以并行運作，以克服對手的防御或摧毀一個特定目標。開發人員傾向于將致命性武器系統分為三大類，即觀察、定位、決定和行動（OODA）循環（見圖4）。這些類別包括。"循環中的人"、"循環中的人 "和 "循環外的人"。這種區分也被框定為 "半自主"、"受監督的自主 "和 "完全自主 "的技術系統。不幸的是，受監督的致命性自主武器系統和完全自主的致命性自主武器系統之間的區別，可能只是一個軟件補丁或一個監管程序。

圖4：OODA環

隨著致命性自主武器系統和其他數據驅動的技術變得更便宜和更廣泛，它們可能會給廣泛的國家和非國家行為者提供平臺和工具，以新的和破壞性的方式利用人工智能和機器學習。除了收緊OODA循環外，軍事人員將需要了解人工智能在加速OODA循環方面的影響，以確定在特定情況下哪種模式最合適。

3.1 網絡平臺

鑒于EDT的范圍和規模，認為我們可以簡單地保持從上個世紀繼承的系統和做法是錯誤的。正如英國查塔姆研究所2018年的一份報告所警告的那樣，美國、英國和其他核武器系統正變得越來越容易受到網絡攻擊（Unal and Lewis 2018）。這些擔憂是有根據的。人工智能和EDT的擴散一起，幾乎肯定會通過利用人工智能和自主系統的規模效應，為小國和非國家行為者帶來好處。

對于許多北約國家來說，網絡平臺已經成為多領域行動的關鍵--海、空、陸、網絡和空間。大規模的網絡使得在復雜環境中可視化和協調大量資源成為可能。在5G電信和云計算的基礎上，信息系統現在可以有效地收集、傳輸和處理大量的戰場數據，提供實時數據分析。

連接設備正在成為協調空襲、駕駛無人機、消化戰斗空間的實時視頻和管理高度復雜的供應鏈的關鍵。在英國，國防數據框架提供了一個結構，以解決軍事組織與數據驅動的企業需求相一致的挑戰（Ministry of Defence 2021）。從戰略到通信到后勤到情報，數字平臺現在是協調復雜軍事行動的基礎。數據現在是所有作戰領域的命脈。

在一個數字化的戰斗空間中，每個士兵、平臺和資源現在都是一個復雜軍事網絡中的節點。從20世紀90年代以網絡為中心的美國軍事行動開始，數字技術已經成為先進武器、戰術和戰略的基礎。從戰場態勢感知和自主無人機到精確制導彈藥和機器驅動的心理行動，網絡正在使戰爭進入網絡時代。

在集中式機構對工業時代至關重要的地方，平臺和網絡正在成為數字時代的關鍵。人工智能本質上是一種 "自下而上 "的技術，依靠不斷 "喂養 "大量的數據來支持機器學習作為 "學習引擎"。隨著數字生態系統的激增，網絡平臺和它們所依賴的數據管理系統成為管理不斷擴大的資源和人員的關鍵。

與金融部門一樣，DND應該尋求區塊鏈等DLT，以加速加拿大軍隊的數字化轉型。通過在分散的網絡中橫向分配數據，CAF區塊鏈可以幫助減少官僚化系統固有的限制和脆弱性。DLT提供了一個高度分散的驗證系統，可以確保所有的通信和數據傳輸免受對手的攻擊，同時消除集中式節點的潛在故障。

3.2 無人機群和機器人技術

人工智能在軍事規劃中的應用正在迅速推進，許多國家在部署無人機和機器人方面已經取得了很大進展。事實上，無人機技術的全球擴散正在順利進行中。

世界各地的軍隊正在加速開發或采購攻擊型無人機（見圖5）。俄羅斯的 "閃電"（BulgarianMilitary.com 2021）、西班牙的Rapaz8以及英國、9美國10和以色列11的各種無人機項目共同代表了軍事技術新時代的早期階段。與工業時代的軍事技術不同，無人機可以以低成本獲得，并需要相對較少的技術技能。

無人機群技術涉及微型/迷你無人機/無人駕駛飛行器或無人機群，利用基于共享信息的自主決策。事實上，當代軍用無人機已經可以被設計成在沒有人參與的情況下定位、識別和攻擊目標。利用蜂群技術，數以百計的非武裝無人機可以從現場收集信息，同時用各種武器（即火器、火炮和/或彈藥）引導數以千計的無人機。

正如簡短的視頻 "Slaugherbots "所展示的那樣，完全自主的武器將使瞄準和殺死獨特的個人變得非常容易和便宜。在面部識別和決策算法的基礎上，國家和非國家行為者都可以廣泛使用致命性武器。數以千計的相對便宜的無人機配備了爆炸性的彈頭，有可能壓倒防空系統，攻擊基礎設施、城市、軍事基地等等。

圖5：無人機對比

3.3 馬賽克戰爭

無人機群壓倒加拿大軍事設施的威脅，以及對關鍵基礎設施的網絡攻擊或在衛星傳感器檢測到威脅時自動發射的高超音速導彈，代表了一個令人不安但越來越可能的未來。從復雜性科學和對昆蟲的研究中產生的，使用無人機來支持 "集群情報 "代表了一個加速戰爭節奏的新工具集。

為了應對這種不斷變化的環境，DARPA提出了 "馬賽克戰爭"的概念。馬賽克戰爭的中心思想是，模塊化系統可以成為應對高度網絡化環境的廉價、靈活和高度可擴展的工具。就像馬賽克中的瓷片一樣，單個作戰平臺可以被設計成高度可配置的。編隊利用分散的代理在 "殺戮網 "上進行重新配置。殺戮網的目標是避免 "單體系統 "的結構僵化。

與傳統戰爭中需要的復雜棋局不同，馬賽克戰爭利用數字網絡，利用模塊的靈活性和增強的決策（時間壓縮）加快動態響應時間。像自然界中的復雜系統一樣，殺傷性網絡使用算法來消除單點故障，通過模塊化設計加速反應時間。

從主導地位（預測）轉向加速反應（適應），"馬賽克戰爭 "旨在支持混合軍事單位，利用 "決策棧 "上下的橫向網絡。人工智能、無人機、傳感器、數據和人員結合在一起，為地面上的作戰指揮官提供支持，使小型編隊能以更快的速度獲得情報、資源和后勤資產。

像 "馬賽克戰爭 "這樣的模塊化系統表明，未來的戰爭將越來越多地利用現在驅動戰爭游戲和模擬的計算、數據分析和算法。推動高度流動、游戲化和不可預測的環境，未來的人工智能系統可以將戰爭加速到一個隨著結果范圍的擴大而變得極其密集的計算速度和節奏。

DARPA最近的AlphaDogfight（2019-2020年）為這一新現實提供了一個窗口。使用復雜的F-16飛行模擬器讓計算機與有經驗的人類飛行員對決，試驗的目的是為DARPA的空戰進化計劃推進人工智能開發者。毫不奇怪，F-16人工智能代理通過積極和精確的機動性擊敗了人類飛行員，而人類飛行員根本無法與之相提并論，五局為零。

4 對抗性攻擊

人工智能的武器化也在激起對抗人工智能系統的新戰略和方法。正如網絡行動（無論是間諜活動還是攻擊）可以指示計算機網絡或機器以它們不打算的方式運行，對手也可以對人工智能系統使用同樣的策略。這個過程被稱為對抗性機器學習，旨在找出機器學習模型的弱點并加以利用。攻擊可能發生在開發或部署階段，包括通過提供欺騙性輸入（例如，"毒化"數據）或針對模型本身來誤導模型。

