亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

軍事領導的一種方法是任務式指揮哲學。任務式指揮由若干原則支撐，所有這些原則都必不可少，沒有這些原則，任務式指揮就無法全面實施。這些原則包括參與者之間的相互信任、相互理解、明確表達上級意圖、分散執行和及時決策。隨著人工智能的不斷進步和普及，它將影響軍事指揮與控制過程的方方面面：新的決策情況將會出現，人機合作可能會產生新的關系。本文探討了已確定的任務式指揮原則能否以與傳統環境相同的方式應用于人工智能注入的作戰環境。

導言

全世界的軍隊都在努力尋找他們的 "哲人之石"，為他們提供能夠戰勝敵人的解決方案。有幾種概念和技術被認為可以勝任這一職位，其中一些屬于指揮與控制領域。在這些概念中，有一個在西方世界被廣泛認為是改變游戲規則的候選概念，即任務式指揮方法。在技術方面，有幾項創新可供研究，但最有前途和最流行的是人工智能。

人工智能和任務式指揮這兩種看似遙遠的事物在軍事領域共存，并已應用于指揮和控制系統。本研究旨在探討它們之間的相互關系，仔細研究人工智能對任務式指揮理念的影響。本文的主要研究問題是，任務式指揮能否在注入人工智能解決方案的指揮與控制系統中實現。由于各國對任務式指揮的理解不盡相同，要回答這個問題，就需要對任務式指揮進行討論，并為本研究的目的確立一個共同的理解。關于人工智能，需要說明現有和未來系統的性質，重點是其潛在的軍事用途。在理清基本思路后，作者旨在明確任務式指揮與人工智能在指揮與控制方面的互動關系。由于沒有基于人工智能的非保密系統進行測試，實現這些目標的基本方法是分析相關書籍、研究報告和軍事期刊上的文章，綜合其精髓以回答研究問題。

任務式指揮

現代軍隊需要有效的領導，運用現有的最佳方法領導下屬。實現這種現代有效領導的方法之一就是任務式指揮。盡管這一術語本身被廣泛使用，但其含義卻因國家而異，甚至在一個國家中具有多種因語境而異的含義。本研究的這一部分追蹤了任務式指揮在 20 世紀 80 年代之前的起源和發展，以及之后的擴散。

任務式指揮是一個英語術語，為英語國家的軍隊所使用。北大西洋公約組織（NATO）對這一概念進行了調整，并將其作為其聯合作戰條令的重要原則之一。該術語本身主要由美國陸軍傳播，其以前的一些條令文件表明，他們目前的任務式指揮概念源于德國的 Auftragstaktik，這是普魯士--后來是德國--軍隊在 19 世紀末發展起來的一種方法（ADP 6-0，2019 年）。盡管有這種說法，但似乎很明顯，雖然任務式指揮一詞是德文 Auftragstaktik 的一種松散翻譯，但兩者并不相同。更多時候，涉及任務式指揮的研究和文章往往會將起源故事過于簡單化。詳細介紹 Auftragstaktik 的誕生超出了本文的范圍。

我們今天所熟知和使用的任務式指揮源于美國陸軍為提高領導素質所做的努力。為了提高領導能力，他們追溯到德國在第二次世界大戰中的經驗，并對德國國防軍指揮官在東線戰場上實施的 "任務指揮"（Auftragstaktik）進行了廣泛研究。因此，新條令的第一版《空地戰》包含了 Auftragstaktik 和德國機動戰的主要原則。速度、主動性、快速決策、明確目標和指定主力等概念似乎是普魯士人 100 多年前使用的 Auftragstaktik 基本原理的邏輯衍生物（Shamir，2010 年）。然而，羅伯特-M-西蒂諾（2005 年）和里卡多-A-埃雷拉（2022 年）指出，美國條令所設想的 Auftragstaktik 概念從未存在過。他們認為，在討論指揮問題的當代德國文件中從未使用過 Auftragstaktik 一詞，而是使用了 "下級指揮官的獨立性 "一詞。

在概念發展的早期階段，Auftragstaktik 一詞被翻譯為任務式指揮，但正如 Eitan Shamir（2011 年）所言，圍繞這一術語存在爭論。提出的其他翻譯方案包括 "任務類型命令 "和 "指令控制"，但都被否決。學者和專家們指出了任務式指揮系統的不足和概念問題，并強調最初的 Auftragstaktik 和今天的任務式指揮是兩個不同但又相關的概念。任務式指揮一詞于 1995 年正式列入英國條令，2003 年列入美國陸軍條令。世界各地的其他一些軍隊也紛紛效仿，有的將任務式指揮作為一種理念和方法，有的則將其指定為可能的指揮方法之一。

2003 年 8 月 11 日批準的美國陸軍戰地手冊 FM 6-0 標題為 "任務式指揮： 陸軍部隊的指揮與控制"。這本手冊首次按照美國陸軍的解釋闡述了任務式指揮的基本原理。手冊中對任務式指揮作了如下定義： "根據有效完成任務的任務命令，通過分散執行來開展軍事行動"（FM 6-0，2003，術語表-10）。要做到這一點，需要下屬有嚴謹的主動性，指揮官有明確的意圖。但任務式指揮最重要的特點是信任和相互理解的環境。這兩者相互關聯，互為基礎，但手冊并未詳細介紹如何實現這兩點。后來，條令產品的不斷微調改變和完善了任務式指揮的定義。2010 年的 FM 5-0 給出了這樣的總結："任務式指揮是行使指揮與控制的首選方法"（FM 5-0，2010，vii.） 文件中沒有進一步討論提到的另一種方法，即詳細指揮。

在不到兩年的時間里，美國的任務式指揮方式發生了根本性的改變。20 世紀 80 年代，條令制定者通過對用于完成任務的物理手段進行分組，創建了 "戰場操作系統 "的概念。指揮與控制是這七大系統之一。2008 年，戰場操作系統結構被重新設計，并轉變為作戰功能系統。作戰功能并非簡單地由物理手段組成，而是被定義為 "由一個共同目的單元（人員、組織、信息和流程）組成的任務和系統群，指揮官利用它們來完成任務和訓練目標"（FM 3-0，2008，術語表-15）。2012年，指揮與控制作戰職能更名為任務式指揮作戰職能，從而使任務式指揮多了一個完全不同的含義。

根據2012年版的《ADRP 6-0》，"任務式指揮 "一詞同時意味著三種不同的含義：第一，統一陸地作戰的基礎之一；第二，首選的指揮方式；第三，一種作戰職能。這一術語的泛濫適得其反：它讓領導層中的一些人搞不清楚如何對待任務式指揮，以及任務式指揮的真正本質是什么。ADRP 6-0 指出，美國陸軍任務式指揮的根源可以在德國的 Auftragstaktik 中找到，然而，雖然 Auftragstaktik 為領導和指揮提供了總體基礎，但任務式指揮只能被視為統一陸地作戰的四個基礎之一。將指揮理念、首選指揮方式和一種作戰職能同樣命名為任務式指揮，成為混淆和誤解的根源。布雷特-馬岑巴赫（Brett Matzenbacher）（2018）指出，這一所謂的創新變革反而埋下了混亂的種子，因為重新命名作戰職能背后的原因--即改變基本指揮理念的意圖--并沒有在整個美國陸軍中得到明確傳達。人們可以通過描述該條令設定的環境來理解這個問題：任務式指揮是利用任務指揮方法，通過任務指揮作戰職能來實現作戰職能的同步化，是所領導的作戰行動的基礎。為了進一步增加混亂，該條令還引入了 "任務式指揮系統 "一詞，即 "使指揮員能夠實施行動的人員、網絡、信息系統、流程和程序以及設施和設備的安排"（ADRP 6-0，2012，1-5）。

盡管存在這些問題，任務式指揮的多功能性在很長一段時間內經受住了時間的考驗。2017年版的《ADRP 3-0》明確指出，"任務式指揮仍然既是一種指揮哲學，也是一種作戰職能"（ADRP 3-0，2017，v.）。這也意味著它不再是一種指揮方法。從2016年起，美國陸軍逐漸改變了做法：首先，任務式指揮成為六大原則之一，而不是四大基礎。其次，2019年版ADP 6-0取消了 "任務式指揮系統 "和 "任務式指揮作戰職能 "的提法。作戰職能改回了指揮控制，因此任務式指揮一詞終于變得更加純粹和清晰。ADP 6-0 和 2022 年 5 月版的 FM 6-0 將任務式指揮重新定義為 "陸軍的指揮與控制方法，賦予下級決策權和適合情況的分散執行權"（FM 6-0，2022，術語表-5）。

在最近的狀態下，美國陸軍任務式指揮成為一種定義明確的指揮和控制方法。它不再是統一陸地作戰的基本要素或原則，但它支持統一陸地作戰。行使任務式指揮要求下級和指揮官雙方都具備同等的能力，同時還要相互信任。指揮官的意圖提供了一個框架，在這個框架內，部隊通過對局勢的共同理解，在任務式指揮的指導下開展行動。當有機會或有必要時，下級應發揮紀律嚴明的主觀能動性，以實現指揮官的意圖。可以說，任務式指揮最重要的組成部分是風險接受和責任承擔，因為并非所有任務都能取得成功。

