引言

2022年美国《国防战略》指示美国国防部（DoD）采取紧急行动，以增强美军应对大国对手步调挑战的能力[1]。这些挑战削弱了美军在作战环境中的信息优势，破坏了美军联合部队在所有领域的机动能力[2]。在空中领域，对方扰乱、拒止和降低为美军空中作战提供信息的数据之能力，将威胁其实现战术空中优势的作战要务，以及其在战斗空间前沿成功夺取制空权的未来作战概念。为此，美军认为采用人工智能（AI）驱动的空中力量平台进行人机协同（HMT），例如被称为协同作战飞机（CCA）的无人、自主“机器人僚机”飞机，将能夺回信息优势。CCA的运用旨在通过从质和量上优化美空军操作员的观察、判断、决策和行动（OODA）循环与目标瞄准周期，从而缩短杀伤链并扩展空中领域的杀伤力。

然而，人机协同的优化取决于人对数据的问责，即人类对CCA用于自主执行战术决策的数据拥有所有权、理解力及实施能力。在未来作战环境中，数据将成为人类对CCA的指挥与CCA算法对战斗空间产生影响之间的关键枢纽。为了使联合部队在未来面临威胁运用CCA时处于最佳准备状态，美国防部须考虑新的标准，以确定其下一代关于机器人僚机的战备状态报告——即CCA数据的战备状态。

本文将推荐一种CCA数据战备工具，该工具能根据数据标准评级，快速告知指挥官其承担风险的水平，并以该工具在认知电子战（CEW）CCA上的应用作为示例进行说明。本文还将建议在人员、政策和技术方面的投入，以优化每项数据战备标准。

自主武器系统（AWS）的“黑箱”挑战

自主武器系统是未来战争的变革性技术。自主武器系统“一旦激活，无需进一步人工干预即可选择和攻击目标”的渐进式发展，已导致人类操作员逐渐远离关于使用武力的即时决策[3]。这种人与机器的互动通过将一种人类推理无法企及的代理权赋予自主武器系统，从而使人工智能武器化。虽然许多计算技术被归在“人工智能”这一术语之下，但军方目前正在开发的自主系统属于“狭义人工智能”范畴。

狭义人工智能应用的核心是机器学习（ML）算法，这些算法是数据饥渴型且依赖数据的[3]。自主武器系统对机器学习算法处理数据的依赖，为指挥官在战场上使用它带来了一个根本性问题。当今的机器学习算法处于一个黑箱之中，无法解释或保证某些行为。这个问题引发了一个重要疑问——如果指挥官不知道系统的决策过程，如何能为其使用自主武器系统合理地负责？幸运的是，自主武器系统当前的黑箱行为并非既定事实，指挥官不必勉强接受其为未来作战和信息优势所必需。

为进行风险校准而对机器的信任问题，以及为自主武器系统的合乎伦理的运用而需保持的“有意义的人类控制”之程度，并非新议题。随着武器系统在技术上日益复杂，关于机器信任和有意义的人类控制的研究在实际应用中也得到了增长。从过去自动武器的运用和有意义的人类控制研究中获得的经验，为思考未来战场指挥官对自主系统的信任和风险评估奠定了宝贵基础。

应用于自主武器系统的有意义的人类控制

自主性和自动化“早已被整合到防空系统的关键功能中，用于探测、跟踪、排序、选择并可能打击来袭的空中威胁”[3]。在其“自动”模式下，防空系统一旦探测到威胁便会自主部署对抗措施；然而，人类操作员处于“在回路中”，使其能够监督系统行动并中止攻击。在此情况下，人类操作员保持态势感知，并对指挥模块选择和排序目标的参数有足够深入的了解。然而，为了剖析自主防空作战中值得注意的问题，理解通过人为因素研究所发现的有意义的人类控制的三个维度是有益的——通过武器设计实现的技术维度、限制武器使用的条件维度，以及定义可接受人机交互的决策维度。在运用自主系统以达到合乎伦理的有意义的人类控制水平时，必须综合考虑所有这三个维度。