這些方法在國家安全環境中特別危險，因為在許多情況下，它們是微妙的，人類無法察覺。此外，具有挑戰性的是，對手不一定需要對目標模型的具體知識或直接訪問其訓練數據來影響它。隨著人工智能系統變得更加普遍，更多的人可以接觸到，對手的吸引力和攻擊機會將增加。

4.1 攻擊數據

攻擊者可能試圖修改訓練數據或測試數據。這是通過創造對抗性樣本來實現的，這些樣本被故意 "擾亂 "或改變并提供給模型，從而導致錯誤。例如，通過改變洗衣機圖像的分辨率，研究人員能夠欺騙一個模型，將機器分類為 "安全 "或 "擴音器"（Kurakin, Goodfellow and Bengio 2017）。對人的眼睛來說，對抗性圖像看起來幾乎是一樣的。

在國家安全方面，對手可能會試圖使用同樣的技術來暗示武器系統實際上是一個社區中心。如果這是在孤立的情況下發生的，那么這個問題很可能被識別和解決。如果對手的樣本被長期大規模使用，這可能成為一個重大的挑戰，并影響對情報收集系統的信任。

此外，一些對手可能并不精確--或有技能--并可能試圖迫使一個模型對整個類別而不是特定類別進行錯誤分類。由于我們在國家安全環境中越來越依賴計算機圖像，并不總是能夠實時或在有爭議的空間進行驗證，因此在這種攻擊中出現誤判的風險是很大的。

高后果的人工智能系統并不是對抗性攻擊的唯一目標。受對抗性樣本影響的人工智能系統可以包括生物識別，其中假的生物特征可以被利用來冒充合法用戶，語音識別中攻擊者添加低量級的噪音來混淆系統（Zelasko等人，2021）和計算機安全（包括在網絡數據包中混淆惡意軟件代碼）。

由于DND/CAF尋求通過部署人工智能系統來提高效率--如軍艦上的語音助手（McLeod 2019）--必須在部署前評估對抗性使用的風險并制定對策。

4.2 攻擊模型

除了改變輸入，另一種攻擊方法可用于逆向工程模型以獲取訓練數據（Heaven 2021）。由于機器學習模型對訓練數據的表現比新的輸入更好，對手可以識別目標模型預測的差異，并與包括個人身份信息在內的已知數據相匹配（Shokri等人，2017）。隨著機器學習即服務變得越來越多--而且在許多情況下，被用作開發更復雜的能力的基礎--DND將需要仔細審查國家安全系統的數據泄漏風險。這甚至適用于看似無害的系統，如語音助手。

人工智能系統的弱點的例子很多（Hadfield-Menell等人，2017）。這些例子包括吸塵器將收集到的灰塵彈回它剛打掃過的地方，以便它能收集更多的灰塵，或者數字游戲中的賽艇在原地循環以收集分數，而不是追求贏得比賽的主要目的。雖然這些例子沒有生命危險，但同樣的技術--被稱為獎勵黑客（當一個模型被指示使其目標函數最大化，但卻以非故意的方式進行）--可以被用于更嚴重的效果。

從旨在用固定的訓練數據解決 "單步決策問題 "的機器學習過渡到解決 "順序決策問題 "和更廣泛的數據集的深度機器學習，將使對抗性攻擊更難發現。這種威脅是如此之大，以至于美國情報高級研究項目活動正在資助一個項目，以檢測木馬人工智能對已完成系統的攻擊。令人擔憂的是，政府可能會在不知情的情況下操作一個產生 "正確 "行為的人工智能系統，直到出現 "觸發 "的情況。例如，在部署過程中，對手可能會攻擊一個系統，并在更晚的時候才導致災難性的故障發生。這些類型的攻擊可能會影響到圖像、文本、音頻和游戲的人工智能系統。

4.3 防御和反制措施

正如對抗性樣本可以用來愚弄人工智能系統一樣，它們可以被納入訓練過程中，以使它們對攻擊更加強大。通過對最重要的國家安全人工智能系統進行清潔和對抗性數據的訓練--要么給它們貼上這樣的標簽，要么指示一個模型將它們分離出來--更大的防御是可能的。但是，復雜的對手很可能會自行躲避這種防御方法，而使用額外的戰術進行深度防御將是必要的。

GANs有各種各樣的用例，從創建深度假說到癌癥預后（Kim, Oh and Ahn 2018）。它們也可用于防御對抗性攻擊（Short, Le Pay and Ghandi 2019），使用一個生成器來創建對抗性樣本，并使用一個判別器來確定它是真的還是假的。一個額外的好處是，使用GANs作為防御，實際上也可能通過規范數據和防止 "過度擬合 "來提高原始模型的性能（IBM云教育2021）。

對抗性攻擊和防御模型進行基準測試--如使用GANs--是一種全面的對策，可以對AI系統進行比較。這種方法為制定和滿足安全標準提供了一個量化的衡量標準，并允許評估人工智能系統的能力和限制。

作為這個測試和評估過程的一部分，博弈論可能有助于建立對手的行為模型，以確定可能的防御策略。由于人工智能系統無法在傳統的信息安全意義上進行 "修補"，因此在部署前應仔細分析針對國家安全人工智能系統的對抗性攻擊的風險，并定期進行審查。此外，訓練有素的模型--特別是那些關于機密數據和最敏感應用的模型--應該得到仔細保護。

5 關于人工智能的全球治理

數據驅動的戰爭的速度和范圍表明，我們正在進入一個新的時代，其中致命性武器系統的潛力--無論是否有人類參與--都可能極大地改變全球力量平衡。從殺手級無人機和人機合作到增強的軍事決策（殺手2020），人工智能技術將使世界各國軍隊投射力量的能力大大增加。正在進行的人工智能武器化也與空間武器化相重疊（《經濟學人》2019年），因為低地球軌道（LEO）日益成為軍事監視、遙感、通信、數據處理（Turner 2021）和彈道武器（Sevastopulo和Hille 2021）的操作環境。

人工智能與低地軌道和致命性自主武器系統的興起，代表了全球安全性質的一個關鍵轉折點。為此，世界各地的學術研究人員、技術企業家和公民都對人工智能的軍事化所帶來的危險表示擔憂。正如他們正確地指出的那樣，在規范負責任地開發和使用人工智能的規范和法律方面缺乏國際共識，有可能造成未來的危機。

5.1 戰爭法則

除了我們在科幻小說中經常看到的對人工智能的夸張描述，重要的是建立適當的制衡機制，以限制人工智能技術可能提供的權力集中。關于管理人工智能和其他數字技術的共同國際規則和條例將塑造未來幾十年的戰爭和沖突的輪廓。在軍事人工智能的發展中制定護欄，對于減少未來沖突的可能性至關重要。

加拿大和其他北約國家積極參與這一討論可能是未來全球和平與安全的關鍵。在發動戰爭的條件（jus ad bellum）和戰爭中的人工智能行為（jus in bello）方面，規范人工智能使用的戰爭法仍有待確定。鑒于美國和中國之間不斷擴大的競爭，需要制定關于致命性自主武器系統的使用及其擴散的條約是再及時不過了。

