近年来，为了适应作战方式向多域/全域联合作战方向发展，以及武器装备向协同化、体系化方向发展，提升精确打击体系在体系化联合作战及与强敌对抗条件下的打击能力，美国等军事强国基于近十几年来人工智能技术的迅速发展及其在商用、工业和科学等领域的成功应用经验，大力开展精确打击体系智能化研究和开发，并实现初步应用。本文综述了国外先进的精确打击体系智能化发展状况，分析了先进精确打击体系对智能化的需求，重点介绍了精确打击体系的信息支持系统智能化与精确交战环节智能化的整体发展状况，并简述了相关关键技术。

  近年来，为满足与“近对等”的对手作战以及在复杂战场环境中有效打击高机动、时敏、隐身、隐蔽、伪装目标及集群目标的迫切需求，美国等国正在精确打击作战概念、体系和武器装备能力建设方面做转型，这中间还包括：发展和实施分布式协同作战、联合全域作战等新作战概念，构建下一代战场网络，实现从杀伤链到杀伤网转型；发展先进作战平台、精确打击信息支持系统、电子战装备及精确制导武器装备与技术，构建先进精确打击体系，优化体系中各类武器的配置，进而改进整个杀伤链，以期在未来更为复杂的作战环境中，确保比对手更快地闭合杀伤链，有效突防并高效、精准地打击各类目标［1-10］。

  基于先进的情报监视侦察系统、指挥控制管理系统、电磁域作战系统和精确打击武器，建立信息、决策与行动优势，实现高效跨域协同精确打击，成为精确打击体系的发展重点。人工智能等前沿技术对实现信息优势和决策优势具备极其重大作用。分析表明，将智能化技术用于精确打击体系杀伤链中，可望显著提高态势感知、目标识别、协同打击等能力，实现更快、更及时的决策，在复杂多变的战场环境和激烈的攻防对抗博弈条件下，高效、精确地打击各类目标［11-27］。经过几十年的发展，人工智能/机器学习得到爆发式的发展，其在传统的挑战性领域（如机器视觉、自然语言处理等）的成功慢慢的变成了不争的事实，在由物理学主导的工程学科领域（如材料科学、机器人学和控制及宇航工程），AI和机器学习也得到成功应用［11，18］。

  基于在军用系统中采用人工智能/机器学习可望带来显著收益的预期，以及近十几年来人工智能技术的迅速发展及其在商用、工业和科学等领域的成功应用经验，美国2018年国防战略将AI和机器学习的军事应用列为美国军队现代化战略的关键单元，将人工智能/机器学习当作下一代战场网络、人-机协同作战、人员辅助作战和网络化自主武器等的赋能技术。近年来美国军方、相关国家研究机构和几大军工集团显著加大了将智能化技术用于精确打击杀伤链的探索和研发、试验力度［11-27］。

  本文分析了先进精确打击体系对智能化技术的需求，讨论了智能化技术对提高精确打击体系杀伤链各环节能力的作用，重点介绍了精确打击体系信息支持系统智能化与交战环节智能化的整体发展情况，并简述了相关的关键技术。

  如图1所示，先进精确打击体系由泛在的多层情报监视侦察瞄准系统、新一代联合全域指挥控制系统、认知通信和网络、平台智能突防、非动能作战手段和先进智能化精确打击武器构成。前3个系统构成赋能精确打击体系实现精确打击使命的信息支撑系统（C4ISR系统），即集指挥、控制、通信、计算机、情报监视和侦察能力于一体的指挥信息系统。平台智能突防、非动能作战手段和先进精确打击武器则属于精确打击体系的交战环节。为显著提高精确打击杀伤链整体能力，尤其是决策与行动速度，需在杀伤链各环节得到智能化技术的支撑［12］。

  2021年8月12日，美国导弹防御局局长乔恩·希尔在第24届太空和导弹防御年会上发表的“导弹防御局着眼未来”的演讲中，阐述了人工智能在导弹防御杀伤链的作战筹划、探测跟踪识别、指挥和控制、交战和评估等环节的作用，主要包括：在作战筹划环节进行智能化的情报监视侦察数据分析、制订新的战术和战略；在探测跟踪识别环节自适应选择波形、学习新的识别特征和决策面；在指挥和控制环节优化利用传感器和武器资源，制订人-机协同策略；在交战环节动态调度交战，智能选择最佳防御系统对威胁交战；在评估环节学习新的特征和算法，自动进行目标识别和杀伤评估。

