曾几何时--并不是很久以前--由于时代技术的原因，你必须亲自面对你的敌人。对峙距离取决于所使用武器的物理长度，而速度则受制于人的身心。随着时间的推移，射弹武器--弓箭、步枪、火箭推进弹药、弹道导弹--有可能在越来越远的距离上制造威胁，但仍然需要有人来瞄准武器并决定扣动扳机。现在情况已不再如此。2020 年，在纳戈尔诺-卡拉巴赫地区争端中，阿塞拜疆使用土耳其制造的闲逛无人机（Bayraktar TB2，在乌克兰战争中进一步崭露头角），在没有警告的情况下袭击亚美尼亚坦克和指挥所。这是对技术和战争性质不断变化的担忧的顶点--我们现在可能被某种无情的、不眠不休的东西盯上。
我们分析、考虑替代方案和制定计划的时间越接近行动就越少。随着可在视线外徘徊等待攻击的无人机和弹药、在难以预测的飞行路径上以五倍音速飞行的高超音速武器以及利用人工智能快速进行分析的发展，无论物理距离如何，决策空间都被进一步压缩。
美国国防界越来越重视在任务式指挥中使用人工智能。新项目一个接一个地启动，竞相确保或加强与中国（人工智能）、俄罗斯（高超音速）和土耳其（无人机技术）等国家相比的优势。现代战争就像一场 "双重荷兰 "游戏--需要足够快的速度才能与之抗衡。虽然不可避免地会出现炒作，但利用人工智能实现任务式指挥不仅是一个机遇，更是一种必然。
原因之一是过去十年人工智能的发展突飞猛进，特别是在机器学习子领域，以及人工智能在众多工业和商业领域取得的普遍成功。一个更重要的理由是未来战争的愿景正在发生变化。考虑一下陆军对多域作战（MDO）的看法。决策和任务执行的复杂性大大增加是 MDO 不可避免的影响之一。有效协调包括复杂的网络领域和电磁频谱在内的多领域行动，就好比在多个棋盘上下棋，一个棋盘上的每一步棋都会影响其他所有棋盘上的棋步。这里的复杂性不是加法，而是乘法。
而且，可用于理清所有这些复杂棋步的多种选择的时间将更少。MDO 强调迅速利用优势窗口的重要性，而优势窗口的出现是不可预测的，稍纵即逝。要想在短时间内利用这种优势窗口，往往需要在多个领域内进行协调，对现有计划做出快速而重大的改变，这种改变可能会带来危险。人工智能可以帮助协调和评估此类变化的影响，并在必要时在几秒钟内生成必要的详细不完整的命令（FRAGORD）。
人工智能带来了新的机遇，美国并不是唯一一个探索将人工智能用于任务式指挥的军事强国。例如，俄罗斯军方已投入使用近乎自主的系统，用于大规模、分布式、异构火力和电子战，具有实时规划和自动执行功能。如今，这些能力不可避免地依赖于人工智能技术，而且未来将在更大程度上依赖于人工智能技术。
前进道路上有哪些挑战？
无论未来如何，过去的经验都很难让用于任务式指挥的人工智能的拥护者感到鼓舞。美国已有三十多年尝试开发任务式指挥智能支持工具的历史，但相对来说收效甚微。仅举几个例子。自古巴导弹危机以来，直到 20 世纪 90 年代中期，多个机构一直在开发包括执行决策工具在内的大量计算机程序，这些程序被称为 "全球军事指挥与控制系统"（WWMCCS）。20 世纪 90 年代中期，DARPA 开发了用于训练作战参谋的计算机化助手--DARPA 作战参谋训练系统（BSTS）。
20 世纪 90 年代末，美国陆军作战司令部作战实验室开发并试验了基于人工智能的系统 ICCES（又名 CADET），用于从行动路线草图生成计划（作为同步矩阵）。同样在 20 世纪 90 年代末，陆军/DARPA FCS MDC2 计划等项目也在探索新思路，包括一些类似人工智能的功能。CPOF 计划也曾探索人工智能功能，但最终以失败告终。PAL 计划的结果是 Siri 技术大获成功，但并未对任务式指挥产生直接影响。
2000 年代中期，陆军的 CERDEC 启动了 "保证网络运行的战术信息技术 "计划；该计划集成了用于协作规划和执行监控的智能代理。2010 年代，CERDEC 建立了自动规划框架（Automated Planning Framework，简称 APF），这是指挥所计算环境（CPCE）的一个插件，其中包括促进指挥官和参谋人员军事决策过程（MDMP）的工具。
美国陆军开发的工具侧重于为指挥官汇总和显示信息，以及支持 MDMP 的协作工具。这些功能减轻了部分体力劳动，但并没有利用计算能力进步带来的好处。
如果只能从 2020 年的纳戈尔诺-卡拉巴赫冲突中汲取一个教训，那就是优势将属于那些不再像人类那样看世界的人--即从自己的视角在水平面上观察世界，主要认知自身直接控制下的资产。
如美国国防部《2020 年电磁频谱优势战略》所指出的，"对手活动会探测......友军的 EMS 能力，以获取军事优势"。对此，美国陆军正在开发工具，以提高对友军频谱的态势感知能力，特别是避免通过 EMS 手段进行探测。众所周知，减少侦测的一种方法是通过分散来传播信号，以建立一个更具生存能力的指挥所。不过，作战人员是社会性动物，在分散协作中会遇到挑战。
在发现、制定和评估行动方案的过程中，人类的认知限制也会凸显出来。缺乏经验的决策者可能更愿意依赖人工智能代理的建议，而更有经验的决策者则更有可能拒绝接受建议，转而依赖自己的经验。与直觉相反的是，正是这些经验丰富的决策者可能会因 "入门效应 "而从建议中获益更多。"入门效应 "是指一种倾向于选择已知方法而非可能更成功的新方法的倾向。
