分享人工智能相关新闻和分析的板块。
人工智能战斗机——AI如何学习战斗
Author
김 경진
Date
2026-02-25 21:48
Views
36
第三部 AI如何学习战斗
1. 数千万次虚拟死亡
高度25000英尺。在模拟天空中，一架由AI操控的F-16急速俯冲。它将机头转向敌机，但速度损失太快。飞机失速，径直坠向地面。屏幕上出现"击落"字样，模拟重新开始。
这个AI刚刚死了。但一秒钟后，它重新出现在同一片天空。再次向敌机冲去。这次角度略有不同，时机也略有不同。
这个过程每天重复数百万次。
人类飞行员要成为老手需要数千小时的飞行时间。从空军学院毕业，完成基础飞行训练，接受战斗机改装训练，分配到作战部队，服役数年后才能真正独当一面。而一名飞行员一生能积累的飞行时间最多不过2000到3000小时。因为存在种种限制——身体的限制、服役年限的限制，最重要的是生命的限制。一次坠毁，一切就结束了。
但AI没有这些限制。在虚拟空间中，AI可以无限次死亡，无限次重生。
2020年8月，在美国国防高级研究计划局（DARPA）主办的"阿尔法狗斗"（AlphaDogfight）大赛中，获胜的赫伦系统公司（Heron Systems）的AI在比赛前已经进行了约40亿次虚拟战斗。这相当于人类飞行员约31年的飞行经验。
赫伦系统公司工程师本·贝尔（Ben Bell）说："我们的AI与102个不同的智能体对战训练。这使它足够强大，能应对任何对手。"
强化学习的原理出奇地简单，就像婴儿学走路一样。没有父母会告诉婴儿"把膝盖弯到这个角度，把重心前移"。婴儿只是站起来摔倒，站起来再摔倒，重复数百次。然后某天迈出了一步，父母鼓掌，它便明白"啊，这才是对的"。摔倒会痛，走路有奖赏。
AI的强化学习也是如此。刚被投入虚拟世界时，AI连飞机是什么都不知道。它不知道怎么操纵驾驶杆，不知道何时发射导弹。它只是随机尝试各种动作。大多数时候它会坠毁或被击落。每次系统都会给AI一个负分。相反，当它咬住敌机尾部、命中机炮射击或击落对手时，就会获得正分。AI唯一的目标就是使累计分数最大化。
关键在于奖励函数（Reward Function）的设计。如果只说"击落敌机"，AI可能会学会神风特攻战术——自杀式冲锋同归于尽。因此工程师必须设计非常精密的奖励体系：击落敌机但自己要活下来；占据敌机六点钟方向得额外加分；鲁莽机动浪费能量则扣分；进入民用区域则重罚。
洛克希德·马丁的阿尔法狗斗参赛团队在退役F-16飞行员的指导下设计了这一奖励体系。飞行员数十年的经验被转化为方程式和权重。
在阿尔法狗斗决赛中，赫伦系统公司的AI以5比0完胜人类飞行员"Banger"。其中有一个令人震惊的瞬间——AI在与人类正面对飞时开炮射击。这被称为"迎头射击"（Head-on Gunshot）。人类飞行员出于对碰撞的恐惧本能地回避这种机动，训练规定也禁止这样做。但AI通过数千万次虚拟死亡，自己发现了"在碰撞前0.1秒精确射击，就能在自己死亡前先击落敌机"的答案。
没有人教过它这个战术。这是AI通过无限试错发现的胜利方程式。
这个过程被称为"课程学习"（Curriculum Learning）。如果一开始就让AI与老手对决，它什么也学不到，只会不断死亡。所以先从保持平飞开始学起，然后练习瞄准静止目标，逐渐面对更强的对手。在最后阶段，它与自己——或过去版本的自己对战。这叫"自我对弈"（Self-Play），与AlphaGo征服围棋时使用的方法相同。
归根结底，强化学习始于"失败的自由"。现实中的飞行员一次失败就意味着死亡。但在虚拟世界中，AI通过数千万次死亡获得不死之身。它在几天之内压缩了人类一代人的经验积累。
这就是阿尔法狗斗的AI能够压倒老牌飞行员的真正原因。AI并非单纯计算速度快，而是通过数千万次死亡积累了人类一生都无法获得的经验量。
