人工智能（Artificial Intelligence，AI）诞生于 1956 年，随着计算机能力逐渐提升、 地缘日益紧张，被迅速投放于军事领域。在 20 世纪 50 年代至 80 年代，人 工智能主要应用于计算辅助的战术决策方面，包括对战场情报的处理、分析与汇 总等。例如，美国于 50 年代末开发的 SAGE（Semi-Automatic Ground Environment）系统，旨在“从多个雷达接收大量数据，并进行实时处理，以生成 拦截飞机和导弹的目标信息”。同时，专家系统及相关技术也开始萌芽——70 年 代研发的 DENDRAL 系统尽管主要用于分子结构推断，但也为后续人工智能向军 事领域的继续渗透奠定了基础。

　　20 世纪 90 年代至 21 世纪初，军事人工智能向更广泛的领域延伸。这一阶段的 核心进展之一是实现了无人作战系统的广泛应用，无人机、无人舰艇等无人作战 装备逐渐成为现代战争的重要组成部分。例如，美国开发的“捕食者”无人机（MQ1 Predator）在阿富汗战争中被广泛应用，不仅能够执行长时间侦察任务，还配备 了用于精确打击的“地狱火”导弹，标志着无人机从侦察功能扩展到杀伤功能的 重大突破。

　　21 世纪初至今，军事人工智能在技术突破催化下进入快速发展期。大数据（Big Data）、云计算、GPU（（图形处理单元）的发展使得深度学习（Deep Learning） 模型的规模和复杂性不断增加，促进了人工智能在军事领域的全面应用，主要包 括：实现作战指挥过程中辅助决策的专家系统、提升军事训练质量和效益的辅助 训练系统、提升无人作战平台的环境感知和自主控制、实现对作战目标的快速识 别、特征提取和计算视觉技术等。军事人工智能因其巨大的发展潜力和广阔的应用前景，已逐步成为提升国家军事 竞争力、维护的重要战略手段。2016 年 5 月，为提升在人工智能领域的 竞争力，应对新兴国家的挑战，美国国家科学技术委员会（NSTC）成立了一个临 时小组委员会——机器学习和人工智能小组委员会（Subcommittee on Machine Learning and Artificial Intelligence，MLAI）和一个新的跨部门工作组——人工智 能工作组（Artificial Intelligence Task Force，AITF）。2016 年 10 月，美 MLAI 委员会发布了题为《时刻准备着:为人工智能的未来做好准备》的战略报告，提出 了人工智能发展的具体建议；同月，美 AITF 工作组配套发布了《国家人工智能研 究与发展战略计划》，开始从国家层面系统的规划引导人工智能领域的发展，确 保其在包括国防军事在内的各领域的竞争。自此，军事人工智能在国家层面的竞 争拉开序幕，中国、俄罗斯等国家相继颁布相关文件，立足顶层对人工智能在军 事领域的应用进行统筹规划。

　　据美国国防部联合人工智能中心发布的《人工智能技术指南》，美国国防部人工 智能战略将人工智能定义为 “机器执行通常需要人类智能才能完成的任务的能 力”。这一定义涵盖了美国国防部沿用数十年的人工智能技术，如飞机自动驾驶 仪、导弹制导系统和信号处理系统。尽管许多人工智能技术由来已久，但在过去 十年间取得了重大技术突破，极大地拓展了人工智能在实际应用中的多样性，使 其变得更强大、更实用。美国国防高级研究计划局（DARPA）将人工智能技术分为两个类型，手工知识和 机器学习。早期的人工智能采用“手工知识系统”的方式，利用传统的基于规则 的软件，将人类专家的专业知识编纂成一系列“如果输入 x，则输出 y”的编程规 则。机器学习系统与前者不同，其“知识”并非由人类编程赋予，而是从数据中 学习得来：机器学习算法在训练数据集上运行，生工智能模型，同时人类在 引导机器学习过程中仍至关重要，人类要选择算法、整理数据格式、设置学习参 数并排查问题。得益于海量数据集的不断涌现、强大计算能力的支持（通过使用GPU 芯片作为加速器以及云计算）、开源代码库和软件开发框架的发展，使用机 器学习人工智能系统的性能和实用性得到了显著提升。根据所训练数据的不同，机器学习算法主要分为四类：1）监督学习：使用由人类“监督者”标记的示例数据。监督学习性能卓越，但获 取足够的标记数据可能困难重重，既耗时又费钱。2）无监督学习：使用数据，但无需对数据进行标记。在许多应用场景中，其性能 不如监督学习，但它可用于解决监督学习难以应对的问题。3）半监督学习：同时使用标记数据和未标记数据，尊龙官方平台兼具监督学习和无监督学习的 优缺点。4）强化学习：拥有自主的人工智能智能体，这些智能体通过与环境的试错交互来 收集自身数据并实现自我提升。深度学习（深度神经网络）是一种强大的机器学习技术，可应用于上述四类算法 中的任何一类。

