随着现代机器人技术的发展，海底影像对研究人员和公众变得更加易得。本论文利用深度学习和三维视觉技术，从机器人平台采集的海底图像观测中提取有价值的信息。 尽管深度学习和三维视觉算法已在多个领域得到广泛应用，但水下成像面临独特挑战，如缺乏标注、颜色失真和光照不一致等问题，这些因素限制了现成算法的有效性。本论文聚焦于一个核心问题：如何在受到光源和介质干扰严重影响的情况下，从原始水下图像构建三维表征。为实现光真实感的海底三维重建，本文提出并开发了以下算法： (i) 基于循环三维高斯泼溅（recurrent 3D Gaussian Splatting）的无监督水下焦散（caustic）去除方法； (ii) 基于神经反射场（neural reflectance fields）的深水真彩恢复； (iii) 面向机器人平台的相机-光源联合标定方法； (iv) 基于三维高斯泼溅的暗环境重光照方法。 借助机器人收集的大规模海底数据作为训练集，本论文进一步探索了深度生成模型在生成大尺度、具有自然空间变化的水下地形方面的应用。合成的地形可以与所学习的水下光照效应相结合，从而实现逼真的新视角渲染效果。 本文展示了如何将三维计算机视觉与深度生成模型结合物理规律、统计原理以及基础模型，来应对水下机器人感知中的独特挑战。这些研究成果共同奠定了重建高保真水下场景的基础，有助于人类更好地理解海底生态系统，并生成模拟环境，从而缩小水下机器人感知中的“仿真到真实（sim-to-real）”差距。
Underwater 3D Visual Perception and Generation
摘要—具身人工智能（Embodied AI, EAI）智能体持续与物理世界交互，产生海量且异质性的多模态数据流，而传统的数据管理系统难以有效应对这一挑战。在本综述中，我们首先系统性地评估了五类存储架构（图数据库、多模型数据库、数据湖、向量数据库以及时序数据库），重点分析了它们在满足 EAI 核心需求方面的适用性，包括物理具身性（physical grounding）、低延迟访问以及动态可扩展性。随后，我们探讨了五类检索范式（基于融合策略的检索、基于表征对齐的检索、基于图结构的检索、基于生成模型的检索以及基于高效优化的检索），揭示了在实现长期语义一致性与保持实时响应性之间的根本张力。在这一全面分析的基础上，我们识别出若干关键瓶颈，从基础性的**物理具身鸿沟（Physical Grounding Gap）**到跨模态融合、动态适应与开放世界泛化等系统性挑战。最后，我们提出了前瞻性的研究议程，包括面向物理的感知数据模型、自适应的存储-检索协同优化以及标准化基准测试，以推动未来面向 EAI 的系统性数据管理解决方案的发展。本综述基于对 180 余篇相关研究的全面梳理，旨在为下一代自主具身系统所需的稳健、高性能数据管理框架提供严格的设计路线图。 关键词—具身人工智能，多模态数据存储，多模态数据检索
1 引言
在人工智能的各个子领域中，具身智能（embodied intelligence）指的是那些通过直接与物理环境交互而进行学习的智能体。许多研究者认为，具身人工智能（Embodied AI, EAI）是实现通用人工智能（AGI）的关键 [1], [2]。与依赖抽象计算和大规模数据集的经典 AI 不同，具身 AI 更强调智能体在真实环境中执行与适应行为的能力 [3]。超越对话系统（如 ChatGPT）之外，AGI 的完整愿景还包括控制物理智能体并深入地与模拟和现实环境交互的能力 [4], [5], [6]。这类实体被称为 EAI 智能体，其物理形态差异极大（见图 1），从静态工业机械臂和仿生微型机器人，到复杂的人形机器人和移动平台。这种多样性并非表层差异，而是从根本上决定了每个智能体所生成并必须处理的多模态数据的性质与复杂度。 模型的泛化能力在很大程度上受到训练数据规模和质量的影响。扩展规律（scaling laws）表明，更大的模型需要更多数据才能实现复杂的环境适应与稳健的任务泛化 [8]。然而，Lin 等人 [9] 发现，泛化能力与环境多样性和对象数量呈幂律关系。这表明，多样性往往比数量更为关键：一旦在每个环境或对象上的样例数量达到某一阈值，进一步增加演示样例所带来的收益会迅速递减。 然而，EAI 的数据挑战并不仅仅在于规模。首先，智能体必须处理异质性的数据流，包括感知输入（如视觉、触觉）、运动指令以及环境反馈，并在连续循环中运行，以支持实时学习与适应 [3]。其次，EAI 智能体运行在复杂且动态的环境中，数据特征可能会不可预测地发生变化。这对数据的体量、质量和上下文相关性提出了严格要求，尤其是在自动驾驶等安全关键应用中。随着模型规模不断扩展，高质量数据的有效收集、管理与处理正逐渐成为制约该领域发展的核心瓶颈。 从需要实时处理数 TB 传感器数据的自动驾驶车辆，到要求无瑕疵远程数据传输的外科手术机器人，具身智能已经在广泛的数据密集型应用中得到体现。这些典型场景凸显了对先进的多模态数据存储与检索技术的迫切需求——这正是本文综述的研究重点。
