人們普遍認為，人工智能即將徹底改變軍事行動。許多學者聲稱，人工智能賦能的致命自主武器，尤其是無人機蜂群，即將接管戰場。本文結合城市作戰評估了這些說法的利弊。通過研究 2004-08 年巴格達聯合特種作戰司令部和 2021 年以色列國防軍的 "城墻守護者 "行動，本文認為人工智能將主要用于軍事情報和目標定位，而非致命性自主武器。

引言

人工智能（AI）即將徹底改變戰爭的進行方式，就像火藥、坦克、飛機和原子彈在以前的時代一樣。如今，各國都在積極尋求利用人工智能的力量來取得軍事優勢。例如，普京宣稱，"誰成為這一領域的領導者，誰就將成為世界的統治者"。 為了應對俄羅斯等大國提出的挑戰，美國承諾實施第三次抵消戰略。美國將大力投資人工智能、自動駕駛和機器人技術，以保持其國防優勢。谷歌前首席執行官埃里克-施密特宣稱，美國正處于人工智能軍備競賽中。2018 年 9 月，美國國防部高級研究計劃局（Defense Advanced Research Projects Agency）宣布了一項耗資 20 億美元的活動，以開發下一波人工智能。美國國防部（DOD）于 2019 年發布了人工智能戰略，大幅增加了人工智能資金；2020 年，國防部預算中要求為人工智能撥款 9270 億美元。較小的國家也同樣致力于人工智能的軍事發展；例如，英國和以色列正在發展這一領域的能力。

人工智能并不總是很容易定義，因為人工智能有很多類型。相反，它是一個領域，而不是一個特定的對象。不過，"人工智能 "一詞指的是能夠（在一定程度上）開發出不受人類直接指揮而獨立處理數據的能力的計算機軟件。當今大多數人工智能的顯著特點是，它們可以開發或改進自己的程序，以便更有效地完成所設定的數據處理任務。

要理解人工智能的軍事意義，了解人工智能的歷史是很有幫助的。在過去的五十年中，人工智能主要有兩種類型：老式人工智能（GOFAI）和第二波人工智能（Second Wave AI）。老式人工智能發展于二十世紀五六十年代。1956 年，阿蘭-圖靈等名人參加了著名的達特茅斯人工智能研討會，此后，計算機科學家們探索了利用符號邏輯編程讓計算機自主處理數據的可能性。科學家們為他們希望分析的變量分配符號值。然后，他們給計算機編程，讓計算機根據數理邏輯計算這些符號。老式的人工智能在有限的任務中取得了成功。然而，由于它依賴于大量經過策劃的輸入，GOFAI 的范圍很窄。在面對真實世界時，它往往會崩潰。現實世界不可避免地超越了程序員的符號編碼。因此，在取得了一些初步成功之后，人工智能程序就搖搖欲墜了。從 20 世紀 70 年代到 90 年代，人工智能領域陷入了寒冬。

20 世紀 90 年代，尤其是 2000 年之后，人工智能領域掀起了一場革命。第二波人工智能取得了一些令人矚目的成就。第二波人工智能的運作方式與 GOFAI 截然不同。第二代人工智能依賴于三個關鍵組成部分： 數據、計算能力和算法。數據是指網絡空間中的數字信息；它最終由幾乎無限的二進制存儲組成。數據爆炸是過去幾十年人工智能發展的關鍵因素。自互聯網和數字通信誕生以及數字傳感器在全球范圍內普及以來，出現了數據爆炸。現在，幾乎每項活動都會在某個地方留下數字痕跡。人類不可能篩選和分析所有這些數據。在這方面，人工智能變得至關重要。人工智能程序利用龐大的計算能力處理這些數據，以識別模式或特征。當代的人工智能完全是在歸納和統計的基礎上完成這項工作的。根據數據，人工智能程序計算出最可能的相關性。數據越多，計算就越精確。人工智能什么也不懂。它不知道現實是什么，無法理解意義。它只能識別數據中經常出現的二元對立。然而，由于它可以處理大量數據，因此能夠對網絡空間中以數字方式記錄的活動提供獨特的見解。它能在數據中看到人類無法看到的數字關聯和聯系。

第二代人工智能算法通常采用各種形式的機器學習： 監督學習、無監督學習或強化學習。每種形式都略有不同：監督學習要求程序狹義地預測什么，無監督學習允許程序自己對數據進行分類，而強化學習則指定獎勵。這三種技術略有不同。然而，在每種情況下，機器學習算法都是通過純粹的歸納法運行的。第二代機器學習算法是圍繞深度學習神經網絡發展起來的，它允許程序以或大或小的數字意義權衡不同的數據位，從而生成更準確的答案。數據越多，人工智能就越準確。第二代人工智能一無所知。然而，由于現在有如此多的數據，它變得越來越強大。它的歸納越來越準確，人工智能現在可以根據過去的案例做出合理的預測。

第二代人工智能在安全和國防方面的潛力顯而易見。它有可能讓兵力處理數量難以想象的數據。由于第二代人工智能以如此巨大的計算能力為基礎，因此它可以整理和分析的數據幾乎沒有限制。它可以處理來自衛星、地面傳感器和手機等各種來源的數據，提供準確的態勢圖。人工智能可以讓指揮官在整個作戰空間看得更遠、更準、更快。人工智能可能會加速決策。

鑒于人工智能的潛力，國家為軍事目的利用人工智能的前景一直是專業和學術界深切關注的焦點。已有大量文獻對這一爭論的許多方面進行了論述，而且文獻數量還在不斷增加。許多評論家擔心，人工智能將對全球安全產生重大影響，尤其是隨著中美大國競爭的加劇。然而，本文的首要研究問題是人工智能對城市安全的影響，尤其是對城市運行的影響。次要問題是第二代人工智能的應用會如何改變城市戰爭的特點，以及隨著人工智能變得越來越強大和無處不在，城市戰爭在未來十年會如何演變？

超級計算機和殺手機器人

鑒于這些戲劇性的發展，研究全球安全的學者對人工智能的軍事應用產生了濃厚的興趣。例如，本-布坎南（Ben Buchanan）和安德魯-伊姆里（Andrew Imrie）在他們最近關于人工智能的專著中聲稱，人工智能代表了一種潛在的革命性軍事發展。在布坎南和伊姆里看來，人工智能是新的火焰。在布坎南和因布里看來，人工智能是新的火種，相當于古希臘的火或中世紀晚期歐洲的火藥武器。人工智能將改變武器的破壞力。在人工智能下，致命的自主武器將占據主導地位。人工智能將使殺手機器人和成群的自主無人機得以崛起。

這種觀點看似極端，甚至毫無道理。兵力可能很快就能利用致命的自主系統隨意監控、打擊和殺死對手甚至平民。事實上，自主無人機群已經有了實驗。2016 年 10 月，美國國防部展示了一個由 103 架 Perdix 微型無人機組成的蜂群，能夠 "進行集體決策、自適應編隊飛行和自我修復等先進的蜂群行為"。顯然，美國的對手正在試圖開發這種技術。

許多學者一直擔心，兵力會將人工智能化的致命自主武器應用到城市地區。例如，英國城市地理學家斯蒂芬-格雷厄姆（Stephen Graham）對城市中新安全技術的擴散表示擔憂。10 例如，英國城市地理學家斯蒂芬-格雷厄姆（Stephen Graham）描述了新安全技術在城市中的擴散。他認為，安全兵力正在積極尋求將城市置于全面控制之下。他們顯然沉迷于對技術的渴求以及對掌握和控制的拜物教沖動，以適應城市反叛亂戰爭的新需要。

人工智能賦能的自主監控和武器系統將使他們能夠實現主宰城市的野心。

斯圖爾特-拉塞爾一直是反對人工智能賦能武器擴散的領軍人物。從 20 世紀 80 年代起，他就在人工智能的發展中扮演了重要角色。因此，他為監管人工智能賦能的致命性自主武器進行了聲勢浩大的宣傳。拉塞爾尤其關注自主致命無人機群的可能性及其對城市造成的威脅。2017 年 11 月 12 日，他發布了一部名為《屠宰機器人》（Slaughterbots）的短片。該片戲劇化地描述了殺手無人機暗殺參議員和入侵大學校園的可能性。其含義是，一旦它們實現自主化，人類將失去對這些蜂群的控制，它們將毫無約束地殺人。

2020 年，斯圖爾特-羅素在英國發表了 BBC 雷斯演講。他的一次演講專門討論了人工智能的軍事潛力問題。他再次回到 "城市環境中的屠宰機器人和殺手機器人 "這一主題，"2015 年，致命自主系統的所有要素都已存在： 自主無人機、蜂群能力和武裝能力"。他描述了一種場景，即罐子大小的致命四旋翼無人機可以裝備爆炸項目裝置，"可以運出一百萬架。這是不可避免的。最終，自主系統將成為廉價的選擇性大規模毀滅性武器。他繼續說："殺傷人員地雷可以消滅一個城市中所有 16 至 60 歲的男性或以色列的所有猶太公民，而且與核武器不同的是，它可以留下城市的基礎設施。他列舉了土耳其最近于 2021 年 3 月在利比亞使用 Khargu-2 型自主無人機作為證據。拉塞爾總結道："將會有 800 萬人想知道為什么你不能給他們提供保護，防止他們被機器人追殺。據拉塞爾稱，自主武裝無人機群將足夠聰明，可以瞄準城市。武裝無人機將能夠識別并殺死街道和建筑物中的單個人類或小群體。

其他學者與羅素一樣，也認為人工智能自主武器可能對城市構成威脅。無人機專家大衛-漢布林（David Hambling）描述了無人機群在城市地區的潛力： "由一萬架小型無人機組成的蜂群可以夷平一座城鎮......一架小型棲息無人機可以投放多枚蝙蝠大小的燃燒彈......無人機一起行動可能會炸毀一座橋梁或摩天大樓，但它們的作用遠不止于此"。同樣，保羅-沙爾（Paul Scharre）也稱，全球各國軍隊都在爭先恐后地在海上、地面和空中部署機器人--90 多個國家都有無人機在天空巡邏。這些機器人的自主性越來越強，許多還配備了武器。目前，它們還在人類的控制下運行，但當 "捕食者 "無人機擁有像谷歌汽車一樣的自主能力時，會發生什么呢？

他擔心的是，"在未來的戰爭中，機器可能會做出生死攸關的交戰決定"。英國安全研究學者肯-佩恩預測，戰爭機器人的崛起，人工智能系統將允許聯網的計算機代理自主決策，即使在不確定的環境中，也能實現極快的順序行動......很快，自主和智能平臺就能比人類操作的平臺機動得更快、更精確。

不久之后，兵力將能夠隨意支配城市的目標。因此，許多學者呼吁對這些武器進行管制，將無人機限制在遠離平民的城市地區進行 "殺戮行動"。

一種共識正在形成。很快，人工智能賦能的自主致命無人機群將改變城市戰局。成群的無人機將在城市上空自主飛行，以極高的效率獵殺敵人。傳感器將發現目標，并在不受人類指揮的情況下攻擊目標。然而，盡管這些作者從不同的倫理立場來看待自主蜂群的前景，但他們對未來城市作戰的一致看法卻令人震驚。未來幾十年，人工智能武器的引入將改變城市戰爭。很快，成群的無人機將在很大程度上取代人類戰斗員。因此，城市作戰的節奏將加快，打擊的準確性和同時性將提高；攻擊城市地區將變得越來越容易。每座城市都將成為自主蜂群攻擊的潛在受害者，通過算法識別并摧毀人類目標。

這些觀察家強調第二代人工智能對戰爭的重要性是正確的。人工智能的發展很可能對未來幾十年的城市戰爭產生深遠影響。他們為未來的城市沖突描繪了令人信服的愿景：能夠在城市環境中進行無處不在的監視和有保障的打擊的自主無人機群將改變城市地區的軍事行動和城市戰爭本身。我們要感謝他們。但他們說得對嗎？

人工智能與城市作戰

毫無疑問，遠程系統已經成為軍事行動的重要組成部分。阿塞拜疆兵力在第二次納戈爾諾-卡拉巴赫戰爭中非常成功地使用了它們。它們在俄烏戰爭中發揮了重要作用。雙方在進攻和防御中無處不在地使用它們執行偵察和打擊任務。事實上，據報道，烏克蘭人每個月要消耗大約 10 000 架無人機。其中一些是用于摧毀的游蕩彈藥，但俄羅斯人擊落了許多。自第二次世界大戰以來，致命的自主武器就已經存在。許多有能力的自主武器目前正在使用，如宙斯盾、愛國者、以色列的鐵穹或韓國的 SGR-AI。未來十年，致命的自主武器（包括無人機群）可能會更多地出現在戰場上。它們有可能對城市戰爭產生一些影響。

然而，盡管未來人工智能賦能的自主武器有可能在城市作戰中常規部署，但現在的兵力距離這一點還有很長的路要走。機器人和無人機群不可能很快在城市戰爭中發揮決定性作用。環境過于復雜，在人口稠密的城市戰爭等高強度動態作戰環境中，即使存在明確的目標和標準操作程序，"任務式指揮 "的靈活性和適應性仍然至關重要，即使是常規的 "任務指令"（即 "任務指揮 "的反義詞），ML-AI 工具的功能實用性也存在問題。

即使是最成功的第二代人工智能程序也依賴于大量經過精心整理的數據，并為穩定的封閉環境開發出出色的歸納模型。然而，由于城市環境如此復雜多變，很難想象當代的人工智能程序如何能有效學習，從而有效執行行動。此外，評論家大大夸大了無人機群的能力。實際上，無人機群的射程和有效載荷是有限的；火箭彈可能更容易造成更大的破壞。鼓吹者忽視了不可避免的反制措施。例如，在使用無人機和閑置彈藥對烏克蘭城市進行戰略轟炸時，大多數機身都被干擾或擊落。自主無人機群在廢墟和燃燒的街道上俯沖，隨意消滅目標的設想只是科幻小說，而非計算機科學。

然而，雖然致命的自主性在城市環境中可能難以實現，但這并不意味著人工智能對未來的城市行動不重要。相反，在過去二十年里，人工智能已經在城市行動中發揮了重要作用。隨著人工智能能力的增強，它在未來十年似乎不可避免地會變得更加重要。然而，在未來十年左右的近期內，人工智能的主要應用不太可能是致命性自主。致命的自主無人機群是不可能的。正如幾位學者已經指出的那樣，人工智能的主要應用可能更加平凡，但其重要性并不遜色；最有可能的是智能。

第二代人工智能可處理海量數據。因此，它具有分析現象和提供洞察的超強能力。值得注意的是，最近的國防戰略文件強調的不是作為人工智能主要用途的致命自主性，而是人工智能可能促進軍事情報轉型甚至革命的方式。人工智能可用于處理大量數據，從而讓指揮官更好地了解作戰空間，更有效地制定計劃和目標。事實上，在人工智能的幫助下利用大量數據源，軍事指揮官將能比以往更深入、更準確、更快速地感知城市環境。他們將能夠更快、更準確地識別敵方兵力。此外，即使此后真的出現了致命的自動機群，它們也將依靠數據為其提供戰斗空間的情報圖景。我們不妨舉例說明人工智能在城市作戰中的應用。

聯合特種作戰司令部

近二十年來，兵力利用數據和人工智能的效果越來越好。現在有越來越多的實例可供參考。不過，我們不妨回顧一下西方兵力在城市行動中最早使用數據和人工智能的情況。聯合特種作戰司令部 2004 年至 2008 年在巴格達的行動就是一個明顯的例子。2004 年，聯合特種作戰司令部（JSOC）在巴格達成立，斯坦利-麥克里斯特爾（Stanley McChrystal）將軍擔任司令。2004 年至 2008 年期間，聯合特種作戰司令部的任務是摧毀伊拉克基地組織，并追捕該組織在伊拉克的領導人扎卡維。聯合特種作戰司令部在巴格達、拉馬迪和費盧杰開展了工業級反恐行動，主要由美國三角洲部隊和英國特種空勤團組成的兵力每晚執行任務，打擊 "基地 "組織網絡。他們突襲房屋和基地，擊斃或抓獲基地組織恐怖分子，并獲取有關網絡的情報。這是一次有效行動，聯合特種作戰司令部成為一個獨特的網絡化、跨機構的全球性組織。它在 2006 年消滅扎卡維的行動中發揮了關鍵作用。數據發揮了重要作用。

在行動初期，有幾次失誤凸顯了改進情報收集和融合工作的重要性。例如，2004 年 9 月 16 日，基地組織在巴格達抓獲了一名英國土木工程師。他隨后于 2004 年 10 月 7 日被扎卡維斬首。三周來，聯合特別行動小組一直在尋找他的下落，但沒有找到。然而，回過頭來看，找到比格利的證據是存在的；他的上司已在聯合特種作戰司令部的數據中被確認，但人類分析人員卻忽略了這一點，并聲稱 "當時就無法接受，現在更是如此"。如果JSOC有一個更高效的系統，利用機器學習梳理數據，就能發現這些證據，救出比格利。

為了開展行動，JSOC 動用了一切可用的情報來源。它從中央情報局、國家安全局、英國軍情六處和其他國家情報機構獲取情報。它利用了衛星圖像、信號情報、電話截獲、公開來源情報和人力情報。這是一場信息洪流。許多傳統的整理和分析技術都得到了應用。聯合特別行動小組處理的是復雜的信息和證據。因此，在可能的情況下，JSOC 還將機器學習人工智能應用于這一問題。許多情報信息都是數據信息或可作為數據的信息： 也就是說，是可量化、可計算的信息。因此，聯合特種作戰司令部將所有可能的情報融合為數據，并對其應用算法，以確定模式并對情況發出警告。

