摘要

在21世纪，人工智能侵入了我们生活的各个方面。它通过获取、存储和回忆信息，帮助用户建立对周围世界的更好理解。最令人震惊的是，每个手机拥有者随时可以获得的处理能力超过了第一代计算机的能力。在这种计算能力在私营企业中如此普遍的情况下，军队如何将这种技术融入其规划方法，即军事决策过程？这项研究探讨了人机合作，因为它与陆军师级的规划有关。

这项研究解构了MDMP，并提出了与现有人工智能技术及其计算能力，以及人类理解和创造能力相结合的建议。这项分析阐明了通过伙伴式理解的概念获得的一些流程效率；随着人工智能学会如何为用户处理信息，用户对他们的操作环境获得了更深的认知理解。这方面的工作也探讨了这种整合的成本。

1 简介

1.1 背景/概述

"2025年5月21日，为应对一场新出现的危机，该师司令部启动了一个作战计划小组（OPT）。就在几个小时前，这个陆军师收到了即将在未来几周内部署的通知。这种情况发生在初夏，伴随着一系列独特的人事挑战--夏季永久换岗（PCS）季节。由于即将离任的主要工作人员即将离开，而替代人员尚未到达，工作人员的人手并不充足。在剩下的成员中，有些人在所分配的职位上经验有限，或者从来没有在陆军师一级进行过规划。这个OPT需要审查作战命令（OPORD），同时还要补充必要的细节，使计划可以执行。他们没有足够的时间向组织的领导者和决策人--司令部提出可行的方案。在审查OPORD、指导团队新成员、更好地了解作战环境之外，OPT还必须了解不断变化的危机的动态，并提出适当的、有效的反应。"

上面的例子在作战人员的世界里并不是很少发生的。作战计划小组必须利用他们的现有资源，最重要的是他们的专业军事判断和时间，制定一个计划供指挥官批准。他们的许多计算、估计和评估将完全取决于他们的集体经验、理论知识和一些最佳猜测。根据这些计划和整个陆军和更大的美国国防部的作战计划小组的估计而调整的国家资产，主要是由数据驱动的。将这些数据关联起来，以更及时的方式提供更精确的人员估计，无疑可以帮助工作人员适应作战环境，并创造出更多高质量的行动方案、分支和续篇。此外，随着战斗的步伐和复杂性的不断增加，由于通过技术的相互联系，人类反应、计划和执行持久行动的认知能力将难以跟上。人工智能技术，总体而言，可能提供了最好的机会，以加强和增强计算解决问题的任务，并减少作战级规划人员目前经历的认知过载。这项技术有可能影响美国陆军部队规划和执行战争的方式。

研究的意义

这项研究之所以重要，主要有两个原因。美国陆军使用相同的基本规划方法，即军事决策过程（MDMP），开展军事行动已有46年。然而，随着人工智能在社会应用中的增加，陆军尚未确定人工智能技术如何在智能任务指挥系统（如XXI部队旅及以下战斗指挥系统（FBCB2））之外帮助决策。

其次，思想的全球化已经将人工智能推到了下一次技术革命的前沿。正如20世纪对太空主导权的争夺刺激了世界主要大国的国家投资一样，人工智能在21世纪也开始有同样的投资优先权。人工智能的任何一个领域的重大突破都可能创造出一个在短期内证明不可能克服的优势。最重要的是，由于我们在政府和私营企业中的信念与敌对国家背道而驰，陆军和美国处于不利地位。只要专注和精确，军队可以从人工技术和军事规划的融合中大大受益。

