国家安全优先事项从反叛乱行动向大国竞争与冲突的战略转变，暴露了美军显著的技术与能力差距。其中突出表现为缺乏有保障的空中优势，以及面临同级别对手部署的大规模炮兵部队。这两种可能性都要求美军显著提升对敌方间接火力系统的探测与打击能力，即军语中的“反火力”作战（反炮兵作战）。

人工智能为缩短反火力作战响应时间、提高杀伤力提供了重大机遇。MSS、TITAN和ASTARTE这三套AI系统正是为此而设计，也引发了必须在战争法核心原则下审视的法律与作战问题。本文概述反火力作战的条令基础，并审视新兴AI技术如何加速目标定位与交战流程。本文第二部分将分析在战争法框架内运用这些能力所涉及的界限。

美国陆军的反火力作战

野战炮兵由火炮、火箭炮和雷达组成，是大规模作战行动的关键要素。指挥官运用炮兵塑造战场，并在争夺制空权的关键区域，用以打击敌方防空与炮兵力量。“上帝站在炮兵更优的一方”这一亘古不变的法则，以及“消灭敌人炮兵是比大炮本身更古老的追求”的谚语，共同驱动着反火力技术与战术的持续演进。

因此，确保己方炮兵比敌方生存更久至关重要；高效的反火力作战直接贡献于此。美国陆军将反火力定义为“一项作战职能，旨在捕获目标后，精确打击敌方间接火力系统。”本质上，反火力即运用己方间接火力与火力支援资产摧毁敌方间接火力系统。

尽管摧毁对手炮兵的目标与炮兵技术本身一样古老，但现代反火力条令是在炮兵从防御性直瞄武器演变为可进行间接火力打击（即弹道不直接从武器指向目标）的进攻系统后才形成的。这一转变在第一次世界大战期间加速，当时间接火力成为陆军主要进攻手段，并催生了声光测距、空中观测、试射与集中化炮兵情报等新技术，以定位敌炮并缩短反应时间。在从二战到朝鲜战争的后续冲突中，美陆军在扩展雷达、前方观察员与远程火力能力的同时，精进了这些方法，强化了“击败敌炮依赖于速度、精度与有效目标捕获”的原则。

冷战与越战时期，计算机与战场传感器通过减少人为决策延迟，进一步压缩了反火力时间线。尽管数字火控系统与火箭炮兵在1990-91年“沙漠风暴”行动中证明是决定性的，但在21世纪美军享有空中优势的反叛乱行动中，反火力的重要性有所减弱。

反火力作战的复兴

随着大国竞争与冲突的回归，美陆军重新聚焦于反火力，承认其对制胜的关键作用。这一聚焦塑造了美国陆军在大规模作战中组织与实施反火力的方式。在最广义层面，陆军针对敌方多级指挥体系实施反火力作战，但将力量集中于敌火力支援系统最活跃的区域。在作战层面，反火力作战分为两类：主动式与反应式。主动式反火力在敌间接火力系统能够攻击美军前先发制人；反应式反火力则在敌系统被捕获（通常已开火并暴露位置）后做出反应。

尽管AI能增强两种方式，但由于反应式反火力成败系于速度与精度，它为AI集成提供了最清晰的切入点。主动与反应式反火力之间的区别，既构建也制约了目标定位过程中AI的融合方式。

目标定位流程

概言之，目标定位是决定打击目标与打击时机的行为。陆军进行两类目标定位：计划式与动态式。前者采用一个由“决定、探测、打击、评估”等不同但常重叠阶段构成的循环。此循环可能耗时，主要用于规划主动式反火力作战。相比之下，反应式反火力最常在动态目标定位框架下进行，探测、目标开发与交战决策必须在数分钟内完成。

反火力作战无固定时间标准。响应时间主要由三个变量驱动：敌目标被捕获后的转移时间；武器飞向目标的飞行时间；以及传送目标数据（即“传感器到射手”回路）和向射击单元下达指令（常称“执行回路”）所需时间。这些变量中，仅后两者可实质缩短。其余变量多受物理定律与敌方能力限制。

此约束定义了陆军试图通过AI增强的反火力来解决的作战问题。设想以下场景：一个在距反火力火箭系统50公里处被捕获的目标，其武器飞行时间约需一分钟，且最佳情况下，在敌转移前还需一至两分钟用于探测验证、冲突规避、批准与火力传输。在此条件下，即便处理或协调出现轻微延迟，也可能导致反火力失效。审视“传感器到射手”架构，可揭示时间损耗与节省之处。