2. 将模拟经验移植到现实
如果把在虚拟战斗中百战百胜的AI放进真正的F-16座舱，它能立刻称霸天空吗？答案是否定的。
模拟中的天空在数学上是完美的。风按计算吹拂，空气密度均匀，发动机始终以100%效率运转。传感器发送无噪声的清洁数据，通信零延迟。但现实完全不同——突风来袭、云层遮蔽传感器、通信信号中断、机体产生不可预测的振动。在模拟中胜率100%的AI，可能在第一次真实飞行中就坠毁。
这个差距被称为"现实差距"（Reality Gap）。弥合这一差距的技术叫做Sim2Real——"从模拟到现实"。这是AI战斗机开发的核心难题。
第一个Sim2Real策略是"域随机化"（Domain Randomization）——故意把模拟环境搞乱。训练过程中随机改变风力强度，微调飞机重心，让发动机推力在80%到120%之间波动，在传感器数据中故意添加噪声，注入通信延迟。在这种"脏乱"环境中训练的AI会把现实世界视为"又一个噪声较大的模拟"。
第二个策略是"数字孪生"（Digital Twin）——持续将真实数据输入模拟中。实时收集真实飞机的飞行数据来更新虚拟飞机模型。随着这一循环不断重复，AI在现实中越来越强。
美国空军运行X-62A VISTA实验机来验证Sim2Real技术。这架改装的F-16D允许AI实际控制飞机。2022年12月，AI驾驶的飞行测试在爱德华兹空军基地上空开始。在前12次飞行中，AI完成了近距格斗和超视距交战场景。在超过17小时的自主飞行中，飞机在遵守实际空域限制的同时优化了性能。
2023年，X-62A VISTA在AI控制下与有人驾驶的F-16进行了实际空战——这是世界首次真正的"人类对AI"空中交战。
2024年5月，美国空军部长弗兰克·肯德尔（Frank Kendall）亲自登上X-62A的座舱。飞行结束后他说："我认为可以信任AI的武器发射权限。"
"运行时保障"（Runtime Assurance）系统实时监控AI的所有行为。如果AI的指令超出飞机结构极限或导致撞地轨迹，系统立即切断AI控制并将飞机恢复到安全状态。在所有X-62A测试飞行中，安全飞行员从未强制关闭过AI。
未来的AI战斗机在起飞前就具备基本战斗技能，但会在战斗中通过识别敌方模式实时进化。这叫"元学习"（Meta-Learning）——根据飞机状态变化或敌方战术变化实时微调神经网络。
Sim2Real是虚拟智能穿上物理躯体、学习现实法则的过程。在机器人学中，这叫做"具身化"（Embodiment）。AI要成为真正的战士，就必须离开模拟中洁净的天空，降临到现实中粗粝的天空。
3. 传感器融合：整合雷达、光电/红外和电子支援数据
空战制胜的秘诀很简单：先看到，先开火。但"看到"是一个比想象中复杂得多的问题。
现代空战在数百公里外就已决出胜负——远在飞行员目视确认敌机之前。这叫"超视距交战"（Beyond Visual Range, BVR）。问题是没有任何传感器是完美的。
雷达发射电磁波并探测反射波，能确定目标的位置和速度。但隐身战斗机可以最大限度减少雷达反射。而且雷达发射电波也会暴露自身位置。
光电/红外（EO/IR）传感器以不同方式探测敌机——感知敌机发动机散发的热量。由于不发射电波，因此隐蔽性强。但测距精度不如雷达，且在恶劣天气下表现差。
电子支援措施（ESM）被动监听敌方辐射。当敌方雷达开机的瞬间，分析其频率模式以确定位置和机型。但如果敌方关闭雷达，ESM就无用武之地。
人类飞行员几乎不可能在瞬间将所有传感器数据在脑中整合。这就是人类"认知负荷"的极限。
AI的真正力量在此显现："传感器融合"（Sensor Fusion）。AI同时分析和整合来自雷达、EO/IR和ESM的数据，构建一幅完整的态势图。当雷达报告"前方50公里处有物体"、红外传感器报告"前方48公里处探测到热源"时，AI判断这是同一架敌机还是两个不同目标，通过"数据关联"将其修正合并为单一"航迹"。
