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

大型語言模型（LLM）被譽為人工智能領域的重大突破。LLMs 處理和生成文本的能力通常與人類認知水平相當，因此對于包括國防在內的所有領域都具有巨大的應用潛力。與此同時，這項新技術在穩健性和可靠性方面也存在許多未決問題，任何希望利用 LLMs 的組織都面臨著巨大的技術挑戰。本報告旨在展示如何訓練 LLM，使其適應國防領域，并評估此類項目是否值得投入。為此，本文創建了一個基于國防領域瑞典語和英語文本的數據集，并用來訓練（微調）兩個最先進的LLM。然后對模型進行定性和定量評估。結果表明， 訓練后的LLM在與國防有關的文本任務中表現出更高的性能。本文詳細描述了訓練過程，可以為有興趣開展類似項目的讀者提供指導。訓練中的障礙主要與資源限制有關，如硬件、數據和時間，這些限制難以克服，但至少人們對它們有了相對充分的了解。對 LLM 的評估卻并非如此：模型具有令人驚訝的能力，但也可能以令人驚訝的方式失敗。報告對 LLM 的不同方面進行測試來評估其能力和失敗原因，但只能觸及表面。總之，大型語言模型已經發展到一個階段，國防利益相關者可以，也應該開始調整和測試該技術。本報告提供了對陷阱、解決方案和經驗教訓的見解，對此有所幫助。與此同時，建議對大型語言模型采取冷靜的態度，因為對此類模型的評估仍應被視為一個未決問題。

關鍵詞：人工智能、大型語言模型、微調、參數高效微調、低階自適應（LoRA）

人工智能（AI）是計算機科學的一個分支，其研究對象是開發能夠解決通常需要人類認知的問題的機器。其中一個挑戰就是處理人類語言，即讓計算機能夠理解文本輸入并做出有說服力的回應。對人類來說，這個簡單得令人難以置信的問題可能顯得微不足道，而且人們最初認為其很容易通過算法解決。20 世紀 50 年代，隨著科學家們開始認識到這項任務的復雜性，早期的機器翻譯嘗試很快就碰壁了。傳統上，計算語言學（CL）試圖通過研究支配人類語言的規則，并以適合計算機的方式將其形式化來解決這一問題。另一方面，自然語言處理（NLP）則采取了更加務實的方法，通常是統計方法，其重點是開發能夠實際執行某些語言任務的系統，即使范圍有限。實際上，幾十年來，這兩個領域之間的區別已經變得相當模糊，但在很長一段時間里，共同的目標仍然難以實現。

然而，近年來，深度學習（DL）的興起加速了人工智能領域許多挑戰難題的突破性進展，包括語言。硬件的增強和數字數據集的不斷擴大，使得在數百萬文本上訓練擁有數十億參數的深度神經網絡成為可能。深度神經網絡可以學習詞語在上下文中出現的概率，從而建立大型自然語言統計模型。大型語言模型（LLM）就能夠處理文本輸入，并生成新的文本，而這些文本似乎可以與人類的理解和書寫相媲美。OpenAI 的 ChatGPT 等功能強大的 LLM 引起了媒體和公眾的廣泛關注，既有贊譽也有擔憂，認為這是人工智能的重大突破，但其后果尚不清楚。然而，在撰寫本文時，LLMs 的應用仍處于探索階段，迄今為止主要以聊天機器人或辦公軟件中的文本助手的形式出現。此外，軍事應用的潛力仍然難以估計。LLM 可以服務于國防和情報的所有領域，例如，作為用戶界面的一部分、信息融合器、文檔輔助工具，以及通過建議和解釋行動方案的系統進行決策。

LLM 可以產生令人印象深刻的結果，但也可能以令人驚訝的方式失敗。人們對 LLM 的能力、局限性和可靠性還不甚了解，而且隨著開發的進展，LLM 也會迅速發生變化。采用 LLM 的另一個障礙是訓練和運行 LLM 所需的成本。最強大的 LLM 是在大型超級計算機上創建的，這對許多國家行為者來說也是遙不可及的。其中一些 LLM 只能以在線服務的形式訪問，在外國領土上的商業服務器上運行，因此當安全問題至關重要時，使用這些 LLM 是值得懷疑的。還有一些可以在本地獲得和運行，也有可能對其進行進一步訓練，使其適應特定任務（微調），但最初的創建仍依賴于少數擁有充足資源的組織。這也意味著，初始訓練語料庫的文本選擇超出了大多數 LLM 用戶的控制范圍，影響了文本在主題和質量方面的平衡，限制了所支持的語言，而且如果 LLM 原始創建者沒有確保其對所有訓練文本的使用都在知識產權范圍內，則有可能產生法律后果。

目前，有關 LLM 的情況既樂觀又不確定。一方面，LLM 可能即將徹底改變無數人類認知被認為是必要條件的過程，無論是在民用領域還是軍事領域。另一方面，LLM的可靠性尚不明確，各組織有可能被突破性技術的熱情所沖昏頭腦，將 LLM強加到它們（尚）不適合的應用中。 本報告介紹了如何謹慎地將 LLM 用于與國防相關的目的。詳細介紹了幾種現代 LLM 的訓練過程。然后對 LLM 的魯棒性和輸出質量進行了評估。國防領域涵蓋了廣泛而多樣的主題，而 LLM 在某一主題上的性能取決于是否準備了大量具有高質量和相關性文本的訓練語料庫。因此，由于資源有限，本報告縮小了訓練領域的范圍，將重點放在旨在為安全政策分析人員提供支持的 LLM 示例上。

1.1 目標和范圍

本報告的重點是旨在為安全政策國防領域內的分析人員提供支持性LLM。LLM需要對文本進行總結，回答與安全政策相關的問題，并根據給定的關鍵短語列表編寫文本。類似的任務在其他領域也同樣適用，因此，僅限于安全政策領域并不意味著按照類似思路訓練的 LLM 可用于其他領域。此外，訓練和實施的基本原則也適用于其他主題和更廣泛的范圍。

本報告的目的是探討在國防背景下部署和運行 LLM 所面臨的技術挑戰，以訓練 LLM 為安全政策分析員提供支持為例進行說明，并評估有效性。具體方法如下：

1.針對國防領域的應用訓練（微調）LLM，包括準備訓練數據、選擇基礎模型、設置訓練環境和訓練過程；

2.評估經過訓練的 LLM 的性能，包括根據不同指標得出的輸出文本的質量、模型對提示變化和其他因素的敏感性，以及微調成本是否被基礎模型的顯著改進所抵消。

本報告的重點是 LLM 技術的核心問題，即模型本身、模型的訓練和模型的能力。因此，本報告將不對特定應用的實現進行研究，例如如何在 RAG 系統（檢索增強生成）中利用 LLM，即從數據庫中檢索外部知識并將其插入提示中，從而使 LLM 能夠解決需要當前信息的查詢問題。雖然這種方法和其他方法是使用 LLM有前途的方法，但它們確實增加了自己的研究問題。此外，任何使用 LLM的方法都得益于對模型的良好訓練和理解，因此超出這些核心基本問題的研究將不在本報告的討論范圍之內。

另一個僅涉及的問題是提示工程。LLM 對提問的措辭很敏感，如果重新表述提問，有時會提供更有用的響應。甚至有人觀察到，通過添加鼓勵性詞語（例如“你是一個聰明的模型，請認真思考下面的問題......”）可以提高性能。這推動了直觀優化提示的大量嘗試。

