Introduction
乌克兰正部署日益增多的、专门设计的拦截无人机，旨在对抗敌方侦察无人机和攻击无人机。其中最紧迫的威胁包括俄罗斯的“沙希德/天竺葵”和“格贝尔”系统。这些拦截型无人机持续演进，从改装的高性能四旋翼无人机，到流线型、类似射弹的设计，甚至少数固定翼类型。
在许多方面，无人机技术的快速进步反映了一战期间军用航空的早期演变。最初简单的空中侦察已迅速分化为攻击机、轰炸机，乃至如今的战斗机角色。虽然当前拦截机的速度通常能达到约300公里/小时（少数很可能远超此速度），在攻击高性能飞机时无法替代导弹，但它们极其适合对付战场无人机和远程攻击无人机。至关重要的是，它们提供了一个更具成本效益的选择：更易于生产、部署成本更低，并且在最先进的型号上，甚至可能具备挑战喷气动力无人机乃至巡航导弹的潜力。
本指南概述了在这一快速发展的领域中主要类型及新兴趋势。并非详尽无遗，仅聚焦于已公开披露的系统。
野黄蜂-毒刺II（Wild Hornets Sting-II）
较为知名的类型之一，“毒刺”是一种小型四旋翼无人机，设计用于对抗俄罗斯的“沙希德/天竺葵”和“格贝尔”攻击无人机。它于2024年秋季首次公开亮相，据报道已打击了数百个目标。其宣传的最高速度为315公里/小时。该设计已经过多次迭代，目前已知的主要版本是改进型的“毒刺II”。
特内布里斯-巴格涅特（Tenebris Bagnet）
作为早期进入者，于2024年初推出，巴格涅特拦截无人机旨在打击飞行速度高达250公里/小时的俄罗斯“天竺葵”无人机。巴格涅特自身巡航速度为140公里/小时，最高速度为250公里/小时，续航时间为20分钟。其有效射程为15公里，携带1公斤战斗部。一旦发射，它采用完全自主的拦截方式，利用机头的光电传感器和计算机视觉技术。法国提供的阿尔塔“战神X翼”拦截无人机似乎是巴格涅特的变体。
天坠-P1太阳（Skyfall P1-Sun）
已知由“暗节点”部队使用的高性能拦截机。俄罗斯方面的估计表明其最高速度超过400公里/小时，巡航速度为300公里/小时。已观察到多种尾翼变化，可能反映了持续的改进。
章鱼-100（Octopus-100）
章鱼-100拦截无人机正在由乌克兰和英国联合建造，作为2025年10月25日宣布的“与乌克兰共建”倡议的一部分。目前可获得的技术细节很少，但其设计采用了如今常见的四旋翼子弹形布局，带有显著的大型直翼和尾部的巨大安定翼。
奥丁-稳赢（ODIN Win_Hit）
作为专门设计的四旋翼拦截无人机领域的早期进入者，“稳赢”相对较大。其攻击末端阶段具有自主能力，很可能涉及计算机视觉人工智能。它的巡航速度为200–220公里/小时，最高速度为280-300公里/小时，续航时间为7-10分钟。它可以配置用于白天和黄昏行动，或配备不同的光学设备用于夜间行动。
文尼察VB140火烈鸟（Vinnytsky Bdzholy VB140 Flamingo）
VB140火烈鸟拦截无人机专为拦截俄罗斯“海鹰-10”和“超视野”等侦察无人机而设计。其在末端阶段使用第一人称视角控制。作为固定翼无人机，其航程比四旋翼拦截无人机更长，达50公里。据报道，其最大飞行高度为4500米。
泰坦科技-泰坦（TYTAN Technologies Tytan）
德国开发的拦截机，“泰坦”是一种固定翼设计，机翼前缘安装有两个电动机。机头的摄像机引导飞行器。该无人机速度可达300公里/小时，作战范围为20公里。据悉泰坦科技公司正在研发其他型号。
鹰计划-蜂虎（Project Eagle Merops）
一种具有独特鲨鱼般机身、压扁的X型舵面和主翼上大型垂直端板舵的固定翼无人机，“勘测员/蜂虎”是部署在前线的主要类型。报告显示其最高速度为280公里/小时。虽然其精细的机身可能是其单价达到1.5万美元的原因，但这仍比其设计用于拦截的“天竺葵”无人机便宜得多。
观点动力学（Opinion Dynamics）是研究个体观点在社会互动中演变的重要领域，其应用涵盖政治学、市场营销等多个方面。由于该议题具有跨学科特性，相关研究分散在计算机科学、数学、社会科学与物理学等领域，且常缺乏统一的分析框架。本文通过将经典观点动力学模型置于统一框架下进行综述，并依据其特性进行分类，以弥合上述割裂。进一步地，本文从三个维度总结这些模型的核心研究发现：收敛特性、病毒式营销应用以及用户特征影响。我们首先分析各模型的终态配置（共识或极化）与收敛时间；其次梳理在病毒式营销背景下的主要算法、复杂度及组合优化结果；最后探讨节点特征（如顽固性、活跃度或中立性）如何影响观点扩散的结果。通过整合不同学科的术语、方法与挑战，本文旨在促进跨学科合作，加速对观点动力学的理解与应用进程。
1 引言
