来源：防务快讯 作者：李皓昱
简介
人类发生各类冲突的诱因往往是政治目的，主要可以分为六大类：安全、宗教、意识形态差异、民族自决、战略目标、领土/资源。随着科学技术的发展，应对冲突的战术、技术和程序（TTP）也在相应地变化。但亘古不变的是，冲突过程中对基础设施的破坏和毁灭。美国认为，其均势对手正在部署多层作战体系，能够同时跨陆、海、空、天、赛博等多个领域实施作战行动。为了维持本国及其盟友的作战行动，美国面临着击败这些多层作战体系的挑战。人工智能和机器学习等新兴技术具有击败这些多层体系的潜力，并从根本上改变解决冲突的方式。美陆军研究实验室建立了陆军人工智能创新院（A2I2），聚焦于能够快速提升多域作战期间无人装备的移动和机动能力的人工智能技术。
1
人工智能/机器学习在多域作战中的重要性
新兴的自主机器人系统正越来越多地用于增强（而不是简单地代替）单兵和平台。人类与无人平台（尤其是无人蜂群）相结合，将增强人类系统的能力，允许执行更长持续时间的任务，提高重要平台对攻击的防护能力，并增强单兵和小分队的表现。重要平台包括需要专用基础设施的技术，经过培训的科学、技术、工程和数学（STEM）的人才，并且要求多个组织投入大量资金。在与具备STEM资源、基础设施和资金支持的均势对手较量时，这些平台能够使美军占据优势。
人工智能/机器学习（AI/ML）的关键目标是，在多域作战期间为作战人员提供更强的智能化辅助。AI/ML能够有效处理大量数据，提高行动速度。数据分析能力的增强可提高决策能力并减少人力需求。AI模型必须具有韧性且必须能够在非常动态、分布式、资源受限、快节奏和高对抗的复杂环境（通常为城市环境）中运作。美国认为，其对手将利用城市环境来抵消美国的传统优势，如通过在闹市区建立掩蔽所，使美国无法发挥强大的防区外侦察和打击能力。联合部队要在方圆数百平方英里的城市地区与对手战斗或试图牵制对手。这些地区通常具有不同功能和破损程度的地下基础设施、贫民区、摩天大楼群。这些人造的复杂环境会降低机动性以及先进武器、通信系统和ISR能力的效能。
在这些机动性受限的城市环境中，可通过有人-无人编队的解决方案来降低与多域作战任务相关的挑战。为了弥补对机动支援部队的需求，陆军分队整合了无人机、人工智能、机器人和自主系统等新兴技术装备。先进传感器和自主机器人系统能够与士兵一同执行安全行动，使编队执行持续地进行侦察、预警，使编队始终保持对敌方位置和行动的感知（包括赛博领域）。这些能力使各级机动编队都能够快速移动到有利位置并从敌方意想不到的位置进入战斗。
2
技术挑战
未来战场上，智能代理将由高度分布和一体化的自主地面和空中系统组成，这些系统可在需要时提供ISR能力。美陆军在城市环境中开展多域作战行动所面临的独特技术挑战是其他军种和商业部门无法解决的，特别是“下一代战车”与“指挥、控制、通信、计算机和情报”（C4I）。所有执行进攻性任务的单位都应能在高对抗和通信能力降级的环境中作战。通信能力降级可能是由于环境因素、敌军直接针对美军通信和信息系统的攻击行为，或由故障导致。降级的通信环境可能是永久的，也可能是暂时的。敌军可利用若干种方法来阻止美军利用赛博空间和电磁频谱，包括赛博空间攻击（对陆军、联合和其他网络的数字攻击）、电子攻击（干扰部分电磁频谱），以及针对基础设施和电子设备的物理攻击。美陆军多域作战将日益面临：1）C4I资源和系统装备的大孝重量、功率、时间（SwaPT）严重受限；2）在数据样本小且高度混乱的复杂数据环境中学习；3）依赖于能够快速适应环境的“人-人工智能”编队，人工智能系统能从人类对高层目标的理解中学习。最重要的是，若要使作战人员在需要提高决策速度和准确性时依赖于人工智能，则要求人工智能/机器学习系统具备可靠性、适应性和鲁棒性。为了保护作战人员的安全并确保任务成功，需要对部署的人工智能/机器学习有一个基本的理解，从而能够预测智能系统在各种情况下的行为、性能和局限性。
