０　引言

     人工智能（AI）技术现已进入一个新的高速增长期，是公认最有可能改变未来世界的颠覆性技术。从“深蓝”战胜卡斯帕罗夫，到机器学习技术在语音识别、图像识别和自然语言处理等诸多领域取得突破，再到AlphaGo战胜李世石，机器智能已经从计算智能和感知智能发展到认知智能，达到一个前所未有的高度。以美国为代表的世界军事强国预见到 人工智能技术在军事领域的广阔应用前景,认为未来的军备竞赛是智能化比拼,并已提前布局了“深绿”（DeepGreen）、“洞察”（Insight）、可视化数据分析（XDATA）、深度学习（Deep Learning）、文本深度发觉与过滤（DEFT）、高级机器学习概率编程 （PPAML）、“心灵之眼”（Mind's Eye）、阿尔法（AlphaAI）和指挥官虚拟参谋（CVS）等研究计划，发布第3次抵消战略，力求在智能化上与潜在对手拉开代差。落后意味着受制于人，为避免因丧失发展先 机而造成巨大代差，我国亟待迎头赶上，大力发展人工智能技术军事应用研究。 

    指挥控制是军事作战体系的“神经中枢”，是战斗力的倍增器。指挥控制智能化是开展人工智能技术军事应用的核心。未来战场上，指挥控制将扮演 “智能大脑”角色。谁的指挥控制智能化水平高，谁 的战法战术就运用得好。 

    然而，指挥控制智能化发展路途十分漫长。本文从人工智能技术发展及其在指挥控制领域应用研 究现状分析入手，提出指挥控制智能化发展的思路 及关键技术体系，为我国发展指挥控制智能化提供参考。 

１　发展需求分析 

    未来战争将进入“秒杀”时代，特点是快速、复杂和多变。首先，高速度、大机动和远射程装备发展趋 势，使得战争节奏显著加快，人脑跟不上作战速度； 其次，大规模体系作战、有人－无人协同作战及向社 会域拓展的新型作战，使得战争复杂性大幅提升，人脑跟不上规模；再次，美军发展敏捷作战，战法战术 灵活多变，无人系统自主作战，反应速度极快，使得 战争灵活性不断加强，人脑跟不上作战变化。因此， 迫切需要发展人工智能技术，用智能化机器大脑延 伸指挥员人脑，从而辅助战场态势认知和指挥决策 制定，提升指挥员判断态势和制定决策的科学性和 效率。具体体现在以下５个方面： 

    １）情报分析处理：从海量、多源和异构的情报 数据中提取支撑决策的关键信息、识别目标意图和 发展战略征候，辅助情报官进行情报分析研判，需要 智能化技术支撑。 

    ２）战场态势认知：从海量信息中挖掘和提炼敌 方意图、目标价值、战场局势及变化趋势等态势认知 要素，辅助指挥员高效且准确地做出态势判断，需要 智能化技术支撑。 

    ３）指挥决策支持：基于指挥员的作战构想，快 速生成可行的方案和计划，精确模拟推演执行效果， 自动生成优化建议，辅助指挥员快速制定高质量的 决策，需要智能化技术支撑。 

    ４）作战试验分析：从积累的作战数据中挖掘和 学习敌方行动规律及复杂战争规律，优化战法战术 和指挥控制模型算法，辅助指挥员发现问题和优化 策略，需要智能化技术支撑。 

    ５）指挥控制人机交互：提供身临其境的战场态 势感知、跨域分布式高效协同研讨，增强单兵野外作 战的远程指挥和协同交互能力，需要智能化技术支撑。 

２　发展现状与形势分析
２．１人工智能技术发展现状 　　

    人工智能技术发展经历了60年，几起几落之后 进入一个新的高速增长期。2016年，AlphaGo战胜 李世石，表明人工智能进入一个新纪元。后续人工智能在各领域中取得的突破可能呈现爆发式增长，机器智能水平也将呈现指数型提升。专家预测数据 表明，2045年将是奇点到来之年，届时机器的智能 水平将超过人类。 

