现代军事行动日益增长的速度、复杂性和多域属性，要求决策制定与执行方式进行转型。本研究作为对北约“跨域指挥”的后续探讨并提供更多细节，旨在探索如何系统地整合“人机组队”以实现决策优势。基于社会技术系统理论及航空等高可靠性领域的经验教训，本研究着重阐述了人类与人工智能赋能系统之间的认知协同如何重塑指挥控制格局。通过结合文献综述、条令分析、作战案例研究以及北约C2COE主题专家访谈，本研究揭示了其中的机遇与挑战，例如对系统素养的需求、自动化导致技能退化的风险，以及在联合决策中保持认知多样性的重要性。本文未提供规定性蓝图，而是提出了将“人机组队”作为“跨域指挥”所有特征之基础赋能要素的实践考量与具体、可操作的建议。最终，“人机组队”带来的不仅是一项技术增强，更是一种范式转变，旨在协同运用人类判断与机器能力，实现更具适应性、韧性和效能的高效指挥。

本文结构如下：第二章概述了北约内部指挥控制的演进，强调了向“跨域指挥”的转变及其背后的驱动因素，例如日益增加的作战复杂性和对决策优势的追求。第三章介绍了“人机组队”的概念基础，借鉴学术研究和历史案例，阐述了如何有效发展人机协作。第四章探讨了将“人机组队”集成到C2系统中，重点关注角色演变、实际应用以及来自C2主题专家的见解。第五章审视了关键考量因素与影响。第六章总结了主要研究发现，并就依据北约“跨域指挥”与“多域作战”目标推进“人机组队”提出了具体、可操作的建议。

军事杀伤链是为成功完成一项任务而必须发生的一系列事件、任务或功能的序列。随着国防部向联合全域指挥控制迈进——这需要协调多个具备数据与信息共享能力的网络化资产——杀伤链必须演变为拥有多条路径以实现任务成功的“杀伤网”。针对杀伤网的数学框架为解决这类系统之系统的分析复杂性提供了基础。针对杀伤链与杀伤网的数学框架将为军事决策者提供一个用于评估任务规划若干关键方面的结构，包括成功概率、替代链、以及链中可能失效的环节。然而，据我们所知，目前尚不存在一个适用于军事行动中杀伤链的通用且灵活的数学表述。本研究提出了四种可用于杀伤链的概率模型，这些模型后续可适配于杀伤网。在所提的每一种模型中，杀伤链中的事件均被建模为伯努利随机变量。这种可扩展的建模框架为构建每个事件的成功概率提供了灵活性，并且与蒙特卡洛模拟及分层贝叶斯公式兼容。这些概率模型可用于计算杀伤链成功的概率并进行不确定性量化。模型在“发现-锁定-跟踪-瞄准-交战-评估”杀伤链上进行了演示。除了数学框架，还开发并公开发布了MIMIK（杀伤网任务图示与建模界面）软件包，以支持杀伤网的设计与分析。

图1. 对应于F2T2EA模型的线性杀伤链(a)与杀伤网(b)。

军事杀伤链是为成功完成一项任务而必须发生的一系列事件、任务或功能的序列。杀伤链的一个传统例子是成功使用武器对抗目标，但杀伤链可用于任何结果基于一系列事件序列的任务，例如，从信息系统外泄信息的网络攻击，或从空中侦察任务成功收集信息。“杀伤链”这一术语意味着这是一个必须完成的线性事件序列。然而，美国国防部正朝联合全域指挥控制迈进，这将需要协调多个具备数据与信息共享能力的网络化资产[1]。这一复杂的系统之系统将要求杀伤链演变为拥有多条路径以完成任务的“杀伤网”[2]。图1展示了一个常见杀伤链的例子，即“发现-锁定-跟踪-瞄准-交战-评估”模型[3,4]，以及一个具有多条路径的杀伤网。使问题进一步复杂化的是人工智能融入杀伤网，其可能具备使用概率模型进行自主决策的能力[5]。对杀伤网进行分析和优化决策将需要数学模型。然而，在转向更复杂的杀伤网之前，需要先发展杀伤链的数学模型。

