优先考虑美国空军的人工智能准备工作至关重要。为了应对这一挑战，中队指挥官必须在作战人员层面激发（1）以数据为中心的创新和（2）人工智能的创意。本文将美国国防部的政策与当前有关数字化转型和战略的管理理论相结合，探讨了如何制定数据战略、管理数据基础设施、培养技术人才和重新设计组织流程，以支持在中队层面培养创新文化。这一独特的行动计划使领导者能够将以数据为中心的创新催化到人工智能的构思过程中，使中队和其他军种的平行组织为数字化战争做好准备。
前言
人工智能（AI）技术的普及正在迅速提高生产力，就像一场新的工业革命。从历史上看，随着产业的转型、工作岗位的更替或增加以及供应链的重新布局，出现了三大挑战：国内政治压力、生产方式的改变以及潜在的技术奇点。这些压力威胁着全球世界秩序，给国际体系注入了不平等和不安全因素。由于人工智能的扩散有可能破坏全球稳定，美国在缓解日益加剧的紧张局势方面可以发挥关键作用。谷歌的生成式人工智能聊天机器人 "巴德"（Bard）指出：各国应优先发展人工智能，因为它有可能彻底改变我们生活的许多方面，包括经济、医疗、教育和国家安全。人工智能可用于自动化任务、提高效率和做出更好的决策。它还可以用来创造新的产品和服务，并改进现有的产品和服务。
美国的同侪和近邻竞争对手都在争夺与国家安全相关的人工智能研究、开发和整合。例如， 俄罗斯也表示愿意组织国防部门实现人工智能军事化，其高级研究基金会（类似于国防高级研究计划局）所做的努力就证明了这一点。俄罗斯国防部甚至已开始在黑海沿岸开发一个国防创新 "技术城"，希望在那里建立一个人工智能实验室。
美国空军做好准备
在美国空军，人工智能准备工作对于明天的数字化战争至关重要。值得注意的是，2019 年美国空军人工智能附件向所有空军人员提出挑战，要求他们了解并运用人工智能，将其作为提高整个兵力生产率的杠杆。事实上，一位前空军参谋长（CSAF）和前空军部长强调了这项技术从根本上改变未来的潜力，指出 "每个人都有责任有目的地考虑并尝试将人工智能纳入我们所做的一切"，"探索、原型设计和协作不仅受到鼓励，而且对我们的未来至关重要"。附件提供了行动呼吁，它完美地概括了CSAF将军Charles Q. Brown Jr.加速变革的优先事项。总之，空军将人工智能作为一项关键技术列为优先事项，表明它与提高整个国防工业的生产力具有根本的相关性。
为了使空军的兵力能够发挥作用，高层领导的指导对于建立数据骨干网至关重要。但是，国防部一直在努力让下级单位采用全企业范围的数据库来处理关键任务数据，从而实现更高层次的模型预测。原因之一是国防部还没有标准化的自动化或结构化数据分析。在人工智能/机器学习（AI/ML）的数据条件普及之前，数字化转型应采取基层狭窄用例的形式。
在空军，中队是开拓这种以数据为中心的基层创新的适当层级组织。正如前 CSAF 戴维-戈德芬（David Goldfein）将军所说："我们的服务文化和传统体现在中队，因为我们的飞行员最容易认同这个核心战斗单位。中队是创新和团队精神的引擎。中队拥有作战灵活性的最大潜力。
本研究和建议以中队为主要分析单位；因此，建议是针对中队指挥官提出的。这些建议适用于美国其他军种，也适用于陆军和海军陆战队营以及海军和海军陆战队中队。中队指挥官必须在作战人员层面鼓励以数据为中心的创新和人工智能构想，从而培养人工智能的准备状态。
1 背景
虽然这些建议适用于整个军队，但空军特有的某些定义和挑战也是本分析的基础。
1.1 定义
人工智能 "指机器执行通常需要人类智能的任务的能力"。这一定义被广泛使用，但往往没有深入考虑数据、数据管道、模型和以人为本的设计等关键因素。值得注意的是人工智能的两大区别：自动化和预测。自动化是一种专家系统，可在一组输入条件下完成可预测的任务。自动化类似于标准的 Microsoft Excel 电子表格，在一组输入条件下执行相同的用户定义的数学函数。预测是根据数据预测结果。
