摘要

英國國防部（MOD）的科學和技術戰略已經指示研究重點放在下一代（GAN）的軍事能力上。GAN能力是指那些英國防部今天無法采購的能力，在它們出現之前需要基礎科學和技術。Dstl最近領導了一項活動，以確定GAN對應用于國防培訓、教育和準備的國防模擬和合成環境的研究意味著什么。這涉及到收集國防利益相關者（未來的一線軍事用戶）的意見，以及對英國工業界和學術界（由QinetiQ、Thales、Cordillera應用集團和微軟領導）的GAN技術的審查。

本報告將概述推薦的下一代技術，這些技術對英國防部在未來五年內的成熟非常重要。這包括以下領域：擴展現實（XR）；數字孿生；元宇宙；學習技術；核心模擬技術；人工智能和自動化；以及代表未來復雜作戰環境所需的技術。它將提供一個概述，說明英國防部應該把研究重點放在什么地方；什么應該留給消費者領域去推動走向成熟；以及國防部可能期望在五年時間內能夠利用的功能和能力。

1.0 引言

1.1 英國國防部的科學和技術戰略

技術及其使用對英國國防部實施其戰略的能力和我們的運作方式越來越重要。英國國防部的科技戰略和最近的國防和安全綜合審查都強調，英國國防部需要更好地了解未來，并尋找、培育和資助下一代技術。英國國防部還必須通過示范、實驗來識別、評估和推動新興技術和創新，更好地利用流程和結構，并加速現有技術的規模化應用，以實現英國的優勢。

1.1.1 下一代技術

英國防部首席科學顧問（CSA）安吉拉-麥克萊恩女士對下一代技術（GAN）的定義如下：

"你今天買不到的東西--我們知道我們需要的能力，但在它們可用之前需要基礎科學和技術。這并不意味著任何特定的時間表 - 下一代技術可能在今年"

英國防部的CSA將GAN稱為下一代技術的一個單獨的興趣領域，這些技術可由國防部購買，但在軍事背景下使用時需要避免風險。GAN不是按照傳統的基于路線圖的方法中描述的線性時間表來考慮的。相反，它有一個非線性的范圍，一種技術的下一代可能只是幾個月后的事，另一種可能是幾年后的事。例如，智能手機的GAN可能在今年就準備好了，而核電站的GAN（如核聚變）可能要在幾十年后才能成熟。

2.0 仿真和合成環境的下一代

仿真和合成環境被廣泛用于英國國防部，為一系列領域提供更好的能力，包括：獲取；測試與評估；研究；能力開發；作戰分析；兵棋推演；實驗；部隊準備；以及決策支持。

英國防部責成Dstl管理科技能力--在Dstl內部和整個供應鏈--以便現在和將來為英國的國防和安全提供正確的能力。管理涉及到對科技能力的規劃、管理和監督的責任。國防部科技戰略中的GAN目標重新強調了這一活動，以確保國防部的內部能力，以及工業界、學術界和其他合作伙伴的能力適合于滿足國防的新興和未來需求。這一職責包括對模擬和合成環境的管理。

為了支持這種能力管理，并為英國國防部應開展的未來研究活動提供信息，Dstl與英國工業界和學術界一起進行了一項研究，以了解：

"GAN對未來模擬和合成環境的發展意味著什么，以支持英國的優勢？"

該報告確定了以下關鍵領域，這些領域應成為GAN能力研究的重點。

• 信息和通信技術（ICT）。

• 核心模擬技術。

• 人工智能（AI）和自動化。

• 擴展現實（XR）。

• 數字孿生和數據。

• 元宇宙。

• 未來的復雜作戰環境。

在這些領域中，該研究旨在確定：

• 尚不能采購的全球網絡能力和技術 - 這意味著該能力尚未發展成為可購買的產品或服務。

• 消除能力風險所需的科技活動--這意味著英國防部為利用該能力所需的基礎科學和技術研究。這可能涉及一系列的活動，包括從基礎科學研究到更成熟的演示和實驗，以及與終端用戶進行的去風險活動。

這項研究的范圍只包括與支持國防培訓、教育或準備有關的模擬和合成環境的使用。我們承認，這些領域在很大程度上受到鄰近市場和行業的影響（如軍事教育的民用學習市場），研究的范圍包括更廣泛的相關市場，那里有未來的 "衍生"機會。以前的 "附帶 "例子包括使用商業現貨（COTS）游戲技術進行培訓。

2.1 信息和通信技術（ICT）

預測：云計算已經改變了組織處理和存儲信息的方式。處理和存儲現在可以 "隨用隨取"，就像自來水公司一樣，企業可以根據自己的需要支付少量或多量的費用。雖然當前一代的云計算越來越多地被用于國防，并且幾乎肯定會支持下一代的模擬能力，但也有機會利用計算技術的GAN。

特征：新興的計算技術，如量子計算、神經形態和熱力學計算可能提供以下機會。

• 熱力學計算尋求將計算硬件運行到其熱力學潛力的極限。這有可能減少計算設備的尺寸、重量和功率（SWAP）。潛在的開發機會包括儀器化的現場訓練，在那里，與5G或6G通信相結合，它可以使邊緣設備以更低的功率要求被廣泛部署。限制性因素是證明該技術規模所需的研發，以及供應鏈和工業能力的要求。

• 量子計算不太可能在短期內出現在國防用戶的口袋里。雖然基于云的工作負載正在出現，但這些工作負載的可用性有限，安全和延遲可能是一個問題，而且可靠性可以得到改善。量子計算很可能被用于與運行詳細模型有關的確定的工作負載，作為科學研究的一部分，甚至在GAN的時間尺度內，對一般用途的培訓教育和準備的利用是不確定的。目前，英國政府的投資是巨大的，培訓、教育和準備社區應繼續監測其發展。

• DNA存儲器可以為培訓、教育和準備社區提供潛力，以存儲未來將產生的越來越多的數據。這有可能改善靜態數據的可及性。

• 圖形處理單元（GPU）的能力將繼續為大規模的模擬提供支持。GAN時間尺度的趨勢是，能力越來越強的GPU將支持越來越大的M&S環境，有可能在基礎設施層面而不是通過中間件軟件進行擴展。

效益和機會：總之，培訓、教育和準備社區可能會在GAN中擁有越來越強大和低SWAP的計算。這有可能徹底改變儀器化的現場訓練，但也可能對所有的M&S環境產生影響。這反過來又會對用于生成這些環境的輸入數據的驗證和確認（V&V）提出要求。

2.2 核心模擬技術；

預測：核心模擬技術包括戰術環境、圖像生成器、協議和標準、監測和控制工具以及代表自然和物理環境的系統。核心模擬技術將利用來自消費者信息技術和游戲市場的創新，越來越多地使用這些技術來支持以前的定制應用，如圖像生成和當前一代XR能力。全面運作的建模和仿真服務（MSaaS）能力將是下一代仿真技術的一個特點，而 "下一代 "可能會充分利用面向服務的架構和云技術。國防部將為核心仿真功能定義并擁有可重復使用的構建模塊和標準。平臺和系統的仿真將由OEMs提供數字雙胞胎。

特征核心仿真技術的GAN可能包括。

• 本身可擴展的環境，以前在處理能力和連接方面的限制被消除。

• 基于服務的方法和隨需應變的能力，可能會轉向完全云托管的模式。

• 混合的現場、虛擬和建設性（LVC）模擬，這三個領域之間的障礙越來越模糊或不存在。

• 與消費者游戲和信息技術的持續融合。

• 安全、高帶寬、有彈性的網絡。

效益和機會：核心模擬技術在支持培訓、教育和準備方面有廣泛的用途。它們可以被認為是提高這些國防部成果的效率和效益的重要推動力。向基于服務的仿真技術架構的轉變，特別是通過重新使用資產和減少對內部硬件的需求，可能會提高仿真交付的效率。

2.3 人工智能（AI）和自動化；

預測：英國防部和更廣泛的市場對人工智能和自動化的投資是相當大的，預計將繼續推動下一代和GAN能力的快速提高。有希望的早期技術包括基礎模型，它提供通用的、可訓練的人工智能，能夠處理廣泛的任務。計算的發展，包括 "網絡3.0 "或邊緣計算、量子計算和處理器的發展可能會提高人工智能和自動化的能力。民用工業部門的過程自動化也可能為管理和提供培訓、教育和準備提供潛在的交叉機會。然而，盡管有大量的投資，但不太可能有一個單一的 "銀彈 "通用人工智能和自動化工具來完全改變培訓、教育和準備。相反，干預可能是在一個更有限的基礎上，但仍將有可能產生影響。除了它的能力，人工智能和自動化工具可能會變得更可用，更容易被終端用戶所操作。

特征：GAN人工智能和自動化可能在以下方面有利于培訓、教育和準備。

• 通過 "人機聯手"，提供更有效的活動策劃、交付和支持。

• 提供對培訓、教育和準備數據的洞察力和理解，以提高效率和效益。

• 為實體或系統的行為提供更好的表述。

效益和機會：人工智能和自動化有可能促進效率和效益的提高。如果利用得當，它可以幫助減少與提供培訓、教育和準備活動有關的開銷，（例如）替代人類的角色扮演者。在效率方面，它可以用來提高演習人員的生產力（如監測受訓人員的狀態，并在出現異常情況時向教官發出信號），從而使他們能夠專注于改善培訓體驗。

