|
|
相关文章推荐
|
想出家的长颈鹿 · conda 查找spyder ...· 5 月前 · |
|
|
迷茫的皮带 · 如何使用 SQL SELECT ...· 11 月前 · |
|
|
谦和的电影票 · 洛谷P1049-装箱问题（01背包）-阿里云 ...· 1 年前 · |
|
|
痴情的红薯 · Win10/Win7 ...· 1 年前 · |
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。
机器学习是一门相对年轻的科学学科，其目标是通过从过去的经验中学习来达到实现人类决策能力 。它是一个跨学科领域，需要统计学、优化学、工程学和计算创新等多方面的知识。在过去的几十年里，我们见证了机器学习算法的快速发展，这些算法在实践中取得了显著的成功，以至于机器学习已经成为解决现代社会中许多具有挑战性问题的不可或缺的技术。与此同时，计算机科学、统计学、优化学和工程学的研究人员已经开发了机器学习的数学理论，他们致力于建立严格的数学基础，不仅可以解释当前的算法，还可以激励未来基于原则的方法。然而，许多现有的理论成果散布在文献中。虽然有一些入门书籍和综述文章试图涵盖这些理论成果的一部分，但还没有任何深入的教科书能够提供对文献中开发的标准数学工具的全面介绍。
这本书的目标是系统地介绍当前文献中常用于分析机器学习算法的主要数学技术 。由于空间限制，这本书本身并未详细解释各种机器学习算法及其应用背景。因此，假定读者已经熟悉标准的机器学习算法，如支持向量机、决策树、提升法、神经网络等。读者还应具备微积分、线性代数和概率的基本数学知识，以及足够的数学成熟度来理解严格的理论证明。对于这样的读者，本书的主要目的是介绍现代数学技术，这些技术常用于分析这些机器学习算法。所选材料的水平足以为读者提供充足的技术背景和知识，使他们能够毫不费力地阅读理论机器学习的研究论文。
这本书中选择的主题旨在涵盖当前研究水平上最有用和常见的数学工具和结果 。一些更专业的主题（例如主动学习、半监督学习、损失函数一致性、差分隐私等）没有包括在内，但是掌握了本书所介绍的技术工具的读者应该能够毫无困难地紧跟这些主题的当前研究。这本书可用于研究生级别的理论机器学习课程，并可作为从事理论机器学习研究的研究人员的参考资料。虽然最基本的概念以足够的深度进行了说明，但一些其他当前感兴趣的主题则以较少的细节进行介绍。由于主题众多，一些介绍相对简洁，而另一些主题则以一种抽象的方式呈现，目的是统一文献中出现的不同特例。这种抽象和简洁的表述可能在初次阅读时导致一些困难。为了减轻这种困难，包含了许多示例，以提供理论结果的具体解释和适当的背景。还包括了历史性的评论，以给出本书所涵盖主题的原始来源，以及对深入理解感兴趣的读者的额外阅读材料。每章末尾提供的练习可以帮助读者检查他们对主要概念的掌握。大多数练习需要对材料有良好的了解，但不难。此外，一些练习旨在为与主文相关但没有直接涵盖的主题提供额外信息。
这本书包含两个主要部分 。第一部分，从第1章到第12章，涵盖了在独立同分布（iid）设置中监督学习算法的分析。它从独立变量之和的标准指数尾部不等式开始，然后用几章的篇幅发展了均匀收敛的技术工具，这是分析机器学习算法的主要数学机制。使用覆盖数、VC维和Rademacher复杂度等经典概念建立了关键结果。这本书的第一部分还涵盖了最近出现的稳定性分析技术，它可以处理诸如随机梯度下降等特定的学习过程。作为这些基本数学工具的应用，也以不同程度的细节展示了对包括核方法、加性模型和神经网络在内的几种常用机器学习模型的分析。最后，第一部分以第12章的标准下界分析结束，涵盖了常用的技术，如Fano的不等式和Assouad的引理。还提供了关于最小二乘回归和密度估计的示例。这本书的第二部分，从第13章开始，涵盖了顺序统计估计问题的分析，包括在线学习、多臂老虎机问题和强化学习。它从将指数尾部不等式和独立同分布随机变量的均匀收敛分析推广到顺序设置中的鞅开始。然后在后续章节中描述在线学习、多臂老虎机和强化学习的特定算法及其分析。提供了上界和下界。这本书包含足够的材料，可用于为期两个学期的研究生级课程。
这本书包含足够的材料，可用于为期两个学期的研究生级课程，每个部分的内容可以作为一个学期的课程 。它也可以用于一个学期的课程，涵盖书中的部分内容。作者已经根据这本书的内容在香港科技大学教授研究生课程。参加这些课程的学生已经学习了基本的机器学习算法，并希望进一步学习分析这些算法的数学工具。
成为VIP会员查看完整内容
Mathematical Analysis of Machine Learning Algorithms
Mathematical Analysis of Machine Learning Algorithms
点赞并收藏
暂时没有读者
在日常生活中使用人工智能的基本指南《ChatGPT 革命》是一本深入浅出的指南，旨在帮助您解锁AI工具ChatGPT的潜力。我们正处于一个AI革命的边缘...但这对你意味着什么？现在是时候探索最新技术如何帮助您处理日常工作和生活中的琐事了！无论您是被重复的、耗时的任务压垮，还是简单地寻找新的创意注入，ChatGPT 都是那个能助你一臂之力的虚拟助手。通过这本必备手册，您将了解ChatGPT如何快速而轻松地将您的待办事项变成已完成的清单。从帮助您撰写电子邮件和报告，到规划您的下一顿饭或假期，ChatGPT为简化您的日常任务和职责提供了一种新方法。《ChatGPT 革命》向您清楚地展示如何使用这项创新技术来节省时间和减少压力。作者和备受赞誉的生产力专家Donna McGeorge分享实用建议和有趣想法，为您解读所有您需要了解的内容。了解人工智能如何已经应用于日常生活 - 以及像ChatGPT这样的工具是如何改变工作和生活管理的未来 理解ChatGPT能够执行的不同任务，以及何时以及如何最有效地使用它 获得编写智能、具体的提示和跟进查询的分步建议，以获得更好的结果 通过有趣的示例、建议和活动变得充满好奇心和高效，掌控局面，激活您的工作流程，并克服拖延和创造力障碍 无论您是一个繁忙的专业人士，还是只是想解决那个令人畏惧的问题“今晚吃什么？”，《ChatGPT 革命》揭示了如何使用ChatGPT作为简化生活的工具。AI技术的发展势头强劲：这是您加入革命的邀请。拿起这本书，学习如何驾驭AI的力量，以便为真正重要的事情腾出更多时间和精力。
成为VIP会员查看完整内容
The ChatGPT Revolution: How to Simplify Your Work and Life Admin with AI
点赞并收藏
暂时没有读者
决策智能（DI）多年来一直被广泛认为是顶尖的技术趋势，Gartner的报告显示，超过三分之一的大型组织正在采用它。有人甚至说，DI是AI发展的下一个阶段。目前，许多软件供应商提供DI解决方案，因为它们帮助组织实施基于证据或数据驱动的决策策略。
然而，到目前为止，关于组织如何正式化决策并将其与数据整合的实用指南还很少。 通过这本书，作者L. Y. Pratt和N. E. Malcolm填补了这一空白。他们提出了一种分步方法，将技术整合到决策中，搭建从行动到期望结果的桥梁，重点关注在决策制定过程中起顾问作用、与人类保持交互的系统。 这本手册解决了三个普遍存在的数据驱动决策问题 ：
在第一章中，我们向您介绍DI。我们简要介绍DI的历史，并从多个角度解释它的好处。如果您想快速开始学习DI的流程，可以跳过第一章。其余章节围绕九个DI流程进行组织，这些流程在图P-3中进行了总结。
第二章让你开始学习决策制定。它涵盖了创建初始决策目标陈述和构建决策设计的过程，包括识别可用的行动和期望的结果。第三章涉及到决策设计，你将在这里创建你的初始CDD。在第四章，你将研究可以支持你的决策的技术和数据资产，这被称为决策资产调查。现在是时候把所有东西汇集起来，做出你能做的最好的决策。这是决策模拟，涵盖在第五章。在你根据你的决策采取行动之前，你会想要评估风险、敏感性和不确定性。这是决策评估，是第六章的主题。现在是时候采取你选择的行动了。在这本书中，我们不会告诉你一旦做出选择该如何行动——我们认为你在这方面已经很擅长了。但是在第七章，我们将描述决策监测：你如何可以使用你的DI资产来监控你的行动（KPIs、中间过程、结果等）在现实中的效果，以便你可以在事情偏离轨道时迅速调整。
最后，第八章涵盖了决策模型被使用后你需要做的事情。在决策成果保留中，你要确保尽可能多的决策制定努力可以被重复使用。在决策回顾过程中，你将评估并改进你的决策制定过程，以备下次使用。 https://www.oreilly.com/library/view/the-decision-intelligence/9781098139643/
成为VIP会员查看完整内容
The Decision Intelligence Handbook: Practical Steps for Evidence-Based Decisions in a Complex World
点赞并收藏
暂时没有读者
优化算法对工程师来说是重要的工具，但使用起来很困难。事实上，没有哪种算法是通用的，对不同方法有深入了解是必要的，以便在特定应用的背景下确定最适合的算法。这本书旨在教授本科工程学生有关优化的知识，同时也为那些使用优化方法的专业人士提供重要的元素，以识别适合其应用的方法，并了解某些方法在他们的问题上可能的失败。内容意在正式，因为所呈现的结果是经过详细证明的，作者已经实施并测试了所有描述的算法。此外，大量的数字和图形插图构成了理解这些方法的重要基础。该书分为八个部分。第一部分侧重于优化问题的提出和分析。它描述了导致优化问题的建模过程，以及问题转化为等效表述的过程。问题的属性和相应的假设独立于算法进行讨论。随后，第二部分详细分析了优化条件，这些是正确掌握算法所必需的理论基础。在第四部分解释无约束连续优化的方法之前，第三部分描述了基于牛顿法的求解非线性方程系统的算法。第五部分构成了约束连续优化的算法。第六部分涉及基于网络结构的优化问题，更具体地阐述了最短路径问题和最大流问题。在第七部分引入离散优化问题，其中变量受限于取整数值，同时介绍了精确方法和启发式方法。最后一部分是附录，包含书中使用的定义和理论结果。 * Part I: Formulation and analysis of the problem
Chapter 1: Formulation * Chapter 2: Objective function * Chapter 3: Constraints * Chapter 4: Introduction to duality * Part II: Optimality conditions
Chapter 5: Unconstrained optimization * Chapter 6: Constrained optimization * Part III: Solving equations
