乌克兰数字转型部副部长阿列克谢·博尔尼亚科夫明确指出未来战争的愿景："战场应由机器人而非人类作战"。乌克兰、欧洲与美国众多雄心勃勃的科技乐观主义防务公司，正致力于通过AI创新将作战人员撤出直接战斗，代之以自主无人系统。经过三年将尖端AI技术融入实战，乌克兰及其盟友深刻体会到高强度战争中人机协同的复杂性。AI赋能的可消耗型自主系统与集群技术是扭转数量劣势的关键，但截至2025年初，完全自主（即无需人工干预即可依据既定战术、规程与作战概念自主执行任务，并实施协同决策的机器人系统）仍未实现。尽管如此，AI在GNSS拒止环境下的导航与目标锁定等关键功能中不可或缺。乌克兰副总理兼技术负责人米哈伊洛·费多罗夫承认，AI系统尚未实现自主打击决策，但认为这是未来发展方向。而前中情局官员吉姆·阿库纳等质疑者则认为真正战场自主仍是空想。
自主性存在多级梯度——参考美国国家标准与技术研究院（NIST）《无人系统自主性等级框架》，从完全人工控制（0级）到完全自主运行（5级）。当前正向更高任务自主性迈进：有人-无人协同中涌现出蜂群作战等新范式，通过分布式网络实现多型（半）异构无人平台、载荷与系统的协同自主任务执行与实时战术决策，仅需最低限度人工介入。多家防务公司正竞相开发此类软件，使单名操作员能同步管控多型自主装备，此举既可提升高强度作战效能，亦有望缓解欧美军队持续存在的兵员招募困境。
战争始终是人机协同的过程，但现代战场日益复杂的动态环境使人机关系趋向深度互依。尽管未来作战可能因系统自主性需求改变人机权重，理解有效协同机制仍至关重要，需从硬件、软件与人员要素多维度解析交互模式。
人机协同/人机编队（HMT）本质是"人类与机器通过反馈回路改变彼此行为的复杂军事进程"，核心在于战场任务的协作执行——人类贡献情境思维、作战经验直觉与创造力，AI则发挥海量数据处理、无疲劳高精度持续作业等优势。
本文探讨现代战争中人机协同的进化路径及其效能提升机制，分析支撑HMT的最新技术突破：包括基于YOLO算法的目标识别技术、旨在降低飞行员认知负荷的AI空战辅助系统。通过欧洲"未来空战系统"（FCAS）与美国"马文计划"（Project Maven）两大国防项目，揭示政府与私营部门如何将AI技术转化为实战能力。
1. 支撑人机协同（HMT）的最新技术演进
随着战争日益软件中心化，软件相较于硬件系统的适应优势凸显——通过快速迭代周期实现学习与进化，依托新数据流与战场经验即时更新。技术发展存在两条路径：一是商用技术向军民两用转化；二是国防专用软件通过监督/无监督学习持续优化。
强化学习与深度神经网络使算法能分析海量历史与实时多模态数据流，识别部队机动模式、敌方战术与传感器输入特征，生成精准预测与作战建议。系统通过试错机制持续优化决策能力，而人类监管始终是战场AI进化的关键因素。正如AlphaGo第37手突破常规棋路展现的决策潜能，AI军事决策支持系统可能提出反直觉作战方案，促使指挥官在传统战略智慧与AI建议间权衡取舍。采用"人在回路"（HITL）系统确保官兵审核AI生成情报，修正错误并优化输出，从而提升战场态势感知、目标锁定精度、后勤保障与整体决策效能。鉴于战场任务复杂性，AI赋能能力可贯穿OODA循环全流程，其中两项前沿突破——AI目标识别与边缘AI副驾驶系统——已部分投入乌克兰战场。
图：深度学习在目标识别与图像分割领域展现卓越能力，可有效增强基于此类任务的人类决策。
1.1 YOLO目标检测算法
当无人自主平台执行情报监视侦察（ISR）任务时，人机协同机制聚焦于人类负责最终决策与行动授权，AI算法则辅助完成战场目标探测、定位与分类。这种协作对加速陆海空多域威胁响应至关重要，AI通过闭合OODA循环帮助军事人员快速分析动态战场态势并采取行动。
目标检测作为计算机视觉核心任务，旨在图像中定位兴趣区域并实施分类。YOLO（You Only Look Once）是基于卷积神经网络的经典目标检测模型，由约瑟夫·雷德蒙团队于2016年提出并历经多代迭代。最新版本集成区域注意力机制、残差高效层聚合网络（R-ELAN）与灵活部署架构，提升检测、分割、姿态估计及分类多任务性能，输出带方向性边界框（OBB）标注。
