万字译文《人工智能在美国海军战术杀伤链中的应用》2023最新最新报告

摘要

这项工作探讨了使用人工智能（AI）来加强海军战术杀伤链。海军行动对水兵提出了很高的要求，要求他们在与舰队指挥结构协同操作各种作战系统的同时，保持对态势的认识，执行任务，并为冲突做好准备。海军行动由于涉及到武器的使用而变得更加复杂。涉及武器使用的一系列战术过程和决策被称为杀伤链。一个有效的杀伤链需要识别和了解威胁，确定行动方案，执行选定的行动，并评估其效果。杀伤链是一个特别紧张的战术行动类别，因为它们必须在有限和不确定的知识下，在关键和苛刻的时限内，依靠各种先进的技术系统，在高度动态和变化的环境中实施，并造成严重后果。海军正在研究人工智能作为一种新兴技术，通过减少不确定性、提高决策速度、加强决策评估来改善杀伤链行动。本文介绍了对人工智能方法在支持海军战术杀伤链的特定功能方面的功效评估。

引言

海军作战是动态的，在冲突期间，它们变得高度复杂。在海洋环境中与作战人员团队一起操作各种先进的技术系统（包括舰艇、飞机、传感器、通信系统和武器），建立了一个具有挑战性的行动基线。在冲突或危机情况下，行动的节奏加快，并可能变得非常不稳定；对形势的认识和对战斗空间的了解充满了不确定性；有效的决定对任务的成功至关重要，并会带来沉重的后果。

一场涉及武器交战的海军悲剧是1998年美国海军 "文森 "号巡洋舰发射的地对空导弹击落了商用飞机空客A300，机上290名乘客全部死亡（Pasley，2020）（如图1所示）。这场悲剧涉及到压力下的时间关键性决策（Johnston等人，1998）。

图1.美国海军文森号从甲板上发射导弹。

这一事件代表了海军行动中决策的复杂性，并特别强调了观察-定向-决定-行动（OODA）循环中的挑战，这是由约翰-博伊德在1950年代开发的行动活动模型（琼斯，2020）。人为错误、人类认知的局限性和海军行动固有的决策复杂性导致OODA环路的挑战，更具体地说，是杀伤链过程的挑战（冯-卢比茨等人，2008，Szeligowski，2018）。杀伤链功能是涉及使用武器系统的战术活动和决策。一个有效的杀伤链需要正确设置和使用舰载传感器，识别和分类未知的接触，根据运动学和情报分析接触意图，认识环境，以及决策分析和战争资源选择（O'Donoughue等人，2021，史密斯，2010，赵等人，2016）。这项研究源于寻找方法来支持水手和作战人员以及他们在海军行动中必须做出的经常是复杂的决定。

最近在人工智能和先进数据分析方面的进展导致了海军的研究，以确定如何利用这些方法来支持广泛的海军应用。正在研究人工智能方法在海军后勤、任务规划、物理安全、自主系统和网络安全方面的潜在应用（Heller，2019，Mittu和Lawless 2015）。

在海军研究使用人工智能方法的过程中，杀伤链是另一个备受关注的主要应用。概念性研究提出将人工智能用作认知助手和人机协作（Iversen和DiVita，2019年；Ding等人，2022年；Johnson 2019年；Grooms，2019年；Albarado等人，2022年）。使用人工智能从多个来源的数据融合中提取知识和作战环境的情况意识的研究正在成熟（Zhao等人，2018）。

这项研究着眼于整个海军战术OODA环，以评估使用人工智能来改善每个特定的杀伤链功能。图2显示了海军海上战术领域的概念图，作为利用人工智能方法和技术的重点。该图用军事术语描述了杀伤链OODA循环功能的循环性质：发现-修复-追踪-目标-接触-评估。该研究探讨了使用人工智能来加强这些功能，因为它们被用于海军蓝军在海洋领域防御红军的威胁。

图2. 概念图：人工智能赋能海军战术杀伤链行动。

本文首先回顾了海军战术杀伤链，描述了战术战争过程模型，并确定了一组28个杀伤链功能作为本研究的主题。下一节总结了适用于杀伤链的人工智能方法。随后描述了为本研究开发的评估框架。本文最后介绍了这项研究的结果--人工智能方法与杀伤链的映射。

海军战术杀伤链

分析开始于对海军作战相关的战术操作模型的研究，以便以一种能够与人工智能方法相一致的形式获取对杀伤链的描述。目标是建立一个海军战术杀伤链的描述，以： (1)代表海军战术领域中与战斗有关的行动，(2)具有足够的通用性，以模拟广泛的战术决策和行动，(3)被分解到适当的水平，以确定个别和独特的过程。

