1 引言

未來的戰場將是動態的、混亂的、不可預測的和不確定的。在這種多戰區、多領域、相互關聯的戰場上，指揮官和參謀人員將從大量數據中篩選信息、做出決策和反饋。在克勞塞維茨戰爭迷霧籠罩下的時間有限的作戰環境中，領導者有效而公正的決策，以及由人類和機器/系統組成的團隊協調一致的行動，將是取得簡潔勝利的助推器。決策的速度和復雜程度預計將超越人類的認知水平。最新技術和新興技術提供的能力將為各個領域的決策者和部隊提供幫助，同時國家和非國家行為者也將在這些領域同時展開爭奪戰。著名的 OODA 循環在 "觀察"、"定位"、"決策 "和 "行動 "的每個階段都將有技術輔助投入。大數據和推理分析的更快處理能力以及算法驅動的機器對輸入的無縫整合將簡化與大數據的五個Vs（即數量、速度、真實性、價值和多樣性）相關的復雜性。

人工智能（Artificial Intelligence 或 AI）是計算機科學的一個分支，它匯集了多個學科，旨在創造智能機器--能夠執行復雜任務的設備和系統，如人類智能所執行的任務，但其方式等同于或超越人類的能力。從根本上說，其目的是制造能夠在各種意義上復制人類行為和智能的智能機器。正如我們所知，在人工智能的三種類型（人工狹義智能、人工通用智能和人工超級智能）中，目前的能力是 "人工狹義智能 "或 "弱人工智能"，即機器或系統（如 Alexa 或 Siri）可以重復執行一系列預先確定和定義的活動。在日常生活中，我們與大數據、機器學習等與人工智能相關的集合或子集合中的一個進行交互，盡管所有集合或子集合都被松散地稱為人工智能。即使關于人工智能獲得過多自由的倫理爭論仍在繼續，人工智能的奇點預計將在二十年后出現，但諸如 ChatGPT、蜂群無人機、鋼鐵俠、無人駕駛自動汽車等話題仍在人工智能文盲的閱讀清單上。

美國、中國和俄羅斯等國已經在人工智能的各個領域，包括軍事能力領域取得了飛速發展。與 1997 年 "深藍 "擊敗卡斯帕羅夫或 2016 年 Deepmind 的 AlphaGo 擊敗李世石相比，2020 年 8 月王牌 F16 飛行員與人工智能系統 "獵鷹"（美國國防部高級研究計劃局（DARPA）的空戰進化（ACE）計劃）的模擬空戰等試驗或事件受到了更多關注。印度已經采取了一系列措施來開發和利用人工智能的能力，其中包括建立一個國家級的機構，并在各研究所建立卓越中心。2018 年，NITI Aayog 發布了《國家人工智能戰略 #AIForAll》，隨后在 2020 年建立了國家人工智能門戶網站，此外還有其他各種舉措。國防人工智能委員會和國防人工智能項目機構已經成立，目前正在努力確定和開發各個領域的項目。印度國防與發展研究組織（DRDO）的十個卓越中心和兩個專門實驗室致力于確定和開發關鍵技術與應用，而印度陸軍則在莫霍（Mhow）的MCTE建立了人工智能卓越中心，并在各培訓機構增設了以人工智能為導向的課程。除了各種研討會，印度陸軍最近還宣布了采購噴氣背包、機器人騾子、無人機系統和干擾器等武器的計劃，以期提高其在戰斗中的優勢。

在武裝部隊中，人工智能和相關能力可用于成倍提高訓練、監視、情報整理、后勤（包括供應鏈管理）、網絡安全、武器彈藥等領域的性能。Manekshaw 關于 "將人工智能用于軍事 "的論文提到了人工智能可以重點關注的態勢感知、殺傷力、人力資源（HR）、培訓、生存能力、網絡、信息和電子戰（EW）以及機動性等領域。可以推測，納入人工智能系統和子系統（包括無人駕駛系統、遠程系統和機器人）的目的是：

• 加強信息優勢（例如：提供對手位置的航拍照片；整合來自結構化和非結構化數據的輸入）。

• 減少認知負荷（例如：在交火中識別新目標并提出目標選擇建議）。

• 承擔物理負荷（例如：攜帶沉重的作戰裝備或以外骨骼的形式協助人類）。

• 處理危險任務（例如：在危險區域運送物資或進行醫療后送）。

隨著武裝部隊融入和利用人工智能的方方面面，一個明顯的表現將是在戰斗或作戰效能領域。戰斗力被定義為一支軍事部隊基于行為、行動和領導力等方面的考慮參與戰斗的準備狀態，是部隊（人數）、裝備可用性、士氣、領導力、訓練標準等有形和無形因素的綜合。換言之，它是一支軍隊成功完成其使命或任務的能力。

然而，目前的想法對兩個重要且相互關聯的方面卻只字未提，而這兩個方面可能會影響戰斗力，同時還包含人工智能的各個方面，即 "信任 "和 "偏見"。即使技術不斷進步，智能水平從 "輔助 "到 "增強 "再到 "自主"，不變的是 "人的因素 "或 "回路中的人"。組織文化、年齡、性別等因素將影響新技術進步在不同組織中被人類接受的方式。人、流程和技術這三大支柱必須與積極的反饋機制無縫結合，以確保任何形式的偏見，無論是被動的還是主動的，都不會表現出來，從而影響信任度和效率。

2 信任

人機協作是一種關系，至少由三個同等重要的要素組成：人、機器以及它們之間的互動和相互依存關系。建立透明、可解釋、可靠并具有其他特征和能力的可信人工智能，是創建高效人機團隊的重要組成部分。人機交互的復雜動態是未來的趨勢，這將要求增強對機器的信任，就像同一團隊中兩名士兵之間的信任一樣。在任何戰斗單位或分隊或可稱為團隊的單位中，每個隊員在一起接受過訓練，都知道對方的長處和短處。團隊成員之間的友情和團隊精神，最終使團隊成為一個具有戰斗力的凝聚單位。團隊成員之間的 "信任 "遠比其他任何因素都重要，這是在敵方火力下行動時必須具備的條件，因為在這種情況下，一個人的生命取決于另一個人的火力掩護或支援。

隨著復雜程度和互動的增加，對人際（人-機和人-系統）信任的需求也會增加，而在人與人的關系中，這種信任取決于相關各方的品格和能力，以及他們對這一點的相互認識。盡管在開發系統時，"信任 "是一個難以考慮的因素，但我們可以做的是提高系統的透明度、可靠性和可解釋性，從而在人機協作中建立信任。在這樣一個有凝聚力的團隊中引入一臺機器，一個不露面、沒有感情的成員，會影響信任因素。人類的傳統習慣是擬人化，即把人類的情感賦予其他生物，這在飼養寵物的家庭中很常見。如果一臺機器能表現出類似人類的特征、習慣和情感，那么它就更有可能贏得團隊的信任。

一項關于人機協作的研究指出，協調、溝通和適應是成功團隊成員的三大關鍵能力。雙向溝通是一個重要方面，因此，可解釋的人工智能或 xAI 正在解決使用深度神經網絡的復雜系統透明度降低的問題。有效的溝通還能建立信任。協調則更多地涉及對團隊成員知識、技能和行為的認可，以實現共同目標。目前，這一能力的一個主要弱點是隱式協調，即團隊成員可以根據他人的行為模式預測他人可能會做什么，這超出了具有明確框架和規則的機器的范圍。也許 "心智理論人工智能 "也能滿足這一要求。在適應方面，人機團隊的每個成員都必須根據已知的知識、隊友的行為以及預期的模式進行適應。這是另一個方面，它將要求目前的第一代（基于知識）和第二代（統計）人工智能系統向第三代（因果和上下文）模型轉變。大規模數據集的可用性以及具有共享態勢感知和經驗的關聯系統將幫助系統更快地適應環境。

另一項關于人機交互中影響信任的因素的研究在人類、機器人和環境三個方面確定了 33 個因素（見表 1）。研究顯示，在所有因素中，機器人的表現對建立信任的貢獻最大，而環境也發揮了相當大的作用。正如信任是如何在純人類團隊中形成的一樣，相信人工智能輔助機器人或系統將提供無偏見的高質量產出或性能，也將在人機團隊中建立信任。

表 1 影響人機交互信任的因素

3 偏差

人類決策和判斷中的認知偏差是有據可查的。丹尼爾-卡尼曼（Daniel Kahneman）在《思考的快與慢》（Thinking Fast and Slow）一書中提到了大腦的第一和第二系統類型，其中快速直觀的第一系統試圖劫持緩慢分析的第二系統大腦，從而導致更多的思維捷徑或啟發式方法，進而產生偏差。雖然有消除和減輕偏差（去偏差）的方法和手段，但意識到偏差并不總能導致從決策循環中消除偏差。更具破壞性的是，在不確定和有風險的條件下，大腦在有限的時間窗口內采用其中一種捷徑（啟發式方法）時，通常會出現對隱含偏見缺乏了解的情況。

除了在組織的各個層面制定政策和程序以系統地消除偏見并建立反饋機制外，還需要采用 "循證決策"。這就需要數據云等通用數據共享平臺，以及能夠解讀輸入信息并分析結構化和非結構化數據的標準算法，以便在決策過程的各個階段為領導者或決策者提供真知灼見。在 OODA 循環的 "觀察 "階段，可以通過讓機器綜合大量和各種輸入來提供經過整理的情報畫面，從而減少人為偏見。在 "定向 "階段，當決策者正在經歷決策循環中的 "感知 "范式時，一套經過整理和綜合的分析輸入將有助于在更短的時間內確定框架和方向。在 "決策 "階段，基于機器學習的決策支持系統可以對領導者的經驗和直覺進行適當的補充，從而以更快的速度做出更好的決策，這對于即使在認知和物理領域也沒有明確界限的未來多領域戰場來說至關重要。

另一方面，增加對人工智能系統的依賴可能會進一步擴大算法中的內在偏差或訓練數據集中的存在偏差。盡管有制衡措施來系統地審查算法是否存在偏差，并防止由于在不完整的數據集上進行訓練而產生隱性偏差，但仍不能排除在設計階段納入人類認知偏差的可能性和可能性。表 2 列出了德勤公司關于偏見和信任的研究中發現的數據模型偏見，盡管并不全面。

表2 數據模型偏差

雖然有些人認為，與有偏差的人類決策者相比，在更大的歷史數據集上訓練出來的有偏差的算法仍會提出更平衡的 "行動方案"，但 "去偏差（消除/減輕偏差）"方面值得比現在更多的關注。可以說，人類和機器都需要采取 "互利的去偏差策略 "來提高決策質量，以探索和了解那些不道德、不健全和不合法的偏差。

4 建議

人工智能及其相關工具和能力可在不同層次和階段引入，以提高和衡量技能和標準，同時可根據不斷變化的戰場和作戰范圍的需求進行進一步修改。虛擬現實和增強現實技術與觸覺技術相結合，可使身心沉浸其中，為訓練增添真實感和活力，而模擬和戰爭游戲模型則可降低成本、提高適應性和改進相互操作性。虛擬現實（VR）可用于教育、醫療和作戰訓練領域。在 COVID-19 大流行期間，在線教學平臺大規模增加，許多教育機構利用現有技術使學習更加身臨其境。復雜的概念可以用三維在線模型來解釋，而士兵必須接受的多層次教育和技能發展可以通過 VR 系統逐步實現。所有士兵都能更好地學習和實踐醫療保健方面的知識，包括作戰醫療護理。利用自然語言處理能力，可以建立人工智能對話系統，讓士兵參與各種問題的討論，包括基本文件、野戰工藝和戰術、基本醫療說明、專業軍事教育（PME）原則等。無人傳感器、載荷搬運、重復性任務機器人、多模態情報分析、使用云架構的邊緣計算以加快決策速度和縮短 OODA 循環，這些都是人工智能輔助系統在營/團一級的一些應用領域。

問題的關鍵在于營級或團級會發生什么變化？它會改變我們目前的工作和運作方式嗎？在效率和透明度方面，我們的工作和運作方式確實會發生范式性變化。隨之而來的還有對變革管理和技術技能提高的需求。從公務員遴選委員會（針對軍官）和招聘中心（針對初級軍官和其他職級）開始，人工智能輔助軟件可以幫助識別具有適當能力和接受能力的個人，使其能夠在這種人機接口團隊中工作。這些團隊可以協同工作，確定每個級別的可操作部分或領域，然后與各卓越中心合作，生產基于需求的機器或系統。在目前的 Agniveer 計劃中，人工智能系統可以為這些士兵在四年部署期結束后的留用性提供有價值的信息。

一個營、一個團或一艘艦艇要想真正發揮戰斗力，就必須對其他作戰人員（包括三軍人員）有起碼的基本認識。基本認識包括對其作戰風格的認識以及對局勢的認識，從而形成共同作戰圖景（COP）。目前，三軍和海岸警衛隊的聯合演習次數有限，主要原因是規劃和空間限制。資產類型、成本、適用性和損耗等方面的原因導致各部門參與聯合演習的規模縮小。目前，各軍種正在討論和實施戰區司令部，并探索更多的聯合行動途徑，而人工智能輔助的增強現實和虛擬現實技術為參與者提供了一個更加綜合的共同訓練機會。通過這種聯合模擬和人工智能輔助的戰爭游戲，可以根據對手不斷變化的戰略和武器配置動態改變場景和設置，同時系統地解決自身的進程問題。無人駕駛航空系統和其他系統也是如此，它們可以成為提高作戰效率的聯合資產。

人工智能的能力和人工智能所有相關系統的作用需要作為三軍專業軍事教育（PME）的一部分加以介紹。未來戰場需要一支綜合的多領域作戰部隊，不能讓指揮官或參謀人員不了解這些新興技術所能提供的能力。PME 需要在軍官、軍士長和部隊一級滿足這些要求。即使在國際和平研究部等機構制定心理措施以接受機器和系統的同時，也有必要在部隊/分隊一級改革目前的培訓方法，重點放在任務基本任務（MET）和任務基本任務清單（METL）上。有必要在每個級別設立人機接口小組（HMiT），以促進這一過渡。人機接口小組可以確定技術在哪些階段可以提高和增強行動或各種任務的成功率。畢竟，任務的成功是戰斗力的主要決定因素之一。

野戰靶場（FFR）數量的減少、不斷擴大的城市景觀對傳統訓練場地的侵蝕、成本削減措施以及其他諸如此類的因素，都可以通過采用人工智能輔助的聯合戰爭游戲和模擬方法加以克服，這將為各級領導層帶來急需的意識、活力和聯合（紫色）思維。人工智能系統和人力資源分析還可以協助人力資源管理，從招聘和培訓階段就開始識別操作特定平臺的關鍵人員，這將在一定程度上消除在識別合適人選時發現的偏見或成見。

雖然人工智能和相關技術的能力是巨大的，但錯誤的實施戰略可能會造成長期損害。隨著新技術的采用，包括隱私在內的倫理道德問題也需要適當考慮。機器學習和深度學習的子集需要龐大的數據集來建立參考框架。在目前的情況下，由于保密程度不同，共享和記錄事件的范圍有限，因此擁有一個可行的訓練數據集和一個能夠應對多種突發情況的算法成為了一項挑戰。著名的 "死亡算法 "概念，即自動駕駛汽車的算法應在可能發生碰撞的情況下拯救車內人員或行人，這讓我們對設計人工智能系統所面臨的挑戰有了深入的了解。

結論

即使目前形式的人工智能已從 "弱人工智能 "轉變為具有深度學習、神經網絡等功能的強人工智能，人工直覺和量子認知等概念也將獲得更多關注。一支為多平面、多領域行動做好準備的未來部隊必須在人-機、人-系統層面實現真正的整合，而這可以通過在組織的各個層面采取系統、可持續、漸進但平行的措施來實現。團隊成員之間的信任必須超越人與機器之間的信任，并采取充分的保障措施，防止系統性和隱性偏差。

內容簡要

• 每年對所有需求和能力進行一次評估是實現2040年陸軍目標的必要條件。

• 目前，陸軍正在向2030年邁進，因此必須優先吸取經驗教訓，并在適當的地方加以應用。

• 2040年的陸軍將更加以信息為導向，由人工智能驅動，比目前的陸軍更加分散和細分。

1 引言

美國陸軍目前正經歷著一個充滿挑戰的時期，突出表現在全球軍事能力平衡的潛在變化、新興技術、美國本土面臨的威脅增加以及對美國最重要的陸軍提出新要求的其他問題。俄羅斯等繼續挑戰以規則為基礎的國際秩序。為了取代美國作為世界軍事霸主的地位，俄羅斯等在尋求推進自己的全球議程時變得更加自信。國防領導人認為，到 2040 年，俄羅斯等將利用其國家權力工具來破壞美國的全球國家安全利益。2040 年陸軍的發展和壯大必須配備人員、訓練和裝備，必須以大規模作戰行動（LSCO）的戰備狀態為主導。這些類型的行動在范圍和投入兵力的規模上本身就是聯合行動，而且節奏快、資源消耗大、傷亡率普遍較高。此外，大規模作戰給軍事活動帶來了其他行動中不常見的復雜性、致命性、模糊性和快速性。

為了應對不斷變化的威脅，并達到在 LSCO 中成功作戰所需的戰備水平，陸軍正在進行一代人僅有一次的轉型，以發展在陸、海、空、天和網絡空間匯聚效應的能力。這種轉型將以在未來戰場上取勝所需的尖端技術的范圍、速度和融合來增強聯合部隊。新的作戰概念、部隊重組、對人員的持續投資、新裝備的開發以及如何作戰的新概念的采用，都將成為這一轉型的亮點，從而使陸軍能夠保持對任何潛在對手的優勢。致力于今天的轉型以應對明天的挑戰，將確保美國即使在面對我們堅定而有能力的大國競爭對手時，仍然有能力通過實力確保和平。

2 設計2040年的陸軍

當前的戰略環境越來越令人擔憂，因為美國面臨的戰場越來越具有致命性和破壞性，戰場橫跨多個領域，作戰速度快，范圍廣，從近距離作戰到海外戰場，直至我們的本土。聯合全域作戰（JADO）是美國防部為滿足各軍種聯合作戰的需要而提出的概念。JADO 認為，要在下一場戰爭中取得勝利，就必須迅速整合陸、海、空、天和網絡空間等所有領域的影響，使對手面臨多重困境。陸軍對 JADO 的貢獻是多域作戰（MDO）。

根據美國陸軍訓練與條令司令部的定義，多域作戰是指快速、持續地整合所有作戰領域。作為聯合部隊的一部分，陸軍力求在競爭和武裝沖突中打擊和擊敗能夠在所有領域與美國抗衡的近鄰對手。野戰手冊 3-0《作戰》進一步將 MDO 定義為 "聯合部隊和陸軍能力的聯合部署，以創造和利用相對優勢，代表聯合部隊指揮官實現目標、擊敗敵軍并鞏固成果"。MDO 為作戰指揮官提供了在所有領域迅速實施行動的多種選擇，使敵人面臨多重困境。陸軍除了要在陸地作戰中占據主導地位外，還必須利用其陸地力量對各個領域產生影響。當 2040 年的陸軍具備全面作戰能力時，當前版本的 MDO 僅僅是作戰理論演進過程中的一個步驟。陸軍部隊將繼續吸取從實驗、訓練和行動中獲得的經驗教訓。技術將繼續提高 MDO 所追求的敏捷性、融合性、持久性和深度，而理論也將繼續適應陸軍部隊的能力。陸軍的 MDO 構想是通過在沖突之外的所有領域進行成功競爭來取得勝利，從而威懾潛在敵人。

多域特遣部隊（MDTFs）是陸軍為 2040 年陸軍實施 MDO 的組織核心。多域特遣部隊是戰區級的多域機動部隊，將遠程精確效應（LRPE）--如電子戰、空間、網絡和信息--與遠程精確射擊（LRPF）同步進行。多域機動部隊將這些能力整合在一名指揮官的指揮下，而部隊的各個組成部分則開展分布式行動，以提高生存能力。多國特遣部隊的作用是在危機或沖突中堅持不懈地爭奪優勢地位。通過整合所有領域的非動能效應和動能火力，MDTF 為作戰指揮官提供了更強大的反介入/區域拒止能力。

2040 年的陸軍將把師指定為大規模作戰的決定性行動單位。在整編期間，師將作為主要的戰術作戰編隊，其主要職能是指揮旅的戰術總部。陸軍二十年來一直以在伊拉克和阿富汗輪換的旅為重點，現在正將組織重點轉向更有能力與全球兄弟軍種、盟國和伙伴合作的大型編隊。戰區陸軍、軍團和師將獲得所需的人員、組織和裝備，以破壞和擊敗對手實現目標的能力。這將使前線領導人能夠集中精力進行近距離戰斗；師和兵團指揮官則有責任縱觀全局。在不參與具體行動時，師的任務是保持戰備狀態，以便在未來的 LSCO 交戰中取得勝利。

2.1 陸軍預備役和國民警衛隊

陸軍預備役士兵將繼續為 2040 年的陸軍做出貢獻，通過他們在私營部門的職業生涯所獲得的專業知識和技能，為部隊增加價值和深度。這些醫生、律師、工程師、網絡專家和急救人員將使陸軍預備役部隊能夠繼續為軍需和醫療編隊、石油配送、水凈化、港口開放和鐵路運營提供維持和支援力量。現代化工作是陸軍預備役部隊作為一支多領域作戰部隊為 2040 年陸軍提供支持的核心能力。陸軍后備役任務部隊（ARM 部隊）是對陸軍區域協調戰備和現代化模式（ReARMM）的補充。這兩種模式都是根據競爭要求調整部隊，提供可預測的任務周期，以便于訓練和現代化。憑借其雙重目的能力，陸軍預備役部隊將為 2040 年的陸軍提供一個聯邦響應伙伴，在國內緊急情況和自然災害發生時，該伙伴可為國防支持民事當局救災工作提供支持。

