超视距空战（BVR）作为现代空战的核心形态，依赖先进雷达、导弹系统与决策支持技术。本文系统综述仿真与机器学习（ML）工具在BVR空战分析中的应用，涵盖方法论、实践场景与技术挑战。研究聚焦机器学习如何赋能自适应战术以提升行为识别与威胁评估能力，从而增强态势感知效能。本文追溯BVR空战的历史演进，解析探测、导弹发射与战后评估等关键交战阶段，重点探讨仿真环境在构建实战化空战场景、支撑飞行员训练及验证AI驱动决策策略中的作用。通过对比前沿仿真工具的多智能体协同与实时适应性研究能力，分析其优势与局限。本综述的核心贡献包括：阐述机器学习在BVR空战中的具体应用、评估仿真工具效能、识别研究缺口并指明未来方向，为传统仿真方法与人工智能在动态对抗环境中融合构建先进人机决策体系提供全景式解析。

超视距空战（BVR）作为现代空战的核心要素，其典型特征为飞行员目视范围外的远程交战。该作战模式高度依赖先进雷达系统、远程导弹与探测跟踪技术，旨在实现目视接触前摧毁敌方目标。随着空战形态演进，BVR交战重要性日益凸显，需创新性方案应对远程对抗挑战。BVR的战略价值在于其能赋予兵力先发制人能力并维持战术优势，但其复杂性要求跨学科技术整合——包括传感器融合、目标跟踪、决策算法与导弹制导系统——以提升交战效能、确保任务成功并增强飞行员态势感知（SA）。

视距内空战（WVR）发生于较短距离，常依赖机动性、速度与瞄准精度进行近距格斗。相比之下，BVR通过先进传感器与远程导弹压制对手。尽管存在差异，BVR可能随战机逼近转为WVR交战，因此需兼备两种域作战能力。

本文全面综述BVR空战前沿方法与技术，聚焦最新进展与战略路径。首先追溯BVR历史沿革，从早期空对空导弹（AAM）系统演进至现代多传感器平台，解析关键技术突破及其对战法的影响。其次剖析BVR交战核心阶段（探测、导弹发射、支援与规避机动），阐释本文所述方法如何提升作战效能。随后评述关键方法论，包括动态环境自适应决策的机器学习（ML）算法与人工智能（AI）在交战及自主战术中的作用，其应用涵盖飞行员决策支持系统至无人机（UAV）作战。最后强调仿真工具在战术开发、飞行员训练与算法验证中的价值，讨论通用与专用平台在复杂作战场景建模中的适用性。

据所知，此为首次针对BVR空战中仿真与ML应用的专题综述。现有空战综述多泛化论述或将BVR作为次要议题。多数远程交战ML研究仅见于论文相关章节，缺乏方法论与应用的系统整合。本文突破既往研究局限，跨多领域文献提供ML与仿真增强决策与交战策略的全景视角，分析现有仿真工具能力边界及适用场景，识别未解挑战与研究缺口，为未来研究指明方向。

本综述核心贡献包括：系统梳理BVR中ML方法体系及其在自主战术决策中的作用；对比仿真工具在实战化场景建模中的能力与局限；揭示ML与仿真技术融合提升战术决策的瓶颈问题；展望研究趋势，提出开放性问题并规划领域发展路径。

超视距空战研究的多维应用

BVR空战研究涵盖自主决策、多智能体协同与飞行员训练等多元领域。本节分类梳理近期进展，聚焦新兴技术与方法如何提升战术效能、适应性与任务成果。

A. 自主决策

自主决策涉及分析、选择与执行可增强态势控制与作战效能的行动。研究提出多种方法支撑该能力，重点探索智能体如何建模战术行为、执行目标推理（GR）并在复杂场景中辅助或替代人类飞行员。

文献[61]提出基于粒计算的战术特征降维方法；文献[15][52]在计算机生成兵力（CGF）与GR框架下研究行为建模，使自主系统能在动态场景中作出适应性战术决策。此类能力支持开发可分担威胁应对或支援机动等任务的自主空战智能体，与人类飞行员形成互补。文献[48]开发了生成战术对抗策略的飞行员辅助系统。

文献[49]提出遗传规划（GP）框架以发掘空战场景中的新型行为模式，赋能更具适应性与不可预测性的战术；文献[50][51]利用文法演化生成自适应CGF与人类行为模型（HBM），提升训练仿真的真实性与适应性。

文献[12]解析无人机空战决策流程，将其划分为态势评估、攻击规划、目标分配与机动决策四阶段；文献[2]基于飞行员知识构建分层框架，将空战拆解为多个子决策系统。

文献[17]综述深度强化学习（DRL）在BVR空战中的应用；文献[57]在高保真空战仿真环境中探索新战术的自主学习；文献[53]开发基于DRL的智能体，通过自博弈模拟战斗机战术并生成新型空战策略，使人类飞行员可与AI训练体交互以提升决策与适应性；文献[58]构建强化学习（RL）环境以实现空战战术自主学习与机动创新。

多篇研究将RL应用于一对一空战场景。例如，文献[54]提出自博弈训练框架以解决长时域交战中的动作控制问题；文献[55]设计基于DRL的决策算法，通过定制化状态-动作空间与自适应奖励函数实现多场景鲁棒性；文献[59]通过改进Q网络使智能体能从优势位置接近对手以优化机动决策；文献[56]提出基于真实武器仿真的DRL智能体构建方法；文献[60]开发混合自博弈DRL智能体，可维持对不同对手的高胜率并提升适应性与性能。

B. 行为识别

行为识别对理解与预测敌方行动、支撑决策与战略规划至关重要。多项研究探索了复杂不确定作战条件下识别与预测敌方行为的方法。

文献[62]提出集成规划与识别算法，证明主动观测收集可加速行为分类；基于案例推理（CBR）框架，文献[63][64][65]开发案例驱动行为识别（CBBR）系统，通过时空特征标注智能体行为，提升GR控制无人机的识别能力；文献[66]结合对手建模与CBR识别敌方编队行为。

针对数据不完整问题，文献[70]提出基于多粒度粗糙集（MGRS）的意图识别方法；文献[68]将Dempster-Shafer理论与深度时序网络融合以优化分类效能；文献[71]采用决策树与门控循环单元（GRU）实现一对一空战状态预测；文献[1]提出基于级联支持向量机（CSVM）与累积特征的分层方法进行多维度目标分类。

为识别战术意图，文献[69]开发注意力增强型群体优化与双向GRU模型（A-TSO-PBiGRU）检测态势变化；文献[67]应用动态贝叶斯网络（DBN）推断飞行状态与战术动作的因果关系，提升编队识别与态势感知能力。

C. 制导与拦截

制导与拦截机制对提升导弹命中率（尤其针对高速机动目标）具有关键作用。

文献[72]通过对比制导策略，识别可最小化拦截时间与机动负载的配置方案，优化不同作战条件下的交战选项；文献[73]通过增强导弹特定攻角命中能力改进高超音速目标拦截效能，优化终段交战条件；文献[74]在无人作战飞行器（UCAV）中采用自主制导技术提升瞄准精度，实现对机动空目标的有效打击。

文献[75]优化导弹飞行中的机动决策以支撑交战规划并提升模拟作战成功率；文献[76]通过动态攻击区（DAZ）概率建模实现实时航迹修正，确保环境不确定性下的打击精度；文献[77]通过协同制导模型提升雷达与导弹协同效能，增强防空体系整体精度。

文献[78]量化数据链质量对导弹效能的仿真影响，揭示更新延迟与误差对导引头激活及整体成功率的作用机制；文献[79]改进双脉冲发动机导弹点火控制与弹道修正技术，强化远程目标拦截能力。

D. 机动规划

机动规划旨在计算运动基元序列以获取战术优势。

该领域早期研究侧重结构化评估与决策模型。文献[80]提出包含态势评估模型、机动决策模型与一对一对抗评估模型的框架；文献[81]基于环境条件、威胁分布、武器性能与空战规则开发战术决策系统；文献[82]整合战术站位与武器能力的多维度要素，探索提升资源分配效能的目标分配（TA）策略。

近期研究聚焦学习驱动方法。文献[83][84][85]应用深度强化学习（DRL）进行机动规划，增强动态场景下的威胁规避与目标打击能力，通过多初始交战条件训练提升智能体适应性；文献[86]采用双延迟深度确定性策略梯度（TD3）算法开发一对一对抗中的自主导弹规避策略；文献[87]基于敌我相对方位与距离设计机动决策方法；文献[88]结合DRL与蒙特卡洛树搜索（MCTS），探索无需先验飞行员知识或价值函数的机动规划路径。

E. 导弹交战

导弹攻防需优化发射时机与机动策略以最大化攻击效能与生存概率。

进攻方面：文献[38]采用监督学习（SL）估算最优导弹发射时机以提升任务效能；文献[89]提出雷达盲区机动控制方法实现隐蔽接敌；文献[92]通过分析导弹捕获区与最小规避距离，确定编队空战协同场景下的最佳发射距离与防御策略。

防御方面：文献[90]为无人作战飞行器（UCAV）设计基于分层多目标进化算法（EA）的自主规避机动策略以提升生存能力；文献[91]将导弹规避问题建模为双团队零和微分博弈，其中一架战机需在远离来袭导弹的同时逼近非攻击性目标。

协同作战领域：文献[93]提出基于武器有效区（WEZ）的协同占位方法；文献[94]解决空对空导弹（AAM）发射后信息盲区难题。

F. 多智能体协同

多智能体协同作战通过自主平台间的协作决策、联合战术执行与响应优化，赋能协同攻击策略、动态编队重构及人机协同等应用场景。

文献[95]将多无人机战术策略应用于空对空对抗分解，将复杂交战拆解为一对一单元案例以提升机动效率与作战成功率；文献[96]将协同站位分配与目标分配（TA）建模为零和博弈，采用混合双Oracle算法与邻域搜索在时限约束下优化解质量。

文献[97]扩展战术战斗管理器功能，构建分布式系统检测跨智能体任务数据差异以强化协同效能；文献[98]通过面向角色的框架推进目标推理（GR）技术，增强通信受限自主智能体的协同能力；文献[99]提出AlphaMosaic架构，将人类反馈整合至作战管理系统（BMS），实现动态任务中基于信任的人机协作。

文献[100]将群体智能适配固定翼无人作战飞行器（UCAV），实现编队飞行、自主重组与战损后动态调整等行为；文献[101]采用集中式AI规划系统协调全态势可观测与可验证的多智能体任务方案；文献[102]通过兵棋推演验证舰队协同行为，优化战术参数以提升均势对抗任务成效。

文献[42]利用仿真评估优化无人机战术编队应对不确定敌方行为；文献[103]提出两阶段协同追击策略，结合诱敌战术与混合A*路径规划提升拦截成功率；文献[104]设计多目标函数与GDT-SOS元启发式驱动的自适应制导方法优化无人机占位效能。

文献[3]通过分层强化学习架构使多智能体团队通过自博弈与场景分解学习高低阶战术；文献[105]将多智能体近端策略优化（PPO）应用于UCAV协同，将领域知识融入奖励函数以提升性能；文献[106]构建基于图神经网络的推理模型，结合专家知识建模复杂协作模式并简化大规模交战决策。

文献[107]采用对抗自博弈与分层策略梯度算法学习超越专家基线的涌现策略；文献[108]在集群机动中应用深度确定性策略梯度，联合学习智能体协作与目标打击；文献[109]融合神经网络与人工势场技术，支持针对自适应对手的协同路径规划。

G. 作战分析

作战分析（OA）通过仿真、模型与评估指标衡量作战效能、支撑战术规划并支持作战决策。

文献[11][40]应用随机博弈模型分析不确定性下的多机对抗，解析超视距（BVR）场景中的协同策略与导弹分配；文献[46][110][111]通过含人类操作员的仿真评估实战条件下飞行员与团队表现，聚焦作战规程遵循度、认知负荷与共享态势感知（SA）。

多项研究构建了面向训练、战术测试与作战规划的仿真平台：文献[8]开发战术级空战仿真系统以支持智能决策；文献[112]设计用于评估巴西空军军事场景的ASA框架；其云端扩展版ASA-SimaaS实现可扩展自主仿真服务[113]；AsaPy工具集通过统计与机器学习（ML）方法提供仿真后分析功能[114]。

文献[115]采用体系（SoS）仿真评估飞机设计、平台互操作性及生存性、武器使用等任务级效能指标；参数化研究探究雷达截面积、导弹射程、飞行高度与通信延迟等变量对杀伤概率与整体作战效能等指标的影响[116][120][121]；文献[117]通过基于智能体的模型探索行为特征对仿真可信度的影响，增强对称与非对称BVR场景的验证方法。

文献[118]设计双模通信协议以适配协同空战网络条件；文献[119]强调仿真架构的可扩展性与灵活性，提出需构建能管理AI驱动实体与分布式决策流程的多智能体系统；文献[122]开发高动态飞行条件验证环境，评估大机动动作下光电系统性能。

文献[123]建模网络中心战分析传感器、指控系统与火控协同水平对作战效能的影响；文献[124][125][126]分别基于多准则决策（MCDM）、相关向量机与改进极限学习机（ELM）模型提出决策支持工具，为战机性能与战术配置提供量化评估。

H. 飞行员训练

飞行员训练通过先进仿真环境、绩效评估与自适应学习技术提升战备水平与作战效能，旨在强化复杂空战场景中的决策与态势感知（SA）能力。

文献[127]提出的回顾性绩效评估方法为识别改进领域、指导针对性训练调整提供洞见；文献[130]探索行为建模技术以优化高压条件下飞行员决策，增强训练演习真实度。

文献[131]探讨的实况、虚拟与构造（LVC）环境集成方案，通过融合真实与仿真要素构建高拟真沉浸式训练场景，使飞行员体验多样化作战情境以提升环境适应性；文献[129]提出绩效加权系统优化训练成效，确保飞行员高效达成能力基准。

文献[18]综述自适应训练方法学，强调基于飞行员表现的AI驱动个性化内容生成技术进展；文献[10][128]探讨空战行为快速适配与训练仿真验证方法，确保仿真系统精准映射真实作战动态，通过提升响应速度与态势理解能力提供直接影响训练效能的实用工具。

I. 态势感知

态势感知（SA）是理解战术环境（涵盖敌我位置、行动与意图）的核心能力，支撑交战、占位与规避的明智决策，最终提升作战效能与生存概率。

文献[132]探索实时数据处理方法，赋能飞行员高效解析复杂信息；文献[133]将SA扩展至团队层级，验证协同数据共享对任务连贯性与绩效的增益。

威胁评估方面：文献[137][152]解析敌方武器有效区（WEZ）判定方法，为飞行员提供战略规避或对抗的空间感知；文献[141]开发的实时威胁分析工具持续更新态势数据，确保战术动态调整；文献[134][139][135]整合目标意图预测至威胁评估体系，构建战场态势分析与威胁指数系统。

AI驱动SA方法：文献[138][143]应用机器学习（ML）进行威胁检测，加速飞行员威胁预判与响应；文献[136]采用基于蒙特卡罗的概率评估方法优化不确定态势下的风险管理；文献[47]提出基于防御性制空（DCA）作战指标的接战决策支持工具；文献[140]分析深度神经网络（DNN）在WEZ最大射程估算中的应用。

文献[142]利用机载传感器数据与神经网络实时评估击落概率；文献[6]提出对抗条件下机动灵活性估算方法，支撑编队级决策。

J. 目标分配

目标分配（TA）涉及高效配置空对空导弹、防空导弹及战机等资源以压制敌方威胁，需在优化交战效能的同时最小化资源消耗。

多篇研究聚焦提升作战效能的分配方法：文献[146][147][149]探讨动态分配导弹与战机至多目标的多目标分配（MTA）策略；文献[148]提出多友机对多敌机的协同攻击分配方法。

文献[144][150]研究基于任务目标与约束的武器-威胁最优配对算法，以最大化杀伤概率并保存资源；文献[145]引入融合目标优先级与交战时序的改进分配模型；文献[151]探索结合优化技术与实时战术调整的混合方法以应对动态战场。

仿真工具

仿真环境与工具对推进超视距（BVR）空战研究至关重要，其能够建模复杂场景、评估决策算法并优化作战策略。此类工具涵盖通用平台至定制化系统，各具独特功能以应对BVR空战的不同维度。

多数平台通过高层体系结构（HLA）与分布式交互仿真（DIS）等标准支持互操作性，促进跨仿真系统集成与实时同步。本节概述BVR空战研究中常用工具，文末附表格总结核心工具特性、编程语言与互操作能力。

A. AFSIM：仿真、集成与建模高级框架

美国空军研究实验室开发的AFSIM[153]是BVR空战研究中的主流平台，支持灵活建模作战环境、系统集成与任务规划决策流程，常用于认知控制、行为识别与人工智能研究[15][62][63][64][65][66][97][99][101]。AFSIM支持与其他模型集成，实现战略与战术层级的实时交互仿真，赋能作战管理与任务规划研究。该平台非开源，受美国政府法规管控。

B. ASA：空天仿真环境

巴西空军开发的ASA（葡萄牙语Ambiente de Simulação Aeroespacial缩写）[112][113]是基于C++的面向对象仿真框架，专用于复杂空天行动建模，支撑态势感知（SA）、任务规划与作战决策研究[38][42][47][53][114][117][140]。ASA支持机器学习技术与传统仿真融合，优化战术并预测敌方行为，其架构可精细建模任务参数、航空器系统与武器性能。该平台非公开，受巴西政府法规管控。

C. 定制系统

定制系统采用Python、C++或MATLAB开发，专用于商用工具无法满足的研究场景。由于电子战模型、导弹制导与BVR技术多涉密，商用系统难以满足开放性研究对复杂性、安全性与适应性的需求，故定制系统成为主流解决方案[8][11][40][55][56][59][61][67][68][70][72][73][74][76][77][79][81][82][83][84][88][89][92][93][94][95][96][98][103][104][105][108][110][111][116][118][122][123][124][125][126][135][137][139][142][145][147][148][149][151]。此类工具支持快速开发，适用于敏感领域研究。

D. DCS World：数字战斗模拟器世界

DCS World[154]是商业化高保真战斗飞行模拟器，以真实飞行动力学与精细模型著称，广泛应用于决策制定与强化学习（RL）作战研究[54][86]。其开放式架构支持自定义模块开发，赋能研究者模拟动态高烈度BVR空战场景，成为真实作战条件下测试AI驱动智能体的理想平台。

