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

隨著技術的飛速發展和威脅環境變得更加復雜，今天的海軍行動經常面臨著具有挑戰性的決策空間。人工智能（AI）的進步為解決海軍行動中日益復雜的問題提供了潛在的解決方案。未來的人工智能系統提供了潛在的意義深遠的好處--提高對態勢的認識，增加對威脅和對手能力和意圖的了解，識別和評估可能的戰術行動方案，并提供方法來預測行動方案決定的結果和影響。人工智能系統將在支持未來海軍作戰人員和保持作戰和戰術任務優勢方面發揮關鍵作用。

人工智能系統為海戰提供了優勢，但前提是這些系統的設計和實施方式能夠支持有效的作戰人員-機器團隊，改善作戰情況的不確定性，并提出改善作戰和戰術結果的建議。實施人工智能系統，以滿足海軍應用的這些苛刻需求，給工程設計界帶來了挑戰。本文確定了四個挑戰，并描述了它們如何影響戰爭行動、工程界和海軍任務。本文提供了通過研究和工程倡議來解決這些挑戰的解決思路。

引言

人工智能是一個包括許多不同方法的領域，目的是創造具有智能的機器（Mitchell 2019）。自動化系統的運作只需要最小的人類輸入，并經常根據命令和規則執行重復性任務。人工智能系統是自動化機器，執行模仿人類智能的功能。它們將從過去的經驗中學習到的新信息融入其中，以做出決定并得出結論。

如表1所述，人工智能系統有兩種主要類型。第一種類型是明確編程的專家系統。Allen（2020，3）將專家系統描述為手工制作的知識系統，使用傳統的、基于規則的軟件，將人類專家的主題知識編入一長串編程的 "如果給定x輸入，則提供y輸出"的規則。這些系統使用傳統的編程語言。第二種類型是ML系統，從大型數據集中進行訓練。ML系統自動學習并從經驗中改進，而不需要明確地進行編程。一旦ML系統被 "訓練"，它們就被用于操作，以產生新的操作數據輸入的結果。

表1. 兩類人工智能系統

人工智能系統--包括專家系統和學習系統--為海軍提供了巨大的潛力，在大多數任務領域有不同的應用。這些智能系統可以擴展海軍的能力，以了解復雜和不確定的情況，制定和權衡選擇，預測行動的成功，并評估后果。它們提供了支持戰略、作戰計劃和戰術領域的潛力。

本文確定了工程設計界必須解決的四個挑戰，以便為未來海戰任務實施人工智能系統。表2強調了這四個挑戰領域。這些挑戰包括：（1）復雜的海戰應用領域；（2）需要收集大量與作戰相關的數據來開發、訓練和驗證人工智能系統；（3）人工智能系統工程的一些新挑戰；（4）存在對手的人工智能進展，不斷變化和發展的威脅，以及不斷變化的人工智能系統的網絡弱點。本文側重于海軍戰爭的四個挑戰領域，但認識到這些挑戰可以很容易地被概括為整個軍隊在未來人工智能系統可能應用的所有戰爭領域中廣泛存在的挑戰。

表2. 為海軍實施人工智能系統的四個挑戰領域

挑戰一：戰爭復雜性

人工智能正被視為一種能力，可應用于廣泛的應用，如批準貸款、廣告、確定醫療、規劃航運路線、實現自動駕駛汽車和支持戰爭決策。每個不同的應用領域都提出了一系列的挑戰，人工智能系統必須與之抗衡，才能成為一種增加價值的可行能力。表3比較了一組領域應用的例子，從潛在的人工智能系統解決方案的角度說明了挑戰的領域。該表在最上面一行列出了一組10個因素，這些因素對一個特定的應用程序產生了復雜性。根據每個因素對作為實施人工智能的領域的整體復雜性的貢獻程度，對六個應用領域的特征進行了定性評估。顏色代表低貢獻（綠色）、中貢獻（黃色）和高貢獻（紅色）。

表3中最上面一行顯示的特征包括： (1)認識上的不確定性水平（情況知識的不確定性程度），(2)情況的動態性，(3)決策時間表（可用于決策的時間量），(4)人類用戶和人工智能系統之間的互動所涉及的錯綜復雜的問題、 (5）資源的復雜性（數量、類型、它們之間的距離以及它們的動態程度），（6）是否涉及多個任務，（7）所需訓練數據集的復雜性（大小、異質性、有效性、脆弱性、可獲得性等 8）對手的存在（競爭者、黑客或徹頭徹尾的敵人），（9）可允許的錯誤幅度（多少決策錯誤是可以接受的），以及（10）決策后果的嚴重程度。該表的定性比較旨在提供一個高層次的相對意義，即基于一組樣本的貢獻因素，不同應用領域的不同復雜程度。

表3. 影響應用復雜性的因素比較

對于所有的應用領域來說，人工智能系統的工程都是具有挑戰性的。人工智能系統在本質上依賴于具有領域代表性的數據。獲得具有領域代表性的數據會帶來基于數據大小、可用性、動態性和不確定性的挑戰。決策時間--由情況的時間動態決定--會給人工智能系統工程帶來重大挑戰--特別是當一個應用領域的事件零星發生和/或意外發生時；以及當決策是時間緊迫的時候。具有更多決策時間、充分訪問大型數據集、直接的用戶互動、完善的目標和非致命后果的應用，如貸款審批、廣告、醫療診斷（在某種程度上）面臨工程挑戰，但其復雜程度較低。確定最佳運輸路線和為自動駕駛汽車設計AI系統是更復雜的工作。這些應用是動態變化的，做決定的時間較短。航運路線將在可能的路線數量上具有復雜性--這可能會導致許多可能的選擇。然而，航運錯誤是有空間的，而且后果通常不會太嚴重。對于自動駕駛汽車來說，決策錯誤的空間非常小。在這種應用中，決策失誤會導致嚴重的事故。

影響開發支持海戰決策的人工智能系統的因素在表3所示的所有類別中都具有高度的復雜性。因此，戰術戰爭領域對工程和實施有效的人工智能系統作為解決方案提出了特別棘手的挑戰。表4強調了導致這種復雜性的海戰領域的特點。作為一個例子，海軍打擊力量的行動可以迅速從和平狀態轉變為巨大的危險狀態--需要對威脅保持警惕并采取適當的反應行動--所有這些都是在高度壓縮的決策時間內進行。戰術威脅可能來自水下、水面、空中、陸地、太空，甚至是網絡空間，導致需要處理多種時間緊迫的任務。由于海軍和國防資產在艦艇、潛艇、飛機、陸地和太空中，戰術決策空間必須解決這些分散和多樣化資源的最佳協作使用。制定有效的戰術行動方案也必須在高度動態的作戰環境中進行，并且只有部分和不確定的情況知識。決策空間還必須考慮到指揮權、交戰規則和戰術理論所帶來的限制。人類作為戰術決策者的角色增加了決策空間的復雜性--信息過載、操作錯誤、人機信任和人工智能的模糊性/可解釋性問題等挑戰。最后，對于戰術決策及其可能的后果來說，風險可能非常大。

表4. 導致戰術決策復雜性的因素

解決高度復雜的決策領域是對海軍的挑戰。人工智能為解決海軍作戰的復雜性提供了一個潛在的解決方案，即處理大量的數據，處理不確定性，理解復雜的情況，開發和評估決策選擇，以及理解風險水平和決策后果。Desclaux和Prestot（2020）提出了一個 "認知三角"，其中人工智能和大數據被應用于支持作戰人員，以實現信息優勢、控制論信心和決策優勢。約翰遜（2019年）開發了一個工程框架和理論，用于解決高度復雜的問題空間，這些問題需要使用智能和分布式人工智能系統來獲得情況意識，并做出適應動態情況的協作行動方案決定。約翰遜（2020a）建立了一個復雜的戰術場景模型，以證明人工智能輔助決策對戰術指揮和控制（C2）決策的好處。約翰遜（2020b）開發了一個預測分析能力的概念設計，作為一個自動化的實時戰爭游戲系統來實施，探索不同的可能的戰術行動路線及其預測的效果和紅色部隊的反應。首先，人工智能支持的C2系統需要描述戰術行動期間的復雜程度，然后提供一個自適應的人機組合安排來做出戰術決策。這個概念包括根據對目前戰術情況的復雜程度最有效的方法來調整C2決策的自動化水平（人與機器的決策角色）。約翰遜（2021年）正在研究這些概念性工程方法在各種防御用例中的應用，包括空中和導彈防御、超視距打擊、船舶自衛、無人機操作和激光武器系統。

在海軍作戰中實施人工智能系統的一個額外挑戰是在戰術邊緣施加的限制。分散的海軍艦艇和飛機的作戰行動構成了戰術邊緣--在有限的數據和通信下作戰。"在未來，戰術邊緣遠離指揮中心，通信和計算資源有限，戰場形勢瞬息萬變，這就導致在嚴酷復雜的戰地環境中，網絡拓撲結構連接薄弱，變化迅速"（Yang et. al. 2021）。戰術邊緣網絡也容易斷開連接（Sridharan et. al. 2020）。相比之下，許多商業人工智能系統依賴于基于云的或企業內部的處理和存儲，而這些在海戰中是不存在的。在戰術邊緣實施未來的人工智能系統時，必須進行仔細的設計考慮，以了解哪些數據和處理能力可用。這可能會限制人工智能系統在邊緣所能提供的決策支持能力。