人类持续不断地在广泛议题上形成并更新自己的观点，从选择新餐厅或防晒品牌等日常决策，到挑选政治候选人或做出投资选择等重要事务。在塑造观点时，个体不仅依赖个人知识和判断，也依赖于他人的看法，尤其是紧密的社会联系人和有影响力的公众人物。因此，一个社群中的观点通过持续的人际和社会互动而演变。 近几十年来，Facebook（脸书）、TikTok（抖音）和WeChat（微信）等在线平台的兴起，深刻改变了人们的交流与相互影响方式。这些平台使得信息能够跨越地理、文化和意识形态边界快速传播。尽管分歧、从众和极化等现象在人类社会中长期存在，但其规模和动态已被数字化社会参与重塑，且在诸多情况下被加剧。 观点通过社会互动形成和传播的方式，能够对社会诸多方面产生深远影响，包括政治、公共卫生、经济、时尚和文化。相应地，跨学科领域对理解驱动观点动力学的内在机制的兴趣日益增长（例如文献[1]）。获得这种洞察不仅对推进理论理解至关重要，也对设计更有效的传播策略、反击错误信息、缓解极化现象以及培育更安全、更具建设性的在线环境具有重要指导意义。 研究观点动力学的一种自然方法是建立数学模型，模拟观点在群体中如何演变。尽管现实世界的观点形成过程高度复杂，且受众多情境因素影响，但抽象模型有助于揭示一般性规律，并识别主导观点扩散的关键参数。一种常见的建模框架将个体表示为图（网络）中的节点，并将观点编码为数值。更新机制则决定个体如何根据其邻居的观点随时间调整自己的观点。 由于观点动力学本质上的跨学科特性，该领域吸引了来自计算机科学[1]、应用数学[2]、统计物理学[3,4,5]、社会学[6]和经济学[7]等不同领域的研究者。然而，尽管存在共同的兴趣，该领域仍显割裂：研究者常使用特定领域的方法论和术语，发展平行的模型和理论。例如，物理学家可能借鉴自旋系统来建模社会影响，而计算机科学家可能将其框架为信息扩散或学习动态。这种学科壁垒阻碍了理解观点形成与演变的统一框架的发展。 本综述对主要的观点扩散模型类别提供了一个统一、系统的概览，以一致的符号和比较框架进行呈现。尽管关于观点动力学的研究日益增多，但据我们所知，尚无现有综述能全面涵盖跨学科的所有模型。通过综合不同研究社群的视角，本文旨在揭示共享的概念基础，阐明潜在假设，并展现常被学科界限所模糊的内在联系。 第2节：模型。 我们使用一致的符号和术语，对主要的观点动力学模型进行了统一回顾。总体上，我们将这些模型分为两大类： * 离散模型： Ising、Sznajd、多数规则、选民模型、PUSH-PULL、Bootstrap渗流、线性阈值、独立级联，以及SI、SIS、SIR等流行病学过程； * 连续模型： French-DeGroot、Friedkin-Johnsen、Deffuant-Weisbuch、Hegselmann-Krause和Abelson模型。 我们建立了必要的数学符号，包括图的定义，使我们能够将每个观点动力学模型表述为在具有观点状态和更新机制的图结构上定义明确的动态过程。
第3节：收敛特性。 可以说，观点动力学中研究最为深入的方面是其收敛特性：过程需要多长时间达到一个“最终”配置？这种最终配置是什么样的？我们回顾了所研究模型的收敛特性方面的关键发现。利用马尔可夫链分析和谱图理论等数学技术，以及实验分析和前人工作（例如[8,9]），前人研究了不同模型的收敛特性。我们回顾了关键发现，包括关于模型收敛时间的、基于图和模型参数的各种界限，并强调了一些现有研究中的重要空白。 第4节：病毒式营销。 应该让哪些用户子集采纳特定观点，以触发其在社交网络中的广泛传播？这个基本问题，是病毒式营销和政治竞选等应用的核心，已在观点动力学的框架下得到广泛研究。在此背景下出现了几种问题表述：（i）优化问题： 给定预算k，应选择哪k个个体采纳该观点以最大化其传播范围？（ii）组合问题： 使一种观点变得“病毒式”传播所需的最小初始采纳者数量，其理论界限是什么（用图和模型参数表示）？（iii）概率问题： 若每个用户以概率p独立采纳该观点，多大（最小）的概率p可能引发病毒式级联效应？ 为了解答这些问题，研究者利用了来自网络科学、图论、优化、机器学习、概率论和组合学的工具。前人工作（例如[1]）为这些表述提出了算法解决方案和理论界限。这些方法通常使用来自Facebook和Twitter等平台的真实世界数据集进行实证评估。 在本综述中，我们对与观点病毒性相关的主要问题表述进行了结构化分类。我们总结了关键的理论结果，强调了不同观点动力学模型中最先进的算法，并回顾了关键的实证分析。 第5节：用户特征。 大多数观点动力学模型中一个常见的简化是假设所有用户行为相同。为了应对这一局限性，越来越多的研究（例如[10]）专注于理解个体用户特征，如顽固性、不可知论或逆反心理，如何影响观点扩散。这些研究表明，用户行为的异质性能够显著改变观点形成的动态过程和结果。我们回顾了该领域的关键进展，特别强调用户特质如何影响诸如极化现象、精英群体在社会环境中的影响力，以及流行病学模型中有效疫苗接种策略的设计等问题。
协同作战飞机被设想用于在竞争环境中执行自主的情报、监视与侦察任务，在这种环境中对手可能采取战略性行动进行欺骗或规避探测。由于模型的不确定性和对安全、实时决策的需求，这些任务带来了挑战。鲁棒马尔可夫决策过程提供了最坏情况下的性能保证，但受限于静态模糊集，这些模糊集捕捉了初始不确定性却无法适应新的观察结果。本文提出了一种为协同作战飞机执行情报监视侦察任务量身定制的自适应鲁棒马尔可夫决策过程框架。我们引入了一个针对任务的建模方式，其中飞机在移动状态和传感状态之间交替。对手战术被建模为一组有限的转移核，每个核都捕捉了关于对手传感或环境条件如何影响奖励的假设。我们的方法通过消除不一致的威胁模型来逐步优化策略，使智能体能够在保持鲁棒性的同时从保守行为转向激进行为。我们提供了理论保证，表明自适应规划器在可信集收缩至真实威胁时会收敛，并在不确定性下保持安全性。在不同网络拓扑结构下对高斯和非高斯威胁模型进行的实验表明，与标称规划器和静态鲁棒规划器相比，该方法获得了更高的任务奖励和更少的暴露事件。
