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

1 引言

未來的戰場將是動態的、混亂的、不可預測的和不確定的。在這種多戰區、多領域、相互關聯的戰場上，指揮官和參謀人員將從大量數據中篩選信息、做出決策和反饋。在克勞塞維茨戰爭迷霧籠罩下的時間有限的作戰環境中，領導者有效而公正的決策，以及由人類和機器/系統組成的團隊協調一致的行動，將是取得簡潔勝利的助推器。決策的速度和復雜程度預計將超越人類的認知水平。最新技術和新興技術提供的能力將為各個領域的決策者和部隊提供幫助，同時國家和非國家行為者也將在這些領域同時展開爭奪戰。著名的 OODA 循環在 "觀察"、"定位"、"決策 "和 "行動 "的每個階段都將有技術輔助投入。大數據和推理分析的更快處理能力以及算法驅動的機器對輸入的無縫整合將簡化與大數據的五個Vs（即數量、速度、真實性、價值和多樣性）相關的復雜性。

人工智能（Artificial Intelligence 或 AI）是計算機科學的一個分支，它匯集了多個學科，旨在創造智能機器--能夠執行復雜任務的設備和系統，如人類智能所執行的任務，但其方式等同于或超越人類的能力。從根本上說，其目的是制造能夠在各種意義上復制人類行為和智能的智能機器。正如我們所知，在人工智能的三種類型（人工狹義智能、人工通用智能和人工超級智能）中，目前的能力是 "人工狹義智能 "或 "弱人工智能"，即機器或系統（如 Alexa 或 Siri）可以重復執行一系列預先確定和定義的活動。在日常生活中，我們與大數據、機器學習等與人工智能相關的集合或子集合中的一個進行交互，盡管所有集合或子集合都被松散地稱為人工智能。即使關于人工智能獲得過多自由的倫理爭論仍在繼續，人工智能的奇點預計將在二十年后出現，但諸如 ChatGPT、蜂群無人機、鋼鐵俠、無人駕駛自動汽車等話題仍在人工智能文盲的閱讀清單上。

美國、中國和俄羅斯等國已經在人工智能的各個領域，包括軍事能力領域取得了飛速發展。與 1997 年 "深藍 "擊敗卡斯帕羅夫或 2016 年 Deepmind 的 AlphaGo 擊敗李世石相比，2020 年 8 月王牌 F16 飛行員與人工智能系統 "獵鷹"（美國國防部高級研究計劃局（DARPA）的空戰進化（ACE）計劃）的模擬空戰等試驗或事件受到了更多關注。印度已經采取了一系列措施來開發和利用人工智能的能力，其中包括建立一個國家級的機構，并在各研究所建立卓越中心。2018 年，NITI Aayog 發布了《國家人工智能戰略 #AIForAll》，隨后在 2020 年建立了國家人工智能門戶網站，此外還有其他各種舉措。國防人工智能委員會和國防人工智能項目機構已經成立，目前正在努力確定和開發各個領域的項目。印度國防與發展研究組織（DRDO）的十個卓越中心和兩個專門實驗室致力于確定和開發關鍵技術與應用，而印度陸軍則在莫霍（Mhow）的MCTE建立了人工智能卓越中心，并在各培訓機構增設了以人工智能為導向的課程。除了各種研討會，印度陸軍最近還宣布了采購噴氣背包、機器人騾子、無人機系統和干擾器等武器的計劃，以期提高其在戰斗中的優勢。

在武裝部隊中，人工智能和相關能力可用于成倍提高訓練、監視、情報整理、后勤（包括供應鏈管理）、網絡安全、武器彈藥等領域的性能。Manekshaw 關于 "將人工智能用于軍事 "的論文提到了人工智能可以重點關注的態勢感知、殺傷力、人力資源（HR）、培訓、生存能力、網絡、信息和電子戰（EW）以及機動性等領域。可以推測，納入人工智能系統和子系統（包括無人駕駛系統、遠程系統和機器人）的目的是：

• 加強信息優勢（例如：提供對手位置的航拍照片；整合來自結構化和非結構化數據的輸入）。

• 減少認知負荷（例如：在交火中識別新目標并提出目標選擇建議）。

• 承擔物理負荷（例如：攜帶沉重的作戰裝備或以外骨骼的形式協助人類）。

• 處理危險任務（例如：在危險區域運送物資或進行醫療后送）。

隨著武裝部隊融入和利用人工智能的方方面面，一個明顯的表現將是在戰斗或作戰效能領域。戰斗力被定義為一支軍事部隊基于行為、行動和領導力等方面的考慮參與戰斗的準備狀態，是部隊（人數）、裝備可用性、士氣、領導力、訓練標準等有形和無形因素的綜合。換言之，它是一支軍隊成功完成其使命或任務的能力。

然而，目前的想法對兩個重要且相互關聯的方面卻只字未提，而這兩個方面可能會影響戰斗力，同時還包含人工智能的各個方面，即 "信任 "和 "偏見"。即使技術不斷進步，智能水平從 "輔助 "到 "增強 "再到 "自主"，不變的是 "人的因素 "或 "回路中的人"。組織文化、年齡、性別等因素將影響新技術進步在不同組織中被人類接受的方式。人、流程和技術這三大支柱必須與積極的反饋機制無縫結合，以確保任何形式的偏見，無論是被動的還是主動的，都不會表現出來，從而影響信任度和效率。

2 信任

人機協作是一種關系，至少由三個同等重要的要素組成：人、機器以及它們之間的互動和相互依存關系。建立透明、可解釋、可靠并具有其他特征和能力的可信人工智能，是創建高效人機團隊的重要組成部分。人機交互的復雜動態是未來的趨勢，這將要求增強對機器的信任，就像同一團隊中兩名士兵之間的信任一樣。在任何戰斗單位或分隊或可稱為團隊的單位中，每個隊員在一起接受過訓練，都知道對方的長處和短處。團隊成員之間的友情和團隊精神，最終使團隊成為一個具有戰斗力的凝聚單位。團隊成員之間的 "信任 "遠比其他任何因素都重要，這是在敵方火力下行動時必須具備的條件，因為在這種情況下，一個人的生命取決于另一個人的火力掩護或支援。

隨著復雜程度和互動的增加，對人際（人-機和人-系統）信任的需求也會增加，而在人與人的關系中，這種信任取決于相關各方的品格和能力，以及他們對這一點的相互認識。盡管在開發系統時，"信任 "是一個難以考慮的因素，但我們可以做的是提高系統的透明度、可靠性和可解釋性，從而在人機協作中建立信任。在這樣一個有凝聚力的團隊中引入一臺機器，一個不露面、沒有感情的成員，會影響信任因素。人類的傳統習慣是擬人化，即把人類的情感賦予其他生物，這在飼養寵物的家庭中很常見。如果一臺機器能表現出類似人類的特征、習慣和情感，那么它就更有可能贏得團隊的信任。

一項關于人機協作的研究指出，協調、溝通和適應是成功團隊成員的三大關鍵能力。雙向溝通是一個重要方面，因此，可解釋的人工智能或 xAI 正在解決使用深度神經網絡的復雜系統透明度降低的問題。有效的溝通還能建立信任。協調則更多地涉及對團隊成員知識、技能和行為的認可，以實現共同目標。目前，這一能力的一個主要弱點是隱式協調，即團隊成員可以根據他人的行為模式預測他人可能會做什么，這超出了具有明確框架和規則的機器的范圍。也許 "心智理論人工智能 "也能滿足這一要求。在適應方面，人機團隊的每個成員都必須根據已知的知識、隊友的行為以及預期的模式進行適應。這是另一個方面，它將要求目前的第一代（基于知識）和第二代（統計）人工智能系統向第三代（因果和上下文）模型轉變。大規模數據集的可用性以及具有共享態勢感知和經驗的關聯系統將幫助系統更快地適應環境。

另一項關于人機交互中影響信任的因素的研究在人類、機器人和環境三個方面確定了 33 個因素（見表 1）。研究顯示，在所有因素中，機器人的表現對建立信任的貢獻最大，而環境也發揮了相當大的作用。正如信任是如何在純人類團隊中形成的一樣，相信人工智能輔助機器人或系統將提供無偏見的高質量產出或性能，也將在人機團隊中建立信任。

表 1 影響人機交互信任的因素

3 偏差

人類決策和判斷中的認知偏差是有據可查的。丹尼爾-卡尼曼（Daniel Kahneman）在《思考的快與慢》（Thinking Fast and Slow）一書中提到了大腦的第一和第二系統類型，其中快速直觀的第一系統試圖劫持緩慢分析的第二系統大腦，從而導致更多的思維捷徑或啟發式方法，進而產生偏差。雖然有消除和減輕偏差（去偏差）的方法和手段，但意識到偏差并不總能導致從決策循環中消除偏差。更具破壞性的是，在不確定和有風險的條件下，大腦在有限的時間窗口內采用其中一種捷徑（啟發式方法）時，通常會出現對隱含偏見缺乏了解的情況。

除了在組織的各個層面制定政策和程序以系統地消除偏見并建立反饋機制外，還需要采用 "循證決策"。這就需要數據云等通用數據共享平臺，以及能夠解讀輸入信息并分析結構化和非結構化數據的標準算法，以便在決策過程的各個階段為領導者或決策者提供真知灼見。在 OODA 循環的 "觀察 "階段，可以通過讓機器綜合大量和各種輸入來提供經過整理的情報畫面，從而減少人為偏見。在 "定向 "階段，當決策者正在經歷決策循環中的 "感知 "范式時，一套經過整理和綜合的分析輸入將有助于在更短的時間內確定框架和方向。在 "決策 "階段，基于機器學習的決策支持系統可以對領導者的經驗和直覺進行適當的補充，從而以更快的速度做出更好的決策，這對于即使在認知和物理領域也沒有明確界限的未來多領域戰場來說至關重要。

另一方面，增加對人工智能系統的依賴可能會進一步擴大算法中的內在偏差或訓練數據集中的存在偏差。盡管有制衡措施來系統地審查算法是否存在偏差，并防止由于在不完整的數據集上進行訓練而產生隱性偏差，但仍不能排除在設計階段納入人類認知偏差的可能性和可能性。表 2 列出了德勤公司關于偏見和信任的研究中發現的數據模型偏見，盡管并不全面。

表2 數據模型偏差

雖然有些人認為，與有偏差的人類決策者相比，在更大的歷史數據集上訓練出來的有偏差的算法仍會提出更平衡的 "行動方案"，但 "去偏差（消除/減輕偏差）"方面值得比現在更多的關注。可以說，人類和機器都需要采取 "互利的去偏差策略 "來提高決策質量，以探索和了解那些不道德、不健全和不合法的偏差。

4 建議

人工智能及其相關工具和能力可在不同層次和階段引入，以提高和衡量技能和標準，同時可根據不斷變化的戰場和作戰范圍的需求進行進一步修改。虛擬現實和增強現實技術與觸覺技術相結合，可使身心沉浸其中，為訓練增添真實感和活力，而模擬和戰爭游戲模型則可降低成本、提高適應性和改進相互操作性。虛擬現實（VR）可用于教育、醫療和作戰訓練領域。在 COVID-19 大流行期間，在線教學平臺大規模增加，許多教育機構利用現有技術使學習更加身臨其境。復雜的概念可以用三維在線模型來解釋，而士兵必須接受的多層次教育和技能發展可以通過 VR 系統逐步實現。所有士兵都能更好地學習和實踐醫療保健方面的知識，包括作戰醫療護理。利用自然語言處理能力，可以建立人工智能對話系統，讓士兵參與各種問題的討論，包括基本文件、野戰工藝和戰術、基本醫療說明、專業軍事教育（PME）原則等。無人傳感器、載荷搬運、重復性任務機器人、多模態情報分析、使用云架構的邊緣計算以加快決策速度和縮短 OODA 循環，這些都是人工智能輔助系統在營/團一級的一些應用領域。

問題的關鍵在于營級或團級會發生什么變化？它會改變我們目前的工作和運作方式嗎？在效率和透明度方面，我們的工作和運作方式確實會發生范式性變化。隨之而來的還有對變革管理和技術技能提高的需求。從公務員遴選委員會（針對軍官）和招聘中心（針對初級軍官和其他職級）開始，人工智能輔助軟件可以幫助識別具有適當能力和接受能力的個人，使其能夠在這種人機接口團隊中工作。這些團隊可以協同工作，確定每個級別的可操作部分或領域，然后與各卓越中心合作，生產基于需求的機器或系統。在目前的 Agniveer 計劃中，人工智能系統可以為這些士兵在四年部署期結束后的留用性提供有價值的信息。

一個營、一個團或一艘艦艇要想真正發揮戰斗力，就必須對其他作戰人員（包括三軍人員）有起碼的基本認識。基本認識包括對其作戰風格的認識以及對局勢的認識，從而形成共同作戰圖景（COP）。目前，三軍和海岸警衛隊的聯合演習次數有限，主要原因是規劃和空間限制。資產類型、成本、適用性和損耗等方面的原因導致各部門參與聯合演習的規模縮小。目前，各軍種正在討論和實施戰區司令部，并探索更多的聯合行動途徑，而人工智能輔助的增強現實和虛擬現實技術為參與者提供了一個更加綜合的共同訓練機會。通過這種聯合模擬和人工智能輔助的戰爭游戲，可以根據對手不斷變化的戰略和武器配置動態改變場景和設置，同時系統地解決自身的進程問題。無人駕駛航空系統和其他系統也是如此，它們可以成為提高作戰效率的聯合資產。