正如北約所觀察到的，加拿大及其盟國應尋求促進、參與和建立合作機會，以支持開發和應用人工智能和其他EDT的廣泛、全面的架構（北約新興和顛覆性技術咨詢小組2020）。盡管面臨著艱巨的挑戰，全球治理在規范軍事人工智能方面可以發揮重要作用。盡管對人工智能及其武器化有不同的看法，但過去的談判可以作為未來條約的基礎，特別是在定義戰爭規則方面。這包括關于常規武器、核軍備控制、生物和化學武器、地雷、外層空間和平民保護的條約（見圖6）。

到目前為止，《聯合國特定常規武器公約》（CCW）已經監督了一個討論應對自主武器帶來的人道主義和國際安全挑戰的進程。已經提出了一系列監管致命性自主武器系統的潛在方案，包括《特定常規武器公約》下的一項國際條約，一個不具約束力的行為準則，宣布各國承諾負責任地開發和使用致命性自主武器系統。在聯合國之外，2013年發起了 "停止殺手機器人 "運動，目標是完全禁止致命性自主武器系統。

聯合國秘書長安東尼奧-古特雷斯強調了人工智能和其他數字技術的風險和機遇（聯合國2020），并呼吁禁止致命性自主武器系統（古特雷斯2021）。不幸的是，聯合國成員國，特別是聯合國安理會的觀點存在分歧，一些國家認為監管是民族國家的專屬權限，而另一些國家則側重于更多部門的做法。除了人工智能的武器化，在圍繞人權、算法偏見、監控（公共和私人）以及國家支持的或國家支持的網絡攻擊等問題上也存在廣泛的分歧。

對于世界上的主要軍事大國來說，缺乏互信仍然是追求人工智能集體軍備控制協議的一個重大障礙。即使相當多的國家支持提供新的具有法律約束力的條約，禁止開發和使用致命性自主武器，但世界上大多數主要軍事大國都認為人工智能的武器化具有重大價值。鑒于這些分歧，致命性自主武器系統的多邊管理將需要建立信任措施，作為打開政治僵局的軍控進程的手段。

走向平凡的監管 也許制定管理人工智能的政策和監管制度的最具挑戰性的方面是難以準確地確定這些制度應該監管什么。與生物和化學武器不同，人工智能大多是軟件。事實上，人工智能是一個移動的目標：40年前被定義為人工智能的東西，今天只是傳統的軟件。

人工智能是一個模糊的技術領域，影響著廣泛的商業和軍事應用。例如，機器學習算法是搜索引擎（算法排名）、軍用無人機（機器人技術和決策）和網絡安全軟件（算法優化）的成分。但它們也支撐著平凡的行業，甚至兒童玩具（語義分析、視覺分析和機器人技術）、金融軟件和社交媒體網絡（趨勢分析和預測分析）。

與屬于這些平凡的監管領域的產品和流程一樣，人工智能技術不是被設計成最終實體，而是被設計成在廣泛的產品、服務和系統中使用的成分或組件。例如，一個 "殺手機器人 "不是一種特定技術的結果。相反，它是人工智能 "成分 "重新組合的結果，其中許多成分也被用來檢測癌癥或增加駕駛者的安全。

雖然人們傾向于使用一個專門的不擴散鏡頭來監管人工智能，但雙重用途的挑戰仍然存在。與核擴散或轉基因病原體不同，人工智能不是一種特定的技術。相反，它更類似于一個材料或軟件成分的集合。與大多數二元的核不擴散鏡頭相比，可以在食品監管中找到更相關（盡管不那么令人興奮）的監管模式的靈感，特別是食品安全和材料標準（Araya和Nieto-Gómez 2020）。

5.2 治理人工智能

鑒于對人工智能進行全面監管存在重大的概念和政治障礙，治理仍然是一項艱巨的挑戰。一方面，如果我們把人工智能理解為一系列復制人類活動的技術實踐，那么就根本沒有一個單一的領域可以監管。相反，人工智能的治理幾乎重疊了每一種使用計算來執行任務的產品或服務。另一方面，如果我們將人工智能理解為大幅改變人民和國家之間權力平衡的基礎，那么我們就會面臨重大挑戰。

幸運的是，這并不是民族國家第一次面臨影響全球安全的新技術。在第二次世界大戰之后，世界上最強大的國家--美國、英國、蘇聯、中國、法國、德國和日本--對核武器、化學制劑和生物戰的全球治理進行監督。當時和現在一樣，世界必須采取集體行動來治理人工智能。

與冷戰時期一樣，包括定期對話、科學合作和分享學術成果在內的建立信任措施可以幫助減少地緣政治的緊張。為管理軍事人工智能帶來的風險制定一個共同的詞匯，可以為隨著時間的推移制定更有力的人工智能多邊條約提供基礎。

在這方面，經濟合作與發展組織（OECD）已經公布了其關于人工智能的建議，作為一套政府間標準，于2020年2月啟動了人工智能政策觀察站。加拿大和法國政府還與經合組織一起領導了一個全球人工智能伙伴關系（GPAI），旨在成為一個人工智能政策的國際論壇。GPAI的成員專注于以 "人權、包容、多樣性、創新和經濟增長原則 "為基礎的負責任的人工智能發展。

除了GPAI，一些歐洲國家已經呼吁歐盟成員開始一個關于負責任地使用新技術的戰略進程--特別是人工智能。美國已經邀請盟國討論人工智能的道德使用問題（JAIC公共事務2020）。北約已經啟動了一個進程，鼓勵成員國就一系列道德原則和具有軍事用途的電子技術關鍵領域的國際軍備控制議程達成一致（Christie 2020；NATO 2020）。認識到EDT對全球安全的深遠影響，北約于2019年12月推出了EDT路線圖（北約科技組織2020）。

從整體上看，二十一世紀需要進行正式監管。從長遠來看，這很可能包括尋求與禁止生物武器、化學武器和殺傷人員地雷一樣的人工智能條約。然而，鑒于人工智能的創新速度和世界超級大國之間日益擴大的分歧，就人工智能的全球治理進行談判的機會之窗可能正在關閉。

圖6:人工智能的全球治理

6 結論：走向國家創新體系

即使在工業時代即將結束的時候，技術創新也在加速進行（Araya 2020）。自從大約80年前誕生以來，人工智能已經從一個神秘的學術領域發展成為社會和經濟轉型的強大驅動力。人工智能在戰爭中的整合被一些軍事分析家描述為一個不斷發展的 "戰場奇點"（Kania 2017）。在 "技術奇點"（Schulze-Makuch 2020）的概念基礎上，人們越來越多地猜測，人工智能和機器人將超越人類的能力，有效地應對算法驅動的戰爭。

人工智能和其他EDT的演變正在將先進的數據、算法和計算能力匯集起來，以 "認知 "軍事技術。在這種新環境下，現代軍隊正變得嚴重依賴提供安全、及時和準確數據的網絡。數據已經成為數字系統的 "作戰用氣 "和驅動 "智能機器 "的原料。隨著數據重要性的增加，在廣闊的數字領域的對抗性競爭也在增加。事實上，數據的真正價值在于其推動創新的數量和質量。

正如北約關于EDT的年度報告（北約新興和顛覆性技術咨詢小組2020）明確指出，要想跟上技術變革的步伐，就必須在技術的開發、實驗和應用方面保持靈活性和快速迭代。整個CAF的創新能力必須是一個更廣泛的創新生態系統的一部分，該系統有效地整合了公共和私人生態系統的研究和實施。這包括與加拿大工業界合作利用雙重用途的GPT的明確目標，以便利用已經存在的技術。

