知远所学术研究部
战斗毁伤评估（简称BDA），是对运用武装力量（致命性或非致命性）针对明确行动对象所造成毁伤结果与效果的及时、精确的衡量和评价1。它是一类主要发生在战术层级的事后评估活动，在当前美军作战评估（Operational Assessment）体系中，BDA从属于战术层级的战斗评估（Combat Assessment）2，用于支撑战术级目标工作和目标打击行动规划与决策。
底层逻辑上看，美军BDA是一类主要聚焦平台交战的基于效果（effect-base）的情报分析评价活动，其目的在于判断针对具体目标的特定行动，实现预期打击目的的状况或程度，因此BDA需要将已实现的（目标打击）结果与预期行动目的关联在一起，进而对后续战术作战的组织与实施产生显著影响。传统机械化、信息化战争时代，BDA是一项极为耗费人力与时间资源的情报业务活动，滞后性使其很难直接嵌入本轮行动OODA循环中，间接拖慢行动节奏。然而，进入智能化战争时代后，尤其是俄乌战争以来，新的AI工具开始为BDA的全业务环节赋能，显著改善了其滞后性特征，进而极大地提升了战术作战指控节奏。
自2020年前后AI技术大爆发以来，就像其他先进技术问世后迅速应用于军事领域一样，美国科研院所、防务企业同样在AI赋能BDA领域投入了大量精力和资源，并在近期取得一系列成果和突破。回顾并审视美军在该领域的最新进展，有助于了解美军作战能力的发展，并前瞻AI对作战行动指控所产生的潜在影响。
传统BDA信息的汇总与处理
自美军在海湾战争意识到高效的BDA业务对作战指挥和控制的显著影响后，就开始着手基于传统指挥所情报业务流程构建相应的BDA业务线，并经1996年科索沃战争和2001年全球反恐战争的实践后迅速成熟和固化。
总体上，传统BDA业务所依赖的信源大致分为3类：①战场上持续生成并反馈的各类作战文书与战报，如前沿接敌作战分队（平台）传回的任务报告（MISREPs）、飞行报告（INFLIGHTREPs）3、侦察结果报告（RECCEXREPs）4、兵力、活动、驻地、番号、时间及装备报告（SALUTEreports）、图像判读报告（IIRs）、现场报告（SPOTREPs）5、作战接触报告等。战时，这些文书往往大量持续涌入各级指挥所，需要情报参谋团队投入大量精力和资源加以处置。②各作战平台所载多种传感器获取的情报信息，如精确制导弹药的武器视野镜头视频、雷达或红外光学系统视频/图像、或特定的测量与特征情报，以及有/无人机机载战术侦察吊舱所摄制的侦察图像/视频。③来自国家情报体系的外部信息支持，如低轨卫星拍摄的多光谱/SAR图像，专业情报机构的人力情报（HUMINT）等。
在前智能化战争时代，上述海量的不同类型、来源的BDA情报信息在汇总处理时尽管也可能会得到计算机系统的辅助支持，但整体仍很大程度上依赖规模庞大的情报分析团队进行判读和分析。例如，海湾战争期间美军中央司令部为适应作战需求，就在沙特利雅德组建了规模超过1000人的专职情报团队6，由其组成层级复杂、规模庞大的联合情报中心（JIC），其团队规模甚至超过了同时期J3序列的作战参谋团队；除此之外，战时战区JIC还得到美国及其盟国全球情报体系（包括DIA、CIA、NSA、DOE、DOS等机构）的情报支持，据统计，美国国家情报体系共有约5000~8000名情报分析师通过卫星通信链路为前线提供情报分析与甄别远程支持。毫无疑问，上万人的情报业务协作使得信息在流转、处理与分发全过程都面临着制度性博弈与结构性延迟，导致时效要求较高的BDA业务难以真正顺畅、丝滑地展开。海湾战争期间美军总司令施瓦茨科普夫就在其自传中多次提及对JIC情报人员信息处理速度迟滞、延误的不满7。
