1 AI 参谋系统

1-1 海量信息分析与实时态势感知

指挥官若要做出正确决策，必须准确掌握战场上发生的一切情况。这被称为“态势感知”，正如医生必须准确了解患者状况才能进行正确治疗一样。

然而，人类处理信息的能力是有限的。在同时查看无数屏幕和报告时，几乎不可能在不遗漏重要信息的情况下进行快速分析。在紧张的战斗情况下，疲劳和压力更容易使判断力变得模糊。

此时，人工智能 (AI) 参谋系统便充当了指挥官的耳目和快速大脑。AI 不知疲倦，分析海量数据的速度远超人类。

AI 参谋系统实时收集并整合来自多方的信息，包括无人机影像、雷达信息、友军报告、敌方通信监听内容等。除了单纯的信息收集，AI 还能识别这些信息之间的关联性并判断其重要程度。

例如，如果某一地区的敌方通信量突然增加，同时卫星照片显示兵力移动，AI 会将其判定为重要信号并立即通知指挥官。AI 能够发现人类容易忽略的细微变化或隐藏模式。

AI 能够过滤掉不必要或可信度低的信息，使指挥官能专注于重要信息。就像自动过滤垃圾邮件的过滤器一样，AI 能从海量信息中区分出真正重要的‘信号’和无关紧要的‘噪音’。

这些经过提炼的信息以易于理解的视觉化方式呈现给指挥官。例如，电子地图上会实时显示敌军位置、友军部署、危险区域等。指挥官可以通过该屏幕对复杂的战场态势一目了然。

在韩国，韩华系统 (Hanwha Systems) 也从 2020 年起在韩国国内率先着手开发‘AI 军事参谋’，投入了为期 4 年、规模达 150 亿韩元的预算开发智能战场感知服务。该系统基于 AI 参谋提供的统计和概率信息分析，帮助指挥官更迅速、更准确地感知战场态势并指挥作战。

指挥官不会在信息洪流中迷失方向，而能基于最新、最准确的信息洞察战场。这将带来更快、更英明的决策，从而提高友军的生存可能性，并将作战成功率最大化。

1-2 基于 AI 的决策支持原理

AI 参谋系统之所以不仅能分析信息和展示态势，还能在辅助指挥官决策方面发挥核心作用，归功于几个重要的原理。其中最具代表性的便是‘数据融合’、‘模式识别’和‘预测’。这三个原理紧密相连、协同运作，使 AI 能够为指挥官提供深刻的洞察力和合理的替代方案。

数据融合 (Data Fusion) 是将多块拼图拼接以完成整体画面的技术。它将来自多方的各类信息整合在一起，构建出更准确、更完整的图像。

雷达可以告知有物体正在飞来，但可能难以准确区分它是友军飞机还是敌军导弹。此时，如果综合考虑卫星照片、友军飞行计划、通信监听信息等，就能更准确地辨别该物体的身份。

AI 智能地结合这些具有不同形式和特征的数据，创造出仅凭单一信息无法获知的实事或更高层次的信息。通过数据融合，AI 克服了碎片化信息的局限性，提供了对战场态势更具可靠性且更丰富的理解。

模式识别 (Pattern Recognition) 是从海量数据中发现有意义的规则或重复趋势的能力。虽然人类可以通过经验模糊地预见特定情况下会发生什么，但 AI 能通过分析更庞大的数据，识别出人类无法察觉的复杂且微妙的模式。

学习了过去海量战斗数据的 AI，可以掌握敌军在特定地形偏好何种伏击作战，或者在特定时间段倾向于沿何种路径移动。它还能感知敌方通信方式或部队移动方式中出现的微小变化，从而识别出进攻准备征兆或欺骗战术等。

目前，美军在多域作战中利用 AI，试图通过基于大数据的多模态情感识别技术来掌握敌方意图。通过收集人的表情、动作、语言、语调、脑电波、生理指标等，建立情感关联，并以此开发识别人的情感和意图的新型认知战手段。

预测 (Prediction) 是基于通过数据融合和模式识别获得的信息，预先推测未来可能发生的事件或情况结果的能力。针对“如果友军沿 A 路径进攻，敌方最可能如何应对？”、“对 B 点进行炮击时，预期的损失规模和敌方反击的可能性是多少？”等问题，AI 可以提供基于概率的预测结果。

