联合全域指挥控制襄助领导层掌控决策优势

昆嵛/编译
【知远导读】本文编译自美军《联合部队季刊》2020年第4期发表的同名文章,作者系前美国北方司令部和北美防空司令部司令、退役空军上将特伦斯·奥肖内西。文章作者立足自身岗位经历,结合美国北方司令部和北美防空司令部的工作实际,介绍了司令部为推动联合全域指挥控制的实现所付出的努力。为确保联合部队获取数字时代的核心作战能力,司令部通过迭代的方式与国防部及商业合作伙伴展开合作,运用“四步走”概念消除了联合全域指挥控制的歧义,并完成了两项重要任务:一是提供了一个可操作性的框架;二是阐明了联合全域指挥控制与传统指挥控制之间的差异。
在过去的两年里,笔者有幸领导着美国北方司令部和北美防空司令部。在此期间,两大司令部经历了一次重要转型,使它们有能力摄止和击败来自竞争对手的现实威胁。为确保在危急关头成功遂行国土防御任务,我们必须具备某些关键能力,其中最主要的是保持领域认知,对任务部队实施指挥控制,以及击退敌人的攻击。这些能力并不是新生事物,其伴随着每个司令部的建立存续至今,始终是威慑敌人的关键所在。
虽然这些基于国土防御任务的关键能力持续存在,但运用这些能力所需的要求已随时间推移发生了改变。在我担任美国北方司令部和北美防空司令部司令期间,毫无疑问,司令部需要迅速提升能力,以完成保卫国土的神圣使命。需要注意的是,美国的对手已经适应了环境变化,他们在全新领域使用更快速、更先进的武器来对抗我们早已过时的防御系统。为反制此类武器,提升作战节奏,我们必须具备跨域指挥控制意识,不仅要形成对地下、海上、陆地、空中、近地空间、太空和网络活动等融合威胁的全面认识,还要建立能够对冲敌人针对美国关键基础设施发动攻击的防御机制。而将上述两项能力联系在一起的关键是联合全域指挥控制(JADC2)。
什么是联合全域指挥控制?对国防部而言,描述并生成联合全域指挥控制绝非易事,因为在某种程度上,将一个理想化概念转变为共同愿景,然后再转化为设计需求非常困难。其中一种方法是借助对所需属性的描述来阐释联合全域指挥控制。从这个意义上讲,我们指的是能够实现快速可靠通信的冗余和弹性架构,或者是能够融合“传感器-数据-射手”,精简指挥层级,拒止敌人对我造成致命打击的能力。除了上述这些肯定性的描述,对联合全域指挥控制的最佳描述或许是对其最终目的的高度概括:获取决策优势
联合全域指挥控制是数字时代条件下的指挥控制,其作用是为各层级(从战术到战略)作战人员提供更快更好的决策。联合全域指挥控制与传统指挥控制体系的不同之处在于,联合全域指挥控制体系建立在大数据的基础上,并利用机器赋能来增强决策能力。这种新能力超出了人类能力的极限,它赋予机器识别异常事件、预测下步发展以及提供风险处置选项的能力。
举例来说,最近亚马逊云端服务(AWS)Next Gen Stats播放的一则商业广告很好地描述了这种决策能力。这则广告以橄榄球比赛中的四分卫为例,展示了决策者如何运用人工智能赋予的洞察力。借助人工智能,教练可以评估不同得分方式需要承担的风险,并据此判断究竟是选择7码第一次进攻(first down)还是53码触地得分。抛开这个简单的例子不谈,当我们将机器学习因素纳入考虑,采用历史分析与当前情况相结合的方式来预测未来时,还将激发更大的潜力。像汤姆·布雷迪(Tom Brady)这样的明星四分卫在接近争球线(line of scrimmage)时,他的大脑中正在处理二十年来的赛场经验。他知道自己将面对什么样的防守以及在各种情况下可能采取什么样的策略,并根据评估结果提前做好预案。如果此类信息能够实时传输至赛场上的四分卫,由机器赋能的洞察力完全可以帮助一名菜鸟在比赛中展现出如同布雷迪般的能力。掌握了这种“未卜先知”的能力,即便是一名新秀也能够做出准确判断,从而确保比赛的成功率。
