引言：人工智能（AI）是機器表現出的智能行為。AI的關鍵問題包括推理、規劃和學習。在軍事應用中，AI可應用于從戰斗級別到戰術和作戰級別的場合，如應用在營級和旅級決策支持系統中。

本文探討如何在指揮控制系統中使用AI，討論了如何利用AI方法輔助作戰指揮決策。在指揮控制系統中應用AI系統，可以快速獲取準確信息，更快地做出決策，并在作戰中獲得優勢。

01AI對指揮控制的影響

隨著近年來AI技術的不斷進步，在某些任務上它超越了人類，特別是在深度學習（DL）領域。 所謂深度學習是指由多層非線性處理單元組成的機器學習模型。所有基于人工神經網絡的深度學習系統被稱為深度神經網絡（DNN）。大量數據的獲取與強大計算機的結合，再加上一系列創新（如初始化策略和數據歸一化），使得這些大容量網絡的訓練取得了成功。使用DL和DNN，將使人們不再需要手動創建特定任務所需要的特征。取而代之的是，在DNN的訓練過程中自動學習和識別特征。 需要強調的是，DNN并不是解決所有AI問題的靈丹妙藥，根據具體場景和任務，還需要結合其他AI概念和機器學習模型。 戰場致勝的關鍵在于比敵人更快速進行指揮控制，迫使敵人做出反應而不是采取行動。實現這一目標的先決條件是能夠快速處理大量信息，并對不確定因素進行有效建模。 對于軍事部門來說，將AI納入指揮控制系統的好處在于，當時間緊迫或選項過多、人們無法分析備選行動方案時，AI可以提供關鍵的系統支持。因此，在戰術和作戰層面使用AI的戰略重要性不言而喻。與以往的軍事能力變革一樣，AI有可能極大地改變軍事戰略平衡。

02指揮控制系統的OODA環

對于特定的軍事任務而言，指揮控制過程是一個高度動態的過程，可在一定程度上將其建模為一個動態的觀察、定位、決策和行動環（即OODA環）。如圖1所示，傳感器會對效果進行觀察，一起收集傳感器數據與系統內部狀態數據（如任務進度）。在推理/感知過程中，一起確定對任務至關重要的事件，同時確定任務、資源和限制條件。

圖1 OODA環

最后，確定計劃、分配資產、評估風險。這個循環過程一直持續到任務完成、失敗或撤銷。整個OODA 環中的所有階段都與指揮控制系統必須考慮的不確定性有關。

03AI的發展機遇

目前，民用部門正在推動著AI創新。其開發的AI技術和概念也適用于軍事系統。要實現良好的指揮決策支持，目前最重要的是為要解決的問題構建適當的知識體系。這種知識體系為AI方法的運用提供了框架。構建知識體系是一個智力問題。如果能很好地完成這項工作，指揮決策支持的剩余工作就是在體系框架內進行數學運算，并為決策者提供良好的演示。

3.1 AI分析

在分析階段，人們要處理和組合信息，構建一個通用的通用作戰圖（COP）。包括對接收到的信息進行分類、識別當前態勢、構建動態更新的COP，以及檢查自身系統是否被欺騙。 使用信息融合技術可以根據接收到的一系列情報報告自動生成戰術共同行動計劃。因此，分析階段本身就很重要，但它還有一個目的，即所分析的結果可輸入后續的規劃和執行階段，輔助決策支持。

3.2 AI任務規劃

對于任務規劃而言，需要規劃軍事行動的人進行“假設”，盡可能真實地模擬軍事行動將產生的不同影響，評估不同計劃的預期效果。這既包括對戰場態勢的影響，也包括對道德、后勤和難民等其他因素的影響。 同樣重要的是，在演習中獲得的軍事知識可以作為規劃決策支持系統的輔助手段。在制定計劃時，需要這些知識來確定要實現的目標，有效地分配資源；在執行任務時，需要這些知識來監測任務的進程，并根據需要提出重新規劃任務的建議。 在計劃執行過程中和執行前，可以使用定性或定量方法進行分析。在分析行動方案（COA）的定性方法中，可以使用一個突出論證模型之間異同的框架來選擇和完善軍事行動方案。 另一種方法是使用定量方法。其中一個例子是將AI和多代理系統結合起來。如在紅藍對抗系統訓練中，藍隊代表我方的目的、目標和利益，而敵方則由紅隊代表。假定紅隊在軍事規劃和決策中有著悠久的傳統，通過讓紅隊模仿敵方的動機、意圖、行為和預期行動，己方就可以測試和評估行動方案，找出利用敵方弱點的機會，并學習了解藍紅雙方的互動動態。這里，AI和多代理系統可以結合起來，為決策和規劃提供支持。它使決策者能夠探索可能影響目標的事件發展情況，發現和評估自身的弱點，學習了解敵人的行為，并找到獲勝的策略。

