通过战术总部整合AI实现更强的通用作战图

导读：作为数字孪生战场实验室十五五预先研究课题，通用作战图（COP，Comman Operational Picture）是数字孪生战场平台的重要需求，深入理解JADC2体系中的通用作战图需求，是网络信息体系建设的关键。

为了满足现代战场的需求，陆军必须通过将人工智能（AI）集成到其系统中来加强战术指挥所。与潜在威胁阵型和指挥官相比，人工智能为军团、师、旅甚至营指挥所提供了数量和质量优势，为军团、师、旅甚至营指挥所提供了巨大的机会。

适当开发、测试和实地考察的人工智能功能将更好地整合、优先排序和关联信息，以增强对情境的理解，并实现更有效的决策。

现代战场上的多域行动（MDO）要求指挥官及其参谋在多维战斗空间中作战。这甚至会挑战最熟練的参谋，各单位已经在处理大量信息。精心设计的人工智能算法和支持人工智能的应用程序将帮助美国机动单位更好地了解其操作环境，并将实现更强大的通用作战图（COP）。

“实现决策”是信息优势活动中的核心任务，执行这一核心任务将使指挥官、参谋和编队能够获得和保持信息优势。

加强对情况的理解是指挥官实现决策优势的必要但不足的条件；在目前可实现的技术下，加强对情况的理解既势在短期内也是可实现的。

人工智能整合到这一核心任务中将在不同程度上间接促进军队在信息优势活动的所有核心任务中的能力。

本文详细介绍了未来三年将人工智能集成到现有系统和网络中的具体需求和建议。本文没有也无意为进一步发展或长期部署新生能力提供详细的建议。相反，作者的脚牢牢地扎根于当前、眼前需求和现有技术的现实中。

在未来，支持人工智能的传感器、火控系统、交付资产和算法可能会创造出令人难以置信的速度和致命性的战场，在循环中的人类努力跟上旨在执行指挥官出价的机器。收集和交付资产群有一天可能会自主执行任务，并动态地完成收集、交付和评估，同时不断调整以应对事件的展开。

物理领域的这些系统和事件将伴随着网络空间领域中人工智能功能的类似高级运用，因为友好、中立和威胁系统相互作用。此类能力目前不适用于广泛的领域和就业，基础的人工智能技术不够强大，我们无法认真考虑在不久的将来引入它们。

与此同时，陆军必须以可行、及时和有效的方式开始整合人工智能。

“美国陆军多域作战2028”断言：“跨所有领域、EMS[电磁频谱]和信息环境融合能力的关键是人工智能实现的大容量分析能力和传感器到射击机链接，这通过自动交叉提示和目标识别使敌人的欺骗和模糊复杂化。解体所需的情报改进取决于五个相互关联的系统。”

这五个系统如下：广域监控、渗透侦察、对峙监控和侦察、消耗性监控和侦察以及人类网络。

通过改善对情境的理解，这五个系统中的每一个都可以从战术总部立即开发、实验和使用人工智能系统中受益。

这种整合不会使决策自动化，而是使人类指挥官和工作人员能够做出更好的决策。正如“美国陆军多域作战2028”所述，“人机界面，由人工智能和高速数据处理实现，在速度和准确性上提高了人类决策。”

作者重申，将人工智能整合到战术总部，并更广泛地整合到整个机动单位内的系统中，以改善人类决策。

随着陆军采取行动，到2028年实现这一战斗愿景——或者，根据参考出版物，几年前——作者确定了理论和领导指导中的两个关键差距，为即将到来的军事事务革命创造条件。

首先，陆军缺乏评估其在实现人工智能MDO方面取得的进展的手段。

其次，在如何准备整合人工智能系统方面，没有向机动部队发布实际指导。

在解决了这两个差距后，作者还提出了一个军队可以用现有技术建立的系统，以增强战术指挥所的情况理解。

如果陆军要将人工智能整合到MDO中，如果我们要提供一种评估人工智能准备情况的方法，我们首先需要了解什么是人工智能。在本文中，作者使用了国家安全人工智能委员会（NSCAI）的定义，该定义在其最终报告中引用，最初由卡内基梅隆大学现任和前任高级教师发布。

