"JADO需要改變美國空軍思考和開展行動的方式"--CSAF大衛-戈德費恩

鑒于這個問題的復雜性，在未來幾年里，會有數以百計的意見和解決方案流向領導層。確定最可行的、具有成本效益的、安全的解決方案將是最困難的部分。這個問題在一個軍種里有幾個復雜的問題，更不用說多個軍種和多個國家了。先進作戰管理系統（ABMS）是為空軍和相關軍種作為一個聯合團隊運作奠定基礎的前沿和中心。這項工作的重點是通過安全的數據網絡連接傳感器、決策者和武器，實現快速決策和 "全域指揮與控制"。本文將詳細介紹今天正在開發的應用以及這些項目在部署時將面臨的挑戰。

簡介

為了威懾并在必要時擊敗對手，美國空軍必須為聯合全域作戰（JADO）做出貢獻，以快速感知、指揮和控制、目標定位和支持所有作戰領域的行動。空軍應對這一挑戰的方法被稱為先進作戰管理系統（ABMS），它將成為引領JADO的 "技術引擎 "并創建一個框架。ABMS將由用戶能夠使用和訂閱的幾個應用程序組成，以完成一個特定的任務。這些應用中的一些包括CommandONE、platformONE和fuseONE，它們都有一個非常具體的用途，當JADO的能力投入使用時，將適用于整個服務。在試圖實施JADO時，不可避免地會有一些挑戰，包括網絡和這些網絡上流動的數據的安全，獲得滿足網絡社區的操作授權（ATO），以及如何實施和維護開發/安全/操作（DEVSECOPS）以配合操作的速度。空軍仍在使用50多年前制造的飛機，這些飛機今天需要與第五代飛機互通，而改造舊機身可能被證明是成本、進度和性能方面的最大挑戰。

CommandONE

可以應用于ABMS概念的幾種應用之一是CommandONE。CommandONE希望通過開發的應用來促進成千上萬的傳感器和收集源的攝入，這些應用以所有領域的任務為重點，并為滿足所有安全等級的聯合行作戰要求而量身定制。CommandONE應用將為操作人員提供多域和聯合作戰的行動方案（COAs），以提供戰爭戰術和作戰層面的戰斗管理。在人工智能和機器學習（AI/ML）的幫助下，最終產品旨在為操作人員提供快速和有效的知情決策能力，同時減少殺傷鏈時限。大多數C2工具，如TACS、AWACS、JSTARS和CRC，都是圍繞特定的傳感器或能力建立的，并且只存在于SECRET級別。CommandONE的目標是利用來自所有安全級別的所有領域來源的傳感和信息，提供跨越所有任務集的戰斗管理，以便在聯合作戰中為所有部隊提供武器對準目標。

FuseONE

由于像CommandONE這樣的應用允許操作人員從成千上萬的傳感器中進行選擇以完成任務，因此需要有一個融合應用，可以直觀地顯示所有傳入的數據。FuseONE是一種尖端的能力，它能在時間、空間和背景對象集中的環境中融合所有領域的傳感器輸入。目前的傳感器在一個爐灶中建立一個空氣圖，并且經常使用與任何其他C2使能器不兼容的格式。通常情況下，傳感器數據的分類也會限制其向用戶的傳播，為了彌合傳感器和用戶之間的差距，通常要開發一個跨領域的解決方案（CDS）。FuseONE將是一個統一的多域引擎架構，它將建立和維護具有高精確度的對象。為了讓成千上萬的傳感器在一個應用程序下融合在一起，需要創建和管理一種特定的格式。今天在現場的所有傳統傳感器將需要更新到新的信息格式，以便將他們的數據放在一個ABMS的能力平臺上。

多級安全

多級安全背后的理念允許用戶在不同的安全分類級別和區間內同時導入、導出、處理和存儲數據。這個概念也將允許具有不同許可的用戶同時使用該系統，并允許用戶在沒有被許可的情況下訪問存儲在該系統中的所有數據。目前，由于分類問題和信息訪問的限制，業務可能會陷入停滯。對數據進行適當的分類對于保護信息是很重要的，但是當數據的分類積極地阻礙了它所要通知的任務時，我們基本上是在自取滅亡。多級安全將允許用戶通過高保障接口連接到不同安全等級的多個網絡。這種多層次的網絡將需要有一個集中的ATO，并由一個信息安全專業人員團隊不斷監控，以進行修補、更新和增加網絡等。這項工作的最大關注點是政府的認證程序和IT界需要承擔的風險，以管理這樣一個網絡。系統的ATO應該被授權到盡可能低的級別，以確保快速的審批過程。