這種多領域的合作在歷史上被定義為國家創新體系（NSI）（OECD 1997）。事實上，NSI政策和規劃可以采取多種形式，從松散的協調到高度整合的伙伴關系。在美國（Atkinson 2020）、中國（Song 2013）和歐洲（Wirkierman, Ciarli and Savona 2018）應用的各種NSI規劃模式表明，在最大化政府-產業-研究伙伴關系方面可以找到大量的經濟和社會回報。政府應通過稅收優惠、采購和研究資金以及戰略規劃，努力建設加拿大的技術能力。但它不能單獨行動。

國家創新必然取決于機構參與者在一個共享的生態系統中進行合作。出于這個原因，一個協調的加拿大國家統計局將需要在推動長期創新的過程中，人們和機構之間的技術和信息的相互流動。鑒于EDT的許多創新是由工業界主導的，推進公私伙伴關系對加拿大軍隊的發展至關重要。對于國防部/加拿大空軍來說，要推進適合數字時代的軍隊，政府、工業界和學術界將需要以更綜合的方式進行合作。

建立一個強大的加拿大創新生態系統將意味著更廣泛的公私合作和持續的知識和資源的再培訓、培訓和孵化。盡管開發尖端人工智能需要人力資本投資，但大多數人工智能應用現在可以通過開源許可獲得，即使核心學習算法可以在公共平臺和整個學術生態系統中獲得。這種 "開放一切 "環境的影響是對封閉的等級制度和深思熟慮的官方機構的實質性挑戰。

政府程序和規劃將需要適應加速的創新生命周期，以配合EDT積極的淘汰周期。除了與網絡技術相關的巨大的不對稱安全風險外，向數據驅動型軍隊的轉變將需要大量關注數據安全和數據治理。與進行傳統的國家間沖突所需的大量成本和規劃不同，網絡攻擊的破壞性影響可以由僅有一臺個人電腦的小團體對關鍵基礎設施發動。鑒于未來不斷增加的挑戰，大型官僚機構（公司、政府、學術和軍事）的設計變化是不可避免的。

除了對新的和不同的知識、資源和專長的需求，加拿大政府和加拿大軍方將需要平衡硬實力和不斷變化的地緣政治格局的需求。在美國占主導地位的時代之外，二十一世紀正被一個以技術民族主義和后布雷頓森林體系為特征的多極體系所塑造。面對一個快速發展的數字時代，國際合作將是確保和平與安全的關鍵。信息共享、專家會議和多邊對話可以幫助世界各民族國家及其軍隊更好地了解彼此的能力和意圖。作為一個全球中等國家，加拿大可以成為推動這一努力的主要伙伴。

國際治理創新中心（CIGI）

國際治理創新中心（CIGI）是一個獨立的、無黨派的智囊團，其經同行評議的研究和可信的分析影響著政策制定者的創新。其全球多學科研究人員網絡和戰略伙伴關系為數字時代提供政策解決方案，目標只有一個：改善各地人民的生活。CIGI總部設在加拿大滑鐵盧，得到了加拿大政府、安大略省政府和創始人吉姆-巴爾西利的支持。

摘要

拒絕和欺騙（D&D）技術利用錯誤信息和對手的認知偏差，長期以來一直是混合作戰的一部分。這種戰術給傳統上由人類分析員制作的情報、監視和偵察（ISR）產品帶來了不確定性和懷疑。在一個由人工智能（AI）擴散主導的未來戰斗空間中，算法生成的ISR產品數量可能會增加。因此，D&D戰術將越來越多地被顛覆人類而非機器推理的需要所驅動。對抗性機器學習（AML）的發展，即對欺騙性人工智能的研究，對未來混合作戰空間中的實踐狀態有重大影響。**本文回顧了對抗性機器學習技術之間的關鍵區別，以及它們對敵方對作戰人工智能的了解和訪問做出的假設。然后，我們總結了我們團隊最近與混合作戰有關的幾個對抗機器學習研究方向：對成像系統的物理對抗性攻擊，數據中毒攻擊，以及AML與設計強大的人工智能系統的相關性。

引言

混合戰爭指的是使用顛覆性的、非軍事的手段來推進民族國家的利益，特別是俄羅斯近年來采用的技術，在不訴諸公開的、常規的軍事行動的情況下占領領土并影響各國的政治和政策[1]。所采用的混合戰術包括網絡攻擊、動員智能體團體采取行動、施加經濟影響以及其他秘密措施。由于混合作戰存在于常規軍事沖突和平民生活之間的 "灰色地帶"，因此戰術上采用了拒絕和欺騙（D&D），通過利用民眾或敵對勢力的認知偏差來迷惑、威懾或影響理想的行為。D&D戰術在常規戰場上的歷史使用是有據可查的[3]。有效的D&D技術通過對依賴人類專家分析的軍事情報、監視和偵察（ISR）產品產生懷疑而獲得成功。在混合軍事行動中，情況不一定如此，在混合軍事行動中，D&D也可能試圖影響平民的看法。此外，隨著人工智能（AI）成為國家軍事投資戰略的重點（如[4]和[5]），以及商業信息技術部門越來越多地采用人工智能[6]，人工智能在未來的 "灰色地帶 "可能會無處不在。因此，我們必須考慮在未來由人工智能的使用主導的混合戰斗空間中可能存在的D&D威脅。

當前的人工智能能力是由機器學習的進步所帶來的，特別是在深度學習這個子領域，在過去的10年里。機器學習（ML）涉及將系統的輸入映射到預測結果的問題，例如，將車輛的圖像映射到一個類別的標簽。通常情況下，這是在大型數據集中通過統計模式識別實現的。深度學習具體涉及到多層神經網絡的使用，它是具有數百萬自由參數的高度非線性回歸模型，作為模式識別的統計模型。雖然深度網絡在各種任務上的表現優于人類（最著名的是圖像分類[7]），但在諸如[8]和[9]等作品中觀察到它們容易被愚弄之后，對抗性機器學習（AML）領域作為一個活躍的研究領域出現了。許多作者指出，ML算法所犯的錯誤可能會在民用領域產生嚴重后果[10]-[15]。我們也認為必須提出類似的擔憂，即軍事人工智能系統在常規戰場和混合戰斗空間中的脆弱性。

本文的其余部分組織如下：第2.0節將提供關于對抗性機器學習的進一步背景介紹，以及我們認為目前在解決其與混合軍事行動的相關性方面存在的差距。在第3.0節中，我們描述了約翰霍普金斯大學應用物理實驗室（JHU/APL）目前正在進行的三項研究工作，以解決這些知識差距。最后，我們在第4.0節中做了總結性發言，并總結了我們到目前為止的發現。

圖1. 使用深度學習模型將貓的圖像識別為 "鴕鳥 "的對抗性實例的例子

圖 6. AI 開發周期（圓形流程圖）和采用機器學習的典型算法步驟（橙色大框）。

在 2020 年，空中力量（制空權）辯論越來越多地關注新興技術對國防創新和未來戰爭特征的影響。人工智能 (AI) 系統、機器人技術、增材制造（或 3D 打印）、量子計算、定向能量和其他“顛覆性”技術等先進新技術的融合，第四次工業革命 (4IR)為國防應用提供了新的和潛在的重大機會，進而提高了對潛在競爭對手的軍事優勢。當前的大部分辯論可以說將“下一個前沿”技術描述為“不連續”或“破壞性”軍事創新的代名詞——從“工業時代”到“信息時代戰爭”和現在越來越傾向于“自動化時代的戰爭”（Raska，2021 年）。例如，高光譜圖像、計算攝影和緊湊型傳感器設計等先進傳感器技術旨在提高目標檢測、識別和跟蹤能力，并克服傳統的視線干擾（Freitas 等人，2018 年）。具有自適應特性的復合材料、陶瓷和納米材料等先進材料將使軍事裝備更輕，但更適應于復雜環境（Burnett 等人，2018 年）。新興光子技術，包括高功率激光器和光電設備，可能會提供基于量子計算和量子密碼學新級別的安全通信（IISS，2019 年）。

