2022年3月29日，蘭德公司網(wǎng)站發(fā)布報告，題為《Developing a Concept of Operations for Joint All-Domain Command and Control with an Embedded Role for Artificial Intelligence Applications（開發(fā)嵌入人工智能應用的聯(lián)合全域指揮控制作戰(zhàn)概念）》，作者是蘭德項目部空軍現(xiàn)代化和部署項目主任，雪莉爾林格爾。報告要點如下：
一、研究的問題
（1）多域作戰(zhàn)（MDO）需要聯(lián)合全域指揮與控制 (JADC2) 能力的支持
現(xiàn)代戰(zhàn)爭已經(jīng)超越了陸地、空中和海上的傳統(tǒng)作戰(zhàn)域，要求指揮官及作戰(zhàn)參謀超越傳統(tǒng)領域，在包括空間和網(wǎng)絡以及跨電磁頻譜領域進行作戰(zhàn)計劃、指揮和控制。
未來的全領域戰(zhàn)爭和競爭將對獲取信息的規(guī)模和速度、對信息的掌握以及對快速決策提出更高的要求，這些都是聯(lián)合全域指揮控制（JADC2）的關鍵要素。
但美國軍隊在規(guī)劃、調度、作戰(zhàn)中使用的很多遺留系統(tǒng)和基礎設施與這一現(xiàn)代化需求格格不入。同時考慮多域作戰(zhàn)的復雜性，軍事指揮官需要新的工具，包括基于人工智能/機器學習的工具。
（2）人工智能/機器學習的誘惑
最近在日益復雜的游戲中，人工智能/機器學習表現(xiàn)出了超越人類基線的能力。另一方面，國家對未來高端對抗中作戰(zhàn)需求的認識也越來越清晰。尤其是結合星際爭霸游戲的AlphaStar，似乎預示著在戰(zhàn)術和作戰(zhàn)層面指揮控制中人工智能的應用。
由于該人工智能算法是為真實世界、動態(tài)、多域、大規(guī)模和高節(jié)奏作戰(zhàn)而開發(fā)的，因此需要選擇、評估和監(jiān)控其重要指標，以衡量算法的性能、有效性和適用性。這些技術指標包括效率（計算所需的時間和內存）、可靠性（算法結果是否有效）、最優(yōu)性（算法是否針對預設目標提供最佳結果）、穩(wěn)健性（在意外情況算法性能是否“優(yōu)雅”下降）、可解釋性（人類是否能理解計算結果的“原因”）和確信性（算法是否按預期運行）
同時為了應用人工智能/機器學習技術，軍方必須了解技術應用的具體作戰(zhàn)需求和指揮控制過程，并理解人工智能/機器學習的局限性。
（3）人工智能/機器學習應用的障礙
首先是軍事文化，和商業(yè)的高風險高回報的文化不同，軍事文化是風險關切的。以數(shù)據(jù)共享為例，軍方往往關注數(shù)據(jù)安全，而商業(yè)上則重視數(shù)據(jù)開放。
第二個障礙是軍隊內部數(shù)據(jù)的可獲取性。為了支持人工智能輔助決策，軍方需要統(tǒng)一的數(shù)據(jù)管理政策，并有足夠的IT資源來處理大量數(shù)據(jù)。因此，必須有一個支持收集、標記、存儲、保護和共享數(shù)據(jù)的人工智能生態(tài)系統(tǒng)。管理上，這將依賴通用數(shù)據(jù)標準、明確責任機構、完整性檢查和入侵防護措施。云計算和數(shù)據(jù)湖將是關鍵技術組件?？紤]到現(xiàn)有的軍事政策、文化、權限、預算和路徑，構建這樣的環(huán)境以跨域和安全的方式提供大量數(shù)據(jù)將給聯(lián)合全域指揮控制帶來挑戰(zhàn)。
第三個障礙是需要對軍事作戰(zhàn)中心進行重組，并對運營人員進行培訓。機器間通信的增加，再加上指揮與控制流程的自動化，可能會導致運營中心的設施變化和人員配置變化，從而解放部分操作員來參與更多的認知任務，如評估和完善可能行動方案。需要對操作員進行培訓，勝任新的角色。也需要對規(guī)劃人員和決策人員進行培訓，以適應單一領域到多域的思考模式轉變。
第四個障礙是軍事亞文化?？紤]到作戰(zhàn)團隊之間的亞文化的差異、計劃管理的差異以及授權方式的差異，即使是在一個軍種中，也很難整合天空、太空和網(wǎng)絡領域的人工智能能力。
二、有效推進的建議
情況可能比較復雜，障礙也很多，急需迅速向前推進，需要即刻變革。如果將實現(xiàn)目標的步驟分解成可處理的問題，如果軍方清晰理解技術的可能性和局限性，就可以取得進展。
（1）目標不應該是指揮控制的完全自動化，而是指揮控制中有效人機協(xié)作。為此目的采取的步驟應包括：第一，聯(lián)合全域指揮控制作戰(zhàn)概念（CONOP）的持續(xù)發(fā)展和優(yōu)先級；第二，在人工智能賦能指揮控制的過程中識別相應的需求和機會。
（2）同時，有必要為數(shù)據(jù)驅動的人工智能生態(tài)創(chuàng)造條件，這意味著將武器系統(tǒng)和相關數(shù)據(jù)放入多域數(shù)據(jù)池中，供那些應該能夠訪問數(shù)據(jù)的人使用，同時還應用“零信任”等安全原則，以確保對這些數(shù)據(jù)進行彈性和可靠的管理。隨著人工智能軟件開發(fā)，需要在作戰(zhàn)試驗環(huán)境中進行測試，將其與指揮控制系統(tǒng)集成，再將其部署到作戰(zhàn)中心。功能可能會迭代——首先將有限的功能放入運營中心，然后組織用戶反饋，再快速更新。分析人員和專家需要探索作戰(zhàn)和操作概念，以促進人機協(xié)作，為作戰(zhàn)人員使用人工智能技術建立信任，提高算法可解釋能力。在缺少商業(yè)需求的領域，可能需要針對性的軍事投資。
（3）當前的人工智能/機器學習技術需要數(shù)據(jù)來訓練。考慮到可能會缺乏真實世界的數(shù)據(jù)來完善這些技術，可以利用建模、仿真和演習來生成算法的訓練數(shù)據(jù)。但軍事領域的算法必須考慮真實世界中的不確定性——這對人和算法來說都是重要難題。
正如美國空軍參謀長2020年8月所說，“加速變革，否則失敗”?，F(xiàn)代戰(zhàn)爭的當務之急是向聯(lián)合全域指揮控制的推進。需求是真實的，但需要為人工智能/機器學習設定符合現(xiàn)實的預期?，F(xiàn)有的一些指揮控制條件還有自動化提升或人工智能提升的空間，但可能有一些指揮控制過程，從指揮員和技術的角度難以提升。正如美國眾議院軍事委員會主席和眾議員亞當 ·斯密（Adam Smith）在2021年9月談到聯(lián)合全域指揮控制時所說，“目標是正確的，但不要低估了實現(xiàn)目標的難度。”
?