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

在 2020 年，空中力量（制空權）辯論越來越多地關注新興技術對國防創新和未來戰爭特征的影響。人工智能 (AI) 系統、機器人技術、增材制造（或 3D 打印）、量子計算、定向能量和其他“顛覆性”技術等先進新技術的融合，第四次工業革命 (4IR)為國防應用提供了新的和潛在的重大機會，進而提高了對潛在競爭對手的軍事優勢。當前的大部分辯論可以說將“下一個前沿”技術描述為“不連續”或“破壞性”軍事創新的代名詞——從“工業時代”到“信息時代戰爭”和現在越來越傾向于“自動化時代的戰爭”（Raska，2021 年）。例如，高光譜圖像、計算攝影和緊湊型傳感器設計等先進傳感器技術旨在提高目標檢測、識別和跟蹤能力，并克服傳統的視線干擾（Freitas 等人，2018 年）。具有自適應特性的復合材料、陶瓷和納米材料等先進材料將使軍事裝備更輕，但更適應于復雜環境（Burnett 等人，2018 年）。新興光子技術，包括高功率激光器和光電設備，可能會提供基于量子計算和量子密碼學新級別的安全通信（IISS，2019 年）。

新興技術的融合——即機器人技術、人工智能和機器學習、具有先進傳感器技術的模塊化平臺、新型材料和保護系統、網絡防御和模糊物理、網絡和生物領域之間界限的技術，被廣泛認為對人類的特征具有深遠的影響。未來的戰爭，在空中力量的背景下，有望將新的機器學習算法應用于高速進行信息處理、有人/無人武器平臺和監視系統的混合自動化，以及最終指揮和控制 (C2) 決策（Horowitz，2018；Cummings，2017）。

大型軍工產品不再是技術創新的唯一驅動力；取而代之的是，具有雙重用途潛力的先進技術正在商業領域開發，然后“轉而”用于軍事應用。

然而，盡管戰略背景各不相同，但這些新興技術的傳播也引發了類似于過去 40 年提出的理論和政策規定性問題：新興技術的傳播是否真的意味著戰爭中的“破壞性”轉變？這僅僅是進化上的變化嗎？如果新興技術規定了戰爭的顛覆性變化，那么國防資源分配的必要性是什么，包括部隊結構和武器采購要求？包括空軍在內的軍事組織如何利用新興技術為自己謀利？此外，新興技術在應對 21 世紀以不確定性、復雜性和模糊性為特征的安全威脅和挑戰方面的效果如何？

顛覆性敘事的四個十年

在受信息技術飛躍的推動下，“顛覆性”軍事創新敘事和辯論的軌跡已在 IT 驅動的軍事革命 (IT-RMA) 的背景下定義，該革命已通過至少五個階段：（1）1980年代初期蘇聯戰略思想家對軍事技術革命的初步概念發現，（2）1990年代初期美國戰略思想的概念適應、修改和整合，（3）1990 年代中后期對技術的 RMA 辯論，（4） 轉向更廣泛的“防御轉型”，并在 2000 年代初期進行部分實證調查，以及 (5) 從 2005 年起質疑顛覆性敘事的批判性逆轉（格雷，2006 年）。然而，自 2010 年代中期以來，隨著人工智能和自主系統等新技術的加速傳播，人們可能會爭辯說，新的 AI-RMA 或第六次 RMA 浪潮已經出現（Raska，2021 年）。

然而，回想起來，在過去的 40 年里，IT-RMA 的實施也可以說是遵循了一條明顯低于革命性或破壞性的道路，包括對現有能力的漸進式、通常近乎持續的改進（Ross，2010 年）。雖然國防技術、組織和理論方面的重大、大規模和同步的軍事創新是一種罕見的現象，但軍事組織在很大程度上是通過一系列持續的軍事創新取得進展，從小規模創新到大規模創新，這些創新塑造了他們的戰爭行為（Goldman，1999）。雖然這個時代的許多軍事創新，例如網絡中心戰的概念已經成熟，但關于即將到來的“破壞性軍事轉型”的敘事幾乎總是超過了現有的技術、組織和預算能力。此外，不同的概念、技術、組織和作戰創新主要集中在將數字信息技術集成到現有的傳統平臺和系統中（Raska，2016 年）。

國家和非國家行為者都可能使用這種所謂的對抗性機器學習來欺騙對方，使用不正確的數據得出錯誤的結論，并在此過程中改變決策過程。

例如，在美國的戰略思想中，顛覆性軍事創新的敘事從 2005 年開始隨著伊拉克和阿富汗戰爭中的作戰挑戰和經驗逐漸淡化。更多批評聲音指向“破壞性”防御轉型的未兌現承諾。 “新思維方式和新戰斗方式”的基本原理幾乎證明了每項防御倡議或提議的合理性，這表明迷失方向而不是明確的戰略（弗里德曼，2006 年）。國防轉型懷疑論者還警告說，通過技術解決復雜戰略挑戰的邏輯有缺陷，同時放棄了潛在敵人或競爭對手的適應能力。簡而言之，由于預算要求和不切實際的能力組合而不是實際的戰略和作戰邏輯，即將發生的國防轉型的破壞性敘事已經變成了一個模棱兩可的想法（雷諾茲，2006 年）。