它还会对比分析多种可能的行动方案 (Course of Action, COA)，评估各自的成功可能性、预期风险因素、所需资源等，并向指挥官推荐有效方案。

虽然 AI 的预测并非始终 100% 准确，但它能让指挥官预先审视必须考虑的各种可能性，并衡量每个选项的潜在结果，从而支持指挥官做出更慎重且基于信息的决策。

综上所述，通过数据融合、模式识别和预测这三个核心原理，AI 参谋系统超越了单纯的信息传递者，发挥了实质性辅助指挥官决策过程的强大顾问作用。在复杂且不确定的战场态势中，支持指挥官更清晰地感知态势、更准确地预测未来、做出更英明的决策，这正是基于 AI 的决策支持的核心价值。

1-3 AI 参谋的数据分析

AI 参谋系统在为指挥官提供有用信息和支持决策之前，其内部会进行复杂而有序的数据分析过程。这一过程大体上可以分为五个阶段：“数据收集”、“数据预处理”、“建模”、“预测/分析”以及“评估”。

这与厨师寻找优质食材、清洗处理、根据合适的食谱进行烹饪，然后品尝并改进的过程类似。每个步骤对于 AI 产生准确且可靠的结果都至关重要。

数据收集 (Data Collection) 是 AI 分析的起点。战场上会产生形式非常多样的数据。包括侦察机或无人机拍摄的高分辨率图像或视频，雷达或声呐（声波探测器）等传感器发出的信号数据，士兵或部队之间往来的语音通信或文字消息，作战报告或情报文档等文本数据，甚至还包括天气信息或地形信息等环境数据。

近来，社交媒体数据甚至商业卫星数据也被应用于军事分析，数据的种类和数量正在呈爆炸式增长。

数据预处理 (Data Preprocessing) 是将收集到的原始数据“修整”成干净且便于分析的形式的过程。收集到的原始数据往往难以直接使用，因为数据中可能存在错误、中间缺失值，或者格式各异，无法直接投入分析。

去除通信数据中的噪点、调整图像分辨率、统一以不同单位记录的数值等都属于这一范畴。此外，还会执行从数据包含的各种特征中挑选出对分析目标更重要的特征（特征选择，Feature Selection），或者通过组合现有特征创造出新的有意义特征的工作（特征工程，Feature Engineering）。

虽然这个预处理过程在整个数据分析过程中最为耗费时间和精力，但它是决定数据质量并由此决定 AI 模型性能的关键阶段。这就像没有经过妥善处理的食材无法做出美味的料理一样。

建模 (Modeling) 是利用处理好的数据“训练” AI 执行特定任务的过程。“模型”是指为了解决特定问题而创建的人工智能算法。

我们可以通过让 AI 学习大量的卫星照片数据，创建一个能够区分敌方导弹发射车和普通卡车的“图像分类模型”。还可以通过学习过去的兵力移动数据和地形信息，创建一个能够预测未来敌军可能移动路径的“路径预测模型”。

目前，美国 CIA 为了开发与影像识别和预测分析相关的 AI，正在执行 140 多个课题，并正在开发嘈杂环境下的多语言语音识别、无元数据的影像地理位置确认、融合 2D 影像生成 3D 模型等技术。

预测/分析 (Prediction/Analysis) 是将训练好的 AI 模型应用于实际新数据以获取所需结果的过程。如果将新拍摄的卫星照片输入到前面提到的图像分类模型中，它就会判别照片中是否存在导弹发射车。

韩国国防科学研究所 (ADD) 正在开发用于无人机集群作战的集群智能 AI。这是利用了像蚁群或鸟群一样，虽然个体智能较低，但形成集群后能发挥惊人能力的现象。它被评价为一种可以通过大量运用廉价无人机，构建压倒敌方防御体系战力的创新技术。

评估 (Evaluation) 是衡量和验证生成的 AI 模型给出结果的准确性和有用程度的过程。例如，将 AI 预测的敌军移动路径与实际敌军移动路径进行比较，或者确认 AI 探测到的威胁信息是否真的是威胁。

评估结果成为客观判断模型性能的标准。如果性能不理想，则会回到之前的阶段，例如改进模型、追加收集数据或更改预处理方式，以此反映反馈。

为了使 AI 参谋系统持续变得更加聪明并提高可靠性，评估和改进的过程是必不可少的。这就像厨师品尝自己做的菜肴并不断改进食谱一样。

2 作战计划制定的革新

2-1 美国的 Thunderforge 项目

传统上，军队的作战计划制定是一个复杂且耗时的过程。经验丰富的参谋们聚集在一起，考虑敌军的预想行动、我军的能力、地形和天气、补给问题等无数因素，制定出多种可能的作战方案，并从中选择最佳方案，将其发展为具体的计划。这一过程需要大量的信息分析、讨论以及指挥官的最终决心，有时需要几天甚至几周的时间。