图1 采用协同作战飞机执行分散式ISR任务的任务层面概念示意图。每架飞机在局部威胁不确定性下，在指定区域内执行监视。彩色多边形表示示例性区域划分，红色虚线区域标注不确定威胁位置，带有传感弧段的飞机图标示意传感覆盖范围。
协同作战飞机已被广泛提议作为未来空战和监视行动的关键赋能因素，尤其是在竞争性或通信受阻的环境中。这些平台有望自主或半自主运行，与其他资产协同执行复杂任务，如电子战、精确打击和广域情报监视侦察。这一愿景已在美国空军的“下一代制空权”计划中得到实现，该计划将协同作战飞机定位为无人“力量倍增器”，能够在动态的对抗环境中执行分布式、高风险的任务。
在这些角色中，情报监视侦察因其在有限的集中协调下实现分布式传感和持久态势感知的潜力而受到越来越多的关注。然而，对自主情报监视侦察的这种乐观看法往往低估了现实环境中及其内部的对抗性和欺骗性。对抗性威胁行为者可能部署机动地对空导弹系统、间歇性启动雷达传感器或发射虚假信号，以掩盖其真实位置和能力。这些行为挑战了自主规划中常见且关键的假设：准确模型和稳定动态的可用性。在此类环境中，情报监视侦察平台在部分可观测性以及对对手行为和环境转移的认知不确定性下运行。
从本质上看，这一挑战代表了模型不确定性下的序贯决策问题。强化学习作为一种解决方案已被广泛探索，它提供了适应性和通过数据驱动策略进行泛化的能力。在航空航天应用中使用强化学习的兴趣日益增长，例如自主导航、飞行控制和多智能体任务规划。然而，强化学习方法通常需要大量探索且缺乏安全性保证，这使其不适用于安全关键任务。作为另一种选择，鲁棒马尔可夫决策过程通过在一组预定义的转移模型模糊集上进行优化，提供了最坏情况下的性能保证。尽管如此，传统的鲁棒马尔可夫决策过程方法依赖于静态模糊集，并且不纳入任务执行期间收集的新信息，这限制了其在动态或对抗环境中的效率。在实践中，执行情报监视侦察任务时，随着智能体观察威胁如何感知、反应或暴露自身，其对底层对抗模型的理解也在不断演变。减少这种不确定性需要可能增加暴露的探索性行动，而采取保守行动又会限制改进威胁模型的能力。
这种动态张力自然地引出了情报监视侦察任务特有的探索-利用困境，智能体必须在提高对对抗行为的理解与保持安全和任务效能之间取得平衡。最近关于在危险或不确定领域中自主车辆协调的研究，已经证明了通过不确定性感知和自适应决策框架明确处理这种权衡的好处。尽管先前的工作为处理探索和风险提供了实用策略，但它们并未在适用于情报监视侦察任务的鲁棒序贯决策框架内明确形式化这种权衡。受此差距启发，我们提出一个为情报监视侦察任务量身定制的自适应鲁棒马尔可夫决策过程框架，该框架建立在已有文献中的在线鲁棒规划形式化之上，并通过不确定性感知的策略适应自然地平衡探索与利用。在此过程中，智能体对结构化的对抗行为进行推理，并动态调整其策略，以在竞争环境中保持安全性和覆盖范围。
本稿件的其余部分组织如下。第二部分提供文献综述，第三部分介绍相关背景。第五部分详细描述了任务场景和自适应情报监视侦察任务策略。第六部分介绍了自适应鲁棒规划框架，包括图鲁棒马尔可夫决策过程、贝叶斯信念更新和模糊集收缩。关于收敛性、安全性和渐近最优性的理论保证在第六部分C中给出。第七部分展示了不同威胁模型和图结构下的仿真结果。第八部分总结了研究发现并概述了未来工作方向。
在声明响应时间内，人员和装备完成部署的准备状态，对在作战和训练环境中的作战效能至关重要。本文提出一个运用大规模基于智能体的建模开发的概念模型，旨在演示如何在现实条件下模拟多域作战中复杂的动员与战备动态。该模型捕捉了关键战备因素，包括正规军和预备役的动员、医疗报告、运输、后勤以及供应链依赖关系。还纳入了平民行为——如交通和人口流动——以反映非战斗人员对军事行动的影响。应用此方法有可能在规划、态势感知和更快速的决策支持方面带来阶跃式变革——缩短部署时间并降低作战风险。通过模拟军事激活、社会行为、部队动员、机动考量和后勤保障等相互关联系统内部及之间的复杂互动，该模型揭示了可能对部署构成风险的涌现行为、瓶颈、维持有效供应链的挑战以及突出的基础设施限制。这些见解支持对战备状况的评估和压力测试，以确保能够考量不同选项并实施最优方案。为响应北约对更敏捷、数据驱动的多域作战部队规划的需求，本工作展示了可扩展的基于智能体建模如何能够改变战备评估和作战预判。为将仿真集成到未来规划和决策过程中提供了一个强大的概念基础。
