面向特种部队的、以操作员为中心的人工智能决策支持系统框架

1. 摘要

现代特种部队在快速变化、高风险的环境中行动，要求单兵操作员常常在信息有限、时间压力严格、指挥层级较高且情况不确定的条件下迅速做出决策。现有的大多数军事决策支持系统（DSS）主要是为高层指挥机构的集中规划而构建，这使得它们不太适合分散式或以人为中心的作战模式，而这种模式正是特种部队行动中所必需的实时决策特点。多项国防研究与评估指出，在操作员层面仍然存在能力缺口，特别是在保持态势感知、实时评估任务风险、融合多源信息以及在战场情境下支持战术决策等领域。本文提出了一种人工智能辅助、以操作员为中心的决策支持系统概念，该系统被设计为一种可穿戴的支持框架，主要用于特种部队人员在作战期间处于敌对状态时的决策。所提出的系统利用人工智能，融合来自多个传感器的实时环境输入、地形信息、态势数据和情境智能，以便在任务期间辅助操作员。其目标是增强对周围环境的感知能力，帮助评估实时出现的风险，减轻信息过载带来的认知负担，并在不取代人类的前提下支持决策。系统遵循“人在回路”的方法，确保最终决策始终由操作员做出。该框架倡导分散式操作、适应不断变化的作战条件，以及在高风险战术环境中负责任地使用人工智能。预期效益包括更快速高效的决策、更清晰的操作态势理解、降低不确定性以及提升任务响应能力。除了作战应用，该框架在训练和模拟环境中也展现出应用潜力，有助于为特种部队人员应对复杂且快速演变的现代任务场景做好准备。

2. 引言

特种部队任务通常在形势瞬息万变、决策不容拖延的环境中进行。操作员经常不得不在军事情报有限、威胁不明、地形不熟以及时间压力巨大的条件下采取行动。在此类环境中，即使微小的延迟或信息缺口也可能影响任务结果。尽管现代军事组织使用各种类型的决策支持系统，但其中大多数旨在辅助更高层级的指挥官进行规划或协调。正因如此，它们并不总能帮助到必须在现场作战中立即做出决策的单兵操作员。与此同时，人工智能、可穿戴决策设备以及实时数据处理等领域的技术已取得飞速进展。这些发展使得通过更清晰地组织信息和减少不必要的认知负荷来支持操作员成为可能。然而，在特种部队行动中，技术无法取代人的判断。操作员在很大程度上依赖经验、直觉和对态势的理解，这意味着任何技术支持系统都必须在辅助决策的同时，不剥夺人类操作员的控制权。本研究探讨了一种方法，即人工智能仅作为支持工具，帮助操作员更快地理解情境和周围因素，而最终决策权完全由人类操作员掌握。

2.1 理论与技术基础

本项工作的构想源于两个主要观察。首先，当人类需要在压力和极短时间内处理大量信息时，决策会变得异常困难。特种部队操作员通常同时接收到来自多个来源的输入，如何筛选重要信息成为一个挑战。这会增加操作员的心理认知压力并延缓其反应速度。其次，近期的技术进步使得来自不同传感器和信息源的数据能够被快速融合与处理。人工智能系统能够识别模式、突出潜在风险，并以简化的形式呈现信息。若使用得当，此类技术可以减少信息过载，而非加剧之。因此，本研究的基础在于平衡人类决策优势与技术辅助，从而减轻不必要的认知负担。其中，“人在回路”概念至关重要，意味着人工智能辅助人类理解海量数据的态势，而操作员依然负责解读情境并据此做出最终决策。

2.2 提出的系统与贡献

本文提出了一个专为特种部队操作员而非指挥中心设计的人工智能辅助决策支持系统概念。该系统被设想为一个可穿戴的支持平台，实时收集环境与态势数据（从而确保军事信息不泄露），并进行处理以在任务期间提供有用的洞察。系统并不发布指令，而是通过高亮风险、组织信息和支持更快地理解态势来提供帮助。这项工作的主要贡献在于将焦点从集中式决策支持转向操作员层级辅助。所提出的框架旨在减少认知负荷，增强态势感知，帮助操作员在不确定环境中更有效、更快速地做出反应，同时确保控制权始终掌握在

