美国兰德提出《在联合全域指挥控制中发展人工智能的路径》报告

2022 年 4 月 20 日 专知


2022年3月,美国兰德公司发布《开发嵌入人工智能应用的联合全域指挥控制作战概念》报告,论述了嵌入人工智能/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中利用商业AI/ML系统和需要克服的障碍,并指出了发展路径。报告认为,为实现嵌入人工智能应用的JADC2,需要投入人力和资源来超越如今的人力密集型指挥控制模式,用自动化和AI/ML技术改进当前的规划过程。


报告核心观点包括:

①将AI/ML纳入JADC2之前需要建立“信息基础”;

②实现JADC2目标的关键是确定核心军事任务的指挥控制需求并建立可行的软件开发计划

③将商业AI/ML系统用于军事任务,必须确定技术支持的作战需求、随后确定实现作战任务所需的指挥控制过程,同时了解AI/ML技术的局限性;

④在JADC2中应用AI/ML需要克服四个障碍:军事文化与商业文化的差异、数据不可访问、重组军事行动中心并培训人员、军事亚文化;

⑤在JADC2中应用AI/ML的目标是实现指挥控制的高效人机组队,而不是指挥控制的完全自动化。


将人工智能(AI)和机器学习(ML)纳入JADC2进行多域作战(MDO)之前要完成一项艰巨的任务,即建立“信息基础”。信息基础中的数据带有标记,能够安全地存储和传输,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。如果没有这样一个信息基础,将AI融入JADC2的工作就无法取得进展。


尽管最近AI/ML在游戏领域取得了令人鼓舞的成功,但考虑到信息不完整、数据质量差和对手行动等现实障碍,在某些指挥控制功能中使用类似的技术仍具有挑战性。其他AI/ML技术,例如用于预测战区内飞机状态的应用,其成熟度更高。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。


1

JADC2对支撑多域作战的必要性

今天的军事行动已经需要灵活和安全的手段来跨梯队、领域、组织和地理区域进行通信和共享数据。未来的全域战争和竞争将对获取信息的规模和速度、对信息的理解和快速决策提出更高的要求,这些都是JADC2能力的关键要素。

但是,今天用于规划、调度和执行监视军事任务的既存系统和基础设施不适用于现代全域作战。鉴于多域作战规划日益复杂,期限缩短,而且数据要求增加,军事规划人员需要新的工具,包括AI/ML工具。

要想确定对AI/ML工具投入的优先级,就需要了解这些工具的能力、面临的障碍以及它们满足多域作战下新兴指挥控制需求的潜力。

图1 机器学习的类型


2

如何利用商业AI/ML系统


随着人工智能算法被开发用于现实、动态、多领域、大规模和快节奏的作战,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。关键的算法度量标准包括:效率、可靠性、最优性、鲁棒性、可解释性和确定性

由于商业和学术AI/ML系统没有直接应用于军事任务,这些技术需要过渡到军事环境才能带来作战优势。为了决定采用哪些AI/ML技术,军方必须首先了解需要这些技术支持哪些作战需求,如空中优势、防空、加油机支持等。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、空域去冲突等。了解AI/ML技术的局限性,尤其是它们在不确定条件下进行推理时遇到的困难,也同样重要。否则,这些技术可能会达不到预期。

图2 AI/ML关系


3

实现AI/ML的军事应用需要克服的障碍

实现AI/ML的军事应用存在以下四个主要障碍。

(1)军事文化与商业文化的差异

(2)军方内部数据不可访问

(3)需要重组军事行动中心并培训中心的人员

(4)存在军事亚文化 

4

实现高效发展的路径

我们的目标不应该是指挥控制的完全自动化,而是指挥控制的高效人机组队。实现这一目标的步骤应该包括:第一,继续开发JADC2作战概念并确定其优先次序;第二,在指挥控制过程中确定采用AI/ML来增强能力的需求和机会。


来源:防务快讯


专知便捷查看

便捷下载,请关注专知公众号(点击上方蓝色专知关注)

  • 后台回复“JADC2” 就可以获取兰德提出《在联合全域指挥控制中发展人工智能的路径》报告》专知下载链接

专知,专业可信的人工智能知识分发,让认知协作更快更好!欢迎注册登录专知www.zhuanzhi.ai,获取70000+AI(AI与军事、医药、公安等)主题干货知识资料!
欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程资料和与专家交流咨询
点击“阅读原文”,了解使用专知,查看获取70000+AI主题知识资料
登录查看更多
52

相关内容

美国国防部《指挥、控制和通信 (C3)现代化战略 》
专知会员服务
184+阅读 · 2022年5月9日
国家自然科学基金
251+阅读 · 2017年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
19+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
88+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2022年6月9日
Arxiv
16+阅读 · 2022年5月17日
Arxiv
99+阅读 · 2020年3月4日
Arxiv
20+阅读 · 2019年11月24日
Knowledge Representation Learning: A Quantitative Review
VIP会员
相关VIP内容
美国国防部《指挥、控制和通信 (C3)现代化战略 》
专知会员服务
184+阅读 · 2022年5月9日
相关资讯
相关基金
国家自然科学基金
251+阅读 · 2017年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
19+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
88+阅读 · 2009年12月31日
相关论文
Arxiv
0+阅读 · 2022年6月9日
Arxiv
16+阅读 · 2022年5月17日
Arxiv
99+阅读 · 2020年3月4日
Arxiv
20+阅读 · 2019年11月24日
Knowledge Representation Learning: A Quantitative Review
Top
微信扫码咨询专知VIP会员