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

我們生活在一個 “智能物聯 ”時代，“智能物聯 ”將決定我們的生活方式。戰場物聯網（IoBT）將產生巨大影響，以難以理解的方式和規模戰勝對手。IoBT 能夠在戰場上提供高效的態勢感知，可以改變戰爭的進程。

物聯網無邊界技術的概念仍處于萌芽階段，世界各地都在為物聯網無邊界技術的實際應用而努力研發，其中最著名的是美國陸軍研究實驗室。

武裝部隊需要注重 “自下而上 ”的方法，讓最小的團隊也能使用 “智能 ”系統。然而，實施 IoBT，讓人類士兵和機器為特定任務組成量身定制的單元/團隊，會帶來許多挑戰，需要對方法、培訓、組織等進行各種變革。

IoBT: 軍事行動中的廣域

時至今日，沖突依然曠日持久，戰斗則變得迅速而致命。造成這種情況的主要原因是監控設備的遠距離以及強大的通信系統和遠距離載體。然而，智能系統和 5G 的低延遲（美國國防部，2024 年）將進一步使指揮官能夠對遠程行動進行實時監控，從而消除因獲取大量許可而造成的行動延遲。在 IoBT 中，衛星、無人機、主動和被動監控設備以及地面士兵等傳感和監控資源被用來通過各種傳感設備獲取有價值的信息。利用云計算和邊緣計算，這些設備被進一步連接起來，形成一支有凝聚力的戰斗部隊，從而提高作戰效率。說到這里，我們有必要了解一下 IoBT技術在戰場領域的應用范圍。利用該技術可開展的各種行動包括：

• 收集戰場數據
• 監測士兵健康狀況
• 裝備和車隊管理
• 識別對手
• 智能基地
• 遠程培訓

圖 1：物聯網技術的組成部分

IoBT：不確定環境中的挑戰

未來戰爭的特點將是智能聯網設備與人類戰士（機器和機器背后的人）之間的有效合作。各種與網絡連接的人工智能物體，如制導導彈、無人值守地面傳感器、無人駕駛飛行器等將主宰戰場，并在高度敵對的環境中與士兵協同作戰。瞬息萬變的戰場將帶來真正的挑戰，在這種情況下，對手會利用混亂、欺騙等手段來獲得優勢。因此，IoBT 必須支持多種應用需求：

• 不同的任務、任務和目標。IoBT 應具備滿足任務要求的特定條件。任務可能多種多樣，從追蹤在混亂環境中移動的分散目標群的廣域持續監視，到監測士兵生理和心理狀態等局部任務。任務不會同時開始或結束，在整個任務期間可能會出現新的任務。

• 快速適應不斷變化的任務。為了保持行動節奏，目標驅動型 IoBT 必須快速組成和部署?，例如，在快速形成的前方集結區/釋放點。一旦部署完畢，戰場的動態變化將導致任務的改變，導致新任務的出現，并促使指揮官改變戰術。這些變化使得 IoBT 必須能夠與當前任務需求和規格保持同步，并為可能同時出現的新任務提供有效支持。

• 資源高度緊張的資產。許多系統將同時部署在物聯網中，這些系統由能源、電力、存儲、帶寬、基礎設施（可能沒有固定的基礎設施）等方面受到限制的劣勢資產組成。物聯網技術必須能夠在這些嚴重的限制條件下運行，同時又不影響其對時間緊迫的任務的支持。

• 極端異構性。異質性體現在物聯網技術的多個方面。各種傳感設備會產生多模式數據，各種計算設備會產生不同的處理能力。此外，甚至對手也會使用物聯網技術。因此，創建一個能夠承受這種異質性并提供可靠解決方案的強大物聯網網絡變得非常重要。

• 有爭議和敵對的環境。許多 IoBT 將在物理安全性有限的情況下進行前沿部署。就像今天的電子戰一樣，物聯網技術在保護自己的物聯網技術安全的同時，也會成為敵方的攻擊目標。這意味著必須保護己方物聯網技術免受復雜和持續的威脅，同時設法破壞敵方物聯網技術，以獲得戰勝對手的優勢。必須采取網絡/信息安全措施來保護 IoBT，分析人員必須能夠處理相互沖突和欺騙性的數據，以保護自己的系統。

人工智能（AI）已進入世界各大行業，軍事行業也不例外。幾乎每個國家都在尋找新的方法將人工智能應用到軍隊中，無論是通過作戰、醫療還是分析預測。雖然戰場上的人工智能是頭條新聞（如無人駕駛無人機、智能彈藥等），但其潛力并不止于此。說到人工智能在戰場之外的用途，能夠監測生命體征、定位失蹤人員和進行預測性維護的程序只是軍方如何在非戰斗環境中使用人工智能的一些例子。

本文的目的是探討上述人工智能的用途，具體來說，就是在涉及美國海岸警衛隊（USCG）的深海和近岸搜救（SAR）案例時，分析實施預測分析人工智能機器學習算法的可能性。這將通過將人工智能模型與海岸警衛隊目前用于定位溺水人員的計算機程序（即搜救優化規劃系統（SAROPS））配對來實現。本文的研究將解釋為什么在美國海岸警衛隊中實施人工智能是有益的，同時還將解釋將使用哪種人工智能，以及如何對人工智能進行編程以完成所需的必要任務。本文還將介紹預測分析型人工智能在軍事領域的現狀、美國海岸警衛隊（USCG）當前的搜救協議，以及美國海岸警衛隊（USCG）如何將人工智能與當前的搜救行動結合起來，以提高搜救成功的可能性（POS）。

