前美国防部长马克·埃斯珀（Mark Esper）曾经说过：“历史告诉我们，那些率先利用新一代技术的人往往在未来几年的战场上拥有决定性的优势”。

  AI和机器学习将在塑造现代战场方面发挥关键作用。这些技术增强了态势感知能力，优化了决策，并提供了竞争优势。

  从用于侦察的自主无人机到用于供应链管理的预测分析，它们的影响是深远的。在乌克兰的行动凸显了这些技术的应用：由克里斯·希尔博士领导的陆军物资司令部分析小组利用作战数据在需要时协助需求规划，同时无缝预测和协调需求。快速处理此类大量数据的能力允许实时威胁检测和响应，从而挽救生命和资源。

  此外，人工智能有助于开发复杂的网络防御系统，并支持创造更智能、适应性更强的武器。简而言之，人工智能和机器学习正在通过提高效率、准确性和整体有效性来彻底改变战争。随着我们继续开展活动和运营，并在全世界内来投资，情况将保持不变。

  总的来说，指挥官和领导者必须信任这项技术，才能在联合全域作战中证明其有效。当务之急是，所有梯队的领导者都一定要考虑如何制定和实施与家乡站的数据训练策略——以及战斗训练中心的参与——以建立对技术的信心，以便领导者能够以信任的速度运作。

  在不断变化的战争环境中，技术进步不断塑造着武装部队的作战方式。从南北战争期间的加特林机枪到二战期间的DUKW两栖车辆和M-3半履带运兵车，技术一直影响着我们的战斗方式。

  在这些进步中，AI和机器学习已成为游戏规则的改变者，无疑将彻底改变现代战场。它们的整合在军事行动的每个方面，从情报收集到决策等方面都带来了前所未有的改进。

  量子计算和机器学习可以在几秒钟内做出比传统工作人员在军事决策过程中更多的行动方案，这允许决策速度，这将给我们大家带来决定性的优势。

  随着战争性质的变化，我们正处于一个战略转折点，正如现已退休的马克·米利将军在 2023 年 7 月发表的“联合部队季刊”文章《战略拐点：战争性质中最具历史意义和最根本的变化正在发生——而未来笼罩在迷雾和不确定性中》中所阐明的那样。

  “我们一定要努力比敌人少犯错，”他说。这要求我们的联合特遣部队在联合作战概念的指导下进行根本性转变。随着我们过渡到一个新的战争时代，如果我们要赢得“比敌人少犯错”的战斗，我们必须确保联合部队被纳入AI和机器学习的整合中。

  同时，全方面了解战场对于军事成功至关重要，AI和机器学习将使军队能利用大数据和实时信息的力量来增强态势感知能力。配备AI算法的自主无人机可以以无与伦比的效率执行侦察任务，捕获有关敌人动向、地形状况和潜在威胁的数据。这一些信息能够迅速处理，使指挥官能够在使用传统方法所需时间的一小部分内做出明智的决定。

  这种增强的态势感知能力不但可以最大限度地降低士兵的风险，还可以对新出现的威胁做出积极反应。简而言之，访问能够迅速处理和分析的数据，为指挥官和作战人员的实时决策提供信息，这将改变战场上的游戏规则。

  利用AI和机器学习等技术将塑造我们如何在未来的战斗中采用这一概念，并决定我们如何培训和发展梯队领导者，以便在竞争、危机或冲突中利用这项革命性技术。

  在“军事评论”最近的一篇文章中，堪萨斯州莱文沃思堡陆军联合武器中心司令米尔福德·比格尔中将谈到了我们一定要如何通过减少对材料的依赖和提高对信息维度的利用来优化指挥所。

  正如在第二次世界大战期间的中途岛海战中所看到的那样，在那场海战中，决策速度决定了成败。AI和机器学习算法旨在处理大量数据并识别人类可能遗漏的模式。这些工具将改变组织如何更快地做出更好的决策。

