战场指挥在未来将走向何方?这个问题是军事当前一代人改革的核心。在寻找答案时,军事域将目光投向乌克兰战场。那里的战事揭示了两大真相:第一,"分布式指挥"(美军称为任务式指挥并宣称其为准则)将继续作为优势存在;第二,未来指挥官将借助人工智能决策所有事务——行军路线、攻击目标与救援对象。美国陆军近期宣布的改革计划表明,其意图同步推进这两大方向。

但由此衍生出新的困境:军队如何在维系分布式指挥文化的同时,将人工智能融入每项任务?换言之,若各层级指挥官依赖人工智能辅助决策,是否可能催生另一种形式的"集中化"——权力并非集中于高层,而是受限于不完美的算法模型?要理解并最终解决这一困境,不妨再次聚焦乌克兰地图,不过这次需回溯两个世纪——从克里米亚战场那位名叫列夫·托尔斯泰的年轻炮兵身上汲取智慧。

托尔斯泰的战场洞察

成为文学巨匠之前,二十多岁的托尔斯泰是名炮兵军官。1854年,他亲历了克里米亚战争的高潮——被困于遭英法联军猛烈炮击的塞瓦斯托波尔港。在坚守城市险要"第四棱堡"炮阵的间隙,托尔斯泰为圣彼得堡的《现代人》杂志撰写战地通讯。这些以坦诚与文采风靡俄国文坛的报道使他声名鹊起,后被辑录为《塞瓦斯托波尔故事集》,被公认为现代战地报道的开山之作。报道的成功让托尔斯泰确信写作是毕生使命,克里米亚战争结束后他便退役专职写作。

成为平民的托尔斯泰并未远离战争题材。他终其一生都在从军旅经历中汲取创作素材。在其代表作《战争与和平》对奥斯特里茨与博罗季诺战役的经典叙述中,清晰可见他对军事指挥的见解:托尔斯泰认为"指挥"概念本身近乎虚妄——指挥官构想的计划、下达的指令与实际战场态势间的关联脆弱不堪。在他笔下,最糟糕的军官因狂妄臆测战局而酿成大祸,实则对战场态势一无所知;最优秀的军官则坦然接受认知局限,沉着自若地展示冷静以激励士兵。无论何种情形,多数军官在硝烟弥漫与地形起伏的战场中如同盲人行路,只能在战事后编织解释性的故事,而这些故事却被他人误作可信的战场证言。

指挥还是幻觉?

军事研究者或疑托尔斯泰的见解是否超越了克劳塞维茨1832年《战争论》的论述。毕竟克氏早已阐明"意外事件"与"微小因素"如何塑造战场结局,其"摩擦"理论至今仍在美军广泛沿用。但"摩擦"隐喻本身已暗示二人战争观的本质差异:克劳塞维茨视战争为精密机器——摩擦仅是阻碍其顺畅运转的例外故障;而托尔斯泰眼中,这台机器纯属高阶指挥官臆想——无论他们如何努力,战场实况终将粉碎其精心设计。

托尔斯泰的突破性观点在于:指挥官不仅难以预见摩擦,更在制造集体幻觉。他们在无序战场强寻规律,于巧合事件妄断因果。《战争与和平》中:彼得·巴格拉季昂在奥斯特里茨败局已定时仍请战;1814年莫斯科大火因消防员溃逃而非库图佐夫命令;俄军在塔鲁季诺的完美侧击实为后勤事故而非预定计划。然而历史学者与当时将领竟将此类事件归功于巴格拉季昂与库图佐夫的"天才指挥",更遑论被托氏塑造成"拉着车厢缰绳便自认驭者的孩童"般自欺的拿破仑。

为何指挥官与史家总将战果归因于不相关的计划?托尔斯泰在《战争与和平》的哲学篇章中揭示:"人类心智无法穷尽事件全貌,但探寻因果的欲望深植灵魂。"人们渴求逻辑连贯却无力洞察万千微因,遂虚构出本不存在的宏大叙事与伟人。托氏核心论旨在于:事件并非无因,只是成因过于繁杂隐晦而超越人类认知。他将这些因素称为"无穷小量",主张研究者应"撇开帝王将相",转而考察"驱动民众的细微元素"。

此即托尔斯泰的著名批判。他剑指当时盛行的"伟人史观"——该理论认为历史由天才意志推动。但此论亦可视为对任务式指挥的强力佐证:托氏战争叙事表明,分散指挥不仅是优选模式,更是唯一真实的指挥形态,余者皆为幻象。高阶指挥官因远离战场(脱离士兵与炊事员的真实层面),其幻觉得以免受现实冲击而持久存续。贴近地面的领导者最擅整合"无穷小量"以理解战场。如以赛亚·伯林在托学名篇《刺猬与狐狸》所言,这种整合本质是"艺术-心理"层面的工作。而陆军条令视为任务式指挥基石的"互信"与"共享理解",岂非正是精妙心理过程的产物?

