《利用边缘高性能计算 (HPC) 加速战术决策过程》美国陆军，43页报告

2023 年 4 月 5 日 专知

管理整个战场上不断增长的数据量和速度是作战人员的一个关键问题。解决这个问题将需要从根本上改变战场分析的方式。一种在战场上做出决策的新方法将通过将分析能力移至数据源附近来消除数据传输延迟。决策周期取决于捕捉数据并将其转化为可操作信息的速度，以便进行决策。实时态势感知是通过将计算资产定位在战术边缘来实现的。

加速战术决策过程需要利用三个技术领域的能力：（1）高性能计算（HPC），（2）机器学习（ML），以及（3）物联网（IoT）。利用这些领域可以减少网络流量，缩短将数据转化为可操作信息所需的时间。更快的决策周期可能会彻底改变战场上的行动。

本报告概述了一个人工智能（AI）系统的设计，用于在战术作战环境中的近实时分析，在同地的移动HPC硬件上执行。该报告包括以下几个部分：（1）描述动机、背景和技术状况的介绍；（2）利用HPC问题定义和用例的战术决策过程描述；（3）HPC战术数据分析框架设计，使数据变成决策。

1 引言

背景

战术边缘人工智能（AI）的方法被细分为三个主要研究领域：（1）研究延伸到战术边缘的移动或便携式高性能计算（HPC）环境的硬件和架构；（2）研究机器学习（ML）算法和物联网（IoT）架构及其与便携式HPC的一致性；以及（3）利用边缘HPC为战术决策过程设计操作工作流框架。

HPC边缘架构：这项工作包括调查在移动和/或便携式HPC环境中提供和支持数据科学能力所需的最先进的硬件、软件、网络和存储。
ML边缘分析：机器学习已经通过寻找和分析大数据集的潜在特征的能力改变了数据分析。我们能否彻底改变战场上的数据分析方式，然后建立让ERDC解决这一类新问题的能力？
边缘HPC：这项工作旨在将拟议的硬件能力创新与创新的分析能力结合起来，以最优化和最恰当的方式在战术边缘提供计算密集的决策支持分析。处理这项任务的方法将是在解决作战需求的同时暴露出一个作战过程。换句话说，当团队直接为现实世界的战场数据处理需求建立战术边缘分析时，为实现战术边缘分析所经历的操作流程将开始定义一个可推广的操作流程，以利用边缘的HPC解决战术决策分析问题。

动机

技术创新（AI）在各行业和各国的快速发展和扩散性质正在削弱美国对国防技术应用的垄断。获得的优势是暂时的，因为近似的对手能够迅速利用这些日益普遍的能力。中国制定了一项发展计划，到2030年成为人工智能的世界领导者，并创造一个1500亿美元的产业。俄罗斯总统弗拉基米尔-普京表示，"谁成为这个领域（人工智能）的领导者，谁就会成为世界的统治者"（Gigova 2017）。美国防部（DoD）必须迅速而果断地利用人工智能和自动化，使美国部队能够更有效和高效地运作。通过以战略为重点的意图和工作，适当地加以利用，人工智能可以成为最大的补偿--或者说，如果缺乏远见和方向，它可能会成为一个战略赤字。

人工智能已经成为每一类企业的解决方案和问题的一个日益增长的来源。基于人工智能的技术已经融入如此多的部门，往往引起巨大的变化，从军事或全球安全的角度来看，它不能被忽视。

潜在军事应用的早期AI问题（通过全球安全集团的视角）：

1.在近期内，人工智能的哪些军事应用是可能的？

2.在这些应用中，哪些是对战略威慑的稳定性有潜在影响的？人工智能是否会改变我们考虑威慑的方式？

3.人工智能辅助的军事系统如何影响区域稳定？

4.区域稳定和战略威慑之间有什么联系？

5.人工智能带来的意外后果和战略意外的风险是什么？

目前国防界对什么是人工智能缺乏共同的模式、术语和基线。人工智能有许多应用和方法，但其中最大和最广泛使用的是以一种形式提供价值的方式分析 "大数据"。狭义人工智能使用离散的问题解决工具来执行特定的狭义任务。通用人工智能包括旨在模仿和重现人脑功能的技术。狭义的人工智能有更多的采用，并被证明在各种领域提供价值。人工智能与商业应用的交叉，使数据丰富的领域有了预测分析的能力。大量的传感器和相机，加上现有的以数据为中心的资源，正在推动人工智能的机会，以揭示隐藏的洞察力。