任务工程将系统工程概念应用于任务的设计、规划和分析，并正日益融入国防部作战[6,7,8]。任务工程的关键组成部分是定义任务架构和执行任务工程分析。任务架构由任务工程线程组成，即一系列为成功完成任务而必须完成的活动。这些线程等同于杀伤链，而任务架构则等同于杀伤网。传统的任务工程方法严重依赖基于模型的系统工程工具，例如系统建模语言，以及用于建模任务工程线程和任务架构的数字工程[9,10]。本文提出的数学框架旨在为杀伤链提供一个数学基础，该基础可与系统建模语言等工具一起使用或集成其中，以支持任务工程。更具体地说，所提出的数学框架由一组可定制的模型组成，使用户能够模拟任务结果、评估杀伤链中的故障点，并计算任务结果的不确定性。此外，本文工作为未来的研究奠定了基础，未来工作将扩展到更复杂的杀伤网、进行韧性分析并优化任务组成部分。

为杀伤链建模的传统方法通常依赖于用于整个链的单一数学框架。例如，Farrell和Wilkening使用统计方法和鞍点分析来估计杀伤链在要求时间内完成的概率[11]。虽然这种方法可靠，但它只涉及杀伤链的单一层面。Wang等人利用优化寻找最优决策，并利用前景理论纳入决策者的偏好[12]。Kewei等人使用多目标决策，如蚁群进化算法，以改进杀伤网中的决策[13]。Jiang等人使用系统之系统方法对杀伤网的韧性进行建模[14]。除了杀伤链之外，还存在其他军事决策模型。最常见的是“观察-判断-决策-行动”循环的迭代概念（图2）[15,16]。Johnson等人展示了如何将观察-判断-决策-行动循环映射到杀伤链[5]。尽管这些模型为军事决策者提供了一些分析杀伤链的工具，但每种方法都针对任务建模的特定方面。我们致力于建立一个统一的数学框架，以协助决策者处理任务规划的多个方面，包括可视化杀伤链、评估薄弱点、计算成功概率以及进行不确定性量化。

典型杀伤链的另一个衍生是网络杀伤链。由洛克希德·马丁公司于2011年创建，该杀伤链是分析网络空间内恶意威胁行为体的特定框架[17]。网络杀伤链中的任务包括侦察、武器化、投送、漏洞利用、安装、指挥与控制、以及对目标采取行动。先前的研究侧重于探索网络杀伤链的技术层面，并对其设计提出批评[18,19]。从这些研究中，标准杀伤链与网络杀伤链之间呈现出两个区别。首先是杀伤链由任务规划者创建，而网络杀伤链则作为网络安全专家的分析模型。也就是说，网络杀伤链是一个恶意行为体可能使用的广泛的、理论性的任务框架。此外，并非每个网络攻击者都会在其任务中使用每一个任务步骤，相比之下，在标准杀伤链中，每个任务步骤必须顺序执行并成功完成，整个杀伤链才能成功。近期关于网络杀伤链的研究已开始探索如何将人工智能融入每个任务步骤的分析中，并预期威胁行为体将使用人工智能来执行相同的任务步骤[20]。

可靠性工程的核心是估计系统在特定时间段和特定条件下失效的概率[21,22]。故障树分析是一种利用框图来估计系统可靠性的分析工具[23,24]。任务工程与可靠性工程之间存在明显关联。然而，可靠性工程是范围更窄的实践，通常侧重于具有特定目标的特定系统，即估计故障概率，而任务工程范围更广，侧重于系统之系统的集成[25]。类似地，对杀伤链建模与故障树分析密切相关，但先前工作已证明直接将故障树分析应用于杀伤链的局限性[26]。可靠性工程和故障树分析的概念应在适用的地方整合到任务工程和杀伤链分析的部分环节中。特别是，估计系统故障率的方法可用于估计本工作中所提出模型的参数。

本研究概述了适用于杀伤链的一种通用且灵活的数学表述。其核心概念是，将杀伤链中的每个步骤建模为一个随机变量，其结果要么是事件成功，要么是事件失败。如果事件成功，链可以推进到下一个事件。如果事件失败，链终止并被视作失败。更具体地说，每个事件被建模为一个具有成功概率的伯努利随机变量。该概率模型的目标是估计杀伤链成功的概率，这意味着链中的每个事件都成功。该概率表述还允许进行更深入的分析，例如计算链成功的方差以及链中成功事件的平均数量。所提出的数学框架具有足够的通用性，可以对广泛的杀伤链进行建模，并融合了来自马尔可夫模型、随机过程、贝叶斯建模和蒙特卡洛模拟的概念。

