大语言模型（LLM）在决策支持领域已广受欢迎，然而其固有局限性——如非确定性输出、不透明推理以及易受偏见影响——引发了对其可靠性的严重关切。另一方面，多准则决策分析（MCDA）为结构化决策提供了数学上严谨、确定且透明的框架，但由于复杂性和技术要求，非专业人士仍难以使用。在本立场文件中，我们认为，通过基于智能体的架构将大语言模型与多准则决策分析集成，可创建一个强大的混合系统，弥补两种方法的互补性弱点。我们提出了一种框架，其中基于大语言模型的智能体充当协调器，为问题表述、偏好获取和数据收集提供自然语言接口，同时将核心决策逻辑委托给确定性多准则决策分析工具。这种集成使强大的决策工具得以普及，同时将大语言模型输出锚定在透明、可复现的数学框架中，将多准则决策分析增强的大语言模型智能体定位为可靠、可及且可信赖的决策支持的有前景解决方案。

近年来，大语言模型（LLM）与大语言模型智能体已成为广泛应用于各类场景的解决方案，包括聊天机器人和个人助理（Wester et al., 2024）。企业将其用作咨询顾问的替代品和一线支持，而个人用户则利用大语言模型进行日常闲聊、任务协助以及日常生活各方面的决策。这包括寻求旅行推荐或购物帮助，在某些情况下，用户甚至会请求医疗或法律建议（Schneiders et al., 2025; Drinkall, 2025）。

然而，大语言模型存在一定局限性。尽管其设计初衷是生成流畅且令人信服的自然语言，但其输出可能包含误导性或有害信息，因此需要仔细验证（Rahman et al., 2025）。这引发了一个问题：是否应在决策辅助中使用大语言模型（Cahyona and Subramanian, 2025）。

另一种常用于决策支持的工具是多准则决策（MCDM）方法，其属于更广泛的多准则决策分析（MCDA）领域（Cinelli et al., 2022）。这些方法旨在协助决策者解决涉及多个（通常相互冲突）准则的复杂问题。鉴于此类结构化方法的可用性，值得追问的是，为何更多人没有使用它们，而是依赖大语言模型进行决策支持。

然而，多准则决策分析也存在其局限性。它通常需要一个数据收集阶段，且正确应用多准则决策分析方法需要一定程度的专业知识和领域知识（Watrobski and Jankowski, 2015）。这些因素限制了其在普通公众中的可及性和广泛使用。

本研究探讨了大语言模型与多准则决策分析在决策支持中的优势与局限。我们提出了一种混合方法，将大语言模型的语言灵活性与多准则决策分析的分析严谨性相融合，以确保决策的可靠性与可及性。主要贡献包括：（1）一种将大语言模型与确定性多准则决策分析算法连接的模块化架构；（2）展示这种集成如何平衡可及性与严谨性；（3）一个证实尽管大语言模型具有非确定性但仍可复现的理论基础。

本文其余部分结构如下。第2节概述了该领域的相关工作，重点关注大语言模型的局限性。第3节讨论了大语言模型与多准则决策分析的局限性，并引入了在单一智能体内集成这两种方法的混合方法概念。第4节简要讨论了所提方法的意义，第5节通过总结研究发现并提出未来研究方向来结束本文。

美国空军部（DAF）正在平衡（1）战略竞争与持续冲突的需求与（2）工作人员持续被要求以更少资源完成更多任务的制约。在此背景下，空军部（DAF）需要采用创新方法并加强其技术能力，以使人员做好应对战略竞争与未来战争挑战的准备。

随着战争日益受到人工智能（AI）、自主性、网络能力和数据驱动行动的影响，空军部（DAF）或可考虑将技术素养视为部队战备的核心要素。兰德空军项目的研究人员认为，人工智能与先进技术领域的可堆叠证书项目，是在关键任务和职业领域中逐步培养此类技能并推动现有职业军事教育课程现代化的潜在途径。他们阐述了如何利用此类项目为空军部（DAF）带来益处。

目录

探索新途径：可堆叠证书

采用人工智能与先进技术领域的可堆叠证书

将可堆叠证书融入职业军事教育

采用可堆叠证书：针对准尉的实施

实施可堆叠证书：方法与考量

缩略语

参考文献

未来战场将由大规模部署的廉价系统、多域蜂群、能够分析信息并支持或作出决策的人工智能，以及技术能力与法律和伦理监管能力之间日益扩大的鸿沟所定义。通过结合数量规模、行动节奏、冗余性、自主性和网络化，蜂群能够产生不依赖于任何单个平台、而取决于系统集体行为的效应。在人类已无法跟上机器观察、计算和打击速度的时代，需要更强有力的人类控制——不是作为法律装饰，而是作为作战与伦理的双重约束。

引言

未来战场并非渐次浮现，而是以惊人的速度在当下骤然降临。短短数年间，无人系统已从情报支援工具演变为塑造现代战争的能力。除战术侦察系统和巡飞弹外，最初作为摄影平台起步的商用无人机，已变成廉价、易得、致命且难以拦截的武器。乌克兰战争、中东战事以及大国间的战略竞争均表明，这不仅仅是技术上的渐进式改进，而是作战概念、力量结构、战争经济学以及武装冲突法层面的深刻变革。

四大趋势正驱动这场革命。其一，小型、廉价、可消耗无人机构成的威胁正迅速增长。其二，小型无人系统正扩散至陆地与海洋领域。其三，从直接操控单个系统转向在空、陆、海域运用蜂群，包括借助人工智能控制的综合蜂群。其四，人工智能正被集成至探测、目标识别、目标遴选、优先级排序和攻击环节，其程度日益将人类挤出决策流程。这引发了一个尤为严峻的困境：随着系统在判定合法目标以及何时可合法使用武力方面获得更大自主性，国际人道法的核心原则——区分、比例性、预防措施及人类责任——正日益承受压力[1]。

本文认为，主要威胁不在于自主平台本身，而在于其所代表的系统，该系统涵盖大规模生产、去中心化通信、学习型软件、廉价传感器、持续连通性，以及以大量无人系统替代士兵的作战意愿[2]。军事蜂群不仅仅是平台的集合，它是一个分布式、网络化、可扩展的系统，具备故障韧性。它可以由数十、数百甚至数千个平台运作，在平台间分配任务，替换损失平台，并在部分蜂群被摧毁后继续执行任务。在此环境中，优势转向能够缩短“传感器到射手”链条、运用协同蜂群并快速适应对抗措施的行动者。

无人系统构成的威胁正在升级

无人机已成为当代战争的决定性特征，因其改变了战场的成本—收益等式。一架仅耗资数百或数千美元的平台即可定位一支部队、调整炮火、打击装甲车辆、扰乱后勤或制造持续的心理压力。在乌克兰，FPV无人机、巡飞弹、无人地面车辆和无人水面艇已展现出与其成本极不相称的作战影响力。乌克兰已成为“未来战争的实验室”，廉价可消耗系统正在重塑作战方式，迫使大型军队迅速适应[3]。

这种升级在多个维度上显而易见。首先，无人机现已广泛可得，不仅被国家使用，也被非国家组织、民兵和小型战术单位所运用。其次，它们已被集成至打击周期的每个阶段：探测、识别、目标遴选、攻击和战斗损伤评估。第三，它们在充斥对抗措施的环境中运作，包括电子战、拦截系统、GPS干扰、轻武器火力及探测系统。因此，无人机正迅速向光学导航、替代通信、自主飞行、光纤制导以及沿不可预测航迹攻击等方向演进。最后，它们正在重塑认知作战空间：每一次移动都暴露于传感器之下，前沿区域已变得透明、受威胁且持续脆弱。

乌克兰冲突诠释了新型的“消耗战经济模式”。双方均不依赖少量昂贵平台，而是大量使用可消耗系统。乌克兰正在发展一种以人工智能赋能的自主战争概念，尽管技术雄心与广泛成熟的作战能力之间仍存在差距。这一教训至关重要：这场革命并非一蹴而就，而是通过数千次小型作战实验推进，其产生的学习速度超越任何传统采办流程[4]。

以色列同样认识到了日益增长的威胁。10月7日的袭击表明，小型简易无人机能够扰乱防御系统、损毁监视资产并为地面入侵提供便利。此后，以色列加速了探测、电子干扰和拦截工具的研发，同时将人工智能集成至轻武器和反无人机防御系统中。以色列正专注于相关技术，旨在通过集成传感器、软件以及改进的射击与瞄准能力，将单兵武器和战术系统转化为打击小型空中目标的有效手段[5]。

无人机防御不能仅依赖昂贵的拦截层。当攻击者运用大量小型廉价平台时，防御者无法始终以昂贵的导弹应对。需要的是一种多层架构，将早期探测、自动分类、电子战、干扰、接管能力、廉价动能火力、定向能、物理防护、欺骗以及基础设施的分散与加固结合起来。挑战不仅在于拦截单个平台，更在于打破攻击者的成本—收益等式[6]。

无人地面系统正迅速超越有限的支援角色，成为作战编队的内在组成部分。地面机器人最初主要用于破坏任务、爆炸物处理、危险区域侦察和物资运输。如今，它们日益被用于前沿后勤、伤员后送、开辟通路以允许部队推进、武装侦察和攻击任务。传感器、通信、自主导航和人工智能的集成使这些系统能够在有人部队前方运作，降低士兵风险，探测敌方力量，控制地形，并快速闭合火力循环。下一阶段将是部署同步的地面系统编队，即机器人蜂群。在同步蜂群中，一个平台执行侦察，另一个携带弹药或有效载荷，第三个充当通信中继，第四个支援后送或后勤。另一种模式是完全分布式的蜂群，像狼群一样攻击一支军事力量。因此，地面机器人技术正从一种点解决方案演变为一种可能改变地面机动本质的能力。

无人水面及水下系统同样正从孤立应用走向涵盖侦察、威胁和攻击的系统化概念。正如乌克兰和伊朗所展示的，小型廉价无人水面艇能够威胁军舰、港口和沿海基础设施，而无需使人员暴露于风险之中。与此同时，无人水下系统正通过将水雷布设、情报搜集以及对电缆、管道和关键基础设施的攻击延伸至海底，拓展威胁维度。未来将其集成至海上和水下蜂群，将使对手更难识别威胁来源、防御广阔海域并维持海上行动自由。

从空中蜂群到多域蜂群

从管理单个无人系统到运用蜂群的转变是一个转折点。蜂群不仅仅是“大量无人机”或“许多无人系统”，而是一个由众多平台共享信息、分配任务、互换角色并适应变化环境的系统。它也可以分布式方式运作，所有平台追求一个共同目标：定位并摧毁。蜂群的特征在于去中心化控制——没有单一领导者，但平台间保持持续通信，具备跨大量系统的可扩展性，以及基于算法和人工智能的相对自主性。一个有效的蜂群能够迷惑防御系统、饱和雷达覆盖、同时实施欺骗和攻击、在大范围区域内探测目标，并在损失部分力量后继续运作。其作战意义不仅在于平台数量，更在于其协调性和集体行为。

四种主要蜂群类型正在涌现：由无人机（UAV）和无人机组成的空中蜂群；由机器人和无人地面车辆组成的地面蜂群；由无人水面和水下艇船组成的海上及水下蜂群；以及综合蜂群——或称“蜂群之蜂群”——其中空中、陆地和海上平台在单一网络化指挥结构下运作。最后一种构成最严峻的挑战，因其模糊了作战域之间的边界，并要求防御者同时应对从不同维度、以不同节奏和不同特征到来的威胁。

空中蜂群能够饱和防空系统、探测目标，并同时运用“猎手”和“观察手”。在陆地上，无人系统可执行侦察、前沿后勤、伤员后送、布设爆炸装置或在火力下开辟通路。在海上，无人水面艇已证明其扰乱传统舰队、打击基础设施以及对港口、桥梁、海上平台和航运构成持续威胁的能力。乌克兰战场正在塑造空中、海上和陆地领域的自主战争未来[7]。

海上领域尤为重要，因其颠覆了关于海上优势的传统假设。一个没有常规海军的国家或组织，可以运用小型廉价自杀式无人水面艇来威胁大型军舰、港口和能源基础设施。在俄乌战争中，无人水面艇已变得足够有效，迫使俄罗斯舰队撤出黑海部分地区[8]。这让人得以一窥未来：海上和水下蜂群将与空中和地面蜂群一同作为单一综合系统的组成部分运作。

运作蜂群的核心挑战在于指挥与控制。随着平台数量增加，人类对每一个平台的直接控制变得不可能。因此，蜂群至少在路径选择、保持编队、目标分配、障碍规避和适应平台损失等功能上需要部分自主性。乌克兰的一些项目已使无人机和地面系统能够参与协同作战。这些项目减少了所需操作手的数量，同时将部分规划、任务分配和执行过程转移至算法[9]。即便人类作为监督者仍“在环内”，此人也会日益脱离实际的决策过程。

从以色列的视角来看，保持质量优势需要在传感器、人工智能、安全通信、反无人机技术和进攻性蜂群能力上取得优势。与此同时，以色列面对的对手能够迅速采用商业技术，从乌克兰、伊朗和真主党的经验中学习，并大量部署简单系统。因此，以色列必须将人工智能和自主系统——包括无人机、无人地面车辆和无人机蜂群——视为未来力量发展的必备组成部分，同时保留人类在决策过程中的角色[10]。

在此背景下，以色列国防军（IDF）总参谋长埃亚勒·扎米尔（Eyal Zamir）关于下一个多年期力量发展计划的论述尤为切题。他表示，该计划将加强机器人能力并将其集成至作战编队中，实现远程操作，改善地形控制和敌方探测，并加速“传感器到射手”链条。这反映出一种认识：地面机器人技术已不再仅仅是辅助性或实验性能力，而是作战编队的内在组成部分——它将地形控制、目标探测、机动、杀伤力和缩短“传感器到射手”链条集于一体[11]。

多域蜂群正在改变防御概念。仅保卫一国领空或边界已不再足够。基地、港口、发电站、供水设施、通信网络、交通路线和机动部队都必须受到保护，以抵御可能同时从空中、海上和陆地到来的威胁。因此，防御必须变得网络化、局部化、机动化和自适应化。它必须集成情报、网络能力、电子战、火力、物理防护和欺骗，并以与进攻性威胁演进相匹配的速度运作。

案例研究表明，没有任何单一蜂群模式占据主导。中国正在发展一种智能、多维度的蜂群概念[12]；俄罗斯依赖数量规模、消耗和适应[13]；乌克兰展示了快速创新[14]；美国正在追求一种结合数量、软件、自主性和人类控制的“智能规模”概念[15]。在这些模式之中，共同教训是：蜂群将战争的重心从单个平台转移至系统行为。随着陆地、空中和海上领域的日益融合，防御者必须做的不仅仅是拦截单个平台，还必须理解运作模式、扰乱网络、打击生产和发射基础设施，并能够比敌人更快地作出决策。

人工智能、自主目标定位及将人类排除出决策过程的伦理维度

最危险的发展并非无人系统的大规模使用，而是蜂群与人工智能赋能的决策的结合。人工智能能够分析海量信息、识别模式、探测异常、遴选和排定目标优先级，甚至在没有具体人类指令的情况下操作无人平台。在此过程中，它在缩短军事决策周期的同时，将部分人类判断转移至机器。

法律辩论聚焦于致命性自主武器系统（LAWS）[16]，即能够在不经人类干预的情况下选定并攻击目标的系统。据联合国裁军事务厅（UNODA）称，目前对此类系统尚无国际公认的定义。然而，各国正日益研发和部署具有自主功能的系统，包括巡飞弹、防御系统、无人地面车辆和无人海上平台[17]。缺乏公认定义并未减轻问题，相反，它使各国得以在一个技术进展快于法律进展的灰色地带运作。

国际人道法依据区分、比例性、预防措施和责任原则来评估新技术。然而，自主系统难以作出依赖具体情境的评估，特别是在战斗人员与平民混杂、信息不完整且快速变化、且行动的法律意义取决于微妙背景因素的环境中。2025年，红十字国际委员会呼吁在涉及武力使用的决策上保持有意义的人类控制，认为有效监管的窗口正在迅速关闭[18]。

联合国以格外强烈的措辞描述了这一危险。它呼吁禁止能够在没有人类控制或监督的情况下造成人员死亡的系统，称其在政治上不可接受且在伦理上成问题[19]。这一呼吁既是作战层面的，也是道德层面的。一台无法实时理解人类背景、意图、投降、受伤、平民身份或变化中的环境的机器，有可能将致命武力的使用变成一种自动化过程，同时破坏指挥责任。

在实践中，大多数军队并未采纳人类完全“出环”的模式，而是经历中间阶段：人类在环内、人类在环上，最终人类出环。在第一阶段，每次打击都需要人类批准。在第二阶段，人类监督并可干预，但系统执行大部分流程。在第三阶段，系统自行选定目标并使用武力。危险在于，从第二阶段向第三阶段的过渡可能不是通过明确的政策决定，而是通过软件改进、作战压力和缩短响应时间需求的累积效应而发生。

在以色列，围绕使用人工智能系统支持目标遴选和管理火力周期已出现一场辩论。必须区分将人工智能用作分析支援工具与授予其使用致命武力的自主权限。然而，即便是支援工具也可能产生“自动化偏见”，即人类操作手倾向于采纳系统的建议，因为其看起来更准确、更快速、更客观。集成此类自主系统可能造成责任缺口并加速杀伤链[20]。