DevSecOps

通常在提到一個軟件程序時，開發和運營是程序創建過程中的獨立實體。當你把開發和運營這兩個功能結合起來的時候，你就可以確保快速的發布周期，并且可以被認為是一個 "敏捷 "的軟件項目。DevSecOps背后的理念是將安全融入整個項目，而不僅僅是在開始或結束時。開發和運營應該建立在安全的基礎上，在項目的整個生命周期中不斷進行安全補丁/更新。通常情況下，對于復雜、快速移動的程序，自動化是安全集成成功的關鍵。關于JADO，像CommandOne、FuseOne和其他一些軟件應用程序將需要以相關的速度運行，在我們今天所處的環境中，這將是一個敏捷的過程。每個應用程序都需要將其開發和運行建立在安全的基礎上，以便成功地保護軟件應用程序免受對手的攻擊。

結論

聯合全域作戰是一項復雜的技術挑戰，它將影響到所有軍種的每個項目辦公室、每個用戶、每個傳感器和每個武器系統。永遠不會有一個完美的解決方案，尤其是在使用75年歷史的技術時，可以實現無縫集成。ABMS提出了一個有希望的解決方案，它可以作為一種訂閱服務發揮作用。如果用戶想要訪問一個特定的傳感器、武器系統或數據集，該用戶將登錄到多層次的IT系統，并訂閱完成任務所需的材料。從理論上講，這應該是相對直接的實施，但在實踐中，總是會有挑戰。在提到所有這些軟件應用程序的開發/安全/操作時，敏捷的DevSecOps將是一個 "熱門"的詞。重要的是，在加強所有系統的安全的同時，要走在下一個威脅的前面；如果管理不善，一個小裂縫可能會使整艘船倒下。

縮略語列表

ABMS - 先進作戰管理系統

AI/ML - 人工智能/機器學習

ATO - 操作權

AWACS - 機載預警和控制系統

C2--指揮與控制

CDS--跨域解決方案

COA--作戰方案

CRC--控制和報告中心

DevSecOps--開發安全操作

JADO --聯合全域作戰

JSTARS --聯合監視和目標攻擊雷達系統

TACS--戰區空中管制系統

附錄:

圖1. 正在為ABMS開發的核心應用和功能

本報告描述了北約STO RTG IST-149無人地面系統和C2內互操作性能力概念演示器的研究和實驗工作。無人地面車輛（UGVs）在現代戰斗空間中正變得越來越重要。這些系統可以攜帶大量的傳感器套件，從前線提供前所未有的數據流。另一方面，這些系統在大多數情況下仍然需要遠程操作。重要的是要認識到，如果沒有適當的方式在聯盟伙伴之間交換信息和/或將其納入C2系統，ISR數據在很大程度上將是無用的。該小組的主要目的是找到改善這種情況的方法，更具體地說，調查從操作員控制單元（OCU）控制UGV和接收數據的可能標準，并在現實世界的場景中測試它們。

該項目的努力有兩個方面。比利時的貢獻是在歐盟項目ICARUS中所做的工作。這個項目涉及一個用于搜索和救援的輔助性無人駕駛空中、地面和海上車輛團隊。互操作性在幾個不同的實驗中得到了驗證。ICARUS聯盟由幾個國際合作伙伴組成，其中比利時是這個小組的鏈接。第二項工作是該小組的聯合努力，在小組內進行實驗，展示UGV和OCU之間的互操作性。該小組于2018年在挪威的Rena進行了最后的演示。

這兩項工作都使用了無人系統聯合架構（JAUS）和互操作性配置文件（IOP），以成功實現系統間的互操作性。試驗表明，有可能相當容易地擴展系統，并在相對較短的時間內實現與部分標準的兼容。弗勞恩霍夫FKIE和TARDEC都開發了軟件，將信息從IOP域傳遞到機器人操作系統（ROS），并從該系統中獲取信息。ROS是一個廣泛使用的軟件，用于開發UGV和其他類型機器人的自主性，并被該小組的許多合作伙伴所使用。Fraunhofer FKIE和TARDEC提供的軟件對試驗的成功至關重要。

