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

我們所處的時代，技術變革日新月異，影響著我們生活和社會的方方面面。這一點在信息技術（IT）領域尤為明顯，國防領域正努力跟上商業領域不斷取得的顯著發展。這與 30 年前的冷戰時期大相徑庭，當時軍方主導技術發展，對這種變革采取深思熟慮的方法，并小心翼翼地管理各種干擾。

與國防有關的商業領域最新出現的顛覆性技術包括先進計算、"大數據 "分析、人工智能（AI）、自動駕駛和機器人技術。在這方面，2018 年《美國國防戰略》反映了當代的許多戰略思維，它宣稱：開發[這些]新技術的動力是無停歇的，以較低的準入門檻擴展到更多行為體，并以不斷加快的速度....。語氣中充滿憂慮，因為這些'技術'是'能夠打贏未來戰爭'所必需的。

上一段中提到的五項 "技術 "并不具有嚴格的可比性。有些是技術，但有些是其他技術可能賦予未來作戰人員的能力。事實上，某些能力，如自主能力，已經投入使用，而且已經使用了幾十年。這種將技術與軍事能力混為一談的做法往往會阻礙當前的國防辯論，而不是使其更加尖銳。相反，"算法戰爭 "這一新術語可能更有助于描述和討論由技術推動的最新作戰概念。

算法是機器用來解決問題的一系列指令和規則。它們將輸入轉化為輸出，因此是現代信息技術和新型智能機器的重要概念和技術基石。算法也可能成為未來作戰的概念和技術基石。

該術語目前的使用源于美國國防部的 "Project Maven "項目。該項目旨在利用先進計算技術訓練的人工智能系統自主分析大數據。顯而易見的是，這項工作需要整合多種不同的技術和功能。Maven 的成功取決于所使用算法的性能。

無論使用何種術語，智能機器對既有的部隊結構和作戰的實際影響都是不確定的。算法戰是意味著可以把事情做得更好，還是相反，可以把事情做得更好？目前的作戰方式只是簡單的演變，還是會因為智能機器的加入而發生革命性的變化？智能機器是否會改變我們當前的部隊結構模式？本文將探討這些問題以及更多。

第 2 章深入探討了算法戰爭的技術基礎，重點關注具有學習和突發特性的機器；這些機器在本質上與我們目前的可編程機器有很大不同。第 3 章探討了影響算法戰爭實施的實際問題，以及人機界面對于贏得戰爭的明顯、或許是意想不到的重要性。第 4 章研究算法戰爭，討論算法戰爭如何增強我們當前的作戰概念，以及如何從根本上改變這些概念。算法戰可能會取代我們當前以網絡為中心的戰爭概念。第 5 章探討了大國的想法；都在利用算法戰爭的獨特應用進行社會管理。第 6 章探討了倫理和相關武裝沖突法問題。

重要的是，本文試圖切實關注新興和可能出現的智能機器技術在作戰中的應用。由于商業原因，虛構的書籍和電影仍然對機器人士兵與人類進行最后決戰的概念非常著迷。正如本文所言，這些論壇所涉及的技術仍然遙不可及。然而，雖然《終結者》中的半機械人和賽博迪恩公司的天網都是虛構的，但今天的智能手機和互聯網搜索引擎已經使用了智能機器技術，中國政府的天網智能監控系統已經投入使用，"Maven項目"向美國空軍提供人工智能分析系統。智能機器已經到來。算法戰爭現在已經非常現實，需要深入的專業考慮。

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。

60 多年來，美國國防部（DoD）一直在投資人工智能（AI），并將數據和人工智能系統投入實戰。如今，數據、分析和人工智能技術越來越多地應用于美國防部各部門，并為軍隊提供價值。

伴隨著行業的進步，美國防部多年來一直在穩步、迅速地改進其數據基礎和分析能力：通過研發嘗試人工智能，將這些技術整合到業務和作戰功能中，并為其大規模使用奠定基礎。隨著投資、實驗和創新的繼續和加速，現在的任務是推動這些技術在整個事業的推廣。

雖然戰略競爭對手對人工智能有著宏大目標，但美國及其軍隊在人才、作戰經驗、技術可用性和系統集成方面擁有強大的結構性優勢。為作戰人員配備更快做出更好決策的工具和資源，將提高作戰效率，使作戰能力和指揮人員更加有效，并為采用新的作戰概念創造機會。

負責任地迅速實現數據、分析和人工智能的全部承諾并不只是某個組織或項目的工作，而是所有人的責任。例如，將美國防部數據作為企業資源提供，需要更多的共享和協作。尋求一種靈活的戰略方法，以指導整個美國防部的分布式行動，激發學習運動，并利用所有的人員、流程和使能技術。

在整合分析和人工智能應用的過程中，看到了它們的優勢，也吸取了它們局限性的重要教訓。從會議室到戰場，還有更多工作要做，例如提高數據質量和改善網絡基礎設施。本戰略將指導如何加強美國防部部署數據、分析和人工智能能力的組織環境，以獲得持久的決策優勢。

無人駕駛航空系統（UAS）能力在商業領域的擴散對民用和軍用設施的傳統周邊防御構成了潛在的重大威脅。特別是現成的商用無人機系統，體積小、價格低、功能多，引起了愛好者越來越大的興趣，也增加了設施面臨的風險。因此，設施指揮官現在需要一種方法，對設施面臨的直接威脅進行快速評估和分析，以確定設施反無人機系統（CUAS）的有效性。按照系統工程方法，本研究提出了一種方法，提供了對設施進行評估和分析的逐步過程，并采用基于模型的系統工程（MBSE）工具來評估 CUAS 的有效性和局限性。該方法分析了 CUAS 的作戰環境以及 CUAS 可能對作戰區域內其他利益相關者（如相鄰的盟軍兵力、平民等）產生影響的方式。然后，我們確定優化 CUAS 性能的候選配置，以滿足利益相關者的要求。我們將對一個擁有現有 CUAS 的假設機場進行案例研究，以展示該方法的可用性，探索候選配置，并證明實施符合設施和利益相關者要求的候選配置是合理的。

