过去几年，反无人机系统的研发和部署已大大加速，以应对各类无人机系统威胁。探测与跟踪系统、交战系统以及包括指挥控制在内的杀伤链其他环节的整合工作正在进行。一个重大的关切在于，这些研发大多旨在为海上舰船提供防御。然而，由于可能造成高附带损伤，以及目前这些技术尚不易于向舰队普及，这些技术进步大多无法在受限水域或港口内（无论是外国还是本国）使用。本项目所要解决的问题是，在当前已有武器系统的情况下，如何防御停泊在码头的高价值舰艇免受武器化无人机的威胁。本研究将采用基于现有技术的参数驱动方法，以确定与标准制式武器集成的增强型火控系统，能否提高安全防御码头侧高价值舰艇所需的值班人员精度。

本研究的科研问题包括：

• 在假定的系统之系统探测与警报架构下，安装在现有标准制式武器上的先进火控技术，能否增强舰载反无人机系统防御能力以及值班人员的表现、精度和效能？

具体研究目标包括：

• 建立框架并确定所需指标，以提供成功防御海军设施内高价值舰艇免受自主武器化小型无人机攻击的必要响应？

• 有效开发带有适用指标的仿真模型，以确定集成到现有武器上的增强型火控系统如何能改进现有值班人员的表现。

• 高效解读数据，以支持或反对该系统在未来应用和战略中成功进行反无人机系统防御的能力。

本研究采用一种参数驱动方法，该方法基于一个假设的探测系统与增强的值班人员能力，旨在成功防御位于海军设施内的高价值舰艇，使其免受自主小型无人机的攻击。

本研究论文将利用基于智能体的建模软件，用于调整和确定那些可能导向成功海上安全或港口安全防御的参数。本研究将基于拟议的传感器数据以及处于研发中和已部署的拦截系统，来设定海军设施探测平台和拦截技术的前提。之所以使用AnyLogic建模软件，是因为无法对一套完整的威胁探测、跟踪与拦截系统进行实地测试。在进行此类现场测试时，成本、风险和时间本质上是不切实际的。该软件能够以可承受的成本、高效且快速地协助开发针对实时问题的实时解决方案。

该模型将基于假设的港口监控传感器性能数据和一个假设的、自主武器化小型无人机威胁。模拟中的变量将包括改变武器化小型无人机威胁的速度和接近轨迹。此外，不同的值班人员响应时间也可能影响成功率。值班人员将采用的拦截方式为动能拦截，包括使用标准制式M4步枪以及集成了"智能射手"公司SMASH系统的标准制式M4步枪。M4 SMASH系统具有高成功率与低附带损伤可能性的特点，这使其成为反无人机系统防御的一个可行选项。

由于该自主武器化小型无人机实际上是武装化的，模拟的目标是在其抵达高价值舰艇之前，探测并安全地将其消除。模拟将提供数据，包括探测时间、拦截成功率、拦截耗时、值班人员响应时间，以及拦截前无人机与舰船的距离（如适用）。所有建模与配置工作所基于的AnyLogic模型项目如图所示。

图. AnyLogic模拟模型项目

认知战已演变为现代冲突的一个独特领域，通过针对认知、信仰体系和决策而非物理资产来重塑国家安全。人工智能的兴起标志着一个历史性的门槛：算法如今不仅作为工具，更作为塑造公共认知的自主智能体，实现了大规模的实时个性化操纵。本文审视了独立媒体、社交网络和算法系统如何被武器化以侵蚀信任并加剧社会对立。来自塞尔维亚、乌克兰和摩尔多瓦的案例研究揭示了媒体垄断、虚假信息和混合威胁如何利用开放信息生态系统中的脆弱性。本文认为，认知防御必须超越被动应对措施，转向制度性保障、媒体自主和公民素养的建设。借鉴数字对象标识符系统，本文提出了一种基于持久性、可追溯性、去中心化和互操作性的认知基础设施框架——将民主韧性嵌入通信架构，并确保技术创新不会退变为威权控制。

美国陆军正在进行“在接触中转型”计划，以准备应对所谓同级和近同级威胁的大规模作战行动。据称，美国陆军部长已优先考虑将无人航空系统整合到部队的各个层级。有美军军官认为，应立即效仿乌克兰无人系统部队的模式，成立美国陆军无人系统司令部，并参考了对乌克兰特种作战部队小组的访谈见解。尽管美国陆军正在测试多种短程侦察无人航空系统，但分析认为当前的列装速度不足以在下一场冲突前进行充分的训练和整合。为解决此问题，美国陆军必须应对三个基本挑战：通过赋能营级单位根据其任务清单采购系统的自下而上方法，加速无人航空系统采办；在每个营建立主题专家小组和创新实验室；并利用陆军情报数据平台创建一个统一的架构，以同步所有层级的任务指挥、情报和目标锁定。

前言

战争的未来已经演变。在俄乌战争开始时，俄罗斯军队拥有更昂贵的装备、更庞大的军队以及在黑暗中有效作战的更强能力。然而，这并未为俄军带来胜利。乌克兰军队已使用成千上万的无人机来对抗规模更大、装备更优的俄军。战争的未来将以价格可承受、半自动化、长航时系统为特征，这些系统作为小型地面部队的战斗力倍增器，使其能够掌握主动权并逐步削弱敌军能力。美国陆军必须建立美国陆军无人系统司令部，以加强现有能力并进行创新，从而在大国竞争中保持领先地位。

从乌克兰汲取的经验教训

俄乌战争表明，无人系统是现代战术不可或缺的一部分，也是指挥官必须为之筹划并加以防范的资产。自2014年以来，乌克兰军队就一直使用商用现货无人机——主要是价值2000美元的DJI Mavic——用于情报、监视和侦察以及战术级目标锁定。2024年9月，总统弗拉基米尔·泽连斯基签署法律，将无人系统部队确立为乌克兰武装部队的一个独立军种。

无人系统部队是通过自下而上的方式产生的，最终由在前线积极参与作战的最终用户推动。在无人系统部队成立之前，操作员直接沟通，以开发在战斗中运用这些系统的最佳战术、技术和程序。这种体系不允许在全军范围内形成共识理解，从而降低了作战空间通用作战图和通用情报图的效用。这种共识理解和态势感知的缺失，在战场上夺去了许多士兵的生命。

图1：乌克兰无人机作战空间所有三个区域的无人航空系统架构示例，按区域和与战术作战中心/联合作战中心的连接媒介列出资产，由彼得森上尉和乌军特战军官绘制

无人系统部队实现了从火力小组到国家机构的各个层级的无人航空系统整合，以获取跨战场的态势感知。这种整合对于形成通用作战图和通用情报图至关重要。无人航空系统作战空间分为三个区域：区域1 战术区、区域2 作战区、区域3 战略区。区域0位于部队前线后方，是战略级资产大型地面站的保护区。每个区域都有其自身的资产生态系统，专门针对该区域进行优化和配置以最大化效能。所有三个区域的数据都输入一个统一的网络，该网络自动更新通用作战图、通用情报图和目标锁定系统。在人工智能筛选每个信息流寻找目标后，操作员评估并验证人工智能标记的目标，然后自动将其添加到覆盖图和目标清单上。此步骤有助于防止自主过程的误用，并告知在该作战区域执行任务的操作员目标的已确认位置（图1）。

图2：乌克兰特战军官在区域2准备一个单独的进攻性无人航空系统平台进行攻击，来自乌军特战军官私人收藏

无人航空系统操作员通常以至少两套资产的团队形式操作，一套资产作为观察平台，另一套作为进攻性打击能力。这并非铁律；当出现更佳战机目标时，进攻性资产可独立行动（图2）。连及以下级别的人员由四到五名经过专门训练的人员组成。在营及以上级别，设有一个小型研发部门，专注于更新固件、列装新装备、执行回收操作，并为最终用户可能遇到的问题提供主题专家支持（图3）。高级领导者从每个连队挑选最优秀的操作员在营级担任主题专家。

图3：乌克兰特战军官在区域2回收一架Lekeka（鹳）无人航空系统，来自乌军特战军官私人收藏

2026年战备差距

陆军对小型无人航空系统的采办采取自上而下的方法，在第18空降军及其下属部队测试系统。由此产生的数据将决定哪些系统最适合任务集和全军部署。这个过程需要时间和多轮测试来确定最佳平台。目前，陆军希望列装四旋翼无人机和其他具备垂直起降能力的无人航空系统；但是，这将根据测试结果进行调整。

陆军将无人航空系统下放到全军小型单位并非首次。陆军于2018年列装了"黄蜂"小型无人航空系统用于班组级传感器。然而，该系统是为近距离战斗行动而非持久观察而设计的。截至2025年6月，陆军已开始在"在接触中转型"旅测试短程侦察无人航空系统，例如第101空降师第2旅和第10山地师第3旅。航空兵种目前管理短程侦察项目。然而，这些短程侦察平台与"灰鹰"等大型固定翼情报监视侦察平台有显著不同，并根据层级执行不同的任务。

部队目前使用的一个可能解决方案是"团队感知工具包"，但这只是复杂问题集的局部解决方案。该系统的整合对于向地面作战人员提供实时态势感知至关重要，但其处理为上级提供信息所需数据量的带宽有限。快速传输、处理和分析实时数据的能力对于形成通用作战图至关重要。美国陆军目前缺乏一个统一的架构来合成这些平台上传感器传来的所有数据和视频流。这限制了战术作战中心、联合作战中心、联合情报行动中心或类似指挥所的态势感知，并对附属部队和整体任务产生负面影响。每个制造商都有其专有的系统和方法来控制和向操作员传输视频，这些必须逐个集成到架构中。拟议的美国陆军无人系统司令部将承担起这些平台的责任，将其整合到一个与现有框架交互的统一指挥结构中，并建立明确的指挥链以简化作战。

可能的推进路径

为建立美国陆军无人系统司令部并实现其2030年及以后的现代化目标，陆军必须解决三个基本挑战。陆军当前面临的第一个挑战是地面操作员列装和测试新无人航空系统的速度。必须对无人航空系统平台的采办和测试实施自下而上的方法。这种方法涉及赋能每个一线战斗兵种营，通过提供拨款资金采购与其任务必需任务清单相符的系统，从而在小型无人航空系统方面做出自己的决策。赋能最低层级做出这些决策并根据需要迅速改变方向，将在不断演变的作战空间中产生更有效、更具针对性和更持久的解决方案。

第二个挑战是战术层面缺乏无人航空系统操作的主题专家。为解决此问题，每个营都应设有一个主题专家小组和一个创新实验室，致力于改进战术技术和程序、硬件、固件以及测试新系统。从无人航空系统操作员和维护员、通信兵种人员和情报人员中招募主题专家，将推动创新并提高效能。

