【导读】本文介绍了俄罗斯在乌克兰战争中对指挥控制（C2）系统的实战转型，分析了其如何通过Glaz/Groza等民间开发的软件系统，构建分布式、自组织的数字杀伤链，从而揭示了传统集中化、层级化C2架构在现代复杂战场中的根本局限。文章运用复杂性理论和Cynefin决策框架，阐释了这种适应性转变的本质，并指出人工智能能力的差异（如成熟计算机视觉与薄弱自然语言处理间的差距）对作战效能产生关键影响。最后，本文为安全专家和人工智能治理从业者提炼了超越战场的核心启示。

---

当复杂性理论与战场相遇，证据是明确的。集中化、层级化的架构正在被实时瓦解，而我们为取代它们所构建的认知将决定谁赢得下一场战争。

引言：永久危机与务实战争的世界

“永久危机”——牛津词典的十年词汇——捕捉到了安全专家们切身感受到但难以付诸操作的一种状态：一种持续、无情的长期不稳定状态，过去的工具长期无法应对当前的挑战（English, 2019, p. 3）。世界已从以线性和还原论思维为特征的工业时代，转向了English（2019）所描述的复杂、网络化、互联的社会，在这个社会中，“一种不同的思维和响应方式是必要的”（p.1）。这种不匹配在人工智能、自主系统和军事指挥与控制的交汇处最为明显，后果也最为严重。两项研究放在一起解读，异常清晰地阐明了这一交汇点。

第一项是邦达尔（Bondar）（2026年）二月份CSIS关于俄罗斯在乌克兰全面战争压力下如何转变其指挥控制架构的分析。第二项是English（2019, 2023, 进行中）关于复杂性理论和感知构建框架如何为复杂自主系统作战中的决策提供必要认知脚手架的学位论文研究。二者结合，讲述了一个应引起每位安全专家、应急管理者和人工智能治理从业者关注的故事：战场已成为复杂性科学数十年来所追问的那些理论问题的活体实验室，而从战争迷雾中浮现的答案既清晰又发人深省。

本文将这两项研究综合为一份整合分析，利用俄罗斯有据可查的战时适应作为直接印证English理论框架的经验证据——并用这些框架来解释为何俄罗斯的适应呈现出当前的面貌。

现代C2中的认知脚手架危机

传统指挥与控制是为一个不同的世界而建

美国国防部将指挥与控制定义为“由经正式指定的指挥官对所属和配属部队行使的权威和指挥”，通过“指挥官在计划、指挥、协调……中所运用的人员、装备、通信、设施和程序安排”（DoD词典，转引自English, 进行中, p. 65）。该定义精确、权威，但日益显得不足。

传统C2系统脱胎于工业时代思维。它们在冷战期间达到顶峰，推动战略走向高度集中化、自上而下的行政管理结构，这种结构优化于威胁是“复杂化”而非“复杂性”的世界——即可分析、可预测并能响应层级指挥的世界（Alberts & Hayes, 2006）。美国战略空军司令部是这种逻辑的典范：严格的层级控制使其能在潜在核危机期间快速决策。

对该模式的理论批判已积累数十年。佩罗（Perrow）（1984年）认为，层级系统“从根本上不适合高风险和紧耦合环境，在这种环境中，一个组件的故障可能不可预测地触发整个系统的连锁问题”（p. 75）。圣吉（Senge）（1990年）展示了层级结构如何造成组织孤岛，阻碍了对驱动系统行为的相互联系和反馈循环的理解。麦克里斯特尔等人（McChrystal et al.）（2015年）提供了来自伊拉克的行动证据，表明对手的非中心化战略 consistently 胜过传统军事结构，这一教训最终催生了强调“集体意识和分散化决策”的“团队之队”方法（p. 20）。

English（进行中）的论文在复杂性理论框架内定位了这种失败。现代安全挑战展现出斯诺登和布恩（Snowden and Boone）（2007年）所称“无序系统”的特性——复杂、混乱的领域，其中因果关系不易识别，且那些假定可预测性和控制的传统指挥方法在结构上与之不匹配。