传感器到射手网络

现代反火力依赖两种互补的信息收集（常称“传感器”）体系为目标定位体系提供数据：1）旨在探测并定位来袭射弹以支持反应式反火力的武器定位雷达；2）为主动式反火力提供信息的更广泛情报、监视与侦察探测系统。每种体系产生不同类型的目标数据与时间线，因而对指挥官行动速度也有不同的条令与法律预期。

战术层面，“传感器到射手”回路遵循固定模式：传感器探测目标，火力单元验证，火力指挥中心优化射击方案，炮阵地实施射击。此架构效率取决于信息在节点间传递的速度与准确性。每次交接都引入延迟与出错风险。当通信稳定且开火权限在单位间有效下放时，数分钟内即可生成并传输射击任务。然而，网络降级或多级审批要求会迅速延长此时线。此外，因传感器数据格式与置信度各异，冲突规避与验证（虽对安全至关重要）仍是制约反火力速度的主要瓶颈。

“传感器到射手”环境的另一制约是空域管制。陆军条令将战场空域视为共享域，要求射击任务与包括航空资产在内的多空域用户协调并规避冲突。火力单元不能自行或孤立地批准射击任务，必须参照适用于他方的空域管制措施进行协商与冲突规避。冲突发生时，射击任务或需修改或延迟，以防误伤与意外后果。在拥挤或有争议环境中，这些要求会极大延缓反火力执行，尤当空域数据分散于各系统或需手动更新时。

尽管“传感器到射手”系统与空域冲突规避要求同时制约主动与反应式反火力，但支持各类反火力的传感器带来不同的时机与集成挑战。这些挑战决定了新兴AI增强系统最能提升反火力效能的领域。主动式反火力本质是预测性的，依赖情报监视网络在炮弹发射前收集、关联并预测敌射击模式。实践中，收集与火力系统常集成不佳，限制了陆军预测与先发制敌的能力。然而，新兴项目正试图通过实现基于法律的预测性主动目标定位来弥合此缝隙。

相比之下，反应式反火力仅在敌开火后触发，主要依赖可近乎即时提供原点数据的武器定位雷达（最常用Q-53）。当通信与指挥官高效运作时，此过程可在开火的敌炮兵单元转移前，发起反火力任务。

Q-53的速度与定位精度使其成为反应式反火力的核心，但其捕获是瞬时的：雷达传给控制器的数据显示的是武器某一刻的开火点，而非周边环境或武器是否仍在原位。若无佐证情报或模式分析，原始的雷达原点数据可能建议打击一个限制区域或目标已离开的位置。这些限制直接影响法律评估与即时交战合法性。速度与上下文间的此种失衡，正是近期投资AI系统以提高数据精度、缩短交战时间的主要动因。

智能作战管理系统

MSS、TITAN、ASTARTE 三套系统旨在弥合快速探测与可靠交战间的差距。MSS加速早期目标开发与模式识别；TITAN将协同核实的情报推送至基层单位；ASTARTE在复杂空地环境中加速冲突规避。这些系统力求在保持上下文清晰的同时加速决策进程，提升所有目标定位决策的质量与节奏。各系统更多公开细节阐明了其在反火力作战中弥合差距的目标与局限。

• Maven智能系统（MSS）

MSS是一种可定制、基于软件的决策支持节点，汇集处理多战场传感器数据，形成通用作战图景：“简言之，MSS是一个基于AI的决策支持系统。”它运用机器学习/基于规则的算法融合并评分传感器数据，创建优先目标队列与预置目标包。MSS设计用于将目标提名移交火控系统，或交由操作员人工验证。其主要角色是加速“传感器到射手”时间线，而非作为自主致命系统运行。

MSS非常适合集成至主动式反火力，提升规划效率与响应速度。它提供“便捷获取商业与军用卫星传感器及图像数据的途径”，并关键地，便于常被延迟或省略的战后毁伤评估。

近期报道证实MSS已超越开发进入持续应用。在近期陆军演习中，MSS整合了来自各军种、跨密级的卫星图像与情报流，在现有审批流程内加速了目标识别与验证。参演单位达到了“伊拉克自由”行动目标单元的效率水平（被视为迄今最高效），“其目标单元约20人，而OIF单元曾受益于超两千名人员。”

MSS也已投入实战使用，包括在卡塔尔一美军空军基地。使用该技术的驻卡美军致命火力单元指出：“它并非取代情报分析师的职责，而是在提升工作流效率的同时加快了进程。”