最終，聯合特種作戰司令部請來了幾位數據專家提供幫助。安舒-羅伊博士領導的 Rhombus Power 團隊發揮了重要作用。羅伊擁有密歇根大學計算機博士學位。他發明了固態亞原子粒子探測專利平臺。他還將自己的編程專長用于解決安全問題，成立了 Rhombus Power 公司并建立了程序 Guardian。Rhombus Power 是協助美國國防部解決安全和國防問題的領先科技公司之一。該公司開發的算法能夠識別數據中的模式，從而幫助發現恐怖分子或敵人。

羅伊有趣地講述了他的團隊如何在這一過程中幫助 JSOC："動蕩中有秩序。辨別這種秩序是可能的，這樣你就可以對復雜的問題進行干預"。羅伊的團隊從戰術單位獲取了所有數據，并開發了一個自動系統，用于融合來自不同情報來源的數據并對其進行快速分析，"我們對這些數據進行了匯總和地理定位"。麥克里斯特爾確定了任務，并在此基礎上確定了關鍵信息需求，但 Rhombus 加快了解決方案的進程。我們將其數學化，能夠快速、反復地將其轉化為數學[原文如此]結構，并將其編碼和輸入人工智能系統。

利用機器學習和算法，羅伊的團隊能夠識別數據中的異常現象和特征，并據此推斷會發生什么。羅伊對他們所做的工作進行了總結："捕捉一切可以捕捉的東西，將其數學化，進行編碼，這樣下一批人就會輕松得多。

聯合特種作戰司令部對數據、數據分析、算法和機器學習的使用并非靈丹妙藥。聯合特種作戰司令部之所以取得成功，是因為它有明確的任務，并對伊拉克的叛亂活動和基地組織有了深入了解。人類情報、信號情報和特種部隊夜間突襲獲得的物證也證明至關重要。然而，麥克里斯特爾以數據為中心、人工智能賦能的方法增強了這些傳統方法，使 JSOC 能夠在復雜的城市環境中識別扎卡維。使用大數據和機器學習處理數據確實加快了決策周期，使其更加準確。正如麥克里斯特爾所說："作為一名指揮官，你要檢查數據，然后信任它。你要培養了解人工智能的領導者。這些信息相互關聯，對他們來說是有意義的。

由于采用了 "人工智能 "技術，JSOC 得以利用大量可能淹沒的信息，追蹤扎卡維的數字足跡，并將其與其他證據聯系起來。2006 年 6 月 6 日，聯合特別行動小組最終追蹤到扎卡維在巴古拜北部一個叫哈比卜的小村莊的安全屋。美國空軍兩架 F-16 型飛機向該建筑投擲了兩枚激光制導炸彈，炸死了扎卡維和五名同伙，包括他的副手。

以色列國防軍

以色列國防軍在使用數據方面同樣先進。自 1987 年第一次起義以來，以色列軍隊的主要任務就是鎮壓加沙和約旦河西岸的巴勒斯坦恐怖組織。許多人對以色列的政治局勢表示遺憾；他們有充分的證據將其描述為種族隔離國家。然而，無論政治局勢如何，以色列國防軍（IDF）為城市化行動如何利用數據提供了一個鮮明的例子。自 20 世紀 80 年代以來，以色列國防軍一直密切監視法塔赫和哈馬斯等巴勒斯坦團體。在過去 15 年中，以色列國防軍還明確尋求利用數據追蹤巴勒斯坦恐怖分子并將其作為目標。巴勒斯坦人使用移動電話進行通信，無論他們采用多少反制措施，都會在網絡空間留下數字簽名。除了傳統的情報收集方法外，以色列的傳感器在約旦河西岸和加沙地帶布滿了衛星、雷達和攝像頭。人的因素已不再足夠，因為士兵的體力無法跟上輸入數據的數量。

此外，開放源碼數據已成為收集情報的豐富手段，但其提供的潛在數據量巨大。以色列國防軍軍官強調了這一問題："數據是無窮無盡的，在某些領域甚至達到了 PB（一百萬千兆字節）"。

因此，以色列國防軍成立了幾個專業單位來利用數據的潛力，如 8200 和 9900 單位、J6 或 C4I 局的 Lotem 單位，以及以色列國防軍西格瑪分部。正如西格瑪分部指揮官所指出的，"目標是提高以色列國防軍的效率"。以色列國防軍已對人工智能應用程序進行了培訓，以篩選大量數據，識別重要信息。以色列國防軍的人工智能程序可以一次分析數百個視頻，并自動標記可疑活動。例如，在 2014 年的 "護刃行動"（火箭彈襲擊后對加沙哈馬斯的懲罰性攻擊）之后，Lotem Unit 開發了一款應用程序，該應用程序可從現場傳感器和其他數據中獲知："我們收集了最有可能設置發射器的區域和時間。這使我們能夠提前知道會發生什么，應該攻擊哪些地區，以便更有效地打擊他們"。

到 2017 年，以色列國防軍已經開發出了復雜的描述性人工智能程序；其算法可以自動識別作戰空間中感興趣的目標。其目的是創建預測性人工智能。人工智能程序不僅能識別以色列國防軍已在行動的目標，還能預測巴勒斯坦特工人員的動向，并提出行動方案建議。

2021 年，以色列國防軍對加沙的哈馬斯發動了又一次重大行動，即 "長城守護者行動"。以色列兵力將這次行動稱為第一場人工智能戰爭。在 2014 年專家部隊工作的基礎上，以色列國防軍將人工智能完全納入了瞄準過程。這一點至關重要，因為數年來以色列在無人機、F-35 戰斗機、地震監測儀和其他系統上使用了電子傳感器網絡。以色列國防軍收集了數十億條關于哈馬斯和巴勒斯坦伊斯蘭圣戰組織的信號和其他情報。以色列國防軍將這些不同的數據集融合在一起，通過采用人工智能算法和機器學習，并搭配'人機小組'中的情報分析師來標記和審查潛在目標，以色列國防軍將大量數據綜合成沖突前的目標文件夾，這些文件夾比2014年的要詳細、準確和及時得多"。

人工智能使目標定位越來越動態，也比過去更加準確。利用數據和人工智能，以色列國防軍開發了一套'情報驅動作戰'系統，利用數字作戰空間管理系統向作戰部隊實時傳播情報，將目標與精確制導彈藥相匹配，"以色列國防軍可以實施高度精確的空襲，大大降低了對平民的風險"。

例如，在這次行動中，以軍的目標是哈馬斯東拉法旅旅長穆罕默德-巴瓦布，他在2014年綁架了兩名以色列國防軍士兵。他的房子是指揮所。以色列國防軍想襲擊這座建筑。然而，各種信號（其中一些由人工智能處理）顯示，有平民躲在房子外面的一棵棕櫚樹下。以色列特工部門辛貝特打電話給巴瓦布的鄰居，用阿拉伯語警告他們："你們在棕櫚樹下，房子附近。走開，有一枚一噸重的炸彈過來了，你們會受傷的"。人工智能幫助以色列國防軍實施了精確的致命打擊，但平民傷亡仍然很高：120 人喪生。然而，以色列的打擊無疑比過去更加精確；99 人確認被敵方擊斃，另有 40 人可能是敵方人員。以色列國防軍聲稱平民與交戰人員的傷亡比例為 1:1。數據和人工智能使以色列國防軍能夠在復雜、密集的城市環境中精確瞄準目標。

結論

在過去二十年里，兵力越來越多地尋求利用第二代人工智能的潛力。每年，人工智能的軍事潛力都變得更加明顯和強大。因此，許多學者擔心，人工智能即將掀起一股致命的自主武器浪潮，從而改變城市的戰斗空間。成群的殺人無人機將取代人類戰斗員，以無情的精確性和殺傷力打擊城市地區的目標。本文持另一種觀點。人工智能對城市作戰越來越重要。然而，正如巴格達的 JSOC 和以色列國防軍的例子所示，人工智能的真正潛力不在于致命的自主性，而在于數據處理；因此，也在于情報和目標選擇。網絡空間中的數字信息資源來自公開來源、衛星、移動電話和一系列其他傳感器，可能為指揮官提供無與倫比的戰場縱深監督。他們可以比以往看得更遠、更準確。然而，要挖掘數據的潛力，就必須使用人工智能程序來處理所有這些材料；這是一項相當挑戰人類的任務。數據和人工智能已成為城市作戰的關鍵資源；未來將更加如此。

這兩個例子都涉及針對恐怖分子的軍事行動；都是強度較低的行動。許多學者認為，致命的自主無人機的出現將加速國家間的高強度戰斗。隨著蜂群之間的自主戰斗，戰斗將變得快速、簡單和具有決定性。機器人作戰將消除摩擦和混亂。這似乎不太可能。打擊伊拉克基地組織的戰役漫長而艱苦。盡管有人工智能賦能的目標定位，以色列國防軍還是陷入了與巴勒斯坦對手無休止的斗爭。正如目前對杰寧的干預所顯示的那樣，"長城守護者 "行動可能是精確的，但卻不是決定性的。

俄烏戰爭在這方面具有啟發性。這是兩支裝備精良的兵力之間真正的國家間戰爭。在美國的密切支持下，烏克蘭人采用了以數據為中心的瞄準系統，這與聯合特種作戰司令部和以色列國防軍密切呼應。通過利用數據和人工智能處理的力量，烏克蘭兵力能夠瞄準俄羅斯的指揮所和后勤樞紐，其深度和精確度令人印象深刻。然而，這場戰爭中的戰斗已在烏克蘭城鎮內外凝結成一系列艱苦卓絕的戰斗。圍困而非閃電演習占據了主導地位。隨著烏克蘭人繼續反攻，這種模式很可能會繼續下去。

兵力越來越多地利用數據來獲得戰場優勢，但戰斗，尤其是城市地區的戰斗，已經放緩。俄羅斯和烏克蘭兵力規模相對較小，這與此有關；他們匯聚的決定性地點，往往是城市。遠程精確火炮和無人機使他們難以移動。數據也至關重要。雙方--尤其是烏克蘭人--都能在縱深地區準確而迅速地鎖定目標。因此，消耗性的陣地戰占據了主導地位。那么今天就有一種諷刺意味。隨著數據的使用，兵力現在可能確實能以光速瞄準目標，但作戰行動本身，尤其是在城市地區，卻放慢到了冰川般的速度。二十一世紀的戰爭已減速至中世紀的作戰速度。

美國海軍部長以審慎的方式分布海軍兵力，以支持美國防部（DoD）的指導、政策和預算。目前的戰略、部署和分布（SLD）過程是勞動密集型的，時間密集型的，而且在考慮競爭性的替代計劃方面的敏捷性較差。SLD可以從人工智能的實施中受益。本文引入了一種相對較新的方法來解決這些問題，該方法最近來自于海軍研究辦公室資助的一個早期項目，該項目結合了機器學習、優化和兵棋推演的深度分析。這種方法被稱為LAILOW，它包含了利用人工智能學習、優化和兵棋推演（LAILOW）。在本文中，我們開發了一套獨立的偽數據，模仿了實際的、分類的數據，這樣就可以安全地進行實驗性游覽。我們展示了LAILOW為每一艘可能被移動的可用船只產生了一個類似于兵棋推演場景的分數。每艘船的分值都會增加，因為需要較少的資源（如較低的成本）來滿足SLD計劃的要求，將該船轉移到一個新的母港。這就產生了一個數學模型，能夠立即比較可能被選擇的競爭性或替代性船舶移動方案。我們設想一個更加綜合、一致和大規模的深度分析工作，利用與現有真實數據源相聯系的方法，更容易地對通過SLD過程考慮的平臺移動的潛在方案進行直接比較。由此產生的產品可以促進決策者學習、記錄和跟蹤每個SLD過程中復雜決策的原因，并確定部隊發展和部隊組建的潛在改進和效率。

圖1. 在共同進化兵棋推演模擬中查看LAILOW；ML算法（即SoarRL）被用來模擬雙方的玩家或效用函數。

方法

本文詳細介紹了與研究問題和規定階段有關的方法。我們應用一個數學模型（即Leverage AI to Learn, Optimize, and Wargame[LAILOW]模型）來解決研究的深度分析問題。LAILOW源于ONR資助的一個項目，該項目專注于機器學習、優化和兵棋推演的深度分析，本質上是Leveraging AI，由以下步驟組成：

學習： D數據、數據挖掘、機器學習和預測算法被用來從歷史數據中學習關于什么和如何做出決定的模式。來自競爭需求的數據是指來自艦隊指揮官、國家領導人的游覽建議和要求，以及在不同安裝地點的各個功能區所做的評估數據。目前的人工程序主要是平衡單位搬家費用的預算和已知的需求。搬家費用是根據人力和基礎設施準備情況的永久換站（PCS）訂單制定的。這些數據以結構化數據庫和非結構化數據的形式存在，如PowerPoint幻燈片和.pdf文件。

優化： 來自學習的模式被表示為Soar強化學習（SoarRL）規則或AGI轉化器模型，用于優化未來的SLD計劃。一個SLD計劃包括每個設施、母港、基地、樞紐和岸上態勢位置（Fd）和人員（Fg）的海軍資產的完整增益或損失。考慮到眾多的組合，這種優化可能是令人難以承受的。相反，LAILOW使用集成的Soar-RL和協同進化算法，將總的SLD計劃映射到遠航建議、評估報告和其他假設分析中提到的各個單位。

兵棋推演：可能沒有或很少有關于新的作戰要求和能力的數據。這就促使了兵棋推演的模擬。一個SLD計劃可以包括狀態變量或問題（例如，未來的全球和戰區態勢、威脅特征），這些問題只能被觀察、感知，并且不能被改變。控制變量是解決方案（例如，一個SLD計劃）。LAILOW在狀態和控制變量之間設置了一個兵棋推演。問題和解決方案根據選擇、變異和交叉的進化原則共同演化。

如圖1所示，LAILOW框架可以被設定為一個由自我玩家和對手進行的多段兵棋推演。自我游戲者或防御者是SLD企業。對手或攻擊者是包括競爭性需求的環境。在應用LAILOW時，我們首先將過程分為狀態變量和決策變量，如下所示：

狀態變量： 這些變量和數據可以被感知、觀察和估計，但是，不能由自我角色決定或改變。它們是輸入變量，或自我游戲者必須考慮的問題。它們也被稱為SLD企業的測試或攻擊。

決策變量： 這些變量是使用優化算法來解決問題所需要的。在LAILOW中，決策變量的優化是通過整合Soar-RL和協同進化搜索和優化算法來實現的（Back, 1996; O'Reilly等人, 2020）。

對手（測試）和自己的玩家（解決方案）都像兵棋推演中一樣演化和競爭。LAILOW就像一個蒙特卡洛模擬，但由ML/AI學習的模式與優化算法指導。在兵棋推演中，對手產生大規模的假設測試，以挑戰自我玩家提出更好的解決方案，例如，SLD配置，以回答諸如 "如果我選擇一個不同的決定會發生什么？"的系統模擬問題。

每個 "學習、優化、兵棋推演"周期在每個階段和所有價值領域動態地迭代，其分析組件和算法詳見下文。

在LAILOW框架中，"學習 "部分通常采用有監督的ML算法，如分類、回歸和預測算法。例如，人們可以應用scikit-learn python中的各種最先進的監督ML算法，如邏輯回歸、決策樹、天真貝葉斯、隨機森林、k-近鄰和神經網絡。深度學習或AGI Transformers也可以放在這個類別中，輸入數據是多樣化的。一個AGI框架通常包含大規模的機器學習模型（例如，ChatGPT模型中的數十億個參數；OpenAI，2023），以從多模態數據中學習和識別模式。

監督的ML算法可用于學習潛在的SLD和偏離計劃的功能區的狀態變量和評估措施，如部署和執行的速度、質量和適用性，競爭性需求和約束的平衡（例如，避免不可接受的能力下降），以及Fd和Fg措施。

在LAILOW中，我們使用Soar-RL來分別學習自玩家和對手的兩個健身函數。在強化學習中，代理人根據其當前狀態和它從內部模型中估計的期望值，采取一個行動并產生一個新的狀態（Sutton & Barto, 2014）。它還通過修改其內部模型從環境的獎勵數據中學習。Soar-RL可以將基于規則的人工智能系統與許多其他能力，包括短期和長期記憶，進行可擴展的整合（Laird，2012）。Soar-RL在軍事應用中具有以下優勢，因為它

• 可以包括現有的知識（例如，SLD的交戰規則），也可以從數據中修改和發現新規則
• 以在線、實時、漸進的方式學習，因此不需要批量處理（潛在的大）數據
• 提供可解釋的人工智能的優勢，因為發現的模式被表示為規則
• 與因果學習相聯系，因為它符合因果學習的支柱（例如，關聯、干預和反事實；Pearl & Mackenzie，2018），通過使用干預產生預期效果數據（Wager & Athey，2018）。

"學習 "組件也可以應用無監督的學習算法。自玩家執行無監督的機器學習算法，如k-means、原理成分分析（PCA）和詞匯鏈接分析（LLA; Zhao & Stevens, 2020; Zhao et al., 2016）來發現鏈接。

一個SLD過程需要進行what-if分析，因為這促使了兵棋推演的模擬。一個SLD計劃可以包括狀態變量或問題（例如，未來的全球和戰區態勢、威脅特征、處理這些威脅的艦隊需求），這些問題只能被觀察、感知，不能被改變。控制變量是解決方案（例如，一個SLD計劃）。LAILOW在狀態和控制變量之間設置了一個兵棋推演。問題和解決方案根據選擇、變異和交叉的進化原則共同演化。