1.1 研究动机与目标
具身 AI 与多模态数据管理相关文献的快速增长凸显了本综述的必要性（趋势如图 2 所示）。这两个快速发展的研究领域在交汇点上亟需系统性的回顾与梳理。本文综述旨在系统性审视面向具身智能的多模态数据存储与检索方法，综合近期进展并强调未来关键研究机遇。本文的主要贡献包括： 1. 填补研究空白：尽管具身智能高度依赖多模态数据处理，但针对其交互性与物理具身特性的数据存储与检索综述仍十分有限。 1. 促进跨领域创新：我们探讨了已有的多模态数据方法如何被改造，以应对具身智能系统中的实时性、空间性和感知处理等独特挑战。 1. 明确未来方向：通过分析现有瓶颈，我们提出针对性的优化策略，并勾勒出未来研究的潜在路径。
为提供清晰的结构化视角，我们在表 1 中呈现了一份战略性总结。该表概述了关键技术范式、其在 EAI 中的战略角色、核心能力、权衡关系以及未来研究前沿，作为后续深入讨论的路线图。
1.2 论文结构
本文的后续结构安排如下： * 第 2 节：综述具身智能的基本概念，并分析其所生成数据的独特特征及处理需求； * 第 3 节：探讨多模态数据存储技术，评估不同架构和数据模型在 EAI 应用中的适用性； * 第 4 节：分析多模态数据检索的关键范式，重点考察其在语义理解、跨模态关联与实时性能方面的有效性； * 第 5 节：综合前文分析，讨论现有存储与检索技术在 EAI 领域中的总体挑战与开放问题； * 第 6 节：总结本文的核心发现，并展望未来的研究方向。
当前国际技术环境正因自主人工智能（AI）代理的加速发展而处于关键转折点。这些平台能够感知环境、自主决策并执行复杂任务，几乎无需人工干预，代表着计算能力的未来方向。其崛起已引发国家与科技巨头的全面竞逐。
这场竞争超越商业范畴，深入国家安全、经济实力与国际治理领域。研发部署自主AI代理已成为地缘政治战略的核心要素，亟需系统审视其驱动因素、发展趋势及潜在影响。
战场界定：何为自主AI代理？
自主AI代理是在特定边界内达成预设目标的计算机程序。区别于传统自动化系统，此类代理利用大语言模型（LLM）实现自适应学习能力、实时数据驱动决策，以及无需逐步人工干预的独立执行能力。核心特征包括：
• 高级感知（解析传感器数据与数字输入）
• 逻辑推演（评估选项并预测结果）
• 行动规划（生成操作序列）
• 任务执行（与系统或物理世界交互）
应用场景涵盖物流优化、科学探索、网络安全及无人军事平台。关键技术支撑包括机器学习（尤强化学习）、自然语言处理、计算机视觉及强大算力。美国防部将武器系统自主性定义为"激活后无需人工操作员干预即可选择并攻击目标"，清晰划分自动化功能与真正自主性的界限。
从自动化到自主化演进
自主代理的发展历程横跨控制论、控制理论与人工智能数十年积淀。早期成果表现为执行重复任务的工业机器人与存储人类知识的专家系统。2000年代DARPA无人车挑战赛推动自动驾驶技术在复杂地形突破。2012年以来机器学习算法（特别是深度学习）的飞跃，使系统能突破预设规则从海量数据中识别复杂模式。政府投资始终是核心驱动力。
2020年《美国国家人工智能倡议法案》确立举国推进AI研发的战略框架；中国提出2030年人工智能全球领先目标。这些战略承诺标志着AI自主性研究从学术探索向国家实力支柱的转型。
新一代战争竞争者图谱
自主AI竞赛呈现大国博弈态势，各国依托国家资源与产业政策角力：
• 美国：通过国防预算与私营部门创新结合，2024财年投入8.74亿美元发展陆海空自主系统。DARPA主导的"空战演化（ACE）"项目致力开发可执行复杂空战的AI飞行员，同步构建技术优势与道德准则双重壁垒。
• 中国：推动自主无人机、集群系统与指挥平台研发。
• 欧盟：聚焦安全保障，推行"以人为本AI"的差异化路径。《欧盟人工智能法案》草案构建全球最严苛高风险AI监管体系，对关键基础设施与执法领域自主系统设定强制要求。"地平线欧洲"计划同步推进研发投入与全球AI标准制定。
• 其他力量：俄罗斯在叙利亚实战测试"天王星-9"战斗机器人；英国、以色列、印度与韩国聚焦海事系统及反无人机技术，形成多极化竞争格局。
AI竞赛的企业引擎
除政府力量外，科技巨头正推动基础模型与高阶自主代理平台发展：
