未来战争——人工智能如何改变战争规则

AI进入军事的必然趋势

当今的军事环境，已经远远超越了传统的“钢铁与火药”的对抗。网络攻击、电磁干扰与动能打击交织在一起，构成了一个高度复杂的作战生态。敌手可能在毫秒之间切换战术，从网络渗透到电子压制，再到无人机群的突袭。这种多维度的威胁格局，迫使各国防务体系必须寻找新的技术手段来保持优势。

人工智能正是在这样的背景下被推向前台。它已经在军事中展现出强大的应用潜力，通过传感器融合，AI 能够在海量数据中快速提炼出关键情报；在威胁识别中，AI 可以比人类更快地发现潜在目标；在作战方案生成上，AI 则能在短时间内模拟多种战术路径，为指挥官提供决策参考。速度、精度与规模，成为 AI在军事中的三大优势。

AI 的引入并非没有风险。将其嵌入指挥控制链，意味着一旦模型脆弱或推理过程不透明，可能导致错误决策；信任错配则可能让人类过度依赖或过度怀疑 AI；责任缺口更是一个敏感问题——当AI 的建议导致误判或违反国际法时，究竟由谁承担后果？这些问题让“AI 军事化”不仅是技术挑战，更是伦理与法律的考验。

正因如此，这个领域的研究者们提出了一个新的视角：不再把人机团队看作一个“整体代理”，而是深入到其内部动态，去理解人类与 AI 如何在协作中不断学习、适应与调整。只有这样，才能真正构建一个可信、可控、可问责的军事人机协作体系。

本研究团队体现了技术与军事的跨学科的特征，Clara Maathuis 来自荷兰开放大学，长期关注人机交互与可信 AI 的伦理与责任问题；而Kasper Cools 则同时隶属于比利时皇家军事学院与布鲁塞尔自由大学，兼具军事战略与学术研究的双重背景。这样的组合，使得研究既有技术与建模的严谨性，又能贴近军事应用的实际需求。

1.相关研究与学术背景

在人机协作的探索上，民用领域已经走在前列。医疗诊断中，放射科医生与 AI 影像识别系统协作，能够显著提升癌症检测的准确率；制造业里，工人与协作机器人（cobots）并肩作业，优化生产流程并提升安全性；在创意产业，设计师与生成式 AI 工具共同创作，拓展了艺术与设计的边界。这些案例证明，人机协作并非科幻，而是现实中切实可行的生产力工具。

在军事领域，AI 的应用也在不断推进。它被用于战场数据分析，帮助指挥官在复杂环境中快速提炼信息；在战术决策支持中，AI 能够提供多方案推演，辅助人类评估风险与收益。美国陆军等机构甚至将“人机共学”列为未来关键研究方向，强调 AI 不仅要“帮人”，更要与人类形成动态的学习与适应关系。

但现有研究仍存在明显不足。多数研究停留在外部视角，把人机团队当作一个整体来评估，而缺乏对内部共学过程的细致刻画。信任与自治的管理机制尚不成熟，往往采用静态的自治水平设定，难以应对战场上瞬息万变的环境。结果就是，AI 要么被过度依赖，要么被过度限制，无法发挥最佳效能。

因此，学术界与军事实践者都在呼吁，需要新的方法论框架，能够动态地捕捉人机之间的学习、反馈与信任校准过程。只有这样，才能真正实现“可信的人机协作”，让 AI 成为战场上的可靠队友，而不是潜在风险源。

2.研究方法与建模思路

在这项研究中，技术团队并没有满足于提出一个抽象的概念框架，而是选择了一条更为严谨的路径——通过科学的方法论与建模工具，将“人机共学”这一复杂过程具象化、可验证化。

首先，研究采用了设计科学研究（Design Science Research, DSR）方法论。与传统的实证研究不同，DSR更强调“构建与评估”——它要求研究者不仅要提出理论假设，还要创造出一个可操作的“人工制品”（artifact），并通过实验或模拟来验证其有效性。

在军事人机协作的语境下，这意味着研究团队不仅要讨论“人机共学”的必要性，还要真正设计出一个能够运行的模型，去捕捉人类与 AI 在任务执行中如何相互学习、相互调整。

为了实现这一目标，研究者选择了系统动力学（System Dynamics, SD）作为建模工具。SD 的优势在于，它能够通过“存量（stocks）”与“流量（flows）”的形式，刻画系统中各要素的积累与变化，并通过反馈回路展现复杂系统的动态演化。

军事行动中的人机协作，恰恰是一个充满非线性关系、时间延迟与多重反馈的复杂系统：信任的建立与崩塌并非线性过程，自治权的授予与收回往往滞后于环境变化，而认知负荷的积累更可能在某个临界点突然引发系统性风险。SD 的建模能力，正好契合了这种复杂性。