作为军方领导人,我们同样在寻求这种数据驱动优势。当前的技术不仅可以复制拥有30年军龄的指挥官的知识与智慧,还可以通过处理超越思维局限的信息来完善这些知识。这种能力不仅适用于战术层面,即机器的数据处理能力可以缩短杀伤链,并帮助识别现有系统难以探测到的威胁,还适用于战役和战略层面,即机器赋能的洞察力可以帮助我们理解对手的行为模式,预测他们接下来可能采取的行动,并据此做好各种应对准备。
这样的前景听起来充满诱惑力。但我们如何才能把这个概念变为现实?在过去的一年里,美国北方司令部和北美防空司令部开展了一项活动,以显著增强关键能力,并在日益危险的安全环境下满足国土防御需求。这项活动重点突出速度与创新,涵盖了内部努力、商业领域的试验,以及空军在操作层面的两次演示。通过这些举措,我们成功将“联合”概念纳入了联合全域指挥控制,并迅速将这一概念转变为实践。
我们在实现这个目标的过程中提出了一个“四步走”概念,其阐明了联合全域指挥控制的基本构成,帮助我们突破了那些描述性的理论观点,以更切实际的框架来生成联合全域指挥控制能力。首先,从基础上看,联合全域指挥控制是一个数据问题。它必须以历史和当前的权威数据为来源,而这些数据来源对理解相关安全环境条件至关重要。其次,这些数据必须基于云计算,且能够依据不同密级向不同级别的指挥机构开放权限。再次,数据必须分层并最终实现同跨域和报告流的融合,以便在全域通用作战图(COP)中实现可视化操作。最后,也是最重要的一点,联合全域指挥控制必须将机器赋能的洞察力纳入通用作战图。这种洞察力能够同时利用预测分析、机器学习、深度学习以及人工智能来更好地判断形势,以便生成数据驱动下的分析结论,从而为领导层提供决策优势。
传统指挥控制体系
联合与联军部队所面临的挑战是如何迅速采取行动,以慑止和击败当前威胁。这些威胁已经发展到了一定程度,给我们做出迅速应对带来了一定压力。鉴于现代武器在速度和隐身性能方面的进步,即便是最优秀的“射手”也需要额外时间去感知威胁和采取行动。我们也许能够识别威胁,也许拥有合适的机制进行拦截,但如果不能及时处理信息,我们就将陷入极端不利的境地。
传统指挥控制更多依赖于单一指挥层级独自搜集和提取的海量数据,且各指挥层级间缺乏通用接口。这些数据通常存储于专用或封闭的“烟囱式”机构中,给访问带来了极大挑战。其结果是各指挥层级的不同指挥机构形成了不同的作战图,这严重妨碍了协作和形成统一认识。另外,由此种架构产生的决策将不可避免地受制于人工处理能力的极限——经验、知识和偶然突发事件。
美国北方司令部和北美防空司令部最近积极响应国家需求,直面新冠疫情带来的挑战。随着疫情蔓延,美国北方司令部和北美防空司令部接到了协助国防部行动的指示。在48小时内,我们建立了海上和陆上联合司令部以及灵活的指挥控制架构,向全国范围内的能力动态运用提供支援,其中包括向纽约市的疫情中心部署医护人员。在运用传统指挥控制系统的过程中,我们很快就发现保持态势感知能力,及时向国家领导人通报情况,以及就何时何地完成任务进行决策存在很大困难。在危机早期阶段,我们通过传统的人工方式逐级汇总Excel电子表格和Power Point幻灯片中的数据,浪费了数百小时,只为生成一些毫无时效和用处的报告。
联合全域指挥控制概念的应用
