【公益譯文】打好人工智慧戰爭 未來智慧化戰爭之作戰構想（二）

第1章 技術驅動因素 

現代戰爭需要使用技術，同時也受技術的影響。所使用的技術決定了軍隊可採取的行動，在戰術和作戰層面賦予並限制了武力運用能力。人工智慧主要是一種商業驅動的技術。因此，軍隊須跟上商業領域對人工智慧的開發和利用。這與冷戰期間（1947–1991年）軍方主導的技術發展形成了鮮明對比。那時，軍方會精心規劃技術變革，謹慎管理對現役兵力結構造成的影響。今天，在人工智慧領域，商業世界的需求和市場的機遇推動了技術創新和採用。現役軍事裝備的淘汰時間點有時取決於外部商業領域和市場，或與軍隊的計劃使用時間並不一致。

需要注意的是，人工智慧，無論是民用還是軍用，都不是獨立存在的。實際上，人工智慧的應用是多個技術構件的組合，卡內基梅隆大學（Carnegie-Mellon University）稱之為“人工智慧堆疊”（AI stack）。堆疊的感知（Perceive）層包括計算、無線雲網路及裝置（例如感測器）和物聯網，用以感知周圍的世界。決策(Decide)層包括海量資料管理、機器學習、數字模型和決策支援輔助工具。最後，行動（Act）層包括計劃和行動（最佳化、戰略推理、知識）、自主技術和供人類操作員進行操作的人機介面。重要的是，道德貫穿各層。

很明顯，堆疊不僅是人工智慧，而是涉及眾多互動技術。這些技術共同執行，產生組合效應，能力和效果遠遠大於單獨使用各項技術。如果管理得當，這種組合可以帶來指數級變化，隨著越來越多新技術的加入，變化會越來越快。

不過，指數變化可能存在中期上限。有些人已經看到了終點，預計人工智慧將出現“秋天”，甚至可能會迴歸“寒冬”。人工智慧此前曾經歷過兩次寒冬（1974–1980和1987–1993），所得到的關注和資金雙雙下滑。如果歷史重現，技術進步將出現停滯。

雖然仍會有較大創新，但這些創新將侷限在當前的技術正規化之內，而無法突破，應用模式是將當前或近期的人工智慧技術應用於新任務。然而，與商業領域相比，人工智慧還未深入到軍事領域。在軍事方面，人工智慧可能存在多種應用方式等待我們開發。本章探討了與人工智慧和機器學習、大資料、雲端計算和物聯網相關的技術。

人工智慧計算

人工智慧可以追溯到大約70年前，阿蘭·圖靈（Alan Turing）在1950年發表了一篇開創性的論文《計算機器與智慧》。今天的前沿概念之一“神經網路”甚至也起源於1957年左右。在很大程度上，關鍵的問題不在於有關人工智慧的想法，而在於是否有足夠的計算能力來實現這些想法。

1997年，IBM的深藍電腦擊敗了國際象棋世界冠軍加里·卡斯帕羅夫（Gary Kasparov），這戲劇性的一幕說明已經有足夠的計算能力來發揮人工智慧的潛力。深藍的人工智慧使用C語言編寫的基於規則的傳統軟體。該軟體彙集了專家知識，由計算機程式設計師和國際象棋大師合作開發。

在使用問題、邏輯和搜尋的符號表示時，深藍的基於規則的人工智慧屬於有效的老式人工智慧（GOFAI）。這種手動獲取知識的“專家”系統可以稱為“第一波”人工智慧。GOFAI擅長對狹義問題進行邏輯推理，但不善於處理不確定性，沒有學習或概括能力。

第二波人工智慧有兩大進步。具有大規模並行處理能力、搭載機器學習軟體的圖形處理單元經濟實惠，唾手可得，可以滿足影片遊戲玩家的需求。之後，又出現了大型資料集，可供帶有圖形處理單元的機器學習。

