執行摘要

大數據、人工智能和機器學習代表了當今最前沿的一些技術，并可能成為未來幾十年甚至更久的主導技術。大多數專家都認為，人工智能的發展將比1879年電力發明以來的任何技術都更能改變我們的生活，這一點通常被稱為人工智能或簡稱AI。

可悲的是，在人工智能和無人系統（或用老話說的 "機器人"）的編隊協作問題上，熱度遠遠高于光度，其中大部分是由大眾媒體推動的。普通大眾被不斷喂食關于 "壞"機器人的書籍和電影（例如《世界大戰》、《終結者》），甚至是關于 "好"機器人叛變的書籍和電影（例如《2001：太空漫游》和《機器之家》），普遍擔心今天的機器人--使用人工智能的無人駕駛機器--將以我們在2021年只能模糊感知的方式來主宰我們的生活。

當涉及到人工智能的軍事應用時，這些擔憂就會變得異常強烈。許多人表示擔心，美國軍方可能會失去對其無人系統的控制，特別是其武裝的無人系統。這些擔心已經表現在許多方面，最明顯的是谷歌停止了美國國防部的算法戰爭跨功能團隊的工作，也就是所謂的Maven項目。這尤其令人擔憂，因為Maven項目與武裝無人系統毫無關系。

在許多國家，關于人工智能的軍事用途的對話已經變得尖銳，并阻礙了人工智能在美國軍事武器系統中的有效插入。當人工智能、自主性、無人駕駛和武裝在同一個句子中使用時，這些擔憂被放大了。同時，美國的同行競爭者，中國和俄羅斯，認識到了人工智能在控制他們自己的社會以及其他社會方面的價值，并且正在投資數千億于人工智能，其中大部分是為了給他們的軍隊提供一個與美國軍隊不對稱的優勢。

此外，也許更重要的是，由于今天的戰爭速度往往超過了人腦做出正確決定的能力，美國軍隊需要大數據、人工智能和機器學習，以使其作戰人員在戰斗中獲得優勢，特別是在決策領域。美國軍隊--以及其他國家的軍隊--曾發生過決策者在正確的時間沒有得到正確的信息，來支持時間緊迫的作戰決策而導致悲劇發生的一些情況。

重要的是要注意到，做出這些次優決策的軍事人員在手頭的工具下做了他們能做的最好工作。發生的情況是，戰爭的速度往往超過了人腦做出正確決策的能力。事實上，正如美國陸軍研究實驗室首席科學家亞歷山大-科特博士在一次指揮和控制會議上所說："人類的認知帶寬將成為戰場上最嚴重的制約因素。"

直到最近，將強化決策提高到新水平的技術根本不存在。今天，它確實存在，而且利用大數據、人工智能和機器學習能夠為作戰人員提供的東西，很可能導致海戰的下一個突破，特別是在決策領域。海軍太平洋信息戰系統中心與海軍研發界、工業界和學術界的合作伙伴一起，正在領導各種努力，以確保美國作戰人員有能力以更少的人和更少的錯誤做出更好的決策。

1 大國競爭時代的戰略視角

21世紀在世界秩序、地緣政治和戰爭方式方面迎來了巨大的變化。正如美國國家情報委員會的頂點出版物《全球趨勢:進步的悖論》所說：

• 過去幾十年的進步是歷史性的，它將人們聯系起來，賦予個人、團體和國家權力，并在此過程中使10億人擺脫了貧困。但同樣的進步也催生了阿拉伯之春、2008年全球金融危機以及民粹主義、反建制政治的全球崛起等沖擊。這些沖擊揭示了這些成就是多么的脆弱，凸顯了全球格局的深刻變化，預示著一個黑暗而艱難的近期。

《全球趨勢：進步的悖論》指出，未來五年，國家內部和國家之間的緊張局勢將不斷加劇。全球增長將放緩，就像日益復雜的全球挑戰即將到來一樣。范圍越來越廣的國家、組織和有能力的個人將塑造地緣政治。無論好壞，新出現的全球格局正在結束冷戰后美國占主導地位的時代。以公眾期望的方式進行國際合作和治理將變得更加困難。Covid-19危機放大了這些困難，暴露了國際合作的極限。擁有否決權的人處處威脅要阻止合作，而信息回音室效應將強化無數相互競爭的現實，破壞對世界事件的共同理解。因此，未來幾年發生沖突的幾率將比近期任何時候都要高。

這一評估在美國國家情報局局長的《世界范圍內的威脅評估》中得到了再次確認，其中部分內容指出。"隨著大國和地區侵略者利用復雜的全球趨勢，同時適應美國外交政策的新優先事項，各國之間的競爭將在未來幾年內增加。國家間沖突的風險，包括大國之間的沖突，比冷戰結束以來的任何時候都要高。"雖然現在評估Covid-19大流行病的全面影響還為時過早，但初步跡象表明，這場危機加劇了美國與其同行競爭對手之間的緊張關系。

2021年，美國仍然在世界各地參與活動。國家安全戰略涉及對美國安全和繁榮的廣泛威脅。這些威脅包括從中國和俄羅斯這樣的高端同行競爭對手，到朝鮮和伊朗，以及以伊黎伊斯蘭國為代表的恐怖主義的持續威脅。在里根國防論壇上的國家安全戰略預演中，當時的國家安全顧問麥克馬斯特將軍強調了這些威脅，并再次確認了前政府的 "4+1戰略"，將俄羅斯、中國、伊朗和朝鮮這四個國家以及 "+1"--恐怖分子，尤其是ISIL--列為美國今天必須應對的緊迫威脅。

國際安全范式的這一巨大變化的程度怎么強調都不過分。引起這一新焦點的原因并不神秘，那就是與中國和俄羅斯的大國競爭。事實上，《國家安全戰略》提出了保護美國人民和維護他們的生活方式、促進繁榮、通過實力維護和平以及提升美國在世界上的影響力的戰略愿景。值得注意的是，這個新的、發達的戰略代表了與以前版本的巨大轉變，以前的版本側重于安全、繁榮和國際秩序這三大支柱，都是一些沒有什么具體內容的理想。這個新的國家安全戰略強化了美國對中國和俄羅斯的立場，拋棄了 "朋友 "和 "伙伴 "的字眼，取而代之的是 "修正主義國家 "和 "競爭對手"。

《國防戰略》進一步發展了《國家安全戰略》中提出的主題，更直接地處理了對美國安全和繁榮的威脅。這份文件指出，美國面臨的核心挑戰是被《國家安全戰略》歸類為修正主義大國的長期戰略競爭的重新出現。它指出，越來越明顯的是，中國和俄羅斯想要塑造一個符合其“獨裁”模式的世界--獲得對其他國家的經濟、外交和安全決定的否決權。《國防戰略》發表后不久，美國防部高級官員從詞典中刪除了 "4+1戰略 "一詞，現在以 "2+3戰略 "的方式談論，以承認俄羅斯和中國構成的生存威脅。美國防部領導人已經公開表示，"中國是第一，俄羅斯是第二"。此外，他們還說，俄羅斯仍然是我們最大的近期安全挑戰，而中國是我們最大的長期挑戰。

這份國防戰略繼續說："與中國和俄羅斯的長期戰略競爭是國防部的主要優先事項，需要增加和持續的投資，因為它們今天對美國的安全和繁榮構成了巨大的威脅，而且這些威脅在未來可能會增加。"

國會研究服務處的一份文件《向國會提交的關于大國競爭和國防的報告》中描述了這種急劇變化的戰略格局。以下是這份報告對今天的戰略環境的描述：

• 國際關系的后冷戰時代--始于20世紀90年代初，有時被稱為單極時刻（美國是單極大國）--在2006-2008年顯示出消退的初步跡象，到2014年已經讓位于與中國和俄羅斯重新開始的大國競爭以及這兩個國家和其他國家對二戰以來美國主導的國際秩序要素的挑戰，這是一種根本性的不同情況。

• 在奧巴馬政府2015年6月的《國家軍事戰略》中，大國競爭的恢復與其他考慮因素一起被承認，并被置于特朗普政府2017年12月的《國家安全戰略》（NSS）和2018年1月的《國防戰略》（NDS）的中心位置。2017年12月的NSS和2018年1月的NDS正式調整了美國國家安全戰略和美國國防戰略的方向，明確將主要精力放在與中國和俄羅斯的大國競爭上。國防部（DOD）官員隨后將對抗中國的軍事能力確定為國防部的首要任務。

國會研究處隨后的一份報告《國防初探：地理、戰略和部隊設計》強調了將美國的戰略重點轉向這兩個歐亞大國的重要性，指出：

• 防止歐亞大陸出現區域性霸權，有時也被稱為維護歐亞大陸的權力分工，或防止歐亞大陸的關鍵地區被一個大國所支配，或防止出現勢力范圍的世界，這可能是歐亞大陸出現一個或多個區域性霸權的后果。

以下是《紐約時報》的一篇社論如何看待美國面臨的長期挑戰問題。"冠狀病毒可能幾乎改變了一切，但它并沒有改變這一點。美國面臨的全球挑戰還在繼續，美國的對手在測試極限，看看他們能在最小的反擊下取得什么成果。"

雖然通常留給更高級別的文件，但美國海軍的《維持海上優勢的設計2.0》也強調了這種同行（而且明顯不再是 "近鄰"）競爭的首要重要性，指出："中國和俄羅斯正在部署其國家力量的所有要素以實現其全球“野心”......中國和俄羅斯試圖以對自己更有利的條件重新定義整個國際體系的規范"。

邁克爾-吉爾德伊上將在就任美國海軍作戰部長后的指示中，強調了這種對高端作戰的需求，以及與美國海軍陸戰隊整合的重要性，在他的FRAGO 01/2019中指出："我們將確保作戰能力和致命部隊的整體性，使分布式海上作戰、遠征先進基地作戰和有爭議環境中的瀕海作戰效益最大化。"

雖然是聯合部隊集體為國家作戰，但海軍部隊在應對大國競爭方面的重要性在一份題為《海上安全和大國競爭》的報告中得到強調。《維護以美國為首的國際秩序》，其中部分內容指出：

• 大國競爭(GPC)將大量的注意力引向了威懾或擊敗美國最強大的競爭對手所需的高端能力。然而，競爭不僅僅是高強度的沖突，這就需要對不太激烈的沖突形式與大國競爭之間的關系進行更深入的質疑。盡管分析家們越來越多地詢問全球契約對日常競爭意味著什么，但很少有人詢問全球契約與海軍的海上安全任務之間的關系。這種關注很重要，因為水面海軍的長期部署通常以海上安全行動為主--戰區安全交戰、航行自由行動、人道主義援助等等。

這并不是說海軍比美國其他軍種更重要，也不是說像一些海軍專家所建議的那樣，海軍應該在有限的國防預算中獲得更大的份額，而是說大國競爭的前線是，而且可能繼續是廣闊的歐亞大陸的沿海地區。南中國海的持續摩擦只是大國競爭中的一個爭論點，還有很多其他爭論點。

美國在2020年12月發布的新海洋戰略《海上優勢》毫不含糊地將海上事務置于這一大國競爭的最前沿，其中部分內容指出：

• 自我們上次在2015年發布《21世紀海權合作戰略》以來，安全環境發生了巨大的變化。一些國家正在爭奪關鍵地區的權力平衡，并試圖破壞現有的世界秩序。我們的對手的重大技術發展和積極的軍事現代化正在侵蝕我們的軍事優勢。遠程精確導彈的擴散意味著美國不能再假定在沖突時可以不受限制地進入世界海洋。

• 自21世紀初以來，我們的三個海務部門一直在警惕地注視著中國日益增長的海軍力量和俄羅斯聯邦日益增長的侵略行為。我們部署在全球的海軍部隊每天都與中國和俄羅斯的軍艦和飛機互動。我們親眼目睹了他們越來越復雜和越來越有侵略性的行為。中國代表著最緊迫的、長期的戰略威脅。

《國防戰略》高度關注技術，并指出，如果不利用先進的技術來支持我們的作戰人員，美國將無法實現它所尋求的安全和繁榮，并指出：

• 安全環境也受到快速的技術進步和戰爭性質變化的影響。開發新技術的動力是無情的，以較低的準入門檻擴大到更多的行為者，并以加速的速度發展。新技術包括先進的計算、大數據分析、人工智能、自主性、機器人、定向能、高超音速和生物技術--正是這些技術確保我們能夠打贏未來的戰爭。

• 新的商業技術將改變社會，并最終改變戰爭的性質。許多技術發展將來自于商業部門，這意味著國家競爭者和非國家行為者也將有機會獲得這些技術，這一事實有可能侵蝕我們國家已經習慣的傳統的超強對抗。保持技術優勢將需要改變行業文化、投資來源和保護整個國家安全創新基地。

《全球趨勢》中強調的發展。《全球趨勢：進步的悖論》以及《國家安全戰略》和《國防戰略》中強調的發展，在美國軍方的未來展望出版物《2035年聯合行動環境》（又稱JOE）中得到了呼應。《聯合作戰環境》的副標題是 "有爭議和無序世界中的聯合部隊"，它著眼于20年后，研究未來將如何影響作戰和聯合部隊。《聯合作戰環境》強調，即使在伊拉克和阿富汗的沖突逐漸結束時，美國軍隊在本十年的剩余時間和以后將面臨越來越大的壓力。

《2035年聯合行動環境》有一節專門討論技術。報告的作者解釋了這樣處理技術問題的理由：

• 聯合部隊將面臨一個主要由加速的技術變革定義的未來技術環境。在過去的20年里，美國對高技術戰爭的做法鼓勵了對手發展非對稱、非常規、不規則和混合的方法。敵人將繼續創新，應用不同的高低技術組合來挫敗美國的利益和軍事力量。

• 到2035年，美國將面對一系列尋求在一些關鍵領域實現技術平等的競爭對手。累積的結果將是這樣一種情況，用前國防部副部長羅伯特-沃克的話說，"我們的部隊面臨著非常現實的可能性，即到達未來的一個戰區，發現自己面臨著一個先進的、破壞性的技術庫，這可能會使我們以前的技術優勢被推翻--我們的武裝部隊不再擁有無爭議的戰區準入或不受約束的行動自由。"

很明顯，美國情報界和美國軍方都認識到，世界秩序的變化速度與技術生態系統的快速變化如出一轍。此外，在美國政府的最高層，人們承認美國曾經享有的技術優勢已經被削弱，美國軍隊不能再以純粹的技術優勢來支配其對手了。事實上，一些寫軍事和技術的專家已經預示了這種認識。

軍事歷史學家馬克斯-布特（Max Boot）在他的暢銷書《全新的戰爭》（War Made New）中指出："我的觀點是，技術設定了可能的參數；它創造了軍事革命的潛力。"他用歷史實例支持他的論點，說明技術驅動的 "軍事革命 "如何改變了戰爭并改變了歷史的進程。重要的是，布特指出了技術的重要性，它使那些迅速創新和運用新軍事技術的國家獲得了戰爭勝利的優勢。

美國軍隊已經接受了技術變革的浪潮，這構成了戰爭方式的真正革命。隨著全球技術變革的步伐加快，美國特別善于運用新技術來應對威脅。正如布魯斯-伯科維茨在《戰爭的新面貌》中指出的那樣：

• 戰時經驗表明，正確的技術，明智地使用，使純粹的數量變得無關緊要。轉折點是1991年的海灣戰爭。戰爭結束時，美國及其聯盟伙伴僅損失了240人。伊拉克遭受了大約10,000人的戰死，盡管沒有人會真正確定。不同的是，美國人可以在晚上看到東西，在沒有特征的沙漠中開車而不迷路，并以90%的概率將一枚智能炸彈投入目標。

雖然所引用的兩本書都是十多年前的舊書，但它們關于技術的論述在美國軍隊接受新工具的方式上仍然是正確的。但正如《2035年聯合作戰環境》以及其他高級別政府、情報界和軍事出版物所指出的，雖然美軍一直善于采用新技術用于軍事用途，但這一過程一直處于壓力之下。有許多因素阻礙了新技術在美國軍隊中的應用，包括這些部隊在過去20年中所面臨的高操作節奏、預算壓力和持續的扣押幽靈，以及往往是笨重的軍事采購系統。盡管有這些壓力，各軍種已經找到了接受新技術的方法，這些技術有望使平衡重新向美國的優勢傾斜。

今天，美國軍隊采用的創新技術中增長最迅速的領域之一涉及無人駕駛系統。在過去的幾十年里，美軍使用的無人駕駛飛行器（UAVs）已經從寥寥無幾增加到1萬多架，而無人駕駛地面車輛（UGVs）的使用已經從零爆炸到12000多架。無人水面飛行器（USV）和無人水下飛行器（UUV）的使用也在增長，因為USV和UUV被證明在廣泛的軍事應用中越來越有用。軍事無人系統（UxS）的擴大使用已經在創造十年前不存在的戰略、作戰和戰術的可能性。

武裝無人系統的擴大使用不僅改變了現代戰爭的面貌，而且還改變了戰斗行動的決策過程。事實上，有人認為，無人機戰爭的興起正在改變我們對 "戰爭 "本身的概念和定義。這些系統在伊拉克和阿富汗的沖突中被廣泛使用，并且隨著美國的戰略重點轉向印度-亞洲-太平洋地區以及這一戰略所要求的高端戰爭，這些系統將繼續具有同樣的相關性，甚至更加重要。無人系統，尤其是它們的效用，不是作為獨立的實體，而是作為被稱為 "人-機-隊 "的作戰伙伴，是美國 "第三抵消戰略 "的一個基本原則。

2 對 "抵消"戰略的需求

美國防部已經啟動了 "第三次抵消戰略"，以確保美國保持對潛在對手的軍事優勢。"抵消"戰略是一種軍事競爭的方法，它試圖以不對稱的方式彌補不利的地位。與其在潛在對手也可能擁有巨大實力的領域進行正面競爭，抵消戰略試圖通過引入新的作戰概念和技術，將競爭的軸心轉向美國具有顯著和可持續優勢的領域。

美國在冷戰期間成功地推行了兩種不同的抵消戰略。這些戰略使美國能夠 "抵消"蘇聯在常規部隊中的數量優勢，而不需要在前沿部署的部隊中進行巨大的投資，因為這需要以士兵對士兵、以坦克對坦克的方式提供超額補償。這些抵消戰略依賴于技術、作戰方法和組織結構的根本創新，以彌補蘇聯在時間、空間和部隊規模上的優勢。

這些抵消戰略中的第一個發生在20世紀50年代，當時艾森豪威爾總統試圖通過利用美國的核優勢來克服華沙條約組織的數量優勢，引入戰場核武器--從而將競爭的軸心從常規部隊數量轉移到美國擁有不對稱優勢的領域。這種方法提供了穩定性并為威懾提供了基礎。

第二種抵消戰略產生于20世紀70年代末和80年代初，因為人們認識到蘇聯已經實現了核均勢。第二個抵消戰略試圖通過追求一種新的聯合行動方式來創造一種持久的優勢，即利用常規精確武器、支持實時精確瞄準的實時遠程ISR（情報、監視、偵察）傳感器能力以及允許這些能力在整個戰斗空間同步執行的聯合戰斗網絡的綜合效應。

幸運的是，構成 "第二次抵消戰略 "的軍事技術從未在與蘇聯的正面交鋒中得到檢驗。然而，在 "沙漠風暴 "行動中，這些技術被部署在一支由蘇聯訓練和裝備的軍隊面前。如前所述，正如《戰爭的新面孔》所描述的那樣，伊拉克的失敗是徹底的，代表了現代戰爭中最一邊倒的運動之一。顯然，美國的潛在敵人注意到技術在這場勝利中發揮的關鍵作用。

在20世紀80年代初引入第二套抵消戰略時，美國是唯一擁有知識和能力來開發、部署和成功執行情報、監視和偵察能力、天基系統以及支持這種方法的精確武器的國家。今天，像俄羅斯和中國這樣的競爭對手（以及這些國家向其擴散先進能力的國家）正在追求和部署先進的武器和能力，這些武器和能力展示了許多與傳統上為美國優勢提供高科技基礎的技術力量，如精確制導彈藥。在俄羅斯在敘利亞的力量投射行動中，可以看到美國技術能力與潛在競爭對手之間的這種日益對稱性。

國際安全環境中出現的越來越多的均勢，使得美國必須開始考慮各種技術、系統概念、軍事組織和作戰概念的組合，這些技術、系統概念、軍事組織和作戰概念可能會改變競爭的性質，使美國比潛在對手更有優勢。這一系列的能力為第三個抵消戰略提供了基礎。如同以前的抵消戰略一樣，第三個抵消戰略尋求在預算有限的環境下，通過確定美國獨特的力量和能力所帶來的不對稱優勢，保持并擴大美國的技術和作戰競爭優勢。第三套抵消戰略確保美國的常規威懾態勢在未來仍像今天一樣強大，并為將這一優勢擴展到未來創造條件。

在解釋《第三次抵消戰略》的技術要素時，當時的國防部副部長羅伯特-沃克強調了無人系統、人工智能、機器學習和自動駕駛方面新興能力的重要性。他指出，這些技術為聯合部隊提供了巨大的優勢，使未來的部隊能夠開發和操作先進的聯合、協作的人機戰斗網絡，在太空、空中、海上、海底、地面和網絡領域同步作戰。人工智能將使聯合作戰網絡的自主性達到新的水平--決策權的有限授權，從而為人機協作和作戰團隊帶來全新的機會。

無人系統、人工智能和機器學習等技術在第三個抵消戰略中，特別是在該戰略的長期研究和發展計劃（LRRDP）中的突出地位很難被夸大。

也就是說，該戰略有一個強有力的組成部分，強調在使用具有日益復雜的人工智能和機器學習能力的無人系統時，要讓人類處于循環之中。事實上，人機協作是現存的 "第三抵消戰略 "文件以及國防部高級官員的演講和訪談中所強調的一個必要條件。雖然深入研究 "第三抵消戰略 "技術主旨的全部細節超出了本文的范圍，但重要的是要注意，該戰略的主要技術路線集中在人機協作和戰斗團隊的概念上。這一概念的五個基本組成部分是:

• 自主深度學習系統，它將利用機器學習，在人類反應時間太慢的領域 "以光速 "運作，例如網絡攻擊、電子戰攻擊或大型導彈突襲攻擊。

• 人機協作，這將使機器能夠幫助人類更快地做出更好的決定。工部長列舉了F-35聯合攻擊戰斗機和海軍綜合火控反航（NIFC-CA）作為這些概念的例子。

• 輔助人類作戰，這將專注于人和機器可以一起行動的方式，通過可穿戴電子設備、外骨骼和戰斗應用等工具，在各種可能的緊急情況下協助作戰人員。

• 先進的人機作戰團隊，將側重于人類與無人系統合作作戰；其中一個例子是海軍的P-8 "海神 "與MQ-4C "海神 "的作戰。展望未來，團隊合作的下一個層次將研究蜂群戰術和合作自主。

• 網絡支持的、網絡硬化的自主武器，將有彈性地在電子戰和網絡環境中運行。目前的一個例子包括戰術戰斧Block IX，其目標可以在飛行中更新。

知識淵博的外部觀察家參考了《第三次抵消戰略》，并強調了無人駕駛系統在實現美國戰略目標方面的重要性。前歐洲盟軍最高司令官詹姆斯-斯塔夫里迪斯（James Stavridis）上將在其發表在《外交政策》上的文章《新三體》中指出，無人系統是這個新三體的三大支柱之一，他指出："新三體的第二個能力是無人駕駛車輛和傳感器。三合會的這一分支不僅包括空中攻擊無人機，還包括空中、地面和海洋表面的無人監視車......這種系統有一個明顯的優勢，即不需要所有最昂貴的部件：人。"

美國陸軍的一份報告描述了在2014年首次闡述的第三次抵消戰略，而且遠在美國開始稱中國和俄羅斯為同行競爭對手之前，該戰略必須在21世紀的第三個十年中變形和改變:

• 蘇聯軍隊在數量上的優勢促成了前兩個抵消戰略。隨著美國軍事技術進步的應用已經擴散到近似的對手，它已經有效地重新平衡了戰場。為確保第三次抵消戰略的成功實施，國防部與美國政府必須就我們試圖抵消的東西以及如何平衡這些優先事項以對付處于巨大不同區域和能力的對手達成一致。

• 第三抵消戰略的運用將恢復美國的力量投射能力，通過可靠的拒絕和懲罰威脅來加強常規威懾力，并作為長期競爭的一部分對潛在的對手施加代價。平衡或擊敗對手能力的能力需要資源，為確保有效運用該戰略，我們必須解決我們試圖抵消的問題。