3
商用数据集与多域作战数据集之间的差异
目前，大多数针对人工智能/机器学习的最新研究都是通过收集相当大量的训练和测试数据完成的。这些训练和测试是经过精心策划的，环境较为理想，几乎没有背景噪声和欺骗。而军事领域与商业应用非常不同，因为：1）战场情况瞬息万变；2）只能通过有限的真实数据来训练和测试人工智能；3）在复杂的多域作战环境中，输入的数据可能是充满噪声的、不完整的、不确定的，甚至可能是完全错误的；4）均势对手能够利用欺骗技术来战胜美军的算法。
（1）商用自动驾驶车辆数据集
Waymo是谷歌公司开展的自动驾驶汽车项目，该项目通过在真实铺装道路上行驶数百万英里并在模拟驾驶环境中行驶数十亿英里来收集数据。在新道路上开车之前，Waymo能够绘制详细的3D地图，提供道路轮廓、路缘、人行道、车道标记、人行横道、交通灯和停车标志等信息。Waymo传感器和软件不断扫描车辆周围的物体，如步行的人、骑自行车的人、车辆、道路工程、障碍物等等，并不断读取交通控制信号，从交通灯颜色、铁路道口到临时停车标志。
（2）移动和机动
移动通常发生在敌人的直接火力覆盖范围之外。用来表述移动的三种方法是：行进（不太可能接敌）、掩护下行进（可能接敌）和掩护下跳跃（预期会发生接敌）。机动是指挥官在与敌人接触时所执行的行动。直接射击和近距离作战是机动的固有条件。领导者用各种形式的机动来表述其行动。指挥官结合使用移动和机动以避开敌人的力量并创造增加友军火力效果的机会。
（3）用于移动和机动的决策支持工具数据集
决策支持工具，如辅助目标识别和自动目标识别，依靠广泛的数据类型和信息源来帮助观察环境，建立态势感知，并选择最佳的可用资产来执行适当的行动。利用各种空中和地面传感器的特性（如声学、雷达、光电和红外）来确定可行的最佳行动方案。
数据的数量、质量和多样性对于训练人工智能模型和测试人工智能模型的性能都很重要。传感器数据必须包括广泛的具有任务代表性的环境条件，例如光照和天气的变化。此外，数据必须涉及目标/传感器参数，提供各种视角、传感器-目标范围和视场（FOV）。
陆军的开发、训练、测试和作战中心拥有大量数据。然而，在将数据提供给人工智能开发人员之前，必须对这些数据进行评估，以确定它们是否适合人工智能模型的训练和测试。除了声学、雷达、光电和/或红外数据之外，相关的元数据也必须包括在内，这样数据才能被人工智能开发人员有效利用。元数据的例子包括：1）集合的日期、时间和地点；2）高级传感器和平台描述；3）传感器技术规格，包括但不限于传感器产品/模型、分辨率（如640×480像素）、波长、孔径、视场等；4）传感器数据类型（例如，全动视频、广域运动图像等)；5）使用的数据标准，如运动图像标准委员会和标准化协议；6）使用的数据格式，如键长值和增强现实系统等；7）使用的压缩方法和压缩等级；8）独立帧或视频（如每秒帧数）；9）目标集或目标类型，包括GPS日志；10）信息标签/注释的格式（例如，微软上下文通用对象或特定键/值对的描述）；11）地形和天气等环境条件；12）用于非标准文件格式的定制文件阅读器或图表；13）熟悉数据和数据收集事件的接触点；14）安全分类指导和分发声明；15）以前提供的数据（例如，由学术或商业合作伙伴提供给执行者的数据，这决定了数据是否可以用于独立的测试）。
