人们普遍认为,将机器学习融入军事决策对于美国在 21 世纪保持军事主导地位至关重要。机器学习的进步有可能通过提高整个国家安全企业级决策的速度、精确度和效率,极大地改变战争的特点。美国国防部的领导者们认识到了这一点,并正在做出大量努力,以在战争的战术、作战、战略和机构层面有效整合机器学习工具。

本报告将探讨机器学习的一种应用,其重点是在竞争和冲突的作战层面实现军事决策。展示了机器学习如何与人类合作,作为决策系统的一部分,用于提高军事行动和活动的有效性。展示了这种方法如何通过分析原本无法获取的数据源,为指挥官提供有关作战环境的新见解。将重点放在从大量基于文本的数据(如报纸报道和情况报告)中获得的洞察力上,这些数据无处不在,但却很少以任何系统的方式整合到决策中。

在本报告中介绍的方法以人机协作系统的概念为基础,并证明了现有的机器学习能力需要人在各个阶段的参与,才能证明对操作层面的决策有用。因此,机器学习能力的发展与雷达自二战以来的演变密切相关,而雷达是人机协作用于军事目的的最早范例之一。如今,与不列颠之战期间使用的预警系统同样依赖雷达机器和人类观察员一样,机器学习仍然需要人类的参与,以指导这种新传感器使用正确的数据,正确解释其输出结果,并评估其结果对作战决策的影响。

通过一个基于真实世界数据和真实世界危机的示例研究,将读者("您")置身于一名军事指挥官的视角,就 2022 年俄罗斯全面入侵乌克兰之前,美国如何支持乌克兰兵力应对俄罗斯支持的乌克兰东部叛乱,展示了这一系统方法的实际应用。在撰写本案例研究时,把读者您当成了这位指挥官,因为目标是强调您在未来与机器学习工具的合作中可能扮演的关键角色--无论是作为分析师、决策者,甚至是在现实世界的类似背景下应用这些工具的军事指挥官。

值得注意的是,本案例研究是基于 2014-2020 年间的数据于 2020 年 12 月完成的,仅分析了这一时期与俄罗斯支持的乌克兰东部叛乱有关的实地情况。本研究尚未更新,以反映自 2022 年 2 月俄罗斯入侵乌克兰以来所获得的任何见解。然而,从入侵前的视角来看,机器学习在后来发生的现实世界事件中用于作战决策的优势和局限性也就不言而喻了。

在整个案例研究中,将看到为本报告目的而进行的基于机器学习的实际评估结果,该评估分析了来自乌克兰的 18,000 篇历史新闻报道,内容涉及从 2014 年冲突起源到 2020 年末的冲突。利用机器学习工具从这些数据中提取相关见解,并与分析结果进行互动,就向乌克兰兵力提供何种类型的支持以及在俄罗斯入侵前实现美国在该地区的目标做出名义上的决策。在此过程中,人机协作学习的优势将逐渐显现,将亲眼目睹机器学习工具如何快速、系统地利用以前无法获取的数据,为复杂问题提供新的见解。但这种方法的局限性也会显现出来,将亲眼目睹机器学习的好坏取决于支持它的可用数据,以及训练机器学习工具和解释其结果的人类分析师。

人机协作方法适用于军事决策者在陆军和美国防部作战和机构层面面临的各种问题集。因此,本研究以具体证据清晰地展示了在军事决策中使用机器学习所涉及的权衡问题,为机器学习在军事领域的广泛应用做出了贡献。本研究为美国陆军提出了几项重要发现和建议。

研究问题

  • 指挥官如何利用机器学习进行作战决策?
  • 人类分析师应如何与机器学习工具合作以实现作战决策?

主要发现

首先,分析展示了机器学习在军事决策方面的巨大潜力,但只有在与对特定问题背后的背景有详细了解的人类分析师配对时才能实现。在此提出的机器学习方法不会取代人类分析师。相反,它能使人类分析师更高效、更严谨,并能更好地从以前未开发的数据源中提取洞察力。在案例研究中,通过使用机器学习获得的大多数关键见解都需要人类分析师的额外干预。在某些情况下,这需要在模型结果的基础上有选择性地叠加额外的数据源。在其他情况下,则需要人工分析师手动审查机器学习工具认为相关和有趣的基础数据。因此,美国陆军现有的机器学习能力需要人类在各个阶段的参与,才能充分发挥其潜力。

其次,分析表明,通过大幅提高执行重复性任务的效率,人机协作方法可以大规模分析人类分析师无法单独完成的海量数据集,从而产生以前无法实现的有关作战环境的新见解。案例研究表明,从分析人员处理大量数据的重复性分析任务所花费的时间来看,机器学习能显著提高效率,使分析人员更高效、更严谨,并能更好地从以前未开发的数据源中提取洞察力。这表明,对于需要大量人工审核相关数据的问题,陆军领导应优先考虑将机器学习作为一种解决方案。

最后,这项研究揭示了机器学习的系统方法能够对作战级总部已有的大量数据进行标准化、客观和长期的分析,从而增强其支持有效决策的潜力。在许多情况下,这些数据是战争中作战和机构层面决策的最佳信息来源,但如果没有机器学习,这些数据就只能以临时和主观的方式进行分析。

建议

首先,这项研究表明,陆军应为各级指挥人员提供频繁接触机器学习的机会,让他们熟悉人类如何利用这些能力作为军事决策系统的一部分。

其次,本研究强调,陆军应建立多样化的机器学习团队,以充分释放这一能力的潜力。这些团队应整合熟悉机器学习工具细节的作战研究系统分析员、对特定作战环境有第一手知识的操作员、了解可用数据以分析特定问题的分析员,以及能将机器分析转化为对作战决策有实际影响的指挥官。

成为VIP会员查看完整内容
62

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。
《美陆军:将人工智能融入团队认知》47页报告
专知会员服务
77+阅读 · 2023年10月26日
《降低人工智能对军事决策优势的风险》2023最新39页报告
《作战层面的人工智能》美国海军学院32页报告
专知会员服务
171+阅读 · 2022年12月17日
国家自然科学基金
242+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
1+阅读 · 2015年12月31日
国家自然科学基金
5+阅读 · 2015年12月31日
国家自然科学基金
26+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
23+阅读 · 2014年12月31日
国家自然科学基金
28+阅读 · 2013年12月31日
国家自然科学基金
29+阅读 · 2013年12月31日
国家自然科学基金
33+阅读 · 2011年12月31日
Arxiv
114+阅读 · 2023年4月20日
A Survey of Large Language Models
Arxiv
278+阅读 · 2023年3月31日
Arxiv
95+阅读 · 2023年3月24日
VIP会员
相关基金
国家自然科学基金
242+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
1+阅读 · 2015年12月31日
国家自然科学基金
5+阅读 · 2015年12月31日
国家自然科学基金
26+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
23+阅读 · 2014年12月31日
国家自然科学基金
28+阅读 · 2013年12月31日
国家自然科学基金
29+阅读 · 2013年12月31日
国家自然科学基金
33+阅读 · 2011年12月31日
微信扫码咨询专知VIP会员