法律和伦理问题并非始于武力的使用，而是始于算法识别模式、将某人或某平台指定为目标、在平台间分配任务并提出攻击优先级之时。人类操作手用来质疑机器建议的时间、背景和能力越少，人类控制就越流于形式。因此，核心问题不仅仅是系统中是否“有人类存在”，而是该人类能否理解系统的决策、阻止它并对其负责。

最大的危险在于“例外的常态化”。最初，引入人工智能是为了帮助人类操作手应对信息过载。随后，审查时间被缩短。再后来，系统允许对预定义类别的目标使用武力。最终，在蜂群、饱和攻击和以秒计的响应时间压力下，指挥官可能更偏好比人类决策更快的系统。当到达这一点时，国际法将面临既成事实：机器将决定谁受到伤害，而人类只能在事后解释为何未能干预。

仅仅聚焦于“杀手机器人”会错失核心挑战。自主性不是一种二元状态，而是一个能力连续体，可以以不同水平和局部应用的方式被纳入武器系统。因此，主要危险不局限于武器发射的那一刻，而在于搜索、识别、分类和排定目标优先级能力的逐步积累，直至人类操作手形式上仍在场，但不再充当相关的决策者[21]。

建议：为未来战场做好准备

为未来战场做准备需要概念上的转变，而不仅仅是获取新能力。多层防御必须集成探测、分类、电子战、廉价拦截、定向能武器、物理防护和欺骗。目标不仅仅是付出任何代价拦截每一架无人机，而是识别蜂群行为、扰乱同步、破坏网络并挫败敌人的攻击。

以色列应建立独立的蜂群能力。一支无法运作蜂群的军队将难以理解如何防御蜂群。这种能力应跨越空、陆、海领域，并立足于国内生产、持续的作战实验以及将一线部队集成至开发过程中。乌克兰的教训是：学习的速度几乎与平台本身的质量同等重要。

与扎米尔总参谋长的愿景一致，应将对地面部队的重新重视转化为人机综合作战编队的实际模式。因此，每个营级和旅级作战编队都应有机地运用无人机、地面机器人、传感器、通信系统和火力支援资产，确保机器人技术不局限于专业部队。这些机器人—人类编队将改善地形控制、加速敌方探测、实现危险区域的远程操作并缩短杀伤链，同时在敏感目标定位决策上保留人类监督。

以色列面临的威胁环境与较大国家不同。其战略纵深有限，周边多条战线，且对能源安全和贸易至关重要的海上领域。与此同时，它面对的国家和非国家对手均能产生严重的多域威胁。以色列不能等待昂贵、完全成熟的下一代自主系统出现，而必须通过基于实验、作战部署、经验教训、持续改进、迭代生产和快速集成至一线部队的快速作战学习来发展蜂群。

在进攻方面，以色列国防军应发展超越无人机范畴的多域蜂群能力。在空中，应发展用于侦察、欺骗、电子干扰和攻击的蜂群，使其能够在GPS拒止环境中对抗防空网络、定位发射器并追剿敌方细胞。在陆地上，应发展能够在有人部队前方运作、开辟通路、探测爆炸装置、搜索建筑物和隧道、运输物资并在减少士兵风险的同时实现精确攻击的机器人机动编队。在海上，应发展由无人水面和水下艇船组成的蜂群，用于侦察、保护海上平台和港口、威胁探测、欺骗、封锁海上航线以及对用于发射无人系统的敌方舰船或基础设施实施攻击。

在防御方面，以色列应从点拦截转向针对蜂群系统的防御。目标不应仅仅是探测单个平台，而是识别运作模式，包括发射位置、通信中继、接近路线、平台间功能分配以及饱和现有防御系统的企图。为支持这一方法，以色列应为机动部队、军事基地、港口、海上平台、发电站和其他关键设施开发局部防御包。这些防御包应集成短程探测、自动分类、干扰和电子扰乱、精确轻武器、廉价拦截器、欺骗措施、物理防护以及为应对饱和攻击而设计的操作程序。成功不应仅以拦截平台的数量来衡量，而应以扰乱蜂群的能力来衡量。当然，这种能力旨在补充——而非取代——针对导弹和火箭等既有威胁的防御。

以色列还应发展打击蜂群威胁价值链中每个环节的能力，包括生产中心、储存设施、发射场、通信中继、指挥控制系统、母舰和导航基础设施。这将通过把焦点从单个平台转移至支撑蜂群运作的更广泛系统，来补充局部防御措施。

蜂群时代还需要组织变革。除现有的发展局外，以色列国防军应设立一个作战机构，负责将地面、空中和海军部队与指挥、控制、通信、计算机与情报（C4I）局及国防研究与发展局（Mafat-DDR&D）集成起来。该机构应定义作战、通信、敌我识别、安全、网络安全、人类决策与控制文档记录的共同架构。不应允许个别军种孤立地发展独立的蜂群能力。只有当蜂群能力成为单一综合指挥控制系统的一部分时，以色列的比较优势才会显现。

以色列还应就运用人工智能和蜂群制定明确的法律和作战边界。应在决策支持系统与决策系统之间保持区分，并制定明确规则，规定蜂群可自主执行哪些行动、哪些行动需要人类授权，以及在何种情况下必须自动终止任务。任何影响目标遴选或打击的系统都应经过法律审查、可靠性测试、数据源的全面文档记录、可解释性评估、人类接管机制的纳入以及明确界定的指挥责任分配。不应允许任何无人系统在缺乏有效人类控制的情况下对人类使用致命武力。

以色列应发展一种“负责任的人类在环”学说。仅仅声明人类是系统的一部分是不够的。学说应界定“环内”人类拥有何种信息、何时应给予授权、如何能够终止攻击，以及在失败情况下承担何种责任。有效的人类控制不仅仅是按下按钮的形式行为，而是真正理解、评估和干预决策的能力。与此同时，民主国家应制定评估自主系统的共同标准，分享作战教训，并限制那些危及平民或破坏人类责任的系统。

最后，以色列应加强在力量建设方面的国际合作。在早前一篇论述以色列需要更大程度军备独立的文章中，我们提议建立一个致力于发展关键军事能力的国际联盟[22]。跨空、陆、海和水下领域的自主系统发展，似乎是此类合作的合适候选方向。

结论

未来战场已然在此。它由大规模部署的廉价系统、多域蜂群、以机器速度分析信息并作出决策的人工智能，以及技术所提供的可能性与法律和伦理监管能力之间日益扩大的鸿沟所定义。蜂群构成了一种系统性变革。它们结合了数量规模、行动节奏、冗余性、自主性和网络化，使其能够产生不依赖于任何单个平台、而取决于系统集体行为的效应。这场革命并未消除人类的角色，但除非重新定义这一角色，否则将使人类日益多余。

无人机改变了战争的经济学。蜂群正在改变其节奏。人工智能最终可能改变战争中责任本身的性质。未来的优势未必属于拥有最昂贵平台的一方，而属于能够构建学习型、网络化、廉价、冗余且快速适应系统的那一方——同时剥夺对手集体运作的能力。

因此，挑战是双重的：在取得技术优势的同时，维护军事决策的道义基础。正因机器能够比人类更快地观察、计算和打击，才需要更强有力的人类控制——不是作为法律装饰，而是作为作战与道义的双重保障。未来正以惊人的速度到来。问题在于我们是否为此做好准备，以及我们能否成功将责任留在人类手中。

[1] 区分原则要求武装冲突各方在战斗员与军事目标、平民与民用物体之间作出区分。不具备此种区分能力的武器或系统均受禁止。比例原则要求，相对于预期获得的具体和直接军事利益，预期对平民和民用物体造成的附带损害不得过分。预防措施原则要求武装冲突各方采取一切可行的预防措施，以避免或尽量减少对平民的损害，包括通过手段与方法的选择、警告以及取消攻击等方式。责任与问责虽不同于上述三项原则，并非规范敌对行动行为的经典原则，但依然是一项根本且具有约束力的原则。包括指挥官和操作手在内的国家与个人，仍须对遵守法律承担责任。

[2] Uzi Rubin, “Will Unmanned Aircraft Decide the War in Ukraine?,” Jerusalem Institute for Strategy and Security (JISS), May 27, 2026.

[3] Samuel Bendett and David Kirichenko, “Battlefield Drones and the Accelerating Autonomous Arms Race in Ukraine,” Modern War Institute, January 10, 2025.

[4] Kateryna Bondar, “Ukraine’s Future Vision and Current Capabilities for Waging AI-Enabled Autonomous Warfare,” Center for Strategic and International Studies, March 6, 2025.

[5] Pesach Benson and Omer Novoselsky, “Israeli AI Turns Standard Rifles into Drone Killers,” TPS-IL, February 9, 2026.

[6] Sven Clement, “Mastering the Future of Uncrewed Warfare,” NATO Parliamentary Assembly, October 12, 2025.

[7] Peter Dickinson, “Ukraine Is Shaping the Future of Drone Warfare at Sea as Well as on Land,” Atlantic Council, June 12, 2025.

[8] Tsiporah Fried, “The Impact of Drones on the Battlefield: Lessons of the Russia-Ukraine War from a French Perspective,” Hudson Institute, November 13, 2025.

[9] Patrick Tucker, “This Ukrainian Startup Has Re-Invented Drone Swarming,” Defense One, September 15, 2025.

[10] Anna Ahronheim, “Israel’s Strategic Edge in the Age of AI & Autonomous Warfare,” The Jerusalem Post, July 20, 2025.

[11] Yoni Kempinski, “Chief of Staff: We Will Build a Decisive Ground Force,” Arutz Sheva, July 23, 2026.

[12] Timothy Ditter, “PRC Concepts for UAV Swarms in Future Warfare,” CNA, November 7, 2025. https://www.cna.org/analyses/2025/10/prc-concepts-for-uav-swarms-in-future-warfare

[13] Missile Defense Advocacy Alliance, “MDAA Alert: Russia’s Advancing Geran Family of Attack Drone Capabilities,” June 29, 2026. https://www.missiledefenseadvocacy.org/alerts/mdaa-alert-russias-advancing-geran-family-of-attack-drone-capabilities

[14] Vlad Cherevko, “Ukrainian Forces Using Drone Swarms That Autonomously Locate and Strike Targets—WSJ,” Ukrainska Pravda, September 3, 2025. https://www.pravda.com.ua/eng/news/2025/09/03/7529154

[15] Thomas Novelly, “Anduril, General Atomics Get Air Force Contracts to Build First Drone Wingmen,” Defense One, June 17, 2026. https://www.defenseone.com/defense-systems/2026/06/anduril-general-atomics-get-air-force-contracts-build-first-drone-wingmen/414266

[16] The term LAWS stands for lethal autonomous weapons systems. These are AI-enabled military systems capable of identifying, selecting, and engaging targets without human intervention in the operational decision-making loop.

[17] United Nations Office for Disarmament Affairs, “Lethal Autonomous Weapon Systems,” accessed July 26, 2026.

[18] Mirjana Spoljaric, “Preserving Human Control over the Use of Force,” International Committee of the Red Cross, May 12, 2025.

[19] UN News, “‘Politically Unacceptable, Morally Repugnant’: UN Chief Calls for Global Ban on ‘Killer Robots,’” May 14, 2025.

[20] Ramón Reichert, “Autonomous Occupation: Israel’s AI-Driven Drone Warfare and the Digital Architecture of Authoritarian Power,” Dialogues on Digital Society 1, no. 3 (2025).

[21] Gabi Siboni and Yoni Eshpar, “Dilemmas in the Use of Autonomous Weapons,” Strategic Assessment 16, no. 4 (January 2014).

[22] Gabi Siboni and Erez Winner, “Israel’s Path to Armaments Independence,” Jerusalem Institute for Strategy and Security (JISS), July 24, 2026.

要求由人工批准每一次致命交战——即所谓“人在环内（HITL）”——实质上已名存实亡，成为乌克兰战争的又一牺牲品。然而，要求指挥官对其指挥下的作战行动承担责任的法则依然有效。这两句表述之间的张力，揭示了当目标打击决策向机器迁移时出现的“责任鸿沟”：现有框架难以对机器的行为归责。本文提出一种旨在弥合此鸿沟的框架。

法律所要求的人类责任，应从单一的目标打击环节，转移至程序选择与地图标定相结合的模式。换言之，指挥官应将机器自主权的层级，与经认证的系统能力以及按风险分级、限时划定的战区空间相绑定。

现代战场上的“人在环内”

HITL控制基于三项假设：通信链路畅通、决策时间充裕、操作员注意力尚有富余。乌克兰战争已动摇了这三项假设。

乌克兰无人系统部队指挥官描述，在战线两侧纵深约25公里的区域内，无人机饱和部署使得机动近乎自杀。其他评估则将这一地带划定在15至20公里且仍在扩大，其间车辆机动困难甚至无法实施。在该地带内，干扰常态化切断操作员链路，导致现场无人机在接触目标后完成的自动末端制导失效。此类情况下，人工干预往往止于数百米外的目标锁定。即便链路尚存，海量目标也会淹没操作员的注意力。据操作员报告，交战节奏已超出其有效研判的极限。乌克兰的既定发展路径是减少操作员数量，转而监管更多飞行器，并逐步实现全自主交战。

此非断言HITL全然不可行。光纤无人机可提供抗干扰链路，且宽松环境下仍允许实施审慎的攻击审批。核心论点在于，单次交战的人工控制无法作为核心保障措施，因其所依赖的条件恰恰是现代电子战致力消除的环境。一种仅在理想条件下才有效的保障措施，实则比没有更糟，因为在数秒内批准机器生成目标的操作员并未行使真正的判断权，这通常只是将机器的判断通过人工签名进行“洗白”。坚持HITL会导致逻辑矛盾，正如英国武装部队国务大臣近期一方面坚称“必须确保人在环内”，另一方面又主张“必要时必须将人移出环路”时所暴露的那样。

人类责任

任何情况均不能免除指挥官对其指挥下作战行动的责任。无论目标打击精度如何提高，人工智能系统本身并不承担伦理或法律义务。武装冲突法约束的是规划与指挥作战的人类，而使用自主系统的指挥官实质上是在使用一种武器。区分原则、比例原则及预防原则的义务，始终由指挥官及其所属国家承担。

为使此项责任具有实质意义，它必须附着于指挥官实际行使的判断行为之上。当单次交战的决策隐入机器之后，若相关决策未能被准确定位，责任鸿沟便随之产生。伦理与法律责任只能附着于人类的选择，因此我们必须甄别并凸显指挥官能够以人类认知速度、基于充分信息做出的选择。

问题不在于指挥官是否仍需负责——他们必须负责。问题在于我们应将伦理与法律意义附着于哪些决策之上。遗憾的是，答案往往语焉不详。例如，当北约指挥控制界探讨人类必须在哪些岗位上持续担责时，其结论仅是“取决于特定时刻决策的影响”。我们需要更为精确的界定。

程序选择

解决方案的一部分在于为机器遴选适宜的程序。此处的“程序”指代系统在触发时刻前被指令执行的一切行为：可交战的目标类别、适用的交战规则以及行使的自主层级。选择程序本身即属人类判断行为。该决策是审慎的、有记录的，并以人类认知速度执行。

程序选择在海战领域已有实践。在装备“宙斯盾”系统的战舰上，指挥官并不批准每一次拦截，而是从多种作战原则中择一，针对不同预期威胁混合配置自主层级，系统则在选定程序框架内执行。英国政府通信总部前主任戴维·奥蒙德曾提出一项通用方案：将武装冲突法核查清单编码为指挥官赋予的权重，由机器据此进行优化，全程留痕且可审计，从而使责任追溯至“设定权重的指挥官”。北约空中力量理论家亦得出类似结论：事态演进越快，人类越需从“环内”移至“环上”，保留否决权，并将全自主权限定在预先定义的例外情境中。

然而，程序选择并非完整解决方案，原因如下。首先，程序选择未必适用于所有武器系统。战舰作为一种低速机动、以防御为主的系统，人机比高，等待指挥官选择程序具备可行性。但对于高速机动进攻性资产集群而言，适宜的程序可能随街区与小时更迭，逐平台调整程序很快变得不切实际。

其次，适宜的程序会随环境变化。单次出击任务中，攻击无人机可能穿越居民村落、友军排级阵地及敌方无人地带。单一程序难以适配所有场景，而按最保守情形设定程序，则会丧失自主性带来的大部分优势。

再次，任务中途变更无人机程序需依赖连通性。如前所述，可靠连通性的缺失正是我们需要自主性的初衷之一。若指挥官在关键时刻无法变更程序，则该程序便不具备实际效用。

地图标定

解决方案的另一部分基于指挥官掌控的另一变量：战区空间。自主系统应携带经认证的能力评级，以反映我们对其执行特定程序能力的置信度；指挥官则应为作战区域的每一部分划定风险等级，并匹配相应的自主权限上限，且设定时间界限。

在划定为低风险的单元格（即不含平民及友军）内，获准对特定目标类别实施自主交战且评级达标的系统，可在指定时间窗口内行使全权。在包含医院的单元格内，权限上限则相应下调。仅评级更高的系统方可做出目标决策：若机器及其运行模式评级足够高，则可自主决策；否则须在直接人工控制下实施。系统穿越这些区域时，程序变更无需接收外部指令，而是基于发射前载入的地图边界或时钟节点自动触发。

位置与时间可作为可行的控制变量，因其执行未必依赖实时链路。发射前载入的边界随载具同行，惯性导航与机载时钟等系统在干扰及GPS拒止环境下仍能持续运行。尽管失去外部基准参照时机载导航会产生漂移，但漂移量是可量化的工程参数。这同样服务于认证逻辑：若系统的定位不确定性超出某单元格的容限，则不应获准在该区域自主运行。此类系统亦可设计为故障安全模式。当时间窗口关闭或边界被跨越时，系统将自动切换至最严格模式，直至载入新的标定指令。

