人工智能如何帮助联合部队实现持续目标定位

印太地区最棘手的挑战之一是持续目标定位--联合部队如何才能在广阔的空地上跟踪一系列不断变化、经常快速移动的目标，对抗善于隐藏行动的对手？如何确保总是在正确的时间将正确的传感器与正确的目标相匹配，以便在一个传感器与下一个传感器之间进行必要的切换时，保持对关键目标的监控？

这些都是复杂的问题，需要快速汇集并实时分析目标和传感器的海量信息，而使用传统的人工方法正变得越来越困难。然而，这些正是人工智能解决方案非常适合处理的问题。随着机器学习和其他形式人工智能的进步，联合部队现在拥有了在印太和其他地区实现持续目标定位指数级飞跃的工具和机会。

获取态势感知

通过使用人工智能建立和提高态势感知能力，首先要具备收集、存储和处理大量数据的强大能力。幸运的是，如今有一些数据平台可以安全地汇集联合部队收集的有关目标和传感器的各种数据。这些平台可以无缝接收来自任何来源、任何格式的数据，并将其完全提供给人工智能和其他数据融合与分析应用。

在这些大型数据集上应用训练有素的人工智能模型，可以快速识别目标，并将当前或最后已知位置以及其他目标特征考虑在内。这些模型还可以关联有关目标的其他传感器信息，如电磁、声学和红外特征中的模式。

预测目标路径

经过适当训练的人工智能模型还能预测目标可能的去向，这样操作人员就能优化潜在的传感器之间的切换，以保持持续的目标定位，并帮助指挥官在对手行动之前调动部队。人工智能模型通过分析敌方目标和行动的历史数据，寻找行为和模式，如这些目标过去在特定情况下的去向，来实现这一目标。例如，当敌机以某种 “组合”（如两架加油机、四架轰炸机和六架战斗机）形式飞行时，这种飞机群过去执行过哪些任务，它们倾向于采取何种飞行路线？我们过去的反应以及天气等其他因素如何改变了这种模式？

人工智能的强大之处在于它能够将大量历史数据与情报、政治发展和天气等各种来源的当前背景结合起来。这样就能为指挥官提供感兴趣目标的可能路径，并为不同潜在目标的移动分配置信度和概率值。

预测传感器精度

人工智能解决方案还能识别哪些可用传感器最适合维持目标监护，并能以机器速度持续执行传感器-目标配对，自动切换--跨越具有多个目标和多个传感器的大型地域。例如，根据历史数据，哪类传感器在追踪具有某些特征的目标方面最为成功？哪些传感器在特定的环境因素组合中最为准确？例如，人工智能模型可以在跟踪潜艇时考虑水深、声速剖面和到达路径，还可以考虑传感器相对于目标的位置。这样的人工智能解决方案就能帮助优化传感器与目标的匹配，确保正确的传感器在正确的时间出现在正确的目标上。

人工智能还能展望未来，识别最佳传感器--不仅是即将进行的交接，而且是下一次交接和之后的交接。随着目标的移动，人工智能模型可以不断更新 “最佳传感器使用 ”计算，就像智能手机地图应用程序不断重新配置最快路线一样。以机器速度提前五步、十步或二十步预测复杂目标跟踪场景的能力，可以在快速展开的场景中为指挥官提供巨大的信息优势。

确定传感器的优先级并进行协调

一个特定的传感器同时需要用于两个不同的目标，这种情况并不少见。指挥官该如何决定？在这方面，人工智能同样可以提供帮助。首先，它要对目标本身进行评估，并摄取指挥官的目标优先级和失去目标监护的可能性。例如，指挥官可能会优先为高优先级目标配备高精度传感器。但是，如果可以在短时间内使用不同的传感器来确保对该高优先级目标的监护权，那么该高精度传感器就有可能被重新分配任务，然后返回到高优先级目标，而不会降低任务效率。这样一来，精确度较高的传感器就可以腾出手来，提供原本可能难以获取的目标信息。

人工智能的前景在于，它能实时解决大部分复杂问题，在不断变化的环境中保持对多个目标的持续瞄准和监视。人工智能解决方案还能以机器速度处理指挥官不断变化的优先事项、不断变化的环境因素、传感器退化以及对手的反击，从而为指挥官提供针对传感器和目标进行优化的同步战区感知计划。

这些人工智能解决方案还能随着时间的推移不断学习。随着它们变得越来越 “聪明”，它们能更好地分辨出哪些传感器组合在哪些条件下跟踪哪些目标最有效。随着模型纳入更多数据和人类在许多不同场景下的决策结果，它们还将改进异常检测、目标路径预测以及传感器与目标的同步配对。