随着人工智能（Artificial Intelligence, AI）的不断进步，越来越多的领域开始应用AI技术。科技发展驱动战争形态演变，AI成为推动未来体系作战能力发展的关键技术，将带领世界军事技术实现从信息化到智能化的跨越。分布式作战体系自古至今都存在并经实战化运用后得以检验，进入信息化战争时代后，AI技术的快速发展使得万物快速互联成为可能，使分布式作战迈上了一个新的台阶。

在网络化、多域化、信息化、智能化的战争形态下，武器装备体系必然需要与AI技术相结合，使指挥控制（C2）在一定程度上具备战场目标自动识别、战场态势智能感知、情报信息智能处理、智能任务规划和辅助决策等能力，可有效提升OODA杀伤链的智能化水平，是具备较高“思考”能力的作战指挥信息系统。

分布式作战自古至今都存在，只是在不同的战争形态下，所呈现出的作战特点、作战样式、制胜机理等不同，机械化战争形态下是以集中化作战为主，主要特点是以集中兵力来实现火力的集中，对目标实施打击，主要涉及海域、陆域、空域等物理作战域。

进入20世纪末，随着网络技术、通信技术等重大颠覆性科学技术的发展及实战化应用，信息化战争正式走上历史舞台，随着战争形态的变化，使得分布式协同作战迈上了新的台阶[1]。联合作战成为信息化条件下分布式协同作战发展的直接体现和必然结果，联合作战通过联合多域分散部署的作战平台实现火力的集中，对目标进行有效打击。分布式作战与传统的集中式作战相比，在作战平台的互操作程度、协作程度、作战速度、存活程度、毁伤程度、战场态势利用率等方面有了大幅度提升，如图1所示，所以世界主要军事强国也正在不断赋予分布式作战新的概念和内涵。

美军的分布式作战体系发展最为迅速和完善，在联合作战的构想下，基于自身军队作战能力的提升，其海、陆、空军等作战部队也相继提出了新型作战概念，这些作战概念相互补充、衔接和完善，成为美军分布式作战体系化发展的重要组成部分，美军分布式作战体系下信息化程度发展进程如图2所示。其中一些作战概念已经在实战中得到了检验并写入了作战条令，让美军的联合作战构想更加完善和稳固。

当前，美军正紧锣密鼓加紧准备与“强大对手”进行高端战争的准备，推动分布式作战体系攻防能力变革性跃升。

美国防部在2014年3月发布的《四年防务审查》中公开提出要在“反介入/区域拒止”的作战环境下，与“强大对手”进行“高端战争”[2]；2014年11月，美军的“第三次抵消战略”出台，正是为了落实《四年防务审查》的战略方针，其战略目的是抵消中俄威胁，发展对手难以跟随对抗的绝对技术优势战胜对手[3]；其实质是集成创新发展智能化与颠覆性技术群，形成一系列能够“改变未来战局”的武器装备，使其装备体系再次产生大幅度能力跃升，避免出现与对手势均力敌的“导弹与导弹”、“平台与平台”的成本消耗风险的对抗样式[4]。

在此基础上，陆续提出了“分布式杀伤”（2016年）、“多域作战”（2017年）、“马赛克战”（2017年）、“决策中心战”（2019年）及“全域作战”（2020年）等作战理论，特别是“马赛克战”和“决策中心战”，将认知域作为制胜领域，如图3所示，以决策优势作为非对称作战制胜的核心[5]，这是美军分布式协同作战理论的最新突破。

1.2 AI技术发展分析

AI发展至今，主要经历了三次浪潮[7]。

如图4所示，20世纪60年代，棋类博弈、定理证明以及简单的专家系统研究中探索应用了AI技术；发展到20世纪70年代，微型电子计算机技术、集成电路技术等科学技术的快速发展使得AI专家32位系统的研究迈入到应用开发阶段；20世纪80年代以来，AI技术发展逐渐进入快车道，基于AI技术的遗传工程、化学合成、石油勘探及军事领域中的专家智能系统相继研制成功，使得AI技术进入加速发展阶段。

2010年至今，随着大数据技术和计算能力的不断提高，机器学习方式和算法依托于联网大数据得到了质的飞跃[8]。AI技术经历了60年的发展历程，现在已经进入了一个高速增长期，成为一项公认的最有可能改变未来世界的颠覆性技术。2011年，沃森在智能问答领域战胜人类；2016年，AlphaGo战胜人类围棋大师李世石，同年6月，Alpha AI以三代机战胜人类驾驶的四代机[9]；2016年年底，AlphaGo的升级版“Master”战胜中日韩多名顶尖的围棋高手，取得全胜[10]。事实证明，在某些特定领域，AI技术已经可以比肩人类顶级专家认知的能力，在某些方面甚至已经能够做到“举一反三”，具备了小样本概念学习能力。

