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

戰場物聯網（IoBT）的重點是利用傳感器、執行器和分析設備的互聯網絡提供戰場態勢感知。傳感器可以探測敵人的動向，然后將信息實時傳遞給分析人員，使他們能夠就定位、應避免的區域或誰正在穿越某一區域做出戰術決策。這種能力將有可能節省資源和士兵的生命，因此物聯網成為美國陸軍研究實驗室（ARL）網絡科學研究實驗室研究的重要課題。物聯網（IoT）的概念是與任何類型的設備（從汽車到冰箱）建立通信網絡。將這一概念轉換到戰場環境中，可以想象 IoBT 能帶來多大的可能性。陸軍對 IoBT 設備產生了濃厚的興趣，希望學習、開發并將這些理念從實驗室帶到戰場。

為此，美國陸軍研究實驗室戰術網絡保障分部開發了一種在未知或潛在敵對環境中使用 IoBT 部署多個傳感器的方法。稱該系統為自主分類傳感器網絡。系統內的傳感器執行基本分類，根據生成的事件識別是盟友還是對手，并使用特設無線網絡相互通信。通過使用多個不同類型的傳感器，分類結果更加穩健，因為它們來自不同模式的多個傳感器數據源。此外，為確保較長的網絡壽命，傳感器采用了睡眠算法，節點進入低功耗模式，同時保持網絡活動。最后，這項工作的重點是開發一種應對拒絕服務（DoS）和分布式拒絕服務（DDoS）攻擊的對策，這些攻擊是能夠關閉網絡的普遍威脅。

圖 6 測試不同聚類方法的 Node-RED 流程

交叉引用傳感器

每個傳感器節點都與一個 XBee Series 2 模塊相連，作為通信的基礎層。之所以選擇 XBee，是因為它成本低廉，而且與其他常見的 WiFi 或藍牙設備相比，它與戰術無線無線電相似。我們的實施方案有兩種節點，一種是檢測器節點，另一種是分類器節點。檢測器用于檢測網絡一般區域內是否發生了事件。分類器收集的數據隨后用于將事件分類為盟友事件或敵方事件。我們的設想是，讓探測器節點感知是否有人進入現場，并將該信息轉發給附近的分類器節點，以喚醒它們并開始勘察環境。分類器節點將繼續感知，直到有人觸發事件或感知時間結束。然后，分類器的信息將直接或通過多跳發送到基站。

探測器節點配備了被動紅外（PIR）、超聲波或振動傳感器，分類器節點配備了射頻識別（RFID）、磁力計、麥克風或攝像頭傳感器。為了節約能源，我們在網絡中采用了睡眠算法，這樣檢測器節點就不會在每個時間點都處于空閑狀態。傳感器被連接到 Arduino UNO2 或 Raspberry Pi3 單板計算機上。除了攝像頭和麥克風需要 Raspberry Pi 提供額外的計算資源外，大部分傳感器都使用 Arduino UNO 設備。

分類傳感器收集到的數據會被發送到基站，并在那里匯總成一個數據項。這個匯總數據集代表了過去幾秒鐘內感應到的區域。然后通過聚類算法對數據進行分析，對觸發傳感器的個人進行分類，以預測是盟友還是對手觸發了事件。

休眠算法

無線傳感器網絡的一個重要方面是網絡壽命，它可以定義為最后一個節點停止工作（因故障或耗盡電力資源）所需的時間，也可以定義為網絡的覆蓋范圍或連接性達到某個連接性閾值所需的時間。如果網絡能維持更長時間的可用流量，就能減少在戰場上更換或維護網絡的需要，從而節省時間并降低士兵面臨的風險。由于增加每個節點的電池容量成本高昂，建議采用休眠算法來延長網絡的使用壽命。不主動掃描且對網絡連接不重要的節點可以進入睡眠狀態，以節省能量。然后，這些節點可以在稍后時間被激活，接替可用能量較少的節點的角色。在實施過程中，探索了三種不同的策略，同時測量了它們的壽命和覆蓋范圍。1）地理自適應保真度 (GAF) 算法、2）連接 k 鄰域 (CKN) 和能耗連接 k 鄰域 (EC-CKN)、3）分類網絡休眠算法