在考虑预测方面时，必须注意机器学习的发展。机器学习不需要对数学函数进行明确编程，而是让计算机能够编写自己的函数来进行预测；这种预测与大量数据相结合，是现代机器学习应用的核心。这种预测类似于代数中的最佳拟合线，是对未知数据点的推断。ML 的形式包括监督学习、无监督学习和强化学习。
1.2 独特的挑战
通常会遇到与数字化转型相关的摩擦。在空军中普遍存在的一些特殊挑战包括信息隐瞒、过度标准化、技术债务和采购限制。
隐瞒信息。以数据为中心的全面转型取决于整个国防队伍将其文化定位从 "信息隐瞒 "转变为 "信息共享"。分类障碍、特定机型的专有信息、不同的信息技术系统以及各单位之间的竞争，都是整个空军企业在进行以数据为中心的全面转型时可能产生摩擦的根源。领导者应注意这些可能阻碍信息共享和跨组织协作的潜在组织障碍。
过度标准化。在作战军事单位中，通常会将各种做法标准化，以提高可预测性和降低风险。然而，过多的标准化会扼杀打破常规的思维，限制新技术的发展。在对一所大学飞行学院进行的一项研究中，研究人员发现，过度标准化可能会导致创新文化停滞不前。这反过来又会限制学生接触航空领域的技术进步。反之，标准化程度太低可能会与太多无重点的创新同时出现，从而导致纪律和专业水平下降。空军领导者在寻求增强作战人员实验能力时，必须仔细权衡标准化和创新。
技术债务。组织 IT 基础设施中的技术债务可能会降低适应性。随着时间的推移，系统中低效软件捷径的聚集所产生的技术债务会降低综合 IT 基础设施的性能。虽然在追求快速软件开发时，积累这种债务可能是一种可以接受的权衡，但债务的堆积也可能使系统效率低下，从而造成有形成本。
在民航业的一个例子中，西南航空公司 "陈旧 "的技术，加上复杂的人工处理和 "零星 "的技术改进，导致了 2022 年 12 月的 IT 运营崩溃。空军还保留着陈旧的 IT 基础设施，这可能会在领导者寻求简化数字化转型工作时造成问题。例如，空军部-麻省理工学院（MIT）人工智能加速器的前运营总监对计算机滞后的经历表示非常沮丧，并撰写了一份 "修复我们的计算机 "的行动呼吁书，引发了国防部多位首席信息官的联合响应。采购限制。对人工智能的炒作自然会激发国防承包商解决以数据为中心的挑战。然而，仅仅依靠承包商的技术人才是不慎重的，因为与近邻竞争对手相比，采购的时限太短，毫无竞争力可言。
知识产权法也阻碍了将用途狭窄的个案产品转化为企业范围内的规模化产品。因此，承包商的解决方案可能是狭隘、陈旧和昂贵的。此外，作战人员而非承包商通常是数据武器化工具的最终用户。空军领导必须权衡承包解决方案的低效性，从而激发组织内的内生人才。换句话说，军警作战人员通常在兵力为人工智能做好准备方面承担重要角色。
2 以数据为中心的创新
从 COVID-19 资源分配到一般人员分配再到无人机图像分析，人工智能技术能够提高空军作战层面的生产力和效率。然而，人工智能集成的关键在于数据；数据作为一种战略资产，为人工智能和机器学习准备了数字环境。从增强情报到全域目标定位，再到综合指挥与控制，可操作的数据无疑将成为未来战争的基础。
对于整个空军的作战数据而言，中队指挥官必须在部队层面推动以数据为中心的创新。激励创新将促使空军飞行员以创业精神寻找机会，简化数据实践和架构。毕竟，往往是一线作战人员首先意识到数据使用效率低下的影响。有了以数据为中心的思维方式，作战人员随后就可能整合人工智能技术。要激发以数据为中心的创新，指挥官应制定数据战略，采用基础设施，培养人才，重新设计组织，塑造创新文化。
2.1 制定数据战略
国防部数据战略为国防部转型为以数据为中心的组织提供了模板。这一总体战略阐明了关键的优先事项，包括八项指导原则、四项基本能力、七项目标和相关授权目标。任务式指挥员可将这一指南与本组织的主要任务说明结合起来，制定数据战略。细致入微的数据战略是以数据为中心的任务取得成功的必要条件，因为它能为一线服务人员勾勒出清晰的路径，让他们了解如何思考数据在日常行动中的作用。
