1 核心 AI 组织及角色分工

1-1 国防部首席数字与人工智能官办公室 (CDAO)

1-1-1 CDAO 的核心职责与成立背景

美国国防部首席数字与人工智能官办公室（Chief Digital and Artificial Intelligence Office, CDAO）于 2022 年 2 月正式成立，是人工智能创新的前沿阵地。CDAO 并非简单的技术研究所，而是肩负着将分散在整个国防部的人工智能相关能力整合在一起的“数字指挥部”职能。

在 CDAO 成立之前，美国国防部面临着严峻的问题。陆军、海军、空军各自开展 AI 项目，导致了巨大的预算浪费。这就像在一个家里，每个房间都买一台冰箱。陆军开发的无人机识别 AI 与空军的飞机识别 AI 甚至无法互通，这类令人涕笑皆非的事情屡见不鲜。

为了终结这种混乱局面，国防部组建了 CDAO。CDAO 最重要的任务是防止国防部内部 600 多个 AI 项目各自为政，并将其整合为一个统一的生态系统。

CDAO 的运作模式类似于机场塔台。正如塔台协调所有飞机的起降一样，CDAO 协调整个国防部的 AI 项目并指引方向。CDAO 收集并评估各军种和机构开发的优秀 AI 技术，然后将其发展为全军通用的平台。

如果海军开发的雷达信号分析 AI 技术可以应用于陆军的无人机探测，CDAO 就会积极推动这种技术的交叉应用。这就是所谓的“创造协同效应”。

CDAO 还是制定并执行国防部 AI 战略的最高决策机构。如何分配 AI 相关预算、确定优先事项、以及如何与私营企业合作等国防部 AI 政策的宏伟蓝图，都是 CDAO 的核心职责。

1-1-2 整合与扩展 (Scale)

CDAO 的核心任务“整合与扩展 (Scale)”旨在将经过验证的 AI 技术转化为整个国防部通用的平台。可以想象一下智能手机的应用商店，这项工作就是让各种 AI 应用程序在统一的环境中更便捷地被使用。

为了解决这些问题，CDAO 正全力构建“通用 AI 平台”。该平台采用三层架构设计：底层是数据层，以标准化形式存储和管理整个国防部的各种数据；中间是 AI 模型层，以库的形式提供经过验证的 AI 算法；顶层是应用层，提供可用于实际军事行动的成熟 AI 服务。

一个成功的案例就是名为“Jupiter”的基于云的 AI/ML 平台。Jupiter 为整个国防部的 AI 开发人员提供了通用的开发环境。就像谷歌的 Gmail 或微软的 Office 365 一样，只要有网络浏览器，就可以随时随地访问并进行 AI 模型的开发与测试。得益于此，各部队无需再构建独立的 AI 基础设施，开发速度也得到了惊人的提升。

另一个创新项目是名为“Advana”的数据分析平台。Advana 提供对国防部海量数据进行实时分析和可视化的服务。当部队指挥官想要一目了然地掌握装备状态、人员情况、预算执行率等信息时，可以通过 Advana 立即查看。

在扩展 (Scale) 战略中，最重要的是“标准化”。通过让所有 AI 系统遵循统一的数据格式、安全协议和接口规范，使不同的系统能够像乐高积木一样轻松组合。这样一来，开发一次的 AI 功能就可以重复用于多种用途，并且在添加新功能时也能确保与现有系统的兼容性。

1-1-3 加速 (Speed)

CDAO 的第二项核心任务“加速 (Speed)”是大幅缩短 AI 技术从实验室走向实际战场的时间。在传统的国防采购体系中，一项新技术从研发到实际部署通常需要 10 到 15 年。在像 AI 这样快速发展的技术领域，这种速度根本无法维持竞争力。

在私营部门，AI 初创公司将创意转化为实际服务并投放市场通常只需几个月到一两年。而在国防部复杂的规章制度下，同样的技术投入实际使用可能需要数年。为了弥补这种“创新速度差距”，CDAO 引入了创新的方法。

最具代表性的是“快速原型设计 (Rapid Prototyping)”方法。过去倾向于一次性开发完美的系统，而现在则选择先开发仅具备核心功能的最小可行产品 (MVP, Minimum Viable Product)，由实际用户进行测试，并根据反馈持续改进。

CDAO 引入的创新采购途径之一是“Trade Winds”。Trade Winds 是一个大幅简化传统复杂招标程序的快速采购计划。普通的国防合同需要经过数十个审批环节，而 Trade Winds 只需经过核心审批环节，即可在几个月内签署合同。

CDAO 定期举办“黑客松 (Hackathon)”形式 of AI 竞赛。军内外的开发人员聚集在一起，在 48 到 72 小时内集中开发 AI 解决方案，优秀作品将立即转化为试点项目。通过这种方式，可以快速发现并应用创新构想。

1-1-4 政策与标准制定

CDAO 的第三项核心任务“政策与标准制定”是制定规则和准则，以确保整个国防部以安全、伦理和有效的方式使用 AI。鉴于 AI 技术强大的潜力及其伴随的风险，如果没有明确的原则和标准，可能会出现意想不到的问题。

最重要的是制定并应用“负责任的人工智能 (Responsible AI, RAI)”原则。这包括 AI 系统必须在人类控制之下、决策过程必须透明、不得存在偏见或歧视等基本原则。在军事领域，AI 的错误判断可能直接危及生命，因此这些原则尤为重要。

CDAO 要求在所有人工智能系统的开发和引入过程中强制执行 RAI 检查清单。在开发敌军识别 AI 时，会彻底审查是否存在误判平民的风险、人类是否能够理解并验证 AI 的判断依据，以及在系统发生故障时人类能否立即介入等。

数据治理（Data Governance）也是 CDAO 的重要责任领域。AI 系统的性能最终取决于数据的质量，因此系统地管理和利用国防部拥有的庞大数据至关重要。CDAO 制定了关于数据收集、存储、共享和利用的统一标准。

机构对敏感信息的安全和个人隐私保护给予了特别关注。军事数据不仅涉及国家机密，还包含军人的个人信息，因此在将其用于 AI 训练时，必须遵守严格的安全协议。CDAO 制定了数据匿名化、访问权限管理、审计追踪等详细标准。

CDAO 制定了人工智能系统的互操作性（Interoperability）标准。定义了技术规范，使陆军和空军的 AI 系统能够相互交换数据并进行协作。这就像是通信标准，让不同的手机能够在同一个网络下通话。

人员培训和能力建设也属于 CDAO 的政策范畴。为了有效利用 AI 技术，操作这些技术的军人必须理解 AI 的基本原理和局限性。CDAO 开发了针对不同职级和兵种的差异化 AI 教育课程，并通过在线学习平台提供持续培训。

最后，CDAO 还制定了与私营企业及学术界的合作政策。由于 AI 领域的尖端技术和人才主要集中在民间，因此探索国防部与民间有效的合作方案至关重要。在技术安全与信息共享之间找到平衡点，建立互利共赢的合作模式，是 CDAO 的重要政策课题。

1-2 美国国防高级研究计划局 (DARPA)

美国国防高级研究计划局 (DARPA) 通过其下属的 6 个技术办公室建立了人工智能技术研发体系。其中，信息创新办公室 (I2O) 担任 AI 研究的核心枢纽，其他办公室则在各自领域应用 AI 技术，形成了明确的分工结构。

信息创新办公室 (I2O) 于 2010 年由原信息处理技术办公室和战术技术办公室合并而成。I2O 肩负着在信息和计算领域创造创新技术并提供未来能力的重任。I2O 的研究主要由四个领域组成。

在“熟练型 AI”（Proficient AI）领域，正致力于开发最尖端的 AI 技术并构建可靠的 AI 系统。其中包括可解释 AI（XAI）、旨在加强战场 AI 安全的 SABER 计划，以及开发 AI 评估技术的 AIQ 计划等。XAI 计划是一项使人类能够理解 AI 判断依据的技术，是确保军事决策中 AI 可信度的核心。

“弹性安全软件”领域侧重于加强安全性和恢复力。其目标是开发能够抵御敌方网络攻击或 AI 操纵的系统。

在网络作战领域，通过开发基于 AI 的网络能力，追求在网络空间占据压倒性优势。

“置信信息”领域开发应对深度伪造（Deepfake）等基于 AI 的信息操纵技术。通过媒体取证（MediFor）和语义取证（SemaFor）计划，获得了检测操纵信息并辨别真伪的能力。

