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

多年來，人工智能（AI）賦能自主系統的融合已在美國防部（DoD）引發變革性轉向，深刻革新作戰能力與戰略路徑。為進一步優化技術演進，關鍵軍事應用領域（涵蓋情報監視偵察（ISR）、空戰管理、攻防空戰行動）已引入差異化自主等級。隨著技術疆域擴展，自主系統通過“人機組隊”增強作戰效能的機遇同步顯現。空軍內部，空戰指揮官（ABM）作為認知負荷極高的關鍵崗位，將成為此技術躍遷的核心受益者。為支撐自主技術演進，國防部制定《無人系統綜合路線圖》（USIR），提供將無人系統融入國防部宏觀戰略的全面指導（USIR, 2017）。盡管USIR涵蓋多元主題，本研究聚焦自主技術及其使能要素，著力通過訓練優化國防部系統效能。值得注意的是，本研究延伸路線圖通用框架，深入剖析ABM崗位的現實影響及該關鍵兵種初始訓練體系的變革路徑。

“人機組隊”（HAT）——亦稱“人-人工智能協同”，指人類操作員與AI賦能系統間的動態協作。該伙伴關系旨在實現無縫交互，通過能力互補達成獨立個體無法企及的任務效能。HAT的演進正深刻重構有人/無人系統及配套工具的運用范式，要求建立精細平衡機制——融合人類直覺專長與自主系統分析速度優勢。此交匯領域催生新型訓練需求：須確保ABM充分理解并駕馭自主系統能力，同時規避過度依賴導致的負面后果。

實現人機高效協同需關注五大關鍵要素：自主性、通信機制、共享心智模型、意圖理解與互依關系（Lyons等, 2021）。從工具使用到近端交互能力的范式轉換，為美空軍（USAF）特定兵種（含ABM）帶來前所未有的機遇。傳統ABM僅依賴基礎軟件工具輔助空域協調管理，極少運用AI技術。其核心職責在于空域作戰行動的協調指揮。

歷史上，ABM憑借卓越能力成功調度多型戰機應對戰場挑戰。但隨著美軍對抗強敵的戰略轉型，未來空戰將呈現有人/無人自主戰機混合編組、致命性倍增的復雜圖景，決策失誤后果將急劇放大。美軍持續推進自主戰機集成研究，要求ABM協調能力懸殊的有人/無人資產，進一步加劇其認知負荷。預算緊縮與人力需求壓力更迫使ABM培訓體系在有限資源下輸出高效戰力。為應對挑戰，美空軍戰略投資技術研發，通過深化自主研究與AI能力為未來ABM提供增強支持。然而關鍵缺口在于：當前尚無系統方案提升ABM訓練水平，使其具備駕馭先進工具所需的專業素養。

資深ABM作為精通空戰管理、作戰行動及指揮控制原理的專業群體，其專長通過三階段培養路徑鑄就：初始技能培訓→任務導向訓練→多經驗層級混編團隊的實戰錘煉。但自主技術集成與“人機協同”概念，對缺乏技術認知基礎的新老ABM均構成全新挑戰。此知識鴻溝在現代戰場衍生潛在風險，凸顯自主系統陌生領域對訓練輔助的迫切需求。隨著自主技術成為未來戰場核心要素，其伴生的挑戰與機遇亟需前瞻性準備。本研究致力于開發面向ABM兵種的“概念化訓練輔助系統”，深化對人機組隊理念的理解。典型案例如“目標機動反饋機制”——自主系統檢測偏離預設機動軌跡時，通過實時指導與推理解析引導受訓者制定最優行動方案（COA）。

本研究旨在提升ABM態勢感知能力，并為新學員概念化訓練提出系統建議。前瞻未來作戰圖景，ABM預期將與兩類自主實體協作：其一，指揮管控轄區內的自主作戰資產；其二，依托自主系統分析作戰環境、識別特征模式并提供實時決策支持。后者可執行威脅評估、最優行動方案建議、關鍵信息中繼等任務，支撐ABM審慎決策。此多維研究不僅增強現役ABM能力，更為下一代應對自主技術交互的復雜需求奠定基礎。

為實現研究目標，本研究著力開發面向加速專長培養的“概念化訓練工具”。該模型構建流程擬融入ABM初始技能培訓，為未來自主技術與能力奠基。方法論包含：通過現狀分析厘清自主技術認知水平，定位訓練關鍵介入點；開展任務分析解構模擬訓練場景，明確任務達成的系統化流程步驟。通過將自主系統嵌入此框架，賦能ABM實時更新態勢、生成備選方案、動態適應戰場的能力。

研究方法采用深度訪談策略，精準識別新老ABM的知識斷層，力爭在初始訓練完成前主動彌合差距。通過構建新老ABM的強關聯機制，為未來訓練項目設計與綜合指南制定奠定基礎。這些資源旨在賦予ABM與自主系統交互所需的“知識-技能-能力”（KSA）集合。訓練輔助系統不僅傳授必要技能，更培養對自主系統能力邊界的辯證認知，同時錘煉關鍵決策時刻的研判能力。最終目標是促成訓練場景向真實戰場的知識無縫遷移。