3. 方法论

本研究采用基于分析的方法，将现有军事概念与人工智能技术一并分析，以理解如何为特种部队改进决策支持。该方法论通过研究现代特种部队如何在快节奏环境中作战来完成，其决策多在小团队或个人层面做出，而非仅限于高层指挥。这有助于识别现有决策支持系统与前线操作员实际需求之间的差距。研究中分析了多种类型的资料，包括国防相关研究，例如安全与新兴技术中心、美国陆军技术报告、北约讨论、乌克兰武装部队关于本体论决策支持的文章、来自阿塞拜疆巴库军事科学研究所和美国国防技术信息中心等机构发表的研究论文，以及北约科学技术组织关于基于人工智能的决策支持系统的文档。我们审视了关于决策辅助工具的研究，以理解现有系统如何在中心层级支持规划和指挥功能，但在实时战术执行阶段提供的协助有限。此外，还通过访谈印度陆军工程兵团 SUB MAJ L. A. Shelake，研究了多种类型的实时操作场景以及操作员在战场的认知。对多域作战的研究有助于理解现代战场如何涉及来自人类操作员手中。此概念在训练环境中也显示出应用潜力，类似的系统可用于模拟复杂决策场景，并提高为实时作战准备的程度。

多个来源的持续信息流以及为何需要更快的决策周期。审查了人工智能和机器学习研究，以理解人工智能如何在模式识别、战场环境预测、操作员身体状态、地形分析等方面，通过传感器融合和信息过滤来提供支持，而非取代人类判断。“人在回路”研究在塑造“人工智能应在保持人类完全决策权的前提下辅助操作员”这一理念上发挥了重要作用。与传感器融合和多模态实时感知相关的研究被用于理解融合不同传感器的数据如何能增强复杂环境下的态势感知并降低不确定性。本研究中考察的另一个重要方面是决策过程中的人类认知负荷。特种部队操作员经常在压力、时间紧迫和信息不全的条件下工作。因此，所提出的系统方法聚焦于减少信息过载，而非增加复杂性。基于从这些研究中获得的认知，本研究进而提出了一个概念性的、以操作员为中心的决策支持系统。该方法论主要侧重于先识别作战问题，然后协调现有的人工智能与传感技术，以在实际任务条件下支持操作员，而不是设计一个纯粹的技术系统。

3.1 对现有军事与人工智能概念的研究

从研究数据来看，现阶段已对现有的军事决策支持方法、基于人工智能的辅助系统以及人机交互概念进行了研究，以理解其优势与局限。这有助于识别为何现有系统不完全适合分散式的特种部队作战。

3.2 所提框架的开发

在识别出作战差距后，结合来自人工智能决策支持、“人在回路”系统和基于传感器的态势感知等理念，形成了所提议的框架。重点始终放在支持操作员的决策过程、增强态势感知、降低不确定性，同时始终保持人类的心理控制权。

4. 文献综述

4.1 系统历史

近期的军事研究显示出对使用决策支持系统和人工智能以改进复杂作战环境下决策的兴趣。然而，大多数现有研究聚焦于指挥层级的规划、集中决策和大规模作战协同，而对单兵操作员层级，特别是特种部队行动中的决策支持关注有限。在美国国防生态系统内进行的早期国防技术评估强调，现有的自动化决策辅助工具未能充分满足特种部队作战的行动需求。分析表明，诸如非常规战争和某些直接行动场景在内的多种任务类型，现有决策模型要么仅提供部分支持，要么完全未覆盖。这揭示了现有决策支持工具与小型高风险部队在不确定性下必须快速决策的现实之间的结构性差距。阿塞拜疆军事机构关于特种部队管理效能的研究进一步强调，现代特种部队在不可预测和多维环境中行动，适应性与分散式决策至关重要。

