往期回顾
战争的特性处于不断演变的状态，要求我们的陆军不仅要跟上步伐，还要积极通过技术优势争取决定性优势。将人工智能（AI）融入军事决策过程（MDMP）代表了这一追求的下一个前沿。虽然这一概念看似抽象，但指挥与参谋学院（CGSC）最近的实际应用为大型语言模型（LLMs）如何革新参谋兵棋提供了具体蓝图。本文概述了一项利用人工智能提升行动方案（COA）分析速度、深度和严谨性的实验中的关键发现和经验教训，为更广泛的部队提供了模型。
我们的研究表明，只要资源充足和引导，人工智能可以成为员工强大的认知伙伴。然而，其成功整合并非简单的“即插即用”。它需要一套围绕三大支柱的有意识方法论：构建坚实的分析框架、执行以人为本的兵棋推演，以及拥抱迭代学习过程。
构建框架：为战斗配备人工智能
最初也是最关键的阶段是准备数字战场。目标是创建一个环境，使人工智能智能体能够有效利用与人类工作人员相同的理论和操作文件进行推理。这不是通过从零构建新模型实现的，而是利用已有平台，针对我们的特定军事应用定制预训练的LLM。
该过程涉及对基础AI代理的三项关键修改：
-
模型选择：选择底层LLM至关重要。我们需要一个能够详细分析复杂操作输入的人工智能。我们选择了一个“重量级”模型（类似于GPT-4.1），拥有1万个代币的庞大上下文窗口。这一大窗口至关重要，因为它允许AI在分析过程中同时参考各种教义出版物、作战命令和特定情景数据，模拟了规划人员的认知负荷。
-
指令代理：人工智能代理，类似于士兵，需要明确的命令。我们制定了一套基础代理指令，定义了AI的角色、核心职责和执行指导。借助《FM 3-0》、《行动》和《FM 5-0：行动过程》等教义资料，我们赋予该代理作为公正的裁决者和分析师，为其在兵棋推演中的角色提供基础的“指挥官意图”。
-
资源配置：AI的输出质量取决于其所获得的信息。我们通过两种方法为代理提供了其“引用库”。虽然直接上传文档是可能的，但效率低下且占用模型有限的上下文。更有效的方法是将关键文档转换为本体对象。该过程提取并结构化文本，使AI解析过程更轻松更快。我们的大部分参考资料——包括教义手册、作战命令（OPORD）以及敌友能力手册——都被处理成这种优化格式，为人工智能创建了一个结构化且快速访问的知识库。
执行与关键发现：结构化提示与简单提示
框架建立后，我们按照标准的“行动、反应、反击”序列执行了两场COA兵棋推演。我们最重要的发现来自于实验如何向AI传递任务。
最初，在COA 1中，我们使用了一个高度结构化的提示，详细说明了战斗功能的所有友军行动。虽然方法极为周密，但结果始终偏向友军，需要频繁的人为干预以确保结果的现实。看起来，通过提供过多细节，我们限制了人工智能独立推理和权衡所有因素的能力。
对于COA 2，我们通过并行运行两个人工智能代理来检验这一假设。其中一人收到相同的结构化提示，而第二人则收到简化版提示，仅聚焦于主要努力和关键任务。结果令人印象深刻。操作简化提示的代理能做出更真实的判决。通过提供更不明确的指示，我们使人工智能能够更有效地利用其完整的教义知识和情景数据背景，模拟敌人反应和战斗结果。这带来了一个关键的见解：只要AI配备了必要的文件资源，它只需基础动作——指挥官对回合的意图——就能正确判定结果。
这一点在兵棋推演的第三回合中得到了有力的体现。在情景中，一个由三个连组成的友军营被指派去解决一个超过五个连的敌军防御部队。AI的结果让参谋们过于乐观：友军战斗力维持在75%，而敌军战斗力降至40%。最初的人类“直觉检查”表明结果存在缺陷。
