摘要

对美国陆军来说，加快投资以支持任务指挥部的决策过程（包括战略思考），是至关重要的。对手在针对美国及其合作伙伴的行动中使用机器学习和人工智能（AI）的速度令人严重关切。美国陆军卓越任务指挥中心认为，人工智能是 "真正的助手，在支持作战过程的同时帮助理解作战环境（OE）"。在快速移动的高度复杂的作战行动中，人工智能可能特别有用。本文的目的是确定一个规范性的政治、军事、经济、社会、基础设施、信息、物理环境和时间（PMESII-PT）模型，结合一个推荐系统，是否可以改善战略预见和决策。这样一个模型将使指挥官能够更好地可视化潜在的战略和战术，从而防止或减轻严重的反文化和道德问题。本文提出一个实验方法，比较了有无推荐系统的指挥官决策。其利用了多层次的场景，因此，拟议的实验结果可以为投资推荐系统提供成本定位。最后，研究了此推荐系统是否可以提高指挥官在多文化环境中关注有形资产和无形资产的能力。

关于作者

托尼-塞里是TRADOC G-2的数据科学、建模和模拟主任。他负责整合技术以促进OE的表现。以前的任务包括领导JS J7的联合作战系统环境，领导USJFCOM J9的实验工程部，并担任USJFCOM J9的M&S处处长。托尼是美国军事学院的毕业生。他在中密歇根大学获得行政管理硕士学位，在佛罗里达技术学院获得管理硕士学位。他的军事奖项包括荣誉军团勋章和铜星勋章。

妮可-拉斯特（Nicole Laster）博士是位于堪萨斯州莱文沃思堡的美国陆军、TRADOC 20国集团全球文化知识网络（GCKN）的首席社会科学家。拉斯特博士作为一名应用社会科学家为TRADOC G-2提供支持，重点是向陆军作战人员提供系统的、可辩护的研究，以帮助他们做出决策。她的学术研究围绕影响信息及其对思想和行为的影响展开。她拥有堪萨斯大学传播研究的学士学位和德克萨斯大学奥斯汀分校组织传播的博士学位。她的研究可以在《国际商业传播杂志》、《商业传播季刊》和《西方传播杂志》上找到。

Jumanne Donahue博士曾以各种身份支持美国联合部队司令部和美国陆军训练与学说司令部G-27数据科学、模型、模拟局的工作。他是德克萨斯大学达拉斯分校为DSMS开发的第一人称文化培训师模拟的文化研究人员和知识工程师。多纳霍先生拥有德克萨斯大学达拉斯分校的艺术、技术和新兴通信专业的博士学位。他还拥有德克萨斯大学达拉斯分校的艺术与技术硕士学位和德克萨斯农工大学学院站的计算机科学学士学位。

Alejandro (Andy) Hernandez博士是美国海军研究生院系统工程系的副教授。他还担任模拟实验和高效设计中心的副主任。安迪拥有土木工程学士学位，运筹学硕士和博士学位，以及战略研究的硕士学位。他的经验包括26年的军事服务，担任领导和参谋职务。赫尔南德斯博士的研究重点是改善系统设计、开发、运营和管理的创新决策支持系统。他结合了计算机模拟实验、实验设计、战争游戏和系统分析。

Cary Stothart博士是美国陆军行为和社会科学研究所的研究心理学家。他拥有佛罗里达州立大学的认知心理学博士学位，并在圣母大学完成了博士后培训。斯托萨特博士目前的研究重点是使军队领导人适应人工智能系统的方法。他的工作可以在《心理科学展望》、《心理学通报和评论》以及《实验心理学杂志：人类感知和表现》上找到。他的工作也被《纽约时报》、《国家地理》、《福布斯》和《大西洋》所报道。

Steven B. Hall博士是海军研究生院的研究教授。他于1983年在加州大学欧文分校获得认知和社会科学博士学位，重点研究生成性多智能体多规模建模。他目前的研究重点包括：加强我们对 "社会复原力"基础的理解；理解感觉危机对身份动态的影响；以及使用非致命性武器有效地接触人群，以最大限度地感知国家的合法性。他已经在技术期刊和论文集上发表了35篇以上的论文。

