人工智能（AI）是机器显示出来的智能行为。在日常用语中，当机器模仿人类进行学习和解决与认知功能相关的问题时，就会使用人工智能这个术语。人工智能中关键问题包括推理、规划和学习。在军事应用中，人工智能在不同军事层面使用的系统中变得越来越重要，不管是从战斗层面还是到战术和作战层面，人工智能都有极其重要的作用。这一发展导致决策支持系统被用于营级和旅级。基于通过以用户为中心涉及军事人员的结构化活动收集的经验数据，本研究调查了人工智能如何在指挥和控制系统中应用。我们研究了它在情报和作战过程中的用途。我们讨论了人工智能方法如何用于决策支持的过程，这些过程提供了一个共同的作战图景，使用威胁分析来预测敌人的行动，并在执行前分析自己部队的替代行动。我们的结论是，人工智能对武装部队的好处是，当时间有限或选择太多，人们无法分析所有备选方案时，它可以提供关键的系统支持。我们相信，在指挥和控制系统中成功实施人工智能的一方可以成为分析信息的最优和最快的一方，并因此可以更快做出决策，获得对对手的作战优势。
关键词：人工智能；指挥与控制；OODA环；分析；规划；执行
1 介绍
《牛津词典》对人工智能（AI）的定义如下："计算机系统的理论和开发，能够完成通常需要人类智慧的任务，如视觉感知、语音识别、决策和语言之间的翻译"。
目前，很难想象有什么比人工智能更突出的流行语了。当然，随着最近性能的进步，人工智能在一些任务上的表现甚至超过了人类，如下围棋、皮肤癌检测和语音识别，而且使用它有一些很好的理由。
这些进展的共同点是都与深度学习（DL）这个子领域相关。深度学习是指由多层非线性处理单元组成的机器学习模型。通常，用人工神经网络来表示这些模型，在这里，神经元指的是一个单一的计算单元，其输出是通过一个（非线性）激活函数输入的加权和（例如，一个只有在信号为正时才通过的函数）。
基于人工神经网络的深度学习系统被称为深度神经网络（DNN），由并联神经元组成的大量串联层构成。对大量数据的处理和强大的计算机以及一系列创新（例如初始化策略和数据规范化）的结合使这些大容量网络能够成功训练。表示学习是DNNs高性能的主要原因之一。使用 DL 和 DNN，不再需要手动制作学习特定任务所需的特征。相反，判别特征是在 DNN 的训练过程中自动学习的。
应该强调的是，DNN不是解决所有人工智能问题的灵丹妙药，根据具体场景和任务，还需要其他人工智能概念和机器学习模型。
根据McCann和Pigeau的说法，指挥和控制（C2）被定义为 "建立共同意图以实现协作行动"。在军事背景下，C2的核心问题如下：
- 如何从一大批资源中获得集体效应？
- 如何处理内在的不确定性？
- 如何能以比敌人更快的速度对敌方产生影响？
以比敌人更快的速度产生影响，迫使敌人做出反应而不是采取行动。实现这一目标的先决条件是要能够处理大量的信息，并对不确定因素进行有效的建模。
为了以一种结构化的方式解决这些问题，C2总是伴随着C2系统。C2系统由人、组织、流程、方法和设备组成。正如Brehmer所提到的，C2系统的产品是命令，为了产生命令，系统需要促进(i)数据收集，(ii)推理/感知（即分析信息并确定需要做什么），以及(iii)规划（即把需要做的事情变成可以做的事情）。
对于军事部门而言，将 AI 纳入 C2 系统的好处在于，当时间有限或选项数量过多以至于人们无法分析替代行动方案时，它可能会提供关键系统支持。因此，在战术和作战层面使用人工智能的战略重要性怎么强调都不为过。Ayoub和Payne写道："特定领域的人工智能可以从根本上转变军事力量的对比，使人工智能发展成熟的一方具有更强的军事力量。特定领域的人工智能将对冲突产生变革性影响，并且与之前的军事能力变革一样，它有可能深刻地破坏战略平衡。战术和作战系统最有希望被改变，而且这些系统将产生战略影响。
在这份概念文件中，我们讨论了AI方法在决策支持系统（DSS）中的应用。根据瑞典武装部队指挥与控制学校举办研讨会的经验数据，我们确定了人工智能在现有C2系统中对之前列出的C2的三个核心问题可能产生重大大影响的领域和任务。此外，我们还讨论了人工智能方法的不同方面以及它们对具体任务的相应适合性。具体来说，能够解释人工智能产生的某些建议可能是基于人工智能的决策支持系统的核心。