I2O 正在推进开发下一代 AI 技术的宏伟项目。AIRA（人工智能研究助手）计划旨在开发第三代 AI 技术，而“机器常识”（MCS）计划则在研究如何使 AI 具备像人类一样的常识性推理能力。

生物技术办公室 (BTO) 在人工智能与生物技术的交汇点开展研究。2024 年 12 月启动的 AI BTO 倡议包含了 42 个关于 AI 与生物技术交叉领域的研究项目，正在探索 AI 在医疗 AI、生物数据分析、基于 AI 的生物创新等生命科学领域的潜力。

战略技术办公室 (STO) 侧重于实际应用。旨在通过开发自主系统和基于 AI 的自主平台，确保未来战场的物理优势。SCEPTER 计划开发了一种用于复杂作战计划的可靠 AI 方法，使 AI 在复杂的军事行动中发挥战略作用成为可能。

国防科学办公室 (DSO) 处于基础 AI 研究的前沿，开展旨在实现下一代科学发现的 AI 应用研究。通过探索突破现有范式的创新 AI 概念，正在研发 10 到 15 年后可能成为“游戏规则改变者”的核心技术。

DARPA 于 2018 年宣布的“AI Next”计划是一项耗资 20 亿美元的多年度 AI 投资，包含约 50 个新旧项目，重点在于开发第三代人工智能系统。即“能够观察并判断局势的 AI”。以往的 AI 只能完成预先学习的任务，但第三代 AI 即使在初次遇到的情况下，也能自主意识到“原来是这种局面啊！”。

AI 应当像人类一样具备理所当然的常识。它需要自主拥有“下雨要打伞”、“摸烫的东西会受伤”、“晚上会变黑”等基础知识，从而做出更明智的判断。到目前为止，AI 虽然擅长复杂计算，但往往不懂这些常识。该目标旨在超越当前的深度学习技术，开发出具备人类般语境推理能力的 AI。

1-2-1 未来战场的游戏规则改变者

美国国防高级研究计划局 (DARPA) 是在美国国防部中承担独特且重要角色的机构。自 1958 年苏联发射“史普尼克”号卫星引发震动后成立以来，DARPA 一直秉持着“抢在敌人之前发明未来”的理念运行。

DARPA 的 AI 研究并非为了解决当前的问题，而是旨在确保 10 到 15 年后在未来战场上占据压倒性优势。这就像在国际象棋中，当对手在考虑前 3 步时，你已经看透了前 10 步。考虑到目前军队使用的许多技术——互联网、GPS、触摸屏等——都起源于 DARPA，就不难理解其研究的重要性。

DARPA 的 AI 研究具有三个特点。第一，追求“颠覆性创新”（Disruptive Innovation）。其目标不是小幅改进现有方式，而是创造全新的范式。第二，积极承担“技术风险”。即使成功概率低于 50% 的项目也会果断推进，并从失败中汲取重要教训。第三，专注于“军事优势”。相比学术上的完美，更优先开发能在实际战场上压倒敌人的实用技术。

DARPA 与全球顶尖研究人员合作。跨越大学、企业和政府机构的界限，挖掘并支持各种创意。在 AI 领域，利用从硅谷初创公司到麻省理工学院（MIT）、斯坦福大学等名牌大学的广泛网络，开展最前沿的研究。

1-2-2 第三代 AI 与可解释 AI 的革新

DARPA 正致力于开发超越当前 AI 的“第三代 AI”。为了理解这一点，有必要回顾一下 AI 的发展阶段。

第一代 AI 是基于规则的系统，它是根据人类预设规则运行的简单形式。第二代 AI 是我们目前使用的机器学习和深度学习技术，虽然通过数据进行学习，但仍仅专注于特定任务。DARPA 试图开发的第三代 AI 是像人类一样能够理解语境并进行推理的“常识性 AI”。这意味着 AI 即使在面对新情况时，也能应用现有知识找到解决方案。正如人类即便阅读从未见过的食谱也能烹饪一样，AI 也必须能够灵活应对初次遇到的问题。

关键在于“可解释人工智能（XAI）”技术。目前的 AI 就像一个“黑匣子”，人类很难理解它为何做出那样的决定。在军事行动中，必须明确了解 AI 的判断依据。当 AI 判断“敌人进攻在即”时，指挥官必须能够理解其依据是什么，才能做出适当的应对。

DARPA 的 XAI 项目正在开发一种技术，使 AI 能够用人类可以理解的语言解释其判断过程。它不仅仅是呈现结果，而是以“基于这些数据，发现了这些模式，因此得出了这一结论”的方式来解释其逻辑过程。

DARPA 还在研究被称为“AI 之 AI”的元学习（Meta Learning）技术。这是一种让 AI 学习“如何快速学习新任务”本身的技术，模仿了人类的“学习能力”。

1-2-3 High-risk, High-reward

DARPA 最独特的特征之一是“高风险、高回报（High-risk, High-reward）”的研究哲学。这与普通研究机构的方法完全不同。

一般研究机构倾向于成功概率高的安全项目。相比之下，DARPA 反而积极推进成功概率低于 50% 的风险项目。究其原因，正是因为能够成为“游戏规则改变者”的技术往往伴随着风险。

互联网的前身 ARPANET、GPS 的核心技术、隐形技术等许多我们现在认为理所当然的技术，在当时都是“看似不可能”的挑战。如果 DARPA 只选择安全的道路，这些创新技术就不会诞生。

这种哲学在 DARPA 的 AI 研究中更为重要。AI 仍处于技术初期阶段，真正的创新往往来自跳出传统框架的地方。目前大多数 AI 都需要海量数据，但 DARPA 正在研究“少样本学习（Few-shot Learning）”技术，以开发即使使用少量数据也能有效学习的 AI。

核心在于“对失败的宽容”。DARPA 将失败的项目也视为宝贵的学习机会。通过失败，可以了解哪些方法行不通，这成为设定下一步研究方向的重要信息。

DARPA 通过“设定截止期限”来提高研究的专注度。项目有 3-5 年的明确期限，在此期间必须展示具体成果。这促使研究人员专注于实际结果，而非理论上的完美。

项目经理（PM）制度也很独特。DARPA 的 PM 大多实行 3-5 年的任期制，带着自己独特的愿景领导项目。他们既是科学家，又具备企业家精神，起到了将创新想法转化为现实的催化剂作用。

1-2-4 确保 AI 可信度（SABER 项目）

SABER 是一个始于 2025 年 1 月的项目，周期为 24 个月。SABER（Squad-level Autonomous Breach and Entry Robot）项目是 DARPA 代表性的 AI 安全研究之一。该项目旨在开发防御敌方 AI 攻击，并预先发现和弥补 AI 系统漏洞的技术。

美国国防部认为：“让我们看看我们的 AI 是否能在真正的战争中有效抵御敌人的攻击。”该项目的目标很简单：“组建一支攻击我们 AI 的团队，以此测试 AI 的强大程度。”这就像足球队的练习赛。为了避免在正式比赛中出错，必须提前进行大量练习。SABER 也是如此，在实际战争之前预先测试我们的 AI。

项目负责人巴斯蒂安中校表示：“虽然我们知道敌人攻击 AI 的方法，但并不十分清楚他们在实际战争中会如何组合使用这些攻击。我们需要率先查明。”

SABER 分为三个团队。第一组研究攻击 AI 的新方法，尝试计算机攻击、无线电攻击和物理攻击等多种手段。第二组将第一组开发的攻击方法整合，创建易于使用的工具。第三组提供实际军队使用的 AI 系统，如无人机和机器人。

SABER 将测试预计在未来 1-3 年内投入军用的 AI、机器人和无人机，涵盖从飞行无人机到地面机器人的各种设备。以前仅在实验室中预测“如果 AI 受到此类攻击，会发生什么”，但 SABER 试图在模拟实际情况的环境中进行测试。

巴斯蒂安中校表示：“我们的士兵有权知道他们使用的 AI 是安全的。”如果你坐车，肯定希望那辆车经过了安全测试吧？SABER 也是如此，提前确认士兵使用的 AI 是否能有效抵御敌人的攻击。

DARPA 正在开发多项技术。“鲁棒 AI（Robust AI）”技术旨在创建即使输入数据被篡改也能做出正确判断的 AI。这相当于赋予 AI 像人类在雾天或昏暗灯光下仍能识别物体的能力。