現代人工智慧的核心是機器學習。機器學習不是像深藍那樣一步一步來程式設計，而是利用演算法從所提供的資料中進行推理學習。演算法是計算機用來解決問題的一系列指令和規則。在機器學習中，演算法建立了人工智慧所使用的規則。對於不同的訓練資料，可以使用相同的學習演算法生成不同的規則和指令，完成各種新任務。一般來說，用於訓練學習演算法的資料越多，設計的規則和指令就越好。

有兩種主要的機器學習方法：有監督學習和無監督學習。在有監督學習中，學習演算法是基於標註資料的。例如，標註為“運輸機”的運輸機照片透過演算法輸入，這樣演算法就能建立出規則，用以後續對此類圖片進行分類。有監督學習需要大量的人力對資料進行分類和標記。

無監督學習使用未標註的資料。在此過程中，機器學習演算法從所接收到的資料中自行識別出模式。這就天然存在一個問題：很難知道學習演算法實際產生了什麼樣的資料關聯。

有監督學習系統的效能極高，但需要龐大的標註資料集。相比之下，無監督學習系統的效能往往不太穩定，難以預測。學習系統的選擇取決於任務，因為兩者在解決不同型別的問題上各有優勢。從海量金融資料中檢測欺詐為例，監督學習更適合於識別與已知行為相匹配的潛在欺詐行為。相比之下，無監督學習系統可以發現未經確認的新欺詐行為模式。

強化學習是一種無監督學習，在此過程中，學習演算法與動態環境互動，動態環境提供反饋，正確完成任務獲得獎勵，錯誤則會受到懲罰。AlphaGo人工智慧透過強化學習進行訓練，包括與人類專家比賽。2016年，它擊敗了世界圍棋冠軍。長期以來，人們一直認為圍棋的戰略戰術對於人工智慧來說是一個特別大的挑戰。這次勝利令人震驚，極大地影響了中國軍事思想家對人工智慧的接受程度。

概念上與此相似的是生成式對抗網路（GAN），它們相互競爭以提高效能。每個網路都試圖欺騙對方，加大對方正確完成任務的難度。考慮到對手可能會偽造資料，讓資料看起來更加真實，可使用較小的資料集進行訓練。

AlphaGo Zero是AlphaGo的更新版本，它使用GAN訓練方式與自己對抗，從而持續進行自我最佳化。AlphaGo Zero只內建了圍棋規則，但經過三天的自我訓練，在進行了數百萬次模擬對抗後，就能夠打敗人類訓練的AlphaGo。

強化學習和GAN雖然在實驗室環境展現了美好前景，但在現實世界中卻很難操作。在輸入、輸出和互動方面，現實世界沒有遊戲那樣的限制。有些人認為，AlphaGo Zero的驕人戰績部分原因是圍棋的特殊規則有利於GAN訓練。此外，學習能力需要時間，在實驗室模擬之外無法加速。最後，現實世界中失敗可能會造成嚴重後果，而不是簡單的吃一塹，長一智。

當強化學習和GAN系統能夠生成自己的資料而不依賴於所提供的資料時，它們才能發揮最大作用，但實際上，它們主要用於模擬與操作環境非常相似的場景中。這可能比最初設想的要常見，例如，可以透過強化學習訓練機器人上下樓梯。

目前，最先進的機器學習是深度學習，演算法層層疊加，形成人工神經網路。這些演算法對執行中接收到的新資料不斷進行訓練，隨著時間的推移，效能持續提高。他們邊“工作”邊學習，因此能夠作出讓人意外的緊急響應，無論好壞。相比之下，傳統的無監督機器學習仍然依賴於原始的資料集訓練。使用深度學習的人工智慧系統在影像分類、語音識別和遊戲對抗等方面的效能已經超越了人類。