報告還討論了如何在采購前利用IOP標準來定義系統的要求。該標準本身定義了一套屬性，可以在采購新系統時作為要求來指定，可以是強制性要求，也可以是選擇性要求。這使得采購部門更容易定義要求，供應商也更容易符合要求，同時也明確了OCU在連接到系統時，在控制系統和可視化系統中的數據方面需要具備哪些能力。

該小組2018年在挪威瑞納的試驗重點是對UGV進行遠程操作，以及接收UGV的位置和視頻反饋。由于這是一次成功的試驗，下一步將是使用更高層次的控制輸入和反饋來測試互操作性，例如，向UGVs發送航點，并根據系統的感知接收系統周圍環境的地圖。

現代數字雷達在其波形、雷達參數設置和傳輸方案方面提供了前所未有的靈活性，以支持多種雷達系統目標，包括目標探測、跟蹤、分類和其他功能。這種靈活性為提高系統性能提供了潛力，但需要一個閉環感知和響應方法來實現這種潛力。完全自適應雷達（FAR），也被稱為認知雷達，是模仿認知的感知-行動周期（PAC），以這種閉環方式適應雷達傳感器。在這項工作中，我們將FAR概念應用于雷達資源分配（RRA）問題，以決定如何將有限的雷達資源如時間、帶寬和天線波束寬度分配給多個相互競爭的雷達系統任務，并決定每個任務的傳輸參數，使雷達資源得到有效利用，系統性能得到優化。

已經提出了一些感知-行動的RRA方法。這一領域的最新工作被稱為認知雷達資源管理，而較早的相關工作則被稱為簡單的傳感器管理或資源分配。這些算法依賴于兩個基本步驟。首先，它們以概率方式捕獲（感知）監視區域的狀態。其次，他們使用這種概率描述，通過確定哪些行動有望實現效用最大化來選擇未來的傳感行動。

任何RRA算法的一個關鍵挑戰是平衡目標探測、跟蹤、分類和其他雷達任務的多個競爭性目標。這一點通過優化步驟中用于選擇下一步雷達行動的目標函數來解決。目標函數也被稱為收益、標準、價值或成本函數。因此，以適合優化的數學形式闡明系統目標，對完全自適應雷達資源分配（FARRA）系統的運行至關重要。隨著可用于適應的參數數量和雷達系統任務數量的增加，這變得越來越困難。這種優化有兩種基本方法：任務驅動和信息驅動。

在任務驅動的方法中，為每個任務指定性能服務質量（QoS）要求，如探測目標的預期時間或跟蹤的均方根誤差（RMSE），并通過加權各種任務的效用來構建一個綜合目標函數。這樣做的好處是能夠分別控制任務性能，并確定任務的相對重要性。然而，它需要用戶有大量的領域知識和判斷力，以指定任務要求和傳感器成本，并構建成本/效用函數和加權，以結合不同的任務性能指標。

在信息驅動的方法中，一個全局信息測量被優化。常見的信息測量包括熵、相互信息（MI）、Kullback-Leibler分歧（KLD）和Renyi（alpha）分歧。信息指標隱含地平衡了一個雷達可能獲得的不同類型的信息。這具有為所有任務提供共同的衡量標準（信息流）的理想特性，但沒有明確優化諸如RMSE等任務標準。因此，信息理論的衡量標準可能很難被終端用戶理解并歸結為具體的操作目標。此外，如果沒有額外的特別加權，它們不允許單獨控制任務，并可能產生以犧牲其他任務為代價而過度強調某些任務的解決方案，或者選擇在用戶偏好判斷下只提供邊際收益的傳感器行動。

在這項工作中，我們考慮一個雷達系統對多個目標進行同步跟蹤和分類。基于隨機優化的FAR框架[28]，為我們的PAC提供了結構。我們開發并比較了用于分配系統資源和設置雷達傳輸參數的任務和信息驅動的FARRA算法，并在模擬機載雷達場景和俄亥俄州立大學的認知雷達工程工作區（CREW）實驗室測試平臺上說明其性能。這項工作結合并擴展了我們以前在傳感器管理[8-14]和FAR[18, 21, 27, 29-31]的工作。初步版本發表于[32]。結果表明，任務和信息驅動的算法具有相似的性能，但選擇不同的行動來實現其解決方案。我們表明，任務和信息驅動的算法實際上是基于共同的信息理論量，所以它們之間的區別在于所使用的指標的粒度和指標的加權程度。