美国国防部的座右铭是“像战斗一样训练”，这句话同样能够很好地诠释人工智能模型训练数据（训练）与人工智能模型测试数据（战斗）之间的关系。为基于人工智能的决策支持工具收集高质量数据并不是一项简单的任务。如前所述，在对陆军的遗留数据进行挖掘时，元数据与声学、雷达、光电和/或红外数据一样重要。
（4）移动和机动环境
美国陆军的下一代战车，不论是车内还是车外，都将与自主系统结合。自主系统可为车辆运行、定位、防护和车载系统维护提供帮助。车外系统将为载人战车提供情报、监视、侦察、防护和额外的杀伤力方案。多域作战的移动和机动环境是动态、不确定、复杂、高对抗、有时严峻、有时复杂的。人工智能系统将要运行的环境提供了许多独特的技术挑战。
图1提供了一个越野环境的示例。2019年9月16日，在美国德克萨斯州布利斯堡附近，第30装甲旅战斗队1-150骑兵团的Delta部队，操作M1A1艾布拉姆斯主战坦克进行武器精度检查测试。该环境地势相对平缓，植被有限，几乎没有自然或人为障碍，易于执行机动任务。
图1 M1A1“艾布拉姆斯”越野环境示例
图2提供了一个M1A1“艾布拉姆斯”在执行机动任务时受阻的案例。2019年3月6日，一辆分配到第3步兵师第2装甲旅战斗队第8装甲团第6中队的M1A1“艾布拉姆斯”，在乔治亚州斯图尔特堡参加“斯巴达焦点”演习时被茂密的植被阻碍了行动。
图2 守护战斗阵地的M1A1“艾布拉姆斯”坦克
4
城市地区的性质
虽然城市地区具有相似的特征，但在人口密度、建筑、文化和许多其他因素方面各不相同，因此不存在两个完全相同的城市。城市地区自然和人为特征的动态变化给指挥者带来了诸多挑战。城市中，物理地形由各种类型、大孝材料和结构的人造建筑物组成，有时排列有序，有时则是杂乱无章。城市地形可能是现代化的，也可能是以一个古老的建筑为核心而修建，可能包含高楼大厦，也可能包含不超过三层的建筑。在不同的城市地区，甚至可能是同一国家的不同城市，冲突的性质、人群的态度以及中友军行动的目的，在不同的情况下以不同的方式相互作用。虽然城市地形描述了环境的物理性质，但最重要的任务变量也许是城市环境中的人群。
城市环境限制了移动和机动，降低了技术优势，削弱了ISR能力，使目标捕获和跟踪变得困难，并对战术、技术和程序（TTP）造成影响。与其他环境下的冲突相比，城市冲突非常耗费人力和时间，这是因为城市地区的性质决定了战场环境中具有许多垂直的作战空间。此外，城市中的各类基础设施可为敌军提供掩护和隐藏，使传感器和侦察平台很难锁定目标。这要求在很短的时间内完成威胁的感知、获娶跟踪和识别。
5
城市冲突环境和人道主义援助和救灾（HADR）任务
如前所述，收集高质量的数据对于训练人工智能模型和测试人工智能模型的性能都是非常重要的。从收集数据和执行任务的角度来看，最困难的环境便是城市环境。由于城市行动所处的环境往往是经过破坏的，因此训练和测试能够在城市环境中用于冲突或HADR的智能代理所需的数据集将非常难以收集。下列数字举例说明了城市冲突和HADR任务期间的行动环境。图3显示了在第一次世界大战期间，法国的Villers Carbonnel在一次炮击后的情况。建筑物被夷为平地，街道无法通行。图4显示了第一次世界大战期间法国Vaudettoie村遭战火洗礼的场景。