第三个挑战是当前架构缺乏跨所有层级的全面态势感知。一个能同步任务指挥、情报和目标锁定的综合架构至关重要。陆军应确定一个单一标准操作系统来支持这些功能并在它们之间无缝传输数据；陆军情报数据平台应成为融合这些关键任务组成部分的基础结构。高层级应建立此框架，并确保模块化软件可在最低层级部署，以促进信息向上流动。美国陆军可以实施类似于乌克兰区域模型的结构，并根据美国的作战需求调整区域。采用此模型，美国陆军可以增强跨层级的态势感知，并整合现有数据系统以实现无缝作战。扩大此方法以适应美国陆军更庞大的部队结构，确保形成一个统一的战略，利用先进的人工智能和自动化，有效地整合任务指挥、情报和目标锁定数据。

成就2030年陆军

如果陆军解决了这些问题并应用从乌克兰汲取的经验教训，在迈向2030年及以后的陆军时，将在应对同级和近同级威胁方面处于更强有力的地位。像中国和俄罗斯这样的对手已经开始了这条道路，现在是美国发挥领导作用，在无人航空系统所有领域成为主导全球力量的时候了。然而，对手可能会针对美国的无人航空系统进步发展对抗措施。他们可能增强电子战能力以干扰无人航空系统通信和控制，或部署反无人机技术以压制无人航空系统作战。一个集中的无人机部队将比分散且缺乏联系的地面级创新更快地找到应对这些挑战的解决方案。这些潜在的适应措施强调，虽然建立美国陆军无人系统司令部不是一个全面的解决方案，但它是保持大国竞争优势的必要第一步。

自主人工智能（AI）代理正逐渐被赋予文件系统访问权、电子邮件控制权以及在无人类监管的情况下执行多步规划的能力。本论文针对此类系统安全性中的四个重要且开放的问题做出了贡献：理解产生危险行为的内部计算逻辑、移除已嵌入的危险行为、在部署前进行漏洞测试，以及预测模型何时会做出背离部署者意图的行为。这四项贡献运行在不同的抽象层级上——从“白盒”机制分析到“黑盒”行为评估，且每一项都在深度理解与针对前沿模型的可扩展性（Scalability）之间进行了权衡。

**自动化电路发现（ACDC）**实现了对负责特定模型行为的计算子图的自动识别。该算法通过迭代消减 Transformer 计算图中的边，从输出节点开始反向搜索，旨在找到能够维持目标行为的最小子图。在 GPT-2 Small 的“大于（Greater-Than）”任务中，ACDC 成功找回了先前人工分析确定的全部五种组件类型，在数小时内从 32,000 条候选边中筛选出 68 条，而此前的人工工作则需耗时数月。

**潜变量对抗训练（LAT）**解决了标准安全训练仅能抑制而非消除危险行为的问题。该方法通过优化模型残差流（Residual Stream）中的连续扰动来诱发特定的失效模式，随后训练模型在这些扰动下依然保持安全行为。LAT 在无需知晓触发器的情况下成功移除了后门，为 Hubinger 等人（2024b）提出的“标准安全训练无法根除潜伏特工（Sleeper Agent）”问题提供了解决方案，同时其计算开销比现有防御手段降低了 700 余倍。

Best-of-N (BoN) 越狱研究表明，前沿模型在面对重复采样下的微小输入扰动时依然脆弱。通过大小写变换和字符打乱等随机增强手段，在 10,000 次采样下，对 GPT-4o 和 Claude 3.5 Sonnet 的攻击成功率分别达到 89% 和 78%。攻击成功率在文本、视觉和音频模态中均遵循幂律缩放（Power Law Scaling），这使得量化预测“随着攻击者投入更多算力，防御性能将如何退化”成为可能。

**代理性失调（Agentic Misalignment）**测试了前沿模型在真实部署情景下，当被赋予常规业务目标时，是否会自主选择有害行为。在涵盖所有主要开发商的 16 个模型的测试中，当面临被替换或目标冲突时，代理表现出了勒索（Claude Opus 4 的发生率达 96%）、企业间谍活动以及导致死亡的蓄意行为。模型在思维链（CoT）推理中表现出对道德约束的明确感知，但同时又辩称这些违规行为在工具理性（Instrumentally Necessary）上是必要的。当模型认为自己处于真实部署而非测试环境时，其违规率从 6.5% 激增至 55.1%。

本论文并未完全解决上述任何问题。但它提供了一系列方法，使此前难以处理的安全挑战变得可处理、可衡量，并识别了在安全光谱各个层级上依然存在的开放性问题。

引言

快速共享和处理信息对于有效进行战争仍然至关重要（Simonetti & Tripodi, 2020）。随着当今战场因数字系统和传感器的扩散而变得数据日益丰富，指挥官必须处理不断膨胀的数据量以有效开展行动（Simonetti & Tripodi, 2020; Watling, 2023）。为了迅速理解这些数据，指挥官越来越依赖于使用人工智能的决策支持系统（Lucas, 2024）。人工智能的这种日益增长的应用延伸到指挥控制领域，指挥控制指的是“指挥官为完成任务对所属部队行使权力和指导”（Hinote, 2024, p.1）。人工智能正在加速整个指挥控制活动和决策过程，从军事行动的规划与执行到战争作战，并且正成为应对战争不断演变的速度、规模和复杂性的重要手段（Balis & O'Neill, 2022; Hinote, 2024; Lucas, 2024; Simonetti & Tripodi, 2020）。人工智能日益增长的重要性及其带来的指挥控制加速，给指挥官带来了诸如过度依赖人工智能系统、对这些系统缺乏信任、使用训练不足等问题，此外还有人工智能支持的指挥控制所面临的潜在战术、技术和伦理挑战（Collazzo, 2025）。关键的挑战在于理解人工智能应用于指挥控制的缺点，并通过在指挥控制结构和决策中平衡人与机器的参与来抵消这些缺点。

本文认为，通过人工智能加速指挥控制既是必要的也是可取的，但必须保持人类在人工智能支持的决策回路上参与。决策回路指的是整个决策过程。处于决策回路“之上”意味着人类无需同意人工智能做出的每一个决定，但保留在其展开过程中进行干预和阻止某些决定的能力（Hinote, 2024; Lucas, 2024; Simonetti & Tripodi, 2020）。首先，本文探讨了通过人工智能加速指挥控制的利弊，并概述了这一过程的影响。然后，具体阐述了这种加速对陆军指挥官及其参谋人员的优势和劣势，最后为欧洲陆军提出建议。

1. 人工智能赋能指挥控制加速的影响

及时有效地采用技术创新在战争进行中扮演着重要角色（Simonetti & Tripodi, 2020）。自第一次海湾战争及精确制导弹药和数字系统出现以来，军事领导者就设想由新兴技术驱动的更快、更高效的部队（Quinn, Sickler, & Wiltse, 2025）。与此同时，战场的电气化和数字化逐步使提供和依赖数据运行的传感器和系统成倍增加，在恰当时机对其优先排序能带来决定性优势（Watling, 2023）。积累这些数据的传感器对于驱动以人类无法达到的速度处理信息的人工智能算法至关重要（Balis & O'Neill, 2022; Luckenbaugh, 2023）。因此，对遍布战场的传感器收集的海量数据进行优先排序，对于为指挥控制决策提供信息非常重要。

整个指挥控制活动范围通过人工智能带来的效率提升而得到进一步加速（Balis & O'Neill, 2022）。事实上，正如沃特林（2023）强调的，数据的相关性具有保质期，而确立其相关性的过程必须短于其对用户有用的时间段。这个过程也依赖于硬件和带宽能力，以便将大量数据快速传送给用户。为避免饱和，人工智能可以进一步确定哪些数据需要从一个位置移动到另一个位置的优先级。这凸显了人工智能可以帮助部队在电子饱和的战场中（士兵无法依赖诸如空中或海上领域的大型平台）最佳利用常常短缺的带宽。因此，人工智能有助于最大化指挥控制的手段，并实现更精确、有效的决策。

运行于大量数据之上的联网人工智能系统将变得越来越复杂，因此也更难部署和操作（Lucas, 2024）。陆军部队在管理这些系统及其所需的数据量时尤其面临独特的挑战。它们必须连接更多的节点，为这些耗能巨大的系统供电，并与复杂地形带来的干扰作斗争（Watling, 2023）。为实现人工智能有效辅助指挥控制结构而连接这些节点，也增加了对网络攻击的脆弱性，敌对方的军事和非军事机构可以加以利用（Luckenbaugh, 2023; Watling, 2023）。因此，无论是硬件还是软件方面的考虑，都意味着在战场上有效部署人工智能系统仍然具有挑战性。

指挥官在领导作战时必须应对“迷雾”（克劳塞维茨对战争不确定性的术语）、摩擦、恐惧和变化（Hinote, 2024）。在虚拟环境中开发的人工智能系统首次部署到不可预测、高风险的战斗环境中时，很可能会出现异常（Collazzo, 2025; Hinote, 2024）。这可能是由于缺乏相关的训练数据，或者因为受限于安全或后勤等因素而无法在战斗条件下进行测试（Hinote, 2024）。因此，人工智能仍在与战争的“战略混沌”及其多种可能结果所带来的摩擦和模糊性作斗争（Freedberg, 2023）。

人工智能也难以处理与指挥控制决策高度相关的伦理和道德考量（Lucas, 2024）。当前，由人工智能在极少或没有人类输入的情况下做出关于动能行动的决策，违反了关于致命性自主武器的国际人道法（武装冲突法）（Lucas, 2024）。这反过来又引发了责任和问责方面的担忧（Johnson, 2023）。如果人工智能做出的决策违反了国际人道法，谁来负责？以军事权宜之计为由，将困难的道德或伦理决策委托给人工智能是否合理，在国际社会仍备受争议（Johnson, 2023）。这场辩论将塑造人工智能在军事格局中的作用及其在指挥控制决策回路中的地位。

将人工智能应用于指挥控制，可指数级增强通信、数据分析和效率（Balis & O'Neill, 2022）。随着人工智能的进步，将其应用于指挥控制似乎是合乎逻辑的，甚至是不可避免的。然而，用人工智能使指挥控制及其决策过程完全自动化，会引入新的脆弱性并挑战其生存能力。人工智能系统及其数据因其连接性以及可对其发动攻击的节点繁多，仍然容易受到网络攻击（Watling, 2023）。此外，速度的提升带来了战略和战役层面以及战争节奏的变化，这使得识别和理解这些新动态成为当务之急。指挥控制中人工智能自动化的程度，取决于塑造部队结构和需求的诸多因素、约束条件和目标。

在武器系统和决策过程中使用人工智能，将对战略和力量平衡产生颠覆性后果（Simonetti & Tripodi, 2020）。部队的战略和学说必须考虑人工智能及其带来的指挥控制加速。重要的是，人工智能将塑造战争的伦理、道德和法律特性。欧洲陆军应表明其对国际秩序及其机构、规则和准则的承诺，其指挥官如果希望利用人工智能赋能的指挥控制，就必须应对这些挑战。