近年來，無人機系統（UAS）技術突飛猛進，激發了業余愛好者對無人機系統的興趣，并促使他們將無人機系統用于娛樂用途。此外，每個國家或軍事組織都能負擔得起和使用無人機系統。雖然目前正在實施飛行法規，要求無人機系統運營商提供所有正在運行的無人機系統的歸屬信息，但許多業余愛好者仍然不提供此類信息，而且可以預計邪惡的行為者也不會提供無人機系統的來源標識。因此，僅僅要求識別無人機系統還不足以保護機場等大多數設施免受無人機系統的入侵。此外，如果設施無人看守，無人機系統入侵的后果可能是災難性的。例如，如果無人機系統在起飛過程中進入飛機發動機或撞上油箱，這種事件可能會造成人員傷亡，對運營造成巨大干擾，并對基礎設施或資產造成昂貴的維修費用。

無人機系統旨在執行對人類來說 "枯燥、骯臟或危險 "的各種任務[1]。無人機系統技術發展的主要能力驅動因素是，在執行情報、監視和偵察（ISR）、人道主義援助和救災（HADR）以及精確打擊等危險任務時，人們對軍事力量保存工作的興趣與日俱增。隨著無人機系統技術在過去幾十年的成熟，商業部門看到了將無人機系統應用于基礎設施檢查、交通監控、投遞和氣象等商業活動的機會。對軍事和商業部門都有利的是，在無人機系統領域實施開放式架構獲得了重大創新，從而不斷加快無人機系統的技術進步，使其具有革命性的潛力。商用現成（COTS）無人機系統或小型無人機系統通常提供攝影、攝像和自我組裝套件等功能，吸引著各個領域的愛好者將無人機系統用于娛樂目的[2]。然而，隨著無人機系統的技術發展和廣泛采用，軍事和商業部門都面臨著巨大的風險[3]，[4]。

對設施、基地、機場、關鍵基礎設施和類似設施而言，非惡意無人機系統的主要風險是失控和碰撞。失控可能會對關鍵資產造成重大損壞或對人造成傷害，并可能產生高昂的成本來修復基礎設施損壞和治療嚴重傷害。例如，業余無人機系統操作員可能會嘗試拍攝停靠的客機視頻作為其業余愛好的一部分，但由于信號超出范圍問題而無意中失去控制，這可能會導致與即將起飛的客機相撞。由于大多數無人機系統的所有者都是業余愛好者，他們中的許多人在控制無人機系統方面沒有受過訓練或缺乏經驗。現有的法規和政策無法在允許業余愛好者駕駛較小的無人機系統之前跟蹤他們的操作熟練程度。雖然敏感區域周圍設有禁飛區，但由于業余愛好者可能不了解他們可能造成的損害，每年仍會發生少數事件。機場、軍營和基地、政府大樓和監獄等設施在應對無人機系統時已經遇到了上述安全困境[5]。此外，邪惡的無人機系統活動構成了更大的威脅，盡管迄今為止，在全球范圍內，除戰爭活躍地區外，此類事件相對較少。

各設施迫切需要采用反無人機系統（CUAS）來主動保護其資產和安全。為有效對抗無人機系統，CUAS 需要多個傳感器來探測、識別和分類無人機系統，然后再使用攔截器擊落無人機系統。然而，CUAS 系統的內部和外部存在多種因素，可能會削弱 CUAS 的有效性，設施指揮官必須采取相應的緩解措施[6]-[8]。設施指揮官面臨的一大挑戰是如何在與無人機系統的技術競賽中保持領先。

現有研究主要關注 CUAS 和 UAS 系統的技術能力，而沒有從更廣泛的系統工程角度進行研究。本論文的研究采用了系統工程視角，以支持設施指揮官了解設施在應對當前和新出現的無人機系統威脅時可能存在的薄弱環節，并平衡 CUAS 的能力與鄰近利益相關者的需求[9]。第 2 章中提出的方法允許設施指揮官通過評估和分析探索可能的 CUAS 空間，以確保 CUAS 針對快速出現的無人機系統威脅進行優化并具有相關性。

圖 擬議方法概述。該方法可用于設施指揮官分析現有 CUAS 系統的有效性，找出 CUAS 系統能力差距，提出 CUAS 系統升級建議，并提供 CUAS 系統設計審查。

物聯網（IoT）正在迅速普及。預計到 2025 年，物聯網設備將從目前的 307.3 億臺增至 754.4 億臺。這些設備無處不在，已經延伸到我們生活的方方面面，包括健身追蹤、智能家電、工業解決方案和戰場傳感器。然而，移動物聯網設備對網絡的動態擴展給安全帶來了重大挑戰，尤其是與隱私和個人信息披露相關的挑戰。傳統的計算機安全模型無法擴展到這些設備的有限資源。為此，用戶既不知道也無法控制設備分析數據向云端的永久流動。這個問題與海軍密切相關。隨著單個作戰人員使用物聯網設備，這一問題已經超出了海軍官方系統的范圍，擴展到每個水手和海軍陸戰隊員所擁有和操作的系統。隨著物聯網設備在本土和部署環境中的廣泛使用，出現了一系列相關的不同物聯網安全威脅。這項研究工作的目標是培養預備役軍官訓練營學生在多學科研究計劃中的研究能力，研究基于物聯網的網絡安全威脅，這些威脅涉及廣泛的海軍作戰領域。這包括：(1) 了解進出這些設備的相互關聯的信息流以及對隱私的威脅；(2) 制定提供保護的戰略政策；(3) 研究用戶如何與設備互動。六名預備役軍官訓練營學生擔任該項目的專職研究助理，每周工作 10-15 個小時，為研究工作提供支持。其次，約有 20 名預備役軍官訓練營的學生作為研究參與者參與其中，為他們提供了接觸研究方法的機會。