人工智能的能力和人工智能所有相關系統的作用需要作為三軍專業軍事教育（PME）的一部分加以介紹。未來戰場需要一支綜合的多領域作戰部隊，不能讓指揮官或參謀人員不了解這些新興技術所能提供的能力。PME 需要在軍官、軍士長和部隊一級滿足這些要求。即使在國際和平研究部等機構制定心理措施以接受機器和系統的同時，也有必要在部隊/分隊一級改革目前的培訓方法，重點放在任務基本任務（MET）和任務基本任務清單（METL）上。有必要在每個級別設立人機接口小組（HMiT），以促進這一過渡。人機接口小組可以確定技術在哪些階段可以提高和增強行動或各種任務的成功率。畢竟，任務的成功是戰斗力的主要決定因素之一。

野戰靶場（FFR）數量的減少、不斷擴大的城市景觀對傳統訓練場地的侵蝕、成本削減措施以及其他諸如此類的因素，都可以通過采用人工智能輔助的聯合戰爭游戲和模擬方法加以克服，這將為各級領導層帶來急需的意識、活力和聯合（紫色）思維。人工智能系統和人力資源分析還可以協助人力資源管理，從招聘和培訓階段就開始識別操作特定平臺的關鍵人員，這將在一定程度上消除在識別合適人選時發現的偏見或成見。

雖然人工智能和相關技術的能力是巨大的，但錯誤的實施戰略可能會造成長期損害。隨著新技術的采用，包括隱私在內的倫理道德問題也需要適當考慮。機器學習和深度學習的子集需要龐大的數據集來建立參考框架。在目前的情況下，由于保密程度不同，共享和記錄事件的范圍有限，因此擁有一個可行的訓練數據集和一個能夠應對多種突發情況的算法成為了一項挑戰。著名的 "死亡算法 "概念，即自動駕駛汽車的算法應在可能發生碰撞的情況下拯救車內人員或行人，這讓我們對設計人工智能系統所面臨的挑戰有了深入的了解。

結論

即使目前形式的人工智能已從 "弱人工智能 "轉變為具有深度學習、神經網絡等功能的強人工智能，人工直覺和量子認知等概念也將獲得更多關注。一支為多平面、多領域行動做好準備的未來部隊必須在人-機、人-系統層面實現真正的整合，而這可以通過在組織的各個層面采取系統、可持續、漸進但平行的措施來實現。團隊成員之間的信任必須超越人與機器之間的信任，并采取充分的保障措施，防止系統性和隱性偏差。

在日益復雜和苛刻的作戰環境中運作的需要，有可能使現代軍艦上以人為中心的指揮鏈超負荷。擴大使用快速發展的人工智能技術提供了應對這一挑戰的潛力，徹底改變了指揮空間的決策。本文以皇家海軍為例，研究了最近在這一領域的實驗。

背景介紹

戰斗信息中心（CIC）是現代軍艦上局面編制、任務管理和武器控制的協調中心。它承載著一個人類操作團隊，負責為戰術家和指揮官提供合理化的信息，作為實時決策的基礎。戰爭小組的成員與計算機控制臺、顯示器、通信設備和其他外圍設備互動，以建立對戰術形勢的集體認識；評估和優先考慮威脅；并管理海面上、海面下的 "戰斗"。

一名電子技術員在美國海軍 "保羅-漢密爾頓 "號導彈驅逐艦（DDG-60）上跟蹤地面和空中接觸。隨著威脅越來越復雜，環境越來越有挑戰性，數據量越來越大，指揮團隊越來越面臨認知過載。(圖片: 美國海軍)

目前，CIC中的指揮鏈是基于高度規定性和以人為本的決策層次，由編譯器和操作員從各種有機和非有機來源中建立戰術圖景，以實現及時和知情的戰術決策：例如，轉向開放武器弧的路線，或執行軟殺傷性反措施計策。然而，人們認識到，由于海軍部隊越來越多地被要求在更加復雜和苛刻的作戰環境中作戰，而這些環境的特點是多樣化和越來越具有挑戰性的威脅，因此指揮小組現在面臨著越來越大的超負荷威脅。

同時，艦艇收到來自有機傳感器和非有機來源的越來越多的數據，從而使指揮團隊識別、理解和應對威脅情況的能力更加復雜。操作人員也要承受越來越大的壓力：在防衛值班時，一次盯著屏幕看幾個小時，需要人類集中精力，即使有休息時間。任何疏忽都可能意味著遺漏或錯誤地識別了一次接觸。

正是在這種背景下，海軍從業人員、作戰人員、國防科學家、工業界和學術界都開始考慮如何增加自動化和更多地使用人工智能（AI）技術來提高指揮和控制領域決策的敏銳度和速度。定義各不相同，但從廣義上講，人工智能可以被描述為機器所顯示的 "智能行為"。從本質上講，這描述了機器模仿人類在推理、計劃、學習和解決問題的任務中所采用的認知功能的能力。

人工智能已經開始進入商業和消費領域的主流，因為事業已經看到了人工智能在提高生產力、增加效率和簡化任務執行方面的潛力。海軍現在也熱衷于在指揮和決策中利用 "機器速度 "人工智能的力量，因為他們認識到人工智能技術善于從嘈雜的動態數據中推斷出模式、趨勢和信號。同時，人們認識到，在一個有效和高效的社會技術組織中整合人類操作員和計算機，會帶來無數的技術、操作和道德方面的復雜性。

維斯比級護衛艦HSwMS卡爾斯塔德的CIC。未來人工智能支持的指揮和控制系統將需要將人類和機器的合作作為設計過程的基本組成部分來考慮。(圖片: Richard Scott)

背景下的人工智能

高級別的自動化對海戰來說絕非新鮮事物。例如，設置為 "自動 "模式的自衛武器系統將在滿足預先確定的交戰閾值條件時自動開火。這代表了一種非常初級的人工智能形式，因為武器系統有能力承擔原本由人類執行的功能。然而，應該明確的是，這不是一個學習系統，因為它只按照預先編程的規則集運作。

在指揮環境中實施早期形式的人工智能的最初想法可以追溯到20世紀80年代。皇家海軍（RN）艦艇在南大西洋的損失，在海灣地區對 "斯塔克 "號護衛艦（FFG-31）的反艦導彈攻擊，以及 "文森 "號巡洋艦（CG-49）無意中擊落一架伊朗A300客機，都證明了依賴大型和以人為中心的指揮鏈的行動信息組織的脆弱性和易錯性。在某些情況下，高工作量和戰斗壓力的結合壓倒了操作人員的認知能力，導致他們錯誤地評估局勢和/或錯誤地計算出適當的反應。在其他情況下，由于操作人員和作戰人員缺乏關注，即使有明確的線索表明攻擊迫在眉睫，也會忽視威脅。

到20世紀90年代，一些有限的嘗試將人工智能的形式引入到指揮鏈中。然而，這些所謂的 "專家 "系統--實施基于包含嵌入式理論或規則的知識庫的人工智能形式--遇到了一些不足和限制。例如，那個時代的計算能力和可訪問的內存所帶來的限制必然限制了軟件實施的復雜性。另外，這些基于知識的技術在實施中非常僵化--依賴于從操作者經驗中提煉出來的規則--因此在應用中非常狹窄。

約翰霍普金斯大學應用物理實驗室的硬殺傷/軟殺傷（HK/SK）性能評估工具（HaSPAT）原型于2020年初部署在美國海軍 "邦克山 "號巡洋艦（CG-52）上。(圖片：美國海軍)

對在海軍指揮和控制領域實施人工智能的重新關注反映了過去十年中技術和工藝的重大進步--最重要的是，深度學習的革命使計算機能夠以更像人類的方式對特定任務進行學習和概括。同時，人們對人工智能在指揮過程中可以增加價值的地方有了更好的認識：例如，通過幫助提醒操作人員在早期階段的潛在威脅，或在復雜的多重威脅情況下支持威脅評估和武器分配（TEWA）。

還應理解的是，至少在可預見的未來，不贊成用機器完全取代人類的想法。相反，重點是利用人工智能技術來減少決策者的工作量，從而使人類在計劃任務、估計對手能力或考慮采取特定行動方案時有更多的時間和更清晰的認識。簡而言之，當時間有限或選擇的數量太多，人類無法分析所有的選擇時，人工智能可以提供關鍵的決策支持。

這種決策援助的一個例子是約翰霍普金斯大學應用物理實驗室（JHU APL）開發的硬殺傷/軟殺傷（HK/SK）性能評估工具（HaSPAT）原型。HaSPAT旨在幫助操作人員了解計劃中的防御態勢，并在敵方攻擊前評估作戰系統的性能，它還通過告知有哪些資源可用，確保為自衛保留足夠的彈夾容量來平衡武器庫存。來自JHU APL的工程師在2019年6月訪問美國海軍 "邦克山 "號巡洋艦（CG-52）后開發了HaSPAT。在與該艦的指揮官討論后，決定進行快速開發，以幫助艦上的作戰團隊更好地計劃和協調硬殺傷和軟殺傷效應器的使用。

智能船舶第二階段共資助了10個智能代理，并選擇了一個 "集成商 "來管理ISAIN環境的開發。(圖片: Dstl)

HaSPAT納入了有關武器有效性的信息，以支持武器分配和調度，并嵌入了一個模擬，以產生分析和性能指標，告知用戶與配置相關的可能風險。它還被設計成用戶可以為區域和自衛實驗設置不同的部隊戰斗空間配置。

原型工具于2020年初部署在美國海軍 "邦克山 "號上，以便船上的船員能夠評估HaSPAT的功能，并為進一步更新提供反饋。根據JHU APL的說法，這一初步演示為在部隊層面上獲得更重要的硬殺傷/軟殺傷協調能力提供了一個墊腳石。

在大西洋彼岸，旨在加速和改善指揮團隊在緊張的水上戰爭場景中的形勢意識和威脅分析的原型決策輔助工具也已經由英國皇家海軍在海上進行了操作試驗。例如，英國皇家海軍和國防科技實驗室（Dstl）在2021年5月的海上演示/"強大的盾牌21 "演習中評估了一些人工智能工具。其中一個是Roke公司的STARTLE應用程序，其目的是通過提供實時建議和警報，幫助減輕操作員監測空中情況的負擔。另一個是CGI英國的系統協調綜合效果分配（SYCOIEA）自動化平臺和部隊TEWA應用。

智能船舶

人們認識到，未來的核心挑戰是如何設計人類操作員與計算機和人工智能軟件程序之間的互動和合作，以最大限度地減少人類意圖與使用自動或自主系統執行該意圖之間的 "摩擦"。這種整合--其縫隙是人機界面--必須認識到人類不僅僅是 "用戶 "或 "操作員"，他們本身也是決策環路的一部分，因此是功能和產出的組成部分。

2019年，英國國防部啟動了一個名為 "智能船舶 "的多階段科技項目（S&T），正是因為需要研究有關人工智能改變指揮決策的潛力的一些關鍵問題。由國防部（MoD）資助，作為其更廣泛的自主性科技計劃的一部分，這項正在進行的努力代表了一種開創性的嘗試，即設計一個合作的 "系統的系統"，其中自動化和人工智能與人類更緊密地結合和合作，以實現更及時和更明智的規劃和決策。重要的是，智能船舶項目旨在展示一個未來的指揮和控制概念，其中人類和人工智能 "代理 "在一開始就被設計進去，而不是簡單地將人工智能添加到傳統的行動信息組織中。此外，它還認識到，系統的系統將包括機器-機器團隊以及人-機器團隊。

位于Dstl的Portsdown West設施的指揮實驗室作為智能船舶第二階段評估的測試平臺環境。(圖片: Dstl)

智能船舶計劃的第一階段涉及一系列 "挑戰"主題--任務規劃和決策輔助工具、信息融合、傳感器和信息管理、新型人機界面、人機協作和集成--代表了典型軍艦中的各種功能和能力。這些包括支持平臺系統的組件，以及指揮規劃和決策輔助工具。 這個最初的六個月階段的一個核心部分是開發智能船舶人工智能網絡（ISAIN）框架的任務。在CGI英國公司的領導下，在DIEM分析公司、人因工程解決方案公司和決策實驗室的支持下，ISAIN是一個可以在不同場景下探索人機合作的環境，使開發和評估新的組織和工作流程結構成為可能，這些結構利用AI與人一起工作。這提供了在人類、人工智能或兩者之間動態轉移工作量的可能性，這取決于情況及其復雜性。此外，ISAIN框架為系統研究提供了一個試驗場，并促進對支持和促進團隊所有成員（包括人類和AI）的活動和互動的創新機制的研究。

例如，不同的人工智能和人類如何合作，人工智能和人類能力的最適當組合，組織人工智能和人類作為一個團隊實現目標的最佳方式，以及仲裁或消除來自多個人工智能的相反建議/行動的手段。 除了ISAIN，智能船的第一階段還資助了人工智能的成熟--或稱決策代理（ADeM）--可以被整合到ISAIN中進行演示。ADeM是該項目采用的一個術語，用來描述在人-AI機器或AI機器-AI機器混合團隊中運作的人類或基于機器的智能代理。

2020年6月，通過國防部的國防與安全加速器（DASA）發出了智能船舶項目第二階段的呼吁。DASA資助創新和可能利用的科技想法，這些想法可以為英國武裝部隊和國家安全帶來成本效益的優勢。當年11月，總共授予了9個第二階段的合同--累計價值約為300萬英鎊。其中，CGI英國公司作為ISAIN的集成商和開發負責人，獲得了大約一半的合同。在這個角色中，CGI UK與Dstl合作進行ISAIN的集成，將ISAIN安裝到Dstl的Portsdown West站點的指揮實驗室中，設計開發智能船舶的各個方面如何在ISAIN環境中結合起來，并將選定的ADeMs集成到ISAIN架構中。