　　分地区来看，2023 年美国、欧洲和亚太地区军事人工智能市场规模占比最高，分 别为 36%、30%、24%。其中亚太地区的中国、日本、韩国正成为人工智能技术 整合速度最快的国家。

　　从古至今，从冷兵器到机械化再到信息化，科技的变革对于军事领域会产生颠覆 性的影响。恩格斯在《反杜林论》中指出：“一旦技术上的进步可以用于军事目 的并且已经用于军事目的，它们便立刻几乎强制地，而且往往是违反指挥官的意 志而引起作战方式上的改变甚至变革。” 美国提出马赛克战的概念，使用大量有人/无人平台以达到动态自主协同、通信网 络自主管理和基于 AI 的智能辅助决策工具。DARPA 在 2017 年首次提出了马赛 克对抗的概念，旨在通过先进的技术手段实现多种系统、武器平台的实时灵活组 合，并进行网络化对抗，核心在于将低成本、高自主度的对抗单元如同马赛克的 像素点一般结合为对抗系统。2020 年 2 月，美国战略与预算评估中心（CABA） 发布研究报告《马赛克战：利用 AI 和自主系统实施以决策为中心的对抗行动》， 对马赛克作战概念的核心致胜机制及运作模式进行说明，提出实施以决策为中心 的作战概念。

　　无人智能化装备的运用可以实现战争中威慑最大化与成本最小化。据《无人作战 体系构建研究初探》（陈赤联、尊龙官方平台张锴、郭褚冰、王志刚），以俄乌战争为例，2021年底,约有 20 架乌克兰 TB-2 无人机摧毁了俄罗斯至少 32 辆军用车辆，俄罗斯仅 在 4 月份就损失了 2 套“山毛榉”地对空导弹系统(2600 万美元/套)、道尔—M2 防空系统(2500 万美元/套)、4 套 MSTA-B 拖曳式榴弹炮(120 万美元/套)以及 14 辆军用车辆，TB-2 无人机作战应用效费比达到了惊人的 10∶1。无人装备能力建设的发展是主要分为 10 个等级，三个阶段，当前所处的第三阶段 目标能够实现人机协同及集群自主、系统自学习/能力可演进的无人作战体系，对 于智能化的要求大幅提升。

　　无人水面舰艇（Unmanned Surface Vehicle，USV）是指具有自主航行能力，通 过搭载不同任务载荷遂行相关任务的水面航行器，具有综合成本较低、机动性较 强、隐身性能较好、环境适应性强等特点，在海域态势感知、水下预警探测、水 下扫雷、火力支援等领域应用前景广阔。2021 年，美国海军发布首个无人系统领域顶层发展大纲——《无人作战框架》， 提出“建设一支有人-无人系统无缝集成的部队”。在框架的指引推动下，美国海 军持续组织多型无人水面舰艇参加“无人系统综合作战问题”“大规模演习”“环 太平洋”等演习并赴印太地区广域部署。2022 年 4 月，美国发布“美国海军长期 造舰计划”，计划到 2045 年建造 81 至 153 艘大型无人舰，这表明美国无人水面 舰艇已基本完成建设路径、运用模式、作战概念等方面的论证，跨入大批量建造 和列装阶段。2023 年 8 月，国防部副部长希克斯公布“复制者计划”，计划 2 年 内在印太地区部署数千个包括无人水面舰艇在内的小型化、低成本、智能化无人 装备。