  将那些经常在“数据脱节”环境中作战的战场最边缘的指挥官提升到行动指挥官和上层之间费力的信息流的牺牲品。

  这种能力有助于军事领导人做出更明智的决策，从选择最佳战略到根据实时情报评估最佳行动方案。从历史数据中得出的预测分析还能够在一定程度上帮助预测敌人的动向并识别其防御中的潜在弱点。这是对指挥官现在利用的人类情报和信号情报流的一大补充。

  最后，利用这项技术能采取更有计划、更有效的军事行动方法，从而最大限度地减少伤亡并提高任务成功率。

  战略竞争对手正在部署能力，通过所有领域的多层对峙来对抗对手，这将要求在太空、网络、空中、海上和陆地上击败多层对峙。实时检测和响应威胁的能力是现代战争的重要组成部分。

  人工智能驱动的系统能同时监控多个数据源，从卫星图像到截获的通信。通过实时分析这一些数据，算法可以识别异常和潜在威胁，从而立即向军事人员发出警报。这种积极主动的方法可以在一定程度上完成快速响应和反击，防止对手占据上风。

  无论是对关键基础设施的网络攻击还是敌军的移动，人工智能驱动的威胁检测系统在维护军事行动的安全性和完整性方面都具有显着优势。

  后勤和供应链管理是任何军事行动的命脉。在全球综合后勤环境中，有太多相互作用的变量，维持者无法有效监控。

  如今，人员只可以通过各种数据流对车队和供应商品的历史数据进行监控。正如 Lone Star Analysis 的 John Price 在 2021 年 8 月发表在“军事嵌入式系统”上的一篇文章中所写的那样，“计算机系统能提供持续的评估，并且有足够的机器智能，预测就会变得强大。

  人工智能和机器学习通过预测需求模式、识别供应短缺和简化分销路线来优化这些流程。这包括人工智能驱动的基于车辆状态的维护，该维护监控车辆的每个方面，从进气到排气以及其中的所有点。

  因此，我们将范式完全从工厂转移到了工厂，现在需求从散兵坑传到了工厂。基于车辆状态的维护利用预测性和规范性分析，同时提供持续诊断以及提供问题预测和解决方案处方，从而使人员能够专注于进行特定调整，以优化军用车队的运营可用性。

  这不仅确保了部队拥有必要的资源，而且还最大限度地减少了浪费并降低了成本。通过自动化重复性任务和优化路线，武装部队可以更有效地分配资源，并在速度和效率方面保持竞争优势。这种由AI和机器学习实现的精确维持确保响应符合需要，或者从散兵坑移动到工厂，而不是从工厂转移到散兵坑。

  同时，现代战争超越了传统战场，也包括了网络领域。AI和机器学习在制定针对网络威胁的自适应防御策略方面发挥着至关重要的作用。

  美国防部的OODA - 观察，定位，决策和行动 - 是作战人员使用数据不仅实现有根据的决策，而且及时定位的循环。这些技术可以快速识别和响应网络攻击，分析模式以区分正常的网络活动和可疑行为。此外，人工智能驱动的网络安全系统可以从以前的攻击中吸取教训，并不断提高其检测和消除新出现的威胁的能力。

  随着世界的不断发展，冲突的性质也在不断变化。AI和机器学习已成为现代军事武器库中不可或缺的工具。他们处理大量数据、加强决策和实现实时响应的能力改变了武装部队的运作方式。

  从提高态势感知到彻底改变供应链管理和网络安全，这些技术正在塑造战争的未来。

  美国防部致力于遵循“设计即使用”的方法，在联合全域作战中利用这项技术。在开发解决方案时，每种服务都有不同的要求。

  美国陆军的要求可能是移动中的士兵或地面战车;相比之下，对于空军来说，这个案例可能是前沿空军基地所需要的。

  随着向前迈进，这些技术的整合对于保持军事优势和确保军事人员在现代战场上的安全和成功仍然至关重要。借助AI和机器学习，无疑将能够“以最先的速度”到达那里。