當前，人工智能正以革命性態(tài)勢滲透軍事領域。美國國防部將人工智能定位為“持久決策優(yōu)勢”的核心工具。2025年7月，美國陸軍戰(zhàn)爭學院戰(zhàn)略研究所（SSI）發(fā)布了《將人工智能和機器學習技術融入通用作戰(zhàn)圖和行動方案制定》（Integrating Artificial Intelligence and Machine Learning Technologies into Common Operating Picture and Course of Action Development）的報告。該研究致力于將人工智能與機器學習技術融入聯(lián)合部隊的作戰(zhàn)規(guī)劃流程，通過系統(tǒng)分析人工智能/機器學習在軍事應用中的技術、組織、資源及倫理維度，揭示了優(yōu)化態(tài)勢感知與決策機制的創(chuàng)新路徑。該報告指出，人工智能軍事應用受制于組織壁壘、數(shù)據(jù)挑戰(zhàn)和資源限制等阻礙，需要建立一個既集中管理又靈活適應的框架來應對這些挑戰(zhàn)。

一、作戰(zhàn)規(guī)劃整合人工智能的

技術要求

人工智能技術如何改進通用作戰(zhàn)圖（COP）和行動方案（COA）開發(fā)的關鍵環(huán)節(jié)，是作戰(zhàn)規(guī)劃工作的核心。通用作戰(zhàn)圖是指“統(tǒng)一展示多個指揮部門共享的相關信息，以促進協(xié)同規(guī)劃并協(xié)助各級單位實現(xiàn)態(tài)勢感知”。理想的COP常被稱為戰(zhàn)場上的“單一視窗”，是制定作戰(zhàn)行動計劃、迅速作出決策以及確保在對抗對手時獲得作戰(zhàn)優(yōu)勢的重要工具。行動方案通常被視為規(guī)劃中的“藝術性”環(huán)節(jié)，它是一個通過開發(fā)流程而形成的綜合性解決方案，必須與指揮官的意圖和指導保持一致。該流程需運用與任務相關的說明和知識產品，結合作戰(zhàn)與戰(zhàn)術的藝術，通過調整諸如階段劃分和節(jié)奏等要素，形成多種可供選擇的行動方案。

人工智能和機器學習模型建立在數(shù)據(jù)基礎之上。對于COP和COA的開發(fā)，大多數(shù)相關數(shù)據(jù)將直接來自傳感器或工作人員的估計，這些數(shù)據(jù)必須經過結構化處理才能供模型使用。因此，需要進行一定程度的數(shù)據(jù)準備，將數(shù)據(jù)重新格式化為機器可讀的形式。

（一）將模型集成到通用作戰(zhàn)圖

美國國防部的聯(lián)合全域指揮控制戰(zhàn)略旨在利用人工智能、機器學習和預測分析從傳感基礎設施中提取、整合和處理大量數(shù)據(jù)信息。Palantir公司的Maven智能系統(tǒng)（MSS）可整合多種數(shù)據(jù)，利用計算機視覺等為COP生成提供支持，提升了目標處理效率。不過，它存在依賴人工確認、模型需重新訓練等局限，且一些創(chuàng)新應用尚未實施。人工智能和機器學習應專注于為COP提供信息的效率，而非直接生成COP。在圖像和視頻處理等領域應用人工智能和機器學習，能加速COP開發(fā)和決策，如在前沿傳感器上添加相關模型可提供實時情報。

（二）將模型集成到行動方案

在軍事決策過程（MDMP）中，COA的開發(fā)、分析和比較占時過半。當前人工智能和機器學習可在作戰(zhàn)規(guī)劃的科學層面發(fā)揮作用，如自動化簡單任務節(jié)省時間，評估戰(zhàn)斗力時結合數(shù)據(jù)與主觀因素提供洞見。人工智能和機器學習模型有望整合眾多軍事指揮官和規(guī)劃者的經驗，但商業(yè)生成式人工智能在COA開發(fā)中存在不足，如易受算法偏見影響、依賴訓練數(shù)據(jù)準確性等。

需注意的是，沒有人工智能和機器學習模型能制定完美的COA，其輸出依賴數(shù)據(jù)質量，需與其他信息比對驗證。當前建議人機協(xié)同使用模型，以彌補短板、發(fā)揮優(yōu)勢。在可預見的未來，人機協(xié)作仍是主流。

