人工智能（AI）辅助指控系统决策支持

引言：人工智能（AI）是机器表现出的智能行为。AI的关键问题包括推理、规划和学习。在军事应用中，AI可应用于从战斗级别到战术和作战级别的场合，如应用在营级和旅级决策支持系统中。

本文探讨如何在指挥控制系统中使用AI，讨论了如何利用AI方法辅助作战指挥决策。在指挥控制系统中应用AI系统，可以快速获取准确信息，更快地做出决策，并在作战中获得优势。

01AI对指挥控制的影响

随着近年来AI技术的不断进步，在某些任务上它超越了人类，特别是在深度学习（DL）领域。 所谓深度学习是指由多层非线性处理单元组成的机器学习模型。所有基于人工神经网络的深度学习系统被称为深度神经网络（DNN）。大量数据的获取与强大计算机的结合，再加上一系列创新（如初始化策略和数据归一化），使得这些大容量网络的训练取得了成功。使用DL和DNN，将使人们不再需要手动创建特定任务所需要的特征。取而代之的是，在DNN的训练过程中自动学习和识别特征。 需要强调的是，DNN并不是解决所有AI问题的灵丹妙药，根据具体场景和任务，还需要结合其他AI概念和机器学习模型。 战场致胜的关键在于比敌人更快速进行指挥控制，迫使敌人做出反应而不是采取行动。实现这一目标的先决条件是能够快速处理大量信息，并对不确定因素进行有效建模。 对于军事部门来说，将AI纳入指挥控制系统的好处在于，当时间紧迫或选项过多、人们无法分析备选行动方案时，AI可以提供关键的系统支持。因此，在战术和作战层面使用AI的战略重要性不言而喻。与以往的军事能力变革一样，AI有可能极大地改变军事战略平衡。

02指挥控制系统的OODA环

对于特定的军事任务而言，指挥控制过程是一个高度动态的过程，可在一定程度上将其建模为一个动态的观察、定位、决策和行动环（即OODA环）。如图1所示，传感器会对效果进行观察，一起收集传感器数据与系统内部状态数据（如任务进度）。在推理/感知过程中，一起确定对任务至关重要的事件，同时确定任务、资源和限制条件。

图1 OODA环

最后，确定计划、分配资产、评估风险。这个循环过程一直持续到任务完成、失败或撤销。整个OODA 环中的所有阶段都与指挥控制系统必须考虑的不确定性有关。

03AI的发展机遇

目前，民用部门正在推动着AI创新。其开发的AI技术和概念也适用于军事系统。要实现良好的指挥决策支持，目前最重要的是为要解决的问题构建适当的知识体系。这种知识体系为AI方法的运用提供了框架。构建知识体系是一个智力问题。如果能很好地完成这项工作，指挥决策支持的剩余工作就是在体系框架内进行数学运算，并为决策者提供良好的演示。

3.1 AI分析

在分析阶段，人们要处理和组合信息，构建一个通用的通用作战图（COP）。包括对接收到的信息进行分类、识别当前态势、构建动态更新的COP，以及检查自身系统是否被欺骗。 使用信息融合技术可以根据接收到的一系列情报报告自动生成战术共同行动计划。因此，分析阶段本身就很重要，但它还有一个目的，即所分析的结果可输入后续的规划和执行阶段，辅助决策支持。

3.2 AI任务规划

对于任务规划而言，需要规划军事行动的人进行“假设”，尽可能真实地模拟军事行动将产生的不同影响，评估不同计划的预期效果。这既包括对战场态势的影响，也包括对道德、后勤和难民等其他因素的影响。 同样重要的是，在演习中获得的军事知识可以作为规划决策支持系统的辅助手段。在制定计划时，需要这些知识来确定要实现的目标，有效地分配资源；在执行任务时，需要这些知识来监测任务的进程，并根据需要提出重新规划任务的建议。 在计划执行过程中和执行前，可以使用定性或定量方法进行分析。在分析行动方案（COA）的定性方法中，可以使用一个突出论证模型之间异同的框架来选择和完善军事行动方案。 另一种方法是使用定量方法。其中一个例子是将AI和多代理系统结合起来。如在红蓝对抗系统训练中，蓝队代表我方的目的、目标和利益，而敌方则由红队代表。假定红队在军事规划和决策中有着悠久的传统，通过让红队模仿敌方的动机、意图、行为和预期行动，己方就可以测试和评估行动方案，找出利用敌方弱点的机会，并学习了解蓝红双方的互动动态。这里，AI和多代理系统可以结合起来，为决策和规划提供支持。它使决策者能够探索可能影响目标的事件发展情况，发现和评估自身的弱点，学习了解敌人的行为，并找到获胜的策略。