在軍事領域使用人工智能必須克服復雜性的挑戰障礙，在某些情況下，人工智能的加入可能會增加復雜性。辛普森等人（2021）認為，將人工智能用于軍事C2可能會導致脆弱性陷阱，在這種情況下，自動化功能增加了戰斗行動的速度，超出了人類的理解能力，最終導致 "災難性的戰略失敗"。Horowitz等人（2020）討論了通過事故、誤判、增加戰爭速度和升級以及更大的殺傷力來增加國際不穩定和沖突。Jensen等人（2020）指出，人工智能增強的軍事系統增加的復雜性將增加決策建議和產生的信息的范圍、重要性和意義的不確定性；如果人類決策者對產出缺乏信心和理解，他們可能會失去對人工智能系統的信任。

挑戰二：數據需求

實施人工智能系統的第二個挑戰是它們依賴并需要大量的相關和高質量的數據用于開發、訓練、評估和操作。在海戰領域滿足這些數據需求是一個挑戰。明確編程的專家系統在開發過程中需要數據進行評估和驗證。ML系統在開發過程中對數據的依賴性甚至更大。圖1說明了ML系統如何從代表作戰條件和事件的數據集中 "學習"。

ML系統的學習過程被稱為被訓練，開發階段使用的數據被稱為訓練數據集。有幾種類型的ML學習或訓練--它們是監督的、無監督的和強化的方法。監督學習依賴于地面真相或關于輸出值應該是什么的先驗知識。監督學習算法的訓練是為了學習一個最接近給定輸入和期望輸出之間關系的函數。無監督學習并不從地面真相或已知的輸出開始。無監督學習算法必須在輸入數據中推斷出一個自然結構或模式。強化學習是一種試錯法，允許代理或算法在獎勵所需行為和/或懲罰不需要的行為的基礎上學習。所有三種類型的ML學習都需要訓練數據集。在部署后或運行階段，ML系統繼續需要數據。

圖1顯示，在運行期間，ML系統或 "模型 "接收運行的實時數據，并通過用其 "訓練 "的算法處理運行數據來確定預測或決策結果。因此，在整個系統工程和采購生命周期中，ML系統與數據緊密相連。ML系統是從訓練數據集的學習過程中 "出現 "的。ML系統是數據的質量、充分性和代表性的產物。它們完全依賴于其訓練數據集。

圖1. 使用數據來訓練機器學習系統

美國海軍開始認識到對這些數據集的需求，因為許多領域（戰爭、供應鏈、安全、后勤等）的更多人工智能開發人員正在了解人工智能解決方案的潛在好處，并開始著手開發人工智能系統。在某些情況下，數據已經存在并準備好支持人工智能系統的開發。在其他情況下，數據存在但沒有被保存和儲存。最后，在其他情況下，數據并不存在，海軍需要制定一個計劃來獲得或模擬數據。

收集數據以滿足海軍領域（以及更廣泛的軍事領域）的未來人工智能/ML系統需求是一個挑戰。數據通常是保密的，在不同的項目和系統中被分隔開來，不容易從遺留系統中獲得，并且不能普遍代表現實世界行動的復雜性和多樣性。要從并非為數據收集而設計的遺留系統中獲得足夠的數據，可能非常昂貴和費時。數據收集可能需要從戰爭游戲、艦隊演習、系統測試、以及建模和模擬中收集。此外，和平時期收集的數據并不代表沖突和戰時的操作。海軍（和軍方）還必須教導人工智能系統在預計的戰時行動中發揮作用。這將涉及想象可能的（和可能的）戰時行動，并構建足夠的ML訓練數據。

數據收集的另一個挑戰是潛在的對抗性黑客攻擊。對于人工智能/ML系統來說，數據是一種珍貴的商品，并提出了一種新的網絡脆弱性形式。對手可以故意在開發過程中引入有偏見或腐敗的數據，目的是錯誤地訓練AI/ML算法。這種邪惡的網絡攻擊形式可能很難被發現。

海軍正在解決這一數據挑戰，開發一個數據基礎設施和組織來管理已經收集和正在收集的數據。海軍的Jupiter計劃是一個企業數據和分析平臺，正在管理數據以支持AI/ML的發展和其他類型的海軍應用，這些應用需要與任務相關的數據（Abeyta，2021）。Jupiter努力的核心是確定是否存在正確的數據類型來支持人工智能應用。為了生產出在行動中有用的人工智能/ML系統，海軍需要在游戲中保持領先，擁有能夠代表各種可能情況的數據集，這些情況跨越了競爭、沖突和危機期間的行動范圍。因此，數據集的開發和管理必須是一項持續的、不斷發展的努力。

挑戰三：工程化人工智能系統

第三個挑戰是，人工智能系統的工程需要改變傳統的系統工程（SE）。在傳統系統中，行為是設定的（確定性的），因此是可預測的：給定一個輸入和條件，系統將產生一個可預測的輸出。一些人工智能解決方案可能涉及到系統本身的復雜性--適應和學習--因此產生不可預見的輸出和行為。事實上，一些人工智能系統的意圖就是要做到這一點--通過承擔一些認知負荷和產生智能建議，與人類決策者合作。表5強調了傳統系統和人工智能系統之間的區別。需要有新的SE方法來設計智能學習系統，并確保它們對人類操作者來說是可解釋的、可信任的和安全的。

SE作為一個多學科領域，在海軍中被廣泛使用，以將技術整合到連貫而有用的系統中，從而完成任務需求（INCOSE 2015）。SE方法已經被開發出來用于傳統系統的工程設計，這些系統可能是高度復雜的，但也是確定性的（Calvano和John 2004）。如表5所述，傳統系統具有可預測的行為：對于一個給定的輸入和條件，它們會產生可預測的輸出。然而，許多海軍應用的人工智能系統在本質上將是復雜的、適應性的和非決定性的。Raz等人（2021年）解釋說，"SE及其方法的雛形基礎并不是為配備人工智能（即機器學習和深度學習）的最新進展、聯合的多樣化自主系統或多領域操作的工程系統而設想的。" 對于具有高風險后果的軍事系統來說，出錯的余地很小；因此，SE過程對于確保海軍中人工智能系統的安全和理想操作至關重要。

表5. 傳統系統和人工智能系統的比較

在整個系統生命周期中，將需要改變SE方法，以確保人工智能系統安全有效地運行、學習和適應，以滿足任務需求并避免不受歡迎的行為。傳統的SE過程的大部分都需要轉變，以解決人工智能系統的復雜和非確定性的特點。在人工智能系統的需求分析和架構開發階段需要新的方法，這些系統將隨著時間的推移而學習和變化。系統驗證和確認階段將必須解決人工智能系統演化出的突發行為的可能性，這些系統的行為不是完全可預測的，其內部參數和特征正在學習和變化。運營和維護將承擔重要的任務，即隨著人工智能系統的發展，在部署期間不斷確保安全和理想的行為。

SE界意識到，需要新的流程和實踐來設計人工智能系統。國際系統工程師理事會（INCOSE）最近的一項倡議正在探索開發人工智能系統所需的SE方法的變化。表6強調了作為該倡議一部分的五個SE重點領域。除了非決定性的和不斷變化的行為，人工智能系統可能會出現新類型的故障模式，這些故障模式是無法預料的，可能會突然發生，而且其根本原因可能難以辨別。穩健設計--或確保人工智能系統能夠處理和適應未來的情景--是另一個需要新方法的SE領域。最后，對于有更多的人機互動的人工智能系統，必須仔細注意設計系統，使它們值得信賴，可以解釋，并最終對人類決策者有用。

表6.人工智能系統工程中的挑戰（改編自：Robinson，2021）。

SE研究人員正在研究人工智能系統工程所涉及的挑戰，并開發新的SE方法和對現有SE方法的必要修改。Johnson（2019）開發了一個SE框架和方法，用于工程復雜的適應性系統（CASoS）解決方案，涉及分布式人工智能系統的智能協作。這種方法支持開發智能系統的系統，通過使用人工智能，可以協作產生所需的突發行為。Johnson（2021）研究了人工智能系統產生的潛在新故障模式，并提出了一套跨越SE生命周期的緩解和故障預防策略。她提出了元認知，作為人工智能系統自我識別內部錯誤和失敗的設計方案。Cruz等人（2021年）研究了人工智能在空中和導彈防御應用中使用人工智能輔助決策的安全性。他們為計劃使用人工智能系統的軍事項目編制了一份在SE開發和運行階段需要實施的策略和任務清單。Hui（2021年）研究了人類作戰人員與人工智能系統合作進行海軍戰術決策時的信任動態。他制定了工程人工智能系統的SE策略，促進人類和機器之間的 "校準 "信任，這是作為適當利用的最佳信任水平，避免過度信任和不信任，并在信任失敗后涉及信任修復行動。Johnson等人（2014）開發了一種SE方法，即協同設計，用于正式分析人機功能和行為的相互依賴性。研究人員正在使用協同設計方法來設計涉及復雜人機交互的穩健人工智能系統（Blickey等人，2021年，Sanchez 2021年，Tai 2021年）。