數據分析

隨著可用數據的增加，有必要制定一種方法來解釋數據和推理信息。最初通過 Node-RED 通過合成輸入進行數據收集和分類。我們選擇了 R 編程語言來最終實現將傳感器數據分類為敵方或盟方事件。

安全性

任何無線網絡都會存在一些安全隱患，因此必須加以解決。第一個問題是，傳感器會不斷廣播它們掌握的所有信息。監聽網絡的敵人可以輕易地看到所有正在廣播的信息，甚至更糟糕的是，他們可以編造自己的數據來混淆聚類算法。另一個問題是，監聽網絡的對手可能會試圖用數據包淹沒網絡，阻止傳感器傳輸數據（DoS 或 DDoS）。

為了防止對手在 DoS/DDoS 攻擊中用無用數據淹沒網絡，檢查了畸形數據，并切換了 XBee 無線電的個人區域網絡 (PAN) ID。如果檢查發現網絡被數據淹沒，系統就會切換到另一個網絡。遺憾的是，這并不能完全解決問題，因為存在復制攻擊，這種攻擊會利用有效數據，在網絡中充斥大量數據副本。不過，這種攻擊可以通過在數據中加入一次性號碼來解決，這樣基站就能檢測到相同的數據是否被發送了多次。

物聯網（IoT）和大數據描述了許多行業對數據收集、通信和分析的關注。利用射頻識別（RFID）等工具，可以最大限度地發揮物聯網和大數據的潛在效益，將設備相互連接起來，并為終端用戶提供與技術互動的有意義的方式。醫療保健行業已經徹底改變了其物聯網方法，希望能夠節約成本、提高效率和改善醫療質量。海軍醫學在大數據方面已有一定的歷史，在未來，技術與醫療保健之間可能會有更多的交叉。在采用新技術的過程中，可能會遇到技術變革的阻力。阻力的類型、強度及其調解在很大程度上取決于領導者如何處理最終用戶的阻力和接受程度。引入新的 RFID 技術有可能對手術工具消毒、病人和員工追蹤等流程產生積極影響。展望未來，醫療保健與技術的融合將繼續快速發展，物聯網、大數據和 RFID 技術將在醫療保健行業發揮重要作用。

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。

60 多年來，美國國防部（DoD）一直在投資人工智能（AI），并將數據和人工智能系統投入實戰。如今，數據、分析和人工智能技術越來越多地應用于美國防部各部門，并為軍隊提供價值。

伴隨著行業的進步，美國防部多年來一直在穩步、迅速地改進其數據基礎和分析能力：通過研發嘗試人工智能，將這些技術整合到業務和作戰功能中，并為其大規模使用奠定基礎。隨著投資、實驗和創新的繼續和加速，現在的任務是推動這些技術在整個事業的推廣。

雖然戰略競爭對手對人工智能有著宏大目標，但美國及其軍隊在人才、作戰經驗、技術可用性和系統集成方面擁有強大的結構性優勢。為作戰人員配備更快做出更好決策的工具和資源，將提高作戰效率，使作戰能力和指揮人員更加有效，并為采用新的作戰概念創造機會。

負責任地迅速實現數據、分析和人工智能的全部承諾并不只是某個組織或項目的工作，而是所有人的責任。例如，將美國防部數據作為企業資源提供，需要更多的共享和協作。尋求一種靈活的戰略方法，以指導整個美國防部的分布式行動，激發學習運動，并利用所有的人員、流程和使能技術。

在整合分析和人工智能應用的過程中，看到了它們的優勢，也吸取了它們局限性的重要教訓。從會議室到戰場，還有更多工作要做，例如提高數據質量和改善網絡基礎設施。本戰略將指導如何加強美國防部部署數據、分析和人工智能能力的組織環境，以獲得持久的決策優勢。

