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

一種新的軍事力量倍增器正在出現。這就是軍事物聯網（MIoT），一個從不斷擴大的網絡來源中獲取數字數據并加以整合，從而創建一個多維情報和行動世界的世界。軍事物聯網由許多技術促成，其中有些是我們熟悉的技術，有些是新技術，但由于設備互操作性的進步和信息處理能力的提高，所有技術都在不斷融合。MIoT 正在成為新的軍事前線，帶來了非凡的能力進步，但也帶來了規劃、管理和部署方面的挑戰。

我們生活在一個互聯的世界。在這個世界里，任何類型的設備或機器，無論是數字還是模擬的，都可以利用體積小、重量輕、價格低廉的無線傳感器和交換機連接到網絡上。所創建的網絡可能在設計上受到限制（即所謂的 "邊緣計算 "模式），也可能是全球數據云的組成部分。但原則上，一切都可以與其他一切相連接。對于軍方來說，這為情報和實時控制從交通或基礎設施管理到動能戰場等各種情況創造了可能性。

從傳感技術中獲取情報并非新生事物。在軍事領域，它已有一個多世紀的歷史。例如，英國陸軍在第一次世界大戰中設計的坑道傳感器。在西線靜止的塹壕戰中，地道挖掘成為一種重要的進攻戰術，陸軍缺乏監聽敵方地道挖掘活動的人員；取而代之的是安裝了遠程傳感器（Tele-geophones 和 Seismo Microphones），只需兩名士兵在中央監聽交換站就能監測 36 個地點。

在第二次世界大戰中，雷達技術脫穎而出，這項傳感技術于 1904 年由德國研究人員首次申請專利，但在成為重要工具之前一直被忽視。隨后，美國在 20 世紀 50 年代部署了聲音監視系統來探測蘇聯潛艇。

所有這些傳感器技術都使用網絡中的遠程設備來整合數據，從而提高數據在沖突中的價值。但是，這些設備成本高昂，有時還不可靠，最常見的是有線設備，其帶寬、數據存儲容量和處理能力近乎無限，早于互聯網時代。

軍事物聯網則不同。如今的傳感器無處不在，具有移動性。它們可在從移動電話蜂窩網絡到安全點對點通信等各種通信網絡中運行。它們可以在大范圍內以低功耗運行（如已在樓宇管理系統中廣泛使用的 WLAN 網絡），并可在不使用服務的情況下持續運行數年。它們可以報告機器和設備的位置和狀態，執行命令，或使用生物識別數據來識別人員和監控生活功能。最重要的是，它們具有潛在的互操作性，能夠將數據輸入各種網絡和機器智能功能。

要實現物聯網的潛力，面臨的挑戰相當大。它需要高水平的組織技能和數據處理能力，以整合普適傳感、普適計算和普適通信。軍事組織必須能夠接受來自各種動態傳感器的信號，如靜態地面傳感器和士兵佩戴的傳感器，以及來自固定和移動設備的數據，包括來自無人機和衛星的情報。它們需要敏捷地跟上不斷變化的技術，同時向潛在對手隱藏自己的能力和知識。

例如，在五年或十年后，MIoT 技術確實有可能讓士兵舉起一個手掌大小的設備，只需輕觸按鈕，甚至在黑暗中，就能在幾秒鐘內知道周圍每個人的身份。然而，要實現這一目標，就必須具備連接多個數據庫和匯集一系列探測技術的能力。這種態勢感知的好處還必須與公民的隱私權和數據保護權相平衡。

圖 1：指揮網絡

只要能夠應對這些挑戰，就有機會創建一個以無與倫比的豐富信息為基礎的領域，其高速、高帶寬網絡既安全又不受干擾，互聯和自愈網絡及數據庫支持人工智能實時決策，豐富的數據與軍事組織及其條令完全融合。

本文討論了交互式混合現實駕駛艙的設計與實施，該駕駛艙通過提供 360 度態勢感知系統來增強士兵與車輛之間的互動。駕駛艙采用間接視覺技術，由車外的攝像頭向駕駛艙提供周圍環境的視頻信號。駕駛艙還包括一個虛擬信息儀表盤，可顯示有關車輛、任務和乘員狀態的實時信息。儀表盤的可視化基于過去的信息可視化研究，使士兵能夠快速評估自己的作戰狀態。論文介紹了一項關于混合現實駕駛艙有效性的可用性研究結果，該研究將以士兵為中心的混合現實頭戴式顯示器 Vitreous 界面與其他兩種界面和顯示技術進行了比較。研究發現，與其他界面和顯示技術相比，Vitreous 用戶界面的駕駛性能更好，對主動監控環境能力的主觀評價也更高。士兵們還報告說，Vitreous 界面能讓他們保持最高水平的態勢感知。

