2018年，美国国防部长发布了美国《国防战略》（National Defense Strategy），要求美国建立一支更具杀伤力、更有韧性且快速创新的部队，并使其具备能够进行动态部署和不可预测行动的能力，以此给对手决策者带来挑战。这一目标促使美国空军发展“敏捷作战部署”能力。《国防战略》还呼吁快速创新先进的自主系统，包括人工智能和机器学习。本文概述了美国空军通过人工智能信息系统提高“敏捷作战部署”能力的设想与行动。

人工智能协助“敏捷作战部署”的应用场景假设

如果美国陷入了一场突发事件之中，并且武力升级已经无法避免，美空军的高级领导可利用人工智能和机器学习系统评估敌方的行动，并设计一个能够起到反制作用的部队结构以应对这一作战场景。在主要行动基地和应急设施确定后，军事大数据可报告战区内的可用资源以及最佳供应方式。美空军将发布空中作战指令以及指挥官意图，这使得人工智能可以针对“如何应用空中力量以实现作战目标”的问题提出建议。指挥官将选择并批准一项行动方案，以使各装备和支持设备在应急设施进行部署，为“敏捷作战部署”行动做好准备。

美空军将对敌方目标进行识别，以使友军部队能够在接下来的24小时中使用精确武器对其进行打击。“敏捷作战部署”的后勤引擎将对预期效果进行处理，并了解哪些飞机和弹药是可用的，进而根据武器装载量、距目标远近以及后续任务等影响因素对具体的飞机和弹药进行组合。与此同时，其他算法正在计算目标区域附近天气的影响，并确定其他装备是否可通过重新分配任务的方式来执行此任务（如果与任务相匹配的装备被摧毁了）。这一信息将被主动提供给决策者，而不是被动地等待评估要求。

战区处理设备将对敌方可能的回应进行计算，这些回应包括在友军飞机起飞前或前往任务区域的飞行途中主动将其击毁。战区数据库包含有大量敌军飞机的已知信息（例如：类型、数量、武器、地点、作战半径、历史飞行模式、飞行员熟练程度、昼夜限制）以及能够对打击进行拦截的地对空武器。当人工智能系统将这些信息整合在一起时，其就会根据可用装备的可接受风险水平（例如：低、中、大、高、极端）推荐各种方案。如果美空军高层领导选择调整风险水平，系统将自动进行调整，纳入最新的解决方案概况，并提出新的行动方案。在预测敌方反击时，人工智能会建议将支持装备（包括补给和投送系统）转移到新的应急设施，以提高生存能力。

图1：2022年12月15日美国空军在线简报截屏，这张截屏概述了“敏捷作战部署”概念

“敏捷作战部署”要素与人工智能

“敏捷作战部署”依赖于四个关键要素：敏捷性、态势、防御和联合全域指挥控制（JADC2）。这些关键要素将应用于美空军五个核心部分：态势；指挥与控制；移动与机动；防御；后勤保障。“敏捷作战部署”会将装备和支持资源分散部署到前沿作战基地，以确保其生存能力并限制敌方的打击效果。这使得中心枢纽被毁不会导致整个作战网络瘫痪。

电子商务人工智能与“敏捷作战部署”的对比具有一定的研究价值，因为商业营销也需要与竞争对手进行竞争，并且竞争过程中也会面临一个由盟友和对手组成的复杂关系网络。不仅如此，“敏捷作战部署”和电子商务物流还面临着类似的挑战，并受益于相同的技术优势。电子商务物流框架既可将支持设备运送给正在与对等对手进行对抗的友军（类似于将包裹送达客户），也可将动能或非动能打击效果（例如：炸弹或电子攻击干扰）投送给敌军或敌方武器装备。

图2：“敏捷作战部署”组成的杀伤网

利用人工智能进行“敏捷作战部署”态势部署

“敏捷作战部署”的态势要素确定了作战行动的起始战位，创造了战略可预测性和作战流动性。起初的行动将使主要行动基地中的战区装备和后续部队分散部署到最优前沿应急设施以执行任务。这些应急设施可能是预先规划好的，也可能是根据战区环境和任务要求临时建立的。由灵活且多平台支持基地组成的大型网络必须能够为整个任务（例如：加油行动）提供支持，而不是只为具体的飞机型号（例如：KC-10加油机或者KC-135加油机）提供支持。这一复杂规划的决策流程将因为机器学习技术而受益良多。用于分析电子商务供应商的算法也可为理想作战行动起始战位的选择提供帮助，其中所使用的标准可能有数十种，包括跑道状况、地理条件（例如：与友军/敌军的距离或与优先目标的关系）、受打击脆弱性、现存补给库和补给选项、通信手段以及生命支持能力（例如：医疗、食品和住所）。