鑒于第三個抵消戰略的強烈技術重點，在美國尋求在本十年及以后實施這一戰略時，這一戰略的表現將由聯合部隊放置在戰場上的軍事平臺、系統、傳感器和武器所代表。同樣明顯的是，美國各軍種--特別是美國海軍--已經表示希望將無人系統作為其部隊結構中一個日益重要的部分投入戰場。

3 大數據、人工智能和機器學習與軍事武器系統

在國會作證時，前國防部長邁克爾-埃斯珀回答了一個問題："美國防部技術現代化的首要任務是什么？"他指出，"對我來說，是人工智能。我認為人工智能將可能改變戰爭的特征，我相信誰先掌握了它，誰就會在戰場上主宰很多很多年。這是一個根本性的游戲改變者。我們必須先到達那里。"

美國軍方有許多理由主動利用大數據、人工智能和機器學習來使其武器系統變得更好。也許最令人信服的理由是，我們的潛在對手--特別是我們的同行競爭對手--正在積極地這樣做。一個古老的觀點是軍事術語，"敵人有投票權"。在這種情況下，俄羅斯正在用盧布投票，中國正在用人民幣投票。

這些國家正在對這些技術進行巨大投資。雖然這兩個國家出于國內原因進行這些投資，但他們正在有意和有條不紊地將這些技術盡可能快地插入他們的軍事系統，以便創造一個與美國軍隊不對稱的優勢。鑒于俄羅斯和中國注重保密，這些舉動似乎有悖常理，但這兩個國家都沒有試圖對這些目標保密。

在一次被廣泛宣傳的講話中，俄羅斯總統弗拉基米爾-普京這樣說。"人工智能是未來，不僅是俄羅斯的，而且是全人類的。它帶來了巨大的機遇，但也有難以預測的威脅。誰成為這個領域的領導者，誰就會成為世界的統治者。"

很明顯，其他 "大國 "將人工智能的發展視為一場競賽，并將從中利用競爭性軍事應用。

從美國的角度來看，以及從一些美國盟國的角度來看，這場競賽在很大程度上是，盡管不完全是，軍事競爭的一個方面。美國和盟國對一個或多個潛在對手在人工智能發展中領先的可能性表示擔憂。第三套抵消戰略被設想為一種在人工智能等新技術的軍事競爭中保持領先的方法。

軍事大國競爭的歷史表明，人工智能競爭，本質上是一場軍備競賽，是一種自然發展。然而，比技術跨越更令人擔憂的是，美國的軍事對手--所有某種形式的專制政權--可能不會像以前那樣致力于維持 "人在回路中 "的方法，將人工智能納入軍事事務。這在目前俄羅斯的軍事人工智能發展中似乎尤其如此。

俄羅斯、中國和美國這三個主要軍事大國都認識到，大數據、人工智能和機器學習有可能應用于軍事能力。在政府參與人工智能研究、他們愿意在人工智能發展中承擔的風險、他們將在多大程度上讓位于人工智能系統的自主權以及他們尋求的直接應用方面，這三者的近期目標都有所不同。

鑒于潛在對手將大數據、人工智能和機器學習植入其軍事武器系統的程度，美國軍方非常有必要采取同樣的措施，以確保這些國家不會獲得不對稱的優勢。也就是說，美國軍方的重點必須是證明人工智能武器系統將 "首先不造成傷害"。因此，將人工智能插入軍事系統不是一個 "非此即彼 "的問題，而是一個 "多少？"的問題。換句話說，美國軍方必須專注于在正確的時間和地點應用適量的人工智能。

正如我們前面所指出的，美國防部已經接受了第三套抵消戰略，試圖為美國提供對同行和其他對手的不對稱優勢。雖然這一戰略有許多方面，但其中一個支柱涉及技術，而這一支柱在很大程度上取決于大數據、人工智能和機器學習來獲得這一優勢。作為這一技術重點的一個子集，人機合作被認為是利用人工智能的無人系統獲得軍事優勢的一種方式。

在軍事系統中找到這種恰到好處的自主權平衡所需的能力必須利用許多仍在出現的技術。軍方知道它想實現什么，但往往不知道它需要什么技術或甚至能力，以使系統在自主性和人際互動之間達到適當的平衡。這種探索的一個關鍵因素是，不要擔心機器本身擁有什么屬性--速度、耐力和其他屬性，而是要關注機器內部的東西。美國國防科學委員會的報告《自主性在國防部系統中的作用》是這樣說的:

• 與其將自主性視為無人系統孤立的內在屬性，不如從人與系統協作的角度來考慮無人系統的設計和操作......操作人員面臨的一個關鍵挑戰是保持執行任務所需的人機協作，而這種協作經常因設計不當而受到阻礙......無人系統開發人員面臨的一個關鍵挑戰是從以硬件為導向、以車輛為中心的開發和獲取過程轉向強調軟件在創造自主性方面的首要地位。

關于將人工智能植入軍事系統的一些爭議源于術語的不精確。幫助澄清這種模糊性的方法之一是確保在使用自主性一詞時，它指的是人和機器之間的關系。在一段時間內執行某項功能，然后停止并等待人類的輸入，然后再繼續，這樣的機器通常被稱為半自主或有人類在環。可以完全依靠自己的力量完成某項功能的機器，但有一個人在監督，并能夠在機器出現故障或失靈時進行干預，通常被稱為人類監督下的自主或人類在環。能夠完全獨立完成某項功能而人類無法干預的機器通常被稱為完全自主或人類不參與的機器。

這表明，我們需要重新調整關于自主武器的一些辯論，以更準確地區分增加武器的自主性和自主武器。在這個意義上，自主性不是指機器的智能，而是指它與人類控制器的關系。對于相對較少的無人系統將用武器與敵人作戰，這種平衡是至關重要的。在發射武器之前，無人平臺需要向操作者--必須有一個操作者在其中--提供一個關于發射決定可能帶來的利弊的決策矩陣。

可以說，即使是一些在美國軍事人工智能領域工作的人，對于將人工智能插入美國軍事武器系統也會有一些矛盾。也許解決這個問題的最好方法是考慮二戰中最知名的照片之一。這張照片由美國信號部隊的約翰-摩爾中尉拍攝，描述了德懷特-艾森豪威爾將軍在1944年6月5日，即入侵諾曼底的前一天與第101空降師的士兵交談。在此之前，艾森豪威爾已經聽取了空軍元帥利-馬洛里的匯報，101師是入侵期間將遭受80%傷亡的兩支部隊之一。

那些研究無人系統對軍事行動的影響的人--特別是那些大力提倡無人系統的人--看了這張照片，可以設想艾森豪威爾將軍不是與美國空降兵對話，而是與他將派往戰場的機器人對話。那些害怕無人系統的人可能會想象美國空降兵就像照片中描述的那樣，但他們會設想一個機器人來指揮這些士兵，而不是艾森豪威爾將軍--顯然這是一個站不住腳的情況。但是，那些深思熟慮地考慮人工智能無人系統對軍事行動的影響的人，會設想艾森豪威爾將軍向一隊美國空降兵講話，與他們的機器人伙伴站在一起。顯然，需要做更多的工作來充分解決人機合作對今天的軍隊意味著什么。

但這種利用大數據、人工智能和機器學習的普遍愿望未能解決一個關鍵問題，即我們希望這些技術能夠幫助作戰人員執行哪些具體任務。問題的根源可能是美國軍方沒有能力將作戰人員的需求轉化為大數據、人工智能和機器學習所帶來的技術解決方案。除非或直到這樣做，否則這些技術不太可能被充分利用來支持美國的作戰人員。

4 公眾將接受什么？軍事武器系統自主化的黑暗面

作為上個世紀最具代表性的電影之一，斯坦利-庫布里克的《2001：太空漫游》將機器人（當時的無人駕駛車輛）的自主性問題作為其中心主題。看過這部電影的人很少能忘記這樣一個場景：宇航員大衛-鮑曼和弗蘭克-普爾考慮斷開HAL（啟發式編程的算法計算機）的認知電路，因為他似乎錯誤地報告了航天器的通信天線中存在故障。他們試圖隱瞞他們所說的話，但不知道HAL能讀懂他們的嘴唇。面對斷線的前景，HAL決定殺死宇航員，以保護并繼續其程序化的指令。

雖然今天很少有人擔心21世紀的HAL會背叛它的主人，但在使用日益自主的無人系統方面所涉及的問題是復雜的、具有挑戰性和有爭議的。庫布里克1968年的電影是有先見之明的。半個多世紀后，雖然我們接受了無人系統其他方面的改進，如推進力、有效載荷、隱身性、速度、耐力和其他屬性，但我們仍在處理多少自主權是足夠的，多少可能是太多的問題。這可以說是我們在未來十年內需要解決的有關軍事無人系統的最重要問題。

這些正在進行的辯論已經催生了一個山寨的書籍產業，試圖解決人工智能、自主性和無人系統的問題，特別是武裝的軍事無人系統。諸如《為戰爭而生》（Wired for War）、《遙控殺人》（Killing by Remote Control）等書。無人駕駛軍隊的倫理；無人駕駛。無人機、數據和完美戰爭的幻覺；反思無人機戰爭；無主之軍。自主武器與戰爭的未來》和《無人機下的國家》只是試圖以深思熟慮的方式解決這一復雜問題的書籍中的一個例子。

無人系統將變得更加自主，與它們感知環境和適應環境的能力成正比。這種能力使無人系統能夠實現更高的決策速度，并使友軍能夠在對手的OODA（觀察、定向、決定和行動）環路內行動。隨著環境或任務的變化，感知和適應的能力將使無人系統能夠找到實現其任務的最佳解決方案，而無需依賴人類操作員的持續監督、輸入和決策。然而，雖然我們需要無人系統在敵人的OODA環內運作，但我們是否準備好讓它們在沒有我們的決策下運作--在我們的OODA環內運作？

《經濟學人》雜志的一篇文章《道德與機器》以這種方式討論了自主權和人在回路中的問題：

• 隨著機器變得越來越聰明，越來越普遍，自主機器最終必然會在不可預測的情況下做出生死攸關的決定，從而承擔--或者至少看起來承擔--道德機構。目前，武器系統有人類操作員 "在環"，但隨著它們越來越復雜，將有可能轉為 "在環 "操作，由機器自主執行命令。

• 隨著這種情況的發生，它們將面臨著倫理上的困境。一架無人機是否應該向已知目標藏身的房屋開火，而該房屋可能還藏有平民？無人駕駛汽車是否應該轉彎以避開行人，如果這意味著撞上其他車輛或危及車內人員？參與災難恢復的機器人是否應該告訴人們正在發生的真相，如果這有可能引起恐慌？

• 這些問題導致了 "機器倫理"領域的出現，其目的是讓機器有能力做出適當的選擇--換句話說--分辨是非。工程師、倫理學家、律師和政策制定者之間需要更多的合作，如果讓他們自己來決定，他們都會制定出非常不同的規則。

在《紐約時報》的一篇題為 "智能無人機 "的專欄文章中，比爾-凱勒這樣描述無人系統的自主權問題：

• 如果你覺得使用遙控戰士無人機令人不安，想象一下，殺死一個可疑敵人的決定不是由遠處控制室的操作員做出的，而是由機器本身做出的。想象一下，一個空中機器人研究下面的景觀，識別出敵對活動，計算出附帶損害的風險最小，然后，在沒有人類參與的情況下，扣動扳機。

• 歡迎來到戰爭的未來。當美國人在爭論總統是否有權下令用無人機進行暗殺時，強大的動力--科學、軍事和商業--正在推動我們走向將同樣的致命權力讓給軟件的那一天。

最近，雖然看起來有些反常，但對自主機器和人工智能的擔憂也來自于在開發這些技術能力方面最為突出的行業。《紐約時報》的一篇文章，題為 "機器人霸主？也許不是"，引用了電影《機器之家》的導演亞歷克斯-加蘭（Alex Garland）的話，他談到了人工智能，并引用了幾個科技行業領導人的話。

• 理論物理學家斯蒂芬-霍金告訴我們，"全面人工智能的發展可能意味著人類的終結"。特斯拉的首席執行官埃隆-馬斯克告訴我們，人工智能 "可能比核彈更危險"。蘋果公司的聯合創始人史蒂夫-沃茲尼亞克告訴我們，"計算機將取代人類"，"未來是可怕的，對人非常不利。"

美國防部正在把人類對無人系統的控制問題作為第一要務來處理，并發布了政策指示，以確保人類確實保持在OODA循環中。時任美國防部副部長阿什頓-卡特（Ashton Carter）的一項指令發布了以下指導：

• 自主和半自主武器系統需要人類的投入和持續的核查，以幫助防止意外的交戰。這些系統的設計應允許指揮官和作戰人員對武力的使用進行適當程度的人為判斷。授權使用或操作這些系統的人類，必須以適當的謹慎并按照戰爭法、適用的條約、武器系統安全規則和適用的交戰規則行事。自主系統的定義是，一旦啟動，就可以選擇和攻擊目標，而無需人類操作員進一步干預的武器系統。

這些指令和討論是--而且應該是--政策制定者、軍事領導人、工業界、學術界和科技界之間對話的一部分，因為明天的自主系統的設計和運作是經過深思熟慮的。正如當時的國防部副部長羅伯特-沃克在新美國安全中心國防論壇上發言時指出的那樣，"我們堅信，人類應該是唯一能夠決定何時使用致命武力的人。但當你受到攻擊時，特別是在機器的速度下，我們希望有一臺機器可以保護我們"。

發布政策聲明是一回事，但實際設計自主系統來執行預期的計劃又是另一回事。從政策的角度來看，這是一個關鍵點，因為盡管人們可以選擇把各種層次的決策權交給自主機器，但卻不能逃避對由此產生的行動的責任。在高度自主的系統中，系統對操作者來說變得不透明，這些操作者經常會問一些問題，如：。它在做什么？它為什么要這樣做？它接下來要做什么？如果被問到這些問題，很難看到操作者如何能履行對自主系統行動的責任。

由于這些原因，美國政府，特別是美國軍方要向美國公眾證明它不會失去對機器人的控制，其門檻是異常高的。許多人表示擔心，美國軍方可能會失去對其無人系統的控制，特別是其武裝的無人系統。這些擔心已經表現在許多方面，最明顯的是谷歌停止了國防部算法戰爭跨職能團隊的工作，也就是所謂的Maven項目。這尤其令人擔憂，因為Maven項目與武裝無人系統無關。

5 美國軍事自主系統規劃

在美國最高級別的政策和戰略文件中，無人系統被作為聯合部隊未來作戰方式的一個重要部分。最近的《四年期國防審查》（QDR）指出："延續1990年代末開始的趨勢，美軍將增加對無人系統的使用和整合。" 在QDR的其他地方，無人駕駛系統被確定為。"保持我們投射力量的能力"。重要的是，《QDR》強調無人系統是國防部致力于創新和適應的一個關鍵部分。

美國國防部對無人系統的愿景是將這些系統納入聯合部隊。由于無人系統被所有軍種使用，國防部發布了一個路線圖，為軍隊使用無人系統提供一個總體愿景。在新的路線圖發布后不久，《海軍內部》雜志發表的一篇文章指出："國防部新的30年無人系統計劃--四年來第一次更新路線圖--旨在為快速發展的無人系統技術領域制定一個三十年的指南。"最近的路線圖，即2017-2042財年無人系統綜合路線圖，特別指出需要加強無人系統的自主性，指出。

• 美國防部保持著將無人系統繼續擴展到聯合部隊結構的愿景，并確定了將進一步擴大無人系統潛在整合的興趣和投資領域。本文件的目的是提供總體戰略指導，使各軍種的無人系統目標和努力與國防部的戰略愿景保持一致。該戰略指導將側重于減少重復工作，促成合作，確定挑戰，并概述了國防部和工業界可能合作的主要領域，以進一步擴大無人系統的潛力。由于國防部已經接受了在幾乎所有作戰環境中使用無人系統，這項戰略將使國防部能夠利用無人系統提供的技術進步和模式轉變。

2017-2042財年無人系統綜合路線圖接著列出了四個感興趣的基礎領域，將加速無人系統的整合。這些領域包括:

• 互操作性。互操作性在歷史上一直是，并將繼續是無人系統集成和運行的主要推動力。載人和無人系統已經越來越多地將其能力協同起來，重點關注使用開放和通用架構的關鍵需求。一個強大的互操作性基礎提供了一個結構，將使未來的作戰取得進展。

• 自主性。自主性和機器人技術的進步有可能徹底改變作戰概念，成為一個重要的力量倍增器。自主性將大大提高載人和無人系統的效率和效力，為國防部提供戰略優勢。

• 網絡安全。無人系統操作通常依賴于網絡連接和有效的頻譜訪問。必須解決網絡漏洞，以防止破壞或操縱。

• 人機協作。如果說互操作性奠定了基礎，那么人機協作則是最終目標。人類力量和機器之間的協作將實現革命性的合作，機器將被視為重要的隊友。

報告接著討論了機器人和無人系統的聯合概念（JCRAS），它為這些系統在未來戰爭場景中的應用提供了一個愿景，直到2035年。JCRAS與之前討論的2035年聯合行動環境直接保持一致，指出了機器人和自主系統（RAS）給聯合部隊帶來的八個關鍵屬性：

• 學習能力。未來的RAS將通過與環境、人類的互動以及訪問網絡資源來學習。

• 更強的態勢感知。未來的RAS將通過收集、處理和優先處理來自先進傳感器網絡的信息來增強意識，這將為作戰人員將數據轉換成知識。這將使復雜、擁擠的戰斗空間中的行動更加有效。

• 實現更高的性能。與載人和可選擇的載人系統不同，RAS沒有人類生理上的限制（如疲勞）。這允許在單一平臺上延長射程和徘徊時間，進行持久監視，并對傳感器和有效載荷進行全新組合。

• 提高效率和效益。能力更強的RAS將能夠在軍事行動范圍內執行更多的聯合任務，如戰區內空運、地雷行動、打擊大規模殺傷性武器、供應和維持，同時提高部隊的效率和效力。

• 提供更大的靈活性。未來的RAS系統將可以通過交換模塊硬件和/或下載新的軟件來快速重新配置，從而賦予新的能力。未來的RAS多任務功能將使聯合部隊能夠快速適應，以滿足不同或不斷變化的任務要求。

• 通過以機器速度運行來提高節奏。RAS以不斷增加的機器速度 "思考"。RAS可以融合來自網絡ISR傳感器的數據，機動到一個有利的位置，并比對手的人類和RAS更快采取行動。先進的數據分析、實時處理和替代性決策框架將使指揮官能夠比對手更快地做出決定和采取行動。

• 提供產生大規模的潛力。目前聯合部隊的載人庫存是基于相對較少的高能力、復雜和昂貴的武器裝備，無法迅速再生。RAS提供了使用大量廉價系統以產生大規模的機會。

• 啟用分布式和分散式行動。敵方的技術將以更高的精度和范圍瞄準美國部隊，使傳統部隊面臨更大的風險。使用RAS進行分布式和/或分散式作戰將提高未來作戰環境中的能力。

正如《質量發展報告》和《無人系統綜合路線圖》都指出的那樣，在美軍面臨具有強大防御能力的同行競爭者的那些地區，無人系統是特別重要的資產。聯合行動準入概念認為，"無人系統，可以在目標區域內徘徊以提供情報收集或火力"，是一種關鍵能力，在對手擁有大量防御設施，可以限制美國和聯軍進入的地區，這種能力特別有價值。 此外，無人系統是在西太平洋等高威脅地區執行美國 "空海作戰概念"（現更名為 "全球公域準入和機動聯合概念"，簡稱JAM-GC）的一個關鍵組成部分，在這些地區，對手的防御系統對有人駕駛飛機和水面平臺構成了不可接受的高風險。

海軍部已經為海軍和海軍陸戰隊的無人系統開發制定了雄心勃勃的目標。在一份備忘錄中，負責研究、開發和采購的海軍助理部長James Geurts閣下強調了無人駕駛系統的重要性，他在求職信中指出:

• 美國海軍和海軍陸戰隊在戰略上有必要利用新興的和快速發展的無人駕駛和自主技術。為了加速無人系統的開發和投入使用，并確保綜合有效的努力，海軍部（DoN）已經為加速海軍部的無人系統制定了積極的目標，并確保海軍部在這些新興的能力方面保持領先地位。

這份詳細的備忘錄繼續指出："無人駕駛和自主技術正在改變各國開展軍事行動的方式......無人駕駛和自主系統的使用將改變我們的戰斗方式。" 美國防部的無人系統愿景隨后引出了無人系統戰略和計劃，最后引出了一系列高級無人系統目標：

• 通過載人、無人和自主能力的綜合團隊實現空中優勢。

• 通過擴大我們的海底星座的全球范圍來實現海底優勢。

• 通過載人和無人自主能力的綜合團隊，實現地面優勢。

• 吸收我們未來的地面戰斗力。

• 實行多領域的無人駕駛和自主系統。

• 實現無人駕駛的大規模。

• 通過整合無人駕駛和自主系統，實現持久的供應、支持和維持。

• 實現全面的無人操作能力和先進的自主性和機器學習。

這八個高層次目標中的每一個都有一個段落來支持，該段落提供了關于總體目標所需的更多細節，以及海軍部打算采取的步驟來實現這些預期結果。備忘錄接著詳細介紹了近期的促進因素和塑造努力，然后在結論中指出。"增加無人駕駛和自主系統的作戰使用，有望為我們的海軍部隊釋放出一種革命性的能力。"

最近，海軍部公布了期待已久的《無人駕駛作戰框架》。該文件旨在協調整個部門的無人系統工作，列出了雄心勃勃的目標，旨在幫助使無人系統成為海軍平臺庫存中越來越重要的一部分。該框架有五個目標。

• 在海軍和聯合行動的全部范圍內推進有人-無人的團隊效應。

• 建立一個數字基礎設施，快速和大規模地整合和采用無人駕駛能力。

• 激勵無人駕駛系統的快速增量開發和測試周期。

• 分解共同的問題，一次解決，并跨平臺和領域擴展解決方案。

• 為無人駕駛貢獻（平臺、系統、子系統）創造一個以能力為中心的方法。

盡管如此，這份38頁的報告確實為海軍部打算如何將無人駕駛系統引入艦隊和緬因州部隊提供了一個組織動力和指南。

6 為軍用無人駕駛系統設計合適的自主性程度

大多數人都熟悉兒童寓言故事《金發姑娘和三只熊》。當金發女郎品嘗三碗粥時，她發現一碗太熱，一碗太冷，還有一碗恰到好處。當美國防部和各軍種尋求實現自主性和人類互動的最佳平衡--平衡這兩種經常對立的力量并使其 "恰到好處"--在一開始就將這種能力設計到未來的無人系統中，而不是試圖在事后將其固定下來，這可能是唯一可持續的前進道路。如果我們不能做到這一點，幾乎不可避免的是，對我們的武裝無人系統將具有 "HAL"式的力量并超出我們的控制的擔憂將破壞這些重要作戰伙伴的承諾。

在用于軍事用途的無人系統中建立適當程度的自主性的一個關鍵是要記住一句老話："你站在哪里取決于你坐在哪里。" 用戶和設計無人系統的人經常從不同的--通常是明顯不同的--觀點來對待他們試圖完成的任務。海軍研究咨詢委員會的一份報告指出，在設計具有適當程度的自主性的無人系統時，必須調和四個不同的觀點：

• 用戶觀點。我可以給這個平臺一個任務，并相信它能在沒有持續關注的情況下完成它嗎？它能識別和處理意外事件或模糊的任務嗎？

• 機器人學觀點。我能否建立一個實用的機器人，在正確的時間做正確的事情？我可以動態地控制、導航、執行和測量我的機器人嗎？它能管理和融合數據嗎？

• 機器學習觀點。我的機器能解釋復雜的傳感器嗎？它能理解口頭語言，解釋手勢，或識別人或物嗎？

• 認知的觀點。我的機器能不能復制人類智能的元素，如認知、推理和推理？

隨著美國軍方出于各種原因增加對無人系統的依賴，它最好在某個時候決定該平臺是否足夠好，也就是說，它具有執行任務所需的速度、耐力和其他物理屬性。一旦確定了這一點，那么正如國防科學委員會報告所建議的那樣，軟件開發的艱苦工作必須成為優先考慮的因素。

7 無人駕駛系統:美國國防部的一個使用案例

利用大數據、人工智能和機器學習的普遍愿望未能解決一個關鍵問題，即我們希望這些技術能夠幫助作戰人員執行哪些具體任務。問題的根源可能是美國軍方缺乏將作戰人員的需求轉化為建議由大數據、人工智能和機器學習實現的技術解決方案的能力。作為前美國海軍軍官和艦艇指揮官，我們思考這個問題的方式讓我們很自然地想到海軍的例子。