然而，现代战争呈现出不可预测的情况快速发展的态势，耗费如此多时间制定的计划可能会在瞬间变得毫无用处。因此，要求具备能够根据情况变化更快、更灵活地制定和修改作战计划的能力。

为了响应这一需求，美国正在进行各种利用人工智能 (AI) 革新作战计划制定过程的研究开发项目，其中最受关注的就是 “Thunderforge” 项目。

2025 年 3 月，美国国防创新局 (Defense Innovation Unit, DIU) 向总部位于旧金山的 Scale AI 公司发包的 Thunderforge 是一个将彻底改变美军作战计划制定的创新项目。该项目是美国国防部将 AI 整合到军事行动及战区级计划中的代表性计划，融合了先进的建模和模拟工具。

Thunderforge 的核心理念在于 AI 处理海量数据的速度远快于人类，能够探索无数的可能性，并生成接近最优解的作战计划草案。只要指挥官提出特定目标，Thunderforge 系统就能综合分析所有相关信息（敌方情报、友军部队现状、地形、气象、实时战场情况等），在数小时甚至数分钟内提出实现该目标的多种作战计划选项。

每个计划都会提供关于预想结果、所需资源、潜在风险因素等方面的分析信息。通过这种方式，指挥官和参谋们可以在更短的时间内审查各种可能性，并经过更深入的讨论做出最终决定。

Thunderforge 利用大语言模型 (LLM)、基于 AI 的模拟、交互式的基于代理的兵棋推演，提升美军作战准备和执行的方式。初期计划部署于美国印太司令部 (INDOPACOM) 和美国欧洲司令部 (EUCOM)，支持包括战役开发、战区级资源分配、战略评估在内的以任务为中心的计划活动。

DIU 的 Thunderforge 项目负责人布莱斯·古德曼（Bryce Goodman）解释说：“当今的军事规划过程依赖于数十年前的技术和方法论，这导致现代战争的速度与我们的应对能力之间存在根本性的脱节。Thunderforge 将基于 AI 的分析和自动化引入作战及战略规划，使决策者能够以应对新兴冲突所需的速度进行行动。”

开发这种先进的 AI 系统需要各领域的专业技术和企业间的紧密合作。Scale AI 正与微软（Microsoft）、谷歌（Google）以及国防承包商安杜里尔工业（Anduril Industries）合作开展该项目。

安杜里尔工业在将 AI 软件与无人机、传感器等实际军事装备集成，并通过网络连接构建智能指挥控制系统方面具有优势。他们的 Lattice 软件平台已集成到 Thunderforge 中，为 AI 生成的计划在实际作战环境中的执行或模拟提供了平台。

微软负责提供开发 AI 模型所需的强大云计算环境、基础设施以及大语言模型（LLM）等前沿 AI 技术。LLM 在理解和生成海量文本信息方面表现卓越，在作战文档分析、计划草案拟定等方面具有巨大的应用潜力。

Thunderforge 已于 2025 年 6 月在美国印太司令部的桌面演习中测试了部分 AI 功能，目前正处于针对欧洲司令部和印太司令部指挥官及规划者的初步部署阶段。最终，它将能够查询内部数据库，运行国防部级的模拟，并与 DARPA 的 SAFE-SiM 建模与模拟架构等现有软件集成，从而批量生成用于研究的、具有现实感且可信的军事场景。

即使在战斗中情况突变，AI 也能迅速分析现有计划的问题并提出新的替代方案，实现快速响应。虽然 Thunderforge 仍处于开发的初期研究阶段，但它的意义在于展示了 AI 不仅仅是自动化特定任务，还能支持军事作战规划这一复杂且具有创造性的领域。预计在未来战场上，它将增强人类指挥官的认知能力，实现更快、更有效的决策，从而为最大化战斗效率做出贡献。

2-2 自动生成作战计划草案及模拟

传统的军事作战计划制定过程是将指挥官的意图转化为具体行动指南的一项复杂且艰巨的任务。参谋人员需要构思达成目标的多种可行方法，即行动方案（Course of Action, COA），并对各方案的可行性、优缺点、风险因素等进行周密分析与对比评估。这一过程耗时耗力，在变量众多且形势多变的现代战争环境下尤为困难。人类参谋在短时间内能够构思并评估的行动方案数量存在现实的局限性。