在ABM初始訓練中引入自主技術將引發多重效應。本文成果將彌合亟待解決的能力缺口——若延遲應對，此缺口將持續擴大。自主系統集成將深度重構戰場空間管理模式，需通過多線程關聯研究厘清ABM初始訓練所需的技能體系。核心貢獻如下：
? 人機組隊導論：研究將確立自主能力融入兵種體系的最優路徑。所有空軍人員須完成“初始作戰能力”（IOC）認證方可進入任務導向訓練，明確可被自主技術替代或增強的任務環節，確保技術介入始于訓練最早期。研究將探索任務分配、決策流程及人機責任共擔機制。
? 訓練體系開發：通過初始課程將自主技術融入ABM兵種體系，助力其有效管理未來作戰中的自主系統。鑒于能力演進需求，需盡早開展操作員培訓。研究應聚焦開發增強ABM自主認知的訓練項目，重點強化人機協同達成任務目標的協調能力。
 ? 自主技術接受度：本研究將檢驗操作員對自主系統融入ABM職責的接納意愿，基于人口統計學特征分析其認知態度與接受水平。

本論文結構如下：
? 第二章：詳述ABM訓練體系與方法論、自主技術與人機組隊、空戰指揮官職能背景，提供三領域文獻綜述
? 第三章：闡述定性與定量數據采集方法，深度剖析各問題研究方法論
? 第四章：呈現采集數據的分析過程，闡明各方法關聯結果并進行解讀
? 第五章：提煉結論與洞見，提出后續研究方向建議

技術進步與人工智能在軍事領域的加速滲透，凸顯出探索新型空優戰術的迫切需求。可消耗自主無人作戰飛行器（AUCAV）的部署為維持空戰優勢提供了潛在路徑。傳統空戰機動訓練依賴人類飛行員積累的實戰經驗，而定向能武器（DEW）等新型裝備則催生了尚未充分開發的戰術可能性。本研究借助仿真、集成與建模高級框架，探索強化學習（RL）技術在植入空戰視覺范圍內（WVR）機動決策問題的AUCAV智能體行為優化中的應用。研究將2v2 WVR空戰機動問題建模為馬爾可夫決策過程（MDP），其中友方AUCAV配備定向能武器并在六自由度（6DOF）環境中運作。核心方法論采用雙深度Q網絡強化學習算法，對兩架友方AUCAV進行集中式訓練。通過分階段學習策略：初期采用密集獎勵環境加速基礎訓練，后期切換至稀疏獎勵環境激發自適應與涌現行為，構建系統性訓練框架。研究設計典型實驗場景評估不同DEW配置下AUCAV作戰效能，為后續研究提供基準。通過對學習所得機動戰術的定性分析，以及DEW武器參數四因子全析因實驗的定量評估，驗證強化學習解決方案的有效性，并揭示其對未來武器概念開發的啟示價值。

本文結構如下：第二章綜述空戰機動問題、強化學習解決方案及仿真環境相關研究；第三章闡述2v2空戰機動問題建模方法，提出MDP形式化框架，并詳述機動戰術學習智能體的強化學習實現路徑；第四章展示學習機動戰術的定性分析結果，以及DEW武器參數四因子全析因實驗的定量研究成果；第五章總結研究成果，并提出未來研究方向的戰略考量與技術路線。

無人戰術自主控制與協作（UTACC）系統旨在以不增加作戰人員認知負擔的方式將陸戰隊員與機器整合在一起。當機器與人類是相互依存的隊友，而不是遵循人類操作機器人的框架時，機器如何與人類交流，反之亦然？這一能力的關鍵在于將可觀察性、可預測性和可指導性納入界面設計的能力。以前的研究是從海軍陸戰隊火力小組的角度來研究這個問題的，該火力小組的成員之一就是機器人。選擇合適的界面類型來促進火力小組（無論是人類還是機器）之間的交流，對于他們能否真正發揮團隊作用和相互信任至關重要。但是，這些通信都是在隊友的近距離內進行的。如果將這一概念擴展到小分隊之外，會發生什么變化呢？本論文包括三個基本重點領域。首先，UTACC 火力小組與更高級別的軍事單位之間保持態勢感知所需的基本信息是什么？換言之，這是信息交換的 “內容”。其次，無論交換什么類型的信息，界面設計的原則是什么？最后，本論文提出了評估這些原則和具體信息交換要求的方法。

本文分為另外四章。第二章是文獻綜述，探討了人機界面（HMI）和人機協作的態勢感知模型。第三章介紹了將機器納入美國海軍陸戰隊部隊以提高任務能力的研究方法，重點是通過團隊態勢感知進行溝通和決策。第四章介紹第三章所述的研究結果。第五章總結了論文的研究成果，并為海軍陸戰隊在人機界面和機器人領域的進一步研究提出了建議。

無人機系統（UAS）的發展及其在作戰行動中的應用代表著戰爭模式的轉變。自 20 世紀末以來，無人機系統一直被用于情報搜集和精確打擊，但傳統武裝部隊一直認為無人機系統不適合大規模作戰行動（LSCO），而且過于脆弱。最近的沖突證明情況恰恰相反。這些沖突還表明，無視戰場上無人機系統威脅的部隊將無可挽回地面臨失敗。通過三個案例研究（納戈爾諾-卡拉巴赫、中東和利比亞），本專著將強調無人機系統威脅對聯合作戰模式的嚴峻挑戰。然而，如果部隊具有凝聚力、訓練有素、組織有序，能夠保護自己免受這種威脅，并采取積極主動的方法應對這種威脅，那么這種作戰方式在無人機環境下仍然適用。此外，最近發生的涉及使用無人機的沖突重新喚起并強調了不同部門之間，甚至部隊不同領域組成部分之間必要的合作精神，并強調了這種方法的重要性。最后，無人機并沒有改變戰爭的性質。相反，無人機加強了戰爭的政治性，因為無人機的使用直接影響到面對無人機的交戰方的決策。