在战术环境中引入决策辅助工具的主要教训之一是，必须跳出问题的物质层面来思考。如果训练和条令支持更多的人工方法来遵循军事决策过程，那就是士兵们在战斗中会使用的过程和技术。在使用依赖于自动化的流程时，可用性是另一个值得关注的大问题--如果决策辅助工具依赖于计算能力或网络连接，而计算能力或网络连接可能会出现故障，那么可用性更可靠的解决方案就更有优势。
依赖于人类规则的 "专家系统 "可能会与人类系统一样，加倍依赖于人类的偏见和狭隘思维，而且还会受到新情况的阻碍。机器学习系统（也能学习人类的偏见）的适应性更强，但需要大量相关场景的数据来提高准确性。在实践中，最好的办法可能是采用一种混合解决方案，即具有内置关系的 "专家 "知识库，以及用于接收新信息的更灵活的数据机器学习模型。
虽然陆军在将数据作为一种资源进行开发方面取得了进展，但需要帮助指挥官进行决策的许多输入信息却无法通过电子或其他方式获得--例如，可能有助于规划任务的单个车辆的燃料状态数据。为提供这些数据而付出的努力可能并不值得，但传感器和其他不引人注意的测量方法或许可以提供这些数据。
还没有可用作规则集的条令数字表示法。虽然这可以防止人工智能决策辅助工具过度限制其输出，但也可能会出现从战术角度看根本行不通的情况。人类解决问题的方式与计算机解决问题的方式之间的来回转换，以及最终它们之间的合作交流方式，都需要更多的研究，以确保人机团队能够提供比任何一方单独解决问题更好的结果。
乐观的理由
有理由对人工智能在任务式指挥中的未来持乐观态度。例如，人工智能已成为一项军民两用技术。这既意味着工业界将投入更多研发资金来推动这些技术的发展，也意味着士兵已经建立了一定程度的信任，这种信任将延续到战场上对人工智能的使用。
虚拟现实和增强现实技术是受益于军民两用技术的一个特殊领域。这些工具能带来更身临其境的培训和任务演练体验，通过视觉叠加增强态势感知，并允许分散协作。
使用模块化开放系统方法一直以来都是采购项目的要求，但由于每个项目都专注于将其能力投入实战，因此这种方法更多地是一种举手之劳。现在，微服务架构的发展为软件能力赋予了新的生命。每个微服务都从数据存储库中获取数据，执行功能，并通过应用界面输出结果。独立的微服务可以共享和组合，以构建新的功能。
现在也有一些工具可以让士兵在没有高级编程技能的情况下组合数据集并生成新的分析结果。这些工具还能提高数据的流畅性，使人工智能代理如何得出特定建议更加透明，从而提高对结果的信任度。
人工智能固然在速度上有优势，但在对抗人类的偏见方面也有优势，比如以自我为中心的偏见会导致人们主要考虑自己直接控制的资源。因此，人工智能决策辅助工具可用于拓宽指挥官的决策空间，同时仍由指挥官做出决定。
一种很有前途的方法是放弃追求包罗万象的人工智能解决方案，而是将重点技术应用于任务指挥挑战的特定子集。例如，陆军 C5ISR 中心开发了一种基于遗传算法的能力，可作为 CPCE 的插件，用于优化同步矩阵中各项活动的时间安排。
过去十年中，强化学习技术的进步已经在许多商业和工业问题上取得了成功。美国陆军研究实验室的研究表明，与快速军事模拟相结合，强化学习技术可以自动学习如何作战。这与基于规则、逻辑或游戏求解的人工智能系统不同。它们需要对规则、允许的动作及其效果进行昂贵、费力的人工编码。而自我学习则省去了大量的开发和维护成本。
同样，美国国防部高级研究计划局（DARPA）正在多个项目中利用机器学习（以及其他方法）的最新进展，如 "适应跨域杀伤网（ACK）"项目、"与对手战术的建设性机器学习战斗（COMBAT）"项目、"系统增强型小型单元（SESU）"项目，以及 "用于规划、战术、实验和应变的战略混沌引擎（SCEPTER）"项目。
与此同时，商业产品也日趋成熟，展示了人工智能技术（如博弈求解）的强大功能。海军陆战队已经选择了一个博弈求解系统，该系统源于早期的 DARPA 计划（与陆军合作管理），现在正成为雄心勃勃的新海军陆战队兵棋推演与分析中心的核心。
未来多域战争的高速度和复杂性使得人工智能对任务指挥的支持成为必要。人工智能在过去十年中取得的巨大进步，以及之前的惨痛教训，使其变得可行。陆军可以成功地为指挥官和参谋人员带来快速、易用的工具，这些工具将分析、协调、建议行动方案，并生成必要的 FRAGORD 产品。必要时，即使参谋人员分散在各地，也能在几秒钟内完成任务。
工业界应参与寻求近期技术。应加快投入现有的能力，即使是部分能力。只有在相应的实验支持下，这些能力的采用才能取得成功，从而改变训练和战术、技术及程序。同时，陆军科技界必须继续缩小知识差距，以实现任务指挥中人工智能能力的下一次迭代。
作者：
hom Hawkins 是美国陆军项目经理任务指挥部的人工智能和数据战略项目官员。他撰写的文章和论文主要关注与人工智能、数据和技术采用相关的问题。
Alexander Kott博士是美国陆军未来司令部下属发展司令部陆军研究实验室的首席科学家。此前，他曾在 DARPA 担任项目经理。他撰写了一百多篇技术论文，编辑和合著了十二本书。
原文
相关内容
微信扫码咨询专知VIP会员