北約 STO SAS-161 研究工作組（RTG）調查 "對抗混合戰爭的軍事方面：經驗、教訓、最佳做法 "的研究任務組旨在為聯盟和國家層面的全方位軍事規劃提供信息。這種以功能為導向的分析涉及軍事效力的方方面面，有助于為集體工作提供信息，以應對競爭、沖突、戰爭和作戰的當代和預期未來特征所帶來的挑戰。

為了提高聯盟、烏克蘭以及各個盟國和伙伴國的長期軍事效力，RTG 在開發兩個不同的研究流時應用了凈評估的基本原理。這兩個研究流都研究當代俄羅斯與競爭、沖突、戰爭和作戰有關的行為。第一個研究流從烏克蘭的角度進一步調查了俄羅斯對烏克蘭的特別行動以及烏克蘭在 2022 年 2 月 24 日俄羅斯全面行動之前的機構反應和準備情況。第二個研究流由 RTG 中的非烏克蘭成員負責，針對具體國家或任務開展案例研究，調查俄羅斯在不同背景下的行為。第二組研究的目的是確定這些行為的特定軍事方面。然后將與每個研究流相關的分析和推論結合起來，提煉出對軍事的影響。

本卷中介紹的案例研究強調了聯盟及其合作伙伴在規劃時需要考慮的一些重要因素。首先，國家級法律框架必須與當前和未來預期的作戰環境條件相關。這一點至關重要，因為它為聯盟成員和合作伙伴為集體安全和防衛貢獻相關和可信的國家能力創造了條件。其次，俄羅斯將根據各個國家目標的具體情況調整其行為。正如別爾津斯和“讀者”所顯示的，這可能會導致與國家規劃假設不一致的目標選擇。第三，總體而言，案例研究表明，SAS-121 分析的一個主要結論--烏克蘭的國情為俄羅斯的利用提供了獨特的機會--仍然有效。雖然某些社會文化因素與其他東歐國家（如俄羅斯族社區或俄語飛地）相同，但每個因素都必須根據具體國情加以考慮。第四，聯盟對合作伙伴的支持必須協調一致、互不沖突，并盡可能包括那些也在尋求促進合作伙伴國家能力和能力發展的非聯盟國家。最后，案例研究進一步表明，集體安全和防衛只有在構成威懾基礎的國家一級安排中才能得到加強。聯盟和伙伴在國家層面的差距將破壞整體。在這方面，符合相關法律和政策框架的國家全面或綜合防衛概念至關重要。國家對安全和防衛的整體考慮是有效應對俄羅斯預期行為的基礎。

圖 3-1: 俄羅斯聯邦對烏克蘭的混合戰爭要素

在準備和進行針對格魯吉亞和烏克蘭的混合戰爭時，俄羅斯聯邦使用了最新的方法，從四個主要方向對國家利益施加壓力：

第一個方向：利用軟實力措施，在經濟、物流和能源供應等國際合作領域針對烏克蘭。外交事務中也同樣被針對。自前蘇聯解體以來，俄羅斯針對烏克蘭和其他后蘇聯共和國的所謂 "軟 "戰爭沒有停止。

第二個方向：部署和實施侵略性的信息戰和網絡戰。卡托研究所（美國華盛頓）研究員、普京前顧問 A. Illarionov 認為，現代信息斗爭是第四次世界大戰，并指出： 信息戰是第一次全面世界大戰。在第一次世界大戰、第二次世界大戰和所謂的第三次世界大戰（冷戰）中，戰區、前線、側翼和后方都有明確的劃分......由于信息的內在屬性，它具有傳播的特性，盡管有國界和某些限制。因此，信息戰沒有后方或側翼。信息戰的戰線可以延伸到任何地方[2]。

俄羅斯在地緣政治空間不斷發動信息戰，涵蓋所有活動領域。無論國家（或國家集團）之間的關系處于何種水平和狀況，信息戰都在進行。俄羅斯聯邦信息戰的主要目的是傳播和保護 "俄羅斯世界 "的民族主義思想，為軍事行動和在其他大陸使用武裝團體進行辯護[3]。

第三個方向：針對國家機關內政。俄羅斯積極利用一系列不對稱手段來破壞對手國家國內政治局勢的穩定。俄羅斯聯用威脅國家利益的第一和第二個方向的結果，試圖通過對社會、經濟和其他國內進程和活動產生負面影響，使對手國內政府機構的活動復雜化。在全球層面上，其特點是干預選舉或符合俄羅斯聯邦觀點的運動和政黨，以及將俄羅斯聯邦政府的軍事或其他智能體或代理人安插到外圍組織中。

第四個方向：軍事行動。武裝行動通常是使用 "軟戰爭"--前三個方向的力量、手段和方法--無法實現的外交政策目標的有力延續。俄羅斯聯邦武裝力量行動的主要條件之一是得到當地大量民眾的默許或明示支持。換句話說，俄羅斯聯邦的一個主要計劃假設是，俄羅斯聯邦武裝部隊的到來將受到當地部分民眾的支持。缺乏這種支持會使任何占領在國際法上的正當性變得復雜，使組建符合侵略國利益的地方政府的可能性變得復雜，并需要采取重大的緊急措施來維持被占領土上的占領制度。烏克蘭國家戰略研究所 "烏克蘭邊疆 "的研究 [4]、[5]、[6] 分析了烏克蘭受威脅地區從特別行動開始至今的民眾支持情況。

研究要求：

美國陸軍行為與社會科學研究所（ARI）此前的研究將系統思維確定為六種戰略思維能力之一（Sackett 等人，2016 年）。在陸軍中發展對系統思維更全面的理解包括了解成功的系統思維所需的行為。這些知識可以為不同的陸軍領導者確定系統思維發展的意義。本研究確定了陸軍領導者的系統思維要求，并開發了一個概念模型，描述了成功的系統思維所需的行為。

研究方法：

研究人員查閱了有關系統思維的文獻，以確定領導者系統思維的適當定義，并識別系統思維的可能組成部分。為了解陸軍對領導者系統思維的要求，對 58 名執行作戰任務的現役軍官以及被派往陸軍教育機構或單元培訓項目的軍事和文職教官進行了個人和小組會談。對結果進行了定性分析，以描述受訪者對陸軍軍官系統思維工作要求和培訓的看法和經驗，并建立領導者系統思維的概念模型。與四位系統思維學術主題專家（SMEs）進行了訪談，他們為開發對陸軍有用的系統思維理論方法提供了進一步的文獻資源和專家意見。概念模型開發完成后，現役軍官和 15 名專業軍事教育 (PME) 教官對代表每個維度的行為進行了開發和審查。

研究結果：

根據文獻，領導者系統思維被定義為 一種認知方法，運用整體視角來識別和理解各要素之間的相互關系和新興屬性。個人和小組課程的結果發現，陸軍領導者必須是有效的系統思考者，才能操作和維護現有系統，并制定計劃、做出決策和解決問題，這些都涉及到各種相互關聯的要素。大多數參加個人和小組會議的人員認為，系統思維對各級軍官都很重要，隨著時間的推移，系統思維會隨著經驗、年齡和培訓而發展。盡管大多數受訪者都熟悉系統思維的概念，但許多人對其并沒有系統的理解，也不確定如何定義或描述它。在討論對系統思維的需求時，受訪者指出了陸軍中 "系統 "的兩個基本概念：(a) 正式系統，即已建立并記錄在案的系統；(b) 非正式系統，即不一定記錄在案、需要發掘的系統。這兩類系統都具有相關性和重要性。陸軍中的正式系統，如各種人事、通信和計劃系統，往往有明確的定義，可以很容易地通過文件加以識別或描述。而非正式或新出現的系統，如作戰環境中的社會系統、非正式協調系統和社會文化系統，往往更模糊、更多變、更難識別。為本研究咨詢過的大多數 PME 人員都表示，要在他們的課程或計劃中取得成功，就必須具備系統思維，盡管只有五分之一的人表示具體的評估需要系統思維。