在未來戰場上，人工合成的決策將出現在人類決策的內部和周圍。事實上，人工智能（AI）將改變人類生活的方方面面。戰爭以及人們對戰爭的看法也不例外。特別是，美國陸軍構想戰爭方式的框架和方法必須進行調整，以便將非情感智力的優勢與人類情感思維的洞察力結合起來。人工智能與人類行動者的組合有可能為軍事決策提供決定性的優勢，并代表了成功軍事行動的新型認知框架和方法。人工智能在軍事領域的應用已經開始擴散，隨之而來的作戰環境復雜性的增加已不可避免。

正如核武器結束了第二次世界大戰，并在二十世紀阻止了大國沖突的再次發生一樣，競爭者預計人工智能將在二十一世紀成為國家力量最重要的方面。這項工作的重點是美國陸軍的文化，但當然也適用于其他企業文化。如果要在未來有效地利用人工智能，而且必須這樣做才能應對競爭對手使用人工智能所帶來的幾乎必然的挑戰，那么成功地融入人工智能工具就需要對現有文化進行分析，并對未來的文化和技術發展進行可視化。美國將致力于在人工智能的軍事應用方面取得并保持主導地位。否則將承擔巨大風險，并將主動權拱手讓給積極尋求相對優勢地位的敵人。

結論

合成有機團隊認知的兩大障礙是美陸軍領導的文化阻力和軍事決策的結構框架。首先，也是最重要的一點是，領導者必須持續觀察人工智能工具并與之互動，建立信心并接受其提高認知能力和改善決策的能力。在引入人工智能工具的同時，幾乎肯定會出現關于機器易犯錯誤或充滿敵意的說法，但必須通過展示人工智能的能力以及與人類團隊的比較，來消除和緩和對其潛在效力的懷疑。將人工智能工具視為靈丹妙藥的健康而合理的懷疑態度有可能會無益地壓倒創新和有效利用這些工具的意愿。克服這一問題需要高層領導的高度重視和下屬的最終認可。其次，這些工具的結構布局很可能會對它們如何快速體現自身價值產生重大影響。開始整合人工智能工具的一個看似自然的場所是在 CTC 環境中，以及在大型總部作戰演習的大型模擬中。最初的工具在營級以下可能用處不大，但如果納入迭代設計、軍事決策過程或聯合規劃過程，則幾乎肯定會增強營級及以上的軍事規劃。雖然在本作品中，對工具的描述主要集中在與指揮官的直接關系上，但在最初的介紹中，與參謀部的某些成員（包括執行軍官或參謀長、作戰軍官和情報軍官）建立直接關系可能會更有用。與所有軍事組織一樣，組織內個人的個性和能力必須推動系統和工具的調整，使其與需求保持平衡。

幾乎可以肯定的是，在將人工智能工具融入軍事組織的初期，一定會出現摩擦、不完善和懷疑。承認這種可能性和任務的挑戰性并不意味著沒有必要這樣做。人類歷史上幾乎所有的創新都面臨著同樣的障礙，尤其是在文化保守的大型官僚機構中進行創新時。面對國際敵對競爭對手的挑戰，美國陸軍目前正在文化和組織變革的許多戰線上奮力前行，在整合人工智能工具的斗爭中放棄陣地無異于在機械化戰爭之初加倍使用馬騎兵。在戰爭中，第二名沒有可取的獎賞，而人工智能在決策方面的潛在優勢，對那些沒有利用這一優勢的行為體來說，是一個重大優勢。現在是通過擁抱人工智能工具和改變戰爭節奏來更好地合作的時候了。