E. FLAMES：灵活分析与建模效能系统

FLAMES[155]是模块化商业仿真框架，支持开发与运行实况-虚拟-构造（LVC）仿真，具备实时可视化、场景管理与作战分析（OA）功能，适用于任务规划与作战模拟[38]。尽管灵活性高，但其商业许可可能限制可访问性，且复杂架构对快速原型开发或资源受限研究构成挑战。

F. FLSC：瑞典空军战斗模拟中心

瑞典国防研究局开发的FLSC整合LVC仿真分析空战场景，用于飞行员训练、任务规划、决策支持研究及人机协作评估[130][131]。其功能特性可增强联合作战中的态势感知（SA）与决策能力。FLSC由瑞典国防研究院（FOI）运营，访问受限，但国防项目研究者可通过合作渠道申请使用。

G. JSBSim

JSBSim[156]是开源飞行动力学模型，广泛应用于需高精度航空器仿真的强化学习BVR研究，支持决策制定、机动优化与作战接战等任务[3][6][58][60][138][143]。常与Unity（IAGSim）及定制环境集成，构建计算高效的动态场景自主决策仿真。

H. MATLAB与Simulink

MATLAB[157]与Simulink[158]广泛用于仿真、控制理论与优化研究。MATLAB数学能力支撑决策与作战研究[1][50][51][69][75][78][80][90][91][102][109][120][121][141][146][150]；Simulink通过图形化动态系统建模工具扩展功能，适用于控制策略开发。

I. Python与R

Python是开发仿真环境与机器学习（ML）模型的核心工具，借助TensorFlow[159]、PyTorch[160]等库支持任务规划、强化学习实施与优化[71][85][100][136]，其灵活性赋能快速原型开发及跨平台集成研究。R语言偶尔用于空战数据分析与仿真相关统计建模[140]。

J. 其他工具

以下工具亦支持超视距（BVR）空战研究：

ACE-2：定制化仿真器，用于测试空战机动中的遗传优化技术[49]。
ACEM：实况-虚拟-构造（LVC）仿真环境，用于空战中人类表现分析[46]。
FTD (F/A-18C)：F/A-18C飞行训练设备，用于高保真模拟飞行员行为、协同与训练场景[127][129][133]。
IAGSim (Unity + JSBSim)：结合JSBSim飞行动力学与Unity实时渲染的定制仿真器，专为自主空战研究设计[2]。
MACE[161]：现代空战环境（MACE），可扩展分布式仿真平台，用于作战分析（OA）与战术空战场景测试[115]。
NLR四机编队模拟器：荷兰航空航天中心（NLR）开发的仿真器，用于多机对抗中的飞行员训练与人机交互研究[128]。
STAGE：快速生成空战场景的框架，适用于人工智能（AI）与强化学习（RL）训练[10]。
Super Decisions：集成层次分析法（AHP）与网络分析法（ANP）的决策支持软件，用于空战威胁排序与任务规划[134]。
UnBBayes-MEBN：基于多实体贝叶斯网络（MEBN）的概率推理框架，应用于不确定条件下的态势感知与决策[132]。
WESS：自适应战术决策仿真工具，用于动态作战行为建模[50][51]。
Wukong：强化学习（RL）驱动的多智能体战术决策平台，专为BVR场景设计[57][106][107]。
X-Plane[162]：高保真商业飞行模拟器，用于自主行为验证与作战规划[48]。

K. 工具总览

表2汇总了核心工具、主要应用场景、功能特性、编程语言及互操作能力。该表涵盖本文分析的120项研究中的116项，其余4项为未使用具体工具的综述类研究。各列信息如下：
• 仿真工具：工具或框架名称

• 核心功能：与BVR空战研究相关的主要特性

• 编程语言：开发或定制化使用的主要语言/平台

• 互操作性：支持标准仿真协议（如HLA、DIS）、定制接口或无相关信息

• 引用文献：使用该工具的研究编号

开放挑战与未来趋势

尽管强化学习（RL）等先进技术在空战决策领域取得显著进展，仍存在诸多开放挑战，为未来研究提供机遇。

• 场景复杂性
  当前方法（如NFSP RL与DQR驱动的DRL）多基于简化的一对一对抗验证[54][84]。需将其扩展至反映真实空战复杂性的多智能体环境。基于DDPG的集群策略与H3E分层方法等框架为应对此挑战指明方向[2][108]。此外，目标分配（TA）、探测与制导研究多假设雷达、战机及通信节点同质化[118][144][148][149][163][164][165]，未来需探索异质化模型以更精准刻画现实系统复杂性。

• 全观测假设局限
  MCTS、PPO与CSVM等方法常假设环境全观测，忽略雷达目标搜索等关键要素[1][88][166]。BVR场景中KAERS等技术通过处理部分可观测性提升模型鲁棒性与实战适用性，具备借鉴价值[57]。

• 计算强度制约
  MCTS等方法虽有效但计算耗时[88]，需优化连续动作空间处理并提升计算效率以适配实时应用。基于TD3算法优化导弹攻防决策的近期研究展现进展[86]。

• 初始条件敏感性
  课程学习与IQN方法在不利初始配置下表现欠佳[59][167]。基于GP的演化行为树（BT）等自适应学习率与鲁棒课程设计可缓解敏感性并增强泛化能力[49]。

• 可扩展性与实时适应性
  多智能体方法（如MAPPO）与分层框架（如H3E）在动态大规模环境中面临可扩展性挑战[2][105]。需开发高效方法应对协同场景，如目标分配研究所示[96][146]。

• 不确定性整合不足
  博弈论、贝叶斯网络（BN）与监督学习（SL）等方法多假设确定性环境[1][76]，融入随机要素与不确定性可提升模型对复杂空战的现实刻画能力。

• 多样化场景验证缺失
  SAE网络战术认知模型与DRL集群模型多在静态环境验证[108][141]，需扩展至动态高维场景（如实时决策与多变作战条件）。基于ANN与粒计算的协同空战研究为此提供范例[61][151]。

• 跨学科融合需求
  强化学习（RL）、深度学习（DL）与控制理论结合可显著增强BVR决策模型。分层RL与行为树（BT）等技术为协调高层战术与底层机动提供可扩展框架[48][61]，此类方法有望催生更鲁棒、可解释的模型。

• 训练效率优化
  遗传规划（GP）虽在策略优化中潜力显著，但低维问题处理与计算开销仍存挑战。课程式RL与敌方意图识别技术可提升学习效率与决策能力[54]。

• 实战化应用瓶颈
  先进方法需通过高保真仿真验证实战适用性。与军事及航空机构合作可弥合研究与部署鸿沟，集群策略与协同无人作战飞行器（UCAV）研究已体现仿真验证价值[105][108]。

• 仿真工具未来趋势
  随着BVR场景复杂度攀升，仿真工具需沿以下方向演进：
  • 高保真多智能体仿真：在AFSIM、ASA、DCS World与FLSC等平台支持大规模集群协同与实时高保真仿真。

• 增强互操作性：通过HLA与DIS标准实现有人机、无人机及导弹等异构系统仿真集成。

• AI/ML深度整合：嵌入自适应智能体实现实时任务规划与决策[105]。

• 计算效能提升：优化仿真架构以应对复杂度增长，支撑实时动态适配。

突破上述挑战将推动开发复杂、可扩展且自适应的BVR决策模型，为高动态对抗空战环境中的自主系统奠定基础。

Al Agent：AI时代的软件革命。AI Agent是软件革命的关键，解决了生成式AI模型的应用局限，推动AI技术向实用、智能方向发展。1）从技术原理上看，AI Agent由模型、工具和编排层构成，是一种可以自主实现目标的应用；2）从商业化路径看，MCP到Manus，基于类MCP协议的底层数据互通+Agentic-based决策路径定义AI Agent范式，在C端AI Agent更强调通用性和拓展性，按tokens付费更适合；在B端AI Agent更强调任务的完成度和准确性，按结果付费更适合；3）展望未来，类似芯片的“摩尔定律”，AI Agent的任务长度或每7个月翻一倍，最终实现Agent开发Agent的闭环飞轮。 　　十年未见的“无限战争”：互联网巨头争夺Agent超级入口。AI Agent作为必经之路，互联网巨头同时发力C端与B端已成为行业共识，虽然客户结构有异同，但在战略方针上殊途同归： 　　1）C端场景下，互联网巨头打造多元化的AI Agent产品，打响围绕入口、流量和平台的争夺战； 　　2）B端场景下，互联网巨头依托自身生态体系，开拓结果导向的商业模式。 　　AI Agent打开万亿企业级数字劳动力市场，AI Agent走入千行百业。 　　1）在企业级市场，AI Agent渗透率快速提升，可通过升级套餐、提升渗透率及单独付费等方式增加企业收入。结合黄仁勋与Salesforce CEO的观点，本质上AI Agent的目标市场就不再是传统的IT预算，而是真人劳动力市场，市场规模可以达到数万亿美元。 　　2）通用SaaS有望成为AI Agent基础设施，垂类应用也将借助AI实现市场规模倍增，AI Agent在工业、教育、金融、零售、司法等多个行业率先落地。 　

来源：战术导弹技术 作者：王亚珅 方勇 张尚志 刘馨竹 欧阳小叶 杜蓉 陈浩

摘 要人工智能技术作为推动现代战争向智能化战争转型的重要变量，正在深刻改变战争形态和方式。梳理和总结了2024年人工智能技术在军事智能领域的最新科技进展。综述表明：美、欧在持续加强人工智能顶层设计、研发投入、机构改革的同时，开始逐渐从安全、成本等角度审视和调整相关人工智能战略；生成式智能、群体智能、人机混合智能、具身智能等人工智能技术在军事领域保持较高发展热度，并产出众多里程碑式成果，引领智能无人平台自主感知与跨域协同的军事智能技术发展趋势；同时，世界主要军事强国正快速将军事智能广泛应用于陆战、海战、空战等多作战域；未来，类人化数理与因果逻辑推理、全局和本地协同化模型训练、边缘侧低资源模型部署与推理、大小模型弹性融合实施等，将成为军事智能技术的重要发展方向。 关键词人工智能；军事智能；生成式智能；群体智能；人机混合智能；具身智能

1 引 言****

近期，全球主要国家和国际组织在顶层战略规划、研发生产投入、机构组织架构等多个层面，对人工智能（Artificial Intelligence，AI）技术进行了系统性的、具有战略意义的全面布局。在军事领域，人工智能技术的迅猛发展正在重塑现代战争的基本形态，通过算法、数据和算力等要素的深度融合，为军事领域注入了颠覆性变革动能。作为军事智能化的核心驱动力，人工智能技术不仅重构了武器装备的认知决策链路，更在战略、战役、战术层面催生出全新的作战范式。因此，人工智能技术的发展深度，已关乎国家军事实力的代际跨越，成为大国军事竞争的战略制高点，成为当前国际关注焦点。以美国为例，10月，美国防信息系统局（Defense Information Systems Agency，DISA）公布了2025财年的年度技术观察清单，重点突出了DISA追求的特定技术能力，人工智能技术再次位居榜首，充分体现美军对人工智能赋能军事作战的重视程度。在此背景下，本文重点关注人工智能技术在军事智能领域的主要进展、剖析军事智能领域科技发展现状：在生成式智能、群体智能、人机混合智能、具身智能等军事科技创新领域，人工智能技术取得了革命性的发展，并在军事应用层面产生了深远的影响；此外，军事智能系统及装备在陆、海、空等核心作战域的列装与能力提升进程正加速推进，显著加快了作战手段及作战样式的现代化与智能化转型步伐，为国防和军事力量的整体升级提供了强有力的支撑。本文在对上述战略布局、技术发展、应用实践进行综述分析的基础上，进一步阐述了对军事智能技术未来发展趋势的展望，从而为加速人工智能技术驱动的新域新质作战力量培育与军事赋能进程提供了参考方向。

2 世界主要国家及国际组织高度重视人工智能技术研发的战略布局和顶层设计****

2.1　出台人工智能顶层战略规划，推动人工智能技术研发应用从风险和成本等角度，人工智能战略出现调整动向，更加审慎看待和推动人工智能技术发展与应用，强调安全、负责任地加速人工智能技术应用并扩展合作生态系统。7月，北约发布了修订后的《人工智能战略》，在2021年发布版本的基础上，重点补充了以生成式智能为代表的人工智能技术的最新进展，更加强调旨在以安全可控的方式加速北约内部人工智能技术的使用和军事能力生成。此外，本次修订还包括提高盟国内人工智能互操作性、将人工智能与其他颠覆性技术结合、加强创新合作以扩大北约人工智能生态系统等主要内容。8月，英国政府审视人工智能的成本问题并宣布考虑调整人工智能战略以应对成本挑战，正在筹划一项新的、旨在削减成本的人工智能战略。新战略将优先聚焦于公共部门采用人工智能技术，以提升效率并降低成本，而非直接对工业领域进行投资。美主要军兵种密集发布人工智能相关战略文件与路线图，用于指导各领域人工智能技术研发和应用方向。5月，美太空军发布《2024财年数据与人工智能战略行动计划（Data and AI Fiscal Year 2024 Strategic Action Plan）》，概述了在严峻环境下实施数据智能和人工智能以支持作战的统一举措。该战略重点聚焦于完善企业级数据与人工智能治理、优化和推进数据分析技术及人工智能技术的发展、强化政府、学术界、产业界及国际伙伴间的合作关系等方面的工作，以实现数据的可视化、可访问性、可理解性、可信度、互联性、互操作性及安全性。6月，美陆军宣布正致力于推进“数字工程战略”（Digital Engineering Strategy），旨在提升先进武器系统的开发速度、降低成本及减少风险。该战略涵盖确立数字工程的焦点领域、推动全军范围内的互操作性和战略实施、培育相关人才和专业知识等基本原则，美陆军已在其XM30机械化步兵战车的设计工作中使用了数字工程和人工智能相关技术。7月，美海军发布《美国海军陆战队人工智能战略（United States Marine Corps AI Strategy）》，用于指导部队在全方位工作流程中融合人工智能技术，确保海军陆战队走上一条与快速发展的人工智能领域保持同步的道路，被认为是海军陆战队追求数字化、现代化、智能化的一个重要里程碑。9月，美网络军公布了为期五年的人工智能发展路线图，旨在提升智能分析能力、扩大运营规模，并增强对敌对势力的破坏力。该路线图涵盖了百余项任务，其战略目的在于确保网络司令部在技术创新和网络防御领域保持领先地位。人工智能安全性问题备受重视，多项强调人工智能技术安全可控的指南发布，旨在提升人工智能系统的保密性、完整性和可用性。1月，五眼联盟成员国及德国、以色列、日本等11国共同制定并发布名为《参与人工智能（Engaging with AI）》的人工智能安全使用指南。该指南概述了在使用人工智能过程中常见的威胁（包括数据中毒、生成虚假信息等）以及网络安全防御措施，旨在指导政府、企业等组织更安全地使用人工智能系统。4月，美国国家安全局发布关于安全部署人工智能系统的新指南《安全部署人工智能系统：部署安全且有弹性的人工智能系统的最佳实践（Deploying AI Systems Securely：Best Practices for Deploying Secure and Resilient AI Systems）》，以支持和指导国家安全系统及国防工业基地公司部署和操作由外部实体设计并开发的人工智能系统。10月，美国政府首次对外公布了关于人工智能技术的国家安全备忘录，明确了国家标准与技术研究院（National Institute of Standards and Technology，NIST）下属的人工智能安全研究所将作为业界与美国政府之间的“主要联络点”。该备忘录的发布是响应美国总统一年前签署的人工智能行政命令的要求，填补了情报界在人工智能指导方面的关键空白。该备忘录的目标是确保美国在安全、可靠的人工智能开发领域维持全球领导地位，推动政府利用先进的人工智能技术加强国家安全保障，并促进国际共识与治理。人工芯片作为人工智能发展基石，成为重要战略资源。美国考虑推出新版芯片法案，夯实人工智能基础设施的同时，积极寻求恢复在先进半导体制造业的竞争力乃至领先地位。2月，美商务部表示，美国亟需在半导体制造方面继续投资以重拾全球领导地位，并满足人工智能技术的需求，因此可能需要《芯片与科学法案2.0（CHIPS and Science Act 2.0）》或某种持续的投资。新的投资和潜在的新芯片法案可能有助于美国建立新的芯片代工厂和半导体初创公司。除了满足对人工智能加速器不断增长的需求外，额外的资金还将使更多的公司能够使用人工智能算法和服务。

2.2　加大对引领现代科技前沿的人工智能重要研发领域的投资美参议院建议每年至少拨款320亿美元经费，以确保美国在关键技术领域的持续领先地位。5 月，美国两党参议院人工智能工作组发布《推动美国人工智能创新（Driving US Innovation in Artificial Intelligence）》报告，其中提出美国人工智能政策路线图。报告指出，美国政府应通过紧急拨款等手段，尽快达到美国人工智能国家安全委员会提出的投入水平：每年在非国防领域至少投入320亿美元，用于推动跨政府部门的人工智能技术与产品研发、支持基础科学研究，并对人工智能技术在先进制造、智能城市、合成化学及生物等领域的应用提供支持。除了人工智能资金，路线图还提出了其他一些政策优先事项，包括执行人工智能相关的现有法律，解决人工智能带来的国家安全风险，审查人工智能对选举安全的威胁，以及促进竞争。人工智能芯片领域依旧是投资热度最高的领域，各方强调提升先进芯片制造能力并降低供应链风险。5月，美国NIST一直认为数字孪生技术将有助于改变半导体行业，为此正在筹建一座新型的美国芯片制造研究所。该研究所将获得总额达2.85亿美元的财政拨款，致力于采用数字孪生技术，以加速推进下一代半导体在制造、封装、组装及测试流程中的研发与验证工作，降低生产成本，进而提升美国在芯片制造领域的国际竞争力。5月，美商务部已与先进半导体制造商Polar Semiconductor公司签署了一份初步条款备忘录。据此备忘录，政府将向该公司提供1.2亿美元的财政补贴，以支持在明尼苏达州建立一家独立的美国本土晶圆代工厂。该补贴项目是2022年8月生效的《芯片与科学法案（CHIPS and Science Act）》的组成部分，目的是将该公司在美国的传感器和功率芯片生产能力提升一倍。此举被认为旨在确保美国国内人工智能芯片供应的稳定性，强化供应链的韧性。其他国家方面，11月，德国宣布拟向半导体产业提供约20亿欧元的新一轮补贴，将用于支持10~15个半导体领域的项目（尤其是有助于在德国和欧洲建立强大且可持续的微电子生态系统的项目），涉及未加工晶圆的生产和微芯片的组装等。11月，日本宣布计划增拨99亿美元的特别预算，旨在推动下一代半导体等前沿科技领域的生产与研发工作。该追加预算分为两个主要部分：一部分用于支持下一代半导体及量子计算机的研发活动；另一部分则着重于促进国内先进半导体生产，此项补充预算案为日本总额达650亿美元的半导体产业支持计划的一部分。

