将 OODA 循环发展为 "感知、理解、行动 "流程循环

OODA 循环的定义是什么?OODA 循环是由美国空军军事战略家约翰-博伊德上校开发的一种分析和决策流程。其目的是在混乱、有争议或混沌的情况下,通常是在数据不完整和/或不充分的情况下,作为理性思考和决策的框架发挥作用。它最初用于训练作战计划人员在没有时间收集所需全部信息的情况下,迅速做出具有时间敏感性的决策建议。

OODA 循环决策框架的重点是过滤当前可用的信息,将其置于相关背景中,然后迅速做出最合适的决策--所有这一切都基于这样一种理解,即随着更多数据的出现,可以根据相关性的速度做出调整,以推动更精确的基于信息的认识和洞察力。

图 1. 约翰-博伊德上校的 OODA 循环图

OODA 循环使决策者能够进行批判性思考、了解模式、预测威胁并在威胁变得严重之前将其化解。 OODA 流程于 1986 年首次提出,并在 20 世纪 90 年代中期广泛付诸实践,它描述了一个 "观察-定向-决策-行动 "的循环往复的过程,在这个过程中,个人或组织可以快速处理信息,并有望比对手更快地理解和应对正在发生的事件。其目标是能够 "进入 "对手的决策周期,并通过更快地做出关键决策来获得优势。

OODA 的发展已经远远超出了军事决策的范畴,进入了法律/诉讼、执法、财务规划和网络安全等商业领域。现代 OODA 循环的图形描述已经大大简化,现在看起来类似于图 2。

图 2. 现代 OODA 循环图

将 OODA 循环压缩为 "感知"、"理解"、"行动

从本质上讲,OODA 循环旨在帮助个人和组织更快地做出有效决策。那么,JADC2 如何加快这一决策过程,以保持对对手的竞争优势呢?答案很简单--更快地获取更全面的情报,再加上自主的人工智能和 ML 代理,以加快认识、理解、决策和行动。

在上一篇博客中,我讨论了 JADC2 "地垫 "图,该图详细介绍了作为 JADC2 行动核心的 "感知、理解、行动 "流程。下文将更详细地介绍这一加速决策过程。

图 3. 详细感知、理解、采取行动的循环: 加速决策过程

感知:整合所有领域和电磁频谱的数据

先进传感和信息管理技术的全球系统可提供越来越多的跨所有领域和作战环境收集的数据。这些数据可通过联合数据结构访问,联合数据结构使用开放标准和硬件/软件接口来发现、分类数据,并与所有领域、层级和安全级别的授权合作伙伴交换数据。这种传感器密集型生态系统利用远程传感器、情报资产和开放源来感知并同时整合和融合来自各领域和各领域内的数据,使联合兵力指挥官能够实现信息主导、更快地理解和决策优势。

所谓 "感知和整合",就是能够发现、收集、关联、汇总和处理来自所有领域和来源(友军、敌方和中立)的数据,并将其适当分发,以此作为真正的信息驱动型洞察力的基础。必须从数据共享和安全的最初阶段就考虑有效数据整合的要求,并将其应用于整个作战领域,以提供快速收集、融合、上下文关联和定制的实时决策情报。

理解: 了解作战环境

"理解"指的是分析信息,以便更好地了解背景情况并预测作战环境的变化。这可能意味着要了解对手的行动和意图,或解读我方和友军的兵力行动。原始数据被转化为经过整理的信息,而信息则转化为知识和理解。这种转换包括移动中的数据和静态存储的数据,并融合、分析和呈现来自所有作战领域和电磁(EM)频谱的有效数据和衍生信息。共享的最大挑战之一是这一功能必须在安全的信息环境中执行,同时相关用户仍可随时访问。最终,必须对作战环境形成可靠、持续的实时了解。这种了解可以在整个联合兵力范围内共享,也可以与指定的任务伙伴共享。JADC2 的功能将利用人工智能(AI)和机器学习(ML)来帮助加快指挥官的决策周期。机器对机器的自动交易将只提取、合并和处理来自传感基础设施的相关数据和信息。这种改进将要求联合兵力对现有的战术、作战和战略 C2 流程和能力进行调整和现代化,以包括重新思考美国国防部(DoD)如何测试和整合军种的离散 C2 能力,使之成为更大、更强大的全域 C2 能力。

例如,乌克兰当前的冲突就说明了有争议的电磁频谱可能带来的挑战。一个能继续收集可靠数据(尽管数据量有所减少)的 "感知、理智、行动 "框架将减轻在退化环境中运行的后果。人工智能和 ML 可用于这种退化环境,根据有限的信息预测盟军和对手的行动。在最佳条件下有效提供更多数据,你就赢了;在次优条件下有效提供更多数据,你就不会输。

