亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

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

人工智能與機器學習技術對戰場的影響

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

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

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

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

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

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

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

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

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

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

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

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

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

人工智能對提高決策速度的至關性

在混亂的戰爭中，瞬間的決策可以決定戰斗的結果。

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

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

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

人工智能對軍事行動方法的影響

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

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

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

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

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

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

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

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

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

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

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

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

從提高態勢感知到徹底改變供應鏈管理和網絡安全，這些技術正在塑造戰爭的未來。

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

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

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

參考來源，David Wilson，美國陸軍維持司令部司令

去年 10 月，美國國會議員 Anna G. Eshoo 向國家安全顧問和科技政策辦公室（OSTP）發出一封公開信，敦促他們解決人工智能（AI）在民用和軍用領域的應用所帶來的生物安全風險。她寫道："人工智能在生物技術、醫療保健和制藥領域有著重要的應用，然而，我們應該像對待分子或生物制品等物理資源一樣，對雙重用途應用對美國國家安全、經濟安全和公眾健康所代表的潛在危害保持警惕。" 在今年 7 月聯合國安理會就人工智能對和平與安全的影響召開的歷史性首次會議上，秘書長安東尼奧-古特雷斯也表達了同樣的擔憂，他指出："人工智能與核武器、生物技術、神經技術和機器人技術之間的相互作用令人深感震驚。"

探討人工智能系統的雙重用途性質如何擴大其他技術--包括生物、化學、核和網絡技術--的雙重用途性質的領域被稱為 "融合"。政策思想領導者傳統上一直專注于孤立地研究不同技術的風險和益處，假設威脅領域之間的相互作用有限。然而，人工智能具有獨特的能力，能夠與其他技術相結合并放大其他技術的風險。這就要求重新評估標準的政策方法，并建立融合風險類型學，從廣義上講，融合風險可能源自兩個概念中的任何一個：技術融合或安全環境融合。

技術趨同。人工智能與其他技術領域的發展之間的直接互動會產生自身獨特的益處和風險。這類融合的例子包括人工智能與生物安全、化學武器、核武器、網絡安全和常規武器系統的互動。

人工智能與生物安全。在評估繪制人工智能與生物安全風險融合圖的風險評估框架的相對效用時，研究人員約翰-奧布萊恩（John T. O'Brien）和卡西迪-納爾遜（Cassidy Nelson）將融合定義為 "生命科學與人工智能之間的技術融合，從而使其相互作用的力量大于各自學科的總和"。他們的研究調查了各領域之間的潛在互動，這些互動可能會大大增加蓄意或意外的高后果生物事件的風險。例如，這包括在新型病原體的硅學（通過計算機模擬）設計中人工智能輔助識別毒力因子。隨后的工作強調了深度學習在基因組學中的應用，以及高風險生物數據存儲庫中的網絡脆弱性。原子科學家公報》最近發表的幾篇文章指出了人工智能發展可能加速生物風險的其他方式。

人工智能與化學武器。作為瑞士聯邦核生化保護研究所（NBC）融合計劃的一部分，一家計算毒理學公司被要求調查參與藥物發現的人工智能系統的潛在雙重用途風險。該倡議表明，這些系統可以生成數千種新型化學武器。由于其新穎性，這些新化合物及其關鍵前體大多未列入任何政府觀察清單。必須結合基于大型語言模型的人工智能體的出現來看待這一發展。這些智能體能夠理解如何以類似的方式改變開源藥物發現項目，如何向定制制造商發送電子郵件和付款，以及如何雇傭臨時工來完成物理世界中分門別類的任務。

人工智能與核武器。越來越多的研究和宣傳強調了人工智能融入核武器指揮、控制和通信（NC3）可能帶來的不穩定后果，未來生命研究所（Future of Life Institute）的影片《人工升級》（Artificial Escalation）對此進行了說明。六月份在軍備控制協會播出的一場由高級人工智能專家和政府官員參與的高級別討論，暴露了這種整合所帶來的許多安全問題。這些問題包括無法驗證和審查人工智能的決策、意外使用自主武器的風險更高，以及沖突升級的可能性增加。

人工智能與網絡安全。在網絡空間領域，有報道指出，人工智能系統可以使惡意行為者更容易開發出毒性更強、破壞性更大的惡意軟件。它們還能幫助對手通過新的零日漏洞（以前未被發現的漏洞）自動攻擊網絡空間，這些漏洞主要針對指揮和控制、網絡釣魚和勒索軟件。鑒于當前人工智能的發展軌跡，自主發起的黑客攻擊預計也將成為一種近期出現的能力。

常規武器系統中的人工智能。人工智能的一個主要特點是，它能使單個行為者以機器速度大規模地開展活動。有人認為，將這一模式應用于將人工智能集成到常規武器系統（如殺傷人員無人機和無人機群）中，會創造出一類具有大規模殺傷潛力的新武器。此外，美國的 "聯合全域指揮與控制 "計劃試圖將常規指揮與控制結構的所有方面整合到一個由人工智能驅動的單一網絡中，而這將帶來許多風險，包括意外升級的風險。

上述每個例子都探討了人工智能系統與特定技術之間的互動，但現實情況更為復雜。例如，人工智能、網絡安全和核武器指揮、控制與通信（NC3）之間如何互動？如何將上述因素與對關鍵基礎設施的威脅（如黑客攻擊和癱瘓電網或水處理設施）結合起來考慮？如何評估先進人工智能系統與傳統安全威脅和其他新興技術相結合帶來的風險？

安全環境的融合。除了這些直接互動的問題之外，還必須考慮在廣泛使用人工智能系統的環境中，錯誤信息和對技術的日益敬畏會如何影響大規模殺傷性武器（WMD）的開發和使用。安全環境的趨同包括技術發展改變整個安全環境的情況，從而產生間接影響，加劇整體風險。這方面的影響可能更難調查。不過，可以預見的例子比比皆是。

例如，我們可以想象，人工智能系統的發展使虛假信息和深度偽造變得更加容易，這可能會增加國際舞臺上的誤解。這將降低生物事件成功歸因的可能性。由于信息不對稱和信號失靈的增加，核風險可能會增加。兩國在人工智能發展方面的競爭態勢失控也可能促使一方考慮使用大規模殺傷性武器或對另一方進行常規攻擊。

除了類型學之外，另一個相關的宏觀問題依然存在：是從整體上研究融合風險，還是為融合的每個方面設計單獨的研究空間。例如，借鑒斯德哥爾摩國際和平研究所（SIPRI）設立的名為 "生物安全+X "的生物安全跨學科項目，可以設立一個名為 "人工智能+X "的大型研究領域，全面評估人工智能系統對其他技術和大規模毀滅性武器威脅的影響，調查共同的途徑和補救措施。與此同時，每種融合途徑（如人工智能和生物與人工智能和核）之間的差異也可能非常顯著，以至于在綜合研究這些風險時可能會忽略重要的細微差別。答案可能是兩者兼而有之，但其構成值得認真考慮。

關于融合的不同學派。從表面上看，關于融合的不同思想流派與關于技術進步的陣營劃分大致相同。技術樂觀主義者認為，人工智能系統將最大限度地發揮這些技術的優勢，并有助于最大限度地降低其風險。這些好處包括更強大的核指揮與控制、更快的疫苗開發和訓練有素的網絡軟件；樂觀主義者可以提出這樣的理由，即監管會延遲或阻礙這些好處的實現。

那些抱著安全心態的人可能會更重視本文所討論的問題，認為不受監管的人工智能發展很可能會導致國際和國家安全的凈下降。

第三個陣營則堅持維持現狀，他們會指出缺乏對融合的好處和壞處的實證研究，并對人工智能系統在任一方向上的變革力量普遍表示懷疑。

鑒于人工智能發展和部署的速度快、規模大、無處不在，專家們必須從安全的角度出發。所有這些技術都具有廣泛的雙重用途，加速發展既可能帶來好處，也可能帶來危害。評估每種技術的效益與風險之間的平衡已經是一個非常困難的經驗問題。這一問題因技術的趨同而變得更加復雜，并凸顯了進一步研究的必要性，以量化其利弊，并調查可適應這一復雜性的框架。

