一名装甲营长受命摧毁临近隘口的敌方装甲连，以保障旅级部队机动。当营长抵达目标区域时，调频（FM）电台传来报告：主攻部队正与一个坦克排正面交火。紧接着，营侦察排报告发现敌方一个工兵排正向隘口机动。情报参谋（S2）通报，一股重型装甲连级兵力正在营阵地北侧展开。与此同时，营部通过“单系统远程视频终端”（OSRVT）传回的无人机画面显示，隘口南侧出现一个反坦克步兵排。电子战排长通过“联合指挥所系统”（JBCP）报告，在20公里外识别到一个旅级规模的电子干扰源。“当前作战态势图”上显示的“战术空域集成系统”（TAIS）表明，空中有多架旋翼和固定翼飞行器活动。同步地，火力支援官（FSO）报告一个炮兵连遭敌反击，并建议调整“高优先级目标清单”（HPTL）。

在当今的大规模作战行动（LSCO）环境中，正如上述场景所示，指挥官在单位时间内接收的数据量远超以往。普通人日均消耗74GB数据，且年增长率达5%（Heim和Keil，2017）。作为参照，1969年将宇航员送上月球所使用的数据量仅为0.000076GB，即4KB随机存取内存和72KB只读内存（Kurinec，2023，第9页）。当今社会的数据消耗通常集中于单一流媒体平台（如TikTok、YouTube等），而非同时处理多源信息。现代战场上的指挥官却无此奢侈。他们必须同时接收并处理来自各方的报告与信息，这往往导致决策迟滞——或因数据过载，或因关键信息被海量数据淹没而遗漏。

指挥官如何在这样的环境中做出快速而准确的决策？解决方案有三重，其中两项已纳入陆军条令。首先，指挥官有责任向参谋人员明确“关键信息需求清单”（CCIR），这构成了“决策支持矩阵”（DSM）的基础。其次，参谋军官需要将数据过滤为可用信息，并运用专业知识甄别关键内容，将其呈报给指挥官以支持决策。最后，美国陆军必须利用人工智能（AI）来减少人为失误，并加速将数据转化为信息的过程。依托这三项支撑，指挥官方能聚焦于做出准确决策所必需的核心信息。

与所有作战行动一样，解决数据过载的方案始于指挥官。

决策支持矩阵与关键信息需求清单

若无过滤器筛除无关信息，指挥官极易被海量数据淹没。指挥官通过确定DSM中需要做出的决策，来规定其希望接收的数据范围。DSM依据未来事件、决策点及己方行动，勾勒出指挥官必须做出的决策（ADP 5-0，2019，第2-6页）。一个典型例子是指挥官关于投入预备队的决策。基于此，DSM衍生出做出上述决策可能所需的CCIR。

DSM与CCIR并非新概念，通常在军事决策流程（MDMP）的兵棋推演阶段制定并获得批准。问题在于，作战期间CCIR与DSM鲜少更新。例如，在“战士演习24-5”（WFX 24-5）中，“在跟踪CCIR状态及将其与机动方案对齐方面存在若干挑战……CCIR数量过多导致参谋工作脱节，且因数据管理不善而丧失了情报搜集的重点”（《战士24-25演习报告》，2024年）。

CCIR的更新与验证应至少每日进行一次，或在需要做出新决策时立即进行。这意味着指挥官必须在整个作战过程中持续验证并更新其DSM。更新与验证CCIR和DSM的重要性，不亚于甚至在MDMP阶段制定它们。聚焦于精简的CCIR，能使参谋人员从数据洪流中提炼出支持指挥官正确决策的“关键信息”。有了关于新决策所需信息的最新指引，参谋部门便可着手对所接收的数据进行过滤。

数据与信息的辨析

厘清数据与信息的区别至关重要。数据是供讨论或计算使用的事实性素材（Webster，2025）。信息则是通过研究获得的认知，通常源于对既有数据的提炼（Webster，2025）。

参谋军官通过过滤数据，并运用其知识与经验，将信息提供给指挥官以支持决策（见图）。指挥官则凭借其智慧与洞察力，利用这些信息做出决策。

指挥官对原始数据的直接利用率极低，因其缺乏分析与结构。陆军参谋军官必须致力于向指挥官提供经过透彻分析和严格审核的信息。

一个汇报数据的反面案例是：S6参谋仅陈述中继状态，展示视线（LOS）幻灯片，并详述“主用、备用、应急与紧急”（PACE）通信计划中“C”方案中断的原因。尽管这些是事实，但缺乏支持指挥官决策所需的量化分析。相反，S6应阐明关键地形丧失将如何阻碍通信线路，从而促使指挥官调整其CCIR。每个作战职能（WfF）都掌握着指挥官制胜战场所需的关键信息。