正如English（2019年）所观察到的，大多数人“认为当面临问题时，我们只需要从各个角度分析它并决定如何应对”，这种假设在简单和复杂化领域有效，但在复杂和混乱领域则会灾难性地失败（p.3）。

战场已成为复杂性科学数十年来所追问的那些理论问题的活体实验室，而答案既清晰又发人深省。

俄罗斯的自动化指挥控制系统（ACCS）：宏大愿景遭遇组织现实

在此理论背景下，邦达尔（2026年）对俄罗斯部队与武器自动化指挥控制系统（ACCS）的分析，提供了一个当代的、对抗性的、富有启发性的案例研究，恰好印证了复杂性理论所预测的失败模式。

俄罗斯的ACCS在概念上是宏大的。它是一个全数字化的端到端环境，将传感器、指挥官和武器连接到一个单一的决策-执行循环中。正如邦达尔（2026年）所指出的，它最接近于美国的联合全域指挥与控制（JADC2）。其核心目标是最大限度地缩小目标探测、态势评估、命令下达和武力运用之间的时间差——建立一个“统一、可互操作且安全的数字环境，连接从战术单元到战略领导层的C2结构所有层级”（p.5）。

尽管从21世纪初开始努力了二十年，俄罗斯未能在战术层面实现功能性的、端到端的ACCS集成。邦达尔（2026年）指出了障碍所在——而这些障碍主要不是技术性的：俄罗斯的国防研发生态系统由苏联时代的国家机构主导，其工程文化是为以硬件为中心的项目优化的。这些机构“缺乏现代软件、以数据为中心的架构和人工智能赋能能力所需的人才基础、方法论和组织敏捷性”（p.7）。系统设计的数据收集依赖于纸质问卷。机构责任分散在多个组织之间。监管基础部分过时，未能解决互操作性、网络安全和数据治理方面的新兴需求。

这不是一个关于技术失败的故事。这是一个关于组织复杂性压倒制度能力的故事，而这正是English（进行中）所指出的部署自主系统的根本挑战：困难不在于机器本身，而在于围绕它们的人类组织生态系统。

Cynefin框架：一幅俄罗斯所探索领域的地图

English（进行中）的研究以Cynefin框架为核心——这是斯诺登和布恩（2007年）的决策模型，区分了五个领域：简单（或清晰）、复杂化、复杂、混乱和失序。该框架的操作意义在于其认识到，不同的领域需要根本不同的应对方式，并且将错误的应对类型应用于给定领域不仅次优——而且可能是灾难性的。

在简单领域，最佳实践适用。在复杂化领域，专家分析可以确定良好实践。在复杂领域，不存在最佳实践——涌现行为需要探测、感知和响应。在混乱领域，立即行动以稳定局势优先于分析（Snowden & Boone, 2007）。

俄罗斯的ACCS现代化工作，将复杂化领域的逻辑——系统规划、全面架构和标准化规范——应用于本质上是一个复杂适应性问题：如何在技术快速演进、能力异构、行动分散和战时压力的环境中，创建连贯的数字指挥。这是一种根本性的不匹配。

其结果正是斯诺登和布恩（2007年）在领域被误读时所预测的那样：一个停滞的系统，在纸面上提供了制度上的一致性，却未能在战场上提供行动能力。

随后的战时适应——俄罗斯从ACCS转向模块化、任务特定的战场软件——代表了一种非自愿但有效的、转向复杂领域应对方式的重新定位：通过志愿者开发者的实验进行探测，通过作战表现反馈进行感知，通过推广有效方法进行响应（Bondar, 2026; Snowden & Boone, 2007）。

自组织、涌现与Glaz/Groza杀伤链

当80%的火力任务经由无人机执行

驱动俄罗斯C2适应的作战压力规模惊人。邦达尔（2026年）记录到，无人航空系统现在执行大约80%的所有俄罗斯火力任务，俄罗斯部队每天对装甲车辆和坚固阵地执行约300次打击。这一单一统计数据从根本上重新定义了现代战争中指挥与控制的意义：如果无人机正在执行大多数动能行动，那么无人机管理软件就不是一个边缘的技术问题——它是主要的C2挑战。