開始解決這個問題的一個方法是思考海上的指揮官需要什么信息。無論是1812年8月艾薩克-赫爾艦長試圖帶著憲法號對蓋瑞爾號采取行動，還是今天的航母打擊群指揮官考慮將他的艦艇帶入一個可能有爭議的地區，指揮官需要三個主要東西來幫助他做出最佳決定。

他或她需要知道部隊前方的情況，需要將這些信息傳達給旗艦，并需要做出明智的決定。雖然今天的海軍指揮官擁有豐富的資產來幫助實現這些目標，但現在大數據、人工智能和機器學習可以幫助彌補一些差距。

一個打擊小組的指揮官擁有許多資產，可以展望部隊未來，以評估戰術形勢。他可能使用MQ-4C “海衛一”無人機系統來執行這種偵察任務。今天，"海衛一"操作人員會收到MQ-4C看到的流媒體視頻。但這需要他連續幾個小時盯著這段視頻（海衛一的續航時間為30小時），看到的主要是空曠的海洋空間。

利用大數據、人工智能和機器學習，MQ-4C可以被訓練成只發送它遇到的每艘船的視頻，從而大大壓縮了人類的工作量。更進一步，"海衛一"可以對每一次接觸進行機載分析，以標明其可能的興趣。例如，如果一艘船在航道上運行，已向海事當局提交了航行計劃，并提供了AIS（自動識別系統）信號，那么它很可能只值得操作者注意，“海衛一”將相應地標記它。然而，如果它不符合這些標準（例如，該船突然改變航線，離開了航道，或者沒有AIS信號），操作人員將被提醒。隨著這項技術的不斷發展，“海衛一”或其他無人機系統最終可能會配備分類算法，有可能導致自動識別目標。

一旦“海衛一”處理了這些信息，大數據、人工智能和機器學習可以幫助確定如何與旗艦溝通。在今天有爭議的電子戰環境中，不同的通信路徑具有不同程度的脆弱性。在 “海衛一”號發射之前，指揮官可以確定可接受的通信截獲風險水平，以及泄露打擊群存在的風險。

掌握了這個指揮官的意圖，并利用大數據、人工智能和機器學習，"海衛一"可以評估電子環境，從多個通信路徑中進行選擇，并確定哪條路徑提供最小的攔截漏洞。鑒于 "海衛一"號的尺寸和增長潛力，它甚至可以攜帶一個較小的無人機，并將其發射回部隊，以傳遞這種監視信息。

在旗艦上，指揮官必須了解他的傳感器所收集的數據，然后做出一些時間關鍵性的決定。他應該繼續前進，等待，還是撤退？他應該在前面偵察，還是在另一個方向？他是否應該調用其他部隊，或者他的有機資產是否足以成功地完成任務而不會給他的部隊帶來不必要的風險？

這就是大數據、人工智能和機器學習可以做出重要貢獻，幫助指揮官做出關鍵決策的地方。

如果指揮官選擇勇往直前，強制進行交戰，大數據、人工智能和機器學習可以做到今天的初級戰術決策輔助工具無法做到的事情--提供一系列選擇，并評估每個選擇的利弊。重要的是，這些技術并不--也不應該--做出決定，而是為指揮官提供足夠的、經過精心策劃的信息，以便他能比對手更快地做出最佳決定。

對于致命的軍事無人系統來說，在授權無人作戰伙伴發射武器之前，操作者必須知道什么，或者像經常發生的那樣，建議上級當局授權采取致命行動，這個標準更高。例如，考慮軍事操作人員管理一系列正在進行的無人駕駛航空系統飛行的情況，他們一直在觀察一個恐怖分子，并等待上級當局授權使用從該無人駕駛航空系統發射的空對地導彈來消除威脅。

利用大數據、人工智能和機器學習，操作者可以訓練無人駕駛航空系統預測上級主管部門在授權發射前會問什么問題，即使不能提供點解決方案，至少也可以提供百分比概率或信心水平的問題，例如。這個人是預定目標的信心水平是多少？這種信心是基于什么？是面部識別、聲音識別、行為模式、與某些人的聯系、與已知家庭成員的接近或與已知同伙的接近？對家庭成員、已知同伙或未知人員造成附帶損害的可能性是什么？等待與現在出擊的潛在影響是什么？

這些考慮只是操作者必須訓練其配備致命武器的無人系統處理的問題的一個子集。用大數據、人工智能和機器學習來增強這些系統，并利用它們在敵人和我們的決策圈內運作的能力，遠不是把致命的權力讓給無人系統，而是使這些系統能夠在戰斗的壓力下把人類操作員從不得不做出實時的、往往是即時的決定中解放出來。從一開始就將這種能力設計到無人系統中，最終將使它們成為其軍事操作者的有效伙伴。

這使我們回到了美國防部副部長羅伯特-沃克提出的一些擔憂。他指出，當敵人以 "機器速度 "攻擊我們時，我們需要利用機器來幫助保護我們。建立具有強大的大數據、人工智能和機器學習水平的無人系統，能夠與操作人員合作進行這項工作，才能最終確保我們建造的無人系統充分發揮其潛力，幫助我們的作戰人員在戰斗中獲勝。

有令人信服的證據表明，美國，特別是美國軍隊，必須在利用大數據、人工智能和機器學習方面超過我們的同行競爭對手。人工智能國家安全委員會在其2019年的臨時報告中明確分析了人工智能將如何成為游戲規則的改變者。"人工智能將塑造權力的未來。"2020年，《未來國防工作組報告》這樣提出將大數據、人工智能和機器學習插入美國軍事武器系統的必要性：

• 將人工智能納入軍事和國家安全領域，將從根本上改變戰爭的打法和勝利方式。無論哪個國家在人工智能競賽中獲勝，都將擁有關鍵的、也許是不可逾越的軍事和經濟優勢......算法戰爭的到來，由速度和精度驅動的人工智能武器在復雜的戰斗空間中競爭，要求美國在進攻性和防御性人工智能能力方面進行大量投資。

我們通過使用無人機系統的例子討論了插入大數據、人工智能和機器學習的影響，在這種情況下，MQ-4C “海衛一”，因為當插入這些技術的問題出現時，這是大多數人想到的戰爭領域。但還有一個領域，大數據、人工智能和機器學習可以在戰爭中產生更大的影響，那就是決策領域。

8 一個更普遍的用例：增強決策

伊恩-托爾在其獲獎的美國海軍誕生和成熟的歷史《六艘護衛艦》中，不僅記錄了海軍的早期發展，還記錄了它在多場戰爭中的掙扎。67很少有人在讀完這本書后，會對1775年至1815年間海軍和國家的生存是如何的近在眼前。

雖然我們很容易被托爾的敘述所吸引，像讀小說一樣快速閱讀這段歷史，但至關重要的是，不要錯過決策在海軍的勝利和失敗中的重要性。從在哪里建造這些護衛艦，到選擇它們的活動區域，到它們要打哪場戰役和避免哪場戰役，以及其他一系列的決定，主要是使國家能夠在那危險的幾十年中生存下來的正確決定。

雖然今天美國海軍的平臺和武器與迪凱特、普雷布爾、班布里奇、赫爾、佩里、勞倫斯等艦長的海軍沒有任何相似之處，但今天的艦長仍然必須做出他們的前輩所做的那種生死攸關的決定。大不相同的是今天的決策速度。像憲法號、星座號和其他早期護衛艦的艦長往往有幾個小時甚至幾天的時間來做出關鍵的選擇，而今天的艦長必須在幾分鐘甚至幾秒鐘內做出決定。

軍事史上不乏這樣的例子：做出更好決定的指揮官獲得了勝利，即使他們的對手擁有地理或物質優勢，這些事件在此無需重述。值得注意的是，在過去的幾個世紀里，各級領導人有幾個小時，甚至幾天的時間來做出關鍵決定。但到了上個世紀中期，戰爭的變化極大地壓縮了決策周期。

在朝鮮戰爭期間，俄羅斯的米格-15戰斗機和美國的F-86 "佩刀 "戰斗機為爭奪制空權展開了激烈的戰斗。空軍上校約翰-博伊德（John Boyd）為了找到一種減輕美國戰斗損失的方法，創造了我們今天所知的OODA循環。OODA是指：觀察、定向、決定和行動。

博伊德的概念是，勝利的關鍵是創造一個比對手更快地做出適當決定的環境。博伊德的構思最初是一種在空對空作戰中獲得成功的理論，是根據他的能量-機動性理論和他對米格-15戰斗機和北美F-86佩刀戰斗機在朝鮮的空對空作戰的觀察而發展出來的。哈利-希拉克--F-16戰斗機的總設計師在談到OODA理論時說："時間是主導參數。在最短的時間內完成OODA循環的飛行員占了上風，因為他的對手在應對已經發生變化的情況時被抓住了。"

即使是非軍事觀察員也清楚，空對空作戰可以說是壓力最大的軍事行動之一。但是，軍事領導人越來越意識到，壓力--尤其是無法處理信息--導致軍事操作人員開始出現自己的OODA環，并做出次優的決定。

在壓力下做出關鍵軍事決策的挑戰在1965年的電影《貝德福德事件》中進入流行文化。這部電影松散地基于美國海軍艦艇和蘇聯潛艇之間的一些冷戰事件，其情節線圍繞著美國驅逐艦貝德福德號（DLG 113）和一艘蘇聯潛艇之間的貓捉老鼠游戲。

貝德福德號的船員在長達數日的潛艇搜尋中變得越來越疲憊。隨著尋找蘇聯對手的緊迫性加劇，貝德福德號的船長無視他的船員在壓力下萎靡不振的警告，提高了他的要求，甚至碾壓了柴油潛艇的呼吸器。當有人問船長他是否會對他的對手開第一槍時，他回答說他不會，但 "如果他開一槍，我就開一槍"。一個疲憊的少尉把他的船長的話誤認為是 "開一槍 "的命令，于是發射了一枚反潛火箭，摧毀了潛艇，但在它發射一枚核武魚雷之前，潛艇就被消滅了。

雖然是虛構的，但《貝德福德事件》對55年后的一個真實世界的事件卻有可怕的預見。雖然對2020年1月伊朗革命衛隊擊落一架烏克蘭噴氣式客機的全面調查需要幾個月，甚至幾年的時間，但今天已知的是，在戰斗的壓力下，伊朗剛剛向美國軍隊發射了一連串彈道導彈，該國對美國的反擊保持高度警惕。

在伊朗情報或軍事指揮系統的某個地方，發出了巡航導彈來襲的警告。負責一個防空導彈組的軍官試圖聯系他的上級指揮中心，以獲得開火的授權。可悲的是，他無法接通，帶著不完整的信息，他發射了兩枚防空導彈，176人死亡。

這些事件--一個是虛構的，一個是非常真實的--有一個共同點：人類被迫在信息不充分或錯誤的情況下做出關鍵決定。在《貝德福德事件》中，它是人類之間相隔幾英尺的空氣間隙。在烏克蘭飛機被擊落的案例中，是無法溝通，以及對威脅的錯誤認知。

很容易將上述事件視為難以置信的虛構或不如美國軍隊的決定，但這將是一個悲劇性的錯誤。美軍人員做出錯誤決定導致生命損失的引人注目的事件已經困擾了美國軍隊四十多年。

• 1987年5月，美國海軍斯塔克號（FFG 31）在兩伊戰爭的禁區邊界附近巡邏。由于錯誤地認為交戰雙方都不會以美國軍艦為目標，當斯塔克號試圖與來襲的飛機進行溝通時，艦長一開始并沒有感到震驚。伊拉克的 "幻影 "噴氣機發射了兩枚 "飛魚 "導彈，造成37名美國人死亡，近二十人受傷。

• 1988年7月，懷著對斯塔克號艦長未能采取行動保護他的艦艇的回憶，在兩伊戰爭仍然激烈的情況下，當他的艦艇被伊朗炮艇圍攻時，文森斯號（CG49）的艦長錯誤地認為，一架接近的飛機正在接近并以攻擊姿態下降。他發射了一枚SM- 2ER導彈，擊落了伊朗航空公司655號航班，機上290人全部死亡。

• 1994年4月，兩架美國空軍F-15 "攻擊鷹 "在伊拉克上空擊落兩架美國陸軍UH-60 "黑鷹 "直升機，認為它們是伊拉克的米-24 "雌鹿 "直升機，機上26名軍人和平民全部死亡。空軍AWACS控制飛機和 "攻擊鷹 "之間的誤傳，以及自動識別敵我系統的故障，是造成這場悲劇的近因。

• 2001年2月，在瓦胡島以南10英里處，在為VIP平民游客進行的演示中，美國海軍格林維爾號核潛艇（SSN 772）進行了一次緊急壓載打擊機動，并在日本漁船愛媛丸號下浮出水面。船上的三十五人中有九人死亡。

• 2017年6月，美國海軍菲茨杰拉德號（DDG 62）與集裝箱船MV ACX Crystal相撞。她的七名船員被殺，其他幾人受傷。僅僅三個月后，美國海軍約翰-S-麥凱恩號（DDG 56）與懸掛利比里亞國旗的油輪Alnic MC相撞。她的10名船員在這次事故中死亡。

雖然所有這些悲慘的事故背后有多種原因，最明顯的是涉及美國海軍菲茨杰拉德號和美國海軍約翰-S-麥凱恩號的致命碰撞，但很明顯，在每個案例中，都有可用的數據，如果使用得當，可能會打破安全專家所說的 "事故鏈"，并防止悲劇的發生。

值得注意的是，做出這些次優決策的軍方人員是在手頭的工具下做了他們能做的最好工作。發生的情況是，戰爭的速度往往超過了人腦做出正確決定的能力。事實上，正如美國陸軍研究實驗室的首席科學家亞歷山大-科特博士在一次指揮和控制會議上所說，"人類的認知帶寬將成為戰場上最嚴重的制約因素"。

美國空軍技術地平線報告這樣描述這一挑戰："盡管今天人類在許多任務上仍然比機器更有能力，但人類的自然能力正變得與技術提供或要求的巨大數據量、處理能力和決策速度越來越不匹配。更緊密的人機耦合和增強人的表現將成為可能和必要。"由于這些原因和其他原因，海軍需要大數據、人工智能和機器學習，以使其作戰人員在戰斗中獲得優勢。

對于我們今天使用技術的人來說，這一挑戰應該不足為奇。正如任何擁有智能手機的人在打開機器后不久就知道的那樣，獲得足夠的數據很少是個問題。有時讓人不知所措的是對大量的數據進行分類，并試圖只挑出當下必要的數據。從戰爭的角度來看，這意味著系統只向決策者提供經過精心策劃的信息，以幫助他或她做出更好的決定，而且往往是在戰斗的壓力下。

每年春天在海軍戰爭學院舉行的當前戰略論壇是美國海軍的年度會議，討論和評估海軍對國家和國際安全的貢獻。雖然每個論壇都有其亮點，但2017年的活動可能會被人們記住，因為海軍作戰部長在會上用手說話。沒錯，約翰-理查森上將，一個核潛艇兵--而不是一個戰斗機飛行員--用他的手說話，把聽眾帶回了70多年前發明的航空戰術。

CNO將時鐘撥回到20世紀50年代的空軍上校約翰-博伊德和OODA循環。理查森上將用OODA環路來討論美國海軍正在使用的各種新技術。他指出，海軍已經在博伊德分類法中的觀察和行動部分進行了大量投資。他指出，在大數據、機器學習和人工智能等新興技術出現之前，我們對OODA環路中的 "觀察和決定 "部分無能為力，但今天我們可以。

這正是CNO在他的講話中使用博伊德的OODA循環的原因。他解釋說，今天的海軍作戰人員有大量的--甚至是壓倒性的--數據需要處理。他們需要大數據、人工智能和機器學習來整理這些數據，只呈現那些有助于決策者和扣動扳機者更快做出更好決策的信息。不難看出，這種將數據轉化為戰術上有用的信息的努力對作戰的所有方面都很重要，而不僅僅是戰斗機戰術。

現在可能是時候在美國海軍幾十年來幫助作戰人員做出更好決策的努力基礎上再接再厲了。海軍在利用技術幫助作戰人員在緊張的情況下以更少的人和更少的錯誤更快地做出更好的決定方面一直走在前列。在20世紀80年代，海軍研究辦公室啟動了一項計劃，研究作戰人員如何在高度緊張的情況下做出更好的決定。這項計劃被稱為TADMUS（壓力下的戰術決策），它利用認知科學在了解決策者如何做出決策方面取得了新的突破。這導致了海軍太平洋信息戰中心的科學家和工程師設計了幾個原型（多模式觀察站、知識墻和其他），并進行了測試，在幫助決策者實現改進決策方面取得了令人鼓舞的成果。

TADMUS與類似的海軍項目一樣，就其本身而言是好的。但正如理查德森上將在其當前戰略論壇的發言中所指出的，直到最近，將強化決策提升到新水平的技術還不存在。今天，它確實存在，而且利用大數據、人工智能和機器學習能夠為作戰人員提供的東西，很可能導致海戰的下一個突破，特別是在決策領域。海軍太平洋信息戰中心與通過海軍研發界、工業界和學術界的合作伙伴一起，正在領導各種努力，以確保美國作戰人員有能力以更少的人和更少的錯誤做出更好的決定。

9 充分發揮大數據、人工智能和機器學習的作用

在美國戰略和軍事指導的最高層，大數據、人工智能和機器學習被認為對為美國軍隊提供作戰優勢極為重要。而且，那些負責將這些技術整合到美國軍事平臺、系統、傳感器和武器的人越來越多地將決策確定為這些技術可以增加最大價值的一個重要領域。

在AFCEA/海軍研究所 "西部 "會議上的講話中，海軍預算主任迪特里希-庫爾曼少將這樣提出了海軍如何能夠最好地利用大數據、人工智能和機器學習的問題。"我們如何利用人工智能，不是為了生產殺人的自主平臺，而是為了讓指揮官在戰斗中獲得優勢？"的確，美國海軍--進而是美國軍隊--想要利用大數據、機器學習和人工智能的本質，不是在沒有人類監督的情況下向遠方發射終結者般的無人系統，而是幫助操作員做出更快、更明智的決定。

軍事作戰人員將始終處于循環之中，并將得到大數據、機器學習和人工智能的協助。軍方希望通過這些尖端技術--無論是應用于無人系統還是戰爭的其他方面--來實現的是進入對手的OODA循環。負責研究、開發和采購的海軍助理部長詹姆斯-格茨閣下在一次軍事工業會議上這樣說："如果一支部隊能夠利用人工智能讓決策者比對手更快地做出決定，那么它每次都會贏。"

在海軍戰爭學院的一次演講中，美國防部聯合人工智能中心主任杰克-沙納漢中將這樣說。"人工智能對美國國防最有價值的貢獻將是它如何幫助人類做出更好、更快、更精確的決定，特別是在高后果的行動中。"

很明顯，美國國防部已經認識到，淹沒在數據海洋中的作戰人員無法做出有效的決策，并試圖利用人工智能和機器學習等技術來幫助整理數據，只呈現在激烈戰斗中有用的信息。

沙納漢將軍在戰爭學院的講話中談到了利用大數據、人工智能和機器學習幫助作戰人員做出更好決策的機會和挑戰，他指出："在思考、書寫和談論人工智能與實踐之間存在著鴻溝。卷起袖子，投入到人工智能項目中，這是無可替代的。

最近，國防部聯合人工智能中心的新主任邁克爾-格羅恩中將這樣強調了決策:

• 當我考慮人工智能的應用時，我想的不僅僅是在發現目標后近乎瞬時開火的用例。在整個聯合部隊中，有一系列廣泛的決策必須由人工智能來實現。

在20世紀的戰爭中，衡量軍事優勢的單位是坦克、艦艇或飛機，以及 "勝過槍炮和棍棒 "對手的能力。在21世紀的戰爭中，軍事領導人只有幾分鐘甚至幾秒鐘的時間來做出關鍵的決定，超越對手的思維能力將決定勝利和失敗的區別。

當美國軍方及其國防工業伙伴在21世紀的第三個十年中制定他們的研發投資決策時，早就應該關注一個長期被忽視的領域--我們的軍事決策者的思想，并確保他們能夠做出更好的決定，比他們的對手更快和更少的錯誤。

自軍用航空問世以來，美國軍方一直對遠程駕駛飛機感興趣。目前的無人駕駛飛機系統(UAS)通常由一架無人駕駛飛機(UAV)與地面控制站配對組成。自20世紀90年代以來，隨著MQ-1“捕食者”無人機的問世，無人機在美國軍事行動中變得無處不在。 美國軍方目前使用幾種不同的大型無人機，包括

?陸軍MQ-1C“灰鷹”， ?美國空軍的MQ-9死神， ?海軍MQ-25“黃貂魚”， ?空軍的RQ-4全球鷹， ?海軍的MQ-4C“海神” ?空軍的RQ-170哨兵。

此外，其他幾個被報道的項目要么正在開發中，要么正在試驗中。這些項目包括空軍的B-21“突襲者”和空軍的RQ-180。隨著國會履行其監督和授權職能，它可能會考慮與UAS項目相關的幾個潛在問題，包括:

?有人駕駛和無人駕駛飛機的成本， ?缺乏公認的后續項目記錄， ?管理整個國防部的無人機系統采購， ?UAS與現有部隊結構的互操作，以及 ?無人機系統國外出口管制。

在美國軍隊中，遠程駕駛飛行器(rpv)通常被稱為無人機(UAVs)，被描述為單個飛行器(帶有相關的監視傳感器)或無人機系統(UAS)，通常由飛行器與地面控制站(飛行員實際坐在那里)和支持設備組成。1雖然無人機系統通常是作為一架飛機與一個地面系統配對操作的，但國防部(DOD)經常采購帶有一個地面控制站的多架飛機。無人機與地面控制站和通信數據鏈結合，就形成了無人機系統(UAS)。

《美國陸軍多域作戰2028》（MDO 2028）是陸軍的未來作戰概念。該文件說明了陸軍需要如何適應和發展以在未來作戰中保持競爭性軍事優勢。該概念的關鍵組成部分是多域作戰的原則--校準部隊結構、多域編隊和融合--這使得敵人的反介入和區域拒止系統能夠被瓦解，并使軍隊能夠利用短暫的優勢窗口。這是一個取決于在時間、空間和目的上持續同步能力的概念，以實現跨領域的協同作用，并創造一個可利用的優勢窗口。聯合部隊目前通過"域聯合解決方案的階段性同步"來實施能力融合，這并不支持在針對未來同行威脅的競爭和利用的重復循環中快速和持續地整合多個領域的能力。因此，關鍵是要考慮什么能力可以讓軍事領導人克服這些技術和人類認知的局限性。一個可能的解決方案是將人工智能融入作戰管理過程。

本專著重點說明了將人工智能融入作戰管理過程以促進多域作戰融合的必要性。通過分析多域作戰的融合差距、人工智能的發展以及當前的指揮和控制系統，該研究旨在說明多域作戰中能力持續融合的復雜性迅速超過了人類的認知能力。此外，由于美國的對手正在大量投資于人工智能和自主性，將人工智能融合到作戰管理過程中的問題不是在戰場上取得優勢的問題。相反，問題在于如何擁有競爭性臨時可利用的優勢窗口的能力。

介紹

簡而言之，速度在兩個不同的方面很重要。首先，自主性可以提高決策速度，使美國能夠在對手的行動周期內采取有效措施。其次，如果美國要維持軍事優勢，作戰能力向自主性的持續快速轉變至關重要。— DSB 自主性報告，2016 年

《美國陸軍多域作戰2028》（MDO 2028）是陸軍的未來作戰概念。這份文件說明了陸軍預計它需要如何適應和發展，以在未來的作戰中保持競爭性軍事優勢。該概念的關鍵組成部分是多域作戰的原則——經過校準的部隊結構、多域編隊和融合——這使得敵方反介入和區域拒止 (A2AD) 系統能夠被瓦解，并允許軍隊利用短暫的優勢窗口。這一概念取決于指揮官在時間、空間和目的上不斷同步的能力，以實現跨域協同并創造可利用的優勢處境。

目前，聯合部隊正在通過“域聯合解決方案的階段性同步”來融合能力，這一過程不支持在針對未來對等威脅的競爭和利用的循環中快速和持續地整合多個領域的能力。軍方領導人承認這一缺點和任務的復雜性，因此引入了需要開發新的軍事技術來填補關鍵空白的融合考慮。基于這些差距，未來的指揮和控制系統需要為所有梯隊的指揮官提供戰斗空間內所有聯合單位的完整共同作戰圖，并有能力快速傳輸偵察和目標數據，以通過動能和非動能手段攻擊擬議的目標。

