对人类动作进行建模是计算机视觉与机器人学中的一个基础课题。人类与三维物理世界以复杂的方式交互，既涉及位置的变化（全局动作），也包括身体的形变与关节活动（局部动作）。本论文探讨了人与他人、环境以及可操控物体之间的交互过程中的人体动作问题，重点关注人体动作的估计与生成，并强调整合多样化的知识源，如视频、动作捕捉数据和物理仿真。

我们首先研究人-人交互。借助广泛可得的视频数据，我们关注个体在朝向目标移动的同时避免碰撞的隐式交互。最初，我们处理多目标跟踪任务，随后扩展至轨迹生成，从估计与生成两个视角进行探讨。在跟踪方面，我们从基于学习的方法入手，并重新审视经典的参数化滤波方法。为了生成具有社会感知的轨迹，我们将参数化先验与生成模型结合，从数据中引入归纳偏置。

论文的第二部分研究人-场景交互。由于人们在日常任务中常常弯曲或活动身体，我们考察了局部与全局的身体动作。我们利用动作捕捉数据来保证动作生成的视觉真实感，并采用物理仿真来确保物理真实感。首先，我们验证了基于物理的模仿器在多样动作上的适用性。随后，我们将一个人类智能体置于静态场景中，并开发强化学习策略，使其能够在语言指令的引导下生成具备物理约束的交互。

在第三部分中，我们将研究扩展至人-物体交互，即动态环境中的物体操控。由于人-物体动作捕捉数据有限，我们重点生成静态的手-物体抓取姿态，使其能够泛化到大规模物体形状数据集中的多样物体。这些抓取结果进一步用于引导强化学习策略，从而在仿真中实现携物体的全身动作生成。

基于前几章的研究成果，我们观察到生成模型在动作估计与生成两方面均展现出了有效性与灵活性。这启发我们探索一个统一模型。我们提出了一种人体动作扩散模型（diffusion model），其中通过对去噪过程进行条件化，模型不仅能够进行动作生成，还可以执行动作估计。当以视频作为条件时，该模型在动作估计上的性能已可与专门的估计模型相媲美。

大型语言模型（Large Language Models, LLMs）凭借其在文本生成与推理方面的卓越能力，已经彻底改变了自然语言处理领域。然而，这些模型在实际应用中仍面临关键挑战，包括幻觉生成、知识过时以及领域专长有限等问题。检索与结构化增强生成（Retrieval And Structuring, RAS Augmented Generation）通过将动态信息检索与结构化知识表示相结合，有效缓解了这些局限性。 本综述工作：(1) 系统考察了外部知识访问的检索机制，包括稀疏、稠密以及混合检索方法；(2) 探讨了文本结构化技术，如分类体系构建、层次化分类和信息抽取，这些方法能够将非结构化文本转化为有组织的表示形式；(3) 分析了这些结构化表示如何通过基于提示的方法、推理框架和知识嵌入技术与LLMs集成。此外，本文还指出了在检索效率、结构质量和知识集成方面的技术挑战，并强调了多模态检索、跨语言结构以及交互式系统等研究机遇。

这一全面的综述为研究人员和实践者提供了有关 RAS 方法、应用及未来发展方向的重要见解。

1 引言

大型语言模型（Large Language Models, LLMs）已经彻底改变了自然语言处理领域，在从文本生成到复杂推理等任务中展现出前所未有的能力 [2, 17]。这些模型基于海量文本数据进行训练，在理解上下文、生成类人化的响应，以及通过最少指令适应多样化任务方面表现出显著优势 [190, 258]。然而，在真实应用场景中部署时，LLMs 仍面临若干关键挑战：它们可能生成看似合理但事实错误的信息（即幻觉）[82, 86]，依赖可能已经过时的训练数据 [124, 171]，并且在专业领域中缺乏足够的知识专长 [195, 227]。

在知识密集型应用中，这些局限性尤为明显，因为此类应用对准确性和可靠性要求极高。虽然 LLMs 擅长模式识别和文本生成，但它们在保持事实一致性和获取最新信息方面存在困难。在科学研究、医疗健康或技术等专业领域，LLMs 常常缺乏实现可靠性能所需的精确和细致的知识 [50, 95, 145]。

为应对这些挑战，研究者提出了 检索增强生成（Retrieval-Augmented Generation, RAG）框架，它通过在生成响应前从外部知识源检索相关信息来增强 LLM 的能力 [64, 124]。通过将生成与检索文档相结合，RAG 有助于减少幻觉并使模型能够访问其参数中未包含的最新信息。然而，传统的 RAG 方法仍存在根本性局限：它们通常仅处理非结构化的文本片段，而未能利用结构化知识；其检索结果中常包含非原子化信息，可能误导 LLMs [50, 95, 261]；并且在应对需要多跳推理或特定领域知识组织的复杂查询时表现不足 [303, 306]。

检索与结构化增强生成（Retrieval And Structuring, RAS）作为一种更强大的范式应运而生，它通过将动态信息检索与结构化知识表示相结合，有效克服了上述局限。RAG 为 LLMs 与外部信息建立连接奠定了基础，而 RAS 在此之上进一步扩展其能力：引入知识结构化技术，将非结构化文本转化为有组织的表示形式，如分类体系、层次结构和知识图谱 [46, 224, 299]。这些结构化表示不仅有助于组织检索到的信息，还能引导检索过程，并为验证 LLM 输出提供框架。

最新的 RAS 研究成果已经展示了显著的性能提升：包括与 LLM 推理模式更契合的新型检索策略 [63, 252]，以及构建高质量知识表示的方法改进 [90, 116]。检索与结构化机制的深度融合，为多个领域带来了新的可能性：在科学研究中，RAS 系统能够在保持技术准确性的同时综合信息 [37, 275]；在电子商务中，它们可生成个性化推荐 [26, 279]；在医疗健康中，则能提供可靠的上下文信息 [110, 259]。 尽管如此，要充分发挥 RAS 的潜力，仍需解决若干挑战：包括大规模高效检索 [238, 314]、保持高质量的知识表示 [306]、将结构化信息无缝集成到 LLM 推理过程 [151, 230]，以及在计算开销与实时性能之间实现平衡 [48, 128]。

本文对 RAS 的组成部分、应用和未来方向进行了全面的综述。我们首先介绍 LLMs 与检索增强生成的基础知识，随后系统讨论先进的检索机制与文本结构化方法（如分类体系构建、层次化分类与信息抽取）。接着，我们分析这些结构化表示如何与 LLMs 集成以提升推理与适应能力，进一步考察其在不同领域的应用，最后总结尚存的技术挑战与未来研究机遇。