基思-弗伦奇是位于堪萨斯州莱文沃思堡的美国陆军、TRADOC G-2全球文化知识网络（GCKN）的高级研究分析师和首席地理信息系统专家。French先生通过提供地理空间分析来支持TRADOC G2的工作，以便更好地向作战人员解释OE。在加入GCKN之前，他曾作为研究中心（RRC）的成员为人类地形系统服务，以支持OIF、OEF和四个陆军军种司令部。他已经制作了近1000张全球环境的地理空间渲染图。弗伦奇先生拥有堪萨斯大学的地理学硕士和学士学位。

迈克尔-索伊卡（Michael Soyka），一名装甲部队军官，是华盛顿州刘易斯-麦克乔德联合基地G35未来的太平洋路径的I军团首席规划师。索伊卡少校（P）拥有不同的经验，包括在伊拉克、阿富汗和埃及的步兵和装甲部队的作战部署。他的学术研究包括领导者发展、组织变革和军事行动艺术。他拥有美国西点军校的机械工程学士学位，哥伦比亚大学的组织心理学硕士学位，以及美国陆军指挥和总参谋学院高级军事研究学院的军事行动硕士学位。

安德鲁-约翰逊（Andrew M. (Andy) Johnson）是位于堪萨斯州莱文沃思堡的美国陆军、TRADOC G-20全球文化知识网络（GCKN）的高级研究分析师。他支持TRADOC G-2的工作，向决策点提供系统和可辩护的研究，并将作战人员与更好地理解作战环境所需的相关知识联系起来。安迪是一名退役的特种部队中校，在东欧、中亚、东南亚和中东地区有作战经验。他拥有堪萨斯州立大学的安全研究硕士学位和华盛顿大学的人类学学士学位。

尼尔-F-斯莱维（Neil F. Sleevi），美国上校，退役，拥有科罗拉多大学电信专业的理学硕士学位和美国陆军战争学院的战略研究硕士学位。他为TRADOC G-27的数据科学、模型和模拟局的建模和模拟处提供建模和分析支持。他曾在陆军预备役和陆军部完成了运筹学的职业生涯。

1 背景介绍

本文所描述的概念涉及一项实验建议，该建议使用与政治、军事、经济、社会、基础设施、信息、物理环境和时间（PMESII-PT）相关的模拟工具，结合人工智能（AI），特别是推荐系统（RS）和既定的社会科学原则，以一种新的方式改善作战设计和军事决策过程（MDMP）中描述的战略思维。虽然实验只是在建议阶段，但人们仍然对了解推荐系统方法和算法是否在快速移动、高度复杂的情况下（如军事支持和稳定行动、应急管理和救灾）特别有帮助。本文讨论的实验计划和迄今完成的工作表明，RS可能有助于军事规划人员改进诊断、识别和评估间接战略的方法，并针对日益复杂作战环境中的对手挑战制定响应方案。该概念描述了如何将RS与现有的内部确定的PMESII-PT社会文化影响模型相结合。

2 作战问题

“如果不适当地应对对手在人工智能方面的进展，美国陆军和盟军将会面临巨大的后果。” （da，tradoc）。美国国防部长詹姆斯-N-马蒂斯最近表示担心，“中国的目标是到2020年与美国的人工智能（AI）能力相匹配，到2030年超过它们”。对手在其针对美国及其合作伙伴的行动中使用机器学习和人工智能的速度令人严重关切。美国相对于对手的优势在很大程度上取决于其先进技术。“美国陆军通过领导力、高素质士兵和技术的强大组合来实现超额收益。虽然先进技术的开发很重要，但将这些技术整合到陆军部队和训练中将可以最大限度地发挥任何技术的潜力。技术复杂性的增加要求陆军部队在和平时期保持高度的战备状态，因为要迅速达到熟练程度越来越难”。虽然《赢在复杂世界2020-2040》没有详细讨论人工智能的潜在作用，但它确实指出：“人工智能将使自主和半自主系统的部署具有学习能力.....，这对美国陆军加快投资以支持任务指挥部的决策过程（包括战略思维）至关重要。决策辅助工具将减少认知负担，帮助领导者快速决策”。美国陆军卓越任务指挥中心认为人工智能是“真正的助手，在支持作战过程的同时，协助理解作战环境（OE）”。任务指挥作战实验室（MCBL）科学和技术部门在2018年2月举办了一次技术演示，其目的是建立对任务指挥相关新兴技术的认识，并收集关于其对军事问题适用性的观点。其结果是，人工智能被确定为提高作战能力的潜在解决方案，并与陆军作战挑战、设计方法和军事决策过程相关。美国卓越任务指挥中心主任詹姆斯-J-明格斯（MG James J. Mingus）说：“将人工智能置于规划工具之上，可以真正开始加速决策过程。” 同时，根据五角大楼新的国防战略，人工智能是需要更多投资以确保美国军队保持优势的重要技术之一。

