人工智能如何重塑军事情报、变革作战规划，并使机器速度的执行在现代战场上成为可能。

当大多数人想到军事中的人工智能时，他们的思绪会跳转到类似《终结者》这样的科幻场景。他们想象着不可阻挡的“杀手机器人”自行做出生死决定。然而，现实远没有那么耸人听闻，却更具变革性：人工智能正在重塑军队在整个战斗力生命周期中理解态势、规划行动和执行任务的方式。

在现代历史的大部分时间里，军事优势来自于更优越的物理平台和渐进的硬件改进，例如更厚的装甲、更远的射程和更快的发动机。决策依赖于庞大的参谋团队、人工分析和层层审批链条。构建和更新能力通常需要数年甚至数十年，而作战计划的制定和验证可能需要数天。

这一基础正在从平台优势转向认知优势。在信息处理、规划速度和协同执行的驱动下，战争正变得不那么以硬件为中心，而更以认知为中心。分析和参谋工作中的人力瓶颈正在被削减。现代军队越来越多地依赖人工智能来加速其解读数据、生成选项和协调行动的方式。

三种变化定义了这一转变：

1. 人工智能辅助的战场感知，将海量传感器和报告流转化为可用的情报。
2. 人工智能驱动的规划与决策支持，能够在数小时而非数周内生成并压力测试作战选项。
3. 自主与具身智能系统，以机器速度协调平台并调整任务。

这并非一次狭隘的技术升级，而是生成、扩展和维持战斗效能方式的结构性变革。生成式人工智能和代理式人工智能现已嵌入情报工作流、作战规划和任务执行之中。共同构成现代军事行动的数字化新支柱。

支柱一：战场感知与人工智能驱动的情报

现代军队的局限不再在于能收集多少数据，而在于能以多快的速度理解这些数据。遍布空、陆、海、天、网领域的传感器持续产生视频、图像、信号、遥测数据、报告和开源信息流。瓶颈已从收集转向认知。这正是新一代人工智能系统产生其首个且最直接作战影响的地方。

人工智能驱动的战场感知不仅仅是更快的探测。它是将零散的、多格式的、时常矛盾的输入转化为连贯的、可用于决策的情报。生成式与代理式人工智能系统现在充当情报团队的认知放大器，变革着原始输入如何转化为态势理解的过程。

从传感器过载到作战理解

传统的情报工作流程建立在情报分析员手动审查情报源和报告，然后在不同的系统中关联发现的基础之上。当成百上千的传感器和情报源同时活跃时，这种模式难以扩展。重要的信号可能被延迟或遗漏，仅仅因为没有任何人力团队能够及时阅读和交叉引用所有信息。人工智能系统端到端地改变了这一工作流。

机器学习模型首先处理单个情报源，如无人机视频、卫星图像、雷达航迹和信号数据，以检测目标、移动和异常。生成式人工智能系统随后基于这些探测结果，将其与战地报告、维护日志、情报摘要和截获文本等非结构化来源整合。系统产生的不是孤立的警报，而是综合性的解读。分析员收到的是综合评估，而非原始片段。这将情报工作从人工关联转向了监督性解读。

以机器阅读规模处理非结构化情报

大量高价值情报以非结构化形式存在。态势报告、巡逻简报、条令文件、基础设施评估、政策约束和历史研究都是以自然语言书写的。历史上，利用这些材料需要耗时的人工审查。基于大语言模型的系统使得这些资料库可直接查询。

分析员可以跨越成千上万的文档提出复杂的作战问题，并获得有来源依据的答案和摘要。他们无需手动搜索档案，而是可以通过对话方式进行查询，并收到带有可追溯引用的结构化输出。这将静态的文件库转变成交互式情报系统。

情报级文档推理系统，例如北约的人工智能数字助手（AIDA），正越来越多地为后勤规划者提供源自机密和作战报告的综合、验证的洞察。AIDA充当一个安全的、基于文档的参谋助手。规划者可能会提出如下问题：“哪些运输基础设施限制影响了对特定区域的持续保障？”“先前北约评估中关于某个战区的后勤漏洞有何论述？”“哪些政策规则限制了对某些支援选项的选择？”