新興技術的融合——即機器人技術、人工智能和機器學習、具有先進傳感器技術的模塊化平臺、新型材料和保護系統、網絡防御和模糊物理、網絡和生物領域之間界限的技術，被廣泛認為對人類的特征具有深遠的影響。未來的戰爭，在空中力量的背景下，有望將新的機器學習算法應用于高速進行信息處理、有人/無人武器平臺和監視系統的混合自動化，以及最終指揮和控制 (C2) 決策（Horowitz，2018；Cummings，2017）。

大型軍工產品不再是技術創新的唯一驅動力；取而代之的是，具有雙重用途潛力的先進技術正在商業領域開發，然后“轉而”用于軍事應用。

然而，盡管戰略背景各不相同，但這些新興技術的傳播也引發了類似于過去 40 年提出的理論和政策規定性問題：新興技術的傳播是否真的意味著戰爭中的“破壞性”轉變？這僅僅是進化上的變化嗎？如果新興技術規定了戰爭的顛覆性變化，那么國防資源分配的必要性是什么，包括部隊結構和武器采購要求？包括空軍在內的軍事組織如何利用新興技術為自己謀利？此外，新興技術在應對 21 世紀以不確定性、復雜性和模糊性為特征的安全威脅和挑戰方面的效果如何？

顛覆性敘事的四個十年

在受信息技術飛躍的推動下，“顛覆性”軍事創新敘事和辯論的軌跡已在 IT 驅動的軍事革命 (IT-RMA) 的背景下定義，該革命已通過至少五個階段：（1）1980年代初期蘇聯戰略思想家對軍事技術革命的初步概念發現，（2）1990年代初期美國戰略思想的概念適應、修改和整合，（3）1990 年代中后期對技術的 RMA 辯論，（4） 轉向更廣泛的“防御轉型”，并在 2000 年代初期進行部分實證調查，以及 (5) 從 2005 年起質疑顛覆性敘事的批判性逆轉（格雷，2006 年）。然而，自 2010 年代中期以來，隨著人工智能和自主系統等新技術的加速傳播，人們可能會爭辯說，新的 AI-RMA 或第六次 RMA 浪潮已經出現（Raska，2021 年）。

然而，回想起來，在過去的 40 年里，IT-RMA 的實施也可以說是遵循了一條明顯低于革命性或破壞性的道路，包括對現有能力的漸進式、通常近乎持續的改進（Ross，2010 年）。雖然國防技術、組織和理論方面的重大、大規模和同步的軍事創新是一種罕見的現象，但軍事組織在很大程度上是通過一系列持續的軍事創新取得進展，從小規模創新到大規模創新，這些創新塑造了他們的戰爭行為（Goldman，1999）。雖然這個時代的許多軍事創新，例如網絡中心戰的概念已經成熟，但關于即將到來的“破壞性軍事轉型”的敘事幾乎總是超過了現有的技術、組織和預算能力。此外，不同的概念、技術、組織和作戰創新主要集中在將數字信息技術集成到現有的傳統平臺和系統中（Raska，2016 年）。

國家和非國家行為者都可能使用這種所謂的對抗性機器學習來欺騙對方，使用不正確的數據得出錯誤的結論，并在此過程中改變決策過程。

例如，在美國的戰略思想中，顛覆性軍事創新的敘事從 2005 年開始隨著伊拉克和阿富汗戰爭中的作戰挑戰和經驗逐漸淡化。更多批評聲音指向“破壞性”防御轉型的未兌現承諾。 “新思維方式和新戰斗方式”的基本原理幾乎證明了每項防御倡議或提議的合理性，這表明迷失方向而不是明確的戰略（弗里德曼，2006 年）。國防轉型懷疑論者還警告說，通過技術解決復雜戰略挑戰的邏輯有缺陷，同時放棄了潛在敵人或競爭對手的適應能力。簡而言之，由于預算要求和不切實際的能力組合而不是實際的戰略和作戰邏輯，即將發生的國防轉型的破壞性敘事已經變成了一個模棱兩可的想法（雷諾茲，2006 年）。

為什么AI浪潮不同？

然而，新的“支持人工智能”的國防創新浪潮在幾個方面與過去以 IT 為主導的浪潮不同。首先，人工智能支持的軍事創新的傳播速度要快得多，通過多個維度，特別是通過大國之間加速的地緣戰略競爭——美國、中國和較小程度的俄羅斯。大國之間的戰略競爭并不新鮮。它們深深植根于歷史——從公元前三世紀伯羅奔尼撒戰爭期間的雅典和斯巴達大戰略，到二十世紀下半葉冷戰的兩極分化。然而，新興戰略競爭的性質不同于以往戰略競爭的類比。進入 21 世紀，戰略競爭的路徑和模式更加復雜多樣，反映了在不同或重疊規則下的多重競爭，長期的經濟相互依存與核心戰略挑戰并存（Lee，2017）。然而，在爭奪未來霸權的競爭中，技術創新被描述為國際影響力和國家力量的核心來源——產生經濟競爭力、政治合法性和軍事力量（Mahnken，2012 年）。具體來說，美國幾十年來第一次面對一個戰略性的同行競爭對手中國，中國有能力追求和實施自己的 AI-RMA。因此，主要問題不是 AI-RMA 浪潮是否會在戰爭中帶來根本性的不連續性，如果是，如何以及為什么？相反，美國的 AI-RMA 是否可以被相應的中國或俄羅斯 AI-RMA 取消或至少削弱？換言之，技術優勢的差距正在有效縮小，這有效地加速了新技術作為軍事優勢來源的戰略必要性。

新興技術的融合——即機器人技術、人工智能和機器學習、具有先進傳感器技術的模塊化平臺、新型材料和保護系統、網絡防御和模糊物理、網絡和生物領域之間界限的技術，被廣泛認為對未來的戰爭具有深遠的影響。

其次，與前幾十年利用一些軍民兩用技術開發主要武器平臺和系統不同，當前的人工智能浪潮在商業技術創新作為軍事創新來源的規模和影響方面有所不同。大型軍工產品不再是技術創新的唯一驅動力；取而代之的是，具有雙重用途潛力的先進技術正在商業領域開發，然后“轉而”用于軍事應用。在這種情況下，新興技術的傳播，包括增材制造（3D 打印）、納米技術、空間和類空間的能力、人工智能和無人機，并不僅限于大國（Hammes，2016 年）。人工智能傳感器和自主武器系統的擴散也在新加坡、韓國、以色列等先進小國和中等強國的防御軌跡上。這些國家現在有潛力開發利基新興技術，以提高其防御能力和經濟競爭力、政治影響力和在國際舞臺上的地位（Barsade 和 Horowitz，2018 年）。

第三，自主和支持人工智能的自主武器系統的擴散，加上新穎的作戰結構和部隊結構，挑戰了人類參與未來戰爭的方向和特征——其中算法可能會影響人類的決策，并設想在未來的戰斗中使用致命自主武器系統（LAWS）。包括空軍在內的先進軍隊正在試驗各種依靠數據分析和戰爭自動化的人機技術。這些技術越來越多地滲透到未來的戰爭實驗和能力發展計劃中（Jensen 和 Pashkewitz，2019 年）。在美國，選定的優先研發領域側重于在各種人機協作中開發人工智能系統和自主武器——例如，支持人工智能的預警系統和指揮與控制網絡，空間和電子戰系統、網絡能力、致命的自主武器系統等。