2.4 擴展現實（XR）

預測：GAN XR技術（包括增強現實（AR）、虛擬現實（VR）、增強虛擬和多感官模擬）極有可能成為未來廣泛的培訓、教育和準備用例中用戶面對能力的首選形式因素。GAN混合現實技術具有較高的世代交替性，并有可能在2-5年的時間框架內被國防用戶所使用，這主要是由于消費技術市場的資助。GAN XR技術將有可能取代傳統的投影顯示器，成為面向用戶的主要能力形式，下一代應用已經被批準用于民用飛行訓練，盡管傳統的顯示器將在一段時間內繼續使用。來自消費技術市場的大量私人投資將確保該技術的價格與傳統顯示技術相比保持競爭力。對于高端應用，如飛行模擬，XR可能會有更高的成本效益，但要看認證和政策要求。

特點：GAN XR技術和能力的特點可能是融合了AR、VR、觸覺（包括人體服和其他可穿戴技術）和多感官刺激，以進一步提高沉浸感，并將刺激擴展到純粹的視覺和聽覺之外。GAN XR技術的發展將受益于對元空間、云和邊緣計算、移動和計算設備技術、5G/6G無線網絡、流媒體和消費者娛樂及游戲技術的更廣泛投資。

效益和機會：GAN XR技術有可能通過提高著色器/現實主義的質量來改善培訓、教育和準備工作的沉浸感，例如觸摸全息圖、穿越和更大的視野、超級現實的化身和沉浸式房間/體驗。如果它的有效性可以被證明與現場體驗相比更有優勢，它也可以支持一些現場或傳統的虛擬交付手段過渡到虛擬環境，提供效率機會。它還可能支持改進LVC領域的整合，例如通過在實況環境中更可信地表現虛擬仿真實體，推動提高培訓效果。GAN XR的使用還可以推動用戶參與，特別是國防部的 "Z世代 "成員，而不是傳統的面向用戶的技術。使用XR來支持行動可能會模糊訓練、準備和行動之間的界限。

2.5 數字孿生和數據

預測：數字孿生被定義為 "作為物理對象或過程的實時數字對應物的虛擬表示 "。 數字孿生正在工程、科學和運營規劃中出現，作為了解和優化當前和未來性能的一種手段。因此，數字孿生體在準備工作中可能特別有用，但也可能支持培訓和教育能力。目前，各行各業都對數字孿生體進行了大量投資，然而，定義和實施方法都有很大不同，在許多情況下，數字對應體的 "實時性 "和保真度都很有限。GAN數字孿生將擴大可以結對的實體的范圍和復雜性，提高輸入數據的質量，從而提高模型的保真度，并提高數字孿生的可用性或互操作性。在GAN的時間框架內，英國防部可能會處理一個單一的數字孿生子 "來統治它們"，而不是為不同目的產生的平臺或系統的多個代表。盡管 "數字孿生 "一詞可能會過時，但所提供的能力的使用將為廣泛的行業提供一個總體方向，并將以多種方式加以利用。數字孿生子和物聯網將確定一個發展方向，使更多的權威性和實時數據集被用于模擬。捕捉、存儲和分析來自大量來源的數據的能力將被啟用。它們將形成管理和消除風險的核心能力，在未來的國防采購中，合成環境采購的原則可能會被重新激活。

特征：GAN數字孿生將有可能成為一系列對象和實體的權威性單一數據源，從單個平臺到訓練區、人口甚至是對手。它們將是真正的實時的，并基于經過驗證的、可重復使用的數據源（包括生物統計學）。它們將是可互操作的，并能在比目前更廣泛的使用情況下發揮作用。數字雙胞胎的使用有可能鞏固和凝聚整個國防的數據管理。

效益和機會：數字孿生體有可能支持廣泛的培訓、教育和準備用例。雖然目前還沒有得到證實，但它們也有可能通過重復使用一個平臺或系統的單一權威模型來提高效率，從而消除采購多個模型來實現不同功能的需要。此外，它們還有可能通過生成更高保真度的、多用途的復雜系統模型來提高培訓、教育和準備的有效性。

2.6 元宇宙

預測：雖然沒有單一的定義，但元宇宙（Metaverse）被認為是下一代互聯網，它將傳達包容性的沉浸式數字體驗，在未來，它將與我們的物理現實密不可分。這些構件包括上述的大部分能力領域，包括。云基礎設施、數據（歷史和實時）、實時游戲引擎，包括新的渲染技術，如Lumens和Nanites.5G、觸覺、計算、體積視頻和沉浸式環境。元宇宙目前正受到消費技術公司的大量投資。對于其潛在的所有權、治理、作為一個獨立概念的可信度和商業主張，也有很大的爭議。一個關鍵的爭論是，元宇宙是由大型技術公司（如社交媒體平臺供應商）來實現貨幣化，還是以開放和民主化的方式來發展。Dstl的研究已經開發了一個軍事元宇宙的作戰概念，以了解其未來的潛在效用。英國防部不能忽視元宇宙，而且來自消費者領域的投資極有可能被國防部的培訓、教育和準備用戶部分或全部利用，然而它對這些領域的具體好處需要被更好地理解。

特點：如上所述，元宇宙是一種從一些較低層次的創新或技術能力中產生的能力。預計它將利用從云端召喚大量處理和存儲的能力、面向用戶的能力（如XR）、消費者游戲框架的元素和協作工具。發展可能包括新的輸入方法，包括無障礙設備、基于從消費者游戲中學習到的新的MR用戶體驗（UX）模式、非玩家角色的AI決策樹、從實時數據中捕捉和生成化身、整體捕捉、計算機視覺和穿戴設備。

效益和機會：Metaverses是一種新興的能力，因此，其好處和機會仍有待討論。Metaverses提供了為整個國防使用案例服務的潛力，并確保M&S能力是最新的、一致的、可驗證的、具有成本效益的，并能惠及所有可能受益的人。最終的愿景可能是幫助國防部門充分利用其M&S資源的潛力，作為一種綜合的、一致的M&S能力。這可以提供用戶/創造者社區；提供可以到達所有用戶的按需使用的M&S系統；以及新的按需采購和商業模式。對提供元宇宙所需的基礎技術或功能的投資也可以為國防界提供機會。

2.7 未來的復雜作戰環境

預測：當前和下一代的模擬系統都在提高表現復雜環境的能力，如大城市，以及支持與多領域整合（MDI）相關的系統和效果，如網絡和電磁活動、空間和高度復雜的地形，如大城市。這與數字孿生不同，因為它可能不會實時更新。這種趨勢可能會在模擬系統的GAN中繼續下去，通過云計算、改進的數據采集和環境生成工具獲得更大的處理能力。隨著模擬的規模和復雜性變得不再是一個限制因素，重點可能從提供或擴展處理能力轉向確保構成模擬的數據可以被驗證和確認為適合目的（注意這在技術上和文化上都是一個具有挑戰性的概念）。在能夠增加價值的情況下，理解代表復雜操作環境的要求，以便為國防用例提供好處，重要的是在不需要增加這種復雜性的情況下（例如，在可能對培訓或其他用例產生負面影響的情況下）。

特征：GAN代表未來和復雜環境的能力可能由以下因素驅動。

• 改進數據獲取、驗證和確認以及測試工具，以建立具有驗證信息的復雜環境。

• 通過使用云計算為模擬環境服務，改進處理和存儲，消除對環境規模/復雜性的歷史限制。

• 提高理解、描述和表現軟因素的能力，如使用與更廣泛的模擬組件相聯系的動態模型的人類亞環境。

效益和機會：復雜的環境是未來行動的一個可能的特征（正如一些國防部的政策文件和出版物中所反映的那樣--如全球戰略趨勢），因此，用模擬來有效地表現它們，為國防人員在一個可能無法用實戰訓練方法來表現的環境中作戰提供了潛在的準備。提供適當準確和有代表性的作戰環境模擬，應能提高培訓、教育和準備的有效性，因為這種模擬的開發能夠更好地支持與未來作戰環境有關的新的培訓結果。需要注意的是，培訓解決方案不能被過度設計，并且要了解對這種模擬能力的投資回報，以支持商業案例。

3.0 結論和建議

3.1 消費者技術

國防模擬最終是一個相對較小的專業市場，遠遠小于消費技術市場。在全球網絡中，消費技術部門的龐大規模及其研發預算將意味著它將繼續對國防仿真部門產生影響。這些工具的模塊化性質和相對較低的成本為國防部門提供了一個提高效率的機會，而它們的真實性和沉浸性則為提高有效性提供了機會。

2005-2020年期間，消費者游戲技術對國防模擬市場的影響穩步增長。英國防部的人員現在包括一個熱衷于游戲的社區，他們希望國防模擬的體驗能與他們的游戲機提供的體驗相匹配。國防用戶要求對COTS游戲引擎進行修改，使其成為可用的培訓和準備工具，并增加場景規劃和行動后回顧（AAR）功能。然而，一些游戲引擎已經成功過渡到國防用途。英國國防部對國防虛擬仿真（DVS）的投資很可能已經付出了數倍的代價。隨著時間的推移，植根于消費領域的技術已經逐漸侵蝕了僅用于國防領域的專有模擬工具的市場。世界上最大的國防模擬公司CAE在I/ITSEC 2021上宣布游戲引擎為飛行模擬器提供動力的圖像生成器（IG）是該行業的一個重要時刻。我們可能已經看到了最后一代由專業國防仿真公司開發的專有IG和虛擬及構造仿真工具。除了引擎本身，消費者游戲可能提供工具或流程，可用于更快速地生成仿真內容或事件，提升效率。然而，依賴國防領域以外的市場存在潛在的風險，對某些產品和服務的開發決策的影響可能很快使其效用不再與國防使用案例相關，因此國防對這些產品和服務的投資可能變得多余（例如，新版本打破了向后的兼容性，或新的道德用戶權利限制了其在國防方面的使用）。在決定使用這種方法時，需要仔細考慮風險回報率。