應對全球范圍內的共同挑戰和潛在威脅仍將是 2040 年陸軍的國防優先事項。加強和發展我們的聯盟和伙伴關系有助于鞏固強大的國防。國民警衛隊將繼續通過其被稱為 "國家伙伴關系計劃"（SPP）的具有成本效益的創新型安全合作計劃為這一努力做出貢獻。通過 SPP，國民警衛隊開展軍方對軍方的接觸，以支持國防安全目標，同時還利用全社會關系和能力，促進跨越軍事、政府、經濟和社會領域的機構間接觸。此外，作為陸軍預備役部隊的主要作戰力量，國民警衛隊將繼續提供訓練有素、隨時待命的部隊，以滿足所有作戰指揮官和州長的要求，應對各種變化、競爭、沖突和危機。

2.2 加強陸軍的北極戰略

2040 年的陸軍必須具備在北極地區成功作戰的能力和資源。美國希望北極地區保持穩定，普遍遵守國際商定的規則和規范。俄羅斯等長期以來一直被視為新時代大國競爭的對手，它們將追求軍事和經濟優勢，以犧牲美國為代價在該地區站穩腳跟。俄羅斯試圖通過重塑其在北極地區的軍事態勢來鞏固主權主張并控制該地區的準入。2040年的陸軍部隊必須能夠從有能力的力量投送平臺上快速部署，隨時準備戰斗，并在包括北極地區在內的任何環境中取得勝利。陸軍將通過調整部隊的組建、部署、訓練和裝備方式，在極端條件下執行長時間的 MDO，從而重新奪回寒冷天氣和高海拔地區的主導地位。要恢復主導地位，就必須采取一種固有的多成分方法，陸軍后備役部隊和國民警衛隊也要做出重大貢獻。

3 維持2040年的陸軍

在美國陸軍物資司令部（AMC），物資供應和裝備備戰狀態仍將是部隊作戰成功的關鍵。它們是物資準備的基礎，確保士兵和部隊在任何時間、任何地點都有合適的裝備、部件和物資來完成任務。2040 年軍隊的維持能力將繼續決定軍隊行動的深度和持續時間。成功的持續保障可增加指揮官可選方案的數量和質量，從而實現行動自由；它仍將是保持和利用主動權的關鍵因素。LSCO 將考驗陸軍在多個領域的各種作戰環境中維持部隊的能力。由于作戰節奏加快、殺傷力增強以及物資和裝備消耗率大幅提高，這些類型的作戰行動將需要更多的保障。由于 LSCO 的性質，對停尸房事務的要求（由于發生大規模傷亡的可能性增加）、對強大的醫療能力和基礎設施的需求以及大規模人員和設備替換都將受到重視。提高在需要時提供服務的速度和精確度將影響這類行動的成功。對美國陸軍司令部內的幾個關鍵戰略支持領域進行重組將使 2040 年的陸軍能夠成功地開展維持工作。

3.1 工業基地準備就緒

陸軍使用的大部分武器系統和裝備都是由商業工業基地制造的。陸軍內部的有機工業基地（OIB）由倉庫、兵工廠、造船廠和彈藥廠組成，負責維修和保養軍用武器系統和裝備。它們都是國防結構中的重要環節，為聯合軍種和盟國提供制造、維護、供應和技術支持服務。陸軍和商業工業基地必須繼續利用現有的合作伙伴關系，并尋找機會合作建立新的合作伙伴關系，以提高 2040 年陸軍的維持能力。在大國競爭時代，2040 年的陸軍將要求 OIB 不斷發展，以保持相關性，并在提高效率的同時為未來做好準備。此外，OIB 必須繼續以最佳水平獲得資源，以提供所需的支持。陸軍必須繼續在計劃目標備忘錄周期內做出深思熟慮的努力，增加對政府運營設施和承包商運營設施的資金投入。

3.2 安裝準備就緒

設施戰備狀態是投射戰斗力的基本要素，并將繼續成為 2040 年陸軍建設和維持戰備狀態的重要平臺。我們的設施必須繼續支持美國國內和海外的所有任務，使訓練和部署能夠支持動員和民事當局。從士兵及其家屬的駐地住房到機場、鐵路站和汽車庫，設施的戰備狀態必須始終以能使陸軍保持高水平部署能力的設施和基礎設施為重點。"我們必須使我們的設施現代化，以適應大量的快速動員和部署。我們必須為當前和未來的部隊提供世界一流的訓練場地，并為未來開發武器，"AMC 前指揮官 Gus Perna 將軍說。未來的陸軍設施將面臨城市化進程加快、任務擴展速度加快和資源減少的挑戰。我們的對手了解我們產生和部署戰斗力的設施。他們也非常清楚我們的薄弱環節，知道一旦發動攻擊將會造成的影響。2040 年的軍隊必須得到一個具備必要能力的設施管理企業的支持，以便在復雜、未知和不斷變化的戰略環境中發揮有效作用。

3.3 后勤信息準備就緒

無論在戰場上還是戰場外，信息都是所有決策的驅動力。可視、可訪問、可理解、可信賴的數據能讓指揮官和領導者制定并執行最有效的行動方案。2040 年的陸軍將接受三個新的數據傳輸計劃，它們構成了"持續傳輸系統"（STS）： STS 衛星通信 (SATCOM)、STS 視距通信 (Line-of-Sight) 和 STS 無線保真 (Wi-Fi)。這些新系統將通過提高網絡安全性、容量、彈性、范圍和機動性來改進后勤數據交換。"STS將使我們的士兵能夠訪問關鍵的維持工具，確保我們的部隊在未來的任何戰斗中，在對抗任何對手時，都能隨時隨地擁有所需的物資、人員、醫療和部隊保護"。此外，它們還將實現陸軍許多主要后勤系統之間的全球數據交換，其中包括企業資源規劃系統、全球戰斗支援系統-陸軍、綜合人事和薪酬系統-陸軍、戰斗傷員救護醫療通信系統和普通基金企業業務系統。

4 使 2040 年的陸軍現代化

自 2017 年陸軍宣布以改進的能力更新部隊和裝備的倡議以來，陸軍已將六大能力需求領域列為優先事項，在八個跨職能小組內設立并分配任務，以監督如何滿足這些需求，并設立了陸軍未來司令部，作為現代化工作的協調中心。這六項現代化工作主要集中在以下領域：

• 遠程精確射擊： 這一優先事項的目標是提供最先進的地對地火力系統，使其射程和效果大大超過目前美國和對手的實戰系統。

• 防空與導彈防御：為了保持擊敗各種空中和導彈威脅的能力，該優先事項力求快速整合和同步需求與采購流程，以便更快地向作戰人員提供能力。

• 未來垂直升降機：領導者致力于關鍵作戰系統的開發，確保陸軍航空兵保持對敵軍的垂直升空優勢。

• 網絡：致力于提高網絡能力的人員負責使陸軍編隊能夠隨時隨地在所有領域進行可靠通信。

• 下一代戰車：該優先事項的任務是通過制定陸軍下一代戰車編隊的要求，解決機動能力方面的差距。

• 士兵致命性：從事該優先任務的研究人員力求解決實現和維持對敵軍的壓倒性優勢所需的作戰能力，其戰略重點是射擊、移動和機動、通信和防護等基本要素。

這些工作為陸軍在 2023 財年交付幾項關鍵能力奠定了基礎。作為遠程精確射擊優先事項的一部分，高超音速導彈和射程達 500 公里的精確打擊導彈正在按計劃投入實戰。西格紹爾 XM5 將取代 M4 卡賓槍，XM250 將于 2023 年開始取代 M249 SAW。其他系統包括自主和乘員車輛，如機器人戰車（其他戰車的無人駕駛跟車）和陸軍新型輕型坦克--移動防護火力。到 2023 年，士兵們將擁有 24 種新型武器系統和其他原型裝備，或完全可操作的裝備。從真正的士兵到他們攜帶的武器，再到飛過頭頂的導彈，陸軍正在迅速轉變為一支更具殺傷力的部隊。

4.1 ReARMM

前美國陸軍部隊司令部副司令萊奧波爾多-金塔斯中將曾這樣描述戰備和現代化的挑戰： 陸軍部隊的作戰環境不可預測，甚至可以說是不穩定的。部隊根據其可用性被安排執行輪換任務，這些任務在地點、時間長度、人員配備、戰備要求和裝備等方面各不相同。如今，只要我們能找到合適的時間窗口，或與其他活動同時進行，現代化就會發生。對于士兵來說，每周、每月和每年都充滿了不斷的變化和高節奏。我們的士兵和家庭可以應對大量的節奏，但不可預知性會給部隊帶來巨大的壓力。

陸軍的新部隊組建模式 ReARMM 旨在通過確定執行任務、訓練和現代化的專門時段，更好地平衡作戰節奏。ReARMM 將通過建立與特定任務和戰區的慣常關系，為 2040 年的陸軍提供支持國家安全目標的態勢，并創造一個可預測的環境，以支持現代化，保持更高的戰備水平，并使其成為一支具備多領域能力的現代化部隊，同時最大限度地進行人才管理。

5 通過對人的投資改變2040年的陸軍

人將繼續是陸軍最大的優勢和最重要的武器系統。了解人們的個人才能使我們能夠建立由指揮官、管理人員、顧問和技術專家組成的團隊，這些團隊擁有更廣泛的多樣性才能，能夠更好地幫助指揮官和領導者理解復雜而模糊的問題。無論是正規軍、近衛軍、后備役、家屬、陸軍部文職人員、退伍軍人還是退休人員，陸軍都將繼續投資于其最寶貴的資源。2040 年的陸軍將采用陸軍 21 世紀人才管理方法，其基礎將從簡單的 "人員分配 "轉變為更有意識地管理士兵和文職人員的才能。這就需要建立一個具有政策、計劃和流程的系統，承認并利用陸軍團隊每個成員所擁有的獨特知識、技能和行為，使其能夠最大限度地發揮每個人的作用。

5.1 陸軍綜合人事和薪酬系統

陸軍綜合人事和薪酬系統（IPPS-A）將成為一個經驗豐富的人力資源平臺，為 2040 年的陸軍提供支持。它將通過增強決策和搜索匹配能力，使指揮官和領導者能夠更好地管理整個部隊士兵的獨特才能。它還將繼續支持陸軍的人才管理計劃，并保持對我國最優秀人才的競爭力。2040 年軍隊的領導者將有能力利用 IPPS-A 中的 "實時 "數據，尋找具備完成部隊獨特任務所需技能的士兵。

5.2 指揮評估計劃

陸軍的 "指揮評估計劃"（CAP）將繼續為 2040 年的陸軍提供合格的領導人才，并確保挑選最有才能的士兵擔任指揮和其他重要任務。截至本文撰寫之日，指揮評估計劃目前包括以下項目：

• 上校指揮評估計劃
• 營指揮官評估計劃
• 采購領導評估計劃
• 醫療指揮評估計劃
• 上校和師牧師評估計劃；以及
• 軍士長評估計劃。

這些評估計劃最初由陸軍人才管理特別工作組設計，旨在應對選拔最優秀軍官和軍士指揮營級和旅級編隊的挑戰。在未來幾年內，這些計劃如果執行得當，將對 2040 年的軍隊產生重大影響。首先，它們將極大地幫助識別有問題的領導者，防止他們被考慮擔任重要職務。其次，它們將識別出那些最值得指揮的軍官和軍士--無論出于何種原因，他們在遴選委員會的結果中表現不佳--為他們提供指揮的機會。第三，這將向整個部隊傳達一個信息，即未來戰略領導人所需的價值觀和技能組合將得到最高級別的考慮。

5.3 積極的指揮環境

2022 年，陸軍部長克里斯蒂娜-沃爾穆斯確定了六項目標，以幫助指導部隊度過目前面臨的拐點。她的第四個目標概述了在陸軍所有編隊中大規模營造積極的指揮氛圍的意圖；第五個目標旨在減少軍隊中的有害行為。由于在資源和教育方面的巨大投入，2040 年陸軍的指揮氛圍在所有指標上都應更加積極。積極的組織氛圍需要持之以恒的關懷、專注的努力和維護。當前旨在改善指揮氛圍的討論和建議包括：制定一項 "人員指標"，作為未來指揮官的工具；納入一項旨在建立有凝聚力團隊的任務必要條件；深入審查指揮氛圍評估及其使用方式。其他建議還指出，陸軍應考慮在軍官和軍士評估中討論指揮氣氛結果，以此作為推動行為改變和追究領導責任的機制。

最重要的啟示之一是，軍隊必須提高領導能力的標準。軍事指揮官必須有能力在作戰中取得成功，同時營造一種符合軍隊尊重和團隊精神價值觀的氛圍，無論是在戰場上還是在駐軍中，都不能讓任何一名士兵掉隊。性侵犯和性騷擾是一種欺凌行為，是自相殘殺。零容忍的氛圍必須深入官兵心中。另一個啟示是，軍隊必須繼續同步開展安裝工作，以達到提高戰備狀態和幫助預防自殺死亡的效果。實現預防自殺的基本要素是領導者的參與以及對士兵、其家人和軍隊文職人員的真誠關懷。

6 結論

陸軍正在進行四十多年來最大規模的轉型變革，即實現現代化并建設一支具備多領域能力的部隊，以提供速度、射程和新興技術的融合。現代化是轉型的一部分，但只現代化而不轉型可能會使軍隊裝備精良，卻缺乏關鍵資源。明確地說，陸軍永遠不會 "完成 "現代化。在我們實現陸軍 2030、陸軍 2040 及更高目標的過程中，我們正在奠定基礎，堅持不懈地進行現代化，以應對新興技術、不斷變化的挑戰和對手的行動。這樣做將使我們能夠始終領先于俄羅斯等近鄰對手。2040 年的陸軍將受益于當前正在進行的現代化努力，這些努力旨在改變我們的作戰方式、作戰手段以及我們作為一支部隊的身份。

隨著技術的飛速發展和威脅環境變得更加復雜，今天的海軍行動經常面臨著具有挑戰性的決策空間。人工智能（AI）的進步為解決海軍行動中日益復雜的問題提供了潛在的解決方案。未來的人工智能系統提供了潛在的意義深遠的好處--提高對態勢的認識，增加對威脅和對手能力和意圖的了解，識別和評估可能的戰術行動方案，并提供方法來預測行動方案決定的結果和影響。人工智能系統將在支持未來海軍作戰人員和保持作戰和戰術任務優勢方面發揮關鍵作用。

人工智能系統為海戰提供了優勢，但前提是這些系統的設計和實施方式能夠支持有效的作戰人員-機器團隊，改善作戰情況的不確定性，并提出改善作戰和戰術結果的建議。實施人工智能系統，以滿足海軍應用的這些苛刻需求，給工程設計界帶來了挑戰。本文確定了四個挑戰，并描述了它們如何影響戰爭行動、工程界和海軍任務。本文提供了通過研究和工程倡議來解決這些挑戰的解決思路。

引言

人工智能是一個包括許多不同方法的領域，目的是創造具有智能的機器（Mitchell 2019）。自動化系統的運作只需要最小的人類輸入，并經常根據命令和規則執行重復性任務。人工智能系統是自動化機器，執行模仿人類智能的功能。它們將從過去的經驗中學習到的新信息融入其中，以做出決定并得出結論。

如表1所述，人工智能系統有兩種主要類型。第一種類型是明確編程的專家系統。Allen（2020，3）將專家系統描述為手工制作的知識系統，使用傳統的、基于規則的軟件，將人類專家的主題知識編入一長串編程的 "如果給定x輸入，則提供y輸出"的規則。這些系統使用傳統的編程語言。第二種類型是ML系統，從大型數據集中進行訓練。ML系統自動學習并從經驗中改進，而不需要明確地進行編程。一旦ML系統被 "訓練"，它們就被用于操作，以產生新的操作數據輸入的結果。

表1. 兩類人工智能系統

人工智能系統--包括專家系統和學習系統--為海軍提供了巨大的潛力，在大多數任務領域有不同的應用。這些智能系統可以擴展海軍的能力，以了解復雜和不確定的情況，制定和權衡選擇，預測行動的成功，并評估后果。它們提供了支持戰略、作戰計劃和戰術領域的潛力。

本文確定了工程設計界必須解決的四個挑戰，以便為未來海戰任務實施人工智能系統。表2強調了這四個挑戰領域。這些挑戰包括：（1）復雜的海戰應用領域；（2）需要收集大量與作戰相關的數據來開發、訓練和驗證人工智能系統；（3）人工智能系統工程的一些新挑戰；（4）存在對手的人工智能進展，不斷變化和發展的威脅，以及不斷變化的人工智能系統的網絡弱點。本文側重于海軍戰爭的四個挑戰領域，但認識到這些挑戰可以很容易地被概括為整個軍隊在未來人工智能系統可能應用的所有戰爭領域中廣泛存在的挑戰。

表2. 為海軍實施人工智能系統的四個挑戰領域

挑戰一：戰爭復雜性

人工智能正被視為一種能力，可應用于廣泛的應用，如批準貸款、廣告、確定醫療、規劃航運路線、實現自動駕駛汽車和支持戰爭決策。每個不同的應用領域都提出了一系列的挑戰，人工智能系統必須與之抗衡，才能成為一種增加價值的可行能力。表3比較了一組領域應用的例子，從潛在的人工智能系統解決方案的角度說明了挑戰的領域。該表在最上面一行列出了一組10個因素，這些因素對一個特定的應用程序產生了復雜性。根據每個因素對作為實施人工智能的領域的整體復雜性的貢獻程度，對六個應用領域的特征進行了定性評估。顏色代表低貢獻（綠色）、中貢獻（黃色）和高貢獻（紅色）。

表3中最上面一行顯示的特征包括： (1)認識上的不確定性水平（情況知識的不確定性程度），(2)情況的動態性，(3)決策時間表（可用于決策的時間量），(4)人類用戶和人工智能系統之間的互動所涉及的錯綜復雜的問題、 (5）資源的復雜性（數量、類型、它們之間的距離以及它們的動態程度），（6）是否涉及多個任務，（7）所需訓練數據集的復雜性（大小、異質性、有效性、脆弱性、可獲得性等 8）對手的存在（競爭者、黑客或徹頭徹尾的敵人），（9）可允許的錯誤幅度（多少決策錯誤是可以接受的），以及（10）決策后果的嚴重程度。該表的定性比較旨在提供一個高層次的相對意義，即基于一組樣本的貢獻因素，不同應用領域的不同復雜程度。

表3. 影響應用復雜性的因素比較

對于所有的應用領域來說，人工智能系統的工程都是具有挑戰性的。人工智能系統在本質上依賴于具有領域代表性的數據。獲得具有領域代表性的數據會帶來基于數據大小、可用性、動態性和不確定性的挑戰。決策時間--由情況的時間動態決定--會給人工智能系統工程帶來重大挑戰--特別是當一個應用領域的事件零星發生和/或意外發生時；以及當決策是時間緊迫的時候。具有更多決策時間、充分訪問大型數據集、直接的用戶互動、完善的目標和非致命后果的應用，如貸款審批、廣告、醫療診斷（在某種程度上）面臨工程挑戰，但其復雜程度較低。確定最佳運輸路線和為自動駕駛汽車設計AI系統是更復雜的工作。這些應用是動態變化的，做決定的時間較短。航運路線將在可能的路線數量上具有復雜性--這可能會導致許多可能的選擇。然而，航運錯誤是有空間的，而且后果通常不會太嚴重。對于自動駕駛汽車來說，決策錯誤的空間非常小。在這種應用中，決策失誤會導致嚴重的事故。

影響開發支持海戰決策的人工智能系統的因素在表3所示的所有類別中都具有高度的復雜性。因此，戰術戰爭領域對工程和實施有效的人工智能系統作為解決方案提出了特別棘手的挑戰。表4強調了導致這種復雜性的海戰領域的特點。作為一個例子，海軍打擊力量的行動可以迅速從和平狀態轉變為巨大的危險狀態--需要對威脅保持警惕并采取適當的反應行動--所有這些都是在高度壓縮的決策時間內進行。戰術威脅可能來自水下、水面、空中、陸地、太空，甚至是網絡空間，導致需要處理多種時間緊迫的任務。由于海軍和國防資產在艦艇、潛艇、飛機、陸地和太空中，戰術決策空間必須解決這些分散和多樣化資源的最佳協作使用。制定有效的戰術行動方案也必須在高度動態的作戰環境中進行，并且只有部分和不確定的情況知識。決策空間還必須考慮到指揮權、交戰規則和戰術理論所帶來的限制。人類作為戰術決策者的角色增加了決策空間的復雜性--信息過載、操作錯誤、人機信任和人工智能的模糊性/可解釋性問題等挑戰。最后，對于戰術決策及其可能的后果來說，風險可能非常大。