Moore等人将人工智能定义为需要“才能、数据、硬件、算法、应用程序和集成”的技术层的“堆栈”或集合。NSCAI的最终报告更加重视将推动采用和实施人工智能系统的人才，以及将实现其包含的算法和模型的数据。

本文鼓励在同一领域尽早采用建议，因为它们与当前的军队能力一致。

除了人工智能的组件外，了解支持人工智能的系统为用户提供了什么也很重要。

使用专门为训练人工智能而设计的算法，应用程序的人工智能组件被“教授”识别大量数据中的模式，以便它可以对有关新数据的其他信息进行分类或预测。

这是故意的广泛和模棱两可的；这是一个抽象的过程，可以应用于许多情况。

它受到对大量标签数据的需求和持续收集更多数据的需求的限制。标记数据是富含人工智能组件可以学习预测的类别或价值识别信息的数据。标签必须与所需的预测能力相关。例如，构建一个可以在卫星图像中识别水箱的人工智能将需要一个标记的卫星图像数据集来识别它们是否包含一个水箱。

更详细的预测将需要更详细的标签，这意味着如果我们想预测坦克的模型，标签需要包括图像中的坦克类型。任何人工智能形式的质量都与该系统可用的高质量数据数量直接相关。

部署和开发人工智能系统是一个过程，作者建议以四个阶段评估军队的人工智能准备情况。

这些改编自卡内基梅隆大学的Eric Nyberg提出的四个阶段，即组织如何评估其对人工智能的准备和使用。它们非常关注数据管理和组织流程，这是创建和实施有效人工智能系统的基础。

虽然这些步骤暗示了进展，但单位无法控制的情况变化可能会导致它在人工智能启用过程中向后或向前移动。

这个过程从数据科学准备开始。

当识别、可访问和持续管理相关数据源时，一个组织就做好了数据科学准备。

现阶段，陆军部队的领导人将能够以可靠、及时和上下文相关的方式访问相关人员、后勤、培训、情报和战术数据。

至关重要的是，机动部队必须考虑如何在战斗环境中做到这一点。部队将需要建立在训练和战斗中组织、正常化和存储信息的流程。此外，数据必须在系统和作战功能之间进行整合。在这个阶段，数据是完整的，具有统计分析技能的士兵可以使用这些数据来更好地描述他们的环境、行动和随后的结果。

准备好数据科学的军队部队将有参与的领导层，他们了解其组织内如何收集、维护和共享数据。

第二阶段，数据科学准备就绪的组织将努力实现数据科学。

当识别多个数据源之间的相关性，并采用从组织数据创建的预测模型来改善工作流程和决策时，组织就启用了数据科学。支持数据科学的军队单位将使用他们收集、维护和访问的数据来增强对情况的理解，将敌人和友好行动放在背景中，并预测未来的行为。

在野外训练演习、指挥所演习和战斗训练中心轮换期间，支持数据科学的机动部队将在战术指挥所收集、清理和组织数据。士兵们将使用在预备训练期间开发的预测分析来识别敌人的行为，并对高度动态、复杂的战场做出更快的反应。

支持数据科学的陆军部队将拥有投资领导层，他们将大量数据整合到军事决策过程中，并迅速适应不断变化的条件。

第三阶段，在使用数据科学实现更好的性能后，各单位将追求人工智能的准备。

在这个阶段，组织将数据科学作为运营流程的一部分，并集成了软件应用程序，使其工作流程现代化，以整合计算技术。将使用人工智能的领导者了解将使用哪些流程和要求来增强，他们能够直接与人工智能工程师沟通，以设计和实施相关解决方案。

