九游老哥云
【公益译文】打好人工智能战争 未来智能化战争之作战构想（二）
2021-07-07
第1章 手艺驱动因素
现代战争需要使用手艺，同时也受手艺的影响 。所使用的手艺决议了军队可接纳的行动，在战术和作战层面付与并限制了武力运用能力 。人工智能主要是一种商业驱动的手艺 。因此，军队须跟上商业领域对人工智能的开发和使用 。这与冷战时代（1947–1991年）军方主导的手艺生长形成了鲜明比照 。那时，军方会全心妄想手艺厘革，审慎治理对现役军力结结构成的影响 。今天，在人工智能领域，商业天下的需求和市场的机缘推动了手艺立异和接纳 。现役军事装备的镌汰时间点有时取决于外部商业领域和市� 。蛴刖拥耐胧褂檬奔洳⒎灼缰� 。
需要注重的是，人工智能，无论是民用照旧军用，都不是自力保存的 。现实上，人工智能的应用是多个手艺构件的组合，卡内基梅隆大学（Carnegie-Mellon University）称之为“人工智能客栈”（AI stack） 。客栈的感知（Perceive）层包括盘算、无线云网络及装备（例如传感器）和物联网，用以感知周围的天下 。决议(Decide)层包括海量数据治理、机械学习、数字模子和决议支持辅助工具 。最后，行动（Act）层包括妄想和行动（优化、战略推理、知识）、自主手艺和供人类操作员举行操作的人机界面 。主要的是，品德贯串各层 。
很显着，客栈不但是人工智能，而是涉及众多交互手艺 。这些手艺配合运行，爆发组合效应，能力和效果远远大于单独使用各项手艺 。若是治理适当，这种组合可以带来指数级转变，随着越来越多新手艺的加入，转变会越来越快 。
不过，指数转变可能保存中期上限 。有些人已经看到了终点，预计人工智能将泛起“秋天”，甚至可能会回归“严冬” 。人工智能此前曾履历过两次严冬（1974–1980和1987–1993），所获得的关注和资金双双下滑 。若是历史重现，手艺前进将泛起障碍 。
虽然仍会有较大立异，但这些立异将局限在目今的手艺范式之内，而无法突破，应用模式是将目今或近期的人工智能手艺应用于新使命 。然而，与商业领域相比，人工智能还未深入到军事领域 。在军事方面，人工智能可能保存多种应用方法期待我们开发 。本章探讨了与人工智能和机械学习、大数据、云盘算和物联网相关的手艺 。
人工智能盘算
人工智能可以追溯到约莫70年前，阿兰·图灵（Alan Turing）在1950年揭晓了一篇开创性的论文《盘算机械与智能》 。今天的前沿看法之一“神经网络”甚至也起源于1957年左右 。在很洪流平上，要害的问题不在于有关人工智能的想法，而在于是否有足够的盘算能力来实现这些想法 。
1997年，IBM的深蓝电脑击败了国际象棋天下冠军加里·卡斯帕罗夫（Gary Kasparov），这戏剧性的一幕说明已经有足够的盘算能力来施展人工智能的潜力 。深蓝的人工智能使用C语言编写的基于规则的古板软件 。该软件搜集了专家知识，由盘算机程序员和国际象棋巨匠相助开发 。
在使用问题、逻辑和搜索的符号体现时，深蓝的基于规则的人工智能属于有用的老式人工智能（GOFAI） 。这种手动获取知识的“专家”系统可以称为“第一波”人工智能 。GOFAI善于对狭义问题举行逻辑推理，但不善于处置惩罚不确定性，没有学习或归纳综合能力 。
第二波人工智能有两大前进 。具有大规模并行处置惩罚能力、搭载机械学习软件的图形处置惩罚单位经济实惠，唾手可得，可以知足视频游戏玩家的需求 。之后，又泛起了大型数据集，可供带有图形处置惩罚单位的机械学习 。
