人工智能决策支持系统的军事潜力
导语：2026年7月10日，美国乔治敦大学安全与新兴技术中心（CSET）发布《超越目标打击：人工智能在军事决策中的未充分利用角色》（Beyond Targeting:The Untapped Role of AI in Military Decision-Making）的研究报告，分析人工智能赋能决策支持系统在作战流程中的扩展应用。报告指出，此类系统不应只被理解为目标打击工具，凡是依赖大量异构数据、态势判断、方案生成和循环执行的军事流程，都可能获得类似“20人完成过去2000人工作”的效率提升。为此，报告以美国陆军火力部队弹药补给和联合空中任务周期为案例，提出以数据可得性、最佳实践扩散和实战部署反馈为核心的实践路径。
一、人工智能决策支持系统
不止用于打击
报告以美军“梅文智能系统”（MSS）的应用为起点。数年前，美国陆军第十八空降军用约20人的团队完成了2003年需要约2000人支持的目标打击流程，显示人工智能赋能决策支持系统（AI-DSS）可以显著压缩信息处理、目标开发和任务协调所需的人力与时间。
报告指出，围绕这类系统的公共讨论过度集中在目标打击，忽视了它们对更广泛军事决策流程的价值。所谓人工智能决策支持系统，并不是简单让机器替代指挥员，而是把多种人工智能工具嵌入软件系统，用于摄取和组织数据、生成面向用户角色的信息、支持定制化输出、自动执行部分流程、共享知识库，并与既有系统接口互通。
这一能力特别适合数据密集、协调密集、人员密集的周期性流程。许多军事任务都要求先汇聚来自不同单位、传感器、后勤系统、情报报告和规划文件的信息，再进行态势理解、方案比较、命令生成和执行反馈。若流程中的主要瓶颈是人工汇总、手动复制、版本控制和跨单位协调，那么人工智能决策支持系统就可能带来显著改进。
二、人工智能决策支持系统的
六大核心功能
报告将人工智能决策支持系统的核心功能概括为六类。
第一是摄取数据，即将结构化和非结构化信息纳入持续更新的知识库，包括传感器报告、位置跟踪、图像、情报、己方部队状态、天气环境、后勤数据、命令和规划文件，也包括社交媒体、互联网信息和商业数据源。
第二是生成信息，即基于知识库向不同角色提供定制化洞察。例如，防空人员需要看到可能构成威胁的空中目标及可用拦截力量，火力军官需要看到高优先级目标和可执行打击单位，后勤规划人员则需要识别可能耗尽弹药或补给的部队及可行补给方案。
第三是赋能用户输出，让参谋和指挥人员按需创建仪表盘、报告、图表和控制面板。
第四是自动化执行环节，例如在人工批准后生成和传输符合格式要求的任务信息、目标分配或执行命令。
第五是共享知识库，使不同授权用户形成共同态势理解，并根据保密级别和知情需要进行智能过滤或摘要。
第六是与既有信息和作战系统直接接口，减少缓慢且易错的重复录入。报告认为，这些功能叠加后，会形成自我强化循环：数据越丰富，工具越有用；工具越有用，作战人员越愿意纳入更多数据源。
三、案例1：
火力部队弹药补给流程加快
案例一是美国陆军火力部队弹药补给。梅文智能系统已经显著提高了陆军火力流程速度，但如果弹药供应跟不上，火力效率反而会制造新的后勤压力。弹药补给规划需要实时掌握各火力单位、弹药点和仓库的库存，结合已执行、已下达和预期火力任务预测未来需求，同时了解运输车辆、人员、路线安全、战场态势和护送力量等信息。
现有流程往往依赖单位报告、人工核对、表格和简报文件。报告指出，若把弹药状态、未来火力计划、运输资源和路线条件纳入同一知识库，系统就能持续生成待审查的弹药订单和配送计划。作战人员不再需要花大量时间收集、汇总和交叉核对信息，而是可以把精力放在审查方案、处理例外情况和作出关键判断上。
报告将这一设想类比为军事版的商业配送调度。商业物流企业能够实时掌握车辆、仓库、人员和包裹状态，并快速调整路线；军事补给虽然面临敌情、地形和安全限制，但数学和软件问题具有相似性。真正的难点不在于是否存在算法，而在于能否把分散在单位层级的库存、运输和人员信息转化为持续可用的数据流。
