摘要：随着国防机构从孤立的实验转向大规模采用人工智能（AI）和自主系统，决定性优势日益在于能够以规模化方式跨领域和各层级将自主性转化为作战能力。本文探讨国防自主性如何从小众能力演变为现代作战的基础组成部分，特别强调缩小创新与实施之间的差距、以“任务速度”进行规模化扩展，以及将人机协同融入核心任务工作流。本文认为，国防机构面临的并非创新不足，而是执行挑战，其根源在于传统流程、碎片化的数字基础设施以及未能充分协调的组织文化。本文分析了自主性有望产生巨大影响的关键任务领域——战术边缘决策、自主后勤与保障、训练与模拟，以及网络弹性架构中的任务工程——同时强调了公私合作伙伴关系和军民两用技术生态系统的核心地位。本文提出了一个以任务工程为驱动的框架，该框架整合了技术、组织和伦理考量，以确保可信的自主性、弹性的人为监督以及在全军范围内的可扩展部署。相关建议侧重于构建以数据为中心的数字骨干网、将人机协同制度化、利用数字孪生和基于模型的系统工程，以及塑造支持以任务节奏持续现代化的采办与治理机制。

1. 引言

国防机构正进入一个关键阶段，在这一阶段，跨作战领域整合新兴技术——特别是人工智能和自主系统——的能力正日益成为战略优势的主要决定因素。这些技术的成熟已将重点从发明转向整合：关键问题不再是先进自主性是否可行，而是其能够以多快的速度在现实作战中得到部署、获得信任并实现规模化应用^[1-3]。

自主性与人工智能正在通过压缩观察-判断-决策-行动（OODA）循环并实现机器速度的数据处理，重塑指挥控制、情报分析、后勤和部队防护。然而，尽管创新点不断涌现——原型、试点项目和实验单位——许多国防机构仍难以将这些有前景的努力转化为持久的作战能力。体制惰性、碎片化的数据架构、传统系统以及规避风险的文化，往往会在技术已明显具备部署条件时延迟或限制其部署^[1-5]。

本文探讨未来十年国防领导者面临的核心挑战：以“任务速度”实现现代化。任务速度融合了技术敏捷性、组织响应能力和战略清晰度，确保新能力的交付速度足以在不断演变的安全环境中发挥作用。正如美国空军前首席数据与人工智能官所强调，现代化现由作战节奏驱动，指挥官必须不断审视其“行动方案”是否与当前节奏保持一致，否则将面临被更敏捷的对手超越的风险^[1,2]。

为应对这一挑战，必须将自主性视为数字优先国防企业的基石，而非一组孤立工具。这需要：

• 将自主性规模化转化为作战能力，从实验转向企业级部署。
• 在战术边缘赋能人工智能，以在对抗环境中实现弹性决策。
• 将以信任、透明度和问责制为基础的人机协同制度化。
• 构建网络弹性、软件定义的任务架构。
• 将自主性应用于后勤、保障、训练和模拟，以提高战备水平。

本文其余部分结构如下。第2节审视国防背景下创新与实施之间的差距。第3节探讨以任务速度扩展创新的含义。第4节将规模化自主性的作战转化作为一个任务工程问题进行讨论。第5节分析战术边缘的人工智能与人机协同。第6节聚焦自主后勤与保障。第7节阐述训练、模拟和数字工程如何加速应用。第8节提出自主系统治理、伦理与信任框架。第9节总结并为寻求实现任务速度现代化的国防领导者提供建议。

2. 从创新到实施：缩小执行差距

2.1 执行问题的本质

当今的国防生态系统展现出丰富的创新，但执行却参差不齐。众多机构已启动人工智能与自主性计划，建立创新部门，并与初创企业和技术公司合作，由此产生源源不断的原型和试点项目。然而，其中许多努力仍局限于实验环境，无法跨越“死亡之谷”进入持续作战使用阶段。这一模式凸显出，核心挑战与其说是发现新能力，不如说是如何在复杂的体制和技术环境中可靠地整合与扩展这些能力^[1,6]。造成这一执行差距的因素包括：

