概述了嵌入式人工智能/機器學習(AI/ML)的聯(lián)合全域指揮控制(JADC2)的需求，說明了如何在JADC2中利用AI/ML系統(tǒng)、需要克服的障礙，并指出了發(fā)展路徑。

　　建立“信息基礎”是將人工智能 (AI) 和機器學習 (ML) 應用于聯(lián)合全域指揮與控制 (JADC2) 的前提，并要求信息基礎中的數(shù)據(jù)有標記性、安全性、完整性、全面性，且易于訪問。建立信息基礎需要持續(xù)整理和保護軍方為開展指揮控制所需的跨領域、跨軍種和跨梯隊的所有信息。這些信息是AI和ML算法所需的輸入。實現(xiàn)JADC2目標取決于確定核心軍事任務集的指揮控制需求，以及建立在近期和遠期都可以實現(xiàn)的軟件開發(fā)計劃。

　　本文概述了嵌入式人工智能/機器學習(AI/ML)聯(lián)合全域指揮控制(JADC2)的需求、AI/ML需要克服的障礙，并指出了未來發(fā)展方向。文章提出JADC2需要在人才和資源方面進行投資，以突破今天的人力密集型指揮與控制(C2)模式。通過自主和AI/ML來改進當前的規(guī)劃過程是一個有價值的現(xiàn)實目標。

　　JADC2對支撐多域作戰(zhàn)的必要性

　　現(xiàn)代戰(zhàn)爭要求指揮官在陸、空、海、太空、網(wǎng)絡和電磁頻譜領域對部隊進行規(guī)劃、指揮和控制，并且需要靈活和安全的手段來實現(xiàn)跨梯隊、領域、組織和地理空間通信和數(shù)據(jù)共享。未來的全域戰(zhàn)爭將對快速獲取和解讀大量信息、快速決策提出更高的要求，這些都是JADC2能力的關鍵要素。

　　當前用于軍事規(guī)劃、調度和監(jiān)測的系統(tǒng)和基礎設施已不適用于現(xiàn)代全域作戰(zhàn)。鑒于多域作戰(zhàn)規(guī)劃的復雜性、及時性和大量數(shù)據(jù)需求，軍事規(guī)劃人員需要開發(fā)和利用新工具，尤其是那些基于AI/ML的工具。因此，首先就需要了解這些工具的能力、面臨的困難以及應用潛力，以確定對其投入的優(yōu)先級。

　　圖1 機器學習的類型

　　AI/ML的吸引力

　　近來，AI/ML系統(tǒng)在日益復雜的游戲中展現(xiàn)出人類所不能及的能力，再加上人們對未來高端沖突作戰(zhàn)需求日益加深的理解，使AI/ML變得極具吸引力。作為一種AI/ML系統(tǒng)，AlphaStar在即時戰(zhàn)略游戲《星際爭霸》中的成功預示著監(jiān)督學習和強化學習未來有可能應用于戰(zhàn)術層面和戰(zhàn)役層面的指揮控制。但是，將這些技術從游戲過渡到戰(zhàn)爭仍需要大量的研究。

　　隨著人工智能算法被開發(fā)用于現(xiàn)實、多域、動態(tài)、大規(guī)模和復雜快速的作戰(zhàn)，需要選擇、評估和監(jiān)控重要的度量標準來衡量算法的性能、有效性和適用性。關鍵算法指標將包括以下內容：

　　效率：

　　計算所需的時間和內存

　　可靠性：

　　算法是否產(chǎn)生有效的結果

　　最優(yōu)性：

　　算法是否為給定目標提供最佳結果

　　穩(wěn)健性：

　　算法是否能夠在意外情況下平緩降級

　　可解釋性：

　　人類是否能理解所產(chǎn)生結果的原因

　　確定性：

　　算法是否按預期運行

　　為了決定采用哪種AI/ML技術，軍方必須首先了解這些技術所能支持的作戰(zhàn)需求(例如，空中優(yōu)勢、防空、加油機支援等)。隨后作戰(zhàn)需求將決定實現(xiàn)作戰(zhàn)任務所需的指揮控制過程，如態(tài)勢感知、空域沖突消除等。掌握AI/ML技術的局限性也同樣重要，尤其是這些技術在不確定條件下進行推理時遇到的困難。