作战和训练效能取决于人员和装备的及时准备状态。北约开发了一个概念模型以满足对高战备部队的这一关键需求。本文介绍了这个模型，将大规模基于智能体的建模应用于多域作战部队战备的评估与优化。通过模拟军事力量、基础设施和平民人口之间复杂的非线性互动，该方法捕捉了传统模型所忽略的涌现行为和连锁效应。该框架揭示了在动员、后勤和医疗保障等领域中隐藏的风险、瓶颈和脆弱性。通过国防训练和民事规划中的应用案例研究展示，此方法提供了可解释的、数据驱动的战备洞察，可改善态势感知，支持对行动方案进行压力测试，并最终提升联盟快速、有韧性地部署的能力。一个提议的技术架构确保该解决方案在北约环境内具有可扩展性、互操作性和可重用性，支持快速和韧性的部署。此能力增强了军民两用背景下的规划与决策支持，将其适用性扩展到其他政府部门和大规模民事规划。通过揭示影响军事战备的复杂动态，基于智能体建模驱动的解决方案确保了联盟能够有效地威慑和应对威胁。
图1：多域作战建模的概念架构。将民用、基础设施和军事子系统集成到一个统一的仿真中，以捕捉军民对共享资源的动态竞争，并支持部署与战备分析。
战备评估中的建模与仿真
- 建模与仿真——为战备提供真实性
在逼真场景中进行规划是有效准备和达到战备状态的基础。建模与仿真提供了构建适应性场景的手段，以捕捉现实世界的复杂性。当在足够的保真度和压缩的时间框架内进行时，仿真可增强共享态势感知，并通过提供特定作战数据来支持指挥官的决策制定，从而增加选择和执行行动方案的信心。真实性使得能够进行准确评估、有依据的分析和稳健的战略制定，从而加强整体战备水平。这些要素共同贡献于通用作战图，并形成对军事能力的具体领域视图，从而提供了部队战备状态及动员与部署能力的数字化可视化。
- 多域作战与部队战备：复杂性挑战
一种系统之系统的方法通过建模每一个要素——关键的多模态平台和资产、人员、信息与通信流、天气等等——来支持构建逼真的场景。这些部分之间的互动揭示了在常规和破坏性事件中都会发生的连锁效应。军事决策常常在压力下做出，时间优先，且缺乏关于构成多域作战部队战备完整图景所有方面的完整信息。通过在领域、战术、人口、基础设施、技术及集成等方面反映现实世界条件，建模与仿真促进了对现代战争复杂性及其相互依赖性的更深入理解。
本文探讨了AI智能体的兴起，概述了其技术基础、分类、评估与治理，以支持其安全有效的采用。
本报告主要面向AI智能体的采用者，包括寻求将AI智能体整合到组织工作流和服务中的决策者、技术领导者及从业者。尽管AI智能体日益受到关注，但关于如何负责任地设计、测试和监管它们的指导仍然有限。本文旨在通过为这些系统的安全有效部署提供一个结构化基础，帮助填补这一空白。本文作出了三个关键贡献。首先，它涵盖了AI智能体的技术基础，包括其架构、协议和安全考量。其次，它提供了一个功能分类，根据代理的角色、自主性、权威性、可预测性和操作环境对其进行区分。第三，它提出了一种渐进式治理方法，将评估和保障措施与智能体的任务范围及部署环境直接联系起来。这些要素共同为采用者提供了一个从实验走向部署的概念蓝图。报告强调了将采用过程与评估和治理实践相结合的重要性，以确保在维持信任、安全和问责制的同时，成功部署AI智能体。
大国竞争已在全球范围内升级，这使得国防部采用先进且安全的人工智能技术变得日益重要。大语言模型能够基于训练数据集生成文本、代码、图像和其他数字内容，因其在数据分析、情报处理和通信等国防部应用中的潜力而备受关注。然而，由于大语言模型复杂的架构和对大量数据的依赖，将其集成到国防作战中带来了独特的网络安全挑战。如果管理不当，这些风险可能对国家安全和任务完整性构成严重威胁。本综述论文将这些挑战分为以漏洞为中心的风险，以及以威胁为中心的风险，提供了一个全面的框架，以理解大语言模型在国防部环境中的潜在风险。对每个类别进行了审视，以识别主要风险、当前的缓解策略以及潜在的差距，最终确定需要进一步研究的领域。通过总结大语言模型网络安全的最新技术水平，本文旨在为理解国防部内的大语言模型安全提供基础。通过倡导一种双重考量方法，即同时考虑网络威胁不断演变的本质和国防部的作战需求，本文旨在提供可行的建议，以指导将大语言模型集成到国防部作战中的持续研究。
大语言模型在美国防部作战中的角色
美国防部已经认识到大语言模型在提升作战效率和决策流程方面的变革潜力。正如美国防部副部长所言：“国防部迫切需要探索这项技术的应用，并利用这些模型在规模、速度和交互能力方面的潜力来提高部门的任务效能，同时识别适当的保护措施并减轻各种相关风险。”作为在美国空军内部推进安全、负责任的人工智能技术的一项工作，美空军研究实验室开发了NIPRGPT，这是一个获准安装在美国空军非密级系统上的大语言模型。其他大语言模型应用案例包括：空中机动司令部利用大语言模型生成战役模拟；美国空军中央司令部使用大语言模型来加速软件工具的日常维护。大语言模型有潜力变革信息处理、规划和决策等流程，并协助军事演习。它们可用于合成情报报告、总结机密文件，并通过识别文本数据中的模式来协助威胁检测。在“Bravo 11”黑客松活动中，美国太平洋空军团队展示了大语言模型在情报处理和报告摘要方面的部署潜力。这些能力可以增强实时作战决策，并可应用于适应性任务规划。Weller等人近期的研究也声称，大语言模型可以成为在多域作战中加强兵棋推演的有用工具，它能有效地生成逼真且实时的想定叙事。此外，通过协助人类操作员收集、分析和评估数据，大语言模型可以助力情报、监视、目标获取与侦察流程。最后，大语言模型可能有助于减少指挥官的行政事务负担，并将人员从行政岗位重新分配到作战岗位。其可扩展性和适应性使其非常适合像国防作战这样高需求、数据密集的环境。然而，如《美国防部人工智能伦理使用原则：建议》中所描述的，人工智能模型仍处于早期阶段，国防部门将这些模型视为虚拟助手，而非人类的替代品。