表4. 導致戰術決策復雜性的因素

解決高度復雜的決策領域是對海軍的挑戰。人工智能為解決海軍作戰的復雜性提供了一個潛在的解決方案，即處理大量的數據，處理不確定性，理解復雜的情況，開發和評估決策選擇，以及理解風險水平和決策后果。Desclaux和Prestot（2020）提出了一個 "認知三角"，其中人工智能和大數據被應用于支持作戰人員，以實現信息優勢、控制論信心和決策優勢。約翰遜（2019年）開發了一個工程框架和理論，用于解決高度復雜的問題空間，這些問題需要使用智能和分布式人工智能系統來獲得情況意識，并做出適應動態情況的協作行動方案決定。約翰遜（2020a）建立了一個復雜的戰術場景模型，以證明人工智能輔助決策對戰術指揮和控制（C2）決策的好處。約翰遜（2020b）開發了一個預測分析能力的概念設計，作為一個自動化的實時戰爭游戲系統來實施，探索不同的可能的戰術行動路線及其預測的效果和紅色部隊的反應。首先，人工智能支持的C2系統需要描述戰術行動期間的復雜程度，然后提供一個自適應的人機組合安排來做出戰術決策。這個概念包括根據對目前戰術情況的復雜程度最有效的方法來調整C2決策的自動化水平（人與機器的決策角色）。約翰遜（2021年）正在研究這些概念性工程方法在各種防御用例中的應用，包括空中和導彈防御、超視距打擊、船舶自衛、無人機操作和激光武器系統。

在海軍作戰中實施人工智能系統的一個額外挑戰是在戰術邊緣施加的限制。分散的海軍艦艇和飛機的作戰行動構成了戰術邊緣--在有限的數據和通信下作戰。"在未來，戰術邊緣遠離指揮中心，通信和計算資源有限，戰場形勢瞬息萬變，這就導致在嚴酷復雜的戰地環境中，網絡拓撲結構連接薄弱，變化迅速"（Yang et. al. 2021）。戰術邊緣網絡也容易斷開連接（Sridharan et. al. 2020）。相比之下，許多商業人工智能系統依賴于基于云的或企業內部的處理和存儲，而這些在海戰中是不存在的。在戰術邊緣實施未來的人工智能系統時，必須進行仔細的設計考慮，以了解哪些數據和處理能力可用。這可能會限制人工智能系統在邊緣所能提供的決策支持能力。

在軍事領域使用人工智能必須克服復雜性的挑戰障礙，在某些情況下，人工智能的加入可能會增加復雜性。辛普森等人（2021）認為，將人工智能用于軍事C2可能會導致脆弱性陷阱，在這種情況下，自動化功能增加了戰斗行動的速度，超出了人類的理解能力，最終導致 "災難性的戰略失敗"。Horowitz等人（2020）討論了通過事故、誤判、增加戰爭速度和升級以及更大的殺傷力來增加國際不穩定和沖突。Jensen等人（2020）指出，人工智能增強的軍事系統增加的復雜性將增加決策建議和產生的信息的范圍、重要性和意義的不確定性；如果人類決策者對產出缺乏信心和理解，他們可能會失去對人工智能系統的信任。

挑戰二：數據需求

實施人工智能系統的第二個挑戰是它們依賴并需要大量的相關和高質量的數據用于開發、訓練、評估和操作。在海戰領域滿足這些數據需求是一個挑戰。明確編程的專家系統在開發過程中需要數據進行評估和驗證。ML系統在開發過程中對數據的依賴性甚至更大。圖1說明了ML系統如何從代表作戰條件和事件的數據集中 "學習"。

ML系統的學習過程被稱為被訓練，開發階段使用的數據被稱為訓練數據集。有幾種類型的ML學習或訓練--它們是監督的、無監督的和強化的方法。監督學習依賴于地面真相或關于輸出值應該是什么的先驗知識。監督學習算法的訓練是為了學習一個最接近給定輸入和期望輸出之間關系的函數。無監督學習并不從地面真相或已知的輸出開始。無監督學習算法必須在輸入數據中推斷出一個自然結構或模式。強化學習是一種試錯法，允許代理或算法在獎勵所需行為和/或懲罰不需要的行為的基礎上學習。所有三種類型的ML學習都需要訓練數據集。在部署后或運行階段，ML系統繼續需要數據。

圖1顯示，在運行期間，ML系統或 "模型 "接收運行的實時數據，并通過用其 "訓練 "的算法處理運行數據來確定預測或決策結果。因此，在整個系統工程和采購生命周期中，ML系統與數據緊密相連。ML系統是從訓練數據集的學習過程中 "出現 "的。ML系統是數據的質量、充分性和代表性的產物。它們完全依賴于其訓練數據集。

圖1. 使用數據來訓練機器學習系統

美國海軍開始認識到對這些數據集的需求，因為許多領域（戰爭、供應鏈、安全、后勤等）的更多人工智能開發人員正在了解人工智能解決方案的潛在好處，并開始著手開發人工智能系統。在某些情況下，數據已經存在并準備好支持人工智能系統的開發。在其他情況下，數據存在但沒有被保存和儲存。最后，在其他情況下，數據并不存在，海軍需要制定一個計劃來獲得或模擬數據。

收集數據以滿足海軍領域（以及更廣泛的軍事領域）的未來人工智能/ML系統需求是一個挑戰。數據通常是保密的，在不同的項目和系統中被分隔開來，不容易從遺留系統中獲得，并且不能普遍代表現實世界行動的復雜性和多樣性。要從并非為數據收集而設計的遺留系統中獲得足夠的數據，可能非常昂貴和費時。數據收集可能需要從戰爭游戲、艦隊演習、系統測試、以及建模和模擬中收集。此外，和平時期收集的數據并不代表沖突和戰時的操作。海軍（和軍方）還必須教導人工智能系統在預計的戰時行動中發揮作用。這將涉及想象可能的（和可能的）戰時行動，并構建足夠的ML訓練數據。

數據收集的另一個挑戰是潛在的對抗性黑客攻擊。對于人工智能/ML系統來說，數據是一種珍貴的商品，并提出了一種新的網絡脆弱性形式。對手可以故意在開發過程中引入有偏見或腐敗的數據，目的是錯誤地訓練AI/ML算法。這種邪惡的網絡攻擊形式可能很難被發現。

海軍正在解決這一數據挑戰，開發一個數據基礎設施和組織來管理已經收集和正在收集的數據。海軍的Jupiter計劃是一個企業數據和分析平臺，正在管理數據以支持AI/ML的發展和其他類型的海軍應用，這些應用需要與任務相關的數據（Abeyta，2021）。Jupiter努力的核心是確定是否存在正確的數據類型來支持人工智能應用。為了生產出在行動中有用的人工智能/ML系統，海軍需要在游戲中保持領先，擁有能夠代表各種可能情況的數據集，這些情況跨越了競爭、沖突和危機期間的行動范圍。因此，數據集的開發和管理必須是一項持續的、不斷發展的努力。

挑戰三：工程化人工智能系統

第三個挑戰是，人工智能系統的工程需要改變傳統的系統工程（SE）。在傳統系統中，行為是設定的（確定性的），因此是可預測的：給定一個輸入和條件，系統將產生一個可預測的輸出。一些人工智能解決方案可能涉及到系統本身的復雜性--適應和學習--因此產生不可預見的輸出和行為。事實上，一些人工智能系統的意圖就是要做到這一點--通過承擔一些認知負荷和產生智能建議，與人類決策者合作。表5強調了傳統系統和人工智能系統之間的區別。需要有新的SE方法來設計智能學習系統，并確保它們對人類操作者來說是可解釋的、可信任的和安全的。

SE作為一個多學科領域，在海軍中被廣泛使用，以將技術整合到連貫而有用的系統中，從而完成任務需求（INCOSE 2015）。SE方法已經被開發出來用于傳統系統的工程設計，這些系統可能是高度復雜的，但也是確定性的（Calvano和John 2004）。如表5所述，傳統系統具有可預測的行為：對于一個給定的輸入和條件，它們會產生可預測的輸出。然而，許多海軍應用的人工智能系統在本質上將是復雜的、適應性的和非決定性的。Raz等人（2021年）解釋說，"SE及其方法的雛形基礎并不是為配備人工智能（即機器學習和深度學習）的最新進展、聯合的多樣化自主系統或多領域操作的工程系統而設想的。" 對于具有高風險后果的軍事系統來說，出錯的余地很小；因此，SE過程對于確保海軍中人工智能系統的安全和理想操作至關重要。

表5. 傳統系統和人工智能系統的比較

在整個系統生命周期中，將需要改變SE方法，以確保人工智能系統安全有效地運行、學習和適應，以滿足任務需求并避免不受歡迎的行為。傳統的SE過程的大部分都需要轉變，以解決人工智能系統的復雜和非確定性的特點。在人工智能系統的需求分析和架構開發階段需要新的方法，這些系統將隨著時間的推移而學習和變化。系統驗證和確認階段將必須解決人工智能系統演化出的突發行為的可能性，這些系統的行為不是完全可預測的，其內部參數和特征正在學習和變化。運營和維護將承擔重要的任務，即隨著人工智能系統的發展，在部署期間不斷確保安全和理想的行為。

SE界意識到，需要新的流程和實踐來設計人工智能系統。國際系統工程師理事會（INCOSE）最近的一項倡議正在探索開發人工智能系統所需的SE方法的變化。表6強調了作為該倡議一部分的五個SE重點領域。除了非決定性的和不斷變化的行為，人工智能系統可能會出現新類型的故障模式，這些故障模式是無法預料的，可能會突然發生，而且其根本原因可能難以辨別。穩健設計--或確保人工智能系統能夠處理和適應未來的情景--是另一個需要新方法的SE領域。最后，對于有更多的人機互動的人工智能系統，必須仔細注意設計系統，使它們值得信賴，可以解釋，并最終對人類決策者有用。

表6.人工智能系統工程中的挑戰（改編自：Robinson，2021）。

SE研究人員正在研究人工智能系統工程所涉及的挑戰，并開發新的SE方法和對現有SE方法的必要修改。Johnson（2019）開發了一個SE框架和方法，用于工程復雜的適應性系統（CASoS）解決方案，涉及分布式人工智能系統的智能協作。這種方法支持開發智能系統的系統，通過使用人工智能，可以協作產生所需的突發行為。Johnson（2021）研究了人工智能系統產生的潛在新故障模式，并提出了一套跨越SE生命周期的緩解和故障預防策略。她提出了元認知，作為人工智能系統自我識別內部錯誤和失敗的設計方案。Cruz等人（2021年）研究了人工智能在空中和導彈防御應用中使用人工智能輔助決策的安全性。他們為計劃使用人工智能系統的軍事項目編制了一份在SE開發和運行階段需要實施的策略和任務清單。Hui（2021年）研究了人類作戰人員與人工智能系統合作進行海軍戰術決策時的信任動態。他制定了工程人工智能系統的SE策略，促進人類和機器之間的 "校準 "信任，這是作為適當利用的最佳信任水平，避免過度信任和不信任，并在信任失敗后涉及信任修復行動。Johnson等人（2014）開發了一種SE方法，即協同設計，用于正式分析人機功能和行為的相互依賴性。研究人員正在使用協同設計方法來設計涉及復雜人機交互的穩健人工智能系統（Blickey等人，2021年，Sanchez 2021年，Tai 2021年）。

數據的作用對于人工智能系統的開發和運行來說是不可或缺的，因此需要在人工智能系統的SE生命周期中加入一個持續不斷的收集和準備數據的過程。Raz等人（2021）提出，SE需要成為人工智能系統的 "數據策劃者"。他們強調需要將數據策劃或轉化為可用的結構，用于開發、訓練和評估AI算法。French等人（2021）描述了需要適當的數據策劃來支持人工智能系統的發展，他們強調需要確保數據能夠代表人工智能系統將在其中運行的預期操作。他們強調需要安全訪問和保護數據，以及需要識別和消除數據中的固有偏見。

SE界正處于發展突破和進步的早期階段，這些突破和進步是在更復雜的應用中設計人工智能系統所需要的。這些進展需要與人工智能的進展同步進行。在復雜的海軍應用以及其他非海軍和非軍事應用中實施人工智能系統取決于是否有必要的工程實踐。SE實踐必須趕上AI的進步，以確保海軍持續的技術優勢。

挑戰四：對抗性

海軍在有效實施人工智能系統方面面臨的第四個挑戰是應對對手。海軍的工作必須始終考慮對手的作用及其影響。表7確定了在海軍實施人工智能系統時必須考慮的與對手有關的三個挑戰：(1)人工智能技術在許多領域迅速發展，海軍必須注意同行競爭國的軍事應用進展，以防止被超越，(2)在海軍應用中實施人工智能系統和自動化會增加網絡脆弱性，以及(3)海軍應用的人工智能系統需要發展和適應，以應對不斷變化的威脅環境。

表7. AI系統的對抗性挑戰

同行競爭國家之間發展人工智能能力的競賽，最終是為了進入對手的決策周期，以便比對手更快地做出決定和采取行動（Schmidt等人，2021年）。人工智能系統提供了提高決策質量和速度的潛力，因此對獲得決策優勢至關重要。隨著海軍對人工智能解決方案的探索，同行的競爭國家也在做同樣的事情。最終實現將人工智能應用于海軍的目標，不僅僅取決于人工智能研究。它需要適當的數據收集和管理，有效的SE方法，以及仔細考慮人類與AI系統的互動。海軍必須承認，并采取行動解決實施人工智能系統所涉及的挑戰，以贏得比賽。

網絡戰是海軍必須成功參與的另一場競賽，以保持在不斷沖擊的黑客企圖中的領先地位。網絡戰的特點是利用計算機和網絡來攻擊敵人的信息系統（Libicki, 2009）。海軍對人工智能系統的實施導致了更多的網絡攻擊漏洞。人工智能系統的使用在本質上依賴于訓練和操作數據，導致黑客有機會在開發階段和操作階段用腐敗的數據欺騙或毒害系統。如果一個對手獲得了對一個運行中的人工智能系統的控制，他們可能造成的傷害將取決于應用領域。對于支持武器控制決策的自動化，其后果可能是致命的。海軍必須注意人工智能系統開發過程中出現的特殊網絡漏洞。必須為每個新的人工智能系統實施仔細的網絡風險分析和網絡防御戰略。海軍必須小心翼翼地確保用于開發、訓練和操作人工智能系統的數據集在整個人工智能系統的生命周期中受到保護，免受網絡攻擊（French等人，2021）。

威脅環境的演變是海軍在開發AI系統時面臨的第三個對抗性挑戰。對手的威脅空間隨著時間的推移不斷變化，武器速度更快、殺傷力更大、監視資產更多、反制措施更先進、隱身性更強，這對海軍能夠預測和識別新威脅、應對戰斗空間的未知因素構成了挑戰。尤其是人工智能系統，必須能夠加強海軍感知、探測和識別新威脅的能力，以幫助它們從未知領域轉向已知領域的過程。他們必須適應新的威脅環境，并在行動中學習，以了解戰斗空間中的未知因素，并通過創新的行動方案快速應對新的威脅（Grooms 2019, Wood 2019, Jones et al 2020）。海軍可以利用人工智能系統，通過研究特定區域或領域的長期數據，識別生活模式的異常（Zhao等人，2016）。最后，海軍可以探索使用人工智能來確定新的和有效的行動方案，使用最佳的戰爭資源來解決棘手的威脅情況。

結論

人工智能系統為海軍戰術決策的優勢提供了相當大的進步潛力。然而，人工智能系統在海戰應用中的實施帶來了重大挑戰。人工智能系統與傳統系統不同--它們是非決定性的，可以學習和適應--特別是在用于更復雜的行動時，如高度動態的、時間關鍵的、不確定的戰術行動環境中，允許的誤差范圍極小。本文確定了為海戰行動實施人工智能系統的四個挑戰領域：（1）開發能夠解決戰爭復雜性的人工智能系統，（2）滿足人工智能系統開發和運行的數據需求，（3）設計這些新穎的非確定性系統，以及（4）面對對手帶來的挑戰。

海軍必須努力解決如何設計和部署這些新穎而復雜的人工智能系統，以滿足戰爭行動的需求。作者在這一工作中向海軍提出了三項建議。

1.第一個建議是了解人工智能系統與傳統系統之間的差異，以及伴隨著人工智能系統的開發和實施的新挑戰。

人工智能系統，尤其是那些旨在用于像海戰這樣的復雜行動的系統，其本身就很復雜。它們在應對動態戰爭環境時將會學習、適應和進化。它們將變得不那么容易理解，更加不可預測，并將出現新型的故障模式。海軍將需要了解傳統的SE方法何時以及如何在這些復雜系統及其復雜的人機交互工程中失效。海軍將需要了解數據對于開發人工智能系統的關鍵作用。

2.第二個建議是投資于人工智能系統的研究和開發，包括其數據需求、人機互動、SE方法、網絡保護和復雜行為。

研究和開發是為海戰行動開發AI系統解決方案的關鍵。除了開發復雜的戰術人工智能系統及其相關的人機協作方面，海軍必須投資研究新的SE方法來設計和評估這些適應性非決定性系統。海軍必須仔細研究哪些新類型的對抗性網絡攻擊是可能的，并且必須開發出解決這些問題的解決方案。海軍必須投資于收集、獲取和維護代表現實世界戰術行動的數據，用于人工智能系統開發，并確保數據的相關性、有效性和安全性。

3.第三個建議是承認挑戰，并在預測人工智能系統何時準備好用于戰爭行動方面采取現實態度。

盡管人工智能系統正在許多領域實施，但海軍要為復雜的戰術戰爭行動實施人工智能系統還需要克服一些挑戰。人工智能系統在較簡單應用中的成功并不能保證人工智能系統為更復雜的應用做好準備。海軍應該保持一種現實的認識，即在人工智能系統準備用于戰爭決策輔助工具之前，需要取得重大進展以克服本文所討論的挑戰。實現人工智能系統的途徑可以依靠建模和模擬、原型實驗、艦隊演習以及測試和評估。可以制定一個路線圖，彌合較簡單應用的人工智能和復雜應用的人工智能之間的差距--基于一個積木式的方法，在為逐漸復雜的任務開發和實施人工智能系統時吸取經驗教訓。

海軍將從未來用于戰術戰爭的人工智能系統中獲益。通過安全和有效地實施人工智能系統，戰術決策優勢的重大進步是可能的。此外，海軍必須跟上（或試圖超越）對手在人工智能方面的進展。本文描述了為在海戰中實施人工智能系統而必須解決的四個挑戰。通過對這些新穎而復雜的人工智能系統的深入了解，對研究和開發計劃的投資，以及對人工智能技術進步時限的現實預期，海軍可以在應對這些挑戰方面取得進展。

摘要

這項工作探討了使用人工智能（AI）來加強海軍戰術殺傷鏈。海軍行動對水兵提出了很高的要求，要求他們在與艦隊指揮結構協同操作各種作戰系統的同時，保持對態勢的認識，執行任務，并為沖突做好準備。海軍行動由于涉及到武器的使用而變得更加復雜。涉及武器使用的一系列戰術過程和決策被稱為殺傷鏈。一個有效的殺傷鏈需要識別和了解威脅，確定行動方案，執行選定的行動，并評估其效果。殺傷鏈是一個特別緊張的戰術行動類別，因為它們必須在有限和不確定的知識下，在關鍵和苛刻的時限內，依靠各種先進的技術系統，在高度動態和變化的環境中實施，并造成嚴重后果。海軍正在研究人工智能作為一種新興技術，通過減少不確定性、提高決策速度、加強決策評估來改善殺傷鏈行動。本文介紹了對人工智能方法在支持海軍戰術殺傷鏈的特定功能方面的功效評估。

引言

海軍作戰是動態的，在沖突期間，它們變得高度復雜。在海洋環境中與作戰人員團隊一起操作各種先進的技術系統（包括艦艇、飛機、傳感器、通信系統和武器），建立了一個具有挑戰性的行動基線。在沖突或危機情況下，行動的節奏加快，并可能變得非常不穩定；對形勢的認識和對戰斗空間的了解充滿了不確定性；有效的決定對任務的成功至關重要，并會帶來沉重的后果。

一場涉及武器交戰的海軍悲劇是1998年美國海軍 "文森 "號巡洋艦發射的地對空導彈擊落了商用飛機空客A300，機上290名乘客全部死亡（Pasley，2020）（如圖1所示）。這場悲劇涉及到壓力下的時間關鍵性決策（Johnston等人，1998）。

圖1.美國海軍文森號從甲板上發射導彈。

這一事件代表了海軍行動中決策的復雜性，并特別強調了觀察-定向-決定-行動（OODA）循環中的挑戰，這是由約翰-博伊德在1950年代開發的行動活動模型（瓊斯，2020）。人為錯誤、人類認知的局限性和海軍行動固有的決策復雜性導致OODA環路的挑戰，更具體地說，是殺傷鏈過程的挑戰（馮-盧比茨等人，2008，Szeligowski，2018）。殺傷鏈功能是涉及使用武器系統的戰術活動和決策。一個有效的殺傷鏈需要正確設置和使用艦載傳感器，識別和分類未知的接觸，根據運動學和情報分析接觸意圖，認識環境，以及決策分析和戰爭資源選擇（O'Donoughue等人，2021，史密斯，2010，趙等人，2016）。這項研究源于尋找方法來支持水手和作戰人員以及他們在海軍行動中必須做出的經常是復雜的決定。

最近在人工智能和先進數據分析方面的進展導致了海軍的研究，以確定如何利用這些方法來支持廣泛的海軍應用。正在研究人工智能方法在海軍后勤、任務規劃、物理安全、自主系統和網絡安全方面的潛在應用（Heller，2019，Mittu和Lawless 2015）。