2.3　设立专门组织机构，管控人工智能技术的研发与成果转化美国高度重视人工智能技术识别研判、转化过渡的效率以及监管力度，多部门密集成立指导人工智能技术发展的专项机构。3月，美国防部成立技术转型跟踪小组（Transition Tracking Action Group，TTAG），旨在使用基于人工智能和机器学习的数据分析技术，跟踪国防系统现场交付能力，提高国防部技术过渡过程的可见性和管理能力，加强从研发到部署的整个生命周期中对技术过渡的监督，以确保及时和具有成本效益地向军事人员交付最先进的系统和设备。此外，4月，基于美网络司令部制定的人工智能路线图，美网络司令部成立专门的人工智能特别工作组，旨在协助识别并全面应用具有潜力的人工智能技术。该工作组将集中精力在为网络作战部队提供人工智能作战能力、解决推动人工智能应用的政策和资源问题、对抗人工智能相关的威胁等主要方面。4月，美国土安全部成立人工智能安全保障委员会，旨在为美国关键基础设施中人工智能技术的安全可靠开发与部署提供咨询建议，服务对象包括关键基础设施社区、其他私营部门利益相关者以及公众。人工智能安全可信与治理被摆在突出位置，美成立首个专门的人工智能安全研究所联盟。2月，美商务部成立首个人工智能安全研究所联盟（AI Safety Institute Consortium，AISIC）。该联盟隶属于美国NIST，主要扮演人工智能开发人员和联盟机构之间的联络人角色，并为美总统拜登于2023年10月签署的《安全、稳定、可信的人工智能》行政令中概述的优先行动提供支持，包括制定红队、能力评估、风险管理、安全和安保以及为合成内容添加水印的指南。该联盟汇集了200多家处于人工智能领域处于领先地位的科技公司和非营利组织、大学和研究学术团队，包括谷歌、英伟达、美国银行、麻省理工学院、兰德公司等，该联盟代表了迄今建立的最大测试和评估团队集合，并将专注于为人工智能安全领域的新测量科学奠定基础。11月，美国NIST成立了全新的人工智能国家安全风险评估工作组“国家安全人工智能测试风险”（The Testing Risks of AI for National Security，TRAINS）。该工作组汇聚商务、能源、国防、国土安全、健康等领域主管部门，将在关键的安全领域协调研究和测试先进人工智能模型。欧盟方面，5月，欧盟委员会正式设立人工智能办公室，旨在推动人工智能的未来发展、部署与应用，以加强欧盟在安全可信的人工智能领域的领导地位。其主要职责包括保障《人工智能法案》的有效实施、与欧洲人工智能委员会等机构进行紧密合作、助力欧盟构建可信赖的人工智能创新生态系统等。

3 军事智能技术领域持续强劲发展态势并保持高位增速****

军事智能技术研究与应用正呈现出迅猛的发展态势，特别是在生成式智能、群体智能、人机混合智能、具身智能等关键技术领域（图1）。在这些领域内，军事智能不仅实现了显著的突破，而且已经取得了一系列重要研究成果，同时，这些成果在实战化能力验证中得到了充分体现。

▲ 图1 军事智能技术主要发展进展

3.1　生成式智能技术牵引多模态理解、通用任务推理等军事智能新质方向生成式智能，是指从已有的数据中学习并生成新的、具有战术或战略价值的信息、情报或模拟环境的智能技术，能够帮助作战人员预测敌方行为、生成伪装信号、模拟战场环境、创造新的战术方案等，从而提高军事行动的效率和成功率。1月，作为全球生成式智能领域“领头羊”的美国OpenAI公司更新了使用条款，不再明确禁止将其技术用于“军事和战争”，为生成式智能技术应用于“军事和战争”的行为披上合法的外衣，随后OpenAI公司承诺将向美国政府部门提供下一代模型早期访问权限，反映了全球围绕该技术的军备竞赛呈加剧趋势。在模拟验证方面，美国防部重视支持生成式智能研发的模拟验证建设，利马特别工作组计划启用全新实验环境。4月，美国防部负责生成式智能研发的“利马”（Lima）特别工作组计划启用“虚拟沙盒”（Virtual Sandbox）中心，允许军事人员在其中使用经审核的且负责任的生成式智能工具开展实验。此前，“利马”工作组已向美国防部提交230个生成式智能用例用于进一步探索验证。该特别工作组现阶段所主要侧重的生成式智能的三类典型应用场景为文档生成与总结、数据分析与可视化和智能人机交互，“虚拟沙盒”旨在为更多生成式智能用例的开发与验证提供安全可控的环境。在安全评估方面，安全评估手段以及模拟评估验证环境的建设，成为现阶段生成人工智能的军用发展重点，用于保障相关技术投产后的可控实践与应用。大型语言模型的高复杂性与高不确定性等特征，显著加剧了生成式智能测试与评估工作的复杂度。因此，针对生成式智能模型的系统性测试与评估变得尤为必要和迫切。2月，美国Scale AI公司获批来自美国防部的一年期新合同，用于设计一种值得信赖的方式来测试和评估人工智能大语言模型。该研究目的是构建一套体系框架，旨在通过对模型性能的量化评估、为作战人员提供即时反馈，以及建立专门的公共部门评估集来测试人工智能模型在军事支援领域的应用效果来安全地部署使用人工智能。从负责任地使用生成式智能角度，6月，作为数字化转型的重要组成部分，美陆军宣布即将启动一项用于态势感知任务的生成式智能试点项目。该试点项目将在安全可控环境中，通过处理高级别非机密信息，探索大模型的不同应用场景；为确保准确性，大模型将提供所输出结果的信息来源引用，并已制定需人类审核的政策。7月，美国OpenAI公司与洛斯阿拉莫斯国家实验室展开合作，共同实施一项评估研究，旨在探究科学家如何在实验室环境中安全地运用多模态人工智能模型。双方通过对多模态大型模型进行生物安全性评估，探索和验证这些模型在辅助生物科学研究方面的潜在应用。在数据融合方面，生成式智能技术正在与情报领域深度耦合，加速分析整编任务效率。生成式智能技术通过其先进的数据处理和分析能力，能够对收集到的情报进行快速筛选、分类和解读，有效地提取出有价值的信息，不仅提高了情报整编的速度，还增强了情报的准确性和前瞻性，从而在战略和战术层面提升了情报工作的整体效能。目前，美国军事与情报机构正在扩大生成式智能产品的使用。以美国家安全局为例，该机构目前已有超过7000名分析师正在工作中使用生成式智能工具。8月，为满足向美国防及情报界提供更多基于云端的人工智能和数据分析功能，美军重要情报分析供应商Palantir公司与美国微软公司合作，推出双方的集成套件，将微软其通过Azure OpenAI服务平台创建的大型语言模型与Palantir的Foundry、Gotham、Apollo等人工智能平台产品结合起来，直接可用于政府和军方的机密云环境。针对生成式智能使用门槛提升带来的“虚假情报迷雾”问题，6月，美国防部国防创新机构正式对外寻求深度伪造检测技术解决方案，并要求技术方案需遵循该机构负责任人工智能指南和开放系统架构，以应对生成式智能技术发展加重的深度伪造威胁。由于深度伪造技术利用生成式智能制造虚假的音视频内容，可能导致欺骗、欺诈和虚假信息传播，国防部希望通过快速部署深度伪造检测工具，来应对上述挑战。在辅助决策方面，强调缩短决策时间、提升决策质量的生成式智能辅助指控技术，加速赢得战场先机。生成式智能技术通过对战场态势和情报的综合分析，能够为指挥官提供基于算法的决策建议，这些建议综合考虑了敌我态势、资源分配、战术选择等多种作战因素，极大地提高了指挥官在复杂战场环境中的决策速度和质量，从而在战场上赢得先机。6月，美空军首席信息官与空军研究实验室合作，发布生成式智能技术NIPRGPT。作为空军研究实验室信息局建造的 Dark Saber 软件平台的重要组成部分，该技术是一种基于生成式智能的聊天机器人技术，允许用户在满足安全操作的环境中，以对话方式执行通信、调度以及其他行动指令，支持完成决策制定、辅助报告总结、信息技术协助等辅助决策任务。9 月，美陆军成功在其内部陆军云环境cARMY上部署美国生成式智能服务商Ask Sage公司提供的多模态生成式智能平台，以提升军事领域辅助决策效率，使得美陆军成为美军首个将该技术融入军事作业的军种。该平台的首批用户规模约400名，初步实验结果表明该平台可以显著提升效率：开发人员的编码速度提升35倍，采购人员可同时处理超过50个任务，分析人员在数分钟内对数千份文件进行决策。 3.2　群体智能技术构筑全域化、可消耗、高韧性的智能集群作战能力群体智能是指在军事智能领域中，由大量低成本、简单的个体智能体组成的群体，通过遵循一定的规则或算法，进行局部通信和信息处理，从而在整体上展现出高度的协调性、自适应性和智能性（尤其是在没有中央控制的情况下），以执行侦察、搜索、攻击、防御等复杂军事任务的一种智能行为和系统特性。8月，美国空军参谋长戴维·阿尔文在英国皇家航空学会的发言中提出，美国空军正在探索一种以人工智能为支撑的“群体敏捷性”（Collective Agility）概念。该概念旨在利用人工智能技术，开发一种跨域群体连接能力，以构建能够应对新兴及快速变化威胁环境的作战编队。该概念是指通过战时集群协同、数据共享、人工智能以及计算机自动化等手段，提升数据收集、分析与传输的效率，从而实现不同规模有人-无人编队的协同作战。在全域自主方面，推进“复制者”（Replicator）计划研发，快速部署大量全域、可消耗的自主群体系统，取得多项里程碑成果，并加速部署应用。5月，美国防部公布了“复制者”计划的首批部署技术，功能涵盖了无人水面航行器、无人机系统以及反无人机系统，并在印太地区部署首批“复制者”无人机。其中，空战领域将加快部署美AeroVironment公司生产的“弹簧刀-600”（Switchblade-600）巡飞弹（图2）；海战领域正通过“生产就绪、廉价、海上远征”（Production-Ready，Inexpensive，Maritime Expeditionary，PRIME）项目和“商业解决方案开放”（Commercial Solutions Opening，CSO）项目，确保无人水面航行器供应商的多样化。10月，美国防部宣布“复制者”计划已更新至2.0版本。在“复制者”此前的1.0版本测试中，重点在于部署数千架低成本无人机，以实现规模效应；2.0版本则将关注点转向发展小型无人机防御能力，计划通过加速大规模生产用于探测、追踪及摧毁敌方无人机的技术，以保障美国的关键设施及部队集结地的安全。12月，美国防部国防创新部宣布，预计到2025年7月之前，“复制者”计划将为多个作战领域提供数千套首版无人自主平台。 ▲ 图2 将在美国防部“复制者”项目的第一阶段投入使用的弹簧刀-600无人机系统在发射投送方面，无人机集群的母舰弹性发射与快速投送技术成为关注重点，以提升无人蜂群作战的灵活性和韧性。5月，美空军特种作战司令部探索将MQ-9“死神”（Reaper）长航时无人侦察机改造为能够投放小型无人机的无人机母舰。此举属于“自适应机载体系”（Adaptive Airborne Enterprise，A2E）项目的一部分，目的是利用MQ-9无人机的高载荷能力和持久续航特性，开发新颖的母舰发射技术，以增强蜂群作战的灵活性和韧性。按照项目规划，MQ-9无人机将能够一次性投放4~6架小型无人机执行侦察和打击等任务，并充当这些小型无人机与后方指挥部之间的通信中继节点，负责传输目标数据和指挥控制数据。7月，美空军特种作战司令部发布“蜂群载机”（Swarm Carrier）项目的招标公告，将开发一种新型的无人机及空投控制技术，该无人机能够通过C-130运输机上的托盘化设备进行空投，并以载机作为指挥控制的核心节点。美空军计划在2~3年内部署“蜂群载机”项目，在执行任务期间，这些蜂群可以被部署进行监视、收集情报并参与电子战，可以比单架无人机更有效地覆盖更大的区域。在防御对抗方面，加速研究基于人工智能手段的反无人机蜂群技术及系统，“矛”与“盾”之间的对抗过程加速技术演进与升级。8月，俄罗斯国家技术集团发布对抗无人机及其群体攻击的人工智能系统SERP-VS6D。该系统具备在多个频率上同时运作的能力，并通过高精度探测器和数字信号处理算法来实现对无人机的检测与识别（包括第一人称视角无人机），能够对周围5 km范围内的所有通信频道进行同步监控，一旦锁定目标，将自动启动干扰模式。10月，美国诺格公司实现将人工智能技术集成于“前沿区域防空指挥控制”（Forward Area Air Defense Command and Control，FAAD-C2）系统（图3），进而实现人工智能驱动的反无人机指挥控制。该新增的功能被称为“高级战斗管理器”（Advanced Battle Manager，ABM），主要应用于应对反无人机任务领域中日益增长的复杂威胁，并辅助作战人员在移动过程中作出决策。ABM系统能够接收FAAD-C2系统融合的多传感器数据，并对威胁进行分析，实现秒级交战计划生成，迅速推荐最适合的武器以攻击目标。ABM系统的人工智能算法经过多年实弹射击数据的训练，能够实现对大量动能和非动能武器的实时“武器-目标”配对，并已于2024年春季和夏末在尤马试验场进行了实地测试。 ▲ 图3 FAAD-C2系统集成了近程防空、反火箭、火炮和迫击炮能力，以及反无人机系统任务

3.3　人机混合智能技术提升人机协作效率、互信程度和综合作战效能人机混合智能是指将指战员智能与机器智能有机结合，通过协同作业、优势互补的方式，在军事领域实现情报分析、决策制定、指挥控制、战场管理等复杂任务的智能技术，能够充分发挥人类的创造性、直觉判断和道德伦理判断能力，以及机器的计算能力、数据处理速度和精确度，从而在动态变化的战场环境中提高作战效能和决策质量。10月，美陆军协会年会提出“有人-无人协同机动指挥部”技术概念，该概念旨在将通信设备、关键数据、先进指挥中心集成于一辆装甲车辆之中，以实现对一系列无人地面车辆的统一控制，并共同向战斗前线推进，无人车辆能够提供直接射击、侦察、防空和运输等多方面能力，有望提高指挥控制节点的灵活性和战场生存能力。这种有人-无人协同的装甲生态系统，目前已有作为战场管理节点的Stryker移动任务指挥部（图4）作为原型机，已成为美陆军未来几年的关注方向。

▲ 图4 基于有人-无人协同的Stryker移动任务指挥部在人机协作方面，持续推进“协同作战飞机”（Collaborative Combat Aircraft，CCA）项目牵引的“有人-无人”协同技术研发，极大拓展人类感知范围、操控边界，并探索跨作战域、跨平台协同编组技术。7月，随着成熟技术的积累，美国通用原子公司宣布开始研制首架CCA项目无人机原型机，此举措标志着美空军CCA项目进入了一个关键发展阶段。该无人机原型机将利用MQ-9无人机的部分零部件，旨在扩展有人驾驶飞机的前方视野约100 km，并增加有人驾驶飞机的射程至两倍。按照既定计划，预计在1~2年内完成首架CCA无人机原型机的研发。为促进CCA项目产出的无人机成果与各军种及盟友战斗机平台的编队合作，8月，美空军宣布正在加速推进CCA项目与有人驾驶战斗机的编队技术发展，涉及的战斗机包括空军的F-35、F-15EX、F-22等型号，以及海军、陆军等其他军种和国际盟友的战斗机平台。目前，美国空军研究实验室已为该系统架构制定了开放式标准，以确保CCA项目成果能够迅速适应新的威胁环境和任务需求。为了便于开展试验并研发相应的作战战术，11月，美空军宣布计划增加CCA项目的采购数量。根据规划，增量的CCA项目成果（例如美国安杜里尔公司的“复仇”（Fury）、通用原子公司的“开局”（Gambit）等有人-无人协同战斗机等）将部署至美空军新设立的试验性作战部门，该部门将在模拟的作战场景中研究CCA项目的作战战术和操作程序。在平台编组方面，强化学习技术和机器学习技术双轮驱动，DARPA“空战演进”（Air Combat Evolution，ACE）项目首次实现基于人工智能的“有人-无人”空中交战测试，取得关键里程碑式进展。4月，DAPRA宣布ACE项目首次实现以强化学习技术为核心的人工智能系统自主操控驾驶的F-16战斗机与有人驾驶的F-16战斗机在视距范围内进行空中交战，为复杂作战场景中可信人机协作奠定了基础。在此次测试中，DARPA使用X-62A“可变飞行模拟试验机”（Variable In-flight Simulator Test Aircraft，VISTA）和人类飞行员驾驶的F-16飞机进行空中交战（图5）：前者是一种特殊改装的F-16战斗机，配备先进的飞行控制系统和模拟设备，能够模拟多种战斗机的飞行特性，并由人工智能系统控制；后者由一名具有近2000 h飞行经验的人类飞行员驾驶。在备受瞩目的视距内空战阶段，两架飞机以超过1900 km/h的速度对向飞行，X-62A搭载的智能体系统根据现场态势感知数据和日常人工智能的历史训练数据调整空战战术，F-16飞行员则根据美空军作战规程实施作战。DARPA认为，测试结果表明：X-62A的表现贴近实战标准，并没有让F-16占据太多优势，而且显示出比人类飞行员更加冷静。本次测试证明了在以强化学习和智能体为代表的人工智能技术辅助甚至驾驭无人自主空战的可能性，验证了人工智能技术能够使无人战斗机在视距内作战场景中与人类驾驶的战斗机进行自主飞行与对抗。6 月，美国洛马公司首次进行了人工智能控制的空对空战术拦截技术演示。该演示在一架L-29“德尔芬”（Delfin）教练机上集成了一套人工智能驾驶员系统，该系统通过人工智能代理实现对飞机航向、速度和高度的操控，并展示了如何以进攻和防御姿态对抗虚拟敌手。此次实际飞行演示的结果符合预期，验证了人工智能在实际战场环境中的潜在应用价值。11月，美国洛马公司与爱荷华大学作战人员效能实验室联合，开展并验证了人工智能增强的有人-无人协同作战测试。该测试模拟实施了一次进攻性制空作战任务，由L-39“信天翁”（Albatros）战斗机上的人类空中作战管理人员向两架由人工智能控制的L-29“德尔芬”喷气式战斗机分配目标（图6），随后这两架战斗机协同行动，利用模拟的任务系统和武器系统，共同击败了两架模拟敌方的喷气式战斗机。本次测试成为首次由人类作战管理人员实时监督人工智能执行测试行动的案例。 ▲ 图5 DARPA测试基于人工智能算法的“有人-无人”空中交战 ▲ 图6 作战管理人员向人工智能控制的飞机发送实时命令在博弈对抗方面，欧盟取得多项“有人-无人”协同的首次突破。4月，英国皇家海军和空天作战中心、英国国防科学技术实验室等完成英国首次有人机和无人机之间编组合作技术演示（图7）。试验中一架QinetiQ喷气式飞机从索尔兹伯里基地起飞，而一架改进型Banshee Jet 80无人机从苏格兰西北海岸的赫布里底靶场发射，前者很快控制了无人机。该试验的成功表明，现有前线作战飞机和下一代无人机之间的“有人-无人”编组有可能推广使用，同时以高效费比的方式提高作战潜力。6月，欧洲空客公司在欧洲柏林国际航空展上首次推出其为有人战机综合作战能力提供支持的“僚机”（Wingman）概念机原型，旨在为德空军提供对于“有人-无人”协同的技术解决方案，满足其在21世纪30年代最大化效果和成倍增加战斗机群力量所需的性能。该技术解决方案的重点在于，通过经济高效的方式增加整体作战规模，以便空军能够在冲突中与对等或近对等的敌方部队数量相抗衡。 ▲ 图7 英国首次“有人-无人”编组演示