行动--决定和传播

"行动"就是做出决定,然后向联合兵力和任务伙伴发布。它将决策的人为因素与技术手段相结合,以感知、理解和设想对手的行动和意图,然后采取果断行动。这包括考虑如何做出决策的细微差别,以及如何理解和执行指挥官的指示。规划和决策支持应用程序将在整个联合兵力中使用,并以先进、灵活和冗余的通信系统、方便和全面的运输基础设施以及灵活的数据格式为基础。这样做的目的是确保在适当梯队迅速、准确和安全地传播决策。

要以作战速度 "行动",就要求联合兵力内各层级的下级指挥官接受任务指挥原则的适当培训并获得授权。利用任务指挥方法,下级指挥官能够通过了解高级指挥官的作战意图,自信而权威地采取行动,同时在通信联系中断时保持行动的灵活性。当行动紧迫而没有时间寻求指导时,各级指挥官都能采取主动。任务指挥部为联合兵力提供了承担行动责任和保持信息与决策优势所需的灵活性和信任。

总结

JADC2 感知、理解和行动流程不仅能提高从全球感知资产中获取的情报的保真度,还能提高行动的速度和准确性,从而在对手行动之前保持位置优势。持续提供实时数据可确保该流程不断发展,以了解、创新、训练和适当应对所有敌对行动。

成为VIP会员查看完整内容
87

相关内容

人工智能在军事中可用于多项任务,例如目标识别、大数据处理、作战系统、网络安全、后勤运输、战争医疗、威胁和安全监测以及战斗模拟和训练。
AI Agent:基于大模型的自主智能体
专知会员服务
186+阅读 · 2023年9月9日
【ICCV2023】视觉Transformers的累积空间知识蒸馏
专知会员服务
35+阅读 · 2023年7月18日
【AAAI 2022】 GeomGCL:用于分子性质预测的几何图对比学习
专知会员服务
23+阅读 · 2022年2月27日
专知会员服务
27+阅读 · 2021年7月3日
专知会员服务
26+阅读 · 2021年5月24日
【AAAI2021】“可瘦身”的生成式对抗网络
专知会员服务
12+阅读 · 2020年12月12日
【IJCAJ 2020】多通道神经网络 Multi-Channel Graph Neural Networks
专知会员服务
25+阅读 · 2020年7月19日
【NeurIPS 2020】核基渐进蒸馏加法器神经网络
专知
13+阅读 · 2020年10月19日
【APC】先进过程控制系统(APC: Advanced Process Control)
产业智能官
57+阅读 · 2020年7月12日
如何使用自然语言工具包(NLTK)在Python3中执行情感分析
Python程序员
18+阅读 · 2019年10月28日
Seq2seq强化,Pointer Network简介
机器学习算法与Python学习
15+阅读 · 2018年12月8日
CNN 反向传播算法推导
统计学习与视觉计算组
28+阅读 · 2017年12月29日
动手写机器学习算法:异常检测 Anomaly Detection
七月在线实验室
11+阅读 · 2017年12月8日
国家自然科学基金
1+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
0+阅读 · 2015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
29+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015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
9+阅读 · 2014年12月31日
Arxiv
0+阅读 · 2023年11月6日
Arxiv
0+阅读 · 2023年11月3日
Arxiv
10+阅读 · 2020年11月26日
Arxiv
19+阅读 · 2018年10月25日
VIP会员
相关VIP内容
AI Agent:基于大模型的自主智能体
专知会员服务
186+阅读 · 2023年9月9日
【ICCV2023】视觉Transformers的累积空间知识蒸馏
专知会员服务
35+阅读 · 2023年7月18日
【AAAI 2022】 GeomGCL:用于分子性质预测的几何图对比学习
专知会员服务
23+阅读 · 2022年2月27日
专知会员服务
27+阅读 · 2021年7月3日
专知会员服务
26+阅读 · 2021年5月24日
【AAAI2021】“可瘦身”的生成式对抗网络
专知会员服务
12+阅读 · 2020年12月12日
【IJCAJ 2020】多通道神经网络 Multi-Channel Graph Neural Networks
专知会员服务
25+阅读 · 2020年7月19日
相关资讯
【NeurIPS 2020】核基渐进蒸馏加法器神经网络
专知
13+阅读 · 2020年10月19日
【APC】先进过程控制系统(APC: Advanced Process Control)
产业智能官
57+阅读 · 2020年7月12日
如何使用自然语言工具包(NLTK)在Python3中执行情感分析
Python程序员
18+阅读 · 2019年10月28日
Seq2seq强化,Pointer Network简介
机器学习算法与Python学习
15+阅读 · 2018年12月8日
CNN 反向传播算法推导
统计学习与视觉计算组
28+阅读 · 2017年12月29日
动手写机器学习算法:异常检测 Anomaly Detection
七月在线实验室
11+阅读 · 2017年12月8日
相关基金
国家自然科学基金
1+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
0+阅读 · 2015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
29+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015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
9+阅读 · 2014年12月31日
微信扫码咨询专知VIP会员