人工智能系统用于作战的局限性——任务规划（英）-35页_1mb

任务规划中人工智能的限制

报告目标

本研究报告探讨了人工智能（AI）在任务规划中的应用及其局限性，特别聚焦于对比人工智能与传统运筹学（Operations Research, OR）方法在路径规划中的表现。目标是识别AI在任务规划中的优势和劣势，为未来AI在军事领域的应用提供指导。

研究方法

• 数据来源：通过采访领域专家、分析政府文献及学术研究。
• 模型实验：
  1. 使用RAND Target Accessibility Model（RTAM）对比OR与机器学习（Machine Learning, ML）模型，量化两者的性能差异。
  2. 在空军先进仿真、集成与建模框架（AFSIM）中开发基于强化学习（Reinforcement Learning, RL）的AI环境，解决软件集成问题。

关键发现

1. 性能对比（基于RTAM实验）：

   • 传统OR方法在确保安全性和稳定性上表现更优，生成路径平均风险值更低（1.12 vs. 2.91），路径长度更短（5,070 km vs. 3,938 km）。
   • AI模型在响应时间上具有显著优势（毫秒级 vs. 秒级至分钟），特别适合动态威胁环境，且行为更具适应性。
   • OR方法提供固定路径，而AI路径具有随机性，可能带来更高的不确定性。

2. 局限性：

   • AI模型训练成本高，调试和优化过程耗时且依赖人工干预。
   • AI在未知战术或弹出威胁面前表现较弱，主要依赖预设规则和策略。
   • OR方法在静态环境中更高效，但无法快速响应动态变化。

3. AI适用场景：

   • AI在速度和动态环境适应能力方面表现出色，适用于高动态威胁的路径规划任务。
   • OR方法适合稳定性优先的复杂规划任务。

建议

1. 优先解决软件集成问题：将AI工具与现有系统进行深度集成，提升开发效率。
2. 缩小应用范围：聚焦于AI优势领域（如动态路径规划），逐步扩展其应用场景。
3. 持续投入AI研究：关注前沿技术发展，确保AI能力跟上作战需求。
4. 优化基础设施：基于AFSIM开发统一的AI运行平台，降低部署门槛。

结论

任务规划中AI与传统方法各有优劣，未来应通过缩小应用场景、优化基础设施和持续研究来逐步整合AI能力，确保其在军事任务中的有效部署。