术语的定义

由于本讨论的技术性质，术语表是最合适的。以下术语贯穿本专著，为参考提供了基础。

认知计算--利用各种人工智能技术进行大规模学习、有目的的推理并与人类自然互动的系统

知识库--精心策划的数据集或数据体，用作机器学习和认知计算系统的基线。

策划的数据集--深度学习网络的基础知识数据集。

深度学习 - 人工智能的一个方面，涉及模仿人类用来获得某些类型知识的学习方法。

专家系统 - 人工智能的一种形式，在一个特定的研究领域或专业领域内保持知识。

摄取 - 人工智能系统接收数据的过程。

自然语言处理 - 计算机系统的能力，使用世界知识，通过口头输入或书面/打字文本来处理和操作语言，与人类对话。

神经网络 - 一组处理单元，结构上受人脑启发，在深度网络学习中结合一组输入值产生一个输出值。

机器学习 - 一个统计过程，从一组数据开始，推导出解释数据的规则或程序，同时预测未来数据。

伙伴式理解--用户和人工智能系统之间的迭代对话，其中用户从系统中获得更深入的理解，而人工智能系统则获得对其数据集使用的理解。

强人工智能/通用人工智能--人工智能系统能够在广泛的认知任务中表现出明显的智能行为，至少与人类一样先进。

弱人工智能/狭义人工智能--人工智能系统能够成功完成简单或高度具体的应用。

限制因素

人工智能技术正在通过私营行业的研究和开发迅速发展。因此，某些技术的许多能力和规格都是专有性质的。这种知识产权的发布对这项研究来说是非常有限的。

假设

本研究假设陆军师的带宽分配不会因为作战人员信息网络--战术（WIN-T）的取消而大幅减少或增加。本研究还假设陆军师在理论上与《战地手册》3-94战区陆军、军团和师级行动以及陆军训练出版物3-91师级行动的雇佣、组成和能力保持一致。本研究假设在本研究涵盖的未来五年内，人工智能技术不会有重大突破。最后，本研究假设美国陆军师提供更强大的网络带宽、人员冗余以及与战场前沿的距离，这将优化人工智能技术的实施。

专著的组织

本专著将直接对人工智能历史和理论进行简要概述，以提供对该技术的基础性理解。随后，技术系统和军事规划的历史整合将提供与建议在未来应用的相关背景。对MDMP的分析将确定人工智能技术是否可以利用私人产业中的应用进行整合。本专著将讨论将人工智能技术纳入作战计划的潜在权衡和副作用。最后，结论提供了进一步研究和应用的结果和建议。

（第2-3章关于AI的发展综述请查看原文）

4 战役层面的规划

军事规划是指令性行动的结果。国家指挥机构指示解决冲突的选项，而军队则寻求完成所需的状态。从本质上讲，军事规划是一种确定和实施解决方案的手段。在介绍的例子中，相对于应急计划中完成的研究和规划工作，作战规划小组需要提供与当前作战环境相关的选择。技术革命从根本上增加了全球环境的互动复杂性，影响了作战环境中的区域行为者。美国陆军学说，特别是陆军学说参考出版物（ADRP）5.0作战过程，将规划定义为 "理解的艺术和科学，设想一个理想的未来，并制定有效的方法来创造这个理想的未来。"对于作战层面的战争，在本专著的其余部分，这被称为作战规划。

在联合出版物或美国陆军理论中没有关于战役层面规划的具体定义。然而，作战水平是国家军事战略目标和部队战术运用之间的联系，重点是设计、计划和使用作战艺术执行行动。AJP-5将战役层面的规划定义为 "在战役层面进行军事规划，以设计、实施和维持战役和主要行动，从而在特定的战场或行动区完成战略目标"。

在这个层次的战争中，规划将战略转化为行动。战役层面的规划也是概念性规划和指挥艺术与详细规划和控制科学的结合点。这一层次的规划也最专注于军事解决方案，在很大程度上摆脱了与战争政治相关的模糊性。赎罪日战争后的主要行动更关注于实现军事目标，而不是参与战争政治。此外，行动的重点是夺取、保留或利用主动权。例如，在 "沙漠风暴 "战役的规划阶段，由高级军事学院培训的战役层面的规划人员不太关心其计划的政治影响，而是关心如何利用行动艺术来实现军事目的。

作战艺术是一种产生理解的工具。因此，战役规划在很大程度上依赖于指挥官正确构思问题并将一系列可能的解决方案可视化的能力。陆军理论指出，作战艺术是指挥官和参谋部制定战略、战役和行动的认知方法，通过整合目的、方式和手段来组织和运用军事力量。通过对战术行动在时间和空间上的排序，指挥官和参谋部可以组织系统地击败敌对势力，或在战役级别规划开始时确定的战略目标。与任何级别的规划一样，参谋部的经验对于建立共同的理解尤为关键，而且随着战争领域内的行动随着时间的推移不断扩大，参谋部的价值将继续增加。

参谋部很重要，因为他们提供了必要的洞察力，使指挥官能够做出明智的决定。通过批判性思维、知情分析和经验，参谋部协助指挥官了解情况，做出并实施决策，控制行动，并评估进展。这些职能推动了行动过程，这是美国陆军行动层面规划的基础框架。

美国陆军有三种规划方法，能够对部队的使用进行规划。陆军设计方法（ADM）和军事决策程序（MDMP），分别作为战争战略和战役层面的渠道，而部队领导程序（TLPs）则只在战术层面上实现行动。指挥官和参谋部根据问题的复杂性、可利用的时间和参谋部的可用性来决定和使用这些方法的适当组合。沿着规划的连续性，行政管理的性质大多是概念性的。行政管理的抽象性主要是由于它要解决的业务问题的复杂性。MDMP通过技术还原和基于系统方法的解决方案，很容易解决结构良好的问题。然而，当问题变得更加模糊和不可预测，或结构不良时，军队设计方法学提供了批判性和创造性思维的工具，以理解、可视化和描述不熟悉的问题和解决它们的方案。ADM帮助指挥官和参谋部汇总最相关的事实，并提供一种操作方法，以帮助过渡到更详细的规划方法，MDMP。虽然概念性规划需要一些数据来确定进入战区的力量流动，但MDMP创造了规划中的大部分详细行动（图6）。