SLD計劃和偏移模型的狀態和決策變量的數量可能非常大。協同進化算法可以模擬未來作戰要求、威脅和全球環境及未來能力的動態配置，以及兵棋推演模擬中的其他競爭因素。如圖1所示，競爭性協同進化算法用于解決生成對抗網絡（GANs；Goodfellow等人，2014；Arora等人，2017）所遇到的minmax-問題。玩家的對抗性交戰可以通過計算建模來實現。競爭性協同進化算法采取基于種群的方法來迭代對抗性交戰，可以探索不同的行為空間。用例測試（對抗性攻擊者群體）是主動或被動地阻撓問題解決方案（防御者）的有效性。協同進化算法被用來識別成功的、新穎的以及最有效的解決手段（防御者）來對抗各種測試（攻擊）。在這種競爭性游戲中，測試（攻擊者）和解決方案（防御者）的策略會導致對手之間的軍備競賽，雙方在追求沖突的目標時都在適應或進化。

一個基本的協同進化算法用錦標賽選擇和用于變異的方法（如交叉和變異）來進化兩個種群。一個種群包括測試（攻擊）和另一個解決方案（防御）。在每一代中，通過配對攻擊和防御形成交戰。這些種群以交替的步驟進行進化： 首先，測試種群被選擇、改變、更新并針對解決方案進行評估，然后解決方案的種群被選擇、改變、更新并針對測試進行評估。每個測試--解決方案對都被派往參與組件，其結果被用作每個組件的適配度的一部分。適應性是根據對手的交戰情況整體計算的。

每個SLD配置都有一個健身值，它與需要優化的措施有關，如部隊發展（Fd）和部隊生成（Fg）效率。來自 "學習 "的模式被用來優化未來的SLD計劃，其措施如下：

• SLD的成本：對于一艘船來說，從一個地方移動到另一個地方
  • 移動人員的成本是多少： 每個人的PCS成本 x 坯料的數量？
  • 準備必要的基礎設施（匹配的評估）以支持船舶移動的成本是多少？
• Fd/Fg效率： 有多少游覽或需求得到滿足（匹配）？

優化可能是壓倒性的。LAILOW使用綜合Soar-RL和協同進化算法，簡化了優化過程。

LAILOW已被用于DMO和EABO的兵棋推演（Zhao, 2021），發現海軍艦艇和海軍陸戰隊的維修和供應鏈的物流操作的脆弱性和彈性（Zhao & Mata, 2020），以及超視距打擊任務規劃（Zhao等，2020；Zhao & Nagy, 2020）。

人工智能（AI）有可能影響所有領域和大規模的軍事行動。本章探討了人工智能系統如何影響準備和開展軍事行動的主要工具，以及如何受其影響。本章分析和討論了人工智能在戰略、條令、規劃、交戰規則和命令方面的多層次影響。采取了一個廣泛的分析角度，能夠根據新的政策和技術發展，以及對政治、軍事、法律和道德觀點的考慮，對這個問題進行總體審查。因此，本章確定了機遇、挑戰和開放性問題，并提出了總體性的意見。提供了洞察力和途徑，以推進對人工智能在軍事行動中的適當整合、管理和使用的進一步思考、研究和決策。

引言

人工智能（AI）的軍事應用有可能影響所有領域和大規模的軍事行動的準備和進行。人工智能系統可以越來越多地支持和取代人類完成軍事任務，因為它們變得更快、更準確，并能夠處理更多的信息和更高的復雜程度。這可能促進軍事行動速度的提高和更好的軍事決策，最終為擁有高性能人工智能的武裝部隊提供顯著優勢。人工智能的軍事用途甚至可能導致軍事事務的另一場革命，盡管這種發展將取決于其他因素而不僅僅是技術。

人工智能可以被用于各種軍事目的。在多維戰場上，人工智能技術可以被用作傳感器、規劃者和戰斗機，或兩者的結合。更具體地說，人工智能的軍事應用可以從支持情報、監視和偵察（ISR）的系統到自主導航和目標識別系統。這可能導致軍事人員和人工智能系統之間不同形式的互動，以及將軍事任務委托給人工智能系統的不同層次。例如，人工智能系統可以在決策過程中協助指揮官和士兵，無人駕駛的人工智能系統可以與有人駕駛的系統一起協作，人工智能系統可以在最少的人類監督下自主運行。 雖然目前只存在狹義和特定任務的人工智能，但正在大力發展人工通用智能（AGI）--具有類似于人類思維的廣泛領域推理能力的系統。 這與人工智能系統的自主性不斷增強的趨勢是一致的。

鑒于人工智能的特殊性和未來的應用，出現了一個問題，即人工智能的引入將如何影響軍事行動。本章通過評估人工智能如何影響準備和進行軍事行動的主要工具并受其影響來探討這一問題。具體而言，本章分析和討論了人工智能在戰略（第1分章）、條令（第2分章）、規劃（第3分章）、交戰規則（第4分章）和命令（第5分章）方面的多層次影響。以下各章將對每個工具進行一般性解釋，然后討論這些工具與人工智能的具體相互關系。

本章采取了一個廣泛的分析角度，包括了部隊整合和指揮與控制（C2）等軍事概念的各個方面，但并不限于此。 這使得在新政策和技術發展的基礎上，以及在考慮政治、軍事、法律和倫理角度的情況下，能夠對這個問題進行更全面的審查。因此，本章確定了機遇、挑戰和開放性問題，并提出了總體性的意見。本章最后發現了人工智能與準備和進行軍事行動的主要工具之間的動態相互關系，并將人類操作員和人工智能之間的互動定位為核心基本問題。

由于軍事人工智能是最近才出現的，因此對納入人工智能的未來軍事行動的任何分析只能是暫時性的，并基于這樣一個前提，即目前對具有高度自主性的人工智能，進行操作化的挑戰將被克服。然而，鑒于技術的快速發展，本章為推動進一步的思考、研究和政策制定提供了見解和途徑，以便在軍事行動中適當整合、管理和使用AI。

1. 戰略與人工智能

軍事行動為國家的政治和戰略目標服務。在戰爭的三個層面（戰略、戰役和戰術）中，軍事戰略是最高的。它可以被描述為 "戰爭的安排 "或 "戰爭的方向"。它為軍事行動提供依據，處于政治和軍事領域的交界處。 從本質上講，軍事戰略是一項計劃，它將最終目標與實現這一目標的手段聯系起來。更具體地說，軍事戰略可以被定義為 "使用武裝力量來實現軍事目標，進而實現戰爭的政治目的 "或 "在戰爭中達到預期結果的概念和實際考慮的表現，涉及對特定敵人的組織、運動和戰術、戰役和戰略使用或承諾的力量。國家安全和國防戰略可以為軍事戰略建立總體框架，而且經常可以在白皮書中找到。

各國還沒有公開通報他們如何使用或打算使用人工智能來制定軍事戰略。因此，在現階段，分析人工智能對軍事戰略的影響以及反之亦然，必須依靠國防白皮書和各國的人工智能戰略。一般來說，雖然在過去幾年中，大約有50個國家發布了關于人工智能在多個部門（特別是民用和工業部門）的使用、發展和融資的官方人工智能戰略，但這些文件一般不關注或幾乎不提及國防應用。然而，主要軍事強國最近通過了與軍事人工智能有關的國家戰略或類似文件，表明各國已經意識到軍事人工智能的戰略重要性，并指導他們努力開發、采購和將人工智能系統納入其武裝部隊。

美國國防部（DOD）在2018年發布了一項人工智能戰略，該戰略強調了優先發展的領域，確定了應如何與民間社會組織建立發展伙伴關系，并制定了一項關于人工智能機器倫理的政策生成計劃。美國人工智能國家安全委員會在2021年發布了一份報告，提出了與人工智能有關的國家防御戰略。 目標是到2025年達到人工智能準備，這意味著 "組織改革，設計創新的作戰概念，建立人工智能和數字準備的性能目標，并定義一個聯合作戰網絡架構"，以及贏得"技術競爭"。

俄羅斯到目前為止還沒有公布關于軍事人工智能的政策，但正在積極資助私營和公共部門的研究。2018年，俄羅斯舉行了一次會議，提出了十項政策建議（AI: Problems and Solutions 2018），這些建議構成了其人工智能戰略的非官方基礎。

歐洲國家在人工智能戰略方面處于類似的階段。在英國2021年國防白皮書通過后，英國國防部（MOD）在2022年通過了《國防人工智能戰略》。 該戰略規定了國防部采用和利用人工智能的速度和規模，與工業界建立更強大的伙伴關系，并開展國際合作，以塑造全球人工智能的發展。 法國沒有采取這樣的戰略，但其《國防人工智能報告》強調了將人工智能納入其武裝部隊的戰略優勢，如分析和決策的速度，優化作戰流程和后勤，以及加強對士兵的保護，并將機器學習歸類為研究和開發（R&D）的主要領域。

雖然更多的國家發表了關于人工智能的分析和政策，但卻沒有對未來的軍事戰略提出見解，北約在2021年通過了其人工智能戰略。該戰略是整個聯盟的人工智能準備和運作的基礎，隨后是北約的自主實施計劃，包括在2022年創建數據和人工智能審查委員會。 歐盟至今沒有采取類似的戰略，只限于在2020年的《人工智能、機器人和相關技術的倫理問題框架》中鼓勵與軍事有關的人工智能領域的研究。

由于各國關于人工智能或與人工智能相關的國防戰略并沒有明確說明人工智能將如何影響軍事戰略，因此可以根據未來可能使用人工智能進行戰略決策的跡象來確定各自的期望。人工智能在戰爭戰略層面的應用實例是對核指揮、控制、通信和情報（C3I）架構的貢獻；導彈和防空系統的目標獲取、跟蹤、制導系統和識別；網絡能力；以及核和非核導彈運載系統。

對于軍事戰略來說，最重要的是，人工智能的應用可以幫助決策者監測戰場并制定方案。事實上，可以開發人工智能來預測其他國家的行為和反應，或生成正在進行的沖突的進展模擬，包括兵棋推演模型。人工智能還可以用來評估威脅，提供風險分析，并提出行動方案，最終指導決策者采取最佳對策。 此外，人工智能可以支持武裝部隊的方式和手段與既定的政治和戰略目標相一致，這是軍事戰略的一個主要功能。這種發展的一個后果是軍事進程的速度和質量都會提高。雖然這將為那些擁有高性能人工智能的國家提供巨大的優勢，但這也可能迫使武裝部隊越來越多地將軍事行動的協調工作交給人工智能系統。

將人工智能用于軍事戰略也可能導致挑戰，包括預測性人工智能需要無偏見和大量的數據。可靠的人工智能系統將需要用龐大的數據集進行訓練。 此外，專家們警告說，人工智能可能會加劇威脅，改變其性質和特點，并引入新的安全威脅。 一項關于將人工智能納入核C2系統的桌面演習表明，這種系統 "容易受到惡意操縱，從而嚴重降低戰略穩定性"。這種脆弱性主要來自于第三方使用技術欺騙、破壞或損害C2系統所帶來的風險，這表明系統安全對AI用于軍事戰略的重要性。

另一個重要的挑戰是，人工智能可能會加快戰爭的速度，以至于人類將不再能夠跟隨上述速度的發展，最終導致人類失去控制。 這種現象被稱為 "戰場奇點 "或 "超戰爭"，可能導致戰略錯誤和事故，包括非自愿的沖突升級。即使這種風險能夠得到緩解，對人工智能的更多依賴也會減少軍事戰略中人的因素，特別是心理學和人的判斷。觀察家們認為，這可能會導致 "人工智能如何解決人類提出的問題，以及人類如果擁有人工智能的速度、精度和腦力會如何解決這個問題 "之間的差距。 然而，專家們也提出，戰略的制定需要對價值的理解，成本的平衡，以及對戰爭所處的復雜社會系統的理解，從而大大限制了人工智能在軍事戰略上的應用。還有一種可能是，當敵人擁有人工智能系統提供的高水平的理性預測能力時，決定性的因素將不是人工智能系統的能力，而是人類的判斷，特別是關于關鍵和困難的選擇。然而，這假定了某種程度的有意義的人類參與。

總之，主要的軍事大國正在投資開發、獲取和操作其武裝部隊的人工智能，因為人工智能有可預見的戰略優勢。然而，各國的戰略并沒有表明人工智能將如何被用于軍事戰略。然而，根據目前的技術發展，可以預計，人工智能將加強軍事戰略的制定和戰略決策，特別是人工智能能夠處理更多的數據，并以比人類和簡單計算更高的精度和速度來理解復雜性。一個可能的結果是軍事行動的加速，這可能會增加武裝部隊整合人工智能的壓力，使人類的判斷力邊緣化。因此，擁有和使用人工智能本身就成為一種戰略資產和目標。同時，國家對軍事人工智能的投資可能成為一種戰略責任，因為它可能增加破壞穩定的軍備競賽、誤解和誤判的風險。未來的軍事戰略需要考慮到這種風險。

總之，主要的軍事大國正在投資開發、獲取和使用人工智能，因為人工智能有可預見的戰略優勢。然而，各國的戰略并沒有表明人工智能將如何被用于軍事戰略。然而，根據目前的技術發展，可以預計，人工智能將加強軍事戰略的制定和戰略決策，特別是人工智能能夠處理更多的數據，并以比人類和簡單計算更高的精度和速度來理解復雜性。一個可能的結果是軍事行動的加速，這可能會增加武裝部隊整合人工智能的壓力，使人類的判斷力邊緣化。因此，擁有和使用人工智能本身就成為一種戰略資產和目標。同時，國家對軍事人工智能的投資可能成為一種戰略責任，因為它可能增加破壞穩定的軍備競賽、誤解和誤判的風險。未來的軍事戰略需要考慮到這種風險。

2. 條令與人工智能

軍事條令進一步指導軍事行動的準備和執行。軍事條令可以被定義為 "從制度化的角度來看，執行軍事任務和職能普遍接受的方法"。因此，它代表了'在戰爭和軍事行動中什么是有效的制度化信念'。條令一般包含三個關鍵要素，即理論（什么是有效的，什么會導致勝利）、權威（條令必須被認真對待）和文化（組織及其成員是誰）。 因此，條令回答了 "軍隊認為自己是什么（'我們是誰'），它的任務是什么（'我們做什么'），如何執行任務（'我們怎么做'），以及歷史上如何執行任務（'我們過去怎么做'）"等問題。 《美國陸軍條令入門》將條令描述為由基本原則、戰術、技術、程序以及術語和符號組成。

鑒于條令的目的和功能，人工智能在發展軍事條令方面的作用可能有限。它可能會繼續由人類創建和修訂。人工智能的具體作用可能僅限于監測武裝部隊的進程與他們的條令是否一致，以確定過去的工作，并支持對條令的質量和影響進行評估。為了有效地告知負責定義條令的軍事人員，這可能需要透明和可解釋的人工智能方法，否則軍事人員將無法理解并做出適當的決定。

然而，條令在設定人工智能的使用和人類互動的基本原則、價值和參數方面具有重要作用。值得注意的是，軍事條令是界定武裝部隊如何感知、理解和重視人工智能的適當手段。由于人工智能的高度自主性，武裝部隊可能需要明確人工智能是否被視為一種技術工具，或者說是一種代理手段。在這個意義上，條令可以定義武裝部隊是否將人工智能視為簡單的數學、技術系統，或者說是具有認知能力的工具。條令可以定義人類在組織中的價值、地位和作用，以及使用人工智能的過程。由于軍事行動和戰爭是人類為達到目而發起的行動，條令可以明確這意味著什么。在這種情況下，條令也可以定義人類與人工智能系統互動的價值和原則，包括人工智能需要為人類服務而不是相反。

同樣，條令也是定義人工智能系統的開發、獲取和使用的道德標準工具。由于軍事條令是根據國際法起草的，并且通常呼吁武裝部隊成員尊重國際法，因此條令也可以定義人工智能系統和運營商遵守國際法的方式。條令是對人工智能和人機協作施加限制的重要工具，適用于各軍種和武裝部隊的所有成員。這可能意味著對人工智能系統進行有意義的人類控制的一般要求，或禁止將某些功能授權給人工智能系統。

更具體地說，條令可以為人工智能融入組織流程設定原則和參數。例如，從事數據整合、優先排序的人工智能系統可能需要修訂軍事條令和武裝部隊使用和收集信息的準則。雖然僅限于觀測的任務系統需要有限的條令調整，但有更多 "積極 "任務的系統可能需要更具體的指導方針，如保障措施、自主程度、與操作者的溝通以及與人類部隊的互動。此外，有人認為，戰術應用主要是基于規則的決策，而戰役和戰略決策往往是基于價值的。每個級別的首選決策過程類型以及這種過程是否應該標準化，可以在條令層面上確定。

迄今為止，各國還沒有公布專門針對人工智能系統的軍事條令。英國國防部關于無人駕駛飛機系統的聯合條令是目前唯一公開的涉及軍事系統自主性的軍事條令。 然而，未來關于人工智能或與人工智能相關的軍事條令可能會根據人工智能的道德使用政策來制定。 事實上，這種政策定義了相關的價值觀、原則和使用軍事人工智能的形式，并為其提供指導，其目的與軍事條令類似。一些國家和組織最近通過了這種關于軍事人工智能道德使用的政策，包括北約。