深度學習的一個主要問題是可解釋性低。IBM Watson物聯網的首席資料科學家Romeo Kienzler曾指出，“我們知道深度學習是有效的，而且效果很好，但我們並不完全理解這其中的原因或方式”。這種“可解釋性問題”有時被認為是所有人工智慧的共性問題，實際上主要是神經網路和深度學習的問題。許多其他型別的機器學習演算法—例如決策樹—具有很高的可解釋性。矛盾之處在於，易於解釋的人工智慧輸出的準確率要遠遠低於那些可解釋性較低的輸出。

第二波人工智慧具有強大的感知和學習能力，能進行合理的分類和預測。然而，與第一波人工智慧相比，第二波人工智慧的推理能力很低，無法將在一個領域學到的知識轉移到另一領域。第一波和第二波人工智慧的優缺點意味著，與其說近期的第二波人工智慧取代了之前的第一波人工智慧，不如說創新方向已經轉向新的人工智慧形式。美國前國防部副部長Robert Work是人工智慧的有力倡導者，他認為，這兩種浪潮可以而且應該有效地結合起來：

以我們現有的計算能力，我認為，我們在第二波機器學習方面花了太多的精力，而在第一波專家系統上卻缺乏足夠關注，主要是因為它使用if/then邏輯，無須擔心可解釋性。它是內建於程式中的。問題出現後可以復現，讓我們確切地瞭解發生了什麼。（就美國海軍擁有的）自主艦艇（而言），……你可以按下按鈕，艦艇就能在諾福克和巴林之間自主航行。所有的（航海）規則都屬於第一波人工智慧，就是簡簡單單的if/then（如果/那麼）。如果艦艇要靠港（靠岸）……（那麼）你就要作出響應。但是需要在（駕駛臺）攝像頭中進行機器學習，只為了判斷，“這是一艘集裝箱船還是一艘帆船？它的速度是多少？”只有將機器學習和專家系統（合理）結合，才能實現這個目的……在第一波浪潮中，還有很多事情要做。

DARPA現在正在研究第三波人工智慧，它可以隨環境而變。人們設想，未來的這個第三次浪潮在訓練時需要的資料要少得多，能夠用自然語言交談，需要極少的監督就能正常工作。這波人工智慧將第一波和第二波人工智慧結合起來，可以提供多種能力。

人工智慧應用

與人類或更傳統的人類程式設計、基於規則的計算機相比，當前的人工智慧在解決某些特定問題上更能保證一致性。解決結果通常是機率性的，對問題的響應採用了置信度加權，結果未必總是相同。人工智慧能夠快速識別模式，檢測隱藏在大量非結構化資料集中的專案，這一點非常重要，因為全球80%人口的資料都是非結構化的。從廣義上講，當前人工智慧主要有以下五個功能：

• 識別。對事物進行分類（例如，根據症狀、指示和告警診斷問題），確定專案之間的關係（例如資料之間的關係）。影像和人臉識別、變化檢測和影像地理定位都屬於這方面的功能。

• 分組。這涉及到聚類，即對所提供的資料進行分析，確定相關性和子集，例如，評估特定問題由哪些因素導致。生活模式分析就體現了人工智慧的分組功能。

• 生成。這一功能是指在接收到特定輸入後建立影像或文字，例如，識別語音並作出適當響應。

• 預測。指根據歷史時間序列資料預測未來變化，例如，判斷機器何時會出現故障的預測性維護。

• 規劃。為複雜活動使用數字模型，確定可能的結果，例如，進行作戰模擬或為決策者提供假設分析。

這些任務長期以來由人類承擔，但現在越來越多地藉助於計算機完成。人工智慧帶來的增值是能促進任務更有效地完成，速度更快，不受能力所限，有時甚至完全不需要人力介入。人工智慧帶來的好處可以總結為效能、速度和可擴充套件性。

這些特性意味著人工智慧系統被賦予更大的自主性，就像陸地自主車和機群那樣。授予部分或全部自主權關鍵取決於執行特定功能時是否基於資料作出決策。人工智慧使用演算法分析資料，然後進行決策。從廣義上講，這意味著，首先，問題應可衡量，以便蒐集相應資料，其次，這些問題可以簡化為演算法。許多問題都符合這兩個標準。