各国军队早已对杀伤力实施时空管控。基于网格坐标单元格按时激活与解除的杀伤箱、禁射区、限制作战区乃至已宣告的雷场，均是使指挥官对特定区域的判断对武器使用产生约束力的工具。在火力支援协调措施中引入自主维度，是对成熟条令语法的延伸。这也符合法律规定：区分与比例原则本质上多是基于环境的判断，取决于平民分布、军事优势所在及特定地点打击的风险。时空标定正是对此类分析的映射。

国防人工智能工程师已构建出“无论接收何种指令均强制生效”的架构限制，用于保障救生型军用无人机的安全。将其应用于武器系统符合现行实践。这回应了“杀手机器人能否‘内置道德’”的疑问——伦理判断可被编码于作战包线之中。

在时空标定机制下，指挥官实施了一项具体、有记录的判断行为：划分单元格；依据各系统认证评级及运行模式设定其自主权限上限；激活该区域并设定时限。每一道边界均有制定者、评级、时间戳及有效期。若活跃单元格内发生交战失误，调查即可指向可回答的问题：绘制该单元格时分类是否准确？认证是否真实有效？鉴于作战需求，标定是否得当？这有助于弥合上述责任鸿沟。

质疑与局限

即便引入程序选择与地图标定，严峻的伦理与法律问题并未消失。正确设定标定并在战局变动中维持其准确性，才是真正的挑战。平民风险与军事效能之间的权衡将始终存在。此外，认证评级本身并非安全保证。然而，这些问题均属我们熟稔之范畴。参谋机构本就负责生成与处理战场标定所需的情报。自主系统认证虽难臻完美，却是我们必须面对的挑战。

人工智能在实时单元格分类方面亦有望超越人类。届时，应欢迎机器起草的覆盖层。但涉及程序设定与单元格标定的决策，必须保留在人类手中。与单次交战审批不同，此类决策可细化至人类能够审慎研判与决断的颗粒度。

结语

单次交战的人工控制正走向失效，因其在极端战场条件下已证明难以为继。若一味否认，只会造就一个在并非真正决策者的人类“洗白”机器判断的世界。我们必须将伦理与法律关切聚焦于战场指挥官实际能够做出的决策之上。

程序选择（包括设定权重、规则或模式）是解决方案的一部分，但其单独实施仍沿袭了对实时人工干预的脆弱依赖。将程序与地图相结合——即将自主层级与认证评级及按风险分级、限时划定的空间标定相绑定——方能实现审慎的人类判断与可追溯的责任归属。

https://lieber.westpoint.edu/beyond-human-loop-battlefield-maps-drone-autonomy/

预部署态势——即在冲突场景明朗前将军事资产分配至战区位置——是联合作战规划中一个关键且尚未得到形式化解决的难题。现行做法依赖贪心启发式算法，该算法以价值最大化为导向，却忽视地理覆盖，且在结构上易受对手针对高战略价值目标的打击。本文提出一种面向“态势与维持分配（PSA）”问题的场景加权对抗鲁棒态势优化引擎，将其建模为基于资产、战区位置与时间步长的有限时域马尔可夫决策过程。我们引入了“复合期望值（CEV）”优化器，该优化器通过在威胁场景分布上最大化场景加权预期态势效能来部署资产；并进一步提出“鲁棒CEV”扩展算法，该算法可与贝叶斯对手进行迭代博弈，后者会根据观测到的部署情况更新其打击分布。在涵盖20项资产与5个战区位置的印太地区基地部署环境中，通过三项实验表明：（1）贪心基准算法因地理覆盖不足，导致态势效能遭受永久性25.1%的折损，且在价值相关的对抗性威胁下，场景加权战备完好率骤降57.3%；（2）当威胁分布蕴含地理信号时，CEV优化器较贪心算法最高可提升19.8%的效能，且精选的5至20个场景足以捕获该增益的主要部分；（3）当适应性对手采用欺骗性威胁先验时，鲁棒CEV扩展算法较朴素优化器最高可提升158%的效能。所有发现均通过经邦弗朗尼校正的配对t检验及双层方差分解进行验证，证实所报告的效能差距是部署策略的结构性特征，而非抽样偏差所致。

现代联合作战要求资产在威胁显现前完成部署。预部署态势——即在潜在冲突爆发前数日或数周，将飞机、弹药、后勤及保障资产分配至战区位置——决定了指挥官在局势演变时的可选方案。然而，现行规划实践主要依赖基于规则的、以价值最大化为目标的启发式方法：即将最多资产部署于优先级最高的基地。该方法虽计算可行且易于解释，但在战略上却极为脆弱。对手一旦观测到这种可预测的资产集中，便可实施针对性打击；规划者若忽视威胁的异质性，必将遭遇意外打击。

“态势与维持分配（PSA）”问题在作战层面尚未得到形式化解决。现代作战环境（OE）的五项公理共同决定了静态与贪心方法的不足：（1）威胁非平稳性：对手的打击分布会随可观测的防御方态势而动态调整；（2）多域耦合性：某一领域的态势部署会在其他领域引发脆弱性或创造机遇；（3）部署不可逆性：初始分配锁定资产，且在交火状态下重新部署成本高昂且耗时漫长；（4）信息不对称：防御方对对手能力与意图掌握不全；（5）维持时效性：战备状态持续衰减，且无法瞬时恢复。上述任一公理均会单独降低贪心或静态规划的质量；而它们共同作用，则要求决策支持引擎必须具备场景感知能力、对抗鲁棒性，并能显式建模衰减—修复周期。

本文提出一种面向PSA问题的场景加权对抗鲁棒态势优化引擎，并通过三项实验证实其优于贪心基准算法。我们的贡献如下：

1. 构建了涵盖M项资产、N个战区位置及T个时间步长的PSA问题形式化马尔可夫决策过程（MDP）模型，并设计了复合态势效能指标，该指标综合考量战备完好率、地理覆盖及成本效益（第2节）。
2. 提出了复合期望值（CEV）优化器，该优化器基于威胁场景分布部署资产，当威胁分布蕴含地理信号时，较贪心基准算法最高可提升19.8%的效能（实验2）。
3. 构建了贝叶斯反制模型，其中适应性对手根据观测到的部署情况更新其打击分布；并提出了鲁棒CEV扩展算法，该算法可收敛至稳定均衡，在欺骗性威胁先验条件下，较朴素优化器最高可提升158%的效能（实验3）。
4. 通过经邦弗朗尼校正的配对t检验及双层方差分解对所有发现进行了统计验证，证实所报告的效能差距具有结构性而非抽样偏差（第10节）。

PSA模块运行于任务分配调度（SBC）与传感器融合任务规划（ISU）的上游：它决定了任务分配前资产的部署位置，从而确立了下游规划者可用的能力边界。

美国战争部（DOW）通过年度“规划、计划、预算与执行（PPBE）”流程，确定每年拟资助的任务、能力及项目。然而，那些对多项任务提供间接支撑的跨域组合，往往面临资金不足的问题，其部分原因在于PPBE流程的结构设计，不足以有理有据地阐明并排序此类组合对任务成功所发挥的关键作用。

本报告作者开发了一种用于指导跨域组合评估的方法，并配套提供了一个可定制、原型化的Excel工作簿以实现该方法。随后，作者通过对企业信息技术（EIT）组合子集的试点评估，对该评估方法进行了测试与迭代优化。该方法对能力缺口及相关投资的评估进行了结构化设计，为组合内投资的选择与优先级排序提供依据，旨在确保各项投资能够切实回应能力缺口，并与任务及战略保持一致。

本报告旨在为美国战争部内负责组合与项目管理、且必须对PPBE流程实施监督并提供输入的人员提供支持。那些负责关联多项任务集的跨域组合管理人员，可能会发现本报告及其所描述的评估方法尤其具有参考价值。

关键要点

五项评估准则可有助于指导跨域组合的评估

• 评估人员应评估组合内的每一项能力缺口是否“在范畴之内”：即该组合是否以战略为依据且界定清晰，能力缺口是否与组合既定任务相关，利益相关方是否已识别，以及开展评审的动因是否已形成文件记录。

• 评估人员应评估每一项能力缺口是否“关键”：即弥补该项能力缺口对作战任务的必要程度如何。

• 评估人员应评估每一项能力是否“紧迫”：无论是出于当前或紧迫威胁的考量，还是由于构建所需人员或资源的前置周期较长。

• 评估人员应评估每一项投资是否“可支撑”：即每项投资是否通过成熟、透明且经得起辩护的流程与方法制定而成。

• 评估人员应评估每一项投资是否“具有战略性”：即每项投资是否与领导层优先事项相一致并支撑战略目标，以及投资优先级排序方法是否客观，并能够形成层级清晰可分的投资梯队。

建议

• 跨域组合的所有者及评审人员应应用本评估方法。第一步应由空军部（DAF）将本报告中EIT的示例评估扩展至整个DAF EIT组合。

• 参与跨域组合能力与需求开发的利益相关方，应使用上述评估准则，并汇编所识别的相关支撑文件，以强化决策可追溯性，改进组合管理。

摘要

本研究的相关性由现代武装冲突条件下，尤其是俄乌战争背景下，战役及战役战略层级侦察打击复合体作用日益凸显所决定。当前，无人航空技术、网络中心化指挥控制原则及高精度打击手段迅猛发展，深刻重塑着战争形态。有鉴于此，本文旨在全面分析基于无人机的侦察打击复合体全球发展趋势，厘清其各组成部分的演进方向，并提出经科学论证的建议，以指导此类复合体的前瞻性发展，谋求非对称军事技术优势。研究采用核心方法论为系统与结构功能分析法，结合对开源资料的比较与批判性分析，从而将侦察打击复合体视为集成的多组件系统进行全面考察，评估各要素间的相互关联，并识别全球主导性技术趋势。本文明确了基于无人机构建的战役（战役战略）级侦察打击复合体的整体及其各组件的发展大势；揭示了提升此类复合体自主性、网络交互及打击能力的路径；指出了人工智能、蜂群技术及大规模消耗性无人机的日益重要作用；论证了向模块化、序列化及高效费比解决方案转型的合理性。本文研究成果对国防规划领域专家及国防工业科研设计单位具有重要实践价值，可为拟定前瞻性侦察打击复合体需求论证及明确其后续发展方向提供支撑。

关键词 侦察打击复合体；无人机；无人航空复合体；战役战略层级；人工智能；蜂群技术；网络中心系统；高精度打击；国防技术

引言

近十年来，面对现代地缘政治挑战与军事威胁，夺取对敌军事技术优势已成为确保国家防御能力、高效遂行作战行动的关键要素。自2014年延续至今的战事，特别是2022年2月24日全面入侵以来，对乌克兰武装部队的技术适应、武器装备现代化及创新引入提出了全新要求。

本研究的相关性在于，亟需全面分析全球武器装备发展的当代趋势，评估侵略国引入的技术，研究本国武器装备现代化经验，并识别国内国防工业综合体的前瞻性发展方向。

本文旨在全面分析国防技术领域的创新解决方案，评估乌克兰现有技术发展成果，明确高技术武器装备的后续主攻方向，并提出旨在确保对敌形成非对称优势的技术方案建议。

关于基于无人机构建的战役（战役战略）级侦察打击复合体的发展问题，文献[1]已有所探讨。[2]回顾了无人航空复合体的发展历程并展望了趋势，同时考量了当前的研制规划。[3]阐述了顺应武装斗争趋势的侦察打击复合体发展观点。[4]分析了俄联邦对乌全面武装侵略期间，侦察火力复合体在反击与威慑行动中的运用经验。[5]探讨了乌克兰国防军打击型无人航空复合体的发展前景。[6]强调了将基于人工智能的无人航空复合体指挥决策系统列装部队的必要性。[7]提出了乌克兰国防军无人航空复合体选型方法论。[8]研究了“多旋翼”类无人机无人航空复合体的发展前景。[9]指出了混合动力无人机的发展趋势。[10]分析了战争中无人机的运用特点及对抗方法。

方法论框架

本研究的方法论框架由一套相互补充的科学方法、手段与原则构成，确保对现代条件下侦察打击复合体发展进行系统、客观且具代表性的分析。构成该框架的科学方法（表1）、研究手段（表2）及原则（表3）如下所述。

表1. 用于研究指定侦察打击复合体全球发展趋势的科学方法

表2. 用于研究指定侦察打击复合体全球发展趋势的研究手段

需指出的是，本研究的局限性在于：仅使用开源情报资料，无法接触涉密军事文件；最新系统的精确技术参数获取受限，此缺陷通过分析现有专利、营销材料及专家评估予以弥补；对乌克兰战争中无人机及侦察打击复合体作战效能的评估受限于碎片化数据（源于双方的信息管控）。

表3. 研究指定侦察打击复合体发展的原则

研究结果

经系统分析，明确了基于无人机构建的战役（战役战略）级侦察打击复合体的全球发展趋势。这些趋势被大致划分为三个维度，既涵盖此类复合体整体，亦涉及构成复合体的无人航空复合体及无人机本身。具体趋势分析如下。

一、指定侦察打击复合体整体的全球发展趋势

基于对世界主要国家武装部队无人航空发展远景的分析，确定此类复合体的核心全球趋势如下：

• 确保从地面指挥所实现对多套侦察打击无人航空复合体的同步控制，并从无人航空复合体地面控制站实现对不同类型无人机群组（侦察打击型、侦察型、打击型、中继平台）的控制，且最大限度减少操作员干预；同时保障无人机控制功能可在不同无人航空复合体之间及向复合体地面指挥所的实时移交。
• 在复合体架构中纳入“母舰无人机”，作为小型打击无人机（一次性或可回收型）的载机，确保其在脱离载机后自主执行任务，并在完成任务后（针对可回收型）返回载机。
• 确保在复合体责任区全境实施持续侦察，并将侦察信息实时处理，以适于直接使用的格式分发至外部无人航空复合体机组和/或直接传输至打击无人机。
• 提升在指定责任区内，全天候、全时段、最短时间内对静止及移动目标实施高精度火力打击的能力。
• 依托卫星信道及机载中继平台，在复合体责任区划定范围内，实现从地面指挥所（控制站）对空中作战单元飞行过程中的实时作战控制。
• 在统一信息空间内，与外部侦察手段（雷达、无线电、无线电技术、光电）及指挥控制手段实现交互，以提升态势感知水平，并具备向己方无人航空复合体（无人机）及其他作战平台（打击手段）实时选择性分发侦察信息的能力。
• 确保能够根据战场态势，与基于任务式运用原则构建的其他侦察打击复合体，或直接与部署于空、陆、海平台的打击手段组织协同，以实时增强在指定作战区域内对敌火力打击效果。
• 确保从复合体架构中实施无人机的大规模运用（以群组或“蜂群”形式），并实时控制其编队飞行（未来将与有人机组成联合战斗队形），旨在饱和与瘫痪敌防空系统，提升对敌重要目标的打击效能。
• 改进软硬件支撑体系，确保复合体内不同控制子系统间的信息交互与协同组织能力（特别是构建自动目标识别系统与武器控制系统间的接口，以及保障陆空环境态势感知系统间的交互等）。
• 增强负责复合体组件技术保障单位的维护能力，包括在其架构中编入无人航空复合体（无人机）及其指挥所（地面控制站）的运用保障、维修与维护小组。

二、指定侦察打击复合体内无人航空复合体的全球发展趋势

经分析，确定此类复合体内无人航空复合体的主要发展趋势如下：

• 通过为无人航空复合体配备搭载喷气发动机的一次性打击无人机及其衍生的空中靶机，提升其打击能力，这将确保获取侦察信息后能更快速地打击作战纵深内的移动目标，并为更有效地欺骗与饱和敌防空系统创造条件。
• 通过为无人航空复合体配备搭载“空对面”与“空对空”类远程航空弹药的可回收侦察打击（打击）无人机，提升其打击能力，这将更有效地突破敌防空体系，并打击位于交战线较远距离外的目标。
• 提升无人航空复合体在昼夜及简繁天候条件下的监视与成像航空侦察（可见光与红外光谱光电侦察、无线电技术侦察、雷达侦察）能力。
• 基于人工智能提升无人航空复合体的自动化水平，确保对单架无人机及其群组（蜂群）在飞行全阶段（起飞、航程飞行、实施打击、着陆等）的自动控制，并使其能在敌战术、战役及战略纵深有效执行作战与特种任务。
• 提升无人机编队飞行与蜂群的控制效能（未来将与有人机组成联合战斗队形，以掌握与有人航空兵协同运用的形式与方法）。
• 增强无人机数据传输、指挥控制链路在敌电子战手段（自然与人为电磁发射影响）作用下的抗干扰（韧性）能力。
• 将无人航空复合体集成至部队（兵力）自动化指挥控制系统，确保其与伙伴国家研发（运用）的无人航空复合体在共同基础设施内的兼容性（包括使用统一通信与导航系统/网络的可能性），以支持联合作战。
• 发展基于分布式人工智能的网络化系统，使无人机群组能作为单一实体运用，并可根据实时变化的战役战术态势，在群组内自动分配任务。
• 在无人航空复合体架构中纳入中继无人机、基于 aerostat 的中继平台及卫星通信手段，以确保侦察（打击）无人机与地面控制站在视距外区域的通信。

