《利用人工智能 (AI) 实现作战决策优势》中文版

最近在乌克兰的行动证明，引入新技术、战术、技巧和程序可以极大地影响 21 世纪的战场。美军正在将从这次冲突和其他近期冲突中吸取的经验教训融入联合全域指挥与控制（JADC2）作战概念。美国防部正在寻求通过 JADC2 实现决策优势，"在战争的各个层次和阶段、跨所有领域并与合作伙伴一起产生感知、理解和行动的作战能力，以相关性的速度提供信息优势"。虽然这一定义抓住了 JADC2 的目标，但对如何实现这一目标却知之甚少。本文利用 OODA 循环和一个项目融合用例（湿隙穿越）来说明人工智能 (AI) 将如何在这种复杂而相关的场景中通过降低风险来实现决策优势。

图：在 OODA 循环中应用边缘人工智能 (AIAE) 加快决策能力，提高决策优势

最近在乌克兰的行动再次证明，在 21 世纪的战场上，引进新技术和战术、技术和程序可以产生重大影响。美军正在利用从这次冲突和其他近期冲突中吸取的经验教训，并将其纳入联合全域指挥与控制（JADC2）作战概念。最近由美国防部（DoD）赞助的实验（包括各军种、作战司令部和盟国的参与）重点关注日益复杂的局势，以深入了解 JADC2。

这种方法希望利用人工智能（AI）、机器学习（ML）、自主性和其他先进能力更好地连接传感器和射手，缩短对对手产生致命和非致命影响的时间，从而影响多域行动。降低作战人员和决策者的认知负荷以及缩短从探测到交战决策的时间以获得优势等目标，只是国防部正在应对的需求、风险和技术挑战中的一部分。

决策优势

与过去的其他冲突一样，21 世纪的冲突将取决于决策优势，谁能最好地利用和确保信息，在最短的时间内做出最明智的决策，谁就有可能获胜。决策优势被定义为比对手更快地吸收、分析从战场上获取的信息并采取行动的能力。

纵观历史，决策优势始终是决定战斗和冲突胜负的关键。现在，面对日益增长的中国威胁，美国的作战能力和能力优势正在急剧缩小，在这样一个时代，实现决策优势比以往任何时候都更加重要。由于其他国家和非国家行为者在全球范围内迅速扩散技术，实现决策优势也变得更具挑战性。

电信、传感器、处理能力和武器的进步，以及太空和网络空间作为作战领域的作用日益增强，从根本上改变了战争中指挥与控制的特点。有鉴于此，国防部正寻求通过联合作战指挥与控制2实现决策优势，"在战争的各个层次和阶段，在各个领域，与合作伙伴一起，产生感知、理解和行动的作战能力，以相关的速度提供信息优势"。但是，尽管这一定义抓住了 JADC2 的目标，却对如何实现这一目标知之甚少。

共享情报

为了使 JADC2 概念成为现实，各军种都在分析自己在实现这一愿景方面的贡献。虽然许多军种都在专注于创建一个全球目标系统，以实现发现、固定、跟踪、瞄准、交战和评估等杀伤链功能，但也有一些军种正在研究 JADC2 如何协助实现决策优势，以便将部队机动到优势位置，阻止对手实现其目标。

美国陆军最近接待了空军、海军、海军陆战队，并首次将国际合作伙伴和盟国纳入其中，在其年度现代化实验中整合技术并测试多域作战： 2022 融合项目"。陆军的第三个年度 "聚合项目 "通过在多个地点举行一系列基于各种作战场景的实验和活动，对该军种的范围和能力进行了测试。

来自美国、英国和澳大利亚的作战人员用数周时间测试了约300项技术和新的作战概念，以展示各军种有朝一日如何作为一支联合部队作战。这些实验和其他实验有助于形成跨组织协作、确定技术投资的优先次序以及完善平台和系统需求文件，从而为未来作战环境的构想提供信息。

通过这些不同的实验，发现一个共同的主题，即未来作战需要跨国家、跨领域和跨技术的协作，以确保互操作性并实现 JADC2 的愿景。无论在哪种情况下，假设的对手都可能是近邻竞争对手，并将寻求在无法保证美国空中或其他领域优势的情况下实现反介入/空中拒止（A2AD）环境。

确定技术挑战

包括全球定位系统卫星在内的美国天基资产可能会被削弱。人们还认为，带有人机界面的人工智能/ML 能力将做出最终目标定位和其他决策，而先看、先理解、先行动和先决策的能力将为哪一方获胜提供关键优势。同样显而易见的是，工业界、学术界和联盟伙伴在为存在的各种差距和挑战寻找技术解决方案方面至关重要。

本文旨在探讨新的创新技术解决方案如何有助于利用有人和无人系统在陆地领域实现决策优势。本文将确定并讨论关键技术挑战和风险，以及潜在的技术材料解决方案。实现 JADC2 需要在条令、组织、培训、物资、领导力和教育、人员、设施和政策方面进行重大变革，但本文将只关注物质解决方案。