人工智慧的缺陷

在某些情況下，人類的解決辦法可能比人工智慧更好。有些智慧機器相當脆弱，通常無法處理微小的環境變化。此外，它們的領域適應性較差，將一個環境中學到的知識應用到另一個環境中時顯得比較吃力。此外，一般認為人類更擅長歸納，能夠從有限的資訊中得出結論。人類通常在具有高度不確定性的環境中能做出更合理的判斷。

就技術缺陷而言，機器學習失敗的最常見原因是訓練資料不能充分反映人工智慧遇到的真實情況。原因有很多。用於訓練的資料可能比正常使用時實際觀察到的資料質量更高。並且，人工智慧擁有完整的資料，在實驗室中能夠學習並得出解決方案；但是，在現實世界中，有些輸入資料可能會丟失、模糊、損壞或失真，從而產生處理錯誤。最後，雖然人工智慧訓練可能基於所有參與者或元素的完美資訊，在許多真實世界的互動中，資訊可能被有意或無意地隱藏，或者乾脆未知。

人工智慧訓練失敗也可能來自對抗性攻擊。武裝部隊甚至平民個人都有可能試圖欺騙機器學習人工智慧系統。在這種情況下，愚弄人工智慧演算法比開發人工智慧演算法要省事得多。比如，設計各種主、被動方法來阻止個人使用面部識別人工智慧系統。最近有項研究指出，保護人工智慧機器學習有兩種方法：（1）檢測輸入錯誤樣本的攻擊者，（2）改進訓練階段；其中後者更優。

機器學習人工智慧還有一個固有的設計問題。如果訓練資料未根據實際變化定期更新，則在現實世界中的效能通常會隨著時間的推移而下降。這一特徵被稱為“概念漂移”，意思是，現實世界的資料經常表現為資料流，隨著時間的推移會悄然變化；在此過程中，人工智慧的機器學習會逐漸過時，分析輸入資料時，準確性會越來越差。對於機器學習人工智慧，軟體工程老格言“軟體永遠都能改進”（Software is never done）仍然適用。

對於邊工作邊訓練的人工智慧系統（如自適應人工智慧），這種逐漸退化的過程會越來越快。這種系統一開始執行良好，但隨著反覆再訓練，一定會變得愈加不穩定。微軟的實驗性聊天機器人Tay就是這樣，最初透過神經網路進行訓練。

Tay上線後利用推特與公眾線上互動，目的是透過這些互動進行機器學習，從而不斷提高其效能。然而，推特上的水軍利用攻擊性的推文對Tay進行了再培訓，導致Tay在回答一些問題時使用了種族主義俚語，表現出了極右意識形態。因為Tay的推文持續惡化，微軟在16小時後關閉了它。俄羅斯的搜尋引擎Yandex也試驗了一款類似的人工智慧聊天機器人，名為“愛麗絲”。該款機器人像Tay一樣，僅上線一天就變成了流氓。

相反，使用單一固定資料集訓練的人工智慧提供了更多的可預測性，但正如前文所述，它無法管理環境變化。

這些人工智慧缺陷帶來的總體影響是，人類使用者必須不斷監測並驗證人工智慧系統輸出，必要時還要更新系統。人類發揮著關鍵作用。迄今為止的理論研究表明，人們很難確知機器學習系統何時失敗甚或是否能如期執行，也並不十分清楚人工智慧技術的故障模式。因此，人工智慧技術尚無法實現“傻瓜式應用”（Set and forget）。