为了使这些算法的有效性最大化，美空军需要类似于电子商务大数据那样的广泛数据源。将现有的军事信息系统（例如：国防战备报告系统、审慎和危机行动计划和执行部门、后勤模块）、民用网络、物联网技术以及盟国或伙伴国的共享协议结合起来，就能满足关键算法的要求，使机器学习流程能够为“敏捷作战部署”过滤、分类和分组决策标准。机器学习算法还可通过将资源分为主要选项、备用选项、应急选项和紧急选项等类别来协助选择资源，从而提高规划的灵活性。有了这些信息，美空军高层领导就可以通过确定资源需求信号和现有资源的方式帮助确定部队的需求。

利用人工智能进行供需预测的“敏捷作战部署”态势

为“敏捷作战部署”行动提供所需支持的支持部队被称为“敏捷作战支持”（agile combat support）。此类部队也正在根据“敏捷作战部署”进行转型，并且正在探索各种方法以从主要行动基地向应急设施和不可知论平台支持方式进行过渡。20世纪90年代以来，“远征航空航天力量”（Expeditionary Aerospace Force）概念一直利用前沿部署装备将部队组合成更精简的部署单位组合，这种部署单位组合被称为“单位类型编码”（UTC）。该组合中的人员和装备能够为指挥官提供特定的能力以及一定数量的飞机或装备。虽然这一方法创建了一种以人为中心的、更简洁的规划，但是它也使得认知疏忽、个人偏见和人为失误所导致的兵力短缺或过度供应浪费等问题更有可能发生。

类似于谷歌DeepMind的人工智能机器学习系统可提供创造性的解决方案。该系统可通过生成预测数据来识别未来的资源需求，并能够自动组合成套定制装备以满足部队需求。该系统可取代传统的UTC部队和大量库存，节省隐性存储费用，并同时优化供应库存。如果某些补给无法通过体系内的军事资源获得，算法可以增加搜索标准，以引入兼容的民用等效物或伙伴国和盟国的等效物。此外，在这一过程中发现的任何资源缺口或新出现的需求都将报告给决策者，以便立即对相应的生产进行投资。需求的紧迫性将决定这一投资是按照标准的合同授予模式，还是由军事委员会根据对性能历史的人工智能趋势分析、与现有合同的相关性以及总成本进行紧急选择。新的设计原型将在机器学习仿真系统和预测分析工具中进行测试以解决设计缺陷，然后再投入批量生产，最后供作战人员使用。

这些优势还能确保自卫装备和通信装备来源充足并且随时可用，从而为“敏捷作战部署”的指挥控制要素和防御要素提供支持。使用这些机器学习技术的时间越长，数据就越准确。这样就能通过历史分析为预期问题提供解决方案建议，并且让美空军领导有更多时间做出决策。一旦组建了这些UTC部队，它们相对于其他主要行动基地和应急设施的战位与它们的组成人员和装备一样重要。

利用人工智能进行“敏捷作战部署”机动和移动

“敏捷作战部署”的机动和移动要素旨在通过在优势战位间的不断机动作战以领先对手。这就要求部队在分布式基地之间机动（例如：从主要行动基地到应急设施，在应急设施之间机动，再返回主要行动基地），以提高生存能力或进行部队集结，进而实现战略目标。事实证明，人工智能系统能够优化从电子商务仓库到分拣中心和终端消费者之间配送流程。亚马逊将这种分级供应链流程划分为三个环节：采购履约、分散配送以及最后一英里配送。采购履约环节将使用大型交叉码头设施（平均面积为855,000平方英尺）将产品转运到数百个电子履约中心（仓储中心）。分散配送环节将把电子履约中心内的产品分配给航空枢纽和分拣中心（平均面积350,000平方英尺）。最后一英里配送将通过配送站（平均面积91,200平方英尺）把分拣中心运来的产品送到最终交付地点。

