人工智能（AI）是機器顯示出來的智能行為。在日常用語中，當機器模仿人類進行學習和解決與認知功能相關的問題時，就會使用人工智能這個術語。人工智能中關鍵問題包括推理、規劃和學習。在軍事應用中，人工智能在不同軍事層面使用的系統中變得越來越重要，不管是從戰斗層面還是到戰術和作戰層面，人工智能都有極其重要的作用。

這一發展導致決策支持系統被用于營級和旅級。基于通過以用戶為中心涉及軍事人員的結構化活動收集的經驗數據，本研究調查了人工智能如何在指揮和控制系統中應用。我們研究了它在情報和作戰過程中的用途。

我們討論了人工智能方法如何用于決策支持的過程，這些過程提供了一個共同的作戰圖景，使用威脅分析來預測敵人的行動，并在執行前分析自己部隊的替代行動。我們的結論是，人工智能對武裝部隊的好處是，當時間有限或選擇太多，人們無法分析所有備選方案時，它可以提供關鍵的系統支持。我們相信，在指揮和控制系統中成功實施人工智能的一方可以成為分析信息的最優和最快的一方，并因此可以更快做出決策，獲得對對手的作戰優勢。

1 介紹

《牛津詞典》對人工智能（AI）的定義如下：“計算機系統的理論和開發，能夠完成通常需要人類智慧的任務，如視覺感知、語音識別、決策和語言之間的翻譯”。

目前，很難想象有什么比人工智能更突出的流行語了。當然，隨著最近性能的進步，人工智能在一些任務上的表現甚至超過了人類，如下圍棋、皮膚癌檢測和語音識別，而且使用它有一些很好的理由。

這些進展的共同點是都與深度學習（DL）這個子領域相關。深度學習是指由多層非線性處理單元組成的機器學習模型。通常，用人工神經網絡來表示這些模型，在這里，神經元指的是一個單一的計算單元，其輸出是通過一個（非線性）激活函數輸入的加權和（例如，一個只有在信號為正時才通過的函數）。

基于人工神經網絡的深度學習系統被稱為深度神經網絡（DNN），由并聯神經元組成的大量串聯層構成。對大量數據的處理和強大的計算機以及一系列創新（例如初始化策略和數據規范化）的結合使這些大容量網絡能夠成功訓練。表示學習是DNNs高性能的主要原因之一。使用 DL 和 DNN，不再需要手動制作學習特定任務所需的特征。相反，判別特征是在 DNN 的訓練過程中自動學習的。

應該強調的是，DNN不是解決所有人工智能問題的靈丹妙藥，根據具體場景和任務，還需要其他人工智能概念和機器學習模型。

根據McCann和Pigeau的說法，指揮和控制（C2）被定義為 “建立共同意圖以實現協作行動”。在軍事背景下，C2的核心問題如下：

如何從一大批資源中獲得集體效應？

如何處理內在的不確定性？

如何能以比敵人更快的速度對敵方產生影響？

以比敵人更快的速度產生影響，迫使敵人做出反應而不是采取行動。實現這一目標的先決條件是要能夠處理大量的信息，并對不確定因素進行有效的建模。

為了以一種結構化的方式解決這些問題，C2總是伴隨著C2系統。C2系統由人、組織、流程、方法和設備組成。正如Brehmer所提到的，C2系統的產品是命令，為了產生命令，系統需要促進（i）數據收集，（ii）推理/感知（即分析信息并確定需要做什么），以及（iii）規劃（即把需要做的事情變成可以做的事情）。

對于軍事部門而言，將 AI 納入 C2 系統的好處在于，當時間有限或選項數量過多以至于人們無法分析替代行動方案時，它可能會提供關鍵系統支持。因此，在戰術和作戰層面使用人工智能的戰略重要性怎么強調都不為過。Ayoub和Payne寫道：“特定領域的人工智能可以從根本上轉變軍事力量的對比，使人工智能發展成熟的一方具有更強的軍事力量。特定領域的人工智能將對沖突產生變革性影響，并且與之前的軍事能力變革一樣，它有可能深刻地破壞戰略平衡。戰術和作戰系統最有希望被改變，而且這些系統將產生戰略影響。

在這份概念文件中，我們討論了AI方法在決策支持系統（DSS）中的應用。根據瑞典武裝部隊指揮與控制學校舉辦研討會的經驗數據，我們確定了人工智能在現有C2系統中對之前列出的C2的三個核心問題可能產生重大大影響的領域和任務。此外，我們還討論了人工智能方法的不同方面以及它們對具體任務的相應適合性。具體來說，能夠解釋人工智能產生的某些建議可能是基于人工智能的決策支持系統的核心。

本文的其余部分安排如下：在第2節中，我們介紹了C2系統的動態觀察、定位、決定和行動環路模型，并描述了以用戶為中心的方法，該方法被用來發現C2系統的挑戰，在這些挑戰中，人工智能有可能被利用來發揮作用。然后在第3節中總結了以用戶為中心的活動的結果。第4節和第5節分別介紹了在研討會上確定的人工智能方法在一些重點任務中的機會和挑戰。最后，第6節專門討論結論。

圖1：DOODA-環的說明