2026年1月，美国Scale AI公司发布《战争中的智能体革命：决策优势的现在与未来》报告，该报告认为人工智能对战争的影响方式，正在从大语言模型、图像识别、自动化分析等单点工具，进一步转向能够感知、推理、调用工具、保持记忆并执行复杂任务的智能体系统。智能体系统的军事价值是压缩观察、判断、决策和行动的时间，美军未来的优势不仅来自更先进的平台或更大规模的无人系统，而且来自人机协同形成的决策优势。
图1 《战争中的智能体革命：决策优势的现在与未来》报告
相比传统AI应用，智能体系统的关键变化不在于“回答问题”，而在于围绕人类设定的任务目标主动组织行动，能够在较少人工提示下完成多步骤、跨系统、跨领域的复杂工作。这种变化使AI不再只是参谋人员桌面上的辅助软件，而可能成为嵌入指挥控制链路的数字参谋体系。在现代战争中，传感器数量、数据规模、武器速度和作战节奏持续上升，传统依靠人工汇总情报、制作幻灯片、逐级汇报、等待指挥员决策的流程越来越难以适应高强度对抗。未来，美军需要在“智能体战争”中获取决策优势，让各级指挥机构能够在复杂不确定环境中，以更高速度完成情报融合、威胁识别、方案生成、仿真验证和资源调配，从而在对手决策周期尚未完成之前完成己方下一步行动。
1
决策优势成为未来战争的中心变量
1.1 现代战场正在压缩传统指挥流程的有效时间
当代军事冲突呈现出明显的高速度和高不确定性特征，东欧战场实践表明，技术扩散速度已经超过传统军事体系的适应速度，无人机、巡飞弹、电子战和实时情报链条不断改变前线作战方式。美军在太平洋地区面临的对手拥有近岸地理优势、较短补给线和较强区域拒止能力，一旦危机爆发，美军需要在远距离、跨域、多节点条件下迅速完成兵力部署和任务协同。美国本土也不再安全，网络攻击、关键基础设施瘫痪、无人自主集群袭扰和弹道导弹威胁，都使防御方必须更早发现迹象、更快识别意图、更准确统筹防御处置。
在上述背景下，平台性能优势正在变得不充分。隐身飞机、精确弹药、卫星网络和无人系统仍然重要，但如果指挥体系不能把海量信息快速转化为有效判断，先进装备也可能因决策迟滞而丧失效能。未来战争中的关键竞争，越来越表现为谁能更快完成从感知到行动的闭环。响应速度本身成为一种作战能力，甚至可以被视为新型无形“武器系统”。
1.2 智能体系统把AI推向OODA循环各环节
智能体系统的核心作用，是把AI嵌入OODA循环的关键节点。传统AI能力更多停留在单一环节，例如图像识别、文本生成、目标分类或数据检索。智能体系统则能够把这些能力组织成任务链：一个智能体处理卫星图像，一个智能体交叉比对信号情报，一个智能体分析政治经济变化，一个智能体调用仿真模型评估行动方案。多个智能体协同工作后，形成的是一种持续运行的决策辅助网络。
该网络不会替代指挥员，指挥员仍然负责确定意图、判断风险和批准关键行动。变化在于，原先需要大量参谋人员长时间整理、筛选和比较的工作，可由智能体系统先行完成第一轮处理。人类从原始数据处理者、流程推动者，逐渐转向任务意图设定者、关键节点裁决者和风险承担者。智能体系统并不是替代指挥，而是重塑指挥活动的时间结构和信息基础。
1.3 从大语言模型到多智能体任务系统
大语言模型已经展示了生成文本、总结材料和回答问题的能力，但单纯依靠聊天式AI并不能真正改变军事行动。它们容易生成大量逻辑完整、却无法直接落地执行的文本，且输出结果的来源、推理过程和可信度缺乏可追溯性。军事指挥决策需要的不是更多文字，而是更明确的行动指引、更可靠的风险评估、可量化对比的作战方案和更严密的权限控制机制。
