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

本文介紹了海軍戰斗管理系統（CMS）的架構，該系統考慮了電子戰（EW）與人工智能（AI），以應對現代高超音速和低可觀測性威脅的戰斗環境，在這種環境下，反應時間可能很短，需要自動化。它使用一個反制案例研究作為數據需求，通過拍賣傳感器任務分配、人工智能流程和數據融合實現認知復合傳感。論文還強調了已發布的關鍵認知電子戰能力，以證明該架構的合理性。該架構的目標是用高反應時間的自動化人工智能認知決策器（DM）取代人類決策者。

在電子戰（EW）中應用人工智能（AI）時，它不僅要有助于決策者（DM）的態勢感知（SA），還要滿足點、面、區防御以及反目標活動的需要。電磁頻譜非常密集，有許多通信和雷達發射器。因此，將人工智能應用于能夠滿足 DM 需求的預警系統是一項挑戰。因此，它必須能夠分揀出感興趣的信號（SoI），如部隊信號和與指定任務無關的信號。這項工作的基礎是 “常規戰爭 ”中的反導反應，以便與傳統交戰進行更直接的比較。影響反艦導彈（ASM）成功與否的一些主要因素包括雷達截面（RCS）、紅外截面（IRCS）、視覺和紫外線（UV）特征。因此，目標艦艇的特征是決定被動軟殺傷反導措施（也稱為伎倆）性能的重要因素。不過，反艦導彈也可以使用主動雷達尋的來瞄準和跟蹤。因此，射頻（RF）和微波（MW）的截面特征以及光學輻射量子（或光子）、縱橫角和機動中的縱橫率都非常重要，并對其產生戰術影響。因此，現代作戰環境在處理電磁頻譜方面面臨挑戰，而人工智能自動化和自主化是應對這一挑戰的理想方式。

A. 動機、方法和局限性

本文描述了一種結構，其中包括使用箔條和干擾器的軟殺傷；使用導彈、火炮和火控系統的硬殺傷；以及用于跟蹤目標并協調軟殺傷和硬殺傷反應的指揮控制系統。本文僅限于假設反艦導彈在海上滑行時使用射頻主動雷達尋的進行瞄準和跟蹤。因此，這項工作的重點是信號管理、大型目標艦艇的規避機動、艦載被動型誘餌系統（如箔條和反射器）在反艦導彈跟蹤方案和交戰環境（包括風速和風向）方面的作戰性能。擊敗導彈威脅的一個基本因素是反應時間；隨著高超音速時代的到來，時間因素成為反應殺傷鏈的決定性因素。潛在導彈平臺的識別標準至關重要；它們將使精確打擊成為可能，并迅速讓反導系統消除發射平臺的威脅。由于反導彈連鎖反應的時間很短，人腦無法在短時間內計算大量信息并決定反應的類型，要么硬殺傷，要么軟殺傷，要么兩者兼而有之。因此，人類 DM 條令理論無法在遙遠的未來背景下使用，因為它要求對情況的分析速度、識別速度、對威脅的即時反應速度，以及在人類頭腦的指揮鏈中進行計算和決策，因此無法提供所需的反應時間。本文的最后一部分介紹了有助于加快平臺保護速度的體系結構，以定義 CMS 中的設備連接，以及一些已公布的關鍵技術。

B. 論文結構

第 1 節是引言、動機、方法和論文結構。第 2 節提供了需要架構支持的硬殺傷和軟殺傷的常規條令示例戰術和反制方法。第 2 節還介紹了軟殺傷反制方法的主動、被動和組合方法。此外，第 3 節是一個使用箔條和機動的交戰實例，展示了所需的關鍵數據。第 4 節介紹了所提出的人工智能/預警技術架構。最后，第 5 節是結論。

第一人稱視角（FPV）無人機已成為戰爭中的主要干擾因素，顛覆了人們對優勢兵力的假設。

圖：手持 FPV 無人機的 501 陸戰隊步兵。圖片：烏克蘭國防部。

武器化的第一人稱視角（FPV）無人機是單向攻擊武器嗎？嚴格來說不是。FPV 的使用在 2023 年呈爆炸式增長，因為其設計形式比傳統的民用四旋翼無人機更便宜，也更容易大規模生產，并配備靈活的炮塔式傳感器。FPV 格式正越來越多地應用于非單向用途。例如，烏克蘭的 “狂蜂”（Wild Hornets）非營利組織率先推出了可重復使用的俯沖轟炸無人機，這種無人機可釋放 5 磅重的彈藥，通常可執行 10 到 30 次任務，然后才會丟失。

"大黃蜂"重型 FPV 多用途四旋翼飛行器

烏克蘭 Wild Hornets 組織根據烏克蘭第 54 機械化旅指揮官的要求，經過三個月的瘋狂研發，研制出了 15 英寸機身的 Queen Hornet（“大黃蜂女皇”）。其目的是填補小型 FPV “自殺式”轟炸機和昂貴的 “巴巴亞加 ”重型轟炸機之間的空白。首選目標：可抵御小型 FPV 彈藥的堅固陣地。

但作為一種超大型 FPV，“大黃蜂女皇”21 磅有效載荷已被證明可用于許多其他用途。其有效載荷能力可用于戰場投送任務、遠程布雷、15.5 英里射程的通信中繼，還可作為無人機運載工具，攜帶兩架 FPV 無人機，將打擊范圍擴大 70-80%。這使較小的 FPV 有可能接近更有價值的目標，如火炮和防空系統。Wild Hornets 使用三分之二的本地組件制造“大黃蜂女皇”，每架售價 1000 美元，到 2024 年 7 月將交付 100 多架，還有同樣數量的 “女王大黃蜂 ”正在組裝中。有效載荷能力兩倍的第二代 “大黃蜂女皇”正在研發中。

圖：FPV 無人機攔截俄羅斯 Supercam S350。圖片： 烏克蘭國防部。

烏克蘭的電子展革命

到 2023 年末，俄羅斯的 FPV 產量開始大幅超過烏克蘭，有可能扭轉烏克蘭的主要優勢。但在冬天，俄羅斯和烏克蘭的說法都表明，烏克蘭無人機操作員以某種方式實施了新的戰術和技術，以俄羅斯無法比擬的方式大幅減少了電子戰（EW）造成的損失，恢復了烏克蘭的優勢。

技術解決方案在多大程度上促成了這場革命仍然是個秘密，但俄羅斯人的說法表明，烏克蘭的戰術和組織改革發揮了很大作用。

CNAS 分析師塞繆爾-本戴特（Samuel Bendett）在寫給 IUS 的信中說："烏克蘭無人機仍然受到俄羅斯系統的干擾。但烏克蘭情報部門很可能能夠識別俄羅斯的干擾頻率，并'繞開它們'飛行，或者低于或高于它們。”

