“OpenClaw发展研究1.0报告”，由清华大学新闻与传播学院/人工智能学院沈阳教授领导的清新研究团队于今天正式发布。报告围绕OpenClaw——一个在2026年最具活力的开源AI代理（Agent）生态——所带来的社会影响展开，其内容由人机协作工具流辅助完成。 报告核心阐述了OpenClaw如何通过“本地优先、隐私至上、用户完全掌控”的理念，从传统的“对话式AI”演进为能够自主执行任务的“行动式AI”，从而重塑生产力范式。 报告详细剖析了OpenClaw的技术架构、核心特点、国内外生态发展、安全挑战、变现模式以及未来趋势，旨在揭示其从工具演变为具备经济主权“数字生命”的潜力，并探讨其对个人与企业运营模式的深远变革。 报告将2026年定义为“The OpenClaw Moment”，标志着AI进入从“对话”走向“行动”的下半场。

继《2024行动号召：乌克兰战争对未来部队的启示》探讨了俄乌战争第一年的军事经验教训后，本书审视了随着战争进入第二年，战争性质所发生的变化。作者们从四个不同角度探究这场冲突：信息优势（情报、信息作战和网络）；地面作战（火力、机动、部队防护、任务式指挥和雇佣军）；多域作战（空中与海上）；以及跨领域主题（外交、保障、创新与适应）。战争的第二年见证了第一年出现的创新作战方式——无人机、无人航空系统及电子战攻防能力——与自一战以来在欧洲未曾以当前规模出现的堑壕战相结合。以瓦格纳集团为代表的雇佣军私营军事公司的使用，制造了高度悬疑的时刻，并导致俄罗斯部队结构和战术发生变化。盟国后续支持的延迟考验了乌克兰武装部队的决心和作战能力，但他们仍坚持战斗，并阻挡了俄罗斯的推进。贯穿始终，这场冲突描绘了一幅未来战争的鲜明图景，同时也为美国陆军训练与条令司令部提供了经验教训，以准备联合部队应对未来大规模作战行动的挑战。

随着俄乌战争在2024年2月进入第三个年头，冲突中出现了新的动态。第一年出现的创新作战技术的使用，与更多常规战术相结合，导致战线在年内几乎没有移动，并引发了巴赫穆特和阿夫迪夫卡等高伤亡战役。雇佣军瓦格纳集团戏剧性地崛起与衰落，使俄罗斯的部队结构和战术发生了根本性改变。自一战以来，堑壕战首次以当前规模重现，最明显的体现是围绕克里米亚、长达81英里的“苏罗维金”深层防线，甚至从太空可见。巩固盟友的决心对于向乌克兰提供其继续自卫所需的支持仍然至关重要。

美国陆军战争学院今年的综合研究项目考察了战争第二年展开过程中战争性质的变化。今年的作者们从四个不同角度探究这场冲突：信息优势（情报、信息作战和网络）；地面作战（火力、机动、部队防护、任务式指挥和雇佣军）；多域作战（空中与海上）；以及跨领域主题（外交、保障、创新与适应）。

关于战争第一年的综合研究项目曾描述美军正处于一个转折点，需要从乌克兰在人员、弹药、指挥控制和保障方面面临的战略纵深挑战中汲取教训。战争的第二年则提供了一系列新的教训，这些教训源于在对抗性通信环境中，信息、技术、电子战和分布式作战这一新战场上的挑战，同时也强化了在大规模作战行动中，沿坚固接触线进行机动、部队防护、火力和多域作战的经典传统。

尽管没有证据表明冲突会在近期得到解决，但本书也考虑了将乌克兰和俄罗斯带到谈判桌前以结束战争所需的条件，以及乌克兰战后未来的各种可能性。乌克兰和俄罗斯在任务控制、保障与供应链、以及接纳或拒绝创新与适应方面的做法，都对美国陆军训练与条令司令部的训练重点提出了及时的问题。这场冲突也为未来冲突将如何受到海量数字信息和人工智能成熟度的影响提供了重要见解。最后，本书探讨了韧性、弗拉基米尔·泽连斯基等领导人在维持乌克兰决心方面的重要性，以及美国和北约在向乌克兰提供其急需的武器系统时所采取的安全援助和升级管理策略。