除德國外，北約另一支較長時間應用任務式指揮的主要軍隊是英國陸軍。根據 Oliver Burwell（2016 年）的說法，他們對任務式指揮的理解與最初的德軍類似：他們認為任務式指揮是一種哲學，用于指導領導活動。他們的任務式指揮原則是分散指揮、行動自由、主動性和速度。任務式指揮的執行依賴于信任、相互理解和主動性。北約的任務式指揮方式部分源于英國，部分源于美國對這一術語的理解。

北約的條令定期接受審查，審查期間定期更新條款和原則。最近一次更新發生在 2022 年，2 月更新了 AJP-3.2(B)《盟軍陸戰聯合條令》，12 月更新了 AJP-01(F)《盟軍聯合條令》。這兩份文件都包含了北約任務式指揮的基礎，盡管內容并不完全相同。它們都認為任務式指揮是北約指揮軍事行動的指揮思想，但在確定原則方面有所不同。根據 AJP-01(F)，任務式指揮的基本要素是信任和相互理解，而統一行動、及時有效決策和分散執行則是指導其應用的原則。這一概述與 AJP-3.2(B)中所述的概述略有不同，后者只區分了五項原則，沒有提及任何基本要素。這種不一致是北約條令體系的特點，根源在于條令更新期的抵消。根據前幾十年的慣例，等到下層條令趕上頂層條令時，就會有新的頂層條令發布。

總而言之，任務式指揮是一種指揮和控制部隊的方法，在這種方法中，指揮官和下級具有一定的關系。北約的條令將任務式指揮定義為 "一種主張集中、意圖明確而執行分散的指揮哲學；一種描述'做什么'，而不一定規定'怎么做'的風格"（AJP-3.2(B)，2022，Lex-8）。指揮官有責任明確闡述自己的愿景，并組織規劃工作以做出決定。做出決定后，指揮官必須將目標告知下屬，設定限制，并為他們提供實現指定目標的手段。北約的方法提倡集中規劃和分散執行，這需要適當的培訓和領導素質。實施任務式指揮背后的主要目的是提供靈活性，使組織能夠在相關層面更快地做出決策，從而勝過敵人。在協調整個部隊的任務式指揮時，有各種原則是必不可少的。在本研究中，將把信任、相互理解、有效決策和分散執行作為進一步關注的要點。

人工智能

人工智能是一種新興的通用技術，未來前景廣闊。有關這一主題的基本著作之一認為，人工智能非常復雜，甚至沒有試圖給它下一個直接的定義（Russell & Norvig，1995 年）。人工智能是一項多學科的工作，其可能性遠遠超出了計算機科學。在本研究中，只關注數字人工智能的現代詮釋。其領域包括圖像識別、計算機視覺、機器人、語言識別、自然語言處理、神經網絡和機器學習。回顧過去 60 年的人工智能研究，可以清楚地看到，對 "人工智能 "一詞的解釋隨著時間的推移而不斷變化。本文對人工智能的工作定義是 人工智能是一種計算機系統，能夠執行通常需要人類操作員才能完成的任務（蘭德公司，2020 年）。目前，人工智能在軍事上的應用包括兩個方面：自主系統和指揮控制支持應用。本研究主要涉及其在指揮與控制中的作用，因此對后者的仔細研究是重點。

本研究無法詳述人工智能的發展歷史。到 20 世紀 90 年代末，計算機硬件的逐漸進步和新算法的出現為人工智能研究注入了新的動力。互聯網的誕生和所謂 "物聯網 "的逐步普及，每天都會產生難以想象的海量數據。這些豐富的信息，即所謂的大數據，再加上時下流行的人工智能技術--機器學習，可以成為一種強大的工具。機器學習算法可以通過適當的訓練數據來改進和優化自己的行為，因此它們擅長通過尋找模式來對新遇到的信息進行評級和標記，從而產生類似智能的行為。隨著底層數學和算法的不斷改進，機器學習變得越來越強大，在當今時代，它被大多數人認為是最值得使用的人工智能解決方案（Scharre & Horrowitz，2018）。當代的創新正在將機器學習技術應用于硬件，使計算機芯片能夠按需重新配置其電子電路，從而模擬神經元和突觸，更好地模仿人腦的工作過程。研究實驗室和商業公司，如廣為人知的 OpenAI，正在競相創造人工通用智能（Artificial General Intelligence），一種與人類智能能力無異的人工智能。OpenAI 最新的 "重磅炸彈 "是 ChatGPT，這是一款能與任何人就各種話題進行類似人類書面對話的應用程序。ChatGPT 使用了某種機器學習類型，即生成式預訓練轉換。這需要大量已經處理過的數據來生成與輸入相關的輸出。雖然這種方法能產生驚人的反應，但模型本身離 "會思考的機器 "還差得很遠。它的批評者，如諾姆-喬姆斯基（Noam Chomsky，2023 年），認為它是一種高效的 "自動完成"，是通往通用智能道路上的死胡同，因為它處理問題的方法存在缺陷。

不過，人工智能和潛在的機器學習也有其局限性，這限制了其可能的應用。盡管人工智能炒得很熱，但似乎人工通用智能仍然是一個遙不可及的夢想。當前的人工智能雖然在不斷發展，但就其現狀而言，只適合解決具有類似變量的定義明確的問題。它們無法理解自己的操作環境，僵化、不靈活，無法 "跳出 "設計的框框（Scharre & Horowitz，2018）。例如，當代的圖像識別系統可以準確識別圖片或視頻中物體的類型和大小，但卻無法連貫地講述發生了什么，現場的互動是什么。機器學習很容易被損壞的輸入所欺騙，它也可以學習人類的偏見，這使得這項技術很容易受到攻擊（Hawkins & Kott, 2022）。另一個必須解決的問題是數據庫免受黑客攻擊的安全性。目前狀態下的人工智能可以比人類更好、更快地執行專門任務，但它們提供的輸出結果需要人類智能對其進行分析，使其適合進一步使用（Layton，2018）。

軍事應用一直是人工智能發展的驅動力。一些系統的開發旨在加快規劃或指揮進程。美國武裝部隊率先開發了部署規劃軟件，加快了幾次行動的準備工作，也有助于節省預算。隨著技術的進步，新的機遇出現了，這導致了自動決策系統或自主武器系統的發展。全世界的軍隊都意識到，如果能縮短決策所需的時間，就能戰勝敵人。如今，如果不在行動的規劃和執行階段廣泛采用人工智能，就無法考慮縮短決策時間。大數據、高性能機器學習和不斷改進的云技術三者共同促成了一種被一些專家稱為 "算法戰爭 "的新方法。彼得-雷頓（Peter Layton）（2018 年）和格雷格-羅蘭茲（Greg Rowlands）（2018 年）等專家和研究人員推測，未來戰爭將與算法和硬件展開重要較量。

未來的沖突可能在多個方面與當代沖突不同。彼得-雷頓（Peter Layton）（2021 年）在其著作中指出，其中一個方面就是指揮和控制系統。改進己方決策和削弱敵方決策是在武裝沖突中取得優勢的兩個主要途徑。改進的一種方法是整合人工智能，其中一種方法就是所謂的 "超戰爭 "理論。顧名思義，戰斗和信息處理速度的加快超出了人類的認知水平，這意味著決策也必須在短時間內做出，甚至不到一秒鐘。從理論上講，在這種環境下，擁有更多自主決策系統的一方很可能會占上風。人工智能系統將有助于生成更好的 "共同行動圖"，并能預測敵方的行動路線，提出自己的行動路線。人工智能將加快消除沖突的速度，以監督或非監督的方式為下屬分配任務。執行過程將包括若干自主武器系統和作為下屬的人工智能輔助決策系統。如果應用得當，人工智能子系統將提高行動速度，減少決策所需時間。不可避免的技術擴散可能會導致沖突雙方在某種程度上都具備進行超戰爭的能力。在這種加速的環境中，傳統的軍事決策模式可能并不適用：人工智能子系統與其（可選的）上級之間必須進行更加緊密的合作。瞬息萬變的形勢將使傳統方法難以為繼，讓位于計算機輔助預測。分散決策是盡快抓住難得機遇的關鍵之一，而爭奪和/或保持主動權將是超戰爭環境中行動的核心要素。

如果沒有與超戰爭所提供的速度和效力相匹配的能力，一方可能會使用人工智能系統來擾亂敵方的決策。自主或半自主系統可用于欺騙、使敵方傳感器系統超載、干擾敵方通信、充當誘餌，基本上可以采取任何必要手段來延緩敵方決策，或者最好是完全阻止敵方決策。即使阻礙敵方決策系統的某些部分或功能--如傳感器、通信網絡、指揮所--也可能對作戰產生重大影響，為決策提供更多時間。