多智能体系统正是针对上述短板构建而成的。它可以把大模型、专用小模型、目标检测算法、仿真工具、数据库、地理空间系统和工作流软件组织起来，形成面向任务的智能体集群。每个智能体只承担特定功能，系统通过编排机制分配任务、同步状态、调用工具并控制权限。这样既能利用大模型的推理和语言交互能力，又能通过专用模型和外部工具弥补大模型在精确计算、态势建模和结果验证方面的不足。
2
智能体告警：从传感器报警走向任务化感知
2.1 高噪声战场需要新的告警组织方式
智能体告警面向的是现代战场最典型的问题之一：不是没有数据，而是数据太多、告警太杂、真正威胁容易被淹没。以夜间拥挤海峡中的航母打击群为例，周边可能同时存在商船航迹异常、渔船信号、无人机贴海飞行、疑似潜艇接触、内陆导弹部队通信异常等多类信号。传统系统会把大量报警推送到操作员界面，指挥所看似掌握了更多信息，实际上却可能陷入噪声过载。
智能体告警的重点不是重新建设一套全新的传感器体系，而是在既有传感器、数据链路、告警工具和分析软件之上增加一个智能综合层。这个综合层持续摄取雷达、光电/红外、声学、射频、信号情报、蓝军位置、气象、后勤和人工分析产品等多源信息，把分散告警转化为带有任务背景、威胁优先级和解释依据的判断结果。它试图回答的不只是“哪里有信号”，而是“哪个信号更重要、为什么重要、下一步应如何验证”。
2.2 从“通知人”转向“组织传感器行动”
传统告警系统的工作终点通常是把异常推送给人。智能体告警的不同之处在于，发现异常只是行动链的起点。一旦边缘检测智能体发现声学震动、热源变化、射频异常或图像偏差，系统会自动进入调查流程，调动其他传感器聚焦同一目标区域。例如，低分辨率地面传感器捕获疑似移动迹象后，可通过编排智能体指挥无人机、摄像头或高分辨率侦察载荷转向该坐标，以更高保真度确认目标性质。
这种机制使传感器网络从静态监视阵列转变为事件驱动的分散系统。平时，系统可以保持较低功耗、较低带宽占用和较大覆盖范围；一旦出现异常，则迅速集中高性能传感资源，对局部目标进行验证、跟踪和补充采集。它解决的是覆盖范围与信息精度之间的矛盾，把原先需要人工协调的跨传感器任务分配，转化为智能体自动执行的连续动作。
2.3 交叉验证、信息价值管理和空间推理构成核心机制
智能体告警的技术逻辑主要体现在三个方面：第一是交叉验证，即一个传感器或智能体发现异常后，能够提示其他传感器、平台或分析工具参与验证。第二是信息价值管理，即在带宽和算力受限条件下，系统根据事件重要程度分配数据传输和处理资源。多个传感器同时触发时，智能体可判断哪个事件威胁更高，将更高帧率、更高分辨率和更多分析资源分配给关键目标，而对低优先级信息进行压缩、概括或延迟处理。
第三是空间推理。智能体并不只记录目标当前位置，而是结合地形、速度、航向、遮蔽区和物理约束预测目标可能路径，提前调整传感器指向。例如，系统可判断目标即将进入山体遮蔽区，提前调动另一侧传感器接续跟踪，避免目标短暂消失造成态势断裂。这种由模型驱动的预判能力，使传感器网络开始具备“寻找目标”的能力，而不只是被动“看见目标”。
2.4 智能体告警的价值在于形成可解释的风险排序
现有信息融合技术已经能够以机器速度处理部分数据，但它们往往依赖固定规则、预设阈值或特定训练场景，对超出规则集的复杂态势适应性不足。智能体告警的关键差异在于增加了任务判断能力，它能够把传感器数据与作战背景、任务目标、历史模式和当前风险联系起来，生成更接近指挥员需要的风险排序，而不是单纯罗列异常点。
这对指挥控制流程具有直接影响，操作员不再需要在大量报警中逐项筛查，而是重点审查系统推送的高优先级事件及其解释依据。指挥员获得的也不是孤立信号，而是带有置信度、风险等级和建议动作的态势判断。系统可提示哪些目标需要继续监视，哪些区域存在盲点，哪些资产应重新配置，哪些事件可能需要进入更高层级决策。
2.5 智能边缘使感知体系更加贴近实战节奏