然而，添加任何直觀提示都會減少適合 LLM 有限輸入窗口的實際提問詞的數量。此外，提示工程的好處并不一致，這些方法有時實際上會降低性能。轉述和修改的組合空間實際上是無限的，而且越來越多的證據表明，最佳提示可能根本不直觀，因此不可能由人類提示工程師來制定。鑒于提示工程目前的不確定狀態，在撰寫本文時還無法提出任何可靠的建議，因此該主題主要歸于未來的工作。

1.2 目標讀者

本報告面向國防部門中希望在軍事或情報應用中調整和部署大型語言模型的人員。這既包括評估大型語言模型是否適合預期應用的決策者，也包括訓練和實施基于大型語言模型的解決方案的技術團隊。

1.3 閱讀說明

一般來說，本報告的寫作水平應該是任何對人工智能和大型語言模型感興趣的讀者都能讀懂的。報告偶爾會深入探討一些細節，但喜歡跳讀的讀者應該不難理解報告的整體內容。如果讀者希望進一步了解使用深度神經網絡進行自然語言處理的理論背景，建議閱讀《使用深度神經網絡進行自然語言處理》（Natural Language Processing Using Deep Neural Networks）報告中的第 3 章。

1.4 提綱

第 2 章介紹了本報告的理論背景。介紹了大型語言模型這一技術最重要的概念和原理。此外，讀者還將了解本報告將使用的具體訓練優化方法，包括其背景。最后，本節介紹了如何評估處理和生成自然語言的系統這一長期挑戰。評估必須被視為一個開放性的研究問題，相關問題在大型語言模型時代仍然具有現實意義，并影響著本報告中的評估嘗試。

第 3 章介紹了第一個目標：創建國防領域大型語言模型。該章分步描述了選擇合適的基礎大型語言模型、準備合適的訓練數據和訓練模型的過程。因此，本章也可為希望開展類似項目的讀者提供指導。 第 4 章是第二個目標：使用各種定量和定性方法和指標對訓練好的大型語言模型進行評估。前面提到的這一領域的挑戰意味著本節只是對解決這一問題的廣泛嘗試的一個介紹，詳盡的大規模評估將留待今后的工作中進行。

第 5 章討論了評估結果，以及在國防背景下使用大型語言模型的更廣泛影響，包括見解和經驗教訓。 最后，第 6 章總結了評估結果，并對今后可能開展的工作進行了簡要展望。

2020 年納戈爾諾-卡拉巴赫戰爭表明，無人機的作用正變得越來越關鍵，并將成為未來行動的關鍵決定因素之一。對自主平臺（包括地面和空中機器人與自主系統 [RAS]）的數量和類型進行推斷，并考慮到近似對手的情況，促成了分布式協同智能系統與技術（DCIST）合作研究聯盟（CRA）的成立。這項創新計劃匯集了領先的 RAS 學術界和美國陸軍作戰能力發展司令部陸軍研究實驗室的研究人員，目的是大幅提高我們擴展 RAS 技術的能力，防止對手獲得優勢，并對抗和化解不利力量。DCIST CRA 螺旋式提升技術，展示實驗證明供他人借鑒，并培訓下一代陸軍研究人員，使 RAS 真正融入未來陸軍。本技術報告總結了截至 2020 年 9 月的技術挑戰和研究進展。

通過基礎研究，DCIST 正在探索關鍵的基礎技術和方法，以便在陸軍所有相關環境中開展 RAS 行動；提供更好的態勢感知；提高作戰人員的能力和抗干擾能力；擴大覆蓋范圍并為對手制造困境；提供兵力倍增；實現更快的決策；以及以尚待想象的方式擴展機動性。該計劃分為以下三個基于能力的研究重點和一組跨學科實驗：

分布式智能：該研究重點是多智能體的感知、通信和規劃。這些系統必須高效地共同規劃和工作，協同學習，并適應無線網絡。具體研究目標如下

• 為分布式智能系統開發能夠實現自適應感知-行動-通信循環的知識表征。
• 建立可實現分布式推理和決策的分層抽象表征理論。
• 在可擴展的團隊中實現模塊化、可組合和數據高效的高效學習。

異構群體控制：這項研究的重點是控制具有不同異質性和自治程度的大型自治團隊。要想在這一領域取得進展，就必須從根本上理解和發展必要的形式主義，以便將各種機器人納入作戰和戰術團隊。這項工作以能力為導向，以實現對抗性行動的分級和分布式控制、異構多單元團隊的可擴展任務分配、復雜環境中的戰術交戰以及士兵互動。研究目標包括以下內容：

• 可擴展團隊的控制和通信
• 異質團隊的戰術行為
• 與士兵的多智能體協調

自適應和彈性行為：這項研究的重點是異構團隊的穩健性和適應性，以便在面對動態智能對手和不斷變化的環境條件時，能夠抵御故障、損失和通信能力下降。一些具體的研究領域包括彈性態勢感知、用于分布式協作系統的無線通信網絡、利用異質性實現彈性、面對對手時的多代理行為，以及對大型干擾的快速適應。本重點領域的研究涉及兩個關鍵問題：

• 如何構建算法和部署可擴展的系統，使其在競爭激烈的情況下仍能保持有效性？

• 大型分布式智能系統如何在不犧牲穩定性或性能的情況下，對對手造成的快速變化做出反應？

跨學科研究實驗（CDE）： 跨學科研究實驗（CDEs）旨在將多位主要研究人員聚集在一個實驗環境中，探索和發現各研究領域之間的相互依存關系，并通過實驗展示新的能力。CDE 包括多機器人物理實驗和三維仿真環境。這兩個 CDE 圍繞以下方面展開

• 異構多智能體態勢感知
• 有爭議環境中的動態團隊行動

DCIST 團隊正在探索和開發人工智能（AI）/機器學習（ML）、自主性和機器人學方面的新型算法。這些算法利用來自多個異構機器人（地面和空中）的多感官輸入來感知環境，并幫助在有爭議的環境中進行系統和子系統級的自主團隊操作。算法工作的一個關鍵方面是利用人工智能的進步，實現強大的協作自主機器人操作和行為。例如，學習多機器人規劃的通信、學習多智能體系統中的最佳資源分配、建立豐富世界感知的語義場景理解和推理、學習足夠輕量級的環境稀疏表示法以進行長距離路徑規劃和導航、學習機器人團隊的分散感知行動通信回路，以及整合學習和規劃以在復雜和敵對環境中實現彈性自主行為。

DCIST CRA 還涉及技術使能因素，如強大而有彈性的無線網絡和數據架構。這可確保始終考慮和顧及與陸軍相關的通信制約因素，包括被拒絕、斷斷續續或有限的通信。DCIST 正在探索和開發新型穩健/彈性算法，以優化異構團隊成員的通信，利用移動機器人技術在分布式行動中適應和維護通信，解決間歇性通信環境中的信息共享問題，并學習與誰通信和通信什么，以適應和優化資源和行為。這項研究對于 DCIST 計劃的跨學科實驗至關重要，在這些實驗中，多個異構智能體必須依靠網絡來可靠地交換數據。同樣，DCIST 計劃的重點是將 RAS 感知、規劃和戰術行為擴展到與陸軍相關的作戰環境中的可擴展異構團隊，同時應對現實的基礎設施限制（如無 GPS、地圖陳舊、通信受限/降級）以及任務、環境和對抗的復雜性。

在 DCIST 的頭三年中，按主要領域分列的部分重大成就如下：

分布式智能

• 多模式和分層知識表示框架，包括度量和語義信息。一個具體的例子是 “Kimera-Multi”，這是一個分布式多機器人繪圖系統，可在有限的通信條件下實時建立環境的度量-語義模型。