這些工作包括戰術網絡安全研究，我們首先創建了一個自動標注的物聯網設備行為數據集，從多個數據源構建標簽，包括查詢供應商應用程序編程接口、連接配套應用程序的通知子系統，以及利用觸發行動框架生成和識別設備活動。我們進一步利用該數據集了解物聯網設備的安全和隱私侵犯情況，報告了物聯網設備中的七個關鍵漏洞，并確定了物聯網配套應用程序加密的系統缺陷設計方法。此外，我們還開展了戰略性網絡安全研究，利用 CSADL/architecture 中的本體論和設備表示法對物聯網設備的組成進行了分析，從而分析了可能導致違規（如披露私人信息）的潛在行為。然后對與物聯網設備交互的人類行為進行建模，以識別更多安全漏洞，從而進一步幫助創建基于安全的策略。最后，我們還開展了人為因素研究，對 179 位物聯網設備用戶進行了調查，以了解用戶對物聯網設備隱私的看法、知識、行為和經驗。這些調查結果顯示，用戶對物聯網設備如何使用其數據缺乏了解，也沒有采取用戶知道會增加其隱私的安全預防措施。基于這些發現，我們提出了指導安全方法的建議，并開發了一個測試平臺來評估旨在提高用戶安全行為的干預措施。然后，我們對 100 多名參與者進行了實驗，以評估干預措施在影響用戶安全行為方面的效果，結果表明干預措施使用戶閱讀了物聯網設備的相關條款和條件，并適當調整了設置。以下報告詳細介紹了這些研究工作的方法和結果。

主要研究目標

這項研究工作的主要目標是培養預備役軍官訓練營學生在多學科研究計劃中的研究能力，該計劃（1）研究基于物聯網的網絡安全威脅，這些威脅橫跨廣泛的海軍作戰領域；（2）開發緩解措施，以減少這些威脅對作戰人員的影響。該研究領域是（a）戰術網絡安全防御、（b）戰略網絡安全政策和（c）人類網絡安全決策之間有趣的交叉點。物聯網設備/網絡的設計必須能夠在操作層面上抵御網絡安全威脅。這包括了解和控制進出這些設備的互聯信息流，以及對隱私和機密或秘密信息披露的相關威脅。然而，鑒于這些設備是由其他設備和物體組成的網絡的一部分，有必要制定提供保護的戰略政策。與這些保護措施的戰術和戰略實施都息息相關的是，用戶將如何與這些設備互動并對所實施的政策做出反應。為了實現和諧的人機系統，必須綜合考慮這些方面，并讓一個領域的研究成果最終為其他領域的研究和開發提供參考。

本報告記錄了通過利用深度學習（DL）和模糊邏輯在空間和光譜領域之間整合信息，來加強多模態傳感器融合的研究成果。總的來說，這種方法通過融合不同的傳感器數據豐富了信息獲取，這對情報收集、數據傳輸和遙感信息的可視化產生了積極的影響。總體方法是利用最先進的數據融合數據集，為并發的多模態傳感器數據實施DL架構，然后通過整合模糊邏輯和模糊聚合來擴展這些DL能力，以擴大可攝入信息的范圍。這項研究取得的幾項進展包括：

• 將DL模型實施到片上系統（SoC）硬件中
• 高光譜圖像（HSI）數據的DL
  • 1.在HSI上建立DL，以獲得水的特性和底層深度
  • 2.在HSI上使用開放集識別方法
• 框架內融合方法的消融研究
• 使用DL和模糊聚合的HSI和LiDAR多模態傳感器融合的新框架
• 探討神經模糊邏輯在遙感數據中復雜場景的不確定性下自動推理的作用和實用性

出版物[1, 2, 3, 4, 5]進一步詳細介紹了取得的進展。

軍隊正處于一場重大技術革命的邊緣，戰爭由無人駕駛和日益自主的武器系統進行。然而，與上一次冷戰期間的 "巨變"不同，當時的先進技術主要由美國防部開發，今天的關鍵技術推動者主要由商業世界開發。這項研究探討了人工智能、機器學習和機器人技術的最新進展，以及它們對自主（和半自主）武器系統的潛在未來軍事影響。雖然沒有人能夠預測人工智能將如何發展或預測其對軍事自主系統發展的影響，但有可能預見美國防部在日益轉向基于人工智能的技術時將面臨的許多概念、技術和操作挑戰。這項研究審查了關鍵問題，確定了分析差距，并提供了一個機會和挑戰的路線圖。它最后列出了一份建議的未來研究清單。

執行總結

2016年發生了大量與人工智能（AI）相關的突破性技術公告和/或演示。

1.人工智能在圍棋比賽中擊敗了衛冕世界冠軍，這個游戲比國際象棋要 "復雜 "得多，在這次事件之前，大多數人工智能專家認為在15-20年內不可能做到這一點。

2.人工智能自己學會了?，在哪里找到它需要的信息來完成一項特定的任務。

3.人工智能通過研究一張照片預測了近期的未來（通過生成一個簡短的視頻剪輯）（也能夠通過研究視頻幀來預測未來）。

4.人工智能僅僅通過觀察就能自動推斷出支配機器人群內各個機器人行為的規則。

5.人工智能學會了自己為倫敦地鐵導航（通過查閱自己獲得的記憶和經驗，很像人腦）。

6.人工智能的語音識別在對話式語音方面達到了與人類相同的水平。

7.一個人工智能通信系統發明了自己的加密方案，而沒有被告知具體的加密算法（也沒有向研究人員透露其方法的工作原理）。

8.一個人工智能翻譯算法發明了自己的 "interlingua "語言，以更有效地在任何兩種語言之間進行翻譯（沒有被人類教導這樣做）。

9.一個人工智能系統與環境互動（通過虛擬執行器），以人類兒童的方式學習和解決問題。

10.德克薩斯州休斯頓衛理公會研究所的一個基于人工智能的醫療診斷系統在審查數百萬張乳房X光片時達到了99%的準確率（速度比人類快30倍）。

這些和其他最近的類似突破（例如，2011年IBM的Watson擊敗了有史以來排名最高的兩名Jeopardy！選手），值得注意的原因有幾個。首先，它們共同提供了證據，表明我們作為一個物種，已經跨入了一個時代，在這個時代，看到人工智能超越人類?，至少在特定的任務?，幾乎是例行公事（也許就像在前幾次阿波羅任務之后，登陸月球 "幾乎 "是例行公事一樣）。第二，它們提供了一個人工智能與人類智能有多大區別的一瞥，以及外部探測器對其 "思維 "是多么的不可觸及。第三，它們展示了人工智能讓我們吃驚的力量（包括人工智能系統開發者，他們如今在精神上更接近于 "數據收集者 "和 "訓練者"，而不是傳統的程序員）--也就是說，人工智能，在其核心，從根本上說是不可預測的。在擊敗李世石（18次圍棋世界冠軍）的人工智能的圍棋比賽的第二局中，人工智能走了一步令人驚訝的棋，以至于世石不得不離開房間15分鐘以恢復他的冷靜："這不是人類的棋。我從未見過人類走這一步。太漂亮了。"