時間是 2040 年。法國陸軍正以一個師的兵力投入到一次大規模、全域、作戰行動（LSCO）中，以應對同行的威脅。這支部隊正在對行動區內威脅法國國家利益的一個地區勢力實施聯合強行進入行動。美國向法國提供了防空能力，以確保部隊的機動自由。在聯合部隊成功突破反進入/區域封鎖（A2AD）保護后，該師的偵察梯隊完全由無人駕駛車輛組成。這個無人駕駛的第一梯隊旅使指揮官能夠在不與滯留在后方的輕步兵部隊交戰的情況下進行偵察。由于無人機在戰場上占據主導地位，裝甲單元被認為過于脆弱，坦克或步兵戰車因被認為過于昂貴而退役，無法在作戰環境中保持相關性。由于敵方強大的 A2AD 網絡，并根據總參謀長的建議，法國總統選擇不部署有人駕駛飛機，因為損失一架飛機在財政成本和公眾輿論方面都將是災難性的。因此，空中部分完全由武裝無人機組成，它們具有強大的持久打擊能力，而無需冒有人駕駛飛機的風險。以前的師系統，包括重型和輕型裝甲旅戰斗隊、一個師偵察營以及完全由人員組成的情報、火力和維持輔助部隊，已經被放棄，因為它太重太脆弱，不夠靈活，無法在大量使用無人資產的作戰環境中取得勝利。現在的新師是由搭載在輕型裝甲車上的輕步兵單元和無人機組合而成。該單元在強大的防空系統保護傘下開展行動，既能防護有人或無人飛機，又能依靠動能和非動能資產。該師擁有輕型車輛，易于部署；擁有無人機，機動性強；擁有強大的防空層，生存能力強。

一種新的作戰方式已經形成，傳統的聯合兵種機動方式已被歷史塵封。無人機取代了傳統的情報和火力資產，將兩者結合在一個平臺上。由于無人機能夠在戰場上的任何地方開展行動，它們證明了裝甲和機械化單元的無用性，因為它們很容易成為無人機的目標。無人機可以飛越敵方領土，瞄準雷達、指揮所或后勤節點。它們在戰場縱深的行動會擾亂敵軍的陣腳，摧毀其戰斗意志。因此，配合無人機行動的唯一部隊是輕步兵，以占領地面并確保持久的勝利。

未來幾十年，聯合作戰是否會朝著這個方向發展？無人機是否代表著戰爭性質的最終改變？無人機能否僅靠自身力量贏得沖突并限制地面部隊的投入？通過對近期沖突的研究，如 2020 年的納戈爾諾-卡拉巴赫戰爭、近期中東地區圣戰組織與常規部隊（美國、俄羅斯或歐洲）之間的沖突以及 2019 年和 2020 年的利比亞戰爭，這些沖突都顯示了無人機的廣泛應用，可能會得出這樣的結論。這些沖突顯示了使用無人機所帶來的潛力，以及從 20 世紀戰爭演變中繼承下來并延續到 21 世紀初的常規聯合武器方法的局限性。使用裝甲和機械化編隊的傳統聯合作戰方法的交戰方在面對無人機攻擊時遇到了困難，因為無人機的攻擊會在戰爭的戰術、作戰或戰略層面上削弱指揮官的能力。無人機為其使用者提供了非對稱優勢：通過使防空系統飽和、永久占據天空、通過攝像頭捕捉可能造成的高傷亡以及在社交網絡上播放宣傳片的影響，無人機代表了一種進入對手決策圈的新方法。

在這里，沖突的性質很重要。正如理查德-哈斯（Richard Haas）在《必要性戰爭，選擇性戰爭》（War of Necessity, War of Choice： 兩次伊拉克戰爭回憶錄》中所下的定義。在比較兩場伊拉克戰爭時，他說："必要的戰爭涉及最重要的國家利益，除了使用武力之外沒有其他有前途的選擇，如果要維持現狀，肯定要付出相當大的代價"。另一方面，"選擇性戰爭往往涉及不那么明顯'重要'的利害關系或利益，以及存在可行的替代政策"。這一區分非常重要，因為它將決定使用手段的范圍，限制或擴大武器的選擇。在一場有選擇的戰爭中，無人機可以提供良好的能力，給對手造成損失，并在不冒生命危險或昂貴的物資損失的情況下達到目標。由于其無人駕駛的性質，無人機為其使用者提供了可擴展和創造性的選擇，而不會受到使用有人駕駛飛機固有的技術、戰術甚至政治限制的阻礙。在迫不得已的戰爭中，它們可以通過瞄準防空網絡、后勤節點、指揮所或機動單元，作為力量倍增器來削弱對手的軍事力量。

20 世紀，交戰國陸軍提出了聯合作戰的概念。一戰結束后，法國開始實施坦克、步兵和炮兵協同作戰。在戰時，這一概念繼續發展，并在第二次世界大戰期間得到所有交戰國空軍的整合。沖突結束后，面對作戰環境的變化、原子武器的威脅或反叛亂戰斗，這一概念得到了完善，但總體上仍具有現實意義。根據美國的條令定義，聯合作戰是 "同步和同時使用各種武器，以達到比單獨或依次使用每種武器更大的效果"。這種方法的優勢在于使不同的作戰功能能夠彌補其他功能的不足。通過這種合作，作戰功能構成了一個強大的作戰系統。

上述每一次沖突都對聯合作戰方法提出了挑戰，迫使領導人修改作戰方法。今天，無人機的威脅是對聯合作戰模式的嚴峻挑戰。然而，在無人機環境下，如果部隊具有凝聚力，訓練有素，組織有序，不僅有能力保護自己免受威脅，還能采取積極主動的方法應對威脅，那么這種作戰方式仍然適用。此外，最近發生的涉及使用無人機的沖突重新喚起并強調了不同部門之間，甚至部隊不同領域組成部分之間必要的合作精神，并強調了這種方法的重要性。最后，無人機并沒有改變戰爭的性質。相反，它們加強了戰爭的政治性質，因為它們的使用直接影響到面對它們的交戰方的決策。