DASA將第二階段的剩余資金用于開發特定的 "訓練有素 "的AI。授予決策實驗室、DIEM分析公司、Frazer Nash咨詢公司、Montvieux公司（獲得兩個獎項）、諾丁漢特倫特大學、勞斯萊斯公司和SeeByte公司個別合同。CGI英國公司在行業標準和工具的基礎上制作了一個軟件開發工具包，提供給各個ADeM供應商。

除了DASA合同，之前在Dstl'Progeny'框架下開發的戰術導航（TacNav）代理被拉入智能船舶第二階段。TacNav是由CGI英國公司開發的，用于計劃、執行和監控智能船的戰術導航。在第二階段中，CGI的SYCOIEA TEWA決策輔助工具也發揮了作用。

由于該項目無法為DASA征集的所有提案提供資金，因此決定選擇廣泛的人工智能代理，跨越一系列的平臺和戰斗系統功能。例如，羅爾斯-羅伊斯公司開發了一個被稱為ACE（人工總工程師）的決策控制系統，該系統旨在根據指揮部的優先次序，就如何最好地操作船舶機械--發動機、推進系統、電力網絡和燃料系統做出基于條件的決定。另一個人工智能被稱為IBIS（用于損害控制和消防的內部戰斗智能強化學習），是由弗雷澤-納什咨詢公司構思的，作為一個使用基于人工智能的新型強化學習技術的預測性損害控制工具。

智能船舶團隊還選擇了決策實驗室開發的人工智能，稱為CIAO（用于優化的高級復合智能代理），可用于仲裁兩個不同代理交付的沖突輸出。例如，如果TacNav根據水下障礙物或當地航運交通推薦一條航線，但TEWA代理建議另一條航線，以打開武器弧線對付來襲的威脅，它就可能發揮作用。CIAO在系統的許多部分都得到了實施，以便在決策鏈的不同部分提供復合建議。

杜威號導彈驅逐艦（DDG-105）CIC中的人員。未來幾年，人工智能將在海軍領域的許多情況下得到應用，將人類和機器融合在一起。(圖片: 美國海軍)

指揮實驗室

ISAIN被整合到了Dstl的Portsdown West站點的指揮實驗室設施中。這一設施--承載著由開放和靈活的硬件、軟件、網絡、數據庫和協議接口組成的實時、虛擬和建設性的模擬--由Dstl的許多部分共同出資。它作為一個可配置的測試平臺，提供了在所有戰爭環境中進行實驗和整合新系統的能力。

為了支持智能艦艇的實驗和評估活動，指揮實驗室配備了類似于CIC多功能控制臺的操作終端，允許軍事顧問在偽作戰環境中與人工智能代理互動。在2021年和2022年期間，指揮實驗室已經進行了四次單獨的評估，場景的復雜性、代理人的數量和這些代理人的成熟度隨著時間而增加。

這些評估是針對Dstl軍事顧問開發的名義場景進行的，這使得ADeMs可以在一個有代表性的操作環境中得到展示。這始于一個規劃階段。在這之后，"船"--在一個更大的任務組之前行動--在有爭議的水域附近進行情報收集行動。隨著緊張局勢的加劇，與對手的紅色部隊發生了對峙。這最終導致了一次反艦導彈攻擊，并造成了自身艦艇的損壞。為了評估的目的，這個端到端的場景被分解成一系列較短的小插曲，每個小插曲包括大約半小時的 "操作 "活動。這些腳本是為了最大限度地提高代理人之間的互動。

第二階段于2022年3月底完成。研究和實驗提供了寶貴的早期洞察力，使人們了解到將多個人工智能應用結合在一起做出集體決定的機會和好處，無論是否有人類操作員的判斷。同時，它確定了一些新的問題，即如何在復雜的指揮環境中最好地實施和管理AI-enabled自動化。結論是，只有通過解決多個智能機器代理團隊的設計和操作，才能獲得真正的操作優勢，并使人類在這些團隊中的整合得到優化，形成有效的人類-自治團隊（HATs）。

DASA與Dstl合作，在2023年初宣布了智能船第三階段的計劃。在第二階段之前開發和評估的協作式人工智能概念的基礎上，這一后續科技計劃的結構是為了探索更早和更集中地考慮HAT的人類組成部分的好處，以支持未來的海軍指揮和控制。

第三階段的目標是為HAT設計一個綜合系統，該系統可以提供水上海軍指揮和控制的各個方面，并更詳細地考慮基于人工智能的HAT的協作的仲裁需求。這將促使人們更加關注系統設計，而不是人工智能代理的開發；人類在HAT系統中的整合；以及對不同人工智能代理的潛在沖突建議的仲裁方法的理解。其目的是將現有的ISAIN環境用于整合和評估。

第三階段的競爭預計將于2023年4月開始。其目的是，一個單一的多學科合作團隊將提供所有的產出，包括系統設計、構建、整合和評估。目前的計劃設想在2023年第三季度授予合同，第三階段的活動預計將持續到2024年12月。

結論

未來幾年，人工智能將在海軍領域的許多情況下得到應用。同時，人們認識到，人工智能的使用提出了一些深刻的倫理、法律和管理問題。今天，海軍、國防科學和工業界所面臨的挑戰是如何確定人工智能可能成為解決方案的一部分的操作缺陷和能力差距，并了解如何最好地將人類和機器融合在一起，以便將人類的認知、直覺和責任與機器速度的分析能力相結合。

從長遠來看，將人工智能引入指揮鏈可能需要一個范式轉變。未來的指揮和控制系統將不再是設計系統，然后設計與人類操作員的接口，而是將人類和機器的合作互動作為基礎概念和設計的基本部分。此外，將需要仔細關注，以確定在一系列操作場景和任務中指揮團隊中人和機器元素之間的最佳平衡。

“美國陸軍2030”概念的出現結合了新的概念、編隊和技術，需要在各級戰爭中進行大量實驗。陸軍作為美國資源的保管者，必須向高級領導人提供關鍵信息，以便就陸軍應該如何改變做出決定。在一個技術提高了陸軍、聯合部隊、盟友和潛在對手的能力的世界里，這些變化是必要的。下面的文章旨在幫助指揮官和參謀部了解陸軍如何設計和執行實驗。

為什么美國陸軍實驗對作戰部隊很重要？

美國陸軍進行實驗是為了確保領導人能夠運用有限的資源來達到2030年的陸軍，甚至進一步達到2040年的陸軍。在人員、戰備和現代化的優先事項中，陸軍領導層對概念、編隊和技術的可能性和可行性有必要的理解和認識是至關重要的。這三者的結合必須實現一支能夠提供超強的潛在對手能力的部隊。對于一支必須始終關注戰備狀態的作戰部隊來說，實驗提供了一個驗證哪些能力可以提高戰備狀態的場所。其中一個關鍵部分是讓今天的作戰部隊的士兵和組織對這些潛在的變化提供反饋。這為參與的作戰部隊提供了影響陸軍未來的能力，同時提供了一個額外的訓練場所。

什么是陸軍實驗？

國防部實驗指導手冊將實驗描述為 "在測量的條件下測試一個假設，以探索操縱擬議的作戰概念、技術或條件的未知效果。" 在陸軍作戰實驗中，士兵們在野外環境中參與新技術、新概念和新組織。訓練有素的數據采集員和作戰分析員觀察這些實驗。這些觀察員在定量和定性分析的基礎上提出問題和假設。觀察完成后，收集人員將他們的數據提供給陸軍高級領導人，以協助他們確定未來部隊可能采用的能力。

作戰實驗與演習的區別

陸軍進行演習和實驗的方式有許多區別和結果。首先，演習可以提高戰備狀態，有訓練目標，有主要的訓練對象，并且有 "自由發揮 "的場景。陸軍單位進行演習是為了提高戰備狀態。根據一個單位的基本任務清單，指揮官確定訓練目標。訓練目標驅動著場景、參與單位和其他實現戰備目標的必要因素。在演習中，參與單位是主要的訓練對象。這方面的一個例子是在聯合戰備訓練中心（JRTC）的演習中，主要的訓練對象是旅戰斗隊的指揮官。在演習中，有大量的自由發揮。例如，對方部隊（OPFOR）可能被指示做一些特定的事情，以便讓各單位做出選擇和回應。

陸軍經驗教訓實踐社區為大多數重大演習計劃收集活動。根據演習的訓練目標，這些收集活動可能包括對特定重點領域或一般經驗教訓的觀察。陸軍經驗總結團體組成了收集小組，由于OPFOR和參與單位之間的自由發揮，可能會也可能不會收集到預期的數據。演習的成功如果基于訓練對象所學到的東西。觀察、洞察力和收集到的教訓數據屬于演習中的單位。

陸軍實驗與陸軍演習明顯不同。實驗的設計是基于贊助組織需要學習什么來推動未來的決策。贊助組織就需要回答的問題提出活動問題。實驗設計者將這些問題進一步分解為基本分析要素（EEAs），以幫助陸軍了解必須收集和分析什么來充分回答事件問題。通常，實驗有學習目標，有廣泛的領域需要答案來推動進展。此外，設計者會將學習目標分解為學習需求。學習需求是由任務分析和問題分解過程中發現的任務或定向活動所確定的問題。最終的狀態是滿足學習需求和各種可以用來完成的方法，包括文獻回顧、研究、運籌學技術和實驗。最后，設計者制定性能和有效性的衡量標準，以提供有意義的結果來告知領導者。實驗設計者利用這些步驟的結果來制定方案、所需組織、設備要求和其他項目。

在實驗中，陸軍通過收集的數據和由此產生的分析為未來的決策提供依據來定義成功。實驗資源的關鍵是確保數據收集和分析要素（如電子系統、人員、數據庫、數據收集卡等），這是獲得數據以進行后期分析的必要條件。自由發揮，或參與者做出選擇的能力，在實驗中是有限的，以使必要的聯系發生和被測量。例如，將特定的傳感器與特定的網絡和應用聯系起來，然后再與特定的射手聯系起來。實驗設計者這樣做是為了實驗各種元素一起工作如何提高反應能力。

在實驗中，收集者/分析者根據收集者的觀察分析得出教訓，以回答學習需求。在可能的情況下，這些問題在性能或有效性方面進行衡量，以提供可衡量的數據。這可能是基于技術能力的定量數據或基于操作有效性的定性數據。這些數據通常支持概念、物資和組織的發展。實驗負責人在不同的地方公布實驗結果。為了整合實驗數據，未來和概念中心正在開發Forge。Forge是一個 "結構模塊化的日期環境，促進了現代化進程的同步和整合，使陸軍現代化企業協作和共同運作的進展圖"。用戶可以訪問Forge來查找最終的實驗報告。Forge提供了一種能力，可以看到計劃的實驗，以及他們的學習需求和結果。經驗教訓社區可以使用Forge來了解分析家們提出的問題。根據經驗教訓社區在操作和訓練中看到的情況，社區可能能夠完善和/或幫助回答一些學習需求。

以“融合項目”為例

融合項目21（PC21）是上述內容的一個很好的例子。AFC根據需要學習的內容設計了PC21。陸軍的跨職能團隊（CFTs）和能力發展整合局（CDIDs）以及其他機構根據他們需要回答的問題提交了學習需求，以便為高級領導人的決策提供信息。在PC21中，有兩個關鍵領域的實驗需要解決。第一個是單個技術的性能。第二個問題是基于這些技術結合后如何提高作戰部隊的能力。為了解決這些問題，未來與概念中心和聯合現代化司令部（JMC）開發了用例作為實驗場所。設計者使用特定的領域，如傳感器到射手或綜合空中和導彈防御來開發用例。JMC制定了執行檢查清單（EXCHECKs），逐步描述了預期發生的情況。EXCHECK是收集數據的關鍵部分，以收集每個行動，為以后的分析提供基礎。PC21進行了多次迭代，以觀察和測量變化。觀察收集器進行了根本原因分析，以確定哪些因素促成了實驗中發生的事件。然后，對這些單獨技術的分析與對它們與其他技術的使用分析相結合，以發現它們如何能夠提高部隊的有效性。

了解需要學習的內容并集中收集努力是PC21成功的關鍵。由研究與分析中心（TRAC）、美國陸軍測試與評估司令部（ATEC）、陸軍作戰能力發展司令部（DEVCOM）分析中心（DAC）以及CFTs和CDIDs組成的PC21數據收集與分析（DC&A）團體將學習需求細化為分析的基本要素。DC&A進一步將分析的基本要素分解為性能和效果的衡量標準。這提供了必要的基線數據要求，以顯示收集者在實驗中必須追求的目標。DC&A研究了如何收集這些數據要求。對于定量數據，電子能力可以收集一些數據。在不可能的情況下，數據收集者收集具體的時間或其他數字元素，供以后分析。數據收集員和分析員收集額外的定性數據，如士兵和領導對技術效用的想法，或通過調查、熱洗和其他投入使用的潛在技術。數據收集員和分析員將收集到的原始數據輸入陸軍實驗資源數據庫（AERDR）。AERDR為所有陸軍實驗數據提供了一個數據庫。然后，代表PC21數據收集和分析界各要素的分析人員能夠使用這些數據，得出他們輸入實驗報告的結論。在未來，實驗發起人將在Forge發布這些類型的報告，供陸軍和聯合伙伴使用。高級領導人可以使用分析的結果來決定各種技術的發展方向。未來的 "聚合項目 "實驗將進一步納入概念和編隊。