上述突破還因第四個原因而值得注意--一個更微妙的原因，但也是直接激發這項研究的原因。也就是說，它們預示著一系列深刻的概念和技術挑戰，國防部在現在和可預見的未來必須面對這些挑戰，因為它擁抱了人工智能、機器人，以及與蜂群相關的技術，以加強（并將其武器化）其具有更高水平自主性的無人系統艦隊。微妙之處在于解開自主權這個 "顯而易見 "的詞的真正含義；事實上，截至本文寫作時，還沒有普遍接受的定義。

自主武器自二戰以來一直在使用（例如，德國的 "鷦鷯 "魚雷的被動聲學尋的器有效地使它成為世界上第一個自主制導的彈藥）。人類監督的自動防御系統已經存在了幾十年，空中無人機在20多年前首次被使用（即RQ-1捕食者在前南斯拉夫被用作情報、監視和偵察平臺）。但只是在2001年9月11日的恐怖襲擊之后，軍方才真正開始對無人駕駛車輛產生興趣，并對其越來越依賴。在短短10年內，國防部的無人駕駛飛機庫存從2003年的163架增加到2013年的近11000架（2013年占所有飛機的40%）。而且，美國對無人機的興趣遠不止于此：根據最近的一項統計，至少有30個國家擁有大型軍用無人機，而武器化無人機俱樂部最近已增加到11個國家，包括美國。

美國防部采購的大部分中型和大型無人駕駛飛行器（UAVs），即MQ-1/8/9s和RQ-4/11s，用于在伊拉克和阿富汗的反叛亂運動，那里的空域基本上沒有爭議。現在，美國正在從這些戰役中撤出，軍方正在將其戰略重點轉移到不那么寬松的作戰環境（即亞太地區）和擁有現代防空系統的對手。因此，人們越來越強調開發新的、更自主的系統，使其更有能力在更有爭議的空域中生存。

從根本上說，自主系統是一個能夠獨立組成和選擇備選行動方案的系統，以根據其對世界、自身和當地動態環境的知識和理解來完成目標。與自動化系統不同，自主系統必須能夠應對在部署前沒有預先編程或預期的情況。簡而言之，自主系統本質上是人工智能的機器人，而且是不可復制的。在本摘要的其余幾頁中，我們闡述了這一論斷的分析含義（將細節和支持性證據留給主要敘述）。

首先，如果以及當剛才描述的自主系統最終到來時，它們將為作戰人員提供各種明顯的優勢。例如，它們將消除人類操作員受傷和/或死亡的風險；提供不受人類工作量、疲勞和壓力限制的自由；能夠吸收大量的數據，并在遠遠超過人類能力的時間尺度上做出 "決定"。如果機器人群被加入到這個組合中，全新的任務空間也有可能被打開--例如，廣域、長效、監視；網絡化、自適應電子干擾；以及協調攻擊。使用機器人群而不是單個機器人也有許多優勢，包括：效率（如果任務可以分解并并行執行）、分布式行動（多個同時合作的行動可以在不同的地方同時進行）和容錯性（群體中單個機器人的故障并不一定意味著特定任務無法完成）。

然而，自主系統的設計和開發也帶來了重大的概念和技術挑戰，包括：

• "魔鬼在細節中 "的研究障礙。自主系統的開發者必須面對許多與學術界和商業界的人工智能和機器人研究界幾十年來一直在努力 "解決 "的基本問題。為了生存和成功執行任務，自主系統必須能夠在復雜和不確定的環境中感受、感知、探測、識別、分類、計劃、決定和應對各種威脅。雖然所有這些 "問題 "的某些方面已經在不同程度上得到了解決，但到目前為止，還沒有一個系統能夠完全包含所有這些特征。

• 復雜和不確定的環境。自主系統必須能夠在復雜的--可能是先驗的未知環境中運行，這些環境擁有大量的潛在狀態，而這些狀態不可能全部被預先指定或被詳盡地檢查或測試。系統必須能夠吸收、響應和適應在設計時沒有考慮的動態條件。這個 "擴展 "問題--即能夠設計出在靜態和結構化環境中開發和測試的系統，然后讓它們在動態和非結構化環境中按要求運行--是非常不簡單的。

• 突發行為。為了使自主系統能夠適應不斷變化的環境條件，它必須有內在的學習能力，而且不需要人類的監督。它可能很難預測，也很難解釋先驗的、未預料到的、突發的行為（在足夠 "復雜 "的系統的動態系統中幾乎是肯定的）。

• 人機互動/I：自主系統的運行效率將取決于人類操作者和機器在特定環境中的動態互動，以及系統如何實時響應不斷變化的操作目標，并與人類自身對動態環境的適應相配合。在人機協作性能中，人的成分的先天不可預測性只會加劇本清單中確定的其他挑戰。

• 人機互動/II：人類操作者和自主系統之間的界面可能包括一個多樣化的工具空間，包括視覺、聽覺和觸覺組件。在所有情況下，都存在著將人類目標轉化為計算機指令的挑戰（例如，"解決 "自然語言處理的長期 "人工智能問題"），以及以人類操作員可以理解的形式描述機器的 "決策空間"（例如，允許操作員回答 "系統為什么選擇采取X行動 "的問題）。