然而，敵人在自主性和人工智能 (AI) 方面的發展極大地壓縮了時間窗口。由于時間窗口短，協調融合工作的任務很快超出了人類的能力。其他因素，例如彈藥優化和能力重置時間的需要，進一步增加了任務的復雜性。因此，至關重要的是要考慮軍事領導人需要具備哪些能力來克服這些技術和人類認知限制。一種可能的解決方案是將人工智能集成到作戰管理過程中。因此，多域作戰融合所帶來的挑戰提出了一個關鍵問題：美國陸軍是否需要一個人工智能引導的作戰管理系統，以便在多域作戰中成功地融合能力，對抗一個有能力使用自主和人工智能引導能力的同行競爭對手？

多域作戰之路

我們尋求獲得優勢的方式是在決定性的空間優化所有領域，以影響滲透。— 美國陸軍能力整合中心主任埃里克-韋斯利中尉

武裝競爭的一種現象是技術創新的武器化。從軍事角度來看，這是一個關鍵的進步，可以讓一個國家的戰斗力量在戰場上保持競爭優勢。為了推動能力發展，軍方領導人引入了未來的作戰概念。這些概念是預測軍隊需要如何訓練、裝備和組織自身以競爭和戰勝新興威脅的文件。目前，美國陸軍正在進行重大改革。此次重組將使軍隊轉向大規模作戰行動，并調整部隊以滿足國家安全戰略 (NSS)、嵌套式國防戰略 (NDS) 和國家軍事戰略 (NMS) 中概述的需求。這種變化代表了軍隊的范式轉變。在將近兩個十年的時間里，這主要集中在平叛上。對于美國陸軍來說，這項工作驗證了歷史不會重演，但卻是會押韻的格言。主要是因為當前未來作戰概念“MDO 2028”的引入促使轉型讓人想起過去的重組周期。一個相關的例子是 20世紀80年代中期引入空地一體戰學說引發的重組。

空地之戰是美國陸軍在冷戰高峰期對俄羅斯威脅的回應。它于 1986 年出版，提出了一個依賴于陸地和空中能力有效同步的作戰框架。在技術進步的推動下，復雜性不斷增加，導致 "事件的節奏加快"，這是基本的前提。該文件的一個關鍵組成部分是引入了反映戰爭不斷發展的新術語。其中一個新術語是綜合戰斗——集中使用所有能力來擊敗敵人——它依賴于獲得和保持態勢感知的能力。基于對新興技術可以在戰場上提供優勢的認識，空地戰指導正在迅速發展的計算機技術集成。1986年美國防部向國會提交的年度報告中提出了所需的創新努力。聯合戰術融合計劃 (JTFP) 和聯合監視和目標獲取系統 (JSTAS) 是隨后出現的系統。這兩個系統都旨在為指揮官提供從各種來源收集信息并指導采用聯合動力努力追擊地面目標的能力。開發這些系統的必要性表明了兩個事實。首先，這些系統顯示了技術和戰爭之間的整體關系。第二，這些系統強調了軍事領導人承認，從現在開始，在戰場上有效同步軍事能力所需的速度和復雜性超過了人類的認知能力。目前的多域作戰概念將這一認識帶到了未來。

認識到美軍的競爭優勢正在減弱，麥克馬斯特中將（退役）和當時的國防部副部長羅伯特-O-沃克呼吁開發空地戰2.0。時任訓練與條令司令部司令的大衛-G-帕金斯將軍（退役）響應號召，推出了多域作戰。然而，在2016年美國陸軍年會和博覽會期間，帕金斯將軍（退役）指出，這個概念不是對空地戰或全譜作戰的改造，而是描述了一種革命性的戰爭方法。多域作戰被稱為革命性的一個關鍵原因是，它要求軍事力量的運作方式發生轉變。新的作戰方式的基本驅動力是科學和技術的快速發展，以及需要在競爭、失敗、利用和再競爭的連續循環中與所有領域的同行威脅進行競爭。

在中國和俄羅斯等大國競爭的推動下，2017 年的美國國家安全戰略 (NSS)指示軍隊需要擁有同時在多個領域與競爭對手競爭的能力。要建立跨域對抗敵人的能力，需要發展“新的作戰概念和能力，以在不保證在空中、海上、陸地、太空和網絡空間領域的主導地位的情況下取得勝利”。來自聯合推動者的可靠和及時的跨領域支持是成功競爭的關鍵要求和隱含任務。由此產生的域相互依賴意味著“一個域中缺乏訪問可能會在一個或多個域中產生級聯效應”。因此，美國空軍多域作戰戰略計劃助理教授賈里德·唐納利博士預測，未來的戰爭將在一個快速而復雜的多域連續體中進行，不依賴于一系列作戰條件的連續設置但需要跨多個域的能力永久同步。因此，了解不同域中存在的能力以及如何利用每種能力來獲得暫時的優勢是多域作戰成功的基礎。

在 NSS 和 NDS 的指導下，美國訓練和條令司令部 (TRADOC) 于 2018 年初推出了 TRADOC 手冊 525-3-1，即“美國陸軍多域作戰2028”。這是一個概念，作為前 TRADOC 總司令Stephen J. Townsend 強調，承認敵人有能力在多層次的對峙中提出挑戰并與美軍抗衡，其目的是“在時間、空間和功能上將美軍和其盟友分開，以擊敗我們。”

該概念提出戰爭演變的一個原因是，它將多個領域的能力互動形象化，這超越了在不同領域內的機動性或擁有實現跨領域效果的能力。相反，這個概念承認，技術進步改變了領域之間的相互關系和跨領域連接的速度。MDO 2028將這些變化納入了該概念的多域作戰原則--校準的部隊結構、多域編隊和融合--這使得敵方的反介入和反侵略系統被瓦解，并使軍事力量能夠創造短暫的優勢窗口。它們結合在一起，為指揮官在時間、空間和目的上匯聚能力創造了條件，以實現跨領域的協同，并創造一個可利用的優勢地位。此外，多域融合是一個可以通過整合人工智能引導系統來優化和加速的過程。

戰場上的人工智能

我們必須習慣這樣一個激進的想法，即我們人類將只是智能生物之一。— Alexander Kott，美國陸軍研究實驗室網絡科學部主管

人工智能是技術系統執行此前需要人類智能才能執行的任務的能力。這些任務包括觀察和識別模式、通過觀察學習、預測事件或采取行動的能力。中國是美國的主要競爭對手之一，認識到人工智能可以使戰場對稱性向他們的優勢傾斜。中國在人工智能引導軍事能力（包括自主武器系統）發展方面的大量投資證明了此觀點。為了在武裝沖突中保持相對優勢地位，美國需要發展將人工智能與決策過程聯系起來的反擊能力。當前的美國人工智能計劃主要集中在模式識別上，由于計算能力的快速增長，模式識別可以分析越來越多的數據以創建信息。

多域作戰是需要收集和分析大量數據以觀察和評估作戰環境發展。目前人工智能在軍事上的應用主要集中在后勤運輸和數據分析的支持上。然而，聯合人工智能中心和白宮人工智能特別委員會的成立，都標志著人工智能將擴展到國防部的其他領域。例如，美國陸軍未來司令部目前正在開展多項計劃，分析人工智能如何提高指揮官獲得態勢感知和做出明智決策的能力。一個重點領域是發展能力，以提高美軍同步效果和減輕日常認知任務的速度。強調開發人員和潛在的最終用戶之間的迭代合作，為該部門開發人工智能指導系統創造了條件，該系統可以 "產生并幫助指揮官探索新的選擇"，并使他們能夠專注于選擇有利的作戰方案，使部隊和任務的風險最小化。

關于將人工智能納入作戰管理過程，關鍵是要區分將人類置于環中或環上的系統。根據機器人和自主系統的聯合概念，自主的定義是 "自動化的范圍，其中獨立決策可以為特定的任務、風險水平和人機合作的程度量身定做"。范圍本身包含了不同程度的自主性。在由TRADOC和佐治亞理工學院主辦的2017年瘋狂科學家會議上，專家們介紹了三種程度的自主性--完全自主、受監督的自主和自主基線。 一個完全自主的系統獨立于人類的實時干預，在人類不參與的情況下運行。在有監督的自主系統中，人類保持著實時干預和影響決策的能力，因此仍然處于循環之中。自主基線是目前各種現有系統中存在的自主性。在軍事應用中，這種自主性存在于人類監督的武器中，如愛國者和宙斯盾導彈系統，或AH-64D阿帕奇攻擊直升機長弓火控雷達，它獨立地 "搜索、探測、定位、分類和優先處理陸地、空中和水中的多個移動和靜止目標。"

Mitre公司的Richard Potember將機器學習視為 "人工智能的基礎"，其重點是系統在無監督下學習的能力，并創建深度神經網絡，以支持決策和機器人應用。自主性和人工智能的整合是一個過程，不經意間將導致 "我們以前電氣化的一切，現在將'認知化'"。 支持將人工智能引導的作戰管理系統納入多域作戰的一個關鍵技術發展趨勢是，自主性和學習逐漸從感知轉向決策。這樣一來，人工智能可以減輕多域作戰中固有的復雜性。一個固有的復雜性是整合能力和做出跨越多個領域的決策能力，不是在幾分鐘或幾小時內，而是幾秒鐘內，如果需要的話。因此，將人工智能整合到決策和同步過程中，平衡有利于美國的觀察-定向-決定-行動周期。

在戰略層面，人工智能引導的系統可以影響推動不同領域的升級和降級的決策。在作戰層面，通用人工智能可以建立態勢感知和同步效果。為了支持多個領域的能力融合，人工智能 "處理來自在多個領域運作的各種平臺的大量信息 "，直接促進了MDO戰爭的兩個基本方面：速度和范圍。人工智能支持比敵人更快、更遠的打擊能力。這種能力能夠實時分析動態戰場，為快速打擊創造條件，將美國“友軍”的風險降到最低。美國國防科學委員會2016年的一項研究，提出人工智能系統能夠在一個動能瞄準周期內整合多種作戰管理、指揮與控制、通信和情報能力的觀點。此外，委員會評估說，這些人工智能引導的系統的累積效應可以在整個多域融合周期內改變戰斗的運行和戰略動態。

多域融合

AI 即將上戰場，這不是是否會出現的問題，而是何時和誰的問題。— 美國陸軍未來司令部司令約翰·默里將軍

在武裝沖突中，美國的競爭對手旨在整合他們的A2AD系統以建立分層對峙區。其目的是剝奪美軍聯合部隊在時間和空間上同步作戰的能力。俄羅斯的S-400 Triumf是美國部隊在大規模戰斗中可能面臨的系統代表。S-400是一種移動式地對空導彈系統，擁有對付從無人機到終端彈道導彈的各種武器系統的能力。該雷達可在600公里范圍內跟蹤目標，并具有100公里的交戰范圍。該系統提供的關鍵技術進步之一是傳感器到操作手的全自動循環，使該系統能夠同時跟蹤和打擊多達80個目標。這是支持MDO 2028假設的一個例子，即美軍在大規模對抗同行威脅的敵對行動開始時，不能假設自己在任何領域擁有優勢。為了在競爭、滲透、分解和利用的連續循環中攻破敵人的防御系統，美國陸軍的多域作戰框架引入了多域作戰的三個原則--校準的部隊態勢、多域編隊和融合。

校準的部隊態勢是指能夠迅速適應和改變作戰環境的部隊和能力組合。其目的是找出潛在的弱點或在戰場上創造不對稱性，以建立一個可利用的局部優勢窗口。前方存在的部隊支持在整個軍事行動范圍內快速升級，以滲透和瓦解敵人的系統。這些部隊被安排具有任務指揮、火力、情報收集、維持、信息活動和特種作戰能力。遠征部隊具有在需要時進行聯合強行進入行動的能力，并為后續部隊創造了條件。這些部隊通過空中和海上部署，可在幾天或幾周內完成。

多域編隊的重點是使較低的梯隊能夠對近距離的威脅進行進攻和防御行動。支持多域編隊的三種能力是進行獨立機動的能力、采用跨域火力的能力和最大限度地發揮人的潛力。為了支持在有爭議的領域內達到軍事目的，MDO 2028認識到軍團、師和旅梯隊的單位需要獨立行動，不受上級總部資源優先級的限制。因此，他們需要擁有有機的后勤、機動、火力、醫療和通信網絡，使部隊能夠在預先確定的時間內獨立作戰。作戰概念目前的框架要求這些梯隊 "在通信線路高度競爭的情況下，仍能維持數天的進攻行動。"維持進攻的能力是由指揮官采用跨域火力的能力來驅動的。

跨域火力是指在暫時脫離上級總部火力支援的情況下，對火力能力進行整合，并具有冗余性。這個過程包括直接和間接火力單位、保護能力和電子戰裝置，以及 "多光譜融合彈藥，以及網絡空間、空間和信息相關能力"。為了加強在復雜和快速發展的多域作戰環境中的決策過程，需要開發 "由人工智能和高速數據處理支持的人機交互"。 校準部隊態勢和創建多域編隊都是為了實現本文所認為的多域作戰的一個關鍵組成部分--融合。

MDO 2028將融合定義為 "在所有領域、電磁頻譜和信息環境中快速和持續地整合能力，通過跨領域的協同作用，優化效果以超越敵人"。盡管它可能看起來像目前聯合能力的整合和同步延伸，但這個概念與目前應用的聯合能力有很大不同。這主要是因為它不是在時間和空間上按順序消除沖突的過程，而是由目標周期和任務分配命令指導和限制。相反，它是在窗口期中對所有領域的效果進行持續的同步化，在空間和時間上都有很大差異。要在一個同行競爭的環境中競爭，需要有能力通過跨域的協同作用創造暫時的領域超越。這種協同作用集中在決定性的空間。決定性空間是時間和空間上的一個物理的、虛擬的和認知的位置，它使美國部隊能夠獲得一個可利用的明顯優勢位置。此外，由于軍事單位期望同時對抗多種威脅，多域融合要求在所有領域的競爭連續體中同時進行系統分解和中立化。

快速指揮和控制為指揮官通過跨域協同和分層選擇，實現融合創造了條件。因此，軍事指揮官在任何特定時間點擁有對戰斗空間內運作的所有聯合力量的整體態勢感知是融合的一個關鍵組成部分。MDO 2028確定了兩項要求，即必須開發技術先進的指揮和控制系統并將其整合到多域編隊中以促進這一進程。第一個是需要 "每個梯隊的指揮官和參謀人員都能得到所有領域的戰斗可視化呈現并且指揮"，并迅速調整能力以實現融合。第二是有能力迅速協調聯合能力的匯合，以對付敵人的特定弱點。

指揮官在目的和時間上實現融合能力的關鍵是五個融合要素的同步化--準備時間、計劃和執行時間、持續時間、重置時間和周期時間。對這些要素的考慮使指揮官能夠計算出從啟動開始達到效果所需的時間，以及為新一輪的重新競爭重置能力所需的時間。在這個框架內收斂多種能力的過程因不同的能力使用率而進一步復雜化。雖然周期率提出了一個無限的使用序列，但使用率代表了一個與 "彈藥和消耗性虛擬武器 "相聯系的不斷減少的單位。 由于后勤是有爭議的，可預測的補給沒有保證，指揮官在多域融合中面臨著額外的挑戰。這個挑戰就是優化現有彈藥的使用，并使彈藥的使用與聯合能力的協調相一致。

目前可用彈藥的數量限制和無法建立庫存可能會導致未來大規模作戰行動中后勤儲備嚴重不足。為了延長軍隊的續航能力，特別是在跨越軍事爭端地區的交通線作戰時，需要對各種系統的武器狀況進行持續評估。在動能范圍內對所有聯合平臺進行 "優化和排序射擊 "變得至關重要。這種優化和排序過程，同樣迅速超過了人類決策者的認知能力，并提出了一個技術作戰管理系統的缺陷，該缺陷會對聯合能力的有效融合產生不利影響。

美國陸軍在多域戰斗空間中實現作戰敏捷性的核心是能夠從不斷增長的綜合數據集中創造理解，同時保持 "卓越的決策速度"。戰場上永遠存在著未知情況和沖突，但減少觀察環境變化和相應調整部隊方向所需的時間，可以提高決策和行動速度。提高對聯合部隊在各個領域內的所處位置的認識，相對于敵人和他們的作戰和戰術計劃，對于加速較低層次的機動是必要的。此外，短暫的機會窗口要求未來的作戰管理系統迅速將傳感器與射手相匹配。

在美國陸軍的現代化框架內，新興技術需要為兩個關鍵的技術和組織上的不足提供一個解決方案。首先是保持對作戰區域內所有聯合軍事單位完全態勢感知的能力。第二是迅速建立從傳感器到射手的冗余回路能力，其中包括所有可用的聯合單位并考慮到能力的不同再生周期。這是一項任務，根據需要處理的數據量，當聯合軍事單位在有爭議的戰場上競爭時，需要持續同步，這很快就會超過人類的認知能力。將人工智能融入作戰管理過程可以減輕這種人類的局限性。

當前的作戰管理系統

我們的投資重點之一是網絡，這并非巧合……因此我們有能力將這種目標快速傳達給另一個領域。— 美國陸軍未來司令部司令約翰·默里將軍

實現多域融合的最關鍵步驟之一是開發聯合指揮和控制（C2）系統，將整個戰斗空間的能力縱向和橫向聯系起來。2017年，SYSTEMATIC公司獲得了設計美國陸軍新型作戰管理系統 SitaWare 的合同。美國陸軍戰術任務指揮部負責人 Shane Taylor 中校稱該系統是“一種開箱即用的解決方案，用于跨梯隊同步任務指揮數據，這為陸軍遷移到通用架構的目標提供了一個跨越式發展的機會。”該系統提供的一些進步包括簡化指揮所 C2、改進與聯合和聯盟伙伴的互操作性以及標準作戰功能融合框架。該系統的另一個關鍵功能是能夠快速擴展大量數據并以提高指揮官態勢感知的方式呈現。

在美國陸軍的作戰環境中，SitaWare 是一個指揮后計算環境組件，有望消除信息和情報孤島，并可集成為通用作戰平臺。 SYSTEMATIC公司承認未來的作戰需要情報、后勤和作戰系統的快速同步。因此，當前系統旨在分析大型數據集并在直觀的用戶界面上顯示相關信息。因此，它可以實時建立指揮官的態勢感知并提高他們的決策速度。此外，系統軟件符合各種民用和軍用互操作性標準，這使得系統更容易與其他聯合和聯盟平臺連接。

為了在各梯隊之間嵌套系統，SitaWare的用戶界面應用程序和顯示器可根據操作環境的要求進行定制。縱向信息共享確保所有梯隊之間共享共同數據。為了提供戰術層面上的態勢理解，該系統具有對輕型、輪式和裝甲編隊的美國“友軍”跟蹤能力。該系統的另一個關鍵特征是綜合指揮層。這一功能使指揮官能夠根據作戰環境的變化，迅速傳播對原始命令的更新和修改。然而，SitaWare的設計并不是為了指導效果。因此，它不能充分加快傳感器到射手的周期，不能提高指揮官在有爭議的環境中有效地匯聚聯合能力，以對抗擁有自主和人工智能支持的武器平臺的同行威脅。

在解決未來多域作戰要求的另一項努力中，美國陸軍啟動了一個內部項目，旨在 "增加物理目標、數據收集、數據分析和自主決策在戰場物聯網中的整合。"該項目專門用于填補美國陸軍領導人評估的商業生產技術沒有充分解決的差距。弗吉尼亞理工大學的專家預測，項目的主要挑戰之一是 "處理許多復雜的變量 "的能力，這影響了結合從博弈論到分布式學習等方面的能力。這些挑戰由于以下事實而被放大：美國陸軍目前的技術開發工作側重于能力的實戰化，很少考慮整合軟件和硬件，使這些系統能夠與各種聯合能力溝通。

該項目的重點是將人工智能引導的系統置于回路中，為指揮官提供在戰斗空間的各種傳感器平臺上收集的大量數據的綜合分析。通過收集相關傳感器系統的數據，分析敵人的能力分布，并將其與可用的美國“友軍”武器系統進行比較，該系統提供關于如何最有效地實現效果的建議。為了使這一過程有效運作，指揮官必須放棄相當程度的控制權，因為他們允許系統 "為如何發動戰爭選擇最合適的戰略"。盡管有這種擔憂，陸軍下一代戰車跨功能小組的副主任凱文-麥凱納里承認，人工智能在多域作戰中是必不可少的，因為它提供了可將目前九十六小時的師級目標定位周期 "減少到九十六秒 "的能力。總的來說，"四分衛項目 "是幫助指揮官 "準確了解戰場上的情況，然后根據可用的和其他因素選擇最合適的戰略。"該倡議是能夠在時間有限的決策空間中有效地融合能力邁出的重要一步，因為它將人工智能的作用提升到數據可視化工具之外，使其成為戰斗戰略工具。

對人工智能在作戰管理過程中的可靠性的擔憂可以通過云架構和深度學習系統的快速發展來緩解。與人類互動類似，在人工智能和自主系統發動的戰爭中建立信任需要時間。中校Wisham，"四分衛"項目的負責人之一，指出這需要一個深思熟慮的策略來證明系統是可靠和有效的，由于很難或不可能追蹤到神經網絡的決策路徑，這就很復雜。 然而，Nvidia公司的機器人研究員Dieter Fox預測，這是一個有解決方案的問題，因為研究人員繼續開發分析神經網絡和機器學習過程的新程序，在未來可以解決這一問題。要分析網絡和學習過程是人工智能的一個關鍵方面，因為它允許開發人員在一個設定的決策框架內約束自主學習系統。另一個認識到發展人工智能啟用能力重要性的部門是美國空軍。

由于確定需要開發多域 C2 系統，美國空軍打算用“衛星、有人機和無人機上不同傳感器的全新網絡”取代其傳統的聯合監視目標攻擊雷達系統。這種新能力的名稱是先進作戰管理系統（ABMS）。盡管項目當前的重點是連接美國空軍單位，但其最終目標是開發“未來作戰的數字神經系統”。美國空軍準將、美國空軍聯合部隊整合總監戴維·熊城（David Kumashiro）表明，他們的方法集中在這樣一種觀念上，即如果“你不遵循開放系統架構的標準，你就會發現自己在場邊，與戰斗無關。” ABMS結構建立在現有的基于云的目標定位助手之上，旨在有效跟蹤目標和飛機。通過擴展這一概念，美國空軍規劃人員希望專注于網絡機器對機器的交互。該項目的指導思想是開發可以“像樂高積木一樣拼在一起”的系統，以快速輕松地連接聯合能力。

總體而言，將人工智能整合到作戰管理過程中的需求是由一種認識驅動的，即在作戰領域將美國軍事部門聯系起來對于保持競爭性軍事優勢是必要的。如果不走人工智能整合的道路，就有可能對美軍在未來的戰斗中擊敗近似競爭對手的能力產生不利影響。以下兩個場景說明了在軍團和師級的多域作戰中，人工智能引導的作戰管理系統如何影響戰場上的動態。

方法

長期規劃使軍方能夠集中研究和開發工作，并指導人員配備、訓練和裝備決策。這個過程的核心是制定評估發展中威脅的概念。 MDO 2028 是一個包含假設和預測以推動軍事戰略的文件示例。聯合出版物 5-0“聯合規劃”，將假設定義為“關于當前態勢或事件未來進程的假設，在缺乏事實的情況下假設被認為是真實”，這對于推進規劃過程至關重要。為了提供一個將軍事能力和需求與預期的未來作戰環境聯系起來的背景框架，軍事規劃人員創建情境以增加理解。這一過程使各級軍事領導人能夠“接觸可能的未知情況，并且吸收理解它”，并提出解決方案。因此，情景模擬是作為創建承認技術發展可行框架的一種方式。然而，重要的是不要將情景與具體預測混為一談，而應將其視為擴展可能性領域并根據預期的技術發展識別未來機會的工具。此外，重要的是要認識到情景構建的一個潛在因素是不確定性。為了展現不確定性和復雜性，同時保持情景“介于預測和推測之間”，需要整合歷史和當前信息，識別行為模式，以及“構建 關于未來的連貫敘事。”其他重要的考慮因素是場景需要與可信的現實生活條件保持一致。