• 战术情报目标接入节点（TITAN）

TITAN是陆军下一代以软件为中心的情报与瞄准地面站，旨在运用AI/ML摄取并融合“来自太空、高空、空中及地面层的传感器数据”。TITAN目标是“最终缩短‘传感器到射手’时间线”。为实现此目标，Palantir公司设计TITAN以“强化数据收集传感器与地面武器、决策者间的连接，提升远程目标定位的精度与速度。”TITAN将分散的战场与全球传感器信息融合为可供现代火力使用的目标数据。

在陆军目标定位环境中，TITAN的关联性直接。正如目标定位技术专家乔丹·卡岑伯格所释，集成AI/ML“将提升目标获取与交战的精度、效率及效能”，降低意外伤害几率，并“实时增强指挥官对作战环境的理解”。TITAN跨单位层级同步收集、处理与共享情报的能力，使其成为“力量倍增器”，让较小单位达成以往仅大单位能实现的成果。TITAN充当反火力单元的会聚与集成点，使得从Q-53雷达捕获敌开火信息中更有效地开发反火力任务成为可能。

TITAN分析海量传感器数据的能力，有望进一步简化目标评估，将Q-53的原点数据转化为更及时、准确的目标信息。当前，反火力单元主要依赖此类捕获数据生成反应式任务。TITAN通过定位并集成原点之外的情报，为这些任务提供了更广的上下文。

对比MSS与TITAN可明晰其不同的作战含义。MSS是相对成熟、以软件为中心的决策支持平台，陆军已广泛部署于情报与作战环境，协助指挥官在武器使用之外汇总、排序与评估信息。相比之下，TITAN反映了陆军将AI集成至指挥控制架构的后期阶段，特别聚焦于支持目标定位。陆军项目材料将TITAN描述为集成硬件、软件及各传感器流的AI赋能情报瞄准地面站。此选择收窄了TITAN的功能焦点，使其更接近武器使用，尤其在时间敏感的反应式反火力作战中。

与主司目标提名与信息排序的MSS不同，TITAN设计用于在情报整理处理与射击任务启动间的接缝处运作。它能将Q-53雷达捕获、佐证情报、置信度评估与瞄准参数整合为结构化建议。

• 快速战术执行空域全面感知系统（ASTARTE）

ASTARTE是一个AI赋能软件系统，旨在解决射击任务处理中最顽固的摩擦点：拥挤、有争议战场中的空域管理。它集成现有指挥控制系统数据，生成实时空域图景。联合演习已证明ASTARTE有效同步各军种空地效应的能力。

ASTARTE同时支持主动与反应式反火力。在主动式中，系统通过“与现有指挥控制系统集成、预测空域使用、减少联合火力行动方案规划与生成时间以提升速度”提供支持。然而，鉴于反应式反火力在压缩时间线与高风险下展开，ASTARTE会向潜在射击单元警示关键限制。DARPA将ASTARTE描述为“使有人/无人飞机、导弹与炮兵火力能在陆军师上空争议空域安全同步运作”，强调其在争议空域实现快速火力打击的作用。

设计者亦将ASTARTE构建为广泛可接入。系统能与现有指挥控制网络集成，表明其通过兼容通信基础设施，既适用于较低层级参谋部门，也适用于高级司令部。此设计选择符合陆军认知：空域管理是认知与协调问题，而不仅是技术问题。陆军项目材料强调，现代空域管理必须以现代作战节奏整合多层次工作并转换海量数据。正如DefenseScoop报道所证实，陆军日益将AI赋能的空域管理视为减轻指挥官“认知负担”的关键，尤其在快速机动火力场景中。同时，这种提升的可接入性与保真度改变了指挥官决策的信息基线，缩小了历史上为承受更高风险提供理由的不确定性范围。

结论

通过为指挥官提供实时空域感知、自动冲突规避与AI生成的行动方案，这些系统不仅加速了反火力作战，更重塑了决策环境本身。它们展示了AI如何通过加速目标定位、重塑指挥关系与扩展战场可见性，变革反火力作战。

本文第二部分将探讨战争法在诸系统共同与独有特性上的适用边界。

参考来源：Megan Ezekannagha, Fighting at Machine Speed: AI and U.S. Army Counterfire Under the Law of War – Part I, Lieber Westpoint, Apr 3, 2026. https://lieber.westpoint.edu/fighting-machine-speed-ai-us-army-counterfire-law-war-part-i/