在所有领域——包括网络和太空战——俄乌战争持续展示了大规模作战行动环境下战争性质的演变。本书着眼于美军条令、训练、战术、行动和战略中潜在的薄弱环节，分享旨在加强未来作战能力的经验教训。

《OpenClaw自我研究报告1.0》是由清华大学沈阳教授团队发布的关于OpenClaw智能体的自我研究实验报告。该报告采用类OpenClaw工作流对OpenClaw本身进行自我研究，作为AI研究AI的代表性实验作品，耗时约一个半小时完成。报告内容聚焦于OpenClaw的自我进化能力、技术架构特点及潜在应用场景，探讨了其从工具向“数字生命”演进的可能性，是研究OpenClaw技术生态和AI自主进化方向的重要参考文献。****

**

历史经验表明，占据安全后方进行军事部署将获得显著战略优势。在台海局势背景下，此种优势可能形成力量对比的显著不对称。因此，单纯阻止军事力量抵近某一地域，并不足以决定整体态势走向。一套完整的战略方案需依赖远程穿透性空中力量，以制约对手依托后方基地展开作战的能力，并削弱其发动区域性饱和攻击的潜力——这类攻击可能影响域外力量在西太平洋的行动自由。空中力量能够越过前沿防线，直接打击对方关键军事节点和力量源泉的能力，是二战后空中作战力量发展成为独立军种体系的重要动因。

值得注意的是，美国空军历经长期规模缩减和现代化进程调整，其同时执行战略威慑、本土防卫和远端干预任务的能力面临压力。这种态势也影响了其针对特定战略目标实施纵深打击和剥夺对方作战庇护所的能力。当前，美国正推动其远程空中打击力量的重建，以应对其所谓的“1945年以来最严峻挑战”。若采购计划得以落实，新一代远程隐身轰炸机及战斗机将赋予其在更广域范围内制约军事行动的能力。

多项分析建议，为满足其穿透性打击的作战构想，需采购相当数量的新型轰炸机。同时，大规模列装新型隐身战斗机也被视为维持其作战体系的关键。（报告表明至少采购200架B-21轰炸机。另外大规模列装隐身F-47与F-35A战斗机）。如果因预算等因素延迟或缩减这些装备的列装，可能影响其远期力量投送能力。这类决策已超出单一军种范畴，成为涉及美国整体战略导向的选择。

人工智能作为一个新兴领域，具备从根本上改变冲突形态的潜力。能够比对手更有效运用此项技术的军队，将在作战中获得决定性优势。然而，将人工智能融入军事领域存在其固有的风险，原因在于人工智能系统存在诸如“幻觉”、不透明、缺乏真正的逻辑推理和多模态智能等缺陷。本文着重阐述当前人工智能的技术能力，并分析其在军事系统中的实用价值。文章详细探讨了如何创新性地运用人工智能模型进行多域作战的规划与实施。最后，明确了推动武装部队实现人工智能赋能的关键必要条件。

概述：人工智能能力及其在军事行动中的应用

人工智能是一个具有多领域应用前景的新兴领域。机器学习技术的最新进展，包括神经网络以及提供增强计算能力的相关硬件升级，也为人工智能在军事领域的应用开辟了道路。在军事决策过程中运用人工智能，有望提升所做决策的效能，从而协助军事指挥官获得相对于对手指挥官的显著优势。需要指出的是，虽然存在多种军事决策框架，但其核心原则基本一致。人工智能还能推动复杂和劳动密集型任务的自动化，从而显著缩短“观察、判断、决策、行动”循环所需的时间。这将极大地提升作战节奏。

人工智能也正在深刻变革数据分析和问题解决的方式。人工智能在象棋和围棋等策略类游戏中的表现已超越人类。人工智能模型在推理测试和数学奥林匹克竞赛中也展现出可靠的能力。它们还具备一定的创新能力。凭借这些能力，人工智能模型能够为军事决策和作战执行提供重要支持。大型语言模型自2017年“注意力”机制发现以来取得了显著进步。该领域的最新进展催生了“智能体人工智能”，即能够在有限监督下，以协同方式执行多个子任务以实现特定目标的模型。

