引言

生成式人工智能（GenAI）正以前所未有的速度重塑着内容创作与交互的模式。自2022年ChatGPT问世以来，该领域迅速扩张，各类精密模型不仅能生成连贯文本，还能创作图像、音乐、视频及复杂代码。尽管存在滥用隐忧，GenAI已在各行业广泛普及，深刻影响着信息的生产、共享与分析方式。

对防务与安全界而言，这一变革远不止技术层面的进步，更预示着未来冲突制胜方式的战略性转移。国家与非国家行为体均在行动中运用人工智能¹，其中美国与中国处于领先地位。诸如战争“智能化”等概念，已成为中国人民解放军军事现代化建设的核心要素²。近期冲突已彰显此类技术的实战潜力：先进且成本相对低廉的人工智能系统已支持针对强敌的复杂任务，如“蛛网行动”³所示；而在持续的乌克兰战争中，生成式人工智能工具通过分析卫星影像，探测部队部署与后勤枢纽的变动，其提供可行动情报的速度远超人类分析师。这一演进态势表明，对生成式人工智能的探索并非孤立的技术尝试，而是为在日益复杂的环境中保持作战效能、确保决策优势而做出的整体性努力。

在此背景下，北约“跨域指挥（CDC）”⁴这一面向未来多域作战指挥控制的联盟概念，将“决策优势”定义为：通过更迅捷、优质的决策，使指挥官能够抓住敌方短暂暴露的脆弱窗口，同时应对虚拟、认知与物理多维度的威胁。实现此种敏捷性与响应能力，亟需整合能够以“相关速度”处理信息并生成洞见的新兴技术。

基于此，本文探讨生成式人工智能如何成为快速、自适应决策的关键赋能器。文章通过将生成式人工智能的能力与OODA循环（观察、判断、决策、行动）各阶段相对接，并依托DOTMLPFI框架（条令、组织、训练、装备、领导与教育、人员、设施、互操作性），论证其如何助力北约在高强度作战环境中获取并维持决策优势。尽管上述任一领域均可独立支撑专项研究与项目，本文旨在清晰、通俗地概述生成式人工智能如何支持北约实现更优、更快的决策，为各级指挥机构建立共识，并为未来更具针对性的应用提供参考。

生成式人工智能概述

生成式人工智能是指利用算法和调参机制，基于从现有数据中习得的模式，创造全新内容（如图像、文本、音频、代码及数据集）的机器学习模型。与传统人工智能侧重于分类或预测不同，生成式人工智能在内容创作方面表现卓越，其数据合成、场景模拟及跨领域创造力支持能力备受青睐⁷。近年来，依托相对有限的算力驾驭大数据已成为可能，推动了人工智能的广泛应用。

其发展的关键里程碑包括：2014年伊恩·古德费洛发明生成对抗网络（GANs），通过“生成器”与“判别器”的对抗机制生成极为逼真的图像⁸；2017年Transformer架构及其“注意力机制”的问世，彻底革新了自然语言处理领域⁹，为OpenAI的GPT系列等模型铺平了道路。

大多数生成式人工智能模型的核心在于利用表征学习，将原始高维数据（如数千张图像的像素）提炼为紧凑且有意义的格式¹⁰。这一习得的“潜在空间”使模型能够理解数据的本质特征，进而生成新颖输出。基于人类反馈的强化学习（RLHF）等现代技术，进一步提升了模型与人类意图的对齐度，增强了其可靠性与可控性⁶。

尽管防务与军事领域对生成式人工智能尚感陌生，但其在增强决策效能、提升作战效率与战备水平方面潜力巨大。全球生成式人工智能市场规模预计将从2024年的360.6亿美元飙升至2030年的3561亿美元¹¹。美国国防部已成立生成式人工智能特别工作组（Lima特遣队）以评估并部署相关能力¹²；英国国防部正探索利用生成式人工智能自动化例行任务、加速政策制定¹³；德国联邦国防军利用超级计算机训练专为军事用途定制的生成式人工智能模型¹⁴；中国则将百度“文心一言”、科大讯飞“星火”等大模型深度整合¹⁵。

生成式人工智能在OODA循环中的潜在军事应用

军事行动要求在压力下快速决策，其结果往往生死攸关。生成式人工智能可通过增强约翰·博伊德上校提出的OODA循环各阶段效能，直接应对这一挑战。该循环强调速度与适应性是作战的决定性因素。