现代人工智能的焦点是机械学习 �；笛安皇窍裆罾赌茄徊揭徊嚼幢喑蹋鞘褂盟惴ù铀峁┑氖葜芯傩型评硌� 。算法是盘算机用来解决问题的一系列指令和规则 。在机械学习中，算法建设了人工智能所使用的规则 。关于差别的训练数据，可以使用相同的学习算法天生差别的规则和指令，完成种种新使命 。一样平常来说，用于训练学习算法的数据越多，设计的规则和指令就越好 。
有两种主要的机械学习要领：有监视学习和无监视学习 。在有监视学习中，学习算法是基于标注数据的 。例如，标注为“运输机”的运输机照片通过算法输入，这样算法就能建设出规则，用以后续对此类图片举行分类 。有监视学习需要大宗的人力对数据举行分类和标记 。
无监视学习使用未标注的数据 。在此历程中，机械学习算法从所吸收到的数据中自行识别出模式 。这就自然保存一个问题：很难知道学习算法现实爆发了什么样的数据关联 。
有监视学习系统的性能极高，但需要重大的标注数据集 。相比之下，无监视学习系统的性能往往不太稳固，难以展望 。学习系统的选择取决于使命，由于两者在解决差别类型的问题上各有优势 。从海量金融数据中检测诓骗为例，监视学习更适合于识别与已知行为相匹配的潜在诓骗行为 。相比之下，无监视学习系统可以发明未经确认的新诓骗行为模式 。
强化学习是一种无监视学习，在此历程中，学习算法与动态情形交互，动态情形提供反� 。既吠瓿墒姑竦媒崩г蚧崾芩娲Ψ� 。AlphaGo人工智能通过强化学习举行训练，包括与人类专家角逐 。2016年，它击败了天下围棋冠军 。恒久以来，人们一直以为围棋的战略战术关于人工智能来说是一个特殊大的挑战 。这次胜利令人震惊，极大地影响了中国军事头脑家对人工智能的接受水平 。
看法上与此相似的是天生式对抗网络（GAN），它们相互竞争以提高性能 。每个网络都试图诱骗对方，加大对方准确完成使命的难度 �Ｋ剂康降惺挚赡芑嵛痹焓荩檬菘雌鹄丛椒⒄媸担墒褂媒闲〉氖菁傩醒盗� 。
AlphaGo Zero是AlphaGo的更新版本，它使用GAN训练方法与自己对抗，从而一连举行自我优化 。AlphaGo Zero只内置了围棋规则，但经由三天的自我训练，在举行了数百万次模拟对抗后，就能够击败人类训练的AlphaGo 。
强化学习和GAN虽然在实验室情形展现了优美远景，但在现实天下中却很难操作 。在输入、输出和交互方面，现实天下没有游戏那样的限制 。有些人以为，AlphaGo Zero的骄人战绩部分缘故原由是围棋的特殊规则有利于GAN训练 。别的，学习能力需要时间，在实验室模拟之外无法加速 。最后，现实天下中失败可能会造成严重效果，而不是简朴的吃一堑，长一智 。
当强化学习和GAN系统能够天生自己的数据而不依赖于所提供的数据时，它们才华施展最着述用，但现实上，它们主要用于模拟与操作情形很是相似的场景中 。这可能比最初设想的要常见，例如，可以通过强化学习训练机械人上下楼梯 。
现在，最先进的机械学习是深度学习，算法层层叠加，形成人工神经网络 。这些算法对运行中吸收到的新数据一直举行训练，随着时间的推移，性能一连提高 。他们边“事情”边学习，因此能够作出让人意外的紧迫响应，无论优劣 。相比之下，古板的无监视机械学习仍然依赖于原始的数据集训练 。使用深度学习的人工智能系统在图像分类、语音识别和游戏对抗等方面的性能已经逾越了人类 。