从伟人论到伟大模型论

或许无人需借托尔斯泰之见方能领悟任务式指挥的价值。当今美国观察家在乌克兰战场随处可见其智慧明证:乌军凭借更动态分散的指挥控制抵消俄军数量与装备优势,此举被类比为美军自身风格。另有观点归功于乌军将人工智能应用于多元战场职能——此领域乌军已大幅领先美军。将AI融入数据中心的指挥控制工具、参谋作业及作战条令的呼声高涨,但两大要务——整合AI与维系任务式指挥——的辩证关系却遭忽视。

初看之下,人工智能似为托尔斯泰诘难的完美解答。以赛亚·伯林在《刺猬与狐狸》中如此概括其核心:

吾辈无知非因根本原因不可触及,实缘其数量庞杂、终极单元微小,加之人类无力尽察尽记尽录尽协可用之材。全知于经验性存在原则上可行,然实践终不可及。

还有比这更精妙的人工智能宣言吗?AI对指挥官的价值主张,不正在于整合所有托氏"无穷小量"(即"终极单元"),并将其投射至可穿戴设备,供受敌压迫的动态军官快速参考?换言之,伟大模型能否在战场实现伟人未竟之功?

困境有三重:

  1. 集中化隐忧:无论何种"人工智能"模型(计算机视觉或多模态系统)融入指挥控制平台,皆代表单一思维而非多元心智。指挥官每将分析外包于AI,即是一次变相集权。
  2. 模式固化与傲慢:现有模型倾向模式依赖与认知自负,恰是托尔斯泰所嘲弄的"幻觉指挥官"复刻,而非其对立面。
  3. 现实感知让位:因迷信AI"超然计算"的权威性,指挥官或摒弃自身视听证据,恰恰放弃托氏指为理解战局关键的底层输入。

集权悖论
尽管军方开发多用途模型,但AI指挥系统大规模列装将导致同质化模型在作战部队泛滥。若任务式指挥仅为通过复制高层思维加速决策,则AI将使其过时——但陆军条令手册ADP 6-0明示其核心在于"激发下属创造力",此特质恰为集权所扼杀。最终或使全军共享同一"教练"(若非同一指挥官),纵使其才智卓绝。

模型幻觉症候
大型语言模型虚构内容并自信宣称为真已非新闻,其本质是寻求模式并机械外推。计算机视觉同样产生误判。最新研究称此"思维幻构"严重限制AI处理新问题与环境之能。托氏曾讽拿破仑在侵俄战争中"抱怨战事违背所有规则——仿佛杀人存在规则",其博罗季诺惨败正源于AI易犯之错:机械套用过时规则。模型训练的逻辑与《战争与和平》中拿破仑兵临莫斯科前的妄想如出一辙——数据支撑的预期胜利终成泡影。

系统性过度自信
研究表明模型类同幼稚军官:宁自信作答拒不认无知。可设想AI处理残缺敌情报告时,强行拟合模式、填补数据缺口,最终自信预测与士官实况相悖的敌行动。同理可推指挥官受AI建议,在幻构地形设伏或虚构敌巡逻队调度。宏观层面,AI或凭训练数据幻想整场战役,实则战场仅闻远方载弹无人机微爆。

自动化偏信陷阱
军方AI倡导者明言无意取代人类判断,仅强调"辅助决策""赋能指挥"。且人类指挥官本就会犯同类错误——无需机器助长自欺。症结在于:我们将AI视作超人,产生研究者所称"自动化偏信"。今人视拿破仑为洞悉战争复杂性的天才固显可笑,但当下众多人士却对AI"超智能"(OpenAI萨姆·奥尔特曼语)抱有同等迷信。"超智能"与"伟人"概念何其相似?我们正冒险将AI塑造成拿破仑未能成为的"终极伟人"——整合无穷小量的天才,托氏在《战争与和平》中彻底解构的历史主角。若视AI为历史伟人,年轻中尉岂敢违抗其建议?

