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

在作戰環境日益復雜的時代，先進機器和自主系統的集成有可能重塑未來戰爭的實施方式。隨著軍事理論轉向多域作戰，以應對多極世界和大規模沖突的回歸，軍隊必須創新其維持戰略，以滿足現代戰爭的復雜需求。這一發展對于增強軍隊的機動性、應變能力以及在有爭議和動態沖突地區支持分散、聯合和技術一體化部隊的能力至關重要。在這方面，人機協同（HMT）和人機自主協同（HAT）這兩個新興范例尤其具有發展前景，它們將人類的適應性與自動化和機器人技術的精確性和效率相結合，在各種軍事后勤和醫療活動中具有變革潛力。雖然這兩個概念涉及維持網絡的不同方面，但它們協同合作，有望更快地為關鍵支持功能提供更強大、更準確的解決方案。

因此，本文探討了這些范例在重新定義歐洲陸軍前方維持行動方面的潛力，強調了它們在軍隊（再）補給、戰場維修/維護和醫療支持服務方面的作用。本文強調，雖然這些創新會帶來挑戰，包括技術限制和行動整合障礙，但歐洲軍隊必須適應并為未來鋪平道路，在未來，人類專長和自主能力將相互促進，以維持任務并確保行動效力。

指揮與控制（Command & Control）：由適當指定的指揮官對指派和所屬部隊在完成任務過程中行使權力和指揮。指揮與控制職能通過人員、設備、通信、設施和程序的安排來實現，指揮官在完成任務的過程中對部隊和行動進行規劃、指揮、協調和控制。

從歷史上看，從戰略到戰術層面的多域指揮控制一直是美軍的重要競爭優勢。要為全域數字時代重新構想聯合和聯合 C2，首先需要接受現有的定義或提出新的定義。本文選擇接受現有定義。然而，即使 C2 的定義保持不變，人工智能、機器人和自主系統以及其他新興技術（如下一代無線技術、量子計算和先進傳感技術）的顛覆性特征也使在未來作戰環境中，規劃和行動期間執行全域 C2 的方式極有可能需要發生重大變化，甚至可能是轉型性變化。本文將探討這些潛在變化的輪廓。

根據上述理論定義的延伸，人工智能增強型 C2 應使人類有能力做出更好、更明智的決策，即使在與同級對手進行高端作戰的異常激烈和混亂的條件下，也能提供超越對手的決策優勢。人工智能增強型 C2 包括武器系統、網絡以及連接傳感器、系統、武器和人員的底層 IT 架構，所有這些都旨在加強跨時空的行動協調和效果同步。它將協助指揮官、分析人員和作戰人員處理來自所有領域和比以往更多來源的海量數據以及非機密和機密信息，為規劃、分析、瞄準、執行和評估提供重要見解。人工智能增強型 C2 應為作戰行動提供指導、信息和評估，在所有領域建立共享意識，為實現任務、戰役、戰略和大戰略目標提供支持。

顯而易見，只有在和平時期、危機和沖突中取得的成果明顯優于在沒有人工智能的相同情況下取得的成果時，人工智能增強型 C2 才是有利的。換句話說，投資回報必須證明在全域軍事行動中整合人工智能所花費的時間和金錢是合理的。對人工智能的投資還必須考慮優先考慮人工智能而不是升級現有系統或部署更傳統但經過驗證的 C2 技術所帶來的機會成本。雖然更快的 C2 速度往往至關重要，但就 OODA 循環而言，人工智能的目標應該是在對手的 C2 系統、網絡和決策過程中產生摩擦、破壞和混亂的同時，提高節奏和敏捷性--旨在獲得相對和暫時的 OODA 循環優勢，而不是絕對和持久的 OODA 循環優勢。

與軍事行動的所有其他方面一樣，C2 也高度依賴于具體情況和背景。在做出決策和采取行動之前，或在人類批準自主系統和人工智能代理代其行事之前，人工智能若能幫助人類獲得對局勢的豐富背景理解--豐富 OODA 循環的觀察和定位階段--則將發揮最大功效。

在未來的沖突中，特別是在與同行競爭者的沖突中，以及在雙方都面臨大量機器人和自主系統的情況下，人工智能將是美軍及其盟友和合作伙伴保持優勢的關鍵。事實上，今天的理論是，如果不在聯合部隊和聯盟部隊中廣泛采用人工智能增強系統，軍隊將無法取得成功，尤其是在與俄羅斯等同級對手的沖突中。正如國家人工智能安全委員會在其 2021 年的最終報告中告誡的那樣，“在未來幾十年中，美國只有加快在指揮與控制、武器和后勤方面采用人工智能傳感器和系統，才能在與技術先進的對手的較量中獲勝”。

在對人工智能增強型 C2 的概念進行更詳細的探討之后，提出了三種不同的情景，以說明未來作戰環境中可能出現的各種結果--革新、倒退和演變，從而對這一案例的理論進行檢驗。我概述了每種情景最突出的特點，隨后解釋了為什么一種結果比其他兩種結果更有可能發生。最后，對指揮通信的持久性和在人工智能支持的未來作戰環境中重新設想任務指揮的必要性進行了反思。

人工智能（AI）在塑造未來技術格局方面舉足輕重。多智能體強化學習（MARL）已成為一項重要的人工智能技術，可用于模擬各個領域的復雜動態，為高級戰略規劃和自主智能體之間的協調提供新的潛力。然而，由于缺乏可解釋性（可靠性、安全性、戰略驗證和人機交互的關鍵因素），它在敏感軍事環境中的實際應用受到限制。本文回顧了 MARL 在可解釋性方面的最新進展，并介紹了新的使用案例，強調了可解釋性對于研究智能體決策過程的不可或缺性。首先對現有技術進行了批判性評估，并將其與軍事戰略領域聯系起來，重點關注模擬空戰場景。然后，引入了新穎的信息論可解釋性描述符概念，以分析智能體的合作能力。通過研究，旨在強調精確理解人工智能決策的必要性，并使這些人工生成的戰術與人類的理解和戰略軍事理論相一致，從而提高人工智能系統的透明度和可靠性。通過闡明可解釋性在推進MARL用于作戰防御方面的至關重要性，該工作不僅支持了戰略規劃，還通過有見地和可理解的分析支持了對軍事人員的訓練。

作戰決策

深度 RL 涉及神經網絡在兵棋推演等復雜和真實世界環境中的決策。然而，由于難以解釋其結果，這些網絡經常被視為黑箱模型。可解釋強化學習（XRL）指的是解釋和理解強化學習模型決策過程的能力，讓人們深入了解在特定情況下采取某些行動的原因。XRL 面臨的挑戰包括與科學評估和操作可靠性相關的風險、缺乏普遍接受的評估指標，以及為復雜任務提供全面解釋的難度[3]。盡管存在這些挑戰，但在軍事行動中，采用有效的可解釋性方法來理解模型輸出對于診斷錯誤、提高模型性能和理解錯綜復雜的智能體行為尤為關鍵。這些方法在建立軍事人員之間的信任、確保安全關鍵任務的透明度以及促進遵守嚴格的操作和監管標準方面發揮著至關重要的作用。在復雜而敏感的軍事場景中，XRL 使指揮官和決策者能夠解釋和證明人工智能驅動的戰略和行動，從而做出更加明智和負責任的決策。此外，精確的可解釋性（即正確可靠的解釋）有助于更好地進行風險評估和管理，改善人類與智能體之間的協調，并支持將先進的人工智能系統集成到現有的軍事框架中，同時保持作戰的可靠性和有效性。空戰模擬涉及復雜的決策過程，智能體必須在瞬間做出決策以實現戰略目標。這些模擬通常涉及眾多因素，包括機動、瞄準、規避威脅、燃料管理以及與其他單元的協調。舉例來說，考慮以下場景：智能體檢測到敵軍導彈來襲。為了反擊，它迅速釋放照明彈并進行桶形翻滾，以迷惑導彈的熱傳感器并躲避敵方的瞄準。在這一場景中，對導彈的觀察是執行釋放照明彈和桶形翻滾動作的重要特征。

本文回顧了 MARL 在可解釋性方面的最新進展，并介紹了一些新穎的使用案例，這些案例突出了 MARL 在模擬空戰場景（圖 1-1）中分析智能體決策過程的關鍵作用。通過研究這些進展，我們強調了可解釋性在理解和改進智能體行為方面的重要性，尤其是在應用于軍事模擬等復雜環境時。我們的論文不僅僅是一份調查報告，它還探討了可解釋性如何加強戰略規劃、促進人類與人工智能的協作，以及確保人工智能在關鍵任務行動中做出的決策值得信賴。通過這些見解，我們旨在證明可解釋 MARL 在高風險場景的研究和實際部署中的緊迫性。

空中強化學習

目前有多種結合 RL 和 MARL 的方法，用于訓練空戰場景中的智能體。這些方法不僅限于戰斗機的狗斗機動，還包括無人機群（UAV）和不同類型的飛機（異構智能體）。

小規模交戰中的空戰通常側重于通過 RL 控制飛機，以便在幾乎沒有還擊風險的情況下獲得對對手有利的位置。早期控制飛機的方法包括專家系統或帶有學習分類器的混合系統，而較新的方法則依賴于 RL。為了學習更強的 CoA，使用 RL 方法的模擬空戰方法依賴于更先進的技術，如深度 Q 網絡（DQN）、深度確定性策略梯度（DDPG）、課程學習方法或包含自我博弈的方法，即智能體與自身的副本進行博弈。

另一方面，更大規模的交戰側重于高層次的戰術決策或武器-目標分配，即 CoA 的規劃。在這種情況下，考慮到維度過程，MARL 方法通過利用單個智能體內部的對稱性，尤其適用。在這一領域，有一些使用多智能體 DDPG、分層 RL 或基于注意力的神經網絡的先進方法。我們之前的一項工作包括一個具有注意力機制的分層 MARL 模型，該模型使用近端策略優化（PPO）進行訓練。在我們的工作中，我們還考慮了異構智能體，這在文獻中似乎很少見。加入異構智能體會增加協調的復雜性，因為智能體可能不了解彼此的技能和能力。

