《不确定性量化：军事系统中的人工智能与机器学习》

制定量化不确定性元数据的军事标准是解决利用人工智能/机器学习（AI/ML）军事优势所固有的问题。通过提供元数据，美国防部可以继续确定使用人工智能/机器学习的最佳策略，与能力发展同步进行。这种协调将防止在解决与在作战系统中实施AI/ML有关的困难技术问题时出现延误。不确定性量化可以使观察、定向、决定和行动循环的实际数字实施成为可能，解决在战争中使用AI/ML的道德问题，并优化研究和开发的投资。

引言

从基础上讲，美国军队不需要人工智能/机器学习（AI/ML）。然而，军队需要能够比对手更快、更好地观察、定位、决定和行动（OODA），以实现军事优势。机器有能力以比人类更快的速度进行观察、定位、决定和行动，从而实现这一优势。然而，关于允许AI或ML模型 "决定 "最佳军事行动方案是否合适的问题仍然没有定论，因为该决定可能导致破坏和死亡。

利用AI/ML的军事优势的潜在隐患已经被不厌其烦地提出来。有三个问题仍然是最令人担忧的：（1）解决赋予AI摧毁事物和人的权力的道德和伦理考虑；（2）平衡发展AI/ML能力的成本和军事效用；以及（3）确保对机器的适当信任水平，以最佳地利用对能力发展的AI/ML部分的投资。然而，作为元数据纳入军事信息的不确定性量化（UQ）可以解决这三个隐患，同时遵守美国防部的人工智能伦理原则。

美国防部的人工智能战略将AI/ML技术的成熟作为优先事项并加以激励。其结果是，试图快速实施能力的活动纷至沓来，而对能力增长的可持续性或AI/ML使用的高阶影响规划却少之又少。正如一位国防研究人员所指出的，"当技术变革更多的是由傲慢和意识形态驱动，而不是由科学理解驱动时，传统上调节这些力量的机构，如民主监督和法治，可能会在追求下一个虚假的黎明时被削弱。"

美国国防高级研究计划局认为，目前的AI/ML系统 "缺乏必要的数学框架 "来提供使用保证，这阻碍了它们 "广泛部署和采用关键的防御情况或能力。"保证需要信心，而信心需要最小的不确定性。使用AI/ML的系统的这种保证可以帮助解决道德方面的考虑，提供对开发成本与效用的洞察力，并允许其在战争中的使用责任由最低层的指挥官和操作员承担。

通过在AI/ML系统中实施不确定性量化的军事标准，美国防部可以确保对这些系统非常需要的信任。此外，如果美国防部将不确定性量化作为对开发者的要求，有可行的方法来应用现有的数学方法来确定和传播不确定性。然而，当军方将这一标准应用于信息时，它必须牢记不确定性量化的高阶效应和挑战。

AI/ML的不确定性量化

为了解决上述三个陷阱，任何军事数字系统内部和都应该要求进行不确定性量化。不确定性量化是为系统中的不完美或未知信息分配一些数字的过程，它将允许机器实时表达它的不确定性，为建立对其使用的信任增加关键的透明度。美国防部应实施一项军事标准，规定对数字系统中的每个数据或信息的元数据进行不确定性的量化标记。一旦可用，这些元数据可以通过功能关系传播到更高层次的信息使用，为AI或ML模型提供所需的信息，以始终表达它对其输出的信心如何。

理解作为元数据的UQ需要理解计量学的基础概念--与测量不确定度有关的权重和计量科学。也就是说，一个测量有两个组成部分：1）一个数值，它是对被测量量的最佳估计，以及2）一个与该估计值相关的不确定性的测量。

值得注意的是，2008年国际标准化组织（ISO）的《测量不确定性表达指南》定义了测量不确定性和测量误差之间的区别。这些术语不是同义的："通常在被测物[被测量的量]的报告值后面的±（加或减）符号和这个符号后面的数字量，表示与特定被测物有关的不确定性，而不是误差。误差是指测量值与实际值或真实值之间的差异。不确定度是许多误差的影响"。

在军事术语中，"测量"是在OODA循环中收集和使用的任何信息。每条信息都是由某种传感器测量的，并且会有一些不确定性与之相关。作为元数据的不确定性量化将至少采取两种形式：根据经验产生的测量不确定性（基于上文概述的计量标准）和统计学上假设的不确定性（通过一些手段确定，其中有很多）。

