《远征先进基地作战模型中的人工智能性能和行为分析》最新95页

本文旨在分析人工智能（AI）在远征先进基地作战（EABO）中的应用，重点是作战和后勤行动。使用 Atlatl 作为模拟引擎，在模拟待命部队在两栖环境中分布式作战所面临挑战的场景中测试了多个智能体。测试了每种人工智能在军事行动临界值以下开展维持行动的能力，以及在越过临界值时抵御两栖攻击的能力。就脚本智能体而言，事实证明，根据联合作战方法对行为进行调整可创造出生存能力更强的人工智能，同时保持其杀伤力水平。就建立在神经网络基础上的智能体而言，由于问题的规模和范围，其性能受到了限制，可能需要进行更多的研究才能显示出显著的效果。这项研究是继续开发 EABO 概念的探索工具，可为继续完善操作概念提供反馈。

本文属于建模、虚拟环境和模拟领域。具体来说，它分析了在作战模型和模拟中使用人工智能（AI）来评估未来潜在冲突场景中的作战概念。战争游戏和模拟为行动的发展提供了宝贵的反馈，检验了我们对特定场景下所面临的环境和挑战的理解。2019 年，美国（U.S. ）海军陆战队（USMC）发布了新的指南--指挥官规划指南，将重点转向围绕中国在南太平洋带来的挑战而开展的防御工作，从而提出了远征先进基地行动（EABO）的概念（Berger，2019 年）。随着重点的转移，有了一个新的机会，可以对我们的概念和想法进行兵棋推演，评估那些能提供最广阔成功之路的概念和想法。

在军事领域，兵棋推演的目的是对想法进行分析，找出行动方案的优缺点，进一步完善最终方案。通过在 EABO 兵棋中引入人工智能，可以对概念进行更深入的分析，从而在行动发展过程中获得更精细的反馈。一旦捕捉到这些数据，对其进行研究就能进一步促进对 EABO 的探索，检验我们对过去和未来军事模拟在同一领域的判断，并提供信息，帮助围绕 EABO 和其他目标行动继续开发人工智能能力。具体来说，通过了解现有人工智能体在场景驱动模拟中的行为，我们可以评估和推断人工智能可能如何应对更广泛的模拟（围绕一个主题场景提出类似的挑战），以及如何改进人工智能以更好地在其中使用。