數據的作用對于人工智能系統的開發和運行來說是不可或缺的，因此需要在人工智能系統的SE生命周期中加入一個持續不斷的收集和準備數據的過程。Raz等人（2021）提出，SE需要成為人工智能系統的 "數據策劃者"。他們強調需要將數據策劃或轉化為可用的結構，用于開發、訓練和評估AI算法。French等人（2021）描述了需要適當的數據策劃來支持人工智能系統的發展，他們強調需要確保數據能夠代表人工智能系統將在其中運行的預期操作。他們強調需要安全訪問和保護數據，以及需要識別和消除數據中的固有偏見。

SE界正處于發展突破和進步的早期階段，這些突破和進步是在更復雜的應用中設計人工智能系統所需要的。這些進展需要與人工智能的進展同步進行。在復雜的海軍應用以及其他非海軍和非軍事應用中實施人工智能系統取決于是否有必要的工程實踐。SE實踐必須趕上AI的進步，以確保海軍持續的技術優勢。

挑戰四：對抗性

海軍在有效實施人工智能系統方面面臨的第四個挑戰是應對對手。海軍的工作必須始終考慮對手的作用及其影響。表7確定了在海軍實施人工智能系統時必須考慮的與對手有關的三個挑戰：(1)人工智能技術在許多領域迅速發展，海軍必須注意同行競爭國的軍事應用進展，以防止被超越，(2)在海軍應用中實施人工智能系統和自動化會增加網絡脆弱性，以及(3)海軍應用的人工智能系統需要發展和適應，以應對不斷變化的威脅環境。

表7. AI系統的對抗性挑戰

同行競爭國家之間發展人工智能能力的競賽，最終是為了進入對手的決策周期，以便比對手更快地做出決定和采取行動（Schmidt等人，2021年）。人工智能系統提供了提高決策質量和速度的潛力，因此對獲得決策優勢至關重要。隨著海軍對人工智能解決方案的探索，同行的競爭國家也在做同樣的事情。最終實現將人工智能應用于海軍的目標，不僅僅取決于人工智能研究。它需要適當的數據收集和管理，有效的SE方法，以及仔細考慮人類與AI系統的互動。海軍必須承認，并采取行動解決實施人工智能系統所涉及的挑戰，以贏得比賽。

網絡戰是海軍必須成功參與的另一場競賽，以保持在不斷沖擊的黑客企圖中的領先地位。網絡戰的特點是利用計算機和網絡來攻擊敵人的信息系統（Libicki, 2009）。海軍對人工智能系統的實施導致了更多的網絡攻擊漏洞。人工智能系統的使用在本質上依賴于訓練和操作數據，導致黑客有機會在開發階段和操作階段用腐敗的數據欺騙或毒害系統。如果一個對手獲得了對一個運行中的人工智能系統的控制，他們可能造成的傷害將取決于應用領域。對于支持武器控制決策的自動化，其后果可能是致命的。海軍必須注意人工智能系統開發過程中出現的特殊網絡漏洞。必須為每個新的人工智能系統實施仔細的網絡風險分析和網絡防御戰略。海軍必須小心翼翼地確保用于開發、訓練和操作人工智能系統的數據集在整個人工智能系統的生命周期中受到保護，免受網絡攻擊（French等人，2021）。

威脅環境的演變是海軍在開發AI系統時面臨的第三個對抗性挑戰。對手的威脅空間隨著時間的推移不斷變化，武器速度更快、殺傷力更大、監視資產更多、反制措施更先進、隱身性更強，這對海軍能夠預測和識別新威脅、應對戰斗空間的未知因素構成了挑戰。尤其是人工智能系統，必須能夠加強海軍感知、探測和識別新威脅的能力，以幫助它們從未知領域轉向已知領域的過程。他們必須適應新的威脅環境，并在行動中學習，以了解戰斗空間中的未知因素，并通過創新的行動方案快速應對新的威脅（Grooms 2019, Wood 2019, Jones et al 2020）。海軍可以利用人工智能系統，通過研究特定區域或領域的長期數據，識別生活模式的異常（Zhao等人，2016）。最后，海軍可以探索使用人工智能來確定新的和有效的行動方案，使用最佳的戰爭資源來解決棘手的威脅情況。

結論

人工智能系統為海軍戰術決策的優勢提供了相當大的進步潛力。然而，人工智能系統在海戰應用中的實施帶來了重大挑戰。人工智能系統與傳統系統不同--它們是非決定性的，可以學習和適應--特別是在用于更復雜的行動時，如高度動態的、時間關鍵的、不確定的戰術行動環境中，允許的誤差范圍極小。本文確定了為海戰行動實施人工智能系統的四個挑戰領域：（1）開發能夠解決戰爭復雜性的人工智能系統，（2）滿足人工智能系統開發和運行的數據需求，（3）設計這些新穎的非確定性系統，以及（4）面對對手帶來的挑戰。

海軍必須努力解決如何設計和部署這些新穎而復雜的人工智能系統，以滿足戰爭行動的需求。作者在這一工作中向海軍提出了三項建議。

1.第一個建議是了解人工智能系統與傳統系統之間的差異，以及伴隨著人工智能系統的開發和實施的新挑戰。

人工智能系統，尤其是那些旨在用于像海戰這樣的復雜行動的系統，其本身就很復雜。它們在應對動態戰爭環境時將會學習、適應和進化。它們將變得不那么容易理解，更加不可預測，并將出現新型的故障模式。海軍將需要了解傳統的SE方法何時以及如何在這些復雜系統及其復雜的人機交互工程中失效。海軍將需要了解數據對于開發人工智能系統的關鍵作用。

2.第二個建議是投資于人工智能系統的研究和開發，包括其數據需求、人機互動、SE方法、網絡保護和復雜行為。

研究和開發是為海戰行動開發AI系統解決方案的關鍵。除了開發復雜的戰術人工智能系統及其相關的人機協作方面，海軍必須投資研究新的SE方法來設計和評估這些適應性非決定性系統。海軍必須仔細研究哪些新類型的對抗性網絡攻擊是可能的，并且必須開發出解決這些問題的解決方案。海軍必須投資于收集、獲取和維護代表現實世界戰術行動的數據，用于人工智能系統開發，并確保數據的相關性、有效性和安全性。

3.第三個建議是承認挑戰，并在預測人工智能系統何時準備好用于戰爭行動方面采取現實態度。

盡管人工智能系統正在許多領域實施，但海軍要為復雜的戰術戰爭行動實施人工智能系統還需要克服一些挑戰。人工智能系統在較簡單應用中的成功并不能保證人工智能系統為更復雜的應用做好準備。海軍應該保持一種現實的認識，即在人工智能系統準備用于戰爭決策輔助工具之前，需要取得重大進展以克服本文所討論的挑戰。實現人工智能系統的途徑可以依靠建模和模擬、原型實驗、艦隊演習以及測試和評估。可以制定一個路線圖，彌合較簡單應用的人工智能和復雜應用的人工智能之間的差距--基于一個積木式的方法，在為逐漸復雜的任務開發和實施人工智能系統時吸取經驗教訓。

海軍將從未來用于戰術戰爭的人工智能系統中獲益。通過安全和有效地實施人工智能系統，戰術決策優勢的重大進步是可能的。此外，海軍必須跟上（或試圖超越）對手在人工智能方面的進展。本文描述了為在海戰中實施人工智能系統而必須解決的四個挑戰。通過對這些新穎而復雜的人工智能系統的深入了解，對研究和開發計劃的投資，以及對人工智能技術進步時限的現實預期，海軍可以在應對這些挑戰方面取得進展。

在過去的十年中，美國國防部（DoD）越來越多地將其條令和能力發展的重點放在大國對手上，如中國和俄羅斯聯邦，或像朝鮮這樣的地區核武大國。美國軍隊在面對這些對手時的最緊張戰役占據了其國防部的規劃。然而，認識到美國防部對高強度戰爭的關注，對手正在有條不紊地開發戰略和系統，以規避美軍的優勢，并通過避免美軍已準備好的情況類型來識別并利用其脆弱性。

作為對抗美國軍事力量不對稱工作的一部分，俄羅斯等軍隊正在追求的作戰方法共同強調信息和決策是未來沖突的主要戰場。諸如中國的 "系統破壞戰"或俄羅斯軍隊的 "新一代戰爭 "等概念，引導部隊以電子和物理方式攻擊對手獲取準確信息的能力，同時引入虛假數據，削弱防御者的定位能力。與此同時，對手的軍事和準軍事部隊孤立或攻擊目標，而不會使沖突升級，從而為美國及其盟國的大規模軍事報復提供“理由”。信息退化和無法采用傳統的美國軍事反應所造成的困境，可以使侵略者在不訴諸于消耗作為主要成功機制的情況下實現其目標。

像俄羅斯等所追求的以決策為中心的概念可能會成為未來沖突的重要形式，特別是當更多對抗發生在大規模生存性戰斗的背景之外。當一個政府的生存受到威脅時，其領導人將更有可能采取以消耗為基礎的方法，試圖避免失敗。雖然當沖突變成消耗性沖突時，決策和信息仍然很重要，但單個部隊的殺傷力和生存能力也同樣具有決定性。

在冷戰后期，美軍對精確打擊戰爭的革命性方法利用了當時的通信數據鏈、隱形和制導武器等新技術。同樣，決策中心戰是在軍事上利用人工智能（AI）和自主系統的最有效方式，這些技術可以說是當今最突出的技術。這種方法的一個例子是美國國防部高級研究計劃局（DARPA）的馬賽克戰爭概念，它將人工智能賦能的指揮和控制（C2）與部隊結合起來，通過納入更大比例的自主系統，實現比今天的美國軍隊更大的分解。

