美国陆军未来作战白皮书《操作机器人和自主系统以支持多域作战》｜62页

点击下方小卡片关注情报分析师

机器人和自主系统（RAS）和人工智能（AI）是未来联合部队实现多域作战（MDO 1.5）全部潜力的基础。这些系统，特别是人工智能，提供了跨领域，电磁（EM）频谱和信息环境战胜对手的能力。

在竞争期间使用这些系统使联合部队能够实时了解作战环境（OE），从而更好地利用有人和无人驾驶的能力来击败旨在破坏地区稳定，阻止暴力升级的威胁行动，并将被拒绝的空间变成有争议的空间。

在从竞争到武装冲突的过渡中，RAS和AI机动，射击以及情报，监视和侦察（ISR）能力为联合部队提供了拒绝敌人夺取优势阵地的能力。提高的维持吞吐量与攻击敌方反介入/空中拒止网络的能力相结合，使美军能够夺取作战、战略和战术优势。

通过支持人工智能的联合共同作战图片（COP）增加理解，使美国军队能够协调多域效果以创造优势窗口。冲突后RAS和人工智能的应用提高了产生可持续结果的能力，并提高了为威慑创造条件的战斗力。

为RAS制定作战概念使陆军能够更好地了解这些技术对战争性质和性质的潜在影响。描述陆军编队如何在未来的OE中使用RAS有助于说明其对战争的暴力，互动和根本政治性质以及战争不断发展的性质的影响。

本白皮书描述了RAS的组织使用，以告知美国陆军RAS总体概念，操作和组织概念，基于形成的操作概念以及系统或个人系统使用概念的潜在发展。

在竞争、武装冲突和重返竞争阵型期间，使用RAS和AI执行许多任务，这些任务支持解决方案的MDO组件，使陆军部队能够执行MDO并在不断变化的操作环境中取得成功。下一页上的表格将关键 RAS 和支持 AI 的任务与多域操作的三个原则对齐，以说明 RAS 和 AI 对多域操作的预期影响。

RAS的运作会影响未来部队的作战方式，对对手的行动方式，以及指挥官如何利用军事艺术和科学来利用武力能力来实现预期的效果和目标。与未来RAS / AI支持的部队相关的最重要的问题围绕着任务指挥，维持和组织设计。本文在广义上使用任务指挥和维持这两个术语，而不是试图将责任分配给特定的支持者或卓越中心（CoE）。

采用机器人和自主系统实现多域操作

MDO运营框架超越了传统的"深部、近距离和后方区域"，以更好地捕捉多域环境的复杂性。它将战场空间分为七个区域，并占所有领域（图1），延伸到太空和网络空间，以及电磁频谱和信息环境。

可供使用的敌方和友军能力的混合定义了这些区域。尽管地理空间或关系具有几何描绘，但它并不能定义框架。MDO框架允许指挥官安排行动并参考所有领域的联合部队，伙伴，对手和敌人的行动。

MDO修改了综合战役联合概念的竞争连续体（合作，武装冲突下的竞争和武装冲突），将构建重点放在潜在的对手身上。这种经过修改的连续统一体将美国描述为处于永久的竞争状态（竞争和重返竞争），只是被武装冲突时期所打断。

在竞争过程中，对手的主要目标是在政治上孤立友军，以限制盟军的反应，在政治上破坏目标国家的稳定，并实现武装冲突下的目标。在竞争中，对手可能已经认为自己卷入了一场国家冲突，并利用国家力量的所有要素来实现其目标。

对手主要依靠侦察、非常规战争（UW）和信息战（IW）部队来实现这些目标。在武装冲突期间，敌人寻求迅速的结果，以限制其部队和民事稳定的风险。敌人将试图分散联合部队的兵力，并阻止增援部队的部署。在武装冲突中，常规部队是华盛顿大学、国际水产大学和核能力支持的主要力量。

普遍的暴力是恢复竞争的最初阶段的特征。敌人可能会保持显着的杀伤力并占据一些友军地形。敌人的行动将依赖于UW，IW和潜在的核能力，这些能力专注于创造允许谈判解决的条件。作为未来联合部队的一部分，陆军将使用RAS进行MDO的行为，以在竞争中与对手竞争，并在需要时在武装冲突中击败他们。这些行动和活动将在对手的家园，近距离和支援地区以及美国大陆进行。

漏洞

所有通过扩展距离通信网络控制的UAS/UGV/UMS和平流层/HA平台都受到欺骗、干扰和电子攻击。其他漏洞包括通信链路退化、对导引头或传感器阵列的环境影响以及动力学攻击。所有飞机都容易受到地对空和空对空的拦截。产生和/或存储电力的能力会影响独立于跑道的无人驾驶飞机系统的范围。网状传感器容易受到天气和环境条件的影响，这些条件可能会遮挡其传感器。

天气可能会限制发射和运输到平流层/HA平台高度（>60，000英尺）的运行窗口。在良性条件下启动平台以预期以后的需求可以缓解此漏洞。恶劣天气还可能迫使 RAS 离开站，或使传感器性能模糊不清并降低其性能。该平台从支持区的发射点移动到其使用区域的速度很慢。

支持AI的主动网络防御能力容易受到损害或故障的影响，这可能导致防御阵列的一部分失败。网络威胁也可能以自主防御能力无法解决的方式演变或变化。对手可以采用旨在识别和利用算法漏洞的AI。

专门为协助决策而开发的人工智能系统存在许多漏洞。人工智能系统对数据的依赖很容易受到"第二波"系统基于扭曲数据形成适应不良的趋势的影响。对手可以通过操纵或破坏数据来利用人工智能对数据的依赖。人工智能会根据其源数据的质量和准确性而受到偏见的影响。这方面的例子是刑事司法系统中用于假释决定和预测性警务的人工智能系统中种族偏见的迹象。