三、指定侦察打击复合体内无人机的发展趋势

分析明确了此类复合体内无人机的主要发展趋势：

• 为侦察无人机配备机载紧凑型多频无线电技术套件，集成被动侦察手段、侧视与环视有源电扫阵列雷达，以及高分辨率光电系统。
• 在机载有源电扫阵列雷达中实现宽谱工作模式，使其能依据雷达特征识别小型地面目标（特别是提供1-2米级分辨率的合成孔径/逆合成孔径雷达模式），探测移动地面与低空目标（包括地面移动目标指示模式），并获取被土壤、积雪、沙土及森林遮蔽目标的雷达影像（低频探地雷达模式）。
• 提升机载雷达对地面目标的有源探测距离（至250公里）。
• 增强机载被动无线电技术手段基于目标自身辐射的探测能力（至400公里）。
• 提升可见光与红外光谱光电侦察手段的分辨率（低于1角分），涵盖静态成像与广域/聚焦视场视频流模式。
• 增强机载侦察手段在复杂下垫面、无线电干扰及高强度假信号背景下，进行目标筛选、识别与优先级排序的能力。
• 为无人机配备昼夜等效、且能在低、中、高空同等效能探测目标的光电与红外侦察设备。
• 确保能基于外部预先目标指示和/或自身算法（包括通过机载雷达探测到的目标无线电辐射进行定位）引导光电侦察站。
• 通过为一次性打击无人机战斗部配备自身末制导头（雷达、红外、激光），增强其对移动地面目标的打击能力。
• 为可回收侦察打击无人机配备自身自卫导弹武器（特别是“空对空”与“空对面”导弹）及有效的电子战手段，以对抗敌防空与电子压制手段，确保其能抵近至能最大限度发挥侦察效能的距离对目标实施侦察。
• 为无人机配备MP-CDL（多平台通用数据链）类通信与数据传输系统，确保在统一信息空间内与其他作战（侦察、打击）平台及其指挥所组织侦察信息交换，并在指定作战区域联合作战时提供（接收）目标指示。
• 将人工智能与机器视觉元素集成至无人机软硬件中，以实现导航、目标探测、识别（按类别、类型、状态）、跟踪、导引及打击过程的自动化。
• 依托搭载多类型传感器的机载综合惯性-卫星导航系统，确保无人机在发射（启动）后进入无需操作员干预的自主工作模式。
• 改进机载惯性系统，通过采用改进型传感器及基于人工智能的导航参数测量时变误差补偿新算法，提升无人机导航精度。
• 提升无人机续航能力，发展紧凑型模块化侦察设备，确保能通过多种通信信道实时传输侦察数据。
• 通过以新型动力系统（特别是液氢发动机、电动机及混合动力版本）取代传统内燃机，提升无人机航程，并降低其热与声学特征。
• 引入降低油耗、延长紧凑型涡轮发电机与涡轮喷气发动机寿命的技术，研发用于无人机的高效能新型紧凑型铝空电源。
• 发展具备智能自诊断与故障补偿功能的无人机功率变换器与电气装置。
• 通过配备涡轮喷气与涡轮螺旋桨发动机，以及混合动力系统（涡轮喷气/涡轮螺旋桨发动机与电动机集成），提升无人机飞行速度。
• 研发速度超过5马赫的高超声速无人机，这将显著加速对敌战役与战略纵深目标的交战过程，并使此类无人机几乎无法被传统防空系统摧毁。
• 研发基于侦察无人机与巡飞弹两类无人机集成的侦察打击无人机，确保能远距离发现目标并立即引导巡飞弹实施打击。
• 基于无人机研发能模拟各类飞行器特征的诱饵空中靶机以欺骗敌防空系统，以及旨在拦截不同类型空中目标（包括FPV无人机、直升机及“沙赫德”型无人机）的拦截型无人机。
• 通过采用新型复合材料与隐身技术制造机体（类比F-35C第五代舰载战斗机），应用吸波和/或散射涂层，并在无人机最强雷达反射部位周围同步于雷达辐射生成等离子云，降低无人机的雷达与热信号特征，使其能在强敌防空环境下作战。
• 应用设备微型化与性能增强新技术，在此基础上研发指挥与遥测信道距离增加的紧凑型无线电通信模块，以及能延长机载设备工作时间与无人机续航能力的大容量机载电池。
• 发展新型光学里程计与稳定技术，使无人机能利用自身机载相机获取的特定标记信息在地形上固定自身位置（该技术的关键优势在于不依赖GPS连接，从而增强无人机抗电子干扰能力）。
• 研发性能（强度、柔韧性、质量等）更优的光纤电缆，以确保在复杂地形、强电子对抗条件下，于最大可能距离上实现对无人机的稳定控制。
• 推进传感器技术发展（研究集成激光雷达、雷达、相机等各类传感器，以提升环境感知精度与无人机导航能力）。
• 推进通信技术发展（研发无人机与地面站间数据传输的新协议与标准，包括利用5G及其他高速信道）。
• 发展防撞系统（创建基于传感器数据分析的、能探测并规避空中与地面其他物体的技术）。
• 发展高能效系统（研究通过应用新型电池、太阳能电池板及其他能源提升无人机能效）。
• 发展多天线系统（创建能在单次任务中实现多架无人机协同与交互的技术，以执行更复杂的任务）。
• 推进网络安全技术（保护无人机免受网络威胁，提升其在遂行作战任务过程中的效能与安全性）。
• 发展能在光、无线电及红外光谱分析信息的多通道技术视觉系统。
• 改进技术视觉系统，以确保在光、无线电干扰条件下可靠探测与识别目标（考虑其可能存在的畸变）。
• 通过应用机器学习与人工智能技术，改进探测目标的信息处理算法。
• 基于技术视觉方法与雷达帧流综合处理，实现地形多站监测，并具备识别与预测目标位置的能力。
• 实施旨在提升导航质量与自主性的技术，包括改进机载光学导航系统软硬件，通过应用卷积神经网络提升其分辨率。
• 实施基于无人机群组数据的协同监测与地形测绘技术。
• 研发基于多光谱（多传感器）技术视觉系统的智能机载信息导航复合体，确保利用人工智能处理异构测量数据。
• 发展集成相关极值机载导航系统，能联合处理不同光谱（可见光、红外、雷达）获取的目标（地形）信息。
• 改进机载软硬件，通过研发与实施高效的蜂群交互神经网络算法、人工智能元素及无人机群组学习与自学习技术，确保单架无人机（及其群组）在飞行中的自主控制、导航与交互能力。
• 改进无人机群组内的通信组织体系与任务分配算法。
• 发展用于无人机群组在执行指派任务过程中的集成控制、交互与行为组织系统。
• 通过研发与应用基于纳米改性灌注及粘接化合物的聚合物复合材料，以及格状复合承载结构，增强无人机结构的强度与使用寿命。
• 研发用于无人机结构潜在缺陷安全热检测（探测）的技术系统，防止检测过程中损伤其复合材料蒙皮。
• 发展无人机与有人机在空域内协同运用的技术。
• 通过量子加密技术确保无人机信息信道的抗干扰能力，提升其防护水平。
• 实施无人机模块化设计原则，确保结构、能源与信息层面的模块兼容性，以赋予无人机现代化潜力，并在全寿命周期内维持其所需技术水平。

无人机（主要系一次性系统）颇具前景的发展趋势还应包括： 掌握并实施简化制造技术（含所用材料），同时在保留主要效能指标的前提下，确保大规模生产与最快速部队列装。此举有望实现无人机的大规模运用，将其作为提升效能的关键因素之一（主要源于通过持续攻击饱和敌防空系统、消耗其地空导弹库存）。典型案例为“终端自主”公司研发的国产“AQ 400镰刀”打击无人机“科萨”，其设计理念基于快速高效生产，最大限度降低后勤成本，同时保障最大功能，使其成为符合“效费比”标准的军事行动高效工具。

讨论

为进行全面分析，有必要考量国外专家的相关观点与研究成果。

文献[11]、[12]提供了特定时期内运用侦察打击复合体的国家数量数据。这些数据表明，战役层级侦察打击复合体中无人与自主打击手段（含无人机）的数量显著增加。为清晰分析这些数据，本文作者构建了相应图表（图1）与示意图（图2）。

对图1、图2数据的分析表明，过去十年间，将侦察打击复合体纳入武装部队的国家数量大幅增长，且此类复合体中打击无人机与巡飞弹的占比显著提升。

文献[13]的研究人员分析了一次性与可回收无人机的经济可行性，这对构建高效侦察打击复合体架构及优化打击无人机系统具有重要意义。文献[14]的作者探讨了多任务作战中无人机任务分配的优化问题，有助于提升战役级侦察打击复合体的效能。报告[15]分析了精确打击在战略对抗中的作用，包括将无人机、巡航导弹与信息系统集成至战役战略级侦察打击复合体。文献[16]的作者研发了面向未来高自主度侦察打击复合体的无人机蜂群控制算法，确保了高水平的协同能力。文献[17]阐述了当前多智能体模型在无人系统控制中的应用现状，这构成了自主侦察打击复合体发展的基础。分析综述[18]概述了全球巡飞弹发展趋势，此类弹药是现代侦察打击复合体的关键打击组件之一。研究[19]对俄军巡飞弹运用进行了实证分析，为现代战争条件下一次性打击无人机的效能提供了实践洞见。

结论

1. 本研究分析证实，基于无人机构建的战役及战役战略层级侦察打击复合体，已构成现代战争的关键要素，并决定着二十一世纪武装斗争的形态。全球发展趋势表明，军事领域正从单一打击手段向集成化网络中心系统转型，在此类系统中，不同级别无人机、侦察、指挥控制及打击手段在统一信息空间内协同运作。所得结果可断言，此类侦察打击复合体的发展应遵循对敌非对称响应原则，优先发展网络中心化解决方案，广泛应用人工智能与蜂群技术，并深化科学界、国防工业综合体与作战部队间的紧密互动。

2. 研究确定，提升此类复合体自主化与自动化水平是核心趋势，这主要通过引入人工智能元素、分布式控制系统及蜂群算法实现。此举能显著缩短“探测—识别—打击”周期，减轻操作员负荷，并增强复合体在实战条件下因个别单元损失而产生的韧性。与此同时，此类复合体正朝着与部队自动化指挥控制系统及其他不同部署方式（空、陆、海基）侦察与火力打击手段深度集成的方向发展。这提升了复合体的运用效能及其在战役与战役战略层级的运用灵活性。

3. 对复合体内无人航空复合体发展的分析揭示出一条清晰趋势：将可回收打击平台与一次性无人机及巡飞弹相结合。此种模式确保了能依据战役战术态势，基于最优“效费比”运用侦察打击复合体，为饱和敌防空系统创造条件，并提升复合体的整体生存能力。

4. 研究确定，复合体内无人机的发展正沿着提升航程、速度、续航能力及降低可探测性的路径推进，同时机载传感器系统的能力也实现了质的飞跃。多光谱侦察手段、有源电扫阵列雷达、技术视觉系统与机器学习技术的集成，确保了在敌积极电子对抗条件下提升目标识别精度与无人机运用效能。与此同时，确保简化无人机生产工艺并使其能快速适应战役战术态势变化至关重要。国产研发案例表明，聚焦序列化生产、模块化设计及基于实战经验的快速升级具有显著合理性。

未来研究方向可包括：构建论证基于无人机的侦察打击复合体最优编成的方法论框架，综合考虑其技术水平、可能运用场景及经济约束条件。

建议

本研究所得成果的实践价值在于，可应用于：

• 制定国家武器装备发展计划（涉及侦察打击复合体的研发与现代化改造），遴选相关研发与试验设计工作的优先主题，并提出相应的技术方案；
• 论证基于无人机的前瞻性侦察打击复合体及其各组件所需的战役战术与技术战术指标；
• 为高等军事院校及军官培训体系相关课程教学（涉及武器装备研发领域）构建科学方法论基础。

核心摘要

人工智能军事指挥系统是一类软件平台，依托机器学习、实时传感器融合与预测分析技术，辅助指挥员在战场上实现更迅捷、更精准的决策。当前领先的此类系统——涵盖赋能人工智能的C4ISR平台、自主数据融合工具，以及面向现代军事行动的AI驱动指挥控制系统——正在重塑各国军队的作战筹划、威胁追踪及快速危机响应模式。下文将系统阐释此类系统的定义、核心价值，以及引领变革的几类人工智能指挥控制系统。

军事指挥系统为何亟需人工智能升级

数十年来，传统军事指挥系统依赖人工分析员筛雷达馈送数据、卫星影像、信号情报及战场报告，继而手工构建战场态势图。在信息量可控的时代，这一流程尚能运转，但如今已难以为继。

现代冲突区域每秒产生的信息洪流令人窒息——无人机视频流、网络活动日志、部队调动数据、气象模式及通信截获情报等同步涌入。无论人员素质多高，人工团队的处理速度均无法匹配现代战争的快节奏。即便数分钟的延迟，也可能导致防御机动功败垂成或错失威胁窗口。

这正是人工智能指挥控制系统旨在填补的鸿沟。此类系统并非取代人类判断，而是承接数据采集、模式识别与威胁优先级排序等繁重任务，使指挥员得以聚焦战略研判与最终决策。其成果是一代更迅捷、更精准、且能同步跨域（陆、海、空、天、网）运作的新型军事指挥系统。

何为“人工智能驱动”的指挥系统？

并非所有数字化指挥工具均可称为人工智能驱动军事指挥系统。真正的AI驱动平台通常具备以下核心能力组合：

• 实时传感器融合：整合雷达、卫星、无人机及地面部队数据，生成统一作战态势图；
• 预测性分析：预判敌方动向或后勤瓶颈于未然；
• 自主威胁检测：以超越人工审阅的速度标记异常信号；
• 自然语言处理：规模化解析截获通信或情报报告；
• 决策辅助算法：基于历史与实时数据推荐行动方案，同时保留人类对最终批准的决策权。

上述能力共同构成了分析人士常称的“赋能人工智能的C4ISR平台”——即以指挥、控制、通信、计算机、情报、监视与侦察为核心，经机器学习技术全面增强的系统架构。

驱动军事决策变革的顶尖人工智能指挥系统

基于美国、北约盟友及其他先进军队公开报道的军事现代化项目，以下聚焦引领此轮变革的几类系统：

1. 人工智能驱动作战管理平台

此类平台是现代指挥中枢的核心，将多军种数据聚合至统一仪表盘。系统自动融合各域输入信息并高亮最紧急动态，取代了各团队手动交叉核对空、陆、海报告的旧模式。指挥员由此获得动态、持续更新的战场视图，而非呈递时即已滞后的静态简报。 作为现代军事行动中AI驱动指挥控制系统的支柱，此类平台通过压缩“杀伤链”（从威胁探测到响应的全流程），将原本耗时数小时的任务缩短至分钟级。

2. 预测性后勤与战备系统

作战不仅关乎交战，更在于确保燃料、弹药、备件及人员在正确时间抵达正确位置。人工智能后勤平台通过分析历史消耗模式、维护记录及供应链数据，预判短缺风险。此举显著减少航空器、车辆及舰船的非任务停机时间，确保部队在关键时刻保持战备状态。

3. 自主情报监视侦察（ISR）网络

最具影响力的赋能人工智能C4ISR平台，常围绕自主无人机与卫星星座构建。这些平台持续扫描动态，自动标记异常活动（如异常部队调动或车辆纵队），供人工研判。机器学习模型预先筛选素材，仅呈现关键片段，彻底改变了人工审阅数小时原始素材的传统模式，大幅压缩分析周期。

4. 人工智能辅助威胁优先级排序工具

在活跃冲突中，数十种潜在威胁可能同时涌现。人工智能指挥控制系统现可依据严重程度、邻近性及升级可能性对威胁分级排序。此举并非削弱人类决策者作用，而是确保其优先处理最关键信息，避免在时间压力下审阅无序清单。

5. 多域融合系统

现代战争是陆、海、空、天、网电空间的同步博弈。多域人工智能指挥平台旨在联通各作战环境，例如，一域侦测的网络攻击可自动触发他域警报及防御姿态调整。此类跨域感知曾近乎无法实现，现正成为军事决策支持与战场管理领域人工智能应用的标准配置。

6. 自然语言情报处理工具

大量军事情报仍以非结构化文本形式存在（报告、记录及开源信息）。人工智能语言模型日益广泛地用于摘要生成、关键实体提取及近实时外语翻译，使分析员得以在情报处理上抢占先机——以往此类工作需语言专家与研究人员耗费大量时间手工完成。

人工智能指挥控制系统的核心优势

采用此类技术的军事组织普遍反馈以下显著效益：

• 决策周期缩短：原需全员会议研判的内容，现可通过动态仪表盘实时更新呈现；
• 认知负荷降低：分析员与指挥员从手工数据收集中解放，聚焦关键研判；
• 决策精度提升：机器学习模型在长时任务中不易受疲劳因素影响而产生差错；
• 资源配置优化：预测性维护与后勤工具减少浪费与非任务停机；
• 态势感知增强：多域数据融合显著减少战场盲区。

需审慎认知的挑战与风险

任何关于人工智能军事指挥系统的负责任讨论，均需正视相关风险：

• 数据质量问题：系统可靠性完全取决于输入数据，污染或不完整数据可能导致错误建议；
• 自动化过度依赖：关于算法权限边界与指挥员保留权限（尤其在高风险决策中）的争论持续存在；
• 网络安全脆弱性：高度网络化的指挥系统为对手提供了更大的攻击面，可能遭致破坏或欺骗；
• 伦理与法律争议：国际人道法要求对武力使用保持有意义的人类控制，这深刻影响着各国军队的系统设计与部署逻辑。