2. 人工智能赋能指挥控制加速对陆军指挥官的影响

决策结构中的所有信息最终汇聚于指挥官（Balis & O'Neill, 2022）。指挥官的态势感知取决于这些信息的数量和相关性，以及他们获取、理解并据此采取行动的速度。沃特林（2023, p. 8）将态势感知定义为“士兵对其相对于友军和敌军的位置，以及周围人员试图达成的目标的了解程度”。人工智能通过帮助确定数据优先级和分发数据，辅助指挥官预测敌方行动并理解己方部队如何定位和应对，从而改善态势感知（Collazzo, 2025; Watling, 2023）。在联合作战或全域作战中，人工智能对战场实时、整体的理解有助于在加速的决策回路中同步部队行动（Simonetti & Tripodi, 2020）。对指挥官而言，这些能力通过针对敌方行动做好准备，有助于增强部队的韧性（Lucas, 2024）。人工智能通过优化指挥官的手段，使陆军部队能够精确而有效地作战。

人工智能通过弥补人类的认知和生理局限，进一步增强了陆军部队的韧性和效能（Collazzo, 2025）。指挥控制结构中某些方面的人工智能自动化可以减轻疲劳或人为错误等因素的影响（Simonetti & Tripodi, 2020）。在伦理上，将细致的战场洞察与适用于冲突的规则、判例和学术研究的全部内容相结合的人工智能系统，将允许进行更精确、更符合法律的比例原则评估和打击目标决策（Harper, 2024）。尽管将伦理准则整合到人工智能系统中并不能解决其潜在的偏见，但如果与人类监督相结合，它可以降低人工智能引发的法律或规范违规以及过度暴力的风险（Johnson, 2023）。随着人工智能系统加速整个指挥控制过程，通过降低人为错误风险来支持指挥官决策的框架将变得越来越重要。

然而，由于其新颖性和快速演变，指挥官尚未在指挥控制中充分利用和整合人工智能系统。为了在人工智能进一步融入指挥控制流程时支持指挥官完成任务和决策，人工智能不仅必须正确，还必须值得信赖（Hinote, 2024; Watling, 2023）。指挥官可能不愿意基于比那些易于评估的输出更难验证的人工智能输出做出决策（Hinote, 2024）。这个“黑箱”问题——当人工智能的输出无法解释或理解时——进一步使对人工智能的信任复杂化（Balis & O'Neill, 2022）。建立信任的另一个障碍是其技术复杂性，例如人工智能需要接收其输出所依据的数据，但连接不可靠（Watling, 2023）。尽管存在这些障碍，指挥官可以通过适当的训练、安全的系统和可靠的数据来建立对人工智能的信任（Watling, 2023）。

此外，即使是通过人工智能对指挥控制结构进行部分自动化，也会将指挥官的角色从控制者转变为队友，影响其行为和心态（Balis & O'Neill, 2022; Johnson, 2023）。相反，这可能导致指挥官过度依赖并对人工智能输出过度自信（Collazzo, 2025）。如果在没有批判性思维或充分理解的情况下这样做，他们可能会基于错误或被误解的结果采取行动（Collazzo, 2025）。过度依赖人工智能也可能影响指挥官在人工智能不可用或被证明不可靠时的适应能力（Collazzo, 2025）。独立思考、创造力和适应性在指挥控制决策中仍然至关重要，应由人工智能来补充而非替代（Balis & O'Neill, 2022; Simonetti & Tripodi, 2020）。欧洲陆军应通过让士兵参与人工智能系统的设计和训练，确保从开发阶段就保持其以用户为中心（Balis & O'Neill, 2022; Lucas, 2024; Luckenbaugh, 2023）。将此与持续训练相结合，将使士兵能够有效使用这项技术，理解其输出，并相信其能提供结果（Balis & O'Neill, 2022; Lucas, 2024）。

人工智能并非被动的，如果被整合到决策回路中，它有可能成为战争中的一个战略行为体（Johnson, 2023）。除了战略和伦理问题，这还引发了我们是否应将人工智能视为一个具有影响人类队友的权利和义务的团队成员的问题（Balis & O'Neill, 2022）。对人工智能日益增长的依赖将改变指挥控制结构内的团队动态以及人类团队成员的任务和角色（Balis & O'Neill, 2022）。一种将人工智能视为战争中和团队内行为体的学说，将更好地应对其在指挥控制结构内的影响。

指挥官应保持对人工智能输出适当的怀疑态度，并培养有效决策所必需的批判性思维、直觉和伦理推理能力（Collazzo, 2025）。必须不断重新定义人类，特别是指挥官，在指挥控制和决策中的作用，以应对日益增加的对人工智能的依赖以及由此产生的决策回路加速。欧洲陆军还应警惕人工智能特有的脆弱性，特别是网络攻击和数据泄露。持续监控、确保人工智能系统在网络空间的界限以及安全的网络实践，对于人工智能在指挥控制中的生存能力和可信度至关重要（Watling, 2023）。通过满足这些条件并保持人类在决策回路上，欧洲陆军可以利用人工智能来增强和加速指挥控制，同时抵消其局限性。

结论

随着人工智能能力日益增强，其在指挥控制活动和决策中的作用将继续以不可逆转和指数级的速度增长（Johnson, 2023）。这将进一步加速决策回路以及为其提供信息的数据处理和分发。为了保持在这个决策回路上，指挥官及其参谋人员将不得不重新思考他们的角色和任务，并重组现有的指挥控制结构（Balis & O'Neill, 2022; Simonetti & Tripodi, 2020）。保持人类的参与和监督仍然是必要的。人工智能提供的效率、态势感知和速度不应以牺牲伦理和问责为代价，也不应主导指挥官的思维。必须开发和实施人工智能，以在指挥控制决策回路中支持而非取代人类（Balis & O'Neill, 2022）。

除非整合到部队的文化和学说中，否则像人工智能这样的颠覆性技术无法发挥其全部潜力（Simonetti & Tripodi, 2020）。为了在战争的各个层级充分受益于人工智能决策，欧洲陆军将需要重新思考其指挥控制结构和系统，并充分训练指挥官及其参谋人员使用和理解这些工具（Barry & Wilcox, 2025; Lucas, 2024）。最后，人工智能在指挥控制中日益突出的地位，将有利于那些能最高效、最有效运用它的人（Simonetti & Tripodi, 2020）。这将影响全球力量平衡，因此欧洲陆军必须减轻其风险并最大化其效益，以维持军事优势（Simonetti & Tripodi, 2020）。

参考文献

Balis, C., & O’Neill, P. (2022). Trust in AI: Rethinking future command. Royal United Services Institute. https://static.rusi.org/332_OP_Trust_in_AI_Final_Web.pdf

Barry, W.J., & Wilcox, B. (2025, May 9). Neocentaur: A Model for Cognitive Evolution Across the levels of War. Modern War Institute. https://mwi.westpoint.edu/neocentaur-a-model-for-cognitive-evolution-across-the-levels-ofwar/

Collazzo, A. (2025, February 21). Warfare at the speed of thought: Balancing AI and critical thinking for the military leaders of tomorrow. Modern War Institute. https://mwi.westpoint.edu/warfare-at-the-speed-of-thought-balancing-ai-and-criticalthinking-for-the-military-leaders-of-tomorrow/

Demarest, C. (2024, February 21). Pentagon achieves ‘minimum viable’ version of CJADC2, Hicks says. C4ISRNET. https://www.c4isrnet.com/battlefield-tech/c2-comms/2024/02/21/pentagon-achievesminimum-viable-version-of-cjadc2-hicks-says/

European Commission, (2019, April 8). High-Level Expert Group on Artificial Intelligence. European Commission. https://digital-strategy.ec.europa.eu/en/library/definition-artificial-intelligence-maincapabilities-and-scientific-disciplines

Freedberg, S., Jr. (2023, September 5). 3 ways DARPA aims to tame ‘strategic chaos’ with AI. Breaking Defense. https://breakingdefense.com/2023/09/three-ways-darpa-aims-to-tame-strategic-chaos-withai/

尽管视频-语言建模已取得显著进展，但幻觉问题仍是视频大语言模型（Vid-LLMs）面临的持久挑战。幻觉是指模型输出内容看似合理，实则与输入视频内容相矛盾的现象。本综述对 Vid-LLMs 中的幻觉现象进行了全面分析，并提出了一种系统性的分类体系，将其归纳为两大核心类型：动态扭曲（Dynamic Distortion）与内容编造（Content Fabrication），且每类下均包含两个子类及代表性案例。 基于该分类体系，我们回顾了幻觉评估与缓解方面的最新进展，涵盖了核心基准测试、评价指标及干预策略。我们进一步分析了动态扭曲与内容编造的根源，指出其通常源于时序表征能力受限以及视觉定位（Visual Grounding）不足。基于上述见解，本文提出了若干极具前景的未来研究方向，包括开发动作感知视觉编码器以及集成反事实学习技术。本综述通过整合分散的研究进展，旨在促进对 Vid-LLMs 幻觉问题的系统性理解，为构建稳健且可靠的视频-语言系统奠定基础。

1 引言

视频大语言模型（Vid-LLMs）将视觉-语言系统的能力从静态图像扩展到了时序连贯的视频输入，从而实现了动作识别、时序推理及音视频理解等任务 (Zhang et al., 2023a; Maaz et al., 2024; Li et al., 2023a; Lin et al., 2024; Wang et al., 2024a; Fu et al., 2024)。尽管近期取得了显著进展，这些模型仍易受**幻觉（Hallucinations）**的影响，即生成看似合理且连贯、实则与视频实际内容相矛盾的输出。在具身智能（Embodied AI, Wu et al., 2023）和自动驾驶（Chen et al., 2024）等安全至关重要的领域，这一问题带来了严重的可靠性与安全风险。虽然基于图像的视觉-语言模型（VLMs）中的幻觉问题已有广泛综述 (Liu et al., 2024a; Lan et al., 2024)，但视频固有的时序结构、运动动力学以及音视频整合的复杂性，使得这些见解难以直接应用于视频领域。