智能体告警尤其适合部署在边缘环境，战术前沿、海上编队、偏远基地和本土防空反导节点，都可能面对通信受限、带宽不足、传感器分散和威胁突发等问题。将部分智能体部署在边缘设备上，可在本地完成初步检测、过滤、压缩和优先级排序，减少原始数据回传压力，把真正重要的信息推送给上级节点。
这种能力对分布式作战具有重要意义，分散部队不能依赖庞大固定指挥所持续处理全部信息，更需要小型、自动化、可解释的感知辅助系统。智能体告警可以帮助前线部队更早发现异常，更快组织传感器协同，它使美军的实时战场神经系统从集中式、人工监控式，向分散式、任务驱动式和主动适应式转变。
3
智能体规划：从静态作战计划走向动态方案生成
3.1 传统联合计划流程已难以满足危机响应需求
军事计划是美军战场优势的重要基础，但现行联合计划流程仍带有明显的线性特征。任务分析、方案发展、方案推演、方案比较、方案批准和命令生成等步骤强调完整性和严谨性，却难以适应快速变化的战场。战区级作战计划可能需要长时间准备，形成的往往是厚重、静态的文件体系。计划完成后，敌情、技术、兵力状态和地缘环境仍在变化，原有假设随时可能失效。
这一问题在高强度对抗中更加突出，战争爆发后，对手的第一步行动可能立即改变原有计划前提，新型武器和作战样式也可能在数周甚至数天内扩散。例如无人机、第一人称视角攻击平台和电子战手段的快速变化，会影响兵力机动、火力分配和后勤组织。
3.2 雷霆熔炉项目把智能体嵌入战区级作战计划流程
美军的雷霆熔炉（Thunderforge）项目正是面向这一短板展开的探索。该项目由美国国防创新小组推动，目标是建设AI赋能的指挥、控制和规划系统，并将智能体能力引入战役级和战区级规划。目前相关原型在美国印太司令部和欧洲司令部测试，服务对象不是单一战术小组，而是承担复杂战区筹划任务的司令部和参谋机构。
雷霆熔炉项目的重点并非用AI更快生成计划文书。大语言模型已经能够较容易地草拟参谋估计、警告命令或格式化文本，但这并不是计划流程最困难的部分。真正困难的是方案发展、兵棋推演、风险比较、资源权衡和方案验证。雷霆熔炉项目试图把大语言模型的交互能力、智能体的任务执行能力和基于物理的建模仿真工具结合起来，使规划人员能够更快生成经过检验的作战方案，而不是只得到更漂亮的文本。
图2 智能体规划系统从数据到能力的形成路径
3.3 建模仿真成为智能体规划的关键支点
联合计划流程中最具决定性的环节之一是兵棋推演和仿真。美国长期重视通过复杂模型评估作战方案，在力量结构、后勤流、任务效能、火力配置和战役节奏等方面形成较强分析能力。但这些模型工具分散在不同军种和机构中，操作门槛高，通常需要运筹/系统分析人员参与，运行周期也可能较长。危机来临时，规划人员往往没有足够时间完成严谨仿真，反而不得不依靠经验和简化判断。
智能体规划的突破点，是把复杂模型工具纳入自然语言和智能体编排环境。规划人员可以用接近自然语言的方式提出问题，智能体负责调用模型、设置参数、启动仿真、提取结果并生成解释。运筹分析人员不再把主要精力耗费在数据装载和结果导出，而是转向设计问题、解释异常和审查模型合理性。这样，建模仿真从少数专家掌握的专业工具，逐步变成规划团队可以更直接使用的决策支撑能力。
图3 基于智能体的仿真工具调用流程
3.4 SAFE-SiM体现全域仿真与智能体结合方向
DARPA的SAFE-SiM是智能体规划可调用的典型建模工具之一。它被设计为快于实时的全域仿真环境，可覆盖海底、海面、空中、太空、网络和电磁频谱等多个作战域，并支持多级安全环境。此类工具能够用于设计战役、作战概念、力量结构和资源配置，评估不同方案在任务效能、后勤消耗和力量组合上的差异。