Chapter 7: Newton's method * Chapter 8: Quasi-Newton methods * Part IV: Unconstrained optimization
Chapter 9: Quadratic problems * Chapter 10: Newton's local method * Chapter 11: Descent methods and line search * Chapter 12: Trust region * Chapter 13: Quasi-Newton methods * Chapter 14: Least squares problem * Chapter 15: Direct search methods * Part V: Constrained optimization
Chapter 16: The simplex method * Chapter 17: Newton's method for constrained optimization * Chapter 18: Interior point methods * Chapter 19: Augmented Lagrangian method * Chapter 20: Sequential quadratic programming * Part VI: Networks
Chapter 21: Introduction and definitions * Chapter 22: The transhipment problem * Chapter 23: Shortest paths * Chapter 24: Maximum flow * Part VII: Discrete optimization
Chapter 25: Introduction to discrete optimization * Chapter 26: Exact methods for discrete optimization * Chapter 27: Heuristics * Part VIII: Appendices
Appendix A: Notations * Appendix B: Definitions * Appendix C: Theorems * Appendix D: Projects * References
成为VIP会员查看完整内容
受大模型热潮催化，向量数据库方兴未艾。NVIDIA CEO 黄仁勋在3月的NVIDIA GTC Keynote 中，首次提及向量数据库，并强调其在构建专有大型语言模型的组织中的重要性。大模型作为新一代的 AI 处理器，提供了数据处理能力；而向量数据库提供了存储能力，成为大模型时代的重要基座。向量数据库是一种专门用于存储和查询向量数据的数据库系统，与传统数据库相比，向量数据库使用向量化计算，能够高速地处理大规模的复杂数据；并可以处理高维数据，例如图像、音频和视频等，解决传统关系型数据库中的痛点；同时，向量数据库支持复杂的查询操作，也可以轻松地扩展到多个节点，以处理更大规模的数据。
百亿蓝海市场蓄势待发，向量数据库空间广阔。据 Statista 数据，2021 年全球数据库市场规模为 800 亿美元，同比增长约20.3%。假设增速保持20%，预计到2025年，全球数据库市场规模将达到1658.9 亿美元。据中国信通院测算，2020年中国数据库市场规模约241亿元；预计到2025年，中国数据库市场规模将达688亿元，复合增长率为23.4%。随着AI应用场景加速落地，我们预计2025年向量数据库渗透率约为30%，则全球向量数据库市场规模约为99.5亿美元，中国向量数据库市场规模约为82.56亿元。 海外需求逐步爆发，新兴赛道群雄并起。目前向量数据库的赛道仍处于发展初期，随着大模型日趋成熟，越来越多玩家瞄准向量数据库的机会并选择加入赛道，呈现百花齐放的竞争格局。向量数据库的头部企业包括Zilliz、Pinecone等，目前的主要的客户还是互联网厂商随着大模型应用的不断拓宽，预计向量数据库的公司将受到更多投资者青睐，迎来投资井喷期。 Zilliz目前已与Nvidia、IBM、Mircosoft等公司展开合作，在一级市场获得1.13亿美元投资；Pinecone先后上架Google云和AWS，逐步打开市场，在一级市场获得1.38亿美元投资。
在这本书中，作者论述了我们所认为的计算机智能的基础具有算法根源，他以一种全面的视角呈现这一点，通过展示实例和解释涵盖理论计算机科学和通过工程算法解决方案的机器学习的方法。书的第一部分介绍基础知识。作者从一个动手编程入门开始，解决组合问题，强调递归解决方案。本书第一部分的其他章节解释了最短路径、排序、深度学习和蒙特卡罗搜索。计算工具的一个关键功能是高效处理大数据，本书第二部分的章节检查了传统的图问题，如寻找团、着色、独立集、顶点覆盖和击中集，随后的章节涵盖多媒体、网络、图像和导航数据。第三部分详细介绍的高度热门研究领域是机器学习、问题解决、行动规划、通用游戏玩法、多智能体系统以及推荐和配置。最后，在第四部分，作者使用如模型检查、计算生物学、物流、增材制造、机器人运动规划和工业生产等应用领域来解释如何在现代环境中利用所描述的技术。这本书配有全面的索引和参考文献，对人工智能和计算智能领域的研究人员、从业人员和学生具有价值。
https://link.springer.com/book/10.1007/978-3-319-65596-3
成为VIP会员查看完整内容
这本书共分为三个部分：入门篇，深度学习优化，以及高级应用。在第一部分“入门篇”中，我们首先介绍模拟、进化、遗传和其他算法的基础知识。接着，我们展示了在深度学习中运用进化和遗传搜索的各种应用。最后，我们通过研究生成建模、强化学习和泛化智能的高级应用来结束本书。下面是每一章的总结：■ 部分1：入门篇 – 章节1：引入进化深度学习 —— 本章介绍将进化算法与深度学习相结合的概念。– 章节2：引入进化计算 —— 本章为您提供计算模拟的基本介绍以及如何应用进化。– 章节3：用DEAP介绍遗传算法 —— 本章介绍了遗传算法的概念和使用DEAP框架。– 章节4：用DEAP进行更多的进化计算 —— 本章探讨了遗传和进化算法的有趣应用，从旅行商问题到生成蒙娜丽莎的图像。■ 部分2：深度学习优化 – 章节5：自动化超参数优化 —— 本章展示了使用遗传或进化算法在深度学习系统中优化超参数的几种方法。– 章节6：神经进化优化 —— 在这一章，我们研究了使用神经进化优化深度学习系统的网络架构。– 章节7：进化卷积神经网络 —— 本章探讨了使用进化优化卷积神经网络架构的高级应用。■ 部分3：高级应用 – 章节8：进化自编码器 —— 本章介绍或回顾了使用自编码器的生成建模的基础知识。然后，演示了进化如何发展成进化自编码器。– 章节9：生成深度学习和进化 —— 本章继续上一章的内容，介绍或回顾了生成对抗网络以及如何用进化进行优化。– 章节10：NEAT：增强拓扑的神经进化 —— 本章介绍了NEAT，并介绍了如何将其应用于各种基线应用。– 章节11：使用NEAT的进化学习 —— 本章讨论了强化学习和深度强化学习的
成为VIP会员查看完整内容
联合全域指挥与控制（JADC2）是一项在信息共享方面的巨大工作--感知、理解和行动，以增强联合部队指挥官的作战能力。这一工作将利用物质和非物质的解决方案，并修改现有的政策、权力、组织结构和操作程序。JADC2的目标是赋予美军联合部队夺取、维持、保护、获得信息和知识，以及保持决策优势和优越性的能力。美国防部专家提出了一些挑战和问题，包括但不限于：JADC2相关工作的组合管理的需要、JADC2内部的决策权力结构、可负担性和具体的预算分配、拟议技术的技术成熟度以及最佳技术系统设计和生命周期管理。本文从学术/科学的角度审视JADC2，以确定各领域（工程、科学和社会科学）的学术机构可以为创建一个最先进的联合全域指挥与控制系统做出贡献的多种机会。
美国军队在一个不断变化的作战环境中运作，需要快速适应不断变化的环境。在这样一个动态环境中，实现和保持信息优势是最重要的。为此，美国国防部（DoD）建立了联合全域指挥与控制（JADC2），这是一个旨在提高联合部队C2能力的倡议和概念（Hoehn，2022）。然而，由于国防部内部各部门之间存在着巨大的差异，JADC2的发展和实施需要付出相当大的努力，以考虑所有利益相关者和参与机构的不同需求和观点。
为了指导和监督JADC2的开发和实施，已经成立了一个跨职能的团队，该团队将与国防部副部长相关的工作人员合作，该团队由来自不同机构的高级行政服务（SES）级别的成员组成，例如，国防部、国防部长办公室、国防高级研究计划局、空军、陆军和海军（Hoehn，2022）。这个团队的主要目标和重点是以实施计划的形式确定和实施指挥和控制的改进。
本文概述了JADC2倡议的现状，提供了一系列建议，并确定了几个机会来解决和改进JADC2在技术、组织和数据企业等多个领域的一些关键挑战。本文首先介绍并概述了与联合性和JADC2有关的重大挑战。它简要介绍了JADC2的历史，然后是JADC2的一般概念性概述。本文的下一部分提供了一套技术和概念解决方案，以及研究、开发和采购技术所需的方向，这些技术将使国防部实现一个有弹性和优雅的JADC2高级解决方案。
2 研究历史与进展
在JADC2倡议之前，独特的指挥和控制系统（C2）由每个部队独立拥有和运行（Hoehn, 2022; McInnis, 2021; Theohary, 2021; Woolf, 2021）。从历史上看，每个军种都开发和获得了自己独特的战术指挥和控制网络，在不同的武器系统、平台和操作领域往往不兼容。因此，决策的时间周期和决策所需的关键时间敏感数据的传输是缓慢的、冗余的和组织上的管道（高级战斗管理系统，2022），除了地理上分离的指挥单位外，空中、陆地、海上、太空和网络空间等领域也被分开处理（国防部，2022；费克特，2022；奥罗克，2021；西奥哈里，2021）（高级战斗管理系统，2022；国防部，2022；美国武装力量学说，2013）。虽然不同部队拥有的多个指挥和控制系统使得高度专业化和有效的解决方案得以开发和实施，但它也需要各方面的巨大努力，并限制了所有部队之间的威胁反应能力和信息共享（Feickert, 2022）。
传统的C2系统有一个缺点，就是可能容易受到对手的反介入和拒绝攻击。对手的反介入/区域拒止（A2/AD）战术，包括电子战、网络武器、远程导弹、先进的防空系统和GPS拒止，可以影响我们的作战能力和依赖传感器和技术的决策周期（先进作战管理系统，2022；弗里德曼，2019；联合学说出版物5指挥与控制，2012；克雷舍尔，2001）。此外，目前的威胁不再局限于个别领域，这使得我们很难用专门的和部分孤立的解决方案来应对。因此，国防部领导人表示需要以广泛的方式扩大信息的获取，以提高整体的灵活性和对来自不同方向的紧急情况的准备（Doctrine for the Armed Forces of the United States, 2013; Jointness - A Selected Bibliography, 1993; Kirtland, n.d.; Transforming the Joint Force, 2003; Woolf, 2021）。