極有可能的是，消費者游戲部門較大的市場規模，以及對元空間的興趣，將繼續拋出對國防模擬用戶感興趣和可用的GAN創新。從歷史上看，消費者游戲公司并不都對國防模擬市場感興趣，因為它的規模較小，或對其環境、社會和治理（ESG）證書有潛在的損害。然而，有證據表明，大型消費者游戲公司對向國防部門提供其工具感興趣。這有可能會帶來一些可能的工業挑戰。

對消費者XR的持續投資也將提供一個國防可以利用的機會。雖然研究會的一些與會者認為XR作為一項技術在消費領域已經達到頂峰，但從中期來看，XR有可能最終取代傳統的投影儀和屏幕作為IG，至少對于一些國防培訓和教育應用來說是如此。基于XR的民用飛行模擬器的認證突出了其潛力。

國防模擬科技界的行動是通過技術觀察、前景掃描和去風險試驗繼續監測這些發展。國防部有自己特定的功能和非功能要求（如安全），這些要求可能并不總是與消費者關注的能力相一致，必須對這些要求進行評估，以使國防部了解開發潛力。

3.2 風險和挑戰

在交付模擬的GAN方面有幾個挑戰。

• 隨著模擬在處理和存儲方面的限制減少，輸入數據和模擬結果的V&V可能會成為一個越來越大的限制因素。這可能是對FOE模擬的一個特別挑戰。適當的V&V是國防模擬界的一個長期要求。不斷提高的計算和網絡能力意味著未來的模擬有可能不受處理或存儲的限制，并有能力運行更大、更復雜的模擬。隨著時間的推移，確保支持仿真的模型和數據的準確性與需求相適應，可能會成為比提供足夠的計算能力來運行它們更大的挑戰。利用仿真技術的限制因素是驗證它是否正確運行，是否有不可預見的后果，以及驗證所產生的實施方案是否適合正在進行的任務（例如，實施水平和V&V是否適合實現特定的培訓目標）。

• 隨著模擬在表現復雜性方面的能力越來越強，控制復雜程度的能力對于確保國防培訓、教育或準備活動集中于實現其結果是很重要的。有一種危險是，模擬能力在管理和維護方面變得過于繁瑣和昂貴，并提供了消極培訓的真正風險。

• 在培訓、教育和準備能力中有效插入新的模擬技術的能力將需要適當的手段來評估它們在當前或替代方法之上或旁邊提供的價值。雖然一些全球網絡能力的可負擔性可能會降低，但在增加的有效性和成本之間可能會有權衡。

• 在全球網絡中使用非國防能力將需要更多地了解新能力的來源和它們出于安全原因的資金來源。這與風險投資（VC）資助的公司和消費者游戲技術特別相關。

• 越來越多的行業資助的知識產權生成，或使用消費者或風險投資公司資助的能力作為全球網絡的一部分，可能意味著供應商對研究活動的合作熱情降低。這也可能給政策和標準領域帶來挑戰。

• 國防部缺乏必要的基礎設施來充分利用這些技術的障礙，如國防部的安全要求可能會對流媒體技術和無線網絡等技術的使用造成越來越大的限制。

• 國防部在設定要求、獲取和使用M&S方面缺乏文化，這使得引入和成功采用GAN M&S方法具有挑戰性。人們認為，改進教育和SQEP將改善這一狀況，同時還包括新的培訓方法、全壽命風險管理方法、新的商業方法等。

3.3 GAN模擬愿景

在GAN的時間框架內，將提供動態的、可擴展的、可重新配置的、高度沉浸的和數據驅動的能力，在培訓教育和準備的有效性和效率方面帶來一步的變化。

面向用戶的系統將了解何時何地利用（或不應利用）全息投影、混合現實技術和高度逼真的圖形的能力，以提供有利于提供培訓的沉浸式體驗，并在適當時取代目前的投影系統和顯示器。在邊緣計算和強大的無線網絡的推動下，這些技術將實現現場、虛擬和建設性領域的無縫過渡和相互作用。面向用戶的系統將不僅刺激視覺和聽覺通道，而且提供多感官的刺激。它們將使用對用戶精神和身體狀態的實時反饋，以及適當的混合學習方法，以提供個人優化的培訓和教育，并推動受訓者的體驗。

M&S系統將提供適當的精確和動態的作戰環境表現，包括所有領域的復雜系統和信息效果。通過數字孿生、環境數據和獨立的復雜模型的無縫集成，使用開放的數據標準和可組合的方法，培訓交付的專業人員將能夠快速建立環境以滿足他們的要求。數據將能夠更迅速地被采集、處理和驗證，以納入模擬系統，開辟新的準備用例。

啟用系統將利用數據分析、有線和無線網絡、人工智能和流程自動化、計算和軟件系統的改進。這些將使GAN模擬能夠更快速、更經濟地提供，并在射程內安全地交付。

3.4 科技建議

為了實現上述愿景，需要開展科技活動以降低開發和交付模擬能力的風險。作為這項任務的一部分，建議的科技活動分為以下幾個方面。

• 監測和了解--這涉及到英國防部需要進行前景掃描活動的領域，以更好地了解全球網絡能力或技術的方向。這里可能會給國防部帶來好處，但在需要更有針對性的去風險活動之前，需要更好地了解使用案例或潛在的基本能力。這包括國際研究合作（IRC）。

• 深度應用研究 - 這涉及到需要進行基礎研究以降低能力或技術風險的領域。

• 實際去風險--這涉及到國防部需要通過進行實際的實驗或實際的試驗活動來消除使用GAN技術或能力的風險的領域。這可能是指出現了一種新的技術或能力，其在國防中的使用尚未得到證實，或者與融合有關的整合問題需要去掉風險。

3.4.1 監測和了解

為監測和了解新能力而進行的科技去風險化，應重點關注消費者和商業技術市場的發展。技術觀察活動應包括

• 面向用戶的系統，包括混合現實技術、全息顯示器、觸覺、多感官刺激和腦計算機接口。

• 消費者游戲技術，包括構建游戲環境所需的工具、用于提供內容的框架和流媒體及其他網絡技術。流媒體是未來M&S交付的一個潛在的關鍵推動因素，也出現在下文。

• 新穎的計算和消費者信息技術。仿真相關的科技不可能為新的計算研究提供資金，但M&S社區可能會從（例如）熱力學計算中看到一些改善SWAP的重要機會。同樣，雖然基于云的模擬形成了下一代的模擬，但也需要繼續了解和利用消費者和商業IT的改進。

• 元宇宙相關的能力，包括基本的個別技術和功能、標準和用例。國防部不能忽視元宇宙和與之相關的資金量，但其對國防部的好處目前還不確定。我們需要幫助國防部了解并消除對元宇宙所帶來的機會的神秘感。

3.4.2 深度應用研究

我們需要在以下領域進行基礎性的應用研究。

• 改進的模擬組合，作為更動態地生成和整合模擬組件的一般促成因素。這需要對仿真數據結構進行基礎應用研究。

• FOE的表示。在GAN中，更復雜的環境應該能夠被常規地表示出來，但仍有重大的V&V挑戰。

• 數字孿生的整合，包括如何將這些數字雙胞胎與其他模擬進行常規連接。

3.4.3 實際的去風險化

英國防部在安全、保障、堅固性和可用性等方面有自己的特殊要求。因此，需要進行實際的實驗來降低國防部使用新能力的風險。

• 努力了解和衡量消費者技術的有效性，特別是面向用戶的系統，與傳統的方法相比。這可以包括比較 "并排 "試驗，以了解培訓或教育的有效性。

• 努力降低邊緣計算、顯示器和網絡在LVC培訓或現場培訓中的融合風險。

• 努力了解如何將人工智能和自動化的改進應用于培訓、教育和準備。人工智能在提高效率和效益方面有一定的前景，但需要滿足國防的具體要求。

• 努力降低國防的無線和流媒體技術的風險，使其成為軍事和安全活動的一般推動者。目前這一代技術在延遲方面是不夠的，而且仍然存在安全問題。

• 努力為國防政策和戰略提供信息，以實施充分利用GAN技術所需的基礎設施，即開發一個模擬生態系統；企業數據管理方法；安全無線基礎設施。

3.5 北約和國際研究合作的作用

北約建模和仿真小組（MSG）將在GAN仿真和合成環境能力的去風險化和互操作性方面發揮關鍵作用。同時，北約人因和醫學（HFM）將為未來培訓的開發和交付提供關鍵的人的方面的見解。