在為潛在的高強度沖突做準備的背景下，這個問題與西歐或美國陸軍等行為體高度相關，因為自冷戰結束以來，這些行為體一直在相對舒適的環境下作戰，擁有無可爭議的空中優勢。在此期間，西方軍隊面對的敵人不具備造成大量傷亡的能力或技能。因此，他們不會像納戈爾諾-卡拉巴赫戰爭中那樣，面臨意味著友軍大量損失而導致決策癱瘓的重大致命僵局。

無人機也被稱為 "無人駕駛航空系統"（UAS），指的是在沒有任何飛行員的情況下自主或遠程操作的任何飛機。無人機系統由三個關鍵部分組成：

• 無人駕駛飛行器（UAV）、
• 遠程控制飛行器的操作員、
• 連接前兩個部分的指揮和控制系統（C2）。

最初，無人機是在不裝備武器的情況下運行的，但最終還是裝備了武器。如今，閑逛彈藥是武裝無人機的最后演變。據無人機研究中心的丹-格廷格和阿瑟-霍蘭-米歇爾稱，"它們的設計目的是用爆炸彈頭攻擊視線以外的地面目標"。懸停彈藥將在戰場上空飛行，跟蹤潛在目標并最終將其擊落。簡而言之，這種彈藥就是自殺式無人機。在本研究中，無人機系統和無人機的表述將不加區分地使用。

本專著將介紹三個案例研究：第一個案例研究將側重于 2020 年的納戈爾諾-卡拉巴赫戰爭，以及亞美尼亞人無力應對無人機威脅所造成的后果：由于阿塞拜疆憑借無人機和閑逛彈藥獲得了空中優勢，亞美尼亞領導層被削弱，被迫承認失敗，同時在戰場上面臨重大損失。第二個案例研究將考慮非國家行為者在伊拉克和敘利亞使用無人機打擊常規對手的情況。盡管戰術成功與否參差不齊，但無人機使用者能夠讓對手懷疑自己的實力，并在敵人的母國制造恐慌。反伊斯蘭國聯盟成員通過加強聯合武器合作和窒息恐怖分子的無人機制造網絡，成功地保護了自己的部隊。最后，第三個案例研究的重點是利比亞的無人機。利比亞被認為是世界上最大的無人機行動區，表明無人機構成了新的廉價版空中力量。然而，在利比亞，無人機并不足以在戰場上強制決策；要贏得長期決策，就必須與地面裝甲和機械化單元合作。僅靠無人機的部隊無法保持戰術優勢，也無法實現戰略目標。從作戰角度看，利比亞案例研究強調，無人機的使用加強而非徹底改變了聯合和聯合武器合作的精神。無人機是戰爭方式范式的轉變。它迫使軍事領導人改變作戰方式和作戰方法。然而，這還不是一場軍事革命。跨領域合作能夠在面對這一威脅時扭轉局勢。

人工智能（AI）是未來聯合部隊充分發揮多域作戰（MDO）潛力的基礎。由人工智能支持的系統有能力在各領域、電磁頻譜和信息環境中戰勝對手。在競爭中使用這些系統可使聯合部隊近乎實時地了解作戰環境，從而更好地利用各種能力擊敗旨在破壞地區穩定的威脅行動，遏制暴力升級，并將被拒絕的空間變為有爭議的空間。在從競爭向武裝沖突過渡的過程中，人工智能支持的機動、火力以及情報、監視和偵察能力為聯合部隊提供了阻止敵人奪取優勢陣地的能力。改進的維持吞吐量與攻擊敵方反介入/空中拒止網絡的能力相結合，為美軍奪取作戰、戰略和戰術優勢陣地提供了能力。通過人工智能支持的聯合多域共同作戰圖（MDCOP）提高理解能力，使美軍有能力協調多域效應，創造優勢窗口。

制定人工智能作戰概念可使陸軍更好地了解這些技術對戰爭性質和特點的潛在影響。描述陸軍如何在未來作戰環境中使用人工智能，有助于說明人工智能對戰爭的暴力性、交互性和根本政治性以及戰爭不斷演變的特點的影響。本文提供了一些小故事（附錄 A），說明了組織對人工智能的運用，為可能制定的美國陸軍 RAS 總體概念、作戰和組織概念、基于編隊的作戰概念以及系統或單個系統的運用概念提供了參考。

人工智能的可操作性影響著未來部隊的作戰方式、針對對手的作戰行動，以及指揮官如何利用軍事藝術和科學運用部隊能力來實現預期效果和目標。在2019年未來研究計劃（FSP19）期間，人工智能工作線（LoE）確定了以下與實施人工智能多領域解決方案相關的問題：

• 數據管理--AI/ML 應用程序的運行依賴于對經過整理的數據的訪問。陸軍必須培養以數據為中心的文化，以標準化的格式和協議來生成、存儲和訪問數據。人才管理工作必須側重于培養、培訓和留住一支精通數據的員工隊伍。這可以通過以下方式實現