為什么AI浪潮不同？

然而，新的“支持人工智能”的國防創新浪潮在幾個方面與過去以 IT 為主導的浪潮不同。首先，人工智能支持的軍事創新的傳播速度要快得多，通過多個維度，特別是通過大國之間加速的地緣戰略競爭——美國、中國和較小程度的俄羅斯。大國之間的戰略競爭并不新鮮。它們深深植根于歷史——從公元前三世紀伯羅奔尼撒戰爭期間的雅典和斯巴達大戰略，到二十世紀下半葉冷戰的兩極分化。然而，新興戰略競爭的性質不同于以往戰略競爭的類比。進入 21 世紀，戰略競爭的路徑和模式更加復雜多樣，反映了在不同或重疊規則下的多重競爭，長期的經濟相互依存與核心戰略挑戰并存（Lee，2017）。然而，在爭奪未來霸權的競爭中，技術創新被描述為國際影響力和國家力量的核心來源——產生經濟競爭力、政治合法性和軍事力量（Mahnken，2012 年）。具體來說，美國幾十年來第一次面對一個戰略性的同行競爭對手中國，中國有能力追求和實施自己的 AI-RMA。因此，主要問題不是 AI-RMA 浪潮是否會在戰爭中帶來根本性的不連續性，如果是，如何以及為什么？相反，美國的 AI-RMA 是否可以被相應的中國或俄羅斯 AI-RMA 取消或至少削弱？換言之，技術優勢的差距正在有效縮小，這有效地加速了新技術作為軍事優勢來源的戰略必要性。

新興技術的融合——即機器人技術、人工智能和機器學習、具有先進傳感器技術的模塊化平臺、新型材料和保護系統、網絡防御和模糊物理、網絡和生物領域之間界限的技術，被廣泛認為對未來的戰爭具有深遠的影響。

其次，與前幾十年利用一些軍民兩用技術開發主要武器平臺和系統不同，當前的人工智能浪潮在商業技術創新作為軍事創新來源的規模和影響方面有所不同。大型軍工產品不再是技術創新的唯一驅動力；取而代之的是，具有雙重用途潛力的先進技術正在商業領域開發，然后“轉而”用于軍事應用。在這種情況下，新興技術的傳播，包括增材制造（3D 打印）、納米技術、空間和類空間的能力、人工智能和無人機，并不僅限于大國（Hammes，2016 年）。人工智能傳感器和自主武器系統的擴散也在新加坡、韓國、以色列等先進小國和中等強國的防御軌跡上。這些國家現在有潛力開發利基新興技術，以提高其防御能力和經濟競爭力、政治影響力和在國際舞臺上的地位（Barsade 和 Horowitz，2018 年）。

第三，自主和支持人工智能的自主武器系統的擴散，加上新穎的作戰結構和部隊結構，挑戰了人類參與未來戰爭的方向和特征——其中算法可能會影響人類的決策，并設想在未來的戰斗中使用致命自主武器系統（LAWS）。包括空軍在內的先進軍隊正在試驗各種依靠數據分析和戰爭自動化的人機技術。這些技術越來越多地滲透到未來的戰爭實驗和能力發展計劃中（Jensen 和 Pashkewitz，2019 年）。在美國，選定的優先研發領域側重于在各種人機協作中開發人工智能系統和自主武器——例如，支持人工智能的預警系統和指揮與控制網絡，空間和電子戰系統、網絡能力、致命的自主武器系統等。

人工智能系統將越來越有能力在John Boyd的觀察-定向-決策-行動 (OODA) 循環的每一步中簡化 C2 和決策過程。

戰略競爭、雙重用途新興技術創新和戰爭中人機交互特征的變化，這三個驅動因素的融合推動了一系列定義 AI-RMA 浪潮的新條件。它的擴散軌跡在本質上也對戰略穩定性、聯盟關系、軍備控制、道德和治理以及最終的作戰行動提出了新的挑戰和問題（Stanley-Lockman，2021a）。例如，關于人工智能系統在使用武力中的作用的國際規范辯論越來越關注法律的傳播和遵守國際人道法原則的能力。隨著技術進步從科幻領域轉向技術現實，各國對引入 LAWS 是否會違反或加強國際法律原則也有不同的看法。面對軍事人工智能應用的法律和道德影響，軍事機構越來越認識到需要解決與安全、道德和治理相關的問題，這對于建立對新能力的信任、管理風險升級和重振軍備控制至關重要。盡管如此，國防部和軍隊在倫理道德方面的努力是狹隘地關注法律還是更廣泛地關注人工智能系統的范圍之間仍然存在緊張關系。因此，包括空軍在內的軍隊需要跟蹤關于人工智能和自主性的不斷演變的觀點，并就對 2020 年代及以后的戰略和作戰環境的影響進行辯論（Stanley-Lockman，2021b）。