当前地面战中的人工智能

认识到数据是一种战略资产，并在多域行动中采用全局性的整体方法，将有助于推进 JADC2 计划，并提高各军事任务的决策优势。值得注意的最复杂地面场景之一是湿式间隙穿越作战，这对机动部队接近和摧毁敌军非常重要。(图 1）

然而，在计划和执行这些关键行动时，后勤保障面临着明显的挑战。(图 2）一旦成功实施，湿式间隙穿越作战就能提供战争中最有价值的基本要素之一--速度。速度是掌握主动权、防止敌人侦察和取得成功的关键。执行安全高效的湿式间隙穿越行动可以让友军为成功创造必要条件。

俄罗斯部队最近在乌克兰的一次失败的湿式间隙穿越突显了与这一复杂行动相关的许多挑战和风险。俄军在试图穿越横跨乌克兰东部 Siverskyi Donets 河的浮桥时，损失了两个或更多营的兵力--可能有 100 辆车和一千多名士兵。

在对这一失败场景进行评估时，本文将探讨进行湿式间隙穿越行动的主要风险，以及使用人工智能/移动式语言和其他关键技术的潜在技术解决方案。

图 1：湿隙交叉口的描述

图 2：规划和执行湿式间隙穿越作战时的典型分析

分析风险

由于未来大多数入侵资产都可能使用无人或可选有人系统，因此需要确保大量数据的安全，并通过战术网络进行传输，以同步执行侦察与安全、机动、火力、后勤和其他作战功能。在宏观层面，JADC2 需要通过各种分布式传感器收集大量数据，并将其处理为可操作的信息。

战略、作战和战术层面的利益相关者利用由此产生的信息流中的相关要素，以最佳方式执行任务。整个系统通过一套强大的通信链路连接在一起。这并不意味着每个人都能接收到所有信息，因为那样每个人都会被数据淹没。相反，这需要分配正确的信息，使各组织能够在其特定责任领域取得更好的效果。以下是材料解决方案需要应对的其他风险：

如果无法在间隙穿越地点实现出其不意，那么在穿越过程中出现人员伤亡和任务失败的几率就会很高。
如果穿越点缺乏指挥和控制（C2），那么友军很容易被对手的致命和非致命火力摧毁和削弱。
如果网络保护不足或缺乏安全的空中更新，那么无人系统或可选择的有人系统就会被对手欺骗或接管，从而破坏缺口穿越行动。
如果友军处理传感器和射手数据的能力下降，那么由于机动、火力和其他作战功能之间缺乏同步，成功穿越缺口的可能性就会降低。
如果联合和联军的 C2 系统不能互操作，那么同步作战功能以确保成功穿越行动的能力就会降低。

技术挑战的解决方案

在决策过程中应用和评估技术需要一个模型。OODA 循环--观察、定位、决策、行动--是一个众所周知、广为接受的模式，尤其是在作战人员群体中，因为它的起源。它是由美国空军上校约翰-博伊德（John Boyd）提出的概念，是各领域决策和行动的典范。

OODA 循环描述了决策和行动的四步流程。首先，观察环境并收集信息。然后，通过分析信息并理解其含义，为自己定位。然后，根据观察和定位，决定采取什么行动。最后，根据决定采取行动。

OODA 循环强调决策和行动中速度和灵活性的重要性。我们的目标是尽可能快速高效地完成这一循环，以便适应不断变化的环境，并在机会出现时加以利用。

通过观察上图，利用人工智能实现决策优势有两个关键的考虑因素：

人工智能（AI）处理适用于每个部分
尽量减少四个步骤之间的延迟

前面在 "湿隙穿越 "场景中概述的风险所体现的一个宏观考虑因素是，决策必须在 "边缘 "做出，而不是从指挥中心远程做出。这大大减少了延迟，并在快速变化的环境中提供了灵活性。边缘人工智能（AIAE）是指在靠近数据源的设备上部署人工智能算法。

将传感器直接连接到 AIAE 单元将大大减少 OODA 循环中观察-定向步骤之间的延迟。传感器数据将从传感器传输到人工智能单元的传感器输入端，然后通过处理集成电路内部的高速总线或同一单元内集成电路之间的高速总线传输到数据处理核心。(图 3）

在 AIAE 单元中进行人工智能处理和决策，还将大大减少 "定向-决策 "步骤之间的延迟。这样就不需要为额外的决策步骤向外部中心发送大量数据，然后等待决策回传。出于同样的原因，从 AIAE 单元发送 "行动 "命令也将减少 "决定-行动 "步骤的延迟。

图 4：GPU 的并行处理架构可实现比 CPU 更快的计算速度，从而支持大量的人工智能应用

实现人工智能处理

用于 AIAE 处理的一个主流 COTS（商用现成）解决方案是通用图形处理单元（GPGPU）。图形处理单元上的通用计算指的是使用 GPU（图形处理单元）来执行除传统图形渲染作用之外的通用计算。