還必須考慮自主系統在現代作戰環境中的作用。人工智能驅動的系統可以在不危及己方部隊生命的情況下執行危險任務。它們主要分為兩大類：自主武器系統和機器人車輛。武器系統能夠摧毀對手的目標定位，機器人車輛可以在有人類遙控甚至沒有人類遙控的情況下運行。無論在行動中使用哪種資產，決策權都將掌握在人類手中，但人類指揮官必須將人工智能驅動的下屬考慮在內。這種資產的自主程度和自身判斷力可能會引起道德和操作方面的擔憂。對這些問題的審查不在本文的討論范圍之內，因為這需要單獨的研究。

人工智能對任務式指揮的影響

前面幾章討論了任務式指揮的本質和人工智能的簡要概述，為仔細研究它們之間的互動提供了共同基礎。傳統上，做出最終決定的是人類，而且僅僅是人類。傳統的任務式指揮方法將指揮過程的參與者視為人類，并接受人類不會出錯這一事實。如果未來出現可靠且可解釋的人工通用智能，這將預示著在指揮系統的某些環節中人工智能將取代人類。這種人機混合組織可能會比想象的更快實現。這種未來的 "合成戰友 "需要特殊的指揮方式。可能采用的領導方法很可能是一種改進的任務式指揮，一些研究人員已經將其稱為機電一體化任務式指揮。

軍事指揮通常被認為是一門藝術，因為盡管有固定的原則和方法，但克勞塞維茨式的典型摩擦和人性的特殊性阻礙了純科學指揮方法的應用。任務式指揮是在前輩軍事領導人最佳實踐的基礎上追求這門藝術的一種方法。上文提到的能力作為任務式指揮的主要要素之一，在很大程度上取決于指揮員的個性和訓練。指揮系統參與者之間的相互信任和理解取決于他們的個性。目前的人工智能主要作為決策支持工具發揮作用。

作為輔助工具，人工智能可以產生兩方面的影響：它可以加快決策的達成速度和/或提高決策的有效性。通常情況下，人類指揮官在做出決策之前會對局勢做出估計。根據指揮級別和可用時間的不同，這種估計可能會涉及其他人員的見解和專業知識，在更高的級別，這被稱為指揮官的參謀部。決策速度取決于指揮官及其參謀人員的行動速度。時間有限的環境或匆忙可能會影響決策的質量，但根據經驗，按時做出適當的決策要好于延遲做出完美的決策。人工智能決策支持系統可以幫助參謀專家提高建議速度，這有助于指揮官做出正確、及時的決策。同樣，潛在的人工智能決策支持系統將擁有一個堅實的知識庫，這個知識庫來自過去的經驗和共享數據庫。它們的建議或決定都有積累的知識庫作為基礎，可以促進信任和理解，從而加強任務式指揮。

綜上所述，可以說，人工智能在不久的將來只能起到輔助作用，有助于及時、準確地做出決策。要確定它是否會對任務式指揮理念產生影響，必須仔細研究它在信任、相互理解、有效決策和分散執行方面帶來的變化。

在信任方面，新出現的問題是指揮官能否信任人工智能決策支持系統的建議，以及信任的程度。如上所述，與人力相比，人工智能系統擅長處理大量輸入數據，并能在短時間內做出評估。指揮官必須決定是相信人工智能評估的有效性，還是置之不理。對人工智能的信任程度取決于其提供的信息是否有用和有價值。然而，在行動開始前評估這些信息的有效性可能會非常復雜。如果行動順利，人工智能很可能不會獲得信任。如果行動失敗，人工智能很可能成為替罪羊之一。如果通過人工智能獲得的信息非同尋常、不尋常，或與人類慣常的發現不同，決策者可能會面臨一個問題。如果他們無法檢查這些發現的有效性或可行性，他們可能會不愿意使用這些發現，或者可能會完全忽略這些發現。這種可能的行為是由于人類的認知偏差造成的，它迫使從一系列可能的解決方案中選擇熟悉的方案。如果決策者選擇使用人工智能的非同尋常的發現，還存在一個很大的風險，那就是由于缺乏足夠的背景知識，下屬在理解意圖或任務時會遇到困難。如果下屬信任指揮官，就不會質疑其意圖。然而，如果出現問題，下屬的信任度就會下降，指揮官對人工智能的信任度也會下降。信任一旦喪失就很難恢復。

信任也是理解的一種功能：一個人很少會信任沒有共同理解的人。人類之間的相互理解通常需要共同的術語、共同的程序和共同的經驗。在國際環境中工作或與非軍事實體密切合作并不能保證理解，因為軍事程序和術語通常是特殊的。在軍隊中，不同部門都有自己的行話，這會使部門之間的有效溝通變得復雜。緩解這一問題的最佳方法是為所有部門制定統一的標準化軍事語言，但這是一個激進且不切實際的舉措。人工智能決策支持系統的程序可以解釋各軍種特定術語的輸入，但輸出必須是標準化的，以確保相互理解。因此，必須確保人工智能能夠理解所需的任務，但生成的輸出結果也必須符合術語和標準。如果能做到這一點，人們對人工智能系統的信任度就會提高。

人工智能還有助于及時有效地做出決策。它可以縮短制定或修改計劃所需的時間，從而加快速度。通過人工智能通信系統發布計劃和命令，也有助于保證行動安全和實現最佳速度。縮短上級指揮部制定計劃所需的時間，可以讓下級及時采取行動。如前一章所述，超戰爭理論以高速決策和效果為基礎，旨在破壞敵方決策系統。同樣，也必須做好準備，預料敵方會以同樣的方式試圖干擾我方的決策系統，因此，更好的人工智能支持系統和更快的通信系統是取得優勢的關鍵。

分散執行也是人工智能系統應用可能產生積極或消極影響的一個特征。上級的最終決策和計劃設定的任務和目標，可能會因為形勢的重大變化而無法完成或實現。在這種情況下，下級必須嚴守紀律，發揮主觀能動性，盡其所能為實現指揮官的意圖做出貢獻。但是，由于評估是一個在行動中持續進行的過程，指揮官的意圖有可能會根據人工智能系統分析不斷變化的行動環境所產生的新信息而發生變化。人工智能可能會以現在難以想象的速度對單元目標提出修改建議，這將給決策者及其參謀人員帶來壓力。要想在復雜的戰斗空間中以最快的速度取得成功，就必須采用新穎的和平時期訓練方法，這種訓練方法可能是在虛擬訓練環境中進行的，而大部分現實參與者都會在場。要進行超戰爭訓練，就必須創造一個與預計的未來作戰環境相似的訓練環境。人工智能系統可以成為實現這一目標的有力工具，從而培養部隊成功進行任務式指揮的能力。

盡管人們設想未來的軍隊將實現全網絡化，所有系統和傳感器相互連接，利用人工智能系統提供幾乎實時的態勢感知。從理論上講，這可以讓上級對下級進行干預，在最壞的情況下可以繞過指揮系統。要有效運用任務式指揮，就必須排除這種可能性，必須通過正確運用分權執行原則，讓下級擺脫干擾。

從上面這幾段可以看出，人工智能將對任務式指揮產生影響。在人工智能決策支持系統的影響下，每一項原則的含義和內在機制都將發生變化。首先，人與機器之間必須實現相互理解和信任，這可能是一個相當大的挑戰，但專業培訓和聯合演習將有助于形成有效的合成戰友關系。

結論

這項研究的主要問題是，任務式指揮能否應用于人工智能系統啟用和加速的環境中。隨著決策速度的提高，指揮互動必須改變，讓下屬有更大的自主權。這符合任務式指揮的原則。為參謀人員注入人工智能輔助決策系統將影響任務式指揮的信任和相互理解因素。如果使用得當，人工智能也是提高決策及時性的有用工具，還能促進執行權力下放。但是，人工智能的成功整合需要新的人員工作方法、大量的培訓以及視機器為同志的新思維。由于這項技術相對較新，從一開始就期待最佳解決方案是模糊的。老實說，預期的詳細程度和為更高級別的指揮官提供的更好的通信可能性會使任務式指揮做法受挫，從而能夠通過微觀管理地面部隊來規避指揮系統。超戰爭的一個方面是在盡可能低的級別上進行高速決策，但下級比上級更快地做出決策是否總是正確的呢？下級通常對局勢的看法比較狹隘，因為他們必須專注于自己的行動區域。而上級做出的決定通常更能洞察全局，因此更有可能成功實現意圖。如果下級開始執行一些上級以其高超的知識認為是錯誤的事情，那么會發生什么事情來緩解這種情況呢？阻止或微觀管理已經開始的行動是不明智的。超級戰爭的支持者可能會說，下級與上級擁有相同的行動視野，但教育水平和經驗可能并不相同，更不用說任務和責任了。所有這些方面都將對未來作戰環境中任務式指揮的發展產生影響。結論是，不能避免使用人工智能解決方案，因為它們能提供競爭優勢，而且任務式指揮的方式一定會發生不可避免但又無法確定的變化。