圖 1. 帶有 360度全景的玻璃體界面、物理駕駛艙視圖和虛擬信息儀表盤。

知識管理和大數據分析的企業方法將提供更強大和可靠的測試數據存儲、更高的測試數據可發現性和可訪問性，以及顯著提高對這些測試數據進行大規模數據分析的能力。這將改進美國國防部武器系統的測試和評估，從而為作戰人員提供更好的武器系統。有效的企業方法需要精心設計的、靈活的、可持續的和可負擔的實施方案。所有測試范圍都將受益于測試資源管理中心（TRMC）數據分析架構實施的指導和評估工具。

1 引言

本文目的是為測試與評估大數據分析和知識管理（T&E BDA-KM）軟件解決方案提供高級實施指導，這些解決方案基于測試資源管理中心（TRMC）的知識管理和大數據分析架構（BDAA）框架，如 TRMC 的知識管理和大數據分析架構框架所記錄。為便于參考，本文件將上述出版物稱為 "TRMC BDAA"。

需要說明的是，本實施指南僅針對基于 TRMC BDAA 的 T&E BDA-KM 軟件解決方案。此外，本實施指南僅確定了這些軟件解決方案的高層次關鍵特征，更具體地說是五大關鍵特征。

只查看前五個關鍵特征的理由是為候選的 T&E BDA-KM 解決方案提供快速方向檢查，而不是提供深入分析。

本實施指南的組織結構如下。

a. 查看已發布的與可行的 T&E BDA-KM 軟件實施相關的美國國防部指南。

b. 根據美國國防部指南，確定可行的 T&E BDA-KM 軟件實施的五大關鍵特征。

c. 根據可行的 T&E BDA-KM 軟件實施的五大關鍵特征，提供實施記分卡。

該實施指南由范圍指揮官委員會數據科學小組制定，是 TRMC 大數據分析架構評估的后續。

2 美國國防部指南

本節回顧了與可行的 T&E BDAKM 軟件實施相關的美國國防部出版指南。由于可行的 T&E BDA-KM 軟件實施必須適用于所有軍種，因此本次審查僅限于美國國防部一級的出版物。雖然所審查的出版物并不全面，但具有一定的代表性。

2.1 《美國國防部云戰略》（DoD Cloud Strategy）

《美國國防部云戰略》規定如下。

美國國防部（Department of Defense，DoD）已進入現代戰爭時代，戰場既存在于數字世界，也存在于物理世界。數據和我們隨時處理數據的能力是確保任務成功的關鍵因素。云計算是全球基礎設施的基本組成部分，它將賦予作戰人員數據能力，對保持我軍的技術優勢至關重要。(美國國防部云戰略）。

美國國防部必須使決策者能夠以相關的速度使用人工智能和機器學習（ML）等現代數據分析技術，在戰場上迅速做出時間緊迫的決策，以支持殺傷力和提高作戰效率。(美國國防部云戰略》，第 5 頁）

美國國防部云戰略確定了實施 "從本土到全球戰術邊緣的可擴展、安全的云環境，以及快速獲取計算和存儲容量的能力，以相關速度應對作戰挑戰 "的指導原則（國防部云戰略第 7 頁）。與可行的 T&E BDA-KM 實施特別相關的原則如下：

利用商業行業最佳實踐： 最大限度地擴大競爭，確保美國國防部獲得最佳技術和價值；利用行業開放標準和最佳實踐，避免鎖定，并為未來的云計算進步提供最大的靈活性。(美國國防部云戰略》，第 8 頁）

聯合企業防御合同是美國國防部云戰略的重要組成部分，雖然該合同已被取消，取而代之的是聯合作戰云能力，但美國國防部云戰略的指導原則仍然具有現實意義。

2.2 《美國國防部人工智能戰略》（DoD Artificial Intelligence Strategy）

《2018年國防部人工智能戰略摘要》指出以下幾點。

AI [人工智能]正在迅速改變廣泛的企業和行業。它還將改變未來戰場的特征和我們必須面對的威脅的速度。我們將利用人工智能的潛力，積極轉變國防部的所有職能，從而支持和保護美國軍人，保護美國公民，保衛盟友和合作伙伴，并提高我們行動的經濟性、有效性和速度。美國武裝部隊中的男女官兵仍然是我們持久的力量源泉；我們將利用人工智能化的信息、工具和系統來增強而不是取代服役人員的能力。(2018年摘要，第4頁）