人們普遍認為，將機器學習融入軍事決策對于美國在 21 世紀保持軍事主導地位至關重要。機器學習的進步有可能通過提高整個國家安全企業級決策的速度、精確度和效率，極大地改變戰爭的特點。美國國防部的領導者們認識到了這一點，并正在做出大量努力，以在戰爭的戰術、作戰、戰略和機構層面有效整合機器學習工具。

本報告將探討機器學習的一種應用，其重點是在競爭和沖突的作戰層面實現軍事決策。展示了機器學習如何與人類合作，作為決策系統的一部分，用于提高軍事行動和活動的有效性。展示了這種方法如何通過分析原本無法獲取的數據源，為指揮官提供有關作戰環境的新見解。將重點放在從大量基于文本的數據（如報紙報道和情況報告）中獲得的洞察力上，這些數據無處不在，但卻很少以任何系統的方式整合到決策中。

在本報告中介紹的方法以人機協作系統的概念為基礎，并證明了現有的機器學習能力需要人在各個階段的參與，才能證明對操作層面的決策有用。因此，機器學習能力的發展與雷達自二戰以來的演變密切相關，而雷達是人機協作用于軍事目的的最早范例之一。如今，與不列顛之戰期間使用的預警系統同樣依賴雷達機器和人類觀察員一樣，機器學習仍然需要人類的參與，以指導這種新傳感器使用正確的數據，正確解釋其輸出結果，并評估其結果對作戰決策的影響。

通過一個基于真實世界數據和真實世界危機的示例研究，將讀者（"您"）置身于一名軍事指揮官的視角，就 2022 年俄羅斯全面入侵烏克蘭之前，美國如何支持烏克蘭兵力應對俄羅斯支持的烏克蘭東部叛亂，展示了這一系統方法的實際應用。在撰寫本案例研究時，把讀者您當成了這位指揮官，因為目標是強調您在未來與機器學習工具的合作中可能扮演的關鍵角色--無論是作為分析師、決策者，甚至是在現實世界的類似背景下應用這些工具的軍事指揮官。

值得注意的是，本案例研究是基于 2014-2020 年間的數據于 2020 年 12 月完成的，僅分析了這一時期與俄羅斯支持的烏克蘭東部叛亂有關的實地情況。本研究尚未更新，以反映自 2022 年 2 月俄羅斯入侵烏克蘭以來所獲得的任何見解。然而，從入侵前的視角來看，機器學習在后來發生的現實世界事件中用于作戰決策的優勢和局限性也就不言而喻了。

在整個案例研究中，將看到為本報告目的而進行的基于機器學習的實際評估結果，該評估分析了來自烏克蘭的 18,000 篇歷史新聞報道，內容涉及從 2014 年沖突起源到 2020 年末的沖突。利用機器學習工具從這些數據中提取相關見解，并與分析結果進行互動，就向烏克蘭兵力提供何種類型的支持以及在俄羅斯入侵前實現美國在該地區的目標做出名義上的決策。在此過程中，人機協作學習的優勢將逐漸顯現，將親眼目睹機器學習工具如何快速、系統地利用以前無法獲取的數據，為復雜問題提供新的見解。但這種方法的局限性也會顯現出來，將親眼目睹機器學習的好壞取決于支持它的可用數據，以及訓練機器學習工具和解釋其結果的人類分析師。

人機協作方法適用于軍事決策者在陸軍和美國防部作戰和機構層面面臨的各種問題集。因此，本研究以具體證據清晰地展示了在軍事決策中使用機器學習所涉及的權衡問題，為機器學習在軍事領域的廣泛應用做出了貢獻。本研究為美國陸軍提出了幾項重要發現和建議。