根據文獻綜述和個人/小組會議中獲得的信息，提出了領導者系統思維的初步模型，包括五個維度：（a）識別要素，（b）理解動態關系，（c）轉換視角，（d）識別整體模式，以及（e）應對變化。一組焦點小組和對 29 名現役軍官的訪談產生了 42 種行為草案，描述了與五個維度相關的行動。由 15 名院校教官組成的小組對這 42 種行為進行了審查，最終形成了領導者系統思維模型的最終版本，其中包含五個維度的 25 種行為。

利用和傳播研究結果：

該概念模型為開發陸軍領導者系統思維評估和培訓工具奠定了基礎。這些維度和相關行為隨后被用于形成多方位評估工具的內容（見 Loer 等人，正在編寫中），還將被用作基于互動情景的工具的基礎，以評估特定情況或環境下的領導者系統思維。

根據《2020 財年國防授權法案》第 230 節，美參議院指示美國防部長委托開展一項獨立研究，"確定政策選項并對這些選項進行成本效益分析，以加強國防部文職和軍事工作隊伍的數字工程及相關能力"。美國防部長要求國防分析研究所進行這項分析。

IDA 的分析涵蓋了國會列舉的廣泛的數字工程（DE）技能，包括軍事和民事技能。根據國會的定義，數字工程(DE)勞動力包括一系列廣泛的技能和群體，如下圖所示。為了進行分析，IDA團隊調查了以往和正在進行的勞動力改進計劃和提案，并將其分為四個方面：（1）必要的扶持措施（建立要求、衡量標準、資源和組織）；（2）新人才輸送計劃；（3）教育和培訓計劃；（4）管理職業、能力和薪酬的計劃和結構。然后，該小組選擇了 24 項候選計劃，對其有效性、風險和成本進行了深入分析。

美國防部勞動力倡議的歷史

美國防部在核武器和核推進、空間系統、專業醫療和法律專業人員等領域擁有建設和維持高技能勞動力的豐富經驗。因此，IDA團隊結合當前為加強國防部技術人員隊伍（包括國防部的網絡安全、軟件、情報和采購人員隊伍）而開展的多項工作進行了本次分析。

IDA團隊注意到，加強DE人員隊伍的舉措可以建立在國防部現有授權和舉措的基礎上。國會已經授權了一系列教育和培訓計劃，包括學費補助、專業軍事教育、職業培訓和認證計劃（如根據《國防采辦勞動力改進法》建立的計劃）。職業和薪酬方面的授權包括實驗室、網絡和采辦人員的薪帶；提高科學、技術、工程和數學以及采辦人員的薪酬上限；關鍵技能的特殊晉升授權；以及軍事和文職人員輪換和交流計劃。國防部最近開展的其他活動包括重組軟件工程和測試與評估工作隊伍的分類和認證流程。

方法

IDA團隊審查了相關立法、立法提案、獨立委員會和小組的工作，以及IDA和其他研究中心編寫的研究和報告。總共審查了約 40 項現行法律條款、40 項國防部倡議、20 項待定法律條款以及 130 項獨立研究和報告建議，共計 230 項候選政策倡議。我們根據四項選擇標準，選擇了 24 項建議進行深入評估： (1) 涵蓋軍事和文職工作隊伍中所有指定的 DE 技能；(2) 涵蓋跨越職業生涯周期的四條工作主線（以及授權措施）；(3) 包含被廣泛認為是 "最佳做法 "的倡議；(4) 目前正在審議的值得關注的、備受矚目的建議。我們評估這些候選建議的主要依據是其評估的有效性、風險和成本，其次是與其他建議 的協同作用和潛在的實施問題。

由于缺乏具體的 DE 勞動力需求和有限的數據，IDA 團隊為選定的建議制定了規劃系數，而不是確定的成本估算。這些規劃信息為設計不同規模的提高 DE 勞動力計劃提供了成本效益權衡的基礎。

國際開發協會小組在本文件中沒有將增加員工人數作為一項單獨的建議。我們需要進行需求分析和人力分析（詳見第 3 章），以確定是否需要增加人手，以及如果需要，應增加多少人手。盡管如此，從我們整理的成本數據中可以清楚地看出，DE 計劃的主要成本驅動因素之一是與擴大 DE 人員隊伍相關的人事成本。例如，如果 DE 人員增加 5%，即增加約 5000 人，僅工資一項每年就要花費約 5 億美元。

意見

本分析對 24 項選定提案逐一進行了評估。以下各節及其附表概述了IDA團隊對每項提案在實現勞動力轉型目標方面的成效評估，以及經評估的實施風險。大多數舉措都被評估為有效或高度有效，這在很大程度上是因為這些候選方案是從大量備選方案中篩選出來的。同樣，幾乎在所有情況下，風險都較低或適中。總體而言，這些評估確定了一套可行的構件，可以將其組合成一個具有成本效益的計劃，以改造DE隊伍。

促進措施

某些擬議的勞動力轉型扶持措施（如下表所示）對于確定需要加強的具體 DE 技能和群體、確定必要的勞動力改進行動的范圍以及提供必要的管理機制至關重要。需求分析將確定 DE 人才的缺口并有的放矢，確定由誰來填補這些缺口，以及這些人在工作隊伍中的什么位置最有效。同樣，人力管理系統將確保國防部能夠通過確定關鍵能力來塑造 DE 人才隊伍，并使軍事、文職和承包商人員的適當組合能夠提供這些能力。人力跟蹤和衡量標準也將支持現有人才的部署和對提高 DE 能力進展情況的評估。同樣，預算和資源管理--包括分配職位和中央基金以支持員工隊伍改進活動--將有助于確保計劃中的舉措得以實施。

新人才輸送管道

加強 DE 工作人員隊伍的關鍵在于引進新人才的能力。我們所考慮的大多數人才培養方案（如下表所示）都已在以前的申請中得到了驗證，預計會有效或非常有效，并且風險較低或適中。在傳統的人才輸送計劃中，入職成本從每人 20,000 美元到 100,000 美元不等。為武裝部隊建立專門的數字化招募單元的風險較高，因為可能會對既定的招募方法造成干擾。不過，如果實施得當，這種方法可能會很有效。我們考慮的最后一項建議--為文職人員建立數字化服務學院--實施成本高，邊際效益低。一個新的學術機構可能會發現很難與既有的文職機構競爭學生和教職員工。