• 學習方法，這種方法可以推廣到多種任務和目標，并能在團隊的背景和約束條件下學習技能和能力，以解決異構多智能體協調問題。

• 基于視覺的機器人導航框架，該框架可輕松推廣到現實世界的各種環境中，可在全球定位系統缺失的環境中運行，并可通過期望位置、目標地標圖像和潛在（學習的）目標表示，由人類或上游規劃算法實現簡單易用的目標指定。

• 尊重通信約束的分布式問題數學和算法框架，在此框架下，自主智能體有望共同解決推理、學習和控制問題。

• 規劃模型應具有層次性和可組合性，并能代表先驗知識和后天知識，以應對復雜性并提高規劃效率。

• 推進圖神經網絡的發展，將其作為設計可用于大規模協作系統的智能體控制器的基本使能技術。

異構群體控制

• 針對大型環境中智能體的戰略部署的理論和算法，這些環境具有動態變化的情景，涉及對抗性智能體模型和不完善/延遲通信，當面對快速移動的群對群交戰、不完善的信息交換和非理性參與者的現實時。

• 以計算可行、分布式和自適應的方式產生足夠或 “足夠好 ”的解決方案的方法，以快速適應和重新分配任務，確保任務成功（即不等待 “最佳 ”解決方案，因為對于給定任務和環境而言，這些解決方案可能無法實現）。

• 分析和制定團隊合作策略的方法和工具，以應對對抗性智能體的存在。

• 改進人類如何感知和交流隨時間變化的信息的建模技術，以及人類能力建模框架，目的是在復雜環境下的團隊運作中改進人與機器人的協調。

自適應和彈性行為

• 主動感知技術不僅能優化計算效率和信息增益，還能動態調整感知和運動，在傳感器故障、通信受阻、探測風險和/或智能體受損的情況下實現彈性態勢感知。

• 為異構智能體團隊提供動態調整方法，以實現大規模彈性通信和移動，從而確保任務進展，并在面臨故障、中斷和損失時保持團隊的核心能力。

• 多智能體強化學習算法，可使智能體在動態環境中或面對可能依靠欺騙或其他智能策略執行任務的對手時具有復原力。

• 跟蹤和接觸敵方團隊的工具，同時管理戰略、執行和環境中的不確定性，適用于多機器人監視和周邊安全場景。

• 自適應 ML 算法，通過在線學習和元學習算法，使機器人團隊能夠即時適應環境條件、任務參數和機器人狀態中不可預見的巨大快速變化。

有關這些及其他進展的詳細信息，請參閱第 3 節 “方法與結果”： 截至目前的進展和未來計劃"，附錄中還包含了截至 20 財年的完整參考書目。

圖 4 學習機器人導航： ViNG 通過學習到的拓撲圖（由之前看到的以自我為中心的圖像組成）進行構建和規劃，并使用學習到的控制器來執行通往視覺指示目標的路徑。與之前的研究不同，我們的方法純粹利用離線經驗，不需要模擬器或在線數據收集。需要注意的是，算法所構建的圖并非幾何圖形，節點也與世界中的坐標無關，而僅與圖像觀測結果相關聯--自上而下的衛星圖像僅用于可視化，并不適用于此方法。

人工智能（AI）有可能為研究人員提供加速科學發現和技術進步的工具，從而徹底改變應對人類最緊迫挑戰的能力。生成式人工智能可以在龐大的數據集和大量計算的基礎上創建內容，其變革性尤為明顯。生成式人工智能的例子包括大型語言模型、圖像生成模型和生成式科學模型。拜登總統在 2023 年 10 月 30 日發布的《關于安全、可靠地開發和使用人工智能的綜合行政命令》中，責成 PCAST 報告 "人工智能......在旨在應對重大社會和全球挑戰的研究中的潛在作用"。

通過精心設計、公平共享和負責任地使用基礎設施，人工智能將使科學家能夠應對緊迫的挑戰，包括改善人類健康和加強氣候變化時期的天氣預測。人工智能可以幫助探索長期存在的科學奧秘，激發和拓展人類的創造力，例如揭開宇宙的起源和進化。人工智能還將幫助研究人員滿足國家的持續需求，從加速半導體芯片設計到發現新材料以滿足能源需求。此外，人工智能正開始消除使科學研究變得緩慢和昂貴的障礙，例如，它提供了快速確定最佳候選藥物的方法（從而減少了昂貴的實驗室試驗數量），幫助優化實驗設計，并比人工或使用傳統數據科學方法更有效地發現數據中的聯系。如果基礎人工智能資源、經過驗證的數據以及科學工具和培訓能夠被廣泛獲取，人工智能技術就有可能實現科學知識的大眾化，將相互關聯的技術概念帶給更多的人，使不同的研究人員能夠將他們的專業知識和觀點用于應對社會和全球挑戰。

與任何其他新工具或技術一樣，要實現人工智能的潛力，就必須解決其局限性。這些問題包括：誤導性或不正確的結果、偏見或不公平的長期存在以及模型訓練數據中蘊含的模式所產生的抽樣誤差、獲取高質量訓練數據的途徑有限、保護知識產權和隱私所面臨的挑戰、訓練或部署模型或運行人工智能算法所需的大量精力，以及壞人或邪惡行為者出于惡意目的使用現成人工智能工具的風險。許多解決這些問題的公共和私營部門活動已經在進行中，包括政府根據 2023 年 10 月的人工智能行政命令所做的努力。可重復性和驗證是科學誠信和科學方法的關鍵原則，在發展負責任地使用人工智能和對人工智能應用進行專業人工監管的文化時，必須繼續高度重視。

人工智能有可能改變每一個科學學科以及進行科學研究的方式的許多方面。科學家們已經在利用人工智能創造目前還不知道如何設計的新型功能材料，其中包括超導體和熱電材料，它們不僅能提高能源效率，還能減少碳足跡。同樣，人工智能模型正在幫助研究人員為制造工藝和產品進行新的設計，并開發新的藥物療法，從而在未來實現對特定癌癥和病毒的個體化治療。人工智能模型還在幫助工程師設計半導體芯片，以更少的人力和時間做出更好的設計。在醫療保健領域，人工智能技術正在創造新的方法來分析廣泛的醫療數據，用于疾病的早期診斷，以便及時干預和發現醫療失誤。PCAST 還預測，人工智能將廣泛提供針對特定個人和疾病過程的超個性化醫療服務，其中包括詳細的病史、遺傳信息和信號，如健康和不健康細胞的行為方式。

人工智能還通過改進科學模型來改變科學。在氣候科學領域，人工智能模型正開始加強天氣預測，并推進水資源管理、溫室氣體監測和災難影響預測的全地球模型。科學家們已經利用人工智能成功預測了蛋白質的結構；新的基礎模型將揭開細胞生物學的更多秘密，并為細胞內相互作用的計算機模擬提供動力，這些模擬可用于探索新療法。人工智能模型有望幫助了解宇宙的起源，能夠通過快速模擬測試眾多宇宙學假設。這種人工智能建模甚至可以幫助科學家發現新的物理定律。

人工智能將使社會科學取得前所未有的進步，用新的定量技術補充定性方法，分析現有數據，開發和分析更新類型的數據，如智能手機上的步數、經許可從搜索和瀏覽中提取的匿名數據或社交媒體上發布的圖像。人工智能可以為使用龐大數據集的研究提供更多動力，例如聯邦統計機構長期以來收集和整理的數據集--最好輔以私營部門掌握的數據集--作為設計有效聯邦政策的輸入。將人工智能應用于這些歷史悠久的和較新的社會科學數據集，可以促進更有效、反應更迅速、更公平的數據驅動型決策和服務的提供。