與可行的 T&E BDA-KM 實施特別相關的重點領域如下。

與開源社區合作。開源社區是一個充滿活力的全球孵化器，匯聚了才華橫溢的個人和變革性的想法。我們將向該社區貢獻我們的數據、挑戰、研究和技術，并參與開源生態系統，將其作為吸引人才、識別和推進可改變國防的新人工智能技術以及擴大我們可獲得的技術基礎的載體"。(2018年摘要，第12頁）

2.3 《美國國防部數字現代化戰略》（DoD Digital Modernization Strategy）

《美國國防部數字化現代化戰略》指出：

美國國防部的大數據平臺（BDP）是一個安全、可擴展、可升級、靈活和開放的基礎設施平臺，旨在提供分布式計算解決方案。BDP 基于 DISA 開發的開源技術，能夠攝取、存儲和可視化多 PB 數據。它作為一個通用平臺，可為美國國防部的各種賽博空間任務和組織提供支持。BDP 能夠對來自支持 NIPRNET 和 SIPRNET 環境的各種系統和傳感器的結構化和非結構化數據進行匯總、關聯、歷史趨勢分析和取證分析。DODIN 行動和 DCO 任務需要一種能力，能夠將企業規模的數據轉化為簡單、動態的可視化信息，描述事件關系并滿足領導者的信息需求。(第 42 頁）

美國國防部的大數據分析方法基于大數據平臺 (BDP)，這是一個安全、可擴展、可伸縮、靈 活和開放的基礎設施平臺，旨在提供分布式計算解決方案。BDP 實例能夠從各種來源（如移動設備、航空（遠程）傳感、軟件日志、攝像頭、麥克風、射頻識別（RFID）閱讀器和無線傳感器網絡）獲取、存儲和可視化多 PB 數據。(第 44 頁）

大數據分析應用可對大量結構化數據以及其他形式的數據（半結構化和非結構化）進行分析，而傳統的商業智能 (BI) 和分析程序往往無法利用這些數據。數據挖掘工具可以篩選數據集，尋找數據的模式和關系，從而對數據進行匯總、關聯、歷史趨勢分析和取證分析。機器學習算法可以分析大型數據集，并執行深度學習，這是機器學習的更高級分支，可支持預測行為和其他未來發展的預測分析。(第 45 頁）

2.4 《美國國防部數據戰略》（DoD Data Strategy）

《美國國防部數據戰略》規定如下。

各級作戰人員都需要經過測試、安全、無縫地訪問網絡、支持性基礎設施和武器系統直至戰術邊緣的數據。美國國防部數字化現代化計劃提供的先進能力取決于企業數據管理政策、標準和實踐。所有領域的傳感器和平臺在設計、采購和使用時都必須將開放數據標準作為一項關鍵要求。在現代戰場上的生存將取決于利用不同來源的數據并將其連接起來，利用分析工具實現卓越的態勢感知，以及協調信息以達到分類精確的效果。(美國國防部數據戰略》，第 1 頁）

與可行的 T&E BDA-KM 實施特別相關的能力如下。

該戰略強調數據訪問以及隨著技術和數據源的變化而調整需求的能力。由企業云和其他開放式架構能力支持的美國國防部架構必須能夠以比對手更快的速度調整數據。快速、持續地開發和部署輕量級應用程序以支持用戶需求的能力徹底改變了美國國防部使用數據的方式，并帶來了戰略優勢。敏捷架構方法通過平衡突發設計和有意架構，實現了遞增價值。這種敏捷方法允許數據和系統（即使是大型解決方案）的架構隨著時間的推移而發展，同時支持當前用戶的需求。(美國國防部數據戰略》，第 5 頁）

美國國防部采用了一系列標準，其中不僅包括公認的數據資產管理和利用方法，還包括經過驗證的成功數據表示和共享方法。鑒于美國國防部系統的多樣性，這些標準應在數據生命周期的最早實際應用點加以應用，并應在任何實際可行的地方使用開放數據架構的行業標準。標準本身并不是目的，而是在使數據和信息能夠隨時安全地使用和交換時提供價值。此外，數據交換規范的物理編碼將允許在擁擠和有爭議的環境中運行。此外，美國國防部 CDO 將與作戰測試與評估（DOT&E）主任合作，確保對與數據相關的材料能力進行測試和評估，以便了解技術的有效性和適用性。(美國國防部數據戰略》，第 5 頁）