图6. 美国陆军的规划方法。美国陆军，FM3-0，1-20。

军事决策过程是详细规划的起点。MDMP是迭代的、更加明确的规划方法，建立了将ADM的解决方案框架中表达的概念操作化的框架。MDMP是协作性的，使指挥官和参谋部能够理解、可视化和描述作战环境，推进制定执行行动方案的进程。它由一系列的步骤组成，有独立的输入和输出。产出导致了对作战环境的进一步理解，并促进了MDMP的下一步工作。MDMP在很大程度上是有顺序的，这证明了这个过程的严格性。MDMP可能是非常耗时的，而且高度依赖于工作人员的知识水平、熟练程度和客观性。

4.1 MDMP的人为因素

与任何组织一样，该部门的工作人员都会带有无意识的偏见、别有用心的动机和由每个人的经验所形成的判断。这些内部动态和战争本身一样，都是人类的属性。在规划和决策中，人类的认知偏差是不可避免的，除非工作人员制定了审慎的、客观的策略来确认假设和调整范式。偏见主要是由于直觉判断造成的，作者丹尼尔-卡尼曼称之为系统1思维。利用自然发展的启发式方法或经验法则，军事规划人员建立了匆忙的认知 "框架"，在其中对信息进行分类和处理，从而提高认知效率。虽然不是所有的偏见都是坏事，但在规划世界各地的军事行动时，如果没有意识到自己的心理倾向，就可能是负面的。

指挥官和参谋人员需要了解作战环境，以实现共同理解，不仅是为了开展军事行动，而且是为了叙事，这些军事行动将向更大的受众传播。人工智能可以支持更多的知情决定，同时尽量减少人类的一些明显的认知偏差。最近在阿富汗使用的人工智能 "玛文项目 "在减少人类偏见方面被证明是有希望的。算法跨功能团队让我们看到了人机合作的潜力。

5 人工智能用于“战役层面的规划”

新兴技术与战争的结合是一种历史上出现的现象。自从从长矛和剑过渡到箭和手炮以来，先进的技术不断提高战争的杀伤力和破坏力。然而，并非所有的技术创新都与 "前线战斗"有关。例如，当普鲁士陆军总司令赫尔穆特-毛奇（Helmuth Moltke）将复杂的铁路系统纳入普鲁士的动员计划时，这项技术主要支持他的后勤和人员补充，积极影响他的作战范围。这种 "前线背后 "的技术与机枪的发展和使用不同，机枪直接促进了第一次世界大战期间堑壕战的杀伤力的增加。未来的战争也呼应了同样的观点。

从概念上讲，过渡到一个多维的战场，人工智能技术可以作为 "传感器"、"战斗机 "和 "规划者"，或其中的组合来使用。每种角色都对军事手段的实施和应用有促进作用--在 "前线"，或在 "后方"。无人驾驶飞行器（UAV）提供了一个前线传感器和战斗能力的例子，这取决于其变体和有效载荷。致命自主武器（LAW）是使用人工智能技术作战的另一个例子。

直到最近，用于感知和战斗的人工智能技术是最常见的就业建议。然而，规划中的人工智能正开始作为 "第三次抵消战略"的一个要素重新出现，利用新兴技术来增强技术优势。从美国国防高级研究计划局（DARPA）的战略计算倡议开始，到当代的机器人和自主系统战略，美国国防部正在继续努力将技术融入军事行动。

DARPA战略计算倡议

美国国防部高级研究计划局（DARPA）于1983年制定了战略计算计划，作为资助和开发日益有效的人工智能软件的一种手段。该计划将智能机器作为一个由相互关联的子系统组成的单一问题来处理。通过大学和工业界的合作开发子系统，战略计算计划可以规划出这些系统与现有技术的连接和接口。从一开始，战略计算计划就有很高的雄心壮志；预测在计划结束时能实现完全自动化的机器智能，而这是在十年后。该计划试图分析和回答有关规划任务的支持或自动化的关键问题。研究后来发现，开发完全自动化的规划软件既不可能，也不被军方认为是可取的，但一个支持人类能力的系统是可行的。

这个时代的两个拟议的军事应用以专家系统和自然语言理解为中心。通过创建一个有能力解决问题、提供建议、预测并在狭窄的考虑范围内提供理由的专家系统，开发者试图为军事规划者创建一个知识体系。这种能力将与自然语言理解协同运作，使机器有能力理解自然语言作为一种交流界面。然而，20世纪80年代的计算机技术无法解释本地语言，也无法可靠地对该信息采取行动。相反，用户必须使用一种风格化的、正式的计算机语言和非常有限的关键词来向计算机发出命令。虽然当时的技术不支持这一概念，但这一努力所产生的对话将落实到其他具有意义的项目中。