本文的其余部分安排如下：在第2节中，我们介绍了C2系统的动态观察、定位、决定和行动环路模型，并描述了以用户为中心的方法，该方法被用来发现C2系统的挑战，在这些挑战中，人工智能有可能被利用来发挥作用。然后在第3节中总结了以用户为中心的活动的结果。第4节和第5节分别介绍了在研讨会上确定的人工智能方法在一些重点任务中的机会和挑战。最后，第6节专门讨论结论。
2 方法论
对于一个特定的任务，C2过程是一个高度动态的过程，正如博伊德所启发的那样，在某种程度上可以被抽象为一个动态的观察、定位、决定和行动的循环（所谓的DOODA循环），如图1所示。命令转化为军事活动，而军事活动又会导致一些效果被摩擦（影响效果的未知因素）所过滤。这些影响由传感器（在最广泛的意义上，从电子传感器到人的观察）观察这些影响，并将传感器数据与来自系统内部状态的数据（例如任务的进展）一起收集。对任务至关重要的事件与任务、资源和约束一起被识别并且确定。最后，命令依据规划过程确定计划、分配资产、评估风险、估计、选择和排练计划等。这个循环一直持续到任务完成、失败或撤消。DOODA循环的所有阶段都与C2系统必须考虑的一些不确定性有关。
图1：DOODA-环的说明
在 C2 系统中的DSS中要处理的任务具有复杂性和多样性等特点。因此，在不久的将来，我们不太可能拥有一个人工智能，它在给定所有可用传感器数据和内部系统状态的情况下简单地输出一组建议的命令。相反，在DSS中逐步引入人工智能似乎更有可能达到效果。为了确定当前武装部队C2系统中导致DOODA-循环速度降低的瓶颈所在，并确定哪里可以改进，我们采用了以用户为中心的设计（UCD）方法。这种方法使最终用户和非专业人员都可以发表意见，否则他们几乎没有机会影响未来技术的发展。UCD的特点是在一个复杂过程中使用适当的设计方法和设计活动。这些方法和活动取决于手头的问题，需要哪些专家知识，以及最终用户、设计工程师和决策者的可及性。这个想法是，设计师和设计工程师是促进设计活动和成为设计专家的推动者，而最终用户和其他利益相关者被认为是各自领域内的专家。这明确了角色和能力，以便有关未来设计选择和采购的决策可以基于相关和准确的信息。
在UCD哲学的启发下，进行了一次结构化的头脑风暴，目的是为了获得有关用户需求的更深层次的知识，并能够设想未来C2系统的发展。参与者包括瑞典武装部队指挥与控制学校的军官、设计工程师和研究人员。结构化的头脑风暴内容包括个人和联合的头脑风暴活动，以及对需求的优先排序。
头脑风暴中要回答的问题涉及到人工智能系统在C2系统背景下的目的、由谁和在哪里受益。为了确保考虑到未来技术的全部可能性，与会者被明确告知不考虑任何有关财务、法律和技术挑战的问题。与会者被要求首先单独写下他们的想法。然后，所有参与者将这些想法分成若干组，每个组都有一个代表性的标签。最后，为了评估所产生的想法的优先级，每个参与者在1到3的范围内对三个不同的想法进行优先排序。
3 研究结果
三个不同的组别被确认：分析（和监测）、规划和执行。这些都可以与前面描述的DOODA循环中的感知、规划和行动过程联系起来。鉴于参与者的背景和经验，这并不令人惊讶。就重要性而言，分析组被认为具有最高的优先权，其次是规划，然后是执行。
在分析组中，可以确定三个不同的子组：寻找信息、汇编信息和检测信息中的异常情况。与寻找信息有关的例子是量身定做的搜索（针对个人或角色）和信息的自动元标记（例如，主题或安全级别）。在信息编纂子组中列出的一个想法是自动更新共同的作战图。最后，识别报告和命令之间以及报告之间的不一致被列为与检测异常相关的示例。
规划组内的想法可以分成两个子组：规划支持和战术开发。在规划支持方面，提出的想法有：地形分析（例如，以最小的可探测性显示路线）、后勤计划（例如，从A到B需要x、y和z）、预测敌人对形势的认识、预测敌人的行为（从理论到实际数据）以及自动提出行动计划。对于战术的发展，有人提出将强化学习用于空战和海战，这将有可能引出新的军事理论。