以上幾個人工智能輔助研究的例子說明，通過負責任地使用人工智能技術，人類科學家將有能力實現變革性的發現。此外，PCAST 還希望，負責任地共享基礎人工智能資源將有助于科學大眾化，并應對重大的社會和全球挑戰。

在全球范圍內，將人工智能用于科學和技術研究的速度正在迅速加快，因此需要致力于在這一強大的新工具的應用方面發揮美國的領導作用。在拜登政府所做工作的基礎上，美國必須大膽而深思熟慮地采取行動，以保持在研究、人工智能的創新應用以及為安全和負責任地使用人工智能建立框架和規范方面的領先地位。在本報告中，PCAST 提出了五項具體的研究成果和行動建議，這將有助于美國充分利用人工智能的潛力。

建議概要

• 建議 1：擴大現有工作，廣泛共享基礎人工智能資源。

廣泛支持可廣泛訪問的共享模型、數據集、基準和計算資源，對于確保學術研究人員、國家和聯邦實驗室、小型公司和非營利組織利用人工智能為國家創造效益至關重要。在美國，這方面最有希望的努力是國家人工智能研究資源（NAIRR），該資源目前是一個試點項目。PCAST 建議盡快將 NAIRR 試點項目擴大到 NAIRR 特別工作組所設想的規模，并為其提供充足資金。全面的 NAIRR，連同聯邦和州一級的行業伙伴關系和其他人工智能基礎設施努力，可作為國家或國際一級人工智能基礎設施項目的墊腳石，以促進高影響力的研究。

• 建議 2：擴大對聯邦數據集的安全訪問，以滿足經批準的關鍵研究需求，并提供適當的保護和保障措施。

允許經批準的研究人員有限、安全地訪問聯邦數據集，并允許向諸如 NAIRR 這樣的資源中心發布經過仔細匿名處理的此類數據集，這樣做的好處是巨大的。PCAST 極力鼓勵擴大現有的安全數據訪問試點計劃，并制定聯邦數據庫管理指南，將現有的尖端隱私保護技術納入其中。利用現代人工智能技術實現此類數據集整理工作自動化的潛力巨大。PCAST 鼓勵將使用人工智能改進數據整理作為聯邦數據共享計劃（如 data.gov）的長期目標。

PCAST 支持聯邦機構要求對其資助或開展的研究中產生的數據集進行負責任的共享。鼓勵進一步執行此類任務，包括共享在聯邦資助的研究數據基礎上訓練的人工智能模型，同時提供充足的資源來支持所需的行動。

• 建議 3：支持人工智能領域的基礎研究和應用研究，這些研究涉及學術界、產業界、國家和聯邦實驗室以及聯邦機構之間的合作，正如 NAIRR 工作組為 NAIRR 制定的愿景所概述的。

聯邦政府資助的學術研究與私營部門研究之間的界限并不清晰。許多研究人員游走于學術機構、非營利組織和/或私營公司之間，而目前所有人工智能研發（R&D）中的很大一部分是由私營公司支持的。要充分利用人工智能對科學的潛在益處，就必須支持涉及各種有前景、有成果的假設和方法的研究。這可能需要資助機構在如何與產業界合作以及哪些研究人員可以得到支持方面放寬姿態，以促進創新研究工作和不同部門之間的合作。此類合作的例子可包括從多個來源創建高質量的公共科學數據集或創建多模式基礎模型。

• 建議 4：在科學研究過程的所有階段采用負責任、透明和可信的人工智能使用原則。

應在研究項目的初始階段就對人工智能的科學使用所產生的不準確、有偏見、有害或不可復制的研究結果的風險進行管理，而不是事后才考慮。PCAST 建議聯邦資助機構考慮更新其負責任的研究行為指南，要求研究人員制定負責任地使用人工智能的計劃。這些計劃應包括機構辦公室和委員會推薦的最佳實踐，以應對潛在的人工智能相關風險，并說明使用任何自動化流程的監督程序。為了最大限度地減少研究人員的額外行政負擔并建立負責任的文化，在列舉主要風險之后，各機構應提供風險緩解的示范流程。

與此同時，美國國家科學基金會（NSF）和國家標準與技術研究院（NIST）等機構應繼續支持負責任和可信賴的人工智能科學基礎研究。這項研究應包括制定標準基準來衡量人工智能模型的特性，如準確性、可重復性、公平性、彈性和可解釋的人工智能，以及監測自身這些特性的人工智能算法，并在基準不符合規定規范時進行調整。此類研究的另一個目標應該是開發工具，以評估數據集的偏差，并區分合成數據與真實世界的數據。

• 建議 5：鼓勵采用創新方法，將人工智能輔助工具融入科學工作流程。

科學組織實體是一個極好的 "沙盒"，可以在其中實踐、研究和評估人類與人工智能助手之間合作的新模式。目標不應該是最大限度地提高自動化程度，而是讓人類研究人員在負責任地利用人工智能輔助工具的同時，實現高質量的科學研究。

資助機構應認識到這些新工作流程的出現，并設計靈活的程序、衡量標準、資助模式和挑戰問題，鼓勵戰略性地嘗試新的人工智能輔助方式來組織和執行科學項目。這些工作流程的實施也為各種學科的研究人員提供了機會，如人為因素、工業和組織心理學等，以促進在人機協作領域的知識。

更廣泛地說，資助機構、學術界和學術出版業的激勵結構可能需要更新，以支持更廣泛的科學貢獻，如策劃高質量和廣泛可用的數據集，而傳統的研究生產力指標可能無法充分認可這些貢獻。

圖 1. 負責任地使用、共享資源和增強能力的良性循環，以利用人工智能加速科學研究。本報告從多個方面探討了這種相互作用。

人工智能（AI）是未來聯合部隊充分發揮多域作戰（MDO）潛力的基礎。由人工智能支持的系統有能力在各領域、電磁頻譜和信息環境中戰勝對手。在競爭中使用這些系統可使聯合部隊近乎實時地了解作戰環境，從而更好地利用各種能力擊敗旨在破壞地區穩定的威脅行動，遏制暴力升級，并將被拒絕的空間變為有爭議的空間。在從競爭向武裝沖突過渡的過程中，人工智能支持的機動、火力以及情報、監視和偵察能力為聯合部隊提供了阻止敵人奪取優勢陣地的能力。改進的維持吞吐量與攻擊敵方反介入/空中拒止網絡的能力相結合，為美軍奪取作戰、戰略和戰術優勢陣地提供了能力。通過人工智能支持的聯合多域共同作戰圖（MDCOP）提高理解能力，使美軍有能力協調多域效應，創造優勢窗口。

制定人工智能作戰概念可使陸軍更好地了解這些技術對戰爭性質和特點的潛在影響。描述陸軍如何在未來作戰環境中使用人工智能，有助于說明人工智能對戰爭的暴力性、交互性和根本政治性以及戰爭不斷演變的特點的影響。本文提供了一些小故事（附錄 A），說明了組織對人工智能的運用，為可能制定的美國陸軍 RAS 總體概念、作戰和組織概念、基于編隊的作戰概念以及系統或單個系統的運用概念提供了參考。

人工智能的可操作性影響著未來部隊的作戰方式、針對對手的作戰行動，以及指揮官如何利用軍事藝術和科學運用部隊能力來實現預期效果和目標。在2019年未來研究計劃（FSP19）期間，人工智能工作線（LoE）確定了以下與實施人工智能多領域解決方案相關的問題：