研究問題

• 指揮官如何利用機器學習進行作戰決策？
• 人類分析師應如何與機器學習工具合作以實現作戰決策？

主要發現

首先，分析展示了機器學習在軍事決策方面的巨大潛力，但只有在與對特定問題背后的背景有詳細了解的人類分析師配對時才能實現。在此提出的機器學習方法不會取代人類分析師。相反，它能使人類分析師更高效、更嚴謹，并能更好地從以前未開發的數據源中提取洞察力。在案例研究中，通過使用機器學習獲得的大多數關鍵見解都需要人類分析師的額外干預。在某些情況下，這需要在模型結果的基礎上有選擇性地疊加額外的數據源。在其他情況下，則需要人工分析師手動審查機器學習工具認為相關和有趣的基礎數據。因此，美國陸軍現有的機器學習能力需要人類在各個階段的參與，才能充分發揮其潛力。

其次，分析表明，通過大幅提高執行重復性任務的效率，人機協作方法可以大規模分析人類分析師無法單獨完成的海量數據集，從而產生以前無法實現的有關作戰環境的新見解。案例研究表明，從分析人員處理大量數據的重復性分析任務所花費的時間來看，機器學習能顯著提高效率，使分析人員更高效、更嚴謹，并能更好地從以前未開發的數據源中提取洞察力。這表明，對于需要大量人工審核相關數據的問題，陸軍領導應優先考慮將機器學習作為一種解決方案。

最后，這項研究揭示了機器學習的系統方法能夠對作戰級總部已有的大量數據進行標準化、客觀和長期的分析，從而增強其支持有效決策的潛力。在許多情況下，這些數據是戰爭中作戰和機構層面決策的最佳信息來源，但如果沒有機器學習，這些數據就只能以臨時和主觀的方式進行分析。

建議

首先，這項研究表明，陸軍應為各級指揮人員提供頻繁接觸機器學習的機會，讓他們熟悉人類如何利用這些能力作為軍事決策系統的一部分。

其次，本研究強調，陸軍應建立多樣化的機器學習團隊，以充分釋放這一能力的潛力。這些團隊應整合熟悉機器學習工具細節的作戰研究系統分析員、對特定作戰環境有第一手知識的操作員、了解可用數據以分析特定問題的分析員，以及能將機器分析轉化為對作戰決策有實際影響的指揮官。

物聯網（IoT）是一個寬泛的術語，它涵蓋一切，無處不在，以至于到 2025 年，設備不與互聯網連接將成為例外，任何人都無法避免與互聯網的接觸。即使這一預測部分成真，物聯網也是軍隊需要關注的問題，以了解它將如何影響行動、人員和戰略。

研究小組認為，物聯網是工業革命和通信革命的融合。舉例來說，機槍改善了火力，重塑了沖突；蒸汽機改善了后勤和機動性；噴氣發動機實現了全球兵力投送。在通信方面，無線電技術提高了作戰人員的效率，而基于互聯網的能力則帶來了近乎實時的態勢感知。每種技術都在作戰行動中產生了革命性的影響。現在，物聯網有可能在這些技術和之前其他技術進步的基礎上再接再厲，產生綜合效應，重塑作戰空間。以下是物聯網的與眾不同之處：

• 規模巨大（2020 年估計：200 億臺設備，2000 億個標簽）
• 無處不在（遍布全球）
• 萬物相連（甚至衣服上的線頭）
• 成本極低（每個標簽只需幾分錢）
• 數據分析

傳感器在全社會的擴散以及這些傳感器產生的數據將影響軍隊的作戰能力。由于物聯網如今正在迅速普及，因此陸軍同樣使用這些技術的時間范圍也很短，只有五年或更短的時間。

對陸軍而言，物聯網中的 "物 "就是士兵、裝備、車輛以及贏得戰斗所需的所有資產。只要指揮官能提高對 "物 "的狀況的認識，他們就能更好地了解如何優化部隊以完成特定任務。如果利用得當，物聯網能為指揮官提供的保真度有可能使他們近乎實時地為每個獨特的任務定制部隊組合。

為了展示軍隊使用物聯網的潛力，研究小組開發了使用案例，從目前容易做到的（爬行）到需要更多投資和規劃的（從走到跑）。這些用例還解決了陸軍部長 (SECARMY) 職權范圍 (TOR) 中提出的三個問題：