在执行组中列出的想法侧重于为指挥官评估行动方案，以及在执行行动期间简化军事总部的人员工作。提出的两个具体想法是自动生成（定制）报告摘要的人工智能和自动将语音转录为文本的人工智能。
4 机遇
今天，非军事部门推动了人工智能的创新。然而，开发的技术和概念非常通用，可以用于军事系统。在本节中，我们将讨论在瑞典武装部队指挥与控制学校举办的研讨会期间提炼出的一些问题背景下使用 AI 的机会。
重点是为分析形势提供决策支持，并为我们自己的部队提出和评估行动。我们确定了几个子任务：分析当前形势，为制定计划提供决策支持，评估已经制定的规划和执行过程中的规划，为动态重新规划提供决策支持，并随着事件的发展不断扩展和完善规划。
为获得良好的决策支持，最重要的部分是为当前问题构建一个适当的知识表示。知识表示提供了一个框架，人工智能方法将在其中工作。构建知识表示是一个智力问题。鉴于这一点已经做得很好，决策支持的其余部分是在表示框架内的数学问题，并为决策者提供一个良好的演示。如果我们假设规划、评估、实施和动态重新规划的操作可以用具有多种可能值的参数形式完全描述，并且用几种有效性措施（MOE）对这种计划进行评估，那么问题就是要找到一个能提供良好MOE的计划。
4.1 用于分析的人工智能
在分析阶段，人们对信息进行处理和组合，以构建一个通用态势图（COP）。这包括对传入的信息进行分类，确定当前的情况，构建一个动态更新的COP，并检查自己的系统是否被欺骗了。利用信息融合技术，可以根据收到的一连串情报并且报告自动生成一个战术性的行动计划。因此，分析阶段本身就很重要，但它还有一个进一步目的，即它的结果构成了在接下来的计划和执行阶段的决策支持的可用输入。
理解已确定的情况意味着什么的方法很重要；"目前对理解的强调是由于英国军事指挥官意识到一种军事倾向，即对错误的问题匆忙采取精确的解决方案，而没有充分考虑背景。美国指挥官也意识到了这一点"。这些指挥官认为有必要在进行数据分析、信息融合的基础上构建一个抽象的COP并开始解决手头的问题之前，制定方法来定义问题的框架。这是传统上由情报单位进行的工作，但应该被纳入总部的所有职能中。
研讨会强调了三个不同的分析子组，它们都与信息处理有关：寻找信息、汇编信息和检测信息中的异常情况。
寻找信息的问题存在于许多不同的尺度上。例如，一个常见的情况是检索一组涉及某个主题的类似文件。如果所有的文件都有其主题的元标签，那么这个过程就会很快。元标签可以通过半监督学习自动进行。Salakhutdinov和Hinton使用深度自动编码器的形式进行深度学习，将非常高维的文档输入向量（归一化的字数）转化为低维的潜在向量空间，其中相邻的向量对应于相似的文件。学习自动编码器本身可以以无监督的方式进行。然后，一个自动元标签算法可以通过使用一些主题标记的样本在潜空间中定义特定的聚类来构建。
在不同的尺度上寻找信息，可以确定文件中与某一主题相关的实体。例如，提取与后勤有关的物品和数量可以加速部队调动的规划过程，等等。在自然语言处理中，这个问题被称为命名实体识别，神经网络与命名实体词典的结合已经显示出很好的效果。
最后一个子组包含了与异常检测有关的想法。目前最先进的异常检测方法是使用深度自动编码器作为基础。假设“正常 "数据点位于自动编码器的非线性低维嵌入模型上，因此在被自动编码器解码时具有较低的重建误差。相反，异常值往往有较大的重建误差。所描述的方法适用于大多数的问题，从检测传入传感器数据中的异常到标记与标准非常不同的报告都可以适用。与异常检测组相关的具体想法是检测报告和命令中的冲突信息。最近的工作表明，在对两个句子是否冲突进行分类方面取得了一些可喜的成果。
4.2 用于规划的人工智能
对于规划行动，人工智能与模拟的结合是一个富有成效的组合。那些必须规划军事行动的人可以进行 "如果 "测试，以衡量不同规划的预期效果。目标是尽可能真实地模拟军事行动产生的不同影响。这既包括对战场的影响，也包括对道德、后勤和难民等其他因素的影响。