图3：亚马逊电子商务供应链（黑字）与“敏捷作战部署”（蓝字）对比

图3描绘了各个设施之间的货物流动情况，并且展示了亚马逊解决复杂物流问题的方法。该图也展示了美空军可采用何种措施以通过机器学习系统和人工智能系统将这一物流体系用于部队的机动后勤工作之中。美空军可将大型机动指挥部设施（例如：加利福尼亚州的特拉维斯空军基地或新泽西州的麦奎尔空军基地）用作“敏捷作战部署”的“交叉转运设施”或者“电子履约中心”，将较小规模的海外空军基地用作“空运枢纽”或“分拣中心”，将规模更小的机场或联合设施用作能够把资源配送到应急设施的最后阶段“配送站”。这一过程需要战区间和战区内运输协调以确保美军的全球部署能力。

自冷战结束以来，美空军将其海外基地从93个减少到了33个，但该军种依然保留着兵力投送能力，其可以通过与盟友和合作伙伴达成协议的方式使部队能够使用或飞越他国空域，或者在他国驻扎。亚马逊在其分销市场上所构建的“物流体系”也可用于“敏捷作战部署”的基地网络。美空军可对人工智能系统进行训练以确定资源配送地点，进而达到直接为应急设施提供支持的目的，人工智能也会因此具备降低配送成本并优化配送体系的能力。这也使得美空军高层领导和后勤人员能够设计与这些已知支持网络相关的最佳应急设施。那些因敌方威胁而被迫离开应急设施的美军，也可到备用设施中进行部署，从而实现“敏捷作战部署”倡议者所寻求的作战韧性。

部队补给的运送方法与其来源同样重要。美空军无法运输的物品将由联合服务机构协助运输或者外包给非军事公司进行运输。考虑到“敏捷作战部署”涉及全球范围的行动，战区间和战区内的运输方式需要细致的规划以作为分阶段部队部署数据。该数据体现了各个装备、飞机和人员是如何到达作战区域的（例如：空运、海运和陆运）。随着“敏捷作战部署”放弃了传统的空军基地转而使用临时的应急设施，作战行动的成功规划和执行也变得更加复杂。人工智能驱动的第三方后勤单位可确定实现上述作战行动的最有效手段，并可基于预先确定的威胁或任务概括预测未来机动需求。2021年，美国运输指挥部指挥官支持对人工智能系统进行探索，以找到解决战区间运输问题的方法。

如果一个机器能够理解在一定时间和预期航程内将人员、货物和飞机送到一个前沿位置的后勤要求，那么它就能够轻松确定到达该位置的最有效手段。一旦“敏捷作战部署”体系建成，军事规划人员就可以协调各个位置之间的机动工作，以实现任务目标或对敌方活动做出反应。那些包含人工智能反馈的系统可上报运输体系的降级（例如：敌方破坏主要桥梁或者堵塞水道），并可为美空军领导提供建议以调整运输方式（例如：将原本计划的海运升级为空运）。一般而言，临时改变运输计划可能会给后勤人员带来很大的压力，迫使其重新规划载重计划并处理后续运输的大量延误。然而，美空军可训练机器学习模型以识别货物的体积、重量和特点，以使其能够自动将运输任务重新分配给那些能够满足装载设备所需的适航检查要求的可用飞机。

2023年6月19日，在加拿大不列颠哥伦比亚省科莫克斯附近举行的“敏捷暴雪-统一视野2023”演习中，第35和第55战斗通信中队的空军人员正在更换Ranger 2400 Flyaway多波段终端上的设备。

就战区内运输而言，美空军可训练机器学习系统以使其能够确定到达应急设施的最佳方式。动态作战区域中的可用机场数量十分有限，在这种情况下，像V-22“鱼鹰”倾转旋翼机和HH-60“铺路鹰”直升机这样能够垂直起降的飞机就成了理想的运输工具，但是这类飞机只能运输少量货物或人员。然而，如果人工智能系统能够得出每个应急设施所需的支持时长，那么该系统算法就能够考虑到这一点，并相应地调整补给供应计划。

在与大国战争中，美空军很可能会面临友军损失。能够追踪飞机储备量的人工智能可为高层领导提供相关数据，以使其能够调整战略机动或确定何时需要盟军部队的额外支持。同样的，盟军或伙伴国军队所使用的机器学习和人工智能系统也可帮助预测其何时需要美军的介入或协助。