對空中力量的影響

在作戰層面，空軍旨在加速整合各種人工智能相關系統和技術，例如多域作戰云系統，從各種來源收集大數據，創建實時作戰圖，本質上是自動化和加速指揮和控制 (C2) 流程（Robinson，2021 年）。在這樣做的過程中，啟用人工智能的作戰云可以識別目標并將它們分配給任何領域中最相關的“射手”，無論是空中、水面還是水下——一些空軍將其概念化為聯合全域指揮與控制 (JADC2) 。部分空軍也在試驗人工智能算法作為“虛擬后座”，它可以有效控制飛機的傳感器和導航，尋找對手，并以此減少機組人員的工作量（Everstine，2020）。在這種情況下，關鍵論點是人工智能系統的進步——可以感知、推理、行動和適應的廣泛程序，包括機器學習 (ML) 系統——其性能隨著時間的推移、數據交互的增加而提高算法性能，以及深度學習（ DL）系統——其中多層神經網絡從大量數據中學習——具有“改變空戰行動以及空中力量的構思和使用方式”的潛力（Davis，2021 年）。

具體來說，根據蘭德公司最近的一項研究（Lingel 等人，2020），目前有六類 AI/ML 應用研發，其會對包括空中力量在內的未來戰爭有影響：

（1）計算機視覺——圖像識別——檢測對視覺世界中可用于處理多源智能和數據融合的對象進行分類；

(2) 自然語言處理 (NLP) — 成功理解人類語音和文本識別模式（包括翻譯）的能力，可用于從語音和文本中提取情報，但也可以監控友好通信并引導相關信息以提醒個人或單位；

(3) 專家系統或基于規則的系統——收集大量數據以推薦特定行動以實現作戰和戰術目標；

(4) 規劃系統——使用數據解決調度和資源分配問題，可以針對目標協調選定的空中、太空和網絡資產，并生成建議的分時行動；

(5) 機器學習系統——從與環境的數據交互中獲取知識，可與其他類別的人工智能結合使用，即使 C2 系統在專家知識不可用或最佳策略、技術和程序 (TTP) 未知時學習如何執行任務；

(6) 機器人和自主系統——結合所有或選擇先前類別的 AI/ML 方法，使無人系統與其環境交互；

這些與人工智能相關的類別幾乎適用于空中力量的各個方面，可能會塑造新形式的自動化戰爭：從 C2 決策支持和規劃，人工智能/機器學習可以在日益受限的時期提供推薦的選項或建議；通過數據挖掘能力支持 ISR；后勤和預測性維護，以確保部隊的安全以及平臺和單位的可用性；訓練和模擬；網絡空間行動以檢測和應對先進的網絡攻擊；機器人和自主系統，如無人機，用于從 ISR 到矛尖任務的各種任務，如壓制敵方防空和協同作戰，在空中和陸地打擊行動中整合不同的有人和無人平臺。換句話說，這里的論點是人工智能系統將越來越有能力在John Boyd的觀察-定向-決策-行動 (OODA) 循環的每個步驟中簡化 C2 和決策過程：收集、處理并將數據轉換為統一的態勢感知視圖，同時為推薦的行動方案提供選項，并最終幫助人類采取行動（Fawkes 和 Menzel，2018 年）。

然而，將人工智能系統集成到空中力量平臺、系統和組織中，以將計算機從工具轉變為解決問題的“思考”機器，將繼續帶來一系列復雜的技術、組織和運營挑戰（Raska 等人，2021 年）。其中可能包括開發算法，使這些系統能夠更好地適應環境的變化，從意想不到的戰術中學習并將其應用于戰場。它還要求為這些思考機器設??計道德規范和保障措施。另一個挑戰是技術進步，特別是在軍事系統中，是一個持續的、動態的過程。突破總是在發生，它們對軍事效力和比較優勢的影響可能是巨大的，而且在初期階段很難預測。

然而，最重要的是，關鍵問題是我們可以在多大程度上信任人工智能系統，尤其是在安全關鍵系統領域？正如 Cummings所警告的那樣，“歷史上充斥著類似的戰備承諾如何以代價高昂的系統故障告終的例子，這些案例應該作為一個警示故事”（Cummings，2021 年）。此外，越來越多的研究領域集中在如何通過生成虛假數據來欺騙人工智能系統做出錯誤的預測。國家和非國家行為者都可能使用這種所謂的對抗性機器學習來欺騙對方，使用不正確的數據得出錯誤的結論，并在此過程中改變決策過程。對抗性機器學習的整體戰略影響可能比技術本身更具破壞性（Knight, 2019; Danks, 2020）。