目标

人工智能显然有潜在的军事潜力，但要到什么时候才能在实践中真正显现出来？美国防部在2018年6月建立了一个联合人工智能中心，导致资金和研究的增加。与工业/学术界人工智能应用直接类似的军事应用（物流、规划、分析、运输等）已经在整个国防和情报界迅速采用了人工智能支持的数据分析。战争有单独的和不同的应用，对人工智能的采用较慢。适用于战争的人工智能应用的主要类别是：（1）那些主要在战争的战役层面产生影响的应用；（2）那些主要在战争的战略层面产生影响的应用。"在战争的战役层面上的人工智能应用可能对使用通用军事力量来实现战术目标产生非常大的影响，从而对常规威慑的可信度产生影响。人工智能在战略层面的应用可能会对有关战争规模和范围、升级和降级的政治决策产生重大影响，进而影响战略稳定和威慑"（Davis 2019）。

美国防部战略的一个关键重点是确定关键的探路者，使该部能够实现其人工智能的愿景：

继续开展被称为 "Maven项目 "的算法战争跨职能小组（AWCFT）的工作，以迅速整合和部署商业和政府开发的人工智能能力，支持反ISIS运动。
建立一个以国防部人工智能为重点的中心，在国防企业的多个领域创新和部署人工智能系统的操作原型，并确定将人工智能技术持续应用于各种用例的途径。
在战术边缘提供世界级的计算能力。国防部将重新获得嵌入式HPC的竞争优势，以支持 "算法战争"，重点是在运输集装箱中的前线部署HPC，以支持战地战术行动。设计利用世界一流的高功率架构来融合数以万计的信息源。

美国国防部的人工智能目标是：

为人工智能建立跨领域的基础。美国防部将加强跨领域的基础，并制定法律和政策框架，以确保其能够成功应用人工智能。它必须强调其开发的系统的互操作性，同时确保其部署的安全和保障。此外，它必须最大限度地追求国际、商业和学术伙伴关系，同时增长和培养自己的有能力的人工智能劳动力。
实现军事技术的优势。美国防部将集中投资并利用商业和学术投资，以便在关键领域实现对对手的军事技术优势，包括核心人工智能、机器学习、机器人、数据分析、高级计算和人类-人工智能协作。
转变美国防部的关键业务职能。美国防部将通过大量利用商业AI/ML产品和投资来实现其业务运作的现代化和简化。
建立、部署和维护基于AL/ML的能力，提供战场上的军事优势。为了提高杀伤力，美国防部将投资于应用能力的开发，将新兴技术与特定的军事能力和行动概念联系起来，快速过渡能力，并专注于关键的应用领域。

已经确定的（目前正在研究的）三个潜在应用的作战目标：

无所不在和无所不知的自主车辆

高度重视人工智能的军事应用
专注于所有级别的无人系统（陆、海、空）。
进行复杂的战役战术，快速调整，报告变化

大数据驱动的M&S和兵棋推演

人工智能已经在核武器系统中得到了一些应用。
对人工智能的兵棋推演方法的兴趣增加，以探索和了解动态条件如何影响结果和决策。

集中的情报收集和分析

需要更快地分析情报数据流（没有信息过载）。
数据量的增加（加上来自不同来源的数据种类增加），需要人工智能来解决收集和分析问题

已经为战略目标确定了四个潜在的应用（目前正在研究）：

实现情报、监视和侦察（ISR）的系统体系

目标识别只是开始；ISR也需要多领域的态势感知。
整体感知是目标，也是关键，因为战场延伸到所有领域。
Maven项目（算法战争跨职能小组）。
军事版的物联网可以在传统因素中实现军事优势：速度和范围