本章的組織結構如下。在第10.2節中，我們提供了FAR框架的概述，在第10.3節中，我們通過為這個問題指定FAR框架的組成部分來開發多目標多任務FARRA系統模型。在第10.4節中，我們描述了組成FARRA PAC的感知和執行處理器，包括我們采用的任務和基于信息的目標函數。在第10.5節中，我們提供了比較優化方法的機載雷達仿真結果，在第10.6節中，我們展示了CREW測試平臺的結果。最后，第10.7節介紹了這項工作的結論。

完全自適應雷達框架

單個PAC的FAR框架是在[18, 27]中開發的，在此總結一下。圖10.1是一個系統框圖。PAC由感知處理器和執行處理器組成。PAC通過硬件傳感器與外部環境互動，通過感知處理器和執行處理器與雷達系統互動。感知處理器接收來自硬件傳感器的數據，并將其處理為對環境的感知。該感知被傳遞給雷達系統以完成系統目標，并傳遞給執行處理器以決定下一步行動。執行處理器接收來自感知處理器的感知以及來自雷達系統的要求，并解決一個優化問題以決定下一個傳感器的行動。執行處理器通知硬件傳感器下一次觀察的設置，傳感器收集下一組數據，然后循環往復。

圖10.1: 單一PAC FAR框架

美國在太空的成功以及在這一領域不斷升級的軍事任務，需要在太空和陸地上有一個永久和強大的醫療支持裝置。這項研究試圖回答這個問題：載人軍事空間任務的醫療支持需要如何組織、培訓和裝備，以實現國家安全戰略(NSS)的目標，將空間作為一個安全領域加以推進？假設是有必要建立一個專門針對美國防部空間作戰的醫療支持結構。使用了情景規劃研究方法，并對四種情景進行了比較。這四種模式包括使用目前的空軍醫療服務，目前的NASA醫療支持，兩者的混合，和一個完全獨立的醫療服務。關鍵的發現是，這些設想在很大程度上是基于美國防部選擇如何組織其空間資產。是否使用太空部隊、太空軍團或其他一些變革組織將極大地改變特定醫療支持結構的可行性。此外，與美國宇航局的合作，特別是在美國防部載人航天行動的早期階段，將是至關重要的。此外，美國防部缺乏一個可持續的空間醫學專家的培訓管道。建議包括：在美國空軍航空醫學院（USAFSAM）與德克薩斯大學醫學部（UTMB）合作開發一個培訓管道，利用美國宇航局的醫療支持進行早期的國防部載人任務，包括載人航天任務中的醫生，在可能的情況下提供任務中的醫療支持，并保持對空間醫療支持的靈活性和適應性。

摘要

當代和新出現的安全威脅以及從最近的軍事行動中吸取的教訓已經證明，為了在傳統的物理領域（陸地、空中、海上、太空）實現作戰目標，確保在非物理領域的主導地位至關重要，即網絡空間、電磁環境（EME）和信息環境。因此，除了物理作戰領域之外，在非物理領域取得優勢的能力對于實現戰役的軍事和非軍事目標具有決定性意義。

作戰人員將面臨消除沖突，協作，同步和整合行動的挑戰，以實現并發揮協同效應以應對多種威脅，其中可能還包括來自每個作戰領域對手的武裝沖突閾值以下的行動，包括非物質的。

本文探討了作戰環境聯合情報準備 (JIPOE) 作為支持聯合作戰規劃、執行和評估的主要工具的作用和意義，從而有助于多域作戰 (MDO) 的同步和協調。在這方面，基于政治、軍事、經濟、信息、基礎設施-物理、時間(PMESII-PT)方法，不可能將對當代作戰環境(OE)的分析局限于物理領域及其與非物理領域的關系。相反，作者們相信，確定一種合適的方法來關注在非物理領域單獨或聯合進行的活動影響，它們在PMESII-PT所有領域的相互融合和實際操作領域的相關性，將大大有助于友軍識別和評估對手的重心(COG)、關鍵弱點、意圖和行動路線(COAs)的能力，包括各自的指標。JIPOE將為聯合部隊指揮官(JFC)提供OE的整體視圖，將與戰術層面密切合作、共享和開發，通過結合不同領域的能力，應該能夠壓倒對手的部隊。這種集中控制和分散執行的方法將有助于在作戰和戰術層面之間產生協同效應。