結論

陸軍實驗對于向未來部隊提供能力超配至關重要。像 "融合項目 "這樣的實驗提供了一個場所，作戰部隊可以對未來能力提供反饋。這種反饋對于為高級領導人做出資源決策提供信息至關重要。作戰部隊指揮官對實驗的設計和收集的理解有助于他們更好地理解他們在這個過程中的關鍵作用。

在目前的烏克蘭沖突中，有人聲稱，俄羅斯的信息戰開展得很差，而且基本上沒有效果。然而，正如Dan Milmo和Pjotr Sauer所觀察到的[2]，只有當忽視了在歐洲和英語圈之外進行的影響運動時，情況才會如此。在一個全球通信的世界里，需要采用全球視角，并超越任何沖突地區的直接范圍。同樣，"非限制性戰爭 "的概念要求采用一種 "戰爭"模式，這種模式遠遠超出了行使動能和軍事力量的傳統觀念。本文將提出一個分析和模擬沖突的框架，它將更好地使所有參與者/利益相關者（軍事和民事）為 "無限制的戰爭 "做好準備和做出反應，并為這種沖突提供一個初步系統。多域戰爭不僅要考慮陸上/海上/空中/空間/網絡和電磁這五個領域，還要考慮這些領域內民事和軍事領域的交集，以及超越傳統責任范圍的思考要求。真正的認知優勢只能通過超越傳統的劃分來實現；本文所提出的模式為實現這一目標提供了第一步。

1 未來沖突定義

下面試圖設計一個關于未來沖突形式（從現在開始用簡稱 "戰爭2.0"）的可能性質的工作假設，借鑒和尋求協同在廣泛的原始文本（特別是[3]-[10]）中看到的觀點。在試圖確定近期（更不用說遠期）的戰爭可能是什么時，首先必須接受的是，任何預測充其量都是片面的，從這兩個詞的意義上來說都是如此（不完整和有偏見）。雖然可以根據歷史經驗、對當前能力的了解以及技術和地緣政治趨勢進行假設，但所做的大部分工作將不可避免地充其量是經過教育的猜測。盡管如此，對當前威脅形勢的考慮表明，在規劃未來的沖突時，應該牢記兩個指導原則，這兩個原則都是由馬歇爾-麥克盧漢創造的。第一條是本文的序言[1]，第二條來自《地球村的戰爭與和平》： [11]"每一項新技術都需要一場新戰爭"。所掌握的技術工具將不可避免地塑造所有級別的戰爭，從作戰到學說。在他對他所稱的 "科學的戰爭方式 "的研究中，Bousquet[12]描繪了技術、科學理論和沖突形式之間的聯系：

他認為，我們已經進入了 "混沌"（"混沌 "和 "復雜 "的混合體）的時代，其特點是非線性和非等級化的自我治理系統，以及幾乎完全沒有傳統的指揮和控制結構。約翰-羅伯（John Robb）[13]對他所說的 "開源戰爭 "在實踐中是如何運作的進行了出色的研究，而亞當-羅伯茨（Adam Roberts）[14]提出了一個迷人的投機小說，他描述了一個私人軍事承包商作為一個真正自我維持的、無政府的（真正意義上的）戰斗網絡運作。所有這些未來愿景的核心是信息，它既是武器，又是獲得和保持優勢的關鍵。說信息技術和人工智能的發展和擴散是形成所有未來潛在沖突的基本要素并不過分；對戰斗、指揮和控制以及規劃的影響是巨大的[15]。從潛在的自主武器系統到人機合作[16]和人工智能驅動的分析[17]，這些技術將不可避免地產生 "新戰爭"。

多領域整合和作戰的概念已經成為現代國防的核心[18],[19]，至關重要的是要注意到，在多領域作戰空間中的全頻譜優勢需要意識到5個關鍵領域（陸地、海洋、空中、太空和網絡/電磁；英國在其第五領域的概念中把電子戰和信息戰聯系起來）不是離散的領域，而是不可分割的相互聯系和相互依賴。不僅如此，網絡/信息領域是貫穿所有其他領域的脊柱；沒有信息網絡，C4ISTAR就會崩潰。

許多關于MDI的思考被證明是有缺陷的，因為它把自己限制在軍事領域；從軍事力量（動能和非動能）的角度來規劃多域行動，而沒有記住麥克盧漢的箴言：未來的戰爭 "不分軍事和平民參與"。[1]戰爭是一個純粹的軍事問題的想法從來都是真實的，正如下面要討論的，它是未來沖突的一個關鍵模式的核心。英國的MDI模式確實將5個領域的結構置于與盟友和本國政府行為者/利益相關者的更廣泛的關系網絡中，但這仍然沒有把握住所面臨的全部復雜性（或混沌性）。

那么，這就是挑戰；一個由信息技術和人工智能促成的混沌沖突的世界，在這個世界上，權力在信息領域的投射可以在不開一槍的情況下損害對手，而歸因可能幾乎是不可能的。代理部隊和私營軍事承包商的使用進一步增加了復雜性。在戰術上，非線性、混合、開源戰爭的興起給常規軍事力量和政府帶來了巨大的挑戰，正如西方對俄羅斯行動的反應[21]，以及最近在烏克蘭恢復常規戰術的效果大打折扣。我們受到了目前狀況的嚴重挑戰；試圖研究如何減輕未來的未知威脅似乎幾乎是不可能的。正如羅莎-布魯克斯所說： 現在是時候接受 "戰爭 "與 "和平 "不是二元對立，而是一個連續體的外部界限。事實上，加上網絡、個性化武器以及各種非致命形式的脅迫和控制，一個二維的連續體可能是不夠的：我們可能需要從三維，甚至更多的角度來構思戰爭[22]。

2 未來沖突建模

如何開發一個模型，使我們能夠對 "戰爭2.0 "的階段空間進行概念化、分析和建模？下面將勾勒出一個初步的框架，它可以從城市到國家再到國際，具有可擴展性和靈活性，并允許我們考慮多領域和跨領域的行動和結果，目的是，正如尼克-卡特將軍所說，"超越聯合彩票"[24]。不僅如此，它還尋求可移植性；鑒于戰爭領域和軍事及民用領域之間的邊界的疏松性（如果不是實際不存在的話），我們的模型必須能夠被所有 "無限制戰爭 "的潛在目標所訪問和使用。

下面的模型改編自一個用于構建理解和設計影響行動的概念框架的模型[25]：這是一個擴大調查和應用范圍的嘗試。如果我們接受未來的沖突不會尊重 "戰爭/和平 "的界限，那么我們就需要能夠開發一個同樣的抽象概念。這個模型的基礎是由PMESII和ASCOPE分析技術中使用的類別的交叉形成的矩陣，形成一個6x6的矩陣，將目標區域定義為ASCOPE提供的維度中的變量（PMESII）（如下表2）。

這個矩陣已經被北約軍民合作卓越中心使用，并為下一層次的信息提供了可靠的基礎，即通過為五個戰爭領域（陸地、海上、空中、太空、網絡/電磁）各增加一層，將二維矩陣轉為三維形式。這樣就形成了一個由6x6x5=180個單元組成的表格，使我們能夠高度精確地定義攻擊的起源、目標和擴散（圖1）。不僅如此，它還提供了一個地點和行為者的分類法，這在純粹的軍事背景之外是有意義的。它還允許從攻擊者、防御者或中立方的角度記錄事件/攻擊。

圖1：多領域 "非限制性 "作戰空間的三維模型，ASCOPExPMESIIx5個作戰領域（陸地、海洋、空中、太空和網絡/電磁）。

這個基本模型很容易被裁剪和/或細化。在其最初的形式中，三維矩陣由一個6x6x4的框架組成，對應于PMESII+ASCOPE+DIME（外交、信息、軍事、經濟）。通過賦予每個組成部分三個 "旋轉"（類似于夸克）之一，以對應戰略、戰術和行動層面，進一步增加了細節層次。基本框架的每一層也可以作為一個新的三維5x5x5矩陣的基礎，Z軸代表應對攻擊的5種方式（或者實際上是信息攻擊本身可能采取的5種形式）：破壞、拒絕、降低、毀滅或欺騙。

這個模型的一個重要特點是，它不再關注主角在戰斗空間的任何一個元素或領域的行動，而是采取了對多領域系統的整體感知。它使分析人員能夠繪制出跨越領域邊界的行動，描繪出某一特定行為可能產生的跨領域影響：這樣的模型使我們能夠更清楚地思考如何識別Systempunkts（網絡中那些一旦被攻擊就會導致連帶失敗的點[27]）。同樣地，當我們走向一個完全集成的 "戰場物聯網"，在各領域產生大量增加的和不間斷的數據流時，我們可以假設一個由人工智能支持的對系統狀態的監測，并突出顯示特定單元中的變化，這些變化表明可能的敵對行動；該模型的180個單元中的每一個都成為一個信息單位，其狀態的任何變化都作為 "一個差異，使一個差異"（貝特森的 "比特 "定義[28]）。回到構建一個更好的控制性敘事以參與現代沖突的想法，這給我們提供的是一個特定景觀的映射工具，以及一個產生行動的機制，這些行動可以在它們通過領域時被追蹤。它既是設定，也是情節生成器。它不建議誰可能在這個景觀中居住，但它允許我們看到在目前出現的任何和所有可能的威脅行為者居住。最重要的是，它旨在關注事件和反響；雖然了解我們的對手是誰（或可能是誰）是至關重要的（身份、個人和文化，傾向于某些行動），但我們必須專注于他們做什么。

如果我們接受這個模型在允許我們繪制多領域無限制沖突方面是有效的，那么下一步要研究如何在更廣泛的背景下使用它；我們如何在一個動態的、體驗式的實驗和分析過程中使用這個模型？簡而言之，我們如何將其置于一個（"嚴肅"）游戲的中心？

正如前面討論的影響游戲項目[24]，要想成功，必須盡可能地考慮攻擊面的居民--需要軍事、政府、學術界和私營部門的主題專家參與。打擊不受限制的戰爭需要一系列不受限制的投入。作者以前的經驗證實了他的信念，即這樣的演習是可能的；所需要的是一群準備超越其專業筒倉的墻壁并進行協作的人。正如維納[29]所說，"大腦中沒有馬奇諾防線"；我們的對手超越了傳統的界限，我們也必須如此。因此，這是對所有看到這里提出的想法的優點并希望參與這樣一個項目的人的邀請。在他以前的工作中，作者是一個真正的多學科國際團隊的一部分，而像這里提議的活動將需要更廣泛的專業知識；北約為建立這樣一個項目提供了完美的環境。作者歡迎所有的興趣表達，并希望本文的結束將標志著一個創新和有價值的努力的開始。

隨著技術的飛速發展和威脅環境變得更加復雜，今天的海軍行動經常面臨著具有挑戰性的決策空間。人工智能（AI）的進步為解決海軍行動中日益復雜的問題提供了潛在的解決方案。未來的人工智能系統提供了潛在的意義深遠的好處--提高對態勢的認識，增加對威脅和對手能力和意圖的了解，識別和評估可能的戰術行動方案，并提供方法來預測行動方案決定的結果和影響。人工智能系統將在支持未來海軍作戰人員和保持作戰和戰術任務優勢方面發揮關鍵作用。

人工智能系統為海戰提供了優勢，但前提是這些系統的設計和實施方式能夠支持有效的作戰人員-機器團隊，改善作戰情況的不確定性，并提出改善作戰和戰術結果的建議。實施人工智能系統，以滿足海軍應用的這些苛刻需求，給工程設計界帶來了挑戰。本文確定了四個挑戰，并描述了它們如何影響戰爭行動、工程界和海軍任務。本文提供了通過研究和工程倡議來解決這些挑戰的解決思路。

引言

人工智能是一個包括許多不同方法的領域，目的是創造具有智能的機器（Mitchell 2019）。自動化系統的運作只需要最小的人類輸入，并經常根據命令和規則執行重復性任務。人工智能系統是自動化機器，執行模仿人類智能的功能。它們將從過去的經驗中學習到的新信息融入其中，以做出決定并得出結論。

如表1所述，人工智能系統有兩種主要類型。第一種類型是明確編程的專家系統。Allen（2020，3）將專家系統描述為手工制作的知識系統，使用傳統的、基于規則的軟件，將人類專家的主題知識編入一長串編程的 "如果給定x輸入，則提供y輸出"的規則。這些系統使用傳統的編程語言。第二種類型是ML系統，從大型數據集中進行訓練。ML系統自動學習并從經驗中改進，而不需要明確地進行編程。一旦ML系統被 "訓練"，它們就被用于操作，以產生新的操作數據輸入的結果。

表1. 兩類人工智能系統

人工智能系統--包括專家系統和學習系統--為海軍提供了巨大的潛力，在大多數任務領域有不同的應用。這些智能系統可以擴展海軍的能力，以了解復雜和不確定的情況，制定和權衡選擇，預測行動的成功，并評估后果。它們提供了支持戰略、作戰計劃和戰術領域的潛力。

本文確定了工程設計界必須解決的四個挑戰，以便為未來海戰任務實施人工智能系統。表2強調了這四個挑戰領域。這些挑戰包括：（1）復雜的海戰應用領域；（2）需要收集大量與作戰相關的數據來開發、訓練和驗證人工智能系統；（3）人工智能系統工程的一些新挑戰；（4）存在對手的人工智能進展，不斷變化和發展的威脅，以及不斷變化的人工智能系統的網絡弱點。本文側重于海軍戰爭的四個挑戰領域，但認識到這些挑戰可以很容易地被概括為整個軍隊在未來人工智能系統可能應用的所有戰爭領域中廣泛存在的挑戰。

