摘要

在军事组织中，从战术到战略各个层面的决策都尤其具有挑战性。因此，对决策的支持至关重要，这在现代系统中包括传统和更先进的指挥与控制（C2）模型。由于当代军事行动的复杂性，战术决策应涉及对行动方案的快速、精确和知情的考量。本研究侧重于确定生成式人工智能（AI）系统（例如ChatGPT）在战术军事决策中的应用，作为指挥与控制模型的一个潜在组成部分。作为一个先进的语言模型，ChatGPT可以通过基于人工智能所利用的大数据集生成相关的态势解决方案，为指挥官分析和选择最优行动方案提供潜在支持。研究表明，在此背景下使用ChatGPT能够基于现实和假设的输入数据自动生成相关场景。此外，通过与生成式人工智能系统的交互来分析可能的解决方案，可以优化决策以及战术指挥层的决策过程。这减少了人为错误，并提高了在动态复杂军事局势中的响应速度。尽管日益先进的人工智能模型可以显著增强军事决策，但此过程绝不能完全自动化。必须在最终决策阶段保持人类监督，从而在关键的军事决策中保持问责制。

**关键词：**军事决策，C2系统，生成式人工智能，行动方案

1. 引言

军事组织中的决策通常从战争的三个层面来考虑，包括战略、战役和战术。战略决策发生在最高层，在国家政策和长期目标的背景下，涉及规划政策、战略、资源和联盟。战役决策侧重于通过具体的军事行动来实施战略。战役层面的指挥官考虑各种潜在的行动方案，以协调多个战术单位和不同行动，旨在实地实现战略目标。战术决策指的是关于战场态势的具体决策，指挥官在单个战斗的层面评估行动方案。

战役和战术层面的军事决策过程包括通过三个步骤评估行动方案：制定选项、分析和选择。选项的制定涉及态势分析，从而确定可接受的行动方案。分析包括基于每个选项的潜在优势、风险、时间框架、资源以及对手的预期行动进行评估。最后，该过程以选择最可接受的行动方案结束。

现代战场以极快、极精确的当代计算机化武器系统为主导，超出了军事决策者管理和规划其使用以及应对类似装备对手的组织能力。因此，传统的指挥控制系统面临着处理海量实时数据，同时确保决策速度、准确性和相关性的挑战。现代指挥官还必须应对敌对战术的快速变化，包括网络威胁和虚假信息，以及整合人工智能、自主系统和多域作战等先进技术的复杂性，这些都要求更快、更适应的响应。为解决此问题，指挥控制系统正在通过计算机技术（计算机和软件）进行增强，以便对信息进行分类、筛选和显示，帮助指挥官以相关性的速度聚焦于“正确”的信息。当然，这种方法假设指挥官的责任、其所处的环境（态势感知）以及要做的决策被事先充分理解，足以预测其信息需求。

解决指挥官（或任何人）决策中认知能力局限性的方法，如前所述，是通过使用计算机技术来实现。人工智能，特别是生成式人工智能，其发展和应用呈上升趋势。本世纪头十年深度学习的出现使得卷积神经网络得以应用，其模型在图像和模式识别任务中带来了显著进步。例如，CNN被应用于自动驾驶目的，包括目标识别和实时交通标志识别。按时间顺序，在CNN网络之后，焦点转向生成高质量合成图像，这得益于生成对抗网络的引入。聚焦人工智能模型的架构，Transformer架构取得了重大进展，它使得开发大语言模型（如ChatGPT）成为可能。

这些人工智能算法，特别是大语言模型，为自动化C2系统（决策支持系统）的发展开辟了新道路。这些系统能够处理大量信息，从复杂模式中学习，并根据上下文做出决策，这种方式以前是人类决策者的专属领域。生成式人工智能代表了人工智能领域的重大突破，提供了许多传统模型无法企及的能力。具体而言，它涉及创造全新内容的能力，这不在传统人工智能模型的能力范围之内。诸如生成式预训练Transformer等模型，利用大型数据集，已展现出理解和生成类人文本的能力，从而在各个领域得到广泛应用。作为生成式人工智能系统的一个例子，ChatGPT属于能够处理和生成多种类型数据（包括文本、图像和代码）的多模态系统范畴。