布加勒斯特國防大學國防與安全研究中心的研究員 Marius Potirnich 創建了特定軍事情景分類。他提出的兩個類別是戰略情景和演習情景。戰略情景是出現最廣泛的類別，考慮了在整個軍事行動中可能發生和使用的軍事事件和能力。演習場景嵌套在戰略場景框架內，并進一步細分為真實和虛構。真實場景使用現有軍事能力，在現有作戰環境的約束下，分析現實世界任務集中的情況。虛構環境評估軍事能力的現狀以及預期的未來能力，并將它們置于基于已發布的軍事行動概念和現代化框架的預期威脅環境中進行預測。

本專著介紹了兩個虛構的場景，以說明在未來的多域作戰中集成人工智能引導作戰管理系統的潛在影響。所有場景都基于與對手（如中國）發生沖突的環境。第一個場景以軍梯隊為背景，重點關注空中和海上動能打擊的融合，以及“支持軍區機動計劃或代表下屬梯隊”的網絡空間活動。第二個場景設置在師梯隊，側重于聯合能力的融合和需要分析和傳播的“大量情報的定制”。對手的A2AD和軍事創新努力以及美國陸軍的 MDO 2028 和當前的現代化舉措被用作背景情景。場景是嵌套的，最后評估了美國陸軍是否能將人工智能納入其作戰管理流程，以便在當前的MDO 2028現代化框架下有效地融合多域作戰能力，以及如果該部門不能這樣做的潛在風險。

范圍和限制

這本專著的框架是美國陸軍的多域作戰概念。重點不是討論人工智能在戰場上的法律和道德以及考慮人工智能產生在兩個方面產生的后果。相反，它旨在評估人工智能如何幫助在日益復雜的作戰環境中實現多域元素的融合。由于人工智能領域的快速變化和發展，評估是在概念層面進行的，沒有深入探討人工智能在戰爭戰術和作戰層面的廣闊應用前景。對算法是否可以指導能力融合的評估是基于當前的發展，以及機器學習、量子計算和自主機器對機器組合領域的預期進行的。該專著所介紹的和用作基礎的所有信息都完全來自于已被批準公開發布的渠道。因此，有可能存在與本專著的假設相矛盾的機密文件。

戰略框架（情景一和情景二）

在2035年。根據“一個中國”的政策，中國軍隊已經開始收復臺灣，并開始阻止美國海軍進入中國南海。為了捍衛自己的利益，中國軍隊的導彈防御力量處于高度戒備狀態。綜合性的反介入和反侵略網絡得到了中遠程導彈、各種反飛行器和防空武器以及各種中遠程情報收集和監視能力的支持。中國的《新一代人工智能發展規劃》在過去15年中指導了軍事技術的發展。在 2017 年的介紹中，中國領導層宣稱“人工智能已成為國際競爭的新焦點。人工智能是一項引領未來的戰略技術； ……發展人工智能作為增強國家競爭力和保護國家安全的重大戰略。”因此，中國每年投資超過 150 億美元用于“智能技術”的發展，重點是人工智能引導的自主能力。中國的人工智能整合上付出不僅僅在軍用機器人領域，還包括自主軍事決策。基于人工智能在推理、作戰指揮和決策的潛力，中國領先的國防公司負責人，認為“在未來的智能戰爭中，人工智能系統將就像人類的大腦一樣”。因此，美國軍方面對的是一支具有在機器對機器團隊的前沿運作能力的中國部隊。

自主偵察無人機、攻擊機和導彈發射器整合到一個由人工智能引導的傳感器到射手網絡中。這些發展成倍地加快了戰斗的速度。對手的系統可以同時跟蹤和打擊數百個目標，并在需要時快速重新接觸和重新分配單位。為了競爭和滲透對手多余的防御結構，需要美軍快速、持續地匯聚能力，以“滲透和瓦解”A2AD 保護傘。這些行動能夠建立臨時的優勢窗口，軍和師梯隊可以利用這些優勢機動進入戰術支援區和近距離區域。在這些區域內，軍以下的梯隊可以集中他們的有機能力對抗敵人。這反過來又使軍團能夠在不斷的滲透和整合的循環中重新競爭和整合能力，為下級梯隊部隊的利用創造條件。

為了應對對手的現代化努力，美國陸軍在國家安全戰略、人工智能指令和多域作戰理念指導下，對機器-機器團隊聯動進行了大量投資。因此，美國的軍事能力包括一系列可以感知、協調效果以及指揮和控制的自主學習的作戰網絡系統。單個自主機器人和無人機系統，以及更大的無人駕駛飛機、海軍和導彈投送系統，都在該框架內作為自主節點運行。美國私營公司在量子計算領域的重大進展為美國軍隊提供了處理速度和響應時間方面的競爭優勢。這提供了一個戰機，使美國“友軍”能夠比對手更快地觀察、定位、決定和行動。但是，由于技術的進步，John Boyd 的 OODA 循環不再以分鐘為單位執行，而是以秒或毫秒為單位。這些新出現的威脅導致美國越來越多地將人從循環中移除，這使得聯合部隊能夠“以比對手更快、更有效的節奏作戰”。然而，受到有關在戰爭中使用自主制導系統和人工智能的道德法規的限制，美國軍方仍然將人類置于決策循環中。其結果是在指揮和控制層面有效整合了人機協作，允許指揮官在連續競爭期間從一系列進攻行動中選擇進攻方案，同時依靠自主的人工智能引導行動進行保護。

美國陸軍的關鍵指揮控制系統是由人工智能引導的作戰管理系統。它是美軍戰場網絡的樞紐。該系統從作戰環境中的所有聯合傳感器收集數據，并不斷從戰區和國家收集數據的單位中提取和推送數據，以構建共同的作戰圖景。這使系統能夠分析敵方和美國“友軍”在戰場上的位置。由于該系統是自主學習的，它會不斷評估敵人的行動和能力。同時，它對美國“友軍”能力及其狀態有完整的認識，包括各種系統的再生時間、彈藥消耗率和補給狀態。因此，該系統可以識別敵人的弱點和威脅，并執行一個連續的評估周期，以預測美國“友軍”聯合能力如何融合以在戰場上創造暫時的優勢。此外，作戰管理器還計算彈藥優化、能力調配和能力的使用，以達到預期的效果，同時最大限度地減少附帶損害和對部隊的風險。

在戰場網絡內，該系統與所有領域的聯合能力相聯系。各種作戰管理系統本身是橫向和縱向連接的，這使它們能夠跨多個域快速執行任務和重新分配任務，而不會失去實現各自目標的能力。與所有的傳感器和射手相連，允許系統控制傳感器到射擊者的連接，并分配最好的武器系統來實現動能和非動能效果。在保護作用中，作戰管理系統完全自主運行控制消除敵人對美國“友軍”和指定保護區的威脅。由于連續的進攻性競爭的融合能力必須嵌套在更高的總體目標中，作戰管理系統將人置于進攻行動的循環中。該系統分析了美國“友軍”能力通過在不同梯隊的聯合能力融合所能達到的各種效果。

多域框架將美國陸軍部隊視為遠征部隊。這個梯隊的關鍵作用之一是擊敗和消滅遠程和中程系統。因此，他們是在其控制范圍內各師的輔助力量。為了與同級別的威脅相抗衡，關鍵是要整合能力，以對抗對手的防空、遠程地面火力和反艦導彈。此外，在需要時，軍團總部負責指揮和控制在其作戰區域內運行的多域聯合能力。融合動能聯合火力的主要目標是摧毀敵人的中程武器系統，以促進師和旅單位的自由機動。最后，軍團負責同步國家、戰區和內部單位的情報收集工作。網絡空間能力本質上集成在融合工作中，包括國家和戰區級單位。總體意圖是對融合工作進行分層，以提供多種選擇并創建各種跨域協同能力變化。

在競爭周期內，軍團的重點是對敵方防御系統的滲透和瓦解。對對手A2AD保護傘的滲透，包括瓦解敵人的遠程火力系統。這包括使雷達和關鍵指揮和控制節點失效，這可能比破壞運載系統產生的影響更大。滲透的另一個方面是對手地面部隊機動的較量，以及在暫時優勢窗口期間與美國“友軍”從作戰和戰略距離機動的同步。

在師級，部隊的重點是分解和利用。在沖突開始時，他們可以作為前沿存在或遠征部隊。該師的主要作用是為下級部隊在近距離區域機動和對抗創造條件。該師的主要職責是“航空、火力、電子戰、機動 支援和多旅機動以獲得優勢位置。”關鍵是摧毀或消滅對手的中程火力單位。在這個梯隊，該師有能力將有機單位與上級司令部同步，并整合分配的空軍和海軍能力。與擁有自主和人工智能引導系統的相同競爭者相比，兩個梯隊的成功都受到他們進行多域同步的能力和能力自主水平的影響。

情景 1 – 軍團梯隊

美國陸軍第 18 空降兵團總部位于作戰支援區。該組織的主要作用在戰場上創造條件，使其控制下的各師和增援部隊可以利用這些條件進入近距離機動區域。進攻行動以四個目標為中心--消滅對手的遠程防空單位，瓦解對手的中程火力能力，限制對手的地面部隊速度，以及創造 "通過分配資源、安排師的機動順序并將其與縱深結合起來，在較低層次上實現匯合。" 雖然近距離和縱深機動區的距離超過1500公里，但盟軍一直處于中程彈道導彈的動能目標和網絡及太空領域內的非動能目標的威脅之下。

為了保護，美國第 18 陸軍空降兵團的 AI 作戰管理系統不斷連接到國家和戰區的情報收集單位以收集情報。一旦發現對手的威脅，作戰管理系統就會自動與戰區和國家傳感器協調，以確定威脅，并促進傳感器的交接，確保收集情報的完整性，同時減少不必要的情報冗余。同時，它識別出跨所有領域的多個交付平臺，以構建一個強大的殺傷鏈，盡管可能丟失主要聯系，但該殺傷鏈可在時間受限的環境中執行。

空間傳感器為系統提供有關敵人遠程和中程火力能力的各個組成部分配置信息并且能持續更新。與此同時，作戰管理系統將海軍驅逐艦識別為最有可能成功摧毀來襲導彈的單位。同時，該系統識別出可以對威脅做出反應的其他美國“友軍”單位，并根據其當前對整體作戰環境的評估對其進行優先級排序。系統基于其算法考慮的一些因素是：強制風險、成功概率、彈藥狀態、能力重置時間和附帶損害。

對于保護工作，作戰管理系統以人在環結構中運行。這意味著軍團的作戰中心可以觀察事態發展，并在緊急情況下進行干預，但該過程是為作戰管理系統自主運行而設計的。對手威脅的程度以及他們可以運行的速度推動了對自主運行的需要。一旦檢測到來襲導彈，作戰管理系統就會在幾秒鐘內執行概述的序列以摧毀對手的威脅。這個循環實時并持續運轉，以應對新出現的威脅。三個方面使得智能引導的作戰管理系統在國防領域的自主運行方面變得至關重要。首先，能夠在幾秒鐘內關閉射手到傳感器的鏈接，以應對以高超音速單位的威脅。其次，建立強大和冗余殺傷鏈的能力，可以快速整合備用和應急能力。第三，在優化使用有限且難以再補給的資源的同時指導保護工作的能力。在保護行動的同時，該系統分析作戰環境以檢測進攻行動的機會。

對于進攻行動，作戰管理系統以人在回路中的模式運作。美國政府關于人工智能和自主武器的道德使用政策，以及公眾對使用人工智能引導的自主武器系統的看法，是決定將人類留在決策鏈中的基礎。美國陸軍的“四分衛項目”為構建當前的作戰管理系統提供了框架。與保護工作類似，作戰管理系統不斷從外部和有機傳感器中提取數據。然后，它評估聯合能力如何融合以暫時禁用對手的部分防御傘，并允許下屬單位推進并將其有機單位帶入射程。

由于聯合單位在在時間和空間上的協調需要在幾秒鐘內執行和同步，因此需要作戰管理系統不斷分析作戰環境。在此過程中，它重組了 OODA 循環概念的部分內容，以獲得以秒或毫秒為單位的自主對手決策周期的能力。該系統通過持續觀察戰場空間并同時分析美國“友軍”的行動來應對威脅，而不是觀察后再確定方向來實現這一目的。然后，該系統會產生一系列可用的選項來進行攻擊性打擊。在軍團的行動中心內，選項顯示在交互式顯示器上，允許具有適當釋放權限的個人決定采取何種行動。通過不斷分析和重新配置可能的傳感器到射擊者的回路，該系統創建了一個決策空間，可以減輕將人置于回路中對抗嚴重依賴自主能力的對手缺點。在作戰中心的相關權力機構確認以對手單位為目標后，作戰管理系統通過在時間和空間上同步依賴的效果，將來自各種選定的聯合推動者的能力融合起來。

在這種情況下，在發射美國“友軍”導彈之前，作戰管理系統會協調進攻性網絡行動，威脅信號淹沒對手雷達，這增加了導彈成功穿透敵人的反介入和區域封鎖傘的機會。一旦產生網絡效應，作戰管理系統就會指揮導彈的發射并觀察對手的反應，以在必要時重新發射另一枚導彈，并檢測更多額外的目標。導彈找到目標并摧毀它。一旦傳感器確認影響，作戰管理系統就會向與現有信息作戰工作線相一致的媒體傳播消息。同時，作戰管理系統會重新計算美國“友軍”運載平臺的彈藥可用性和回收率。這些數據用于優化未來打擊的彈藥使用，并為保障部隊建立補給優先順序清單。

隨著美國“友軍”的推進和軍團塑造縱深機動區和作戰縱深火力區，這一過程不斷重復。美國陸軍師利用暫時的優勢窗口和機動自由來推進并將對手帶入其有機武器系統的有效射程內。這為近距離和縱深機動區域的對抗創造了條件，從而改變了戰場邊界并重新啟動了競爭循環。

場景 2 – 師梯隊

在美國陸軍第18空降團創造條件后，第3步兵師陣地機動進入附近區域，擊敗對手地面部隊。該地區是第一次軍事編隊爭奪“控制物理空間以支持戰役” 目標，在與對手近距離作戰。由于美國“友軍”地面部隊預計將在這個爭端空間進行獨立機動，因此擁有比對手更快的能力匯合對于推動節奏并保持主動權至關重要。地面機動部隊的目標是在臨時優勢窗口期間協調機動，以“擊敗敵軍、破壞敵方能力、物理控制空間以及保護民眾”。附近地區的對手依賴于由自主情報、監視和偵察 (ISR) 打擊系統、綜合防空系統和地面聯合兵種編隊組成的互聯網絡。將人工智能整合到決策周期中，大大加快了對手的行動節奏。為了獲得優勢地位，需要不斷中斷對手的能力，最好是在他們的指揮、控制和傳感器節點。

隨著第 3 步兵師部隊的機動，作戰管理系統不斷收集和比較數據，以構建一個共同的作戰圖，說明美國“友軍”和敵軍的組成和部署。根據數據，系統開始分析對手的防御網絡，以識別對手的傳感器、ISR 平臺和信息流。在此階段，地面部隊分散作戰，作戰管理系統側重于迫使對手暴露其能力的欺騙措施。一旦對手暴露了他們的系統，作戰管理系統就會將國家和戰區單位收集的偵察數據與鄰近單位情報和偵察能力收集的數據同步。然后它與相鄰單位和上級司令部的作戰管理系統協調，以消除交戰沖突。此操作可確保多個跨梯隊單位不繼續攻擊同一目標。

一旦上級司令部的作戰管理系統將權力下達給第 3 步兵師，該師的作戰管理系統就會掃描整個組織的能力，以建立一個成功可能性最大的傳感器與射手的連接。如果系統無法建立連接，或成功概率低于預定閾值，系統會將目標推回上級總部系統，以擴大可繼續攻克目標的可用聯合單位陣列并提高成功概率成功。當威脅單位可以用有機單位追擊時，師作戰管理系統會確認美國“友軍”的部署以清理地面，分析各種武器系統的彈藥狀態，并分配給確定的投送平臺。一旦傳感器周期完成，作戰管理系統就會向選定的武器系統發出信號以進行交戰。

釋放彈藥后，作戰系統會立即更新彈藥供應狀態，重置再生周期，向后勤作戰支援部隊發送補給請求，并跟蹤威脅直至其銷毀。這是一個需要幾秒鐘的循環，并且在滲透和分解過程中反復發生。隨著師部隊的推進，作戰管理系統在支持美國的各種媒體平臺上推送信息作戰信息。每一次積極的參與都伴隨著針對該地區人口統計的信息傳遞工作。隨著行動的進展，該系統不斷評估對手的信息活動并提出建議的反信息，使美國“友軍”在信息頻譜中保持主動權。

當美國“友軍”繼續在對手的反介入和區域拒止保護傘內展開對抗時，作戰管理系統會反復識別對手傳感器并建立冗余殺傷鏈來擊敗對手地面部隊。每次消滅對手ISR 傳感器時，系統都會評估破壞對敵方與美國“友軍”編隊交戰能力的影響。機動部隊利用隨后建立的臨時非覆蓋區域來推進其建制單位。同時，作戰管理系統重新啟動網絡、空間和無人機傳感器的融合以檢測新目標，并融合能力以建立一個新的臨時窗口期，可用于推進機動師地面部隊。

這些活動在幾秒鐘內發生，并且事件發生的速度遠遠超過人類的認知周期。隨著行動的進展，作戰管理系統的自主學習算法繼續分析和識別對手行為中的模式。因此，該系統可以實現與對手地面部隊及其防御努力的持續競爭循環。

影響

美國對手整合和融合自主性和人工智能的意愿推動了美軍發展和使用對抗能力的需求。這些進展提出了在面臨對等威脅時快速連續執行多域融合的需求。由于跨多個領域融合能力需要分析大量信息，因此該過程將人為主導的同步過程推到了敵人的決策周期之外。此外，多域融合涉及建立冗余殺傷鏈。通過消除沖突建立一個單一的傳感器到射手銜接鏈是不夠的。相反，融合需要在必要時識別和使用可以繼續攻擊目標或提供保護工作的冗余能力。由于存在優勢窗口的時間框架不斷縮短，建立快速同步聯合能力的冗余殺傷鏈是一項關鍵且需要同步完成的工作。

總體而言，未來的作戰管理系統必須在聯合平臺上進行橫向和縱向鏈接，以滿足多域作戰需求，并具備秒級或毫秒級的協同作戰能力。此外，為了融合能力，人工智能引導的作戰管理系統可以在爭端地區補給環境縮小對抗中彈藥優化的能力差距。該系統通過持續評估最佳目標-彈藥組合并避免不必要地消耗彈藥以及過度殺傷來實現這一目標。不幸的是，目前開發指揮和控制平臺的方法主要是沿著服務的孤島進行的，這將減緩建立在未來作戰中融合能力所需技術框架的能力。

結論

人工智能和自主性對作戰節奏的影響支持羅伯特·萊昂哈德的說法，即“時間越來越成為戰爭的關鍵維度。”人工智能與自主能力的結合使軍隊能夠大幅增加活動發生的頻率，進而推動序列的節奏并縮短機會之窗。當人工智能在沒有人的情況下在觀察決策-行動循環中引導自主系統時，這種關系會進一步加速。時間，以及比對手更快地觀察和行動的能力，成為執行匯合的關鍵因素，使美國“友軍”能夠獲得暫時的優勢位置。

自從計算機網絡、戰術數據鏈和衛星通信的普及以來，美國還沒有遇到過對手。目前在量子技術、人工智能和自主性領域的努力對美國各軍種在其各自的統治范圍內獨立運作的能力提出了挑戰。因此，正如美國陸軍的多域作戰 2028 概念所預期的那樣，在戰場上創造臨時可利用優勢的能力依賴于跨多個域融合聯合能力。目前，這一過程主要由協調小組執行，其主要任務是通過 "域聯合解決方案的階段性同步"來匯聚能力。然而，與同行競爭者進行融合的復雜性，其人工智能引導和自主武器系統將決策和同步循環縮短到幾分鐘或幾秒鐘，這需要開發新技術。 MDO 2028的設計師承認這一缺陷，以及任務的復雜性，并列出了融合的考慮，要求開發新的軍事技術來填補這一關鍵的空白。

因此，未來的 C2 系統需要為所有梯隊的指揮官提供盡可能接近完整的戰場空間內所有聯合單位的通用作戰圖。此外，這些系統需要快速傳輸偵察和目標數據，以使用動能和非動能手段繼續攻擊目標。然而，即使未來的C2系統能夠為指揮官和他們的參謀人員提供數據，使他們能夠在多個領域融合能力，但與在快速轉瞬即逝的機會窗口內任務相關的大量信息融合很快就超過了人類的認知能力。此外，其他因素，如彈藥優化要求和不同的能力再生窗口，進一步增加了在多域作戰中融合能力的復雜性。

目前為應對新出現的威脅所做的努力表明，美國各軍種在開發和部署國防部范圍內的能力方面仍然進展緩慢。美國軍隊正處于重組過程中，這為創建專注于打仗的系統提供了機會，而打仗需要嵌套和連接的C2系統，以促進快速交接和整合聯合使能器。如果現在不建立這些能力，將導致發展出一支名副其實的“多域部隊”，因為軍隊將不再具備2028發展目標所設想的那樣融合能力，而是退回到既定的解沖突和同步過程，這種程序太慢，效率太低，無法保持競爭力。

正如本文所說明的那樣，面對擁有人工智能引導和自主武器系統的同行威脅，保持競爭力的唯一途徑是發展類似的能力，在幾秒鐘內建立并執行冗余的傳感器到射手的連接。將人工智能整合到作戰管理過程中不是一個保持領域優勢的問題，而是確保美國軍隊能夠在對抗、利用和再對抗的連續循環中創造短暫的優勢窗口，這種對抗在所有作戰領域中以秒計。

態勢感知是作戰人員的必需能力。一種常見的監視方法是利用傳感器。電子光學/紅外（EOIR）傳感器同時使用可見光和紅外傳感器，使其能夠在光照和黑暗（日/夜）情況下使用。這些系統經常被用來探測無人駕駛飛機系統（UAS）。識別天空中的這些物體需要監測該系統的人員開展大量工作。本報告的目的是研究在紅外數據上使用卷積神經網絡來識別天空中的無人機系統圖像的可行性。本項目使用的數據是由作戰能力發展司令部軍備中心的精確瞄準和集成小組提供的。

該報告考慮了來自紅外傳感器的圖像數據。這些圖像被送入一個前饋卷積神經網絡，該網絡將圖像分類為有無無人機系統。卷積模型被證明是處理這些數據的第一次嘗試。本報告提供了一個未來的方向，以便在未來進行擴展。建議包括微調這個模型，以及在這個數據集上使用其他機器學習方法，如目標檢測和 YOLO算法。

美國陸軍工程研究與發展中心（ERDC）的研究實驗室目前正在開發仿真工具，以協助開發可選擇的載人、遠程操作和完全自主的車輛，重點是地形與車輛的交互，特別是在冬季地形條件下。其他ERDC實驗室與地面車輛系統司令部（GVSC）一起，重點研究保證位置、時間和導航，該司令部正在進行開發可選擇的載人和自主平臺的研究，主要集中在車輛內部的硬件和軟件，很少強調外部安裝的地形傳感器或冬季操作環境。美國陸軍寒冷地區研究和工程實驗室（CRREL）在冬季和極端環境下進行車輛機動性研究，這在模擬和開發可選的載人和自主車輛方面是需要的。這項工作的范圍是調查人工智能和機器學習對冬季條件下運行的軍用車輛的適用性。本文描述了實現這一目標的初步努力。

自主車輛在民用方面的應用正在成為現實。在智能駕駛輔助方面，第三級車輛自主性（智能巡航控制、行人識別、自動剎車、盲區傳感器、罕見的交叉交通警報、避免碰撞等）已在商業和私人車輛上使用多年。第四和第五級自主性（有監督的自主性和完全無監督的自主性）目前正在試驗中。盡管在民用領域取得了重大進展，但軍用車輛的自主性仍然是一項相當具有挑戰性的任務。軍用自主車輛的主要區別是：非公路運行、未知地形的運行，以及在開放空間完全重新規劃路線的可能性。這種環境要求智能自主控制算法和環境感知與工業界的民用應用不同。具體來說，需要解決先進的和當前的地形感知、檢測無法通行的路線、確定可通行的替代路線和車輛在空地上的改道，以及針對特定地形條件和車輛的最佳車輛控制等任務。提交的工作描述了在解決其中一些挑戰方面的最新進展。結果表明，其中一些挑戰可以通過機器學習和人工智能算法成功解決，從而為軍用車輛的人工駕駛提供實質性幫助。