DARPA后来与MITRE公司和卡耐基梅隆大学合作开发了动态分析和重新规划工具（DART），以分析智能规划系统的可行性。作为一个基于人工智能的决策支持系统，它在波斯湾战争期间被用来确定在世界各地运输军事物资的物流要求。美国运输司令部和欧洲司令部报告了这个项目的成功，因为它抵消了DARPA之前30年的资金使用。在接下来的20年里，这个项目将发展成为联合发展和执行助理（JADE），一个支持在最短的时间内（一小时）制定大规模、复杂的部署计划的规划工具。JADE与联合行动规划和执行系统（JOPES）对接，产生今天仍然使用的时间阶段性部队部署数据（TPFDD）。DART和JADE是非常实用的程序，因为它们使军事规划人员能够在问题发生之前就识别和预测。这些系统卸载了人类操作的认知任务，"提示 "这些规划者计划中的摩擦点。不幸的是，这些系统采用的人工智能水平高于操作水平，使战术规划人员无法使用它们。

ARES项目

美国陆军通信电子司令部（CECOM）进行了平行的努力，建立了ARES项目，这是一个使军团级规划者能够进行决策的助理系统。ARES项目是一项基础研究和探索性开发，调查1986年陆军军团级组织对人工智能方法和工具的应用。ARES的目标是展示一个基于人工智能的辅助系统，为未来的行动进行规划并控制正在进行的行动。使用地形分析、形势分析和行动方案生成工具，该系统以最大限度地提高人机界面为导向。这些能力支持了规划人员，减少了对紧张环境的认知压力。

然而，作战研究发现，当规划人员必须考虑具有不同能力的若干执行机构的同时行动时，人工智能规划理论有一个重大问题，即过于复杂。虽然ARES项目未能完成其最初的目标，但其对地形分析和士兵-机器互动的关注将未来的研究重点转移到智能系统上，刺激了XXI部队系统的创建。虽然这些系统是有用的，但它们只是提供态势感知，而不是人工智能系统所要的任务自动化。此外，这些系统为先进的电子战产生了一个可瞄准的信号，这是复杂战场的一个缺点。

第三次抵销战略

第三次抵消战略是一项克服对手均势、减少军事力量结构和下降的技术优势的计划。这项多年的努力为一系列的重点领域提供了方向和资金。这些领域包括反介入和区域拒止（A2AD）、制导弹药、海底战、网络和电子战、人机合作以及兵棋推演和概念开发。第三个抵消战略解决的主要问题之一是，美国有可能危险地落后于那些在先进技术上投入大量资金且没有自我约束的潜在对手。随着该战略继续在一个概念下调整目的、方式和手段，诸如机器人和自主系统战略等附属倡议有非常集中的努力来支持该战略。

机器人和自主系统战略

为了应对近似竞争对手的全球部队现代化努力，美国陆军在2017年制定了机器人和自主系统战略（RAS），在一段时间内对投资和能力重点进行优先排序。RAS有五个能力目标：提高态势感知，减轻士兵负担，维持部队，促进运动和机动，以及保护部队。该战略的重点是人机协作，也被称为 "有人-无人协作"（MUM-T）。这一概念将人与自主系统或人工智能结合起来，以提高决策速度--这是当代战场上急需的属性。这一战略应对了未来OE中的挑战：战场上行动速度加快，对手越来越多地使用RAS，以及竞争环境的复杂性扩大。

虽然这些目标是第三个抵消战略的一个子集，但它们提供了一个新的战术层面的重点。然而，这一战略需要在更高层次上的补充技术。例如，RAS建议增加营级及以下级别的无人驾驶飞机和地面系统的数量。然而，营级人员的班、排和连的系统的大幅增加可能意味着收集和处理的数据量的指数级增长。如果高层没有人工智能系统，师部工作人员将无法跟上同步行动的步伐。更糟糕的是，这些工作人员可能会在认知上被传输的大量数据所淹没，使他们无法有效管理整体作战环境。正如毛奇将军通过补充性的铁路运营官员（一种早期的人机合作形式）将铁路运输的复杂性引入到战争中，这一战略需要在更高层次上做出平行努力。

人机组队

人机合作是指系统和人的配对，以抵消两者的弱点。美国陆军的无人机系统和AH-64阿帕奇直升机采用了这种概念，称为人机合作（MUM-T）。通过这一过程，陆军AH-64阿帕奇飞行员能够在被认为对载人航空过于危险的环境中使用和控制无人系统。MUM-T使无人系统能够利用其优势、对峙距离和目标获取，以最大限度地发挥飞行员的优势、杀伤力和反应能力。这一概念可作为人工智能人机协作的基础。

