隨著戰爭環境的日益復雜化，指揮員在軍事決策中面臨著前所未有的挑戰。軍事行動規劃不僅要求決策者具備高超的戰術技能，還需對快速變化的情況做出精準預測和靈活應對。然而，傳統的方法往往受限于數據處理能力、決策效率和風險評估等的不足，亟需引入先進的技術手段以提高軍事行動規劃的質量和效率。大模型可以提高軍事行動的預見性、增強決策制定的智能性以及提升作戰行動的適應性和響應速度，為現代軍事行動提供更多有力的支持。
軍事行動規劃相關概念
軍事行動規劃是在軍事資源和作戰規則等諸多約束條件下，以實現作戰意圖為目的，運用科學規劃方法和計算機工具對作戰行動進程、作戰任務安排、力量資源使用和部隊協同行動等進行籌劃設計的過程。該概念強調，軍事行動規劃不僅僅是簡單的命令下達，而是一個復雜的過程，它要求指揮員和參謀人員深入理解作戰目的，并將其轉化為具體的行動方案。在理論層面，軍事行動規劃的核心要點包括：一是目的性，即所有規劃活動圍繞既定的作戰目標展開；二是整體性，即規劃者從宏觀角度出發，綜合考量各種影響因素，以實現作戰力量的最優配置；三是預見性，即規劃者應預判戰場態勢，提前制定應對策略；四是靈活性，即作戰計劃應根據實際情況的變化進行快速調整；五是實時性，意味著規劃活動應持續進行，以適應戰場動態；六是協同性，即不同軍兵種和部門之間的行動應有一致性和協調性；七是可行性，即規劃方案在實際操作中能被有效執行；八是風險評估，即規劃者對潛在威脅和挑戰進行識別并制定相應的緩解措施。
軍事行動規劃的發展和地位作用
當前在軍事行動規劃中，軍事人員獲取戰場態勢的主要手段是通過物理傳感器獲取戰場環境的相關數據，包括自然地理區域，政治、社會、經濟因素，空中、地面、海上和空間領域等因素（包括交戰雙方）以及信息環境（包括網絡空間）等。在經過收集、整合后，軍事人員進行態勢數據分析，進而對軍事行動的可能趨勢進行預測。
“風暴破壞者”（Stormbreaker）項目將加速作戰計劃過程
隨著科技的進步，利用人工智能手段賦能軍事行動規劃的成果也在不斷涌現。例如，為以色列國防和國土安全提供任務優化解決方案的供應商Omnisys，其開發的專有算法套件敏捷統計建模（ASM），應用于作戰任務管理系統（MMS），可增強態勢感知能力。與深度神經網絡相比，ASM只需要小規模的訓練集，可以靈活應對戰場上的快速變化。同時，ASM使用的是一種白盒方法，模型具有可視化和可手動調整的特點。再如，2024年3月，美軍印太司令部表示正在開發風暴破壞者（Stormbreaker）項目，目標是建立一個由人工智能支持的聯合作戰行動規劃工具包。該項目支持多域及戰役級行動方案（COA）的規劃、兵棋推演、分析和執行，可加速“漫長而艱巨”的作戰規劃過程，連續、快速地進行紅隊評審、兵棋推演、作戰仿真等活動，完善現有的行動方案，甚至生成“沒有想到的行動方案”。又如，基于智能博弈比賽平臺框架下的智能模型，通過LSTM算法和DBSCAN算法的融合，可以實現智能生成海上作戰行動計劃，及時預知行動路線，開展風險評估。烏克蘭國防部開發的分析態勢感知信息系統Delta用于計劃行動和作戰行動。該系統整合了敵軍和資產的位置信息，并允許實時跟蹤敵軍部隊的位置，迅速記錄檢測到的目標，以便實施進一步的火力破壞。
軍事行動規劃的優化不僅關乎國家的安全與利益，還直接影響到戰爭的勝負和人員的傷亡。通過引入大模型，可以實現更精準的戰場態勢預測、更智能的戰術規劃、更高效的資源調配，以及更快速的決策響應。這不僅能夠顯著提升軍事行動的效能，還能增強軍隊的決策透明度和可解釋性，對于構建更為成熟、智慧的軍事決策支持系統具有重要意義。
大模型在軍事行動規劃中的應用
基于深度學習的大模型，特別是那些能夠處理和分析大規模數據的神經網絡模型，通過學習歷史數據，可以識別復雜的模式和關聯，助力軍事行動中的態勢感知和預測。例如，自然語言處理模型GPT-4和Transformer，以及計算機視覺模型如卷積神經網絡（CNN），都可應用于理解和預測戰場環境中的語言和圖像信息。
