通过信息反败为胜

信息是所有军事行动的关键因素。这一点不足为奇,因为观察、定向、决策和行动(OODA)循环是由信息提供的,也是对信息的理解,而且不可避免地会产生信息。数据是信息的基本组成部分,可以通过添加额外的上下文或将其与其他数据融合来提高数据的价值,从而向查看者传达更大的意义。例如,对于一名飞行员来说,空速、高度、航向和导航数据等单个数据对于任何特定任务都非常重要,而这些数据可以通过平视显示器进行融合,以传递更多信息。有了这些基本的数据分析和显示,平视显示器可以在一个位置传递所需的数据,并与特定任务的警报相结合,从而加速飞行员的 OODA 循环,为他们提供信息优势。正如 MCDP 8 “信息 ”中所描述的,使用正确的信息可以创造决策、时间、空间和其他信息优势,使友军能够超越对手,这在同级对手构成威胁的情况下至关重要。

现代战场上最大的挑战之一是远程、高速武器带来的时间压缩及其将美国资产置于危险境地的能力。韦恩-休斯的这一观点在海军陆战队近期出版的《部队设计》和《待命部队概念》等出版物中得到了回应。未来冲突的预期特点要求必须具备快速观察、定位和决策的能力,以便在敌方武器带来的时间限制内采取必要行动。其中任何一个过程花费的时间越长,完成 OODA 循环所需的时间就越长,这就增加了获得决策优势的难度。

观察与定位之间的相互关系对于管理完成 OODA 循环所需的时间至关重要。如果不对海军陆战队员观察到的数据进行某种管理,那么在特定情况下,大量可用的数据,无论是否相关,都会拖慢定向阶段的速度,因为海军陆战队员必须分辨哪些是相关的,哪些是不相关的,然后再尝试对认为相关的数据进行理解。如果能根据海军陆战队员的需求对观察到的信息进行整理和格式化,观察和定位所需的时间就会大大缩短。

摩擦、不确定性和复杂性也往往会减缓这一过程,虽然战争迷雾永远不会消散,但有可能拨开一些迷雾。如果海军陆战队能保持对相关可靠数据的访问,并在特定任务显示屏上进行格式化,就能提供持续了解态势的机会,并拨开一些迷雾。

要在这种预期的战争特征下取得成功,需要对系统进行技术变革,并对生成、共享和利用数据的方式进行操作变革,以在竞争和冲突中实现预期的效益。要实现比对手更快的相对节奏,所需的创新在于数据中心的理念。本文首先从条令的角度阐述了以数据为中心及其对海军陆战队的意义。在将其与条令联系起来后,文章最后介绍了实施以数据为中心的方法,并举例说明了可以获得哪些作战效益。请注意,所提供的许多示例都是为了说明什么是可能的。此外,有时会故意使用一些模糊的术语,以便每个军种的海军陆战队员都能将这些想法与他们用来完成任务的系统联系起来。

图 1. 带有时间部分的 Boyd OODA 循环。

什么是数据中心化?

美国国防部对数据中心化的定义是:"一种架构方法,可形成一个将数据与应用程序分离的安全环境,并使数据可用于安全域内和安全域间的各种工具和分析,以进行丰富和发现"。简单地说,这意味着单个网络或信息系统是辅助工具,而不是主要工作。例如,GCSS-MC、M-SHARP 和 NALCOMIS OOMA 仍在数据生成和存储方面发挥着关键作用;然而,当这些数据在各系统间进行融合和分析并用于制定决策时,其价值可能会更大。也许每个系统中的数据都有助于建立一个模型,从而缩短飞机零部件订单所需的时间。