我们之所以能够克服在应对新冠疫情之初所面临的指挥控制挑战,是因为疫情为我们提供了一个独特的契机。作为一项全国性的工作,社会各界都有一种紧迫感,特别是那些渴望提供帮助的商业合作伙伴。在他们的帮助下,我们得以通过前文提到的“四步走”概念加快了联合全域指挥控制的开发进程,以解决面临的挑战。
要想解决这个问题,首先需要找到权威数据,这意味着在大多数情况下要获取最新数据并去除冗余。例如,我们通过与两家技术公司合作,将智能设备部署至一线机构(如纽约贾维茨会展中心),那里的医疗部门可以通过个性化的应用程序和商用线上协作工具实时更新各种状态。这项能力使我们能够跟踪医护人员的状态,如位置信息、健康状况和个人防护设备情况。此外,移动设备使我无需亲临现场也能与医疗部门展开虚拟互动、获得第一手资料。
第二个关键步骤是将数据转存至云端。我们通过与联合人工智能中心(JAIC)合作,向业内实体开放数据访问权限,支持这些实体以通用作战图的形式实现可视化操作。为完成这项任务,我们与两家软件公司共同研发了一种显示器,不仅可以用于查看全国医疗状态,还可以用于查询后勤和部署信息,并向下属提供实时的态势感知。
联合全域指挥控制概念最关键最有用的部分是将机器赋能的洞察力整合至通用作战图。我们与创新实验室和部分科技公司展开合作,利用预测分析为决策提供所需信息。例如,我们利用从各政府部门和私营企业获取的大量数据开发出一种模型,该模型成功预测出新冠疫情在两周后将接近峰值,同时伴随着医疗能力的严重不足。基于该模型,我在4月14日收到一份简报,其中提到了纽约北部一个急需关注的地理位置。根据从曼哈顿到康涅狄格市郊的人口数量,该模型预测疫情将在斯坦福附近迎来爆发,于是我们派出大量远征医疗能力,以满足民众的就医需求。该模型的预测得到了验证。在4月19日,新增病例还停留在412例,而到了4月22日,这个数字激增至2109例。幸运的是,我们能够及时利用大数据和预测分析为行动决策提供信息。该案例之所以能够取得成功,很大程度上是因为在疫情爆发前,我们为提高联合全域指挥控制在国土防御方面的能力所做出的反复努力。
联合全域指挥控制的交付
应对新冠疫情为我们提供了一个验证、运用和加速推进联合全域指挥控制概念的契机。我们在很早之前就意识到了美国北方司令部和北美防空司令部所面临的能力挑战,并在过去几年里持续开展一系列研究,以认识我们的差距和不足,寻找解决持续性威胁的可能方案。事实上,我们正通过多种不同类型的分析工作,研究如何实现彼此之间的融合。我们承认一开始毫无头绪,但全新的敏捷研发方法使我们实现了快速的迭代升级。
基于行动偏好,我们在联合全域指挥控制概念的开发过程中采用了一种实践的方式:运用联合全域指挥控制背后的理论或想法——即获取决策优势——并积极尝试实地建设。由于时间紧迫,我们采用了一种敏捷研发模型,同众多技术创新商业实体一道,为打破标准的能力采购流程付出了努力。我们大胆设想、小心求证、接受失败、巩固成果。在过去的一年里,我们运用这种方法开展原型设计、实验测试和示范演示,目的是生成现代化防御所需的关键需求。
此项行动始于一个名为“探路者”(Pathfinder)的原型项目,其重点是向空域感知中的潜在弱点提供支援,以提高探测和响应能力。“探路者”利用行业创新激发的竞争力,迅速实现技术的跨越式发展。与国防创新小组(DIU)的合作使商业准入成为可能,此举让来自硅谷的人才得以参与我们的研究。国防创新小组帮助我们创建了一个云端数据生态系统,该系统可以将不同的空域数据(例如联邦航空局的雷达数据)纳入云端,借助数据处理器的算法来识别传统系统无法搜集的飞行轨迹。这项能力不仅强化了识别传统攻击平台(如战斗机)的传感栅格,而且提高了对发射装置和无人机的探测能力。