• 數據管理--AI/ML 應用程序的運行依賴于對經過整理的數據的訪問。陸軍必須培養以數據為中心的文化，以標準化的格式和協議來生成、存儲和訪問數據。人才管理工作必須側重于培養、培訓和留住一支精通數據的員工隊伍。這可以通過以下方式實現

  • 在整個部門培養以數據為中心的文化

  • 投資于整個員工隊伍的數據科學培訓

  • 簡化數據訪問

  • 設計和實施協議，確保數據可發現、可訪問、可共享和可互操作

• 功能分解--狹義的人工智能本質上是有限的，構建算法的數據科學家需要精確的問題定義，準確確定聯合部隊的需求。

• 可解釋人工智能--人工智能系統需要有能力解釋決策/建議和行動背后的邏輯。這種解釋 "為什么 "的能力是人類信任人工智能智能體的基礎。

• 邊緣計算/人工智能--未來的作戰環境預計將面臨電磁頻譜的競爭，這就要求能夠向前處理超大數據集的能力，以及能夠自主行動的人工智能平臺。

• 利用商業部門 - 國防部實驗室繼續在人工智能/ML 開發方面取得重大進展，特別是與聯邦資助的研發中心合作。商業部門將繼續探索和拓展可用于軍事應用的工作。

作為FSP19的一部分，人工智能LoE開發了五個小故事和一個概念草圖（見附錄A），以協助人工智能和機器學習的操作化。這些小故事說明了聯合部隊如何利用人工智能/機器學習來應對多域行動所需的關鍵能力。MDCOP 概念將依靠幾個有限內存的人工智能來構建和維護一幅描繪戰場上藍、紅、綠三方活動的圖景。反應型機器人工智能將為特定指揮官和總部量身定制 MDCOP。合作傳感、維持、攻擊和瞄準小節依靠反應式機器人工智能來優化傳感器覆蓋范圍、維持吞吐量、攻擊排序和射手選擇。

未來部隊需要人工智能來充分發揮多域作戰的潛力。人工智能系統使未來部隊能夠進行信息收集和分析，從而在時間緊迫、信息競爭激烈的環境中提高對態勢的了解。這種能力可實現快速、知情和正確的決策。人工智能決策支持體將減輕作戰人員的認知工作量，提高整體效能。人工智能支持的無人系統將探測、識別和穿透高風險區域，以提高開展行動和保護部隊、人口和資源的能力。人工智能可滿足 MDO 在與近似對手的沖突中對作戰速度的要求。

人工智能（AI）被視為當今時代最具顛覆性的技術。科學界和商業界正在對它進行大量投資和深入研究。它已在許多小工具和設備（如手機、電腦、網絡應用服務器等）中顯示出初步的商業用途，如搜索輔助、需求預測、數據分析和驗證、建模和模擬、語言學、心理學等。谷歌、微軟和亞馬遜等商業巨頭正在利用人工智能進行消費者行為預測。自 2011 年以來，我們一直生活在被稱為 "認知時代 "的時代，因為人工智能正越來越多地融入每個人的日常生活。IBM 的沃森（Watson）可能是首個用于解決各領域問題的人工智能商業應用，于 2013 年推出。2011 年，沃森在 "危險 "游戲中擊敗了有史以來排名最高的兩位選手，從而備受矚目。此后，沃森得到了進一步改進。

據預測，人工智能將在十年左右的時間內滲透到所有主要民用系統和小工具中，形成其軟件基礎。此外，據預測，在二三十年內，人工智能將徹底改變世界的運行方式。美國（US）、歐盟（EU）和中國等主要大國、區域已經出臺了在各個領域開發、采用和推廣人工智能的政策文件和路線圖。

不同的專家對人工智能提出了不同的定義。所有這些定義都趨向于機器獲得類似人類智能的概念，通常遵循一個被稱為感知-認知-行動（或決策）信息處理循環的順序。人工智能的程序同樣遵循這一循環，即人工智能計算機感知周圍的世界，通過優化和驗證算法處理接收到的信息，并以類似于人類的方式做出行動選擇。目前，各種先進的人工智能能力正處于不同的開發和使用階段，包括自然語言處理、信息搜索、面部、物體或手勢識別、自適應學習、直觀感知、綜合推理、混合智能（人機結合智能）、集體蜂群智能、問題解決、預測和響應等。

人工智能在軍事上的應用雖然是人工智能發展的必然產物，具有巨大的潛力和優勢，但一直是一個有爭議的問題，也是科學界經常產生分歧的話題。隨著人工智能的迅猛發展及其進入軍事領域，人工智能已經在以一種重要的方式重塑軍隊的運作。可以預見，它將從根本上改變未來的戰爭和軍事行動。與此同時，由于技術的飛速發展，戰爭本身也在概念層面發生著變化。未來人工智能將如何塑造戰爭，專家學者們仍在探討。

本文旨在根據人工智能的發展軌跡以及圍繞其未來軍事用途的主要問題，確定人工智能在不久的將來--預計未來十年或二十年--在戰爭中的擴散情況。本文還為印度尋找了一種衍生工具。本文以 "人工智能系統分類 "一節開篇，帶領讀者略微深入地了解人工智能，以便客觀分析人工智能的發展和應用軌跡。非凡壯舉 "部分揭示了該技術的顛覆性。未來的表現 "一節討論了人工智能未來的發展和普及。這一部分還強調了與人工智能相關的各種問題，同時建立了對人工智能的總體認識。在 "人工智能推動戰爭 "一節中，試圖推導出人工智能將浸漬軍事系統并重塑戰爭，包括概念和條令。然后，本文重點討論了影響人工智能應用情況的一個主要問題 "不確定性談判"，并從這個角度分析了人工智能在作戰空間的應用。下一節分析了與人工智能系統軍事應用相關的 "挑戰"。關于 "全球領導力競賽 "的部分強調了人工智能軍事應用的全球趨勢，隨后分析了 "印度的立場"，并向印度決策者提出了一些建議。

任務規劃涉及將離散資產分配給優先目標，包括在復雜的環境條件下將這些資產動態路由到目的地。由于快速周轉的價值和模擬作戰環境的相對簡單性，人們非常有興趣通過添加人工智能 （AI） 的強化學習技術來改進任務規劃過程，這可以產生更好、更快或只是人類考慮的獨特解決方案。本報告描述了如何使用人工智能進行任務規劃，以及人工智能方法與更傳統的運籌學 （OR） 方法的比較。

任務規劃涉及將離散資產分配給優先目標，包括在復雜的環境條件下將這些資產動態路由到目的地。由于快速周轉的價值和模擬作戰環境的相對簡單性，人們非常有興趣通過添加人工智能 （AI） 的強化學習技術來改進任務規劃過程，這可以產生更好、更快或只是人類考慮的獨特解決方案。本報告描述了如何使用人工智能進行任務規劃，以及人工智能方法與更傳統的運籌學 （OR） 方法的比較。

本報告是五卷系列中的第五卷，探討了如何利用人工智能在四個不同領域協助作戰人員：網絡安全、預測性維護、兵棋推演和任務規劃。本報告主要針對那些對任務規劃、運籌學和人工智能應用感興趣的人。

研究問題

• 如何在任務規劃過程中使用人工智能？
• 應用于任務規劃的人工智能方式方法與傳統的 OR 方式方法相比有何不同？
• 人工智能是否可以改善任務規劃過程中的特定角色或任務？
• 在任務規劃過程中應用人工智能有哪些要求？