• 物聯網如何改變我們的世界？
• 軍隊有哪些機遇？
• 無所作為的后果是什么？

在收集數據的初期，研究小組采用了國際標準化組織 (ISO) 對物聯網的定義： 由相互連接的物體、人員、系統和信息資源組成的基礎設施，同時提供智能服務，使其能夠處理物理世界和虛擬世界的信息并做出反應。

以定義中的最后一個要素 "反應 "為重點，每個使用案例都展示了軍隊如何利用物聯網將數據轉化為可操作的信息。軍隊可以利用物聯網降低維護、戰備、設施管理和后勤方面的成本并提高效率。這些效率與推動商業行業采用物聯網的效率類型相同。但陸軍可以通過更加注重實效來進一步發展物聯網。物聯網可用于改善戰場態勢感知、指揮與控制、機動性、自主性和士兵表現。

使用案例中的 "爬行/行走/奔跑 "結構展示了陸軍物聯網的順序發展，其中最初的努力為后來更先進的能力奠定了基礎。

• 1.爬行（2-5 年）。陸軍使用現成的商用（COTS）設備來提高基礎設施管理的效率，并通過讓指揮官對士兵和設備的狀態有更有意義的態勢感知來改善戰備狀態。在發展方面，陸軍將努力充分了解其資產的物聯網使用情況。以下使用案例很容易適應研究小組所描述的 "了解你自己 "類型的物聯網應用。

  • a. 按小時計算功率 - 許多行業都在實施，包括通用電氣公司（GE），該公司使用傳感器和預診斷技術對其發動機進行基于狀態的維護（CBM）。通過為每臺發動機開發數字孿生系統，通用電氣為基于狀態的維護增加了另一層含義，將維護工作從監測推向更具預測性的模型。同樣，蒂森克虜伯與微軟公司合作開發了一個解決方案，將其電梯中的數千個傳感器和系統連接起來，以減少維護停機時間，提高 "正常運行時間"。

  • b. 智能堡壘--民用領域智能城市的發展可以轉化為軍隊的智能堡壘。陸軍已開始在水和能源管理方面實施智能城市技術的某些要素，但要開發安全、交通管理、醫療保健和人員準備方面的應用，還有許多工作要做。

• 2.步行（5-10 年）。陸軍混合使用 COTS 和陸軍專用技術，以提高戰場上和支持士兵作戰的后勤管道中的態勢感知能力。陸軍還將開發陸軍特有的分析框架，以便在傳統行業用途之外更充分地利用物聯網。陸軍還將影響商業行業研發（R&D）工作的方向，使其朝著與陸軍相關的方向發展，并在可能的情況下充當過渡合作伙伴。這些使用案例代表了研究小組所描述的 "了解對手 "型物聯網應用的步驟。

  • a. 利用智能城市--一旦陸軍掌握了自己的智能堡壘技術，就能熟練利用對手的智能城市。交通管制、車輛類型和占用率、建筑物占用率、電器和公用設施控制（如智能家居）、庫存狀態/存貨（食品、醫療等）、下水道內容、疾病趨勢等信息可幫助士兵評估和確定最佳出入通道、生活模式、目標位置以及敵軍（紅色）和平民（灰色）之間的區別。

  • b. 基于物聯網的情報（IoTINT）--當與其他情報數據融合時，物聯網數據將為在城市，尤其是特大城市開展行動的士兵提供更好的態勢感知。研究小組采用 "物聯網情報 "作為別名，以突出其與其他情報來源（SIGINT、HUMINT 等）的相關性，特別是在陸軍行動的規劃（城市狀態/屬性）和執行（實時信息）方面。總之，哪里有物聯網，哪里就有情報需要收集。

• 3.運行（<10 年）。陸軍利用其開發的技術來提高戰斗力，例如，增強自動駕駛車輛、在有爭議地區利用物聯網等。應為物聯網進步研究提供充足資金，以保持陸軍在該技術方面的優勢。