大语言模型以漏洞为中心的风险
大语言模型在国防部门应用中不可或缺，然而，正如Yao等人所指出的，正是使大语言模型如此强大的架构，也引入了对手可加以利用的漏洞。本节界定具体的、以漏洞为中心的风险，并评估当前的缓解策略，重点聚焦于数据泄露、意外偏见、虚假信息以及与国防部门政策不一致的问题。
大语言模型以威胁为中心的风险
除内部弱点外，大语言模型也面临外部的对抗性威胁。这些以威胁为中心的风险代表了对手为操纵、破坏或欺骗而蓄意利用大语言模型能力的行径。本节探讨关键的、以威胁为中心的风险——提示词操控、输入攻击、数据投毒和模型破坏——及其相关风险与缓解策略。
新兴技术增强了士兵的能力，提高了安全性、精确度和效率。外骨骼、人工智能、增强现实、生物技术、纳米技术、无人机、智能材料和通信技术，能够优化策略、决策、抵抗力和态势感知，是现代武装力量的关键。本文综述综合了最相关的进展、其关键技术及其对士兵作战期间策略效率的影响。许多最新进展，如无人机蜂群、用于监控部队的生物识别技术和高精度激光武器。尽管存在成本和技术培训等挑战，这些技术正在改变国防，提高其效能和安全性，驱动更强的能力，并在对抗不利事件中提供竞争优势。
当前，技术提升了士兵的效能、安全性和响应能力等方面，优化了作战中的通信、监视、决策制定和适应性，这是应对现代威胁的关键。士兵对技术的使用强化了国防，保障了主权，提升了安全，并使各国在地缘政治竞争中占据有利位置。它还推动创新，优化资源，并能以更低的人员风险有效管理现代威胁。通过这种方式，新兴技术在军事领域的影响超越了直接的作战效益，有助于强化机构能力和促进全球安全。这些创新与可持续发展目标（SDGs）[1] 相符，特别是SDG 16（促进建立强大和具有韧性的机构）和SDG 17（因其需要伙伴关系以实现目标）。美国、中国、俄罗斯、英国、法国、以色列、德国、印度、韩国和日本等国家正在引领将先进技术融入军事防御的潮流[2]，而其他国家也在探索采用这些技术以实现其武装力量的现代化。
外骨骼、人工智能、增强现实、脑机接口、应用生物技术以及5G和6G网络等技术，正在塑造当代军事战略的范式转变。这些解决方案增强了态势感知，优化了作战效率，并将技术创新定位为确保关键任务效能的基本轴心[3]。现代士兵面临日益复杂的场景，快速适应和有效利用先进技术的能力对任务成功至关重要。已经开发出可提高动态条件下机动性、身体耐力和决策能力的解决方案[4]。技术的采用带来了新的伦理、技术和战略挑战，需要清晰的监管框架和专门培训。
为理解围绕未来士兵技术研究发展的领域，我们绘制了图1，该图展示了一个文献计量图
图1中的文献计量图突出显示，应用于未来士兵的技术研究围绕两个中心轴展开：一方面，是人工智能、机器人学、传感器、纳米技术、可穿戴设备和通信系统等先进技术的开发与应用；另一方面，是对这些创新对军事人员身体、认知和决策能力影响的分析。“技术”、“军事行动”、“军事应用”和“士兵”等概念作为主导节点出现，反映了人机集成在军事领域的重要性。技术术语与人为因素之间的相互关联性强调了设计解决方案的必要性，这些方案不仅能提高作战效率，还要考虑士兵在复杂环境中的健康、表现和安全。此外，该图也显示了通过受控研究对这些技术进行科学验证的兴趣日益增长，以及对其机构管理与实施的兴趣，特别是在军事医学和战略防御组织等背景下。所有这些都指向了武装力量的范式转变，其中技术创新和人的适应是应对现代及未来战争挑战的基本支柱。
图1. 利用VOSViewer v.1.6.20生成的、突出显示与未来士兵技术相关研究的文献计量图。
对图1中涉及的先进技术及其应用于士兵国防与安全领域的研究，可能会引起军事、国防和安全领域的研究人员、学者和专业人士，以及应用于战术环境的新兴技术开发者的兴趣。所提供的信息可能与国防政策制定者、政府机构、军事技术部门公司以及寻求通过创新解决方案优化其武装部队战备状态、安全性和效能的国际组织相关。此外，它对于人机工程学、职业健康和对这些解决方案对士兵表现和福祉影响感兴趣的人为因素专家也可能有用。
本文旨在对国防领域未来士兵的主要技术和发展趋势进行系统性综述，分析其作战影响、相关风险和集成前景。文档结构如下：第2节阐述基于PRISMA®方法论指南的研究方法；第3节展示关于（1）未来士兵的技术发展、（2）技术使用对未来士兵的影响、（3）技术使用中的挑战以及（4）技术使用前景的结果。第4节讨论与这些技术的实施和正确使用相关的技术、伦理和战略方面。最后，给出结论。
联合全域作战要求向“全地形规划”转变，该框架将每个作战域概念化为具有独特特征的地形要素。这种方法超越了仅仅在各个域内作战，而是聚焦于根据作战目标决定何时及如何战略性分配资源。至关重要的是，全地形规划必须决定何时让出、争夺或主导一个域，以优化资源运用，并在空中、陆地、海上、太空、网络和电磁频谱域实现协同效应。实施这一方法对于在复杂的二十一世纪冲突中取得决定性优势至关重要。