教育與培訓

美國防部可以大量利用現有的軍事和民事機構，在已確定的 DE 領域開展教育和培訓。教育和培訓成本在很大程度上取決于勞動力的時間補償程度。我們考慮過的一種培訓機制是新兵訓練營，這是一種強化寄宿項目，因此成本相對較高。據估計，每名學員的成本大約在 18,000 美元到 32,000 美元之間。相比之下，只報銷學費的課程費用相對便宜，但需要仔細管理以確保有效性。國防采辦人員發展基金（DAWDF）目前平均每年為采辦人員提供約 1,500 美元的報銷培訓費用。國防采辦人員發展基金由負責采辦與可持續發展的國防部副部長辦公室（OUSD(A&S)）下屬的人力資本倡議辦公室（HCI）和各軍種的采辦職業管理主任（DACMs）負責管理。我們評估的另一個培訓方案是強制性的通用 DE 培訓。國際開發協會小組認為，由于整個部門的經驗水平和職責差異很大，這種方法不太可能有效，而且考慮到參與者的時間機會成本，這種方法的成本也會相當高。這些培訓方案見下表。

職業、能力和報酬

任何足以起到激勵作用，并對足夠多的人產生重大影響的加薪都必然是代價高昂的。例如，考慮國防部目前在購置人員薪酬計劃（AcqDemo）中對技術職位的加薪。據估計，這些職位的薪資平均比總薪級表高出約 5%。在軍隊內部，特殊薪酬平均約為基本薪酬的 9%。這些替代薪酬作為吸引和留住人才的激勵措施，可以起到很好的效果。勞動力人才管理和有針對性的職業提升措施的成本和風險都相對較低，可與第 3 章所述的扶持措施一并實施。見下表。

下一步： 實現有效和高效的 DE 勞動力改進計劃

本分析為加強 DE 工作隊伍的成本效益戰略奠定了分析基礎。評估結果證實，四項工作中的每一項都有行之有效的組成部分。事實上，國防部在建立具有專業人才的工作隊伍方面有著豐富的經驗。國會已經向國防部提供了許多特別授權，而且正在開展直接或間接涉及 DE 勞動力的重要工作。成本規劃因素--雖然是暫定的--表明可能需要大量資源，并需要分析和決定重要的取舍。然而，還需要做更多的工作，才能將這些組成部分合并成一個連貫的計劃。下一步的重要工作是確定國防部對 DE 人員隊伍的要求，即所需人員的各種技能、數量和組合，以便確定和執行一整套協調一致的人員隊伍改進行動。

認知與神經人體工程學/神經工效學（CaN）協同技術聯盟（CTA）是一項為期 10 年的神經科學基礎科學研究和技術過渡計劃。該計劃由美國陸軍作戰能力發展司令部陸軍研究實驗室于 2010 年成立，是政府、行業和學術合作伙伴之間的一項合作計劃。在其任期內，CaN CTA 在神經科學、神經技術和相關領域取得了重大進展。CaN CTA 的工作影響了許多利用神經技術增強下一代士兵系統的陸軍項目。本報告對該計劃的愿景、方法和影響進行了高層次的概述，并詳細介紹了成員組織取得的科學進步和技術成果。

報告簡介

認知與神經工效學（CaN）合作技術聯盟（CTA）一直是美國陸軍在神經科學領域的旗艦基礎科學研究和技術過渡計劃。在過去的幾十年里，神經科學的進步極大地推動了我們對大腦功能如何支撐行為的認識，為理解我們如何感知、認知和與世界互動奠定了現代基礎。這些認識已經并將繼續帶來革命性的進步，促進技術解決方案的發展，以滿足軍隊的需求。

CaN CTA 于 2010 年 5 月啟動，匯集了世界一流的研究人員、經驗豐富的行業合作伙伴以及美國陸軍作戰能力發展司令部陸軍研究實驗室最優秀的科學家，以利用全球在神經科學研發方面的巨大投資。CaN CTA 的科學研究和開發計劃旨在推進和加速基于神經科學的方法的成熟，以了解士兵在作戰環境中的表現，并增強下一代自適應士兵系統。

本報告總結并重點介紹了整個聯盟在過去 10 年中取得的成就。更多信息，包括視頻演示和軟件工具，請訪問發展司令部陸軍研究實驗室 CaN CTA 網站。同樣，本報告的第 13 部分還包含了一份具有代表性的清單，其中列出了 CaN CTA 合作研究發表的 50 篇具有重大影響的論文。

1.1 組織

現代神經科學研究是一項真正的多學科研究。在全球領先的研究機構中，神經科學研究由來自不同領域的科學家進行，包括但不限于神經科學和神經生物學、遺傳學、心理學、運動學、統計學、應用數學、物理學、計算機科學和工程學。這些研究工作有賴于作為 ARL CTA 核心的合作關系。CaN CTA 的合作機構從臺灣到德國，真正體現了 CTA 的理念，匯聚了來自全球各地世界級研究機構的頂尖學者。

在行業合作伙伴 DCS 公司（DCS）的領導下，CaN CTA 聯合會的成員包括學術研究界公認的領軍機構。在其 10 年的執行過程中，CaN CTA 聯盟及其合作伙伴包括以下機構： 哥倫比亞大學、卡內基梅隆大學 (CMU)、加州大學圣地亞哥分校 (UCSD)、加州大學圣巴巴拉分校 (UCSB)、德克薩斯大學圣安東尼奧分校 (UTSA)、佛羅里達大學 (UFL)、密歇根大學 (UMI)、馬里蘭大學巴爾的摩郡分校 (UMBC)、 賓夕法尼亞大學 (UPenn)、約翰霍普金斯大學 (JHU)、臺灣國立交通大學 (NCTU)、澳大利亞悉尼科技大學 (UTS)、德國奧斯納布呂克大學 (UOs)、西班牙龐培法布拉大學 (UPF) 和 Syntrogi（現為 Intheon）。

1.2 技術轉移

即使進入該計劃的最后一年，CaN CTA 仍在繼續克服現實世界中神經成像和自然環境中人類表現建模所面臨的各種挑戰，這些挑戰可用于促進廣泛的神經技術。在這些努力中，有些工具和概念已過渡到 CTA 內外的學術、政府和行業合作伙伴。以下是一些例子：

• CTA 合作伙伴開發了新穎的機器學習 (ML) 方法，以前所未有的方式探索和利用神經生理學數據。CTA 合作伙伴展示了人工智能的概念驗證，該人工智能利用在多個不同數據集合中訓練的分類模型，在非結構化環境中檢測任務相關物體的感知，而無需特定用戶校準。

• CTA 合作伙伴已將干電極腦電圖 (EEG) 的創新解決方案原型提供給 ARL、其他學術實驗室和行業。ARL 已對無線干電極系統進行了測試，并將其集成到多個應用研究項目的儀器中。此外，一些商業干電極腦電圖產品也利用了這項研究，并被多個教育機構采用。這些機構包括加州大學圣地亞哥分校、馬來西亞大學、英屬哥倫比亞大學和韓國科學技術院。此外，一些干電極產品和評估方法已過渡到大型和小型行業利益相關者的實驗室，如日產汽車公司（日本）、NeuroRex 公司（美國）、Alchemy 公司（臺灣）、Neurocare 公司（新加坡）、Google X 公司（美國）和英特爾公司（美國）。

• 實驗室流層（LSL）是一種多視角數據采集（DAQ）和同步軟件骨干，目前正被神經行為系統公司采用，以集成到商業刺激演示工具 Presentation 中。此外，LSL 已成為 ARL 多個項目的關鍵集成和同步技術，包括下一代戰車和士兵致命性跨職能團隊支持的大規模研究工作。重要的是，全球越來越多的學術和工業實驗室正在使用 LSL，以創建一個統一的人類傳感生態系統。