战略资产的精确瞄准

由人工智能赋能的ISR使定位、跟踪和瞄准战场上的实体成为可能，从而使打击敌人成为可能。
在更好地理解之前，使基于相互脆弱性的威慑的基本戒律变得不太确定

有效的导弹防御

实现更好的目标获取、跟踪和识别
防止弹道导弹攻击

人工智能引导的网络

通过创建人工智能引导的探测、绘图和黑客系统来发现网络/数据的漏洞，以实现防御性战略
用于定位和收集、破坏或虚假信息的进攻性人工智能
防御性人工智能用于检测入侵和搜索衰弱的异常情况

这些都直接影响了战争的速度。"战争的速度已经改变，而这些变化的性质使得全球安全环境更加不可预测、危险和无情。决策空间已经崩溃，因此程序必须适应战争速度的发展"（Garamone 2017）。有人说，"军队必须最大限度地利用其决策空间，所以军事领导人可以以战争的速度提出选择"（Garamone 2017）。这可以通过 "建立一个框架，使高级领导人能够及时做出决定"（Garamone 2017）来实现。

方法路径

人工智能是实现迎战战争速度变化这一总体目标的关键一环（图1）。人工智能为指挥官提供了对态势理解，并为高效和有效地处理、利用和传播信息打开了大门，其速度是人类无法比拟的。人工智能使系统能够学习和适应，加快作战节奏，使士兵更聪明，并能自主操作。战场系统需要有弹性，能够适应不断变化的情况。信息的增长已经超过了人类快速分析信息并将其应用于决策过程的能力。士兵和机器作为一个综合认知系统工作，能够大大扩展数据分析的深度和广度。机器专注于分析低层次的细节，让士兵将注意力集中在更高层次的战略和规划上。

人工智能对威慑和稳定有多种潜在影响。它也有很大的潜力通过增加感知到的突袭风险来侵蚀稳定。歪曲的数据可能导致人工智能系统采取意想不到的行动。人工智能确实会犯错，但这些错误不能导致战略不稳定或不必要的升级。人工智能的速度可能会意外地加速一些可以通过其他努力来降级的事情。当被赋予与外国和友好平台有关的不同参数时，它也可能误报意图。人工智能只是跟上战争速度的大拼图中的一块。

定义边缘

边缘的定义是相对于事业内部的位置而言的。例如，移动网络运营商（MNOs）认为边缘是其无线接入网络（RAN）的末端，是多接入边缘计算（MEC）的一个大机会。数据中心服务提供商可能将边缘视为部署在关键位置的基础设施，以尽量减少通信延迟。HPC和边缘服务器供应商将远程站点的设备视为其边缘。数据处理要求的范围可以从边缘的超低延迟和实时延迟，到 "近边缘 "的中等延迟和本地数据处理，再到集中式数据中心的高延迟和高容量存储和网络。

人工智能边缘计算将通过把计算带到数据上而不是把数据移到这些强大的计算机资源上来减少网络流量需求。这将减少从数据到决策所需的时间（图2）。边缘计算在将计算资源移至数据源附近时，利用了更小、更强大的设备，从而减少了网络流量，使计算资源更接近前线（图3）。它将分析数据所需的计算汇集到数据源；数据到决策（D2D）的时间减少了，从数据中提取的见解和信息被高度压缩并更容易分享，更多的计算能力可以在更小的设备中得到。传统的方法是在低层（战术边缘）收集数据，并将数据传输到高层进行处理和分析。这种方法的结果是随着数据源的不断增加而出现了扩展问题。它通过传输未处理的数据给网络带来了负担。数据传输成为一个主要的瓶颈，影响了战场的节奏。

目标

一个有效的指挥和控制（C2）系统必须为用户提供作战画面，支持规划过程，并能接收、处理和传输信息。

这项工作的目的是研究人工智能和HPC一起工作，以推进关键的军事能力，如态势感知（图4）。边缘的HPC加人工智能提供了对本地数据的近乎实时的利用，支持高度的自主性，计算资产被移到离数据源更近的地方，增加了数据分析的深度和广度，减少了做决定的时间，洞察力为决策提供了依据。