这些系统为授权用户检索、总结和交叉引用经过审查的情报和规划文件。其作用不是做出决策，而是加速参谋人员的理解并减少分析盲点。其作战效果是速度和一致性。分析员花费更少的时间收集和格式化信息，而将更多时间用于判断应用。

多传感器融合与模式检测

现代人工智能赋能的情报系统作为融合引擎而非孤立的数据工具运行。它们跨传感器对齐时空输入，关联相关事件，并呈现表明风险或意图的模式。军队现在从空、陆、海、天、网传感器收集海量数据流，包括无人机和卫星图像、雷达和声纳航迹、通信监控、网络遥测和地面传感器。每个来源只提供图景的一部分，而真正的作战理解来自于跨域、跨时间的关联这些数据流。

人工智能首先独立处理每个传感器信息流。在无人机视频中，它识别车辆、人员或异常移动。在海事雷达中，它跟踪船舶行为和偏差。在通信监控中，它检测消息结构或时机的异常。在网络遥测中，它突显异常网络流量或协调信号。这便将原始输入转化为结构化检测结果。

接着，人工智能融合来自不同传感器的检测结果。它同步时间戳、匹配位置，并在不同信息流之间关联实体以防止重复。这揭示了更广泛的模式。例如，图像中探测到的车队，结合异常的通信活动和海事传感器上看到的补给船，可能表明是一次后勤行动。其输出是一幅多域活动图，突显了关联性、新兴风险和潜在意图。

“梅文”智能系统（MSS）是这种方法的领先范例。它最初是一个自动无人机视频分析系统，但现在融合了来自空、陆、海、天、网领域的数据。其算法对齐传感器输入，关联相关事件，并识别异常或可疑行为。系统无需等待分析员检查每个信息流，而是持续生成态势感知、自动警报、威胁评估和预测性指标。目前它依赖于机器学习和统计相关性，新版本正在探索使用生成式人工智能生成自然语言摘要，以及使用基于代理的逻辑实现传感器任务的自动重分配。

在战术边缘，战术情报目标获取节点（TITAN）在前线行动中应用了相同的原理。它接收无人机视频、雷达航迹、信号监控和本地传感器数据，然后使用人工智能检测目标、关联事件并按作战重要性对异常进行排序。输出包括优先排序的警报、地理定位的威胁评估和建议的关注区域。例如，该系统可以将朝向关键桥梁移动的车辆与异常通信活动相关联，并标记一次可能的机动或再补给行动。生成式人工智能可以生成简报级的摘要，而基于代理的组件可以主动重定向传感器。

在“梅文”和TITAN等系统中，其效果是一致的。人工智能减轻了认知负担，整合了多样化数据源，并近乎实时地产生可执行的洞察。分析员不再需要手动协调数十个独立的信息流。人工智能揭示了什么重要、在哪里发生、何时变得相关，从而加速了从探测到行动的决策过程。

人工智能管理的收集与传感器任务分配

除了分析已收集的数据，人工智能还能帮助决定下一步应该收集什么。在复杂作战中，可能有数百个传感器可用，但在任何给定时间只有一部分可以聚焦使用。代理式人工智能系统监控传入的数据流，探测覆盖空白或新出现的异常，并在规定的权限范围内建议或触发传感器任务重分配。

如果一个区域出现异常移动，系统可以建议重定向无人机覆盖、增加高空图像的重复访问率或切换传感模式。操作员批准或否决，但他们不必自己去手动发现每一个线索。这形成了一个闭环情报周期，其中探测、解读和收集调整紧密相连并部分自动化。

信息环境作为情报战场

现代作战图景越来越依赖于不仅理解物理域的活动，还要理解数字空间中的活动，其中认知、叙事和协调行为能够影响现实世界的结果。信息环境已成为丰富的情报信号来源，而人工智能现在在快速、大规模地检测、解读和情境化这些信号方面发挥着核心作用。

影响力行动、合成媒体、协调的机器人网络和人工智能生成的叙事已成为塑造民众、伙伴和对手如何看待事件的操作性因素。生成式人工智能既被用于生产也被用于检测此类内容。进攻性影响力行动日益将自动化内容创作与人工协调相结合，而防御性系统则被训练来识别合成文本、被操控的图像、深度伪造和克隆的数字基础设施。