　　无人潜航器（Unmanned Underwater Vehicle，UUV）是指没有人驾驶、依靠遥 控或自动控制在水下航行的器具，主要指那些代替潜水员或载人小型潜艇进行深海探测、救生、排除水雷等高危险性水下作业的智能化系统。据《无人潜航器发 展历程及运用优势研究》（陈昭、丁一杰、张治强），无人潜航器主要功能包括 海洋测绘、航路开辟、侦察监视、水下诱饵、水雷布设与清除、反舰与反潜作战、 水下毁伤效果评估等，为构建水下“狼群”战术提供硬件基础。据《无人潜航器 声视觉融合感知与航迹规划问题研究》（黄彬涛），航迹规划技术是无人潜航器 的核心部分，使用基于深度学习和计算机视觉的同步定位与地图构建理论（（SLAM） 成为海外实现移动机器人自主化的核心技术。

　　根据末端执行机构的方式不同，移动机器人可以被分为轮式机器人、履带式机器 人和足式机器人等。轮式机器人具有结构和控制简单，易于设计和操作，平坦的 地面能灵活快速移动的特点，缺点在于非结构环境下越障能力和运动平稳性差。

　　履带式机器人有接地比压小、支撑面积大并具备很强的道路适应能力的优点，但 存在行动速度较慢且相较于轮式移动机构灵活性不足的缺点。足式机器人越障能 力强，能够实现全方位移动。在地球的陆地表面，有超过 50%以上的面积为崎岖 不平的山丘或低注潮湿的沼泽不适合轮式或履带式机动平台在其上行走。足式机 器人可以利用孤立的地面支撑而不是轮式机器人所需的连续地面支撑，在可能到 达的地面上可以选择最优的支撑点，更加能够适应不平坦的地面，因此具有更强 的机动性和更好的适应性。另外，足式机器人腿部具有多个自由度，使其具有良 好的选择性与灵活性，这些特点使得足式机器人在非结构化、存在不确定因素的 环境中具有绝对的优势。军用场景中，轮式、履带式已有成熟使用案例，足式刚刚崭露头角。美国阿富汗、 伊拉克军事行动大力带动了军用机器人行业发展。2001 年、2003 年以美国为首 的联军先后发动对阿富汗和伊拉克的军事行动。两场战争中，美用机器人公 司先驱 Endeavor（（前身为 iRobot）一共提供了超过 6,000 台军用机器人，该公司 政府和工业收入也从 2003 年的 1124 万美元增长到 2011 年的 1.87 亿美元，复合 增长率高达 42.1%。2020 年前后，机器狗首次在美事基地与美人并肩作 战，这种四足传感器平台作为军队的额外“耳朵”与“眼睛”，已经找到了越来越多的 新应用。2020 年 9 月 1 日，在内华达州内利斯空军基地举行的高级战斗管理系统 演习期间，由费城幽灵机器人公司（Ghost Robotics of Philadelphia）制造的 “Vision 60 UGVs”机器狗在巡逻边界、走在人类士兵前面进行区域侦查，以及 发现可能对人类士兵造成致命伤害的目标方面发挥了关键作用。

　　2024 年 11 月 11 日，中国兵器装备集团自动化研究所有限公司自主研制的“机器 狼”首次在中国航展现场进行动态展示，运用集群作战的概念，可实现“人、车、 狼”互联互通，信息共享和动态自主协同。在实际作战中，“机器狼”作战分队 能在复杂地形上配合战士作战。

