标题摘要内容
当前的位置:
详情
如何在联合全域指挥控制发展人工智能?
来源: | 作者:AI丹 | 发布时间: 2023-01-09 | 1373 次浏览 | 分享到:

摘要:本文整编和梳理了2022年3月美国兰德公司发布的《开发嵌入式人工智能应用的联合全域指挥控制作战概念》报告,概述了嵌入式人工智能/机器学习(AI/ML)的联合全域指挥控制(JADC2)的需求,说明了如何在JADC2中利用AI/ML系统、需要克服的障碍,并指出了发展路径。

关键词:美国,联合全域指挥控制,JADC2,人工智能,指挥控制


建立“信息基础”是将人工智能 (AI) 和机器学习 (ML) 应用于联合全域指挥与控制 (JADC2) 的前提,并要求信息基础中的数据有标记性、安全性、完整性、全面性,且易于访问。建立信息基础需要持续整理和保护军方为开展指挥控制所需的跨领域、跨军种和跨梯队的所有信息。这些信息是AI和ML算法所需的输入。实现JADC2目标取决于确定核心军事任务集的指挥控制需求,以及建立在近期和远期都可以实现的软件开发计划。

本文概述了嵌入式人工智能/机器学习(AI/ML)联合全域指挥控制(JADC2)的需求、AI/ML需要克服的障碍,并指出了未来发展方向。文章提出JADC2需要在人才和资源方面进行投资,以突破今天的人力密集型指挥与控制(C2)模式。通过自主和AI/ML来改进当前的规划过程是一个有价值的现实目标。

JADC2对支撑多域作战的必要性

现代战争要求指挥官在陆、空、海、太空、网络和电磁频谱领域对部队进行规划、指挥和控制,并且需要灵活和安全的手段来实现跨梯队、领域、组织和地理空间通信和数据共享。未来的全域战争将对快速获取和解读大量信息、快速决策提出更高的要求,这些都是JADC2能力的关键要素。

当前用于军事规划、调度和监测的系统和基础设施已不适用于现代全域作战。鉴于多域作战规划的复杂性、及时性和大量数据需求,军事规划人员需要开发和利用新工具,尤其是那些基于AI/ML的工具。因此,首先就需要了解这些工具的能力、面临的困难以及应用潜力,以确定对其投入的优先级。


图1 机器学习的类型

AI/ML的吸引力

近来,AI/ML系统在日益复杂的游戏中展现出人类所不能及的能力,再加上人们对未来高端冲突作战需求日益加深的理解,使AI/ML变得极具吸引力。作为一种AI/ML系统,AlphaStar在即时战略游戏《星际争霸》中的成功预示着监督学习和强化学习未来有可能应用于战术层面和战役层面的指挥控制。但是,将这些技术从游戏过渡到战争仍需要大量的研究。

随着人工智能算法被开发用于现实、多域、动态、大规模和复杂快速的作战,需要选择、评估和监控重要的度量标准来衡量算法的性能、有效性和适用性。关键算法指标将包括以下内容:


  • 效率:

    计算所需的时间和内存

  • 可靠性:

    算法是否产生有效的结果

  • 最优性:

    算法是否为给定目标提供最佳结果

  • 稳健性:

    算法是否能够在意外情况下平缓降级

  • 可解释性:

    人类是否能理解所产生结果的原因

  • 确定性:

    算法是否按预期运行


为了决定采用哪种AI/ML技术,军方必须首先了解这些技术所能支持的作战需求(例如,空中优势、防空、加油机支援等)。随后作战需求将决定实现作战任务所需的指挥控制过程,如态势感知、空域冲突消除等。掌握AI/ML技术的局限性也同样重要,尤其是这些技术在不确定条件下进行推理时遇到的困难。


图2 AI/ML关系

实现AI/ML的军事应用需要克服的障碍

实现人工智能/机器学习的军事应用存在几个障碍:


障碍一:军事文化与商业文化的差异

军方注重于保护信息安全(只有那些“需要了解”的人才能获取信息),而商业世界则重视数据的开放访问(为了应用程序开发和其他经济利益而广泛共享)。因此,将安全考虑纳入军事软件开发和信息技术行动(称为DevSecOps)非常重要,由此能够挫败试图通过网络手段削弱指挥控制的对手和危险份子。最大的挑战可能是如何确保AI/ML算法适用于真实战场。真实战场的不确定性、信息不对称性和对手的行动,与游戏环境相比是截然不同的。


障碍二:军队内部无法访问数据

军方需要统一的数据管理政策和足够先进的信息技术使指挥控制人员可以访问大量数据,由此支持人工智能辅助决策。换句话说,必须有一个支持收集、标记、存储、保护和共享数据的AI生态系统。这个生态系统将依赖于通用数据标准、明确指定的权限、完整性检查和入侵防护。云计算和数据湖将是关键组成部分。云数据湖可以用于分布式计算、冗余存储和整个企业内的连接。考虑到现有的军事政策、文化、权限、预算和获取途径,构建这样一个环境以跨领域和跨安全级别的安全方式提供大量数据将对JADC2提出挑战。


障碍三:需要重组军事行动中心并培训管理这些中心的人员

机器之间通信的增加和指挥控制过程的自主化,可能会带来作战中心硬件和人员配置的变化,这使人类作战人员能够聚焦认知任务,如评估和完善潜在的行动方案。采用AI/ML技术将创造出新的角色和职责。作战人员需要接受培训,以便管理和运营AI生态系统,同时充当数据管理员,确保在该生态系统中捕获和存储的数据的质量和完整性。此外,虽然现在规划人员和决策人员受到的培训是要在单一领域内思考,但新的职责可能会出现,需要人们同时在多个领域内思考。


障碍四:军事亚文化的存在

由于作战人员之间亚文化的差异、规划时间线的不同,以及为实现不同的作战效果而采用的不同的权限分配方案,即使在一个军种内,也很难跨越空中、太空和网络领域集成AI能力。尽管如此,对全域指挥控制的需求是急迫的,而且这种需求越来越普遍。为此,在JADC2中嵌入AI应用必须面对和克服以上所有障碍——军事文化、网络安全问题、用于知识质量较差的问题的算法、数据不可访问、作战中心重组和培训以及军事亚文化。

实现高效发展的路径

报告认为目标是指挥控制的有效人机协作,并建议应在竞争对手的防守期限内及时向JADC2迈进。首先应继续发展JADC2作战概念并确定其优先次序,进而在指挥控制过程中利用AI/ML来增强能力。同时为数据驱动的人工智能生态系统设定条件,将武器系统和相关数据迁移至多域数据湖供那些有权限访问数据的人使用,并应用零信任和其他安全原则,以灵活和和安全地管理这些数据。随着人工智能软件应用程序的开发,有必要在作战测试环境中对这些应用程序进行试验,将其与C2系统集成,然后将有限的能力部署到作战中心,接着根据用户反馈快速更新软件应用程序。分析师和技术专家可进一步探索作战概念来促进人机合作,建立可信AI并提高算法的可解释性。

由于缺乏真实世界的数据来为改进这些战争技术提供信息,军方可以利用建模、仿真和演习来为AI/ML算法生成训练数据(如武器-目标配对)。监督或强化学习算法可以支持这种指挥控制功能,但是军事算法也必须考虑到现实世界中的不确定性,这对人类和算法来说都是一个主要挑战。

本文来源:渊亭防务