啟用人工智能作戰云用于識別目標并將其分配給任何領域中最相關的“射手”，無論是空中、水面還是水下——一些空軍將其概念化為聯合全域指揮與控制 (JADC2)。

從戰術和操作的角度來看，這些復雜的人工智能系統也需要連接在一起——不僅在技術上，而且在組織和操作上。對于許多空軍來說，這是一個持續的挑戰——他們必須能夠有效地（實時）在各種服務和平臺之間集成啟用人工智能的傳感器到射擊者的循環和數據流。這意味著有效地連接多樣化的空軍、陸軍、海軍和網絡戰斗管理； C2，通信和網絡；情監偵；電子戰；定位、導航和授時；使用精確彈藥。雖然選擇的 AI/ML 系統可能會緩解一些挑戰，但相同的系統會產生另一組與確保可信 AI 相關的新問題。因此，有人可能會爭辯說，未來空中力量中人工智能軌跡的方向和特征將取決于相應的戰略、組織和作戰敏捷性，特別是這些技術如何與當前和新興的作戰結構和部隊結構相互作用。

在這種情況下，人類在未來戰爭中的參與程度、改變傳統部隊結構和招募模式的必要性以及將在哪些領域使用武力都是新技術挑戰的問題。空軍正在為這些問題開發自己的而且往往是多樣化的解決方案。與過去一樣，它們的有效性將取決于與戰略持久原則相關的許多因素——將可用的國防資源“轉化”為新軍事能力的目的、方式和手段，并在此過程中創造和維持具有空中作戰能力的部隊來應對各種突發事件。成功實施的主要因素不是技術創新本身，而是持續資金、組織專業知識（即大規模和有效的軍事和商業研發基地）和實施國防創新機構的敏捷性綜合效應（Cheung，2021）。對于空中力量的未來，這意味著擁有能夠提供創新解決方案的人員、流程和系統，同時保持現有的核心能力，從而在日益復雜的戰略環境中提供可行的策略選擇。

作者介紹：

Michael Raska 博士是新加坡南洋理工大學 S. Rajaratnam 國際研究學院軍事轉型項目的助理教授和協調員。他的研究興趣集中在東亞的國防和軍事創新、戰略競爭和賽博戰。他是《軍事創新和小國：創造反向不對稱》（Routledge，2016 年）的作者，也是《國防創新和第四次工業革命：安全挑戰、新興技術和軍事影響》（Routledge，2022 年）的共同主編。他擁有密蘇里南方州立大學國際研究學士學位、延世大學國際關系碩士學位和新加坡國立大學李光耀公共政策學院博士學位，并獲得新加坡國立大學校長研究生學位獎學金。

摘要

現代戰爭的特點是復雜性越來越高，敵手聰明且技術優良。為了解決現代戰爭的一些復雜性，基于機器學習(ML)的技術最近為戰場上的自動化任務提供了合適的手段。然而，配備了ML技術的聰明敵人不僅在戰場上參與公平競爭，而且還利用欺騙和隱蔽攻擊等策略，制造惡意方法來破壞ML算法，獲得不公平的優勢。為了應對這些威脅，自動化戰場系統上使用的ML技術必須能夠強大地抵御敵方的攻擊。

我們在一種稱為“示范學習”(LfD)的強化學習算法的背景下，分析了競爭場景中的對抗學習問題。在LfD中，學習智能體觀察由專家完成的操作演示，以學習快速有效地執行任務。LfD已成功應用于軍事行動，如使用機器人團隊進行自主搜索和偵察，或自主抓取拆除簡易爆炸裝置。然而，惡意的敵人可以通過植入敵對的專家來利用LfD，這些專家要么給出不正確的演示，要么修改合法的演示，從而使學習智能體在任務中失敗。為了解決這個問題，我們首先分析了在LfD框架內對抗專家可以使用的不同的演示修改策略，根據對手的修改成本和修改學習代理對任務性能的影響。然后，我們提出了一個新的概念，利用對手和學習智能體之間的博弈，學習智能體可以使用LfD從潛在的對手專家演示中戰略性地學習，而不顯著降低其任務性能。在AI-Gym環境中，我們對提出的魯棒學習技術進行了評估，該技術通過對雅達利類游戲“LunarLander”中的專家演示進行對抗性修改。

圖1所示。(左)使用LfD學習自動駕駛設置時敵對軌跡對策略的影響。(右)在我們提出的方法中，干凈(綠色)和對抗(紅色)軌跡首先是等分的。然后，在使用選項(金虛線)接受或拒絕軌跡部分后，對每個分區學習策略，或對未分區的軌跡使用傳統的強化學習(藍虛線)。

對抗性專家演示框架

我們考慮這樣一個場景，學習智能體必須通過從專家給出的任務演示(LfD)中進行強化學習來在環境中執行任務。一些專家可能是敵對的，并修改軌跡演示的意圖，使學習智能體不能正確執行任務，而遵循修改的演示。在本文的其余部分中，為了便于閱讀，我們將對抗性專家稱為專家。LfD框架采用馬爾可夫決策過程(MDP)[12]進行形式化。LfD算法的輸出是一個策略，該策略為執行任務提供狀態到動作映射。RL通過一個叫做訓練的過程學習策略，在這個過程中，它探索環境，觀察在探索過程中收到的狀態-行為-獎勵配對，最后選擇一系列導致更高期望獎勵的狀態-行為-獎勵配對作為它的策略。