　　与传统有人装备以及轮式与履带式机器人相比，人形机器人具有独特的优势。1） 战场态势感知能力强：模拟人类视觉、听觉、触觉等，具有类人感知功能，且部 分视觉功能甚至超越人类，如机器视觉在灰度分辨力和微米大小目标观测方面优 于人类；可在战场上直立行动，具备更广阔的视野和更精准的感知能力，可及时、精准发现目标并快速应对；2）战场环境适应能力强：采用双腿设计结构，具有类 人行走、跳跃能力，可在复杂战场环境下协调稳定行进、跨越壕沟与低矮障碍， 灵巧避障，机动性高；3）战场协同作战能力强：人形机器人的置信度增加，可与 士兵组机编队，在战场上协同作战、操控武器、支援保障、救助伤员，提升 士兵战斗力和生存力。美国、俄罗斯等国持续推动人形机器人的发展，推出了多款产品。美国陆军于 2005 年投资开展战地撤退与救援机器人研究，2008 年研制“佩特曼”人形机器人用于 防护服测试。2011 年，DARPA（“机动性与操纵能力最大化”项目开始探索敏机机 器人的研究，研制出以运动技能著称的“阿特拉斯”人形机器人，具有出色的行 走、奔跑、跳跃、上下楼、避障、360°后空翻、三连跳等高机动能力，并在 2023 年改进了其手部结构，采用夹爪设计。2020 年，美国敏机机器人公司首款“蒂吉 特”人形机器人上市，该机器人具备自主感知能力，可半自主导航，其手臂可搬 动重 18kg 的箱子，适于物流、仓储、工业等领域。2022 年，美国特斯拉公司推 出“擎天柱”人形机器人，可代替人类在重复、枯燥、危险的环境下作业。2017 年，根据俄罗斯紧急事务部的技术任务，俄罗斯安卓技术公司和先期研究基金会 研制出“菲多尔”人形机器人，该机器人拥有灵活的手指，具备双手持枪射击、 自主学习、自主行动等功能，可执行火力支援任务。

　　据《军用 AI 对训练的影响与思考》（刁晓峰、黄昉、李松、李鑫、李奥），军用 人工智能能够根据战场环境、敌我双方情况，构建“人+装备”融合的战场环境， 通过实时采集的数据进行智能分析和决策，利用智能武器系统进行作战行动模拟， 优化训练体系、提高作战能力、拓展训练空间。通过 VR、AR 模拟，将各种地形虚拟出来，让指战员“足不出户”便可以得到“似曾到过这里的感觉”，从而实 现实战化训练更加精确，收获更多综合效益。据《美国陆军综合训练系统的发展现状与趋势综述》（王岳、王锦秀、陈晨、王 亚平、沙琨），美国陆军为了提高军工的备战能力，保持备战状态，开发了美国 陆军开始建设综合训练环境（Supplementary Training Equipment）STE 系统， 是以士兵为中心的下一代分布式模拟训练系统，能够模拟最新的作战环境，允许 陆军在现场、虚拟、建设和综合 4 种环境中进行战术和战略训练，支持部队在陆、 海、空、电子、网络和太空等多领域统一陆地作战。其中，建设性训练是指军职 人员输入模拟参数，由虚拟人员操作虚拟系统，系统自动推演训练结果的训练。

　　此系统可模拟当前和未来部队结构、武器效果、作战功能、多军种跨国联合作战、 人类交互、超大规模城市地形和“近乎旗鼓相当的竞争对手”威胁，帮助陆军摆 脱训练演习限制，支持陆军计划、准备、执行和评估合成兵种机动训练及任务指 挥训练等，为地面士兵、徒步步兵、战地指挥所等提供服务。为帮助士兵在未来 作战环境中执行任务做好准备，STE 利用 AI 精确呈现地形、建筑、网络等环境， 模拟参战国家、军种、战况等要素，呈现武器的精确度、杀伤力和杀伤范围等，构建类人的虚拟以模拟军队、盟军、敌军和非战斗人员的行动和反应，增加 作战环境的真实感，使士兵在实时、动态的真实环境中战斗。

　　态势感知作为一种辅助决策和行动的方法，近年来在军事应用、航空、交通管制、 网络安全等领域得到了越来越广泛的应用。在军事领域，态势感知技术的应用最 早为了提高战斗机的作战能力，随着战斗机的飞速提升以及驾驶舱内的飞机控制 系统、武器系统等不断增加，要求飞行员必须在更短的时间内快速整合座舱内更 加复杂的信息及敌我态势判断，从而采取最有力的行动方案。核心的要点包括：1）如何有效地处理收集到的各种信息，包括关键信息的挑选，关联不同探测系统 得到的信息，如何对收集到的各种信息进行整体加工并处理冗余信息等。2）如何通过数字化和图形化更高效的进行数据的呈现。3）如何基于已获得的信息建立基于动态决策的态势感知模型，从而准确高效预 测未来的状态和演化趋势，辅助飞行员进行行动决策。海外典型的态势感知模型包括 JDL 模型和 Endsley 模型，JDL 模型由美国国防部 提出，主要包含人机接口、数据融合、数据采集三个部分。Endsley 模型由 Mica R. Endsley 提出，将态势感知定义为态势要素获取、态势理解、态势预测三层模 型，并基于此提出了依托态势感知的动态决策通用理论模型。