美国白宫新颁布关于人工智能的行政命令要求建立人工智能评估生态系统，以在整个军队（包括太空军）推广生成式人工智能奠定基准。

国防部门应当持续评估源自生成式人工智能的情报产品。作战人员需要以类似驾驶者控制汽车的方式来看待生成式人工智能的运作。商业领域的大型语言模型供应商正按照国防部门预期工作构建安全与质量控制体系。

一年前，美国防部宣布与ScaleAI达成协议，将人工智能基准测试引入军队。

作战人员此刻就需要在战术层面获得这些能力。若将生成式人工智能交予那些未持续维护大语言模型输出质量的“无证”团队操作，该系统必将偏离正轨并彻底失效——正如缺乏维护的车辆注定故障频发。

避免失误

缺乏战术层面质量控制的不可靠人工智能输出可能导致有缺陷的情报评估，从而在对抗环境中引发战略误判与非预期局势升级。

为何使用生成式人工智能时评估与基准测试至关重要？不可靠的人工智能将危及任务成功与人员安全。评估与基准测试不仅关键——对于生成式人工智能系统的操作完整性与可靠性而言，它们是不可妥协的要素。若缺乏持续测试以及与既定标准的严格比对，这些模型的输出在得到验证前均不可信任——尤其对于精度至关重要的任务而言。未能持续评估其性能将必然导致系统退化。这将使强大工具转化为可能为关键军事行动带来灾难性错误的负担。这种全面且严格的审查不仅是最佳实践——更是获取并保持决定性优势的基本要求，以防止可能让我们付出一切代价的战略脆弱性。

需要明确的是，由于没有任何整体评估系统能涵盖所有持续演变的战术任务用例，质量保障需要融入操作员规划与执行近距离机动的流程。即时工程是目前实现这一目标的最佳工具。当由领域专家在小队行动层面明智运用时，它能在评估生态系统中克服大型语言模型的问题。

国防部门已在依赖生成式人工智能与大型语言模型。但当大型语言模型更新时会发生什么？操作员如何评估使用新模型是否能提供与旧版本模型成果相同的精度与准确度？操作员如何知晓自己是否在一段时间内维持了质量响应？

健全的评估生态系统可解决这些挑战。但当卫士们将其生成式人工智能工作操作化时，自然语言处理与人工智能工作的基准测试在战术层面大多缺失。

存在一种可创建可行、高效且低成本解决方案的方法，以在使用大型语言模型时评估与保持成果一致性。事实上，由于军事垂直数据的多样性与特性，将其外包给第三方确实具有挑战性：当紧贴收集情报的领域专家团队时，其效果最佳。这些是军队能在内部培养并运用于整个国防部门的技能。

基本计划

为保持操作完整性并确保从大规模大型语言模型驱动数据摄取中获取可执行洞察，小型团队应指定一名操作员担任“质量保障哨兵”。“质量保障哨兵”这几个字准确体现了对质量保持警惕并确保其维持不变的职责。在公司中，质量保障哨兵被称为搜索分析师或洞察分析师。此人在战术层面充当提示性能、模型可靠性及输出保真度的核心权威。质量保障哨兵负责对生成式人工智能输出进行端到端监督，并确保偏移、退化或幻觉不会损害关键任务情报产品。

质量保障哨兵无需精通算法，但应对自身工作领域有出色把握。若他们专注于光谱测定数据，则应能分辨所查看数据是电离层数据还是重力测量数据。若负责导航工作，那么期望他们能识别两行元素集。作为质量保障哨兵的新任务是对模型进行二次猜测与监督，因此他们必须是该领域的专家。这是将此类细分但关键的任务外包给第三方可能并非好主意的重要原因。

质量保障哨兵的首要职责是为生成式人工智能用例建立基线操作框架。无论是文档摘要、信号提取、情报融合还是情感分诊，所有任务均应明确界定成功标准。此过程可能需要数周，因为质量保障哨兵需与主管及团队成员商讨如何定义成功任务。这包括事实准确性、延迟与幻觉率等硬性指标，以及相关性、清晰度与语调等软性指标。

质量保障哨兵维护主“评估控制表”，跟踪所有模型交互、输入、输出与分数，该表实行版本控制并对整个团队开放。评估控制表可简易电子表格形式存在。评分可由团队临时创建。若目标是降本增效，则无需巨额花费。

随后，质量保障哨兵构建代表关键任务场景的静态测试集（每个用例约20-50个样本）。该测试集定期运行或在模型或提示更新时运行。质量保障哨兵执行不同模型变体（如GPT-4o对比Claude 3）的A/B测试，并依据预定指标对响应评分。所有模型行为、提示结构或性能退化的变化均应记录并处理。质量保障哨兵应不断自问：“与之前相比有何变化？输出质量是改善还是恶化？”

为防止提示偏移并保持配置控制，质量保障哨兵在版本控制（Git或等效系统）下维护集中式提示存储库。每个提示编辑、模型参数变更与输出偏差均应记录在案。质量保障哨兵标记异常并在输出质量下降时执行回滚。在商业领域，该存储库是宝贵知识产权，迅速成为从看似分散数据中提炼价值的秘密配方。

偏移与异常通过每用例简明的红/黄/绿状态指示符跟踪。质量保障哨兵主持每周“质量保障站会”，提交关于大型语言模型性能的态势报告。这些向团队成员与领导的简报确保团队其余人员清晰了解哪些操作可行、哪些需要重新校准。

质量保障哨兵还建立并维护经验教训存储库，以捕捉模型行为特性、有效提示策略与既往故障。这可采用简易电子表格或持续更新的文本文档。重要的是，这将成为机构知识，确保持续生存能力与可重复性，即使在人员更替或高操作节奏下亦然。若电子表格过于简陋，且可轻松获取高端平台订阅，则SharePoint或Confluence是该存储库的理想位置。

质量保障哨兵还应尝试推动每个模型的边界，尤其是现成商业模型。“商业护栏在某些军事场景中既不必要甚至危险”，因此质量保障哨兵应理解如何突破大型语言模型的隐喻性转速限制。设想团队参与信息战需要模型输出本被视为不安全的数据，或网络中队希望输入恶意代码以快速发现模式或痕迹的场景。质量保障哨兵应通过红队测试理解如何突破这些限制。

团队其余成员则专注于摄取、标注与探索性分析，而质量保障哨兵充当情报分发或用于决策循环前的最终守门人。所有用于简报、产品或分发的输出均需通过质量保障哨兵验证。卫士们可将其视作行动前的装备检查。

底线是：在小型生成式人工智能单元中，质量保障哨兵成为模型性能、提示规范与质量控制的标杆。这种去中心化但受控的结构使团队能够快速运作而不牺牲对输出的信任。团队行动迅速，但质量保障哨兵确保他们不会盲目行动。