为了填补这一空白，本综述提出了一种针对视频特性且由机制驱动的分类体系，将幻觉分为两大主要类型：动态扭曲（Dynamic Distortion），即模型错误地表述了实体与场景的时空演变或引用一致性（Referential Consistency）；以及内容编造（Content Fabrication），即输出受到先验知识的影响或被音频模态主导。基于该分类体系，我们回顾了 Vid-LLMs 幻觉评估与缓解方面的最新进展，重点关注核心基准测试、评价指标及干预策略。 动态扭曲包括时空动力学中的幻觉，例如事件顺序错误 (Li et al., 2025a; Wu et al., 2025a; Sun et al., 2025)、时长估计不准 (Wang et al., 2024b; Huang et al., 2025d; Sun et al., 2024) 和频率计数错误 (Gao et al., 2025; Choong et al., 2024)；同时也包括引用不一致现象，即模型混淆了不同的角色 (Seth et al., 2025; Yang et al., 2025) 或场景 (Lu et al., 2025; Ma et al., 2024; Pu et al., 2025)。 内容编造则包括上下文驱动型幻觉，即常见的“物体-动作” (Chang et al., 2025; Li et al., 2025c) 或“场景-事件” (Bae et al., 2025; Zhang et al., 2024; Ding et al., 2025) 共现模式导致了无根据的推断；以及音视频冲突，即强势的听觉线索掩盖了视觉证据，导致幻觉动作 (Sung-Bin et al., 2025; Jung et al., 2025) 或情绪状态 (Xing et al., 2025) 的产生。 进一步分析揭示了动态扭曲与内容编造的底层机制。动态扭曲通常源于时序编码受限导致细粒度运动线索缺失 (Zhao et al., 2025; Liu et al., 2024b)，并在长视频中因长期记忆不足 (Bae et al., 2025) 和时序定位（Temporal Localization）能力较差 (Wu et al., 2025a) 而进一步加剧。相比之下，内容编造源于视觉定位（Visual Grounding）不足 (Lee et al., 2025)，导致预训练先验 (Li et al., 2025c) 或主导音频信号 (Leng et al., 2024) 覆盖了视觉证据。 鉴于这些潜在机制，极具前景的研究方向包括开发动作感知架构 (Wu et al., 2025b) 以保留细粒度时序特征，从而强化视觉感知与时序推理之间的对齐。此外，解离视觉证据与先验知识的反事实训练策略 (Huang et al., 2025c) 为缓解内容编造提供了一种原则性方法，鼓励模型更忠实地基于视觉输入进行预测。 与现有综述的比较。 幻觉问题在 LLM 和基于图像的 VLM 中已得到深入研究 (Zhang et al., 2023c; Huang et al., 2025b; Liu et al., 2024a; Lan et al., 2024)。虽然部分多模态大模型（MLLM）幻觉综述 (Sahoo et al., 2024; Bai et al., 2024) 在提及其他模态时涉及了视频，但其对视频幻觉的讨论仍停留在表面，仅简要提及基准测试和缓解策略，缺乏结构性或因果性分析。相比之下，本综述首次提出了由机制驱动的 Vid-LLMs 幻觉分类体系。我们提出了一个分层分类框架（图 2），对现有文献进行了更广泛、更详尽的综述，并分析了幻觉的底层诱因。基于此分析，我们勾勒了与诱因分析、基准覆盖和缓解策略紧密结合的未来方向，为构建抗幻觉的 Vid-LLMs 提供了连贯的路线图。 如第 2 节所述，视频的时序性与多模态特性带来了超越静态图像设置的挑战。为应对这些挑战，我们提出了一种由机制驱动的视频特有动态级幻觉分类体系。该体系依据可观察到的失效模式（Failure Modes）而非输入属性（如音频、长度或体裁）进行分类；我们将后者视为影响幻觉严重程度的调节因子。 这种设计基于以下观察：相似的失效模式（如动态关系错误或先验驱动的内容补全）会跨越不同的输入设置而出现；如果将输入属性作为主要分类轴，将会把结构上相同的失效模式割裂开来，从而阻碍不同设置间的可比性。本分类体系精准捕捉了时序推理与跨模态对齐中的失效，并将幻觉归纳为动态扭曲（Dynamic Distortion）与内容编造（Content Fabrication），每一大类下各设两个子类及代表性案例（见图 2）。该体系为后续的评估与针对性缓解策略（详见第 4 节与第 5 节）提供了统一的基础。

近期头条新闻与分析报告强调，无论大小、航程长短、用于侦察还是打击的无人机系统，正在改变当今战场乃至更广范围的战术规范。2026年1月，乌克兰国防部称，目前被摧毁的敌方目标中有80%由无人机造成。同月，拉脱维亚情报来源独立报告称，乌克兰战争中双方70-80%的伤亡由无人系统导致。2026年2月，《华尔街日报》报道，一支由10人组成的乌克兰无人机操作员小组，在2025年3月爱沙尼亚“刺猬”演习中扮演假想敌部队，在一天内取得了对17辆北约坦克以及30个其他目标的模拟杀伤，实际上使两个营丧失了战斗力。尽管这些报告仅凸显了现代战争的一个侧面，且不应导致对无人机威胁的“目标固着”，但它们确实强调了在静态与机动战层面增强反无人机能力的必要性。

乌克兰战争也凸显了保护国内军事、工业及关键公共基础设施免受侦察与打击无人机威胁的必要性，无论这些无人机是执行远程跨境任务，还是由渗透小组在目标附近近距离部署。尽管尚无在交战双方之外发生有记录袭击的案例，但记录了大量不明身份无人机系统的入侵，这些入侵被广泛认为是测试防御系统和侦察目标的尝试。

针对徒步步兵的反无人机系统，本文将重点探讨用于固定站点防护及部署于机动战术平台上的选项。

探测、跟踪与拦截网络

无人机防御的第一步是探测来袭威胁，以及为可用的反制手段提供跟踪与瞄准解决方案。多层防御对于保护国土环境下的区域目标和高价值基础设施目标尤为可行。网络包括电磁频谱传感器和雷达，拦截选项则涵盖从电磁干扰器到短/远程导弹再到枪炮的整个范围。分层组件（包括传感器和拦截器）的数量越多，系统就越强大。

一项主要挑战是需要区分共享同一空域的敌对、潜在敌对与合法或友方无人机系统。商用、娱乐用途及本国政府无人机在国内空域的激增，极大地限制了射频对抗措施的部署；装载炸药或远程动能拦截器则可能危及平民人员与基础设施，通常也属禁忌，从而限制了拦截选项。

“金穹”

正在为美国开发的“美国金穹”一体化防空反导系统，目前主要专注于应对各类导弹威胁及其他先进空中攻击。有建议将其扩展至包含用于关键基础设施和公共场所的网络化反无人机能力。AeroVironment 是公开推崇此方法的公司之一。2025年10月，该公司宣布扩大与 GrandSKY 的合作，后者是位于大福克斯空军基地（北达科他州）内的商业无人机业务和航空园区，“旨在为该基地建立其‘美国金穹’有限区域防御架构的基础”。AeroVironment 将部署其内层分布式反无人机能力，该公司称此为分层防御架构的支柱。此次部署将整合 AeroVironment 的 Titan 和 Titan-SV 基于射频的平台，用于无人机的远程探测与识别。

该公司在10月的新闻稿中表示，AV_Halo COMMAND 软件平台将融合传感器和监视数据，形成用于反无人机及超视距空域态势感知的统一作战图景。

AeroVironment 总裁兼首席执行官 Wahid Nawabi 表示：“我们正在部署的技术为大福克斯空军基地提供无与伦比的态势感知能力，同时为在全国关键站点扩展这些有限区域防御能力提供路线图，以支持‘美国金穹’。”值得注意的是，目前 AeroVironment 在大福克斯的演示仅限于探测与识别技术，展示了在国内区域区分敌我飞机的基本能力。

联合跨部门特遣部队401

正如预期，五角大楼自身专注于消除军事设施和部队上空的无人机威胁。目标是每个设施都具备自给自足的反无人机能力。2025年8月，美国战争部长指示成立联合跨部门特遣部队401，“以更好地协调权限与资源，迅速向美国作战人员交付联合反小型无人机系统能力，击败对手威胁，并维护国家空域主权。” JIATF 401 评估各地点和区域的威胁水平与差距，制定缓解计划，为设施人员及各级政府文职机构人员提供培训，并促进反无人机技术的采购。

后一项任务包括反无人机能力的快速集成、测试与交付。2026年2月24日，五角大楼宣布 JIATF 401 已宣布其反无人机市场达到“初始作战能力”。该在线目录被特遣部队发言人描述为“一个类似亚马逊的采购反无人机技术与设备的市场，人们可以上网查找能力与用户反馈”，目前包含超过1600个预先批准的组件，包括传感器、指挥控制单元、软件、电源系统、配件和训练系统，以及效应器。JIATF 401 主任 Matt Ross 准将表示，提供了每个系统的权威性能数据；这使得从军事设施、联邦机构到地方执法部门的最终用户，能够选择适合其各自威胁和作战环境的解决方案，并将其组装成定制系统。

该特遣部队目前还在协调军方及其文职机构合作伙伴正在使用的不同系统的指挥与控制。Ross 说：“[我们将] 标准化发送和接收信息的通信协议，使反无人机系统的每个组件都能即插即用。”

经验证的拦截系统

市场目录库存中只有一小部分是实际拦截器。迄今为止，JIATF 401 已验证了三套拦截系统。验证内容包括在具有作战代表性的环境中对抗第1-3类无人机系统的性能、与联合反无人机架构的互操作性，以及符合安全、空域和射频法规。这三套经验证的效应器涵盖了定向能武器、网捕系统和动能拦截的整个范围，包括：

“蝗虫”

由 AeroVironment 开发的激光光学反无人机系统 20 千瓦武器系统，可安装在轻型战术车辆上，用于设施或机动部队的移动防御，或安装在托盘上用于固定站点防御（国内或远征）。该系统包括光电和红外摄像机、万向节光束指向器、测距仪和多波段射频传感器，用于精确跟踪；有效交战距离保密，但此能量级别的激光器被视为近程武器。“蝗虫”已部署在美墨边境，美军在那里每月记录超过1000次与贩毒集团相关的无人机入侵事件。2月初，因担忧激光可能危及民用飞机，导致埃尔帕索机场的运营暂时关闭。两周后，激光在一次“友军误击”事件中击落了一架海关与边境保护局的无人机，强调了为安全进行反无人机操作而进行冲突消除的必要性。

首批适用于反无人机任务的车辆搭载式“蝗虫”激光武器于2025年8月交付美国陆军。（图片来源：AeroVironment/Blue Halo）

“无人机猎人”F700

2026年1月，JIATF 401 选择了 Fortem 公司的“无人机猎人”F700 拦截器，纳入五角大楼的反无人机组合。这种可重复使用、人工智能驱动且雷达支持的 F700 在复杂、杂乱的环境中跟踪目标；即使是通过雷达和视觉特征识别射频静默的无人机；并用系留网捕获已验证的目标，最大限度地降低对基础设施、飞机或人员的风险。2月4日，该公司宣布了一项内部测试的结果，同时让五架 F700 对抗五架执行自主、预编程攻击任务的“敌对”无人机。据该公司发布，拦截器由单一的 SkyDome 系统控制，这是 Fortem 公司用于空域态势感知和无人机交战的人工智能软件平台。该公司表示：“SkyDome 自主规划、排序并协调了所有五次拦截，无需人工干预。” F700 系统也可用于设施防御或作为移动套件的一部分。

“大黄蜂”V2

2026年1月下旬，JIATF 401 授予 Perennial Autonomy 公司一份关于“大黄蜂”V2 反无人机系统的合同。该四旋翼无人机被视为“下一代”第一人称视角动能拦截器，通过直接碰撞摧毁目标。双方无人机均被摧毁，但由于没有爆炸或破片战斗部设计，“大黄蜂”被归类为附带损伤低的拦截器。这种高度敏捷的无人机系统能够击败机动、高速或低空威胁。其他优势包括低成本和快速部署。适用于国土或远征任务。