馬賽克戰爭的核心思想是，在人工智能機器控制下，由人類指揮指導的分解型有人和自主單位可以利用其適應性和明顯的復雜性來延遲或阻止對手實現目標，同時破壞敵人的重心，以防止進一步的侵略。這種方法與機動戰相一致，并將馬賽克戰爭與盟軍在第二次世界大戰期間以及美軍在冷戰后的科索沃、伊拉克和利比亞沖突中采用的基于消耗的戰略形成對比。盡管 "馬賽克戰爭 "將消耗作為給對手制造困境的一部分，但其實現目標的主要機制是拒止、拖延或擾亂對手的行動，而不是將對手的軍事力量削弱到無法再有效作戰的地步。

盡管它們有著共同的基礎，但馬賽克戰爭在機動戰的基礎上提出了一種部隊設計和C2流程，使美軍能夠與對手相比執行更大、更多樣化的行動方案（COA）。在以決策為中心的對抗中，擁有這種 "選擇優勢 "的部隊將更有可能給對手帶來無法解決的困境組合。

馬賽克戰爭在其范圍和時間框架方面也與機動戰不同。機動戰被視為戰術和作戰層面的軍事概念，而馬賽克戰爭的部隊設計和C2方法將在戰略層面以及在對抗開始前開發和部署新能力方面產生選擇優勢。

兵力設計

美軍已經采用了馬賽克兵力設計的許多要素。為了增加可選性，"馬賽克"兵力設計將用更多較小的、成本較低的、多功能性較差的單元和系統來取代美軍的一部分單一的、獨立的平臺和單元。盡管這些較小的單元可能在耐力、自我保護或能力方面不如今天的部隊要素，但它們可以由多任務平臺部署或護送進入戰區，并在戰斗中被認為是可消耗的或能消耗的。圖1顯示了如何在美國海軍的兵力結構中實施馬賽克設計方法，在不增加采購或維持成本的情況下增加艦艇的總體數量。海軍和其他美國軍種已經在朝著符合馬賽克式兵力設計的更加分散的兵力結構方向發展。

圖1：美國海軍如何重新平衡以實施馬賽克戰爭兵力設計原則（考慮到通貨膨脹因素，目前和擬議的未來兵力采購和運營成本大致相同）

馬賽克兵力中更多的單元數量和多樣性將為指揮官提供更多的潛在組合，使他們能夠更快地確定可接受的作戰行動，并更容易地選擇具有較高成功率的作戰行動。馬賽克兵力的分解也將使指揮官能夠更精確地校準部隊組合的能力，與今天的美國軍隊相比，這可以使一支部隊分散在更多同時進行的任務中。從對手的角度來看，與傳統兵力相比，馬賽克兵力有更高的決策節奏、規模和有效性，這將排除對手更多的COA，進一步加強馬賽克兵力的可選擇性優勢。

重新平衡美國兵力，使之向更多的小型平臺和編隊發展，可以創造出作戰優勢。更加分散的馬賽克兵力將能夠更好地進行佯攻、探測和其他高風險、高回報的行動，而這些行動并不值得損失一個單一的、多任務的平臺或編隊。分解也將使更多的兵力組合選擇能夠按比例對抗灰色地帶或次常規侵略。相比之下，今天美國的灰區反應要么采用少量昂貴的平臺，在對手的領土附近有被淹沒的高風險，要么采用較大的編隊，可以保護自己，但可能與情況不相稱。

在較長的競爭中，馬賽克兵力中較小的、功能較少的單元與他們單一的、多任務的同行相比，可以更容易地納入新的任務系統和技術。因此，與今天的軍隊相比，馬賽克兵力可以更快地適應新的傳感器、無線電、武器或電子戰系統的研發，而不是等待昂貴和費時的整合。

指揮與控制（C2）

當今由參謀部管理和條令驅動的C2流程過于緩慢，缺乏快速制定COA的能力，無法將大量分散的單元整合在一起執行動態任務。馬賽克C2方法通過將人的指揮與機器的控制結合起來，解決了參謀部驅動的計劃的不足之處。在這種方法中，人類指揮官確定任務，設定限制和優先事項，并確定可使用的兵力；然后由機器賦能的決策支持系統開發出支持指揮官意圖的擬議COA。如圖2所示，一個更加分散的兵力和一個機器化的C2過程將使規模化的決策更加快速，這在馬賽克小組的兵棋推演表現中得到了證明。

圖2：在最近的兵棋推演中，馬賽克兵力和傳統軍事兵力的任務完成情況比較（戰例表明，馬賽克式C2方法與更加分散的兵力結構相結合，可以產生更快、更具適應性的行動。）

人工指揮和機器控制也將支持美軍的任務指揮概念，在通信中斷的情況下，下級領導依靠自己的主動性和創造性來追求高級指揮官的意圖。隨著美軍變得更加分散或分布，下級指揮官在沒有規劃人員的情況下，將更難創造性地運用其控制的單元和系統。因此，與總部隔絕的下級指揮官可能會退回到敵人可以預測的習慣或戰術。決策支持系統將避免這種選擇權的喪失，使下級指揮官能夠有效地即興發揮，并在通信降級時創造出意想不到的行動方案。

實施決策中心戰

今天，美國防部的C3工作是在其聯合全域C2（JADC2）戰略下組織的，其中包括美國空軍的先進作戰管理系統（ABMS）、陸軍的聚合項目和海軍的超配項目。JADC2下的系統開發主要集中在通信方面，以通過ABMS連接更多不同的單元，但獲得決策優勢將要求指揮官不僅僅是連接兵力，還要比他們的對手更快或更有效地制定COA和組成兵力包。

盡管JADC2應該幫助指揮官與更加多樣化和動態的部隊進行溝通，但目前由參謀部主導的美軍規劃方法將無法以與作戰相關的節奏來審查越來越多可能的COA。為了加快規劃速度，參謀部可能會退回到敵人更容易預測的條令或習慣，從而減少美軍的決策優勢。

需要一些新技術來實現美國防部的新興兵力設計，如自主車輛控制、網絡管理系統和小尺寸的傳感器或效應器。然而，這些工作得到了很好的支持并達到了很高的成熟度。鑒于美國防部在部署更多的分解兵力方面取得的進展，C2應該是一般決策中心戰和馬賽克戰的技術發展重點。人工指揮和機器控制的技術已經在美國防部旨在支持特定軍事任務（如空對空作戰或導彈防御）的舉措中體現。C2技術的發展將需要建立在這些規劃的基礎上，并能夠管理整個部隊的多種任務，以對抗那些積極試圖破壞美國決策的對手。

與今天作戰計劃中所使用的劇本和戰術相比，實現馬賽克兵力設計中所固有的更大的可選擇性，將需要決策支持系統能夠快速分析許多潛在的作戰行動和對手反應，為指揮官提供對每個作戰行動成功的可能性評估，以及它如何影響對手的決策空間。也許最重要的是，決策中心戰的C2工具將需要有能力開發和考慮以前的交戰或條令范圍之外的COA，以便用意外的行動給對手一個出其不意，或對不可能的對手行動作出反應。美國防部的一些項目已經在追求所需的算法，以支持這種對對手 "改變游戲"的方法。

在較長的沖突中，C2工具還需要幫助指揮官了解他們如何協調個體交戰，以實施他們的戰略并保持選擇優勢。例如，指揮官最初可以使用大量的同時行動方案，包括大量的佯攻和試探，以壓倒敵人的決策并縮小決策空間。利用從行動中獲得的信息，美軍隨后可以對主要目標實施一系列重點攻擊，同時利用損失可能性大的可損耗部隊對敵軍實施壓制行動。美軍指揮官可以通過對剩余目標實施一系列意想不到的作戰行動來結束任務，以限制敵人的選擇并使其失去平衡，直到美軍完成其目標。一個以決策為中心的C2工具應該幫助指揮官考慮一系列像這樣的COA來對付一系列敵人的反應。

實施決策中心戰的兵力將需要一套復雜的C2和通信能力，以充分利用更細分的兵力設計可能帶來的可選性，并縮小對手可用的COA。這些任務整合能力將在下一節描述。

整合異質軍事力量

通信技術、模塊化電子產品和軟文定義系統的進步正在推動美國經濟大多數部門的爆炸性增長和專業化。在技術公司商業模式的推動下，消費者可以獲得越來越多的定制產品和服務，往往直接送到他們的家里。盡管2020年的冠狀病毒大流行和遠程工作的緊迫性加速了這些發展，但這些發展反映了潛在的趨勢，正不可阻擋地走向一個迅速擴大的市場，提供多樣化產品和服務。

軍隊也在向異質性和規模性相結合的方向發展。美國防部正在通過分布式兵力結構追求更大的彈性，旨在增加敵人需要攻擊的目標數量，并擴大美國部隊實施進攻行動的方式。在一個財政緊張的環境中，進一步分配美軍必然會增加其異質性。如果今天的美國聯合部隊被分配成更多的具有大致相同能力的單元，那么要么美國軍隊的整體規模太小，因為每個單元都是一個昂貴的多任務平臺或編隊，要么美國防部將缺乏所需的高端能力，如防空或遠程火力，而這些能力太過昂貴，無法由每個單元攜帶。因此，與目前的美軍相比，美國防部未來的兵力設計可能會更加分散和異質化，將更少的大型多任務平臺和兵力編隊與更多的小型、更專業的單元相結合。