空戰可解釋性方法

現在回顧相關工作部分所回顧的 XRL 類別，隨后將它們與空戰場景的多智能體領域聯系起來，以強調理解人工智能戰術的益處和不可或缺性。前三種方法（策略簡化、獎勵分解和特征貢獻）屬于被動解釋類別。這類解釋側重于短時間范圍，根據即時行為提供反饋。例如，“飛機為什么發射導彈？”這樣的問題可以通過 “對手進入武器交戰區（WEZ）”這樣的即時激勵來回答。這些解釋往往側重于個人行為，而不是更廣泛的戰略考慮。相比之下，積極主動的解釋考慮的時間跨度更長，更適合解釋戰略決策。例如，它們可以解釋為什么在特定情況下，某些擁有特定技能的智能體被設置為防御模式，而其他智能體則采取攻擊性戰術。因果和層次 RL 模型可以提供這類解釋，為空戰中的長期戰略和協調演習提供見解。

• 策略簡化

在深度 RL 中，神經網絡被用作函數近似器來學習決策函數，可以是策略，也可以是 Q 函數，在我們的分析中，我們側重于前者。策略簡化指的是降低策略的復雜性，使其可以被人類解釋的過程。具體做法包括：以決策樹的形式學習策略，跟蹤每個決策步驟；將學習到的策略作為 “if-then ”規則集（如模糊規則）；使用狀態抽象法將相似的狀態分組，降低狀態空間的維度；或使用高級的、人類可讀的編程語言來表示學習到的策略。這些方法的主要優點是簡單易用，因為這有利于產生解釋并增強對系統的信任。在動態相對簡單、智能體較少的環境中，即使是在不可預見（和簡單）的空戰場景中，這些方法也能充分推廣和擴展，以提取有意義的解釋。然而，在任務目標眾多、智能體技能各異的更復雜環境中，這種方法可能就不適用了，因為解釋往往是靜態的。這種方法的主要缺點是模型性能與可解釋性之間的權衡：隨著可解釋性水平的提高，模型的準確性往往會降低。在模擬空戰場景中，逼真度對產生有價值的見解至關重要，因此保持模型的高準確性非常重要。這通常需要復雜的模型，涉及精密的神經網絡、廣泛的超參數調整、先進的訓練算法和高度動態的環境。雖然策略簡化會限制策略表示的類型，從而影響整體性能，但它可以作為一個實用、高效的起點。簡化后的策略可以有效訓練和解釋空戰智能體的基本控制動作，為未來的迭代打下基礎，從而隨著場景復雜度的增加，在可解釋性和準確性之間取得平衡。

隨著人工智能（AI）領域的飛速發展，這些技術的變革潛力對國家和國際安全產生了深遠的影響。因此，全世界的政策制定者和監管者越來越認識到，迫切需要超越國界和個人利益的共同理解，尤其是在人工智能應用于安全和國防領域的情況下。

然而，國家和非國家行為者之間在人工智能、安全和防衛方面缺乏既定的全球合作框架，這構成了一項重大挑戰。這種共同治理的缺失導致技術進步不協調和各自為政，給國際和平與安全、穩定和繁榮帶來嚴重后果。然而，各國與非國家行為者合作的愿望日益強烈。各國認識到，這種參與至少可以為治理方法和解決方案提供信息，并確保其制定、采納和實施都有據可依。此外，它還可以確保行業、民間社會組織、研究、技術和科學界以及學術界的認識和支持。

高層也有同感：聯合國秘書長在其《和平新議程》中強調，必須 “確保工業界、學術界、民間社會和其他部門的利益攸關方參與 ”制定 “關于通過多邊進程設計、開發和使用人工智能軍事應用的規范、規則和原則”。因此，迫切需要建立、促進和支持一個獨立、中立和可信賴的平臺，該平臺將促成多方利益攸關方對話，并為軍事領域負責任地開發、獲取、部署、整合和使用人工智能技術孵化治理途徑和解決方案。

• 優先領域 1：建立知識庫

通過跨地區、跨學科和多方利益相關者的投入，在軍事領域建立一個共享的、堅實的人工智能知識庫。

• 優先領域 2：建立信任

建立對技術和他人的信任

• 優先領域 3：人的因素

解讀人工智能系統在軍事領域的開發、測試、部署和使用中的人的因素

• 優先領域 4：數據實踐

了解和解讀軍事領域負責任人工智能的數據實踐

• 優先領域 5：生命周期管理

了解人工智能系統的生命周期影響（包括生命周期的終結），在軍事領域推廣負責任的人工智能

• 優先領域 6：不穩定

了解與人工智能有關的破壞穩定問題的驅動因素、手段、方法和應對措施，包括人工智能系統促成、誘發和倍增的破壞穩定問題

隨著人工智能（AI）領域的飛速發展，這些技術的變革潛力對國家和國際安全產生了深遠的影響。因此，全世界的政策制定者和監管者越來越認識到，迫切需要超越國界和個人利益的共同理解，尤其是在人工智能應用于安全和國防領域的情況下。

然而，國家和非國家行為者之間在人工智能、安全和防衛方面缺乏既定的全球合作框架，這構成了一項重大挑戰。這種共同治理的缺失導致技術進步不協調和各自為政，給國際和平與安全、穩定和繁榮帶來嚴重后果。然而，各國與非國家行為者合作的愿望日益強烈。各國認識到，這種參與至少可以為治理方法和解決方案提供信息，并確保其制定、采納和實施都有據可依。此外，它還可以確保行業、民間社會組織、研究、技術和科學界以及學術界的認識和支持。

聯合國秘書長在其《和平新議程》中強調，必須 “確保工業界、學術界、民間社會和其他部門的利益攸關方參與”，“通過多邊進程，圍繞人工智能軍事應用的設計、開發和使用制定規范、規則和原則”。因此，迫切需要建立、促進和支持一個獨立、中立和可信賴的平臺，該平臺將促成多方利益攸關方對話，并為軍事領域負責任地開發、獲取、部署、整合和使用人工智能技術孵化治理途徑和解決方案。

為擴展做好準備

可擴展性是指組織的績效如何應對工作量的重大變化。工作量可能在數量（更多或更少的相同產品）或類型（現有產品和服務或新產品和服務）上發生變化，對組織當前的規模和形態構成挑戰。

最近發生的事件（如 COVID-19 大流行病）迫使許多組織--公共組織、私營組織和目的組織--迅速擴大規模：向上、向下、向內、向外。而這往往是在沒有通知或預警的情況下發生的。對于澳大利亞國防軍（ADF）來說，《2023 年國防戰略審查》強調了戰略預警時間概念的消失，并呼吁國防部門進行 “加速準備”。這是對國防組織內部可擴展性進行審查的強烈提示。

可擴展性一詞在行政術語中經常被提及。但可擴展性作為一個概念、理論和實踐指導，并沒有以連貫的形式存在于國防或任何其他組織中。本文正是在這一缺陷上邁出的一步。

這項工作的關鍵前提是，一個組織可以增強其可擴展性。可以通過合理的可擴展性設計和有影響力的可擴展性響應來實現這一點。但是，可擴展性是一門藝術--既需要科學（專業技術知識），又需要 “了解業務 ”的藝術形式。還以了解運行環境的變化為前提。完善一門技藝需要一定的知識和實踐--在需要進行操作之前。本文提供了開始可擴展性之旅的必要基礎知識，無論業務是作戰、領導公共機構、實現盈利還是經營慈善機構。考慮到國防部門在應對快速變化的戰略環境時面臨的可擴展性挑戰，本文的見解可以為那些負責領導變革的人員提供組織復原力的保證。

可擴展性領導的任務是 “發現并解決 ”任何擴展應對措施都會遇到的一系列約束條件。無論是領導組織層面還是領導單個業務流程，這一點都適用。無論如何，作為領導者，都需要具備可擴展性思維、感知能力和擴展戰略。需要了解一階可擴展性和二階可擴展性之間的區別，當然也需要了解組織是如何創造價值的，以及它的能力組成部分。本文將介紹可擴展性的這些方面和其他方面。

美國特種作戰司令部（USASOC）的任務是在國內和國際上協調和支持特種作戰部隊。該組織面臨的一個摩擦點是收集簡明的數據，告知行進的士兵與他們的目的地有關的重要因素。該項目旨在匯總不同的數據，為前往任何國家的申報或未申報人員建立風險模型。指揮部作戰網絡的風險評估或RECON系統收集開源數據，將其匯總，然后進行評估，產生一個風險評估，供指揮官解釋。然后，匯編的信息將被提交給前往海外的部隊指揮官，使他們能夠做出更有風險的決定。

方法

為了給USASOC的指揮官創建儀表板，以協助他們確定向國外派遣士兵的風險，問題被分成兩個部分：定量和定性分析。第一部分涉及開發一個模型，通過收集定量數據來衡量一個國家檢測個人數據簽名中的異常的意愿和能力。然后將其落實到隨機森林回歸模型中，以預測風險分數。第二部分是向指揮官提供定性數據，以使預測的風險分數具有背景性。這是通過網絡搜索國務院旅行咨詢、推特、Reddit和其他網站來收集的，以顯示每個國家內與潛在威脅有關的當前事件。然后將其編入Streamlit上的一個用戶友好型儀表板，提交給指揮官。請參閱第4頁的圖3，該圖概述了從最初輸入派往特定國家的個人行進者的情況，到最后實現用戶友好型Streamlit儀表板的過程。