JADC2倡议和拟议的共享基础设施将加强和提高所有武装力量和服务的有效性。这样一个共享的基础允许同时和连续的行动，以及所有领域的能力的持续整合。近年来，为了联合特定的行动领域并利用联合信息和技术的优势，已经做出了重大努力，如空地战概念（Kirtland，n.d.）、DARPA的马赛克战争计划、空军先进作战管理系统（ABMS）、海军的超配项目和陆军的融合项目（Congressional Research Service，2021b）。在其他国家，如荷兰和印度，也有不同形式的联合工作报告（Birch等人，2020；国会研究服务，2022；Nardulli等人，2003）。此外，在2019年和2020年进行了JADC2测试（McInnis，2021）。由于复杂性不成比例的增加，传感器网络的连接性越来越强，以及超过人类认知能力的新颖而复杂的联合技术，到今天为止，还没有任何特定的解决方案被广泛实施。
已确定的几个挑战如下：
这些挑战不仅影响到JADC2的技术或文化可行性，而且也对国会在预算和资助这一重大努力方面构成挑战（国会研究服务，2021b）。JADC2计划将解决和应对这些挑战。
3 联合全域指挥与控制概念和框架
JADC2设想了未来联合部队的指挥和控制能力。它的目标是建立一种作战能力，能够在战争的各个层次和阶段，在所有领域，与合作伙伴合作，有效地感知、解释和回应。最终目标是以前所未有的速度和相关性提供信息优势（Alberts & Hayes, 2003; Kirtland, n.d. ）。JADC2战略采用了系统方法，整合了各种能力、平台和系统，旨在加速实施联合部队C2的必要技术进步和理论变革。JADC2将使联合部队能够使用大量的数据并将其转化为信息和知识，采用自动化和人工智能，利用安全、有弹性和可适应的基础设施，并在对手的决策周期内采取行动（Builder等人，1999）。为了解决这些问题，已经制定了一个实施计划，并任命了一个团队来监督这个过程。该小组由来自作战司令部、各军种、国防机构以及联合和OSD工作人员的跨职能SES级成员组成。
3.1 感知、理解和行动
感知（Sense）：为了确保联合数据对所有部队/军种和联合部队指挥官的可用性和有用性，需要一个共同和共享的感知方法和信息管理技术。该方法要求在作战环境中可以进行信息收集和提供，并交付给接收者。JADC2结合先进的信息管理技术，实施了一种新颖的数据共享方法。这些网络是在联合数据 "结构 "的基础上建立的，并使联合部队能够实现可用于决策的信息。通过传感和整合，有可能 "发现、收集、关联、聚合、处理和利用来自所有领域和来源（友好、敌方和中立）的数据"，并 "分享信息作为理解和决策的基础"（Kirtland, n.d.）。
理解（Make Sense）：理解的过程包括分析、理解和预测作战环境以及对手和友军的行动。在这个阶段，数据被转化为信息，而信息又被转化为知识。理解需要有能力融合、分析和呈现来自所有领域和电磁频谱的有效信息。这一阶段的一个主要要求是提供安全以及可访问的信息执行。JADC2开发的能力将利用人工智能和机器学习（ML）来加速联合部队指挥官的决策周期（Builder等人，1999；Kirtland，n.d）。技术和程序上的进步也将大大增强联合部队在C2降级环境中的作战能力。
行动（Act）：行动是指作出并向联合部队及其任务伙伴传播决策。这一阶段将决策的人的因素与技术手段相结合，以感知、理解和预测对手的行动和意图，并采取行动。这一步骤包括决策分析、传达决策和执行阶段。新颖的决策支持应用将通过先进的、有弹性的和冗余的通信系统、可利用的和全面的运输基础设施以及灵活的数据格式在联合部队之间实施，以实现决策的快速、准确和安全传播。"行动 "还意味着为联合部队提供适当的培训。使用任务指挥的方法，下级指挥官通过了解高级指挥官的行动意图，被赋予了信心和权力，同时在通信联系中断或行动的紧迫性排除了寻求指导的必要时间时，保留了采取行动的能力。任务指挥部为联合部队提供了夺取主动权、保持信息和决策优势所需的敏捷性和信任（Kirtland，n.d.）。
图1. JADC2行动链和过程
3.2 工作路线(LOEs)
JADC2战略是围绕五个LOE组织的，以指导该部在提供能力方面的行动，包括数据事业、人力事业、技术事业、与核C2和C3整合，以及使任务伙伴的信息共享现代化。每个LOE都由一个主要责任办公室指导，该办公室由高级旗帜/SES人员代表，可以通过联合能力委员会提出问题，与联合需求监督委员会互动并提供支持（国会研究服务，2021a）。
LOE 1: 建立数据事业 - 第一个LOE涉及数据结构和基础设施。作为一种战略资产，数据必须由JADC2有效管理，以使其能够抓住、保持和保护信息和决策优势。为了加速决策过程，联合部队必须能够发现和获取所有战争级别的所有作战领域中的任何数据和信息。以下关键的数据标准化目标已被确定为对JADC2至关重要：
LOE 2：建立JADC2人力事业--第二个工作重点涉及利用人工智能和机器学习等创新工具在指挥和控制能力方面的人类和组织表现。这个LOE的任务还包括改革、调整或创建具有结构、敏捷性和资源的组织，以更有效地结合联合部队及其任务伙伴的物质和信息力量，从而能够对联合信息优势（JIA）行动进行有效控制（Kirtland，n.d.）。人力企业还将解决领导者的专业发展和培训问题，并指导和支持JADC2的政策、行动概念（CONOPS）、理论以及战术、技术和程序（TTPs）的发展，以优化通过JADC2新能力获得的优势。
LOE 3：建立JADC2技术事业--第三个目标任务涉及增强共享态势感知、同步和异步全球协作、战略和作战联合规划、实时全球部队可视化和管理、预测部队准备和后勤、实时同步和整合动能和非动能联合和远程精确火力，以及增强评估联合部队和任务伙伴表现的能力（Kirtland, n.d.）。技术企业需要提供安全的、具有足够速度和带宽的全球通信网络，以满足战争需要。LOE 3还涉及JADC2的运输基础设施，以及确保连续C2能力所需的基本最低功能（通信系统的弹性和多样性，多级安全，消除单点故障）。
LOE 4： 将NC2/NC3与JADC2结合起来--JADC2将具有与核C2通信协作的能力，因此应在技术和人力企业层面考虑对NC2的要求（Kirtland，n.d）。
LOE 5： 使任务伙伴信息共享现代化--最后一个LOE描述了JADC2的机构互操作性需求和组织架构。联合部队指挥官将通过与任务伙伴共享态势感知，建立并保持对作战环境的共同理解。当每个伙伴的C2系统的数据可以被其他每个被批准的伙伴访问、查看和采取行动时，这种整合就实现了（Kirtland, n.d.）。然而，这个LOE中的一些挑战性任务包括新出现的任务、大型联盟和不断发展的技术，这些都是实现这一目标的持续障碍。
图2. JADC2的工作路线
图3. JADC2的指导原则、能力和提出的问题摘要
3.3 JADC2的系统性和生命周期观点： 未来机遇和所需的研究
联合全域指挥与控制（JADC2）概念建议将所有军种--空军、陆军、海军陆战队、海军和太空部队--的传感器连接成一个网络。为了实现这一目标，国防部正在追求一些新兴技术的整合，包括自动化和人工智能、云环境和新的通信方法。然而，要将多种新技术整合并注入大型遗留系统（SoS），系统和生命周期方法是必不可少的，以确保一个复杂的、具有成本效益的、低风险的、高能力的、独特的系统，为我们的军事部门提供一套无与伦比的独特能力。
在JADC2中有多个组织、技术、社会文化和企业层，它们之间存在着长期的相互作用。对JADC2系统的要求是将遗留系统整合成新颖的、颠覆性的和尖端的技术，这些技术需要以高度可靠、高效和具有成本效益的方式顺利地共同工作。因此，作者提出了一个系统的方法来确定这样一个复杂系统的机会和风险，以确保这一伟大事业的成功。在这一节中，作者提出了JADC2所面临的多个系统性和生命周期的机会和风险群，并为每个确定的机会提供研究方向和解决方案。
本文讨论了五组机会。第一个机会是需要在各军种/部队之间建立以文化为中心的新型互操作协作机制，以确保在空军、陆军、海军、海军陆战队、太空部队和其他国防部门之间形成最佳的协作实践。第二个机会讨论了对决策科学、情景分析和社会文化上的博弈论修改的创新和研究的迫切需求。目前的博弈论应用仅限于理性和一致的行为者，而美国经常面对的对手是部分理性和/或非理性的，其行为的一致性可能有限。第三个机会讨论了对日益增长的相互连接的传感器、决策者和射击者的网络进行复杂性管理的必要性。随着来自所有部队的传感器网络的遗留系统被联合起来，过剩的网络复杂性的风险上升，因此，对连接遗留网络的弹性架构的需求至关重要。作者建议建立一个由硬件和软件组成的通用翻译机灵活网络，以连接所有现有和未来的异质传感器和资产网络。第四个机会讨论了为JADC2采购项目建立一个新颖而强大的组合管理框架的必要性（以管理、优化、整合和资助JADC2相关的项目和采购项目）。JADC2由软件、硬件和组织层面的多个采购项目组成，这些项目与当前的遗留系统和现有系统不同步地注入，因此需要高水平的组合管理来协调JADC2生命周期内的多个项目和任务。最后，机会5讨论了JADC2作为SoS在以下领域的需求和MBSE的必要性：物资、非物资、政策、权力、组织结构和操作程序（Nilchiani, 2022）。
美国防部的所有部门和部队都拥有独特的文化和组织遗产、历史和沟通方式，他们的资产由遗留系统和各种技术的最新进展组成。JADC2的工作重点（LOEs）之一是人力企业，它涉及JADC2实施的人力和组织方面。然而，问题仍然是什么是JADC2中部队之间最理想的合作和协作的最佳组织结构？为了满足JADC2的要求，有哪些潜在的部队结构变化是必要的（Congressional Research Service, 2021b）？
国防部需要一个独特的独一无二的方法来加入部队，承认每个加入组织的个性和组织身份，独特的传统，以及各部队和部门的价值观。一个成功的合作解决方案要求不同部门和部队的有机和最佳合作，同时尽量减少部门间的冲突。这样一个新颖的解决方案将需要基于最先进的组织身份研究、对每个部队的价值观和传统的历史和人类学研究，并提出在自愿和相互同意的合作中出现的有机解决方案。JADC2的联合因素和人类企业需要提供一个独特的组织解决方案/蓝图，这不是单靠技术就能解决的。图4总结了第一个机会和相关建议。
建议： 投资于一个独特的、长期的、文化上的解决方案/组织蓝图的联合，它具有动态的持久性，而不是有限的、短期的 "解决方案"，不能解决核心的平等、角色和功能。
需要的学术研究： 组织理论，激励联合的动机，组织人类学和心理学，以找到最佳和独特的联合和协作架构。
图4. 组织解决方案/蓝图的需求和要求的概念化