與可行的 T&E BDA-KM 實施特別相關的目標如下。

數據可訪問性的目標使授權用戶能夠在需要時獲取所需數據，包括將數據自動推送給感興趣的授權用戶。數據可訪問性必須符合公法（P.L. 115-435），即《2018 年循證決策基礎法案》。美國國防部正在向授權用戶開放數據，包括作戰、情報和業務數據。可訪問性要求為經認證的用戶建立保護機制（如安全控制），以確保根據法律、法規和政策允許訪問。

當出現以下情況時，美國國防部就會知道自己在數據可訪問性方面取得了進展：

目標 1：可通過記錄在案的標準應用編程接口（API）訪問數據。

目標 2：通用平臺和服務可創建、檢索、共享、利用和管理數據。

目標 3：通過可重復使用的 API 控制數據訪問和共享。

2.5 《美國國防部企業級 DevSecOps 戰略指南》（DoD Enterprise DevSecOps Strategy Guide）

美國國防部企業 DevSecOps 戰略指南》闡述如下。

美國國防部首席信息官和負責采辦和維護的國防部副部長辦公室（OUSD A&S）認識到，迫切需要通過利用商業部門的新方法和最佳實踐來重新思考我們的軟件開發實踐和文化。DevSecOps 就是這樣一種最佳實踐，因為它能夠以相關的速度交付彈性軟件能力，這也是整個美國國防部軟件現代化的核心主題。DevSecOps 是一種行之有效的方法，被商業行業廣泛采用，并在多個美國國防部探路者中成功實施。DevSecOps 是軟件現代化、技術轉型和推進組織的軟件開發生態系統以提高其彈性的核心要素，同時確保網絡安全和指標/反饋至關重要。(第 1 頁）

與可行的 T&E BDA-KM 實施特別相關的原則如下。

在軟件工廠結構中堅持不懈地追求敏捷原則和文化。敏捷宣言捕捉到了定義功能關系的核心能力，每個 DevSecOps 團隊都應重視這些能力：

• 個人和互動勝過流程和工具
• 工作軟件優于綜合文檔
• 客戶合作勝于合同談判
• 應對變化勝于按計劃行事

第一項核心能力強調了個人協同工作的價值和重要性，但不應將其理解為流程和工具無關緊要。其他核心能力也是如此；文檔仍然需要，但不能以工作軟件為代價；敏捷團隊仍然要制定沖刺計劃等（第 11-12 頁）

采用云智能和數據智能架構主題。有一種樂觀的觀點認為，云能提供無窮無盡的計算能力、有保障的可用性和較低的運營成本。但現實情況是，架構不當的應用程序在云環境中仍會像在區域數據中心中一樣脆弱。如果不重新架構，實際上可能更不可靠，運營成本更高。在向云計算轉變的同時，必須采用新的架構設計模式，并優先考慮在現有企業服務的基礎上進行構建，而不是重新創造重復的功能。此外，數據的生成、傳輸和消費沒有任何減弱的跡象。軟件架構必須有意識地認識到這一點，采用更智能的應用編程接口（API）設計、緩存策略和數據標記/標簽。(第 13 頁）

2.6 《美國國防部企業級 DevSecOps 指南》（DoD Enterprise DevSecOps Playbook）

《美國國防部企業級 DevSecOps 指南》指出以下幾點。

模塊化開放系統方法（MOSA）是一種采購和設計策略，由采用開放標準的技術架構組成，支持模塊化、松散耦合和高度內聚的系統結構。《美國法典》第 10 篇第 2446a 節和美國國防部指令 5000.02 要求采用 MOSA。容器是一個輕量級、獨立、可執行的軟件包，其中包括除操作系統外運行業務服務所需的一切；代碼、運行時、系統工具、系統庫和設置。

容器是一個輕量級、獨立、可執行的軟件包，包括除操作系統外運行業務服務所需的一切；代碼、運行時、系統工具、系統庫和設置。容器在相互隔離的進程中運行，因此多個容器可以在同一主機操作系統中運行，而不會相互沖突。所有容器都必須符合開放容器倡議。美國國防部 DevSecOps 戰略要求使用 CNCF 認證的 Kubernetes 集群進行容器協調。

微服務架構是一種應用程序開發方法，它將離散的模塊化業務服務捆綁在軟件容器內。然后使用輕量級協議對這些業務服務進行松散耦合和快速組合。如果執行得當，這種方法的主要功能優勢在于，每個服務都能獨立于其他服務向前發展。此外，還有許多非功能性優勢，包括在根據需求進行擴展時更加靈活、有多種不會影響用戶群的升級選項、在每個服務級別進行更精確的網絡加固，以及對故障和恢復的固有支持。(第 6 頁）