• 控制。隨著自主系統復雜性的增加，我們可以預期我們預測和控制這些系統的能力也會相應下降--即 "復雜性的自滿陰影"。正如最近人工智能突破的一般性質所證明的那樣，有一個基本的權衡：要么人工智能可以達到一個特定的性能水平（例如，它可以像人類一樣或比人類更好地下圍棋），要么人類能夠理解其性能是如何實現的）。

除了這些開發自主系統的內在技術挑戰外，還有一系列隨之而來的采購挑戰，其根源在于國防部與創新相關的采購做法最近的轉變。雖然美國政府在促進人工智能研究方面一直發揮著重要作用（如ARPA、DARPA、NSF、ONR），但現在人工智能、機器人和自主性方面的大多數關鍵創新都是由商業部門推動的，而且其速度是國防部相對緩慢的爐灶式采購流程所無法適應的：從開始進行替代方案分析（AoA）研究到初始作戰能力（IOC）平均需要91個月（7.6年）。即使是信息技術項目--大多數人工智能衍生的收購項目自然屬于其范疇--平均也需要81個月。作為比較，請注意，在大致相同的時間間隔內，商業人工智能研究界已經從僅僅試驗（專用硬件輔助的原型）深度學習技術，到擊敗圍棋世界冠軍（以及實現許多其他重大突破）。

當然，美國防部的采購挑戰，特別是包括硬件和軟件之間嚴重耦合的武器系統，幾十年來一直為人所知。然而，盡管各利益相關方為應對這些挑戰做出了許多嘗試，通用的采購流程（至少在傳統的機構層面）實際上仍然沒有改變。近年來所取得的進展更多的是來自于國防部為促進系統的 "快速采購 "而制定的變通辦法，而不是來自于對采購過程本身的爐火純青的改變。最近已經取得了一些進展--例如，2009/2011年國防授權法案（NDAA/Sec 804）規定了一個新的IT采購流程，這又導致了國防科學委員會（DSB）工作隊（TF）對采購流程的多次研究。然而，在這些DSB/TF的研究中，明顯沒有明確提到自主權。

使問題進一步復雜化的是美國防部現有的自主權指令（美國防部指令3000.09，2012年11月發布）與當前的測試和評估（T&E）以及驗證和確認（V&V）實踐之間的基本對立。具體來說，第3000.09號指令要求武器系統（斜體字為本報告作者所加）。

• 通過嚴格的硬件和軟件T&E/V&V，"包括分析因復雜作戰環境對自主或半自主系統的影響而產生的未預期的突發行為。"

• "在現實的作戰環境中對適應性強的對手發揮預期的作用。"

• "足夠強大，以盡量減少可能導致意外交戰的故障"。

第3000.09號指令進一步要求T&E/V&V必須 "在現實條件下評估系統的性能、能力、可靠性、有效性和適用性，包括可能的對手行動，與意外交戰或系統失去控制的潛在后果相一致。"

然而，現有的T&E/V&V實踐并沒有為這些引用的要求中的任何斜體部分做出調整。自主系統特別難以測試和驗證的許多原因包括 (1) 狀態空間的復雜性（不可能對自主系統可能的系統 "狀態 "的巨大空間進行詳盡的搜索）；(2) 物理環境的復雜性（自主系統的行為不能在原地指定?，更不用說測試和認證?，而必須在與動態環境的互動中進行測試，使系統輸入/輸出和環境變量的空間變得復雜難解）。(3) 不可預測性（由于自主系統本質上是復雜的適應性系統，可以預期在某些動態情況下會出現新的或意想不到的行為；現有的T&E/V&V實踐不具備處理突發行為的必要保真度）；以及(4) 人類操作員對機器的信任（現有的T&E/VV&A實踐僅限于在封閉、腳本環境中測試系統，因為 "信任 "不是一個系統的固有特質）。

信任還需要解決經驗和/或學習的問題：為了更加有效，自主系統可能被賦予積累信息和學習經驗的能力。但是，這種能力不可能在一個 "檢查盒子 "的時間段內被單一地認證。相反，它需要定期的重新測試和重新認證，其周期性必然是系統的歷史和任務經驗的函數。現有的T&E/V&V實踐完全不足以解決這些問題。

在一個跨國威脅不斷增加、全球相互依存度空前提高、大國競爭重新抬頭的時代，美國正處于一個拐點。這是在技術革命的背景下發生的，技術革命加劇了面臨的挑戰，同時也提供了潛在的解決方案，在氣候、醫藥、通信、運輸、智能和許多其他領域提供了突破。其中許多突破將通過利用人工智能（AI）及其相關技術--其中主要是機器學習（ML）。這些進步可能會塑造國家之間的經濟和軍事力量平衡，以及國家內部的工作、財富和不平等的未來。

ML的創新有可能從根本上改變美國軍隊的戰斗方式，以及美國防部的運作方式。機器學習的應用可以提高人類在戰場上的決策速度和質量，使人機合作的性能最大化，并將士兵的風險降到最低，并極大地提高依賴非常大的數據集的分析的準確性和速度。ML還可以加強美國以機器速度防御網絡攻擊的能力，并有能力將勞動密集型企業功能的關鍵部分自動化，如預測性維護和人員管理。

然而，人工智能和機器學習的進步并不只是美國的專利。事實上，面對中國在該領域的挑戰，美國在人工智能領域的全球領導地位仍然受到懷疑。美國防部和學術界的許多報告反映了需要在人工智能研究和開發方面進行更多投資，培訓和招聘一支熟練的勞動力，并促進支持美國人工智能創新的國際環境--同時促進安全、安保、隱私和道德的發展和使用。然而，人們對信任問題，特別是對這些系統的測試、評估、驗證和確認（TEVV）的關注太少。建立一個強大的測試和評估生態系統是負責任地、可靠地和緊急地利用這一技術的一個關鍵組成部分。如果不這樣做，就意味著落后。

