如果海军陆战队要与近似对手竞争,海军陆战队必须将人工智能(AI)作为一种决策支持系统(DSS),以加快规划-决策-执行(PDE)周期,从而在认知、时间和致命性方面取得优势。

信息系统和监视技术正在改变战争的特点,使较小的部队也能分布和影响较大的区域。但是,目前的指挥、控制、通信、计算机、情报、监视和侦察系统(C4ISR)以及机器人和自主系统(RAS)都是人力密集型系统,会产生大量数据,海军陆战队必须迅速利用这些数据来提供可操作的情报。由于远征高级基地行动(EABO)要求部队规模小、分布广、复原力强,必须迅速做出明智决策,才能在各种不断发展和演变的威胁面前生存下来,因此这就存在问题。

使用数据分析和机器学习的人工智能处理、利用和传播信息的速度比人类更快。配备了人工智能 DSS 的 EAB 指挥官将以比对手更快的速度做出更明智的决策。然而,在实现这一目标之前,目前还存在着巨大的障碍。海军陆战队必须为 EABO 制定一个人工智能支持概念,并将其纳入海军作战概念中,充分确定人工智能工作的优先次序和资源,并为企业数据管理提供资源,以最大限度地利用数据分析和机器学习来发现数据库中的知识(KDD)。此外,海军陆战队必须利用美国陆军的人工智能实验和概念开发来实现多域作战(MDO)。最后,海军陆战队应确定当前可通过狭义人工智能加以改进的技术和作战领域。

引言

指挥、控制、通信、计算机、情报、监视和侦察(C4ISR)以及机器人和自主系统(RAS)技术的普及正在改变战争的特点,使较小的部队能够分布和影响更大的区域。然而,作战期间收集的数据正在迅速超越人类的认知能力。早在 2013 年,美国国防部就指出:"ISR 收集和......收集的数据急剧增加。我们继续发现,我们收集的数据往往超出了我们的处理、利用和传播能力。我们还认识到,就战术层面的分析人员数量而言,PED 的资源需求可能永远都不够"。

如果能迅速加以利用,C4ISR/RAS 数据将为指挥官提供战胜敌人的信息优势。但是,从这些来源获取及时、可操作的情报需要大量人力,而且必须通过人工手段对数据进行快速处理、利用和传播(PED)才能发挥作用。如果远征军要通过 C4ISR 与近邻竞争并获得竞争优势,这对海军陆战队来说是个问题。这些丰富的信息可以加快计划-决策-执行(PDE)周期,但如果不加以管理,就会使领导者被信息淹没,犹豫不决。必须采取相应措施,利用新技术实现数据自动化和管理。如果海军陆战队要与近似对手竞争,海军陆战队必须将人工智能(AI)作为决策支持系统(DSS),以加快 PDE 周期,从而在认知、时间和致命性方面取得优势。

本文旨在证明,利用人工智能技术可加快指挥官在其环境中的观察、定位、决策和行动能力。本文承认,但并不打算解决射频通信、信息系统和组织变革中出现的技术问题的重大障碍。本文分为四个不同的部分。第一部分重点讨论不断变化的安全环境和新兴技术带来的挑战,以及这些挑战将如何影响指挥官。第二部分讨论技术解决方案、决策模型,以及人工智能作为 DSS 如何为 EAB 指挥官创造认知、时间和致命优势。第三部分将在未来冲突中,在 EAB 指挥官很可能面临的假想作战场景中说明这种系统的优势。最后一部分重点讨论了实施过程中遇到的障碍,并对今后的工作提出了建议。

第 I 部分:新的安全环境和新出现的挑战

自 2001 年以来,海军陆战队在 "持久自由行动"(OEF)、"伊拉克自由行动"(OIF)和最近的 "坚定决心行动"(OIR)中重点打击暴力极端组织(VEO)和反叛乱战争。美国武装部队所处的是一个宽松的环境,有利于技术优势、不受限制的通信线路和所有领域的行动自由。随着 2018 年《国防战略》(NDS)和海军陆战队第 38 任司令官《司令官规划指南》(CPG)的出台,这种模式发生了变化,《司令官规划指南》将大国竞争重新定为国家国防的首要任务,并将海军陆战队重新定为支持舰队行动的海军远征待命部队。

