为提升城市环境中士兵的态势感知和作战能力，美国陆军研究实验室启动了认知和神经生物工程协同技术联盟研究项目，寻求利用基于神经科学、工程学和心理学等方法将士兵与作战系统融合，利用人工智能和虚拟现实等技术构建“士兵即系统”的新型作战能力，目前已经开展了数字士兵和脑机接口方面的研究工作。
美国陆军构想了这样一种未来城市战场景：步兵正在敌方的火力压制下清理城市建筑，此时无人机探测到附近有一支敌方作战小队正埋伏在墙后。随着美陆军士兵不断清理房间并在敌方火力下逐步转移，士兵们需要迅速获取前方埋伏的敌军信息。这些信息不仅左右着士兵的生命，甚至决定着战争的胜负。如果人工智能系统能够根据无人机和其他高速机动信息源发送的信息快速分析出如敌军位置、武器和从属关系等，并将其传送给士兵，就能够为士兵提供决策优势。
目前，美国陆军虽然从技术上可以实现上述功能，但无法满足战场上高速信息处理需求，而人工智能算法驱动的程序则可以在几毫秒内将最新信息与已有的各种数据库进行对比和区分，以便为士兵提供决策信息。因此，美国陆军研究实验室开展了认知和神经生物工程协同技术联盟研究项目，寻求利用人工智能和自主化技术来大幅提升士兵的决策速度，同时保留人特有的关键决策能力。
1.士兵即系统
未来，在人工智能技术的支持下，士兵使用的各种系统可快速开展程序化功能，并为人的决策提供支持信息，这个决策过程被称为“士兵即系统”，即利用计算机网络和最新算法将士兵操控的各节点无缝集成。未来，美国陆军将利用单一架构来连接士兵的夜视镜、可穿戴计算机、显示移动数字地图和时敏情报数据的手持式设备、各武器站点、声学和光学传感器以及移动电源等装备，并通过各种自动化和人工智能应用程序来提升团队信息共享和决策能力，这将极大改变未来的战术和战略场景，提升士兵的生存能力。
美国陆军研究实验室正在与陆军未来司令部下属的士兵杀伤力跨职能团队合作，以便将士兵即系统的架构概念推广到陆军班组级部队。自主性系统可从各种系统中获取和处理数据，并为指挥官和士兵提供有用的决策方案，伴随着越来越多的智能化技术的使用，未来战场的本质和士兵执行任务的本质将发生翻天覆地的变化。
图1 士兵即系统构建方式
2.数字士兵项目
美国陆军的认知和神经生物工程协同技术联盟中包含许多业界合作伙伴，如Booz Allen Hamilton公司。2019年10月，该公司获得美国陆军授予的价值5.61亿美元的“数字士兵”系统开发合同。“数字士兵”系统可更好地连接战场士兵的所有单兵设备，并将通过虚拟现实等技术为士兵提供训练辅助。
该系统可识别视频中的人及其行为，一旦发现有人举起武器就能够立刻向士兵的平视显示器或在附近飞行的无人机发送提示信息。此外，该系统能够创建一个逼真的虚拟现实环境，士兵们不需要上飞机就能够进行跳伞等训练，帮助士兵们做出正确的跳跃姿势，并完成规定动作。
Booz Allen公司正与美国陆军和其他业界伙伴共同探索决策过程中自主系统和人之间的关系。研究发现，战争中存在诸多互相交织的复杂变量，机器和计算机算法在这方面的处理能力较弱。即便是最好的人工智能系统，也无法完成特定类型的判断决策、感觉或与人认知相关的其他动态任务。
3.适应士兵需求的人工智能系统
2019年4月，美国陆军研究实验室的科学家发表了有关利用人的大脑活动信号来训练人工智能系统的论文，寻求优化人-机组队的性能。未来，先进的人工智能系统可动态响应士兵需求，并自适应地辅助士兵完成任务。
在战场上，士兵可同时执行测量地形、通过特定区域、接收通信信息、评估威胁等多项任务，这些任务是在大脑不同区域的指挥下执行的。研究人员希望能够分析士兵执行任务时大脑中的数据，以确定各种数据对应的任务。通过学习大脑各区域如何合作完成任务，科学家可构建能够预测任务完成方式的人工智能系统。
研究人员对30名受试者进行了脑部核磁共振成像，以绘制大脑中注意力、运动技能、视觉和听觉系统等九大不同的认知系统之间传递信息的组织通路。研究人员将组织通路地图转换为计算模型，以了解大脑中各区域之间的工作模式，并运行仿真系统来展示对特定大脑区域的刺激所造成的影响。研究人员开发的数学框架使他们能够在特定仿真中测量大脑活动如何在各种认知系统间同步，此项研究在大脑基本协调原则方面的成果可应用于人-机组队的动态任务分配。
在试验过程中，一名有作战经验的士兵佩戴装有脑电图传感器的头盔，在他观看到具有威胁性的图片时，传感器能够检测到士兵的高度焦虑、恐惧和紧张情绪。使用脑电波来标记威胁图片可收集足够多的标注训练数据，从而可快速教会机器学习算法识别威胁图像。在战场上，由头盔传感器检测到的表示高度焦虑的脑电波可以传输给同一小队的其他成员，以警告他们可能存在的危险。
4.面临的挑战
目前，美国陆军开展的主要工作是寻找能够成功分析与人认知和行为相关的主观性判断方法，如识别言语模式或与人过往行为、倾向或决策相关的各种信息，这类研究工作目前还处于早期阶段，并且也不一定能够解决已知的人工智能限制因素——信息。这是因为问题的含义和推理都是以信息来表示的，而人工智能系统难以完全融合或对比不同信息所处的“生态系统”，例如特定信息收集系统只能应对专用的数据集，因此解决多领域的数据交互问题存在困难。未来的人工智能系统需要能够分析不同信息所处的生态系统，并根据这些分析来融合信息，以提供可靠的输出结果。