研究方法

絕大多數關于自主車輛的文獻都是在城市條件下的駕駛。非公路車輛沒有道路指引其軌跡，也沒有一致的駕駛地面，還必須考慮不平坦的三維地形、三維方向。這主張使用更復雜的人工智能方法，如PilotNet卷積神經網絡，最近通過攝像機記錄72小時在不同城市條件下的成功駕駛，并使用這些數據作為訓練集，來教車輛自我轉向（Bojarski等人，2017）。另一方面，在不使用神經網絡的情況下，收集了大量關于傳統自動車輛控制的知識。例如，DARPA 2005年挑戰團隊的獲勝者沒有使用神經網絡，而是依靠更傳統的自動控制算法來自動控制他們的機器人斯坦利（Thrun等人，2006）。為了利用這些知識，同時又與越野作業的挑戰性要求相關，我們建議實施一種混合方法，將人工智能和經典控制方法結合起來。

具體來說，我們建議使用神經網絡來持續確定和更新車輛行駛的地形類型，以及車輛的 "臨界值"，即車輛沿途必須遵守的行動限制，如允許的最大速度、最大的加速和減速率，以及車輛的范圍和最大的轉向率。將使用兩種人工智能算法。一個用于自動地形分類，另一個用于預測由第一個算法確定的地形類型的關鍵控制值。通過使用神經網絡來預測臨界值，車載自主控制系統不需要專門考慮所有的地形類型和方向，而是適當地定制，以便根據當前的駕駛條件實時調整。圖3概述了模型的結構。當前的地形估計、地形類型和條件、期望的軌跡和車輛狀態將被用來預測速度、最大加速/減速率和轉向的關鍵約束。這些值將作為傳統的剎車/油門的比例積分衍生（PID）控制器和轉向的模型預測控制（MPC）控制器的目標值。然后，實際的車輛狀態將被評估，地形、臨界值和路線將被相應地更新，直到車輛到達預期的目的地。

圖3. 擬議的混合自主控制方法的結構：使用神經網絡預測給定地形類型、車輛方向、地形和表面條件的臨界值，并設置為自適應MPC或PID控制器的目標。

隨著美國為大國競爭而重組其軍隊，戰場的有效性將取決于美軍是否有能力超越其近似競爭對手的決策周期。速度是關鍵--軍隊如何快速從其傳感器中收集數據，分析數據，辨別重要信息，將其發送給相關作戰人員并作出最佳反應。一支日益一體化和互操作性的部隊，對共同作戰環境有共同理解，對于軍隊完成能力融合至關重要。

美國防部聯合作戰概念（JWC）描述了全域作戰，并設想了一個聯合殺傷網，它可以通過全域聯合指揮和控制（JADC2）的支持概念，快速有效地將任何傳感器與任何投射能力聯系起來，這就是融合的原則。實現融合要求各軍種之間專注聚焦，確定優先次序并進行協同。美國陸軍將在JADC2中發揮核心作用，因為它為作戰和戰術網絡的發展提供信息；為JWC提供后勤骨干；并在一系列與各部門、機構和國際合作伙伴的合作實驗中測試融合。

0 概述

• 議題：隨著美國軍隊為大國競爭而進行的轉型，戰場效率將在很大程度上取決于其超越同行競爭對手決策周期的能力。

• 聚焦范圍：描述了陸軍和聯合實施JADC2的情況。

• 觀點：

  • 在一個共同的作戰環境中，數據管理和共享對于軍隊實現必要的能力融合至關重要。
  • JADC2要求國防部和陸軍進行變革，特別是在數據共享、網絡支持能力、決策周期中的人工智能（AI） 以及對部隊結構的調整方面。
  • JADC2是關于獲取數據和有效連接；它不是一個特定的平臺。

1 戰略環境

在2020年以后，美國軍隊必須具有戰略上的敏捷性、反應性和致命性。中國和俄羅斯正在大力投資，以減輕美國在陸地、空中、海上、太空和網絡空間各個領域的能力。

• 通過快速移動平臺維持的反介入/區域拒止（A2/AD）能力，爭奪進入戰場的機會。
• 利用日益增長的城市化和其他阻礙視距瞄準的地形。
• 利用戰略上敏感和動態的環境。

在有可能限制聯合部隊戰略部署和使用其部隊能力的情況下，需要一個現代化的指揮和控制（C2）機構，能夠迅速匯集美國及其盟國的所有能力，以威懾，并在必要時擊敗近鄰和其他競爭對手。

1.1 遺留系統的不足之處

目前的C2項目使用的是幾十年前的平臺，"沒有針對未來沖突的速度、復雜性和殺傷力進行優化"。目前的平臺各軍種不能有效地利用或發送數據、命令給其他軍種，而且它們的結構不能支持實現未來的C2。2018年國防戰略（NDS）強調了C2系統現代化的重要性，指出在退化的環境中未來的戰斗將以速度、更多的自主權和分布式的單位獲勝。

2 聯合作戰概念（JWC）

美國防部領導層設想了一個在戰場上沒有界限的未來，圍繞著一個統一的C2系統，其中一個多領域的方法--參與和整合地面、空中、海上、網絡和空間作戰--對于挑戰一個近似的對手是必要的。JWC是一個關鍵的概念，并且正在推動未來的研發和采購，同時也在整合作戰指揮部的審查和服務計劃。因此，該概念的發展是國防部的一個優先事項。

圖：全域聯合指揮與控制（JADC2）通過實時終端用戶報告和協作規劃，協同多個數據源，在國防支持民事當局行動期間，準確地在聯合特遣部隊民事支持(JTF-CS，美軍機構) 可能需要的地方提供支持能力。

注1：聯合作戰概念的四個支持性概念

• 指揮與控制
• 火力
• 后勤
• 信息優勢

2.1 JADC2

美國防部JADC2戰略于2021年5月由國防部長勞埃德-奧斯汀批準，闡明了國防部實施JADC2的方法；它將JADC2描述為感知、探測和行動的作戰能力，從而提高從沖突到競爭以及所有領域的互操作性和決策速度。JADC2是一個以數據為中心的持續C2能力框架，它支持JWC，并使聯合部隊能夠迅速匯集有助于威懾的效果，并通過決策優勢使任務取得成功。

JADC2指的是所有聯合C2的實施，包括：

• 構建其連接性的架構。
• 授予權力。
• 整合人工智能（AI）決策。
• 提供梯隊的人員能力。
• 培訓領導人。
• 同步工作人員并賦予他們實時決策的權力。

由于速度和規模在未來的戰斗中至關重要，JADC2將建立一個網狀網絡，實時將各部門的數據帶入一個 "可共享的數據湖"，將來自所有領域--陸地、空中、海上、太空和網絡空間的傳感器連接起來。利用人工智能軟件、數據庫、處理器和算法，它將把偵察信息轉化為可識別的和優先的目標，比人類分析員更快。目標數據將被發送到處于最佳位置的單位/能力，無論是動能、網絡、電子戰（EW）還是信息作戰（IO）。

JADC2及其網狀網絡可以被看作是一個安全的戰斗互聯網，軍事應用程序在上面進行連接，從所有可用的來源搜尋數據，以迅速將最佳的 "投射 "或 "效應器 "與目標聯系起來。JADC2可以提供無處不在的數據，不同的人類和機械數據可以根據需要使用。歸根結底，JADC2不是一個特定的平臺；它是獲取數據并有效連接。

圖：聯合參謀部的JADC2作戰規劃實驗，允許陸軍、海軍、空軍和海軍陸戰隊的節點共享實時的信息，以實現傳感器與投射的聯系，并將其顯示在一個共同的作戰畫面上（美軍聯合現代化司令部）。

2.2 各軍種間的合作

所有軍種都同意需要將JADC2作為一項組織戰略。2020年，陸軍和空軍簽署了一項協議，在2022財政年度（FY22）之前分享數據并制定共同的數據和接口標準；在多次實驗中，他們在這方面取得了成功。此外，陸軍、海軍和空軍在2021年初簽署了一項合作協議，以測試、整合和分享數據開發，以實現JADC2。

3 陸軍的角色

陸軍現代化戰略描述了陸軍將如何作戰，用什么作戰以及如何組織起來支持聯合部隊。陸軍致力于發展作戰網絡、技術和概念，通過一系列名為 "項目融合"（PC）的演示和實驗來實現超額匹配并為聯合部隊提供信息。這是一場持續的學習運動，旨在迅速 "融合"所有領域（陸地、空中、海上、太空和網絡空間）的效果，并塑造陸軍的新興理論、組織、訓練、能力、研究和發展以及后勤。

通過實驗和學習，"項目融合"有助于確保軍隊在適當的地方擁有適當的人員、適當的系統、適當的能力，以支持聯合戰斗。——陸軍參謀長詹姆斯-麥康威爾將軍

"項目融合"（PC）：學習運動

PC由五個核心要素組成：

• 確保合適的人員和人才。
• 將陸軍現代化工作與八個陸軍未來司令部跨職能小組（CFT）聯系起來，這些小組與陸軍現代化的六個優先事項相一致。
• 擁有正確的指揮和控制，以應對節奏越來越快的威脅。
• 使用人工智能對信息進行分析和分類，并在陸軍網絡中進行傳輸。
• 在 "最嚴苛的地形"中測試能力。

每項實驗都通過新的架構、編隊和來自陸軍八個CFT的授權來融合現代化舉措，并深化陸軍現代化舉措的整合。這些努力正在加速2018年國防戰略中概述的現代化戰略，該戰略設想未來的戰斗將在退化的環境中以擁有速度、自主性和分布式能力的單位獲勝。

表：陸軍未來司令部項目融合戰略20-22財年

在亞利桑那州尤馬的 "項目融合2020"（PC20）持續了幾個月，展示了人工智能和機器人技術，包括兩次實彈演示。該實驗由士兵、平民、科學家和工程師設計，在最低作戰水平上測試了融合，以挑戰戰術邊緣的決策過程。其中一項測試使用衛星和無人駕駛航空系統：同時感知空中和地面目標；迅速將數據傳遞給平臺，以打擊目標；并在十幾秒內決定性地摧毀該目標。

圖：2021年10月19日，在亞利桑那州尤馬試驗場，被分配到第82空降師的美國陸軍一等兵丹尼爾-坎達爾斯使用戰術機器人控制器來控制遠征模塊化自主車輛，為 "項目融合"做準備。在2021年項目融合期間，士兵們試驗使用該車輛進行半自主偵察和再補給（美國陸軍中士馬里塔-施瓦布攝）。

對實現JADC2能力的另一個貢獻是陸軍繼續倡導將其從聯合（joint）擴展到 "結合（combined）"--CJADC2--因為任何網絡都需要包括盟友和合作伙伴。陸軍在亞洲和歐洲有著深厚的軍隊間關系，應該站在這種重要努力的最前沿。認識到這一點，陸軍21/22財政年度的PC戰略將參與范圍擴大到了結合伙伴和盟友，增加了指揮層級并使之多樣化，并推動了現代化概念和技術的極限。

注2：項目融合（Project Convergence）：項目融合是聯合部隊對速度、射程和決策主導權的實驗，以實現超額完成任務，并為聯合作戰概念和全域聯合指揮與控制提供信息。作為一場學習運動，它利用一系列聯合的、多領域的交戰來整合人工智能、機器人技術和自主性，以提高戰場態勢感知，將傳感器與投射連接起來，并加快決策的時間線。因為誰能最先看到、了解并采取行動，誰就能獲勝。

注3：項目融合的五個核心要素

• 1.人
• 2.武器系統
• 3.指揮和控制
• 4.信息
• 5.地形

4 挑戰

JADC2要求國防部和陸軍進行轉型，特別是在數據管理和共享、網絡支持能力、人工智能在決策周期中的作用以及為實現這些變化而對部隊結構進行調整。陸軍現代化戰略及其現代化優先事項是持續轉型的框架，以使陸軍能夠在多個領域進行部署與聚合效應。

注4：軍隊現代化的優先事項六大任務

• 遠距離精確射擊
• 下一代戰車
• 未來的垂直升降機
• 陸軍網絡現代化
• 空中和導彈防御
• 士兵殺傷力

4.1 數據共享和網絡能力

一個用于C2的綜合戰斗管理系統需要在數據共享和標準化數據共享接口方面進行通信；然而，許多遺留系統包含數據共享障礙。2021年初，各軍種之間開始認真工作，制定數據標準以連接他們的JADC2項目，并通過 "發現、理解和與所有領域、梯隊和安全級別的合作伙伴交換數據 "來克服這些障礙。

陸軍的網絡CFT正在試驗網絡的現代化，以實現聯合接口、彈性和能力。它的重點是加強地面領域的數據和網絡傳輸能力，連接人工智能和機器學習（AI/ML），開發戰術云和邊緣計算。

4.2 聯合部隊實驗

國防部正在制定和實施一套初步的實驗和原型設計的核心原則，以統一國家安全事業。聯合部隊已經確定了幾個原型能力，通過將真實世界的威脅數據納入響應計算，在即將舉行的演習中進行測試。陸軍聯合現代化司令部建立了聯合系統集成實驗室（JSIL）--一個使用持久性環境場景的實驗網絡，允許各軍種、工業界和盟友通過幾個網絡測試數據共享能力。這將有助于對JADC2戰略進行可靠的評估。

4.3 最大限度地利用空間、人工智能和網絡

由美國太空發展局管理的低地球軌道（LEO）衛星將整合各軍種的戰術網絡，以創建一個網狀網絡的傳輸層。計劃于2022年部署的近30顆衛星將提供一種 "作戰人員沉浸 "能力，其中傳感器、投射和戰術網絡可以與戰術通信連接。PC22將利用這些衛星，開發低地軌道能力。

人工智能國家安全委員會報告稱，國防部有必要在2025年前采用、實施人工智能并為其提供資源。人工智能/ML--陸軍的一個優先研究領域--對于在聯合、全域作戰中實現聯合戰場管理系統至關重要。人工智能的進步提高了對新出現的威脅的反應速度和敏捷性，使指揮官和工作人員能夠將精力集中在加速、優化決策上。

建設網絡安全基礎設施是陸軍網絡計劃的一個關鍵方面，它將為統一的網絡帶來速度、訪問和安全。在平衡這些要求的同時，美國網絡司令部正在與行業伙伴密切合作，擴大用于在國防部、情報界和商業網絡之間傳遞數據的安全共享工具，而不存在被破壞的風險。

圖：作為 "項目融合2020"的一部分，飛馬系列戰術自主系統的一部分在尤馬試驗場進行測試。飛馬系統有能力為無人駕駛航空系統（UAS）、地面行駛履帶式車輛，提供監視能力或創建一個地區的豐富詳細的三維地圖。

5 前進之路

決策主導權--在技術和融合的作用下更快地做出更好的決策的能力--將使美國軍隊從其對手中脫穎而出。JADC2有助于實現信息主導權，并促進快速融合，實現速度關鍵優勢，這是未來AI/ML競爭的基礎。

目前，每個軍種都在其各自領域內管理C2的復雜性。隨著戰爭的特點變得越來越復雜，聯合部隊必須同時有效地整合五個領域。這需要新的C2方法。JADC2是建立一支能夠完成國防戰略目標的聯合部隊的基礎。國會的支持、持續的資助和軍種間的合作對于成功實施JWC和JADC2至關重要。

陸軍在實現這一聯合網絡的技術、創新和實驗方面處于領先地位。它的PC學習運動已經證明了它有能力使用新興技術和創新概念來實現軍種間和跨域的融合。陸軍的未來司令部、CFTs、作戰能力發展司令部和軟件工廠正在結合士兵的經驗、工業界的資源和科學家的專業知識來發展和提供未來的戰斗力量。通過實驗和聯合協作，陸軍正在使JADC2成為現實，從而增強戰略競爭中的威懾力和沖突中的超強戰斗力。

美國陸軍協會

美國陸軍協會是一個非營利性的教育和專業發展協會，為美國的全部軍隊、士兵、陸軍文職人員和他們的家屬、行業伙伴以及強大國防的支持者服務。美國陸軍協會為陸軍提供聲音，支持士兵。

摘要

拒絕和欺騙（D&D）技術利用錯誤信息和對手的認知偏差，長期以來一直是混合作戰的一部分。這種戰術給傳統上由人類分析員制作的情報、監視和偵察（ISR）產品帶來了不確定性和懷疑。在一個由人工智能（AI）擴散主導的未來戰斗空間中，算法生成的ISR產品數量可能會增加。因此，D&D戰術將越來越多地被顛覆人類而非機器推理的需要所驅動。對抗性機器學習（AML）的發展，即對欺騙性人工智能的研究，對未來混合作戰空間中的實踐狀態有重大影響。**本文回顧了對抗性機器學習技術之間的關鍵區別，以及它們對敵方對作戰人工智能的了解和訪問做出的假設。然后，我們總結了我們團隊最近與混合作戰有關的幾個對抗機器學習研究方向：對成像系統的物理對抗性攻擊，數據中毒攻擊，以及AML與設計強大的人工智能系統的相關性。

引言

混合戰爭指的是使用顛覆性的、非軍事的手段來推進民族國家的利益，特別是俄羅斯近年來采用的技術，在不訴諸公開的、常規的軍事行動的情況下占領領土并影響各國的政治和政策[1]。所采用的混合戰術包括網絡攻擊、動員智能體團體采取行動、施加經濟影響以及其他秘密措施。由于混合作戰存在于常規軍事沖突和平民生活之間的 "灰色地帶"，因此戰術上采用了拒絕和欺騙（D&D），通過利用民眾或敵對勢力的認知偏差來迷惑、威懾或影響理想的行為。D&D戰術在常規戰場上的歷史使用是有據可查的[3]。有效的D&D技術通過對依賴人類專家分析的軍事情報、監視和偵察（ISR）產品產生懷疑而獲得成功。在混合軍事行動中，情況不一定如此，在混合軍事行動中，D&D也可能試圖影響平民的看法。此外，隨著人工智能（AI）成為國家軍事投資戰略的重點（如[4]和[5]），以及商業信息技術部門越來越多地采用人工智能[6]，人工智能在未來的 "灰色地帶 "可能會無處不在。因此，我們必須考慮在未來由人工智能的使用主導的混合戰斗空間中可能存在的D&D威脅。

當前的人工智能能力是由機器學習的進步所帶來的，特別是在深度學習這個子領域，在過去的10年里。機器學習（ML）涉及將系統的輸入映射到預測結果的問題，例如，將車輛的圖像映射到一個類別的標簽。通常情況下，這是在大型數據集中通過統計模式識別實現的。深度學習具體涉及到多層神經網絡的使用，它是具有數百萬自由參數的高度非線性回歸模型，作為模式識別的統計模型。雖然深度網絡在各種任務上的表現優于人類（最著名的是圖像分類[7]），但在諸如[8]和[9]等作品中觀察到它們容易被愚弄之后，對抗性機器學習（AML）領域作為一個活躍的研究領域出現了。許多作者指出，ML算法所犯的錯誤可能會在民用領域產生嚴重后果[10]-[15]。我們也認為必須提出類似的擔憂，即軍事人工智能系統在常規戰場和混合戰斗空間中的脆弱性。

本文的其余部分組織如下：第2.0節將提供關于對抗性機器學習的進一步背景介紹，以及我們認為目前在解決其與混合軍事行動的相關性方面存在的差距。在第3.0節中，我們描述了約翰霍普金斯大學應用物理實驗室（JHU/APL）目前正在進行的三項研究工作，以解決這些知識差距。最后，我們在第4.0節中做了總結性發言，并總結了我們到目前為止的發現。

圖1. 使用深度學習模型將貓的圖像識別為 "鴕鳥 "的對抗性實例的例子

圖 6. AI 開發周期（圓形流程圖）和采用機器學習的典型算法步驟（橙色大框）。

機器學習是現代戰爭系統的關鍵組成部分。本文探討了人工智能的 7 個關鍵軍事應用。

機器學習已成為現代戰爭的重要組成部分，也是我（Nicholas Abell）作為陸軍退伍軍人和數據科學家的主要興趣點。與傳統系統相比，配備人工智能/機器學習的軍事系統能夠更有效地處理大量數據。此外，人工智能由于其固有的計算和決策能力，提高了作戰系統的自我控制、自我調節和自我驅動能力。

人工智能/機器學習幾乎被部署在所有軍事應用中，軍事研究機構增加研發資金有望進一步推動人工智能驅動系統在軍事領域的應用。

例如，美國國防部 (DoD) 的國防高級研究計劃局 (DARPA) 正在資助一種機器人潛艇系統的開發，該系統預計將用于從探測水下水雷到參與反潛行動的各種應用。此外，美國國防部在 2017 財年在人工智能、大數據和云計算方面的總體支出為 74 億美元。預計到 2025 年，軍事 ML 解決方案的市場規模將達到 190 億美元。

以下是機器學習將在未來幾年證明其重要性的七種主要軍事應用。

1. 作戰平臺

來自全球不同國家的國防軍隊正在將人工智能嵌入陸地、海軍、空中和太空平臺上使用的武器和其他系統中。

在基于這些平臺的系統中使用人工智能，可以開發出更少依賴人工輸入的高效作戰系統。它還增加了協同作用，提高了作戰系統的性能，同時需要更少的維護。人工智能還有望使自主和高速武器能夠進行協作攻擊。

2. 網絡安全

軍事系統通常容易受到網絡攻擊，這可能導致機密軍事信息丟失和軍事系統損壞。然而，配備人工智能的系統可以自主保護網絡、計算機、程序和數據免受任何未經授權的訪問。

此外，支持人工智能的網絡安全系統可以記錄網絡攻擊的模式，并開發反擊工具來應對它們。

3. 物流運輸

人工智能有望在軍事后勤和運輸中發揮關鍵作用。貨物、彈藥、武器和部隊的有效運輸是成功軍事行動的重要組成部分。

將人工智能與軍事運輸相結合可以降低運輸成本并減少人力工作負荷。它還使軍用艦隊能夠輕松檢測異常并快速預測組件故障。最近，美國陸軍與 IBM 合作，使用其 Watson 人工智能平臺來幫助預先識別 Stryker 戰車的維護問題。

4. 目標識別

正在開發人工智能技術以提高復雜戰斗環境中目標識別的準確性。這些技術使國防軍隊能夠通過分析報告、文檔、新聞提要和其他形式的非結構化信息來深入了解潛在的作戰領域。此外，目標識別系統中的人工智能提高了這些系統識別目標位置的能力。

支持人工智能的目標識別系統能力包括基于概率的敵人行為預測、天氣和環境條件匯總、潛在供應線瓶頸或漏洞的預測和標記、任務方法評估以及建議的緩解策略。機器學習還用于從獲得的數據中學習、跟蹤和發現目標。

例如，DARPA 的競爭環境中的目標識別和適應 (TRACE) 計劃使用機器學習技術在合成孔徑雷達 (SAR) 圖像的幫助下自動定位和識別目標。

5. 戰場醫療

在戰區，人工智能可以與機器人手術系統 (RSS) 和機器人地面平臺 (RGP) 集成，以提供遠程手術支持和疏散活動。美國尤其參與了 RSS、RGP 和其他各種用于戰場醫療保健的系統開發。在困難條件下，配備人工智能的系統可以挖掘士兵的病歷并協助進行復雜的診斷。

例如，IBM 的 Watson 研究團隊與美國退伍軍人管理局合作開發了一種稱為電子病歷分析器 (EMRA) 的臨床推理原型。這項初步技術旨在使用機器學習技術來處理患者的電子病歷，并自動識別和排列他們最嚴重的健康問題。

6. 戰斗模擬與訓練

模擬與訓練是一個多學科領域，它將系統工程、軟件工程和計算機科學結合起來構建計算機模型，使士兵熟悉在軍事行動中部署的各種作戰系統。美國正在越來越多地投資于模擬和訓練應用。

美國海軍和陸軍都在進行戰爭分析，啟動了幾個傳感器模擬程序項目。美國海軍已經招募了 Leidos、SAIC、AECOM 和 Orbital ATK 等公司來支持他們的計劃，而美國陸軍的計劃得到了包括 SAIC、CACI、Torch Technologies 和 Millennium Engineering 在內的公司的支持。

7. 威脅監控和態勢感知

威脅監控和態勢感知在很大程度上依賴于情報、監視和偵察 (ISR) 工作。ISR 行動用于獲取和處理信息以支持一系列軍事活動。

用于執行 ISR 任務的無人系統既可以遠程操作，也可以按照預先定義的路線發送。為這些系統配備人工智能有助于防御人員進行威脅監控，從而提高他們的態勢感知能力。

具有集成 AI 的無人駕駛飛行器 (UAV) - 也稱為無人機 - 可以巡邏邊境地區，識別潛在威脅，并將有關這些威脅的信息傳輸給響應團隊。因此，使用無人機可以加強軍事基地的安全，并提高軍事人員在戰斗中或偏遠地區的安全性和效率。