參考來源：Land Forces Academy Review

介紹將提出一個分析武裝部隊作戰能力的模型，包括考慮電子戰的某些方面。該模型應通過確定關鍵目標來確定和優先考慮所需的能力：確定未來的安全環境和其中的作戰環境，確定規劃方案和對未來武裝部隊的要求，包括執行電子戰的部隊。確定與武裝部隊使命和任務相關的具體任務，確認能力目錄中的所需能力清單。本文介紹了確定所需能力和找出差距的思路。分析過程中提出的關鍵問題是 確定的能力是否與任務和作戰概念以及威脅相匹配？實現所需作戰能力的衡量標準是什么？為武裝部隊提供所需能力的成本可能是多少？解決問題的關鍵方法是什么？采用基于能力的方法進行規劃，包括確定武裝部隊的參考（計算）單元，包括電子戰單元。一個重要的問題是使用正式和模擬方法確定作戰能力的尺寸。因此，在具有所需能力的參考模塊的基礎上，構建了一個優化模型，以確定武裝部隊的結構，從而能夠實施已確定的作戰概念，同時考慮到以下標準：作戰和成本。該分析以武裝部隊運作的數學模型為基礎，提出了自己的模擬模型。模擬以逐步分析引入的場景、對手的可能結構和確定的任務為基礎。工作中提出的方法還為評估武裝部隊的預算發展提供了一個工具。

圖：基于能力的規劃范方案

由于歐洲各國陸軍目前正在發展與同級對手進行高強度常規戰爭的能力，這些陸軍必須發展能夠在復雜環境中獨立作戰的單元，而上級指揮部的指示有限。在這一過程中，需要勝任任務式指揮，這被視為機動作戰的關鍵組成部分。文章指出了一個軍事組織有效實施任務式指揮需要具備的一系列有利因素，包括共同的理解和信任；主動性；寬容失敗、成功和學習的態度；以及接受任務式指揮是一種全方位的實踐。文章隨后介紹了對瑞典陸軍軍官的訪談數據，重點闡述了這些使能因素在其職業背景下的存在和意義。文章的結論是，軍官在和平時期執行的任務日益復雜，這就產生了相互沖突的領導需求。因此，行使任務式指揮和使年輕同事融入實踐是一個遠非簡單的過程，它經常與同事、所屬組織或更廣泛的社會環境對軍官提出的其他要求相沖突。

指揮與控制（C2）活動涉及國防、應急響應、警務和危機管理等多個領域。這些領域的問題通常具有復雜性，即種類繁多。根據控制論，控制器（C2 系統）的多樣性必須等于或超過作戰環境中受控系統的多樣性。足以控制特定系統的多樣性程度被定義為必要多樣性。

本文旨在將外部和內部多樣性可操作化，縮小高層抽象描述與具體解決方案之間的差距，以便在設計 C2 系統時提出切實可行的建議。C2 系統由方法、技術、人員和組織構成。在這項工作中，我們將重點放在人員和組織方面。我們特別關注人員組成部分中的能力變量。我們根據以往對多樣性等方面的研究，討論了在開展 C2 活動以應對復雜性時，能力變量的哪些方面可能最為重要。

然而，大量的 C2 研究也表明，快速決策對于應對來自對手的問題非常重要。我們詳細闡述了高度內部多樣性的潛在代價，即由于團隊溝通需求的增加，它可能會延遲 C2 團隊的決策。最后，我們介紹了一種調查方法，其中包括模擬外部復雜性，要求由具有不同能力（內部多樣性）的 C2 團隊進行動態決策。

圖 1. 任務響應系統由 C2 系統和執行系統（圖中最右邊的灰色實體）組成。C2 系統由三級指揮系統組成，而三級指揮系統又包括通信、數據提供、定向和規劃等遞歸的通用活動[7，第3頁]。

在本文中，我們將首先對作戰環境或工作空間進行總體描述，包括其特征和與這些特征相關的典型需求。特征和潛在問題之間的多樣性將被稱為外部多樣性。

我們對 C2 的看法是系統性的，這意味著任務響應系統由 C2- 系統和執行系統組成（見圖 1）。我們對 C2 的定義是 C2 是為實現目標而努力解決（軍事）問題的人類活動或系統。C2 過程產生的關鍵產品是指揮和協調[7]。

C2 方法空間可視為對真實 C2 系統關鍵方面的抽象或理論描述。C2 方法空間由三個相互依存的維度構成：a) 信息分配；b) 互動模式；c) 決策權分配[8]。表示具體 C2 系統的一種方法是列出其組成部分：方法、組織、人員和技術[7，第 14 頁]。C2 方法空間的維度與 C2 系統中的組織、方法和技術類別之間存在聯系。每個類別內部的潛在多樣性以及這些類別之間的組合影響著整個 C2 系統控制的潛在多樣性。

然而，在 C2-方法空間中，人員部分并不明顯。我們選擇將工作重點放在人員部分，主要有兩個原因。首先，它可能是 C2 研究中對 C2 系統研究最少的部分。但最近一個值得注意的例外是 Valaker 等人[9]。其次，在我們看來，它是 C2 系統中最具影響力的因素，這主要是因為 C2 與決策密切相關。盡管人工智能（AI）有了長足的發展，但決策仍主要是人類的活動。

當然，人員部分還可以進一步細分為幾個不同的子部分，如個人的人口特征（如性別、年齡、種族）和功能或任務相關的多樣性方面（如知識、技能和專業知識/能力）。在本文中，我們將主要討論能力因素，更具體地說是任務/使命能力[10，第 105-182 頁]。因此，在描述 C2 系統內部多樣性時，能力因素將是我們的主要關注點。

因此，在本文中，我們開發了一種方法，用于更精確地研究多樣性與速度之間的平衡性質及其如何影響性能。歷史事件清楚地表明，如果任務響應系統沒有足夠或必要的多樣性，其代價可能是災難性的。一個著名的例子是 1415 年的阿金庫爾戰役，當時法國裝甲騎士對英國長弓手發動騎兵攻擊，但被有效阻止。這場戰役的結果對法軍來說是一場災難，標志著騎士時代的終結[18]。博伊德（Boyd）提供的經驗中描述了一個速度不夠（關于瞬時機動）的典型例子，在朝鮮戰爭中，由于瞬時機動速度出眾，美國 F-86 戰斗機對俄羅斯米格-15 的殺傷率達到了 10:1[19，第 41 頁]。

指揮與控制 (C2) 系統越來越多地采用計算機視覺 (CV) 系統來改進戰場上的情報分析，即戰術邊緣。CV 系統利用人工智能 (AI) 算法來幫助可視化和解釋環境，從而提高態勢感知能力。然而，由于環境和目標瞬息萬變，部署的模型可能會被混淆，因此 CV 系統在戰術邊緣的適應性仍面臨挑戰。由于環境和環境中存在的物體開始發生變化，在這種環境中使用的 CV 模型在預測時可能會變得不確定。此外，任務目標的快速變化也會導致技術、攝像機角度和圖像分辨率的調整。所有這些都會對系統的性能產生負面影響，并可能給系統帶來不確定性。當訓練環境和/或技術與部署環境不同時，CV 模型的表現可能會出乎意料。遺憾的是，大多數戰術邊緣場景并未將不確定性量化（UQ）納入其部署的 C2 和 CV 系統。本概念文件探討了在戰術邊緣同步進行由 UQ 驅動的穩健數據操作和模型微調的想法。具體來說，根據預測的殘差整理數據集和訓練子模型，使用這些子模型計算預測區間（PI），然后使用這些 PI 校準部署的模型。通過將 UQ 納入戰術邊緣 C2 和 CV 系統的核心操作，我們可以幫助推動戰場上有目的的適應性。

圖 2 - 修改后的態勢感知模型；描述戰場上如何衡量、操作和使用態勢感知進行決策。經過修改，明確描述了 CV 和 UQ [10] 。

環境不確定性被定義為 "無法預期和準確預測世界未來狀態的程度"[1]，它可能會限制指揮與控制（C2）系統幫助作戰指揮部快速、有序地規劃、準備和執行不同目標的能力。戰術邊緣可定義為 "在對信息系統和作戰準備有很強依賴性的戰斗空間中，冒著致命風險運行的平臺、地點和人員"[2]。在這里，環境、任務和目標都可能迅速發生變化，并可能給作戰人員的 C2 系統帶來不確定性。C2 系統可利用計算機視覺（CV）對戰術邊緣不斷變化的環境提供更全面的了解。遺憾的是，CV 模型是數據驅動的，在應用于不斷變化的物體和環境條件時，可能會出現較大的外推誤差[3]。換句話說，當環境和環境中存在的物體開始發生變化（哪怕是微小的變化）時，C2 和級聯 CV 系統可能會變得誤判和不準確。CV 系統以一定的可信度對不同的特定任務對象和智能體進行分類、預測和定位。在戰術邊緣，作戰人員對其系統的信心和準確性與不可預測性可能是生與死的區別。不確定性量化（UQ）用于確保模型的可信度，提高作戰人員對數據限制和模型缺陷的理解。本文探討了作戰人員利用不確定性量化影響 C2 和級聯 CV 系統的想法。具體來說，就是計算可信度和預測區間 (PI)、檢測超出分布范圍的數據 (OOD)，以及收集相關數據集以重新校準部署的模型。最終，作戰人員可以利用 UQ 來幫助提高適應性，并促進人工智能系統的穩健性和信息量[4]。