F-35闪电II是传感器融合技术的结晶。其分布式孔径系统（DAS）由安装在机体四周的6个红外摄像头组成，在飞行员头盔显示器上提供360度全景图像。飞行员称之为"上帝视角"（God's Eye View）。
当敌方实施干扰时，AI交叉验证ESM数据和红外图像。如果雷达显示目标但没有热信号，AI将其判定为"诱饵"并从显示器上删除。这一切在毫秒级完成。
欧洲的FCAS和GCAP项目追求"云传感器融合"——编队内所有有人和无人飞机共享传感器信息。传感器融合是驱散战争迷雾的技术。这才是第五代、第六代战斗机的真正实力。不是隐身，是融合。
4. 目标探测、跟踪与识别：ATR和多目标跟踪
高度25000英尺。座舱外的天空湛蓝清澈，但平静之下潜藏着致命的紧张感。雷达告警接收机开始哔哔作响——有人在看着我。战术显示器上出现了六个绿点。是敌是友，还是路过的民航机——我无法判断。以时速1000公里飞行，如果其中一个点是来杀我的敌机，我只有几秒钟的时间。
过去，战斗机飞行员在这个时刻完全依靠自己的眼睛和直觉。我们称之为"Mk.1目视"——人的肉眼。即使雷达捕捉到了什么，要确切知道那是什么，唯一的办法就是亲眼确认。问题是到那时，敌方导弹可能已经发射了。
这正是ATR（自动目标识别）登场的地方。其核心是深度学习——AI通过观看数百万张图像自主学习模式。它学习敌方坦克、战斗机、导弹发射架的形状和特征。
合成孔径雷达（SAR）能穿透云层，在夜间和雨中成像地面。训练有素的分析员需要数小时解读SAR图像。但AI在0.1秒内就能给出答案："那个阴影下藏着一辆T-72坦克。炮塔旋转了15度，发动机正在运转。"
美国国防部的"梅文计划"（Project Maven）展示了这项技术的威力。AI全天候分析无人机侦察画面，标记可疑场景供人类审查，让分析员能专注于真正重要的判断。
多目标跟踪（Multi-Target Tracking）处理多个敌人。现代战争中，数十架无人机像蜂群般涌来，真正的战斗机隐藏其中。人类大脑同时跟踪三四个以上目标就很吃力。AI可以同时跟踪数百个目标，为每个目标分配唯一编号，计算轨迹，预测位置。
2024年7月，美国空军启动了"ATA-AI"项目——投入9900万美元开发针对隐身飞机、高超音速武器和无人机蜂群的下一代目标跟踪技术。
核心算法之一是卡尔曼滤波器（Kalman Filter），一种1960年代开发的预测运动物体位置的数学公式。现代AI更进一步——学习敌机的行为模式来预测其倾向。
中国正在将精密的光电跟踪系统整合到歼-20上，并开发探测美国隐身飞机的算法。欧洲的FCAS项目追求"战斗云"（Combat Cloud）概念——所有空中平台连接成一个巨大网络，实时共享各自看到的一切。
空战法则没有改变：先看到（First Look）、先开火（First Shoot）、先击杀（First Kill）的一方获胜。改变的是速度。人类判断需要数百毫秒。AI以微秒级运行。但人类仍然不可或缺——最终决定权属于人。指挥一只名为AI的强大猎犬的猎人——这就是未来战斗机飞行员的角色。
5. 可解释人工智能（XAI）
1988年7月3日，波斯湾。美国海军宙斯盾巡洋舰文森斯号（USS Vincennes）的计算机系统将一个不明航迹判定为伊朗空军F-14战斗机。舰长下令发射导弹。但那不是F-14，而是伊朗航空655号航班——一架民用客机。全部290名乘客和机组人员遇难。系统显示了错误信息，在极度紧张的状态下，船员盲目相信了它。系统从未解释为什么得出那个结论。这就是"黑箱"（Black Box）问题。
对战斗机飞行员来说，信任等于生命。如果我的AI僚机突然冲向敌方纵深，而我的雷达什么也没显示，我会被恐惧攫住。无法理解的行为与叛变无异。
