人工智能在美军事作战行动中的应用和发展规划

一、作战规划整合人工智能的

技术要求

人工智能技术如何改进通用作战图（COP）和行动方案（COA）开发的关键环节，是作战规划工作的核心。通用作战图是指“统一展示多个指挥部门共享的相关信息，以促进协同规划并协助各级单位实现态势感知”。理想的COP常被称为战场上的“单一视窗”，是制定作战行动计划、迅速作出决策以及确保在对抗对手时获得作战优势的重要工具。行动方案通常被视为规划中的“艺术性”环节，它是一个通过开发流程而形成的综合性解决方案，必须与指挥官的意图和指导保持一致。该流程需运用与任务相关的说明和知识产品，结合作战与战术的艺术，通过调整诸如阶段划分和节奏等要素，形成多种可供选择的行动方案。

人工智能和机器学习模型建立在数据基础之上。对于COP和COA的开发，大多数相关数据将直接来自传感器或工作人员的估计，这些数据必须经过结构化处理才能供模型使用。因此，需要进行一定程度的数据准备，将数据重新格式化为机器可读的形式。

（一）将模型集成到通用作战图

美国国防部的联合全域指挥控制战略旨在利用人工智能、机器学习和预测分析从传感基础设施中提取、整合和处理大量数据信息。Palantir公司的Maven智能系统（MSS）可整合多种数据，利用计算机视觉等为COP生成提供支持，提升了目标处理效率。不过，它存在依赖人工确认、模型需重新训练等局限，且一些创新应用尚未实施。人工智能和机器学习应专注于为COP提供信息的效率，而非直接生成COP。在图像和视频处理等领域应用人工智能和机器学习，能加速COP开发和决策，如在前沿传感器上添加相关模型可提供实时情报。

（二）将模型集成到行动方案

在军事决策过程（MDMP）中，COA的开发、分析和比较占时过半。当前人工智能和机器学习可在作战规划的科学层面发挥作用，如自动化简单任务节省时间，评估战斗力时结合数据与主观因素提供洞见。人工智能和机器学习模型有望整合众多军事指挥官和规划者的经验，但商业生成式人工智能在COA开发中存在不足，如易受算法偏见影响、依赖训练数据准确性等。

需注意的是，没有人工智能和机器学习模型能制定完美的COA，其输出依赖数据质量，需与其他信息比对验证。当前建议人机协同使用模型，以弥补短板、发挥优势。在可预见的未来，人机协作仍是主流。

（三）为通用作战图和行动方案制定提供数据支持

鉴于在模型训练所需可用数据方面存在挑战，应当采取多项措施来应对、协调或降低风险。包括以下步骤：

一是建立“作战数据网格”。数据网格是一种去中心化的数据架构，按业务领域（如财务与后勤）来组织数据。赋予数据生产者制定文档管理、质量控制及访问权限的自主权。数据使用者则可自由搜索并按需使用这些资源。既保障数据生产者的控制权，又方便使用者获取高质量数据。二是制定数据屏蔽策略和能力，以解密大量数据。数据屏蔽技术通过令牌化、格式保留加密等方式处理敏感数据，使其可用于非机密环境训练，在医疗领域已见成效，也适用于军事操作数据。但半结构化和非结构化数据处理存在技术与政策挑战，且基于解密数据训练的模型可能因涌现行为泄露机密，不过仍是值得投资的领域。三是生成合成数据，这是弥补数据不足的重要手段，包括数据增强（通过修改原始数据生成新数据，如文本同义词替换）、模拟（虚拟环境生成数据）、生成模型（借助大语言模型生成逼真内容）。其中数据增强和生成模型更具投资价值，模拟因成本高不建议用于合成数据集。四是数据标准化。需制定严格标准，兼顾半结构化与非结构化数据的灵活性，同时通过治理机制确保执行，平衡规范与实际需求。

二、作战规划整合人工智能的

组织调整

新兴技术的管理与整合是各国军队都面临的挑战。尽管资源配置决策为变革提供了手段，但组织调整才是实现变革的途径，它构建了整合的框架。对于未来的组织设计结构而言，一个重要的考量是机器智能与人类专业知识的结合，以将人工智能能力制度化，从而增强陆军部队的态势感知、行动方案制定和规划能力，并简化领导者的决策流程。