为了支持这一新的战略方向,海军陆战队开发了 "先进远征作战"(EABO),作为在有争议环境中的濒海作战(LOCE)和分布式海上作战(DMO)的一种使能能力。EABO 为联合部队海上分队指挥官或舰队指挥官提供支持,在反介入区域拒止(A2/AD)环境中提供两栖部队,以获取、维持和推进海军利益,作为控制海洋的综合海上纵深防御。然而,EABO 对部队提出了一些必须考虑的具体挑战。这些挑战包括在所有领域与近似对手的竞争、对新兴技术的依赖、人员与能力之间的权衡,以及地理距离和分布式行动带来的复杂性。总的主题是如何通过在关键点上集成人工智能技术来克服这些挑战,从而增强指挥官的 PDE 循环。

处理开发传播 (PED) 问题

如果情报驱动军事行动,那么海军陆战队就会出现问题。如前所述,数据收集的速度超过了战术层面的处理、利用和传播(PED)过程。数据本身是无用的,必须经过组织和背景化处理才有价值。根据认知层次模型(图 1),数据和信息对形成共同理解至关重要。联合情报流程通过规划和指导、收集、处理和利用、分析和制作、传播和整合以及评估和反馈这六个阶段来实现这一目标。C4ISR/RAS 的扩散扩大了收集范围,但 PED 却没有相应增加。除非采取措施实现信息管理自动化,否则指挥官将面临信息超载和决策瘫痪的风险。

信息超载是指由于一个人无法处理大量数据或信息而导致的决策困难。 罗伯特-S-巴伦(Robert S. Baron)1986 年关于 "分心-冲突理论"(Distraction-Conflict Theory)的开创性研究表明 执行复杂任务的决策者几乎没有多余的认知能力。由于中断而缩小注意力,很可能会导致信息线索的丢失,其中一些可能与完成任务有关。在这种情况下,学习成绩很可能会下降。随着分心/干扰的数量或强度增加,决策者的认知能力会被超越,工作表现会更加恶化。除了减少可能关注的线索数量外,更严重的干扰/中断还可能促使决策者使用启发式方法、走捷径或选择满足型决策,从而降低决策准确性。

鉴于 Baron 的结论,C4ISR/RAS 将降低而不是提高战术指挥官的决策能力。笔者在担任海军陆战队作战实验室(MCWL)科技处地面战斗部(GCE)处长期间进行的研究证实了这一结论。2013 年,海军陆战队作战实验室 (MCWL) 开展了战术网络传感器套件 (TNS2) 有限技术评估 (LTA)。一个海军陆战队步枪连及其下属排配备了空中和地面机器人、地面传感器以及战术机器人控制器(TRC)。战术机器人控制器使一名操作员能够在白天或黑夜,在视线范围外同时控制多辆战车进行 ISR。MCWL 将这种 ISR 形式命名为多维 ISR(图 2)。LTA显示,使用TNS2的排级指挥官在防御、进攻和巡逻时都能迅速发现威胁,但LTA也发现了两个重大问题:1.在软件和机器人能够自主分析和关联传感器输入之前,海军陆战队员仍需收集和整理ISR数据;2.在中高作战压力下... 在中度到高度的作战压力下......操作人员会超负荷工作......无法探测和识别目标,并普遍丧失态势感知能力。

海军陆战队情报监视和侦察--企业(MCISR-E)正在通过海军陆战队情报中心(MIC)、海军陆战队情报活动(MCIA)与战斗支援机构(CSA)和国家情报界(IC)连接,纳入预测分析流程,以解决这些问题。通过海军陆战队情报活动(MCIA),MCISRE 解决了全动态视频(FMV)联合 PED 支持问题,并于 2017 年成立了全动态视频联合 PED 小组,该小组具有全面运作能力,每周 7 天提供 12 小时支持,费用由 14 名分析员和 3 名特派团指挥官承担。