  • 在整個部門培養以數據為中心的文化

  • 投資于整個員工隊伍的數據科學培訓

  • 簡化數據訪問

  • 設計和實施協議，確保數據可發現、可訪問、可共享和可互操作

• 功能分解--狹義的人工智能本質上是有限的，構建算法的數據科學家需要精確的問題定義，準確確定聯合部隊的需求。

• 可解釋人工智能--人工智能系統需要有能力解釋決策/建議和行動背后的邏輯。這種解釋 "為什么 "的能力是人類信任人工智能智能體的基礎。

• 邊緣計算/人工智能--未來的作戰環境預計將面臨電磁頻譜的競爭，這就要求能夠向前處理超大數據集的能力，以及能夠自主行動的人工智能平臺。

• 利用商業部門 - 國防部實驗室繼續在人工智能/ML 開發方面取得重大進展，特別是與聯邦資助的研發中心合作。商業部門將繼續探索和拓展可用于軍事應用的工作。

作為FSP19的一部分，人工智能LoE開發了五個小故事和一個概念草圖（見附錄A），以協助人工智能和機器學習的操作化。這些小故事說明了聯合部隊如何利用人工智能/機器學習來應對多域行動所需的關鍵能力。MDCOP 概念將依靠幾個有限內存的人工智能來構建和維護一幅描繪戰場上藍、紅、綠三方活動的圖景。反應型機器人工智能將為特定指揮官和總部量身定制 MDCOP。合作傳感、維持、攻擊和瞄準小節依靠反應式機器人工智能來優化傳感器覆蓋范圍、維持吞吐量、攻擊排序和射手選擇。

未來部隊需要人工智能來充分發揮多域作戰的潛力。人工智能系統使未來部隊能夠進行信息收集和分析，從而在時間緊迫、信息競爭激烈的環境中提高對態勢的了解。這種能力可實現快速、知情和正確的決策。人工智能決策支持體將減輕作戰人員的認知工作量，提高整體效能。人工智能支持的無人系統將探測、識別和穿透高風險區域，以提高開展行動和保護部隊、人口和資源的能力。人工智能可滿足 MDO 在與近似對手的沖突中對作戰速度的要求。

復雜傳感器網絡是一套龐大而昂貴的系統、軟件、傳感器和發射器，可生成有助于戰區感知和戰斗識別的數據。多種傳感器網絡配置可收集大量數據，從而導致 "數據豐富、信息貧乏"（DRIP）的無效局面。可操作信息的理想解決方案是協調高價值單元（HVUs），以支持識別和瞄準等行動。目前，對未知信號的及時探測不足以在戰術層面保持對態勢的了解。很少有分析人員具備有效利用現有數據所需的經驗和數據訪問能力。有經驗的分析人員也不夠接近邊緣，無法為戰術和作戰層面的作戰提供支持。將經驗豐富的分析人員的工作流程和過程自動化，并與新的人工智能和建模技術相結合，將能更好、更及時地從數據中提取重要信息，支持更好的態勢感知和戰術決策。對戰斗和目標識別進行分析的動機源于通常需要做出快速、有效和知情決策的巨大壓力。目標識別的目標是分析潛在目標的威脅，以便就與目標交戰做出明智決策。利用這些基于圖形的方法的好處包括：通過自動化工具提高態勢感知能力，提煉出戰術和作戰層面的背景信息。

項目概述

復雜傳感器網絡是一套龐大而昂貴的系統、軟件、傳感器和發射器，可生成有助于戰區感知和戰斗識別的數據。多種傳感器網絡配置可收集大量數據，從而導致 "數據豐富、信息貧乏 "的無效局面。可操作信息的理想解決方案是協調高價值單元，為識別和瞄準等行動提供支持。目前，對未知信號的及時探測不足以在戰術層面保持對態勢的了解。很少有分析人員具備有效使用現有數據所需的經驗和數據訪問能力。而那些有經驗的分析人員也不夠接近戰爭邊緣，無法為戰術和作戰層面提供支持。將經驗豐富的分析人員的工作流程和過程自動化，并與新的人工智能和分析建模技術相結合，將能更好、更及時地從數據中提取重要信息，支持更好的態勢感知和戰術決策。對戰斗和目標識別進行分析的動機源于通常需要做出快速、有效和知情決策的巨大壓力。目標識別的目的是分析潛在目標的威脅，以便就與之交戰做出明智決策。利用這些基于圖形的方法的好處包括：通過自動化工具提高態勢感知能力，提煉出戰術和作戰層面的背景信息。

利用機器學習算法、人工智能、知識圖譜和圖形識別技術，主要結果令人鼓舞：如果我們將預先訓練好的數據集應用于先前加權的神經網絡算法，那么機器學習算法的第一次迭代或歷時的準確率為 20.2%。隨后的迭代會顯示出更顯著的準確率增長，在五個或更多迭代之后，準確率會達到 94.9%。雖然結果顯示準確率很高，但運行深度卷積神經網絡算法的大型數據集需要大量時間，有時需要多個小時才能完成。如果所需信息的時間至關重要，則需要專用的高功率計算。要評估本報告所述方法的實際功效，可能需要進行實際測試。在未來的研究中還可以應用其他方法，例如用目標的基帶調制同相和正交分量代替視覺表示，將其應用到知識圖譜中，可能會提高作戰目標識別的效率和準確性。

研究背景

神經網絡的協同和自組織如何影響復雜網絡傳感器的效率和作戰識別？我們能否通過信息的動態形成形成弱聯系和強聯系以支持新知識？圖機器學習和建模技術（概率圖模型、神經網絡和聚類算法）可應用于射頻（RF）信號數據的知識圖譜。因此，本研究的主要目的是了解自組織和復雜自適應系統是否會產生新的特性，從而更好地探測、識別和分析潛在目標，以便進行戰斗識別。研究假設必須考慮新知識的可信度、不確定性和準確性等關鍵因素。將對收集數據的方法（如時間和位置屬性、關系強度、知識圖譜的精確度和召回率）進行仔細研究。這些指標將與地面真實目標校準信號進行比較，以證明本研究在戰斗識別方面取得的進步。