GPU 设计用于并行处理大量数据，使其成为执行某些计算的理想选择，速度比传统 CPU（中央处理单元）快得多。通过利用 GPU 的并行处理能力，GPGPU 可以加速各种人工智能应用。(图 4）

技术的进步为市场带来了更高性能的小型超级计算机，它们将 GPGPU 与 CPU 相结合，可用于 AIAE 应用。GPU 广泛用于人工智能应用。

英伟达™（NVIDIA®）Jetson系列模块将支持人工智能的GPGPU与多核CPU结合在一起，形成了一个紧密耦合、高性能、低功耗的超级计算机，可支持人工智能处理能力和决策应用软件。英伟达™（NVIDIA®）Jetson 系列有多种不同外形尺寸、性能和最大功耗的模块可供选择。(图 5）

图 5：NVIDIA Jetson 系列包括不同的模块，具有不同的外形尺寸、性能和最大功率选项。

以英伟达™（NVIDIA®）Jetson Xavier NX 模块为例，该模块可提供每秒六万亿次浮点运算（TFLOPS）的性能，最大功率为 15 瓦。这样的性能可与配备处理器和图形处理器卡的数百瓦工作站相媲美。

这种计算架构可以每秒 30 帧的速度处理和应用 20 多个 1040p 分辨率高清视频输入的人工智能算法，也就是说，它有足够的带宽来运行人工智能应用程序，为系统中的多个高清摄像机提供服务。

配备英伟达™（NVIDIA®）Jetson Xavier NX 模块的加固单元可小至 4" x 2.3" x 3.9"。最大重量为 1.3 磅，最大功率为 15 瓦，从尺寸、重量、功率（SWAP）和性能的角度来看，它是 AIAE 应用的理想选择。(图 6）如果需要更高性能，基于更高性能英伟达™（NVIDIA®）Jetson 模块的更大和更高功率的坚固解决方案是可以实现的。

图 6：紧凑型高性能超级计算机正在边缘处理大量传感器数据。

这类基于 GPGPU 的坚固耐用单元还可以支持以太网（1GbE 和/或 10GbE）、CAN 总线、串行端口等行业标准接口）。例如，以太网接口可用作与系统中其他 "智能 "盒和任务计算机的通信通道，也可通过无线通信转换器与外部设备进行交互。如果需要低延迟以太网通信，可使用时间敏感网络（TSN）或时间触发以太网（TTE）。

使用以太网网络进行内部通信，可实现从物理电缆到路由器和数据包的多种冗余级别。在整个网络中实施 IEEE 1588 时间分配可使所有网元同步到单一时间源。

除了高速传感器处理外，这些单元还可用于处理来自低速传感器的数据--模拟 I/O、离散 I/O、串行端口等。将这些功能整合到一个 AIAE 单元中，有助于消除车辆中额外的电子设备盒和相关线束，进一步减小电子设备的尺寸、重量和功率。

时敏网络（TSN）与决策优势

时敏网络（TSN）的功能，包括精确定时、低延迟通信和确定性数据传输，有助于改进决策过程，提高对态势的认识，并最终实现决策优势。

通过提供低延迟通信，TSN 可通过高精度、高可靠性的实时数据传输，确保关键信息及时送达决策者。它还有助于收集、汇总和分析这些实时数据，使决策者能够获得最新的准确信息，做出明智的选择。

TSN 跨分布式网络同步设备和系统的能力有助于实现决策优势。它能确保来自多个来源的数据保持一致，提供对运行环境的整体了解，并加强传感器、执行器和控制系统等不同组件之间的协调，实现无缝协作和集成。

利用边缘人工智能（AIAE）优化地面车辆运行

1 简化网络通信

将坚固耐用的人工智能超级计算机放置在传感器（如高分辨率相机、红外探测器）附近，有助于解决地面车辆电子设备方面的难题，最终使作战人员受益。例如，在传感器附近进行物体识别/分类、目标识别/捕获、地形分析等处理可带来以下好处：

无需将大量数据从传感器传送到任务计算机或外部指挥中心，减少了延迟和信息过载。
缩短系统响应时间，加快决策速度。
增强无人或可选有人驾驶飞行器/系统的能力
无需在传感器与任务计算机之间铺设昂贵的长距离高速数据线，从而降低了布线的复杂性，提高了系统的可靠性、可用性和可维护性。
提高系统集成和可操作性--边缘人工智能"盒与系统中其他 "智能 "盒之间的所有数据均通过行业标准以太网接口传输。
提高可升级性--所有独特的传感器处理都在 AIAE 单元中完成。传感器和相关处理单元（如有需要）无需更换以太网电缆即可升级，也无需更换任务计算机，这可减少将新功能提供给作战人员所需的时间和成本。
提高可扩展性--如果飞行器能提供几个额外以太网端口的布线，就能增加额外的传感器和 AIAE 盒，从而使新任务设备包的集成变得更容易、更快捷。
通过减小电子系统的尺寸、重量和功率 (SWaP)，无需大型任务计算机和笨重的线束，从而使地面系统更加可用、可靠和易于维护。