在防空系统的案例中，有意义的人类控制的妥协导致了多起严重的友军误击事件，尤其是在人机交互维度。例如，涉及“爱国者”系统（一种“人在回路”防空系统）的一系列误击事件，被归因于过度信任使得该系统成为事实上的全自主武器[4]。对自主防空系统造成这些友军误击事件的彻底分析，识别出以下挑战：自动化偏见或过度信任、缺乏对系统的理解、缺乏态势感知、缺乏决策时间、缺乏人类专业知识、训练不足以及在高压作战环境下操作[3]。

随着自主性提高，用户警觉性的丧失与系统自动化程度的增强及其感知到的可靠性成正比，导致“自动化悖论”[4]。尽管在误击事件中已识别出“爱国者”系统“自动”模式下存在有意义的人类控制问题，但陆军对“爱国者”部队的战备状态评估，作为其“爱国者”系统资本重置计划的一部分，仍然只与其维护要求和设备更换率挂钩[5]。不幸的是，自主作战在未对其数据驱动的自主算法进行适当风险考量和战备评估的情况下不断增加，导致了人类控制形同虚设的作战，成为一种不幸但却仍被视为恰当的使用武力。

人机协同与有意义的人类控制的结合

这种勉强接受风险的状态不仅与未来自主武器系统的合乎伦理运用不相容，而且在作战运用中对优化人机协同构成了挑战。自动化的兴起需要对人与自动化系统之间的信任进行重新概念化。对系统信任不足会导致其使用不足，而过度信任则会导致自满和监控不力[6]。由于信任不足和过度信任都有问题，恰当的信任校准对于有效的人机协同和风险评估至关重要。日益增长的自动化导致了一种新的人机协同范式的出现[7]。在此范式中，机器是人类队友，拥有可被利用的创新能力，而非需要补偿的负担。为了确定人类如何能恰当地校准对未来自主武器系统的信任以最好地促进人机协同，有必要研究如何将有意义的人类控制模型应用于指挥官对具有自主特征的作战武器系统的信任校准[3]。

人为因素研究揭示了影响人类与自动化系统人机协同的三个关键变量：(1) 人类信任方、(2) 自动化机器受托方，以及 (3) 交互发生的环境[6]。这些变量嵌套在自主武器系统有意义的人类控制的技术、条件和人机交互这三个维度之中。有意义的人类控制的技术维度代表了机器的系统因素，包括物理系统属性和性能因素。有意义的人类控制的条件维度包括环境和情境相关因素，涉及团队协作和基于任务的因素，如任务类型和复杂性。有意义的人类控制的最后一个人机交互维度代表了人类信任方，阐明了人类对其在与自动化系统协同工作中所扮演角色的理解。

为了让人类操作员重获对自主系统的有意义控制，从而能够恰当地校准对运用具备战斗准备的机器人僚机的信任，必须满足以下三个先决条件，这些条件将人为因素变量和有意义的人类控制维度应用于协同作战飞机[3]：

1. 对目标瞄准系统如何运作有功能性的理解（与“技术维度”相关的“自动化机器受托方”变量）。
2. 具备足够的态势理解（与“条件维度”相关的“环境”变量）。
3. 具备审查机器目标瞄准决策的能力（与“人机交互维度”相关的“人类信任方”变量）。

作战人员与自主武器系统之间的优化协同始于优化的人对数据的问责，而这取决于上述三个人机协同人为因素变量与有意义的人类控制的三个维度——技术、条件及人机交互的结合。

协同作战飞机在认知电子战任务中的应用

在空军内部，协同作战飞机将是未来的空中领域自主武器系统，能够与有人平台自主协同飞行，以针对威胁测试人机协同概念[8]。协同作战飞机将利用自主性、人工智能和机器学习，在高对抗环境中针对敌方空中威胁呈现强大的空中力量。这些忠诚的机器人僚机可以与人类操作员协同，通过卸载数据分析任务（例如建议飞行走廊、测绘目标和制定恰当的行动方案）来实现[4]。此外，为了提高有人平台在高度对抗、杀伤力强且充满反介入/区域拒止（A2/AD）能力的环境中的生存能力，协同作战飞机还可以饱和对手防御体系，或自主实施动能打击。