表2. 為海軍實施人工智能系統的四個挑戰領域

挑戰一：戰爭復雜性

人工智能正被視為一種能力，可應用于廣泛的應用，如批準貸款、廣告、確定醫療、規劃航運路線、實現自動駕駛汽車和支持戰爭決策。每個不同的應用領域都提出了一系列的挑戰，人工智能系統必須與之抗衡，才能成為一種增加價值的可行能力。表3比較了一組領域應用的例子，從潛在的人工智能系統解決方案的角度說明了挑戰的領域。該表在最上面一行列出了一組10個因素，這些因素對一個特定的應用程序產生了復雜性。根據每個因素對作為實施人工智能的領域的整體復雜性的貢獻程度，對六個應用領域的特征進行了定性評估。顏色代表低貢獻（綠色）、中貢獻（黃色）和高貢獻（紅色）。

表3中最上面一行顯示的特征包括： (1)認識上的不確定性水平（情況知識的不確定性程度），(2)情況的動態性，(3)決策時間表（可用于決策的時間量），(4)人類用戶和人工智能系統之間的互動所涉及的錯綜復雜的問題、 (5）資源的復雜性（數量、類型、它們之間的距離以及它們的動態程度），（6）是否涉及多個任務，（7）所需訓練數據集的復雜性（大小、異質性、有效性、脆弱性、可獲得性等 8）對手的存在（競爭者、黑客或徹頭徹尾的敵人），（9）可允許的錯誤幅度（多少決策錯誤是可以接受的），以及（10）決策后果的嚴重程度。該表的定性比較旨在提供一個高層次的相對意義，即基于一組樣本的貢獻因素，不同應用領域的不同復雜程度。

表3. 影響應用復雜性的因素比較

對于所有的應用領域來說，人工智能系統的工程都是具有挑戰性的。人工智能系統在本質上依賴于具有領域代表性的數據。獲得具有領域代表性的數據會帶來基于數據大小、可用性、動態性和不確定性的挑戰。決策時間--由情況的時間動態決定--會給人工智能系統工程帶來重大挑戰--特別是當一個應用領域的事件零星發生和/或意外發生時；以及當決策是時間緊迫的時候。具有更多決策時間、充分訪問大型數據集、直接的用戶互動、完善的目標和非致命后果的應用，如貸款審批、廣告、醫療診斷（在某種程度上）面臨工程挑戰，但其復雜程度較低。確定最佳運輸路線和為自動駕駛汽車設計AI系統是更復雜的工作。這些應用是動態變化的，做決定的時間較短。航運路線將在可能的路線數量上具有復雜性--這可能會導致許多可能的選擇。然而，航運錯誤是有空間的，而且后果通常不會太嚴重。對于自動駕駛汽車來說，決策錯誤的空間非常小。在這種應用中，決策失誤會導致嚴重的事故。

影響開發支持海戰決策的人工智能系統的因素在表3所示的所有類別中都具有高度的復雜性。因此，戰術戰爭領域對工程和實施有效的人工智能系統作為解決方案提出了特別棘手的挑戰。表4強調了導致這種復雜性的海戰領域的特點。作為一個例子，海軍打擊力量的行動可以迅速從和平狀態轉變為巨大的危險狀態--需要對威脅保持警惕并采取適當的反應行動--所有這些都是在高度壓縮的決策時間內進行。戰術威脅可能來自水下、水面、空中、陸地、太空，甚至是網絡空間，導致需要處理多種時間緊迫的任務。由于海軍和國防資產在艦艇、潛艇、飛機、陸地和太空中，戰術決策空間必須解決這些分散和多樣化資源的最佳協作使用。制定有效的戰術行動方案也必須在高度動態的作戰環境中進行，并且只有部分和不確定的情況知識。決策空間還必須考慮到指揮權、交戰規則和戰術理論所帶來的限制。人類作為戰術決策者的角色增加了決策空間的復雜性--信息過載、操作錯誤、人機信任和人工智能的模糊性/可解釋性問題等挑戰。最后，對于戰術決策及其可能的后果來說，風險可能非常大。

表4. 導致戰術決策復雜性的因素

解決高度復雜的決策領域是對海軍的挑戰。人工智能為解決海軍作戰的復雜性提供了一個潛在的解決方案，即處理大量的數據，處理不確定性，理解復雜的情況，開發和評估決策選擇，以及理解風險水平和決策后果。Desclaux和Prestot（2020）提出了一個 "認知三角"，其中人工智能和大數據被應用于支持作戰人員，以實現信息優勢、控制論信心和決策優勢。約翰遜（2019年）開發了一個工程框架和理論，用于解決高度復雜的問題空間，這些問題需要使用智能和分布式人工智能系統來獲得情況意識，并做出適應動態情況的協作行動方案決定。約翰遜（2020a）建立了一個復雜的戰術場景模型，以證明人工智能輔助決策對戰術指揮和控制（C2）決策的好處。約翰遜（2020b）開發了一個預測分析能力的概念設計，作為一個自動化的實時戰爭游戲系統來實施，探索不同的可能的戰術行動路線及其預測的效果和紅色部隊的反應。首先，人工智能支持的C2系統需要描述戰術行動期間的復雜程度，然后提供一個自適應的人機組合安排來做出戰術決策。這個概念包括根據對目前戰術情況的復雜程度最有效的方法來調整C2決策的自動化水平（人與機器的決策角色）。約翰遜（2021年）正在研究這些概念性工程方法在各種防御用例中的應用，包括空中和導彈防御、超視距打擊、船舶自衛、無人機操作和激光武器系統。

在海軍作戰中實施人工智能系統的一個額外挑戰是在戰術邊緣施加的限制。分散的海軍艦艇和飛機的作戰行動構成了戰術邊緣--在有限的數據和通信下作戰。"在未來，戰術邊緣遠離指揮中心，通信和計算資源有限，戰場形勢瞬息萬變，這就導致在嚴酷復雜的戰地環境中，網絡拓撲結構連接薄弱，變化迅速"（Yang et. al. 2021）。戰術邊緣網絡也容易斷開連接（Sridharan et. al. 2020）。相比之下，許多商業人工智能系統依賴于基于云的或企業內部的處理和存儲，而這些在海戰中是不存在的。在戰術邊緣實施未來的人工智能系統時，必須進行仔細的設計考慮，以了解哪些數據和處理能力可用。這可能會限制人工智能系統在邊緣所能提供的決策支持能力。

在軍事領域使用人工智能必須克服復雜性的挑戰障礙，在某些情況下，人工智能的加入可能會增加復雜性。辛普森等人（2021）認為，將人工智能用于軍事C2可能會導致脆弱性陷阱，在這種情況下，自動化功能增加了戰斗行動的速度，超出了人類的理解能力，最終導致 "災難性的戰略失敗"。Horowitz等人（2020）討論了通過事故、誤判、增加戰爭速度和升級以及更大的殺傷力來增加國際不穩定和沖突。Jensen等人（2020）指出，人工智能增強的軍事系統增加的復雜性將增加決策建議和產生的信息的范圍、重要性和意義的不確定性；如果人類決策者對產出缺乏信心和理解，他們可能會失去對人工智能系統的信任。

挑戰二：數據需求

實施人工智能系統的第二個挑戰是它們依賴并需要大量的相關和高質量的數據用于開發、訓練、評估和操作。在海戰領域滿足這些數據需求是一個挑戰。明確編程的專家系統在開發過程中需要數據進行評估和驗證。ML系統在開發過程中對數據的依賴性甚至更大。圖1說明了ML系統如何從代表作戰條件和事件的數據集中 "學習"。

ML系統的學習過程被稱為被訓練，開發階段使用的數據被稱為訓練數據集。有幾種類型的ML學習或訓練--它們是監督的、無監督的和強化的方法。監督學習依賴于地面真相或關于輸出值應該是什么的先驗知識。監督學習算法的訓練是為了學習一個最接近給定輸入和期望輸出之間關系的函數。無監督學習并不從地面真相或已知的輸出開始。無監督學習算法必須在輸入數據中推斷出一個自然結構或模式。強化學習是一種試錯法，允許代理或算法在獎勵所需行為和/或懲罰不需要的行為的基礎上學習。所有三種類型的ML學習都需要訓練數據集。在部署后或運行階段，ML系統繼續需要數據。

圖1顯示，在運行期間，ML系統或 "模型 "接收運行的實時數據，并通過用其 "訓練 "的算法處理運行數據來確定預測或決策結果。因此，在整個系統工程和采購生命周期中，ML系統與數據緊密相連。ML系統是從訓練數據集的學習過程中 "出現 "的。ML系統是數據的質量、充分性和代表性的產物。它們完全依賴于其訓練數據集。

圖1. 使用數據來訓練機器學習系統

美國海軍開始認識到對這些數據集的需求，因為許多領域（戰爭、供應鏈、安全、后勤等）的更多人工智能開發人員正在了解人工智能解決方案的潛在好處，并開始著手開發人工智能系統。在某些情況下，數據已經存在并準備好支持人工智能系統的開發。在其他情況下，數據存在但沒有被保存和儲存。最后，在其他情況下，數據并不存在，海軍需要制定一個計劃來獲得或模擬數據。

收集數據以滿足海軍領域（以及更廣泛的軍事領域）的未來人工智能/ML系統需求是一個挑戰。數據通常是保密的，在不同的項目和系統中被分隔開來，不容易從遺留系統中獲得，并且不能普遍代表現實世界行動的復雜性和多樣性。要從并非為數據收集而設計的遺留系統中獲得足夠的數據，可能非常昂貴和費時。數據收集可能需要從戰爭游戲、艦隊演習、系統測試、以及建模和模擬中收集。此外，和平時期收集的數據并不代表沖突和戰時的操作。海軍（和軍方）還必須教導人工智能系統在預計的戰時行動中發揮作用。這將涉及想象可能的（和可能的）戰時行動，并構建足夠的ML訓練數據。

數據收集的另一個挑戰是潛在的對抗性黑客攻擊。對于人工智能/ML系統來說，數據是一種珍貴的商品，并提出了一種新的網絡脆弱性形式。對手可以故意在開發過程中引入有偏見或腐敗的數據，目的是錯誤地訓練AI/ML算法。這種邪惡的網絡攻擊形式可能很難被發現。

海軍正在解決這一數據挑戰，開發一個數據基礎設施和組織來管理已經收集和正在收集的數據。海軍的Jupiter計劃是一個企業數據和分析平臺，正在管理數據以支持AI/ML的發展和其他類型的海軍應用，這些應用需要與任務相關的數據（Abeyta，2021）。Jupiter努力的核心是確定是否存在正確的數據類型來支持人工智能應用。為了生產出在行動中有用的人工智能/ML系統，海軍需要在游戲中保持領先，擁有能夠代表各種可能情況的數據集，這些情況跨越了競爭、沖突和危機期間的行動范圍。因此，數據集的開發和管理必須是一項持續的、不斷發展的努力。

挑戰三：工程化人工智能系統

第三個挑戰是，人工智能系統的工程需要改變傳統的系統工程（SE）。在傳統系統中，行為是設定的（確定性的），因此是可預測的：給定一個輸入和條件，系統將產生一個可預測的輸出。一些人工智能解決方案可能涉及到系統本身的復雜性--適應和學習--因此產生不可預見的輸出和行為。事實上，一些人工智能系統的意圖就是要做到這一點--通過承擔一些認知負荷和產生智能建議，與人類決策者合作。表5強調了傳統系統和人工智能系統之間的區別。需要有新的SE方法來設計智能學習系統，并確保它們對人類操作者來說是可解釋的、可信任的和安全的。

SE作為一個多學科領域，在海軍中被廣泛使用，以將技術整合到連貫而有用的系統中，從而完成任務需求（INCOSE 2015）。SE方法已經被開發出來用于傳統系統的工程設計，這些系統可能是高度復雜的，但也是確定性的（Calvano和John 2004）。如表5所述，傳統系統具有可預測的行為：對于一個給定的輸入和條件，它們會產生可預測的輸出。然而，許多海軍應用的人工智能系統在本質上將是復雜的、適應性的和非決定性的。Raz等人（2021年）解釋說，"SE及其方法的雛形基礎并不是為配備人工智能（即機器學習和深度學習）的最新進展、聯合的多樣化自主系統或多領域操作的工程系統而設想的。" 對于具有高風險后果的軍事系統來說，出錯的余地很小；因此，SE過程對于確保海軍中人工智能系統的安全和理想操作至關重要。

表5. 傳統系統和人工智能系統的比較

在整個系統生命周期中，將需要改變SE方法，以確保人工智能系統安全有效地運行、學習和適應，以滿足任務需求并避免不受歡迎的行為。傳統的SE過程的大部分都需要轉變，以解決人工智能系統的復雜和非確定性的特點。在人工智能系統的需求分析和架構開發階段需要新的方法，這些系統將隨著時間的推移而學習和變化。系統驗證和確認階段將必須解決人工智能系統演化出的突發行為的可能性，這些系統的行為不是完全可預測的，其內部參數和特征正在學習和變化。運營和維護將承擔重要的任務，即隨著人工智能系統的發展，在部署期間不斷確保安全和理想的行為。