2.1.1 技术类型及能力分析 

    从技术方法角度，人工智能技术可分为搜索求解、知识推理和机器学习３类。     

    １）搜索求解：包括无信息搜索和启发式搜索等 具体方法。基本原理：将问题域抽象定义成一组状 态及状态转换关系，通过树／图搜索方法，找到从初 始状态到目标状态的路径。搜索本质上可理解为一 种尝试思维，通过尝试各种可能的路线发现可行／最 优解。其代表性应用如路径规划和棋类游戏。运用 这种尝试思维，既可搜索我方行动方案，支持指挥员 做规划，也可搜索敌方行动可能，支持指挥员做预 测。其问题在于解空间过于庞大时，性能会大幅下 降，甚至无法求解。 

    ２）知识推理：包括一阶逻辑推理和概率推理等 具体算法。基本原理：将客观事实及相互间作用关 系定义为知识，并基于逻辑或概率的形式符号化，从 而运用推理进行预测或求解。推理本质上可理解为 一种理性思维，运用掌握的知识理性推断和严谨求 证。其代表性应用如定理证明和专家系统。运用这 种理性思维和掌握的知识，既可分析推断敌方的关 系、意图和行动，也可按条令和条规推出决策、规划 行动和资源调度等。其问题在于获取知识较难，且 知识太多时，效率会大幅下降。 

    ３）机器学习：包括决策树和深度学习等具体算 法。基本原理：从大规模样本数据中学习隐含的模 型或模式，反过来用于实际问题的预测或求解。学 习本质上可理解为一种感性思维，从大量实践（样本数据）中获得经验直觉。其代表性应用如图像识别、 语音识别和自然语言处理等。运用这种感性思维， 既可根据经验直觉判断敌方可能的行为和形势是否 有利等，也可按经验直觉做出快速决策。其问题在 于遇到不按套路出牌的情况容易出错，而这在战争 中并不少见。 

2.1.2　技术发展水平分析 

    从智能化水平看，人工智能可分为计算智能、感 知智能和认知智能３类。      1）计算智能———超越人类：以科学运算、逻辑处理和统计查询等形式化、规则化运算为核心。计 算机在计算智能方面早已超越人类，如超级巨型机 “天河”的科学计算和“深蓝”基于规则的暴力搜索。但集合证明与数学符号证明类的复杂逻辑推理，仍 需直觉的辅助。 

   2）感知智能———接近人类：以图像理解、语音识别和语言翻译为代表。近期由于深度学习方法的突破，感知智能取得了重大进展，逐步趋于实用水 平。例如，语音识别方面，科大讯飞的语音识别准确 率达97％，微软语音识别错误率仅5.9％，已等同于 普通人水平；自然语言处理方面，谷歌已能做到大段 文字的翻译，覆盖10余个语种。苹果Siri、微软小冰和小娜等已能与人聊天；图像处理方面，谷歌能够 让机器从成千上万的图片中准确识别猫；运动方面， 波士顿动力的机器“大狗”反应非常灵活，不仅可以 适应各种地形，还可经受突然的冲击力而保持不倒。 此外，人脸、性别、年龄和情绪等识别也日趋实用化。 

    3）认知智能———刚刚起步：以理解、推理和决策为代表，强调会思考和能决策等。因其综合性更 强，更接近人类智能，研究难度更大，长期以来一直 进展缓慢。IBM的问答智能程序“沃森”及谷歌的 无人车等，是比较接近该类智能的典型应用。“沃森”战胜人类使得人工智能面临重大拐点，它采用专家系统方式，以大数据的关联分析和统计特征进行 推理。谷歌无人驾驶领取驾照标志着无人平台开始 融入社会，其中涉及道路识别、行车监视、态势理解、 情况判断和准确决策等智能化问题。
2.1.3　AlphaGo技术原理及发展思路 

   2016年3月，AlphaGo战胜李世石，被视作“认知智能”进步的里程碑。2017年初，化名“Master” 的升级版 AlphaGo以60局全胜的势头席卷了整个 围棋界。2017年5月，计算力和网络深度均大幅增 长的AlphaGo以3∶0完胜世界排名第１的柯洁，为人类智能在围棋上占据了数千年之久的地位画上 了句号。相关事件和评论网上已有许多，这里不再 赘述。
    AlphaGo使用了以下４种方法实现围棋的对 弈决策：1）策略网络，负责预测下一步走棋，采用深 度学习方法，模拟人类直觉思维给出判断；2）快速 走子，负责加快走棋速度，采用局部特征匹配＋线性 回归方法； 3）估值网络，负责全局判定，采用深度学 习方法，模拟人类凭直觉预测输赢；4）蒙特卡洛树 搜索，负责对走棋过程快速推演求证，采用搜索求解 方法，与“深绿”不同的是缩小了搜索范围，有效解决 了不确定性爆炸问题，大幅提高了推演效率。
    AlphaGo成功的第１步是人类样本数据积累， 包括１６万局人类选手的围棋对弈棋谱，拆分为３０００万手盘面；AlphaGo成功的进阶是样本数据的 自动构造，通过自我博弈，生成了３０００万局训练样本数据，使棋力得到大幅跃升，其本质是增强学习， 在“试错”中成长，并发现人类未想到的妙招。 