搜救優化規劃系統（SAROPS）

近 15 年來，SAROPS 已被證明是尋找溺水人員的有效算法，但 SAROPS 在某些方面仍有不足，人工智能算法的加入將使其受益匪淺。就目前而言，SAROPS 有兩大問題需要解決，而人工智能的加入將使其立即受益。

當前 SAROPS 程序的第一個問題是使用起來越來越復雜，需要大量的培訓才能準確操作程序。美國海岸警衛隊退役指揮官德魯-凱西（Drew Casey）（2021 年）說："海岸警衛隊的搜救案例規劃軟件--搜救最佳規劃系統（SAROPS）變得越來越復雜。它不僅需要指揮中心多年的經驗才能掌握其使用方法，還需要掌握其輸出結果的實際應用"（Casey，2021 年）。雖然 SAROPS 是一個有用且有效的程序，但它的操作難度卻越來越大，尤其是在專業技術力量薄弱的小型單元。像 SAROPS 這樣的高難度程序在高壓力環境（如搜救案例）中的學習也具有挑戰性。凱西接著說："現在，行動專家要花費大量時間......接聽來自各種報告來源的電話，并將相關信息分發給......分區指揮部的主題專家。這種控制范圍的擴大和行政消耗的增加從來都不是有意為之"（Casey，2021 年）。隨著 SAROPS 操作難度的增加，這給知道如何使用 SAROPS 的操作專家（Operation Specialist，OS）帶來了巨大的壓力，導致操作專家的壓力增加，犯錯的機會也隨之增加。采用機器學習算法后，一旦人工智能學會了如何實現成功的 SAROPS 案例所需的功能，就不再需要大量的人工輸入。信息可以直接發送到數據庫，然后人工智能就能對其進行標注和相應的使用。使用人工智能將大大減少教導新操作員如何有效使用程序的時間，從長遠來看，它還能確保更高的準確性，因為計算機在標注數據集和輸入信息方面比人類更準確。

這就引出了第二個問題：準確性。SAROPS 是一個需要高度準確性的程序，但遺憾的是，實現最佳結果所需的準確性水平并非總能達到。美國海岸警衛隊海洋學家克里斯蒂娜-福布斯（Cristina Forbes）（2024 年）在談到 SAROPS 的準確性時說：“模型數據的不準確性對海上失聯海員的搜救工作來說非常具有挑戰性，因為搜索將在錯誤的地點進行，從而延誤救援并耗費資源”（福布斯等人，2024 年）。如果在 SAROPS 編程時出錯，后果將是耗費時間，而時間在 SAR 案例中是非常寶貴的。對人工智能進行編程，使其能夠成功地對大量信息進行分類，將大大降低錯誤數據危及任務的風險，因為人工智能不僅擅長準確整理和計算數據，而且讓人工智能發揮主導作用幾乎可以完全消除人為錯誤。這也讓 SRU 在運行時更有把握，知道他們發送的搜索模式是最好的，因此在高度緊張的情況下不會再猜測算法。這是人工智能在搜救領域發揮作用的兩種最直接的方式，美國海岸警衛隊可以通過實施預測分析 ML 程序輕松實現這一目標。

如今，航空業不斷發展，特別是隨著新技術和新解決方案的出現。因此，航空業對提高安全性和運行效率的要求越來越高。為了保證這種安全性，必須對飛機發動機進行有效的監測、控制和維護。因此，研究界正在不斷努力，以提供高效、經濟的解決方案。在這個意義上，人工智能，更具體地說，機器學習模型已經得到了應用。這就是本文的命題所在。它提出了利用機器學習模型實施預測性維護的解決方案。它們有助于預測飛機故障。這是為了避免計劃外維護和服務中斷。

通過整合尖端技術和先進的數據分析，航空業已進入飛機維護和可靠性的新階段。在航空領域，飛機部件的可用性和良好運行一直至關重要。通過準確的故障預測可以提高飛機系統和部件的可用性。維修作業的時間安排是決定飛機部件維護和大修總成本的關鍵因素，而維護和大修成本在航空系統的所有運營費用中占很大比重。在航空業，設備維護主要有三種形式。糾正性維護涉及維護程序和使用飛機設備時出現的計劃外問題，如機器和設備故障。預防性維護旨在通過定期維護減少計劃外維修，防止設備故障或機器故障。計劃中的任務可避免意外停機和故障事件，最大限度地減少維修操作的需要。顧名思義，預測性維護利用設備運行期間測量到的參數來預測潛在的故障。其目標是在故障發生前進行干預，通過為從事維護工作的人員提供更可靠的預防性維護計劃選擇，減少意外故障。評估系統可靠性對于選擇適當的維護策略至關重要。隨著人工智能技術的出現，預防性維護取得了令人矚目的進展。借助人工智能方法及其分析大量歷史數據（包括飛機部件、發動機性能、傳感器讀數和維護記錄）的能力，可以實施預防性分析，以便在問題發生之前進行預測。這樣就能降低意外停機的風險，并及時進行干預。人工智能還有助于根據任務的關鍵性有效地確定優先級，并相應地優化資源分配。最后，通過在飛機部件上部署傳感器和其他物聯網設備，人工智能技術可以對飛機進行實時監控，以監測其健康狀況和性能。在本文中，人工智能的一個方面將用于實施預測性維護，即機器學習。選擇這些模型的依據是它們在文獻中的表現。在分析和探索大量商用模塊化航空推進系統模擬（CMAPSS）數據集時，將對這些模型進行探討。文章提出的方法首先是深入探索和準備數據，這是機器學習和決策系統的核心模塊。這包括使用直方圖來了解相關變量的分布情況。這一步驟有助于深入了解數據的統計特征，并幫助識別潛在的模式和異常情況。這一過程包括選擇和設計相關屬性，以全面了解發動機健康狀況和潛在故障情況。這些細致入微的步驟為構建強大的預測模型奠定了基礎，該模型有可能重新定義航空維修實踐，這也是構建機器學習模型的下一步。本文闡明了這些進展的意義、所采用的方法、由此產生的見解及其對航空航天業的深遠影響，以提高飛機發動機的安全性和效率。