然而，俄罗斯的无人机部队面临着严重的协调失败。不兼容的通信信道、持续不断的无线电频率拥塞、友军单位间的频谱竞争，以及间歇性的友军干扰（俄罗斯电子战无意中破坏了自身行动），造成了任何自上而下的架构规划都无法解决的C2危机（Bondar, 2026）。到2025年初，俄罗斯军事学者承认，尽管紧迫，但尚无功能齐全的自动化无人机系统管理系统投入使用——并且乌克兰凭借其集成的Delta平台，大约领先1.5到2年（Bondar, 2026）。

Glaz/Groza：行动中的复杂性理论自组织

为解决这一缺口而出现的系统，并非通过国防部项目办公室采购，并非由有资质的国防承包商设计，也没有公开确认的开发者。它源于俄罗斯的志愿者民用工程社区，这正是English（进行中）所指出的、复杂适应系统响应真实作战压力的典型基层创新生态系统。

Glaz/Groza软件复合体作为一个集成的侦察-打击工作流程运行，将无人机操作员、火力指挥中心和炮兵射击单元连接成一个无缝的数字杀伤链（Bondar, 2026）。其架构优雅简洁：安装在商用无人机控制器和安卓平板电脑上的Glaz应用套件，为操作员提供实时工具，只需点击一下即可标记目标并即时提取精确的地理位置坐标。这些坐标自动传输给运行Groza火力控制平台的第二名团队成员，该平台使用预装的射表进行弹道计算，并将一个完整的火力任务（射程、方向、仰角）打包传输给炮兵单位。当首发炮弹落地，无人机操作员标记落点，Groza将修正量转换为更新的射击数据。国内制图平台ZOV Maps提供了地理空间主干（Bondar, 2026）。

作战结果：从目标探测到炮火打击的时间从数小时压缩到数分钟（Bondar, 2026）。并非通过突破性的人工智能。并非通过耗资数十亿美元的采购项目。而是通过模块化的、民用开发的软件，将现有能力连接成一个连贯的工作流程。

从复杂性理论的角度看，这是涌现和自组织的教科书式演示。English（进行中）借鉴斯特曼（Sterman）（2002年）和涌现理论来描述“当系统的各个部分相互作用并自组织以创造新模式时，新颖特征如何出现”。Glaz/Groza并非源自一个有计划的设计过程——它源于作战缺口（杀伤链速度不足）、有能力的民用人才库（志愿者开发者）和反馈丰富的环境（实战）之间的相互作用，这使得快速迭代和验证成为可能。整体——一个集成的数字杀伤链——确实大于其各部分（一个无人机应用、一个火力控制程序和一个制图工具）之和。

乌克兰的“蛛网”行动：战略层面的涌现

English（进行中）的论文将乌克兰的“蛛网”行动（Operation Spider's Web）视为复杂性理论原则在战略层面运作的并行演示。该行动于2025年6月1日——俄罗斯军事运输航空兵日——执行，涉及18个月的规划，以及将大约150架小型攻击无人机、模块化发射系统和300个爆炸有效载荷秘密渗透到俄罗斯境内。组件通过民用后勤网络走私，隐藏在用标准货运卡车运输的木质模块化舱室中，由不知情的俄罗斯司机驾驶（English, 进行中; Bondar, 2025）。

该行动成本约23.4万美元，造成估计70亿美元的损失，摧毁了超过40架战略飞机，约占俄罗斯巡航导弹投送平台的34%（English, 进行中）。English（进行中）指出，这展示了复杂性理论的四个原则：涌现（小型廉价无人机通过商业技术的新颖组合产生战略级影响）、非线性（117架无人机实现不成比例的战略效果）、自组织（乌克兰特工在俄罗斯境内协调行动，无需集中的实时控制）和网络效应（同时进行的打击通过冗余性相互放大影响）。

Glaz/Groza系统和“蛛网”行动共同阐明了English（进行中）框架所预测的内容：在复杂和混乱领域，结果源于分布式行为体之间的相互作用，而非源于集中规划。理解这一点并据此构建其指挥控制架构的组织正在取得决定性的作战成果。