聯合全域指揮與控制（JADC2）是一項在信息共享方面的巨大工作--感知、理解和行動，以增強聯合部隊指揮官的作戰能力。這一工作將利用物質和非物質的解決方案，并修改現有的政策、權力、組織結構和操作程序。JADC2的目標是賦予美軍聯合部隊奪取、維持、保護、獲得信息和知識，以及保持決策優勢和優越性的能力。美國防部專家提出了一些挑戰和問題，包括但不限于：JADC2相關工作的組合管理的需要、JADC2內部的決策權力結構、可負擔性和具體的預算分配、擬議技術的技術成熟度以及最佳技術系統設計和生命周期管理。本文從學術/科學的角度審視JADC2，以確定各領域（工程、科學和社會科學）的學術機構可以為創建一個最先進的聯合全域指揮與控制系統做出貢獻的多種機會。

1 引言

美國軍隊在一個不斷變化的作戰環境中運作，需要快速適應不斷變化的環境。在這樣一個動態環境中，實現和保持信息優勢是最重要的。為此，美國國防部（DoD）建立了聯合全域指揮與控制（JADC2），這是一個旨在提高聯合部隊C2能力的倡議和概念（Hoehn，2022）。然而，由于國防部內部各部門之間存在著巨大的差異，JADC2的發展和實施需要付出相當大的努力，以考慮所有利益相關者和參與機構的不同需求和觀點。

為了指導和監督JADC2的開發和實施，已經成立了一個跨職能的團隊，該團隊將與國防部副部長相關的工作人員合作，該團隊由來自不同機構的高級行政服務（SES）級別的成員組成，例如，國防部、國防部長辦公室、國防高級研究計劃局、空軍、陸軍和海軍（Hoehn，2022）。這個團隊的主要目標和重點是以實施計劃的形式確定和實施指揮和控制的改進。

本文概述了JADC2倡議的現狀，提供了一系列建議，并確定了幾個機會來解決和改進JADC2在技術、組織和數據企業等多個領域的一些關鍵挑戰。本文首先介紹并概述了與聯合性和JADC2有關的重大挑戰。它簡要介紹了JADC2的歷史，然后是JADC2的一般概念性概述。本文的下一部分提供了一套技術和概念解決方案，以及研究、開發和采購技術所需的方向，這些技術將使國防部實現一個有彈性和優雅的JADC2高級解決方案。

2 研究歷史與進展

在JADC2倡議之前，獨特的指揮和控制系統（C2）由每個部隊獨立擁有和運行（Hoehn, 2022; McInnis, 2021; Theohary, 2021; Woolf, 2021）。從歷史上看，每個軍種都開發和獲得了自己獨特的戰術指揮和控制網絡，在不同的武器系統、平臺和操作領域往往不兼容。因此，決策的時間周期和決策所需的關鍵時間敏感數據的傳輸是緩慢的、冗余的和組織上的管道（高級戰斗管理系統，2022），除了地理上分離的指揮單位外，空中、陸地、海上、太空和網絡空間等領域也被分開處理（國防部，2022；費克特，2022；奧羅克，2021；西奧哈里，2021）（高級戰斗管理系統，2022；國防部，2022；美國武裝力量學說，2013）。雖然不同部隊擁有的多個指揮和控制系統使得高度專業化和有效的解決方案得以開發和實施，但它也需要各方面的巨大努力，并限制了所有部隊之間的威脅反應能力和信息共享（Feickert, 2022）。

傳統的C2系統有一個缺點，就是可能容易受到對手的反介入和拒絕攻擊。對手的反介入/區域拒止（A2/AD）戰術，包括電子戰、網絡武器、遠程導彈、先進的防空系統和GPS拒止，可以影響我們的作戰能力和依賴傳感器和技術的決策周期（先進作戰管理系統，2022；弗里德曼，2019；聯合學說出版物5指揮與控制，2012；克雷舍爾，2001）。此外，目前的威脅不再局限于個別領域，這使得我們很難用專門的和部分孤立的解決方案來應對。因此，國防部領導人表示需要以廣泛的方式擴大信息的獲取，以提高整體的靈活性和對來自不同方向的緊急情況的準備（Doctrine for the Armed Forces of the United States, 2013; Jointness - A Selected Bibliography, 1993; Kirtland, n.d.; Transforming the Joint Force, 2003; Woolf, 2021）。

JADC2倡議和擬議的共享基礎設施將加強和提高所有武裝力量和服務的有效性。這樣一個共享的基礎允許同時和連續的行動，以及所有領域的能力的持續整合。近年來，為了聯合特定的行動領域并利用聯合信息和技術的優勢，已經做出了重大努力，如空地戰概念（Kirtland，n.d.）、DARPA的馬賽克戰爭計劃、空軍先進作戰管理系統（ABMS）、海軍的超配項目和陸軍的融合項目（Congressional Research Service，2021b）。在其他國家，如荷蘭和印度，也有不同形式的聯合工作報告（Birch等人，2020；國會研究服務，2022；Nardulli等人，2003）。此外，在2019年和2020年進行了JADC2測試（McInnis，2021）。由于復雜性不成比例的增加，傳感器網絡的連接性越來越強，以及超過人類認知能力的新穎而復雜的聯合技術，到今天為止，還沒有任何特定的解決方案被廣泛實施。

已確定的幾個挑戰如下：

• 需要更多的批準步驟來整合多個領域（Builder等人，1999）。
• 規劃者在相關的多領域操作方面沒有足夠的專業知識，也無法獲得相關的信息（Builder等人，1999）。
• 對多域作戰通信系統的依賴性增加（Builder等人，1999）。
• C2遺留系統的不相容性
• 存在單一領域或以服務為中心的思維方式，以及文化和組織偏見（Builder等人，1999）。
• 整合多個領域增加了統一工作的風險
• 管理方面和預算分配（Alberts & Hayes, 2006）。
• 部門間的沖突和競爭（Alberts & Hayes, 2006）。
• 重疊的組織結構（Hoehn, 2022）。

這些挑戰不僅影響到JADC2的技術或文化可行性，而且也對國會在預算和資助這一重大努力方面構成挑戰（國會研究服務，2021b）。JADC2計劃將解決和應對這些挑戰。

3 聯合全域指揮與控制概念和框架

JADC2設想了未來聯合部隊的指揮和控制能力。它的目標是建立一種作戰能力，能夠在戰爭的各個層次和階段，在所有領域，與合作伙伴合作，有效地感知、解釋和回應。最終目標是以前所未有的速度和相關性提供信息優勢（Alberts & Hayes, 2003; Kirtland, n.d. ）。JADC2戰略采用了系統方法，整合了各種能力、平臺和系統，旨在加速實施聯合部隊C2的必要技術進步和理論變革。JADC2將使聯合部隊能夠使用大量的數據并將其轉化為信息和知識，采用自動化和人工智能，利用安全、有彈性和可適應的基礎設施，并在對手的決策周期內采取行動（Builder等人，1999）。為了解決這些問題，已經制定了一個實施計劃，并任命了一個團隊來監督這個過程。該小組由來自作戰司令部、各軍種、國防機構以及聯合和OSD工作人員的跨職能SES級成員組成。

3.1 感知、理解和行動

感知（Sense）：為了確保聯合數據對所有部隊/軍種和聯合部隊指揮官的可用性和有用性，需要一個共同和共享的感知方法和信息管理技術。該方法要求在作戰環境中可以進行信息收集和提供，并交付給接收者。JADC2結合先進的信息管理技術，實施了一種新穎的數據共享方法。這些網絡是在聯合數據 "結構 "的基礎上建立的，并使聯合部隊能夠實現可用于決策的信息。通過傳感和整合，有可能 "發現、收集、關聯、聚合、處理和利用來自所有領域和來源（友好、敵方和中立）的數據"，并 "分享信息作為理解和決策的基礎"（Kirtland, n.d.）。

理解（Make Sense）：理解的過程包括分析、理解和預測作戰環境以及對手和友軍的行動。在這個階段，數據被轉化為信息，而信息又被轉化為知識。理解需要有能力融合、分析和呈現來自所有領域和電磁頻譜的有效信息。這一階段的一個主要要求是提供安全以及可訪問的信息執行。JADC2開發的能力將利用人工智能和機器學習（ML）來加速聯合部隊指揮官的決策周期（Builder等人，1999；Kirtland，n.d）。技術和程序上的進步也將大大增強聯合部隊在C2降級環境中的作戰能力。

行動（Act）：行動是指作出并向聯合部隊及其任務伙伴傳播決策。這一階段將決策的人的因素與技術手段相結合，以感知、理解和預測對手的行動和意圖，并采取行動。這一步驟包括決策分析、傳達決策和執行階段。新穎的決策支持應用將通過先進的、有彈性的和冗余的通信系統、可利用的和全面的運輸基礎設施以及靈活的數據格式在聯合部隊之間實施，以實現決策的快速、準確和安全傳播。"行動 "還意味著為聯合部隊提供適當的培訓。使用任務指揮的方法，下級指揮官通過了解高級指揮官的行動意圖，被賦予了信心和權力，同時在通信聯系中斷或行動的緊迫性排除了尋求指導的必要時間時，保留了采取行動的能力。任務指揮部為聯合部隊提供了奪取主動權、保持信息和決策優勢所需的敏捷性和信任（Kirtland，n.d.）。

圖1. JADC2行動鏈和過程

3.2 工作路線(LOEs)

JADC2戰略是圍繞五個LOE組織的，以指導該部在提供能力方面的行動，包括數據事業、人力事業、技術事業、與核C2和C3整合，以及使任務伙伴的信息共享現代化。每個LOE都由一個主要責任辦公室指導，該辦公室由高級旗幟/SES人員代表，可以通過聯合能力委員會提出問題，與聯合需求監督委員會互動并提供支持（國會研究服務，2021a）。

LOE 1: 建立數據事業 - 第一個LOE涉及數據結構和基礎設施。作為一種戰略資產，數據必須由JADC2有效管理，以使其能夠抓住、保持和保護信息和決策優勢。為了加速決策過程，聯合部隊必須能夠發現和獲取所有戰爭級別的所有作戰領域中的任何數據和信息。以下關鍵的數據標準化目標已被確定為對JADC2至關重要：

• 建立最低限度的元數據標記標準
• 采用和使用標準化的數據接口
• 實施共同的數據可用性和訪問實踐
• 納入數據安全的最佳實踐
• 建立符合JADC2的信息技術（IT）標準
• 繼續應用數據戰略目標（可見、可得、可理解、可聯系、可信賴、可互操作、可安全）。(Kirtland, n.d.)