在传统BDA业务活动中，为提升此类评估的准确性和时效性，美军在过去20多年局部战争实践中积累了大量经验性做法。例如通过增加经验丰富的分析团队规模方式来提升BDA信息处理速度，提高战场报告类文书的结构化程度以便运用计算机系统对信息进行快速识别、汇总和查重，设计特定BDA评估跟踪表单、BDA记分卡（参见下图）以提升评估业务效率等。但传统上以人及其所承载的经验为中心展开的BDA业务线，仍难以使BDA嵌入当前作战指控OODA循环中，只能插入并影响下轮行动的OODA。
图1：战斗毁伤评估（BDA）跟踪表单示例
图2：战斗毁伤评估记分卡
通过新世纪以来多次局部战争实践的打磨，美军逐步建立起适应其武装力量组织结构与运行机制的BDA业务流程，初步实现了近实时的BDA业务能力，这降低了BDA评估的滞后性，并较为显著地提升了美军战术打击的行动节奏。其最突出的表现就是冷战后近30年时间里，美军战术“杀伤链”的闭环节奏越来越快，从海湾战争时期的“天”级，到全球反恐战争时期的“小时”级，再到俄乌战争时期的“分钟”级水平；未来随着AI技术的进一步成熟和优化，杀伤链的闭环时间将有可能进入“秒”级水平。
AI技术赋能BDA领域的主要方向
自2020年以来，随着生成式人工智能技术进入新一轮爆发期，战争形态迅速切换进了智能化时代。美国多个联邦政治机构、防务企业和智库持续加大AI军事化研究，在BDA领域涌现出大量利用AI优化赋能BDA各主要环节的研究方向和应用领域。
基于非监督学习的自主毁伤状态识别
AI赋能BDA的应用方向之一，是基于非监督学习（Unsupervised Learning）的自主目标（及毁伤状态）识别，其应用的核心思路是不预设“目标毁伤是何种状态”，而是使AI学习“目标正常时是什么状态”。传统机器学习（监督学习）依赖大量标注好的“打击前-打击后”对比照片完成打击行动的BDA，但在真实的高烈度战争中，对大量数据进行实时标注几乎不可能。而基于AI的非监督学习技术恰可应对这类评估信息，它不再依赖人类告诉它“什么是损毁”，而是通过数学逻辑和模式识别自己“悟”出目标遭受打击后的毁伤状态。非监督学习通常采用以下3种逻辑：一是异常检测，即先由AI工具学习大量“正常”的目标状态，在处理打击后图片或视频时，AI会对比两者的特征向量（目标区域的像素排列、反射率和几何结构与之前（或正常模型）的匹配程度，从而判定其受毁状态与程度。二是变化检测，这是目前应用AI赋能BDA最前沿的技术。即利用AI对“打击前”和“打击后”的目标图片进行处理，分别提取打击前后两张图片特征，然后进行“相减”，其“差值”就是损毁部分。这种方法不需要AI识别具体对象（如坦克或车辆），它只需要识别出目标对象特定部位发生剧烈的、非自然的变化。三是生成式建模（Generative Modeling），AI利用诸如GAN或Diffusion等模型，尝试根据“打击后”目标图片去还原出目标打击前“完好无损”的照片，如果AI发现某个局部区域无法通过算法还原成“完好状态”，或者还原后的偏差极大，那么该区域就被自动判定为损毁点。
在该领域美国研究机构及防务企业布局了多个研究项目，主要包括DARPA的GARD（Guaranteeing AI Robustnessagainst Deception）项目，用以研究如何在无监督情况下由AI识别敌方的战场伪装和欺骗，可用于识别敌方通过烟幕或假目标制造的“虚假”毁伤；L2M（Lifelong Learning Machine）项目，开发具有边缘计算能力的AI模型，载机在飞越陌生战场时可借助此模型自主识别、建模当地地理特征，并基于这些特征识别打击后的“环境偏离”量判定打击毁伤效果，而不再依赖后方基地的预训练模型和提前准备好的环境数据。