  • a. 破壞物聯網--除了利用物聯網獲取信息外，艾米控制和/或破壞敵方和民用物聯網以產生影響的能力將提高其戰斗力。另外，陸軍還需要抵御對手的此類行動。

  • b. 增強自主性--隨著城市地區進一步發展物聯網，并依賴物聯網來管理基本功能（交通控制、公用事業、安全等），可以設計自主作戰系統，利用本地物聯網作為非有機傳感器。在自主系統內處理物聯網和本地傳感器數據的能力意味著未來軍隊需要開發邊緣數據融合能力。

在能力、政策、技術要求等方面，有幾個領域的用例是重疊的。研究小組優先考慮了軍隊在推進物聯網時需要考慮的四個交叉問題：

• 1.國家訓練中心 (NTC)。陸軍有機會在 NTC 培訓期間收集數據。目前，陸軍每年至少在 NTC 進行 10 次旅戰斗隊 (BCT) 訓練演習。在這些演習中，BCT 的演習數據通過 ATT 4G/5G 蜂窩網絡進行記錄。NTC 的演習對手部隊 (OPFOR) 使用相同的網絡對訓練中的 BCT 實施演習行動。每輛車上都記錄了大量后勤平臺數據，并在訓練演習結束后下載。陸軍可以使用額外的記錄器和傳感器來增強現有數據，將所有數據提取到一個分析框架（尚待設計）中，該框架將對數據進行融合，并在態勢理解、作戰需求和演進戰術等方面實現深度學習。

• 2.政策與需求。陸軍的需求部門沒有物聯網系統方面的經驗，也沒有編寫需求。沒有需求，采購部門就沒有將物聯網技術集成到任何平臺或產品中的計劃。此外，人們對 "聯網 "設備心存恐懼，研究小組聽說過有意識地將類似物聯網的功能從商用車輛等系統中移除或禁用的決定。同樣，陸軍卓越中心（CoEs）也沒有意識到物聯網的影響或其對陸軍的潛在好處，因此幾乎沒有人提倡采用物聯網技術。因此，士兵們無法使用物聯網作戰能力。簡而言之，陸軍尚未制定使用物聯網的愿景和戰略。

• 3.網絡安全與風險。陸軍需要了解部署物聯網的相關風險。研究小組開發了一個概念公式，將風險理解為系統或單位的脆弱性、利用方法、攻擊規模的影響以及犯罪者意圖的函數。研究小組將這一公式應用于兩種情況：針對汽車的攻擊和針對部署的陸軍車輛的攻擊。顯然，在大多數沖突階段，軍用車輛所面臨的風險要遠遠高于商業物聯網網絡攻擊所面臨的風險。由此造成的昂貴設備損壞、可能的人員傷亡和/或生命損失、可能的任務降級等，其后果比高速公路上停滯不前的 SUV 更嚴重，因此，軍隊需要充分了解物聯網的風險和脆弱性，才能在威脅面前占得先機。

• 4.無所作為。如果陸軍忽視物聯網，不了解、不開發、不使用該技術，就會將戰場空間拱手讓給對手。這將為對手成功利用美國和盟國的物聯網系統鋪平道路，給陸軍造成次生影響，如為維護系統（如車輛）支付過多費用，在建筑物和基礎設施管理方面造成浪費，以及由于數據錯誤、管理效率低下等原因導致的不可接受的低戰備狀態。在戰場上，軍隊也可能因態勢感知能力有限而導致作戰效率低下，特別是在城市地區。

通過數據收集和分析，研究小組得出了五類結論：

• 1 陸軍沒有充分利用物聯網的工業進步來提高作戰效率和節約成本：

  • a. 工業界正在以指數級的速度投資和實施物聯網
  • b. 物聯網在工業領域的成功部署得益于部署成本的降低、云計算和數據分析的進步
  • c. 工業界正在利用標準機構來開發物聯網的互操作性，但沒有證據表明軍隊參與了這些機構。

