联合全域指挥控制的终极目标——实现决策优势

本文编译自美国北方司令部和北美防空司令部前任司令Terrence J. O’Shaughnessy撰写的《Decision Superiority Through Joint All-Domain Command and Control》。文章指出，联合全域指挥控（JADC2）的终极目标是实现决策优势，围绕该目标，本文阐述了JADC2概念、指挥控制体系现状、JADC2概念应用、JADC2的交付以及JADC2的构建。

退役空军上将 Terrence J. O’Shaughnessy就任美国北方司令部和北美防空司令部司令期间，两大司令部都经历了重要转变，以确保能够威慑和击溃均势对手所构成的真正威胁。为了在危机时期完成这一不容有失的国土防御任务，必须具备许多关键能力，其中最重要的是保持对作战域的感知，对部队实施指挥控制，并击退对手的攻击。这些能力并不是新能力，而是自每个司令部成立以来就已经存在的能力，并且多年来一直是提供可靠威慑力的关键所在。

尽管这些针对国土防御的关键能力可能会持续存在，但执行这些能力的需求随着时间的变化而不断发生变化。美国的对手已经适应新的作战域，在其中遂行作战，并且使用了更快、更先进的武器来绕开美国日趋老化的防御。为了能够应对这些武器并匹配当今的作战速度，必须获取全域指挥控制感知，提供跨地下、海上、地面、空中、近太空、太空和赛博活动的总威胁图，以及能够压制对手攻击美国关键基础设施的防御机制。而这两种能力之间的关键就是联合全域指挥控制（JADC2）。

什么是JADC2？描述并最终实现JADC2对于美国国防部而言并非易事，因为在某种程度上，很难将雄心勃勃的概念转化成共同的愿景，并分解为具体的需求。一种方法是根据预期属性来描述JADC2。从这个意义上讲，JADC2是一种冗余且韧性的体系结构，能够实现更快、更可靠的通信，或者通过融合不必要的组织层次结构等方式，能够将融合后的传感器和报告数据与最佳射手连接起来，从而抵抗敌方。尽管这些描述肯定有用，但是通过其最终目的——达成决策优势——来描述JADC2是最好的。

JADC2是数字时代的指挥控制，是为从战术前沿的作战人员到战略领导者做出更快更好决策所需的体系结构。与以前的指挥控制结构不同，JADC2架构基于大量数据，将利用机器增强决策能力。这一新能力超越了人类能力的限制，可以生成机器使能的见解，从而识别异常事件、预测将来发生的事情并形成包括相关影响和风险说明的方案。

为了说明这一点，最近亚马逊网络服务（AWS）Next Gen Stats商用版展示了这一能力（见图1）。该商用版展示了人工智能如何分析美国国家橄榄球联盟（NFL）比赛。它确定了人工智能使能的见解能够为决策者提供的能力。利用人工智能，教练可以评估比赛战术。如将机器学习（ML）纳入考虑范围，基于先前的行为模式，结合历史分析与当前情况对未来进行预测时，还将激发更强大的潜力。

图1 人工智能实时分析橄榄球比赛

作为军方领导人，我们也希望寻求同样的数据驱动优势。当前的技术不仅可复制拥有30年经验的指挥官的知识和智慧，而且还可以超越单个人的思维限制进行数据处理，从而改善这种知识。这种方面不仅适用于战术层面，也适用于战役/战略层面。在战术层面，机器对数据进行处理可以缩短杀伤链，并帮助识别当前系统难以检测到的威胁。在战役/战略层面，机器使能的见解有助于了解对手的行为模式，以预测对手下一步的行动，并生成各种应对方案。

这听起来似乎很有前景。但是如何让这个概念成为现实呢？在过去一年中，北方司令部和北美防空司令部开展了一项行动，目的是大幅提高美军的关键能力，以满足日益严峻的安全环境中的国土防御要求。这项行动侧重于速度和创新，并结合了内部力量与商业界以及空军一起开展试验，空军牵头完成了前两次JADC2演示。通过这些举措，我们已经将“J（联合）”放入JADC2中，从概念迅速向现实发展。

对这一目标的追求产生了一个由四个部分组成的概念，这四个部分构成了JADC2愿景。这个概念不再是泛泛而谈，而是从实际上详细解释了能力框架。首先，从根本上讲，JADC2是一个数据问题。它必须利用历史和当前的权威数据来源，这些数据对于理解相关的安全环境条件至关重要。其次，这些数据必须基于云，可向上、向下以及跨指挥梯次访问适当密级的数据。第三，必须对数据进行分层管理，最终实现跨域和报告流的融合，从而在全域共用作战图（COP）中显示对作战有用的信息。第四，也是最重要的一点，JADC2必须将机器使能的见解纳入该共用作战图。这些见解同时利用预测分析、机器学习、深度学习以及人工智能来更好地了解情况并生成数据驱动的分析，从而为领导层提供决策优势。这个概念是实现JADC2的框架，将克服当今最紧迫的指挥控制挑战。