在人工智能的范围内，人工思维和人类思维的配对就是这个概念。人类提供目标、创造力和道德思维，而人工智能头脑提供自学的经验、直觉和预测能力。这种能力存在于目前的人工智能技术中。例如，通过算法，AlphaGo系统击败了世界上最好的围棋选手，这个游戏估计比国际象棋复杂300倍。前面提到的深蓝所使用的技术，对于下围棋的计算机来说是不切实际的。因此，通过机器和人的合作，军方可以保持 "人在回路中"，同时获得提示性反应和加强对情况的了解的好处，类似于前面提到的阿帕奇直升机飞行员。

总结

综上所述，人工智能和军事应用的融合并不是一个新概念。不幸的是，在最初构想时，这种人工智能系统和人类规划者的愿望远远超过了那个时代的技术能力。计算速度和计算机科学技术在过去三十年中取得了指数级的进步。鉴于私营企业的进步，人工智能的使用成为一种社会规范，并扩散到日常生活的所有其他方面，在过去几十年里曾经被认为是不可思议的愿望现在可能即将实现。

6 研究方法

这项研究确定了MDMP从自动化中受益的地方，同时考虑到与这种行动相关的权衡。此外，军事决策过程在陆军总部的各级战争中都有使用，但基本分析将以陆军师为参考框架。在师一级，工作人员将足以通过各种规划范围管理多项规划工作。这项研究将首先对军事决策过程进行分析，研究一些步骤的具体投入和产出。然后，研究分析最相关的输出，以确定人工智能是否可以提供输出或增强人类工作人员的能力，同时也确定目前是否存在这种技术。该研究还将讨论在这些下属流程中获得成功的基本技术要求。本节还将探讨军事和商业应用中类似的现有技术。最后，研究将讨论在该过程中使用人工智能的权衡，提供与一些模拟过程的相似之处，这些过程随着人类对技术过程的日益依赖而萎缩。

7 分析

军事决策过程由七个步骤组成，整合了被称为作战功能的专业领域。MDMP有独立的输入和输出，能够增加对形势的理解。MDMP是陆军作战过程中 "规划"步骤的基础，随后是军事行动的准备、执行和评估。如下所述，每个步骤都有子过程，在人工智能技术的支持下，这些子过程可能更有效，也可能更及时。那些最好由人工智能支持的子流程如下：

接收任务

接到任务是MDMP的第一步。这一步涉及剖析上级总部的行动命令，同时使计划得以启动。它需要提醒工作人员和其他关键参与者，收集必要的工具，并对可用于规划的时间进行初步评估。接收任务还涉及到建立规划的计划--更广泛的陆军行动过程的一部分。通常情况下，师部工作人员在上级部门建立行动区域时进行平行规划，并将产出产品过渡到MDMP中使用。MDMP包含了陆军设计方法的要素（如作战方法），ADM过程的概念性需要人类的创造力和批判性思维。作战方法通过建立上级总部、作战、规划门路和敌方时间线之间的时间线来设定过程的节奏和轨迹。第一步的产出是指挥官对规划方法的初步指导和发布第一个警告命令。

图7. 任务协助计算（MAC）系统的图形描述。

在MDMP中，人工智能将利用认知计算方法为该过程提供补充支持，实现深度学习。正如任务指挥系统在MDMP第一步的 "收集工具 "子步骤中被准备和吸收一样，人工智能系统，任务协助计算或MAC，将被提供一个由高级总部行动命令/附件组成的精心策划的数据集。这个摄取过程将支持对第一步中产生的最新人员估计进行交叉分析，同时允许与用户互动，在系统的神经网络中建立更好的联系。使用由FM6-0和参谋部生成的预先格式化的警告令模板，系统会自动将来自上级总部的信息填充到警告令中。基于对联合和机构间系统冗余网络的渐进式访问，该系统将对信息进行关联，以便在MDMP的第二步与参谋部进行分析和讨论。(见图7)

任务分析

MDMP的第二步是任务分析。这是MDMP中最重要的一步，因为它定义了包含问题的环境背景。通过对形势的继续评估，任务分析确定了作战环境的框架，以产生问题和任务陈述，以及指挥官的意图，从而推动作战行动。如果问题陈述、任务陈述或指挥官的意图从一开始就没有被充分理解，任务成功的可能性就会大大降低。因此，每一个子步骤在计划中都是重要的和相关的。下面的插图讨论了这些子步骤。

在一个师的规划人员的 "整合单元 "中，无论是规划、未来行动还是当前行动单元，都会有来自每个作战职能小组的成员负责一个任务分析子步骤。在某些子步骤中，每个职能小组都需要审查、分析并向小组提交相关信息。例如，每个作战职能部门都必须识别、分析和评估上级指挥部下达的指定的、隐含的和基本的任务。通过其他子步骤，如战场情报准备（IPB），每个作战职能部门都要对各自的对抗职能进行分析（如友军火力资产与敌军火力资产），但情报作战职能部门负责管理这一过程。随着各职能小组在每个子步骤中的工作，集体产品在任务分析简报中向指挥官传达了结论（子步骤14）。研究人员选择了任务分析的第1-3、4和6个子步骤来整合人工智能。这些步骤是数据驱动的，为人工智能提供了最佳用途。