“探路者”仅仅是一个开始。我们还通过与商业合作伙伴进行的实验,改善针对巡航导弹和无人机的探测能力。我们与部分公司展开合作,将这些公司开发的基于机器学习和人工智能的探测能力配置到战术层级,以达到提前识别威胁、简化多重报告的目的。此外,这些公司还为通用作战图设置了一个先进的虚拟用户界面。在这个界面中,机器能够为操作人员提供多种导弹拦截机制选项——在这种情况下,操作人员可以模拟驾驶F-22进行虚拟交战。
基于上述早期原型和实验,空军邀请我们担任“先进作战管理系统”(ABMS)第一次“on-ramp”(入站)演示活动的指挥员。空军和我们的团队专注于创建真正的联合全域指挥控制,并在此过程中运用了类似DevOps(开发和运维)的方法。尽管了解开发所需能力的标准模型要花费很长时间,但我们还是勇于去尝试不同的过程。我们在“广撒网”的同时,还向可能提供解决方案的潜在公司和机构阐释我们关于国土防御的需求。我们并非要求具体的能力,只是描述我们所面临的挑战。当我们发现志同道合者,无论其来自产业界还是情报界,我们都会与之展开合作,并向着互利互惠的目标共同努力。
由于我们团队是“on-ramp”演示活动的先行者,因此我们能够将产业实体与政府合作伙伴纳入原型设计和实验测试,并快速生成需要的结果,从中验证可能性。2019年12月,在佛罗里达的埃格林空军基地,我们首次在联合部队的范围内成功应用联合全域指挥控制模型。“on-ramp”场景允许我们搜集最新处理的权威数据,并将这些数据资源传输至云端,然后运用机器赋能的洞察力来呈现战术层级的可执行选项,最终在多域通用作战图中为决策者显示这些信息,供其决断。
通过“实验+演示”的方法,我们确立了构建联合全域指挥控制的基本流程,提出了经过验证的“四步走”概念(数据-云端-机器-通用作战图),并以此作为组织行动和阐释进程发展的方式,其最终目标是获取决策优势。
联合全域指挥控制的构建
权威数据
实现快速作战的第一个关键步骤是找到权威数据源,对它们进行优先排序,并去除冗余。此举可以实现指挥控制结构的扁平化,降低出错概率,节省处理时间。这些所谓的权威数据源可能来自传感器(如雷达数据)、传统的指挥控制节点,甚至是通过社交媒体发布的开源报告。考虑到所担负的国土防御任务,我们必须实现对所有数据源的识别和融合,以创建一个覆盖从地下到在轨传感器的多层传感栅格,以支持应对入侵威胁的全域感知能力。
云数据集成
第二步是将这些数据集成到基于云端的体系架构中,该体系架构既可以面向平行指挥关系开放,也可以面向垂直指挥关系开放。重要的是,该体系架构应当按密级分层,并根据用户身份授予访问权限,以破除各机构与合作伙伴之间既有的隔阂。
全域通用作战图
接下来,数据应当以全域通用作战图的形式为作战行动提供可视化效果。数据在实现可视化后,还要实现分层与融合,以便关联目标轨迹、减少不确定性和提高评估速度。在理想情况下,通用作战图应当具备多功能性,即在同一个框架内实现多种可视化效果的自由转换,而不是依靠多个通用作战图或传统的人工处理方式。自定义可视化效果取代了静态输出模式,允许操作人员选择他们希望关注的数据源,以便更好地增强认知和做出决策。在数字时代,基于大数据的机器分析需要具备对用户友好的可视化界面以实现决策优化。目前,我们设计的通用作战图原型就是这样运行的;它基于数据而非平台,通过技术来满足指挥官的需求。通用作战图的出现有助于理解当前形势及其形成的方式,这是迄今为止大多数指挥控制系统改进的终点。但该目标仍然无法确保我们在面对未来威胁时能够获取决策优势。为确保这种优势,我们必须运用工具,使我们能够预测未来可能出现的情况并评估我们的选项。而这正是机器的作用。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级。