所提方法

這項工作的主要目的是建立一個能夠預測飛機渦輪風扇發動機潛在故障的系統。為此，我們創建了一個準確可靠的人工智能模型，利用數據分析和預測技術來預測故障。

• 及早發現異常：主要目的是利用模型和先進的人工智能技術，在發動機出現異常或故障的早期征兆之前，就能發現它們的嚴重性。
• 提高飛機可靠性：通過提前識別潛在故障，這項工作旨在提高飛行可靠性和安全性。

首先，對 C-MAPSS 數據集進行了詳細描述，包括輸入變量和數據集組成的介紹。建議的方法使用分類方法來預測最終的故障部件。建議的方法分為三個步驟： 首先，直方圖；2）平衡數據；3）平滑數據；4）提取特征；5）通過開發監督機器學習模型獲得最終預測結果。

在這個前所未有的技術驅動轉型時代，比以往任何時候都更需要積極投資開發強大的人工智能（AI），用于兵棋推演以支持決策。通過推進人工智能系統并將其與人類判斷力相結合，將能夠增強全域感知，提高決策周期的速度和質量，為新的行動方案提供建議，并更迅速地反擊對手的行動。因此，必須加快人工智能的發展，以幫助更好地應對目前需要人類智慧才能應對的現代挑戰和困境的復雜性，并在可能的情況下嘗試超越人類智慧--不是取代人類，而是以機器的速度增強人類決策并為其提供更好的信息。盡管深度強化學習在智能體行為開發方面不斷取得令人鼓舞的成果，可用于戰斗建模和模擬中常見的長視距復雜任務，但仍需進一步研究，才能使人工智能的規模擴大到能夠處理兵棋推演中錯綜復雜的廣闊狀態空間，從而進行概念開發、教育或分析。為了幫助應對這一挑戰，在研究中，正在開發和實施一個分層強化學習框架，其中包括多模型方法和維度不變觀測抽象。

利用人工智能進行兵棋推演

鑒于這些令人擔憂的活動以及最近在人工智能變革能力方面取得的突破，顯然必須開始更認真地投資于專門用于兵棋推演的人工智能開發。美國國家人工智能安全委員會（NSCAI）[27]詳細闡述了兩個信念：（1）"計算機系統解決問題和完成原本需要人類智慧才能完成的任務--在某些情況下甚至超過人類的表現--的能力迅速提高，正在改變世界"；（2）"人工智能正在擴大美國已經進入的脆弱窗口"。因此，有鑒于此，NSCAI得出結論："美國必須立即行動起來，將人工智能系統投入實戰，并在人工智能創新方面投入更多的大量資源，以保護美國的安全，促進繁榮，保障民主的未來"[27]。NSCAI [27] 認為，通過推進人工智能系統并將其與人類判斷力相結合，將能夠增強全域意識，提高決策周期的速度和質量，為不同的作戰行動提供建議，并更迅速地反擊對手的行動。

盡管美國在大多數領域都享有軍事優勢，但機器學習（ML）的擴散已開始為競爭對手和其他國家行為者提供無數的破壞機會[28]。因此，現在比以往任何時候都更有必要積極開展研究和實驗，以便對人工智能的優缺點以及如何將其用于規劃和兵棋推演有一個扎實的了解，只有這樣，國防部才能更好地做好準備，以應對戰略突襲和破壞[28]。例如，如今的作戰行動分析主要側重于評估友軍的計劃，而很少強調對手可能會如何根據自身的目標和能力做出反應[26]。盡管不遺余力地試圖了解對手的想法以及他們在沖突中會如何行動，但總是會受到自己想象力的限制。托馬斯-謝林（Thomas Schelling）在他的 "不可能定理"（Impossibility Theorem）中說得最好： "一個人，無論他的分析多么嚴謹，想象力多么豐富，都不可能做的一件事，就是列出一個他不會想到的事情清單"[29]。人工智能支持的兵棋推演甚至有可能克服這一限制，創造出有自己目標的智能體，而這些智能體并不一定受限于思維和計劃方式，因為思維和計劃方式通常是通過幾十年的經驗根深蒂固的。此外，僅從數據中學習新的行為，人工智能就能自動執行原本需要人類智慧才能完成的任務[30]。

雖然在機器學習領域已經開展了大量研究，但兵棋推演和軍事規劃與迄今為止使用人工智能解決的傳統問題--如圖像分類和自然語言處理--有很大不同。任務分析和規劃通常需要人類的直覺和啟發式方法來限制搜索問題的規模 [28]。雖然啟發式方法確實能更容易地找到可接受的解決方案，但這些解決方案的可擴展性或可靠性通常不足以評估可能出現的大量突發情況 [28]。此外，直覺也可能在非常復雜的問題中失效，例如那些涉及到有許多不同參與者的高維空間以及復雜的武器和傳感器交互的問題[28]。不幸的是，這些復雜性正是可能決定未來戰爭的特征[26], [28]。

