简介
2022年3月,美国兰德公司发布《开发嵌入人工智能应用的联合全域指挥控制作战概念》报告,论述了嵌入人工智能/机器学习(AI/ML)的联合全域指挥控制(JADC2)的需求,说明了如何在JADC2中利用商业AI/ML系统和需要克服的障碍,并指出了发展路径。报告认为,为实现嵌入人工智能应用的JADC2,需要投入人力和资源来超越如今的人力密集型指挥控制模式,用自动化和AI/ML技术改进当前的规划过程。
报告核心观点包括:
①将AI/ML纳入JADC2之前需要建立“信息基础”;
②实现JADC2目标的关键是确定核心军事任务的指挥控制需求并建立可行的软件开发计划;
③将商业AI/ML系统用于军事任务,必须确定技术支持的作战需求、随后确定实现作战任务所需的指挥控制过程,同时了解AI/ML技术的局限性;
④在JADC2中应用AI/ML需要克服四个障碍:军事文化与商业文化的差异、数据不可访问、重组军事行动中心并培训人员、军事亚文化;
⑤在JADC2中应用AI/ML的目标是实现指挥控制的高效人机组队,而不是指挥控制的完全自动化。
本文编译了报告主要内容。
将人工智能(AI)和机器学习(ML)纳入JADC2进行多域作战(MDO)之前要完成一项艰巨的任务,即建立“信息基础”。信息基础中的数据带有标记,能够安全地存储和传输,且易于访问。建立信息基础需要持续整理和保护军方为开展指挥控制所需的跨领域、跨军种和跨梯队的所有信息。这些信息是AI和ML算法所需的输入。如果没有这样一个信息基础,将AI融入JADC2的工作就无法取得进展。
尽管最近AI/ML在游戏领域取得了令人鼓舞的成功,但考虑到信息不完整、数据质量差和对手行动等现实障碍,在某些指挥控制功能中使用类似的技术仍具有挑战性。其他AI/ML技术,例如用于预测战区内飞机状态的应用,其成熟度更高。实现JADC2目标取决于确定核心军事任务集的指挥控制需求,以及建立在近期和远期都可以实现的软件开发计划。
1
JADC2对支撑多域作战的必要性
现代战争已经超越了传统的陆、空、海领域,军事指挥官及其参谋人员计划、指挥和控制部队不能局限于这些传统领域,还要扩展到太空、网络和电磁频谱领域。更复杂的是,跨领域的活动已经超出了传统战争的范畴,在还未采取公开敌对行动之前,大多数国家早已身处竞争环境。军队必须能够在战争和竞争中整合这些领域。今天的军事行动已经需要灵活和安全的手段来跨梯队、领域、组织和地理区域进行通信和共享数据。未来的全域战争和竞争将对获取信息的规模和速度、对信息的理解和快速决策提出更高的要求,这些都是JADC2能力的关键要素。
但是,今天用于规划、调度和执行监视军事任务的既存系统和基础设施不适用于现代全域作战。鉴于多域作战规划日益复杂,期限缩短,而且数据要求增加,军事规划人员需要新的工具,包括AI/ML工具。
要想确定对AI/ML工具投入的优先级,就需要了解这些工具的能力、面临的障碍以及它们满足多域作战下新兴指挥控制需求的潜力。
图1 机器学习的类型
2
如何利用商业AI/ML系统
近来,AI/ML系统在日益复杂的游戏中展现出人类所不能及的能力,再加上人们对未来高端冲突作战需求日益加深的理解,使AI/ML变得极具吸引力。作为一种AL/ML系统,AlphaStar在即时战略游戏《星际争霸》中的成功预示着监督学习和强化学习未来有可能应用于战术级和战役级指挥控制。但是,将这些技术从游戏过渡到战争仍需要大量的研究。
随着人工智能算法被开发用于现实、动态、多领域、大规模和快节奏的作战,需要选择、评估和监控重要的度量标准来衡量算法的性能、有效性和适用性。关键的算法度量标准包括:效率(计算所需的时间和内存)、可靠性(算法是否产生有效的结果)、最优性(算法是否为给定目标提供最佳结果)、稳健性(算法是否能够在意外情况下平缓降级)、可解释性(人是否能理解所产生结果的原因)和确定性(算法是否按预期运行)。
由于商业和学术AI/ML系统没有直接应用于军事任务,这些技术需要过渡到军事环境才能带来作战优势。为了决定采用哪些AI/ML技术,军方必须首先了解需要这些技术支持哪些作战需求,如空中优势、防空、加油机支持等。随后作战需求将决定实现作战任务所需的指挥控制过程,如态势感知、空域去冲突等。了解AI/ML技术的局限性,尤其是它们在不确定条件下进行推理时遇到的困难,也同样重要。否则,这些技术可能会达不到预期。
图2 AI/ML关系
3
实现AI/ML的军事应用需要克服的障碍
实现AI/ML的军事应用存在以下四个主要障碍。
(1)军事文化与商业文化的差异