北約MSG目前有以下小組，這些小組與GAN模擬和合成環境能力有很好的配合或提供配合的機會：

• MSG-195 MSaaS第三階段小組正在支持模擬的發展，以采用現代ICT基礎設施，如云、容器化和元數據，在開發和提供基于服務的模擬能力方面提供自動化和效率，可以按需訪問。這些技術已經被用于消費領域，并被考慮用于下一代國防仿真能力，但需要進一步研究GAN的自主性和效率，以充分實現MSaaS的生態系統方法。

• MSG-198研究小組在構建性仿真系統中的可組合人類行為表現，將要求GAN技術提供表現和重新使用未來操作環境的人類行為表現的能力。

• MSG-203建模和仿真在支持當前和未來北約行動中的作用系列講座將發揮重要作用，向高級利益相關者強調可能的GAN技術正在成熟，供北約和各國使用。

• MSG-205盟軍數字孿生體的互操作性和標準化倡議小組將在理解數字孿生體支持北約和各國的作用，以及如何開發共同的方法來實現其使用方面發揮重要作用。

• MSG-206小組將為評估XR技術在北約和各國的培訓和教育中的使用提供一個共同框架。評估和交流消費者領域的發展的共同方法將是跟蹤和利用這些技術發展的關鍵。

北約MSG活動中可能存在差距的一些領域包括:

• 網際網路：需要了解和解讀元宇宙對北約和國家的意義。在消費者領域，利用Metaverse的大量投資的機會將是很多的。跟蹤和維護這些發展將需要資源和整個社區的共同理解。軍方有一些關鍵的使用案例，這些案例也可以用來幫助集中開發Metaverse，以確保這項技術的軍事用途在開發生命周期的早期就被消除風險。

• 一般技術觀察和消費技術的地平線掃描：與元宇宙相關的是，需要對新興技術提供快速的洞察力和評估，以便北約和各國能夠在這些技術出現時迅速加以利用。通過一個共同的方式來評估、理解和交流這種相關性，整個社區的努力將是關鍵。

• 標準小組：北約MSG目前與模擬國際標準組織（SISO）有著良好的關系和合作，通過這種關系，它有助于為SISO產品和服務的制定提供一個共同的北約影響和聲音。隨著消費技術的大量投資和相關性，人們注意到MSG和SISO將需要擴大他們與其他標準組織的關系，如Khronos集團和數字雙胞胎聯盟（等）。

人工智能（AI）應用于武器系統是過去10年研究的一個主要趨勢。這些舉措旨在提高武器的準確性，執行非主動的瞄準手段，幫助導航和制導與控制（例如，在全球定位系統被拒絕的情況下），并減少與傳統的基于物理學的方法相比的整體計算資源，以便在更小、更實惠的武器系統上實現智能瞄準。這項研究還包括將作戰人員的戰斗空間擴展到無人駕駛飛行器，并使用蜂群方法與有人和無人平臺進行合作。

我們首先概述了人工智能的描述和歷史，并概述了人工智能在武器系統中的原理、技術和應用。這包括對監督自主系統；制導、導航和控制；行為和路徑規劃；傳感器和信息融合；智能戰略和規劃；兵棋推演建模；以及認知電子戰的研究和計劃的回顧。

然后，對將人工智能應用于武器系統的系統和項目進行了調查。雖然重點是基于美國的系統和項目，但也包括一個關于俄羅斯和中國相關系統的小節。最后，我們對將人工智能用于武器系統的倫理考慮進行了簡要評論。

引言

1.1 問題陳述

機器學習（ML）和人工智能研究的最新進展揭示了人工智能在實現創新、增加機器的效用以及增強人類能力和經驗方面的力量和潛力。人工智能技術的顛覆性和其影響的深度還沒有被廣大公眾完全掌握。考慮到新時代的新興技術威脅，展示關鍵和相關的人工智能研究和最先進的技術是很重要的，這些技術不僅為武器系統提供了比傳統武器系統更多的自主權，而且大大增加了它們的殺傷力和戰斗生存能力。最終，人工智能在開發改變游戲規則的技術方面帶來了巨大的戰略機遇，這將確保國家安全、繁榮和技術領先地位。

1.2 常規武器系統

美國軍方在創造先進的常規武器技術方面取得了巨大的進步，這些技術支持了士兵在戰場上的任務并增強了他們的能力。這些常規武器技術大多是自動化系統，在計劃、執行和完成一項任務或使命時依靠一套預先編程的規則。然而，在中國和俄羅斯等國家新開發的武器的前沿陣地上，人工智能支持的戰爭和高超音速武器給美國武裝部隊帶來了新一代的質量挑戰。下一代戰斗的步伐要求為戰略決策進行時間緊迫和大量的戰斗信息處理，這使得美國的許多常規武器系統只能執行低風險的任務，并在核領域之外處于威懾力減弱的態勢。

必須承認，人是昂貴的訓練資產。在戰場上增加更多的人員并不是推進最先進的戰爭的優雅或廉價的解決方案。相反，用支持人工智能的智能硬件來增強人在回路中的系統，可以在戰區提供更多的眼睛和耳朵，并通過使人工智能系統執行一些簡單和常規的任務來釋放人類的決策。

此外，無人駕駛作戰飛機系統（UCAS）是一種成熟的具有成本效益的系統解決方案，用于執行情報、監視和偵察（ISR）任務和遠程空襲。然而，自動化能力仍然受到人類在環形操作、評估和接觸的限制。雖然在任何可預見的未來都沒有打算消除武器化人工智能系統中的人類元素，但人類的能力仍然構成這些系統協同潛力的上限。但是，一個由人工智能驅動的智能武器系統的新生態系統將迎來新的戰爭形式和戰略。

人工智能國家安全委員會在其2021年的報告中提出，美國國防部（DoD）的軍事企業在整合人工智能技術方面落后于商業部門，并敦促在2025年前為整個國防部廣泛整合人工智能奠定基礎[1]。

1.3 人工智能的簡要歷史

幾個世紀以來，哲學家們一直在考慮以某種形式人工復制人類智能的某個方面的概念。1869年，威廉-杰農創造了第一臺基于布爾邏輯實現邏輯計算的機器。該機器能夠比人類更快地計算布爾代數和維恩圖。隨著這種邏輯計算機器的發展，人們很自然地質疑機器是否可以通過邏輯推理來為人類解決問題并做出決定。圖1-1中的時間軸顯示了人工智能的歷史和演變，并在本節中進行了詳細說明[2]。

在理論計算機科學的一些最早的工作中，英國數學家阿蘭-圖靈（Alan Turing）思考了機器是否能像人類一樣智能地行為和解決問題的問題。他在他的圖靈測試中提出，如果一臺機器能模糊地模仿人類這樣的智能生物，那么這臺機器就是智能的。這一理論測試成為一種指導性的形式主義，在這種形式主義中，當前的機器被測試其模仿人類智能概念的能力或潛力。作為測試的見證，Loebner獎是一個圖靈測試競賽，其任務是根據圖靈提出的基本問題來評估機器智能研究的現狀。

1928年，約翰-馮-諾伊曼證明了Minimax算法的基本定理，該算法旨在提供一種在零和博弈過程中使最大可能損失最小的策略。

圖1-1. AI歷史年表

在第二次世界大戰的高峰期，阿蘭-圖靈和他的團隊開發了一種機器算法，可以破譯德國的英格瑪信息密碼。他的算法的成功，推動了將復雜任務委托給機器的進一步努力，是機器計算的基礎，也是ML發展的先導。

1943年，McCulloch和Pitts開創了神經網絡（NN）的最早概念--McCulloch-Pitts的形式網絡理論--這在1949年馮-紐曼在伊利諾伊大學的四次演講中得到了體現[3]。

大約在同一時間，約翰-麥卡錫，一位計算機科學家，在1955年創造了 "人工智能 "來指代機器智能；計算機科學家艾倫-紐維爾；以及赫伯特-A-西蒙，一位經濟學家和政治學家，開創了第一個旨在自動推理的真正程序（稱為邏輯理論家）。隨著這一突破性的努力，對智能機器的探索開始了，為人工智能作為計算機科學的一個新的學術研究領域鋪平了道路。

1957年，一位名叫弗蘭克-羅森布拉特博士的心理學家開發了一個名為 "感知器 "的簡化數學模型，描述了我們大腦中的神經元如何運作。這一成就被強調為 "Perceptron收斂定理"。

同年，理查德-貝爾曼開發了動態編程，用于解決一類最佳控制問題。他還介紹了離散隨機最優控制問題的馬爾科夫決策過程表述，這為現在所稱的 "強化學習 "奠定了重要基礎。

在這些發展之后，另一位名叫阿瑟-塞繆爾的人工智能先驅利用他早先在ML方面的開創性工作，成功地開發了第一個檢查者算法。他實現了現在被稱為 "Alpha-Beta修剪 "的早期版本，這是一種搜索樹方法，通過Minimax算法減少評估節點的數量。1959年，一位名叫威廉-貝爾森（William Belson）的統計學家開發了一種名為決策樹的非參數、監督學習方法的早期版本。

在20世紀60年代，人工智能研究的重點是解決數學和優化問題。1960年，羅納德-霍華德提出了馬爾科夫決策過程的策略迭代方法，建立了一些與強化學習有關的最早的工作。

到1968年，著名的路徑搜索算法A-star是由計算機科學家尼爾斯-尼爾森提出的。60年代末，機器人建模、控制和機器視覺方面取得了進展，導致在1972年開發了第一個名為WABOT-1的 "智能 "擬人機器人，并整合了肢體操縱、視覺和語音系統。