    综上，人工智能技术发展迅猛，正在加快颠覆各 行各业，国防领域也不例外，指挥控制向智能化发展 乃是大势所趋。
2.2　国外指挥控制智能化发展现状 

    20世纪70年代，提出了决策支持（decision support）系统，希望借助计算机，基于模型库、数据库、知识库和方法库等，为决策人员提供帮助。基于该模式，美军研制了联合作战计划和执行系统 （JOPES）、战区级作战方案评估系统（CEM）、计算机辅助任务规划系统（CAMPS）、联合任务规划系统（ JMPS）、参谋计划与决策支持系统（SPADS）等一 系列指挥控制决策支持系统。这些系统已在实际军 事行动中得到应用，如９０年代初的“沙漠风暴”行 动，从最简单的货物空运到复杂的行动协调均由专 家系统完成。但这类系统大多采用人在回路方式， 指挥员仍是指挥决策的关键，目标分析和方案拟定 等关键步骤主要由指挥员完成，机器仅提供计算层 面的支持。现在看来，这些系统仍属于计算智能，未发展到认知智能。     

    美军很早就开始探索人工智能技术在军事领域 中的应用。国防部高级研究计划局（DARPA）于2007年启动了“深绿”计划，旨在将仿真嵌入指 挥控制系统，提高指挥员临机决策的速度和质量。 其核心技术是平行仿真，即在指挥作战过程中，基于 实时战场态势数据，通过计算机多次模拟仿真，推演 出敌我采用不同作战方案可能产生的结果，预测敌 方可能采取的行动和战场形势的可能走向，引导指 挥官做出正确决策，缩短制定和调整作战计划的时 间。该计划虽因主管领导更迭和经费削减等原因于2011年暂停，但其思路和方法值得借鉴。虽然项目 中未使用机器学习等最新技术，但通过平行仿真预 测敌方行动和态势变化的方法，是在当时人工智能 水平下的一大创新，是美军在推进指挥控制向智能化发展方面具有代表性的先期探索性研究成果。     

    “深绿”系统主要由指挥官助手、“闪电战”和“水 晶球” 3部分组成，美军“深绿”系统核心技术如图1所示。指挥官助手利用语音识别和草图识别等技术，实现指挥决策从图中来、到图中去的原则，最大限度符合指挥员的决策分析与操作习惯。“闪电战” 是“深绿”的分析引擎，通过利用定性与定量结合的自动化分析工具，迅速对指挥官的各种决策计划进行模拟，从而生成一系列未来可能的结果。“水晶球”是“深绿”的决策总控，负责收集各种计划方案、更新战场当前态势、控制快速模拟以及向指挥员提 供可能的选择，并提醒指挥员决策点的出现。

    2009—2014年 间，DARPA先 后 启 动 了 “洞察”（Insight）、可视化数据分析（XDATA）、深度学习（Deep Learning）、文本深度发觉与过滤（DEFT）、高级机器学习概率编程 （PPAML）等大量基础技术研究项目，探索发展从文本、图像、 声音、视频和传感器等不同类型多源数据自主获取、 处理信息、提取关键特征和挖掘关联关系的相关技 术。同时，DARPA还布局了一系列面向实际作战 任务背景的项目。例如，Mind's Eye计划用于探索一种能够根据视觉信息进行态势认知和推理的监视系统；对抗环境中目标识别与适应（ＴＲＡＣＥ）计划尝 试用机器学习和迁移学习等智能算法解决对抗条件 下态势目标的自主认知，帮助指挥员快速定位、识别 目标并判断其威胁程度；分布式战场管理（ＤＢＭ）计 划发展战场决策助手，帮助飞行员在对抗条件下理 解战场态势、自主生成行动建议并能够管理无人驾 驶的僚机；人机协作（TEAM-US）计划尝试将人与机器深度融合为共生的有机整体，让机器的精准和人类的可能性完美结合，并利用机器的速度和力量 让人类做出最佳判断，从而提升认知速度和精度。 