“AI 红队（Red Team）”活动也很重要。这是通过组建一支专门攻击 AI 系统的团队，预先发现并修补漏洞。其原理就像黑客攻击自己的系统一样。

DARPA 还在研究“AI 验证（AI Verification）”技术。这是一种实时验证 AI 判断是否正确的技术，类似于副驾驶检查机长的判断。

这是“自适应安全（Adaptive Security）”的概念。传统的安全防御是针对已知威胁的静态防御，但在人工智能时代，新形式的攻击不断涌现。因此，需要一种动态安全系统，使 AI 系统本身能够学习并适应新的威胁。

1-2-5 DARPA 六个技术办公室的 AI 研究分工

DARPA 的六个技术办公室各自负责独特的专业领域，同时形成了以 AI 这一通用技术为核心、有机结合的创新组织结构。

信息创新办公室 (I2O)：AI 研究的指挥部

I2O 在 DARPA 内部承担着 AI 研究“指挥家”的角色。该办公室开发的核心 AI 技术被用作所有其他部门的研究基础。I2O 开发的可解释 AI (XAI) 技术在生物技术办公室的医疗 AI 中用于解释治疗决定的依据，而在战略技术办公室的自主武器系统中则用于明确目标选择的逻辑。

I2O 的独特地位在于其“平台提供者”的角色。在其他办公室专注于特定应用领域的同时，I2O 开发可在所有领域使用的通用 AI 技术和工具。机器常识 (MCS) 项目就是一个代表性例子，它通过开发使 AI 能够进行常识性推理的基础技术，提升了所有其他办公室 AI 系统的性能。

生物技术办公室 (BTO)：生命科学的 AI 革命

BTO 拥有将 AI 技术应用于生命科学领域的专业能力。其核心理念是将 AI 视为“理解生物系统的一种新语言”，而不仅仅是一种工具。2024 年 12 月同时选定的 42 个 AI-生物技术项目正是这种方法的成果。

BTO 的 AI 研究主要分为三个方向。首先是生物数据解释。从人类基因组到蛋白质结构，AI 分析生物体的复杂信息，以开发新的治疗方法或生化武器对策。其次是生物模拟。AI 模拟生物过程，从而实现药物开发或生物武器效果预测。第三是人类性能增强。研究利用 AI 优化士兵的身体和认知能力。

值得注意的是 BTO 与 I2O 的合作。I2O 开发的可解释 AI 技术应用于 BTO 的医疗 AI，使军医能够清晰地理解 AI 的诊断依据。这是在关乎生命的医疗领域确保 AI 可信度的关键。

战略技术办公室 (STO)

STO 专门负责将 AI 技术应用于物理战场环境。该办公室的核心哲学是研究“AI 如何与物理世界互动”。这是因为在数字世界中表现优异的 AI 在实际物理环境中可能会面临预想不到的问题。

STO 的代表性项目 SCEPTER 计划旨在开发用于复杂作战规划的可信 AI 方法。这不仅仅是一个武器系统，而是一个由 AI 实时规划和协调陆、海、空整体复杂作战的系统。例如，它能同时协调空军的隐形机、海军的巡航导弹和陆军的电子战系统，以瘫痪敌方的防空网。

STO 与其他办公室的合作也具有创新性。通过结合 I2O 开发的自适应 AI 技术和 BTO 研究的人机界面技术，正在开发使飞行员或指挥官能够直观地与 AI 系统协作的集成平台。

国防科学办公室 (DSO)

DSO 负责展望 10 到 20 年后未来、最基础且最具创新性的 AI 研究。该办公室的职责是挖掘能“变不可能为可能”的原创技术。他们探索那些能够彻底颠覆当前 AI 范式的创新概念。

DSO 研究中最引人注目的是“量子 AI”。这是一种开发基于量子计算机而非传统数字计算机的 AI 系统的尝试，旨在从根本上超越当前 AI 的计算极限。此外，他们还通过“类脑计算（Neuromorphic Computing）”研究模仿人类大脑结构的全新形式的 AI 处理器。

微系统技术办公室 (MTO)

MTO 是专门负责将 AI 算法落实到实际硬件的办公室。无论 AI 软件多么出色，如果没有高效的硬件来运行它，就毫无意义。MTO 为 AI 系统提供物理基础，包括 AI 专用芯片、传感器和通信设备。

MTO 正专注于“边缘 AI (Edge AI)”技术的开发。这种技术在单个设备上直接进行 AI 运算，而非云端服务器，使得 AI 系统即使在战场通信中断时也能继续工作。搭载在无人机或机器人上的微型 AI 芯片就是典型的例子。

战术技术办公室 (TTO)

TTO 负责在实际战斗环境中测试和验证已开发的 AI 技术。该办公室的独特之处在于“实战验证”。因为在实验室中运行完美的 AI 系统，在实际战场复杂且不可预测的环境中可能会出现意想不到的问题。

TTO 扮演着“系统集成商”的角色，将其他办公室开发的 AI 技术整合为可用于实际军事行动的制成品。它结合 I2O 的 AI 算法、MTO 的硬件和 STO 的物理平台，开发可实战部署的自主无人机系统。

各组织间的整合协作

DARPA 的六个办公室形成了多样化的协作网络。纵向整合涵盖了从基础研究 (DSO) 到应用研究 (I2O, BTO, STO)、硬件实现 (MTO) 直至实战验证 (TTO) 的完整研发周期。横向协作则通过融合不同专业领域的技术，激发新的创新。

其核心优势在于“技术的快速转移与融合”。在一个办公室开发的创新技术可以立即应用于其他办公室的研究，从而大幅提高整体创新速度。这就是为什么 DARPA 不仅仅是一个研究机构，更是 AI 技术“生态系统构建者”的原因。

1-3 美国陆海空军 AI 组织

1-3-1 各军种 AI 组织

美军各军种的 AI 组织可谓是国防部 AI 生态系统中的“执行最前线”。如果说 CDAO 提供全军通用的 AI 平台和政策，DARPA 负责前沿技术研究，那么各军种的 AI 组织则扮演着将这些技术转化为能在实际战场环境中运行的实用解决方案的关键角色。

各军种 AI 组织最显著的特征是“领域特化”。陆军需针对地形复杂、威胁多样的陆战环境，海军需针对广阔且不可预测的海洋环境，而空军则需针对瞬息万变的三维空战环境，分别开发特有的 AI 解决方案。这就像即便使用同一种语言，不同地区也有各自的方言和文化一样，AI 技术也必须根据各个战场环境的特性进行“翻译”。

另一个重要角色是促进“自下而上的创新 (Bottom-up Innovation)”。它们致力于利用 AI 技术解决前线官兵面临的具体问题，并将在此过程中发现的新需求或创新构想反馈给上级组织。例如，前线排长提出“需要一种能更快探测敌人隐蔽接近的方法”，这一需求可能会直接促成新型 AI 传感器系统的研发。

各军种 AI 组织扮演着“技术文化桥梁”的角色。它们旨在弥合传统军事文化与创新 AI 技术文化之间的鸿沟，使现有的军事教义与新的可能性相协调。这不仅仅是引进技术，更是改变整个组织思维方式和运营模式的过程。

关键挑战在于确保“互操作性 (Interoperability)”。确保各军种开发的 AI 系统在联合作战时能够顺畅联动是重中之重。为此，美军正采取一种平衡的策略：在 CDAO 提供的通用平台和标准基础上，开发既能满足各军种独特需求、又具备高度兼容性的特化系统。

1-3-2 陆军 AI 整合中心 (AI2C)

陆军 AI 整合中心 (Army AI Integration Center, AI2C) 成立于 2018 年，坐落于卡内基梅隆大学内，是陆军的 AI 研发枢纽。作为陆军未来司令部旗下的组织，AI2C 的核心使命是在陆战这种复杂多变的环境中，为陆军开发能确保压倒性优势的 AI 解决方案。

陆战比任何其他战场都要复杂。在城市、森林、沙漠、山地等多种地形中，必须面对从正规军到游击队等各种敌人，并在民用与军事目标并存的环境中执行任务。AI2C 正致力于研究如何将这种复杂性转化为 AI 的优势。

AI2C 的核心研究领域之一是“态势感知 AI (Situational Awareness AI)”。该技术旨在实时分析从各类传感器和信息源收集的数据，从而对战场态势进行综合研判。通过 AI 对无人机视频、地面传感器数据、通信情报以及人力情报报告进行整合分析，可以提供诸如“敌主力部队有 85% 的概率在 3 小时后通过 A 地区”之类的预测性情报。