LOE 2：建立JADC2人力事業--第二個工作重點涉及利用人工智能和機器學習等創新工具在指揮和控制能力方面的人類和組織表現。這個LOE的任務還包括改革、調整或創建具有結構、敏捷性和資源的組織，以更有效地結合聯合部隊及其任務伙伴的物質和信息力量，從而能夠對聯合信息優勢（JIA）行動進行有效控制（Kirtland，n.d.）。人力企業還將解決領導者的專業發展和培訓問題，并指導和支持JADC2的政策、行動概念（CONOPS）、理論以及戰術、技術和程序（TTPs）的發展，以優化通過JADC2新能力獲得的優勢。

LOE 3：建立JADC2技術事業--第三個目標任務涉及增強共享態勢感知、同步和異步全球協作、戰略和作戰聯合規劃、實時全球部隊可視化和管理、預測部隊準備和后勤、實時同步和整合動能和非動能聯合和遠程精確火力，以及增強評估聯合部隊和任務伙伴表現的能力（Kirtland, n.d.）。技術企業需要提供安全的、具有足夠速度和帶寬的全球通信網絡，以滿足戰爭需要。LOE 3還涉及JADC2的運輸基礎設施，以及確保連續C2能力所需的基本最低功能（通信系統的彈性和多樣性，多級安全，消除單點故障）。

LOE 4： 將NC2/NC3與JADC2結合起來--JADC2將具有與核C2通信協作的能力，因此應在技術和人力企業層面考慮對NC2的要求（Kirtland，n.d）。

LOE 5： 使任務伙伴信息共享現代化--最后一個LOE描述了JADC2的機構互操作性需求和組織架構。聯合部隊指揮官將通過與任務伙伴共享態勢感知，建立并保持對作戰環境的共同理解。當每個伙伴的C2系統的數據可以被其他每個被批準的伙伴訪問、查看和采取行動時，這種整合就實現了（Kirtland, n.d.）。然而，這個LOE中的一些挑戰性任務包括新出現的任務、大型聯盟和不斷發展的技術，這些都是實現這一目標的持續障礙。

圖2. JADC2的工作路線

圖3. JADC2的指導原則、能力和提出的問題摘要

3.3 JADC2的系統性和生命周期觀點： 未來機遇和所需的研究

聯合全域指揮與控制（JADC2）概念建議將所有軍種--空軍、陸軍、海軍陸戰隊、海軍和太空部隊--的傳感器連接成一個網絡。為了實現這一目標，國防部正在追求一些新興技術的整合，包括自動化和人工智能、云環境和新的通信方法。然而，要將多種新技術整合并注入大型遺留系統（SoS），系統和生命周期方法是必不可少的，以確保一個復雜的、具有成本效益的、低風險的、高能力的、獨特的系統，為我們的軍事部門提供一套無與倫比的獨特能力。

在JADC2中有多個組織、技術、社會文化和企業層，它們之間存在著長期的相互作用。對JADC2系統的要求是將遺留系統整合成新穎的、顛覆性的和尖端的技術，這些技術需要以高度可靠、高效和具有成本效益的方式順利地共同工作。因此，作者提出了一個系統的方法來確定這樣一個復雜系統的機會和風險，以確保這一偉大事業的成功。在這一節中，作者提出了JADC2所面臨的多個系統性和生命周期的機會和風險群，并為每個確定的機會提供研究方向和解決方案。

本文討論了五組機會。第一個機會是需要在各軍種/部隊之間建立以文化為中心的新型互操作協作機制，以確保在空軍、陸軍、海軍、海軍陸戰隊、太空部隊和其他國防部門之間形成最佳的協作實踐。第二個機會討論了對決策科學、情景分析和社會文化上的博弈論修改的創新和研究的迫切需求。目前的博弈論應用僅限于理性和一致的行為者，而美國經常面對的對手是部分理性和/或非理性的，其行為的一致性可能有限。第三個機會討論了對日益增長的相互連接的傳感器、決策者和射擊者的網絡進行復雜性管理的必要性。隨著來自所有部隊的傳感器網絡的遺留系統被聯合起來，過剩的網絡復雜性的風險上升，因此，對連接遺留網絡的彈性架構的需求至關重要。作者建議建立一個由硬件和軟件組成的通用翻譯機靈活網絡，以連接所有現有和未來的異質傳感器和資產網絡。第四個機會討論了為JADC2采購項目建立一個新穎而強大的組合管理框架的必要性（以管理、優化、整合和資助JADC2相關的項目和采購項目）。JADC2由軟件、硬件和組織層面的多個采購項目組成，這些項目與當前的遺留系統和現有系統不同步地注入，因此需要高水平的組合管理來協調JADC2生命周期內的多個項目和任務。最后，機會5討論了JADC2作為SoS在以下領域的需求和MBSE的必要性：物資、非物資、政策、權力、組織結構和操作程序（Nilchiani, 2022）。

• 機會1：在服務機構之間建立新的以文化為中心的可操作的合作機制

美國防部的所有部門和部隊都擁有獨特的文化和組織遺產、歷史和溝通方式，他們的資產由遺留系統和各種技術的最新進展組成。JADC2的工作重點（LOEs）之一是人力企業，它涉及JADC2實施的人力和組織方面。然而，問題仍然是什么是JADC2中部隊之間最理想的合作和協作的最佳組織結構？為了滿足JADC2的要求，有哪些潛在的部隊結構變化是必要的（Congressional Research Service, 2021b）？

國防部需要一個獨特的獨一無二的方法來加入部隊，承認每個加入組織的個性和組織身份，獨特的傳統，以及各部隊和部門的價值觀。一個成功的合作解決方案要求不同部門和部隊的有機和最佳合作，同時盡量減少部門間的沖突。這樣一個新穎的解決方案將需要基于最先進的組織身份研究、對每個部隊的價值觀和傳統的歷史和人類學研究，并提出在自愿和相互同意的合作中出現的有機解決方案。JADC2的聯合因素和人類企業需要提供一個獨特的組織解決方案/藍圖，這不是單靠技術就能解決的。圖4總結了第一個機會和相關建議。

建議： 投資于一個獨特的、長期的、文化上的解決方案/組織藍圖的聯合，它具有動態的持久性，而不是有限的、短期的 "解決方案"，不能解決核心的平等、角色和功能。

需要的學術研究： 組織理論，激勵聯合的動機，組織人類學和心理學，以找到最佳和獨特的聯合和協作架構。

圖4. 組織解決方案/藍圖的需求和要求的概念化

• 機會2：需要創新決策分析和社會文化博弈理論的修正

在JADC2的核心中，有三個行動，即感知、理解和對從傳感器收集和處理的數據采取行動，這些行動是相互交織的。感知和整合提供了從所有領域和來源發現、收集、匯總和處理數據的能力。然后使用機器學習（ML）和人工智能（Builder等人，1999），數據得到融合、分析和驗證。最后一步涉及一個關鍵的決策過程，這是關于機會2的建議的重點。

在行動階段，聯合部隊參與制定并向聯合部隊和任務伙伴傳播決策。這個階段的很大一部分任務是結合以下內容：

• 決策的人的因素
• 感知、理解和預測對手的行動和意圖并采取行動的技術手段。

博弈論解釋了決策者互動的情況下的動態（Priebe等人，2020），并在決策過程中使用了幾十年。博弈論的科學重點主要涉及政治、經濟和生物主題和現象（Priebe等人，2020）。博弈論的第一個重大進展是由Borel（1927年；Alkire等人，2018年）在20世紀20年代與馮-諾伊曼一起取得的，他后來還出版了博弈論的里程碑式出版物之一《游戲與經濟行為理論》（Spirtas，2018年）。最近，經濟學中的博弈論在兩位諾貝爾獎得主約翰-F-納什（Michael等人，2017）和約翰-C-漢薩尼（1967）的推動下取得了巨大的進步。

在博弈論中，模型被建立起來以代表整體情況和動態，其中有四個主要方面被定義：第一，決策者，通常被認為是玩家；第二，每個玩家/決策者可以選擇的策略和行動；第三，可能的結果和成果，這與玩家的行動和策略選擇有關；第四，每個玩家的回報與結果/成果有關（Rapoport，2012）。除了這些方面，情景中的參與者和決策者被認為是單獨的理性的，這意味著在每個參與者的角度對回報的判斷是理性的和有序的，此外，每個參與者都假設其他參與者是理性的（Rapoport，2012）。因此，博弈中的玩家可以將他們的知識和對其他玩家的假設納入他們的策略，并可以做出相應的選擇。博弈論允許對利益沖突情況以及合作進行邏輯分析，因此定義了沖突情況下的理性決策理論（Lawlor，2007）。

然而，目前決策分析和博弈論的方法在JADC2中的整合和使用方面存在不足。博弈論假定理性和一致的行為者/對手是沖突局勢中戰略和決策分析建議的基礎。然而，博弈論中并非所有的行為者/對手都是 "理性的"。在社會文化博弈論的修改中，亟需進行新的研究。這門新的決策分析科學應該考慮到來自不同社會文化背景的對手中的非理性和不一致的參與者，并創建一個修正的博弈理論，根據新的信息制定策略。