    2015年12月，美国防部提出了第３次抵消战 略，围绕智能化和自主化提出了５大关键技术领域。 其中，自主学习与人机交互技术，运用人工智能技术 综合利用人的洞察力与计算机的高灵敏度，提升指 挥员的决策效力。美国国防部副部长沃克认为：利 用上述技术，可以压缩指挥员在观察—判断—决 策—行动（ＯＯＤＡ）环中的时间，实现多域联合作战 指挥和控制的目标，以取得未来战争的制胜权。 

    2016年6月，美国辛辛那提大学开发的人工智 能系统 Alpha AI，在模拟空战模拟器中１００％击败了经验丰富的美国退役空军上校。该上校表示： “这是我见过的最具侵略性、敏捷性、变化性和可靠 性的 ＡＩ。”据称，阿尔法在空中格斗中快速协调战术 计划比人类快了250倍，从传感器搜集信息、分析处理到做出正确反应，整个过程不到１ｍｓ，可同时躲 避数十枚导弹并对多目标进行攻击，还能协调队友、 观察学习敌人战术，而硬件仅为售价500的普通 ＰＣ机。该技术是 ＡＩ在交战控制领域应用的重大 突破，未来可用于训练人类飞行员，甚至可在通信条 件不佳情况下接管无人机的行动控制。
     Alpha AI空战系统核心技术是遗传模糊逻辑， 如图２所示。其中，遗传算法主要模拟自然选择的 过程，通过变异和淘汰不断优化。模糊逻辑比较擅 长趋势预测，但输入量一多，就变得过于复杂。阿尔 法团队创新提出了遗传模糊树算法，实现了对数百 个输入量的处理。其原理主要是简化变量，仅考虑 最相关信息，减少决策树分支数量。

    2016年10月—12月，美国总统办公室发布《为 人工智能的未来做好准备》、《美国国家人工智能研 究与发展策略规划》和《人工智能、自动化和经济》 ３ 份重要报告，对人工智能技术及相关产业的发展进 行了全面规划，旨在确保美国 ＡＩ的领先地位。 

    美陆军装备司令部通信－电子研究、开发和工程 中心 （ＣＥＲＤＥＣ）计划于 2016年底启动 ＣＶＳ 项 目［ ６］，旨在通过综合应用认知计算和人工智能等技 术，来应对海量数据源和复杂战场态势，提供主动建 议、高级分析和自然人机交互，从而为指挥官及其参 谋制定战术决策提供从规划、准备、执行到行动回顾 全过程的决策支持。该项目规划的主要能力包括： １）指挥员专用工具：辅助指挥员理解、显示、描述和 指挥的便携式手持工具； ２）指挥员／参谋基于工作 流的协作：支持指挥员和参谋随处开展任务编排、跟踪、产品及任务交付物的生产和共享； ３）数据汇聚： 面向任务指挥信息和态势感知需求，从现有指挥所 系统中按需获取信息，给指挥员提供合成的数据集， 并提供权威和一致的数据存储、添加和搜索功能； ４）集成的敏捷规划：领域无关、人机协作的战争设 计、方案制定和推演能力，可根据相似历史案例和当 前情况生成执行当前任务的战术模型、预测评估执 行效果，能更好地捕捉和解释用户意图，以聚焦态势 评估、开发和分析潜在行动方案、识别非预期的风险 和威胁； ５）评估能力：不断比较当前态势与指挥官 计划意图，识别风险和机遇，以评估是否需制定决 策，并适时提醒需关注的态势； ６）预测能力：基于态 势数据和当前的计划／目标上下文，识别和推理态势 的演变，生成告警，并提供具有一定置信度的未来态 势图； ７）建议能力：面对任意态势场景，基于特定领 域知识自动生成一系列可选项，并附上相应的可能 性和置信度评价及替代方案； ８）机器学习和用户配 置：持续改进系统，以更好支持特定个人及组织的过 程和偏好。ＣＥＲＤＥＣ打算寻求企业、学院及研究实 验室等多方的努力协作实现这个宏伟的愿景。但出 于未知原因，至今未见其发布该项目的更新信息。 