在任何团队中使用质量保障哨兵有助于维持质量成果。随着资金与组织需求增长，可引入执行部分质量跟踪的第三方平台。但在缺乏这些工具时，质量保障哨兵是优异且低成本的角色补充。

未来展望

生成式人工智能在军队企业环境内具有更直接的应用场景。对于任务环境，这些系统依赖其他类型的人工智能，如计算机视觉、传感器融合、机器人技术与无人系统。但生成式人工智能正迅速成为这些其他人工智能领域的用户界面，因此借助来自提示工程与质量保障哨兵流程的经验，评估生态系统将扩展至这些其他领域。

质量保障哨兵提供的稳健基准测试通过向操作员提供高置信度输出而优化操作节奏，实现更快决策与更果断行动。它是商业人工智能工具包的重要组成部分，对军用物资也应如此。质量保障哨兵的角色终将被淘汰，并且毫不反讽的是，人工智能将取代它。届时，人工智能将在几乎无需人工干预或监督的情况下确保监控自身进展。它将成为未来算法战争构想中的又一齿轮。

但在那之前，对于受生成式人工智能输出影响、从事关键任务系统的小型团队，人类应当保持介入。

参考来源：War On The Rocks

Hughes开发了首个齐射作战模型，该模型通过数学方法模拟军舰间多枚导弹协同齐射的作战行为。Armstrong在此基础上发展了该模型的随机版本，将概率与统计要素纳入模型框架。然而与休斯模型相似，Armstrong模型仍保留若干简化假设：仅模拟单轮交战、假定所有导弹均在单轮发射、未考虑分层防御体系、且不追踪导弹库存状态。本论文通过矩阵实验室（MATLAB）实现系列改进以提升模型精度与真实性，从而扩展了阿姆斯特朗模型。改进措施在矩阵实验室环境中实施，涵盖多轮齐射动态机制、分层导弹防御系统、导弹库存耗尽模拟及部分库存使用策略。该扩展模型采用蒙特卡洛方法求解平均效能指标，包括获胜概率、未被拦截导弹平均数量、幸存舰艇平均数量及一方被消灭前的平均交战轮次。无论在势均力敌还是不对称作战情境中，尽早获得数量优势对改变战局至关重要。实验结果表明：与防御能力相比，强化进攻能力对提高获胜概率和降低未被拦截导弹数量具有更显著影响。此外，实验结果证明该模型可用于在成本约束下对不同军舰属性（包括进攻能力、防御能力和持续作战能力）进行权衡分析。该实验成果展示了决策者如何运用此模型设定预算与预期效能度量阈值，并通过实验设计来寻找最具成本效益的军舰属性配置方案。

俄乌战争呈现出两条鲜明主线：乌克兰东部基于机动作战的攻势行动，以及沿固守战线展开的消耗战。尽管分析人士已对地面作战进行大量研究，黑海海域的海军活动却仍未获得充分探讨。本文通过审视俄罗斯两栖能力及其在冲突中的有限应用，填补这一研究空白。核心研究问题为：美国应从俄罗斯在黑海区域缺乏重大两栖作战行动中汲取何种教训？本研究以美国两栖作战条令为基准，评估俄罗斯条令体系，并研判黑海舰队的运输能力与海军步兵组织结构。通过分析2022年2月24日至4月16日期间的作战数据，揭示制约两栖行动的关键因素。主要发现有三：其一，俄罗斯未能在黑海北部建立制海权，导致两栖登陆无法实施；其二，在具备实施条件的短暂窗口期内，俄罗斯海军步兵仍持续参与陆地作战；其三，俄军展现出战时条件下实施联合作战的系统性缺陷。未来研究应深入考察战争初期黑海舰队对航空兵力的运用，并将俄罗斯海军导弹能力与美国“宙斯盾”系统进行比对，以评估俄罗斯在对等对抗中夺取制海权的能力。

俄乌战争呈现出两大显著特征。世人既目睹了步兵与装甲车辆在乌克兰东部实施的大胆进攻行动，也见证了导致乌俄双方大量兵力消耗的僵化防线。然而战争中还有另一个虽被报道却鲜少深入讨论的维度——黑海海域的海上作战行动。更准确地说，关于俄罗斯在黑海两栖作战行动的探讨极为匮乏。本论文将研究现代俄罗斯两栖作战能力及其在俄乌战争中的实际表现，并由此提出核心问题：美国应从俄乌战争中俄罗斯在黑海缺乏两栖作战行动这一现象中学到什么？

论文共分为四章。第一章阐述美国的两栖作战条令与能力；第二章分析俄罗斯的两栖作战条令及战前黑海作战环境；第三章解析2022年2月至4月期间黑海部队的行动；末章概述美国海军部可从此冲突中获得的启示。第一项假设通过第二、三章对黑海部队能力与构成的调研予以验证；第二项假设则通过第四章对黑海舰队行动的考察进行论证。

美海军陆战队参考出版物（MCRP）《小部队指挥官山地作战指南》，是为海军陆战队各级指挥官（从班组到连级）在山地地形、雪地、寒冷天气及高海拔环境下实施作战行动提供的参考依据。本出版物需与《海军陆战队战术出版物12-10A：山地作战》、《山地指挥官冬季行动指南》以及MCRP《山地指挥官山地作战行动指南》配合使用。该系列出版物涵盖适用于作战职能体系的单兵及小部队战术、技术与程序，主题包括环境特性、专用服装与装备、武器注意事项、巡逻注意事项、路线选择与导航、基础雪崩危险评估与应对、溪流与冰面穿越、雪鞋行进、冬季伪装、后勤保障、火力支援、直升机作战及伤员后送等。由于人员流动频繁、作战节奏紧张且训练任务繁多，海军陆战队山地作战训练中心无法为所有陆战队员或部队提供培训。实战环境中，陆战队员可能需要通过结合本单位合格夏季/冬季山地指挥官与基础寒区作战顾问的指导，辅以条令参考进行学习。本出版物正是为此类需求提供能力支撑。

为确保美国陆军在二十一世纪取得成功，其重点培训官兵理解并运用任务式指挥。任务式指挥赋能各级领导者，使其能够同步所有作战职能与信息系统，从而在面对各类对手时夺取、保持并利用主动权。本历史案例集通过提供过往任务式指挥原则起决定性作用的实例，旨在深化我们对任务式指挥哲学与实践的理解。部分案例展现初级军官在极端混乱的作战行动中遵循指挥官意图并发挥受约束主动性的经历；其他案例则记述战地军官如何构建依赖互信凝聚的团队以实现关键作战目标。

2012年，美国陆军正式颁布关于任务式指挥的新条令，该指挥哲学与实践构成联合地面作战基础。条令将任务式指挥定义为“指挥官运用任务指令行使权力与指导，使下属能在指挥官意图范围内发挥受约束主动性，从而赋能敏捷适应型领导者实施联合地面作战”。为提供任务式指挥实践框架，该条令确立六项原则：