这些概率模型在一个F2T2EA杀伤链上进行了演示。这是一个常见的杀伤链范式，由六个步骤组成：(1) 发现对手，(2) 锁定对手位置，(3) 跟踪对手，(4) 瞄准对手，(5) 使用武器与对手交战，(6) 评估对对手造成的损伤。除了提出的数学框架，我们还开发并公开发布了MIMIK（杀伤网任务图示与度量界面）软件包1，该软件包使用所提出的数学框架作为底层模型。MIMIK能够加载、操作和可视化杀伤网。它还能够执行蒙特卡洛模拟和计算度量指标。第3节中的用例使用MIMIK进行了数值实验。这些实验用于验证数学模型、展示其能力并说明MIMIK的实用性。

本研究旨在解决如何构建能够在高风险、模糊情境下接受训练并复现人类专业知识、且值得信赖的人工智能系统。通过开发“关键决策者属性”（KDMA）框架，我们将使人工智能能够在战场伤员分诊等任务中达到专家级水平——此类任务中扩展人类专业知识可节约人力并降低成本。该框架的成功开发将使军方与民用部门能够将稀缺的人类专业知识延伸至最危险、高风险、资源密集的环境之中。

此项工作结束时，将完成KDMA框架的开发，并通过人工智能原型系统进行验证，展示“封装的专家知识”的实现。该技术使国防部门能够将人类水平的专业知识扩展应用于高风险任务，使人工智能在战场伤员分诊、无人机操作及其他关键作战或支援任务等场景中，能够以获得专家信任的方式部署。其国家安全影响十分重大：通过在人力成本最高、专业经验最稀缺的领域扩展专业知识，国防部门能够以更少的人力资源应对广泛挑战，同时保持作战优势。通过与国防部优先事项一致的测试与演示，将展示KDMA框架的有效性及其可部署成熟度，确保作战人员能够在整个战场范围内依赖可信赖的人工智能系统。

世界正处于一场决定性技术革命的前夕：人工智能的崛起，这可能是人类历史上最新、且迄今影响范围最广、最具影响力的通用技术。 与其前身工业革命类似，由此产生的变革将在决定国家命运和重新洗牌全球力量格局中发挥重要作用。认识到这些趋势，美国政府已采取关键步骤以确保在人工智能技术栈关键环节的领导地位。但如同半导体芯片、训练运行和数据中心一样重要的是，美国一直未能认识到关于人工智能与国家竞争力的一个更重要的真相。本分析认为，美国政策制定者需要开始更严肃地思考人工智能时代国家优势的更广泛社会基础。引领这个时代的国家将不仅仅拥有最佳的人工智能模型。它们将采取必要步骤——包括将人工智能应用于数十个社会目标——使其社会更具竞争力。本研究报告认为，归根结底，人工智能的竞争挑战本质上是社会性的，而非技术性的。

结论基于三条相互交织的研究与分析路径。首先，在兰德公司先前关于国家竞争特质研究的基础上，回顾了大量关于工业革命源起与后果以及更广泛技术革命史的文献。其次，研究了当前关于人工智能可能的经济、社会、政治和军事影响的众多文献。第三，使用当时领先的三个生成式人工智能模型的公开版本——Claude、ChatGPT 和 Gemini——作为顾问，就各种问题征询其评估。为构建社会优势的概念框架，借鉴了一项为期三年的兰德公司为五角大楼净评估办公室进行的研究，该研究确定了在长期竞争中对于成功至关重要的社会特质。该研究提出了七大社会特征以及一系列在塑造国家命运中发挥超常作用的其他重要因素。这些特征构成本出版物的框架；七个章节分别评估了人工智能与这些国家特质之一的交叉点。