人工智能检测模型分析发布模式、网络结构、语言信号和媒体特征，以识别协调的行动和被操纵的内容。与此同时，分析模型映射叙事的传播，跟踪主题如何获得关注，并监控在线社群的情绪变化。这将信息环境转变为一个可测量、可导航的情报领域，而不仅仅是线上活动的非结构化流。

生成式人工智能通过模拟信息如何传播或受众可能如何反应，增加了分析的深度，使分析员能够测试沟通策略并预测对手的影响力行动。其目标不是自动化参与，而是改善态势理解：了解哪些叙事正在出现，谁在放大它们，以及它们可能如何塑造行为。

通过将数字环境洞察与物理域情报相整合，人工智能为指挥官提供了对物理和叙事机动的双重认知。理解信息如何流动、扭曲源自何处以及影响力行动如何演变，增强了整体情报图景，并降低了对认知突袭的脆弱性。

支柱二：人工智能驱动的规划与决策优势

如果说战场感知回答了“正在发生什么？”，那么军事规划则回答了一个更难的问题：“我们下一步应该做什么？”这正是生成式与代理式人工智能不仅改变参谋工作速度，更改变指挥官可实际探索的决策空间规模的领域。

传统上，作战规划是军事中最耗费人力的活动之一。参谋团队将情报、部队可用性、后勤约束、基础设施限制、交战规则和政治考量整合为连贯的行动方案。然后，每个计划都要通过有限的兵棋推演和专家判断进行测试。时间和人力限制了能够制定和评估的方案数量。

人工智能驱动的规划将这一过程从一个狭窄的选项制定过程转变为一个广泛的选项生成和测试过程。人工智能系统可以在指挥官决策之前，生成、比较和压力测试成千上万种变体，而不是只制定一两个精炼的计划。

从受人力限制的规划到机器扩展的选项

传统规划工作流是顺序性的。团队收集输入、建立假设、起草计划、审查约束，并通过协调周期进行迭代。每次迭代都需要时间。结果，许多计划是在狭窄的设计空间内优化的。生成式人工智能系统扩展了这一设计空间。

给定指挥官意图、部队态势和作战约束，生成模型可以自动生成多个行动方案草案。这些草案包括机动概念、任务编组选项、时间变体和保障需求。规划参谋不再从一张白纸开始。他们从机器生成的候选方案开始。

基于大语言模型的规划器还可以直接从非结构化材料（如基础设施报告、东道国协议和战备文件）中提取约束。桥梁载重限制、基地使用限制和保障缺口被自动纳入规划逻辑，而不是在人工审查后期才发现。其结果不是自动化指挥，而是加速的参谋工作和更广泛的选项覆盖。

人工智能驱动的战备与预测性保障

作战计划依赖于准确的战备假设。人工智能现在使部队能够从报告过去的维护状态转向预测未来的可用性。

预测性维护是军事人工智能应用中最成熟的领域之一。与采用固定维护周期或在故障后做出反应不同，人工智能模型持续评估平台健康状况，并在影响任务之前预估部件故障风险。现代系统收集振动、温度、压力、电力负载和磨损数据流。机器学习分析这些信号以及历史记录，以检测早期性能退化，从而允许主动安排维护、预置零件，并根据作战需求安排停机时间。

生成式人工智能通过将传感器异常与技术手册、事故报告和维护日志相关联，增强了这一过程。系统不仅发出警告，还能生成结构化的修复指南、推荐程序和预期的零件需求（以自然语言形式），缩短诊断时间并提高一致性。

代理式人工智能增加了跨机群的协调。在定义的权限范围内，这些系统监控健康数据、维护队列、备件库存和供应商时间线。当超过阈值时，它们可以启动预先批准的行动，如重新确定维修优先级或调配关键部件。

一个代表性例子是美国空军的ATHENA分析环境，它汇总整个机群的作战和维护数据，在影响任务之前标记可能的故障。它将传感器数据、故障预测和零件规划连接成一个整体循环，直接将技术信号转化为规划者可用的战备输出。