據美國國防部高級研究計劃局（DARPA）稱，由于模型、參數、操作環境和測量的不確定性，對國防部（DoD）非常重要的復雜物理系統、設備和過程往往不為人所理解[5]。因此，鑒于這種確定的復雜性，作戰人員應致力于創建一種戰斗節奏，將測量其 CV 系統的不確定性納入其中。我們希望在戰術邊緣執行任務的作戰人員能更深入地了解其部署的 CV 模型的性能。作戰人員可以利用測量到的不確定性直接影響未來的 C2 和 CV 系統/行動。同樣，這將允許在不斷變化的環境中更快地適應，提高作戰指揮部的態勢感知能力。

1.1 戰術邊緣的計算機視覺

計算機視覺可定義為一種特定的人工智能系統，使計算機能夠解讀視覺信息。它通常涉及通過卷積神經網絡（CNN）等算法解析視覺數據，以檢測、分類和定位感興趣的物體。通過不斷檢測周圍環境中的物體，CV 可以提供戰場上的可視性。作戰人員可以分析從不同邊緣傳感器捕獲的數據，以提供可操作的情報。CV 還能幫助作戰人員看到隱藏的或肉眼無法看到的物體。

對 CV 模型進行訓練的目的是對預期在戰術邊緣看到（或隱藏）的物體和環境做出準確預測。CV 模型的訓練通常首先涉及整理一個視覺數據訓練數據集，該數據集代表了預期看到的物體和環境。這些數據將通過不同的數據操作進行整理，如數據收集、數據標注、數據清理和數據轉換。所有這些不同的數據操作都可以在戰術邊緣執行，并允許作戰人員有效地整理相關數據，用于改進其模型。然后，CV 模型將嘗試學習在訓練時傳遞給模型的數據的表示和分布。

CV 模型還將通過類似的過程進行驗證和測試。訓練集之外的數據集可以進行策劃，用于驗證和測試 CV 模型。測試數據集可用于模型測試，并且只能在模型完成整個訓練（或微調）周期后使用。測試數據集應與訓練數據集分開，以便測試結果能準確反映模型對其從未見過的數據進行泛化的能力。策劃這些不同的數據集是為了改進和評估部署在戰術邊緣的模型。

通過使用 UQ，作戰人員可以更準確地衡量其 CV 模型的失敗之處，然后開始整理必要的數據并對模型進行微調。下圖 1 顯示了定義明確的類別的數據如何隨著時間的推移而開始變化和退化。這直接影響到部署在戰術邊緣的模型預測的可信度。本文建議作戰人員在其核心 CV 操作中建立 UQ。作戰人員應積極測量已部署模型的不確定性，整理相關數據集，微調這些模型，然后將這些新模型重新部署到戰術邊緣。

圖 1 - 數據隨時間漂移；顯示了定義明確的物體和環境如何隨著時間的推移而發生變化。最終降低 CV 模型的性能。[6]

1.2 提高作戰人員的態勢感知能力

態勢感知可定義為感知環境中的要素、了解環境中的要素以及預測其在不久將來的狀態的過程[7]。指揮控制系統利用態勢感知，"由適當指定的指揮官對指定和附屬部隊行使權力和指揮，以完成任務"[8]。戰術邊緣可能是危險和混亂的，對這一環境的透徹了解將使作戰人員做好更充分的準備。此外，能見度在戰場上至關重要，作戰人員應利用 CV 系統獲得更強大的態勢感知和環境能見度。

根據米卡-恩斯利（Mica Endsley）描述的 "態勢感知模型"，在 C2 基礎設施內運行的部分 CV 系統可被想象為處于 "1 級"。該模型描述了在這一級別上運行的系統的功能，即幫助提供 "對當前情況中各要素的感知"[9]。部署的 CV 模型、算法和傳感器/攝像頭都有助于檢測當前情況下的物體和環境。如前所述，CV 使計算機能夠消化和解釋視覺信息，在此情況下，特別是戰術邊緣的元素和物體。這種對物體的感知會影響并支持該模型的更高層次。最終，它流入戰術邊緣的決策和行動執行階段。

可以認為，UQ 存在于態勢感知、決策和行動執行階段的周圍。最終，這將影響模型的反饋階段。從 CV 系統測得的不確定性可用于影響接下來的決策階段。同樣，在進行決策和行動執行后，UQ 也可用于衡量信心和總體效果。具體來說，UQ 將有助于衡量部署在戰術邊緣的 CV 模型的預測精度和正確性。這些結果最終將流入模型的反饋階段。利用這種方法，UQ 將為作戰人員提供適應性更強的態勢感知。圖 2 是該模型稍作修改后的示意圖。

圖 3 - 使用 UQ 的 C2 和 CV 系統；展示如何利用 UQ 向 C2 系統提供反饋，以提高戰術邊緣的適應性。

模擬作戰需要了解友軍和敵軍在既定友軍目標和可信敵軍目標方面的進展情況。在美國防部（DoD），這些目標的結構是分層的，從國家戰略層面一直到戰術層面。軍事評估旨在回答兩個主要問題： 1）是否創造了所期望的效果？對模擬作戰評估方法的研究很少。一些主要的評估應用領域是教育和游戲，它們為模擬軍事作戰評估提供了有益的借鑒。本研究從美國防部政策和這些領域的研究中總結出模擬作戰評估方法的幾個理想特征。在根據這些特征建立價值層次結構之后，本論文提供并評估了幾種可用于模擬作戰的候選方法--貝葉斯企業分析模型（BEAM）中現有的 "戰斗力與戰斗脆弱性 "方法、貝葉斯網絡、價值思維和線性規劃。每種替代方案的評估都是通過其在小型作戰模擬中的應用來進行的。然后，從 "價值思維 "和 "線性規劃 "中創造出一種替代方案，其評估結果優于其他四種方案。論文最后對線性規劃進行了總結，并提出了未來研究的想法。

與真實戰爭類似，作戰模擬需要了解友軍和敵軍的進展情況。這種知識將潛在的模擬停止條件擴展到時間之外，并允許分析與時間、資金和資產態勢相關的進展情況。雖然記錄資產的損毀和消耗品的使用情況可能會提供有價值的分析結果，但指揮官通常更關心的是一個更廣泛的問題，即這一場景是贏了還是輸了？要回答這個問題，模擬必須包含一定的勝負定義。要做到這一點，最簡單的辦法就是完成既定目標。戰斗模擬必須能夠評估作戰環境，并報告實現或未實現這些目標的進展情況。從具體的目標（如摧毀敵方所有港口）到較為抽象的目標（如實現海軍優勢），模擬中的單一作戰評估方法應具有足夠的通用性，以便在面對多種不同的勝負定義時，為勝負問題提供答案。本論文提供了這樣一種方法，可用于模擬戰爭的戰役級戰斗評估。

評估的一個直接定義是 "使用數據來證明既定目標和目的是否真正實現的過程"（1，第 554 頁）。在國防領域，美國參謀長聯席會議（JCS）將評估定義為 "在軍事行動中衡量運用聯合部隊能力的整體有效性的持續過程"（2）。一般來說，評估是一個用于持續或不斷反饋的詞，旨在改進一個過程。在更正式的場合，評估分為兩類：總結性評估和形成性評估。總結性評估，或有些人稱之為評價，是對表現進行事后審查。總結性評估的例子包括簡單的評分和與基準的比較，以及從過程產出中獲取比較結果的統計或其他分析方法。終結性評估的 "外部"（3，第 19 頁）特征自然會導致其結果的呈現是遙遠的和/或靜態的。終結性評估的一些例子包括年度人事審查和評估、學生考試和業務指標報告。相反，形成性評估關注的是持續的學習過程，目的是在特定過程中提供反饋（4）。在教育領域，形成性評估包括學生與評估者之間的合作，以 "積極創造[學生的]最佳表現"（5，第 242 頁）。形成性評估在本質上是互動的，它的目的是在一個過程結束之前提高學生的表現，利用數據（或經驗）為被評估方提供定制化的幫助。因此，形成性評估還可能包括進度跟蹤或報告。本論文重點關注戰役級模擬戰爭背景下的形成性評估方法。我們對 "如何在計算模擬中進行戰役級戰斗評估 "這一問題提出了建議。

模擬戰爭中的評估方法，尤其是用于軍事訓練或分析的模擬戰爭，應模仿實際決策者對戰爭努力的評估。在實際作戰環境中，軍事下屬和分析人員會準備一份評估報告，供指揮官了解態勢。指揮官利用評估結果為操縱作戰環境提供進一步指導。當我們在模擬作戰中模擬戰爭努力時，評估部分實際上應是下級/分析員評估與指揮官反饋相結合的模型。在第 3.1 節中，我們將這一概念納入了作戰模擬評估方法的價值層次中。此外，我們還提出了一個必要的特點，即評估方法應簡單易懂，便于向指揮官和其他決策者介紹。將評估結果歸納為不同類別（如勝利或失敗）對簡單交流非常有用，第 3.1 節將對此進行更詳細的討論。