2.7 《美國國防部企業級 DevSecOps 參考設計》（DoD Enterprise DevSecOps Reference Design）

《美國國防部企業級 DevSecOps 參考設計： CNCF Kubernetes》 規定如下。

本《美國國防部企業級 DevSecOps 參考設計》專門針對云原生計算基金會（CNCF）[13] 認證的 Kubernetes[14] 實現。這使得 DevSecOps 軟件工廠可以在任何地方實現與云無關的彈性實例化： 云、預置、嵌入式系統、邊緣計算。(第 1 頁）。

Kubernetes 是一種容器編排器，可在多個節點上管理符合開放容器倡議（OCI）[15] 的容器的調度和執行......OCI 是一種開放式治理結構，用于圍繞容器格式和運行時創建開放式行業標準。容器是本參考設計中的標準部署單元。在此參考設計中，容器可實現軟件生產自動化，還可實現操作和安全流程協調。(第 6 頁）

采用 Kubernetes 的好處與可行的 T&E BDAKM 實施特別相關，具體如下。

多模式環境： 受益于 K8s [Kubernetes] API 抽象，代碼在多種計算環境中運行同樣出色。

彈性： 自我修復不穩定或崩潰的容器。

適應性： 容器化的微服務可創建高度可組合的生態系統。可擴展性： 應用彈性，可適當擴展并滿足服務需求。

采用 K8s [Kubernetes]和兼容 OCI 的容器是實現真正的微服務重用的具體步驟，為國防部提供了在一系列計劃中追求更高水平代碼重用的強大能力。(美國國防部......CNCF Kubernetes，第 7 頁）

與可行的 T&E BDA-KM 實施特別相關的假設如下。

不要求特定的 Kubernetes 實施，但所選的 Kubernetes 實施必須已提交一致性測試結果，供 CNCF 審查和認證。

通過強制要求采用經過認證的 Kubernetes 實施，避免了廠商鎖定；但公開承認產品鎖定到 Kubernetes API 及其整體生態系統。

采用加固容器作為不可變基礎設施的一種形式，可實現通用基礎設施組件的標準化，從而實現一致和可預測的結果。(第 4 頁）

2.8 《美國國防部軟件開發和開源軟件》（DoD Software Development and Open Source Software）

《美國國防部軟件開發和開源軟件》指出：

該部必須遵循 "采用、購買、創建 "的軟件方法，在購買專有產品之前，優先采用現有的政府或開放源碼軟件解決方案，只有在現成解決方案無法滿足需要時，才創建新的非商業軟件。

開放源碼軟件符合 "商業計算機軟件 "的定義，因此，根據《美國法典》第 10 篇第 2377 節的規定，應與專有商業產品同等對待。

根據 FAR 13.104，僅以軟件為開放源碼而拒絕考慮所有開放源碼軟件可能有悖于法律法規對商業產品的偏好，并會不必要地限制競爭。開放源碼軟件應在最大程度上予以考慮。(第 3 頁）

開放源碼軟件與可行的 T&E BDA-KM 實施特別相關的優勢如下。

公開源代碼可進行持續和廣泛的同行評審，通過識別和消除核心開發團隊可能無法發現的缺陷，支持軟件的可靠性和安全性。

修改軟件源代碼的能力不受限制，使該部能夠更迅速地應對不斷變化的情況、任務和未來威脅。

使用開放源碼軟件可減少因專有限制而對特定軟件開發商或供應商的依賴（"鎖定供應商"），因為開放源碼軟件可由多個供應商運營和維護，從而更容易隨著技術和任務需求的變化更換和升級組件。盡管使用了開放源碼軟件，但在某種程度上，由于產品、結構或平臺的限制，鎖定的可能性還是存在的。

由于開放源碼軟件通常沒有按座位計算的許可成本，因此在可能需要許多軟件拷貝的情況下，開放源碼軟件可以提供成本優勢，在可能無法事先知道用戶總數的情況下，開放源碼軟件可以降低許可成本增長的風險。(第 3-4 頁）

2.9 《美國國防部軟件現代化戰略》（DoD Software Modernization Strategy）

《美國國防部軟件現代化戰略》闡述如下。

軟件現代化的愿景很簡單--以切合實際的速度提供彈性軟件能力。彈性意味著軟件的質量高、安全性好，能夠在具有挑戰性的條件下承受和恢復。相關性速度意味著需要加快交付速度，以保持競爭優勢。這種方法是切實可行的--統一整個美國國防部的努力，并與行業領先的軟件機構合作，以產生一個由美國國防部流程支持的一流軟件能力組合。(第 2 頁）

