人工智能赋能美国海军战术决策
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。
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。
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。
结论
本文来源：渊亭防务
关注公众号了解更多
会员申请请在公众号内回复“个人会员”或“单位会员
欢迎关注中国指挥与控制学会媒体矩阵
CICC官方网站
CICC官方微信公众号
《指挥与控制学报》官网
国际无人系统大会官网
中国指挥控制大会官网
全国兵棋推演大赛
全国空中智能博弈大赛
搜狐号
一点号返回搜狐，查看更多
人工智能在图像处理、语音识别和自然语言处理中的应用有哪些
当谈到人工智能在图像处理、语音识别和自然语言处理领域的应用时，我们可以看到它们正发挥着重要的作用。人工智能技术利用计算机科学和机器学习算法，使得计算机能够模仿人类的智能行为和决策过程。
人工智能在图像处理、语音识别和自然语言处理领域有广泛的应用。以下是这些领域中人工智能的一些常见应用：
图像处理：图像分类和识别：利用深度学习和卷积神经网络等技术，实现图像的分类和识别任务，例如物体识别、人脸识别等。目标检测和跟踪：通过训练神经网络模型，实现对图像中特定目标的检测和跟踪，例如行人检测、车辆跟踪等。图像生成和增强：利用生成对抗网络（GAN）等技术，生成逼真的图像，并进行图像增强，例如超分辨率图像生成、图像修复等。语音识别：语音转文本：利用深度学习模型，将语音信号转化为文字，实现语音识别任务，例如语音助手、语音转写等。语音情感分析：通过分析语音信号的声调、语速等特征，实现对语音中情感的识别和分析。自然语言处理：文本生成和翻译：通过神经网络模型，实现文本的生成和翻译任务，例如文本摘要生成、多语言翻译等。问答系统和对话机器人：利用自然语言处理和知识图谱等技术，实现智能问答系统和对话机器人，能够回答用户的问题和进行自然对话。整理了有关人工智能的籽料，有图像处理opencv自然语言处理、机器学习、数学基础等人工智能资料，深度学习神经网络+CV计算机视觉学习（两大框架pytorch/tensorflow+源码课件笔记）关注公众H：AI技术星球 回复 123这些只是人工智能在图像处理、语音识别和自然语言处理领域中的一些应用示例，随着技术的发展和创新，还会出现更多新的应用和突破。人工智能的应用不仅限于这些领域，还延伸到医疗诊断、智能交通、金融风控等多个行业。随着技术的进步和数据的丰富，人工智能在各个领域的应用将会更加广泛和深入。