除了因分布而產生更好的彈性之外，一支更加異質的美國兵力可能會在對抗中更加有效，在這種對抗中，成功越來越多地來自于信息和決策的優勢，而不是消耗性。例如，"馬賽克戰爭"概念認為，一支能夠大規模利用異質性的軍隊可以通過為指揮官提供更大的適應性和為敵人創造更復雜的展示來評估、理解和防御，從而獲得對對手的決策優勢。

美國特種作戰部隊（SOF）是當代類似馬賽克兵力設計的一個例子，它主要由小型的、專門的兵力組成，并由一些多任務平臺或兵力編隊支持。然而，SOF的訓練、裝備和規劃模式如果在整個美軍中應用，就顯得過于昂貴和耗時。要使美國防部的通用部隊在可能的財政和組織限制下具有更強的適應性和可組合性，就需要采取新的兵力管理和準備方法，以平衡可擴展性和為指揮官提供更多可選擇的目標。

以決策為中心的戰爭意味著兩個層面的競爭。在行動上，軍隊將需要有能力通過在戰場上重新組合和整合兵力來利用更多的分布式和異質性兵力可能帶來的適應性。在體制上，軍隊將需要通過采用新的技術和概念，利用新出現的機會或應對新的威脅和挑戰，不斷發展能力來進行競爭。

規模化的異質性將提高美軍的可組合性，但決策優勢將同樣或更多地取決于整合部隊并協調其行動的C3能力。除了組織更多和更多樣化的軍事單位的困難之外，今天的規劃和管理過程很可能被更多的兵力組成和效果鏈所產生的復雜性所淹沒。因此，無論美軍最終達到何種程度的異質性，都需要新的C3組織、流程和系統來實施以決策為中心的戰爭。

換個角度看，僅僅在現有部隊中建立機器對機器的通信，不太可能對對手提供不對稱的優勢。雖然將所有的東西都聯網是一個崇高的長期目標，但在可預見的未來是不現實的。一個更富有彈性的競爭領域將是管理時間和協調兵力組合的可能性，指揮官可以與這些單元溝通，以追求直接的、集中的軍事目標。決策支持工具可以幫助指揮官了解他們的通信可用性，并利用更多潛在兵力組合和更加異質化兵力的COA。美國軍方已經在擴大使用基于計算機的C2輔助工具，其中一些采用了人工智能（AI），利用建模和仿真以及以前的行動結果來加快COA的開發和提高其有效性。

美國防部通常用來評估與新作戰方法相關需求的結構考慮了條令、組織、訓練、物質、領導、人員和設施（DOTMLPF）。由于 "馬賽克戰爭"、JADC2和聯合作戰概念的條令已經在發展之中，本研究將重點關注其余的DOTMLPF要素，分為三個主要類別：任務整合、作戰基礎設施和機構流程。

任務整合

今天，兵力的組成主要由各軍種執行，它們組織、訓練和裝備部隊，然后部署到作戰司令部（CCDR）及其特定領域的服務指揮官。然而，美國防部依靠各軍種來創建兵力組合，這可能會將兵力組合的種類限制在使用單一軍種的能力上。此外，各軍種被激勵限制他們創建的兵力組合的多樣性，以控制與部署前準備和認證部隊有關的成本。

為了利用一個更加異質和可重組軍隊的潛力，作戰指揮官（CCDR）將需要在戰區建立機制，重新組合和整合來自多個部門和領域的兵力。然而，要確定何時需要重新組合，就需要不斷評估當前兵力組合的有效性和適應性，以應對作戰指揮官（CCDR）可能需要處理的一系列潛在情況。在戰場上整合新的兵力組合也會在行動基礎設施方面產生費用，如后勤、保護、運輸和C3能力。為了管理其評估和重組工作的范圍和成本，作戰指揮官（CCDR）可以把重點放在一小部分必須解決的作戰挑戰上，以實現其威懾和作戰準備計劃。作戰指揮官（CCDR）的一個任務整合小組可以持續評估現有兵力的能力，以應對作戰指揮官（CCDR）的行動挑戰，并在有效性和適應性的改善超過與行動基礎設施相關的成本時，指導戰區兵力的重新組合。

任務整合的過程也將產生未來能力發展的洞察力。通過評估，任務整合小組可能會發現潛在的新能力，與目前應對作戰挑戰的方法相比，這些能力將在有效性或適應性方面產生重大改進。為了抓住這些機會，美國防部將需要利用一個聯合的能力發展模式，包括服務項目辦公室、快速能力組織和 "任務工廠"，如海軍和空軍作戰中心。

作戰設施

要實現一支更加異質化的未來兵力的更大潛在選擇性，將取決于軍事運輸、保護、后勤、能源、C2和通信基礎設施的性質和供應的變化。較小的專業單元，如巡邏艇、無人駕駛飛機或營級及以下的部隊編隊，往往需要被帶入戰區，并獲得比大型獨立的多任務平臺和編隊更多的無機支持和保護。在某些情況下，多任務單位可以與更小、更專業的部隊協同行動，提供保護和支持。當獨立行動時，與今天高效但集中的補給和燃料庫、飛機和船舶相比，功能較少的部隊編隊和有人或無人平臺可能需要更加分散的基礎設施和后勤力量。

地理限制較少的軍事能力，如天基傳感和通信系統或信息和網絡工具，也將需要由作戰指揮官（CCDR）部整合成重新組合的兵力包。像更小、更專業的平臺和編隊一樣，這些能力也可能依賴于作戰基礎設施；網絡工具可能需要運輸工具來實際接觸目標，或者商業衛星傳感器可能依賴于互操作性軟件來與無人駕駛的軍事水面艦艇連接。

如上所述，任務整合小組在分析新的兵力組成時需要考慮作戰基礎設施。在一支更加異質化的軍隊中，規模較小、功能較少的單元將無法滿足其自身的所有支持要求，因此有必要將作戰基礎設施納入作戰指揮官（CCDR）在戰區創建的新兵力組合。

美國防部機構過程

美國防部今天使用的基于預測和以供應為重點的分析、資源分配和能力發展過程不適合實現以決策為中心的戰爭所需的兵力設計和C3架構。最重要的是，更多的可重組兵力將不會產生可預測的系統實例，而這些系統實例可以用來確定能力差距，并定義工程師通過研究和開發（R&D）追求的要求。美國防部將需要新的方法來評估和滿足其能力需求，以反映以決策為中心的兵力的更大選擇性。

今天，聯合能力整合與發展系統（JCIDS）旨在通過預測計劃能力在預測的未來場景中的表現來確定系統需求。這種方法取決于對美軍配置的假設，但隨著美軍變得更加可重組，單位的具體組合及其戰術將不那么確定。為了評估未來美軍的有效性，美國防部可以評估在現實情況下，可以追求的所有合理的兵力組合。兵力的有效性在不同配置和情況下的分布可以被表示為一種統計分布，而不是目前通過JCIDS指導的點解決方案。

美國防部正在通過任務線索分析和任務工程，來確定可組合性要求方面取得的一些進展。美國防部長辦公室（OSD）、美國聯合參謀部和各軍種正在開始使用這種方法。在今天的應用中，任務線程分析檢查了完成針對目標的特定殺傷鏈所需的信息和數據流，這可以暴露出數據傳輸和共享方面的差距，而這些差距并沒有反映在簡單的作戰結構圖中。然而，由于假設兵力要素的靜態安排，美國防部目前的任務工程有可能創造出只在單一配置下工作的脆性系統。美國的不對稱優勢應該來自于快速分解和重新組合兵力并創造新的系統組合的能力。

在過去的十年中，美國國會和國防部建立了新的采購程序，可以提高美國軍隊根據新出現的技術機會和作戰挑戰而不是對未來需求的預測來發展能力。然而，美國防部開始、停止或改變能力發展方向的能力從根本上受到以供應為基礎的政府預算結構和程序的限制，這些結構和程序是圍繞著項目而不是任務或需求建立的，需要多年才能改變資金的分配。新的預算機制具有更大的靈活性，如基于任務的預算編制或美國防部最近的軟件撥款試點，將需要通過修改或引入可以提高部隊的有效性或適應性的新能力來應對作戰指揮官（CCDR）的行動挑戰。

結論與建議

新興技術和新的使用案例正在推動消費產品、服務和軍事力量走向異質性和規模性的結合。在商業應用中，互聯網、移動通信、模塊化產品和基于算法的運輸正在使定制產品和服務分散到用戶手中。軍隊也能夠類似地利用網絡、C2工具、模塊化任務系統和作戰基礎設施來組成兵力包，為作戰指揮官（CCDR）提供有效性和適應性的組合。

許多商業技術公司圍繞著向廣泛分布的客戶提供定制產品和服務的能力來建立自己的業務，而美國防部在很大程度上是規模化異質性趨勢的旁觀者。盡管五角大樓建立了越來越多的能力發展組織和采購途徑，以更快地部署更多樣化的系統，但這些努力的目標是為了更快地將能力提供給作戰人員，而不是改變其部隊發展模式以利用基本的技術趨勢。

