這個頂點項目評估了使用區塊鏈技術來解決一些挑戰，即越來越多的不同的傳感器數據和一個信息豐富的環境，可以迅速壓倒有效的決策過程。該團隊探討了區塊鏈如何用于各種國防應用，以驗證用戶，驗證輸入人工智能模型的傳感器數據，限制對數據的訪問，并在數據生命周期內提供審計跟蹤。該團隊為實施區塊鏈的戰術數據、人工智能和機器學習應用開發了一個概念設計；確定了在戰術領域實施區塊鏈所涉及的挑戰和限制；描述了區塊鏈對這些不同應用的好處；并評估了這個項目的發現，以提出未來對更廣泛的區塊鏈應用的研究。該團隊通過開發三個用例來實現這一目標。一個用例展示了區塊鏈在 "輕數據"信息環境中的戰術邊緣使用。第二個用例探索了區塊鏈在電子健康記錄中對醫療信息的保護。第三個用例研究了區塊鏈在使用多個傳感器收集化學武器防御數據方面的應用，以支持使用人工智能和機器學習的測量和簽名智能分析。

未來針對同級或近級對手的大規模作戰行動，除了更傳統的空中、陸地、海上和空間等物理領域外，還將涉及網絡空間領域。數據和信息在這個連續體中的每一個點上所發揮的作用都不能被低估。此外，同時在多個領域進行有效溝通和協調的能力--擁有必要的指揮和控制--取決于可獲得的和可靠的信息。美國陸軍正在起草一份新的陸軍學說出版物3-13，標題為 "信息"，"將信息的軍事應用與所有作戰功能、部門和戰爭形式聯系起來"（美國陸軍聯合武器中心2022，2）。陸軍如何在戰場上保持優勢的這些轉變，強調了數據和信息作為戰爭工具的關鍵作用。

這個頂點項目的主要目標是探索區塊鏈在與國防部相關的各種情況下的使用。首先，該團隊研究了目前關于區塊鏈和相鄰主題的工作，如物聯網（IoT）、大數據、人工智能（AI）和機器學習（ML）。研究揭示了一個名為 "戰場物聯網"（IoBT）的新興概念。Tosh等人（2018）寫道，IoBT可以滿足 "對分散框架的強烈需求......以服務于戰場環境的目的"（2）。Kott、Ananthram和West（2016）強調了與IoBT可用性、保密性和完整性相關的幾個網絡安全挑戰，而Tosh等人（2018）討論了區塊鏈技術如何有利于IoBT架構。

除了網絡上的無數設備（如IoBT），數據存儲是管理數據的另一個關鍵方面，無論是現在還是未來以去中心化信息為標志的環境。區塊鏈，當與數據存儲機制的使用相結合時，可以幫助IoBT設備及其數據的可用性、保密性和完整性。該團隊研究了使用戰術數據結構作為 "鏈外 "數據存儲機制的潛力。數據結構使數據的發現、治理和消費自動化，使用戶能夠在他們需要的時候和地點訪問數據，而不需要對數據的存放地點有任何了解。數據結構是一種機制，可以將眾多的數據管理源連接在一起，以促進數據的可訪問性--無論其位于何處。這些數據管理源可以是傳統的數據庫、數據湖（IBM 2018），或數據倉庫（IBM 2021）。因此，戰術數據結構可能是一個可行的解決方案，以促進跨作戰人員功能和任務指揮系統的數據訪問（Patel等人，2021）。

這項研究的洞察力與現有的概念重疊，如數據生命周期和國防部的共同決策框架：觀察-定向-決定-行動（OODA）循環。數據生命周期一般有四個階段：數據創建（或生成）、數據閱讀（或消費）、數據更新（或修改）和數據刪除（或歸檔）。這些階段幾乎適用于任何類型系統中的每一種數據。了解在生命周期的每個階段與數據的互動如何影響數據的固有可靠性是很重要的。追蹤數據在這個數據生命周期中的運動提供了數據來源，這使得潛在的數據消費者能夠確定數據的可靠性和有效性。隨著決策者在實施OODA循環框架中使用數據（以及對該數據的下游分析，例如在人工智能的協助下），數據出處的關鍵性變得很明顯。區塊鏈的使用可以提供數據可靠性的內在保證，這反過來又減少了OODA循環的時間，改善了決策。

接下來，該團隊開發了一些通用的系統工程架構，以說明區塊鏈如何解決數據出處并確保這些數據的信任。這個過程確定了從各種用戶（例如，如數據所有者和消費者）到需要的軟件系統，以及數據結構，和Hyperledger Fabric（HLF）網絡（即區塊鏈組件）的各種行為者。此外，可能需要幾個應用編程接口（API）：一個訪問API，一個數據出處API，和一個企業API。利用區塊鏈提供可靠的數據出處的總體重點是提供一種新的方法，運營商可以跟蹤設備和數據的編輯者。

然后通過開發三個用例來擴展這個架構，每個用例都有其特定的架構，這進一步說明了區塊鏈的實施可以如何運作，并評估其效用和局限性。這些用例使團隊能夠探索區塊鏈在驗證用戶、驗證輸入人工智能模型的傳感器數據、限制對數據的訪問以及提供整個數據生命周期的審計跟蹤方面的潛力。

在第一個用例中，我們探討了區塊鏈如何在戰術邊緣促進安全和可信的數據傳輸，以利用遠程火力。第二個用例在更多的操作背景下提供了一個例子，區塊鏈提供了一個審計跟蹤，以實現一個強大的電子健康記錄（EHR），可以在醫療服務的連續過程中的任何點進行訪問。最后，該團隊的第三個用例是管理來自現場傳感器的數據流，并進入人工智能模型，以支持特定類型的情報（例如，用于化學防御工作的測量和簽名情報（MASINT））。這個用例既有業務背景，也有戰略背景，并展示了區塊鏈如何確保輸入人工智能模型的數據是有效和可靠的。

雖然這些用例利用了一個簡化的架構來促進區塊鏈的名義應用，但它還是展示了這項技術在解決或至少緩解當前和未來管理和保護大量數據的挑戰方面的真正潛力。該團隊能夠探索在區塊鏈上和區塊鏈外存儲數據的選項。這些選擇表明，區塊鏈技術如何能夠適應具體情況--不僅是在戰略、作戰和戰術背景下，而且是在各軍種之間，以滿足其獨特的任務需求。未來的聯合部隊在生成和消費數據方面需要精明，這些數據對于確保戰場上的優勢是必不可少的，但在武裝沖突之間的和平時期也是至關重要的，但競爭激烈。

美海軍部依靠目前海軍的方式，如簡報、聊天和語音報告來提供艦隊的整體作戰評估。這包括網絡領域，或戰斗空間，描繪了艦船的網絡設備和服務狀態的單一快照。然而，這些信息可能是過時的和不準確的，在決策者了解網絡領域的設備服務和可用性方面造成了混亂。我們研究了持久性增強環境（PAE）和三維可視化的能力，以支持通信和網絡操作、報告和資源管理決策。我們設計和開發了一個PAE原型，并測試了其界面的可用性。我們的研究考察了用戶對多艘艦艇上的海軍網絡戰斗空間的三維可視化理解，并評估了PAE在戰術層面上協助有效任務規劃的能力。結果是非常令人鼓舞的：參與者能夠成功地完成他們的任務。他們發現界面很容易理解和操作，原型被認為是他們目前做法的一個有價值的選擇。我們的研究提供了對新型數據表示形式的可行性和有效性的密切洞察，以及它在不同社區之間復雜的操作技術（OT）環境中支持更快和更好的態勢感知和決策能力。

引言

A.研究領域

持久性增強環境（PAE）是一個系統，它使用共享（多用戶）環境、增強現實（AR）技術和一系列傳感器的概念來創建過程和數據集的可視化表示，這些數據集被持久地（在很長一段時間內）添加、操作、可視化和分析，以支持人類操作員所做的一系列任務[1]。PAE被認為有可能給許多領域和人類任務帶來好處，包括網絡系統的可視化、網絡態勢感知和決策工作領域。

