摘要

美国空军对人工智能 (AI) 增强作战各个方面的潜力越来越感兴趣。对于这个项目，空军要求兰德公司的研究人员考虑人工智能不能做什么，以了解人工智能在作战应用中的局限性。

研究人员并没有试图确定人工智能的总体局限性，而是选择并研究了四种特定的作战应用作为潜在用例：网络安全、预测性维护、兵棋推演和任务规划。选择这些应用程序是为了代表各种可能的用途，同时强调不同的限制。对能够获得足够数据的三种情况进行了AI实验；剩下的案例是战争游戏，广泛探讨了人工智能如何应用或不应用。

本报告是五卷系列报告中的第一篇，总结了所有用例的调查结果和建议。它针对的是政策制定者、采购专业人士以及对人工智能在战争中的应用有普遍兴趣的人。

主要发现

• 为了识别适应性威胁，数据必须是最新的。分布偏移会降低模型性能，这是不可避免的，尤其是对于高维数据。

• 不能依赖人工智能分类算法来学习它们没有学到的东西。人工智能无法预见或识别新型网络攻击。

• 数据必须可访问且条件良好。相关物流数据保存在多个数据库中，并且经常存在病态。如果没有自动化数据管道，就无法捕获足够的数据来启用人工智能。

• 和平时期的数据无法替代战时的数据。人工智能无法弥补适当数据的缺乏。

• 数字化必须先于人工智能的发展。大多数兵棋推演不是在数字环境中进行的，也不会生成电子数据。数字化是人工智能数据管道的先驱。

• 需要新类型的数据。为了实现人工智能，需要人机交互 (HCI) 技术来捕获目前尚未捕获的兵棋推演的各个方面。

• 人工智能还远远没有达到人类水平的智能。因此，它不能代替人类，也不能应用人类的判断。

• 为了应对自适应威胁，数据必须是最新的。模型必须根据更新的条件进行更新，才能抵御动态威胁。

• 人工智能在战术上很聪明，但在战略上却很幼稚。它往往通过进入对手的观察、定位、决定、行动循环来获胜，而不是通过提出一个聪明的大战略。

• 人工智能的准确性不如传统的优化方法。但它的解决方案可以更加强大，并且可以更快地实现目标。

建议

• 空军部 (DAF) 应进行数据集分割测试，以确定人工智能系统分布变化的重要性，并确定近似的衰减率和人工智能保质期。

• DAF 应尝试使用人工智能来改进对战备备件包 (RSP) 的需求预测，并将概念验证模型扩展到所有飞机。这可能必须在逐个部分、逐个平台的基础上完成。

• DAF 应考虑使用人工智能来解决更大的运筹学问题，即选择将哪些零件发送到哪里。

• DAF应建立数据运营管道，对多个部件和平台的飞机维护和RSP进行高效的回顾性分析。

• DAF 应将资源集中在最有前途的领域，用于开发兵棋推演的人工智能应用：那些研究替代条件或用于按照明确定义的标准进行评估的领域；那些已经整合了数字基础设施的企业，包括人机交互技术；以及那些经常重复的内容。

• DAF 应增加数字游戏基础设施和 HCI 技术的使用，特别是在为系统探索和创新而设计的游戏中，以收集数据以支持人工智能开发。

• DAF 应利用人工智能功能来更广泛地支持未来的兵棋推演工作。

• DAF 应考虑人工智能如何为面临意外情况的无人机提供快速反应政策。

• DAF 应投资开发工具，将强化学习应用于现有的任务规划模型和模拟，例如高级模拟、集成和建模框架 (AFSIM)。