观察（Observe）

OODA循环的“观察”阶段聚焦于收集和处理环境数据以理解当前态势。侦察、目标识别与跟踪是其核心环节。生成式人工智能可通过以下方式强化此阶段，锐化态势感知能力：

• 数据收集与分析：生成式人工智能能对来自文本、图像、实时信息流等多源数据进行自动化、情境感知分析。它支持跨密级（从开源情报到涉密网络）的跨域数据融合，提供连贯且适应性强的作战态势图。例如，一款生成式人工智能工具可分析实时信号情报以识别异常加密模式，将其与开源情报中关于敌方部队地理位置的数据交叉比对，并结合显示基础设施变更的卫星影像，最终形成全面的情报图谱。
• 合成卫星影像：在卫星数据受限或缺失时，生成式人工智能可生成逼真的合成图像予以弥补。这些图像能模拟因季节更替或人为因素导致的地形变化。例如，针对被长达数周浓云覆盖的目标区域，生成式人工智能可创建高保真的合成卫星及无人机影像¹⁶。
• 多语言与模式化处理：生成式人工智能能解读多语言数据，并检测加密或隐蔽通信中的模式，为态势判断与决策提供宝贵情报。
• 异常检测：生成式人工智能可通过生成反例来检测伪造的图像或视频，揭露对手制作的虚假内容中的不一致之处。针对敌方的认知战行动，生成式人工智能工具可自动识别伪造的指挥官发布异常命令的“深度伪造”音频，或甄别散布部队机动虚假信息的“机器人”社交媒体账号。

判断（Orient）

此阶段聚焦于解读所收集的数据并理解其背景，以塑造决策。生成式人工智能通过实现预测性理解来强化此阶段：

• 动态建模：通过综合过往行动、地缘政治趋势及经济指标等数据，生成式人工智能助力制定适应性战略。它使指挥官能够模拟环境或技术变革对作战的影响，预判敌方行动，并评估联盟态势变化。指挥官可利用其进行潜在行动方案（COA）的兵棋推演，从而揭示计划中未曾预见的漏洞。
• 虚拟侦察：生成式人工智能可基于多样化条件（如城市或沙漠作战环境）创建模拟场景，用于训练侦察分队。这些场景可包含基于真实数据或专家输入的动态地形变化或模拟敌方战术。美国陆军“合成训练环境跨职能团队”（STE CFT）便是例证，其利用视觉增强工具提供虚拟作战训练¹⁷。类似工具为分队在恶劣环境中训练提供了平台，人工智能甚至可根据北极天气模式引入突发暴风雪，并同步调整敌方战术以利用低能见度条件。
• 优化维护与后勤：生成式人工智能通过分析装备使用情况并模拟故障场景来预测维护需求，提升任务就绪度。通过分析F-35机队的实时性能数据、传感器读数乃至飞行员报告，生成式人工智能模型可预测某架飞机的特定发动机部件在未来20飞行小时内发生故障的概率极高。此类系统在美军“基于状态的维护+”计划中已展现出降低成本、提升战备水平的成效¹⁸。

决策（Decide）

此阶段涉及基于先前收集与解读的信息，选择最佳行动方案。生成式人工智能通过生成策略、行动方案及战术建议，提升决策速度与质量：

• 创造性问题解决：生成式人工智能能提出超越常规思路的创新选项。例如，指挥官可指令生成式人工智能在关键后勤枢纽遭重创后，设计具有弹性的供应链解决方案。人工智能可能会分析零散的传感器数据、当地民用运输能力及历史贸易路线，建议利用季节性河网进行驳船运输、改装商业渔船，甚至提议部署移动增材制造单元进行现场抢修等非常规投送方式。
• 速度与效率：在时效性极强的危机中，人类参谋可能需要数小时才能制定出两到三个可行的行动方案。相比之下，生成式人工智能能快速处理海量数据集，在数分钟内生成十几种截然不同的行动方案，每种方案均包含初步的资源估算、全面的风险评估及成功率预测。此能力极大丰富了指挥官的决策选项，而非取代其关键判断，从而显著加速决策周期。
• 风险评估：生成式人工智能可模拟各种策略的结果并识别其漏洞。这些评估能实时更新，帮助指挥官适应瞬息万变的局势，选择风险更低的行动。