PAE的重要概念包括將實時信息傳遞給人類操作者，并以一種比傳統的信息記錄和傳遞形式更容易理解的格式。后者提高了解決整個海軍領域不同社區的許多用戶的需求的潛力，減少了錯誤的數量，并將大部分時間用于決策過程。

由于用戶數量眾多，社區各異，必須準確及時地解決收集、處理和操作大量數據的需求。此外，網絡領域的復雜性促使人們需要簡化、準確和及時的信息。與AR系統非常相似，PAE允許用戶在現實世界中處理和操縱虛擬物體，并同時看到眾多用戶之間的系統實時自動同步變化。這種虛擬和現實信息的實時無縫整合解決了網絡領域的復雜性，最終在大量用戶和不同社區之間提供了行動的準確性和及時性。

我們設計和開發了一個PAE系統原型，并分析了它如何支持海軍領域的網絡系統可視化和任務規劃操作。我們努力的主要目標是提高單用戶對水面資產上復雜網絡的理解和態勢感知，以及對設備當前網絡狀態的實時表示，從而使海軍部（DON）的任務規劃更加有效。在戰術層面上，這項研究將使我們進一步了解為支持有效的任務規劃而需要建立的技術基礎設施和流程。該系統有可能為美國防部所有部門帶來明顯的好處。

B.研究問題和動機

在美國海軍中，為了完成不同的任務，多個作戰群體依靠網絡群體來顯示網絡和通信狀態，以維持作戰畫面并提供通信。美國水面艦艇上的網絡和作戰系統的整合，在將信息和網絡狀態顯示為二維（2D）物體時，會在作戰人員中造成混亂。特別是當網絡設備發生意外變化時（即失去電力、拒絕服務、失去衛星覆蓋等），情況更是如此。設備的變化不僅影響到船上的通信，而且還影響到領導人的整體態勢感知。利用PAE系統整合三維（3D）數據和立體顯示，有可能通過實時自動顯示系統變化，大大幫助決策者了解復雜的網絡。

1. 網絡對通信至關重要（我們為什么關心）

網絡對于海軍資產之間在作戰層面的通信是至關重要的。如果沒有網絡設備，一艘水面艦艇就失去了與指揮系統（CoC）進行快速和準確溝通的能力。同樣，CoC也不能有效地將他們的信息傳達給各個水面艦艇。現在，我們可以把單艦沒有能力接收任務或發送狀態更新的想法，然后把可用的水面資產數量增加到一個多資產的航母打擊群（CSG）。這導致整個CSG中的五到六艘艦艇沒有能力與CSG指揮官就當前的任務甚至是日常行動進行溝通。即使海軍可以使用傳統的通信方式，如摩爾斯電碼和旗語信號來傳遞簡單的信息，但更復雜的信息必須以容易消化的格式來表示，以便決策者能夠了解當前的行動并迅速作出最佳決策。

通過在地面資產之間利用PAE系統，PAE系統有可能改善對復雜信息的理解，它將從紙質手冊或電子圖書館中獲取的二維信息轉化為三維可視化系統，并不斷更新三維可視化，以反映用戶的互動和該系統接收和生成的數據集的不斷更新。PAE系統也有可能訪問歷史數據，這在分析歷史趨勢或行動后報告（AAR）中可能是至關重要的。歸根結底，網絡領域值得采用新技術并尋找更好的解決方案。

2. 網絡設備狀態

為了了解單位層面的網絡設備狀態，戰略層面的決策者依賴于目前海軍傳統上使用簡報、聊天和語音報告的做法。然而，這些信息可能是過時的和不準確的，最終在需要了解網絡領域的服務和設備可用性的決策者中造成了混亂。網絡領域是一個復雜的領域，需要有效的管理和理解網絡操作，包括海軍艦隊之間的共享態勢感知（SA）。網絡設備在不斷變化，這取決于設備的狀態和水面艦艇的地理位置，這些都會影響連接性。

海軍操作員和領導傳統上使用各種格式的二維網絡拓撲圖和微軟文件來描述網絡系統的運行狀態并維護資源管理。這些二維模型最初是為了協助領導和操作員對網絡進行清晰的可視化；然而，隨著時間的推移，網絡資產的增加，從而增加了二維模型的復雜性，使得理解這些綜合系統變得更加困難。正因為如此，二維網絡圖和拓撲結構的顯示更成為理解新系統集成或系統變化的障礙。理解傳統的、印刷的二維信息（圖1）所花費的時間已經不能滿足操作人員和作戰人員的需要，也不能及時為決策者提供簡明清晰的信息。

3. 從PowerPoint幻燈片（2D信息）到增強現實（3D信息）

當代支持人類操作和決策的技術已經從過去適度的形式上有了飛速的發展。數據的表現形式現在可以采取三維信息的形式，不再是靜態的，而是動態變化的，支持用戶與相同數據集的實時互動。然而，今天大多數水面資產的重要通信包括不同級別的互聯網連接，便于分享PowerPoint簡報和接收在二維空間表示的語音或書面報告。這些傳統的通信途徑是艦艇當前作戰狀態的快照或對即將到來的任務的一系列預期；它們推動了美國海軍 "維持、訓練和裝備能夠贏得戰爭、阻止侵略和維護海洋自由的戰斗準備的海軍部隊 "的能力[3]。正如Timmerman的論文研究[4]中所認識到的，目前的二維可視化將復雜的操作技術（OT）系統顯示為網絡社區所習慣的平面信息技術（IT）圖，從而過度簡化了這些系統。另一種更優越的表示方法是在三維空間中顯示邏輯網絡元素，反映這些網絡的物理和邏輯的復雜性。通過研究數據的三維表示法，海軍可以加快關鍵的時間敏感數據的流動，這些數據原本是在二維空間，變成更容易理解的三維信息。

研究的總體目標是對PAE系統原型進行定量評估，通過可用性研究分析其如何支持海軍領域的網絡系統可視化和任務規劃操作。對復雜網絡及其相應拓撲結構的傳統理解是基于技術手冊中的藍圖的二維圖紙。這種信息的翻譯再由非主題專家（SME）通過PPT簡報（或口頭簡報）進一步稀釋，以告知高層決策者的指揮系統當前在水面資產上的通信狀態。最終，在二維信息、口頭或PowerPoint簡報和向高層決策者提供綜合信息之間會有時間損失。向決策者展示復雜系統的解決方案是通過PAE將二維信息表現為三維信息。

C. 研究問題?

本論文探討了以下問題。

• 什么是有可能為任務規劃提供更有效支持的技術框架？

• 網絡通信能力的三維可視化和PAE系統能否為網絡領域特定的任務規劃要素提供有效支持？

• PAE系統能否有效地協助戰術層面的任務規劃任務，具體到網絡通信的管理？

D. 范圍?

本論文將限于開發一個PAE系統原型，以幫助可視化用戶研究所需的網絡基礎設施。可用性研究有兩個不同的目的：檢查用戶對海軍網絡戰斗空間的三維可視化的理解，跨越多個艦艇的通信和網絡基礎設施，并評估PAE在戰術層面上有效協助任務規劃的能力。雖然海軍領域的PAE的大概念被設想為支持許多作戰任務和訓練情況[1]，并包括與作戰系統的互連性，但為本論文開發的原型系統將有足夠的功能來支持用戶研究。

E. 研究方法

本研究的研究方法包括以下步驟:

1. 進行文獻回顧。在AR、虛擬現實（VR）、SA、潛在多用戶環境、網絡可視化實踐以及應用于AR的持久性系統等領域進行文獻回顧。

2. 執行任務分析。進行任務分析，分析當前網絡操作、決策以及整個艦隊的設備和服務可用性的資源管理的做法。這包括但不限于詳細分析航母上的戰斗值班長（BWC）與巡洋艦或驅逐艦上的作戰指揮官（CRUDES）之間的報告和互動，當前的網絡可視化做法，以及PAE的有效性。我們還將對目前的報告標準和現有的SA任務和實踐進行詳細的任務分析。