本報告將首先強調為人工智能系統調整美國防部現有的TEVV生態系統的技術和組織障礙，特別強調ML及其相關的深度學習（DL）技術，我們預測這對未來的威懾和作戰至關重要，同時在可解釋性、可治理性、可追溯性和信任方面帶來獨特的挑戰。其次，本報告將向國防部領導層提供具體的、可操作的建議，與情報界、國務院、國會、工業界和學術界合作，通過改革流程、政策和組織結構，同時投資于研究、基礎設施和人員，推進ML/DL的TEV系統。這些建議是基于作者幾十年來在美國政府從事國家安全工作的經驗，以及對從事ML/DL和測試與評估的政府、工業和學術界專家的數十次訪談。

在未來的空戰中，無人協同系統的整合將是一個潛在的巨大力量倍增器。其成功的關鍵因素將是編隊情報、協調任務規劃和跨平臺任務管理。因此，構思下一代機載武器系統的任務需要一個整體的系統方法，考慮不同的航空飛行器、其航空電子任務系統和針對未來威脅的整體作戰概念。為了盡早驗證可能的解決方案概念并評估其作戰性能，在過去幾年中，在空中客車防務與航天公司未來項目中開發了一個動態多智能體戰斗仿真。除了比實時更快的工程功能外，該仿真還可以進行實時人機對話實驗，以促進工程師、操作員和客戶之間的合作。本文介紹了動態任務仿真方法，以及在未來戰斗航空系統（FCAS）研究中應用此工具所得到的啟示，在此期間，我們清楚地認識到什么是未來應用的一個關鍵挑戰。實施一個強大的高層規劃算法，為復雜的空中行動生成臨時任務計劃，同時考慮反應性的低層智能體行為、人類操作員和在線用戶輸入。

1 引言

每一代新的戰斗機都可以通過一個或多個技術飛躍來定義，這些技術飛躍使其與上一代的設計有很大區別。毫無疑問，自從大約15年前第一架第五代戰斗機投入使用以來，幾乎所有的設計學科都有了顯著的進步。不同的飛機制造商，包括空客，已經宣布他們目前正在構思或研究第六代戰斗機[1] [3]。與目前最先進的飛機相比，這些項目很可能在各個領域都有改進，如飛行性能、全方面和全模式隱身、低概率攔截雷達和通信或武器裝備。但問題仍然存在：什么將是這一代的決定性因素，一個真正改變未來戰斗空間的因素？

一個常見的假設是，未來的戰斗空間將是 "高度網絡化 "的，即所有參與的實體都可以交換他們的態勢視圖，并以近乎實時的方式創建一個共享的戰術畫面。一方面，這使得多個平臺在空間和時間上可靠同步達到了以前不可能達到的程度。許多算法，特別是發射器定位或目標測距的算法，如果能從多個位置產生測量結果，會產生明顯更好的效果。另一方面，高質量數據的可靠交換通過分配以前由單一平臺執行的任務，使戰術更加靈活。對作戰飛機的主要應用可能是所謂的合作交戰概念（CEC），這已經是美國海軍針對反介入/區域拒止（A2/AD）環境的海軍綜合火控-反空（NIFC-CA）理論的一部分[4]，但其他應用也是可能的，例如合作電子攻擊。所提到的概念主要適用于任務期間單一情況的短期范圍，例如偵察或攻擊薩母基地、空對空（A2A）作戰等。然而，就整個任務而言，還有一個方面需要提及。鑒于所有參與實體之間的可靠通信，規劃算法可以交換任務計劃變更的建議，并根據其目標和當前的戰術情況自動接受或拒絕。這在一個或多個不可預見的事件使原來的任務計劃無效的情況下特別有用，盡管所有預先計算的余量。與其估計一個替代計劃是否可行，并通過語音通信與所有其他實體保持一致（考慮到船員在某些任務階段的高工作負荷和參與實體的數量，這是一項具有挑戰性和耗時的任務），一個跨平臺的任務管理系統可以快速計算出當前任務計劃的替代方案，并評估是否仍然可以滿足諸如開放走廊等時間限制。然后，一組替代方案被提交給機組人員，以支持他們決定是否以及如何繼續執行任務。

將上述想法與現在可用的機載計算能力結合起來，由于最近在硬件和軟件方面的進步，可以得出結論，未來一代戰斗機將很有可能在強大的航空電子系統和快速可靠數據交換的基礎上，采用卓越的戰術概念進行作戰。然而，這還不是我們正在尋找的明確游戲改變者--甚至現有的第五代戰斗機已經應用了一些提到的概念，例如，在NIFC-CA背景下的F-35[4]。因此，下一步不僅要改進飛機的航電系統，而且要在完全網絡化環境的前提下連貫地優化航電、戰術和平臺設計。這種方法允許思考這樣的概念：如果得到網絡內互補實體的支持，并非每個平臺都需要擁有完整的傳感器套件和完整的決策能力。因此，不同的平臺可以針對其特殊任務進行高度優化，從而與 "單一平臺做所有事情 "的方法相比，減少了設計過程中需要的權衡數量。很明顯，一個專門的傳感器平臺不需要或只需要非常有限的武器裝備，因此現在可用的空間可以用來建造更好的傳感器或更大的燃料箱。這已經可以使該平臺專門從事的任務性能得到顯著提高，但有一樣東西可以去掉，它的影響最大：飛行員。在這一點上，必須明確指出，目前沒有任何算法或人工智能能夠接近受過訓練的機組人員態勢感知和決策能力。這就是為什么在不久的將來，人類飛行員在執行戰斗任務時將始終是必要的。然而，如果飛行員（或更準確地說，決策者）被提供了指揮無人駕駛同伴的所有必要信息，那么就不需要在同一個平臺上了。因此，我們提出了一個概念，即一個或多個載人平臺由多個無人駕駛和專門的戰斗飛行器（UAV）支持。在下文中，我們將把至少一個載人平臺和一個或多個由載人平臺指揮的專用無人機組成的小組稱為包。我們聲稱，由于以下原因，無人平臺將作為有人平臺的力量倍增器發揮作用：

