图:2019 年 5 月 8 日,美第 11 装甲骑兵团和威胁系统管理办公室在加利福尼亚州欧文堡国家训练中心的 "拉齐什 "战役中维护了四十多架无人机群,以测试轮换单元的防空能力。这次演习是在国家训练中心举行的众多演习中的第一次。
人工智能(AI)使军事规划人员有可能迅速调整训练场景,以支持战场上不断发展和变化的情况。当前作战环境中最大的挑战之一是如何跟上不断发展的技术步伐。高超音速武器和太空领域战争等高科技能力引发了大量关于未来战争如何发展的理论。布鲁金斯学会(Brookings Institution)等政策智囊团提出,闲逛弹药、人工智能驱动的无人水下航行器和无人机群等技术将在下一次大规模冲突中变得司空见惯。然而,国王学院兵棋推演网络(Wargaming Network)主任伊万卡-巴尔扎什卡(Ivanka Barzashka)认为,许多学者目前并没有致力于开发人工智能驱动的兵棋推演和下一代战争建模所需的认识论。虽然或许可以利用人工智能发动下一场战争,但可能错失了利用同样的技术进行训练以创建全部队训练环境的重要机会。
军方发现自己必须提高灵活性,加快在不断变化的战场环境中训练部队的速度。采用基于人工智能的能力来开发支持美国国防部(DOD)指挥作战训练中心局(CTCD)的场景,可以提高训练中心适应外国威胁变化的能力,同时允许在轮换期间根据 BCT 性能指标 "即时 "调整场景。应用人工智能辅助,国防部门就有机会提高场景开发的灵活性,使其与行动和不断变化的地缘政治条件保持同步。
在过去的二十年里,美军队训练部队作战的任务主要集中在伊拉克或阿富汗的低技术对手身上。接受巡逻行动训练的士兵侧重于连一级的个人目标瞄准。反叛乱(COIN)环境持续了二十多年,这两种环境对士兵的场景要求相对相似。士兵们关注的是类似的文化和不对称威胁,目标是大机动区域内孤立的人口中心。条令和 COIN 行动与培训环境同步缓慢发展,2004 年完成了场景开发,2006 年编写了反叛乱手册,2008 年整合了 COIN 行动培训战略。从全球反恐战争开始到复制战场的非对称性质,针对不断变化的环境进行场景开发和设计大约用了七年时间。多年来,CTCD 针对技术含量低的对手有效地调整了场景,但在下一阶段的战争中可能就没有这样的优势了,因为下一阶段的战争将更加复杂、更加联合,更有可能涉及大面积的城市地区。
在俄罗斯乌克兰战争和美国防部对太平洋沿岸作战的关注度越来越高之后,为下一个作战环境做好部队准备的场景开发正日益受到军事决策者的关注。柯蒂斯-泰勒少将(Curtis Taylor)指出,下一个战场将比以前的 "COIN "战斗 "更大、更快、更复杂"。国家训练中心(NTC)的专业对抗部队--第 11 装甲骑兵团将熟练使用低地轨道卫星、基于无人机的蜂群技术和社交媒体的能力扩展到为训练部队制造困境。为了迅速将这些能力纳入场景,需要对城市研究、文化研究、经济评估、政府研究和社会研究等多个文件进行调整和开发。由于需要大量人力,如何快速调整具有足够深度的场景,以提供身临其境的体验并训练部队,是一个需要克服的重大挑战。
美国防分析研究所的 Thomas C. Greenwood、Terry Heuring 和 Alec Wahlman 认为,下一场训练革命将需要 "创新和严格的训练与实验活动,以胜任大规模联合/合成全域作战"。随着美国转向大国竞争,训练场景必须变得更加强大,以促进以政治和军事方式进行作战和竞争。大国竞争训练本质上要求以联合方式应对冲突、开展强有力的外交活动,以及融合政治军事环境的场景。CTCD 的方法必须保持灵活性,以便在各种战场条件和环境下利用微小优势。它应允许快速应用网络、空间、信息战,并与其他政府权力要素协同开展整合行动。但最重要的是,它的场景开发需要快速创建有深度和丰富性的场景,让士兵沉浸其中。