2020年，赫伦系统公司的AI"法尔科"（Falco）在DARPA的阿尔法狗斗大赛中以5比0击败人类飞行员"Banger"。法尔科执行了人类绝不会尝试的机动。Banger赛后说："它的射击精准得令人难以置信。但我无法预测它为什么那样机动，下一步会做什么。"
XAI（可解释人工智能）用人类可理解的语言解释AI为何做出特定决策。DARPA于2016年启动XAI计划。以前的AI只会说"敌方坦克，概率97%"，而XAI会说："T-90坦克。炮塔形状与数据库匹配度95%。红外传感器捕获的发动机热分布呈现柴油发动机特征。护卫车辆编队与俄军装甲部队条令一致。"
2025年4月，美国空军发布了AFDN 25-1，要求军事AI开发使用"透明且可解释的算法"。
"信任校准"（Trust Calibration）至关重要——既不能过度信任也不能过度不信任AI。法国国防企业泰雷兹（Thales）提出"TrUE AI"口号——透明的（Transparent）、可理解的（Understandable）、合乎伦理的（Ethical）人工智能。
2024年5月，肯德尔部长在AI执行战斗机动时乘坐了X-62A VISTA。这种信任是在AI能够解释其机动之后才建立起来的。
XAI有其局限——生成解释需要额外计算，战斗不容许延迟。对抗性攻击可能利用暴露的推理过程。责任伦理问题依然存在。
国际红十字委员会和美国国防部都强调"有意义的人类控制"（Meaningful Human Control）原则。但在高超音速导弹和无人机蜂群来袭的瞬间，人类是否有时间介入？也许没有。
XAI的本质是在部署前通过数千种场景进行测试，验证AI在各种情况下如何判断。是让AI能够诚实地说："这种情况超出了我的训练范围。人类，请您来决定。"
没有解释的智能，在战场上与疯狂无异。我们需要的不是黑箱中的幽灵，而是能把后背托付的战友。XAI正是我们为打造这样的战友所做的努力。
1. 数千万次虚拟死亡
高度25000英尺。在模拟天空中，一架由AI操控的F-16急速俯冲。它将机头转向敌机，但速度损失太快。飞机失速，径直坠向地面。屏幕上出现"击落"字样，模拟重新开始。
这个AI刚刚死了。但一秒钟后，它重新出现在同一片天空。再次向敌机冲去。这次角度略有不同，时机也略有不同。
这个过程每天重复数百万次。
人类飞行员要成为老手需要数千小时的飞行时间。从空军学院毕业，完成基础飞行训练，接受战斗机改装训练，分配到作战部队，服役数年后才能真正独当一面。而一名飞行员一生能积累的飞行时间最多不过2000到3000小时。因为存在种种限制——身体的限制、服役年限的限制，最重要的是生命的限制。一次坠毁，一切就结束了。
但AI没有这些限制。在虚拟空间中，AI可以无限次死亡，无限次重生。
2020年8月，在美国国防高级研究计划局（DARPA）主办的"阿尔法狗斗"（AlphaDogfight）大赛中，获胜的赫伦系统公司（Heron Systems）的AI在比赛前已经进行了约40亿次虚拟战斗。这相当于人类飞行员约31年的飞行经验。
赫伦系统公司工程师本·贝尔（Ben Bell）说："我们的AI与102个不同的智能体对战训练。这使它足够强大，能应对任何对手。"
强化学习的原理出奇地简单，就像婴儿学走路一样。没有父母会告诉婴儿"把膝盖弯到这个角度，把重心前移"。婴儿只是站起来摔倒，站起来再摔倒，重复数百次。然后某天迈出了一步，父母鼓掌，它便明白"啊，这才是对的"。摔倒会痛，走路有奖赏。
AI的强化学习也是如此。刚被投入虚拟世界时，AI连飞机是什么都不知道。它不知道怎么操纵驾驶杆，不知道何时发射导弹。它只是随机尝试各种动作。大多数时候它会坠毁或被击落。每次系统都会给AI一个负分。相反，当它咬住敌机尾部、命中机炮射击或击落对手时，就会获得正分。AI唯一的目标就是使累计分数最大化。