    分析认为，美军“深绿”的失败说明传统的人工 智能方法存在瓶颈，而阿尔法 ＡＩ的成功，让人们看 到以机器学习＋大数据为代表的现代人工智能技 术，可以突破瓶颈，创出一条新途径。第３次抵消战 略、 ３份白宫报告以及刚启动的一系列创新研究项 目，均表现出美军的雄心壮志，未来将掀起一场全世 界智能化装备竞赛。
2.3　国内指挥控制智能化发展现状 

    伴随着早期人工智能技术的发展，国内开展了 大量关于运筹学、专家系统和贝叶斯估计等传统人 工智能方法的军事应用研究，建立了从武器平台性 能到战术火力计算等一系列辅助决策模型。

     近年来，人工智能在语音识别、图像识别和自然 语言处理等领域取得了突破，尤 其 是2016 年 AlphaGo大获成功后，国内人工智能研究掀起了新 一轮高潮，也引发了国内学者对于指挥控制系统智 能化的深度思考。在这些思想碰撞的激发下，已有 相关科研机构开展了先期探索研究，但偏理论、 偏综述及偏探索性设想的研究较多，偏技术成果的研究较少。 

    综上，国内指挥控制技术领域很长一段时间内曾对人工智能保持着谨慎态度，直至近年来人工智 能的崛起，掀起了发展智能化指挥控制的热潮。虽 然国内在人工智能技术本身以及语音识别等民用领 域上发展较快，已接近甚至部分超越国际先进水平， 但如何应用于军用领域，尤其是指挥控制方面，尚待 深入研究。 

３　发展思路 

    虽然 AlphaGo取得了举世瞩目的成就，但军事 作战指挥比下围棋难度更大。指挥控制系统智能化 是一个长远目标，不可能一蹴而就，是一个随着人工 智能技术进步和军事样本数据积累的逐步发展 过程。 智能化发展阶梯如图３所示，具体为： 

    １）指挥控制系统智能化当前水平主要是机器 能够为指挥员提供简单的计算支持，如各种战术计 算模型。以此为基础，很难一步跨越到机器自主学 习水平。 

    ２）第一步需要打基础。需进一步利用指挥员 已能够提炼的知识，应用知识表示方法，通过知识工 程建立起机器对知识的理解以及运用知识解决一部 分实际问题的能力；同时，重视样本数据积累，为开 展机器学习提供必要数据。

    ３）如将上述水平定义为智能化1.0，则下一步 是重点发展机器学习能力。让机器可在人类指导下 学习，即监督／半监督式学习。有了学习能力，可认 为智能水平得到了一次质的飞跃，达到智能化2.0。 

    ４）进一步则需重点发展无监督学习，如强化学 习、迁移学习和对抗式学习等，让机器能在实践过程 中实现自我提升，达到智能化3.0。再往后可能还有 智能化4.0和5.0等，目前尚不能看清。 从技术发展水平看，智能化3.0所需的无监督学习技术目前正是机器学习领域研究的热点，而很 多商业应用领域如语音、图像和翻译等，已达到智能 化2.0水平。相比之下，指挥控制领域的发展滞后 较明显，发展空间十分广阔。

3.1　面临的挑战 

    目前业内基本达成共识，指挥控制智能化发展 面临２个方面基础瓶颈问题： 1）缺乏足够的领域知 识和样本数据；2）缺乏科学的验证评价技术手段。 

    领域知识指军事专家已能解释清楚的事实和规 律等，包括军事领域概念本体、武器装备性能参数、 战场环境模型、战场实体模型、交战判决模型、业务 处理规则、战法运用规则和装备使用规则等。虽然 机器学习是当下人工智能技术热点，但它是建立在 大量数据基础上的。很多知识是指挥与参谋人员已 能够提炼但尚未提炼的，再改用机器学习去提炼，实 为将简单问题复杂化，且未必优于人工提炼。另外， 逻辑思维也是指挥员的一种常见思维模式，在解决 很多实际问题中非常有用。机器学习不能解决所有 实际应用问题，往往与搜索求解和知识推理等传统 ＡＩ技术结合起来应用。因此，领域知识工程在当下 仍然有必要开展。如美军一直很重视知识工程，建 有完备的条令、条例和交战规则等知识体系。这种 知识工程需要投入大量军事专家，而且只有在积聚 到一定规模方能体现威力，国外著名的知识工程 ＣＹＣ就是典型案例。 