参谋军官必须依据CCIR，聚焦于能产出决策所需信息的数据。然而，即便是最称职的参谋也可能出错，或因遗漏关键信息，或因信息泛滥而淹没指挥官。为缓解此问题，运用AI可提高指挥官始终掌握必要决策信息的概率。

作战中的AI分析

AI系统已在小范围内用于协助参谋军官快速向指挥官提供信息。例如，“Camo GPT”能告知S4参谋：若一辆满载的M978A4油罐车随行，一辆坦克尚可机动多少公里。问题在于，当前的任务指挥信息系统（MCIS）尚未充分挖掘现代AI系统的全部潜力与优势。

AI能帮助那些疲惫、寒冷、饥饿的参谋军官在从数据中提取信息时减少失误。国际象棋领域可见此类范例。“Stockfish”是一款帮助棋手规划后续走法的AI。世界顶尖国际象棋特级大师至多能计算三至四步之后的局势，而Stockfish可计算多达15步。这意味着，相较于人类顶尖棋手，AI能计算的潜在走法多出70万亿种（Allis，1994）。各作战职能均可受益于利用AI辅助数据分析。

S6可利用AI，通过从通用作战图（COP）提取己方位置信息，并与敌方态势模板（SITTEMP）进行冲突消解，从而协助更新PACE计划。S2和S3可利用AI进行更优质的战场仿真，让AI在兵力对比模型中计算伤亡情况，从而在兵棋推演中获得更准确的评估。指挥官可利用AI提供预测性行动建议及制胜战场所需的信息。此外，AI已被用于响应态势趋势，并根据既往行动提供建议（Carli，2011，第26-35页）。对于倾向激进的指挥官，AI可能提供更具攻击性的建议，反之亦然。AI还可建议调整DSM和CCIR，或就投入预备队的时机提供实时建议。

指挥官始终保有最终审批权，但AI能协助参谋与指挥官在减少失误的前提下提供建议。在现代LSCO环境下，指挥官将被数据淹没，亟需关键信息以做出决胜战场的关键决策。陆军可通过三种途径实现这一目标：指挥官提供清晰且持续更新的DSM，并以此为基础明确CCIR；确保参谋部门能将数据过滤为可用信息，并运用其专业知识为指挥官提供决策洞见；最后，应集成下一代AI系统，以支持参谋与指挥官在信息呈报过程中优先排序，最大限度减少人为失误。LSCO将充斥着相关与无关的海量数据。我们必须做好准备，从中萃取决策所需信息，从而战胜对手。

Matthew.viel, CC BY-SA 4.0 https://creativecommons.org/licenses/by-sa/4.0, via Wikimedia Commons

D. M. D. Carli, F. Bevilacqua, C. Tadeu Pozzer and M. C. 'Ornellas, "A Survey of Procedural Content Generation Techniques Suitable to Game Development," 2011 Brazilian Symposium on Games and Digital Entertainment, Salvador, Brazil, 2011, pp. 26-35.

Sabine Heim and Andreas Keil “Too Much Information, Too Little Time: How the Brain Separates Important from Unimportant Things in Our Fast-Paced Media World.” Young Minds. (2017)

Santosh K. Kurinec, Mark Indovina, Karl McNulty, Matthew Seitz "Recreating History: Making the Chip that went on the Moon in 1969 on Apollo 11". Rochester Institute of Technology. p. 9. Retrieved Aug. 29, 2023.

U.S. Army Center for Army Lessons Learned, U.S. Army “Warfighter 24-5 Report.” WFX 24-5 occurred July 31-Aug. 10. 2024.

U.S. Army, “The Operations Process”, ADP 5-0, July 2019, 2-6

Victor Allis, Searching for Solutions in Games and Artificial Intelligence. Maastricht, The Netherlands: Ph.D. Thesis, University of Limburg. (1994) ISBN 978-90-900748-8-7.

Webster Dictionary, MAR 2025, https://www.merriam-webster.com/dictionary/data

Webster Dictionary, MAR 2025, https://www.merriam-webster.com/dictionary/information