《人工智能支持的军事决策过程》（含案例分析）美国陆军2022.12最新报告【译文】

（图：作家兼战略家彼得辛格（左）于 2018 年 11 月 1 日在一个未命名的空军设施与一名军官和一名国防部文职人员讨论新技术。人工智能和脑机接口等进步将改变陆军作战的方式。）

长期以来，决策一直是战争的核心。最近，战争的节奏、规模、不透明性、非线性和连通性的增加对当代决策过程提出了越来越多的挑战。在未来，这种变化将同时增加及时和有效决策的重要性，同时进一步加剧许多指挥官的认知和决策挑战。指挥官将寻找结构不良、高度复杂的问题的解决方案，这些问题延伸到空中、陆地、海上、信息、网络和空间这六个领域。随着新技术和新应用的实现，未来的事态对复杂性构成了潜在的增长，并将以指数级的速度增加。人类的学习，甚至是最老练的指挥官的直觉能力都无法跟上不断变化的战争特征。要想把赢得战斗的洞察力带到未来，必须对人类的认知、决策过程进行改进，或对其进行增强。

决策能力和现有支持的割裂造成了分析性决策过程、指挥官的直觉和有效决策之间日益扩大的能力差距。当前和未来的环境表明，有必要开发更加灵活的决策支持工具，以阻止这种差距，并为指挥官重新获得决策优势。在一个不透明和复杂的环境中有效地预测未来几场战斗的能力将是成功的关键。同时，在一个能够迅速使以前的计划失效的动态环境中，理解并首先做出反应的能力对于夺取和保持主动权至关重要。

复杂性科学和混沌研究已经与类似的问题进行了斗争，并为军事指挥官的突发挑战提供了相关的见解。计算机建模和人工智能（AI）方面的工作已经取得了巨大的进展。在许多游戏中，计算机已经超越了人类的决策能力。

从人工智能的主导地位中适应和发展，国际象棋中的人机团队已经达到了决策的新巅峰，将提前数个回合评估未来动作的算法的卓越战术与人类的战略能力相结合。目前美国与人工智能和决策有关的国防努力似乎集中在大数据和数据分析上。然而，如果没有一个改进的军事决策框架，就不能利用预测性分析。否则，增加的数据和分析只会加剧理解日益复杂和动态的作战环境的挑战。

军事决策过程（MDMP）虽然在分析上是合理的，但其结构并没有跟上未来环境的步伐。冲突的速度将超过工作人员处理分析贡献的能力。

用人工智能对MDMP进行修改和增强，将创造一个过程，以更快的速度产生对环境的理解，并以物理信息的框架为基础。行动方案的制定将不会像现在这样，从一个理想的最终状态向后发展，在理论上运用方法和手段来创造一个想象的未来。由人工智能支持的MDMP将从当前状态向前工作。它将通过友军和敌军决策树的可能分支向前探索，走向各种环境和敌军的行动路线，通过最小化风格的决策树，将其作为适应性代理来实现。替代行动的未来将通过可行性的出现来建立，并通过优化作战功能的贡献来完成，固有的区别，然后由人机团队的人类部分来判断是否合适和可接受。重新设想的人-机MDMP将与未来的操作环境保持同步，通过以接近机器的速度操作来保持相关性，使人能够在日益浓厚的战争迷雾中获得卓越的视野。

指挥官虽然得到参谋部的支持，但最终还是利用自己的能力进行决策。当指挥官在进行问题解决以制定对其工作人员或下属的指导时，他们基本上是在进行 "手段-目的分析，这是一个寻找手段或步骤的过程，以减少当前情况与预期目标之间的差异"。即使是直觉，即对一个事件或数据的突然有洞察力的解释，也以类似的方法发挥作用。"尽管表面上突然闪现的洞察力似乎产生了问题的解决方案，但研究表明，人们在解决洞察力问题时使用的思维过程最好被描述为一种渐进的、手段-目的的分析。" 领导者认识到相似性，并将其与个人和所研究的历史联系起来，从而获得洞察力。心理学家、经济学家和诺贝尔奖获得者丹尼尔-卡尼曼（Daniel Kahneman）用这样的描述来解释内部的、经常是半意识的过程："产生印象、直觉和许多决定的心理工作在我们的头脑中默默地进行"。数学物理学家、科学哲学家和诺贝尔奖获得者罗杰-彭罗斯描述了一种无意识的思想发展和对这些思想的有意识判断。