3.4　具身智能技术提升无人平台的未知环境感知、复杂任务执行能力具身智能，通常是指在军事装备和系统中嵌入的人工智能，能够使这些装备和系统具备自主感知环境、理解战场态势、进行自主决策和执行复杂任务的能力。这种智能不仅包括传统的计算智能，还包括模仿生物智能的感知、移动和交互能力，使得军事装备能够在没有或少量人类干预的情况下，有效地完成作战任务。在环境感知方面，探索复杂环境自主任务执行技术，提升无人干预环境下动态感知能力。4月，DARPA宣布“复杂环境弹性机器人自主能力”（Robotic Autonomy in Complex Environments with Resiliency， RACER）项目已顺利推进至第二阶段并完成第一轮技术试验。此阶段计划引入了新型、体积更大的机器人车辆，从而显著增强了人工智能算法的环境感知功能与环境自适应性。这些质量达12 t、长度为6.10 m的RACER重型平台车辆（图8），与现役的2 t、3.35 m的RACER车队车辆形成互补，能够在更为复杂的非铺装地形上实现高效的自主移动。通过部署两种截然不同类型的车辆，该项目旨在达成一种高度自主性，即无论车辆类型如何，均能在复杂且难以预测的非道路环境中自主完成任务。10月，美国军事情报大数据公司Palantir与Shield AI公司达成合作，共同致力于无人机自主探测与威胁自主应对技术的研究。两家公司将运用“蜂脑”（Hivemind）人工智能系统，使无人机及其他无人系统能够在无需人工干预的情况下自主执行威胁检测与应对任务，同时允许操作人员对任务进行实时监控，并能够从统一平台管理多个无人系统。

▲ 图8 RACER重型平台车辆在场景探索方面，针对未知或者恶劣环境开展自主探索的机器人的自学习能力与环境自适应能力不断强化。4月，受“类地表环境中的腿式自主表面科学”（Legged Autonomous Surface Science in Analog Environments，LASSIE）项目资助，美国国家航空航天局（National Aeronautics and Space Administration ，NASA）宣布正在俄勒冈州山区测试和训练机器狗Spirit（图9），为未来的月球和其他星球的任务做准备。机器狗将在模拟月球地形上学习如何在岩石和较软的地面上行走，旨在通过这些训练，能够更好地理解不同星球表面的特性，为未来的星际探索任务提供数据支持。9月，美国诺格公司成功实施MQ-4C“人鱼海神”无人机在北极高纬度、复杂环境中的导航技术展示。在此次演示中，MQ-4C无人机自阿拉斯加州起飞，依托智能导航系统及任务管理软件，飞行至距离北极约160 km的区域，并在美国与加拿大领空内，对全球定位系统（Global Positioning System，GPS）对齐程序进行了验证，并收集了关键的导航数据。本次演示为执行北极高纬度地区的情报监视侦察能力和目标指示任务提供了支撑。12月，美国海军研究实验室与DARPA共同研发太空飞行机器人技术，旨在满足宇宙空间卫星（地球上方约35405.57 km处）在轨升级与维修的需求。为此，研究团队开发了名为“地球同步卫星机器人服务”（Robotic Servicing of Geosynchronous Satellites，RSGS）的智能载荷，用于与其航天器平台进行集成，将使得常规的近距离检查、轨道调整、硬件升级和维修成为可能，从而显著提升卫星维修操作的效率。

▲ 图9 NASA模拟月球和其他星球执行任务的机器狗Spirit在建造检修方面，承担复杂工艺和部件建造与检修任务的自主机器人，逐渐开展应用并展示出对制造效率的提升效益。1月，意大利船舶制造企业Fincantieri公司通过引入包括焊接机器人在内的人工智能及自动化技术，加快在美国威斯康星州Marinette Marine造船厂生产的美海军“星座”（Constellation）级护卫舰的制造进度。承担此任务的焊接机器人，装备有焊接喷枪，并搭载智能视频系统，能够自主识别焊接接合处。预计采用机器人焊接将提升生产效率及质量，助力达成每年建造两艘护卫舰的目标（目前水平两年建设三艘）。2月，在美能源部的资助下，美国卡耐基梅隆大学机器人研究所正在研制一款用于天然气管道检测与修复的模块化轮式机器人系统，具备在人类难以进入的密闭管道内部（目前能够适应于30.48 cm直径管道）自主导航的能力，能够绘制管道布局、探测潜在问题，并利用硬化树脂实现快速修补。

4 军事智能技术的广泛应用持续加快装备列装和赋能的步伐****

世界主要军事强国普遍将军事智能技术视为夺取未来战场胜利的关键，正迅速且深入地将军事智能技术应用于陆地、海洋、空中等多个作战域（图10），以实现作战能力的全面提升和智能化转型。 ▲ 图10 军事智能技术主要领域应用

4.1　陆战领域通过多项演习验证陆战人工智能技术，尤其强调无人平台协同能力。8月，由美国、英国、澳大利亚三国组成的“奥库斯”（AUstralia-UK-US，AUKUS）联盟首次顺利完成了人工智能无人机在实时军事环境中的协同作战能力测试。此次试验作为美陆军主导的多国联合“项目融合”（Project Convergence）演习的组成部分，旨在评估多国多架人工智能无人机编队的整体作战（协同执行了精确定位、地面目标打击等）效能，并实现了人工智能无人机数据与控制权在多国间的无间断转移。10月，美陆军未来司令部举办的“实验演示网关演习”（Experimental Demonstration Gateway Event，EDGE）中，对有人-无人编队、无人-无人编队、人工智能、机器学习等前沿技术进行了验证。其中，EDGE演习重点关注了空中与地面无人系统的协同作战能力，成功展示了美国洛马公司的Stalker无人机与波士顿动力的四足机器人Spot（图11）之间的协同作业能力（前者为后者提供了自主监视与引导支持）。

▲ 图11 EDGE 展示无人平台之间的协同美陆军加速向战斗部队配发高性能传感系统的短程侦察无人机的进程，以增强战场侦察和临机决策能力。5月，美陆军无人机系统项目管理办公室向第101空降师第2旅交付短程侦察四旋翼无人机系统，重点为排级士兵提供了现代化的能力、增强战斗力和提高士兵生存能力，旨在通过为部队装备最新的无人侦察机系统技术来提高作战效能（图12）。该短程侦察无人机系统配备先进传感器，能为士兵实时提供侦察、防护和目标捕获能力，大幅提升杀伤力和士兵的生存能力；为指挥官实时提供侦察数据，支持指挥官提升决策效率。该短程侦察无人机系统是美陆军第一款部署的四旋翼无人机系统，通过适当的训练、理论和支持，计划将被整合到整个陆军。7月，美陆军开始对新型“黑蜂 3”（Black Hornet 3）微型无人机（图13）的侦察性能进行测试。作为一种先进的纳米级侦察无人机，其质量不超过33 g，续航时间约为25 min，装备有实时数据传输系统和GPS自主导航系统，其配备的无人自主技术能够迅速向操作人员回传实时视频和高清静态图像，适用于执行情报、监视、侦察以及态势感知等任务。若此次测试取得成功，美陆军计划将为约7000个作战小队配备该型无人机。 ▲ 图12 第101空降师的士兵在肯塔基州坎贝尔堡进行短程侦察系统的机动恢复训练 ▲ 图13 美陆军测试袖珍无人机“黑蜂 3”进行隐蔽侦察承担侦察和打击任务的四足机器人正在加快应用步伐。5月，美海军陆战队正在评估和测试Ghost Robotics公司开发的机器狗。这些机器狗可用于侦察和监视，甚至装备武器进行远程交战，其枪械系统具有基于人工智能技术的数字成像系统，可以自动检测和跟踪人员、无人机或车辆，向可能位于世界任何地方的远程人类操作员报告潜在目标。8月，乌克兰军方对外展示了BAD.2机器狗在俄乌冲突实战环境中的实地测试成果。该机器人采用四足行走机构，具备较强的机动性能，能够跨越多种复杂地形，实现在不平坦地面上的稳定行走。其主要功能包括数据采集、货物运输以及执行监视任务，目前被投入进行战场侦察。 4.2　海战领域美海军持续推动虚实构造技术的部署和应用，将该技术视为海军未来训练执行的关键组成部分。8月，美海军信息战中心大西洋分部在海军一体化活动演习中，首次对基于虚实构造技术的“虚拟替身部队”（Virtual Stand-in-Force，VSiF）在虚实结合的作战环境中的有效性应用进行了验证（图14）。该项目通过一个服务器连接了十余台虚拟机，构建了一个虚拟化的作战环境，每台虚拟机均存储有GB字节级别的真实数据（包括火力打击、威胁检测、火力支持、防空以及指挥控制系统副本等），通过创建丰富的、身临其境的和现实的环境，可用于对作战人员进行战斗演练、参谋规划和关键决策等方面的训练。11月，美海军空战中心训练系统部门对外宣布目前美国海军正在通过两个项目来推动虚实构造技术的实际应用：一是“联合模拟环境”（Joint Simulation Environment，JSE）项目，作为美国海军和空军F-35战斗机的虚拟测试平台及模拟器，已成功训练了820名飞行员，并提供了超过1000次飞行任务的训练以及超过30000次空对空导弹的仿真验证；二是“海上模拟器”（Simulators at Sea）项目，旨在将机密级别的高保真训练环境集成至航母上，提供一个能够覆盖个人训练到任务演练的全天时、全天候的训练环境。 ▲ 图14 美海军信息战中心验证“虚拟替身部队”的虚拟和真实作战环境多项搭载人工智能核心组件的先进海战装备和技术已成功完成技术测试阶段。2月和3月，美国DARPA完成“蝠鲼”（Manta Ray）无人潜航器原型机的全面水下测试（图15）。在此次测试中，DARPA测试了该潜航器的海上水动力性能，并首次验证了该潜航器跨国模块化运输、现场组装和后续部署的能力。“蝠鲼”无人潜航器是一款新型长航时、远程、具有支撑各类海军任务的不同尺寸和类型的有效载荷和智能组件能力的无人潜航器。5月，法国海军正与本国初创企业普雷利让公司合作，利用人工智能技术对水下声学信号进行深入分析，以应对所需分析的舰艇装备声学数据量呈现出指数级的增长趋势。7月，荷兰与比利时联合打造的首艘无人系统母舰“奥斯坦德（Ostende）”号反水雷舰已开始进行海上试验。相较于之前的反水雷舰，新舰具备了操作无人系统的功能，能够使用大型自主无人机、水面和水下无人机来执行复杂的近海及远洋反水雷任务。 ▲ 图15 “蝠鲼”无人潜航器多款海战领域人工智能新型装备顺利实现列装入列，并完成多个“首次”。1月，全球首艘配备人工智能电子战系统的“枪鱼”无人艇入役土耳其海军。该无人艇具备最大航程400 n mile，可持续航行24 h，其最高航速可达36 n mile/h。根据不同的任务需求，该无人艇可搭载导弹、鱼雷、自动火炮，以及能够扩大水下目标探测半径的声呐浮标，同时装备有能够调节探测频率并智能处理信息的声呐系统，未来将主要承担海上军事与侦察任务。1月，“拉达”（Lada）级常规动力潜艇首艘量产型“喀琅施塔得”（Kronstadt）号正式列装俄海军北方舰队，标志着“拉达”级常规潜艇的建造水平达到量产标准。该型号潜艇是俄罗斯第四代常规动力潜艇，采用新型降噪螺旋桨、消声瓦、电子潜望镜、声呐和智能化作战情报指挥系统等，具备探测距离显著增加和噪声水平超低等特点，拥有较强的先敌探测能力，并且在测试中展现了优秀的隐身性、机动性和可靠性。为增强美海军航空联队的航程和作战能力，2月，美海军从接收首架MQ-25“黄貂鱼”空中加油无人机，并计划组建一支由73架MQ-25无人机组成的机队。MQ-25无人机是一种多功能舰载无人机，具备自主空中加油、敌情监视侦察、电子进攻和火力打击等多种能力，其主要任务是为F/A-18、E-2D和F-35C等多型舰载机提供加油服务。该无人机将接受机身完整性审查，并且已经获得了低速生产的许可。海战无人平台指控中心成功部署，并完成试飞任务，为无人平台编队力量集成与调度提供条件。8月，美海军在其“布什”号航空母舰上安装了全球首个无人空中作战中心，该中心旨在操控MQ-25“黄貂鱼”无人机以辅助执行空中作战任务。据悉，该无人空中作战中心位于航空母舰的控制室内，其主要装备为配备有无人舰载航空任务控制系统的MD-5E地面控制站。该中心为美国海军操作和控制无人机及其他无人驾驶车辆奠定了基础，并将为CCA等项目提供支持。未来，无人空中作战中心将支持更多无人设备组成的机队，并计划从2025财年起在“尼米兹”级与“福特”级航空母舰上安装。11月，美海军首次通过舰载无人机控制站完成了MQ-20无人机的试飞任务。位于马里兰州帕图森特河的美海军操作员，利用MD-5E地面控制站，对MQ-20“复仇者”无人机在加利福尼亚州的飞行进行了监控（图16）。 ▲ 图16 美海军使用无人航母航空任务控制站测试MQ-20 4.3　空战领域美空军持续强化人工智能电子战领域装备升级。3月，美空军宣布计划购置5架新型的“EA-37B罗盘呼叫”（EA-37B Compass Call）人工智能电子战飞机，并将其纳入武器装备体系。美空军早在2023年9月便正式从英国BAE系统公司接收首架“EC-37B罗盘呼叫”人工智能电子战飞机，能够执行各种电子战任务，压制敌方防空系统，阻止敌方武器系统和指挥控制网络（包括通信、雷达和导航系统）之间传输信息，通过提供关键的电子战能力来确保美国保持防御和威慑的领先地位。该计划旨在用“罗盘呼叫”飞机替换现役的老旧EC-130H电子战机队，其主要职责为执行对敌方雷达、导航、通信系统的干扰任务，从而为压制敌方防空系统提供支援。8月，美空军在亚利桑那州戴维斯-蒙森空军基地正式部署了首架“EA-37B罗盘呼叫”人工智能电子战飞机（图17），将作为教练机，用于开展相关飞行员的训练和测试，以增强飞行员对该型飞机的熟悉程度和实际操作能力。 ▲ 图17 美空军接收首架“EA-37B罗盘呼叫”人工智能电子战飞机多项人工智能技术完成空战测试，为部署奠定基础。2月，美空军空中机动司令部对名为“阿蒂夫”（Artiv）的新型人工智能战勤保障系统进行测试，旨在减少后勤规划的耗时并简化后勤任务。该系统是一款基于云计算的人工智能工具，作为空中机动司令部“综合作战规划工具”项目的一部分，其主要功能是在对抗性环境中自主比较和分析不同的行动方案，为空军人员提供快速规划和决策支持。空中机动司令部指出，该系统有望在数分钟内完成复杂的兵棋推演，相比传统兵器推演所需的数天分析时间，效率提升了近千倍。6月，美空军驻卡塔尔乌代德第99特遣队运用人工智能软件，成功完成了基于3D打印技术的小型无人机的设计与制造。该特遣队通过人工智能软件输入航程、负载、航速等参数，实现了在24 h内快速完成小型无人机的设计与制造流程，有效探索了利用人工智能技术快速生产低成本无人机的新方法。11月，美空军授权在KC-135加油机上对“梅林飞行员”（Merlin Pilot）自主飞行系统进行测试。该“梅林飞行员”系统搭载了先进的传感器技术和自然语言算法通信模块，能够实现对飞机状态及周边环境的监控，并自主引导飞行，同时提出飞行轨迹调整建议，并能与空中交通管制进行语言交流。按照既定计划，梅林公司拟将该系统整合至多种飞机类型，并计划在2025年进行地面及飞行测试，以实现飞机从起飞至着陆的全程自主运行。