● 碎片化的治理与需求：多个利益相关者——各军种、司令部、采办机构和实验室——往往在没有共享路线图的情况下追求重叠的自主性计划，导致冗余和整合摩擦^[2,3]。

● 传统基础设施与数据孤岛：人工智能和自主性依赖于以数据为中心的架构，然而许多国防信息技术环境仍依赖单体系统和碎片化的数据存储，使部署和保障复杂化^[2,5]。

● 采办时间表与技术周期不匹配：传统的多年期采办方法极不适应可能需要在数月或数周内更新的AI模型和自主软件^[2,6]。

● 文化与组织阻力：作战人员可能不信任不透明的算法，领导者在没有明确问责和可解释性的情况下可能不愿将职能委托给自主系统^[3,7]。

因此，国防机构面临一个悖论：它们承认人工智能和自主性的战略必要性，却无法以当代威胁所要求的速度持续部署这些能力^[2,3,6]。

2.2 传统系统与体制障碍

传统系统是在人工智能赋能的自主性可行之前很久设计的，缺乏容纳先进算法和传感器融合所需的接口、计算资源或网络安全基础，是大规模实施自主性最持久的障碍之一。集成新的自主功能通常需要大量的中间件、昂贵的改造或并行的“影子”系统，这使配置管理复杂化并降低了可靠性^[2,5]。

体制流程强化了这些技术限制。针对传统以硬件为中心的系统优化的认证和测试流程，难以应对快速演进的机器学习模型，其性能可能随数据漂移和作战环境而变化。同样，分类规则和数据共享政策可能阻碍跨单位或联盟伙伴的训练数据聚合，削弱模型性能和互操作性^[2,3]。为克服这些障碍，国防机构必须将自主性实施视为一种社会技术转型，而非纯粹的技术升级。这意味着需要调整：

● 治理框架，以支持迭代部署、反馈和模型更新。

● 人员技能，包括操作人员和指挥员的数字素养。

● 激励机制，使单位因整合和利用自主能力而获得奖励。

2.3 文化与作战人员融合的作用

成功实施取决于使自主性与作战人员需求保持一致，并通过持续的人机协同建立用户信任。操作人员必须将自主系统视为增强而非取代其判断力和能动性的可靠队友。新兴的人机协同研究表明，将人类判断与人工智能决策支持相结合，可提供多层叠加优势——改善态势感知、压缩决策周期并实现多域协调^[1,7,8]。关键的文化杠杆包括：

• 协同设计：在设计周期早期让操作人员和指挥官参与，确保自主系统解决实际的作战痛点，并与现有工作流整合^[1,8]。

• 透明度与有限自主性：明确的接战规则和自主行动约束可增强信任并支持问责制^[3,8]。

• 持续训练与模拟：在逼真的训练环境中接触自主队友，有助于操作人员理解系统优势、局限性和故障模式^[7,8]。

当这些要素到位时，各机构便能更好地弥合创新与实施之间的鸿沟，从零星试点转向可靠的大规模自主性部署。

3. 以任务速度扩展创新

3.1 定义任务速度

任务速度是指以便与作战和对手动态相匹配或预判的节奏，构思、开发、部署和更新能力的能力。它超越了原始的技术性能，涵盖了决策敏捷性、组织响应能力，以及将新功能快速插入已部署系统的能力^[1,2]。自主性与人工智能是任务速度的核心，因为它们能够实现：

• 机器速度的信息处理与威胁检测，增强各层级的决策支持^[2,3]。
• 基于新数据和不断演进的战术进行持续模型训练和适应^[2,5]。
• 软件定义系统的快速配置和任务重分配，使部队能够近实时适应。

然而，任务速度也要求持续更新体制“行动方案”，使条令、战术和交战规则与新能力同步演进^[1]。

3.2 扩展的赋能因素

有几个因素决定新的自主能力能否在整个国防企业中扩展：

1. 军民两用商业技术：利用商业人工智能、云计算和边缘计算生态系统，通过借助成熟、快速发展的技术和开发实践来加速采用^[1,6]。
2. 强有力的公私合作伙伴关系：与工业界和学术界的协作关系能够实现共同开发解决方案、获取专业人才，并将作战问题转化为技术要求^[1,6,8]。
3. 以数据为中心的数字基础设施：安全、可互操作的数据结构和通用平台支撑跨领域的模型训练、部署和监控^[2,5,6]。
4. 敏捷采办与持续交付：合同和认证机制必须支持增量交付、实验和现场反馈^[2,6]。
5. 清晰传达任务价值：领导者必须阐明自主能力的作战收益——例如更快的瞄准、更高的生存能力、减轻后勤负担——以确保持续投资和采用^[1,3]。

这些赋能因素共同支持从孤立试点向企业级部署的过渡。

3.3 数据与人工智能如同团队运动

自主、数据和人工智能日益被描述为需要政府、工业界和学术界共同贡献的“团队运动”。没有任何单一主体拥有构建和维持任务级自主能力所需的全部专业知识、基础设施和权限。因此，协作生态系统至关重要^[1,6,8]。例如：