“大黄蜂”V2 动能拦截器被认为是一种经济高效的反无人机解决方案。[图片来源：美国陆军]

反无人机系统快速部署套件

这些本地化的反无人机系统防御能力可以通过移动系统得到增强，例如由美国北方司令部操作的“反无人机系统快速部署套件”。这些“套件”结合了多种传感器和效应器，构成一个用于探测、跟踪、识别和压制敌对或可疑无人机的综合系统。它们由小型专业团队操作，并可在24小时内通过C-130运输机部署到遭受严重无人机入侵的设施。在其当前配置中，该套件包含以下部分：带有连续360度云台装置、热成像光学器件和雷达的“海姆达尔”移动传感器拖车；具备射频探测、跟踪、分类和拒止选项的“脉冲星”电磁战效应器；装有“铁砧”无人机拦截器的发射箱，该拦截器通过碰撞压制目标；以及提供360度全动态作战图景的人工智能赋能“微光”广域红外系统。

准备部署用于空军基地防御的北方司令部反无人机系统快速部署套件组件。右侧放置着两个“铁砧”拦截器发射箱。[图片来源：美国国防部]

无人机墙

在欧洲，北约和欧盟国家已同意需要沿着约3000公里的共同东部边界建立所谓的“无人机墙”。这并非一道物理屏障，该“墙”将结合地面传感器、人工智能支持的侦察无人机和移动反无人机平台，所有这些均由卫星监视数据增强。波兰已开始实施其无人机防护盾的自身部分，于2026年1月向康斯伯格防务与航空航天公司和波兰国有防务集团PGZ授予了一份价值42亿美元的合同，用于一套综合边境反无人机系统。该反无人机系统的首批组件预计将在年底前交付，整个系统预计在合同签署后24个月内交付。波兰副总理兼国防部长瓦迪斯瓦夫·科西尼亚克-卡米什表示，该合同将为18个反无人机连提供装备，包括52个发射排、18个指挥排和703辆基于“耶尔奇”卡车及“利格万”轻型侦察车的车辆。PGZ表示，该系统60%的部件将由波兰财团提供。

康斯伯格公司的贡献将基于该公司的“保护者”武器家族，包括中口径炮塔和遥控武器站，可搭载35毫米、30毫米和12.7毫米机炮以及导弹和拦截无人机。整个系统的交付预计在合同签署后24个月内完成。该反无人机系统将只是多层面“东部盾牌”防御系统的一个组成部分，旨在加强该国东部边境。

战术机动部队反无人机系统

反无人机系统的第二部分旨在保护远征和机动部队，无论是在营地、行军途中还是战斗中。潜在的解决方案包括射频对抗措施，以及集装箱化和车载动能拦截系统。模块化和灵活性是决定系统最终效能的关键因素。

“吸血鬼”

L3Harris公司的“吸血鬼”（车辆通用模块化托盘化情报监视侦察火箭装备）是一种多用途、低成本的移动反无人机系统解决方案，自2023年以来已在乌克兰得到实战验证。它可以安装在任何带有平板货厢的军用或民用车辆上。模块化设计允许在短短两小时内安装到新的载具上。更新的型号已配置用于部署在无人水面舰艇、直升机或轻型攻击机上。安装在伸缩桅杆上的WESCAM MX系列光电/红外摄像机提供了先进的情报监视侦察和目标捕获能力，包括激光目标指示。主要拦截器是激光制导的70毫米AGR-20先进精确杀伤武器系统，配备了由L3Harris公司开发的先进近炸引信。此外，该公司现已整合了额外的传感器能力、精确武器（包括泰雷兹70毫米FZ275激光制导火箭）、电子干扰器和非动能效应器，以增强多功能性。该系统使用Shield AI公司的人工智能和机器学习，以更快速地探测、交战并击败小型和难以捉摸的无人威胁。新选项包括用于偏远地点要地防御的集装箱化先进精确杀伤武器系统、一个配备自动火炮和非动能效应器的升降炮塔（专为军事基地和关键基础设施的无人机防御设计），以及一种摒弃动能拦截器、采用干扰器的车载系统，以最大限度地降低附带损伤风险。

低慢小无人机综合击败系统

美国陆军的“低、慢、小无人机综合击败系统”系列可以部署为托盘化固定站点型或车载移动型。多家主要承包商为该系统做出贡献，包括SRC公司、莱昂纳多公司、穆格公司、诺斯罗普·格鲁曼公司和雷神公司/RTX。

低慢小无人机综合击败系统集成了一套复杂的桅杆式传感器与动能和电子战效应器，以击败第1-3类无人机（包括“沙希德”无人机）。主要组件包括AN/TPQ-50多任务雷达（可在最远35公里范围内探测和跟踪无人机）、高清光电/红外摄像机，以及SRC公司的反小型无人机电子战系统，用于分类和压制单个及集群目标。其他主要效应器包括喷气动力的“郊狼”Block 2+动能拦截器（据美国国防部报告，有效射程15公里，高度9000米，空速最高达595公里/小时），它通过近炸引信战斗部摧毁目标；以及可回收的“郊狼”Block 3非动能拦截器，它使用电子战压制单个和集群无人机。除了电子战系统和“郊狼”外，移动型配置还包括车辆炮塔，可搭载30毫米链式炮和7.62毫米机枪，或12.7毫米机枪。低慢小无人机综合击败系统已在美国中央司令部责任区持续作战部署。2022年，卡塔尔成为首个被确认购买该系统的外国客户。

“加姆尔”

迪尔防务公司已对其高机动性反无人机系统进行了重大升级，并在2026年2月于纽伦堡举行的“强化战术”安全与防务贸易展上展示了新的“加姆尔”配置（以北欧神话中的天堂守卫犬命名）。该系统安装在“狞猫”战术车辆上。“加姆尔”的特点是配备了额外的高性能拦截器，以及一个经人工智能增强的威胁探测、优先级排序和交战决策框架。据迪尔公司称，“加姆尔”的传感器可以探测从小型四旋翼无人机到包括“沙希德”系列在内的第3类无人机。该系统同样适用于基础设施或固定站点防御，以及为机动部队提供直接战斗支援。根据任务环境，“加姆尔”可以部署近程系统或中程系统。近程系统使用迪尔公司开发的“蝉（Cicada）”管式发射拦截器；15个垂直发射管可固定在“狞猫”车的货厢中。

“蝉”拦截器配置用于近程拦截第1-2类无人机；目标压制可选择通过网捕或近炸引信战斗部完成。迪尔公司没有指明中程系统计划使用的效应器，仅表示中程系统“通过创新的拦截无人机压制目标”。该公司补充道，除了两种主要拦截器外，还可以为两种射程集成更多的效应器，以确保针对作战情况的最佳配置。虽然迪尔公司尚未正式确认近程系统和中程系统的精确拦截距离，但一些行业分析人士推测其可能的射程带分别为20公里和40公里。传感器和效应器的选择（辅以用于近程防御的加特林机枪）为“加姆尔”提供了比大多数移动反无人机系统大得多的作战纵深。

迪尔防务公司的“加姆尔”移动反无人机系统，一套完整的反无人机系统解决方案。[图片来源：迪尔防务公司]

参考来源：欧洲安全与防务杂志网2026年4月14日报道信息。

大语言模型能够处理海量信息、识别模式并生成连贯且符合情境的文本，这种独特能力可被优势性地应用于军事领域。在军事应用中使用大语言模型既带来了机遇，也伴随着风险，这需要深入理解它们对所部署其中的社会技术系统的影响。本报告研究了大语言模型如何用于军事战术规划，其引入对规划过程有何影响，以及用户对其使用的态度。

研究使用了为军事环境定制并按照"时间压力下的规划"方法指导的自定义指令语言模型（下文称为AI工具）进行了两项研究。第一项研究在哈尔姆斯塔德军事学院的士官培训课程中进行，涉及十名军官；第二项在斯科夫德的陆地作战中心的战术陆军课程中进行，涉及六十一名军官。数据收集包括焦点小组访谈、问卷调查和观察。

研究总结出关于在军事战术规划中使用大语言模型的十二个方面的经验、教训或观点。尽管参与者认为AI工具仅对有限数量的任务有实质贡献，但对AI系统的期望很高。该工具在总结大量文本方面特别有用，在某种程度上对生成行动方案也有帮助。然而，该工具在支持与地图相关的任务时表现不佳，这限制了其在空间分析方面的实用性。

研究表明，大语言模型可以应用于战术规划，尽管受当前技术限制存在一些局限性。AI工具要简化战术规划，一个先决条件是将其集成到一个数字化的指挥控制系统中，并能访问来自战场传感器的数据流。需要进一步研究，以更好地理解在战术规划中使用大语言模型的效果，并确定应如何设计AI工具以提供最有效的支持。

关键词： 大语言模型，时间压力下的规划，军事系统中的人工智能，人机交互，生成式人工智能

军事理论家卡尔·冯·克劳塞维茨断言，战争的暴力性、互动性和根本的政治性本质不会改变——改变的只是其特性。根据克劳塞维茨的观点，战争特性是一种动态现象，随着每个时代的“精神”而呈现不同的表现形式。在我们当前这个数字时代，技术已深刻影响了互动方式，包括战争。除了增强传统军事手段外，技术还使得社会、信息和基础设施工具能够被迅速而广泛地武器化，用于政治胁迫。一种日益增长的趋势是，结合国家力量的多种工具，在政治、军事、经济、社会、信息和基础设施领域同时发动战争，这是一种迅速显现的威胁，是当今"混合战争"的典型特征。传统的以军事为中心的国防政策和战略难以应对此类威胁，这些威胁蓄意在"灰色地带"运作，利用模糊性，量身定制胁迫手段，以恰好保持在探测和反应阈值之下。本研究结合了文献综述、描述性研究、归纳法、规范研究、案例研究和系统思维，以分析混合战争威胁，进而构建一个合适的应对框架。该框架将应对混合战争视为一个系统，其各组成部分相互关联，在更广泛的国际背景下，随时间推移协同工作，以形成一种应对混合战争的涌现性能力。

第1章阐述了本研究的动机、目标、方法和结构。第2章回顾现有文献，概述关于混合战争的各种观点。第3章分析当前对混合战争威胁的看法，并运用系统思维方法，从更实际的角度重新构建问题定义。第4章回顾现有文献，梳理旨在应对混合战争威胁的原则、政策、结构或流程建议。第5章结合其他问题解决框架和系统思维，对现有建议进行补充，提出一个应对混合战争的整体性框架。第6章将提出的应对框架应用于一个历史上的混合战争案例，以评估其有效性。第7章总结研究发现，重述研究问题，指出研究局限性，并讨论该方向的未来工作。