• CTA 合作伙伴還開發了一系列其他軟件工具，用于對大腦功能進行無創調查（使用腦電圖和其他模式）。其中許多工具被納入更大的工具套件，如 BCILAB（即腦機接口 [BCI] 平臺）和 EEGLAB。

• CaN CTA 還在政府實驗室內外尋求技術轉讓和集成目標。特別是，我們開展了轉化研究，以實現未來汽車環境中人類自主集成的進步。我們通過在真實道路上對真實汽車進行調查，同時增加真實世界的社會效應，推進了我們的駕駛研究。與此同時，我們還與一個應用研究項目進行了協調，該項目正在調查駕駛員與現代駕駛輔助技術互動時的大腦過程。

• CaN CTA 的努力促成了一項新的應用研究計劃，該計劃將利用上述幾項技術，完善并驗證一個新概念，即通過對多人視覺感知相關信號的機會性感應，提高騎兵和下車士兵的戰術態勢感知能力。除其他計算技術外，該計劃還利用在先前數據集上訓練的深度學習方法來實現免校準操作，以協同改進計算機視覺算法（給定人類標記數據）。這項技術的目標是在不增加士兵認知負擔的情況下，通過人與自主系統的無縫集成來提高部隊效率。

1.3 愿景

認知神經科學的最新進展極大地促進了我們對大腦功能如何影響行為表現的了解。然而，迄今為止，包括認知神經科學在內的絕大多數人類科學研究工作所采用的方法論和分析方法都存在固有的局限性。CaN CTA指出的技術障礙概括了這些局限性，這些局限性導致人們只能了解人腦如何在高度受控的實驗室環境中執行高度受限的任務。反過來，這也意味著以往的系統開發方式和技術進步方法無法充分考慮士兵操作員的神經認知能力和局限性。

技術障礙：

• 實驗設計僅限于高度受控和貧乏的刺激-反應范式和環境。

• 缺乏便攜的、用戶可接受的、微創的、強大的大腦和身體動態監測系統。

• 未能足夠詳細地記錄大腦控制的整個行為，以及影響大腦功能的環境的物理和社會文化影響。

• 缺乏數學建模方法和軟件，無法找到環境、行為和大腦功能瞬間變化之間的統計關系。

• 缺乏足夠的數據檔案和資源，無法系統地研究認知監測所得出的個性化模型與不同任務中個體差異之間的關系。

• 缺乏利用生理信號的實時測量來影響操作者認知狀態或為適應性技術提供信息的原則和方法，從而在不同時間和不同個體之間提高人類系統的性能。

嫻熟的認知和傳感運動性能是有效利用先進技術能力執行任務的基礎，這種性能顯然是在神經系統層面上組織起來的。特別是，傳感器部署、自動化和通信帶寬方面的技術進步將強化對士兵的信息處理要求。任務的成功與否將取決于士兵能否很好地認識到所積累的信息對正在發生的事件的重要意義，以及他們能否將相關信息整合到能夠支持有效決策和行動的態勢感知中。相反，面對日益復雜的信息流，士兵在理解和決策方面的認知障礙將成為有效利用先進戰場技術的關鍵瓶頸。隨著士兵在戰場上與適應性更強的 "智能 "系統互動，這些挑戰只會愈演愈烈。

因此，CaN CTA 的科學愿景認為，要滿足士兵的關鍵需求，陸軍神經科學工作必須能夠提供并利用對人腦在真實世界作戰環境中面對真實任務時如何運作的清晰工作理解。這一愿景源于生態心理學的既定理論基礎以及具身或情景認知的概念，這些概念認為，在脫離個人背景的人工場景中，要理解自然的、有動機的行為實際上是不可能的。

為了實現這一愿景，我們需要新的神經科學探究方法和新的能力，以便在操作相關的環境中開展神經科學研究。CaN CTA 通過以下方式直接解決這六大技術障礙：

• 開發實驗范式，捕捉真實世界環境中經歷的多感官刺激流的展開性質

• 開發和使用新型可穿戴傳感器套件，用于監測自然行為期間的大腦和身體動態，以及用于實現綜合監測能力的軟件系統

• 獲取和處理高維數據集，這些數據集能足夠詳細地描述各種情況下的身體、心理和生理行為及其環境背景

• 發現模型和新方法，用于識別和解釋高維數據集之間的統計關系，這些數據集描述了復雜任務執行過程中環境、行為和大腦功能的動態變化。

• 獲取和分析來自大量參與者樣本的數據，以確定個體間和個體內的差異，從而系統地研究為認知監測而推導的個性化模型與績效、認知能力和個性方面的個體差異之間的關系。

• 概念框架和功能架構，可獲取和解釋多視角數據，以便實時集成到人機系統中

自這一方法推出以來所取得的成功反過來又促成了神經科學在將基礎研究轉化為軍事相關領域方面取得進展所依據的原則的確立，即確立和闡明基本的轉化原則。這些原則指導了技術解決方案的開發，這些解決方案與人類神經系統在其動態、復雜環境中的能力和局限性相協調。

1.4 走向愿景之旅

自計劃開始以來，CaN CTA 始終牢記上述愿景，并努力降低障礙。在計劃實施過程中，CaN CTA 通過以下方式降低了障礙：

• 先進計算方法的獨特發展，以提取現實世界行為的神經信號相關性，以及由此產生的一套促進研究和應用的多樣化軟件工具
• 在各種現實模擬或真實世界環境中，對受到最小限制或不受限制的受試者進行前所未有的多模態數據收集
• 腦電圖非侵入式和移動式傳感器的進步，以及促進傳感器性能評估方法的開發
• 制定和測試概念，利用上述所有功能增強士兵系統的能力

在整個計劃期間，這些成就可以看作是在前一階段基礎上開展的一系列研究階段。在此，我們重點介紹計劃的這些階段。

計劃第 1 年：CTA 致力于制定合作計劃愿景和研究項目，為許多研究想法播下種子，并為未來幾年更雄心勃勃的探索奠定基礎。在這一階段，計劃確定了之前闡明的愿景和科學障礙。如圖 1.2 所示，研究分為三類：神經認知性能、先進計算方法和神經技術。在逼真和逐漸復雜的環境中進行無創神經成像，并配合先進的計算方法來探索數據，是研究的基本主題。

計劃第 2 年：重新評估和調整研究計劃和進度，以提高效率，實現更有效的過渡。此外，CTA 開始詳細制定計劃，在限制較少的實驗范例中開展全 CTA 范圍內的合作神經生理學數據收集工作。為使實驗環境更加逼真，滿足軍隊環境的需要，一些實驗被設計成代表安裝（車內）環境，而另一些實驗則設計成代表下裝、行走環境。與此同時，在整個 CTA 中繼續開展需要較少方法準備的小型實驗和分析。

計劃第 3 年：計算方法的研究凝聚成可供社區使用的工具，整個 CTA 神經生理學數據收集的實驗裝置也已投入使用（圖 1.3）。CTA 開發了多受試者和單受試者車輛操作人員站，每個站都有多模態數據收集（包括高通道腦電圖）和運動模擬。此外，CTA 還采用了單受試者流動儀器，用于在實驗室和戶外收集數據。此外，CTA 還繼續完善數據的收集、組織和管理方法，以及促進探索大量、多樣的多模態神經生理學數據的方法。