專家們的演示以被稱為軌跡的狀態-行動-獎勵元組序列的形式給出。專家軌跡可能是良性的，也可能是敵對的。良性和敵對的專家軌跡分別展示了完成任務的正確和不正確的方式，并幫助或阻礙了學習智能體學習執行任務。專家演示被整合到智能體的學習中，使用名為DAGGER[1]的LfD算法執行任務。DAGGER使用來自專家演示軌跡的監督學習來學習策略，但添加了一個權重參數β，該參數表示學習主體在將軌跡納入其學習策略時的權重或信任度。

算法1。學習器用來接受或拒絕軌跡演示的算法。

算法2。由專家用來修改干凈軌跡的算法。

Mayflower Autonomous Ship (MAS) 是一項草根計劃，由海洋研究非營利性ProMare領導，并得到IBM和全球合作伙伴聯盟的支持。MAS 與海洋學家和其他船只合作，為收集有關海洋的關鍵數據提供了一種靈活、經濟高效且安全的選擇。它可以在海上停留很長時間，攜帶科學設備，并自行決定如何優化其路線和任務。

概述：

• 自給自足，太陽能供電，完全自主
• 旨在展示一種可以在沒有人參與的情況下，通過間歇性連接自主穿越大西洋的能力
• 沒有黑箱:沃森人工智能具有模型治理、可審核性和透明度

設計：

• 三體船設計，低，高穩定性，動態外形
• 鋁及復合材料
• LOA: 15米，BOA: 6.2米寬，吃水:5m，排水量:10噸。
• 3個貨物有效載重艙可以承受700Kg用于當前配置的科學實驗
• 有效載荷利用率為50%，可拆卸、模塊化和即插即用架構

性能

• 混合電力推進系統
• 鋰離子電池和太陽能電池板
• 雙20kw永磁電力推進電機
• 巡航速度5節，1.2kW，最大速度12節，40kW
• 所有關鍵系統的雙重冗余
• 動態更新AI/ML模型

美國的空中優勢是美國威懾力的基石，正受到競爭對手的挑戰。機器學習 (ML) 的普及只會加劇這種威脅。應對這一挑戰的一種潛在方法是更有效地使用自動化來實現任務規劃的新方法。

本報告展示了概念驗證人工智能 (AI) 系統的原型，以幫助開發和評估空中領域的新作戰概念。該原型平臺集成了開源深度學習框架、當代算法以及用于模擬、集成和建模的高級框架——美國國防部標準的戰斗模擬工具。目標是利用人工智能系統通過大規模回放學習、從經驗中概括和改進重復的能力，以加速和豐富作戰概念的發展。

在本報告中，作者討論了人工智能智能體在高度簡化的壓制敵方防空任務版本中精心策劃的協作行為。初步研究結果突出了強化學習 (RL) 解決復雜、協作的空中任務規劃問題的潛力，以及這種方法面臨的一些重大挑戰。

研究問題

• 當代 ML 智能體能否被訓練以有效地展示智能任務規劃行為，而不需要數十億可能情況組合的訓練數據？
• 機器智能體能否學習使用攻擊機、干擾機和誘餌飛機的組合來對抗地對空導彈 (SAM) 的策略？干擾機需要離地空導彈足夠近才能影響它們，但又要保持足夠遠，以免它們被擊落。誘餌需要在正確的時間分散 SAM 對前鋒的注意力。
• 是否可以建立足夠泛化的表示來捕捉規劃問題的豐富性？吸取的經驗教訓能否概括威脅位置、類型和數量的變化？

主要發現

RL 可以解決復雜的規劃問題，但仍有局限性，而且這種方法仍然存在挑戰

• 純 RL 算法效率低下，容易出現學習崩潰。
• 近端策略優化是最近朝著解決學習崩潰問題的正確方向邁出的一步：它具有內置約束，可防止網絡參數在每次迭代中發生太大變化。
• 機器學習智能體能夠學習合作策略。在模擬中，攻擊機與 SAM 上的干擾或誘餌效應協同作用。
• 經過訓練的算法應該能夠相當容易地處理任務參數（資產的數量和位置）的變化。
• 很少有關于成功和不成功任務的真實數據。與用于訓練當代 ML 系統的大量數據相比，很少有真正的任務是針對防空飛行的，而且幾乎所有任務都取得了成功。
• 對于涉及使用大型模擬代替大型數據集的分析，所需的計算負擔將繼續是一個重大挑戰。針對現實威脅（數十個 SAM）訓練現實能力集（數十個平臺）所需的計算能力和時間的擴展仍不清楚。
• 建立對人工智能算法的信任將需要更詳盡的測試以及算法可驗證性、安全性和邊界保證方面的根本性進步。

建議

• 未來關于自動化任務規劃的工作應該集中在開發強大的多智能體算法上。RL 問題中的獎勵函數可以以意想不到的方式徹底改變 AI 行為。在設計此類功能時必須小心謹慎，以準確捕捉風險和意圖。
• 盡管模擬環境在數據稀缺問題中至關重要，但應調整模擬以平衡速度（較低的計算要求）與準確性（現實世界的可轉移性）。