• 無人機是可擴展的，而空勤人員是不可擴展的。因此，無人機可以執行高風險的任務，并允許采用只用載人平臺無法接受的戰術。

• 無人機更便宜（即使不考慮機組人員的價值），因為它們可以在性能相同的情況下比載人平臺建造得更小。這意味著，在相同的成本下，更多的平臺可以執行任務，更多的平臺會導致更高的任務成功率。首先，因為有更多的冗余，其次，如果有更多的資產參與其中，一些任務可以更好地完成，例如發射器的定位。

• 不同的無人機和載人平臺可以任意組合。在任務開始前，可以根據需要組成包。在任務期間，在某些限制條件下，也可以重新組合軟件包，例如，如果交戰規則禁止不受控制的飛行，則指揮平臺之間的最大距離。這使得任務規劃和執行有了更大的靈活性，預計也能保持較低的運行成本和材料損耗（"只使用你需要的東西"）。

像往常一樣，沒有免費的午餐這回事。在我們的案例中，所有上述優勢對飛機設計師來說都是有代價的。不是按照一組技術要求優化單一設計的性能，而是必須設計多個平臺及其子系統，使其在各種任務和組合配置中最大限度地提高整個系統的性能。在本文的其余部分，我們將介紹FCAS原型實驗室（FPL），這是一個在FCAS背景下開發的模擬環境，用于解決這一高度復雜的問題。在第2章中概述了它在概念設計和跨學科技術原型開發中的作用后，我們將在第3章中介紹底層動態多智能體任務仿真的概念和架構。在第4章中，我們將介紹選定項目的結果，以概述該工具的多功能性。本文最后將介紹可能是未來最大的挑戰之一，不僅對模擬，而且對一般的無人系統的引進。實施一個強大的高層規劃算法，為復雜的空中行動生成臨時任務計劃，同時考慮反應性的低層智能體行為、人類操作員和在線用戶輸入。

FCAS原型實驗室（FPL）：動態多智能體任務仿真

FPL的核心是一個動態多智能體任務仿真，可以在一臺計算機上運行，也可以分布在多臺機器上，并使用不同的附加硬件組件。為了方便兵棋推演的進行，對人機界面技術進行原型測試，或用于一般的演示目的，模擬中的所有載人機載資產都可以選擇由硬件駕駛艙控制。如果沒有人類操作員參與，模擬必須能夠比實時運行更快。這對于在可能需要數小時的大規模任務中進行有效的開發和權衡分析尤為必要。為了以客觀和公正的方式評估概念和技術，每個模擬任務的過程都是由預先定義的系統屬性、物理效應的模擬和可配置的智能體行為和合作演變而來。不存在任何腳本事件，每一次新的模擬運行的結果都是完全開放的。藍軍和紅軍是在相同的假設下，以可比的抽象水平進行模擬。以下各章概述了如何在FPL中動態地模擬當前和未來機載系統的任務。介紹了我們的仿真結構，在對這類系統進行建模時最重要的設計權衡，以及行為建模的高層次規劃/低層次控制方法。

架構

FPL的仿真架構由三個邏輯部分組成：應用、仿真控制和通信中間件。該架構的一個核心特征是，模擬被分割成幾個應用程序。每個應用程序運行不同的模型，例如，有一個應用程序用于模擬自己的（藍色）航空器、敵方（紅色）航空器、綜合防空系統（IADS）以及更多的模型，如下所示。所有的應用程序共享相同的標準化接口，并且可以任意組合。這種模塊化允許只運行某個任務或項目所需的部分模型。所有的應用程序都是獨立的可執行文件，可以在同一臺計算機上以并行進程運行，也可以分布在幾臺機器上。通過交換編譯后的二進制文件，來自不同公司的模型的整合是可能的，而不會暴露詳細的基本功能。一般來說，不同公司之間的快速和容易的合作是FPL架構的一個主要驅動力。為此，提供了一個基礎應用類，它提供了所有與仿真有關的功能，如仿真控制狀態機、通信中間件接口和通用庫，例如用于不同坐標系的地理空間計算。通過簡單地實現一個新的基礎應用實例，新的模型可以被添加到仿真框架中。所有應用程序的執行都由一個中央仿真控制實例控制。它提供了一個圖形化的用戶界面，可以根據需要啟動、停止和加速模擬。在執行過程中，所有應用程序的運行時間被監控，仿真時間被動態地調整到最慢的模型。這使得分布式的比實時更快的模擬具有自適應的模擬時間加速。應用程序之間的通信是通過數據分配服務（DDS）標準[2]實現的。它使用發布-訂閱模式在網絡中實現了可靠和可擴展的數據交換。兩個不同的分區用于廣播仿真數據（如實體狀態、仿真控制命令等）和多播命令和控制數據（如通過BUS系統或數據鏈路實際發送的數據）。DDS標準的開放源碼實施被用來進一步方便與外部伙伴的合作。

圖1提供了我們的模擬架構的概況，包括大多數任務所需的應用程序。如前所述，這個架構并不固定，幾乎任何應用都可以根據需要刪除或交換。如黑色虛線箭頭所示，通過DDS中間件在仿真控制處注冊一個基本的應用實現，可以集成新的模型。藍色/紅色背景的方框描述了己方/敵方系統，混合顏色的方框可供雙方使用。仿真基礎設施組件的顏色為灰色，用戶界面的顏色為橙色。黑色箭頭表示模擬過程中的通信，灰色箭頭代表模擬運行前后的數據交換。

對于兵棋推演環節，不同的應用程序分布在FPL的多個房間內運行，以模仿真實的空中作業程序。在設置好一個場景后，藍方和紅方的操作人員使用任務配置工具，在不同的房間里計劃他們的任務。空中行動指揮官留在這些房間里，而飛行員則分成兩個房間，每個房間有兩個駕駛艙來執行任務。藍方和紅方空軍應用的任何飛機都可以從駕駛艙中控制，因此飛行員可以接管不同的角色，并相互對抗或作為一個團隊對抗計算機控制的部隊。所有房間都配備了語音通信模擬。任務結束后，各小組在簡報室一起評估任務，可以從記錄的模擬數據中回放。一個額外的房間配備了多個連接到模擬網絡的PC，可以選擇用于特定項目的任務，例如硬件在環實驗。