促进未来 CTCD 场景变化的最有可能的解决方案是采用人工智能作为行动的基石。任何应用人工智能的方法都必须符合国家安全战略,与 CTCD 训练能力相嵌套,解决当前的局限性,并在 2030 年前成为可行的人工智能方法。本文认为,美国防部门已做好充分准备,利用人工智能日益增强的场景开发能力,不仅用于作战训练中心,而且用于整个部队。商业部门已经在利用人工智能的能力提供基于场景的训练,它将成为美国防部武器库中不可避免的新成员。
人工智能已成为现代美国防部词典中的热门词汇,其应用将继续成为管理与技术驱动型军事力量相关的庞大且不断增长的数据集的巨大推动力。《2022 年国家安全战略》认为,国防部需要在 "网络和太空领域、导弹击溃能力、可信人工智能和量子系统 "方面投资人工智能,以确保战场能力与竞争对手不相上下。国防部的《2023 年数据、分析和人工智能应用战略》提出,政府希望取得的成果是 "作战空间感知和理解",以及 "自适应部队规划和应用"。该战略指出,在未来几代国防部门中,人工智能技术将变得无处不在,新士兵将在日常活动中使用基于人工智能的能力。
美国《国家安全战略》和《国防战略》都没有具体说明如何使用人工智能支持训练目标。作为陆军技术转让计划的一部分,人工智能集成中心正在带头将人工智能融入美国陆军,并主要将其使用集中在远程精确射击和士兵杀伤力等能力上。当前人工智能工作的大部分关注点仍主要集中在自动驾驶汽车和后勤改进领域。在人工智能集成中心的十个人工智能现代化项目组合中,训练集成开发似乎并不是核心优先事项。虽然关注作战前沿应是人工智能集成的应有优先事项,但在将其纳入训练发展方面似乎错失了良机。
关于使用人工智能的指导仍处于起步阶段。埃隆-马斯克(Elon Musk)和其他人工智能项目开发人员已经向国会讨论了这些新兴技术的益处和危险。但是,由于国会的年龄中位数为 58 岁,参议院为 65.3 岁,因此立法部门对新兴人工智能进行有效军事政策指导和讨论的机会可能要推迟到下一个十年,直到这些技术的使用变得更加普遍。
在三个月的时间里,NTC 为作战部队轮换制定了两个新的场景,在 NTC 创造了大规模作战行动(LSCO)的可战场景。这些场景是对各作战分队机动作战训练的有效调整,而各作战分队在 LSCO 中的主要任务是通过机动与敌人近距离接触并消灭敌人。当前的场景适用于我们期望机动 BCT 在孤立的武力对武力冲突和防御行动中完成的共同任务(MET),通常没有外交、信息和经济方面的考虑。当有关民间和政府活动的问题与单元的机动计划纠缠在一起时,场景挑战就开始出现了。城市中的地方安全部队、地方医疗设施和作战行动中的电力中断等考虑因素对于进攻中的 BCT 来说并不重要,而且将这些考虑因素导入场景所需的时间也很繁琐。
创建所需深度的场景,让士兵充分沉浸其中,是一项单调而耗时的任务,通常不在现役军人或退役人员的一般技能范围内。场景开发人员需要掌握情报职能、民政、宪兵和公共事务等方面的知识,以及大量非军事信息,这些知识一般都要进行分流,以便使 BCT 在部队行动中实现其 MET。场景设计人员要花费大量精力为部队行动开发这些环境,但对他们来说,创建一个完整的场景所需的数据仍是一项艰巨的任务。
为了说明这一点,最近在美国家指挥中心的一次轮调中,观察员、教练员和教官监督了战场上敌军俘虏的投降和战术审问。迅速显现的是,敌方战俘和轮换单元士兵对场景中的政治和社会构建知之甚少。对步兵来说,这些因素并不影响与敌人会合并消灭敌人的 MET。然而,当 BCT 开始要求部队说明情况,特别是回答指挥部优先情报要求时,反对派部队士兵却因缺乏场景深度而无法提供必要的数据。信息匮乏造成的二阶和三阶影响包括:阻碍了公共事务部门为指挥官编制举行会议的声明的能力;混淆了战俘是平民还是军人的身份;缺乏评估敌方能力的情报;以及对敌方士气缺乏了解。该场景失去了成为整个部队训练活动的机会。