MDMP有一个类似的、不亚于人类的动态。参谋部通过行动方案（COA）的制定产生备选方案，并由指挥官决定。然而，在行动方案的制定过程中，正如在手段-目的推理中一样，用于简化计算的启发式方法以及一些神经心理学上的缺陷，限制了选择并注入主观性。归根结底，目前MDMP内部的COA开发过程仍然需要大量的头脑风暴来解决。

与主观开发选项形成对比的是基于衡量和计算的选项开发，而这一过程将由人工智能支持的程序执行。通过一些基于现有信息和过去冲突的数据的计算，可以对比出AI赋能的MDMP会提供的建议。

对2008年俄格战争期间的决策和计划进行评估，在与历史上的决策、行动和结果进行对比时，可以深入了解人工智能驱动的MDMP的好处。以下是人工智能驱动的MDMP背后的逻辑和过程。

俗话说，如果情报是用来推动机动的，那么对战场的情报准备的产出必须作为COA发展的起点，使友军COA的创建能够实现对对手的不对称，并执行对对手行动最有利的行动。

从对敌方力量的评估中，可以根据具体的任务变量来确定所需的友军力量。要做到这一点，需要一种衡量对手战斗力的方法。有许多复杂程度不同的方法来确定一个代表战斗力的数值。

人工智能程序可以使最繁琐的系统变得可行，所以它不像参谋部那样受到复杂性的限制，特别是在时间有限的时候。虽然这个例子使用了战区分析模型（TAM），但TAM并不是重点。指挥官、参谋部或学说推荐的任何东西都可以使用。

在2008年俄格战争爆发前，俄罗斯部队在北奥塞梯驻扎。这些部队可以按地点转化为战斗力值。例如，在马米森山口附近的俄罗斯部队可以按其组成部件进行统计，如人员、T-72主战坦克、2S3自行火炮和BM-21多管火箭炮系统。

图 1. 俄罗斯军队战斗力计算

图1中显示的战斗力范围可以告知所需的战斗力，这些战斗力来自于格鲁吉亚部队的位置，用蓝色矩形标注，以便在各种可能的情况下击败这支俄罗斯部队。图1中描述的两种情况是俄罗斯使用西面的马米森山口或东面的罗基隧道（带箭头的红线）。

与战斗力计算一样，从计算机建模中得出的计算结果可以用来预测基于部队和手段的相应相关性的伤亡。在这里使用的算法中，战斗力是根据地形和任务类型对每种能力或系统进行调整。一旦对战斗力进行了调整，该模型描述了在部队比例为1:1时的伤亡分布情况，有一条非线性曲线，在战斗力比例大约为4.4:1时趋于平缓，显示了一个粗略的收益递减点。这种计算方法不能提供 "任务成功 "的百分比机会，但可以提供预期战损和伤亡的迭代，显示双方的战斗力如何随着时间的推移而受到影响。必须对将导致失败或撤退的战斗力损失做出假设，但这是一个很好的例子，说明人类的洞察力可以被迫提供具体的情况。从这些计算中出现的洞察力的开端是，1:1的比例仍然是消耗性的，而2:1的比例有可能在两次反复中增长到2.4:1然后是4.5:1。这就形成了一种机制，在时间上寻求有利的战斗比例，可以决定性地改变平衡。这不是一个水晶球，而是现有的最佳估计，能够由工作人员有条不紊地进行，或由程序以机器速度进行。由于战争是一种明显的人类努力，因此可以将士气或本例中未包括的其他因素纳入到额外的修改因素中。这种对战斗力随时间推移的理解提供了一个关键的洞察力，并可以为部队分配的决策提供参考。在这一点上，可以产生一个对应于特定地点的友军的有利战斗力要求。图2强调了格鲁吉亚部队如果在俄罗斯入侵路线上的起伏地形中进行防守时的理想战斗力。

