摘要：人工智能（AI）极大地提升了美国海军的战术作战优势。AI提供了融合和分析数据的方法以增加海军对战术环境的了解；提供了在多维、复杂环境中生成和评估决策选项的方法；还提供了预测分析能力，以确定并审查战术行动方案的效果。机器学习则通过不断的迭代和进步来改进以上这些流程。先进的计算技术可以处理高度异构的庞大数据集，并在分散的战争资产中同步信息。本文将依据论文《人工智能——海军战术决策优势的赋能器》介绍将人工智能应用于战术战斗管理的多个概念，并讨论这些概念对未来战争的潜在影响。
关键词：美国，海军，人工智能，战术作战，BMA
战术作战十分复杂。战争的复杂性、范围和速度驱使美国海军拥抱新技术以维持竞争力。成功的战术作战需要实现敏捷性、适应性、前瞻性以及快速思考和有效决策。先进威胁技术、作战节奏和千差万别的战场态势以及数量不断增加但通常并不全面的信息都加大了人类决策者决策的难度。而人工智能（AI）方法的进步、数据量的不断增长和计算能力的提高则指向了另一个解决决策难题的方案——先进战术情报、自主决策辅助和预测能力。
战术领域中，以胜利为目标的对手通常有意识地混淆海军的认知、对抗海军的行动，这从另一个维度加大了海军获得态势认知、做出有效决策的难度。而导致冲突迅速升级的出乎意料的事件，多种类型的致命威胁，各种防御/进攻任务以及规定行动方针的规则和政策，掌握的态势信息的不准确性或不完整性，以及产生一系列潜在后果和对抗性反应的行动方针等都构成了战术领域的复杂本质。面对如此复杂的决策空间，AI技术可为人类决策者提供支持。
图1. 复杂的战术环境
AI技术可为海军战术决策优势带来巨大红利。AI赋能的作战管理助手（BMA）可改善作战识别，帮助确定和评估战术行动方案，协调分配战争资源以及将预测性兵棋推演融入战术决策中。然而，AI不是现成、万能、全面的解决方案；AI需要采用系统之系统（SoS）方法。下文将介绍将人工智能方法纳入决策辅助工具的多个概念，以提高海军战术认知，实现决策优势。
一、自主作战管理助手
自主BMA是电脑辅助决策支持系统，旨在加强和改善战术决策。BMA将通过加快决策流程、提高作为决策基础的认知的准确性、开发更多决策选项、提供对决策后果更深入的见解、开发成功率更高的决策选项和优化资源利用等来帮助改善决策。目前，美国海军使用BMA共享和处理数据，以开发作战图和态势感知。在AI技术的支持下，未来的BMA将进一步加强战术决策的方方面面。
1. 决策复杂性
美国海军在战术作战中需要做出大量的作战管理决策。战术决策包括对战争资产的使用和部署。这些战争资产包括舰船、飞机、潜艇等多种平台、武器、传感器、通讯设备和士兵。受一系列决策因素影响，关于使用战争资产的决策十分复杂。这些决策因素包括时间、空间、主动性/响应性以及规则和政策。这四个因素都会对决策流程产生影响，并增加决策难度。决策难度过高时，人类决策者就需要AI技术方案的帮助。
2. 人机决策
图2. 用于决策的人机模型
自主决策辅助/机器可通过多种方法帮助人类决策者。如图2所示，有三种人机决策互动模型。针对不同决策类型建立适当的机制十分重要。总的来说，当问题相对简单，且需要考虑的因素和信息量未超出人类决策者处理能力的上限时，可以采用手动决策模型。对于更加复杂且可能导致严重或致命后果的决策空间而言，半自主人机交互（HMI）机制最为合适。这一机制需要自主BMA的支持，但同时也需要大量的人类决策力量。完全自主的人机互动适用于需要处理和融合海量数据的决策空间，不过，这一机制可进行的决策类型比较单纯。全自主决策模型可用于两种情况，其一，和平时期的作战行动，此时决策不会产生可怕后果；其二，在极度复杂的作战行动中，人类无法及时决策的时候。全自主决策模型适用于拥有高度准确的态势信息和认知的决策空间，比如，海军十分肯定跟踪目标就是敌方威胁目标时，就可以使用这一决策模型。
未来，作战管理决策支持系统将拥有根据决策空间选择适当决策模型的能力。要实现这一系统，就需要有灵活的决策架构以适应这三个人机模型，并根据需要对其加以使用。该系统的上层建筑需监控决策空间并对所需决策类型进行评估，然后再确定合适的人机交互模型进行决策。上层建筑将依靠AI方法来学习和评估态势复杂度，以使用合适的人机模型做出相应的响应决策。
3. 为协调分布式作战而进行的部队层面的决策
