2022年3月29日,兰德公司网站发布报告,题为《Developing a Concept of Operations for Joint All-Domain Command and Control with an Embedded Role for Artificial Intelligence Applications(开发嵌入人工智能应用的联合全域指挥控制作战概念)》,作者是兰德项目部空军现代化和部署项目主任,雪莉尔林格尔。报告要点如下:
一、研究的问题
(1)多域作战(MDO)需要联合全域指挥与控制 (JADC2) 能力的支持
现代战争已经超越了陆地、空中和海上的传统作战域,要求指挥官及作战参谋超越传统领域,在包括空间和网络以及跨电磁频谱领域进行作战计划、指挥和控制。
未来的全领域战争和竞争将对获取信息的规模和速度、对信息的掌握以及对快速决策提出更高的要求,这些都是联合全域指挥控制(JADC2)的关键要素。
但美国军队在规划、调度、作战中使用的很多遗留系统和基础设施与这一现代化需求格格不入。同时考虑多域作战的复杂性,军事指挥官需要新的工具,包括基于人工智能/机器学习的工具。
(2)人工智能/机器学习的诱惑
最近在日益复杂的游戏中,人工智能/机器学习表现出了超越人类基线的能力。另一方面,国家对未来高端对抗中作战需求的认识也越来越清晰。尤其是结合星际争霸游戏的AlphaStar,似乎预示着在战术和作战层面指挥控制中人工智能的应用。
由于该人工智能算法是为真实世界、动态、多域、大规模和高节奏作战而开发的,因此需要选择、评估和监控其重要指标,以衡量算法的性能、有效性和适用性。这些技术指标包括效率(计算所需的时间和内存)、可靠性(算法结果是否有效)、最优性(算法是否针对预设目标提供最佳结果)、稳健性(在意外情况算法性能是否“优雅”下降)、可解释性(人类是否能理解计算结果的“原因”)和确信性(算法是否按预期运行)
同时为了应用人工智能/机器学习技术,军方必须了解技术应用的具体作战需求和指挥控制过程,并理解人工智能/机器学习的局限性。
(3)人工智能/机器学习应用的障碍
首先是军事文化,和商业的高风险高回报的文化不同,军事文化是风险关切的。以数据共享为例,军方往往关注数据安全,而商业上则重视数据开放。
第二个障碍是军队内部数据的可获取性。为了支持人工智能辅助决策,军方需要统一的数据管理政策,并有足够的IT资源来处理大量数据。因此,必须有一个支持收集、标记、存储、保护和共享数据的人工智能生态系统。管理上,这将依赖通用数据标准、明确责任机构、完整性检查和入侵防护措施。云计算和数据湖将是关键技术组件。考虑到现有的军事政策、文化、权限、预算和路径,构建这样的环境以跨域和安全的方式提供大量数据将给联合全域指挥控制带来挑战。
第三个障碍是需要对军事作战中心进行重组,并对运营人员进行培训。机器间通信的增加,再加上指挥与控制流程的自动化,可能会导致运营中心的设施变化和人员配置变化,从而解放部分操作员来参与更多的认知任务,如评估和完善可能行动方案。需要对操作员进行培训,胜任新的角色。也需要对规划人员和决策人员进行培训,以适应单一领域到多域的思考模式转变。
第四个障碍是军事亚文化。考虑到作战团队之间的亚文化的差异、计划管理的差异以及授权方式的差异,即使是在一个军种中,也很难整合天空、太空和网络领域的人工智能能力。
二、有效推进的建议
情况可能比较复杂,障碍也很多,急需迅速向前推进,需要即刻变革。如果将实现目标的步骤分解成可处理的问题,如果军方清晰理解技术的可能性和局限性,就可以取得进展。
(1)目标不应该是指挥控制的完全自动化,而是指挥控制中有效人机协作。为此目的采取的步骤应包括:第一,联合全域指挥控制作战概念(CONOP)的持续发展和优先级;第二,在人工智能赋能指挥控制的过程中识别相应的需求和机会。
(2)同时,有必要为数据驱动的人工智能生态创造条件,这意味着将武器系统和相关数据放入多域数据池中,供那些应该能够访问数据的人使用,同时还应用“零信任”等安全原则,以确保对这些数据进行弹性和可靠的管理。随着人工智能软件开发,需要在作战试验环境中进行测试,将其与指挥控制系统集成,再将其部署到作战中心。功能可能会迭代——首先将有限的功能放入运营中心,然后组织用户反馈,再快速更新。分析人员和专家需要探索作战和操作概念,以促进人机协作,为作战人员使用人工智能技术建立信任,提高算法可解释能力。在缺少商业需求的领域,可能需要针对性的军事投资。
(3)当前的人工智能/机器学习技术需要数据来训练。考虑到可能会缺乏真实世界的数据来完善这些技术,可以利用建模、仿真和演习来生成算法的训练数据。但军事领域的算法必须考虑真实世界中的不确定性——这对人和算法来说都是重要难题。
正如美国空军参谋长2020年8月所说,“加速变革,否则失败”。现代战争的当务之急是向联合全域指挥控制的推进。需求是真实的,但需要为人工智能/机器学习设定符合现实的预期。现有的一些指挥控制条件还有自动化提升或人工智能提升的空间,但可能有一些指挥控制过程,从指挥员和技术的角度难以提升。正如美国众议院军事委员会主席和众议员亚当 ·斯密(Adam Smith)在2021年9月谈到联合全域指挥控制时所说,“目标是正确的,但不要低估了实现目标的难度。”