幸運的是，迄今為止，競技游戲已成為學習如何實施人工智能以支持兵棋推演的良好試驗平臺。早期的成功包括掌握跳棋[32]、五子棋[33]、國際象棋[34]和圍棋[35]。人工智能方法在視頻游戲中也取得了成功，如 Atari 游戲 [36]、超級馬里奧兄弟 [37]、Quake III [38]、Dota 2 [39]、星際爭霸 II [40] 和無上限德州撲克 [41]。然而，競技游戲通常都有一套固定的規則、確定的參數和基于已知變量的可預測結果。雖然這些游戲能為戰略、決策和風險評估提供有價值的見解，但真實世界中的兵棋推演場景往往更加復雜--可能的初始游戲狀態更多，分支系數更大，因此結果更加難以預測。因此，如何將人工智能從這些游戲中獲得的成功轉化為真正的軍事行動是一項挑戰。不過，從這些游戲中獲得的人工智能學習和適應能力方面的進步，為人工智能在作戰模擬中更細致的應用奠定了堅實的基礎。

利用 "半人馬 "概念進行兵棋推演

正如 CeTAS 報告[31]所詳述的那樣，可以采用大量不同的方法來利用人工智能支持兵棋推演；不過，在本文剩余部分的范圍內，將討論人工智能與兵棋推演的關系，即創建能夠在戰斗建模和模擬所特有的龐大而復雜的狀態空間中做出理性決策的智能體。

然而，要證明人工智能能夠贏得游戲或取得超人的表現，只是證明人工智能確實能為兵棋推演者、作戰規劃者和戰場指揮官提供有用見解的第一步[42]。盡管如此，設想這些智能體將成為創建現代決策輔助工具的基礎，與更傳統的工具相比，這些工具能為決策者提供更高的準確性、速度和靈活性[28]--有可能加快決策過程并提供關鍵的洞察力。隨著進一步深入多域作戰[26]，在面對人工智能對手時，忽視這一步會帶來巨大風險。

雖然人機協作的概念最初是由 Licklider 在 1960 年提出的[43]，但前國際象棋世界冠軍加里-卡斯帕羅夫（Gary Kasparov）在 1997 年輸給 IBM 的 "深藍"（Deep Blue）[44]多年后，首次提出了 "半人馬國際象棋"（Centaur Chess）的概念。盡管被人工智能擊敗，卡斯帕羅夫并沒有將人工智能視為一種威脅，而是鼓勵將人工智能視為一種工具，當它與人類的能力相結合時，可以帶來前所未有的成就[44]。卡斯帕羅夫在他的著作《深度思考》（Deep Thinking： 機器智能的終點和人類創造力的起點[44]》一書中，卡斯帕羅夫強調了利用人類和機器互補優勢的必要性。計算機擅長暴力計算，每秒能分析數百萬個局面，同時輕松計算出最佳的近期戰術行動。另一方面，人類對戰略、創造力和考慮特定棋步長期影響的能力有更深刻的理解，而這一切主要靠直覺[44]。卡斯帕羅夫認為，人類的直覺和機器的計算結合在一起，往往能比頂尖特級大師或計算機單獨發揮出更強的棋力。卡斯帕羅夫指出，在許多情況下，即使是排名相對較低的棋手與計算機配對也能勝過頂級特級大師。

有趣的是，卡斯帕羅夫還指出，隨著計算機國際象棋程序變得越來越強大，人類棋手在這種半人馬合作關系中的角色也發生了變化。最初，人類專注于戰略，而計算機則專注于戰術，但隨著國際象棋人工智能的改進，人類越來越多地開始扮演 "質量控制 "的角色，確保計算機推薦的棋步與人類更廣泛的戰略目標相一致[44]。事實上，卡斯帕羅夫經常說，國際象棋的未來可能不是人類與機器的對決，而是人類與機器配對，使用何種界面，能下出最好的棋。這種合作融合了機器的計算能力和人類提供背景、理解和直覺的能力--這種協同作用所產生的棋藝水平超過了任何一方單獨發揮所能達到的水平。

為兵棋推演開發人工智能

雖然有許多不同的人工智能技術和方法可以應用于兵棋推演，如監督學習、無監督學習、遺傳算法、自然語言處理、決策樹、專家系統、博弈論、對抗網絡等，但本文主要關注的是推進強化學習（RL）領域的需求，以支持為兵棋推演開發智能體行為。

說到機器學習，主要有三種類型：監督學習、無監督學習和強化學習。監督學習依賴于標注數據，每一組輸入都有相應的預期輸出。它類似于范例學習，最適合圖像分類、回歸和語音識別等任務。相反，無監督學習不依賴于標記數據。相反，它能發現數據中的模式或結構，比如對數據點進行分組或聚類，最適合異常檢測、降維和數據分割。值得注意的是，還有其他類型的機器學習，如遷移學習、主動學習、自我監督學習等；不過，這些通常是上述兩類學習的擴展或組合。

一種新的軍事力量倍增器正在出現。這就是軍事物聯網（MIoT），一個從不斷擴大的網絡來源中獲取數字數據并加以整合，從而創建一個多維情報和行動世界的世界。軍事物聯網由許多技術促成，其中有些是我們熟悉的技術，有些是新技術，但由于設備互操作性的進步和信息處理能力的提高，所有技術都在不斷融合。MIoT 正在成為新的軍事前線，帶來了非凡的能力進步，但也帶來了規劃、管理和部署方面的挑戰。