3 引言

本文的目的是向包括军方在内的科学界报告为促进基于推荐系统（RS）的军事决策知识库所采取的初步措施。这一努力将有助于确定规范性分析PMESII-PT模型与基于人工智能的分析性推荐系统（RS）相结合，是否能够改善战略预见和决策。推荐系统是一种软件工具和技术，为用户提供有用的项目建议。例如，NETFLIX的RS向观众推荐额外的电影，获得额外的销售。对于军队来说，RS建议的目的是在各种决策过程中支持其用户。为军事指挥官提供的RS可以提供额外的见解，帮助确定问题和解决方案的范围，并为改进决策提出起点。RS方法和算法在作战行动以外的快速移动、高度复杂的情况下可能特别有帮助，如对稳定行动、应急管理和救灾等军事支持。

“人工智能和机器学习正在塑造美国军队的决策过程”，军事决策的复杂性正在增加，主要是因为作战环境的变化。“预测会发生什么更难，因为复杂系统以意想不到的方式互动。更加难以理解事物，因为复杂程度可能超出我们的认知极限。而且更难决策，因为复杂系统过去的行为可能无法预测其未来的行为。”本文目的是了解提出的RS、PMESII-PT模型和人类指挥官之间的合作是否能够更好地可视化战略和战术的潜在结果，从而防止或减轻严重的反文化和道德问题。人工智能善于看到模式，尤其是那些埋藏在非线性系统中的模式。人类更善于看到创新可能性，这是我们认知能力的结果。本文研究了一种拟议的实验方法，以确定基于人工智能的推荐系统，由PMESII-PT模型启用，是否能增强指挥官的军事决策。这包括帮助看到他们的行动所带来的意外的、不可预见的好处和后果，识别隐藏的触发器、临界点和红线。目标是提供有价值的定量结果，以改善在日益复杂情况下的感性认识，特别是随着事件和困境在战斗空间的长期发展。感知能力是这个PMESII-PT/RS/人类共生系统的重要好处之一。研究小组对PMESII-PT/RS系统如何帮助管理一些人认为是人类不可避免的感知危机。一个好的PMESII-PT/RS系统可以识别出人类即将经历的感知危机，并帮助驾驭它，使信任丧失（尤其是在他们的人类中）降到最低。本文提出的PMESII-PT效果模型、基于AI的推荐系统和人类军事指挥官之间的合作，可能会在很大程度上解决加里-克莱因少校（2018年高级军事学院领导力奖获得者）描述的一个问题。“鉴于目前的理论模式和通常的时间限制环境，领导人优先考虑制定一个详细的计划，而不是包括多个部门的计划，这并不令人惊讶。然而，一个没有任何决策点或分支计划的行动路线代表了一个不灵活的计划。一旦行动开始，敌人的行动方式往往与其预期的行动路线（COA）不同，这就要求领导人实时调整他们的计划。这是不可能避免的，但计划人员可以通过预测敌人的选择，将这些选择作为决策点来捕捉，并制定概念性的分支计划来实现行动的灵活性。根据时间限制，参谋部可能无法制定其决策点和分支计划的细节；然而，通过预测和思考替代方案--即使是短暂的--他们将确保自己有更好的准备。”遗留决策方法中的根本问题似乎以时间限制为特征。时间，或缺乏时间，是在本文中描述的拟议实验的一个关键因素。TRADOC小册子525-3-6 “美国陆军运动和机动功能概念”中提到，由于技术、系统和它们之间的互动过多，出现了“超活跃环境”，GEN（R）John Allen和Amir Husain用“超级战争（Hyperwar）”这个标签来描述自动化决策和利用AI和机器认知的行动并发所带来的无与伦比的速度。

图1：传统的PMESII-PT模型的例子

复杂的非线性作战环境的影响之一是，可能需要的应急计划的划定变得越来越难以预先设定。冲突并不像战斗人员是单一的工业时代的机械化部队时那样可以理性地博弈。PMESII-PT/RS可以（在某种程度上）预测临界点的位置。而PMESII-PT/RS可以实时检测到这些灾难性尖峰的临近，并及时向前看，预测突破临界点的后果......而人类根本不会/不可能。