深度学习的一个主要问题是可诠释性低 。IBM Watson物联网的首席数据科学家Romeo Kienzler曾指出，“我们知道深度学习是有用的，并且效果很好，但我们并不完全明确这其中的缘故原由或方法” 。这种“可诠释性问题”有时被以为是所有人工智能的共性问题，现实上主要是神经网络和深度学习的问题 。许多其他类型的机械学习算法—例如决议树—具有很高的可诠释性 。矛盾之处在于，易于诠释的人工智能输出的准确率要远远低于那些可诠释性较低的输出 。
第二波人工智能具有强盛的感知和学习能力，能举行合理的分类和展望 。然而，与第一波人工智能相比，第二波人工智能的推理能力很低，无法将在一个领域学到的知识转移到另一领域 。第一波和第二波人工智能的优弱点意味着，与其说近期的第二波人工智能取代了之前的第一波人工智能，不如说立异偏向已经转向新的人工智能形式 。美国前国防部副部长Robert Work是人工智能的有力提倡者，他以为，这两种浪潮可以并且应该有用地团结起来：
以我们现有的盘算能力，我以为，我们在第二波机械学习方面花了太多的精神，而在第一波专家系统上却缺乏足够关注，主要是由于它使用if/then逻辑，无须担心可诠释性 。它是内置于程序中的 。问题泛起后可以复现，让我们确切地相识爆发了什么 。（就美国水师拥有的）自主舰艇（而言），……你可以按下按钮，舰艇就能在诺�？撕桶土种渥灾骱叫� 。所有的（航海）规则都属于第一波人工智能，就是简简朴单的if/then（若是/那么） 。若是舰艇要靠港（靠岸）……（那么）你就要作出响应 。可是需要在（驾驶台）摄像头中举行机械学习，只为了判断，“这是一艘集装箱船照旧一艘帆船？它的速率是几多？”只有将机械学习和专家系统（合理）团结，才华实现这个目的……在第一海浪潮中，尚有许多事情要做 。
DARPA现在正在研究第三波人工智能，它可以随情形而变 。人们设想，未来的这个第三次浪潮在训练时需要的数据要少得多，能够用自然语言攀谈，需要少少的监视就能正常事情 。这波人工智能将第一波和第二波人工智能团结起来，可以提供多种能力 。
人工智能应用
与人类或更古板的人类编程、基于规则的盘算机相比，目今的人工智能在解决某些特定问题上更能包管一致性 。解决效果通常是概率性的，对问题的响应接纳了置信度加权，效果未必总是相同 。人工智能能够快速识别模式，检测隐藏在大宗非结构化数据集中的项目，这一点很是主要，由于全球80%生齿的数据都是非结构化的 。从广义上讲，目今人工智能主要有以下五个功效：
• 识别 。对事物举行分类（例如，凭证症状、指示和告警诊断问题），确定项目之间的关系（例如数据之间的关系） 。图像和人脸识别、转变检测和图像地理定位都属于这方面的功效 。
• 分组 。这涉及到聚类，即对所提供的数据举行剖析，确定相关性和子集，例如，评估特定问题由哪些因素导致 。生涯模式剖析就体现了人工智能的分组功效 。
• 天生 。这一功效是指在吸收到特定输入后建设图像或文本，例如，识别语音并作出适当响应 。
• 展望 。指凭证历史时间序列数据展望未来转变，例如，判断机械何时会泛起故障的展望性维护 。
• 妄想 。为重大运动使用数字模子，确定可能的效果，例如，举行作战模拟或为决议者提供假设剖析 。
这些使命恒久以理由人类肩负，但现在越来越多地借助于盘算机完成 。人工智能带来的增值是能增进使命更有用地完成，速率更快，不受能力所限，有时甚至完全不需要人力介入 。人工智能带来的利益可以总结为效能、速率和可扩展性 。