虽然这是朝着正确方向迈出的一步,但由于人力需求量大,这可能证明是不够的。EAB 指挥官必须依靠地理位置相隔遥远的上级总部提供的、通过有争议的电磁频谱传输的情报成品。海军陆战队司令部的 MIX 16(海军陆战队空地特遣部队综合演习)实验结果证实了这一结论: "未来战争将在具有挑战性的电磁环境中进行,分布在各地的部队......从上级总部 "伸手回来 "获取日常情报援助的能力可能有限,而且无法依赖"。此外,在战术和作战层面增加更多的分析人员会导致循环报告,这只会加剧信息超载问题。

EABO/分布式作战 (DO) 困境

根据《EABO 手册》,EAB 必须 "产生大规模的优点,而没有集中的弱点"。美国陆军在 2016 年进行的实验表明,较小的单位有可能分布并影响较大的区域(图 3)。有人无人协同作战概念(MUMT)认为,采用纵深传感器、纵深效应和支援行动的部队可实现战斗力并扩大其影响范围。

然而,DO 和 EABO 是零和博弈。C4ISR 和 RAS 技术可以让部队分布得更远,但实验表明,规模经济会丧失。增加兵力将增加所有领域的需求。正如皮涅罗在 2017 年的一篇研究论文中总结的那样:"当部队分散时,就会失去指挥与控制、情报和火力等辅助功能的效率。"在后勤方面也是如此。这种 "DO 困境 "可以用以下经过修订的 "三重约束范式 "来表示(图 4)。随着部队的分散,一个领域的整合将削弱另一个领域的能力。如果 EAB 指挥官能在不增加 EAB 占地面积的情况下提高能力,就能重新获得规模经济效益。智能技术整合可以解决这一问题。

第II部分:融合技术、决策和概念

人工智能展示了解决 PED 问题和 EABO/DO 困境的最大潜力,同时为指挥官提供了对抗性超配。据审计总署称,"人工智能可用于从多个地点收集大量数据和信息,描述系统正常运行的特征,并检测异常情况,其速度比人类快得多"。由联合规划流程(JPP)提供信息的人工智能系统可以产生更快、更明智的 PDE 循环。如果海军陆战队想要实现 EABO,就不能仅仅依靠人类。相反,未来的关键在于如何利用人工智能来增强人类的决策能力。

决策和决策支持系统

研究表明,人类的决策并不完美,在复杂和紧张的情况下会迅速退化。人类的决策在很大程度上是凭直觉做出的,并在进化过程中不断优化,通过使用判断启发法(偏差)来防止认知超载。偏差是快速决策的捷径,它根据以往的经验和知识做出假设。36 偏差是一种快速决策的捷径,它根据以往的经验和知识做出假设。虽然这些决策已经过优化,但并没有参考因启发式方法而被否定的大量数据。由于这些决策都是基于以往的经验和现有的知识,人们在面对混乱的新情况时可能毫无准备。如前文所述,这对 EAB 指挥官来说是个问题。决策支持系统可以提供帮助。

决策支持系统可以是一个人用来提高决策质量的任何方法。海军陆战队营长利用其参谋人员和联合规划流程 (JPP) 提供专家判断来提高决策质量,而商业部门也越来越依赖于决策支持系统和人工智能来处理大量数据。在本文中,决策支持系统被定义为 "帮助用户进行判断和选择活动的基于计算机的交互式系统",也被称为基于知识的系统,因为 "它们试图将领域知识形式化,使其适合于机械化推理"。大多数 DSS 都采用西蒙的有限理性理论(Theory of Bounded Rationality)来建模,该理论承认人类在信息、时间和决策认知方面的局限性。西蒙提出了一个四步模型(图 5),包括:1.观察现实的智能;2.制定和衡量标准和备选方案的设计;3.评估备选方案和建议行动的选择;以及 4.根据信息采取行动的实施。4. 执行,根据信息采取行动,最后反馈到第一步。