杀伤链这个术语是指涉及使用武器的攻击结构。该过程被描述为一个链条，以说明用武器攻击目标需要一套完整的端到端决策和行动，任何阶段的中断都会破坏该过程。Clawson等人（2015）将杀伤链描述为 "成功使用特定武器对付特定威胁所需的任务或功能"。杀伤链过程包括目标检测、选择与目标交战和选择武器所涉及的决策，以及攻击的实际执行。

约翰-博伊德的OODA循环模型是理解战术行动的基础，它代表着观察、定向、决定和行动。图3展示了OODA循环模型--强调了循环发生的四个阶段的行动或过程。在观察阶段，数据和信息被收集。在定向阶段，这些信息被处理、融合和分析，以提供对形势的认识。在决定阶段，蓝军决定是否需要采取行动以及这些行动应该是什么。在行动阶段，行动被执行，并收集更多信息以确定是否产生了预期的效果。OODA循环对军事思想有半个多世纪的影响，并帮助塑造了战争系统的发展和战争理论（Angerman 2004）。OODA循环模型已被用于预测和理解军事行动反应时间（Hightower 2007）、认知战术决策（Plehn 2000）、指挥和控制系统及网络的设计目标（Revay 2017），甚至是高级军事战略制定（Hasik 2013）。在现实世界的战术行动中，许多OODA循环的活动都是动态的、循环的和并发的。

图3. 杀伤链OODA环

OODA循环模型为理解杀伤链过程提供了基础，并导致了对图4所示的查找-修复-跟踪-目标-评估（F2T2EA）杀伤链过程模型（参谋长联席会议，2013）的研究。F2T2EA是另一个以军事术语描述杀伤链的过程模型。F2T2EA模型将战术功能分为六类，并强调战术行动的周期性。F2T2EA抓住了战术战争功能、决策和行动的细微差别，为人工智能的映射提供了一个更详细的框架，以激发具体、全面和独立的杀伤链功能。

图4. F2T2EA杀伤链周期。

这项研究开发了一套28个杀伤链功能，列于表1。该表显示了这些功能是如何被归入OODA和F2T2EA杀伤链过程模型的。建立一套具有一定独立性的不同功能的目的是为了支持特定的人工智能方法与特定的杀伤链功能的映射，同时保持它们能够代表战术行动中发生的各种海军决策和行动。

表1. 28个杀伤链功能

杀伤链的功能是通用的，适用于涉及 "杀伤"行动的各种战术行动。在这项研究中，杀伤链可以支持进攻性打击和防御性任务；杀伤可以是硬的，也可以是软的。这允许使用非致命性和反措施行动，以消除对手的资产，完成战术任务。

在冲突或危机期间，战术行动的实施涉及杀伤链功能的复杂、动态和循环组合。这些功能会重叠、同时发生、重复出现，并且往往需要根据威胁情况进行多次实例化。"寻找 "和 "修复 "将是持续的功能；"跟踪 "将出现在探测到的每个物体上；"瞄准 "将对被认为有威胁的物体进行；"交战 "和 "评估 "将对需要杀伤（或解除）行动的威胁实施。

随着海军探索杀伤链功能的自动化并考虑使用人工智能方法，杀伤链功能的特点也开始发挥作用。杀伤链与它的威胁情况密切相关。这种作战环境在许多方面决定了杀伤链的时间轴、交战几何、局势动态、不确定性水平和整体复杂性。表2确定并描述了影响人工智能如何被利用来提高自动化和支持战术决策的杀伤链功能的条件。

表2. 杀伤链功能特征

表2中列出和描述的特征具有相互依赖性，这些特征源于任务目标、威胁情况的复杂性以及蓝军资产的结构和能力。任务的性质--进攻性或防御性--确定了事件的初始时间线。威胁情况会影响这个时间线，并影响动态、决策风险水平和整体不确定性。蓝军资产的结构和能力影响到可用的决策选择。杀伤链的决策有许多考虑因素，包括传感器的覆盖范围、对对手意图的评估、交战策略、交战规则和要使用的武器。这些复杂和相互依存的特性影响到可接受的决策风险和不确定性水平，并最终影响到整个杀伤链过程中可接受的自动化水平。

这项研究检查和评估了特定人工智能方法的潜力，以加强特定的杀伤链功能。其目的是通过提高自动化程度来改善整体战术任务--不一定要取代人类决策者，但要支持战术决策--特别是当杀伤链决策过程变得高度复杂时。