● 政府提供任务背景、作战数据访问权限和部署授权。

● 工业界贡献可扩展平台、研发和软件工程能力。

● 学术界推进基础研究、伦理框架和劳动力发展。

国防创新部门项目和服务级人工智能加速器等举措，展示了如何组织此类协作以提供机器速度的规划、分析和决策支持^[4-6]。

4. 规模化自主性的作战转化

4.1 从实验到企业级部署 规模化自主性的作战转化意味着超越定制演示，将自主能力整合到横跨空、陆、海、网、天领域的核心任务系统中。这需要^[1,3]：

● 支持模块化自主服务的企业架构。

● 通用数据模型和应用程序接口以允许跨平台重用人工智能模型。

● 管理风险、认证和生命周期更新的治理结构。

对军事人工智能投资的战略评估强调，只要将自主性整合到指挥控制流程和部队设计中，它就有望在从防空反导到情报监视侦察和网络作战的一系列任务中，带来速度、精度和持久性的决定性提升^[2,3]。

4.2 作为整合学科的任务工程

任务工程提供了一种系统之系统的途径，使自主能力与任务结果保持一致。任务工程不是优化单个平台或系统，而是考虑端到端的任务线程，并确定自主性在何处能发挥最大杠杆作用，例如加速瞄准链、提高生存能力或增强弹性^[2-4]。面向任务的自主性工程关键要素包括：

● 预先定义任务结果和指标（例如决策时间、出动生成率、后勤吞吐量）。

● 映射任务线程并识别自主性的“注入点”，即机器能力可以减轻人员工作负荷或扩展覆盖范围之处。

● 弹性设计，包括冗余、优雅降级以及在自主性失效或因对手行动而降级时的回退模式。

这种以任务为中心的方法确保自主性实施与作战价值和可衡量的性能改进紧密耦合。

4.3 网络弹性、软件定义的架构

自主性依赖于高度灵活且安全的数字基础设施。软件定义的任务架构——融合了云、边缘计算、微服务和容器化——能够实现自主功能的快速部署和更新，而网络弹性设计确保这些能力能在对抗环境中存活^[2,4,5]。关键设计特征包括：

● 零信任安全架构，将所有组件视为潜在受损对象并持续验证身份和行为^[2,5]。

● 分段、弹性网络，能够在降级或拒止环境中运行，本地自主功能能够在边缘断开连接的情况下运行^[4,8]。

● 标准化接口和开放架构，允许第三方自主模块集成和替换而无需大量重新设计^[6,8]。

通过将自主性嵌入网络弹性、软件定义的基础设施中，国防机构能够更好地支持快速扩展和适应。

5. 战术边缘的人工智能与人机协同

5.1 战术边缘的约束与机遇

在战术边缘——前沿部署部队、分散队形、海上特遣部队——通信往往受到对抗、时断时续或降级。因此，边缘的自主性和人工智能必须支持有意义的本地决策，而无需依赖与集中式云端的持续连接。边缘人工智能技术，如设备端推理和联邦学习，允许模型在本地硬件上运行，实现实时威胁检测、路线规划和资源分配^[3,4,8]。例如，在对抗性后勤场景中，人工智能赋能的工具可帮助部队预测消耗、识别补给窗口并协调自主补给资产，即使上级连接受限。同样，边缘的无人和自主系统可以扩展传感范围、执行侦察并支持诱饵和欺骗行动^[4,5,7-9]。

5.2 人机协同作为一种作战范式

人机协同（HMT）提供了一种运用自主性的作战范式。人机协同不关注自主系统独立行动，而是强调人与机器之间的共享态势感知、互补角色和协作决策^[7,8]。关于战场人机协同的研究强调了几个优势：

● 人工智能提供快速数据融合、模式识别和决策支持，而人类贡献情境理解、伦理推理和创造力^[7]。

● 具有不同自主性水平的无人系统充当力量倍增器，实现分布式传感、蜂群战术和持久存在，而不使人面临风险^[7,8]。

● 团队可以通过压缩感知、决策和行动之间的时间来实现决策主导，尤其是在同步视觉工具和共享战术叠加层的支持下^[7,8]。

然而，有效的人机协同需要精心设计的互动模式，例如明确的角色定义、直观的界面以及供人类覆盖或重定向机器行为的机制。

5.3 有限自主性、交战规则与问责制

可信人机协同的核心概念是有限自主性。在此，自主系统在预定义参数内被赋予行动自由——类似于人类士兵的交战规则（ROE）——包括地理围栏、目标类别和允许的效果。在这些界限内，机器可以高速并在一定程度上不可预测地行动，提供战术突然性和响应能力，同时仍保持在人类定义的约束之下^[3,8]。问责结构必须澄清谁对自主行动负责、决策如何记录和审计，以及存在哪些防范意外后果的保障措施。诸如人工智能决策的事件记录和可追溯性、用于事后分析的可解释性工具，以及安全关键组件的形式化验证等技术，对指挥官和决策者日益重要^[3,7]。