建筑再一次被夷为平地，街道无法通行。图5显示了2004年11月27日伊拉克费卢杰的一条被战火破坏、满目疮痍的街道。图6显示了2017年9月23日飓风“玛丽亚”袭击波多黎各阿瓜迪拉后的破坏情况。图7显示了2019年5月26日俄克拉荷马州埃尔里诺遭龙卷风席卷后，陆军国民警卫队执行HADR任务时的情况。当前的人工智能模型技术需要标记数据集来训练和测试用于城市冲突或HADR任务的人工智能模型。这些数据集需要表征与城市破坏相关的碎石和随机性似乎有无穷无尽的组合。
图3 第一次世界大战期间的法国Villers Carbonnel
图4 第一次世界大战期间的法国Vaudettoie村
图5 伊拉克费卢杰废墟密布的街道
图6 飓风“玛丽亚”过后的波多黎各阿瓜迪拉
图7 执行HADR任务的俄克拉荷马州陆军国民警卫队人员
6
多域作战环境下的人工智能能力
人工智能能力与模型的训练方式有关。模型训练可以分为：1）监督学习、2）无监督学习、3）半监督学习、4）迁移学习、5）强化学习。学习风格的特点是训练数据和可用训练数据的属性。
监督学习使用标记数据集训练模型。标签可以标识离散类、连续计算值、状态等等。监督学习被认为是任务驱动的，因为它依赖于被执行的任务类型。目标分类（如对图像中的物体进行分类）是一种可以成功使用这种风格的任务。
无监督学习是在没有标记数据集的情况下训练模型。目前，使用这种数据驱动学习的例子包括聚类、异常检测、关联规则学习和降维（例如，确定数据最重要的特征）。
半监督学习同时使用标记数据集和未标记数据集来训练模型。在任务相同但操作环境或训练环境不同时，使用这种学习方法。目前的应用案例包括语音分析、知识组织、分类和回归。半监督学习是混合任务数据驱动的。
迁移学习是用某个领域的可用数据来训练模型，但在某个相关领域只有有限的训练数据。该方法包括将以前训练过的模型用于新的、相关的目标问题。迁移学习将半监督学习扩展到训练和操作任务不同的情况，或者任务相同但操作或训练环境不同的情况。当前的应用案例包括文档分类和模拟学习。迁移学习适用于新领域。
强化学习是将模型训练为目标驱动。这侧重于从经验中学习，通常采用的方法是给模型一个“奖励”。强化学习可以被认为是一种对环境作出反应以实现目标的方式。目前的应用实例包括机器人机动性、游戏和预测性维护。
7
美陆军人工智能研发基础设施
未来20年，自主性和人工智能领域将取得重大进展，包括能够协同工作的机器人小组或机器人集群的出现。强大的新型机器人系统将用于执行复杂的行动，做出自主决策，提供致命力量和ISR能力，并能以更快的时间响应全球更广泛地区的任务需求。美国陆军将与商业公司开展合作和协作，目的是将最新的商用人工智能技术应用于军事领域。商用能力可以成为“多域作战”的构建模块，由高度分散的作战人员和代理（机器人和软件）组成的团队将在恶劣条件和动态环境下执行作战行动。自主无人系统将能够在复杂的地形和环境中移动，实现等同于或超过人类士兵的能力。
美陆军认为，未来战场将面临各种快速变化的、复杂的、从未见过的情况：1）现有人工智能训练和测试数据集无法展现不断变化的作战环境（例如，移动和机动，及城市冲突）；2）战术训练数据将是有噪声、不完整、错误且杂乱无序的；3）对手将运用欺骗技术战胜人工智能算法。美陆军要求人工智能系统能够利用实时收集的小型未标记数据集进行学习，从而1）快速、轻松地适应新任务，2）提供非结构化环境中的上下文和理解，3）挫败敌方机器的攻击。
8
美陆军人工智能创新院（A2I2）概念