陆军部队将对人工智能作为武器系统的能力和局限性有实际的了解。

机动部队将与软件工厂或人工智能集成中心（AI2C）等陆军未来司令部的部队合作，以开发人工智能解决方案，以提高其任务准备和能力。数据将与姐妹组织共享，并在战术和驻军环境中访问，在后方创建的软件更新可以通过陆军网络推送到战术边缘的应用程序。

准备好人工智能的陆军部队将通知领导层，这些领导层指挥他们的数据存在，并推动未来支持人工智能的软件和应用程序的要求流程。

最后，当一个组织部署人工智能系统并能够直接衡量其对任务成功的影响时，它将启用人工智能。

这些单位可以在战术环境中使用人工智能来自动化流程并完成任务成功。这些系统在任务中以及在关键环境和条件下工作。

对于陆军部队来说，这些是弹性应用程序，可以适应动态网络条件，并在敌人破坏或拒绝通信网络时提供价值。这一阶段的组织的特点是具有高度弹性的流程和系统，这些流程和系统能够快速适应不断变化的情况，从而在多领域战场上实现决策主导地位。这些系统及时显示关键的多维数据和见解。随着现代系统生成和消耗大量信息，数据收集的规模和速度将增长。

支持人工智能的陆军部队将授权使用人工智能领导层，使用人机界面交互得出的创新解决方案来领导复杂任务。

意识到机动单元今天甚至还没有准备好数据科学，这令人生畏，而启用人工智能的过程将需要大规模的转变。这就是像人工智能一样具有革命性的技术进步的本质，也代表了小部队拥抱和影响军队人工智能未来的令人难以置信的机会。

机动部队今天应该开始实际应对，以配合陆军和国防部领导人提供的政策和教义重点。人工智能是一种不对称的能力，其中相对较小的投资可能会产生巨大的影响。虽然这可能会伤害大型、发展缓慢的组织，但它也可以为个人和小单位提供对整个组织产生巨大积极影响的机会。

通过鼓励和支持小单位及其领导人的创新解决方案，陆军可以对人工智能在军事事务中的破坏性影响做出敏捷的反应。

鼓励这种创新的早期步骤是为人工智能准备数据环境。

陆军还有一个独特的机会，可以从更大的人工智能社区的错误中学习，特别是在数据方面。

正如谷歌的人工智能工程师团队去年所写的那样，对“数据工作”的缺乏关注对大公司和人工智能先驱者来说是一个重大损害，他们在部署人工智能系统时遭受了明显的失误和失误。

通过首先关注数据管理流程的现代化的组织和文化变革，陆军将自然而然地对其中一些担忧免疫。陆军任务的性质和与人工智能系统错误相关的危险加剧了低估军队数据质量的影响。

与陆军如何通过维护地形步行等演习指导维护活动类似，单位可以通过数据健康评估来准备数据环境。这是对下属师的剧院指挥部进行的适当评估。

军团总部在其下属旅战斗队中进行类似的评估也可能是合适的。这些评估考虑了单位如何管理他们生成的数据以及他们可以访问的数据。评估数据运行状况是，在人才发展之后，是开始准备机动单元中支持人工智能的系统的最佳场所。

虽然评估应该是独一无二的，并计划对待评估的单位有特殊知识，但各单位的一般概念是相似的。

数据运行状况评估提出了以下问题：该单位在驻军和战术环境中收集、清理和管理有关日常操作的数据有多好？

数据收集应该完整，因为它描述了单位活动的上下文、环境、行动和结果。当收集自动化并集成到所有流程中时，单位将很好地收集数据。当数据在架构、类型、格式和存储位置上保持一致时，数据是干净的。干净的数据已准备好进行描述性分析，并且可以通过密切遵守的文档轻松理解。当数据可访问、持久和可靠时，数据管理得很好。做好这一事的单位将考虑如何将他们收集的数据应用于系统和流程。