3. 確定三維模型。確定一套支持虛擬環境和可用性研究所需的用戶任務的三維模型。

4. 設計和開發一個PAE原型。設計和開發一個支持可用性研究的PAE系統原型。

5. 設計和執行可用性研究。設計一個可用性研究，制定機構審查委員會（IRB）文件，對人類參與者進行研究，并檢查用戶執行所需任務的經驗。可用性研究的設計將針對網絡領域的可視化，側重于用戶更好地理解網絡設備如何與其他系統相互連接的能力，并實時描述網絡戰斗空間。此外，該設計將被定制為展示多艦情況下的決策，并衡量界面在支持任務規劃和資源管理方面的有效性。

6. 分析數據。分析研究中收集的人類性能數據，并檢查PAE原型系統的技術性能。

7. 確定建議和未來工作。收集并確定對未來可能的工作的建議。

F. 論文結構

第一章：導言。本章介紹了研究空間的最關鍵要素：領域、問題、研究問題、范圍和用于解決所有研究問題的方法。

第二章：背景和文獻回顧。本章強調了VR、AR、混合現實（MR）、持久性系統和SA的定義。文中回顧了關注AR和VR技術的研究經驗，并討論了多用戶環境、現有網絡可視化實踐和持久性系統與AR技術結合應用時帶來的潛力。

第三章：任務分析。本章分析了目前整個艦隊的網絡操作、決策以及設備和服務可用性的資源管理的做法。

第四章：系統原型。本章闡述了PAE系統的設計和開發、系統結構和模擬環境。本章還描述了訓練場景和一套支持建立可用性研究所需的虛擬環境的三維模型。

第五章。可用性研究。本章介紹了可用性研究的要素，文中還討論了從可用性研究中收集的數據集中得出的結果。

第六章：結論和未來工作。本章概述了本研究的主要內容，并對未來的工作提出了建議。

數字孿生有可能支持設計、建造、運營和維護美海軍部（DON）賴以開展海軍行動的平臺的決策者。然而，由于數字孿生的應用范圍和與之相關的風險仍不清楚，因此關于數字孿生的知識體系很薄弱，這給美海軍部帶來了挑戰。本論文進行了定性的技術評估，以確定采用數字孿生對DON的企業架構的影響。對企業范圍內采用的分析確定了數字孿生在DON的戰略、流程、人員、技術、網絡安全和風險管理方面的機會和風險。數字孿生提供的商業價值主要取決于物理平臺的總風險值和數字孿生同步的度和頻率。

海軍服務是基于平臺的（美海軍部，2020c）。在戰術層面上，海軍行動是由艦艇、飛機和潛艇等平臺進行的（海軍部，2020c）。這些海軍行動是為了履行海軍的持久職能。

海軍對復雜系統的依賴，如艦艇和潛艇，來進行海軍行動，這就要求有效地管理和開發這些產品及其相關的信息。這些產品的開發采用了設計、開發、運行和處置四個階段的過程。這個過程被稱為產品生命周期管理（PLM）。DON開發和維持有效的PLM是至關重要的。沒有足夠的PLM，國防部不可能開發、部署和維持滿足不斷變化的海洋環境需求的平臺。海軍作戰部長（CNO）2021年的NAVPLAN進一步強調了PLM對海軍的重要性。在他對美國海軍的指導中，CNO解釋說，"專業地照顧我們的平臺是我們的DNA"，"維持我們的船舶和飛機對滿足未來的需求絕對是至關重要的"（海軍作戰部長[CNO]，2021，第7頁）。

為了維持所需的PLM，DON必須發現和利用減少不確定性的手段。不確定性限制了決策者在他們管理的產品中避免風險和利用機會的能力。不確定性表現為知識不足的結果（Kramer，1999）。因此，不確定性可以通過決策支持工具來減少，這些工具可以為決策者提供及時和相關的信息，以做出更明智的決策（Kramer, 1999）。數字孿生是一種新興技術，能夠在PLM過程中支持DON決策者。數字孿生是現實世界系統的數字表示（Gartner，n.d.-a）與數字建模等類似概念不同，數字孿生是完全集成的，數據在物理產品和虛擬產品之間雙向常規流動（Grieves & Vickers，2017）。對產品數據的常規捕獲和分析可以支持對物理產品的決策。然而，在DON背景下，采用的好處和風險并沒有明確界定。本論文旨在探討數字孿生如何以及為什么可以在產品生命周期管理（PLM）的背景下被DON采用。

A. 問題陳述

美國防部的運作需要協作、復雜和昂貴的系統。國防部產品生命周期管理（PLM）中的挑戰導致操作能力下降以及財政需求增加。數字孿生有可能幫助國防部克服這些挑戰，保持國防部系統狀態的最新數據，并進行自動數據分析以幫助決策。然而，關于數字孿生的知識體系對國防部來說是一個挑戰，因為整個應用范圍和與數字孿生相關的風險仍不清楚。隨著國防部繼續尋找能夠延長其系統使用壽命的方法，由計算機支持的收集和響應通過數字孿生提供的數據變得越來越可取。因此，需要研究如何在DON企業內采用數字孿生，以及與這種潛在采用相關的商業價值。

B. 目的聲明

本研究的目的是探索如何在國防部內采用數字孿生。這項研究的重點是確定（a）數字孿生對國防部企業架構的影響，（b）采用數字孿生對美國防部PLM的好處和風險，以及（c）數字孿生能夠為國防部提供的商業價值。這項研究的目標很重要，因為美國防部PLM的不足對國防部的運營能力有直接的負面影響。這項研究的結果可以幫助國防部更好地了解如何采用數字孿生，最終目的是改善PLM，從而提供商業價值。

C. 研究問題

• 1.采用數字孿生如何影響海軍部的企業架構？

  • 1.1.業務流程是如何改變的？

  • 1.2.對海軍部的網絡安全有什么積極和消極影響？

• 2.如何采用數字孿生來支持海軍部的產品生命周期管理？

  • 2.1.數字孿生給組織帶來什么好處？

  • 2.2.數字孿生給組織帶來什么風險？

• 3.數字孿生能給海軍部帶來什么商業價值？

  • 3.1.所提供的價值是否值得采用？

D. 論文的組織

本論文又分為四章。第2章是文獻回顧，調查了數字孿生的背景、組成部分和應用。第3章解釋了分析的方法。第4章是基于研究問題的數字孿生的分析。第5章是結論，提供關鍵的見解、建議和未來研究的機會。

摘要：基于能力的規劃作為國防規劃的一種方法，是一個幾乎無限復雜的工程系統，有無數的節點和相互依賴的層次，受到國家和非國家的外交活動、信息、軍事和經濟行動的影響，產生次要和第三秩序的影響。基于能力的規劃的主要產出是實現預期最終狀態所需的一套能力要求。一種振興的定性技術使我們能夠深入了解軍隊中的非結構化和模糊的問題，這就是兵棋推演--其最簡單的形式就是手工戰爭演習。同時，人們一直在推動將計算機輔助引入這種兵棋推演，特別是支持裁判員的裁決，并更普遍地走向兵棋推演中人類因素的完全自動化。然而，兵棋推演中的計算機輔助不應該不計成本地被推向量化技術。一個問題的客觀復雜性往往不允許我們以必要的保真度來復制作戰環境，以獲得可信的實驗結果。本文討論了一個發現實驗，旨在驗證在計算機輔助兵棋推演中應用定性專家系統來開發能力要求的概念，以減少裁判員的偏見和與他們的決定相關的風險。這里的創新在于，在設計構成專家系統核心的能力發展理論模型時，應用了系統動力學建模和仿真范式。這種新的方法可以對不同的能力要求建議進行定性比較。此外，專家系統使我們能夠揭示預算削減對擬議的能力要求解決方案的影響，而公斷人以前在比較單個解決方案時，僅僅依靠自己的知識是無法闡明這種影響的。兵棋推演中的玩家驗證了所提出的概念，并提出了該研究可能向前發展的方式：即使用戶能夠定義他們自己的能力，而不是被預先定義的能力集所限制。