作战管理行动十分复杂，而一个高度复杂的任务需要足够复杂的系统来执行。由于当前存在来自各方的多种威胁，因此战术环境即可能是和平的，也可能是极度危险的，还可能处于灰色地带。战术环境的多变性使得作战管理的决策空间复杂化。决策空间的状态必须足够灵活，在常规的无威胁行动中线性且直接，在作战行动中则高度复杂且多变。
复杂问题空间的特征包括复杂的目标、复杂的环境和/或作战行动、适应性、集体行为以及决策结果的不可预知性。这些都是战术行动中固有的特征。作战空间中出现的多个目标通常是非持续且不断变化的。军事系统必须权衡各个战斗目标，如自卫和包括地区防御、隐身行动、保护特殊资产在内的部队级对抗任务等。由于恶劣且多变的环境会改变目标优先级和多个跨域任务，因此需要进行复杂的作战行动。作战系统必须拥有适应性，才能应对复杂且多变的威胁环境。军事行动必须有效适应威胁，以提高其生存机率并达成战术和战略目标。分散的战争资产的集体或部队级行为必须得到充分协调，以免发生内部碰撞或友军火力误伤事故，理想状态下，海军能够从这类集体行为中受益。最后，战术决策中不可预测的后果包括火炮失火、目标识别错误、战斗损伤评估错误等，此外，错误认知、行动的连锁反应和不可预知的决策后果都会使问题空间变得更加复杂。
AI可以描述作战环境的复杂程度并将这些信息转化为决策空间，从而为人类决策者提供支持。理想状态下，完整且准确的作战空间图将为决策空间提供态势感知。BMA使用AI可监控作战空间图，并对问题空间的复杂特征进行评估。这些信息都可及时有效地支持决策辅助，并实现人机决策的高效互动。
4. 决策范围和决策系统之系统
复杂的战术环境需要全局视角以从部队层面管理战争资源。随着环境变得越来越复杂，安全事件发生的频率越来越高，常常出现多个事件同步发生的情况。决策次数因此也不断增多，导致海军所需的行动方案不断增加。这一切都对有限的战争资源提出了更多要求，且与资源相关的任务、目标和行动方案三者之间的关联也比过去更加紧密。全面了解多种威胁、任务和潜在解决方案及其可能结果有助于海军做出更有效的军事响应措施，这同时也是有效解决严峻威胁的必做事项。对战场的全局视角可描述为决策范围，即围绕问题空间和解决方案空间设定的边界。广义上的决策范围包括地区、战区以及存在这些地理空间区域的全部威胁和战争资源。狭义的决策范围可能仅包括特定威胁和特定平台及其相关资产。
确定决策范围既是限制因素，也是必要的推动因素。随着作战环境变得越来越复杂，海军越来越难以区分战术决策的因果关系。如果只有一个杀伤威胁或需要观察的兴趣区域，那么做出特定的武器打击决策或任务传感器决策并不是什么难事。然而，如果海军有多个战术任务需要执行，或有多个威胁需要优先打击，那么狭小的决策范围，如发射某一武器系统或管理某艘舰船上的传感器，则无法发挥海军整体的部队效力。在这种情况下，适用于决策的全局原则包括“同步和相互依存地使系统包含尽可能多的部分和层级”。换而言之，就是将决策空间的范围扩大到战术地区或战区。决定战术范围本身就是一次决策，其目标是设计未来的部队架构，以支持灵活的决策范围，使该范围可随着部队级任务复杂度的提高而扩大，并从分布式战争资产的协作中受益。AI方法可赋能和管理适用性架构，识别决策复杂度，调整决策范围和管理部队级任务。
未来，海军如面临复杂的作战问题空间，可使用自主BMA建立更全面、更广阔的的决策范围，并对平台和各级部队进行资源管理。各级别自主BMA可在各层面支持资源利用。支持特定传感器和武器的BMA可由更高级的BMA架构的进行协调。通过这一方式，海军可实现BMA系统之系统。
5. 资源管理
资源管理是战术决策和后续对自主BMA应用的首要关注点。将舰船、飞机、潜艇、武器、传感器、通讯设备/网络、数据处理和干扰器等战争资产定义为系统后，自主BMA就可以将它们视作资源并从功能、性能、行为、结构和交互等方面对其进行审视。自主BMA可以根据资源的位置、状态、能力等特征对其进行量化分析。在愈加复杂的作战行动中，当存在多个重叠且相互冲突的目标时，AI方法可用于确定战争资源的使用有效性。在BMA的帮助下，战争资源能够利用可达成的效果在各系统间形成协作，以实现系统之系统行为，并更好地解决复杂的战术任务。
图3. 数据融合架构中的资源管理