我們生活在一個互聯的世界。在這個世界里，任何類型的設備或機器，無論是數字還是模擬的，都可以利用體積小、重量輕、價格低廉的無線傳感器和交換機連接到網絡上。所創建的網絡可能在設計上受到限制（即所謂的 "邊緣計算 "模式），也可能是全球數據云的組成部分。但原則上，一切都可以與其他一切相連接。對于軍方來說，這為情報和實時控制從交通或基礎設施管理到動能戰場等各種情況創造了可能性。

從傳感技術中獲取情報并非新生事物。在軍事領域，它已有一個多世紀的歷史。例如，英國陸軍在第一次世界大戰中設計的坑道傳感器。在西線靜止的塹壕戰中，地道挖掘成為一種重要的進攻戰術，陸軍缺乏監聽敵方地道挖掘活動的人員；取而代之的是安裝了遠程傳感器（Tele-geophones 和 Seismo Microphones），只需兩名士兵在中央監聽交換站就能監測 36 個地點。

在第二次世界大戰中，雷達技術脫穎而出，這項傳感技術于 1904 年由德國研究人員首次申請專利，但在成為重要工具之前一直被忽視。隨后，美國在 20 世紀 50 年代部署了聲音監視系統來探測蘇聯潛艇。

所有這些傳感器技術都使用網絡中的遠程設備來整合數據，從而提高數據在沖突中的價值。但是，這些設備成本高昂，有時還不可靠，最常見的是有線設備，其帶寬、數據存儲容量和處理能力近乎無限，早于互聯網時代。

軍事物聯網則不同。如今的傳感器無處不在，具有移動性。它們可在從移動電話蜂窩網絡到安全點對點通信等各種通信網絡中運行。它們可以在大范圍內以低功耗運行（如已在樓宇管理系統中廣泛使用的 WLAN 網絡），并可在不使用服務的情況下持續運行數年。它們可以報告機器和設備的位置和狀態，執行命令，或使用生物識別數據來識別人員和監控生活功能。最重要的是，它們具有潛在的互操作性，能夠將數據輸入各種網絡和機器智能功能。

要實現物聯網的潛力，面臨的挑戰相當大。它需要高水平的組織技能和數據處理能力，以整合普適傳感、普適計算和普適通信。軍事組織必須能夠接受來自各種動態傳感器的信號，如靜態地面傳感器和士兵佩戴的傳感器，以及來自固定和移動設備的數據，包括來自無人機和衛星的情報。它們需要敏捷地跟上不斷變化的技術，同時向潛在對手隱藏自己的能力和知識。

例如，在五年或十年后，MIoT 技術確實有可能讓士兵舉起一個手掌大小的設備，只需輕觸按鈕，甚至在黑暗中，就能在幾秒鐘內知道周圍每個人的身份。然而，要實現這一目標，就必須具備連接多個數據庫和匯集一系列探測技術的能力。這種態勢感知的好處還必須與公民的隱私權和數據保護權相平衡。

圖 1：指揮網絡

只要能夠應對這些挑戰，就有機會創建一個以無與倫比的豐富信息為基礎的領域，其高速、高帶寬網絡既安全又不受干擾，互聯和自愈網絡及數據庫支持人工智能實時決策，豐富的數據與軍事組織及其條令完全融合。

人工智能（AI）已經滲透到生活的許多領域，國防領域也不例外。從優化物流鏈到處理大量情報數據，人工智能在軍事領域都有應用。越來越多的人認為，人工智能將對未來戰爭產生重大影響，世界各地的部隊都在大力投資人工智能所帶來的能力。盡管取得了這些進步，但戰斗在很大程度上仍然是人類的活動。

通過使用人工智能支持的自主武器系統（AWS）將人工智能引入戰爭領域，可能會徹底改變國防技術，這也是當今最具爭議的人工智能用途之一。關于自主武器如何遵守出于人道主義目的而制定的武裝沖突規則和條例，一直存在著特別的爭論。

政府的目標是 "雄心勃勃、安全、負責任"。當然，我們原則上同意這一目標，但愿望與現實并不相符。因此，在本報告中提出建議，以確保政府以合乎道德和法律的方式在 AWS 中開發和使用人工智能，提供關鍵的戰略和戰場效益，同時實現公眾理解和認可。必須將 "雄心勃勃、安全負責 "轉化為實際執行。

政府必須尋求、建立并保持公眾對開發和使用人工智能的信心和民主認可，尤其是在 AWS 方面。從媒體對我們調查的報道中可以清楚地看出，人們對在預警系統中使用人工智能有著廣泛的興趣和關注。實現民主認可有幾個要素：

理解： 對自主武器的討論，以及在很大程度上對人工智能的討論，都受到追求議程和缺乏理解的困擾。我們的目標之一是為建設性辯論提供事實依據，政府的坦誠和透明將有助于這一進程。

議會的作用： 議會是開發和使用預警系統的決策中心。議會的監督能力取決于信息的可獲得性，取決于其預測問題而不是事后反應的能力，也取決于其追究部長責任的能力。政府必須在議會時間表中留出足夠的空間，并提供足夠的信息，以便議會（包括其專門委員會）有效地審查其人工智能政策。我們當然理解政策制定的內容可能高度敏感，但我們有既定的方法來處理此類信息。絕不能以保密為由逃避責任。

保持公眾信心： 對英國防部 "目前沒有開展監測或民意調查以了解公眾對使用自主武器系統的態度 "這一事實感到失望。政府必須確保在開發自動武器系統時適當征求公眾意見。它還必須確保道德規范處于其政策的中心位置，包括擴大英國防部人工智能道德咨詢委員會的作用。