通过制定数据战略，指挥官为中队建立了一个可以动员起来的灯塔。一项全面的战略有几个关键组成部分：可衡量的目标、明确的范围和清晰的优势。它反映了组织的价值主张和品牌定位。例如，宜家家居的价值主张使其有别于其他家具店，因为它向顾客阐明了什么是值得期待的，什么是不值得期待的： 宜家是一家折扣家具店，拥有现代的外观和令人兴奋的迷宫式展厅。顾客可以预期宜家家具不会组装或送货上门。该零售商的使命宣言承诺："提供各种设计精良、功能齐全的家居产品，价格低廉，让尽可能多的人买得起。
有效的战略应考虑到与中队主要任务相结合的数据操作的资源和限制。重要的是，大多数中队都会发现资金、技术人才和数据基础设施等资源非常稀缺。此外，作战带宽也可能有限，尤其是在繁忙的中队。然而，指挥官可以通过让部队对超出其资源控制能力的部分负责，谨慎地鼓励创新。这种差距正是创业的动力所在。
数据战略应围绕数据与人工智能等预测技术不可避免的整合。从这个角度来看，考虑一个基本的机器学习公式可能是有用的：数据 + 算法 + 训练计算 = 预测。反过来，经过微调的预测可能会提高流程的效率和有效性。这一战略应将这些概念融入部队的竞争定位中。在制定战略时，指挥官还必须考虑组织中目前存在的数据，以及数据收集和整理的自动化方法。最后，有凝聚力的数据战略应将这些整理工作与上级总部的战略、工作和指导联系起来，使组织能够很好地满足中队和高层领导的优先要求。
数据战略是一个相当新颖的想法；不过，一些案例研究说明了领导层可以如何思考数据战略的影响。2018 年和 2019 年，宝洁公司制定了一项数据战略，作为其以数据为中心的数字化转型的一部分。起初，数据战略阐明了基线政策，较小的部门可以在此基础上调整其一线执行工作。然而，该公司在数据治理方面面临着一些独特的矛盾--即领导团队对这些政策的限制性有多大展开了争论。如果政策限制性过强，领导层就可以保留对执行的标准化控制；如果指导方针较为宽松，一线员工就可以直接根据执行优先级来定制政策。不可避免的是，领导层在这个连续统一体中的位置向组织发出了信号，并应与机构领导层希望让渡给操作人员的程度保持一致。
就空军而言，这种有关控制的政策实际上就是任务式指挥。对操作人员代理权的考虑是平衡集中指挥、分散控制和分散执行的决策。与宝洁公司一样，空军设施与任务支持中心（AFIMSC）也将数据战略付诸实施。2021 年 AFIMSC 战略支持 "国防部和空军的数据工作，建立 AFIMSC 数据治理结构，倡导 AFIMSC 数据共享，支持数据感知组织，并通过数据为空军提供战术优势"。这一战略是该组织成功成为首批使用 VAULT（可视、可访问、可理解、可链接、可信任）数据平台（一种独特的数据可视化工具）的组织之一的基础。通过这一工具，AFIMSC 可利用数据并与指挥官共享，从而更全面地了解设施的健康状况，有效地减少了数月的工作量。
2.2 采用基础设施
经过整理、组织和标注的数据以及流动的数据管道是技术人才必然要进行创新的基础设施。由指挥官、行动主任或助理主任、安全官、战术官和情报专家组成的行动小组可以很好地识别和评估中队的数据基础设施。该小组可以概述最初的数据来源，确定各自的数据就绪水平，并维护数据管道。作为起点，一个可能的数据来源可能是指挥官要求其参谋人员提供的每周、每月或每季度报告的关键性能指标。这些指标及其衍生数据源很可能是自动报告所能收集到的。之后，这些数据库也可用于预测分析。
该小组应确定可行的第一步，以加强数据管道并与所有相关飞行员和组织共享数据。为获得更多指导，空军部首席数据和人工智能官概述了各种数据平台，在考虑到适当安全控制的情况下，可以采用这些平台。最后，可能还有其他单位、作战司令部、主要司令部或上级总部也在使用这些相同的流程和数据基础。中队数据是上级总部决策的重要内容；因此，指挥官应确保数据在指挥系统中的正常流动。最后，该行动小组的职责和中队数据基础设施的管理最终可能会转移到首席技术官（CTO，详见下文）身上。