這與當前有關美國防部行動的研究有重大關聯。將通過適當的艦隊實驗來考慮適當和可行的以數據為中心的方法，從而實現 JADC2 的作戰概念，如 "感知、理解和行動"。戰術態勢感知（TACSIT）、遠征高級基地作戰（EABO）、分布式海上作戰（DMO）和有爭議的環境都是提供交戰決策所需知識的因素。必須在正確的時間、正確的地點提供所需的適當數據，以實現決策優勢。本研究將重點關注利用戰區現有傳感器、參考發射器和多信息協調解決方案（MIOS）架構進行聯合作戰識別。JADC2 概念、數據結構和信息共享格式將是調整的主要參考方案。在美軍方面，基于圖形的技術能夠以一種新的方式來解決高置信度超視距估算問題，以確定任務風險和部隊風險。

在方法論方面，當前的研究利用已知的飛機圖片作為訓練數據集，同時應用機器學習算法。我們的測試使用了 14,806 張經過驗證的圖片，這些圖片被分成一個個小塊，稱為 "類"。研究說明了我們對深度神經網絡的測試結果，因為它們與戰斗識別應用有關。測試使用的 Python 代碼加載了各種分析庫，如 NumPy、Pandas、Seaborn、Efficient Net 和 Tensor Flow Keras。加載了一個包含 14 806 張圖片的大型數據集，該數據集可以隨機分割或拆分為訓練集和測試集。這兩組數據會被進一步分割成更小的數據塊進行處理，例如以 40 張圖片為一批。在訓練和驗證過程中，對準確率和信息損失進行測量。訓練過程在 20 個神經元層上多次重復和迭代。每次迭代或歷時的結果都會反饋到下一輪迭代中。具體來說，權重被保存并用于下一輪迭代。然后使用測試數據集上的最佳迭代結果進行預測。

結果和結論

復雜傳感器網絡是一套龐大而昂貴的系統、軟件、傳感器和發射器，會產生大量數據，如果能對這些數據進行快速有效的分析，就能提供戰斗空間感知和戰斗識別。由于目前的方法不足以在戰術層面保持流暢高效的態勢感知，因此提供可操作信息和及時發現未知信號的高效解決方案意義重大。這項研究考察了使用機器學習和知識圖譜的各種算法，以評估能否提高效率和準確性。研究結果表明，使用圖形文件識別目標是可行的，但要獲得更高的準確度，必須進行多次迭代。例如，如果采用標準的非加權快速算法，運行視覺數據集的準確率為 5.6%。但是，如果使用先前加權的神經網絡來啟動這一過程，第一個迭代的準確率就會達到 20.2%。使用這些初始權重，在隨后的五個epoch后，準確率大幅提高至94.9%。運行大型數據集的主要問題是深度卷積神經網絡的運行時間。一個只有 14,806 張圖片的中等數據集，5 個epochs 可能需要 3 個半小時以上。因此，如果時間要求很高，就需要專用的高功率計算。此外，除了運行時間外，深度神經網絡的局限性還在于需要多次迭代，在迭代過程中，任何低級別的準確度和精確度類類型都需要用更好的圖片來替換。建議下一步可以進行實際測試，以確定本報告所述方法的實際功效。

進一步研究的建議

根據研究結果，建議采取的下一步措施包括使用實際生活中的連續數據流，既包括圖形文件格式，也包括其他類型的識別數據，如使用同相和正交（I&Q）數據，其中數據已預先分配了預檢測和預解調信息。在通信系統中，大多數信號都被基帶調制成同相（I）和正交（Q）子分量。然后通過射頻（RF）頻譜進行傳輸。在另一端，接收器對信號的 I&Q 子分量進行解調，并利用預先訓練的數據對先前確定的戰斗進行識別，從而進一步提高探測的速度、準確性和效率。可以利用知識圖譜和圖形距離誤差測量方法，以一定的概率快速確定目標是敵是友。

在機載預警與控制（AEW&C）系統中，作戰員需要保持警惕，執行多項任務，進行溝通，并在任務期間同時處理不同來源的信息。作戰員的主要目標是接收、解釋和分發 AEW&C 系統提供的信息和數據，以創建識別海空圖像（RASP）。然后利用這些信息來執行戰斗機控制和探測異常情況等任務。指揮與控制（C2）系統能力的增強和環境中新威脅的出現，使作戰員的任務比以往任何時候都更加廣泛、復雜和繁瑣，這有可能損害他們的態勢感知（SA），進而影響他們的決策。這一領域具有高風險，錯誤的決策可能會帶來毀滅性的影響。因此，尋找促進 SA 的新技術的重要性不容忽視。隨著人工智能（AI）應用的快速增長，技術的日益成熟為創建促進 SA 的系統提供了新的可能性。這促使我們開展研究，探索和分析人工智能為 AEW&C 作戰員提供的促進 SA 的機會，特別是戰斗機控制員（FC）和監視作戰員（SO）等關鍵角色。本研究旨在回答何時以及如何實施人工智能以促進 SA 的問題。

在回答這些問題時，采用了通過設計進行研究的方法。在回答 "何時 "的問題時，采用了系統分析、用戶研究、概念開發和評估等方法；在回答 "如何 "的問題時，采用了通過文獻研究和親和圖來制定指導原則，并在概念開發和評估中應用這些指導原則進行測試的方法。該系統分為四個獨立的子系統，分別規定了目標、主體、工具和結果。分別為 FC 和 SO 確定了七類與 SA 相關的挑戰。為每個角色創建了四個旨在改進 SA 的概念，其中談話翻譯工具、隊形識別工具、異常檢測工具和時間軸工具被認為是最有希望進一步開展工作的概念。為人工智能功能開發的三個階段制定了指導方針：規劃、設計和評估。這些指導方針證實了通過研究進行設計的實用性，可用于探索實施人工智能的機會、構思和創建概念，并在 AEW&C 環境中對其進行評估。