5.4 普遍的人机协同与决策主导

新兴观点认为，跨层级的普遍人机协同对于在未来冲突中实现决策主导至关重要。这需要^[7,8]：

• 为班和排配备支持实时协作的集成人机系统，例如共享视频、战术叠加层和标注工具^[8]。
• 确保有弹性的自适应网络，能够在对抗条件下保持同步^[4,8]。
• 将人机协同概念扩展到更高层级，在更高层级人工智能赋能的参谋工具支持规划、兵棋推演和多域协调^[2,4]。

这种普遍的协同将自主性从孤立的能力转变为贯穿整个部队的普遍作战结构。

6. 自主后勤与保障

6.1 对抗环境中的人工智能驱动保障

后勤与保障是人工智能和自主性能够带来直接、可衡量收益的领域中最为突出的领域之一。最近关于在对抗性战区（如印太地区的大规模作战行动）中人工智能驱动保障的研究表明，算法如何分析作战数据以预测燃料、弹药、医疗用品和备件的需求。这些模型支持准时交付和减少库存、优化物资预置，并增强对快速变化的战场条件的响应能力^[4,5,9]。例如，人工智能模型可以模拟两栖作战期间的消耗率，实现资源的精确预置并降低短缺风险^[4]。

6.2 用于补给的自主平台

人工智能还使无人空中和地面车辆能够在对抗区域执行补给任务，降低人类后勤人员的风险并支持分布式作战。自主货运无人机和地面车辆正在测试中，用于最后一英里交付，包括在常规后勤可能易受攻击的岛链和偏远地区^[4,9]。这些自主后勤平台依赖人工智能进行路线规划，考虑威胁、地形和天气；动态重新规划路线以应对变化的条件；以及与部队和其他自主系统协调以避免拥堵和冲突消解。当与预测性后勤结合时，这些能力可以显著提高战备和可持续性。

6.3 预测性维护与战备

人工智能赋能的预测性维护将机器学习应用于来自车辆、飞机和其他平台的传感器数据，以预测故障发生。这种方法已用于监控地面车辆发动机和悬挂等关键组件的实时磨损，使维护能够主动安排，减少停机时间并延长平台寿命^[5,9]。国防机构还在探索生成战场数据分析的人工智能工具，以识别后勤差距、预测调整后的消耗率，并提出优化的后勤包和路线。这些“智能后勤”能力有潜力通过提供更短的规划周期、供应链的实时可见性以及不确定性下的增强决策支持，彻底变革保障^[5]。

6.4 与多域作战的协调

人工智能驱动保障通过与多域作战（MDO）概念紧密协调，实现后勤的速度和精度，支持跨联合部队和联盟部队的分布式作战，并通过共享数据和预测分析增强互操作性。通过确保后勤规划与执行跟上机动、火力与信息作战的步伐，人工智能赋能的保障有助于保持作战节奏和主动权^[4,5]。

7. 训练、模拟与数字工程

7.1 数字孪生与模拟环境 数字孪生和高保真模拟环境是在不使人员与装备面临不可接受风险的情况下开发、测试和验证自主系统的关键赋能因素。数字孪生——系统或环境的虚拟副本——使开发人员和操作人员能够探索“假设”场景和边缘案例，在不同条件下测试新的自主算法，并评估跨系统之系统的系统交互^[2,4,7]。例如，模拟可以对对抗性后勤走廊、电磁干扰和对手欺骗战术进行建模，以测试人工智能驱动保障或瞄准解决方案的鲁棒性^[4,5]。

7.2 加速能力开发

基于模拟的训练和数字工程通过实现快速迭代和反馈来加速能力开发。基于模型的系统工程框架提供了表示系统需求、架构和行为的结构化方法，支持从概念到实施的可追溯性^[2,3]。好处包括：