實現以下目標對這一進程至關重要：

政府應以身作則，在國際上參與對 AWS 的監管。人工智能安全峰會是一個值得歡迎的舉措，但它并不包括國防。政府必須將人工智能納入 AWS，因為政府宣稱希望 "以包容的方式共同努力，確保以人為本、值得信賴和負責任的人工智能是安全的"，并 "通過現有的國際論壇和其他相關倡議支持所有人的利益"。

幾年來，國際社會一直在辯論如何監管人工智能系統。這場辯論的結果可能是一項具有法律約束力的條約，也可能是澄清國際人道主義法應用的非約束性措施--每種方法都有其擁護者。盡管在形式上存在分歧，但關鍵目標是加快努力，達成一項有效的國際文書。

其中的一個關鍵因素將是禁止在核指揮、控制和通信中使用人工智能。一方面，人工智能的進步有可能提高核指揮、控制和通信的效率。例如，機器學習可以提高預警系統的探測能力，使人類分析人員更容易交叉分析情報、監視和偵察數據，并改善核指揮、控制和通信的防護，使其免受網絡攻擊。

然而，在核指揮、控制和通信中使用人工智能也有可能刺激軍備競賽，或增加各國在危機中有意或無意地升級使用核武器的可能性。使用人工智能時，決策時間被壓縮，可能會導致緊張局勢加劇、溝通不暢和誤解。此外，人工智能工具可能會被黑客攻擊，其訓練數據可能會中毒，其輸出結果可能會被解釋為事實，而實際上它們只是統計上的相關性，所有這些都可能導致災難性的結果。

政府應采用可操作的 AWS 定義。令人驚訝的是，政府目前還沒有這樣的定義。英國防部表示，它對采用這樣一個定義持謹慎態度，因為 "此類術語已具有超出其字面解釋的含義"，并擔心 "在一個如此復雜和快速發展的領域，過于狹隘的定義可能很快過時，并可能無意中阻礙國際討論的進展"。然而，我們認為可以創建一個面向未來的定義。這樣做將有助于英國制定有意義的自主武器政策，并充分參與國際論壇的討論。

政府應確保在 AWS 生命周期的各個階段都有人類控制。人們對 AWS 的關注主要集中在由人工智能技術實現自主的系統上，由人工智能系統對從傳感器獲得的信息進行分析。但是，為了確保人類的道德代理權和法律合規性，對系統的部署進行人為控制是至關重要的。這必須以我們國家對國際人道法要求的絕對承諾為支撐。

政府應確保其采購程序是為人工智能世界而適當設計的。英國防部的采購工作缺乏問責制，過于官僚化。特別是，英國防部缺乏軟件和數據方面的能力，而這兩者都是人工智能發展的核心。這可能需要革命性的變革。如果需要，那就改變吧；但時間緊迫。

機器學習將極大地改變未來戰爭的方式。為了充分利用機器學習帶來的固有能力，海軍陸戰隊必須做出重大改變。

機器學習是人工智能的一個分支，是軍事領域的一場革命（RMA）。它將從根本上改變戰爭的方式。從圖像分類到語音識別、機器人和自動駕駛汽車，其可能性是無窮的。然而，這一進步仍面臨著實際障礙。數據采集和格式化是成功的關鍵，而這兩項工作在政府部門本身就很困難。此外，機器學習也不是萬能的。有些問題機器學習能解決，有些問題機器學習不能解決，因此必須明確兩者之間的區別。因此，要利用這些新趨勢，海軍陸戰隊必須了解技術，并能夠和愿意在必要時適應技術。

海軍陸戰隊尚未做好適應當前 RMA 的準備，需要立即做出實質性改變，以扭轉趨勢。海軍陸戰隊應采用當前的 Project Maven 流程，并在信息副指揮官 (DCI) 下設立一個單元。該單元必須開始整理海軍陸戰隊的不同數據，并利用這些數據與行業領導者建立有意義的關系，以此激勵私營公司參與其中。

在未來戰場上，人工合成的決策將出現在人類決策的內部和周圍。事實上，人工智能（AI）將改變人類生活的方方面面。戰爭以及人們對戰爭的看法也不例外。特別是，美國陸軍構想戰爭方式的框架和方法必須進行調整，以便將非情感智力的優勢與人類情感思維的洞察力結合起來。人工智能與人類行動者的組合有可能為軍事決策提供決定性的優勢，并代表了成功軍事行動的新型認知框架和方法。人工智能在軍事領域的應用已經開始擴散，隨之而來的作戰環境復雜性的增加已不可避免。

正如核武器結束了第二次世界大戰，并在二十世紀阻止了大國沖突的再次發生一樣，競爭者預計人工智能將在二十一世紀成為國家力量最重要的方面。這項工作的重點是美國陸軍的文化，但當然也適用于其他企業文化。如果要在未來有效地利用人工智能，而且必須這樣做才能應對競爭對手使用人工智能所帶來的幾乎必然的挑戰，那么成功地融入人工智能工具就需要對現有文化進行分析，并對未來的文化和技術發展進行可視化。美國將致力于在人工智能的軍事應用方面取得并保持主導地位。否則將承擔巨大風險，并將主動權拱手讓給積極尋求相對優勢地位的敵人。