这种设想在某种意义上将所需的适应性计划的储存库从人类转移到PMESII-PT/RS上。在我们的共生系统中，人类计划者将不得不放弃他们对计划（及其意外情况）的某些需求，而信任PMESII-PT/RS。当然，这本身就是一个话题，也是一些人已经在努力解决的问题（也就是说，在一个你真的无法理解的技术中产生信任的关键是什么）。鉴于人类强烈的叙事取向，PMESII-PT/RS将不得不想出一个线性叙事，以证明正在采取和/或提出的COA是合理的，即使真正的理性实际上是非常非线性的。一般来说，叙事必须是线性的，人类才能理解它。但它必须通过以可理解的方式解释，使其具有逻辑意义。对人工智能提出可行解决方案将需要时间来证明有效性。

4 基于人工智能的军事推荐系统的潜在好处

本文提出的用于复杂军事决策的推荐系统是以人工智能为基础的，其实施并非易事。推荐系统的开发需要多学科协同，如人工智能、人机交互、信息技术、数据挖掘、统计、自适应用户界面、决策支持系统和行为科学。使用传统的技术和程序为军事决策开发RS可能是一项巨大的、昂贵的和耗时的任务，因此在这种情况下，利用商业最佳实践可能是理想的。对军队来说，令人信服的故事和价值主张是，RS实际上可以改善作战设计/军队设计方法和军事决策过程中需要的战略思维。

在作战设计和MDMP决策中，通过基于PMESII-PT/RS的努力整合人工智能有潜在的好处：

改善战略、作战和战术决策。
更快速地部署PMESII-PT和混合解决方案。
通过资源的最小化减少浪费。
增加灵活性和对变化的适应性。
通过更集中的努力增加成功。
更快的决策支持/人员配置周转时间。
更快地发现问题和有缺陷的计划。
最佳的活动控制。
更加专注于具体而复杂的战区需求。
改善与盟友和东道国伙伴的合作和反馈。

图2：传统的PMESII-PT建模的复杂性

这项拟议实验的总体目标是将人工智能技术整合到RS中，为军事指挥官提供优化决策，其速度比传统人类驱动的MDMP要快得多。一种机器学习和人工智能技术已经显示出对美国防部和IC任务的巨大前景，那就是推荐系统。推荐系统是一个使用主动信息过滤技术的系统，利用过去的用户行为来推荐适合终端用户目标的信息。在最近的一份工作文件中，美国国家情报局局长办公室技术专家组的投资回报团队在其“情报周期和人类语言技术”的流程图中，将推荐系统确定为一个关键的“发展中应用”。推荐系统在历史上最常见的应用领域是商业：用户是客户，推荐的对象是产品。“RS在今天的工业界有许多不同的用途。”已经提出了各种技术作为RSs的基础：协作的、基于内容的、基于知识的和人口统计的技术。这些技术中的每一个都有已知的缺点，例如众所周知的协作式和基于内容的系统冷启动问题（如何处理评级很少的新用户）和基于知识的方法的知识工程瓶颈。混合型RS是将多种技术结合在一起以实现它们之间的某种协同作用。鉴于大多数指挥官不会从他们自己在可能面临的相同条件下的战斗经验中获得事先的用户评级，基于内容的方法可能不会很好地发挥作用。似乎可以适应于适合实验设计的方法是协作式。“一个协作系统只使用不同用户或项目的评级资料信息来产生推荐。协作系统定位具有与当前用户或项目相似的同行用户/项目，并使用这个邻域生成建议。基于用户的近邻算法和基于项目的近邻算法可以结合起来，以处理冷启动问题并改善推荐结果。”

5 示例：协作式推荐系统如何在复杂的作战环境中使用

为了说明军事RS如何与PMESII-PT模型和人类指挥官协作使用，考虑一个简单的推荐系统，推荐PMESIIPT战略和战术的组合或“捆绑”。

在最近的一次近距离模拟演习中，一个对手（红军）利用OE中的非战斗人员移动，以获得战略、行动和战术上的军事优势。对手部队控制了战斗空间中的密集城市，不仅拥有心理和政治上的优势，而且可以利用这种优势对战斗结果产生重大影响。在这次演习中，一支人数较少的红色部队通过集中对城市非战斗人员的网络和信息多域影响，制造足够的混乱，使战斗空间中的非战斗人员移动来产生对他们有利的形势，从而获得了对一个大得多的对手（蓝色部队）的优势。对关键基础设施--特别是电网和供水系统--进行复杂的地方性网络攻击。最终，由网络引发的当地停电、预先计划的虚假信息活动，加上基本服务（食物、水、药品等）的有限流动，导致了大量的难民人口。这些非战斗人员受到红色部队的影响，从而堵塞了通信线路，大大减缓了蓝色部队的行动自由。