GTP4可應用于理解和預測戰場環境中的語言和圖像信息
在戰場預測與評估中的應用 大模型可以用于處理和分析大量數據，包括歷史數據、實時數據和模擬數據。通過數據挖掘技術，智能體可以從這些數據中提取關鍵信息，識別模式和關聯，為指揮員提供決策支持。通過分析歷史戰役數據，識別勝利的關鍵因素，為指揮員提供戰術建議。羅格斯大學及合作機構的研究團隊利用大型視覺語言模型（LVLM）和多智能體系統（MAS）開發了BattleAgent，為歷史戰役建立了詳細和身臨其境的場景，模擬多個智能體之間以及智能體與其環境之間特定時間內的復雜動態互動。傳統的歷史敘事往往缺乏文獻記載，通常優先考慮決策者的觀點，忽略了普通士兵的經歷和性格。在BattleAgent中，指揮智能體具有戰略決策能力和軍事指揮結構，士兵智能體也擁有個人背景和情感反應機制。BattleAgent不僅能夠模擬領導者的決策過程，也能模擬士兵等普通參與者的觀點，展示了智能體與環境之間細粒度多模態交互的特點，可以加深對歷史事件的理解，有助于對歷史的研究。美國Palantir公司發布的人工智能平臺AIP可為指揮員提供戰場態勢感知、作戰行動規劃、兵力分配以及戰場監控等智能化輔助。大模型技術通過整合多源數據和運用深度學習算法，能夠在戰略決策中發揮關鍵作用，高效識別隱藏模式、異常行為和潛在威脅，幫助軍隊更好地理解和應對復雜的安全形勢，提供對戰場的全面理解。人工智能大模型可以通過實時分析和預測，發現關鍵的情報并提供給軍方，提供戰場評估報告，幫助其做出正確決定。
Battle Agent歷史戰役動態仿真系統在軍事行動訓練模擬中的應用 大模型在模擬訓練應用方向展現出巨大的潛力，可以讓受訓者獲得更真實、個性化、高效的訓練體驗。通過生成多樣化情境、扮演虛擬教官、提供決策輔助等方式，大模型可以幫助受訓者適應不同的作戰環境，提高其作戰技能和應變能力。同時，大模型還可以學習受訓者的行為模式，并根據受訓者的學習進度和能力水平，動態調整訓練方案，確保訓練效果。在戰爭中，敵方通常呈現知識類型離散化、分布碎片化、應用多樣化的特點，往往缺少大量數據，通過兵棋推演獲取訓練數據來創造虛擬對手是一個解決問題的有效途徑。利用大模型自動開展定性兵棋推演，可以為軍事行動規劃提供大量的數據支持。IQT實驗室開發的大語言模型驅動的多智能體系統SnowGlobe（雪球）可用于基于文本的定性兵棋推演，從場景準備到賽后分析的每個階段都可以選擇由人工智能、人類、或兩者組合來完成。自動化戰爭推演可以快速推演出各種可能的結果，幫助受訓者更好地開展模擬訓練，同時也為軍事行動規劃提供了支撐。大模型能夠創建并不斷修改各種訓練場景，這些場景會根據受訓者的行為實時變化。這些系統利用先進技術自動生成內容，并讓人工智能模型相互“競爭”，從而創造出幾乎無限的獨特和高度復雜的訓練場景。這樣，受訓者每次都能體驗到意想不到的新挑戰，大大提高了訓練效率。
在輔助指揮決策中的應用 在軍事行動輔助決策方面，大模型可以生成和評估不同的策略和戰術，為指揮員提供更多的選擇和可能性。2023年5月，美陸軍選擇將ScaleAI公司的大語言模型Donovan系統用于第18空降師部隊的決策制定。該系統使用了基于人類反饋的強化學習算法來持續微調系統模型，是該公司的聯邦人工智能平臺。在Donovan系統的幫助下，決策人員能在快速變化的戰場環境中更快、更好地做出有依據的決策，而不需要增加參謀人員的數量。2023年7月，美空軍在第6次全球信息優勢演習（GIDE）中首次測試大語言模型，希望利用人工智能系統生成的數據來輔助決策，獲取目標信息并支持火力打擊任務。在測試中，美空軍通過電話向某支部隊查詢信息，在人工智能工具的幫助下僅用10分鐘就完成了查詢，而傳統方式下該查詢過程可能需花費數小時、甚至數天時間。2024年3月28日，美軍陸軍研究實驗室研究人員提出了COA-GPT框架，該框架采用大語言模型來加速生成軍事行動方案（COAs）。在COA-GPT項目中，研究人員將這些模型應用于軍事指揮與控制系統，使指揮官能夠輸入任務信息，并迅速獲得一系列戰略上可行的行動方案。這些方案不僅符合軍事理論，而且能夠根據戰場情況實時調整。