四、案例2：
联合空中任务周期压缩
案例二是联合空中任务周期（JATC）。这一流程用于计划每日空中任务，通常需要72小时，从上级指导到形成空中任务命令，必须协调目标、武器、飞机、机组、护航、电子战、空中加油、通信和搜救等多种要素。报告认为，该流程比陆军火力流程更复杂，但也更有改造价值。
现行周期之所以漫长，是因为每个目标都要匹配合适武器，再匹配可投送这些武器的飞机、机组和支援力量，并反复迭代形成可执行计划。空中任务命令、空域控制命令和特别指示等文件也需要耗费大量参谋时间。现有工具虽然支持部分环节，但还未形成覆盖整个周期的人工智能决策支持能力。
报告认为，人工智能决策支持系统可以在目标清单生成、武器效果评估、资源分配、任务调度、文件生成和信息发布等环节释放人力，并将若干耗时步骤从数小时压缩到数分钟或数小时。更重要的是，它能增加流程弹性：当新目标或更高优先级任务在周期后期出现时，系统可快速分析飞机、武器、加油、空域和支援安排的连锁变化，给出可理解的调整方案。这为重新审视几十年来沿用的72小时周期提供了机会。
五、收益与风险必须同时治理
报告总结了人工智能决策支持系统可能带来的四类收益：减少人工重复录入和版本失控造成的错误，提高人力效率，加快流程速度，并增强计划弹性。
在弹药补给案例中，系统可以用分钟级速度生成配送计划，使人员从低价值汇总工作转向方案审查和例外处理；在联合空中任务周期案例中，系统可减少大量机械性参谋工作，并让作战人员把更多时间用于判断、监督和任务细化。
但报告同样强调风险。第一是认知外包，即作战人员过度依赖系统，批判性思维下降。第二是自动化偏见，即人类倾向于信任计算机输出，即便证据并不充分。第三是压缩决策时间和人员数量的组织压力，可能让复杂判断缺少必要审查。第四是人工复核减少，导致“系统已经核对过”的假设掩盖错误。第五是数据失败，包括训练数据不适配、传感数据不足或被污染。第六是人工智能自身失败，包括适用窗口狭窄、上下文漂移、状态衰减和幻觉。
因此，报告并不主张把复杂军事判断交给一个无所不能的智能体，而是主张在边界清晰、流程明确、可持续评估的条件下部署决策支持系统。系统应让人类更好地判断，而不是替代判断；应通过界面设计、训练认证、持续测试和工程约束降低风险。对平民伤害、附带损害和政治授权等问题，最终仍取决于军事和政治领导者如何保证实施质量与人类监督质量。
六、数据可得性是最大瓶颈
最大障碍不是软件开发，而是数据访问。两个案例所需的许多数据都存在于美军体系内，却分散在各单位、仓库、运输组织、飞行中队、维修人员和本地文件中，经常以电子表格、幻灯片、手册或个人经验的形式保存。
对人工智能决策支持系统而言，这些看似行政性的信息实际上是作战信息。例如，空中任务规划系统不仅需要知道有几架飞机可用，还需要知道具体机组是否具备某种武器使用资格、某地点是否有相应武器库存、加油机和燃料是否可用、维修和备件状态是否支撑任务。若这些信息不能进入共享知识库，系统就无法可靠生成可执行方案。
报告据此提出三项实践路径：一是把所需数据数字化并向系统开放，利用高层政策支持打破官僚和文化壁垒；二是总结第十八空降军等单位的最佳实践，尤其是作战人员、软件工程师和评估人员协同迭代的开发模式；三是把相关能力部署到指挥中心、演训和真实行动中，通过实战反馈培养熟练用户并改进工具。报告指出，人工智能决策支持系统的潜力真实存在，但只有当数据基础、组织流程和人类监督同步改造时，才能负责任地扩展到更广泛军事流程。
（本文内容系“启元洞见”公众号原创编译，转载时请务必标明来源及作者）
参考来源：美国乔治敦大学安全与新兴技术中心
参考题目：Beyond Targeting:The Untapped Role of AI in Military Decision-Making
参考链接：https://cset.georgetown.edu/publication/beyond-targeting/