關鍵詞：計算機輔助兵棋推演；基于軍事能力的規劃；兵棋推演；能力要求；專家系統

1. 簡介

通過數據處理收集信息并將其轉化為知識是決策中的一個重要方面[1,2]。當前復雜的環境，由于多維作戰、武器系統的多樣性、國家理論的差異、領導層的個性以及無處不在的信息而變得更加復雜，這就更加需要減少克勞塞維茨的戰爭 "摩擦"[3]。減輕這種摩擦的一種手段是通過增加定量分析來支持決策，同時又不失去決策過程中以人為核心的主要優勢。因此，在實現軍事信譽的同時，實現數學的嚴謹性以支持決策過程是一項持續的努力。創新來自于知識的發現[4]。因此，指揮官需要有能力研究和重新研究產生非結構化問題的復雜系統，以發現創新的方法，從而形成對對手的比較優勢[5]。

研究問題的定性和定量方法形成了兩個基本的方法系列，可以相互受益[6]。無論是定性還是定量，每種方法都包含了獲取問題信息的具體技術。本文主張在分析復雜系統時使用一種定性方法；軍事防御規劃；一種建立在使用專家系統來裁決兵棋推演的方法。

下一部分首先描述了作為研究主體的軍事防御計劃的現狀，其次闡述了作為研究的主要應用定性方法的兵棋推演。接下來是對應用于國防規劃或相關領域的定量方法的文獻的回顧，展示了其目前的局限性。

在一般的戰爭經驗中，各國已經認識到，為保護國家利益而提前做好準備是具有資源和時間效益的。國防規劃是這樣做的一種方式。20世紀60年代初，美國國防部在面臨尋找滿足美國政治指導的軍事力量結構的挑戰時，討論了這個領域的規劃[7]。同樣的目標也是北約主要機構之一--國防規劃委員會（DPC）的任務[8]。從[7,8]中我們可以得出結論，國防規劃的產出規定了對軍事力量的要求，以涵蓋各自國家或國際國防組織的政治野心。在《長期國防規劃手冊》中，我們發現了國防規劃的其他特點，特別是它的長期方向、戰略層面和多學科的特點[9]。Breitenbauch和Jakobsson，以及Stojkovic和Dahl強調了國防規劃的相同特點[10,11]。這使得國防規劃成為需要解決的最復雜的軍事非結構化問題。此外，不確定的作戰環境使國防規劃變得更加復雜[12]。

拋開冷戰時代，北約決定更多地參與危機應對行動，并重建其防御能力，以完成相應的軍事以及非軍事任務。這一轉變的實際結果體現在北約防御規劃進程（NDPP）中，這一進程的產出是一套能力要求，而不是所需部隊的清單[13]。這種方法被稱為基于能力的規劃（CBP）[14]。

盡管北約國家及其合作伙伴一直被鼓勵將他們的程序與NDPP同步，即以能力規劃而非武力規劃為導向，但仍有一些國家的國防規劃仍然主要集中在武力規劃上[15]。CBP國防規劃方法為其用戶提供了一個共享的規劃平臺，用于制定整個軍事和非軍事活動的必要工具要求。CBP與它的載體的通用能力一起工作，它為內部以及外部的商業或國有載體提供一個共同的平臺。此外，CBP比部隊規劃更有效地將國防規劃和行動規劃聯系起來。

北約將軍事能力定義為通過采用一套綜合的方面來創造效果的能力，這些方面可分為理論、組織、訓練、物資、領導力發展、人員、設施和互操作性[16]。欣格將軍事能力定義為在特定作戰環境中實現預期效果的能力[17]。在這項研究中，引入了一個能力的理論模型，描述了能力隨時間變化的特征。能力是由其范圍和效果來描述的，例如。"能夠在極端炎熱和寒冷的天氣條件下進行聯合和聯合遠征作戰和戰術部署，并能在大多數地形的惡劣條件下作戰"。

圖1是由Hodicky和Melichar提出的，描述了CBP過程的概述和它在國家層面上的階段性應用[18]。

圖1. 基于能力的規劃循環過程，由國家政治指導和戰略分析提供能力發展計劃開始[18]。

國家政治指導，與預測20年范圍內的政治和軍事氣候的戰略分析同時進行，啟動了國家方案編制過程，并在戰略層面形成了描述未來作戰環境的情景。選定的場景為兵棋推演提供了刺激，產生了涵蓋所有潛在威脅和國家政治野心的能力要求。在現有力量和所需能力之間進行比較，產生能力差距。能力發展計劃包含每個能力發展的里程碑，推動所有中長期軍事投資。能力發展評估通過反映能力發展中必要變化的最新政治指導，向中央政治局提供反饋。

Spiegeleire具體說明了基于能力的規劃的趨勢，明確闡述了在未來復雜的作戰環境中，需要對國防規劃過程有更多的洞察力[19]。

定性調查方法涉及開放式問題和個人定義或解釋，以描述或理解一個事件[20]。在軍事領域，一種能夠獲得洞察力的重振的定性技術是兵棋推演--其基本形式是手動兵棋推演。近年來，美國軍方和北約重新發現了兵棋推演，認為它是探索日益困難的問題的有效途徑[21]。此外，兵棋推演的使用不僅限于軍事領域，其使用和價值的例子存在于不同的領域[22]，盡管它們超出了本文的范圍。

從歷史上看，兵棋推演是一種軍事上的主要工具。公元前5世紀，孫子將 "圍魏救趙 "作為理解孫子兵法概念的基本工具。然而，兵棋推演最重要的進步是由于喬治-海因里希-魯道夫-約翰-馮-賴斯維茨的努力，他在他的kriegsspiel[23]中開創了現實主義。

以下關于兵棋推演的定義使我們能夠制定其基本要素并幫助我們理解研究方法。

佩拉將兵棋推演定義為。"使用規則、數據和程序的戰爭模型或模擬，不涉及實際的軍事力量，其中事件的流程受到代表敵對雙方的玩家的影響，并反過來影響他們在這些事件過程中做出的決定[23]"。

北約（2015）將兵棋推演定義為。"通過任何手段，使用特定的規則、數據、方法和程序，對軍事行動進行的模擬[24]。

紅隊指南（2013）將兵棋推演定義為："基于場景的戰爭模型。"一種基于場景的戰爭模型，其中的結果和事件的順序會影響到玩家的決定，并受到其影響[25]"。

即使這些定義強調了兵棋推演的不同要素，它們共同構成了軍事兵棋推演的基本要素。兵棋推演（WG）的場景是玩家的開場白。它是對場景的詳盡描述，它包含了關于行動區域的地緣政治信息，描述了政治、軍事、經濟、社會、信息和基礎設施（PMESII）因素。WG的作戰命令（ORBAT）包含自己部隊的能力及其特點。WG地圖和圖表創建了場景和玩家之間的界面。它是場景的一個額外的附加物，使玩家沉浸在作戰環境中。WG時鐘是游戲流程的驅動力。它應該反映目標和玩家的需要。WG的規則和數據為玩家的行動和決策過程創造了界限，并在游戲中由裁判員執行。WG玩家賦予了兵棋推演動態的品質。他們管理計劃和決策過程。通常情況下，有兩組選手--藍色和紅色。WG分析員研究兵棋推演的執行結果，制定論據以支持裁判員的決定，并提出分析性問題。WG公斷人對選手的執行計劃進行裁決。裁判員是兵棋推演中成功認知子階段的主要推動者。他負責制定單一兵棋推演周期執行過程中的成就、挫折和限制。關于軍事領域的兵棋推演要素和兵棋推演生命周期的進一步閱讀，請參考《兵棋推演手冊》[26]。關于游戲機制的詳細設計，并非專門針對軍事兵棋推演領域，請參考Adams和Dormans[27]。