據報道，烏克蘭無人機操作人員以某種方式開始每隔幾周對無人機控制頻率進行協調更改。當俄羅斯預警機操作員意識到這一變化并重新調整干擾頻率時，烏克蘭的另一個頻率變化又會出現，貓捉老鼠的游戲繼續進行。

雖然俄羅斯的預警機仍會造成損失，但據稱其有效性已經降低。與此同時，據報道，俄羅斯龐大的 VT40 FPV 無人機庫存顯示出了有限的頻率演進能力，至少可以暫時躲避烏克蘭的干擾，這讓競爭對手俄羅斯 FPV 制造商嗤之以鼻。

致命的新型無人機有效載荷

噴射鋁熱劑的“龍式”無人機： 9 月初，多支烏克蘭部隊發布了視頻，視頻中顯示梟龍無人機向俄軍塹壕噴射火云和煙霧--實際上是熱敏燃燒彈--持續時間長達 20 秒。這種攻擊不太可能造成直接傷亡，但可以點燃俄軍防御陣地用來掩護撤退的樹線。僅一周后，俄軍就用自己快速簡易的“龍式”無人機進行了反擊，但效果并不明顯。

觸發壓力地雷的震蕩炮：俄方稱烏克蘭部署了 Artemida 地震脈沖發生器，可發出模仿腳步聲的聲波脈沖來觸發獵人集束地雷。

機載地雷探測器： 無論是在戰術上還是在戰后長期，排雷都給烏克蘭帶來了棘手的問題。將無人機應用于雷區探測/偵察的實驗越來越多，既可以利用計算機視覺和圖像匹配進行光學探測，也可以使用傳統的金屬探測器，如 Bravel ST1。

飛行克萊莫地雷：傳統上，克萊莫地雷安裝在彈體上，一旦啟動，彈片就會以 60 度的弧線向敵方發射，造成致命傷害。烏克蘭已組裝了可飛行的克萊莫無人機，可在對峙狀態下使用這種地雷進行攻擊，其仰角優勢甚至可對戰壕掩體后的部隊進行大面積向下殺傷攻擊--俄羅斯也測試過這種地雷，但尚未觀察到使用這種有效載荷的情況。它們落在掩體入口附近，以伏擊任何出來的人。

中世紀風格的三角釘（Caltrops）：視頻顯示，烏克蘭無人機在夜間飛到俄軍防線后方，向補給道路上噴射數百枚帶刺的三角釘彈--這種武器可追溯到古代，用于絆倒騎兵，現在則被用來撕碎輪胎。第二天，俄羅斯社交媒體賬戶對后勤車輛的高減員率表示遺憾，稱炮兵和自殺式的 FPV 瞄準了無法動彈的輪式車輛和縱隊。無人機-三角釘（Caltrops）組合是 2019 年在中國舉辦的一次博覽會上首次提出的。

熱壓無人機： 溫壓武器對密閉空間內的人員殺傷力極大，烏克蘭在無人機上安裝了溫壓武器，用于摧毀被遺棄的車輛，最近還用于殺傷建筑物和防御工事內的部隊--通常是先用雷管彈藥在屋頂上炸開幾個洞。爆炸導致建筑物倒塌或從內向外瓦解。

無人機布雷： 重型垂直升降無人機和 UGV 越來越多地承擔起掃雷任務，既在無人區的前進道路上掃雷，也深入敵后 9 英里，攔截用于補給和增援的道路。

反坦克制導導彈（ATGMs）： 反坦克導彈的設計目的是飛得更遠并殺傷坦克。不過，發射人員無法在飛行途中控制線引武器，這就失去了它的作用，但這種方法似乎可以通過使用不同制導方式的導彈來實現，從而使反坦克導彈能夠從意想不到的角度發動攻擊。烏克蘭可能已經在 “巴巴亞加 ”無人機上安裝了反坦克導彈。

無人機航母： FPV自殺式無人機不可避免地存在航程限制--可以通過在重型無人機上搭載小型無人機系統來擴大攻擊范圍，從而克服這一缺陷。

SAKER "偵察兵"四旋翼自主攻擊無人機系統

"偵察兵"是烏克蘭已知最早的自主攻擊無人機系統之一，結合了可重復使用的目標捕獲無人機，通過集成的自殺式FPV指揮攻擊。據稱，它的圖像匹配算法可以識別 64 種不同類型的軍事裝備，即使是偽裝的，并將人工智能對 ID 和目標坐標的置信度傳回操作員。

這就縮短了從視覺情報中挑選目標的時間，加快了殺傷鏈。然后，操作員可以發射 FPV 無人機，由 “偵察兵 ”指揮瞄準目標。不過，Sakers 也已經在 2023 年秋季執行了數量有限的完全自主攻擊任務。

用戶界面截圖顯示，“偵察兵 ”的視覺系統往往會在可疑ID（被認為是坦克的房屋）上閃爍，但隨后會迅速丟棄誤報。偵察兵 "的最大射程為 7.5 英里，有效載荷可達 6.6 磅，其中可包括一個紅外攝像機。它可以利用慣性導航和陸標目視導航，在全球導航衛星系統拒絕的情況下進行作戰。

無人機空對空作戰時代來臨

直升機無人機在烏克蘭上空的首次空對空較量可追溯到 2022 年，首選技術是從上方撞擊對手的旋翼。無人機通常缺乏探測從其后方和上方接近的威脅的能力。

冬天，包括 Fortem 的 “無人機獵手”、“安杜里爾鐵砧 ”和 “MARSS 攔截器 ”在內的西方尖端無人機攔截系統在烏克蘭進行了積極的實戰測試。它們成功擊落了 Shahed 和 Oral 無人機，但其活動仍處于保密狀態，沒有公開發布任何錄像。

2024 年 4 月，烏克蘭的 “勇敢者 1 號 ”無人機孵化器征集能夠以 66-93 英里/小時的速度在 5000 英尺高空攔截目標的本土攔截無人機。

隨著速度的加快，情況發生了驚人的變化：很快，雙方，尤其是烏克蘭，發布了越來越多的無人機空對空蓄意殺傷的視頻。敏捷的 FPV 確實可以優化用于撞擊和摧毀更大、更有價值的中型固定翼和重型垂直升降無人機。最后，在此前幾次嘗試失敗后，FPV自殺式無人機于7月31日擊落了一架俄羅斯米-8直升機，隨后又于8月撞上一架米-28攻擊直升機。

“雙方都在努力發展有機無人機攔截能力，"本迪特告訴《國際先驅導報》。“這是一種新興能力，但俄羅斯人說，烏克蘭人已經有了一套跟蹤和瞄準俄羅斯ISR無人機的系統，這表明烏克蘭人在這個問題上采取了系統性和全戰線的方法。”