如图3所示，资源管理是数据融合流程的一部分。在这一架构概念中，资源管理被分为4个步骤，通过评估数据融合成果来确定管理和分配资源的最佳方法。资源管理同时还向0-3级的数据融合流程提供反馈。该数据融合架构也是在各级步骤中实施AI方法的有效模型。鉴于计算能力和许多新型数据源已获得了长足的发展，海军可利用机器学习和深度学习来改善资源管理，这一点在作战态势复杂、战争资源分散的情况下尤其重要。
图4. 战术模型和决策空间
另一个进行资源管理的方法是使用系统或数据模型。决策空间本身可视作一个系统或模型。在决策空间采用系统方法可定义范围、输入和输出、功能、性能和结构。图4展示了作战环境中的决策空间。
决策空间是所有决策因素进入决策流程以形成战术行动方案的模型。这一概念性的决策空间模型以数据架构和数据分析为基础，其中包括决策辅助、评估、优先级、选项生成和总体决策管理。决策空间系统的主要功能是开发决策选项。决策选项可提供关于管理战争资源资产的建议，如传感器任务分配、行动方案、武器调度和平台机动等。决策空间系统的另一个功能是对决策选项的可信度以及用于生成选项的多种分析进行评估。这些分析包括确定威胁优先级、评估兵棋推演潜在结果、评估传感器误差、评估信息的准确度和完整度、评估作战复杂度、推荐最佳人机决策交互等。尽管图4中并未展示人类与自主决策空间的交互，但值得注意的是，这类交互在战术作战行动中意义重大。概念性决策空间系统可输出决策选项、对预测结果的评估、对成功概率和失败概率的评估、对总体源信息、选项和情报的可信度评估。
为协调全军的战术决策，海军需要一个包含多个分布式决策系统的系统，即将多个相同的智能体集成到多个分布式作战平台上。这些智能体将共享数据和信息，并分别开发决策选项以进行资源管理和部队级别的作战管理。分布式代理将共享决策选项，并相互同步最终选定的决策。这一决策系统之系统将协调分布式作战，并以优化部队战争资源为目标。这一未来概念能否实现，将取决于智能分析方法以及拥有自我意识的智能数据战略和数据架构的发展。如果这一概念成为现实，那么这一AI系统之系统将使海军在战术决策上获得巨大优势。
6. 预测分析
AI技术利用机器学习方法来处理和分析海量异构数据和信息，从而分析可能的效果、结果和响应措施。这类AI方法被称为预测分析（PA），可提供强大的战术决策力量。海军只要掌握与可能效果和敌方响应行动方案相关的信息，作战人员就可以有效地将长期战略应用于近期战争决策。
PA能力可支持战术领域内的战略行动，预测可能后果和各决策选项的效果。理论上，PA能够通过开发假设性的预测场景来同步进行未来情报决策和资源协调管理。PA将预测不同行动方案的短期和长期效果，而BMA将评估这些PA预测，并根据评估结果在选择行动方案时进行权衡。
PA可以评估行动方案的潜在结果，并对未来环境和战争资产的状态做出预测。预测结果将用于支持对行动方案的选择决策，以获得最理想的作战结果。PA能力将有助于完成与短期和长期目标最相符的战术行动，还能够预测气候对作战行动的可能影响以及战争资源的可用性、消耗性和预期能力。此外，PA能力还可评估和预测战术作战团队的整体战备状态、韧性和作战能力。
PA能力可通过博弈论方法来进行兵棋推演评估，从而预测敌人对战术行动的反应。海军必须根据其对敌方的了解和预测来开发和维护模型，以预测敌方情报、能力、意图和战略。此外，海军必须再另外开发一个预测模型并对其进行维护，该模型将根据已有的猜测和战术情报来预测敌方对己方军队的认知。兵棋推演能力理论上应是战术决策BMA能力的一部分。
二、结论
综上所述，作战管理问题空间十分复杂，且未来将随着传感器、信息、无人威胁、非国家敌对势力的增多和科技的进步日趋复杂，这就要求海军更快、更有效地进行大量的战术决策。然而，人类决策能力在很多时候无法处理这些极度复杂的问题。而传感器和信息系统的增加为AI这一战术决策增强器和赋能器创造了机会。本文除介绍了多个将AI用于改善作战识别、态势感知共享、作战管理、资源管理和作战兵棋推演的概念外，还指出，要有效应用AI，就必须拥有一个全面的系统之系统方法，以创造合适的决策辅助框架，在全军中同步分布信息和决策，建立和维持决策范围，同时识别态势复杂程度以及进行自我评估以管理人机交互模型、确定情报和行动方案的可信度。可见，有效利用AI来支持作战人员可为战术解决方案和战术优势提供坚实的基础。