结论与建议

本分析提供了数十项关于人工智能如何为国家优势带来巨大机遇，同时也将颠覆和挑战社会的发现。分析强调了四个总体主题：

• 技术革命具有强大的地缘政治冲击波。一些国家会繁荣，一些会落后，但广泛的技术转型是一个国家在大战略层面可能面临的最深刻挑战之一。
• 人工智能时代的竞争优势不仅来自掌握人工智能的狭义技术——数据中心、算法、模型和半导体——还来自该技术更广泛的社会整合与效应。国家的繁荣程度，取决于其社会为新技术扩散和应用提供肥沃土壤的程度，以及其能够控制和塑造转型效应以维持健康、连贯、稳定社会的程度。在人工智能时代取得成功，与其说是技术挑战，不如说是社会挑战。
• 人工智能革命将冲击本已不稳定的社会、经济和政治环境；从国家活力和竞争力的角度看，最核心的问题是，社会是利用人工智能来缓解这些日益增长的危险，还是任由其加剧这些危险。人工智能与这一更广泛转型的互动方式——是最终赋能于人道的、向后工业化组织模式的稳定过渡，还是进一步分裂和动摇正在经历这一演进的社会——将在决定人工智能是起到支持性还是破坏性作用方面扮演关键角色。
• 人工智能与人类能动性的关系不仅是道德、政治和哲学问题，也对国家竞争优势具有深远影响。人工智能对人类能动性的影响与活力、凝聚力、团结、意志力、机会、智力能量以及所有其他构成持续竞争优势的要素密切相关。

更具体地说，阐述了人工智能对构成国家竞争力所必需的七大社会特征中每一项的影响。在每一个领域，人工智能都有潜力提供巨大的新能力，但也威胁着凝聚力和活力的社会基础。分析详细讨论了每一项特征，并得出许多具体启示。示例性发现包括：

• 国家抱负、意志力和共同认同对长期优势至关重要，其命运将深受人工智能革命特点的塑造。即将到来的转型可以强化这些特质，灌输新的国家使命感，但前提是它对社会的广泛影响倾向于赋能公民并营造共享利益感。国家凝聚力在人工智能革命中面临考验。
• 人工智能模型在个体机会的规模和性质上具有带来变革性进步的潜力。但如果没有明确的政策来塑造其发展以实现广泛赋能，它将不会以公平的方式产生这种效果。
• 人工智能模型，特别是人机交互聊天机器人的普及，将对人类社交互动产生不可预测且可能戏剧性的影响。广泛使用聊天机器人式工具作为人际互动的替代品，可能深刻威胁社会资本、公民社会机构以及其他集体认同和规范建立的源泉。在某些情况下，人工智能模型可能会越来越多地自主行动以塑造社会场景。
• 人工智能通过其催生的加速增长及其他方式产生的财政和预算效应，可能通过减轻现有债务负担并为一系列重大新国家项目开辟空间来赋能国家。
• 人工智能与组织改革的未来——在高效治理将成为主要差异化因素的时代，这是一项关键优先事项——深度交织。人工智能有潜力极大推动工业时代官僚形式亟需的精简，但如果不加以有意识的管理，同样可能轻易产生相反效果——加剧公民对大型组织和流程的疏离感。
• 人工智能对智识和认知环境的影响将对国家竞争优势产生重大影响。机遇在于催生新的智力活力浪潮，并缓解信息环境的碎片化。风险在于人工智能将进一步败坏共享的信息生态系统，并产生认知卸载，使公民依赖模型替他们思考。

最后，建议在八个领域开展重大倡议，为人工智能时代的社会竞争力奠定基础。第十二章详细描述了这些倡议，并提出了落实每项倡议的具体建议。它们分别是：

• 构建公共部门人工智能能力。
• 培养相关人才。
• 催化推动在全社会扩大机会的人工智能应用。
• 发起国家运动以保障自主能动性。
• 资助一个智力发现的新时代。
• 利用人工智能和针对性法律改善信息环境。
• 将人工智能与机构改革相结合，以精简并提高公共部门官僚体系的效能。
• 创建预见性的人工智能远见与战略职能。

这一广泛而雄心勃勃的议程，无异于一项实现国家深刻转型的方案菜单，既是对人工智能新兴工具的回应，也是对其的运用。人工智能革命正值社会经济深刻动荡之际，这一事实使得变革的需求更加紧迫且充满挑战。这种惊人的新技术提供了惊人的潜力，可被用于这样的复兴进程。但必须下定决心，深思熟虑且有效地利用人工智能来实现这些结果。这些优先事项中的许多项，都可归结为一项广泛的努力，即利用人工智能来增强而非损害人类的自主能动性。那些引导人工智能革命，使其效应朝着赋能、能动性和尊严方向发展的社会将会表现出色。而那些让人工智能叠加在去权化和掠夺性的力量与制度之上，从而剥夺人们更多能动性与尊严的社会，将遭受非常真实的长期竞争劣势。