随着南奥塞梯局势的升级，格鲁吉亚总统米哈伊尔-萨卡什维利于2008年8月7日为军队确定了三个目标。他指示他们 "第一，阻止所有军车从俄罗斯通过罗基隧道进入格鲁吉亚；第二，镇压所有攻击格鲁吉亚维和人员和内政部岗位或格鲁吉亚村庄的阵地；第三，在执行这些命令的同时保护平民的利益和安全"。正如格鲁吉亚国家安全委员会秘书亚历山大-洛马亚后来所证实的，"我们行动的逻辑是解除茨欣瓦利郊区的射击阵地，并试图通过绕过茨欣瓦利，尽快向罗基隧道靠近"。这一指令和支撑格鲁吉亚军事反应的逻辑为本文中继续发展人工智能的COA提供了一个有益的对比。

图2. 兵力比的正反馈循环

前面分析的图1中的俄罗斯部队是后来试图通过罗基隧道进入格鲁吉亚的第一梯队部队。被描述为向格鲁吉亚部队和村庄开火的部队在茨欣瓦利附近活动，由奥塞梯人组成，由俄罗斯和奥塞梯 "维和 "营协助，人数增加到830人，大约300名雇佣兵，以及更多的大炮。由于他们有相当多的步兵，不同的任务，以及从茨欣瓦利城市中心仓促防守的地形，通过以前使用的相同方法，他们的战斗潜力被计算为60。

谈到格鲁吉亚部队和继续发展他们最有利的行动路线，格鲁吉亚第二、第三、第四和第五步兵旅以及戈里的一个单独的坦克营的战斗力和位置，作为计算的起点。他们与俄军的距离和旅行时间，或关键地形，都可以计算出来。将这些信息与之前概述的俄罗斯部队和之前讨论的兵力比例知识结合起来，就可以利用目标编程，从数学上优化从每个格鲁吉亚地点到罗基隧道或茨欣瓦利的战斗力，以满足有利的兵力比例，同时最大限度地减少总的旅行距离，从而最大限度地减少时间和后勤要求。

图3. 战斗潜力优化Python计划的结果和建议的第4旅的分步任务组织结果

图3左上角的优化程序结果显示，格鲁吉亚的战斗力分配足以达到2:1的兵力比，以对抗进攻的俄罗斯部队。对于第4步兵旅，建议在各目标之间分配战斗力，后续的优化程序是按作战功能确定各目标的不同作战系统的数量，如图3右上方所示。其结果是以理论为基础的理性选择解决方案，并通过在后期MDMP的COA分析步骤中为裁决战争游戏而保留的计算类型形成。人工智能支持的MDMP所实现的是使用详细的分析来告知行动方案的最初发展，防止未来对次优COA的路径依赖。

这种输出就像分析数据以创造信息。合并这些信息的组成部分可以创造出知识，指挥官或参谋部可以对其运用智慧。这种方法不是像直觉所注入的那样拥有不可解释的因素，而是可以解释的，并且可以在指挥官的具体规划指导下进行修改。在这种情况下，装甲、步兵和炮兵在进攻和防守中的有效性，以及丘陵和城市地形，都被纳入优化的考虑范围，输出结果将炮兵优先送到罗基隧道。这一建议，虽然源于算法，但遵守人类的军事判断，认识到在城市中使用火炮的相对困难，以及步兵的相对优势。毫不奇怪，行动后的审查指出，格鲁吉亚的炮兵在丘陵地带对付前进中的俄罗斯纵队是有效的。

同样，在这种修改中，通常为COA分析的后期步骤保留的计算类型被应用于COA的最初发展。正如加里-卡斯帕罗夫所描述的与计算机合作的好处一样，人类也可以将作战艺术应用于已经纳入科学的概念。

许多计算可以被整合到程序中，以减少认知负担，让工作人员进步到更高层次的人工分析，其中一个例子就是时间。对于建议的每条路线，可以进行计算，根据车辆数量和其他变量确定更准确的时间。