操作员在使用具有UQ功能的系统时，可以使用系统报告的不确定性来告知他们的战术决策。指挥官可以利用这种系统在作战甚至战略层面上为各种类型的军事行动设定所需的预定义信任水平，这可以帮助操作人员在使用AI或ML模型时了解他们的权限是什么。这也将有助于采购专业人员为AI/ML能力的发展做出适当的投资决定，因为它将量化效用的各个方面。此外，在使用AI/ML的系统中提供量化的最低限度的确定性要求，可以解决上面讨论的三个隐患。

就使用AI的道德和伦理问题而言，对于 "让AI或ML模型决定将导致破坏和死亡的军事行动方案，是否符合道德或伦理？"这个问题没有单一的正确答案。正如所有的道德和伦理辩论一样，以绝对的方式处理是不可能的。

因此，美国防部将军事行动分为三个众所周知的机器自主性相对程度之一：机器永远不能自己做的事情，机器有时或部分可以自己做的事情，或机器总是可以自己做的事情。然后，美国防部可以为这些类别中的每一类定义一个最低的确定性水平作为边界条件，并且/或者可以定义具体行动所需的最低确定性水平。决策或行动的关键性将推动UQ边界的确定。使用不确定性量化包含了在处理使用AI/ML的系统的道德考虑方面的细微差别和模糊性。

当涉及到平衡人工智能/机器学习的成本与使用时，美国防部的受托责任是确保对人工智能/机器学习发展的投资与它的军事效用成正比。如果人工智能/机器学习政策禁止美国军队允许人工智能决定摧毁某物或杀人，那么开发和采购一营完全自主的杀手机器人就没有任何意义。因此，预先定义的最低不确定性界限将使采购专业人员能够确定如何最好地使用有限的资源以获得最大的投资回报。

在能力发展过程中优化对AI/ML的信任，将需要对AI/ML采购中普遍存在的经验不足以及机器学习中不确定性量化科学的相对稚嫩进行保障。"不确定性是机器学习领域的基础，但它是对初学者，特别是那些来自开发者背景的人造成最困难的方面之一。" 系统开发的所有方面都应该包括不确定性量化的元数据标签，无论系统是否打算自主使用。

这些输出可能会被卷进更高层次的数字能力中，然后需要UQ数据来计算不确定性的传播。例如，F-16维护者的故障代码阅读器应该有不确定性量化元数据标记到每个故障读数，在源头提供这种量化。读码器本身并不打算纳入人工智能或机器学习模型，而且该数据可能不会立即用于人工智能/ML应用，但故障数据可能会与整个舰队的故障数据进行汇编，并提交给预测仓库级维护趋势的外部ML模型。元数据将跟随这组数字信息通过任何级别的编译或高阶使用。

要求将不确定性量化元数据作为一项军事标准，实现了美国防部长关于人工智能道德原则的意图，其中包括五个主要领域：

负责任：UQ为判断提供依据，为开发、部署和使用人工智能能力提供经验基础。
公平性：人工智能中的偏见可以用与不确定性相同的方式来衡量，并且是基于许多相同的统计学原理。然后，偏见可以被解决和改善。
可追溯性：要求每个层次的不确定性元数据能够保证可追溯性。机器的性能问题可以追溯到有问题的部件。
可靠性：UQ允许开发人员检查，并允许有针对性地改进最恶劣的输入因素。
可管理：UQ作为自主性信任等级的边界条件，可以用来定义实现预期功能和避免意外后果的准则。

采用这些道德原则是为了确保美国防部继续坚持最高的道德标准，同时接受人工智能这一颠覆性技术的整合。不确定性量化是实现这一目标的实用方法。

在AI/ML中建立信任

兰德公司的一项研究发现，信任是与人工智能/ML的军事用途有关的大多数担忧的根本原因。美国防部研究人员指出，"当涉及到组建人类和自主系统的有效团队时，人类需要及时和准确地了解其机器伙伴的技能、经验和可靠性，以便在动态环境中信任它们"。对于许多自主系统来说，它们 "缺乏对自身能力的认识，并且无法将其传达给人类伙伴，从而降低了信任，破坏了团队的有效性"。