美国陆军，ATTP 5-0.1，4-6。

分析上级总部的计划或命令

在收到上级总部的行动命令和附件后，MAC将被加载数据。这一行动使系统能够在作战命令数据之间建立联系，为与用户结成伙伴式的理解做准备。当陆军规划人员需要信息时，MAC准备好提供答案，以及其回应背后的原因。例如，MAC会根据用户的要求提供高级指挥部的行动概念，以及在命令中发现的任何其他文本信息。随着用户对命令越来越熟悉，并需要参考整个附件中的具体措辞，MAC将能够根据要求提供页面和其他背景信息，从而使各梯队人员之间更好地同步。当信息发生变化时，MAC可以进行更新，并提醒下级参谋部注意这一变化，同时也将变化记录下来，供以后参考。随着任务分析进入战场情报准备（IPB），MAC在汇总有关环境的数据以帮助增强参谋部对形势的了解方面将是至关重要的。

实施战场的初步情报准备

战场情报准备（IPB）是分析敌人、地形、天气和民事因素等任务变量的系统过程，以确定它们对敌方和友方部队行动的影响。IPB通过事实和假设深入了解友方和威胁部队的互动。通过识别计划中的关键差距，IPB也推动了指挥官的情报收集工作。这些工作产生了情报知识，并进一步完善了行动图景，为指挥官提供了一个更强大的理解基础来做出决策。IPB包括四个步骤。界定作战环境，描述环境对作战的影响，评估威胁，以及确定威胁的行动方案。用于执行这些步骤的数据从广泛的来源收集。一旦策划的地理空间数据、敌方模型数据、基础设施数据和气候学数据被上传，这就允许MAC对数据进行汇编，并提供一些规划者无法立即看到的关联性。这种人机合作，或者说是拴住的自主权，支持工作人员通过迭代对话和伙伴式学习，对环境有更深入的了解。

与亚马逊Echo、Alexa或Google Home技术类似，MAC会回答有关其数据库内任何内容的问题。例如，"MAC，告诉我关于Atropia的人口中心"。该系统将提供有关人口的文化和人口属性的信息，以及其中的基础设施状况。通过查询近乎实时的社交媒体数据，该系统可以提供大气，从而为行动方案的规划提供依据（例如，敌对与中立的人类地形）。通过自然语言处理（NLP）和问题解答技术（QA），系统可以与用户进行对话，以促进更好的理解。在这些互动中，用户将完全控制对话，将对话从数据到信息再到理解的认知层次提升。在本研究中，人类和机器之间这种级别的对话在商业行业中存在。

美国境内的许多家庭已经部署了自然语言处理技术。这项技术的下一步发展是使系统能够提出探索性的问题，对用户的询问提供更好的答复。QA技术也是存在的，最新的例子是IBM的Watson，它利用这项技术赢得了Jeopardy节目。与任何系统一样，其改进在很大程度上取决于反馈，MAC也不例外。该系统将就提供给用户的答案征求反馈意见，作为互动的质量保证机制。这些反馈将使数据管理人在必要时对数据集进行调整，同时也对算法进行微调。

在IPB完成后，MAC将提供机动性数据以告知友好和敌对的COA。这将包括通过卫星图像分析和来自机构间来源的其他数据馈送的实时移动条件，这些属性在过去几年中通过人工智能进行了证明。随着规划的继续，除了向用户发出任何其他正式要求的警报外，MAC将提示规划者验证或证明是无效的假设。这种能力扩展了Project Maven所采用的现有技术，Maven项目是2018年部署在阿富汗的人工智能技术，用于支持图像情报（IMINT）的情报分析员。

用户和MAC将共同生成整个MDMP中使用最多的IPB产出，即事件模板、初始信息要求、决策支持矩阵和决策支持模板。在协助用户的过程中，MAC将提供建议的条目，以便进行编辑或完全修改。随着时间的推移和对已批准产品的观察，MAC将改进其对用户的建议，特别是对问题陈述和任务陈述的建议。

确定特定的、隐含的和基本的任务

任务是指由士兵、单位、组织完成的明确界定和可衡量的活动，可支持任务。特定的任务在上级总部的命令或指导中明确指出。隐含任务必须完成指定任务，尽管这些任务可能没有明确说明。最后，为完成任务必须完成基本任务。基本任务是特定的或隐含的任务，但在行动中始终是任务说明的一部分。参谋部必须找到、理解并说明每一项必要的任务，以便更好地计划和执行行动。