联合部队和盟军部队所面临的挑战是快速作战，以制止和击退当今面临的威胁。现代武器在速度和隐身性方面所带来的挑战，促使我们更加重视从感知威胁到由最佳射手击败威胁所花费的时间。我们也许能够识别到威胁，并拥有适当的防御机制来拦截威胁，但是如果无法及时处理信息并加以执行，那么我们将处于极端不利的境地。

如今的指挥控制依赖于大量数据来源，这些数据在每个指挥级别进行收集和完善，并不具备通用接口。这些数据存储在“烟囱式竖井”中，对数据访问造成了挑战。这就导致了司令部各层级以及各个司令部之间使用不同的作战图，这不仅阻碍了协作，而且无法形成统一认识。除此之外，由这种传统架构产生的决策还受制于人类处理的局限性——特殊的经验、知识以及短暂偶发事件的特殊性。

在响应新冠肺炎疫情之初，为了克服指挥控制挑战，美国北方司令部和北美防空司令部应用了JADC2的概念。

首先从寻找权威数据开始，这意味着在大多数情况下将数据输入移动到边缘并减少冗余层级。例如，我们与两家技术公司合作，将智能设备部署到纽约市Javits中心等地，在那里医疗队可以通过定制的应用程序和商业在线协作工具提供实时状态更新，以跟踪这些人员的位置、健康状况以及个人防护装备等信息。此外，移动设备可支持与医疗队进行虚拟互动以了解前线情况。

第二个关键步骤是将数据移到云中。我们与联合人工智能中心（JAIC）合作托管数据，并让行业实体能够访问数据，从而以共用作战图的形式显示有用的信息。为了完成这项任务，我们与两家软件公司合作开发了显示器，该显示器不仅可以显示全国医疗状况，还可以显示后勤和部署信息，从而可为下级司令部提供实时的态势感知。

JADC2概念的关键部分被证明是最有用的，这一概念将机器使能的见解纳入共用作战图中。我们与创新实验室和其他技术公司进行了协调，以利用预测分析来帮助制定决策。

作为国土防御转型的其中一部分，对新冠肺炎疫情的响应为我们提供了验证、利用和加速发展从去年就开始的JADC2计划的机会。JADC2概念开发采取了实践的形式：采用JADC2背后的理论或思想（即产生决策优势），并积极尝试通过实践打造。由于时间紧迫，我们打破标准能力采办流程，与技术创新商业实体一起采用了敏捷开发模型。这种方法包括原型设计、试验和演示，目的是提出实现国防现代化的关键需求。

这项行动首先聚焦于解决空域感知中的潜在漏洞，以通过名为“探路者（Pathfinder）”的原型来改善探测和响应能力。“探路者”利用行业创新者之间的竞争来快速实现跨越式的技术发展。国防创新小组（DIU）帮助我们创建了一个基于云的数据生态系统，该系统利用了不同的空域数据流（例如，美国联邦航空管理局（FAA）的雷达），并将它们传至云中，在云中，数据处理器可以运行算法来识别传统系统无法收集的航迹。这一能力不仅可以改善传感网，以识别飞机等传统进攻性平台，而且可以加强对已发射武器和无人机系统（UAS）的探测。

“探路者”仅仅是个开始。我们还牵头与商业界一起开展了其他试验，以改进对巡航导弹和无人机系统的检测。我们与开发基于机器学习和人工智能探测战术边缘能力的公司合作，能够比以往更早地发现威胁，消除了汇报层级。除此之外，这些公司为共用作战图提供了高级的虚拟用户界面，在共用作战图中，机器为作战人员提供了各种防御机制的任务选项来拦截导弹，例如F-22猛禽的虚拟交战。

基于这些早期原型和试验所取得的成功，空军要求我们牵头先进作战管理系统（ABMS）第一次“onramp”演习。空军和我的团队专注于打造真正的JADC2，在这一过程中同样采用了DevOps方法。

由于我们的团队充当了“onramp”开发的先锋，因此我们能够将行业实体和政府合作伙伴纳入原型开发和测试中，从而快速产生所需的结果。2019年12月，在佛罗里达州的埃格林空军基地，我们与众多联合部队参与者首次成功地应用了JADC2模型。“onramp”场景使我们能够收集在边缘进行处理的权威数据，将这些数据馈送传入数据云，利用机器使能的见解来提供战术层面的部署方案，最后将这些信息显示在多域共用作战图中，供决策者使用。

通过使用试验和演示的这种务实和迭代方法，我们确定了构建JADC2的过程。因此，经过验证的四步走概念应运而生：数据-云-机器-共用作战图，通过这种方式组织行动并解释如何走向下一步，从而实现决策优势的目标。

