美陆军将人工智能集成至战术指挥部以增强态势理解

    

原标题：美陆军将人工智能集成至战术指挥部以增强态势理解

    

    

    

     摘要：美国陆军报告《将人工智能集成到战术指挥部以增强态势理解》认为，美陆为满足现代战场上的军将集成需求，美国陆军必须将人工智能（AI）集成到各系统中，人工从而加强其战术指挥所的智能至战增强能力。AI潜力巨大，挥部可在针对潜在威胁部队及其指挥官的态势态势理解方面，为集团军、理解师级、美陆旅级甚至营级指挥所提供数量和质量优势。军将集成经过适当发展、人工测试和部署的智能至战增强AI能力将更好的合并、优化和关联信息，挥部从而加强态势理解，态势赋能高效决策。理解本文将根据该报告详述当前陆军建设AI的美陆具体需求，并给出建议，以便陆军在未来三年内将AI集成到现有系统和网络中。

    

    

     关键词：美国，陆军，人工智能，态势理解

    

    

现代战场上多域作战行动要求指挥官及其参谋在多维战场空间中作战。在这样的作战环境中，即使是最老练的参谋官，也将面临重重挑战，而备战充分的部队，则需要处理数量庞大的信息。精心设计的AI算法和AI赋能的应用程序将帮助美国机动部队更好地理解作战环境，并为更加强大的通用作战图赋能。“赋能决策”是信息优势活动的核心任务，该任务的执行将帮助指挥官、参谋和部队获取并维持信息优势。高水平的态势理解是指挥官获得决策优势的必要不充分条件。加强态势理解迫在眉睫，而陆军可使用当前可用的技术在短期内达成这一目标。将AI集成到信息优势活动的这一核心任务中，可在不同程度上直接加强该任务所需的其他陆军能力。

未来，AI赋能的传感器、火控系统、交付资产和算法或将铸就效率极高、杀伤力极强的战场，为完成指挥官的指令，回路中的操作人员需要努力与机器保持协调一致。收集资产和交付资产的蜂群未来或将自动执行任务，并在根据事态发展不断调整响应的同时，通过动态行动完成收集、交付和评估。在与友好、中立和威胁系统的交互中，与物理作战域的这些系统和活动同在的，是运用于网络作战域中同样由AI赋能的先进能力。不过，上述能力在当前无法广泛部署和运用，原因在于，这些能力所需的AI技术还不够强大，不足以令军方认真考虑在短期内将其引入。尽管如此，陆军必须适时通过可行、高效的方法集成AI。正如《美国陆军2028年多域战》（下文简称《2028多域战》）中提到的那样：“在所有作战域、EMS（电磁波频谱）和信息环境中融合能力的关键是AI赋能的高容量分析能力和传感器到射手的连接，AI通过自动交叉提示和目标识别，来加大敌方欺骗和隐蔽的难度。瓦解（敌方行动）所需的情报提炼依赖于五个相互关联的系统。”此处的五个系统指广域监视、渗透侦察、防区外监视和侦察、可消耗监视和侦察以及人力网络。当前对战术指挥部AI赋能系统的开发、实验和运用将提升态势理解，从而赋能这五个系统。集成AI无法实现自主决策，但能够帮助指挥官和参谋更好地进行决策。

如《2028多域战》所述：“由人工智能和高速数据处理推动的人机交互可从速度和准确度方面提升人类决策。”本文所引报告的作者重申，将AI集成到战术指挥部，并更进一步将其整合到整个机动部队的各系统中，可加强人类决策。美国陆军正在开展工作以在2028年实现作战愿景，但根据该出版物，陆军早在几年前便开始采取措施。报告作者指出，为未来军事事务改革创造条件的条令和领导指南中存在两个缺漏。其一，美国陆军缺乏评估手段，无法衡量其在实现AI赋能多域行动方面的进展；其二，当前缺少面向机动部队发布的实操指南，以指导其集成AI赋能系统。在填补了这两个缺漏后，报告作者还提出了一个陆军可使用现有技术打造的系统，以加强战术指挥所的态势感知。

陆军如果计划将AI集成到多域战中，且必须有一个评估AI战备状态的方法，那么首先就需要了解什么是AI。报告作者采用了美国国家人工智能安全委员会（NSCAI）在其终稿报告中引用的定义，该定义最初发表在卡内基梅隆大学多位现任和前任资深教职人员共同创作的论文中。该定义认为人工智能是一个“堆栈”，即需要“人才、数据、硬件、算法、应用程序和集成”的技术层集合。NSCAI最终报告认为人才极其重要，人才将驱动对AI赋能系统和数据的采用及运用，其中，数据可用于系统所含的算法和模型。本文所引报告的作者鼓励陆军尽早采用来自AI领域的建议，认为其与陆军当前的能力相一致。

