|
“ 本文闡述了一種識別支持聯(lián)合全域指控控制JADC2的人工智能/機器學習AI/ML功能的方法,。”
本文以簡短的定義和人工智能/機器學習AI/ML技術的各種類別的總結和相關示例開始。然后我們概述了多域MD的三個小插曲;另一份不向公眾公開的報告提供了更多細節(jié),。我們還展示了指揮控制C2流程從小圖到突出的AI/ML功能的映射,，并以對三個小圖的總結作為收尾。
人工智能和機器學習的作用 出于本文的目的,，我們定義AI和ML如下:AI是一門與展示智能的機器有關的學術學科,。定義在兩個方面有所不同。第一個是機器如何推理,，第二個是機器如何行動,。例如，一臺機器可以通過窮盡性和邏輯性的推理或使用簡單的啟發(fā)式來理性地行動,?；蛘撸瑱C器也可以像人類一樣推理和行動,，這可能不是最佳選擇,，但仍具有適應性。機器學習ML是人工智能的一個子領域,，它涉及機器在不首先接收明確指令的情況下執(zhí)行任務,。相反，機器通過訓練數(shù)據(jù)或與模擬環(huán)境的交互來學習執(zhí)行任務,。神經(jīng)網(wǎng)絡是ML技術的一類,，還有許多其他參數(shù)和非參數(shù)統(tǒng)計技術。一種神經(jīng)網(wǎng)絡包括按層排列的單元集合,。網(wǎng)絡學習單元之間的一組連接權值,，以在不同的輸入條件下產(chǎn)生正確的輸出。深度學習是神經(jīng)網(wǎng)絡的一種特殊實現(xiàn),，它涉及到在產(chǎn)生輸出之前跨大量中間層轉換輸入,。使用深度學習的AI/ML系統(tǒng)現(xiàn)在在涉及圖像分類、語音識別和游戲玩法的任務中取得了超人類水平的表現(xiàn),。計算機工程的并行發(fā)展使深度學習取得了進展,。AI/ML系統(tǒng)最近在《圍棋》、《無限撲克》和《星際爭霸》等游戲中的成功,，暗示了使用這些系統(tǒng)解決實際決策問題的可能性,。許多關注源自當代AI/ML系統(tǒng)能夠應對這些游戲的龐大規(guī)模和復雜性，基于不完全信息做出決策的需求,，以及實時連續(xù)游戲的整合,。任務特征的發(fā)展,，從完全信息到不完全信息，從回合制游戲到實時游戲,，越來越像操作作戰(zhàn)行動中的指揮控制C2過程,。AlphaZero、Libratus和AlphaStar等基于AI/ML的系統(tǒng)在這些游戲中的成功表明：AI/ML同樣可以應用于解決某些不完全信息的實時決策問題,。
人工智能技術分類 人工智能技術可以分為六大類： 計算機視覺涉及到在視覺世界中檢測和分類物體,。項目Maven包含了人工智能算法的例子來檢測和分類自然場景中的對象。 自然語言處理(NLP)執(zhí)行語音和文本識別和翻譯,，目前在數(shù)百萬美國家庭使用谷歌家庭和亞馬遜Echo,。 專家系統(tǒng)是使用大量專家知識創(chuàng)建的基于規(guī)則的系統(tǒng)。幾十年來,，它們一直被用于醫(yī)療,、財務決策和其他領域。 規(guī)劃者解決了調(diào)度和資源分配問題,，例如,，它被用于減少谷歌的能源消耗，并在實時策略游戲中實現(xiàn)超人類水平的性能,。 ML涉及到從訓練集中的精選示例(即監(jiān)督學習)或通過與真實或模擬環(huán)境的交互(即強化學習)獲取知識,。ML已被應用于諸如信用卡欺詐檢測等實際問題，并且是前一段提到的許多AI/ML系統(tǒng)的組成部分,。這類方法是通用的,，可以與前四類中的每一種結合使用。 機器人技術結合了AI/ML的傳感,、場景處理,、規(guī)劃和動作選擇功能，使嵌入式系統(tǒng)能夠與環(huán)境交互,。這個類別反映了來自前面一些或所有類別的方法的集成,。
在這6個類別中，前5個類別對聯(lián)合全域指揮控制JADC2都有明確的應用,。計算機視覺可以用于處理多源信息和進行數(shù)據(jù)融合,。NLP可用于從語音和文本中提取情報，也可用于監(jiān)控友好的聊天,，將相關信息發(fā)送給個人,，并提醒他們潛在的沖突或機會。專家系統(tǒng)可用于建議效果,，以實現(xiàn)作戰(zhàn)和戰(zhàn)術目標,。規(guī)劃系統(tǒng)可用于對各種空中、空間和網(wǎng)絡資產(chǎn)對抗目標，并生成一個分時階段的機動方案,。最后，機器學習ML可以與其他類別的人工智能一起使用,，讓指控C2系統(tǒng)在專家知識不可用或最佳戰(zhàn)術,、技術和程序(TTPs)未知的情況下學習如何執(zhí)行任務。這些技術在增強JADC2方面具有相當大的潛力,。但要實現(xiàn)轉型,，空軍必須首先投資一個生態(tài)系統(tǒng)，使之成為可能,。
評估人工智能AI/機器學習ML對跨多個領域C2部隊的適用性 最初的研究方法利用了現(xiàn)有的AOC流程,、TTPs、曼寧數(shù)字和任務線程來探索人工智能和人工智能的機會(后續(xù)報告包含詳細信息),。為了采取一種不與現(xiàn)有C2流程和結構綁定的更有前瞻性的方法,，研究團隊首先確定了對等沖突所需的作戰(zhàn)概念，然后檢查了啟用這些作戰(zhàn)概念所需的C2,。最近在空軍和各軍種之間的軍事演習中提出了一種新的多域作戰(zhàn)概念,，據(jù)說這將提供符合軍事行動目標的成本效益的手段。從這些多域作戰(zhàn)概念開始,，檢查啟用它們所需的C2功能,。為了評估AI/ML對跨多個領域C2部隊的適用性，開發(fā)了三個多域小分隊——抑制敵人防空(SEAD),、人道主義援助和救災(HADR),，以及擴散網(wǎng)格情報、監(jiān)視和偵察,，重點關注每個場景的總體功能和數(shù)據(jù)需求,。這些小插曲是作為多域作戰(zhàn)案例研究，幫助說明如何在單個任務中利用人工智能/機器學習AI/ML,。同伴報告提供了當前C2進程的參考,，基于空軍作戰(zhàn)中心 空中任務指令為三個小插曲。現(xiàn)代化的過程從現(xiàn)在起的10年時間框架內(nèi)發(fā)展,，不知道空軍作戰(zhàn)中心架構的存在,，并假定一個更分布式的C2結構。設計這個現(xiàn)代化的C2框架的目的是為了說明如何通過AI/ML實現(xiàn)流程,，確定需要捕獲和開發(fā)的各種數(shù)據(jù)流和AI方法,，并對各種必要的投資提出建議。
|