結論

人工智能在軍事技術硬件和軟件的大規模采用，向我們展示了現代戰爭中令人難以置信和可怕的范式轉變。毫不奇怪，世界上最大的軍隊比其他任何事情都更加關注這項技術，而這場技術競賽的獲勝者可能會比美國在研制原子彈后擁有更多的全球影響力。 （作者：Nicholas Abell，美國陸軍退伍軍人）

摘要

基于人工智能 (AI) 實現的軍事情報(MI)自動化，在許多方面拓寬了情報收集程序和分析功能范圍。在當今的數字化世界中，每分鐘都以指數方式產生數據。世界各地的情報機構正在體驗新的信息維度，而這些信息在過去由于人類處理龐大數據集的能力有限而被忽視。人工智能/機器學習 (ML)的發展帶來了一種革命性的方法，可以收集大量數據并使用 ML 算法進行分析，從而為非戰時時期和戰時戰略、作戰和戰術指揮官生成各種情報信息摘要。為了應對傳統和非傳統威脅，基于機器學習的軍事情報數據收集和分析，將通過有監督、無監督、強化和深度學習方法進行，其中自動化程度通過人在回路和人在回路之外的方法確定。這些 ML 工具將有助于開發系統框架，能夠通過自適應學習技術感知和響應運行環境，從而從其經驗中學習，根據以前的學習和經驗適應不斷變化的環境。結合智能安全傳感器、監控無人機、地球觀測衛星、電子和虛擬源監控系統，可以增強軍事情報信息收集系統。數據分析和數據融合可以在信息源收集、存儲與處理、融合與分析、數據共享4層框架內，通過回歸、分類、時序分析、聚類分析、主題建模、協同過濾和關聯規則等方式進行。軍事云網絡和物聯網 (IoT)可以增強數據共享。與其他武裝軍種、相關部委、工程大學和商業利益相關者合作，將有助于制定未來的策略指南、研發、ML 算法開發計劃以及為各種基于 ML 的 MI 平臺和應用程序生產兼容的硬件。

1 引言

軍事情報 (MI) 是收集、解釋和向軍事指揮官傳播信息以協助其決策的過程。它研究廣泛的作戰環境，分析各種參與者，同步相關信息并監控非戰時、戰時正在進行的事件。隨著技術的進步，多源數據呈現多倍和多維度增加。這些數據來自戰略、作戰和戰術層面，包括政治、軍事、經濟、社會、商業、媒體和多背景職業人員。情報分析人員經常面臨從大量信息中得出適當結論的復雜任務。從可用數據中得出的假設不能被認為是結論性的，因為它無法通過最大程度收集的信息源進行驗證。由于生成的信息在時間和空間上是動態的，隨著形勢變化而快速演變；從一組信息中得出的結論通常需要驗證，由于處理如此大量的數據和信息的限制，有時甚至在給定的上下文中排除了驗證。此外，需要通過與其他來源的各種相關性分析，定期檢查來源的真實性，這對從這些信息中得出的假設有明顯的影響。

不可否認，由于各種來源的數據生成激增，在信息的收集、分析和相關性評估方面將有很大的改進空間。在收集和分析過程中使用人工智能 (AI) 和機器學習 (ML) 可能是未來最有效的方法。許多技術先進的國家正在用AI/ML改造他們的智能系統。因此，需要評估機器學習是否可用于情報信息的收集和后續分析，處理非戰時、戰時的海量數據流，以獲得戰場環境和當代全球形勢最準確的結論性圖景。

軍事情報是一個動態過程，這是由于各種參與者無處不在的活動，他們產生了連續的數據流。對數據進行評估和分析，將數據分發給利益相關者，采取適當的行動并監測相應的影響，這些都是不可分割的過程，可以通過機器學習系統驅動的自動化進行。此外，通過 ML 系統可以提高和更有效地運行指揮、控制、通信、計算機、情報、監視和偵察 (C4ISR) 系統的功能，其中集成系統可以從環境中學習，并根據迭代學習過程提出評估方法。因此，可以將軍事情報、偵察和監視集成在一個綜合指揮系統下，通過機器學習可以拓寬軍事視野。

2 軍事情報過程中機器學習模型的概念化

Shu-Hsien 等人（2003 年）強調了基于知識的未來軍事情報規劃系統架構。已經討論了許多應用 ML的系統架構和系統配置，其中介紹了自動和半自動分析方法的過渡。此外，還討論了一個具有假設系統實施策略的典型模型。

Prelipcien 等人 (2010) 強調了可用于分析和決策行為模型的各種 AI 算法。簡要介紹了神經網絡的應用、泛型算法、模糊邏輯和專家系統。一些模型描述了神經網絡可用于模式識別但在決策應用方面存在不足。泛型算法具有對環境動態適應的自學習原理，可廣泛用于開發多種決策方案。模糊邏輯被推薦用于基于輸入和期望輸出之間關系的決策規則。它有助于機動計劃和兵力分配，但缺乏具體的判斷決定。專家系統是基于知識規則進行識別和確定特定情況下的行動時間。并重點討論了各種算法模型設計的 ML 應用。

Dijk (2019) 在他之前關于國防應用中的 AI 和 ML 的會議上，為軍事情報分析方法編譯了許多 ML 模型。與實現研究目標相關的方法是無人傳感器和系統、使用 ML 方法對無人機進行聲學檢測、通過無人機系統進行態勢感知、可見光和熱光譜范圍內的視頻監控、用于視覺識別的神經網絡、用于行為識別的深度學習，提出了用于危險分類、信息提取和語義世界建模的深度神經網絡模型，和基于對象的深度學習多光譜圖像融合方法，應用于軍事情報分析。

Ahmed (2019) 強調了人工智能在孟加拉國 (BD) 武裝部隊監視領域應用的重要性。詳細闡述了 AI 實施路線圖架構，可用作探索預期目標的初始參考方案。調查已用于基于ML進行軍事情報分析框架的意見和指南。

Mitchell 等人（2019 年）討論了情報周期元素之間的相互聯系，并列舉了如何將 ML應用于情報周期的各個階段。通過人工智能實現自動化，所有情報機構都可以利用潛在的工作時間，這為情報機構在量化價值方面的效率加速程度提供了深入的見解。這為情報主體在情報過程中應用數學模型時的效率提供了定量比較。

中國（2017）強調了潛在的通用技術、支撐平臺和未來人工智能產業，以開發智能計算技術，用于未來人工智能驅動的重大科技項目。重要的是要發現知識計算技術是建立在自適應機器學習和分析推理技術之上的。其中，關鍵群體智能技術、跨媒體分析推理技術、知識計算與服務技術、混合增強智能架構、智能自主無人系統、智能虛擬現實技術、智能計算芯片與系統、自然語言處理技術，已成為探索未來軍事情報分析的重要創新。大數據智能理論、跨媒體感知理論、混合與增強智能理論、群體智能理論、自主協調與控制、優化決策理論、高級機器學習理論、類腦智能計算等學術研究發展規劃理論、群體智能理論和量子智能計算理論已被預測為 ML 應用于情報分析的指導學術話語。這些將通過機器學習為未來的軍事情報分析構建基于知識的架構。這些是基本的學術指導方針，持續發展將為 ML 用于軍事情報分析創建研發計劃。結合這一理論框架，Haridas(2015)提出了用于國家和軍事情報收集的大數據分析，基于大數據分析的情報可以為決策提供必要的支持。ML 被用作情報大數據分析工具，通過該工具可以實現威脅警報、社交媒體監控、信息挖掘、文檔分析和網絡安全監控。討論了基于大數據應用的情報收集系統的概念布局，其中可以對來自多個收集源的各種信息數據進行實時高級分析，以提供態勢感知、決策制定和戰斗評估。這些都為今后的研究和開發提供了較為詳細的理論概念。

Michael O'Hanlon (2019) 預測未來 20 年軍事技術將發生顯著變化，他專注于軍事技術的未來趨勢。在四類技術突破中，第一類是收集與軍事行動相關數據的傳感器，第二類是處理和分發這些數據的計算機和通信系統。預測了 2020-2040 年關鍵可部署技術的預計進展，其中顯示了傳感器和其他通信系統的部署概率。它對情報采集源、通信和信息處理技術的未來發展做出了清晰的預測。 Connable (2012) 強調了各種形式和格式的情報數據融合過程，并介紹了融合過程對于相關國家和國際參與者分析未來復雜環境的重要性。一個包含政治、經濟、軍事、社會和信息基礎設施的系統分析圖，解釋了信息流如何影響戰略和作戰重心，這驗證了未來情報數據收集和處理熱潮的顛覆性轉變。它描繪了融合的情報圖片如何更好地反映地面圖片，從而幫助情報人員了解復雜的社會-政治-軍事環境，并與大局建立聯系。因此，在未來復雜的作戰和戰略場景中，將在情報數據融合分析方面尋求范式轉變。

為了對來自不同來源的數據進行融合，Cruickshank (2019) 提出通過應用數據科學來開發軍事情報架構，為了從原始數據中提取知識的能力。建議使用 ML 和其他 AI 技術，數據科學將成為分析來自各種收集源結構化和非結構化數據的首選學科。在這方面，Kendrick (2019) 展示了一個在所有陸軍梯隊采用以數據為中心的框架。這允許在陸軍決策和執行的每一層面將數據科學有效地整合到陸軍情報中。數據科學工具可以自動化情報過程的復雜步驟，最終開發軍事情報數據庫。這些概念可以提供為軍事情報過程開發合適的 ML 模型。

Dopico 等人（2009 年）在他們的《人工智能百科全書》中匯編了大量關于當前人工智能技術發展的研究文章。在這些文章中，各種最新的智能系統建模、自適應技術、人工神經網絡、用于信息檢索的人工智能、認知建模、基于行為的神經網絡聚類、智能代理中的決策、面部表情識別程序、分層強化學習、自然語言處理程序、模糊邏輯系統的監督學習和群體智能方法模型，可以提供一個啟動框架，可用于說明 ML 如何用于解釋情報數據并將其轉換為可用信息。有了 ML 程序開發指南，對用于軍事情報分析的 ML 系統的研究和開發可能非常重要。

3 用于軍事情報分析的全球軍事機器學習應用平臺

機器學習是人工智能的一個子集，已被發達國家和發展中國家的軍隊廣泛用于其各種軍事應用和作戰平臺。 ML算法用于分析和學習數據（Bhatnagar，2018）。 ML 旨在通過分析示例和信息中有意義的關系和數據模式，來學習和調整其思維模式，這些示例和信息旨在以類似于人類認知邏輯的性質工作（Janiesch & Heinrich，2021）。在 2018 年美國國防戰略（Defense, 2018）中宣布，將人工智能作為未來打贏戰爭的關鍵技術，這已被美國（US）列為未來戰略。俄羅斯在 2017 年重申追求人工智能技術，因為俄羅斯總統公開宣布了其對未來軍事前景的立場（Simonite，2017）。中國在 2017 年發布了一項戰略，詳細說明了到 2030 年通過人工智能引領軍事技術的路線圖（Council，2017 年）。 Maven 項目是正在進行的領先的軍事 AI 實施項目之一，在伊拉克和敘利亞打擊 ISIS 的行動中，五角大樓通過算法戰跨職能團隊將無人機視頻轉換為可操作的情報，從而開始對 ML 進行軍事應用（WEISGERBER，2017 年）。

3.1 軍事情報流程的系統架構

軍事情報（MI）流程集成了情報、監視和偵察 (ISR)，ISR開發了情報發送 (IC) 流程。通常，它結合了空間數據庫、屬性數據庫、案例庫、規則庫和知識庫，MI 過程通過這些知識庫進行工作。軍事偵察是獲取有關敵對部隊和自身作戰利益地形信息的過程。軍事監視是根據偵察數據對活動進行監測，以便保持有關的最新情況 。MI 結合了分析偵察和監視數據，并將原始信息轉換為對當前和未來行動具有軍事利益的有用情報的過程（Liao 等人，2003 年）。軍事 ISR 的框架如圖 1 所示。

圖1:軍事ISR框架(Liao等，2003)

從圖 1 可以明顯看出，MI 的相互交織的過程列舉了每個過程都與其他過程相輔相成，并且任何過程中缺乏活動都會導致整個 IC 過程出現故障。可以通過自動化以最小的錯誤概率加速持續的協調、修訂、更新和執行。因此，最新的人工智能強化學習方法通??過人機協作將整個過程納入情報分析框架。

MI過程是通過使用管理信息系統（MIS）進行的，通過該系統處理顯性知識。但在當今世界，有大量的數據產生，包括物理數據和虛擬數據，有屬性數據庫、空間數據庫、案例庫和知識庫等多種數據庫。地理信息系統（GIS）和基于知識的決策支持系統（KBDSS）被用于整合決策支持和知識管理功能，以增強顯性和隱性知識庫。在這方面，提出了結合情報戰支持系統（IOSS）結構，通過混合推理策略完成豐富的知識表示，證明了其在生產決策系統中的適用性（Xia & Rao，1999）。該系統的運行基于從書面知識中學習、從問題解決中學習、從問題解決失敗中學習和從遺忘中學習。這稱為自適應和強化學習，它是 ML 的主要屬性和 AI 的核心功能。由于情報收集、積累、分析和傳播功能的動態特性，基于強化學習的 ML 功能正變得越來越流行，并且依賴于 MI 過程。

3.2 軍事情報流程的層次結構和配置

MI 流程的層次結構和配置大致分為三個層次（Liao 等，2003）。第一層由作戰和戰術情報收集組織和單位組成，其通過偵察和監視手段收集數據、圖片、信號和網絡信息。這些手段大致可細分為人類智能、信號智能、圖像智能和通信智能。第二層次對提供的數據和信息進行不同的情報分析。在此層面上，分別根據日常和緊急需求提供常規和特殊情報報告。常規情報的存檔是這一層面的重要組成部分之一，它會定期更新并根據需要進行檢索。第三層是經常提出智能化要求的用戶組織、上級指揮部和高層領導。他們還定期更新態勢感知以及具有作戰和戰術價值的特殊情況。

MI的作戰流程分為常規任務和特殊任務。在常規任務中，作戰注意力集中在基于常規和標準操作程序的基本情報收集上。有時限的特殊任務側重于從特定事件、情況和人員中獲取特定情報。因此，這兩個作戰過程都闡釋了如圖 2 所示的 IC。

圖2:軍事情報作戰流程(Liao等，2003)

廣義情報作戰流程建立在對第一層情報采集組織和單位采集的原始數據處理之上。將原始數據轉換為信息的過程是由隱性和顯性知識庫完成的。這兩種類型的知識庫之間存在核心差異。隱性知識是任何智力主體的經驗、邏輯思維和膽識的積累，本質上更多的是個人屬性(Oliver, et al., 1997)。它因人而異，并且根據此類知識庫做出的決定通常是出乎意料的，可能不是基于邏輯推理（Hedlund，1994）。盡管在某些情況下，隱性知識被證明是根據情報預測任何結果的合理正確方法。但另一方面，顯性知識基于教義基礎的規則、方法和技術，本質上更精確、清晰和結構化（Zhang & Griffith，1997）。此外，程序性知識是由顯性知識支持的標準操作程序（Anderson，1985）。

3.3 為什么ML是MI分析的擾亂技術

在當今的數字化世界中，人類處于大量數據中，這些數據正以指數方式增長。數據的多樣性、數量、速度、矢量和無處不在不僅擾亂了當今的作戰前景，而且忽視了對通過它所承載的信息解釋，從而危及國家安全。在“信息就是力量”的格言下，作戰部隊必須具備解讀這種不斷增加的結構化和非結構化數據的能力，并找到有助于促進非戰時、戰時情報數據庫發展的模式。世界各地的情報機構正在重新定位和重組其傳統的情報作戰方法，以適應動態數據流并準備分析大型數據集。很明顯，在未來的技術時代，情報前景必須拓寬，并依賴于收集和組織大部分自己感興趣的數據來可視化未來態勢。

一般情報作戰由五個相互關聯、相互依賴的循環組成。分別是計劃、收集、處理、分析和傳播 (PCPAD)。收集、處理和分析 (CPA) 階段至關重要，需要從技術方面加以重視，因為操縱和處理的數量已經超過了人類的能力。數據收集來源包括傳感器、航空系統、衛星、無線電信號、開源互聯網、社交網絡、不同的組織、代理、對手等等。這些數據在不同的時間和空間以不同的格式在不同的介質中以二進制數據的數字格式或書面和口頭數據的形式出現。因此，它需要一個通用的解釋系統，可以處理、存儲、解釋所有類型的數據格式，并可以制作通用的情報圖。

根據 Desjardins（Desjardins，2019 年）的說法，世界正在產生大量數據，如圖 3 所示。

圖3:2019年中一天的數據(Desjardins, 2019)

Bulao (Bulao, 2020) 總結了以下關于互聯網世界中通過信息高速公路產生了多少數據的細節。

表 1：通過信息高速公路生成數據（Bulao，2020）

這些是在非戰時時期準備情報數據庫時需要分析的數據量和數據類型，以便在需要的時候幫助提取必要的信息。此外，在過去十年中，非傳統安全 (NTS) 威脅仍然很高，并且已經成為新的安全問題。因此，需要每天開發、更新和監控針對 NTS 威脅的情報，以便及時了解由于參與者的不可預測行為而導致的任何即將發生的情況。在戰時，在活躍的戰場情景下，持續的偵察和監視是任何作戰活動必不可少的組成部分。在戰場環境中，這些來自各種來源的數據被添加到以前的數據庫中，從而產生海量的數據流，這是人類操作員使用傳統的收集、存儲和分析方法無法處理和組織的。在正在進行的 AI 技術時代，有監督和無監督 ML 被廣泛用于收集大量數據。使用 ML 的優點是它可以自主或半自主地訓練自己來整理 MI 所需的數據，這使它能夠用可用的模式標記數據。因此，機器學習系統可以輕松篩選數十億字節的數據并捕獲所需的數據類型，為機器學習創建有意義的信息。雖然機器學習應用于數據收集，但系統通過數據挖掘（Chan，2020）通過正確識別、定位、分析、集成、清理和存儲來準備數據。

3.4 ML 在 MI 中的全球軍事應用

在討論了 MI 流程和系統架構的廣泛結構之后，不同國家的軍隊一直在通過監督學習和強化學習關注隱性知識和顯性知識來開發和重新定位其 MI 流程。隨后，對各種正在進行的MI流程系統進行了徹底的重組，這些系統將在可預見的未來主導MI流程的制定。簡要討論了一些最近開發的用于收集和分析 MI 流程的自動化系統。

? 多域指揮和控制系統（MDC2）是集中式平臺之一，收集和分析通過傳感器從陸地、空中、海洋和網絡空間收集的原始數據。這些數據與中央系統的融合是為了創建一個單一的信息庫，從而為決策者創建一個通用的作戰圖（CLARK，2017）。

? 邊境監視系統（BSS），對邊境沿線的物體和人員進行自動監視。它由傳感器、網絡資源和數據庫組成，其中開發了算法來計算指標，從而為威脅提供預測值。它不僅可以估計威脅程度，還可以評估一系列事件的不確定性程度。貝葉斯推理、背書理論、模糊推理和 Dempster Shafer 理論與編程算法一起用于 BSS 的設計（Albertus C. van den Broek，2019）。

? 聲學探測器，是一種通過機器學習方法運行的主動探測系統，可以跟蹤和探測空中和地面中的小型微型物體。 ML 方法用于使用來自各種傳感器和雷達的實時數據來檢測和評估多種算法的性能。這可以將各種音頻特征與可聽和不可聽頻譜區分開來。基于 ML 的檢測算法可以剔除噪聲并通過作戰環境產生可用的情報（Alexander Borghgraef，2019 年）

? 通過增強技術在可見光和熱光譜范圍內進行視頻監控，采用深度神經網絡記錄和檢測紋理和熱圖像。卷積神經網絡是在自適應學習算法下設計的，通過從各種來源獲取傳感器數據并做出決策。它在長波紅外和可見光譜范圍內的大規模多光譜熱世界數據集中特別有用（Vanessa Buhrmester，2019）。

? 基于深度學習的行為識別已經應用于監控系統中的傳感器數據分析。該系統致力于識別人的異常行為并跟蹤具有特定行為模式的人員（Maria Andersson，2019）。該系統通過預設的人與人、人與物、人在特定環境的行為模式來分析不同的行為特征。這是在監督學習模型上設計的，其中具備不同的行為類別和模式，通過這些模型分析和檢查受試者的行為特征，以篩選和檢測所需的感興趣的人。

? 通過結合和分析不同的情報輸入，開發了基于語義世界模型的信息提取技術。這些情報輸入的形式有人力情報（HUMINT）、圖像情報（IMINT）、開源情報（OMINT）、虛擬源情報（VIRINT）等。通過使用數據驅動的機器學習機制和語義世界建模，將信息整合、處理、融合產生一個通用的情報。這些是基于深度學習方法面向結構化和非結構化數據開發的（Almuth Hoffmann，2019）。

3.5 用于 MI 分析的 ML 算法開發模型

ML 在國防、經濟、醫療保健、交通、航空、空間技術、商業等領域的應用領域已經具有較大發展。有趣的是，這些領域的應用成果可以加速國防應用的發展。對于 MI，這些 ML 算法可以用于探索未來的應用，這些應用已經在理論研究中或已經在實際工業應用中。在此基礎上，討論了算法模型及其在模型分析中的應用范圍：

? 從互聯網資源和通信媒體中檢索多媒體信息會在高維空間中產生大量數據。主動學習支持向量機 (ALVSM) 一直在開發以處理此類高維系統，因此可以作為 MI 數據收集和分析的基本系統 (Jiang & Horace, 2009)。

? 基于智能體的智能系統建模被開發用于感知和響應作戰環境，作為一個自適應系統來獲取和存儲信息，從其經驗中學習，通過自動化或半自動化控制，調整方向，適應變化的環境。通過自適應學習不斷修改規則，使系統在不斷變化和演變的環境中做出必要的決策輸出。智能體的工作原理是通過基于代理的建模 (ABM) 結合人類和基于機器的數據進行監控、傾聽和響應 (Tang, et al., 2009)。

? 環境智能 (AmI) 通過物聯網 (IoT) 無縫集成智能設備和基礎設施。它通過語音識別和圖像轉換集成了所有的采集和監視傳感器、智能系統、人、計算機和社會交互。該系統通過認知推理的直觀界面工作，并向智能體提供合適的策略選擇（Sadri & Stathis，2009）。

? 面部表情識別系統 (FERS) 用于識別人類情緒并捕捉大量圖像序列中的面部表情。人機交互解釋面部運動并分析情緒狀態（Dornaika & Raducanu，2009）。

? 數據挖掘和數據倉庫被廣泛用于管理和分析大型數據集（基于模式識別技術）。數據倉庫可用于存儲可在需要時檢索的數據。數據挖掘用于壓縮龐大的信息存儲庫。它是一個涵蓋大數據集、模式識別、機器學習、信息與控制理論、信息檢索、并行與分布式計算和數據可視化的多學科領域（Zhou，2003）。與 MI 分析最相關的數據挖掘活動可能是關聯、序列、分類、聚類和通過神經網絡、決策樹、回歸分析和基于記憶的推理進行的預測（Wang 等人，2009 年）。

? 帶有傳感器、AI 和 ML 的地理信息系統 (GIS) 生成數字地圖，其中輸入來自地面傳感器、空中平臺和衛星。它生成定制的便攜式地圖，其中包含實時和空間放置的更新對象以及用于檢測和跟蹤系統的準確地理坐標。圖像和對象處理是通過自適應和監督機器學習的深度挖掘建模完成的（Matheson，2020）。

? 基于傳感器的認知平臺通過廣泛的神經網絡系統中的各種數據和圖像收集傳感器工作。該平臺通過模糊邏輯和遺傳算法進行操作，形成專家和學習系統（Hamblem，2017）。

4 機器學習在軍事情報中的應用潛力

要在大局下開發完整的情報概要，顯然需要關聯和融合來自多個收集源的所有情報數據。基于機器學習方法的工具可以分為三類，例如監督學習、無監督學習、強化學習和深度學習。 Alkire (Alkire, et al., 2016) 將分析工具分類為啟用分析、執行分析和支持分析。啟用監督學習方法下的分析工具可幫助智能體快速、準確、完整地執行特定的分析任務。這種半自動化工具通過人機交互和人在環結構中執行分析任務。執行分析是替代智能體的全自動工具；從而在具有人外循環結構的無監督學習方法下運行。執行分析工具可以通過基于任務和基于周期的方式進行操作。基于任務的工具從情報代理中卸載指定的任務并自主完成任務。基于循環的工具完全無需人工??干預即可執行智能循環的所有步驟。強化學習和深度學習下的分析工具通過自適應學習運行，它通過知識管理數據庫、建模、模擬環境、人際協作、縱向和橫向協作來支持智能體。

