算法战与AI作战应用的实现

3.7 实现人工智能战场应用

战场战备状态是衡量系统能否在现场任务空间中运行的标准。由于任务限制繁多，如果不预先考虑人工智能在现实世界中的运行方式，就无法在实验室中开发人工智能。显然实验室人工智能的局限性不会被战场所规避反而会被放大。开放架构受到军事基础设施的限制。“烟囱式”的传统系统造成了管道的不可知。一旦部署到前沿，泛在高速网络就会变成零散分布或断断续续。访问受限的用户群体会取代没有明确限定的商业领域专家群体，而这些用户几乎不具备人工智能专业知识。

简而言之，人工智能必须补充而不是扰乱正在进行的作战。解决任务限制从一开始就必须包括解决与现有系统的集成和通信问题。此外，还应该对该集成进行测试或鉴定，在部署之前证明它的效用（以及该效用的左/右限制）。测试认证过程很大程度上与军事人员部署能力认定或导致不可部署的不适应性测试过程一样。

总体而言，具备作战能力的人工智能的五项效能评估标准代表了初始和完全作战能力（IOC/FOC）的标准阈值。利用效能评估框架中的决策门做出的IOC/FOC决定将加速人工智能运用，并提升美国在算法战领域的定位。

      

3.8 架构建议

如果没有一个支持算法战的人工智能作战框架，美国国防部目前的计划将会失败。本文提出的框架是第一个定义国防人工智能领域“成功”的框架，将为政府监督提供必要的问责措施。

本文的研究目标是算法战解决方案，还需要更多研究。未来应进行拨款，将该框架级联到具体系统、学科和项目。为了支持这项工作，获取保密材料和保密系统的定量实验结果将至关重要。定量实验不仅有助于验证本文的论述，还可以开始创建一个网络来比较和改进国防领域人工智能的测试和评估。也就是说，在多个环境、系统和问题集之间持续、一致地使用效能评估架构将使人工智能项目遵循一个单一、通用的评估框架。为此，本文中提出的效能评估架构支持两个功能：通过迭代改进“通过或不通过”决策门结果来实现更有效系统，以及通过比较各自的效能评估结果对不同系统进行决策。

从战略上来看，图1中的架构应该整合到美国国防部的采购、技术和后勤流程中。当前范式并非针对人工智能项目的指数级增长和非传统性质而建立。围绕主流评估标准调整美国国防部当前和未来人工智能解决方案将实现标准化，同时加快冗长的采购流程。此外，负责企业人工智能活动的组织应该在其工作中实现框架标准化，以便更快将应用研发转化为作战效用。

不过，组织的努力不应该仅仅停留在政策上。目前，美国国防部没有利用军事人员进行人工智能活动的机制。具体来说，当前没有与人工智能相关的军事职业专业（MOS），也没有为人工智能项目识别和分配技术熟练人员的官方系统。这导致缺乏同时精通人工智能和作战任务的人员。建立一个类似于网络领域的数据学科或面向人工智能的军事职业专业，将使人工智能的作战应用更具可持续性。合格军事人员数量的增加还将扩大已认证人工智能专业人员的小规模人才库。传统的军事职业专业也可能能够适应现代战争的特点。例如，在多智能融合普遍存在的情况下，特定学科的情报分析师可能并不重要。修改或增加人工智能技能标识符或专业化将抑制军事职业专业相关性的降低。

从战术上来看，五角大楼对人工智能的推动需要伴随着一场彻底的运动，这样采用人工智能的组织就不会被简单地赋予一种没有作战背景的能力，而是在作战中发挥积极作用，利用这些能力抵消敌方优势。基层工作可能包括在初始和完全作战能力设计计划之前，在战术分队层面进行影响分析和压力测试，以了解漏洞并确定需求的优先级。

4 结语

实现具备作战能力的人工智能本质上是以任务为中心的努力，这种努力必须在战术上有意义，才能进一步产生战略影响。在对地面分队的投资获得切实回报之前，算法战的价值仍旧存疑。这也将导致让对手获得越来越难以战胜的优势。

如果没有一个实施人工智能作战应用项目的框架，美国国防部就不能继续开展这些项目。本文提出的体系架构有助于加速和规范政府工作，通过高度创新、具有作战吸引力的技术来发展人工智能能力。