空军研究实验室（AFRL）启动了“Stratagem”项目，旨在促进AI理解复杂目标复合体运维的“物理逻辑”，例如即使未提前预训练识别某种新型防空雷达，AI也能通过非监督方式判定其天线结构破碎状态，进而分析确定其功能丧失状态与程度。在防务企业方面，Palantir公司的“Maven Smart System”项目（MSS）已深度嵌入美军的战区联合作战体系，MSS可用于处理海量无人机视频情报，能够在无需预先标注毁伤图像的情况下，自动捕捉目标区域在打击前后的“非正常变化”（如热信号异常、地形纹理突变），从而实现准实时的毁伤判定。
融合多光谱数据进行目标毁伤状态识别
BDA涉及大量来自不同信源的异构信息，以往对它们进行汇总、整理和分析意味着巨大的工作量，传统上需要投入大量情报分析人员应对。然而这一轮生成式AI技术大爆发显著提高了处理异构数据的能力，这为AI赋能BDA奠定了新的实现路径技术基础。2020年后DARPA启动了“多光谱目标现象学”8（MSTP）项目研究，该项目原来用于开发下一代探测、识别和隐身技术。此技术路径的逻辑是研发可融合处理多光谱异构数据的AI模型，识别目标在不同电磁波谱（如可见光、红外、短波红外、中波红外、长波红外，乃至太赫兹谱段）的多维特征，进而实现辨识目标类型、距离、真伪等目的。该技术项目同样可用于BDA领域，包括识别战场伪装和欺骗措施，探测目标毁伤的动态变化，更具优势的是，它可针对目标属性、打击类型选择不同的光谱数据组合，应用于不同打击场景下对特定目标的毁伤与评估。
例如，在攻击油库类目标时，AI可根据燃烧烟雾的光谱吸收线检测特定烃类物质的化学燃烧特征谱线，进而确认油库目标被功能性击毁的评估结论，不会被外部爆炸火焰烟雾所蒙蔽。又或者，在打击坦克等车辆目标时，橡胶/塑料或木制坦克模型可能在可见光谱段还原度很高，但在AI融合多光谱算法下，金属装甲被击中后热色散曲线（Thermal Dissipation Curve）与充气模型或木制模型的燃烧特征完全不同。通过对多光谱目标图像的AI处理、融合与判读，战场BDA已从传统的“视觉判断”升级为“物理诊断”，让指挥官不仅知道目标“被命中”，还可通过多光谱特征确认目标“内部电路已烧毁”或“油箱已泄露”等更多毁伤细节特征。
利用“数字孪生”技术模拟目标毁伤效果
传统BDA的逻辑，是基于已发生过的打击事件的即时毁伤信息进行分析评价，这种评估逻辑具有内在的滞后性和表面性（难以评价目标复杂体的内部结构或功能损毁程度）。“数字孪生”（Digital Twin）9技术的引入，则可能从根本上颠覆上述评估逻辑，将BDA从滞后的单一维度评判，发展为可预测前馈的多维度评估。这一技术路径的逻辑，是孪生系统会在打击前利用多光谱（MSTP）和合成孔径雷达（SAR）数据，为目标（如指挥部、大桥、雷达站）建立高保真的仿真4D数字化模型，模拟其构成材料特性、结构力学和主要要素功能间相互依存、效用实现的逻辑链；再根据预期的毁伤效果，设计模拟不同的弹药撞击参数与引信设置，在虚拟空间内运用诸如有限元分析（FEA）等方法，模拟目标结构毁伤过程，进而推演特定打击行动或弹药设置对目标结构和功能毁伤的过程和效果。
例如，如需打击预期毁伤一处配电设施目标，以便影响由其供电的附近防空系统功能，同时又要尽可能减少附带毁伤或过度杀伤；为准确实现这样较为复杂的预期打击效果，就可先用数字孪生技术模拟出目标结构、状态与特征，再推演使用特定弹药（如某型号导弹）采用不同投掷战术、命中角度和引信设置组合攻击虚拟配电单元的过程，进而推算出周边防空系统将因失去电力而失效的时间窗口，以便评估打击效率和特定行动意图的实现情况。如果目标数据库完备且充分，还可利用此类技术进行快速迭代的打击决策，即如果首次命中未能达成预期毁伤效果需要再次补充打击，可实时利用数字孪生系统推演模拟新的打击战术与引信参数，进而达成预期的再次打击效果。