Harry Klopf的 "適應性系統的異質理論 "的復興對適應性系統的試錯范式的發展有很大影響。1977年，Ian Witten提出了最早的強化學習系統之一，使用了時間差法。理查德-薩頓和安德魯-巴托設計了一種強化學習算法，稱為演員批評法。

由于70年代中期到80年代末計算機的計算能力限制，人工智能研究在有大量數據處理要求的應用中發現了困難，如視覺學習或優化問題。同時，數學研究 "證明 "了（單層）感知器不能學習某些模式。此外，1973年發表的一份Lighthill報告對人工智能的潛力非常悲觀，這導致人工智能研究的資金被削減。結果，資金短缺導致人工智能的研究經歷了一個被稱為 "人工智能冬天 "的時期。

到了80年代中后期，繼1986年多層感知器的發展之后，在NNs方面也做出了重要的理論貢獻。這些貢獻是David Rumelhart在1986年開發的遞歸神經網絡（RNNs），John Denker等人在1987年開發的貝葉斯網絡，以及Yann LeCun在1989年開發的卷積神經網絡（CNNs）。

此外，Chris Watkins在1989年開發了另一種重要的強化學習方法，稱為 "Q-Learning"。1992年，在IBM的Thomas J. Watson研究中心，Gerald Tesauro通過自我強化學習為雙陸棋游戲訓練了TD Gammon程序。1997年，IBM的 "深藍 "計算機使用粗暴的、基于搜索的算法擊敗了國際象棋世界冠軍加里-卡斯帕羅夫，使其成為第一個在國際象棋中戰勝頂級職業選手的程序。

在90年代末和21世紀初，在ML中看到的大部分進展是由計算機處理、存儲和分布式計算方面的指數級進展所推動的。2007年，需要大量計算資源的保證最優玩法在跳棋中得到了解決。在過去的20年里，圖形處理單元用于通用計算的激增導致了今天人工智能應用的進一步進展，特別是在2012年和2014年，不同的NN拓撲結構，如殘差網絡和生成式對抗網絡的發展。

2015年，ImageNet競賽，一個為約400萬張圖像的ImageNet圖像集開發分類器的公開競賽，有一個冠軍，其錯誤率被認為低于一個人。2016年，DeepMind的AlphaGo程序在擊敗當時被認為是最優秀的圍棋選手李世石后，成為最佳AlphaGo選手。繼AlphaGo的學習能力之后，AlphaZero在2017年擴展了AlphaGo，成為國際象棋和Shogi的最佳棋手。

2019年，美國國防部高級研究計劃局（DARPA）推出了AlphaDogfight，這是基于人工智能的空戰算法在模擬的F-16狗斗中與經過頂級訓練的飛行員進行的一系列三輪競賽。第一輪和第二輪比賽中，人工智能程序相互競爭。第三輪將人工智能勝利者的飛行員提煉出來，與美國空軍武器學校的優秀畢業生進行競爭。蒼鷺系統的人工智能飛行員不僅在競爭激烈的人工智能空中戰斗人員中獲勝，而且在與訓練有素的人類F-16飛行員的較量中取得了令人難以置信的五次勝利。

OpenAI在2020年5月推出了一個名為GP3的 "自然語言處理 "模型，它生成的寫作內容與人類無異。其最新版本可以從簡單的描述性語言生成編程語言代碼[4]。人工智能的歷史繼續向前發展，特別是對國防部的武器系統應用。本報告的其余部分將調查與武器系統有關的當代人工智能技術和系統。

1.4 什么是AI？

根據Barr和Feigenbaum的說法，人工智能被定義為 "計算機科學中與設計智能計算機系統有關的部分，即表現出我們與人類行為中的智能有關的特征的系統--理解語言、學習、推理、解決問題等等"[5]。

Stuart Russel和Peter Norvig在他們的《人工智能：一種現代方法》一書中對人工智能的最新定義是："設計和建造能夠從環境中接收感知并采取影響環境的行動的智能體" [6]。

Pei Wang優雅地將智能定義為 "在知識和資源不足的情況下的適應"[7]。雖然該定義沒有說明適應的目的（如目標），但它揭示了為達到這種智能需要完成的工作。

如果要以人類為中心定義人工智能，即執行人類智能水平的任務，那么人工智能需要感知、推理、知識構建、推理、決策和計劃、學習、交流，以及有效移動和操縱環境的能力。

人工智能的科學目標是回答哪些關于知識表示、學習、規則系統、搜索等的想法可以解釋各種類型和水平的真實智能。工程目標是為不同的應用領域開發人工智能技術，以解決現實世界的問題。

在人工智能的科學基礎上，我們發現來自不同科學領域的可識別概念--哲學、邏輯/數學、計算、心理學和認知科學、生物學和神經科學以及進化。在尋求發現和更好地理解人工智能是什么或將是什么的過程中，來自這些不同知識領域的貢獻已經被證明是不可避免和不可或缺的了。許多研究人工智能的領域都在同時構建人類認知如何運作的模型，并在它們之間采用有用的概念。例如，NN，一個源于生物學的概念，試圖在簡化的人工神經元的基礎上建立人工系統，這個概念導致了一個簡單的抽象知識結構的表示，足以解決大型計算問題集。

人工智能大致分為三個主要層級--人工狹義智能（ANI）、人工通用智能（AGI）和人工超級智能（ASI）。圖1-2說明了這三個層級中的各種分組，本節將更多地討論這些分組。

1.4.1 人工狹義智能（ANI）

ANI是對一個執行狹窄或單一任務的人工智能系統的描述。它可以包括各種方法來獲得結果，如傳統的ML（以圖像分類為例）或目標檢測（包括ML和基于規則的系統）。給定一組規則或約束，它的目標是提供一組代表狹義任務的輸出。ANI不會擴展或學習新的認知，也不會自我學習新的操作模式。數據挖掘、大多數專家系統和針對某一應用的預測功能（例如，垃圾郵件檢測和面部識別）都被認為是ANI的形式。ANI還包括 "有限記憶人工智能"--用于自動駕駛汽車的系統類型，使用過去的經驗（訓練），并學習做決定，隨著時間的推移而改進。

1.4.2 人工通用智能（AGI）

AGI是一種更強大的智能形式，因為它被更多類似人類智能的特征所增強，例如自主學習的能力和解釋情緒和語音語調的能力。這使得與AGI相關的智能與人類的智能水平相當。AGI的一些關鍵核心能力如下：

• 推理、解決問題、運用策略和在不確定情況下做出決定的能力。
• 展示知識的能力。
• 計劃的能力。
• 學習的能力。
• 用自然語言交流的能力。
• 將所有上述內容整合為一個共同目標的能力。
• 類似人類的思維與圖靈測試等計算的結合。

1.4.3 人工超級智能（ASI）

ASI是一種超越最聰明的人類頭腦的智能模型。實現ASI的方法仍在概念化中，但將是那些超越AGI并需要某種自我意識的系統。這些系統最好能代表所有人類的認知能力，甚至更多。

1.5 機器學習（ML）

ML是機器從數據中學習的能力，目的是做出準確的預測。它大致分為四類學習，提供了豐富的專用和通用的技術家族。

1.5.1 監督學習

在這種形式的學習中，訓練數據使用包含的輸入和標記的或預定的輸出數據。如果有缺失的輸入或輸出條目，它們會被預處理，以便將一個輸入正確地映射到其真正的對應輸出。通過從正確生成的訓練數據集中學習，系統學會了將不在原始數據集中的輸入與預測的輸出（標簽或值）聯系起來。這種類型的訓練解決的典型問題是回歸和分類[8]。

1.5.2 無監督學習

這種形式的學習中，系統直接從未標記的數據中發現有趣的或隱藏的結構[9]。無監督學習被用于聚類分析、降維或估計可能產生輸入數據的密度[8]。

1.5.3 半監督學習

當數據集包含有標記的和無標記的數據時，這種學習形式的系統利用無標記的數據來更好地捕捉潛在的數據分布，并獲得一個更好的預測，如果它只從標記的數據中訓練的話。這種學習形式適用于訓練數據集中的標注數據遠遠少于未標注數據的情況[8]。

1.5.4 強化學習

在這種學習模式中，系統使用獎勵/懲罰機制進行訓練，這樣它所選擇和執行的行動，當行動可取時，會使系統得到獎勵，當行動不可取時，會受到懲罰。強化學習問題涉及學習如何做（如何將情況映射到行動上）以最大化數字獎勵信號[9]。

03 人工智能在武器系統中的應用

人工智能有可能應用于武器系統生態系統的許多方面。它被用來控制系統，從而實現自主性和提高性能，以在具有挑戰性的環境中選擇指導、導航和控制方面的問題。同樣，人工智能可用于解決任務和路徑規劃中的挑戰性問題，從而實現更高水平的復雜任務目標和操作要求。人工智能也被用于電子戰領域的支持、反制，甚至是反制措施。它還可能被用于來自不同系統層次和領域的信息融合，以泄露抽象的高價值戰場情報，并提供關鍵線索和快節奏的決策，從而在現代戰爭中創造寶貴的戰術優勢。