作为战略如何影响数据基础设施的一个例子，宝洁公司对数据管理进行了广泛的讨论。对于整个组织都能广泛使用的信息，领导团队认为将其集中到一个综合数据存储库--数据湖中有明显的用途。实际上，这允许多个部门利用相同的信息进行分析和运营。然而，该组织也创建了一些小型数据中心，汇集集中的数据，并增加区域特色。这种模式的关键问题是，小型数据中心的标准化程度如何。就空军而言，这种集中/分散的混合模式可最大限度地实现数据共享和单位层面的安全影响。
在空军，有两种工具可以帮助中队数据团队简化数据工作。VAULT 平台为团队提供了上传、管理和共享数据的能力。通过该平台，数据团队可以构建机器学习算法，并以前所未有的方式显示数据，从而提高整个企业的工作效率。此外，空军研究实验室的 redForce AI 是一个 DevOps 平台，支持人工智能项目开发，包括在数据准备阶段。
2.3 培养人才
管理技术人才或许是任何以数据为中心的组织所面临的最大挑战。就背景而言，企业技术公司以及世界级的国防创新单位（如凯瑟尔跑垒）都在努力应对这一挑战。空军的一个单位尝试了独特的组织变革，以培养和增强其技术兵力：空军部麻省理工学院人工智能加速器。
这个小单位的任务是解决空军中一些技术性最强的问题，因此需要最优秀的人才。首先，它利用与大学的合作关系，与民间研究人员、教授和专家建立联系。此外，它还设立了临时研究金，以便从其他组织寻找、培养和聘用空军人才。该部门还利用经过洗刷的公共数据集创建了开放访问挑战，希望能引起民用软件工程师的兴趣。加速器 "案例强调了军事单位通过独特的组织设计原则培养人才的一些创新方法。
此外，有一个宝贵的空军资源常常被忽视。数字大学是美国空军和美国太空部队的合资企业，是面向空军士兵和监护人的免费教育平台，课程涉及各种技术资料。通过推广 "数字大学"，指挥官可以激励有好奇心的飞行员通过有针对性的课程学习来培养数据素养。中队指挥官可以鼓励飞行领导层授权每名飞行员每周有几个工作小时用于学习。这种激励措施可以制度化；例如，学习路径的完成情况可以纳入军官和士兵的绩效报告。
最后，关于人工智能和 ML 的执行课程可以为中队和飞行领导提供一个机会，了解数据工具如何提高工作效率。这样，领导者就能以更明智的方式确定和指导使用案例。
2.4 重新设计组织
在组织内部定位技术人才至关重要。最初的倾向可能是将人才安排在战术部门。与此相关的是，指挥官可能会创建一个单独的数据车间，与信息技术或安全部门密切合作。这些方法的优势在于，同质化的团队可能会加强集体学习和构思，从而有可能使创意源于一个中央办公室。然而，人才的集中式管理会引发群体思维、小团体派别，从而导致整个组织的信息共享不畅。
事实上，这正是宝洁公司领导团队在 2018 年和 2019 年寻求优先发展以数据为中心的分析时所考虑的问题。起初，领导层将数据科学家嵌入运营团队。然而，他们很快意识到，管理人员将数据科学家视为一线团队的局外人；因此，管理人员有时会否定他们的关键想法。由于不了解数据科学家的全部技能，管理人员往往不能有效地利用他们来完成任务。
为了避免数据科学家产生挫败感和降低士气，公司领导层建立了集中式技术人才配置模式，以促进社区和标准化协作。当然，将人才集中到业务部门之外，有可能在操作层面失去一些适应性。实际上，技术人才安置的设计是一种平衡和权衡。
就空军而言，一种方法是在每个航班或车间指定一名数据架构师，作为额外职责。首先，这可以促进航班信息的多样性，从而更全面地解决问题。其次，嵌入式数据架构师可以寻找机会，以更加分散、有机的方式实施数据驱动的创新。用例将解决整个组织的各种问题。
此外，所有数据架构师都应向直接与中队领导层整合的首席技术官报告。首席技术官的合适职位是作战部助理主任一级，他们可以密切合作，为作战讨论注入技术视角。将这一角色正式化可以使其在领导层的整体重要性合法化。首席技术官还应负责持续管理中队各条战线的整体数据流，尽可能评估和提升数据就绪水平。