尽管协同作战飞机被设计用于执行多种任务组合，但本文将推荐协同作战飞机数据战备标准，用于评估指定用于认知电子战（CEW）的协同作战飞机。它将使用战术性、前沿部署的认知电子战协同作战飞机作为案例研究，以应对协同作战飞机在挑战优化人机协同时可能面临的最基本威胁——针对其数据的效应。电子战（EW）利用电磁频谱（EMS）来产生对抗敌方使用电磁频谱的效应。下一代电子战是认知电子战武器系统，其使用人工智能和机器学习，将涉及探测、信号分类、预测敌方电子战战术以及执行对抗措施的电子战决策自动化。由于电磁频谱的机动自由能带来动能机动自由，未来战争将在电磁频谱领域决定胜负，这使得认知电子战协同作战飞机在潜在冲突中至关重要。

直到最近，电磁频谱威胁的变化速度并不快，因此电子战集成重编程（EWIR）过程可能需要数月时间来重新配置作战飞行程序[9]。然而，对手电子战能力已迅速发展，应对这些能力所需的更新速度超过了电子战集成重编程体系能够实现的速度。解放军的战略家坚持通过电子战，运用“隐真示假”的欺骗策略，影响数据以误导美军操作员，从而确立其对美军资产的电磁频谱优势[10]。

因此，美国正在发展的新型认知电子战协同作战飞机能力，其数据必须可访问、安全且配置恰当，以达成预期的战场效应。尽管存在此需求，指挥官们却缺乏一种战备状态报告工具，用以基于驱动其行为的数据之战备状态，评估认知电子战协同作战飞机履行其预期能力的准备程度。此外，指挥官们既没有一种方法来量化其运用机器人僚机所承担的风险程度，也没有一种方法为其协同作战飞机运用决策提供伦理问责。

必须构建“具备战斗准备的数据”这一作战概念，以优化与未来认知电子战协同作战飞机的人机协同，从而在战斗空间前沿快速生成电子战效应。由于联合部队指挥官目前缺乏能力来恰当判定，驱动认知电子战协同作战飞机的数据是否能在不被破坏或向己方部队引入模糊性的情况下，实现其拒止敌方目标的预期效果，因此应使用以下七项标准，结合有意义的人类控制维度和人机协同因素，来评估数据的战备状态：

1. 技术维度内的数据安全。
2. 技术维度内的数据可信度。
3. 技术维度内的数据架构。
4. 条件维度内的数据理解。
5. 人机交互维度内的数据可访问性。
6. 人机交互维度内的数据可见性。
7. 人机交互维度内的数据互操作性。

这七项标准不仅是2022年国防部数据战略的促成目标（如图1所示），而且在应用于数据驱动的认知电子战协同作战飞机时，也有其独特的理解角度[11]。

图1. 国防部数据战略的愿景、原则、能力与目标（来源：美国国防部[11]）。

图2展示了所提出的、用于自主武器系统合乎伦理运用的有意义的人类控制维度、用于自主武器系统优化作战的人机协同因素，以及2022年国防部数据战略中关于协同作战飞机数据战备的数据目标之间的相互关系。这些概念必须应用于未来协同作战飞机的使用，以确保指挥官在协同作战飞机运用对实现军事目标的代价方面，能够合乎伦理地承担责任并基于风险信息做出决策[12]。

图2. 有意义的人类控制、人机协同与数据目标相互关系图（来源：C. Hayhurst, C. Covas-Smith, and P. Harris）。

有意义的人类控制的维度

有意义的人类控制具有三个维度——技术维度、条件维度和人机交互维度。图2重点说明了特定的人机协同因素和2022年国防部数据战略中的协同作战飞机数据战备目标如何嵌套在这三个维度之内。

技术维度

有意义的人类控制的第一个维度是技术维度，由数据安全、数据信任和数据架构定义。这些因素对于描述影响人类对自动化系统信任的机器变量至关重要。

数据安全

在2020年国防部数据战略中，国防部首席数据官（CDO）负责统管国防部的数据管理工作，以确保整个部门满足数据安全标准[11]。2020年国防部数据战略中推荐的数据安全方法是细粒度权限管理，其使用身份、属性和权限，通过公钥密码学来管理对数据的访问。然而，一旦具备密码分析相关能力的量子计算机可用，公钥算法将容易受到对手攻击[13]。