大資料

2018年，德國總理默克爾說了那句很著名的話：“資料是21世紀的原材料。”人工智慧需要學習和處理資料，最後產生結果。從某種意義上說，資料是人工智慧執行的燃料。

人工智慧能夠分析結構化資料和非結構化資料，提供關係、模式和關聯資訊。結構化資料經過組織，被輸入關聯式資料庫（如電子表格），用簡單的演算法就能方便、快速地搜尋到。這些資料根據所使用計算機系統的要求進行了格式編排。物聯網涉及分佈廣泛的各種感測器，許多會產生結構化資料，可隨時進行機機互動。

相反，非結構化資料無法填入資料庫的行和列中。非結構化資料檔案包括電子郵件、文件、社交媒體、影片、影像、音訊檔案、簡報和網頁。這些資料由人類或機器產生，例如無人偵察機和遠端影像裝置。

人工智慧只有在訓練後才能析非結構化資料。輸入的資料越多，人工智慧機器學習就會越可靠。除了數量，資料的質量同樣重要。低質量的資料會誤導人工智慧，輸出不可靠的結果。人工智慧需要標準化、規範化、經過驗證的豐富資料，並刪除重複資料；這一過程的大部分屬於“資料整理”（Data wrangling）這個大概念。2015年，美國國防部首次將資料的質量置於數量之上。

資料儲存對於確保質量有一定的作用。即使資料儲存在多個不同的系統中，也應該只有一個資料檢視。要做到這一點，良好的資料衛生（Data hygiene）至關重要。資料應該乾乾淨淨，也就是說，基本上沒有錯誤。與此相反，髒資料（Dirty data）則包括冗餘資料、錯誤資料、不完整資料和過時資訊。組織需要制定複雜的資料策略來解決資料的可用性、蒐集、衛生和治理問題。

清理資料的任務需要人類參與。資料清理工具對許多過程進行自動化，加快任務執行速度。然而，這些工具並無自主性，需要由熟練的資料科學家逐列指導。在資料清理過程中，由於未知的未知（Unknown Unknowns）而產生了更復雜的問題，資料集不同，問題也不同，因此不太適合使用自動化工具。因此，有特定資料集經驗的資料科學家仍不可或缺。

資料管理

要實現智慧化，軍隊需要獲得資料。軍隊歷來都需要大量儲存和存檔記錄，但大部分資料都儲存在組織的一個個“孤島”中，大多數人無法訪問。由於無法確定蒐集哪些資料供未來使用，這一問題變得愈加複雜。蘭德公司在2020年的一項關於美國空軍使用人工智慧進行指揮控制的研究中指出：

對於資料，商業部門似乎趨向於“ËѼ¯一切”。前提是，有些資料流可能包含未發現的相關性，並且難以預測未來的資料需求。隨著作戰構想的積極發展和測試，聯合全域指揮控制（Joint All-Domain Command and Control）的資料需求不斷變化。為了滿足未來的所有資料需求，空軍需要採取“儲存一切”的方法。

鑑於儲存成本急劇下降，這種儲存資料的方法現在可以實現。最新的海量資料儲存方法是將資料注入到“資料湖”（Data Lake）中，這是一種低成本、大容量的計算環境，用於儲存和管理非結構化和半結構化資料。在資料湖中，資料的用途尚未確定，即資料是“原始”的，儘管易於訪問和更新。這些原始資料可用於人工智慧機器學習。然而，資料湖需要資料科學家進行管理，確保適當的質量和治理措施到位，避免形成資料沼澤。

在硬體方面，資料湖是一個由互相連線的計算機組成的網路，提供儲存和計算資源，形成用於資料收集和處理的中央儲存庫。分散式網路環境中的這種資料共享允許根據需要隨時訪問資料。

這項技術的應用產生了“資料結構”（Data fabric）這一概念，形象地說，就像是“一種覆蓋了巨大空間的織物，將多個資料位置、型別和來源連線起來，並提供資料訪問方法”。資料結構體系構想了一個整合平臺，支援資料管理，對資料的訪問和使用不受資料的存放或產生位置所限。這種體系提供了統一的資料管理框架，允許跨儲存進行無縫資料訪問和處理。