通常情况下，参谋部的规划人员会仔细研究上级总部的行动命令和附件，有时会超过50页的文本，试图找出与特定作战功能相关或涉及的任何任务。虽然这种方法很繁琐，但它可以提取任何可能对开展行动至关重要的特定和隐含任务。这种方法还能通过在指挥层之间产生澄清来加强工作人员的理解。然而，在更高的层次上，行动命令可能有几百页，并有许多附件，处理所有任务的能力可能是压倒性的。更糟糕的是，这个过程需要时间，很少有工作人员真正阅读所有的命令来理解，从而导致计划的失误。

使用文本扫描软件，MAC将扫描命令、附件和书面指导，以提供一个与被查询单位和作战功能相关的任务的综合。例如，一名维持计划人员会问："MAC，请从第十八军团第12-345号命令中提取与第一装甲师和维持作战功能相关的所有任务。" 然后MAC将显示结果，同时口头上提供任务数量的整体描述。在参考了所提供的源网页的维持计划确认后，相关的任务会填充到维持运行的估计中。这个过程同时在每个作战功能中反复进行，将工作人员的精力从无数个小时的阅读和搜索转移到分析和综合知识上，以便进行下一阶段的规划。

提出问题/任务说明

问题陈述提供了阻碍实现预期目标或目的的问题或障碍。尽管行政部门为问题的制定提供了参考，但任务分析的次级步骤为行动环境和行动问题提供了适当的框架。问题陈述帮助指挥官和参谋部制定解决方案以实现预期目标。

任务说明是描述组织的基本任务、目的和行动的简短句子或段落。根据单位的基本任务，参谋部提出任务说明供指挥官批准。上级总部的行动命令和指挥官的指导为一个单位的任务提供了信息，使任务说明变得公式化，从而可由人工智能程序计算出来。

虽然，人工智能有能力汇总、识别和回忆数据，但它仍然缺乏独立创建问题陈述所需的抽象思维能力。尽管如此，由于任务陈述是公式化的，使用单位指定和隐含任务的具体输入，MAC可以提出一个任务陈述。使用军事规划人员使用的相同方法，该系统将提供建议并不断接收用户反馈，从而通过深度学习技术实现长期改进。MAC还将有能力检查、分析和分类用户生产的产品之间的因果关系，允许其深度强化学习存储并为未来的应用产生建议。

发布警告令

该系统将能够根据任务分析简报中批准的数据和以前的警告令草案制作最新的警告令。用户将批准警告令草案的数据字段，根据需要为下属单位编辑任何信息。此外，系统将为未来行动命令（第7步）提供最新的输入数据，随着计划的制定和完善，更新数据字段。系统还将提示用户从上级指挥部处理的分片命令中获得新的信息。例如，如果上级指挥部批准了一个单位边界的改变以调和战斗空间，MAC将更新COA开发小组，并建议更新作战命令模板，提醒计划人员注意该信息和计划中受影响的部分。

行动方案的制定

行动方案的制定是为指挥官提供选择的方法。使用下属单位之间同步的战术行动，行动方案是对所确定的问题的广泛的潜在解决方案。行动方案的制定包括七个下属步骤：评估相对战斗力、产生选择、排列部队、制定一个广泛的概念、分配总部、制定行动方案和草图、进行行动方案简报。人类规划者仍然是完成这些步骤的主要代理人。今天的人工智能技术还没有展示出协调行动方案的能力，考虑到计划火力、同步情报资产和安排运动队列所需的细节水平。MAC将通过使用地形数据、气候数据和特定车辆的机动性数据，提供随时间变化的运动分析，来支持每个子步骤。这项技术类似于谷歌地图，但包含了一个更强大的算法，以考虑到跨国流动性、编队规模、移动走廊和车辆类型。来自MAC的分析将使时间线的准确性更加鲜明，并为整个计划提供更好的同步性。当计划人员为每个行动方案制定同步矩阵时，MAC将按作战功能将COA小组的投入填充到COA声明中，以实现协作。一旦选定的行动方案进入下一步，即战争博弈，MAC就会协助确定减员和随时间推移的相对战斗力。

行动方案分析（兵棋推演）

兵棋使指挥官和参谋部能够确定与所考虑的作战行动相关的困难和协调问题。通过对计划中的假设和行动进行现实测试，各组织可以预见潜在的风险、摩擦点以及会阻碍任务完成的行动（友军和敌军）。这一步也影响了指挥官对作战问题的理解，确定所提议的解决方案是否会带来所提议的最终状态。如果提议的作战行动方案不可行、不可接受、不合适、不完整或无法区分，那么作战行动方案将回到发展过程中进行完善。

通过这一步骤，MAC将提供两种功能。最重要的工作是为每个COA建立计算机辅助的模型和模拟。考虑到COA数据需要更新，这个方案非常耗费时间。用户必须验证从系统输入中收集到的数据（如总部、特遣部队组成等），以便正确地排列部队和作战计划。第二个功能的强度较低，涉及计算每次交战的结果。这个功能很重要，因为它提供了对一段时间内战斗力的分析。它还提供了对战术行动有效性的评估，保留了足够的战斗力以实现任务和期望的最终状态。MAC将考虑到技术武器数据；杀伤概率和车辆军备数据来提供结果。人类规划者仍将负兵棋推演方法和兵棋简报。这一步的产出将不涉及人工智能。