量子计算系统威胁着当前为互联网商业和通信提供基础的加密机制。主要大国在其量子技术研究和投资上已大幅增加。中国公司在量子密码学专利方面占据主导地位，并且中国在已展示的最大规模量子密钥分发网络方面处于领先地位[14]。采用后量子密码学（PQC）保护数据的协同作战飞机可提供最佳的数据安全保障[15]。因此，符合后量子密码学安全标准特征的协同作战飞机数据，能使指挥官在数据安全标准下承担最低的任务风险。

数据信任

数据信任是影响协同作战飞行器（CCA）人控机制（MHC）技术维度的下一个因素。2020年《国防部数据战略》将可信数据描述为其在整个生命周期中均具有适当标签和谱系元数据的数据[11]。这些行动因数据质量得到提升而增强了用户对数据的信心，这对支持作战决策至关重要。首席数字与人工智能官（CDAO）在2023年《国防部元数据指南》中进一步明确了元数据治理[16]。该指南假定国防部各组织“将在数据创建与存储之间最合适的时机应用元数据，并在数据资产的整个生命周期内维持标签”[16]。可信数据是指具备支持搜索与发现、访问控制、关联、审计、记录管理和保护等元数据功能的带标签数据。遵守国防部元数据指南使用数据的协同作战飞行器，能为指挥官在数据信任方面带来最低风险。

数据架构

技术维度的第三个要素是数据架构。对于网络电磁作战（CEW）协同作战飞行器，一个强大的数据架构将能够快速评估协同作战飞行器的运用效果，以确定其对手信号转译和对抗措施决策的有效性。美国空军将部署的、满足此要素的数据架构是“先进作战管理系统”（ABMS），该系统作为国防部联合全域指挥与控制（JADC2）工作的一部分，允许数据在多个平台间共享[17]。

先进作战管理系统数据架构的成功，依赖于严格遵守能提供通用应用环境和一套灵活协议的数据标准[18]。该架构将为协同作战飞行器及其人类操作员提供可在战略层面和战术边缘使用的全部数据，从而能够在最适用于协同作战飞机器作战的位置，用相关数据满足指挥官意图。此外，强大的先进作战管理系统架构将通过基于人工智能/机器学习（AI/ML）的分析，以预期间隔感知和合成数据，在协同作战飞行器进入降级或被拒止的反介入/区域拒止（A2/AD）环境之前，为其提供尽可能相关和准确的数据威胁图景。

为提升自身信息处理的速度与质量，其他大国也在其信息化和智能化战争概念下推行“系统簇”网络[2]。美国国防部高层领导人预期，胜利终将属于能比对手更快、更准确地感知和分析数据从而获得决策优势的一方。在先进作战管理系统内部，立即按照通用数据标准标记、编目并安全存储的数据，能够优化协同作战飞行器在人机组队（HMT）结构中的潜力，为指挥官在数据架构标准上带来最低风险。

条件维度

人控机制的第二个维度是条件维度，由其操作环境内的数据理解所定义。数据理解体现为嵌入协同作战飞机器算法中的物理限制，这些限制约束了网络电磁作战行动的时间、地点和瞄准。网络电磁作战协同作战飞行器的成功，取决于其对作战环境条件的理解，而这种理解将不可避免地陷入战争迷雾之中。

尽管协同作战飞行器的行动范围受其算法输出约束，但它必须能够在缺乏明确背景的环境中使用。关于协同作战飞行器如何理解其操作环境的关键问题是：如何训练一台机器去怀疑其输入乃至其自身训练数据的真实性？

欺骗的概念与人工智能作为一种快速编译和分析数据的方法是相悖的。在开发协同作战飞行器的数据检查和处理周期时，必须考虑同时包含真实和虚假输入的数据饱和环境。能够检测欺骗的强大数据理解能力，对于对抗大国这样人工智能先进的对手至关重要；协同作战飞行器标准化的对抗措施电子战战术一旦被发现，将不可避免地为对手运用欺骗手段创造机会[19]。换言之，网络电磁作战协同作战飞行器必须能够识别引入的受损传感器正在向其提供的污染数据。