鉴于上述关切，现代项目多遵循“人在环内”或“人在环上”模式：人工智能加速分析并提供建议，但人类保留最终决策权——尤其涉及武力运用的关键环节。

赋能人工智能的军事决策未来展望

展望未来，各国防务部门及联盟体的发展趋势指向更高互操作性——确保不同军种乃至盟国间的人工智能军事指挥系统能在联合作战中无缝共享数据。预计将持续投入边缘计算（即在数据源头如无人机或车辆端就近处理）、强化网络安全防护，并深化天基传感器与地面指挥中心的融合。

随着系统成熟，核心目标始终如一：为人类决策者提供关于瞬息万变战场的更清晰、更迅捷、更可靠的态势图——非为取代其判断，而是强化之。

常见问题解答

何为人工智能军事指挥系统

此类软件平台运用人工智能技术采集、分析及呈现战场数据，辅助指挥员实现更快速、更明智的决策。

人工智能指挥控制系统与传统军事指挥系统有何区别 传统系统严重依赖人工数据分析，而AI驱动系统实现了数据融合、威胁检测及预测分析的自动化，显著压缩决策周期。

人工智能军事指挥系统是否具备完全自主性

否。绝大多数系统采用“人在回路”设计，即AI负责分析与建议，而最终决策权（尤其涉及武力运用时）始终由人类指挥员掌握。

赋能人工智能的C4ISR平台在现代战争中的作用是什么

此类平台将指挥、控制、通信、计算机、情报、监视与侦察功能与机器学习相结合，提供统一、实时的作战态势图。

为何人工智能对军事决策支持与战场管理至关重要

现代冲突产生的数据量远超人工处理能力，人工智能通过过滤、排序及解读信息，赋能指挥员实现快速精准行动。

结语

向AI驱动指挥控制系统的转型并非遥不可及的未来概念，而是正在全球主要军队中加速落地的现实。从预测性后勤到多域威胁融合，这些工具正在重塑高压环境下的决策模式。随着应用深化，成功军队的关键在于把握平衡：善用AI以提速增明，同时始终将人类判断置于所有关键决策的核心。

本研究运用自组织临界性理论，分析俄乌战争背景下的组织脆弱性、韧性与失效动态。所提出的基于自组织临界性的框架引入了一项量化指标——幂律指数（α），用以评估持续压力下系统发生整体性崩溃的可能性。研究结果表明，高度集中的军事结构更易遭受级联故障的冲击，而分布式、自适应性的组织架构则展现出更强的韧性。分析进一步显示，战时适应过程强化了去中心化结构，且冲突双方均策略性地将军事行动与外交时间表同步，以放大政治效应。通过将复杂系统理论与实证冲突动态相结合，本研究揭示了自组织临界性模型如何优化非对称防御策略，使实力较弱的行为体能够产生与其规模不相称的战略成效。研究结论对北约部队设计、防务规划及以韧性为导向的军事转型具有重要启示意义。

关键词 自组织临界性；非对称防御；俄乌战争；组织韧性；级联故障；复杂系统；军事战略

引言

2022年2月爆发的俄罗斯对乌克兰的特别军事行动，为一项反直觉现象提供了前所未有的实证：当一支规模与装备均占优势的军队遭遇采取精准打击手段的弱势对手时，可能遭遇连锁性的作战失效。2022年俄方发动侵略前夕，诸多专家对乌克兰作为主权国家抵御全面军事化对手的能力持怀疑态度。然而事态发展很快证明，即便是最权威研究者的评估亦出现偏差。这场高强度冲突已持续至第四个年头，乌克兰所展现出的国家韧性能力，已成为全球安全架构中的重要变量——这一能力既为国际行为体所探究，也使乌克兰成为国际稳定的支柱之一。此种韧性源于多重因素：政治领导层动员国际支持的能力、武装部队与平民中罕见的爱国主义精神，以及在战场与民政治理领域持续展现的应变智慧。

俄军以压倒性的物质优势开战：更庞大的兵员储备、更充足的装甲与火炮库存、规模可观的空军，以及维持长期作战的工业产能。自2022年以来，这些优势因外部支持而进一步强化，包括来自中国的持续能源收入、伊朗提供的打击无人机，以及朝鲜供应的弹药。按常规军力衡量标准，俄罗斯本应以可控成本将这些资源转化为战场胜势。

现实却走向反面。截至2025年12月，俄军伤亡人数已近120万，其中战场阵亡估计在27.5万至32.5万之间——三年间的死亡人数超过了二战后苏联与俄罗斯历次战争的总和。2024年末日均伤亡超过1500人，装备损失与乌克兰的交换比达2:1至5:1，包括被毁坦克数量超过俄军战前全部现役库存。正如北约秘书长吕特所指出的，俄军单月损失已超过苏联在阿富汗十年战争的总损失。这绝非一支高效取胜部队应有的损耗水平。

消耗模型无法解释此般模式。尽管俄方享有火力、兵员及外部支持的绝对优势，其流血速度却创下历史纪录。常见解释称莫斯科蓄意承受高伤亡作为消耗战略，但这仅描述了俄方的容忍度，而非损耗的根源。拥有资源优势的部队本应以更低成本推进，而非付出更高代价。核心谜题不在于俄方是否接受伤亡，而在于其作战行动为何持续造成此类损失。

尽管战争表象混沌，充斥着克劳塞维茨所警示的、令预测失效的迷雾、摩擦与无数变量，但当我们在宏观尺度审视冲突时，一种显著的规律性便浮现出来。战争如同地震与雪崩，呈现幂律分布特征：大量小规模遭遇战、较少的重大战役，以及重塑整个战区的罕见但灾难性的战略行动，皆遵循同一底层模式。此种规律性并非巧合，而是自组织临界性的鲜明印记：它揭示战争系统运行于临界状态附近，微小行动与灾难性事件共享相同的动力学机制。塞德曼在跨越数个世纪的洲际战争数据中记录了这一模式。多比亚斯在分析伊拉克与阿富汗的联军行动时，于叛乱活动中发现了相同的幂律特征。不同冲突、不同规模、不同行为体，却显现出相同的幂律签名。

自组织临界性由巴克等人首次提出，描述系统自然演化至临界状态的过程——在此状态下，微小扰动可触发跨尺度的级联事件。该理论源于经典的沙堆模型。初始阶段，沙粒逐一落向平面，每粒沙仅停留于落点。随着沙堆增高，其趋近临界坡度，此时整体结构趋于脆弱；每粒沙都在共享张力下倚靠邻粒。在此临界状态，添加单粒沙即可引发雪崩——并非因该沙粒特殊，而是系统已累积足够内应力，任何微小扰动皆可释放之。多数沙粒仅引发局部位移，但偶尔一粒沙便能倾覆整个沙堆。此般动态已在地震、金融崩盘等诸多领域被观测到，自组织临界性理论亦被用于分析与预防自然及人为灾害，为评估级联风险、指导危机预防与组织韧性决策提供了框架。

现代军事组织呈现类似的动力学特征。如同沙堆一般，现代军队通过日常运作压力自然演化至临界状态。效率优化消除了冗余：既然一个补给站足矣，何必维持两个？资源约束迫使能力集中：单一维修设施服务整旅官兵。随着装备损耗、补给消耗与人员疲劳，作战节奏持续累积系统应力。每项优化孤立来看皆属合理，但共同将组织推向临界坡度，使各要素紧密相依。在临界状态下，对后勤枢纽的精准打击不仅摧毁卡车，更同时切断多个作战编队的燃料供应、弹药配送与维修保障。针对通信系统的网络攻击不仅瘫痪电台，更切断支撑火力协调、情报融合与指挥权威的信息流。如同触发雪崩的那粒沙，这些靶向扰动引发的故障传播范围，远超其直接作用点。

识别临界状态的邻近性对危机管理至关重要。多比亚斯通过对比伊拉克与阿富汗的案例证明了这一点：两地虽均遵循自组织临界性动力学，但暴力呈现形式迥异。伊拉克已抵达临界状态，如同处于临界坡度的沙堆，一粒沙即可引发雪崩。单一暴力事件可能触发连锁反应，升级为难以遏制的螺旋。阿富汗则保持亚临界状态，如同仍低于临界坡度的沙堆，一粒沙仅停留原处。暴力事件保持孤立，自然衰减而非级联扩散。相同底层动力学，不同系统状态，要求差异化的战略应对。亚临界状态下，扰动可被遏制，局势趋于稳定；临界状态下，微小事件亦可能失控升级，需极度审慎。

自组织临界性亦为非对称战略创造机遇。弗里德曼将非对称冲突定义为弱势方的策略：规避对手优势、拉长冲突周期、消磨政治意志。此类策略古已有之，但通过自组织临界性视角审视则获得新的效力。非对称防御者的任务在于识别：对手如同所有承压系统，正漂移向临界状态，由此在特定节点形成脆弱性——精准扰动可引发系统性级联，而非局部损伤。防御者无需匹敌对手资源，而须识别对手依赖集中的节点，并精准施压。对处于临界状态的系统实施一次精准打击，其效果远超对亚临界系统实施千次打击。然而防御者亦须认知：己方组织同样受此动力学支配。攻防双方皆为自组织临界性系统：皆累积应力，皆漂移向临界，皆面临系统性崩溃风险。有效的非对称战略要求：在利用对手临界性的同时，防止自身陷入临界。

为执行此类战略，规划者需能捕捉自组织临界性动力学的模型。现有方法将军事组织视为静态系统。它们识别关键节点、模拟特定攻击、测算结果，却未将系统建模为向临界状态自组织的过程。它们未能认识到：应力随时间在组件中累积；系统通过日常运作漂移向临界；同一打击因系统在漂移中所处位置不同，可能导致灾难性崩溃或局部损伤。当前工具回答战术与作战层面问题：哪些节点关键？打击目标将引发何种后果？该计划能否成功？自组织临界性模型则回答更根本的问题：该系统脆弱性几何？更重要的是，它产生单一量化指标（α），用以度量系统对级联故障的易感性。该指标可在不同部队设计、条令与情景间比较，使规划者不仅能评估计划可行性，更能研判系统承受摩擦的潜能。

本文做出五项贡献。其一，提出军事组织的自组织临界性模型。其二，应用该模型对比俄军与乌军的力量架构，揭示在同等压力条件下，集中式结构比分布式结构更易遭受级联崩溃。其三，证明战时适应过程能在外部压力加剧的同时，带来组织韧性的可量化提升。其四，识别冲突双方通过将军事行动时机与外交日程同步，从而将作战成效放大为政治效应的机制。其五，将自组织临界性框架与冲突解决理论相衔接，阐明临界动力学如何与谈判解决的条件相互作用。自组织临界性框架为前述伤亡谜题提供了答案：俄军集中式指挥架构产生的系统性脆弱，非其物质优势所能抵消；而乌克兰的模块化结构、战时适应与联盟支持，使其在持续压力下维持亚临界韧性。

军事组织的自组织临界性模型

本节阐述军事组织的自组织临界性模型。模型包含两部分：（一）定义系统的组件——节点、边、应力、阈值与传递规则；（二）模拟应力累积、节点失效与故障传播动力学的算法。各组件均映射至防务规划者可观测、测量或影响的要素。此种映射使模型具备可操作性：现实世界中部队结构的变更，将转化为模型参数的调整，而α值的相应变化则量化了此番调整的效果。

组件

系统由五类组件定义：

1. 节点：潜在失效点，如指挥所、后勤枢纽、作战单位、通信中心，或任何失效后将引发连锁后果的要素。建模核心问题：若该要素失效，是否会对其余要素施加应力并导致其连锁失效？若是，则为节点。
2. 边：故障传播路径。从X指向Y的边，意味着X的失效将对Y施加应力。边表征依赖关系，而非支援关系。若某后勤枢纽服务于三个营，则存在从该枢纽指向各营的边。出度高的节点具有危险性：其失效将广泛传播。集中式架构将边集中于枢纽周围；分布式架构则使其均匀分布。
3. 应力：施加于系统的压力。随机应力（各节点概率均等）模拟普遍损耗——作战节奏、环境条件与分布式低强度攻击。靶向应力（概率与节点度成正比）模拟对高价值目标的精准打击。分析者可调整强度（每次攻击施加的应力值）与频率（攻击发生间隔）。
4. 阈值：吸收应力的能力上限。当累积应力超过阈值时，节点失效。阈值建模加固程度、库存深度、装备冗余、人员储备及外援水平。当盟国提供弹药或装备时，即提升了阈值。
5. 传递规则：节点失效时传递给邻节点的应力比例。高传递率意味着强耦合——一次失效将沉重拖累邻节点。低传递率意味着弱耦合——邻节点可继续运作。传递规则建模作战条令：强调集中指挥与刚性协同的条令对应高传递率；授予任务式命令与自主行动权的条令对应低传递率。

表1汇总了上述组件及其军事释义。

表1：自组织临界性模型组件

算法

基于上述组件，以下算法通过追踪单次打击如何在部队中引发连锁失效，模拟级联动力学：

1. 向某节点施加应力（打击某单位）。
2. 若任何节点的累积应力超过其阈值，则该节点失效，并将部分应力传递给关联节点，后者可能继而失效。
3. 重复步骤2，直至无节点超过阈值（级联平息）。
4. 记录级联规模，即失效节点总数。
5. 返回步骤1。

算法为每次运行输出一个级联规模值，即单次打击导致的失效节点数。经数千次运行后，我们检验级联规模的分布。自组织临界性理论预测此类分布遵循幂律：$P(s) \propto s^{-\alpha}$，其中$P(s)$为规模为$s$的级联发生的概率密度。指数$\alpha$通过捕捉单次打击超出目标扩散的频率，表征系统脆弱性：

• 低α值：大规模级联常见。系统脆弱。打击常引发扩散，少量扰动即可瘫痪系统相当比例的功能。
• 高α值：大规模级联罕见。系统韧性。多数打击仅造成局部损伤，极少触发系统性崩溃。

至关重要的是，自组织临界性模型不预测特定交战的结果。它回答的是另一个问题：给定此结构、条令与资源，系统发生崩溃的脆弱性如何？规划者可建模不同配置并比较α值。针对己方部队：将后勤分散至多个枢纽，与集中部署相比，α值如何变化？采用任务式命令，与集中指挥相比，α值如何偏移？针对对手：基于对其结构的观察，潜在脆弱点在何处？哪类打击将产生最大影响？

范围与局限

自组织临界性模型聚焦于组织脆弱性的结构性维度。士气、领导素质、战场经验、初级军官主动性、纪律，以及指挥官在压力下的反应能力等人为因素，均不在其考量范围内。地形、天气、工程纵深、后勤可达性，以及特定武器系统的交互等作战因素，亦属模型边界之外。

因此，本研究开展的自组织临界性分析是对传统作战与单位层级评估的补充，而非替代。乌克兰所展现的结构性优势，是共同解释其韧性的若干因素之一。模拟结论基于所建模的架构与设定参数；实证战场记录与这些论断相符，但非由其推导得出。

案例研究：乌克兰为何屹立不倒？

自组织临界性模型为解答自2022年2月以来困扰军事分析者的核心谜题提供了框架：为何体量较小、装备较弱、面对核武超级大国的乌克兰未曾崩溃？模型提供三点解释。

解释一：组织架构

我们依据条令文献记载的结构特征构建双方部队的自组织临界性模型。针对俄军营级战术群，采用无标度拓扑近似的枢纽主导型网络结构。条令分析将营级战术群描述为一种以营为核心、模块化的编成，其诸兵种合成能力围绕单一指挥部聚合，坦克、炮兵、防空、工兵与后勤要素由上级旅或团配属。后勤依赖基于营级战术群的营属保障排，形成仅能维持数日作战的供应瓶颈，之后需从更高层级补给。我们将此种集中式、配属型架构建模为无标度网络。无标度网络通过优先连接生成，产生少数高度连接的枢纽——代表指挥所、后勤节点与炮兵协调中心——被大量连接稀疏的机动要素环绕。在图2左面板中，这些枢纽呈现为集中于网络中心的大型深红色节点。

我们以模块化网络拓扑表征乌军机械化旅组织。相关文献将乌军旅描述为行动的基本单元：“旅是乌克兰陆军的基本行动单元……旅具备自给能力，拥有建制内的作战、作战支援与作战勤务支援单位”。乌军旅通常配备多个炮兵营，并在旅架构内包含建制的防空、工兵、维修、后勤、侦察与电子战要素。旅级以上的指挥控制采取以战役战术群形式临时组建，表明其为横向协调而非刚性层级依赖。我们将此种分布式、自给型架构建模为模块化网络拓扑：密集的旅内连接表征建制整合，稀疏的旅间连接表征跨编队的临时协调。在图2右面板中，节点大小与颜色相近，反映主导性枢纽的缺失，并组织为五个独立集群，代表通过有限协调纽带连接的半自治旅。

上述拓扑选择植根于成熟的网络科学成果。研究表明，无标度网络对随机失效具有鲁棒性，但在高度数节点被靶向移除时极度脆弱，这与枢纽主导型指挥系统的脆弱性特征吻合。另有研究证明，具备社区结构的网络能抑制跨模块边界的传播，在同类网络崩溃时仍保持运作，这与自给型旅架构的韧性特征匹配。因此，两种拓扑对应两种已知的级联机制：靶向攻击下的枢纽脆弱性，与扰动的模块化遏制能力。