国家复兴的必要性尤其令人生畏，部分原因在于，要真实而持久地实现它，需要社会各层面的行动，而不仅仅是政府行动的形式。兰德公司关于国家竞争力的研究——尽管强调有效的公共机构和积极的国家在为竞争优势创造条件中的作用——但倡导的是草根的、自下而上的、实验性的和涌现性的努力，而非计划的、强制的和官僚化的努力。美国社会面临的问题不仅仅是美国政府是否会应对其面临的挑战。更是美国社会是否会以许多独立且相互支持的方式去应对。为如此广泛的复兴设定背景，美国领导人需要构想成功的愿景，并确定一系列初步行动，以便在人工智能革命可能展开的许多不同方面，为美国社会奠定竞争优势。本分析旨在提供一个理解这一挑战的框架，以及启动这一深远议程的一套初步实用政策思路。

由军事决策支持系统提供的态势感知受限于缺乏有效的信息不确定性显示方法，这可能妨碍后续的指挥控制决策。本研究提出一种方法，旨在通过在一个利用战术感知工具包上显示的通用作战图的人工智能赋能辅助目标识别应用案例中，表征信息不确定性，来评估态势感知及后续指挥控制决策如何得到改进。一个集成TAK的“OneSAF”解决方案被用于在具有不同信息不确定性条件的实验中，模拟和评估用户的态势感知与指挥控制决策效能。

军事领导者在战场上面对复杂挑战，需要他们做出困难且及时的决策。为了支持这种决策的有效指挥控制，来自不同数据源的信息被融合到军事决策支持系统中，并呈现在通用作战图上。通用作战图通过呈现信息为指挥官提供态势感知，这是理解战场态势和做出有效决策的关键要素。输入现代通用作战图的一个关键数据源是辅助目标识别输出，其中基于人工智能的目标检测模型用于分析来自传感器的数据，以识别和辨认潜在的目标对象。辅助目标识别输出可以显示在通用作战图的地图可视化界面上，并用标记来指示感兴趣对象的位置。通用作战图的信息显示能力包括例如识别、指定目标并为动态目标分配武器。通用作战图所提供的增强的态势感知可以提升指挥控制系统性能和任务效能。然而，当前的通用作战图尚未能传达与人工智能模型预测相关的目标检测模型输出不确定性。

通常，通用作战图的效能受限于多种因素，包括为便携性而显示在小屏幕上、界面设计可能不够用户友好，以及提供的态势感知功能不足。我们关注于因缺乏显示信息不确定性的标准有效方法而产生的态势感知缺陷。有几种类型的不确定性与通用作战图相关，包括对对象精确位置及其分类的不确定性。我们关注后者，因为人工智能赋能的辅助目标识别并非最终确定地对对象进行分类，而是提供一系列带有相关概率的可能性。在不了解与对象身份相关的不确定性的情况下操作，会损害态势感知。我们假设，在通用作战图中纳入不确定性信息将改善指挥官和战场决策者的态势感知和决策。

例如，一名排长可能正在决定是否对人工智能赋能的辅助目标识别分类为“最可能为班规模”的敌方单位发动攻击。然而，如果该排长了解到，尽管该单位最有可能是步兵班，但辅助目标识别也赋予了其是规模大得多的敌军排级单位的可能性，那么他可能会做出不同的决策。如果对敌方单位的规模和构成存在高度不确定性，排长可能会选择不与之交战。因此，如果通用作战图能有效地传达此类信息不确定性，将有益于态势感知和决策。存在多种分析态势感知的方法，但据我们所知，尚无方法探讨信息不确定性的显示与态势感知之间的相互作用。

仿真是评估在通用作战图上表示信息不确定性之益处的一种可能途径。借助“OneSAF”等工具，可以以最小成本和几乎零风险估算当战场态势要素变化时可能产生的替代性战场结果。据我们所知，目前尚无解决方案可将仿真工具的输出可视化在数字通用作战图上，以便对指挥控制系统性能至关重要的设计方面/要素进行便捷、严格的评估。如果军事领导者能在其用于决策的通用作战图上模拟战场想定，他们将能更好地理解不同行动的后果，且几乎不承担任何风险。此外，使用相同的通用作战图来可视化不确定性，有可能提高态势感知和战场效能。