• OpenAI：GPT-5突破多模态理解与情境推理边界，其原生API互操作性、动态实时网络访问与高级代码执行能力，使自主代理可在极少监管下完成复杂任务。
• Google DeepMind：强化学习突破（AlphaGo、AlphaFold）构成代理训练基石，"双子座"项目赋能复杂环境多模态推理，开创从零学习复杂任务的代理范式。
• 微软：将AI深度集成至云与生产力平台，Azure定位为自主代理构建部署中枢。"Copilot"项目开发可跨应用执行多步任务、实时管理工作流的AI代理。
• Meta AI (FAIR)：聚焦开源AI与具身代理，"Habitat"项目在真实3D环境模拟代理训练，Llama大模型与海量数据集加速自主代理开发。
• Anthropic：专攻高级AI系统安全对齐研究，"宪法AI"开发基于预设原则约束代理行为的机制。
技术能力与现状评估
政府评估与企业披露信息显示：
• 军事应用：无人作战平台已投入实战部署。美海军"海上猎人"无人舰执行长航时任务，"弹簧刀"巡飞弹药验证自主打击能力。ACE项目AI飞行员在虚拟空战超越人类。美国防部正试验AI网络防御任务。
• 非军事应用：仓储机器人革新物流体系，自动化假设检验加速科研突破，智能电网优化能源分配。国家科学基金会资助灾害响应与环境监测代理应用项目。
战略影响：重塑权力与冲突
自主AI代理普及引发深层战略变革：
• 军事条令转型：自主系统催生蜂群无人机部队、AI增强指挥控制加速决策周期、持续情报监视侦察等新作战概念，显著冲击传统军事平台架构，使反自主措施成为刚需。美空军"作战当务之急（Operational Imperatives）"持续将自主能力列为维持作战优势的核心。
• 经济产业竞合：自主AI领导权将带来生产率跃升、新兴产业崛起与供应链优化红利，同时引发劳动力市场深度重构。多数国家将AI领先地位与经济主导权直接关联，驱动公私领域巨额投入。美国《芯片与科学法案》斥资千亿推动本土半导体制造，加强AI硬件基础。
未来轨迹：场景与未知数
自主AI军备竞赛前景存在多重可能：
• 技术扩散加速：技术门槛降低使更多国家可采购部署先进自主系统，高科技军事与工业AI准入壁垒瓦解。
• 人机协同深化：近期重点非替代人类而是发展高级协作，AI代理在人类设定边界内执行专项任务或提供决策支持。
• 突破与断层：人工通用智能（AGI）可能引发战略拐点；多代理系统协同、具身大语言模型（LLM）执行复杂规划与工具使用等近期突破将持续提升能力上限。
• 监管体系分化：各国监管路径差异将割裂全球技术生态，塑造新型竞争优势与劣势。
结论：前路导航
自主AI军备竞赛是21世纪决定性挑战。该技术蕴含巨大红利，却给全球安全、稳定与伦理规范带来空前风险。当前发展轨迹显示，地缘政治博弈与企业创新正双轮驱动技术加速部署。军事领域尤其缺乏自主系统的国际规范与核查机制，构成最大安全漏洞。
风险缓释需全球协同行动：优先推进安全对齐研究；建立国际规范框架——或从禁止全自主核发射、无"有意义的人类控制"AI攻击人类等特定应用开始。未来数年的决策将决定自主AI代理最终成为解决全球性难题的利器，还是失控升级冲突的导火索。"智能体战争"的结局将重塑人类安全与世界秩序格局。
参考来源：kingsresearc
本文系统梳理社会科学界关于算法战争的持续论辩，旨在为国际关系及相关领域学者提供关于算法战争实证背景的批判性综述，以及研究算法、机器学习与人工智能（AI）融入国际武装冲突实践的多维理论路径。本综述聚焦四大核心议题：(1)算法战争对战略稳定性的影响；(2)算法战争的道德伦理维度；(3)算法战争与战争法规及规范的适配性；(4)算法战争的公众认知图景。文末提出推动跨学科研究议程的开放性问题集群，并导览本特刊各篇论文的学术贡献。
算法已成为现代战争实践与研究的核心要素。其支撑情报监视侦察（ISR）与目标识别任务，更日益集成于武器系统实现目标选择与攻击决策——即武力的自动化运用。算法战争概念涵盖算法与国际安全及武装冲突实践交汇影响的多元模式（Amoore 2009; Amoore and Raley 2017; Wilcox 2017）。本特刊将其定义为“自动化、自主化与人工智能（AI）技术向武器系统及军事决策流程的整合”。自动化、自主化及“AI”技术均依赖不同类型与复杂度的算法实现数据模式识别。基础层面，算法可定义为“执行特定指令的计算机代码集合”（Dignum 2019, 3）。算法战争术语凸显非人类要素在军事领域的崛起。聚焦“算法”而非“AI”的表述，旨在将当前发展置于算法融入军事决策与目标锁定流程的历史脉络——该进程始于1960年代的导弹制导与防空系统，远早于当下“AI”技术热潮。