在JADC2的核心中，有三个行动，即感知、理解和对从传感器收集和处理的数据采取行动，这些行动是相互交织的。感知和整合提供了从所有领域和来源发现、收集、汇总和处理数据的能力。然后使用机器学习（ML）和人工智能（Builder等人，1999），数据得到融合、分析和验证。最后一步涉及一个关键的决策过程，这是关于机会2的建议的重点。
在行动阶段，联合部队参与制定并向联合部队和任务伙伴传播决策。这个阶段的很大一部分任务是结合以下内容：
博弈论解释了决策者互动的情况下的动态（Priebe等人，2020），并在决策过程中使用了几十年。博弈论的科学重点主要涉及政治、经济和生物主题和现象（Priebe等人，2020）。博弈论的第一个重大进展是由Borel（1927年；Alkire等人，2018年）在20世纪20年代与冯-诺伊曼一起取得的，他后来还出版了博弈论的里程碑式出版物之一《游戏与经济行为理论》（Spirtas，2018年）。最近，经济学中的博弈论在两位诺贝尔奖得主约翰-F-纳什（Michael等人，2017）和约翰-C-汉萨尼（1967）的推动下取得了巨大的进步。
在博弈论中，模型被建立起来以代表整体情况和动态，其中有四个主要方面被定义：第一，决策者，通常被认为是玩家；第二，每个玩家/决策者可以选择的策略和行动；第三，可能的结果和成果，这与玩家的行动和策略选择有关；第四，每个玩家的回报与结果/成果有关（Rapoport，2012）。除了这些方面，情景中的参与者和决策者被认为是单独的理性的，这意味着在每个参与者的角度对回报的判断是理性的和有序的，此外，每个参与者都假设其他参与者是理性的（Rapoport，2012）。因此，博弈中的玩家可以将他们的知识和对其他玩家的假设纳入他们的策略，并可以做出相应的选择。博弈论允许对利益冲突情况以及合作进行逻辑分析，因此定义了冲突情况下的理性决策理论（Lawlor，2007）。
然而，目前决策分析和博弈论的方法在JADC2中的整合和使用方面存在不足。博弈论假定理性和一致的行为者/对手是冲突局势中战略和决策分析建议的基础。然而，博弈论中并非所有的行为者/对手都是 "理性的"。在社会文化博弈论的修改中，亟需进行新的研究。这门新的决策分析科学应该考虑到来自不同社会文化背景的对手中的非理性和不一致的参与者，并创建一个修正的博弈理论，根据新的信息制定策略。
与修正博弈论的需要一致，还需要对对手的文化规范、传统和思维方式进行蓝图/系统了解，如《孙子》中提出的基本文化规范和战略（Bass等人，2014；JNT-501S联合行动简介： 课程，2019），并找到考虑到文化差异、价值观和方法的最佳决策分析方法。孙子兵法》在远东地区作为权威的军事和政治指南已有好几个世纪，在过去的一个世纪里，西方国家也在翻译和使用。有必要进行学术研究，将《孙子兵法》的原则转化为抽象的规则和启发式方法，并创建一个框架，以便能够深入了解对手的行动，并为JADC2提出行动中的最佳战略。作为一个例子，《孙子》中关于胜利的五个要领可以解释如下：
1）战斗的时机至关重要（关于尽量减少交战和优化决策点时机的建议)
2）处理优势力量和劣势力量的能力（与不同规模和能力的对手交战的可伸缩性和能力）
3）在部队的各个等级中应用相同的作战原则
4）准备和在毫无准备的情况下对付对手（这将指向监视和情报以及积累模式和作战蓝图）。
5）军事能力和行动的可扩展性。
图5. 修正博弈论中需要推进的概念化
促成这些进展的学术研究包括但不限于：组织理论、激励联合的激励措施、博弈论和对非理性和不一致的行为者/对手的修正，以及提取和理解各种行为者/对手的操作原则，这些原则是有文化依据的，如孙子。
JADC2的核心技术挑战之一是整合由所有部队/军种管理和运作的高技术含量的传统传感器网络。每个军种都拥有最先进的情报、监视和侦察传感器网络，但这些网络不一定能与其他部队的战术网络互操作。感应和整合是指发现、收集、关联、汇总、处理和利用来自所有领域和来源（友军、敌军和中立）的数据的能力，并为决策分享信息。有效数据整合的要求必须从数据共享和安全的最早阶段开始考虑，并应用于整个作战领域，以提供快速收集、融合和定制数据（Kirtland，n.d.）。
国防部的战术网络和资产的异质性给JADC2带来了一些挑战，同时也带来了巨大的优势。整合多个异质战术网络的技术解决方案有很多，而且很多是次优的。每个解决方案都使用特定的系统结构和技术硬件和软件解决方案的组合。然而，在选择整合传感器网络的最佳技术方案时，有两个系统特性是至关重要的：灵活性和复杂性。灵活性是指系统以及时和具有成本效益的方式应对各种内部和外部变化的能力，因此对JADC2传感器网络至关重要，因为各种情况可能会出现，需要迅速重新安排相互连接的网络。架构和技术方案的复杂性增加也会导致网络脆弱，容易出现错误和对网络的攻击，因此应控制技术方案的复杂性（Chullen & Nilchiani, 2021; Nilchiani & Pugliese, 2017; Priebe等人, 2020; Pugliese等人, 2018）。
当JADC2寻找合并传感器网络的最佳技术解决方案时，有多种因素应予考虑：
需要对复杂的网络进行分割和联合，特别是要适应以文化为中心的互操作协作机制。
如果需要，需要对网络的关键部分进行防火墙（通过与网络的其他部分隔离来保护）和多层安全（例如，将特定服务功能与联合功能分开，或者如果网络受到对手的攻击）。
传感器集成网络的所有权和管理权： 在所有互联网络上的平等所有权与由部队保持每个网络的主要所有权并在需要时共享（军种、盟国和联盟）之间进行选择。
如何避免单一的联合性带来的脆弱性？每个网络的异质性应该保持不变吗？
如何隔离对手的破坏行为，为他们对我们网络的攻击设置防火墙，并作出反应？
如何避免和制止网络中有意/恶意的传播？噪声传播会延迟传感器的读取和对结果的解释，影响有效的决策过程。
过度的网络复杂性和连接性导致了错误（错误传播和来自于跨服务的误解）和容易受到对手攻击的风险。技术解决方案应解决定期管理复杂性的问题，并纳入灵活性和能力，以便在必要时重新配置传感器的异质性网络。与JADC2工作相关的多个国防部倡议一直在研究技术解决方案，包括马赛克战争（DARPA）、高级战斗管理系统（ABMS；空军）、聚合项目（陆军）、超配项目（海军）、全网络化指挥、控制和通信（FNC3；国防部长办公室）和第五代（5G）信息通信技术（国防部首席信息办公室）。DARPA的 "马赛克战争 "项目特别关注对灵活性的需求和对不断变化的环境和场景的反应，因此研究对局势和环境的重新安排和变化做出快速反应的解决方案。
技术解决方案：用于传感器联合异构网络的通用转译系统（Rosetta Stone）
连接所有部队（陆军、海军、空军、海军陆战队、太空部队）网络的技术解决方案需要实现一个系统的弹性、灵活性和对需求的响应，并在国防部面临的不同情况下产生更大的信息和洞察力。通常情况下，过度连接所有部队/军种的所有传感器和资产可能会带来一些实质性的问题，包括但不限于：1）传感器和信息传输速度减慢；2）数据收集和传输过程中出现错误和问题的风险增加；3）面对网络攻击时的网络脆弱性以及失去迅速隔离和遏制攻击的能力。
作者建议探索一个新的概念，即通用翻译器基础设施。这个通用翻译器将包括一个嵌入式硬件和软件分布式节点的组合，它将作为所有五个部队/军种以及所有国防部机构的联合网络传感器和资产之间的接口翻译器。图6显示了通用翻译器的网络概念。
通用翻译器的特点如下：
不同的传统系统之间的翻译发生在某些物理硬件和软件节点上，这些节点位于两个或多个异质的传感器网络之间，属于不同的部队。
没有必要投资使来自不同部队的所有传感器资产成为一个统一的频率和标准。通用翻译器将提供网络之间的翻译，而传统系统可以继续其正常功能而不会中断。
通用翻译器可以由多个节点以及冗余组成，可以作为翻译器的分体式网络运行，并且可以很容易地扩展、现代化，并在未来用最新的最先进的技术进步进行升级，并根据需求重新安排以创建新的网络功能和地形。这一概念将提供高度的灵活性、适应性和可升级性，并为所有部队的所有资产和传感器增加一层安全和保护。
通用翻译器节点将作为两个独立网络之间的瓶颈，可以作为防火墙机制。如果有必要关闭或隔离受到攻击的传感器网络，可以关闭某些翻译器节点，这将使被隔离的网络恢复到其原有的功能。
通用翻译器网络可以嵌入各种安全层，给每个部队的网络提供额外的保护和马赛克战争（DARPA）的新型网络重新排列和协议的能力。
每支部队还可以作为资产的主要拥有者指挥他们的原始资产（传感器网络），以及通过许可和激活通用翻译机与其他部队分享他们的数据。来自不同部队的数据可以被共享，而不需要共享每个网络背后的详细蓝图和架构。
图6. 通用转译机/Rosetta Stone基础设施的概念，以及通用转译机基础设施和软件在两个机构/部队之间转译数据的详细视图（Nilchiani，2022）。
建议： 投资于一个通用转译系统，用于传感器的联合异构网络，该系统可以保留特定服务的功能，同时与联合功能无缝对接，如果受到攻击，也可以独立于网络的其他部分运行。
在《联合全域指挥与控制： 国会的背景和问题》（Hoehn, 2022）中，提出了几组关于管理JADC2-相关工作、预算、成本估算和需求的问题。在这些问题中，有JADC2的支出重点、倡议以及JADC2相关工作的管理。管理与JADC2相关的多项工作的解决方案是采用行业中组合管理的最佳做法，并创建一个全面的国防部组合管理框架来管理多项工作。通过研究工业界在组合管理方面的最佳创新，可以创建创新的系统和企业级框架，使JADC2的联合工作人员能够管理、优化、整合和资助JADC2。
JADC2由数据、人力和技术企业的多种努力组成，适合于硬件、软件、商业和主要采购。处理多个同时进行的能力采购需要一个基于系统的框架来整合多个项目，以及一个组合管理方法来资助、管理和整合JADC2的多个潜在的非同步采购项目。组合管理框架将需要纳入JADC2相关项目的共享治理结构（治理架构）。
学术研究： 多个采购项目的组合管理框架, 共享治理架构
图7. 对所有与JADC2相关的采购计划进行组合管理的必要性的构想
联合全域指挥与控制（JADC2）是一个在物资、非物资、政策、权力、组织结构和操作程序等领域运作的系统，因此需要系统工程工具和方法来保证最优化的系统。基于模型的系统工程（MBSE）可以帮助以最佳方式回答有关单个技术/项目的采购、生命周期管理、定期升级和向JADC2注入新技术，以及JADC2中各种传感器和资产的所有权和管理等问题。
MBSE可以帮助确定联合特定的系统、需求和要求，并指导项目和技术组合的采购过程。关于各种部队和服务的传感器网络如何连接、结构和操作概念的技术问题都可以通过系统方法来实现。MBSE还可以为JADC2的生命周期相关问题找到最佳解决方案，包括识别新的颠覆性技术和与当前遗留系统的整合，以及对JADC2不断增长的互连传感器和资产网络的复杂性管理。
