Feb, 2024

未来指挥与控制的可扩展交互式机器学习

PDF
TL;DR未来作战将要求指挥与控制（C2）人员在复杂且潜在模糊的情况下以缩短的时间段做出决策。与机器学习算法合作以引导算法行为的交互式机器学习有望在 C2 作战过程中发挥潜力，带来适应性和效率的革新。本文提出在现有科学技术中存在的一些差距，并描述了三个研究重点领域，旨在实现可扩展的交互式机器学习（SIML）：1）开发人工智能交互算法以在复杂动态情境下进行规划；2）通过优化角色、配置和信任来培养弹性的人工智能与人类团队；3）为适应一系列潜在情境和情况扩大算法和人工智能团队的规模。
future warfarecommand and controlartificial intelligenceinteractive machine learninghuman-ai interaction
发现论文，激发创造
  • 再构想指挥控制

    未来战争需要在更加复杂、快节奏、结构模糊和苛刻的条件下进行指挥和控制决策，而现有的指挥与控制实践无法保持对未来战场上对手的优势。为了解决这些挑战，作者提出了一种未来指挥与控制的愿景，即人工智能系统与人类之间建立牢固的合作伙伴关系，以简化指挥与控制操作流程、保持行动上的统一性并发展适应性的集体知识系统。本文展示了未来指挥与控制能力的设想，讨论了对其进行构建的假设，并描述了提议的发展如何改变未来战争中的指挥与控制。

    Feb, 2024

  • 战争游戏中智能代理的规模化

    未来与先进技术竞争对手保持竞争力需要加快我们在战争推演中人工智能（AI）的研发。更重要的是，利用机器学习进行智能战斗行为开发将成为未来实现超人类表现的关键，提高未来战争决策的质量和加速速度。尽管深度强化学习（RL）在智能代理行为开发方面仍然显示出有希望的结果，但在战斗模拟中通常遇到的长远、复杂任务中尚未达到或超过人类水平。充分利用 RL 的成功潜力和分层强化学习（HRL）的最新成功，我们的研究正在探索和扩展 HRL 的使用，以创建能在这些庞大而复杂的模拟环境中有效执行的智能代理。我们的最终目标是开发出一个能够具有超人类表现的代理，然后作为军事规划者和决策者的人工智能顾问。本文介绍了我们正在进行的方法以及我们的五个研究领域中的前三个，旨在管理迅速增长的计算，这些计算迄今为止限制了 AI 在战斗模拟中的使用: （1）为作战单位开发 HRL 训练框架和代理架构；（2）开发代理决策的多模型框架；（3）开发维度不变的状态空间观察抽象化以管理计算的指数增长；（4）开发内在奖励引擎以实现长期规划；（5）将该框架实施到更高保真度的战斗模拟中。

    Feb, 2024

  • 支持决策的数字战争游戏中用于扩展人工智能

    本文介绍了在技术驱动的转型时代，加强对人工智能在决策支持军事模拟中的应用的投资的重要性，通过推进人工智能系统和人类判断的结合来提高全域意识、改善决策周期的速度和质量、提供新型行动建议以及更迅速地应对对手行动；同时提出了通过深度强化学习来开发智能代理行为的前景与挑战，进一步讨论了通过多模型方法和维度不变观察抽象来开发层次强化学习框架的研究。

    Feb, 2024

  • 敏捷、反脆弱、人工智能 - enabled、指挥与控制

    这篇论文将提出一种新的 AI 指挥与控制架构，即敏捷、抗脆性、AI-Enabled Command and Control (A3IC2) 系统，以避免 AI 引发的指挥与控制系统脆弱陷阱，通过过度补偿来不断改善性能，在面对决策期间的反馈时，实现其容错能力和恢复能力，并从战争的冲击和波动中受益。

    Sep, 2021

  • 设计和评估以人为中心的交互式机器学习简要指南

    该研究论文提出了一种面向人类的指南，旨在帮助机器学习从业者在开发和部署交互式机器学习系统时，解决人机协作、模型评估、公平透明等责任问题，以促进人类技能和能力的增强

    Apr, 2022

  • 现实世界复杂环境中的人工智能协作与强化学习

    在复杂的模拟环境中，研究表明人工智能与人类的合作胜过仅有人类或仅有人工智能代理的情况，并开发出了一种用户界面，使人类有效地协助人工智能代理。

    Dec, 2023

  • 工业质量控制的交互式解释性人工智能系统

    提出了一种基于交互式支持系统，结合基于知识驱动和数据驱动的机器学习方法以及人类专业知识，并实现用户反馈与决策透明解释，减轻人类负担且尊重其专业性和主观能动性的方法，以及用于工业质量控制中的良品检测任务的模式分类算法。

    Mar, 2022

  • A2C：一个面向人工智能团队的模块化多阶段协作决策框架

    该论文介绍了 A2C，一个多阶段协作决策框架，旨在实现人工智能与人类团队之间的强大决策能力。在概念上借鉴了拒绝学习和学习推迟等概念，A2C 将人工智能系统训练成能够识别决策的不确定性，并在需要时推迟决策以便向人类专家求助。此外，A2C 还适用于人类专家面临限制的场景，例如在网络安全运营中心的事件检测和响应中。在这些场景下，A2C 促进协作探索，实现复杂挑战的集体解决。通过支持自动化、增强和协作三种不同的人工智能决策模式，A2C 为开发有效的人工智能协作策略提供了灵活的平台。通过发挥人类和人工智能的优势，它显著提高了动态和不断变化环境中复杂决策的效率和效果。为了验证 A2C 的能力，我们使用基准数据集进行了广泛的模拟实验。结果清楚地表明，A2C 能够有效支持三种决策模式。尤其值得注意的是，（模拟）人类专家和人工智能的协作探索相比单独的人工智能表现出更优异的性能，突显了该框架增强人工智能与人类团队决策能力的潜力。

    Jan, 2024

  • 提升有效人工智能决策：人类学习在正确依靠人工智能建议中的角色

    人工智能和人类协作的真正潜力在于利用人类和人工智能的互补能力，实现超越个体人工智能或人类的联合绩效，即实现互补团队绩效 (CTP)。本研究通过 100 位参与者的实验展示了学习与适当依赖之间的关系，为分析依赖和有效设计人工智能决策提供了基础概念。

    Oct, 2023

  • 人工智能与人类智能在灾害响应规划中的协同

    通过提出受到二元过程理论（DPT）启发的基于注意力机制的认知架构，结合快速启发式（类似人类）反应和机器智能的优化规划能力，我们展示了如何通过评估其在多个不同属性上的表现，动态决定二者的参与度以优化任务目标，并在动态环境中的轨迹规划中验证了该框架有效地管理复杂任务并优化多个任务目标。

    Apr, 2024