彻底的数据健康评估的一部分还将考虑员工部门和工作组中有多少信息可见。广泛共享的数据鼓励协作并建立共同的理解。

本评估可以考虑遵循的一些具体行为。

进行数据健康评估，最重要的是，需要对该领域的单位准备情况进行诚实的评估。

正如战略研究所的Leonard Wong和Stephen Gerras在他们的报告中分享的那样，本文的作者可以作为轶事来批准，陆军正在与相互竞争的要求和激励结构作斗争，导致部队有时会故意报告不准确的信息以满足准备要求。

支持人工智能的系统将对这些挑战特别敏感，因此，陆军的数据健康评估必须包括评估其收集数据真实性的机制。

其中一个机制可以消除人类干预的一些要素。例如，车辆、飞机或大炮可以配备传感器，以识别其是否正常工作或系统组件存在故障。这增加了这些系统的复杂性，这带来了重大挑战。

另一个符合行业最佳实践的机制是随机子采样数据点进行重新评估。例子包括选择单位执行简单行动，以验证其设备状况，例如在155毫米榴弹炮上执行机组人员演习，与所有功能车辆一起进行车队前往训练区的集结点，或对单个武器执行无通知记录资格。要求这些警报活动来验证设备存储的数据的准确性是确保我们支持人工智能的系统配备高质量数据的绝佳方法。

军队领导人必须为各队创造空间，以如实报告这些信息，而不必担心报复。陆军在支持人工智能的多领域战场上有效作战的能力取决于军队文化的这一元素的改变。

除了为准确的数据收集设定条件和评估外，各单位今天可以采取一些步骤来为集成人工智能系统做准备。

以下建议适用于所有梯队的单位。它们牢固地基于当今可用的能力，并代表了为支持人工智能的系统准备数据环境的初始步骤。这些建议将帮助单位为数据科学做好准备。

机动单位必须通过立即停止从共享文件系统中删除数据来评估他们每天交互的数据的价值。

这些“共享驱动器”或SharePoint系统使单位内部和单位之间的协作工作成为可能，但也拥有单位行为、培训练习和报告的宝库。当设备空间耗尽以维护前几年的记录时，这些系统上的文件通常会被删除。

为了创造有效的智能，陆军数据科学家和人工智能工程师将需要访问他们开发的每项支持人工智能的技术的数万个标记数据点。这代表了人工智能社区中相对较小的数据集，陆军不能通过不考虑地删除旧文件来丢失更多数据。单位应直接使用可自由支配的支出资金来购买外部硬盘驱动器，并对其共享文件系统进行间歇性备份；为此，必须为单位提供特定的额外资金和要求。

此外，所有官员都应该能够读取至少两个以上和相邻的所有单位的非敏感文件。这将鼓励协作并引入即时效率，同时将我们的数据文化转变为共享文化。将来接受数据科学家或人工智能工程师的支持时，应将这些设备作为上下文提供，以帮助为单位创建有效的智能。

组织应该重组从下属单位收集信息的方式，以增加Excel等表格格式的使用。这些格式已经是许多状态、物流和维护报告以及检查文件的标准。以表格格式收集这些数据将在短期内通过加强数据完整性，为单位提供即时利益。

这样做还将使未来基于计算机的方法能够更容易地处理和训练人工智能。在战术环境中，表格格式的结构将有助于标准化情报收集、消防支持协调和操作同步矩阵等文件。它还将为陆军参谋创建更有用和可复制的产品，同时为未来的计算机系统提供有关陆军行动的丰富、可理解的数据。当实用和有效时，任何文档或工具单元使用——如上所述但目前位于文档-（Microsoft Word）或幻灯片-（Microsoft PowerPoint）格式中的文档或工具单元——应立即替换为表格文档（Microsoft Excel）。在Excel中收集数据时，单位应在文档中指定一致的列标题名称和一致的数据类型（数字、时间序列或文本）。