机器赋能的洞察力
机器是联合全域指挥控制的关键组成部分。它们提供了超越人类极限的潜力,不仅可以更好地理解当前态势,还可以更好地理解未来以及潜在行动可能发挥的效益。此类具备预见能力的技术是我们长期以来的诉求。所不同的是,这种能力已不再仅仅停留于科幻小说层面。从汽车导航到量身定制的在线购物选择,它们几乎可以覆盖生活中的方方面面。释放机器的巨大能量不仅可以改变我们的生活方式,还可以保护我们的生命。
为实现该目标,我们提倡通过机器的多功能性向联合多域指挥控制提供支援。首先,运用大数据和预测分析可以帮助我们处理海量信息,节约数千人的时间成本。此项能力不仅可以加快处理速度,而且可以更加深入地掌握当前态势。当前,对海量情报数据进行研究与分析需要耗费大量人力。如果将依靠情报分析人员进行的查询工作转由机器处理,那么所处理的数据量不仅会呈指数级增长,而且还能从中发现更多具有价值的信息。同时,此举也可以解放分析人员,使他们专心从事更复杂的工作。
接下来,我们可以考虑使用机器学习来整合历史数据,并从中识别可能代表对手意图的重要模式和异常情况。例如,随着时间发展,我们可能会获取某些与军事演习相关的指标,而这些指标通常超出了我们联想的范畴。军事基地附近的商品价格可能会出现波动;订购军用装备零部件往往先于军事部署。所有这类情况都可以作为一种指标,来帮助我们更好地预测异常或有关活动的发生时间。
除此之外,机器还可以在机器学习赋能的探测活动间建立链接,以催生深度学习。这种处理过程融合了实时和历史数据,有助于理解某一事态的过去、现在和未来。鉴于机器学习和深度学习能够识别全新的行为或条件,这将为我们争取到更多的决策空间,允许我们以更灵活的方式和更充裕的时间做出响应。
我们还可以利用机器来整合假设。通过在相同界面中实现敌我行动的建模和仿真,我们能够允许机器运行多种针对应急态势的场景。在这些仿真中运用人工智能可以使机器实现迭代学习和开发决策选项。基于大数据生成的决策选项通过提出建议、分析影响和研判风险,帮助决策者时刻占据有利态势。
通过增加数据分析的广度和深度使以上设想成为可能。我们不仅仅在探讨如何让计算机根据部分指标生成某些规定的响应流程。增加分析广度可以帮助我们发现更多与对手行为关联的事态。提升分析深度可以帮助我们更好地理解态势发展。例如,蒙特卡洛分析法可以在更广范围内提供对未来结果及其相关风险的深入理解。这种数据驱动的方法提供了更为细致的理解,可将被动决策转变为主动决策。决策者针对复杂问题具备更富远见的洞察力,有利于其在对未来作战结果形成清晰判断的情况下进行决策。
可以明确的是,人类仍将主导决策,但是在机器的协助下,他们将从更加明智的角度做出选择。今天,在出现危机情况时,我依靠一名有着20多年军龄的上校及其在司令部指挥中心监控大厅的团队来协助我做出决策。这支团队可以快速处理基于大量报告源的投屏信息。他们各自负责这些信息中的一部分,仅用固有的处理能力就可以快速关联和理解数据。但当下出现的技术可以使我们做得更好。只有充分利用机器的巨大潜力,我们才能最终实现通过联合全域指挥控制获取决策优势的目标。
(平台编辑:黄潇潇)
本文来源:知远战略与防务研究所
(0)

相关推荐