减轻此漏洞的一种方法，是通过网络电磁作战协同作战飞行器内置的人工智能裁决机制，通过可变有效性测试来确定何为欺骗、何者非欺骗。然而，将这些测试标准化将为对手欺骗测试机制提供机会。

提升协同作战飞行器数据理解能力的另一项中等风险选择，是派遣可召回的后方电子战专家，包括工程师、电子战军官、作战系统军官和武器系统军官，来分析网络电磁作战协同作战飞行器在何时、何地、以多快的速度检测到环境中的电子战变化，以及其波形对抗措施是否成功。与驻地的专家相比，部署在前沿的电子战专家因其靠近战场前沿边缘而更具优势。这将使他们能够在不依赖脆弱数据链的情况下，直接将具有战术相关性的更新信息传送给协同作战飞行器。人类操作员离协同作战飞行器越近，为调整协同作战飞机器算法以基于最准确信息行动所需的保障工作就越容易，从而为指挥官在数据理解标准上带来最低风险。

人机交互维度

人控机制的第三个维度是人机交互维度，由数据可访问性、数据可视性和数据互操作性所定义。

数据可访问性

数据可访问性是指获取数据以执行协同作战飞行器任务的能力。数据必须至少对授权指挥官及时、相关地可见且可访问。通过拥有访问驱动协同作战飞行器数据的权限，指挥官能够评估这些数据在驱动网络电磁作战协同作战飞行器系统方面的可靠性。当数据对使用协同作战飞行器的战区指挥官，以及参与提供协同作战飞机器数据并评估其在事后研究中的数据使用的相关社群（COIs）都可访问时，数据可访问性风险就会降低。这些相关社群范围广泛，从驻地的军种情报机构到战区内部署的电子战专业人员。对所有指挥层级和利益相关方的数据可访问性，在数据可用性标准内提供了最低风险。

数据可视性

人机交互维度的第二个因素，即通过数据接口实现的数据可视性，对人机组队（HMT）的质量有显著影响。当前飞行员与协同作战飞行器原型机交互的演示，利用手持平板电脑在飞行员与机器之间发送和接收作战数据[4]。供给协同作战飞行器算法并通过协同作战飞行器任务执行所呈现的数据，理想情况下应与空军未来的先进作战管理系统基础设施集成[20]。然而，为供给协同作战飞行器的先进作战管理系统数据创建有效的用户界面是一项巨大的挑战，因为预计将收集海量的“传感器到射手”数据[21]。

此外，随着为协同作战飞行器操作提供动力的数据量增长，涌向人类操作员的海量数据可能导致认知过载、自满和警觉性下降[4]。尽管可以设计带有可监控仪表盘或图形用户界面（GUI）的数据接口来缓解这种信息过载，但战术用14英寸平板电脑和计算机上的传统屏幕界面，在向协同作战飞行器人类监控员显示大量实时数据的能力方面存在物理限制。

将人类从用户界面限制中解放出来的一种方法，是通过将协同作战飞行器与神经技术融合，实现人类神经系统与自主机器之间的双向交互。脑机接口（BCI）可将忠诚僚机的控制集成到人类决策过程中，加速其“观察—判断—决策—行动”（OODA）循环，并省去设计协同作战飞行器界面的任务[4]。美国国防高级研究计划局（DARPA）每年在脑机接口项目上投资数百万美元。DARPA最新的非侵入式脑机接口项目是其“下一代非手术神经技术”，该项目“旨在为身体健全的军事人员开发高性能、双向的脑机接口”[22]。该接口使技术能够“控制无人机和主动网络防御系统，或与计算机系统协同，在复杂的军事任务期间成功进行多任务处理”[22]。将脑机接口研究实际应用于协同作战飞行器用户界面，能为授权指挥官在数据可视性标准上带来最低风险。