在海軍研究使用人工智能方法的過程中，殺傷鏈是另一個備受關注的主要應用。概念性研究提出將人工智能用作認知助手和人機協作（Iversen和DiVita，2019年；Ding等人，2022年；Johnson 2019年；Grooms，2019年；Albarado等人，2022年）。使用人工智能從多個來源的數據融合中提取知識和作戰環境的情況意識的研究正在成熟（Zhao等人，2018）。

這項研究著眼于整個海軍戰術OODA環，以評估使用人工智能來改善每個特定的殺傷鏈功能。圖2顯示了海軍海上戰術領域的概念圖，作為利用人工智能方法和技術的重點。該圖用軍事術語描述了殺傷鏈OODA循環功能的循環性質：發現-修復-追蹤-目標-接觸-評估。該研究探討了使用人工智能來加強這些功能，因為它們被用于海軍藍軍在海洋領域防御紅軍的威脅。

圖2. 概念圖：人工智能賦能海軍戰術殺傷鏈行動。

本文首先回顧了海軍戰術殺傷鏈，描述了戰術戰爭過程模型，并確定了一組28個殺傷鏈功能作為本研究的主題。下一節總結了適用于殺傷鏈的人工智能方法。隨后描述了為本研究開發的評估框架。本文最后介紹了這項研究的結果--人工智能方法與殺傷鏈的映射。

海軍戰術殺傷鏈

分析開始于對海軍作戰相關的戰術操作模型的研究，以便以一種能夠與人工智能方法相一致的形式獲取對殺傷鏈的描述。目標是建立一個海軍戰術殺傷鏈的描述，以： (1)代表海軍戰術領域中與戰斗有關的行動，(2)具有足夠的通用性，以模擬廣泛的戰術決策和行動，(3)被分解到適當的水平，以確定個別和獨特的過程。

殺傷鏈這個術語是指涉及使用武器的攻擊結構。該過程被描述為一個鏈條，以說明用武器攻擊目標需要一套完整的端到端決策和行動，任何階段的中斷都會破壞該過程。Clawson等人（2015）將殺傷鏈描述為 "成功使用特定武器對付特定威脅所需的任務或功能"。殺傷鏈過程包括目標檢測、選擇與目標交戰和選擇武器所涉及的決策，以及攻擊的實際執行。

約翰-博伊德的OODA循環模型是理解戰術行動的基礎，它代表著觀察、定向、決定和行動。圖3展示了OODA循環模型--強調了循環發生的四個階段的行動或過程。在觀察階段，數據和信息被收集。在定向階段，這些信息被處理、融合和分析，以提供對形勢的認識。在決定階段，藍軍決定是否需要采取行動以及這些行動應該是什么。在行動階段，行動被執行，并收集更多信息以確定是否產生了預期的效果。OODA循環對軍事思想有半個多世紀的影響，并幫助塑造了戰爭系統的發展和戰爭理論（Angerman 2004）。OODA循環模型已被用于預測和理解軍事行動反應時間（Hightower 2007）、認知戰術決策（Plehn 2000）、指揮和控制系統及網絡的設計目標（Revay 2017），甚至是高級軍事戰略制定（Hasik 2013）。在現實世界的戰術行動中，許多OODA循環的活動都是動態的、循環的和并發的。

圖3. 殺傷鏈OODA環

OODA循環模型為理解殺傷鏈過程提供了基礎，并導致了對圖4所示的查找-修復-跟蹤-目標-評估（F2T2EA）殺傷鏈過程模型（參謀長聯席會議，2013）的研究。F2T2EA是另一個以軍事術語描述殺傷鏈的過程模型。F2T2EA模型將戰術功能分為六類，并強調戰術行動的周期性。F2T2EA抓住了戰術戰爭功能、決策和行動的細微差別，為人工智能的映射提供了一個更詳細的框架，以激發具體、全面和獨立的殺傷鏈功能。

圖4. F2T2EA殺傷鏈周期。

這項研究開發了一套28個殺傷鏈功能，列于表1。該表顯示了這些功能是如何被歸入OODA和F2T2EA殺傷鏈過程模型的。建立一套具有一定獨立性的不同功能的目的是為了支持特定的人工智能方法與特定的殺傷鏈功能的映射，同時保持它們能夠代表戰術行動中發生的各種海軍決策和行動。

表1. 28個殺傷鏈功能

殺傷鏈的功能是通用的，適用于涉及 "殺傷"行動的各種戰術行動。在這項研究中，殺傷鏈可以支持進攻性打擊和防御性任務；殺傷可以是硬的，也可以是軟的。這允許使用非致命性和反措施行動，以消除對手的資產，完成戰術任務。

在沖突或危機期間，戰術行動的實施涉及殺傷鏈功能的復雜、動態和循環組合。這些功能會重疊、同時發生、重復出現，并且往往需要根據威脅情況進行多次實例化。"尋找 "和 "修復 "將是持續的功能；"跟蹤 "將出現在探測到的每個物體上；"瞄準 "將對被認為有威脅的物體進行；"交戰 "和 "評估 "將對需要殺傷（或解除）行動的威脅實施。

隨著海軍探索殺傷鏈功能的自動化并考慮使用人工智能方法，殺傷鏈功能的特點也開始發揮作用。殺傷鏈與它的威脅情況密切相關。這種作戰環境在許多方面決定了殺傷鏈的時間軸、交戰幾何、局勢動態、不確定性水平和整體復雜性。表2確定并描述了影響人工智能如何被利用來提高自動化和支持戰術決策的殺傷鏈功能的條件。

表2. 殺傷鏈功能特征

表2中列出和描述的特征具有相互依賴性，這些特征源于任務目標、威脅情況的復雜性以及藍軍資產的結構和能力。任務的性質--進攻性或防御性--確定了事件的初始時間線。威脅情況會影響這個時間線，并影響動態、決策風險水平和整體不確定性。藍軍資產的結構和能力影響到可用的決策選擇。殺傷鏈的決策有許多考慮因素，包括傳感器的覆蓋范圍、對對手意圖的評估、交戰策略、交戰規則和要使用的武器。這些復雜和相互依存的特性影響到可接受的決策風險和不確定性水平，并最終影響到整個殺傷鏈過程中可接受的自動化水平。

這項研究檢查和評估了特定人工智能方法的潛力，以加強特定的殺傷鏈功能。其目的是通過提高自動化程度來改善整體戰術任務--不一定要取代人類決策者，但要支持戰術決策--特別是當殺傷鏈決策過程變得高度復雜時。

人工智能

美國國防部（DoD）將人工智能描述為 "機器執行通常需要人類智慧的任務的能力--例如，識別模式、從經驗中學習、得出結論、進行預測或采取行動--無論是以數字方式還是作為自主物理系統背后的小軟件"（艾倫2020）。人工智能是一個包括許多不同方法的領域，目標是創造具有智能的機器（Mitchell 2019）。人工智能領域正在迅速發展，國防部正在積極研究如何將人工智能有效地應用于軍事任務（GAO 2022）。

DARPA的Launchbury（2017）將人工智能的發展描述為三波，如圖5所示。第一次浪潮（約1970年代至1990年代）產生了基于規則的專家系統，可以推理，但沒有學習或歸納的能力。第二波（約2000年至今）產生了先進的統計大數據學習和深度神經網絡，它們可以感知和學習，但推理或概括的能力有限。第三次浪潮，剛剛開始（2020年及以后），將以上下文適應為特征，在推理和概括能力方面取得進展。未來學家預測，第四次浪潮（2030年及以后）將導致人工通用智能，使機器能夠執行人類能夠執行的任何智力任務（Jones 2018）。

圖5. 三次人工智能浪潮

這項研究專注于三次人工智能浪潮中的人工智能方法，這些方法已經在不同的應用領域得到了證明，或者目前正在研究和開發中。該團隊研究了廣泛的人工智能相關主題（在表3中列出并描述），以便為評估提供知識基礎。

表3中描述的主題是方法、學科和支持能力的類別，它們可能直接影響到為殺傷鏈有效部署AI的能力。每種方法的實施方式將決定未來人工智能支持的殺傷鏈的不同方面。人工智能內部工作的可解釋性和人機合作的能力將影響作戰人員與人工智能系統的互動和信任。特征工程、數據管理和實用功能將影響到人工智能系統的內部運作，因此也影響到人工智能系統的輸出和決策建議。博弈論、決策論、模糊邏輯、融合、空間-時間推理、進化和遺傳算法、預測性和規定性分析以及聯邦學習等學科被納入的方式將決定未來人工智能系統的設計和架構。表3中的人工智能相關主題被用于本文下一節解釋的定性評價。

表3. 人工智能相關主題在殺傷鏈研究中的考慮

該團隊選擇了八種具體的人工智能方法（在表4中列出并描述）用于殺傷鏈的映射。這八種人工智能方法是感知、學習、抽象和推理以獲得更好的知識、預測性能、開發和評估決策選項（或戰術行動路線）的不同技術。它們被認為有可能為殺傷鏈過程的不同方面提供價值，同時也代表了一組不同的人工智能方法，以促進對人工智能如何改善殺傷鏈的更全面的評估。

表4. 八種具體的人工智能方法用于殺傷鏈的映射

目前，人工智能方面的許多進展正在進行中。這項研究確定了感興趣的主題和具體方法，顯示出加強戰術殺傷鏈的強大潛力。本文對這些主題和方法進行了總結。關于人工智能主題和方法的更詳細描述載于本研究的頂點報告（Burns等人，2021）。

評估框架

這項研究開發了一個框架，以評估人工智能方法對殺傷鏈特定功能的適用性。該評估包括兩個部分： (1)從殺傷鏈功能的角度進行的定量分析，以及(2)從人工智能主題的角度進行的定性分析。

第一個部分是基于一套決策點問題形式的四個評價標準（列于表5）、一種評分方法（列于表6）以及與四個決策點中的每一個相關的評價過程。該框架的這一部分產生了一個量化的評價，以評分的形式表明特定人工智能方法對支持或實現特定殺傷鏈功能的適用程度。該小組在應用評分標準時進行了主觀判斷。

表5. 評估決策點問題

表6. 評分標準

第一個決定點要求對每個殺傷鏈功能進行評估，以確定需要什么樣的輸出，并對每個人工智能方法進行評估，以確定其產生的輸出類型的特點。表5顯示了每個決策點的輸出類型。定量輸出包含實數值。定性輸出包括分類數據。集群形式的輸出指的是由強烈關聯的質量分組的數據，通常用于在數據集中尋找模式。基于規則的輸出是一系列的if/then因果規則。表7顯示了對28個殺傷鏈功能之一的評分評估的例子，第25條 "確認影響"。對于這個功能，團隊確定可以使用數據集群來協助特征描述過程，還注意到可解釋的輸出是強制性的，而且預測器的數量較少，以便能夠有更高的準確性。顏色方案表明，聚類是最適合的人工智能/ML方法，邏輯回歸和關聯也可能為殺傷鏈功能提供一些支持。

表7. 25號功能（確認影響）的評分示例

第二個決策點需要對殺傷鏈過程進行評估，以確定什么類型的數據可用，什么類型的學習方式適合每個功能。如果一個包含預測因子和響應變量的完全標記的數據集可用于人工智能的訓練和開發，監督學習將是一個合適的方法。如果殺傷鏈過程中的一個步驟在其數據集中包含預測因素，但沒有響應變量，那么無監督學習將是合適的方法。最后，如果一個殺傷鏈過程有部分或無標記的數據集可用，并且還與一套定義明確的一般規則有關，可以為訓練人工智能學習系統提供反饋，那么強化學習將是一個合適的方法。

第三個決策點根據對人工智能方法的內部運作需要多少可解釋性（或透明的洞察力）來評估每個殺傷鏈功能（XAI=可解釋的人工智能）。為了本研究的目的，這三個選項是基于對要求強制性XAI、希望的XAI或不要求XAI的定性評估。

第四個決策點是根據充分代表殺傷鏈過程不同方面所需的預測因子（或特征）的數量來評估特定人工智能方法的功效。表征與每個殺傷鏈功能相關的決策空間的特征可能會根據現實世界的情況而改變。ML模型需要代表這些特征，并使用輸入變量或預測器來實現。ML模型代表現實世界的方式和相關的特征數量將影響適當方法的選擇。本研究根據輸入特征的數量確定了三類預測器： 1-9，10-99，和100+。

評價框架的第二部分是基于對人工智能相關主題和方法的調查，以及對每種方法的好處和局限性或挑戰的定性評估，因為它們可能適用于殺人鏈領域。這部分評價是從人工智能方法及其對殺傷鏈的普遍適用性這一更廣泛的角度進行的。上一節中的表4列出了被評估的人工智能主題和方法。

人工智能到殺傷鏈的映射

這項研究的結果被總結為兩個人工制品：表8中的映射為每個殺傷鏈功能推薦了最合適的人工智能/ML方法，表9中對戰術領域的人工智能相關方法進行了定性評價。

表8. AI/ML方法到殺傷鏈的映射

表9. 對戰術領域的人工智能相關方法進行了定性評價

表8所示的定量圖譜是對28個殺傷鏈功能中的每一個功能進行決策點評估的結果。每個功能的單獨記分卡可以在相關的頂點報告中找到（Burns et al, 2021）。雖然大多數記分卡導致了一個明確的主導AI/ML方法的適用性，但有四個殺傷鏈功能被評估為有一個以上的潛在方法可供選擇。在8種打分的AI/ML方法中，只有4種得分高到可以進入最終映射：聚類、關聯、邏輯回歸和線性回歸。

定性分析的結果是對人工智能相關的方法和主題以及它們與殺雞用牛的相關性的評價。表9包含了定性評價的結果。

結論

總之，這種映射分析從兩個方向進行：（1）從殺傷鏈開始，將人工智能方法映射到各個殺傷鏈的功能；（2）從人工智能方法和相關主題開始，評估它們對殺傷鏈的潛在效用。由該研究小組開發的第一種方法遵循了一種使用四個決策點的量化評分方法。第二種方法是對各種人工智能方法和相關主題進行調查，并對每種方法與未來人工智能殺傷鏈決策輔助工具的潛在關聯性進行定性評估。

定量分析顯示，一小部分人工智能方法將是為殺傷鏈功能提供高級自動化支持的最佳候選方法。這些方法是：聚類、關聯、邏輯回歸和線性回歸。他們被評估的對殺傷鏈的優越效用是基于他們產生的輸出類型，他們使用的機器學習類型，他們對用戶的可解釋能力，以及他們需要的代表性預測器或特征的數量。這種分析性映射方法是 "自下而上 "的，因為它的起點是傳統的殺傷鏈功能集。它假設各個人工智能方法將被分到各個獨立的殺傷鏈功能中。這預設了一個特定的設計方案，并對殺傷鏈決策輔助工具的未來架構做出了限制。

第二個映射分析是定性的和高層次的，它想象了各種人工智能方法和相關主題的未來潛力，以實現和/或支持未來的人工智能輔助殺傷鏈的決策。這種分析方法是 "自上而下 "的，因為它從一種人工智能方法或感興趣的領域開始，并從整體上評估其與殺傷鏈的一般相關性，而不強加一個特定的設計或被分配到一個特定的功能。這項分析確定了13個與人工智能有關的主題，這些主題可能為未來的殺傷鏈提供效用。人工智能正在成為許多軍事應用中的一項技術。海軍將從人工智能在許多行動中的應用中獲益，包括殺傷鏈。對人工智能增強和/或人工智能啟用的殺傷鏈進行有效和適當的設計和工程，對于實現對同行競爭對手的戰術優勢以及確保其用于支持武器系統的安全性和可靠性至關重要。該項目提供了一個分析基礎，作為繼續研究人工智能在殺傷鏈中的應用的起點。該分析將具體的人工智能方法與殺傷鏈的28個功能相聯系，并確定了人工智能方法和相關主題，這些方法和主題顯示了加強和促成未來海軍殺傷鏈的潛力。這項研究建議繼續研究人工智能和ML在戰術殺傷鏈中的應用。

自動化使系統能夠執行通常需要人類投入的任務。英國政府認為自動化對保持軍事優勢至關重要。本論文討論了當前和未來全球自動化的應用，以及它對軍事組織和沖突的影響。同時還研究了技術、法律和道德方面的挑戰。

關鍵要點

• 在軍事行動中部署自動化技術可以提高有效性并減少人員的風險。
• 在英國和國際上，自動化正被用于情報收集、數據分析和武器系統。
• 英國政府正在開發自動化系統；技術挑戰包括數據管理、網絡安全以及系統測試和評估。
• 軍事自動化的法律和道德影響受到高度爭議，特別是在武器系統和目標選擇方面。

背景

許多軍事系統都有自動化的特點，包括執行物理任務的機器人系統，以及完全基于軟件的系統，用于數據分析等任務。自動化可以提高某些現有軍事任務的效率和效力，并可以減輕人員的 "枯燥、骯臟和危險 "的活動。 許多專家認為，自動化和自主性是與系統的人類監督水平有關的，盡管對一些系統的定位存在爭議，而且對系統是否應被描述為 "自動化 "或 "自主 "可能存在分歧。英國防部在其 "自主性譜系框架 "中概述了5個廣泛的自主性水平，從 "人類操作 "到 "高度自主"。一個系統可能在不同的情況下有不同的操作模式，需要不同程度的人力投入，而且只有某些功能是自動化的。方框1概述了本公告中使用的定義。

方框1：該領域的術語并不一致，關鍵術語有時可以互換使用。

• 自動化系統。自動系統是指在人類設定的參數范圍內，被指示自動執行一組特定的任務或一系列的任務。這可能包括基本或重復的任務。

• 自主系統。國防科學與技術實驗室（Dstl）將自主系統定義為能夠表現出自主性的系統。自主性沒有公認的定義，但Dstl將其定義為 "系統利用人工智能通過自己的決定來決定自己的行動路線的特點"。自主系統可以對沒有預先編程的情況作出反應。

• 無人駕駛車輛。朝著更高水平的自主性發展，使得 "無人駕駛 "的車輛得以開發，車上沒有飛行員或司機。有些是通過遠程控制進行操作，有些則包括不同程度的自主性。最成熟的無人駕駛軍事系統是無人駕駛航空器，或稱 "無人機"，其用途十分廣泛。

• 人工智能。人工智能沒有普遍認同的定義，但它通常是指一套廣泛的計算技術，可以執行通常需要人類智慧的任務（POSTnote 637）。人工智能是實現更高水平的自主性的一項技術。

• 機器學習：（ML，POSTnote 633）是人工智能的一個分支，是具有自主能力的技術的最新進展的基礎。

英國政府已經認識到自主系統和人工智能（AI，方框1）的軍事優勢以及它們在未來國防中可能發揮的不可或缺的作用。在其2021年綜合審查和2020年綜合作戰概念中，它表示致力于擁抱新的和新興的技術，包括自主系統和人工智能。2022年6月，英國防部發布了《國防人工智能戰略》，提出了采用和利用人工智能的計劃：自動化將是一個關鍵應用。在全球范圍內，英國、美國、中國和以色列擁有一些最先進的自主和基于AI的軍事能力。方框2中給出了英國和全球活動的概述。

方框2：英國和全球活動

• 英國 英國政府已表明其投資、開發和部署用于陸、海、空和網絡領域軍事應用的自主和人工智能系統的雄心。最近的投資項目包括NELSON項目，該項目旨在將數據科學整合到海軍行動中；以及未來戰斗航空系統，該系統將為皇家空軍提供一個有人員、無人員和自主系統的組合。在2021年綜合審查發表后，政府成立了國防人工智能中心（DAIC），以協調英國的人工智能國防技術的發展。這包括促進與學術界和工業界的合作，并在紐卡斯爾大學和埃克塞特大學以及艾倫-圖靈研究所建立研究中心。

• 全球背景 對自主軍事技術的投資有一個全球性的趨勢：25個北約國家已經在其軍隊中使用一些人工智能和自主系統。有限的公開信息給評估軍隊的自主能力帶來了困難，但已知擁有先進系統的國家包括。

  • 美國。美國國防部2021年預算撥款17億美元用于自主研發，以及20億美元用于人工智能計劃。
  • 以色列。國有的以色列航空航天工業公司生產先進的自主系統，包括無人駕駛的空中和陸地車輛以及防空系統。
  • 中國。據估計，中國在國防人工智能方面的支出與美國類似。 分析師認為，這包括對情報分析和自主車輛的人工智能的投資。

俄羅斯和韓國也在大力投資于這些技術。在俄羅斯，機器人技術是最近成立的高級研究基金會的一個重點，該基金會2021年的預算為6300萬美元。

應用

自主系統可以被設計成具有多種能力，并可用于一系列的應用。本節概述了正在使用或開發的軍事應用系統，包括情報、監視和偵察、數據分析和武器系統。

情報、監視和偵察

自動化正越來越多地被應用于情報、監視和偵察（ISR），通常使用無人駕駛的車輛（方框1）。無人駕駛的陸上、空中和海上車輛配備了傳感器，可以獲得數據，如音頻、視頻、熱圖像和雷達信號，并將其反饋給人類操作員。一些系統可以自主導航，或自主識別和跟蹤潛在的攻擊目標。英國有幾架ISR無人機在服役，還有一些正在試用中。這些無人機的范圍從非常小的 "迷你 "無人機（其重量與智能手機相似）到可以飛行數千英里的大型固定翼系統。英國正在試用的一個系統是一個被稱為 "幽靈 "無人機的迷你直升機，它可以自主飛行，并使用圖像分析算法來識別和跟蹤目標。無人駕駛的水下航行器被用于包括地雷和潛艇探測的應用，使用船上的聲納進行自主導航。這些車輛還可能配備了一種技術，使其能夠解除地雷。