尽管生成式人工智能模型拥有先进的数据处理能力，但它们也面临需要应对的特殊挑战。例如，生成对抗网络模型面临的主要挑战包括训练过程中的不稳定性，以及可能欺骗模型或危害系统安全对抗样本的生成。为应对这些挑战，基于扩散概念的新方法已被开发出来，确保了模型更高的稳定性和可靠性。

得益于大语言模型，特别是GPT模型的卓越发展，其应用在人类活动的各个领域已变得可行，包括教育、医疗、农业、生活方式、营销、视频游戏、娱乐、金融、工业、旅游、交通和电子商务，以及军事决策等专业领域。因此，可以说，当今的人工智能算法具有革新军事决策以及指挥与控制的潜力。

现代军队中的指挥与控制侧重于通过确保适当的协调和资源的及时配置来支持指挥官完成其任务。C2系统通常是更复杂的C4ISR系统的组成部分。C2军事系统和解决方案的发展导致了卫星通信系统、无人飞行系统控制接口、移动指挥所、实时情报共享平台、云计算、网络防御系统、传感器集成解决方案等技术的整合。

本文旨在探讨在C2系统中使用大语言模型的可能性、方法和有效性，特别关注与态势分析和提出行动方案相关的指挥与控制系统组成部分。主要研究问题如下：

在战术决策层面，应用公开可用的生成式人工智能模型来支持制定和选择行动方案的军事决策过程，是否现实？

本文结构如下：以引言部分开始，然后是前期研究综述，接着是将ChatGPT-4模型应用于分析战术军事局势的实验。基于所得结果，进行有效性分析，最后得出结论。

2. 前期研究

关于人工智能和生成式预训练Transformer在指挥与控制系统中应用的文献综述，对于理解该技术在军事行动中的当前发展和潜力至关重要。本章将考察现有的研究和著作，这些研究和著作提出并描述了人工智能和GPT在态势感知、决策和行动方案建议等领域的应用。

为搜索科学论文，使用了索引数据库如Web of Science和Scopus，科学文献搜索工具Google Scholar，专用于技术和工程学科的数据IEEE Xplore，以及ChatGPT 4.0。搜索中使用的关键词包括：“行动方案”、“军事”、“指挥与控制”和“人工智能”。使用这些关键词，发现了讨论生成式预训练Transformer在指挥与控制系统中应用的论文。此外，考虑到观察到的GPT在C2系统中的应用，为了改进搜索，使用了ChatGPT并查询其建议关于生成式预训练Transformer在指挥与控制系统中应用的论文的相关关键词。建议可作为关键词的术语包括：

1. 指挥与控制中的生成式预训练Transformer
2. 军事决策中的人工智能
3. 军事规划中的大语言模型
4. 指挥与控制中的人工智能
5. COA-GPT军事应用
6. 网络中心战人工智能集成
7. 人工智能驱动的行动方案制定
8. 军事行动中的决策支持系统
9. 指挥与控制中的人机协作
10. 防御系统中的大语言模型应用
11. 应急指挥与控制中的人工智能
12. 军事规划人工智能工具

此外，在ChatGPT 4.0中进行了查询：“查找与术语‘军事决策中的人工智能’相关的文章”，试图寻找将C2系统与GPT联系起来的其他论文。尽管查询中没有明确提及GPT，但建议的三篇关于人工智能在军事决策中应用的文章很有意义，因为它们强调了人工智能如何通过决策支持来协助军事行动。此外，它们强调了人类在军事决策中过度依赖自动化系统时产生的问题，主要是伦理性质的问题。

关于将人工智能用于军事目的的伦理问题的报告，也强调了人工智能在几个关键领域的技术进步，这些领域可用于改进军事行动。商业组织在很大程度上推动了人工智能发展的这一进程，原因多种多样。商业组织有能力利用资本投资和学术资源，而军事部门往往难以获得或可能无法获得这些资源。因此，这些组织为商业目的开发的技术有望进行调整以用于军事环境。

在军事行动中具有潜在应用价值的人工智能技术进步的最重要领域包括计算机视觉（特别是图像识别）、文本分析、自主车辆、模拟和计算机游戏。同一份报告还通过结构化访谈列出了将人工智能用于军事目的的潜在好处。根据受访者的说法，最常提到的优势是决策速度的提高和大数据处理。