與修正博弈論的需要一致，還需要對對手的文化規范、傳統和思維方式進行藍圖/系統了解，如《孫子》中提出的基本文化規范和戰略（Bass等人，2014；JNT-501S聯合行動簡介： 課程，2019），并找到考慮到文化差異、價值觀和方法的最佳決策分析方法。孫子兵法》在遠東地區作為權威的軍事和政治指南已有好幾個世紀，在過去的一個世紀里，西方國家也在翻譯和使用。有必要進行學術研究，將《孫子兵法》的原則轉化為抽象的規則和啟發式方法，并創建一個框架，以便能夠深入了解對手的行動，并為JADC2提出行動中的最佳戰略。作為一個例子，《孫子》中關于勝利的五個要領可以解釋如下：

1）戰斗的時機至關重要（關于盡量減少交戰和優化決策點時機的建議)

2）處理優勢力量和劣勢力量的能力（與不同規模和能力的對手交戰的可伸縮性和能力）

3）在部隊的各個等級中應用相同的作戰原則

4）準備和在毫無準備的情況下對付對手（這將指向監視和情報以及積累模式和作戰藍圖）。

5）軍事能力和行動的可擴展性。

圖5. 修正博弈論中需要推進的概念化

促成這些進展的學術研究包括但不限于：組織理論、激勵聯合的激勵措施、博弈論和對非理性和不一致的行為者/對手的修正，以及提取和理解各種行為者/對手的操作原則，這些原則是有文化依據的，如孫子。

• 機會3：傳感器聯合異構網絡的通用轉譯系統：對不斷增長的互連傳感器、決策者和射擊者網絡的復雜性管理

JADC2的核心技術挑戰之一是整合由所有部隊/軍種管理和運作的高技術含量的傳統傳感器網絡。每個軍種都擁有最先進的情報、監視和偵察傳感器網絡，但這些網絡不一定能與其他部隊的戰術網絡互操作。感應和整合是指發現、收集、關聯、匯總、處理和利用來自所有領域和來源（友軍、敵軍和中立）的數據的能力，并為決策分享信息。有效數據整合的要求必須從數據共享和安全的最早階段開始考慮，并應用于整個作戰領域，以提供快速收集、融合和定制數據（Kirtland，n.d.）。

國防部的戰術網絡和資產的異質性給JADC2帶來了一些挑戰，同時也帶來了巨大的優勢。整合多個異質戰術網絡的技術解決方案有很多，而且很多是次優的。每個解決方案都使用特定的系統結構和技術硬件和軟件解決方案的組合。然而，在選擇整合傳感器網絡的最佳技術方案時，有兩個系統特性是至關重要的：靈活性和復雜性。靈活性是指系統以及時和具有成本效益的方式應對各種內部和外部變化的能力，因此對JADC2傳感器網絡至關重要，因為各種情況可能會出現，需要迅速重新安排相互連接的網絡。架構和技術方案的復雜性增加也會導致網絡脆弱，容易出現錯誤和對網絡的攻擊，因此應控制技術方案的復雜性（Chullen & Nilchiani, 2021; Nilchiani & Pugliese, 2017; Priebe等人, 2020; Pugliese等人, 2018）。

當JADC2尋找合并傳感器網絡的最佳技術解決方案時，有多種因素應予考慮：

• 需要對復雜的網絡進行分割和聯合，特別是要適應以文化為中心的互操作協作機制。

• 如果需要，需要對網絡的關鍵部分進行防火墻（通過與網絡的其他部分隔離來保護）和多層安全（例如，將特定服務功能與聯合功能分開，或者如果網絡受到對手的攻擊）。

• 傳感器集成網絡的所有權和管理權： 在所有互聯網絡上的平等所有權與由部隊保持每個網絡的主要所有權并在需要時共享（軍種、盟國和聯盟）之間進行選擇。

• 如何避免單一的聯合性帶來的脆弱性？每個網絡的異質性應該保持不變嗎？

• 如何隔離對手的破壞行為，為他們對我們網絡的攻擊設置防火墻，并作出反應？

• 如何避免和制止網絡中有意/惡意的傳播？噪聲傳播會延遲傳感器的讀取和對結果的解釋，影響有效的決策過程。

過度的網絡復雜性和連接性導致了錯誤（錯誤傳播和來自于跨服務的誤解）和容易受到對手攻擊的風險。技術解決方案應解決定期管理復雜性的問題，并納入靈活性和能力，以便在必要時重新配置傳感器的異質性網絡。與JADC2工作相關的多個國防部倡議一直在研究技術解決方案，包括馬賽克戰爭（DARPA）、高級戰斗管理系統（ABMS；空軍）、聚合項目（陸軍）、超配項目（海軍）、全網絡化指揮、控制和通信（FNC3；國防部長辦公室）和第五代（5G）信息通信技術（國防部首席信息辦公室）。DARPA的 "馬賽克戰爭 "項目特別關注對靈活性的需求和對不斷變化的環境和場景的反應，因此研究對局勢和環境的重新安排和變化做出快速反應的解決方案。

技術解決方案：用于傳感器聯合異構網絡的通用轉譯系統（Rosetta Stone）

連接所有部隊（陸軍、海軍、空軍、海軍陸戰隊、太空部隊）網絡的技術解決方案需要實現一個系統的彈性、靈活性和對需求的響應，并在國防部面臨的不同情況下產生更大的信息和洞察力。通常情況下，過度連接所有部隊/軍種的所有傳感器和資產可能會帶來一些實質性的問題，包括但不限于：1）傳感器和信息傳輸速度減慢；2）數據收集和傳輸過程中出現錯誤和問題的風險增加；3）面對網絡攻擊時的網絡脆弱性以及失去迅速隔離和遏制攻擊的能力。

作者建議探索一個新的概念，即通用翻譯器基礎設施。這個通用翻譯器將包括一個嵌入式硬件和軟件分布式節點的組合，它將作為所有五個部隊/軍種以及所有國防部機構的聯合網絡傳感器和資產之間的接口翻譯器。圖6顯示了通用翻譯器的網絡概念。

通用翻譯器的特點如下：

• 不同的傳統系統之間的翻譯發生在某些物理硬件和軟件節點上，這些節點位于兩個或多個異質的傳感器網絡之間，屬于不同的部隊。

• 沒有必要投資使來自不同部隊的所有傳感器資產成為一個統一的頻率和標準。通用翻譯器將提供網絡之間的翻譯，而傳統系統可以繼續其正常功能而不會中斷。

• 通用翻譯器可以由多個節點以及冗余組成，可以作為翻譯器的分體式網絡運行，并且可以很容易地擴展、現代化，并在未來用最新的最先進的技術進步進行升級，并根據需求重新安排以創建新的網絡功能和地形。這一概念將提供高度的靈活性、適應性和可升級性，并為所有部隊的所有資產和傳感器增加一層安全和保護。

• 通用翻譯器節點將作為兩個獨立網絡之間的瓶頸，可以作為防火墻機制。如果有必要關閉或隔離受到攻擊的傳感器網絡，可以關閉某些翻譯器節點，這將使被隔離的網絡恢復到其原有的功能。

• 通用翻譯器網絡可以嵌入各種安全層，給每個部隊的網絡提供額外的保護和馬賽克戰爭（DARPA）的新型網絡重新排列和協議的能力。

• 每支部隊還可以作為資產的主要擁有者指揮他們的原始資產（傳感器網絡），以及通過許可和激活通用翻譯機與其他部隊分享他們的數據。來自不同部隊的數據可以被共享，而不需要共享每個網絡背后的詳細藍圖和架構。

圖6. 通用轉譯機/Rosetta Stone基礎設施的概念，以及通用轉譯機基礎設施和軟件在兩個機構/部隊之間轉譯數據的詳細視圖（Nilchiani，2022）。

建議： 投資于一個通用轉譯系統，用于傳感器的聯合異構網絡，該系統可以保留特定服務的功能，同時與聯合功能無縫對接，如果受到攻擊，也可以獨立于網絡的其他部分運行。

• 機會4：與JADC2相關的采購計劃的組合管理

在《聯合全域指揮與控制： 國會的背景和問題》（Hoehn, 2022）中，提出了幾組關于管理JADC2-相關工作、預算、成本估算和需求的問題。在這些問題中，有JADC2的支出重點、倡議以及JADC2相關工作的管理。管理與JADC2相關的多項工作的解決方案是采用行業中組合管理的最佳做法，并創建一個全面的國防部組合管理框架來管理多項工作。通過研究工業界在組合管理方面的最佳創新，可以創建創新的系統和企業級框架，使JADC2的聯合工作人員能夠管理、優化、整合和資助JADC2。

JADC2由數據、人力和技術企業的多種努力組成，適合于硬件、軟件、商業和主要采購。處理多個同時進行的能力采購需要一個基于系統的框架來整合多個項目，以及一個組合管理方法來資助、管理和整合JADC2的多個潛在的非同步采購項目。組合管理框架將需要納入JADC2相關項目的共享治理結構（治理架構）。

學術研究： 多個采購項目的組合管理框架, 共享治理架構

圖7. 對所有與JADC2相關的采購計劃進行組合管理的必要性的構想

• 機會5：JADC2作為一個系統的需要、要求和MBSE

聯合全域指揮與控制（JADC2）是一個在物資、非物資、政策、權力、組織結構和操作程序等領域運作的系統，因此需要系統工程工具和方法來保證最優化的系統。基于模型的系統工程（MBSE）可以幫助以最佳方式回答有關單個技術/項目的采購、生命周期管理、定期升級和向JADC2注入新技術，以及JADC2中各種傳感器和資產的所有權和管理等問題。

MBSE可以幫助確定聯合特定的系統、需求和要求，并指導項目和技術組合的采購過程。關于各種部隊和服務的傳感器網絡如何連接、結構和操作概念的技術問題都可以通過系統方法來實現。MBSE還可以為JADC2的生命周期相關問題找到最佳解決方案，包括識別新的顛覆性技術和與當前遺留系統的整合，以及對JADC2不斷增長的互連傳感器和資產網絡的復雜性管理。