  精确打击体系的信息支撑系统是从信息优势转化为决策优势，进而形成作战行动优势的关键。采用智能化的情报、监视和侦察数据分析和决策，可以显著缩短发现、锁定、跟踪、瞄准目标所需的时间（从几小时缩短到几分钟）［10］。

  地、海面目标采用复杂地形遮蔽及各种隐藏、伪装、欺骗和光电对抗、电子对抗手段来反制精确打击体系，将形成复杂和激烈对抗的地、海面战场环境，需要更高的信息感知和认知、分析能力，因此未来的精确打击体系需要构建多层次的异构、异质ISR敏感环境，构建泛在的多域、多层次、多谱段、多模式的多维情报监视侦察瞄准系统，并通过对其获取的战场态势和目标信息进行快速处理和感知，从复杂的背景环境中快速探测识别伪装、隐蔽的目标及时敏目标，对战场空间进行感知，理解作战环境、态势，为对威胁目标交战提供足够可靠和精确的瞄准数据[4-13,28-33]。

  由于战役进程变化快速，为有效地调度和控制各种平台和传感器，需要对大量的决策变量进行评估，针对多种传感器获取海量的数据，并对数据进行分析、解译。传统以人工分析操作位置的作业模式下，操作人员和分析人员对ISR装备进行管理决策的能力，以及对所获得的信息进行解译的能力，受到严峻的挑战，难以有效地管理、控制情报监视侦察设备和对数据进行发掘利用。并且，对编队目标、时敏目标和伪装目标，需要更快、更灵活地协同运行和管理全谱ISR资源，才能提供关于复杂快速变化的战场环境的精确、实时的图像，更好地支持战术作战。因此，需要智能化地调度和协同控制多域的情报监视侦察和瞄准资源；智能化地融合、分析跨多个作战域的多个异构的情报监视侦察传感器的数据；智能化地进行广域多目标的自主目标检测识别与抗干扰［10-14］。

  指挥控制系统主要用于准确掌握作战信息，及时做出情况判断，筹划、指导和协同军事作战，以实现作战使命。联合全域指挥控制则要实现与联合作战行动相关的跨地理区域，跨空中、陆地、海上、空间、网电空间等作战域的军事平台和系统的无缝集成、联接和协同。发展先进的联合全域指挥控制能力，可望以比对手更加准确和快速的决策和协同行动来挫败对手。因此，需要在高烈度的博弈对抗环境下，智能化地进行作战任务筹划，智能化地优化和调度精确打击武器、电子战设备、定向能武器、情报监视侦察和瞄准系统、物理和电磁频谱机动作战以及无人作战[11-17，20-23]。

  美国海军作战部司令M.Gilay在2021年1月指出：“必须采用强韧的持久性传感器、指挥控制节点、平台和武器网络，比对手更快地闭合杀伤链”。通信和网络用于实现情报监视侦察和瞄准系统、武器、指挥控制系统和平台之间的跨整个战场、跨各作战域的互联互通，支撑多层级的作战网络。可靠的通信组网是实现上述作战网络乃至实施分布式协同作战等新战法的基础，认知的、强韧的、安全的大容量通信成为高烈度博弈对抗环境中的军事行动必要的赋能技术。因此，需要采用AI和机器学习技术实现认知通信和组网，通过跨域的指挥控制网络，智能化地支撑作战区域之间可靠的数据传输；将能够得到的最适当的目标瞄准信息传送给最适当的射击者，并有效支持在整个交战空间内进行任务选择和重新分配智能化多任务精确打击导弹[10,14,18]。

  为保证更有效地投送动能和非动能精确打击能力，需要发展高速及强隐身平台和远程防区外隐身精确打击武器，并发展先进的无人化协同作战/自主作战平台、平台作战系统和突防手段。精确打击体系的交战环节对智能化技术的需求主要体现在精确打击平台任务/作战系统、突防及武器的智能化上。

  1.2.1先进平台任务/作战系统和突防及非动能作战手段对智能化技术的需求

  平台任务/作战系统必须智能化地融合多源传感器的数据并消除冲突，以产生用于决策的单一的有用的航迹图像。要对传感器进行控制并对传感器资源使用进行管理，满足整体作战需求。要在高动态的场景中对所携载的武器进行智能化选择决策，确定哪种武器（导弹、火炮和/或电子战设备）最具有消除威胁的能力，并基于可用的武器数量和预测的效能选择要使用的武器。

