美国海军研究生院最新论文《用于杀伤链功能的人工智能方法评估》，220页

当前的海军作战要求水手们根据动态作战环境中的不确定态势信息做出时间紧迫和高风险的决策。最近的悲惨事件导致了不必要的伤亡，海军行动中涉及决策复杂性，并特别突出了 OODA 循环（观察、定向、决策和评估）中的挑战。涉及使用武器系统的杀伤链决策是 OODA 循环中一个特别紧张的类别——具有难以确定的意外威胁、缩短的决策反应时间和致命的后果。有效的杀伤链需要正确设置和使用船上传感器；未知接触者的识别和分类；基于运动学和智能的接触意图分析；环境意识；以及决策分析和资源选择。

该项目探索了使用自动化和人工智能 (AI) 来改进海军杀伤链决策。该团队研究了海军杀伤链功能，并为每个功能制定了特定的评估标准，以确定特定 AI 方法的功效。该团队确定并研究了 AI 方法，并应用评估标准将特定的 AI 方法映射到特定的杀伤链功能。

图：利用人工智能改进海军杀伤链的作战概念

总结

当前的海军行动通常是快节奏的、关键的，并且需要做出高风险的决策，这些决策有时基于非常动态的战区中的不确定信息。许多例子强调了提高决策效率的必要性以及减轻观察团队负担的必要性。缺乏上述情况的例子包括 2017 年的菲茨杰拉德号航空母舰 (DDG 62) 和 MV ACX Crystal相撞，以及 2009 年皇家港口号航空母舰 (CG 73) 的搁浅。一些根本原因是相关人员缺乏经验、疲劳和压力.

上述事故展示了军事行动的难度，并展示了 OODA（观察、定向、决策和评估）循环中的挑战（Jones 等人，2020 年）。人为错误、人的认知限制和海军作战固有的决策复杂性导致了 OODA 循环中的挑战，更具体地说，是杀伤链过程中的挑战。

现代战斗空间由来自常规陆地、空中和海洋等多个领域以及来自太空和网络空间的大量数据组成。决策者需要考虑许多因素，包括交战规则 (ROE)、要使用的武器、传感器和意图评估。发现、修复、跟踪、瞄准、参与、评估 (F2T2EA) 杀伤链模型缓解了该过程的一些困难（参谋长联席会议，2013 年）。人工智能 (AI) 和机器学习 (ML) 可以通过分析备选方案和使用评估标准将 AI 方法映射到杀伤链功能，从而帮助海军在战术领域做出杀伤链决策。这是在本报告的五个章节中分三个阶段完成的。

本报告利用了数百个资源，主要利用了美海军研究生院 AI-OODA 团队在其 Capstone 报告（2020 年）中进行的先前研究，“利用人工智能 (AI) 进行空中和导弹防御 (AMD)：以结果为导向的决策援助。”他们将他们的工作与 John Boyd 的观察、定向、决定和行动决策框架相结合。作为他们分析的初步步骤，AI-OODA 团队将特定的 OODA 功能明确且紧密地耦合到特定的 F2T2EA 功能。然而，本报告断言 OODA 循环是一个决策循环，它嵌套在杀伤链的每个功能中，而不是在高压力或低压力情况下专门映射到一个或多个杀伤链功能。团队基于 F2T2EA 模型开发了一组 28 个杀伤链功能。

在制定将 AI 方法映射到杀伤链的评估标准时，很难确定一个好的决策，这对于决策评估至关重要。在评估决策时，必须考虑选择行动时的知识意识状态以及解释能力。使用了几种对决策进行评分的方法，从定义和优先考虑感兴趣的“武器-目标”到制定评分标准和报告评估结果，以供其他人审查。