算法战争研究已催生跨社会科学的研究议程。相关文献涵盖国际法（Bhuta et al. 2016; Heyns 2016）、国际关系（Bode and Huelss 2018; Garcia 2016, forthcoming; Horowitz 2019; Jensen, Whyte, and Cuomo 2020; Payne 2021）、媒介文化研究（Chandler 2020; Graae and Maurer 2021; Schlag and Geis 2017）、政治理论与伦理学（Asaro 2019; Schwarz 2019; Renic 2020）及科学技术研究（STS）（Bellanova et al. 2021; Hoijtink and Leese 2019; Suchman 2020, 2022）等领域。这些视角深刻揭示了算法如何重塑战争实践、政治与认知，为本特刊探索相关学术谜题奠定理论基础。
现有算法战争研究多聚焦自动化、自主性、自主武器系统（AWS）及“AI”等单维议题，且存在概念使用分歧与关键术语定义共识缺失。技术定义常因学者所属研究领域而异，导致学术对话存在隔阂性认知偏差。当前研究多囿于学科边界，但跨学科研究兴趣正日益显现——包括大型研究项目形态。本特刊旨在推动此类努力，呼吁通过更多协同研究深化对算法战争及其广泛实践挑战的认知。同时尝试勾勒算法战争跨学科整体性研究议程的轮廓。
本特刊导论具有双重目标：(1)解析凸显学术交流现实紧迫性的技术发展动态；(2)批判性审视算法战争学术论争，识别未来研究路径。本分析面向算法与国际安全交叉研究的多类受众（Garcia forthcoming; Horowitz 2019; Huelss 2020; Jensen, Whyte, and Cuomo 2020），亦关联当代政治暴力研究——包括已考察算法战争趋势的“原型战争”（Hoijtink 2022）、“远程战争”（Biegon, Rauta, and Watts 2021; Biegon and Watts 2022; Bode and Huelss 2021; Rossiter 2021; Mutschler and Bales 2023）及“代理战争”（Krieg and Rickli 2019）等辩论。本导论同时嵌套于技术、科技创新与国际关系的宏观研究框架（Hoijtink and Leese 2019; Drezner 2019）。
研究范围需作特别说明：鉴于算法战争的深远变革性影响，本综述必然具有选择性。聚焦特定研究主题既反映其在领域论辩中的显著性，亦因其提出的问题将塑造未来学术对话。驱动此交流的核心认知在于——这些技术既非未来主义亦非科幻：它们已实质塑造战争政治场域与实践，使得跨学科审视日益紧迫（Bode and Huelss 2022）。
全文结构如下：第一部分为不熟悉本领域的读者提供战争算法技术发展现状的实证概览，并界定关键术语；第二部分评述算法战争在(1)战略稳定性、(2)道德伦理、(3)战争法规与规范、(4)公众认知维度的研究进展；末节总结本特刊论文集的学术贡献。
算法战争研究综述
在界定核心概念并厘清算法战争发展脉络的基础上，本节将系统审视社会科学领域对该议题的跨学科研究。聚焦四大核心主题：(1)战略稳定性、(2)道德伦理、(3)战争法规及规范、(4)公众认知图景。本综述旨在实现双重目标：其一，评估各领域现有研究深度；其二，提炼开放性问题并揭示潜在研究盲区。
太空军任务在于保障商业及军事行动的外层空间自由通行。实现该目标需深化对太空环境的认知，并探索可资利用的潜在战略优势。高保真仿真系统为操作人员理解太空战术提供工具支撑，同时为现役航天器技术需求决策提供依据。本研究通过轨道微分博弈与线性二次博弈仿真，深入解析单对单轨道冲突机理。研究成果不仅提出航天器高效计算策略以规避高性能追踪卫星，更为未来弹性卫星的态势感知能力需求确立基准准则。核心发现包括：规避方可在合理测量误差范围内，仅凭角度测量数据即可从有限路径选项中判定追踪者轨迹；当追踪方遵循现实控制律时，垂直于"规避方-追踪方"矢量的推力策略成为应对各类追踪目标的最优规避方案。尽管研究聚焦于空间动力学领域的特定控制与估计系统，其方法论适用于模拟任意目标环境与控制律，故本质上涵盖广义追逃博弈理论框架，可广泛应用于制导、导航与控制研究领域。