SE界意識到，需要新的流程和實踐來設計人工智能系統。國際系統工程師理事會（INCOSE）最近的一項倡議正在探索開發人工智能系統所需的SE方法的變化。表6強調了作為該倡議一部分的五個SE重點領域。除了非決定性的和不斷變化的行為，人工智能系統可能會出現新類型的故障模式，這些故障模式是無法預料的，可能會突然發生，而且其根本原因可能難以辨別。穩健設計--或確保人工智能系統能夠處理和適應未來的情景--是另一個需要新方法的SE領域。最后，對于有更多的人機互動的人工智能系統，必須仔細注意設計系統，使它們值得信賴，可以解釋，并最終對人類決策者有用。

表6.人工智能系統工程中的挑戰（改編自：Robinson，2021）。

SE研究人員正在研究人工智能系統工程所涉及的挑戰，并開發新的SE方法和對現有SE方法的必要修改。Johnson（2019）開發了一個SE框架和方法，用于工程復雜的適應性系統（CASoS）解決方案，涉及分布式人工智能系統的智能協作。這種方法支持開發智能系統的系統，通過使用人工智能，可以協作產生所需的突發行為。Johnson（2021）研究了人工智能系統產生的潛在新故障模式，并提出了一套跨越SE生命周期的緩解和故障預防策略。她提出了元認知，作為人工智能系統自我識別內部錯誤和失敗的設計方案。Cruz等人（2021年）研究了人工智能在空中和導彈防御應用中使用人工智能輔助決策的安全性。他們為計劃使用人工智能系統的軍事項目編制了一份在SE開發和運行階段需要實施的策略和任務清單。Hui（2021年）研究了人類作戰人員與人工智能系統合作進行海軍戰術決策時的信任動態。他制定了工程人工智能系統的SE策略，促進人類和機器之間的 "校準 "信任，這是作為適當利用的最佳信任水平，避免過度信任和不信任，并在信任失敗后涉及信任修復行動。Johnson等人（2014）開發了一種SE方法，即協同設計，用于正式分析人機功能和行為的相互依賴性。研究人員正在使用協同設計方法來設計涉及復雜人機交互的穩健人工智能系統（Blickey等人，2021年，Sanchez 2021年，Tai 2021年）。

數據的作用對于人工智能系統的開發和運行來說是不可或缺的，因此需要在人工智能系統的SE生命周期中加入一個持續不斷的收集和準備數據的過程。Raz等人（2021）提出，SE需要成為人工智能系統的 "數據策劃者"。他們強調需要將數據策劃或轉化為可用的結構，用于開發、訓練和評估AI算法。French等人（2021）描述了需要適當的數據策劃來支持人工智能系統的發展，他們強調需要確保數據能夠代表人工智能系統將在其中運行的預期操作。他們強調需要安全訪問和保護數據，以及需要識別和消除數據中的固有偏見。

SE界正處于發展突破和進步的早期階段，這些突破和進步是在更復雜的應用中設計人工智能系統所需要的。這些進展需要與人工智能的進展同步進行。在復雜的海軍應用以及其他非海軍和非軍事應用中實施人工智能系統取決于是否有必要的工程實踐。SE實踐必須趕上AI的進步，以確保海軍持續的技術優勢。

挑戰四：對抗性

海軍在有效實施人工智能系統方面面臨的第四個挑戰是應對對手。海軍的工作必須始終考慮對手的作用及其影響。表7確定了在海軍實施人工智能系統時必須考慮的與對手有關的三個挑戰：(1)人工智能技術在許多領域迅速發展，海軍必須注意同行競爭國的軍事應用進展，以防止被超越，(2)在海軍應用中實施人工智能系統和自動化會增加網絡脆弱性，以及(3)海軍應用的人工智能系統需要發展和適應，以應對不斷變化的威脅環境。

表7. AI系統的對抗性挑戰

同行競爭國家之間發展人工智能能力的競賽，最終是為了進入對手的決策周期，以便比對手更快地做出決定和采取行動（Schmidt等人，2021年）。人工智能系統提供了提高決策質量和速度的潛力，因此對獲得決策優勢至關重要。隨著海軍對人工智能解決方案的探索，同行的競爭國家也在做同樣的事情。最終實現將人工智能應用于海軍的目標，不僅僅取決于人工智能研究。它需要適當的數據收集和管理，有效的SE方法，以及仔細考慮人類與AI系統的互動。海軍必須承認，并采取行動解決實施人工智能系統所涉及的挑戰，以贏得比賽。

網絡戰是海軍必須成功參與的另一場競賽，以保持在不斷沖擊的黑客企圖中的領先地位。網絡戰的特點是利用計算機和網絡來攻擊敵人的信息系統（Libicki, 2009）。海軍對人工智能系統的實施導致了更多的網絡攻擊漏洞。人工智能系統的使用在本質上依賴于訓練和操作數據，導致黑客有機會在開發階段和操作階段用腐敗的數據欺騙或毒害系統。如果一個對手獲得了對一個運行中的人工智能系統的控制，他們可能造成的傷害將取決于應用領域。對于支持武器控制決策的自動化，其后果可能是致命的。海軍必須注意人工智能系統開發過程中出現的特殊網絡漏洞。必須為每個新的人工智能系統實施仔細的網絡風險分析和網絡防御戰略。海軍必須小心翼翼地確保用于開發、訓練和操作人工智能系統的數據集在整個人工智能系統的生命周期中受到保護，免受網絡攻擊（French等人，2021）。

威脅環境的演變是海軍在開發AI系統時面臨的第三個對抗性挑戰。對手的威脅空間隨著時間的推移不斷變化，武器速度更快、殺傷力更大、監視資產更多、反制措施更先進、隱身性更強，這對海軍能夠預測和識別新威脅、應對戰斗空間的未知因素構成了挑戰。尤其是人工智能系統，必須能夠加強海軍感知、探測和識別新威脅的能力，以幫助它們從未知領域轉向已知領域的過程。他們必須適應新的威脅環境，并在行動中學習，以了解戰斗空間中的未知因素，并通過創新的行動方案快速應對新的威脅（Grooms 2019, Wood 2019, Jones et al 2020）。海軍可以利用人工智能系統，通過研究特定區域或領域的長期數據，識別生活模式的異常（Zhao等人，2016）。最后，海軍可以探索使用人工智能來確定新的和有效的行動方案，使用最佳的戰爭資源來解決棘手的威脅情況。

結論

人工智能系統為海軍戰術決策的優勢提供了相當大的進步潛力。然而，人工智能系統在海戰應用中的實施帶來了重大挑戰。人工智能系統與傳統系統不同--它們是非決定性的，可以學習和適應--特別是在用于更復雜的行動時，如高度動態的、時間關鍵的、不確定的戰術行動環境中，允許的誤差范圍極小。本文確定了為海戰行動實施人工智能系統的四個挑戰領域：（1）開發能夠解決戰爭復雜性的人工智能系統，（2）滿足人工智能系統開發和運行的數據需求，（3）設計這些新穎的非確定性系統，以及（4）面對對手帶來的挑戰。

海軍必須努力解決如何設計和部署這些新穎而復雜的人工智能系統，以滿足戰爭行動的需求。作者在這一工作中向海軍提出了三項建議。

1.第一個建議是了解人工智能系統與傳統系統之間的差異，以及伴隨著人工智能系統的開發和實施的新挑戰。

人工智能系統，尤其是那些旨在用于像海戰這樣的復雜行動的系統，其本身就很復雜。它們在應對動態戰爭環境時將會學習、適應和進化。它們將變得不那么容易理解，更加不可預測，并將出現新型的故障模式。海軍將需要了解傳統的SE方法何時以及如何在這些復雜系統及其復雜的人機交互工程中失效。海軍將需要了解數據對于開發人工智能系統的關鍵作用。

2.第二個建議是投資于人工智能系統的研究和開發，包括其數據需求、人機互動、SE方法、網絡保護和復雜行為。

研究和開發是為海戰行動開發AI系統解決方案的關鍵。除了開發復雜的戰術人工智能系統及其相關的人機協作方面，海軍必須投資研究新的SE方法來設計和評估這些適應性非決定性系統。海軍必須仔細研究哪些新類型的對抗性網絡攻擊是可能的，并且必須開發出解決這些問題的解決方案。海軍必須投資于收集、獲取和維護代表現實世界戰術行動的數據，用于人工智能系統開發，并確保數據的相關性、有效性和安全性。

3.第三個建議是承認挑戰，并在預測人工智能系統何時準備好用于戰爭行動方面采取現實態度。

盡管人工智能系統正在許多領域實施，但海軍要為復雜的戰術戰爭行動實施人工智能系統還需要克服一些挑戰。人工智能系統在較簡單應用中的成功并不能保證人工智能系統為更復雜的應用做好準備。海軍應該保持一種現實的認識，即在人工智能系統準備用于戰爭決策輔助工具之前，需要取得重大進展以克服本文所討論的挑戰。實現人工智能系統的途徑可以依靠建模和模擬、原型實驗、艦隊演習以及測試和評估。可以制定一個路線圖，彌合較簡單應用的人工智能和復雜應用的人工智能之間的差距--基于一個積木式的方法，在為逐漸復雜的任務開發和實施人工智能系統時吸取經驗教訓。

海軍將從未來用于戰術戰爭的人工智能系統中獲益。通過安全和有效地實施人工智能系統，戰術決策優勢的重大進步是可能的。此外，海軍必須跟上（或試圖超越）對手在人工智能方面的進展。本文描述了為在海戰中實施人工智能系統而必須解決的四個挑戰。通過對這些新穎而復雜的人工智能系統的深入了解，對研究和開發計劃的投資，以及對人工智能技術進步時限的現實預期，海軍可以在應對這些挑戰方面取得進展。

摘要

這項工作探討了使用人工智能（AI）來加強海軍戰術殺傷鏈。海軍行動對水兵提出了很高的要求，要求他們在與艦隊指揮結構協同操作各種作戰系統的同時，保持對態勢的認識，執行任務，并為沖突做好準備。海軍行動由于涉及到武器的使用而變得更加復雜。涉及武器使用的一系列戰術過程和決策被稱為殺傷鏈。一個有效的殺傷鏈需要識別和了解威脅，確定行動方案，執行選定的行動，并評估其效果。殺傷鏈是一個特別緊張的戰術行動類別，因為它們必須在有限和不確定的知識下，在關鍵和苛刻的時限內，依靠各種先進的技術系統，在高度動態和變化的環境中實施，并造成嚴重后果。海軍正在研究人工智能作為一種新興技術，通過減少不確定性、提高決策速度、加強決策評估來改善殺傷鏈行動。本文介紹了對人工智能方法在支持海軍戰術殺傷鏈的特定功能方面的功效評估。

引言

海軍作戰是動態的，在沖突期間，它們變得高度復雜。在海洋環境中與作戰人員團隊一起操作各種先進的技術系統（包括艦艇、飛機、傳感器、通信系統和武器），建立了一個具有挑戰性的行動基線。在沖突或危機情況下，行動的節奏加快，并可能變得非常不穩定；對形勢的認識和對戰斗空間的了解充滿了不確定性；有效的決定對任務的成功至關重要，并會帶來沉重的后果。

一場涉及武器交戰的海軍悲劇是1998年美國海軍 "文森 "號巡洋艦發射的地對空導彈擊落了商用飛機空客A300，機上290名乘客全部死亡（Pasley，2020）（如圖1所示）。這場悲劇涉及到壓力下的時間關鍵性決策（Johnston等人，1998）。

圖1.美國海軍文森號從甲板上發射導彈。

這一事件代表了海軍行動中決策的復雜性，并特別強調了觀察-定向-決定-行動（OODA）循環中的挑戰，這是由約翰-博伊德在1950年代開發的行動活動模型（瓊斯，2020）。人為錯誤、人類認知的局限性和海軍行動固有的決策復雜性導致OODA環路的挑戰，更具體地說，是殺傷鏈過程的挑戰（馮-盧比茨等人，2008，Szeligowski，2018）。殺傷鏈功能是涉及使用武器系統的戰術活動和決策。一個有效的殺傷鏈需要正確設置和使用艦載傳感器，識別和分類未知的接觸，根據運動學和情報分析接觸意圖，認識環境，以及決策分析和戰爭資源選擇（O'Donoughue等人，2021，史密斯，2010，趙等人，2016）。這項研究源于尋找方法來支持水手和作戰人員以及他們在海軍行動中必須做出的經常是復雜的決定。

最近在人工智能和先進數據分析方面的進展導致了海軍的研究，以確定如何利用這些方法來支持廣泛的海軍應用。正在研究人工智能方法在海軍后勤、任務規劃、物理安全、自主系統和網絡安全方面的潛在應用（Heller，2019，Mittu和Lawless 2015）。

在海軍研究使用人工智能方法的過程中，殺傷鏈是另一個備受關注的主要應用。概念性研究提出將人工智能用作認知助手和人機協作（Iversen和DiVita，2019年；Ding等人，2022年；Johnson 2019年；Grooms，2019年；Albarado等人，2022年）。使用人工智能從多個來源的數據融合中提取知識和作戰環境的情況意識的研究正在成熟（Zhao等人，2018）。

這項研究著眼于整個海軍戰術OODA環，以評估使用人工智能來改善每個特定的殺傷鏈功能。圖2顯示了海軍海上戰術領域的概念圖，作為利用人工智能方法和技術的重點。該圖用軍事術語描述了殺傷鏈OODA循環功能的循環性質：發現-修復-追蹤-目標-接觸-評估。該研究探討了使用人工智能來加強這些功能，因為它們被用于海軍藍軍在海洋領域防御紅軍的威脅。

圖2. 概念圖：人工智能賦能海軍戰術殺傷鏈行動。

本文首先回顧了海軍戰術殺傷鏈，描述了戰術戰爭過程模型，并確定了一組28個殺傷鏈功能作為本研究的主題。下一節總結了適用于殺傷鏈的人工智能方法。隨后描述了為本研究開發的評估框架。本文最后介紹了這項研究的結果--人工智能方法與殺傷鏈的映射。

