人工智能系统用于作战的局限性：任务规划

今天分享的是人工智能系列深度研究报告：《人工智能专题：人工智能系统用于作战的局限性——任务规划》。

（报告出品方：RAND）

方法

AlphaStar证明了人工智能(尤其是RL)可以擅长于小范围的问题。路线规划是人工智能在民用领域取得成功的一个领域，自动驾驶汽车和自动驾驶仪12正确的航路规划可以将飞行员和系统的风险降到最低，减少敌人对美国资产的了解，并增加任务成功执行的可能性。

虽然只是所有航路规划的一个子集，但针对单个包裹穿透敌方领空的规划包含足够的元素，以满足足够的复杂性(敌方阵地和多条可行路线)，而不会使读者或我们自己超载(例如，动态的敌方阵地)。这也是空军部(DAF)经常遇到的场景，因此，可能值得实施，因为人工智能模型的前期成本相对高于训练人类完成任务，但人工智能模型更容易扩展到大规模。使用之前的RAND内部模型，我们探讨了将AI应用于此应用程序的可行性，比较AI性能对优化方法，并评估这种方法的局限性。在这份报告中，我们比较了一个纯粹的优化方法与纯RL方法的任务规划。涉及这两种方法或在流程中包括一个有经验的人的混合解决方案可能会产生更好的结果。

RAND目标可达性模型调查

我们使用了一个专有的模型称为兰德目标可达性模型(RTAM)，以检查ML模型训练穿透敌人的防空系统，并达到目标点相比，运筹学(OR)优化功能，旨在实现相同的目标。我们对ML方法在绝对和相对基础上的弱点很感兴趣。考虑到现代机器学习改进的速度、历史的经验教训，甚至在非常大和昂贵的最先进的模型上实现规模化的正回报，我们不愿将当前的任何限制描述为永远不可能。

然而，通过检查玩具系统中的相对优势和劣势，应该有可能确定哪些任务人