在演习中获得的军事知识可以帮助决策支持系统进行任务规划这一点也同样重要。在规划制定要实现的目标、有效分配资源、执行任务以监控任务进展和根据需要重新规划活动时，都需要这种知识。
在规划过程中和计划执行之前，可以用定性或定量的方法对计划进行分析。在分析行动方案（COA）的定性方法中，一个强调论证模型之间相似性和差异性的框架可以用来选择和完善观点来评判军事行动。这样的框架在决策支持系统中很有用，可以对军事计规划进行支持和反对。当不同的规划小组提出多个 COA 时，概念框架用于记录领域专家对这些 COA 的批评。为了创建结构化的批评并系统地评估 COA 的某些方面，我们向专家提供了一个模板。这种方法有助于在规划阶段对备选COA进行结构化分析。
作为定性分析的替代方法，可以使用定量的方法。一个例子是将人工智能和多智能体系统结合起来组成红队。在军事规划和决策中，组建红队有一个长期的传统划分模式。一个蓝队代表我方的目的、目标和利益，而敌人则由红队代表。通过让红队模仿敌人的动机、意图、行为和预期行动，己方可以测试和评估自己的行动方案，找出利用敌人弱点的机会，并学习了解蓝队和红队的互动动态。组建红队是一种了解所有可能影响一个系统及其决策的设备的方法。从本质上讲，敌人是一个单位，它和我们存在竞争关系，并采取行动阻止我们实现目标。在这里，可以集成人工智能和多智能体系统以支持决策和规划。它允许决策者探索可能影响目标的事件发展情况，发现和评估我们自己的弱点，学习了解敌人的行为并找到获胜的策略。
同样值得一提的是最近关于为北约开发可操作的数据耕作决策支持工作（MSG-124），该工作使用数据耕作方法（即大规模并行模拟、数据分析和可视化）来分析模拟系统的输出，其中有数十万种地面战争作战计划的备选模拟。这是一种将模拟与大数据分析相结合的定性方法。
4.3 用于执行的人工智能
在执行行动时，重要的是迅速将可通过人工智能方法进行融合和分析的战场信息送到指挥官手中。指挥官需要这些信息，以便在紧张的情况下迅速做出关键决定。处理和传递给指挥官的信息量往往很大，以至于存在信息过载的重大风险。如果信息没有按照指挥官理解的逻辑、并且以简明和有意义的方式呈现，就会出现问题。
除了人工智能和信息融合之外，高级模拟是决策支持系统框架内的一种重要方法，其中模拟可以与人工智能方法进行交互。 Moffat 和 Witty 开发了一种决策和军事指挥模型，有助于深入了解军事决策过程。 在这个模型中，军事行动可以看作是一系列连续的对抗。 该模型基于博弈论和对抗分析。对抗不同方面的看法是基于他们对当前局势的看法以及他们能够采取的替代行动。该模型可用于高级模拟，以评估决策支持系统框架内的行动。
自2008年以来，美国国防部高级研究计划局（DARPA）已经为军事战术指挥和控制开发了一项名为 "深绿"（DG）的技术。DG帮助指挥官发现和评估更多的行动选择，从而积极主动地管理一项行动。DG背后的方法旨在进入对手的OODA环内。其想法是，决策应该非常迅速以至于OODA-环被分解成一个极快的OO-环，它提供一个定制的DA-环，当前的情况信息被用来模拟自己和对手的许多决策组合，以及模拟和评估这些选择。该计划在2013年被移交给美国陆军。DARPA在DG之后采取了进一步的措施，最近开展了一个名为实时对抗性情报和决策（RAID）的研究项目，使用预测分析、人工智能和模拟来分析对手的行动 。
RAID开发的技术可以帮助战术指挥官估计敌方部队的位置、实力和目的，并有效打击对手的行动时预测他们可能的战术动向。这包括识别对手的意图，预测对手的战略，发现欺骗行为，规划自己的欺骗行为，生成战略等。这些问题发生在军事行动的规划、行动的执行、情报分析等方面。为了实现这一目标，RAID将用于规划的人工智能与认知建模、博弈论、控制论和机器学习相结合。
机器学习也可以用来制定战斗的战术。然而，许多机器学习算法的速度不足以在空战等应用中找到智能体的最佳行为。Q-learning是一种强化学习算法，已被成功用于评估空战目标分配。该算法在不使用任何大型数据集或先验数据的情况下，为智能体的行为学习最佳状态-行动对。