海軍戰術殺傷鏈

分析開始于對海軍作戰相關的戰術操作模型的研究，以便以一種能夠與人工智能方法相一致的形式獲取對殺傷鏈的描述。目標是建立一個海軍戰術殺傷鏈的描述，以： (1)代表海軍戰術領域中與戰斗有關的行動，(2)具有足夠的通用性，以模擬廣泛的戰術決策和行動，(3)被分解到適當的水平，以確定個別和獨特的過程。

殺傷鏈這個術語是指涉及使用武器的攻擊結構。該過程被描述為一個鏈條，以說明用武器攻擊目標需要一套完整的端到端決策和行動，任何階段的中斷都會破壞該過程。Clawson等人（2015）將殺傷鏈描述為 "成功使用特定武器對付特定威脅所需的任務或功能"。殺傷鏈過程包括目標檢測、選擇與目標交戰和選擇武器所涉及的決策，以及攻擊的實際執行。

約翰-博伊德的OODA循環模型是理解戰術行動的基礎，它代表著觀察、定向、決定和行動。圖3展示了OODA循環模型--強調了循環發生的四個階段的行動或過程。在觀察階段，數據和信息被收集。在定向階段，這些信息被處理、融合和分析，以提供對形勢的認識。在決定階段，藍軍決定是否需要采取行動以及這些行動應該是什么。在行動階段，行動被執行，并收集更多信息以確定是否產生了預期的效果。OODA循環對軍事思想有半個多世紀的影響，并幫助塑造了戰爭系統的發展和戰爭理論（Angerman 2004）。OODA循環模型已被用于預測和理解軍事行動反應時間（Hightower 2007）、認知戰術決策（Plehn 2000）、指揮和控制系統及網絡的設計目標（Revay 2017），甚至是高級軍事戰略制定（Hasik 2013）。在現實世界的戰術行動中，許多OODA循環的活動都是動態的、循環的和并發的。

圖3. 殺傷鏈OODA環

OODA循環模型為理解殺傷鏈過程提供了基礎，并導致了對圖4所示的查找-修復-跟蹤-目標-評估（F2T2EA）殺傷鏈過程模型（參謀長聯席會議，2013）的研究。F2T2EA是另一個以軍事術語描述殺傷鏈的過程模型。F2T2EA模型將戰術功能分為六類，并強調戰術行動的周期性。F2T2EA抓住了戰術戰爭功能、決策和行動的細微差別，為人工智能的映射提供了一個更詳細的框架，以激發具體、全面和獨立的殺傷鏈功能。

圖4. F2T2EA殺傷鏈周期。

這項研究開發了一套28個殺傷鏈功能，列于表1。該表顯示了這些功能是如何被歸入OODA和F2T2EA殺傷鏈過程模型的。建立一套具有一定獨立性的不同功能的目的是為了支持特定的人工智能方法與特定的殺傷鏈功能的映射，同時保持它們能夠代表戰術行動中發生的各種海軍決策和行動。

表1. 28個殺傷鏈功能

殺傷鏈的功能是通用的，適用于涉及 "殺傷"行動的各種戰術行動。在這項研究中，殺傷鏈可以支持進攻性打擊和防御性任務；殺傷可以是硬的，也可以是軟的。這允許使用非致命性和反措施行動，以消除對手的資產，完成戰術任務。

在沖突或危機期間，戰術行動的實施涉及殺傷鏈功能的復雜、動態和循環組合。這些功能會重疊、同時發生、重復出現，并且往往需要根據威脅情況進行多次實例化。"尋找 "和 "修復 "將是持續的功能；"跟蹤 "將出現在探測到的每個物體上；"瞄準 "將對被認為有威脅的物體進行；"交戰 "和 "評估 "將對需要殺傷（或解除）行動的威脅實施。

隨著海軍探索殺傷鏈功能的自動化并考慮使用人工智能方法，殺傷鏈功能的特點也開始發揮作用。殺傷鏈與它的威脅情況密切相關。這種作戰環境在許多方面決定了殺傷鏈的時間軸、交戰幾何、局勢動態、不確定性水平和整體復雜性。表2確定并描述了影響人工智能如何被利用來提高自動化和支持戰術決策的殺傷鏈功能的條件。

表2. 殺傷鏈功能特征

表2中列出和描述的特征具有相互依賴性，這些特征源于任務目標、威脅情況的復雜性以及藍軍資產的結構和能力。任務的性質--進攻性或防御性--確定了事件的初始時間線。威脅情況會影響這個時間線，并影響動態、決策風險水平和整體不確定性。藍軍資產的結構和能力影響到可用的決策選擇。殺傷鏈的決策有許多考慮因素，包括傳感器的覆蓋范圍、對對手意圖的評估、交戰策略、交戰規則和要使用的武器。這些復雜和相互依存的特性影響到可接受的決策風險和不確定性水平，并最終影響到整個殺傷鏈過程中可接受的自動化水平。

這項研究檢查和評估了特定人工智能方法的潛力，以加強特定的殺傷鏈功能。其目的是通過提高自動化程度來改善整體戰術任務--不一定要取代人類決策者，但要支持戰術決策--特別是當殺傷鏈決策過程變得高度復雜時。

人工智能

美國國防部（DoD）將人工智能描述為 "機器執行通常需要人類智慧的任務的能力--例如，識別模式、從經驗中學習、得出結論、進行預測或采取行動--無論是以數字方式還是作為自主物理系統背后的小軟件"（艾倫2020）。人工智能是一個包括許多不同方法的領域，目標是創造具有智能的機器（Mitchell 2019）。人工智能領域正在迅速發展，國防部正在積極研究如何將人工智能有效地應用于軍事任務（GAO 2022）。

DARPA的Launchbury（2017）將人工智能的發展描述為三波，如圖5所示。第一次浪潮（約1970年代至1990年代）產生了基于規則的專家系統，可以推理，但沒有學習或歸納的能力。第二波（約2000年至今）產生了先進的統計大數據學習和深度神經網絡，它們可以感知和學習，但推理或概括的能力有限。第三次浪潮，剛剛開始（2020年及以后），將以上下文適應為特征，在推理和概括能力方面取得進展。未來學家預測，第四次浪潮（2030年及以后）將導致人工通用智能，使機器能夠執行人類能夠執行的任何智力任務（Jones 2018）。

圖5. 三次人工智能浪潮

這項研究專注于三次人工智能浪潮中的人工智能方法，這些方法已經在不同的應用領域得到了證明，或者目前正在研究和開發中。該團隊研究了廣泛的人工智能相關主題（在表3中列出并描述），以便為評估提供知識基礎。

表3中描述的主題是方法、學科和支持能力的類別，它們可能直接影響到為殺傷鏈有效部署AI的能力。每種方法的實施方式將決定未來人工智能支持的殺傷鏈的不同方面。人工智能內部工作的可解釋性和人機合作的能力將影響作戰人員與人工智能系統的互動和信任。特征工程、數據管理和實用功能將影響到人工智能系統的內部運作，因此也影響到人工智能系統的輸出和決策建議。博弈論、決策論、模糊邏輯、融合、空間-時間推理、進化和遺傳算法、預測性和規定性分析以及聯邦學習等學科被納入的方式將決定未來人工智能系統的設計和架構。表3中的人工智能相關主題被用于本文下一節解釋的定性評價。

表3. 人工智能相關主題在殺傷鏈研究中的考慮

該團隊選擇了八種具體的人工智能方法（在表4中列出并描述）用于殺傷鏈的映射。這八種人工智能方法是感知、學習、抽象和推理以獲得更好的知識、預測性能、開發和評估決策選項（或戰術行動路線）的不同技術。它們被認為有可能為殺傷鏈過程的不同方面提供價值，同時也代表了一組不同的人工智能方法，以促進對人工智能如何改善殺傷鏈的更全面的評估。

表4. 八種具體的人工智能方法用于殺傷鏈的映射

目前，人工智能方面的許多進展正在進行中。這項研究確定了感興趣的主題和具體方法，顯示出加強戰術殺傷鏈的強大潛力。本文對這些主題和方法進行了總結。關于人工智能主題和方法的更詳細描述載于本研究的頂點報告（Burns等人，2021）。

評估框架

這項研究開發了一個框架，以評估人工智能方法對殺傷鏈特定功能的適用性。該評估包括兩個部分： (1)從殺傷鏈功能的角度進行的定量分析，以及(2)從人工智能主題的角度進行的定性分析。

第一個部分是基于一套決策點問題形式的四個評價標準（列于表5）、一種評分方法（列于表6）以及與四個決策點中的每一個相關的評價過程。該框架的這一部分產生了一個量化的評價，以評分的形式表明特定人工智能方法對支持或實現特定殺傷鏈功能的適用程度。該小組在應用評分標準時進行了主觀判斷。

表5. 評估決策點問題

表6. 評分標準

第一個決定點要求對每個殺傷鏈功能進行評估，以確定需要什么樣的輸出，并對每個人工智能方法進行評估，以確定其產生的輸出類型的特點。表5顯示了每個決策點的輸出類型。定量輸出包含實數值。定性輸出包括分類數據。集群形式的輸出指的是由強烈關聯的質量分組的數據，通常用于在數據集中尋找模式。基于規則的輸出是一系列的if/then因果規則。表7顯示了對28個殺傷鏈功能之一的評分評估的例子，第25條 "確認影響"。對于這個功能，團隊確定可以使用數據集群來協助特征描述過程，還注意到可解釋的輸出是強制性的，而且預測器的數量較少，以便能夠有更高的準確性。顏色方案表明，聚類是最適合的人工智能/ML方法，邏輯回歸和關聯也可能為殺傷鏈功能提供一些支持。

表7. 25號功能（確認影響）的評分示例

第二個決策點需要對殺傷鏈過程進行評估，以確定什么類型的數據可用，什么類型的學習方式適合每個功能。如果一個包含預測因子和響應變量的完全標記的數據集可用于人工智能的訓練和開發，監督學習將是一個合適的方法。如果殺傷鏈過程中的一個步驟在其數據集中包含預測因素，但沒有響應變量，那么無監督學習將是合適的方法。最后，如果一個殺傷鏈過程有部分或無標記的數據集可用，并且還與一套定義明確的一般規則有關，可以為訓練人工智能學習系統提供反饋，那么強化學習將是一個合適的方法。

第三個決策點根據對人工智能方法的內部運作需要多少可解釋性（或透明的洞察力）來評估每個殺傷鏈功能（XAI=可解釋的人工智能）。為了本研究的目的，這三個選項是基于對要求強制性XAI、希望的XAI或不要求XAI的定性評估。

第四個決策點是根據充分代表殺傷鏈過程不同方面所需的預測因子（或特征）的數量來評估特定人工智能方法的功效。表征與每個殺傷鏈功能相關的決策空間的特征可能會根據現實世界的情況而改變。ML模型需要代表這些特征，并使用輸入變量或預測器來實現。ML模型代表現實世界的方式和相關的特征數量將影響適當方法的選擇。本研究根據輸入特征的數量確定了三類預測器： 1-9，10-99，和100+。

評價框架的第二部分是基于對人工智能相關主題和方法的調查，以及對每種方法的好處和局限性或挑戰的定性評估，因為它們可能適用于殺人鏈領域。這部分評價是從人工智能方法及其對殺傷鏈的普遍適用性這一更廣泛的角度進行的。上一節中的表4列出了被評估的人工智能主題和方法。

人工智能到殺傷鏈的映射

這項研究的結果被總結為兩個人工制品：表8中的映射為每個殺傷鏈功能推薦了最合適的人工智能/ML方法，表9中對戰術領域的人工智能相關方法進行了定性評價。

表8. AI/ML方法到殺傷鏈的映射

表9. 對戰術領域的人工智能相關方法進行了定性評價

表8所示的定量圖譜是對28個殺傷鏈功能中的每一個功能進行決策點評估的結果。每個功能的單獨記分卡可以在相關的頂點報告中找到（Burns et al, 2021）。雖然大多數記分卡導致了一個明確的主導AI/ML方法的適用性，但有四個殺傷鏈功能被評估為有一個以上的潛在方法可供選擇。在8種打分的AI/ML方法中，只有4種得分高到可以進入最終映射：聚類、關聯、邏輯回歸和線性回歸。

定性分析的結果是對人工智能相關的方法和主題以及它們與殺雞用牛的相關性的評價。表9包含了定性評價的結果。

結論

總之，這種映射分析從兩個方向進行：（1）從殺傷鏈開始，將人工智能方法映射到各個殺傷鏈的功能；（2）從人工智能方法和相關主題開始，評估它們對殺傷鏈的潛在效用。由該研究小組開發的第一種方法遵循了一種使用四個決策點的量化評分方法。第二種方法是對各種人工智能方法和相關主題進行調查，并對每種方法與未來人工智能殺傷鏈決策輔助工具的潛在關聯性進行定性評估。

定量分析顯示，一小部分人工智能方法將是為殺傷鏈功能提供高級自動化支持的最佳候選方法。這些方法是：聚類、關聯、邏輯回歸和線性回歸。他們被評估的對殺傷鏈的優越效用是基于他們產生的輸出類型，他們使用的機器學習類型，他們對用戶的可解釋能力，以及他們需要的代表性預測器或特征的數量。這種分析性映射方法是 "自下而上 "的，因為它的起點是傳統的殺傷鏈功能集。它假設各個人工智能方法將被分到各個獨立的殺傷鏈功能中。這預設了一個特定的設計方案，并對殺傷鏈決策輔助工具的未來架構做出了限制。