烏克蘭的 “狂蜂 ”組織發布的影片顯示，他們使用價值 725 美元的定制攔截器擊落了 115 架俄羅斯固定翼無人機，這種攔截器裝有特殊電池，可觀察到至少 15 分鐘的續航時間，還裝有攝像頭和指令引爆彈頭。受害者包括 “柳葉刀”自殺式無人機，以及 Orlan、Supercam 和 Zala ISR 無人機--所有這些無人機的價格都要昂貴許多倍。要殺死 115 架能煽動破壞性間接火力的無人機，意味著要花費 83375 美元，這與一枚地對空導彈的價格相差甚遠。

據報道，空對空無人機作戰技術也被納入了俄羅斯的一些訓練課程。俄羅斯的無人機攔截機特別關注烏克蘭的 “巴巴亞加 ”重型轟炸機，其中一些明顯安裝了加長的鋼絲輻條，可以從背后將敵方無人機串起來。

無人機優勢？

攔截無人機并不是要掃除天空中的所有威脅，而是要在漫長的消耗戰中發揮自己的作用。也許未來武裝部隊可以尋求發展一支規模足夠大、分布廣泛且組織嚴密的無人機攔截機隊，并與地面防御系統集成，從而在戰場上取得決定性的無人機優勢。

然而，由于中小型無人機成本低、消耗小、可觀察性差，這可能無法實現。更容易實現的可能是在某一特定區域的短期無人機優勢，就像烏克蘭入侵庫爾斯克的頭幾天所做的那樣，以促進實現有時間限制的作戰目標。

向無人機投降

無人機是致命殺手--但與大炮轟擊或快速噴氣式飛機空襲不同，攻擊者和受害者之間存在溝通的可能性。士兵有時會向無人機投降，這種現象最早出現在 1991 年的海灣戰爭中。雖然此類事件是在特殊情況下發生的，但烏克蘭軍方已經制定了便于向無人機投降的程序，并在某些情況下使用無人機將投降的士兵安全地引導到事先安排好的抓捕點。一些專門裝備的無人機安裝有揚聲器和麥克風，可向投降的敵人提供指令。據報道，最近，無人機在庫爾斯克協助抓獲了 100 名俄羅斯士兵。

本文介紹了一種新方法，用于在受到入侵移動物體威脅的自定位無人機群中實現快速規避。受自然自組織系統的啟發，本文提出的快速集體規避方法可使無人飛行器群避開主動接近該群體的動態物體（干擾者）。所提技術的主要目標是使無人機群快速、安全地逃離近距離發現的干擾者。這種方法的靈感來源于某些動物群體的集體行為，如魚群或鳥群。這些動物利用其傳感器官的有限信息和分散控制來實現可靠而有效的群體運動。本文介紹的系統旨在執行具有大量智能體的無人機群的安全協調。與自然蜂群類似，該系統在整個群體中傳播關于檢測到的干擾者的快速沖擊信息，以實現動態和集體規避。所提議的系統是完全分散的，僅使用機載傳感器來相互定位智能體和干擾者，類似于動物完成這種行為的方式。因此，蜂群智能體之間的通信結構不會被每個個體的狀態（位置和速度）信息所淹沒，而且對通信中斷也是可靠的。對所提出的系統和理論進行了數值評估，并在實際實驗中進行了驗證。

圖 1：利用蜂群原理和本文中使用的視覺相對定位技術，在沙漠沙丘上方穩定了一個小型無人機群。

多年來，人工智能一直被用于改進信號情報的收集和分析，但本文探討了生成式人工智能可為戰略情報分析人員執行的一系列任務。文章認為，將生成式人工智能融入情報評估的最穩妥做法是作為人類分析師的 “副駕駛員”。盡管存在不準確、輸入偏差和 “幻覺 ”等問題，但生成式人工智能可以解放時間不足的分析人員，讓他們專注于人類最有價值的任務--運用他們的專業知識、隱性知識和 “現實感”。

人工智能（AI）是無法回避的。我們每個人每天都直接或間接地與它打交道。除了柯潔在圍棋比賽中輸給谷歌的 AlphaGo 這樣的偶然拐點之外，人工智能幾乎沒有大張旗鼓地滲入社會。但現在，圍繞人工智能的爭論非常突出。這主要與用戶友好型生成式人工智能軟件的發布和廣泛采用有關，其中最著名的是 ChatGPT 和 Google Bard。這些功能強大的程序潛力巨大，許多評論家認為它們的影響堪比另一場工業革命。的確，將人工智能應用到各個領域，尤其是醫學領域，可能會帶來革命性的變化；但同樣，它也會帶來巨大的潛在風險--安全、經濟、社會和文化風險。首相蘇納克（Rishi Sunak）希望英國能掌握這個等式的兩面：在人工智能監管和安全方面引領世界，11 月在布萊切利公園舉行的人工智能安全峰會就是一個標志；同時也要抓住這項技術帶來的機遇。八十年前，布萊切利公園的前主人--密碼破譯員、語言學家、數學家和工程師--曾與英格瑪機器搏斗并開創了計算技術的先河。本文關注的是生成式人工智能為他們在情報界的繼承者，特別是那些專注于情報評估技術的繼承者帶來的機遇和挑戰。文章認為，生成式人工智能有可能極大地補充分析工作。但就目前而言，它最有用的應用是作為輔助工具、副駕駛員，它有可能極大地增強分析人員的工作，但也應謹慎使用。

情報與技術是一對老朋友。幾十年來，它們彼此推動著對方的發展。這一點在電子和計算機領域體現得最為明顯。在秘密行動中，情報機構推動了技術的發展。它們還經常是新技術的早期采用者，利用新技術開發、維護和增強能力。畢竟，適應性是成功情報機構的標志之一。英國皇家情報總部成功地從模擬機構轉型為數字機構，如今甚至將自己定位為 “情報、安全和網絡機構”。人工智能已經以多種方式補充了情報工作。各國經常使用人工智能增強系統來協助收集情報。許多在秘密領域工作的私營部門承包商也在人工智能領域大顯身手。由人工智能軟件支持的閉路電視攝像網絡被廣泛用于識別和追蹤城市環境或恐怖風險較高地區（如火車站）的個人或物體。這種技術也為專制政府提供了無與倫比的機會來壓制不同意見或異議，新疆和其他地方的情況就說明了這一點。除數據收集外，這項活動的大部分內容還涉及更輕松、更高效地對數據進行鑒別或選擇，從而為時間有限的分析人員的工作提供便利，因為他們需要評估這些數據的含義。人工智能被廣泛應用于翻譯、將截獲的互聯網流量減少到可控水平、語音識別或在開放的互聯網上搜索對象的協會和聯系人等費力的任務。在英國，INDEX 系統允許分析人員在政府和外部報告中進行搜索。核心信息可以通過自然語言處理系統提取和匯總。但是，正如剛剛退休的英國聯合情報委員會主席西蒙-加斯（Simon Gass）爵士在今年 6 月指出的，“我們正處在這個階段的山腳下”。