美軍需要作戰和體制上的決策優勢，以有效威懾諸如俄羅斯武裝力量這樣的對手。在行動上，實現更大的決策空間取決于是否有軍事單元和決策支持工具能夠組成在廣泛情況下有效的兵力包。在戰略上，美國防部的機構過程將需要新的衡量標準和分析方法，更靈活的資源分配結構，以及更靈敏的國防工業生態系統，以調整其能力以實現作戰優勢。

作為第一步，美國防部應更積極主動地利用國防技術的發展，明確采用聯合模式進行任務整合。今天，服務部門整合部署單元的方法，以及賦予CCDR在戰區重新組合兵力的能力，剝奪了美國指揮官最有效的適應機會，也沒有利用網絡和互操作性方面的持續進步。除了產生更多的作戰選擇外，為CCDR提供組建兵力的工具和作戰基礎設施，還可以為已經按照任務工廠、快速能力組織和任務整合方式進行組織的能力開發者提供反饋。

為了充分利用規模化異質性的機會，美國防部應該更進一步，開始改革其一些決策過程。通過優先考慮適應性和有效性作為能力評估的衡量標準，兵力規劃者可以優先考慮在各種情況下改善結果的系統，并根據價值而不是成本做出決定。執行這些評估將需要新的分析方法和工具，與今天在一套狹窄的典型場景中進行深入分析相比，這些方法和工具可以在較低的保真度下快速檢查許多情況。為了給CCDR提供行動基礎設施以整合戰區兵力，或提供實現可接受的有效性和適應性所需新的和修改的能力，美國防部將需要比今天的計劃要素結構更靈活的預算類別。

美國防部將需要讓國防工業作為合作伙伴參與其提高作戰和戰略靈活性的工作。技術和概念趨勢正在推動商業和國防生態系統走向新的能力交付模式，并將政府作為客戶參與其中。根據價值而不是成本來衡量新能力的效用，美國防部可能能夠激勵商業對國防能力做出更大的貢獻。

五角大樓應該停止讓技術的發展與它擦肩而過。通過接受新的能力開發、整合和決策模式，美國防部可以獲得組織上的靈活性，以有效地與俄羅斯等進行同行競爭。如果不這樣做，美國軍隊就會面臨像IBM個人電腦那樣的風險——在那個時代，它的能力很強大，但被更靈活的競爭對手打破，變得無關緊要。

人工智能（AI）是一個創新的引擎，正在推動科學發現和經濟增長。它正日益成為解決方案的一個組成部分，這些解決方案將影響到從日常例行任務到社會層面的挑戰，最終服務于公共利益。同時，也有人擔心人工智能可能會產生負面的社會和環境后果。為了實現人工智能的積極和變革潛力，必須利用美國所有的聰明才智，以解決社會挑戰的方式推進該領域，為所有美國人服務，并維護民主價值觀。

然而，目前人工智能前沿的進展往往與獲得大量的計算能力和數據有關。今天，這種機會往往僅限于那些資源豐富的組織。這種巨大且不斷擴大的資源鴻溝有可能限制和不利于人工智能研究生態系統。這種不平衡威脅著國家培養人工智能研究社區和勞動力的能力，以反映美國豐富的多樣性和利用人工智能來推動公共利益的能力。

如本報告所述，一個可廣泛使用的人工智能研究網絡基礎設施，匯集了計算資源、數據、測試平臺、算法、軟件、服務、網絡和專業知識，將有助于使美國的人工智能研究和開發（R&D）景觀民主化，使所有人受益。它將有助于創造途徑，擴大參與人工智能的研究人員的范圍，并使人工智能的方法和應用增長和多樣化。這種網絡基礎設施也有助于為所有科學領域和學科的進步開辟新的機會，包括在人工智能審計、測試和評估、可信的人工智能、減少偏見和人工智能安全等關鍵領域。反過來，更多的機會和多樣化的視角可以帶來新的想法，否則就不會實現，并為開發設計上具有包容性的人工智能系統創造條件。

作為《2020年國家人工智能倡議法》的一部分，國會成立了國家人工智能研究資源（NAIRR）工作組，以 "調查 "NAIRR作為國家人工智能研究網絡基礎設施的可行性和可取性，并 "提出詳細說明[如何建立和維持NAIRR]的路線圖。" 最近的《2022年CHIPS和科學法案》加強了民主化使用國家人工智能研究網絡基礎設施的重要性，通過投資加速先進計算的發展--從下一代圖形處理單元到高密度內存芯片--以及采取措施積極吸引廣泛和多樣化的美國人才參與前沿科學和工程，包括人工智能。

這份最終報告是特別工作組歷時18個月，為建立NAIRR制定愿景和實施計劃的最終成果。它建立在工作組2022年5月發布的臨時報告中的調查結果和建議的基礎上，提供了一個實現NAIRR目標的實施計劃：以保護隱私、公民權利和公民自由的方式，加強美國的人工智能創新生態系統并使之民主化。

NAIRR的建立應考慮到四個可衡量的目標，即（1）刺激創新，（2）增加人才的多樣性，（3）提高能力，以及（4）推進值得信賴的人工智能。NAIRR應該通過支持來自不同背景的研究人員和學生的需求來實現這些目標，這些研究人員和學生正在從事基礎性的、受使用啟發的和轉化性的人工智能研究。這些用戶應以美國為基地或隸屬于美國的組織，包括學術機構、非營利組織和初創企業或小型企業。

NAIRR應包括一套來自不同供應商的計算、數據、測試平臺和軟件資源，以及技術支持和培訓，以滿足這一目標用戶群的需求。NAIRR的具體設計、實施和評估應圍繞四個關鍵目標進行，并應支持收集數據以評估系統性能的關鍵指標和實現這些目標的成功。

NAIRR的管理和治理應遵循合作管理模式，即由一個聯邦機構作為NAIRR運作的管理機構，由聯邦機構的負責人組成的指導委員會負責推動NAIRR的戰略方向。行政機構內的項目管理辦公室應該為一個獨立的運營實體提供資金和監督，以管理NAIRR的日常運營。由國家人工智能倡議辦公室（NAIIO）共同主持的指導委員會將在NAIRR的管理中納入聯邦各機構的利益和觀點。這些機構也應直接支持資源提供者，他們的資源聯合起來將構成NAIRR。應通過用戶委員會、科學咨詢委員會、技術咨詢委員會和道德咨詢委員會向運營實體提供建議，挖掘多樣化的觀點和專業知識，為NAIRR的運營提供信息。

NAIRR應通過一個綜合門戶網站提供計算和數據資源、測試平臺、軟件和測試工具以及用戶支持服務的聯合組合。計算資源應包括傳統服務器、計算集群、高性能計算和云計算，并應支持訪問邊緣計算資源和人工智能研發的測試平臺。開放的和受保護的數據應在分層訪問協議下提供，并與計算資源共處一地。運營實體本身不應操作構成NAIRR的全部計算機硬件；相反，計算以及數據、測試和培訓資源應作為服務由通過聯邦機構或多機構資助機會選擇的合作伙伴資源提供者提供。當全面實施時，NAIRR應同時滿足人工智能研究界的能力（支持大量用戶的能力）和能力（訓練資源密集型人工智能模型的能力）需求

NAIRR必須能被各種用戶廣泛使用，并提供一個可用于教育和社區建設活動的平臺，以降低參與人工智能研究生態系統的障礙，增加人工智能研究人員的多樣性。NAIRR的訪問門戶和公共網站應提供目錄以及搜索和發現工具，以促進對數據、測試平臺以及為各種經驗水平服務的教育和培訓資源的訪問。

NAIRR應該通過設計和實施其管理程序，為負責任的人工智能研究設定標準。NAIRR必須從一開始就通過整合適當的技術控制、政策和治理機制，積極主動地解決隱私、民權和公民自由問題。運營實體應與道德咨詢委員會合作，制定標準和機制，從隱私、民權和公民自由的角度評估擬納入NAIRR的研究和資源。應根據白宮科技政策辦公室在2022年10月發布的《人工智能權利法案藍圖》，要求定期培訓，以建立NAIRR用戶對人工智能研究中與隱私、民權和公民自由有關的權利、責任和最佳做法的認識。

NAIRR應根據既定的指導方針實施系統保障措施。這些準則包括美國國家標準與技術研究所（NIST）制定的準則和五個安全框架：安全項目、安全人員、安全設置、安全數據和安全產出。運營實體應將NAIRR網絡基礎設施設計成由多個層次組成，首先是兩個主要區域：一個開放的科學區域 "NAIRR-開放 "和一個安全區域 "NAIRR-安全"。每個區域都應該聯合計算、網絡和數據資源，按照安全和訪問控制政策運行，這些政策在區域內是統一的，但在區域之間是不同的，反映了用戶和資源運營商的不同優先級和需求。NAIRR-Open應采用開放科學界20多年來形成的最佳做法；與聯邦開放數據、開放政府和研究安全政策保持一致；使用單點登錄認證和運營實體管理的資源分配機制管理訪問。NAIRR-Secure應該由一個或多個安全飛地組成，遵守一套共同的安全控制，并有能力支持受法律保護的數據所產生的安全要求。

NAIRR的實施應分四個階段，在本報告發表后立即開始。在第一階段，國會應授權并撥款建立NAIRR。行政機構和NAIIO應該協調指導委員會的成立，并建立一個項目管理辦公室，然后準備對運營實體的招標，并管理選擇過程。