（三）為通用作戰(zhàn)圖和行動方案制定提供數(shù)據(jù)支持

鑒于在模型訓練所需可用數(shù)據(jù)方面存在挑戰(zhàn)，應當采取多項措施來應對、協(xié)調或降低風險。包括以下步驟：

一是建立“作戰(zhàn)數(shù)據(jù)網格”。數(shù)據(jù)網格是一種去中心化的數(shù)據(jù)架構，按業(yè)務領域（如財務與后勤）來組織數(shù)據(jù)。賦予數(shù)據(jù)生產者制定文檔管理、質量控制及訪問權限的自主權。數(shù)據(jù)使用者則可自由搜索并按需使用這些資源。既保障數(shù)據(jù)生產者的控制權，又方便使用者獲取高質量數(shù)據(jù)。二是制定數(shù)據(jù)屏蔽策略和能力，以解密大量數(shù)據(jù)。數(shù)據(jù)屏蔽技術通過令牌化、格式保留加密等方式處理敏感數(shù)據(jù)，使其可用于非機密環(huán)境訓練，在醫(yī)療領域已見成效，也適用于軍事操作數(shù)據(jù)。但半結構化和非結構化數(shù)據(jù)處理存在技術與政策挑戰(zhàn)，且基于解密數(shù)據(jù)訓練的模型可能因涌現(xiàn)行為泄露機密，不過仍是值得投資的領域。三是生成合成數(shù)據(jù)，這是彌補數(shù)據(jù)不足的重要手段，包括數(shù)據(jù)增強（通過修改原始數(shù)據(jù)生成新數(shù)據(jù)，如文本同義詞替換）、模擬（虛擬環(huán)境生成數(shù)據(jù)）、生成模型（借助大語言模型生成逼真內容）。其中數(shù)據(jù)增強和生成模型更具投資價值，模擬因成本高不建議用于合成數(shù)據(jù)集。四是數(shù)據(jù)標準化。需制定嚴格標準，兼顧半結構化與非結構化數(shù)據(jù)的靈活性，同時通過治理機制確保執(zhí)行，平衡規(guī)范與實際需求。

二、作戰(zhàn)規(guī)劃整合人工智能的

組織調整

新興技術的管理與整合是各國軍隊都面臨的挑戰(zhàn)。盡管資源配置決策為變革提供了手段，但組織調整才是實現(xiàn)變革的途徑，它構建了整合的框架。對于未來的組織設計結構而言，一個重要的考量是機器智能與人類專業(yè)知識的結合，以將人工智能能力制度化，從而增強陸軍部隊的態(tài)勢感知、行動方案制定和規(guī)劃能力，并簡化領導者的決策流程。

當前，美國陸軍已確定了不同人工智能整合水平所需的知識和技能，并為少數(shù)人提供了關鍵培訓資源。但利用新的人工智能工具不僅僅是在一個設施中有少數(shù)主題專家，或者作戰(zhàn)單位能夠向更高層級的總部尋求支持。相反，整合機器學習和數(shù)據(jù)驅動技術以提高態(tài)勢感知和行動方案制定能力，將要求幾乎所有參與規(guī)劃過程的人員都獲得新的知識和技能。在構建人工智能人才庫的同時，還必須考慮如何解決未來在留住有教育背景和經驗的人工智能專業(yè)人員方面的差距，這些專業(yè)人員能夠推動開發(fā)和維持先進技術所需的變革。

此外，還必須從整體層面評估現(xiàn)有兵力結構與組織設計，識別差距，并在各個層級制定切實可行的改進方案。當前存在若干機遇：淘汰舊有架構，投資于新型兵力結構；重新劃分職責，增設新職能，以優(yōu)化勞動分工和信息流轉。最直接的彌補方式是審視內部組織設計，明確哪些崗位應被界定為人工智能專業(yè)人員、技術人員或使用者。將這些組織變革制度化，是邁向“人工智能就緒部隊”的艱難一步。然而，若要實現(xiàn)轉型，還必須化解文化阻力，并克服固有的官僚摩擦。

三、作戰(zhàn)規(guī)劃整合與維持人工智能的資源保障

人工智能整合的重點是那些能夠提供持久“決策優(yōu)勢”的工具。這種優(yōu)勢主要體現(xiàn)在以下幾個方面：戰(zhàn)場態(tài)勢感知與理解；自適應的兵力規(guī)劃與運用；快速、精準且具備韌性的打擊鏈路；可靠的保障支持；以及高效的企業(yè)業(yè)務運作。

然而，這些目標并沒有統(tǒng)一的具體價值標準，各軍種往往會根據(jù)自身情況設定需求，而這些需求有時是互不兼容的。由于人工智能/機器學習的整合橫跨美國國防部不同職能和項目，包括重大系統(tǒng)、作戰(zhàn)職能以及業(yè)務流程，因此實際的資金分配難以追蹤。因此，現(xiàn)有的需求和采購流程迫使作戰(zhàn)單位必須找到一些創(chuàng)造性的方法來為人工智能解決方案提供資金。本研究深入分析了美國國防部現(xiàn)有的資源保障路徑，并說明人工智能整合在資源配置上的具體實踐。