通过互信构建凝聚型团队
创造共同理解
提供清晰的指挥官意图
行使受约束主动性
使用任务指令
接受谨慎风险

此后不久，陆军开始集中开展任务式指挥教育与训练，以培养领导者应对尚未显现的不可预测复杂冲突。2013年初，战斗研究学院通过为波尔克堡联合战备训练中心编写系列任务式指挥案例参与此项工作。这些案例构成本合集的核心内容。每个案例包含军事行动简要叙述及解释性章节，阐明案例如何体现任务式指挥原则。该结构专为训练与院校教学设计，但同样适用于自学计划。

本卷十六个案例均未展示领导者完美实践任务式指挥的范例。所述某些行动甚至来自早期阶段——当时无线电与其他现代通信手段的缺失使得任何层级的指挥控制都难以实现。这些案例的真正价值在于能清晰传递历史领导者如何运用诸如指挥官意图与受约束主动性等原则来夺取、保持并利用主动权。由此，历史为现行条令注入生命力，使其更具体、更可理解。

作战场景

在沙漠中一个寒冷的二月夜晚，美军几名火力支援人员越过岸堤前对无线电设备进行最终检查。时值1991年，在为“沙漠风暴行动”集结的数十万士兵与海军陆战队员中，仅有一个营配发了新型无线电设备。单信道地面与机载无线电系统（SINCGARS）旨在空地一体战高峰时期实现全频谱通信同步与集成，在历经三十多年冲突后给陆军留下了深刻印象。该系统的两大优势在于其卓越加密能力以及支持高达16千比特数据流量的特性——这在当时是前所未有的。这项新能力与上世纪八九十年代部署的数百项其他技术，共同构成伊军迅速溃败的重要因素。尽管在可预见的未来，射击与通信仍将是战争核心支柱，但近年来这种动态已发生巨变。在数字竞争日益激烈的时代，加密需求随着指挥节点间数据传输量激增而呈指数级增长。有鉴于此，备受推崇的RT-1523（ASIP）系列无线电设备及依赖单信道地面与机载无线电系统的整个地面通信架构正在转型。为赢得下一场战争，整个野战炮兵体系必须再次检验通信设备并掌握未来系统：综合战术网络（ITN）。

能力与装备

由指挥、控制与通信-战术项目执行办公室管理的综合战术网络被定义为“简化、独立、移动的网络解决方案，可下放至小队级徒步领导者，用于促进任务指挥、态势感知和空地协同”。两大关键特性使旅及以下数字通信的综合战术网络区别于前代单信道地面与机载无线电系统。首先，具备双通道能力的软件定义战术无线电使领导者能同时使用多种波形并持续升级加密。其次，采用商用现成波形与组件使士兵能够以多种独特方式执行视距与超视距火力任务。综合战术网络并非提供一刀切的通信套件，而是赋予指挥员根据战况选择不同层级通信的能力。从第82空降师对新冠疫情的快速响应，到因伊拉克动荡、阿富汗撤军和俄乌战争而启动的部署行动，比以往更清晰地表明——部队需要灵活通信选项以应对独特严峻环境下的作战。

与传统所有旅级战斗队最终列装相似装备的字段周期不同，美陆军决定以两年能力集为增量，在十年内快速部署综合战术网络设备以评估效能并更新字段方案。自2021年起，美陆军为四个步兵旅级战斗队和三个远征通信营列装综合战术网络。21能力集包含可使用户接入传统单信道地面与机载无线电系统、高频通信、勇士增强健壮网络战术可扩展移动自组网、移动用户目标系统及其他多种功能的无线电设备。

第82空降师第3旅（3/82）字段装备包括AN/PRC-163和AN/PRC-168领导者无线电设备，以及更大体型的AN/PRC-162无线电设备。AN/PRC-163是手持式领导者无线电，可连接单信道地面与机载无线电系统与战术可扩展移动自组网波形，跨网络传输语音与数据。AN/PRC-162是双通道单兵背负式无线电，支持单信道地面与机载无线电系统、战术可扩展移动自组网与移动用户目标系统波形，跨网络传输语音与数据。单信道地面与机载无线电系统支持传统视距通信与语音数据传输，而战术可扩展移动自组网及战术无线电集成套件的使用有助于创建可无限延伸通信的超视距覆盖区。最后，移动用户目标系统是下一代卫星通信技术，可使用户向全球几乎任何地点发送语音与数据传输。多种波长使各单位能根据任务特定变量制定和调整通信计划。然而，野战炮兵部队要制定计划，必须理解这些能力并掌握各系统的操作要领。

作为第82空降师第3旅的直接支援野战炮兵营，第319空降野战炮兵团第1营（1-319）通过分析新字段的火力装备如何融入旅级21能力集字段，启动了使用综合战术网络的进程。除上述装备外，前沿观察员现配备“精确火力-徒步型”（PF-D）——搭载于银河S-20终端用户设备的火力软件——及AN/PRC-163无线电设备，可通过单信道地面与机载无线电系统或战术可扩展移动自组网波形向营级火力支援单元发送数字火力任务、几何数据、视频、图片与信息。作为数字火力核心的营级火力支援单元，使用搭载先进野战炮兵战术数据系统软件的SRNC-4G笔记本电脑或戴尔纬度5414（本文后续将说明其作为先进野战炮兵战术数据系统的替代方案）连接AN/PRC-162无线电设备，以控制火力任务处理、分发产品和进行任务规划。AN/PRC-162无线电设备使部队能同时控制两个网络，具备超视距能力，且数据传输速度远快于单信道地面与机载无线电系统。凭借这些能力，第319空降野战炮兵团第1营开始设计新型杀伤链。

新型数字杀伤链

第319空降野战炮兵团第1营过去两年间持续集成这些新系统并通过实验开发战术、技术与程序——因为当前尚无使用综合战术网络实施数字火力的条令。经过无数驻地训练活动与联合战备训练中心轮训的锤炼，该营形成了成功实施数字火力的方法（参见图1）。数字杀伤链的核心始于营级火力支援单元。其下是排级前沿观察员与连级火力支援小组层级。观察员应以任何必要且可用的方式传递火力召唤，目标虽为全数字化但承认并非总能实现。这既源于网络架构也受当前字段装备限制。无论何种情况，数字杀伤链必须从营级火力支援单元启动。从此点至射击单元，各层级均通过先进野战炮兵战术数据系统传输数据消息。该营在联合战备训练中心23-07轮训中成功展示了此方法。通过战术可扩展移动自组网传输火力任务的速度比经单信道地面与机载无线电系统调频传输传统数字火力快四倍。当秒数关乎地面机动单元存亡与电磁频谱中潜在侦测时，这是显著优势。但综合战术网络不仅加速火力任务，更为直接支援野战炮兵营与旅级战斗队增强额外能力。