關鍵發現

• 與 OR 方法相比，人工智能的性能通常更差。考慮到OR涉及解決擺好姿勢的優化問題，這一結果并不奇怪。不過，人工智能可以更穩健，更能應對不斷變化的環境，因為 OR 解決方案只是為了解決靜態問題。
• 人工智能能夠在某些規劃任務中提供幫助，以這種方式使用人工智能將為未來人工智能的使用積累能力、經驗和用戶信任。任務路線規劃是人工智能應用范圍較窄的一個例子，尤其適用于動態威脅環境，在這種環境中，任務包進入復雜的防空環境，面臨突如其來的威脅。
• 用于任務規劃的人工智能需要開發基礎設施，將模擬環境與人工智能框架有效連接起來，而人工智能框架通常是用不同的編碼語言編寫的。幸運的是，這對每個模擬環境來說都是一次性投資。DAF 應考慮此類投資，并向政府和伙伴組織發布基礎設施。
• 在任務規劃和更廣泛的戰爭中實施人工智能不僅僅是創建一個獨立項目的問題。關鍵是要支持與其他工具的連接，并隨著新工具的發明不斷更新這些連接。如果沒有這種持續的支持和努力，人工智能的實際使用將不可避免地落后于近鄰對手。

建議

• DAF 應將強化學習（RL）任務規劃應用于無人駕駛系統的動態路線規劃，由操作員進行審查和判斷。目前，強化學習在任務規劃中的最佳應用是作為快速反應管理系統，對威脅做出動態響應。這既適用于機載無人機，也適用于能在數秒而非數分鐘內提供最新飛行計劃的總部。即使 RL 提供的是次優計劃，它也能建議立即采取行動；操作員可以利用快速反應所贏得的時間，采用當前的標準和首選方法制定更好的計劃。
• DAF 應該培訓對軍事任務規劃有深刻理解的人工智能專家。RL 是一個依賴經驗和啟發式方法的困難研究領域。由于需要特定的應用知識，研究工作變得更加復雜。對該領域缺乏了解的人可能無法識別不良狀態和行為，從而無法設計出合適的獎勵函數。
• DAF 必須優先考慮工具和軟件，不僅要創建工具和軟件，還要使這些資源具有可擴展性并可與現有系統連接。應擴展現有的模擬工具，使其與人工智能框架兼容。
• DAF 應持續監測人工智能 RL 的發展狀況。雖然人工智能在商業和研究領域發展迅速，但 DAF 仍需保持警惕，尋找機會整合新的進展。

近年來，人工智能（AI）和機器學習領域的進步為增強人類能力和提高各種自主系統的功能創造了前所未有的機遇，包括在國際安全領域。然而，在國防領域，訓練日益復雜的人工智能系統所需的高質量、高度多樣化和相關的真實世界數據集卻十分稀缺。因此，合成數據正逐漸成為開發和訓練人工智能系統的數據工具箱中必不可少的工具。合成數據的特點和潛在優勢，以及該技術在各個領域的成熟應用，使其成為圍繞在國際安全背景下使用人工智能的辯論的一個相關話題。

本入門指南簡要概述了合成數據，包括其特點、生成方式、增加的價值、風險以及在國防組織和軍事行動中的潛在用例。此外，本手冊還概述了現有的數據挑戰和限制，這些挑戰和限制促使合成數據成為開發日益復雜的人工智能系統的重要工具。

迄今為止，合成數據在國際安全領域的應用大多停留在實驗和探索階段。不過，合成數據的特點可對訓練人工智能系統產生有益影響。特別是，合成數據可以生成高度多樣化甚至新穎的數據集，對數據屬性進行精細控制，必要時自動注釋或標記數據，而且成本效益高。這本入門書探討了合成數據的主要特點如何使軍隊和國防組織受益，讓他們能夠在防御性和進攻性自主系統中集成能力更強、更可靠的人工智能系統。

雖然合成數據有利于訓練人工智能系統，并有助于緩解軍隊和國防組織面臨的一些數據問題，但它并不是靈丹妙藥，也伴隨著風險和挑戰。使用合成數據所帶來的好處將取決于各組織是否有能力駕馭這些風險，以便以負責任和安全的方式并按照法律要求和道德價值觀使用根據合成數據訓練的人工智能系統。

圖1所示。真實世界與合成數據

利用人工智能已成為美國防部的優先事項。2018 年《美國國防戰略》呼吁美國防部通過投資人工智能應用，在一定程度上獲得軍事競爭優勢。依賴預測能力和數據豐富的職業領域被視為人工智能解決方案的主要候選者。本文將討論空軍承包界如何利用人工智能的現有能力，以增強人類決策者執行任務的能力。利用人工智能應用的能力不僅能加強業務決策，還能支持為空軍部節省可量化資金的舉措。為了充分利用這一優勢，該職業領域將需要一個人工智能總體戰略愿景、一支具有人工智能思維的員工隊伍，以及空軍各合同組織的共同工作。

鑒于空軍可以從以前的合同中獲取數據，并依靠分析為任務合作伙伴提供建議并支持業務決策，空軍合同部門應考慮擴大人工智能的使用范圍，以增強整個企業中人類決策者的能力。

利用人工智能已成為國防部的優先事項。2018 年《國防戰略》呼吁國防部通過投資人工智能應用，在一定程度上獲得軍事競爭優勢。依賴預測能力和數據豐富的職業領域被視為人工智能解決方案的主要候選者。

空軍承包職業領域利用數據做出業務決策，為政府實現最佳價值。人工智能提供了一種利用數據的方法，可以增強并潛在地提高人類的決策能力。機器學習和自然語言處理等技術提供了從現有合同數據中整合、分析和解釋意義的能力。雖然目前的人工智能工作已經實施，但職業領域仍有許多領域可以利用當前的技術。

結論：

空軍合同部門的定位是利用人工智能的現有能力，增強人類決策者執行任務的能力。利用人工智能應用的能力不僅能加強業務決策，還能支持為空軍部節省可量化資金的舉措。為了充分利用這一優勢，該職業領域將需要一個人工智能總體戰略愿景、一支具有人工智能意識的員工隊伍以及空軍各承包組織的共同努力。

人們普遍認為，將機器學習融入軍事決策對于美國在 21 世紀保持軍事主導地位至關重要。機器學習的進步有可能通過提高整個國家安全企業級決策的速度、精確度和效率，極大地改變戰爭的特點。美國國防部的領導者們認識到了這一點，并正在做出大量努力，以在戰爭的戰術、作戰、戰略和機構層面有效整合機器學習工具。

本報告將探討機器學習的一種應用，其重點是在競爭和沖突的作戰層面實現軍事決策。展示了機器學習如何與人類合作，作為決策系統的一部分，用于提高軍事行動和活動的有效性。展示了這種方法如何通過分析原本無法獲取的數據源，為指揮官提供有關作戰環境的新見解。將重點放在從大量基于文本的數據（如報紙報道和情況報告）中獲得的洞察力上，這些數據無處不在，但卻很少以任何系統的方式整合到決策中。

在本報告中介紹的方法以人機協作系統的概念為基礎，并證明了現有的機器學習能力需要人在各個階段的參與，才能證明對操作層面的決策有用。因此，機器學習能力的發展與雷達自二戰以來的演變密切相關，而雷達是人機協作用于軍事目的的最早范例之一。如今，與不列顛之戰期間使用的預警系統同樣依賴雷達機器和人類觀察員一樣，機器學習仍然需要人類的參與，以指導這種新傳感器使用正確的數據，正確解釋其輸出結果，并評估其結果對作戰決策的影響。