如果能在具备边缘算力的舰机平台集成数字孪生系统，将赋予平台实时BDA能力，这在需要快速决策的时敏目标打击场景下非常有效。因此自2020年以来，美军及防务企业在数字孪生领域启动了多个项目，较有代表性的包括：DARPA于2020年后启动的“适应性电子战行为学习”（BLADE）项目，首次使电子战的实时BDA能力成为现实，它利用机器学习算法结合数字孪生模型，能够在战场上实时检测和分析首次截获的电磁信号（即己方缺乏这类信号的特征库），即时生成针对性干扰波形或欺骗信号，并根据敌方用频设施的反应或应对评估己方电子对抗措施的效果，进而实时完善己方电子战策略与措施。
除此之外，洛马公司于2025年为其生产F-35配备机载STAR.OS操作系统，在BDA场景中可将机载传感器数据、导弹回传打击数据以及卫星SAR信号集成在一个数字孪生虚拟环境中，在打击实施过程中完成自动BDA评估。雷声公司的Raiven系统与数字孪生技术深度融合，可直接在搭载平台端利用边缘算力直接生成目标3D毁伤模型，将传统上需数小时的BDA毁伤图片判读缩短至秒级，实现所谓的“打击即评估”（Strike-then-Assess）能力。诺格公司为其B-21轰炸机研制的全生命周期数字孪生库，其突出特点是具备预测性BDA能力，通过模拟敌方防空系统结构与功能，在实际打击前预测不同弹药组合及引信设置可能产生的毁伤效果（DT-BDA），从而优化弹药挂载与引信设置。
未来BDA可能出现的变化和趋势
2022年俄乌战场上AI下沉化的战术应用后10，已初步展示了AI赋能BDA对战场的巨大影响。作为最容易影响战场态势的AI应用领域，当前主要军事强国愈发重视运用新兴的AI能力改造传统的杀伤链、指控链，这将深刻地影响未来BDA活动的组织运维与应用领域。
BDA正从“滞后”向“实时/近实时”评估甚至“预测性前馈”评估转变。作为一类典型的事后评估活动，BDA内生的滞后性曾是影响战场行动与决策节奏的最重要瓶颈因素。在很多情况下，战地指挥官的战术判断与决策都受制于战场最新态势的不确定性，而BDA行动的滞后很大程度上加重了这种不确定性。在前智能化时代，各国军队为了提升BDA效率和时效性，在信息处理、业务流程交互上积累了大量经验并持续进行优化，逐渐从二战时期以“天”为单位的BDA周期，降低至海湾战争时期的10余小时、反恐战争时期的数小时，乃至俄乌战场上的“分钟”级水平。经过二战后几十年的发展，BDA滞后性显著降低，这带来了战场行动节奏的空前提升，且“传感器-射手”的杀伤链显著缩短，但这也仅实现了“实时/近实时评估”。直至进入智能化时代，AI赋能并改造了BDA的底层逻辑后，BDA才最终摆脱了其内在的滞后性束缚，数字孪生匹配AI过程推演赋能使BDA具备了预测性前馈评估的全新属性，使得战场打击行动的时效性、准确度得到质的跃升。
全域多源多模态评估信息融合显著提升评估准确性。纵观人类数千年的战争史，战场一线的指挥官始终面临的一项挑战是如何破除“战场迷雾”，以克服指挥活动中的不确定性。很大程度上，这种不确定性来源于战场伪装与欺骗，尤其是传统BDA方法受限于单维信息的评估结论，很难避免各种战场伪装与欺骗措施带来的认知偏差。而AI赋能BDA后，已显露出在作战组织与实施期间穿透战场迷雾的潜力，这主要源于以下原因。首先，AI能够链接并处理更多观测维度的传感器或节点，构建全域多维的传感器网络，并更快速、更具效率地分析整个网络上的信息，从而获得有关目标及其毁伤状态的多维信息，进而更多全面体现目标对象的状态变化情况。其次，AI在处理海量多维信息时，能够在很大程度上充当某种“过滤器”的作用，在提炼关键信息的同时将大量边缘性、误导性信息隔离在人类指挥员视野外，从而显著降低人类认知负荷，进而促进指挥员基于正确评估结论做出适宜决策。只要BDA还需服务人类指挥员，AI赋能就是过滤作战指挥过程中大量无效信息的重要阀门。