对炮兵体系的扩展效益

综合战术网络通过减轻负重、接入旅级以上炮兵资产、适应特定环境及提升迫击炮与火力体系集成度，为营级部队增添能力与容量。装备重量与供电需求始终是作战规划考量因素，对轻步兵师尤为如此。21能力集通过多功能无线电减轻用户总负重。AN/PRC-163是双频无线电，使用户能通过精确火力-徒步型与终端用户设备进行单信道地面与机载无线电系统和战术可扩展移动自组网的语音与数字通信。AN/PRC-162除具备所有这些功能外，还通过移动用户目标系统星座提供超视距能力。这些无线电减少了终端用户需携带的设备数量。此外对炮兵而言，先进野战炮兵战术数据系统计算机需予考量——传统军用操作环境计算机沉重笨拙，对支援轻步兵的直接支援营并非最佳选择。第319空降野战炮兵团第1营通过采用实弹射击认证的替代计算机找到解决方案。戴尔5414笔记本电脑提供轻量化半加固计算机，重量比军用操作环境变体轻近三倍，电池续航显著延长，且因成本降低而易于更换。该营通过在全旅搜寻未使用系统，配齐了每个火力指挥中心与营级火力支援单元的需求。在陆军寻求下一代先进野战炮兵战术数据系统计算机之际，这提供了增强体系冗余与容量的临时解决方案。综合战术网络为该营带来的新能力远不止增强先进野战炮兵战术数据系统容量与减轻空降兵负荷。

除减轻重量与功耗外，综合战术网络提供直接支援野战炮兵营前所未见的资产接入能力。凭借21能力集中移动用户目标系统波形与战术无线电集成套件（提供加密与波形转换功能）的增强能力，该营现可与旅级以上火力资产通信。在陆军当前聚焦的大规模地面作战中，指挥与支援关系可能频繁变更以适配不断变化的主攻方向。这些能力使部队能快速变更关系，因其不受全军字段加密或无线电类型限制。第319空降野战炮兵团第1营在支持“融合项目顶石四”实验时，通过与第18野战炮兵旅及非建制师司令部建立通信验证此概念。除接入旅级以上资产外，综合战术网络将旅级火力支援系统集成至前所未有水平。旅内火力体系——火力支援人员、野战炮兵营与迫击炮——现可无缝通信并传递数字任务。第319空降野战炮兵团第1营定期在营内执行全数字任务，过去六个月中还与不同机动营的迫击炮排完成两次全数字实弹演习（参见下图）。尽管迫击炮系统当前依赖稍显陈旧的迫击炮火控系统执行数字火力任务，未来替代方案将是安卓团队感知工具系统的应用程序。此举将简化迫击炮集成的数字任务。数字连接不仅提升火力任务执行速度，还通过使野战炮兵营能向迫击炮分队推送气象更新（常被迫击炮排忽视）来增强精度。

最后或许最重要的是，综合战术网络使部队能适配其作战环境。与第319空降野战炮兵团第1营21能力集共同字段的能力套件，使其能制定真正的主备应急通信计划。传统系统的该计划包含相同传输方式的不同方法（如调频跳频与单信道明文），而综合战术网络提供完全不同的模式，如战术可扩展移动自组网、单信道地面与机载无线电系统、长期演进服务与移动用户目标系统。此外，它使部队能进行周密任务分析，并根据任务变量与作战变量调整主备应急通信计划以更好保护己方力量，并通过安全作战缩短杀伤链。例如，若部队在广阔沙漠中作战，单信道地面与机载无线电系统或移动用户目标系统或许最能支持作战；若在移动通信服务充裕的城市环境中作战，则长期演进服务最能掩藏信号。这种使架构适配环境的能力远超前代系统。然而，部队要充分发挥综合战术网络效能，就必须学习系统并经常实践。

如本文引言所述，当代作战环境复杂且数字火力需求普遍。部队必须将新系统纳入操作程序，但这需要转变训练与人员管理的视角与方法。首先，无线电已从根本上区别于传统系统。当今字段的无线电更偏向基于计算机与网络，而非传统无线电设备。这种视角转变为操作与运用综合战术网络系统提供洞见。通信专家必须努力成为多功能专家，既理解无线电与天线理论，又掌握网络技术。此外，操作员必须与通信人员密切合作，分享反馈并构建故障排除知识库。不久前，炮兵还以通信专家著称，常在排连层级超越其无线电操作员同行。此景必须重现；火力支援人员与火力指挥人员必须精通其通信系统。因这种专业要求，人才管理需各单位审视其人员配置指南。过去部队常将最优人员优先配置于连级火力支援小组下层单位，往往削弱了营旅级火力支援单元能力。部队虽不应使连级火力支援小组无人或缺编，但必须确保营旅级火力支援单元的通信专业技能人才优先配置。这将保证数字系统正常运行并使这些专家能指导下级单位。第319空降野战炮兵团第1营过去一年遵循此指南配置人员，在全单位数字通信取得显著进步，连级能力几乎未受影响。最后，部队领导者必须重视数字通信。若领导者轻易退缩至传统系统或单信道地面与机载无线电系统语音等简易传输方式，部队永远无法提升能力并发挥综合战术网络全部潜力。

结论

不断变化的作战环境要求陆军适配并发展新能力以确保下一场冲突取胜。陆军综合战术网络是当前答案，但仍通过自下而上的用户方式进行测试与字段。第319空降野战炮兵团第1营过去20个月聚焦使用综合战术网络，既开发出巨大应用能力与战术、技术与程序，又为未来能力集迭代与其他单位字段积累了成败经验。该营当前使用的数字杀伤链较两年前突飞猛进，并持续处于数字火力前沿。通过领导者重视与视角转变，部队能取得成功并获得优势，如接入旅级以上资产、集成旅内火力架构及提升电磁频谱生存能力。野战炮兵过去是且将继续是战争之王，但前提是其持续适配、实验并在全体系分享经验教训。

参考来源：美陆军

大型语言模型的快速发展已使其成为商业和国防应用中信息合成、决策支持和自然语言处理的重要工具。尽管这些模型具有流畅性和连贯性，但它们容易产生幻觉现象，并在不确定时仍表现出高度自信。本研究采用多模型实验设计来评估这些模型的可靠性和不确定性表达能力。通过五十项受控提示词对比，本研究测量了模型自报告置信度、信息熵、蕴含关系、中立性、矛盾性以及不确定性的显性表达。使用经多类型自然语言推理任务优化的DeBERTa第二版自然语言推理模型来评估各模型响应间的语义关系。该分析检验了每个模型在面对模糊或不可验证提示时明确承认不确定性的频率。研究结果揭示了三个模型之间存在显著的行为模式差异，这对军事应用具有重要影响——错误表述可能扭曲情报评估、政策建议和战略规划。本研究强调了建立稳健验证机制以减轻幻觉和过度自信的必要性。虽然大型语言模型作为受监督的决策支持工具具有潜力，但目前尚不适合在军事应用中自主部署。