然而，研究表明，在許多高風險領域，防御性技術與進攻性技術相比往往處于劣勢。例如，致命性很強的病原體通常會比疫苗的開發更具競爭力。研究每種技術交叉點上的平衡至關重要，但新興防御性技術往往落后于新興進攻性技術，這就要求政策制定者在應對融合威脅時保持最大限度的謹慎。

防范融合風險的政策。除了進一步的研究，在政策領域也有許多工作可以做，以降低融合風險。

首先，政府必須向國家科學基金會等機構提供專項資金，以提高我們對融合風險的認識。這應包括探索特定領域的技術融合和安全環境融合，以及對獨立于技術領域的威脅融合動態進行更全面的調查。

其次，國會可以考慮公共領域已經出現的越來越多的政策建議，以減輕特定人工智能途徑帶來的風險。最近的一份報告是海倫娜組織 5 月份召開的人工智能與生物融合問題高級別專家會議的成果，其中提出了幾項建議。這些建議包括測試生物濫用的大語言模型、強制進行DNA合成篩查，以及擴大生物安全和生物安保指南的范圍，將人工智能生物技術納入其中。參議院的一項新法案以政策建議為基礎，防止將先進的人工智能整合到核武器指揮、控制和通信（NC3）系統中。人工智能國家安全委員會發布了關于降低武器系統中人工智能相關風險（如擴散和升級）的戰略指南。隨著人們對其他融合途徑的風險有了更好的了解，很可能會出現更多高價值的政策建議。

重要的是，通過普遍適用于先進人工智能系統的共同政策機制，這些融合途徑中的許多都有可能被縮小。例如，先進人工智能系統部署的全面審批程序，包括強制性獨立審計和紅隊制度，可以幫助防止濫用和意想不到的后果，不批準部署具有高融合危險風險的系統。讓人工智能開發者對其創造的系統所造成的危害負責的法律責任框架，也有望激勵主要實驗室在設計時充分測試和降低融合風險。最后，不同公司和國家之間加強協調與合作，為人工智能開發建立共同的保障措施，有可能緩解地緣政治緊張局勢，并阻止相關行為體將其人工智能技術用于軍事目的。

隨著所有這些技術的加速發展和核緊張局勢達到前所未有的高度，調查新舊威脅的融合對于維護和推進國家和國際安全至關重要。

參考來源：Bulletin of the Atomic Scientists，By Emilia Javorsky, Hamza Chaudhry

盡管人工智能作為宣傳工具的使用一直備受關注，但烏克蘭和以色列的熱點沖突正被證明是加速人工智能和其他信息技術工具在戰場上使用的活實驗室。特別是在烏克蘭，有報道稱，人工智能甚至被用于自主瞄準打擊目標。以色列國防軍（IDF）對人工智能的使用則更為隱秘，但它肯定被用作瞄準輔助工具，以擊敗來自加沙哈馬斯的鋪天蓋地的導彈攻擊。

烏克蘭在拒絕了其他 10 個國家的人工智能項目后，開發出了自己的人工智能，因為烏克蘭確信本國開發的人工智能會更有益處，而且可以規避向商業公司報告的任何要求。烏克蘭的人工智能主要集中在龐大的攝像頭和無人機網絡提供的計算機視覺數據上。例如，名稱和目標字符識別（OCR）可以快速識別伊朗制造的 "沙赫德 "神風無人機，而不是標準導彈。 人工智能還有助于烏克蘭自己的導彈瞄準。這些人工智能工作大多由烏克蘭的 IT 陸軍完成，據說他們有 25 萬人，其中許多人在創新的 "蝸牛車庫 "里工作，而他們的預算只有西方 IT 公司的一小部分。人工智能還被用于分析俄羅斯的無線電通信和清除地雷。與此同時，俄羅斯在軍事領域的人工智能應用似乎陷入了雄心壯志與實際用途之間的脫節，尤其是自主無人機，據說供不應求。

一些通訊社報道稱，無人化嚴重的烏克蘭已經更進一步，允許配備人工智能的無人機在某些情況下不受人類控制地識別和攻擊目標，從而引發了戰場上 "機器人殺手 "的幽靈。美國軍方已經啟動了一項為期兩年的 "復制者 "計劃，準備投入數千套價格相對低廉的自主系統，主要是為了應對大國在海軍艦艇等領域的數量優勢。澳大利亞一家名為 "Anduril "的公司（以《指環王》傳奇中的一把劍命名）正在向烏克蘭提供可發射彈藥、由人工智能驅動的 "幽靈鯊 "海上無人機。

雖然烏克蘭似乎正在使用自主人工智能來攻擊坦克等大型物體，但它幾乎可以指名道姓地攻擊單個士兵。據《時代》雜志報道，備受爭議的 Clearview 公司免費提供的面部識別系統已經識別出 23 萬多名參與烏克蘭戰爭的俄羅斯士兵和官員。Clearview 系統被用于偵測滲透者、識別親俄民兵和合作者，甚至烏克蘭稱被越過俄羅斯邊境綁架的兒童。Clearview 技術標志著 "戰斗識別系統 "的首次使用，該系統有可能被用于鎖定敵方關鍵人員。例如，一架攜帶彈藥的人工智能無人機可以在原地徘徊，直到發現一名反對派將軍。

與此同時，在立志成為 "人工智能超級大國 "的以色列，人工智能技術正在協助對加沙的哈馬斯目標進行快速定位空襲--該系統被稱為 "火力工廠"，但其針對軍事目標的準確性目前尚不得而知。人工智能還幫助抵御來襲的導彈襲擊，這些導彈試圖以數量優勢壓倒以色列引以為傲的 "鐵穹 "導彈防御系統。以色列國防軍（IDF）越來越多地使用人工智能，并將其應用于移動平臺，如新型 "巴拉克 "超級坦克。巴拉克 "坦克的一個主要特點是配備了 "鐵視角 "頭盔，通過一系列外部傳感器和攝像頭，坦克乘員只需按下按鈕，就能 "看穿車輛的裝甲"。

主要得益于人工智能，坦克能夠在戰場上獨立學習、適應、導航和瞄準。以色列國防軍表示，一對 "巴拉克 "坦克將能夠執行以前需要一個坦克排才能完成的任務。

大多數分析家都認為，烏克蘭和以色列正被證明是在戰斗中加速使用人工智能的前所未有的試驗基地，而這一發展在和平時期通常需要更長的時間。現在，人工智能系統正在接受來自真實戰爭的真實數據的訓練，這意味著人工智能將在下一場武裝沖突中發揮更大的作用和效力，而下一場武裝沖突很可能包括人工智能自主作戰。

參考來源：techstrong.ai

隨著人工智能發展速度的加快，國防規劃人員開始重視人工智能技術為指揮和控制帶來的超匹配能力。大量的規劃、計劃和預算編制工作已經開始，這將提高未來戰場上的通信能力和生存能力。現在，部隊也在設計和原型開發現代系統，以幫助指揮官比以往任何時候都更全面地感知、觀察、定位、決策和行動。它們將穿透戰爭迷霧。

隨著武裝沖突時間的縮短，會產生哪些技術影響？過去可能耗時數年的戰爭可能在數月甚至數周內就能決定勝負。歷時數周的行動必須在數天或數小時內完成。而指揮官們在做出決定之前，在歷史上可能有充足的時間，但現在卻不得不在幾秒鐘內做出決定。每個指揮所的組織和運行將發生怎樣的變化？這些都是軍事領導人面臨的重大問題，因為他們正在規劃一條融合并充分利用自主性、機器學習、可信通信和邊緣計算優勢的前進道路。

未來戰場上的指揮所

場景設想

一只兔子正在咀嚼三葉草，咬到一半就僵住了，耳朵轉向左邊。透過樹林，它聽到了另一種生物向它走來的腳步聲。如果聲音的來源是捕食者，兔子就準備逃跑，它聽著不明動物的四只腳有節奏地小跑，看著它出現在空地邊緣。它飛快地躲開了這只越來越近的四足動物，因為它從未見過這樣的動物。這只像狗一樣的生物是當晚在該地區出現的 12 個自主機器人之一，它們在一個摩托化師準備建立的指揮所周圍的關鍵地形上各就各位。這是戰爭的開端，這些狗的任務是進行偵察。