與可行的 T&E BDA-KM 實施特別相關的目標如下。

加速美國國防部企業云環境。美國國防部企業云環境是軟件現代化的基礎。多云、多供應商方法仍然適用。從企業到戰術邊緣，所有分類領域對云的要求仍然有效。從分散的云工作過渡到結構化、集成化和具有成本效益的云組合仍然是該部的意圖。隨著國防部在技術上的發展，與商業云服務提供商合作仍然至關重要。美國國防部和商業云服務提供商必須共同努力，快速、安全地部署云服務，并確保網絡安全活動的透明度，以保持對國防部數據的保護。(第 6 頁）

建立整個部的軟件工廠生態系統。如前所述，軟件越來越多地定義了軍事能力；因此，美國國防部必須擴大其快速生產安全、彈性軟件的能力，以保持競爭優勢。該戰略認識到，實現這一目標所需的現代方法和工具以及技術人才并非沒有成本。該部必須采取一種全企業范圍的方法，建立一個軟件工廠生態系統，利用各軍種已進行的投資（如：空軍 Platform One、海軍 Overmarket）、 美國國防部必須為合理數量的經批準的企業供應商制定要求，以有效擴展軟件工廠，最大限度地減少不必要的平臺重復，并推進 DevSecOps。(第 7 頁）

3 軟件的五大關鍵特性

本節根據上一節確定的聯邦指南，指出了可行的 T&E BDAKM 軟件實施的五大高級關鍵特征。

只考察前五個關鍵特征的理由是為候選的 T&E BDA-KM 解決方案提供快速方向檢查，而不是提供深入分析。

3.1 采用模塊化開放系統方法

利用支持快速演進和獨立替換特定服務和組件的 MOSA。更具體地說，利用松散耦合服務的微服務軟件架構方法，這些服務相互獨立，并通過開放接口標準進行交互。這樣就能在多個平臺上共享數據和分析結果。

3.2 盡量減少專有組件

盡可能使用自由和開源軟件（FOSS）組件，FOSS 的定義是公開源代碼和無限制許可。如果沒有其他選擇，則使用專有軟件。這樣既能最大限度地提高靈活性，又能最大限度地減輕維護和支持負擔。

3.3 利用可擴展的服務

設計并實施可快速擴展的服務架構。使用分布式計算技術（如 Apache Hadoop、Apache Spark）實現 "擴展 "性能（即通過使用更多的 CPU 而不是更快的 CPU 來提高性能），使用大數據優化存儲技術（如 Apache Parquet、Apache Cassandra）實現 "擴展 "存儲容量。

3.4 優先考慮便攜式解決方案

設計和實施可在企業內部、企業外部或兩者混合的情況下輕松部署的解決方案。這些解決方案應可部署在與供應商無關的硬件和商品硬件上，以最大限度地提高可負擔性。優先使用符合 OCI 標準的容器和 CNCF 認證的 Kubernetes 來協調和管理容器。

3.5 采用敏捷和 DevSecOps 開發方法

除 DevSecOps 軟件開發原則和方法外，設計和實施的解決方案還應遵循敏捷軟件開發原則和方法。

4 軟件實施記分卡

本節根據可行的 T&E BDA-KM 軟件實施的關鍵特征提供了一個實施記分卡。

在現代空戰中，超視距（BVR）交戰越來越頻繁。飛行員面臨的主要挑戰之一是機動計劃，這反映了他們的決策能力，并能決定成敗。為確保采用虛擬BVR空戰模擬的飛行員訓練取得成功，計算機生成部隊（CGF）的高精度水平至關重要。要實現這一目標，不僅要充分復制和模擬實體的物理特性，還要使其具有接近人類的行為。在本文中，我們提出了應對這些挑戰的總體概念： 首先，我們引入飛行運動動態模型（飛機、導彈、箔條）以及干擾器。然后，我們分析典型的超視距空戰的工作流程，將其分為攻擊、自衛和決定。在此背景下，我們引入行為樹作為這些任務的建模方法，并解釋其優點。進一步的計劃包括在未來由人類控制的對手飛機（飛行員）與CGF對飛的實驗活動中驗證和確認CGF的行為。最后，我們對未來的工作進行了展望，我們打算在包含多個自由度的任務中采用強化學習。