由于技术的飞速进步，现代战争已远非过去线性的、消耗战的模式。战争如今是多维度的，已超越陆、海、空，延伸至太空、网络和电磁频谱。使问题进一步复杂化的是，对等对手在所有域都拥有先进的能力和战术，这对美国的战略目标构成挑战，并试图利用其感知到的弱点。为有效应对威胁并保持竞争优势，美军已采纳“联合全域作战”这一变革性作战概念，它整合了所有域和联合职能的能力。联合全域作战标志着与传统以域为中心的方法相隔离，传统上各军种在其指定领域内很大程度上独立行动。相反，联合全域作战设想了一支无缝连接、互联互通、可互操作的部队。一支能够跨空、陆、海、太空、网络和电磁频谱域快速共享信息、协调行动并产生决定性效果的部队。
要在下一场冲突中取得成功，并不需要在复杂的作战空间处处占据主导；相反，需要一种围绕联合全域作战规划考量而制定的、训练有素的、综合性的规划方法。本文介绍“全地形规划”框架，该框架从简单地在各个域内作战，转变为基于作战目标战略性分配资源——根据形势决定在何处有意识地让出、争夺或主导关键域的控制权。“全地形规划”框架将每个域视为一个独特的地形特征，其特点和价值由其独特的作战优势、局限性和弱点所定义，要求基于资源约束和作战目标，细致地理解何时让出、争夺或主导。这种域的优先级排序，以对对手弱点的全面评估为指导，并聚焦于在关键节点达成聚合效果，对于优化资源运用、实现协同效应，并在复杂的二十一世纪战场获得决定性优势至关重要。
此框架的核心是“全地形规划团队”，这是一个能够整合领域专业知识、运用既定军事原则来规划联合全域作战的关键团队组成。通过投资规划人员培养并接纳全地形规划，美军能够实现真正的聚合效应，释放联合全域作战的全部潜力，并通过更智能（而不仅仅是更多）的资源分配确保在未来冲突中的决定性优势。
联合全域作战中的地形分析与战场空间管理
美军认为其未来参与的冲突中，军事行动可能与联盟、伙伴在大范围地理战区协同进行。这些战区可能被划分为多个联合作战区域，每个区域由指定的联合部队指挥官指挥。考虑到联合部队指挥官在其负责的联合作战区域内协调联合全域作战的职责，资源约束是预期之中的。
要将联合全域作战成功实施为一个决定性的作战概念，需要一种动态和适应性的作战方法，优先考虑每个域内的行动，以利用优势并在作战环境中管理风险，尤其是在大规模作战行动期间。大规模作战行动固有的复杂性——表现为广阔的作战区域、分散的部队和资源约束——只会放大对联合全域作战这种适应性强、多层面方法的需求。大规模作战行动的成功需要作战敏捷性，使军队能够动态分配资源、利用机会并在关键点实现聚合效应。
然而，仅仅整合能力和技术进步并不能保证在联合全域作战中取得成功。一个真正有效的全域方法需要在思维模式上进行根本性转变。它要求超越传统的、烟囱式的规划流程，转而接纳“全地形规划”框架。该框架要求军事规划人员将每个作战域视为一个独特的地形特征，具有独特的属性、挑战和机遇。正如地形分析为物理战场上的机动和火力支援决策提供信息一样，全面理解每个域的特性对于联合全域作战中有效的资源分配和作战效能至关重要。
美国陆军野战条令3-0号《作战》强调地形分析是成功军事行动的基础要素。传统上，地形分析侧重于土地的物理特征，如海拔、植被和障碍物，及其对机动、火力和后勤的影响。然而，地形的概念现在必须扩展，将非物理域纳入其中，这些域是现代战争不可或缺的组成部分。正如美国联合出版物3-0号《联合战役与作战》所述，一个域内的行动必然会在其他域产生影响。韦氏词典将地形定义为“一个地理区域”、“一块土地”或“一片土地的物理特征”。广义应用此定义，我们可以将每个域——空、陆、海、太空、网络和电磁频谱——概念化为一个呈现独特特征和挑战的特定区域。全地形规划需要一个广阔的视角，应用既定的联合职能，如机动与移动、火力、防护，以促进对作战环境更全面、更基于资源的理解，从而实现更有效的规划。
决定何时让出、争夺与主导作战域
有效的联合全域作战取决于这样一种作战方法：根据各作战域在整个作战环境中的相对重要性来确定其优先顺序并分配资源。认识到不同作战域在不同时间和地点的重要性是波动的，一个有纪律且适应性强的框架，能够通过在特定作战环境下有意识地在让出、争夺和主导关键域之间切换焦点，实现战略资源分配。这一策略基于对域特征、战略优先级、资源约束和对手能力的综合分析，从而精简风险管理，在决定性节点促成聚合效应，进而提升全域规划的效能——这是一个复杂的挑战，其难度尤其在“大规模作战行动”的规模和范围内被放大。
成功的联合全域作战基石在于能够通过知晓在作战持续时间和空间内何时让出、争夺和主导作战域，来有效规划资源分配。
决定让出对某一特定域的控制权通常是最困难，但从战略角度看却是至关重要的抉择。让出并非承认失败，而是一个深思熟虑的选择，旨在保存资源、整合能力并为未来的进攻行动创造机会。它意味着在特定区域接受一定程度的风险，有意识地放弃控制或影响它的尝试，并要求仔细考量潜在后果。这一决策通常由资源限制以及需要在其他地理区域集中精力（以求在该域产生更大影响）的需求所驱动。在一个假想场景中，在地面域面对数量占优的对手时，联合部队可能会战略性地让出防御性较差的地形，以便沿更有利的防线集结力量。例如，在海上冲突期间，海军可能会暂时让出某些岛屿的控制权，以专注于在更广阔区域维持制海权，并确保其他海上资产的航行自由。