这种方法使海军陆战队能够利用所有有用的数据(无论系统如何)来促进每项作战功能和解决作战问题。如果海军陆战队员想要获得特定任务中有关指挥与控制、火力、部队保护、信息、情报、后勤和机动的具体信息,就需要访问无数的系统。在以数据为中心的框架中,所关注的是提供这些领域的数据访问权限,各级海军陆战队员都可以访问通常只有作战行动中心才能访问的关键信息。这为实现约翰-博伊德的信念提供了一个途径,即 “技术和概念应该赋予人权力,而不是相反”。在这种情况下,以数据为中心的实施使海军陆战队员能够在充满摩擦和不确定性的分布式环境中做出决策。

以数据为中心的方法统称为 “VAULTIS”,它使数据可见、可访问、可理解、可链接、可信、可互操作和安全。数据需要暴露在一个安全的环境中,这样授权用户才能看到数据。这些用户必须能够访问数据并加以利用。用户必须能够理解数据的内容、背景和对特定问题集的适用性。数据必须使用数据格式和元数据标签进行链接,以发现其中的关系。数据必须来自权威数据源,值得信赖,这样人们才能对数据和从中得出的见解充满信心。数据必须具有互操作性,以保持数据的语义和句法意义;否则,就有可能得出错误的结论。最后,数据必须安全,不得擅自使用或篡改。

这是当前框架的演变,在当前框架下,数据与应用程序绑定,而应用程序的功能限制了数据的安全使用。这限制了海军陆战队利用数据的能力,因为将数据用于高级分析并与其他相关数据合并成为一个繁琐的数据导出、合理化和导入过程。从作战角度看,它限制了指挥官在单一集成的共同作战图景中查看来自多个系统的输入的能力。在这两种情况下,由于可用的数据量和计算能力有限,架构框架限制了数据的实用性,阻碍了包括人工智能和机器学习在内的先进算法的开发

以数据为中心的方法可以提供信息优势,缩短在充分知情的情况下做出决策所需的时间,从而加快 OODA 循环的速度。根据 MCDP 1,"时间是有效决策的关键因素,往往也是最重要的因素。有效决策的一个关键部分就是了解有多少决策时间,并充分利用这些时间。谁能始终更快地制定和执行决策,谁就能获得巨大的、往往是决定性的优势”。系统可以通过利用正确的数据和应用正确的上下文来加快决策过程,从而帮助更快地做出决策。就 OODA 循环而言,这些系统可在观察过程中发挥作用,这样,当指挥官观察到信息时,这些信息就会被呈现和格式化,以加快定向过程,并为决策传递更准确的心理模型。

鉴于新出现的战争特点要求分布式作战,促进最基层的决策制定势在必行。定制的通用作战图不仅应在指挥所提供,还应向执行任务的海军陆战队员提供。海军陆战队行动的分散性要求海军陆战队员能够获取尽可能多的有用信息,并以有助于执行任务的方式加以格式化。

实施以数据为中心

海军陆战队要想实现以数据为中心的相关优势,就必须在现有模式内进行创新。威廉姆森-默里在《战时军事创新》一书中得出的结论之一是,最重要的创新会影响冲突的背景或特征。在该书中,艾伦-拜尔琴提出了成功创新通常会发生的三个关键变化。首先,新设备、系统或装置引发技术变革。其次是指如何利用技术变革并将其融入其他标准操作程序的操作变革。最后,技术变革是 “技术变革和作战变革相互之间以及与环境相互作用所产生的结果”。

鉴于以数据为中心是一种架构方法,其本身并不是一种解决方案,因此所需的技术变革涉及一系列广泛的工作。虽然其中有些工作听起来很简单,但预算限制、依赖性、技术复杂性和无数其他挑战比比皆是。下面列出的只是一些可以提高数据中心性的高级任务的例子。确保数据的可视性意味着托管数据源(云、内部部署、战术边缘),使其能够暴露于 Jupiter、Advana 和 Bolt 等平台,或集成到战术突击套件等应用中。确保数据访问的最大问题可能是确保弹性、高带宽的网络传输,无论是通过卫星通信、光纤电缆还是其他地面方式。虽然这对海军陆战队来说具有挑战性,但如果要在联合和联盟层面扩大可见性和访问权限,情况就会变得更加复杂。这就是联合全域指挥与控制的核心。