3.3 AI參與作戰任務

AI看法基于他們對當前局勢的看法以及可以采取的替代行動。該模型可用于高級模擬，以評估決策支持系統框架內的行動。 DARPA最近開展了一個名為“實時對抗智能與決策”（RAID）的研究項目，利用預測分析、AI和模擬來分析對手的行動。RAID開發的技術可協助戰術指揮官評估敵對部隊的位置、兵力和目的，并預測其可能的戰術行動，從而有效實施打擊對手的行動。這包括識別對手的意圖、預測對手的戰略、發現欺騙行為、規劃己方的欺騙行為、生成戰略規劃等。這些問題出現在軍事行動計劃、行動執行、情報分析等方面。為此，RAID將AI規劃與認知建模、博弈論、控制論和機器學習相結合。 機器學習還可用于制定作戰戰術。Q-learning是一種強化學習算法，已成功用于空戰目標分配。AI還有助于讓工作人員更高效地工作，其中一個應用是自動生成報告總結。這種需求來自于層級式的組織結構。在這種結構中，每個上層人員都會收到來自下層人員的報告。因此，如果不進行總結，向上傳遞的信息量可能會呈指數級增長。過去，自動文本摘要屬于提取類型，即從原始文檔中剪切和粘貼相關的完整句子。最近，隨著序列到序列建模的深度學習技術的發展，出現了用于摘要的抽象方法。抽象方法能夠生成摘要。 另一個應用是將語音轉錄為文本。自計算機興起以來，機器學習一直是語音識別系統的基礎。當今最先進的算法都基于深度學習技術。

04AI的可行性

當前，基于AI的后勤規劃工具“部署與執行聯合助理”（JADE）已被美國軍方使用，美海軍JADE也已應用了很長時間。美軍研究實驗室開發了一種名為Sniper-RT3的任務規劃和培訓工具，以三維地形數據為基礎，這些信息在布置傳感器或部隊防衛時至關重要。 AI的自動語音識別技術也已經日漸成熟。微軟、谷歌、亞馬遜等公司都有利用最新深度學習技術的產品，用于語音對話系統。 正如AI領域的最新進展所證明的那樣，海量數據的可用性是實現強大AI系統的基礎。在不同的場景或應用中，特別是在某些軍事環境中這可能是一項挑戰。在數據稀缺的情況下，遷移學習等技術將對許多軍事應用非常重要。在遷移學習中，針對類似但不同的應用所訓練出來的機器學習模型將可以被重復使用并適應新的問題。例如，軍事報告和摘要不同于民用報告和摘要，然而，考慮到兩者的相似性，可以預期，在非軍事文本上訓練總結算法將是機器學習模型學習特定軍事用例總結的良好起點。

05結論

本文介紹了如何利用AI來增強未來指揮控制系統的決策支持功能。指出了AI可以發揮作用的領域。從指揮控制系統建模的角度來看，本文指出了指揮控制流程中需要考慮AI功能的三項主要活動，即：感知決策、規劃、軍事活動。為促進感知決策過程，可以利用各種不同的智能信息處理工具實現信息優勢。在規劃方面，用于處理戰術數據庫（地形、后勤、理論等）的工具可與決策支持工具相結合，使指揮官能夠在不同的抽象層次上評估不同的行動方案。最后，AI對執行的支持內容包括為指揮官評估備選行動，以及在執行行動期間為不同類型的參謀工作提供便利，例如使用語音轉文字工具快速、正確地傳達不同的簡報。 從最終用戶的角度看，有些AI工具，如語音到文本工具、地形分析功能等智能工具，已經非常成熟；而在其他領域，如推理對手的博弈論工具，還需要進一步進行深入研究才能實現其實際功能。