上述關于WG的定義有一個共同點--使用建模和仿真（M&S）。每個工作組都需要以最大限度接近現實的方式復制作戰環境。建模過程創建了一個操作環境的模型，模型的行為在模擬中通過模型的及時執行而被仔細檢查。仿真刺激了玩家：兵棋推演環境首先迫使他們在兵棋推演計劃階段發揮他們的創造力，其次迫使他們在游戲的認知階段進行學習。

沒有一種單一的兵棋分類被兵棋推演界所接受。了解和實施國防實驗指南》根據模擬類型的形式對WG進行了分類[28]。《紅隊指南》手冊將兵棋推演分為兩個大家族[25]。第一個家族屬于決策支持領域，第二個家族屬于培訓/教育領域。Purnele將兵棋推演按其裁決方式進行分類：研討會（非裁決）、矩陣、專家和剛性[29]。推動這項研究的WG分類闡明了在模擬作戰環境中所代表的WG元素的自動化水平[21]。圖2描述了WG分類的基本理念，它將WG問題的客觀復雜程度（定義為問題/系統元素/對象的數量及其關系的函數）[30]、WG元素的自動化程度和WG中代表的人類行為的保真度放在一起。我們根據我們對操作的觀察創建了圖2。

手動WG（MWG）沒有任何計算機手段參與執行WG。人工環形模擬代表了人工WG，其中作戰環境、行動方案和效果都是由人類完全控制的。MWG分析代表復雜系統的非結構化問題，對人類行為的保真度很高，因為它不取代任何WG的人類元素。完全自動化的WG（FAWG）有所有的WG人類角色，如裁判員、球員和分析員完全自動化。帶有自動分析員的閉環模擬表示FAWG。FAWG中沒有人類干預，就作者所知，目前還沒有這樣的解決方案。如果使用最先進的人工智能技術來實現FAWG，它對人類行為的保真度會很低。計算機輔助WG（CAWG）將特定的WG人類行為元素自動化。隨著CAWG中更多的人類行為元素被自動化，人類行為的保真度就會下降。

圖2. 在定量和定性技術格局中的WG分類（手工WG、計算機輔助WG和全自動WG）[21]及其與WG問題的客觀復雜性水平、WG要素的自動化水平和WG中人類行為的保真度水平的關系

因此，MWG傾向于采用更多的定性技術來發現信息，運用高水平的創造力；相反，FAWG代表了一種定量的方式，通過假設測試來分析問題。通過降低復雜程度，我們能夠使用更多的定量方法來研究一個問題，反之亦然。

下面的例子描述了與國防規劃或相關軍事問題有關的定性和定量技術的現狀。

一些定量方法的例子旨在將資源分配給不同的武器，以便通過優化單一目標函數，如有效性或利潤，有效地消除來自敵對國家的威脅。Gu at al.通過最大化預期效益實現了一個武裝部隊結構的規劃模型[31]。H?kenstad at al.比較了一組選定國家的長期防御規劃系統，并得出結論，大多數國家的目標是提高自己的利潤[32]。Zhang等人提出了一個模型，根據給定的作戰要求，通過武器系統的組合使能力差距最小化[33]。Wan等人引入了約束性非線性優化問題--武器發展規劃是通過最小化敵人造成的威脅作為目標函數來解決的[34]。這些研究[31-34]的主要缺點是缺乏人類行為因素，因為它們沒有任何兵棋推演的形式。因此，它們在基于能力的防御規劃方法中的適用性和結果的可信度是值得懷疑的。此外，模型中的實體被簡化為適合優化任務的形式，因此，與現實相比，這些模型的分辨率非常低（例如，在[33]中，作戰環境被簡化為傳感器、決策、影響者和目標等節點，屬性有限）。

Zhuang等人認識到，兵棋推演結構的復雜性使得任何分析得出的解決方案都是不可能的[35]。在他們對叛亂行動的決策研究中，Zhuang等人試圖改進決策啟發式的發展。這一努力始于對六人工作組行為的研究。該小組將一個MWG研討會游戲轉變為CAWG，玩家和裁判員完全自動化。自動化是通過簡單的規則完成的，這些規則決定了玩家如何實施基于PMESII的選項：政治（P）、軍事（M）、經濟（E）、社會（S）、基礎設施（I1）和信息（I2）。該研究與FAWG很接近，盡管沒有分析員是自動化的。該研究的局限性在于，自動化選手只能使用團隊編程的那套啟發式方法，而且模擬的作戰環境沒有達到完整的防御規劃的復雜性--它以叛亂行動為中心，這主要與軍隊的作戰和戰略決策水平有關。

Hernandez等人結合之前的努力[35]，將有自動裁判員的CAWG自動化，變成有自動裁判員和球員的CAWG，然后在CAWG的指定 "回合 "應用實驗和修改的決策啟發式方法[36]。該小組從實際的HITL CAWG中得出了他們最初的決策啟發式方法，并在操作社區內驗證了這些規則。該研究承認，啟發式方法需要適應情況的動態變化和參與的參與者。因此，作為階段性實驗的分階段決策啟發法被引入，它允許使用一套不同于原始兵棋推演的規則。在CAWG的每一回合中，都會創建一個新的起始決策點，玩家按照CAWG的起始點進行決策。這就為CAWG的每個回合創建了玩家的決策樹，然后對其進行編碼，并通過具體的實驗設計對CAWG進行考察。在CAWG中使用的模擬和平支援行動模型（PSOM）限制了研究。由于它是作為對戰略層面的社會經濟問題的回應而開發的，并且面向非常不對稱的行動，因此它涵蓋了國防規劃中合理的軍事行動的有限范圍。

Najgebauer等人提出了定量方法，旨在評價所需的能力，評估現有的能力，并確定能力差距，以反映為一個國家確定的情景。該研究的主要限制是驗證部分和可信的軍事行動的范圍。用于驗證的離散模擬工具只能驗證射擊、機動和移動等能力。雖然這種方法因此在目前的軍事模擬中在作戰層面得到了很好的實施，但其余的效果--特別是戰略層面的剖析--并沒有詳細說明，也無法進行驗證。此外，所提出的解決方案是基于閉環模擬，因此它屬于有自動選手和裁判的CAWG系列。在尋找能力需求方面缺少人的因素[37]。

聯合防御規劃分析和需求工具集（JDARTS）支持北約防御規劃過程。它由相互關聯的應用程序組成，通過北約防務規劃驅動防務規劃人員。兩個基本的應用程序，即國防規劃任務研究工具（D-MIST）和國防規劃能力分配邏輯計算器（D-CALC），構成了北約國防規劃的哲學方法。D-MIST開發并存儲任務類型，然后組成作戰方案。最底層的任務分解是以任務為導向的，它們共同創造了D-CALC的刺激物。D-CALC開發并運行產生能力要求的腳本。這些腳本可以接受任何輸入，復制已實施的北約學說[38]。這個解決方案是有限的，因為在內部它不包含任何模擬，以驗證所提出的能力要求與作戰場景的關系。這可以從外部進行，結果可以轉移到腳本中，然而，在實踐中，如果你的目標是以高水平的模擬保真來涵蓋所有可能的軍事行動方案，這是不可行的。通常只采用簡單的經驗法則或靜態模型，這意味著能力生命周期的動態方面不能以這種方式隱含反映。

如[39]所述，挪威已經接受了JDARTS，并為其國防規劃過程進行了修改。盡管如此，前面提到的缺點仍然存在。

其他國家的努力涉及啟動國防規劃項目，有一個明確的基于能力的規劃架構，由各種決策支持工具支持，如知識管理、能力工程支持、概念開發和實驗以及模擬[12]。這項研究描述了整體框架，但沒有介紹擬議的決策支持工具的復雜實施細節。