3.3 AI参与作战任务

AI看法基于他们对当前局势的看法以及可以采取的替代行动。该模型可用于高级模拟，以评估决策支持系统框架内的行动。 DARPA最近开展了一个名为“实时对抗智能与决策”（RAID）的研究项目，利用预测分析、AI和模拟来分析对手的行动。RAID开发的技术可协助战术指挥官评估敌对部队的位置、兵力和目的，并预测其可能的战术行动，从而有效实施打击对手的行动。这包括识别对手的意图、预测对手的战略、发现欺骗行为、规划己方的欺骗行为、生成战略规划等。这些问题出现在军事行动计划、行动执行、情报分析等方面。为此，RAID将AI规划与认知建模、博弈论、控制论和机器学习相结合。 机器学习还可用于制定作战战术。Q-learning是一种强化学习算法，已成功用于空战目标分配。AI还有助于让工作人员更高效地工作，其中一个应用是自动生成报告总结。这种需求来自于层级式的组织结构。在这种结构中，每个上层人员都会收到来自下层人员的报告。因此，如果不进行总结，向上传递的信息量可能会呈指数级增长。过去，自动文本摘要属于提取类型，即从原始文档中剪切和粘贴相关的完整句子。最近，随着序列到序列建模的深度学习技术的发展，出现了用于摘要的抽象方法。抽象方法能够生成摘要。 另一个应用是将语音转录为文本。自计算机兴起以来，机器学习一直是语音识别系统的基础。当今最先进的算法都基于深度学习技术。

04AI的可行性

当前，基于AI的后勤规划工具“部署与执行联合助理”（JADE）已被美国军方使用，美海军JADE也已应用了很长时间。美军研究实验室开发了一种名为Sniper-RT3的任务规划和培训工具，以三维地形数据为基础，这些信息在布置传感器或部队防卫时至关重要。 AI的自动语音识别技术也已经日渐成熟。微软、谷歌、亚马逊等公司都有利用最新深度学习技术的产品，用于语音对话系统。 正如AI领域的最新进展所证明的那样，海量数据的可用性是实现强大AI系统的基础。在不同的场景或应用中，特别是在某些军事环境中这可能是一项挑战。在数据稀缺的情况下，迁移学习等技术将对许多军事应用非常重要。在迁移学习中，针对类似但不同的应用所训练出来的机器学习模型将可以被重复使用并适应新的问题。例如，军事报告和摘要不同于民用报告和摘要，然而，考虑到两者的相似性，可以预期，在非军事文本上训练总结算法将是机器学习模型学习特定军事用例总结的良好起点。

05结论

本文介绍了如何利用AI来增强未来指挥控制系统的决策支持功能。指出了AI可以发挥作用的领域。从指挥控制系统建模的角度来看，本文指出了指挥控制流程中需要考虑AI功能的三项主要活动，即：感知决策、规划、军事活动。为促进感知决策过程，可以利用各种不同的智能信息处理工具实现信息优势。在规划方面，用于处理战术数据库（地形、后勤、理论等）的工具可与决策支持工具相结合，使指挥官能够在不同的抽象层次上评估不同的行动方案。最后，AI对执行的支持内容包括为指挥官评估备选行动，以及在执行行动期间为不同类型的参谋工作提供便利，例如使用语音转文字工具快速、正确地传达不同的简报。 从最终用户的角度看，有些AI工具，如语音到文本工具、地形分析功能等智能工具，已经非常成熟；而在其他领域，如推理对手的博弈论工具，还需要进一步进行深入研究才能实现其实际功能。