數據分析

許多軍事系統收集了大量的數據，這些數據需要分析以支持操作和決策。人工智能可用于分析非常大的數據集，并分辨出人類分析員可能無法觀察到的模式。這可能會越來越多地應用于實地，為戰術決策提供信息，例如，提供有關周圍環境的信息，識別目標，或預測敵人的行動。英國軍隊在2021年愛沙尼亞的 "春季風暴 "演習中部署了人工智能以提高態勢感知。美國的Maven項目旨在利用人工智能改善圖像和視頻片段的分析，英國也有一個類似的項目，利用人工智能支持衛星圖像分析。

武器系統

以自動化為特征的武器系統已被開發用于防御和進攻。這些系統包括從自動響應外部輸入的系統到更復雜的基于人工智能的系統。

• 防御系統。自動防空系統可以識別和應對來襲的空中威脅，其反應時間比人類操作員更快。這種系統已經使用了20多年；一份報告估計有89個國家在使用這種系統。目前使用的系統可以從海上或陸地發射彈藥，用于應對來襲的導彈或飛機。英國使用Phalanx CIWS防空系統。雖然沒有在全球范圍內廣泛采用，但以色列將固定的無機組人員火炮系統用于邊境防御，并在韓國進行了試驗。這些系統能夠自動瞄準并向接近的人或車輛開火。

• 導向導彈。正在使用的進攻性導彈能夠在飛行中改變其路徑，以達到目標，而不需要人類的輸入。英國的雙模式 "硫磺石"（DMB）導彈于2009年首次在阿富汗作戰中使用，它可以預先設定搜索特定區域，利用傳感器數據識別、跟蹤和打擊車輛。

• 用于武器投送的無人平臺。為武器投送而設計的無人空中、海上和陸地運載工具可以以高度的自主性運行。這些系統可以自主地搜索、識別和跟蹤目標。大多數發展都是在空中領域。英國唯一能夠自主飛行的武裝無人機是MQ-9 "收割者"，但有幾個正在開發中。英國防部還在開發 "蜂群 "無人機（方框3）。雖然存在技術能力，但無人駕駛的進攻性武器并不用于在沒有人類授權的情況下做出射擊決定；報告的例外情況很少，而且有爭議。 自主系統在識別目標和作出射擊決定方面的作用，是廣泛的倫理辯論的主題（見下文）。

方框3：無人機蜂群

無人機蜂群是指部署多個能夠相互溝通和協調的無人機和人員，以實現一個目標。在軍事環境中，蜂群可能被用來監視一個地區，傳遞信息，或攻擊目標。2020年，英國皇家空軍試驗了一個由一名操作員控制的20架無人機群，作為Dstl的 "許多無人機做輕活 "項目的一部分。蜂群技術還沒有廣泛部署。據報道，以色列國防軍于2021年首次在戰斗中使用無人機蜂群。

影響

自動化技術和人工智能的擴散將對英國軍隊產生各種影響，包括與成本和軍事人員的角色和技能要求有關的影響。對全球和平與穩定也可能有影響。

財務影響

一些專家表示，從長遠來看，軍事自動化系統和人工智能可能會通過提高效率和減少對人員的需求來降低成本。然而，估計成本影響是具有挑戰性的。開發成本可能很高，而且回報也不確定。提高自動化和人工智能方面的專業知識可能需要從提供高薪的行業中招聘。軍隊可能不得不提高工資以進行競爭，英國防部將此稱為 "人工智能工資溢價"。

軍事人員的作用和技能

自動化可能會減少從事危險或重復性任務的軍事人員數量。然而，一些軍事任務或流程，如高層戰略制定，不太適合自動化。在許多領域，自主系統預計將發揮對人類的支持功能，或在 "人機團隊 "中與人類合作。專家們強調，工作人員必須能夠信任與他們合作的系統。一些角色的性質也可能會受到自動化的影響，所需的技能也是如此。例如，對具有相關技術知識的自主系統開發者和操作者的需求可能會增加。英國防部已經強調需要提高整個軍隊對人工智能的理解，并承諾開發一個 "人工智能技能框架"，以確定未來國防的技能要求。一些利益相關者對自動化對軍事人員福祉的影響表示擔憂，因為它可能會限制他們的個人自主權或破壞他們的身份和文化感。

人員對自動化的態度：

關于軍事人員對自動化的態度的研究是有限的。2019年對197名英國防部人員的研究發現，34%的人對武裝部隊使用可以使用ML做出自己的決定的機器人有普遍積極的看法，37%的人有普遍消極的態度。有報道稱，人們對某些自主武器系統缺乏信任，包括在2020年對澳大利亞軍事人員的調查中。在這項研究中，30%的受訪者說他們不愿意與 "潛在的致命機器人 "一起部署，這些機器人在沒有人類直接監督的情況下決定如何在預定的區域使用武力。安全和目標識別的準確性被認為是兩個最大的風險。有證據表明，信任程度取決于文化和熟悉程度。

升級和擴散

一些專家提出了這樣的擔憂：在武器系統中越來越多地使用自主權，有可能使沖突升級，因為它使人類離開了戰場，減少了使用武力的猶豫性。蘭德公司最近的一份戰爭游戲報告（上演了一個涉及美國、中國、日本、韓國和朝鮮的沖突場景）發現，廣泛的人工智能和自主系統可能導致無意中的沖突升級和危機不穩定。這部分是由于人工智能支持的決策速度提高了。升級也可能是由自動系統的非預期行為造成的。

還有人擔心，由于自動化和基于人工智能的技術變得更便宜和更豐富，非國家行為者更容易獲得這種技術。這些團體也可能獲得廉價的商業無人機，并使用開放源碼的人工智能對其進行改造，以創建 "自制 "武器系統。關于非國家行為者使用自主系統的報告是有限的和有爭議的。然而，非國家團體確實使用了武裝無人機，而且人們擔心人工智能會使這種系統更加有效。

技術挑戰

正在進行的包括機器人和人工智能在內的技術研究，主要是由商業驅動的，預計將增加自動化系統的應用范圍和采用程度。該領域的一些關鍵技術挑戰概述如下。一個更普遍的挑戰是，相對于數字技術的快速發展，軍事技術的發展速度緩慢，有可能在部署前或部署后不久組件就會過時。

數據傳輸

無人駕駛的車輛和機器人經常需要向人員傳輸數據或從人員那里接收數據。這可以讓人類監督和指導它們的運作或接收它們收集的數據。在某些情況下，系統也可能需要相互通信，如在無人機群中（方框3）。軍方通常使用無線電波在陸地上傳輸數據，其帶寬（頻率的可用性）可能有限。在傳輸大量數據，如高分辨率圖像時，這可能是個問題。5G技術（POSTbrief 32）可能會促進野外更有效的無線通信。系統之間的無線電通信可以被檢測到，提醒對手注意秘密行動。對手也可能試圖阻止或破壞系統的通信數據傳輸。目前正在研究如何最大限度地減少所需的數據傳輸和優化數據傳輸的方法。更多的 "板載 "或 "邊緣 "處理（POSTnote 631）可以減少傳輸數據的需要。然而，減少通信需要系統在沒有監控的情況下表現得像預期的那樣。

數據處理

具有更高水平的自主性的更復雜的系統通常在運行時在船上進行更多的數據處理和分析。這要求系統有足夠的計算能力。一般來說，一個系統能做多少嵌入式數據處理是有限制的，因為硬件會占用空間并需要額外的電力來運行。這可能會限制需要電池供電運行的系統的敏捷性和范圍。然而，人工智能的進步也可能使系統更有效地運行，減少計算要求。由于未來軟件、算法和計算機芯片技術的進步，計算機的處理能力也有望提高。

訓練數據

創建和整理與軍事應用相關的大型數據集，對生產可靠的人工智能自主系統非常重要。機器學習（ML，方框1）依賴于大型數據集來訓練其基礎算法，這些數據可以從現實世界中收集，或者在某些情況下，使用模擬生成。一般來說，用于訓練ML系統的數據越有代表性、越準確、越完整，它就越有可能按要求發揮作用。準備訓練數據（分類并確保其格式一致）通常需要手動完成，并且是資源密集型的。

數據隱私：

一些人工智能系統可能會在民用數據上進行訓練。人們普遍認為，如果使用與個人有關的數據，他們的隱私必須得到保護。這可以通過對個人數據進行匿名化處理或只分享經過訓練的人工智能系統來實現。

網絡安全

由計算機軟件支撐的系統數量的增加增加了網絡攻擊的機會。網絡攻擊者可能試圖控制一個系統，破壞其運作，或收集機密信息。基于人工智能的系統也可以通過篡改用于開發這些系統的數據而遭到破壞。英國防部在2016年成立了網絡安全行動中心，專注于網絡防御。在英國，2021年成立的國防人工智能中心，有助于促進行業伙伴或其他合作者對高度機密數據的訪問。

測試和評估

重要的是，軍事系統要可靠、安全地運行，并符合法律和法規的規定。人工智能和自動化給傳統軟件系統帶來了不同的測試和保證挑戰。 進一步的挑戰來自于ML的形式，它可能不可能完全理解輸出是如何產生的（POSTnote 633）。人工智能軟件可能還需要持續監測和維護。利益相關者已經強調缺乏適合的測試工具和流程，并正在開發新的工具和指南。英國政府的國防人工智能戰略致力于建立創新的測試、保證、認證和監管方法。

倫理、政策和立法

目前的準則和立法

目前還沒有專門針對將自動化或人工智能用于軍事應用的立法。雖然它們在戰爭中的使用受現有的國際人道主義法的約束，但這與新技術的關系是有爭議的。在國家和國際層面上有許多關于人工智能更普遍使用的準則，這些準則可以適用于自動化系統。然而，2021年數據倫理與創新中心（CDEI）的人工智能晴雨表研究發現，工業界很難將一般的法規適應于特定的環境。2022年，英國防部與CDEI合作發布了在國防中使用人工智能的道德原則。

責任感

一些利益相關者強調，如果自主系統的行為不合法或不符合預期，那么它的責任是不明確的。這可能導致系統及其決定與設計或操作它的人類之間出現 "責任差距"，使法律和道德責任變得復雜。英國防部的原則說，在人工智能系統的整個設計和實施過程中，應該有明確的責任。國防人工智能戰略為供應商設定了類似的期望。

圍繞自主武器系統的辯論

這一領域的大部分法律和道德辯論都集中在武器系統上。然而，某些非武裝系統（例如，基于軟件的決策支持工具）可能在識別目標方面發揮關鍵作用，因此提出了許多與那些同時部署武器的系統相同的道德問題。

國際上對 "致命性自主武器系統"（LAWS）的使用存在著具體的爭論。這個術語沒有普遍認同的定義，它被用來指代具有不同自主能力的廣泛的武器。關于使用致命性自主武器系統的報告存在很大爭議，例如，由于系統使用模式的不確定性。 聯合國《特定常規武器公約》（CCW）自2014年以來一直在討論致命性自主武器系統的可能立法。它在2019年發布了指導原則，但這些原則沒有約束力，也沒有達成進一步的共識。雖然大多數參加《特定常規武器公約》的國家支持對致命性自主武器進行新的監管，但包括英國、美國和俄羅斯在內的其他國家認為，現有的國際人道主義法已經足夠。根據運動組織 "阻止殺手機器人"（SKR）的說法，83個國家支持關于自主武器系統的具有法律約束力的文書，12個國家不支持。

許多利益相關者認為，必須保持人類對武器和瞄準系統的某種形式的控制，才能在法律和道德上被接受。某些組織，如SKR，呼吁禁止不能由 "有意義的人類控制 "的自主武器系統，并禁止所有以人類為目標的系統。他們還呼吁制定法規，確保在實踐中保持足夠的人為控制。在其2022年國防人工智能戰略中，英國政府表示，識別、選擇和攻擊目標的武器必須有 "適當的人類參與"。作為回應，一些呼吁監管的非政府組織表示，需要更加明確如何評估或理解 "適當的人類參與"。包括英國政府在內的利益相關者建議的維持人類控制的潛在措施包括限制部署的時間和地理范圍。被認為會破壞人類控制的因素包括人類做出決定的有限時間和 "自動化偏見"，即個人可能會過度依賴自動化系統，而不太可能考慮其他信息。

公眾對該技術的態度

大多數關于軍事自動化的公眾意見調查都集中在自主武器系統上。SKR委托對28個國家的19,000人進行了民意調查。62%的受訪者反對使用致命性武器系統；這一數字在英國是56%。關于公眾對人工智能、數據和更廣泛的自動化的態度的研究發現，公眾關注的主要問題包括數據安全、隱私和失業。然而，公眾的觀點會因系統的功能和使用環境的不同而有很大差異。

1 簡介

最佳的飛行員-飛機互動一直被認為是實現有效操作性能的基石，同時在任務或使命中保持高水平的安全。隨著飛行任務越來越復雜，越來越多的信息到達機組成員手中。市場上有新的技術解決方案，任務中的表現是可以衡量的。當考慮到基于神經科學進步的人機互動時，就有可能衡量和評估任何人機接口（HMI）的有效性。為了支持空勤人員的表現，必須利用現有的創新，如數據融合或人工智能（AI）輔助決策和任務管理，以成功執行軍事任務。人工智能和大數據管理與機器學習相結合，是改善和運行現代作戰場景的關鍵因素。以網絡為中心的綜合武器系統為聯合部隊指揮官提供了靈活性，有助于當前和即將到來的聯合任務的成功。

在聯合行動中，當兩個或更多的國家使用所有可用的領域時，盡可能快速有效地利用所有的資產和能力，以獲得戰斗空間的最佳總體情況將是至關重要的。因此，解決和驗證為機組人員優化的下一代駕駛艙的創建是很重要的。先進的指揮和控制系統，為執行任務提供安全和可互操作的支持，將確保獲得一個綜合和同步的系統，并將實現戰場上的信息優勢。在未來，各級指揮官對戰場的可視化和理解方式，利用某些輔助手段來指導和引導他們的部隊，將成為勝利的決定因素。

2 行動背景

根據JAPCC在2021年發布的聯合全域作戰傳單，全域作戰包括 "快速處理數據和管理情報，以及實現高效作戰所需的技術能力和政策，包括所有貢獻的資產"。其他北約出版物使用術語多域作戰（MDO），主要描述任務環境的相同挑戰。找到一個連貫的、共同使用的術語是不斷發展的，但它不會改變HMI定義背后的含義。此外，重要的是開發一個連接的、復雜的接口，能夠協助指揮官和他們的下屬軍事人員同時和毫不拖延地分享信息，并迅速做出決定和采取行動。

正如Todd Prouty在他的一篇文章中所認識到的，"聯合全域指揮與控制（JADC2）正在形成，成為連接行動的指導性概念"，"將使用人工智能和機器學習，通過以機器速度收集、處理和計算大量的數據來連接聯合部隊"。兩種類型的態勢感知（SA）都同樣重要，因為它們不僅可能影響任務的成功完成，甚至還可能影響戰略層面的意圖。定義SA的最簡單方法是對周圍環境的徹底了解。戰術上的SA意味著機組人員知道這個場景，知道自己在任務中的任務和角色，以及所有參與同一行動區域的部隊。他們知道如何飛行任務，也知道成功或失敗的目的和后果。飛行SA主要關注的是飛行的性能和參數，空間和時間上的位置，以及飛機的性能。這兩個SA是不同的，需要在飛行過程中不斷監測。通常情況下，兩者在任務的不同階段需要不同程度的關注，如果有能力的話，可以由機組成員共享。一些技術上的改進可以只提高一個SA，但最好是同時提高兩個SA，以滿足要求并提高整體SA。這些發展也必須支持戰略層面的意圖，并提供其在決策過程中需要的SA。

現代機體和駕駛艙應支持機組人員的機載工作量，戰斗飛行員需要這種支持以保持有效。這可以通過人工智能自動管理，使機組人員能夠將更多的精力放在他們的任務和使命上。可以說，用算法來增強機體的基本需要，以補充機組人員處理飛行期間增加的信息流的能力。

在開展行動期間，預計情況可能會迅速變化，指揮官必須立即采取行動，重新安排部隊的任務。在地面或飛行中，飛行員可能會在短時間內收到一個新的任務。這個新命令不應該被格式化為純粹的基本信息；當整個更新包也能被可視化時，支持將是最佳的。一個例子是數字移動地圖系統，它描述了關于友軍和敵軍的詳細信息，包括協調信息。當飛行員改變飛行計劃時，駕駛艙及其所有設置都將自動更新。正如《國防雜志》所指出的，"從無限的資源中收集、融合和分析數據，并將其轉化為可操作的情報傳遞到戰術邊緣的能力，需要前所未有的移動處理能力"。為了符合這些要求，推動下一代人機接口的整合應該在所有現代駕駛艙中實現標準化。

HMI-Cockpit的演變。左至右：Ramon Berk, Comando Aviazione dell'Eercito, Leonardo

3 優化民用飛機的人機接口

值得注意的是，最近飛機駕駛艙的技術發展已經出現了巨大的轉變。在短短幾年內，駕駛艙已經從帶有模擬象限的 "經典飛行甲板 "過渡到現代的 "玻璃駕駛艙"，其中經典的儀表通過復雜的多功能顯示器呈現。大多數信息在儀表、飛行管理系統和自動駕駛功能之間是相互聯系的。在現代駕駛艙中，傳統的 "旋鈕和表盤 "已經被拋棄，取而代之的是電子可重新配置的顯示器和多功能可重新配置的控制，即所謂的 "軟鍵"。

傳統上，駕駛艙設計和信息顯示方式的發展是由安全和性能提升驅動的，而現在似乎更多的是由效率和競爭力標準驅動。5例如，在全狀態操作和創新駕駛艙基礎設施（ALICIA）項目中，來自14個國家的41個合作伙伴正在合作進行研究和開發活動，旨在實現一個能夠提供全狀態操作的駕駛艙系統。考慮到在不久的將來商業航班數量的增加，該項目旨在通過使用新的操作概念和駕駛艙設計來實現更高水平的效率和競爭力。

ALICIA承諾新的解決方案能夠為機組人員提供更大的SA，同時減少機組人員的工作量并提高整個飛機的安全性。這是對HMI概念的徹底反思，尋求技術的整體整合。在設想的概念中，ALICIA利用多模態輸入/輸出設備，提供一個集成在增強的機組接口中的全條件操作應用程序。

4 優化軍用飛機的人機接口

改進軍用飛機的人機接口是一項更為復雜的任務。與商業飛行相比，需要分析的情況很多，也更復雜。在軍用駕駛艙中，與飛行本身相關的任務與完成戰斗任務所需的任務合并在一起，而且往往是在危險地區和退化的環境中飛行。此外，軍用飛機配備了更多的設備，旨在處理綜合戰斗任務和軍備系統管理。

軍事飛行的典型任務可分為兩類：

• 駕駛和導航：在整個飛行過程中執行。

• 戰斗任務：只在飛行任務的某些階段執行。

當戰斗任務發生時，它們必須與駕駛和導航任務同時進行，這是軍事和商業航空的主要區別。根據自己的經驗，軍事飛行員必須判斷在任何特定的飛行階段哪一個是優先的。因此，他們將大部分資源用于該任務，而將那些經常被誤認為不太重要的任務留給機載自動系統或利用他們的注意力的殘余部分來完成。

不幸的是，軍事飛行在任務、風險、威脅、持續時間、天氣條件等方面的復雜性和不可預測性，常常使機組人員很容易超過他們的個人極限。一旦發生這種情況，風險是任務無法完成，甚至可能被放棄。在最壞的情況下，飛機和機組人員可能會丟失，或者機組人員可能會在沒有適當或最佳SA的情況下采取行動，導致附帶損害的風險增加。

新興和顛覆性的技術可以改善未來軍用飛機上的人機接口。它們可以引入基于人工智能、深度學習或實時卷積神經網絡（RT/CNN）的新解決方案，以整合新的能力，如具有認知解決方案的系統。作為一個例子，認知人機接口和互動（CHMI2）的發展和演變，用于支持多個無人駕駛飛行器的一對多（OTM）概念中的自適應自動化，也可以被利用來支持完成 "軍事駕駛艙的多項任務 "的自適應自動化。

同樣地，研究和開發CHMI2來監測飛行員的認知工作量并提供適當的自動化來支持超負荷的機組。這些先進的系統應該能夠閱讀到達駕駛艙的命令，分析相關的威脅，并提出最 "適合任務 "的任務簡介和操作概念。同時，它們應該計算所有任務所需的數據，如燃料消耗、目標時間、"游戲時間"、路線、戰斗位置、敵人和友軍的部署、武器系統和彈藥的選擇、附帶損害估計以及適當的交戰規則等。然后，考慮到船員的認知狀態，將動態地選擇自動化水平和人機接口格式及功能。

在2009年的一項研究中，Cezary J. Szczepanski提出了一種不同的HMI優化方法，其依據是任務成功的關鍵因素是飛機操作員的工作量。如果工作量超過了一個特定的限度，任務就不能成功完成。因此，他提出了一種客觀衡量機組人員在執行任務期間的工作量的方法；具體來說，就是在設計人機接口時，要確保即使在最壞的情況下，工作量也不能超過人類操作員的極限。

將近11年后的2020年，北約科技組織成立了一個研究小組，以評估空勤人員是否有能力執行其分配的任務，并有足夠的備用能力來承擔額外的任務，以及進一步應對緊急情況的能力。該小組旨在確定和建立一種基于具體指標的實時客觀方法，以評估人機接口的有效性。