在模型构建中，研究团队特别强调了几个关键特征：

• 反馈回路的作用：例如，当 AI 的解释质量提升时，人类的学习速度也会加快，进而反过来提升 AI 的表现，这就是一个典型的正向强化回路。
• 非线性关系的捕捉：信任并不是随着 AI 表现线性增长的，它可能在某个阈值后迅速上升，也可能因一次错误而骤然下降。
• 时间延迟的影响：战场环境的变化往往比人机团队的适应速度更快，这种延迟可能导致自治权的调整滞后，从而带来风险。

最终，研究的目标是构建一个能够体现人机共学（co-learning）的动态模型。这个模型不仅要能模拟人类与 AI 在军事任务中的互动，还要揭示其中的关键变量如何相互作用：人类专长如何影响 AI 的学习，AI 的解释如何塑造人类的信任，共享态势感知如何推动自治权的调整，认知负荷如何触发安全机制。

通过这样的建模，研究者希望为未来的军事 AI 系统提供一个可验证的理论与实践基础，让“人机共学”不再停留在概念层面，而成为可以被量化、被优化的作战能力。

换句话说，这一部分的研究方法与建模思路，正是研究的“工程核心”。它让抽象的“人机协作学习”变成了一个可以被实验、被推演、甚至被军事组织采纳的动态框架。

3.模型设计：四大核心维度

研究团队提出了一个由四个维度构成的人机共学模型。这四个维度并非孤立存在，而是通过复杂的反馈回路彼此交织，构成了一个动态的、可演化的系统。它们共同回答了一个关键问题——在瞬息万变的军事环境中，人类与 AI 如何才能真正形成一个可信赖的作战团队。

图1：模型组件。

可调自治（Adjustable Autonomy） 

在传统的军事 AI 应用中，自治水平往往是静态设定的，要么完全依赖人类指挥，要么在特定任务中放任AI 自主。但战场环境并不会给出如此稳定的条件。研究者提出的“可调自治”机制，强调 AI 的自治水平应当随着任务状态、信任度以及环境不确定性而动态调整。

比如，当战场态势清晰、AI 表现稳定时，可以适度提升其自治权；而在环境波动剧烈或信任度下降时，则应迅速收回权限。这一机制通过“自治平衡回路（B1）”和“认知负荷安全回路（B3）”来实现：前者确保自治权不会在不确定性下失控，后者则在认知负荷过高时自动降低自治，以保护人类决策者的安全边界。

多层控制（Multi-layered Control） 

军事行动的高风险性决定了任何 AI 的决策都不能缺乏监督。多层控制机制的设计，正是为了让人类与 AI 在不同层级上相互监督与问责。它不仅包括人类对 AI 的监控，也包括 AI 对人类操作的提醒与校正，从而形成双向的安全网。

随着 AI 自治水平的提升，监督与问责的需求也会同步增加，这就是“监督与问责回路（B2）”的作用所在。它保证了透明度与责任链条的完整性，避免了“黑箱式”决策在高风险环境中带来的不可控后果。

双向反馈（Bidirectional Feedback） 

真正的人机共学，不是单向的“AI 学人”或“人学 AI”，而是双向的知识与经验交换。在这一维度中，AI 需要能够解释自己的推理过程、表达不确定性，而人类则通过标注、经验输入和情境判断来反哺 AI。这种互动不仅提升了双方的理解，还能逐步形成共享的心理模型。

研究团队将其归纳为两个关键反馈回路：一是“共学强化回路（R1）”，强调解释质量越高，学习速度越快；二是“性能-信任强化回路（R2）”，当 AI 表现超出预期时，信任度提升，进而推动更高水平的协作。

协作决策（Collaborative Decision-Making） 

在最终的决策环节，人类与 AI 不再是“主从关系”，而是共同生成、评估并提出决策方案。每一个方案都附带置信度与理由，既让人类能够理解 AI 的逻辑，也让 AI 能够吸收人类的判断。这一机制通过 R1、R2 与 B3 三个回路共同作用：解释与学习的强化推动更高质量的决策，信任与性能的提升让协作更顺畅，而认知负荷的安全机制则确保人类不会在高压环境下被信息淹没。

整体来看，这四大维度构成了一个有机整体：自治水平的调整决定了 AI 的行动边界，多层控制确保了透明与问责，双向反馈推动了共学与信任，而协作决策则是最终的落点，让人机团队能够在复杂战场中做出既高效又合法的判断。它们共同描绘出一个未来的军事图景：AI 不再是冷冰冰的工具，而是一个能够与人类并肩作战、共同成长的“智能战友”。

4.案例研究：比例性评估（Proportionality Assessment）

为了验证这一人机共学模型的有效性，研究团队选择了一个极具代表性的军事任务——比例性评估。所谓比例性评估，是国际法框架下军事行动必须遵循的原则之一：在执行打击时，预期的军事优势必须与可能造成的附带损害相权衡，确保行动在法律与伦理上都站得住脚。

在他们设定的场景中，一支联合部队计划对敌方的综合防空网络实施一次网络-动能联合打击。目标是通过远程零日漏洞攻击，暂时瘫痪敌方的指挥控制服务器，从而为有人机群突破空域创造一个六十分钟的窗口。