行动（Act）

此阶段是将决策付诸实施。生成式人工智能通过模拟、适应与态势响应予以支持，确保计划随地面态势变化保持相关性。

• 实时效能评估：在行动过程中，生成式人工智能持续衡量行动成效，即是否及如何实现预期目标。此能力为指挥官提供关于计划影响的实时、数据驱动的认知，使其能在行动展开过程中做出快速、明智的调整。
• 执行支持：生成式人工智能可在计划实施前进行模拟，帮助指挥官识别潜在故障并实时调整。它还能随着条件演变生成应急预案，确保行动始终与战略目标保持一致。
• 自适应行动：生成式人工智能助力根据敌方行为、资源可用性及环境变化调整计划。它可能建议重新规划后勤路线、加强关键区域或利用敌方弱点。通过分析实时数据，它支持资源再分配，并降低穿越危险地形或通信中断等风险。例如，在DARPA的“进攻性蜂群赋能战术”项目中¹⁹，一名人类操作员可向城市区域的无人机蜂群发出简单指令：“确保清除布拉沃区域的未爆弹药，并为地面分队标绘安全区。”接到指令后，生成式人工智能将立即生成一套全面的未爆弹药探测与清除计划。这包括指派配备磁力计、探地雷达及高清相机的专业无人机，在布拉沃区域执行最优搜索路径。人工智能还会综合考虑地形复杂度及已知的历史冲突区域情报，以确定搜索扇区的优先级。
• 精准网络与心理战：生成式人工智能能为心理战定制高度精准的信息，并协助检测伪造内容²⁰。通过分析对手的文化与信息背景，生成式人工智能可制作量身定制的传单、广播或社交媒体内容，旨在激化敌方内部矛盾或瓦解其士气，其效果远优于通用信息。

DOTMLPFI框架

DOTMLPFI框架由美国国防部开发并被北约采纳，为评估与整合新型军事能力提供了结构化方法。自主系统等新技术的引入已印证了该框架的价值。正如霍迪基与普罗哈兹卡²¹所论，DOTMLPFI通过统筹考量包括训练与互操作性在内的多重相互依存因素，实现了能力的协同部署。本节将基于DOTMLPFI框架评估生成式人工智能的采办，以提升战备水平并保持对威胁的领先优势。

• 条令（Doctrine）：更新军事条令以纳入生成式人工智能的潜力，需要通过实战运用积累经验与教训。这包括制定伦理准则与交战规则，明确生成式人工智能在作战中的使用规范。例如，若生成式人工智能系统基于敌方资产预测动向建议实施时效性打击，条令必须明确指挥官如何验证此类建议，同时确保符合国际法中的比例原则与问责要求。
• 组织（Organization）：需建立新的组织结构。这可能包括在军种内部设立专门的AI与数据科学部门，以管理和促进实验，同时改进由生成式人工智能驱动/支持的情报、后勤及网络等领域的作战行动。此外，需要建立跨学科协作机制，促进数据科学家与指挥官紧密合作。
• 训练（Training）：各层级人员均需接受生成式人工智能使用培训，重点在于如何提出有效问题（即“提示词工程”技能）及评估系统输出。模拟环境可提升决策过程中人机交互的水平。
• 装备（Materiel）：采办必须包含生成式人工智能支持的决策工具及必要的硬件，包括部署于指挥中心与前沿阵地的可靠计算系统，以实现实时数据分析与决策支持。自主协同平台是下一代军事装备的重要组成部分，需要模块化、可更新的系统，使其能在不同环境中有效运作。
• 领导与教育（Leadership）：领导者必须做好负责任地使用生成式人工智能工具的准备，明确何时依赖系统输入，何时运用自身判断。应培育一种鼓励质疑系统输出的指挥文化。建立对工具本身以及人机协同作为决策团队一部分的附加价值的熟悉度与信任感，对此转型至关重要。
• 人员（Personnel）：生成式人工智能将影响团队的运作模式，要求聚焦人与技术的协作。随着工具普及，角色可能发生转变，需开展培训以帮助人员掌握必要技能。数据分析等新职业领域可能出现。情报分析师或计划人员等传统角色，可能从数据收集转向与生成式人工智能系统协同工作。
• 设施（Facilities）：支持生成式人工智能不仅需要标准数据中心，还需要安全、分布式的基础设施，包括测试环境与能够满足作战需求的高性能计算系统。这些“数字堡垒”必须保护敏感数据与系统免受网络威胁与物理破坏的双重侵害。
• 互操作性（Interoperability）：生成式人工智能系统必须与现有技术兼容，并能在各军种及联盟伙伴间顺畅运作。这需要建立联合行动的共同标准与协议。例如，空军用于分析影像的系统应能直接将目标数据输入陆军火力网或海军指挥控制系统，而无需人工重新格式化。