需要將生成式人工智能和大型語言模型（LLM）整合到情報評估的正常業務中。簡單地說，生成式人工智能是指 “能夠根據訓練數據生成高質量文本、圖像和其他內容的深度學習模型”。這些技術已經在國防和情報領域受到高度重視。英國國防部國防創新總監約翰-里奇（John Ridge）最近指出，“我們可以肯定的一點是，這類能力將是絕對關鍵的”。這些能力是革命性的，還是只是情報工作的另一個發展階段，還有待觀察。但它們改變商業模式的潛力是顯而易見的。前幾代人工智能主要集中在更有效地收集數據和更有效地整理擺在民間和軍事情報分析師面前的材料上，而生成式人工智能則展示了承擔迄今為止只有人類分析師才能完成的任務的潛力。基于 LLM 的工具（如 ChatGPT）的主要賣點是，它們可以對問題或命令形式的提示做出響應，并利用現有材料在特定參數范圍內做出響應。或者換一種說法，可以命令它們按照特定規格撰寫類似人類的報告，以計算機的速度，根據大量數據提出見解或作出推論。

從這個意義上說，情報分析和評估與其他以研究為基礎的工作領域處于類似的地位，它們可能（而且幾乎肯定會）受到干擾。這些領域包括醫療和法律行業，在這些行業中，根據有關特定主題的全部數字化文獻資料快速、清晰地編寫報告或文件的前景非常誘人。教育領域也受到了影響，其傳統模式正在被檢測機器生成的作品這一挑戰以及人工智能時代究竟什么才是合法研究這一更具哲學意義的問題所顛覆。盡管如此，在這些領域中的每一個領域，理論上都可以在很大程度上將曾經由人類完成的基本任務外包給機器，盡管需要保持謹慎的警惕。這樣做已經產生了令人印象深刻、有時甚至發人深省的成果，比如一篇關于 ChatGPT 對檢測剽竊行為的影響的學術論文，該論文已提交給同行評審的學術期刊，并被其接受，但這篇論文是用 ChatGPT “寫 ”出來的。不過，如果從各行各業廣泛采用 LLM 的軼事證據來看，人類分析師的日子還遠未到頭。在不久的將來，應將 LLMs 視為情報分析員的額外工具，是提高效率和效力的輔助工具。他們是 “副駕駛員”，可以評估論點、進行數據分析或校對，而不是潛在的替代者。就目前而言，在這些領域中的任何一個領域，要想以其他方式開展工作，風險都太大了。情報工作也不例外：在全球競爭的環境中，整合這些工具的必要性只會越來越強，但過快或魯莽行事顯然存在風險。審慎的做法是，情報評估機構利用人工智能增強人類分析師的能力，為他們創造更多的時間和空間，讓他們運用不可或缺的隱性知識和 “現實感”--以賽亞-伯林（Isaiah Berlin）所說的感同身受的理解是歷史解釋的一個關鍵特征--來理解全局。

令人欣慰的是，谷歌Bard也同意這一點。當被問及它能為情報分析帶來哪些好處時，該程序回答說，它可以執行許多有用的任務。這些任務包括收集信息、分析信息、生成報告、交流研究結果、提出情報需求、管理情報資源和監督情報行動，以確保它們符合法律和道德標準。但是，當被要求確定使用 LLMs 進行戰略情報分析的風險時，它指出："重要的是，要將機器的產出與情報分析結合起來： 重要的是要將機器輸出與人工分析和解釋以及對地緣政治環境的全面了解結合起來"。顯然，如果 “言聽計從”，該系統具有巨大的潛力。但在充分挖掘潛力之前，所有相關人員都需要考慮并解決幾個基本挑戰。

這些問題包括通常對 IT 網絡安全性和穩健性的擔憂，例如：確保集成軟件經過安全架構審查所面臨的挑戰、供應鏈風險的可能性、數據存儲的安全性、確保提交給任何系統的查詢都經過加密或不可能被敵方重建。其他值得注意的安全問題來自于大量的訓練數據、數十億個參數以及設計可行工具所需的訓練過程。目前，這項工作是在基于云的系統中進行的，因此除了常見的網絡安全問題外，還增加了數據主權問題。此外，為了最大限度地發揮其價值和效用，特別是在快速發展的情況下，LLM 需要經常或持續訪問互聯網。顯然，有必要將那些與開放互聯網保持聯系的系統與情報分析員處理更敏感材料和制作情報評估產品的封閉、保密網絡分開。

上述問題都不是不可克服的，但這些挑戰突出表明，必須有條不紊地解決這一問題，協調政府各相關機構利益攸關方，以成功實施這一至關重要的信息技術項目。這些挑戰也并不都集中在如何確保系統不被敵對勢力破壞上。還需要考慮監管問題。事實上，大衛-安德森（David Anderson）勛爵在上議院關于人工智能的辯論中指出，"在一個人人都在使用開源數據集來訓練大型語言模型的世界里，英國信息中心受到了《調查權力法》第 7 部分的獨特限制。這些限制'在某些重要情況下影響了英國信息中心的靈活性，影響了它與商業伙伴的合作，影響了它招聘和留住數據科學家的能力，并最終影響了它的效率'。

只要能找到令人滿意的解決方案，LLM 對分析師工作的許多方面都極為有用。其中包括較為傳統但費力的任務，如作為研究助理，就特定主題（如國際爭端的背景）提供近乎即時的不同長度和細節的摘要，或構建時間軸、撰寫簡介、總結或分析冗長的文本，或（假設版權和訂閱問題得到解決）將最新的學術著作納入其中。雖然第一批LLM是在英語語料庫中接受培訓的，但目前開發多語言模型的工作進展順利。當然，鑒于已發現生成式人工智能生成的回復在準確性和完整性方面存在問題，任何此類產品都必須經過主題專家的檢查，類似于跨白廳當前情報小組系統。這可能會提高穩健性和效率，并隨著時間的推移，促進機構學習和流程改革。

但潛力顯然不止于此。生成式人工智能還可以包括更先進、更重要的工作。例如，分析師可以使用 LLM 來審查和驗證他們的書面報告，從而增強現有的分析流程和產品審計程序。例如，可以要求提供任何對關鍵判斷提出質疑或證偽的數據；查詢長期以來生成的報告，以確定已成為傳統智慧的假設；或使用工具生成 “紅隊 ”評估。從理論上講，這種能力可以在幾個方面幫助分析人員識別或根除導致情報失敗的某些偏見因素，并確保報告盡可能是最新的。不難想象，這些工具的提供和適當使用將如何提高分析界的速度、影響范圍和批判性地反思其行為和業績的能力。