MBSE还可以为各种资产的网络所有权和架构提供建议和解决方案。例如，在尊重每个部队对其资产/传感器的主要所有权的同时，能否成功实现和实施联合？利用通用翻译器的概念，每个部门可以保留其对资产和传感器的主要所有权和指挥权，并根据需要分享所有资产的第二所有权。在极端情况下，主要所有者可以将他们的资产与网络的其他部分分开，以保护他们的资产或其他部门的资产，并在需要时独立运作。
本文概述了联合全域指挥与控制的现状，并通过学术研究与开发（R&D）的视角提出了一系列建议和机会。这套机会强调了研发的必要性以及在知识、技术、程序和能力方面的差距，可以使JADC2成为一个有弹性的、敏捷的、适应性强的共享指挥与控制平台。
文件中提出了以下机会：机会1：部队之间以文化为中心的新型互操作协作机制（组织和文化研究）；机会2：决策分析和博弈论创新的必要性（根据对手的社会文化细微差别进行修改）；机会3： 机会3：需要为日益增长的相互连接的传感器、决策者和射手网络进行复杂性管理和最佳系统架构设计（作者提出了一个由硬件和软件组成的通用翻译网络概念，以连接国防部所有现有和未来的异质传感器和资产网络，这将授权重新安排、重组、扩展和注入最新的先进技术，因为它们可用）；机会4： 机会4：需要一个新的、强大的JADC2采购计划组合管理框架（管理、优化、整合和资助JADC2相关的项目和采购计划）；机会5：需要基于模型的系统工程（MBSE），将JADC2作为物资、非物资、政策、授权、组织结构和操作程序等领域的一个系统。
成为VIP会员查看完整内容
点赞并收藏
暂时没有读者
对于构建将深度学习模型带入生产的平台和系统的重要指南。 在《设计深度学习系统》中，您将学习如何： 将您的软件开发技能应用于深度学习系统 识别并解决深度学习系统的常见工程挑战 理解深度学习的开发周期 自动化TensorFlow和PyTorch中的模型训练 优化数据集管理、训练、模型服务和超参数调优 为您的平台选择合适的开源项目 深度学习系统是支持生产环境中深度学习模型所必需的组件和基础设施。《设计深度学习系统》是为那些对深度学习设计要求知之甚少的软件工程师量身撰写的，它包含丰富的实战示例，将帮助您将软件开发技能转移到创建这些深度学习平台。您将学习如何为数据集管理、模型训练/服务和超参数调优等核心任务构建自动化和可扩展的服务。这本书是成为深度学习工程师的理想选择，开启一段令人兴奋且有利可图的职业生涯。
关于技术：
要使深度学习模型具有实际可用性，必须将其构建成一个软件平台。作为一名软件工程师，您需要深入了解深度学习，以创建这样的系统。这本书为您提供了这方面的深入了解。
关于本书：
《设计深度学习系统：软件工程师指南》教你在设计和实现一个生产就绪的深度学习平台时所需了解的一切。首先，它从开发人员的角度展示了深度学习系统的全貌，包括其主要组件及其如何连接。然后，它将通过工程方法仔细指导你如何构建自己的可维护、高效且可扩展的深度学习平台。
成为VIP会员查看完整内容
在日益复杂和苛刻的作战环境中运作的需要，有可能使现代军舰上以人为中心的指挥链超负荷。扩大使用快速发展的人工智能技术提供了应对这一挑战的潜力，彻底改变了指挥空间的决策。本文以皇家海军为例，研究了最近在这一领域的实验。
战斗信息中心（CIC）是现代军舰上局面编制、任务管理和武器控制的协调中心。它承载着一个人类操作团队，负责为战术家和指挥官提供合理化的信息，作为实时决策的基础。战争小组的成员与计算机控制台、显示器、通信设备和其他外围设备互动，以建立对战术形势的集体认识；评估和优先考虑威胁；并管理海面上、海面下的 "战斗"。
一名电子技术员在美国海军 "保罗-汉密尔顿 "号导弹驱逐舰（DDG-60）上跟踪地面和空中接触。随着威胁越来越复杂，环境越来越有挑战性，数据量越来越大，指挥团队越来越面临认知过载。(图片: 美国海军)
目前，CIC中的指挥链是基于高度规定性和以人为本的决策层次，由编译器和操作员从各种有机和非有机来源中建立战术图景，以实现及时和知情的战术决策：例如，转向开放武器弧的路线，或执行软杀伤性反措施计策。然而，人们认识到，由于海军部队越来越多地被要求在更加复杂和苛刻的作战环境中作战，而这些环境的特点是多样化和越来越具有挑战性的威胁，因此指挥小组现在面临着越来越大的超负荷威胁。
同时，舰艇收到来自有机传感器和非有机来源的越来越多的数据，从而使指挥团队识别、理解和应对威胁情况的能力更加复杂。操作人员也要承受越来越大的压力：在防卫值班时，一次盯着屏幕看几个小时，需要人类集中精力，即使有休息时间。任何疏忽都可能意味着遗漏或错误地识别了一次接触。
正是在这种背景下，海军从业人员、作战人员、国防科学家、工业界和学术界都开始考虑如何增加自动化和更多地使用人工智能（AI）技术来提高指挥和控制领域决策的敏锐度和速度。定义各不相同，但从广义上讲，人工智能可以被描述为机器所显示的 "智能行为"。从本质上讲，这描述了机器模仿人类在推理、计划、学习和解决问题的任务中所采用的认知功能的能力。
人工智能已经开始进入商业和消费领域的主流，因为事业已经看到了人工智能在提高生产力、增加效率和简化任务执行方面的潜力。海军现在也热衷于在指挥和决策中利用 "机器速度 "人工智能的力量，因为他们认识到人工智能技术善于从嘈杂的动态数据中推断出模式、趋势和信号。同时，人们认识到，在一个有效和高效的社会技术组织中整合人类操作员和计算机，会带来无数的技术、操作和道德方面的复杂性。
维斯比级护卫舰HSwMS卡尔斯塔德的CIC。未来人工智能支持的指挥和控制系统将需要将人类和机器的合作作为设计过程的基本组成部分来考虑。(图片: Richard Scott)
背景下的人工智能
高级别的自动化对海战来说绝非新鲜事物。例如，设置为 "自动 "模式的自卫武器系统将在满足预先确定的交战阈值条件时自动开火。这代表了一种非常初级的人工智能形式，因为武器系统有能力承担原本由人类执行的功能。然而，应该明确的是，这不是一个学习系统，因为它只按照预先编程的规则集运作。
在指挥环境中实施早期形式的人工智能的最初想法可以追溯到20世纪80年代。皇家海军（RN）舰艇在南大西洋的损失，在海湾地区对 "斯塔克 "号护卫舰（FFG-31）的反舰导弹攻击，以及 "文森 "号巡洋舰（CG-49）无意中击落一架伊朗A300客机，都证明了依赖大型和以人为中心的指挥链的行动信息组织的脆弱性和易错性。在某些情况下，高工作量和战斗压力的结合压倒了操作人员的认知能力，导致他们错误地评估局势和/或错误地计算出适当的反应。在其他情况下，由于操作人员和作战人员缺乏关注，即使有明确的线索表明攻击迫在眉睫，也会忽视威胁。
到20世纪90年代，一些有限的尝试将人工智能的形式引入到指挥链中。然而，这些所谓的 "专家 "系统--实施基于包含嵌入式理论或规则的知识库的人工智能形式--遇到了一些不足和限制。例如，那个时代的计算能力和可访问的内存所带来的限制必然限制了软件实施的复杂性。另外，这些基于知识的技术在实施中非常僵化--依赖于从操作者经验中提炼出来的规则--因此在应用中非常狭窄。
约翰霍普金斯大学应用物理实验室的硬杀伤/软杀伤（HK/SK）性能评估工具（HaSPAT）原型于2020年初部署在美国海军 "邦克山 "号巡洋舰（CG-52）上。(图片：美国海军)
对在海军指挥和控制领域实施人工智能的重新关注反映了过去十年中技术和工艺的重大进步--最重要的是，深度学习的革命使计算机能够以更像人类的方式对特定任务进行学习和概括。同时，人们对人工智能在指挥过程中可以增加价值的地方有了更好的认识：例如，通过帮助提醒操作人员在早期阶段的潜在威胁，或在复杂的多重威胁情况下支持威胁评估和武器分配（TEWA）。
还应理解的是，至少在可预见的未来，不赞成用机器完全取代人类的想法。相反，重点是利用人工智能技术来减少决策者的工作量，从而使人类在计划任务、估计对手能力或考虑采取特定行动方案时有更多的时间和更清晰的认识。简而言之，当时间有限或选择的数量太多，人类无法分析所有的选择时，人工智能可以提供关键的决策支持。
这种决策援助的一个例子是约翰霍普金斯大学应用物理实验室（JHU APL）开发的硬杀伤/软杀伤（HK/SK）性能评估工具（HaSPAT）原型。HaSPAT旨在帮助操作人员了解计划中的防御态势，并在敌方攻击前评估作战系统的性能，它还通过告知有哪些资源可用，确保为自卫保留足够的弹夹容量来平衡武器库存。来自JHU APL的工程师在2019年6月访问美国海军 "邦克山 "号巡洋舰（CG-52）后开发了HaSPAT。在与该舰的指挥官讨论后，决定进行快速开发，以帮助舰上的作战团队更好地计划和协调硬杀伤和软杀伤效应器的使用。
智能船舶第二阶段共资助了10个智能代理，并选择了一个 "集成商 "来管理ISAIN环境的开发。(图片: Dstl)
HaSPAT纳入了有关武器有效性的信息，以支持武器分配和调度，并嵌入了一个模拟，以产生分析和性能指标，告知用户与配置相关的可能风险。它还被设计成用户可以为区域和自卫实验设置不同的部队战斗空间配置。
原型工具于2020年初部署在美国海军 "邦克山 "号上，以便船上的船员能够评估HaSPAT的功能，并为进一步更新提供反馈。根据JHU APL的说法，这一初步演示为在部队层面上获得更重要的硬杀伤/软杀伤协调能力提供了一个垫脚石。
在大西洋彼岸，旨在加速和改善指挥团队在紧张的水上战争场景中的形势意识和威胁分析的原型决策辅助工具也已经由英国皇家海军在海上进行了操作试验。例如，英国皇家海军和国防科技实验室（Dstl）在2021年5月的海上演示/"强大的盾牌21 "演习中评估了一些人工智能工具。其中一个是Roke公司的STARTLE应用程序，其目的是通过提供实时建议和警报，帮助减轻操作员监测空中情况的负担。另一个是CGI英国的系统协调综合效果分配（SYCOIEA）自动化平台和部队TEWA应用。
人们认识到，未来的核心挑战是如何设计人类操作员与计算机和人工智能软件程序之间的互动和合作，以最大限度地减少人类意图与使用自动或自主系统执行该意图之间的 "摩擦"。这种整合--其缝隙是人机界面--必须认识到人类不仅仅是 "用户 "或 "操作员"，他们本身也是决策环路的一部分，因此是功能和产出的组成部分。
2019年，英国国防部启动了一个名为 "智能船舶 "的多阶段科技项目（S&T），正是因为需要研究有关人工智能改变指挥决策的潜力的一些关键问题。由国防部（MoD）资助，作为其更广泛的自主性科技计划的一部分，这项正在进行的努力代表了一种开创性的尝试，即设计一个合作的 "系统的系统"，其中自动化和人工智能与人类更紧密地结合和合作，以实现更及时和更明智的规划和决策。重要的是，智能船舶项目旨在展示一个未来的指挥和控制概念，其中人类和人工智能 "代理 "在一开始就被设计进去，而不是简单地将人工智能添加到传统的行动信息组织中。此外，它还认识到，系统的系统将包括机器-机器团队以及人-机器团队。
位于Dstl的Portsdown West设施的指挥实验室作为智能船舶第二阶段评估的测试平台环境。(图片: Dstl)