　　随着态势感知理论模型的建立及其应用技术的发展，态势感知逐步应用于其他的 军事领域。在美国弹道导弹防御 C2BMC 系统中，已将态势感知作为其核心的功 能，用于提供导弹防御系统的总体态势，并将各种信息转化为指挥官在进行导弹 防御时易于使用的态势信息，协助各级指挥官在各种类型的弹道导弹威胁下快速 进行最佳指挥决策。美国先后发展太空态势感知应用技术，用于太空攻防对抗，利用太空态势感知技 术对所有发生在空间的事件、威胁、活动、状态进行感知，对影响太空活动的所 有因素进行认知和分析，使指挥决策和操作人员获取并维持空间优势。为了增强 态势感知能力，美国一方面不断强化其态势感知硬件系统建设（包括地基监视雷 达、地基跟踪成像雷达、地基光学深空监视系统、船载测量雷达、空间环境监视 系统、卫星信号侦察系统、天基空间监视系统等）以提升信息获取能力，另一方 面，积极将人工智能和云计算等新技术大量用于太空态势感知系统建设中，以期 解决在信息不确定、不完备，认知样本稀缺，规则模糊，不一致等条件下的态势 感知难题，提升态势理解及态势预测的能力和水平。当前，态势感知在军事领域应用技术仍在不断升级发展中，在态势感知模型研究 方面，最近诞生了基于“反馈”的深度态势感知模型。深度态势感知模型既包含了人的智慧，也融合了机器的智能（人工智能）来辅助人的决策，将有利于提升 指挥速度。由于融入了机器智能，深度态势感知既能够在信息和资源不足的情境 下运转，也能够在信息和资源超载的情境下运行。

　　情报处理是整个情报流程的核心环节，情报搜集是情报处理的前提，情报存储是 情报处理的基础，情报服务是情报处理的目的尊龙人生就是博d88。人工智能技术可对情报搜集、情 报存储、情报分析和情报服务等情报流程各个环节产生影响，DARPA、美国情报 高级研究计划局等部门和各军种近年在这些领域部署了一系列人工智能技术研究 项目。人工智能技术可用于提高情报收集平台的规划、调度与任务分配的自动化程度， 优化情报收集资源选择，预测和安排收集任务。以开源信息智能抓取为例，传统 的抓取技术难以保证信息的及时性，且易被网络技术监控阻拦，严重影响信息获 取效果。利用资源虚拟化技术，以多元数据为采集对象，部署智能化的采集抓取 系统，通过智能化任务调度、内容过滤以及编目入库等操作，可实现网页、图书、 视频、报纸、期刊、文献、媒体信息等各类公开信息的动态获取及持续更新。DARPA“文本深度挖掘与筛选”项目开发了用于文本分析的计算机系统和算法，以 诠释自然语言的含糊之处，帮助情报分析人员从来自众多信息源的海量文本中提 取所需信息。

　　在系统性能提升下，弹药的效费比会同步带来提升。比如，单枚导弹打击能力的 提升可整体减少导弹的使用数量，这将使得导弹武器系统的费用（成本）得到降 低，因此提高了效费比。同时人工智能在美国导弹侦查探测系统中的应用在提高 了侦查探测的准确度的同时，也提高了情报数据的处理速度，这就可以降低该武 器系统的运行费用和成本。由于人工智能在美国导弹侦查探测中表现出的效率和 速度优势，大大降低了对传统人力的依赖，所需的人工数量变少，因人工成本的 支出比例相应降低，也降低了导弹武器系统的费用成本。伴随着数据链技术能力的提升与成熟应用，人工智能技术的兴起，智能弹药的发 展进入半自主、协同攻击阶段。美国近年来持续推动高自主能力阶段发展“集群” 类智能弹药项目的研究，DARPA 在 2016 年启动的进攻性蜂群使能战术（（OFFSET） 项目，项目计划完成在 250 个异构无人平台（无人机与无人车）规模下，设计、 开发、部署蜂群战术试验平台，并最终完成构造环境下的飞行试验验证，计划形 成城市作战环境下 100 个蜂群战术的数据库。项目最终目的是通过无人集群平台 助力地面作战部队完成复杂城区环境下的多种作战任务。