数据互操作性

评估协同作战飞行器人机交互维度时需考虑的第三个标准是其数据互操作性。有效人机组队的一个关键关切点在于，驱动武器系统的数据是否能在先进作战管理系统更大的“系统之系统”背景下实现互操作。随着先进作战管理系统的演进和扩展，数据互操作性将确保数据流动和连接，从而允许数据支持战场上人类与协同作战飞行器之间的动态任务重分配[7]。数据互操作性通过跨军种（不仅是空军，还包括其他军种）、盟友和合作伙伴使用的通用数据标准实现，并且数据上标有适当标记的可发布性警告。数据互操作性的所有这些要素共同为指挥官在数据互操作性标准上提供了最低风险。

数据就绪度评估工具

表1汇总了全部七项数据标准，以及为网络电磁作战协同作战飞行器数据就绪度分配高、中、低风险必须满足的相应标准。指挥官应使用此工具评估在战场上使用自主武器系统（AWS）时承担的任务风险程度，并理解如何利用每个风险等级描述中包含的人员、政策和技术建议来最好地缓解该风险。该工具通过在所有标准评估中纳入对自主武器系统的人控机制，为指挥官决策提供了伦理层面的问责依据。

表1. 建议的机器人僚机就绪度评估工具（来源：J. Siewert）

人控机制维度	人机组队因素	数据标准	高风险	中等风险	低风险
技术维度	机器	安全性	不符合首席数据官（CDO）数据标准	公钥密码学	后量子密码学（PQC）标准
		信任	不符合首席数字与人工智能官（CDAO）元数据标准	有限元数据应用	符合首席数字与人工智能官（CDAO）元数据标准
		架构	点对点数据馈送	网络化指挥与控制	基于人工智能/机器学习（AI/ML）的先进作战管理系统（ABMS）分析
条件维度	环境	理解	人工智能验证的算法	驻地专业知识	部署的专业知识
人机交互维度	人	可访问性	授权指挥官	空军部数据及电子战（EW）相关社群	国防部（DoD）数据相关社群
		可视性	平台特定用户界面	集成的先进作战管理系统用户界面	神经技术与先进作战管理系统数据集成
		互操作性	满足最低数据标准	数据标准限于任务类型	与先进作战管理系统“系统簇”情境化集成

提议的机器人僚机就绪度评估工具有助于确保协同作战飞行器的运作对授权指挥官而言不是不透明的。与将协同作战飞行器算法驱动的行为视为“黑箱”不同，基于人控机制各维度的数据就绪度评级，使指挥官能够对自主武器系统的行动负责。“低风险”数据标准列为国防部通过自主性与人类干预的伦理平衡来优化人机组队提供了战略方向。

尽管本文以网络电磁作战协同作战飞行器为例探讨数据战备状态，但提出的七项数据标准同样适用于国防部正在部署的其他机器人僚机。在能够产生致命动能效应的进攻性自主武器中，人类控制和验证的选项至关重要。

结论

传统的就绪度报告标准不足以评估国防部下一代机器人僚机的战备状态。评估未来机器人僚机就绪度的合适框架，是通过自主系统人控机制的三个维度，这三者共同刻画了最终驱动自主武器系统作战的数据特性。在提议的协同作战飞行器数据就绪度工具中，在各项数据标准上被赋予最低风险的机器人僚机，能够与其人类僚机实现最优的人机组队。

为实现此数据就绪度工具的愿景，未来的指挥官及其参谋人员需要具备数据素养，以准确评估每项数据标准。数据素养和数字人才不能再局限于特定的空军专业代码（AFSC），而必须成为所有未来空军人员的基础能力。空军必须采用新的就绪度工具，以便合理地让指挥官对在战场上运用协同作战飞行器负责，而国防部可以将空军的工具作为评估各军种自主武器系统的基准。随着国防部拥抱自主武器系统以应对步调挑战，各军种领导人必须探索新的方式来组织、训练和装备其人员，以最好地与其未来的机器人僚机组队协作。正如第26任空军部长弗兰克·肯德尔在2022年就空军和太空军现代化努力向国会作证时所言：“变革是艰难的，但失败是不可接受的。”[23]

参考文献

U.S. DoD. “National Defense Strategy.” Washington, DC: Office of the Secretary of Defense, p. 127, October 2022.