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

當前的流程和網絡限制迫使軍隊員工在物理上聚集在一起進行操作。Metaverse 提供了一種潛在的解決方案，可以在通過分發操作使指揮所更易于生存的同時啟用操作

共同的操作畫面

“我需要理解”也許是任務指揮技術背后的主要驅動力。制定和維護共同作戰圖的基本概念是增強態勢感知，實現態勢理解并促進所有梯隊的共同理解。通過連接數字系統以在 2D 和 3D 地圖上顯示信息或通過在紙質地圖上手動跟蹤友軍和敵方信息的復雜應用程序編程接口執行，該過程在過去 30 年中沒有太大發展。這項工作需要大型、繁瑣的指揮所，配備集中的人員和技術，以執行作戰過程并最終生成通用的作戰畫面，指揮官和參謀人員可以利用該畫面做出最及時、最準確的決策。 不幸的是，隨著運營變得越來越復雜，數據越來越多，各單位一直在努力有效地進行信息和知識管理。指揮所的規模和范圍已經擴大以滿足需要。人員數量的增加和對網絡的依賴使今天的指揮所容易受到敵人的攻擊，沒有足夠的機動性和生存能力。元宇宙提供了一種潛在的解決方案，可以使操作過程成為可能，同時通過分布操作固有地使指揮所更具生存能力，以及減少物理和電磁足跡。

在 元宇宙中與我會面：在未來，士兵們可以“進入”虛擬環境，在執行任務之前進行任務規劃。盡管“軍事虛擬世界”仍然只是一個概念，但整個美國陸軍的研究人員和科學家正在探索潛在的應用

什么是元宇宙？

由尼爾斯蒂芬森在他 1992 年的小說“Snow Crash” 中創造為了描述用戶在虛擬空間中交互的在線世界，元宇宙已經通過大型多人在線游戲和虛擬世界（如 Second Life、Roblox 或 Minecraft）變得熟悉。正如移動設備在過去 10 年中改變了互聯網的消費方式一樣，新一代技術——在這種情況下是虛擬和增強現實耳機——正在為我們如何消費內容提供新的視角。這些頭顯不再受平面屏幕的限制，讓用戶能夠感知在物理世界之上或代替物理世界呈現的 3D 對象和媒體并與之交互。隨著大流行驅動的遠程工作加速，這一概念變得更加流行。Facebook 甚至將其未來寄托在這一轉變上。

風險基金合伙人和受人尊敬的商業作家馬修·鮑爾（ Matthew Ball ）將元宇宙最徹底的探索之一寫成了一個由九部分組成的博客系列。Ball 的入門書著重于元宇宙的八個方面：

硬件：用于訪問、交互或開發元宇宙的物理技術和設備的銷售和支持。這包括但不限于面向消費者的硬件（例如 VR 耳機、手機和觸覺手套）以及企業硬件（例如用于操作或創建虛擬或基于 AR 的環境的硬件，例如工業相機、投影和跟蹤系統以及掃描傳感器）。此類別不包括特定于計算的硬件，例如 GPU 芯片和服務器，以及特定于網絡的硬件，例如光纖電纜或無線芯片組。

網絡：由骨干提供商、網絡、交換中心和在它們之間路由的服務以及管理“最后一英里”數據給消費者的服務提供持久、實時的連接、高帶寬和分散的數據傳輸。

計算：支持元宇宙的計算能力的啟用和供應，支持物理計算、渲染、數據協調和同步、人工智能、投影、動作捕捉和翻譯等多樣化和高要求的功能。

虛擬平臺：沉浸式數字和通常是 3D 模擬、環境和世界的開發和運營，用戶和企業可以在其中探索、創造、社交和參與各種體驗（例如賽車、繪畫、上課，聽音樂），從事經濟活動。這些業務與傳統在線體驗和多人視頻游戲的區別在于，存在一個由開發人員和內容創建者組成的大型生態系統，這些生態系統在底層平臺上生成大部分內容和/或收集大部分收入。

交換工具和標準：工具、協議、格式、服務和引擎，它們充當互操作性的實際或事實上的標準，并支持元宇宙的創建、操作和持續改進。這些標準支持渲染、物理和 AI 等活動，以及資產格式及其從體驗到體驗的導入/導出、前向兼容性管理和更新、工具和創作活動以及信息管理。

支付：支持數字支付流程、平臺和運營，包括法定入口（一種數字貨幣兌換形式）到純數字貨幣和金融服務，包括比特幣和以太幣等加密貨幣以及其他區塊鏈技術。

元宇宙內容、服務和資產：與用戶數據和身份相關的數字資產（例如虛擬商品和貨幣）的設計/創建、銷售、轉售、存儲、安全保護和財務管理。這包含所有“建立在”元宇宙之上和/或“服務于”元宇宙的所有業務和服務，并且沒有被平臺所有者垂直整合到虛擬平臺中，包括專門為元宇宙構建的、獨立于虛擬界的內容平臺。

用戶行為：消費者和商業行為（包括花費和投資、時間和注意力、決策和能力）的可觀察變化，這些變化要么與元宇宙直接相關，要么以其他方式促成或反映其原則和理念。這些行為在最初出現時幾乎總是看起來像“趨勢”（或者，更貶義地，“時尚”），但后來顯示出持久的全球社會意義。