指挥官决策的两个关键要素是选择活动和推理。选择活动,也称为选项意识,是指在某种情况下对不同行动方案或备选方案的认识。选择意识为指挥官提供了通往解决方案的不同途径。能够自主分析海量数据的 DSS 可能会揭示出以前不知道的选项。推理是一种逻辑思维能力。通过构建决策过程,数据支持系统可以不带偏见和感情色彩地对数据得出结论。一些研究表明,在现实环境中,简单的线性决策模型甚至优于该领域的专家。

DSS 有不同的类型,而类型决定了其性能和对人类增强的效用。智能决策支持系统(IDSS)是与作战行动最相关的系统,因为它使用人工智能技术和计算机技术来模拟人类决策,以解决实时复杂环境中的一系列问题。在本文中,它将被称为人工智能决策支持系统或 AI-DSS。它由一个数据库管理系统(DBMS)、一个模型库管理系统(MBMS)、一个知识库和一个用户界面组成,前者用于存储检索和分析数据,后者用于获取结构化和非结构化数据的决策模型。人工智能-决策支持系统结合了人类构建问题结构的能力,以及通过统计分析和人工智能技术来支持复杂决策的系统,从而压缩了 PED 流程(图 6)。

人工智能辅助OODA循环

约翰-博伊德上校(美国空军退役)被誉为机动作战条令及其相应心理过程模型的主要作者之一。通过对实验性战斗机的研究,他认识到 "错配有助于一个人的成功和生存,以及敏捷性和节奏之间的关系,以及如何利用它们使对手的感知现实与实际现实相背离"。为了解释这些不匹配,他提出了一个 PDE 循环,后来被称为 OODA(观察、定向、决定和行动)循环(图 7)。博伊德认为,谁能通过归纳或演绎推理更快地执行这一过程,谁就能获胜。通过将人工智能融入 OODA 循环,EABO 指挥官可以获得对敌决策优势。正如伯杰司令在其规划指南中所说:"在任何规模的冲突环境中,我们必须比对手更快地做出并执行有效的军事决策。

更好的信息和选择有助于做出更迅速、更明智的决策,同时减轻认知负担。EAB 部队将面临超音速和潜在的高超音速武器,这将使他们几乎没有时间做出充分知情的决策。EAB 指挥官将被迫利用大量有人和无人传感器平台感知威胁,并迅速确定行动方案。

人工智能辅助 OODA 循环(图 8)直观地描述了 EAB 指挥官如何借助人工智能技术做出决策。它将博伊德的 OODA 循环作为指挥官 PDE 循环的基础。这反映出指挥官是决策过程的中心,也是情报和决策支持的主要消费者。下一层是国家情报总监办公室(ODNI)的六步情报循环,用于将数据处理成情报。下一层是西蒙的有界理性模型,用于描述 AIDSS 如何嵌套在 EAB 指挥官的决策框架中。最后,使用狭义人工智能增强的外部代理被叠加以代表物理工具(如 RAS、武器系统、AI-DSS 和图形用户界面 (GUI))。在关键点集成狭义人工智能,以实现传感器操作和利用、数据和情报的 PED 以及武器使用的自动化,从而减少人力并压缩 PDE 周期时间,为指挥官创造可利用的优势窗口。

作战概念

由于 EAB 指挥官将在一个简朴、分散和资源有限的环境中工作,他必须重新获得在这些方面失去的效率,以超越对手。AI-OODA 循环将按以下方式解决问题。在执行任务前,指挥官进行任务分析/人员规划流程,以确定指挥官的关键信息需求(CCIR)(优先情报需求(PIR)/友军情报需求(FFIR))以及与上级总部意图相关的任务(作战空间的情报准备(IPB)、行动区域、任务、约束/限制等)。