未來展望
在未來，大模型技術在軍事行動規劃中的發展勢頭將愈發強勁。技術的飛躍性進步，尤其是深度學習和人工智能算法的成熟運用，使得軍事決策者能夠基于大數據、圖像、語音、文本等多模態信息，構建出更精準、更全面、更實時的決策模型。這些模型不僅能夠提高預測的準確度和效率，還能在復雜多變的戰場環境中實現快速反應和適應性調整。這種技術將在軍事戰略規劃、戰術執行、情報分析等多個層面發揮關鍵作用，為軍事行動提供強大的智能支撐。
加快支持軍事行動規劃的數據生成。大模型的數據依賴性問題始終不容忽視。軍事行動規劃依賴大量數據，但數據的獲取、清洗、整合過程復雜且成本高昂，數據的質量和多樣性直接影響模型的準確性和有效性。建模與仿真總監托尼·塞里（Tony Cerri）在美國家訓練與模擬協會2018年會議上表示：“如果我們可以將建模與仿真和大數據、AI結合使用，這是無與倫比的優勢。”隨著大模型技術的不斷發展，未來軍事行動規劃將更加注重數據支持。大模型可以提供多種任務和想定，理論上可以生成大量不同的訓練環境，深度強化學習與環境交互試錯的學習機制使得大模型訓練的數據問題得以緩解，大量訓練數據為大模型決策提供了大樣本量。大模型經過訓練后，相較于一般經驗水平的人員，所提供的方案往往能更好地反映真實的作戰情況，指揮員可據此進行更加精確的指揮。
增加大模型在軍事行動規劃中的可信度。當前的大模型，尤其是深度學習模型，其決策過程往往“黑箱化”，難以理解模型如何得出特定結論，這對于軍事決策的透明度和責任歸屬提出了挑戰。如何制定可信賴人工智能的度量標準和框架，是大模型在軍事行動規劃中面臨的重要問題。在輔助決策過程中，大模型的決策過程應該是可解釋、可審查的，這有助于提高用戶對人工智能的信任度，使指揮員能夠理解智能體如何處理數據和生成建議。通過提供決策的可解釋性，大模型可以幫助指揮員理解建議背后的邏輯和假設，從而增強指揮員和智能體之間的信任。大模型應提供交互式決策支持，以便指揮員可以根據提出的問題獲得實時解釋和調整建議，并根據大模型的反饋調整其決策策略，以便更好地適應指揮員的偏好和需求。安全性是確保人工智能價值觀一致的關鍵因素，系統應該在設計、開發和應用過程中遵循安全性原則，防范潛在的安全風險。確保指揮員對智能體的決策和建議有足夠的信心，才能有助于大模型在軍事行動規劃中更好地輔助指揮決策，并為未來的軍事行動規劃奠定基礎。
加強軍事行動過程中態勢預測與分析。大模型在軍事行動中的態勢預測與分析是一個充滿機遇和挑戰的領域。大模型應構建基于歷史數據和實時信息的預測模型，將文本、圖像、聲音等多種模態數據融合到模型中，以提高態勢感知的準確性和全面性。大模型應綜合考慮多種因素，如敵我力量對比、地形、氣候、敵方行動意圖等，生成態勢分析報告，包括戰場態勢的當前狀態、預測發展趨勢、潛在威脅和機會等，提高模型的可解釋性，以便指揮員更好地理解模型的決策過程，并進行有效的監督和干預。同時，我們應建立更細粒度的風險評估框架，涵蓋技術、戰略、倫理等多個層面，例如數據安全、模型偏見、決策可靠性等，還應開展動態風險評估，開發能夠根據實時數據動態調整風險評估的模型，以便更準確地反映戰場態勢的變化。以可視化形式，通過態勢分析報告，大模型可以幫助指揮員全面了解戰場態勢，為決策提供科學依據。
結 語
未來，大模型技術在軍事行動規劃中的應用前景光明，但同時也伴隨著一系列挑戰。通過技術的持續創新和政策的適時調整，我們有望克服這些障礙，充分利用人工智能的力量，提升軍事行動的智能化水平，實現安全、高效、可靠的軍事決策。
版權聲明：本文刊于2025年 3 期《軍事文摘》雜志，作者：雷坤翰、李永亮等，如需轉載請務必注明“轉自《軍事文摘》”。
