美国陆军推进人工智能和机器学习模型的战场应用

近年来，人工智能（AI）和机器学习（ML）在军事领域的应用引起了广泛关注。尽管长期以来，概念开发和采办界将人工智能/机器学习视为未来的下一代军事系统技术，但美国陆军已无法忽视在当前的军事系统中采购和应用人工智能/机器学习模型的问题。美国陆军通过开发和部署航空兵维护管理和预测性后勤应用程序Griffin Analytics，总结出了人工智能和机器学习（AI/ML）模型的前瞻性研究和开发流程。

图1 2024年6月，美国陆军第8骑兵团第6中队的士兵与陆军人工智能集成中心的人员在“盟军精神24”演习期间共同开展无人机试飞并现场排除软件故障

军事变革专家彼得•W•辛格（Peter W. Singer）在2024年4月的文章《人工智能革命已经到来》中指出：“人工智能在战场上的应用正在迅速扩展，从蜂群无人机到信息战，乃至更广泛的领域。”尽管美国陆军在人工智能领域已开始授出多项合同，但大多数合同都是针对大型的单一平台和统一系统，例如普兰提尔（Palantir）公司的Foundry系统。俄乌战争表明，当代大规模冲需要快速开发和采购针对特定领域的模块化AI赋能系统，例如第一人称视角无人机（FPV）和战术仪表盘（tactical dashboard）。

1 开发和部署Griffin Analytics的经验

Griffin Analytics是美国陆军人工智能集成中心（AI2C）的旗舰原型之一，体现了以士兵为主导的敏捷流程的成功。目前，该应用程序已被美国陆军第十八空降军、美国陆军预备役航空兵司令部和美国中央司令部采用，目的是更好地对旋翼机资产进行跟踪和管理。

Griffin是一款航空维护管理应用程序，使用AI/ML算法来预测维护需求和后勤要求。这种主动化的方法能够使停飞时间最小化，确保了任务准备度，并降低了与意外维修或延误相关的成本。该应用程序提供了实时、数据驱动的航空资产性能和状况洞察，使人员能够做出明智的决策。这些洞察力可用于优化资源分配、管理维护计划并提高整体运营效率。Griffin的模块化设计允许它集成来自其他军事系统的数据、结合新的AI/ML模型，并可以在从战术前沿到企业云的陆军平台上部署。

尽管该原型取得了成功，但开发团队发现的一个持续问题是缺乏对陆军软件的一致性要求，特别是针对AI赋能系统的预测组件。系统的模块化设计使得集成新的AI/ML模型变得更加容易，但由于最初缺乏严格的标准并且没有将行动结果与模型质量联系起来，因此很难确定新模型需要达到的预测准确性。为了解决这一问题，美国陆军与西点军校数学系的学员和教员开展了持续的研究合作，开始通过模型质量模拟和行动影响评估来弥补这一差距。

通过开发和部署Griffin Analytics，美国陆军总结出以下2个用于实现AI/ML系统的可负担性和适应性采办的研究和开发流程。首先，由美国陆军人工智能集成中心（AI2C）和陆军软件工厂（ASWF）牵头开展以士兵为主导的敏捷软件开发，因而产生了可以集成AI/ML模型的军队自有代码，避免了单一系统的供应商锁定。其次，由美国西点军校数学系的学员和教员开发的模型质量模拟框架，使AI/ML的性能指标能够转换为可操作的条款，并为单个模型建立具体的基准。这两个流程相结合，使AI/ML模型的采购更像是订购对现有军队流程进行改进的零件或组件，而不是购买较大型的最终产品。

2 美国陆军人工智能集成中心的作用

作为美国陆军未来司令部（AFC）的直属机构，陆军人工智能集成中心在将AI/ML技术整合到陆军作战中发挥着关键作用。该中心执行的以士兵为主导的敏捷软件开发流程在以下几个方面发挥着重要作用：

（1）军队自有代码：通过内部软件开发，美国陆军人工智能集成中心确保了陆军对其代码库的所有权和控制。此举减少了对外部供应商的依赖，因此降低了可能会限制军方在适应新技术或改变作战需求方面灵活性的供应商锁定风险。

（2）模块化AI/ML系统：敏捷开发方法使创建模块化的AI/ML解决方案成为可能，这些解决方案可以集成到各种军事系统中。这种灵活性使美国陆军能够部署针对特定任务的AI/ML模型，例如预测分析或决策支持模型，从而快速应对不断变化的挑战。

（3）敏捷响应：以士兵为主导的敏捷开发模型促进了迭代和增量改进，允许美国陆军人工智能集成中心根据来自陆军士兵、士官和军官的实时反馈来完善其解决方案。这种持续的反馈循环确保了解决方案的相关性和有效性，能够满足一线人员的直接需求。

3 西点军校数学系的研究贡献

目前，西点军校的学员和教员正在研究如何通过部队单位预测性维护的视角，将模型质量转换为陆军术语。如果一个AI/ML模型能够以90%的敏感性预测部件何时会损坏，那么从维护官员的角度来看，这意味着什么？人们可能会认为，如果使用了该模型，部队单位的战备率将提高到至少90%，但这通常并不准确。因此，敏感性是需要考虑的一个因素，但并不是将AI/ML模型转换为战备率的唯一指标。

图2 通过敏感性和时间对战备率进行预测

4 什么是敏感性？

敏感性是衡量模型正确进行相关选择的质量指标。在预测性维护案例中，敏感性是模型正确预测部件将损坏的次数除以部件实际损坏的总次数。例如，如果一个模型的敏感性为90%，但只能预测未来1小时内的情况，那么在零部件缺货的情况下，它对战备性几乎没有益处。

西点军校的学员和教员已经开发了一个将AI/ML模型质量映射到部队单位战备率的框架。要创建这个模型质量与战备率的映射，需要有关车辆及其组件的历史信息，例如车队中车辆的数量以及每个车辆组件的故障频率。基于这些信息，西点军校开发的框架能够模拟模型质量所对应的车队预期平均战备率。目前，模型质量由敏感性和模型能够预测的未来时间范围来表示。

例如，在一个假想的情境中，某单位的平均战备率为80%，可以使用历史数据来设置模拟的参数。一旦建立了这些参数，西点击军校的框架可以识别模型的敏感性以及AI/ML模型需要预测的时间范围，以将该单位的平均战备率提高到目标值，例如90%。然后，这些信息可用于设定采购AI/ML模型的要求。

对该框架的进一步研究需要实施库存管理的指标。使用AI/ML模型可能会影响单位的预算、供应支持活动中的储存空间以及国家供应链。因此，在陆军大规模实施之前，了解AI/ML模型对这些领域的影响至关重要。

5 结论与展望

从物理工业产品向数字软件应用程序的转变，给军事技术的开发和采购带来了重大挑战。将AI/ML模型整合到这些算法工具中只会加剧这些挑战——不仅因为现代AI/ML依赖于软件，而且因为这些模型的随机性质使得很难确定它们对陆军组织和流程的影响。此外，软件和AI/ML技术的发展速度远远快于传统的军事产品技术。因此，在采购AI/ML模型时，保持灵活性和适应性变得越来越重要。美国陆军人工智能集成中心、陆军软件工厂以及陆军未来司令部的其他组织所采用的敏捷软件开发方法，为军事技术开发提供了转变范式。将AI/ML模型商品化，通过敏捷开发和模型质量模拟，为军队在快速变化的技术环境中保持优势提供了手段。