关键在于奖励函数（Reward Function）的设计。如果只说"击落敌机"，AI可能会学会神风特攻战术——自杀式冲锋同归于尽。因此工程师必须设计非常精密的奖励体系：击落敌机但自己要活下来；占据敌机六点钟方向得额外加分；鲁莽机动浪费能量则扣分；进入民用区域则重罚。
洛克希德·马丁的阿尔法狗斗参赛团队在退役F-16飞行员的指导下设计了这一奖励体系。飞行员数十年的经验被转化为方程式和权重。
在阿尔法狗斗决赛中，赫伦系统公司的AI以5比0完胜人类飞行员"Banger"。其中有一个令人震惊的瞬间——AI在与人类正面对飞时开炮射击。这被称为"迎头射击"（Head-on Gunshot）。人类飞行员出于对碰撞的恐惧本能地回避这种机动，训练规定也禁止这样做。但AI通过数千万次虚拟死亡，自己发现了"在碰撞前0.1秒精确射击，就能在自己死亡前先击落敌机"的答案。
没有人教过它这个战术。这是AI通过无限试错发现的胜利方程式。
这个过程被称为"课程学习"（Curriculum Learning）。如果一开始就让AI与老手对决，它什么也学不到，只会不断死亡。所以先从保持平飞开始学起，然后练习瞄准静止目标，逐渐面对更强的对手。在最后阶段，它与自己——或过去版本的自己对战。这叫"自我对弈"（Self-Play），与AlphaGo征服围棋时使用的方法相同。
归根结底，强化学习始于"失败的自由"。现实中的飞行员一次失败就意味着死亡。但在虚拟世界中，AI通过数千万次死亡获得不死之身。它在几天之内压缩了人类一代人的经验积累。
这就是阿尔法狗斗的AI能够压倒老牌飞行员的真正原因。AI并非单纯计算速度快，而是通过数千万次死亡积累了人类一生都无法获得的经验量。
2. 将模拟经验移植到现实
如果把在虚拟战斗中百战百胜的AI放进真正的F-16座舱，它能立刻称霸天空吗？答案是否定的。
模拟中的天空在数学上是完美的。风按计算吹拂，空气密度均匀，发动机始终以100%效率运转。传感器发送无噪声的清洁数据，通信零延迟。但现实完全不同——突风来袭、云层遮蔽传感器、通信信号中断、机体产生不可预测的振动。在模拟中胜率100%的AI，可能在第一次真实飞行中就坠毁。
这个差距被称为"现实差距"（Reality Gap）。弥合这一差距的技术叫做Sim2Real——"从模拟到现实"。这是AI战斗机开发的核心难题。
第一个Sim2Real策略是"域随机化"（Domain Randomization）——故意把模拟环境搞乱。训练过程中随机改变风力强度，微调飞机重心，让发动机推力在80%到120%之间波动，在传感器数据中故意添加噪声，注入通信延迟。在这种"脏乱"环境中训练的AI会把现实世界视为"又一个噪声较大的模拟"。
第二个策略是"数字孪生"（Digital Twin）——持续将真实数据输入模拟中。实时收集真实飞机的飞行数据来更新虚拟飞机模型。随着这一循环不断重复，AI在现实中越来越强。
美国空军运行X-62A VISTA实验机来验证Sim2Real技术。这架改装的F-16D允许AI实际控制飞机。2022年12月，AI驾驶的飞行测试在爱德华兹空军基地上空开始。在前12次飞行中，AI完成了近距格斗和超视距交战场景。在超过17小时的自主飞行中，飞机在遵守实际空域限制的同时优化了性能。
2023年，X-62A VISTA在AI控制下与有人驾驶的F-16进行了实际空战——这是世界首次真正的"人类对AI"空中交战。
2024年5月，美国空军部长弗兰克·肯德尔（Frank Kendall）亲自登上X-62A的座舱。飞行结束后他说："我认为可以信任AI的武器发射权限。"