AI 可以在“自动生成作战计划草案”和“对生成计划进行模拟”这两个核心领域发挥强大能力。这两项功能紧密相连，能够显著提升作战计划制定的速度和质量。

自动生成作战计划草案是指 AI 在给定的目标和约束条件下，迅速勾勒出可行作战计划蓝图的功能。将指挥官想要达成的最终目标、可动用的友军部队与资源、预期的敌军能力与行动模式、作战区域的地形与气象信息，以及必须遵守的交战规则或时间限制等信息输入 AI 系统。

随后，AI 会像经验丰富的参谋一样，根据输入信息自动生成多份作战计划草案，其中包括达成目标的逻辑步骤、各部队分配的任务以及所需的时间和资源等。

此时，AI 可以利用过往成功的作战案例数据、军事教义文档以及优化算法，提出人类可能未曾想到的创意性或高效方案。

重要的是，AI 生成的终归只是“草案”。这些草案的作用是为人类指挥官和参谋人员提供一个良好的起点，供他们审查并根据经验和直觉进行修改，最终完成计划。

如果 AI 能在几分钟或几小时内生成多份不同的计划草案，参谋人员就可以将更多精力集中在对比分析和完善各草案的优缺点上，而不是单纯耗费时间去起草计划。

模拟是指在虚拟环境中预先测试由 AI 生成或人类修改的作战计划草案将在实际战场上产生何种结果的功能。这类似于设计出一款新车后，在进行实际路测之前，先通过计算机模拟测试其碰撞安全性或燃油效率。

基于 AI 的模拟会创建一个尽可能还原现实的虚拟数字战场，包括作战区域的地形、天气、友军部队的能力数值以及预期的敌军行动模式等。然后，在这个虚拟战场中直接运行作战计划草案。

通过模拟，我们可以预先了解特定作战计划成功的概率、预期的友军伤亡或资源消耗量，以及作战过程中是否存在意想不到的问题，如特定路径的脆弱性或补给困难等。

美国国防高级研究计划局（DARPA）已经开发了“深绿”（Deep Green）系统，在指挥官的计划制定和决策过程中应用 AI 技术。该系统通过模拟测试多种战斗场景，帮助指挥官对比不同的战斗选项并做出最佳决策。

模拟允许测试各种“如果……会怎样”（What-if）的情境。通过应用各种变量，如“如果敌军从我们预想之外的路径发起攻击？”、“如果作战过程中天气突然恶化？”、“如果关键桥梁被摧毁？”等，来评估作战计划的稳健性和灵活性。

还可以对多份作战计划草案在相同条件下进行模拟，从而客观地比较哪份计划最为有效。这些模拟结果会反馈到作战计划制定过程中，用于修改现有计划或制定更好的新计划。也就是说，计划生成与模拟通过反复的循环过程，不断打造出完善程度更高的作战计划。

Thunderforge 项目将这一概念进一步升华，正在构建一个让 AI 智能体跨多个军事领域对战争计划进行批判性审查、执行并行分析并找出人类规划者遗漏的潜在弱点的系统。该系统允许将人类编写的计划提交给 AI 智能体团队，从而获得包括后勤、情报、网络及信息作战在内的多个领域的见解。

利用 AI 自动生成作战计划草案及模拟功能具有以下重要优势：显著缩短计划制定时间，从而能够快速响应瞬息万变的战场形势；AI 通过探索和模拟人类难以兼顾的海量变量与可能性，提高了审查更多行动方案并选择最佳计划的概率；通过在虚拟环境中的反复测试，提前识别并预防实际作战中可能出现的风险，从而提高作战成功率并最大限度减少友军伤亡；它还可以作为指挥官和参谋人员在模拟环境中亲自执行各种作战计划的训练工具。

运行基于 AI 的计划制定与模拟系统也面临着亟待解决的课题。例如，如何提高现实感、如何获取 AI 模型训练所需的海量且准确的数据、对 AI 提出的计划或预测结果的可信度如何、以及 AI 如何反映难以预测的人类创造力或意志等问题。

尽管如此，利用 AI 建立更快速、更智能、更安全的作战计划，将成为未来军事指挥控制的核心发展方向，并将成为决定战场胜负的关键因素。

3 作战仿真与兵棋推演

3-1 基于AI的虚拟战斗环境

战争不再是单纯的力量博弈。作为准备未来战斗最重要的工具之一，军事作战仿真与兵棋推演正随着人工智能（AI）的出现而焕然一新。

过去的仿真模拟就像过时的电子游戏。电脑控制的敌军总是以同样的方式行动，只要尝试几次就能轻松预测其模式。然而，在实际战场上遇到的敌人是不可预测的，且能运用极具创意的战术。受此类局限性影响，训练效果非常有限。