人工智能成熟度、技术成熟度等级差距与自然语言处理棘手问题

并非所有人工智能生而平等——差异具有决定性作战意义

邦达尔（2026年）研究在分析上最有价值的贡献之一，是其对俄罗斯军事人工智能能力的客观评估。该分析使用技术成熟度等级（TRL）——一个标准化的1至9级量表，其中1代表基础研究，9代表作战部署——来区分人工智能领域。

研究结果揭示了一个显著且具有深远影响的差异。计算机视觉、传感器融合和信号分析已达到TRL 6-9：成熟、经过实战检验并已部署。自动目标识别、无人机制导系统和游荡弹药末端寻的功能都在积极作战中利用这些能力（Bondar, 2026）。相比之下，自然语言处理（NLP）则徘徊在TRL 1-3，处于早期研究和实验阶段，受限于不成熟的神经网络架构、缺乏经过认证的军用级工具以及俄语军事文本领域的复杂性（Bondar, 2026）。

这一差距反映了有意的优先级排序：俄罗斯将人工智能投资集中在作战反馈即时且明确的领域。计算机视觉系统要么跟踪识别目标，要么没有——战斗提供了持续、快速的验证数据。一个生成决策支持文件的自然语言处理系统则无法如此清晰地验证，而训练它所需的数据——结构化的军事专用文本语料库和机密作战记录——既难以获取也难以标注（Bondar, 2026）。

55%问题：文档处理作为感知构建的瓶颈

NLP差距的作战后果既具体又惊人。邦达尔（2026年）记录到，俄罗斯指挥官花费超过55%的计划和执行时间来准备和审批文档，起草、提交和签署命令、评估和报告。他们可用时间中不到一半用于实质性的线性、自上而下的决策和作战协调。

这一发现直接触及了English（进行中）研究的理论核心。维克（Weick）（2017年）将认知过载确定为复杂组织环境中有效感知构建的主要威胁：当行为体被信息处理需求压垮时，他们生成对其环境的合理解读的能力就会下降。一位花费超过一半可用时间处理文书工作的指挥官，主要不是一名指挥官——他主要是一名文档处理员。在应对第一个作战复杂性之前，他的感知构建能力在结构上就已受到限制。

斯诺登和布恩（Snowden and Boone）（2007年）强调，在复杂和混乱领域，决策速度和认知敏捷性是决定性的。一个将指挥官大部分认知带宽消耗在行政文档上的C2系统，根据定义，在结构上与复杂领域作战的需求不匹配。人工智能差距不仅仅是技术短板——它是一个具有直接作战后果的感知构建瓶颈。

自然语言处理差距作为一个棘手问题

English（进行中）的研究借鉴了里特尔和韦伯（Rittel and Webber）（1973年）的“棘手问题”概念——那些以不完整、矛盾且不断变化的要求为特征、抵制传统解决方法的问题——并将其十个定义特征应用于自主系统挑战。俄罗斯的NLP文档差距几乎是棘手问题原型的完美例证。

它抵制简单的工程解决方案，因为它是多因的且根植于制度中：涉及神经网络架构的挑战、机密数据集访问限制、国防机构内部采用人工智能的组织障碍，以及缺乏标准化的军事专用俄语语料库。没有停止规则（Rittel & Webber, 1973）。人工智能文本能力的每一次改进，都会引发对上下文理解、作战安全认证和军事工作流程集成的新要求。而提出的解决方案——为军事用途调整商用大型语言模型——是部分的且有争议的，而非最终的：它们有效，直到对手的反制措施、安全要求或作战环境发生变化，届时又需要重新开始调整（Bondar, 2026）。

邦达尔（2026年）恰好记录了这种适应性变通方法在实践中的应用。由于无法从头开发经过认证的军用NLP，俄罗斯的民用开发者和防务企业正在为军事应用调整开源的商用大型语言模型，如Mistral、LLaMA、Qwen和DeepSeek。这些模型部署在本地，在符合俄罗斯数据主权要求的严格控制环境中，使俄罗斯能够利用美国、中国和欧洲的人工智能研究进展，而无需构建基础模型。这种混合方法既绕过了基础模型开发成本，也规避了出口管制带来的限制。