以前在国家指挥中心进行场景开发的尝试需要大量的专家,以及分析和更新事件的时间。本世纪初,由于二十年来一直专注于单一环境,随着时间的推移,场景的深度变得更加丰富。这些训练活动发展到涵盖巡逻基地行动,主要侧重于简易爆炸装置和伏击行动。在技术上,战争的重点是非对称对手,开发周期超过三年。随着重新将重点放在大国竞争和更先进的对手上,场景开发必须更加迅速和稳健。
2023 年,美国国家训练中心与 Scale Donovan 人工智能平台合作,探索将人工智能整合到国家训练中心的训练业务中。人工智能集成的初步构想解决方案从查询供应链管理到支持智能操作不等。Donovan展示了与研究相关的三项独特能力:利用多种语言模型的能力、在政府批准的系统上创建隔离的可搜索数据库以控制非机密信息的能力,以及创建预制数据表格以在类似约束条件下重复查询的能力。Donovan演示了增强场景开发的基本要求,并利用有限的手头资源提高了工作量吞吐量。
测试的初始阶段从使用非机密场景数据开始,以实现场景开发自动化,并支持基于研究的心理行动系列文档。人们迅速发现,在基础数据集中,场景文档足够强大,可以促进一个 BCT 在 LSCO 环境中开展进攻行动,但场景数据不够丰富,生成式人工智能无法完成任务。为了填补训练数据中的空白,使用条令库作为人工智能的参考资料基础,对数据库进行查询,以确定场景中的空白。有一次,人工智能认为,在场景中的城镇内,单位开展民政事务和作战行动后的巩固活动所需的污水、水、电、学术、垃圾、医疗、安全等方面的信息深度不够。人工智能参考孤立数据集的能力是以陆军条令为基础的。它找出了局限性,使能够锁定信息缺口。Donovan完成这项任务的独特性展示了未来识别场景开发中的局限性并提出数据集和场景创建以填补信息的能力。
测试的第二项能力是生成项目设计表格,允许用户以复制的方式设置请求参数。该模型允许用户设定查询特定主题的准则,制定研究方法,并通过人工智能生成的报告提供完善的回复。为了锻炼这种能力,在编制心理作战目标受众评估工作表时,力求通过人工智能生成的解决方案达到 80%。这份社会科学文件由十个小节组成,用于评估目标受众的易感性、脆弱性、可及性以及绘制个人行为变化图的有效性措施等要素。在确定了用于查询数据库的适当词汇后,发现人工智能能够为请求找到 70% 的解决方案。人工智能语言模型的局限性包括在定义社会科学术语方面存在挑战,以及无法理解《野战手册 3-53》(军事信息支持行动)和《技术手册 3-53.11》(影响过程活动)等条令文件中的某些上下文理解: 目标受众分析。我们还发现,我们所使用的数据库不够强大,目前的语言模型还无法使用社会科学模型进行推测研究。无论存在何种限制,人工智能都证明了它能够减少一项任务大约 10 个小时的工作量,并提高研究人员的效率。
在美国国家指挥中心使用人工智能方面的合作将继续受到部队的关注。如果当前美国防部的指导和预测保持一致,其能力最终将被整合到场景开发中。人工智能最终将支持部队为单个 BCT 量身定制场景并根据地理和外交变化进行调整的能力。我们甚至可以假定,这种能力最终将扩散到各 BCT 本身,为各单元提供在场景训练演习中创建连队特有场景的能力。这种能力对特种作战部队尤其有利,因为他们经常在分遣队一级的各种外交、信息、军事和经济环境中工作。宪兵、民政、牧师、军法检察官和网络士兵等单元将特别受益于丰富的场景创建,由于创建支持武力演习和其他军事活动的场景需要大量人力,目前许多单元训练演习都无法实现这种场景创建。
"垃圾进,垃圾出"这句话准确地描述了许多人工智能生成程序的现状。使用人工智能生成图像平台的补救尝试表明,这些程序在书写文字和独特的手绘方面存在挑战。在基于文字的使用中,输出结果通常缺乏人们对人类产品所期望的深度和清晰度。在没有强大数据集的情况下,各种创建陆军书面文档的尝试通常会导致输出结果不尽如人意。这些文件可能不符合正确的格式,即使要求程序使用陆军条例 25-50《准备和管理信函》作为指令基础也是如此。此外,在测试各种人工智能语言模型时,它在开发可称为 "创造性 "的信息方面表现出局限性,因为这种能力只允许复制性地创建参考信息。对于人工智能系统的所有潜在用途,我们看到的是一种仍处于初级阶段的能力。