作為聯合部隊行動的權威資料，美國聯合司令部的 "聯合出版物 3-0"(2)提供了模仿決策類型的見解。聯合司令部最關心的是 "行動評估"，即 "衡量完成任務、創造條件或效果以及實現目標的進展情況 "的過程（2，第 II-9 頁）。聯合司令部聲稱，行動評估應 "從任務式指揮分析開始，由指揮員和參謀人員考慮衡量什么和如何衡量"（2，第 II-9 頁）。對于實戰中使用的計算模型而言，這一步將發生在模型運行之前，分析人員將在運行過程中設定初步目標和任何初始參數。此外，本定義中的 "目標 "是指指導行動方案的目標。目標可以是一個短語，如國防部的國家戰略目標，也可以是單項軍事任務的目標。無論如何，模擬戰爭評估方法中的目標決定了代理指揮官的注意力在哪里，以及他們建議的行動方向。

圖 1 提供了不同層次的戰爭與相應目標之間的嵌套關系。在軍事應用中，圖 1 中紫色箭頭所示的評估框架通常被稱為 "從戰略到任務 "框架（6；7；8）。在該框架中，目標之下是可評估的效果。效果 "是 "行動的結果、成果或后果"（2，第 GL-9 頁）。任務 "被視為軍事行動的最小單元，小到摧毀敵方資產，大到運送物資。有些任務本身就是目標，有些任務支持相應的目標，沒有中間影響。然而，如圖 1 所示，上級目標為下級目標提供依據，而下級目標又指導各級軍事行動。同時，評估是用于提供自下而上反饋的機制。在提供反饋時，評估應回答兩個關鍵問題： 1）"我們是否在[作戰環境]中創造了我們所期望的效果或條件？"和 2）"我們是否按標準完成了任務？(2，第 II-11 頁）。

這兩個核心評估問題的重點自然而然地將模擬戰爭的作戰評估引向形成性領域。盡管分析人員傳統上使用總結性評估方法對這些問題進行追溯性回答，但如果將形成性評估與回答這兩個關鍵問題的意圖結合起來，則可實現被動的模擬作戰環境。利用形成性評估方法，模擬環境（或指揮官）可收到與特定目標相關的作戰環境狀態的實時更新。與進行事后分析相比，形成性評估更接近于實時戰爭工作，即評估對友軍造成的戰損，以及任務匯報和關于敵方單元的情報報告。因此，本論文側重于形成性評估方法。

本論文的其余部分致力于將聯合司令部的作戰評估要求綜合為一個連貫的結構，以便在作戰建模模擬環境中有效部署評估方法。Gallagher 等人（9）利用分辨率定義了不同層次的作戰：系統/工程、交戰、任務、戰役、國防企業和整個政府。聯合司令部的條令規定，每個層次的戰斗分辨率都要分層評估。本論文并不試圖將評估范圍縮小到任何特定的交戰決議；相反，我們提出了一般結果，試圖盡可能廣泛地應用于國防部的各種應用。本研究的重點是回答兩個研究問題：

研究問題

1. 程序化/計算機化模擬的作戰評估方法需要具備哪些特征？

2. 如何在程序化戰爭模擬中進行戰斗評估？

下一章將通過其他主要應用領域介紹評估方法。根據第二章的經驗教訓和聯合司令部的評估指南，我們在第三章構建了一個價值層次。在第四章中，我們介紹了幾種可供選擇的評估方法，并在小型作戰模擬中對其機制進行了研究。然后，我們在第五章對這些替代評估方法在模擬戰爭中的應用進行評估。第五章最后提出了模擬作戰評估方法的建議。我們在第六章中提出了一些結束語和進一步研究的建議。

本文提出了一種基于古代戰爭策略的新型元啟發式優化算法。所提出的戰爭策略優化（WSO）基于戰爭期間陸軍部隊的戰略移動。戰爭策略被模擬為一個優化過程，其中每個士兵都朝著最優值動態移動。所提出的算法模擬了兩種流行的戰爭策略，即攻擊和防御策略。士兵在戰場上的位置會根據所實施的戰略進行更新。為了提高算法的收斂性和魯棒性，引入了一種新的權重更新機制和一種弱士兵遷移策略。所提出的戰爭策略算法實現了探索階段和開發階段的良好平衡。介紹了該算法的詳細數學模型。在 50 個基準函數和四個工程問題上測試了所提算法的有效性。該算法的性能與十種流行的元啟發式算法進行了比較。各種優化問題的實驗結果證明了所提算法的優越性。

戰爭策略優化

古代王國擁有一支軍隊，以抵御其他王朝的進攻。王國的陸軍由步兵、戰車、大象等各種力量組成。在戰爭中，每個王國都會設計一種被稱為 "Vyuha "的戰略來攻擊對方的陸軍，以取得戰斗的勝利，從而確立自己的霸主地位。Vyuha 是戰爭中用于征服對方王國的各種陸軍部隊的模式或排列[69]。為了確保自己的陸軍達到預定目標，實現目標，皇帝和各單元的指揮官會按照特定的模式協調部隊。戰爭戰略是根據任務的目標、威脅、困難和前景制定的。戰爭戰略是一個持續的動態過程，在這個過程中，武裝力量只需協調并與對手作戰。隨著戰爭的進展，這種戰略可以適應不斷變化的條件。國王和指揮官的位置對陸軍士兵的位置有著持續的影響。國王和陸軍指揮官戰車頂部的旗幟代表他們的位置，所有士兵都能觀察到。團隊中的士兵接受訓練，根據鼓聲或其他樂器的聲音來制定策略。當一名軍事指揮官死亡時，戰略就會發生變化，其他每名指揮官都必須學會如何重建和繼續戰爭戰略的建立。國王的目標是征服對方的國王/首領，而陸軍士兵的主要目標則是攻擊對方隊伍，并在軍銜上取得進步。

戰爭戰略的各個步驟如下：

A. 隨機攻擊

在戰場上，陸軍部隊以戰略方式隨機分布在整個戰場上，攻擊對面的軍隊。軍隊中攻擊力最強的人員被視為陸軍首領或指揮官。國王是各軍團長的領導者。

B. 攻擊戰略

該戰略的主要目標是攻擊對方。國王帶頭并指導陸軍部隊。陸軍部隊找出對手的薄弱位置（有希望的搜索空間）并繼續進攻。國王和指揮官乘坐兩輛不同的戰車，戰車頂端插有戰略旗幟。士兵根據國王和指揮官的位置動態改變自己的位置。如果士兵成功提高攻擊力（體能值），他的軍銜就會提高。隨著士兵的晉升，他將成為其他人的好榜樣。但是，如果新的位置不適合作戰，士兵就會回到原來的位置。戰爭初期，陸軍部隊向四面八方移動，大步流星地改變自己的位置。

C. 鼓聲信號

國王會根據戰場上的局勢動態地改變戰略。因此，一群士兵會有節奏地擊鼓。士兵們會根據鼓聲的節奏改變策略，調整位置。

D. 防御戰略

這一戰略的主要目標是在不輸掉戰斗的情況下保護國王。指揮官或陸軍首領帶頭，利用陸軍部隊形成像鎖鏈一樣的包圍圈，將國王團團圍住。因此，每個士兵都會根據附近士兵的位置和國王的位置改變位置。陸軍部隊在戰爭中會嘗試探索大面積的戰場（搜索空間）。為了迷惑對方軍隊，陸軍會不時動態改變策略。

E. 薄弱士兵的替換/轉移

在戰斗中，戰斗技能最低的士兵或受傷的士兵可以與敵軍士兵同等對待。由于他的表現不佳，陸軍的威信完全受到威脅（算法效率）。戰爭中死亡的士兵很少，這可能會影響戰爭的結果。在此，陸軍有兩種選擇。一是用新兵替換受傷/體弱的士兵。第二個選擇是重新安置體弱的士兵。因此，他將受到所有其他士兵的引導（所有士兵的平均位置）和隔絕，以保護他，從而保持陸軍的士氣，使其在戰爭中獲勝的幾率很高。

F. 對方的陷阱

對方陸軍會根據自身的能力采用各種策略，迫使前軍向錯誤的方向移動或到達錯誤的目標（局部最優）。

具有高度自主性的軍事系統發展帶來了許多作戰優勢。這些系統通常是高度協作的，并允許優化對復雜問題的多效應對。人工智能，包括深度強化學習，有助于提高這些系統的效率。這項工作提出了一個與信任這些算法有關問題的綜合觀點，并提出了一些改善人機信任的準則。這項工作是在由歐盟資助的30個合作伙伴歐洲財團委托編寫的報告框架內完成的。

用于水雷戰的自主水下無人機，MMCM計劃實例

法國和英國在2010年啟動了一項計劃，評估和開發 "海上反水雷"（MMCM）能力，包括在與母艦安全距離外遠程操作的無人系統。通過持續化解靜態水下威脅，這些系統將提供戰略、行動和戰術上的機動自由，確保海上力量的安全投送，包括在海峽等高風險地區。