目前，大多数已部署的系统依赖于预测性分析和机器学习，而新兴版本则结合了自然语言查询工具和受控的代理式调度，以进一步压缩维护决策周期。

人工智能驱动的兵棋推演与想定探索

指挥官很少因缺乏计划而失败。他们失败是因为现实偏离了计划背后的假设。规划的价值取决于其假设在压力下的有效性。人工智能驱动的兵棋推演通过使指挥官能在数秒内探索数千种潜在未来，来应对这个问题。计划可以在执行前，在大规模的想定空间中进行压力测试。

现代人工智能兵棋推演系统通过变化对手行为、天气、系统可用性、电子攻击和后勤中断来生成大量想定集。每个想定都被模拟并根据任务目标和风险阈值进行评估。数千次运行的模式揭示了哪些方法是稳健的，哪些是脆弱的。指挥官可以不再问“这个计划能行吗？”，而是可以问“在哪些条件下这个计划会失败？”

研究演示表明，人工智能系统能够在一分钟内模拟数千次战斗结果。北约内部正在探索类似的能力，以支持应急规划、部队设计和危机响应。其价值不仅在于预测的准确性，更在于决策空间的可见性：指挥官能看到计划在何处失败以及原因。

作战与基础设施的数字孪生

作战数字孪生已成为人工智能辅助规划最强大的赋能因素之一。数字孪生是现实世界中部队、基础设施、网络和地形的可执行模型，可以在条件变化时进行模拟。数字孪生不再探索假设的未来，而是对实际存在的系统进行建模，为规划者提供了一种在现实且持续更新的作战条件表征下测试计划的方法。

在这些环境中，人工智能系统可以检查计划在面对实际约束和干扰时的表现。后勤网络孪生可以显示补给路线如何应对封锁。基地基础设施孪生可以揭示跑道损坏如何影响架次生成。部队态势孪生可以展示延迟如何在相互依赖的部队中传播。通过运行这些模拟，指挥团队可以在投入部队之前识别瓶颈、测试分支方案和后续行动，并观察二阶效应。

生成式人工智能可以在这些模拟环境中提出计划变体，并立即衡量结果，如时间线风险、资源消耗和暴露度。这将规划转变为一种连续的模拟循环，而非一次性的纸上作业。

数字孪生主要属于规划和决策支持范畴，因为它们的主要价值出现在作战前和作战间隙，当选择仍然灵活之时。

指挥官与参谋的决策协理员

除了生成完整计划之外，人工智能越来越多地作为决策协理员嵌入指挥工作流。这些系统本身不生成完整的计划，而是持续协助进行方案比较、验证和完善。

决策协理员可以回答诸如以下问题：

• 在当前库存水平下，哪种行动方案能将后勤风险降至最低？
• 在交战规则范围内，哪些目标集能产生最大的作战效果？
• 哪些部队编组能利用可用运力满足时间约束？

生成式人工智能提供结构化的比较和通俗易懂的解释，而非原始表格。指挥官能看到已说明假设和约束标记的排序选项。这支持跨参谋部门的更快、更透明的决策讨论。

多个防务技术平台正是围绕人工智能辅助的作战管理与决策支持这一概念构建的，其中人工智能持续对齐传感器数据、资产状态和任务目标，以推荐可行的行动。

持续重规划而非静态计划

在动态作战中，计划会迅速失效。天气变化、资产故障、对手适应、新情报到达。代理式人工智能规划系统支持持续重规划，而非周期性的重新规划。

当输入发生变化时，人工智能规划器可以自动重新计算时间线、路线、资产配对和保障需求。更新的计划分支会被立即提出，并高亮显示差异和风险。领导者批准更改，但无需从头开始重新启动规划周期。这使作战从静态计划执行转向适应性计划管理。

支柱三：自主与具身智能军事行动

现代人工智能的第三个主要影响领域是作战执行。除了理解战场和规划作战，新的人工智能系统正越来越多地参与任务如何实时执行。这包括自主平台、人机组队，以及在变化条件下协调资产、调整行动的代理式控制系统。

