《人工智能在指挥和控制系统中的决策支持》

人工智能（AI）是机器显示出来的智能行为。在日常用语中，当机器模仿人类进行学习和解决与认知功能相关的问题时，就会使用人工智能这个术语。人工智能中关键问题包括推理、规划和学习。在军事应用中，人工智能在不同军事层面使用的系统中变得越来越重要，不管是从战斗层面还是到战术和作战层面，人工智能都有极其重要的作用。

这一发展导致决策支持系统被用于营级和旅级。基于通过以用户为中心涉及军事人员的结构化活动收集的经验数据，本研究调查了人工智能如何在指挥和控制系统中应用。我们研究了它在情报和作战过程中的用途。

我们讨论了人工智能方法如何用于决策支持的过程，这些过程提供了一个共同的作战图景，使用威胁分析来预测敌人的行动，并在执行前分析自己部队的替代行动。我们的结论是，人工智能对武装部队的好处是，当时间有限或选择太多，人们无法分析所有备选方案时，它可以提供关键的系统支持。我们相信，在指挥和控制系统中成功实施人工智能的一方可以成为分析信息的最优和最快的一方，并因此可以更快做出决策，获得对对手的作战优势。

1 介绍

《牛津词典》对人工智能（AI）的定义如下：“计算机系统的理论和开发，能够完成通常需要人类智慧的任务，如视觉感知、语音识别、决策和语言之间的翻译”。

目前，很难想象有什么比人工智能更突出的流行语了。当然，随着最近性能的进步，人工智能在一些任务上的表现甚至超过了人类，如下围棋、皮肤癌检测和语音识别，而且使用它有一些很好的理由。

这些进展的共同点是都与深度学习（DL）这个子领域相关。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。通常，用人工神经网络来表示这些模型，在这里，神经元指的是一个单一的计算单元，其输出是通过一个（非线性）激活函数输入的加权和（例如，一个只有在信号为正时才通过的函数）。

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），由并联神经元组成的大量串联层构成。对大量数据的处理和强大的计算机以及一系列创新（例如初始化策略和数据规范化）的结合使这些大容量网络能够成功训练。表示学习是DNNs高性能的主要原因之一。使用 DL 和 DNN，不再需要手动制作学习特定任务所需的特征。相反，判别特征是在 DNN 的训练过程中自动学习的。

应该强调的是，DNN不是解决所有人工智能问题的灵丹妙药，根据具体场景和任务，还需要其他人工智能概念和机器学习模型。

根据McCann和Pigeau的说法，指挥和控制（C2）被定义为 “建立共同意图以实现协作行动”。在军事背景下，C2的核心问题如下：

如何从一大批资源中获得集体效应？

如何处理内在的不确定性？

如何能以比敌人更快的速度对敌方产生影响？

以比敌人更快的速度产生影响，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要能够处理大量的信息，并对不确定因素进行有效的建模。

为了以一种结构化的方式解决这些问题，C2总是伴随着C2系统。C2系统由人、组织、流程、方法和设备组成。正如Brehmer所提到的，C2系统的产品是命令，为了产生命令，系统需要促进（i）数据收集，（ii）推理/感知（即分析信息并确定需要做什么），以及（iii）规划（即把需要做的事情变成可以做的事情）。

对于军事部门而言，将 AI 纳入 C2 系统的好处在于，当时间有限或选项数量过多以至于人们无法分析替代行动方案时，它可能会提供关键系统支持。因此，在战术和作战层面使用人工智能的战略重要性怎么强调都不为过。Ayoub和Payne写道：“特定领域的人工智能可以从根本上转变军事力量的对比，使人工智能发展成熟的一方具有更强的军事力量。特定领域的人工智能将对冲突产生变革性影响，并且与之前的军事能力变革一样，它有可能深刻地破坏战略平衡。战术和作战系统最有希望被改变，而且这些系统将产生战略影响。

在这份概念文件中，我们讨论了AI方法在决策支持系统（DSS）中的应用。根据瑞典武装部队指挥与控制学校举办研讨会的经验数据，我们确定了人工智能在现有C2系统中对之前列出的C2的三个核心问题可能产生重大大影响的领域和任务。此外，我们还讨论了人工智能方法的不同方面以及它们对具体任务的相应适合性。具体来说，能够解释人工智能产生的某些建议可能是基于人工智能的决策支持系统的核心。

本文的其余部分安排如下：在第2节中，我们介绍了C2系统的动态观察、定位、决定和行动环路模型，并描述了以用户为中心的方法，该方法被用来发现C2系统的挑战，在这些挑战中，人工智能有可能被利用来发挥作用。然后在第3节中总结了以用户为中心的活动的结果。第4节和第5节分别介绍了在研讨会上确定的人工智能方法在一些重点任务中的机会和挑战。最后，第6节专门讨论结论。

图1：DOODA-环的说明