由于在战争中生命始终处于危险之中,军事文化通常是规避风险的。但是在商业世界中,承担大的风险可能获得丰厚的经济回报。这种文化差异在共享数据方面表现最为突出。军方倾向于保护信息(只有那些“需要了解”的人才能获取信息),而商业世界重视开放数据访问(“广泛共享”),以促进应用开发并获得经济利益。因此,将安全考虑纳入军事软件开发和信息技术(IT)行动(称为DevSecOps)非常重要,由此能够挫败试图通过网络手段削弱指挥控制的对手和危险份子。最大的挑战可能是如何确保AI/ML算法适用于真实战场。在战场中,“战争迷雾”、不完整的信息和对手的行动与游戏环境截然不同。
(2)军方内部数据不可访问
军方需要统一的数据管理政策和足够先进的信息技术使指挥控制人员可以访问大量数据,由此支持他们的人工智能辅助决策。换句话说,必须有一个支持收集、标记、存储、保护和共享数据的AI生态系统。这个生态系统将依赖于通用数据标准、明确指定的权限、完整性检查和入侵防护。云计算和数据湖将是关键组成部分。云数据湖可以用于分布式计算、冗余存储和整个企业内的连接。考虑到现有的军事政策、文化、权限、预算和获取途径,构建这样一个环境以跨领域和跨安全级别的安全方式提供大量数据将对JADC2提出挑战。
(3)需要重组军事行动中心并培训中心的人员
机器之间通信的增加和指挥控制过程的自动化,可能会带来作战中心硬件和人员的变化,这使人类作战人员能够聚焦认知任务,如评估和完善潜在的行动方案。采用AI/ML技术将创造出新的角色和职责。作战人员需要接受培训以便管理和运营AI生态系统,同时充当数据管理员,确保在该生态系统中捕获和存储的数据的质量和完整性。此外,虽然现在规划人员和决策人员受到的培训是要在一个领域内思考,但新的职责可能会出现,需要人们同时在多个领域内思考。
(4)存在军事亚文化
由于作战人员之间亚文化的差异、规划时间线的不同,以及为实现不同的作战效果而采用的不同的权限分配方案,即使在一个军种内,也很难跨越空中、太空和网络领域集成AI能力。
尽管如此,对全域指挥控制的需求是急迫的,而且这种需求越来越普遍。为此,在JADC2中嵌入AI应用必须面对和克服以上所有障碍——军事文化、网络安全问题、用于知识质量较差的问题的算法、数据不可访问、作战中心重组和培训以及军事亚文化。
4
实现高效发展的路径
以上障碍让现状看起来很严峻,必须立即做出改变来响应快速向前推进的迫切需求。但是,如果将实现目标的步骤分解成一个个容易解决的问题,如果军方清楚技术的可能性和局限性,就可以取得进展。我们的目标不应该是指挥控制的完全自动化,而是指挥控制的高效人机组队。实现这一目标的步骤应该包括:第一,继续开发JADC2作战概念并确定其优先次序;第二,在指挥控制过程中确定采用AI/ML来增强能力的需求和机会。
与此同时,有必要为数据驱动的AI生态系统设置环境,这意味着要将武器系统和相关数据迁移至多域数据湖中,供有权限的人使用,同时应用“零信任”和其他安全原则来灵活且安全地管理这些数据。随着AI软件应用程序的开发,有必要在作战测试环境中对这些应用程序进行实验,将它们与指挥控制系统集成,然后将有限的能力部署到作战中心,接着根据用户反馈快速更新软件应用程序。分析师和技术专家希望探索作战概念来促进人机组队,建立人们对AI智能算法的信任,并提高算法的可解释性。商业需求较少的领域可能需要有针对性的军事投资,例如用于数据稀缺领域的AI算法学习,或者用于防御针对这些算法的攻击的AI算法。
当前的AI/ML技术需要学习用的数据。由于缺乏真实世界的数据(缺乏这类数据也是一件幸事)来为改进这些战争技术提供信息,军方可以利用建模、模拟和演习来为AI/ML算法生成训练数据。这类算法有助于武器-目标配对等。监督或强化学习算法可以支持这种指挥控制功能,类似于最近应用于商业游戏的学习算法。但是军事算法也必须考虑到现实世界中的不确定性,这对人类和算法来说都是一个主要困难。
正如美国空军参谋长查尔斯·布朗(Charles Brown)2020年8月所说:“要么加速变革,要么失败。”对现代战争来说,及时向JADC2迈进是必要的,而且有必要“在竞争对手的防守期限内”完成。这一需求真实存在,但对AI/ML设定现实的预期很重要。现有的指挥控制流程在自动化方面还有改进的空间,在某些情况下,在AL/ML方面也有改进的空间。美国众议院军事委员会主席、华盛顿州民主党众议员亚当·史密斯(Adam Smith)于2021年9月谈到JADC2时说:“目标是正确的,但不要低估实现这个目标的难度。”
联系客服