C2智能化是分布式作战体系的智能化主要体现，分布式多域C2将成为未来战争指挥信息系统的主要形式，但要真正实现分布式多域指挥控制必须要克服跨平台联合作战规划难、多兵种指挥协调性差、多武器系统精确控制要求高等瓶颈[11]，而应用AI技术可以实现实时呈现跨域战场态势、快速提供决策部署等目标，如图5所示，当前AI条件下将重点推进目标识别、战场态势、情报处理、任务规划与辅助决策等关键技术的进步。

2.1 战场目标自动识别技术

目标识别技术（ATR）是指机器利用传感器测量信息，模拟人类认知，对观察场景中的目标进行检测、识别的过程。在军事作战中，目标识别技术广泛用于敌我目标识别、目标类别识别和部位攻击等方面，是取得战场制信息权的关键因素之一。

2016年8月，美军宣布成功攻克大数据目标识别相关理论和关键技术[12]。如图6所示，该技术的核心是将多途径收集到的的海量信息进行分析处理，来获取战场目标的特征信息，利用深度学习网络对战场环境和目标真实性进行研判。通过将大数据目标识别，能够将真实的战场态势反映的更加完成和准确，为实施作战打击提供前提。

2019年2月，美陆军提出了“先进瞄准和致命性自动化系统”，旨在设计具有AI功能的装备平台，提高打击的精度和地面作战的能力。美陆军希望开发的目标自动获取技术能够与地面作战车辆的火控系相融合，使作战车辆具备“获取、识别和自主交战”的能力，有效缩短作战的时间[13]。

战场目标自动识别未来可运用模式识别技术和深度学习算法为机器建立视觉的智能，处理从战场传感器中获取的声音、视频和文本等传感数据，从中抽取隐藏的有用特征，并将其进行特征分类和可视化呈现，生成敌我战场态势图。另一方面，基于战场环境多元和信息不完整等情况，借鉴应用并改进多智能体学习和增强学习等算法，根据当前态势计算推演并预测未来态势，为指挥决策提供参考。

2.2 情报信息智能处理技术

现代军事在情报信息方面的挑战主要是数据量大、难以快速处理。在作战能力需求和技术装备进步的推动下，以无人集群侦察平台为代表的情报侦察手段已逐渐成为信息化战场侦察监视的重要方式，它们能够通过分布式多域侦察并收集大量数据，使作战人员更好更快地理解战场态势。但是，目前人工图像判读仍然作为世界各国情报生成的主要手段之一，庞大的数据量超出了情报分析人员将其快速转化为行动情报的能力，导致判读耗时长、效率低，无法为战场态势理解提供快速有效的帮助，这已经成为制约情报信息实时生成的瓶颈问题。随着AI技术的发展，以往依靠人工作业完成的目标检测、分类、识别、评估等工作可逐步由计算机来代替。AI判读甚至是类脑认知情报判读将有望解决侦察存储的海量数据与人工处理速度偏慢的矛盾问题。

早在2007年，美国国防部高级研究计划署就启动了“深绿”计划[14]，试图通过对未来敌我可能行动及态势的自动生成、评估和预判，帮助指挥员快速掌握战场态势。

2017年，美国国防部成立算法战跨智能小组，目标是利用AI技术，将国防部的海量数据信息快速准确的转变为可用的情报[15]，目前该团队正在将关键技术在军兵种作战演习中加以验证。

为使所有单位共享和集中有效地使用指控系统信息，未来应在核心平台建立信息处理中心，如图7所示。低层级单位信息处理中心主要负责有效信息的抽取，将指控系统上的各类信息进行识别并加以融合；高层级单位信息处理中心主要负责将下属层级平台上传的数据信息综合利用，从而实现信息共享，让分布式多平台获取态势信息。

2.3 智能任务规划技术

任务规划是作战C2的核心，特别是分布式作战体系下开展联合作战，任务规划技术作为传统手段与新兴技术的最佳结合点，正逐步成为解决未来智能化战争的关键所在。

AI是任务规划技术发展的新引擎，正在重构影响军事作战过程的各个环节，知识、信息、数据是这个引擎的原始燃料[16-17]。关于任务规划技术的研究最早主要集中在飞行器的任务规划领域，包括飞行器任务分配[18-20]、航路规划[21]、载荷规划[22]等，并逐渐从单飞行器规划到多飞行器协同规划[23]，从飞行器规划扩展到陆、海、空、天等多领域平台规划，从单武器装备规划到多武器平台协同规划[24-25]。分布式作战背景下无人集群作战典型航迹规划如图8所示，无人集群平台（如巡飞弹）以集群方式进行任务分配，可单平台进行分布式打击，也可集群航迹规划，实现编队与单平台分布式打击的作战任务。