5 军事智能技术未来发展趋势展望****

在军事智能领域，从技术发展与应用需求出发，对相关技术未来主要发展趋势，分析如下。 5.1　面向通用人工智能的数理逻辑和因果逻辑推理技术当前人工智能技术（尤其是深度学习），在处理模式识别和图像理解任务方面表现出色，但在数理逻辑和因果逻辑推理等方面仍存在严重不足（推理效果甚至不如人类幼童的认知程度），严重限制了军事智能在需要严格逻辑推理和可解释性的决策场景中的应用，也使军事智能技术缺乏“举一反三”的通用性和鲁棒性。针对上述问题，为迈向通用人工智能，亟待发展强化数理逻辑和因果逻辑推理能力的军事智能技术。通过符号主义与连接主义相融合、自然科学和社会科学（认知科学、心理学、社会学等）相融合的技术路径，辅助以可解释人工智能技术，使智能技术能够更好地理解和推理事物运行背后的复杂或者隐含关系、凝练和总结出任务执行过程的基本规律，并逐步达到类人的推理水平，使智能技术能够更多地辅助（乃至承担）决策与指挥控制任务。 5.2　面向数据隐私保障需求的全局和本地协同化训练和部署技术当前，数据依然是军事智能技术发展的主要驱动力之一、基石之一。然而，数据隐私和安全问题日益凸显、广受关注，尤其是在涉及敏感个人信息、关键敏感领域信息等关键数据的应用场景中；此外，很多军事应用任务存在数据无法共享、交换、流转的情况，导致“虽然全局层面数据量可观、但是局部层面可用于智能模型训练的数据量较少”的情况，导致无法汇聚大量数据进行军事智能技术训练。针对上述问题，依托联邦学习、分布式学习、差分隐私等技术方案，克服全局数据与本地数据之间的协同训练等技术瓶颈，探索复杂模型参数的局部化训练方法，探索在保障数据隐私性和安全性的前提下，实现数据的“物理隔离、逻辑统一”，实现有效的知识共享和模型训练的全新解决方案。在不暴露数据的情况下，实现利用最大可能性、最大范围的数据对智能模型开展训练和优化，兼顾智能模型训练推理效率和安全性的同时提升。 5.3　面向边缘侧赋能的低资源运行部署技术现有军事智能技术及系统主要依托于数据中心式服务器提供算力支撑而对外提供智能服务，然而物联网时代的大量边缘侧设备催生边缘侧数据量规模空前激增，如果所有数据均传输回数据中心进行分析，不仅加重传输带宽载荷、造成传输速度降低、服务响应速度降低，而且加大了数据中心的存储和计算负担；另一方面，在现有边缘设备上部署现有智能模型，也面临着计算资源受限和能耗过高的挑战。针对上述问题，探索人工智能模型在资源受限的边缘侧设备上部署运行与实时推理的全新技术方案，有助于提升无人平台的在复杂环境中实时推理与自主决策能力，进而提升任务执行效率。此外，新型计算硬件（例如专用人工智能芯片）也将推动这一趋势的发展。最终实现“云-边-端”协同的智能技术服务能力，提升军事智能技术的资源利用效能和分配弹性，以及服务响应效率和灵活性。 5.4　面向存算资源弹性调配的大模型的小型化和专用化技术作为引领当前人工智能技术与行业发展的关键技术，基于大模型的生成式人工智能技术虽然性能强大，但资源消耗巨大、不易部署和更新，而且对数据规模和数据质量的需求非常迫切（传统人工智能模型通常也需要大量数据才能达到较好的性能，这在数据稀缺的场景中显得不切实际）；此外，通用化大模型往往难以满足特定领域和任务的性能需求。针对上述问题，大模型的小型化和专用化，并能够灵活适配于、自适应于数据稀缺的任务，将成为军事智能技术的重要发展趋势。通过模型压缩、剪枝和知识蒸馏等手段，将大模型转化为更小、更高效的版本；同时，发展更多自适应特定任务的专用模型，与通用模型相结合，上述组合能够规避任务中全部使用大模型带来的巨大开销。最终，形成“大小模型结合、通专模型结合”的弹性智能服务路线，并且能够根据任务弹性定制“大、小”比重、“通、专”比重，以满足不同应用场景任务的需求，形成集约化的军事智能解决方案。

6 结束语****

在当今国际战略格局中，人工智能技术已深入渗透至军事领域的多样化作战样式与手段，成为驱动军事变革的核心力量。人工智能技术与军事应用的不断结合，使军事智能技术备受瞩目，催生了一系列新型战争形态，改变了战争胜利的根本逻辑，显著提高了军事作战的整体能力。近期，以美国为首的世界军事强国在政策导向、资金支持、架构调整等方面展开了全方位的战略规划和布局，大力推进军事智能技术在军事领域的深度应用。世界主要国家不仅着力攻克军事智能的核心技术难题、实现技术突破，而且迅速将军事智能技术整合进现有的信息系统和武器装备体系，通过加速推进人工智能的军事赋能，确保在日益严峻的国际形势和战场环境中占据战略主动与竞争优势。

大型语言模型时代的协作式人工智能智能体

构建能够可靠代表人类执行任务的智能体，是人工智能（AI）领域的核心目标之一。为了实现这一目标，智能体不仅需要能够灵活地与工具（如搜索引擎和数据库）交互，还必须具备协作能力。 本论文系统地研究了在大型语言模型（LLM）时代支持智能体开发所需的抽象机制、方法论和基础设施。全文分为四个部分，分别阐述如下： 第一部分探讨了以目标为导向的协作场景，其中至少一个组成部分基于LLM。为了使LLM组件能够有效与其他组件协同工作，尤其是在通过API暴露的传统软件系统中，它必须遵循预定义的接口规范，并引导协作朝着高效目标推进。我们表明，LLM的解码算法可作为一种无需更改底层模型的高效策略，既能遵循接口，又能实现智能协作。 第二部分面向LLM能力不足、又缺乏有效训练信号的协作场景。为解决此类问题，我们提出了一个新的原则：利用结构不对称性进行合成数据生成，并展示了即使在LLM本身无法直接解决任务的前提下，该方法也能生成有用的数据。我们还将该方法与LLM自我改进机制的代表性研究建立了联系，凸显了该策略的通用性。 第三部分探讨了多个AI系统、工具与人类之间的协作。我们提出了一种新的抽象框架，并配套开发了一个支持并发和模块化的库，构建起理论与实践相结合的基础设施，能够系统地建模、实现和研究任意复杂的结构化交互。为验证该框架的潜力，我们应用其系统地研究了复杂协作在解决编程竞赛问题中的优势。 第四部分提出了一个名为**语义解码（semantic decoding）**的新视角，用以系统分析结构化交互的设计空间。该部分以对未来研究方向的讨论收尾，特别聚焦于在前三部分工作基础上，语义解码视角所引发的研究机遇与关键问题。

关键词：人工智能智能体、大型语言模型、合成数据生成、解码算法、Transformer、自然语言处理、人工智能

大型语言模型（Large Language Models, LLMs）具备强大的人工智能能力，但由于其高资源消耗与推理延迟，在实际部署中面临诸多挑战；相较之下，小型语言模型（Small Language Models, SLMs）虽然在性能上有所妥协，却具有高效、易部署等优势。因此，LLM 与 SLM 的协同合作正逐渐成为一种关键范式，用以在性能与资源之间实现协同优化，尤其适用于资源受限的边缘设备中的先进 AI 应用。 本文综述了 LLM–SLM 协作机制的最新研究进展，系统梳理了多种交互机制（如流水线式协同、路由机制、辅助性联动、知识蒸馏、模型融合）、关键支撑技术，以及由低延迟、隐私保护、个性化与离线运行等终端需求所驱动的多样化应用场景。通过总结当前研究成果，我们展示了该协同范式在构建更高效、可适配、易获取的人工智能系统方面的巨大潜力。

同时，本文也深入探讨了该领域所面临的若干持续性挑战，包括系统开销、模型间一致性、任务分配的鲁棒性、评估复杂性，以及安全与隐私问题等。

展望未来，研究将进一步朝着智能化自适应框架、深层次模型融合，以及多模态与具身智能的协同扩展方向发展，推动 LLM–SLM 协作成为下一代实用型与普及型人工智能的重要推动力。

1 引言

1.1 研究背景与动机

近年来，大型语言模型（Large Language Models, LLMs）在自然语言处理、代码生成、智能问答等多个领域取得了突破性进展（Brown et al., 2020；OpenAI, 2023）。然而，随着模型参数规模不断增长，其对计算资源的消耗、能耗成本以及部署开销也显著上升。尤其在需要低延迟和高隐私保障的边缘场景中，如智能手机、物联网设备和边缘服务器，传统基于云端的 LLM 推理模式面临严重的可行性挑战（Zhou, Lin, & Qian, 2024）。 与此同时，小型语言模型（Small Language Models, SLMs）因其结构轻量、推理速度快、部署便捷，广泛应用于资源受限的终端设备中（Gao, Zhu, & Liu, 2025）。在此背景下，大型与小型语言模型之间的协同机制逐渐成为学术界与工业界关注的重要研究方向。其核心目标在于，通过智能协作，融合 LLM 的强大能力与 SLM 的高效优势，构建出更智能、高效、可可靠部署的推理系统。

1.2 大小模型协同的定义与研究范围

广义上讲，大小模型协同是指在一个系统中，大型语言模型与小型语言模型协同工作、优势互补的机制。这一范式可细分为多个研究方向，包括：流水线协同、并行协同、条件触发推理、知识蒸馏等（Wang, Zhang, & Hu, 2024；Gao, Zhu, & Liu, 2025）。 例如，流水线协同是一种串行执行模式，其中一个模型的输出作为另一个模型的输入（Wang et al., 2024）。通常 SLM 负责前置处理或生成候选结果，再由 LLM 进行复杂推理或知识融合（Gao et al., 2025）。在级联预测框架（Cascade Speculative Decoding）中，SLM 生成草稿响应，LLM 并行进行验证与修正，从而提升响应速度（Chen, Liu, & He, 2023）。 在条件推理方面，有研究提出利用置信度分数来判断是否调用 LLM，以实现按需激活机制（Gupta, Rajbhandari, & Zhao, 2023）。此外，知识蒸馏通过训练过程将 LLM 的知识压缩并迁移至 SLM，从而提升后者对复杂任务的建模能力，同时保持其计算效率（Gu, Ren, & Lin, 2024）。上述研究构成了大小模型协同的核心范畴，并为构建节能高效的 AI 系统提供了理论与实践基础。

1.3 端侧大模型的兴起与协同机制研究的推动

近年来，随着芯片性能的提升与模型压缩技术的成熟，端侧大型语言模型的兴起推动了协同机制研究进入新阶段。诸多科技公司已开始在终端设备部署自研大模型。例如，Apple 于 2024 年在其“Apple Intelligence”系统中集成了一款参数规模约为 30 亿的端侧语言模型，用于本地处理部分自然语言任务，并将复杂请求交由云端模型处理（Apple Inc., 2024）。华为则在其 HarmonyOS 智能助手中引入了轻量化的盘古大模型版本，实现了边缘-云混合推理（Huawei Technologies, 2024）。 该类架构引发了诸多新研究问题：如何更高效地划分 LLM 与 SLM 之间的任务边界？如何管理边缘与云端间的计算卸载与动态路由？协同机制如何在保障响应质量的同时优化整体能耗效率？相关挑战还包括模型选择策略、边云通信开销、隐私保护机制以及多模型融合的精度问题（Zhang, Sun, & Liu, 2025）。 因此，大小模型协同机制不仅是当前理论研究的热点问题，更是智能终端迈向本地化、高性能、低功耗 AI 推理的重要技术路径。

1.4 本文结构与贡献

本文首先引入研究背景与动机，并界定了大小语言模型协同机制的定义及研究范围。接着，第二章将详细阐述相关基础概念，包括 LLM 与 SLM 的特点、优势与局限性，以及协同的理论依据与现实必要性。 第三章深入探讨大小模型协同的机制与架构，系统归类并介绍常见模式，如流水线式、混合/路由式、辅助增强式、知识蒸馏驱动型以及模型融合等，并分析实现协同所需的关键支撑技术。 第四章则结合终端侧需求，探讨协同机制在实际场景中的应用，包括低延迟实时推理、隐私敏感任务、个性化定制、离线/弱网环境以及能耗受限场景下的解决方案。 最后，第五章总结当前该领域面临的挑战与开放问题，展望未来的发展趋势，并归纳本文的研究价值与理论贡献。

自20世纪90年代初以来，无人作战飞行器（UCAV）已成为现代战争中不可或缺的装备。尽管第一代无人机（UAV）早在第一次世界大战期间即已部署，但“捕食者”“死神”与“全球鹰”等UCAV彻底革新了现代战争模式。长期以来，工程师与军事决策者设想以UCAV取代有人战斗机，技术发展也指向这一趋势。然而，洛克希德·马丁等公司同期提出了另一种UCAV概念，主张其应“补充而非替代现役有人与无人系统”，并“作为未来系统簇（System of Systems, SoS）的组成部分运行”。该公司于1995年提出的“无人战术飞行器”概念，即当今所称的“忠诚僚机”。

“忠诚僚机”具备多重优势：

• 风险转移：僚机可执行压制敌方防空系统等高危任务，而有人指挥机保持安全距离，降低飞行员与机体风险。
• 机动优势：UCAV不受人类生理限制，可实施更高强度机动以获取战术优势。
• 成本效益：UCAV有望实现更低成本，通过小型化、轻量化设计及缩短服役周期降低全寿命费用。

由于“忠诚僚机”与指挥机高度网络化，该概念还带来额外效益：

• 态势感知增强：通过传感器融合技术提升指挥机飞行员的战场态势感知能力。
• 任务负荷优化：僚机可应对空中威胁，使有人机飞行员专注于近距空中支援等任务，提升作战效率。
• 实时控制优势：与“捕食者”等远程操控无人机不同，“忠诚僚机”主要实施本地化控制，指挥官可直接感知战场态势，规避远程操控的技术、后勤与伦理挑战。

基于上述优势，多国已启动“忠诚僚机”研发计划，典型案例包括克拉托斯防务的XQ-58“女武神”与波音澳大利亚的MQ-28“鬼蝠”。尽管相关概念开发投入巨大，但当前仅有少数飞行原型机处于早期测试阶段，尚未公开验证其可行性。本文旨在填补此概念验证空白，并尝试揭示“忠诚僚机”的“最优”设计与作战概念（CONOPS）需求。为此，本文提出一种创新方法，通过融合系统簇工程（System of Systems Engineering, SoSE）、知识驱动工程（KBE）与基于智能体（ABM）的作战仿真，设计并评估作为系统簇组件的创新飞行器构型。

本文结构：

• 第一部分（主体研究）以科研论文形式呈现，描述研究问题与方法论，验证方法论有效性，开展全面结果分析并得出结论。

• 第二部分（文献综述）为支撑第一部分而进行的系统性文献研究，涵盖无人机与UCAV历史发展、现代飞行器设计方法及无人飞行器设计特殊性。

• 第三部分（辅助研究）提供支持第一部分的补充工作，包括飞行器尾翼构型选型、展弦比权衡分析，以及第一部分所应用模糊层次分析法（FAHP）的详尽阐释。

本文介绍探讨了美陆军“反小型无人机系统”（C-sUAS）与“小型无人机系统”（sUAS）现代化工作。

反小型无人机系统

小型无人机（sUAS）的扩散对美军及盟友构成持续演变的非对称威胁，需采取分层、自适应、跨域应对方案。作为国防部（DoD）C-sUAS执行机构，陆军通过持久系统、现代化举措与未来投资构建分层架构，应对当前及未来威胁。

美陆军初期应对sUAS的能力包括“毒刺”导弹系统与“反火箭炮、火炮及迫击炮”（CRAM）系统。随后快速开发原型系统，如配备电子战（EW）与动能拦截器的“机动式低慢小无人机综合击败系统”（M-LIDS）与“固定站点LIDS”（FS-LIDS）。陆军将低成本动能拦截原型“郊狼”与Ku波段射频传感器（KuRFS）雷达结合，经实战验证有效性后，选定其为持久解决方案——C-sUAS连。

陆军正通过五条独立工作线持续推动C-sUAS现代化：

• 工作线1：联合紧急作战需求支持

美陆军通过中央司令部（CENTCOM）与非洲司令部（AFRICOM）验证的“联合紧急作战需求”（JUONs）与“作战需求声明”（ONS），提供C-sUAS能力。此工作线旨在向战区部署能力，降低士兵面临的敌方无人机即时风险，包括配备动能与电子战系统的M-LIDS与FS-LIDS。陆军持续改进“郊狼”动能拦截器并扩展传感器覆盖范围，同时将“郊狼”拦截弹年产量提升至1,200枚以满足需求。

• 工作线2：本土及特定固定站点防护

美陆军响应内部指令性需求，为美国本土（CONUS）与海外（OCONUS）优先设施提供C-sUAS防护能力。已采购全部优先设施装备，未来两年内将按分层防御战略部署、安装并培训。部分资产已交付，并持续协同其他机构推进本土防御。

• 工作线3：C-sUAS连建制

第三工作线利用战区指挥官验证的C-sUAS装备，为师级关键资产建立防护层，新设师级C-sUAS连。陆军将于2025财年第三季度（首先部署至第一骑兵师，随后为第82空降师）列装首批连队。

• 工作线4与5：部队与单兵通用C-sUAS能力

最新工作线旨在为旅级至班组级作战单元提供全梯队防护。通过“接触转型2.0”计划，陆军正试验部队与单兵能力，确保机动编队分层防护。此工作线采用“试用-决策-采购”迭代模式，可在数周（而非数年）内筛选最优C-sUAS方案。

现代化工作

认识到对手无人机技术的快速进步，美陆军在所有工作线（LOEs）中优先推进并整合现代化举措。陆军当前开展多项竞争性项目以提升反小型无人机（C-sUAS）技术：

• 下一代C-sUAS导弹：为应对日益敏捷与强韧的威胁，陆军正在开发射程更远、目标截获速度更快且制导能力更强的新型拦截导弹。陆军采用竞争性“其他交易协议”（OTA）推进研发，预计2025财年完成筛选。

• 前沿区域防空指挥控制（FAAD-C2）竞争性替代方案：FAAD-C2目前是陆军集成C-sUAS传感器与效应器的主要交战控制系统。鉴于需提升互操作性与可扩展性，陆军正评估替代方案以强化数据融合、AI驱动自动化与联合部队整合能力。陆军与“国防创新单元”（DIU）合作开展竞争项目，计划2025财年底选定替代FAAD-C2反无人机火控功能的方案。

• 手持式与小型武器集成光学设备：针对对手广泛使用商用现货（COTS）无人机，陆军正列装手持式C-sUAS系统，并在小型武器上集成智能光学设备以增强徒步作战能力。这些方案为前沿部署部队提供快速交战选项。此次竞争将筛选多套系统，满足“部队与单兵通用工作线”多样化需求。

美陆军还计划未来开展先进雷达（主动/被动）与电子战技术竞争性研发。“快速能力与关键技术办公室”（RCCTO）正推进定向能与高功率微波技术研发，其多项能力已在中央司令部（CENTCOM）作战区域完成实战评估。