这些研究强调了整合新兴技术、实时数据分析和人工智能以支持作战效能的重要性。同时，也强调决策权必须保留在训练有素的人员手中，因为灵活性、主动性及对情境的理解在特种部队行动中仍然至关重要。乌克兰武装部队在本体论决策支持系统方面的工作提出了一种结构化方法来组织军事数据，并通过符合北约标准的自动化决策流程支持指挥官。这些系统展示了如何组织和处理大量作战数据以减少决策时间。然而，此类系统主要为营级及以上的指挥结构设计，因此未直接满足在分散式战术环境中执行任务的操作员的需求。包括来自巴基斯坦的研究和国际安全机构的政策导向分析在内的、讨论军队中人工智能应用的数项研究，都强调了利用人工智能处理海量数据的潜力、识别复杂模式以及辅助作战规划。这些工作将人工智能视为一种能够增强态势理解和缩短决策时间的工具。同时，它们也承认了与过度依赖自动化系统相关的局限性，以及人工智能无法在战斗情境中完全考量人类判断、伦理考量和情境解读的不足。安全与新兴技术中心（CSET）及类似机构进行的研究进一步探讨了人工智能赋能决策支持系统在现代战争中的作用。

这些研究阐释道，尽管人工智能可以辅助指挥官分析复杂的战场信息，但仅凭技术输出无法取代人类推理。平衡人机协作的必要性被反复强调，尤其是在以不确定性和快速变化条件为特征的环境中。美国陆军内部关于多域作战的研究也证明了为跨域同步能力和应对军事领导人日益增长的认知负担而对人工智能日益增长的依赖。这些工作将认知过载、信息饱和和时间压力视为现代作战中的主要挑战。虽然人工智能辅助的战场管理系统被视为潜在的解决方案，但其焦点很大程度上仍停留在作战和指挥层级的整合，而非单兵决策支持。近期关于军事决策中人工智能的国际讨论和政策评估，包括对持续冲突的分析，表明基于人工智能的决策支持系统正越来越多地用于情报处理、模式识别和推荐可能的行动方案。然而，这些讨论也突显了对透明度、问责制以及人与自动化系统之间关系变化的担忧。重要的是，许多研究得出结论，人工智能应支持而非取代人类决策者，这强化了“人在回路”方法的重要性。

4.2 研究空白

总体而言，所回顾的文献展现了军事环境下人工智能赋能决策支持系统发展的明确进展。然而，在为特种部队任务中操作员层级决策专门设计的系统方面，仍然存在持续性的空白。现有的解决方案大多是集中式的、面向指挥的，或专注于战略规划。这一空白为当前研究提供了基础，本研究提出了一个以操作员为中心、人工智能辅助的决策支持框架，旨在增强态势感知、支持实时风险评估、辅助战术决策，同时保持人类对作战决策的完全控制。

5. 提出的解决方案

5.1 作战与伦理基础

现代特种部队作战在不确定性、压力和信息不全的环境中进行，决策必须迅速做出。在此类条件下，军事决策不仅受作战目标指导，也受责任、伦理行为和人类判断等既定原则引导。因此，任何设计用于支持此类作战的技术系统都必须与这些原则保持一致。军事思想中一个被广泛接受的决策概念是观察态势、理解环境、决策和相应行动的持续循环。这一过程反映了战场态势不断变化的现实，决策必须适应新信息。因此，决策支持技术应通过提高感知清晰度而非取代人类推理来辅助此过程。特种部队作战的另一个重要原则是在明确意图下的分散执行。操作员和小部队领导常常在快速演变的情境中独立行动，集中控制可能不切实际。这需要能够支持本地决策、同时不限制灵活性或主动性的系统。因此，决策支持系统应在增强理解的同时，保持操作员层级的自主性。军事伦理在将人工智能集成到作战环境中的作用也至关重要。关于战争中人工智能的国际讨论一致强调，在涉及使用武力的决策中，机器应辅助人类而非取代之。维持

有意义的人类控制可确保问责、减少意外后果，并在高风险情境中保持伦理责任。此外，人工智能支持系统的设计必须避免过度依赖自动化建议。人类的判断、经验和情境理解仍然至关重要，特别是在技术系统可能无法完全捕捉影响态势的社会、环境或心理因素的复杂环境中。因此，所提议的系统在概念上被设计为一种辅助工具，在支持态势理解和风险意识的同时，确保最终决策权完全由人类控制。这种方法将技术进步与作战责任和伦理军事实践相结合。