報告的這一部分將強調最先進的人工智能方法在適用于自主和武器系統的各種人工智能問題領域的使用。它是根據以下問題領域來組織的。

• 自主性

• 感知中的人工智能

• 制導、導航和控制中的人工智能

• 任務和路徑規劃

• 智能戰略

• 對手建模

• 認知型電子戰

提綱

第一章 引言

1.1問題陳述

1.2常規武器系統

1.3 AI簡史

1.4什么是AI？

1.4.1 ANI

1.4.2 AGI

1.4.3 ASI

1.5 ML

1.5.1監督學習

1.5.2無監督學習

1.5.3半監督學習

1.5.4強化學習

第二章 最先進的方法

2.1學習人工智能范例

2.1.1深度學習

2.1.2強化學習

2.2隨機優化和搜索算法

2.2.1隨機優化

2.2.2圖形搜索算法

2.3新興人工智能范例

2.3.1神經符號AI

2.3.2 NE

第三章 人工智能在武器系統中的應用

3.1自主性

3.1.1定義、級別和框架

3.1.2自主系統的功能組件

3.2感知中的人工智能

3.2.1圖像分割

3.2.2目標檢測、分類和場景理解

3.2.3傳感器融合

3.3制導、導航和控制中的人工智能

3.3.1 GN&C系統

3.3.2常規控制理論方法

3.3.3智能控制

3.3.4本地化和導航

3.3.5系統識別

3.4任務和路徑規劃

3.4.1GAs

3.4.2群體智能

3.5智能策略

3.6對手建模和兵棋推演

3.7認知電子戰

3.7.1電子支持措施

3.7.2 ECMs

3 .7.3 ECCMs

第四章 將人工智能應用于武器系統的系統和程序

4.1天線系統

4.1.1下一代空中優勢計劃

4.1.2 Shield AI Hivemind

4.1.3 Shield AI V-Bat

4.1.4 Kratos XQ-58 Valkyrie

4.1.5 MQ-20 Avenger UCAS

4.1.6自主彈藥

4.1.7 Dynetics X-61小精靈

4.2 海軍系統

4.3 陸軍系統

4.3.1 QinetiQ/Pratt Miller的遠征自主模塊化飛行器

4.3.2Textron系統公司的Ripsaw M5

4.3.3 Rheinmetall公司的Lynx KF41

4.4 群系統

4.4.1 DARPA的攻擊性蜂群戰術

4.4.2自主協同小直徑炸彈群

4.4.3 Perdix群

4.4.4 Mako UTAP22

4.4.5 Coyote UAS Block 3

4.4.6機器人代理命令和傳感群的控制架構

4.4.7激流勇進微型無人潛水器

4.5戰斗管理和智能指揮與控制

4.6 ISR和目標系統

4.6.1 SRC的HPEC Pod

4.6.2復仇女神

4.7導航

第五章 未來作戰中的AI

第六章 人工智能和外來威脅

6.1俄羅斯

6.2中國

第七章 倫理考量

第八章 總結

參考文獻

前言

美國陸軍未來與概念中心 未來戰爭部主任 克里斯-羅杰斯上校

歷史上的戰爭包含了大量改變戰爭性質的工具和技術的例子。自最初研究多域作戰（MDO）以來，美國陸軍發現人工智能是一種新興技術，有可能改變戰爭的特點，也許也會改變戰爭的性質。使用人工智能（AI）解決方案來緩解軍事問題是過去兩年未來戰爭研究、檢查和學習的一個反復出現的主題。作為2019年未來研究計劃的一部分，我們與陸軍、聯合、多國、學術和科技組織合作，探索和了解人工智能對多軍種的影響，并為未來的研究和發展制定一個操作框架。

多域作戰的人工智能運作最終報告提供了采用人工智能的組織框架，以幫助陸軍和聯合部隊更好地定義所需的能力以及相關的數據和網絡架構，以實現多域能力部隊。描述聯合部隊如何采用人工智能解決方案，為了解人工智能在時間和空間上對多域作戰的影響提供了一個操作說明。本報告確定并解決了與人工智能相關的好處、機會和挑戰，為進一步分析提供了基礎。諸如人工智能等新興技術使陸軍不僅可以改進當前的戰術、技術和程序，而且可以創造新的運用和融合能力的方法。

該報告支持美國陸軍人工智能任務組，該組織負責制定陸軍的人工智能戰略和政策。本文通過描述部隊如何在整個MDO框架內采用人工智能解決方案和相關技術，啟動了陸軍的人工智能運用工作。這份報告使概念發展團體能夠修改陸軍功能概念和戰場發展計劃。它為能力發展團體提供了作戰視角和部隊在確定所需能力時必須考慮的技術影響。此外，該報告還為作戰概念文件或基于能力的評估提供了開發情景或小插曲的基礎。該文件為科學和技術界提供了行動背景，以便為人工智能研究、開發、建模和模擬提供信息和指導。最后，它支持制定一個在未來使用人工智能的全面愿景，以告知陸軍現代化的努力，這將創造有能力的MDO部隊，準備好與任何對手作戰并取得勝利。

執行摘要

人工智能（AI）是未來聯合部隊實現多域作戰（MDO）全部潛力的基礎。人工智能系統提供了跨越領域、電磁頻譜和信息環境戰勝對手的能力。在競爭中使用這些系統使聯合部隊能夠近乎實時地了解作戰環境，從而更好地運用能力來擊敗旨在破壞區域穩定的威脅行動，阻止暴力升級，并將被拒絕的空間變成有爭議的空間。在從競爭到武裝沖突的過渡中，人工智能的機動、火力以及情報、監視和偵察能力為聯合部隊提供了拒絕敵人奪取優勢地位的能力。改進的維持能力與攻擊敵人的反介入/空中拒止網絡的能力相結合，為美國部隊提供了奪取作戰、戰略和戰術優勢位置的能力。通過由人工智能支持的多領域聯合行動圖（MDCOP）增加了解，使美國部隊有能力協調多領域的效果以創造優勢窗口。

制定人工智能的作戰概念使陸軍能夠更好地理解這些技術對戰爭的性質和特征的潛在影響。描述陸軍如何在未來的作戰環境中使用人工智能，有助于說明其對戰爭的暴力、互動和基本的政治性質的影響，以及戰爭不斷演變的特點。本文提供了一些小插曲（附錄A），說明了人工智能的組織運用，為美國陸軍RAS總體概念、作戰和組織概念、基于編隊的作戰概念以及系統或單個系統的運用概念的潛在發展提供信息。

人工智能的運作影響到未來部隊將如何運作，如何針對對手開展行動，以及指揮官如何利用軍事藝術和科學，運用部隊能力來實現預期效果和目標。在2019年未來研究計劃（FSP19）期間，人工智能工作線（LoE）確定了與實施人工智能支持的多領域解決方案有關的以下問題：

• 數據管理--AI/ML應用程序依賴于對策劃的數據的訪問，以便發揮作用。陸軍必須培養一種以數據為中心的文化，以標準化的格式和協議有效地生成、存儲和訪問數據。人才管理的努力必須側重于發展、培訓和保留一支精通數據的員工隊伍。這可以通過以下方式實現：

  • 在整個部門培養一種以數據為中心的文化

  • 投資于整個員工隊伍的數據科學培訓

  • 簡化數據訪問

  • 設計和實施協議，以確保數據的可發現、可訪問、可共享和可互操作性

• 功能分解--狹義的人工智能本質上是有限的，構建算法的數據科學家需要精確的問題定義，準確確定聯合部隊的要求。

• 可解釋人工智能--人工智能支持的系統需要有能力解釋決策/建議和所采取的行動背后的邏輯。這種解釋 "為什么"的能力是人類對人工智能智能體的信任基礎。

• 邊緣計算/人工智能--未來的作戰環境與有爭議的電磁頻譜預期要求有能力向前處理極其龐大的數據集，以及能夠自主行動的人工智能平臺。

• 利用商業部門--美國防部實驗室繼續在人工智能/ML發展方面取得重大進展，特別是與聯邦資助的研究和發展中心合作。商業部門繼續探索和擴大可能適用于軍事應用的工作。

作為FSP19的一部分，人工智能LoE開發了五個小插曲和一個概念草圖（見附錄A），以協助人工智能和機器學習的運作。這些小插曲說明了聯合部隊如何利用人工智能/ML來解決多領域行動所需的關鍵能力。MDCOP概念將依靠幾個有限內存的人工智能來建立和維護描繪整個戰場的藍、紅、綠活動。一個反應式機器人工智能將為特定的指揮官和總部定制MDCOP。合作傳感、維持、攻擊和瞄準的小插曲依靠反應式機器人工智能來優化傳感器覆蓋、維持吞吐量、攻擊順序和射手選擇。

未來部隊需要人工智能來充分實現多領域作戰的潛力。人工智能支持的系統使未來部隊能夠進行信息收集和分析，以便在時間有限和信息競爭的環境中增加對形勢的了解。這種能力使快速、知情和合理的決策成為可能。人工智能的決策支持代理將減輕作戰人員的認知工作量并提高整體效率。由人工智能支持的無人系統將探測、識別和穿透高風險區域，以提高開展行動和保護部隊、人口和資源的能力。人工智能使MDO在與近似對手的沖突規模下實現了作戰速度的要求。