美太空军条令[2]明确指出"太空通行权关乎美国繁荣与安全"，该权益衍生全球定位服务、公共安全防护及国防保障等多元效益。美国国家太空情报中心（NASIC）发布的《太空竞争》报告[3]阐明，外国势力通过采纳天基技术体系正挑战美国的太空技术主导权。面对全球冲突威胁，在轨对抗已成为太空资产的安全隐患。因此，深入认知轨道作战形态将强化美国资产防护能力。轨道冲突仿真作为关键认知路径，可将追逃博弈映射至太空场景：某卫星（追踪方）试图达成相对于第二卫星（规避方）的特定目标状态。通过求解预设目标（如交会对接、拦截摧毁等）下的优化路径，传统方法假设双方均知晓所有状态（含目标状态）；但实战中规避方往往无法确知追踪方意图。本研究通过微分博弈构建多路径对应状态估计模型，创立在追踪目标不确定条件下航天器的最优规避方法。此类方法经分析验证后可应用于真实航天器，切实提升在轨对抗防御能力。
本研究聚焦追逃博弈中的目标不确定性，相关结论将辅助特定太空任务规划，并为系统级性能需求论证提供决策工具。通过应用本文技术路径，既可制定现役航天器的在轨对抗策略，亦能在新型航天器研制中确立应对在轨威胁的能力需求。所提算法既可在地面任务规划中实施，亦可集成至在轨自主任务规划系统。因此，本研究核心目标是构建并验证不确定环境下航天器规避策略生成算法。基于"规避方未知追踪目标"的微分博弈框架，重点探究提升规避效能的估计与制导技术。关键研究问题包括：
- 规避航天器能否通过观测判定追踪卫星目标？
- 实现目标判定与成功规避需具备何种估计与控制能力？
- 追踪策略不确定时能否建立普适性规避控制与制导策略？
本文包含四个主体章节：第二章阐述轨道动力学、随机轨道微分博弈及估计技术理论基础；第三章详述方法论体系，提供可复用于特定轨道场景的算法群；第四章应用前述方法分析多场景测试数据，提出规避航天器能力需求建议及任务规划通用策略；第五章总结研究成果并指明后续研究方向。本研究旨在为美国太空军开发具备智能规避策略的弹性卫星系统提供核心技术支撑。
分层多智能体系统（HMAS）通过层级化结构组织智能体集群，有效管理复杂性与规模扩展。此类层级架构虽能简化协调流程，却常伴随隐性权衡。本文提出五维分类体系：控制层级、信息流、角色任务委派、时间分层及通信结构，其核心价值在于提供跨方案比较框架而非指定"最优"设计。该分类法关联具体协调机制——从经典任务分配的合同网协议到新兴分层强化学习研究，并以电网、油田作业等工业场景佐证框架实用性：生产层、维护层与供应层智能体通过协同实现油井故障诊断或能源需求平衡。案例表明层级结构可在保障局部自主性前提下达成全局效率，但平衡点极为微妙。文末提出开放挑战：实现人类可解释的层级决策、超大规模智能体集群扩展、以及大语言模型等学习型智能体安全融入分层框架的可行性评估。本论文首创融合结构、时间与通信维度的分层MAS统一设计框架，构建经典协调机制与现代强化学习及大语言模型智能体的理论桥梁。
人工智能的现代应用常需多智能体在复杂环境中协同作业。分层多智能体系统（HMAS）通过层级化组织架构协调大规模智能体集群，已成为高效的系统设计范式。在HMAS中，高层智能体（或智能体团队）通常监管协调低层智能体，形成类人类组织层级的指挥链。该架构优势体现在三方面：首先解决可扩展性问题——当智能体数量激增时，纯扁平化（完全去中心化）结构易受通信开销与全局一致性制约，而通过中间"领导者"智能体实施分治策略可有效管理复杂度。分层机制赋予特定智能体更高责任权重，实现任务需求灵活适配与大规模MAS高效管控。例如自动驾驶领域提出的"区域领导者"架构：顶层智能体优化路网全局目标，区域领导者协调局部交通流。其次支持差异化抽象层级与时间尺度的决策：高层智能体执行宽时间跨度的抽象规划（如任务规划），低层智能体实施精细动作控制（如运动控制），提升系统整体一致性。第三促进结构化协调与冲突消解：明确权责关系（指挥链）与通信路径，规避完全平等型团队常见的决策迟滞或振荡现象。正如Malone与Crowston经典论述所指：协调本质是管理活动间依存关系——当存在结构化监督机制时该过程显著简化（Malone and Crowston, 1994）。
分布式AI与多智能体系统的早期研究已证实组织设计对性能的影响。学界通过分析层级、团队、联盟、全息及市场等组织范式权衡优劣，尤其揭示层级组织（常通过管理者-工作者模式或树状拓扑实现）能以部分鲁棒性为代价提升全局效率；而完全去中心化的"团队"组织虽最大化韧性平等性，却在大规模群体中效率受限。最新研究凸显混合架构的复兴趋势——融合分层与去中心化协调机制以兼取二者优势。行业投资数据佐证该趋势：2024年Q1多智能体系统领域通过超1100笔交易获122亿美元融资，彰显医疗、交通、金融及国防等千亿级市场对MAS变革潜力的持续信心（Aalpha, 2025）。Sun等人2025年的深度研究指出"分层与去中心机制的混合策略"是实现可扩展性与适应性平衡的关键路径，印证本文分类方法的科学价值。事实上层级结构在自然界（如具工蜂-蜂后层级的昆虫社会）与人类社会（企业组织架构）普遍存在，表明精心设计的层级可显著增强多智能体AI系统的协调效能。