本研究在此有两方面贡献。开发了（1）一种将陆军仿真工具的结果集成到现代且广泛部署的指挥控制系统的通用作战图中的方法，以及（2）一种新颖的方法论，用于评估信息不确定性的可视化如何改善态势感知，特别是在人工智能赋能的辅助目标识别应用案例中。利用“OneSAF”来模拟逼真的地面部队，作为通用作战图的输入。然后，集成不确定性的表征，并测量其对用户态势感知和决策的影响。这些贡献将确保未来在不同战术场景下评估的可重复性，并使通用作战图能够有效显示信息不确定性，从而实现更知情、更有效的战场决策。

在当今及未来的冲突中，争夺战略优势的斗争不仅在战场上展开，更在人类心智中进行。各国都认识到，影响信念、行为以及指挥控制结构，其决定性不亚于控制物理地形或基础设施。新技术的涌现正在放大既有风险。十年前，俄罗斯的“小绿人”部队是欺骗行动的先锋。如今，人工智能、机器学习、深度伪造、生物技术与人体机能增强等颠覆性技术，正极大增强对军事和民事领导层施加影响、实施欺骗和制造认知过载的能力——从而提升了此类行动的规模、精度和效能。

我们所处的世界本质上是动态的，而人类感知的基础在于适应这种持续变化的能力。**时域适应（Temporal Adaptation）被认为是支持这一能力的核心机制之一，它指神经元响应根据输入视觉信号的时间结构所进行的调整。尽管时域适应已得到广泛研究，但关于其如何塑造神经响应并影响感知的关键问题仍有待解决。 在本论文中，我们结合神经与行为测量方法，考察了时域适应如何塑造跨皮层区域动态视觉输入的表征，以及这些自适应过程如何影响人类在退化环境中识别目标的能力。此外，我们利用计算模型（Computational models）识别了时域适应背后的潜在机制，从而深入揭示了神经环路如何随时间实现自适应处理。 研究结果表明，时域适应以区域依赖（Area-dependent）和刺激依赖（Stimulus-dependent）的方式塑造了整个视觉层级结构的神经响应，这暗示了时域适应针对不同视觉区域的功能特化进行了调优。在感知层面，我们证明了时域适应增强了在视觉噪声等挑战性条件下的物体识别能力，凸显了其在输入退化时稳定感知的关键作用。此外，通过计算建模，我们揭示了不同时域适应机制之间的功能差异，表明这种适应源于自下而上（Bottom-up）与自上而下（Top-down）**过程之间的相互作用，且涉及单个神经元及更广泛的神经环路。 总体而言，本研究深化了我们对视觉系统如何利用环境中的时间结构，从而为动态感官输入构建稳定且高效表征的理解。

本文探讨军事物联网与战场物联网的概念基础，审视近期冲突中的关键战场经验教训，并提出二十项面向未来的军事物联网/战场物联网创新应用构想。每项构想均附有简明描述及其作战优势与局限。文章最后为条令制定者、兵力设计者及科技界提供建议，以指导军事物联网/战场物联网负责任且有效地融入未来兵力结构。

在数字、信息物理及自主技术快速进步的推动下，战争形态正在经历深刻变革。尽管战争的性质——以不确定性、暴力和政治目的为特征——保持不变，但武装力量感知、决策与行动的方式正日益受到人工智能、泛在感知、自主系统及人机融合的塑造。此变革的核心是军事物联网与战场物联网的出现，它们将传感器、平台、武器、后勤系统及人类操作员连接成分布式、自适应的网络。近期冲突——最显著的是乌克兰战争，以及中东和其他地区的冲突——既展示了物联网赋能作战的前景，也暴露了其脆弱性。低成本无人机、商业卫星服务、基于智能手机的指挥控制以及临时组建的传感器网络，提供了前所未有的态势感知能力和战术灵活性。同时，对手已有效利用电子战、网络攻击、动能打击和信息作战来破坏或削弱这些网络。这些经验强调，防务力量需要发展具有韧性、务实且基于伦理的军事物联网/战场物联网概念，这些概念在集成先进技术的同时，不应忽视陆地作战的持久挑战，包括地形、后勤、士气和人类决策。