通過一個基于真實世界數據和真實世界危機的示例研究，將讀者（"您"）置身于一名軍事指揮官的視角，就 2022 年俄羅斯全面入侵烏克蘭之前，美國如何支持烏克蘭兵力應對俄羅斯支持的烏克蘭東部叛亂，展示了這一系統方法的實際應用。在撰寫本案例研究時，把讀者您當成了這位指揮官，因為目標是強調您在未來與機器學習工具的合作中可能扮演的關鍵角色--無論是作為分析師、決策者，甚至是在現實世界的類似背景下應用這些工具的軍事指揮官。

值得注意的是，本案例研究是基于 2014-2020 年間的數據于 2020 年 12 月完成的，僅分析了這一時期與俄羅斯支持的烏克蘭東部叛亂有關的實地情況。本研究尚未更新，以反映自 2022 年 2 月俄羅斯入侵烏克蘭以來所獲得的任何見解。然而，從入侵前的視角來看，機器學習在后來發生的現實世界事件中用于作戰決策的優勢和局限性也就不言而喻了。

在整個案例研究中，將看到為本報告目的而進行的基于機器學習的實際評估結果，該評估分析了來自烏克蘭的 18,000 篇歷史新聞報道，內容涉及從 2014 年沖突起源到 2020 年末的沖突。利用機器學習工具從這些數據中提取相關見解，并與分析結果進行互動，就向烏克蘭兵力提供何種類型的支持以及在俄羅斯入侵前實現美國在該地區的目標做出名義上的決策。在此過程中，人機協作學習的優勢將逐漸顯現，將親眼目睹機器學習工具如何快速、系統地利用以前無法獲取的數據，為復雜問題提供新的見解。但這種方法的局限性也會顯現出來，將親眼目睹機器學習的好壞取決于支持它的可用數據，以及訓練機器學習工具和解釋其結果的人類分析師。

人機協作方法適用于軍事決策者在陸軍和美國防部作戰和機構層面面臨的各種問題集。因此，本研究以具體證據清晰地展示了在軍事決策中使用機器學習所涉及的權衡問題，為機器學習在軍事領域的廣泛應用做出了貢獻。本研究為美國陸軍提出了幾項重要發現和建議。

研究問題

• 指揮官如何利用機器學習進行作戰決策？
• 人類分析師應如何與機器學習工具合作以實現作戰決策？

主要發現

首先，分析展示了機器學習在軍事決策方面的巨大潛力，但只有在與對特定問題背后的背景有詳細了解的人類分析師配對時才能實現。在此提出的機器學習方法不會取代人類分析師。相反，它能使人類分析師更高效、更嚴謹，并能更好地從以前未開發的數據源中提取洞察力。在案例研究中，通過使用機器學習獲得的大多數關鍵見解都需要人類分析師的額外干預。在某些情況下，這需要在模型結果的基礎上有選擇性地疊加額外的數據源。在其他情況下，則需要人工分析師手動審查機器學習工具認為相關和有趣的基礎數據。因此，美國陸軍現有的機器學習能力需要人類在各個階段的參與，才能充分發揮其潛力。

其次，分析表明，通過大幅提高執行重復性任務的效率，人機協作方法可以大規模分析人類分析師無法單獨完成的海量數據集，從而產生以前無法實現的有關作戰環境的新見解。案例研究表明，從分析人員處理大量數據的重復性分析任務所花費的時間來看，機器學習能顯著提高效率，使分析人員更高效、更嚴謹，并能更好地從以前未開發的數據源中提取洞察力。這表明，對于需要大量人工審核相關數據的問題，陸軍領導應優先考慮將機器學習作為一種解決方案。

最后，這項研究揭示了機器學習的系統方法能夠對作戰級總部已有的大量數據進行標準化、客觀和長期的分析，從而增強其支持有效決策的潛力。在許多情況下，這些數據是戰爭中作戰和機構層面決策的最佳信息來源，但如果沒有機器學習，這些數據就只能以臨時和主觀的方式進行分析。

建議

首先，這項研究表明，陸軍應為各級指揮人員提供頻繁接觸機器學習的機會，讓他們熟悉人類如何利用這些能力作為軍事決策系統的一部分。

其次，本研究強調，陸軍應建立多樣化的機器學習團隊，以充分釋放這一能力的潛力。這些團隊應整合熟悉機器學習工具細節的作戰研究系統分析員、對特定作戰環境有第一手知識的操作員、了解可用數據以分析特定問題的分析員，以及能將機器分析轉化為對作戰決策有實際影響的指揮官。

人工智能（AI）是一項具有廣泛用途的新興技術。《美國防戰略》強調了人工智能對軍事行動的重要性，以使美國保持對其近似競爭對手的優勢。為了充分實現這一優勢，不僅要在戰術層面，而且要在戰爭的作戰層面整合人工智能。人工智能可以最有效地融入作戰計劃的復雜任務，方法是將其細分為其組成部分的作戰功能，這些功能可以由狹義的人工智能來處理。這種組織方式將問題減少到可以由人工智能解析的規模，并保持人類對機器支持的決策的監督。

引言

人工智能是一套新興的、變革性的工具，有可能幫助軍事決策者。美國國家戰略將人工智能（AI）納入戰爭。《2020年國防授權法》11次提到了人工智能。國防戰略強調了利用人工智能和機器學習方面的商業突破的重要性。人工智能的軍事用途是保留國家安全的一個引人注目的方式。創造工具來支持戰術行動，如摧毀敵軍和從一個點導航到另一個點，具有顯著和可見的效果，使他們在資源有限的環境中在政治上可以接受。它們在訓練和測試方面的可重復性，使它們在采購過程中成為人工智能系統的快速贏家。然而，戰術行動的范圍和時間是有限的。僅在戰術層面上整合人工智能，忽視了在作戰層面上發生的決定性影響。

作戰，也就是實踐者將戰術行動轉化為戰略效果的層面，取決于領導者做出正確決策的能力。聯合部隊海事部分指揮官（JFMCC）的艱巨任務是制定計劃，將戰區戰略和聯合部隊指揮官（JFC）的目標結合起來，通過決定性的海軍交戰來塑造環境。在人工智能的快速認知能力的幫助下，JFMCC將能夠制定并更徹底地分析行動方案（COA）。這些品質對于未來的沖突是必要的。

人工智能必須在戰爭的各個層面進行整體集成，以充分實現其優勢。除了局部的、短期的戰斗，它還需要應用于主要的行動和戰役，涉及整個戰區的數月或數年。在戰爭的戰役（作戰）層面上的實施，放大了為實現戰略目標而進行的有序交戰和同步行動之間的協同作用。除了技術發展之外，行動上的整合將刺激政策和理論的建立，以使作戰人員有意愿使用人工智能。隨著使用人工智能的經驗的增加，其采用率也會增加。為協助海軍作戰計劃而實施的特定人工智能技術可能與那些用于計算射擊方案或在被拒絕的淺灘水域規劃路線的技術不同。然而，在作戰層面的接受度將推動戰術上的使用。

在JFMCC層面，人工智能系統網絡將為決策者提供決定性的優勢，將專注于作戰功能的獨立的人工狹義智能（ANI）單位統一起來將實現最顯著的好處。首先，人工智能解決方案比它們的通用人工智能（AGI）同行更適合于軍事問題的解決。其次，戰爭的性質促使有必要在作戰層面上整合人工智能。最后，雖然有許多方法可以整合，但沿著功能線這樣做會帶來最顯著的好處。不僅在技術意義上吸收人工智能，而且描述其在政策、理論和培訓中的使用，將使海軍能夠充分使用它，并在與我們的戰略競爭對手的競爭中獲得優勢。