目前這一代 LLM 也可以撰寫報告或評估報告。將此類寫作任務的早期起草階段外包給一個工具，可為資源和時間貧乏的情報分析員創造經濟效益。毫無疑問，謹慎采用 LLM 是有道理的。但這項技術仍然有限，需要認真監測。這些局限性帶來了風險，這一點在 2023 年大眾廣泛嘗試使用 LLM 之后已經得到證明和充分記錄（在 META 推出 Threads 之前，沒有任何應用能像 ChatGPT 那樣迅速得到采用，該應用在推出后五天內用戶就達到了 100 萬）。對于情報分析師及其產品的接收者來說，其中許多挑戰都是非常棘手的。其中包括對這些工具所提供信息的準確性和可靠性的擔憂。這些系統非常善于生成似是而非的文本、聲明和結論。但這些可能在現實中沒有任何依據，甚至在建立 LLM 的訓練數據中也沒有任何依據。這種 “幻覺 ”已被廣泛觀察到；在學術工作中，經常出現的 “幻覺 ”是生成不存在的資料來源（例如，引用聽起來很有道理但實際上并不存在的網頁）來支持生成的主張。這究竟是 LLM 的一個特點還是一個缺陷，還存在爭議。無論如何，這都對采用 LLM 進行情報評估構成了重大挑戰。分析人員從這些工具中獲取材料并將其納入分析產品時，必須對基礎源數據進行系統檢查。因此，這項技術提出了一個悖論：一是節省時間，二是增加工作量。

與其他人工智能系統一樣，LLM 也會在其生成的任何內容中嵌入偏見。該系統的吸引力和潛力在于它有能力攝取和查詢大量資料--基本上是整個開放互聯網--但必然結果是，該系統也會攝取現有的偏見和廢話，這些偏見和廢話可能是關于特定主題的主流敘事，或者是關于特定主題的特定語言。同樣，毫無疑問，破壞性或惡意行為者會利用 LLM 快速、廉價地生成大量虛假信息并充斥網絡。毫無疑問，敵對行為者也會試圖毒害公共或專有 LLM。目前，大多數開放的生成式人工智能應用程序本質上都是黑盒子，這些系統不允許（或不會允許）用戶檢查它們得出特定判斷的過程。這是由于神經網絡依賴多層節點處理數據的本質所致。這種可觀察性的缺乏，再加上基于 LLM 的系統在可復制性方面的某種脆性--即它對準確提示措辭的依賴--帶來了風險和挑戰。事實上，鑒于在專業情報界對分析評估采用可審計程序的重要性，在這些工具被納入正常業務之前，這個問題構成了一個需要克服的重大障礙--或者說需要掌握的挑戰。正如在人工智能之前的時代一樣，結論必然需要由經驗豐富、訓練有素的人員進行檢查、驗證和整個過程的審計。

這些風險有可能被充分降低，使這些工具能夠相對迅速地融入分析流程。許多研究人員正在開發人工智能系統，以識別人工智能在各種情況下生成的內容，如學術論文或視頻文件。還有一些研究人員正在研究可審計的 LLM 系統；還有一些研究人員正在研究如何開發安全的系統，讓分析人員能夠在分類系統和開放的互聯網上進行搜索。但是，即使這些問題可以得到緩解，還有另一個根本性的問題，即這些系統是否只能是衍生系統，因為它們基本上完全建立在基于已有材料的計算模型之上。它們所提供的洞察力能否與任何接近 “想象力 ”的東西相匹配，還是說它們目前的貢獻仍將局限于語法和風格的練習，偶爾會出現幻覺？或者，換一種說法，他們可能會對某個問題進行極其（或表面上）合理的討論，但鑒于這些討論是根據一個統計模型得出的，該模型關注的是某個特定的詞或概念或 “標記 ”與另一個詞或概念或 “標記 ”相聯系的可能性，并以訓練材料為基礎，那么討論結果中是否會存在固有的保守主義或其他偏見？盡管如此，該領域的變化速度之快，即使預測其對情報評估的相對近期影響也充滿了不確定性，突出表明需要不斷審查該領域的發展。

雖然其他類型人工智能的貢獻已經得到證實，但對生成型人工智能的前景過于技術樂觀也會帶來風險。雖然這不是一個精確的類比，但美國情報界在 9/11 事件之前忽視人類情報（HUMINT）技能而青睞高科技的做法，應該為任何想把 LLM 的出現視為減少情報界人力的機會的人提供一個警示。選擇不當的捷徑會造成長期延誤。顯然，政府必須也必須與 LLM 打交道，必須不斷審查現有技術的效用，并愿意在這些系統得到驗證后擴大其使用范圍。但是，除了投資（擁有或使用）LLM，政府還應保留并加倍投資于人。在采用 LLM 的過程中，最大限度地提高效益和降低風險的一個關鍵因素將需要包括保持和發展對情報分析師的培訓，使他們能夠最好地利用這些強大的新工具。這可能包括專業途徑，培養一批善于將生成式人工智能融入分析實踐 “新常態 ”的官員，使他們能夠掌握現有系統，最大限度地發揮其效用，同時將其帶來的風險降至最低。但同時也應保持并優先培養主題和分析技術方面的專家，他們可以用經驗和智慧、隱性知識和人類特有的 “現實感 ”來補充生成式人工智能的巨大威力。在開展這項工作的同時，還應在政府內部（更不用說更廣泛的公眾）開展更廣泛的教育計劃，讓他們了解人工智能的用途和局限性。消費者，尤其是自詡為技術狂熱者和有遠見的 “深層國家 ”或 “小集團 ”的破壞者，應該仔細了解由于 LLM 的便利而繞過其分析機制的局限性和風險。世界不需要唐納德-拉姆斯菲爾德（Donald Rumsfeld）在伊拉克戰爭前的 “特別計劃辦公室”（ChatGPT）。就目前而言，將 LLM 衍生工具整合到分析流程中最合理的使用案例是，由經驗豐富、訓練有素的人類分析師作為 “副駕駛員”，嵌入到仍然樂于向消費者提供不受歡迎的消息的組織中。

本文研究了利用同時探測原理的無人飛行器群進行自主監控的模型。該模型可指定探測感興趣區域內感興趣物體所需的傳感器數量；只有指定數量的傳感器同時掃描，才能探測到物體。該模型計劃在監控行動期間部署蜂群中的單個車輛，以保證監控的最高質量；質量以行動期間所覆蓋的感興趣區域的百分比來衡量。此外，假設監控是在復雜的行動區域（包括城市環境、建筑密集區或地形非常不平坦的山區環境）進行的，在這些區域可能會經常出現由障礙物或地形造成的遮擋。為解決問題，提出了基于模擬退火的元啟發式算法。該算法部署了一定數量的航點，從這些航點進行監控，最大限度地提高監控質量，并考慮到同步檢測原則。該算法通過一組基于典型監控場景的實驗進行了驗證。