資料結構體系可以將業務功能重新組織和打包，實現企業級效果。資料結構能夠支援組織進行快速重組，滿足新的需求和環境。這些“可組合企業”設計能實現模組化、高效、持續改進和適應性創新。

資料問題

機器學習人工智慧透過學習訓練資料集來學習。在此過程中，演算法判斷的是關於資料集而非外部世界的事實。如果資料集太小，那麼人工智慧對問題的理解可能有偏差或不完整。如果任務很複雜，使用了大型資料集，那麼，需要做的決定會很多，人工智慧可能無法判斷輕重緩急，因而一視同仁。此外，由於各種原因，用於訓練人工智慧的資料集可能會有偏差，導致輸出不太可靠。

在軍事行動中，還有一些其他問題。隨著戰術形勢的變化，資料的相關性可能會迅速下降，很快淪為“歷史文物”。作戰環境千變萬化。有時，只能獲取稀疏資料集，為人工智慧提供有限的訓練資料，使其效能難以確定。此外，剛剛蒐集到的資料很難立刻用於訓練人工智慧，或者沒有足夠的時間利用新資料。

資料本質上是第二波人工智慧的問題。使用機器學習技術蒐集、標記和清理訓練人工智慧所需的資料通常需要大量時間，成本一般很高。

支撐技術

雲端計算

許多數字技術連線到雲，從外部來源而不是裝置本身的硬碟上儲存、訪問資料和程式。上世紀90年代末，積雲圖用來表示網際網路，因此，透過網際網路訪問服務就被比喻成“雲”。

雲原生計算對人工智慧特別重要，因為人工智慧系統內部通常無法滿足機器學習需要的資料和處理能力。事實上，從美國空軍人工智慧實施中得到的一個重要經驗是，高質量的人工智慧學習需要將最新資料快速放入雲中，以便隨時訪問，而不是慢騰騰地手動輸入。

有了雲資料儲存，人工智慧計算機的位置似乎不再重要，而連通性則成了關鍵動力。然而，在某些情況下，資料主權、頻譜可用性和資料延遲可能會為這種儲存方式帶來麻煩。不僅如此，當前的一些雲端儲存技術並沒有針對人工智慧機器學習技術進行最佳化。私有、公共、國內、國際、人類和機器等各種來源的資料以及機密資料會被實時訪問，對其進行清理、標準化和規範化必然存在挑戰。此外，軍事雲是一種特殊的挑戰，因為在惡劣的電子對抗環境中，必須保證它們的可訪問性。

在大型組織中，有一種趨勢是各部門分別部署自己的雲，每個雲具有不同的資料格式、訪問程式和授權使用者。但是，若沒有單一的通用企業雲，資料就不能自動與所有人共享，安全補丁無法完全分發，新軟體也不能廣泛整合。美國聯合人工智慧中心負責人評論美國國防部打造企業雲的工作時指出，“沒有企業雲，人工智慧就形不成規模，仍然只能是一系列小型的封閉專案”。

物聯網

物聯網是一個大規模的互聯裝置（物）網路，機器之間在沒有人類干預的情況下進行資訊交換。在民用領域，聯網裝置迅速增加，預計將從2018年的70億增加到2021年的350億。其中多數為運動感測器、恆溫器、照明、儀表和成像裝置等簡單裝置；更復雜的裝置包括智慧電視、音響和電器、可穿戴裝置、工業機器人、無人機、自動駕駛車輛以及軍事領域的武器。

物聯網網路允許遠端監控，會生成大量資料。例如，空客A-350客機有大約6000個感測器，每執行一天產生2.5TB的資料。將物聯網網路連線到實時分析資料的邊緣裝置，將最重要的資訊轉發到雲中，刪除其餘資訊，可以降低儲存和頻寬成本。