引言

未來的軍事行動將以物理和非物理層面的融合為特征，眾多不同的行為者將在其中運作。任何部隊都需要適應極其復雜的作戰環境和大量的作戰變量，需要適應性地使用一系列武器系統來產生致命和非致命的效果。因此，除了物理作戰領域（即陸地、空中、海上和太空），在非物理領域（網絡空間、EME、信息環境）取得優勢的能力將對實現戰役的軍事和非軍事目標具有決定性意義[1, p.280]。

OE是影響能力運用和影響指揮官決策的條件、環境和影響因素的綜合體[2, p.3]。了解OE的因素和條件不僅是所有計劃活動，特別是行動設計的關鍵前提，也是友軍保護和許多其他相關任務的關鍵前提[3, p.41]。

JIPOE代表了一種系統的方法，用于分析有關OE和對手的信息。它可以應用于全部的軍事行動。指揮官和參謀部在危機背景、根本原因和具體動態方面，對戰區形成共同的理解和整體的看法。它使指揮官能夠直觀地看到問題的程度，以及他們如何塑造和改變OE，使之成為他們的優勢，這將為他們的決策提供信息[2, p.3-5]。

JIPOE產品極大地促進了聯合（即作戰）層面的軍事行動的規劃和執行。現代軍隊，特別是北大西洋公約組織（NATO）內的軍隊，幾十年來在討論跨領域（陸、海、空）的協調行動時一直使用聯合這一術語。如今，由于全球安全環境的巨大變化以及俄羅斯和中國日益增長的野心，為了挑戰潛在的同行對手，需要采取多領域的方法。在傳統的戰爭門檻下，盟國及其合作伙伴已經受到了跨越物理和非物理領域的持續攻擊[4, p.2]。MDO一詞不同于聯合行動，因為它旨在關注跨越多個領域的行動，而不考慮服務的歸屬，不一定是由多個部門進行的行動[5，p.49]。

圖1:支持聯合行動的當前JIPOE流程的可視化。

圖2:提出支持MDO的JIPOE過程方案。

概述

2019 年的項目提案征集產生了 10 個項目，共包含 15 個研究工作流。這些項目涉及 140 多名教職員工、研究人員和學生，他們隸屬于麻省理工學院校園和麻省理工學院林肯實驗室的 20 多個不同的組織單位。所有項目團隊都涉及空軍人員，他們嵌入研究團隊并充當項目與國防部利益相關者之間的聯絡人。這些項目于 2020 年 1 月開始，推進了廣泛領域的人工智能研究，包括天氣建模和可視化、培訓計劃優化以及增強自主性以增強和放大人類決策。人工智能加速器的研究活動已成功擴展，包括與海軍研究生院和美國太空部隊合作的種子研究項目，以及于 2021 年 1 月啟動的人工智能教育研究項目。總共11個項目 。

1 安全決策的監護人自主性

Guardian Autonomy for Safe Decision Making

Air Guardian 旨在通過開發用于增強和放大人類決策的算法和工具來推進人工智能和自主性。AI Guardian 通過使用過去的數據建議行動并融合來自傳感器和信息源的輸入來幫助人類。AI Guardian 系統的支持在出現意外和復雜情況時特別有用。Guardian 的端到端機器學習算法向專家學習如何在高度動態和令人驚訝的情況下以常識推理做出反應。我們的目標是使代理能夠感知其環境，識別短期風險，對其操作員以及其他合作和對抗代理的意圖和行為進行推理，以確定最佳行動方案。

2 通過虛擬現實和增強現實轉移多機器人學習以實現快速災難響應

該項目旨在開發一種新的框架和算法類別，使無人機系統能夠在模擬器環境中學習復雜的多智能體行為，然后將其知識從模擬無縫轉移到現實世界的現場環境中。該團隊設想了一個急救系統，在該系統中，一群自動駕駛飛機接受了虛擬訓練，了解如何在新的災區模擬中導航和合作。然后，系統將在模擬中獲得的學習轉移到真正的自主飛機群中。一架飛機部署了一個大型“母艦”地面站，該地面站釋放這些訓練有素的自主飛機，以自動執行時間緊迫、勞動密集型的任務，例如勘測災區以及定位和識別幸存者。