目前，人工智能的状态非常广泛，必须对其进行解释，以了解人工智能对杀伤链中功能的适用性。本报告讨论了所选 AI 方法的高级概述，并突出显示了部分最流行的方法。首先，没有普遍接受的定义，这很难定义人工智能。其次，人工智能与机器学习 (ML) 存在差异。 ML 允许在准确性和可预测性方面取得增量收益； AI 接收数据并通过算法提供输出。人工智能的历史从 1940 年代艾伦·图灵 (Alan Turing) 的加密机器到 1980 年代美国政府在战略计算计划中的使用，再到今天在联合人工智能中心 (JAIC) 中的人工智能战略五个支柱，从领先的人工智能人力到安全和伦理。美国国防高级研究计划局 (DARPA) 在 3-wave 框架中描述了 AI 的发展方向，分为手工知识 (Wave 1)、统计学习 (Wave 2) 和上下文推理 (Wave 3) 在 1-4 个维度内情报参数的属性（Launchbury 2017）。这些属性包括感知、推理、抽象和学习。

人工智能涉及可以根据输入值预测结果的监督学习。有几种使用监督学习进行学习的技术。包括线性回归和分类。此外，许多数值方法可以分析发生的学习有效性，例如 F-score 和 Accuracy score。人工智能还可以使用无监督学习，它使用算法来发现未标记数据集中的数据模式或分组。在分析未知（y）响应以揭示标记（x）数据中的模式时，无监督学习是有益的。数据分析界的一个著名例子是鸢尾花（Iris flower）数据集。仅使用标记的数据，可以看到响应聚集在一起，并且可以确定响应中存在模式（花的种类）。无监督学习的方法包括聚类和 K-means，但还有其他方法。强化学习有一个代理能够接收来自环境的反馈并理解基本目标。此外，正如 Sutton 和 Barto 在（2018 年）中解释的那样，探索和开发之间存在权衡。最后，生成对抗网络 (GAN) 利用无监督学习和强化学习，通常用于神经网络 (NN)。神经网络是机器学习算法的极好来源，它有大量的输入，而这些输入又会产生大量的计算。 NN 非常适合用于模拟、自然语言处理、博弈论和计算机视觉。 NN 只是一种将输入映射到输出的简单方法，可以在此过程中进行学习。然而，NN 可以被描述为一种“黑盒”学习技术，因为很难解释正在发生的事情，并且通常需要一种可解释的 AI (XAI) 技术。 XAI 的三个主要组成部分是可解释模型、解释界面和解释心理学（Gunning 2019）。数据安全必须与“大数据”一起考虑，“大数据”是指非结构化、复杂和大型数据集，具有五个 v 特征：数量、速度（数据量随时间变化的增加）、多样性、真实性和价值。其他理论包括决策理论、模糊逻辑和效用函数

使用上述文献综述，该团队开发了一个框架，用于将 AI/ML 映射到 AMD（空中导弹防御）杀伤链。采取了四个步骤：1) 建立模型框架，2) 确定决策点，3) 应用 AI/ML 方法，以及 4) 分析结果。该团队确定了以下用于杀伤链映射分析的 AI/ML 方法：线性回归、逻辑回归、聚类、关联、随机森林、神经网络、GAN 和朴素贝叶斯。评估标准被称为“决策点”并提出四个问题：（1）所需输出的类型是什么，（2）所需的学习类型是什么，（3）可解释性（XAI）是什么水平需要，以及 (4) 需要多少个预测变量？该团队通过基于一组决策点和评分过程评估每个杀伤链功能的每种方法来执行映射。对于被认为非常适合某项任务的方法，得分为+1，如果该方法适合但次优，则为0，如果该方法不适合该任务，则为–1。

该团队进行了映射分析，根据与杀伤链的 28 个功能中的每一个功能相关的评估标准（决策点）分析 AI 方法。该团队使用评分方法来确定每个杀伤链功能的最佳整体 AI/ML 分数。团队的映射显示为 0。

该团队的 AI/ML 映射到杀伤链功能为国防部和海军提供了两个关键好处。首先，映射本身是设计和开发支持杀伤链决策的人工智能战术决策辅助工具的重要起点和基础。其次，该团队将 AI 方法映射到杀伤链的分析过程可用于了解 AI 在许多其他军事和非军事领域的应用。识别适当的人工智能方法、制定评估标准和评分过程以及制定过程功能以进行分析映射的过程对于支持许多不同人工智能系统的工程具有深远的潜力。

表1：AI/ML方法到杀伤链的映射