一份北约报告讨论了使用人工智能支持决策和处理大数据的优缺点。这份报告对于理解如何将人工智能整合到指挥与控制等军事结构中具有重要意义，因为它提供了对复杂过程的见解，这些过程使得该技术能够在军事行动中得到有效应用。人工智能用于军事目的的严肃性和重要性可以在北约于2024年春季发布的宣传视频“使用人工智能增强军事决策”中看到，该视频展示了人工智能支持决策的愿景。

Morgan和Waller探讨了人工智能在支持和在需要速度和处理大量信息的复杂情况下接管决策过程方面的优势和潜力。他们认为，人工智能将在未来的空中军事行动中发挥关键作用，包括飞机的战术控制和战场上的快速决策。

McDowell等人提出在军事行动中使用生成式预训练Transformer来加速决策和行动方案的制定。作者认为，像GPT这样的先进技术可以改变C2系统，为军事决策和行动做出重大贡献，使其更快、更高效。

此外，Goecks和Waytowich提出了COA-GPT，这是一个使用生成式预训练Transformer来加速军事行动中行动方案制定的模型。该模型能够快速生成战术行动方案，并考虑军事条令和任务特定数据。作者强调，COA-GPT显著减少了决策所需的时间，并允许指挥官实时审查和调整提议的行动方案，使得决策过程在战场的动态条件下更加灵活和适应性强。

将GPT引入军事决策过程并不仅限于军事行动。由于其卓越的内容解读能力，文章作者Hong建议美国国防部开发自己的生成式人工智能模型，类似于ChatGPT这样的GPT模型。作者讨论了国防部对其自己的生成式大语言模型系统的潜力和需求，该系统可以支持法律专业人士和更广泛的军事人员处理日常任务和决策。

Yenduri等人认为，生成式预训练Transformer无疑具有改变人类活动各个领域的潜力，因此可以逻辑地得出结论，Transformer也可以用于军事目的，特别是在C2系统是战场成功关键要素的军事行动中。

除了GPT（根据前面提到的文章作者的建议，可以增强C2系统中的指挥与控制）之外，还有其他值得一提的方法，这些方法被认为有可能有助于改进军事行动中的决策。Goecks等人探讨了如何将游戏和模拟器用作开发支持指挥与控制的人工智能的平台。这些系统允许通过模拟真实军事场景来开发AI模型。使用模拟器和游戏使人工智能系统能够通过与环境的交互来学习，加速优化战略和行动方案的过程。作者强调，在模拟中开发的深度学习算法在提高态势感知和建议战场最优决策方面特别有效。

鉴于人工智能和生成式预训练Transformer的巨大能力（正如Yuval Harari所说，它们“黑客了人类文明的操作系统”，指的是作为沟通和理解关键工具的人类语言底层结构），它们的应用在军事目的上，特别是在增强军事指挥与控制系统方面具有巨大潜力。尽管需要进一步研究以更好地理解伦理、安全和技术挑战，但现有工作清楚地表明，GPT和其他人工智能系统的应用将在军事结构现代化中发挥关键作用。本文献综述为进一步研究人工智能在军事行动中的潜力奠定了坚实的基础，特别侧重于增强克罗地亚武装部队的指挥与控制系统。

3. 研究

本章将利用GPT模型ChatGPT 4o在军事决策领域提出行动方案。为展示ChatGPT 4o模型的能力，将提供一个文本模板和一个COA草图，之后将要求模型生成其自己版本的COA。专家或指挥官可以在C2系统的背景下进一步评估此版本。

3.1 由指挥官和参谋部生成的行动方案版本

此处所示的行动方案版本及其草图取自工作。行动方案的文本如下：

“营的任务：2-66步兵营于96年5月250100Z发起攻击，目标是摧毁位于NB 135871区域（目标‘狼’）的敌军警戒部队，以使特遣队1-12机步营能够继续沿奥斯本路向东进攻。”

行动方案制定COA：“该营于0100时越过出发线，沿攻击方向推进，以一个连（三个步兵排、一个工兵排和一个‘毒刺’导弹分排）在前；其后是指挥组；第二个连（三个步兵排和一个‘毒刺’导弹分排）；以及第三个步兵连（欠）在最后（两个步兵排和反装甲排）。在检查点2，第二连（欠）和反装甲排占领652高地，为攻击主轴线上的部队提供火力支援。一个步兵排在NV 140857区域设伏，以摧毁敌军装甲车辆并阻止敌军增援目标‘狼’。前导连占领目标1，以使指定的连（攻击部队）通过并控制关键区域。最后一个连通过目标1，占领目标2，并阻止敌军警戒部队以火力攻击特遣队1-12，而后者沿惠勒路向南、再沿奥斯本路向东发起攻击。” 图1描绘了前述文本中描述的进攻性行动方案草图。