MBSE還可以為各種資產的網絡所有權和架構提供建議和解決方案。例如，在尊重每個部隊對其資產/傳感器的主要所有權的同時，能否成功實現和實施聯合？利用通用翻譯器的概念，每個部門可以保留其對資產和傳感器的主要所有權和指揮權，并根據需要分享所有資產的第二所有權。在極端情況下，主要所有者可以將他們的資產與網絡的其他部分分開，以保護他們的資產或其他部門的資產，并在需要時獨立運作。

4 總結

本文概述了聯合全域指揮與控制的現狀，并通過學術研究與開發（R&D）的視角提出了一系列建議和機會。這套機會強調了研發的必要性以及在知識、技術、程序和能力方面的差距，可以使JADC2成為一個有彈性的、敏捷的、適應性強的共享指揮與控制平臺。

文件中提出了以下機會：機會1：部隊之間以文化為中心的新型互操作協作機制（組織和文化研究）；機會2：決策分析和博弈論創新的必要性（根據對手的社會文化細微差別進行修改）；機會3： 機會3：需要為日益增長的相互連接的傳感器、決策者和射手網絡進行復雜性管理和最佳系統架構設計（作者提出了一個由硬件和軟件組成的通用翻譯網絡概念，以連接國防部所有現有和未來的異質傳感器和資產網絡，這將授權重新安排、重組、擴展和注入最新的先進技術，因為它們可用）；機會4： 機會4：需要一個新的、強大的JADC2采購計劃組合管理框架（管理、優化、整合和資助JADC2相關的項目和采購計劃）；機會5：需要基于模型的系統工程（MBSE），將JADC2作為物資、非物資、政策、授權、組織結構和操作程序等領域的一個系統。

制定量化不確定性元數據的軍事標準是解決利用人工智能/機器學習（AI/ML）軍事優勢所固有的問題。通過提供元數據，美國防部可以繼續確定使用人工智能/機器學習的最佳策略，與能力發展同步進行。這種協調將防止在解決與在作戰系統中實施AI/ML有關的困難技術問題時出現延誤。不確定性量化可以使觀察、定向、決定和行動循環的實際數字實施成為可能，解決在戰爭中使用AI/ML的道德問題，并優化研究和開發的投資。

引言

從基礎上講，美國軍隊不需要人工智能/機器學習（AI/ML）。然而，軍隊需要能夠比對手更快、更好地觀察、定位、決定和行動（OODA），以實現軍事優勢。機器有能力以比人類更快的速度進行觀察、定位、決定和行動，從而實現這一優勢。然而，關于允許AI或ML模型 "決定 "最佳軍事行動方案是否合適的問題仍然沒有定論，因為該決定可能導致破壞和死亡。

利用AI/ML的軍事優勢的潛在隱患已經被不厭其煩地提出來。有三個問題仍然是最令人擔憂的：（1）解決賦予AI摧毀事物和人的權力的道德和倫理考慮；（2）平衡發展AI/ML能力的成本和軍事效用；以及（3）確保對機器的適當信任水平，以最佳地利用對能力發展的AI/ML部分的投資。然而，作為元數據納入軍事信息的不確定性量化（UQ）可以解決這三個隱患，同時遵守美國防部的人工智能倫理原則。

美國防部的人工智能戰略將AI/ML技術的成熟作為優先事項并加以激勵。其結果是，試圖快速實施能力的活動紛至沓來，而對能力增長的可持續性或AI/ML使用的高階影響規劃卻少之又少。正如一位國防研究人員所指出的，"當技術變革更多的是由傲慢和意識形態驅動，而不是由科學理解驅動時，傳統上調節這些力量的機構，如民主監督和法治，可能會在追求下一個虛假的黎明時被削弱。"

美國國防高級研究計劃局認為，目前的AI/ML系統 "缺乏必要的數學框架 "來提供使用保證，這阻礙了它們 "廣泛部署和采用關鍵的防御情況或能力。"保證需要信心，而信心需要最小的不確定性。使用AI/ML的系統的這種保證可以幫助解決道德方面的考慮，提供對開發成本與效用的洞察力，并允許其在戰爭中的使用責任由最低層的指揮官和操作員承擔。

通過在AI/ML系統中實施不確定性量化的軍事標準，美國防部可以確保對這些系統非常需要的信任。此外，如果美國防部將不確定性量化作為對開發者的要求，有可行的方法來應用現有的數學方法來確定和傳播不確定性。然而，當軍方將這一標準應用于信息時，它必須牢記不確定性量化的高階效應和挑戰。

AI/ML的不確定性量化

為了解決上述三個陷阱，任何軍事數字系統內部和都應該要求進行不確定性量化。不確定性量化是為系統中的不完美或未知信息分配一些數字的過程，它將允許機器實時表達它的不確定性，為建立對其使用的信任增加關鍵的透明度。美國防部應實施一項軍事標準，規定對數字系統中的每個數據或信息的元數據進行不確定性的量化標記。一旦可用，這些元數據可以通過功能關系傳播到更高層次的信息使用，為AI或ML模型提供所需的信息，以始終表達它對其輸出的信心如何。

理解作為元數據的UQ需要理解計量學的基礎概念--與測量不確定度有關的權重和計量科學。也就是說，一個測量有兩個組成部分： 1）一個數值，它是對被測量量的最佳估計，以及2）一個與該估計值相關的不確定性的測量。

值得注意的是，2008年國際標準化組織（ISO）的《測量不確定性表達指南》定義了測量不確定性和測量誤差之間的區別。這些術語不是同義的："通常在被測物[被測量的量]的報告值后面的±（加或減）符號和這個符號后面的數字量，表示與特定被測物有關的不確定性，而不是誤差。誤差是指測量值與實際值或真實值之間的差異。不確定度是許多誤差的影響"。

在軍事術語中，"測量"是在OODA循環中收集和使用的任何信息。每條信息都是由某種傳感器測量的，并且會有一些不確定性與之相關。作為元數據的不確定性量化將至少采取兩種形式：根據經驗產生的測量不確定性（基于上文概述的計量標準）和統計學上假設的不確定性（通過一些手段確定，其中有很多）。

操作員在使用具有UQ功能的系統時，可以使用系統報告的不確定性來告知他們的戰術決策。指揮官可以利用這種系統在作戰甚至戰略層面上為各種類型的軍事行動設定所需的預定義信任水平，這可以幫助操作人員在使用AI或ML模型時了解他們的權限是什么。這也將有助于采購專業人員為AI/ML能力的發展做出適當的投資決定，因為它將量化效用的各個方面。此外，在使用AI/ML的系統中提供量化的最低限度的確定性要求，可以解決上面討論的三個隱患。

就使用AI的道德和倫理問題而言，對于 "讓AI或ML模型決定將導致破壞和死亡的軍事行動方案，是否符合道德或倫理？"這個問題沒有單一的正確答案。正如所有的道德和倫理辯論一樣，以絕對的方式處理是不可能的。

因此，美國防部應將軍事行動分為三個眾所周知的機器自主性相對程度之一：機器永遠不能自己做的事情，機器有時或部分可以自己做的事情，或機器總是可以自己做的事情。然后，美國防部可以為這些類別中的每一類定義一個最低的確定性水平作為邊界條件，并且/或者可以定義具體行動所需的最低確定性水平。決策或行動的關鍵性將推動UQ邊界的確定。使用不確定性量化包含了在處理使用AI/ML的系統的道德考慮方面的細微差別和模糊性。

當涉及到平衡人工智能/機器學習的成本與使用時，美國防部的受托責任是確保對人工智能/機器學習發展的投資與它的軍事效用成正比。如果人工智能/機器學習政策禁止美國軍隊允許人工智能決定摧毀某物或殺人，那么開發和采購一營完全自主的殺手機器人就沒有任何意義。因此，預先定義的最低不確定性界限將使采購專業人員能夠確定如何最好地使用有限的資源以獲得最大的投資回報。

在能力發展過程中優化對AI/ML的信任，將需要對AI/ML采購中普遍存在的經驗不足以及機器學習中不確定性量化科學的相對稚嫩進行保障。"不確定性是機器學習領域的基礎，但它是對初學者，特別是那些來自開發者背景的人造成最困難的方面之一。" 系統開發的所有方面都應該包括不確定性量化的元數據標簽，無論系統是否打算自主使用。

這些輸出可能會被卷進更高層次的數字能力中，然后需要UQ數據來計算不確定性的傳播。例如，F-16維護者的故障代碼閱讀器應該有不確定性量化元數據標記到每個故障讀數，在源頭提供這種量化。讀碼器本身并不打算納入人工智能或機器學習模型，而且該數據可能不會立即用于人工智能/ML應用，但故障數據可能會與整個艦隊的故障數據進行匯編，并提交給預測倉庫級維護趨勢的外部ML模型。元數據將跟隨這組數字信息通過任何級別的編譯或高階使用。

要求將不確定性量化元數據作為一項軍事標準，實現了美國防部長關于人工智能道德原則的意圖，其中包括五個主要領域：

• 負責任： UQ為判斷提供依據，為開發、部署和使用人工智能能力提供經驗基礎。
• 公平性： 人工智能中的偏見可以用與不確定性相同的方式來衡量，并且是基于許多相同的統計學原理。然后，偏見可以被解決和改善。
• 可追溯性： 要求每個層次的不確定性元數據能夠保證可追溯性。機器的性能問題可以追溯到有問題的部件。
• 可靠性： UQ允許開發人員檢查，并允許有針對性地改進最惡劣的輸入因素。
• 可管理： UQ作為自主性信任等級的邊界條件，可以用來定義實現預期功能和避免意外后果的準則。