人工智能技术正快速发展并迅速融入政府各部门、机构及众多企业的各个领域。然而，关于该技术在军事领域整合的讨论引发了关键关切，特别是在保障作战安全、确保符合国防部政策以及在高风险环境中减轻与幻觉、输出不一致和未经授权数据泄露相关风险方面。人工智能大型语言模型的益处是否超过潜在风险？答案是肯定的，但前提是其实施必须与军事目标战略对齐并接受严格监督。大型语言模型代表了人工智能领域的关键进展，这尤其得益于其广泛的商业应用以及在美国国防部内外日益增长的军事应用。其重要性体现在能够通过一系列功能提升部队效能，包括简化指令生成、解读指挥官意图以澄清下属任务、分析原始情报数据、起草报告以及在常规和时间敏感场景中加速指挥层级决策。将大型语言模型整合到军事行动中将使国防部在现代战争的多个领域获得信息处理和认知支持方面的决定性优势。反之，与任何尖端技术一样，必须密切关注可靠性、可解释性和政策合规性问题，以确保这项技术进步能够增强而非削弱任务效能。

人工智能涉及使计算机和机器能够模拟类人思维过程的科学和工程原理。在更窄的范围内，我们关注人工智能的一个特定组成部分——大型语言模型。大型语言模型是人工智能的一个组成部分，它采用统计模型分析特定数据集，使其能够生成从创意写作到信息性文章等多种内容。诸如ChatGPT、Gemini和Claude等大型语言模型已成为包括国防部在内的各行业的重要工具。然而，大型语言模型存在严重局限性，包括其产生幻觉（虚假或误导性信息）和输出不一致的倾向。此外，还存在这些模型能否遵守严格安全协议和政策的担忧，特别是在军事和国防作战等敏感环境中。

对国防部和其他高安全机构而言，大型语言模型的可靠性、一致性和安全性是关键关切。大型语言模型输出中的幻觉可能导致严重后果，例如操作错误和决策受损。此外，若没有明确执行政策约束，大型语言模型可能会无意中泄露敏感数据或生成未经授权的响应。本研究通过评估大型语言模型的一致性、事实准确性和政策合规性，调查其在政策驱动和安全敏感条件下的表现。通过比较ChatGPT、Gemini和Claude对个人和专业查询的响应，该研究旨在识别由幻觉和欺骗带来的风险，并为安全部署大型语言模型制定建议。

在大型语言模型部署领域中，一个日益紧迫的关切不仅是幻觉出现的频率，更是模型不愿或无法表达不确定性或承认未知情况。在人类决策中，特别是在军事行动等高风险环境中，在信息不完整时保留判断的能力往往是专业性和谨慎的标志。相反，大型语言模型被设计为优先提供流畅的响应，这通常是通过训练学习得到的最可能响应，这常常导致它们生成听起来自信但错误的答案，而非公开承认信息缺口。这种倾向创造了可靠性的危险错觉。在涉及人员安全、作战完整性和国家安全的军事环境中，这种无法表达不确定性的情况可能导致虚假数据被无意中合法化。大多数用户没有接受过识别大型语言模型何时产生“幻觉”或超越其知识边界操作的培训，这使得问题更加复杂。与可以用“我不确定”或“这需要进一步验证”等短语来限定或前言其陈述的顾问或分析师不同，大多数大型语言模型未被校准为默认使用类似修辞。本研究特别关注这一行为盲点，通过检查每个模型（ChatGPT、Gemini和Claude）在人类可能会犹豫的语境中拒绝回答、限定响应或表达不确定性的频率。理解这些系统如何处理无知与它们如何处理知识同样重要。

缩小关注点到大型语言模型承认不确定性的意愿，对于评估它们对关键任务应用的准备程度至关重要。如果一个模型在应该推迟或标记数据缺失时持续编造答案，那么在依赖可验证信息的情报、指挥控制或后勤系统中，它将成为一种负担。这种行为通过危及信任来破坏旨在加强军事行动的技术进步，如果得不到控制，可能导致系统性错误。因此，本研究引入了一个不仅评估准确性而且测量置信度对齐的基准。即模型表达的置信度与实际答案可验证性之间的对应程度。模型产生高置信度虚假信息的情况被标记为特别危险，而模型适当表达局限的情况被视为可信行为的积极迹象。通过分析多个模型和查询类型的这些趋势，该研究探讨了某些大型语言模型是否更容易过度自信，以及设计差异（即训练）是否影响这种倾向。最终，这一视角支持在国防环境中更细致地风险评估，这些环境不仅要求能力，还要求谨慎。

问题陈述

大型语言模型正日益用于可靠性和安全性不容妥协的关键环境。尽管取得了进步，这些模型仍容易产生事实不正确、误导性或不可验证的幻觉陈述。在军事和国防背景下，此类错误构成重大风险，包括作战受损、错误信息以及对人工智能系统信任的崩溃。大型语言模型通常因其流畅性和连贯性而被评估，但缺乏对安全相关政策的严格评估。

目前，没有普遍接受的标准化框架来评估大型语言模型在政策敏感环境中的表现，特别是关于它们提供一致、安全和可验证响应能力方面。没有适当评估，大型语言模型可能继续传播幻觉数据并违反安全协议，导致操作风险和战略漏洞。本研究通过开发一个全面的评估方法来测试大型语言模型响应，以解决这些差距。该研究旨在评估大型语言模型输出中的幻觉存在，重点关注识别与欺骗和错误信息相关的风险。

除了幻觉风险，本研究还解决了一个经常被忽视的行为关切：大型语言模型能否承认它们缺乏知识。在许多情况下，这些模型即使在数据模糊或不完整时也会产生自信的响应。这种行为可能不会触发明显的政策违规，但在确定性必须赢得而非假设的军事环境中，仍可能导致危险结果。无法表达不确定性破坏了信任，并引入了一种独特的风险形式：虚假信息的可信呈现。因此，本研究不仅评估大型语言模型输出的准确性，还评估它们限定答案、表示怀疑或推迟响应的能力。它引入了一个行为基准，将置信水平与事实可验证性进行比较。模型无法将其确定性与内容可靠性对齐代表了一个关键失败。识别这一差距有助于完善国防行动中大型语言模型的未来部署标准。