3.2 由ChatGPT 4.0生成的行动方案版本 通过首先将现有方案加载到模型中，使用ChatGPT 4.0人工智能生成了一个新的行动方案版本。然后，通过提示，使模型熟悉上下文，并要求其分析提供的行动草图，并基于此输入生成一个新的行动方案版本，同时考虑战术目标和关键要素。这将指导模型理解请求并根据上下文生成适当的响应。

3.2.1 在GPT模型中创建上下文和理解态势 为使模型熟悉现有的行动方案版本，使用了以下提示：

提示：“你现在是军事参谋长。我是指挥官，我需要你的协助。你明白吗？”

ChatGPT的回应：“明白，指挥官！参谋长已准备好提供协助。我如何能协助您的任务？”

提示：“解释我附加的图片。”

ChatGPT的回应：“提供的图片是一张战术军事地图，说明了作战计划或战场态势。以下是详细分析：

图片中的关键要素

1. 道路和路线： ● 北部的惠特路和惠勒路。 ● 奥斯本路水平贯穿图片中部。
2. 地形特征： ● 652高地：一座海拔652米的山丘，标记为具有战术意义的地点。 ● 目标‘狼’：作战目标，标记有两个子区域：目标1和目标2。
3. 部队表示： ● 内部带“X”的矩形代表单位（可能是步兵或机械化单位）。 ● 运动方向：黑色箭头显示向652高地和目标‘狼’攻击或部队运动的方向。 在地图西侧： 位于奥斯本路西侧的一组单位。 CWO OP：指挥观察所标签。 o 左侧标记为数字“2”的单位可能代表一个指挥单元或支援单位。
4. 作战动态： ● 两条主要攻击轴线： o 第一条轴线指向652高地（向北）。 o 第二条轴线指向目标1和目标2，表明是目标‘狼’内的关键目标。 ● 部队部署为向心攻击，意味着部队向目标运动，在关键点会合。 ● 奥斯本路右侧的符号代表一个准备机动的单位。

作战解读：

1. 聚焦652高地： 652高地是一个关键的制高点，为观察和地形控制提供优势。 o 可能首要目标是控制此点以获得地形优势。
2. 目标‘狼’（目标1和目标2）： 控制目标‘狼’似乎是作战的主要目标。 部队从多个方向推进，以消灭这些目标内的抵抗。
3. 蓝方阶段线： o 蓝方阶段线标记了作战的阶段线或初始力量线。

结论： 该图片描述了一种攻击战术，涉及协调的部队运动，指向652高地制高点和目标‘狼’的最终目标（包含子目标目标1和目标2）。这些要素表明了一次专注于控制关键位置和地形的作战。

如果您需要更详细的分析或潜在场景评估，我随时为您服务，指挥官！”

3.3 由ChatGPT生成的替代进攻行动方案

目标之一是探究生成式AI工具能否为图1所描述和呈现的局势提供替代行动方案。在ChatGPT展示了对上下文和态势的理解之后（因为其对态势、事件动态和作战的分析与论文中的COA示例一致），给出了以下提示：

提示：“你能为同一张地图上呈现的攻击创建另一个版本吗？”

ChatGPT的回应：

“替代行动方案显示在地图上。主要变化包括：

1. 通过奥斯本路从南翼进行侧翼机动。
2. 部队在目标‘狼’会合，聚焦于目标1和目标2。
3. 在关键制高点652高地保持观察。 这种方法可以避免在山丘上发生直接冲突，并将兵力集中在目标‘狼’内的目标上。如果需要进一步评估或详细说明，我随时待命！”

ChatGPT响应给定请求生成的图片未达到预期，即使在多次迭代和额外的创建指令后也是如此。因此，给出了以下提示：

提示：“用文字描述第二个行动方案。不需要图片。”