（一）資金撥款類別

由于人工智能整合仍處于探索階段，其維持費用難以準確掌握，不同項目的追蹤方式也各不相同。

一是研發(fā)、測試與評估（RDT&E）資金，用于投資類成本（如先進實驗設備）和費用類成本（如研發(fā)人員薪資）；每個軍種和國防機構都有單獨撥款。適用于人工智能工具/模型的開發(fā)與測試，以及相關人才支持。二是采購資金（Procurement），主要覆蓋人工智能模型納入正式項目后的成本，以及在項目中的進一步完善與維持。三是運維資金（O&M），常用人工智能人員培訓、舉辦測試演示、數(shù)據(jù)素養(yǎng)培訓等。適合短期或過渡性需求。四是軍事人事資金（MILPERS），可用于支付軍中數(shù)據(jù)專家或人工智能人才的薪酬。五是軍事建設資金（MILCON），與人工智能關系有限，僅在需要大型數(shù)據(jù)中心或基礎設施時相關。

（二）采購方式類別

2020年，美國國防部建立了自適應采購框架（Adaptive Acquisition Framework, AAF），以便為多樣化的采購需求提供靈活性與速度。這些采購途徑仍然歸屬各軍種單獨管理。一些采購路徑允許軍種在標準預算與能力發(fā)展流程之外，更快速地獲取人工智能技術。以下總結了不同采購路徑的目的及潛在的人工智能應用。

1.軟件采購路徑（Software Acquisition Pathway）用于快速開發(fā)支持主戰(zhàn)系統(tǒng)的人工智能工具。

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

3.緊急能力采購（Urgent Capability Acquisition）用于在軍事行動中快速部署人工智能工具。

4.其他交易授權（Other Transaction Authority）用于將商業(yè)界已開發(fā)的人工智能工具快速引入國防部，并與國防部合作用于軍事需求。

（三）維持人工智能/機器學習的應用

人工智能/機器學習應用往往需要大量的計算能力、帶寬和電力，這可能超出前線部隊的維持能力。由于人工智能/機器學習應用尚處于發(fā)展階段，目前缺乏足夠的數(shù)據(jù)來準確計算組織在應用這些技術時所需的資源和后勤負擔。不過，隨著國防部在基礎設施與數(shù)據(jù)源方面的投資不斷增加，未來應用成本可能降低或更易于管理。

人工智能系統(tǒng)的長期管理既復雜又昂貴。相關成本包括硬件和軟件，規(guī)模差異很大：從數(shù)千美元到數(shù)百萬美元不等，取決于組織規(guī)模、數(shù)據(jù)量以及任務復雜性。后續(xù)應逐步建立完善的程序，推動人工智能生態(tài)系統(tǒng)的成長與維持。

四、人工智能/機器學習應用于軍事作戰(zhàn)行動的建議

整合新興技術必然要在創(chuàng)新的潛在效益和失敗風險之間取得平衡。人工智能和機器學習有望從根本上改變軍事規(guī)劃方式，其效益雖值得追求，卻并非沒有成本。綜合技術、組織、資源和倫理這四個視角，能夠同時對相關成本和效益抱有切合實際的預期。

（一）技術層面的建議

將人工智能/機器學習技術融入聯(lián)合規(guī)劃流程（JPP）的前提，是明確這些新興技術的適用范圍。若對潛在效益存在過高預期，不僅會扭曲資源調配決策，更會制約漸進式發(fā)展。因此，建立合理的預期管理機制至關重要——這意味著在初期階段，就應接受人工智能在構建部隊行動藍圖或制定規(guī)劃方案時，其作用范圍或將受限。從技術層面來看，可采取四個步驟，推動人工智能作為規(guī)劃工具的整合應用。

1.聘用數(shù)據(jù)科學家，以確定構建人工智能規(guī)劃工具模型所需的數(shù)據(jù)要求，該模型需能支持與特定聯(lián)合規(guī)劃流程相關問題的行動方案制定，例如執(zhí)行既定作戰(zhàn)計劃。

2.建立“作戰(zhàn)數(shù)據(jù)網格”，標準化作戰(zhàn)數(shù)據(jù)，投資合成數(shù)據(jù)生成技術，并制定寬松的數(shù)據(jù)解密政策，為數(shù)據(jù)整合奠定基礎。

3.聚焦開發(fā)小型的人工智能/機器學習模型及應用，以改進輔助規(guī)劃功能，如情報生成和評估報告撰寫。

4.借助數(shù)字助理、機器人及其他自動化工具，以自動化手段增強人類能力，并有意識地建立對這些新興系統(tǒng)的信任。

（二）組織層面的建議

適應新興技術還需要進行組織層面的調整。可采取以下舉措，以支持將人工智能整合到聯(lián)合規(guī)劃流程中：

1.開發(fā)在線培訓課程，為所有參與規(guī)劃流程的人員提供新知識和技能，從而擴大熟悉人工智能的人才庫。這類培訓可分為多個層級，從了解基礎系統(tǒng)到培養(yǎng)特定技能（如提示大語言模型的能力）等等。