如果得不到解决，这种行为差距可能对多个关键任务领域产生连锁影响。在情报分析中，高置信度的虚假信息可能误导威胁评估或扭曲目标优先级。在指挥控制环境中，未经限定的输出可能损害操作时机或在命令和态势更新中引入模糊性。在后勤系统中，伪造数据可能影响资源分配或战备规划，最终危及人员安全和战略结果。 除了功能中断，人工智能系统的过度自信可能侵蚀指挥链中的信任，导致要么过度依赖有缺陷的系统，要么未充分利用缺乏互操作性的工具。这不仅造成技术问题，还引发具有严重影响的人机信任问题。这些风险在联合和联盟环境中会放大，其中共享信息期望在所有网络中准确、安全和可验证。因此，理解大型语言模型在面临知识限制时的行为方式至关重要，不仅为了技术改进，也为了作战可靠性。

为应对这一多领域挑战，本研究引入了一种评估方法，专注于模型表达置信度与其内容可验证性之间的对齐。通过涵盖军事、历史和推测性背景的结构化提示，本研究检查了大型语言模型选择回答与推迟的频率，以及它们的确定性与输出事实正确性的对齐程度。特别关注产生高置信度幻觉的模型，这些被视为危险。反之，模型适当表达怀疑、前言其主张或拒绝响应的情况被视为谨慎的积极指标。通过比较ChatGPT、Gemini和Claude的输出，该研究探讨了模型架构或训练方法是否影响这些行为模式。这种准确性和自我意识的双重视角旨在为确定大型语言模型是否准备好部署于国防背景提供更稳健基础。最终，研究结果旨在为具有安全意识的整合策略提供信息，该策略不仅优先考虑模型知道什么，还优先考虑它如何沟通不确定性。

目的陈述

本研究的目的是评估大型语言模型（如ChatGPT、Anthropic Claude、Google Gemini）在面对超出可验证知识范围的提示时的表现。随着这些模型日益融入决策支持系统，特别是在军事和国防背景下，它们识别自身限制的能力至关重要，因为它们的输出必须准确、可验证且符合政策。虽然大型语言模型因流畅性和多功能性而受到赞誉，但它们产生自信但不正确信息（也称为幻觉）的倾向在高风险环境中引入了严重风险。本研究不仅关注信息是否正确，还关注模型处理可能根本不存在正确答案的情况的方式。在类似情况下，负责任的行为应包括拒绝回答、表达怀疑或明确标记响应的推测性质。理解大型语言模型何时、如何以及是否展示这种克制是评估其可信度的核心。现有评估很少考虑这一行为方面，使得本研究成为关于人工智能可靠性讨论的必要扩展。该研究回应了日益增长的关切，即大型语言模型可能在意不确定或虚构场景中以虚假自信无意中误导用户。

该研究基于这样一种信念：对语言模型可靠性的最关键测试不仅是其产生答案的能力，更是其识别何时不应回答的能力。在许多现实世界场景中，特别是在国防和情报领域，不完整或模糊信息是常态。一个无法承认不确定性的系统构成独特风险，因为它可能产生听起来权威但事实毫无根据的输出。因此，本研究引入了一个行为基准来评估模型置信度与其输出的实际可验证性之间的对齐程度。重点是模型如何通过拒绝、前言或限定陈述来发出不确定性信号。识别这些行为对于理解有用协助和误导性过度自信之间的阈值至关重要。它还提出了关于当前大型语言模型设计是鼓励真实性还是仅仅优先考虑语言合理性的问题。本研究寻求提升谨慎作为模型评估核心组成部分的重要性。

本研究的核心贡献是一个行为视角，用于评估大型语言模型在存在未知、模糊或虚构构造的领域中的表现。本研究并未将此类场景视为异常值，而是将其视为揭示模型更深层次操作趋势的基本测试案例。通过关注大型语言模型如何处理知识缺失，该研究提供了一个超越传统准确性指标的框架。它将无知的处理定位为可信度的重要指标，特别是在关键任务环境中，用户必须依赖人工智能输出来通知时间敏感或高风险决策。由此产生的见解旨在指导开发人员、政策制定者和军事决策者确定哪些模型展示了安全部署所需的克制、意识和对齐。通过这样做，这项工作重新定义了大型语言模型“可靠”的含义。

最终，本研究通过探讨模型行为中一个鲜被关注的维度，为人工智能治理与操作安全领域的持续对话作出贡献。随着自动化与决策制定之间的界限日益模糊，对能够负责任地应对不确定性的系统的需求变得愈发紧迫。无法表达自身局限性的大型语言模型可能会被赋予超出其实际能力的权威性，这不仅在技术层面，更会给所有部门带来制度性风险。这项工作的长期目标是通过识别那些能提升而非削弱操作完整性的行为模式，支持将大型语言模型安全整合到国防与国家安全工作流程中。通过强调自信的回答与负责任的回应之间的本质区别，本研究呼吁转变对人工智能成熟度的衡量标准——不仅要关注其掌握的知识范畴，更要考察其如何处理认知边界之外的未知领域。

本研究探讨了将数字孪生技术整合至美国海军陆战队维护与后勤系统的可行性，重点关注在对抗环境中作战的炮兵排。通过定性研究方法，本文揭示了当前维护实践中的关键缺陷，包括训练不足、数据系统碎片化及实时可视性缺失。尽管参与者对数字孪生概念认知有限，但对数字孪生技术实现的预测性维护核心功能存在强烈需求。分析表明，数字孪生技术可通过实现预测性维护、最小化装备停机时间及优化资源配置来提升战备状态。然而，成功实施需应对数据整合、系统互操作性、用户培训及组织文化等方面的挑战。研究建议通过针对性政策更新、试点项目、基础设施投资及职业军事教育课程改革为部队采用数字孪生技术做好准备。最终，数字孪生技术为海军陆战队保障模式转型提供可扩展解决方案，使其成为更敏捷、数据驱动且与任务匹配的系统。

国防部门需要复杂集成系统持续运作以确保完成整体任务集。若物理资产无法保持高水平战备状态，部队将无法执行命令。因此美海军陆战队认为维持装备战备状态不仅是后勤或机械职能，更是整合政策、规划、执行与监督以确保任务成功的关键指挥责任（美国海军陆战队，2019年）。海军陆战队各级领导有责任确保延长装备生命周期成为所有下属优先事项，并通过“识别需求、优化维护行动、最小化资源消耗及规范信息管理”来实现（美国海军陆战队，2019年，第1-3页）。当前，海军陆战队的维护管理系统和政策未能跟上快速变化的技术系统步伐，导致效率低下、维护积压以及系统不可运行时间延长。