然而，对AI推理的调查揭示了不同的情况。人工智能解释说，其裁决基于完全可用的近距空中支援（CAS）、攻击航空和支援友军行动的炮兵的教义效果。AI根据参考资料中的教义表正确计算了抑制效果。相比之下，人类规划者潜意识地假设只有边缘效应才会产生边缘效应。
为验证这一点，我们用调整后的变量重新运行了该回合：
-
炮兵和有效近距空中支援：友军战斗力降至65%。
-
有效火炮和边缘近距空中支援：友军战斗力降至70%。
-
近距空中支援和炮兵表现边缘：友军战斗力降至55%。
该测试证明了AI的初始逻辑是合理的，基于提供的数据。更重要的是，这揭示了人类工作人员分析中隐藏的一个假设。人工智能并未取代员工，它挑战了他们的假设，迫使对所有可用资源进行更严谨的考量，最终加深了对计划的理解。
军队经验教训
这项AI增强兵棋推演的实验为陆军在将这项技术付诸实践时提供了若干重要教训：
-
人在环中不可谈判。
最关键的教训是，人工智能是增强而非取代专业军事判断的工具。人类的“直觉检查”依然是现实主义的终极裁判。AI的作用是加快分析速度，识别潜在盲点，并处理教义数据时产生的巨大认知负担，使员工能够专注于更高层次的批判性思维。
-
提示设计是初级技能。
我们如何赋予人工智能任务，极大地影响其输出。过于详细的提示会抑制AI的推理能力，并引入偏见。警队必须掌握制定清晰、简洁、意图明确提示的专业能力，使人工智能能够更好地利用其知识库。
-
数据准确性至关重要。
“垃圾进，垃圾出”这句谚语从未如此贴切。AI的判决直接与所提供的数据相关。为了使人工智能有效，部队必须保持严密准确的文档，尤其是像任务组织这样直接影响战斗力计算的动态产品。
-
AI可以成为一支强大的红队。
AI能够基于敌方的作战和能力“思考”，而不会带偏见，这使其成为红队中无价的工具。通过提供对敌方指挥官的教义上合理且冷静的视角，它可以暴露友军计划中可能被工作人员忽视的弱点。
总之，我们的经验表明，将人工智能融入军事决策过程并非遥远的未来概念，而是具有巨大潜力的现实。通过为我们的编队配备充足资源和引导的AI代理，我们可以显著提升参谋兵棋的质量和速度。这一过程允许更多重复、更深入的分析，并对我们自身假设进行批判性挑战。结果是计划更加严谨测试，团队更充分应对突发情况，指挥官能够更快、更有信心地做出决策。前进的道路需要致力于发展理论、培训和技术基础设施，使人工智能成为我们决策工具箱的重要组成部分，确保在明天的战场上取得决定性优势。
关于作者
萨德·D·韦斯特，退役中校，是陆军战术部指挥与参谋学院的小组教官。他拥有西点军校的运筹学学士学位和罗德岛海军战争学院的战略研究硕士学位。在他的职业生涯中，韦斯特曾在第三RD步兵师、第4步兵师和1圣装甲师和亚利桑那州立大学的PMS。他是一名高级飞行员，曾多次部署到伊拉克和阿富汗作战。
斯凯勒·G·凯普利
斯凯勒·G·凯普利少校是指挥与参谋学院第17C参谋组的学生。他拥有弗吉尼亚军事学院计算机科学学士学位和空军理工学院数据科学硕士学位。在他的职业生涯中，凯普利在第10th山地师、第82空降师和FORSCOM司令部。他是一名运筹学与系统分析师，曾多次在培训中心轮转，并参加过一次实验演示门户事件（Edge）。
布拉克斯顿·C·马斯格罗夫
布拉克斯顿·C·马斯格罗夫少校是指挥与参谋学院第17C参谋组的学生。他拥有西点军校的信息技术学士学位，以及多所大学的硕士学位。在其职业生涯中，马斯格罗夫在网络任务部队和第11空降师担任过多个职务。他是一名网络战和电磁战军官，曾在伊拉克执行“固有决心行动”的战斗部署。