建立数据目录、数据格式和标记标准对于理解和连接数据并确保互操作性至关重要。这听起来简单,但在技术层面却可能变得复杂。应用程序接口可以实现不同系统之间的数据共享;但是,某些系统可能需要进行现代化改造,以满足该系统的某些限制条件。为了实现战术边缘的优势,记录程序不仅需要现代化,以便在既定框架内共享数据,还需要根据与联合和联合部队的互操作性进行必要的发展。此外,这些系统的数据应能在 ATAK 等软件支持的手持设备上访问和定制。

作战变革的一个要素是如何利用这些能力。从高层次上讲,这意味着根据利用数据的能力改进作战方式。例如,预测性物流算法能否创建一个更强大的物流推进结构,以最有效地利用水陆空运输?人力信息技术系统现代化的进展能否推动人力政策的变革,并改变选拔、分配和保留人员的方式?任何这些都可能被证明是正确的,但作为一个部门,必须愿意根据现有的技术能力来发展作战方式。

作战变革的另一个要素涉及海军陆战队员如何与系统互动以生成数据。海军陆战队员需要明白,他们对特定系统的输入会对决策产生下游影响。例如,如果航空维修部门希望通过提高维修效率来改善战备状态,他们可以将海军陆战队信息管理系统 OOMA 中的数据与 M-SHARP 和其他数据库中的相关数据进行比较。但是,如果海军陆战队员没有在维护行动表(MAF)上正确记录维护时间,就会导致对完成 MAF 所需的时间得出错误的结论。如果飞行员不准确记录飞行时间或生成 MAF,得出的数据可能无法反映实际情况。换句话说,如果数据质量差,要么会在分析中被丢弃,从而减少数据点,要么会导致错误的结论。简而言之,如果输入的是垃圾,结果也将是垃圾。

技术变革与作战变革之间的协同作用会产生技术变革,有时会不对称地改变作战环境。在向分布式部队提供相关信息时,以特定任务的方式对信息进行格式化,可以将机动性和敏捷性提高到一个新的水平,从而超越更加死板的对手。

结论

历史证明,那些对未来战争概念把握得当,并能在技术、概念、条令和组织变革之间取得较好平衡的机构,最终会战胜那些未能做到这一点的对手。以数据为中心的好处与机动作战的根本相一致,它使海军陆战队能够通过减少执行 OODA 循环的时间来提高速度和节奏。要实现这一优势,需要对一系列技术和作战变革进行大量投资。其中一些变革可以在军种层面进行,但更多的变革需要海军陆战队各梯队在指挥部内部进行创新,以利用这些能力。实施以数据为中心不应被视为一句口号,而应被视为实施作战要素的一种手段,并作为一个军种为下一次冲突做好准备--无论在竞争、危机或冲突中处于何种境地。