計劃第 4 年：獨特的實驗系統和數據收集工具在多個 CTA 站點投入使用，以收集真實或現實環境中的多模態數據（見圖 1.3）。與此同時，在計算方法、真實世界傳感器和采集方法方面繼續取得進展，以促進對數據的探索。

計劃第 5-6 年：為了更直接地實現過渡目標，對前四年為推進整體感知和探索真實世界腦體數據而進行的累積研究進行了重新聚焦。特別是，如圖 1.4 所示，對研究進行了重組，以彌補在實現更強大的腦機交互技術 (BCIT) 方面的差距。隨著剩余的大規模數據收集工作的完成，該計劃將其項目重新調整為三個新的科學領域：高級計算方法（ACA）、腦機交互技術（BCIT）和真實世界神經成像（RWN）。隨著越來越多的多模態、真實行為神經生理學數據可用，組織、管理、探索和利用數據集的方法得到了更多的重視。因此，ACA 領域依然存在，但與其他兩個科學領域的聯系更加直接。此外，考慮到重要的研究工作從開始到結束至少需要兩年的時間，計劃規劃周期被延長為兩年一周期，一些重要的項目被規劃為三年執行一次。

三個新科學領域背后的驅動問題如下：

• ACA： 解碼、跟蹤和融合神經和非神經信息源以推斷狀態的最佳方式是什么？

• RWN：在實驗室的限制之外，大腦在現實世界中是如何運作的？

• BCI：我們如何利用神經信號改善人類與計算機、自主代理、環境甚至其他人的交互？

反過來，這三個領域又通過一個總體目標相互關聯：

• 對復雜任務和真實世界環境中的認知狀態進行持續、穩健的估計

計劃第 7-8 年：這一階段的重點是穩健型 BCIT（圖 1.5）。這項工作在閉環 BCI 系統方面取得了可喜的研究成果，為利用實時神經活動優化人機系統聯合性能奠定了基礎。與此同時，隨著合作者們繼續處理大量不同的 RWN 數據（主要包括腦電圖和其他表面傳感器數據），標記和預處理的方法也得到了標準化，從而為更廣泛的研究社區帶來了益處。

計劃第 9-10 年：聯盟將研究重點放在真實世界實驗（如高速公路駕駛）上，同時使早期的神經成像數據探索和利用方法達到真實世界應用所需的成熟度。特別是，在被動閉環技術背景下，對解讀多模態人體神經和生理數據的 ML 方法進行了改進和測試，以提高士兵的態勢感知能力（上馬或下馬）和操作安全性（圖 1.6）。此外，DAQ 和同步中間件 LSL 獲得了工業界和學術界的廣泛認可，并被整合到陸軍的應用和高級研究項目中，以調查未來行動中的有人-無人編隊協作情況。

為響應國會任務，美國國防采購大學（DAU）通過美國防部贊助的大學附屬研究中心--系統工程研究中心（SERC）與采購創新研究中心（AIRC）簽訂合同，就美國防部雇員（政府文職人員、承包商和現役人員）可獲得的創新和新興技術采用培訓項目的現狀進行研究和報告。來自弗吉尼亞理工大學應用研究公司（VT-ARC）的AIRC研究人員通過文獻綜述、訪談和調查，對該主題進行了全面審查。本報告在廣泛研究的基礎上，介紹了美國防部、學術界和工業界的創新和新興技術采用培訓計劃的現狀，同時具體闡述了國會要求的五個列舉項目。

學術文獻提出，創新是在一個以知識為中心的過程中，在多個系統中認識和實施 "創造價值的東西 "的努力。為了確保本報告與文獻相一致，創新被定義為開發新的或明顯改變的服務、產品、流程、結構或政策。基于額外的文獻審查結果，該團隊開發了一個研究框架，以確定和評估整個部門、學術界和工業界的創新和技術采用培訓計劃。研究小組采用了三部分數據收集方法：公開資料搜索、有針對性的訪談和調查。然后對以下分類變量進行了分析： 培訓類型（DAU，美國防部，非政府），創新階段（識別，獲取，整合），功能區（DAU分類法），以及五類變化代理中的四類（創新者，促進者，領導者和用戶）。然后，VT-ARC總結了這些數據，以確定與研究相關的課程中的潛在差距。

結果表明，傳統學習機會最少的三個職能領域包括承包、生命周期物流以及測試和評估。這些職能部門在創新和技術采用的過程中都發揮著關鍵作用。履行這些職能的國防部工作人員在了解他們在采用過程中的作用以及促進關鍵創新和新興技術整合和運作所需的靈活性方面機會有限。

附錄A中詳細描述了已經開展的支持創新和新興技術的培訓計劃類型，以及提供培訓計劃的國防部和私營部門組織的名單。沒有收集有關參加任何培訓計劃后勞動力表現的指標。另外，沒有發現支持分析采用和創新合同方法與特定培訓計劃之間關系的數據。

最有趣的研究結果之一是，沒有培訓機會整合相關職業領域之間的必要聯系，以提供對新興技術途徑或過程的總體創新的統一理解。這種知識的缺乏影響了獲取的有效性，在訪談中被認為是至關重要的。提供跨組織和跨職能的學習機會將加強對角色和責任的理解，并將改善跨管道的信息流動，打擊 "圓柱形思維"。深入訪談還確定了其他五個關鍵點：流程和政策對采用有很大影響；針對具體差距的定制培訓是必要的；勞動力發展是一個關鍵的推動因素；文化對采用有很大的影響；組織之間的縫隙對創新和新興技術的采用造成限制。

雖然有兩個組織正在積極建立與創新和新興技術采用有關的新課程，但都沒有資源來解決本研究中發現的其他差距。研究小組沒有得到其他組織的課程擴展數據。基于課程開發的滾動性，很可能會有更多的傳統學習機會可用。這也意味著，一些課程將不再提供，幾乎沒有任何警告。

該研究的結論是，由于缺乏一個總體的部門新興技術創新培訓戰略，鼓勵了系統性的優秀個體。因此，許多獨立的組織采取孤立的舉措，根據該部的業務挑戰開發自己的培訓資源分配，有些比其他的更有效。雖然在戰術上很重要，但這些優秀的個體并沒有轉化為整個部門的人員能力，因為各組織之間的縫隙對關鍵的知識轉移造成了障礙。建議由高級領導人制定并倡導一項維和部新興技術過渡培訓戰略，并在整個維和部各層級的支持下進行。

美國防部增材制造戰略（2021年）和陸軍指令2019-29（2019年）（通過先進制造業實現戰備和現代化）表明，軍方正在努力將增材制造融入軍事系統。這項定性研究的目的是探索增材制造技術的進展，以評估增材制造部件在陸軍旋翼飛機上關鍵安全應用的可行性。本研究概述了陸軍飛機關鍵安全項目的鑒定過程，回顧了美國防部和陸軍的增材制造政策，詳細解釋了粉床聚變和定向能處置增材制造工藝，并回顧了一個案例研究。增材制造技術需要嚴格的材料和工藝控制，以及重要的鑒定檢查和測試，以支持陸軍航空的關鍵安全應用。然而，增材制造技術已經成熟，現在該技術已經準備好為關鍵應用生產高質量的復雜旋轉翼零件。

