美国陆军即将面临人工智能（AI）模型管理难题，且随着士兵使用的AI赋能工具数量激增，这一问题势必加剧。战术分队将依赖一整套异构AI赋能系统来维持决策主导权，例如通过增强现实护目镜、反无人机智能瞄具、侦察无人机或大语言模型。这些平台利用音频、视觉或射频等多种输入数据模态的差异化传感器套件。此外，鉴于卫星、空中无人机、地面载具或固定资产等独特的数据感知视角，每个模型均需独立训练、部署与更新。有效管理多样化的AI模型，亟需采用分布式、可复制的AI模型库——即陆军版的知名公共模型库Hugging Face。模型库是一种管理版本控制并为用户提供集中访问权限的软件系统。随着大量异构AI模型的预期部署，加之对等对手可能采取多种战术干扰AI系统探测，维护本地专属模型库的必要性愈发迫切。陆军已着手在全作战域备战AI/反AI循环，因此必须为部队提供适应此类敌方战术的工具，包括微调模型以应对敌方行动的能力。这将使AI赋能的陆军能够迅速适应动态、复杂且不可预测的作战环境。

云端托管集中式模型库是当前业界存储与访问模型的首选方案。尽管云环境具备高可用性、标准化及近乎无限的算力资源，但其短板在于缺乏与作战行动的物理及逻辑邻近性。在预期的降级、拒止、间歇和低带宽（DDIL）条件下，陆军无法单纯依赖泛在云连接来访问模型库。相反，部队必须在战术服务器基础设施上托管本地模型库，并在连接允许时与云端实例同步，以维持本地AI作业能力。本地模型库使部队能够以模型更新的形式，将作战地域（AO）内新探测到的敌方威胁所衍生的本地知识，共享（传输）给友邻部队及上级司令部，以供聚合与分发。陆军的分布式模型库将使单支部队的经验所得在整个力量体系中传播，确保所有AI赋能系统均能获取关于敌方外观、行为及其他战术、技术与程序（TTP）的最新知识。

一个分布式、层级化复制且具备DDIL韧性的AI模型库，对陆军未来大规模实施AI赋能作战至关重要。若无此类强健架构，AI/机器学习作业将受制于云端依赖，模型更新可能每年仅能从本土基地获取一次（假定具备必要数据可用性），且模型参数无法在部队间高效快速共享。这无助于打造一支“接触中转型”的陆军——反而会固化现状。陆军必须采用分布式、DDIL韧性的AI模型库框架，使部队能够共享源自本地经验的衍生知识，从而在未来的情报饱和战场上维持自适应AI优势与战术敏捷性。

异构AI需求与适应AI以克服敌方TTP

从侦察到火力打击，从参谋流程到预测性后勤，真正实现AI赋能的陆军将被驱动智能自主系统的AI工具所淹没，最终为指挥官提供决策主导权。任何具备感知或机动能力的平台，任何分析信息或生成知识的智力任务，都可能依托某种类型的AI模型——从极其简单的识别任务，到与用户输入交互的复杂多智能体系统。即便局限于单一模态（如可见光谱相机），AI模型也对语境高度依赖。因此，处理来自无人机、地面载具及静态平台的可见光数据的系统，均需独立训练的模型。陆军已利用射频、雷达、红外及其他传感器模态为士兵提供实时态势感知；每种模态均关联多个AI模型。AI赋能系统所执行的海量多样化任务，加之其在不同语境下对异构传感器输入模态的依赖，将导致部队所需独特AI模型的数量随时间推移只增不减。

对强健分布式模型库的需求，源于未来作战环境的两个基本特征：

1. 基于多模态、多视角数据与多样化模型驱动的异构AI赋能系统在战场上的泛在性。
2. 敌方在外观、行为及其他TTP上的预期变化，要求修改模型参数以防止AI系统性能出现不可接受的退化。

以近期公布的反无人机响应小组为例。小组成员利用一个AI模型进行红外感知，利用另一个模型探测电子威胁。此外，拦截无人机具备自主飞行模式。仅此单一任务，就至少有四种不同的部署模型在运行。随着陆军列装依赖前沿技术的新能力，将持续开发全新且独特的AI模型。任务自动化将进一步推高对AI模型、配套软件及其相应硬件平台的需求。

现有基础模型的定制化需求也将导致实用模型数量激增。AI模型定制，亦称微调，需要在定制数据上进行再训练。从通用基础模型出发，针对同一类任务的具体变体进行裁剪，以实现更高性能。例如，瞄准模型将根据敌方外观与TTP的局部差异进行训练；语言翻译模型将根据地区方言与口音进行微调；依赖物理传感器数据的气象模型将纳入已知区域模式。鉴于同类任务的变体数量几乎无限，微调将迅速增加在用模型的数量。

敌方驱动的模型适配，进一步凸显了战术环境中强健模型库的必要性。例如，在战机机翼上放置轮胎或在舰船涂刷几何图案，已在冲突中被用于误导计算机视觉模型。模型固然可以训练以识别这些简单诡计，但在部署后，AI模型的性能（在大多数情况下）取决于训练数据的质量与体量。因此，若AI赋能系统感知到的作战环境数据与训练数据存在显著差异，模型性能便会下降。敌方外观、行为或TTP的改变，可能使模型彻底失效，或至少导致其性能超出合理波动范围而退化。因此，强健的模型库支持利用当前作战数据对模型进行再训练。

适应敌方外观以调整模型的一个例证是目标检测与跟踪。前述在飞机上放置轮胎以迷惑检测模型的手段，甚至无需复杂战术。可预测的、单一语境的感官输入（本例中为空基卫星）使敌方得以欺骗检测模型。显然，从多元视角观察同一对象可破解此类对抗措施，并轻松探测到飞机。因此，多模态、多语境的AI赋能系统也提供了反制敌方外观、行为及TTP变化的能力。然而，当应对更复杂的敌方战术时，利用当前作战数据进行再训练，能最大程度确保新训练数据（及由此产生的参数更新）与从当前环境感知或通过查询摄取的数据高度相似。

在查询分布随时间保持相对稳定的静态环境中，单一模型无需更新。但当具备智能的敌方积极寻求规避探测，或更普遍地意图阻碍己方AI赋能系统执行任务时，部队必须具备快速再训练模型的能力，以使训练数据分布最大限度地匹配从作战环境获取的数据。同样，具备可用性保障的本地模型库也使部队能够回滚至先前模型版本。敌方行为可能先前发生变化导致模型更新，后又恢复原状。应对此类敌方模式，需要具备按需调取本地模型库中既往训练模型并部署的能力。能够存储模型版本序列及其关联训练数据集的AI模型库，是维持决策主导权的关键。