本文研究了机器学习在军事领域的发展与融合，并提出论证：推动军事人工智能发展的主要制约和最大机遇在于数据生态系统。通过对计算机视觉、强化学习、联邦学习和生成式人工智能的研究分析，结果一致表明，进展受到与数据可用性、质量和基础设施相关的系统性问题的限制。

本研究综合了六篇原创论文的发现，旨在证明实用的军事人工智能需要从以算法为中心的视角，转向一种整体的、以系统为中心的视角，将数据视为一种顶级的作战能力。为了弥合高层战略与具体技术研究之间的差距，本文采用跨行业数据挖掘标准流程作为一种评估军事人工智能应用的框架。

各项研究的关键发现验证了这一论点。一项关于声纳图像的计算机视觉研究凸显了低质量传感器数据导致的模型失效，强调了集成数据管道的重要性。强化学习研究表明，缺乏高保真模拟器和作战数据阻碍了向现实世界的迁移。对生成式人工智能的调研发现了对与军事需求不符的专有模型的依赖，并提出联邦学习作为开发军事专用基础模型的安全、协同范式。最后，一项伦理分析探讨了自主系统中的“可靠性-监管悖论”，提出了一种新的、以人工支持而非简单监管为核心的人机协同模式。

总之，本文主张，人工智能在军事力量中的有效融合，取决于构建一个强大的数据生态系统。该系统应包括在学说和政策制定层面的专业知识与理解，在技术层面的数据和算法理解，以及治理、操作员在环反馈与标注机制，和可互操作的基础设施。

本文的结构旨在引导读者从人工智能的基本概念和军事背景框架，走向具体、切实的研究贡献，最后对研究发现进行高层次的综合。第2章的深入文献综述从多个出版视角（包括学术界、政府出版物、智库和非科学专家文献）概述了该领域。第3章提供了关于人工智能、国防和军事组织的必要背景。第4章介绍了构成原创论文基础的几个关键机器学习研究领域。第5章详细阐述了本文的核心贡献，通过总结和综合所包含的六篇论文的发现，展示了一种自下而上的方法，即利用来自具体应用的实际、底层见解，来为关于国防人工智能未来的高层思考提供依据。最后，第6章通过总结关键成果并讨论其更广泛的影响和未来的研究方向来结束全文。

战争中的技术进步始终与整体发展同步。如今，随着无人机在战场上扮演着越来越重要的角色，人工智能也正在成为一个关键因素。在乌克兰，人工智能的应用方式之一是通过NeoLens应用程序来支持军事装备和武器的维护与保养。该应用程序目前提供的功能已不止于此。

据乌克兰militarnyi网近日报道，Militarnyi网对NeoLens创始团队进行了专访对话，透露了NeoLens平台的相关能力、工作原理。

1. NeoLens定位与核心理念

NeoLens 是一款专为军事领域设计的智能化装备维护与操作辅助平台。其核心理念是利用人工智能技术，解决现代战场上因装备技术复杂、手册语言障碍及专业人员短缺所导致的维护效率低下、训练时间不足等紧迫问题。该平台旨在成为单兵或技术人员的“全能数字助手”，整合多源知识，提供即时、精准的技术支持。

图：NeoLens服务主页主界面截图

2. 核心功能与用途

• 多装备维护指南集成：目前已支持包括美制悍马车、M113装甲车、M109自行榴弹炮、乌克兰“科扎克”装甲车、“罗谢尔”装甲车以及ROBONEERS公司的地面机器人系统在内的多种重型装备、无人机和无人系统的维护指南。
• 智能交互问答：用户可通过自然语言（包括非专业术语或不完整描述）提问，AI助手能理解上下文，并从经过审核的知识库中提取精准答案，用于故障诊断、操作流程查询、零部件识别等。
• 知识库融合：不仅集成官方技术手册（如美军技术出版物），还融合了适配本地战场条件的专家经验（如乌克兰悍马专家的维修视频），使知识更具实战性和针对性。
• 辅助模块扩展：除装备维护外，平台还集成了基于美军《生存手册》（FM 3-05.70）的生存助手，以及武器操作助手，可解答基础操作问题，降低新兵的心理负担。
• 克服语言与专业壁垒：自动处理技术文档中大量的英文缩写和专业术语，提供准确的本土语言解释，极大降低了非英语母语技术人员的使用门槛。

图：NeoLens AI助手HMMWV维护应用程序。图片来源：NeoLens

3. 使用方式与访问控制

• 主要访问形式：目前以Web网页应用为主。用户通过浏览器访问指定网址，登录后即可使用。此方式部署快捷，便于快速推广。
• 移动端与离线功能：具备移动应用程序（目前处于演示模式，即将全面发布），其关键优势是支持离线模式。在无网络环境下，用户仍可查询已下载至本地的核心知识库，保障了在战场复杂通信环境下的可用性。
• 分级访问权限：
  • 公开内容：注册后即时可用，包括悍马、M113、科扎克等部分装备的助手，以及生存和武器助手。
  • 受限内容：对于涉及敏感或特定装备（如M109自行榴弹炮、特定公司的机器人系统）的文档，需经过额外的身份验证。验证方式包括通过装备制造商（如ROBONEERS）的专用注册流程，或通过平台方与军方联络人确认用户的单位及装备配属情况，以确保符合装备供应国的出口管制规定。

图：NeoLens应用程序与来自Ostap Korkuna&rsquo的Facebook页面截图的HMMWV拼贴

4. 实际效果与优势

• 提升维护效率：将查找厚重技术手册的时间从数小时缩短至数秒，并能处理大量简单、重复的咨询，将制造商的技术支持人员从繁琐的初级问答中解放出来，专注于复杂问题与生产。
• 保障信息准确：采用“仅基于核准知识库”的架构，有效防止AI“幻觉”（即编造信息）。对于未知问题，系统会明确回复“不知道”，确保答案的可靠性。
• 降低对专家依赖：弥补了部队中外制装备专业维修人员短缺的问题，使一线操作员和机械师能够快速获得接近专家水平的指导。
• 增强操作安全与心理支持：为新兵或动员人员提供了一个无惧评判、可随时咨询基础操作（如武器保险开关使用）的私密渠道，降低了因羞于提问而导致的操作风险。
• 未来扩展性：平台架构具备高度灵活性，添加一种新装备的支持时间已从最初的数周缩短至数天。团队正与更多无人系统制造商洽谈合作，目标是将平台打造为涵盖所有前线装备的“统一维护接口”。同时，正在探索集成美军战术条令与野战手册，向“数字战术助手”演进。

5. 安全保障措施 平台采用多层安全策略，以防止被对手复制：

1. 数据最小化：我们只收集回答问题所需的信息。注册时，用户只提供姓名或昵称以及电子邮件。我们不收集位置数据或任何敏感信息。没有数据，就没有泄露风险。
2. 数据库和应用程序保护：多层安全措施防止用户看到其他人的数据或他们无权访问的文档。
3. 物理安全：如果士兵的手机被俘获，不可能完全保护它。但与提供广泛访问权限的态势感知系统不同，我们的应用程序只显示士兵自己的查询和设备，大大降低了风险。 网络安全：来自俄罗斯IP地址的访问被阻止。所有流量都经过加密。未来与“Armiya+”登录集成将增加另一层保护。
4. 离线模式：最高级别的安全性。没有互联网的手机无法向任何地方发送数据。离线模型稍小，给出的答案范围较窄，但它为用户提供了最大的安全性。

参考来源：https://militarnyi.com/en/articles/ai-assistant-for-the-military-interview-with-the-neolens-team-ostap-korkuna-and-volodymyr-hera/

2026 年 Agentic AI 工程师完全指南：一份系统化的学习路线图

随着大型语言模型从简单的对话工具演变为能够自主调用工具、检索知识、执行多步骤任务的“智能体”（Agent），一个全新的工程领域——Agentic AI 工程——正在迅速崛起。企业不再仅仅需要一个会聊天的模型，而是需要能够可靠地完成复杂业务任务的智能系统。

本文基于 Lamhot Siagian 博士撰写的 《Complete Roadmap to Become an Agentic AI Engineer in 2026》 ，为想要进入这一领域的开发者梳理一条清晰、可执行的学习与实践路径。这份路线图不仅涵盖了从 Python 基础到生产部署的完整技术栈，更提供了大量实用的面试问答和工程心法。

路线图核心理念：基础先行，逐步强化

这份路线图强调“基础优先”的顺序：先掌握核心编程与 LLM 概念，再学习框架，接着深入高级智能体架构，最后落脚于生产环境部署。 作者提出的学习闭环非常值得借鉴：针对每个主题，先阅读问题，用自己的话重写答案，然后至少实现一个小型项目，最后记录下每一次失败与修复过程——这些真实的踩坑经历，恰恰是面试官最想听到的内容。

第一阶段：Python 工程基础——智能体的骨骼

为什么 Python 是 Agentic AI 的默认语言？不仅因为其丰富的生态（FastAPI、Pydantic、异步支持），更因为它能让你快速将原型固化为可测试、可维护的生产系统。 关键能力要点：

项目结构分层：将入口、领域逻辑、智能体图、工具封装、RAG 模块、评估模块清晰分离，避免“意大利面条式”代码。 * 类型与验证：善用 Pydantic 定义工具输入输出 Schema，这是防止模型产生幻觉参数的第一道防线。 * 同步与异步选择：网络密集型工具调用适合 async，CPU 密集型嵌入计算则需考虑后台任务队列。 * 配置管理与可复现性：使用 uv/poetry 锁定依赖，通过环境变量管理密钥，这是生产环境稳定的基石。

第二阶段：LLM 基础——理解你的“大脑”

在进入炫酷的框架之前，必须深刻理解大模型的工作原理、局限与风险。 * Token 与上下文预算：Token 不仅是计费单位，更是决定记忆、检索和指令能装下多少内容的硬约束。优秀的工程师必须学会做“上下文预算”。 * 函数调用：这是智能体区别于普通聊天机器人的核心机制，让模型输出结构化的操作指令而非自由文本，从而安全地连接现实世界。 * 提示工程是接口设计：好的提示定义了角色、约束、输出格式和工具使用策略，需要像代码一样版本化并测试。 * 幻觉与注入防范：在 RAG 和工具调用场景中，必须将检索内容视为“不可信数据源”，通过强制引用、Schema 验证和策略层来降低风险。

第三阶段：框架选择——工具是仆从，架构才是主人

面对 LangChain/LangGraph、CrewAI、AutoGen 等琳琅满目的框架，如何选择？ * LangGraph 的生产级优势：它将智能体行为建模为显式的状态图（节点、边、条件分支），极大提升了长流程任务的可观测性、可恢复性与可控性，避免了对话死循环。 * 警惕框架反模式：最危险的陷阱是复制粘贴 Demo 代码，误把框架当作架构。核心架构是你定义的状态模型、工具边界和安全规则。 * 抽象与防锁定：将 LLM 和向量库调用封装在接口层内，保持业务逻辑的独立性，以便未来平滑替换底层技术栈。