第二個映射分析是定性的和高層次的，它想象了各種人工智能方法和相關主題的未來潛力，以實現和/或支持未來的人工智能輔助殺傷鏈的決策。這種分析方法是 "自上而下 "的，因為它從一種人工智能方法或感興趣的領域開始，并從整體上評估其與殺傷鏈的一般相關性，而不強加一個特定的設計或被分配到一個特定的功能。這項分析確定了13個與人工智能有關的主題，這些主題可能為未來的殺傷鏈提供效用。人工智能正在成為許多軍事應用中的一項技術。海軍將從人工智能在許多行動中的應用中獲益，包括殺傷鏈。對人工智能增強和/或人工智能啟用的殺傷鏈進行有效和適當的設計和工程，對于實現對同行競爭對手的戰術優勢以及確保其用于支持武器系統的安全性和可靠性至關重要。該項目提供了一個分析基礎，作為繼續研究人工智能在殺傷鏈中的應用的起點。該分析將具體的人工智能方法與殺傷鏈的28個功能相聯系，并確定了人工智能方法和相關主題，這些方法和主題顯示了加強和促成未來海軍殺傷鏈的潛力。這項研究建議繼續研究人工智能和ML在戰術殺傷鏈中的應用。

美國仍然是世界上最突出的軍事和技術力量。在過去十年中，美國認識到人工智能作為力量倍增器的潛力，越來越多地將人工智能（AI）的熟練程度視為美國重要利益和保證美國軍事和經濟實力的機制。特別是，在過去十年中，人工智能已成為美國國防的一項關鍵能力，特別是考慮到2022年美國國防戰略對印度-太平洋地區的關注。

因此，美國國防部（DoD）（以及美國政府和國防機構總體上）對人工智能和相關新興技術表現出越來越大的熱情。然而，雖然美國目前在學術界和私營部門的人工智能研究和開發方面取得了巨大進展，但國防部尚未在廣泛范圍內成功地將商業人工智能的發展轉化為真正的軍事能力。

美國政府在利用國防人工智能和人工智能支持的系統方面通常處于有利地位。然而，在過去的幾年里，各種官僚主義、組織和程序上的障礙減緩了國防部在國防人工智能采用和基于技術的創新方面的進展。最關鍵的是，國防部遭受了復雜的收購過程和廣泛的數據、STEM和AI人才和培訓的短缺。從事人工智能和人工智能相關技術和項目的組織往往是孤立的，而且還存在必要的數據和其他資源相互分離。在美國防部內部存在一種傾向于可靠方法和系統的文化，有時趨向于勒德主義。所有這些因素都導致了人工智能采用的速度出奇的緩慢。美國家安全委員會2021年提交給國會的最終報告總結說，"盡管有令人興奮的實驗和一些小型的人工智能項目，但美國政府離人工智能就緒還有很長的路要走"。

因此，盡管人工智能有可能增強美國的國家安全并成為一個優勢領域，而且鑒于美國在軍事、創新和技術領導方面的長期傳統，人工智能有可能成為一個薄弱點，擴大 "美國已經進入的脆弱窗口"。 如果美國不加快創新步伐，達到負責任的速度，并奠定必要的制度基礎，以支持一支精通人工智能的軍隊，人工智能將繼續成為一個不安全點。

去年，美國防部在這些挑戰中的一些方面取得了進展，調整了國防人工智能的方法。2022年6月，美國防部發布了《負責任人工智能戰略和實施途徑》，將更有數據依據的、負責任的、可操作的人工智能工作列為優先事項，此后開始執行。最重要的是，美國防部已經啟動了對其人工智能組織結構的重大改革，創建了一個新的首席數字和人工智能辦公室（CDAO），以整合其不同的人工智能項目和利益相關者，并使其與該部門的數據流更好地協調。值得注意的是，美國國防部目前正在對其國防人工智能的整體方法進行重大變革和振興。然而，這些新的人工智能努力是否足以讓美國彌補失去的時間，還有待觀察。

自主系統將塑造戰爭的未來。因此，土耳其的國防人工智能（AI）發展主要側重于提高自主系統、傳感器和決策支持系統的能力。提高自主系統的情報收集和作戰能力，以及實現蜂群作戰，是發展國防人工智能的優先事項。雖然土耳其加強了自主系統的能力，但在可預見的未來，人類仍將是決策的關鍵。

人類參與決策過程提出了一個重要問題：如何有效確保人機互動？目前，自主系統的快速發展和部署使人機互動的問題更加惡化。正如土耳其國防工業代表所爭論的那樣，讓機器相互交談比較容易，但將人類加入其中卻非常困難，因為現有的結構并不適合有效的人機互動。此外，人們認為，人工智能對決策系統的增強將有助于人類做出更快的決定，并緩解人機互動。

土耳其發展人工智能的意圖和計劃可以從官方戰略文件以及研發焦點小組報告中找到。突出的文件包括以下內容：

• 第11個發展計劃，其中規定了土耳其的經濟發展目標和關鍵技術投資。

• 《2021-2025年國家人工智能戰略》，它為土耳其的人工智能發展制定了框架。

• 焦點技術網絡（Odak Teknoloji A??，OTA?）報告，為特定的國防技術制定了技術路線圖。這些文件提供了關于土耳其如何對待人工智能、國防人工智能和相關技術的見解。

土耳其特別關注人工智能相關技術，如機器學習、計算機視覺和自然語言處理，其應用重點是自主車輛和機器人技術。自2011年以來，自主系統，主要是無人駕駛飛行器（UAV），仍然是土耳其人工智能發展的重點。此后，這已擴大到包括所有類型的無機組人員的車輛。同時，用人工智能來增強這些車輛的能力也越來越受到重視。人工智能和相關技術的交織發展構成了土耳其人工智能生態系統的核心。

土耳其的人工智能生態系統剛剛起步，但正在成長。截至2022年10月，有254家人工智能初創企業被列入土耳其人工智能倡議（TRAI）數據庫。土耳其旨在通過各種生態系統倡議在其國防和民用產業、學術機構和政府之間創造協同效應。由于許多組織都參與其中，這些倡議導致了重復和冗余。冗余也來自于人工智能技術本身的性質。由于人工智能是一種通用技術，可以應用于不同的環境，各種公司都有用于民用和國防部門的產品；因此相同的公司參與了不同的生態系統倡議。此外，民用公司與國防公司合作，在國防人工智能研究中合作，并提供產品，這是司空見慣的。

土耳其鼓勵國際人工智能在民用領域的合作，但不鼓勵在國防領域的合作。然而，由于技能是可轉移的，國防人工智能間接地從這種合作中受益。

土耳其非常關注自主系統發展中的互操作性問題，特別是那些具有群集能力的系統。除了蜂群，北約盟國的互操作性也是一個重要問題。因此，土耳其認為北約標準在發展自主系統和基礎技術方面至關重要。

土耳其目前對人工智能采取了分布式的組織方式。每個政府機構都設立了自己的人工智能組織，職責重疊。目前，盡管國防工業局（Savunma Sanayi Ba?kanl???，SSB）還沒有建立專門的人工智能組織，但SSB的研發部管理一些人工智能項目，而SSB的無人駕駛和智能系統部管理平臺級項目。目前，根據現有信息，還不清楚這些組織結構如何實現國防創新或組織改革。

土耳其尋求增加其在人工智能方面的研發支出，旨在增加就業和發展生態系統。SSB將在未來授予更多基于人工智能的項目，并愿意購買更多的自主系統，鼓勵研發支出的上升趨勢。然而，盡管土耳其希望增加支出，但金融危機可能會阻礙目前的努力。

培訓和管理一支熟練的勞動力對于建立土耳其正在尋找的本土人工智能開發能力至關重要。這包括兩個部分。首先是培養能夠開發和生產國防人工智能的人力資源。因此，土耳其正在投資于新的大學課程、研究人員培訓、開源平臺和就業，同時支持技術競賽。第二是培訓將使用國防人工智能的軍事人員。國防人工智能也正在慢慢成為土耳其武裝部隊（Türk Silahl? Kuvvetleri，TSK）培訓活動的一部分。目前，關于土耳其打算如何培訓軍事人員使用國防人工智能的公開信息非常少。

引言

隨著空間領域對美國和海軍陸戰隊部隊變得越來越重要，該部隊已經做出了一些改變，但仍有很大的問題，以確保它為未來的作戰環境和在空間領域可能的新角色和責任做好準備。為此，其研究了以下問題：海軍陸戰隊的空間資產是什么？海軍陸戰隊有哪些組織和職位來解決其平等問題并制定其空間領域的戰略？在目前的空間發展階段，海軍陸戰隊有哪些更大的問題（挑戰和機遇）？我們在本信息備忘錄中對這些問題進行了簡要討論。

方法和限制

通過文獻回顧、與主題專家的討論以及對海軍陸戰隊與太空有關的職位的審查，審查了 "太空陸戰隊 "的發展。文獻包括國防部出版物、美國海軍陸戰隊的概念、海軍陸戰隊的指令、先前的CNA研究、陸軍出版物、新聞文章、美國空軍和美國太空司令部的文件。主題專家包括海軍陸戰隊總部（HQMC）三個副司令部--信息（DC I）；計劃、政策和行動（DC PP&O）以及戰斗發展和整合（DC CD&I）--以及海軍陸戰隊部隊，美國太空司令部（MARFORSPACE），USSPACECOM的海軍陸戰隊服務部分的現任和近期的太空陸戰隊員。在本研究中，將太空陸戰隊員定義為任何在指定的太空職業技能持有者的崗位上的陸戰隊員，不管是在艦隊陸戰隊（FMF），在支持機構，還是在MARFORSPACE。空間職業技能的名稱包括1706，1786（目前是0540）和8866。只考慮軍官，因為在美國海軍陸戰隊中沒有士兵的空間MOS。

最后，有幾個注意事項，最大的是空間領域、USSF和USSPACECOM正在經歷許多變化，其他部門和中央指揮部正試圖為空間這個移動的目標進行組織。還注意到，當局和政策仍在審查和發展之中，指揮和控制結構仍在變化之中。

空中力量已經從一個世紀的技術創新和進步中受益。新技術的出現繼續挑戰著空中力量中經常持有的常識。無人機系統（UAS）就是這樣一種不斷發展的空中力量技術。這項技術為澳大利亞國防軍（ADF）帶來了巨大的機遇。雖然澳大利亞國防軍在特定的角色上取得了一些無人機系統的進展，但澳大利亞皇家空軍（RAAF）還沒有在其所有的空中力量貢獻中采用這種技術來達到軍事效果。

《空中力量手冊》（空天力量中心[ASPC]，2022年）定義了七種空中力量的貢獻：力量生成、空軍基地行動、空中指揮和控制、反空、空中機動、空中情報和ISR（情報、監視和偵察）以及空中打擊。一些先進的盟國已經在空中情報、ISR和空中打擊方面采用了發達的無人系統。這些系統包括美國空軍（USAF）的MQ-1捕食者、MQ-9死神和RQ-4全球鷹。甚至反空--載人空戰--也在發展無人系統的路上；RAAF與波音公司合作開展了 "忠誠的翼人 "項目（戴維斯，2019c），現在正式命名為MQ-28A幽靈蝙蝠（達頓，2022）。

但空中機動性如何？ADF還沒有接受關于未來ADF空中機動性自主性的真正對話。未來自主空中機動性思維停滯不前的一個更可能的原因是，在（到目前為止）有效的空運理論的支持下，載人系統幾十年來取得了高度可靠和經證實的作戰成功。因此，這里有一個克勞塞維茨式的平行關系：戰爭性質的一個持久因素是對機動性的需要，但今天皇家空軍所面臨的是戰爭性質的一個階梯式變化，一個對機動性來說過于重要的技術機會，不容忽視。

本文確定了在澳大利亞國防軍空中機動中采用無人機系統的滯后性，并探討了澳大利亞國防軍在未來使用無人機系統的機會。通過這樣做，本文旨在提高對ADF無人駕駛空中機動性潛力的集體認識，并為ADF部隊結構企業的軍事和商業貢獻者提供一個廣泛的參考來源。本文首先研究了無人機系統適應的驅動因素，或指標。這些驅動因素包括澳大利亞的戰略利益、區域軍事現代化、安全和生存能力、降低成本和技術可用性。然后，本文介紹并分析了三種核心空中機動性活動中每一種的無人機系統發展的具體機會和例子。為此，本文簡要討論了澳大利亞國防軍目前的機隊，然后探討了一些不斷發展的無人駕駛空中機動性技術和概念，澳大利亞國防軍可能會考慮在下一代空中機動性機隊中使用。最后，本文提出了無人機系統空中機動性發展可能面臨的一些挑戰，以幫助未來的研究和探索。

證據表明，需要一個靈活的、跨服務（和跨文化）、跨行業的方法來設計、開發和使用未來的空中機動部隊。傳統的澳大利亞皇家空軍中重載平臺和陸軍輕中載平臺的分叉模式可能會讓位于大型和小型載人和自主系統的混合艦隊。聯合部隊設計者之間的集體方法--跨單一軍種總部的真正合作--對于皇家空軍的固定翼空中機動團體和陸軍的旋轉翼團體之間的合作至關重要。也許更重要的是，在這個領域需要與工業界合作。商業行業在自主車輛領域發揮著相當大的作用，政府和私人研究和開發組織也是如此。現有的和新的伙伴關系的跨服役杠桿對于利用未來自主的ADF空中機動性的機會是至關重要的。