将上述初级人机开发的COA的输出与格鲁吉亚国家安全委员会对其一般行动方案的阐述相比较，突出了人工智能支持的MDMP可以提供的优势。人工智能的建议将一支更强大的格鲁吉亚部队引向罗基隧道，同时向茨欣瓦利投入部队。很可能更早和更多地将部队投入到罗基隧道附近的防御中，会极大地扰乱已经被渠化的入侵俄罗斯部队，并阻止他们将火箭系统移到茨欣瓦利的射程内，并通过隧道将弹道导弹炮组进一步嵌入格鲁吉亚，这对俄罗斯人来说是决定性的。

到目前为止，修改后的方法已经建立了一种发展 "下一步行动 "的方法，其基础是对友军和敌军战斗力的理解，这种战斗力如何受到任务类型和地形的影响，以及部队在移动和机动接触中的时间关系。地面部队的这些例子必须自然延伸到所有领域的战斗力和效果的应用。这种技术能够同时分析各个领域，并为跨领域效果的整合提供一个机制。近距离空中支援的架次可以被整合到地面领域，以便在地面战斗的关键地点和时间提供更好的战斗力比率。此外，在进行空对空作战计算时，可以将地面防空资产纳入空对空计算的因素。图4显示了通过罗基隧道进攻的俄罗斯地面部队和推荐的格鲁吉亚地面部队的战斗力，另外还强调了如何将俄罗斯的苏-25战斗机或格鲁吉亚的SA-11系统纳入其中。这为在领域内和跨领域进行的作战行动创建了一个多维框架，并提供了一种同步汇合的方法。当一个领域的条件发生变化时，对其他领域和行动的影响可以在开始大大超过工作人员计算的复杂程度上进行。

随着核心COA的制定，每个作战功能的最佳整合可以通过算法来确定。例如，有了通往目标的路线和距离，以及燃烧率和其他规划因素，可以计算出支持概念的要素。

这个例子表明，有能力在多个领域整合所有作战功能的规划。有了充分的细节说明COA的完成和广度，现在可以把解释转向深度。为了在作战层面创建一个在时间和空间上都有深度的COA，它必须提前预测几个交战，以实现相对优势的位置，并寻求实现转化为成功的失败机制。而之前的过程主要是将现有的军事理论或学术研究进行算法连接的创造，它们很难实现超越即时决策的飞跃，并创造出作战艺术。对于这一点，现有的人工智能提供了适用的例子。

国际象棋人工智能中使用的基本微分法对所有棋盘上的处置方式提前两步进行打分，包括行动和反应，然后根据程序对分数进行比较，分数最差的那个选项被修剪掉。在排除了未来两步棋中最差的选项后，剩下的最佳选项被选中。修剪和消除的过程可以防止出现这样的情况：人们可以在最近的一步棋中拿下一个低价值的棋子，但在下一步棋中又会失去一个高价值的棋子。该算法基于每一步后续棋重复这一过程。在许多程序中，该算法会分析更多的未来棋步，以指数形式增加棋盘的处置，以评估和排列潜在的棋步。为了简化计算机的计算，一个被称为阿尔法-贝塔修剪的过程可以在明确它们不会是最佳选择时删除分支，并停止评估它们。根据已经证明的根据力量和手段的相关性来评估军事编队的能力，可以看到即使是简单的国际象棋人工智能方法也可以成为发展作战艺术的基础。

图4. 多域COFM框架

当使用决策树和国际象棋人工智能的最小算法时，程序会对棋盘上的大多数或所有的替代性未来进行评估，并产生一个可比较的值。俄罗斯军队最初从西边的马米森山口进攻，而不是从东边的罗基隧道进攻，就是一个选项的例子。这将产生一个不同的动作，格鲁吉亚部队需要对此作出反应。除了国际象棋人工智能中棋子的总价值外，还经常使用位置的修改器。对每一方的剩余棋子进行估值的方法在概念上类似于之前用于分析俄罗斯和格鲁吉亚部队的战斗力的TAM计算方法。而不是单个棋子的价值，将考虑军事编队的战斗力。这种机制设计起初似乎是以消耗为重点，保留友军的战斗力，消除对手的战斗力，并根据价值来确定优先次序。从一开始看起来非常机械的东西中出现的显著特征是在时间和空间上创造和连接有利的力量比例，实现不对称性，以大量消耗对手并保存友军的战斗力。简而言之，它创造了作战艺术。