当前，美国陆军已确定了不同人工智能整合水平所需的知识和技能，并为少数人提供了关键培训资源。但利用新的人工智能工具不仅仅是在一个设施中有少数主题专家，或者作战单位能够向更高层级的总部寻求支持。相反，整合机器学习和数据驱动技术以提高态势感知和行动方案制定能力，将要求几乎所有参与规划过程的人员都获得新的知识和技能。在构建人工智能人才库的同时，还必须考虑如何解决未来在留住有教育背景和经验的人工智能专业人员方面的差距，这些专业人员能够推动开发和维持先进技术所需的变革。

此外，还必须从整体层面评估现有兵力结构与组织设计，识别差距，并在各个层级制定切实可行的改进方案。当前存在若干机遇：淘汰旧有架构，投资于新型兵力结构；重新划分职责，增设新职能，以优化劳动分工和信息流转。最直接的弥补方式是审视内部组织设计，明确哪些岗位应被界定为人工智能专业人员、技术人员或使用者。将这些组织变革制度化，是迈向“人工智能就绪部队”的艰难一步。然而，若要实现转型，还必须化解文化阻力，并克服固有的官僚摩擦。

三、作战规划整合与维持人工智能的资源保障

人工智能整合的重点是那些能够提供持久“决策优势”的工具。这种优势主要体现在以下几个方面：战场态势感知与理解；自适应的兵力规划与运用；快速、精准且具备韧性的打击链路；可靠的保障支持；以及高效的企业业务运作。

然而，这些目标并没有统一的具体价值标准，各军种往往会根据自身情况设定需求，而这些需求有时是互不兼容的。由于人工智能/机器学习的整合横跨美国国防部不同职能和项目，包括重大系统、作战职能以及业务流程，因此实际的资金分配难以追踪。因此，现有的需求和采购流程迫使作战单位必须找到一些创造性的方法来为人工智能解决方案提供资金。本研究深入分析了美国国防部现有的资源保障路径，并说明人工智能整合在资源配置上的具体实践。

（一）资金拨款类别

由于人工智能整合仍处于探索阶段，其维持费用难以准确掌握，不同项目的追踪方式也各不相同。

一是研发、测试与评估（RDT&E）资金，用于投资类成本（如先进实验设备）和费用类成本（如研发人员薪资）；每个军种和国防机构都有单独拨款。适用于人工智能工具/模型的开发与测试，以及相关人才支持。二是采购资金（Procurement），主要覆盖人工智能模型纳入正式项目后的成本，以及在项目中的进一步完善与维持。三是运维资金（O&M），常用人工智能人员培训、举办测试演示、数据素养培训等。适合短期或过渡性需求。四是军事人事资金（MILPERS），可用于支付军中数据专家或人工智能人才的薪酬。五是军事建设资金（MILCON），与人工智能关系有限，仅在需要大型数据中心或基础设施时相关。

（二）采购方式类别

2020年，美国国防部建立了自适应采购框架（Adaptive Acquisition Framework, AAF），以便为多样化的采购需求提供灵活性与速度。这些采购途径仍然归属各军种单独管理。一些采购路径允许军种在标准预算与能力发展流程之外，更快速地获取人工智能技术。以下总结了不同采购路径的目的及潜在的人工智能应用。

1.软件采购路径（Software Acquisition Pathway）用于快速开发支持主战系统的人工智能工具。

2.重大能力采购（Major Capability Acquisition）用于在重大系统中整合人工智能工具。

3.紧急能力采购（Urgent Capability Acquisition）用于在军事行动中快速部署人工智能工具。

4.其他交易授权（Other Transaction Authority）用于将商业界已开发的人工智能工具快速引入国防部，并与国防部合作用于军事需求。

（三）维持人工智能/机器学习的应用

人工智能/机器学习应用往往需要大量的计算能力、带宽和电力，这可能超出前线部队的维持能力。由于人工智能/机器学习应用尚处于发展阶段，目前缺乏足够的数据来准确计算组织在应用这些技术时所需的资源和后勤负担。不过，随着国防部在基础设施与数据源方面的投资不断增加，未来应用成本可能降低或更易于管理。

人工智能系统的长期管理既复杂又昂贵。相关成本包括硬件和软件，规模差异很大：从数千美元到数百万美元不等，取决于组织规模、数据量以及任务复杂性。后续应逐步建立完善的程序，推动人工智能生态系统的成长与维持。

四、人工智能/机器学习应用于军事作战行动的建议

整合新兴技术必然要在创新的潜在效益和失败风险之间取得平衡。人工智能和机器学习有望从根本上改变军事规划方式，其效益虽值得追求，却并非没有成本。综合技术、组织、资源和伦理这四个视角，能够同时对相关成本和效益抱有切合实际的预期。