反小型无人机系统未来现代化计划

未来，陆军致力于开发并部署下一代反小型无人机（C-sUAS）能力，为多梯队提供持续、自适应且可扩展的防护。重点领域包括：

• 人工智能（AI）与机器学习整合：人工智能赋能的威胁检测与自动化决策将提升反无人机交战速度与精度，同时降低士兵认知负荷。

• 定向能武器：高能激光与高功率微波技术正在研发中，旨在以极低单发成本应对大规模无人机群。

• 多域整合：反无人机能力从地面部队扩展至海上与空中平台，构建覆盖全谱威胁的联合部队能力。

• 联合与盟友协同：实现各军种间及与北约盟友的反无人机互操作性，是应对全球无人机威胁的关键。

• 产业合作与快速采办：陆军正通过快速原型开发与迭代测试，与产业伙伴紧密协作，加速前沿方案的开发与部署。

小型无人机系统（sUAS）

陆军持续在作战中推进无人机整合，目前正通过“接触转型”部队向士兵交付相关能力。1至3级无人机为陆军旅级及以下梯队提供关键情报、监视与侦察（ISR）能力。这些平台可提供实时态势感知，增强部队防护，延伸杀伤链，并在复杂环境中实现更明智的决策。

陆军小型无人机现代化项目致力于构建分层能力体系：

• “专用可消耗系统”（PBAS）/“第一人称视角”（FPV）（1级无人机）：利用商用现货（COTS）技术快速装备部队，优先提升态势感知、侦察、远程操作能力及士兵杀伤力，强调部署速度、效率与经济性。

• “短程侦察”（SRR）（1级无人机）：为机动排级单位配备无人机，支持“侦察、监视、目标捕获”（RSTA）任务。系统重量小于5磅，航程3至5公里，续航30分钟，集成模块化载荷、避障、目标识别、自动跟踪与组网能力。陆军已于2024年完成1,138套基线SRR无人机的列装。2025财年启动的第二轮列装将基于士兵反馈与技术成熟度增加新功能。

• “连级指令性需求”（DR）（2级无人机）：为机动连队配备支持RSTA的无人机，航程10公里，24小时内可执行8小时任务覆盖。2024财年已向“接触转型1.0”部队交付41套系统。“接触转型2.0”系统集成“可靠定位导航授时”（APNT）与激光标定能力，采用“模块化开放系统架构”（MOSA）实现新技术快速整合。此项目为“中程侦察”（MRR）需求提供参考。

• “远程侦察”（LRR）（2级无人机）：为机动营级单位配备无人机，重量小于55磅，航程40-60公里，续航5-10小时，集成APNT、光电/红外、激光标定与动能架构，采用MOSA架构加速新技术整合。项目运用改进型COTS方案实现快速交付，计划2025财年向“接触转型”部队提供开发阶段能力。

• “联合战术自主空中补给系统”（JTAARS）（按重量属3级无人机，经特批可按1级训练操作）：为机动指挥官提供自主空运补给能力，支持高机动战术部队快速保障。系统具备自主起降、导航与载荷投放功能，采用GPS/卫星通信导航，航程26公里，载荷≥125磅。2024财年陆军完成对美海军陆战队TRV-150C的评估，合作周期从三年压缩至六个月。计划2025财年向“接触转型”部队直接部署增强能力。

• “旅级指令性需求”（DR）（2-3级无人机）：当前处于评估阶段，为陆军提供过渡训练能力。2025年3-4月将举行9家供应商的飞行测试与制造准备度评估。

• “未来战术无人机系统”（FTUAS）（3级无人机）：具备多域能力，增强陆军战场优势，为地面指挥官提供多样化选项并保障联合部队机动自由。该垂直起降（VTOL）无人机无需跑道，侦察与警戒能力优于已退役的“影子”系统，着陆区更小、部署更快、运输性更优、声学特征更低。项目已完成关键设计评审（CDR）、供应商飞行演示、MOSA用例验证及首套原型交付，并启动开发测试以验证其在威胁环境中的作战效能。

小型无人机系统未来现代化计划

为在威胁持续演变的时代保持战场优势，陆军正探索小型无人机（sUAS）领域多项未来能力投资方向，并承诺根据对手进化灵活调整计划，确保应对时效性。

• 模块化开放系统架构（MOSA）：陆军采用符合MOSA标准的开发模式升级平台，避免锁定特定配置或方案，使产业界能在新能力上线时快速竞争。
• 下一代技术：陆军投资提升无人机续航（电池）、载荷能力、抗电子战（EW）威胁韧性及先进自主性等增强型能力。
• 互操作性与数据融合：为确保无人机数据无缝融入陆军现有及未来网络，并实现全梯队信息快速分发与分析，陆军正推进以数据为中心的举措。尽管硬件常受关注，但软件同样关键——需持续汲取士兵使用反馈以优化系统。
• 强化训练与模拟能力：为提升士兵应对多样化威胁的能力，陆军投资开发强健训练计划与高拟真模拟器，使操作员掌握复杂对抗环境中高效运用无人机的技能，减少训练损耗。

结论

鉴于对手带来的当前及未来安全挑战，陆军须持续协同国防部与国会，快速适应动态环境。随着对手不断投入技术研发以抵消美军优势、利用漏洞，小型无人机（sUAS）与反小型无人机（C-sUAS）项目必须获得及时、充足、可预测且持续的资金支持，方能保持对敌优势。主席先生及小组委员会各位尊敬的委员，感谢你们对陆军杰出官兵、文职人员及其家属的坚定支持。

2007年7月，美国众议院第487号决议正式将建模与仿真（M&S）列为美国关键技术。此举标志着对M&S近七十年来在核试验与裁军、太空探索、国土安全及经济发展等领域角色的官方认可。美国在M&S多领域应用（尤其是国防领域）处于世界领先地位，相关技术被用于战略行动分析与军事训练。美国防部每年在M&S工具、流程与产品上的投入约40亿至75亿美元。此外，美国将M&S技术应用于商业领域，支持培训、决策与管理实践。随着计算资源成本下降与M&S能力提升，该技术将在工业、政府与社会中释放更深远效益。尽管M&S已深度渗透现代社会，但其对多数美国人仍具神秘性：何为M&S？其功能何在？如何赋能经济、社会与生活质量？应兰迪·福布斯众议员要求，国家训练与仿真协会汇编本文件解答这些问题。

本文概述M&S核心概念及其经济与功能影响，梳理跨学科历史贡献，探讨支撑M&S应用与发展的人才需求，并阐述当前应用场景与未来潜力。

建模与仿真的未来图景

未来十年，建模与仿真（M&S）的应用潜力将因互联网的触达与算力跃升而进一步释放。以下领域将见证M&S对社会与生活的深远影响。

• 国家安全虚拟整合空间
  M&S技术可有力支持美国防部（DoD）军事关键任务领域（KMA）。面对经济与军事双重挑战，DoD需构建21世纪新型业务模型，而基于虚拟世界与互联网沉浸式整合的M&S技术将赋能此类创新。无论是本土防御还是远程应急作战，作战人员需协作规划与训练以应对复杂任务。沉浸式技术的核心价值在于通过决策与行动协同，全面整合现代战争要素。充分释放沉浸式可视化、训练与仿真的潜力需进一步探索，包括虚拟世界泛在部署、社交媒体整合与移动互联网设备应用。

• 移动仿真与云计算
  信息技术进步催生具备优质视觉与网络连接的移动设备。结合云计算技术，政府官员、军事指挥官、商业分析师或游戏玩家均可通过智能手机或平板运行复杂仿真。云端处理海量计算与数据库，终端设备显示菜单、图表、3D图像与流程图。只要模型接入开放网络，全球用户均可调用运行。此架构为军民需求提供"即时"培训、数据与资源支持，突破地域限制。同时，该技术催生新型商业模式：用户无需购买完整仿真授权，可按需租赁模型。移动设备成为全球算力与软件入口，短期内即可实现交通流、施工流程、手术教学、军事行动或气象变化等模型的低成本泛在访问。

• 机器人与智能机器
  机器人最初被设想为可替代人类的自主智能体。20世纪60年代工程师曾认为，实现灵巧、安全且无需人类操控的机器仅需几步之遥。如今，机器人多为特定任务设计，几乎所有动作仍由人类操控（如地面作战机器人或手术机器人）。M&S技术可降低机器人对人类操作者的依赖，赋予其更高"智能"。当前机器人缺乏对环境感知与自主决策的算法，而虚拟实体已具备移动、观测与基础反应能力。此类"智能"技术的深度开发可应用于实体环境机器人。例如，医学研究者正探索心脏手术自动化：通过CT扫描构建患者胸腔3D模型，机器人可在手术技师监督下执行开胸操作，无需心脏外科医生现场指导。此类技术对战场士兵或太空宇航员的远程手术具有重要价值。

大型语言模型（LLMs）在规划生成方面展现出巨大潜力，能够将初始世界状态转化为目标状态。大量研究已探索了 LLM 在各类规划任务中的应用，如网页导航、旅行规划以及数据库查询等。然而，这些系统多数为特定任务量身定制，导致难以进行统一比较，也难以评估在新任务中采用何种方法最为合适。此外，目前在评估标准方面尚缺乏明确且一致的规范。

本综述旨在对现有的 LLM 规划器进行系统性梳理与分析，以填补上述空白。我们在 Kartam 和 Wilkins（1990）奠定的基础工作上，围绕六个关键性能指标展开研究：完备性（completeness）、可执行性（executability）、最优性（optimality）、表示能力（representation）、**泛化能力（generalization）**与 效率（efficiency）。针对每一项指标，我们深入分析了具有代表性的研究工作，评估其优劣与适用场景。

此外，本文还明确指出了未来研究的关键方向，因此不仅为希望利用 LLM 规划技术支持**智能体工作流（agentic workflows）**的从业者提供了实用参考，也为领域新入者提供了系统性的入门指南。

图结构数据广泛存在于社交网络、生物系统、知识图谱和推荐系统等领域。尽管基础模型已通过大规模预训练和强泛化能力在自然语言处理、计算机视觉和多模态学习中取得了革命性进展，但将这些能力扩展到图数据上——该数据具有非欧几里得结构和复杂的关系语义——仍面临独特挑战，同时也带来了新的机遇。为此，图基础模型（Graph Foundation Models, GFMs）旨在为结构化数据赋予可扩展的通用智能，从而支持跨图任务和跨领域的广泛迁移。 本综述系统地回顾了GFMs的发展现状，并提出一个统一的模块化框架，将现有多种研究工作归纳为三个核心组成部分：主干架构、预训练策略和适配机制。我们依据GFMs的泛化范围将其分类为通用型、任务特定型和领域特定型三大类，并在每一类别下回顾具有代表性的方法、关键创新与理论洞察。 除了方法论，我们还探讨了GFMs的理论基础，包括可迁移性和涌现能力，并指出当前面临的核心挑战，如结构对齐、异质性处理、可扩展性和评估机制。GFMs位于图学习与通用人工智能的交汇点，有望成为在结构化数据上进行开放式推理的基础性基础设施。 本综述汇总了当前的研究进展，并展望了未来的发展方向，旨在为该快速演进的研究领域提供有价值的参考与指导。相关资源可访问：https://github.com/Zehong-Wang/Awesome-Foundation-Models-on-Graphs。 在机器学习领域，实现“一模型通用”（one-model-fits-all）的范式一直被视为最具雄心和变革性的目标之一。该愿景旨在构建高度可泛化的模型，能够在无需大量任务特定架构设计或训练的情况下，胜任多个领域的广泛任务。历史上，机器学习一直以针对特定数据模态和任务目标的专用模型为主导[1]，通常依赖手工设计的特征[2]和依赖领域的优化策略[3]。从早期的基于规则的系统和线性分类器，到深度学习的崛起，机器学习的发展体现了在表示学习、可扩展性和任务性能方面的持续提升[4, 5]。 传统模型如决策树、支持向量机（SVM）和k近邻（KNN）在低维度、结构化环境中表现良好，但在处理高维、非结构化或多模态数据时面临挑战。深度学习模型的出现——如用于视觉的卷积神经网络（CNN）[6]和用于序列数据的循环神经网络（RNN）[7, 8]——显著提升了感知任务的表现。然而，这些模型仍需进行任务特定的微调、架构调整，并依赖大规模标注数据以实现稳健的泛化能力。 随着迁移学习[9]和自监督学习[10]的发展，模型可以从大规模未标注数据中学习具有广泛可迁移性的表示，标志着范式的重大转变。这些进展为**基础模型（foundation models）**的出现奠定了基础，后者通过在海量数据上训练以获取通用知识，能够快速适配各种下游任务。 基础模型的核心特征包括其规模性、通用性以及跨异构数据源的预训练能力。它们被设计为捕捉可迁移的归纳偏置，使得在极少的任务监督下也能实现强大的性能表现。扩展法则（scaling laws）[12, 13]与数据驱动的学习范式推动了基础模型在自然语言处理、计算机视觉、机器人等多个领域的成功。例如，大型语言模型（LLMs）[14, 15]通过将文本分词处理，并将翻译、摘要、推理等任务建模为自回归的下一个token预测问题。同样地，大型视觉模型（LVMs）[16, 17, 18]将视觉输入视为token序列，使用基于Transformer的架构处理图像问答、图像描述或图像生成任务。这些模型展现出惊人的零样本（zero-shot）与小样本（few-shot）泛化能力，能够在无需大规模微调的情况下快速适应新任务。 在这一背景下，**图基础模型（Graph Foundation Models, GFMs）**的兴起（见图1）旨在将上述能力拓展至图结构数据——这一具有关系依赖、排列不变性和非欧几里得几何特征的关键但本质上不同的数据模态[19, 20, 21]。GFMs致力于为各种基于图的应用场景提供统一、可预训练、可适配的解决方案，涵盖从分子性质预测、知识图谱推理到社交网络分析和推荐系统等任务。

例如，OFA[22]在包含文本属性的八个图（TAGs）上运行，这些图涵盖引文网络、Wikipedia网络、知识图谱和分子图等，每个节点都附带文本描述。通过共享的文本编码器，OFA将节点描述映射至统一的嵌入空间，实现跨图节点特征的对齐。为了弥合预训练与下游任务之间的鸿沟，它引入了提示图机制（prompt graph mechanism）以增强任务适配能力。类似地，GFT[23]通过将图数据建模为计算树来识别可迁移模式，借助树结构重建任务对齐跨图的节点表示，从而捕捉跨领域的泛化能力。GFT的一项关键创新是构建可迁移的树结构词表，编码在不同图域中共享的结构模式。 除了这些通用模型，还存在许多为特定任务（如节点分类[24, 25]、异常检测[26]、推荐系统[27]）或特定领域（如知识图谱[28, 29]、分子图[30, 31]、计算图[32, 33]）而设计的GFMs。 已有综述。 尽管GFMs研究迅速发展，且受到了越来越多的关注，但当前文献中仍缺乏一部全面、系统的综述，以覆盖该新兴领域的广度与深度。现有综述通常聚焦于GFMs的某一方面，提供的是零散视角，尚未全面揭示其基础技术、设计挑战与研究方向。例如，Liu等[34]基于主干架构将GFMs分类为基于GNN、基于LLM和GNN+LLM混合模型，但其讨论局限于方法层面，未涉及应用与理论理解。Zhao等[35]则围绕预训练目标进行分析，尽管提出了有价值的学习范式观点，但未涵盖系统设计与理论深度。Mao等[36]从转移性视角出发，聚焦于泛化能力的理论解释，但未对方法创新与实证研究进行系统整理。Wang等[37]也强调可迁移性与涌现能力，但未能涵盖GFMs的完整架构、算法和应用维度。另有如Zhao等[38]关注跨领域图学习，这虽是GFMs设计的一个重要维度，却难以涵盖跨任务泛化与结构对齐等核心问题。其他如Wu等[39]探讨GFMs在推荐系统中的应用，而近期综述[40, 41, 42, 43]聚焦于GNN与LLM的集成，更多地视为一个子领域而非整体GFMs框架的一部分。 我们的立场。 本综述旨在填补上述空白，系统化地回顾图基础模型的发展。我们首先介绍GFMs的历史演进与基本挑战，随后提出一个统一的模块化框架，将GFMs分解为三大核心组件：主干架构、预训练策略与适配机制。我们引入一个系统的分类体系，将GFMs划分为通用型、领域特定型与任务特定型，并在每一类中进行详尽的文献回顾，涵盖其设计理念与代表性模型。 此外，我们还分析GFMs的理论基础（如扩展法则、可迁移性理论与涌现能力），并整理相关基准资源与当前局限。最后，我们总结该领域的关键开放问题与未来研究方向，以指导后续研究。 我们的主要贡献如下： * GFMs设计挑战（第3节）：我们将构建图基础模型所面临的核心挑战归纳为三个维度：特征异质性、结构异质性与任务异质性，突出图结构数据在大规模学习中的复杂性。 * 统一框架（第4节）：提出一个统一的模块化框架，将GFMs拆解为主干架构、预训练策略与适配机制三个关键组成部分，为理解不同设计方案提供系统化视角，并支持方法的可组合性。 * 分类体系与全面综述（第5、6、7节）：提出基于泛化能力范围的三分类体系：通用GFMs、领域特定GFMs与任务特定GFMs，并在每类下展开系统文献综述，介绍其设计理念与代表性模型。 * 理论基础（第8节）：探讨GFMs的理论支撑，包括扩展法则、可迁移性理论，以及关于图预训练泛化能力的新兴理解，为其实证成功提供理论基础。 * 资源与GitHub仓库（第9节）：为促进可复现性和研究加速，我们整理并发布了一个资源库，涵盖基准数据集、开源实现、预训练模型以及动态更新的GitHub项目：https://github.com/Zehong-Wang/Awesome-Foundation-Models-on-Graphs * 开放问题（第10节）：总结GFMs发展中尚待解决的关键问题，包括：异构图对齐的有效机制、可扩展与高效的适配方法、鲁棒的评估协议以及更深入的理论理解，这些问题为下一代通用图学习系统的发展指明方向。

图基础模型未来发展方向概述。 尽管GFMs取得了初步进展，其整体仍处于早期阶段，面临诸多挑战，如可扩展性、数据可用性、评估标准、模型利用以及理论理解等方面。首先，与已建立扩展法则的LLMs和VLMs不同，GFMs需开发更具扩展性的架构、高层次的生成目标及统一的学习实例以实现性能跃迁。其次，图数据的稀缺性亟需通过自动化采集、高保真合成生成和质量导向的数据集构建策略加以解决。第三，GFMs的评估需要反映真实世界任务的基准，以及能全面衡量泛化性、鲁棒性与可信度的指标。第四，GFMs的高效利用有赖于优化适配机制（如零样本学习与提示式学习）、拓展传统图任务之外的高影响应用场景，并融合多模态知识表示。最后，理论基础仍待深化，关键问题包括转移性的极限、跨域模式冲突的解决方案、分布偏移下的鲁棒性保障，以及泛化能力的理论保证。解决这些问题对于GFMs在多领域充分发挥潜力具有决定性意义。更多讨论详见第10节。