美國國防部為人工智能的發展和使用采用了五項道德原則。系統需要負責任、公平、可追蹤、可靠和可治理。這些原則規定，美國防部人員負責人工智能系統的 "開發、部署和使用"，因此必須表現出良好的（人類）判斷能力。此外，美國防部明確確定，必須努力將人工智能運作的數據偏見降到最低。 此外，美國國防部2012年3000.09指令確定了美國對致命性自主武器系統（LAWS）的立場。它定義了致命性自主武器系統，確定了三類智能武器系統（自主、半自主和人類監督的自主系統），并為其行動設定了一般界限，以及有關人類操作員的作用和法律審查的標準。

同樣，歐盟議會也通過了一份題為《人工智能：國際法的解釋和應用問題》（人工智能的民事和軍事使用準則），其中特別討論了人工智能的軍事應用。 該報告包含了關于歐盟成員國開發和使用軍事人工智能應用的強制性準則以及一般性結論。首先，報告解釋說，人工智能不能取代人類決策或人類責任。 第二，為了合法，致命性自主武器系統必須受到有意義的人類控制，要求人類必須能夠干預或阻止所有人工智能系統的行動，以遵守國際人道主義法（IHL）。第三，人工智能技術及其使用必須始終遵守國際人道主義法、國際刑事法院羅馬規約、歐盟條約、歐盟委員會關于人工智能的白皮書，以及包括透明度、預防、區分、非歧視、問責制和可預測性等原則。

2021年4月，法國道德委員會公布了一份關于將致命性自主武器和半自動武器納入武裝部隊的意見。盡管其內容尚未得到國防部長的批準，但它代表了未來潛在的軍事條令。該文件重申了人類對自主武器的致命行動保持一定程度控制的重要性，并聲稱法國不會開發也不會使用完全自主的武器。同樣，澳大利亞發表了一份題為《國防中的道德人工智能方法》的報告，其中討論了與軍事人工智能應用有關的道德和法律考慮，但并不代表官方立場。

總之，除了評估和修訂之外，人工智能不太可能對創建軍事條令有實質性的作用，因為條令的作用是定義和規范軍事組織問題以及與信仰、價值觀和身份密切相關軍事行動的各個方面。然而，正是由于這種功能，條令在確定武裝部隊與人工智能的基本關系方面具有重要作用。特別是，條令適合于籠統地規定人工智能將（不）用于哪些任務，人工智能將（不）如何使用，以及組織及其成員如何看待和重視人工智能。最重要的是，鑒于人工智能的特點，條令可以確定人類如何并應該與人工智能互動，以及何種組織文化應該指導這種關系。因此，條令可以為進一步的軍事指令和程序設定規范性框架。各國的道德準則可以作為軍事條令的基礎并被納入其中。

3.規劃和人工智能

根據各自的軍事條令制定的作戰和行動計劃，是根據現有手段實現軍事目標的概念和指示。規劃反映了指揮官的意圖，通常包括不同的行動方案（COA）。存在各種軍事計劃和決策模式，但北約的綜合作戰計劃指令（COPD）對西方各種模式進行了很好的概述和綜合。 例如，加拿大武裝部隊遵循六個步驟，即啟動、定位、概念開發、決策計劃制定和計劃審查。一般來說，規劃包括 "規劃和安排完成特定COA所需的詳細任務；將任務分配給不同的部隊；分配合適的地點和路線；刺激友軍和敵軍的戰斗損失（減員）；以及重新預測敵方的行動或反應。

雖然規劃需要考慮到人工智能系統在軍事行動中的使用，但人工智能最有可能被用于規劃本身。用于軍事規劃或與之相關的人工智能應用是ISR系統、規劃工具、地圖生成機器人，以及威脅評估和威脅預測工具。 與規劃有關的進一步人工智能應用可能包括大數據驅動的建模和兵棋推演。例如，美國陸軍為其軍事決策過程（MDMP）開發了一個程序，該程序采用 "高層次的COA"（即目標、行動和順序的草案），并根據這個總體草案構建一個詳細的COA，然后測試其可行性。這表明，人工智能可以發揮各種功能，從COA提議到解構和測試。

人工智能應用可能會對計劃產生強烈影響。規劃軍事行動是一個緩慢而繁重的過程，它依賴于對 "結果、損耗、物資消耗和敵人反應 "的估計。它涉及到對特定情況的理解、時空分析和后勤問題。然而，有限時間和勞動力限制了可以探索的選項數量。此外，預測可以說是"作戰指揮官最棘手的任務之一"。只要能提供足夠數量和質量的數據，人工智能在預測的質量和速度上都可能會有出色的表現。數據分析能夠進一步處理比人類計算更多的信息，最終減少"戰爭迷霧"。由于人工智能程序可以將行動分解為具體的任務，然后相應地分配資源，預測敵人的行動，并估計風險，因此人工智能的使用將提高決策的總體速度和準確性。增加可考慮的COA數量將進一步使規劃過程得到質量上的改善。

然而，使用人工智能進行規劃也有潛在的弊端。由人工智能驅動的更快規劃所帶來的戰爭速度提高，可以說會減少決策者的（再）行動時間，這可能會損害決策的質量。還有人質疑，人工智能驅動的規劃是否會"導致過度關注指揮分析方面，通過書本和數字削弱了軍事指揮決策的直覺、適應性和藝術性"。指揮官和其他軍事人員也可能變得過渡依賴技術，使他們變得脆弱。剩下的一個挑戰是產生足夠的相關數據，讓人工智能規劃系統正常工作并產生有意義的結果。

人工智能系統將執行規劃任務以及協助軍事人員，但它們可能不會根據這些計劃做出適當決策。事實上，有人認為，人工智能系統難以完成與指揮有關的任務，如設定目標、優先事項、規則和約束。因此，人類的判斷對于這些任務仍然是必要的。人工智能寧愿執行控制任務，并最終彌補軍事人員的認知偏差。然而，隨著新版本的C2（部分）納入人工智能，觀察家們質疑是否清楚誰將擁有跨領域的決策權，人類在這種架構中會和應該發揮什么作用，以及技術是否準備好進行大規模開發。

當強大的人工智能系統被用于軍事規劃時，規劃和決策之間的區別可能會變得模糊不清。與人類因軍事行動的高速發展而無法正確跟蹤事件進程的風險類似，將規劃任務更多地委托給人工智能可能意味著指揮官和規劃者不再能夠理解或追溯系統如何得出結論。同樣，指揮官可能會因審查眾多擬議計劃或COA的任務而被壓垮。人工智能生成的方案也可能意味著更高的復雜程度。因此，人工智能可以被用來消化信息，只向指揮官提供最相關的內容。然而，這可能會導致對人工智能的進一步過度依賴。因此，強大的人工智能系統，或系統簇（SOS），將需要一定程度的可預測性和透明度。

總之，與人工智能的其他軍事應用相比，至少在中短期內，人工智能可能會對規劃產生最重大的影響。由于規劃是極度時間和資源密集型的，人工智能系統可以導致速度、精度和質量的提高。這可能會對軍事行動和戰爭產生重大影響，因為有人認為，軍事競賽的贏家是那些在觀察、定位、決策和行動（OODA環）中工作最快的人。一個進一步的影響是，規劃的自動化導致了軍事決策的（進一步）合理化，包括人員傷亡的合理化。另一個后果是對人力的需求減少。然而，規劃方面的人力需求減少并不意味著基于軍事規劃決策的人力判斷需求減少，特別是在價值觀和直覺仍然是規劃的核心內容情況下。

4. 交戰規則與人工智能

交戰規則(ROE)用于描述軍事力量部署的情況和限制。交戰規則可采取多種形式，包括執行命令、部署命令、作戰計劃和長期指令。無論其形式如何，它們都對 "使用武力、部隊的位置和態勢以及使用某些特定能力 "等進行授權或限制。交戰規則有共同的要素，如其功能和在作戰計劃中的地位，以及其他基本組成部分。交戰規則通常是 "軍事和政治政策要求的組合，必須受到現有的國際和國內法律參數約束"。因此，其要素和組成部分反映了軍事行動、法律和政治要素。通用的交戰規則和模板文件，如北約的MC362/1和Sanremo交戰規則手冊，可以作為交戰規則起草者的基礎或靈感，而這些起草者通常是軍事法律顧問。雖然交戰規則一般不會分發給所有低級軍官，但士兵們經常會收到含有簡化的、基本版本的交戰規則記憶卡。

交戰規則是與軍事力量部署和武力使用有關的更大監管框架的一部分。因此，它們與其他類型的軍事指令相互作用，特別是目標選擇和戰術指令。目標定位指令提供了關于目標定位的具體指示，包括對目標的限制和盡量減少附帶損害。戰術指令是 "針對整個部隊或特定類型的單位或武器系統的命令，規定在整個行動中執行特定類型的任務或在行動中限制使用特定的武器系統。雖然交戰規則不是必不可少的，但它們可以為部隊及其成員提供更具體和細微的指示。

交戰規則是確定如何使用人工智能以及在哪些條件下可以在特定情況下應用的適當工具。交戰規則——或相關的行為規則——可以為人工智能的各種軍事應用設定參數，從而將特定的政治、軍事、法律和道德考慮以及來自更高組織或規范梯隊的限制，如條令或國際法律義務，轉化為具體指令。因此，ROE可以代表一個行動框架，被編入AI系統。例如，ROE可以確定一個地理區域或某個潛在任務的清單，系統被授權采取行動。在這些限制之外，他們將不會對處理過的信息采取行動。時間或其他限制，如預先設定的允許（不）與特定目標交戰，也可以由ROE定義。同樣，ROE可以預見一個系統需要標記的意外事件或問題。在這種情況下，有些人提出，人工智能可能會根據環境或其編程的任務來選擇應用哪種ROE。

ROE也可以定義人類和人工智能系統在特定任務中的互動。特別是，ROE可以確定指揮官或操作員在部署期間需要如何監測和控制該系統。由于對人類控制的需求可能會根據歸屬于人工智能系統的具體任務以及各自的背景和行動而有所不同，人工智能的ROE可以定義某些類型的行動或階段的自主性水平。ROE可以進一步處理或參考其他來源，如手冊和指令，關于如何實施各種形式的人類控制，如直接、共享或監督控制。重要的是，ROE可以限制指揮官或操作人員的權力，這可能迫使他們在指揮系統中參考上級。這可能是軍事行動中關于人機協作的ROE的一個重要作用，特別是在面對未曾預料到的情況或問題時，系統或其使用沒有事先得到授權。

當人工智能被用于傷害人和物或與之有關時，如在定位目標的情況下，ROE尤其相關。特別是當考慮到人工智能不能將道德或背景評估納入其決策過程時，在做出使用致命武力的決策時，人類的控制和判斷應該是有意義的。如上所述，大多數公開的政策在原則上確立了這種監督，但很少明確其確切含義。交戰規則和指令可以填補這一空白。為此，可以為人工智能系統的操作者制定與目標定位有關的行為準則，或為此類系統制定ROE模式。

事實上，雖然到今天為止還沒有能夠在沒有人類授權的情況下攻擊人類目標的自主武器，但在目標定位方面，更加自主的系統將是一個大的趨勢。與目標定位有關的現有軍事應用是目標識別軟件，如可以檢測衣服下爆炸物的Super aEgis II，以及用于目標交戰的系統。美國人工智能制導的遠程反艦導彈（LRASM）被宣傳為能夠自主地選擇和攻擊目標，甚至在GPS和通信受阻的環境中，如深水和潛在的外太空。另一個值得注意的事態發展是，據報道，2020年3月在利比亞部署了一架土耳其Kargu-2無人機，據稱該無人機在沒有人類操作員授權的情況下跟蹤和攻擊人類目標。它的使用可能代表了一個重要的先例，即在人類控制非常有限的情況下使用人工智能系統進行目標定位。

由于需要對ROE進行管理，人工智能可以協助主管當局協調、實施并最終確定ROE。軍事、政治、法律和道德目標和參數需要由軍事人員提供--至少在初始階段。正如北約的MC362/1號文件和《圣雷莫ROE手冊》所說明的那樣，ROE的后續管理是一個系統的、反復的過程，包括將具體的權力賦予不同級別的指揮部，以及監測ROE的實施和遵守情況。隨著時間的推移，人工智能系統可能會學會緩解ROE內部和之間的摩擦，以及為其適應性提升效率。例如，盡管國際法的實質內容可能本質上需要基于價值的判斷，而這種判斷不應委托給人工智能系統，但界定哪些規則需要在哪些情況下適用并不是一個過于復雜的理性過程。為了避免改變現有法律框架的實質內容，這種功能要求任何用于管理ROE的AI應用不能侵犯歸屬的權力。

總之，ROE可以成為一個有用的工具，以具體和實用的方式指導軍事AI的使用。因此，它可以補充和執行上級的政策、法規和準則，從而使軍事、政治、法律和道德目標和原則轉化為具體行動。ROE的指導對于人機協作，以及定義和具體化與人工智能系統有關的人類控制和判斷，在目標定位方面尤其重要。人工智能的應用可以進一步提高ROE管理的質量和效率。雖然這可能有助于協助軍事人員，類似于人工智能應用于軍事規劃，但軍事人員需要對ROE的實質進行有效監督，即誰或什么系統在什么情況下可以使用武力。然而，如果人工智能能夠實現更廣泛的、更細微的、更快速的交替性ROE，確保這種監督可能會變得具有挑戰性。

5. 作戰命令與人工智能

規劃和實施軍事行動的最具體的工具是命令。例如，北約和美國陸軍將命令定義為 "以書面、口頭或信號的方式傳達上級對下級的指示"。雖然有不同類型的命令，但它們一般都很簡短和具體。命令可以是口頭的，也可以是圖形的，還可以是疊加的。它們必須遵守法律以及上級的軍事文件和文書。另一個經常使用的術語是指令，它被定義為 "指揮官下達的命令，即指揮官為實現某一特定行動而表達的意愿。

從軍事參謀人員到人工智能系統的指令將采取系統初始開發的形式，有關任務目標和限制的參數編程，以及操作人員在操作期間的輸入。人類和人工智能系統之間的這些互動形式可能會履行傳統上歸屬于命令的功能。雖然人工智能系統的開發和操作，特別是機器學習，有其特殊的挑戰，但測試表明，機器并不存在不服從命令的內在風險。由于在操作過程中人的輸入等于人對系統的控制，如果一個系統能夠根據適當的學習自主地調整其行為，這一點就特別重要，現在正在開發防止系統在沒有人類輸入下采取行動的保障措施。例如，美國國防部3000.09指令規定，致命性武器系統的編程方式必須防止其在未經人類事先批準的情況下選擇和攻擊目標，特別是在失去通信的情況下。

人工智能和操作人員之間具體的互動形式仍在繼續開發。美國陸軍實驗室設計了一種軟件，使機器人能夠理解口頭指示，執行任務，并進行匯報。會說話的人工智能現在也被開發出來，以實現操作員和系統之間的口頭對話。這種互動使系統能夠要求其操作者進行澄清，并在任務完成后提供更新，以便士兵在工作中獲得最新的信息。諸如此類的應用可能使軍事人員更容易與人工智能合作，并減少操作員對人工智能控制的學習曲線。然而，人工智能應用也可以支持指揮官下達命令和指令的任務。人工智能尤其可以用來提高通信系統的穩健性和容錯性，這顯然可以使命令的傳輸更加安全。

雖然人工智能系統可能不會被委托正式發布命令，但是類似的動態可能會出現。對于人工智能系統之間的互動，命令是沒有必要的，因為系統只是作為數字應用網絡的一部分交換信息。關于對軍事人員的命令，武裝部隊似乎不可能接受人工智能系統向其成員發出指令。然而，由于人工智能系統可能會以越來越高的速度和復雜性提出行動建議，作為人類決策的輸入，軍事人員可能不會質疑這些建議，沒有時間批判性地評估它們，或者根本無法理解系統如何得出結論。如果他們還是以這些建議為基礎采取行動，這種對系統輸入的過度依賴可能意味著系統事實上向人類發布命令。還有可能的是，通過信息技術接收指令的較低層次的操作員和士兵可能無法知道某個命令是由人類還是人工智能系統創造的。為了排除這種結果，軍事條令和指令需要建立與命令有關程序的透明度。

總之，在軍事行動中，正式的命令很可能與控制人工智能無關。然而，命令和指令的傳統概念可以幫助分析、分類和發展人工智能系統和人類操作員之間的未來互動。在這種情況下，卡爾-馮-克勞塞維茨提出的管理方法和任務型戰術（Auftragstaktik）之間的傳統區別表明，人類對人工智能系統的投入，即人工智能系統的開發、編程和操作控制，可以根據對執行任務細節的程度來進行分類。鑒于人工智能的特質，我們有理由認為，當人工智能系統被賦予高水平的自主權，類似于任務型戰術時，將對武裝部隊最有價值。同時，人類在行動中的投入將是非常精確的，起到管理作用。然而，最重要的是，這又回到了上文討論的可以授予 AI 系統多少自主權的根本問題。

結論

人工智能有可能影響所有領域和大規模的軍事行動。轉變的程度主要取決于未來的技術發展。然而，這也取決于武裝部隊將賦予人工智能的作用和功能。從這兩個因素中可以看出，人工智能與準備和開展軍事行動的主要工具之間存在著動態的相互關系。一方面，人工智能的引入將影響到這些工具以及軍事行動的準備和實施。另一方面，這些工具在監管和使用人工智能方面發揮著重要作用。這種相互關系是動態的，因為它很可能隨著技術的發展、部隊對人工智能系統的經驗、組織文化和社會價值觀的變化而變化。