Platform-GNS：当产业战略遇见人工智能基础设施

在俄罗斯集中投入人工智能的领域——计算机视觉和传感器融合——它不仅构建了应用，还构建了生态系统基础设施。由茹科夫斯基研究中心人工智能技术中心开发的Platform-GNS，作为在俄罗斯国防生态系统中开发和部署深度学习应用的统一环境（Bondar, 2026）。它支持完整的人工智能开发生命周期：数据集准备、模型训练、测试和部署。其专门变体Platform-GNS Avtomat，针对从机载传感器识别地面目标进行了优化。

关键的是，Platform-GNS免费分发给俄罗斯防务企业、国防部组织和教育机构——这是一种旨在加速扩散的刻意战略（Bondar, 2026）。这不是一个利基能力；它是为规模化设计的基础设施。一个通用的开发环境、广泛的许可以及与国产处理器的兼容性，都降低了采用门槛。

从English（进行中）的复杂性理论视角看，这代表了一种杠杆点干预，即一种小规模的结构性改变（一个通用、免费可用的开发平台），通过在整个分布式生态系统中实现涌现能力开发，产生了不成比例的系统性效应。梅多斯（Meadows）（1999年）将杠杆点定义为“复杂系统内一个微小的改变能导致显著结果的位置”。Platform-GNS正是如此：它本身不是一种能力，而是能够实现分布式能力生成的基础设施。

人机感知构建界面

俄罗斯条令与维克一致——人工智能是增强而非替代

关于军事人工智能的公共讨论中，一个持久的误解是，采用人工智能意味着走向完全自主的致命决策——机器在没有有意义的人类监督下选择和攻击目标。邦达尔（2026年）对俄罗斯条令的分析描绘了一幅更具作战细微差别的图景，这与激发English（进行中）研究的理论框架直接一致。

在俄罗斯的C2架构中，人工智能“主要被设想为一种支持功能，而非人类决策的替代品”（Bondar, 2026, p. 4）。俄罗斯军事条令赋予人工智能两个核心角色：增强传感器数据的处理和解读，以及通过预测、情景生成和向指挥官提供建议来提供预测性决策支持。正式的权威和问责仍牢牢掌握在人类指挥官手中。

这不仅仅是条令偏好——它反映了对人工智能在复杂作战环境中实际能力的客观评估。苹果公司（Shojaee等人，2025年）最近的研究表明，当前用于推理的人工智能模型“采用复杂的模式匹配，当问题变得过于复杂或陌生时会失效”（p.1），这对在完全自主的作战中依赖这些系统处理复杂推理任务提出了根本性质疑（English, 进行中）。

English（进行中）的研究通过维克（2017年）的感知构建框架扩展了这一论点。感知构建——我们如何理解世界以便在其中行动——是一种内在的人类认知过程，涉及回溯性解读、意义的社会建构以及对模糊情境的合理解释的制定。维克和萨克利夫（Weick and Sutcliffe）（2007年）指出了高可靠性组织的五个原则：关注失败、不愿简化、对操作的敏感性、致力于恢复力和尊重专业知识。在复杂领域作战中，这些原则无一可自动化；它们都需要从业者的判断力、情境敏感性和学习能力。

OODA循环与感知构建速度

博伊德（Boyd）的OODA循环（观察、判断、决策、行动）为English（进行中）理解自主系统作战的感知构建需求提供了一个补充框架。该循环的力量在于认识到，竞争优势属于那些能比对手更快地完成观察、判断、决策和行动循环的行为体，而非仅仅孤立地行动更快的那个，而是能更快地将作战现实处理为有效行动的那个。

Glaz/Groza将杀伤链从数小时压缩到数分钟，用OODA术语来说，是战术火力任务观察-判断-决策-行动循环的巨大加速（Bondar, 2026）。数字化工作流程消除了先前耗时数小时的手动、基于语音、借助纸张的判断和决策步骤，代之以自动坐标提取、自动弹道计算和数字传输。人类指挥官仍保留在决策-行动环节中；该系统加速了上游的一切。

这正是English（进行中）主张复杂性理论所支持的人机组队模型：人工智能加速感知构建的数据处理和模式识别部分，同时为决策的语境、伦理和后果维度保留人类判断，这些维度需要克莱因（Klein）（2004年）的识别启动决策模型所称的经验模式识别——从业者通过与复杂作战环境的持续互动而发展出的隐性知识。