MMCM計劃的目標是提供一種新的敏捷的、可互操作的和強大的水雷戰能力。它將有助于在現有水雷戰艦退役時取代它們。這一雙邊計劃于2010年底根據法國和英國之間的《蘭開斯特宮條約》正式啟動。在2018年1月的法國/英國峰會上，法蘭西共和國總統和英國首相申明了他們打算迅速將該系統投入作戰服務[13]。

特別是，在2020年測試了四種作戰方案，分別采用了：一個水面無人機及其探測聲納、一個拖曳聲納、兩個水下無人機和一個水下滅雷機器人。前兩種情況主要是隨著任務的進行對威脅進行探測、分類和定位，其次是通過與前一次任務的數據進行比較來改變探測結果，最后是重新定位和識別幾枚地雷并解除其中一枚地雷。

該計劃的核心是在水下環境中自主發展的能力。這種自主性是通過使用人工智能算法，特別是DRL來實現的，以便自主地將無人機從母艦上移開[14]。盡管水下無人機必須能夠自主行動，但仍有許多人機互動：任務準備、驗證地雷分類和實時任務監測、授權投擲炸藥。這種人機互動是由MMI（人機界面）實現的，比如你會發現下面這個界面。

有一些項目旨在優化這些關系并建立信任關系：例如，泰雷茲國防任務系統公司DxLab的AR{iA}NE項目，旨在顯示操作者和人工智能之間可以有真正的互動[14]。人工智能在這里由控制臺的下半部分代表。它的突出顯示取決于性能指數：這就是人工智能以非常直觀的方式與操作者交流的方式。這個演示設備是為工業展覽準備的。它的設計經過特別考慮，給人以未來主義的印象，讓客戶感覺到他正在與人工智能進行交流。該控制臺集成了一個軟件分析界面，為聲納數據的利用提供了實質內容，因此非常適用于研究人機互動，更確切地說，是人機互動。

用于反無人機作戰的輕型自主無人機

國防公司，如泰利斯、空客和MBDA，正在開發項目，旨在提供反無人機（UAV：無人機）解決方案。商用無人機的擴散化和相當便宜的價格引發了安全和保障問題。例如，在無人機和飛機之間發生了一些事件，還有一些情況，如跨越邊界和在監獄中走私貨物（武器、毒品），或向目標運送爆炸物。這些公司提出了智能解決方案，可以檢測無人機，但也可以通過高度的自主性和人類的環形控制來消除它們。這些系統可以對敵方目標進行探測、識別、定位和消滅。反無人機問題被概念化，并通過以下步驟得到部分解決[16]：

• 威脅探測：利用部署在保護區域的地面傳感器，如雷達、聲學、射頻或光電傳感器來解決；
• 威脅分類：在威脅探測步驟中捕獲的地面傳感器數據上執行的后處理任務；
• 威脅識別：這是一項額外的后處理任務，旨在完善前一步獲得的分類，最好是評估一套獨特的威脅特征特征；
• 威脅追蹤：該任務的結果是威脅所遵循的軌跡或一組軌跡。其目的是保持對威脅的關注，并將其保持在系統傳感器的視野范圍內；
• 威脅評估：評估入侵的無人機所代表的威脅程度，例如通過有效載荷分析或行為理解。執行這一步驟是為了收集情報，并可能調整對該威脅的反應；
• 威脅消除：使用物理或非物理損傷使威脅失效。當然，這是迄今為止最不成熟的步驟。中和技術最終應取決于威脅的性質、其威脅程度和環境條件（以避免或盡量減少附帶損害）。

最新項目的目標是創建和展示一個完整的反無人機系統，能夠解決上述六個步驟，并整合兩個主要部分，一個地面部分和一個空中部分。地面部分可由一個作為指揮和控制站的地面控制站和一些地面傳感器組成，其數量和在空間的分布可根據需要和保護空間的配置進行調整。空中部分可以由盟軍無人機隊組成，這些無人機可以是相同的，具有類似的能力（同質蜂群），也可以具有不同的能力，每個都有一套獨特的專長（異質蜂群）。擁有一個空中段提供了兩個優勢。首先，在傳感方面，它使系統具有盯住目標的能力，可能為人類操作員提供實時視覺反饋，但也能對敵方無人機及其有效載荷進行更詳細和有效的分類和識別。第二，在消滅方面，它應該允許防御者部署更多的外科手術式的反措施，特別是避免過多的附帶損害或不想要的副作用。許多國防公司正在為中和部分開發智能DRL解決方案[17]，以便在盟軍無人機群中做出自主決定。DRL算法也可用于指揮和控制站，以監測整體作戰情況。

用于未來戰斗空中系統（FCAS）的重型自主無人機群

未來戰斗航空系統（FCAS）是一個 "系統簇"，它涉及到新一代戰斗機（NGF）、遠程航母（RC）和一個將所有參與者連接在一起的戰斗云系統： NGF、RC群、衛星、戰艦、地面系統等。

遠程運載器是用來做什么的？設想的應用是非常多樣的：通過幾十架飛機的飽和來穿透敵人的防御，誘騙敵機，執行電子戰任務（干擾），為其他飛機指定目標，執行偵察任務，甚至發射導彈而不是作戰飛機。這些新型機組成員為未來幾十年的空中行動開辟了一個巨大的可能性領域：用無人機代替戰斗機發射導彈，這樣就不會有飛行員的生命危險，騷擾敵人的防線，執行偵察任務，等等。這些設備也可以假裝成駕駛飛機，吸引敵人的巡邏隊，為作戰飛機打開缺口。在遠程載具的核心，制造商正在開發人工智能算法，特別是DRL[18]，以控制每架無人機，但也控制無人機群。DRL算法出色的適應性在這里被用來管理高層和自主決策。

"系統簇"的非常高的互連性也要求建立一個抗網絡攻擊的戰斗云。這些攻擊確實可以破譯通信以獲取情報，甚至干擾或破壞通信，或者更糟糕的是，向半自主系統發出錯誤指令。DRL算法可用于應對正在進行的網絡攻擊。這些攻擊確實可以快如閃電，而人類沒有能力做出足夠快的反應。因此，必須使用智能自動系統來抵御攻擊。DRL似乎再次成為快速、自主和適應性行動的良好解決方案[19]。

邁向可信AI

A. 科學的信任和可解釋人工智能

正如我們所說，在自主系統中使用人工智能有很多問題：倫理、法律、政治等等。這就是為什么有必要在這場技術革命的不同參與者之間建立一種信任關系，從研究人員到用戶和工程師。

數學上的保證。為了確保我們提出的技術解決方案的可靠性，最好能在理論上和數學上保證算法的性能。然而，重要的是要記住，有關的保證在性質上是概率性的，因為大多數ML算法的性質是不確定的。因此，我們將試圖證明，例如，如果該算法有無限量的訓練數據可供支配，它就能夠完成提交給它的任務。或者，人們可能會試圖證明該算法收斂到一個解決方案，而且幾乎可以肯定它是以一個已知的和可控的速度收斂的。這種類型的結果保證存在于許多經典的ML算法中，用于解決某些簡單的問題，并受制于關于訓練和測試數據的某些假設。人工智能的整個研究領域都是關于知道什么是或不是可以通過ML學習的問題，以及什么精度：可能是近似正確的學習[20]。在RL方面還有很多工作要做，它仍然是一種年輕的技術，但理論上的保證越來越多[21]。然而，這些理論結果一般都是基于非常強的假設，這些假設往往是還原性的，并沒有考慮無人機在實踐中使用的非常真實的環境，這有時會使它們不那么相關。

可解釋人工智能。第二個軸心是要建立對人工智能所支配的自主系統的信任，即其行動的可解釋性。當我們可以理解導致人工智能獲得結果的原因時，一個算法被認為是可解釋的。一般來說，目前可解釋的ML算法（XAIs）能夠報告相對簡單的決定，例如指出圖像的哪些區域被用來確定它是一個蘋果。關于RL，為算法的可解釋性設想了幾條途徑。

• 一些RL算法是以完全透明的方式建立的，它允許追蹤不同代理在一段時間內做出的決定。然而，這種方法不能應用于DRL，由于使用了人工神經網絡，DRL并不是完全可解釋的。
• 表征學習是另一種方法，它試圖在推理的某些階段提取最相關的信息。
• 也可以訓練另一種人工智能算法來解釋RL算法的行動，同時相互配合[22]。其他的解決方案仍然存在，提及這些解決方案需要太長的時間，這里的興趣主要是要意識到RL算法的可解釋性正在全面發展，在未來的幾年或幾十年里應該會通過新的里程碑。

讓我們細化前面的觀點，像一些作者那樣考慮人工智能算法的區別，這些算法不僅是可解釋的，而且是可解釋的。事實上，為了解釋它們的推理，已經建立了一些后驗算法，但它們并不能幫助理解初始算法的 "黑匣子"。出于這個原因，人們正在對可解釋的人工智能方面進行研究，這樣就可以說明導致輸出的不同推理步驟[24]。即使DRL算法的參數數量非常大，仍然是廣泛實施這種方法的技術障礙，但可以預期在這個領域會有明顯的進展。