除结构优势外，HMAS更契合人机交互需求。在能源运营、军事指挥等任务关键型领域，人类监督员管理AI智能体、智能体再管控底层自动化流程的分层模式，既映射现实管理结构，又为人机协作提供意图注入节点。通过明确定义人类操作员（战略决策者）与自主智能体（战术执行者）角色，层级架构促进人机高效协作。但该集成亦引发新挑战——系统需向上提供可解释性（确保人类理解智能体决策）并建立信任机制保障可靠委派。
面对多智能体应用规模与复杂度的持续增长（从含数百分布式能源的智能电网，到自动驾驶车队，再到自适应供应链），亟需建立分层多智能体系统的系统性分类与设计指南。现有MAS分类法（如按团队规模、通信拓扑、智能体异构性划分）基础上，本文提出聚焦层级组织模式及其协调机制的升级版分类体系。该研究融合经典框架（如Smith 1980年提出的任务分配合同网协议及MAS组织理论）与前沿成果（分层多智能体强化学习、大语言模型智能体），以多维视角勾勒HMAS设计空间，明晰系统架构师的抉择与权衡。分类体系植根现实应用（尤以作者深耕的能源与运营领域为典型），通过油田监测分层MAS、微电网控制等工业案例实证设计范式的实用价值。文末指出现代AI能力与层级结构交叉衍生的研究议题：如何在深度分层系统中维持全局透明度？如何将大语言模型智能体的推理能力融入传统层级架构？本成果贡献了横跨控制、信息流、角色/任务委派、时间分层、通信结构五维度的统一分类法，并显式关联协调机制与工业部署，为研究者与系统架构师提供超越既有综述的实用设计透镜。
核心要点
• 军事操作员需在战场上快速决策，但常面临信息处理速度瓶颈
• Leidos研发的AlphaMosaic系统，为多机型、多武器系统、多目标作战场景提供AI决策支持
• 该系统已成功通过作战演习验证，具备扩展至多兵种决策支持的潜力
图：该架F-15EX战斗机（如图所示）在近期演习中搭载雷多斯公司AlphaMosaic软件，演示人工智能驱动的作战管理能力。图片来源：美国防视觉信息分发服务系统（DVIDS）
在30,000英尺高空，F-15EX战机后座的武器系统军官（WSO）面对接踵而至的关键决策：敌机数量占优、多重目标威胁、燃油储备预警、十余架友机协同需求。此刻军官并未依赖纸质图表与心算，而是点击平板调取AI实时生成的作战方案。可视化风险分析界面清晰呈现，武器-目标配对基于任务优先级自动优化——传统需20-30分钟的决策流程，在关乎制胜权的关键时刻压缩至数秒完成。
此场景源自2025年初埃格林空军基地的实兵演习，浓缩了人工智能领域多年研发成果的AlphaMosaic系统，在90天内实现从概念到座舱的突破性部署。该系统由Leidos公司基于DARPA空战演化（ACE）项目开发，构建了支持作战人员决策的弹性AI框架。"我们已完成从仿真到实战的跨越，显著降低战场部署风险，"Leidos协作式自主技术负责人Tim Keeter表示，"人机协作模式完美契合人类传统的团队决策逻辑。"
作为国家级安全防护体系的核心组件，AlphaMosaic通过持续迭代有望扩展至多兵种决策支持领域，突显人工智能技术在军事应用的广阔前景。
复杂战场决策挑战
现代战争的决策压力呈现指数级增长。面对多平台协同、武器系统集成与动态战场态势，人类操作员的信息处理能力逐渐难以维持战术优势。美军正全力寻求破局之道，Leidos认知到破解该难题的战略紧迫性。
"战场态势瞬间爆发，要在30秒内完成原本需要半小时的决策才能保持决策优势，"AlphaMosaic首席架构师Kevin Albarado强调，"预判失效环境下的决策路径呈几何级数增长。"
空中加油任务便是典型例证：任务规划需统筹加油需求时序、战备状态维持等要素，单架加油机故障可能引发任务链崩溃。"传统燃油调度需专业团队承载高认知负荷，"Albarado解释道，"但AlphaMosaic生成的优化方案，使指挥官仅需判定'该方案可行'即可——系统在提供最优解的同时，并行处理战场管理者的其他决策需求。"
颠覆性AI架构创新
与传统单体式AI不同，AlphaMosaic采用分布式智能体架构，精准映射现代军事指挥体系。各智能体专精燃油调度、武器分配、飞行定位等决策领域，在统一框架内实现智能协同。
"我们实质构建了虚拟增援力量体系，"Leidos机载系统副总裁Will Mahoney阐释道，"在人类操作员监督下，智能体网络协同达成作战目标。"该架构具备三重优势：
