联合全域指挥控制中的人工智能发展路径

这份报告的核心观点十分明确：若要让人工智能与机器学习真正融入联合全域指挥控制（JADC2），首要任务是夯实“信息基础”这一根基。这一基础层中的数据，必须做到标注清晰、安全可靠、完整无缺，并且便于按需调取。简而言之，就是要持续对军方跨领域、跨军种、跨层级的各类指挥控制信息进行整理与保护——这些正是AI/ML算法赖以运行的“原材料”。而JADC2能否落地，关键在于两点：一是明确核心军事任务究竟需要怎样的指挥控制能力；二是制定出兼具近期可操作性与远期可推进性的软件开发路线图。

本文系统梳理了美国兰德公司2022年3月那份报告的核心要点，重点探讨了嵌入式AI/ML在JADC2中的需求痛点、待跨越的障碍以及未来的发展方向。报告得出结论：JADC2必须在人才与资源上给予实质性投入，才能真正打破当前依赖人力堆积的指挥控制模式。借助自主系统与AI/ML来优化现有规划流程，这一目标虽显长远，但实际可期。

JADC2对支撑多域作战的必要性

现代战争格局已发生深刻变化——指挥官必须同时在陆地、空中、海上、太空、网络及电磁频谱等多个领域进行规划、指挥与控制，并且需要灵活且安全的手段，实现跨层级、跨领域、跨组织、跨地理空间的通信与数据共享。未来的全域战争对信息获取速度、解读深度及决策效率提出了前所未有的高要求，而这正是JADC2能力的核心所在。

但坦率地讲，当前使用的军事规划、调度与监测系统，已难以适应现代全域作战的节奏。多域作战规划本身复杂度高、时效性强、数据量庞大，军事规划人员亟需开发并应用新工具——尤其是基于AI/ML的技术。那么问题随之而来：这些工具究竟具备多大能力？会遇到哪些实际困难？又能释放出多大的潜力？厘清这些关键问题，才能科学排布优先级，将资源用在最关键的地方。

图1 机器学习的类型

AI/ML的吸引力

近年来，AI/ML系统在越来越复杂的游戏中已实现了对人类表现的超越。加之各界对未来高端冲突作战需求的理解不断加深，AI/ML的吸引力自然持续攀升。例如，AlphaStar在《星际争霸》中的杰出表现，暗示着监督学习与强化学习未来完全有可能应用于战术及战役层面的指挥控制。不过，将这类技术从游戏场景迁移到真实战场，中间仍横亘着大量研究工作。

当人工智能算法需要应对真实、多域、动态、大规模且快速变化的作战场景时，就必须挑选、评估并持续监控一些关键指标，以衡量算法的性能、有效性与适用性。这些指标包括：

• 效率：计算所需的时间与内存资源
• 可靠性：算法能否输出有效结果
• 最优性：算法能否为目标找到最佳解决方案
• 稳健性：面对意外情况时，算法能否平缓降级而非直接崩溃
• 可解释性：人类能否理解算法产生结果的内在逻辑
• 确定性：算法是否按预期方式稳定运行

军方要决定采用哪种AI/ML技术，首先需明确这些技术能用来解决哪些具体任务——例如制空权争夺、防空作战、加油机支援等。作战需求一旦确定，就能倒推出实现这些任务所需的指挥控制流程，如态势感知、空域冲突消解等。同样关键的是，必须正视AI/ML技术的局限性，尤其是它们在不确定性条件下进行推理时所面临的严峻挑战。

图2 AI/ML关系

实现AI/ML的军事应用需要克服的障碍

要将AI/ML真正应用于军事领域，面前横亘着多重障碍：

障碍一：军事文化与商业文化的差异

军方天然重视信息安全——只有“需要知晓”的人员才能接触敏感信息。而商业世界恰恰相反，推崇数据的开放与共享，认为数据流动能驱动应用创新与商业价值。因此，将安全理念嵌入军事软件开发与信息技术行动（即DevSecOps）变得至关重要，这样才能有效防范对手通过网络手段削弱指挥控制能力的企图。坦率地说，最大的挑战或许并非技术本身，而是如何确保AI/ML算法能适应真实战场的复杂性。真实战场充满不确定性、信息不对称以及随时变化的对手行为，这与游戏环境完全是两回事。

障碍二：军队内部数据访问困难

军方需要统一的数据管理政策，并配备足够先进的信息技术，以便指挥控制人员能够访问海量数据，从而支撑人工智能辅助决策。换句话说，必须构建一个“AI生态系统”——能够实现数据的收集、标注、存储、保护与共享。这一生态系统有赖于通用数据标准、明确的权限分配、完整性检查机制以及入侵防护能力。云计算与数据湖是关键支柱。云数据湖能够支持分布式计算、冗余存储以及跨企业范围的数据连接。但现实问题是，现有的军事政策、文化、权限体系、预算安排及获取途径，使得构建这样一个既能跨领域又能跨安全级别安全提供大量数据的环境，成为JADC2面临的重大挑战。

障碍三：作战中心需要重组，人员需要培训

机器间通信日益增多，指挥控制流程越来越趋向自主化，这必然带来作战中心硬件配置与人员结构的深刻变化。人类作战人员可以将精力集中到认知性任务上，例如评估与优化候选行动方案。采用AI/ML技术还将催生新的角色与职责。作战人员需要接受系统培训，学会管理与运营AI生态系统，同时当好数据管理员，确保系统中捕获和存储的数据质量可靠、完整准确。此外，当前规划与决策人员习惯于在单一领域内思考，而未来很可能需要同时兼顾多个领域——这无疑是一个全新的挑战。

障碍四：军事亚文化的存在

即使在同一个军种内部，由于不同作战人员群体之间的亚文化差异、规划时间线不同，以及为实现不同作战效果而采用的不同权限分配方案，想要跨空中、太空和网络领域整合AI能力都困难重重。然而，全域指挥控制的需求既紧迫又普遍。因此，在JADC2中嵌入AI应用，必须直面并跨越这些障碍——包括军事文化惯性、网络安全威胁、算法面对低质量数据的脆弱性、数据访问壁垒、作战中心重组与人员培训难题，以及军事亚文化带来的协调成本。

实现高效发展的路径

报告指明的方向是：以人机高效协同为指挥控制领域的目标，并建议在竞争对手反应过来之前，加速向JADC2迈进的步伐。具体路径可拆解为几个关键步骤：首先，持续完善JADC2作战概念，科学排定优先次序，并在指挥控制流程中借助AI/ML增强核心能力。同时，为数据驱动的AI生态系统创造基础条件——将武器系统及相关数据迁移至多域数据湖，供有权限的人员访问，并应用零信任及其他安全原则，实现灵活安全的数据管理。随着AI软件应用程序逐步开发完成，需在作战测试环境中开展试验，与现有C2系统进行集成，然后将有限能力部署到作战中心，再根据用户反馈快速迭代更新。分析师与技术专家可进一步探索作战概念，促进人机协作，建立可信AI体系，并提升算法的可解释性。

真实世界缺乏足够的数据来支撑战争技术的迭代改进，军方可以借助建模仿真与演习来生成训练数据——例如武器-目标配对数据。监督学习或强化学习算法能够支持这类指挥控制功能，但军事算法必须将现实世界的不确定性纳入考量，这对人与算法而言都是一个不小的挑战。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：联合全域指挥控制中的人工智能发展路径要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题