B. 性能信任

對受DRL支配的自主系統有信心的第二個論據是測試期間的性能測量。事實上，即使目前關于人工智能可解釋性的知識狀況不允許完美地理解算法是如何達到其輸出的，但實踐中的結果是好的，表明有非常大的發展潛力。

對其他問題進行歸納的能力。首先，用戶對人工智能技術的信心可以建立在算法解決其他問題的良好能力上，或多或少有些類似。例如，眾所周知，Deepmind的AlphaFold 2 DRL算法在預測蛋白質結構方面特別出色[25]。這種優秀的聲譽源于該算法的大量已發表的測試研究，這讓該領域的大多數科學家對其給予了極大的肯定。雖然蛋白質結構預測與自主無人機的使用無關，但將蛋白質中單個原子的放置與無人機在協作作戰任務中的放置相提并論是很容易和有意義的。在前一種情況下使用DRL，以及所獲得的結果，也有可能使最終用戶對DRL應用于另一個領域的潛力充滿信心。

算法驗證。然而，與經典的ML算法不同，不可能在RL中實現我們在第一部分討論的驗證測試。這是因為所涉及的數據是隨時間變化的，而且所提出的問題也是不同的。要限定所識別的對象是否被正確預測是很容易的（是的，它是一個蘋果，或者不是，它是一個梨子）。另一方面，量化無人機和飛機之間合作的成功要微妙得多：許多標準必須被評估（無人機的定位、它們的速度、它們不同行動的時間）。因此，RL算法的性能測量是通過建立針對要解決的任務的指標來完成的。例如，對于負責訪問一個空間區域的無人機來說，比較正確識別目標的比例、任務完成時間或其他更精確的指標是相關的，這取決于情況和要解決的具體問題。

爭取在RL中實現更好的可重復性。最近還強調了RL算法的一個臭名昭著的問題，即當一些研究人員想要復制他們同事的結果時，一些算法的不穩定性[26]。實驗的可重復性是科學中的一個基本問題，因為它構成了被測試定律（例如，萬有引力定律）的有效性證明。在這里，算法性能的證明之一是可以讓它多次承受相同的情況，并在不同的迭代中獲得非常相似的結果。為了克服缺乏可重復性的問題，新的算法開發框架、新的測試程序和明確的指導方針已經到位，使科學和開發團隊對他們的結果有了更大的信心。

C. 建立一個有人-無人之間的信任協作

優化人機互動

人機協作是現代（協作）戰爭的核心，但人類和智能機器之間的成功協作主要取決于信任。然而，安全與新興技術中心對自主性和人工智能相關的研究[27]發現，在美國軍方的科技項目投資中，789個自主性相關項目中只有18個，287個人工智能相關項目中只有11個提到 "信任 "一詞。研究人員沒有直接研究信任，而是將開發更透明、可解釋和可靠的人工智能作為優先事項。這些努力對于培養人機團隊的信任是必要的，但技術驅動的解決方案并不總是考慮這個等式中的人類因素。

對高性能技術的不充分信任會導致人工智能系統的使用不足或廢棄，而對有限的或未經測試的系統的過度信任會導致對人工智能的過度依賴。這兩種情況在軍事背景下都有獨特的風險，包括事故、友軍交火、對平民的意外傷害和附帶損害。為了讓士兵對自主系統有信心，他們必須知道系統在遇到障礙物時將會做什么。從系統工程的角度來看，這意味著要指定和實施一些能力，如通過假設查詢和信息交流進行信息檢索，以便系統能夠以人類操作者容易理解的方式解釋其推理和行為。換句話說，"在系統中建立信任 "是一種以技術為中心的方法，通過改善與信任密切相關的系統特性和能力，如透明度、可解釋性和可靠性，來建立人機團隊的信任。

DARPA的Squad X計劃[28]將美國陸軍和海軍陸戰隊的步兵小隊與配備先進傳感設備的無人地面和空中飛行器配對，以提高敵對環境中作戰人員的態勢感知和決策。X小隊在2019年初進行的一系列實驗[29]的主要收獲之一是，將人工智能納入任務的規劃和演練階段非常重要。這樣做，士兵可以 "在如何信任人工智能方面進行搏斗"。最終，目標是讓人類作戰人員更好地了解這些自主系統在戰場上的表現，并對它們作為未來任務中的伙伴更有信心。

要怎樣才能讓人們信任技術？在使用先進系統時，一些個人或群體是否更有可能感到自信，而另一些人則更不情愿？人機團隊的部署環境如何影響信任？認知科學、神經科學、心理學、通信、社會科學以及其他研究人類對技術的態度和經驗的相關領域的見解為這些問題提供了寶貴的啟示[30]。

解決道德問題

"殺手機器人 "一直引起人們對潛在自主能力的恐懼[31]。法國國防倫理委員會在2021年批準在武器系統中引入一定程度的自主能力[32]。在法國，沒有辦法授權 "殺手機器人"。這一表述指的是LAWS（致命性自主武器系統）。這只是證實了法國幾年來在這個問題上的立場。但事情很復雜，倫理委員會認為不反對引入一定程度的自主權，因此不反對使用PAWLS（部分自主武器致命系統）。將LAWS與PAWLS區分開來的是 "性質上的差異，這與人類在某些關鍵功能中的地位有關"。致命武器系統的設計是為了演化出自己的操作規則，并自行重新定義其任務。它們不需要指揮部對情況的評估。PAWLS可以自主地被賦予某些任務的責任和執行，但只是暫時的，而且只用于識別、分類、攔截或接觸任務。道德委員會明確表示，它不能在沒有人類控制的情況下采取致命的舉措。即使在這個限制性框架內，也必須制定技術和組織保障措施，以防止任何過度行為。委員會認為，應繼續在與國防有關的人工智能和武器系統自動化領域進行研究。其目的是避免任何 "科學和技術上的放棄"，防止對手開發致命性自主武器，并在對手使用這種武器時進行防御。

自主系統不應

• 破壞指揮系統；
• 違背擁有處置武裝部隊的行動自由的憲法原則；
• 不能為遵守國際人道主義法律原則提供任何保證；
• 違背軍事道德和士兵的基本承諾，即榮譽、尊嚴、
• 控制使用武力和人道。

指南：在以人為本的國防人工智能領域建立信任

G1. 為自主軍事系統上嵌入式人工智能的操作使用案例制定并提供一個法律框架。

G2. 確保在所有情況下都有人類的監督，有人類在環形系統。

G3. 保證在發生事故時的責任追溯。這種責任必須始終由人承擔，而不是由機器承擔。

G4. 開發符合人體工程學的人機界面，允許人與機器之間的對話和理解。

G5. 開發穩健、安全、準確、可重復和可靠的算法，以及評估這些標準的方法。

G6. 為與人工智能互動的軍事人員建立培訓計劃，讓他們了解這些算法的機制、能力和局限性。

G7. 通過對算法、數據和設計過程的評估，確保責任、問責和可審計性。

G8. 制定技術評估程序，以評估對上述準則的遵守情況。

G9. 加快歐洲在人工智能技術方面的培訓工作，特別是針對學術和工業環境的DRL。

G10. 加快歐洲在整合人工智能的國防系統方面的立法工作，以保持歐洲在這一法律方面的領先地位，并確認其在這一領域的領先形象。

G11. 發展國際合作，在自主系統領域進行立法。

G12. 促進研究人員、哲學家、律師、政治家和業務人員之間關于自主系統的對話。

G13. 在有關國防人工智能的研究和應用項目中始終包括信任的概念。

G14. 對協同作戰的未來利害關系有一個明確而具體的看法，以便將人和他們的利益置于系統的中心。

現代戰爭越來越多地在信息環境中進行，通過開源媒體使用欺騙和影響技術。北約國家的政府、學術界和工業界已經通過開發各種創新的計算方法，從大量的媒體內容中提取、處理、分析和可視化有意義的信息來做出回應。然而，目前仍不清楚哪些（組合）工具能滿足軍事分析人員和操作人員的要求，以及是否有些要求仍未得到滿足。為此，加拿大DRDC和荷蘭TNO啟動了一項合作，以開發一個標準化和多方位的媒體分析需求圖。本文介紹了該合作的第一階段所完成的工作。具體來說， (1) 開發了一個可能的媒體分析工具功能框架；(2) 收集了CAN和NLD利益相關者的當前用戶需求；以及(3) 分析了差距，以顯示哪些用戶需求可以通過哪些功能來滿足。這個項目直接建立在SAS-142的基礎上，通過使用互聯網開發科學和技術評估框架（FIESTA）。本文說明了FIESTA在兩個突出的媒體分析能力中的應用：（1）情緒分析和（2）敘事分析。研究結果表明，盡管這些能力有一些獨特的功能，但它們有非常多的共同功能。因此，研究和開發工作可以通過專注于獨特（新穎）的功能，同時回收多用途的功能而得到優化。通過將FIESTA應用于多種媒體分析能力并與多個北約國家合作，這些效率的提高可以成倍增加。

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

引言

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

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

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

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

如何在海戰領域整合人工智能？

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

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

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

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

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

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

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

圖1. 海上人工智能系統的擬議架構

建議

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

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

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