當代武裝沖突不同于二十多年前的武裝沖突。當代武裝沖突的最大特點之一是戰場局勢多變，來自不同來源的信息不計其數，可靠性也各不相同。此外，當代大多數行動都是在特定環境下進行的，如城市和集結區（西伯利亞、烏克蘭）等，這大大限制了普通的偵察和監視方式。這種環境需要新的方法來收集和處理所有必要信息，以支持軍事決策過程（營級及以上）或部隊領導程序（連級及以下）。

指揮官決策的關鍵步驟之一是監視。可以說，監視是一個持續的過程，始于計劃和決策過程。它為指揮官的決策提供關鍵信息。通常，偵察工作由部署在敵區縱深的特別小組進行。顯然，部署這樣一個或多個小組對他們的訓練和準備要求很高。此外，來自這些小組的信息流是延遲的，而且不必精確，這可能會對任務產生巨大影響。在當代行動中，無人駕駛飛行器（UAV）等新技術被用于收集幾乎在線的信息，為指揮官的決策提供支持。無人飛行器的使用對決策的速度和質量產生了巨大影響。此外，這種信息收集方式還能節省人力資源。有關這一問題的更多信息可參見文獻 [1-7]。

本文提出了使用小型無人機群（sUAV）進行自主監控的模型。目標是通過無人機群中的傳感器覆蓋盡可能大的感興趣區域。每架無人機都部署在行動區的準確位置（航點），監控感興趣區域的一部分。該模型還允許在需要多個傳感器檢測某些感興趣物體的情況下使用（進一步稱為同步檢測）。此外，假設監控是在復雜的行動區（包括城市環境、建筑密集區或地形非常不平坦的山區環境）中進行，障礙物或地形造成的遮擋可能會經常發生。

無數科學著作都在關注如何將無人機群用于多種目的。要解決無人機群進行偵察或監視等復雜問題，有幾個課題非常重要。此類任務的路徑規劃是關鍵問題之一。Yao 等人[8]提出了一種基于 Lyapunov 導向矢量場（LGVF）和改進干擾流體動力學系統（IIFDS）的混合方法，以解決多架無人機三維合作路徑規劃中的目標跟蹤和避障問題。Lamont 等人[9]設計并實現了無人機群的綜合任務規劃系統。該系統集成了多個問題領域，包括路徑規劃、飛行器路由和基于分層架構的蜂群行為。Shanmugavel 等人[10] 研究了同時到達目標的路徑規劃問題。

與無人飛行器有關的另一個關鍵問題是其可靠性和故障保護。軍事指揮官必須做好在任何意外情況下完成任務的準備。使用無人機群執行監視任務是一個非常重要的問題，關系到關鍵信息的精確收集。目前還沒有專門針對這一主題的科學著作，但有幾篇有趣的論文值得考慮。Triharminto 等人[11] 開發了一種三維移動目標攔截避障算法。該算法被稱為 L+Dumo 算法，整合了改進的杜賓斯算法和線性算法。可以對這種方法進行修改，以減少無人機無法完成監視任務的影響。Sampedro 等人[12]重點研究了可擴展的靈活架構，用于無人機群的實時任務規劃和智能體到任務的動態分配。所提出的任務規劃架構包括一個全局任務規劃器（GMP），負責通過一個智能體任務規劃器（AMP）分配和監控不同的高級任務，而智能體任務規劃器則負責向蜂群中的每個無人機提供和監控任務中的每個任務。Sujit 等人[13] 解決了在由靜態、彈出式和移動式障礙物組成的障礙物豐富環境中運行的多架無人機從給定起始位置到目標配置生成可行路徑的問題。彈出式和移動式障礙物環境中的路徑規劃系統為解決無人機群在復雜環境（包括建筑密集區或山區地形）中執行監視任務時出現的故障提供了靈感。

本文介紹了一種獨特的方法，即由一個裝有網的飛行機器人對不合作的無人駕駛飛行器進行中空自主空中攔截。本文提出了一種名為 “快速響應比例導航（FRPN）”的新型攔截制導方法，旨在依靠機載狀態估計和跟蹤捕捉靈活機動的目標。在使用 100 個不同復雜度的目標軌跡（包括近 14 小時的飛行數據）進行的仿真中，將所提出的方法與最先進的方法進行了比較，結果表明 FRPN 的響應時間最短，攔截次數最多，而這正是敏捷攔截的關鍵參數。為了能夠從理論和仿真穩健地轉移到實際應用中，我們的目標是避免過度擬合目標的特定假設，并解決攔截未知總體軌跡目標的問題。此外，我們還發現了與目標狀態的跟蹤和估計有關的幾個經常被忽視的問題，這些問題會對系統的整體性能產生重大影響。我們建議使用基于交互多模型濾波器和新測量模型的新型狀態估計濾波器。模擬實驗表明，在考慮一般軌跡時，與常用的卡爾曼濾波法相比，所提出的解決方案能顯著提高估計精度。在這些結果的基礎上，我們采用所提出的濾波和制導方法實現了一個完整的自主攔截系統，該系統在現實模擬中得到了全面評估，并在與機動目標進行的真實世界實驗中得到了測試，其性能遠遠超出了任何最先進解決方案的性能。

圖 1：使用擬議系統成功自主攔截移動目標的拼圖。從 t1 到 t4 的機動時間約為 2 秒。

本文探討了無處不在的人工智能對戰斗本質的改變。將目光從人工智能取代專家轉向人機互補的方法。利用歷史和現代實例，展示了由人工智能操作員和人工智能/機器學習代理操作員組成的團隊如何有效管理自主武器系統。方法基于互補原則，為管理致命自主系統提供了一種靈活、動態的方法。最后，提出了實現機器加速戰斗綜合愿景的途徑，即由人工智能操作員操作戰場人工智能，觀察戰場內的行為模式，以評估致命自主系統的性能。與任何純粹的自主人工智能系統相比，這種方法能開發出更符合道德規范、以機器速度運行并能應對更廣泛動態戰場條件的作戰系統。