战争的未来或许将由AI决定，但人类是否仍有用武之地？

在1983年的电影《战争游戏》中，一台名为WOPR（战争行动计划响应系统）的超级计算机险些引发美苏核战争，但因一名少年（马修·布罗德里克饰）的机智得以避免灾难。一年后上映的首部《终结者》中，名为“天网”（Skynet）的超级计算机为保护美国核武器而决定灭绝人类——只因将人类视为对其存在的威胁。

尽管这些电影向观众展现了智能机器失控的黑暗图景，它们却具有预言性。如今的人工智能（AI）已司空见惯，甚至在简单的谷歌搜索中也被常规应用。因此，AI被融入军事战略毫不意外。问题在于，我们对其高科技武器（包括已部署与研发中的型号）的能力知之甚少，也尚未准备好迎接那些可能永久改变战争形态的系统的到来。

纵观历史，决定战争胜负的始终是运用技术的人类智慧，而非技术本身。但未来，当人类智慧专注于创造比对手更具战场优势的系统时，这一规律或将改写。

“指数级、难以克服的意外”

正如人工智能公司SparkCognition创始人兼首席执行官阿米尔·侯赛因（Amir Husain）在《媒体新闻》的一篇文章中指出的，人工智能（AI）并非一种易于探测、监控或禁止的技术。将AI要素——视觉识别、语言分析、基于仿真的预测及高级搜索形式——与现有技术及平台整合，“可迅速催生全新且难以预见的能力”。侯赛因写道，其结果“能创造指数级、难以克服的意外”。

先进战争技术已广泛普及。军用无人机（UAV）的应用引发了对“杀手机器人”的警示。当无人机不再受人类操控、可自主执行军事任务时会发生什么？此类无人机不仅限于空中，亦可在地面或水下运作。赋予这些武器自主能力的AI技术已触手可及。

其生产与采购成本极为低廉。俄罗斯从伊朗购买无人机用于乌克兰战争，而乌克兰则建立家庭作坊式产业自主制造无人机对抗俄军。商用无人机可轻易改装为军事用途，进一步模糊了商业与军事企业的界限。但现阶段，人类仍掌握控制权。

类似问题可见于军民两用的信息收集系统，包括卫星、有人/无人飞行器、地面与海底雷达及传感器。AI可处理来自这些系统的海量数据，识别人类难以察觉的规律与变化。美军在伊拉克与阿富汗战争中因无法有效处理大数据而部分受挫。如今，远程操控的无人机已借助AI实现自主起降与巡航，人类操作员仅需专注于战术决策（如选择攻击目标并执行打击）。

AI还使这些系统能够高速运作，其决策速度远超人类参与的流程。迄今为止，决策速度始终是战争的核心要素。若AI系统与人类直接对抗，前者必将胜出。然而，AI系统排除人类因素的潜力令那些不愿目睹银幕末日情景成真者深感恐惧。

自动化与自主化之辨

需明确“自主化”（autonomous）与“自动化”（automated）的差异。若人类操控无人机，则该无人机属于自动化；若无人机被编程为自主行动，则称其具备自主性。但“自主武器”这一术语究竟指代武器本身（如无人机搭载的导弹）还是无人机整体？以“全球鹰”军用无人机为例：当其受地面操作员控制时属于自动化，但若与地面失去通信，该无人机可自主降落。这应归类为自动化、自主化，还是兼具两者特性？

核心问题在于系统是否属于“安全关键型”——即是否具备无需人类操作员介入即可自主决策对目标使用武器的能力。例如，无人机可自主攻击静态军事目标（如敌方军事基地），但通常禁止其攻击人员目标，以防误伤平民。许多国家已开发出在前者场景中能自主行动的实时成像无人机，但涉及人员目标时仍需人工介入。

自主化武器不限于无人机。美国及部分欧洲国家正研发能在空中、地面、水面及水下自主行动的军事系统，但其技术成熟度参差不齐。

美、欧正开发可由士兵通过智能手机现场指挥的自主直升机。自主地面战车（如坦克与运输车）及自主水下载具亦处于研发中。然而在几乎所有案例中，研发机构仍难以实现从技术开发到实战部署的跨越。

此类技术成熟度不足的成因多样，包括成本与不可预见的技术障碍，但组织与文化壁垒同样棘手。以美国为例，其自主无人机实战化进程受阻，主因是组织内斗与对有人驾驶飞行器的优先投入。

未来战士

在未来的战场上，精锐士兵可能依赖头戴式显示器获取海量信息，这些信息通过背包中的超级计算机搭载AI引擎收集与传输。AI可即时分析、精简数据并反馈至显示器。这是美国国防部官员提出的众多潜在场景之一。五角大楼已采纳一项相对简明的概念——“超能操作员”（hyper-enabled operator）。

该概念的目标是赋予特种部队战场“认知优势”，即“通过比对手更快做出知情决策以掌控局势”。换言之，他们能基于接收的信息以快于敌方的速度决策。军方决策模型称为“OODA循环（观察、调整、决策、行动）”，其实现依赖于计算机整合所有相关数据，并通过头戴式显示器等简易界面将其提炼为可操作信息。

该显示器还将配备“视觉环境翻译”系统，旨在实时将外语输入转化为清晰英文。该系统名为VITA，兼具视觉环境翻译与语音即时互译能力。其翻译引擎可使操作员“在先前无法实现的场景中展开有效对话”。

VITA（全能智能翻译助手，Versatile Intelligent Translation Assistant）提供俄语、乌克兰语及中文（含普通话）的语言支持。例如，操作员可使用智能手机扫描外国街道，实时获取路牌翻译。

对手AI系统

军事专家将对抗性攻击分为四类：规避、推断、投毒与提取。此类攻击易于实施且通常无需高深计算技能。实施规避攻击的敌方可能试图欺骗AI武器以逃避侦测——例如隐藏网络攻击，或令传感器将坦克误判为校车。这可能需要开发新型AI伪装技术（如策略性贴条布置）以迷惑AI系统。

推断攻击指对手获取AI系统信息以实施规避技术。投毒攻击针对训练阶段的AI系统，干扰军用工具训练数据集——例如错误标注车辆图像以误导目标识别系统，或篡改维护数据将系统即将故障分类为正常操作。

提取攻击通过访问AI接口获取足够信息以构建系统平行模型。若AI系统存在未授权访问漏洞，对手可预测其决策并利用该预测获利。例如，预测AI控制无人系统对特定视觉与电磁刺激的反应，进而改变其路径与行为。

欺骗性攻击日益普遍，典型案例包括：图像分类算法被诱骗识别不存在的内容、曲解图像含义（如将海龟误判为步枪）。类似地，可迫使自动驾驶车辆错误变道或闯红灯。

“智能主导权”（亦称认知战或“大脑控制”）被视为智能化战争新战场。据五角大楼报告，对手正训练并装备部队使用AI传感器与计算机网络“快速识别美军作战体系关键漏洞，继而整合跨域联合力量实施精准打击”。

控制对手思维不仅影响其对环境的认知，最终左右其决策。认知战与陆海空传统域同等重要，社交媒体被视为关键战场。

俄罗斯亦在推进AI能力建设。早在2014年，俄方即在莫斯科启用国家防御控制中心，作为评估与应对全球威胁的集中指挥所。该中心旨在从多源收集敌方动向信息并为高级军官提供应对建议。

俄罗斯宣称将最终开发出能“运行世界”的AI系统。其已在乌克兰使用AI干扰乌军无人机导航卫星无线信号，致使无人机失控坠毁。俄国防部正探索开发陆海空无人系统AI应用，但短期政策仍坚持人类必须保持绝对控制权。

同时，俄罗斯试图以AI提升无人机指挥、控制与通信能力。俄国防部强调将AI用于数据采集与分析，视其为当前“数字化”作战技术与系统发展的自然演进。

“渡鸦岗哨”：美国阿富汗战争中的AI应用

美国情报机构在战场上使用AI虽短暂却成效显著。2019年由美国情报官员团队（代号“极客密室”）在硅谷技术支持下开发的AI工具“渡鸦岗哨”（Raven Sentry），旨在预测叛乱分子袭击。该工具的初始应用正值美军基地关闭、兵力缩减与情报资源转移之际。“渡鸦岗哨”依赖开源数据运作。

“我们注意到商业卫星数量激增、互联网新闻报道可获取性提升、社交媒体发帖激增及大规模用户通讯应用带来的机遇，”2019年7月至2020年7月担任阿富汗喀布尔“坚定支援”J2情报任务参谋长的托马斯·斯帕尔（Thomas Spahr）上校表示。

该AI工具还整合了阿富汗叛乱活动跨越40年（涵盖1980年代苏联占领时期）的历史模式，并纳入环境因素分析。“历史上，叛乱分子会选择特定日期（如节日）或特定天气与光照条件发动袭击，”斯帕尔指出。他补充道：“AI的精妙之处在于它能持续更新该模板。机器会随着数据吸收不断学习。”在2021年随美军撤出阿富汗而终止前，“渡鸦岗哨”已展现其可行性，对叛乱袭击的预测准确率达70%。该工具发现：当温度高于4摄氏度（39.2华氏度）、月照度低于30%且无降雨时，袭击发生概率更高。斯帕尔对结果表示满意：“我们验证了商业化生产的非密级信息可生成预测性情报。”

乌克兰：AI的战争试验场

自2022年俄罗斯乌克兰全面战争以来，俄乌战争已成为AI军事应用的试验场。面对火力与兵力的双重劣势，乌军通过改造市售设备将其变为致命自主武器。俄军同样运用AI实施网络攻击与GPS干扰。

乌克兰“猎隼侦察”四旋翼无人机“可自主发现、识别并攻击64类俄军‘军事目标’”。此类无人机设计为全自主运作，且俄军无法干扰其信号——与乌军其他无人机形成鲜明对比。

通过在线代码与树莓派等硬件店易购的爱好者计算机，乌军成功构建创新型杀手机器人。除智能手机操控的无人机外，乌军还开发了使用PlayStation或平板控制器操作的自主瞄准炮塔。该武器因外形酷似皮克斯机器人瓦力（WALL-E）得名“沃利”，可自动锁定1000米（3280英尺）内目标，并在预设位置间切换以快速覆盖广域。

制造商正研发可打击移动目标的升级版火炮，其能自动识别地平线外目标并完成瞄准，操作员仅需按键射击。乌军多数无人机外观与沃尔玛售品无异，称为“第一人称视角（FPV）无人机”。FPV时速100英里，配备四旋翼与无线摄像头，可将飞行画面回传操作员。加装炸弹后，FPV可化身反坦克武器，单价仅400美元——相比百万美元级坦克堪称廉价。制造商Vyriy（名称源自斯拉夫神话中的神秘国度）即以此类产品著称。

若单架自杀式无人机已具威胁，集群攻击则显著提升命中概率。自然界中，蚁群无论觅食或筑巢皆以整体行动；同理，自主无人机群可无需人类干预，以“有机体”形态执行任务，无视个体损毁或通信中断。

尽管人类仍处“控制回路”，此类武器亦可设计为全自主模式，即无需人工干预自主选择攻击目标。

乌克兰并非无技术根基而仓促采用AI武器。《纽约时报》记者保罗·莫泽指出：“长期以来，乌克兰一直是全球科技产业的‘后勤办公室’。”该国本就拥有大量程序员与专家，战时紧急转型将军用技术嫁接于民用产品（如约会软件）。莫泽报道称：“他们提取现有基础代码，结合战争新数据，将其改造为全新武器。”

“大型防务巨头正涌现酷炫创新，”战争技术作家P·W·辛格表示，“硅谷巨头与初创企业同样活跃。”

初创企业安杜里尔（Anduril）即为一例。创始人帕尔默·拉基（Palmer Luckey）在将虚拟现实头显Oculus出售给脸书（现Meta）后，创立该AI武器公司并向乌供无人机。“乌克兰是极富挑战的试验场，”他坦言，“乌方估算任何无人机平均寿命仅四周。关键在于能否快速响应与适应。”以《指环王》中圣剑命名的安杜里尔，其产品已销往美国等十国。

“我深信传统防务公司缺乏投资AI、自主系统与机器人的人才与激励机制，”拉基表示。其公司无人机ALTIUS可从发射管弹出并展开机翼与尾翼，以螺旋桨驱动如战机般携带30磅弹头。拉基认为相比波音等传统承包商，该模式能以更低成本更快量产AI武器。

安杜里尔（2017年创立）同时开发用于近海与深水勘测的Dive-LD水下无人机。“这款自主潜航器续航极长，可下潜至6000米（近2万英尺）深度——足以抵达几乎所有海床，”拉基介绍。乌军已自制海上无人机（实为装载炸药的摩托艇），在黑海对俄海军造成重创。

尽管安杜里尔CEO布莱恩·辛普夫承认其无人机在乌尚未取得显著战果，但他相信局势将变。此类无人机一旦发射即无需地面操控，使俄军难以通过信号干扰使其失效。

“机载自主系统是核心竞争力，”拉基强调，“这不是遥控飞机，而是搭载可自主搜索、识别并撞击目标的‘大脑’。”然而，乌军每项创新皆遭俄军反制。“数月前有效的技术如今须持续迭代，”胡佛研究所军事技术研究员杰奎琳·施耐德指出，“软件正彻底改变变革速率。”

加沙战争中的“薰衣草”系统

在入侵加沙行动中，以色列国防军（IDF）日益依赖人工智能支持的“薰衣草”（Lavender）程序锁定哈马斯成员，此举引发争议。据2024年4月以色列-巴勒斯坦媒体《+972杂志》与希伯来语新闻网站Local Call联合报道，以军实施的“薰衣草”系统对军事行动影响深远，情报官员实质上将AI机器的输出结果“视其为人类决策”。

“薰衣草”由以军精锐8200部队（相当于美国国家安全局或英国政府通信总部）开发。

以色列政府以实用性与效率为由为其辩护。“以军使用AI增强人类操作员的决策流程。此类应用符合国际人道法，如同2001年‘9·11’事件后多国军队在非对称战争中的实践，”TMC阿塞尔研究所研究员、颠覆性技术与军事法交叉领域专家玛格达·帕乔尔斯卡表示。

用于训练“薰衣草”识别武装分子的数据源自加沙地带230万居民，该地区在2023年军事行动前已处于严密监控。

报道称，多达3.7万名巴勒斯坦人被标记为疑似武装分子并列为潜在打击目标。“薰衣草”的打击清单在2023年10月7日哈马斯袭击（造成约1200人死亡、250人被劫持）后入侵行动启动前已制定完毕。配套AI系统“爸爸在哪？”（Where’s Daddy?）用于追踪名单人员动向。《+972杂志》消息源称，初期“无需核查机器选择目标的依据或审查原始情报数据”，负责官员对机器决策仅作“橡皮图章”式批准后即授权轰炸。一名情报官员坦言：“此阶段我每目标仅投入20秒，日处理数十个目标。作为人类除盖章外毫无价值，但这节省大量时间。”

已知“薰衣草”存在10%的误判率，意味着部分锁定目标可能与哈马斯或其他武装组织无关。打击通常于夜间目标人员居家时实施，导致其家属伤亡风险激增。

系统为每个体生成1-100分的关联度评分，依据其与哈马斯或伊斯兰圣战组织武装分支的关联程度。高分者及其家人邻居均遭清除，而据称官员以“效率”为由鲜少核查目标真实性。“这是我记忆中史无前例的，”一名使用过该系统的情报官员表示，并称同僚更信任“统计机制”而非悲愤士兵。“包括我在内，所有人都在10月7日失去亲友。机器冷酷执行任务，这让流程更轻松。”

以军此前曾使用另一AI系统“福音”（The Gospel）——该系统在《+972杂志》既往调查与以军出版物中均有描述——锁定疑似藏匿武装分子的建筑。“福音”调用数百万条数据生成打击清单，速度超人工情报团队50倍以上。加沙战事前两月内，其日均打击100个目标，约为十年前同地区冲突的五倍。哈马斯政治或军事意义建筑被标记为“权力目标”。

AI武器的弱点

若AI武器具备自主性，其必须拥有精确感知能力。换言之，若将民用车辆误判为军事目标，其响应速度无关紧要——车内平民终将丧生。当然，许多AI系统已在感知能力上表现卓越，尤其随着AI驱动设备与算法不断优化。例如，俄军曾测试80架无人机同步飞越叙利亚战场并实现统一可视化，时任国防部长谢尔盖·绍伊古称其如“半奇幻电影”般揭示所有潜在目标。

但隐患始终存在。设计AI武器时，开发者首先需获取数据。多数AI系统通过专家系统（通常为人类）标注的数据训练，例如标记含防空炮的场景。当输入图像与训练集差异较大时（如光照不足、角度偏斜或部分遮挡），AI图像处理能力将失效。AI识别系统并不理解图像内容，而是学习像素纹理与梯度特征。这意味着AI可能正确识别局部却误解整体，导致分类错误。

为增强AI对欺骗性图像的防御，工程师采用“对抗训练”——向分类器输入对抗性图像以训练其识别并忽略非目标。宾夕法尼亚州立大学研究生尼古拉·帕佩诺的研究表明，即使经过对抗训练的系统在图像过载时仍可能失效。对抗性图像利用AI系统的“决策边界”特性：这些无形规则指导系统区分狮子与豹子，其本质是在心理图谱中将狮子与豹子划入不同区域。分隔两区域的线——狮子变为豹子或反之的临界点——即决策边界。研究对抗训练的杰夫·克隆质疑此类分类系统的有效性，认为其过于武断：“这些网络仅训练数据簇间的分界线，而非深度建模豹子或狮子的本质特征。”

大型数据集常由人工标注公司处理。获取与共享数据集对偏好数据保密与权限管控的机构而言极具挑战。例如，军事数据集可能包含热成像图像，但除非与开发者共享，否则AI武器效能将受限。依赖数百词库的聊天机器人AI设备显然无法替代词汇量更大的人类操作员。

AI系统还受限于多任务处理能力。人类可识别敌方载具、选择打击武器、预测路径并发起攻击，而AI无法复现此流程。当前，训练识别T-90坦克的系统极可能无法识别其他不同外形、不同功能坦克——尽管二者均为坦克且任务均需图像识别。许多研究者正试图通过迁移学习解决该问题，但实用化系统仍需数年。