美国陆军研究实验室（ARL）将把陆军人工智能创新院（A2I2）的研究重点定为能够快速提升多域作战期间无人装备的移动和机动能力的人工智能技术，促进人工智能和机器学习技术的发展。A2I2是一个AI生态体系（如图8所示），包括以下几个组成部分：1）陆军研究实验室的“开放和扩展校园”、2）网络科学研究实验室（NSRL）、3）安全非密网（SUNet）、4）国防研究与工程网（DREN）、5）陆军研究实验室的高性能计算（HPC）、6）在线自动数据存储库（AODR）、7）各式各样的人工智能软件工具、8）跨学科主题专家（SME）。
图8 A2I2生态体系
人工智能技术将使战场上的无人地面和空中平台组成混合编队，在复杂和动态环境中快速学习、适应和推理，为陆军作战人员提供迅速识别战场上战术优势和劣势的能力。自主无人系统能够接受数字和口头命令，并将这些命令精确地翻译成可执行的机器语言。这些无人平台也能够作为士兵的队友，即便遭到敌军的欺骗，也能够与士兵交互并共享理解，共同应对动态事件。这种能力将使陆军部队指挥官使用无人系统来完成关键和复杂的任务，如建立网状通信网，或者勘察地下基础设施并绘制地图。
9
A2I2愿景
A2I2的愿景是，开发并运用一系列人工智能技术来实现能够在动态、不确定、复杂、强对抗、严峻和拥挤的作战环境中为士兵们提供帮助的智能化系统。智能化系统将使士兵们尽量少地参与危险、耗体力和枯燥的任务。A2I2将开发异构和分布式的战场智能代理，在复杂的作战环境中快速学习、适应、推理和行动；具体来说，人工智能代理能够：1）使用有噪声、动态、带有欺骗性的小数据集来学习、适应、推理和行动；2）在C4I能力遭到削弱的情况下利用高度异构的数据以动态、分布式的方式学习、适应和推理；3）在SWaPT极端受限的情况下执行计算；4）按需处理。在任务指挥系统的支持下，指挥官可以获取准确的最新信息，从而掌握敌方和友方的态势，使部队在有利的范围内机动，并确保对部队的快速响应和灵活支援。信息技术、有能力的领导者和敏捷的编队相结合，能够降低风险并促成决定性行动。
10
A2I2 Goals
A2I2将专注于解决陆军特有的人工智能技术挑战。A2I2的总体目标是：1）让人工智能研究人员聚焦于未来陆军多域作战面临的技术挑战；2）作为陆军人工智能创新的焦点和催化剂；3）形成对人工智能的基本理解，以便预测模型在多域作战各个阶段、领域、地域和环境中的性能；4）建立鲁棒的训练、测试和实验流程，实现多域作战条件下的快速评估；5）使有前途的研究算法和模型快速成熟，供作战人员使用。
11
A2I2整合策略
A2I2将采取整合策略，加速陆军多域作战领域人工智能的基本理解、开发、训练、测试、试验和过渡。具体策略是建立一支包含以下人员的团队：1）来自陆军研究实验室（包括“开放和扩展校园”计划）的陆军人工智能/机器学习研究人员；2）来自学术界和工业界的研究人员；3）收集特定的训练和测试数据集的跨学科技术团队；4）在现实环境中规划和执行典型多域作战实验的跨学科团队（包括用户群体）；5）在过渡阶段负责将AI模型部署到适当平台的合作伙伴。
12
网络科学研究中心（NSRC）
未来的陆军战场将是一种复杂、动态、异构的网络，其中涉及多个进行交互的行动者和代理，这种环境将产生巨大的数据量。陆军需要一种控制、引导、指挥并重塑这一动态而混乱的信息领域的手段。因此，陆军研究实验室组建了NSRC，目的是促进评估、建模、预测和影响大规模和小规模通信、信息和社会认知网之间复杂行为和相互作用所需的协作研究。