如果与智能体规划系统结合，SAFE-SiM这类工具可以支撑更高频率的方案验证。规划团队不必只运行少量人工推演，而是可以围绕敌方可能行动、己方不同兵力配置、补给线受损、关键节点失效、通信中断等变量，快速生成多组方案并比较结果。系统不仅给出某一方案“能否执行”，还可以提供方案成功概率、主要风险来源、敏感变量和替代选项，从而提高指挥员对方案的信心。
图4 规划人员与智能体团队协同生成经验证计划
3.5 “规划多重宇宙”改变方案生成方式
智能体规划最有想象力的部分，是生成所谓“规划多重宇宙”。传统参谋流程通常围绕少数几套方案展开比较，而智能体系统可以在模型支撑下运行数千乃至数十万种变量组合，模拟不同敌方行动、天气变化、补给条件、兵力损耗和任务优先级下的结果。规划人员面对的不是有限几个静态方案，而是经过结构化整理的大量可能方案。
这种能力并不意味着让机器替人决定战争。它的作用是把原本难以穷尽的方案空间压缩成可审查、可比较、可解释的选项集合。指挥员仍然根据政治目标、战略风险、交战规则和战场直觉做出判断，但其判断基础变得更加丰富。过去需要数周完成的方案探索，未来可在几小时或几天完成，危机行动计划和周密作战计划之间的界限也会被重新定义。
3.6 从“计划活页夹”到“活计划”
智能体规划的远期形态，是把实时多模态数据接入计划系统，使作战计划从静态文件转为动态更新的“活计划”。现代战场每天产生大量来自卫星、无人机、平台遥测、通信情报、后勤系统和战场报告的数据。如果这些数据能够被智能体持续摄取并转化为方案调整依据，计划就不再只是某一时间点的参谋产品，而成为随着局势变化不断修正的任务系统。
“活计划”的价值在于缩短对手行动与己方响应之间的时间差。当敌方改变部署、关键节点被摧毁、天气窗口变化或后勤通道受阻时，系统可以自动识别哪些计划假设受到影响，调用仿真工具重新评估方案，并向规划人员推送调整建议。人类仍负责批准关键变化，但不必从零开始重新组织全部计划流程。这种模式将使计划从“准备战争的文件”转变为“战争中持续运行的决策工具”。
4
推动智能体AI进入作战体系的主要路径
智能体战争要求美军重新设计作战方式，未来五年，智能体能力将向更强多模态、更长任务链、更高自主性和更强自我纠错方向发展，其影响将扩展至感知、规划、机动、网络、防护、后勤和信息行动。网络防御中，智能体可持续寻找异常并隔离受损节点；电子战中，可识别干扰和欺骗并推荐反制；ISR管理中，可自动调整采集任务；后勤保障中，可根据战场损耗和运输风险优化库存、路线和补给节奏。
然而，历史经验表明，技术本身并不会自动带来战争方式变革。闪击战、航母航空兵和精确打击的成功，都依赖条令、组织、训练和作战概念同步变化，智能体系统也是如此。
4.1 以决策优势牵引能力建设
智能体AI进入美军体系，应首先服务于决策优势，而不是被分散为若干彼此孤立的软件项目。建设重点应围绕OODA循环中的关键节点展开：在观察和判断阶段，用智能体告警解决数据噪声、传感器协同和威胁优先级问题；在决策阶段，用智能体规划解决方案生成慢、仿真使用难和计划更新滞后的问题。只有围绕明确作战问题组织技术，智能体系统才不会沦为一般办公自动化工具。
决策优势还应成为评估项目价值的核心标准。一个系统是否成功，不应只看模型参数、界面功能或演示效果，而应看它能否缩短指挥周期、提高方案质量、增强态势理解、降低人工负担、改善资源调配，并在对抗环境中保持可用性。
4.2 加快从原型到正式项目的转化
当前制约智能体系统扩展的主要问题，不是技术能否实现，而是原型能否快速进入真实任务并形成规模部署。美军已经拥有一定原型基础，但如果长期停留在演示、试点和局部实验阶段，就难以形成体系优势。智能体告警和智能体规划需要在作战司令部、军种部队和联合演习中持续迭代，尽快明确用户、预算、责任单位和部署路径。