可以预见，对手将利用这些弱点：欺骗图像识别引擎与传感器，或发动网络攻击绕过入侵检测系统，向AI系统输入篡改数据以诱导错误决策。

美国的AI战备

美国国防部向来更倾向于采购与建造硬件而非部署新技术。尽管如此，空军仍与波音、通用原子能及克拉托斯（Kratos）公司合作开发AI驱动无人机。空军还测试由人工智能操控的无人驾驶XQ-58A“女武神”实验机。这款下一代无人机是空军期望成为传统战斗机编队强力补充的原型机，目标是为人类飞行员配备可部署战场的“高能机器人僚机集群”。但“女武神”并非全自主——尽管其使用AI与传感器识别评估敌方威胁，是否打击目标仍由飞行员决定。

五角大楼虽未在战场部署自主武器，但正测试完善无需人工干预的武器系统。典型案例是陆军的“聚合计划”（Project Convergence）。2020年8月亚利桑那州尤马试验场的一次测试中，陆军利用空基与陆基传感器追踪模拟敌军，并通过华盛顿州基地的AI计算机处理数据，随后向尤马陆基火炮发送火力指令。“整个流程据称在20秒内完成，”美国国会研究服务局后续报告称。

在名为“复制者”（Replicator）的倡议中，五角大楼计划量产数千架自主无人机。但尚无官方政策批准允许设备在无人授权下自主决定打击目标的自主武器。

海军拥有对标“聚合计划”的AI项目“超配计划”（Project Overmatch）。海军作战部长迈克尔·吉尔戴（Michael Gilday）称其旨在“构建一支能海上集群作战、从远近多轴多域同步投射致命与非致命效应的舰队”。该项目细节极少公开。

据兼任美国国家安全局（NSA）局长、网络司令部司令及中央安全局局长的蒂莫西·霍夫（Timothy Haugh）将军透露，NSA约7000名分析员正尝试将AI整合至其行动。霍夫表示截至2024年，NSA参与170项AI项目，其中10项关乎国家安全。“其余160项旨在为人员创造实验、利用与合规应用的机会。”

目前，AI仍被视为传统平台的补充，但亦被赋予四大附加角色：自动化规划与战略制定；比人类或传统系统更高效融合解析信号；辅助天基系统（主要通过收集合成信息应对高超音速威胁）；赋能下一代网络与信息战能力。

AI应用的伦理争议

尽管自主武器的使用已争论数十年，但观察者普遍认为国际社会难以达成新规，尤其在美国、中国、以色列、俄罗斯等国竞相研发更先进武器的背景下。“地缘政治使其不可能实现，”奥地利驻联合国自主武器首席谈判代表亚历山大·克门特（Alexander Kmentt）表示，“这些武器将被使用，且几乎成为各国军火库标配。”

面对挑战，人权观察组织呼吁“紧急谈判并通过具法律约束力的协议以禁止与规范自主武器系统”，并发起“阻止杀手机器人”运动，称已有超270个团体与70国加入。即便争议聚焦自主武器，AI无人机制造商安杜里尔CEO布莱恩·辛普夫提出不同视角：“AI武器并非为剔除人类决策，其核心在于如何提升人类决策者效能并增强其责任归属。”

然而，自主AI武器研发仍在推进。除依赖武器进行生死抉择的伦理问题外，AI自身存在缺陷：错误与误判相对常见。系统底层算法可能产生“幻觉”——看似合理的结果实为彻底谬误。若部署基于严重缺陷指令且人类无法察觉的AI武器，后果深远。极端反乌托邦场景中，敌方以AI将领替代人类，迫使美军效仿，导致AI系统在战场互搏，引发不可预测的灾难性后果。

伦敦玛丽女王大学埃尔克·施瓦茨（Elke Schwarz）博士通过政治学与实证研究框架审视AI武器伦理困境。她认为AI武器系统整合将加剧人类目标物化，提升对附带损害的容忍度。自动化可能“削弱AI瞄准系统操作者的道德能动性，弱化其伦理决策能力”。对自主系统的偏好或刺激防务业盲目投资军事AI，“影响战争中对AI责任使用的认知”。她敦促政策制定者及时评估风险。

亚利桑那州立大学教授、新美国智库战略家彼得·辛格（Peter Singer）指出：“AI的影响远超机枪或飞机，堪比工业革命中机械力对体力的取代。AI在软件端的崛起与硬件端机器人应用的结合，正引发我们前所未遇的是非争议。”他主张建立“约束战争AI使用的框架”，适用于设计与应用者。

辛格提出的“机器许可性”问题聚焦机器在人类控制外的行为边界。他警示另一新挑战“机器问责”：“若行动由机器执行，责任该由谁承担？传统汽车责任明晰，但所谓无人驾驶汽车则复杂得多。”战场上，若因目标误判或误伤平民，责任是否归于机器？

本论文研究了搜索潜艇使用对数螺旋搜索模式重新定位近期丢失目标潜艇的能力。研究通过开发随机时间步进仿真模型进行数据采集与定量分析，核心效能指标包括重获接触时间、重获接触时的距离以及总体探测概率。自变量涵盖目标潜艇的假定航速、搜索潜艇的初始距离以及目标机动频率。研究发现：该搜索模式在前两小时内效能最优，此后定位目标的可能性显著下降；目标机动频率与探测概率呈正相关，搜索潜艇初始距离与探测概率呈负相关；若搜索潜艇基于目标可能航速的极端值（如最低或最高航速）规划机动策略，其性能将显著降低。本研究通过定量分析验证了对数螺旋搜索模式的有效性，并为未来反潜战术开发提供了框架支撑。

背景与战略意义
在大国竞争时代，美国及其近等对手正通过军事、经济、政治与外交手段争夺全球影响力（Savoy与Staguhn，2022年）。就军事手段而言，制海权的核心要素之一是潜艇。鉴于潜艇的多功能性与隐蔽性，全球各国持续投入大量资源发展潜艇技术。为应对对手的技术飞跃，美国持续研发技术与战术以维持水下优势。自二战以来，潜艇已采用平行搜索、蛇行搜索、方形搜索、扇形搜索及屏障巡逻等多种模式定位敌方潜艇（Champagne等，2003年）。然而，理论上还存在基于严密数学推导的搜索模式，例如对数螺旋搜索模式（见图1，搜索潜艇与目标潜艇的相对速度比为3:1）（Nahin，2007年，第85-90页）。

理论假设与仿真模型
该搜索模式在数学上被证明能够确保目标定位，但其有效性依赖四项假设：1）搜索潜艇保持声学优势；2）目标潜艇无法探测搜索潜艇（Cares，2024年）；3）搜索潜艇对目标具有显著速度优势（Cares，2024年）；4）目标潜艇保持恒定的规避航向与航速（Cares，2024年）。本研究通过仿真模拟挑战上述假设：构建包含蓝方（搜索潜艇）与红方（目标潜艇）的随机时间步进仿真模型。红方潜艇采用二维随机游走模型，其航向在每次机动时从0至2π弧度的均匀分布中随机抽取，航速从6至14节的均匀整数分布中随机选择。红方机动间隔时间服从泊松过程，每次间隔为随机指数变量。蓝方潜艇在每次场景中起始于红方初始位置的正南方，初始距离可变。蓝方机动分为两阶段：第一阶段朝红方最后已知位置抵近至1海里内；第二阶段启动螺旋搜索。

探测概率建模与效能指标
蓝方潜艇在每个时间步的探测概率由分段函数定义，最大探测距离为4海里。若红方潜艇航向与蓝方航向夹角在±30度范围内（正对或背对），探测概率将乘以0.1的衰减系数，以模拟此类方位下潜艇声学辐射能量的衰减效应。本仿真的效能指标（MOE）包括重获接触时间、重获接触距离以及红方潜艇的总体探测概率。这些指标对评估对数螺旋机动的效能与安全性至关重要：重获接触时间越短，目标完全丢失的可能性越低；重获接触距离影响潜艇安全性与反探测风险；总体探测概率直接反映战术有效性。通过对初始分离距离、红方假定航速及红方机动频率等变量的分析，研究得出以下结论：

1. 红方假定航速与探测概率的关系：若假定航速接近红方实际航速范围的极端值（6节或14节），搜索效能显著下降。最优假定航速需结合初始距离与机动频率动态调整。
2. 初始距离与探测概率的负相关性：蓝方初始距离每增加1海里，探测概率下降约8%。
3. 机动频率与探测概率的正相关性：红方机动频率每提升1次/小时，探测概率上升约12%。

结论与未来方向
本研究首次系统评估了对数螺旋搜索模式在动态对抗环境中的局限性，揭示了假定参数偏差对战术效能的非线性影响。研究结果为开发基于自适应参数优化的新一代反潜战术奠定了基础。未来工作可拓展至多目标协同搜索、环境噪声干扰建模及机器学习驱动的实时参数调整等领域，以进一步提升反潜作战效能。

从近期冲突中获取的多域作战（MDO）经验表明，通过能力整合实现"量变引发质变"的创新至关重要。低密度、高需求、昂贵且精密的系统一旦被识别，便会被以超越对手快速重组能力的规模与速度迅速清除出战场。过去二十年间，美军虽在电磁频谱（EMS）领域近乎独霸，却仍频现频谱自扰——即己方信号自我阻塞。如今，EMS环境已高度拥挤、对抗激烈且复杂化，直接影响指挥官对机动与指挥控制（C2）的规划。情报、通信、太空与电磁战（EW）能力必须融入火力链与防护作战职能（WfF）。指挥官需具备电磁频谱自感知能力以控制己方辐射，并破坏敌方感知、识别、定位与瞄准能力。当前全球冲突观察数据显示，从EMS识别到火炮打击已定位辐射源的时间窗口仅为八分钟，这凸显了上述能力的战略价值。陆军对抗此类新兴威胁不仅需依托敏捷的情报与电磁战软件重编程体系支持的模块化集成装备，更需覆盖所有作战职能的顶层训练策略。指挥官现可通过EMS赋能实现"发现（敌方电磁支援ES）-定位（敌方电磁攻击EA）-以致命火力终结"的作战链路。

季度战斗训练中心（CTC）评估报告反复指出，电磁战与信号情报（SIGINT）单元在旅战斗队（BCT）机动规划中缺乏整合。主因在于驻训期间未能将此类赋能要素纳入单兵与集体训练体系。传统上，BCT或依赖建制能力，或由电磁战情报营（EMIB）配属电磁战与信号情报排（PLT）提供支持。若此类单元未参与BCT驻训阶段的协同训练，其在CTC轮训期间将难以有效整合。军事情报训练战略（MITS）与网络电磁战训练标准（CEWTS）为情报与电磁战能力认证提供框架，而训练策略的最终层级需在BCT层面实现集成。

美国陆军卓越情报中心（USAICoE）与卓越网络中心（CCoE）联合开发《多域作战范围指南》，旨在指导驻训期间士兵、班组、单元及指挥官的情报与电磁战（I&EW）专项任务训练。该指南整合MITS、CEWTS、训练条令TC 25-8《陆军训练场》等权威文件，明确任务规划、执行与评估所需的资源、训练辅助设备、关键赋能要素、审批流程及地方授权机制。其通过设定最低绩效标准细化训练目标，并评估多域作战训练需求。作为支持陆军学习进程的动态文件，指南采用模块化架构，将任务按战备等级分类。针对每项任务，其评估训练大纲涵盖作战概念、任务执行通用条件、绩效衡量标准、以结果为导向的训练目标，以及目标模拟器、训练辅助设备、频谱、空域、威胁模拟系统、机动区域等保障需求。此外，指南提供士兵与单元的参考用例，并明确训练实施所需的角色职责、参谋协调与审批时限。

本研究探讨人工智能（AI）辅助军事情报分析工作的潜力。专用AI工具集成文本检索、自动摘要及命名实体识别（NER）功能。研究表明，在时间压力下，使用AI功能的实验组分析质量优于对照组，且其概率估计更接近专家评估值。尽管实验组分析结果与概率估计均显著更优，但未发现其对分析任务所使用信息来源的信心更高。最后，本文指出AI在军事情报应用中的局限性，尤其体现在处理模糊矛盾信息时的分析能力。

当前可获取的数据规模表明，军事情报领域必须应用人工智能（AI）（Gartin, 2019）。AI的效益源于多维度优势，需明晰其潜在附加值（Vogel等, 2021）。军事情报的核心职能是收集与分析信息，辅助军事决策者制定策略。从学术视角看，军事情报是融合政治学、经济学、社会学与心理学等多学科的交叉研究领域（Albrecht等, 2022；Svendsen, 2017）。

军事情报旨在通过信息采集与分析构建全面态势图景，包括他国武装力量数据收集、作战计划研判，以及影响本国安全态势的动向监测（Sadiku与Musa, 2021）。分析师承担情报数据收集、分析与呈现职责。AI技术发展为分析工具集成提供了多维支持可能（Cho等, 2020），预期将减轻分析师负担，使其聚焦于核心分析评估工作（Hare与Coghill, 2016）。需强调的是，AI应作为辅助而非替代工具，确保分析师始终理解评估依据信息（Blanchard与Taddeo, 2023）。

本研究基于专有AI工具deepCOM开展实验。该工具依托大语言模型（LLM），核心功能包括：语义搜索（支持直接提问并标注来源）、自动摘要（生成短句摘要定位相关文献）及命名实体识别（NER）自动标注（标记时间、地点、组织与人名）（Devlin, 2018）。当前AI已渗透几乎所有军事领域（Rashid等, 2023），人机交互成为关键研究方向，涉及多媒介信息传递与对话形式优化，旨在提升个体创造力、生产力与决策效能（Dell'Acqua等, 2025）。信任构建（McNeese等, 2021）与协同态势感知（Gorman等, 2017）亦是本研究重点。

相较于既有研究聚焦AI在大数据管理中的作用（Horlings, 2023），本文关注AI对人类分析评估的辅助价值。通过实验验证，探讨AI在军事情报分析中的增效机制，重点分析人机交互信任提升与AI透明度优化的路径。

全文结构如下：第二章基于情报周期理论解析军事情报分析流程；第三章阐释实验AI功能及其对分析师的支撑机制；第四章详述实验设计；第五章呈现实验结果；第六章讨论研究发现；第七章总结结论。

deepCOM演示器中支持军事情报的AI功能

deepCOM演示器是一款集成AI功能的军事情报分析工具，旨在辅助分析师工作。其实验性测试的AI功能如下：三项AI功能中，AI搜索与自动摘要基于大语言模型（LLM），第三项为命名实体识别（NER）。尽管德国情报机构因北约、联合国与欧盟等国际架构需使用英语工作，但其自产情报以德语生成，故deepCOM的界面与输出均为德语。

• 文本数据库的智能搜索
  传统文本数据库搜索基于词频匹配（即“词袋模型”，BOW），搜索结果排序取决于关键词出现次数，而非语义关联（Qader等, 2019）。用户需将问题拆解为多个关键词输入（Bohne等, 2011），而非直接输入完整问句。此类搜索效率较低：首先，强制简化为关键词导致信息丢失（如介词、格位、数字与变位形式的省略可能影响结果）；其次，流程不直观（无法像互联网搜索引擎直接输入完整问句）；最后，仅依赖词频易返回含关键词但无关的文档。

AI搜索可解决上述问题：其能解析完整问句，减少信息损失。deepCOM的AI搜索基于LLM实现，根据问题复杂度呈现系统生成答案或直接引用原文。基于LLM的AI搜索答案不受问句措辞限制，且能处理同一实体的不同拼写（如阿拉伯专有名词的多种音译形式）。答案始终附带全文引用，提升可靠性并降低LLM“幻觉”（即生成看似合理但虚构的信息）风险。

• 命名实体识别
  命名实体识别（NER）指从非结构化文本提取实体并分类至预定义类别（Lample等, 2016）。deepCOM的NER基于谷歌发布的Transformer双向编码器模型（Devlin, 2018; Yadav与Bethard, 2019）德语再训练版本，可自动识别时间、地点、组织与人名实体（无需针对特定语料库优化）。由于文本中实体常以变格形式出现，系统通过词形还原将其转换为基本形式以增强可比性（如Mittelmeers、Mittelmeere→Mittelmeer）。该功能整体运行准确，但偶见罕见实体分类错误或词形还原失误。军事情报中NER应用详见Nitzl等（2024a）。

NER可显著提升分析效率：自动标注替代耗时的手工标注，帮助分析师快速筛选有价值文献；阅读时颜色标注加速关键信息定位；提取的实体可在地图界面可视化，辅助事件定位与态势整合（支持热力图显示区域事件聚类）。

图：上图：NER自动从文本中提取时间、地点、组织和人名。中图：[德语]文本中已识别实体的颜色编码。下图：在地图上显示已识别的位置。

• 自动文本摘要
  除全文展示外，deepCOM通过将每段压缩为一句，将文献长度缩减至原文1/3至1/2。自动摘要与NER目标类似——协助分析师快速评估文献相关性。摘要的详略取舍需根据具体场景权衡。

摘要功能由deepCOM后端LLM驱动，神经网络算法通过合并段落或删减句子生成连贯摘要。当前实现主要依赖句子成分省略，测试表明摘要质量总体良好，但偶现LLM训练数据引入的额外背景信息。

摘要：当前人形机器人技术正在加速演进，已成为全球科技创新与产业升级的新高地。在“人本智造”理念下，人形机器人 作为具身智能的重要代表，具有广阔的发展前景。针对人形机器人技术多学科交叉、体系复杂与高度集成的特点，结合该领 域的最新研究成果与发展动态，综述人形机器人的技术现状及发展趋势。首先，介绍人形机器人的定义与发展历程，从技术 水平、产业格局、政策支持等方面描述国内外现状，对比总结典型技术发展特征与产品特色。重点剖析了核心零部件、环境 感知与场景理解、步态控制与灵巧操作、具身智能与大模型、人机共融与交互、操作系统与工具链等关键核心技术，讨论其 实现途径与当前研究进展。进而，介绍人形机器人在特殊服役环境、智能制造、家庭及社会服务等领域的典型应用，并探讨 其在新兴应用领域的拓展潜力。进一步，围绕技术瓶颈和应用难题，分析当前人形机器人发展面临的主要挑战。最后，针对 以人形机器人为代表的具身智能在多模态垂直大模型、高算力仿真训练平台以及安全与伦理等方面的发展趋势进行了展望。 希望在总结把握人形机器人前沿技术发展动态的同时，为相关研究人士提供参考与启发，助力推动我国人形机器人技术进步 与产业化发展。 关键词：人形机器人；关键技术；灵巧操作；具身智能；大模型；人机共融；仿真训练平台