这些特征意味着人工智能系统被付与更大的自主性，就像陆地自主车和机群那样 。授予部分或所有自主权要害取决于执行特定功效时是否基于数据作出决议 。人工智能使用算法剖析数据，然后举行决议 。从广义上讲，这意味着，首先，问题应可权衡，以便搜集响应数据，其次，这些问题可以简化为算法 。许多问题都切合这两个标准 。
人工智能的缺陷
在某些情形下，人类的解决步伐可能比人工智能更好 。有些智能机械相当懦弱，通常无法处置惩罚细小的情形转变 。别的，它们的领域顺应性较差，将一个情形中学到的知识应用到另一个情形中时显得较量辛苦 。别的，一样平常以为人类更善于归纳，能够从有限的信息中得出结论 。人类通常在具有高度不确定性的情形中能做出更合理的判断 。
就手艺缺陷而言，机械学习失败的最常见缘故原由是训练数据不可充分反应人工智能遇到的真真相形 。缘故原由有许多 。用于训练的数据可能比正常使用时现实视察到的数据质量更高 。并且，人工智能拥有完整的数据，在实验室中能够学习并得出解决计划；可是，在现实天下中，有些输入数据可能会丧失、模糊、损坏或失真，从而爆发处置惩罚过失 。最后，虽然人工智能训练可能基于所有加入者或元素的完善信息，在许多真实天下的交互中，信息可能被有意或无意地隐藏，或者爽性未知 。
人工智能训练失败也可能来自对抗性攻击 。武装步队甚至平民小我私家都有可能试图诱骗机械学习人工智能系统 。在这种情形下，愚弄人工智能算法比开发人工智能算法要省事得多 。好比，设计种种主、被动要领来阻止小我私家使用面部识别人工智能系统 。最近有项研究指出，�；と斯ぶ悄芑笛坝辛街忠欤海�1）检测输入过失样本的攻击者，（2）刷新训练阶段；其中后者更优 。
机械学习人工智能尚有一个固有的设计问题 。若是训练数据未凭证现实转变按期更新，则在现实天下中的性能通�；崴孀攀奔涞耐埔贫陆� 。这一特征被称为“看法漂移”，意思是，现实天下的数据经常体现为数据流，随着时间的推移会悄然转变；在此历程中，人工智能的机械学习会逐渐过时，剖析输入数据时，准确性会越来越差 。关于机械学习人工智能，软件工程老格言“软件永远都能刷新”（Software is never done）仍然适用 。
关于边事情边训练的人工智能系统（如自顺应人工智能），这种逐渐退化的历程会越来越快 。这种系统一最先运行优异，但随着重复再训练，一定会变得愈加不稳固 。微软的实验性谈天机械人Tay就是这样，最初通过神经网络举行训练 。
Tay上线后使用推特与公众在线互动，目的是通过这些互动举行机械学习，从而一直提高其性能 。然而，推特上的水军使用攻击性的推文对Tay举行了再培训，导致Tay在回覆一些问题时使用了种族主义俚语，体现出了极右意识形态 。由于Tay的推文一连恶化，微软在16小时后关闭了它 。俄罗斯的搜索引擎Yandex也试验了一款类似的人工智能谈天机械人，名为“爱丽丝” 。该款机械人像Tay一样，仅上线一天就酿成了流氓 。
相反，使用简单牢靠数据集训练的人工智能提供了更多的可展望性，但正如前文所述，它无法治理情形转变 。
这些人工智能缺陷带来的总体影响是，人类用户必需一直监测并验证人工智能系统输出，须要时还要更新系统 。人类施展着要害作用 。迄今为止的理论研究批注，人们很难确知机械学习系统何时失败甚或是否能准期运行，也并不十分清晰人工智能手艺的故障模式 。因此，人工智能手艺尚无法实现“傻瓜式应用”（Set and forget） 。
大数据
2018年，德国总理默克尔说了那句很著名的话：“数据是21世纪的原质料 。”人工智能需要学习和处置惩罚数据，最后爆发效果 。从某种意义上说，数据是人工智能运行的燃料 。