    样本数据指实际作战、演习训练和仿真试验等 过程中积累的数据，包括各渠道搜集的情报数据及 加工产品，各类指挥信息系统在演习训练中的接入 数据、通信数据和作业数据，以及平时的值班与运维 等数据。机器学习对样本数据的规模和质量均有很 高要求，首先要能快速采集大量数据，然后经清洗、 加工、标注和整理才能保证数据质量。这些工作虽 然可以借助一些自动化标注工具，但仍需领域专家 参与设计和排错，工作量巨大。另外，和平时期军队 积累作战经验主要靠演习训练。受安全性和成本等 限制，演习训练的对抗激烈程度、战术灵活程度和装 备使用程度均不如实战。而指挥控制是对抗博弈的 艺术，很多实战中对抗博弈特性在演习训练中难以 学到，且演习数据主要围绕训练需求产生，无法根据 机器学习任务订制，往往出现样例类型单一、样本分 布不均衡等问题。 

    另外，如何验证智能化技术的可行性，如何评价 智能水平的高低也成为一大难题。智能化技术为一 些传统技术难以解决的问题提供了解决方案，但解 决程度究竟如何，结果是否可信，很难找到一把公认 的尺子。实际上，对指挥员而言，也很难衡量他某个 判断或决策的对错或好坏，因为在战争迷雾中并无 标准答案，而最终的输赢也是诸多因素综合作用的结果。因此，要评价一项技术或一个指挥控制系统 的智能水平，很难找到合适的考核指标和评测方法。
3.2　基础工程 

    为发展指挥控制智能化打下坚实的基础，建议 首先组织开展知识和数据基础工程，打造面向作战 指挥的仿真试验系统。 

    领域知识专业性较强，需要具备深厚专业基础 的军事领域专家投入建设。而领域知识的形式化建 模则具有一定的技术背景，需要掌握知识工程专业 技术的人员投入建设。因此，建议相关科研院所与 相关军事院校合作，协调相关军事领域专家与技术 人员沟通，共同提炼军事指挥领域的各种知识，包括 概念常识、业务知识、装备知识、组织体制知识和作 战运用知识等，利用本体、规则、流程和框架等各种 人工智能知识表示方法，分门别类地建立形式化表 征，建立相互间的关联，构成指挥领域的知识图谱， 即知识体系，从而将指挥人员能够解释清楚的知识， 能为机器理解和掌握。 

    样本数据基础建议从以下２条途径并行发展： 

    １）对实际使用的指挥控制系统中采集积累的数据， 投入技术人员开展标注工作，围绕各种机器学习任 务的需求，为数据打上多样化标签，构建数据标签 库； 

    ２）借鉴美国空军构建模拟飞行环境来训练阿尔 法 ＡＩ的思路，提出一种快速积累大规模指挥控制 样本数据的方法———打造作战指挥仿真试验系统， 即战争游戏。仿真游戏环境下，指挥员可无限制发 挥，行动执行过程可快速推演完成，想定和剧情可灵 活按需订制，既可训练指挥员，又可试验战法，还可 积累样本数据。虽然存在一定失真问题，但对于技 术方法原理验证不失为一个理想环境。 

    另外，作战指挥仿真试验系统也是验证评价智 能化指挥控制技术的一个有效技术手段，为验证智 能化技术提供了虚拟的实践平台。相比实兵演习训 练，仿真试验系统具有安全、经济、高效、可订制和环 境相对简化等特点，是试验验证智能化技术的理想 环境。通过设计针对性的作战场景和比赛规则，可 以举行人－人对抗、人－机对抗以及机－机对抗等多种 形式的博弈对抗比赛；可用相对胜率和战果战损比 率等实际可测量数据来衡量智能化水平，如同 AlphaGo早期阶段可以胜过几段棋手，或让几步先 手等方式，可视作那把公认的尺子。 