利用人工智能进行“敏捷作战部署”保障

整个“敏捷作战部署”框架的基础在于通过后勤保障实现的持续作战能力。面对作战逆境、对抗领域和极为分散的任务行动，美空军需要创新解决方案以确保资源保障工作积极进行，进而使其能够参与到未来作战之中。人工智能和机器学习的集成将实现“敏捷作战部署”复杂后勤需求所需的信息优势，并同时提高联合部队的能力。目前的UTC部队配备有足够的人员和资源，可持续作战30天。如需进行更长时间的作战行动，其需要进一步的支持和后勤保障。然而，这一部队原本是设计用于在已建立的空军基地进行持续作战行动，这些基地拥有存在已久的支持类基础设施以及防御装备。“敏捷作战部署”打破了这一部队结构，并进一步挑战后勤规划流程。应急设施的“敏捷作战部署”时长可能有短有长，短则24小时，长则30天以上，具体取决于补给链的有效性和敌方威胁的影响。

利用人工智能供应链管理进行“敏捷作战部署”保障

虽然供应链管理包括整个物流流程，但其有效性主要取决于两个关键因素：信息流和产品流。因此，在缺乏产品需求沟通或配送方式时，供应链管理是无法发挥作用的。人工智能和机器学习系统可通过结果预测或信息类型识别的方式来实现这些流程。机器增强决策中对于大数据和算法的分析最有助于实现“敏捷作战部署”。当考虑到应用于“敏捷作战部署”的人工智能风险管理能力时，这点尤为正确。

利用人工智能供应链风险管理进行“敏捷作战部署”保障

商业风险管理和军事风险管理的比较十分困难，这是因为和平时期的思维可能与战争时期的思维截然不同。虽然两者都面临日常安全风险和装备故障，但“敏捷作战部署”的“火线后勤”可能面临从与他国竞争到与他国进行敌对武装冲突的过渡。在这种情况下，风险管理在“敏捷作战部署”领域可能有更多的潜在应用。识别、监控和减少各种风险的能力至关重要。对于可接受的风险水平，美空军高层领导十分熟悉并期望所有系统都能达到这一水平。

人工神经网络是特殊的算法，旨在衡量复杂的标准等级而非简单地进行二元判断。该算法不只是简单地将装备状态判定为“损坏”或“可用”（例如：0或1），还能够判断装备的“损坏”程度（例如：0.2表示几乎不可用；0.5表示部分可用；0.9表示几乎完全可用）。这样一来，“敏捷作战部署”作战人员就可以使用这些算法来查找日常飞机维护问题，分析高故障率零件的缺陷，减少工单时间，并减少这些故障所导致的对高成本服务合同或高价损坏维修的需求。2018年，美国陆军称，这些人工智能系统能够确定最具时间效率和成本效率的维修零件运输方式，并可通过这一方法为其每年节省1亿美元。

质量保证机器的应用范围十分广泛，其中包括组装线上的装备生产、化学战装备包装、生命支持装备测试以及飞机弹药装载。虽然此类系统能力强大，但其可能无法在所有应急设施中部署，并可能会用于和平时期行动和军事人员训练。

在“敏捷作战部署”期间，美军面临的最大风险是其行动所针对的敌人。人工智能和机器学习的结果预测能力可提高美军的韧性，并使其能够在破坏和打击中生存下来。将包含更多变量（规模、地点、机动能力、弹药、能力以及弱点）的人工神经网络用于应对威胁，可使人工智能系统学会如何选择合适的武器来打击敌人，并计算出攻击风险概率或者交战结果。此外，机器学习技术能够以近乎实时的速度生成可执行的信息，并且这些信息不包含任何人类偏见或认知错误。

结论

结论1：人工智能可集成到“敏捷作战部署”行动之中。这一探索性研究结果表明，人工智能可集成到“敏捷作战部署”行动之中，特别是集成到该行动的态势、移动和机动以及保障要素之中。

结论2：人工智能与“敏捷作战部署”的集成能够实现多种优势。人工智能与“敏捷作战部署”的集成能够实现众多优势（不止上文提到的优势），并且有可能在所有军事作战行动中创造复合效应。这些优势可被划分为三类：后勤韧性、决策优势以及资金效率。

结论3：人工智能的集成可使美国更好地为大国竞争做好准备。人工智能与“敏捷作战部署”的集成不仅可行，而且是保持美国在大国竞争中优势的必要措施。