　　圖2 AI/ML關系

　　實現(xiàn)AI/ML的軍事應用需要克服的障礙

　　實現(xiàn)人工智能/機器學習的軍事應用存在幾個障礙：

　　障礙一：軍事文化與商業(yè)文化的差異

　　軍方注重于保護信息安全(只有那些“需要了解”的人才能獲取信息)，而商業(yè)世界則重視數(shù)據(jù)的開放訪問(為了應用程序開發(fā)和其他經(jīng)濟利益而廣泛共享)。因此，將安全考慮納入軍事軟件開發(fā)和信息技術行動(稱為DevSecOps)非常重要，由此能夠挫敗試圖通過網(wǎng)絡手段削弱指揮控制的對手和危險份子。最大的挑戰(zhàn)可能是如何確保AI/ML算法適用于真實戰(zhàn)場。真實戰(zhàn)場的不確定性、信息不對稱性和對手的行動，與游戲環(huán)境相比是截然不同的。

　　障礙二：軍隊內部無法訪問數(shù)據(jù)

　　軍方需要統(tǒng)一的數(shù)據(jù)管理政策和足夠先進的信息技術使指揮控制人員可以訪問大量數(shù)據(jù)，由此支持人工智能輔助決策。換句話說，必須有一個支持收集、標記、存儲、保護和共享數(shù)據(jù)的AI生態(tài)系統(tǒng)。這個生態(tài)系統(tǒng)將依賴于通用數(shù)據(jù)標準、明確指定的權限、完整性檢查和入侵防護。云計算和數(shù)據(jù)湖將是關鍵組成部分。云數(shù)據(jù)湖可以用于分布式計算、冗余存儲和整個企業(yè)內的連接。考慮到現(xiàn)有的軍事政策、文化、權限、預算和獲取途徑，構建這樣一個環(huán)境以跨領域和跨安全級別的安全方式提供大量數(shù)據(jù)將對JADC2提出挑戰(zhàn)。

　　障礙三：需要重組軍事行動中心并培訓管理這些中心的人員

　　機器之間通信的增加和指揮控制過程的自主化，可能會帶來作戰(zhàn)中心硬件和人員配置的變化，這使人類作戰(zhàn)人員能夠聚焦認知任務，如評估和完善潛在的行動方案。采用AI/ML技術將創(chuàng)造出新的角色和職責。作戰(zhàn)人員需要接受培訓，以便管理和運營AI生態(tài)系統(tǒng)，同時充當數(shù)據(jù)管理員，確保在該生態(tài)系統(tǒng)中捕獲和存儲的數(shù)據(jù)的質量和完整性。此外，雖然現(xiàn)在規(guī)劃人員和決策人員受到的培訓是要在單一領域內思考，但新的職責可能會出現(xiàn)，需要人們同時在多個領域內思考。

　　障礙四：軍事亞文化的存在

　　由于作戰(zhàn)人員之間亞文化的差異、規(guī)劃時間線的不同，以及為實現(xiàn)不同的作戰(zhàn)效果而采用的不同的權限分配方案，即使在一個軍種內，也很難跨越空中、太空和網(wǎng)絡領域集成AI能力。盡管如此，對全域指揮控制的需求是急迫的，而且這種需求越來越普遍。為此，在JADC2中嵌入AI應用必須面對和克服以上所有障礙——軍事文化、網(wǎng)絡安全問題、用于知識質量較差的問題的算法、數(shù)據(jù)不可訪問、作戰(zhàn)中心重組和培訓以及軍事亞文化。

　　實現(xiàn)高效發(fā)展的路徑

　　報告認為目標是指揮控制的有效人機協(xié)作，并建議應在競爭對手的防守期限內及時向JADC2邁進。首先應繼續(xù)發(fā)展JADC2作戰(zhàn)概念并確定其優(yōu)先次序，進而在指揮控制過程中利用AI/ML來增強能力。同時為數(shù)據(jù)驅動的人工智能生態(tài)系統(tǒng)設定條件，將武器系統(tǒng)和相關數(shù)據(jù)遷移至多域數(shù)據(jù)湖供那些有權限訪問數(shù)據(jù)的人使用，并應用零信任和其他安全原則，以靈活和和安全地管理這些數(shù)據(jù)。隨著人工智能軟件應用程序的開發(fā)，有必要在作戰(zhàn)測試環(huán)境中對這些應用程序進行試驗，將其與C2系統(tǒng)集成，然后將有限的能力部署到作戰(zhàn)中心，接著根據(jù)用戶反饋快速更新軟件應用程序。分析師和技術專家可進一步探索作戰(zhàn)概念來促進人機合作，建立可信AI并提高算法的可解釋性。

　　由于缺乏真實世界的數(shù)據(jù)來為改進這些戰(zhàn)爭技術提供信息，軍方可以利用建模、仿真和演習來為AI/ML算法生成訓練數(shù)據(jù)(如武器-目標配對)。監(jiān)督或強化學習算法可以支持這種指揮控制功能，但是軍事算法也必須考慮到現(xiàn)實世界中的不確定性，這對人類和算法來說都是一個主要挑戰(zhàn)。