成为VIP会员查看完整内容
40

相关内容

人工智能在军事中可用于多项任务,例如目标识别、大数据处理、作战系统、网络安全、后勤运输、战争医疗、威胁和安全监测以及战斗模拟和训练。
大型语言模型供应链
专知会员服务
34+阅读 · 4月29日
联合目标定位和美国防部数字化转型
专知会员服务
36+阅读 · 2月3日
战场数字可视化
专知会员服务
55+阅读 · 2023年12月21日
马赛克战:重新定义战场
专知会员服务
58+阅读 · 2023年12月5日
军事数据空间:挑战、机遇和用例
专知会员服务
88+阅读 · 2023年11月14日
《数据赋能作战决策》
专知会员服务
171+阅读 · 2023年4月14日
专知会员服务
29+阅读 · 2021年9月14日
专知会员服务
65+阅读 · 2021年7月21日
专知会员服务
25+阅读 · 2021年4月13日
【WWW2021】大规模智能手机数据的异质联邦学习
专知会员服务
39+阅读 · 2021年3月8日
「基于通信的多智能体强化学习」 进展综述
时空数据挖掘:综述
专知
21+阅读 · 2022年6月30日
对比自监督学习
深度学习自然语言处理
34+阅读 · 2020年7月15日
【KDD2020】图神经网络生成式预训练
专知
21+阅读 · 2020年7月3日
情感计算综述
人工智能学家
31+阅读 · 2019年4月6日
网络表示学习介绍
人工智能前沿讲习班
17+阅读 · 2018年11月26日
干货——图像分类(下)
计算机视觉战队
14+阅读 · 2018年8月28日
深入理解LSTM网络
深度学习
16+阅读 · 2017年6月7日
国家自然科学基金
9+阅读 · 2017年12月31日
国家自然科学基金
8+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
22+阅读 · 2015年12月31日
国家自然科学基金
31+阅读 · 2014年12月31日
国家自然科学基金
4+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
4+阅读 · 2014年12月31日
国家自然科学基金
13+阅读 · 2013年12月31日
Arxiv
0+阅读 · 5月16日
Arxiv
0+阅读 · 5月16日
Arxiv
0+阅读 · 5月15日
Arxiv
0+阅读 · 5月13日
Arxiv
0+阅读 · 5月13日
Arxiv
0+阅读 · 5月13日
Arxiv
0+阅读 · 5月13日
A Survey of Large Language Models
Arxiv
329+阅读 · 2023年3月31日
Arxiv
115+阅读 · 2023年3月24日
VIP会员
相关VIP内容
大型语言模型供应链
专知会员服务
34+阅读 · 4月29日
联合目标定位和美国防部数字化转型
专知会员服务
36+阅读 · 2月3日
战场数字可视化
专知会员服务
55+阅读 · 2023年12月21日
马赛克战:重新定义战场
专知会员服务
58+阅读 · 2023年12月5日
军事数据空间:挑战、机遇和用例
专知会员服务
88+阅读 · 2023年11月14日
《数据赋能作战决策》
专知会员服务
171+阅读 · 2023年4月14日
专知会员服务
29+阅读 · 2021年9月14日
专知会员服务
65+阅读 · 2021年7月21日
专知会员服务
25+阅读 · 2021年4月13日
【WWW2021】大规模智能手机数据的异质联邦学习
专知会员服务
39+阅读 · 2021年3月8日
相关资讯
「基于通信的多智能体强化学习」 进展综述
时空数据挖掘:综述
专知
21+阅读 · 2022年6月30日
对比自监督学习
深度学习自然语言处理
34+阅读 · 2020年7月15日
【KDD2020】图神经网络生成式预训练
专知
21+阅读 · 2020年7月3日
情感计算综述
人工智能学家
31+阅读 · 2019年4月6日
网络表示学习介绍
人工智能前沿讲习班
17+阅读 · 2018年11月26日
干货——图像分类(下)
计算机视觉战队
14+阅读 · 2018年8月28日
深入理解LSTM网络
深度学习
16+阅读 · 2017年6月7日
相关基金
国家自然科学基金
9+阅读 · 2017年12月31日
国家自然科学基金
8+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
22+阅读 · 2015年12月31日
国家自然科学基金
31+阅读 · 2014年12月31日
国家自然科学基金
4+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
4+阅读 · 2014年12月31日
国家自然科学基金
13+阅读 · 2013年12月31日
相关论文
Arxiv
0+阅读 · 5月16日
Arxiv
0+阅读 · 5月16日
Arxiv
0+阅读 · 5月15日
Arxiv
0+阅读 · 5月13日
Arxiv
0+阅读 · 5月13日
Arxiv
0+阅读 · 5月13日
Arxiv
0+阅读 · 5月13日
A Survey of Large Language Models
Arxiv
329+阅读 · 2023年3月31日
Arxiv
115+阅读 · 2023年3月24日
微信扫码咨询专知VIP会员