幾分鐘后，隨著師長和參謀人員停下腳步并建立防御態勢，一陣低沉而穩定的裝甲踩踏聲從樹林中傳出。指揮所的自主防御部隊--軍犬--現在占據了安全位置。“軍犬”每三個一組。當其中一只正在進行四小時輪班時，另外兩只正在充電。

這些“軍犬”距離指揮所很近，可以將自己作為網狀網絡的節點進行通信和數據傳輸。在沖突的這一階段，“軍犬”只有一個簡單的交戰規則：如果有人類靠近，就向指揮所發出警報。如果探測到人類，它們就會使用傳感器記錄并向指揮所傳輸音頻、視頻和熱紅外數據。被指派保衛指揮所的連長將根據該人是友軍、敵軍還是非戰斗人員來決定采取何種行動。

在行動的這一階段，指揮所將在原地停留長達 48 小時，然后再移動。在這 172800 秒的時間里，“軍犬”每小時將以近乎穩定的速度傳輸 288 千字節。這是它們的指揮和控制數據傳輸速率，可以讓它們一遍又一遍地重復熟悉的模式--向左看、向前看、向右看、報告系統狀態、重復。這可以確保它們彼此保持聯系，并保持警惕。如果它們懷疑或探測到附近有人類，那么它們的數據傳輸速率就會膨脹到每小時 720 千兆字節，來自機載傳感器的態勢感知觀測數據。

在這種環境下，帶寬在功率、重量和冷卻方面都很昂貴。通信資源還有其他需求者。由于該師的每個成員及其設備都是一個傳感器，因此還有更多的情報、監視和偵察信息在網絡上爭奪優先權。后勤系統、語音通信、地理空間更新、指揮命令、醫療診斷數據和氣象數據都在試圖通過這些網絡進行傳輸。此外，還有計劃的網絡限制和從主要路徑到備用路徑的轉換，以混淆任何敵對系統對該師真實組成和身份的認識。

出于這些原因，"軍犬"機器人（或分艦上的其他傳感器）中的計算機視覺模型必須盡可能減少誤報。值得慶幸的是，軍犬"眼睛 "上的計算機視覺模型已經在高度多樣化的生物群落、一年四季、無數種天氣和光線條件下完成了近五萬小時的訓練。它們還消耗了關于現代軍事遮蔽物對視覺的影響、偽裝技術和模式以及人類和機器人軍事編隊的步態和身體姿勢差異的特殊訓練數據。盡管這種訓練數據機制聽起來令人印象深刻，但它不可能考慮到所有情況，這也是為什么該師的機器學習作戰部門準備根據部隊遇到的生物群落以及首戰中不可避免的敵方戰術、技術和程序變化，對軍犬和其他傳感器進行微調的原因。

重新訓練計算機視覺模型與所有其他統計分析一樣。簡單地說，需要有一個有代表性的樣本，以便用數學方法表達樣本關鍵變量之間的關系。在計算機視覺中，場景中的物體--天空、云層、地平線、有樹的山丘、無樹的山丘、單個建筑物、建筑物上的窗戶、透過窗戶看到的人臉等等--都是樣本。每只"軍犬"的傳感器都在收集周圍生物群落的無數樣本。在這些樣本中，有計算機視覺模型從未見過的新的異常值，因為它的制作者沒有一個能容納地球上所有多樣性的實驗室。

經過最初 8640 秒的夜間巡邏，"軍犬"誤報了一只熊，這只熊蹣跚地走到一棵樹下，然后用后腿站起來，試圖去夠一些橡子。當它這樣做時，其中一只"軍犬"發現了它，通過傳感器捕捉到了幾分鐘的畫面，并向指揮所安全人員發出警報。在早上的員工會議上，指揮所安全連連長問機器學習操作人員，他們能對這只讓他們夜不能寐的熊做些什么。

機器學習小組是整個聯合部隊的眾多小組之一。他們都在沖突的早期階段收集樣本。感知到的異常值以及所有觀察結果中的大量隨機樣本，都會根據其能力和隊列優先級流回戰區內外的計算集群。部分數據通過戰術網狀網絡傳輸。其他數據則由在單元間移動的各種后勤車輛被動收集，然后通過物理存儲設備傳輸移動。

數據科學家在處理整個視覺傳感器隊的誤報時，確定他們對當地熊類的觀察結果具有統計學意義，可以將所有觀察結果反饋給人工智能數據產品團隊，以完成一輪半監督負訓練，將其分類為非人類和非戰斗人員。團隊相信，新訓練的計算機視覺模型對熊的誤報率將減少約 70%。

早期樣本的另一個重要發現是發現了計算機視覺模型未檢測到的敵方戰術哨兵。這種誤報可能會對部隊保護造成不利影響。哨兵就像一只坐在樹枝上的鳥，但實際上它是一個離散的視聽傳感器包。通過將哨兵的多次觀察結果與互聯網上業余觀鳥者的視頻樣本進行比較，數據科學團隊能夠訓練出一個分類器，將哨兵與活鳥區分開來。

有了這個新的計算機視覺模型，團隊就可以準備軟件更新策略了。在接下來的 21600 秒內，整個聯合部隊將部署數百個計算機視覺更新。它們不可能也不應該一次性全部部署。在過去三年中，這些團隊已經數百次實踐了這種持續集成和持續交付（CI/CD）方法。與現代云計算提供商一樣，他們也有一套部署策略，通過一系列測試和小規模部署來確認功能是否正常。

除了這些現代軟件實踐外，機器學習操作人員還確保他們的計算機視覺模型部署到狗的樣本中，這些狗會重新觀察類似鳥類的對象，以及熊產生誤報最多的地方。由于新數據顯示誤報和誤報率大幅降低，團隊繼續在計算機視覺傳感器機群的其余部分進行部署。值得慶幸的是，更新計算機視覺模型可以有效利用帶寬。根據傳感器的不同，原始模型的大小在 40 到 60 兆之間。更新只需原始模型的 10%-20%，在這種情況下，更新只需五到十兆字節。所有這些微小的效率在戰術邊緣及其潛在的拒絕、斷開、間歇或受限條件下都非常重要。

數據時代、戰斗演練和 WERX

在每個數據時代都必須進行的一系列更新就是新的戰斗演練。它們必須像士兵清除卡住的武器一樣熟悉和磨練。

必須展示哪些概念才能最終投入實戰？軍隊編制、人員和領導者必須如何采用和塑造這些新的數據作戰演習？美國陸軍已經開始了云計算、軟件定義網絡、算法戰爭、自主性和人機團隊的數字奧德賽。美國各軍種都在迅速啟用其采購、安全和信息技術干部，以提供這些技術和實踐。由此產生的軟件開發實踐不僅限于后臺職能部門。它們正通過傳統和替代性的采購途徑，在各個層級同時出現。久經考驗的研究、開發、測試和評估計劃，以及專門致力于成功實現數字化和人工智能能力的新組織，都在加速這些實踐。引領這些新努力的是一個擁有共同愿景和重新審慎承擔風險的領導者網絡。

走進任何一家新的軟件工廠或 Dev/Ops（開發/運營）軟件團隊，如 AFWERX、SOFWERX 等，就會看到了解自己使命和技能的專業人士。就像他們之前在航空、機械化作業和非機組人員系統領域的先驅一樣，他們知道自己所從事的工作的新穎性很容易被誤解或否定。然而，當他們考慮到烏克蘭和以色列正在進行的戰爭時，他們積極推動新能力的發展，以戰勝任何對手。

人工智能加速路線圖

所有這些工作都有意義所在。要想讓它們結出碩果并最大限度地影響軍事效率，領導者必須積極努力，加快團隊的效果。為此，他們可以采取幾個關鍵步驟。

首先，消除開發團隊與最終用戶之間的距離。這對成功采用軟件和硬件至關重要。用戶和開發人員之間的接觸點是你應該衡量和投資的。如果用戶沒有破壞技術，而開發人員也沒有根據他們無法預料的用例迅速調整技術，那么你就會把這些不幸的發現推遲到第一場戰斗中。