人工智能能够剖析结构化数据和非结构化数据，提供关系、模式和关联信息 。结构化数据经由组织，被输入关系数据库（如电子表格），用简朴的算法就能利便、快速地搜索到 。这些数据凭证所使用盘算机系统的要求举行了名堂编排 。物联网涉及漫衍普遍的种种传感器，许多会爆发结构化数据，可随时举行机机交互 。
相反，非结构化数据无法填入数据库的行和列中 。非结构化数据文件包括电子邮件、文档、社交媒体、视频、图像、音频文件、演示文稿和网页 。这些数据由人类或机械爆发，例如无人侦探机和远程图像装备 。
人工智能只有在训练后才华析非结构化数据 。输入的数据越多，人工智能机械学习就会越可靠 。除了数目，数据的质量同样主要 。低质量的数据会误导人工智能，输出不可靠的效果 。人工智能需要标准化、规范化、经由验证的富厚数据，并删除重复数据；这一历程的大部分属于“数据整理”（Data wrangling）这个大看法 。2015年，美国国防部首次将数据的质量置于数目之上 。
数据存储关于确保质量有一定的作用 。纵然数据存储在多个差别的系统中，也应该只有一个数据视图 。要做到这一点，优异的数据卫生（Data hygiene）至关主要 。数据应该干清洁净，也就是说，基本上没有过失 。与此相反，脏数据（Dirty data）则包括冗余数据、过失数据、不完整数据和过时信息 。组织需要制订重大的数据战略来解决数据的可用性、搜集、卫生和治理问题 。
整理数据的使命需要人类加入 。数据整理工具对许多历程举行自动化，加速使命执行速率 。然而，这些工具并无自主性，需要由熟练的数据科学家逐列指导 。在数据整理历程中，由于未知的未知（Unknown Unknowns）而爆发了更重大的问题，数据集差别，问题也差别，因此不太适合使用自动化工具 。因此，有特定命据集履历的数据科学家仍不可或缺 。
数据治理
要实现智能化，军队需要获得数据 。军队向来都需要大宗生涯和存档纪录，但大部分数据都生涯在组织的一个个“孤岛”中，大大都人无法会见 。由于无法确定搜集哪些数据供未来使用，这一问题变得愈加重大 。兰德公司在2020年的一项关于美国空军使用人工智能举行指挥控制的研究中指出：
关于数据，商业部分似乎趋向于“ËѼ¯一切” 。条件是，有些数据流可能包括未发明的相关性，并且难以展望未来的数据需求 。随着作战构想的起劲生长和测试，团结全域指挥控制（Joint All-Domain Command and Control）的数据需求一直转变 。为了知足未来的所有数据需求，空军需要接纳“生涯一切”的要领 。
鉴于存储本钱急剧下降，这种生涯数据的要领现在可以实现 。最新的海量数据存储要领是将数据注入到“数据湖”（Data Lake）中，这是一种低本钱、大容量的盘算情形，用于存储和治理非结构化和半结构化数据 。在数据湖中，数据的用途尚未确定，即数据是“原始”的，只管易于会见和更新 。这些原始数据可用于人工智能机械学习 。然而，数据湖需要数据科学家举行治理，确保适当的质量和治理步伐到位，阻止形成数据沼泽 。
在硬件方面，数据湖是一个由相互毗连的盘算机组成的网络，提供存储和盘算资源，形成用于数据网络和处置惩罚的中央存储库 。漫衍式网络情形中的这种数据共享允许凭证需要随时会见数据 。