除AI组件外，了解AI赋能系统能给用户带来什么同样重要。通过使用专门用来训练AI的算法，应用程序的AI组件将“学会”从海量数据中识别模式，从而对新数据的附加信息进行分类或预测。这一抽象处理能力用途广泛，可用于多种情形，但需要海量标记数据和长期数据收集行动的支持。标记数据含有某一类型或值的识别信息，通过标记数据，AI组件可习得预测能力。标签必须与需要的预测能力相关。如，要打造一个可从卫星图像中识别坦克的AI，就需要一个已完成标记的卫星图像数据集，以令AI学会识别图像中是否包含坦克。更详细的预测需要更细致的标记，也就是说，美国陆军如果想预测坦克的型号，那么图像数据集中的标签就必须包含坦克类型。人力收集和打标的情报数据集的质量将直接关系到系统可获得多少高质量数据。

部署和开发AI赋能系统是一个渐进的过程，报告作者提出，评估陆军AI战备状态可分为四个阶段。这一观点以卡内基梅隆大学的埃里克·尼伯格提出的四个阶段为基础。尼伯格提出的四个阶段旨在使组织能够评估其对AI的准备和使用状态，这四个阶段注重数据管理以及组织流程。其中，组织流程是建立和运用有效AI赋能系统的基础。尽管这四个阶段共同构成了进程，但超出部队控制范围的变化可使其在实现AI赋能的过程中前进或后退。

该进程的第一步是做好数据科学准备。当数据源已识别、可访问且可长期管理时，就说明该组织已做好了数据科学准备。陆军部队领导者在该阶段将能够随时访问关于人员、后勤、训练、情报和战术的可信数据及其相关背景。对于机动部队而言，考虑如何在作战环境中实现上述场景十分关键。部队需制定程序以组织、规范和储存训练和战斗信息。并且，各系统和各作战职能所有的数据也必须集成在一起。在这一阶段，数据准备已完成，拥有数据分析技能的士兵可使用这些数据更好地描述其环境、行动和后续结果。陆军部队做好数据科学准备的体现还包括，领导层了解数据收集、维护和共享的方法。

做好数据科学准备的组织有能力使用数据科学时，即进入了第二阶段。当多个数据源之间的关联得到识别，且根据组织数据创建的预测模型被用于改进工作流程和决策时，就说明该组织有能力使用数据科学。进入第二阶段的陆军部队将有能力收集、维护和访问增强的态势理解，将敌友行动置于相关背景中考虑，并预测其未来动向。有能力使用数据科学的机动部队可在野战演习、指挥所演习和作战训练中心轮换的过程中收集、清理和组织数据。预备训练期间，士兵使用预测分析识别敌军行动，以便对瞬息万变的复杂战场做出更快响应。在这一阶段，陆军部队的领导层将进行投资，将大量数据集成到军事决策流程中，以快速适应不断变化的环境。

通过数据科学获得更好的军事表现后，部队将寻求做好AI准备，此即第三阶段。在该阶段，陆军将数据科学用作作战程序的一环，且已成功将革新其工作流程的软件应用程序集成到综合计算技术当中。领导层将使用AI了解需要改进和满足的程序和需求，并且能够与AI工程师直接交流，以设计和落实相关解决方案。陆军部队将切实了解用作武器系统的AI的能力和局限。机动部队还将与软件工厂、人工智能集成中心（AI2C）等陆军未来司令部单位合作，开发加强其任务战备和能力的AI解决方案。各机构之间将共享数据，且士兵无论在战术环境还是驻军基地，都能够访问这些数据，此外，军队后方的软件升级可通过陆军网络推送到战术边缘。在做好AI准备的陆军部队中，具备AI知识的领导层将指挥数据存在，并推动未来AI赋能软件和应用程序的需求流程。

最后，当陆军能够部署AI系统并直接衡量其对任务结果的影响时，就成为了由AI赋能的组织。在这一阶段，陆军各单位能够在战术环境中将AI运用到自主流程并成功完成任务。各系统将在关键环境和形势下执行任务。对陆军部队而言，这些系统都是能够适应动态网络形势的弹性应用程序，可在敌方干扰或拒止通信网络时发挥作用。这一阶段的陆军拥有高度灵活的流程和系统，可快速适应不断变化的环境，从而在多域战场上取得决定性优势。而这些系统也将及时为陆军提供关键多维数据和见解。由于现代系统能够生成和处理大量信息，因此数据收集的规模和速度也将扩大和提升。在AI赋能阶段，陆军部队的领导层将获得授权，使用AI和由人机界面交互形成的创新解决方案来领导复杂任务。

然而，今天的机动部队尚未做好数据科学准备，而陆军要成为AI赋能部队，还需要进行大规模转型。和AI的发展过程一样，陆军要实现技术进步，本质上就是要实现变革，而军队变革又给予了陆军小型部队拥抱和影响AI赋能军队这一未来愿景的机会。机动部队应从现在开始从落实行动，响应陆军和国防部领导层提出的政策和条令要点。AI是一种非对称能力，军队可通过相对较低的投资获得超高回报。对AI的投资尽管可能对行动迟缓的大型组织产生负面影响，但同时也使独立或小型单位有机会对整个组织形成巨大的正面影响。通过鼓励和支持小型部队及其领导层的创新解决方案，陆军可灵活应对AI对军事事务产生的颠覆性影响。为鼓励这类创新，可进行的早期工作包括为AI准备数据环境。