人工智能

美国国防部（DoD）将人工智能描述为 "机器执行通常需要人类智慧的任务的能力--例如，识别模式、从经验中学习、得出结论、进行预测或采取行动--无论是以数字方式还是作为自主物理系统背后的小软件"（艾伦2020）。人工智能是一个包括许多不同方法的领域，目标是创造具有智能的机器（Mitchell 2019）。人工智能领域正在迅速发展，国防部正在积极研究如何将人工智能有效地应用于军事任务（GAO 2022）。

DARPA的Launchbury（2017）将人工智能的发展描述为三波，如图5所示。第一次浪潮（约1970年代至1990年代）产生了基于规则的专家系统，可以推理，但没有学习或归纳的能力。第二波（约2000年至今）产生了先进的统计大数据学习和深度神经网络，它们可以感知和学习，但推理或概括的能力有限。第三次浪潮，刚刚开始（2020年及以后），将以上下文适应为特征，在推理和概括能力方面取得进展。未来学家预测，第四次浪潮（2030年及以后）将导致人工通用智能，使机器能够执行人类能够执行的任何智力任务（Jones 2018）。

图5. 三次人工智能浪潮

这项研究专注于三次人工智能浪潮中的人工智能方法，这些方法已经在不同的应用领域得到了证明，或者目前正在研究和开发中。该团队研究了广泛的人工智能相关主题（在表3中列出并描述），以便为评估提供知识基础。

表3中描述的主题是方法、学科和支持能力的类别，它们可能直接影响到为杀伤链有效部署AI的能力。每种方法的实施方式将决定未来人工智能支持的杀伤链的不同方面。人工智能内部工作的可解释性和人机合作的能力将影响作战人员与人工智能系统的互动和信任。特征工程、数据管理和实用功能将影响到人工智能系统的内部运作，因此也影响到人工智能系统的输出和决策建议。博弈论、决策论、模糊逻辑、融合、空间-时间推理、进化和遗传算法、预测性和规定性分析以及联邦学习等学科被纳入的方式将决定未来人工智能系统的设计和架构。表3中的人工智能相关主题被用于本文下一节解释的定性评价。

表3. 人工智能相关主题在杀伤链研究中的考虑

该团队选择了八种具体的人工智能方法（在表4中列出并描述）用于杀伤链的映射。这八种人工智能方法是感知、学习、抽象和推理以获得更好的知识、预测性能、开发和评估决策选项（或战术行动路线）的不同技术。它们被认为有可能为杀伤链过程的不同方面提供价值，同时也代表了一组不同的人工智能方法，以促进对人工智能如何改善杀伤链的更全面的评估。

表4. 八种具体的人工智能方法用于杀伤链的映射

目前，人工智能方面的许多进展正在进行中。这项研究确定了感兴趣的主题和具体方法，显示出加强战术杀伤链的强大潜力。本文对这些主题和方法进行了总结。关于人工智能主题和方法的更详细描述载于本研究的顶点报告（Burns等人，2021）。

评估框架

这项研究开发了一个框架，以评估人工智能方法对杀伤链特定功能的适用性。该评估包括两个部分： (1)从杀伤链功能的角度进行的定量分析，以及(2)从人工智能主题的角度进行的定性分析。

第一个部分是基于一套决策点问题形式的四个评价标准（列于表5）、一种评分方法（列于表6）以及与四个决策点中的每一个相关的评价过程。该框架的这一部分产生了一个量化的评价，以评分的形式表明特定人工智能方法对支持或实现特定杀伤链功能的适用程度。该小组在应用评分标准时进行了主观判断。

表5. 评估决策点问题

表6. 评分标准

第一个决定点要求对每个杀伤链功能进行评估，以确定需要什么样的输出，并对每个人工智能方法进行评估，以确定其产生的输出类型的特点。表5显示了每个决策点的输出类型。定量输出包含实数值。定性输出包括分类数据。集群形式的输出指的是由强烈关联的质量分组的数据，通常用于在数据集中寻找模式。基于规则的输出是一系列的if/then因果规则。表7显示了对28个杀伤链功能之一的评分评估的例子，第25条 "确认影响"。对于这个功能，团队确定可以使用数据集群来协助特征描述过程，还注意到可解释的输出是强制性的，而且预测器的数量较少，以便能够有更高的准确性。颜色方案表明，聚类是最适合的人工智能/ML方法，逻辑回归和关联也可能为杀伤链功能提供一些支持。

表7. 25号功能（确认影响）的评分示例

第二个决策点需要对杀伤链过程进行评估，以确定什么类型的数据可用，什么类型的学习方式适合每个功能。如果一个包含预测因子和响应变量的完全标记的数据集可用于人工智能的训练和开发，监督学习将是一个合适的方法。如果杀伤链过程中的一个步骤在其数据集中包含预测因素，但没有响应变量，那么无监督学习将是合适的方法。最后，如果一个杀伤链过程有部分或无标记的数据集可用，并且还与一套定义明确的一般规则有关，可以为训练人工智能学习系统提供反馈，那么强化学习将是一个合适的方法。