关键的转变是从自动化到自主智能。早期的军事自动化遵循固定的规则和脚本。代理式人工智能系统朝着目标运行。它们监控条件、评估选项，并在指挥官定义的约束范围内调整行为。这改变了部队如何在对抗性环境中生成力量、管理风险和维持作战节奏。

自主系统与人机组队

早期的无人系统主要是遥控工具。人类操作员直接操控无人机或机器人，并做出大部分决策。当许多系统同时运行或通信降级时，这种模式难以扩展。

现代自主系统越来越多地依赖机载人工智能，能够解读传感器输入、导航、任务排序并与其他系统协调。人类从持续控制转向任务监督。他们定义目标、约束和交战规则，而人工智能处理详细的执行步骤。

这种方法是当前部队设计倡议（如美国国防部的“复制者”计划）的核心，该计划专注于跨域部署大量自主且可消耗的系统。这些平台旨在实现数量多、适应性强且成本低廉，使得损失是可接受的。正是人工智能使得大规模自主机群在作战上可管理，而不仅仅是理论上可部署。

自主性不仅关乎替代，在许多情况下，它是将人类判断与机器速度和范围相结合。人机组队概念将人工智能赋能系统定位为人类操作员的协作者，而非替代者。

在空中作战中，自主协同作战飞机概念将有人的战斗机与人工智能控制的僚机配对，后者可以执行侦察、干扰、携带额外武器或充当诱饵。人类飞行员充当任务指挥官，而人工智能为无人僚机管理编队行为、威胁应对和路径规划。

该领域的项目包括DARPA等多个机构和空军为开发人工智能驱动的协同作战飞机和自主技术栈所做的努力。其作战效益是能力集中而风险不集中。更多资产可以进入高威胁区域，而无需将更多人员置于危险之中。

生成式人工智能界面通过允许操作员通过自然语言查询和解释与复杂系统交互，而非低级命令语法，进一步改善了人机组队。这降低了训练负担并加速了协调。

多智能体协调与分布式作战

传统自动化与代理式人工智能之间最显著的差异之一是多智能体协调。人工智能系统不再是每次优化一个平台，而是将多个平台作为一个群体进行协调。集群系统使用在模拟中训练的AI策略，协调数十或数百个空中、地面或海上载具的移动、传感和任务分配。当单元损失或受阻时，行为会进行适应。通过集体调整而非中心化的微观管理，保持覆盖范围和任务目标。

诸如DARPA OFFSET等研究项目探索了大型异构无人系统群如何利用人工智能协调而非固定脚本在复杂地形中机动和搜索。类似的概念现在出现在海上和地面自主性实验中。这改变了力量规模的经济性。部队可以部署大量智能、协同的系统，使对手的目标瞄准和防御规划复杂化，而不是依靠少数高度精密的平台。

代理式协调也出现在新兴的人工智能赋能作战管理系统中的平台层面之上。这些系统持续监控传感器、射手、通信链路和资产状态，然后在批准的权限范围内建议或触发协调行动。一个人工智能作战管理器可以将可用传感器与目标匹配，根据适用性和约束条件分配效应器，并在条件变化时更新配对。如果某个传感器离线或武器不可用，系统会立即重新计算分配。这将作战协调时间线从几分钟压缩到几秒钟。人类仍然负责授权和监督，但他们不再需要手动同步链中的每一个环节。

动态任务适应性自然地从这些能力中产生。作战环境是不可预测的，干扰、天气、损失或基础设施损坏等因素常常使初始执行细节失效。代理式控制器可以自动建议替代路线、重新分配角色、调整时间和重新分配任务。必要时，变更方案会提交给人类监督者批准，确保执行具有适应性而非脆弱性。这些能力越来越多地在诸如“融合计划”等实验性演习中得到演练，其中人工智能赋能的跨域任务分配和多智能体协调在对抗性条件下以作战规模进行测试。