上述內容討論了人工智能與準備和執行軍事行動的主要工具之間的相互關系，而其中核心潛在的問題是人類操作員與人工智能系統之間的相互作用。在戰略方面，國家的官方文件證明，獲得和運用人工智能具有戰略意義。人工智能將可能支持軍事戰略，特別是預測和規劃。戰略中的人為因素可能仍然至關重要，因為戰略依賴于本能和價值觀，但軍事人員有可能過度依賴人工智能。對于軍事條令，人工智能的作用可能僅限于評估和協助修訂條令。條令在決定武裝部隊的目的、價值觀和組織文化方面的功能表明，它將在確定武裝部隊如何看待人工智能系統并與之互動方面發揮重要作用。

人工智能將極大地幫助軍事規劃，特別是基于人工智能高速和精確地處理復雜和大量數據的能力。因此，即使人工智能系統不會被委托做出決策，軍事規劃人員和指揮官也有可能過度依賴他們的分析和建議，尤其是在時間壓力下。因此，人工智能支持決策和人工智能作出適當決策之間的界限可能會變得模糊不清。關于ROE，盡管人工智能可以支持ROE的管理，但后者主要是一個適當的工具，以具體的方式為具體的任務劃定人工智能的使用。這尤其適用于人機合作和人對人工智能應用的控制。在軍事命令方面，人工智能系統可能會大大協助指揮和控制，但不會被委托發布命令。然而，在實踐中，可能很難區分由算法發布的命令和由指揮官發布的命令。這可能會導致人工智能支持和人工智能決策之間的混淆，類似于規劃的情況。

因此，如果人類操作員和人工智能系統之間的交互，是人工智能與準備和執行軍事行動的主要工具之間動態相互關系的核心潛在問題，那么無論是技術發展還是工具適應性都需要特別注意適當的人類與人工智能的交互。可以預計，技術進步將主要塑造未來的人機協作模式。軍隊結構、標準和流程可能會跟隨技術發展而相應調整。然而，關鍵是要積極主動地界定基本原則、價值觀和標準，而不是簡單地適應技術發展，成為路徑依賴或面臨意想不到后果。

畢竟，關注適當的人與人工智能互動不僅是道德和法律的必要條件，也是通過引入人工智能有效提高軍事行動的必要條件。因此，對人工智能和軍事行動的進一步思考和研究，以及對人工智能和戰略、條令、規劃、ROE和命令的進一步思考和研究，應該側重于人機互動，因為這仍然是人工智能戰爭最緊迫的挑戰。這可能有助于在人工智能影響工具和這些工具管理軍事人工智能之間找到并確定一個適當的平衡。

私營部門不斷收集和整理關鍵數據及其來源，以通過利用數據密集型的人工智能機器學習（AI/ML）技術來確保支持和發展新的業務。大部分行業數據都是有價值的共享資源，而海軍到目前為止還沒有實現這種做法。本頂點研究通過研究、訪談和個人專業知識，探討了海軍在創造數據可用性和質量方面的挑戰性任務。研究側重于過程、技術和管理，采用了詳細需求評估、利益相關者分析、功能設計。其研究結果是一個集中式人工智能庫（CAIL）的概念框架，旨在匹配行業對數據作為關鍵商品的堅定關注。美國海軍需要持久和動態的數字化準備，因此這個擁有70多年美國海軍數據專業知識的頂點團隊建議 OVERMATCH 考慮這些發現并生成一個確保海軍數據可用性和質量的系統。

執行摘要

美國海軍部（DON）對研究和開發人工智能和機器學習（AI/ML）系統的興趣源于這些創新能力對海軍任務和對作戰人員的直接支持所帶來的深遠和改變游戲規則的影響。人工智能/機器學習系統可以被用來改善任務規劃，減少人員配置，改善戰術決策，簡化系統維護和支持，提高安全性，在某些情況下，還可以將作戰人員從危險中移除。戰士日常活動的許多方面將發生變化，從常規和勞動密集型工作的自動化到支持復雜和時間緊迫的戰斗空間決策。

只有當美國國防部首先釋放數據的力量，才能實現AI/ML系統的這些進步。目前，在獲取或"釋放"DON的數據以開發未來的AI/ML系統方面存在許多障礙。整個海軍的數據主要停留在"筒倉"或難以訪問的數據庫中，每個"筒倉"都在其領域內受到保護。在DON的數據領域內，定位、請求、獲取和策劃數據的過程并不正式。米勒（2021）說："數據的所有者是美國人民。海軍只是管理人和監護人"。這句話包含了將數據從孤島中 "解放"出來的需要，以使海軍真正成為一個以數據為中心的企業，并實現海軍的數字化準備。

這個頂點項目開始了一項研究，以了解美國防部內AI/ML開發人員的數據需求，并制定一個概念性的解決方案來解決數據需求。其他目標是：

• 研究AI/ML方法如何在DON任務中應用。

• 了解數據需求是否在DON任務中普遍是標準的，或者數據需求是否在DON任務中有所不同。

• 制定一套 DON AI/ML利益相關者的要求。

• 為一個支持DON AI/ML數據需求的系統制定一個概念性設計。

• 研究實施概念性解決方案系統的潛在成本和進度效益。

時區團隊（Team Time Zone）應用系統工程分析方法研究DON AI/ML開發人員的數據需求，并開發和評估一個概念性的系統解決方案，以解決這一數據挑戰，并最終支持DON未來的數字準備，以解決復雜的任務。該團隊通過采訪三個不同的海軍任務領域的主題專家（SME）來進行利益相關者的需求分析：系統維護、物理安全和戰備。這三個任務被認為是 "數據提供者"的代表。此外，該團隊還采訪了數據研究人員和AI/ML科學家，以了解他們的數據需求。訪談為團隊提供了基于獨特和不同領域和經驗的關注、挫折、經驗教訓和挑戰的洞察力。從數據提供者的角度來看，反復出現的主題包括所有權的劃分、信息保障的需要、數據未被收集或存儲的情況以及對可訪問性的擔憂。從數據用戶的角度來看，明顯的軼事包括尋找數據的耗時，承諾的數據并不總是能夠實現，以及即使在獲得數據后，理解數據的背景也是至關重要的。該小組根據利益相關者的訪談和信息收集工作，為DON AI/ML制定了一套數據要求。DON AI/ML的數據需求是：

• 數據必須能夠被外部組織訪問。

• 數據必須被翻譯成與其領域應用兼容的標準格式。

• 數據必須有確定的所有者。

• 數據必須伴隨著描述性的元數據。

• 數據必須有標準化的管理。

• 數據必須以其 "最低標準"的形式被訪問。

• 數據必須具有保護和適當共享的安全性。

• 數據必須具有混淆性，以保護個人身份信息（PII）。

• 數據必須伴有背景信息。

為了解決DON數據研究人員和AI/ML科學家確定的數據需求，Team Time Zone開發了一個中央AI庫（CAIL）系統的概念設計，作為解決方案。CAIL系統的目的是簡化 DON內部的數據訪問和管理，以支持AI/ML系統的開發。CAIL系統旨在減少訪問數據的時間（和相關費用），騰出更多時間用于AI/ML系統的實際開發、培訓和評估。該團隊提出，為了滿足未來計劃的訪問和整合要求，CAIL需要成為一個 "數據云"。圖1是CAIL的OV-1；它描述了為AI/ML開發簡化DON數據訪問和管理的擬議過程。

圖1. CAIL OV-1

該團隊根據六個主要類別制定了CAIL系統要求：數據準備、數據偏差、數據整理、數據分類、數據治理和數據安全。每一個類別都是針對利益相關者分析過程中發現的需求。CAIL系統將主要與外部聯合數據、數據庫、文件和權威數據生產商/供應商的內容對接。它將像 "谷歌 "一樣為DON用戶尋找數據。數據將是結構化的，并將伴隨著元數據（關于數據的描述性信息），使數據可以被搜索。一個管理數據的社區將提供規則來管理對數據的安全訪問和授權。

在利益相關者的分析中，很明顯，在訪問數據之前需要進行一些重要的活動。AI/ML開發人員解釋了了解數據收集方式、數據來源以及其他有關數據的特定領域的背景方面的重要性。Team Time Zone將這些過程指定為 "預CAIL活動"，并將其作為整個CAIL過程的一部分。

Team Time Zone進行了成本分析，以估計為DON實施CAIL系統的成本。該團隊使用了兩種方法來估計成本：傳統的成本估計和基于模型的系統工程（MBSE）方法。該小組估計CAIL系統的成本（基于傳統的成本估算）為3380萬美元，持續時間為5年，每年的重復維持成本為400萬美元。團隊估算的CAIL系統成本（基于MBSE方法），在運行了一萬次蒙特卡洛模擬后，平均為3290萬美元，持續時間為5年。運營和維護模型的平均成本為每年440萬美元。表1顯示了CAIL開發和維護成本的摘要。

表1. CAIL系統成本匯總

為了使DON的AI/ML項目蓬勃發展，并在未來幾十年內實現AI/ML的進步，DON必須確保數據的管理，并使AI/ML的發展能夠被訪問。Team Time Zone提出的CAIL系統解決方案將為AI/ML項目提供一個單一來源的綜合數據環境，以訪問存儲在整個DON各種數據庫中的數據庫目錄。Team Time Zone建議海軍實施CAIL系統，通過確保AI/ML開發者訪問持久和動態的數字數據來支持數字準備。CAIL系統支持DON項目和開發人員的協調方法，以安全訪問數據。該小組建議超配項目（Project Overmatch）考慮這些發現并實施CAIL系統和流程，以確保海軍的數據可用性和質量。該小組開發了一個CAIL標志（見圖2），表明CAIL系統是海軍的一個重要基礎。

圖2：CAIL標志。改編自美國海軍標志。

I. 簡介

A. 背景情況

技術的進步給軍事領域帶來了新的威脅類型和現有威脅的改進版本。對抗性威脅的進步要求海軍改進現有的能力并開發新的能力，以提高防御能力并應對這些威脅。能力的增強需要提高速度、隱身性、機動性、反措施、擴大范圍、更早發現和更大的殺傷力。這些增強的能力使我們能夠在不確定的、復雜的和時間緊迫的條件下做出關鍵決定。現代戰術作戰人員面臨著越來越復雜的決策空間。他們需要獲得對動態戰斗空間的態勢感知，并確定有效的行動方案（COA）以滿足任務需求。圖1強調了造成這種戰術復雜決策空間的因素。決策的復雜性來自于威脅環境，來自于知識的不確定性，來自于戰爭和信息系統本身，來自于作戰人員與自動化系統和信息系統的互動和使用所產生的挑戰，以及任務決策的重要性或后果的嚴重性。

圖1：戰士的復雜決策空間。資料來源：Johnson (2021).

美國國防部（DOD）和海軍部（DON）正在研究使用人工智能（AI）來解決復雜的戰術決策空間，通過改善態勢感知和提供自動決策輔助來支持戰術作戰人員。利用人工智能方法的先進算法可以通過減少信息過載、改善態勢感知、提高決策速度和加強一般的戰術決策來減輕作戰人員的認知負荷。預測分析（PA）可以支持對系統可靠性和故障概率的預測，這為物流提供了廣泛的改進（Zhao和Mata 2020）。諸如PA等技術可以通過開發 "what-if "和 "if-then "情景來加強戰術決策，通過預測決策選擇的長期影響來改善戰士的COA決策（Johnson 2020）。人工智能方法可以通過檢測異常情況和從大量的安全攝像機數據中識別可能的威脅來改善海軍基地的物理安全。

米切爾（2019）將人工智能定義為一個包括許多不同方法的領域，以創造具有智能的機器。圖2顯示，人工智能存在于一套廣泛的自動化方法中，使機器能夠根據命令和規則執行任務。人工智能是使系統能夠執行模仿人類智能的功能的一套方法。機器學習（ML）方法是人工智能方法的一個子集。ML方法允許系統從被訓練的大型數據集上學習。ML系統從訓練的數據集中學習。然后，這些 "訓練有素 "的ML系統在操作上被用來識別模式，并在新的操作數據下產生預測的結果（Johnson 2021）。

圖2：什么是人工智能？資料來源：Johnson (2021)。

人工智能算法是編碼的計算機程序，用于對數據進行分類、分析和得出預測。監控、交通預測和虛擬個人助理是實施ML算法的應用實例。

開發人工智能系統，特別是ML系統，是一項具有挑戰性的工作。ML算法的初始訓練是一個數據密集型的演變。人工智能/ML系統對數據要求很高，其準確性在很大程度上取決于數據訓練集的質量和數量（Godbole 2020）。作為一個參考點，訓練DeepMind的AlphaGo Zero系統學習下圍棋花了大約40天，包括2900萬場比賽（Feldman, Dant, and Massey 2019）。想象一下人工智能/ML武器系統算法所涉及的額外復雜性，它需要考慮戰爭背景（戰爭游戲、冷戰、和平時期）、朋友或敵人、道德和合法性等概念（Feldman, Dant, and Massey 2019）。

隨著美國防部開始開發人工智能和ML方法，出現了獨特的數據挑戰。開發人員需要大量的驗證數據來訓練他們的算法；這些數據需要準確、安全和完整，以確保算法不會被破壞或有偏見。這些數據集必須代表適當的操作環境。對于海軍的應用，訓練數據必須代表眾多的任務，包括海上、空中、太空、水下、沿岸、網絡和陸基領域的任務。盡管許多海軍司令部和實驗室正在研究和開發基于人工智能/ML系統的未來能力，但沒有協調的程序來獲取他們所需的海軍數據。在許多情況下，數據是存在的，但要確定國防部的數據來源并獲得數據是一項耗時和昂貴的工作。

這個頂點項目采用了系統工程分析方法來研究DON AI/ML開發者的數據需求，并確定和評估一個概念性的系統解決方案來解決這個數據挑戰，并最終支持未來DON的數字準備來解決復雜的任務。

B. 問題陳述

DON對研究和開發AI/ML系統的興趣為各種應用帶來了數據挑戰。盡管DON的許多指揮部和實驗室正在研究和開發基于AI/ML系統的未來能力，但沒有一個協調的程序來訪問他們所需的DON數據。AI/ML系統需要大量的驗證數據來支持他們的發展和訓練算法。在許多情況下，數據是存在的，但要確定美國防部的數據來源并獲得數據是一項耗時和昂貴的工作。這個頂點研究了這個問題，并進行了需求分析，以確定DON AI/ML開發人員的數據需求，并開發和評估了解決DON數字準備這方面的解決方案概念。

C. 項目目標

這個頂點項目的主要目標是分析 DON AI/ML 開發的數據需求，并開發一個概念性的解決方案來解決數據需求。其他目標是

• 研究AI/ML方法如何在DON任務中應用。

• 了解數據需求在DON任務中是否有普遍的標準，或者數據需求在DON任務中是否有差異。

• 制定一套 DON AI/ML利益相關者的要求。

• 為一個支持DON AI/ML數據需求的系統制定一個概念性設計。

• 研究實施概念解決方案系統的潛在成本和進度效益。

D. 項目團隊和組織

時區團隊由五個具有不同學術和專業經驗的NPS系統工程學生組成。該團隊由以下人員組成。

• Robert French于2016年畢業于Old Dominion大學，獲得了計算機工程和電子工程的學士學位。他目前是位于弗吉尼亞州弗吉尼亞海灘的海軍水面作戰中心Dahlgren分部-Dam Neck附件的特殊傳感器技術部門的R.F.工程師。羅伯特也是美國艦隊司令部海上作戰中心N6（信息系統）的高級入伍領導（USNR）。他曾在現役中擔任電子技術員超過14年，并成為現役預備役軍人達9年之久。

• Wallace Fukumae前擁有夏威夷大學的電子工程學位。他目前居住在夏威夷，為海軍太平洋信息戰中心工作，擔任印度-太平洋部門主管。他的經驗包括指揮和控制（C2）系統的開發和交付以及操作。

• Kheng Hun目前居住在日本，擁有華盛頓大學的電子工程學位。他目前在海軍信息戰中心（NIWC）太平洋分部工作，擔任位于日本橫須賀的夏威夷西太平洋（HWP）分部的項目工程師。他的專業背景包括設計和安裝各種C4I系統，如電子安全系統（ESS）和網絡系統以及MILCON項目的C4I系統規劃。

• Obed Matuga擁有馬里蘭州巴爾的摩市摩根州立大學的工業工程學位，在華盛頓特區的海軍海洋系統司令部工作。與宙斯盾和艦船自衛系統一起工作，目前居住在馬里蘭州。

• Caitlyn O’Shaughnessy于2015年畢業于馬薩諸塞大學達特茅斯分校，獲得計算機科學學士學位。她目前是羅德島紐波特的海軍海底作戰中心的CANES（S.S.）項目的首席工程師。

圖3描述了時區團隊（Team Time Zone）的組織結構和每個團隊成員的主要職責。圖中還顯示了NPS的項目顧問，Bonnie Johnson博士（系統工程系）和美國海軍上尉Scot Miller（退役）（信息科學系）。

圖3：團隊時區組織圖

E. 項目方法

時區團隊采用了系統工程的方法來進行這個項目。圖4說明了該團隊的過程。團隊從需求分析開始，以了解問題并為DON AI/ML開發者定義數據要求。在這個階段，團隊確定了三個DON任務領域作為AI/ML應用的代表性領域。接下來，團隊在功能分析和系統綜合的基礎上，制定了一個名為中央人工智能庫（CAIL）系統的解決方案戰略的概念設計。該小組對CAIL系統進行了建模，并利用DON的三個任務領域來分析實施CAIL系統的效用和潛在的成本/進度效益。該團隊的分析過程涉及幾種分析方法，包括定性調查、定量調查、建模和模擬、數據結構和格式分析、需求分析和操作概念評估。