第二，與官僚機構中的現狀偏見作斗爭。如果有人告訴你，生成式人工智能沒有需求，那么請提醒他們，在軍事史的其他拐點上，槍械、坦克、飛機、反簡易爆炸裝置和反無人機技術也沒有需求--直到技術和用例匯聚在一起，使需求變得非常明確。

第三，將人工智能項目分解成一個組合，在一般的開發、安全、機器學習、運營（DevSecMLOps）流水線與不同機器學習學科（如自然語言、計算機聽覺和計算機視覺）的獨特需求之間取得平衡，以滿足遙感、感知和自主等不同應用的需求。

第四，除了你的團隊正在構建的人類角色外，還必須為另一個用戶--新興力量結構中的機器角色--提供服務。部隊結構中每個支持機器學習的設備都需要一個人工智能就緒的數據產品戰略和數據網絡戰略，以便在各種沖突、生物群落和任務中對其進行再訓練。當人類繼續消耗豆子和子彈時，機器將消耗電池和字節。

第五，除了已經建立的物理和虛擬訓練環境，還需要一個設備農場、一個模型動物園和一個數字孿生家族。移動應用開發人員必須在各種設備制造商之間進行測試，以確保向前和向后的兼容性。設備農場可以幫助開發人員從這些異構設備群中快速獲得技術反饋。在下一個戰爭時代，這些設備可能是四足機器人、無人機群，也可能是載人履帶車。機器學習工程師建立并迭代了大量開源和專有模型。在對它們進行訓練和再訓練的過程中，工程師們將擁有越來越多的模型集合（動物園），這些模型將成為在新情況下進行快速微調的更好起點。數字孿生將有助于確保您擁有一個具有充分代表性的環境，以展示新的網絡-設備-數據-模型組合的預期效果。

第六，零信任運動。就像 Hedy Lamarr 和 George Antheil 發明的跳頻擴頻一樣，零信任系統不斷強制執行憑證和其他證書的連接、輪換和重新認證，以確保安全一致性，抵御外部和內部威脅。要做到這一點是一門復雜的藝術，但您應該在數據和系統訪問中要求具備這種能力。BYOD（自帶設備）是企業能夠以零信任方式運行的標志。當您可以信任員工帶去工作的異構敵對外國設備時，您將具備必要的組織和技術實力，與盟友和聯合部隊中的任務合作伙伴實現同樣的目標。

第七，組織需要每周部署到生產中，領導應參與 CI/CD 流程。現代云計算服務通過多種策略實現高可用性。其中最關鍵的是，在發生中斷事件時，開發人員與其領導之間通過軟件定義的連接。在純粹的形式下，DevOps 意味著構建軟件的同一個團隊也會部署軟件，如果部署失敗，他們會在半夜接到呼叫。這就加強了測試過程中對細節的關注。傳呼過程還可以與主要領導聯系起來。如果知道有一定的時間來解決軟件部署失敗的問題，并在經理被傳呼之前恢復正常服務，那么每個人都會在測試過程中更加關注細節。

第八，明確允許在哪些領域進行 "系統 1 "和 "系統 2 "機器思維實驗。丹尼爾-卡尼曼（Daniel Kahneman）在《思考，快與慢》（Thinking, Fast and Slow）一書中普及了現代人對人類思維能力的理解，即人類的思維能力是兩個系統的副產品。系統 1 自動做出快速反應，就像 "戰斗或逃跑 "反應一樣。你的視覺、聽覺或嗅覺幾乎不費吹灰之力就能處理房子著火的情況。卡尼曼將其與系統 2 區分開來，后者 "將注意力分配給費力的心理活動"，并完成復雜計算等任務。通過它，我們對何時將精力分配給專注力有了更多的自主權和選擇權。人機協作的關鍵在于將系統 1 和系統 2 的任務分配給合適的隊友。

我們不希望有一天會經歷這種情況，但在未來的戰場上，兩支陸軍將在夜間發生沖突。清晨，雙方的幾個營可能只剩下殘兵敗將。哪一方能更快地執行重組戰斗演習，哪一方就能立即獲得優勢。從原屬組織脫離并加入新組織的任務命令需要幾個行政和控制步驟。指揮官應首先選擇新的領導和編隊，這是系統 2 的流程。不過，一旦命令下達，一系列系統 1 應用程序和信息應能使所有人員、醫療、后勤和其他支持數據迅速準確地傳送到新的指揮人員手中。如果我們把眼前的工作做好，新營應該能在 3600 秒內做好戰斗準備，而不是 28800 秒。分秒必爭。

參考來源：The Modern War Institute

大數據與人工智能（AI）的結合實現了準確預測和明智決策，為工業和研究帶來了革命性的變化。這些進步也在軍事領域找到了自己的應用位置，一些舉措整合來自不同領域的數據源和傳感器，提供共享的態勢感知。在城市軍事行動中，及時了解具體情況的信息對于實現精確和成功至關重要。數據融合將來自不同來源的信息結合在一起，對實現這一目標至關重要。此外，民用數據可提供關鍵的背景信息，并對任務規劃產生重大影響。本文提出了軍事數據空間（MDS）概念，探討大數據如何通過結合民用和軍用數據來支持軍事決策。文章介紹了使用案例，強調了數據融合和圖像認證在提高數據質量和可信度方面的優勢。此外，還討論了數據安全、隱私、完整性、獲取、融合、聯網和利用人工智能方法等方面的挑戰，同時強調了構建下一代軍事應用的機遇。

I. 引言

大數據的興起改變了企業存儲、管理和分析海量數據的方式。此外，大型數據集的可用性和更強大硬件的發展也為人工智能（AI）時代的到來鋪平了道路。盡管存在局限性，但這些課題在軍事領域也找到了適用性。其中一個例子是美軍使用的多域作戰（MDO），后來擴展為聯合全域指揮與控制（JADC2），以及 "共同作戰圖景"（COP）概念，這些概念整合了多個領域（陸地、海洋、空中、太空和網絡空間）的各種數據源和傳感器，使決策變得更快、更明智，提供了從戰術到戰略的各級組織的共享態勢感知。此外，北約社區已通過北約核心數據框架（NCDF）討論并測試了數據湖概念，以便在適當的時間/形式與聯盟伙伴共享可靠的跨域信息。

利用先進的算法和計算能力，人工智能可以處理龐大的數據集，揭示人類通常無法察覺的復雜模式。這使國防行動能夠增強實戰經驗、促進任務執行、做出數據驅動的決策、協調來自不同來源的數據，并加強應對威脅和災難的準備。通過整理來自不同來源的數據，指揮與控制（C2）部門可以深入了解城市景觀，并通過數據融合技術[3]、[4]促進態勢感知決策[1]、[2]。現代城市部署了傳感器網絡，利用大數據支持城市軍事戰略。此外，社交媒體平臺是寶貴的文本、圖像和視頻來源，豐富了態勢感知，但也帶來了數據完整性等挑戰。在 "非戰爭 "行動中，包括打擊腐敗政府、毒品販運和人道主義任務，大數據、數據融合、數據完整性和人工智能在任務成功中的重要作用在當代全球格局中變得顯而易見。

本文深入探討了利用大數據促進軍事決策以及相關挑戰。文章以簡明易讀的方式涵蓋了該領域相對欠缺探索的各個方面。在此背景下，研究介紹了軍事數據空間（MDS）的概念，這是一種將軍內數據（IMD）和軍外數據（EMD）結合在一起的新方法，旨在引發討論并開發軍事解決方案。然后，它通過以數據融合和圖像完整性機制為重點的使用案例來說明大數據的好處。最后，它討論了使用大數據的挑戰和機遇，集中在支持戰略性軍事決策必須考慮的四個主要方面：i) 數據融合；ii) 安全/隱私和完整性；iii) 人工智能；以及 iv) 網絡作為訪問大數據的手段。

