人工智能作为战斗倍增器

人工智能已成为任何复制人类任务的机器行为的统称，但要真正评估人工智能对战场或社会的影响，必须更加具体。人工智能的两个子类型包括机器学习和深度学习。机器学习是指计算机通过处理数据进行学习和改进，而不需要被告知这样做，并使用统计数据进行概率分析，在某些情况下进行预测。深度学习是机器学习的一个子领域，可以处理大量数据，找到人类可能无法发现的关系和模式。虽然深度学习因其复杂性而较难扩展，但机器学习在陆军系统中已很普遍。其中一个系统包括 “目标拦截相控阵跟踪雷达”（PATRIOT），该系统使用复杂的计算机网络和算法来跟踪来袭物体，将其分为威胁或友军，并发射地对空导弹。陆军目前还在投资其他人工智能工具，如 “Project Maven”，“这是一种能以有用的方式快速处理无人机镜头的工具”。

美陆军的大部分作战计划都始于备受推崇的军事决策过程（MDMP）。该流程的第二步是任务分析，其中一个子步骤是战场情报准备（IPB，现称为环境情报准备，或 IPOE）。虽然这些流程因能有效规划作战行动而备受推崇，但联合训练中心轮训的一个共同主题是不断争取时间完成这些流程及其相关产品。这些流程通常用于进攻和防御行动，是利用人工智能为军事规划人员提供技术助力的好机会。

人工智能减轻 MDMP 负担的能力并不局限于情报人员。陆军参谋部的其他每个部门都有与 MDMP 相关的耗时产品。这些部门还负责跟踪大量数据，如后勤状态报告、作战准备率、人员状态和其他行政报告。这些报告在整个 MDMP 中都至关重要，因为它们提供的信息能让指挥官了解自己的可用战斗力。这些报告对 MDMP 的第三步（行动方案制定）至关重要。

使用人工智能对这些流程进行补充的好处是可以将时间还给部队，然后将其用于完成准备进攻和防御行动所需的大量任务。此外，在战术网络上部署大型语言模型的培训成本相对较低，尤其是与其他国防部项目相比。OpenAI 的 GPT-3 训练成本约为 400 万美元，外加运行大型语言模型训练所需的图形处理单元成本。与美陆军情报数据平台 3400 万美元的成本相比，可以认识到陆军只需花费相对较少的资金就能为规划人员带来巨大的收益。