这项手艺的应用爆发了“数据结构”（Data fabric）这一看法，形象地说，就像是“一种笼罩了重大空间的织物，将多个数据位置、类型和泉源毗连起来，并提供数据会见要领” 。数据结构系统构想了一个集成平台，支持数据治理，对数据的会见和使用不受数据的存放或爆发位置所限 。这种系统提供了统一的数据治理框架，允许跨存储举行无缝数据会见和处置惩罚 。
数据结构系统可以将营业功效重新组织和打包，实现企业级效果 。数据结构能够支持组织举行快速重组，知足新的需求和情形 。这些“可组合企业”设计能实现�？榛⒏咝А⒁涣⑿潞退秤π粤⒁� 。
数据问题
机械学习人工智能通过学习训练数据集来学习 。在此历程中，算法判断的是关于数据集而非外部天下的事实 。若是数据集太� 。敲慈斯ぶ悄芏晕侍獾拿魅房赡苡形蟛罨虿煌暾� 。若是使命很重大，使用了大型数据集，那么，需要做的决议会许多，人工智能可能无法判断轻重缓急，因而一视同仁 。别的，由于种种缘故原由，用于训练人工智能的数据集可能会有误差，导致输出不太可靠 。
在军事行动中，尚有一些其他问题 。随着战术形势的转变，数据的相关性可能会迅速下降，很快沦为“历史文物” 。作战情形千变万化 。有时，只能获取希罕数据集，为人工智能提供有限的训练数据，使其性能难以确定 。别的，刚刚搜集到的数据很难连忙用于训练人工智能，或者没有足够的时间使用新数据 。
数据实质上是第二波人工智能的问题 。使用机械学习手艺搜集、标记和整理训练人工智能所需的数据通常需要大宗时间，本钱一样平常很高 。
支持手艺
云盘算
许大都字手艺毗连到云，从外部泉源而不是装备自己的硬盘上存储、会见数据和程序 。上世纪90年月末，积云图用来体现互联网，因此，通过互联网会见服务就被比喻成“云” 。
云原生盘算对人工智能特殊主要，由于人工智能系统内部通常无法知足机械学习需要的数据和处置惩罚能力 。事实上，从美国空武士工智能实验中获得的一个主要履历是，高质量的人工智能学习需要将最新数据快速放入云中，以便随时会见，而不是慢腾腾地手动输入 。
有了云数据存储，人工智能盘算机的位置似乎不再主要，而连通性则成了要害动力 。然而，在某些情形下，数据主权、频谱可用性和数据延迟可能会为这种存储方法带来贫困 。不但云云，目今的一些云存储手艺并没有针对人工智能机械学习手艺举行优化 。私有、公共、海内、国际、人类和机械等种种泉源的数据以及神秘数据会被实时会见，对其举行整理、标准化和规范化一定保存挑战 。别的，军事云是一种特殊的挑战，由于在卑劣的电子对抗情形中，必需包管它们的可会见性 。
在大型组织中，有一种趋势是各部分划分安排自己的云，每个云具有差别的数据名堂、会见程序和授权用户 。可是，若没有简单的通用企业云，数据就不可自动与所有人共享，清静补丁无法完全分发，新软件也不可普遍集成 。美国团结人工智能中心认真人谈论美国国防部打造企业云的事情时指出，“没有企业云，人工智能就形不陋习模，仍然只能是一系列小型的关闭项目” 。
物联网
物联网是一个大规模的互联装备（物）网络，机械之间在没有人类干预的情形下举行信息交流 。在民用领域，联网装备迅速增添，预计将从2018年的70亿增添到2021年的350亿 。其中大都为运动传感器、恒温器、照明、仪表和成像装备等简朴装备；更重大的装备包括智能电视、音箱和电器、可衣着装备、工业机械人、无人机、自动驾驶车辆以及军事领域的武器 。
物联网网络允许远程监控，会天生大宗数据 。例如，空客A-350客机有约莫6000个传感器，每运行一天爆发2.5TB的数据 。将物联网网络毗连到实时剖析数据的边沿装备，将最主要的信息转发到云中，删除其余信息，可以降低存储和带宽本钱 。