結論

合成有機團隊認知的兩大障礙是美陸軍領導的文化阻力和軍事決策的結構框架。首先，也是最重要的一點是，領導者必須持續觀察人工智能工具并與之互動，建立信心并接受其提高認知能力和改善決策的能力。在引入人工智能工具的同時，幾乎肯定會出現關于機器易犯錯誤或充滿敵意的說法，但必須通過展示人工智能的能力以及與人類團隊的比較，來消除和緩和對其潛在效力的懷疑。將人工智能工具視為靈丹妙藥的健康而合理的懷疑態度有可能會無益地壓倒創新和有效利用這些工具的意愿。克服這一問題需要高層領導的高度重視和下屬的最終認可。其次，這些工具的結構布局很可能會對它們如何快速體現自身價值產生重大影響。開始整合人工智能工具的一個看似自然的場所是在 CTC 環境中，以及在大型總部作戰演習的大型模擬中。最初的工具在營級以下可能用處不大，但如果納入迭代設計、軍事決策過程或聯合規劃過程，則幾乎肯定會增強營級及以上的軍事規劃。雖然在本作品中，對工具的描述主要集中在與指揮官的直接關系上，但在最初的介紹中，與參謀部的某些成員（包括執行軍官或參謀長、作戰軍官和情報軍官）建立直接關系可能會更有用。與所有軍事組織一樣，組織內個人的個性和能力必須推動系統和工具的調整，使其與需求保持平衡。

幾乎可以肯定的是，在將人工智能工具融入軍事組織的初期，一定會出現摩擦、不完善和懷疑。承認這種可能性和任務的挑戰性并不意味著沒有必要這樣做。人類歷史上幾乎所有的創新都面臨著同樣的障礙，尤其是在文化保守的大型官僚機構中進行創新時。面對國際敵對競爭對手的挑戰，美國陸軍目前正在文化和組織變革的許多戰線上奮力前行，在整合人工智能工具的斗爭中放棄陣地無異于在機械化戰爭之初加倍使用馬騎兵。在戰爭中，第二名沒有可取的獎賞，而人工智能在決策方面的潛在優勢，對那些沒有利用這一優勢的行為體來說，是一個重大優勢。現在是通過擁抱人工智能工具和改變戰爭節奏來更好地合作的時候了。

在過去的幾年里，人工智能（AI）系統的能力急劇增加，同時帶來了新的風險和潛在利益。在軍事方面，這些被討論為新一代 "自主"武器系統的助推器以及未來 "超戰爭 "的相關概念。特別是在德國，這些想法在社會和政治中面臨著有爭議的討論。由于人工智能在世界范圍內越來越多地應用于一些敏感領域，如國防領域，因此在這個問題上的國際禁令或具有法律約束力的文書是不現實的。

在決定具體政策之前，必須對這項技術的風險和好處有一個共同的理解，包括重申基本的道德和原則。致命力量的應用必須由人指揮和控制，因為只有人可以負責任。德國聯邦國防軍意識到需要應對這些發展，以便能夠履行其憲法規定的使命，即在未來的所有情況下保衛國家，并對抗采用這種系統的對手，按照其發展計劃行事。因此，迫切需要制定概念和具有法律約束力的法規，以便在獲得利益的同時控制風險。

本立場文件解釋了弗勞恩霍夫VVS對當前技術狀況的看法，探討了利益和風險，并提出了一個可解釋和可控制的人工智能的框架概念。確定并討論了實施所提出的概念所需的部分研究課題，概述了通往可信賴的人工智能和未來負責任地使用這些系統的途徑。遵循參考架構的概念和規定的實施是基于人工智能的武器系統可接受性的關鍵推動因素，是接受的前提條件。

軍事網絡戰的前景正在發生變化，這是因為數據生成和可訪問性的發展、持續的技術進步及其（公共）可用性、技術和人類（相互）聯系的增加，以及參與其規劃、執行和評估階段的專家活力、需求、不同性質、觀點和技能。這種行動每天都在進行，最近被人工智能賦予了更多能力，以達到或保護他們的目標，并處理產生的意外影響。然而，這些行動受到不同的不確定性水平制約和包圍，例如，預期效果的預測，有效替代方案的考慮，以及對可能的（戰略）未來新層面的理解。因此，應確保這些行動的合法性和道德性；特別是在攻擊性軍事網絡戰（OMCO）中，參與其設計/部署的智能體應考慮、開發和提出適當的（智能）措施/方法。這種機制可以通過像數字孿生這樣的新型系統，在硬件、軟件和通信數據以及專家知識的基礎上嵌入智能技術。雖然數字孿生在軍事、網絡和人工智能的學術研究和討論中處于起步階段，但它們已經開始在不同的行業應用中展示其建模和仿真潛力以及有效的實時決策支持。然而，本研究旨在（i）理解數字孿生在OMCO背景下的意義，同時嵌入可解釋人工智能和負責任人工智能的觀點，以及（ii）捕捉其發展的挑戰和益處。因此，通過對相關領域的廣泛審查，考慮采取多學科的立場，將其包裝在一個設計框架中，以協助參與其開發和部署的智能體。

在攻擊性軍事網絡戰中定義數字孿生

盡管數字孿生被認為是在工業4.0的數字化轉型過程中引入的一項關鍵技術，但它們有二十年的歷史，甚至更早的基礎。其起源是Michael Grieves的鏡像空間模型，以及他與John Vickers在NASA宇航和航空航天領域項目中的進一步研究（Grieves & Vickers，2017），將數字孿生定義為 "物理產品的虛擬代表"，融合了物理和虛擬世界的優勢，它包含三個組成部分：物理產品、物理產品的虛擬代表，以及從物理產品到虛擬代表的雙向數據連接，以及從虛擬代表到物理產品的信息和流程（Jones等人，2020）。