AI/ML模型中的信任从根本上说是基于人类对信息的确定性，无论是简单的传感器输出还是自主武器系统的整体能力。这一点得到了MITRE公司研究的支持：人工智能采用者经常询问如何增加对人工智能的信任。解决方案不是让我们建立人们完全信任的系统，也不是让用户只接受从不犯错的系统。相反，教训指出了在证据和认知的基础上形成良好的伙伴关系的重要性。良好的伙伴关系有助于人类理解人工智能的能力和意图，相信人工智能会像预期的那样工作，并在适当程度上依赖人工智能。然后，利益相关者可以校准他们的信任，并在授予人工智能适当的权力之前权衡人工智能决定的潜在后果。

通过将机器--数字或物理--视为合作伙伴，军方可以将其与人类合作伙伴的信任建立技术进行类比。健全的伙伴关系需要有效的双向沟通和加强合作的系统。"事实上，数字系统输出中的不确定性措施是没有用的，除非这种不确定性可以传达给人类伙伴。一旦机器能够量化不确定性，并且能够传达这种量化，它们也能够对输出进行评估并改进系统。

机器对其自身能力的认识的实时反馈，将通过提供每个循环中的不确定性的量化，增加机器的观察、定位和决定功能的透明度。这种反馈提高了对该特定系统的信任，并通过不确定性的传播实现了对系统中的系统的信任量化。例如，考虑遥控飞机（RPA）对一个潜在目标的视频监控。如何确定RPA的传感器是准确的和经过校准的，视频流没有被破坏，和/或操作者已经得到了关于首先将传感器指向何处的健全的基线情报？

OODA环路的每一个组成部分都有一些相关的不确定性，这些不确定性可以而且应该被量化，从而可以用数学方法传播到决策层面。在这种情况下，它将导致目标正确性的x%的传播确定性，使任务指挥官对他们的态势感知（观察）充满信心，并使他们能够更好地确定方向，更快地决定是否参与。

通过量化不确定性，并将其与各类行动所需的预定信心水平结合起来使用，决策者可以围绕那些几乎没有道德影响的军事行动以及那些有严重道德影响的军事行动创造边界条件。美国防部高级领导人还可以为开发和应用人工智能/ML能力的投资比例设定门槛，并可以确保投资将被用于实现最佳军事优势。这将通过 "量化-评估-改进-沟通 "的循环为使用人工智能/ML的系统提供保证。

不确定性量化允许设置如果-那么关系，以限制机器的可允许行动空间。在另一个简略的例子中，一个空间领域意识任务可以使用红外传感器数据来识别空间飞行器。如果-那么关系可能看起来像这样：如果传感器数据与目标的关联模型的确定性大于95%，那么该目标识别信息可以在国家空间防御中心目录中自动更新。如果传感器数据与目标的关联模型的确定性大于75%但小于95%，那么机器可以尝试与确定性大于75%的信号情报（SIGINT）进行匹配，或者可以将信息发送给人类进行验证。

因此，使用量化的不确定性使指挥官能够将决策树根植于人工智能/ML模型可使用的参数中，并指导如何使用这些人工智能/ML模型。在考虑机器自主性的三个相对程度时，指挥官可以预先定义每一类行动的输入的不确定性水平，作为何时以及在何种情况下让机器决定是有意义的指导方针，明确界定使用人工智能或ML模型的参与规则。

所有武器系统，无论是否打算纳入自主性，都应在其计划的用户界面中提供不确定性元数据。了解所有输入的不确定性对传统武器系统的用户和人工智能/ML的应用一样有利。通过现在提供元数据，美国防部高级领导人可以继续确定使用AI/ML的最佳治理和政策，而不会放慢技术和工程发展。任何这样的治理都可以在未来通过参考系统内组件级或输出级的量化不确定性来实施。

数学实现

军事用途的数学问题

高阶效应和挑战

结论

【点击左下角“阅读原文”查阅全文】

专知便捷查看

便捷下载，请关注专知智能防务公众号（点击上方关注）
点击“发消息” 回复 “UQMS” 就可以获取《万字长文《不确定性量化：军事系统中的人工智能与机器学习》2023最新报告》专知下载链接

欢迎微信扫一扫加专知助手，咨询使用专知，定制服务合作！

专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取70000+AI(AI与军事、医药、公安等)主题干货知识资料！

点击“阅读原文”，了解使用专知，查看获取100000+AI主题知识资料