以美军为代表的西方国家在任务规划技术方面处于领先地位[26-28]。2017年，洛马公司与美国空军合作进行了多域指控系统的推演，检验空、天和网络作战域中的作战计划编制，使空中作战的各种系统能够实现互联互通[29]；此外美国陆军正在研发自动计划框架原型系统，该系统能够执行军事决策所需的任务自动分配到对应的兵种和单位，减小指挥人员的工作负担并提高决策部署效率。

当前，随着武器装备自主智能水平的提高，蜂群、鱼群、蚁群等无人集群系统逐渐进入战场，有人/无人集群系统的协同行动控制问题日益成为关注重点。

一方面，对于小规模有人/无人平台来说，可基于战场态势、交战规则和业务逻辑等，对无人平台进行分布式行动规划与调度，通过对行为控制的反馈调节，实现人机功能的动态分配和控制权限的动态调节；

另一方面，对于大规模有人/无人集群控制来说，可考虑通过Petri网信息流图智能生成各行动单元的具体任务及规则，采用战场语义解析与一体化智能动态编排，实现人−人、人−机的行为理解和自适应动态规划控制。

2.4 智能辅助决策技术

指挥决策的过程包括确定目标、制定方案、评选方案、制定计划，其复杂性、困难性往往更多地体现在认识、判断和选择的不确定性上，信息化战争条件下使得这种不确定性愈加严重。随着作战指挥信息化程度的提高，在“侦、控、打、评”的作战流程中，作战信息经过信息复合、评估和再生，不断更新并输入新的信息，使得作战指挥决策的时效性、准确性要求变得更加重要。

这就要求C2系统应具有智能决策支持能力，通过C2系统提供的智能化辅助决策，能够分析处理大量情报，智能化优选确定目标和评估方案，拨开“战争迷雾”，为联合作战指挥决策和部队行动提供及时可靠的辅助支持功能，为获取战场信息优势和决策优势提供强有力的支撑。

未来分布式作战形态下的智能化辅助决策系统，应能准确理解指挥员的真实意图，快速地找到合适的决策资源，给出合理建议，处理决策问题，从而减轻指挥员的决策负担。相比于集中式作战效果链式打击，分布式作战基于智能辅助决策系统能够快速形成杀伤效果网，如图9所示，为指挥员作出最终决策提供方案依据。

国外对智能辅助决策的研究较早，以美军DARPA开展的“Deep Green”项目为代表，其目的是预测战场态势，帮助指挥官判断态势并提供决策方案[14]。该项目于2007年7月启动但最终却宣告了失败，主要原因是因为战场态势的理解、仿真推演的高复杂度、用于决策数据的不同要求及决策力度的区分等关键技术难以突破。

国内相关研究较为成熟的主要以专家系统、多智能体系统等为主。文献[30]多智能体技术在空中军事打击智能决策支持系统中应用，可辅助生成决策方案；文献[31]基于深度学习对战场目标识别、作战意图预测和模拟对抗博弈等主要问题构建了基本模型。上述相关研究虽取得了一定成果，但更多依靠的是传统AI技术，存在较大的局限性，目前基于深度学习的辅助决策系统还处于探索研究阶段，距离实际应用任重且道远。

当前，通过人机混合智能提升辅助决策分析能力已是大势所趋。

一方面可优先生成行动方案，通过构建策略网络和价值网络，分别输出后续行动方案的概率分布和价值估值，运用搜索树算法进行搜索验证，实现多种作战计划的优选优化和滚动迭代，辅助指挥员定下发起时机，选择重要作战方向，进行任务编组分配等；

另一方面可提出临机处置建议，人机混合智能较适用于解决战争这类不确定性大的复杂系统问题，可借鉴类似思路在战场环境突然改变时为指挥员临机决策处置提供优选方案建议。

AI必然推动战争形态从信息化向智能化方向演变，分布式协同作战也必将发挥其真正的作用。将AI技术与C2技术相结合成为提升分布式作战能力的重要手段和必经之路，实现以AI技术为基础，使分布式作战装备体系具备战场目标自主识别、情报信息快速处理、智能任务规划和辅助决策的作战能力，对于更好地提升智能化作战水平具有重要意义。