這種邊緣計算將部分資料處理能力放在網路邊緣而不是放在遙遠的集中雲設施中，解決了雲效能問題，例如延遲、連線、隱私、安全、頻寬和擁擠及有爭議的電磁環境。然後，可以在資料的來源處或附近進行計算，而不是依賴於遠端的集中雲設施。邊緣裝置也常常充當不同網路（即不同的雲）的入口或出口。

當前，大多數邊緣計算用人工智慧晶片完成。這類晶片體積小，相對便宜，耗電低，發熱少，易於整合到手持裝置（如智慧手機）和非消費裝置（如工業機器人）中。雖說如此，在未來的實際應用中，人工智慧計算一般會以裝置+雲的方式混合使用。選擇什麼樣的混合方式取決於人工智慧處理型別。

例如，帶有人工智慧晶片的低成本無人機使用機器學習演算法來發現海中衝浪的人是否深陷險境或有鯊魚靠近，而無需透過無線方式連線到雲。這些無人機裝有智慧手機片上系統（system-on-a-chip）應用處理器，具有處理、圖形、記憶體、連線和人工智慧等功能。

物聯網網路可以由固定和移動裝置組成，包括無人機。移動裝置可以組成群，相互協作。有兩種主要設計方法。比較簡單的是集中式系統，用一箇中心元件（機器人或外部計算機）協調所有機器人及其任務。雖然集中式系統簡單直接，但很難擴充套件，因為增加機器人就會增加中心站的處理負載。此外，系統本身並沒有充分利用每個機器人的計算能力。對於軍用來說，最嚴重的問題是中心部件是單點故障。所以說，集中式系統缺乏穩健性。

另一種方法是機器人之間直接交換無線資訊，或採用間接方式，將資訊傳遞到環境中。這種分散式方法天然具有穩健性，沒有單點故障。一個機器人出現故障，機群的整體效能只會有同等程度的降低。此外，分散式方法更具靈活性和擴充套件性。如果不需要使用整個機群，可以將機器人分成更小的群組，執行不同的任務。相反，如果當前機群中的機器人數量無法滿足任務需要，可以方便地新增其他機器人。

美國國防高階研究計劃局（DARPA）設計的“馬賽克戰”概念將人工智慧和一些相關技術結合在一起。在這種架構下，部署在戰場上的物聯網是異構系統，大致分為感測器、武器和判定元件。最關鍵的是，這些網元彼此之間都可以通訊，還能透過雲與總指揮控制系統進行通訊。

現代軍隊使用的攻擊鏈模型與感知-決策-行動邏輯流程緊密結合。相比之下，在“馬賽克戰”概念中，大型物聯網中的資料流形成了一個攻擊網（Kill web），在這一網路中，可以近乎實時地選擇並採用實現任務的最佳路徑。物聯網領域中充斥著動態變化的資料流，而不是像攻擊鏈模型所示的一成不變。因此，“馬賽克戰”概念為指揮官提供了包含冗餘節點和多個攻擊路徑的高彈性網路。此外，馬賽克概念旨在實現擴充套件性，以便物聯網的規模和網元根據戰場環境的需要進行增減。

要實現“馬賽克戰”概念，物聯網網元需要人工智慧邊緣計算。此外，總指揮控制系統需要使用人工智慧來支援人類指揮官控制戰鬥。在這個不斷變化的、包含大量異構元素的網路上，確定最佳通訊鏈路和資料流具有相當大的技術複雜性，在這一網路中，各元素之間需要透過通訊系統傳輸資料，在技術上存在挑戰。

    ·  譯者宣告    ·    

本文由綠盟科技部落格與“安全加”社群小蜜蜂公益翻譯組合作完成，免責宣告及相關責任由“安全加”社群承擔。

小蜜蜂翻譯組公益譯文專案，旨在分享國外先進網路安全理念、規劃、框架、技術標準與實踐，將網路安全戰略性文件翻譯為中文，為網路安全從業人員提供參考，促進國內安全組織在相關方面的思考和交流。