    因此，建议从平台级和战术级开始打造仿真试 验系统，逐步向战役级和战略级延伸，因为底层模型 比较容易构建，越往上层越难。通过构造逼真的战争游戏，采集标注一线指挥员在游戏过程中观察到 的战场情况、做出的判断和决策，以及综合行动的结 果等数据，从中学习指挥员的认知和决策模型及交 战规则模型等，甚至可以通过人－机对抗和机－机对 抗方式，在短时间内快速积累海量样本数据。

     此外，发展智能化指挥控制技术，还应广开思 路，加强合作具体为： １）加强与高校的合作。高校 蕴藏着丰富的人工智能师资力量，且多乐于开展与 企业间横向合作。可以对其开放基金课题或外协等 多种方式，让他们提供技术指导和开发力量。２）加 强与企业的合作。一类是像百度、阿里巴巴和科大 讯飞等的大型人工智能企业，拥有强大的技术实力 和丰富的实战经验，能够快速推动技术向实用转化； 另一类是一些初创型企业，这些企业拥有一群有理 想、有激情的实干人才，可以资助扶持他们创业，让 他们从包括创意、技术、研发和推广的方方面面提供 各种技术支撑。 

４　重点发展方向 

    从智能顶层系统架构、智能战场态势认知、智能 决策建议优化和智能人机协同交互４个方向，梳理 指挥控制智能化亟待重点发展的技术。
4.1　智能系统顶层架构 

    １）指挥控制系统知识体系设计：知识是智能的 基础，既包括传统意义上人工定义的法则，也包括大 量数据中机器学习建立的感觉模型。从指挥员认知 战争和制定决策的角度，梳理指挥控制知识体系，分 析及分配适合人工定义或适合机器学习的知识，对 于指挥控制智能化成体系发展具有重要指导意义。 

    ２）人机智能分工与协作机制：通用人工智能短 期内不太可能出现，人与机器２类智能各有擅长。 对指挥控制过程中认知决策问题进行解剖，合理化 分配适合机器解决及适合人解决的问题。同时，建 立２类智能在合作解决问题中协作机制，从而实现 １＋１＞２的效果。 

    ３）指挥控制智能验证评价体系：将大量生命交 给机器管理时，智能化验证评价变得至关重要，甚至 超过了发展智能化本身。如何发展安全可控的机器 智能，确保机器智能不脱离指挥员的掌控，以及如何 定性和定量地评价机器智能的水平高下，需要提前 研究确定。
4.2　智能战场态势认知 

    １）战场情况理解标绘：态势感知方面最初级智 能是类似参谋的标绘作业，即根据地图上密密麻麻的目标信息，自动理解其兵力分组情况、执行行动、 相互关系（如攻击、保障和指挥关系）等，在图上自动 标绘出各种指示部署的“腰子”和指示意图方向的 “箭头”，让指挥员对当前情况一目了然，从而大幅提 高态势理解效率。 

    ２）各方势力分布计算：在理解战场情况基础 上，综合各组兵力的装备性能、指挥训练水平、所在 环境限制和支援保障条件等因素，粗略估算出各自 势力范围、强弱分布，如哪里是敌方的禁入区域、我 方的优势区域、双方争夺的热点区域或均能出入的 自由区域等，便于指挥员对整体战场形势优劣快速 形成判断。 

    ３）体系作战重心分析：在计算各方势力分布基 础上，结合各方的意图动机，进一步分析出体系作战 的重心所在。如对于进攻方而言对方的防御体系要 害，或对于防守方而言对方最有可能攻击的保卫目 标等，从而为指挥员规划调整兵力的投入提供支持。 

    ４）交战形势及机遇判断：交战形势不能简单按 照兵力强弱或攻守关系判断，因为各方目的不同，应 以照此打下去各方达成目的的概率为依据。随着兵 力消长和时空变换，形势优劣时刻在变，抓住机遇重 拳出击，达成目的的概率就能提升。结合 Ａｌ ｐｈａＧｏ 的价值网络模型，和美军“深绿”中的快速推演，有可 能实现形势和机遇的快速判断，从而帮助指挥员把 握战机。 

    ５）变化趋势滚动预测：在作战过程中，指挥员 较难决策的往往是未来的行动方向，因为对战争趋 势难以把握。借助强大的仿真计算环境，完全有可 能模拟出整个战场态势的演化过程，同时基于实时 掌握的最新态势数据不断更新，就能够实现战场变 化趋势的滚动预测，从而引导指挥员提前做出相应 的调整，步步抢占先机。
4.3　智能决策建议优化 