AI的发展改变了这一切。其核心正是“AI代理模型”。这是一种AI程序，能让仿真环境中的所有个体——士兵、坦克、战斗机、指挥官甚至平民——都像鲜活的生命一样思考和行动。

这些AI代理并非简单的机器人。它们各有独特的目标：努力生存、完成任务或防守特定地点。它们会自主掌握周边状况，发现敌人后通过分析地形做出最佳判断。例如，AI坦克在感应到敌方反坦克导弹攻击时，会立即释放烟幕弹并移动到最安全的掩体后。多个AI代理还会相互协作，运用包围攻击或欺骗作战等复杂战术。

这得益于机器学习和强化学习技术。强化学习是指AI通过重复无数次仿真，自主学习哪些行为会带来好结果、哪些行为会带来坏结果的方式。这就像一个初玩游戏的人通过大量的尝试和错误，逐渐变得更擅长游戏一样。

结果，AI代理能够发现人类尚未想到的有效战术，或者能以几乎与真人无异的自然状态执行战斗。参与训练的人类士兵现在必须面对更加现实且不可预测的对手，从而能在如同实战般的紧张感中进行训练。

AI还对开展仿真的“虚拟战斗环境”本身进行了革新。过去的虚拟环境仅停留在简单的地图或固定3D模型的水平，而现在则能打造出反映实际地形数据、气象信息甚至电磁环境的、栩栩如生的战场。

通过分析卫星照片和地形数据，可以自动生成详尽且逼真的3D虚拟地形。如果仿真过程中突然下雨或起雾，这种天气变化对视野、移动速度及传感器性能的影响将实时反映在AI代理的行为中。甚至可以模拟虚拟平民对战争状况的反应，以及敌军传播虚假信息导致我军通信网络陷入混乱的情况。

截至2024年，全球军事仿真与训练市场规模已突破137亿美元，对基于AI系统的投资正在急剧增加。如今，通过AI代理模型与先进虚拟战斗环境的结合，可以在类实战环境中验证新武器系统或战术的效果，指挥官可以反复进行复杂情况下的决策训练，大规模部队训练也能以较低成本高效实施。

3-2 与VR/AR技术结合

如果说AI扮演的是聪明的“大脑”，那么虚拟现实（Virtual Reality, VR）和增强现实（Augmented Reality, AR）技术则充当了“眼睛和身体”，让我们身临其境地体验那个大脑创造的世界。

虚拟现实（VR）是指通过佩戴特殊头显，用计算机生成的3D虚拟世界填满整个视野的技术。训练参与者戴上VR头显，在AI生成的虚拟敌军出没的城镇或丛林中移动，磨练战斗技能。飞行员可以在VR驾驶舱中与AI操控的敌机进行空战，或在危险的气象条件下安全地重复飞行训练。

增强现实（AR）是将计算机生成的虚拟信息或图像叠加显示在现实世界之上的技术。当士兵在实际野外训练场进行机动训练时，可以通过AR眼镜在现实地形上叠加显示虚拟敌军位置或友军部队的位置信息。

AR在设备维修或操作训练中也非常有用。维修兵戴上AR眼镜观察实际设备时，待修理零件的位置、拆装顺序、所需工具信息等都会显示在眼前。指挥官可以在实际作战地图上，通过视觉确认实时更新的友军和敌军位置、战术建议等，从而做出指挥决策。

4 多域作战（MDO）执行与AI整合

4-1 陆、海、空、天、网一体化

现代战争的面貌正发生根本性变化。一个新出现的概念正是“多域作战（Multi-Domain Operations, MDO）”。这是一种创新的作战概念，它将传统的陆地（Land）、海洋（Sea）、天空（Air）领域，以及日益重要的太空（Space）和网络（Cyber）领域共五个领域全部视为一个统一的战场。

过去，各军种主要只在自己的领域开展行动。陆军在陆地，海军在海上，空军在天空中各自为战。但在MDO环境下，所有军种必须像一个管弦乐队一样紧密合作，演奏出和谐的乐章。