他討論了每個領域的進展，以及充分啟用和采用元宇宙作為移動互聯網繼任者的方法。

從虛擬到現實：隨著大型指揮所分解其物理足跡并依賴數字環境，諸如元宇宙之類的概念可以幫助參謀人員對現實世界的行動進行規劃

聯網

帶寬是當今戰場上的稀缺資源，需要技術突破才能完全啟用虛擬世界。然而，許多戰術場景可以受益于不是特別密集的信息，因此需要較少的帶寬來傳輸，例如地理空間位置、單位狀態摘要、當前目標等。此外，更密集的信息，例如用于訓練輔助目標識別算法的作戰區域3D 地形模型或未知敵方車輛的視頻，無需通過網絡實時發送。這將要求陸軍利用云服務，云服務不僅能高效地移動和處理信息，而且由情報部門控制，這些情報部門了解客戶請求或可能請求的數據和服務的信息價值。

關乎生死的一個關鍵問題是信息延遲。友方單位位置的潛在變化可能會導致整個元宇宙的決策瀑布式變化，并改變任務狀態的視角。為了做出更好的決策，陸軍必須創建一個超高效的網絡，只傳輸正確的相關信息。這種實時信息更新的概念是在虛擬世界中沉浸式硬件的關鍵組成部分，因為“數字孿生”士兵的表示和動作必須在連接到其共享空間的所有其他設備上同步。與商業世界不同，元宇宙戰場涉及戰斗人員試圖摧毀對手的網絡。

微軟飛行模擬器

流行的 Microsoft Flight Simulator 視頻游戲系列包括地球的“數字孿生”，結合地圖和衛星圖像，可以對天氣和空中交通、建筑物甚至樹木實時渲染。這是一個巨大的模型，對于戰術邊緣的受限帶寬來說是不切實際的，但是這個模型和其他類似的模型可以允許在更高的、云連接的梯隊或在本站上對車輛和武器效果進行超現實建模。NVIDIA 的 Omniverse等世界構建工具包有助于渲染新對象，其中包括材質、紋理和運動構建塊。甚至這些基于世界的模型的低分辨率版本也可用于概念演練或任務演練，無論單位是否位于同一地點。

想象一下：今天使用的沉浸式硬件幾乎完全掩蓋了用戶對現實世界的看法；最終，顯示器將需要在現實之上渲染內容或用合成內容替換所有內容之間進行動態調整。（由任務指揮戰斗實驗室提供）

虛擬平臺

整合軍用數字訓練、戰斗和企業級系統的精簡平臺不足以實現元宇宙。元宇宙要求士兵的數字存在超越不同的訓練平臺，并無縫集成到其他作戰工具中。這些工具還必須使用戶能夠從不同的角度與戰場數據進行交互，無論是在傳統的 2D 顯示器上還是從沉浸式共享虛擬空間。這將需要能夠使來自現實世界或模擬的數據在各種顯示媒體上無縫呈現的架構，無論它們是如何部署的。商業游戲世界一直在適應這一挑戰，支持在不同類型的硬件（如 PC 和游戲機）之間交叉玩同一游戲。

雖然化身的出現對我們的士兵來說可能不是那么優先，但數字資產可以以其他方式使用，這可能是有用的--例如，包括在一個人的身份系統偏好或自定義語言模型中，即使在用戶登錄一個新系統時也可以幫助人機合作。此外，一些游戲使一部分用戶能夠戴著虛擬現實設備從神一樣的俯視角度進行游戲，而其他玩家則化身為化身，從地面上以第一人稱觀看世界。像這樣的游戲概念似乎很適合在不同的梯隊中使用這種能力，在那里不同類型的數據和互動是必要的。

從戰術的角度來看，陸軍必須建立具有共同視野和感受的系統，無論系統是的佩戴方式或交互方式如何。士兵應該能夠以相同的配置文件使用他們的頭戴式顯示器、他們的手持系統和他們的桌面系統，并在這些系統間能夠以相同的角色輕松地切換。

硬件

Android Tactical Assault Kit (ATAK)等系統是一款裝在堅固外殼中的手持平板電腦或手機，可為作戰人員提供其作戰環境的數字化視角。ATAK 可以可視化 2D 和 3D 地圖，以及一系列圖形控制措施來表示友軍和敵軍的位置。雖然不像民用領域的消費類智能手機那樣無處不在，但這些設備代表了將物理和數字領域融合到一個手持套件中的首次嘗試之一。

然而，增強現實系統中的當前硬件限制了全息內容的視野質量。虛擬現實頭戴式顯示器提供高質量的視覺效果，但代價是幾乎完全遮擋了用戶對自然世界的看法。雖然陸軍開始評估在指揮所等不太致命的環境中使用虛擬現實，但沉浸式硬件的未來最終將融合到一個頭戴式顯示器中，該顯示器可以在現實之上的渲染內容或替換所有內容之間動態調整合成內容。這對于在未來的戰場環境中完全實現元宇宙是必要的。