執行摘要

未來的北約聯合部隊將納入自主和半自主的地面、空中和海上平臺，以提高部隊的實效性和敏捷性。這些自主系統將作為力量倍增器部署在從班到旅的所有戰隊梯隊中。它們將幫助指揮官發展和保持對局勢的了解，在更廣泛的和人類操作者無法進入的地區提供持久的監視和偵察。蜂群機器人/傳感器可以提供一個協作的、多機器人/傳感器的系統，提供所需的集群行為，以實現系統能夠覆蓋這些更大的區域，共享信息，并提供單個系統無法實現的先進行為。

RTG SET-263 "用于情報監視和偵察的蜂群系統"分析了蜂群系統的運用和系統問題，這些問題可以從運用、系統和技術的角度促進它們與當前戰場戰術系統的整合。這份最終報告為以蜂群為中心的ISR系統（SS4ISR）提供了一個高水平的參考架構，它整合并擴展了SET-263前兩年研究的成果。該參考架構同時解決了以下問題：

• 1）運用問題，即片段式描述的相關運用場景、關鍵能力目標和支持每個目標的一套能力，以及與每個能力相關的SS4ISR作戰運用活動。

• 2. 系統問題，在SS4ISR提供的關鍵系統服務方面，支持系統服務的一套系統節點。
• 3. 技術，在當前和預期的標準和算法方面，以實現預期的系統能力；和

• 4）在聯合/多國聯盟中采用蜂群系統的系統級互操作性設計指南，以及它們與傳統系統的整合。

該文件還通過一組關系矩陣提供了運用和系統問題之間的主要關系，該矩陣提供了以下映射：

• 1）目標與能力的映射。

• 2）能力與作戰活動映射。

• 3. 能力與服務映射；以及

• 4）"蜂群系統 "節點與系統節點的關系。

SET-263研究報告涉及以下研究課題：探測和跟蹤，分析了采用蜂群系統來探測和跟蹤感興趣的區域；人類與蜂群互動，確定了蜂群與人類操作者之間共生團隊的能力和服務；蜂群控制和導航，分析了配置和操作模式，最終目標是解決動態和不確定環境中蜂群必須克服許多挑戰，包括快速規劃/重新規劃和對突發威脅的復原力，這是任務成功的基本要求。機器人與機器人的互動，提供了基于網絡中心、自主決策范式的多Agent系統設計，作為機器人和自主系統（RAS）的新興設計方法；蜂群系統的定位和繪圖，解決了蜂群系統采用同步定位和繪圖能力的問題；數據交換服務，分析了采用以信息為中心的架構作為蜂群系統數據交換的支持；網絡，解決蜂群系統的網絡架構和協議。

第1章 - 簡介

1.1 描述

1.1.1 背景

未來的北約聯合部隊將納入自主和半自主的地面、空中和海上平臺，以提高部隊的實效性和敏捷性。這些自主系統將作為力量倍增器部署在從班級到旅級的所有戰斗梯隊中[1]。它們將幫助指揮官發展和保持對局勢的了解，在更廣泛的地區和人類操作人員無法進入的地區提供持久的監視和偵察[1]。蜂群機器人/傳感器可以提供一個協作的、多機器人/傳感器的系統，提供所需的集群行為，以實現系統能夠覆蓋這些更大的區域，共享信息，并提供單個系統無法實現的先進行為[2]。將平臺數量從幾臺、幾十臺到幾百臺進行擴展并采用以蜂群為中心的行為能力將提高北約部隊的能力：1）在戰場上建立并保持優勢；2）防止敵人做出有效的反應。北約部隊與這些以蜂群為中心的系統的整合，將是實現和保持戰術優勢和作戰效率的關鍵要求。共生的人類-蜂群團隊[3]將使部隊能夠在不確定的場景和條件下有效地理解、適應、戰斗和獲勝。

分布式協作自主系統與士兵合作，提供了一種戰術抵消戰略：一種在復雜的城市和其他領域以高節奏運作的手段，大大降低了風險和士兵數量[4]。將智能系統整合到未來的部隊中，將實現以下關鍵能力：在復雜的地形中提高態勢感知能力；面對對手有爭議的環境進行彈性作戰；增加對峙距離和進入有人系統無法到達的區域；提高作戰安全性；在有爭議的城市環境、前沿作戰基地和車隊行動中，通過提高士兵和指揮官對敵人陣型的了解，使他們能夠通過常規的遠程武器或特定的武裝蜂群元素做出早期反應，從而提高指揮官的反應時間。采用以蜂群為中心的行為將進一步提高智能系統的實效性，因為它允許大量的系統以協調的方式工作和移動，并減少通信和控制要求。它還將使大量的系統能夠以分散的方式運作，然后集中在特定區域，以壓倒潛在的威脅。智能系統和蜂群能力的整合將擴大北約部隊的行動時間和空間，提高機動性和在反介入/區域封鎖（A2AD）環境中克服障礙的能力，使指揮官有能力承擔以前單純的載人編隊所無法想象的行動風險[2]。由于人類暴露在危險中的次數減少，欺騙行動、滲透到敵人防線后面以及開發和追擊行動所固有的風險變得更小，給了指揮官更大的選擇和更可靠的機動自由[2]。除了這些基于陸軍的應用，在港口保護、海上監視發射器定位和反潛戰（ASW）監視方面也可以看到這樣的場景，在北約層面采用水下或水面無人系統群可以1）以一定的持久性來探測潛艇的過境或存在，2）允許北約國家之間共享跟蹤，減少不確定性和接觸的損失。這既可以改善北約空間的安全，又可以作為國家的勸阻力量。

1.1.2 目標

機器人和自主系統（RAS）對于確保機動自由和完成任務，并盡可能減少士兵的風險來說越來越重要。在未來的北約聯合部隊中加入自主和半自主的地面、空中和海上平臺群，將提高部隊的安全性、有效性和敏捷性。

用于ISR的蜂群系統影響到以下作戰能力：

• 收集有關建議行動的持久性ISR數據。

• 部隊保護和攔截；以及

• 反進入區域拒止（A2AD）行動。

如下所述，采用蜂群系統會給ISR行動帶來附加值：

• ISR行動的現狀：

  • 部署具有有限觀察能力的實體，提供準靜態數據；以及

  • 操作員與機器人的控制比例效率低下。

• 蜂群系統對ISR行動的附加值：

  • 部署人工智能驅動的蜂群系統，能夠：

    • i) 臨時、自主觀測；

    • ii) 優化的廣域覆蓋；

    • iii) 動態態勢感知。

  • 動態確定感興趣的相關目標，以提供及時的交戰信息，具有高精度和高保真度。

  • 優化的人機互動，以減少操作者的工作量，提高工作效率。

  • 使用具有相關機載處理和高性能多傳感器套件的未來低SwaP（空間、重量和功率）無人機系統，減少后勤足跡。

1.2 范圍

本文件描述了用于ISR（SS4ISR）的以蜂群為中心的系統的高層次參考架構。該參考架構涉及：

-作戰運用作問題，在以下方面：

• 片段式描述的相關操作場景，見第2章。

• 關鍵能力目標和支持每個目標的能力集，見第3章。

• 與每個能力相關的SS4ISR操作活動，見第4章。

• 系統問題，在以下方面：

  • 由SS4ISR提供的關鍵系統服務，見第5章。

  • 支持系統服務的系統節點和相關組件的集合，見第6章。

  • 實現預期系統能力的關鍵技術和算法，見第7章。

  • 系統級的互操作性，見第8章。

該文件還規定了一套關系矩陣，規定了關鍵架構元素之間的以下映射關系：

• 能力目標與能力映射。

• 能力與運營活動映射。

• 能力與服務映射。

• "蜂群系統 "節點與系統節點的關系。

該文件的組織結構如下：

• 第1章 - 引言，關于該文件的基本信息，以提高其可讀性。

• 第2章 - 用例小結，通過小結描述一組相關的作戰運用場景。

• 第3章 - 能力，描述了能力目標和支持這些目標的一系列部隊能力。還提供了一個矩陣，定義了能力目標和部隊能力之間的關系。

• 第4章 - 業務活動，描述了3.2節中確定的一套能力的關鍵SS4ISR業務活動。

• 第5章 - 服務視圖，描述了系統提供的一系列相關服務。

• 第6章 - 系統視圖，描述了實現每個服務的可能設計方案。

• 第7章 - 技術視圖，確定一組技術和/或算法，這被認為是某項服務的關鍵。

• 第8章 - 互操作性，描述了實現系統級互操作性的可能方法，作為蜂群系統適應性和進化發展的基礎。

• 第9章 - 關系矩陣，規定了本架構的關鍵元素之間的映射關系，即能力目標、能力、作戰場景、服務和系統節點。

1.3 鑒定

本文件代表可交付的D3：SET-263：RTG SET-263的最終報告。

來自以下組織的SET-263團隊成員編輯了本文件：

• Leonardo SpA, ITA.

• Aselsan, tur.