3 合成孔徑雷達的多模態視覺

合成孔徑雷達 (SAR) 是一種能夠產生高分辨率景觀圖像的雷達成像技術。由于能夠在所有天氣和光照條件下生成圖像，與光學系統相比，SAR 成像在人道主義援助和救災 (HADR) 任務中具有優勢。該項目旨在通過利用來自相關模式（例如，EO/IR、LiDAR、MODIS）、模擬數據和基于物理的模型的補充信息，提高 SAR 圖像的人類可解釋性、SAR 目標檢測和自動目標識別 (ATR) 的性能. 項目結果和產生的技術將在整個政府企業中共享，以便在 HADR 問題空間中受益，跨服務的多個合作伙伴可能能夠利用已開發的技術。

4 人工智能輔助優化訓練計劃

為了改善人工調度飛機航班的極其復雜和耗時的過程，該項目旨在實現飛機航班調度的自動化，以提高調度效率和在存在不確定性的情況下的魯棒性。這將優化培訓飛行計劃，同時提供可解釋性并消除決策中的孤島。該技術使調度人員能夠在快速變化的環境中快速有效地重新構建調度，從而大大加快計劃和決策周期。雖然最初專注于飛機航班調度，但該技術適用于許多部門的所有復雜資源分配任務。

5 快速人工智能：數據中心和邊緣計算

5.1 快速人工智能：快速開發便攜式高性能人工智能應用

大量標記數據、新算法和計算機性能的可用性使人工智能革命成為可能。但漫長的計算機在環開發周期阻礙了人類發明和部署創造性的人工智能解決方案。此外，摩爾的終結削弱了半導體技術提供性能的歷史能力。AI 性能越來越依賴于硬件架構、軟件和算法。Fast AI 項目專注于為快速構建 AI 解決方案奠定基礎，在現代和傳統硬件平臺上實現性能和可移植性。我們在編程語言、編譯器技術、綜合儀器、分析生產力工具和并行算法等領域進行創新。

5.2 ML 增強的數據收集、集成和異常值檢測

人工智能技術成功的核心要求是高質量的數據。讓系統做好“AI 就緒”的準備工作包括收集和解析原始數據以供后續攝取、掃描、查詢和分析。該項目將開發 ML 增強數據庫技術，以降低存儲和處理成本，同時實現各種數據庫孤島之間的數據共享。此外，我們將開發一個異常值檢測引擎來識別來自多個來源的復雜事件流中的時間異常。

6 非結構化信息訪問和語言學習的會話交互

6.1 非結構化信息訪問的對話交互

AI Accelerator 自然語言處理項目旨在推進平面/文本圖像數據和空軍任務中的會話代理、知識表示和預測算法。隨著人工智能領域的進步，隨著我們在數據中記錄更多的工作，并在我們的家中找到更多的設備，人們能夠以有意義的方式與技術交互至關重要——就像人類一樣，語言很重要——尤其是在發現關于數字系統的信息。目標是通過對話交互和知識提取來推進人工智能社區，以進行開放域對話和非結構化信息。

6.2 人工智能個性化外語教育

AI加速器自然語言處理外語項目專注于構建個性化的外語教育框架，其中包括要獲得的語言知識模型。這項工作利用當前的外語，根據學習者在課程作業各個階段的預期知識水平量身定制，并制定標準化的能力測試措施。該模型將有助于個性化學習體驗，并闡明學習結果何時和/或何處對學生不利。

7 地球情報引擎

7.1 地球情報引擎

用于天氣和氣候的地球情報 (EI) 引擎包括一個新穎的 AI 測試平臺，以支持美國空軍的快速、有效決策和長期戰略規劃和運營。人工智能的進步有助于縮小人工智能研究人員與可用地球系統數據之間的差距，通過一個連接數據和模型的平臺、新穎的算法和圖像填補任務，將低質量的天氣和氣候數據集與高質量的天氣和氣候數據集聯系起來。EI引擎將為美國空軍提供改進的異常檢測算法；對集中式地球情報數據的關鍵遠程訪問；用于任務支持的地球智能的直觀超級計算機可視化；改進任務行動的臨近預報天氣預報；以及受氣候變化影響的戰略位置識別，以加強資源配置。

7.2 可解釋的機器學習

盡管機器學習模型的性能令人難以置信，但它們仍然難以理解——我們不明白它們是如何或為什么得出結論的。因此，我們不可能對模型的決策充滿信心，并在它們出現故障時對其進行調試。這種“黑盒”性質限制了我們部署和節約維護機器學習系統的能力，尤其是在高風險的環境中。該項目以全新的思維方式處理機器學習的可解釋性：將機器學習和人機交互方法相結合，使實際用戶的可操作性成為主要目標。目標是確定可解釋機器學習的標準，從而能夠開發具有與人類和任務一致的數據表示和決策界面的模型。