- 支持单体智能组件独立升级
- 允许操作员从战术到战略层面的分级干预
- 在增加敌方决策复杂度同时简化己方流程
尽管依托先进服务器训练，系统最终部署为轻量化微服务形态。这意味着AlphaMosaic可在标准平板设备及传统CPU上流畅运行，突破硬件限制实现全域覆盖。
从实验室到实战座舱
麦克斯韦尔空军基地"蓝色地平线"计划为AlphaMosaic提供了关键验证平台。三位军官专家组向Leidos提出核心命题：破解复杂战场空间武器-目标匹配难题。
研发团队基于AlphaMosaic框架，90天内成功开发代号"贾维斯"（源自漫威AI助手）的作战系统。该系统将传统20-30分钟人工规划流程压缩至15秒数字化决策。在"翡翠旗"演习中，配备平板端贾维斯的WSO可同步评估三种风险策略：
• 战机生存优先模式
• 目标打击加速模式
• 高烈度杀伤模式
"系统提供可选方案菜单，彻底解放武器军官的计算负担，"Mahoney指出。参演WSO甚至主动要求增加打击目标——AI辅助显著释放了高阶战术思维认知资源。
高效决策更需赢得作战人员信任。多次演习中，资深WSO坦承：即便拥有充足决策时间，其最终方案与贾维斯的推荐完全一致。
该系统的研发投入（不足100万美元）仅为传统国防项目的零头，关键在于对现有数据链与硬件体系的深度兼容。"我们只交付官兵即时可用的系统，"Keeter强调，"基于现有数据架构和装备体系开发，并弹性适配客户新增技术模块。"
作战范围扩展计划
通过持续研发计划，AlphaMosaic将重点突破空中加油决策领域。其智能体已展示出动态响应装备故障与战场突变的燃料调度能力，保障全机队持续作战效能。
DARPA ACE项目中更显现颠覆性能力：当系统仅消耗战机20%燃油即发起加油指令时，分析揭示其如同国际象棋大师布局终盘战局——提前为关键空战位部署加油节点。
该框架的弹性架构预示全谱作战应用前景：
• 飞行员层面：辅助即时战术决策
• 空战中心：支撑广域战场管理
• 任务规划：推演多预案效能
• 作战分析：模拟新平台战争表现
参考来源：Leidos
国防部门正为其工作体系推行数字化工程实践，同时更广泛的系统工程界致力于实现此类实践的现代化与标准化。从传统文档模式向纯数字化模式的转型，需要提升对项目或产品全生命周期的数字化管理能力。然而技术发展必须通过迭代流程优化工具设计，聚焦多元用户群体的可用性需求。现有工具技术虽多，却常忽略工程师为同行设计工具时的可用性评估。在开发数字化工程任务解决方案时融入可用性考量，既能简化工具操作又可扩大用户群体。
本研究评估了12名参与者使用Stitch的表现。该定制化网络工具支持创建系统工程建模语言第二版（SysMLv2）模型并与虚拟智能体交互。采用混合研究方法结合遥测数据与问卷调查，通过四组任务情景对组（学员与专业人员各半）构建测试框架：受试者根据源文档构建SysMLv2模型并分析模型要素。该流程平衡传统文件浏览模式与虚拟智能体辅助功能，并采用双重视觉样式设计。遥测数据与问卷反馈共同揭示工具可用性及虚拟智能体效能，结果表明不同群体内部及群体间存在显著的性能与可用性差异。尽管Stitch展现出可用性且虚拟智能体有效支持建模，但参与者普遍期待增强建模辅助功能。
本文贡献包括：1）基于用户中心化设计方法论构建Stitch工具，通过案例研究论证虚拟智能体支持下SysMLv2建模的可行性；2）开发四组情景对组指导用户系统学习SysMLv2建模；3）设计两种定制模型样式及可视化扩展机制辅助模型解读；4）建立用户通过虚拟智能体调取文档的学习路径；5）提出提升Stitch及其他数字工程工具可用性的发展建议。
系统工程（SE）向数字化工程（DE）的转型需与新技术发展同步。硬件、软件与基础设施的深度融合已重塑社会各场域的工作模式。美国防部（DoD）特别是空军部队，正采用"引领、借力、观察"策略吸纳敏捷产品开发的商业技术[1]。在业界引领的背景下，国防部需借力哪些技术支持数字化转型？精进技术并开发配套工具将优化项目全生命周期管理。明确DE工具需求的首要步骤是界定任务支持范畴，继而通过工具评估定义用户核心功能需求，最终扩展至更多应用场景。本研究聚焦SysMLv2与虚拟智能体建模场景，致力于构建任务界定与基础功能需求的可用性基准。