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。

高超音速導彈和人工智能等技術創新代表了當代戰爭的動態變化，為政治和軍事決策者帶來新的挑戰。高超音速導彈前所未有的、不可預測的速度和彈道，以及與人工智能滲透有關的無數不確定性，反映了這些挑戰。在這些系統的背景下，一個納入有限學術研究的領域在威懾理論中是顯而易見的。這項研究旨在彌補高超音速導彈和人工智能如何挑戰瑞典的威懾力方面的知識匱乏，并確定瑞典目前的能力和可信度在應對這些威脅方面的有效性。為了實現這一目標，本研究采用了文本分析法，其中包括從瑞典的報告和政策文件中收集的經驗材料、文獻回顧以及與該領域具有充分知識的專家進行的半結構化訪談。本論文發現，盡管瑞典的國土面積相對較小，但在某種程度上已經成功開發了獨特的系統和技術，以應對高超音速導彈和人工智能威脅。

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。

圖4. 人工智能對目標定位的增強：人工智能可以通過搜索目標并在發現后發出警報來增強動態目標定位周期。

開發和使用新的軍事技術是一個軍事專業人員工作的一部分。事實上，軍事歷史在很大程度上是一個技術革新的故事，士兵需要學習如何操作新系統。因此，關于整合人工智能的很多東西并不新鮮。就像坦克、飛機甚至弩一樣，隨著時間的推移，士兵們學會了使用和運用技術，工業界學會了以足夠的數量和質量生產技術，高級領導人學會了運用技術來實現戰略效果。如前所述，人工智能技術與它們的顛覆性“前輩”之間的區別在于，前者有能力改善廣泛的軍事武器、系統和應用。由于這種潛在的普遍性，幾乎所有的士兵都必須在某種程度上變得熟練，才能有效地和道德地運用AI技術。隨著這項技術在應用上的擴展，戰爭將像管理暴力一樣管理數據。

這種普遍性也提出了關于人類發展和人才管理的問題。盡管培訓計劃最終會培養出更多的知識型士兵，人事系統也會提高管理士兵的能力，但軍警人員能夠獲得知識和技能的限制仍然存在，特別是在作戰層面。盡管討論的目的不是要建立嚴格的指導方針，但討論確定了士兵需要獲得的許多知識。例如，士兵將需要知道如何策劃和培訓數據庫，而該數據庫對他們正在執行的任務有著重要作用。這樣做需要確保數據的準確、完整、一致和及時。使用這些數據需要熟練應用推薦模型卡中描述的條件，而熟練的操作有助于確保算法以有效和道德的方式執行。

當然，信任不能僅靠政策和程序來保證。指揮官、參謀員和操作員需要知道他們被信任做什么，以及他們信任系統做什么。指揮官、參謀員和操作員信任人工智能系統來識別合法目標，并避免識別非法目標。參與這一過程的人必須在使用這些信息時，既需要擊敗敵人，又必須避免友軍和非戰斗人員的傷亡。要找到這種平衡，就需要判斷人應該承擔多大的風險。

只要參與流程的人類能夠與系統進行有效的互動，由人工智能賦能的系統就能促進找到這種平衡。在將人類控制整合到機器流程中時，人們經常被迫在控制和速度之間做出選擇：強加的人類控制越多，系統的運行速度就越慢。但本研究發現這種兩難的局面是錯誤的。盡管在某些情況下，在人的控制和速度之間進行平衡可能是必要的，但如果系統要最佳地運作，人的輸入是必要的。

實現最佳性能首先要求指揮官確保參謀和操作人員了解模型能力，理解數據質量的重要性，以及洞悉模型在作戰環境中的表現。盡管它可能不會使系統更加精確或準確，但實現這些任務可使系統能夠更好地對輸出進行概率分配。第二，指揮官需要確定對任務、友軍戰斗人員和敵方非戰斗人員的風險有多大才合適。這一決定很復雜，其中關鍵任務可能是需要容忍更多的友軍和非戰斗人員傷亡。同樣，如果非戰斗人員的密度較低，即使任務不那么緊急，也可以容忍較高的風險。尋找這種平衡將是人類的工作。

但在前面描述的模糊邏輯控制器的幫助下，指揮官可以更好地確定什么時候可以信任一個人工智能系統在沒有人類監督的情況下執行一些目標定位步驟。此外，可以通過構建交互的邏輯，以找到多種不同的人機互動配置，確保系統的最佳使用，同時避免不必要的傷害。在LSCO期間，讓指揮官在需要時選擇智能和負責任地加快目標定位過程將是至關重要的，本報告中提出的設計實現了這一目標。這一成就在未來尤其重要，因為為了保護部隊并實現任務目標，指揮官將面臨大量時間敏感目標，及面臨承擔更多風險的操作條件。

在培養具有正確技能的足夠數量士兵以充分利用人工智能技術方面，仍有大量的工作。目前的人才管理計劃尚未達到管理這一挑戰的要求，盡管多個有前途的計劃準備最終滿足需求。然而，在大多數情況下，這些計劃都是為了滿足機構層面的要求，在機構層面上做出全軍采買人工智能和相關技術的決策。但是，這些技能將如何滲透到作戰陸軍，尚不清楚。