最后，中队必须跟踪技术人才，将其作为职业发展的一个组成部分。这一要素非常重要，因为它可以让领导层有意识地将经验丰富的数据架构师分配到最能发挥其独特教育和经验的中队车间或其他单位。在飞行中队中，飞行资格会区分经验等级，即经验丰富的飞行员、教官和评估员。指挥官可以通过特殊经验标识符（SEIs）为技术人才建立类似的跟踪机制。训练车间可以将授予 SEI 的标准制度化，向空军兵力/军官分类目录提出新的 SEI 建议，并确保每个数据架构师的正式记录反映这一升级。
2.5 塑造文化
建立一种持续创新的文化可能很难，因为创新就是实验，而实验并不总能转化为可衡量的关键绩效指标或体现在年度报告中。然而，为了推动创新，组织必须授权员工进行试验，即使多个理论项目中只有一个获得成功。换句话说，组织必须允许实验风险。
穆格公司（Moog）是一家拥有国防合同历史的工程公司，它始终保持着一种支持实验的文化。通过扁平化的等级制度和团结协作的文化，该公司促进了授权。有一次，一位客户要求解雇犯了错误的员工，首席执行官迅速驳回了这一要求，并为该员工辩护。首席执行官直接打电话给一名初级员工，征求他们的意见，这种情况很常见。此外，"人力资源英雄奖 "等内部奖项为同行提供了提名和表彰杰出表现的机会。这些做法有效地降低了实验失败的风险，增强了员工承担风险的能力，并肯定了组织对创新的承诺。
在空军中，僵化的等级制度、年度预算和绩效报告都与实验文化背道而驰。然而，中队指挥官可以在作战层面鼓励创新实践。中队和飞行指挥官应营造一种环境，让飞行员感到自己有能力进行创新，因为领导层认为创新者的行动是富有成效和负责任的。例如，这可能体现在这样一种情景中：当一名初级机组成员尝试使用新的任务数据管道流程时，一名高级 MQ-9 飞行员会接受更多的任务风险。在这种情况下，为有前途的试验让出一些严格的程序，传达了领导层灵活应变的信息。
此外，通过公开奖励以数据为中心的创新，中队和飞行领导层将彰显才能，发出支持信号，并激励后续试验。一个不需要成本的机制可能是设立新的中队月度和季度奖，如顶级创新者或顶级数据破坏者。
3 人工智能创意
中队以数据为中心的创新生态系统启动后，需要整合人工智能以提高生产率。在这一阶段，领导层可以责成整个单位的主管人员开展人工智能构思过程。这一过程的目标是通过人工智能视角发现改进流程的方法，以及如何获取数据驱动解决方案的方法。以下框架可指导如何为人工智能构思过程制定行动计划。
3.1 第1阶段：分析
全面构思行动计划的第一步是对问题进行全面分析。在分析过程中，首先要大致勾勒出应用人工智能可以解决的问题。接下来，分析问题需要找出根本原因。丰田生产方式采用了一种名为 "5 个为什么 "的技术来揭示技术问题的根本原因；该技术主要包括询问 5 次 "为什么"，通常会得出原因分析结果。
每个根本原因都有几个关键的考虑因素，包括组织背景、利益相关者的关注、领导指导和法律限制。55 每个根本原因都有几个关键的考虑因素，包括组织背景、利益相关者的关注、领导层的指导和法律限制。确定每个根本原因的考虑因素可能有助于揭示不同问题领域的一些共同障碍。对潜在的公共和商业解决方案进行研究，将有助于领导者了解如何解决任何根本原因。收集这一观点将有助于确定何时进行创新、何时进行收购以及何时将两者结合起来。
在构思过程中，有限的资源不应限制行动规划。相反，领导层可以采用以下关于企业管理的前瞻性定义： "追求机会，而不考虑目前控制的资源"。此外，好的分析还能确定竞争优势。也许中队拥有信息优势，因为它是解决方案的最终用户。也许某些中队领导拥有专业知识、网络和权威，这可能有助于将关键资源集中在一起。这一步将有助于确定为什么该中队最适合开展这一项目。
还需要找出弱点。缺少哪些对项目成功至关重要的观点、技能、人才或资产？重要的是，不能将所有工作场所的问题都归咎于人工智能的修复。例如，开发人员可能会找出一种使用 ML 模型按优先级对电子邮件收件箱进行排序的方法。如果这位用户的主要目标是减少他们收到的电子邮件数量，也许他们会评估自己是否需要将更多任务委派给下属，而不是依赖一个可能并不完美的 ML 模型。