人工智能系統將越來越有能力在John Boyd的觀察-定向-決策-行動 (OODA) 循環的每一步中簡化 C2 和決策過程。

戰略競爭、雙重用途新興技術創新和戰爭中人機交互特征的變化，這三個驅動因素的融合推動了一系列定義 AI-RMA 浪潮的新條件。它的擴散軌跡在本質上也對戰略穩定性、聯盟關系、軍備控制、道德和治理以及最終的作戰行動提出了新的挑戰和問題（Stanley-Lockman，2021a）。例如，關于人工智能系統在使用武力中的作用的國際規范辯論越來越關注法律的傳播和遵守國際人道法原則的能力。隨著技術進步從科幻領域轉向技術現實，各國對引入 LAWS 是否會違反或加強國際法律原則也有不同的看法。面對軍事人工智能應用的法律和道德影響，軍事機構越來越認識到需要解決與安全、道德和治理相關的問題，這對于建立對新能力的信任、管理風險升級和重振軍備控制至關重要。盡管如此，國防部和軍隊在倫理道德方面的努力是狹隘地關注法律還是更廣泛地關注人工智能系統的范圍之間仍然存在緊張關系。因此，包括空軍在內的軍隊需要跟蹤關于人工智能和自主性的不斷演變的觀點，并就對 2020 年代及以后的戰略和作戰環境的影響進行辯論（Stanley-Lockman，2021b）。

對空中力量的影響

在作戰層面，空軍旨在加速整合各種人工智能相關系統和技術，例如多域作戰云系統，從各種來源收集大數據，創建實時作戰圖，本質上是自動化和加速指揮和控制 (C2) 流程（Robinson，2021 年）。在這樣做的過程中，啟用人工智能的作戰云可以識別目標并將它們分配給任何領域中最相關的“射手”，無論是空中、水面還是水下——一些空軍將其概念化為聯合全域指揮與控制 (JADC2) 。部分空軍也在試驗人工智能算法作為“虛擬后座”，它可以有效控制飛機的傳感器和導航，尋找對手，并以此減少機組人員的工作量（Everstine，2020）。在這種情況下，關鍵論點是人工智能系統的進步——可以感知、推理、行動和適應的廣泛程序，包括機器學習 (ML) 系統——其性能隨著時間的推移、數據交互的增加而提高算法性能，以及深度學習（ DL）系統——其中多層神經網絡從大量數據中學習——具有“改變空戰行動以及空中力量的構思和使用方式”的潛力（Davis，2021 年）。

具體來說，根據蘭德公司最近的一項研究（Lingel 等人，2020），目前有六類 AI/ML 應用研發，其會對包括空中力量在內的未來戰爭有影響：

（1）計算機視覺——圖像識別——檢測對視覺世界中可用于處理多源智能和數據融合的對象進行分類；

(2) 自然語言處理 (NLP) — 成功理解人類語音和文本識別模式（包括翻譯）的能力，可用于從語音和文本中提取情報，但也可以監控友好通信并引導相關信息以提醒個人或單位；

(3) 專家系統或基于規則的系統——收集大量數據以推薦特定行動以實現作戰和戰術目標；

(4) 規劃系統——使用數據解決調度和資源分配問題，可以針對目標協調選定的空中、太空和網絡資產，并生成建議的分時行動；

(5) 機器學習系統——從與環境的數據交互中獲取知識，可與其他類別的人工智能結合使用，即使 C2 系統在專家知識不可用或最佳策略、技術和程序 (TTP) 未知時學習如何執行任務；

(6) 機器人和自主系統——結合所有或選擇先前類別的 AI/ML 方法，使無人系統與其環境交互；

這些與人工智能相關的類別幾乎適用于空中力量的各個方面，可能會塑造新形式的自動化戰爭：從 C2 決策支持和規劃，人工智能/機器學習可以在日益受限的時期提供推薦的選項或建議；通過數據挖掘能力支持 ISR；后勤和預測性維護，以確保部隊的安全以及平臺和單位的可用性；訓練和模擬；網絡空間行動以檢測和應對先進的網絡攻擊；機器人和自主系統，如無人機，用于從 ISR 到矛尖任務的各種任務，如壓制敵方防空和協同作戰，在空中和陸地打擊行動中整合不同的有人和無人平臺。換句話說，這里的論點是人工智能系統將越來越有能力在John Boyd的觀察-定向-決策-行動 (OODA) 循環的每個步驟中簡化 C2 和決策過程：收集、處理并將數據轉換為統一的態勢感知視圖，同時為推薦的行動方案提供選項，并最終幫助人類采取行動（Fawkes 和 Menzel，2018 年）。

然而，將人工智能系統集成到空中力量平臺、系統和組織中，以將計算機從工具轉變為解決問題的“思考”機器，將繼續帶來一系列復雜的技術、組織和運營挑戰（Raska 等人，2021 年）。其中可能包括開發算法，使這些系統能夠更好地適應環境的變化，從意想不到的戰術中學習并將其應用于戰場。它還要求為這些思考機器設??計道德規范和保障措施。另一個挑戰是技術進步，特別是在軍事系統中，是一個持續的、動態的過程。突破總是在發生，它們對軍事效力和比較優勢的影響可能是巨大的，而且在初期階段很難預測。

然而，最重要的是，關鍵問題是我們可以在多大程度上信任人工智能系統，尤其是在安全關鍵系統領域？正如 Cummings所警告的那樣，“歷史上充斥著類似的戰備承諾如何以代價高昂的系統故障告終的例子，這些案例應該作為一個警示故事”（Cummings，2021 年）。此外，越來越多的研究領域集中在如何通過生成虛假數據來欺騙人工智能系統做出錯誤的預測。國家和非國家行為者都可能使用這種所謂的對抗性機器學習來欺騙對方，使用不正確的數據得出錯誤的結論，并在此過程中改變決策過程。對抗性機器學習的整體戰略影響可能比技術本身更具破壞性（Knight, 2019; Danks, 2020）。

啟用人工智能作戰云用于識別目標并將其分配給任何領域中最相關的“射手”，無論是空中、水面還是水下——一些空軍將其概念化為聯合全域指揮與控制 (JADC2)。

從戰術和操作的角度來看，這些復雜的人工智能系統也需要連接在一起——不僅在技術上，而且在組織和操作上。對于許多空軍來說，這是一個持續的挑戰——他們必須能夠有效地（實時）在各種服務和平臺之間集成啟用人工智能的傳感器到射擊者的循環和數據流。這意味著有效地連接多樣化的空軍、陸軍、海軍和網絡戰斗管理； C2，通信和網絡；情監偵；電子戰；定位、導航和授時；使用精確彈藥。雖然選擇的 AI/ML 系統可能會緩解一些挑戰，但相同的系統會產生另一組與確保可信 AI 相關的新問題。因此，有人可能會爭辯說，未來空中力量中人工智能軌跡的方向和特征將取決于相應的戰略、組織和作戰敏捷性，特別是這些技術如何與當前和新興的作戰結構和部隊結構相互作用。