圖4：頂點項目的方法

首先，該團隊通過進行需求分析和為海軍AI/ML開發人員制定一套數據要求來確定需求的定義。該團隊確定了利益相關者，并與來自不同海軍任務領域的AI/ML開發者會面，以了解他們的數據需求。該小組進行了文獻回顧，以收集背景信息并了解當前的人工智能/ML方法。團隊對來自利益相關者會議和文獻審查的信息進行了匯編，以了解與支持海軍AI/ML應用有關的要求和限制、數據所有者、數據源、數據系統、數據元素和數據屬性。

該小組研究并確定了利益相關者和三個海軍任務主線的獨特數據要求：系統維護、實體安全和戰斗群準備。該小組確定并采訪了任務領域的主題專家（SMEs），以了解獲得AI/ML實施數據的過程，并關注需要從DON系統和組織中收集和存儲哪些數據。圖5說明了海軍的三個任務主線，以及數據、架構、基礎設施和互操作性能力在支持這些作戰人員任務領域方面的直接潛在重要性。

圖5：美國防部任務領域

接下來，團隊根據需求分析結果，制定了一個概念設計方案，以解決海軍對人工智能/ML發展的數據需求。該團隊綜合了CAIL系統，并生成了CAIL操作概念（CONOPS）和CAIL功能模型。基于國防部建筑框架（DODAF）和系統建模語言（SysML），該團隊開發了概念模型，詳細說明了CAIL的系統特征、功能和操作概念。

頂點項目的最后階段是團隊對CAIL解決方案方法的評估和分析。該團隊使用Innoslate（一種基于模型的系統工程工具）開發了一個模型，以表示CAIL系統在三個海軍任務主線中的使用情況。該小組評估了CAIL系統的能力，以簡化和改善收集、格式化、策劃、驗證和確保安全訪問海軍任務數據集的過程，以支持在三個海上任務線領域工作的AI/ML開發人員。對該模型進行了評估，以估計海軍實施CAIL系統的潛在成本和調度效益。CAIL系統模型被用來驗證和確認需求。

F. 頂點報告概述

第一章提供了項目的介紹和動機，描述了問題陳述、項目目標，以及團隊的組織和完成項目的方法。

第二章總結了團隊的文獻回顧，為需求分析提供了基礎，強調了訓練AI和ML算法所需的數據。文獻回顧包括對數據科學、統計學習、深度學習、分類學以及支持AI和ML系統的企業信息技術解決方案的信息探索。

第三章包含了團隊的需求分析結果。

第四章包含了對團隊的概念性解決方案--CAIL系統的描述。

第五章介紹了團隊對CAIL系統的分析和評估結果，該系統是解決海軍在支持AI/ML發展方面的數據挑戰的解決方案。

最后，第六章討論了擁有CAIL系統的影響和結論以及對后續研究和工作的建議。

無人機群可以在海上、陸地、空中甚至太空中使用，從根本上說是一種依賴信息的武器。迄今為止，還沒有任何研究從信息戰的角度來研究無人機群。本文利用開源研究和定性推理，探討了這些蜂群對信息的依賴性以及由此產生的與信息戰領域--電子、網絡、空間和心理--的聯系。總的來說，文章對這一重要的新興技術如何融入更廣泛的國防生態系統提供了見解，并概述了加強相關信息戰能力的實用方法。

關鍵詞：信息戰、無人機群、無人系統、網絡戰、電子戰

無人機群來了。在以色列2021年與加沙的沖突中，該國軍隊成為第一個在戰斗中部署無人機群的國家。在俄羅斯和烏克蘭正在進行的沖突中，俄羅斯部署了卡拉什尼科夫KUB-BLA游蕩彈藥，據說這種彈藥能夠（或將會）形成蜂群。俄羅斯還擁有一種尚未部署的柳葉刀彈藥，具有創造空中雷區以瞄準無人機和其他飛機的潛在能力。

美國及其盟友和對手正在尋求合作性的無人機群技術。這種追求并不奇怪。無人機群在每個沖突領域的每個軍種都有應用，從步兵支援和后勤到核威懾。整個聯合部隊的軍事領導人必須考慮，隨著技術的成熟和進入戰場，無人機群與現有能力和戰爭形式的關系。這些想法應貫穿于未來的概念、采購決策、演習、訓練、計劃和行動，以考慮到友好和敵對的使用。本文研究了一個更大挑戰：無人機群和信息戰。

盡管無人機群可以在陸地、海上、空中甚至太空中行動，但它們從根本上說是依賴信息的武器。每個蜂群的共同點是需要在無人機之間保持穩定的通信聯系，確保信息得到有效和適當的處理。事實上，蜂群是 "能夠協調其行動以完成共同目標的多個無人駕駛系統"。 蜂群的許多獨特優勢也來自于信息共享。

無人機群的優勢來自三個關鍵領域：機群規模、定制化和多樣性。擁有更多傳感器和彈藥的大型機群能力更強，可以進行大規模攻擊；但是，機群必須處理來自更多無人機的輸入。靈活的蜂群可以增加或刪除無人機以滿足指揮官的需要，可以分成較小的群體，從多個方向攻擊或打擊不同的目標，并在增加或刪除無人機時處理信息輸入的變化。多樣化的機群可以納入不同類型的彈藥和傳感器，并允許緊密結合多領域打擊，增加新類型的信息源，并在無人機以不同的速度和不同的環境風險移動時產生協調挑戰。信息失效意味著碰撞的風險和能力的喪失。

這些能力使信息共享所支持的新型戰術成為可能。正如保羅-沙爾寫道："蜂群將是一種更有效的、動態的、反應迅速的戰斗組織模式。"蜂群可以集中火力攻擊目標，也可以分散和重組以反擊。實現這些壯舉需要高水平的穩定通信。

支持技術也依賴于信息。機器視覺--機器的觀察能力--需要大量的數據來訓練算法。感應器無人機使用這些算法來收集和分享關于敵方防御、可能的目標和環境危害的信息。與單個無人機一樣，蜂群作為一個整體或外部控制系統必須處理在現場收集的大量信息。處理速度會影響蜂群的戰場價值，因為較慢的算法速度意味著較慢的決策速度。雖然蜂群可能不包含機器視覺，但隨著蜂群規模的擴大，人類控制者將面臨類似的挑戰。

信息依賴性意味著必須在信息戰的背景下考慮無人機群。根據美國國會研究服務部的說法，美國政府對信息戰沒有一個正式的定義。實踐者通常將信息戰定義為 "使用和管理信息以追求競爭優勢的戰略，包括進攻和防御行動"。這種戰略包括電子戰、網絡戰和心理戰。也包括空間戰，因為位置、導航、時間信息和基于衛星的通信是無人系統的關鍵信息來源。

當然，注意到信息依賴性并不意味著行為者會成功地認識或利用這種依賴性。盡管俄羅斯軍方早已認識到電子戰在對抗無人機方面的重要性，但在烏克蘭沖突期間，軍方似乎在落實這一知識方面遇到了困難。例如，社交媒體上發布的視頻似乎顯示，烏克蘭無人機在沒有俄羅斯電子戰保護的情況下靠近俄羅斯車輛。俄羅斯軍方和其他國家也可能在網絡、太空和心理戰領域努力實施這種知識。

本文研究了無人機群與信息戰四個方面（電子、網絡、空間和心理）的關系，并探討了人工智能（AI）和機器人技術，它們支持其他領域并影響無人機群的信息戰脆弱性。文章最后提出了政策建議。

電子戰

在巴德學院無人機研究中心對反無人機系統的審查中，電子干擾是最受歡迎的反無人機攔截系統。這種受歡迎程度并不令人驚訝；電子干擾代表了一種潛在的廉價、可重復使用的擊敗無人機的方法，不管是否是蜂群。人類必須向無人機提供任務參數、發射決定，有時還必須進行實際控制。中斷蜂群內的控制和信息共享會擾亂無人機。如果通信中斷，人類就不能設定或修改任務，或指揮打擊或發布撤退命令。無人機群更依賴于通信，特別是電磁波譜上的通信。

盡管無人機可以根據簡單的規則創建蜂群，但通信對于復雜的行為來說是必不可少的，特別是在軍事背景下的蜂群，因為戰場上的地形各不相同，戰斗人員的數量和配置也在變化，而且采用了一系列的戰斗戰術。因此，通信對于防止無人機-蜂群的碰撞以及協調運動和攻擊決策是必要的。如果無人機無法溝通，蜂群就不能作為一個統一的單位運作，不能協調搜索目標，也不能分享成功的識別結果。此外，無人機不能協調攻擊，即一些無人機攻擊一個目標，另一些則攻擊另一個目標。沒有通信，無人機群的價值就會喪失。

電子攻擊可以模仿友軍信號，操縱整個蜂群的通信。例如，據報道，2011年，伊朗通過干擾無人機的通信并操縱全球定位系統迫使其在伊朗降落，從而俘獲了一架洛克希德-馬丁公司的RQ-170 "哨兵 "無人機。如果一個國家允許無人機在沒有人類控制的情況下開火（這絕不是肯定的），對手也可以發送信號，表明對手在一個友好的位置，可能會導致蜂群向該位置開火。

蜂群通信架構--因此，破壞或操縱無人機蜂群的方法--在不同的蜂群中是不同的。蜂群通信通常依賴于電磁波--無線電波（例如Wi-Fi）、紅外線和光學--但聲學信號對于水下無人機可能是必要的，因為電磁信號在水下傳播得不好。因此，頻譜管理對于確保蜂群內部和蜂群之間以及任何控制站的信號是不沖突的非常重要。蜂群控制結構要求將信號傳遞給正確的無人機，如果蜂群中的無人機被禁用或破壞，這將是一個挑戰。

信息在整個蜂群中的傳播方式也可能不同，這可能會影響破壞或維持通信的機制。在集中控制的蜂群中，一個領導者可以協調分配給蜂群中每個成員的任務。在分散控制的蜂群中，無人機與離它們最近的無人機溝通，導致出現成群行為。從理論上講，這種行為消除了全球通信的需要。但是，實現分散控制的簡單算法可能不足以應對復雜、動態的軍事環境。

未來的發展可能會減少蜂群對電磁波譜的依賴。新技術根據不同的物理原理提供通信渠道，如量子通信。另外，無人機可以通過stigmergy間接地協調它們的行動。螞蟻等昆蟲會在潛在的食物來源上留下信息素痕跡，而跟隨的螞蟻如果也找到了食物，也會留下它們的信息素。先進的無人機群可以采用類似的方法。

螞蟻為無人機群提供了另一個教訓：角色的多樣性。蟻群中的螞蟻采用專門的角色，最明顯的是在蟻后和工蟻之間。同樣，蜂群可以納入通信無人機，將可用的機載功率用于加強信號，作為交換通信的備用節點，或使用不同的信號類型來發布撤退命令。無人機群還可以混合集中式和分散式的通信方法，以提高復原力。例如，蜂群可以依靠分散式通信，并有一個備用的集中式通信系統來對抗干擾。這種方法將需要大量的技術開發，以防止兩種通信方式之間的沖突。

隨著無人機群越來越自主，來自群外的基于電磁頻譜的信息就越來越少，對人類輸入的需求減少意味著對一些通信渠道的需求減少。然而，這種自主性是有代價的，那就是操縱或破壞自主系統的新機會。

從理論上講，先進的無人機群可以獨立于外部控制，但政策和技術上的挑戰給自主權設置了上限。美國防部目前的政策不允許無人平臺上的半自主武器在通信功能下降的情況下選擇和攻擊目標，也不允許自主武器在沒有有意義的人類輸入的情況下用致命武力攻擊人類。自主的、復雜的戰略決策，如評估目標對整個戰爭結果的價值，如果沒有通用的人工智能，可能是不可能的，而通用人工智能在短期內不太可能出現。因此，在可預見的未來，將需要一些電子通信。電子戰也越來越與網絡戰聯系在一起。

網絡戰

網絡攻擊可能試圖使無人機群失靈、控制、操縱或滲出信息。蜂群必然擁有單個無人機的所有網絡安全漏洞，包括容易受到反認證攻擊（阻止控制器操作無人機）、代碼注入和代碼更改、利用零日漏洞以及數據外流。更多的無人機也意味著有更多的機會來攻擊系統。

網絡攻擊可以通過反認證攻擊或代碼注入或更改來實現無人機控制系統。使人類控制失靈或改變代碼，使無人機引擎或螺旋槳不能動彈，可能會導致蜂群崩潰。墜落的無人機可能與其他無人機或其他友好資產相撞。禁用傳感器可能導致無人機群盲目飛行，導致碰撞或阻止識別對手的防御系統和其他感興趣的目標。作為一個民用例子，研究人員在2015年7月利用網絡漏洞使一輛吉普切諾基?的剎車失靈。限制無人機的移動為對手提供了戰場優勢。更巧妙的是，網絡攻擊可以利用無人機群的信息處理算法。通過提供不正確的數據、重放攻擊（重復或延遲有效的信息傳輸）、注入惡意的代碼或改變現有的代碼來實現對無人機控制和任務分配算法的簡單操縱，可以造成重大破壞。如果操縱使無人機無法檢測到彼此，它們可能會發生碰撞。如果不能檢測到環境危險，可能會導致崩潰，只需輸入舊的視頻或圖像數據，使蜂群不能 "看到"它前面的建筑物。由于錯誤是不可避免的，增加錯誤風險（但不一定導致錯誤）的代碼修改可能會在很長一段時間內沒有被發現。對手引起的錯誤可能會出現在正常的計算機錯誤中。另外，網絡操縱可能會減緩信息處理、決策或物體識別，使蜂群更容易受到反蜂群防御的影響。算法破壞甚至可能發生在生產過程中。

機器學習和相關技術的進步使對手能夠創建和傳播高度復雜的假圖像和視頻，或利用網絡滲透將其注入數據收集中。假數據可能導致圖像和視頻分析軟件得出錯誤的結論，錯過威脅，或將非戰斗人員作為目標。如果在多個無人系統中使用相同的軟件，對手可能會造成大規模傷害。

最重要的是，對手可以通過改變控制算法的代碼或提供不正確的數據，使無人機群認為一個友好的目標是一個對手，從而將無人機群的能力轉為自己的利益。另外，敵方可以命令蜂群離開受威脅的區域或進入敵方的火力范圍。對手也可能使蜂群安全地進行收集和研究，以獲得關于蜂群能力的獨特情報。對網絡操縱的脆弱性和自主性水平是相互關聯的。

更多的自主性意味著更復雜的計算系統，有更多的利用機會和更大的錯誤風險。具有自主導航、運動或瞄準系統的無人機可以在沒有人類控制的情況下運行，并可以被操縱。同樣，對于更大的、異質的蜂群來說，協調可能更加困難，這提高了災難性失敗的風險。識別滲透在大型蜂群中也更具挑戰性，因為對手可能只攻擊蜂群中的一架無人機。

最后，對手可以通過訪問無人機之間或無人機與控制站之間的通信鏈路或無人機本身的內部控制系統的軟件和固件，尋求從蜂群中滲出數據。這些策略可以讓對手收集關于蜂群位置和活動的情報，以改善防御，從預期的攻擊區域撤退，或酌情準備反措施。通過更好地了解使多架無人機以蜂群形式運作的算法和程序，數據滲出也可能促成更多的破壞性行動。這種理解也將更好地使行動者能夠創建他們自己的蜂群。

空間戰

無人機群通常依靠空間資產進行地理定位，而在地平線上行動的無人機群需要空間資產進行指揮和控制。如果衛星被禁用或摧毀，蜂群可能無法有效運作，或者根本無法運作。然而，最近的技術發展表明，隨著時間的推移，空間領域的依賴性可能會降低，而且信息戰的最有可能的層面不再是無人機群的要求。

許多無人機群依靠全球導航衛星系統（GNSS）來引導它們，GNSS航點可用于定義所遵循的路徑或要避免的區域，識別感興趣的目標（如用于情報收集的對手設施的位置），并引導機群返回發射位置。衛星也可以作為指揮和控制信息的中繼站。

目前，無人機群在相對較短的距離內運行，沒有必要進行衛星通信。隨著技術的發展，無人機群可能在更遠的距離上運行，這些更遠的距離可能需要基于衛星的通信來更新任務目標，給予許可，或提供其他命令。在未來，蜂群中無人機之間的通信甚至可能需要空間資產來覆蓋長距離。

停用或摧毀衛星將使依賴衛星進行地理定位或指揮命令的蜂群無法有效運作。無人機將變得無效，并開始徘徊而不知道該做什么或去哪里。在一個敵對軍事力量主要依賴無人系統的世界里，在大范圍內禁用地理定位可能被證明是毀滅性的。

技術的進步可能減少或可能減輕基于空間的風險。蜂群可以使用外部的全球定位系統節點來幫助定位。一個研究小組使用與全球定位系統相連的浮標，讓水下無人機在不直接進入該系統的情況下定位其位置。一個類似的概念可以通過使用從已知位置（如支持車輛）傳輸的信號來幫助地面或空中車輛進行地理定位。另外，新的導航概念可能會消除對全球導航衛星系統的需求，盡管這些概念在軍事上的成功程度還不清楚。與電子戰一樣，更多的無人機自主性降低了對外部、天基信號的需求。