圖 5. 與通過研究框架進行設計有關的預研究階段

美國空軍越來越關注人工智能（AI）在增強作戰各方面能力方面的潛力。在這個項目中，空軍要求蘭德公司的研究人員考慮人工智能無法做到的事情，以了解人工智能在作戰應用中的局限性。

研究人員沒有試圖確定人工智能的一般限制，而是選擇并調查了四個具體的作戰應用作為潛在用例：網絡安全、預測性維護、兵棋推演和任務規劃。選擇這些應用是為了代表各種可能的用途，同時突出不同的限制因素。在可以獲得足夠數據的三個案例中進行了人工智能實驗；剩下的兵棋推演案例則廣泛探討了如何應用或不能應用人工智能。

本報告是五卷系列中的第一卷，總結了所有應用案例的研究結果和建議。報告面向政策制定者、采購專業人員以及對將人工智能應用于作戰普遍感興趣的人員。

研究問題

• 哪些作戰應用可作為潛在用例？
• 訓練和測試人工智能系統需要哪類數據？
• 人工智能算法有哪些局限性？

主要結論

• 要識別適應性威脅，數據必須是最新的。分布偏移會降低模型性能，這是無法避免的，尤其是對于高維數據。
• 不能依靠人工智能分類算法來學習沒有教過的東西。人工智能無法預測或識別新型網絡攻擊。
• 數據必須可訪問且條件良好。相關的物流數據保存在多個數據庫中，通常條件不佳。如果沒有自動化的數據管道，就無法獲取足夠的數據來實現人工智能。
• 和平時期的數據不能替代戰時數據。人工智能無法彌補適當數據的匱乏。
• 數字化必須先于人工智能的發展。大多數兵棋推演不是在數字化環境中進行的，也不會生成電子數據。數字化是人工智能數據管道的先導。
• 需要新型數據。要實現人工智能，就需要人機交互（HCI）技術來捕捉兵棋推演中目前尚未捕捉到的方面。
• 人工智能遠未達到人類智能水平。因此，它不能代替人類，也不能應用人類的判斷。
• 要應對適應性威脅，數據必須是最新的。必須根據最新情況刷新模型，才能在動態威脅面前生存下來。
• 人工智能在戰術上很聰明，但在戰略上卻很幼稚。它往往通過進入對手的 "觀察、定位、決策、行動 "循環而取勝，而不是通過提出一個巧妙的大戰略。
• 與傳統優化方法相比，人工智能的準確性較低。但它的解決方案可能更穩健，也能更快達成。

建議

• 空軍部（DAF）應進行數據集細分測試，以確定人工智能系統分布偏移的重要性，并確定大致的衰減率和人工智能保質期。
• DAF 應進行人工智能試驗，以改進戰備備件包 (RSP) 的需求預測，并將概念驗證模型擴展到所有飛機。這可能需要在逐個部件、逐個平臺的基礎上進行。
• DAF 應考慮使用人工智能來解決更大的運籌問題，即選擇將哪些部件發送到哪里。
• DAF 應建立一個數據操作管道，以便對多個部件和平臺的飛機維護和 RSP 進行有效的回顧性分析。
• DAF 應將用于開發兵棋推演 AI 應用的資源集中在最有前途的領域：那些調查替代條件或用于評估有明確標準的領域；那些已經納入數字基礎設施（包括人機交互技術）的領域；以及那些定期重復的領域。
• 發展議程應更多地使用數字游戲基礎設施和人機交互技術，特別是在為系統探索和創新而設計的游戲中，以收集數據支持人工智能的發展。
• DAF 應更廣泛地利用人工智能能力來支持未來的兵棋推演工作。
• 國防和安全部隊應考慮如何利用人工智能為面臨突發狀況的無人機制定快速反應政策。
• DAF 應投資開發工具，將強化學習應用于現有的任務規劃模型和模擬中，如仿真、集成和建模高級框架（AFSIM）。

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。

目前，人工智能（AI）為改造許多軍事行動領域提供了巨大的機會，包括作戰、指揮與控制（C2）、后勤、安全和維護，以提高其整體作戰效率。空中和導彈防御（AMD）是一個特別復雜的任務領域，人工智能的應用至關重要。空中導彈防御任務指的是保衛國土、保護區、地面基地、地面部隊或艦艇免受敵對的空中或導彈威脅。AMD的威脅包括敵對的飛機、無人駕駛飛行器（UAV）或機載導彈。AMD行動的復雜性源于威脅的嚴重性、威脅的意外性、對形勢認識的不確定性以及事件的快速發展，因為作戰人員必須迅速評估形勢，制定適當的行動方案，并最好地利用他們的戰爭資產來應對。美國國防部（U.S. DOD）正在研究使用AI系統（或AI-enabled AMD[AI-AMD]系統）作為AMD作戰人員的自動決策輔助工具，以大大減少他們的認知負荷（Jones等人，2020），使AMD決策更快、更好。

人工智能的一個關鍵方面已經聚集了大量的研究興趣，那就是信任。信任是有效團隊的一個基本原則。它同時適用于人類和人機團隊。信任使團隊成員能夠很好地合作，是有效團隊表現的基礎（Lee and See 2004）。與人工智能系統的成功合作將需要人類對人工智能系統有一個校準的信任和依賴程度（泰勒等人，2016）。