图3：耗时的COA和运行分析

因此，在这个假想情景中，红军通过网络攻击与信息行动（如 "假新闻"、社交媒体等）相结合，成功地创造了困境和优势窗口，以拖延蓝军，从而争取关键时间来评估蓝军的目标，并使红军得到增援。简而言之，红军利用古老的大规模原则（在这种情况下，大规模的网络和信息传递行动）对付非战斗人员，以拖延蓝军。在这个假想的战役场景中，红军在当地有争议的城市地区大规模发送复杂的信息和协调的网络攻击（使用MTPM和升级效应），成功地造成了食物和水的分配、银行、交通和经济基础设施的问题。红方部队同时开展的信息行动将这些网络攻击归咎于蓝方部队。

这个场景的关键是，有许多不同的方法来接近关键的临界点......其中一些方法无疑从未在现实世界中实际执行过。在PMESII-PT模型中，这些战术导致了数十万当地平民情绪的变化--平民对他们的地方和国家政府感到非常失望。由于缺乏信息处理和交易能力，市场失灵，对当地的经济影响很大。对关键基础设施的复网络攻击--特别是电网（这是一个冬天的场景）。最终，当地的停电和有限的商品和服务流动（马斯洛效应）导致了难民人口的形成，他们在“假新闻”的鼓动下向蓝军的方向行进（价值一致），以获得安全，这堵塞了道路，大大减缓了蓝军的行动自由。结果表明，红军成功地利用网络攻击，不仅拖延了他们的敌人，为评估蓝军的意图和目标争取了时间，而且为增加红军人员和物资运输赢得了时间。红军的网络攻击被归咎于蓝军，导致民众对其当地政府的支持和信心下降。陷入困境的东道国政府最终失去了足够的影响力，根据PMESII-PT模型的计算，影响力和支持现在已经向红军倾斜。

然而，PMESII-PT/RS可以将深度学习算法应用到自己的“白日梦”运行中，以确定这种临界点在接近时是什么样子。然而，当你对什么是社会身份有一定的了解时，建立这样的PMESII-PT/RS就比较容易。当你确实有了理解（如雅典娜和/或SoReM），这时建议采用混合理论/数据的人工智能。

如果蓝军指挥官预见到上文详述的复杂PMESII-PT效应，蓝军工作人员选择和制定的这套战略和战术的动能和杀伤力就会小得多。

6 研究方法（进行中和拟议中）

研究小组已经着手比较使用和没有使用PMESII-PT模型数据时，指挥官和工作人员的满意度评分和指挥业绩。在写这篇文章的时候，一些步骤已经开始了临时性的工作，但很多工作仍处于20财年陆军研究计划的早期建议阶段。陆军还没有授权和资助像这里提议的实验。

建议的实验将按照科学方法使用以下步骤：

提出一个可以测试的问题（假设）。
设计一项研究并收集数据
分析和解释收集的数据
向科学界报告结果
复制结果

此外，实验将操控以下变量：

复杂的（如模糊的、不确定的）作战环境与不太复杂的作战环境
战略行动与战役或战术行动
时间限制下的计划与没有时间限制的计划

提出的假说是：“在作战设计和MDMP过程中使用PMESII-PT模型驱动的RS的指挥官和工作人员将比不使用PMESII-PT模型驱动的RS的指挥官和工作人员更有效地进行多域作战（MDO）规划。”更重要的是比较只使用PMESII系统和PMESII-PT/RS所生成的计划的质量。我们正在研究纯粹基于历史先例分析和遗留PMESII-PT模型的决策是否比基于追求目标的PMESII-PT模型的RS更好或更糟。

用两种方法来制定假设和实验。首先，从2018年1月到5月，向几个陆军非机密兵棋推演的指挥官和工作人员询问了在进行实验时可能遇到的问题。其次，通过探索书籍、期刊文章、在线数据库、报纸和专门的网站来研究以前关于RSs用于军事决策的研究。