Bychenkov at al.提議實施一個量化的專家系統，同時將能力分成功能組[40]。該研究描述了基于一個被稱為 "參與 "的單一功能組的專家系統的設計。這個功能組在轉移到能力載體層面時，相對容易通過眾所周知的單位位置、彈藥或軍事行動效力的定量參數來描述。然而，其余的功能組，將其能力轉化為能力載體，以及量化參數都沒有描述。

通過這次審查，我們得出的結論是 (1) 定量技術盡管適用，但給作戰環境帶來了高度的簡化；(2) MWGs應得到其要素自動化的支持，以達到分析的嚴格性；(3) 目前采用定量技術的CAWGs不能在不損失可信度的情況下處理解決問題的高度客觀復雜性。

本文的主要貢獻是驗證了使用定性專家系統來支持CBP的CAWG中的裁決的概念，作為防御規劃的一個選定方法。這里的創新在于，在設計構成專家系統核心的能力發展理論模型時，應用了系統動力學建模和仿真范式。系統動力學方法有利于在管理復雜系統行為時的政策確定過程[41]。這種新方法能夠對不同的擬議能力要求集進行定性比較。

本文的組織結構如下。第2節闡述了問題陳述和研究限制。第3節描述了旨在證明CAWGs支持CBP概念的發現實驗的方法。第4節列出了研究結果和討論，然后是第5節的結論。

目前，人工智能（AI）為改造許多軍事行動領域提供了巨大的機會，包括作戰、指揮與控制（C2）、后勤、安全和維護，以提高其整體作戰效率。空中和導彈防御（AMD）是一個特別復雜的任務領域，人工智能的應用至關重要。空中導彈防御任務指的是保衛國土、保護區、地面基地、地面部隊或艦艇免受敵對的空中或導彈威脅。AMD的威脅包括敵對的飛機、無人駕駛飛行器（UAV）或機載導彈。AMD行動的復雜性源于威脅的嚴重性、威脅的意外性、對形勢認識的不確定性以及事件的快速發展，因為作戰人員必須迅速評估形勢，制定適當的行動方案，并最好地利用他們的戰爭資產來應對。美國國防部（U.S. DOD）正在研究使用AI系統（或AI-enabled AMD[AI-AMD]系統）作為AMD作戰人員的自動決策輔助工具，以大大減少他們的認知負荷（Jones等人，2020），使AMD決策更快、更好。

人工智能的一個關鍵方面已經聚集了大量的研究興趣，那就是信任。信任是有效團隊的一個基本原則。它同時適用于人類和人機團隊。信任使團隊成員能夠很好地合作，是有效團隊表現的基礎（Lee and See 2004）。與人工智能系統的成功合作將需要人類對人工智能系統有一個校準的信任和依賴程度（泰勒等人，2016）。

隨著更先進和更快的空中和導彈威脅彈藥的發展和投入使用，操作人員更需要在AMD行動中迅速作出監測。不及時的決策和反應將導致災難性的后果。因此，人工智能是一個可能的解決方案，通過自動決策輔助工具加快和加強決策過程。這些AMD自動戰斗管理輔助工具可以幫助戰術操作人員應對更快的決策周期、大量的數據以及需要觀察的幾個系統或屏幕（Galdorisi 2019）。然而，為了有效地利用人工智能能力的潛力，需要操作員的高度信任。操作員對系統的信任程度低，可能會導致人工智能-AMD系統利用不足，受到不適當的監控，或者根本不使用（Floyd, Drinkwater, and Aha 2016）。這些問題中的任何一個都可能導致操作者的工作量不必要的增加，或者任務失敗的可能性。

論文對信任的定義、人機交互（HMI）的概念、信任因素以及包括AMD殺傷鏈模型、威脅場景、架構、模型和功能在內的概念模型進行了廣泛的回顧。有了這樣的認識，論文提出了人工智能-AMD系統的信任框架，對人機交互和人工智能-AMD系統信任因素的描述。論文最后提出了在人類操作者和AI-AMD系統之間實現校準信任的策略。

信任框架始于對系統背景的分析。圖1顯示了AI-AMD指揮與控制（C2）系統（包括AI-AMD操作員和決策輔助工具）及其他與之互動的子系統的背景圖，這些子系統有助于操作員和AI-AMD決策輔助工具之間信任的發展。背景圖使我們能夠研究各系統之間的相互作用，以及它們對AI-AMD操作員和決策輔助工具之間信任動態的影響。

圖1. AI-AMD系統框架圖。

這篇論文將信任定義為操作者的態度，即AI-AMD決策輔助工具將有助于實現操作者的目標，即在一個以不確定性和脆弱性為特征的作戰環境中迅速摧毀來襲威脅的任務。這種信任的定義表明，它是對操作者相信或感知AI-AMD決策輔助工具的一種情感評估。為了積極地影響信任，操作者必須親自看到并感受到AI-AMD決策輔助行動的優勢。AI-AMD行動涉及很多不確定因素，以及天氣、電磁干擾和地形等環境因素以及不斷變化的威脅的性質所帶來的脆弱性。操作員將預期AI-AMD決策輔助系統按照 "合同 "執行，以處理這些不確定性和脆弱性。這些合同將是人工智能-AMD決策輔助工具應該執行的感知功能或任務，以及執行這些功能或任務的理想表現。

圖2說明了操作員和AI-AMD決策輔助工具之間的信任框架。y軸代表人類對AI-AMD決策輔助系統的信任程度，x軸代表AI-AMD決策輔助系統的能力。綠色的45°虛線表示最佳的信任水平或校準的信任線，其中的信任與AI-AMD的能力相對應，導致正確的利用（Lee and See 2004）。過度信任由最佳信任水平線以上的區域表示，此時的信任超過了系統能力，導致誤用。低于理想信任水平線的區域表示不信任，這時的信任沒有達到系統能力，導致濫用。假設存在一些默認的信任水平（如黃框所示），目標是制定一個策略，以提高AI-AMD輔助決策能力的信任。在使用該系統時，可能會發生違反信任的情況，從而降低操作員的信任。因此，信任修復行動必須被納入，以保持信任在最佳水平。

圖2. 人類操作員和AI-AMD決策輔助工具之間的信任。

基于功能分配的操作員和AI-AMD決策輔助工具之間的人機交互研究表明，操作員和AI-AMD決策輔助工具應該被設計成在大多數殺戮鏈功能中作為一個 "團隊"運作。這引導論文研究了單獨和集體考慮人類和決策輔助的信任因素。對操作員和人工智能-AMD決策之間的人機交互的研究還顯示，操作員的角色已經從手動控制器變成了監督控制器。因此，一個值得信賴的決策輔助工具是很重要的，因為操作者會期望系統的表現符合預期，以幫助操作者更好地履行他的角色。另外，為了進一步幫助減輕操作者的認知工作量，信息的外部表示、決策輔助工具的建議必須易于閱讀和理解。

關于信任因素，本論文提出了一個 "由外而內 "的框架，如圖3所示。論文首先考慮了與操作環境相關的因素，這些因素描述了AMD操作系統的背景。第二，它研究了與組織環境相關的因素，操作人員和人工智能-AMD系統得到了培訓和發展。第三，論文研究了操作人員和人工智能-AMD決策輔助工具之間的交互，以提出與操作人員、人工智能-AMD、單獨和集體相關的因素。

圖3. 建議的信任因素

圖4顯示了擬議的戰略銜接圖，以實現操作者和AI-AMD輔助決策之間的校準信任。對信任定義、人機界面和信任因素的審查表明，該戰略應關注三個關鍵領域：（1）人類對自動化技術和AI-AMD決策輔助系統的集體和個人感知；（2）增強操作員和AI-AMD決策輔助系統的團隊活力；（3）AI-AMD決策輔助系統的可信度，重點是系統開發。該戰略利用DOTMLPF-P框架提出了三個關鍵原則和五個支持原則。首先，軍事作戰人員需要被告知自動化技術的真正能力和局限性，特別是AI-AMD輔助決策。第二，操作員的培訓要求必須增加，以應對新的工作范圍和不斷變化的威脅。第三，必須在人工智能-AMD決策輔助系統的開發中加入新的要求，以提高系統的可感知的可信度。這三個關鍵原則得到了DOTMLPF-P框架其他方面的支持，如組織、領導、人員、設施和政策。