結論

盡管推動了未來的發展，但我們也必須承認目前的技術仍然面臨著局限性--例如，訪問問題、延遲。這些問題不會因為升級到元宇宙而得到解決，必須隨著元宇宙的發展而得到解決。在規劃、準備、執行和評估行動方面轉向元宇宙模式，將使分散的工作人員能夠在一個協作的虛擬節點內更有效地同步作戰功能，這將與現有的實體指揮所相媲美。臨時會議可以超越簡單的電話和視頻會議，允許用戶占據一個包含所有相關數據的虛擬規劃空間來做出決定：一個顯示友軍和敵軍位置、情報產品、相對戰斗力、維持估計等的交互式三維共同作戰圖。

與人工智能一樣，元宇宙技術為解決戰場上的問題帶來了一套新的工具，包括當前和預期的問題。也像人工智能一樣，如果沒有標準和基礎設施來啟用這些工具，其結果將是零碎的和令人沮喪的。重要的是，陸軍要向前傾斜并認識到新技術的潛力，不僅因為它們在物資方面帶來了什么，而且還因為它們對我們未來的戰斗方式的影響。

?標題
 On games and simulators as a platform for development of artificial intelligence for command and control

期刊
Journal of Defense Modeling and Simulation (JDMS)
美國國防建模與仿真學報

作者 Vinicius G. Goecks, Nicholas Waytowich, Derrik E. Asher, Song Jun Park, Mark Mittrick, John Richardson, Manuel Vindiola, Anne Logie, Mark Dennison, Theron Trout, Priya Narayanan, Alexander Kott

機構
美國陸軍研究實驗室

摘要
游戲和模擬器可以成為一個有價值的平臺，可以執行復雜的多智能體、多人、不完善的信息場景，與軍事應用有很大的相似之處：多個參與者管理資源并做出指揮資產的決策，以保護地圖的特定區域或中和敵方部隊。這些特征通過支持開發具有復雜基準的算法和快速迭代新想法的能力，而吸引了人工智能 (AI) 團體。人工智能算法在《星際爭霸II》等即時戰略游戲中的成功也引起了軍事研究界的關注，旨在探索類似技術在軍事對應場景中的應用。
本文旨在架起游戲與軍事應用之間的橋梁，討論了過去和當前游戲和模擬器以及人工智能算法如何適應模擬軍事任務，以及它們如何影響未來戰場方面所做的努力。
本文還研究了虛擬現實和視覺增強系統的進步如何在與游戲平臺及其軍事相似之處的人機界面中開辟新的可能性。

關鍵詞
人工智能、強化學習、兵棋推演、指揮控制、人機交互、未來戰場

論文 //www.zhuanzhi.ai/paper/71654e42b8904571dd62407e18db2827

美國國防部(DOD)報告稱，人工智能(AI)是一項革命性的技術，有望改變未來的戰場和美國面臨的威脅的速度。人工智能能力將使機器能夠執行通常需要人類智能的任務，如得出結論和做出預測此外，人工智能機器可以以人類操作員無法企及的速度操縱和改變戰術。由于AI具有廣泛用途的潛力，國防部將其指定為頂級現代化領域，并投入大量精力和資金開發和獲取AI工具和能力，以支持作戰人員。在2022財年，國防部為科學和技術項目申請了147億美元，以及8.74億美元用于直接支持其人工智能努力。根據國防部2018年的人工智能戰略，未能將人工智能能力納入武器系統可能會阻礙戰士保護我們的國家抵御近同行對手的能力其他國家正在這一領域進行大量投資，這可能會削弱美國的軍事技術和作戰優勢。

美國國防部(DOD)正在積極追求人工智能(AI)能力。人工智能指的是旨在復制一系列人類功能，并不斷在分配的任務上做得更好的計算機系統。GAO之前確定了三種AI類型，如下圖所示。

國防部認識到開發和使用人工智能不同于傳統軟件。傳統軟件的編程是根據靜態指令執行任務，而人工智能的編程則是學習如何改進給定的任務。這需要大量的數據集、計算能力和持續監控，以確保功能按預期執行。支持國防部作戰任務的大部分人工智能能力仍在開發中。這些能力主要集中在分析情報，增強武器系統平臺，如不需要人工操作的飛機和艦船，并在戰場上提供建議(如將部隊轉移到哪里)。

當獲取依賴于復雜軟件的新能力時，國防部一直面臨著挑戰，例如長時間的獲取過程和熟練工人的短缺。GAO發現，它繼續面臨這些挑戰，同時還面臨人工智能特有的其他挑戰，包括有可用的數據來訓練人工智能。例如，人工智能探測對手的潛艇需要收集各種潛艇的圖像，并標記它們，這樣人工智能就可以學會自己識別。國防部還面臨著將訓練有素的人工智能集成到非為其設計的現有武器系統中的困難，以及在其人員中建立對人工智能的信任。國防部發起了一系列努力，如為人工智能和人工智能特定培訓建立一個跨服務的數字平臺，以應對這些挑戰，并支持其對人工智能的追求，但現在評估有效性還為時過早