MDO的核心不仅在于同时在多个领域执行作战，更在于“整合”与“同步”各领域的能力。例如，如果太空中的侦察卫星发现了敌人隐藏的导弹基地，该信息将实时传递给地面的炮兵部队或海上的舰艇并立即发起攻击，同时网络部队会干扰敌人的指挥通信网以阻碍其应对。

为此，所有部队和武器系统必须像一个巨大的网络一样连接在一起，实时共享必要信息，无论身处何地都能以最有效的手段做出应对。这也被称为“传感器-决策-效应网（Sensor-Decider-Effector Web）”。

MDO旨在打破这五个领域的界限，在特定时间和地点集中多个领域的能力以针对敌人的弱点，或追求以敌人不可预测的方式发起攻击的“收敛（Convergence）”效果。即使敌人防住了某一领域的攻击，通过其他领域的同步多发攻击，也会使其难以应对。

人工智能（AI）将发挥核心作用，帮助理解这种复杂的MDO环境，处理海量信息，并协助执行最优的整合行动计划。

4-2 美国“融合项目”（Project Convergence）

为了将多域作战（MDO）付诸实践，由美国陆军主导发起的大型实验项目便是“融合项目”（Project Convergence）。正如其名“融合（Convergence）”所暗示的，该项目侧重于整合并协同来自陆、海、空、太空及海军陆战队等各军种的能力，以产生协同效应。

“融合项目”的核心目标是大幅缩短“杀伤链”（Kill Chain）。杀伤链是指发现（Find）、定位（Fix）、跟踪（Track）、瞄准（Target）、攻击（Engage）并评估（Assess）打击效果的一系列过程。过去这一过程需要几十分钟甚至数小时，而现在的目标是将其缩短至秒级。

动员了各领域的“传感器”。从太空中的侦察卫星、高空飞行的侦察机或无人机，到地面安装的雷达或监视设备，甚至前线士兵携带的小型无人机，通过一切手段收集有关敌人位置和活动的信息。

收集到的大量原始数据会立即传输到集成分析系统。在此过程中，人工智能（AI）发挥着核心作用。AI算法自动融合并分析来自多个传感器的各类信息，瞬间识别并判断其是否为真正的威胁目标，以及其精确位置等信息。

下一步是确定能最有效地打击已识别目标的“射手”（打击手段）。AI综合考虑所有可用友军打击资产的位置、状态、武器能力和交战规则，推荐最佳的“射手”。

2024年举行了“融合项目”第四次顶点演习（Capstone 4），不仅美军参与，还扩大到了英国、澳大利亚、加拿大、新西兰、法国、日本等盟国，致力于实现真正的联合及多国多域作战能力。2025年，“融合项目”第五次顶点演习（Capstone 5）计划在印太地区举行，并正在推进将可实际操作的新能力留存在现场的计划。

4-3 Palantir TITAN 系统

在多域作战（MDO）中，为了使指挥官成功执行任务，需要具备掌握广阔区域信息，并以此为基础精确、快速地打击敌人核心目标的能力。为了满足这一需求，美军正在开发的下一代地面情报处理及目标确定支援系统便是“泰坦”（TITAN，全称“战术智能定向访问节点”）。

2024年3月，美国陆军与由 Palantir Technologies 领导的团队签署了一份为期两年、价值1.784亿美元的 TITAN 合同。根据合同，Palantir 将提供总共10个 TITAN 原型，其中包括5个“高级型”和5个“基础型”。

TITAN 系统的目标是快速接收并处理部队以往难以获取的各类传感器信息，并将得到的信息提供给前线部队或远程打击部队。它被设计为搭载于车辆的可移动“移动地面站”形式，使指挥官无论身在何处都能及时接收所需信息。

TITAN 系统的核心功能是“整合”并“融合”来自多领域各型传感器的数据。Palantir 的技术使以下工作实现自动化并得以加速：

首先是海量数据处理。AI能够迅速分类和整理对于人类分析师来说过于庞大且形式多样的传感器数据。

自动目标识别（Automated Target Recognition, ATR）功能也是核心。AI基于从图像、信号等各种数据中预先学习的模式，自动探测并识别敌方坦克、装甲车、导弹发射器、指挥所等重要目标。

在数据融合及验证过程中，通过综合探测到的信息确认目标的存在，消除重复信息，并提高对目标精确位置和状态的可信度。

最后，在目标确定信息生成及推荐阶段，AI生成已识别并验证目标的精确坐标信息，推荐能最有效打击该目标的友军武器系统，并支持将所需信息迅速传递给相关打击部队的过程。

TITAN 系统为指挥官提供了比以往更广、更深的战场态势感知能力，赋予其“深层侦察（Deep Sensing）”能力。2024年8月，第一个原型已交付给华盛顿州路易斯-麦科德联合基地的多域特遣部队，目前正在进行实战测试。