通過對神經生理參數的實時測量來評估認知狀態，有望支持新形式的適應性自動化的發展。這將實現一個增強的自主水平，類似于一個虛擬的機載飛行員，這將協助機組人員進行決策，并將他們從重復性的或分散注意力的任務中解放出來。自適應自動化似乎是實現最佳人機接口的一個重要組成部分。它有望支持高水平的自主性，以減少人類的工作量，同時保持足夠的系統控制水平。這在執行需要持續工作量的任務時可能特別重要。這預示著要全面分析與自主決策機相關的倫理和道德問題。然而，這已經超出了本文的范圍。

5 建議

未來的戰斗將變得越來越快節奏和動態。新興的和顛覆性的技術有望徹底改變各級指揮官計劃和實施戰場行動的方式。人工智能、機器學習、增強的指揮和控制系統以及先進的大數據管理將大大有利于指揮官，改善SA，并極大地加快決策過程。現代軍隊設想未來的行動是完全集成的、連接的和同步的，這催生了MDO概念，以完善指揮官在多個領域快速和有效地分派/重新分派所有部隊的能力。

在概念和規劃階段的這種明顯的動態性也必須反映在執行階段。因此，必須假定，雖然指揮官能夠在很少或沒有事先通知的情況下重組和重新分配部隊任務，但機組人員也必須能夠快速、有效和安全地處理和執行這些新命令，很少或沒有時間進行預先計劃或排練。

這些新要求無疑將影響下一代軍用飛機駕駛艙的設計和開發。有必要采用一種新的方式來構思下一代人機接口，更加關注飛行員的真正認知能力。此外，需要新的解決方案來為機組人員提供更大的安全空間，同時將他們的工作量減少到可以接受的最大水平，使他們保持高效。他們應該結合任務優先級原則，審慎地考慮機組人員可以將哪些任務交給自主程序或系統。

本文重點討論了空中力量和飛行員在飛機上的工作量。可以預見，在現代情況下，所有平臺都將面臨同樣的挑戰。在行動的各個層面，所有的軍事人員都應該發展一種新的思維方式，以反映人機接口的更多整合和使用。要做到這一點，需要重新認識到人的因素的重要性。與民用航空類似，北約將需要制定和采用新的標準來指導未來軍用航空接口的設計。人機接口的改進必須包括所有的航空任務，并著重于實現實時規劃和執行。如果不仔細關注軍事飛行員所面臨的壓力，人機接口的改進只會讓飛行員更加安全，而在任務執行過程中的效率卻沒有類似的提高。開發通過實時測量神經生理參數來評估機組人員的認知狀態的方法，以及隨后開發新形式的適應性自動化，對于實現符合未來戰場要求的人機接口至關重要。

作者

Imre Baldy，中校，于1988年加入匈牙利國防軍，并在匈牙利的'Szolnok'軍事航空學院開始了他的軍事教育。1992年，他作為武器操作員/副駕駛獲得了第一個少尉軍銜。1997年，他得到了他的第一個更高級別的任命，他加入了位于韋斯普雷姆的匈牙利空軍參謀部，在那里他獲得了國際關系和空軍防御規劃方面的經驗。2007年，他被調到塞克斯費厄爾，在那里建立了新的匈牙利聯合部隊司令部。除與直升機業務有關的其他職責外，他還負責空軍的短期規劃。他曾駕駛過米24、米8和AS-350直升機。從2018年7月開始，他成為JAPCC的載人空中/攻擊直升機的SME。

利維奧-羅塞蒂，中校，于1993年在意大利軍隊中被任命為步兵軍官。三年后，他轉入陸軍航空學校，并于1998年畢業，成為一名旋翼機飛行員。他曾擔任過排長、中隊指揮官和S3小組長。他曾駕駛過通用直升機。AB-206，AB-205，AB-212，AB-412，以及AW-129 Mangusta戰斗直升機。他曾多次作為機組成員或參謀被部署到巴爾干半島（阿爾巴尼亞，科索沃），中東（黎巴嫩，伊拉克）和中亞（阿富汗）。他還是一名合格的CBRN（化學、生物、輻射和核）專家，一名空中機動教官，他目前駐扎在JAPCC，擔任戰斗航空處的空地行動SME。

1 簡介

深度學習技術在計算機視覺領域的快速發展，促進了基于人工智能（AI）應用的廣泛傳播。分析不同種類的圖像和來自異質傳感器數據的能力使這項技術在軍事和國防應用中特別有趣。然而，這些機器學習技術并不是為了與智能對手競爭而設計的；因此，使它們如此有趣的特性也代表了它們在這一類應用中的最大弱點。更確切地說，輸入數據的一個小擾動就足以損害機器學習算法的準確性，并使其容易受到對手的操縱--因此被稱為對抗性機器學習。

對抗性攻擊對人工智能和機器人技術的穩定性和安全性構成了切實的威脅。這種攻擊的確切條件對人類來說通常是相當不直觀的，所以很難預測何時何地可能發生攻擊。此外，即使我們能估計出對手攻擊的可能性，人工智能系統的確切反應也很難預測，從而導致進一步的意外，以及更不穩定、更不安全的軍事交戰和互動。盡管有這個內在的弱點，軍事工業中的對抗性機器學習話題在一段時間內仍然被低估。這里要說明的是，機器學習需要在本質上更加強大，以便在有智能和適應性強的對手的情況下好好利用它。

2 人工智能系統是脆弱的

在很長一段時間里，機器學習研究人員的唯一關注點是提高機器學習系統的性能（真陽性率/敏感度、準確性等）。如今，這些系統缺乏穩健性的問題已不容忽視；許多系統已被證明非常容易受到蓄意的對抗性攻擊和/或操縱。這一事實使它們不適合現實世界的應用，特別是關鍵任務的應用。

一個對抗性的例子是，攻擊者故意設計了一個機器學習模型的輸入，以導致該模型犯錯。一般來說，攻擊者可能無法接觸到被攻擊的機器學習系統的架構，這被稱為黑盒攻擊。攻擊者可以利用 "可轉移性 "的概念近似于白盒攻擊，這意味著旨在迷惑某個機器學習模型的輸入可以在不同的模型中觸發類似的行為。

最近針對這些系統的對抗性攻擊的演示強調了對抗性行為對穩定性影響的普遍關注，無論是孤立的還是互動的。

也許最廣泛討論的攻擊案例涉及圖像分類算法，這些算法被欺騙成 "看到 "噪聲中的圖像，即隨機產生的不對應于任何圖像的白噪聲被檢測為圖像，或者很容易被像素級的變化所欺騙，因此它們將一輛校車分類為鴕鳥，例如。同樣，如果游戲結構或規則稍有改變，而人類不會受到影響，那么表現優于人類的游戲系統（如國際象棋或AlphaGo）就會突然失敗。在普通條件下運行良好的自動駕駛汽車，只要貼上幾張膠帶，就會被誘導轉向錯誤的車道或加速通過停車標志。

3 人工智能在軍事上的應用

許多北約國家利用人工智能和機器學習來改善和簡化軍事行動和其他國家安全舉措。關于情報收集，人工智能技術已經被納入在伊拉克和敘利亞的軍事行動中，其中計算機視覺算法被用來檢測人和感興趣的物體。軍事后勤是這一領域的另一個重點領域。美國空軍使用人工智能來跟蹤其飛機何時需要維護，美國陸軍使用IBM的人工智能軟件 "沃森 "來預測維護和分析運輸請求。人工智能的國防應用還延伸到半自主和自主車輛，包括戰斗機、無人機或無人駕駛飛行器（UAV）、地面車輛和船舶。

人們認為對抗性攻擊在日常生活中相對罕見，因為針對圖像分類算法的 "隨機噪音 "實際上遠非隨機。不幸的是，對于國防或安全技術來說，這幾乎是不可能的。這些系統將不可避免地被部署在對方有時間、精力和能力來開發和構建正是這些類型的對抗性攻擊的環境中。人工智能和機器人技術對于部署在敵人控制或敵人爭奪的地區特別有吸引力，因為這些環境對于我們的人類士兵來說是最危險的環境，在很大程度上是因為對方對環境有最大的控制。

在意識到人工智能發展和應用的技術領先的重要性后，北約于2020年在多國能力發展運動（MCDC）下啟動了人工智能、自動化和機器人技術的軍事用途（MUAAR）項目。該項目的范圍是開發概念和能力，以應對開展聯合聯盟行動的挑戰，并對其進行評估。項目的目標是評估可能受益于人工智能、自動化和機器人技術的當前和未來的軍事任務和功能。它還考慮了效率和成本節約方面的回報。

在國防應用中，對抗性地操縱機器學習分類器所帶來的危險的例子很多，嚴重程度各不相同。例如，致命的自主武器系統（LAWS）可能會將友軍戰車誤認為是敵軍戰車。同樣，一個爆炸裝置或一架敵方戰斗機可能會被錯誤地識別為一塊石頭或一只鳥。另一方面，知道人工智能垃圾郵件過濾器跟蹤某些單詞、短語和字數進行排除，攻擊者可以通過使用可接受的單詞、短語和字數來操縱算法，從而進入收件人的收件箱，進一步增加基于電子郵件的網絡攻擊的可能性。

4 結論

綜上所述，人工智能支持的系統可能會因為對抗性攻擊而失敗，這些攻擊是故意設計來欺騙或愚弄算法以使其犯錯的。這種攻擊可以針對分類器的算法（白盒攻擊），也可以通過訪問輸入來針對輸出（黑盒攻擊）。這些例子表明，即使是簡單的系統也能以意想不到的方式被愚弄，有時還可能造成嚴重后果。隨著對抗性學習在網絡安全領域的廣泛應用，從惡意軟件檢測到說話人識別到網絡物理系統再到許多其他的如深度造假、生成網絡等，隨著北約增加對自動化、人工智能和自主代理領域的資助和部署，現在是時候讓這個問題占據中心位置了。在將這些系統部署到關鍵任務的情況下之前，需要對這些系統的穩健性有高度的認識。

已經提出了許多建議，以減輕軍事環境中對抗性機器學習的危險影響。在這種情況下，讓人類參與其中或在其中發揮作用是至關重要的。當有人類和人工智能合作時，人們可以識別對抗性攻擊，并引導系統采取適當的行為。另一個技術建議是對抗性訓練，這涉及給機器學習算法提供一組潛在的擾動。在計算機視覺算法的情況下，這將包括顯示那些戰略性放置的貼紙的停車標志的圖像，或包括那些輕微圖像改變的校車的圖像。這樣一來，盡管有攻擊者的操縱，算法仍然可以正確識別其環境中的現象。

鑒于一般的機器學習，特別是對抗性機器學習，仍然是相對較新的現象，對兩者的研究仍在不斷涌現。隨著新的攻擊技術和防御對策的實施，北約軍隊在關鍵任務的行動中采用新的人工智能系統時需要謹慎行事。由于其他國家，特別是中國和俄羅斯，正在為軍事目的對人工智能進行大量投資，包括在引起有關國際規范和人權問題的應用中，北約保持其戰略地位以在未來戰場上獲勝仍然是最重要的。

作者

Elie Alhajjar博士是美國陸軍網絡研究所的高級研究科學家，同時也是紐約州西點軍校數學科學系的副教授，他在那里教授和指導各學科的學員。在來到西點軍校之前，Alhajjar博士曾在馬里蘭州蓋瑟斯堡的國家標準與技術研究所（NIST）從事研究。他的工作得到了美國國家科學基金會、美國國立衛生研究院、美國國家安全局和ARL的資助，最近他被任命為院長的研究人員。他的研究興趣包括數學建模、機器學習和網絡分析。他曾在北美、歐洲和亞洲的國際會議上展示他的研究工作。他是一個狂熱的科學政策倡導者，曾獲得民用服務成就獎章、美國國家科學基金會可信CI開放科學網絡安全獎學金、Day One技術政策獎學金和SIAM科學政策獎學金。他擁有喬治-梅森大學的理學碩士和數學博士學位，以及圣母大學的碩士和學士學位。

背景

美國的許多國防專家認為，將人工智能（AI）的潛力發揮到極致，可能是保持美國軍事優勢的決定性因素。然而，盡管這項技術對美國國防部（DoD）具有潛在的重要性，但人工智能的軍事研究和開發資金只占這項技術總投資的一小部分。而且，與傳統的國防承包商不同，國防部即使不是主要客戶，也是重要客戶，國防部在大多數這些高科技軟件公司的整體客戶群中所占比例相對較小。由于這些公司雇用了一些領先的人工智能人才，并建立了一些最有能力的技術框架，利用這些專家的才能可以使國防部利用人工智能為其自身轉型的努力受益。

為了評估軟件工程師和私營部門技術人員對國防部人工智能應用的看法，研究小組進行了一項調查，提出了美國軍方如何使用人工智能的各種場景，并要求受訪者描述他們以這些方式應用人工智能的認同度。這些場景改變了幾個因素，包括戰場的距離，作戰破壞性，以及人類對人工智能算法的監督程度。調查結果發現，大多數美國人工智能專家并不反對國防部的基本任務或人工智能在軍事領域中的應用。

研究問題

• 1.哪些因素會影響軟件工程師對人工智能在美國軍方應用感到舒服和不舒服？

• 2.軟件工程師對社會機構——特別是國防部的信任程度與他們對國防部構建人工智能應用的可接受性的看法之間有關聯嗎？

• 3.軟件工程師是否將國防部認定為戰略競爭對手的國家視為對美國的重大威脅？

• 4.軟件工程師依靠什么類型的新聞媒體和其他信息來源來知曉他們與國防部有關的事件？

主要發現

• 1.硅谷和美國防部之間似乎不存在不可逾越的鴻溝

  • 來自硅谷技術公司的受訪者和擁有頂級計算機科學的大學對人工智能軍事應用感到滿意。

• 2.對于涉及使用致命武力的人工智能應用來說，認同度存在著差異

  • 來自三家接受調查的硅谷科技公司，約三分之一受訪者對人工智能的致命用途感到不安。

• 3.科技工作者對領導的信任度很低，甚至對他們自己的領導也是如此

  • 軟件工程師和其他技術人員對擔任領導職位的個人信任度較低。

  • 科技工作者對科技公司首席執行官的信任幾乎與他們對民選官員或聯邦機構負責人的信任一樣少。

• 4.科技工作者最擔心的是對美國的網絡威脅

  • 這三個群體中超過75%的受訪者認為中國和俄羅斯是美國的嚴重威脅。

• 5.科技工作者支持使用軍事力量來抵御外來侵略

  • 調查受訪者強烈支持使用軍事力量保衛美國及其北約盟國免受外來侵略，近90%的參與者認為在這種情況下使用軍事力量是正當的。

• 6.硅谷的科技工作者與軍方沒有什么個人聯系

  • 不到2%的硅谷受訪者曾在美國軍隊服役。

  • 幾乎20%在國防承包商工作的軟件工程師以前曾在美國軍隊服役。

主要建議

• 1.應該探索各種機制，擴大國防部和硅谷之間在網絡作戰方面的合作，網絡作戰是人工智能的潛在應用，硅谷工程師將其視為重要的全球威脅。

• 2.應該探索擴大軍事作戰人員、國防部技術專家和硅谷科技人員之間的協同，以評估在組織之間建立更大信任的途徑。

• 3.應該探索國防部讓硅谷工程師參與國防部人工智能應用。

• 4.應該調查國防部和硅谷雇員共建共享的價值。

• 5.另一個潛在的富有成效的調查領域是評估各種類型的參與的好處，以幫助最具創新和經驗的美國人工智能專家了解國防部如何完成其任務，并發現他們的才能和專業知識如何有助于解決國防部和國家的問題。

摘要

基于人工智能 (AI) 實現的軍事情報(MI)自動化，在許多方面拓寬了情報收集程序和分析功能范圍。在當今的數字化世界中，每分鐘都以指數方式產生數據。世界各地的情報機構正在體驗新的信息維度，而這些信息在過去由于人類處理龐大數據集的能力有限而被忽視。人工智能/機器學習 (ML)的發展帶來了一種革命性的方法，可以收集大量數據并使用 ML 算法進行分析，從而為非戰時時期和戰時戰略、作戰和戰術指揮官生成各種情報信息摘要。為了應對傳統和非傳統威脅，基于機器學習的軍事情報數據收集和分析，將通過有監督、無監督、強化和深度學習方法進行，其中自動化程度通過人在回路和人在回路之外的方法確定。這些 ML 工具將有助于開發系統框架，能夠通過自適應學習技術感知和響應運行環境，從而從其經驗中學習，根據以前的學習和經驗適應不斷變化的環境。結合智能安全傳感器、監控無人機、地球觀測衛星、電子和虛擬源監控系統，可以增強軍事情報信息收集系統。數據分析和數據融合可以在信息源收集、存儲與處理、融合與分析、數據共享4層框架內，通過回歸、分類、時序分析、聚類分析、主題建模、協同過濾和關聯規則等方式進行。軍事云網絡和物聯網 (IoT)可以增強數據共享。與其他武裝軍種、相關部委、工程大學和商業利益相關者合作，將有助于制定未來的策略指南、研發、ML 算法開發計劃以及為各種基于 ML 的 MI 平臺和應用程序生產兼容的硬件。

1 引言

軍事情報 (MI) 是收集、解釋和向軍事指揮官傳播信息以協助其決策的過程。它研究廣泛的作戰環境，分析各種參與者，同步相關信息并監控非戰時、戰時正在進行的事件。隨著技術的進步，多源數據呈現多倍和多維度增加。這些數據來自戰略、作戰和戰術層面，包括政治、軍事、經濟、社會、商業、媒體和多背景職業人員。情報分析人員經常面臨從大量信息中得出適當結論的復雜任務。從可用數據中得出的假設不能被認為是結論性的，因為它無法通過最大程度收集的信息源進行驗證。由于生成的信息在時間和空間上是動態的，隨著形勢變化而快速演變；從一組信息中得出的結論通常需要驗證，由于處理如此大量的數據和信息的限制，有時甚至在給定的上下文中排除了驗證。此外，需要通過與其他來源的各種相關性分析，定期檢查來源的真實性，這對從這些信息中得出的假設有明顯的影響。

不可否認，由于各種來源的數據生成激增，在信息的收集、分析和相關性評估方面將有很大的改進空間。在收集和分析過程中使用人工智能 (AI) 和機器學習 (ML) 可能是未來最有效的方法。許多技術先進的國家正在用AI/ML改造他們的智能系統。因此，需要評估機器學習是否可用于情報信息的收集和后續分析，處理非戰時、戰時的海量數據流，以獲得戰場環境和當代全球形勢最準確的結論性圖景。

軍事情報是一個動態過程，這是由于各種參與者無處不在的活動，他們產生了連續的數據流。對數據進行評估和分析，將數據分發給利益相關者，采取適當的行動并監測相應的影響，這些都是不可分割的過程，可以通過機器學習系統驅動的自動化進行。此外，通過 ML 系統可以提高和更有效地運行指揮、控制、通信、計算機、情報、監視和偵察 (C4ISR) 系統的功能，其中集成系統可以從環境中學習，并根據迭代學習過程提出評估方法。因此，可以將軍事情報、偵察和監視集成在一個綜合指揮系統下，通過機器學習可以拓寬軍事視野。

2 軍事情報過程中機器學習模型的概念化

Shu-Hsien 等人（2003 年）強調了基于知識的未來軍事情報規劃系統架構。已經討論了許多應用 ML的系統架構和系統配置，其中介紹了自動和半自動分析方法的過渡。此外，還討論了一個具有假設系統實施策略的典型模型。

Prelipcien 等人 (2010) 強調了可用于分析和決策行為模型的各種 AI 算法。簡要介紹了神經網絡的應用、泛型算法、模糊邏輯和專家系統。一些模型描述了神經網絡可用于模式識別但在決策應用方面存在不足。泛型算法具有對環境動態適應的自學習原理，可廣泛用于開發多種決策方案。模糊邏輯被推薦用于基于輸入和期望輸出之間關系的決策規則。它有助于機動計劃和兵力分配，但缺乏具體的判斷決定。專家系統是基于知識規則進行識別和確定特定情況下的行動時間。并重點討論了各種算法模型設計的 ML 應用。

Dijk (2019) 在他之前關于國防應用中的 AI 和 ML 的會議上，為軍事情報分析方法編譯了許多 ML 模型。與實現研究目標相關的方法是無人傳感器和系統、使用 ML 方法對無人機進行聲學檢測、通過無人機系統進行態勢感知、可見光和熱光譜范圍內的視頻監控、用于視覺識別的神經網絡、用于行為識別的深度學習，提出了用于危險分類、信息提取和語義世界建模的深度神經網絡模型，和基于對象的深度學習多光譜圖像融合方法，應用于軍事情報分析。

Ahmed (2019) 強調了人工智能在孟加拉國 (BD) 武裝部隊監視領域應用的重要性。詳細闡述了 AI 實施路線圖架構，可用作探索預期目標的初始參考方案。調查已用于基于ML進行軍事情報分析框架的意見和指南。

Mitchell 等人（2019 年）討論了情報周期元素之間的相互聯系，并列舉了如何將 ML應用于情報周期的各個階段。通過人工智能實現自動化，所有情報機構都可以利用潛在的工作時間，這為情報機構在量化價值方面的效率加速程度提供了深入的見解。這為情報主體在情報過程中應用數學模型時的效率提供了定量比較。