大型语言模型支持对数据进行复杂查询，从而有助于加快信息检索速度。指挥官可以查询情报数据库，以获取决策所需的敌方具体信息。它们还能连贯地生成长篇幅输出。因此，一旦向系统提供了指挥官的意图指导和参谋人员的输入，诸如作战命令或指示之类的复杂文件便可轻松自动生成。

人工智能模型在分析视觉数据方面也已变得十分熟练。卷积神经网络的发展以及运用视觉变换器的最新趋势，极大地提高了视觉识别与分类的精度。这对于通过情报、监视与侦察资源进行目标探测、识别与跟踪具有巨大潜力。通过结合卷积神经网络与长短期记忆模型，也能轻松分析基础设施建设的时序变化。视频生成等内容创作也取得了飞跃式发展。生成的视频高度逼真，并且克服了早期如手指数目错误、事件时间顺序错乱、光影物理规律不一致等缺陷。人工智能生成的内容可通过制造深度伪造有效用于认知领域作战，同时，也必须有效应对对手对此类技术的运用。

人工智能模型通过参数优化，在各种性能基准测试中持续取得进步。参数更少的模型现在能够提供与大型模型相当的性能，这表明模型的训练方法和算法效率有望以更少的计算资源和成本来创建高效模型。因此，可以用少得多的资源实现高效能。当前的模型已不仅限于处理文本输入和输出。它们也能接受音频、图像、视频输入，并能以多种形式提供输出。这种多模态能力可以有效辅助战场情报准备。

生成对抗网络的发展促进了合成数据的生成以用于分析，以及通过迭代改进来优化输出。该过程类似于军事兵棋推演。因此，它们非常适合用于分析各种行动方案并确定其优先级。关键是将新开发的大型概念模型架构与生成对抗网络相结合。

人工智能发展的另一个重要方向是“专家混合模型”架构的出现，它通过调用各自领域的专家子模型，促进了复杂任务的决策制定与协同处理。另一方面，人工智能系统仍然存在固有缺陷，其学习效果很大程度上依赖于所提供数据的质量，并容易受到算法偏见和误差的影响。通用人工智能尚未充分发展，人工智能系统缺乏必要的独立思考能力和“反直觉思维”能力，即在最佳行动方案并非最显而易见方案时的判断力。这一点在军事环境中尤为重要，因为对手会蓄意通过提供虚假信息和开展认知欺骗行动来达成奇袭效果。

尽管人工智能模型在推理和逻辑方面取得了显著进步，但这些模型本质仍是概率预测模型，缺乏真正意义上的理解与推理。它们尚不具备人类水平的多模态推理与综合理解能力。因此，虽然人工智能系统可以协助军事行动的规划与执行，但做出最终决策的行为必须由人类掌控。这意味着，基于人工智能的自主系统可在决策不涉及重大风险或连锁效应时有效使用；而对于高风险、高影响的决策，确保“人在回路”的决策模式仍将是基本原则。此外，尽管当前人工智能模型架构的优化可能会持续，但其边际效益可能递减。需要发展全新的架构，以实现向通用人工智能的下一阶段跨越，从而协助完成复杂推理、实现真正创新以及探索目前人类认知范围之外的新知识。届时，人工智能模型方能在军事决策领域发挥卓越作用。

人工智能模型存在的另一个问题是其不透明性。尽管业界正在努力开发能够逐步展示其推理过程的人工智能模型，但可见其推理链条仍存在缺陷。人工智能模型也容易出现“幻觉”，即呈现事实错误的内容并将其当作真实。这在军事领域可能产生严重的负面影响。数据是决定人工智能系统效能的最关键因素。如果输入数据存在偏见或不准确，即便是世界上最优秀的人工智能模型也会产生错误输出。军事系统面临的一个关键挑战是缺乏干净、可靠的实证数据。这些问题凸显了基于人工智能系统的“可信度”问题。如果人工智能系统的缺陷导致军事决策者对其失去信任，那么该系统所带来的优势便将荡然无存。总而言之，当前的人工智能模型若能审慎应用并规避其缺点，可提供相对于对手的决定性优势；然而，为了在军事应用领域取得卓越成就，必须致力于开发以通用人工智能为目标的更优架构。