在這種情況下，人類在未來戰爭中的參與程度、改變傳統部隊結構和招募模式的必要性以及將在哪些領域使用武力都是新技術挑戰的問題。空軍正在為這些問題開發自己的而且往往是多樣化的解決方案。與過去一樣，它們的有效性將取決于與戰略持久原則相關的許多因素——將可用的國防資源“轉化”為新軍事能力的目的、方式和手段，并在此過程中創造和維持具有空中作戰能力的部隊來應對各種突發事件。成功實施的主要因素不是技術創新本身，而是持續資金、組織專業知識（即大規模和有效的軍事和商業研發基地）和實施國防創新機構的敏捷性綜合效應（Cheung，2021）。對于空中力量的未來，這意味著擁有能夠提供創新解決方案的人員、流程和系統，同時保持現有的核心能力，從而在日益復雜的戰略環境中提供可行的策略選擇。

作者介紹：

Michael Raska 博士是新加坡南洋理工大學 S. Rajaratnam 國際研究學院軍事轉型項目的助理教授和協調員。他的研究興趣集中在東亞的國防和軍事創新、戰略競爭和賽博戰。他是《軍事創新和小國：創造反向不對稱》（Routledge，2016 年）的作者，也是《國防創新和第四次工業革命：安全挑戰、新興技術和軍事影響》（Routledge，2022 年）的共同主編。他擁有密蘇里南方州立大學國際研究學士學位、延世大學國際關系碩士學位和新加坡國立大學李光耀公共政策學院博士學位，并獲得新加坡國立大學校長研究生學位獎學金。

2021年3月，美國哈德遜研究所國防概念與技術中心發布研究報告《實施以決策為中心的戰爭：提升指揮與控制以獲得選擇優勢》，提出以決策為中心的戰爭將使美軍做出更快、更有效的決策，從而賦予美軍更大的競爭優勢。

序言

自冷戰結束以來，美國國防部（DoD）針對來自主要對手（如中國、俄羅斯和朝鮮等）的巨大軍事沖突發展了相應理論和能力。這些最壞的情況是為了確保美軍也能應對“較少的情況”。然而，這種方法偏重于為大規模、高強度軍事沖突設計的概念和系統，美國的智能對手不太可能向美軍挑起對抗，而國防部可以在力量投射或精確打擊等任務中發揮其優勢。

美國的對手在過去十年中已經發展出了抵消美國軍事優勢的方法，如中國和俄羅斯的灰色地帶或混合行動，這些方法以較低的成本和升級——盡管比傳統的軍事作戰時間更長——獲得目標。因此，國防部應修訂其規劃，提高新方案的優先級，這些方案以不同于戰區范圍內高強度作戰的方式給美軍施加壓力，如通過延長時間、不同程度的升級和規模，以及使用代理和準軍事力量。

中國的“系統破壞戰”概念和俄羅斯軍方的“新一代戰爭”概念是針對美國及其盟友的新方法的代表。雖然它們的制勝理論和方法大相徑庭，但這兩種概念都有一個共同點，即把信息和決策作為未來沖突的主戰場。它們從電子和物理上直接攻擊對手的戰斗網絡，以降低其獲取準確信息的能力，同時引入虛假信息，削弱對手的定向能力。同時，軍事和準軍事力量將通過孤立或攻擊目標的方式向對手提出難題，以中和對手的戰斗潛力，控制沖突的升級。

美國海軍如何重新平衡實施 "馬賽克戰 "部隊的例子

決策中心戰的興起

以決策為中心的概念，如系統破壞戰和新一代戰爭，很可能成為未來沖突的重要形式，甚至是主要形式。在冷戰后期，美軍革命性的精確打擊戰方式利用了當時的通信數據鏈、隱身和制導武器等新技術。同樣，以決策為中心的戰爭可能是軍事上利用人工智能（AI）和自主系統的最有效方式，這些技術可以說是當今最突出的技術。

以決策為中心的戰爭的一個例子是國防高級研究計劃局（DARPA）的馬賽克戰爭概念。馬賽克戰爭概念的中心思想是，由人類指揮指導的、具有人工智能功能的機器控制的分列式有人和自主單位可以利用它們的適應性和明顯的復雜性來延遲或阻止對手實現目標，同時破壞敵人的重心以排除進一步的侵略。這種方法與機動戰一致，不同于第二次世界大戰期間盟軍采用的基于損耗的戰略，也不同于冷戰后美軍在科索沃、伊拉克和利比亞沖突中采用的戰略。雖然馬賽克戰爭采用損耗作為給敵人制造困境的一部分，但其實現成功的主要機制是拒絕、拖延或破壞對手的行動，而不是削弱對手的軍事實力，使其無法再有效作戰。因此，馬賽克戰爭非常適合作為現狀軍事大國（如美國）尋求遏制侵略的概念。

在近期兵棋推演中，馬賽克部隊與傳統軍事部隊在任務完成情況的比較

馬賽克戰爭提出了一種部隊設計和指揮控制（C2）程序，與今天的美軍相比，它將使美軍能夠執行更多、更多樣化的行動方案（COA）。馬賽克部隊的分解結構和使用人類指揮與機器控制，將使對手的決策復雜化，縮小其選擇范圍，并施加一系列可能無法解決的困境。通過增加美軍指揮官的選擇權，減少敵方的選擇權，馬賽克戰法將尋求獲得“選擇權優勢”，使美軍能夠做出更快、更有效的決策。

選擇性戰略與以預測為中心的規劃方法形成鮮明對比，在這種規劃方法中，選擇最有可能導致成功的作戰行動方案并迅速實施，通過將與未選擇的作戰行動方案相關的系統和兵力要素分配給其他任務來提高效率。在以預測為中心的模式中，資源的早期承諾必然會限制指揮官今后的選擇空間。

與今天的美軍相比，馬賽克部隊的設計和C2過程可以在選擇權競爭中提供更大的優勢，因為隨著對抗或競爭的進展，可以緩解由于損失或敵方態勢感知的改善而導致的選擇權減少的自然趨勢。例如，“馬賽克”部隊可以更容易地隱藏具有反ISR能力的平臺或編隊，并在以后暴露出來，以實現新的選擇；利用數量更多、規模更小、成本更低的增援部隊；或依靠決策支持工具，允許繼續使用與高級指揮官物理或電子隔離的部隊。

圖：以網絡為中心的戰役空間架構與基于情境的戰役空間架構的特點比較

一支馬賽克部隊也將比今天的美軍更有能力進行縮小對手選擇范圍的行動。通過同時發起許多行動并加速其決策，一支使用人類指揮和機器控制的分布式部隊可以給對手造成足夠的困境，從而排除與作戰相關的數量的《作戰協議》。此外，馬賽克部隊還可以利用諸如分配、佯攻和探測等欺騙技術以及反ISR系統來補充其更大的規模和決策速度，這些技術可以使對手相信某些選擇不可行或不可能成功。

雖然國防部的C3結構，如混合和聯合全域指揮和控制（CJADC2）開始納入決策支持工具，為特派團整合效應鏈，但其目前和近期的實例旨在支持有效的火力投送，而不是持續的可選性。此外，與CJADC2相關的C2和通信（C3）舉措，如高級戰役管理系統（ABMS），需要提前確定架構和組件系統。因此，CJADC2在其能夠提供的可選性方面將受到固有的限制。

圖：C2實施方法的比較

通過C3實現選擇權

第一步是壓縮空間的表征，重點放在時間的表征上。以一個作戰人員在短時間內的行動為例，在這個例子中，一個作戰人員的任務是收集指定地點的圖像。這在操作上是不現實的情況，只是用一個簡單的案例來說明這個概念。