3.2 第 2 阶段：目标
需要确定项目的总体目标。在这个过程中，需要具体假设哪种类型的人工智能最有助于实现目标：自动化还是机器学习预测。其他一些重要的考虑因素可能包括指挥指导、分类考虑或法律限制等，这些因素将框定这一目标的范围。目标应适当缩小。例如，如果问题出在中队一级，那么将目标设定为解决整个企业的问题是不可行的。反之，过于狭隘的解决方案可能在商业上已经存在。
3.3 第 3 阶段：可操作的步骤
列出可操作的步骤，将想法付诸实施，将有助于构建工作流程。尽管每个步骤的设计都有发挥创意的空间，但一些重要的人工智能特定考虑因素如下：
数据工程很可能包含大部分工作，因为人工智能依赖于可持续的、训练质量高的数据。机器学习模型在其整个生命周期内都需要持续的训练、验证和测试数据。从广义上讲，这包括评估可用数据的准备情况，以尽量减少收集不可靠、错误标记、缺失值、隐私和专有权等问题的发生。
可靠的数据管道应不断向机器学习工程师提供新数据，以确保可持续性。59 可靠的数据管道应不断向机器学习工程师提供新数据，以确保可持续性。该数据管道应依赖于自动化和标准化的数据流程，以最大限度地减少维护数据流的成本和时间。
将中队资产投入使用以建立适当模型的计划可能包括对固有专业知识和资源的考虑。当领导者招募、获取或开发出选择最佳算法来训练、测试和部署最佳模型的方法时，单位将从中受益。最佳模型不一定是最复杂的模型；逻辑回归可能比深度神经网络更能实现目标。换句话说，如果预测特定结果的方程就像 y = mx + b 一样简单，可能就没有必要开发更复杂的模型。
同样重要的是，要在组织中确定一个出口，使团队能够利用适当的计算能力建立正确的模型，以便进行训练、测试和验证以及部署。有一些资源可能有助于托管和运行人工智能解决方案，包括空军研究实验室的 redForce AI。
3.4 第 4 阶段：实施
可操作项目的时间表将为指导实施工作提供一个框架。具体来说，时间表应包括完成每个步骤的时间和所需时间。同样重要的是，要确定这些步骤是按特定顺序进行，还是同时进行。通过具体、可衡量的关键绩效指标，可以评估每项行动的成功与否，因为它与最初的 项目目标相关。如果项目未能充分实现项目目标，关键绩效指标的规定性应足以为未来项目铺平道路。
以人为本的方法至关重要。以用户为重点，领导者应设计解决方案的生命周期，利用以下问题收集、传输和整理数据：如何根据用户反馈训练和改进模型？用户将如何与预测结果互动？如何将这些目标纳入日常运营，并通过节省时间或提高任务效率来为团队带来价值？
3.5 第 5 阶段： 局限性
最后，需要对项目的局限性进行评估。其中一个可能的限制因素是开发解决方案的资金问题。例如，可以考虑利用当地工程师的时间和资源来完成该项目的可行性。这些人力可能会被免费的开源产品或购买的专有工具所取代。另一个重要限制因素是文化适应性。可能需要重新设计解决方案，以便组织能够流畅地维持和迭代工作。
4 结论
为了加强美国空军的人工智能准备，中队一级的指挥官必须激发基层以数据为中心的创新，并随后整合人工智能。中队指挥官可以通过首先制定具体的数据战略来激励创新。他们可以通过建立更好的数据基础设施、培养整个组织的人才、重新设计中队以及发展创新文化来支持这一战略。以数据为中心的转型发生在作战人员层面，而中队指挥官是必不可少的变革推动者，他将点燃人工智能战备的火焰。
指挥官可以通过鼓励将人工智能融入组织流程，建立以数据为中心的部队。为此，他们应遵循严格的人工智能构想流程，在基层激发创新。具体来说，这一构想流程将引导飞行员经历五个不同的阶段：（1）分析；（2）目标；（3）可行步骤；（4）实施；（5）限制。按照这一流程，中队可使飞行员将单位的数据资源和基础设施转化为实实在在的生产力收益。这些生产力的提高将增强空军的实力，并为数字化战争做好准备。
原文
相关内容
微信扫码咨询专知VIP会员