隨著更先進和更快的空中和導彈威脅彈藥的發展和投入使用，操作人員更需要在AMD行動中迅速作出監測。不及時的決策和反應將導致災難性的后果。因此，人工智能是一個可能的解決方案，通過自動決策輔助工具加快和加強決策過程。這些AMD自動戰斗管理輔助工具可以幫助戰術操作人員應對更快的決策周期、大量的數據以及需要觀察的幾個系統或屏幕（Galdorisi 2019）。然而，為了有效地利用人工智能能力的潛力，需要操作員的高度信任。操作員對系統的信任程度低，可能會導致人工智能-AMD系統利用不足，受到不適當的監控，或者根本不使用（Floyd, Drinkwater, and Aha 2016）。這些問題中的任何一個都可能導致操作者的工作量不必要的增加，或者任務失敗的可能性。

論文對信任的定義、人機交互（HMI）的概念、信任因素以及包括AMD殺傷鏈模型、威脅場景、架構、模型和功能在內的概念模型進行了廣泛的回顧。有了這樣的認識，論文提出了人工智能-AMD系統的信任框架，對人機交互和人工智能-AMD系統信任因素的描述。論文最后提出了在人類操作者和AI-AMD系統之間實現校準信任的策略。

信任框架始于對系統背景的分析。圖1顯示了AI-AMD指揮與控制（C2）系統（包括AI-AMD操作員和決策輔助工具）及其他與之互動的子系統的背景圖，這些子系統有助于操作員和AI-AMD決策輔助工具之間信任的發展。背景圖使我們能夠研究各系統之間的相互作用，以及它們對AI-AMD操作員和決策輔助工具之間信任動態的影響。

圖1. AI-AMD系統框架圖。

這篇論文將信任定義為操作者的態度，即AI-AMD決策輔助工具將有助于實現操作者的目標，即在一個以不確定性和脆弱性為特征的作戰環境中迅速摧毀來襲威脅的任務。這種信任的定義表明，它是對操作者相信或感知AI-AMD決策輔助工具的一種情感評估。為了積極地影響信任，操作者必須親自看到并感受到AI-AMD決策輔助行動的優勢。AI-AMD行動涉及很多不確定因素，以及天氣、電磁干擾和地形等環境因素以及不斷變化的威脅的性質所帶來的脆弱性。操作員將預期AI-AMD決策輔助系統按照 "合同 "執行，以處理這些不確定性和脆弱性。這些合同將是人工智能-AMD決策輔助工具應該執行的感知功能或任務，以及執行這些功能或任務的理想表現。

圖2說明了操作員和AI-AMD決策輔助工具之間的信任框架。y軸代表人類對AI-AMD決策輔助系統的信任程度，x軸代表AI-AMD決策輔助系統的能力。綠色的45°虛線表示最佳的信任水平或校準的信任線，其中的信任與AI-AMD的能力相對應，導致正確的利用（Lee and See 2004）。過度信任由最佳信任水平線以上的區域表示，此時的信任超過了系統能力，導致誤用。低于理想信任水平線的區域表示不信任，這時的信任沒有達到系統能力，導致濫用。假設存在一些默認的信任水平（如黃框所示），目標是制定一個策略，以提高AI-AMD輔助決策能力的信任。在使用該系統時，可能會發生違反信任的情況，從而降低操作員的信任。因此，信任修復行動必須被納入，以保持信任在最佳水平。

圖2. 人類操作員和AI-AMD決策輔助工具之間的信任。

基于功能分配的操作員和AI-AMD決策輔助工具之間的人機交互研究表明，操作員和AI-AMD決策輔助工具應該被設計成在大多數殺戮鏈功能中作為一個 "團隊"運作。這引導論文研究了單獨和集體考慮人類和決策輔助的信任因素。對操作員和人工智能-AMD決策之間的人機交互的研究還顯示，操作員的角色已經從手動控制器變成了監督控制器。因此，一個值得信賴的決策輔助工具是很重要的，因為操作者會期望系統的表現符合預期，以幫助操作者更好地履行他的角色。另外，為了進一步幫助減輕操作者的認知工作量，信息的外部表示、決策輔助工具的建議必須易于閱讀和理解。

關于信任因素，本論文提出了一個 "由外而內 "的框架，如圖3所示。論文首先考慮了與操作環境相關的因素，這些因素描述了AMD操作系統的背景。第二，它研究了與組織環境相關的因素，操作人員和人工智能-AMD系統得到了培訓和發展。第三，論文研究了操作人員和人工智能-AMD決策輔助工具之間的交互，以提出與操作人員、人工智能-AMD、單獨和集體相關的因素。

圖3. 建議的信任因素

圖4顯示了擬議的戰略銜接圖，以實現操作者和AI-AMD輔助決策之間的校準信任。對信任定義、人機界面和信任因素的審查表明，該戰略應關注三個關鍵領域：（1）人類對自動化技術和AI-AMD決策輔助系統的集體和個人感知；（2）增強操作員和AI-AMD決策輔助系統的團隊活力；（3）AI-AMD決策輔助系統的可信度，重點是系統開發。該戰略利用DOTMLPF-P框架提出了三個關鍵原則和五個支持原則。首先，軍事作戰人員需要被告知自動化技術的真正能力和局限性，特別是AI-AMD輔助決策。第二，操作員的培訓要求必須增加，以應對新的工作范圍和不斷變化的威脅。第三，必須在人工智能-AMD決策輔助系統的開發中加入新的要求，以提高系統的可感知的可信度。這三個關鍵原則得到了DOTMLPF-P框架其他方面的支持，如組織、領導、人員、設施和政策。

圖4. 實現操作員和人工智能-AMD決策輔助工具之間校準信任的戰略銜接圖