人工智能目前产生的编码方式称之为受限编码和非受限编码。受限编码指的是系统建模,用于将信息截断为一个特定的答案;这在概念上类似于文本到模型的提示。使用人工智能识别大型卫星图像数据集中的装甲车辆就是这类编码的例证。受限编码的目的是减少模糊性,以提供具体的答复。第二种形式是无约束编码,或使用人类语言学来查询数据库,以增加响应的模糊性。无约束编码应用于 ChatGPT 等系统中的查询,"在拉德斯纳市创建一个虚构的城市场景,以及 SOF 民政单元进行民政侦察所需的数据"。人工智能有能力识别民事侦察的组成部分,但受限于它所能提供的关于民间抵抗组织和当地非营利组织等编造团体的数据。无约束编码需要苏格拉底式的查询和多种开发的研究模型。目前,在试图利用人工智能生成假设性问题或场景时,缺乏强大的示例数据库和人工智能的创造力挑战构成了问题,在这些问题或场景中,人工智能必须通过上下文线索将绝望的数据结合起来。
图:得益于人工智能、智能体组队和机器学习的进步,士兵们将为指挥官提供从各种不同来源收集到的关于敌人的实时信息,包括可能的行动方案,这将帮助他们在战斗中做出更好的决策。
目前的人工智能模型缺乏创新能力和对上下文线索的理解,这为图书馆学专业人员提供了一个机会,使他们成为军队应用人工智能的关键因素。一些人工智能公司已经发现需要图书馆员作为 "提示工程师",或在语言建模和数据库系统方面训练有素的个人,能够识别适当的数据库 "提示 "请求。正如电影《办公室空间》(Office Space)所强调的,工程师和技术用户之间存在沟通障碍,需要有人能够在两者之间进行翻译。提示工程师需要确定适当的研究模型、词汇和提示链,以便人工智能做出适当的回应。拥有图书馆学学位的人员在满足军队未来对人工智能使用的需求方面具有得天独厚的优势,是连接人工智能平台与能力需求的潜在招聘选择。
随着人工智能的普及,将从 "数字原生 "时代进入 "人工智能原生 "时代。目前,技术和语言模型仍处于起步阶段,但在场景开发和实时场景操作中展现出了应用潜力。研究人员一直致力于人工智能辅助的《龙与地下城》场景活动设计,角色扮演者能够沉浸在一个世界中,这个世界提供故事情节,并在玩家尝试新颖策略时填补信息缺失。这与士兵们要求获得独特而有创意的信息,以解决看似超出当前条令的复杂问题并无二致。
人工智能在未来训练场景开发中的应用,为部队迅速适应丰富的演习机会提供了重要机遇。一旦开发出重要的数据集,人工智能将成为一种强大的训练辅助工具,不仅能支持 CTCD 行动,还能为学校训练新兵提供一种能力。领导者可以创建强大的环境,将 BCT 行动与政治和社会环境条件联系起来。人工智能可以为演习导演提供改变条件的机会,而不必担心场景不够强大,无法适应不断变化的条件。
开发随着技术发展而不断改进的场景对于确保美国在全球环境中保持相对优势至关重要。CTCD 能够为多种轮换制定强大的场景,这将实现 BCT 所期望的灵活性和个性化。例如,如果一个 BCT 正在为前往非洲的轮调进行训练,那么人工智能支持的场景开发可以确定伙伴部队、敌对部队、民事因素和基本人口统计的参数,从而定义一个适当的场景,使该单元的任务具有独特性。通过人工智能辅助开发,劳动者将过渡技能组合,成为提示工程师和场景质量控制管理者。
正如测试人工智能构建《龙与地下城》场景能力的研究人员所指出的,当前的技术已经具备了场景开发的能力,"然而,在将其部署给用户之前,还必须做更多的工作"。人工智能目前的局限性不应减缓军方对该技术的采用,而应表明国防部门有必要加大对该技术的投入。与陆军在潜力上提拔士兵的方式类似,也应该在训练场景开发中提拔人工智能,看重其改善士兵训练体验的潜力。