從網絡視角討論數據傳播問題具有現實意義，文獻中也有廣泛論述。因此，本研究旨在引發對大數據觀點的討論，以及利用大數據造福軍事系統的可能性。此外，我們還強調了應對整合 IMD 和 EMD 相關挑戰的重要性。這種整合對于建立有凝聚力的大數據，最終提高軍事決策能力至關重要。總之，本文的貢獻如下：

• 引入一個整合軍用和民用數據的新概念：軍事數據空間（MDS）框架。
• 通過 MDS 框架的出現，確定大數據固有的關鍵挑戰和機遇。
• 兩個說明性用例，突出數據融合和完整性在支持戰略決策方面的優勢。

文章結構如下。第二節介紹了 MDS 的概念。第三節回顧了有關軍事和民用場景中大數據的最新文獻。第四節介紹兩個使用案例，說明大數據如何支持軍事決策。第五節討論了軍事數據領域的挑戰和機遇。最后，第六節總結了本研究討論的主要方面，為文章畫上了句號。

II. 軍事數據空間

軍事數據空間（MDS）的概念是根據 [5] 中討論的觀點提出的。它提供了一個以數據為驅動的軍事場景視角，有助于根據不同的數據源做出決策。MDS 包括兩個主要類別： 軍內數據（IMD）和軍外數據（EMD），如圖 1 所示。目前大多數軍事文獻都只針對 IMD 提出和評估系統（如中間件、協議）。然而，隨著信息和通信技術（ICT）的迅猛發展，民用系統已成為不可忽視的數據和基礎設施（網絡）的重要來源。因此，考慮到數據隱私/安全、完整性、獲取、融合、聯網和利用人工智能等挑戰，MDS 旨在支持關于 EMD 如何幫助軍事決策的討論。

圖1 軍事數據空間。

A. 軍內數據

IMD 與軍方提供和消費的數據相對應，主要分為兩層：帶有真實/虛擬傳感器（來自空間/航空/地面/航海單元）的基礎設施和信息層，包括作戰、情報和后勤數據。

基礎設施包括傳感器（如雷達、聲納、照相機）和其他電子系統收集的數據，可探測和跟蹤空中、陸地或水中的物體；車輛傳感器可提供軍事單元和周圍的狀態；可穿戴/智能和物聯網（IoT）設備可通過 GPS 定位、地圖、健康測量、實時照相機（高分辨率、紅外線）等為戰場上的步兵提供支持。這些數據可用于監測和識別潛在威脅、協助鎖定敵軍目標以及監測步兵狀況。

除了來自真實/虛擬傳感器的原始數據外，IMD 還包括信息層，該層融合了從作戰到情報等各種來源收集的數據，以創建一個更可靠、更廣闊的作戰視圖，這也是 JADC2 和 COP 系統的目標。情報信息可幫助軍隊了解敵軍的能力和意圖，識別潛在威脅并制定作戰計劃。后勤數據提供有關物資、裝備和人員的信息，如運輸時間表、庫存水平和維護記錄。這些數據對于確保軍隊擁有有效執行任務的資源至關重要。

B. 軍外數據

軍外數據是由真實/虛擬傳感器單獨或融合提供的數據子集，可描述軍事行動周圍的環境。因此，可定義用于支持軍事行動的兩個主要數據層：基礎設施（如交通系統、天氣、當局）和信息（如社交媒體、新聞、政府報告）。這些層產生了大量高度可變的信息，從用戶對實時事件（如事故、腐敗和恐怖主義）的感受和照片，到城市環境中的交通/天氣狀況和人們/駕駛員的行為。

信息和通信技術在城市地區的發展催生了智能城市的出現，智能城市通過增強流動性、安全性和健康解決方案來應對城市化帶來的挑戰。智能城市基礎設施包含傳感器，可捕捉有關車輛、交通、天氣和駕駛員行為的寶貴數據。傳感器和物聯網設備的激增也產生了大量數據，這使得利用云通信技術和人工智能應用開發智能系統成為可能。在大數據的推動下，數據融合應運而生，它整合了來自多個提供商的數據，以提高質量和覆蓋范圍，并減少海量數據流量。融合來自交通、天氣、攝像頭、醫療系統等的數據，不僅有可能支持民用應用，還能通過提供上下文數據支持戰略性軍事行動。在傳感器基礎設施有限的情況下，來自社交媒體和政府報告等媒體來源的數據可幫助了解當地行為，并識別影響犯罪、腐敗和毒品販運的因素。

社交媒體數據對于支持與緊急事件和災難相關的信息非常有價值，可通過捕捉獨特信息（如需要救援的群體的位置或隱藏人員的存在）來補充其他傳感器數據。建筑物上的固定傳感器和監控攝像頭可幫助進行人員跟蹤，以準確識別位置。社交媒體數據與其他數據源相結合，有助于敵情偵查和戰術規劃。與交通相關的傳感器數據，特別是交通監控攝像頭，在應急響應和軍事后勤方面發揮著重要作用。它可以檢測事故造成的擁堵和堵塞，從而改進軍事行動期間的路線規劃和交通管理。整合所有收集到的信息可增強態勢感知，促進城市環境中行動的有效規劃和管理。

針對近期發生的事件，如俄羅斯戰爭以及美國和巴西等國的反民主極端分子所帶來的挑戰，已經出現了多項舉措。其中一個例子是 ACLED（武裝沖突地點和事件數據）項目，該項目提供有關政治暴力和抗議事件的實時全球數據。另一個值得一提的項目是 DATTALION，這是一個廣泛的開源照片和視頻片段數據庫，記錄了俄羅斯對烏克蘭的戰爭。該數據庫的主要目的是反擊俄羅斯政府散布的錯誤信息。聯合國開發計劃署（UNDP）利用機器學習（ML）算法和大數據來檢測烏克蘭東部受損的基礎設施。語義損壞檢測器 (//tinyurl.com/semdam) 利用衛星圖像和地面照片對算法進行訓練，以識別建筑物、道路和橋梁的潛在損壞，協助地方當局和人道主義組織確定行動的優先次序。這些舉措極大地促進了 MDS，特別是 EMD，為分析和研究提供了寶貴的資源。

III. 軍事領域的大數據

本節探討大數據在軍事領域的應用，重點從數據內（IMD）和數據外（EMD）兩個角度概述大數據在軍事行動中的重要意義，并探索利用其潛力的最新解決方案。

A. 軍內數據

大數據在軍事領域的一些挑戰已在文獻中提出，并成為北約社區討論的主題，如作戰安全性、漏洞加固和數據可靠性[1]、[2]、[6]，以及北約 IST160 和 IST-173。納入與外界幾乎沒有聯系的自主隔離（如 EMD）可能會限制大數據的自由流動，這就要求在保持系統自主性和保護性的同時，以創造性的方式利用大數據。在這一方向上，COP 和 JADC2 引導研究人員和行業使用和融合來自不同軍事實體的數據，以支持戰略決策。

Kun 等人[1]提出了在軍工企業構建大數據平臺、建立多級數據通道、實現全面數據管理和控制的詳細技術方案。該平臺有利于數據的收集、組織、處理和分析，將數據轉化為知識，以加強決策/服務支持、創新、質量控制和風險管理。Xu 等人[6]強調了數據科學在當代戰爭中實現信息優勢的重要性。他們的系統性綜述顯示，社會科學文獻對數據科學風險給予了極大關注，這可能會影響政治和軍事決策者。然而，與戰術層面相比，科學文獻缺乏對作戰和戰略層面風險的關注，這表明存在研究空白。這一差距可能是由于 IMD 與 EMD 之間缺乏聯系造成的，而 EMD 可以支持行動和戰略決策。

B. 軍外數據

1. 數據融合： 大數據在異構數據融合中發揮著至關重要的作用，其目的是將多種記錄合并為一致的表示形式，提高數據質量并減少通信開銷。然而，由于數據語義和時空覆蓋范圍的原因，挑戰也隨之而來。在軍事應用中，異構數據融合對于設計信息系統，增強復雜的城市戰爭或反恐場景中的信息優勢和感知能力非常有價值。強大的系統對于處理敏感數據（如個人數據或戰略任務/政府計劃）至關重要。數據融合可減輕信息過載，提高準確性，并利用知識支持戰略行動和形勢評估[3]。

