概述了嵌入式人工智能/機器學習(AI/ML)的聯合全域指揮控制(JADC2)的需求，說明了如何在JADC2中利用AI/ML系統、需要克服的障礙，并指出了發展路徑。

　　建立“信息基礎”是將人工智能 (AI) 和機器學習 (ML) 應用于聯合全域指揮與控制 (JADC2) 的前提，并要求信息基礎中的數據有標記性、安全性、完整性、全面性，且易于訪問。建立信息基礎需要持續整理和保護軍方為開展指揮控制所需的跨領域、跨軍種和跨梯隊的所有信息。這些信息是AI和ML算法所需的輸入。實現JADC2目標取決于確定核心軍事任務集的指揮控制需求，以及建立在近期和遠期都可以實現的軟件開發計劃。

　　本文概述了嵌入式人工智能/機器學習(AI/ML)聯合全域指揮控制(JADC2)的需求、AI/ML需要克服的障礙，并指出了未來發展方向。文章提出JADC2需要在人才和資源方面進行投資，以突破今天的人力密集型指揮與控制(C2)模式。通過自主和AI/ML來改進當前的規劃過程是一個有價值的現實目標。

　　JADC2對支撐多域作戰的必要性

　　現代戰爭要求指揮官在陸、空、海、太空、網絡和電磁頻譜領域對部隊進行規劃、指揮和控制，并且需要靈活和安全的手段來實現跨梯隊、領域、組織和地理空間通信和數據共享。未來的全域戰爭將對快速獲取和解讀大量信息、快速決策提出更高的要求，這些都是JADC2能力的關鍵要素。

　　當前用于軍事規劃、調度和監測的系統和基礎設施已不適用于現代全域作戰。鑒于多域作戰規劃的復雜性、及時性和大量數據需求，軍事規劃人員需要開發和利用新工具，尤其是那些基于AI/ML的工具。因此，首先就需要了解這些工具的能力、面臨的困難以及應用潛力，以確定對其投入的優先級。

　　圖1 機器學習的類型

　　AI/ML的吸引力

　　近來，AI/ML系統在日益復雜的游戲中展現出人類所不能及的能力，再加上人們對未來高端沖突作戰需求日益加深的理解，使AI/ML變得極具吸引力。作為一種AI/ML系統，AlphaStar在即時戰略游戲《星際爭霸》中的成功預示著監督學習和強化學習未來有可能應用于戰術層面和戰役層面的指揮控制。但是，將這些技術從游戲過渡到戰爭仍需要大量的研究。

　　隨著人工智能算法被開發用于現實、多域、動態、大規模和復雜快速的作戰，需要選擇、評估和監控重要的度量標準來衡量算法的性能、有效性和適用性。關鍵算法指標將包括以下內容：

　　效率：

　　計算所需的時間和內存

　　可靠性：

　　算法是否產生有效的結果

　　最優性：

　　算法是否為給定目標提供最佳結果

　　穩健性：

　　算法是否能夠在意外情況下平緩降級

　　可解釋性：

　　人類是否能理解所產生結果的原因

　　確定性：

　　算法是否按預期運行

　　為了決定采用哪種AI/ML技術，軍方必須首先了解這些技術所能支持的作戰需求(例如，空中優勢、防空、加油機支援等)。隨后作戰需求將決定實現作戰任務所需的指揮控制過程，如態勢感知、空域沖突消除等。掌握AI/ML技術的局限性也同樣重要，尤其是這些技術在不確定條件下進行推理時遇到的困難。

　　圖2 AI/ML關系

　　實現AI/ML的軍事應用需要克服的障礙

　　實現人工智能/機器學習的軍事應用存在幾個障礙：

　　障礙一：軍事文化與商業文化的差異

　　軍方注重于保護信息安全(只有那些“需要了解”的人才能獲取信息)，而商業世界則重視數據的開放訪問(為了應用程序開發和其他經濟利益而廣泛共享)。因此，將安全考慮納入軍事軟件開發和信息技術行動(稱為DevSecOps)非常重要，由此能夠挫敗試圖通過網絡手段削弱指揮控制的對手和危險份子。最大的挑戰可能是如何確保AI/ML算法適用于真實戰場。真實戰場的不確定性、信息不對稱性和對手的行動，與游戲環境相比是截然不同的。

　　障礙二：軍隊內部無法訪問數據

　　軍方需要統一的數據管理政策和足夠先進的信息技術使指揮控制人員可以訪問大量數據，由此支持人工智能輔助決策。換句話說，必須有一個支持收集、標記、存儲、保護和共享數據的AI生態系統。這個生態系統將依賴于通用數據標準、明確指定的權限、完整性檢查和入侵防護。云計算和數據湖將是關鍵組成部分。云數據湖可以用于分布式計算、冗余存儲和整個企業內的連接。考慮到現有的軍事政策、文化、權限、預算和獲取途徑，構建這樣一個環境以跨領域和跨安全級別的安全方式提供大量數據將對JADC2提出挑戰。

　　障礙三：需要重組軍事行動中心并培訓管理這些中心的人員

　　機器之間通信的增加和指揮控制過程的自主化，可能會帶來作戰中心硬件和人員配置的變化，這使人類作戰人員能夠聚焦認知任務，如評估和完善潛在的行動方案。采用AI/ML技術將創造出新的角色和職責。作戰人員需要接受培訓，以便管理和運營AI生態系統，同時充當數據管理員，確保在該生態系統中捕獲和存儲的數據的質量和完整性。此外，雖然現在規劃人員和決策人員受到的培訓是要在單一領域內思考，但新的職責可能會出現，需要人們同時在多個領域內思考。

　　障礙四：軍事亞文化的存在

　　由于作戰人員之間亞文化的差異、規劃時間線的不同，以及為實現不同的作戰效果而采用的不同的權限分配方案，即使在一個軍種內，也很難跨越空中、太空和網絡領域集成AI能力。盡管如此，對全域指揮控制的需求是急迫的，而且這種需求越來越普遍。為此，在JADC2中嵌入AI應用必須面對和克服以上所有障礙——軍事文化、網絡安全問題、用于知識質量較差的問題的算法、數據不可訪問、作戰中心重組和培訓以及軍事亞文化。

　　實現高效發展的路徑

　　報告認為目標是指揮控制的有效人機協作，并建議應在競爭對手的防守期限內及時向JADC2邁進。首先應繼續發展JADC2作戰概念并確定其優先次序，進而在指揮控制過程中利用AI/ML來增強能力。同時為數據驅動的人工智能生態系統設定條件，將武器系統和相關數據遷移至多域數據湖供那些有權限訪問數據的人使用，并應用零信任和其他安全原則，以靈活和和安全地管理這些數據。隨著人工智能軟件應用程序的開發，有必要在作戰測試環境中對這些應用程序進行試驗，將其與C2系統集成，然后將有限的能力部署到作戰中心，接著根據用戶反饋快速更新軟件應用程序。分析師和技術專家可進一步探索作戰概念來促進人機合作，建立可信AI并提高算法的可解釋性。

　　由于缺乏真實世界的數據來為改進這些戰爭技術提供信息，軍方可以利用建模、仿真和演習來為AI/ML算法生成訓練數據(如武器-目標配對)。監督或強化學習算法可以支持這種指揮控制功能，但是軍事算法也必須考慮到現實世界中的不確定性，這對人類和算法來說都是一個主要挑戰。