贝克尔（Becker）（2025年，转引自English, 进行中）警告了这种平衡倾斜时的风险：当人工智能从加速人类感知构建转向取代它时，人类指挥官有沦为观察者状态的风险——名义上在环内，但被剥夺了真正的理解和能动性。这代表了English（进行中）所描述的，在面对快速、看似自信的人工智能系统时，“放弃人类能动性的引力吸引力和便利性”。

English感知构建心智图框架：五个领域，一个棘手问题

English（进行中）对文献的原创贡献是心智图框架——一个跨学科分析工具，从五个地缘政治领域绘制复杂的赋能条件：地缘政治、地缘经济、地缘技术、地缘物理和地缘心理社会。该框架旨在使传统线性分析视为分离的棘手问题维度之间的相互联系变得可见。

将English（进行中）框架应用于俄罗斯的人工智能赋能C2转型，揭示了其分析能力。

地缘政治领域捕捉了俄罗斯对技术主权的追求、从Microsoft Windows转向国内开发的Astra Linux、以及制图从AlpineQuest转向ZOV Maps的本土化，反映了塑造哪些技术方法可行的战略必要性（Bondar, 2026）。

地缘经济领域解释了俄罗斯利用开源模型的原因：制裁限制了获取前沿人工智能硬件和专有软件，但开源模型是免费可用的，这使得能够绕过经济胁迫进行能力开发（Bondar, 2026）。

地缘技术领域直接映射到邦达尔（2026年）记录的TRL差异：计算机视觉成熟且已部署，NLP处于实验阶段且受限，这种技术格局塑造了可实现哪些作战能力。

地缘心理社会领域包含了催生Glaz/Groza的志愿者开发者文化：受国家危机激励的民用工程师，在正式制度渠道外运作，交付了正式机构无法交付的能力（Bondar, 2026; English, 进行中）。

地缘物理领域完成了分析如下：俄罗斯的人工智能赋能C2转型受到并受限于物理电磁环境（频谱拥塞促使软件变通）、导航的物理地理（GPS拒止促使需要离线制图能力）以及作战战区的物理规模（广阔的距离既使得对手渗透成为可能，也造成防御漏洞）。

该框架的价值恰恰在于使这些相互联系变得可见。对俄罗斯C2转型的任何单一领域分析都会产生片面的、可能具有误导性的图景。纯技术分析会错过主权的地缘政治驱动因素。纯经济分析会错过志愿者创新的动力。English（进行中）的框架提供了棘手问题所需的整合性分析架构。

对安全专家和人工智能治理的启示

超越战场的四个教训

邦达尔（2026年）和English（进行中）从不同的分析起点出发，得出了对安全专家、防务规划者和人工智能治理从业者而言趋同的一系列启示。以下四点代表了最重要的交集。

1. 将C2现代化视为一场作战竞赛，而非一个架构项目

邦达尔（2026年）建议美国将C2现代化视为“一场以部署效果而非概念完整性衡量的作战竞赛”（p.19）。俄罗斯的经验表明，雄心勃勃的端到端架构可能在遗留制度内部停滞不前，而压缩战术杀伤链的特定任务工具却能带来不成比例的战场价值。

English（进行中）的复杂性理论框架为此建议提供了理论基础：在复杂和混乱领域，快速探测、感知和响应的能力比全面的前期规划更有价值。斯诺登和布恩（2007年）的Cynefin框架明确警告不要将复杂化领域的分析方法（系统规划、全面架构和最佳实践标准化）应用于复杂领域的挑战。对安全专家而言，问题不是“什么是完整的系统？”，而是“能够提供下一增量作战能力的最小可部署单元是什么？”

2. 将数据基础设施作为首要战略资产来构建

邦达尔（2026年）记录了俄罗斯2025年的一项举措，即汇总无人机视频、遥测数据、打击效果和个人操作员表现数据，形成通过唯一个人标识符链接的结构化数据集。该系统同时服务于三个功能：作战分析、绩效评估和人工智能训练数据生成——创建了一个将战场表现与软件改进直接联系起来的持续反馈循环。