數據合成是情報數據分析的重要步驟。其目的是將來自各種收集源的所有不同元素組合在一起，以開發單個事件和情況的情報摘要。這種合成一般分三個層次進行。初級階段是基礎分析和開發，其中匯總來自單一來源的數據以制作情報產品。這是關鍵基礎，因為到下一層次的合成鏈取決于此數據組合階段。高級分析和開發層次目的在于解釋多源數據，由于來自多個來源的數據量和類型，分析和開發變得更加復雜。與此層次并行，可以創建多源分析和多情報融合，以發現情報產品之間的關系，這可以被認為是更深層次的階段。這樣做主要是為了找出數據模式，以便可以預測任何情報事件的概率。最后一個層次是所有源分析，其中所有可用數據被融合和合成在一起，并在時間、地點和行為方面對目標進行更準確的預測。這種類型的分析需要一種整體方法來組合所有類型的數據格式，這可以通過監督學習 ML 方法較好地完成。

人機界面和人機協作是將機器學習納入 MI 的重要階段。在 MI 流程的自主化方面，人在環系統一直是首選。可以通過多個層次開發將 ML 納入 MI 流程。這些層級是相互關聯的，可以從總部放置到外勤單位，以促進各種來源的信息流動。

4.1 第 1 層（數據來源）

第 1 層將主要包括人力、機械和電子來源。可以放置傳感器、無人機、衛星和雷達，以全天候收集來自全國各地和感興趣區域的圖像源，以用于作戰目的。傳感器是靜態設備，低成本設備，可以很容易地放置在感興趣的地方。傳感器之間可以建立局部連接，其中圖像數據可以收集在全國分布式服務器的數據庫中。此數據存儲功能將在第 2 層（存儲和處理）中進行協調，其中可以在中央數據庫中收集、分類和篩選來自傳感器的所有圖像數據。無人機和衛星分別是可以探測、跟蹤和定位靜止和移動物體的戰術和戰略設施。無人機可以將圖像數據發送到本地和中央數據庫，而衛星數據可以發送到中央數據庫。由于衛星范圍超出國家邊界，它可能用一個單獨的數據庫用于外部圖像存儲。雷達是靜態檢測系統，可以檢測飛行物體、移動物體。這些圖像數據可以通過光纖網絡直接存儲到中央數據庫。

圖4:第1層(數據來源)

智能安全傳感器、無人駕駛航空器（UAV）、地球觀測衛星（EOS）以及電子和虛擬源的功能

非戰時監視是 MI 部門的主要職能之一。為此，除了人工收集信息外，傳感器、無人機和地球觀測衛星（EOS）也可以在收集大量數據和信息方面發揮重要作用。

? 智能安全傳感器

智能安全傳感器是構建 MI 采集系統的關鍵元素。靜態的、通過物聯網(IoT)互聯的傳感器，可以在國家邊境形成一個大型監控網絡系統。它們可以執行各種功能，包括環境監測、武器控制、通信和信號攔截、監測軍事行動、犯罪檢測、入侵檢測、NBC 檢測等。有多種類型的傳感器可用 MI 目的。有源傳感器通過自己的輻射源發揮作用??，該輻射源在電磁頻譜的微波和無線電波長區域工作。它支持包括運動檢測和入侵檢測在內的各種 ML 算法。這些都是通過ML算法下的自動提取過程，從復雜的噪聲頻譜中處理無線電信號。智能傳感器通過強化學習機制發揮作用，這是一種多功能、自我診斷和自我補償的裝置。這些是由具有更高處理芯片的高分辨率圖像傳感處理器構建的，可以將數據從遠程站快速傳輸和共享到中央數據庫或本地數據庫。短波圖像輻射機制已證明它是用于 MI 目的的精密和可靠傳感器之一。微機電系統 (MEMS) 傳感器通過機電傳感器發揮作用，小型化機電傳感器尺寸，因其在短時間內快速部署而廣受歡迎。這些是在崎嶇不平地形和環境中長時間工作的理想傳感器。視覺解釋數據生成過程使其成為值得信賴的軍事檢測傳感器之一。納米傳感器被認為是用于 MI 的最先進技術。它們耐用、堅固、重量輕，并通過自適應學習算法工作。這些新興技術通過創建本地虛擬云網絡來共享數據。這些在難以接近的地形配置中提供了更好的連接性，該配置通過認知學習方法和通過增強現實 (AR) 界面進行工作（Electronicsforu，2018 年）。

? 監視無人機(UAV)

監視無人機(UAV) 是收集難以接近和易受攻擊的地形圖像和視頻數據的基本系統之一。由高分辨率計算機視覺和圖像處理技術建模的移動對象檢測和跟蹤 (MODAT) 框架，用于創建地理空間地圖和其他圖像文檔。對地形物體的監測、對運動物體的跟蹤和實時位置數據的更新，有助于對感興趣區域進行24小時監控。它們獨立運行，集群工作，分散方式通信，以確保最佳的安全性和應用靈活性。自動化 MODAT 框架在圖像對齊、運動檢測和對象跟蹤等三個模塊下運行。圖像數據的大量計算是基于強化學習的各種圖像處理算法進行的（Ibrahim等人，2010）。

? 地球觀測衛星

地球觀測衛星(EOS) 是一個覆蓋廣泛地形的寶貴情報收集系統，因此可以作為任何軍隊的戰略資產設施。 EOS可以從不同高度觀察獲取地形衛星圖像并將其發送回中央控制站。經過適當處理后，這些圖像可以通過機器學習研究地形配置模式的變化，并為潛在的越境入侵提供警報。對衛星圖像進行采集、存儲、處理和解釋的整個過程都是由各個ML算法模型自主完成的。

? 電子和虛擬來源

除了其他傳統和現有的情報來源之外，電子和虛擬來源對 MI 至關重要。數字簽名和潛在信息出現在各種電子媒體和虛擬信息高速公路（互聯網、社交媒體網絡和其他媒體資源）中，可以對任何即將發生的情況建立 360 度的視角和評估。通過有監督的算法建模框架來強化人工智能學習，可以從這些媒介中提取所需的信息。這需要人工的持續監督，可以通過監督學習程序來實現。互聯網上的電子資源是 ML 在檢測和提取所需信息方面發揮重要作用的主要信息來源之一。它可以通過自動化過程對所需信息進行分類和收集，由于數據量大，情報人員經常忽視這一過程。潛在情報來源包括互聯網網站、社交媒體平臺（Facebook、Twitter、Instagram 等）、視頻共享平臺（YouTube、Vimeo、TikTok 等）、新聞門戶（國內和國際）、媒體頻道（國內和國際）。這些來源的數據通常以非結構化的圖像和語音數據格式出現。外交機構是提供該國家最近在政治、經濟和軍事方面發展情況的真實來源之一，這些發展通常以結構化的形式出現。全球軍備合同和交易細節可以提供潛在對手的最新軍備能力。這些主要是結構化數據，收集來源通常需要在第 2 層進行驗證。除此之外，各種軍事技術開發計劃可能是了解未來軍事發展趨勢的最重要來源。這些數據采用結構化格式，通常需要在第 2 層進行驗證。

? 人力情報

人力資源仍將是最重要的信息來源，正如孟加拉國陸軍所流行的那樣。人力情報（HUMINT）可以通過各種人力和其他來源收集。這些可以分為常規、非常規、專業、按需和共享 HUMINT。常規 HUMINT 是從一般收集來源收集的，這些來源經過培訓并符合常規就業原則。從需要定期驗證的來源收集非常規的 HUMINT。這些來源必須符合個性配置文件下第 3 層中設置的驗證參數。專業的 HUMINT 是從高度機密的來源收集的，這些來源通常在感興趣的地方處于休眠狀態，基于自驅動機制收集信息。專業的來源通常在放置之前進行驗證，但需要與在第 3 層中執行的活動模式相匹配。 按需HUMINT 是常規 HUMINT 的擴展，其中來源通常在特定情況下放置在特定的時間范圍內。共享 HUMINT 是經常從其他組織按需或出于共同目的收到的共同情報。 HUMINT 的模式有書面、口頭和編碼格式的數據。這種結構化、半結構化甚至非結構化數據可以通過數據挖掘、NLP 和文本分析方法進行分析。非結構化信息管理架構 (UIMA) 可用于第 2 層，以處理半結構化和非結構化數據并創建通用結構化數據庫。

4.2 第 2 層（存儲和處理）

在第 2 層中，將協同進行數據存儲、數據處理、數據流、數據處理硬件。來自各種來源的數據可以存儲在分散的服務器中，該服務器可以將數據傳輸到中央數據庫。按需數據也可以通過軍用云網絡進行提取。數據處理可以通過 ML 算法進行。對于結構化數據，監督學習系統可以在有限的自主性下使用。對于圖像和語音數據，可以使用強化學習，使其可以從環境中學習，并可以繼承具有情境經驗的自適應配置。 NLP 可以應用于各種語音識別、語音解釋和語音定向。數據存儲可以通過大數據框架內的神經網絡來實現。數據流可以通過安全的光纖網絡進行。此外，機械采集源可以通過物聯網互連，從而可以即時和集中地執行數據流和設備控制。

圖5:第2層(存儲和處理)

基于機器學習的情報數據處理

通過各種收集源獲得的數據將形成大數據。不斷變化的數據結構需要基于ML的數據處理算法，這是一個不斷發展的研究領域。 ML算法對數據的處理是通過數據選擇（結構化、半結構化和非結構化）、數據處理、數據轉換、數據輸出和最終數據存儲來進行的。在不斷發展的數據科學領域，有多種 ML 算法方法。其中，回歸、分類、時間序列分析、主題建模、聚類分析、協同過濾、關聯規則和降維很流行，并在軍事和商業中得到廣泛應用（Bhatnagar，2018）。在使用 ML 算法進行數據處理時，可以采用三種學習類型的 ML 技術。被廣泛使用的 ML 的三個子領域是監督學習、強化學習和自動/無監督學習。在 ML 的這些子領域中，監督學習（神經網絡、貝葉斯網絡、樸素貝葉斯、支持向量機和馬爾可夫模型算法）用于對數據處理任務進行分類和估計。強化學習（Q-Learning、R-learning、TD 學習和 Sarsa 學習算法）用于從情報數據集中開發決策任務。無監督學習（k 均值、高斯模型、X 均值和 Dirichlet 過程模型算法）的主要功能是通過對形勢趨勢分析來產生數據聚類，以做出未來的預測事件（Bhatnagar，2018）。處理和分析各種來源生成的情報數據需要使用大數據框架。在眾多大數據處理框架中，Hadoop 框架最適合 MI 分析（Chowdhury，n.d.）。

4.3 第 3 層（融合和分析）

第 3 層通過融合各種數據集發揮作用，從而可以開發人格剖析模型、決策模型、動態情境模型和綜合預警 (EW) 系統。結合HUMINT，收集、協作和融合個人在社交網絡（OSN）和其他網站中的互動，創建軍事和非軍事感興趣者的內部動態人格檔案。這類人員的選擇范圍可能包括敵人的軍事和非軍事領導層以及非傳統威脅集團的嫌疑行為者。根據 (Souri, et al., 2018)，艾森克三因素模型（精神病、外向、神經質 (PEN) 模型）、大五模型和另類五模型被廣泛用于描述人格概況。為此，可使用樸素貝葉斯、決策樹、神經網絡和支持向量機等 ML 算法來分析在線數據集。

基于強化學習，可以實現定期更新和重構的人格輪廓。根據一個人在不同情況下的各種行為反應所形成的一系列人格特征，編制了人格模型。這種個性模型將被廣泛用于開發大量決策模型，這些模型將成為戰略和作戰領導力的重要成分。類似地，基于某種情況下的各種活動，可以將活動元素的組合以隨機方式融合在一起，以預測即將到來的情況。因此，情景元素的融合將利用機器學習的自適應學習方法構建動態情景模型。所有這些模型將有助于創建關于相關人員和任何情況的綜合電子戰，特別是高級領導和一般部隊。

圖6:第3層(融合和分析)

MI 數據融合的特點

? 數據融合是機器學習將所有類型的數據處理成可用的格式，并為當前和未來情況準備統一圖景的方法。 ML一般通過數據的不不完整、數據的關聯、數據的不一致性和數據的分散性來進行這種數據融合。數據融合是處理多源數據和信息的集自動檢測、因果、關聯、估計和組合的多層次、多方面的過程（F.E.White，1991）。它是信息從不同來源和不同時空點轉換的過程。該過程提高了檢測能力和可靠性，減少了數據模糊性，并擴展了從國家邊界到興趣點區域的空間和時間覆蓋范圍。JDL模型是軍事領域中最常見、最流行的融合模型之一，它基于輸入的結構數據，通過對象、影響、情境和過程細化四個不斷增加的抽象層次產生輸出。 JDL 模型主要側重于輸入輸出數據，而不是處理。相反，Dasarthy 的框架允許輸入/輸出數據流和功能處理（Dasarthy，1994）。基于全球、區域和國家層面事件的不確定性，MI 通常需要適應隨機數據集。根據這些隨機數據集構建大量決策模型將很有用。在這方面，Goodman (Goodman, 1997) 隨機集就是一個非常有用的過程，它具有結合決策不確定性以及呈現不確定性選項的一般模式能力。

? 用于 MI 數據轉換的數據融合技術必須經過魯棒的自適應編程框架，以解決數據類型的不完善、數據類型的多樣性、傳感器技術的多樣性以及操作環境的性質和類型。

? 數據融合算法需要能夠承受智能體和傳感器從現場收集的不完美、不精確的數據類型。它還應該能夠導出冗余數據，從而減少測量中的噪聲。

? 數據融合系統應該能夠避免反直覺的結果，并且能夠以適當的注意力處理高度沖突的數據，從而消除決策錯誤的增加。

? 數據融合方案應該能夠同時處理同質和異構數據，如音頻、視頻、無線電信號和其他形式的信號源。

? 數據融合系統需要通過傳感器注冊來克服由單個傳感器模式引起的校準誤差。該處理可以集中式和分布式兩種方式完成。分布式融合過程在必須建立無線傳感器網絡的偏遠地區非常有用。

? 數據融合方法應針對多個時間尺度，以處理傳感器接收和發送數據的多個時間尺度變化。由于數據流通過的路由是可變的，因此可能存在數據亂序到達的可能性。為了解決這種性能變化的潛在缺陷，融合中心應該具有分布式融合設置。

? 融合過程必須通過強化學習方法進行操作，以便能夠快速適應變化并相應更新。

數據融合方法

實時數據融合系統將面臨許多挑戰，因為該方法仍在探索中。主要挑戰來自非結構化、不完整和不精確的數據。很明顯，MI 數據永遠不會具有完整的結構化格式，因為預測的來源包括人類傳感器、無人機、衛星和其他虛擬和在線平臺。 Khaleghi (Khaleghi, et al., 2011) 描述了數據融合系統中的幾個與數據相關的挑戰。數據融合方法的分類如圖 7 所示

圖7:數據融合方法的分類(Khaleghi等，2011)

無論數據結構如何，ML都可以使用數據融合算法，在多個數據模型中創建數據結構，以滿足MI的各種需求。其中，數據不完備性是數據融合系統面臨的最基本的挑戰，主要表現為不確定性、模糊性、不完全性和粒度性。有許多建議的不完善的數據融合框架來解決這些限制。流行的數據融合框架是概率、證據、模糊推理、可能性、粗糙集理論、混合和隨機集理論融合。該框架具有處理數據不確定性、模糊數據融合、模糊數據處理、不完整數據處理和不完整數據融合的能力。

4.4 第 4 層（數據共享）

第 4 層是數據共享平臺，將與內部和外部利益相關者共享完整的態勢模型和集成電子戰信息。這個集中的數據共享平臺將連接到所有編隊指揮部，使態勢感知可以即時到達。這些可以通過具有單獨通信集線器的光纖網絡連接到其他組織和利益相關者。

圖8: 第4層(數據共享)

軍事云計算在MI融合中的應用

軍事云計算(MCC)可以為通用情報數據和資源提供方便的按需共享網絡訪問。 MCC 至關重要的可訪問性功能使其可靠、耐用且安全，具有軍事級別的網絡攻擊保護。它將為所有情報大數據和其他資源提供一個動態的資源池和存儲設施，以便任何情報人員可以在世界任何地方隨時訪問它，同時可以在任何地方、時間上傳各種數據。這樣，MI 資源可以 24 小時共享和訪問。 MCC 可以在 4 層單獨的分散功能中構建。 Cheng & Liao (Cheng & Liao, 2011) 將它們命名為資源層、面向服務的架構層、面向服務的工具層和云計算應用層。資源層將保存所有的物理資源和邏輯資源。物理資源包括存儲配件、網絡設備、物理數據庫配件、服務器等。邏輯資源包括應用軟件和其他相關軟件。面向服務的架構層執行情報服務、通用服務和專業服務的資源共享。面向服務的工具層提供用戶接口和訪問接口，進行仿真建模和調試加密數據。

用于情報數據傳輸的軍事物聯網

軍事物聯網 (MIoT) 將是一個新興且必不可少的系統，用于連接同一軍用級網絡下的所有設備、傳感器、無人機、衛星和其他采集設備。它將人和機器互連在一起，促進人機協作。 MIoT將由除了采集設備之外的所有軍事平臺組成，因此也可以傳遞執行部署指令。這不僅允許信息不斷地流入中央數據庫，而且還將流出的信息傳播給最終用戶。

5 建議

基于上述關于將機器學習納入 MI 過程的各種因素討論，提出以下建議：

? 除了傳統的 MI 收集源之外，還可以在感興趣的領域中加入基于機器學習的收集源。

? 可引入數據融合中心，對各類數據進行組合融合，形成統一的情報圖。

? 可以與工程機構、政府機構和相關行業合作啟動研發，以幫助推動機器學習算法和配套硬件的自主創新和開發。

? 可規劃ML算法開發時間線及相關MI應用平臺，將MI過程向人機協作轉變。

? 可以在 MI 框架內引入情報層級框架，以便協同實現自動化。

? 必須通過充分更新的防火墻系統確保每一層來源的信息安全。

? 在 MI 流程的每一層都需要確保備份數據存儲。

6 總結

機器學習是人工智能的一個子集，已被發達國家和發展中國家的軍隊廣泛用于各種軍事應用和作戰平臺。為支持這一趨勢，發達國家通過機器學習重新定位其情報收集和分析過程，以更深入地了解情況并從各個角度進行分析。軍事ISR的框架包括空間數據庫、屬性數據庫、案例庫、規則庫和知識庫，這些過程相互交織。在機器學習應用的情報分析框架中，可以通過自動化以最小的錯誤概率要求人機協作，來加速持續的協調、修訂、更新和執行。地理信息系統（GIS）和基于知識的決策支持系統（KBDSS）被用于整合決策支持和知識管理，以增強顯性和隱性知識庫這兩種形式的情報知識方法。結合智能作戰支持系統（IOSS）結構，通過混合推理策略完成豐富的知識表示，證明了其在決策系統中的適用性。 MI的層次結構和配置大致分為三個層次；第一級由作戰和戰術情報收集組織和單位組成，第二級對收集組織和單位提供的數據和信息進行不同的情報分析，第三級是用戶組織，上級總部和高層領導經常對情報提出要求。第一級和第二級的數據收集和分析步驟可以通過結合基于人工智能的功能系統來實現自動化。

ML 在 MI 中的全球軍事應用的最新發展范圍，包括多域指揮和控制系統 (MDC2)、邊境監視系統 (BSS)、聲學探測器、視頻監視、基于深度學習的行為識別，及通過語義世界建模進行信息提取。這些系統或技術通過使用監督、強化和深度學習方法，來分析來自人力情報 (HUMINT)、圖像情報 (IMINT)、開源情報 (OMINT)、虛擬源情報 (VIRINT) 和許多其他來源的信息。用于 MI 分析的 ML 算法模型已經開發出來，該領域的一些重要成就是主動學習支持向量機 (ALVSM)、基于智能體的智能系統建模、環境智能 (AmI)、面部表情識別系統 (FERS)、數據挖掘和數據倉庫、帶有傳感器的地理信息系統 (GIS) 和基于傳感器的認知平臺。

MI 的收集、處理和分析 (CPA) 階段至關重要，需要從技術方面予以重視，因為操縱和處理龐大的數據量已經超過了人類的能力。數據來源的類型包括傳感器、航空系統、衛星、無線電信號、開源互聯網、社交網絡、不同的組織、代理、對手等等。在非戰時時期，非傳統安全 (NTS) 威脅在過去十年中一直居高不下，并已成為新的安全問題。在戰時，在活躍的戰場情景下，持續的偵察和監視是任何作戰活動必不可少的組成部分。在戰場環境中，這些來自各種來源的數據被添加到以前的數字數據庫中，從而產生大量數據流。 ML 系統可以輕松篩選數十億字節的數據，并捕獲所需的數據類型，為 MI 創建有意義的信息。當機器學習應用于數據收集時，系統通過正確識別、定位、分析、清理和存儲來準備數據。有各種 ML 方法利用復雜算法和預測建模來進行數據分析以預測未來的結果。監督學習適用于訓練和測試數據集，其中訓練數據集可用于 MI 智能體訓練 ML 系統。無監督學習用于查找數據集中的數據結構模式。強化學習使用復雜的算法從其經驗中學習并重新設計其程序以分析預測情況。深度學習通過人工神經網絡發揮作用，其中數據保存在多個層級中，以便通過可變數據接口層使用。在 MI 的自動化中，發現 AI的應用在 MI 過程的處理和分析階段帶來了最大影響。因此，機器學習的內在價值將為 MI 組織促進和利用“自動化紅利”，以便人類可以將節省的時間用于其他高優先級任務。

非戰時監視是 MI 部門的主要職能之一。除了手動和人工收集信息外，傳感器、無人機和 EOS 還可以在收集大量數據和信息方面發揮重要作用。智能安防傳感器可以通過物聯網互聯，可以形成跨越國界的大型監控網絡系統。監視無人機 (UAV) 是通過移動目標檢測和跟蹤 (MODAT) 框架收集無法訪問和易受攻擊的地形圖像和視頻數據的基本系統之一。地球觀測衛星 (EOS) 是一種覆蓋廣泛地形的寶貴情報收集系統，因此可以作為任何軍隊的戰略資產設施。通過監督算法建模框架來強化人工智能學習，可以從電子和虛擬資源中提取所需信息。 ML算法對數據的處理是通過數據選擇（結構化、半結構化和非結構化）、數據處理、數據轉換、數據輸出和最終數據存儲來進行的。用于情報數據處理的 Hadoop 框架作為大數據框架執行，用于處理和分析從各種來源生成的情報數據。數據融合是 ML 將所有類型的數據處理成可用的格式并準備好當前和未來情況的統一圖景的方法。 ML一般通過數據的不完善、數據的關聯、數據的不一致性和數據的分散性來進行數據融合。在各種融合系統中，Joint Director of Laboratories (JDL) 模型、Dasarthy 框架和 Goodman 隨機集執行各種數據融合、特征融合、決策融合和信息融合。流行的數據融合方法涵蓋了概率、證據、模糊推理、可能性、粗糙集理論、混合和隨機集等多種理論。數據合成是情報數據分析的一個重要步驟，它可以將來自各種收集源的所有不同元素組合在一起，以開發單個事件和情況的情報摘要。軍事云計算（MCC）的動態資源池和所有情報大數據及其他資源的存儲設施，可以為通用情報數據和資源提供便捷的按需共享網絡訪問，讓任何情報人員可以在世界任何地方的任何時間訪問它，同時可以在任何時間上傳各種數據。

數據收集、數據存儲和處理、數據融合和分析以及最后的數據共享四個層次的功能，可以通過監督和強化學習方法開發。這將允許全方位擴展 MI 的范圍，并且可以監視感興趣的物理和虛擬區域。因此，ML 的應用將促進 MI 收集和分析過程的自動化，以便可以查看自己興趣點的所有情況，并且戰略、作戰和戰術領導者清楚接下來會發生什么。

作者

Nizam Uddin Ahmed 中校, 在孟加拉國國防學院擔任高級研究員。他對國防技術發展有著廣泛的興趣。他在 Springers、Mirpur Papers 和 NDC 期刊上發表了多篇論文。目前，他正在研究將人工智能納入武裝部隊的可行性，并開發各種深度學習模型。