7.3 持續和少量學習

人工智能技術已被證明在許多關鍵應用中非常成功，例如對象識別、語音識別等。然而，這些成功依賴于收集大量數據集和仔細的手動注釋。這個過程成本高、耗時長，而且在很多情況下，沒有足夠的數據可用。遷移學習通過利用機器看到的過去數據僅使用少數帶注釋的示例來解決未來問題，從而為這些問題提供了解決方案。這項研究側重于遷移學習中的挑戰，旨在開發可以從根本上從多個異構任務中學習的算法，超越低級任務相似性，以實現跨不同任務的更廣泛遷移。此類算法將在包括計算機視覺和自然語言處理在內的多個領域具有普遍適用性，并將大大減少對大量注釋數據的依賴，從而降低部署和維護人工智能系統的成本和時間。

7.4 強大的人工智能開發環境

人工智能和機器學習 (ML) 方法已為美國空軍展示了巨大的前景。然而，當數據輸入或任務目標與算法訓練期間遇到的目標發生變化時，許多現有的 ML 算法通常會發生災難性的失敗。這種缺乏可靠性以及現代 ML 技術的不透明性使得無法在關鍵任務環境中自信地部署機器學習系統。此外，模型無法適應不斷變化的環境，這意味著每當環境發生變化時都需要（通常是昂貴且困難的）模型重新調整。本研究將側重于以魯棒性為中心的方法來開發 ML 算法。強大的 AI 開發環境 (RAIDEN) 優先考慮 ML 的可靠性、多功能性和適應性。我們努力提供的模型、框架和算法將簡化真正可靠和高效的機器學習系統的部署。

8 使用生理和認知指標進行客觀性能預測和優化

該項目匯集了生物醫學儀器、信號處理、神經生理學、心理物理學、計算機視覺、人工智能 (AI) 和機器學習 (ML) 方面的專家以及空軍飛行員，以開發和測試基于人工智能的多模式用于客觀性能預測和優化的生理傳感器融合方法。該項目將利用身臨其境的虛擬環境來訓練飛行員并不引人注目地測量性能預測指標。從該計劃開發的一系列挑戰數據集將用于參與社區。該團隊與多個政府研究工作以及空中教育和培訓司令部的無數飛行員培訓單位合作，尋求通過明顯加快飛行員培訓時間表來提供概念驗證，從而更快地培養“更好的飛行員”。

9 用于導航及其他領域的魯棒神經微分模型

國防部和民用部門正在研究幾種不同的 GPS 替代方案，以解決 GPS 替代方案；但是，每種替代方案都會帶來額外的成本和用例。磁導航提出了一種替代 GPS 系統，該系統依賴于地球的磁共振——一個眾所周知且不變的系統——進行導航。磁導航當前的一些問題涉及 1) 減少系統上的多余噪聲，例如飛機本身的磁輸出，2) 以與軍事系統一致的實時速度或速度確定位置，以及 3) 與其他系統相結合系統來展示一個完全替代的 GPS 系統。目前的項目著眼于使用魯棒的神經微分模型來解決磁導航的缺點并提供 GPS 的可行替代方案。

10 人工智能增強的光譜感知和干擾抑制

該項目旨在應用人??工智能來增強美國空軍檢測、識別和地理定位未知射頻 (RF) 信號的能力，同時提供自適應干擾緩解和智能頻譜分析工具。這些能力增強了空軍情報監視和偵察 (ISR) 任務、通信、信號情報 (SIGINT) 和電子戰。結果將提高帶寬利用效率和頻譜共享，提高空軍在高干擾環境中的通信性能，產生更高質量的射頻信號情報，并提高系統對對抗性攻擊和干擾的魯棒性。

11 AI 教育研究：Know-Apply-Lead (KAL)

KAL 是一個探索性研究項目，旨在推進教育研究活動，為具有不同角色和教育背景的學習者（從空軍和國防部 (DoD) 人員到公眾）大規模促進最大的學習成果。項目團隊將研究和評估與在各種現有課程中培訓空軍人員人工智能主題相關的各種教學實踐和學習效益，繪制教育需求和能力的格局，并試點實驗學習經驗，目標是盡早概述用于創新技術支持的培訓和學習的原型。