U.S. DoD. “Military and Security Developments Involving the People’s Republic of China.” 2023 Annual Report to Congress, Washington, DC: Office of the Secretary of Defense, pp. 40 and 95, 26 October 2022.

Bode, I., and H. Huelss. Autonomous Weapons Systems and International Norms. London, UK: McGill-Queen’s University Press, 2022.

Rickli, J.-M. “Human-Machine Teaming in Artificial Intelligence-Driven Air Power: Future Challenges and Opportunities for the Air Force.” The Air Power Journal, Fall 2022, vol. 8

Federico_Mantellassi_Human-Machine_Teaming_Air_Power.pdf, accessed on 12 March 2024. United States Government Accountability Office (GAO). “Analysis of Maintenance Delays Needed to Improve Availability of Patriot Equipment for Training.” GAO Report 18-447, Washington, DC, p. 7, June 2018.

Sanders, T. L., et al. The Neurobiology of Trust. Cambridge University Press, chapter 4, pp. 78 and 79, 9 December 2021.

Madni, A. M., and C. C. Madni. “Architectural Framework for Exploring Adaptive Human-Machine Teaming Options in Simulated Dynamic Environments.” Systems 6, no. 4, Spring 2018, pp. 3 and 15.

Air Force Technology. “Collaborative Combat Aircraft.” accessed on 7 January 2024.

Vedula, P., et al. “Outsmarting Agile Adversaries in the Electromagnetic Spectrum.” RAND Report A981-1, Santa Monica, CA: RAND Corporation, p. 5, 19 January 2023.

Clay, M. “To Rule the Invisible Battlefield: The Electromagnetic Spectrum and Chinese Military Power.” War on the Rocks, 22 January 2021.

U.S. DoD. “DoD Data Strategy.” Washington, DC: Office of the Secretary of Defense, pp. 1, 5, and 8, 30 September 2020.

Joint Chiefs of Staff. Joint Publication (JP) 5-0. “Joint Planning,” p. xiv, 1 December 2020.

National Cybersecurity Center of Excellence. “Migration to Post-Quantum Cryptography.” NIST, August 2023.

Stefanick, T. “The State of U.S.-China Quantum Data Security Competition.” Brookings Institution, 18 September 2020.

Cybersecurity and Infrastructure Security Agency. “Quantum-Readiness: Migration to Post-Quantum Cryptography.” Washington, DC, 21 August 2023.

U.S. DoD. “DoD Metadata Guidance, Version 1.0.” Washington, DC: Chief Digital and Artificial Intelligence Officer, pp. 4 and 5, January 2023.

Hoehn, J. R. “Advanced Battle Management System.” Congressional Research Service Report IF11866, vol. 5, 15 February 2022.

National Academies of Sciences. Engineering, and Medicine, Advanced Battle Management System: Needs, Progress, Challenges, and Opportunities Facing the Department of the Air Force. Washington, DC: The National Academies Press, p. 37, 2022.

Tangredi, S. J., and G. Galdorisi. AI at War: How Big Data, Artificial Intelligence, and Machine Learning Are Changing Naval Warfare. Annapolis, MD: Naval Institute Press, pp. 300, 301, 310, and 311, 2021.

Johnson, T. R. “Emerging Tanker Roles and Risks in the Advanced Battle Management System Era.” Wild Blue Yonder, accessed on 15 January 2024.

Wolfe, F. “Effective User Interfaces for ABMS a ‘Momentous Challenge,’ U.S. Space Force Says.” Defense Daily, accessed on 14 October 2023.

Willis, A. “Next-Generation Nonsurgical Neurotechnology.” Defense Advanced Research Projects Agency, accessed on 16 February 2024.

Secretary of the Air Force Public Affairs. “Kendall, Brown, Raymond Tell Congress $194 Billion Budget Request Balances Risks, Quickens Transformation.” U.S. Air Force News, accessed on 13 December 2023.

引用：Christina Hayhurst, Christine Covas-Smith, Patricia Harris. Data-Optimized Human-Machine Teaming With Robotic Wingmen. September 16, 2025. https://dsiac.dtic.mil/articles/data-optimized-human-machine-teaming-with-robotic-wingmen/