多傳感器數據融合（MSDF）方法是在戰術場景中提供快速高效的目標探測、跟蹤和威脅評估的一個實例，如文獻[4]所示。數據融合的另一個應用領域是基于位置的社交媒體（LBSM），它可以增強各個領域的知識，包括交通特征描述和事故檢測[7]。利用 LBSM 系統可以獲得更詳細的交通數據，有利于軍事后勤工作。在特定的軍事環境中，可以利用 LBSM 系統的潛力來提高數據可用性，并實現情境感知操作。

2. 數據安全、隱私和完整性： 設計在數據庫中存儲和收集信息的軍事系統時，安全和隱私是關鍵的考慮因素。安全性旨在防止未經授權的數據修改，而隱私性則保護個人的信息[8]。然而，從公開來源收集數據，尤其是從普通用戶（EMD）收集數據，會給系統安全和用戶隱私帶來風險，使其容易受到攻擊和數據泄露。IBM 的《2022 年數據泄露成本報告》指出，網絡攻擊成本與上一年相比增加了 2.6%，全球平均數據泄露成本達到 335 萬美元。此外，該報告還顯示，83% 的被調查組織經歷過多次數據泄露，這凸顯了保護這些系統安全所面臨的挑戰。

數據完整性對于維護對 MDS 的信任至關重要[9]。被篡改的數據會產生嚴重后果，影響民事和軍事決策過程，破壞對數據源的信心。社交媒體平臺上錯誤信息的泛濫就是這一挑戰的例證，這些錯誤信息往往被利用來施加政治影響，烏克蘭正在發生的沖突就是一例。為應對此類問題，Twitter 等平臺修訂了其政策，標記了許多與俄羅斯國家附屬媒體相關的推文，并檢測了數十億條與沖突相關的實時推文印象[10]。

與此同時，圖像認證的出現解決了人們對圖像完整性和來源驗證的擔憂。然而，包括人工智能軟件在內的先進圖像處理工具的興起使圖像驗證變得越來越棘手。雖然圖像驗證引入了水印、數字簽名和感知散列（pHash）等多種技術[11]，但每種技術都有其優勢和局限性。例如，水印可提供真實性和所有權保護，但可能會影響圖像質量，而且容易受到高級處理技術的影響。相比之下，pHash 可以靈活地進行圖像操作，并對內容變化敏感，因此特別適合在社交媒體平臺上使用。在數據完整性和圖像認證的背景下考慮這些挑戰和解決方案至關重要。

IV. 使用案例

A. 數據融合

首先，大數據的時空融合是為了支持軍事決策。由于缺乏所討論的可用 IMD，多數據融合（MDF）框架[12]被實例化，用于收集、準備和處理 EMD，并將其融合以提供豐富的信息。為了證明時空數據的豐富性，MDF 利用基于云的系統共享數據的公共可用性獲取了交通系統數據。不過，該框架可擴展到其他各種數據類型。其目標是提高數據質量、改進 C2 系統和軍事后勤，并支持城市地區的 COP/JADC2，從而創造出將融合 EMD 與來自不同領域的可用 IMD 結合使用的新方法。下文圖 2 介紹了 MDF 的主要功能。此外，還通過分析數值結果討論了融合大數據的好處。

對于數據采集，圖 2 (1)配置了一組參數（如區域、請求頻率）和數據源，MDF 為此收集各種格式的數據，并將其存儲在文件中。在準備階段（2），通過將不同的地物名稱和類型轉換為統一的表示方法，對輸入數據集進行標準化。這包括各種數據映射，以生成統一的數據類型，例如將描述性映射為數值或降低數據粒度。此外，還啟動地圖匹配，將所有地理定位數據（可能具有不同的精確度）融合到同一個路網中。MDF 對所有收集到的數據進行預處理，并從收集到的區域獲取 Shapefile (SHP)。請注意，根據應用目標和可用數據類型，框架可能會應用不同的特征提取方法，如自然語言處理（NLP）（情感分析、關鍵詞提取、詞法化、詞干化和自動摘要）或圖像處理（圖像分割、邊緣檢測和對象檢測），以從非結構化數據類型中提取信息。在使用案例中，我們沒有使用 NLP 算法，因為數據是無文本圖像和基于交通的數據。不過，建議的數據融合框架具有多功能性，可以處理各種數據類型，包括可以應用 NLP 技術的文本數據。

圖2 數據融合框架工作流程。

第三階段實現時間/空間數據融合和數據導出。為確保數據完整性，需要事先過濾非信任信息或有偏見的信息，例如，根據信息在不同數據源或圖像認證機制中的出現情況，使用驗證信息的方法，如第四節B部分所述。時間數據融合是通過對任意時間窗口（如每分鐘、每小時、每天）內的數據進行分組來實現的。為了進行空間融合，MDF 利用地圖匹配，根據底層道路網絡在規定的精確度下對 GPS 點進行對齊。由于不同數據源的 GPS 報告精度各不相同，因此必須這樣做，才能將所有地理定位數據映射到相同的道路網絡中。

最后，在圖 2 (4)中，豐富的數據以不同的格式輸出，為軍事和民用領域提供了多種可能性。MDF 的輸出通過創建不同類型的統計數據和可視化效果來支持時空分析，從不同的空間和時間方面描述可用信息的特征。

1. 結果： 為了展示數據融合的優勢，表 I 總結了 MDF 框架在實際實驗中的結果。該實驗為期九個月，在兩個不同的城市收集了四類民用交通數據（交通流量、事故、車輛數據和天氣狀況）。數據融合使科隆的數據覆蓋率提高了 173%，覆蓋了 5081 條道路，而僅使用Traffic HERE數據源時僅覆蓋了 1379 條道路，波恩的數據覆蓋率提高了 137%。此外，通過重疊路段豐富信息的潛力達到了 39.5%，從多個來源提供了事件的詳細描述。

表I 按數據來源分列的道路覆蓋情況。

B. 數據完整性

之前的工作[11]介紹了一種利用 Twitter 和 Facebook 來確保圖像完整性的圖像認證系統。該系統采用卷積神經網絡（CNN）和全連接層（FCC）進行特征提取，采用位置敏感散列（LSH）進行散列構建，并采用對比度損失最大化原始圖像和篡改圖像之間的差異。該模型的輸出是每個圖像 1024 位的固定長度向量表示。

為解決在城市軍事行動和民用系統中保持圖像完整性的重要性，提出了圖像事實檢查器（IFC），如圖 3 所示。它能檢測虛假圖像，確保數據的可信度，并作為當局主導的認證系統，打擊錯誤信息。系統會生成帶有徽標或圖標的驗證版照片，表明其已通過 IFC 系統驗證。此外，IFC 還提供了圖像的感知散列（pHash）字符串表示，可將其納入描述或在其他網站上共享。數據融合系統是 IFC 的一個可能的終端用戶，它可以在應用時空融合和生成豐富數據之前對抓取的圖片進行驗證。

圖3 Image-Fact-Checker (IFC)。

建立一個能提供即時真實信息的自動化系統是一個相對較新的概念，因此通過比較來評估其有效性具有挑戰性。然而，由于創建令人信服的偽造圖像的人工智能生成模型的興起，實施圖像認證系統現在變得至關重要。添加這一系統作為驗證層有助于防止或減少虛假信息的傳播，尤其是考慮到不斷發展的互聯網法規會對缺乏反虛假信息措施的平臺進行處罰。一種有效的方法是將 IFC 系統與政府機構連接起來。IFC 方法具有通用性和可擴展性，可提高個人的意識和信任度。

1. 成果： 使用 IFC 系統提高了數據的可信度，并能檢測到圖像操縱行為。在烏克蘭-俄羅斯沖突等沖突局勢中，受俄羅斯襲擊影響的平民在社交媒體上分享圖片，但對其真實性產生質疑。IFC 可以使用 DATTALION 數據集對這些圖像進行驗證，從而可以快速將其分發給救援隊、聯合國或北約等相關組織。這加快了對襲擊的響應速度，并提供了針對俄羅斯的可靠證據。在交通等民用場景中，從普通用戶那里獲取實時和經過驗證的信息可以加強路線更新和應急響應方面的決策。