“自主地面车辆 (Autonomous Ground Vehicles)”技术也占据重要地位。中心正在研发无人补给车、侦察机器人、排爆机器人等多种自主地面系统。研究重点在于开发即使在城市巷战或险峻地形中也能安全运行的“鲁棒自主驾驶”技术。这与普通自动驾驶汽车不同，它必须在敌方火力和强电子干扰环境下依然保持可靠性。

AI2C 正在开发“适应性网络防御 (Adaptive Cyber Defense)”系统。陆战呈现出物理攻击与网络攻击同时进行的“混合战争”态势。AI2C 的网络防御系统具备实时学习敌方新的网络攻击模式并自动生成应对方案的能力。

AI2C 采用“以士兵为中心 (Soldier-Centric AI)”的研发路径。在开发 AI 技术时，会深度吸收一线士兵的意见和实战经验。AI2C 定期组织现役士兵开展工作坊，精准捕捉战场痛点，并在实际部队中测试原型系统以获取反馈。这确保了所研发的技术并非“实验室里的完美模型”，而是能真正提高士兵生存率和任务成功率的实用型 AI。

1-3-3 空军自主能力团队 (ACT3)

空军自主能力团队（Autonomous Capabilities Team 3，ACT3）是引领空军AI创新的核心组织。ACT3是空军研究实验室（AFRL）下属机构，驻扎在俄亥俄州赖特-帕特森空军基地。其使命是主导空军和太空军认知引擎（ASCE）的开发，并作为空军内部的AI特种作战小组运作。该团队通过将AI网络开发和自主系统研究作为核心项目推进，正引领着下一代航空航天力量的自主化和智能化。

ACT3 最大的特点是对“速度与规模”的执着。空战的展开速度远快于陆战，判断与应对几秒钟之差就能决定胜负。因此，ACT3 正集中精力开发超越人类反应速度的自主系统。

ACT3 的标杆项目之一是“忠诚僚机 (Loyal Wingman)”计划。该计划旨在研发能与有人驾驶战斗机编队协同的无人战机。这些无人机不再只是被动听命于飞行员，而是能够自主判断战场态势并采取最优战术动作，例如在遭遇导弹袭击时自动施放干扰，或在发现敌机时自主计算并执行拦截航线。

此外还有“预测性维护 (Predictive Maintenance)” AI。战斗机是极其复杂精密的机器，突然的故障可能会危及飞行员的生命。ACT3 的预测性维护 AI 实时分析飞机的数千个传感器数据，提前预测零部件故障。这就像经验丰富的机务人员仅凭发动机的声音就能发现问题一样，AI 通过细微的数据变化来预测未来的故障。

ACT3 还在攻克“空中交通管制 (Air Traffic Control)” AI。在现代空战中，数百个空中资产（如友机、无人机、导弹）同时运作。预防碰撞并规划最优航线所涉及的复杂度已远超人类管制员的极限。ACT3 的 AI 管制系统能实时掌握三维空间内所有空中资产的动态和意图，实现智能化的交通流控制。

创新之处在于“适应性战术 AI (Adaptive Tactics AI)”。这是一个实时分析敌方战术变化，并自动生成应对战术的系统。当敌人尝试新型电子战攻击时，AI 会立即进行分析，开发出有效的应对战术并实时传送给友军飞机。

ACT3 还非常重视与民用航空产业的跨界协作。除了与波音、洛克希德·马丁等传统防务巨头合作，还积极从初创企业中挖掘创新灵感。通过引入“敏捷开发 (Agile Development)”模式，ACT3 正在重塑传统的国防采办流程，将民间的快速迭代基因植入军事科技研发之中。

1-3-4 海军人工智能应用研究中心 (NCARAI)

海军人工智能应用研究中心（Naval Center for Applied Research in Artificial Intelligence, NCARAI）是位于海军研究生院（Naval Postgraduate School）的海军人工智能研究枢纽。其宗旨在于同时应对并利用海洋这一特殊环境带来的挑战与机遇。

海洋环境给人工智能提出了独特的挑战。与陆地不同，海洋缺乏明确的地标或固定点，环境会随着天气和海况剧烈变化。在水下，常规通信和传感器技术受限；而在广阔的大海中，探测和追踪目标极度困难。NCARAI 正致力于研究如何将这些海洋环境的特殊性转化为人工智能的优势。

NCARAI 最重要的研究领域是“海洋态势感知”（Maritime Situational Awareness）人工智能。该系统整合了卫星图像、声纳数据、雷达信息、AIS（自动识别系统）信号等多种情报源，以实时掌握海面上的所有活动。值得关注的是其“异常行为检测”（Anomaly Detection）功能，通过学习正常海上交通模式的人工智能，可以自动识别可疑活动。例如，它能自动探测出伪装成渔船的侦察船或航迹异常的船舶。

水下作战人工智能也是 NCARAI 的核心研究领域。“自主水下航行器”（Autonomous Underwater Vehicles, AUVs）技术是一种能够在人类难以触及的深海或危险海域执行侦察、扫雷、海底地形调查等任务的人工智能系统。NCARAI 正在开发“集群人工智能”（Swarm AI）技术，使多台 AUV 协作以高效搜索广阔海域。正如鱼群通过协作寻找食物或避开捕食者一样，该系统使无人水下航行器能够相互通信并协同工作。

NCARAI 的另一个创新领域是“自适应网络”（Adaptive Networking）技术。与陆地不同，海上缺乏稳定的通信基础设施，舰艇之间的连接经常中断。NCARAI 的人工智能联网系统能够在这种不稳定的环境中动态计算最优路径，确保关键信息到达目的地。它综合利用卫星、舰艇、飞机、无人机等，自动绕开并修复中断的通信。

NCARAI 的“海洋气象预测”（Marine Weather Prediction）人工智能。在海上作战中，天气是左右战斗效果的决定性因素。NCARAI 的人工智能通过学习海洋复杂的模拟气象模式，提供比传统通用天气预报准确得多的海上专用预报。这为优化舰艇航行路线、决定飞机起降时机以及制定作战计划提供了核心情报。

NCARAI 还在进行利用人工智能将海军传统优势“海上持久力”（Persistence at Sea）最大化的研究。其正在开发“数字船员”（Digital Crew）概念，旨在通过人工智能辅助长时间在海上作战的舰艇官兵，减轻疲劳感并提高效率。

2. 主要人工智能倡议与计划

2-1 联合全域指挥控制 (JADC2)

联合全域指挥控制（Joint All-Domain Command and Control, JADC2）是美国国防部推进的一项雄心勃勃的人工智能项目，是一个将改变战争范式的革命性概念。JADC2 的核心是将陆军、海军、空军、太空军和网络司令部的所有传感器和数据连接成一个巨大的神经网络，构建一个由人工智能实时整合分析战场态势并提供最优应对方案的系统。

目前的军事行动呈现出各军种独立执行的“烟囱”（Silo）结构。陆军、海军、空军各自使用自己的情报和武器系统，彼此间的信息共享既有限又缓慢。这就像身体的各个器官在独立运作，导致整体效率下降，反应速度迟缓。

JADC2 为了克服这些局限性，引入了“全域融合”（All-Domain Fusion）的概念。其目标是将地面、海上、空中、太空及网络空间的所有信息整合为一张“通用作战图”（Common Operating Picture）。当太空侦察卫星发现敌方导弹发射时，该信息会立即同步传递给地面的防空连、海上的宙斯盾舰和空中的战斗机，使各方能够采取最优的应对行动。

JADC2 的技术核心是“基于云端的人工智能分析引擎”。为了实时处理战场上收集的海量数据（包括图像、语音、信号情报、传感器数据等），传统的单机计算机系统已面临极限。JADC2 将云计算与人工智能结合，在几秒钟内分析所有数据并将其转化为有意义的情报。

“预测性指挥控制”（Predictive Command and Control）功能。人工智能不仅观察现状，还会预测敌人的意图和下一步行动，并提供先发制人的应对方案。正如在国际象棋中预判对手的后几步棋并进行应对一样，JADC2 能够预测战场局势并提前准备最优应对策略。

JADC2 的另一个核心要素是“自适应网络”（Adaptive Networking）。在战争中，通信设施可能被毁或遭受电子战攻击。JADC2 具备“自愈”能力，在这种情况下仍能利用卫星、无人机、战斗机、舰艇等自动绕开并修复中断的通信。

以 2023 年举行的“北方边缘”（Northern Edge）演习为例。在该演习中，JADC2 原型系统在探测到敌方导弹袭击后，仅用 6 分钟就计算并执行了最优拦截方案。这一过程在传统系统下需要 30 分钟以上，现在缩短到了 6 分钟。