概念框架

本研究的概念框架定義了研究過程的目標。首先，本研究將提供一個陸軍航空CSI資格認證過程的概述。本研究將簡要討論與AM和航空有關的陸軍和國防部政策，以便為AM在陸軍航空中的相關性提供背景。然后，本研究將提供適用于陸軍旋翼飛機關鍵應用的金屬部件制造的AM工藝研究。最后，本研究將以一個案例來結束，該案例提供了一個陸軍旋轉翼飛機上使用AM部件的鑒定過程的例子。圖1顯示了生產增材制造關鍵安全項目的研究的概念框架圖。

美國空軍轉型能力辦公室 （TCO） 的一個關鍵目標是在各種舉措中培養轉型能力。若要提出、開發和選擇要推進到轉換功能管道中的概念，TCO 必須從許多數據源中提取信息。機器學習和自然語言處理可用于從文本源中提取信息;但是，還必須有效地應用和利用主題專業知識，以提供創造性的見解并充分利用提取的信息。

為了了解如何使用以人為本的數據增強（HCDE）決策流程來確定哪些概念要進入管道，作者使用了一種多方法定性方法，其中包括對發展規劃相關文獻的回顧以及對高級領導人的采訪，技術專家，以及來自空軍和國防界的主題專家。他們的分析綜合揭示了TCO使用數據科學工具從能力差距，能力需求和技術解決方案的龐大數據庫中提取信息的機會，并使用更多樣化的面向未來的決策方法（稱為預見方法）來利用人類的專業知識和創造力。他們開發并實施了概念驗證語義聚類分析和主題探索工具，以從能力差距和技術的自由文本描述中提取信息，并將數據提取與前瞻性方法相結合，作為HCDE決策過程的一部分。作者在三個案例研究中展示了數據科學工具和遠見方法。

研究問題

• 可以使用哪些方法來決定將哪些概念推進到空軍轉型能力管道中？

• 數據科學工具能否用于從龐大的數據庫中提取有關能力差距、能力需求和技術解決方案的信息？

• 在這些工作中，可以使用哪些方法來利用人類的專業知識和創造力？

主要發現

• TCO的異常廣泛的任務要求使用不同于空軍其他部（DAF）和國防部組織使用的工具和方法。

• 能力差距的一些數據源被廣泛引用，但它們沒有得到集中管理;科學和技術解決方案的數據源更加多樣化和多樣化，這些來源中包含的數據量非常龐大。

• 沒有軟件工具系統地用于解析、提取和總結能力差距和技術解決方案來源的內容。

• 現代數據科學技術可用于從這些源中包含的自由文本描述中提取信息。

• 發展規劃是一項以人為本的工作，取決于領域知識、創造力和社交網絡。

• 預見方法可用于利用人類的專業知識和創造力。

• 數據科學技術和預見方法可以集成在一起，形成HCDE決策過程。

建議

• 空軍研究實驗室（AFRL）和TCO應使用本報告中描述的概念開發和選擇過程。

• AFRL和TCO應該使用軟件工具，如本報告中所述，從自然語言數據源中提取信息。當他們這樣做時，他們應該進行用戶測試和驗證研究，以改進軟件工具。

• AFRL應探索替代的自然語言處理方法，以最大限度地提高從自由文本來源提取信息的效用。

• DAF 應整理和標準化關鍵的運營能力差距數據源。

• AFRL、DAF 和 TCO 應通過購買或開發清理記錄并將其與元數據合并的功能來豐富關鍵的科學和技術數據源。

• TCO應擴大創造性、互動性、專家驅動和循證預測方法的使用。

• 作為實現HCDE能力發展規劃全面管理和標準化的墊腳石，AFRL和TCO應記錄人為生成的技術配對，以彌補能力差距。

本報告更新了美國陸軍作戰能力發展司令部（DEVCOM）陸軍研究實驗室（ARL）在ARL南部地區的合作研究工作的要點。本報告中總結的ARL南部研究是ARL總體研究戰略的組成部分；每個項目都是ARL的一個或多個基礎研究組合的組成部分。雖然ARL的研究主要屬于基礎研究領域，預計有較長的過渡期，但關鍵的短期成果將被認可，并在此過程中加以利用。

2017年4月，美國陸軍作戰能力發展司令部（DEVCOM）陸軍研究實驗室（ARL）將其地理范圍擴展到美國南部地區，以德克薩斯州的奧斯汀為中心。俗稱的 "ARL南部"，從最初的工作發展成為一個強大的生態系統，以不斷擴大的新人才基礎解決軍隊的高度優先問題。ARL南部社區的研究人員主要分布在德克薩斯州的大學里，其成員關系延伸到新墨西哥州、俄克拉荷馬州、阿拉巴馬州、佛羅里達州、喬治亞州和賓夕法尼亞州。通過戰略合作努力，ARL與該地區的合作伙伴聯合起來，確定共同感興趣的技術領域，形成一個促進創新、快速發展和加速技術轉換的環境。

在ARL南部地區工作的研究人員在2019年出版的ARL特別報告中總結了他們的項目。該報告在2020年進行了更新，本文件進一步更新了研究內容，包括在過去一年取得的進展。本文件中總結的ARL南部的研究是ARL總體研究戰略的組成部分。報告中包含的每個摘要都是由ARL南方的研究人員撰寫的，并由ARL南方地區的領導進行了匯編和編輯。

2022 年 10 月 11 日，美國陸軍發布了一份綜合數據計劃（ADP），這是一種全軍范圍內改進數據管理以確保陸軍成為以數據為中心的組織的方法。

該計劃是一項為期三年的工作，將改善整個陸軍的數據管理、數據治理和數據分析。作戰任務是陸軍數據計劃的當前重點。ADP 在該任務領域的成果是通過進行必要的更改來確保作戰人員的數據得到正確管理和使用，從而為作戰人員提供優勢。陸軍已經開始對數據管理能力、工具和模型進行原型設計，以實現這一目標。

陸軍首席信息官 Raj Iyer 博士說：“數據以及如何在所有梯隊中整合這些數據以實現真正快速、敏捷的決策，才是真正為陸軍提供其在未來戰爭中所需的競爭優勢的關鍵。”

數據和數據分析將為 2030 年的陸軍提供動力。士兵將需要在正確的時間和正確的地點獲得正確的數據，以便在每個梯隊做出更快、更好的決策——以超越任何對手的思維和步伐。

與早期的軍事行動相比，現在的戰爭范圍更大且范圍不斷擴大。作為聯合全域作戰的一部分，多域作戰是陸軍必須準備并贏得下一場戰斗的地方。這是一個數據豐富的環境。

每個領域都有自己的信息和數據流，一些信息來自開源情報，一些來自天基傳感器，還有一些來自網絡空間。今天的士兵和指揮官需要跨領域的綜合來主宰戰場。

ADP 概述了工作的組織并提供了總體戰略目標。它側重于中期努力，未來將被另一個更新所取代。

通過陸軍數據計劃實現這一決策優勢是陸軍的關鍵目標。

執行摘要

研究要求：

由于傳感器數量和人工智能（AI）應用快速增多，未來的作戰環境將以豐富的信息和機器速度的決策為特征。因此，美國陸軍指揮官和他們參謀人員將需要有能力篩選大量的信息，更快地做出決策。商業人工智能系統有可能提供這種能力，但美國陸軍不能指望"開箱即用"的商業人工智能系統具有通用能力，因為這種系統需要針對美國陸軍的情況進行充分的訓練。此外，還需要進行研究，以了解軍隊中的人工智能目前可以做到什么和不可以做到什么。總的來說，人工智能往往擅長于主要通過模式識別來解決的任務，以及可以從任務數據中進行預測的任務，如圖像識別、醫療診斷和文本轉錄。然而，目前還不知道人工智能是否可以用于提高美國陸軍信息收集效率。因此，在目前的研究中，探討了以下問題：人工智能能否用于提高美國陸軍任務指揮過程中的信息收集效率？