采用這些道德原則是為了確保美國防部繼續堅持最高的道德標準，同時接受人工智能這一顛覆性技術的整合。不確定性量化是實現這一目標的實用方法。

在AI/ML中建立信任

蘭德公司的一項研究發現，信任是與人工智能/ML的軍事用途有關的大多數擔憂的根本原因。國防部研究人員指出，"當涉及到組建人類和自主系統的有效團隊時，人類需要及時和準確地了解其機器伙伴的技能、經驗和可靠性，以便在動態環境中信任它們"。對于許多自主系統來說，它們 "缺乏對自身能力的認識，并且無法將其傳達給人類伙伴，從而降低了信任，破壞了團隊的有效性"。

AI/ML模型中的信任從根本上說是基于人類對信息的確定性，無論是簡單的傳感器輸出還是自主武器系統的整體能力。這一點得到了MITRE公司研究的支持： 人工智能采用者經常詢問如何增加對人工智能的信任。解決方案不是讓我們建立人們完全信任的系統，也不是讓用戶只接受從不犯錯的系統。相反，教訓指出了在證據和認知的基礎上形成良好的伙伴關系的重要性。良好的伙伴關系有助于人類理解人工智能的能力和意圖，相信人工智能會像預期的那樣工作，并在適當程度上依賴人工智能。然后，利益相關者可以校準他們的信任，并在授予人工智能適當的權力之前權衡人工智能決定的潛在后果。

通過將機器--數字或物理--視為合作伙伴，軍方可以將其與人類合作伙伴的信任建立技術進行類比。健全的伙伴關系需要有效的雙向溝通和加強合作的系統。"事實上，數字系統輸出中的不確定性措施是沒有用的，除非這種不確定性可以傳達給人類伙伴。一旦機器能夠量化不確定性，并且能夠傳達這種量化，它們也能夠對輸出進行評估并改進系統。

機器對其自身能力的認識的實時反饋，將通過提供每個循環中的不確定性的量化，增加機器的觀察、定位和決定功能的透明度。這種反饋提高了對該特定系統的信任，并通過不確定性的傳播實現了對系統中的系統的信任量化。例如，考慮遙控飛機（RPA）對一個潛在目標的視頻監控。如何確定RPA的傳感器是準確的和經過校準的，視頻流沒有被破壞，和/或操作者已經得到了關于首先將傳感器指向何處的健全的基線情報？

OODA環路的每一個組成部分都有一些相關的不確定性，這些不確定性可以而且應該被量化，從而可以用數學方法傳播到決策層面。在這種情況下，它將導致目標正確性的x%的傳播確定性，使任務指揮官對他們的態勢感知（觀察）充滿信心，并使他們能夠更好地確定方向，更快地決定是否參與。

通過量化不確定性，并將其與各類行動所需的預定信心水平結合起來使用，決策者可以圍繞那些幾乎沒有道德影響的軍事行動以及那些有嚴重道德影響的軍事行動創造邊界條件。國防部高級領導人還可以為開發和應用人工智能/ML能力的投資比例設定門檻，并可以確保投資將被用于實現最佳軍事優勢。這將通過 "量化-評估-改進-溝通 "的循環為使用人工智能/ML的系統提供保證。

不確定性量化允許設置如果-那么關系，以限制機器的可允許行動空間。在另一個簡略的例子中，一個空間領域意識任務可以使用紅外傳感器數據來識別空間飛行器。如果-那么關系可能看起來像這樣： 如果傳感器數據與目標的關聯模型的確定性大于95%，那么該目標識別信息可以在國家空間防御中心目錄中自動更新。如果傳感器數據與目標的關聯模型的確定性大于75%但小于95%，那么機器可以嘗試與確定性大于75%的信號情報（SIGINT）進行匹配，或者可以將信息發送給人類進行驗證。

因此，使用量化的不確定性使指揮官能夠將決策樹根植于人工智能/ML模型可使用的參數中，并指導如何使用這些人工智能/ML模型。在考慮機器自主性的三個相對程度時，指揮官可以預先定義每一類行動的輸入的不確定性水平，作為何時以及在何種情況下讓機器決定是有意義的指導方針，明確界定使用人工智能或ML模型的參與規則。

所有武器系統，無論是否打算納入自主性，都應在其計劃的用戶界面中提供不確定性元數據。了解所有輸入的不確定性對傳統武器系統的用戶和人工智能/ML的應用一樣有利。通過現在提供元數據，國防部高級領導人可以繼續確定使用AI/ML的最佳治理和政策，而不會放慢技術和工程發展。任何這樣的治理都可以在未來通過參考系統內組件級或輸出級的量化不確定性來實施。

數學實現

將不確定性量化和傳播應用于收緊OODA循環，假定功能關系可用于定義軍事情況。函數關系是這種應用的最佳數學方法，因為一般可以證明函數值和輸入變量之間存在因果關系，而不需要具體確定關系的確切數學形式。通過假設這些函數關系的存在，可以使用一個描述不確定性傳播的一般方程式。

一個帶有不確定性條款的通用函數關系看起來像：

其中y是輸出，u(y)是該輸出的不確定性，有n個輸入變量，其相關的不確定性影響該輸出。這表明y取決于n個輸入變量，并且按照 "不精確概率論者 "的風格，y的精確值在y+u(y)到y-u(y)的區間內。

這種旨在改善醫學實驗室研究的想法的直接應用也涉及到軍事決策。"與任何測量相關的不確定性及其通過定義的函數關系的傳播可以通過微分（部分微分）和應用不確定性傳播的一般方程來評估。"這些數學方法將捕捉到在一個非常復雜的系統中許多測量物變化時不確定性的變化。這個不確定性傳播方程可以用標準的統計程序得出，最重要的是，它與函數關系的確切形式無關。

請那些更精通統計學的人將這種方法提交給進一步的案例研究，并確定在需要包括許多輸入變量時，在非常大的系統層面計算傳播的不確定性的可行性。已經表明，"問題越復雜，獲得校準的不確定性估計的成本就越高"。這種方法通過作戰級別的人工智能/ML模型（即涉及一翼或一營的交戰）可能是可行的，但更高層次的戰略不確定性傳播（即包括政治經濟或核因素的戰役級模型）可能需要不可行的計算能力來實時計算。

作為輸入數據集的一部分，通過機器學習模型傳播測量的不確定性比使用統計方法來估計模型內的不確定性要少得多。數據科學家和人工智能研究人員將熟悉大量專注于假設機器學習模型內的不確定性的研究，但許多歷史工作并沒有采取調整認識上的不確定性--ML模型的訓練數據量不足--與訓練數據集中的測量不確定性的方法。

測量的不確定性可以被認為是數據中的噪聲和/或觀察中的變異性。在數字系統中實施不確定性量化時，需要對不確定性的其他方面進行量化，如領域覆蓋的完整性，也就是輸入數據集的代表性，以及軍事問題的不完善建模，這是模型開發過程中不正確的基線假設的結果，最終植根于人類判斷的不完善。

一個更現代的傳播方法，可能計算量較小，可能是使用機器學習來假設不確定性。來自其他學科使用神經網絡的證據顯示，納入已知的輸入數據不確定性，"與不使用它們的情況相比，對做出更好的預測是有利的"。這些研究人員還建議進一步調查在貝葉斯深度學習框架中使用已知的輸入數據不確定性 "作為要得出的不確定性的初始值"，這將是一種與統計學得出的不確定性協同傳播經驗不確定性的方式。

使用數學方法來傳播不確定性，將納入并考慮到不確定性的影響--無法解釋的數據的固有隨機性--以及認識上的不確定性。擬議的軍事標準應將測量不確定性的要求與傳播到高階用途的要求結合起來，如機器學習或更抽象的建模和模擬。用軍事術語來說，通過這種方法使UQ標準化，不僅要考慮基線觀測數據的不確定性，還要考慮與方向和行動有關的數據不確定性。

軍事用途的數學問題

為了繼續與軍事戰略進行類比，功能關系描述了在OODA循環中如何獲得軍事優勢，以及不確定性如何在該過程中傳播。

在這個特意象征性的等式中，觀察和定位是恒定的活動，而決策和行動是時間上的離散事件。所期望的軍事效果的成功概率是基于循環中每個輸入變量的不確定性的傳播：操作者有多大把握(a)他們的觀察抓住了現實，(b)他們以預期的方式定向，(c)他們的決定以預期的方式執行，以及(d)他們的行動沒有被打亂。

這種方法的障礙在于它需要對不確定性的事先了解，這是目前無法獲得的元數據，因為在經驗情況下確定它的成本通常很高，而在統計情況下有許多可接受的方法來生成它。這就回到了建議的解決方案，即征收要求和標準，以提供與每個輸入變量相關的不確定性作為元數據。一旦提供，匯編觀測和定位數據的人工智能/ML系統可以使用元數據進行傳播，并向操作者或指揮官提供情況圖中的總體量化不確定性。當實時使用時，這種方法內在地捕捉了OODA循環的決策和行動步驟的各個方面。

高階效應和挑戰

一項分析表明，將不確定性信息傳達給無人駕駛車輛的操作員并使之可視化，有助于提高人類-AI團隊的績效。但其他人工智能研究人員也表明，"需要更多地研究如何以對用戶有意義的方式，最好地捕捉和呈現開發者的[不確定性量化]"。他們進一步指出，"讓用戶對他們不了解的方面有看似控制的感覺，有可能給人以清晰和知情控制的錯覺，造成額外的自動化偏差，或者干脆讓用戶選擇一個給他們想要的答案的選項。" 這一發現堅實地進入了決策理論和心理學的工作體系。有一些統計方法試圖用算法來定義判斷和決策，使用這些方法有風險。

