兰德报告：用于军事准备的人工智能工具

    转自：航空简报 作者：郭道平2021年9月20日，兰德公司网站发布报告，题为《AI Tools for Military Readiness》，作者是彼得·席默和雅思敏·莱维耶。

    报告主要内容如下：研究的问题（1）美国军方每月战备评估的准确性和有效性如何？

    （2）哪些方面的人工智能（AI）可用于评估军事准备？

    （3）如何剪裁人工智能以改进军事准备评估，它如何帮助高级领导人完善其提供的信息，以便使他们的说明与报告的战备水平保持一致？

    军事准备是美国长期的优先事项，也是国家安全的基石。

    管理和改进战备的关键是其能力的衡量。

    这为领导者提供了态势感知和工具，以便探索与其它优先事项的权衡取舍，例如现代化、兵力结构和国家资源的使用。

    人工智能可以通过多种方式改进军事准备的衡量和管理。

    本报告讨论了提高计算机“理解”人类语言的能力的工作，这些语言描述了促进或阻碍战备的因素。

    美国军方每月报告总体战备情况。

    这些量化报告附有说明，解释军事单位中正在发生的影响当前或未来战备的事情。

    本报告的目标是使用这些评估来计算总体战备情况，并使高级领导人能够估计人员、装备或培训因素对战备情况的影响。

    另一个好处是在单位指挥官编写评估时自动与其实时交互，以帮助他们完善所提供的信息，并更好地将他们的说明与报告的战备水平保持一致。

    重要发现• 研究团队建立了基于深度神经网络架构的模型，可预测军事单位和组织的战备水平。

    这些模型在解释人员、装备和训练因素的自然语言描述方面做得很好，也能很好地解释战备方面的其它信息。

    最佳模型能够正确计算出一个单位在 75% 的时间内会报告4个战备级别中的哪一个。

    • 这种模型可以在单位指挥官提交月度战备报告时向其提供实时反馈，以改善这些报告的准确性和细节。

    • 通用公共领域词汇嵌入适用于许多自然语言处理（NLP）任务，但此类嵌入在具有专门词汇和上下文语义的领域（例如国防）中效果不佳。

    • 在中间、特定任务的词汇相关性和类比测试中，特定防御的嵌入似乎明显优于公共领域嵌入，并且可能在处理与防御相关问题的下游 NLP 模型中有用。

    • 多层神经网络作为一个整体的表现，比用作基线的单层逻辑回归模型要好得多；添加单个循环层后，模型性能进一步提高，但添加额外循环层时几乎没有区别或没有区别。

    C2如何加入学会注册学会会员：个人会员：关注学会微信：关注学会微信：中国指挥与控制学会（c2_china），回复“个人会员”获取入会申请表，按要求填写申请表即可，如有问题，可在公众号内进行留言。

    通过学会审核后方可在线进行支付宝缴纳会费。

    单位会员：关注学会微信：中国指挥与控制学会（c2_china），回复“单位会员”获取入会申请表，按要求填写申请表即可，如有问题，可在公众号内进行留言。

    通过学会审核后方可缴纳会费。

    长按下方学会二维码，关注学会微信