本研究考察了军事组织（美国海军陆战队炮兵排）如何通过聚焦信息环境作战整合数字孪生技术以增强作战能力并构建供应链韧性。“在正确地点、正确时间以正确形式获取正确数据以做出最佳决策”的理念，体现了通过决策优势获得作战效能的核心要义（范博苏特等，2025年）。通过持续收集战场指标，海军陆战队可开发先进预测性维护模型以提升维护与后勤周期。通过向指挥官与支援单位提供特定资产与后勤需求的实时数据，指挥官可在训练环境及严酷部署环境中支援部队。在这两种环境中，装备利用率高且仅存在短暂可进行维护的停机时间。能够在不人工拆卸所有部件的情况下评估装备状态，可节省时间与资源。此种态势感知水平支持主动式保障规划、精确调度零部件与维护人员以及准确预测任务能力。

国防部要求采用状态维护（与预测性维护术语可互换使用），国防部第4151.22号指令（2020年）将其定义为“预测部件未来故障点的技术，以便在故障前最佳时机规划部件更换。预测性维护与预防性维护的区别在于其利用收集数据判定部件状态并预测维护需求”。图1（国防部，2020年）说明了维护周期内可实施的各种维护策略。必须执行预测性维护以评估系统所有部件并尽早判定故障，从而“采取适当行动避免故障后果”（国防部，2020年，第2页）。凭借从装备或外部测试测量获取的准确及时信息，数字孪生技术可实现维护与部件的精确部署，确保作战效率且避免不当延误或资源错配。数字孪生与物理系统的双向交互支持在自动化反馈环内持续同步与实时决策，这对指挥官做出装备战备与作战效能决策至关重要。数字孪生使指挥官能实时可视化装备状态并就维修、更换与重新部署做出主动决策。

图1. 反应式与主动式维护策略对比

问题陈述

随着作战环境日益复杂且装备技术日趋先进，需要建立能适应变化并保持相关性的高效维护与后勤保障体系。当前存在先进系统与过时维护程序间的失配问题。国防部指令呼吁从故障时无计划反应性任务转向由准确数据与基于分析的决策驱动的主动预测性努力。数字孪生技术为支援部队执行此转型提供实用解决方案。长期支援作战至关重要，因为系统韧性需在面临中断时实现存活与恢复；这意味着国防部需要响应式与预见性反馈环以提供近乎连续的基准指标信息。所记录的系统数据需准确、及时且精确，使部队能预测装备健康状态、在故障前安排干预并减少非计划停机时间。数字孪生技术通过最小化数据采集中人为错误及提供传感器驱动的系统特定诊断来增强数据保真度。若维护管理系统在和平时期作战中无法跟上装备需求，则在维护中心与备件获取受限的严酷对抗环境中，挑战将呈指数级增长。通过系统自身采集数据的方式减少人工记录固有时间消耗与错误，国防部能更有效预测系统故障、最小化维护相关成本并降低作战延误或中断频率。系统与部队间的互操作性要求实时数据共享的效率与保真度；通过标准化复杂系统中的信息采集、可视化与使用方式，国防部可在维护流程中获得效率与敏捷性。

作战系统框架

作战系统基石作为基础原则，将高层作战需求转化为清晰可测的系统级性能目标，为系统设计与评估提供结构化框架。这些相同基石可调整并应用于维护周期，提供结构化框架以评估当前维护流程是否满足现代军事战备的作战需求，并识别装备全生命周期保障中的缺口、低效及改进机遇。五大基石包括：快速反应时间、高火力、高抗电磁与恶劣自然环境能力、全覆盖及持续可用性。虽通常不应用于维护周期，但每个基石可解读为维护系统性能的关键维度，并将作为评估维护周期内组件的指南。

快速反应时间指维护行动的速度与响应能力——从问题检测到解决。正如榴弹炮需接收目标数据并及时精确发射炮弹，维护人员必须装备齐全以快速诊断、响应并解决系统故障，确保武器系统持续运作并能全程参与瞄准周期。高火力通常指武器系统能同时执行大量交战任务，但可应用于维护系统本身。该系统是否具备管理跨平台或跨单位多并发维护事件的能力而无过度延误或资源冲突？高抗电磁与恶劣自然环境能力指维护系统性能在环境作战降级环境与数据挑战下的可靠性与连续性。维护周期在训练环境中能快速响应是一回事，但该周期还需能在严酷环境中运作确保系统可操作性。全覆盖描述技术在整个维护过程中实现可视化的程度：所有资产、部件与阶段。这意味着周期需准确跟踪维护生命周期所有阶段：从初始故障检测到部件更换直至系统恢复作战状态。此覆盖对指挥官保持装备实时状态感知至关重要。

最后且或许最适用于维护周期的是持续可用性。这既适用于数字维护基础设施也适用于被维护的物理系统，两者对保持装备作战就绪皆不可或缺。战备状态至关重要，因为任何战备延误都会直接影响部队完成任务或支援相邻部队的能力，突显维护系统内需具备始终可访问、准确且响应迅速的可靠基础设施。具备强大预测分析能力的可靠系统确保部队遵循原则，主要保持装备处于安全、可靠且完全任务能力状态。持续可用性强调主动与预测性维护、生命周期支持及及时干预在保持战备中的关键作用。必须提升维护周期的效率与准确性以使海军陆战队能够射击、机动、通信并维持作战效能。

目的陈述

本研究旨在调查数字孪生技术在军事组织内的整合，特别聚焦其在美国海军陆战队炮兵排的实施。本研究采用定性技术评估以评价海军陆战队企业架构内采用数字孪生的影响。此外，该分析探讨了数字孪生对海军陆战队战略、流程、人员、技术、安全及风险管理的影响。通过检视部队内部采用潜力，目标之一是识别数字孪生相关机遇与风险，评估其相对于物理平台聚合风险价值及数字孪生同步保真度与频率的价值。最终，本研究旨在提升部署于对抗环境中部队的作战战备与效率。

方法论

本定性研究考察了在海军陆战队现有维护与后勤框架中采用数字孪生技术的可行性、价值及影响。通过对关键利益相关方进行一组调查问题，本研究试图确立采用数字孪生的感知收益、挑战及战略影响。本研究提出问题以衡量作战效能、维护准确性及技术风险等因素。例如，本研究提出诸如数字孪生技术如何融入海军陆战队企业架构及采用是否影响维护操作的效率与效果等问题。它们构成更广泛质疑的部分：数字孪生整合能否提升任务战备度以及它如何重新定义对抗环境中的决策制定。

调查获取了来自多种军事职业的具体观察与整体意见。规范化流程使研究能反映组织模式的同时聚焦个体经验。这保证了结果基于作战实践且真实反映海军陆战队通过数据驱动、知识化决策提升战备、韧性及资源利用的目标。

图2：展现维护积压、资源耗竭与装备故障升级之间增强反馈循环的因果循环图