在步骤 1. 观察阶段,指挥官收集有关作战环境、敌我态势和友军态势的数据,以验证 IPB 中的基准假设并更新态势感知。为此,将利用国防部云服务和配备计算机视觉和机器学习技术的无人系统提供的多源情报,自主分析环境,查找 CCIR。这些系统在收集和识别 CCIR 时,可根据威胁程度和排放控制(EMCON)状态采取两种行动方案:1. 从云和/或边缘 AI 平台(AI-DSS)分发/缩减信息;2. 限制通信并返回基地进行开发。从这一过程中收集到的数据将反馈到第二阶段--定向,以确定其意义和相关性。

在步骤 2. 在第 2 步 "定向"阶段,指挥官要对收集到的大量数据进行意义分析,以便做出适当的决策。随着数据池的不断扩大,第一步的输出结果必须由人工进行处理,这将耗费大量的时间和资源。如果处理不当,指挥官就有可能因信息过载而无法确定行动方案。研究表明,在面临信息超载等人类认知极限时,人们会使用次优的应对策略,从而导致认知偏差。第二步是当前流程中的瓶颈,也是人工智能辅助决策支持系统(AI-DSS)缓解信息过载和缩短 PDE 周期的理想场所。

AI-DSS 的优势在于它可以自主地以数字方式整合来自无限量来源的数据,包括多源情报、RAS、邻近边缘 AI 节点、开放源数据以及最终基于国防部云的服务,以生成决策辅助工具、预测性威胁预报或响应行动方案。通过监控这些来源,人工智能可利用 KDD 推断出模式和意义,以探测敌方意图,并在人工智能-OODA 循环的第 4 步中利用 F2T2EA(发现、修复、跟踪、瞄准、交战、评估)的杀伤链模型做出反应。与计算机网络防御(CND)中使用的技术类似,EABO 部队可以探测敌人的行动,将敌人的杀伤链指标与防御者的行动方针联系起来,并识别出将敌人的个别行动与更广泛的战役联系起来的模式,从而建立起陆基情报驱动的 SLOC(海上交通线)防御(IDSD),以控制当地海域。现在,他的情报系统已获得最佳数据,并辅以人工智能生成的行动方案 (COA),为第 3 步 "决定 "做好准备。

在步骤 3. “决定”步骤中,指挥官现在可以决定采取何种行动方案来实现预期结果。AI-DSS 可以推荐 COA、确定成功概率并建议后续行动或对手行动。通过图形用户界面,她的决定可以在整个梯队中传达,并传递给 RAS 平台,从而在分布式作战空间中形成一个综合的有人无人团队。

在步骤 4.“ 行动”中,指挥官正在执行任务,并利用反馈机制为其下一个决策周期提供信息,该决策周期已通过综合通信、火力和指挥控制网络进行了沟通,以确定可用和适当的武器系统。人工智能 OODA 循环将循环往复地进行下去,直到指挥官达到预期的最终状态或情况不再需要采取战术行动。通过利用人工智能作为 DSS,指挥官实现了以下目标:

1.融合--在梯队中快速、持续、准确地整合来自所有领域、电磁频谱(EMS)和信息环境的内部和外部能力;

2.优化 - 在正确的时间,以最有效和最高效的方式,向正确的目标提供效果的能力;

3.同步--将态势感知、火力(致命和非致命)和机动结合起来进行渗透和利用的能力;以及

4.感知和行动速度--在冲突的各个阶段都能识别和直观地看到导致领域优势和/或挑战的条件,并采取相应行动;

确信所有数据点都以不偏不倚的方式加权,且周期速度快于敌方。

第 III 部分:关于人工智能辅助 EABO 的小故事

本节将通过一个小故事来解释人工智能-OODA 循环系统在未来冲突中如何运作,从而将前面讨论的主题结合起来。本节旨在从概念上向读者概述如何使用该系统、它能解决哪些挑战以及它能创造哪些机遇。