    １）任务规划智能决策建议：传统任务规划系统 主要功能是提供作业工具，而决策仍以人为主。应 用知识推理和搜索求解等人工智能技术，将打击目 标清单、使用作战兵力、作战／协同／行动计划及费效 分析等简单的参谋作业自动化，实现机器对人的决 策建议，从而提高规划效率。 

    ２）方案推演分析及优化建议：传统的计划推演 是按照既定路线演练一遍，主要用于冲突检测。方 案推演则是验证一种作战思路／构想是否可行及其 效果，需考虑对抗中各种可能的变化反复进行推演。 建立各类作战单元和指挥节点的 ＡＩ模型，使其根据情况自主决策，从而模拟真实的对抗环境，通过剧 情分支自动生成、多分支并行推演和结果综合分析， 得出方案综合效能评价，帮助指挥员发现最佳行动 方案。 

    ３）临机决策智能建议及自动生成：平时的演习 训练会积累大量经验，针对何情况应该如何处置，有 大量可供参考的预案。行动前，指挥员也会对战中 可能遇到的情况预先估计，提前制定应对策略。利 用机器学习方法从历史数据中挖掘潜在规律，自动 匹配推演最适合当前情况的预案，同时应用知识推 理和搜索求解等方法，按照策略自动推理搜索处置 方案、计算生成行动指令，从而提高指挥员快速应对 战场情况的处置能力。 

    ４）基于群体智能的战略战役筹划：战略级与战 役级筹划艺术性较强，机器智能短时间内无法胜任。 但机器可以提供便利，通过多人建议的观点自动抽 取、相似性分析、聚类、裁决和融合集成等技术，集成 众多智囊团专家的指挥，拓展当局者思路，实现战略 与战役层的众筹和众策。
4.4　智能人机协同交互 

    １）自然人机交互设备：传统指挥所人机交互主 要以鼠标、键盘、大屏和投影等为主。未来可利用语 音、手势、表情、眼动、脑电和肌电等先进的人机交互 设备技术，通过多通道的交互验证和相互补充，最大 限度实现人机交互的自然、方便与快捷。 

    ２）智能人机交互软件：与硬件设备相配套，可 通过语音识别、草图识别、自然语言理解和智能问答 系统等智能化人机交互软件技术，改善指挥员人机 交互的体验，让指挥员感觉像与人交谈一样方便和 自然，大幅提升指挥所人机交互效率。 

    ３）沉浸式感知研讨：传统的网络化协同研讨环 境主要以电话、视频会议、白板和协同标绘等手段为 主，给人的沉浸感较差。利用虚拟现实和全息投影 等技术，可打造虚拟战场环境、全息电子沙盘及虚拟 研讨大厅等新手段，为指挥员提供一种身临其境的 态势感知和面对面的交流研讨体验。 

    ４）穿戴式远程指挥：由于单兵野外作战的轻便 性与动态性限制，传统电话、手机和平板等远程指挥 设备的操作性不佳。利用增强现实技术，可通过头 盔和眼镜等穿戴式设备，将作战现场的地图指示、建 筑标识、敌人位置、队友状态和指挥命令等信息实时 展现给士兵，大幅提升单兵野外作战的远程指挥 能力。 上述关键技术一旦取得突破，将可应用于以智能化为特征的下一代指挥控制系统研制建设。建议 开展智能参谋系统技术重点工程，对上述关键技术 进行集成应用和演示验证，达到能够在一定程度上 取代传统参谋人员，利用智能化技术直接辅助指挥 员决策。 

５　结束语 

    指挥控制智能化发展是大势所趋。对指挥控制 智能化发展的需求和国内外现状进行了分析，针对 知识和数据基础建设的问题提出了解决思路，并初 步梳理了智能指挥控制关键技术体系。目前，究竟 哪些技术能够在短时间内快速突破，尚无法给出明 确答案，这取决于人工智能技术的发展以及知识与 数据的积累程度。某些民用领域中，人工智能技术 成果可在指挥控制领域中找到对应点进行转化，从 而加速关键技术的突破。然而，只要是探索，就必定 存在失败可能与风险。在目前情况下，国内发展指 挥控制智能化，应鼓励支持多样化和多角度的创新 研究，加强试验验证，成熟一个应用一个。

参考文献：略