全球背景与人的因素

军事人工智能的快速应用是在更广泛的国际竞争背景下展开的。几个主要大国将人工智能视为其未来安全的核心，他们的投资正在加速能力发展和作战实验。

人工智能优势的全球军备竞赛

• 美国和中国仍然是军事人工智能领域的主要竞争者。中国在大语言模型方面进展迅速，缩小了与领先美国系统的性能差距。
• 俄罗斯在乌克兰战争期间展示了快速的技术适应能力。其部队扩大了电子战能力，并经常使用低成本、大规模的系统进行大规模无人机攻击。俄罗斯还受益于中俄伊朝（CRINK）这一新兴集团内部的合作，包括获得军民两用技术和配备人工智能功能的无人机。
• 在欧洲和北约，威胁环境推动了显著的现代化进程。北约发布了修订后的人工智能战略，侧重于负责任使用、互操作性和联盟范围内的可扩展性。包括英国在内的欧洲军队正在加速采用先进的数字基础设施。作为此项努力的一部分，北约正与谷歌云合作创建一个安全、主权的云平台，以支持联盟范围内的数据和人工智能能力。

人的因素：信任、监督与问责

随着人工智能在军事行动中更深入地嵌入，伦理和社会关注日益增长，特别是关于致命性自主武器系统的前景。公众舆论反映出对机器做出生死决定的深切焦虑，相关辩论远远超出了哲学或政治的范畴。它们直接触及内部流程、军事学说和法律责任。

一个核心挑战是问责缺口。如果自主系统犯下导致非预期伤亡或误击的错误，责任归属将变得模糊。问责应归于创建系统的开发者、部署该系统的指挥官，还是监督它的操作员？现有的法律和伦理框架建立在人的能动性之上，而人工智能赋能的决策对这些基础构成了挑战。

这些挑战强化了在军事人工智能中保持有意义的人为控制的根本必要性。人的判断必须在战略、作战和战术层面保持核心地位。负责任的军事人工智能强调透明和可追溯的决策、严格的测试和验证流程，以及人类监督者理解、质疑和否决系统行为的能力。

这一原则体现在现代自主系统的设计方式中。军事自主性通常建立在有监督的自主性而非独立权限之上。系统在分层约束下运行。技术约束定义了安全行为和性能限制。指挥约束定义了任务目标、权限边界和交战规则。运行时监督允许操作员监控行动、在必要时干预或完全中止任务。

许多多智能体架构也融入了内部制衡机制。一个智能体可以提出行动建议，而另一个智能体则在执行前评估风险、合规性和约束对齐情况。这降低了单点故障风险并支持可审计性。安全性同样至关重要。自主和代理式系统必须能够抵御欺骗、数据投毒、对抗性操纵和其他攻击，因为被攻陷的人工智能行为可能产生直接的作战后果。

总而言之，这些监督和安全机制锚定了人在军事人工智能中的作用。它们确保自主性、速度和分布式协调方面的进步能够增强而非取代人的决策，并在日益自动化的战场上保持问责和伦理的完整性。

结论

现代人工智能的军事影响并非由人形机器人或全自动战场定义。它是由情报如何产生、计划如何制定、行动如何执行来定义的。

人工智能驱动的情报将海量的传感器和报告流转化为可用的战场感知。人工智能辅助的规划扩展了行动前可生成和测试的选项数量。代理式与自主系统实现了在机器速度和分布式规模下的有监督执行。

总的来说，这些转变堪比通信和空中力量带来的早期军事革命。它们压缩了决策时间线，扩大了协调范围，并提升了对适应性的要求。

目标并非将人类从战争中移除，而是将人类的判断力提升到最重要的决策点。机器处理数据处理、模式识别和协调负载。指挥官则专注于意图、权衡和责任。

在高节奏作战中，优势将日益属于能更早理解、评估更多选项、更快适应的一方。人工智能正成为这种优势的核心赋能者。

参考来源：

Agentic Generative AI and National Security: Policy Recommendations for US Military Competitiveness

GenAI in the Military: Trends and Opportunities

America’s AI Action Plan

DOD Replicator Initiative: Background and Issues for Congress

Agentic AI: Strategic Adoption in the DoD

55 AI Models to Transform Military Supply Chain Operations

Defence and artificial intelligence — European Parliament

Summary of NATO’s revised Artificial Intelligence (AI) strategy