研究方法：

為了回答研究問題，本文使用了一個商業人工智能應用系統，它反映了軍隊任務指揮部人工智能應用原型的首次開發工作。在這項研究工作中，比較了這個為軍隊量身定做的人工智能系統和其他兩種信息收集方法的參與者在信息收集任務中的表現：傳統的信息收集方法（在計算機文件夾中搜索PDF文件）和非軍隊量身定做的人工智能系統版本。軍隊定制的系統使用軍隊相關的知識來幫助搜索（例如，它知道 "MDMP "等同于 "軍事決策過程"），而非軍隊定制的系統則沒有。我們在以下方面比較了這三種搜索方法：1）參與者找到準確的搜索結果所需的時間，2）參與者搜索結果的準確性，3）參與者對其搜索結果的信任程度，4）參與者對使用該系統工作負荷的看法，5）參與者對該系統可用性的看法。

研究結果：

參與者在使用人工智能系統時比使用傳統搜索方法時既不快也不準確。當使用人工智能系統而不是傳統方法時，參與者對他們的搜索結果也沒有更多信任。然而，在使用軍隊定制的人工智能系統而不是非軍隊定制的系統時，參與者的搜索速度更快，但準確性也更低。最后，在不同的搜索方法之間，參與者對工作負荷和可用性的感知沒有明顯的差異。

研究結果的利用和傳播：

這項研究是確定人工智能系統對信息收集效率影響的第一步。總的來說，我們的研究結果表明，人工智能系統可能不會大幅提高美國陸軍任務指揮過程中的信息收集效率，至少不會立即提高。雖然這項研究的重點是在受控實驗室中的無關要害任務（即尋找戰術情況下的理論解決方案），但未來計劃的使用將不會那么無害，這表明需要未來研究來測試假設。對人工智能的投資應該伴隨著對培訓和研究的投資，以獲得人工智能的全部優勢并減少風險。假設人工智能系統是銀彈是不審慎的，事實上，這項研究表明人工智能系統需要被充分審查。

簡介

戰爭正變得越來越復雜。陸軍指揮官需要考慮在地面、空中和海上的戰斗，以及在信息和網絡環境中的戰斗（美陸軍部，2017）。隨著社交媒體的出現和計算機的日益強大，在這些環境中的行動可能會導致地緣政治損失，而在過去，只有通過更傳統的行動，如地面攻擊、空中打擊和海上轟炸才能實現。此外，美陸軍指揮官不僅應該期待來自其他民族國家部隊的復雜和有影響的打擊，而且還應該期待看起來不復雜的對手，因為網上零售商使人們很容易購買到過去難以獲得的產品（包括合法的和非法的），如無人機、夜視鏡和槍支。在這一切之上，陸軍指揮官需要在一個前所未有的水平上做出準確和及時的決策，因為人工智能（AI）正在許多軍事職能和領域中實施，如網絡戰、航空和信息收集。這些因素加在一起，為陸軍指揮官創造了復雜的作戰環境。

為了在復雜的環境中有效運作，陸軍指揮官及其參謀人員需要有能力從不同的來源收集大量的數據，并迅速處理收集到的信息，以便及時對信息采取行動。例如，如果對手正在準備一次大規模的作戰行動，信息環境、網絡環境和物理環境中新的但微妙的多變量模式可能會出賣對手的意圖。然而，為了及時發現這些模式，陸軍指揮官和他們的參謀人員將需要有能力快速匯總和分析從各個環境傳來的數據。此外，為了根據這些數據迅速采取行動，陸軍指揮官及其參謀人員需要有能力迅速找到相關的陸軍和聯合理論，以實施戰術和戰略，并吸取經驗教訓，以利用曾面臨類似情況的指揮官經驗。對于這兩項任務--檢測模式和根據模式采取行動--人工智能可能被證明是一個非常有用的工具。

正如其名稱所暗示的那樣，人工智能是由機器而非人類或動物等非人工實體所展示的智能。在這種情況下，智能包括通常與人類相關的認知功能，如推理、計劃、學習和感知。因此，人工智能的主要目的是取代或增強人類的某些任務，如駕駛、飛行和圖像識別（例如，自動檢測和識別人群中的面孔）。例如，谷歌和優步等公司目前正在自動駕駛汽車中使用人工智能，人工智能充當了車輛的駕駛員，因此是使自動駕駛汽車自動化的實體。此外，美國陸軍目前正在探索將人工智能用于自動車輛識別。

人工智能主要通過兩種方式實現 "智能化"。一種方式是通過編程使人工智能的軟件接受某些輸入并根據輸入做出某些輸出。例如，視頻游戲中的人工智能競爭者可能被編程為在玩家向右移動（輸入）時向左移動（輸出），或者在玩家攻擊時進行阻擋。這種方法使用簡單的算法--人工智能要遵循的規則--除了最基本的任務外，其他都是低效的，因為人工智能的軟件程序員必須思考并手動編程每個規則。這樣做很快就會變得不方便，因為許多任務需要許多規則和嵌套的規則--其他規則中的規則（例如，如果接近一個讓行標志，如果有另一輛車出現，則要讓行，但只有當另一輛車在附近時）。此外，思考一項任務的每一個可能的規則很快就會變得困難，即使是人類認為很容易的任務（如駕駛）。

使人工智能智能化的更好方法是使用機器學習，這是一個從數據中創建統計模型的過程，以提高預測和決策的準確性。機器學習不是明確地告訴人工智能系統如何應對其環境中的某些事件，而是允許人工智能系統從其環境中的行動中學習。更簡單地說，機器學習允許人工智能系統從經驗中學習。例如，谷歌通過向人工智能系統提供組成游戲顯示屏的像素，并允許人工智能系統通過游戲控制器對這些像素進行操作，從而訓練人工智能系統成功地玩視頻游戲Atari Breakout（Leo Benedictus，2016）。人工智能系統的程序很簡單，就是通過游戲控制器的動作來最大化其游戲分數，并使用游戲分數來確定一個動作是否有益。起初，人工智能系統在游戲中做出看似隨機的行動，但一段時間后，它開始獲得得分點，并最終學會了一種人類玩家從未使用過的有用技巧。