2022 年 11 月，ChatGPT 的發布標志著人工智能（AI）發展史上的一個關鍵時刻。幾十年來，人工智能一直是人們熱衷研究的課題，但對于普通人來說，它仍然是一個抽象的概念，更多的是科幻小說或技術演示，比如 IBM 的沃森贏得了《危險邊緣》（Jeopardy）。然而，有了 ChatGPT，人工智能走出了實驗室，人們可以用與朋友和同事交流的方式與人工智能對話。ChatGPT 將公眾對人工智能的看法從未來的可能性轉變為實實在在的現實。與此同時，在距離開發 ChatGPT 的辦公室千里之外，烏克蘭正在將人工智能融入戰場。面對俄羅斯大規模的射頻干擾，烏克蘭部署了人工智能增強型無人機，能夠在敵對條件下，在無人監督的情況下有效運行。人工智能的這一應用并不是要進行對話或模擬類似人類的互動，而是要在傳統系統失靈的情況下，增強對大型對手的作戰能力。ChatGPT 的認知能力與烏克蘭無人機對人工智能的功利性應用之間的對比，說明了人工智能在不同領域的多樣性和變革性。

這兩項人工智能應用促使美國國防部（Department of Defense，DoD）關于戰場人工智能的戰略思想發生了潛在轉變。最初的人工智能條令強調，對人工智能系統 "適當程度的人為判斷 "至關重要，"要有明確的程序來激活和關閉系統功能，并對系統狀態提供透明的反饋"[5]。對 "自主和半自主武器系統的人機界面"[5] 的要求意味著一定程度的人類直接互動，通常稱為 "人在回路中"（HITL）或 "人在回路中"（HOTL）。這種人類直接參與人工智能或監控錯誤的方式，證明了對關鍵流程自動化的謹慎態度。

之所以會出現這種轉變，是因為人們認識到，人工智能及其不可避免的技術普及，將不僅僅是補充，而是從根本上改變戰場上的行動和情報搜集，就像它已經開始改變社會上幾乎所有其他地方一樣。這種演變并非首次發生。就在上一代，互聯網的出現和智能手機的普及徹底改變了通信和信息獲取方式，以至于國防部別無選擇，只能適應。與這些創新一樣，人工智能也正走在一個類似的基本層面上。現在的挑戰不在于試圖支配人工智能的整合，而在于適應其不可避免的普遍性，在擔心數據偏差、計算 "幻覺 "的情況下確保軍事系統的可靠性和有效性，同時確保致命性自主武器系統的行為符合國際人道主義法（IHL）。本文件旨在探討這些挑戰，并提出緩解這些挑戰的途徑，同時認識到人工智能增強戰爭的進程不僅不可避免，而且已經開始。

討論

2022 年，人工智能達到了一個拐點。隨著電子戰的加劇，烏克蘭沖突迫使自主無人機快速發展。與此同時，像 ChatGPT 這樣的強大語言模型的發布吸引了全球觀眾，盡管它們的局限性也變得顯而易見。這些系統容易出現事實錯誤和赤裸裸的捏造，凸顯了將模式識別誤認為真正理解的風險。在人工智能顛覆整個行業的同時，我們也認識到，人工智能的流暢性往往掩蓋了根本無法分辨真假的缺陷。

人工智能在軍事上的應用提出了獨特而棘手的倫理問題。根據特定數據訓練的人工智能系統是實現其設計目的的強大工具。它們擅長模式識別和快速執行所學任務。但人工智能系統適應新情況的能力，尤其是在人命關天的情況下，仍然不太清楚。

雖然人工智能在數據處理和分析方面的能力毋庸置疑，但它在道德框架內指導行為的能力卻不那么確定。圖 1 展示了戰場自主人工智能的典型組織結構。作戰人員（橙色圓圈）直接操作一套武器系統（藍色圓圈），每套系統都通過一個人工智能模型進行調解，該模型經過訓練，可控制特定武器與敵人交戰。然而，如果敵人已經找到了欺騙人工智能模型的方法，作戰人員往往無法改變模型的行為。相反，作戰人員必須依靠其他可能風險更大的手段與敵人交戰。在戰爭中強調簡化、精簡的人工智能模型會帶來一種危險的脆性。當人工智能模型被愚弄時，它可能會使作戰人員面臨更大的風險，同時將關鍵優勢拱手讓給敵人。

在本文中，我們提出了 3.8 節中介紹的人工智能操作員或 "馬夫 "的角色。這種角色延伸了加里-卡斯帕羅夫（Garry Kasparov）在 "高級國際象棋 "中提出的 "半人馬"（centaur）概念，即人類與多個國際象棋程序合作，將人類的戰略洞察力與機器的計算能力相融合，以達到超高水平的競爭[21, 13]。這些相互促進或互補的領域已被證明優于任何一個單獨的組成部分[23]。互補的概念是將多個元素結合在一起，產生一個比任何一個部分都更有效的整體，這與更常見的替代做法有著本質區別，替代做法是單獨使用能力最強的部分--人類、自動化或人工智能。替代系統的實際結果是，它們的強大取決于最薄弱的部分。由作戰人員、戰場人工智能、遠程人類操作員及其本地人工智能代理組成的網絡可確保人類和人工智能的優勢得到最大程度的發揮（圖 2）。半人馬概念在軍事戰略中的演變說明，未來人類與人工智能的合作不僅有益，而且對于在高度動態和競爭激烈的環境中取得優勢至關重要。

要想讓人工智能系統在軍事環境中可靠運行，人類操作員必須了解人工智能的決策過程。這就意味著要對具有不同技能和背景的操作員進行培訓。就像棋手調整策略一樣，操作員應能根據需要切換人工智能模型。不能指望單一的人工智能模型在每一種戰場場景中都能完美發揮作用。情況是不可預測的；在一種情況下最好的模型在另一種情況下可能會失效。操作員必須了解每種人工智能模型的優缺點，以確保使用最有效的工具來完成手頭的任務。這種適應性是人工智能成功融入軍事行動的關鍵。

在軍事行動中，采用這種靈活的方法將人類與人工智能配對，可創建出比人工智能單獨運作的系統更靈活、適應性更強的系統。這種人類與人工智能的共生關系可以破壞對手的 "觀察、定位、決策、行動"（OODA）循環[18]，有效地 "反客為主"。人工智能在人類直覺和經驗的充實下，引入了不可預測性和復雜性，純人工智能對手可能難以理解或實時處理這些不可預測性和復雜性。這可能會使天平向有利于人類-人工智能團隊的方向發生決定性的傾斜，使他們在關鍵時刻超越和思考純人工智能系統，從而獲得戰術優勢。

人類可以利用自己的創造力和創新力提出人工智能無法提出的新想法和解決方案。例如，將人類對已知危險和風險的了解融入自主系統，可以讓操作員確定并預測基于人工智能的控制器在遇到真實世界的風險因素時的行為[6]。我們還能理解人工智能忽略的細微差別和情境，這對決策至關重要。最后，人類在群體中表現最佳，每個人都能帶來不同的視角和技能，從而提供深度理解，而目前的人工智能似乎可以模仿，但卻無法復制。