5 Palantir 技术与军事创新

5-1 Gotham 平台

现代军事及情报作战环境是海量信息和数据不断产生的地方。问题在于，这些信息以不同的格式分别存储在不同的系统或数据库中。从现场情报人员发送的报告、通过通信监听获取的内容、卫星或无人机拍摄的视频、部队移动记录，甚至公开的新闻文章或社交媒体信息，所有这些都可能成为重要线索的一部分，但如果它们没有相互关联且分散存储，就很难充分发挥其价值。

Palantir Technologies 的“Gotham”平台正是为了解决这些问题而开发的强大数据集成及分析工具。就像名侦探收集犯罪现场散落的线索并勾勒出一幅完整的图画一样，Gotham 将散落的数据汇集到一处。

Gotham 最惊人的能力是其“数据集成”能力。它使用“本体（Ontology）”概念来理解各种格式的数据，并掌握其中包含的实体及其相互关系。它能识别出报告中的姓名和通话记录中的声音属于同一个人，找出该人访问特定地点的记录或与其他嫌疑人联系的事实等，并在关系网地图上用线条连接展示。

这种集成的数据通过 Gotham 平台强大的“可视化”工具表现出来，使用户能够直观地理解。分析师可以利用展示复杂关系的社交网络图、展示按时间顺序发生事件的时间线，以及在地图上标注位置信息的地理空间分析工具，发现数据中隐藏的模式或异常迹象。

Gotham 平台提供“协作支持”功能，允许多个用户甚至不同的机构在同一数据上共同工作。它根据每个用户的角色和权限控制对信息的访问，同时提供安全共享分析结果或重要信息并开展联合调查工作的环境。

Gotham 因在海王星之矛行动、俄乌战争以及揭发伯纳德·麦道夫庞氏骗局中的应用而闻名，目前仍在全球军事和情报机构中发挥着核心作用。

5-2 Palantir 的“人工智能平台 (AIP)”

ChatGPT 等大语言模型 (Large Language Models, LLM) 的出现给人工智能领域带来了巨大变革。这些技术在军事领域也展现出了潜力。它们可以被用于自动总结海量的情报报告并提供给指挥官，根据相关军事教义或历史案例回答有关特定作战情况的问题，甚至可以用于生成可能的作战计划草案。

Palantir 的“人工智能平台 (Artificial Intelligence Platform, AIP)”旨在支持军队等组织安全、有效地将包括 LLM 在内的各种最新 AI 模型引入并应用到实际工作环境中。

AIP 不仅仅是提供特定的 AI 模型，而是作为一种“AI 操作系统”，将各种 AI 模型与组织的自有数据和操作系统连接起来，并对其应用过程进行控制和管理。

AIP 的核心功能之一是在保护组织敏感数据安全的同时，发挥 LLM 的能力。AIP 在组织内部数据与外部 LLM 服务之间充当着某种防火墙的角色。

在军事领域，AIP 可以通过多种方式发挥作用。如果指挥官以自然语言下达命令：“总结过去 24 小时内 A 地区发生的主要敌方活动，并选出 3 项最具威胁的活动进行报告”，AIP 就可以通过分析相关情报报告、传感器数据等，利用 LLM 生成简明扼要的总结报告，并通过额外的分析模型对威胁进行排名并呈现。

5-3 Army Vantage

像美国陆军这样的庞大组织，为了管理和运营无数的人员、装备和物资，使用着复杂且多种多样的数据库系统。包括管理士兵人事信息、训练记录和健康状况的系统；追踪各种武器装备的位置、状态和维修历史的系统；以及管理弹药、燃料、粮食等补给品的库存和流通的系统等。无数个系统正根据不同的部门或功能运行着。

问题在于，由于这些系统彼此独立且分散，很难综合掌握整个陆军的现状，也很难找到特定问题的答案。

为了解决这些问题并实现基于数据的决策，美国陆军雄心勃勃地推进了“Army Vantage”项目。Army Vantage 是一个核心数据平台，它通过整合和分析全军数据，帮助准确掌握陆军的“战备状态 (Readiness)”并做出决策。

