了解如何利用数据和人工智能对抗战争迷雾。

美国国防部(DoD)是一个庞大的组织,涵盖了武装部队的多个分支和职能部门。其中包括后勤、财务、医疗保健、研发、测试与评估、运营与维护、建筑等。

美国防部的使命是提供遏制战争和确保国家安全所需的军事力量。为支持近 210 万军事人员和 77.8 万文职人员,国防部本财年需要 8500 亿美元的预算。

本文讨论了数据分析、人工智能和其他决策支持技术对美国陆军--这个规模最大、历史最悠久的军种--的影响。通过聚焦陆军,可以更清晰地了解这些技术将如何塑造未来战争。

决策和共同作战图景

陆军的每个人都参与决策,无论是在战略、作战还是战术层面。战略决策可能需要大量的数据,一般需要数月至数年的时间。战争的胜负通常都是在这个层面上决定的。在作战层面,时间框架被认为是几周到几个月。军事战役和行动就发生在这里。在战术层面,决策是在几秒、几分钟或几小时内做出的。

一个关键的概念是 “共同作战图景”(COP)。战场动态表现形式是指挥官的实时信息来源,有助于他们做出决策。共同作战图是陆军如何使用数据分析的最好例证,因为它涉及所有作战功能的运行估计和状态获取。然而,其有效性取决于所获数据的准确性和及时性。

将数据转化为行动

美陆军 Vantage 计划不仅是一个分析平台,还是整个陆军数据驱动决策的催化剂。通过利用人工智能(AI)和机器学习(ML)的力量,陆军可以将海量数据转化为可操作的情报,为从战略规划到战术执行的各级决策提供支持。

并非 Vantage 的所有功能都与军事行动有关。其中一些功能包括监测所有士兵的健康状况,直至连一级,以便领导层能够即时评估全球各地部队的战备状态。当前的装备准备水平是 Vantage 追踪的另一个关键因素。

Vantage 最终可实现数据驱动型决策,尤其是针对作战和战术需求的决策。处于激烈战斗中的作战指挥官没有时间等待可能需要一小时才能制作完成的 PowerPoint 或计划文件。查看仪表盘和拿起电话的能力可能是唯一的解决方案。战争的胜负取决于战略层面,而战斗的胜负则取决于战术层面。

与其他专有定制系统不同,Vantage 广泛使用了现有的商业软件和产品。这种方法缩短了开发时间,大大节省了成本,并降低了未来的运营费用。尽管 Vantage 采用了商用技术,但其配置仍可在保密和非保密环境中运行。

用于现代战争的数据和人工智能

这意味着什么?对作战人员来说,这意味着提高 OODA 循环的速度和精度。OODA 循环(观察-定向-决策-行动)由空军的约翰-博伊德上校于 20 世纪 60 年代末首创,通过提高战斗机飞行员进入对手决策循环的能力,彻底改变了空对空作战。现在,OODA 循环已应用到战斗的方方面面。

作战指挥官可以看到一个仪表盘,上面集成了无人机提供的 ISR 数据(情报、监视和侦察)、美国国家安全局(NSA)提供的 SIGINT(信号情报)、中央情报局(CIA)或国防情报局(DIA)提供的 HUMINT(人类情报)等等。

现在离执行完美计划越来越近了吗?

想象一下这样一个场景:两支敌对部队正在向一个阵地推进。首先对付哪支部队以及动用哪些资产取决于各种因素。二十年前,将分析和观察结果汇集在一起的过程耗费了大量时间,导致对结果的怀疑超过了应有的时间。

在现代战场上,指挥官们拥有能提供一系列指标和警告的系统,使他们能更早地做出战术决策,在正确的时间以正确的理由将炸弹和子弹投向正确的目标。最大的威胁并不总是距离最近的威胁。像 Vantage 这样的系统能让作战指挥官最有效地使用部队和资产。

第二次世界大战期间,乔治-巴顿将军曾说过:“现在猛烈执行的好计划胜过下周执行的完美计划”。

有了现代数据分析技术,现在离执行完美计划越来越近了。

参考来源:Open Access Government

成为VIP会员查看完整内容
37

相关内容

人工智能在军事中可用于多项任务,例如目标识别、大数据处理、作战系统、网络安全、后勤运输、战争医疗、威胁和安全监测以及战斗模拟和训练。
《美空军研究实验室(AFRL)全球研究布局》50页报告
专知会员服务
64+阅读 · 2023年12月12日
国家自然科学基金
294+阅读 · 2017年12月31日
国家自然科学基金
27+阅读 · 2015年12月31日
国家自然科学基金
8+阅读 · 2015年12月31日
国家自然科学基金
33+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
11+阅读 · 2014年12月31日
国家自然科学基金
40+阅读 · 2013年12月31日
国家自然科学基金
16+阅读 · 2012年12月31日
国家自然科学基金
47+阅读 · 2011年12月31日
A Survey of Large Language Models
Arxiv
408+阅读 · 2023年3月31日
Arxiv
147+阅读 · 2023年3月24日
Arxiv
21+阅读 · 2023年3月17日
Arxiv
10+阅读 · 2020年11月26日
Arxiv
26+阅读 · 2019年3月5日
VIP会员
相关基金
国家自然科学基金
294+阅读 · 2017年12月31日
国家自然科学基金
27+阅读 · 2015年12月31日
国家自然科学基金
8+阅读 · 2015年12月31日
国家自然科学基金
33+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
11+阅读 · 2014年12月31日
国家自然科学基金
40+阅读 · 2013年12月31日
国家自然科学基金
16+阅读 · 2012年12月31日
国家自然科学基金
47+阅读 · 2011年12月31日
微信扫码咨询专知VIP会员