為了真實地再現軍事行動，嚴肅的戰斗模擬要求建模實體具有合理的戰術行為。因此，必須定義作戰戰術、條令、交戰規則和行動概念。事實證明，強化學習可以在相關實體的行為邊界內生成廣泛的戰術行動。在多智能體地面作戰場景中，本文展示了人工智能（AI）應用如何制定戰略并向附屬單元提供命令，同時相應地執行任務。我們提出了一種將人類知識和責任與人工智能系統相結合的方法。為了在共同層面上進行交流，人工智能以自然語言下達命令和行動。這樣，人類操作員就可以扮演 "人在回路中 "的角色，對人工智能的推理進行驗證和評估。本文展示了自然語言與強化學習過程的成功整合。

RELEGS：針對復雜作戰情況的強化學習

為了獲得模型架構的靈感，我們研究了 DeepMind 的 AlphaStar 架構，因為它被認為是復雜 RL 問題領域的最先進架構。通過我們的架構（如圖 2 所示），我們提出了一種靈活、可擴展的行動空間與深度神經網絡相結合的適應性新方法。觀察空間的設計基于如何準備戰場的軍事經驗。通常使用地圖和可用部隊表。因此，模擬觀測被分為標量數據（如可用坦克數量及其彈藥）。同時，基于地圖的輸入作為視覺輸入提供給空間編碼器。

標量數據用于向人工智能提供幾乎所有場景細節的建議。其中包括有關自身部隊及其平臺的數據，以及有關敵方部隊的部分信息。輸入并非以絕對數字給出，而是采用歸一化方法來提高訓練效果。編碼器可以很容易地寫成多層感知器（MLP）；不過，使用多頭注意力網絡可以大大提高訓練后智能體的質量，因此應予以采用（Vaswani 等人，2017 年）。

為了理解地理地形、距離和海拔高度的含義，人工智能會被輸入一個帶有實體編碼的地圖視覺表示。顏色方案基于三通道圖像，這使我們能夠輕松地將數據可視化。雖然使用更多通道會給人類的圖形顯示帶來問題，但人工智能能夠理解更多通道。不同的字段類型和實體會用特殊的顏色進行編碼，以便始終能夠區分。這種所謂的空間編碼器由多個卷積層組成。最初，我們嘗試使用 ResNet-50 （He 和 Zhang，2016 年）和 MobileNetV3 （Howard 等，2019 年）等著名架構，甚至使用預先訓練的權重。然而，這并沒有帶來可接受的訓練性能。因此，我們用自己的架構縮小了卷積神經網絡（CNN）的規模。

為了測試和優化這一架構，我們使用了一個自動編碼器設置，并使用了模擬中的真實樣本。我們能夠將參數數量從大約 200 萬減少到大約 47000。此外，我們還生成了一個預訓練模型，該模型已與模擬的真實觀測數據相匹配。這一步極大地幫助我們加快了 RL 進程。

一個可選元素是添加語言輸入，為人工智能定義任務。雖然一般的戰略人工智能不使用這一元素，但計劃將其用于下屬智能體。這些智能體將以自然語言接收來自戰略人工智能的任務，并使用雙向門控遞歸單元（GRU）編碼器對其進行處理。

視覺數據、任務數據和標量數據的編碼值被合并并輸入核心網絡。根據 Hochreiter 和 Schmidhuber（1997 年）的介紹，核心主要是一個擁有 768 個單元的長短期記憶（LSTM）組件。在軍事場景中，指揮官必須了解高價值資產的長期戰略規劃。在本模擬中，人工智能可以請求戰斗支援要素，這些要素在影響戰場之前需要長達 15 分鐘的時間。因此，人工智能必須了解未來任務的時間安排和規劃。在 RL 中使用 LSTM 網絡相當困難，因為它需要大量的訓練時間，而且會導致上面各層的梯度消失。因此，我們決定在 LSTM 上添加一個跳過連接，以盡量減少新增層的負面影響。

動作頭由一個自然語言處理（NLP）模型組成。這是一個非常簡化的動作頭模型，包含一個小型 LSTM 和一個額外的密集層，共有約 340000 個參數。其結果是一個尺寸為 8 x 125 的多離散動作空間。

除主模型外，還有一個單獨的價值網絡部分。價值網絡使用核心 LSTM 的輸出，并將對手信息串聯起來傳遞給 MLP。然后，MLP 可以精確預測價值函數。通過對手信息，價值網絡對模擬有了一個上帝般的地面實況視圖。由于該網絡只與訓練相關，因此可以在不干擾訓練完整性的情況下進行。

從艦載機上部署無人機蜂群可支持關鍵行動，在這些行動中，目標飛機應受到地面雷達探測的保護。作為一種成功的反制手段，蜂群無人機必須配備適當的有效載荷系統，蜂群單元之間的幾何形狀也必須經過精心設計。本文介紹了按比例無人機蜂群幾何結構的開發情況，該蜂群可通過電磁屏蔽雷達探測到的目標。對不同的無人機蜂群配置進行了分析，以選擇一個可行的解決方案進行地面和飛行測試。在測試過程中，使用緊湊型軟件雷達探測目標無人機。執行了幾次地面測試，以確定安裝在木制三腳架上的目標無人機的雷達回波響應特征。在三腳架上測試了不同幾何形狀的角反射器，以選擇能更好地遮擋目標無人機的蜂群幾何形狀。對裝有角反射器的誘餌無人機和目標無人機進行了飛行測試，以驗證所提出的無人機蜂群幾何形狀。所提出的無人機蜂群幾何設計使我們能夠確定無人機群單元之間以及無人機群與目標之間的比例距離，這些距離必須能夠防止地面雷達探測。

表 1 擬議無人機蜂群配置的主要特點

在現代空戰中，超視距（BVR）交戰越來越頻繁。飛行員面臨的主要挑戰之一是機動計劃，這反映了他們的決策能力，并能決定成敗。為確保采用虛擬BVR空戰模擬的飛行員訓練取得成功，計算機生成部隊（CGF）的高精度水平至關重要。要實現這一目標，不僅要充分復制和模擬實體的物理特性，還要使其具有接近人類的行為。在本文中，我們提出了應對這些挑戰的總體概念： 首先，我們引入飛行運動動態模型（飛機、導彈、箔條）以及干擾器。然后，我們分析典型的超視距空戰的工作流程，將其分為攻擊、自衛和決定。在此背景下，我們引入行為樹作為這些任務的建模方法，并解釋其優點。進一步的計劃包括在未來由人類控制的對手飛機（飛行員）與CGF對飛的實驗活動中驗證和確認CGF的行為。最后，我們對未來的工作進行了展望，我們打算在包含多個自由度的任務中采用強化學習。