YOLO在国防领域应用日益广泛，其性能超越雷达与光学系统等传统检测手段，可在复杂条件下实现军机、无人机等威胁目标的快速精准识别，有效应对低能见度挑战。轻量化设计使其能在商用硬件运行并便捷集成现役军事系统，在降低人为失误的同时提供高性价比解决方案。
作为单阶段目标检测模型（区别于经典双阶段RCNN架构），YOLO通过单次扫描输入图像即可预测目标存在与位置，这对实时军事目标定位分类至关重要。全图单次处理机制赋予其高计算效率，尤其适用于资源受限环境。尽管对小目标检测精度略逊，但其速度优势显著提升军事行动的态势感知能力。
算法开发仅是部署挑战的一部分。实际应用中，边缘设备算力限制、突发场景下离线再训练不可行等问题可能影响YOLO性能。当前研究聚焦"任务中学习"技术，着力解决伪装目标识别、未知变体检测及非RGB图像输入等难题。
YOLO的实时检测能力通过快速识别导弹发射架、飞机等军事威胁及敌我目标分类，大幅增强国防领域人机协作效能。士兵得以专注关键决策，系统自主完成近实时检测分类任务，提升高强度场景下的作战效率与响应速度。
图示YOLO单阶段检测算法生成的边界框、目标类别标签及置信度评分
来源：作者提供
1.2 五角大楼"Maven计划"：通过目标检测算法强化ISR任务中人机协同
随着军队日益依赖AI提升战场决策效能，美国防部通过"马文计划"（Project Maven）大力投资AI目标检测技术。该项目于2017年启动，旨在将先进机器学习算法集成至军事情报监视侦察（ISR）行动中。最初设计用于自动化处理海量侦察数据，2023年移交国家地理空间情报局（NGA）并成为五角大楼"联合全域指挥控制"（CJADC2）倡议的核心组成部分。
YOLO算法是该计划采用的关键模型之一，专用于从ISR影像中识别并分类坦克、雷达、导弹发射架等军事目标。自动化处理显著减轻人工分析负担（传统需耗费数小时手动审核无人机全动态视频FMV）。通过压缩传统"杀伤链"流程，"马文计划"加速OODA循环，赋能部队快速处理情报并实施行动。
项目AI集成的核心在于人机协同机制：算法虽能快速识别光学/热成像/雷达/合成孔径雷达图像中的目标与模式，但目标锁定决策仍由人工控制。这种设计确保AI提升情报处理与战场态势感知速度的同时，关键交战决策保留人类判断权。"马文智能系统"通过统一接口连接操作员、传感器数据流与AI分析，实现战术决策速度与精度的双重提升。
通过自动化监视与目标识别，"马文计划"旨在降低人员认知负荷并提升作战效率。美空军ISR部门曾警告无人机海量监控数据可能导致"数据洪泛"风险，该项目借助AI辅助分析使分析效率提升2-3倍，目标锁定人员需求从2000人缩减至仅20人。但AI仍存在识别局限：沙漠、雪域、城市等复杂环境下区分载具与自然物体（或诱饵）的能力不足，攻击序列优化与武器选择仍需人工介入，跨领域知识迁移能力弱于人类。
总体而言，"马文计划"标志着AI目标检测技术融入现代战争的重要进展。通过融合多源传感器数据、机器学习与人工监管，该项目提升态势感知、加速决策进程，成为战场人机协同进化的典型案例。但其局限性也印证关键交战决策中人类专家不可替代的价值。
2. 制空权协同中的人机协同
2.1 AI副驾驶系统
AI副驾驶系统正成为空战领域的关键赋能要素，通过增强飞行员态势感知、直觉判断与决策能力实现人机协同。其目标并非取代飞行员，而是借助机器速度与精度优势提升任务规划、指挥控制及训练效能。此类系统可运行于后台模式（持续监控态势、追踪盲区并适时告警），亦可在紧急状况下接管飞机执行规避机动或自主飞行以保护飞行员。
在战斗机、无人机等航空装备中，AI已成为支撑飞行导航与复杂任务执行的中枢系统。典型范例是DARPA"阿尔法狗斗"挑战赛中多次击败人类飞行员的ALPHA系统。该系统处理海量传感器数据并快速精准决策的能力远超人类——飞行员平均视觉反应时间为0.15-0.30秒，而ALPHA类系统响应速度可达毫秒级，这在动态高风险的作战环境中具有显著优势。基于低成本计算平台的运行能力，更使AI副驾驶成为兼具经济性与可行性的现代化作战方案。
2020年8月20日DARPA"阿尔法狗斗"挑战赛界面截屏
来源：DARPA/帕特里克·塔克32