第 IV 部分:障碍和建议

有几个问题不是本文的主题,但却是接受和开发 AI-DSS 的重大障碍。将精力和资源集中在这些领域将激发行业解决方案,并协助海军陆战队制定必要的政策、程序和战术,以实现这一概念,并使海军陆战队与国防部的人工智能战略保持一致。

第一个问题是 EABO 的人工智能支持概念。如果对问题没有清晰的认识,海军陆战队就无法在技术、培训和实验方面进行适当的投资。一个可以考虑的途径是与美国陆军合作。2019 年 8 月,陆军未来司令部发布了《2019 年未来研究计划--人工智能在多域作战(MDO)中的应用》。MDO 是联合部队的一个概念,海军陆战队可以轻松嵌套在远征梯队中。这项研究通过战争游戏得到加强,概述了在 A2/AD 环境中建立人工智能能力的要求、优势/劣势和作战案例。

第二个问题是海军陆战队人工智能的资源配置。国防部人工智能战略的美国海军陆战队附件在 MCWL 设立了人工智能利益共同体(COI)和人工智能处,以确定人工智能工作的优先顺序和同步性,并制定海军陆战队人工智能战略。这是一个良好的开端,但还不足以满足人工智能运作所需的资源。海军陆战队必须利用美国陆军在多域作战中开展的人工智能工作的范围和规模,加速技术成熟、实验和部队发展。军事、战争和后勤部人工智能有限技术评估应重点关注人工智能-DSS 如何能够实现、改进或完全修改与 ISR-Strike、C2、维持和部队保护相关的任务执行。2020 年有机会与陆军人工智能任务组 (A-AITF) 就其 20 财年人工智能操作化研究计划开展合作。

第三个问题是企业数据管理。国防部在汇集数据并将其组合成可用的形式方面举步维艰。为了解决这个问题,国防部数字化现代化战略要求提供企业云数据服务,也称为联合企业防御基础设施(JEDI)。司令还认识到海军陆战队在数据收集、管理和利用方面的不足,以促进更好的决策。机器要进行 KDD,必须有大量可用的数据集。海军陆战队必须以人工智能-DSS 和其他深度学习技术能够利用的方式构建其数据,以获得业务收益。

第四个问题是对人工智能技术的信任。根据美国政府问责局的说法,人工智能正在接近第三次浪潮,但并非没有严重障碍: "第三波人工智能的一个重要部分将是开发不仅能够适应新情况,而且能够向用户解释这些决策背后原因的人工智能系统"。目前的深度学习方法具有强大的分析能力,但有时会产生不寻常的结果。要让指挥官信任并在军事行动中使用 AI-DSS,就必须具备解释人工智能如何得出答案的能力。可解释的人工智能是国防部和商业部门共同关注的问题,而商业部门正在牵头研究可能的解决方案。53 可解释的人工智能是国防部和商业部门都关注的问题,而商业部门正在引领可能的解决方案研究。了解为什么会做出好的或坏的决策,会让人对技术产生信任,这对军事行动至关重要。

第五个问题是边缘计算,即 "将计算能力下推到数据源,而不是依赖集中式计算解决方案"。这是必要的,因为电磁频谱将受到争夺,机器将无法依赖一致的通信和基于云的计算。数据网络架构将需要重组,以便变得更加分散,并可抵御灾难性损失,每个边缘设备都应能够与相邻节点进行网状连接和通信。在实践中,数据连接将根据威胁环境从完全连接到拒绝连接的滑动范围进行。这样,AI-DSS 就能对本地收集的数据进行快速、实时的 PED,为 EAB 指挥官的决策周期提供支持。此外,国防部必须在战术边缘提供基于云的服务,并采用 5G 数据传输速率,以机器速度和低延迟充分利用人工智能和 RAS。同样,这也是与美国陆军在多域作战方面的合作领域。