命令生产、传播和过渡

MDMP的最后一步是命令生产、传播和过渡。在这个步骤中，计划过渡到行动过程的执行阶段。第7步包括制作和传播行动命令、附件和附录。在这一过程中，工作人员负责核对由于疏忽或基本计划的变化而造成的规划差距。此外，参谋部还与上级指挥部进行联络，适当反映作战环境和军事计划的关键变化。每个作战职能部门都有一个指定的部分来完成作战命令，所有部分都必须确保集体产品的连贯性、全面性和完整性。在一个陆军师中，单元有一个指定的人负责编写作战命令的输入，同时还有一个指定的人将所有的部分编入最后的命令。

MAC，使用整个过程中的数据输入，将是在这个任务中执行的主要代理。例如，该系统将从批准的COA草图中读取COA声明，并将此文本作为行动部分概念的基础。由于系统摄取了上级总部的情况和行动概念的段落，它将提供这些作为对师部命令的建议，并在数据集中进行核算修订。

同样的活动将发生在每个作战功能的附件和附录中。此外，系统将对照已经提交的支持性文件审查新输入的数据，提示用户文件之间的差异或规划的差距，类似于一个更强大的拼写和语法检查，像Grammarly程序。一旦调和，用户将提交该部分，让指定的编译人员完成项目。被指定的汇编者将是批准、编辑和审查计算机上转写的数据的系统用户。这项技术是对谷歌应用目前所使用的智能回复技术的改编。使用能够编写电子邮件的深度神经网络，这种形式的人工智能分析电子邮件的内容，并应用一套复杂的编程规则来构建一个回复。人类没有参与这个过程；算法正在通过机器学习和接触内容继续处理自然语言。

随着MDMP的完成和订单的打包分发，MAC将继续支持工作人员，在附件和附录中推荐文本条目。随着整个行动过程中的变化，MAC将继续为集体工作人员提供提示，以便从更高的命令中进行修改。此外，随着后续MDMP的发生，MAC将建议对行动环境的演变进行修改。这种迭代过程将持续到该司部署完成，在这种情况下，数据集被分析并适应未来的系统。策划的数据集将被适当地分类细化，以考虑到以前用户的反馈，随着时间的推移创造一个更好的系统。

技术权衡

随着任何技术的使用，人类从根本上适应于更好地发挥其效用。人类与现今移动设备的互动和依赖最能证明这种认知适应。在尼古拉斯-卡尔的著作《浅滩》中，他讨论了由于我们与个人计算设备的互动，人类的注意力持续时间更短，专注能力受阻。随着人工智能和战役层面规划的融合，军事规划人员有可能变得依赖技术提供的速度和易用性。这种可能性类似于世界上对谷歌查找信息的依赖（速度和易用性）与深入思考和记忆信息的技能萎缩之间的相关性。在任何一种情况下，美国陆军都面临着规划人员在师级高度竞争和严酷环境中适应能力下降的风险。然而，使用退化的系统进行训练可以减轻这种风险。此外，规划人员在较低层次上仍将使用没有人工智能的MDMP，从而保留了模拟规划的技能。另一个风险是计划人员各梯队之间面对面的合作可能减少，因为系统以电子方式拉动和存档OPORD信息。这种影响类似于电子邮件通讯的增加和实际通讯的减少之间的关联。这些影响都是不可避免的，但并不严重妨碍军事规划的进行。事实上，这些风险是值得的，因为将人工智能整合到作战层面的规划中，可以提高效率、速度和准确性。

8 结论

人工智能比以往任何时候都更倾向于社会规范。这项技术几乎伴随着人类生活的每个方面。深度强化学习和专家系统技术的进步正在使私人企业激增。然而，美国军队只是见证了人工智能力量的一小部分。随着其他发达国家对人工智能技术的投资成倍增长，美国正在落后于创新曲线。如果不增加、逐步将人工智能纳入军事规划单元和作战规划团队，那么作战过程将不会对未来产生有利影响。此外，美国陆军站在见证一个战场，让我们的认知能力无法规划、准备和执行，适应使用MDMP的行动。

通过人工智能的能力来分析MDMP，这项研究确定了通过部分融合获得的潜在效率和积极表现。人工智能技术应逐步整合到陆军师级MDMP中，以发挥其能力。目前的人工智能技术可以支持MDMP的某些方面，但只有在为军事用途做了具体的调整之后。未来的研究应该调查目前在战斗环境中使用人工智能技术的陆军跨职能小组的扩展情况，以便将规划过程纳入其范围。最后，研究应该调查人工智能在所有作战功能中的好处。

成为VIP会员查看完整内容