从原型到正式项目的转化，还需要更灵活的采办和评估机制。传统装备采办周期较长，而智能体系统更新速度快、模型迭代频繁、任务需求变化快，如果仍按传统硬件项目方式管理，容易错过技术窗口。更合适的路径是小步快跑、持续交付、边试边改，在严格测试评估和安全边界下，让作战用户尽早参与能力塑造。
4.3 加强算力、数据、网络和安全基础设施
智能体系统不是单独运行的应用程序，而依赖算力、数据、网络、安全和模型服务构成的底座。没有可访问、可治理、可机读的数据，智能体无法形成有效态势；没有可靠网络和边缘计算能力，智能体难以进入分布式作战环境；没有安全隔离、权限控制和审计机制，智能体调用工具和数据时可能带来新的风险。
因此，推进智能体战争必须同步建设基础设施。战区级数据环境、跨域数据共享机制、多级安全模型调用、边缘部署能力、模型评估平台和仿真工具接口，都是智能体系统发挥作用的条件。若基础设施割裂，各军种和司令部各自建设封闭系统，智能体能力就难以跨层级、跨军种、跨任务流动，决策优势也会被系统边界抵消。
4.4 重塑条令、训练和职业军事教育
智能体系统真正进入作战体系，必须改变指挥员和参谋人员的工作方式。未来参谋人员不仅要会写计划、做汇报和组织协调，还要理解如何向智能体表达任务意图，如何审查AI生成的方案，如何识别模型不确定性，如何判断何时需要人工介入。指挥员也需要掌握在“人在环上”模式下监督系统、控制风险和保持任务主导权的方法。
训练体系应把智能体系统纳入演习和兵棋推演，而不是只在实验室展示。复杂对抗场景、通信受限环境、欺骗数据、模型失效和权限冲突，都应成为训练内容。只有在压力环境下反复使用，部队才能形成对智能体系统的真实信任，也才能发现流程、组织和条令中的不适配之处。
4.5 把联盟体系建设为智能体联盟
未来战争中，美军需要与盟友联合开展作战行动，智能体系统如果只在美国内部有效，而不能与盟友数据、流程和系统互操作，将限制联合行动效率。智能体联盟的关键不仅要共享情报，而且要共享数据结构、接口标准、模型评估方法、任务工作流和安全规则。在防空反导、海上态势感知、联合后勤、跨域火力和危机计划等任务中，盟友之间若能以兼容的智能体系统协同工作，就能更快形成共同态势和联合方案。
4.6 形成速度、信任和控制相统一的推进机制
智能体AI的军事应用不能只追求速度，速度、信任和控制必须同步建设。速度解决能否跟上战争节奏的问题，信任解决指挥员是否敢用的问题，控制解决系统是否在合法、合规、可问责边界内运行的问题，三者缺一不可。
因此，美军推进智能体系统的核心路径，是以真实作战问题为牵引，以原型试验和快速部署为抓手，以测试评估和权限护栏为保障。智能体系统不会自动赢得战争，但它可能改变战争中信息、时间和判断的关系。谁能更快把这种能力制度化、规模化，谁就更可能在未来高强度对抗中掌握主动。
5
智能体革命的实质是重塑指挥决策链
《战争中的智能体革命》并不是单纯讨论某种AI软件，而是在讨论美军指挥决策体系的下一次结构性调整。智能体告警解决的是“如何更早、更准地看见威胁”，智能体规划解决的是“如何更快、更可靠地生成方案”，测试评估解决的是“如何让指挥员敢于使用”，推进建议解决的是“如何把原型能力转化为体系优势”。智能体系统不会取代指挥员，也不会消除战争中的不确定性。它的真正作用，是把机器在速度、规模、模式识别和仿真计算上的优势，与人类在意图、判断、责任和创造性上的优势结合起来。伴随着智能体革命的到来，未来军事竞争的重要焦点，将从平台和火力竞争进一步扩展到决策链竞争。
声明：本文来自防务快讯，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。