圖 4（左）是通過 DATTALION 從普通社交媒體用戶那里收集到的兩張未經驗證的圖片。這些圖片只是更大數據集中的一小部分。用戶通常不愿意相信這些來源，因此有效利用這些來源具有挑戰性。然而，當這些圖像經過 IFC 機制處理后，其可靠性就會提高，因為任何進一步的篡改都很容易被檢測出來。如圖 4（右圖）所示，應用 IFC 后，每張圖片都會收到 pHash 和相關信息，如圖片描述、提取的特征、位置、事件日期、抓取日期、發布者 ID。這些經過處理的圖像將存儲在 IFC 數據庫中，供今后查詢。該數據庫有多種用途：重復檢測、完整性驗證以及滿足特定最終用戶的要求。

圖4 使用IFC提取圖像細節。

V. 軍事數據空間的挑戰與機遇

A. 數據融合

數據融合的第一個挑戰是尋找和獲取軍事和民用領域的可用數據。出于隱私/安全考慮，信息可能無法廣泛獲取或獲取途徑有限。在軍事領域（IMD），數據受到更多限制，這為探索可用的民用數據（EMD）以支持戰略性信息決策提供了機會。第二個值得注意的挑戰是融合多種數據源，這些數據源可能具有不同的結構（結構化、半結構化和非結構化數據）、標準、數據類型（如文本、圖像、視頻）、測量單元、粒度和時空覆蓋范圍。因此，需要深入了解如何準備和處理不同的數據集，并將其融合為一個數據集。

處理社交媒體中的圖像和文本需要進一步的程序，如特征提取方法（如 NLP 和圖像處理），以提取可用信息。盡管數據融合面臨諸多挑戰，但將從不同角度（如指揮部、用戶、記者、政府、傳感器）描述同一空間和時間的不同數據源結合起來的好處，可以加強軍事行動的規劃和戰略階段，為 COP 和 JADC2 系統提供支持。

B. 數據安全、隱私和完整性

1. 數據安全與隱私： 保護敏感的軍事信息對國家安全至關重要。需要強大的加密、安全的數據存儲和訪問控制來降低風險。建議采用的技術包括公鑰基礎設施（PKI）安全、受保護內核、數據加密、防火墻和入侵檢測。然而，如何在數據共享、有利于信息融合和安全/隱私措施之間取得平衡，對軍方來說仍是一項具有挑戰性的任務。

2. 數據完整性： 被操縱的數據會給民用和軍用決策帶來風險，并降低對數據提供者的信任度。在生成內容的人工智能模型不斷進步的幫助下，篡改圖像迅速傳播，參與度不斷提高，這凸顯了對智能綜合解決方案的需求。通過社交媒體分享的圖片能夠快速傳達復雜的想法，從而為救援行動提供支持，使人們能夠立即采取行動，如在城市發生事故/災難時改變交通路線。圖片還能喚起情感聯系，增強讀者對新聞事件的理解。然而，烏克蘭戰爭等危機擴大了錯誤信息的傳播，這就需要 snopes.com 和 norc.org 等人工事實核查機構的參與，以打擊錯誤信息。然而，在戰爭期間或為打擊腐敗政府而進行基于人工的實時核查可能會耗費大量時間，這就為設計自動系統來驗證圖像和處理虛假信息創造了機會。

C. 聯網

雖然這項工作的主要重點在于數據視角，以及確保使用來自不同來源的可信數據來支持軍事行動的相關性，但同樣重要的是要認識到網絡在有效提供數據和服務方面的重要性。在以網絡為中心的軍事行動中，利用高頻、甚高頻、超高頻、衛星通信、Wi-Fi 和 LTE 4-5G 等各種技術進行無線通信至關重要。有些技術擅長長距離覆蓋，但帶寬有限、延遲高，而且容易受到干擾。另一些則以可靠性為先，覆蓋范圍較短，帶寬較大，延遲較低。

以信息為中心的網絡（ICN）和軟件定義網絡（SDN）等網絡范例對于優化數據傳播和網絡協調至關重要[13]，尤其是在網絡資源有限的情況下。在軍事網絡中，尤其是在戰術邊緣，數據傳播過程中會出現資源有限和安全問題等挑戰。為解決這些問題，軍方可能會探索包括民用網絡在內的各種基礎設施，以獲取和融合非軍事數據。以歐洲 5G COMPAD 聯盟為例，目前正在考慮采用 5G 技術。然而，由于硬件通信系統成本高昂、帶寬和互操作性有限，因此具有挑戰性。這就需要定制參考架構來滿足軍事通信需求。

在最近的烏克蘭-俄羅斯沖突中，俄羅斯對烏克蘭基礎設施的攻擊導致互聯網中斷，暴露了通信網絡的脆弱性。SpaceX 的 Starlink 衛星互聯網星座提供了一種解決方案，證明了在戰時利用民用網絡基礎設施的價值。盡管該技術有望提高互聯網在數據和緊急通信方面的可靠性，但它在網絡安全、覆蓋范圍、可靠性和成本效益方面仍面臨挑戰。

D. 人工智能

由于隱私、安全以及軍事機構為防止濫用和限制 IMD 的可用性而施加的限制，為人工智能研究訪問軍方擁有的大數據帶來了挑戰。此外，人工智能功能可能會受到對抗性攻擊的影響，對抗性攻擊會通過改變造成錯誤分類來欺騙人工智能模型。快速梯度符號法（FGSM）和語義攻擊等技術分別有助于識別和減輕計算機視覺和 NLP 中的此類攻擊。Yuan等人[14]對攻擊、對策和基于應用的分類標準進行了全面評述。

要檢測對抗性攻擊，一種有效的方法是使用具有與主人工智能模型不同特征的輔助人工智能模型。這一想法源于早期的衛星通信。當時，人們使用電報等輔助系統來防止對衛星通信的中間人攻擊或干擾攻擊。由于帶寬有限，輔助系統只能傳輸與完整衛星數據相對應的摘要數據，用于偵測攻擊和應急通信。同樣，在人工智能中防范對抗性攻擊時，傳統的 ML 可以作為輔助系統，產生與主要 CNN 方法一致的結果。對抗性攻擊依賴于計算機視覺深度學習模型中的梯度技術，而傳統的 ML 方法則使用不同的方法，這些方法對這些攻擊操作大多具有免疫力。

在軍事領域使用人工智能的另一個問題是需要共享敏感數據來訓練模型。在這方面，聯邦學習（FL）作為一種訓練 ML 模型的技術已經出現，在這種技術中，數據不會暴露，從而確保了數據的安全性和隱私性[15]。雖然它不能被視為對抗惡意攻擊的防御技術，但這種方法隱藏了敏感數據和模型或參數的一部分。這種技術對于建立在人工智能基礎上的新興軍事應用非常有價值。

VI. 結論

本文探討了大數據在軍事領域的應用。研究了與整合不同數據源、確保數據安全、隱私和完整性以及聯網和利用人工智能相關的機遇和挑戰。文章引入了 MDS 概念，以豐富和引導討論，強調納入民用數據的潛力，以提高軍事行動戰略決策所需的信息質量和數量。此外，文章還包括兩個實際使用案例，說明了數據融合的好處以及實施圖像認證機制以保持數據完整性的重要性。這些發現凸顯了大數據在軍事領域的重要意義，并強調了在該領域開展進一步研究和探索的必要性。