图2：比例评估用例模拟。

问题在于，这一防空网络位于一座沿海城市，而城市基础设施同时服务于军事与民用系统。换句话说，任何攻击都可能波及医院的遥测系统或港口的交通控制，带来严重的附带损害。这种高度城市化的环境，使得环境不确定性被设定为Oenv=0.35，属于高风险状态。

在仿真初始条件下，人类操作员的专长水平为H=0.50，AI 的能力为 A=0.40。共享态势感知较低，仅为 S=0.25，信任度也处于谨慎状态 T=0.40，AI 的自治水平被严格限制在 U=0.20。这意味着在一开始，人机团队的协作基础并不牢固，更多依赖人类的判断与监督。

图3:比例评估用例模拟。

随着任务推进，前 30 分钟的仿真结果显示出积极的趋势。通过双向反馈机制，人类与 AI 的能力都在提升，态势感知逐渐对齐，信任度也随之上升。自治水平在谨慎的框架下逐步提高，而认知负荷始终保持在安全阈值之下。在这一阶段，比例性评估的得分保持为正，意味着军事优势与附带损害之间的平衡尚在可接受范围内。

然而随着环境波动的加剧，系统的脆弱性逐渐显现。高不确定性导致信任度迅速崩溃，而监督机制的反应速度却滞后于这种变化。结果是自治水平骤降，AI 的作用被大幅削弱。由于军事优势部分依赖于 AI 的自治与快速响应，这一骤降直接导致优势下滑。

同时，尽管自治收缩在一定程度上抑制了附带损害的扩大，但比例性得分仍然在大部分时间内跌入负值。最终，仿真显示比例性得分仅在44% 的任务窗口内保持为正，未能满足合法性与作战有效性的双重标准。

这一案例的结论耐人寻味。模型成功再现了军事学说中的预期行为，在不确定性升高时，自治会自动收缩，认知负荷保护机制会启动，以避免人类决策者被压垮。但同时，它也揭示了人机协作的脆弱性——信任的崩溃往往比监督机制更快，导致自治骤降与军事优势丧失。换句话说，人机共学模型虽然能够在稳定环境下维持平衡，但在高风险的城市化战场中，这种平衡极易被打破。

这不仅是对模型的验证，更是对未来军事 AI 系统设计的警示，如果不能在实时风险输入、信任校准与自治调整之间找到更稳健的机制，那么 AI 在战场上的角色仍然可能从“可靠队友”滑向“潜在负担”。

5.研究结论与未来展望

这项研究的最大贡献，在于提出了一个可信的人机共学模型。它并不是停留在概念层面的空谈，而是通过系统动力学的方式，将自治、监督、反馈与协作决策四个维度有机结合，构建出一个可操作的框架。这个模型不仅能够模拟人类与 AI 在军事任务中的互动，还兼顾了技术与法律责任的双重要求，避免了“技术万能论”带来的盲点。

从应用价值来看，这一模型为未来军事 AI 系统的设计提供了理论与实践的参考。它强调 AI 在战场上应当被视为“队友”，而不是替代者。AI 的角色是与人类并肩作战，提供数据处理与模式识别的优势，同时接受人类在伦理判断与创造性思维上的补充。这样的定位，既能发挥 AI 的长处，又能避免因过度依赖而带来的风险。

研究团队也提出了几个值得关注的方向。首先是引入实时风险数据流，让模型能够在动态环境中更快地调整自治与信任水平。其次是嵌入随机化的附带损害估算器，使比例性评估更贴近现实中的不确定性。最后是在多样化的军事场景中进行验证，确保模型不仅适用于单一案例，而是能够推广到更广泛的作战环境中。换句话说，这一研究为未来的军事 AI 系统奠定了基础，但仍需要不断迭代与扩展。

6.评论与启示

我们认为，这项研究传递了一个重要信号，AI 在军事中的应用不能再是单向的“人用 AI 工具”，而必须转向“人机共学”的关系。只有当 AI 能够解释自身的推理，人类能够理解并反馈，双方才能形成真正的协作闭环。这种共学关系，才是未来军事 AI 系统的核心竞争力。

从政策层面来看，信任与责任机制是决定军事 AI 能否被采纳的关键。没有透明的解释机制，信任就无法建立；没有清晰的责任链条，AI 的应用就会陷入法律与伦理的灰色地带。研究中的多层控制与监督机制，正是为了解决这一问题。它提醒我们，技术设计必须与政策规范同步推进。

从战略层面来看，未来战争的竞争力不仅取决于 AI 算法的性能，更取决于人机协作的质量。一个国家如果能够在战场上实现高效、可信的人机共学，就能在复杂多变的环境中保持优势。反之，即便拥有最先进的算法，如果缺乏信任与协作机制，也可能在关键时刻失去主动权。

因此，这项研究不仅是对军事 AI 技术的探索，更是对未来战争形态的前瞻。它告诉我们，真正的智能战争，不是 AI 取代人类，而是人类与 AI 在共学中共同成长。

参考资料：​​​https://arxiv.org/abs/2510.01815v1​​

本文转载自​​​波动智能​​​，作者：FlerkenS​