JADC2 的成功不仅取决于技术成熟度，还取决于“组织文化的变革”。各军种从长期维持的独立作战文化转向整合思维并非易事。为此，国防部正在使 JADC2 演习常态化，并开发新的教条和程序。

2-2 复制者计划 (Replicator)

“复制者”（Replicator）倡议是国防部长劳埃德·奥斯汀于 2023 年发布的一项创新战略，目标是在两年内迅速大规模部署“数千个低成本自主无人系统”，以应对中国等竞争对手的军事威胁。该倡议的名称取自《星际迷航》中的“复制者”（Replicator），寓意像复制一样快速、大量地生产所需武器。

其核心概念是“以量取胜”。传统的军事战略依赖于少数高性能、高造价的平台，如 F-35 战斗机或宙斯盾舰。然而，“复制者”追求的是通过数千个系统同时运行产生的“集群效应”（Swarm Effect）来压倒敌人，即使单个系统的性能相对较低。这与一头强壮的狮子相比，成千上万只蚂蚁能完成更伟大的事业是同一个道理。

背景是出于对中国军事力量快速增强的担忧。为了实施台湾入侵等“反介入/区域拒止”（A2/AD）战略，中国拥有大量的导弹和无人机。在判断传统少数精锐武器系统难以有效应对这种数量攻势的情况下，美国也采纳了“以量对量”的战略。

“复制者”重点开发的无人系统主要分为三类。第一，小型无人机系统（Small Unmanned Aircraft Systems, sUAS）。它们可以执行侦察、监视、目标指示、电子战、自杀式攻击等多种任务，通过大规模部署来瘫痪敌方防空网或攻击重要目标。

第二，无人地面车辆（Unmanned Ground Vehicles, UGVs）。它们负责补给、侦察、爆炸物处理、火力支援等任务，在危险地区代替人类士兵执行使命。第三，无人海上/水下系统。它们负责水雷探测、反潜作战、海上监视等，在广阔的大海中提供 24 小时不间断的作战能力。

2024年，五角大楼宣布计划为 Replicator 倡议建立 AI 数据中心。旨在加速多家企业和服务之间的学习，并围绕自主性用例推广最佳实践。

Replicator 的技术核心是“模块化 (Modularity)”和“标准化 (Standardization)”。这意味着不同的制造商根据共同的标准生产零部件，并像乐高积木一样进行组合，从而制造出各种形态的无人系统。这能够大幅降低生产成本，并实现大批量生产。

采用“开放式架构 (Open Architecture)”方法，使各种 AI 软件能够在同一个硬件平台上运行。就像在智能手机上安装各种应用程序一样，可以根据情况在无人系统中添加或更改所需的 AI 功能。

Replicator 不仅积极鼓励传统防务企业的参与，还鼓励初创企业和中小企业的加入。由“国防创新部门 (Defense Innovation Unit, DIU)”主导，与硅谷的科技公司合作，通过简化原有复杂且缓慢的国防采购程序，推动快速开发和部署。

2-3 AI Next

AI Next 项目是 DARPA 于 2018 年启动的大规模 AI 研发倡议，目标是在未来 5 年内投资 20 亿美元开发“第三代 AI”技术。旨在克服当前 AI 技术的局限性，向人类水平的通用人工智能 (Artificial General Intelligence, AGI) 迈进。

AI Next 项目的起点是对当前 AI 技术局限性的认知。目前的机器学习和深度学习技术虽然在特定任务中表现出超越人类的性能，但在适应新情况或进行常识推理方面仍存在局限。

AI Next 项目追求的“第三代 AI”旨在克服这些局限，开发具备“上下文推理 (Contextual Reasoning)”能力的 AI。这意味着 AI 能像人类一样理解情境，将现有知识应用于新问题，并能在信息不完整的情况下做出合理判断。

该项目的主要研究领域之一是“常识推理 (Common Sense Reasoning)”。人类即使没有经过明确学习，也能自然理解“下雨地会湿”、“摸到烫的东西会疼”之类的常识。AI Next 研究如何让 AI 系统地习得并运用这些常识性知识。

另一个领域是“因果关系学习 (Causal Learning)”。目前的 AI 虽然擅长寻找相关性，但在理解因果关系方面面临困难。虽然能发现“感冒的人使用很多纸巾”这种相关性，但无法理解“因为感冒才使用纸巾”这种因果关系。AI Next 致力于开发能够理解这种因果关系的 AI。

“元学习 (Meta Learning)”或“学习如何学习”也是重要的研究领域。人类在学习新技术时会利用以往的学习经验，从而更快地掌握。AI Next 正在进行相关研究，使 AI 具备这种能力，以便能用较少的数据快速学习新任务。

「神经符号 AI（Neuro-Symbolic AI）」是 AI Next 的创新方法之一。它将深度学习的模式识别能力与符号逻辑的推理能力相结合，模拟人类兼具感性与理性的思维方式。

AI Next 项目还重点关注确保“AI 的鲁棒性 (Robustness)”。旨在克服当前 AI 容易受到对抗性攻击的局限，开发出在意外情况或恶意攻击下也能稳定运行的 AI。

2-4 可解释 AI (XAI)

可解释 AI (Explainable AI, XAI) 是 DARPA 自 2016 年起推动的核心研究计划，目标是开发能让机器解释其决策依据，以便人类理解的技术。这不仅是为了提高技术完善度，更是确保人类对 AI 的信任并实现负责任的 AI 应用的核心技术。

目前的 AI 系统具有类似“黑盒 (Black Box)”的特性。虽然输入和输出是明确的，但其间的决策过程是由人类难以理解的复杂数学运算组成的。这就像一位经验丰富的医生凭直觉诊断出病名，却无法清晰解释其判断依据一样。

在军事领域，这种“不可解释性”可能导致致命问题。当 AI 判断“敌人进攻在即，必须进行先发制人的攻击”时，如果指挥官无法理解其依据，就很难信任该判断并做出重大决策。在关乎人命的军事行动中，明确了解 AI 的判断依据至关重要。

XAI 计划的核心目标是让 AI 能够解释其判断过程的“为什么 (Why)”、“如何 (How)”以及“何时 (When)”。“为什么”解释做出特定决策的主要原因，“如何”说明达成该决策的过程，“何时”则解释该判断可信的条件。

XAI 的技术方法主要分为三种。第一，“事后解释 (Post-hoc Explanation)”是通过分析已训练好的 AI 模型的决策来生成解释的方法。其优点是可以为现有 AI 系统添加解释功能，但解释的准确性可能有限。

第二，“可解释模型 (Interpretable Models)”是开发从设计之初就具备可解释性的 AI 模型。虽然这种方法的解释准确性较高，但与现有的复杂 AI 系统相比，性能可能会受到一定限制。

第三，“混合方法”是将复杂的 AI 系统与可解释模型相结合，旨在同时确保性能和可解释性。

XAI 的实际应用案例包括医疗诊断 AI。在 DARPA 资助的研究中开发的 X 射线阅片 AI 会提供具体的依据，例如：“左肺下叶观察到的不透明区域（箭头所示）提示肺炎，这与患者的发热和咳嗽症状一致。”

在军事领域，XAI 正应用于目标识别 AI。它能以视觉方式展示并解释判断依据，例如：“右上角的直线结构（坦克炮塔）、中央的圆形图案（履带）以及热信号分布与 T-72 坦克有 95% 的匹配度。”

XAI 还提供“偏差检测 (Bias Detection)”功能。当 AI 对特定群体或情况做出偏向性的判断时，可以找出偏差原因并进行修正。这对于确保公平和合乎伦理的 AI 应用至关重要。

2-5 Task Force Lima（生成式 AI 安全应用专项小组）

Task Force Lima 是 2023 年由首席数字与人工智能官办公室（CDAO）主导成立的美国国防部生成式 AI 专项团队。该团队负责系统分析生成式 AI 技术（如 ChatGPT 等对话型 AI 和 DALL-E 等图像生成 AI）在军事领域的应用潜力与风险，并制定安全应用指南。

Task Force Lima 的名称源自军事术语中代表字母“L”的“Lima”，象征着“大语言模型”（Large Language Model）的首字母。这表明 ChatGPT 的底层技术——大语言模型（LLM）是该任务组的主要研究对象。

2022 年 ChatGPT 的问世使生成式 AI 受到全球关注，但在军事领域的应用需要极其审慎。生成式 AI 能够生成文本、图像、代码甚至语音，其水平已达到真假难辨的程度，一旦被误用，可能会被用于信息操纵或网络攻击。