一項單獨的分析提供了判斷和決策文獻中與決策中使用不確定性估計有關的結論。該研究的結論是，向利益相關者提供不確定性估計可以通過確保信任的形成來提高透明度： "即使是經過良好校準的不確定性估計值，人們也會有不準確的認識，因為(a)他們對概率和統計的理解程度不同，(b)人類對不確定性數量的認識往往受決策啟發式的影響。

作者進一步補充說，"非專業人士和專家都依賴心理捷徑或啟發式方法來解釋不確定性"，這 "可能導致對不確定性的評估出現偏差，即使模型輸出是經過精心校準的"。不出所料，關于這個問題的主要啟示是，所選擇的UQ交流方法應首先與利益相關者進行測試，開發人員應滿足他們的UQ顯示和用戶界面的不同終端用戶類型。例如，向數據科學家介紹不確定性量化應該與向戰時決策的操作員介紹UQ不同。情報界在確定傳達與軍事信息相關的不確定性的最佳方法方面有著悠久的歷史，因此它對 "估計概率詞 "的約定可能是后一類終端用戶的合適出發點。

當考慮在作戰和戰略決策層面使用傳播的不確定性時，有可能使用傳播計算可能使UQ數字變得不相關和不可用，因為在非常復雜的系統中，不確定性接近100%的期望輸出。順便說一句，這是一個有趣的結論，可能指向 "戰爭迷霧 "的數學證明。進一步調查計算非常大的系統級別的傳播的不確定性可能會更好地闡明這個結論。

然而，這種高度傳播的不確定度的潛在缺陷并不足以反駁實施不確定度軍事標準的做法。包括每個級別的元數據標簽，使操作人員能夠檢查哪些因素造成了最大的不確定性，哪些因素是指揮官可以有高度信心的，這仍然是非常有用的信息。當操作員的帶寬在高壓力交戰之外可用時，這些元數據標簽允許操作員檢查功能關系中輸入變量之間的協方差和相關性。這些元數據還可以被采集專業人員用于評估和改進任務，通過識別系統性錯誤并將其消除，以及識別造成隨機錯誤的最嚴重的罪犯。

高度傳播的UQ可能是不相關的，這也強調了發展健全的軍事判斷的永久重要性。正如在任何不確定性非常高的軍事情況下，為實現軍事優勢，將需要具有敏銳性的操作員和指揮官。使用人工智能/ML來觀察、定位、決定和比對手更快地行動，只有在行動優越的情況下才會導致勝利。勝利理論的這一層面與要求、傳播和以標準化的方式交流UQ的論點不同。

最后，AI/ML要求輸入數據是感興趣領域的 "具有適當代表性的隨機觀察樣本"。重要的是，"在所有情況下，我們永遠不會有所有的觀察結果"，而且在感興趣的領域內 "總會有一些未觀察到的情況"。盡管人工智能或ML算法是在一個不充分的數據集上訓練出來的，但試圖在數據抽樣中實現對該領域的全部觀察覆蓋也是不理想的。

當以較高的行動節奏將人工智能/ML應用于OODA循環時，提高領域的覆蓋率并不需要更多的抽樣，而應該通過抽樣中更多的隨機化來實現，重點是確定準確的測量不確定性。上述關于已知輸入數據的研究從理論上和經驗上證明，將數據的不確定性納入一系列機器學習模型的學習過程中，使模型對過擬合問題更有免疫力--當模型與訓練數據集擬合得過于緊密時，就會出現不可接受的ML行為，導致在負責評估未知數據時出現不準確的預測結果。

過度擬合的問題并不是機器學習所獨有的，從根本上說是由輸入數據集的缺陷造成的。"簡單地說，不確定性和相關的無序性可以通過創造一個更高更廣的更一般的概念來代表現實的直接假象來減弱"。這導致了對該領域的最大統計覆蓋，對被觀察系統的侵擾最小。它還最大限度地減少了數據和元數據集的大小，從而在高階使用中提高了UQ傳播方程的計算效率。

結論

實施量化不確定性元數據的軍事標準，并發展傳播、評估、改進和交流該信息的能力，將為繼續追求AI/ML的軍事用途能力提供最大的靈活性。使用人工智能/ML系統的不確定性量化，通過溝通、透明和參與共同經歷來發展這種信任，使人機團隊內部能夠相互信任和團結。使用AI/ML系統實現軍事目標的保證需要量化的不確定性。

與軍事戰略的概念相聯系，這種不確定性量化的整個框架有助于一個成功的組織。通過現在提供UQ元數據，國防部高級領導人可以繼續確定使用人工智能/ML的最佳治理和政策，而不耽誤技術和工程開發。隨著作戰人員使用UQ來發展對AI/ML伙伴的信任，軍隊的觀察、定位、決定和行動的能力將比對手更快，并確保軍事優勢。

想象力和對物理原理不斷發展的理解是未來技術能力的唯一界限，當美國陸軍將自己轉變為一支能夠在多域作戰（MDO）中占主導地位的部隊時，技術在建立和保持對敵手的優勢方面的作用就會增加。美國的政府機構包含了一些組織，負責資助、研究、開發并在新技術增長時將其納入部隊。本專著描述了目前正在開發的能力，這些能力將作為下一代概念的基礎，目前只存在于科幻小說中，但現實中卻有可能實現。它概述了這些進展中的技術所提供的潛在機會，以及它們如何能夠融入所有領域的未來作戰環境。

引言

隨著美國國防部（DoD）從大規模戰斗行動概念向多域作戰（MDO）和聯合全域作戰過渡，對跨領域技術整合的重視程度繼續提高。公共和私營部門的研究和開發組織已經從關注具體的能力轉向提供基本概念的創新，正如陸軍優先研究領域中所概述的那樣（見圖1）。雖然這些優先事項是陸軍特有的，但國防部的其他部門也在為技術創新投入大量資源。

圖 1. 美陸軍優先研究領域。美國陸軍，“2019 年陸軍現代化戰略：投資未來”。

2019年正式成立的美國太空部隊（USSF），在其預算撥款中包括89億美元用于發展天基系統技術。 作為領導將新技術納入空間領域當前和未來擬議戰爭概念的軍事機構，USSF占據了一個不斷發展以滿足作戰環境變化的角色。在短期內，其余領域的更多能力將依賴于空間領域的資產，并推動對技術能力和效率的要求呈指數級增長。美國防部或整個美國政府的任何作戰組織都沒有智力或財政能力來單獨管理這一巨大的任務。與私營企業的緊密合作提供了美國所需的優勢，以保持對其對手的相對優勢。

民用技術的軍事應用和軍用技術的民用應用通過連接兩個平行的研究軌道和匯集關鍵資源如突破、設施和資金來加速發展進程。美國的幾家私營公司已經有專門的部門與政府合作，使雙方受益。作為洛克希德-馬丁公司的一部分，臭鼬工廠負責開發標志性的軍用飛機，如F-117夜鷹和SR-71黑鳥，而雷神技術實驗室創造了愛國者導彈，至今仍是國家防空計劃的基石。私營企業和軍方官員之間的持續合作也改善了技術預測，使規劃者有能力建立起納入仍在開發管道中的概念的途徑，甚至在它們準備投入使用之前。

在本專著中，對未來軍事規劃者來說，最后也是最關鍵的難題是如何在中期和長期將預測能力整合到作戰方法中。等到概念經歷了研究、開發、測試、原型設計和規模生產的完整周期后再考慮其效果，會使美國部隊落后于曲線，并處于持續的反應狀態，特別是在與俄羅斯和中國這樣的全球技術大國競爭時。未來的鑄造過程必須是連續的和迭代的。適應性強的計劃，具有圍繞發展中的突然延遲或進展進行調整的靈活性，比依賴線性進展的概念保持優勢。將 "鞭打 "事件的可能性傳達給高級領導人和政治家，以緩和期望，并減少那些不熟悉技術的細微差別的人的摩擦。

研究問題

美國國防機構如何利用并迅速整合技術進步，以在多域作戰框架內獲得并保持競爭優勢？

論題

負責開發下一代全域聯合作戰概念的戰地級規劃人員需要采用一個反復的、持續的規劃過程，考慮到理論上可能的、但目前還沒有的、與所有領域相互依賴的技術，以集中資源分配和從目前到未來作戰環境的未來預測路徑。

方法論

本專著包括四個不同的研究和思考階段，大致遵循軍隊設計方法學的概念。因此，第一部分試圖了解創新技術的現狀，從而了解軌道和軌道外競爭的技術作戰環境。發展存在于整個美國戰爭機器從概念到原型生產的連續過程中，一些進步來自非軍事應用，如通信、金融和體育產業。第二，研究哪些非保密技術有待于相對迫切的實施。即使在起步階段，新概念的簡單應用也會在多領域的戰場上帶來作戰優勢，而來自真實世界的反饋和數據支持進一步的完善。

在已知的物理學和應用科學的限制下，對現在和可能的空間進行了略微緩和但雄心勃勃的介紹，為未來三十年設定了目標桿。計算能力、材料科學和效率的線性增長阻礙了這些崇高目標的實現。然而，如果能力的增長保持過去幾十年的指數增長（見圖2），本專著中所探討的所有概念都是可以掌握的。最后，本研究以一個簡短的未來戰爭的虛構場景作為結束，該場景展示了戰略和作戰能力在戰術領域的整合，加強了它們與未來戰士在MDO的五個現有領域以及未來可能存在的地外領域的相關性。該方案提出了一個可能的理論終結狀態，以在10到15年的規劃范圍內建立一個作戰方法。然而，這很可能只是物理學和想象力極限競賽中的一個快照。

圖2. 隨著時間的推移，技術能力呈指數增長。

本專著主要關注軌道和軌道外的競爭，包括對所探討的能力有重大影響的地面節點和系統。最終的勝利或失敗，即使是在未來的沖突中，也將極大地影響地面人口，即交戰國的公民。他們將掙扎著在戰爭的附帶影響下生存，同時也會受到氣候變化、人口過剩、食物和水匱乏的日益嚴重的影響。