需强调，营级战术群与乌军机械化旅是两种条令极性的原型，而非双方所有部署编成的平均代表。俄军列装包含摩托化步兵旅、坦克旅、海军步兵、空降部队及2024年后重建的团级单位，各自在营级战术群模型基础上存在变体；乌军地面部队同样列装机械化、摩托化、坦克、空中突击及国土防御旅，在装备、训练及任务式指挥的实际践行程度上存在差异。我们的模型表征了引证条令文献中记载的双方典型机械化编成，由此产生的α值差异应解读为脆弱性的结构性成分，而非对单位层级战场表现的预测。

此外，俄军的集中化并非纯粹条令偏好。它受到中级指挥结构性约束的强化，包括有案可稽的、缺乏职业化士官队伍，初级军官任务式指挥传统有限，以及将本可由更去中心化军队向下授权的战术决策前推至将官指挥的作战倾向。因此，俄军模型所假设的高传递参数，既符合其正式架构，也与使其低耦合替代方案在作战上不可行的骨干力量局限相一致。

为隔离拓扑结构的影响，我们保持其余参数恒定：两模型中的阈值、传递规则与初始应力分布完全相同；仅拓扑结构不同。随后，我们在两种攻击策略下对每类网络模拟10万次打击。随机攻击下，各节点被击中概率均等，代表无导向火力或消耗战。靶向攻击下，击中概率与节点度成正比，代表针对指挥所、后勤枢纽、通信中心等高价值节点的情报驱动式打击。表2展示了模型配置。

表2：攻击策略的自组织临界性模型配置

图3展示了两种攻击策略下的级联规模分布。对比极为鲜明。随机攻击下，乌克兰呈现陡峭的幂律斜率（α=2.70），最大级联规模为49个节点；俄罗斯则呈现平缓斜率（α=1.15），最大级联规模达1386个节点——高出28倍。这意味着当打击随机落于乌军网络时，多数级联保持小规模，局部应力在吸收打击的模块内消散。模块化结构如同防火隔离带。相反，对俄军网络的随机打击常演变为大规模级联，因为即便是边缘节点也通过枢纽连接。当随机打击最终动摇某枢纽的邻节点时，级联便通过枢纽传播至全网。

靶向攻击下，乌克兰的α降至2.54，最大级联规模达59个节点——模块化限制了传播，因无单一节点占主导。反之，俄罗斯的α跌至1.06，级联规模飙升至1785个节点；打击依赖度高的枢纽触发灾难性失效。结果，对俄军网络的每次打击造成的级联损伤，是乌军等效打击的30倍。此30倍数值是在设定参数下的模拟结果，阐释了枢纽主导型架构的固有脆弱性，而非作战预测。

前述自组织临界性模型证明，将能力分散于半自治模块中，能显著提升对随机损耗与靶向打击的韧性。相反，将能力集中于枢纽，虽在稳定条件下优化性能，却在这些枢纽受威胁时制造灾难性脆弱。这对目标选择具有以下启示：针对集中协调的对手，情报驱动的、针对高度数节点的打击能收获不成比例的回报。针对模块化对手，则无单一打击能产生决定性效果。

解释二：战时适应

乌克兰在战争进程中亦通过适应部队结构、指挥安排及大规模整合商业技术，提升了韧性。自2022年2月起，乌克兰加速了任务式指挥的采纳，“日益强调下级单位的分散指挥与主动性”，且战场经验“迅速反馈至训练课程”。另有观察指出，“凭借更分散的指挥结构，乌克兰军队在自下而上的战术适应方面表现出色”。

自组织临界性模型可通过传递参数——即单位失效时传递给邻节点的应力比例——评估韧性变化如何影响级联动力学。高传递率意味着强耦合：当一单位失效，邻单位承受显著应力，可能随之失效。低传递率意味着弱耦合：失效保持局部化。我们将此转变建模为传递率从0.4（战前）降至0.25（战时）。网络结构保持不变，即与解释一相同的模块化拓扑。表3列出了参数值。

表3：乌克兰韧性演化的自组织临界性模型参数设定

图4展示了结果。随着传递率从0.4降至0.25，α值从3.64升至4.88，最大级联规模从29个节点降至18个节点——单次打击损伤减少38%。至关重要的是，此番改善未改变底层网络。当单位强耦合时，单节点失效引发应力向外涟漪扩散，触发表征脆性组织的大规模级联。随着耦合松动——即各单位发展出吸收局部冲击而非传递之的能力——失效得以遏制而非传播。此种耦合的松动预设了使任务式指挥在作战上可行的人的条件：训练有素的初级军官与士官、下级主动的文化、相邻单位间的横向协调习惯，以及战场驱动的反馈回路。因此，α值的建模偏移是条令变革与这些人为因素的共同结果。

理解此番适应的重要性，需认知现代国家的本质。曼恩主张国家是多形态的：它结晶为一个中心，但更是一个多重中心，其形态取决于其必须协调的政治网络数量，体现于其面临的功能与任务多样性。在其框架中，社会权力分为专制权力——通过层级命令行使——与基础设施权力——通过网络渗透与协调社会行使。现代国家寻求通过嵌入重叠的政治、军事、经济与意识形态网络来扩展基础设施权力。因此，用曼恩的术语解读，乌克兰战时向任务式指挥的转向，可视为其军事网络内从专制权力向基础设施权力的移动——以分布式协调取代刚性层级依赖。俄军营级战术群结构则反映相反倾向：专制权力集中于枢纽节点，虽实现严密控制，但一旦受扰便放大系统性脆弱。在曼恩框架内，韧性不仅关乎国家掌控权力的多寡，更关乎权力组织的方式。

评估国家韧性的传统工具未能捕捉此番区分。例如，《脆弱国家指数》衡量的是输入性压力——难民、基础设施损毁、经济中断、领土丧失——乌克兰在此类指标上的数值显著高于俄罗斯。此类度量捕捉的是遭受应力的暴露程度，而非应力如何通过组织结构传播。相反，自组织临界性模型区分了系统遭受打击的烈度（应力率）与其吸收打击的能力（级联动力学）。乌克兰的高指数得分反映外部压力；其高α值则反映内部韧性。我们通过将差异化的应力率应用于解释一中的相同网络拓扑来验证此点。乌克兰承受每迭代更高应力（反映入侵、流离失所与基础设施摧毁），而俄罗斯承受较低应力（反映其作为侵略方虽面临制裁但无领土毁灭）。表4汇总了参数设定。

表4：差异化外部压力的自组织临界性模型参数设定

图5厘清了传统脆弱性度量与自组织临界性定义的系统性脆弱之间的区别。左面板显示随时间累积的外部压力，即《脆弱国家指数》等所捕捉的暴露类型。乌克兰应力累积速率显著更高，反映入侵、领土丧失、大规模流离失所与基础设施摧毁。仅据此度量，乌克兰显得更为脆弱。右面板展示级联动力学——即各系统如何应对该压力。尽管承受更高应力，乌克兰（α=2.84）仍呈现比俄罗斯（α=1.15）更陡峭的幂律斜率与更小的最大级联规模。模块化结构即使在高压下亦能遏制级联。调和二者显而易见：该指数衡量的是你遭受打击的烈度；自组织临界性的α衡量的是你承受打击的能力。乌克兰遭受重击，但能吸收之。俄罗斯受击较轻，却无力吸收。传统脆弱性指数混淆了这两种不同现象，导致冲突环境下的评估失准。

解释三：战略时机与可得性级联

解释一与解释二确立了俄军集中式架构在结构上脆弱，而乌军模块化组织在韧性上表现优异——且此种韧性通过战时适应得以深化。但战争并非仅在战场上进行。军事行动亦产生政治效应：它们塑造盟国首都决策者的认知，后者掌控着军事援助、制裁与外交杠杆。冲突双方似乎均认识到此点，数据表明双方均有意在国际会议（如北约峰会、欧盟理事会会议、和平会议）前夕升级攻击，以在全球瞩目之际最大化政治影响。

决策者聚集于此类会议以评估冲突、分配资源并制定政策，其判断深受会议前夕数日信息环境的影响。恰逢其时的战场事件不仅报告军事结果，更提供锚定审议的鲜活证据。特沃斯基与卡尼曼证实，不确定性下的决策受近期案例可得性驱动，而非对历史结果的系统评估。库兰与桑斯坦将此洞见形式化为可得性级联：一种自我强化的循环——戏剧性事件增加媒体报道，进而提升决策者的关注度，催生政策回应，而这些回应又进一步验证原始叙事。触发事件未必需在战略上具决定性——它只需在既有叙事框架内足够鲜活、及时且可被解读。在政治决策或资金谈判前夕精心安排的干预，即使事件实际影响有限，亦能不成比例地强化已然形成的信念。战略性的时机选择媒体覆盖放大此效应，确保事件在审议开始前已饱和信息环境。

图6展示了2022年2月至2024年12月间主要国际会议前后六天及会议当天，俄方与乌方的攻击次数。俄方攻击从会议前六天的908次，升至会议前夕的1189次，继而在会议当天飙升至3778次——较第六天增长4.2倍。乌方攻击呈现类似的阶梯式上升模式，从倒计时最后阶段的21次升至35次，并在会议当天激增至119次——增长5.7倍。双方攻击次数并非持平，而是在会议前夕逐日升级，于国际关注度达峰时骤增。若攻击独立于外交日程，会议当天的攻击总数在统计上应与前几日无差异。相反，双方似乎均在全球能见度最高时集中实施动能活动。需强调，此证据与上述可得性级联机制相符，但其本身并未确立因果关系；包括独立于外交日程的作战节奏周期在内的替代性解释，无法仅凭计数数据排除。

对乌克兰而言，在北约峰会前夕对俄指挥所、弹药库或海军舰艇实施时机恰当的打击，可为决策者提供乌克兰是值得支持的有效伙伴的证据。此种叙事使援助批准、制裁延期与安全承诺更可能落地。随之而来的支持——武器、弹药、情报与财政援助——强化乌克兰军力，支撑进一步作战，进而巩固乌克兰成功的认知。可得性级联由此自我强化：信念催生行动，行动产生证据，证据强化信念。

俄罗斯运用相同策略。在国际会议前夕对乌基础设施实施戏剧性打击，意在传递俄仍保有升级能力、战争代价将持续攀升的信号。此种叙事旨在放大盟国首都的战争疲劳感，并施压以将援助与外交让步挂钩。时机配合和谈的攻击进一步彰显决心，将俄罗斯定位为不可胁迫的一方。可得性级联反向运作：破坏能力的鲜活证据使决策者在审议时将持续支持视为高昂代价。

战略时机选择对集中式对手尤为有效，因为两种放大机制依次运作。首先，如解释一所示，结构性脆弱将微小扰动转化为不成比例的作战失效——对枢纽节点的单次打击，在俄军集中式架构中引发的级联远超直接作用点。其次，当该作战失效恰逢国际峰会时，可得性级联将军事结果转化为不成比例的政策回应：决策者在审议后续步骤时，会赋予鲜活、近期的证据以更大权重。时机是连接二者的桥梁：它确保被放大的军事效应恰在能触发被放大的政治效应时抵达。

前瞻：临界性与相互伤害僵局

前述分析表明，俄军与乌军组织均为自组织临界性系统，具有根本不同的级联动力学。俄军集中式架构产生低α值，意味着大规模级联常见，系统结构脆弱。乌军模块化架构产生高α值，意味着级联保持局部化，系统富有韧性。双方均策略性安排扰动时机，通过可得性级联最大化政治效应。这些发现对我们评估战争轨迹——以及关于战争何时及是否终结的更广义问题——具有直接启示。

扎特曼提出冲突成熟概念——即各方停战意愿与其持续作战手段的枯竭紧密相关。持续对抗对双方施加攀升的经济成本，迫使其寻求替代方案。同时，战事延续伴随日益增长的风险，正是成本与风险的汇聚催生了成熟性——一种常引发第三方干预的条件。该框架的核心概念是“相互伤害僵局”，指双方均寻求避免进一步对抗灾难的态势。正如扎特曼所述：“该概念基于这样一种认知：当各方发现自己陷入一场无法升级至胜利的冲突，且此僵局对双方皆造成痛苦（尽管程度与原因未必相同）时，便会寻求替代政策或出路。灾难提供了一个期限或教训，表明若此刻无所作为，痛苦可能剧增；灾难是相互伤害僵局的有用延伸，但既非其定义的必要条件，亦非其存在的必要条件。若‘相互阻滞’的概念过于静态而失之现实，该概念亦可动态表述为：优势方失势、劣势方崛起，双方趋向均势，且两种移动皆令各方痛苦之时。”经历相互伤害僵局并走向“退出”，引导各方进入谈判，并迎来解决的“相互诱人机遇”。扎特曼后来澄清，相互伤害僵局可发生于冲突任何阶段，并非仅限于最高升级水平；对潜在灾难的主观感知成为重要因素。

此外，有影响力的国际行为体可加速各方走向解决。“带肌肉的调停”一词，指强大第三方对交战方施加的务实政治、经济与外交压力。当武装斗争严重依赖盟国资源时，此种杠杆尤为有力。正如相关分析所指出的，当代“交易促成”策略高度依赖可见杠杆与交易性压力，以迫使各方走向谈判。在俄乌战争中，此类压力在2024年、即美国总统唐纳德·特朗普第二任期前夕及期间加剧，其公开抱负包括促成多场武装冲突的国际和平。在俄乌语境下，对双方的双重压力表现为：暂时限制对乌融资援助，同时加大对俄制裁力度。对乌克兰而言，这导致某些武器系统供应中断，部分由欧洲通过PURL机制的援助抵消。对俄罗斯而言，制裁制约了预算融资，降低了更广泛经济系统的稳定性。此政策收窄了双方维持作战行动的能力——推动两系统在2024年后进一步趋近临界状态。

结论

据我们所知，本文首次将自组织临界性沙堆模型作为分析框架，用于评估进行中国际战争中的军事组织脆弱性。研究结果得出若干关键启示。

首先，模型揭示了乌克兰显著的结构性优势。两军α值的差异并非边缘性的。在同等压力条件下，俄军集中式架构比乌军分布式组织更易遭受级联失效，而乌军战时向任务式指挥的适应进一步拉大了此差距。这些优势不依赖于特定武器系统、某场战役或任何单一外部支持的延续。它们根植于组织架构本身。此外，这些结构性优势与共同解释乌军韧性的其他因素并存，包括西方物资与情报支持、领导与训练、以及人口动员。自组织临界性模型分离出了传统消耗分析所忽略的结构性成分。

其次，两系统将持续处于临界交战状态。自组织临界性框架无法为预测战争结局提供依据。在临界系统中，同一扰动既可产生微不足道的局部效应，亦可引发灾难性的全系统级联，且无法预先判定其走向。那些预测俄军崩溃或乌军耗尽具体时间表的评估，缺乏可靠基础。模型表明，俄军结构更为脆弱，乌军更具韧性，且此种不对称性未见逆转迹象。

第三，分析必须超越战场，延伸至冲突各方国际支持者的战略利益。持续支持一场代价日益高昂、结构脆弱的俄军军事行动，必须与其同欧盟稳定经济外交关系的价值相权衡——而持续与俄战争为伍正逐步侵蚀此种关系。

第四，外交格局折射出这些结构性现实。俄罗斯偏好的解决路径（由美国斡旋、欧盟与北约无实质参与的和平安排）将以最小代价换取重大让步。但欧洲与北约各国首都已观察到自组织临界性模型所形式化的事实：俄军已被削弱、结构脆弱，且正以超出其组织架构有效管理能力的速率流血。乌克兰的结构性优势几无减弱前景。相反，对经证实的战争罪的日益国际谴责，引入了一种额外的放大机制，与本文分析的军事及政治级联并行运作。追责要求（对破坏的赔偿、归还从被占领土非法转移的儿童、起诉应对暴行负责的指挥官与人员）为俄系统增添了远超战场范畴的政治与法律应力层。这些要求不会随停火消散；它们持续累积，加剧着俄军集中式架构最无力吸收的级联压力。

最后，本研究指向一个更广阔的研究议程。本文引入的模型聚焦于军事组织架构，但自组织临界性框架并不限于战场。经济系统、政治制度、供应链与联盟架构皆为易受临界性影响的复杂适应系统。扩展模型以捕捉这些维度，并将其应用于其他进行中与历史冲突，代表着未来研究自然且富有前景的方向。乌克兰的抵抗已证明，一支为韧性而组织的较小规模力量，能够抵御更强大的对手。此教训远超本场战争范畴。本文发展的自组织临界性模型为践行此教训提供了分析基础。

当代国防环境面临威胁快速演变、数据异构庞杂及语言高度多元的挑战，对及时精准的情报分析构成严峻考验。本研究旨在构建一套集成化大数据分析框架，将开源情报、社交媒体监测与卫星影像统一纳入时序知识图谱，以支撑多语言、跨模态的威胁评估。研究方法涵盖五个关键环节：多源数据采集与预处理；基于多语言Transformer架构的自然语言处理，实现实体、关系及事件抽取；时序知识图谱构建；驱动威胁预测与风险评估的机器学习分析建模；以及结合系统性能与情报价值的综合评估。实验结果表明，该框架在实体识别（F1值0.882）与关系抽取（F1值0.869）任务上表现卓越，较基线系统降低处理延迟92.6%，并成功整合15种语言下的630万个实体。多源数据融合使评估准确率提升18.4%，实现了近实时态势感知与战略决策效能增强。系统的可解释推理与时序建模能力，为国防规划者提供了透明、可操作的情报支持，弥补了传统单模态、单语种系统的局限。研究证实，融合多语言自然语言处理、跨模态融合与时序知识表征技术，能显著增强战备水平与预警能力，为适配国家及地区安全场景提供了可落地的实践框架。