（一）技术层面的建议

将人工智能/机器学习技术融入联合规划流程（JPP）的前提，是明确这些新兴技术的适用范围。若对潜在效益存在过高预期，不仅会扭曲资源调配决策，更会制约渐进式发展。因此，建立合理的预期管理机制至关重要——这意味着在初期阶段，就应接受人工智能在构建部队行动蓝图或制定规划方案时，其作用范围或将受限。从技术层面来看，可采取四个步骤，推动人工智能作为规划工具的整合应用。

1.聘用数据科学家，以确定构建人工智能规划工具模型所需的数据要求，该模型需能支持与特定联合规划流程相关问题的行动方案制定，例如执行既定作战计划。

2.建立“作战数据网格”，标准化作战数据，投资合成数据生成技术，并制定宽松的数据解密政策，为数据整合奠定基础。

3.聚焦开发小型的人工智能/机器学习模型及应用，以改进辅助规划功能，如情报生成和评估报告撰写。

4.借助数字助理、机器人及其他自动化工具，以自动化手段增强人类能力，并有意识地建立对这些新兴系统的信任。

（二）组织层面的建议

适应新兴技术还需要进行组织层面的调整。可采取以下举措，以支持将人工智能整合到联合规划流程中：

1.开发在线培训课程，为所有参与规划流程的人员提供新知识和技能，从而扩大熟悉人工智能的人才库。这类培训可分为多个层级，从了解基础系统到培养特定技能（如提示大语言模型的能力）等等。

2.为军官设立人工智能职能领域，开辟人工智能技术员发展路径，为士兵推出人工智能用户保留计划，以此留住具备独特技术能力的军人和经验丰富的专业人才。

3.研究确定各军种中哪些岗位可明确要求配备人工智能专业人员，以确保全军各单位都能获得经过必要培训的人员。

4.为那些主要职能可能将被人工智能/机器学习取代的军人建立培训渠道和重新分类专业。

（三）资源层面的建议

将人工智能/机器学习整合为规划工具的关键，在于能否为相关项目提供资源支持。以下建议旨在提高投入到人工智能整合中的资源的使用效率。

1.高效推动各军种的人工智能/机器学习项目，并将期望达成的成果制度化，以实现支出效益最大化，避免重复劳动或资源浪费。

2.总结从持续的、成功的和不成功的以技术为中心的整合计划中吸取的经验教训，重点关注计划资源支出与实际资源支出的差异、资金支出如何保持在轨道上或偏离轨道，以及在许可协议和合同续签等权限方面遇到的意外挑战。

3.建立财务冗余机制和项目优先级清单，以应对意外的资金变动。

4.加强对人工智能/机器学习项目的监督，避免仅因项目获得了预期经费就误认为其取得了成功

（四）道德层面的建议

人工智能在规划流程中的应用将引发主要涉及偏见与问责的伦理问题。战略层面的指导方针必须通过持续更新的伦理准则来支撑军事决策者的判断。负责任人工智能战略所具备的伦理特征——负责任、公平、可追溯、可靠和可治理——为未来系统的设计管理提供了坚实基础。负责任地使用人工智能意味着要对人工智能的行为负责。这种责任具有双重含义：首先，负责任使用要求用户按照系统设计功能来运用这些系统。对于执行联合规划程序的人而言，这意味着要了解整合到规划流程中的系统的功能与局限。其次，负责任使用意味着无论操作者如何运用技术，人类仍需对自身行为负责。尽管人工智能可能接管人们过去执行的任务，但该技术本身并不具备决策主体资格。作为规划工具，人工智能提供支持；指挥官需做出决策并对部队计划承担最终责任。

要实现公平的人工智能应用，必须采取措施减少系统中的偏见。消除偏见的关键在于系统如何解读数据。减少偏见意味着确保所有必要数据都被纳入考量。随着系统从单纯的数据整合发展到制定行动方案或构建统一的运营图景，必须特别关注数据权重的差异——例如，那些有助于减少平民伤亡的数据。

可靠的人工智能应用需具备明确的角色定位，其行动也应保持一致性。随着实验阶段向实际应用阶段过渡，总结经验教训将有助于形成一种注重可靠性的审慎且结构化的方法。可管控的人工智能应用是处于可控状态的。系统的开发必须以实现特定的、明确的功能为目标，能够停用任何运行异常的系统。