政府机构在项目实施中接收的交付成果形式多样，常包含多类型文件的数字资产。综合产品组（IPT）成员需协作验证这些资产，其专业知识互补形成综合评估体系。信息关联要求建立数字资产管理机制实现交付物文档化与模型化。当前SE/DE领域商业建模工具可通过系统建模实现资产验证，但复杂工具的设计门槛限制了新从业者及跨领域专家的使用。2018年美军发布的《国防部数字化工程战略》设定了推动转型的多项目标[2]，包括改进合同语言聚焦模型开发、制定标准及革新文化与人力体系。同年发布的《国防部云战略》明确了向云计算转型的实施路径[3]。这些顶层设计与国际SE/DE界最新研究形成呼应[4][5]，共同推动国防部采用系统性产品开发新技术。
由六个章节构成：第二章阐释四大核心DE任务，结合可用性启发原则，分析SysMLv1与SysMLv2语言构型要素，并综述DE工具、大语言模型（LLM）与微服务技术，奠定研究理论基础；第三章详述Stitch设计过程，涵盖SysMLv2参考架构应用、界面体验开发、数据记录、LLM集成及信息技术设计；第四章延续设计流程，阐明研究方法论、实验设计与数据采集规程；第五章呈现可用性评估结果，深度解析各任务情景数据；第六章总结研究成果，论述应用价值并提出后续研究方向建议。
军事行动中的通信平台运用模式历经重大变革，现已成为任务成功、快速决策及维持战略优势的核心要素。本文深入剖析现代军事通信系统的革新性应用，聚焦网络化通信、信号保障、网络安全策略及多国部队联合作战协同机制，同时着力攻克电磁频谱拥堵、网络威胁与恶劣环境下安全数据传输等关键挑战。基于《野战手册6-02：作战信号保障》及前沿科研成果，本研究系统阐述军事通信技术最新进展及其对作战效能的提升路径，并前瞻性探索人工智能驱动通信平台、量子加密技术与先进国防卫星网络等未来发展方向。本研究的核心贡献在于构建结构化人工智能通信工作流，通过融合量子安全加密、区块链认证及天基协同系统，显著增强多域作战决策能力与体系抗毁性。
关键词：军事通信、安全网络、战场互联、无线电系统、网络安全、信号保障、战术通信、国防人工智能
军事行动效能高度依赖于可靠、安全、自适应的通信平台。随着现代战争向网络中心化加速演进，跨陆、海、空、天、网多作战域实时信息传输能力已成为战略刚需。军事通信系统通过集成先进无线电网络、天基通信及加密数据传输技术，确保前沿部队与指挥中心的无缝协同[1][3][5]。多国联合作战、特遣部队行动及非对称战争复杂性的持续攀升，进一步凸显了在对抗环境中仍能稳定运行的高安全互操作通信基础设施的战略价值[6]-[8]。
现代军事通信的核心环节——信号保障体系，在应对网络攻击、电子战干扰及环境扰动时，持续提供强健网络连接并保障信息流畅通。军事条令强调通信网络必须具备敏捷性、冗余度与生存能力，确保主信道受损时作战力量仍可维持运转[9][11]。美军《野战手册6-02》确立的信号保障基本原则，涵盖互操作性、网络弹性及网络安全策略等任务成功要素[17]。这些原则在决定作战成败的大规模战役中至关重要，特别是维持指挥控制（C2）能力的关键作用[12][14]。军事通信平台从模拟向数字化的转型带来传输速率跃升、AI辅助网络管理及自动化加密协议等优势[15]-[17]。软件定义无线电（SDR）、宽带卫星网络及AI驱动的网络防御机制更显著强化战场通信能力，实现实时态势感知与敏捷决策[4][10]。然而电磁频谱拥堵、信号干扰威胁及敌对势力网络攻击等挑战依然严峻[7][9]。
网络安全始终是军事通信平台的核心关切。网络战、间谍活动与数字破坏对军事网络构成重大威胁，需依托量子安全加密、高级密码技术及AI入侵检测系统构筑防护体系[6][8]。国防部信息网络（DODIN）通过整合多层加密协议、区块链认证及自适应防火墙机制，在安全数据传输中发挥关键作用[13][16]。人工智能与机器学习在自动化网络安全响应及威胁检测领域的应用，将持续革新军事通信战略[14]-[17]。
本文系统研究军事通信平台发展现状、与现代国防技术融合路径，以及电子战与网络安全威胁带来的挑战；同时探讨量子加密、AI战场组网、低轨（LEO）卫星通信系统等未来趋势[2][5][12]。通过解析技术演进及其对军事行动的影响，本研究旨在为国防领域安全弹性通信平台的未来发展提供前瞻洞见[1][4][8]。
本研究的核心学术贡献在于提出新一代军事通信平台的自适应工作流框架。通过融合AI驱动自动化、区块链安全机制与低延迟天基互联，创新性架构显著提升对抗环境下的战术协同能力、网络弹性及实时态势感知水平。
为支撑落实《网络安全法》《数据安全法》《个人信息保护法》《网络数据安全管理条例》等政策法规要求，建立健全数据安全和个人信息保护标准体系，充分发挥标准对重点工作、产业发展、风险防范的基础性、规范性和引领性作用，秘书处组织编制了《数据安全国家标准体系（2025版）》（征求意见稿）和《个人信息保护国家标准体系（2025版）》（征求意见稿）。
微信扫码咨询专知VIP会员