当代安全环境呈现出信息图景日益复杂化的特征，威胁演变加速、数据源多样且情报体量空前，使各国国防机构面临严峻挑战。现代军队与防务部门必须处理来自传统涉密渠道的信息，同时整合海量公开数据——包括新闻报道、社交媒体言论、学术出版物、智库分析及卫星影像——以维持全面的态势感知。数字传播渠道的激增与信息获取的民主化，推动情报搜集从以人力情报与信号情报为主，转向大规模开源情报的开发利用。国防规划者亟需及时洞察对手能力、联盟动态、冲突模式、军事部署、经济制裁影响及多区域、多语种背景下的公众舆情。然而，可用数据总量已远超人类分析能力：每日数百万篇新闻发布，每小时数十亿条社交媒体帖文生成，以及持续不断的TB级卫星影像回传。传统情报分析流程高度依赖领域专家的人工处理，专家需审阅文档、综合信息并通过高强度劳动产出评估，导致从信息获取到形成可操作情报之间存在显著延迟。此外，既有系统通常运行于孤立的信息孤岛中，开源情报分析员、社交媒体监测员与影像分析员各自为战，缺乏跨数据模态关联洞察的集成平台。统一分析框架的缺失导致情报图景碎片化，不同信息源之间的关键关联难以识别，进而造成威胁评估不完整与战略决策次优化。语言多样性进一步加剧了整合难题，大量国防相关信息以多种语言呈现，而现有系统普遍缺乏多语言处理能力。这些局限在国防规划中酿成关键漏洞：在瞬息万变的安全态势下，决策者不得不基于不完整、滞后或割裂的情报行动，而及时全面的感知能力直接关乎作战效能与战略成败。

本研究旨在攻克的核心挑战，在于开发能够规模化处理异构国防情报数据的集成分析框架，同时兼顾战略决策支持所需的准确性、时效性与可解释性。当前国防情报系统存在多重关键局限，削弱了其应对现代作战环境的有效性。首先，现有平台通常聚焦单一数据模态，如纯文本分析或纯影像处理，缺乏跨模态验证与关联机制，导致难以识别仅通过多源情报融合才能显现的模式。其次，多数已部署系统缺乏稳健的多语言支持，主要局限于英语处理，在阿拉伯语、汉语、俄语、波斯语、朝鲜语及其他众多地区语言主导防务话语的区域形成监测盲区。第三，传统方法采用批处理架构，在数据收集与洞察生成之间引入显著延迟，难以满足近实时威胁检测与快速响应协调等时效性要求极高的场景。第四，传统数据库系统在表征与查询国防情报固有的复杂关系结构方面力有不逮，例如军事单位、武器系统、政治行为体与地理位置等实体参与的多重互联关系随时间动态演变。第五，大多数现有分析工具提供“黑箱”式预测，无法阐明威胁评估、联盟预测或冲突预警背后的推理逻辑，限制了其在要求透明决策依据的高风险战略决策中的实用性。第六，可扩展性瓶颈制约了传统系统应对数据指数级增长的能力，随着社交媒体平台扩张、卫星星座增多及全球数字新闻源激增，系统难以承载。上述缺陷共同削弱了国防情报行动的效能，造成信息缺口、分析迟滞、语言覆盖不足、推理过程不透明，且未能捕捉现代安全挑战的互联本质——局部事态可能迅速演变为需要协调应对的地区性危机。

学界已通过信息检索、自然语言处理、计算机视觉与知识表征等多元方法，在情报分析、大数据处理及决策支持系统领域开展了大量研究[1-2]。早期开源情报研究主要聚焦基于规则系统与传统机器学习分类器的自动化新闻监测与事件抽取，以识别文本源中的相关安全事件[3]。这些基础研究确立了重要基线能力，但受限于人工设计特征及对领域与语言泛化能力的不足。深度学习的兴起通过循环网络、注意力机制及Transformer模型等神经架构显著推动了自然语言处理进展，实现了更复杂的文本理解、实体识别、关系抽取与情感分析[4-5]。近期研究特别探索了多语言语言模型，如mBERT、XLM-RoBERTa及语言无关BERT变体，利用跨语言迁移学习同时支持多种语言[6-7]，但这些研究通常面向通用领域，而非专门的国防与安全语境[8]。社交媒体分析领域的平行进展，则利用图模型与时序建模方法，探索了立场检测、影响网络分析、机器人识别及趋势预测技术[9-10]。卫星影像分析已从传统人工判读，演进为利用卷积神经网络进行自动目标检测、用于土地利用分类的语义分割，以及监测基础设施发展与军事活动的变化检测算法[11-12]。知识图谱研究在通过信息抽取、实体链接与推理机制构建大规模结构化实体与关系表征方面取得实质进展[13-14]，并在生物医学、电子商务及问答系统等领域得到应用。大数据处理框架随着Apache Hadoop与Spark等分布式计算平台的发展日趋成熟，支持在商用硬件集群上并行处理海量数据集[15]。然而，现有研究通常孤立处理单个组件，未能在专为国防情报应用设计的统一框架内整合多数据源、多处理模态与多分析能力。

本研究的主要目标涵盖四个相互关联的维度，共同推动国防情报分析与战略决策支持领域的技术前沿。第一，旨在开发集成化大数据框架，在支持跨模态关联、验证与推理的统一架构内，无缝融合开源情报文档处理、社交媒体分析与卫星影像分析。这要求设计能处理多样格式与更新频率的数据摄取管道，实现支持跨源比较的标准化表征，并建立能融合互补信号并解决信息冲突的融合机制。第二，致力于实现稳健的多语言自然语言处理能力，支持对至少15种主要语言（包括英语、汉语、俄语、阿拉伯语、西班牙语、法语、德语、日语、朝鲜语、波斯语、土耳其语、印地语、葡萄牙语、印度尼西亚语及乌尔都语）下国防相关话语的全面分析。这需通过在领域专用语料上微调多语言模型、开发针对军事与地缘政治实体的专用实体识别技术，以及建立利用高资源语言知识提升低资源语言性能的跨语言迁移机制来实现。第三，旨在构建全面的时序知识图谱，表征国家、军事组织、武器系统、政治领导人、联盟、冲突及战略资产等国防实体间的复杂关系。这涉及设计能捕捉国防分析相关实体属性与关系类型的图谱模式，实现追踪实体与关系随时间演变的时序建模，并开发能推断隐含关联及预测未来发展的推理算法。第四，力求创建可解释的决策支持机制，为威胁评估、风险评价与战略建议提供透明的推理依据。这要求开发能高亮关键数据源的注意力可视化技术，实现展示支撑结论逻辑链的推理路径提取，并设计能以直观格式向无技术背景的国防规划者呈现复杂分析结果的用户界面。通过达成上述目标，本研究旨在弥合前沿人工智能能力与实战化国防情报系统实际需求之间的鸿沟。

尽管大数据分析、自然语言处理与知识表征研究已取得显著进展，现有方法仍存在重大缺口，限制了其在国防情报语境下的适用性。最关键的缺口在于缺乏集成化框架，将文本情报、社交媒体监测与影像分析统一于专为国防与安全应用优化的平台内，这类平台需满足涉密数据处理、行动安全与战略决策等独特要求。虽然大量研究探讨了单一数据源，如新闻监测系统、推特分析工具或卫星图像处理管道，但尚无研究展示能通过协调分析工作流，实现一模态洞察指导并验证他模态发现的全面整合。另一重要缺口在于国防语境下对多语言处理的关注不足，关键情报常以多种语言同时出现，而单纯翻译因损失文化细微差别、引入错误及造成时间延迟而显不足。多数已发表研究仅在维基百科或新闻语料等通用基准上评估多语言模型性能，未针对国防话语主导的专业军事与地缘政治词汇、组织名称及语境指称进行验证。此外，现有知识图谱研究主要聚焦百科全书知识或生物医学关系等通用领域，未触及国防情报特有的实体类型、关系模式与时态动态——联盟更迭、军事能力演进及战略关系剧变。时序建模的缺口尤为突出，传统知识图谱通常表征静态快照，而非能追踪实体属性与关系随军事演习、外交谈判、武器部署及冲突事件而持续更新的动态结构。另外，多数大数据分析研究强调吞吐量与延迟等系统性能指标，未能充分评估威胁检测准确率、预警提前量、虚警率及决策支持效用等决定国防应用作战效能的情报价值指标。可解释性缺口依然严峻，最先进的深度学习模型作为“黑箱”运作，提供预测却无透明推理过程，限制了国防机构的采纳意愿——后者要求分析过程可审计，以支撑可能产生生死攸关后果的高风险战略决策。尽管技术已趋成熟，这些缺口共同阻碍了先进分析技术在国防情报工作流中的有效部署。

本研究的创新性体现在若干关键突破，共同推进了国防情报分析领域的理论认知与实践能力。第一，引入全面的跨源集成架构，通过共享知识表征层将开源情报处理、社交媒体分析与卫星影像分析统一起来，实现跨模态推理与验证。与以往独立处理不同数据源的方法不同，本框架以知识图谱为核心集成机制，使文本源提取的实体能与影像的视觉检测结果及社交网络的行为模式相关联。第二，开发领域自适应的多语言自然语言处理模型，利用涵盖15种语言的精选军事新闻、地缘政治分析与战略评估语料进行专门微调。该方法采用多任务学习，联合优化实体识别、关系抽取、事件检测与情感分析，以利用共享表征并提升对专业国防词汇的整体处理性能。第三，提出时序知识图谱模式与更新机制，显式建模时变实体与关系，赋能时序推理能力，如预测未来联盟形成、预判冲突升级模式及检测军事态势异常变化。时序建模方法纳入置信度衰减函数，逐步降低对陈旧信息的信任度，同时实现证据积累机制，强化对多时间点观测模式的置信度。第四，设计可解释推理框架，通过提取对每项结论贡献最大的实体、关系及数据源，生成人类可读的系统预测依据。可解释性方法结合注意力权重分析以识别重要输入片段，以及推理路径提取以展示从证据到结论的逻辑链条。第五，实现针对国防情报工作负载优化的可扩展大数据处理架构，结合用于实时监测的流处理与用于全面历史分析的批处理。系统架构采用自适应资源分配，优先处理时效性强的信息，同时保持对低优先级数据源的后台处理。第六，贡献全面的评估方法，通过模拟实际国防规划挑战的逼真作战场景，同时评估系统性能指标与情报价值指标。这些创新共同代表了人工智能应用于国防情报挑战的重大进展，同时保持了实战部署所需的可解释性、可扩展性与作战适用性。除方法论贡献外，本研究在国家和地区层面亦具独特新意：直面发展中国家，特别是东南亚语境下国防情报面临的挑战——资源约束、多语言环境与快速演变的非传统安全威胁并存。与既往主要在高收入国家成熟情报基础设施内开发与验证的研究不同，本框架专为异构数据质量、有限涉密情报获取及高度依赖开源信息的条件而设计。通过支撑循证政策制定、借助集成态势感知强化战略规划、提升动态地区安全环境下的早期威胁检测与响应能力，该系统为国防决策者提供了实用价值。通过实现跨多数据源与多语言的透明、可解释、及时情报综合，本研究直接助力加强发展中国家与新兴防务生态系统的国防战备、跨部门协同与前瞻性安全治理。

大语言模型（LLM）正从通用工具向国防工作流渗透，为情报分析、作战规划、后勤保障、网络行动及信息活动提供支持。然而，美国尚缺乏清晰、可执行的规范，以明确在后果重大的军事场景中何时可使用LLM输出、部署前需进行何种测试与监控，以及当LLM辅助决策导致损害或局势升级时如何界定责任。当前LLM处于治理缺口之中，可能引发三类风险：（一）在不确定性环境下因过度自信或脆弱建议加剧冲突升级；（二）降低信息战与虚假信息活动的成本与规模；（三）扩大对抗性操纵的攻击面，包括数据投毒与敏感数据泄露。

本备忘录提出一个以四大支柱为核心的美国军事LLM问责监管框架：

• 人类决策权与升级管控：要求对特定作战决策留存人类授权记录，并对任何用于战略或危机敏感场景的LLM建立升级监控机制。
• 信息作战内容的人类审批：强制要求对拟用于信息战或影响力活动的AI生成内容进行人工审核与批准。
• 安全性、数据保护与对抗性测试：设定安全训练与部署管道、受控数据处理及针对模型与数据中心攻击的持续红队测试基线要求。
• 问责与可追溯机制：强制要求为作战场景中使用的LLM输出建立审计追踪，明确人类决策者责任归属，并制定正式的事件报告与审查程序。
• 适用范围：涵盖情报综合、规划支持、后勤保障、网络支援、信息作战内容起草、翻译、摘要生成及相关职能。

通过将负责任AI原则转化为可操作执行的保障措施，美国可降低不必要的升级与安全故障风险，强化对军事AI的文官监督，并为防御场景中LLM的负责任使用塑造可信国际规范。

从作战行动到战备状态再到后勤保障，谷歌Gemini企业版正助力减轻行政负担，使人员得以聚焦核心任务。

对美国战争部而言，人工智能（AI）已不再是硅谷战略简报中的抽象概念，亦非深埋于采办路线图中的未来承诺；它已然落地，并正融入其三军官兵的日常工作之中。

“人工智能是顶级工具，是旨在令作战人员更快、更致命、在战场上占据绝对优势的杀伤力倍增器，”美战争部长皮特·海格塞斯在近期一场防务创新活动上表示。

此言道出了美战争部企业级生成式AI平台GenAI.mil背后的愿景。然而，更为深刻的叙事或许并非始于自主系统或最精尖的作战应用，而是始于军事生活中更为寻常却无处不在的“行政负担”。

“无论是八小时还是十二小时的工作日，对于任何士兵、水兵、飞行员、陆战队员或守护者而言，都必须在当日挤出时间完成其作为作战人员的本职任务，同时还要腾出手来处理那些行政事务，”谷歌公共部门战略与增长经理、美国空军预备役中校乔纳森·哈德金斯指出。

GenAI.mil于去年12月启动，以谷歌Gemini作为其首个前沿AI模型，旨在将先进的生成式AI工具交到该部全军官兵、文职人员及承包商手中。官方启动公告称该系统为“定制化AI平台”，意在培育“AI优先”的人才队伍，提升整体效能与战备水平。该部表示，GenAI.mil上的工具已通过“受控非密信息（CUI）”及“影响等级5（IL5）”认证——后者为未分类数据的最高安全等级——从而可广泛应用于各类作战工作。

经过半年应用，其规模已见雏形。据海格塞斯2026年6月的公开讲话，GenAI.mil已吸引逾130万独立用户，生成超过7700万条提示词。

“它正将那些耗时、重复、枯燥、艰难乃至挫伤士气的事务承接过来，消除这些难题，并将时间归还于人，使其得以从事人类最擅长的领域：判断、推理、直觉、共情与创造，”谷歌公共部门国防战略总监约书亚·马库斯表示。

官兵们需在履行其本职军事专业与维持部队运转所需的行政要求之间寻求平衡，例如使用彼此孤立的传统系统制作简报幻灯片、文本文档、绩效报告及嘉奖呈批件，以及在各类数据源间的“转椅操作”。

然而，战备状态方为重中之重，从重复性行政流程中夺回的每一小时，都是可用于研判对手、准备出击或实操维护的关键时间。

但决策优势亦源于工具赋予作战人员超越人类自身的能力，使其得以完成仅凭人力无法企及的任务。

“在大规模应用中，当我们引入大语言模型或智能体工作流时，便能实现……若无工具辅助则人力无法完成之事；这在力图挽救生命、力求在对抗中胜出、机动与谋略上压倒对手或竞争者、以及试图解决既往无解难题时，显得尤为关键，”马库斯指出。

在智能体与大语言模型的辅助下，人类团队得以在更紧迫的时间窗口内处理更庞杂的数据，并协调更多环节。“整合来自多源情报的信息——包括天基图像、地图研判、信号情报，解析我们捕捉到的数据信号——将所有不同形式的情报汇聚一处，以完成‘大海捞针’式的任务，例如搜寻海上漂流的飞行员，”马库斯阐释道。

基石在于云架构

该平台的早期进展依托于若干技术与制度基础。

谷歌云对GenAI.mil的贡献根植于其迥异于传统的政府云基础设施路径。谷歌并未构建孤立的“城堡与护城河”式政府云，而是采用超大规模基础设施，通过软件定义的逻辑隔离来承载国家安全工作负载。实践中，这意味着公司可在依托广泛商用基础设施的同时，通过软件控制强制执行隔离、安全与认证要求。

该架构使GenAI.mil得以在全军范围内支撑计算密集型的大语言模型。这也部分解释了为何防务界与谷歌高层均将Gemini 3.5 Flash模型在GenAI.mil上的部署视为里程碑——该模型在商用发布当日即同步上线于该平台。

这在国家安全领域是前所未闻的。那是个周二，Gemini 3.5 Flash在公众手机端及Gemini应用中上线的同一天，它便已通过IL5认证，可供部内300万用户处理受控非密信息。唯有依托谷歌云所构建的、软件定义、逻辑隔离的超大规模云架构，方能实现。

多年来，联邦技术用户已习惯于商用产品发布与政府可用版本之间的滞后。在AI领域，这种滞后具有战略痛感，因为模型迭代日新月异。一套落后商用前沿六个月的系统，待其列装时恐已显陈旧。这一进程描述为从滞后数月、到滞后数周、再到同日发布的跨越。在防务技术领域，这不仅是软件更新，更是压缩了从商业到政府的输送管道。