Task Force Lima 的首要任务是“风险评估”（Risk Assessment）。它系统地分析了生成式 AI 对军事行动可能产生的积极影响与负面风险。积极影响包括快速制定作战计划、多语言翻译、自动编写报告、生成模拟场景等；而风险因素则包括生成错误信息、泄露机密信息以及敌方的深度伪造（Deepfake）攻击等。

第二项任务是“制定应用指南”。Task Force Lima 制定了详细准则，以确保国防部人员能够安全、有效地使用生成式 AI。该指南具体规定了哪些信息可以输入 AI、可用于哪些业务以及如何验证输出结果等。

第三项任务是“开发内部 AI 系统”。由于商用生成式 AI 存在安全限制，难以直接用于军事目的。Task Force Lima 正在开发国防部专用的安全生成式 AI 系统，旨在利用生成式 AI 优势的同时，防止机密信息泄露。

Task Force Lima 还在制定“深度伪造应对战略”。针对敌方可能利用生成式 AI 制造假新闻或虚假信息的风险，开发相关的探测与应对技术及程序。这已成为现代信息战中的重要环节。

然而，在 2024 年 12 月，五角大楼宣布解散 Task Force Lima，并成立新的 AI 快速能力单元（AI Rapid Capabilities Cell）。通过为期 12 个月的活动，Task Force Lima 分析了数百个 AI 工作流和任务，并将其分为 15 个核心领域。此次决定是基于相关经验，旨在发展成更具执行力的组织。

2-6 AI BTO 倡议

DARPA 的 AI BTO 倡议是一个结合人工智能与生命科学以创造新技术的项目。2024 年 12 月 5 日至 6 日，华盛顿举行了一场特别活动，仅用一天时间就评选并奖励了 42 个项目。这一速度令人惊叹。

生物技术办公室（BTO）的迈克尔·科里斯（Michael Koeris）博士表示：“70% 的参与者表示是首次与 DARPA 合作。”这意味着吸引了大量新人参与。在全部 77 名演讲者中，有 42 人入选，其中 29 人是首次与 DARPA 合作。

该项目旨在利用 AI 在生命科学领域实现创新突破。在疾病预测和健康管理领域，AI 可以预判人们何时会患病，并寻找个性化治疗方案。这类似于天气预报，提示“明天患感冒的概率很高，请注意”。

在生物制造领域，研究如何利用 AI 通过生物体制造药物或医疗用品。例如，指导特定的细菌生产药物。

该项目之所以重要，是因为它关乎士兵的健康与安全。战场上需要能够快速救治伤员或预防疾病的技术。

BTO 主任解释称：“AI BTO 通过催生未来研究项目并消除技术壁垒，支持具有重大影响力的项目。”令人惊讶的是，所有决定都是在一天之内完成的。通常政府项目需要数月或数年，而这次是在发布后当场给出了结果。

每个项目获得了 10 万美元、20 万美元或 30 万美元的资助。入选项目主要分为两个领域。在预测与健康领域，入选的是开发疾病预判与治疗技术的公司，如 Continuity Technologies 和 PathCision Medicine 等。

在生物制造领域，入选的是研究利用生物体制造所需物资技术的公司，如 Bolt Threads 和 Arzeda Corp 等。

如果取得成功，将能实现更快速的治疗。AI 若能迅速找到最有效的药物，患者就能康复得更快。定制化医疗服务也将得到发展，AI 将为每个人找到最合适的疗法，就像量体裁衣一样。最重要的是，士兵们将能够更健康、更安全地执行任务。

DARPA 表示：“我们致力于在生物工程、AI 与机器学习的交汇点上引领突破性的科学创新。”这就像在烹饪中混合不同的食材创造出新口味。当 AI 这种聪明的计算机与生命科学这种生物研究相结合时，可能会诞生此前从未想象过的奇妙技术。

2-7 美军的生成式 AI

美军正在加速战略转型，将生成式人工智能技术整合到国防运营中。美国空军于 2024 年 6 月推出的基于非机密国防网络的 AI 聊天机器人“NIPRGPT”是这一变化的标志性案例。该服务支持报告撰写、代码生成等多种任务，推出后立即吸引了超过 10 万名用户，证明了现场的爆发式需求。这一成功同时也凸显了图形处理单元（GPU）计算成本激增的重大挑战。

与此同时，美国海军也采取了类似行动，申请了“NavyGPT”商标，并试运行名为“DoN GPT”的自研 AI 工具。这表明美军整体对通过 AI 提高工作效率和解决人力短缺问题寄予厚望。

美国空军于 2024 年 6 月正式推出了由空军研究实验室开发的生成式 AI 聊天机器人“NIPRGPT”。该服务在处理非机密信息的国防网络 NIPRNET 上运行，并在安全环境中提供，空军及太空军官兵及文职人员可通过通用访问卡（CAC）登录。

NIPRGPT 支持报告和书信撰写、资料摘要、代码生成等多种任务，旨在发挥“实验性桥梁”的作用，帮助官兵在安全环境下提高对生成式 AI 技术的理解并开发应用能力。

NIPRGPT 推出后立即获得了爆炸性的反响。自 2024 年 6 月推出以来，吸引了超过 10 万名用户，成为美国空军历史上普及最快的内部 IT 工具之一。其背后有多种因素：首先，它是免费提供的，用户或所属部队无需承担额外费用；其次，它在安全的国防网络内运行，消除了使用外部商用聊天机器人时可能出现的敏感信息泄露风险，这是一个巨大的优势。

NIPRGPT 是作为 AFRL 的“暗剑”（Dark Saber）软件平台的一部分开发的。它不依赖于特定的商用模型，而是通过定制多个公开可用的 AI 模型构建而成。这意味着美国空军正将 NIPRGPT 作为测试平台，在实际环境中测试和比较各种 AI 模型的性能与效率，并为未来引入商用解决方案提供决策参考。

NIPRGPT 的爆发式普及也将生成式 AI 引入背后的一个根本性问题推到了台前：即天文数字般的 GPU 计算成本。AI 模型，特别是大规模语言模型，在训练和推理过程中会消耗大量的 GPU 资源。NIPRGPT 超出预期的使用量导致 GPU 计算成本激增，这对于需要管理计划外运营预算的国防部来说构成了严峻挑战。

从生成式 AI 的成本结构来看，训练像 GPT-3 这样的大规模语言模型可能耗资数百万美元，而 NVIDIA A100/H100 等数据中心级 GPU 的单价也超过了 1 万美元。当像 NIPRGPT 这样的工具使用量剧增时，会产生意想不到的巨额运营成本，此外，受制造成本和关税影响，NVIDIA 已将 GPU 价格上调了 10-15%。

在美国空军通过 NIPRGPT 取得显著成果的同时，美国海军也展现出了战略举措。2024 年 3 月 26 日，美国海军向美国专利商标局申请了“NavyGPT”名称的商标。该商标申请涵盖了文本生成、软件代码生成、翻译、摘要等广泛的生成式 AI 软件应用计划。

除了商标申请，美国海军还实际发布并试点运行了名为“DoN GPT”的 AI 工具。该工具于 2025 财年第二季度部署在海军的 IL5 级云环境“侧翼速度”（Flank Speed）中。IL5 是一个虽然属于非机密但可以处理敏感信息的安全等级，这意味着测试是在能够处理比 NIPRGPT 更高级别数据的环境中进行的。

海军通过为期 45 天的“Alpha 测试”，鼓励用户在没有严格指导方针的情况下自由使用该工具，从而发掘了各种应用案例和问题。例如，海军助理部长高级技术顾问雅各布·格拉斯曼（Jacob Glassman）通过演示在短短 5 分钟内生成包含“头戴激光束的鲨鱼”的虚拟武器计划采购战略，展现了 DoN GPT 的潜力。

美国海军在引入 AI 方面采取了谨慎的态度。除了提供 AI 生成的结果外，还在开发能够评估并向用户展示结果中隐含风险的工具。这是为了引导用户明确认知 AI 的局限性，并负责任地利用生成结果。

NIPRGPT 和 DoN GPT 的出现，标志着美军在 AI 技术应用上已跨越小规模实验阶段，明确转向将其作为全军可扩展的企业级解决方案引入。这不仅是为了提高工作效率，更是为了应对人口断崖导致的兵力减少等结构性问题，以及应对未来战场复杂性的必然选择。

3. 美国军事人工智能的核心领导力

3-1 道格拉斯·马蒂 (Douglas Matty)