智能船舶计划的第一阶段涉及一系列 "挑战"主题--任务规划和决策辅助工具、信息融合、传感器和信息管理、新型人机界面、人机协作和集成--代表了典型军舰中的各种功能和能力。这些包括支持平台系统的组件，以及指挥规划和决策辅助工具。 这个最初的六个月阶段的一个核心部分是开发智能船舶人工智能网络（ISAIN）框架的任务。在CGI英国公司的领导下，在DIEM分析公司、人因工程解决方案公司和决策实验室的支持下，ISAIN是一个可以在不同场景下探索人机合作的环境，使开发和评估新的组织和工作流程结构成为可能，这些结构利用AI与人一起工作。这提供了在人类、人工智能或两者之间动态转移工作量的可能性，这取决于情况及其复杂性。此外，ISAIN框架为系统研究提供了一个试验场，并促进对支持和促进团队所有成员（包括人类和AI）的活动和互动的创新机制的研究。
例如，不同的人工智能和人类如何合作，人工智能和人类能力的最适当组合，组织人工智能和人类作为一个团队实现目标的最佳方式，以及仲裁或消除来自多个人工智能的相反建议/行动的手段。 除了ISAIN，智能船的第一阶段还资助了人工智能的成熟--或称决策代理（ADeM）--可以被整合到ISAIN中进行演示。ADeM是该项目采用的一个术语，用来描述在人-AI机器或AI机器-AI机器混合团队中运作的人类或基于机器的智能代理。
2020年6月，通过国防部的国防与安全加速器（DASA）发出了智能船舶项目第二阶段的呼吁。DASA资助创新和可能利用的科技想法，这些想法可以为英国武装部队和国家安全带来成本效益的优势。当年11月，总共授予了9个第二阶段的合同--累计价值约为300万英镑。其中，CGI英国公司作为ISAIN的集成商和开发负责人，获得了大约一半的合同。在这个角色中，CGI UK与Dstl合作进行ISAIN的集成，将ISAIN安装到Dstl的Portsdown West站点的指挥实验室中，设计开发智能船舶的各个方面如何在ISAIN环境中结合起来，并将选定的ADeMs集成到ISAIN架构中。
DASA将第二阶段的剩余资金用于开发特定的 "训练有素 "的AI。授予决策实验室、DIEM分析公司、Frazer Nash咨询公司、Montvieux公司（获得两个奖项）、诺丁汉特伦特大学、劳斯莱斯公司和SeeByte公司个别合同。CGI英国公司在行业标准和工具的基础上制作了一个软件开发工具包，提供给各个ADeM供应商。
除了DASA合同，之前在Dstl'Progeny'框架下开发的战术导航（TacNav）代理被拉入智能船舶第二阶段。TacNav是由CGI英国公司开发的，用于计划、执行和监控智能船的战术导航。在第二阶段中，CGI的SYCOIEA TEWA决策辅助工具也发挥了作用。
由于该项目无法为DASA征集的所有提案提供资金，因此决定选择广泛的人工智能代理，跨越一系列的平台和战斗系统功能。例如，罗尔斯-罗伊斯公司开发了一个被称为ACE（人工总工程师）的决策控制系统，该系统旨在根据指挥部的优先次序，就如何最好地操作船舶机械--发动机、推进系统、电力网络和燃料系统做出基于条件的决定。另一个人工智能被称为IBIS（用于损害控制和消防的内部战斗智能强化学习），是由弗雷泽-纳什咨询公司构思的，作为一个使用基于人工智能的新型强化学习技术的预测性损害控制工具。
智能船舶团队还选择了决策实验室开发的人工智能，称为CIAO（用于优化的高级复合智能代理），可用于仲裁两个不同代理交付的冲突输出。例如，如果TacNav根据水下障碍物或当地航运交通推荐一条航线，但TEWA代理建议另一条航线，以打开武器弧线对付来袭的威胁，它就可能发挥作用。CIAO在系统的许多部分都得到了实施，以便在决策链的不同部分提供复合建议。
杜威号导弹驱逐舰（DDG-105）CIC中的人员。未来几年，人工智能将在海军领域的许多情况下得到应用，将人类和机器融合在一起。(图片: 美国海军)
指挥实验室
ISAIN被整合到了Dstl的Portsdown West站点的指挥实验室设施中。这一设施--承载着由开放和灵活的硬件、软件、网络、数据库和协议接口组成的实时、虚拟和建设性的模拟--由Dstl的许多部分共同出资。它作为一个可配置的测试平台，提供了在所有战争环境中进行实验和整合新系统的能力。
为了支持智能舰艇的实验和评估活动，指挥实验室配备了类似于CIC多功能控制台的操作终端，允许军事顾问在伪作战环境中与人工智能代理互动。在2021年和2022年期间，指挥实验室已经进行了四次单独的评估，场景的复杂性、代理人的数量和这些代理人的成熟度随着时间而增加。
这些评估是针对Dstl军事顾问开发的名义场景进行的，这使得ADeMs可以在一个有代表性的操作环境中得到展示。这始于一个规划阶段。在这之后，"船"--在一个更大的任务组之前行动--在有争议的水域附近进行情报收集行动。随着紧张局势的加剧，与对手的红色部队发生了对峙。这最终导致了一次反舰导弹攻击，并造成了自身舰艇的损坏。为了评估的目的，这个端到端的场景被分解成一系列较短的小插曲，每个小插曲包括大约半小时的 "操作 "活动。这些脚本是为了最大限度地提高代理人之间的互动。
第二阶段于2022年3月底完成。研究和实验提供了宝贵的早期洞察力，使人们了解到将多个人工智能应用结合在一起做出集体决定的机会和好处，无论是否有人类操作员的判断。同时，它确定了一些新的问题，即如何在复杂的指挥环境中最好地实施和管理AI-enabled自动化。结论是，只有通过解决多个智能机器代理团队的设计和操作，才能获得真正的操作优势，并使人类在这些团队中的整合得到优化，形成有效的人类-自治团队（HATs）。
DASA与Dstl合作，在2023年初宣布了智能船第三阶段的计划。在第二阶段之前开发和评估的协作式人工智能概念的基础上，这一后续科技计划的结构是为了探索更早和更集中地考虑HAT的人类组成部分的好处，以支持未来的海军指挥和控制。
第三阶段的目标是为HAT设计一个综合系统，该系统可以提供水上海军指挥和控制的各个方面，并更详细地考虑基于人工智能的HAT的协作的仲裁需求。这将促使人们更加关注系统设计，而不是人工智能代理的开发；人类在HAT系统中的整合；以及对不同人工智能代理的潜在冲突建议的仲裁方法的理解。其目的是将现有的ISAIN环境用于整合和评估。
第三阶段的竞争预计将于2023年4月开始。其目的是，一个单一的多学科合作团队将提供所有的产出，包括系统设计、构建、整合和评估。目前的计划设想在2023年第三季度授予合同，第三阶段的活动预计将持续到2024年12月。
未来几年，人工智能将在海军领域的许多情况下得到应用。同时，人们认识到，人工智能的使用提出了一些深刻的伦理、法律和管理问题。今天，海军、国防科学和工业界所面临的挑战是如何确定人工智能可能成为解决方案的一部分的操作缺陷和能力差距，并了解如何最好地将人类和机器融合在一起，以便将人类的认知、直觉和责任与机器速度的分析能力相结合。
从长远来看，将人工智能引入指挥链可能需要一个范式转变。未来的指挥和控制系统将不再是设计系统，然后设计与人类操作员的接口，而是将人类和机器的合作互动作为基础概念和设计的基本部分。此外，将需要仔细关注，以确定在一系列操作场景和任务中指挥团队中人和机器元素之间的最佳平衡。
成为VIP会员查看完整内容
点赞并收藏
暂时没有读者
人工智能：ChatGPT推动产业迎来iPhone时刻，并从“小作坊”走向工业化时代。ChatGPT在全球市场的爆发，正将AI 产业推到过去70年以来前所未有的高度，科技巨头纷纷入局，继微软、谷歌之后，国内企业百度、阿里巴巴等先后发布大模型，并进行用户测试和企业应用接入。全球一线科技巨头在AI领域的军备竞赛，以及在大模型方向的持续下注，必将极大加速全球AI产业的发展进程，并推动产业从过去的“小作坊”式发展快速进入“工业化”时代。
算法模型：AI发展的灵魂，技术路线料将快速向GPT方向收敛，并有望在中期形成少数大模型（底层）+若干垂类模型 （应用层）的格局。ChatGPT的成功证明了高质量数据+反馈激励（大模型预训练+小数据微调）的有效性。GPT在自然语 言理解、生成方面的整体优势，有望驱动AI大模型技术路线快速向GPT方向收敛，同时少数科技巨头&机构专注于基础大模型的研发，更多企业则发挥各自在垂类数据、场景理解等层面优势，并最终构建少数大模型+若干应用模型的生态格局。
芯片&算力：算法快速迭代，以及对算力的巨大需求，料推动通用AI芯片（GPU）、云厂商早期高确定性受益。目前AI大模型领域的创新正在以月、周为单位快速向前推进，短期维度，预计通用AI芯片仍将是底层算法快速迭代的核心受益者。同时当前大模型在训练、推理环节仍需要巨大的算力承载，云厂商在算力基础设施、基础软件框架等层面综合优势明显， AI带来的算力增量料将主要向云计算平台转移，云厂商有望充分受益。但若后续算法迭代速度放缓，以及针对部分应用场景的专门优化，ASIC芯片需求料将快速展开，AI单位算力成本有望快速下降，但亦同时带来应用需求的进一步增长。
数据：AI的粮食和血液。当前AI算法的发展正转向以大模型为主的数据依赖，丰富、高质量数据集是AI产业持续向前的核心基础。伴随公开数据集的逐步耗尽，借助算法实现数据合成，以及垂类领域专有数据集将是企业后续差异化优势主要来源，同时数据使用合规、用户隐私保护等亦将成为持续监管领域。
成为VIP会员查看完整内容
全球人工智能AI行业产业研究重磅手册，258页pdf
点赞并收藏
暂时没有读者
神经网络是一种受生物启发的数据处理机制，它使计算机能够在技术上类似于大脑的学习，甚至在传授足够多的问题实例的解决方案时进行归纳。手稿“A Brief Introduction to Neural Networks”被分成几个部分，这些部分又被分成章节。下面对每章的内容进行总结。 第一部分：从生物学到形式化 -- 神经模型的动机、哲学、历史和实现 引言、动机和历史 如何教计算机？你可以编写一个严格的程序 - 或者你可以让计算机自己学习。生物没有程序员为它们编写程序来开发技能，只需执行。它们通过自己学习 - 没有初始经验和外部知识 - 因此可以比任何现今的计算机更好地解决问题。什么样的品质需要让像计算机这样的设备实现这种行为？这种认知能力能从生物学中获得吗？解决问题的广泛方法的历史，发展，衰退和复兴。 生物神经网络 生物系统如何解决问题？神经元系统是如何工作的？我们如何理解其功能？不同数量的神经元能做什么？神经系统中哪里在处理信息？关于神经信息处理的简单元素的复杂性的简短生物学概述，后面是一些关于如何简化它们以便在技术上适应它们的想法。 人工神经网络的组成部分 对实现生物神经网络技术适应的组件的正式定义和通俗解释。如何将这些组件组合成神经网络的初步描述。 如何训练神经网络？如何教授机器的方法和思考。应该纠正神经网络吗？他们应该只被鼓励吗？或者他们甚至应该在没有任何帮助的情况下学习？关于我们在学习过程中想要改变什么以及我们将如何改变它的思考，关于错误的测量以及何时学到足够的东西。 第二部分：有监督学习网络范式 感知机 神经网络中的经典之一。当我们谈论神经网络时，在大多数情况下，我们指的是感知机或其变种。感知机是没有循环并且具有固定输入和输出层的多层网络。描述感知机，其限制以及应避免这些限制的扩展。