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

在軟件中定義測試功能

人工智能在測試解決方案中的應用得益于在軟件中植入測試和測量系統功能的能力。

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

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

對標準化和快速周轉的需求也需要更多的軟件功能。

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

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

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

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

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

雷達/預警要求

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

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

雷達和預警系統的數字架構要求和現代化努力也要求測試系統具有多功能性。

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

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

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

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

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

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

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

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

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

開放架構/MOSA 計劃

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

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

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

展望未來

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

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

Fountain 說，未來幾年有四個關鍵領域將推動測試和測量技術的發展：

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

雷達和預警系統對靈活性和多功能性的需求也成為測試和測量需求的一個特點。

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

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

隨著大數據、云計算、物聯網等一系列新興技術的大量涌現，人工智能技術不斷 取得突破性進展。深度強化學習技術作為人工智能的最新成果之一，正被逐漸引入軍事領域 中，促使軍事領域走向信息化和智能化。在未來戰爭作戰模式及軍隊發展建設中，網絡化、 信息化、智能化和無人化形成重要特征已經成為不可逆轉的趨勢。因此，本文在回顧了深度 強化學習基本原理和主要算法的基礎上，對當前深度強化學習在武器裝備、網絡安全、無人 機編隊、智能決策與博弈等方面的應用現狀進行了系統的梳理與總結。最后，針對實際推進 深度強化學習技術在軍事領域應用落地所面臨的一系列問題和挑戰，提供了未來進一步研究 的思路。

近年來，隨著大數據、云計算、物聯網等 一系列新興技術的大量涌現，人工智能技術不 斷取得突破性進展。作為 21 世紀的頂尖技術之 一，人工智能給各個領域的發展都帶來了前所 未有的機遇和挑戰，軍事領域也不例外。2016 年 6 月，由國防大學舉辦的“戰爭復雜性與信息化戰爭模擬”學術研討會，對大數據時代的軍事 信息體系與發展戰略進行了重點研究[1]，軍事 智能化已不再是一個陌生的概念，正在全面影 響著軍隊建設和未來戰爭形態[2]。從應用角度 來看，軍事智能化主要體現在五個層次[3]：以 無人機、無人車等仿生智能為主的單裝智能；以人機融合、集群、協同等概念為核心的協同 智能；以智能感知、決策、打擊、防御等多要 素作戰力量綜合運用的體系智能；以通信、網 絡、電子、輿情等專業領域管控的專項智能；以作戰體系基于數據、模型、算法獲取涌現效 應為目標的進化智能。人工智能技術為這些應 用的落地提供了堅實的基礎。深度學習（deep learning，DL）和強化學 習（reinforcement learning，RL）作為實現人工 智能的先進技術，分別在信息感知和認知決策 領域有著出色的表現[4]-[5]。深度強化學習（Deep Reinforcement Learning，DRL）[6]則是近幾年 提出的新興概念，結合了 DL 與 RL 的優勢， 是人工智能的最新成果之一，在機器人控制、 計算機視覺、自然語言處理、博弈論等領域都 取得了重要研究成果。在軍事領域中，針對作 戰任務規劃、智能軍事決策與智能博弈對抗等 問題的解決，DRL 也有著巨大的應用潛力，引 起了研究人員的廣泛關注。

目前，關于 DRL 的研究已經取得了較大進 展，有一些關于 DRL 的綜述性文獻陸續發表 [6]-[7]，但它們更加偏向于對 DRL 算法的總結。除此之外，也有一些關于 DRL 在領域應用中的 綜述，如無人機[8]、通信與網絡[9]、智能制造[10] 等領域，然而關于 DRL 在軍事領域中的應用， 并沒有專門的綜述性文獻對其進行深入梳理和 總結。基于此，本文首先回顧了 DRL 的理論發 展歷程；然后對 DRL 的基本算法及改進算法進 行了歸納總結；最后對前人研究中 DRL 在軍事 領域武器裝備、網絡安全、無人機編隊、智能 決策與博弈等問題的應用現狀進行了系統性的 總結，并展望了其發展方向和前景。

以人工智能為代表的新興技術正日益成為影響全球戰略穩定的新變量。作為引領新一輪科技革命的戰略技術，人工智能在國家安全和軍事領域具有顛覆性的潛力。世界主要軍事大國已將軍用人工智能視為戰略競爭新的 制高點。人工智能軍事化的加快推進改變了傳統戰爭模式以及國際軍事競爭態勢。在常規武器領域，人工智能技術擁有增強自主武器威懾、參與輔助決策及 維護網絡安全的能力，可以推動傳統戰爭模式的顛覆性變革，加速戰爭邁向智能化。在核武器領域，人工智能技術與核導彈預警系統、核指揮和控制系統以及自主核運載平臺迭代融合，可以增強核國家核威懾力量，推動核決策走向智能化。從長遠角度來看，人工智能技術的軍事化應用或將改變現有戰略力量的平衡，削弱核國家核威懾的能力，增加危機意外升級的可能性，鼓勵軍備升級和軍備競賽，沖擊和挑戰以核威懾力量為基礎的戰略穩定，進而動搖甚至可能 破壞現有全球戰略穩定的根基。國際社會應聚焦人工智能軍事化過程中相關技術、結構、機制和治理方面的建設，探索降低人工智能軍事應用引發戰略穩定風險的路徑，為建立新型全球戰略穩定體系創造有利條件。

大數據時代的信息急速膨脹和計算硬件的快速發展，使得計算機視覺開始嶄露頭角。尤其是，在人臉識別、目標檢測、圖像分割等任務中，近年來基于深度學習的計算機視覺模型取得了優秀的研究成果，并且大部分成果已經從實驗室階段邁入了我們的日常生活。此外，計算機視覺正在與智慧安防、智能機器人、無人駕駛、智能家居等諸多前沿領域互相結合與滲透，以期更好地服務大眾、造福社會。

盡管許多計算機視覺模型在一些方面已經取得了極大的成功，但是現有的這類模型卻容易犯一些在正常成年人眼里低級而又不可思議的錯誤。例如，特斯拉生產的自動駕駛汽車就曾將白色貨車的貨箱錯認成了天空，進而引發交通事故，造成了人員傷亡。顯然，我們人類的視覺系統在正常情況下不可能將白色的貨箱錯認成天空。

人類不僅擅長處理各種直觀的視覺任務，還善于利用已有的“知識”進行視覺推理和理解。例如，當駕駛員觀察路況意圖變道時，駕駛者可能首先觀察到前后左右有幾輛車和這些車所在的位置，隨后會根據這些車輛的指示燈和相對位置來決定自己何時變道。而現有模型卻很難獲得這些“知識”，從而導致其在進行處理視覺推理與視覺理解時常常受限。那么，我們何不將人類知識與現有的視覺模型相結合，從而彌補現有視覺模型的不足呢？

其實，人類知識和人工智能的交匯由來已久。在20世紀70年代，愛德華·費根鮑姆（Edward A. Feigenbaum）倡議要將知識引入到人工智能中，并提出了“知識工程”的概念，后來又在此基礎上，提出“知識表征”。隨著知識工程和知識表征的發展，我們現在耳熟能詳的語義網、知識圖譜以及新興的知識范疇等技術逐漸出現并得到蓬勃發展。

前事不忘后事之師。啟發于知識工程，一種邁向智能視覺推理的新范式——計算知識視覺（computational knowledge vision，CKV）就此誕生。計算知識視覺的關鍵在于將人類知識融入到現有的計算機視覺模型之中。為了達到這一點，通常需要用結構化的方法來表征人類知識。換句話說，要將人類知識轉化為計算機可以接受輸入的結構化知識。由于人類知識存在顯式和隱式兩種類型，那么對應的結構化知識模型也是兩種。另外，計算知識視覺不僅考慮了視覺模型和結構化知識的表征，還考慮了結構化知識作用下的視覺模型的推理和理解。一般來說，可以通過構建結構化知識來指導視覺模型的訓練，視覺模型也可以從具體任務中獲得知識，從而增強結構化知識的效用。相信這一新的研究方向，可將智能視覺推理方法推向新的范式和高度。

未來，計算機視覺應用將更多地出現在我們的日常生活中，人們對智能視覺系統的有效性和穩定性方面的要求會越來越高，而結合人類知識的計算知識視覺無疑會為計算機視覺領域的發展帶來新的可能。隨著智能技術、物聯網等的進一步發展，特定知識在不同的智能視覺系統中必將發揮更大作用。

//html.rhhz.net/tis/html/202107053.htm