"运行时保障"（Runtime Assurance）系统实时监控AI的所有行为。如果AI的指令超出飞机结构极限或导致撞地轨迹，系统立即切断AI控制并将飞机恢复到安全状态。在所有X-62A测试飞行中，安全飞行员从未强制关闭过AI。
未来的AI战斗机在起飞前就具备基本战斗技能，但会在战斗中通过识别敌方模式实时进化。这叫"元学习"（Meta-Learning）——根据飞机状态变化或敌方战术变化实时微调神经网络。
Sim2Real是虚拟智能穿上物理躯体、学习现实法则的过程。在机器人学中，这叫做"具身化"（Embodiment）。AI要成为真正的战士，就必须离开模拟中洁净的天空，降临到现实中粗粝的天空。
3. 传感器融合：整合雷达、光电/红外和电子支援数据
空战制胜的秘诀很简单：先看到，先开火。但"看到"是一个比想象中复杂得多的问题。
现代空战在数百公里外就已决出胜负——远在飞行员目视确认敌机之前。这叫"超视距交战"（Beyond Visual Range, BVR）。问题是没有任何传感器是完美的。
雷达发射电磁波并探测反射波，能确定目标的位置和速度。但隐身战斗机可以最大限度减少雷达反射。而且雷达发射电波也会暴露自身位置。
光电/红外（EO/IR）传感器以不同方式探测敌机——感知敌机发动机散发的热量。由于不发射电波，因此隐蔽性强。但测距精度不如雷达，且在恶劣天气下表现差。
电子支援措施（ESM）被动监听敌方辐射。当敌方雷达开机的瞬间，分析其频率模式以确定位置和机型。但如果敌方关闭雷达，ESM就无用武之地。
人类飞行员几乎不可能在瞬间将所有传感器数据在脑中整合。这就是人类"认知负荷"的极限。
AI的真正力量在此显现："传感器融合"（Sensor Fusion）。AI同时分析和整合来自雷达、EO/IR和ESM的数据，构建一幅完整的态势图。当雷达报告"前方50公里处有物体"、红外传感器报告"前方48公里处探测到热源"时，AI判断这是同一架敌机还是两个不同目标，通过"数据关联"将其修正合并为单一"航迹"。
F-35闪电II是传感器融合技术的结晶。其分布式孔径系统（DAS）由安装在机体四周的6个红外摄像头组成，在飞行员头盔显示器上提供360度全景图像。飞行员称之为"上帝视角"（God's Eye View）。
当敌方实施干扰时，AI交叉验证ESM数据和红外图像。如果雷达显示目标但没有热信号，AI将其判定为"诱饵"并从显示器上删除。这一切在毫秒级完成。
欧洲的FCAS和GCAP项目追求"云传感器融合"——编队内所有有人和无人飞机共享传感器信息。传感器融合是驱散战争迷雾的技术。这才是第五代、第六代战斗机的真正实力。不是隐身，是融合。
4. 目标探测、跟踪与识别：ATR和多目标跟踪
高度25000英尺。座舱外的天空湛蓝清澈，但平静之下潜藏着致命的紧张感。雷达告警接收机开始哔哔作响——有人在看着我。战术显示器上出现了六个绿点。是敌是友，还是路过的民航机——我无法判断。以时速1000公里飞行，如果其中一个点是来杀我的敌机，我只有几秒钟的时间。
过去，战斗机飞行员在这个时刻完全依靠自己的眼睛和直觉。我们称之为"Mk.1目视"——人的肉眼。即使雷达捕捉到了什么，要确切知道那是什么，唯一的办法就是亲眼确认。问题是到那时，敌方导弹可能已经发射了。
这正是ATR（自动目标识别）登场的地方。其核心是深度学习——AI通过观看数百万张图像自主学习模式。它学习敌方坦克、战斗机、导弹发射架的形状和特征。
合成孔径雷达（SAR）能穿透云层，在夜间和雨中成像地面。训练有素的分析员需要数小时解读SAR图像。但AI在0.1秒内就能给出答案："那个阴影下藏着一辆T-72坦克。炮塔旋转了15度，发动机正在运转。"
美国国防部的"梅文计划"（Project Maven）展示了这项技术的威力。AI全天候分析无人机侦察画面，标记可疑场景供人类审查，让分析员能专注于真正重要的判断。