● 在早期设计阶段减少对实弹和物理测试的依赖。

● 更快地识别设计缺陷、安全问题或性能瓶颈。

● 从开发到作战测试的无缝过渡，因为模型和场景可以重用。

这一数字基础还支持人工智能更新的持续集成和部署，因为新模型可以在部署前在模拟中进行评估。

7.3 训练人机团队

训练对于验证算法和让人类操作人员为与自主队友合作做好准备都至关重要。模拟环境可以呈现逼真、高压的场景，操作人员在这些场景中可以获得使用人工智能决策辅助、自主僚机或后勤代理的经验，学习何时信任、质疑或覆盖机器建议^[7,8]。训练应强调理解系统能力和局限性、解释人工智能输出和置信水平，以及在自主性失效或行为异常时练习恢复程序。这种训练有助于培养士兵在自动化加速战争步伐时所需的内在目标和道德清晰度^[10]。

8. 自主国防系统的治理、伦理与信任

8.1 战略与伦理考量

在武装冲突中部署自主人工智能引发了深刻的战略和伦理问题。随着人工智能系统获得自主进行数据综合、威胁分析和任务相关任务执行的能力，它们能够改变作战的节奏和拓扑结构，重塑威慑动态和升级风险^[2,3]。关键关切包括：

• 确保人类对使用武力的有意义控制。

• 防止因快速、自动化的响应而导致意外升级。

• 解决可能影响瞄准或威胁评估的人工智能系统中的偏差和错误。

这些问题需要清晰的政策、国际参与和强有力的监督机制，以确保实现自主性的益处而不破坏稳定或价值观。

8.2 可信自主性与保证

可信自主性涉及确保自主系统在预期运行包线内可预测且可靠地运行。国防利益相关者日益认识到，信任是通过在不同条件下的演示性能、透明的测试与评估过程，以及监控和更新已部署系统的机制赢得的^[2,6]。专注于“可信自主性”的举措强调强大的保证框架，包括安全论证、形式化方法、红队演练和现场性能的持续监控。此类框架应整合到采办和生命周期管理中，而非事后才考虑^[2,6]。

8.3 治理与政策框架

治理框架必须与技术进展保持同步。这包括：

● 明确指挥官、开发人员和决策者之间的角色与责任划分。

● 认证和重新认证人工智能模型的标准化流程。

● 数据管理政策，包括保留、标记和共享。

在国际上，可能需要规范和协议来管理与自主武器和人工智能驱动的网络或信息作战相关的风险，同时为防御和保护性应用保留空间。

9. 结论与建议

下表1基于当前文献与实践，总结了国防自主性的主要重点领域如何与其主要目标、典型技术和关键挑战相关联^[1-9]。

随着自主性和人工智能从实验能力成熟为现代国防作战的核心要素，国防机构面临的核心挑战不再是发现创新技术，而是以任务速度在全军范围内将其转化为作战能力。为缩小执行差距，领导者必须将自主性视为部队设计和任务工程的基础方面，而非附属或可选增强。这需要持续关注数字基础设施、治理、文化和人机协同，确保新能力与任务结果直接绑定，并使操作人员具备并利用这些能力。

表1：关键重点领域对比视图

重点领域	主要目标	典型技术	关键挑战
规模化自主性的作战转化	跨领域企业级部署12	云/边缘平台、微服务、数据结构[2][6]	传统系统集成、治理、认证2
战术边缘的人工智能	弹性本地决策[8][4]	边缘人工智能、联邦学习、无人系统814	对抗性通信、计算约束[8]4
人机协同	通过协作实现决策主导	决策辅助工具、协作式无人系统、增强现实/虚拟现实接口7	信任、透明度、工作负荷平衡3
任务工程与数字基础设施	以任务为中心的系统之系统设计421	基于模型的工程、数字孪生、零信任215	复杂性、互操作性、网络风险25
自主后勤与保障	预测性、弹性保障459	预测性后勤、自主补给、人工智能规划459	数据质量、多域协调4151
训练、模拟、数字工程	更快的开发与采用	数字孪生、兵棋推演、合成训练[2]	保真度、与实装作战的整合4

国防机构应优先构建网络弹性、软件定义的架构和以数据为中心的基础设施，以实现跨领域自主能力的快速部署、更新和扩展。同时，它们必须通过将人机协同制度化，与作战人员共同设计系统，将人工智能和自主性嵌入训练和模拟，并为有限自主性和问责制建立清晰框架，从而实现普遍的人机协同。利用军民两用技术和强有力的公私合作伙伴关系对于跟上商业创新周期至关重要，而以任务为中心的采办和治理机制可确保实验转化为持久的作战优势。通过采用这些方法，国防企业能够充分实现自主性的潜力，以支持作战敏捷性、提供机器速度的洞察力，并在快速演变的安全环境中保持决策主导。

参考文献