未来所有和近期大部分的陆军系统都将生成大量的数据，陆军必须能够快捷访问这些数据。其一，对于陆军考虑采购且将生成数据的在案项目，报告作者建议建立数据可访问性并储存审查。储存审查的目的是评估陆军人员对该系统收集和储存的数据的访问能力。几乎所有陆军系统都需要具有普遍可用的应用程序编程接口和支持编程系统访问的能力。此外，储存在这些系统中的历史数据是美国陆军的资产，其士兵和军官必须要能够通过工业标准方法，无需经过民间中介机构即可访问这些数据。然而，这些系统当前所处的数据环境使开发AI赋能系统变得异常艰难。

其次，美国陆军应对当前无法满足标准的系统进行审查，并重新考虑对这些系统的要求。通过修改采购程序和审查已授出的合同，陆军将在数据质量标准和可访问性方面成为政府和私营部门组织的领头羊。

在职业军事教育课程方面，美国陆军训练与条令司令部应立刻引入合适的数据管理和应用战略指导。数据教育应包含在基础军官领袖课程的数据收集战略、单位和分部具体信息的管理以及现代数据可视化工具等课题中。陆军战争学院应指导高级校级军官识别数据收集战略中的战略缺陷，并教育他们使用计算机增强的态势感知进行领导。此外，旅级、师级和集团军指挥官及参谋长应有机会完成人工智能集成中心的高级领导教育项目，以理解和领会对配备AI赋能系统的组织的领导方法。陆军需改进对军官的数据收集和管理技术教育，使其做好准备，应对多域战中不断变化的作战需求。

在进行上述工作的同时，陆军还应开发、试验和运用前沿技术，赋能战术指挥部作战。为实现这一目标，陆军应在由任务指挥训练项目指导的指挥所演习和各作战训练中心的轮换中，将AI集成到训练当中。陆军首先记录来自控制系统计算机的数据、参与者的语音以及战斗系统的位置数据，而后，具有作战数据访问权限的科学家从可控环境访问这些数据。这些数据通过AI和自然语言处理，再结合事件和敌军行动的细节和时间顺序，可在分析后确定当前流程无法满足战斗需求的趋向。在这些趋向中如出现理想或优越性能这类异常现象，可再对其进行进一步研究，以确定有效的战术、技术和程序。上述工作将推动对当前系统的改进和对更多作战赋能工具的开发。以分析旅级战斗队对激活敌方防空雷达系统的反应为例，通过捕捉与事件相关的所有数据以及了解敌军行动的准确细节，在行动后进行分析可更好地了解战术方法和友军探测细节、军事人员与友军部队之间的沟通（包括内容和传输方法）、采取的行动以及包括评估在内的打击有效性。通过对多支部队的迭代分析，可得到对陆军部队能力、缺陷和有效性的准确理解。在指挥所演习和训练轮换期间，会大量发生各类事件，这些都是可加强陆军作战能力的可用数据，其数量庞大，却尚未得到有效利用。

将AI集成到战术指挥部的短期目标应是为从旅到集团军的各级别部队生成增强版通用作战图。增强版通用作战图将减少作战行动中的友好循环时间和瞄准流程，同时提升指挥官的决策质量。增强版通用作战图将提供更准确、更详细的友军信息，加强对作战和任务变数的态势感知，并提升指挥官看穿战争迷雾的能力。要实现增强版通用作战图，陆军就需要将当前分散在各战术作战中心的多个异构系统集成到一起，包括指挥所计算环境、先进野战炮兵战术数据系统、防空和导弹防御工作站、电子战规划和管理工具、陆军分布式通用地面系统和陆军全球作战支持系统。目前，这些系统尚无法在单一人机界面提供充分集成的通用作战图。此外，陆军必须优先开发、试验和部署可摄取任务和作战变量数据的软件和硬件，以分析数据并优先处理具有时效性的数据，以便于参谋和指挥官进行分析和行动。

增强版通用作战图和其他类似的系统将同步并整合陆军数据，从而在复杂的动态环境中加速决策。为在现代战争中作战，开发这类系统是必不可少的。然而，这些系统带来的不仅有优势，还有风险。就系统复杂程度来说，AI组件比软件组件更加复杂，因此相关的挑战也更大。没有AI可以解释其做出预测的原因，且性能最好的AI往往也是最难以理解的。先进AI系统只能够通过有效性和准确性这两个衡量标准来证明其有用。然而，AI工程师无法在训练智能体时使用数据对整个世界建模，而战争也不等同于干净且全部打标的数据集。这种数据偏差必须通过道德软件工程和对陆军及AI的深刻了解来解决。此外，相比于私营公司雄心勃勃的AI产品，陆军在引入AI技术方面所做的工作简直微不足道。美国陆军如果要通过开发和部署多域战所需的AI赋能系统来实现现代化，就必须从今天开始准备数据环境。返回，查看更多

    

    

责任编辑：

本文地址：http://www.jiemengs.com/html/605d998408.html