如何在海戰領域整合人工智能？

目前人工智能在海上行動中的最佳應用是將復雜的海上行動問題分解成子問題，由人工智能來解決，并組合成COA建議。解決小問題的人工智能需要更少的訓練數據，有更直接的邏輯，并且可以連鎖起來解決更重要的問題。麻省理工學院人工智能實驗室前主任羅德尼-布魯克斯（Rodney Brooks）認為，創建動態環境的符號表示是困難的或不可能的。然而，特定任務的智能體可以利用足夠的傳感器數據智能地行動，更重要的是，可以連貫地互動。通過將簡單的活動連鎖起來，失敗的風險很低，更復雜的問題就可以得到解決。多個簡單的行動可以在低認知層平行運行，并將其輸出結合起來，為更高層次的復雜活動提供支持。這種結構的優點是允許軍事工程師開發和訓練人工智能，以首先解決可操作的問題。對人工智能開發者來說更具挑戰性的功能可以保留只由人類決定的方法，直到他們產生解決這些問題的專業知識。與其等待一個完整的系統，部分系統將提供一個臨時的邊際優勢。

鑒于人工智能可以通過將問題分解成更小的決策來最好地解決問題，問題仍然是如何劃分這些問題。重述作戰任務的一個模式是將它們分成作戰功能：指揮和控制（C2）、通信、情報、火力、運動和機動、保護和維持。這些作戰功能為開展有效行動提供了基礎。它們為一個行動提供了采用手段實現其目的的方法。因此，與決定如何實施這些功能以實現目標的決策者一起使用人工智能是很自然的。

如同應用于海上作戰戰爭，最低層的決策支持系統將由感知環境的活動組成：探測艦艇、飛機和潛艇；燃料水平；天氣；以及其他客觀的戰斗空間數據。通過將外部輸入限制在特定的、低層次的任務上，該系統將最大限度地減少對抗性例子或旨在消極操縱自動系統的數據的風險。中間層將把下層的輸出與作戰目標和因素結合起來，如時間、空間和力量的限制，以提供解決問題的方法和作戰功能。由于上層的對抗性數據注入的威脅較小，這些系統可以使用深度學習。深度學習是機器學習的一個子集，它不像其他形式那樣需要高度格式化的數據，但計算成本會更高，而且容易受到欺騙。深度學習將增加這一層的人類互動，并暴露出更復雜的關系。最高層將把C2流程應用于其他六個業務功能，以產生業務建議。中間層的每個功能人工智能將向其他功能人工智能和最高C2層提供建議。中間層的人工智能對復雜的數據和相鄰單位及C2功能的建議進行理解。

如果將中間層人工智能納入規劃和指導、收集、處理、分析和傳播的情報周期，將促進收集資產的更好分配。判斷對有限的收集資產的請求以滿足行動和戰術信息需求是JFMCC關注的一個問題。在收集計劃期間，人工智能可以使用已知的對手軌跡、地點、個人和組織來定義和優先考慮指定的利益區域（NAI）。在執行過程中，人工智能可以根據優先級驅動收集路線，就像企業用它來規劃送貨路線以減少勞動力、燃料和維護成本一樣。采集計劃者可以通過增加對手監視點的位置和范圍來減少反偵查的風險。在C2層面，指揮官和情報官員可以利用收集成果來證明更多的JFMCC收集資產和COA的修改。這種方法適用于其他功能。

人工智能可以在部隊部署不斷變化和對手存在不確定的環境中改善維持能力。相互沖突的要求使如何使用有限的后勤資產來滿足作戰人員的需求的決策變得復雜。后勤單位較低的生存能力促使人們決定是將它們帶入被對手防御系統拒絕的區域，還是將戰斗飛船引離目標。人工智能可以利用軍事和民用運輸的可用性、預先部署的庫存和供應商的響應能力來制定船舶和飛機需求的解決方案。企業利用人工智能準確預測需求，并分辨出影響運輸和倉儲的采購模式。維持型人工智能可以使用這個過程的一個變種，來計劃在高級后勤支持站點（ALSS）或前方后勤站點（FLS）的材料堆放。它可以決定如何以及何時使用穿梭船和站立船來運送到攻擊組。機器學習將使用燃料、食品和武器庫存、威脅環、戰備水平和維修時間來訓練維持人工智能。維持型人工智能可以提供比人類單獨完成的更有效的量化解決方案，并將其反饋給其他功能區和C2高層。

C2層將對來自下層的決定進行仲裁，并提供一個統一的建議。就像一個軍事組織的指揮官一樣，它將把其副手AI的建議合并起來。人工智能過程的早期階段使用傳感器數據和其他客觀信息來確定指揮官的方向；決定行動方案需要建立對戰斗空間的理解，這是一種更高層次的欣賞。戰斗空間的可變性和模糊性將使這一層的人工智能元素最難開發。最終，該系統將作為一個可信的智能體，壓縮指揮官負責的信息量。壓縮的信息減輕了時間有限的決策者工作時的疑慮負擔，使她能夠向下屬單位發出更及時的命令。

圖1說明了基于這些原則的系統的擬議架構。以對手預測為例，許多單一用途的ANI將在最低層結合原始傳感器和單位報告數據。它將評估敵方單位的最可能位置。公司分析評論、社交媒體和論壇發帖的情緒，以確定產品的滿意度。同樣地，這個系統將通過公開的言論和秘密的報告來確定對手的意圖。它將評估當前和歷史天氣模式，以評估氣候對敵人行動的影響。這三個輸入和其他信息將被功能情報ANI用來形成對敵方COA的評估。同樣，火力節點將使用敵人的組成、JFC的優先級和預測的彈藥可用性來產生目標指導。中間層節點將橫向傳遞他們的評估，以完善鄰近的建議，如部隊保護水平。獨立的功能建議也將直接反饋給C2層，以創建整體行動方案。

圖1. 海上人工智能系統的擬議架構

建議

首先，利用聯合人工智能資源的優勢，針對海軍的具體問題修改標準組件。擅長開發軍事人工智能系統的工程師的稀缺性將限制新系統的開發。美國防部的人工智能戰略具體規定了建立通用的工具、框架和標準，以便進行分散的開發和實驗。使用這些現成的組件，為人工智能決策網的所有子系統創建低級別的系統和標準接口。將海軍的資源集中于采購和實施用于海事具體決策的中層和高層系統。避免技術上令人著迷但無效的解決方案，并通過將職能領域的專家與設計團隊相結合來保持解決海事問題的目標。

第二，創建并維護可通過機器學習攝入的作戰數據數據庫，以訓練海軍人工智能。實施能夠在海上作戰中心（MOC）讀取和集中匯總基本作戰數據報告的技術和工藝，如燃料狀態、導彈裝載量。開發記錄和定性評分作戰決策結果的方法，如對手態勢的變化、傷亡修復率和公眾對行動的反應。將輸入與作戰決策和結果聯系起來的數據庫將加速開發符合現實世界標準的系統。

第三，將人工智能的使用納入政策和條令。條令應該編纂人工智能可以被整合到戰爭戰役層面決策中的領域。明確地說，關于情報、行動、火力、后勤、規劃和通信的海軍作戰出版物應說明人工智能在決策過程中產生優勢的地方和方式。描述海上聯合行動的聯合出版物應明確說明如何將JFC的要求解析為JFMCC的AI系統。如果國防部和海軍的政策對指揮官因整合人工智能的決策建議而產生的責任量進行了定性，那么他們在使用人工智能時就可以采取經過計算的風險。讓指揮官和作戰人員掌握使用人工智能的戰術、技術和程序將加速其在艦隊中的應用。