圖：階段性NAIRR實施時間表

在第二階段，運營實體應確立其活動，并監督NAIRR門戶網站和用戶界面的創建，建立適當的技術和政策控制。該架構應支持收集關鍵績效指標，以評估NAIRR的進展。資源提供者應通過協調的、多機構的籌資機會來選擇，最好是在運營實體最初授予的6個月內發布。

在第三階段，NAIRR應達到初步的運作能力，運營實體也應正式確定政策、程序和初步的技術資源，提供給人工智能研究人員。最初的能力包括：（1）一個門戶網站和用戶支持資源；（2）一個混合的計算資源提供者；（3）一個分配和身份系統；（4）一個數據發布系統。在第四階段，活動應從建立NAIRR過渡到建立穩定的運作，以及根據用戶的吸收和需求對NAIRR資源進行計劃的演變。

最后，工作組還提出了一個實施NAIRR的試點方案，該方案將與上述階段同時啟動，以加快向人工智能研發界提供NAIRR資源。

按照設想，NAIRR的影響將是巨大而深遠的，使研究人員能夠解決從常規任務到全球挑戰的各種問題。為了實現其愿景和目標，特別工作組估計NAIRR的預算在最初的六年期間為26億美元。這筆投資的大部分（22.5億美元）用于資助通過NAIRR獲得的資源，通過向多個聯邦機構撥款。工作小組根據先進的計算資源以及數據、培訓和軟件資源的近期成本、滿足人工智能研發界當前需求的使用水平估計，以及人工智能研發界的預期增長來估計這一預算。資源提供者應每兩年上線一次，使用壽命為六年，這樣每兩年就會有7.5億美元的新投資，以確保NAIRR的資源保持最先進的水平。運營實體每年將需要5500萬至6500萬美元來支持NAIRR活動的協調和管理。每年還有500萬美元的預算用于對運營實體和NAIRR績效的外部評估。

本報告中提出的NAIRR的愿景旨在滿足國家對增加獲得最先進的資源的需求，以推動人工智能創新。實現這一愿景的路線圖建立在現有的聯邦投資之上；設計了對隱私、民權和公民自由的保護；并促進了多樣性和公平的使用。如果成功，國家人工智能研究資源將改變美國國家人工智能研究生態系統，并通過加強和民主化參與美國的基礎性、使用性和轉化性人工智能研發，促進解決社會層面問題的能力。

這篇短文分析了英國在最近兩份政策文件中提出的將人工智能（AI）用于軍事目的的方法。第一部分回顧并批評了英國防部于2022年6月發布的《國防人工智能戰略》，而第二部分則考慮了英國對 "負責任的"軍事人工智能能力的承諾，該承諾在與戰略文件同時發布的《雄心勃勃、安全、負責任》文件中提出。

建立自主武器系統所需的技術曾經是科幻小說的范疇，目前包括英國在內的許多國家都在開發。由于無人駕駛飛機技術的最新進展，第一批自主武器很可能是基于無人機的系統。

英國無人機戰爭組織認為，開發和部署具有人工智能功能的自主武器將產生一些嚴重的風險，主要是在戰場上喪失人的價值。賦予機器奪取生命的能力跨越了一個關鍵的道德和法律障礙。致命的自主無人機根本缺乏人類的判斷力和其他素質，而這些素質是在動態戰場上做出復雜的道德選擇、充分區分士兵和平民以及評估攻擊的相稱性所必需的。

在短期內，自主技術的軍事應用可能是在低風險領域，如物流和供應鏈，支持者認為這些領域有成本優勢，對戰斗情況的影響最小。這些系統可能會受到人類操作員的密切監督。從長遠來看，隨著技術的進步和人工智能變得更加復雜，自主技術越來越有可能成為武器，人類監督的程度可望下降。

真正的問題也許不是自主權的發展本身，而是人類控制和使用這一技術發展的里程碑的方式。自主性提出了與人類判斷、意圖和責任有關的廣泛的倫理、法律、道德和政治問題。這些問題在很大程度上仍未得到解決，因此，對于快速推進發展自主武器系統，人們應該深感不安。

盡管自主武器系統似乎不可避免，但有一系列的措施可以用來防止其發展，如建立國際條約和規范，制定建立信任措施，引入國際法律文書，以及采取單邊控制措施。英國無人機戰爭組織認為，英國應充分參與在國際舞臺上制定這些措施。

然而，在這個時候，政府似乎希望保持其選擇的開放性，經常爭辯說，它不希望創造可能阻礙人工智能和機器人技術的基本研究的障礙。盡管如此，大量受控技術，如加密，或在核、生物和化學科學領域，可用于民事或軍事目的，而且受控時不會扼殺基礎研究。

提綱

• 戰術無人機營--一個場景
• 背景和框架
  • 未來戰斗行動的開展
  • 人工智能
  • 政治和法律框架
• 目標
  • G1：提高日常工作的效率
  • G2: 提高行動能力
  • G3: 解決潛在的能力差距
• 驅動力
  • DF1: 潛在對手的人工智能能力
  • DF2：作戰行動的動態性不斷增強
  • DF3: 更少的合格人員
  • DF4: 資源短缺
  • DF5: 信息的數量和密度
  • DF6：信息技術和人工智能發展的動態性
• 陸軍發展的行動領域(FoA)
  • FoA1：現有系統的進一步發展
  • FoA2：新的武器系統和武器裝備
  • FoA3：人員/物資的人工智能能力管理
  • FoA4：在培訓中使用人工智能
• 組織結構的行動領域
  • 招聘人工智能專家
  • 軍隊、研究和工業之間的合作
  • 國際合作
  • 使用測試和實驗結構
  • AI數據基礎設施和組織
• 總結
• 附件：德國陸軍概念和能力發展中的實施措施

在軍事上有許多行動領域使用人工智能。除了對正在使用的系統進行持續的進一步開發和人工智能鑒定，特別是具有新特性的未來系統將能夠從人工智能的應用中受益。日常工作中的人員和物資管理，以及培訓，也提供了主要的潛在行動領域。

一個精心定義的政治和法律框架是必不可少的，特別是對于軍事力量的使用。因此，目前和將來使用自動化和自主系統必須符合FMoD的政治和法律要求。除了政治和法律方面，從軍事角度來看，使用致命性自主武器系統也是一種不可取的、非預期的選擇。

人工智能是一種高技術，需要大量的專業知識和開發努力。為了實現這一目標，德國陸軍正在尋求與歐洲工業和研究的密切合作。在德國陸軍發展的背景下已經建立的技術與能力（TmC）模式正被用作進一步活動的起點。

為了能夠充分應對未來所有與人工智能相關的挑戰，德國陸軍必須擁有合格的人工智能人才。在這方面，聯邦國防軍面臨著來自民用部門的強烈競爭。為了滿足短期內的需求，軍隊正在依靠現有的OR/M&S人員。

目前所有的數據表明，利用人工智能的方法和程序可以大幅提高陸軍的效率和效力。為了能夠適當地應對即將到來的挑戰，必須采取與組織程序和結構有關的措施。因此，"陸軍中的人工智能 "立場文件建議為陸軍設立人工智能工作臺，為陸軍設立人工智能開發中心，為陸軍設立人工智能數據中心。只有這樣才能全面覆蓋人工智能領域的創新、人工智能系統的培訓和數據的提供。

下文將在附件中詳細介紹使早期實現成為可能所需的所有措施。

德國陸軍概念和能力發展中的實施措施

2018/2019年，在德國陸軍概念和能力發展中心開展了關于人工智能（AI）主題的 "技術與能力 "形式。在一系列研討會的過程中，根據北約綜合作戰計劃指令（COPD），確定了人工智能在陸軍所有能力領域以及武器和服務中的應用，并按行動路線進行分類。下面詳細列出了五個應用領域，每個領域都有不同的行動路線。

根據內容和發展的成熟度，這些措施和行動方針的實施是通過CD&E和R&T活動進行的，或者在CPM的范圍內通過適當的舉措進行。與聯邦國防軍的能力概況相匹配是至關重要的。陸軍概念和能力發展中心負責實施。

• 1 圖像分析

這個領域匯集了基于人工智能的目標識別和分類系統領域的所有活動。這些項目正在逐步建立起一種功能，以模塊化的方式擴展陸軍的各種保護和效果組件，包括從ISR到基于效果的自動系統。一個重點是將現有的民用方法用于軍事目的。

• 2 戰術無人機

這一領域匯集了與不同幾何形狀的小型無人機系統有關的所有活動。這些活動包括從偵察到障礙物，再到進攻性武器系統。不管是什么活動，重點都是在防御和部署自己的TaUAS的能力。一個重要的挑戰是，特別是創造出足夠堅硬和強大的TaUAS，使其能夠使用被動傳感器系統，在非常有限的通信和沒有GPS的情況下，在白天和晚上半自主地行動。

• 3 下一代戰斗管理系統（NGBMS）

這一領域匯集了所有側重于指揮和控制的活動。它既包括實現單一的功能，在適用的情況下，也可以在已經進行的活動中進行改裝，也包括將可能用于超戰爭情況的系統和方法概念化。沒有任何跡象表明有任何明顯的雙重用途。挑戰在于對指揮和控制過程的相關部分進行建模，以創建超戰可行的指揮和控制組件。理想情況下，指揮和控制過程的一部分可以按照博弈論的思路被描述為一個游戲，這樣人工智能就可以在決策支持或指揮和控制的自動手段的意義上使用。MUM-T是這方面的一個關鍵挑戰。