让出的优势在于保存资源、能将精力集中于影响最大的区域以及欺骗对手的潜力。然而，鉴于在网络和太空域固有的脆弱性，由于存在重大依赖关系，完全让出对这些域的控制是不可取的。相反，规划人员应分析并优先考虑这些域中已识别的关键地形的防护要求，以便提供更可接受的让出选项，防止对手获得明显优势。在许多情况下，指挥官的风险承受能力可能排除在军事行动期间让出任何地形的意愿。为了在让出地形时减轻潜在后果和被对手利用的风险，规划人员必须制定应急计划。这些计划应能让指挥官树立足够的信心，确信在必要时让出地形仍然是一个可行且可接受的决策。
相反，争夺一个作战域涉及主动挑战对手的控制或影响力，而不必寻求主导权。当资源不足以进行全面进攻，或者主要目标是扰乱、削弱或拒止对手能力时，这种方法至关重要。争夺的目的是为未来的进攻行动创造更有利的环境，或阻止对手实现其目标。它包括维持可信的威胁、利用对手弱点并采取针对性措施以扰乱其行动、挫伤其士气并迫使其将资源耗费于防御措施。
争夺的例子包括：部署进攻性网络能力以扰乱关键基础设施、发动电子战行动以干扰对手通信，以及实施针对性打击以削弱敌方防空。例如，美军在“沙漠风暴”行动期间对伊拉克防空系统使用了电子战，展示了旨在争夺敌方制空权的策略。同样，伊朗在波斯湾采用非对称海军战术，包括使用小艇和反舰导弹，作为旨在争夺美国在该区域海军主导地位的策略。可损耗与不可损耗的灰色地带活动，如动用执法巡逻等活动，是在不触及武装冲突门槛的情况下争夺某些作战域以削弱对手并利用其弱点的方法。
另一方面，主导一个作战域意味着达到一种控制水平，能使联合部队在特定时期内自由且不受阻碍地行动。这需要对资源和能力进行大量投入，并且通常在对实现作战效果和目标最为关键的域中予以优先考虑。主导一个域通常需要建立空中优势、获得制海权，或控制关键地标以确立对对手的明显优势。主导的优势在于为友军创造一个安全的作战环境、能够投送力量和影响力，以及有可能获得对对手的明显优势。
成功的联合全域作战基石在于能够通过知晓在作战持续时间和空间内何时让出、争夺和主导作战域，来有效规划资源分配。这需要一个高度熟练的“全地形规划团队”，该团队能够理解每个域的细微差别，并将其整合到一个协调良好、同步运作的计划中。全地形规划团队必须深刻理解每个域的特征，包括其关键地形、弱点以及对整体任务成功的潜在影响。他们还必须善于基于对手的能力和意图分析其行动方案，评估与己方及对手每一种行动方案相关的风险，并识别在战场空间关键节点实现聚合效应的机会。
实现聚合效应：战斗力的决定性运用
在决定主导作战域时，目标应围绕实现聚合效应——即在决定性的时间和地点，跨多个域同时运用战斗力。这需要跨多个域同步效果，以压倒对手并取得决定性的己方成果。聚合效应需要一个复杂的指挥控制系统，能够协调不同领域的行动，每个域都有其独特的特征和时间线。为了缓解全域协同的挑战，美军的“联合全域指挥与控制”概念旨在通过改进所有域的信息共享、决策和协调，来解决聚合效应固有的指挥控制难题。通过创建一个先进的联合通用作战图，联合全域指挥与控制旨在使指挥官能够在全域环境中做出明智决策并同步行动。
然而，实现聚合效应不仅仅是协调行动；其关乎统筹效果的达成，以最大化每个域贡献的影响力。全地形规划框架为识别实现聚合效应所需的关键域、资源和同步要求提供了一个结构化的方法。有效的同步至关重要，其超越了简单的协调。要求跨不同域的行动在时间上精确配合，以最大化其累积效果。联合出版物3-0强调同步是联合作战的关键原则，确保所有单元的行动在时间、空间和目的上协调一致。规划人员不仅必须理解每个域的能力，还必须了解如何整合和同步它们以实现统一的效果。这需要深刻理解每个域的时间线和相互依赖性，以及潜在的非预期后果。在组建全地形规划团队时，应强调这些考量。
通过聚焦于获得主导权或争夺对手行动将产生最大影响的域，联合部队可以最大化其有限资源以实现目标。在一个假设场景中，联合部队可能寻求通过协调网络攻击对抗对手的防空系统、同时部署电子战能力干扰其雷达网络、并出动隐形飞机打击摧毁关键防空节点，来获取空中优势。这种在网、电磁频谱和空域聚合运用战斗力的方式产生了协同效应，压倒了对手的防御，使联合部队能够获得决定性的明显优势。
培养全地形规划团队
联合全域作战的成功依赖于其全地形规划团队的有效性。这个由来自联合部队、具有不同专业知识的个人组成的团队，必须作为一个有凝聚力且跨职能的团队运作。他们必须共享信息、协作解决方案并制定综合性的作战计划。该团队必须包括所有相关领域的知识渊博的代表，以及所有联合职能的专家。创建一个有效的全地形规划团队需要几个关键步骤，例如：
选拔合格人员——被选入团队的人员必须深刻理解其各自负责的域，并对全域作战的复杂性有广泛的认知。他们还应具备强大的分析、解决问题和沟通能力。
跨域培训与教育——为培养对全域环境的共同理解，团队成员必须接受跨域培训和教育。这可能包括关于各域特性的熟悉课程，以及需要他们在全域规划问题上进行协作的联合演习、模拟和兵棋推演。