当以这种方式对格鲁吉亚的多个行动方案进行比较时，就会出现与图3中描述的不同的行动方案。由于通往罗基隧道的旅行时间的变化，以及对交战的预测是如何沿着各自的决策树展开的，因此确定了对通往罗基隧道的部队的改变，如图5所示。

当人工智能支持的COA开发过程继续向前搜索时，在Troitskye的俄罗斯第503摩托步枪团（MRR）和在Khankala的第42摩托步枪师和第50自行火炮团被确定为需要考虑的俄罗斯作战力量。以最小的方式，在最初决定在罗基隧道和茨欣瓦利之间分配部队之前，沿着决策树进一步考虑这一事件。一旦理解了时间上的力量以及二阶和三阶效应，就会发现一个非直觉性的决定，即与戈里的坦克营和第比利斯的第4旅一起向罗基隧道进攻，这是由于预测到俄罗斯第二梯队部队在未来的行动。

图 5. 俄罗斯-格鲁吉亚联合决策树和进化

如图3所示，如果俄军同时开始行动，格鲁吉亚部队的原始部署无法及时赶到罗基隧道进行防御。然而，当动用哥里的坦克营或第4步兵旅时，一支有利的部队能够在迪迪古普塔或爪哇附近进行防御，使俄军在山丘上保持渠化，有足够的战斗力来预测俄军的进攻会被击败。这种防御可以抵御俄军第二梯队的第503摩托化步兵师，但不能抵御紧随其后的第42摩托化步兵师，图5右上方描绘的是第503步兵师。正因为如此，格鲁吉亚的防御部队如果要完成他们的任务，就需要在503摩托化步兵师到来之前向隧道进行反击，以在严重的渠化隧道处进行防御。有了这些从复杂中出现的联系，格鲁吉亚的领导层可以及时思考并产生赢得战斗的洞察力。

建立可用COA的算法过程在很大程度上缓解了因时间不足而产生的差距，同时为MDMP引入了一定程度的学术严谨性，否则可能只是主观评估，而这种评估中隐含着所有未知的危险。

在目前的作战环境中，往往没有时间来制定多个作战行动方案，对所有制定的作战行动方案进行战争演习，应用作战行动方案评估标准，然后确定一个推荐的作战行动方案。有了人工智能支持的MDMP，COA分析和比较就被烘托出来，并最大限度地利用现有的技术，所有这些都是在传统的工作人员可以收集到的工具。

通过COA分析和COA比较步骤合并和修改COA开发步骤，以利用当前人工智能能力的速度、力量和洞察力，将提高预测多种替代性未来和选择的能力，使指挥官不仅能够在三维空间中思考，而且能够在时间中思考。鉴于时间越来越稀少，了解时间，并拥有在多个领域与之合作并通过它的工具，可能是人工智能提供的最大优势。

其他领域的人工智能工具已经展示了它们在提供快速、一致和准确计算的任务方面的能力。为了具有价值，人工智能不需要自主运作或复制有生命的人。人工智能只需要弥合当前规划和决策工具的适用性与人类认知在复杂适应性系统中的有效性之间不断扩大的差距。处理复杂性的适度改进，即使只是减少导致错误的认知负担，也会确保比无助的指挥官有决策优势。

在人工智能支持的MDMP的意义上更进一步，人工智能可以在第一次迭代后半自动地完成MDMP，几乎连续地进行完整的MDMP过程，没有疲劳感，纳入每一个新发展。一个持续的人工智能运行的MDMP将提供关于部队当前位置和行动的反馈。近乎实时的反馈将使我们能够跟踪下属单位的当前行动、控制措施的遵守情况和进展。

其次，近乎连续的MDMP可以通过评估根据当前条件应该执行什么COA来预测分支，甚至预测随着条件的变化，未来决定性交战的设置。持续的人工智能支持的MDMP将与敌人而不是计划作战。一个人工智能支持的过程将有额外的好处，即为任何新出现的COA整合资源，同步和优化所有领域的效果，并使过渡到一个新的分支计划更加可行。这种能力将在使部队迅速适应在未来动荡环境中的混乱边缘茁壮成长方面取得不可思议的进展。