心理戰

無人機群與心理戰的關系最小。但可能用于傳播宣傳小冊子是個例外，然而，與現有的宣傳手段相比，蜂群似乎沒有什么有意義的優勢。然而，無人機群和更廣泛的自主武器可能會成為錯誤信息、虛假信息和惡意信息的對象，因為全球和公共規范圍繞著機群和自主武器的使用形成。由于擔心對平民的風險和放棄人類控制的道德問題，越來越多的運動正在尋求禁止自主武器。越來越多的人支持這一運動，包括在一些北約成員國。例如，根據2019年1月的益普索民意調查，%的德國人反對使用自主武器。同樣，由于大規模傷亡的可能性和目前機器視覺系統的脆性，武裝的、完全自主的蜂群可能會帶來類似于傳統大規模殺傷性武器的心理影響和風險。"大規模殺傷性武器 "一詞帶有強烈的規范意義，圍繞其使用和擴散的污名。

無論這些公眾運動是否轉化為全球政策的變化，它們都可能為戰略信息行動創造機會，以播種分裂。例如，行為者可能會放大關于使用蜂群和自主武器的說法，以鼓勵內部和伙伴國家反對戰爭努力。反之，行為者可能會對他人進行虛假指控，以達到同樣的效果。核實自主武器是否真正自主的挑戰使得真相與虛構難以區分。無人機群的自主性可能更容易證明，因為一個人有可能控制一個由幾十架無人機組成的小群，但沒有人能夠合理地控制幾千架無人機。駁斥關于無人機群自主使用的錯誤說法則要難得多。

人工智能和機器人技術

人工智能和機器人技術的進步是無人機群所有方面的基礎，并影響到對信息戰的脆弱性和復原力。這些技術的改進可能會導致更好的瞄準算法、蜂群任務分配算法和更大、更復雜的蜂群，也會影響可能被蜂群使用或對抗的電子戰、網絡戰和空間戰系統。在戰場上更多地使用人工智能和機器人技術也可能為心理戰創造更多機會。

機器人和人工智能可以改善進攻性電子戰和網絡戰能力。機器學習可以加強電子戰的目標定位，創造更有效和自動化的網絡攻擊。例如，機器學習可以實現更好的頻譜和功率分配、網絡釣魚檢測、網絡入侵檢測和其他活動。事實上，據報道，中國人民解放軍戰略支援部隊正在將機器學習與網絡戰和電子戰相結合。此外，機器學習的進步可以使用戶通過網絡手段向友好或敵對的數據集添加更好的深度假象。研究人員也在探索使用機器人作為電子攻擊和網絡攻擊的平臺。

人工智能的進步也有可能改善電子、網絡和空間對抗措施。基于人工智能的網絡防御技術為網絡入侵檢測提供了巨大的好處，包括提高準確性、自動響應和吞吐量。另外，機器人系統可以被用來在其他系統退化或被破壞的地方形成一個臨時的通信網絡。例如，Swarm Technologies的SpaceBEE衛星為互聯網連接的設備形成了通信網絡。單個或多個機器人可以作為中間人，支持穩定的通信。

機器人系統非常適合太空戰；它們不需要維持生命的設備，這使它們的成本更低。天基機器人可以用來攻擊對手的衛星或收集信息。多個天基機器人可以操縱空間碎片進入軌道，以打擊對手的衛星或發動分布式的協調攻擊。當然，天基蜂群可能有不同于地面蜂群的技術挑戰，特別是成功的移動和協調。

戰場上更多的人工智能和機器人意味著有更多的機會指責對手違反新生的自主武器規范，因此，有更多的機會發動心理戰。人工智能的改進可能會抵消這種擔憂的一部分。活動家們的一個擔憂是，眾所周知，機器學習是很脆弱的，因為訓練數據可能是有偏見的或不完整的。加強測試和評估、合成數據和數據共享可能會減少風險，并提供反信息的機會。如果不仔細檢查訓練數據，就很難判斷機器學習系統有多強大，甚至不可能。敵人可能會謊稱機器學習系統未經測試且設計不良，導致平民面臨高風險，而反駁這種說法將非常困難，甚至不可能。因此，廣泛部署這些系統可能會導致對違反戰爭法的指控增加。

政策建議

無人機群對信息戰的依賴對軍方的成功行動有幾個影響。

對無人機群和信息戰之間的關系進行更深入的研究是必要的，應該探索信息互動的技術特征，信息環境如何影響戰術使用，以及戰術使用如何影響作戰和戰略環境。一些研究可以進行建模和模擬，以評估不同的無人機群配置對信息攻擊的復原力。模擬和戰爭游戲可以探索無人機群在特定信息相關角色（如電子攻擊）或作為反衛星武器的相對價值。

分析的重點應該是信息競爭在不同類型的沖突中如何變化（同行對同行，同行對近同行，以及不對稱），不同形式的通信對電子攻擊的彈性和無人機群如何適應更廣泛的頻譜分配，以及納入無人機群的新概念以及它們如何與信息戰互動。

友好無人機群的研究和開發必須包括對信息攻擊的加固。蜂群內的通信渠道、信息處理系統以及較遠距離的指揮和控制系統都必須得到保護。某些系統（如物體探測算法）將不針對蜂群。一些有希望的信息加固研究已經開始，如國防高級研究計劃局關于可在GNSS否認的環境中操作的蜂群的工作。無人機群的加固程度應取決于任務以及機群可能面臨的基于信息的攻擊的可能性和類型。

美國還應該對各軍種的信息戰能力進行全面審查。有跡象表明，美國空軍和美國陸軍面臨著電子戰的挑戰，盡管美國海軍沒有。美國陸軍卓越網絡中心的指揮官約翰-莫里森少將直言不諱地說："當涉及到電子戰時，我們的武器不夠用。我們被同行和接近同行的競爭者所淘汰。"最近的報告也描繪了軍事網絡安全的負面形象。2018年10月政府問責局的一份報告 "發現從2012年到2017年，[國防部]測試人員經常在幾乎所有正在開發的武器系統中發現關鍵任務的網絡漏洞。"國防部在招募網絡戰士方面的困難以及硅谷和該部門之間日益擴大的分歧加劇了這一挑戰。 美國在太空也面臨越來越多的反對。國防情報局最近的一份非機密報告發現如下。

• 俄羅斯等的軍事理論表明，他們認為空間對現代戰爭很重要，并將反空間能力視為降低美國和盟國軍事效力的一種手段。俄羅斯等都發展了強大和有能力的空間服務，包括天基情報、監視和偵察......。俄羅斯等都在發展干擾和網絡空間能力、定向能武器、在軌能力和地基反衛星導彈，可以實現一系列可逆轉到不可逆的效果。

該審查應評估軍事信息戰的真實狀況及其與對手發展的一致性，確定改善信息戰能力和組織的具體建議，并為國防工業和知識分子提供一套非保密的建議和指導，說明他們的努力如何能夠支持更廣泛的信息戰活動。

根據審查結果，美國軍方將能夠在研究和發展進攻性信息戰能力（例如，電子干擾和進攻性網絡武器）方面進行有針對性的投資，以擾亂、操縱或以其他方式擊敗可能被用來對付美國軍隊的對手無人機群。這種投資也將有利于未來戰爭的其他方面--從對抗無人系統和依賴信息的戰爭概念到破壞敵方的供應鏈。

相關的能力應該在組織上進行整合，機器人技術、電子戰、網絡戰和太空戰的發展應該為無人機群的獲取、研究和開發、戰爭游戲、概念和理論發展以及相關培訓提供參考。由于無人機群的信息挑戰對每個軍種都是一樣的，因此應盡可能在聯合層面開展活動。更好地整合信息領域的各個組成部分對非蜂群無人系統也是有用的，因為本文的許多分析也適用于它們。

對敵方無人機群和相關信息戰方面的情報收集也很重要。針對無人機群技術操作的情報收集將幫助軍方了解如何操縱或破壞對手的無人機群，并確定秘密行動的機會，如毒害用于機器視覺算法的數據收集。其他明顯的情報收集目標是結合信息戰能力的對手組織（例如，中國人民解放軍的戰略支援部隊）。收集到的信息將有助于軍方了解可能針對美國和戰略伙伴無人機群部署的能力。

在部署無人機群之前，未來的指揮官應評估戰場上的信息戰情況，以告知將使用的機群類型及其組成。例如，指揮官可以包括更多的通信無人機以提高生存能力。應該建立培訓、演習和戰爭游戲，以幫助指揮官發展和行使這種判斷。此外，將信息戰要素納入更廣泛的戰備和訓練活動中，將使指揮官了解失去對信息環境控制的挑戰。指揮官還可以考慮部署反電子戰武器，以支持無人機群在被拒絕的環境中使用。

如果美軍尋求大量使用無人機群，它還必須計劃減輕由此產生的心理戰風險，并采取措施使這些行動更加透明，確保適當的人力控制，前提是這種透明不會給對手帶來好處。例如，美國可以通過將國防部指令3000.09 "武器系統的自主性"下的現有限制變成具有約束力的法律，或通過關于自主武器能力的新的透明度政策，對自主武器采取更有力的限制。這些限制可以伴隨著昂貴的承諾，如投資于自主武器的核查措施。

結論

與其他任何武器系統相比，無人機群更依賴于信息。幾乎每一種與蜂群有關的能力都需要掌握信息流，使蜂群規模擴大，采取復雜的行為，并同時在多個領域運作。然而，這些優勢也構成了一個重要的弱點。癱瘓、破壞或操縱蜂群通信、信息處理和地理定位可以使蜂群喪失能力或被打敗。

沒有任何軍事技術存在于真空中。軍事是一個高度復雜的系統，許多技術領域是相互依存的。高級領導人必須考慮新技術在更廣泛的軍事生態系統中的作用，因為近視和失敗是快速的朋友。

扎卡里-卡倫伯恩

扎卡里-卡倫伯恩是沙爾政策與政府學院的政策研究員，是美國國家恐怖主義與反恐對策研究聯合會非常規武器與技術項目的研究成員，是ABS集團的高級顧問，并被正式宣布為美國軍隊的 "瘋狂科學家"。他是自主武器、無人機群、大規模殺傷性武器和涉及大規模殺傷性武器的恐怖主義方面出版物的作者。

摘要

攻擊和防御工業對國家安全至關重要，通過提供最重要的信任度并穩定地滿足軍事需求。這項研究探討了人工智能、機器學習和電子信息在國防工業發展中的意義。隨著人工智能在國防工業中的出現和發展，本文回顧了目前國防工業生產什么產品，做什么研究，以及優勢/劣勢。國防工業和其他所有部門都受到人工智能、機器學習、機器人、大數據、數據科學、深度學習、模擬、模糊邏輯、5G和電子學的影響，這些都將成為下一代軍事技術。在這項研究中，還強調了混合戰爭，其與國防工業中發展的人工智能技術已變得相當“熟悉”。利用人工智能技術對大規模數據的處理，可能會產生巨大的軍事優勢，獨特的智能能力，以及各種業務的可觀改善。跟上人工智能的持續發展節奏，保持有效的防御將是至關重要的。

關鍵詞：人工智能，大數據，國防，國防工業，國防領域，深度學習，數據科學，電子，模糊邏輯，混合戰爭，機器學習，機器人，5G，物聯網。

1 引言

隨著人工智能（AI）快速發展，其為各個領域帶來益處，在國防工業領域也取得了巨大的成功。擴大國防工業產品的生產并達到該領域的最高水平是許多國家的主要戰略之一。由于這些融合了機器學習、機器人和人工智能的新技術發展，一個問題無疑會出現在我們的頭腦中：混合戰爭是否即將到來？

當然，這個問題是隨著自主車輛、無人駕駛飛行器（UAV）、武裝無人駕駛陸地車輛和無人駕駛戰機的研制而誕生的。雖然一開始看起來不可思議，但它為人工智能技術的形成做出了卓越的貢獻，它將通過把幾種算法結合到其結構中來促進高水平的發展。人工智能是旨在在機器人中模擬人類思維的技術集合，它需要多學科的研究。今天，人工智能技術在收集、處理和解釋數據方面發揮著關鍵作用，使目前不可行的解決方案和技術成為可能。如果沒有人工智能工具，不可能對使用現有技術獲取的數據進行處理分析。

另一方面，機器學習是人工智能的一個子領域，它做的是有監督-無監督的輔助學習，而不是代碼密集型解決方案。我們可以利用機器學習從豐富、復雜的數據中提取有效的推論。在談論國防工業生產的戰爭技術時，我們說它是用大量的數據創造的。最準確處理這些數據的方式是人工智能、機器學習和深度學習。有了這三樣，就不可能不看到數據科學在世界的普及。深度學習通常被認為是機器學習的一個子領域。它包括通過數據驅動的學習產生人工智能的策略。通過評估虛擬環境中真實飛行員在飛行模擬器中的瞬時決策和環境信息，人工智能飛行員可以在不寫程序的情況下制定規則集，并在包含高度復雜數據的環境中做出現實的飛行決策。混合戰爭的形成與過去使用的戰爭技術和現在使用的戰爭技術之間有許多變化。從現實意義上講，國防領域如此大的發展，其最大的關鍵是人工智能。

2 什么是國防工業中的混合戰爭？

隨著國防工業中通信和戰爭技術的發展，戰爭在總體上已經發生了變化。因為每個國家都想發展和變得更強大，所以很難預測我們在戰場上遇到的情況。在戰爭中，信心和動力一樣必要。只有一點點的安全感是令人欣慰的，它也會導致戰場上更健康的思維和戰略行為。

混合戰爭是一種戰爭概念，它以國際關系學科和安全戰略的多樣化以及發展中的技術所創造的新防御和攻擊載體來取代常規戰爭。由陸、空、海三層組成的常規戰爭被包括電磁波譜、空間、網絡和信息層，以及這三層的混合戰爭所取代。混合戰爭可以看成是如圖1所示。

圖1 混合戰爭。

在混合戰爭中，其目的是在不需要武裝沖突的情況下實現打破對手的聯盟、伙伴關系和決心。為此，首選外交和經濟行動、信息戰等方法，必要時還可使用常規部隊作為威懾威脅。在國家和聯盟內部制造不穩定；通過制造政治分離，減緩友好的解決方案、決策和反應的速度，最終導致戰略不確定性，從而達到目的。

在混合戰爭期間，國家開始為這些計劃中最有效的計劃做準備，制定各種戰略計劃（戰術、行動），以保護自己不受對方影響，獲得優勢和權力。混合戰爭最顯著的優勢是人工智能技術，它可以提供許多選擇，并確保先進能力的完整性，通過迷惑對手頭腦獲得優勢。

因此，混合戰爭對國防工業中正在發展的人工智能技術越來越“熟悉”，這場戰爭的范圍也隨著這些技術的發展而擴大。為了發展人工智能技術，我們必須收集數據，并適當地使用這些數據，以便我們能夠向目標邁出堅定的步伐。特別是在這個領域所做的技術，即使是最輕微的錯誤被忽視，也會對所有的研究產生不利的影響。在人工智能領域進行的研究中，每個國家都知道其重要性，有必要揭示出我們與其他國家不同的特點。例如，我們應該能夠在幾秒鐘內做出決定，而不是幾分鐘，并在99.9%的時間內發現并消滅敵人。首先通過在模擬中測試該領域的研究，然后將其應用到實際，我們可以及早發現不足之處，并采取必要的預防措施。

3 仿真技術在國防工業中的應用

仿真工具通過鼓勵可持續的生產環境來增強與生產有關的任務。自我配置是用于創建生產系統的數字工具的一個特點。因此，它顯示了一個實際研究的路線圖。國防工業中使用的模擬仿真器提供了關于將要完成的工作或已經完成的工作的信息，允許它被整合到計劃的戰略中。模擬器的數據允許制定（戰術、行動和戰略）規劃。仿真技術在國防工業中是必不可少的。因為在這個環境中，它能提供幾乎準確的數據，這促進了許多項目和新技術產品的出現。在圖2中，我們可以看到Havelsan的仿真技術。

圖2 仿真技術。

4 大數據

大數據處于不斷更新的科學和商業世界中。由此產生的數據來自于模擬器、視頻、音頻、圖像、帖子、社交網絡互動、科學數據、傳感器和手機以及所有其他連接設備和技術。

• 重要問題

大數據要求從傳統的數據分析中獲得革命性的飛躍，如圖3所示。大數據由其三個主要部分定義：種類、速度和數量。

圖3 大數據的三個特征。

多樣性將大數據帶入一個超大的格式。有三種類型的大數據來自于許多來源。它們是結構化、半結構化和非結構化。結構化數據增加了一個預先標記和快速排序的數據倉庫，但非結構化數據是隨機的，不容易分析。半結構化數據包含標簽，以分離數據項。

目前，數據的體積或數量超過了TB和PB。大規模的數據增長和擴展超過了標準的存儲和處理技術。因此，數據量在我們的生活中無處不在，而且產生的速度非常快。

在整個過程中，速度是一個重要的因素。這就是數據產生的速度。今天，由于數字和社會媒體的發展（發送、網絡互動、圖像、視頻），大數據迅速產生。在數字世界中，每天都有成千上萬GB的數據實時產生。

這個組件的數據流必須得到驗證，以便在國防工業中產生基于人工智能的技術。數據必須是安全的，因為獲取和驗證大數據是很困難的。在完成所有這些過程后，也就是處理數據將為將要生產的技術提供一個很好的優勢。這將使國防工業的強大技術得以生產。

5 數據科學

數據科學的最一般的定義可以表示為從數據中獲取信息的科學和藝術。利用數據科學，我們可以獲得數據，從這些數據中提取信息，并將這些信息用于塑造未來的研究。所進行的大多數新研究都會將從過去提取的數據與當前的數據進行比較，并向我們展示我們更喜歡哪一個步驟來實現我們的未來。數據科學包括組織和分析，可視化，以及報告數據。