中國（2017）強調了潛在的通用技術、支撐平臺和未來人工智能產業，以開發智能計算技術，用于未來人工智能驅動的重大科技項目。重要的是要發現知識計算技術是建立在自適應機器學習和分析推理技術之上的。其中，關鍵群體智能技術、跨媒體分析推理技術、知識計算與服務技術、混合增強智能架構、智能自主無人系統、智能虛擬現實技術、智能計算芯片與系統、自然語言處理技術，已成為探索未來軍事情報分析的重要創新。大數據智能理論、跨媒體感知理論、混合與增強智能理論、群體智能理論、自主協調與控制、優化決策理論、高級機器學習理論、類腦智能計算等學術研究發展規劃理論、群體智能理論和量子智能計算理論已被預測為 ML 應用于情報分析的指導學術話語。這些將通過機器學習為未來的軍事情報分析構建基于知識的架構。這些是基本的學術指導方針，持續發展將為 ML 用于軍事情報分析創建研發計劃。結合這一理論框架，Haridas(2015)提出了用于國家和軍事情報收集的大數據分析，基于大數據分析的情報可以為決策提供必要的支持。ML 被用作情報大數據分析工具，通過該工具可以實現威脅警報、社交媒體監控、信息挖掘、文檔分析和網絡安全監控。討論了基于大數據應用的情報收集系統的概念布局，其中可以對來自多個收集源的各種信息數據進行實時高級分析，以提供態勢感知、決策制定和戰斗評估。這些都為今后的研究和開發提供了較為詳細的理論概念。

Michael O'Hanlon (2019) 預測未來 20 年軍事技術將發生顯著變化，他專注于軍事技術的未來趨勢。在四類技術突破中，第一類是收集與軍事行動相關數據的傳感器，第二類是處理和分發這些數據的計算機和通信系統。預測了 2020-2040 年關鍵可部署技術的預計進展，其中顯示了傳感器和其他通信系統的部署概率。它對情報采集源、通信和信息處理技術的未來發展做出了清晰的預測。 Connable (2012) 強調了各種形式和格式的情報數據融合過程，并介紹了融合過程對于相關國家和國際參與者分析未來復雜環境的重要性。一個包含政治、經濟、軍事、社會和信息基礎設施的系統分析圖，解釋了信息流如何影響戰略和作戰重心，這驗證了未來情報數據收集和處理熱潮的顛覆性轉變。它描繪了融合的情報圖片如何更好地反映地面圖片，從而幫助情報人員了解復雜的社會-政治-軍事環境，并與大局建立聯系。因此，在未來復雜的作戰和戰略場景中，將在情報數據融合分析方面尋求范式轉變。

為了對來自不同來源的數據進行融合，Cruickshank (2019) 提出通過應用數據科學來開發軍事情報架構，為了從原始數據中提取知識的能力。建議使用 ML 和其他 AI 技術，數據科學將成為分析來自各種收集源結構化和非結構化數據的首選學科。在這方面，Kendrick (2019) 展示了一個在所有陸軍梯隊采用以數據為中心的框架。這允許在陸軍決策和執行的每一層面將數據科學有效地整合到陸軍情報中。數據科學工具可以自動化情報過程的復雜步驟，最終開發軍事情報數據庫。這些概念可以提供為軍事情報過程開發合適的 ML 模型。

Dopico 等人（2009 年）在他們的《人工智能百科全書》中匯編了大量關于當前人工智能技術發展的研究文章。在這些文章中，各種最新的智能系統建模、自適應技術、人工神經網絡、用于信息檢索的人工智能、認知建模、基于行為的神經網絡聚類、智能代理中的決策、面部表情識別程序、分層強化學習、自然語言處理程序、模糊邏輯系統的監督學習和群體智能方法模型，可以提供一個啟動框架，可用于說明 ML 如何用于解釋情報數據并將其轉換為可用信息。有了 ML 程序開發指南，對用于軍事情報分析的 ML 系統的研究和開發可能非常重要。

3 用于軍事情報分析的全球軍事機器學習應用平臺

機器學習是人工智能的一個子集，已被發達國家和發展中國家的軍隊廣泛用于其各種軍事應用和作戰平臺。 ML算法用于分析和學習數據（Bhatnagar，2018）。 ML 旨在通過分析示例和信息中有意義的關系和數據模式，來學習和調整其思維模式，這些示例和信息旨在以類似于人類認知邏輯的性質工作（Janiesch & Heinrich，2021）。在 2018 年美國國防戰略（Defense, 2018）中宣布，將人工智能作為未來打贏戰爭的關鍵技術，這已被美國（US）列為未來戰略。俄羅斯在 2017 年重申追求人工智能技術，因為俄羅斯總統公開宣布了其對未來軍事前景的立場（Simonite，2017）。中國在 2017 年發布了一項戰略，詳細說明了到 2030 年通過人工智能引領軍事技術的路線圖（Council，2017 年）。 Maven 項目是正在進行的領先的軍事 AI 實施項目之一，在伊拉克和敘利亞打擊 ISIS 的行動中，五角大樓通過算法戰跨職能團隊將無人機視頻轉換為可操作的情報，從而開始對 ML 進行軍事應用（WEISGERBER，2017 年）。

3.1 軍事情報流程的系統架構

軍事情報（MI）流程集成了情報、監視和偵察 (ISR)，ISR開發了情報發送 (IC) 流程。通常，它結合了空間數據庫、屬性數據庫、案例庫、規則庫和知識庫，MI 過程通過這些知識庫進行工作。軍事偵察是獲取有關敵對部隊和自身作戰利益地形信息的過程。軍事監視是根據偵察數據對活動進行監測，以便保持有關的最新情況 。MI 結合了分析偵察和監視數據，并將原始信息轉換為對當前和未來行動具有軍事利益的有用情報的過程（Liao 等人，2003 年）。軍事 ISR 的框架如圖 1 所示。

圖1:軍事ISR框架(Liao等，2003)

從圖 1 可以明顯看出，MI 的相互交織的過程列舉了每個過程都與其他過程相輔相成，并且任何過程中缺乏活動都會導致整個 IC 過程出現故障。可以通過自動化以最小的錯誤概率加速持續的協調、修訂、更新和執行。因此，最新的人工智能強化學習方法通??過人機協作將整個過程納入情報分析框架。

MI過程是通過使用管理信息系統（MIS）進行的，通過該系統處理顯性知識。但在當今世界，有大量的數據產生，包括物理數據和虛擬數據，有屬性數據庫、空間數據庫、案例庫和知識庫等多種數據庫。地理信息系統（GIS）和基于知識的決策支持系統（KBDSS）被用于整合決策支持和知識管理功能，以增強顯性和隱性知識庫。在這方面，提出了結合情報戰支持系統（IOSS）結構，通過混合推理策略完成豐富的知識表示，證明了其在生產決策系統中的適用性（Xia & Rao，1999）。該系統的運行基于從書面知識中學習、從問題解決中學習、從問題解決失敗中學習和從遺忘中學習。這稱為自適應和強化學習，它是 ML 的主要屬性和 AI 的核心功能。由于情報收集、積累、分析和傳播功能的動態特性，基于強化學習的 ML 功能正變得越來越流行，并且依賴于 MI 過程。

3.2 軍事情報流程的層次結構和配置

MI 流程的層次結構和配置大致分為三個層次（Liao 等，2003）。第一層由作戰和戰術情報收集組織和單位組成，其通過偵察和監視手段收集數據、圖片、信號和網絡信息。這些手段大致可細分為人類智能、信號智能、圖像智能和通信智能。第二層次對提供的數據和信息進行不同的情報分析。在此層面上，分別根據日常和緊急需求提供常規和特殊情報報告。常規情報的存檔是這一層面的重要組成部分之一，它會定期更新并根據需要進行檢索。第三層是經常提出智能化要求的用戶組織、上級指揮部和高層領導。他們還定期更新態勢感知以及具有作戰和戰術價值的特殊情況。

MI的作戰流程分為常規任務和特殊任務。在常規任務中，作戰注意力集中在基于常規和標準操作程序的基本情報收集上。有時限的特殊任務側重于從特定事件、情況和人員中獲取特定情報。因此，這兩個作戰過程都闡釋了如圖 2 所示的 IC。

圖2:軍事情報作戰流程(Liao等，2003)

廣義情報作戰流程建立在對第一層情報采集組織和單位采集的原始數據處理之上。將原始數據轉換為信息的過程是由隱性和顯性知識庫完成的。這兩種類型的知識庫之間存在核心差異。隱性知識是任何智力主體的經驗、邏輯思維和膽識的積累，本質上更多的是個人屬性(Oliver, et al., 1997)。它因人而異，并且根據此類知識庫做出的決定通常是出乎意料的，可能不是基于邏輯推理（Hedlund，1994）。盡管在某些情況下，隱性知識被證明是根據情報預測任何結果的合理正確方法。但另一方面，顯性知識基于教義基礎的規則、方法和技術，本質上更精確、清晰和結構化（Zhang & Griffith，1997）。此外，程序性知識是由顯性知識支持的標準操作程序（Anderson，1985）。

3.3 為什么ML是MI分析的擾亂技術

在當今的數字化世界中，人類處于大量數據中，這些數據正以指數方式增長。數據的多樣性、數量、速度、矢量和無處不在不僅擾亂了當今的作戰前景，而且忽視了對通過它所承載的信息解釋，從而危及國家安全。在“信息就是力量”的格言下，作戰部隊必須具備解讀這種不斷增加的結構化和非結構化數據的能力，并找到有助于促進非戰時、戰時情報數據庫發展的模式。世界各地的情報機構正在重新定位和重組其傳統的情報作戰方法，以適應動態數據流并準備分析大型數據集。很明顯，在未來的技術時代，情報前景必須拓寬，并依賴于收集和組織大部分自己感興趣的數據來可視化未來態勢。

一般情報作戰由五個相互關聯、相互依賴的循環組成。分別是計劃、收集、處理、分析和傳播 (PCPAD)。收集、處理和分析 (CPA) 階段至關重要，需要從技術方面加以重視，因為操縱和處理的數量已經超過了人類的能力。數據收集來源包括傳感器、航空系統、衛星、無線電信號、開源互聯網、社交網絡、不同的組織、代理、對手等等。這些數據在不同的時間和空間以不同的格式在不同的介質中以二進制數據的數字格式或書面和口頭數據的形式出現。因此，它需要一個通用的解釋系統，可以處理、存儲、解釋所有類型的數據格式，并可以制作通用的情報圖。

根據 Desjardins（Desjardins，2019 年）的說法，世界正在產生大量數據，如圖 3 所示。

圖3:2019年中一天的數據(Desjardins, 2019)

Bulao (Bulao, 2020) 總結了以下關于互聯網世界中通過信息高速公路產生了多少數據的細節。

表 1：通過信息高速公路生成數據（Bulao，2020）

這些是在非戰時時期準備情報數據庫時需要分析的數據量和數據類型，以便在需要的時候幫助提取必要的信息。此外，在過去十年中，非傳統安全 (NTS) 威脅仍然很高，并且已經成為新的安全問題。因此，需要每天開發、更新和監控針對 NTS 威脅的情報，以便及時了解由于參與者的不可預測行為而導致的任何即將發生的情況。在戰時，在活躍的戰場情景下，持續的偵察和監視是任何作戰活動必不可少的組成部分。在戰場環境中，這些來自各種來源的數據被添加到以前的數據庫中，從而產生海量的數據流，這是人類操作員使用傳統的收集、存儲和分析方法無法處理和組織的。在正在進行的 AI 技術時代，有監督和無監督 ML 被廣泛用于收集大量數據。使用 ML 的優點是它可以自主或半自主地訓練自己來整理 MI 所需的數據，這使它能夠用可用的模式標記數據。因此，機器學習系統可以輕松篩選數十億字節的數據并捕獲所需的數據類型，為機器學習創建有意義的信息。雖然機器學習應用于數據收集，但系統通過數據挖掘（Chan，2020）通過正確識別、定位、分析、集成、清理和存儲來準備數據。

3.4 ML 在 MI 中的全球軍事應用

在討論了 MI 流程和系統架構的廣泛結構之后，不同國家的軍隊一直在通過監督學習和強化學習關注隱性知識和顯性知識來開發和重新定位其 MI 流程。隨后，對各種正在進行的MI流程系統進行了徹底的重組，這些系統將在可預見的未來主導MI流程的制定。簡要討論了一些最近開發的用于收集和分析 MI 流程的自動化系統。

? 多域指揮和控制系統（MDC2）是集中式平臺之一，收集和分析通過傳感器從陸地、空中、海洋和網絡空間收集的原始數據。這些數據與中央系統的融合是為了創建一個單一的信息庫，從而為決策者創建一個通用的作戰圖（CLARK，2017）。

? 邊境監視系統（BSS），對邊境沿線的物體和人員進行自動監視。它由傳感器、網絡資源和數據庫組成，其中開發了算法來計算指標，從而為威脅提供預測值。它不僅可以估計威脅程度，還可以評估一系列事件的不確定性程度。貝葉斯推理、背書理論、模糊推理和 Dempster Shafer 理論與編程算法一起用于 BSS 的設計（Albertus C. van den Broek，2019）。

? 聲學探測器，是一種通過機器學習方法運行的主動探測系統，可以跟蹤和探測空中和地面中的小型微型物體。 ML 方法用于使用來自各種傳感器和雷達的實時數據來檢測和評估多種算法的性能。這可以將各種音頻特征與可聽和不可聽頻譜區分開來。基于 ML 的檢測算法可以剔除噪聲并通過作戰環境產生可用的情報（Alexander Borghgraef，2019 年）

? 通過增強技術在可見光和熱光譜范圍內進行視頻監控，采用深度神經網絡記錄和檢測紋理和熱圖像。卷積神經網絡是在自適應學習算法下設計的，通過從各種來源獲取傳感器數據并做出決策。它在長波紅外和可見光譜范圍內的大規模多光譜熱世界數據集中特別有用（Vanessa Buhrmester，2019）。

? 基于深度學習的行為識別已經應用于監控系統中的傳感器數據分析。該系統致力于識別人的異常行為并跟蹤具有特定行為模式的人員（Maria Andersson，2019）。該系統通過預設的人與人、人與物、人在特定環境的行為模式來分析不同的行為特征。這是在監督學習模型上設計的，其中具備不同的行為類別和模式，通過這些模型分析和檢查受試者的行為特征，以篩選和檢測所需的感興趣的人。

? 通過結合和分析不同的情報輸入，開發了基于語義世界模型的信息提取技術。這些情報輸入的形式有人力情報（HUMINT）、圖像情報（IMINT）、開源情報（OMINT）、虛擬源情報（VIRINT）等。通過使用數據驅動的機器學習機制和語義世界建模，將信息整合、處理、融合產生一個通用的情報。這些是基于深度學習方法面向結構化和非結構化數據開發的（Almuth Hoffmann，2019）。

3.5 用于 MI 分析的 ML 算法開發模型

ML 在國防、經濟、醫療保健、交通、航空、空間技術、商業等領域的應用領域已經具有較大發展。有趣的是，這些領域的應用成果可以加速國防應用的發展。對于 MI，這些 ML 算法可以用于探索未來的應用，這些應用已經在理論研究中或已經在實際工業應用中。在此基礎上，討論了算法模型及其在模型分析中的應用范圍：

? 從互聯網資源和通信媒體中檢索多媒體信息會在高維空間中產生大量數據。主動學習支持向量機 (ALVSM) 一直在開發以處理此類高維系統，因此可以作為 MI 數據收集和分析的基本系統 (Jiang & Horace, 2009)。

? 基于智能體的智能系統建模被開發用于感知和響應作戰環境，作為一個自適應系統來獲取和存儲信息，從其經驗中學習，通過自動化或半自動化控制，調整方向，適應變化的環境。通過自適應學習不斷修改規則，使系統在不斷變化和演變的環境中做出必要的決策輸出。智能體的工作原理是通過基于代理的建模 (ABM) 結合人類和基于機器的數據進行監控、傾聽和響應 (Tang, et al., 2009)。

? 環境智能 (AmI) 通過物聯網 (IoT) 無縫集成智能設備和基礎設施。它通過語音識別和圖像轉換集成了所有的采集和監視傳感器、智能系統、人、計算機和社會交互。該系統通過認知推理的直觀界面工作，并向智能體提供合適的策略選擇（Sadri & Stathis，2009）。

? 面部表情識別系統 (FERS) 用于識別人類情緒并捕捉大量圖像序列中的面部表情。人機交互解釋面部運動并分析情緒狀態（Dornaika & Raducanu，2009）。

? 數據挖掘和數據倉庫被廣泛用于管理和分析大型數據集（基于模式識別技術）。數據倉庫可用于存儲可在需要時檢索的數據。數據挖掘用于壓縮龐大的信息存儲庫。它是一個涵蓋大數據集、模式識別、機器學習、信息與控制理論、信息檢索、并行與分布式計算和數據可視化的多學科領域（Zhou，2003）。與 MI 分析最相關的數據挖掘活動可能是關聯、序列、分類、聚類和通過神經網絡、決策樹、回歸分析和基于記憶的推理進行的預測（Wang 等人，2009 年）。

? 帶有傳感器、AI 和 ML 的地理信息系統 (GIS) 生成數字地圖，其中輸入來自地面傳感器、空中平臺和衛星。它生成定制的便攜式地圖，其中包含實時和空間放置的更新對象以及用于檢測和跟蹤系統的準確地理坐標。圖像和對象處理是通過自適應和監督機器學習的深度挖掘建模完成的（Matheson，2020）。

? 基于傳感器的認知平臺通過廣泛的神經網絡系統中的各種數據和圖像收集傳感器工作。該平臺通過模糊邏輯和遺傳算法進行操作，形成專家和學習系統（Hamblem，2017）。

4 機器學習在軍事情報中的應用潛力

要在大局下開發完整的情報概要，顯然需要關聯和融合來自多個收集源的所有情報數據。基于機器學習方法的工具可以分為三類，例如監督學習、無監督學習、強化學習和深度學習。 Alkire (Alkire, et al., 2016) 將分析工具分類為啟用分析、執行分析和支持分析。啟用監督學習方法下的分析工具可幫助智能體快速、準確、完整地執行特定的分析任務。這種半自動化工具通過人機交互和人在環結構中執行分析任務。執行分析是替代智能體的全自動工具；從而在具有人外循環結構的無監督學習方法下運行。執行分析工具可以通過基于任務和基于周期的方式進行操作。基于任務的工具從情報代理中卸載指定的任務并自主完成任務。基于循環的工具完全無需人工??干預即可執行智能循環的所有步驟。強化學習和深度學習下的分析工具通過自適應學習運行，它通過知識管理數據庫、建模、模擬環境、人際協作、縱向和橫向協作來支持智能體。

數據合成是情報數據分析的重要步驟。其目的是將來自各種收集源的所有不同元素組合在一起，以開發單個事件和情況的情報摘要。這種合成一般分三個層次進行。初級階段是基礎分析和開發，其中匯總來自單一來源的數據以制作情報產品。這是關鍵基礎，因為到下一層次的合成鏈取決于此數據組合階段。高級分析和開發層次目的在于解釋多源數據，由于來自多個來源的數據量和類型，分析和開發變得更加復雜。與此層次并行，可以創建多源分析和多情報融合，以發現情報產品之間的關系，這可以被認為是更深層次的階段。這樣做主要是為了找出數據模式，以便可以預測任何情報事件的概率。最后一個層次是所有源分析，其中所有可用數據被融合和合成在一起，并在時間、地點和行為方面對目標進行更準確的預測。這種類型的分析需要一種整體方法來組合所有類型的數據格式，這可以通過監督學習 ML 方法較好地完成。

人機界面和人機協作是將機器學習納入 MI 的重要階段。在 MI 流程的自主化方面，人在環系統一直是首選。可以通過多個層次開發將 ML 納入 MI 流程。這些層級是相互關聯的，可以從總部放置到外勤單位，以促進各種來源的信息流動。

4.1 第 1 層（數據來源）

第 1 層將主要包括人力、機械和電子來源。可以放置傳感器、無人機、衛星和雷達，以全天候收集來自全國各地和感興趣區域的圖像源，以用于作戰目的。傳感器是靜態設備，低成本設備，可以很容易地放置在感興趣的地方。傳感器之間可以建立局部連接，其中圖像數據可以收集在全國分布式服務器的數據庫中。此數據存儲功能將在第 2 層（存儲和處理）中進行協調，其中可以在中央數據庫中收集、分類和篩選來自傳感器的所有圖像數據。無人機和衛星分別是可以探測、跟蹤和定位靜止和移動物體的戰術和戰略設施。無人機可以將圖像數據發送到本地和中央數據庫，而衛星數據可以發送到中央數據庫。由于衛星范圍超出國家邊界，它可能用一個單獨的數據庫用于外部圖像存儲。雷達是靜態檢測系統，可以檢測飛行物體、移動物體。這些圖像數據可以通過光纖網絡直接存儲到中央數據庫。

圖4:第1層(數據來源)