这种转变将直接导致更强大、更准确的人工智能系统，也是快速决策的关键一步。当标准陆军表格和文档结构更好、更容易使用，并为数据用户和消费者提供更有用的信息时，这种过渡就可以实现。

为了指导人工智能的开发和需求生成，单位应收集并记录在驻军和实地训练演习中花费的时间。这可能是一项具有挑战性、繁重的任务，作者推荐了两种不同的单位方法来做到这一点。

首先是收集有关数据在系统之间手动复制或依赖人类进行数据源之间协调的区域或流程的轶事信息。这在战术指挥所中可能特别有用，以确定我们依靠士兵在不同系统之间进行协调的地区。

第二个选择是指挥官指示首席信息官/G-6通过击键记录器和陆军计算机上的应用程序监控设备安装和收集数据。数据科学家和人工智能工程师可以使用这些信息来识别低效率和耗时的计算活动，以开发系统。原始使用数据和数据效率低下的轶事示例可以与陆军未来司令部的组织共享，如软件工厂或AI2C，然后可以与单位合作，快速开发和现场解决方案。

未来的所有军队系统和最近的许多系统都会产生大量的数据，必须立即访问。

首先，对于陆军考虑获得的任何将生成数据的记录程序，作者建议建立数据可访问性和存储审查。本次审查的目的是评估陆军人员访问该系统收集和存储的数据的能力。除了少数军队系统之外，所有系统都缺乏通用的应用程序编程接口和支持程序化系统访问的能力，这是不可接受的。此外，这些系统存储的历史数据是美国的财产。军队本身必须通过行业标准方法向其士兵和军官提供，而不需要任何民用中介。这些系统目前的数据环境很难在内部开发支持人工智能的系统。

其次，陆军应该开始对不符合该标准的当前系统进行审查，并重新考虑这些计划的规定要求。通过修订收购流程和审查目前授予的合同，陆军将因其数据质量和可访问性标准而确立自己作为政府和私营部门组织的领导者的地位。

在专业军事教育课程中，美国陆军训练和理论指挥部应立即引入数据管理和使用策略方面的适当指导。作为基本官员领导课程的一部分，数据教育应包括一般数据收集策略、单位和分支机构特定信息的组织以及现代数据可视化工具等主题。这些工具将使后勤人员能够更好地组织单位维护数据，情报人员能够更好地综合各种情报来源，机动人员能够更好地报告和收集数据。

此类教育的核心原则必须是相关的；教导学生这如何直接适用于他们的下一份工作。

在Captains Career Course中，可以通过包括如何管理多个数据源和建立数据收集文化的指导来构建这一点。指挥和总参谋学院应该引入数据收集选修课程，以教育现场级官员整合权威数据源、管理共同操作情况以及支持数据收集和管理所需的基础设施。

陆军战争学院应教育高级野战军官，以识别数据收集策略中的战略差距，并让他们准备好以计算机增强的情境意识进行领导。

此外，应为旅、师和军团指挥官和参谋长提供完成AI2C高级领导教育计划的机会，以了解和欣赏如何领导使用人工智能系统领导组织。陆军需要调整数据收集和管理技术方面的军官教育，为MDO中不断变化的战斗要求做好准备。

战斗训练中心为开发和实施战术应用的人工智能系统提供了绝佳的场所。

通过存储单位轮换的标签数据，并为敌方部队提供为战术指挥所创建的早期版本的人工智能系统，战斗训练中心可以成为陆军人工智能发展的核心，同时为复杂系统提供快速反馈，这些系统将具有挑战性，直到陆军在战斗中面临近乎同的对手。在指挥所演习的任务指挥训练计划进行的训练中也存在类似的机会。

虽然大型组织之间的协同作用和共同努力路线是有价值的，但陆军将从不同单位独立考虑和采纳这些建议中受益。随着时间的推移，随着人们移动和改变位置，这些独立的想法将为人工智能系统形成更强大的基础，从想法的自然共享和混合中。