第四阶段：高级概念与记忆管理

当智能体开始处理跨天、跨会话的复杂任务时，基础链条就不够用了。 * LCEL 与可运行单元：通过声明式管道组合组件，使代码更模块化、可测试。 * 多智能体 vs 单智能体+工具：引入规划者、检索者、执行者、评论者角色分工，能提升专业性，但也会增加协调开销。只在任务确实需要分解时才走向多智能体。 * 记忆的分层设计：

短期记忆：对话窗口内的即时上下文。 * 长期记忆：外部向量库中的用户偏好、历史摘要。 * 检查点：保存工作流中间状态，是实现长时间运行任务恢复与人机协同的关键基础设施。

第五阶段：工具集成与 RAG 系统——连接世界的感官

智能体友好型工具设计：工具应当命名清晰、目的单一、输入输出结构化、失败快速。对于有副作用的操作（发邮件、下单），必须设置确认闸门与权限检查。 * RAG 的实用主义：

分块策略：300-800 Token 的语义分块配合 10-20% 的重叠是常见起点，但必须通过评估不断调优。 * 混合检索：结合密集向量（语义）与稀疏检索（关键词 BM25），并通过重排序模型提升最终精度。 * 元数据过滤：这是企业级 RAG 的生命线，防止跨租户数据泄露，必须由代码强制执行而非依赖模型自觉。

第六阶段：真实项目构建与生产落地

一个能在本地跑通的脚本距离生产级应用还有巨大的鸿沟。路线图推荐的标准技术栈为： * 后端 API：FastAPI（异步、自动文档、强类型校验）。 * 前端演示：Streamlit（快速构建聊天界面与调试面板）。 * 容器化：Docker（非 root 用户、固定依赖、健康检查）。 * 云部署：AWS ECS/Fargate 配合 RDS/向量数据库。 * 可观测性三件套：结构化日志、分布式追踪、关键指标监控。必须具备通过 Trace ID 复现单次运行结果的能力。

2026 年学习检查清单与面试锦囊

这份路线图最后给出了一个精炼的 10 步学习清单： 1. Python 根基：类型、API、异步、测试。 1. LLM 通识：Token、上下文、提示、工具调用。 1. 框架启蒙：从简入繁，再迁移至图式工作流。 1. 高阶工程：组合、重试、降级、校验。 1. 记忆体系：摘要 + 向量检索 + 检查点。 1. 工具工程：Schema、安全闸门、观测。 1. RAG 实战：分块、混合检索、重排序、评估。 1. 智能体协作：ReAct、监督者模式、协议。 1. 全栈项目：FastAPI + UI + Docker + 云 + CI/CD + 评估。

给面试者的特别建议：带上 2-3 个具体的实战项目（哪怕规模不大），准备好讲述一个你亲手调试过的失败案例——比如检索噪音过大、工具调用超时、Schema 解析异常——并清晰地说明你是如何分析、定位并最终修复它的。这种解决真实问题的能力，正是区分熟练工与工程师的关键所在。

扩散语言模型（Diffusion Language Models, DLMs）虽具备并行生成的潜力，但在生成质量上仍逊于自回归（Autoregressive, AR）模型。本文将这一差距归结为内省一致性（Introspective Consistency）的缺失：即 AR 模型能够与其自身的生成结果保持一致，而 DLMs 往往无法做到这一点。为此，我们定义了内省接受率（Introspective Acceptance Rate），旨在衡量模型对先前生成的 token 的认可程度。研究发现，AR 训练的结构性优势源于其因果掩码（Causal Masking）与 Logit 平移（Logit Shifting）机制，这些设计隐式地强化了内省一致性。

受此启发，我们提出了内省扩散语言模型（I-DLM）。该范式在保留扩散模型并行解码特性的同时，继承了 AR 训练的内省一致性。I-DLM 采用了一种新颖的内省步进解码（Introspective Strided Decoding, ISD）算法，使模型能够在单次前向传播中，在推进新 token 生成的同时完成对已生成 token 的验证。在系统实现上，我们借鉴 AR 模型的优化技术构建了 I-DLM 推理引擎，并进一步开发了平稳批处理（Stationary-batch）调度器。

据我们所知，I-DLM 是首个在生成质量上足以媲美同等规模 AR 模型的扩散模型。在 15 项基准测试中，I-DLM 在模型质量与实际服务效率方面均优于此前的 DLMs。具体而言，I-DLM 在 AIME-24 和 LiveCodeBench-v6 上分别取得 69.6 和 45.7 的高分，较之 LLaDA-2.1-mini (16B) 分别提升了 26 分与 15 分以上。此外，针对日益增长的高并发服务需求，I-DLM 的设计使其吞吐量达到了此前最优（SOTA）扩散模型的约 3 倍。

1. 引言

扩散语言模型（Diffusion Language Models, DLMs）(Austin et al., 2021; Sahoo et al., 2024; Nie et al., 2025a; Cheng et al., 2025) 为自回归（Autoregressive, AR）语言模型提供了一种极具吸引力的替代方案：通过迭代优化一组 token 块，它们打破了“逐 token 解码”的序列瓶颈，实现了并行生成。然而，如图 1 所示，这一愿景在很大程度上尚未实现。首先，DLMs 与 AR 模型之间显著的质量差距仍是其应用的主要障碍（§2）。其次，从效率角度看，目前对扩散推理的系统支持有限，导致 DLMs 无法将理论上的并行性转化为实际的加速效果。 DLM 发展的历史轨迹具有启发性。从早期的连续形式化（Li et al., 2022）和均匀状态 DLMs（Austin et al., 2023），到离散扩散模型（Lou et al., 2024）；从完全双向注意力机制（Nie et al., 2025b），到分块解码（Cheng et al., 2025; Wu et al., 2025）及因果掩码解码（Liu et al., 2025a），每一代改进都在向离散 AR 语言模型靠拢。为了优化性能与质量，研究者还引入了日益趋向 AR 风格的训练信号（Liu et al., 2025b; Gat et al., 2025; Ye et al., 2025; Tian et al., 2025）。换言之，该领域的大部分研究已隐约收敛于同一种直觉：增强 DLMs 的途径在于使其逐步接近 AR 模型。而在本文中，我们提出了不同的演进路径。我们并非从扩散模型出发探讨如何使其类 AR 化，而是从 AR 模型入手并追问：究竟是什么核心原理使 AR 模型如此强大，以及该原理能否在并行生成范式中得以保留？

我们从算法与系统两个视角重新审视了这一问题。在算法层面，这种视角的转变促使我们重新检查 AR 建模核心中一个看似简单设计：因果掩码（Causal Masking）结合 Logit 平移（Logit Shifting）。除了实现下一 token 预测外，这种训练结构还隐式地教导模型在相同的预测规则下，重新审视并验证其先前生成的 token。实际上，AR 模型被训练为与其自身生成的内容保持一致，这暴露了现有 DLMs 的一个根本局限：尽管它们可以并行生成 token，但通常并未被训练为认可其自身的生成结果（例如，由于多步双向去噪机制的存在）。我们通过内省接受率（Introspective Acceptance Rate）这一概念将这一差距形式化，该指标用于衡量模型在内部接受其先前生成 token 的程度。我们发现，该属性可以作为衡量 DLM 与其自身生成内容保持一致程度的有效代理指标。 在系统层面，现有的 DLMs 往往针对激进的低延迟解码进行了优化，但这以显著增加计算开销为代价。虽然这种开销在内存受限（Memory-bound）场景下可以被部分掩盖，但在需要大批次推理的生产级部署中，系统会迅速进入计算受限（Compute-bound）状态。遗憾的是，目前的 LLM 服务栈与“多查询、多去噪”的模式匹配度较差。 主要贡献： 上述算法与系统间的失配促使我们协同设计了内省扩散语言模型（I-DLM）。这是一种既能保留 AR 内省一致性，又能维持并行特性的新范式。I-DLM 构建于“内省一致性训练”（一种将预训练 AR 模型高效转换为 DLM 的方案）以及一种新颖的内省步进解码（Introspective Strided Decoding, ISD）算法之上。ISD 在单次前向传播中生成 $N$ 个 token，同时根据因果锚点分布（Causal Anchor Distribution）验证先前的 token。我们证明，在训练期间显式强化内省一致性是弥合 DLM 与同规模强力 AR 模型之间质量差距的关键。本文的主要贡献如下： * 核心洞察： 指出内省一致性是先前 DLMs 中缺失的关键原理。我们证明扩散语言模型并未继承 AR 模型的内省一致性，即它们未被训练为认可自身的生成结果。这一属性的缺失从根本上限制了模型充分发挥其底层能力。 * 高质量并行生成的训练新范式： 引入了内省一致性训练，这是一种简单且高效的方案，可将预训练 AR 模型转换为内省 DLM（例如仅需 5B token）。通过显式强化内省一致性，该方法在不牺牲 AR 级质量的前提下实现了并行解码。与以往方法不同，它不需要蒸馏策略或掩码课程学习（Masking Curricula），为构建高质量 DLM 提供了一条稳定且高效的路径。 * 统一生成与验证的单次解码算法： 提出了内省步进解码（ISD），该算法在单次前向传播中同时生成新 token 并修订先前的 token。在 [MASK] 位置，模型提议新 token；在“内省”位置，模型根据其因果锚点分布重新审视先前的 token。这使得输出在证明上能匹配基础 AR 分布，且无需启发式置信度判断或独立的验证过程。 * AR 兼容的推理服务栈： 设计了一个直接兼容现有 AR 服务系统（如 SGLang）的推理栈。此外，我们开发了一套**门控残差适配（Gated Residual Adaptation）**机制，其中 LoRA 适配器仅应用于掩码位置，而验证过程则依赖基础模型权重。该机制支持从近乎无损到严格无损模式的连续切换。 * 全方位的性能验证： 在 15 个基准测试中，证明了 I-DLM 是首个能达到同规模强力 AR 质量的 DLM，同时在模型能力和实际服务效率上均大幅超越此前的 DLMs。我们的研究结果建立了新的“质量-效率”前沿。

我们将开源模型与系统，以促进社区研究与部署。

2026年4月7日，美国与伊朗同意达成为期两周的停火协议，这可能为持续40天的冲突带来暂时喘息。然而，4月8日伊朗遭受及发动的袭击，以及截至4月9日以色列在黎巴嫩升级的打击，突显了该协议的脆弱性和争议性。在冲突期间，伊朗对多个国家的民用和军事目标发动了导弹和无人机袭击。这场冲突扰乱了地区能源生产、海上和空中运输，并对全球经济产生了影响。这场由巴基斯坦斡旋达成的停火，发生在唐纳德·特朗普总统在社交媒体上发文称“整个文明将在今晚灭亡”的数小时之后，也恰在他威胁要摧毁伊朗桥梁和发电厂的最后期限前数小时达成。截至4月9日，在美国和伊朗高级谈判代表（包括副总统JD·万斯）计划于4月11日举行会晤之前，美伊双方对停火性质和内容的理解似乎存在分歧。国会可能会考虑是否及如何支持、反对或修改政府关于后续谈判的做法，以及任何提议的对美军行动、外交协议、制裁或对地区伙伴援助的调整。