圖4. 實現操作員和人工智能-AMD決策輔助工具之間校準信任的戰略銜接圖

現代戰術戰爭需要迅速而有效的決策和行動，以便在經常是高度動態和復雜的戰區保持競爭優勢。需要考慮的因素的數量因不確定性、事件的快速發展和人為錯誤的風險而放大。自動化、人工智能和博弈論方法的潛在應用可以為作戰人員提供認知支持。這項研究以自動兵棋推演輔助決策的形式探索了這些應用。該團隊為這個未來的系統開發了一個概念設計，并將其稱為兵棋推演實時人工智能輔助決策（WRAID）能力。

頂點項目的目標是探索自動化、人工智能和博弈論的應用，作為支持未來WRAID能力的方法。該團隊為WRAID能力開發了需求、概念設計和操作概念。該小組確定并探索了可能對未來實施WRAID能力構成障礙的挑戰性領域。該小組調查了與使用人工智能來支持戰爭決策有關的倫理挑戰和影響。

本報告首先對與WRAID能力相關的主題進行文獻回顧。文獻回顧從人工智能的回顧開始，提供了一個關于人工智能如何工作以及它能夠完成什么類型任務的概述。文獻綜述探討了人機協作的方法，以支持未來指揮官和人類用戶與WRAID系統之間的互動。需要翻譯指揮官的意圖，并讓WRAID將有意義的輸出傳達給指揮官，這需要一個強大的界面。審查包括傳統的兵棋推演，以研究目前的模擬兵棋推演是如何進行的，以便深入了解，未來的WRAID能力如何能夠實時復制兵棋推演的各個方面，并認為以前的兵棋推演可以為人工智能和機器學習（ML）算法的發展提供訓練數據。ML算法的訓練需要大量的代表性數據。文獻回顧研究了人類的認知負荷，以深入了解人類大腦的認知技能和上限；并確定人類思維的極限，以顯示人工智能可能提供的支持。文獻綜述中涉及的最后一個主題是，傳統的計劃和決策，以了解目前在軍事上如何制定戰術行動方案。

該小組進行了需求分析和利益相關者分析，探索WRAID能力如何支持作戰人員。該小組在需求分析的基礎上為WRAID系統開發了一套需求。這些要求被歸類為：硬件/軟件，人機界面，和道德規范。第一階段的分析結果包括 (1)戰爭的復雜性需要發展一種未來的WRAID能力，這種能力利用自動化方法，包括人工智能、ML和博弈論，(2)WRAID能力需要大量的計算能力和復雜的軟件算法，(3)實現未來WRAID系統的挑戰將是技術和道德的。

未來WRAID系統的概念設計是基于需求分析的。概念設計被記錄在一套系統模型中，包括背景圖、系統視圖、功能工作流程圖和操作視圖。該團隊開發了一個作戰場景，以支持對WRAID能力如何在作戰中使用。

在開發WRAID的過程中，預計會有一些路障。開發WRAID系統的技術是存在的，然而，研究小組發現數據挑戰、人工智能訓練、程序限制和當前系統工程的局限性將是需要解決的障礙。數據挑戰指的是獲得足夠的數據集的能力，這些數據集代表了訓練ML算法所需的真實世界的戰術行動和兵棋推演分析。程序性挑戰包括國防部實施網絡安全、機密數據、數據庫訪問和信息分配協議的能力。系統工程方面的障礙是需要新的方法來設計安全和可靠的人工智能系統，如WRAID能力。將需要SE方法來處理不可預見的故障模式，并在系統生命周期的早期確定根本原因。

對像WRAID能力這樣的人工智能系統的倫理考慮是系統發展的一個重要因素。開發系統以取代倫理學，將使系統更有可能被部署。有幾個有道德問題的自主武器系統被拉出來作為WRAID能力的道德對話的基礎。通過一個示例場景，對道德狀況進行定性分析，以了解在部署WRAID能力時可能出現的道德問題。倫理學在未來的技術中發揮著巨大的作用；從一開始就考慮到倫理學，建立技術是很重要的。

未來的重點需要放在繼續對想象中的WRAID系統采取正規的系統工程方法。WRAID系統需要一個強大的數據集，需要收集和注釋；收集的定性兵棋推演數據越多，WRAID系統的可行性和準確性就越高。與軍事部門的合作對于最大化WRAID的利益至關重要，例如情報和偵察組織。WRAID的模擬將是完善系統要求和創建現實模型的關鍵。關于如何使用WRAID的培訓和文檔應該同時開發，所以利益相關者，特別是指揮官已經準備好，知道如何使用這個新工具。未來的研究領域包括認知工程、基于正式模型的系統工程和人機協作。

隨著目前技術進步的速度和外國的目標，人工智能將在未來的沖突和戰爭中發揮作用。自上而下的指令將需要設計和實施WRAID能力：提供大量的資源，解決操作和文化變化，重組系統工程，并確保網絡安全和收購變化。實現未來的WRAID能力并不是一個微不足道的任務。然而，它對確保現在和未來的戰斗空間優勢至關重要。

摘要

記錄一個系統或集成系統內所有信息變化的出處，這提供了關于正在做出的決定和促使這些決定的重要信息。從取證的角度來看，這可以用來重新創建決策環境。然而，出處也可以為其他兩個重要功能服務。收集的數據可以支持組件的整合，而生成的圖形數據結構可以通過解釋、總結和告警來支持操作員進行態勢感知。混合戰爭將必然匯集不同決策支持能力，因為決策者必須在多個戰爭領域運作。自主代理將可能在計劃和執行過程中發揮作用，有時能夠在沒有人類干預的情況下做出決定，但人類決策者必須意識到這一點。事實證明，證據圖可以轉化為修辭結構圖（RSG），使代理能夠用自然語言甚至多模態交流，向人類解釋他們的行動。證據還被證明可以加強對計劃執行監控，并可用于向人類或自主代理提供通知，當計劃中使用的信息發生變化時，可能需要重新考慮計劃。隨著我們朝著智能機器在復雜環境中支持人類決策者團隊的方向發展，跟蹤決策及其輸入的需要變得至關重要。

引言

出處是關于實體、活動、代理以及這些概念之間關系的信息[1]。這些信息不僅僅解釋了發生了什么，它還回答了關于實體如何被操縱、何時發生以及誰參與了這個過程的問題。我們很可能熟悉關于追蹤藝術作品出處的新聞和虛構的故事。任何實體的創造、破壞或修改的出處都可以被追蹤。在本文中，我們將重點討論軍事系統內的信息。在指揮與控制（C2）內，信息出處對于記錄行動背后的決策過程是必要的，特別是當自主和人工智能（AI）代理深入參與時。參與某一過程的 "誰 "可能是人類或人工智能代理。

信息出處有幾個目的。在取證方面，出處追蹤提供了參與決策的人和代理，以及數據是如何演化為該決策的。美國公共政策委員會指出，數據出處是算法透明度和問責制的一個明確原則[2]。完整記錄的出處可以闡明數據的依賴性、責任流，并幫助解釋為什么采取某些行動。隨著人工智能和自主代理繼續自動化進程，它們在做出關鍵決策時已變得更加不可或缺[3]。

圖1 PROV-DM模型。

當前的海軍作戰要求水手們根據動態作戰環境中的不確定態勢信息做出時間緊迫和高風險的決策。最近的悲慘事件導致了不必要的傷亡，海軍行動中涉及決策復雜性，并特別突出了 OODA 循環（觀察、定向、決策和評估）中的挑戰。涉及使用武器系統的殺傷鏈決策是 OODA 循環中一個特別緊張的類別——具有難以確定的意外威脅、縮短的決策反應時間和致命的后果。有效的殺傷鏈需要正確設置和使用船上傳感器；未知接觸者的識別和分類；基于運動學和智能的接觸意圖分析；環境意識；以及決策分析和資源選擇。

該項目探索了使用自動化和人工智能 (AI) 來改進海軍殺傷鏈決策。該團隊研究了海軍殺傷鏈功能，并為每個功能制定了特定的評估標準，以確定特定 AI 方法的功效。該團隊確定并研究了 AI 方法，并應用評估標準將特定的 AI 方法映射到特定的殺傷鏈功能。

圖：利用人工智能改進海軍殺傷鏈的作戰概念

總結

當前的海軍行動通常是快節奏的、關鍵的，并且需要做出高風險的決策，這些決策有時基于非常動態的戰區中的不確定信息。許多例子強調了提高決策效率的必要性以及減輕觀察團隊負擔的必要性。缺乏上述情況的例子包括 2017 年的菲茨杰拉德號航空母艦 (DDG 62) 和 MV ACX Crystal相撞，以及 2009 年皇家港口號航空母艦 (CG 73) 的擱淺。一些根本原因是相關人員缺乏經驗、疲勞和壓力.