智能安全傳感器、無人駕駛航空器（UAV）、地球觀測衛星（EOS）以及電子和虛擬源的功能

非戰時監視是 MI 部門的主要職能之一。為此，除了人工收集信息外，傳感器、無人機和地球觀測衛星（EOS）也可以在收集大量數據和信息方面發揮重要作用。

? 智能安全傳感器

智能安全傳感器是構建 MI 采集系統的關鍵元素。靜態的、通過物聯網(IoT)互聯的傳感器，可以在國家邊境形成一個大型監控網絡系統。它們可以執行各種功能，包括環境監測、武器控制、通信和信號攔截、監測軍事行動、犯罪檢測、入侵檢測、NBC 檢測等。有多種類型的傳感器可用 MI 目的。有源傳感器通過自己的輻射源發揮作用??，該輻射源在電磁頻譜的微波和無線電波長區域工作。它支持包括運動檢測和入侵檢測在內的各種 ML 算法。這些都是通過ML算法下的自動提取過程，從復雜的噪聲頻譜中處理無線電信號。智能傳感器通過強化學習機制發揮作用，這是一種多功能、自我診斷和自我補償的裝置。這些是由具有更高處理芯片的高分辨率圖像傳感處理器構建的，可以將數據從遠程站快速傳輸和共享到中央數據庫或本地數據庫。短波圖像輻射機制已證明它是用于 MI 目的的精密和可靠傳感器之一。微機電系統 (MEMS) 傳感器通過機電傳感器發揮作用，小型化機電傳感器尺寸，因其在短時間內快速部署而廣受歡迎。這些是在崎嶇不平地形和環境中長時間工作的理想傳感器。視覺解釋數據生成過程使其成為值得信賴的軍事檢測傳感器之一。納米傳感器被認為是用于 MI 的最先進技術。它們耐用、堅固、重量輕，并通過自適應學習算法工作。這些新興技術通過創建本地虛擬云網絡來共享數據。這些在難以接近的地形配置中提供了更好的連接性，該配置通過認知學習方法和通過增強現實 (AR) 界面進行工作（Electronicsforu，2018 年）。

? 監視無人機(UAV)

監視無人機(UAV) 是收集難以接近和易受攻擊的地形圖像和視頻數據的基本系統之一。由高分辨率計算機視覺和圖像處理技術建模的移動對象檢測和跟蹤 (MODAT) 框架，用于創建地理空間地圖和其他圖像文檔。對地形物體的監測、對運動物體的跟蹤和實時位置數據的更新，有助于對感興趣區域進行24小時監控。它們獨立運行，集群工作，分散方式通信，以確保最佳的安全性和應用靈活性。自動化 MODAT 框架在圖像對齊、運動檢測和對象跟蹤等三個模塊下運行。圖像數據的大量計算是基于強化學習的各種圖像處理算法進行的（Ibrahim等人，2010）。

? 地球觀測衛星

地球觀測衛星(EOS) 是一個覆蓋廣泛地形的寶貴情報收集系統，因此可以作為任何軍隊的戰略資產設施。 EOS可以從不同高度觀察獲取地形衛星圖像并將其發送回中央控制站。經過適當處理后，這些圖像可以通過機器學習研究地形配置模式的變化，并為潛在的越境入侵提供警報。對衛星圖像進行采集、存儲、處理和解釋的整個過程都是由各個ML算法模型自主完成的。

? 電子和虛擬來源

除了其他傳統和現有的情報來源之外，電子和虛擬來源對 MI 至關重要。數字簽名和潛在信息出現在各種電子媒體和虛擬信息高速公路（互聯網、社交媒體網絡和其他媒體資源）中，可以對任何即將發生的情況建立 360 度的視角和評估。通過有監督的算法建模框架來強化人工智能學習，可以從這些媒介中提取所需的信息。這需要人工的持續監督，可以通過監督學習程序來實現。互聯網上的電子資源是 ML 在檢測和提取所需信息方面發揮重要作用的主要信息來源之一。它可以通過自動化過程對所需信息進行分類和收集，由于數據量大，情報人員經常忽視這一過程。潛在情報來源包括互聯網網站、社交媒體平臺（Facebook、Twitter、Instagram 等）、視頻共享平臺（YouTube、Vimeo、TikTok 等）、新聞門戶（國內和國際）、媒體頻道（國內和國際）。這些來源的數據通常以非結構化的圖像和語音數據格式出現。外交機構是提供該國家最近在政治、經濟和軍事方面發展情況的真實來源之一，這些發展通常以結構化的形式出現。全球軍備合同和交易細節可以提供潛在對手的最新軍備能力。這些主要是結構化數據，收集來源通常需要在第 2 層進行驗證。除此之外，各種軍事技術開發計劃可能是了解未來軍事發展趨勢的最重要來源。這些數據采用結構化格式，通常需要在第 2 層進行驗證。

? 人力情報

人力資源仍將是最重要的信息來源，正如孟加拉國陸軍所流行的那樣。人力情報（HUMINT）可以通過各種人力和其他來源收集。這些可以分為常規、非常規、專業、按需和共享 HUMINT。常規 HUMINT 是從一般收集來源收集的，這些來源經過培訓并符合常規就業原則。從需要定期驗證的來源收集非常規的 HUMINT。這些來源必須符合個性配置文件下第 3 層中設置的驗證參數。專業的 HUMINT 是從高度機密的來源收集的，這些來源通常在感興趣的地方處于休眠狀態，基于自驅動機制收集信息。專業的來源通常在放置之前進行驗證，但需要與在第 3 層中執行的活動模式相匹配。 按需HUMINT 是常規 HUMINT 的擴展，其中來源通常在特定情況下放置在特定的時間范圍內。共享 HUMINT 是經常從其他組織按需或出于共同目的收到的共同情報。 HUMINT 的模式有書面、口頭和編碼格式的數據。這種結構化、半結構化甚至非結構化數據可以通過數據挖掘、NLP 和文本分析方法進行分析。非結構化信息管理架構 (UIMA) 可用于第 2 層，以處理半結構化和非結構化數據并創建通用結構化數據庫。

4.2 第 2 層（存儲和處理）

在第 2 層中，將協同進行數據存儲、數據處理、數據流、數據處理硬件。來自各種來源的數據可以存儲在分散的服務器中，該服務器可以將數據傳輸到中央數據庫。按需數據也可以通過軍用云網絡進行提取。數據處理可以通過 ML 算法進行。對于結構化數據，監督學習系統可以在有限的自主性下使用。對于圖像和語音數據，可以使用強化學習，使其可以從環境中學習，并可以繼承具有情境經驗的自適應配置。 NLP 可以應用于各種語音識別、語音解釋和語音定向。數據存儲可以通過大數據框架內的神經網絡來實現。數據流可以通過安全的光纖網絡進行。此外，機械采集源可以通過物聯網互連，從而可以即時和集中地執行數據流和設備控制。

圖5:第2層(存儲和處理)

基于機器學習的情報數據處理

通過各種收集源獲得的數據將形成大數據。不斷變化的數據結構需要基于ML的數據處理算法，這是一個不斷發展的研究領域。 ML算法對數據的處理是通過數據選擇（結構化、半結構化和非結構化）、數據處理、數據轉換、數據輸出和最終數據存儲來進行的。在不斷發展的數據科學領域，有多種 ML 算法方法。其中，回歸、分類、時間序列分析、主題建模、聚類分析、協同過濾、關聯規則和降維很流行，并在軍事和商業中得到廣泛應用（Bhatnagar，2018）。在使用 ML 算法進行數據處理時，可以采用三種學習類型的 ML 技術。被廣泛使用的 ML 的三個子領域是監督學習、強化學習和自動/無監督學習。在 ML 的這些子領域中，監督學習（神經網絡、貝葉斯網絡、樸素貝葉斯、支持向量機和馬爾可夫模型算法）用于對數據處理任務進行分類和估計。強化學習（Q-Learning、R-learning、TD 學習和 Sarsa 學習算法）用于從情報數據集中開發決策任務。無監督學習（k 均值、高斯模型、X 均值和 Dirichlet 過程模型算法）的主要功能是通過對形勢趨勢分析來產生數據聚類，以做出未來的預測事件（Bhatnagar，2018）。處理和分析各種來源生成的情報數據需要使用大數據框架。在眾多大數據處理框架中，Hadoop 框架最適合 MI 分析（Chowdhury，n.d.）。

4.3 第 3 層（融合和分析）

第 3 層通過融合各種數據集發揮作用，從而可以開發人格剖析模型、決策模型、動態情境模型和綜合預警 (EW) 系統。結合HUMINT，收集、協作和融合個人在社交網絡（OSN）和其他網站中的互動，創建軍事和非軍事感興趣者的內部動態人格檔案。這類人員的選擇范圍可能包括敵人的軍事和非軍事領導層以及非傳統威脅集團的嫌疑行為者。根據 (Souri, et al., 2018)，艾森克三因素模型（精神病、外向、神經質 (PEN) 模型）、大五模型和另類五模型被廣泛用于描述人格概況。為此，可使用樸素貝葉斯、決策樹、神經網絡和支持向量機等 ML 算法來分析在線數據集。

基于強化學習，可以實現定期更新和重構的人格輪廓。根據一個人在不同情況下的各種行為反應所形成的一系列人格特征，編制了人格模型。這種個性模型將被廣泛用于開發大量決策模型，這些模型將成為戰略和作戰領導力的重要成分。類似地，基于某種情況下的各種活動，可以將活動元素的組合以隨機方式融合在一起，以預測即將到來的情況。因此，情景元素的融合將利用機器學習的自適應學習方法構建動態情景模型。所有這些模型將有助于創建關于相關人員和任何情況的綜合電子戰，特別是高級領導和一般部隊。

圖6:第3層(融合和分析)

MI 數據融合的特點

? 數據融合是機器學習將所有類型的數據處理成可用的格式，并為當前和未來情況準備統一圖景的方法。 ML一般通過數據的不不完整、數據的關聯、數據的不一致性和數據的分散性來進行這種數據融合。數據融合是處理多源數據和信息的集自動檢測、因果、關聯、估計和組合的多層次、多方面的過程（F.E.White，1991）。它是信息從不同來源和不同時空點轉換的過程。該過程提高了檢測能力和可靠性，減少了數據模糊性，并擴展了從國家邊界到興趣點區域的空間和時間覆蓋范圍。JDL模型是軍事領域中最常見、最流行的融合模型之一，它基于輸入的結構數據，通過對象、影響、情境和過程細化四個不斷增加的抽象層次產生輸出。 JDL 模型主要側重于輸入輸出數據，而不是處理。相反，Dasarthy 的框架允許輸入/輸出數據流和功能處理（Dasarthy，1994）。基于全球、區域和國家層面事件的不確定性，MI 通常需要適應隨機數據集。根據這些隨機數據集構建大量決策模型將很有用。在這方面，Goodman (Goodman, 1997) 隨機集就是一個非常有用的過程，它具有結合決策不確定性以及呈現不確定性選項的一般模式能力。

? 用于 MI 數據轉換的數據融合技術必須經過魯棒的自適應編程框架，以解決數據類型的不完善、數據類型的多樣性、傳感器技術的多樣性以及操作環境的性質和類型。

? 數據融合算法需要能夠承受智能體和傳感器從現場收集的不完美、不精確的數據類型。它還應該能夠導出冗余數據，從而減少測量中的噪聲。

? 數據融合系統應該能夠避免反直覺的結果，并且能夠以適當的注意力處理高度沖突的數據，從而消除決策錯誤的增加。

? 數據融合方案應該能夠同時處理同質和異構數據，如音頻、視頻、無線電信號和其他形式的信號源。

? 數據融合系統需要通過傳感器注冊來克服由單個傳感器模式引起的校準誤差。該處理可以集中式和分布式兩種方式完成。分布式融合過程在必須建立無線傳感器網絡的偏遠地區非常有用。

? 數據融合方法應針對多個時間尺度，以處理傳感器接收和發送數據的多個時間尺度變化。由于數據流通過的路由是可變的，因此可能存在數據亂序到達的可能性。為了解決這種性能變化的潛在缺陷，融合中心應該具有分布式融合設置。

? 融合過程必須通過強化學習方法進行操作，以便能夠快速適應變化并相應更新。

數據融合方法

實時數據融合系統將面臨許多挑戰，因為該方法仍在探索中。主要挑戰來自非結構化、不完整和不精確的數據。很明顯，MI 數據永遠不會具有完整的結構化格式，因為預測的來源包括人類傳感器、無人機、衛星和其他虛擬和在線平臺。 Khaleghi (Khaleghi, et al., 2011) 描述了數據融合系統中的幾個與數據相關的挑戰。數據融合方法的分類如圖 7 所示

圖7:數據融合方法的分類(Khaleghi等，2011)

無論數據結構如何，ML都可以使用數據融合算法，在多個數據模型中創建數據結構，以滿足MI的各種需求。其中，數據不完備性是數據融合系統面臨的最基本的挑戰，主要表現為不確定性、模糊性、不完全性和粒度性。有許多建議的不完善的數據融合框架來解決這些限制。流行的數據融合框架是概率、證據、模糊推理、可能性、粗糙集理論、混合和隨機集理論融合。該框架具有處理數據不確定性、模糊數據融合、模糊數據處理、不完整數據處理和不完整數據融合的能力。

4.4 第 4 層（數據共享）

第 4 層是數據共享平臺，將與內部和外部利益相關者共享完整的態勢模型和集成電子戰信息。這個集中的數據共享平臺將連接到所有編隊指揮部，使態勢感知可以即時到達。這些可以通過具有單獨通信集線器的光纖網絡連接到其他組織和利益相關者。

圖8: 第4層(數據共享)

軍事云計算在MI融合中的應用

軍事云計算(MCC)可以為通用情報數據和資源提供方便的按需共享網絡訪問。 MCC 至關重要的可訪問性功能使其可靠、耐用且安全，具有軍事級別的網絡攻擊保護。它將為所有情報大數據和其他資源提供一個動態的資源池和存儲設施，以便任何情報人員可以在世界任何地方隨時訪問它，同時可以在任何地方、時間上傳各種數據。這樣，MI 資源可以 24 小時共享和訪問。 MCC 可以在 4 層單獨的分散功能中構建。 Cheng & Liao (Cheng & Liao, 2011) 將它們命名為資源層、面向服務的架構層、面向服務的工具層和云計算應用層。資源層將保存所有的物理資源和邏輯資源。物理資源包括存儲配件、網絡設備、物理數據庫配件、服務器等。邏輯資源包括應用軟件和其他相關軟件。面向服務的架構層執行情報服務、通用服務和專業服務的資源共享。面向服務的工具層提供用戶接口和訪問接口，進行仿真建模和調試加密數據。

用于情報數據傳輸的軍事物聯網

軍事物聯網 (MIoT) 將是一個新興且必不可少的系統，用于連接同一軍用級網絡下的所有設備、傳感器、無人機、衛星和其他采集設備。它將人和機器互連在一起，促進人機協作。 MIoT將由除了采集設備之外的所有軍事平臺組成，因此也可以傳遞執行部署指令。這不僅允許信息不斷地流入中央數據庫，而且還將流出的信息傳播給最終用戶。

5 建議

基于上述關于將機器學習納入 MI 過程的各種因素討論，提出以下建議：

? 除了傳統的 MI 收集源之外，還可以在感興趣的領域中加入基于機器學習的收集源。

? 可引入數據融合中心，對各類數據進行組合融合，形成統一的情報圖。

? 可以與工程機構、政府機構和相關行業合作啟動研發，以幫助推動機器學習算法和配套硬件的自主創新和開發。

? 可規劃ML算法開發時間線及相關MI應用平臺，將MI過程向人機協作轉變。

? 可以在 MI 框架內引入情報層級框架，以便協同實現自動化。

? 必須通過充分更新的防火墻系統確保每一層來源的信息安全。

? 在 MI 流程的每一層都需要確保備份數據存儲。

6 總結

機器學習是人工智能的一個子集，已被發達國家和發展中國家的軍隊廣泛用于各種軍事應用和作戰平臺。為支持這一趨勢，發達國家通過機器學習重新定位其情報收集和分析過程，以更深入地了解情況并從各個角度進行分析。軍事ISR的框架包括空間數據庫、屬性數據庫、案例庫、規則庫和知識庫，這些過程相互交織。在機器學習應用的情報分析框架中，可以通過自動化以最小的錯誤概率要求人機協作，來加速持續的協調、修訂、更新和執行。地理信息系統（GIS）和基于知識的決策支持系統（KBDSS）被用于整合決策支持和知識管理，以增強顯性和隱性知識庫這兩種形式的情報知識方法。結合智能作戰支持系統（IOSS）結構，通過混合推理策略完成豐富的知識表示，證明了其在決策系統中的適用性。 MI的層次結構和配置大致分為三個層次；第一級由作戰和戰術情報收集組織和單位組成，第二級對收集組織和單位提供的數據和信息進行不同的情報分析，第三級是用戶組織，上級總部和高層領導經常對情報提出要求。第一級和第二級的數據收集和分析步驟可以通過結合基于人工智能的功能系統來實現自動化。

ML 在 MI 中的全球軍事應用的最新發展范圍，包括多域指揮和控制系統 (MDC2)、邊境監視系統 (BSS)、聲學探測器、視頻監視、基于深度學習的行為識別，及通過語義世界建模進行信息提取。這些系統或技術通過使用監督、強化和深度學習方法，來分析來自人力情報 (HUMINT)、圖像情報 (IMINT)、開源情報 (OMINT)、虛擬源情報 (VIRINT) 和許多其他來源的信息。用于 MI 分析的 ML 算法模型已經開發出來，該領域的一些重要成就是主動學習支持向量機 (ALVSM)、基于智能體的智能系統建模、環境智能 (AmI)、面部表情識別系統 (FERS)、數據挖掘和數據倉庫、帶有傳感器的地理信息系統 (GIS) 和基于傳感器的認知平臺。

MI 的收集、處理和分析 (CPA) 階段至關重要，需要從技術方面予以重視，因為操縱和處理龐大的數據量已經超過了人類的能力。數據來源的類型包括傳感器、航空系統、衛星、無線電信號、開源互聯網、社交網絡、不同的組織、代理、對手等等。在非戰時時期，非傳統安全 (NTS) 威脅在過去十年中一直居高不下，并已成為新的安全問題。在戰時，在活躍的戰場情景下，持續的偵察和監視是任何作戰活動必不可少的組成部分。在戰場環境中，這些來自各種來源的數據被添加到以前的數字數據庫中，從而產生大量數據流。 ML 系統可以輕松篩選數十億字節的數據，并捕獲所需的數據類型，為 MI 創建有意義的信息。當機器學習應用于數據收集時，系統通過正確識別、定位、分析、清理和存儲來準備數據。有各種 ML 方法利用復雜算法和預測建模來進行數據分析以預測未來的結果。監督學習適用于訓練和測試數據集，其中訓練數據集可用于 MI 智能體訓練 ML 系統。無監督學習用于查找數據集中的數據結構模式。強化學習使用復雜的算法從其經驗中學習并重新設計其程序以分析預測情況。深度學習通過人工神經網絡發揮作用，其中數據保存在多個層級中，以便通過可變數據接口層使用。在 MI 的自動化中，發現 AI的應用在 MI 過程的處理和分析階段帶來了最大影響。因此，機器學習的內在價值將為 MI 組織促進和利用“自動化紅利”，以便人類可以將節省的時間用于其他高優先級任務。

非戰時監視是 MI 部門的主要職能之一。除了手動和人工收集信息外，傳感器、無人機和 EOS 還可以在收集大量數據和信息方面發揮重要作用。智能安防傳感器可以通過物聯網互聯，可以形成跨越國界的大型監控網絡系統。監視無人機 (UAV) 是通過移動目標檢測和跟蹤 (MODAT) 框架收集無法訪問和易受攻擊的地形圖像和視頻數據的基本系統之一。地球觀測衛星 (EOS) 是一種覆蓋廣泛地形的寶貴情報收集系統，因此可以作為任何軍隊的戰略資產設施。通過監督算法建模框架來強化人工智能學習，可以從電子和虛擬資源中提取所需信息。 ML算法對數據的處理是通過數據選擇（結構化、半結構化和非結構化）、數據處理、數據轉換、數據輸出和最終數據存儲來進行的。用于情報數據處理的 Hadoop 框架作為大數據框架執行，用于處理和分析從各種來源生成的情報數據。數據融合是 ML 將所有類型的數據處理成可用的格式并準備好當前和未來情況的統一圖景的方法。 ML一般通過數據的不完善、數據的關聯、數據的不一致性和數據的分散性來進行數據融合。在各種融合系統中，Joint Director of Laboratories (JDL) 模型、Dasarthy 框架和 Goodman 隨機集執行各種數據融合、特征融合、決策融合和信息融合。流行的數據融合方法涵蓋了概率、證據、模糊推理、可能性、粗糙集理論、混合和隨機集等多種理論。數據合成是情報數據分析的一個重要步驟，它可以將來自各種收集源的所有不同元素組合在一起，以開發單個事件和情況的情報摘要。軍事云計算（MCC）的動態資源池和所有情報大數據及其他資源的存儲設施，可以為通用情報數據和資源提供便捷的按需共享網絡訪問，讓任何情報人員可以在世界任何地方的任何時間訪問它，同時可以在任何時間上傳各種數據。

數據收集、數據存儲和處理、數據融合和分析以及最后的數據共享四個層次的功能，可以通過監督和強化學習方法開發。這將允許全方位擴展 MI 的范圍，并且可以監視感興趣的物理和虛擬區域。因此，ML 的應用將促進 MI 收集和分析過程的自動化，以便可以查看自己興趣點的所有情況，并且戰略、作戰和戰術領導者清楚接下來會發生什么。

作者

Nizam Uddin Ahmed 中校, 在孟加拉國國防學院擔任高級研究員。他對國防技術發展有著廣泛的興趣。他在 Springers、Mirpur Papers 和 NDC 期刊上發表了多篇論文。目前，他正在研究將人工智能納入武裝部隊的可行性，并開發各種深度學習模型。