有时，我们需要为一连串的类似场景学习行为规则。在这种情况下，我们可以使用迁移学习来减少学习时间。例如，当我们学习不同的2对2场景下的空战规则时，我们可以先使用已经有2对1场景下战斗经验的智能体。一个实验表明，在2对1场景中已经获得的经验在2对2场景中是非常有利的，因为进一步的学习所花费的成本是最小的。以这种方式使用迁移学习可以使智能体的行为在新的场景中得到快速发展。
如第3节所述，人工智能促进执行的重点还在于使工作人员在执行业务的过程中更有效地工作。其中提到的一个想法是自动生成报告摘要。确定的需求来自于分层的组织结构，每个上层都会收到来自相连的下层的报告，因此，如果不进行总结，可能会有一个指数级增长的信息向上传递。在过去，自动文本总结是提取式的，即从原始文件中剪切和粘贴相关的完整句子。随着最近的深度学习技术--序列到序列模型的出现，抽象化的总结方法也随之出现。抽象方法能够产生摘要，其中产生了原始文件中不存在的新的表述方式。
另一个被提及的想法是将语音转录为文本。自计算机兴起以来，机器学习一直是语音识别系统的基础。今天最先进的算法都是基于深度学习技术。例如，微软在2017年提出的算法能够达到与人类相同的错误率。
5 挑战
在本节中，我们讨论了将人工智能纳入决策支持系统时的一些潜在挑战。具体来说，我们讨论了当前人工智能技术的可行性和可解释性。
5.1 可行性
研讨会上浮现的不同想法具有不同的技术成熟度。 例如，美国军方长期使用基于人工智能的后勤规划工具“部署和执行联合助理”（JADE），美国海军研究实验室开发了一种名为“狙击手”的任务规划和训练工具 -RT。后者的工具是围绕三维地形数据建立的，可以回答 "我能看到什么 "或 "我在哪里能被看到 "这类问题，这些问题在放置传感器或保护部队时是至关重要的。另一个技术上成熟的人工智能问题是自动语音识别。微软、谷歌、亚马逊和其他公司都有利用最新深度学习技术的产品，用于基于语音的对话系统。
在第4.1和4.3节中列出的自然处理语言应用中，寻找类似文件的有效算法已经足够成熟，可以在实际系统中使用。稍微不那么成熟的是命名实体识别和自动总结的技术。然而，商业系统已经存在（参见www.primer.ai）。最困难的问题（在列出的分析想法中），因此也是最不成熟的问题，是寻找文件之间的矛盾。与更直接的分类问题相比，发现矛盾的学习算法需要另一层抽象的推理。
正如人工智能的最新进展所证明的那样，海量数据的可用性是实现强大人工智能系统的基础。根据场景或应用，这在某些军事环境中可能是一个挑战。如迁移学习之类的技术，其中针对相似但不同的应用程序训练来说，机器学习模型被重新使用并适应新问题，当数据稀缺时，对于许多军事应用程序来说将是重要的。例如，军事报告和摘要与民用报告和摘要是不同的。然而，考虑到两者的相似性，人们会期望对非军事文本进行训练算法将会是机器学习模型学习特定军事用例摘要的良好起点。Kruithof研究了与使用迁移学习相比，深度学习需要多少输入数据才能获得更好的分类性能。
5.2 可解释的人工智能
决策支持系统能够解释其建议对于决策者能够理解和依赖该系统至关重要。在可解释人工智能领域，重点是异构数据的分类、规划、数据生成和决策策略的创建。该研究领域旨在创建能够解释模型的机器学习方法，其中机器学习系统能够解释其建议并描述其自身推理的优势和局限性。
这个研究领域并不新鲜。它已经存在了几十年，但随着越来越多地在子符号级别上运行的机器学习方法的出现，它变得更加突出。人工智能系统有几种方式可以解释他们的建议。首先，一些类型的模型被认为比其他的更容易解释，如线性模型，基于规则的系统，或决策树。对这类模型的检查可以让人了解它们的组成和计算。此外，可解释模型可用于近似亚符号人工智能系统的推理。近似推理可以对系统的整个决策区域或特定决策点周围的区域进行采样。
此外，混合系统是可以想象的，其中亚符号机器学习（如深度学习）层面与符号层面相连，在符号层面上进行近似推理，将来自不同推理过程的不确定数据结合到决策支持的基础上。这样一个可解释的人工智能将连接机器学习和更高层次的近似推理和决策。每当决策部分是基于机器学习的结果时，它将为决策者提供解释。