• 4 材料和基礎設施

這一領域匯集了后勤、維護和IT管理領域的所有活動。該行動路線包含了各種可以相對快速實施的措施，并有助于更好地應對當前在支持方面的挑戰。許多力爭實現的功能正在民用部門以非常類似的形式使用或開發。

• 5 分析方法

這個領域匯集了各種單獨的解決方案，其中人工智能和大數據可以為有關數據分析和優化的經典問題提供支持。數字化和人工智能提供了一個新的質量機會，因為某些問題（識別，......）可以實時和提前解決（也適用于車輛）或技術設備（如防火墻）。

2022年6月美國防部副部長凱瑟琳-希克斯簽署了美國防部負責任的人工智能戰略和實施途徑（RAI S&I Pathway），該途徑指導國防部（DoD）實現其可信人工智能（AI）生態系統的目標。美國防部必須將自己轉變為一個為人工智能做好準備的組織，將負責任的人工智能（RAI）作為一個突出的特征，以保持其競爭優勢。

Drone Wars UK 的最新簡報著眼于人工智能目前在軍事環境中的應用方式，并考慮了所帶來的法律和道德、作戰和戰略風險。

人工智能 (AI)、自動決策和自主技術已經在日常生活中變得普遍，并為顯著改善社會提供了巨大的機會。智能手機、互聯網搜索引擎、人工智能個人助理和自動駕駛汽車是依賴人工智能運行的眾多產品和服務之一。然而，與所有技術一樣，如果人們對人工智能了解甚少、不受監管或以不適當或危險的方式使用它，它也會帶來風險。

在當前的 AI 應用程序中，機器為特定目的執行特定任務。概括性術語“計算方法”可能是描述此類系統的更好方式，這些系統與人類智能相去甚遠，但比傳統軟件具有更廣泛的問題解決能力。假設，人工智能最終可能能夠執行一系列認知功能，響應各種各樣的輸入數據，并理解和解決人腦可以解決的任何問題。盡管這是一些人工智能研究計劃的目標，但它仍然是一個遙遠的前景。

AI 并非孤立運行，而是在更廣泛的系統中充當“骨干”，以幫助系統實現其目的。用戶不會“購買”人工智能本身；他們購買使用人工智能的產品和服務，或使用新的人工智能技術升級舊系統。自主系統是能夠在沒有人工輸入的情況下執行任務的機器，它們依靠人工智能計算系統來解釋來自傳感器的信息，然后向執行器（例如電機、泵或武器）發出信號，從而對機器周圍的環境造成影響.

人工智能被世界軍事大國視為變革戰爭和獲得戰勝敵人的優勢的一種方式。人工智能的軍事應用已經開始進入作戰使用，具有令人擔憂的特性的新系統正在迅速推出。與軍事和公共部門相比，商業和學術界已經引領并繼續引領人工智能的發展，因為它們更適合投資資金和獲取研究所需的資源。因此，未來人工智能的軍事應用很可能是對商業領域開發的技術的改編。目前，人工智能正在以下軍事應用中采用：

• 情報、監視和偵察
• 賽博戰
• 電子戰
• 指揮控制和決策支持
• 無人機群
• 自主武器系統

人工智能和英國軍事

綜合審查和其他政府聲明毫無疑問地表明，政府非常重視人工智能的軍事應用，并打算繼續推進人工智能的發展。然而，盡管已經發布了概述使用自動化系統的學說的出版物，但迄今為止，英國國防部 (MoD) 仍然對管理其人工智能和自主系統使用的倫理框架保持沉默，盡管已經做出了一些重大決定。軍事人工智能的未來用途。

英國國防部一再承諾發布其國防人工智能戰略，預計該戰略將制定一套高級倫理原則，以控制軍事人工智能系統的整個生命周期。該戰略是在與來自學術界和工業界的選定專家討論后制定的，盡管政府尚未就與人工智能的軍事用途相關的倫理和其他問題進行公開磋商。該戰略的主要目的之一是向行業和公眾保證，國防部是人工智能項目合作的負責任合作伙伴。

與此同時，在沒有任何道德指南的情況下，計劃和政策正在迅速推進，主要問題仍未得到解答。英國軍隊在什么情況下會采用人工智能技術？政府認為何種程度的人為控制是合適的？風險將如何解決？英國將如何向其盟友和對手證明英國打算采取有原則的方法來使用軍事人工智能技術？

軍事人工智能系統帶來的風險 上述人工智能的每一種不同的軍事應用都會帶來不同的風險因素。作為國防部總部后臺操作的一部分，對數據進行排序的算法會引發不同的問題和擔憂，并且需要與自主武器系統不同級別的審查。

盡管如此，目前正在開發的人工智能系統無疑會對生命、人權和福祉構成威脅。軍事人工智能系統帶來的風險可以分為三類：道德和法律、操作和戰略。

道德和法律風險

• 遵守戰爭法： 目前尚不清楚機器人系統，特別是自主武器如何能夠滿足戰爭法制定的致命決定和保護非戰斗人員的標準。

-問責制：目前尚不清楚如果出現問題，誰來承擔責任：如果計算機運行不可預測并因此犯下戰爭罪行，懲罰它是沒有意義的。

• 人權和隱私：人工智能系統對人權和個人隱私構成潛在威脅。

• 不當使用：在戰斗環境中處于壓力之下的部隊可能會試圖修改技術以克服安全功能和控制。

作戰應用風險

• 偏見的技術來源：人工智能系統的好壞取決于它們的訓練數據，少量損壞的訓練數據會對系統的性能產生很大影響。

• 偏見的人為來源：當人類濫用系統或誤解其輸出時，可能會導致偏見。當作戰員不信任系統或系統非常復雜以至于其輸出無法解釋時，也會發生這種情況。

• 惡意操縱：軍用 AI 系統與所有聯網系統一樣，容易受到惡意行為者的攻擊，這些行為者可能試圖干擾、黑客攻擊或欺騙系統。

戰略風險

• 降低門檻：人工智能系統帶來了政治領導人在沖突中訴諸使用自主軍事系統而不是尋求非軍事選擇的風險。

• 升級管理：涉及人工智能的軍事行動的執行速度降低了審議和談判的空間，可能導致快速意外升級并造成嚴重后果。

• 軍備競賽和擴散：對軍事人工智能的追求似乎已經引發了軍備競賽，主要和地區大國競相發展其能力以保持領先于競爭對手。

• 戰略穩定性：如果先進的人工智能系統發展到能夠預測敵人戰術或部隊部署的程度，這可能會產生高度不穩定的后果。

本簡報列出了為人工智能設想的各種軍事應用，并強調了它們造成傷害的可能性。它認為，減輕軍事人工智能系統帶來的風險的建議必須基于確保人工智能系統始終處于人類監督之下的原則。

迄今為止，公眾對人工智能和機器人技術進步所帶來的社會變化和風險似乎知之甚少。這份簡報的部分目的是為了敲響警鐘。人工智能可以而且應該用于改善工作場所的條件和對公眾的服務，而不是增加戰爭的殺傷力。

美國國防部(DOD)報告稱，人工智能(AI)是一項革命性的技術，有望改變未來的戰場和美國面臨的威脅的速度。人工智能能力將使機器能夠執行通常需要人類智能的任務，如得出結論和做出預測此外，人工智能機器可以以人類操作員無法企及的速度操縱和改變戰術。由于AI具有廣泛用途的潛力，國防部將其指定為頂級現代化領域，并投入大量精力和資金開發和獲取AI工具和能力，以支持作戰人員。在2022財年，國防部為科學和技術項目申請了147億美元，以及8.74億美元用于直接支持其人工智能努力。根據國防部2018年的人工智能戰略，未能將人工智能能力納入武器系統可能會阻礙戰士保護我們的國家抵御近同行對手的能力其他國家正在這一領域進行大量投資，這可能會削弱美國的軍事技術和作戰優勢。

美國國防部(DOD)正在積極追求人工智能(AI)能力。人工智能指的是旨在復制一系列人類功能，并不斷在分配的任務上做得更好的計算機系統。GAO之前確定了三種AI類型，如下圖所示。

國防部認識到開發和使用人工智能不同于傳統軟件。傳統軟件的編程是根據靜態指令執行任務，而人工智能的編程則是學習如何改進給定的任務。這需要大量的數據集、計算能力和持續監控，以確保功能按預期執行。支持國防部作戰任務的大部分人工智能能力仍在開發中。這些能力主要集中在分析情報，增強武器系統平臺，如不需要人工操作的飛機和艦船，并在戰場上提供建議(如將部隊轉移到哪里)。

當獲取依賴于復雜軟件的新能力時，國防部一直面臨著挑戰，例如長時間的獲取過程和熟練工人的短缺。GAO發現，它繼續面臨這些挑戰，同時還面臨人工智能特有的其他挑戰，包括有可用的數據來訓練人工智能。例如，人工智能探測對手的潛艇需要收集各種潛艇的圖像，并標記它們，這樣人工智能就可以學會自己識別。國防部還面臨著將訓練有素的人工智能集成到非為其設計的現有武器系統中的困難，以及在其人員中建立對人工智能的信任。國防部發起了一系列努力，如為人工智能和人工智能特定培訓建立一個跨服務的數字平臺，以應對這些挑戰，并支持其對人工智能的追求，但現在評估有效性還為時過早