生成式人工智能面临的挑战

尽管生成式人工智能优势显著，但也带来军事组织必须审慎应对的重大伦理与安全风险。

• 伦理考量：生成式人工智能的输出即便错误或带有偏见，也可能显得极具说服力。这些源于训练数据的偏见可能导致歧视性后果。例如，增强型生成式人工智能监视系统可能误识别个人，导致隐私侵犯或作战失误。它还可能被滥用于制作“深度伪造”内容或散布虚假信息²²。尽管存在安全过滤器，但精心设计的提示词可能绕过限制，产生有害输出。此类滥用会侵蚀信任、损害声誉或引发法律后果。
• 责任归属：问责制仍是一大挑战。若生成式人工智能系统造成附带损伤等意外伤害，责任归属难以界定：开发者？使用它的军事单位？还是操作员？许多模型的“黑箱”特性使得追溯困难。军事应用还引发了对国际法合规性的担忧。人工智能生成的策略可能无意中违反法律或伦理规范。因数据缺陷或不透明逻辑导致的误判，可能造成非预期的平民伤亡。

然而，这些挑战是可管控的。使用高质量、经过筛选的训练数据可减少偏见；更小、经过微调的模型可能更可靠；人类监督对于验证输出至关重要。应明确界定角色与责任。可解释人工智能（XAI）工具通过使人工智能决策更易理解，提升了透明度。受控测试环境有助于在部署前评估生成式人工智能系统。相关监管框架正在形成，如欧盟《人工智能法案》和美国国家标准与技术研究院（NIST）指南，旨在确立伦理与技术标准。军事机构必须保持跟进并相应调整。

• 安全关切：生成式人工智能能快速生成逼真的虚假内容（图像、视频或音频），助长认知战与心理战。深度伪造可能模拟军事领导人发表虚假声明，如2022年伪造泽连斯基总统宣布投降的视频²²，从而扰乱作战行动、瓦解士气。国家与非国家行为体已在试验此类工具。对手可能伪造卫星影像、战场报告或传感器数据。这些数据若注入军事系统，可能导致错误决策。生成式人工智能还可能支持针对自主系统的对抗性攻击；例如，视觉对抗补丁可能导致无人机误判友军单位。数据投毒是另一种威胁，即人工智能系统在经过微妙篡改的数据上训练后，可能误算燃料消耗等后勤数据²³ ²⁴。

为缓解这些风险，应部署人工智能驱动的检测工具，如深度伪造扫描仪、元数据分析和反向图像搜索。可采用密码学与区块链技术协助验证数据真实性。人工智能系统应接受训练，以检测并抵御对抗性攻击。

结论与建议

生成式人工智能正成为提升军事行动适应性、效率与决策能力的关键工具。本文探讨了生成式人工智能如何支持OODA循环各阶段（如改进侦察、增强决策、优化资源分配）。DOTMLPFI框架被提出作为赋能器，确保生成式人工智能在条令、组织、训练、装备、领导与教育、人员、设施及互操作性等维度的有效整合，从而最大化作战就绪度——此处在动态复杂环境中，指军事力量快速适应、部署并维持任务效能的能力。也认识到，其应用需要审慎监督，以应对偏见、虚假信息与可靠性问题。

当前，欧洲-大西洋地区并未处于和平状态，北约战略竞争对手与潜在对手的行动正挑战我们的利益与安全。在日益需要敏捷、快速行动的背景下，必须利用生成式人工智能以有效威慑并保卫领土。将生成式人工智能用于决策并非易事，这并非因为其技术难度大，而在于需要转变观念并共担责任。为使其生效，应制定相关概念与条令，并通过兵棋推演与演习进行检验。指挥官必须与系统进行批判性互动，并为其提供清晰的输入。条令与程序应逐步演进，纳入关于何时及如何使用生成式人工智能工具的明确指南，强调人类判断、伦理意识与态势理解的重要性。最终，决策者必须感到安全，方能从这一快速发展的技术中获益。

参考文献

略