对English（进行中）而言，这代表了一个复杂适应系统版本的、维克和萨克利夫（2007年）所关注的“关注失败”原则，即对作战结果进行系统捕获和分析以实现持续学习。数据基础设施不是一项技术举措，它是对感知构建基础设施的投资。构建它的组织获得了以机器速度从作战中学习的能力。而那些没有构建的组织，则仍然依赖缓慢、人工的战后审查流程，无法跟上对手的适应步伐。

3. 根据作战TRL而非营销宣传评估人工智能投资

邦达尔（2026年）记录的TRL差异（计算机视觉在TRL 6-9，NLP在TRL 1-3）为防务背景下的人工智能能力宣称提供了一个发人深省的修正。对安全专家的实际教训很简单：评估人工智能能力，不应依据开发者宣称系统最终能做什么，而应依据它们在当前作战条件下实际可证明做什么。

English（进行中）的框架为此评估增加了认知维度：即使是成熟的人工智能能力，也必须根据其在人类感知构建循环中的位置来评估。达到TRL 9的、实现目标识别自动化的计算机视觉，加速了OODA循环的观察步骤，同时为判断-决策-行动序列保留了人类判断。处于TRL 2的、生成不可靠决策支持文件的NLP，则可能通过在判断阶段引入噪声而积极阻碍感知构建。能力成熟度与认知适配性都是必不可少的评估标准。

4. 制度创新路径与技术同等关键

或许这两项研究最具结构性挑战的启示，是非制度创新的作用。Glaz/Groza由不知名的民间志愿者开发。乌克兰的“蛛网”行动由利用民用后勤网络的情报特工策划和执行。两者都表明，复杂领域的挑战通常最有效地由连接真实作战问题的、分布式、非正式的创新者解决——而非由为复杂化领域设计过程优化的正式机构解决（Bondar, 2026; English, 进行中）。

English（进行中）将这一点置于麦克里斯特尔等人（2015年）所描述的、从层级指挥向“集体意识和赋权执行”的转变之中，即认识到在复杂环境中，权威必须分配到作战知识实际所在之处。邦达尔（2026年）建议美国“扩大非传统和商业开发者获取与战场相关数据、构建C2软件的途径，而不被缓慢的遗留制度流程所困”（p.20）。用复杂性理论的术语来说，这是一项培育涌现条件而非试图集中设计解决方案的建议。

开源人工智能治理问题

邦达尔（2026年）的一个发现具有远超战场的影响：俄罗斯系统地利用开源商用人工智能模型来发展军事能力，同时绕过出口管制。包括LLaMA、Mistral、Qwen和YOLO在内的模型，正在被调整用于军事目标识别、导航和决策支持应用，部署在符合俄罗斯数据主权要求的本地、物理隔离环境中。

对人工智能治理从业者而言，这揭示了基于制裁的方法在限制对手人工智能发展方面的根本局限性。当模型权重在开源许可下公开可用时，硬件出口管制和专有软件限制只解决了能力发展管道的一部分。治理挑战从访问限制转向了部署监控和能力评估，这是一个现有框架尚未充分解决的、明显更困难的问题。

English（进行中）的棘手问题框架在此直接适用：开源人工智能治理展现了里特尔和韦伯（1973年）棘手问题框架的全部10个特征。没有明确的定义；什么构成有害的军事人工智能调整存在争议。没有停止规则；技术持续演进。解决方案产生新问题；限制某些模型发布可能只是将开发转移到透明度较低的替代方案。安全专家和人工智能治理从业者必须以复杂问题所需的适应性、迭代性工具包来应对这一挑战，而非为简单监管环境设计的线性政策工具。

结论：感知构建是战略能力

邦达尔（2026年）的经验分析与English（进行中）的理论框架的趋同，指向一个单一、清晰的洞见：在人工智能赋能的自主战争时代，感知构建——从复杂性中构建意义并在不确定性下依据该意义行动的认知能力——不是一种软技能或学术抽象。它是决定性的战略能力。