NSRC汇集了来自陆军研究实验室的多学科研究人员，从以下几个方面推进网络科学的研究：
设计和控制复杂的多类型网络
具有语义和质量意识的网络
异构信息融合
信任管理理论
ARL实验框架：提供一种能够对复杂的网络科学实验进行建模和可视化的综合环境
ARL动态分配虚拟集群管理系统（DAVC）：一种用于实验的云环境
ARL可视化框架：一套可视化工具
网络科学研究实验室（NSRL）是网络科学研究中心特有的设施之一。
13
网络科学研究实验室
网络科学研究实验室（NSRL）是由陆军研究实验室和海军研究实验室联合建立的，目的是为移动网络系统的实时建模提供可控、可重复利用的模拟和仿真环境。NSRL为多学科研究团队提供了一个用于实验、原型和演示人工智能/机器学习的协作实验工作区。实验室由一系列硬件和软件组成，通过仿真对移动网络设备射频链路的运作进行建模，目的是对理论模型进行验证，并表征移动无线网络的协议和算法。该实验室准备进行一系列的实验，从评估用于检测赛博威胁的网络信息的网络内聚合，到表征通信中断对按需提供给士兵的分析所造成的影响。利用NSRL的能力，研究人员能够：1）实时模拟链路和物理层连接；2）实现实际的网络协议和应用软件（模拟真实的移动、无线网络系统）；3）提供事件驱动控制和日志记录设施；4）使用分布式架构。
动态分配虚拟集群管理系统（DAVC）是NSRL中的主要实验基础设施之一，它使研究人员能够在云计算环境中动态创建、部署和管理异构节点的虚拟集群。该系统通过自动分配和配置虚拟集群网络和网络服务，提高了测试台配置的复杂性。部署在DAVC中的虚拟集群可以用于各种各样的任务，如软件开发、实验和现有软硬件集成。DAVC使研究人员能够在每个集群中配置鲁棒的组网场景和复杂的子网层次结构。每个集群都被分配了私有虚拟局域网，这将网络流量限制在特定集群的边界内。这也消除了集群和研究人员的实验之间不希望出现的串扰，允许同时进行多项实验。
14
实验和评估
设计和执行基于多域作战的实验，并从得到的洞见中学习的能力，是美陆军部署人工智能/机器学习能力的关键使能因素。A2I2将进行全方位的多域作战实验，包括：1）利用标记和非标记数据进行数据科学实验；2）在典型的多域作战环境中使用现有的战术、技术和程序进行反复模拟；3）使用自主平台开展受控实验；4）在受控和可重复进行的条件下开展对人-代理性能进行评估的认知性能仿真；5）全面的现场实验。试验总体目标是：1）快速设计并在典型的多域作战环境中进行实验，目的是让更多的研究人员能够参与到实验中并使军用系统能够跟上技术的进步；2）通过开展从有关联（开放）到逼真（敏感）到真实（涉密）环境的全谱实验，最终为作战人员提供符合战场需求的能力；3）通过实验实现涉及网络、传感器网络、自主平台与人-工智能联合学习的人工智能和机器学习。
15
网络
A2I2将利用陆军研究实验室“开放和扩展校园”以及“扩展研究群体”计划可用的各种网络来支持数据交换和实验，主要包括安全非密网（SUNet）、国防研究与工程网（DREN）和高性能计算（HPC）。
（1）SUNet
SUNet是美国政府建立的非国防部信息网络，仅用于官方认证的非机密平台。SUNet提供了安全、可信、可通过互联网访问、非密、可扩展的操作基础设施，并具有用户/数据分段和严格的访问控制。SUNet使任务合作伙伴能够建立虚拟飞地，并控制对飞地的访问；获娶开发和部署特定于任务的数据集和分析，这些数据集可以跨多个飞地共享，也可以根据任务需求进行限制。SUNet可为美国联邦政府机构以及来自世界各地的执法机构之间的协作提供支持。