5.2 系统概念与设计目标

所提出的系统被设计为一个以操作员为中心的决策支持框架，旨在辅助在不确定和快速变化环境中作业的特种部队人员。系统不取代人类决策，而是通过组织可用信息、减少认知过载以及实时呈现相关洞察来支持决策。与在指挥中心运行的传统决策支持系统不同，所提出的框架侧重于操作员层级的分散式使用。其目标是在确保所有作战权限仍掌握在人类用户手中的同时，提高态势感知、辅助风险评估并支持更快速的决策制定。该系统概念化为一种可穿戴或便携式支持设备，能够收集环境和态势数据，在本地进行处理，并提供简化的决策提示而非自动化决策。

5.3 系统架构概述

所提出的架构遵循分层结构，由四个主要组件构成：

数据获取层
传感器融合与处理层
基于人工智能的决策支持层
人机交互层

每一层在保持模块化和适应性的同时，执行特定功能。

数据获取层

此层从多个来源收集数据，例如环境传感器、导航系统、地形信息和可用的态势输入。其目的并非收集过量数据，而是获取具有作战相关性的参数，如运动、地形特征、环境条件及周围环境的检测变化。

传感器融合与处理层

通过传感器融合技术，将从多个来源获得的数据进行组合。系统将输入融合为统一的作战图景，而非独立处理。此阶段执行噪声过滤、优先级排序和数据规范化，以确保不可靠或冲突的输入不会影响决策支持输出。采用边缘处理原则，即初步数据处理在设备内部进行，以减少通信依赖和延迟。

基于人工智能的决策支持层

人工智能模块分析处理后的数据，以识别模式、评估风险指标并生成情境化建议。机器学习模型用于识别环境模式，并基于历史和模拟数据集辅助预测可能结果。系统不生成命令。相反，它提供：

风险指标
环境警报
路径或移动建议
信息优先级排序这保持了“人在回路”的结构，操作员在采取行动前评估人工智能生成的洞察。

人机交互层

信息通过简化的界面呈现，旨在最小化干扰和认知负荷。系统通过视觉提示、警报或摘要信息进行沟通，而非复杂的数据显示。其目标是在压力下提供清晰度，而非详细分析。

5.4 概念算法流程

系统的运行逻辑遵循一个持续循环：

从传感器和输入设备采集数据
融合、预处理并规范化数据
人工智能模块分析处理后的数据
在操作员界面上生成并呈现见解
操作员评估并做出最终决策
系统从结果中学习（用于未来改进，非实时）并获取新数据

此循环持续重复，使系统能够适应不断变化的环境，而不强制执行自动化决策。

5.5 人工智能模型训练方法

所提出的系统假设通过结合模拟环境、历史作战场景和合成数据集而非实时作战数据进行训练。这降低了安全风险，同时允许模型学习环境模式和决策情境。

训练重点包括：

模式识别
异常检测
地形与移动分析
风险评估

系统设计为在受控环境中定期更新模型，而非通过不受控的现场学习。

5.6 数据安全与信息保护

由于军事信息高度敏感，系统概念优先考虑数据保护。架构假设在本地进行数据处理，尽量减少外部传输。存储的数据被加密和隔离，以防止未经授权的访问。任务期间，原始作战数据无需离开设备。任何长期存储或分析均在安全的离线环境中进行。这降低了与拦截、泄露或外部操纵相关的风险。

5.7 符合作战与伦理约束

所提出的框架被严格设计为决策支持工具。它不自动使用武力或执行自主行动。人类操作员对所有作战决策负责。此方法与当前强调人类对人工智能辅助军事系统控制的国际讨论相一致。

5.8 所提系统的预期贡献

所提出的框架通过将决策支持从集中式指挥结构转向操作员层级辅助做出贡献。它试图通过在一个概念模型中结合基于人工智能的分析、分散式处理和以人为本的设计，来弥合现有文献中识别的差距。