明确角色与职责——每个团队成员必须清楚了解自己在规划过程中的角色和职责。这包括明确谁负责分析各域特征、评估对手能力、制定行动方案，以及将全域考量整合到作战计划中。
培育协作与创新文化——团队必须在一种环境中运作并建立一种文化，以促进开放的沟通、协作和创新。这需要营造一种安全的氛围，让团队成员能够自如地分享想法、挑战假设并尝试新方法。
结论：迈向全地形规划的未来
现代战争的演变格局，其特点是广阔的战区、资源限制以及具备多域能力的对等对手，要求美军的作战方法进行变革性转变。联合全域作战代表了这种演变，它整合了跨空、陆、海、太空、网络和电磁频谱的能力以取得决定性成果。成功实施联合全域作战需要的不仅仅是技术；它需要一种专注于敏捷性、适应性和实现聚合效应——即在关键点跨多个域同步运用战斗力——的新思维模式。
联合全域作战的核心是全地形规划框架，该框架将每个域视为具有独特属性、挑战和机遇的独立地形特征。这个框架指导关于何时让出、争夺或主导特定域的决策，这些决策基于对域特征、战略优先级、资源限制和对手能力的综合分析。这些审慎的选择简化了风险管理，实现了有效的资源分配，从而最大化了其对整体任务成功的影响。
联合全域作战的有效性取决于一个由来自联合司令部各领域专家组成的高度熟练的全地形规划团队。通过严格的选拔、跨域培训和协作环境，这个团队分析域特征、评估对手能力、制定全面的行动方案，并将全域考量整合到作战计划中。通过采纳这一框架、培养全地形规划团队，并在关键节点优先考虑聚合效应，联合部队能够加强资源优先级排序、风险管理，并在未来冲突中取得决定性成果。
参考来源：smallwarsjournal
自主武器系统引发的人道主义与法律关切，长期以来一直是国际政策进程的主题，最近更成为关于军事领域采用人工智能的讨论焦点。对人工智能决策支持系统军事用途日益增长的关注，提出了思考这些系统如何融入全球政策对话的需要。本报告从各自的特征、意外伤害风险、法律层面和政策应对措施等方面，比较了用于目标选定的AWS和AI-DSS。报告提出若干关键发现，以告知政策制定者。
无论是AWS还是用于军事目标选定的AI-DSS，都会影响人类在目标决策中的作用。然而，一个关键区别在于它们在目标选定周期中的使用范围：AWS仅限于任务执行阶段，而AI-DSS则在多个阶段有更广泛的应用。尽管如此，这两种系统之间的区别在实践中可能模糊，具体取决于其部署方式。AWS和AI-DSS都带有意外伤害的风险，但这些风险以不同的方式显现。虽然两种系统都存在由于自主性和人工智能已知技术限制而引起的可靠性问题，但它们不同形式的人机交互可能导致不同的结果。对于在目标识别与交战之间存在直接路径的AWS，风险是直接的——例如，错误的目标识别可能导致在没有人工输入的情况下立即采取致命行动。对于向人类提供输出结果的AI-DSS，风险是间接的——如果人类基于错误的目标识别采取行动，伤害便会发生。
AWS和AI-DSS都引发了一系列问题，涉及允许用户在多大程度上依赖这些系统来履行国际人道法义务，以及如何确保责任和问责。然而，它们提出了不同的法律挑战。对于AWS，关切源于武力的自主使用，以及用户能否合理预见并控制系统的效果。对于AI-DSS，关切则源于人类在进行法律评估时过度依赖人工智能，例如由于自动化偏见，这可能导致人类变成系统建议的被动批准者。AI-DSS的使用也对国际人道法之外的法律框架（如国际人权法）产生影响。这些比较为政策制定者在当前多边背景下应对军事人工智能问题提出了三种可用的方法：(a) 在多边关于AWS的努力中明确纳入AI-DSS；(b) 建立一个专门针对AI-DSS的新进程；(c) 不对AI-DSS采取特定方法。每种选择都带有某些政策制定者必须考虑的影响和权衡。AWS与AI-DSS之间实质性的相似之处与差异，为其中任何一种方法提供了依据；最终，所采取的方法将需要反映政治和机构的意愿。
基于这些发现，报告提出三项建议。首先，各国应考虑是否需要为AI-DSS建立一个专门的多边进程，同时认识到不同方法之间的权衡。其次，未来关于AI-DSS的政策努力应建立在AWS治理的经验教训之上，特别是在人机交互与监督、法律合规和问责等问题上。第三，由于AI-DSS也引发了一些在AWS进程中没有或尚未充分探讨的独特问题，政策制定者应找出关键的知识差距，并委托进行研究，以指导负责任地将人工智能融入军事决策，并在使用武力的决策中支持人类的主体性。
为理解AI-DSS和AWS需要共同还是区别的政策应对方法奠定基础，报告用三个章节进行了比较分析。第二章首先定义了AWS和AI-DSS，然后比较了它们各自的技术特征如何影响其在目标决策中的作用。第三章探讨了在军事目标选定中使用AWS和AI-DSS时，意外伤害风险如何显现。第四章比较了法律方面，包括在遵守国际人道法方面，AWS和AI-DSS带来了哪些相似或不同的挑战。接着，基于这些比较分析，第五章概述了三种政策选项，以深化对AI-DSS和AWS是否需要相似或不同的风险缓解措施的理解。最后，第六章提出了关键发现和建议。
微信扫码咨询专知VIP会员