在开源软件社区分享想法并从彼此的独特方法中快速学习后，陆军可以在MDO中为人工智能创建环境进行建模。通过在当地开发独特的解决方案，然后随着时间的推移进行合作，各单位将识别共同的挑战，同时减少忽视特定特征或特定任务的独特元素的可能性。

在上述努力的同时，陆军应开发、试验和采用最先进的技术，以实现战术总部的作战。

为了实现这一目标，陆军可以在任务指挥部训练计划进行的指挥所演习和战斗训练中心的训练轮换期间开始将人工智能整合到训练中。

这将首先记录来自控制系统中使用的计算机的数据、参与者的声音以及来自战斗系统的位置数据。

然后，这些数据将提供给从受控环境中访问操作数据的数据科学家。使用人工智能和自然语言处理，结合事件的细节和时间以及对抗部队行动，然后可以分析这些数据，以确定当前过程未能满足战斗需求的趋势。

可以进一步研究这些具有最佳或更好性能的趋势的异常情况，以确定成功的策略、技术和程序。这将推动对现有系统的改进和开发其他工具，以实现战争。一个例子是分析旅战斗队对激活敌方部队防空雷达系统的反应。通过捕获与事件相关的所有数据，并了解有关敌对部队行动的精确细节，行动后分析可以更有力地了解友好检测的技术方法和细节、工作人员和友好单位内部的沟通（包括内容和传输方法）、采取的行动以及包括评估在内的目标有效性。

迭代地与众多单位一起完成，这将能够准确了解陆军单位的能力、差距和有效性。由于指挥所演习和训练轮换中固有的事件数量和种类，有大量未被充分利用的可用数据来提高陆军的作战能力。

短期内将人工智能整合到战术总部的目标是为从旅到军团的梯队制作一个增强的共同作战图景（COP）。

这将减少行动和目标过程中的友好周期时间，同时提高指挥官的决策质量。增强的COP将提供更准确、更详细的友军信息，增强对行动和任务变量的情况理解，并增强指挥官看穿战争迷雾的能力。这将通过整合战术作战中心内各种和目前不同的系统来实现，包括指挥所计算环境、高级野战炮战术数据系统、空中和导弹防御工作站、电子战规划和管理工具、分布式共同地面系统-军队和全球战斗支援系统-军队。

目前，这些系统没有在单个人机界面上提供足够集成的COP。

此外，必须优先考虑软件和硬件的开发、实验和部署，这些软件和硬件摄取任务和操作变量的数据，以分析数据，并优先考虑时间敏感数据，供参谋和指挥官分析和行动。

该系统以及其他类似的系统将同步和整合陆军数据，以便在复杂、动态的环境中更快地做出决策。

在现代战争中战斗是必要的进步；然而，它也会带来更多的风险。就系统复杂性而言，人工智能组件比软件组件复杂得多，并带来了额外的挑战。

没有人能解释为什么它做出预测，不幸的是，性能最好的智能形式也是最不可理解的。最先进的人工智能系统只能提供有效性和准确性的衡量标准，以证明其使用是合理的。此外，现实世界不能完全由人工智能工程师在情报训练时使用的数据来建模，也没有干净的、标记的战斗数据集。这种数据偏见必须用道德软件工程以及对军队和人工智能的深入了解来解释。

与私营部门公司同样雄心勃勃的产品相比，目前将这项技术引入军队的努力要小得惊人。2022年，陆军毕业并开始雇用20名人工智能专业人员。相比之下，谷歌在2016年雇用了大约一支全员部队，41,456人，仅由软件工程师组成。其中，两个部门，27,169人，仅致力于研发。自2016年以来，谷歌的全职员工总数增加了一倍多。

如果陆军要通过开发和部署其在MDO中战斗所需的人工智能系统来使其劳动力现代化，那么它必须今天就开始准备数据环境。