6. 结果与讨论

6.1 可视化模拟与响应流程

所提出的、以操作员为中心的人工智能决策支持系统通过模拟作战场景进行评估，这些场景旨在代表特种作战环境，例如动态地形条件、不确定的威胁存在和时效性决策要求。模拟的目的并非自主执行决策，而是评估系统在决策循环的观察和判断阶段能多有效地辅助操作员。在模拟环境中，包括模拟传感器数据流、位置数据、环境参数和任务约束在内的多路数据输入由人工智能模块处理。系统生成实时态势图层，在操作员界面上可视化呈现威胁概率区域、安全移动通道和任务相关警报。响应流程遵循结构化序列：

从模拟传感器和任务输入获取数据。
在机载处理单元内进行数据规范化和融合。
基于人工智能的态势评估和风险估算。
生成推荐行动方案（COA）。
向操作员进行可视化呈现以供最终决策。

模拟表明，与呈现原始数据相比，呈现经过筛选和情境感知的信息显著降低了认知负荷。操作员能够更快地解读作战图景，尤其是在涉及多个同时变量的场景中。

6.2 准确性与时间评估

性能评估聚焦于两个主要参数：决策支持准确性和响应时间改进。此处的准确性指系统正确分类环境条件、识别潜在威胁指标并生成情境相关建议的能力。在模拟场景中，与纯手动分析相比，人工智能辅助的评估在识别高风险区域方面表现出一致性改进。这主要得益于跨多个输入源的持续数据关联和模式识别。时间评估表明，从观察到决策准备阶段所需的时间减少了。由于数据过滤、优先级排序和初步分析由人工智能模块处理，操作员在决策前解读态势所需时间更短。系统并未取代人类判断，但减少了分析时间，从而在保持操作员权限的同时，加速了OODA（观察-判断-决策-行动）循环。

6.3 操作员设备上的用户界面

操作员界面的设计以最小化认知负荷为首要目标。特种作战环境需要快速解读而非详细数据检查；因此，界面避免了复杂的仪表盘。

关键界面特性包括：

基于颜色编码的风险可视化，而非数字过载。
基于优先级的警报，而非持续通知。
仅在有需要时显示情境相关建议。
手动覆盖和确认选项，以保持操作员控制。

用户界面模拟表明，在时间压力下，简化的视觉提示提高了响应的清晰度。信息分层确保关键数据始终可见，而次要信息仅在需要时可访问。

6.4 后端处理与系统行为

后端架构处理数据摄入、预处理、人工智能推理和安全数据处理。传感器输入首先被标准化为通用数据结构，然后进行融合，使系统能够关联空间、时间和情境信息。人工智能处理在边缘计算框架内进行，以最小化延迟并减少对外部通信链路的依赖。仅假设在安全条件下，非敏感的性能数据和模型更新才会被传输到后端服务器。对后端性能的讨论突显了平衡计算效率与可靠性的重要性。系统优先确保稳定的响应生成，而非复杂计算，以保证即使在通信降级的环境中也能有稳定的输出。

6.5 讨论总结

结果表明，以操作员为中心的人工智能决策支持系统可以在不损害军事伦理或人类控制的前提下，增强态势感知并减少决策准备时间。系统的有效性不在于自动化，而在于智能的信息精简和情境辅助。模拟结果表明，此类系统在时间、不确定性和认知负荷直接影响任务成功的特种作战场景中尤其具有价值。

7. 结论

现代特种作战环境要求在不确定性、信息过载和时间有限条件下快速决策。现有的决策辅助工具提供了部分分析支持，但往往未能解决操作员的认知局限和多域作战的动态特性。本研究提出了一个基于人工智能、以操作员为中心的决策支持系统，旨在增强态势感知，同时保持人类控制和军事伦理原则。所提出的架构展示了人工智能、传感器融合和基于边缘的处理如何能够通过过滤、排序并以可解释的方式呈现任务相关信息来辅助操作员，而非取代人类判断。基于模拟的评估表明，在决策准备时间、作战清晰度和信息管理方面存在潜在的改进。研究强调，未来的军事人工智能系统应聚焦于人机协作，而非完全自动化。进一步的工作可能涉及高级模拟验证、自适应学习模型以及与不断发展的多域作战框架的集成，同时保持严格的安全和伦理保障。