战术打击体系从“杀伤链”向“杀伤网”演变。传统杀伤链，较典型的如美军JP3-60条令中规范的F2T2EA模型（发现、定位、跟踪、瞄准、交战、评估），其本质上是脆弱的、前后依赖的线性链条，任一环节被干扰或信息流被切断，整条杀伤链就会降效、降等。而AI赋能的BDA，其对多源信息和通信链路的高效整合，不仅意味着“杀伤链”在时间维度上被极度收缩，更意味着整个杀伤链的各功能节点的去中心化、多源化，这意味着杀伤链各功能节点能够在战场上按需铰链，以构成全新的、具有最优战场打击效率的“杀伤网”。在俄乌战场上，由大量杀伤链各功能节点构成的杀伤网已经历了实战的检验。这不仅是技术的升级换代，更是战场打击战术逻辑的重塑与重构。
【1】https://www.cia.gov/library/abbottabad-compound/B9/B9875E9C2553D81D1D6E0523563F8D72_DoD_ Dictionary_of_Military_Terms.pdf
【2】战斗评估（CA），是联合目标工作过程中重要的部分，它由3项相互联系的要素业务组成：战斗毁伤评估（BDA），弹药效能评估（MEA），未来目标工作或再攻击建议（re-attack recommendation）。
【3】飞行报告（inflight report），（美国防部）用机载系统发送在目标上空与飞行途中获得的情报资料。
【4】侦察结果报告（reconnaissance exploitation report），（美国防部、北约）用于报告战术航空侦察结果的一种标准信息格式，如有可能，报告中应包括对传感器图像的判读结果。简称RECCEXREP。
【5】现场报告（spotreport），（美国防部）一种简要报告，其中包括对当前计划与作战行动可能有直接或重大作用的时间或情报的重要资料。该报告以符合其要求的保密程度的最迅速传递手段进行传送。
【6】Conduct of the Persian Gulf War: Final Report to Congress，https://apps.dtic.mil/sti/citations/ADA249270
【7】It Doesn"t Take a Hero
【8】目标现象学，研究的是目标与环境、能源（如激光、微波、热能）相互作用产生的物理表现。
【9】数字孪生，是物理对象、系统或过程的高保真虚拟表达和呈现，它通过实时数据同步，在对象、系统或过程的全生命周期内实现物理世界与数字世界的双向交互。
【10】2022年俄乌战争以来，AI系统的应用更多地聚焦于战术末端，通过构建战术火力迅捷杀伤链提升杀伤效率，更深度应用AI赋能的俄军Svod指挥系统预计至2026年中期才可能列装，具体可参考：https://english.nv.ua/russian-war/how-ukraine-turned-data-and-ai-into-a-battlefield-advantage-over-russia-50592029.html
声明：本文来自知远战略与防务研究所，版权归作者所有。文章内容仅代表作者独立观点，不代表安全内参立场，转载目的在于传递更多信息。如有侵权，请联系 anquanneican@163.com。