機器學習讓人工智能在日常生活中變得非常普遍，以至于人工智能被一些人認為是 "新電"（Lynch, 2017）。人工智能傾向于擅長那些主要通過模式識別就能解決的任務。因此，人工智能擅長于圖像識別、醫療診斷和轉錄等任務。像駕駛這樣的任務給人工智能帶來了更大的難度，因為目前自動駕駛汽車上的傳感器無法檢測到標記模糊的道路上的模式（例如，被雪覆蓋的道路）。人工智能對于從數據中進行預測是異常有用的。例如，醫生可以使用人工智能來幫助醫療診斷，因為人工智能能夠處理病人的所有數據，將這些數據與已知的醫療條件進行比較，并從比較中產生醫療診斷。人工智能在視覺搜索方面也很有用。一家公司使用人工智能系統搜索航拍圖像，以尋找住宅區內水浪費的證據（Griggs, 2016）。該人工智能系統能夠通過使用游泳池的存在、灌木的數量和大小以及房屋周圍草地的綠色程度等因素，準確判斷一個家庭是否在浪費水。該人工智能系統能夠以每秒208張航空圖像的速度完成這項任務。

信息收集是人工智能具有潛力的另一項任務。信息收集是指從一個來源，如文件庫或互聯網上提取所需信息的過程。通過使用自然語言處理--人工智能的一個分支，用于處理自然語言數據--人工智能可以從非結構化數據中提取信息，而非結構化數據占世界數據的80%（High, 2012）。與結構化數據不同，結構化數據是以預先定義的方式組織的，包括電子表格和日志，非結構化數據不是以預先定義的方式組織的。非結構化數據包括文本文件、照片、視頻和音頻記錄。人工智能可以用來從非結構化數據中提取相關信息和意義，并以各種方式利用這些信息和意義。例如，美國陸軍和美國空軍正在探索使用人工智能，從車輛維護和車載系統日志中預測車輛故障（Osborn，2017；Vincent，2018）。此外，未來的人工智能任務指揮系統可能會不斷挖掘從眾多來源流入的數據，包括社交媒體、新聞頻道和衛星數據，并使用這些數據來預測戰略競爭對手的行動。這種方法將通過利用過去的非結構化數據（維護日志、社交媒體帖子等），并確定這些數據的哪些特征可以預測車輛故障和競爭者的行動。例如，人工智能系統可能會發現車輛運行溫度和車輛故障之間的關系，并利用這種關系來預測未來的故障。像這樣的關系將形成一個數學模型，當新的數據出現時，人工智能系統將持續更新。

通過使用自然語言處理，人工智能也可能有助于從陸軍條令和經驗教訓中提取所需信息。陸軍有許多條令出版物，指揮官和他們的工作人員經常需要在一個以上的出版物中尋找信息。例如，如果計劃進行一次接觸行動，指揮官可能不僅需要參考作戰條令，還需要參考與指揮官所在梯隊相關的條令；如果指揮官的部隊要通過一個人口中心，還需要參考民政條令；如果指揮官要使用網絡能力，還需要參考網絡戰條令。此外，指揮官可能還需要快速找到相關條令，特別是在面臨對手的意外行動時。在計劃一項行動時，指揮官也可能會查閱陸軍的經驗教訓集，以利用過去進行過類似行動的指揮官的經驗。

也許有可能使用人工智能來幫助指揮官及其參謀人員在條令和經驗教訓中找到所需的信息。要做到這一點，必須采取一些步驟。首先，必須為人工智能系統建立一個語料庫，將條令和經驗教訓的出版物加載到人工智能系統中。從這個語料庫中，人工智能系統可以學習相關的語言，包括術語，并使用自然語言處理建立一個詞庫。然后，人工智能系統可以通過建立索引和元數據對數據進行預處理，使其更有效地處理數據。最后，人類主題專家必須訓練人工智能系統，以使人工智能系統提供更精確的答案和識別模式。訓練可以通過向人工智能系統上傳問題和答案對形式的訓練數據來完成。這種訓練數據不會為人工智能系統提供每個可能問題的答案，但這些數據將幫助人工智能系統學習相關領域的語言模式。一旦人工智能系統被部署，該系統可以通過與用戶的持續互動進一步學習。

通過使用上述方法創建人工智能系統，指揮官及其參謀人員可能會比沒有人工智能系統可供使用時更快、更準確地從條令和經驗教訓中收集所需信息。如果沒有人工智能系統，指揮官將不得不通過手動搜索每個可能與所需信息有關的條令或經驗教訓出版物來尋找所需信息。這種手工搜索是一個耗時的過程，可能不會產生最佳的信息產品，特別是當進行搜索的人有時間壓力的時候。事實上，人類經常會搜索信息，直到達到一個可接受的閾值（例如，做出決定所需的最小信息量），以避免花費太多的認知資源和精力去尋找一個完美的結果（Simon, 1955; 1956; 1957）。然而，通過使用這種方法，人類可能會產生不那么充分的結果。此外，Simon還觀察到，這種方法不太可能產生一個最佳的結果，因為人類通常不會搜索足夠長的時間來找到這樣一個結果。然而，試圖找到最佳結果可能并不理想，因為這樣做需要時間，而當找到最佳結果時，結果可能已經不再有用。因此，如果指揮官試圖找到一個最佳的結果，指揮官可能無法進入對手的決策周期；指揮官需要平衡尋找結果的時間和結果的質量。另一方面，人工智能信息收集系統可能更有可能找到最佳結果，而且人工智能系統可能更有可能在比人類花費更少的時間內找到最佳結果。

盡管在人類信息處理能力有限的情況下，人工智能系統在尋找條令和經驗教訓中的所需信息方面可能比人類更有效率（Baddeley，1992），但這一結果是以人工智能系統經過充分訓練以識別條令和經驗教訓出版物中的語言模式為前提。如果人工智能系統沒有經過充分的訓練，那么人工智能系統的使用者可能會發現次優的結果，并因此對人工智能系統感到失望，最終使人工智能系統被廢棄。此外，人工智能系統只有在人工智能系統的人類用戶適當地校準他們對系統的信任時才會有用（Hancock等人，2011；de Visser, Pak, & Shaw, 2018）。許多人工智能系統由于各種原因，包括環境背景、用戶錯誤和不同背景下的訓練不一致，導致其性能不一致（Rovira, McGarry, Parasuraman, 2007）。例如，一個人工智能系統產生與火力作戰功能相關的準確結果，與機動作戰功能相比，可能產生不太準確的結果。如果人工智能系統的人類用戶完全信任該系統的結果，可能會出現性能下降（Hancock等人，2011）。訓練人類用戶了解人工智能系統何時可能準確，何時不可能準確是至關重要的（de Visser, Pak, & Shaw, 2018）。相反，如果人工智能系統的人類用戶對人工智能系統缺乏信任，那么該系統很可能會被廢棄。因此，人工智能系統不會提高指揮官尋找信息的效率，即使該系統本身在這方面表現出色（Hancock等人，2011）。

目前的研究

盡管人工智能往往擅長于主要用模式識別來解決的任務，以及可以從任務數據中進行預測的任務，如圖像識別、醫療診斷和轉錄，但目前還不知道人工智能是否可以用于提高美國陸軍背景下的信息收集效率，特別是在陸軍指揮官及其參謀人員需要在陸軍條令中尋找信息的背景下。因此，在目前的研究中，我們探討了以下問題：人工智能能否用于提高美國陸軍任務指揮過程中的信息收集效率？為了回答這個問題，我們使用了一個商業人工智能應用系統，這反映了陸軍任務指揮部人工智能應用原型的首次開發工作。在這項研究工作中，我們比較了這個為陸軍量身定做的人工智能系統和其他兩種信息收集方法的參與者在信息收集任務上的表現：一種傳統的信息收集方法（在計算機文件夾中搜索PDF文件），以及一種非陸軍量身定做的人工智能系統。