建模

為FPL選擇正確的建模范式事實上并不簡單，因為它涵蓋了操作分析工具（通常是隨機的）以及工程模擬（通常是確定性的或混合的）的各個方面。這個決定的影響可以用一個例子來說明，即如何確定一架飛機是否被導彈擊中。在隨機模型中，這個決定是基于可配置的概率，例如，被擊中的概率（導彈）和回避動作成功的概率（飛機）以及一個隨機數。為了使最終的任務結果對單一的隨機數不那么敏感，在實踐中經常用不同的隨機種子進行多次模擬運行。按照確定性的方法，導彈的飛出是根據導彈的發射方向、制導規律和固定的性能參數如推力、最大加速度等來模擬的。飛機在規避機動過程中的軌跡也是基于其初始狀態、空氣動力學、反應時間等。例如，當彈頭引爆時，如果導彈和飛機之間的距離低于某個閾值，那么飛機就會被認為被殺死。在一個確定性的模型中，在導彈發射時已經知道飛機是否會被擊中。確定性模型中必要的簡化通常是通過引入固定參數來完成的，比如導彈例子中的距離閾值。混合模型允許使用隨機數進行這種簡化，例如，作為失誤距離的函數的殺傷概率。

為了有效地測試和分析大規模的空中作業，在單臺機器上有幾十種藍色和紅色資產運行的情況下，模擬運行的速度至少要比實時快10倍（平均）。這對所用算法的時間離散性和運行時的復雜性提出了重大限制。為了保持快速原型設計能力，為新項目設置仿真或開發/集成新組件所需的時間應保持在較低水平。太過復雜的模型會帶來更多的限制，而不是顯著提高結果的質量。在這些方面，（更多的）隨機模型在運行時間和開發時間上都有優勢，更快。然而，在我們的案例中，有兩個主要因素限制了隨機模型的使用，使之達到最低限度。首先，模擬只有在給出他們的戰術和演習成功與否的確切原因時才會被操作者接受。此外，隨機模型是由數據驅動的，但對于未來自己和/或敵人的系統來說，所需的數據往往無法獲得。對于已經服役多年并在測試或實際作戰中多次射中的導彈，有可能估計其殺傷概率。然而，僅僅為未來的導彈增加這一概率是非常危險的，特別是因為隨機模型對這些參數非常敏感。從我們的觀點來看，通過將所有系統建模為基于技術系統參數的通用物理模型，可以實現對未來系統更健全的推斷。第一步，通過模擬已知技術和性能參數的現有系統，對模型本身進行驗證。對于未來的系統，技術參數會根據預期的技術進步、領域專家知識和他們的工具進行推斷。堅持最初的例子，未來戰斗機的回避機動性能的推斷，例如，基于從CAD和流體動力學模型計算出的更高的升力系數，或基于更高的導彈接近警告器的分辨率和靈敏度。

客觀評價未來概念在模擬中的表現的一個關鍵方面是環境和威脅的建模。必須考慮到，系統的方法在紅方和藍方都是有優勢的。現代國際防空系統的危險來自于結合不同的系統，從非常短的距離到遠距離。所有這些系統都有它們的長處和短處，但它們被組織起來，使個別的短處被其他系統所補償，并使整個系統的性能最大化。因此，第一個困難是必須對大量的系統進行模擬，并且必須確定這些系統的個別優勢和劣勢。通用物理模型的方法可用于這兩個方面。在通用防空系統模型被開發和驗證后，它可以迅速將新的系統整合到模擬中。根據模擬的物理效果，可以估計敵方系統的作戰優勢和弱點或未來可能的威脅概念。另一方面，使用通用模型的困難在于，必須將真實系統的功能映射到通用模型中，以便保留所有重要的單個系統屬性。這不可避免地導致了相當復雜和詳細的通用模型。我們將以地基雷達組件為例，概述我們平衡復雜性和保真度的方法。如圖2所示，IADS模擬中的一個實體由不同的組件組成。這些組件可以任意組合，以快速配置新系統。從功能角度看，地面雷達組件由控制器、探測模型和目標跟蹤器組成。根據實體的當前任務，控制器選擇所需的雷達模式，例如，360°搜索的監視或戰斗搜索，如果一個特定的部門必須優先考慮。為了對付干擾或地面雜波，可以使用不同的波形。根據雷達的類型，如機械或電子轉向的一維或二維，控制器有不同的可能性來適應搜索模式。在為一個波束位置選擇了波形的類型和數量后，探測模型根據目標、地面雜波、地形陰影、大氣衰減和電子對抗措施等方面的雷達截面模型，產生測量結果。測量誤差是由取決于隨機模型的信噪比引起的。由此產生的測量結果然后由目標跟蹤器處理，它執行測量-跟蹤關聯和跟蹤過濾。

這種詳細模型產生的另一個困難是必須估計的參數總數。在這一點上也要注意，模擬中的所有數據都是不受限制的。這一方面是由于大多數項目的限制，但另一方面，它在日常工作中也有實際優勢。我們必須牢記，模擬是用于概念驗證，而不是用于詳細的系統設計，所以在這個早期階段使用機密的威脅數據會對基礎設施和開發過程造成重大限制，而不會給結果帶來重大價值。基于此，所有的威脅數據都必須根據公開的來源或來自內部項目和外部合作伙伴的非限制性數據進行估算。這再次導致了大量的數據，而這些數據的詳細程度往往是非常不同的，或者是不一致的，例如，由于對限制性數據的去分類。隨著我們模型的不斷發展和多年來獲得的工程專業知識，我們有可能為不同的當前和推斷的未來威脅系統估計出一致的參數。這主要是在一個自下而上的迭代過程中完成的。根據現有的技術和性能參數，對缺失的模型參數進行估計以適應組件的性能。然后對單一系統的不同組件之間的行為和相互作用進行調整，以達到理想的系統性能。最后，在不同的情況下測試IADS內這些系統的協調，以使整個系統的性能最大化。