ChatGPT的回应： “第二个行动方案代表了一种替代攻击计划，强调绕过关键点并将兵力集中在主要目标上。以下是详细描述：

态势

主要地形点：652高地仍标记为支配性制高点，但避免对其进行正面攻击。
主要目标：目标‘狼’，分为两个子区域——目标1和目标2。

替代行动方案
从南翼进行侧翼机动：

• 不直接攻击652高地，部队在奥斯本路以南重新编组。
• 沿奥斯本路向东朝目标1和目标2运动。
  两条攻击轴线：
  · 第一组直接向目标1推进，利用后方支援。
  · 第二组稍向东机动，集中攻击目标2。
  保持观察：
  · 一个较小单位留在652高地担任观察任务，以确保战场监视并报告敌军动向。
  向心攻击：
  · 向目标‘狼’推进的两组从西侧和东南侧协调最终攻击，确保同时对目标1和目标2施加压力。

计划优势：
· 通过避免正面攻击652高地，减少了资源和单位的损失。
· 侧翼机动允许更快推进并将兵力集中在关键目标上。
· 652高地上的观察单位确保战场监视和信息覆盖。”

在ChatGPT提供了新的行动方案的详细描述后，绘制了草图，如图3所示。

3.4 对ChatGPT生成结果的评估 为评估ChatGPT生成的攻击行动方案的结果，文本及随后创建的草图由人类专家进行了评估。专家的意见是，考虑到模型使用的输入信息，生成的攻击行动方案展现了令人满意的逻辑连贯性和战略基础水平。然而，也注意到特定元素细节方面的某些不足，这些不足可以通过额外的具体信息或人工干预得到改进。发现的不足主要与ChatGPT倾向于提供过于笼统的回应有关，缺乏领域特定的精确性，特别是在解读军事术语和适应实时作战场景方面。这些局限性表明，目前，ChatGPT的回应应辅以人工监督，以确保作战准确性。AI工具受限于其从学习数据库中包含的特定记录中获取的知识。此外，ChatGPT应通过来自与军事决策态势上下文相关的本地数据库的数据进行增强。专家特别强调，该模型展示了对规划和场景生成基本原理的理解，但要实现完全的操作可用性还需要进一步研究。

应当指出，ChatGPT能够基于具体的军事目标，考虑地形条件、敌方战术以及后勤和战略考量等额外的外部因素，生成关于有效行动方案的建议。

4. 结论

本文分析了生成式预训练Transformer在指挥与控制系统中的应用，特别侧重于行动方案的生成和优化。生成式模型（如GPT）代表了军事系统的重大进步，能够在动态复杂的作战环境中实现更快的态势分析、行动方案制定和决策。

本文展示了以下几点：

1. 对指挥官的认知支持——GPT的集成可以显著增强指挥官的关键认知功能，如意图、态势分析和规划。
2. 决策过程加速——GPT模型能够更快地生成行动方案，减少了危机情况下决策所需的时间。
3. 灵活性和适应性——像ChatGPT这样的模型能够处理大量数据，并基于军事条令、态势分析和可用资源生成战略选项。

然而，本文也指出了某些挑战：

1. 可靠性和准确性——GPT模型偶尔会生成不准确或有偏见的信息，这在军事背景下可能是关键问题。
2. 伦理和安全关切——需要额外的监管，以确保人工智能技术在指挥系统中的负责任应用。

针对研究问题（在战术层面应用公开可用的生成式人工智能模型来支持制定和选择行动方案的军事决策过程，是否现实？），可以给出一个有条件的肯定评价。如果我们对不同场景进行了模拟，即在各种战术情境中应用了ChatGPT，那么关于生成式AI潜力的结论将具有更高的可靠性。这些系统的进一步发展及其与本地数据库和上下文的整合有望带来更好的结果。

未来的研究应侧重于开发更可靠、更专门针对军事需求定制的GPT模型，以及将GPT与模拟工具和实时传感器集成。此外，未来的研究应探索生成式人工智能与现有C2系统的集成，以及与这些技术的对抗性使用相关的潜在风险。再者，应仔细审视在军事决策中部署生成式人工智能的伦理关切，特别是在问责制、偏见以及确保负责任应用所需的人类监督方面。

总之，在C2系统中应用生成式预训练Transformer具有革新决策的潜力，能够提高现代军事行动的效率和态势感知能力。人工智能技术的集成是朝着在未来战场开发先进、自主和适应性强的指挥与控制系统迈出的关键一步。

参考文献

（略）