多目标跟踪（Multi-Target Tracking）处理多个敌人。现代战争中，数十架无人机像蜂群般涌来，真正的战斗机隐藏其中。人类大脑同时跟踪三四个以上目标就很吃力。AI可以同时跟踪数百个目标，为每个目标分配唯一编号，计算轨迹，预测位置。
2024年7月，美国空军启动了"ATA-AI"项目——投入9900万美元开发针对隐身飞机、高超音速武器和无人机蜂群的下一代目标跟踪技术。
核心算法之一是卡尔曼滤波器（Kalman Filter），一种1960年代开发的预测运动物体位置的数学公式。现代AI更进一步——学习敌机的行为模式来预测其倾向。
中国正在将精密的光电跟踪系统整合到歼-20上，并开发探测美国隐身飞机的算法。欧洲的FCAS项目追求"战斗云"（Combat Cloud）概念——所有空中平台连接成一个巨大网络，实时共享各自看到的一切。
空战法则没有改变：先看到（First Look）、先开火（First Shoot）、先击杀（First Kill）的一方获胜。改变的是速度。人类判断需要数百毫秒。AI以微秒级运行。但人类仍然不可或缺——最终决定权属于人。指挥一只名为AI的强大猎犬的猎人——这就是未来战斗机飞行员的角色。
5. 可解释人工智能（XAI）
1988年7月3日，波斯湾。美国海军宙斯盾巡洋舰文森斯号（USS Vincennes）的计算机系统将一个不明航迹判定为伊朗空军F-14战斗机。舰长下令发射导弹。但那不是F-14，而是伊朗航空655号航班——一架民用客机。全部290名乘客和机组人员遇难。系统显示了错误信息，在极度紧张的状态下，船员盲目相信了它。系统从未解释为什么得出那个结论。这就是"黑箱"（Black Box）问题。
对战斗机飞行员来说，信任等于生命。如果我的AI僚机突然冲向敌方纵深，而我的雷达什么也没显示，我会被恐惧攫住。无法理解的行为与叛变无异。
2020年，赫伦系统公司的AI"法尔科"（Falco）在DARPA的阿尔法狗斗大赛中以5比0击败人类飞行员"Banger"。法尔科执行了人类绝不会尝试的机动。Banger赛后说："它的射击精准得令人难以置信。但我无法预测它为什么那样机动，下一步会做什么。"
XAI（可解释人工智能）用人类可理解的语言解释AI为何做出特定决策。DARPA于2016年启动XAI计划。以前的AI只会说"敌方坦克，概率97%"，而XAI会说："T-90坦克。炮塔形状与数据库匹配度95%。红外传感器捕获的发动机热分布呈现柴油发动机特征。护卫车辆编队与俄军装甲部队条令一致。"
2025年4月，美国空军发布了AFDN 25-1，要求军事AI开发使用"透明且可解释的算法"。
"信任校准"（Trust Calibration）至关重要——既不能过度信任也不能过度不信任AI。法国国防企业泰雷兹（Thales）提出"TrUE AI"口号——透明的（Transparent）、可理解的（Understandable）、合乎伦理的（Ethical）人工智能。
2024年5月，肯德尔部长在AI执行战斗机动时乘坐了X-62A VISTA。这种信任是在AI能够解释其机动之后才建立起来的。
XAI有其局限——生成解释需要额外计算，战斗不容许延迟。对抗性攻击可能利用暴露的推理过程。责任伦理问题依然存在。
国际红十字委员会和美国国防部都强调"有意义的人类控制"（Meaningful Human Control）原则。但在高超音速导弹和无人机蜂群来袭的瞬间，人类是否有时间介入？也许没有。
XAI的本质是在部署前通过数千种场景进行测试，验证AI在各种情况下如何判断。是让AI能够诚实地说："这种情况超出了我的训练范围。人类，请您来决定。"
没有解释的智能，在战场上与疯狂无异。我们需要的不是黑箱中的幽灵，而是能把后背托付的战友。XAI正是我们为打造这样的战友所做的努力。