在C3組合中，國防部已經在通信復原力方面進行了大量投資。因此，大部分新的努力和資源應該應用于C2能力。盡管美國軍方投資于所謂的C2系統，但這些項目主要是操作中心和軟件堆棧，作為在部隊中傳遞數據、信息、命令或權限的基體。盡管對管理部隊來說是必要的，但目前國防部的C2系統——將C2看作是連接——并不是決策支持系統，后者將C2看作是一個過程。

圖：在馬賽克C2方法中采用OODA循環

用于以決策為中心的戰爭的C3能力需要做的不僅僅是實現連接。例如，C2工具將需要生成能創造和維持可選擇性的COA，以提高適應性，并將復雜性強加給對手。為了幫助初級領導人執行任務指揮，C2工具還需要了解哪些單位在通信中，他們在潛在的COAs中的作用，并配置網絡以確保所需單位與適當的指揮官保持一致。為了評估這些要求和以決策為中心的C3的其他要求，本研究采用了多種視角，如下所述。

• 棧式視角：與互聯網一樣，以決策為中心的C3架構需要有物理媒介來進行數據移動；需要網絡結構來管理指揮官、傳感器和效應器之間的數據移動；需要信息架構來將數據組織成有意義的形式；需要評估信息的應用程序，如決策支持工具。目前的技術可以滿足這些需求，但無法在追求選擇優勢的同時，在對抗性環境中實現部隊和網絡的動態組成和重新配置。

圖：以預測為中心和以決策為中心的選擇空間隨時間變化的比較

• 網絡視角：要實現可選擇性和實施以決策為中心的戰爭，就需要有能力使C2結構與現有通信保持一致，而不是試圖建立一個在面對敵方協同干擾和物理攻擊時仍能生存的網絡。這些需求導致了一種混合架構，這種架構將網絡方式與分層方式結合起來，可以被定性為 "異構"。這種拓撲結構將使指揮權與合格的人類操作者占據的節點中具有最高程度的節點相一致。

• 解決問題的視角：與從頭開始處理每個新情況相比，使用類比推理的問題解決過程可以更迅速地評估潛在的備選方案，由此產生的決策空間的增加可以使指揮官將限制其備選方案的作戰行動協議推遲到最后一刻。此外，如果使用人工智能支持的算法在沒有監督的情況下建立COA，對手可以通過佯攻和探測來影響算法的學習，使系統認為COA是成功的，如果不是對手的行動，實際上會失敗。

圖：來自DARPA PROTEUS計劃的分析和用戶界面，AI輔助規劃

• 時間視角：可選性的概念適用于多個時間尺度，從戰略到工業能力發展和部隊的戰術行動。C3架構的能力應該有助于擴大每個時間尺度上的努力所帶來的決策空間，而不是僅僅在任務期間。

• 組織視角：國防部的C3架構不是在真空中存在的。各組織的人員必須通過戰略、工業、作戰和戰術時空的流程來運用這些架構。可選性是在以決策為中心的戰爭中獲得優勢的關鍵，但如果僅僅是派出一支更分散的部隊和使用它的工具，如果這支部隊的使用方式很狹窄，為每個單獨的行動提供最高的成功概率，那么只能稍微增加美軍的復雜性和適應性。需要決策組織和程序，盡可能長時間地擴大指揮官的選擇空間。

今天的戰斗指揮官（CCDR）參謀部缺乏組織和程序，無法為即將到來的任務以各種不同的配置組合部隊。為了能夠在任務時間內組成部隊，國防部可以采用類似于將計算機程序編譯成可執行代碼的方法。軟件指令是用較高層次的計算機語言編寫的，但在軟件被計算機處理器執行之前，需要將其轉換成二進制形式。這種方法將從決策支持系統的COA開始，然后組合適當的單位來支持行動。雖然部隊構成主要是以硬件為中心，但也需要在技術棧的信息層和網絡層進行部隊包的軟件構成。

圖：從人工構成到決策中心戰的任務整合浪潮

結語

美軍將需要采用新的部隊設計和C2流程，以實現以決策為中心的戰爭，但如果不與工具和組織結合起來，以充分利用使用人類指揮和機器控制的更分散的部隊中可能存在的可選性，這些努力將付諸東流。

目前國防部通過CJADC2和相關的作戰概念努力使美軍向更分散的組織和更分散的能力發展，這是實現更以決策為中心的軍事行動方法的重要一步。高級戰斗管理系統（ABMS）和DARPA的幾個項目正在開發C2工具和流程，這些工具和流程將增加指揮官使用這些更分布式部隊的可選性。國防部的部隊設計變革或C3舉措將需要更進一步，以便美軍在面對已經躍升到以決策為中心的戰爭并擁有主場優勢的同行對手時保持可選擇性優勢。

也許更重要的是，將需要新的組織和程序，使CCDR能夠在戰區組成和整合分散的部隊，并改變國防部定義需求和發展新能力的方式。如果不對國防部的需求和部隊發展程序進行重大改革，美軍就有可能在爭奪決策優勢的競爭中落后于對手，從而威脅到其保護美國利益和盟友免受大國侵略的能力。

（參考來源：軍事文摘作者：張傳良）

新興軍事技術

國會議員和五角大樓官員越來越關注發展新興軍事技術，以加強美國的國家安全，并與美國的競爭對手保持同步。美國軍方長期以來一直依賴技術優勢來確保其在沖突中的主導地位，并保障美國的國家安全。然而，近年來，技術的迅速發展和迅速擴散，很大程度上是由于商業領域的進步。正如前國防部長查克·哈格爾(Chuck Hagel)所觀察到的，這種發展已經威脅到美國傳統的軍事優勢來源。美國國防部(DOD)已經采取了一系列措施來遏制這一趨勢。例如，2014年，國防部宣布了第三次抵消戰略，這是一項為軍事和安全目的以及相關戰略、戰術和作戰概念開發新興技術的努力。為了支持這一戰略，國防部建立了許多專注于國防創新的組織，包括國防創新單位和國防戰爭聯盟小組。

最近，2018年的國防戰略呼應了第三次抵消戰略的基礎，指出美國的國家安全可能會受到影響： 受到快速技術進步和戰爭性質變化的影響....新技術包括先進的計算、“大數據”分析、人工智能、自主、機器人、定向能源、超音速和生物技術——這些技術確保我們能夠在未來的戰爭中戰斗并贏得勝利。 美國是開發這些技術的領導者。然而，中國和俄羅斯這兩個關鍵的戰略競爭對手，在發展先進軍事技術方面正在穩步取得進展。隨著這些技術被整合到國外和國內的軍事力量中并部署，它們可能會對國際安全的未來產生重大影響，并將成為國會在資金和項目監督方面的一個重要焦點。

本報告概述了美國、中國和俄羅斯的一些新興軍事技術:

• 人工智能,
• 致命的自主武器，
• 超音速武器,
• 定向能武器，
• 生物技術,
• 量子技術。

它還討論了國際機構內監測或規范這些技術的相關倡議，考慮了新興軍事技術對戰爭的潛在影響，并為國會概述了相關問題。這些問題包括新興技術的資金水平和穩定性、新興技術的管理結構、與征聘和留住技術工作者有關的挑戰、迅速發展和兩用技術的采購過程、保護新興技術免受盜竊和征用，以及對新興技術的治理和監管。這些問題可能會影響到國會的授權、撥款、監督和條約的制定。