• 挪威國防研究機構（FFI），NOR。

• 美國海軍空戰中心，武器部（NAWCWD），美國。

• 美國國家海洋情報集成辦公室（NMIO），美國。

來自以下組織的SET-263小組成員修改了該文件：

• 美國海軍水下作戰中心（NUWC）分部。

• 美國防物資組織（DMO），NLD。

戰爭的特點正在發生根本性的變化，這些變化對空中力量的影響尤其深遠。多域整合為空中力量和越來越多的空間力量在未來幾年內的一系列轉變做好了準備，這些轉變不僅與技術有關，而且與空軍組織和進行規劃和行動的戰略和作戰概念有關。

迫在眉睫的、不可避免的多域作戰似乎是空中力量的一個明顯的邏輯演變，它可能會引發這樣的問題：為什么我們沒有更早地沿著這些思路思考和發展作戰概念？畢竟，對優化、作戰協同和武力經濟的尋求在空中力量中是持久的。可以說，多年來，空軍及其相關部門事實上已經嘗試以某種方式或形式在多域背景下運作。然而，在整個部隊甚至整個戰區范圍內，為多域作戰（MDO）提出的早期作戰概念（CONCOPS），在多域作戰空間產生作戰協同和效果的努力是前所未有的。

諸如聯合全域指揮與控制（JADC2）這樣的結構闡述了一個作戰云賦能的未來戰爭，其中任務指揮和戰斗空間管理被有效地隱含在整個戰斗部隊中，觀察-定向-決定-行動（OODA）環路被加速到邊緣計算的速度。傳感器和通信網絡決定了空軍承擔幾乎所有傳統任務的功能能力。數據和數據流將變得比空軍傳統上對機動自由的依賴更加重要，并且有效地成為其戰略推動者。空軍力量將越來越多地與網絡而非平臺、數據而非武器系統有關。

任務的成功和失敗一直是由指揮官和作戰人員可用的態勢感知水平決定的。在新興的作戰模式中，空軍以近乎實時的速度收集、處理和利用數據的能力有效地使數據成為最大的工具和最令人垂涎的武器。收集、處理、匯總、分析、融合和傳播大量的數據、信息和知識將需要像未來有爭議的戰場上的事件速度一樣快。目前正在進行的戰爭數字化將導致在未來幾年內將 "大數據"廣泛用于作戰過程。空間領域將在實現全球范圍內連續的、有保障的和安全的通信方面發揮顯著的作用，除了更傳統的遠程監視用途外，它還被用作這種通信的運輸層。

對信息主導地位的追求將以新的和不確定的方式在物理、電磁和虛擬世界中擴展競爭的連續性。隨著空軍對帶有嵌入式人工智能（AI）工具和應用的作戰云的使用，新的風險、脆弱性和故障點將被引入。本出版物收集了來自世界各地領先的思想家的文章和見解，對多域整合和空中力量的信息優勢框架和概念的一些最相關問題提供了深入的觀點。這里的觀點和討論反映了當前對各種戰略、指揮和作戰層面的思考，讀者會發現這些思考對他們更廣泛的理解很有幫助。

這里介紹的專家展望本身既不樂觀也不悲觀，正如我們所期望的那樣，所確認的是各種新技術促成的 "飛躍"機會正在地平線上形成，但其有效利用帶來了復雜和破壞性的新挑戰。在強調其中一些關鍵的挑戰和更好地理解這些挑戰的必要性的同時，正如通常的情況一樣，沒有快速的解決辦法或現成的解決方案。然而，有令人信服的理由認為，今天所預見的眾多挑戰似乎在理論上和技術上是可以克服的，有些甚至在未來幾年內就可以克服。在未來存在的許多不確定因素中，可以肯定的是，空中力量將被徹底重新定義。

引言

本文件是北約 IST-151 研究任務組 (RTG) 活動的最終報告，題為“軍事系統的網絡安全”。該 RTG 專注于研究軍事系統和平臺的網絡安全風險評估方法。 RTG 的目標如下：

? 協作評估軍事系統的網絡安全，并在 RTG 的北約成員國之間共享訪問權限；

? 在 RTG 的北約成員國之間共享風險評估方法和結果；

? 將 RTG 的北約成員國使用的評估方法整合到一個連貫的網絡安全風險評估方法中，以使北約國家受益。

軍事平臺比以往任何時候都更加計算機化、網絡化和受處理器驅動。他們大量使用數據總線，如 MIL-STD-1553A/B、CAN/MilCAN、RS-422/RS-485、AFDX 甚至普通以太網，以及戰術通信的舊標準，如 MIL-STD-188C 和 Link 16。此外，捕獲器、傳感器、執行器和許多嵌入式系統是擴展攻擊面的額外無人保護的潛在輸入。結果是增加了網絡攻擊的風險。然而，這些平臺的持續穩定運行對于軍事任務的成功和公共安全至關重要。

軍事系統和平臺是網絡攻擊的首選目標，不是因為它們像消費電子產品那樣普遍，而是因為它們潛在的戰略影響。一旦受到影響，就可以實現各種短期和長期影響，從拒絕能力到秘密降低其有效性或效率。因此，軍隊必須在各個層面解決網絡安全問題：戰略層面，同時獲取平臺和系統；作戰層面，同時規劃軍事任務和戰術。

北約國家擁有大量可能面臨網絡攻擊的軍事平臺和系統。因此，北約將受益于利用當前的流程和方法來設計更安全的系統并評估當前系統的網絡安全。

本報告介紹了針對軍事系統和平臺量身定制的網絡安全評估方法，該方法由 RTG 團隊成員合作開發，并建立在他們的經驗和專業知識之上。團隊成員已經使用的流程被共享、分析、集成和擴充，以產生本報告中描述的流程。本報告的目標受眾是愿意評估和減輕其軍事系統的網絡安全風險的決策者。

圖一：網絡安全評估過程的五個主要步驟。

報告結構

第 2 節介紹了 RTG 團隊在其存在的三年中用于開發流程的方法。第 3 節列出了可以應用該過程的系統的一些特征。最后，第 4 節描述了評估流程，而第 5 節總結本報告。

執行總結

軍事平臺比以往任何時候都更加計算機化、網絡化和受處理器驅動。這導致增加了網絡攻擊的風險。然而，這些平臺的持續穩定運行對于軍事任務和公共安全的成功至關重要。

絕對的網絡安全是不存在的。必須通過迭代風險評估持續管理網絡安全。傳統 IT 系統存在許多網絡安全風險管理框架和流程。然而，在軍事平臺和系統方面，情況遠非如此。本文檔介紹了針對軍事系統量身定制的網絡安全風險評估流程。該流程由北約 IST-151 研究任務組 (RTG) 活動的團隊成員開發，該活動名為“軍事系統的網絡安全”。該過程可以應用于傳統的 IT 和基于固件的嵌入式系統，這些系統在軍事平臺和系統中無處不在。

低速、慢速和小型 (LSS) 飛行平臺的普及給國防和安全機構帶來了新的快速增長的威脅。因此，必須設計防御系統以應對此類威脅。現代作戰準備基于在高保真模擬器上進行的適當人員培訓。本報告的目的是考慮到各種商用 LSS 飛行器，并從不同的角度定義 LSS 模型，以便模型可用于LSS 系統相關的分析和設計方面，及用于抵制LSS系統（包括探測和中和）、作戰訓練。在北約成員國之間提升 LSS 能力并將 LSS 擴展到現有分類的能力被認為是有用和有益的。

【報告概要】

在安全受到威脅的背景下考慮小型無人機系統 (sUAS)（通常稱為無人機）時，從物理和動態的角度進行建模和仿真遇到了一些獨特的挑戰和機遇。

無人機的參數化定義包括以下幾類:

• 類型學，指的是無人機可以飛行的模式;
• 用于制造無人機的材料;
• 飛行性能;
• 螺旋槳種類;
• 分類;
• 導航系統;
• 遠程控制器特性(如果有);
• 有效載荷，考慮自身傳感器和可能的危險；
• 通信系統。

描述無人機飛行動力學的分析模型在數學上應該是合理的，因為任務能力在很大程度上取決于車輛配置和行為。

考慮到剛體在空間中的運動動力學需要一個固定在剛體本身的參考系來進行合適的力學描述，并做出一些假設（例如，剛體模型、靜止大氣和無擾動、對稱機身和作用力在重心處），可以為 sUAV 的飛行動力學開發牛頓-歐拉方程。

在檢測 sUAS 時，必須考慮幾個現象，例如可見波范圍內外的反射、射頻、聲學以及相關技術，如被動和主動成像和檢測。

由于需要多個傳感器檢測 sUAS，因此有必要考慮識別的參數以便針對不同類型的檢測器對特征進行建模。此外，對多個傳感器的依賴還需要在信息融合和集成學習方面取得進步，以確保從完整的態勢感知中獲得可操作的情報。

無人機可探測性專家會議表明了對雷達特征以及不同無人機、雷達和場景的聲學特征進行建模的可能性，以補充實驗數據并幫助開發跟蹤、分類和態勢感知算法。此外，雷達場景模擬的適用性及其在目標建模和特征提取中的潛在用途已得到證實。

然而，由于市場上無人機的復雜性和可變性以及它們的不斷增強，就其物理和動態特性對無人機簽名進行清晰的建模似乎并不容易。

sUAS 特性的復雜性和可變性使得很難完成定義適合在仿真系統中使用的模型的任務。這是由于無人機本身的幾個參數，以及考慮到無人機的所有機動能力和特性所需的飛行動力學方程的復雜性。

此外，sUAS 特性的復雜性和可變性不允許定義用于評估相關特征的參數模型。

圖1 無人機類別與其他類別/參數的關系（part 1）

圖2 無人機類別與其他類別/參數的關系（part 2）

圖3 參考坐標系

【報告目錄】