• 2.陸軍不具備在戰場和陸軍工業基地采用所需的物聯網系統級要求

• 3.軍隊尚未解決網絡和網絡連接方面的挑戰

  • a. 當前的商業物聯網無法為軍隊的關鍵任務提供足夠的網絡安全保障
  • b. 某些戰場環境提供的網絡連接有限

• 4.物聯網問題跨越政策和法律界限，軍隊應用必須解決這些問題

• 5.軍隊可收集數據并開發分析方法，以確定如何提高作戰人員的效率：

  • a. 通過 NTC 和其他來源，了解物聯網使能物的使用和防御情況，包括預警環境
  • b. 滲透到哨所、營地和駐地的 IMCOM（政府和非政府來源）
  • c. 陸軍工業基地的 AMC 設施（倉庫、兵工廠、彈藥儲存設施和海港）
  • d. 與士兵表現有關的 MEDCOM

基于這些發現，研究小組向陸軍高層領導提出了以下建議：

• 1.美國陸軍司令部：確定適當的平臺，利用陸軍鐵路作為初步試點，實施按小時計費的電力系統，以展示成本節約和戰備改進情況

• 2.AMC 和 IMCOM：通過利用智能城市技術節約成本和提高效率，擴大在倉庫和智能堡壘方面的現有努力。

• 3.醫療司令部：確定對戰場感知非常重要的士兵表現數據 4.

• 4.G3/5/7 和 OGC：更新政策，解決利用物聯網所需的法律和實施問題 5.

• 5.DUSA：責成 AAG 創建一個分析框架，用于了解、接受和開發 DOTML-PF 的實驗，該框架將： 1：

  • a.支持 "藍對藍 "和 "藍對紅 "分析，以進行戰術分析（中小型企業：FORSCOM、MEDCOM）

  • b.支持 "藍對藍 "和 "紅對藍"、OPSEC 評估（SME：FORSCOM、MEDCOM 和 AMC）。

  • c.為全軍的需求流程提供信息（SME：TRADOC 和 ASA（ALT）

• 6.TRADOC：定義物聯網系統的要求，并在與物聯網相關的研發項目中擁有代表權

• 7.G6：積極參與物聯網商業標準機構，代表陸軍利益。

• 8.ARL: 倡導并共同資助（如與 DARPA 或 IARPA）圍繞以下方面的研究項目

  • a) 進攻性使用對手的物聯網（紅/灰藍色）

  • b) 將物聯網分析技術應用于劣勢網絡（間歇性連接、低數據率）；

• 9.ASA (ALT)、CIO-G6、G3/5/7、AMC 和 ARCYBER：將物聯網考慮因素納入軍隊網絡復原力工作中

• 10.ARCYBER：制定將物聯網納入軍事行動和平臺的風險緩解戰略

• 11.ARCYBER：利用 IMCOM 智能堡壘作為測試平臺，開展對抗性網絡紅隊訓練

近來技術的進步使得戰場上對快速指揮與控制（C2）決策的需求變得非常重要。傳統上，由專題專家（SME）利用其積累的知識、經驗和專業技能制定行動方案，完成這些任務以實現預期目標。現在，技術進步了，戰術領域的行動步伐也加快了。指揮官需要在很短的時間內，有時甚至是一瞬間，針對特定情況做出決策。這就需要在這些任務中引入自動化，從而使用基于人工智能（AI）和機器學習（ML）框架的算法。

ML 技術可分為兩大類，一類方法需要大量真實情況數據進行訓練（如監督學習），另一類方法則采用行動和獎勵的概念（如強化學習 [RL]）。還有許多混合技術以多種不同的方式將這兩種方法結合在一起。深度強化學習（DRL）就是這樣一種技術。在本報告中，我們將介紹利用 SME 和 DRL 算法開發的戰場模擬數據比較分析和可視化工具。

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。