约翰·霍普金斯大学应用物理实验室（APL）科研团队开发的VIPR（虚拟智能伙伴推理）代理，即是面向态势感知与认知支持的AI副驾驶系统。该系统整合多项先进机器学习模型：循环条件变分自编码器（RCVAE）用于解析飞行员认知状态与意图；图神经网络（GNN）实现高精度敌方行为预测；时空注意力网络（STAN）支持动态环境适应与多任务并行管理。
强化学习是构建此类先进副驾驶系统的核心技术。通过模拟试错过程，AI系统学习环境解析、决策制定与策略调整，在复现人类决策逻辑的同时实现速度与精度的超越。在需快速反应与精确行动的作战场景中，AI副驾驶能推理高度动态的战场态势，例如预判敌方机动轨迹、优化武器效能与飞行员安全的占位策略。这种多源实时数据处理与毫秒级决策能力在复杂战争环境中具有不可替代价值。
AI副驾驶的应用已突破传统模拟训练范畴。以行业领先的Shield AI公司"Hivemind"自主系统为例，其通过模块化架构设计实现任务快速重构，成功在乌克兰等GPS/GNSS拒止环境中部署。这种强适应性为电子战干扰环境下的自主系统实战运用开辟新路径。
AI副驾驶的核心优势在于降低飞行员认知负荷。通过接管常规操作、系统监控甚至自主机动，使飞行员专注高层战略决策。这种人机协作不仅提升作战效能，更增强有人装备在复杂环境中的生存能力。此外，AI副驾驶可开发人类未曾设想的战术策略，为飞行员培训提供创新素材，拓展空战创造力边界。
军事模拟推演为AI副驾驶集成提供重要支撑。在虚拟战场环境中，通过合成数据构建多样化作战场景测试AI模型，确保其具备应对突发状况的能力。通过融合AI的精准计算与人类直觉判断，AI副驾驶系统正推动超视距（BVR）空战决策速度与精度发生质的飞跃，标志着人机协同技术的革命性突破。
2.2 FCAS：欧洲空战中的人机协同
未来空战系统（FCAS）是欧洲旗舰级防务计划，通过集成AI副驾驶与自主系统革新空战模式，减轻飞行员认知负荷并建立制空权优势。作为德、法、西三国联合项目（计划2040年投入实战部署），FCAS将以AI为核心构建先进人机协同体系，整合人类飞行员、AI副驾驶、自主无人机与边缘计算技术。
- AI副驾驶与飞行员角色演进
FCAS重新定义飞行员职能，将其从直接操控者转型为任务指挥官。AI副驾驶负责飞行管理与作战决策，使飞行员聚焦战略协调。无人平台可选择自主飞行（实施编队机动、战术规避与风险评估），在确保任务效能的同时保持飞行员态势感知以维持信任与安全。与传统自动化不同，FCAS的AI支持无人工指令介入的实时决策。
- 忠诚僚机与去中心化自主性
Helsing的AI骨干系统为FCAS提供标准化、互操作的AI工作流。作为德国"新一代武器系统国家研发技术项目"（NGWS）组成部分，该方案构建集中式安全开发平台，解决流程碎片化问题并加速任务规划、传感器数据评估与作战决策。FCAS通过边缘计算实现机载AI实时数据处理，摆脱对地面站的依赖，确保动态战场环境中的快速响应。
FCAS核心特征是其"忠诚僚机"——通过情报收集、火力增强与饱和压制提升任务效能的自主无人机群。此类无人机采用本地化AI模型实现独立运行，通过安全光通信、无线电与红外通道持续交换数据保持互联。有人-无人协同（MUM-T）构成FCAS中枢，无人机作为远程载具执行情报监视目标获取侦察（ISTAR）任务，拓展作战范围以支持救援行动、海上监视与边境安防。
结语：人机协同现状与未来展望
人工智能融入现代战争并非遥不可期，而是通过人机协同重塑战场格局的演进现实。目标检测、AI副驾驶与集群系统等技术已切实提升作战效能、决策质量与态势感知，将日益增长的自主权赋予机器。在快速部署技术成果的过程中，人类监管对确保AI的伦理化、战略化与适应性运用仍至关重要，需借助人类的直觉与情境理解优势。
随着战场自主性持续增强，防务科技公司自2022年起积极在乌克兰测试系统，多家企业设立当地机构以在真实作战环境中验证创新成果。北约亦整合战场经验，在波兰设立"北约-乌克兰联合分析训练与教育中心"（JATEC），将乌克兰战争教训融入防务规划与作战概念。最终，构建AI与人类决策者的协作关系，将成为驾驭高强度冲突复杂性、维系伦理与战略监管的关键所在。
参考来源：https://www.karveinternational.com/insights/human-machine-teaming-in-modern-warfare
相关内容
微信扫码咨询专知VIP会员