盡管人工智能在目標定位中的使用并不違反當前的戰爭法，但它確實引起了一些道德倫理問題。在所討論的目標定位系統背景下，這些倫理問題中最主要的是問責制差距和自動化偏見。第一個問題對于回答核心問題至關重要，“指揮官在什么基礎上可以信任人工智能系統，從而使指揮官可以對這些系統的使用負責？”自動化偏見和數據衛生與問責制差距有關，因為當這些問題存在時，它們會破壞指揮官可能希望實施的有意義的人類控制措施。指揮官可以通過以下方式縮小問責差距：首先，確保人員受到適當的教育、技能和培訓，以整理相關數據；其次，確保指揮官允許的風險，準確地反映完成任務與保護友軍士兵和非戰斗人員之間的平衡需求。指揮官還可以通過在機器需要更多監督時向參與該過程的人類發出信號來減少自動化偏見的機會及其潛在影響。

作為一個專業人員，不僅僅意味著要提供服務，還要在出問題時承擔責任。專業人員還必須了解各種利益相關者，包括公眾和政府及私營部門實體，如何與本行業互動和競爭。鑒于這些技術的潛力，軍事專業人員必須首先學會在技術及其應用的發展中管理預期。由于這種演變影響到專業工作的特點，軍事專業人員還必須注意專業以外的人如何重視、獎勵和支持這項工作。因此，隨著美軍繼續將人工智能和數據技術整合到各種行動中，對其專業性的考驗將在于擁有專業知識的能力，以及建立能夠繼續發展、維護和認證這種專業知識的機構，這些機構既能滿足美國人民的國防需求，又能反映他們的價值觀。

在過去的幾年里，人工智能（AI）系統的能力急劇增加，同時帶來了新的風險和潛在利益。在軍事方面，這些被討論為新一代 "自主"武器系統的助推器以及未來 "超戰爭 "的相關概念。特別是在德國，這些想法在社會和政治中面臨著有爭議的討論。由于人工智能在世界范圍內越來越多地應用于一些敏感領域，如國防領域，因此在這個問題上的國際禁令或具有法律約束力的文書是不現實的。

在決定具體政策之前，必須對這項技術的風險和好處有一個共同的理解，包括重申基本的道德和原則。致命力量的應用必須由人指揮和控制，因為只有人可以負責任。德國聯邦國防軍意識到需要應對這些發展，以便能夠履行其憲法規定的使命，即在未來的所有情況下保衛國家，并對抗采用這種系統的對手，按照其發展計劃行事。因此，迫切需要制定概念和具有法律約束力的法規，以便在獲得利益的同時控制風險。

本立場文件解釋了弗勞恩霍夫VVS對當前技術狀況的看法，探討了利益和風險，并提出了一個可解釋和可控制的人工智能的框架概念。確定并討論了實施所提出的概念所需的部分研究課題，概述了通往可信賴的人工智能和未來負責任地使用這些系統的途徑。遵循參考架構的概念和規定的實施是基于人工智能的武器系統可接受性的關鍵推動因素，是接受的前提條件。

對美國陸軍戰備來說，基于模擬的訓練提供了一種成本和時間效益高的方式來保持人員對其角色、責任、戰術和行動的充分了解。目前，由模擬支持的演習需要很長的計劃時間和大量的資源。盡管半自動化的軍事模擬提供了基本的行為人工智能來協助完成參與者的角色，但它們仍然需要人類模擬操作員來控制友軍和敵軍。演習支持模擬操作員直接來自預期的訓練對象，分配給士兵的角色扮演職責與他們組織的訓練。單位用他們團隊的一小部分人進行訓練，降低了訓練質量和整體效果。減少開銷和提高模擬支持訓練質量的一個方法是實施全自動和自適應的敵對部隊（OPFOR）。

DeepMind的AlphaStar、AlphaZero和MuZero說明了機器學習研究的進展情況。使用大型數據集或通用算法，這些代理人學會了如何在復雜的戰斗性戰略游戲中發揮并擊敗職業玩家。這些游戲包括延遲和稀疏的獎勵、不完善的信息和大規模的狀態空間，所有這些功績都支持機器學習可能是在建設性的軍事模擬中開發適應性OPFOR的關鍵。

本文調查了關于使用機器學習進行自動OPFOR決策、計劃分類和智能體協調的現有文獻。這一分析是未來研究支持建設性軍事模擬自適應OPFOR的現有能力和局限性的一個起點。