道格拉斯·马蒂现任国防部代理首席数字与人工智能官 (CDAO)，是军事行动与 AI 集成领域的顶级专家之一。

马蒂的职业生涯呈现出传统军事行动经验与现代技术创新完美结合的独特轨迹。他以陆军军官起步，积累了丰富的作战指挥经验，并在伊拉克和阿富汗战争中拥有利用尖端技术执行任务的经历。在这一过程中，他亲身体会到了技术与战术融合的重要性，这为他后来在 CDAO 担任的角色奠定了决定性的基础。

作为代理 CDAO，马蒂面临的最大挑战是“组织文化的变革”。国防部传统上是一个保守且等级森严的组织，在接纳快速变化的 AI 技术方面存在困难。为了解决这一问题，马蒂采取了“渐进式创新”战略。他并未推行激进的变革，而是选择将新老技术分阶段整合，让组织成员逐渐熟悉 AI 技术。

马蒂倾向于“务实的方法”。比起华丽的技术演示，他更青睐在实际军事行动中得到验证的实用解决方案。在 CDAO 下属的众多 AI 项目中，他优先考虑那些可以立即投入实战的项目，并展现出了在长期研究项目与短期实用化项目之间寻求平衡的卓越能力。

针对 CDAO 的“人才招募与留用”这一核心课题，马蒂也提出了独到的解决方案。在不得不与硅谷的高薪竞争的情况下，他开发了强调“使命感与影响力”的招聘策略。通过突出为国家安全做贡献的使命感以及个人技术对现实世界的深远影响，他成功吸引了优秀的 AI 人才。

3-2 首任 CDAO 克雷格·马泰尔 (Craig Martell)

克雷格·马泰尔作为 CDAO 的首任负责人，是为组织建立技术基础与愿景的创新者。凭借在硅谷技术公司 Lyft 和 Cohesity 积累的丰富经验，他在将民间的创新技术文化引入国防部方面发挥了关键作用。

马泰尔在 Lyft 的经验对 CDAO 制定 AI 战略具有特殊意义。在担任 Lyft 首席数据科学家期间，他构建了能够实时处理和分析数百万条数据，从而决定最优车辆部署与路径的 AI 系统。这一经验后来被直接应用于 CDAO 开发用于军事资产优化部署和作战计划制定的 AI 系统。

在 Cohesity 的经验同样意义重大。作为数据管理与安全领域的首席技术官，他对大规模数据的安全与管理有着深刻的理解。这在设计如何让 AI 系统安全地利用国防部庞大且敏感的军事数据方面发挥了核心作用。

马泰尔在 CDAO 建立的最重要的成果之一是“数据驱动文化”（Data-Driven Culture）。传统上，国防部具有很强的依赖经验与直觉的决策文化，但马泰尔引入了所有决策必须基于数据和分析的新范式。为此，他设计了旨在标准化和整合整个国防部数据的“数据网格”（Data Mesh）架构。

马泰尔推行“民官合作”模式。他意识到政府组织单凭自身力量无法跟上 AI 创新的步伐，因此积极与民间企业建立合作伙伴关系。但这并非简单的外包，而是开发了反映国防部独特需求的定制化合作模式，同时确保了安全性与创新性。

马泰尔的另一项贡献是确立了“伦理 AI”原则。他意识到 AI 技术越强大，伦理使用的责任就越大，因此制定了适用于国防部所有 AI 开发与部署的伦理指南。这后来成为了“负责任的人工智能”（RAI）政策的基础。

3-3 斯蒂芬·温切尔（Stephen Winchell） DARPA 局长

斯蒂芬·温切尔目前担任 DARPA（美国国防高级研究计划局）局长，是完美结合传统军事经验与尖端技术专业能力的“融合型领导者”典范。从海军潜艇军官到 Project Maven 的核心工程师，他的职业生涯堪称现代军事技术发展的缩影。

温切尔的潜艇军官经历对其哲学产生了根本影响。潜艇是在孤立环境中完全依赖尖端技术执行任务的平台，必须实现技术可靠性与船员能力的完美协调。通过这段经历，温切尔深刻理解了“人机协作”的重要性，这也成为后来 DARPA 推进“人机协作”研究的哲学基础。

在 Project Maven 中的经验极大地扩展了温切尔的技术能力。Project Maven 是国防部发起的首个大规模 AI 项目，是一个能够自动分析无人机视频并识别目标的系统。温切尔作为该项目的核心工程师，掌握了将计算机视觉和机器学习技术应用于实际军事行动的方法。更重要的是，他在这一过程中亲身经历并思考了 AI 技术伦理使用的复杂问题。

作为 DARPA 局长，他的愿景是“以人为本的 AI（Human-Centered AI）”。他相信 AI 的发展方向不应是取代人类，而应是增强人类的能力。这是源于其军事经验的深刻洞察，基于一种哲学理念：无论多么出色的技术，最终必须能被人类有效利用才有意义。

在温切尔的领导下，DARPA 正积极投资于“可解释 AI（XAI）”、“鲁棒 AI”和“自适应 AI”等下一代 AI 技术研究。他清晰地认识到当前 AI 技术的局限性——如在不可预见情况下的脆弱性、面对对抗性攻击时的无力感等，并致力于开发能够克服这些问题的创新技术。

还有一点是“对失败的宽容”。在继承 DARPA 传统的“高风险-高回报”哲学的同时，他使“通过失败学习”更加系统化。通过从失败的项目中提取有价值的教训并反映到后续研究中，建立了一个循环结构，大大提高了 DARPA 的研究效率。

3-4 马修·图雷克（Matt Turek） I2O 副局长

马修·图雷克担任 DARPA 信息创新办公室（I2O）副局长，是计算机视觉和机器学习领域的国际顶级专家，领导了可解释 AI（XAI）、媒体取证（MediFor）等 DARPA 核心 AI 项目。他最大的特点是拥有完美结合理论深度与实践应用的“研究者-实践者”复合型能力。

图雷克的学术背景非常扎实。在获得计算机视觉和模式识别博士学位后，他在大学和研究所从事了多年的基础研究。他专注于开发识别和分析图像及视频中复杂模式的算法，并在该领域发表了多篇创新性论文。但让他与单纯学者区别开来的，是他将这些理论知识应用于实际国家安全问题的卓越能力。

图雷克领导的 XAI 项目是目前 AI 研究中最重要的课题之一。他将 XAI 的目标从单纯的“生成解释”扩展到“使人类能够与 AI 有效协作”。为此，他正与认知科学、心理学、人机交互等多个领域的专家合作，开发真正有用的解释系统。

在 MediFor（媒体取证）项目中，图雷克的贡献直接关系到紧迫的国家安全问题。在深度伪造和 AI 生成的虚假媒体成为信息战和舆论操纵新武器的情况下，图雷克正在开发检测和应对此类操纵媒体的技术。他的方法不局限于技术检测，而是构建“增强智能（Augmented Intelligence）”系统，帮助人类分析师有效验证可疑媒体。

图雷克研究哲学中最值得关注的一点是“对抗性思维（Adversarial Thinking）”。在开发每一个 AI 系统时，他始终牢记一个问题：“想要攻击这个系统的敌人会使用什么方法？”这种方法使他的系统更加鲁棒且可靠，能够在实际的对抗环境中稳定运行。

3-5 拉达·普拉姆博士（Dr. Radha Iyengar Plumb）—— 第二任 CDAO

拉达·普拉姆博士于 2024 年就任第二任 CDAO（首席数字与人工智能官）。她身为经济学家，却拥有大型科技公司经验，背景独特。她在普林斯顿大学获得经济学博士学位，曾在兰德公司（RAND Corporation）担任高级经济学家，在国防政策与经济分析的交叉领域积累了深厚的专业能力。

普拉姆博士最独特的优势在于她在谷歌和 Facebook 的工作经验。她曾担任谷歌信任与安全（Trust & Safety）研究总监，以及 Facebook 全球政策分析负责人，在确保大规模 AI 系统的伦理运营和安全性方面积累了实战经验。这为她在深刻理解 AI 社会影响和伦理问题的基础上，引领国防部负责任地引入 AI 提供了理想背景。

作为 CDAO，她最重要的成就是发起了 Open DAGIR（国防高级无 GPS 环境集成识别）倡议。该项目与民间合作，旨在开发使 AI 在 GPS 受阻环境下仍能执行定位与导航的技术，是一种打破传统国防研究封闭性、推进开放式创新的革命性方法。此外，她还通过实现 JADC2 的最小可行产品（MVP）以及成立 AI 快速能力办公室（RCC），使 CDAO 的实际成果具象化。