权威数据。实现快速作战的第一个关键是找到权威的数据来源，进行优先级排序，并移除多余的输入层。这一操作的效果是将指挥控制架构中不必要的层级扁平化，减少报告出错的可能性并缩短处理时间。根据所涉及的数据，权威数据来源可能是某个传感器，例如雷达数据、总部的某个传统指挥控制节点或通过社交媒体发布的开源报告。考虑到国土防御时，必须着眼于将数据流与所有相关的报告流进行识别和融合，以创建一个从地下到在轨传感器的分层传感网格，从而形成针对来袭威胁的全域感知。

云数据集成。之后，必须将这些数据集成到基于云的体系结构中，这一结构可在需要使用这些数据的司令部和组织梯次之间纵向和横向开放访问。重要的是，这一结构还必须能够容纳多个密级，并根据用户的身份授予访问权限，以打破当今在各个组织以及伙伴国之间存在的阻碍统一和协调响应的分割式孤岛。

全域共用作战图。接下来，必须以全域共用作战图的形式展示数据，以显示对作战有用的信息。集成到可视化中的数据流不仅必须进行分层，而且还必须进行融合，以关联轨迹和报告，从而减少不确定性并提高评估速度。理想情况下，共用作战图具有多功能性，能够在一个框架内在各种可定制的视图之间进行切换。用户定义的可视化代替静态输出，允许作战人员选择他们所关注的数据来源，以及定制显示方式以实现最佳的理解和决策。在数字时代，基于丰富数据的机器分析需要复杂的用户友好可视化以优化决策。当前的共用作战图原型就是这样运行的；它基于数据（而非平台）来应用技术以满足指挥官的新需求。共用作战图针对当前态势及其如何产生提供了丰富的认识，是目前为止大多数指挥控制改进工作的终点。虽然这些目标肯定超越了当今许多司令部的范围，但还无法使决策优势与我们应对当今以及未来威胁所需的决策优势相提并论。为了确保优势，必须应用各种工具，从而预测未来可能发生的情况并评估选择方案。这就是需要机器的理由。先进的处理能力、机器学习和人工智能可以将指挥控制提升到另一个层次（见图2）。

图2 美国北方司令部联合全域指挥控制概念

机器使能的见解。机器是联合全域指挥控制的关键组件。它们提供了超越人类限制的潜力，不仅可以更好地了解当前状况，还可以更好地了解未来以及潜在行动可能如何发挥作用。长期以来，美军一直希望开发这种技术预见能力。

为了实现这个目标，必须利用机器执行各种功能来支持JADC2。首先，利用大数据和预测分析可快速处理大量信息，从而更深刻地了解当前的情况。利用该能力，可分析更多的数据，识别出更多有意义的联系，从而解放分析人员，让他们将精力集中于只有人才能完成的任务。

下一步，可以考虑利用机器学习，通过整合历史数据，确定对手的重要模式和异常情况，从而判断对手意图。例如，随着时间的流逝，可能会了解到某些与军事演习相关联的指标，而这些指标超出了通常能够联想到的范围。基地附近的商品价格可能会产生波动。根据预测模式，在军事部署之前往往会先订购军用装备零部件。所有这些都有助于更好地预测何时会发生异常或与相关活动。

除此之外，机器可以将那些机器学习使能的探测结果联系在一起以产生深度学习。深度学习有助于构建更广泛的对手模式，并在汇集相关指标时，可能会产生作战警报。这些过程结合了实时与历史数据流，从而能够了解已经发生、正在发生以及可能发生的事情。机器学习和深度学习可识别全新的行为或条件，有助于为我们争取决策空间，从而提供更大的灵活性以及更多的时间来作出响应。

我们还可以利用机器来整合假设情况。通过将敌我行动的建模和仿真分层放入同一界面，能够让机器针对各种应急部队状态运行多个场景。在这些仿真中应用人工智能可以使机器以迭代的方式学习和开发决策选项。这些决策选项基于丰富的数据得出，通过提供建议、启示和后续影响以及随之而来的风险可使决策者处于有利地位。

增加数据分析的广度和深度能够使这个过程成为可能。这个过程并不仅限于使计算机根据一些指标生成一些规定的响应。增加数据池的广度使我们能够发现新的关联情况，并与对手行为联系起来。高级分析的深度通过合并比当前使用的数量级更多的数据，可让人们随着时间的推移对某个情况拥有更深入的了解。例如，蒙特卡洛分析法可以对各种可能的未来结果以及与之相关的风险提供更深入的见解。这种数据驱动的方法提供了高度详尽的理解，可以将被动式决策转变为预期式和主动式决策。决策者可能对复杂的问题拥有更精明的洞察力，并在更加透彻地了解未来作战后果的情况下做出决策。

需要明确的是，做出决策的仍然会是人类，但是他们基于机器输入做出更加明智的决策。如今，当出现危机情况时，我依靠拥有20多年经验的上校及其在美国北方司令部和北美防空司令部指挥中心的团队来帮助我做出决策。但是，现有技术可以让我们做得更好。只有充分利用机器的潜力，才能最终实现JADC2的目标，即决策优势。

朱虹编译自互联网

转自：防务快讯