對數字孿生概念的理解有不同的角度和方式，其含義可以根據應用領域進行調整（Vielberth等人，2021）。考慮到與數字模型或數字影子等相關主題存在誤解和混淆，以及數字孿生不存在一致的定義（Hribernik等人，2021；Fuller等人，2020），為了確保其在攻擊性軍事網絡戰（OMCO）中的正確設計、開發和部署，采用了系統性觀點，并提出以下定義：

攻擊性軍事網絡戰（OMCO）中的數字孿生子 = 一個技術系統，在其現實環境中嵌入物理系統，及物理系統的網絡抽象、表示和鏡像，以及它們在OMCO中的相應數據和通信流。

這個定義的要素是：

• 技術系統：包含其物理、網絡以及數據和通信元素的整個實體。
• 網絡抽象化、表示和鏡像：系統的網絡/虛擬/數字組件。
• 物理系統：系統的物理元素包含和虛擬化。
• 數據和通信流：網絡和物理組件之間傳輸的數據，以及它們相應的通信基礎設施。

換句話說，OMCO中的數字孿生是一個先進的（智能）系統，它嵌入了OMCO系統/實體的虛擬、物理以及數據和通信元素。鑒于此，在圖2中提出了以下對訓練、演習和實際行動有用的OMCO數字孿生架構，其中連續的箭頭描述了行動中目標階段之間的信息和結果交流，帶點的箭頭描述了集成部件和其他部件之間的信息和結果。該架構應該是模塊化和可配置的（Silvera等人，2020），并包含兩個組件：

• 數字孿生層，即三個數字孿生模塊和一個集成模塊或四個獨立的數字孿生模塊，其中集成DT與其他三個獨立的數字孿生模塊通信并獲取結果。

• 數字孿生層，即整個數字孿生或四個集成數字孿生的物理、數據和通信以及網絡組件。

此外，認識到系統將具有分析、預測或模擬功能，以支持不同的軍事網絡決策過程，軍事指揮官及其團隊有責任如何解釋和使用數字孿生所呈現的結果，因此，有必要從設計階段就將XAI和RAI方法嵌入其中。RAI必須尊重并納入社會道德規范和價值觀，XAI在整個過程中以及在呈現最終結果時，必須尊重軍事技術和社會法律道德要求、規范和價值觀（Arrieta等人，2009, 2020；Agarwal和Mishra，2021；Maathuis，2022a；Maathuis，2022b）。這些措施保證了負責任的OMCO發展和部署。

為了進行示范，OMCO的開發、部署和評估是在架構左側所示的階段進行的，其中集成DT的最終結果可以作為經驗教訓或對未來行動、網絡或其他行動的投入而進一步使用。例如，在設計和開發階段，選擇目標，確定其核心弱點，并進一步在智能網絡武器中建立一個漏洞，可以預測（非）預期效果的水平和概率，并對目標交戰進行負責任和可解釋的比例評估；此外，效果評估與定義的目標和依賴性有關。在這里，一個原型將通過定義和部署系統的多個實例來實現，這些實例將被匯總，同時考慮到要求以及與物理和網絡環境的相互作用（Grieves, M., & Vickers; Jones等人，2020）。

在攻擊性軍事網絡戰中建立數字孿生時面臨的挑戰和機遇

作為數字化轉型過程的一部分，并與若干數字和智能技術緊密相連，與其他類型的技術一樣，數字孿生帶來了挑戰和機遇。

挑戰：

• 考慮多利益相關者視角的標準化、管理和監管（Talkhestani等人，2019年；Singh等人，2021年；Flamigni等人，2021年）：由于這些系統是在多利益相關者參與開發和部署的，在匹配所定義的目標和功能時應考慮適當的標準、管理和監管機制。

• 數據和算法（Jones等人，2020；Qian等人，2022；Song等人，2022）：這類系統對數據敏感，依賴于相關的高保真表示和數據添加到正確構建和部署的人工智能模型中，例如，相關數據應該被收集、分析、使用，并在系統的各個層面和層次之間共享。

• 安全、安保、隱私和可靠性（Glaessgen & Stargel, 2012; Vielberth et al., 2021; Chockalingam & Maathuis, 2022）和可靠性問題：如果管理不當，并且通過其在數字孿生的設計階段就沒有整合到所有層面和層次，這些有可能通過改變系統的行為來打開意外和有意的網絡安全和安保事件的大門，產生大規模的影響。例如，這樣的行動可能無法區分軍事和民用目標，從而在民用方面產生大量的附帶損害，因此系統在行動中是不可靠的。

機遇：

• 認識和理解、決策支持和教育（Mendi, Erol & Dogan, 2021; Talkhestani et al., 2019）：這些系統有利于理解系統的行為，支持具體的決策過程，并產生/增強不同的學習活動。例如，這些系統不僅可以對當前的行動產生情報，而且還可以通過對未來行動的評估產生情報。

• 建模和仿真，例如現場生命周期測試、監測、優化（Steinmetz等人，2018；Jones等人，2020；Hribernik等人，2021）：通過其性質，數字孿生對不同的系統和過程進行建模和仿真，例如，允許鏡像和測試雙重用途目標的行動執行，以避免預期產生的意外影響；或允許使用不同的優化技術對智能網絡武器實施的路徑和行動進行現場監測。

• 可訪問性和成本降低（Barricelli, Casiraghi & Fogli, 2019；Jones等人，2020；Aheleroff等人，2021）：通過其設計界面，此類系統可被用戶直接訪問，有利于普遍降低實施和部署的成本。