Army Vantage 的主要目标是将美国陆军拥有的数百个不同的现有数据系统整合为一个“通用数据基础 (Common Data Foundation)”。这并不是将所有数据迁移到一个巨大的新数据库中，而是保留各系统中的数据，通过 Vantage 平台进行连接，使其能够像在同一个系统中一样被访问和分析。

Army Vantage 主要关注的领域是与陆军“战备状态”相关的核心要素。在人力资源领域，它管理士兵的人数、军衔、专长、训练状态和健康状况；在装备领域，它追踪武器、车辆、通信设备的可用性、位置、维修状态和维修零件库存；在训练领域，它负责部队及个人的训练完成情况和训练绩效评估。

通过 Army Vantage，获得了以前无法想象的“可见性 (Visibility)”。现在可以实时一目了然地掌握部署在世界各地的陆军部队的战备现状。

5-4 MetaConstellation

天空和太空中俯瞰地球的“眼睛”比以往任何时候都多。除了各国政府运营的军事卫星外，许多私营公司也发射了搭载光学相机、雷达 (SAR)、红外线 (IR) 等各种传感器的卫星，拍摄地球表面并出售观测数据。

随着传感器的爆发式增长，产生了海量数据，但如何高效利用这些数据并及时获取所需信息已成为一个新的挑战。

MetaConstellation 并非指特定的卫星或无人机系统本身，而是扮演着“管弦乐团指挥”的角色，它能够像管理一个庞大的集成系统一样，智能地利用和控制世界上存在的各种卫星“星座 (Constellation)”和无人机。

MetaConstellation 实时掌握着由多个政府机构或私营公司运营的众多卫星的当前位置、轨道、搭载传感器的类型和性能以及可观测范围等信息。当用户请求监控特定区域或获取特定类型的信息时，MetaConstellation 会分析当前所有可用的卫星及空中传感器信息，提供智能化的“传感器任务分配 (Sensor Tasking)”功能，以寻找并利用最有效的传感器组合。

在 MetaConstellation 内部，人工智能 (AI) 技术发挥着核心作用。AI 分析庞大的卫星和传感器数据，自动探测和分类目标，并制定优化的任务计划，以确定哪种传感器组合最适合特定的任务。

5-5 乌克兰战争案例

始于 2022 年的乌克兰战争已成为展示现代战争形态如何演变的生动案例。乌克兰军队对抗拥有压倒性军事力量的俄罗斯军队，通过创造性地利用商业技术和西方援助，展现了惊人的抵抗力。

在这一过程中，备受关注的技术之一是 Palantir Technologies 的软件。显而易见，Palantir 的技术在显著缩短乌克兰军队的“杀伤链 (Kill Chain)”方面发挥了重要作用。

Palantir 首席执行官亚历克斯·卡普 (Alex Karp) 在接受路透社采访时表示：“乌克兰军队的大部分攻击都由 Palantir 的 AI 系统负责。”《经济学人》评价称：“在大卫（乌克兰）与歌利亚（俄罗斯）的战斗中，扮演大卫‘投石索’角色的正是 Palantir 的 AI 系统。”

乌克兰军队专注于有效整合并利用来自无人机、商业卫星图像、民众举报以及西方盟国提供的各类信息，以掌握俄军的位置与动向。正是在这种“信息整合”与“高效利用”的过程中，帕兰提尔（Palantir）的技术发挥了关键作用。

当商业卫星公司提供的最新图像识别出俄军的新野战炮兵阵地时，在相关区域活动的乌克兰侦察无人机会同步拍摄并回传现场画面，当地居民也会通过手机应用上报信息。帕兰提尔的系统会自动汇总这些情报并在地图上标注，随后在人工智能（AI）的辅助下，迅速确认威胁性质并锁定坐标。

尤为引人注目的是，AI的引入使乌克兰攻击型无人机的命中率从去年的50%大幅提升至今年的80%。例如，集成了帕兰提尔AI技术的“SAKER”侦察无人机，能在10公里范围内自主识别士兵、坦克及车辆，并判定攻击时机与武器选择。

据报道，乌克兰通过AI目标处理流程，将从识别目标到选定武器的时间从约20分钟大幅缩短至30到45秒。这生动地证明了战场上速度的至关重要，也体现了AI技术在实现这种速度跨越中的核心地位。

当然，这并非仅靠帕兰提尔一家的技术。西方国家的军事支持、乌克兰军民的勇气与抗争意志，以及创新的战术运用，都是不可或缺的因素。但这场战争无疑明确揭示了，AI技术在未来战场上将占据多么举足轻重的地位。