这种边沿盘算将部分数据处置惩罚能力放在网络边沿而不是放在遥远的集中云设施中，解决了云性能问题，例如延迟、毗连、隐私、清静、带宽和拥挤及有争议的电磁情形 。然后，可以在数据的泉源处或周围举行盘算，而不是依赖于远程的集中云设施 。边沿装备也经常充当差别网络（即差别的云）的入口或出口 。
目今，大大都边沿盘算用人工智能芯片完成 。这类芯片体积� 。喽宰灾疲牡绲停⑷壬伲子诩傻绞殖肿氨福ㄈ缰悄苁只┖头窍淖氨福ㄈ绻ひ祷等耍┲� 。虽说云云，在未来的现实应用中，人工智能盘算一样平常会以装备+云的方法混淆使用 。选择什么样的混淆方法取决于人工智能处置惩罚类型 。
例如，带有人工智能芯片的低本钱无人机使用机械学习算法来发明海中冲浪的人是否深陷险境或有鲨鱼靠近，而无需通过无线方法毗连到云 。这些无人机装有智能手机片上系统（system-on-a-chip）应用处置惩罚器，具有处置惩罚、图形、内存、毗连和人工智能等功效 。
物联网网络可以由牢靠和移动装备组成，包括无人机 。移动装备可以组成群，相互协作 。有两种主要设计要领 。较量简朴的是集中式系统，用一其中心组件（机械人或外部盘算机）协调所有机械人及其使命 。虽然集中式系统简朴直接，但很难扩展，由于增添机械人就会增添中心站的处置惩罚负载 。别的，系统自己并没有充分使用每个机械人的盘算能力 。关于军用来说，最严重的问题是中心部件是单点故障 。以是说，集中式系统缺乏稳健性 。
另一种要领是机械人之间直接交流无线信息，或接纳间接方法，将信息转达到情形中 。这种漫衍式要领自然具有稳健性，没有单点故障 。一个机械人泛起故障，机群的整体性能只会有一律水平的降低 。别的，漫衍式要领更具无邪性和扩展性 。若是不需要使用整个机群，可以将机械人分成更小的群组，执行差别的使命 。相反，若是目今机群中的机械人数目无法知足使命需要，可以利便地添加其他机械人 。
美国国防高级研究妄想局（DARPA）设计的“马赛克战”看法将人工智能和一些相关手艺团结在一起 。在这种架构下，安排在战场上的物联网是异构系统，大致分为传感器、武器和判断元件 。最要害的是，这些网元相互之间都可以通讯，还能通过云与总指挥控制系统举行通讯 。
现代军队使用的攻击链模子与感知-决议-行动逻辑流程细密团结 。相比之下，在“马赛克战”看法中，大型物联网中的数据流形成了一个攻击网（Kill web），在这一网络中，可以近乎实时地选择并接纳实现使命的最佳路径 。物联网领域中充满着动态转变的数据流，而不是像攻击链模子所示的一成稳固 。因此，“马赛克战”看法为指挥官提供了包括冗余节点和多个攻击路径的高弹性网络 。别的，马赛克看法旨在实现扩展性，以便物联网的规模和网元凭证战场情形的需要举行增减 。
要实现“马赛克战”看法，物联网网元需要人工智能边沿盘算 。别的，总指挥控制系统需要使用人工智能来支持人类指挥官控制战斗 。在这个一直转变的、包括大宗异构元素的网络上，确定最佳通讯链路和数据流具有相当大的手艺重大性，在这一网络中，各元素之间需要通过通讯系统传输数据，在手艺上保存挑战 。
· 译者声明 ·
本文由九游老哥科技博客与“清静加”社区小蜜蜂公益翻译组相助完成，免责声明及相关责任由“清静加”社区肩负 。
小蜜蜂翻译组公益译文项目，旨在分享外洋先进网络清静理念、妄想、框架、手艺标准与实践，将网络清静战略性文档翻译为中文，为网络清静从业职员提供参考，增进海内清静组织在相关方面的思索和交流 。