2.為軍官設立人工智能職能領域，開辟人工智能技術員發(fā)展路徑，為士兵推出人工智能用戶保留計劃，以此留住具備獨特技術能力的軍人和經驗豐富的專業(yè)人才。

3.研究確定各軍種中哪些崗位可明確要求配備人工智能專業(yè)人員，以確保全軍各單位都能獲得經過必要培訓的人員。

4.為那些主要職能可能將被人工智能/機器學習取代的軍人建立培訓渠道和重新分類專業(yè)。

（三）資源層面的建議

將人工智能/機器學習整合為規(guī)劃工具的關鍵，在于能否為相關項目提供資源支持。以下建議旨在提高投入到人工智能整合中的資源的使用效率。

1.高效推動各軍種的人工智能/機器學習項目，并將期望達成的成果制度化，以實現(xiàn)支出效益最大化，避免重復勞動或資源浪費。

2.總結從持續(xù)的、成功的和不成功的以技術為中心的整合計劃中吸取的經驗教訓，重點關注計劃資源支出與實際資源支出的差異、資金支出如何保持在軌道上或偏離軌道，以及在許可協(xié)議和合同續(xù)簽等權限方面遇到的意外挑戰(zhàn)。

3.建立財務冗余機制和項目優(yōu)先級清單，以應對意外的資金變動。

4.加強對人工智能/機器學習項目的監(jiān)督，避免僅因項目獲得了預期經費就誤認為其取得了成功

（四）道德層面的建議

人工智能在規(guī)劃流程中的應用將引發(fā)主要涉及偏見與問責的倫理問題。戰(zhàn)略層面的指導方針必須通過持續(xù)更新的倫理準則來支撐軍事決策者的判斷。負責任人工智能戰(zhàn)略所具備的倫理特征——負責任、公平、可追溯、可靠和可治理——為未來系統(tǒng)的設計管理提供了堅實基礎。負責任地使用人工智能意味著要對人工智能的行為負責。這種責任具有雙重含義：首先，負責任使用要求用戶按照系統(tǒng)設計功能來運用這些系統(tǒng)。對于執(zhí)行聯(lián)合規(guī)劃程序的人而言，這意味著要了解整合到規(guī)劃流程中的系統(tǒng)的功能與局限。其次，負責任使用意味著無論操作者如何運用技術，人類仍需對自身行為負責。盡管人工智能可能接管人們過去執(zhí)行的任務，但該技術本身并不具備決策主體資格。作為規(guī)劃工具，人工智能提供支持；指揮官需做出決策并對部隊計劃承擔最終責任。

要實現(xiàn)公平的人工智能應用，必須采取措施減少系統(tǒng)中的偏見。消除偏見的關鍵在于系統(tǒng)如何解讀數(shù)據(jù)。減少偏見意味著確保所有必要數(shù)據(jù)都被納入考量。隨著系統(tǒng)從單純的數(shù)據(jù)整合發(fā)展到制定行動方案或構建統(tǒng)一的運營圖景，必須特別關注數(shù)據(jù)權重的差異——例如，那些有助于減少平民傷亡的數(shù)據(jù)。

可靠的人工智能應用需具備明確的角色定位，其行動也應保持一致性。隨著實驗階段向實際應用階段過渡，總結經驗教訓將有助于形成一種注重可靠性的審慎且結構化的方法。可管控的人工智能應用是處于可控狀態(tài)的。系統(tǒng)的開發(fā)必須以實現(xiàn)特定的、明確的功能為目標，能夠停用任何運行異常的系統(tǒng)。

免責聲明：本文轉自啟元洞見。文章內容系原作者個人觀點，本公眾號編譯/轉載僅為分享、傳達不同觀點，如有任何異議，歡迎聯(lián)系我們！

轉自丨啟元洞見

研究所簡介

國際技術經濟研究所（IITE）成立于1985年11月，是隸屬于國務院發(fā)展研究中心的非營利性研究機構，主要職能是研究我國經濟、科技社會發(fā)展中的重大政策性、戰(zhàn)略性、前瞻性問題，跟蹤和分析世界科技、經濟發(fā)展態(tài)勢，為中央和有關部委提供決策咨詢服務?！叭蚣夹g地圖”為國際技術經濟研究所官方微信賬號，致力于向公眾傳遞前沿技術資訊和科技創(chuàng)新洞見。

地址：北京市海淀區(qū)小南莊20號樓A座

電話：010-82635522

微信：iite_er