3-6 马修·穆哈（Matthew Muha）—— 空军研究实验室 ACT3 主任

马修·穆哈担任空军研究实验室（AFRL）自主能力小组（ACT3）主任，是引领未来航空航天力量自主化的核心人物。ACT3 位于赖特-帕特森空军基地，是负责空军和太空军 AI 创新的前沿组织，穆哈在此统筹开发下一代自主飞行器和太空资产。

在穆哈的领导下，ACT3 推进了“忠诚僚机（Loyal Wingman）”计划。这是一种开发与载人战斗机协作执行任务的无人战斗机的计划，是减轻飞行员负担并极大提高战术灵活性的创新技术。穆哈在该计划中不仅追求技术完整性，还积极采纳实际飞行员的意见，构建了“人机协作”的理想模型。

此外还有空军“预测性维护（Predictive Maintenance）”AI 系统的开发。该技术能够提前预测战斗机复杂系统中可能出现的故障，从而提高安全性并降低运营成本，这是穆哈务实方法论的成果。他展现出的领导力在于，比起追求技术的华丽，更注重开发空军部队每天都能使用的实用解决方案。

3-7 克里斯托弗·克拉克（Christopher Clark）上尉 —— 海军陆战队 AI 负责人

克里斯托弗·克拉克上尉作为海军陆战队的 AI 负责人，是在传统的保守文化中引领数字化转型的创新者。作为一名现役海军陆战队军官兼 AI 专家，他凭借独特的地位运营着海军陆战队数字化转型团队的三年试点项目，成功地将尖端技术与海军陆战队的作战传统相结合。

他最大的优势在于“对现场的理解”。基于参与海军陆战队实际行动的经验，他准确掌握了 AI 技术在实际作战环境中的应用方式。对于 AI 在海军陆战队核心任务——两栖作战和快速机动行动中能发挥的作用，他的洞察既务实又具体。

他领导的数字化转型团队试点项目采取了一种系统化的方法，在海军陆战队的各个阶层测试和引入人工智能技术。从单个海军陆战队员的个人装备到排级战术系统，再到营级指挥控制系统，人工智能技术正在不同层面进行测试和优化。克拉克上尉在此过程中收集并反映了海军陆战队员的直接反馈，推动了以用户为中心而非以技术为中心的人工智能引入。

3-8 南德·穆尔钱达尼 (Nand Mulchandani)

南德·穆尔钱达尼担任中央情报局 (CIA) 的首席技术官 (CTO)，是引领美国情报界人工智能创新的核心人物。他曾担任国防部联合人工智能中心 (JAIC) 的首席技术官，在将五角大楼人工智能社区从“人工智能开拓者转变为人工智能从业者”方面发挥了决定性作用，随后转任中央情报局，主导情报领域的人工智能创新。

穆尔钱达尼最具创新性的项目是中央情报局开发的“基于人工智能的世界领导人仿真系统”。该系统通过人工智能学习世界各国领导人的发言模式、决策方式和政策偏好等，预测他们在特定情况下会做出何种选择。这已成为政策制定者预测国际形势并制定应对战略的革命性工具。

毕业于斯坦福商学院的他是一位兼具技术专业知识和战略思维的领导者。在他的领导下，中央情报局正在建立一种结合传统人力情报 (HUMINT) 和人工智能技术的新型情报收集与分析范式。这被评估为情报界适应大数据时代发展的必要变革。作为中央情报局历史上的首位首席技术官，穆尔钱达尼正在为拥有 70 多年历史的中央情报局开启技术创新的新篇章。

3-9 普雷斯顿·邓拉普 (Preston Dunlap) —— 前空军/太空军首席技术官

普雷斯顿·邓拉普于 2019 年至 2022 年担任美国空军和太空军的首任首席技术官 (CTO) 兼首席架构官，因尖锐批评国防部的技术局限性并辞职而闻名。他的辞职不仅是个人决定，更是对国防部技术创新速度发出的强烈警告。

邓拉普在任期间最关注的是构建空军和太空军的“数字基因”。他提出了所有空军资产实现数字化连接并由人工智能优化的未来愿景，并为此大幅扩展了基于云的基础设施和数据分析平台。在太空军成立之初，他在将其设计为以人工智能和自动化技术为核心的“数字原生”军种方面发挥了重要作用。

邓拉普公开批评国防部在“数据、分布式计算、软件、人工智能和网络安全领域严重滞后于私营商业领域”。他指出，国防部缓慢的决策过程和过时的采购系统无法跟上人工智能时代的创新速度。目前，他在私营领域从事国防技术咨询工作，从外部推动国防部的技术创新。邓拉普的批评和辞职成为了国防部认清残酷现实的契机，并成为随后更积极的技术创新政策的动力。

4. 主要挑战与战略

4-1 技术挑战 —— 数据整合的复杂性

美国国防部面临的最根本的技术挑战是实时整合庞大且异构的军事数据。陆军、海军、空军、太空军和网络司令部各自使用不同的数据格式和系统，这使得在统一的人工智能系统中利用这些数据变得极其复杂。这就像是使用不同语言的人试图同时进行对话。

为解决这一问题，国防部引入了数据网格 (Data Mesh) 架构。这是一种分布式方法，各组织管理自己的数据，但通过通用的标准和接口进行连接，而不是采用集中式的数据存储。即使海军的舰艇位置数据和空军的飞机信息存储在不同的系统中，也可以通过标准化的 API 进行实时集成分析。这是一种创新的方法论，在确保整体互操作性的同时，由各组织负责数据的质量和安全。

4-2 安全挑战 —— 敌对环境中的人工智能鲁棒性

人工智能系统的安全漏洞在军事领域可能导致比民用领域更致命的后果。如果人工智能系统被黑客攻击或操纵从而导致错误判断，可能会影响战斗的胜负，并使无数生命处于危险之中。敌对攻击 (Adversarial Attack) 是一种通过微调人工智能的输入数据来产生完全不同结果的攻击方式，这是一种人类无法察觉但人工智能会被欺骗的巧妙威胁。

为应对这一挑战，国防部建立了人工智能红队 (Red Team) 制度。该制度通过运营专门的团队，有意攻击自己的人工智能系统，从而预先发现并弥补漏洞。这与银行聘请安全专家尝试抢劫自己的金库原理相同，即在敌人发起攻击前，先找出并强化自己的弱点。此外，还在开发能够实时检测和应对攻击的“自我防御”能力，构建能够抵御敌人网络攻击的强健人工智能。

4-3 人才获取与文化创新

国防部面临的最严峻挑战之一是与硅谷在获取人工智能人才方面展开的激烈竞争。在谷歌、苹果、Meta 等大公司提供数十万美元年薪和股票期权的情况下，很难以相对较低的公务员工资吸引顶尖的人工智能专家。此外，国防部传统的官僚主义文化和缓慢的决策过程，对于习惯于快速创新的年轻开发人员来说也是巨大的障碍。

为了克服这一困难，国防部制定了诉诸爱国精神和使命感的新招聘战略。比起单纯的年薪竞争，更强调“为国家安全做出贡献”的特殊使命感以及开发“能够改变世界的技术”的机会。此外，还引入了快速获取程序，将原本需要数年的系统引入过程缩短到了几个月。通过国防创新单元 (DIU) 等组织，营造类似于初创公司的敏捷开发环境，并建立包容失败的创新文化，使优秀人才在国防部也能发挥所长。

4-4 实现负责任的人工智能

随着人工智能武器系统能够自主决定生死，明确其使用中的伦理责任和法律责任归属已成为国际上的重要议题。如果自主武器发生故障攻击平民，或者由于人工智能做出的错误判断而导致无意中的战争升级，该由谁来负责？这不仅是一个技术问题，更是一个要求对国际法和战争法进行根本性重新审视的复杂课题。

为应对这一问题，国防部制定了“负责任的人工智能 (Responsible AI, RAI)”原则，并将其应用于所有人工智能的开发和部署过程中。RAI 原则的核心包括保障人类的最终控制权、人工智能决策的透明度和可解释性、防止偏见以及遵守国际法。重要的是“人在回路 (Human-in-the-loop)”的概念，即无论人工智能系统多么自主，与生命相关的最终决定必须由人类做出。此外，还建立了可以记录和追踪人工智能所有行为的“数字审计追踪 (Digital Audit Trail)”系统，以便在发生问题时能够明确界定责任归属。