安全与标准

美战争部更广泛的零信任战略要求将隐式信任转向对整个数字生态系统的持续验证。随着平台从聊天交互向智能体演进，这一安全背景更趋复杂。

尽管五角大楼官员已披露数十万智能体被创建，但其起点仍是一个软件定义的安全环境。

“关键在于，审视新能力在作战职能内的开发与整合过程，无论何种能力，均须经过严苛的测试与评估流程。部内对新能力的测试评估流程极为严密，无论其为动能还是非动能手段，皆无例外。”

当前的智能体用例普遍风险较低且属行政范畴，输出结果仍由人工审核。智能体间交互正成为新兴的安全前沿。在军事组织中，个人或指挥机构可能创建智能体，且这些智能体最终或需交互。这要求建立协议、保持审慎，以及确保智能体行为符合人类意图的“可导向性”。

军事人员岗位轮换频繁，通常每两至三年一次。若AI助手仅围绕个人偏好构建，知识将随每次调任而流失。在此关键技能留存进程中，下一阶段的成熟度很可能在于基于角色的优化——即围绕标准化的军事角色与流程设计智能体及工作流，从而实现更顺畅的交接，并确保战备状态不依赖于某位“超级用户”的个性化配置。

需警惕的是，切莫将速度误读为自主权。

据《军事战略杂志》近期一篇关于AI的文章指出，基于模拟与实战演练，AI工具或可辅助“控制之科学”，但绝不能僭越“指挥之艺术”。作者警告，当指挥官对其不理解的流程失去掌控时，智能体决策可能放大风险。

“通过以当前AI纯归纳、基于模式的算法逻辑，潜在地取代人类那种能够进行创造性与直觉性逻辑跃迁的判断，陆军面临将暴力运用与人类道德主体性剥离的风险，”作者亚伦·布莱尔·威尔科克斯与切斯·梅特卡夫在援引美国陆军文件后如此论断。

这一警示与GenAI.mil的叙事方向一致。其目标非为取代指挥，而是归还时间、优化控制，使指挥官与参谋能更有效地行使判断。海格塞斯亦持此见，称AI不会取代美国作战指挥官的直觉，亦无法替代前线战术操作人员的决断。

指挥官、作战人员及各级领导正将这些技术融入实践，同时始终将指挥艺术牢牢置于人类领域。

未来在于智能体协同——从被动的聊天界面转向能在人类监督下规划并执行任务的系统。这要求构建一个开放而安全的生态系统，使第三方开发者与防务伙伴能在此平台上构建专用智能体，并使该部能随作战需求变化对这些智能体进行评估、监控与汰换。

https://www.afcea.org/signal-media/genaimil-how-ai-freeing-warfighters-focus-mission

在物联网（IoT）与军事智能化迅猛发展的背景下，传统云计算模式在应对地理分散部署、高实时性要求及严苛安全需求时，其局限性日益凸显。此类挑战在战场环境中尤为显著——集中式数据处理易引发网络时延、带宽压力及能耗过高问题。边缘计算通过将计算、存储与分析能力下沉至战术终端、无人机、车载设备等靠近数据源的边缘节点，有效提升响应速度、安全性与鲁棒性，为现代化战争提供关键技术支撑。本研究剖析边缘计算的三层架构，深入解析轻量化模型、联邦学习、低时延通信等核心技术，并结合美军F-35边缘电子战系统、网络司令部“持久网络狩猎”项目等实战案例，探讨其在战术协同、态势感知及电子对抗领域的应用价值。此外，本研究系统梳理当前技术瓶颈，前瞻性研判边缘计算的发展路径，为军事物联网网络中分布式智能体系的构建提供理论依据与技术参考。

过去十年间，云计算在应对数据指数级增长带来的存储与管理挑战中发挥关键作用，为大数据处理提供了高效计算平台。然而，在以物联网为主导、数据地理分布广泛且应用需求趋向超低时延与高安全性的场景中，集中式计算范式面临根本性制约。其不仅严重挤占网络带宽，更难以在复杂连接环境下有效克服网络时延难题。瞬息万变的战场环境中，若所有军事物联网数据均依赖云端数据中心统一处理，计算设备与网络带宽必将不堪重负——作战场景下，即使一秒延误亦可能造成灾难性后果。此外，云计算面临严峻能耗挑战，伴随算力需求激增，能源消耗增速恐将超过供应能力。这一现实困境催生了边缘计算技术。通过就近开展数据处理、存储与应用，边缘计算使周边终端、传感器及用户得以高效获取通信与算力服务。这种去中心化架构即使在断连环境下仍能维持作战效能，凭借更快的响应速度、强化的安全协议及更可靠的性能表现，直接转化为作战人员的战术效率提升，并通过实时处理武器系统数据、单兵状态信息及战场环境数据，显著增强态势感知能力。美军单兵作战信息系统等军事应用已率先运用边缘计算技术，实现局部网络区域内作战地图、火力计划与战术通信的实时共享。

基于大语言模型的社会模拟可将生成的推演记录呈现为单一行为信号，但该记录背后的模型实则承担多项差异化职能：抉择行为体的言行动作、判定行动引发的后续事态，抑或兼而有之。这一区别在开放式兵棋推演中尤为关键——此类推演的核心价值恰在于处置非常规行动与模糊后果的能力。本文报告一项范围综述研究，系统检索截至2026年5月1日发表的223篇经去重的“人工智能应用于兵棋推演及战略模拟”主题文献，依据模型控制剖面——即大语言模型是否拥有对玩家行动的开放式控制权、对行动后果的裁决权，或同时掌控两者——对每项模拟实验进行归类描述。结果显示，仅20项研究（占比约9%）赋予语言模型双重角色。在将大语言模型输出视为社会模拟证据前，研究者须厘清模型对行动与后果分别拥有多大程度的创造性控制权。对于开放式模拟而言，其保真度不仅取决于智能体行为是否合乎情理，更取决于语言模型能否可靠承担裁决者或世界模型的职能。

社会模拟可能因错误原因而显得合理。推演记录虽可呈现智能体谈判、升级、妥协或谋划等行为，但读者仍需追溯此类行为的生成机制：行动选择系由模型自主生成，抑或受规则系统强制约束？行动后果由谁裁定？若未厘清上述分工，则难以将推演记录作为社会行为的有效证据加以解读。兵棋推演使这一问题尤为凸显。严肃兵棋推演旨在不确定性环境下模拟冲突，以激发针对作战计划、前提假设、对手研判及未来可能性的审慎判断（Perla, 1985; Rubel, 2006; Wallman, 1995; US Army War College, 2015）。除军事领域外，外交、商业、公共卫生、网络安全、法律等领域的组织亦广泛开展类兵棋推演模拟，参与者决策将直接影响后续事态发展。语言模型在此类场景中颇具吸引力：其可扮演角色、生成分支情节、裁决模糊行动并提炼经验教训（Hogan & Brennen, 2024）。然而，正是这种灵活性增加了评估难度——一旦语言既能左右行为体的企图，又能定义模拟世界中后续成真的事件，流畅的叙事便不足以证明其有效性。

核心问题不在于模型是否具备广义的“开放性”，而在于开放性的具体落点。在规则约束的博弈中，模型提出意外行动所构成的证据，与模型同时裁定该行动后果的情境存在本质差异。在后一设定下，语言掌控着模拟世界的本体论权威，虽有利于研究即兴发挥、冲突升级与谈判博弈，但也引发了更为尖锐的有效性与安全性问题。既有研究已指出，在大语言模型博弈与外交模拟中存在推理脆弱、幻觉生成、规则违背及升级风险等问题（Gao et al., 2024a; Ma et al., 2024a; Feng et al., 2025; Yao et al., 2025; Lamparth et al., 2024; Rivera et al., 2024）。因此，社会模拟评估不应仅关注智能体的言辞内容，更须辨析何种角色赋予语言对事态后果的掌控权。我们将此称为模拟实验的“模型控制剖面”：即大语言模型是否拥有对玩家行动的开放式控制权、对行动后果的裁决权，或同时掌控两者。该剖面将角色特异的开放性操作化，正是本分类框架所测量的核心区分维度。随着模拟实验从受控基准测试转向开放式环境——模型可将一段表述转化为新的世界状态——其风险随之攀升。安全关切不仅在于模型可能生成不合情理的表述，更在于模拟系统可能将缺乏依据的言语接纳为既定后果，并以此为基石构建后续社会行为。本文以大语言模型兵棋推演作为具体试验场，回应这一更宏阔的命题：模型究竟掌控什么？本研究作出三项贡献：其一，系统梳理截至2026年5月1日的223篇经去重的“人工智能应用于兵棋推演及相关战略模拟”研究文献，建立专题目录；其二，提出二维分类框架，将开放式玩家行动与开放式裁决相剥离，为每个象限设定判定规则并辅以实例说明；其三，运用该框架绘制文献图谱，揭示“双重创造性”机制仍属稀缺：仅20项研究（占样本总量9%）将语言模型同时置于玩家与裁决者双重角色。本研究属范围综述性质：旨在定位模型控制权的分布格局，不对模型在任一角色中的表现优劣作出断言。

现代军事行动已不再局限于单一战场或领域，而是日益在由技术快速迭代所定义的环境中展开。战场上空、陆地、海洋、太空、网络空间及电磁频谱全域传感器、设备与操作人员持续产生的数据流，进一步加剧了这一态势。运转高效的军事体系与国防生态圈须同步跟进技术发展步伐，必须具备对战场生成数据作出迅捷、果断响应的能力。

诸多高价值军事分析任务——如目标检测、信号分类、异常识别、路径优化及预测性维护等——若能在任务现场获得所需算力与数据管道支撑，借助人工智能（AI）/机器学习（ML）模型执行，其精度与速度均将超越人类军事分析人员。

尽管云计算已成为算力供给与数据存储的重要驱动力，但在军事与国防场景下仍存在若干局限。首要问题在于其依赖云端与客户端设备之间的高质量、高可靠性网络基础设施。当军事行动环境位于边境地带或互联网覆盖薄弱的偏远地区——此类环境恰恰构成军队作战的主要场域——网络保障便无从谈起。此外，云计算环境下存储设施与算力资源均呈集中化部署，关键数据存储与高阶数据分析需经由中心数据中心流转，导致数据处理时延增加。这正是“边缘计算”技术应运而生的背景。

何为边缘计算？

从技术层面界定，边缘计算是一种网络架构理念，其核心要义是将计算资源尽可能贴近数据生成源头部署，以降低时延并减少网络与数据管道的带宽占用[1]。简言之，边缘计算将计算、存储及应用服务流程从云端去中心化，并将执行环节迁移至更靠近决策与行动发生的本地节点——即“边缘”服务器。

“边缘”这一概念界定相对模糊，指代多种地理位置的组合。在军事语境下，其既可指搭载于平台（车辆、舰船、航空器、无人系统）上的加固型计算设备，也可指前沿部署的指挥所、移动式“微型数据中心”，甚至是指传感器、无人机或其他战场作战工具内置的处理器[2]。例如，BLADe-S便是一款AI集成型可穿戴语言翻译设备，其融合边缘计算技术与内置神经网络处理器，可实现音频、视觉及文本情报数据的实时翻译[3]。

TurbineOne公司的“前线感知”平台是另一近期依托边缘计算与AI技术的典型案例，用于在通信受限、带宽不足及云端访问困难的复杂多源传感器数据环境中进行处理[4]。美军前线部队已在西亚战场行动中对该平台进行了实测[5]。由此可见，网络边缘在地理空间上远比通常远距部署的源服务器或云服务器更贴近终端设备，此为关键认知。

图1. 边缘计算架构

此举有效实现了数据处理与存储功能向数据生成源头的贴近部署，使周边终端、传感器乃至军事操作人员能够更高效获取通信与算力服务。其去中心化设计在恶劣或低带宽环境下仍可维持作战功能运转，同时显著降低系统时延。在军事应用中，上述特性通过对武器系统数据、单兵状态监测及战场信息管理的实时处理，有效提升了作战效能与态势感知能力。

军事应用与挑战

边缘计算凭借其架构特性，可在绝大多数军队遂行任务的偏远及断连区域运行，保障在几乎或完全无网络覆盖条件下的持续作战与关键数据分析能力。其适应严苛工作环境，空间占用极小，并可抵御电磁干扰、粉尘、振动、爆炸及电流/电压波动，堪称战场环境下的强韧军事应用典范[6]。Connect Tech Inc.（CTI）公司研制的Sentry-X2 Mini便是一例，该设备为符合军用规格认证的加固型边缘AI系统，专为恶劣环境下的关键自主航空航天与国防任务打造[7]。

由于数据处理在数据源头附近完成，边缘计算有助于大幅压缩时延并缩短决策响应周期[8]。战时军事指挥员需高效、实时作出决断，边缘计算通过极大缩短从初始数据采集到最终行动执行的间隔，显著加速决策进程。美国空军已在F-35“闪电II”战斗机上集成边缘计算能力，依托机载异构计算单元实现数据处理的本地化[9]，此举使传感器数据处理时延得到革命性降低。

边缘计算还通过缩减恶意行为者可利用的攻击载体/攻击面，降低了敏感军事数据泄露风险[10]。这是因为数据仅在必要时才上传至集中式云服务器，且边缘服务器可对数据进行加密与清洗后再行传输。因此，边缘计算增大了数据截获难度，提升了数据隐私与安全性。此外，边缘计算亦支撑网络防御应用。美国网络司令部的“持久网络猎手”（PCH）项目已于2024年乌克兰冲突期间，依托部署在前线通信设备、卫星终端及舰载系统上的智能AI代理网络，在实战中验证了此项能力[11]。

边缘计算领域的新进展催生了“数字化士兵”概念[12]。该理念与既有的网战士兵概念略有差异，其核心在于利用附着于士兵的小型互联传感器，实现参战士兵网络间快速、同步的本地作战数据共享与处理，从而从多元视角构建更完整的战场态势图。

商用技术生命周期较短，而军用机械系统通常设计服役年限长达数十年[13]。这些遗留军事系统缺乏边缘计算所需的运算能力，部分系统仍沿用老旧通信协议，数据传输速率低下且安全性不足[14]。

尽管将边缘计算应用于靠近前线的恶劣环境军事系统优势明显，但边缘设备遭敌物理俘获将导致敏感数据暴露风险[15]。此类严酷作战环境往往缺乏电力接入或供电极不稳定。虽部分边缘计算设备配备蓄电池或便携式发电机，但这仅是应对边缘设备系统性供电挑战的权宜之计。

结语

日益清晰的是，在数字化高速演进的战场上，迅捷且明智的决策将成为制胜关键。因此，将边缘计算融入军事系统已非单纯的技术升级选项，而是战略层面的必然要求。其可与AI、5G/6G、物联网（IoT）等技术融合，构建智能化军事生态体系。此类一体化网络将显著提升态势感知能力，加快响应速度，并赋能整体决策效能。凡此种种，无不昭示着该技术不仅将塑造未来战争形态，更将深刻优化当前军事行动范式。

[1] “What is Edge Computing?”, Cloudflare Learning Center.

[2] “Massimiliano Claps and Alan Webber, “Taking Technology and Data to the Edge: Edge Computing and Data Management for Military and Defense Agencies”, IDC Technology Assessment Guide, Red Hat, April 2026.

[3] “The New Age of Defence: Presenting AI Preparedness of the Country in Defence”, Department of Defence Production, Ministry of Defence, Government of India, 2022.

[4] “Frontline Perception: Turn Raw Sensor Data into Real-time Detection, Classification, and Targeting at the Edge”, TurbineOne.

[5] “U.S. Army Airborne Forces Employ Edge AI in Current Operations”, Yahoo Finance, 8 July 2026.

[6] Yunna Li, Deyun Yang, Haipeng Lu, Jian Wu and Lu Peng, “Analysis of Key Technologies in Edge Computing and Practical Applications in U.S. Military Operations”, In Proceedings of the 2025 8th International Conference on Computer Information Science and Artificial Intelligence (CISAI ’25), Association for Computing Machinery, USA, 12 September 2025, pp. 1183–90.

[7] “Connect Tech Launches Deployment-Ready Tactical Edge AI System, Sentry-X2 Mini, MIL-SPEC Certified for Aerospace and Defense Autonomous Applications”, Connect Tech, 12 May 2026.

[8] Yun Chao Hu, Milan Patel, Dario Sabella, Nurit Sprecher and Valerie Young, “Mobile Edge Computing: A Key Technology Towards 5G”, White Paper No. 11, European Telecommunications Standards Institute (ETSI), September 2015.

[9] Jamie Whitney, “Sensor Fusion Meets Edge Computing for Real-time Ops”, Military + Aerospace Electronics, 15 April 2026.

[10] Sameer Patil and Dhruv Banerjee, “Edging Ahead: The Importance of Tactical Military Edge Computing”, Observer Research Foundation (ORF), 16 September 2025.

[11] Yunna Li, Deyun Yang, Haipeng Lu, Jian Wu and Lu Peng, “Analysis of Key Technologies in Edge Computing and Practical Applications in U.S. Military Operations”, no. 6.

[12] Greg Dupier and John Pisano, “How the U.S. Military is Using Edge Computing”, Booz Allen.

[13] “Edge Computing in the Military – Challenges and Solutions”, Maris Technologies, 3 April 2025.

[14] “Top 5 Challenges in Edge Computing”, Invenia, 1 March 2025.

[15] Greg Dupier and John Pisano, “Key Obstacles to Edge Computing Adoption”, Booz Allen.