上述事故展示了軍事行動的難度，并展示了 OODA（觀察、定向、決策和評估）循環中的挑戰（Jones 等人，2020 年）。人為錯誤、人的認知限制和海軍作戰固有的決策復雜性導致了 OODA 循環中的挑戰，更具體地說，是殺傷鏈過程中的挑戰。

現代戰斗空間由來自常規陸地、空中和海洋等多個領域以及來自太空和網絡空間的大量數據組成。決策者需要考慮許多因素，包括交戰規則 (ROE)、要使用的武器、傳感器和意圖評估。發現、修復、跟蹤、瞄準、參與、評估 (F2T2EA) 殺傷鏈模型緩解了該過程的一些困難（參謀長聯席會議，2013 年）。人工智能 (AI) 和機器學習 (ML) 可以通過分析備選方案和使用評估標準將 AI 方法映射到殺傷鏈功能，從而幫助海軍在戰術領域做出殺傷鏈決策。這是在本報告的五個章節中分三個階段完成的。

本報告利用了數百個資源，主要利用了美海軍研究生院 AI-OODA 團隊在其 Capstone 報告（2020 年）中進行的先前研究，“利用人工智能 (AI) 進行空中和導彈防御 (AMD)：以結果為導向的決策援助。”他們將他們的工作與 John Boyd 的觀察、定向、決定和行動決策框架相結合。作為他們分析的初步步驟，AI-OODA 團隊將特定的 OODA 功能明確且緊密地耦合到特定的 F2T2EA 功能。然而，本報告斷言 OODA 循環是一個決策循環，它嵌套在殺傷鏈的每個功能中，而不是在高壓力或低壓力情況下專門映射到一個或多個殺傷鏈功能。團隊基于 F2T2EA 模型開發了一組 28 個殺傷鏈功能。

在制定將 AI 方法映射到殺傷鏈的評估標準時，很難確定一個好的決策，這對于決策評估至關重要。在評估決策時，必須考慮選擇行動時的知識意識狀態以及解釋能力。使用了幾種對決策進行評分的方法，從定義和優先考慮感興趣的“武器-目標”到制定評分標準和報告評估結果，以供其他人審查。

目前，人工智能的狀態非常廣泛，必須對其進行解釋，以了解人工智能對殺傷鏈中功能的適用性。本報告討論了所選 AI 方法的高級概述，并突出顯示了部分最流行的方法。首先，沒有普遍接受的定義，這很難定義人工智能。其次，人工智能與機器學習 (ML) 存在差異。 ML 允許在準確性和可預測性方面取得增量收益； AI 接收數據并通過算法提供輸出。人工智能的歷史從 1940 年代艾倫·圖靈 (Alan Turing) 的加密機器到 1980 年代美國政府在戰略計算計劃中的使用，再到今天在聯合人工智能中心 (JAIC) 中的人工智能戰略五個支柱，從領先的人工智能人力到安全和倫理。美國國防高級研究計劃局 (DARPA) 在 3-wave 框架中描述了 AI 的發展方向，分為手工知識 (Wave 1)、統計學習 (Wave 2) 和上下文推理 (Wave 3) 在 1-4 個維度內情報參數的屬性（Launchbury 2017）。這些屬性包括感知、推理、抽象和學習。

人工智能涉及可以根據輸入值預測結果的監督學習。有幾種使用監督學習進行學習的技術。包括線性回歸和分類。此外，許多數值方法可以分析發生的學習有效性，例如 F-score 和 Accuracy score。人工智能還可以使用無監督學習，它使用算法來發現未標記數據集中的數據模式或分組。在分析未知（y）響應以揭示標記（x）數據中的模式時，無監督學習是有益的。數據分析界的一個著名例子是鳶尾花（Iris flower）數據集。僅使用標記的數據，可以看到響應聚集在一起，并且可以確定響應中存在模式（花的種類）。無監督學習的方法包括聚類和 K-means，但還有其他方法。強化學習有一個代理能夠接收來自環境的反饋并理解基本目標。此外，正如 Sutton 和 Barto 在（2018 年）中解釋的那樣，探索和開發之間存在權衡。最后，生成對抗網絡 (GAN) 利用無監督學習和強化學習，通常用于神經網絡 (NN)。神經網絡是機器學習算法的極好來源，它有大量的輸入，而這些輸入又會產生大量的計算。 NN 非常適合用于模擬、自然語言處理、博弈論和計算機視覺。 NN 只是一種將輸入映射到輸出的簡單方法，可以在此過程中進行學習。然而，NN 可以被描述為一種“黑盒”學習技術，因為很難解釋正在發生的事情，并且通常需要一種可解釋的 AI (XAI) 技術。 XAI 的三個主要組成部分是可解釋模型、解釋界面和解釋心理學（Gunning 2019）。數據安全必須與“大數據”一起考慮，“大數據”是指非結構化、復雜和大型數據集，具有五個 v 特征：數量、速度（數據量隨時間變化的增加）、多樣性、真實性和價值。其他理論包括決策理論、模糊邏輯和效用函數

使用上述文獻綜述，該團隊開發了一個框架，用于將 AI/ML 映射到 AMD（空中導彈防御）殺傷鏈。采取了四個步驟：1) 建立模型框架，2) 確定決策點，3) 應用 AI/ML 方法，以及 4) 分析結果。該團隊確定了以下用于殺傷鏈映射分析的 AI/ML 方法：線性回歸、邏輯回歸、聚類、關聯、隨機森林、神經網絡、GAN 和樸素貝葉斯。評估標準被稱為“決策點”并提出四個問題：（1）所需輸出的類型是什么，（2）所需的學習類型是什么，（3）可解釋性（XAI）是什么水平需要，以及 (4) 需要多少個預測變量？該團隊通過基于一組決策點和評分過程評估每個殺傷鏈功能的每種方法來執行映射。對于被認為非常適合某項任務的方法，得分為+1，如果該方法適合但次優，則為0，如果該方法不適合該任務，則為–1。

該團隊進行了映射分析，根據與殺傷鏈的 28 個功能中的每一個功能相關的評估標準（決策點）分析 AI 方法。該團隊使用評分方法來確定每個殺傷鏈功能的最佳整體 AI/ML 分數。團隊的映射顯示為 0。

該團隊的 AI/ML 映射到殺傷鏈功能為國防部和海軍提供了兩個關鍵好處。首先，映射本身是設計和開發支持殺傷鏈決策的人工智能戰術決策輔助工具的重要起點和基礎。其次，該團隊將 AI 方法映射到殺傷鏈的分析過程可用于了解 AI 在許多其他軍事和非軍事領域的應用。識別適當的人工智能方法、制定評估標準和評分過程以及制定過程功能以進行分析映射的過程對于支持許多不同人工智能系統的工程具有深遠的潛力。

表1：AI/ML方法到殺傷鏈的映射