總之，數據科學通過研究現狀為決策者提供意識，并通過預測當前和未來的研究增加決策的正確性。

5.1 數據分析

通過機器學習和深度學習提供的方式，可以獲取人工無法獲得的數據。為了了解所獲信息的質量，可以通過詳細調查分析，檢查方法步驟，探索數據的大小、速度和變化來了解。為了獲得最佳的解決方案，針對現有問題而選擇的機器學習算法應該能被分布式數據使用。

5.2 數據可視化

我們發現的數據有時會很復雜，所以它對我們來說變得有些難以理解。如果我們將這些數據可視化，就可以讓我們更好地理解它，其在腦海中的位置也會更加固定。此外，數據的速度和規模越大，數據就越接近實際。數據中的聯系將不容易看到，而且我們也很難理解它們。在這方面，數據的可視化是至關重要的。

6 人工智能在國防工業中的研究

隨著人工智能使用的增加，研究的數量也在增加。在這方面，國防工業已經進行了并將繼續進行突破性的研究。所產生的大部分技術仍處于設計、測試或評估階段。當然，目的是為了在戰場上取得優勢。

這些技術有望產生戰術偵察和監視，用炸彈或導彈進行空襲，為間接火力、特種作戰和心理作戰進行前方監視，邊境控制和保護，地雷搜索和銷毀，反走私，化學、生物和放射性掃描，海上和遏制中的船舶識別，戰斗搜索和救援，空中無線電鏈接和中繼任務，以及天氣數據收集。因此，國防工業的重點是人工智能。

研制的一些技術產品：

I）Baykar Bayraktar Akinci

這是一種高空長航時（HALE）級別的武裝無人駕駛飛行器，由土耳其國防工業公司Baykar Defense開發。它們在2021年8月29日首次進入土耳其武裝部隊。

Akinci的最大起飛重量為5500多公斤，配備兩個渦輪螺旋槳發動機。其中1350多公斤由有效載荷組成。它也被稱為突擊型無人駕駛飛行器（T?HA），因為它可以進行空對空作戰。Akinci配備了電子支持和反制系統、雙衛星通信系統、空對空雷達、防撞雷達和國產合成范圍的雷達。

圖4 Bayraktar Akinci。

II）HAVELSAN Barkan

世界上的安全威脅已經增加，特別是對陸軍來說。自主的無人駕駛陸地車輛將現代技術融入軍事單位，通過遠程管理和使用傳感器系統來感知環境，并在數字戰場的要求下無人執行偵察、監視和彈藥運輸等基本任務。

HAVELSAN公司設計和生產了HAVELSAN BARKAN，以滿足現代軍事領域的需求。BARKAN在許多方面是野戰人員的重要助手，特別是在提高行動的成功率、防止損失和降低行動成本方面。此外，BARKAN還被開發用于攜帶或牽引貨物、提供近身保護和武裝偵察等任務。

圖5 BARKAN。

7 國防工業中的5G技術

隨著人工智能工作的日漸深入，新產品將不斷涌現，因此，國防工業中生產的技術的多樣性也將增加。

全球智能設備數量的增加，技術的發展，以及對容量和覆蓋質量的要求提高等因素影響著通信領域新技術的發展。由于連接到互聯網的設備數量不斷增加，機器學習，物聯網，以及速度和容量需求的增加，已經開始研究5G的出現。通過5G技術，旨在更好地同時滿足這種多樣性的需求和要求。

第5代通信技術，不僅在通信領域，而且在許多領域都能創造和使用產品，它允許新的工作領域和經營方式；它將通過加速人工智能、機器學習、大數據和物聯網等創新應用的發展，在可持續發展目標中發揮重要作用。因此，5G進入我們的生活，其重要性可見一斑。

7.1 物聯網（IOT）的任務

對于國防工業中的物聯網，到目前為止，指揮、控制、通信、計算機、情報、監視和偵察都集中在火控系統的應用上。普遍的看法是，傳感器主要作為數據收集和共享工具，從而加強指揮和控制。物聯網使指揮官能夠根據合并無人駕駛傳感器和現場報告的數據所產生的實時分析結果做出選擇。

• I）監視和偵察。許多傳感器被用來在防御中獲得優勢。雷達、視頻、紅外或無源射頻探測數據、監視衛星、空中平臺、無人駕駛飛行器、地面站和現場士兵從這些傳感器獲取數據。這些數據被傳遞到一個整合平臺，該平臺分析并向指揮鏈的上層和下層分發信息。

• II）后勤。在這個地區部署了多個低級別的防御性傳感器。例如，RFID標簽已被用于跟蹤貨物和管理中央物流中心之間的供應。

• III) 士兵健康。士兵可以被通知有異常情況，如脫水、睡眠不足、高心率或低血糖。如果需要，可以通知主醫院的醫療反應小組。

• IV）監控。將先進的圖像分析和模式識別軟件與安全攝像機和傳感器相結合，有利于遠程監控設施的安全風險。將許多傳感器納入飛機、無人駕駛飛行器、衛星和船舶的就業是海洋和沿海監控的一個例子。如果我們把5G將給國防領域帶來的創新總結如下；戰場上的單位將能夠通過連接戰爭網絡獲得支持，關鍵任務控制將更有效地進行，可以快速決策，并在電子戰和導彈攻擊中采取行動。各國將能夠即時監控其武裝部隊。

圖6 5G技術。

8 在戰爭中使用模糊邏輯

隨著戰場的復雜化，人工智能技術在軍隊中逐漸普及。但從研究的情況來看，基于人工智能的技術在軍事領域還是不夠的，模糊邏輯也得到了應用。

在戰爭中，它是需要考慮的領域之一，因為空中是敵人攻擊最多的地方。因此，在行動前應確定防空因素以最好地支持各種計劃。應該選擇要得到防空支持的單位的防空優先程度。

在戰爭中，士兵們必須在短時間內做出正確的決定。然而，所做的決定并不總是100%的確定。有些時候或情況下，做決定的人必須選擇其他選項。在這種情況下，腦電路分析就是應用模糊邏輯。模糊邏輯是一種識別和解決真正的不確定和不確定問題的有效方法。模糊邏輯是一種多變量理論，它采用 "中"、"高"、"低 "等均值，而不是 "是"-"否"、"真"-"假"等傳統變量。

8.1 模糊邏輯處理

為了在模糊邏輯中創建一個更好的解決方案，要進行比較，以便通過成對的比較來決定哪個是 "好"、"更好 "或 "壞"。

作為一個例子，我們將研究BAHP方法，因為這種方法以人類的思維方式處理不確定性，并有效解決多標準決策問題。這種方法應該在戰爭環境中應用。其步驟如下：

• 步驟1：目標的模糊值；

• 步驟2：在計算出模糊值后，對這些值進行比較，得到選項和標準的可能性值V。

• 步驟3：比??模糊數更重要的凸模糊數的概率度定義為如下：

• 步驟4：通過歸一化得到歸一化的權重向量W，其中W不是模糊數。歸一化過程是通過將每個值除以總和得到的。

9 人工智能在國防工業中的優勢

國防工業生產的產品不僅在戰爭活動中至關重要，而且對國家的發展也有貢獻。人工智能、增強現實、機器學習、深度學習和機器人技術是所有這些的結合，由于新一代的戰爭技術，通過快速獲取戰場上的信息，提高了士兵在戰爭環境中的態勢感知，在不需要任何顯示器或面板的情況下，以理想的速度提供信息的獲取。國防工業生產的技術優勢：邊界監視，對手工制造的爆炸物進行干預，地雷探測和中和，用于搜索和救援行動，快速耐用和分析，許多功能將使我們的士兵受益。隨著國防技術中人工智能的增加，它應該有望在軍事領域獲得優勢。

10 人工智能在國防工業中的劣勢

在人工智能的工作下，許多新的戰爭技術已經產生。雖然這些技術受到大家的喜愛，讓人眼前一亮，但也有看不見的錯誤面。由于不容易發現這些生產出來的技術在生產過程中出現的錯誤，所以可能會被忽略掉。大多數技術和應用仍處于設計、測試或評估階段。當然，模擬器在發現這些錯誤方面有重要作用。

自主系統在任何情況下都會給我們帶來好處，因為它們會做出并執行自己的決定，但它們是否應該自己做決定仍是一個爭論的問題。在每一種情況下，他是否應該自己選擇，或者在必要時應該征求人類的同意？

出于這個原因，應該確定在哪些關鍵情況下，基于人工智能生產的國防技術需要人類的批準。

11 結論

因此，如果用于生產國防領域新技術的數據通過適當的算法進行處理，那么用人工智能建立、開發和使用的技術將在國防部門的發展中發揮重要作用，在軍事領域提供戰略、戰術和行動的好處。此外，這些技術將通過在戰爭期間做出適當的指導，給予目標導向。由于在這個由人工智能創造的新形勢下產生的每一項技術都將為自己正名，它將通過直接影響現在和未來而成為國防工業不可缺少的一部分。這些技術，在所有研究中需要的獨特功能中提供監測、監視和數據收集，大大影響了國防。盡管如此，他們還是配備了足夠的設備來化解對方，并預測每一步。為了從人工智能的重要性和力量中獲得更多好處，在這一領域不落后是至關重要的。即使看一下已經產生的技術，我們也能看到我們未來的國防領域將是多么強大。

來源：華為

來源 | 華為（轉載請注明來源）

中國人工智能產業發展聯盟、華為云和中國信息通信研究院聯合編寫的《知識計算白皮書》，多維度、多角度、多層次地剖析了知識在企業從數字化到智能化的過程中發揮的重要作用，綜合闡述并客觀分析了知識計算從知識層、模型層、算子層到行業應用的框架體系，通過能源、工業、醫療、政務、金融等行業的知識計算應用案例闡釋知識計算為產業、行業、企業帶來的價值，描繪了未來知識計算在技術、產業、標準、生態等方面的發展愿景。

知識計算是一種新的計算模式，利用AI技術實現機器將知識轉化成可計算的模型。

具體來說，知識計算將行業中各種形態的知識，以數學模型的方式，協同行業數據進行計算。將該過程中所涉及的方法和能力納入知識計算框架當中，為行業實現智能化轉型升級提供有力支撐。

隨著AI技術的高速發展，AI在行業中的應用逐步進入快車道。然而，AI解決方案落地成本高的問題阻礙了AI在各行業中的廣泛滲透。過往經驗表明，行業知識的有效利用能夠降低企業使用AI解決業務問題的成本。然而，大多數行業的核心知識分布相對雜亂，比如以文字、圖像等方式顯性地存在企業文檔、手冊中，或者以經驗、學識等方式隱性地存在于行業專家、資深員工的大腦中。知識呈現的方式不同，以及零散的分布，導致企業知識難以傳承、利用。

知識計算聚焦于對行業知識進行有效、充分的利用，將行業知識與AI技術有機結合，融會貫通雜亂的知識并使其參與計算，喚醒行業知識的生命力，發揮行業知識的力量。知識計算將行業長期積累的知識貫穿至解決行業問題的整個過程中，克服AI落地過程中所面臨的諸多問題，提升企業運行效率，比如在業務上，知識計算的應用一方面可以提升企業員工效率，有效釋放專家的精力，另一方面也能夠幫助企業降本增效，為企業高效生產、靈活組織、便捷獲取提供支持與保障；在管理上，知識計算能夠提供更加客觀、準確、科學的決策依據，實現超前預測，降低決策風險，提升企業管理水平。

知識參與計算，將讓知識在建模、求解和應用各階段都發揮重要作用。首先，在AI解決行業問題的過程中，基于專家經驗、行業研究成果構建的知識體系將指導業務場景數據的形成，以及AI模型的構建。其次，在求解過程，行業知識的引入將幫助AI模型更高效地求得更優解。最后在應用階段，行業知識一方面能夠提供決策依據，提升AI模型的可遷移性以及可解釋性，另一方面也可以識別模型運行過程中所產生的有效數據，迭代優化建模和求解。

知識計算通過結合行業知識與AI技術，實現數據與知識雙輪驅動，幫助AI進入企業核心生產系統，為行業智能化轉型升級帶來新的驅動力，也為行業創新帶來無限可能。

具體內容如下

離線強化學習（Offline RL）作為深度強化學習的子領域，其不需要與模擬環境進行交互就可以直接從數據中學習一套策略來完成相關任務，被認為是強化學習落地的重要技術之一。本文詳細的闡述了強化學習到離線強化學習的發展過程，并就一些經典的問題進行了解釋和說明。

1. 深度強化學習 1.1 深度強化學習簡介

強化學習發展的特別早，但一直不溫不火，其中Sutton老爺子早在1998年就寫了強化學習領域的圣經書籍：An Introduction : Reinforcement Learning ，但也并未開啟強化學習發展的新局面。直到2012年，深度學習廣泛興起，大規模的神經網絡被成功用于解決自然語言處理，計算機視覺等領域，人工智能的各個方向才開始快速發展，強化學習領域最典型的就是2013年DeepMind公司的Volodymyr Mnih發表Playing Atari with Deep Reinforcement Learning（DQN技術），可以說開啟了深度強化學習技術發展的新高潮，2015年該論文的加強版Human-level control through deep reinforcement learning 登上Nature, 以及2016年Nature上的AlphaGo: Mastering the game of Go with deep neural networks and tree search 充分證明了深度強化學習技術的發展潛力。

傳統的強化學習和監督學習、非監督學的區別在于，后兩者是通過從已標記(Label)和無標記的數據中學習一套規律（我們可以理解為學習一個函數表達式），而前者強化學習則是通過行為交互來學習一套策略，以最大化累計期望獎勵，結構如圖所示：

image-20220329103307041

其學習過程可以歸納為通過agent獲取環境狀態, 根據自身學習到的知識做出action反饋給環境，并得到一個獎勵，不斷地迭代出一個可以一直玩游戲并且不會死的智能體。原理就是從一個四元組$<s, a,="" r,="" s^{'}="">$中學習出策略,不論出發點在哪里都可以得到一個最優的軌跡（trajectory）模型（不論起點，目前測試中一般通過多個隨機seed去測試），具體可以參考博主的另外篇博文深度強化學習簡介.

1.1.1 On-Policy和off-Policy區別

On-policy和Off-policy這兩個詞在強化學習領域非常重要，知乎上有很多關于其討論強化學習中on-policy 與off-policy有什么區別？，最典型的莫過于李宏毅老師下棋形象例子解釋，還可以從以下方式解釋：

【補充】兩者在學習方式上的區別：若agent與環境互動，則為On-policy（此時因為agent親身參與，所以互動時的policy和目標的policy一致）；若agent看別的agent與環境互動，自己不參與互動，則為Off-policy（此時因為互動的和目標優化的是兩個agent，所以他們的policy不一致）。兩者在采樣數據利用上的區別：On-policy：采樣所用的policy和目標policy一致，采樣后進行學習，學習后目標policy更新，此時需要把采樣的policy同步更新以保持和目標policy一致，這也就導致了需要重新采樣。Off-policy：采樣的policy和目標的policy不一樣，所以你目標的policy隨便更新，采樣后的數據可以用很多次也可以參考。

其實最經典的莫過于Sutton老爺子Introduction中的解釋：

原文：On-policy methods attempt to evaluate or improve the policy that is used to make decisions, whereas off-policy methods evaluate or improve a policy different from that used to generate the data.

此外莫過于Q-learning和sarsa算法的解釋圖片

最終總結一下兩者的優缺點：

on-policy優點是直接了當，速度快，劣勢是不一定找到最優策略。off-policy劣勢是曲折，收斂慢，但優勢是更為強大和通用。

本文之所以解釋On-policy或者off-policy的相關內容，目的在于后文討論以下幾個問題：

如何從采樣軌跡（trajectory）中高效學習 Off-policy采樣效率高，收斂慢，仍然是最重要的解決問題方法 1.1.2 Online和Offline學習的本質 監督學習中通常利用已知（已標記）的數據進行學習，其本質是從數據中總結規律，這和人從學1+1=2基本原理一致，強化學習的過程也是如此，仍然是從數據中學習，只不過強化學習中學習的數據是一系列的軌跡

所以重點來了，這里的數據才是最關鍵的一部分，這也強化學習中Online和offline學習中的關鍵， Online一方面是與環境有交互，通過采集數據學習、然后丟棄，而offline則是不用交互，直接通過采集到的軌跡數據學習，這也是off-policy到offline轉換的重要原因。

1.2 落地應用的困難？ 目前atari， mujoco物理引擎等各類游戲中的模擬數據很輕松拿到，這也就是目前強化學習在游戲領域非常成功的原因之一，也是各種state of the art刷榜的體現，因為游戲數據可以很輕松就100million，總結起來就是

有模擬器，易產生數據，好用！

但強化學習在落地過程中就可能遇到很多問題，比如下圖這個大家伙，

總不可能讓他產生100 million數據吧（不知道他的額定壽命是多少次），因此產生如下幾個問題：

由于樣本收集很困難，或者很危險。所以實時的和環境進行交互是不太可能的，那么可否有一種僅利用之前收集的數據來訓練的方法去學習策略呢？ 不管它是on-policy還是off_policy，我只要經驗回放池中的交互歷史數據，往大一點就是logg數據庫中的數據（此處就不能探索exploration）,去擬合函數是否可行？ 僅利用軌跡數據學習的策略能否和Online算法的媲美？ 所以有這樣的方法嗎？

答案：有，OfflineRL，此處有礦,趕緊來挖！