学习过程的推导和关于它们问题的讨论。 径向基函数 RBF网络通过拉伸和压缩高斯函数，然后空间上移动它们来近似函数。描述它们的功能和学习过程。与多层感知机进行比较。 递归多层感知机 关于具有内部状态的网络的一些想法。使用这种网络的学习方法，以及它们动态的概述。 霍普菲尔德网络 在磁场中，每个粒子对任何其他粒子施加力，使所有粒子以能量最为有利的方式调整其运动。这种自然机制被复制用来调整噪声输入，以使其匹配其真实模型。 学习矢量量化 学习矢量量化是一种学习过程，目的是通过使用少量代表性矢量尽可能地复制划分为预定义类的矢量训练集。如果这样做成功，那么迄今为止未知的矢量可以轻松分配给这些类别中的一个。 第三部分：无监督学习网络范式 自组织特征映射 一种无监督学习神经网络的范式，通过其固定的拓扑结构映射输入空间，从而独立寻找相似性。功能，学习过程，变化和神经气体。 自适应共振理论 原始形式的ART网络应对二进制输入向量进行分类，即将它们分配给1-out-of-n输出。同时，到目前为止未分类的模式应被识别并分配给一个新类别。 第四部分：专题研究，附录和目录 簇分析及区域和在线学习域 在格林姆的词典中，已经灭绝的德语词“Kluster”被描述为“was dicht und dick zusammensitzet（某物的浓密群体）”。在静态簇分析中，探索点云内部群组的形成。介绍一些程序，比较它们的优点和缺点。讨论一种基于神经网络的自适应聚类方法。一个区域和在线可学习的字段从点云（可能包含大量点）中建模，用一组相对较少的神经元代表点云。 用于预测的神经网络 讨论神经网络的一个应用：预见时间序列的未来。 强化学习 如果没有训练示例，但仍然可以评估我们学习解决问题的效果如何呢？让我们看一下位于监督学习和无监督学习之间的学习范式。
成为VIP会员查看完整内容
基础模型迅速从实验室走向实际部署和应用。 在这篇论文中，我讨论了两个相关的研究方向，旨在弥合这一鸿沟，以便基础模型可以在实际环境中得到有效应用，例如工程、医学或科学领域 。 第一个方向是使模型更加领域无关 ：虽然用于训练基础模型的技术最初是为语言和视觉领域开发的，但我们展示了简单的技术可以将这些方法推广到至少十二个不同的领域中。 第二个方向是在任务模糊性的情况下使模型更加有用，即用户所需任务可能模糊或没有完全明确，这在实际环境中经常发生 。在这里，我们展示了如何衡量和改进基础模型在任务模糊性下的性能，并探讨了模型本身如何协助消除用户意图的歧义过程。最后，我们讨论了未来的方向以及面临的挑战和机遇的广阔前景。
通用机器学习模型已经问世。虽然它们往往是不完美的、不可靠的、不可信赖的或带有偏见的，但现在存在着机器学习模型，能够通过自然语言或图像示例快速学习各种新任务。使用这些模型的一般公式包括两个步骤。首先，模型在大量广泛的数据上进行训练，例如从互联网中筛选出的图像或文本，然后根据所需的任务进行适应，例如使用一组输入-输出示例的自然语言指令。这种范式被称为基础模型，因为训练的第一阶段产生了一个可以作为许多后续用例的中心基础的模型。支撑这些模型的进展源于各种研究实验室的进展，这里无法一一列举。一些重要的例子包括构建和策划大规模数据集（例如C4，ImageNet），为评估模型构建后续任务和基准测试（例如GLUE，SQuAD，ImageNet），开发用于专门的机器学习加速器的硬件和软件堆栈（例如CUDA，AlexNet，TPUs），用于训练神经网络的编程抽象（例如Torch，Theano，TensorFlow，PyTorch，JAX），可扩展的机器学习架构（例如ResNets，Transformers），优化器和分布式训练的改进（例如Adam，Megatron），当然还有大规模无监督预训练和迁移学习（例如BERT，GPT-3）。
像许多技术一样，机器学习在开发过程中使用了一套假设，以使上述的发展变得可行。这些假设就像训练轮，它们支持技术在初期的发展，但随着技术成熟并在更广泛的社会中部署，这些假设需要被摒弃，以免阻碍进一步的进展。尽管上面提到的进展令人瞩目，但机器学习算法必须摒弃一些重要的训练轮，以推动在实际问题中的进展，例如科学、工程和医学领域。特别是，这篇论文关注的是两个训练轮，即领域特定性和明确的任务，随着这些技术继续从实验室走向真实世界，它们已经不再可行。
成为VIP会员查看完整内容
群体行为，是指使具有群落结构的生物，如鸟类、鱼类和一些细菌，聚集在一起并移动或与群内成员一起移动的行为。1986年，计算机图形专家克雷格-W-雷诺兹（Craig W. Reynolds）首次测试了群体行为，用一个名为BOIDS的模拟程序在计算机环境中研究鸟群。该模拟允许鸟群根据基本规则以简单的因素行事（雷诺兹工程与设计）。生物作为一个群体，解决它们无法单独解决的问题的能力，被称为群居智能。
在群体行为中，运动是由一个共同的智能决定的，这表明群体智能。如果它适应于牧群技术，通过在多个牧群成员之间划分相同的任务，可以从畜群中获得最大的效率和可持续性（Kaplan，2021）。
集群技术的历史
在文章的这一部分，机器人领域的一般集群系统将被称为 "集群机器人系统"。在文章的其他主题中，将详细解释集群机器人系统的成员要素（UAV、IDA和IKA），并进行系统区分。集群机器人技术是一个研究自然生活中的集群行为并试图将其适应于机器人系统的领域。集群技术领域试图将自然界中蚂蚁、鸟类和鱼类等生物的集群功能，如相互组织、具有自主结构、合作和协调等，作为一种灵活、可扩展和稳健的结构适应于机器人系统。集群机器人系统；它一般在没有中央实体控制集群成员的情况下运行。集群成员之间的通信是机器人对机器人或机器人对环境（roboticsbiz.com，2022）。图1中给出了自然界中群居生活的一个例子。
在机器人领域，"集群"这一主题在1988年G. Beni的作品 "细胞机器人系统的概念 "以及T. Fukuda和S. Nakagawa的 "动态可重构机器人系统的方法 "中被使用。正如G. Beni所言，细胞机器人在n维环境中自主运行，并在没有中央实体的情况下进行有限的通信协调。根据G. Beni的说法，这些机器人以协调的方式合作，以实现一个共同的目标（Cheraghi等人，2021）。
T. 福田则表示，作为他研究的结果，一群以集群逻辑行动的机器人可以像人体的细胞一样聚集在一起，完成复杂的任务。1989年，G.Beni和J.Wang在第七届日本机器人协会会议上使用了集群智能一词，声称机器人系统可以通过协调它们来显示智能行为（Eberhart等人，2001）。Ronald Kube和Hong Zohng；在1993年，他们建立了一个多机器人系统（集群机器人），其灵感来自于自然界蜂群的行为。Gregory Dudek和他的队友在同一年为集群机器人；他致力于研究集群大小、通信范围和间隔、集群元素之间的通信拓扑结构、通信带宽、集群组织、蜂群异质性或同质性等概念，这些概念描述集群元素的能力。在这些研究中，可以说是集群系统的鼻祖，集群机器人、多机器人系统或集群系统等概念是同义的，但这些概念在不同的名称中使用，是当时没有明确术语的原因。
研究集群系统的Beni在2004年提出，集群成员应该有一个简单、相同、可扩展和本地的通信系统。Beni提出的概念甚至在今天也构成了集群系统的基础（Cheraghi等人，2021）。图2中给出了一些系统的例子。
集群智能与机器人
集群机器人；它是通过使用集群智能软件和集群通信方法与可以单独工作的机器人协调，为某种目的工作的系统。为了在现场有效和成功地实施集群机器人，需要能够快速组织并采取不同形式的技术。这种需求在轻型、小型、具有成本效益和可牺牲的机器人（UAV、UGA和IDA）中得到了体现（Alemdar，2021）。
集群机器人；它们通过集群算法接收和给集群元素的通信单元提供各种数据，使用集群通信来相互沟通。一般来说，在集群算法中，集群元素根据局部规则行事，一般行为是在集群元素相互之间或与环境的互动中产生的。根据"集群机器人行为和当前应用 的研究，通过将单个机器人转换到集群机器人领域；它表现出基于本地规则集的行为，其范围可以从传感器输入和执行器输出之间的简单反应式映射到精心设计的本地算法。有关的行为包括集群机器人之间或与环境的互动（Schranz等人，2020）。图3显示了一个集群机器人的阵列。
交互；它包括从集群成员的传感器中读取数据，处理集群成员的任务计算机或相关单元的计算机，并将处理后的数据转化为执行器的反应（Floreano & Mattiussi, 2008）。通过重复这种互动，群落的基本行为被定义。在进入集群机器人的使用领域或工作原理之前，有必要研究一下 "牧群智能 "的基本原理，科学家们通过观察自然界中的动物群，抽象出它们的行为模式，从而创造出 "牧群智能"。
感知，是构成集群智能的基础的因素之一，对于良好的应用集群智能非常重要。在与环境的交互中，集群成员需要通过扫描其周围的一般威胁/机会或朋友/敌人的困境，即时将关键因素或情况传递给他所处的群体。它通过在正确的时间单独检测威胁/机会数据并将相关数据传输给群体的其他成员来提供感知。感知决定了牧群的命运（Alemdar，2021）。
自主性和自治性
集群智能与典型的机器人层级流程最大的区别在于，集群中的每个元素都可以通过其传感器自行收集数据，并利用相关数据做出决策，通过使用机器人上的执行器，对微控制器做出的决策做出反应，而微控制器就是集群成员。集群机器人的集群算法以前是根据集群任务开发的通用程序。尽管集群成员在集群中的作用是相似的，但根据集群的任务设计，它们可能有所不同。在集群系统中，为了尽量减少对集群通信系统的需求，一般要求集群根据集群成员的瞬时状态自主决定，而不接受系统的指令（Alemdar，2021）。
群体类群落和集群智能优先考虑其基本行为的情况之一是群体的生存。出于这个原因，群体的每个成员都应该向外界做出基本反应，以声援他们的群体。在这里，单个成员的生存并不重要，重要的是群体本身的生存。团结中的另一个问题是，群体在完成相关任务后立即开始另一项任务，这是循环的（Alemdar，2021）。
尽管 "灵活性 "的概念，即群体在相关情况发生后的快速恢复，在英文文献中被称为 "Resiliency"，但在集群系统中的使用却没有确切的对应。在群体可能发生的任何灾难中，群体对当前损失的认识和快速的改善解释了集群系统中的这个概念。无论牧群成员的损失有多大，牧群智能应该分析这种情况，而在其他牧群成员或牧群内做出新的角色分配。它还应该迅速适应这种新情况（Alemdar，2021）。
蜂群无人机：蜜蜂机器人状态
蜂群无人机，是对自然界蜂群系统之间的行为的机器人复制；它由大量的无人机组成，在蜂群内以协调的方式执行任务，与操作者或蜂群内的决策机制一起执行任务（After等人，2016)
蜂群无人机的传感器可以是相同的，也可以是不同的，这取决于任务、自主性水平和平台类型。在这种情况下，我们可以将我们在蜂群系统中使用的同质和异质分类用于蜂群无人机。尽管同质蜂群无人机系统的系统复杂程度较低，但与异质系统相比，传感器类型、信息处理能力或根据任务的灵活性能力受到更多限制。在异质蜂群无人机系统中，无人机任务能力的多样性和蜂群成员分别携带的有效载荷中的高传感器能力对蜂群非常有利，但与同质系统相比，技术复杂性是有利的（Oskoei，2014）。