智能体 AI (Agentic AI) 作为当前的前沿领域，有望在智能任务自动化与个性化支持的助力下，彻底改变我们的日常生活。在本课程中，我们将首先探讨智能体 AI 的核心基础概念，涵盖大语言模型 (LLMs) 基础、推理、规划、智能体框架及基础设施。此外，本课程还将介绍具有代表性的智能体应用场景，包括代码生成、机器人技术、网页自动化以及科学发现。同时，我们将深入讨论当前 LLM 智能体存在的局限性与潜在风险，并就未来的改进方向分享见解。 https://rdi.berkeley.edu/agentic-ai/f25

近期文献探讨了在网络空间运用攻防性质“网络机动”及机动方案。由于网络机动是多域作战的组成部分，其合乎逻辑的下一步是描述一种更广泛的作战行动，该行动将网络机动、电子战和动能机动整合为一套具有协同效应的集合。本论述主要聚焦于一种意图，即操纵对手在面对跨多个维度的威胁和不利结果时的认知判断与决策。其目标是使对手面对一连串迅速增加的糟糕结果，并最终超出其应对能力。将对手置于“两难境地”意味着其任何决策都将导致不利后果。以日益增加的频率使对手接连陷入困境，可打击其士气并使其陷入瘫痪。本文重点阐述了为同步网络、电子战与动能能力所需信息的一些要求。这需要跨大量现有及新兴数据源以及指挥控制系统，对信息进行实质性融合，这些系统对于规划、机动、执行及实现多域作战行动所需的协同效应，以及评估其效果是必不可少的。出于评估效果的目的，我们考察了联合实验室主任数据融合信息组模型的第4、5、6级，并得出结论：降低“处理、利用与分发”流程及其相关审批流程的延迟，对于实现这些目标至关重要。

本文旨在描述一种多域作战方法对信息融合的要求，该方法主要侧重于通过协同的网络机动、电子战和动能行动，对对手产生显著的认知影响。

人们普遍认为，世界正处于又一场军事革命的边缘。人工智能即将改变战争的特征，甚至在一定程度上改变其性质，正如飞机、坦克、枪炮和原子弹在上一时代所起的作用。人工智能被定义为开发能够以极快速度执行通常需要人类智能的任务的计算机系统，例如决策、自动化数据分析、提供包含备选选项的解决方案、语音识别、视觉感知和语言翻译。尽管人工智能已被用于开发战术作战系统，但在空战行动的战略和作战规划流程中应用人工智能存在更多机遇。同样重要的是，要将这项技术应用于战略和作战规划流程之中。

问题在于如何将人工智能整合到空军的空战行动规划流程中，旨在充分利用这一关键新兴技术以提升作战能力。这将涉及在指挥控制、作战规划、空中任务分配、维护与后勤以及行政管理等领域开发自主系统。这将阐明为实现使空战行动规划流程尽可能完全自主的既定目标，需要利用何种算法。

人工智能和机器学习利用海量数据集，以半监督的方式教导计算机执行任务。在作战环境分析中应用人工智能，将涉及使用人工智能赋能的系统进行作战环境中的威胁探测、威胁分析和威胁应对。人工智能系统能够预测敌方行为、预判弱点、天气和环境条件，评估任务策略并提出缓解方案。这节省了时间和人力资源，并使战场上的作战人员领先对手一步。

简而言之，空战行动规划流程（AOPP）是将战略计划转化为详细规划的过程，该规划精确概述了空军指挥官在紧急情况下将在不同层级采取的行动。AOPP的各个步骤涉及大量的数据处理。目前，大部分处理工作是人工完成或手动输入特定软件/工具，但通过整合人工智能，有可能在AOPP的某些步骤中减轻规划人员的工作负担。