第三个决策点根据对人工智能方法的内部运作需要多少可解释性（或透明的洞察力）来评估每个杀伤链功能（XAI=可解释的人工智能）。为了本研究的目的，这三个选项是基于对要求强制性XAI、希望的XAI或不要求XAI的定性评估。

第四个决策点是根据充分代表杀伤链过程不同方面所需的预测因子（或特征）的数量来评估特定人工智能方法的功效。表征与每个杀伤链功能相关的决策空间的特征可能会根据现实世界的情况而改变。ML模型需要代表这些特征，并使用输入变量或预测器来实现。ML模型代表现实世界的方式和相关的特征数量将影响适当方法的选择。本研究根据输入特征的数量确定了三类预测器： 1-9，10-99，和100+。

评价框架的第二部分是基于对人工智能相关主题和方法的调查，以及对每种方法的好处和局限性或挑战的定性评估，因为它们可能适用于杀人链领域。这部分评价是从人工智能方法及其对杀伤链的普遍适用性这一更广泛的角度进行的。上一节中的表4列出了被评估的人工智能主题和方法。

人工智能到杀伤链的映射

这项研究的结果被总结为两个人工制品：表8中的映射为每个杀伤链功能推荐了最合适的人工智能/ML方法，表9中对战术领域的人工智能相关方法进行了定性评价。

表8. AI/ML方法到杀伤链的映射

表9. 对战术领域的人工智能相关方法进行了定性评价

表8所示的定量图谱是对28个杀伤链功能中的每一个功能进行决策点评估的结果。每个功能的单独记分卡可以在相关的顶点报告中找到（Burns et al, 2021）。虽然大多数记分卡导致了一个明确的主导AI/ML方法的适用性，但有四个杀伤链功能被评估为有一个以上的潜在方法可供选择。在8种打分的AI/ML方法中，只有4种得分高到可以进入最终映射：聚类、关联、逻辑回归和线性回归。

定性分析的结果是对人工智能相关的方法和主题以及它们与杀鸡用牛的相关性的评价。表9包含了定性评价的结果。

结论

总之，这种映射分析从两个方向进行：（1）从杀伤链开始，将人工智能方法映射到各个杀伤链的功能；（2）从人工智能方法和相关主题开始，评估它们对杀伤链的潜在效用。由该研究小组开发的第一种方法遵循了一种使用四个决策点的量化评分方法。第二种方法是对各种人工智能方法和相关主题进行调查，并对每种方法与未来人工智能杀伤链决策辅助工具的潜在关联性进行定性评估。

定量分析显示，一小部分人工智能方法将是为杀伤链功能提供高级自动化支持的最佳候选方法。这些方法是：聚类、关联、逻辑回归和线性回归。他们被评估的对杀伤链的优越效用是基于他们产生的输出类型，他们使用的机器学习类型，他们对用户的可解释能力，以及他们需要的代表性预测器或特征的数量。这种分析性映射方法是 "自下而上 "的，因为它的起点是传统的杀伤链功能集。它假设各个人工智能方法将被分到各个独立的杀伤链功能中。这预设了一个特定的设计方案，并对杀伤链决策辅助工具的未来架构做出了限制。

第二个映射分析是定性的和高层次的，它想象了各种人工智能方法和相关主题的未来潜力，以实现和/或支持未来的人工智能辅助杀伤链的决策。这种分析方法是 "自上而下 "的，因为它从一种人工智能方法或感兴趣的领域开始，并从整体上评估其与杀伤链的一般相关性，而不强加一个特定的设计或被分配到一个特定的功能。这项分析确定了13个与人工智能有关的主题，这些主题可能为未来的杀伤链提供效用。人工智能正在成为许多军事应用中的一项技术。海军将从人工智能在许多行动中的应用中获益，包括杀伤链。对人工智能增强和/或人工智能启用的杀伤链进行有效和适当的设计和工程，对于实现对同行竞争对手的战术优势以及确保其用于支持武器系统的安全性和可靠性至关重要。该项目提供了一个分析基础，作为继续研究人工智能在杀伤链中的应用的起点。该分析将具体的人工智能方法与杀伤链的28个功能相联系，并确定了人工智能方法和相关主题，这些方法和主题显示了加强和促成未来海军杀伤链的潜力。这项研究建议继续研究人工智能和ML在战术杀伤链中的应用。