基本上，在蜂群无人机操作中使用了两种控制架构，"集中式 "和 "分散式"。蜂群中的无人机系统的中央控制架构具有较低的自主性和自治性。蜂群中的无人机之间没有相互通信结构。系统的操作员或操作人员通过分别从每个无人机系统中获取信息来提供蜂群的协调。由于这个原因，无人机系统的任务分配是提前进行的。中央控制结构中的低自主性的优点是系统简单，容易优化，但在系统冗余或通信问题的情况下，群的持久性较差。
另一方面，分散式，即分布式控制架构，在无人机系统中，机群需要有较高的自主性和相互通信。具有这种结构的无人机应该能够通过通信来接收和分享信息，以便在它们之间传输传感器数据。它应该能够针对传来的信息做出必要的决定。在这种情况下，操作者在畜群中的作用就转移到了更高的管理水平。
分布式控制架构比集中式架构有更复杂的结构，因为它们需要高水平的自主性。在分布式或分散式控制架构中，由于任务和信息分布在无人机之间，系统更加持久，但由于其灵活性和冗余性，它更加重要。这使得无人机更容易适应动态环境。分散的畜群；通过系统内的合作，它更能抵抗无人机可能发生的损坏。
蜂群系统中的编队部署
蜂群系统的另一个问题是根据位置和任务的不同进行部署。有3种部署方法，即 "静态蜂群"、"动态蜂群 "和 "混合蜂群"。在静态蜂群形成中，蜂群成员是在任务前通过在地面上控制飞行的系统在蜂群成员之间建立通信、信任和合作的信任来选择。在静态蜂群中，从任务开始就阻止参与蜂群，新成员不包括在蜂群中。在动态虫群形成中，新成员被允许在任何时候加入或离开虫群，无论是在任务之前还是之后。来自同一控制机制或集团的新机器人加入群组，被称为封闭-动态群组形成。在开放-动态蜂群编队中，任何第三方机器人都可以被纳入蜂群，并进行相关分配。在动态群组形成中，群组成员之间的安全通信和合作等困难就凸显出来了（Akram等人，2017）。混合羊群形成使静态羊群形成和动态羊群形成作为一个整体一起工作。在这种队形中，有一个具有静态群居行为的群落在群落的中心。中心的静态蜂群允许其他蜂群成员（无人机）加入蜂群。
蜂群无人机系统中的通信与交互
在这一节中，将研究蜂群系统和作为蜂群系统结构的蜂群无人机的内部和外部互动，以及通信方式。畜群成员之间的协调是成功执行畜群系统任务的重要条件之一。从蜂群成员的传感器接收到的信息的传递，以及对这些信息的处理和分配给蜂群成员，对于蜂群通信来说是很重要的。包含在蜂群机器人中的无人机系统由于其快速和非常灵活的运动以及宽广的任务区域，建立了具有无线连接的蜂群互动（Zhu, , 2015）。
目前的Swarm无人机系统包括一个提供指挥和控制的地面控制系统。在这里，相关数据被传输到地面控制系统，为操作者提供信息，操作者传输的命令被传递给蜂群元素。无人机将位置信息（GPS，如果有的话）、速度和有效载荷的数据作为遥测数据传输给地面控制系统。在这些系统中，接收器和发射器使用未经许可的无线电频率，如900MHz来传输数据（Campion等人，2018）。图6中给出了蜂群通信的一般表示。
当我们观察蜂群内的通信和覆盖区域时，蜂群通信被分为两种："直接通信 "和 "间接通信"。当蜂群系统来自单一中心并且对各自的任务有有限的覆盖时，就会使用直接通信。在这种通信方式中，它们在蜂群元素和地面控制系统或站之间直接通信，没有基站。用于直接通信的通信模块，如ZigBee，具有低功耗、低延迟通信和低成本。
另一方面，间接通信则提供了牧群中的无人机与地面控制站之间的通信，没有距离限制。在这种通信方式中，在机群和地面控制站之间有固定基站或移动基站，系统之间的通信得到保证。在间接通信中使用了GSM或卫星通信等通信单元，实现了长距离的数据传输。这种情况下，所消耗的功率、用于通信的费用和单元之间的延迟都会随着覆盖区域的增加而成正比。
蜂群无人机内部的数据传输分为三种：广播、查询和同步。STM Thinktech 2019年2月题为《HOT无人机系统》的报告中概述了这种区别： 现代战争的未来预测"。广播；它通过与其他蜂群成员分享，实现了蜂群元素的当前状态。在查询中，蜂群元素发送一个包含其他蜂群元素的相关数据的消息。同步发送一个包含同步请求的消息给蜂群的群主。收到请求的相关蜂群元素将数据广播给其他蜂群元素。
蜂群无人机与战场
无人机系统首先以远程控制的逻辑开始其历史进程。1849年8月22日，奥地利将时间控制的引信炸弹装入200个气球，并将其送往意大利的威尼斯，这是公认的首次将无人机用于军事攻击。"Ruston Proctor Aerial Target"，第一个无人驾驶航空器或飞机，设计于1916年。1917年，陀螺仪控制的自动飞机成为美国陆军第一架正式的无人驾驶飞机（Kahveci & Nazlı, 2017）。
自20世纪60年代以来，符合当今无人驾驶飞机定义的现代无人驾驶飞机已经被开发出来。美国开发的瑞安147型无人机，曾在1970年代的越南战争中使用。无人机可以向控制无人机的操作台发送视频和图片，在1991年的海湾战争中首次使用（Ekmekcioğlu & Yıldız, 2018）。土耳其的无人机发展进程始于2004年国防工业部副部长与TAI签署的协议。2009年，Baykar防御公司成功进行了Bayraktar Blok A的首次自动飞行测试，为土耳其国家无人机的发展冒险做出了重大贡献（Aydın，2017）。Bayraktar TB2，于2014年4月29日进行了首次飞行；凭借其武装配置，它在幼发拉底河盾牌行动、橄榄枝行动、爪子行动、克朗行动和和平之春行动（URL-1）中作为武装力量与侦察、情报和监视一起被积极使用。
2018年，在俄罗斯控制的叙利亚西部的赫梅米姆空军基地首次出现了无人机的集群使用。对该基地的攻击是由一个反政府组织进行的。俄罗斯人员发现了13架准备在低空进行攻击的无人机，并用EW & SHORAD系统阻止了它们（URL-2）。2019年9月14日，沙特阿拉伯阿美石油公司位于Abqaiq和Khurais的石油设施遭到了无人机集群攻击。这次攻击是用25架无人机以两波连续的形式进行的。攻击后的分析显示，位于Abqaiq的设施被击中19次。沙特阿拉伯的防空层由法国开发的MIM-104爱国者和Crotale短程防空系统组成，但无法阻止无人机的攻击（Joshi, 2021）。
土耳其武装部队；2020年在伊德利卜省的农村地区以叙利亚武装部队为目标，使用集群式（群）武装无人机。土耳其武装部队成群结队地使用无人机系统，在短时间内摧毁了200多个目标、5架直升机、23辆坦克、23门火炮以及俄制BUK和Pantsir防空系统（Urcosta，2020）。
成为VIP会员查看完整内容
点赞并收藏
暂时没有读者
登陆后查看更多精品内容
VIP会员
本周荟萃主题
区块链
区块链（Blockchain）是由节点参与的分布式数据库系统，它的特点是不可更改，不可伪造，也可以将其理解为账簿系统(ledger)。它是比特币的一个重要概念，完整比特币区块链的副本，记录了其代币（token）的每一笔交易。通过这些信息，我们可以找到每一个地址，在历史上任何一点所拥有的价值。
机器学习的一个分支，它基于试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的一系列算法。
“机器学习是近20多年兴起的一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让
可以自动“
学习
”的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论，机器学习与统计推断学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法。很多
推论
问题属于
无程序可循难度
，所以部分的机器学习研究是开发容易处理的近似算法。”
——中文维基百科
——中文维基百科
强化学习
强化学习（RL）是机器学习的一个领域，与软件代理应如何在环境中采取行动以最大化累积奖励的概念有关。除了监督学习和非监督学习外，强化学习是三种基本的机器学习范式之一。
强化学习与监督学习的不同之处在于，不需要呈现带标签的输入/输出对，也不需要显式纠正次优动作。相反，重点是在探索（未知领域）和利用（当前知识）之间找到平衡。
该环境通常以马尔可夫决策过程（MDP）的形式陈述，因为针对这种情况的许多强化学习算法都使用动态编程技术。经典动态规划方法和强化学习算法之间的主要区别在于，后者不假设MDP的确切数学模型，并且针对无法采用精确方法的大型MDP。
推荐系统
推荐系统，是指根据用户的习惯、偏好或兴趣，从不断到来的大规模信息中识别满足用户兴趣的信息的过程。推荐推荐任务中的信息往往称为物品(Item)。根据具体应用背景的不同，这些物品可以是新闻、电影、音乐、广告、商品等各种对象。推荐系统利用电子商务网站向客户提供商品信息和建议，帮助用户决定应该购买什么产品，模拟销售人员帮助客户完成购买过程。个性化推荐是根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品。随着电子商务规模的不断扩大，商品个数和种类快速增长，顾客需要花费大量的时间才能找到自己想买的商品。这种浏览大量无关的信息和产品过程无疑会使淹没在信息过载问题中的消费者不断流失。为了解决这些问题，个性化推荐系统应运而生。个性化推荐系统是建立在海量数据挖掘基础上的一种高级商务智能平台，以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。
卷积神经网络
在深度学习中，卷积神经网络（CNN或ConvNet）是一类深度神经网络，最常用于分析视觉图像。基于它们的共享权重架构和平移不变性特征，它们也被称为位移不变或空间不变的人工神经网络（SIANN）。它们在图像和视频识别，推荐系统，图像分类，医学图像分析，自然语言处理，和财务时间序列中都有应用。
计算机网络
计算机网络(
Computer Networks
)指将地理位置不同的多台计算机及其外部设备，通过通信线路连接起来，在网络操作系统及网络通信协议的管理和协调下，实现资源共享和信息传递的计算机系统。
命名实体识别
命名实体识别（NER）（也称为实体标识，实体组块和实体提取）是信息抽取的子任务，旨在将非结构化文本中提到的命名实体定位和分类为预定义类别，例如人员姓名、地名、机构名、专有名词等。
机器翻译
机器翻译，又称为自动翻译，是利用计算机将一种自然语言(源语言)转换为另一种自然语言(目标语言)的过程。它是计算语言学的一个分支，是人工智能的终极目标之一，具有重要的科学研究价值。
计算机视觉
计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取‘信息’的人工智能系统。
推荐文章