持续地将对手置于危险之中需要自动化。

更具杀伤力、支持网络、射程更远、速度更快的武器的出现缩短了交战时间,对决策时间产生了重大影响。认识到决策优势可以通过使用自动化方法持续评估环境以提供所需的动能和非动能效果来实现,从而缓解时间压缩问题。美国海军上将罗伯特-威拉德(退役)在《重新发现指挥与控制的艺术》一书中强调,时间是最常被重新分配的资产。然而,考虑到对手当前的能力发展轨迹,杀伤链中可用于调整计划的时间是一种越来越少的资源。

"杀伤链"一词指的是数据路径和系统,包括传感器、处理器、射手和操作员。可以对杀伤链进行评估,以确定其优缺点。《杀伤链:在未来的高科技战争中保卫美国》一书的作者 Christian Brose 等人指出,目前杀伤链的实施还不够强大,互操作性也不如人意,无法支持联合海上动态目标定位。要想获得评估和行动所需的决策优势,并以必要的速度、灵活性和机动性持续将对手置于危险之中,就必须提高杀伤链之外的能力。

现有的方法和程序已不足以应对作战人员面临的时间和多域挑战。杀伤链左侧行动是对现有 "发现、固定、跟踪、瞄准、交战、评估"(F2T2EA)流程的补充,可在博伊德的 "观察、定向、决策、行动"(OODA)循环中发挥作用。在杀伤链执行前进行自动评估,可将目标分析扩展到左侧,以机器速度持续推荐多对多资产与目标配对的解决方案。

技术进步可使部队更快地采取行动,通过采用自动化方法和系统间的机对机接口来评估、推荐和生成可对抗和抵消对手能力的解决方案,从而实现海上优势。要想更快地做出更好的决策,一种方法是在现有和拟议的时间表以及战区内所有资产的时间限制内全面了解作战空间。时间是了解情况和提出建议的关键资源,这些建议可在整个部队实施,以便立即作战。

持续生成部队建议以立即投入战斗需要新的概念和能力,包括在整个部队企业中纵向和横向传播数据和决策。除了估计对手的态势、能力和意图外,部队指挥官还必须以系统健康和状态的形式深入了解当前蓝军和盟军资产的适用性,以便在最大限度地降低部队风险和任务风险的同时制定部队任务。为多个单元分配任务并规划其相关机动,以支持位置和时间限制以及任务依赖性是一个艰巨的目标,需要先进的算法来实现部队在时间、目的和空间上的同步。综合作战部队企业的前提是了解和评估所有单元的所有系统,以最大限度地提高所有目标的集体效能和效率。

要使对手持续处于危险之中,就需要对资产进行自动评估和建议分配。左侧杀伤链模式有四个核心原则:海军部队的适用性、生存性、支持性和可选择性。这一概念有助于实现分布式海上作战。利用这一模式,可以通过评估兵力和可在特定时间和地点执行的任务选项,采用重点分析方法动态确定部队的可组合性。

一个单元在反潜战、反水面战等特定任务战区开展行动的适宜性,涉及到结合作战状态(如支持作战系统的上升、下降或退化)对单元能力进行近实时评估。适用性分为两部分:资产执行任务的能力和限制的可行性;准备状态,反映资产在计划执行任务期间的预计健康状况和状态或状态。适用性既可在单元层面进行评估,也可作为整个攻击群的评估内容。

单元的生存能力涉及部队风险和任务风险。风险是在预定行动计划中持续评估的,包括单元的战术态势,以及基于预测海况和风力的天气对任务的影响。

可支持性考虑了后勤方面的问题,以确保资产能够支持特定的任务分配,同时保持所需的临界值,或确保补给切实可行,以便在所需的时间范围内重新获得必要的物资。核对表可用于初步评估,但最终,可支持性将后勤与行动规划相结合,是确保部队持续所需的适应性规划的第一步。

部队的可组合性包括可选择性、适用性、可支持性和可生存性。

可选择性评估在所需时间窗口内合适资产、中继和决策指挥节点之间的通信联系。随着行动节奏的加快,有必要最大限度地增加机器与机器之间的接口,同时尽量减少人工决策指挥节点的数量。可选择性评估要考虑带宽限制、服务质量和网络拓扑结构,以支持优先数据的传输。仪器通信信道可能足够强大,能够以满足业务需求的速度支持状态评估。在执行过程中,通信路径是通过卫星、机载、舰载、陆基和武器节点之间的视线内和视线外连接形成的。指定任务所需的应用软件可优先传输必要的数据,避免传输与计划任务和任务分配无关的大量数据。

上述部队可组合性原则为自动系统在效能与风险之间提供了一个操作空间,可用于在地面、地下、陆基和机载射手、传感器和通信节点之间生成多对多的任务建议。正如美国海军上将斯科特-斯威夫特(退役)在 "现在就需要战斗 "一文中所说的那样,可组合性概念使操作人员能够调整建议系统,"专注于我们所拥有的,以及如何以最佳方式加以应用"。此外,自动化还能使操作人员将资源集中用于指挥和开展行动,而不是将宝贵的时间花在汇总信息、分析部队状况和生成多种行动方案上。如上图所示,这些指挥控制功能被叠加在一个规范性分析框架上。

部队可组合性概念支持增强态势感知和向操作人员提出建议,并可在近期内实现自动、预先计划的响应,提高指挥和控制速度。综合决策分析框架促进了人工智能/机器学习、运筹学和启发式等先进能力的提升,从而使联合部队和盟军能够利用商定的标准和共同的模式与实践,逐步实现决策优势工具的整合,以加快作战能力的提升。动能和非动能效应提供了最终游戏。但不断加深了解以支持杀伤链左侧的动态规划和机动对整个游戏至关重要。

综合决策分析框架采用了一种规范性分析方法。

参考来源:AFCEA International, NICHOLAS GIZZI, JOHN MCDONNELL, PAT GARCIA

成为VIP会员查看完整内容
56

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。
模拟战争:在对抗环境中做出决策
专知会员服务
29+阅读 · 2023年12月9日
【ICML2023】POUF:面向提示的大型预训练模型无监督微调
专知会员服务
36+阅读 · 2023年5月18日
万字译文《海战中实施人工智能的挑战》2023最新报告
专知会员服务
167+阅读 · 2023年5月6日
【AAAI2022】受限评委下双执行者的高效连续控制
专知会员服务
16+阅读 · 2021年12月22日
专知会员服务
38+阅读 · 2021年5月16日
专知会员服务
24+阅读 · 2021年1月21日
【CVPR2020-CMU】无数据模型选择,一种深度框架潜力
专知会员服务
21+阅读 · 2020年4月12日
【混合智能】有关军事混合智能的思考
产业智能官
11+阅读 · 2020年5月17日
回归预测&时间序列预测
GBASE数据工程部数据团队
43+阅读 · 2017年5月17日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
4+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
0+阅读 · 2015年12月31日
国家自然科学基金
22+阅读 · 2015年12月31日
国家自然科学基金
28+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
Arxiv
131+阅读 · 2023年4月20日
A Survey of Large Language Models
Arxiv
326+阅读 · 2023年3月31日
Arxiv
15+阅读 · 2023年3月17日
Neural Architecture Search without Training
Arxiv
10+阅读 · 2021年6月11日
Arxiv
26+阅读 · 2019年3月5日
VIP会员
相关基金
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
4+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
0+阅读 · 2015年12月31日
国家自然科学基金
22+阅读 · 2015年12月31日
国家自然科学基金
28+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
微信扫码咨询专知VIP会员