为了深入了解深度神经网络的工作情况，必须对神经网络进行概率性解释，其中权重被视为概率，网络被第二个解释过程划分为基于神经元之间共同信息处理行为的子网络。这种划分确实可以由另一个机器学习模块来完成。对于这个次要任务，可以考虑几种不同的方法（例如Kohonen网络）。然后，每个子网络（集群）可以被映射到决策树中的一个节点，通过调查每个节点对决策树得出的整体结论的影响，可以从可解释性的角度进行分析。因此，这种方法将从详细的子符号水平上的问题解决能力转向聚合的符号水平上的问题解释能力。 可以将深度学习与神经符号推理和可解释的人工智能结合使用的应用程序来自通用应用程序池，这些应用程序要么具有大量历史训练数据、可从模拟器获得的数据，要么具有事先不一定完全知道的流数据。 这些应用程序包含一个需要管理的问题（并且可能随着时间的推移动态发展），需要高级近似推理来将来自不同来源的信息（包括机器学习过程）集成到提供管理问题解决方案的决策支持中。
可解释人工智能的另一个活跃的研究领域是特征可视化，其中子符号推理被映射回了输入空间。通常情况下，有两种通用的方法被用于特征可视化，即激活最大化和DNN解释。激活最大化计算哪些输入特征将最大限度地激活可能的建议。DNN的解释是通过突出有辨别力的输入特征来解释系统的建议，这些特征可以通过使用局部梯度或其他一些变化度量的敏感性来分析计算。
未来可解释的人工智能可能会接近人们一般如何根据感知的信念、愿望和意图来解释其他智能体的行为。 Miller 对社会科学研究中的解释以及如何使用这些知识来设计人工智能系统的解释进行了回顾。 主要发现是（i）解释是针对特定反事实事件的对比，（ii）解释是有选择的，集中在一个或两个可能的原因上，以及（iii）解释是一种社会对话和知识迁移的互动。
最后，对于已经在更高的符号水平上进行论证的军事决策支持系统来说，基于敏感性分析的解释特征是一种既定的方法，可以用来解释为什么某项拟议的军事计划被认为是成功的。van Lent等人提出的另一个例子描述了一个人工智能架构，用于解释野外作战模拟系统中的人工智能智能体的战术行为。该方法被美国陆军用于培训步兵军官。
6 结论
本文提出的研究旨在调查人工智能如何被用于增强未来C2系统的决策支持功能。 该研究指出了不同的人工智能观点，确定了人工智能工具可能产生影响的领域，并强调了可能从人工智能功能的引入中受益最大的具体 C2 任务。
从C2系统建模的角度来看，该研究指出了在C2过程中应该考虑人工智能的三个主要活动，即（i）感知，（ii）规划，以及（iii）军事活动，根据图1中描述的公认的DOODA-循环。为了促进感知过程，管理和利用各种规模不同信息的工具，可以预期提供容易实现的有利条件。对于规划，处理战术数据库（地形、后勤、理论等）的工具可以与决策支持工具相结合，使指挥官能够在不同的抽象层次上评估不同的行动方案。最后，人工智能对执行的支持可以概括为指挥官评估行动方案，以及在执行行动期间促进不同类型的工作人员工作，例如使用语音到文本工具快速和正确地沟通不同的简报。
从最终用户的军事角度来看，需要考虑的人工智能挑战主要涉及成熟度和透明度。考虑到可行性，研究中出现的想法与研发方面的不同技术成熟度有关，这并不令人惊讶。一些工具，如语音转文字工具、地形分析功能等，已经相当成熟，可以买到现成的工具，而其他领域，如推理对手想法的博弈论工具，还需要很多年的基础研究才能实现其实际功能。关于透明度，这是军事决策支持需要考虑的一个关键挑战，在这方面，要求人工智能能够解释建议，并且人能够理解和依赖系统是至关重要的。随着可解释人工智能领域地不断探索，初步展现出利好结果，关于透明度还有很多需要学习的地方。
在未来，我们的目标是进行一系列的以用户为中心的设计活动，目的是指定一套详细的使用案例，这可以作为在涉及军事人员的军事C2环境中采购和进一步测试实际人工智能功能的基础。
Artificial Intelligence for Decision Support in Command and Control Systems
相关内容
微信扫码咨询专知VIP会员