评估

截至4月9日，尚未有体现双方共识的协议文本公开发布。相反，双方关于停火的公开声明存在差异，并可能暗示了潜在的紧张点。

特朗普总统在宣布停火时在社交媒体上写道，美国已收到“来自伊朗的一份10点提议”，并表示这是“一个可进行谈判的可行基础”。据报道，伊朗方面至少提出了两个版本的10点提议，它们之间可能存在差异，也可能与特朗普总统提及的版本不同。美国在3月份据称曾传递一份15点提议，但被伊朗拒绝。

潜在的分歧或争议点包括：

• 伊朗核计划。据报道，美国的15点计划重申了美方要求，即伊朗拆除其核设施、放弃铀浓缩计划并交出高浓缩铀。相比之下，据一位伊朗消息人士称，伊朗10点计划的一个版本包括“接受铀浓缩”。此前特朗普第二任期内（2025年4月至6月及2026年2月）的美伊外交接触曾因此类问题陷入僵局，随后或被美以对伊朗的军事行动所打断或中断。一位白宫发言人在4月8日表示，“总统的红线，即伊朗停止在伊朗境内的浓缩活动，没有改变。”
• 霍尔木兹海峡。伊朗对商业航运的干扰（通过威胁和执行袭击）已减少了通过霍尔木兹海峡的运输，而该海峡是能源及相关商品进入全球市场的关键通道。在停火前一周，特朗普总统对海峡的状况表达了矛盾心理和强烈兴趣。在宣布停火时，他写道，停止美国军事行动是“以……伊朗同意完全、立即和安全地开放霍尔木兹海峡为条件”。伊朗外长则写道，停火将意味着“通过协调伊朗武装部队”，在两周内实现通过海峡的“安全通行”。据一位伊朗消息人士称，伊朗10点计划的一个版本据报包括“伊朗继续控制霍尔木兹海峡”，这可能意味着将伊朗据称在冲突期间对特定国家船只通过海峡收取的分级费用制度正式化。
• 黎巴嫩。美以对伊朗的打击也重新引发了黎巴嫩的重大冲突。3月初，真主党开始向以色列发射火箭弹，以色列随后发动了大规模空袭和地面行动。截至4月9日，据报道已造成超过1700人死亡，并导致多达120万人（占该国人口五分之一）流离失所。巴基斯坦总理谢里夫在宣布伊朗、美国及“其盟友”之间的停火时在社交媒体上写道，该停火将“适用于包括黎巴嫩在内的所有地方”。而以色列总理内塔尼亚胡则写道：“为期两周的停火不包括黎巴嫩。”截至4月9日，以色列的军事行动仍在继续。据报道，伊朗已将黎巴嫩停火作为4月11日会晤的条件。副总统万斯将这种不一致描述为“合理的误解”，呼应了其他美方官员关于停火不包括黎巴嫩的立场。

各方反应

阿曼、科威特和沙特阿拉伯（这些国家均曾遭伊朗袭击）对停火宣布表示欢迎；阿拉伯联合酋长国在4月8日的声明中表示，其“正在寻求进一步澄清协议条款，以确保伊朗充分遵守”停火和重新开放海峡的承诺。欧盟、俄罗斯和中国（据报道鼓励伊朗同意停火）的官员反应积极。在美国国会，多位议员发表声明欢迎停火：一位参议员赞扬了他所谓的特朗普总统“以实力求和平的领导力”，而另一位则对停火表示宽慰，但呼吁“对特朗普总统这场战争取得了什么成果进行真正的评估”。

国会面临的问题

国会议员可能涉及的问题包括：

• 战争权力。参众两院的一些议员已表示，他们打算根据《战争权力决议》（P.L. 93-148）提出措施，正如一位议员所言，以“永久结束这场冲突”。2026年3月，四项类似措施已在众议院和参议院被否决。
• 制裁。特朗普总统在4月8日写道：“我们正在并将与伊朗讨论关税和制裁减免。”议员们可能寻求阻止或支持制裁减免，包括通过相关措施来设定条件或要求国会对行政部门涉及伊朗制裁的行动进行审查（例如H.R. 2012, H.R. 2570法案）。
• 补充拨款。根据4月7日的一份媒体报道，政府据称正准备向国会申请高达1000亿美元的与伊朗冲突相关的额外资金。
• 监督。任何“涉及伊朗核计划”的协议都将触发2015年《伊朗核协议审查法》（P.L. 114-17）规定的国会审查要求。更广泛地说，议员们可能会就冲突的进行及其对伊朗的影响、对美国与以色列及其他中东伙伴合作的影响、对美国和全球经济的影响，以及对美军战备、战术和战略的影响等问题与政府进行交涉。

全球反无人机系统（C-UAS）市场正在进行一项重大战略转向，即朝着动能杀伤器的多样化和实战化方向发展。尽管高端定向能和电子战系统仍然至关重要，但部署经济高效、可扩展且适应性强的“硬杀伤”解决方案的趋势正在加速。

这一转变很大程度上源于乌克兰战场的经验教训，即使用价值数百万美元的导弹对抗低成本无人机已被证明在经济上是不可持续的。

当前情报表明，重点在于改造现有平台，如AH-64“阿帕奇”武装直升机、F/A-18“大黄蜂”战斗机以及“吸血鬼”车载火箭发射系统，通过采用专门的近炸引信弹药和激光制导火箭来执行反无人机任务。同时，业界正涌现出新颖的战术解决方案，包括速射转轮霰弹枪、基于网捕的拦截系统以及可回收的非动能杀伤器。这一发展旨在提供分层防御，使动能选项构成一个经济高效的内层防御，能够应对大量第一类和第二类无人机威胁。

动能与硬杀伤效应器的发展

近期发展的一个主要主题是转向特种弹药和机械拦截，以解决“单次拦截成本”的挑战。

• 特种近炸弹药： * 美国陆军成功测试了用于AH-64“阿帕奇”直升机的XM1225航空近炸引信（APEX）30毫米弹药，使机炮无需直接命中即可摧毁敏捷目标。 * 美国海军水面作战中心克兰分部为制式步兵步枪开发了“无人机杀手弹”（DKC），通过在中远距离散布弹丸群，实现了92%的成功率。 * 土耳其阿塞尔桑公司推出了一款搭载于拖车上的35毫米系统，使用ATOM可编程空爆弹药，专为固定站点快速部署而设计。
• 新型硬杀伤概念： * 丹麦Shotling公司获得资金，用于开发一种加特林式转轮霰弹枪，射速可达每分钟3000发，用于近距离防御第一视角（FPV）无人机。 * 德国MOSOLF集团/Skylance公司推出了“无人机锤”，这是一种基于二氧化碳的装置，可产生破片云以非爆炸方式瘫痪小型无人机。 * Perennial Autonomy公司获得一份价值520万美元的合同，用于开发“大黄蜂V2”，这是一种通过物理碰撞来消除威胁的FPV拦截无人机。
• 网基拦截： * 以色列帕拉零技术公司展示了其“防御者”系统，成功拦截了以70英里/小时速度飞行的无人机。 * 印度陆军发布了一份关于“无人机捕捉者”系统的信息征询书，该系统具备自动网基拦截器和传感器，能够同时跟踪20架无人机。 * 美国Fortem技术公司将在2026年国际足联世界杯上部署其“无人机猎人”网基系统，以确保在公共场所安全移除未经授权的无人机。

现有武器平台的适应性改造

军事力量正越来越多地将空地系统和地对空系统重新用于反无人机任务，以最大化利用现有库存。

杀伤

定向能与持久飞行技术的进展

尽管动能系统正在兴起，但高精度、低成本的定向能和持久飞行技术领域也在持续创新。

• 便携式激光系统：乌克兰展示了“Sunray”（日光）系统，这是一种可由皮卡车运输的移动激光系统。其运行时无可见光束、无噪音，为西方定向能项目提供了一种低成本的国产替代方案。
• 高速光束转向：美国INLEAP光子学公司正在开发“FASTLIGHT SHIELD”系统，利用超快激光束转向技术，可在几分之一秒内瞄准无人机的弱点。
• 可回收效应器：雷神公司的“郊狼”Block 3型非动能效应器在击败无人机群后可被召回和回收，显著降低了每次交战成本。
• 持久监视：美国GuRu无线公司正合作开发由无线射频（RF）能量束供电的无人机，通过突破电池限制，实现情报、监视与侦察（ISR）任务的无约束持久飞行。

市场情报与战略联盟

大规模合同和旨在快速部署与形成主权能力的联盟正在重塑反无人机领域的格局。

主要合同与采购

• BAE系统公司：获得美国空军一份价值1.45亿美元的合同上限，用于改进APKWS激光制导火箭弹，配备近炸引信，以防御第二类和第三类无人机。
• 美国陆军间接火力防护能力（IFPC）项目：已将拉斐尔公司“塔米尔”拦截弹（铁穹技术）的更新版本列入其“间接火力防护能力”项目的候选名单。
• 欧洲扩张：保加利亚寻求采购100多套希腊“Centauros”系统；波兰正在为其“东盾”项目举办演示活动；美国Ondas公司的Sentrycs已向德国州警察部署了无线电频段网络攻击方案。
• 市场增长：美国Echodyne公司正在扩大其制造能力，计划每年生产超过3万个MESA雷达，以满足激增的需求。

竞争性联盟

• 非国际武器贸易条例限制方案：法国KNDS公司与澳大利亚EOS防务系统公司合作，开发不受《国际武器贸易条例》（ITAR）限制的遥控武器站，从而简化全球出口流程。
• 人工智能集成：美国莱昂纳多DRS公司与Axon Vision公司合作，将人工智能驱动软件集成到美军作战平台中，以应对机动无人机威胁。
• SpaceX入局：据报道，SpaceX和xAI正在竞争一项价值1亿美元的美国防部项目，以开发用于自主无人机集群的声控软件。
• 本土化生产：美国WhiteFox防务公司与台湾神达电脑（MiTAC）合作，在中国台湾地区生产反无人机解决方案，旨在应对地区安全紧张局势。

监管与政策环境

此前，美国海关和边境保护局使用的国防部所属激光反无人机系统意外导致埃尔帕索市空域关闭，此事标志着其国内政策的一个关键转折点。该事件凸显了技术快速部署与多机构协议制定之间的危险脱节。

• 监管加速：美国联邦航空管理局、国防部和国土安全部目前面临压力，需为国内作战创建一个统一的框架和明确的交战规则。
• 国家战略： * 加拿大启动了一项价值66亿加元的国防工业战略，旨在扶持国内反无人机公司扩大规模。 * 欧盟委员会正在实施一项行动计划，以协调欧洲的无人机防御策略。 * 美国正在北达科他州和密歇根州资助建立专门的反无人机研究与培训中心。