（2）DREN
DREN是一个高速、高容量、低延迟的全国性计算机网络，用于计算科学研究、工程和测试，可为国防部科学技术和测试评估提供支持。该网络将分布在各地的国防部高性能计算用户站点的科学家和工程师连接在一起。DREN包括5个国防部超级计算资源中心（DSRC）和其他政府实验室的150多个用户站点，研究、开发和工程中心，大学附属研究中心，测试中心，大学，以及美国各地的工业合作伙伴。A2I2可以利用已经建立的DREN基础设施进行通用高性能计算，并增加专门用于执行人工智能/机器学习计算的定制处理器，同时利用现有人员对新系统进行维护。使用DREN可以在不危及国防部企业网络或使其负担过重的情况下进行新的计算系统和算法试验。对于涉密或敏感的研究，可使用秘密DREN来连接专用的高性能计算资产。
（3）HPC
ARL负责运营五个DSRC的其中之一，主要用于高性能计算（HPC）。该中心位于ARL的超级计算研究中心内，采用了最先进的、可伸缩的并行架构和大型矢量并行系统，可为整个国防部的涉密和非密研究、开发、测试和评估任务提供支持。图9描述了目前高性能计算研究领域合作伙伴的地理分布情况。DSRC拥有50多名SME程序员和硬件维护人员。这些专家可以教用户如何使用高性能计算，并帮助他们开发适合其研究或数据分析需求的定制工具和算法。DSRC对技术研究至关重要；它实现了最优的设计、开发和测试，并使整个生命周期的采办成本最小化。目前，ARL高性能计算系统的累计运算能力为每秒1.1千兆次，在世界最强大的计算站点中排名前15%。
图9 高性能计算研究合作伙伴
16
AODR
在线自动数据存储库（AODR）可存储不同来源的结构化和非结构化数据，并对开放和隔离的数据进行安全性和访问控制。关键属性包括：1）作为ISR演习/演示中产生的数据和实验研究数据的中央存储库；2）可供研究届（政府、工业界和学术界）访问；3）作为工具/算法开发和评估所需的参考和隔离数据的“黄金”存储库；4）开发人员均享有最新和最相关数据的访问权；5）数据所有者保留所有权和决策权，并处于与其数据分发相关的批准链中；6）每个数据集都有各自的数据申请表/数据使用协议/保密协议。该数据库使用开源技术，包括免费和开源的视频和图像文件格式。AODR包含现场演习和演示期间收集的多模态特征数据，可为ISR界提供支持，促进分析工具的研发和算法开发。AODR是符合标准的数据集的中央存储库，可以作为获取经验教训和参考产品的首选知识库。
17
结论
人工智能/机器学习的一个关键目标是在多域作战期间为作战人员提供更强的智能化辅助。人工智能/机器学习可以有效处理大量数据，提高行动速度。更强的数据分析能力可提高决策能力，减少人力需求。辅助目标识别和自动目标识别等决策支持工具，能够依靠广泛的数据类型和信息源来帮助观察环境，建立态势感知，并选择最佳的可用资产来执行适当的行动。数据的数量、质量和多样性对于训练人工智能模型和测试人工智能模型的性能均至关重要。为此，美陆军研究实验室建立了陆军人工智能创新院（A2I2），聚焦于能够快速提升多域作战期间无人装备的移动和机动能力的人工智能技术，促进人工智能/机器学习技术的发展。A2I2的愿景是开发和使用一系列人工智能技术来实现智能化系统，在动态、不确定、复杂、有争议、严峻和拥挤的作战环境中成为士兵们的得力助手。
注：原文来源网络，文中观点不代表本公众号立场，相关建议仅供参考。