俄罗斯在乌克兰的经历展示了当感知构建能力嵌入制度架构时会发生什么：集中化、层级化的系统在复杂性压力下停滞，而分布式、涌现的解决方案则激增。它展示了当人工智能与作战TRL匹配时会发生什么：TRL 9的计算机视觉实现了决定性的杀伤链压缩，而TRL 2的NLP仍然停留在愿景阶段。它展示了当民间创新生态系统参与真实作战问题时会发生什么：Glaz/Groza在无需项目办公室的情况下将数小时压缩为分钟。

English（进行中）的研究提供了理解这些模式为何如此呈现的理论词汇：复杂性理论的涌现和自组织动态、Cynefin框架的领域敏感决策逻辑、维克的感知构建原则，以及使自主系统挑战抵制传统分析方法的棘手问题特征。这些不是争夺优先级的独立框架——它们是审视同一底层现实的互补视角。

对于安全专家、从业者和政策制定者，这两项工作的整合信息是：停止等待那个全面的架构。开始构建能在不确定性下实现分布式感知构建的认知脚手架。构建一个能从作战中学习的数据基础设施。根据作战适配性和TRL而非理论能力来评估人工智能。为那种催生了Glaz/Groza和“蛛网”行动的、民用驱动的、经过实战验证的创新创造途径。并且，永远不要将缺乏完整的C2图景误认为缺乏行动能力。

正如English（2019年）所观察到的，“世界不是线性的、可预测的和可控制的”（p.3）。战场也是如此。那些内化了这一现实——并据此构建其制度、技术和感知构建框架的组织，正在书写我们将要研究的历史。

参考文献

Alberts, D. S., & Hayes, R. E. (2006). Understanding command and control. CCRP Publication Series.

Becker, J. (2025). AI alignment and human agency in military decision-making. Defense Innovation Studies Quarterly.

Bondar, K. (2025, June 2). How Ukraine’s Operation “Spider’s Web” redefines asymmetric warfare. Critical Questions. Center for Strategic and International Studies. https://www.csis.org/analysis/how-ukraines-operation-spiders-web-redefines-asymmetric-warfare

Bondar, K. (2026, February). How Russia is reshaping command and control for AI-enabled warfare. Center for Strategic and International Studies, Wadhwani AI Center. https://www.csis.org/analysis/how-russia-reshaping-command-and-control-ai-enabled-warfare

Bondar, K., & Bendett, S. (2025). Ukraine and Russia unmanned systems: Scale, adaptation, and competition. Center for Strategic and International Studies.

Boyd, J. R. (1987). Organic design for command and control. Unpublished briefing.

English, A. Y. (2023). The English Mind Map Framework for wicked problems: A transdisciplinary sensemaking tool. Unpublished manuscript.

English, A. Y. (in progress). Navigating the intelligence and global security unknowns: Sensemaking and decision-making for autonomous systems [Doctoral dissertation]. Capitol Technology University.

Klein, G. (2004). The power of intuition: How to use your gut feelings to make better decisions at work. Doubleday.

McChrystal, S., Collins, T., Silverman, D., & Fussell, C. (2015). Team of teams: New rules of engagement for a complex world. Portfolio/Penguin.

Meadows, D. H. (1999). Leverage points: Places to intervene in a system. The Sustainability Institute.

Perrow, C. (1984). Normal accidents: Living with high-risk technologies. Basic Books.

Rittel, H. W., & Webber, M. M. (1973). Dilemmas in a general theory of planning. Policy Sciences, 4(2), 155–169. https://doi.org/10.1007/BF01405730

Senge, P. M. (1990). The fifth discipline: The art and practice of the learning organization. Doubleday.

Shojaee, P., Mirzadeh, I., Alizadeh, K., Horton, M., Bengio, S., & Farajtabar, M. (2025). The illusion of thinking: Understanding the strengths and limitations of reasoning models via the lens of problem complexity. Apple.

Snowden, D. J., & Boone, M. E. (2007, November). A leader’s framework for decision making. Harvard Business Review, 85(11), 68–76.

Sterman, J. D. (2002). All models are wrong: Reflections on becoming a systems scientist. System Dynamics Review, 18(4), 501–531.

Weick, K. E. (2017). Sensemaking in organizations. Sage Publications.

Weick, K. E., & Sutcliffe, K. M. (2007). Managing the unexpected: Resilient performance in an age of uncertainty. Jossey-Bass.