应对之道

人工智能以其多元形态必将深度融入军事体系。陆军在此战略间歇期绝不能陷入卢德派式抗拒,必须将AI整合至作战体系。任何尝试预测旅级战备状态、营级燃料补给节点或士兵牙科诊疗需求者,皆深知狭义人工智能在高频次、结构化、去情境化任务中的巨大增效潜力——"下一代指挥控制"等项目正着眼于此。但AI对任务式指挥的风险不容小觑,托尔斯泰的警示为陆军认知与化解这些风险提供了关键镜鉴。

降低AI对任务式指挥风险的首要是严格限定其应用场景于海量简单任务。AI本质上不适应低频次、高复杂、强情境依赖的人类深度决策领域(战争本质恰属此类),故其在战役设计、战术规划、敌情研判及士兵领导等环节的角色应受限制。AI在此类领域仅能加速人类决策所需的辅助计算。这种人机协同战争观并非新见(阿曼达·科拉佐少校等学者已深入探讨),但在技术狂热中,陆军需警惕并严格界定人机边界——这不仅出于伦理考量,更因托尔斯泰雄辩揭示:战场指挥终将挫败任何算法心智(无论人类或机器)。用伯林的话说,指挥始终是"艺术-心理"工作,且至今仍是人类专属。审慎态度不意味禁止AI用于模拟推演(那将自毁长城),但要求军官抵制作战方案外包诱惑——此原则当下显见,未来或遭侵蚀。

其次需在军官教育中植入对AI的健康怀疑精神。可采取类比炮兵训练模式:迫击炮手需同步掌握标图板与弹道计算机两种火控技能。军官应先掌握无AI辅助的独立规划与指挥能力,再引入智能工具。此项能力应在职业全程定期复核。机器学习课程(强调模型对数据质量的依赖性)应与战场情报准备课程同步开设。课程设计者或抱怨教学容量超载,但若AI指挥控制真如其鼓吹者所言具有革命性,则必须配以同等程度的教育变革。

第三条路径是在训练中强化AI怀疑论实践。借鉴乔治·马歇尔在战间期步兵学校的创举:他与约瑟夫·史迪威将学员赶出教室投入无预演演习,提供劣质地图模拟战场不确定性。循此传统,陆军应在野战演习中刻意配备幻构AI模型。指挥官评估标准应包括:识别AI构建的虚拟战场与实际战场的差异能力。当训练检查清单要求"部队需在动态降级环境下完成任务"时,"降级"条件必须涵盖AI幻构/失效场景

即便至此,陆军指挥官永不可忘托尔斯泰之训:指挥是充满变数的人类事业。战争常以独特形态打破既有模式。贴近战场的年轻指挥官恰是宝贵资产——他们能洞察海量数据无法捕捉的"无穷小量"。任务式指挥哲学虽善变且时有挫败,却最善接纳这些战场微观洞见。唯此,陆军方能穿透硝烟辨识托氏笔下的战争本源,方得整合制胜要素之希冀。

参考来源:美国西点军校

成为VIP会员查看完整内容
4

相关内容

人工智能在军事中可用于多项任务,例如目标识别、大数据处理、作战系统、网络安全、后勤运输、战争医疗、威胁和安全监测以及战斗模拟和训练。
中文版4200字 | 人工智能赋能空战变革
专知会员服务
22+阅读 · 6月10日
中文版 | AI指挥官:人工智能如何重塑军事决策
专知会员服务
29+阅读 · 5月28日
中文版 | 人工智能将如何影响战场行动
专知会员服务
23+阅读 · 4月13日
人工智能技术在军事领域的应用思考
专知
42+阅读 · 2022年6月11日
Gartner 报告:人工智能的现状与未来
InfoQ
14+阅读 · 2019年11月29日
图说报告 | “智能+”的终极版图:数字孪生世界
人工智能学家
23+阅读 · 2019年8月20日
NLP命名实体识别开源实战教程 | 深度应用
AI100
15+阅读 · 2019年8月18日
机器人军团的智能指挥
科技导报
11+阅读 · 2019年4月4日
精品教材-《Grokking深度学习》分享
深度学习与NLP
13+阅读 · 2019年1月19日
视频丨有人无人协同炫酷作战模式
无人机
16+阅读 · 2018年5月4日
国家自然科学基金
320+阅读 · 2017年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
10+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
39+阅读 · 2014年12月31日
国家自然科学基金
17+阅读 · 2013年12月31日
国家自然科学基金
16+阅读 · 2012年12月31日
A Survey of Large Language Models
Arxiv
472+阅读 · 2023年3月31日
Arxiv
24+阅读 · 2023年3月17日
Neural Architecture Search without Training
Arxiv
10+阅读 · 2021年6月11日
Arxiv
26+阅读 · 2019年3月5日
VIP会员
相关基金
国家自然科学基金
320+阅读 · 2017年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
10+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
39+阅读 · 2014年12月31日
国家自然科学基金
17+阅读 · 2013年12月31日
国家自然科学基金
16+阅读 · 2012年12月31日
微信扫码咨询专知VIP会员