在确定了假设后，制定了一个实验设计。选择的方法是基于现有的资源和实验场所。它是一种准实验设计。这种类型的实验设计包括一个控制组，但没有随机化（在军队的实验中，指挥官和参谋人员通常是手工挑选的）。此外，会使用一个标准化的程序。每个指挥部和参谋部组的每个参与者都会在相同的条件下接受相同的处理。例如，兵棋推演的场景和衡量计划绩效的方法将以同样的方式对每个计划小组进行管理。情景是一样的，面临的挑战也是一样的，给的时间也是一样的。

图4：基于人工智能的方法概述

7 讨论:

一位参加陆军演习的指挥官提出，推荐系统可能会分散人类自身探索和寻找最佳价值的注意力。他们表示担心，随着时间的推移，在一致的环境中可能会减少对选择的探索。一些指挥官和参谋人员认为RS可能有助于防止他们被最初广泛的备选方案所淹没。最后一点可能是RS的关键理论基础：在复杂的决策环境中，指挥官和参谋人员面临着认知上的限制以及有限的时间来做决定。因此，RS可以通过减少指挥官和参谋部的认知负担来帮助理性思考。信息过载通常被描述为基本的规划问题。在这个意义上，PMESIIPT/RS的作用是过滤掉所有不相干的信息，使指挥官能够专注于什么是重要的，什么是可行的。在复杂系统中，最需要检测和考虑的是临界点。临界点是指小型行动能产生大影响的方式。此外，一个RS越是强大，它能找到的临界点就越多。然而，这些临界点对人类来说是很难看到的。因此，这就是为什么需要一个RS。

基于PMESII-PT/RS的分析整合可能为美国陆军提供重大价值。此实验，如果得到批准，可能会在未来的陆军作战评估中得到延续。它可以为兵棋推演的指挥官提供一种新的手段来观察复杂的MDO规划。它也可能促进在未来行动和影响的战略思维背景下，提高对OE的理解、可视化和洞察力。

蓝军TTPs
国家/地区/行动领域数据
关于使用人工智能协助指挥官进行复杂决策的最佳做法和经验教训

在评估MDO中的二阶和三阶PMESII-PT/RS效果时，PMESII-PT/RS可能会促成重要的新见解，使指挥官能够更好地将潜在的战略和战术可视化，从而防止或减轻严重的反文化和道德问题。人工智能，在其作为决策的RS的初始形式下，有可能改善实时军事行动和整体效力。

作战工具提供了非同寻常的速度和范围，而且经常会催生出意想不到的后果。进攻中的计划悖论是，快速执行取决于非常仔细的计划和条件设定，特别是在网络领域。然而，在防御方面，面对令人困惑的短暂反应时间，许多人求助于自动化--而且越来越自主--的决策过程。与不愿或不能实现关键决策过程自动化的竞争者相比，将人“排除在外”是一种潜在优势。当然，有一种平衡，每个竞争者都会在他们认为最合适的决策链环节中混合使用这些控制技术。收集和处理大量的信息是微不足道的，但现在机器学习和人工智能将历史分析和概率结果预测扩展到最初级的工作人员。分布式机器学习现象首先在自主商业车辆中得到证明，现在被应用到战术交战中，以便对手迅速学习--并适应--对手的技术。军队不再仅仅在战争之间进行调整，而是在交战之间和交战期间进行调整。

图5：基于人工智能的方法概述

8 结论

本文提出了一种实验方法，以确定人工智能在快速移动、高度复杂的作战行动中的作用。这项提议的努力和迄今所做工作的目的是确定一个PMESII-PT模型，结合一个RS，是否能改善战略预见和决策。试图了解PMESII-PT/RS是否能使指挥官更好地将潜在的战略和战术可视化，从而防止或减轻严重的反文化和道德问题。利用商业开发技术，以保持领先于其快速跟进的对手，将部分和整体地改变军队的运作方式。美国防部对技术发展的持续投资将需要不同的技能组合来进行有效的领导。一个成功士兵的属性将需要随着技术的发展而发展。所有级别的指挥都将受到战争特征变化的影响。军队领导层将不得不制定一项大战略，以涵盖新兴技术并在队伍中作出相应的反应。领导层将需要一个敏捷的方法，跨越一个陡峭的学习曲线，以应对不断变化的多域战场。军队之间的沟通执行将需要越来越多的流动性。允许采用新的管理方法来实施和加速技术应用于不断变化的战场动态，将使大战略的执行取得成功。

成为VIP会员查看完整内容