第六个问题是,这在以前已经尝试过。2002 年,美国国防部高级研究计划局(DARPA)创建了 PAL(个性化学习助手)计划,作为一种认知计算系统,它可以通过学习来协助用户完成任务,从而做出更有效的军事决策。其主要目标之一是减少对大量人员的需求,从而使决策更加分散,不易受到攻击。PAL 的一些功能包括将多源数据融合为单一馈送,这些功能已过渡到苹果 Siri 个人助理和美国陆军的未来指挥所 (CPOF) 计划。笔者无法获得有关 PAL 计划局限性的详细信息,但陆军认识到远征决策支持系统的必要性,目前正在精简 CPOF。指挥所计算环境(CPCE)将多个环境整合为一个单一的用户界面,整体重量从 1200 磅减至 300 磅,主要用于移动作战。这是朝着正确方向迈出的一步,也是陆军和海军陆战队的潜在合作领域。

最后,MCWL 应研究在 RAS、计算机视觉、机器学习和数据分析方面的狭窄人工智能领域,这些领域可立即应用于减少指挥官的认知负荷。

结论

当前的 C4ISR/RAS 是劳动密集型的,会产生大量数据,必须迅速加以利用,才能为海军部队提供可操作的情报。使用数据分析和机器学习的人工智能可以比人类更快地处理、利用和传播信息。配备了人工智能信息系统的 EAB 指挥官将以比对手更快的速度做出更明智的决策。然而,在实现这一目标之前,目前还存在着巨大的障碍。展望未来,海军陆战队必须制定一个与海军作战概念相匹配的海军陆战队作战概念,对人工智能工作进行充分的优先排序和资源配置,对企业数据管理进行资源配置,以最大限度地利用数据分析和机器学习来发现数据库中的知识(KDD),并利用美国陆军的人工智能实验和概念开发来实现多域作战(MDO)。此外,海军陆战队应确定当前可通过狭义人工智能加以改进的技术和作战领域。

海军陆战队不能再依赖过时的决策支持系统和信息管理方法来进行战术决策。随着友军和敌军利用技术获取战术利益,指挥官的信息负荷将继续增加。人工智能决策支持系统可以解决这个问题。军事指挥与控制发展计划》(MCDP 6)指出了这一点的必要性:"无论时代或技术如何发展,有效的指挥与控制都将归结为人们利用信息做出明智的决定和行动....,衡量指挥与控制有效性的最终标准始终如一:它能否帮助我们比敌人更快、更有效地采取行动?

成为VIP会员查看完整内容
196

相关内容

人工智能在军事中可用于多项任务,例如目标识别、大数据处理、作战系统、网络安全、后勤运输、战争医疗、威胁和安全监测以及战斗模拟和训练。
《探讨未来军事技术的可能性》美国陆军2022最新52页报告
专知会员服务
85+阅读 · 2022年12月28日
《作战层面的人工智能》美国海军学院32页报告
专知会员服务
195+阅读 · 2022年12月17日
国家自然科学基金
267+阅读 · 2017年12月31日
国家自然科学基金
10+阅读 · 2015年12月31日
国家自然科学基金
25+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
34+阅读 · 2014年12月31日
国家自然科学基金
3+阅读 · 2014年12月31日
国家自然科学基金
3+阅读 · 2014年12月31日
国家自然科学基金
41+阅读 · 2011年12月31日
A Survey of Large Language Models
Arxiv
362+阅读 · 2023年3月31日
Arxiv
10+阅读 · 2020年11月26日
VIP会员
相关VIP内容
《探讨未来军事技术的可能性》美国陆军2022最新52页报告
专知会员服务
85+阅读 · 2022年12月28日
《作战层面的人工智能》美国海军学院32页报告
专知会员服务
195+阅读 · 2022年12月17日
相关资讯
相关基金
国家自然科学基金
267+阅读 · 2017年12月31日
国家自然科学基金
10+阅读 · 2015年12月31日
国家自然科学基金
25+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
34+阅读 · 2014年12月31日
国家自然科学基金
3+阅读 · 2014年12月31日
国家自然科学基金
3+阅读 · 2014年12月31日
国家自然科学基金
41+阅读 · 2011年12月31日
微信扫码咨询专知VIP会员