  未来空中作战平台将采用高能激光和微波、先进的分布式电子攻击、网电空间和认知电子战等实施非动能打击及单机或组网协同突防。为有效突防，提高生存能力，需要采用智能化自主航路规划、智能化对抗资源调度、智能化诱饵欺骗战术等手段，智能化地规避、欺骗威胁[10，23，25-26]。

  为了在先进防空体系的拦截威胁下和复杂战场环境中实现突防和对地、海面运动目标有效精确打击，需要发展先进弹载探测感知技术（包括多波段、多模导引头）及自主智能突防与目标识别技术，使精确打击武器具有高效突防和复杂环境下自主截获目标的能力；为高效突防及打击地、海面群目标，需要发展能够进行弹间通信及智能化协同的精确打击导弹集群[10，23-26]。

  1） 基于多源异构信息融合处理的弹载智能化战场态势分析判断。运用人工智能技术，由弹载计算机综合利用弹载传感器获得的信息和导弹接收的天基、空基或地面控制站的信息以及目标特征数据库，对多源异构信息进行处理，完成对目标的准确检测与分类识别，以及对战场态势的分析判断[10，23-26]。

  2） 导弹单弹智能化突防与威胁规避。运用人工智能技术，实施自主航路规划与智能对抗，提高突防概率。利用弹载被动射频传感器等获得的敌方射频辐射源信息，结合导弹接收到的来自其他导弹或飞机的目标信息及目标特征数据库，完成威胁分类、定位，并对战场电子态势进行分析判断，规划导弹的最佳突防路径[10，23-26]。

  3） 复杂战场环境下的弹载智能化目标探测识别和抗干扰。结合人工智能技术，由弹载计算机利用弹载射频成像传感器、红外成像传感器等获得的信息以及目标特征数据库，在复杂战场环境下低虚警率探测感兴趣的敌方目标，完成分类与识别[23-26]。

  4） 群弹攻击智能化协同探测制导及协同突防。对采用体系化弹群攻击模式的导弹集群，通过群弹中相同或不同探测体制、波段的导引头，在不同距离、不同角度下对目标进行多条件联合探测，实现比单枚导弹独立探测更优的目标识别、抗干扰能力。需要进行多弹间信息交互与协同处理，实现高动态环境下智能化自适应组网、信号级/信息级探测协同、多平台多源信息融合、弹群分布式智能化协同、弹群集体智能化决策[10，23-26]。

  在应用需求牵引和智能化技术发展驱动的双重作用下，近年来美军加快将现代人工智能技术纳入精确打击体系信息支持系统与交战环节。美国国防部及陆、海、空军等军种与美国国防高级研究计划局（DARPA）等开展多层次、多方面研究、开发与工程化工作，推动军事智能化技术发展与应用。

  为实现对多域情报监视侦察瞄准系统的智能化调度、控制和数据融合、分析，美国国防部及陆、海、空军各军种及几大军工集团等开展了相关的研究、开发与工程化工作。

  美国国防部算法战跨职能团队正在开展将AI用于情报监视侦察数据处理、发掘利用和分发的Maven项目，并且支持麻省理工学院林肯实验室开展信息、计算方面的科学研究，发展用于处理、融合、解译、计算及发掘利用多传感器、多情报数据的新架构、工具和方法，以应对国防部/情报界产生和吸收的信息洪流的体量、速度成指数的增长，基于新兴的人工智能/机器学习技术能显著提高在情报监视侦察、指挥和控制等作战任务域的能力。

  据美国《C4ISR与网络》2021年10月8日报道：2021年10月7日进行的人工智能目标识别演习中，美陆军搜索了美国东部沿海4个州约7 200 km2的区域，使用国防部研制的Maven人工智能软件，在0.9 km2区域内寻找、识别出指定目标，随后投放2枚GBU-32制导炸弹摧毁目标。

  美国国家侦察办公室负责运行美国的国家航天情报监视侦察资源。随着美国天基情报监视侦察卫星数目显著增加，需要更有效地调度、获取和分发天基情报。为此，美国国家侦察办公室正在发展和改进人工智能、机器学习、自动化和多情报处理技术，确保在恰当的时间将恰当的信息传送到恰当的位置（战场中的作战者、指挥官或者情报界的分析人员）。国家情报办公室正在构建帮助作战者和情报分析人员，通过融合多个天基情报监视侦察资源的数据来更好地认知数据的人工智能/机器学习工具，实现更好的态势感知和决策优势。美国国家侦察办公室的这一人工智能/机器学习工具已经应用在美国的各个作战司令部，并在乌克兰危机中为欧洲司令部的行动提供了关键支持。

  美国空军近年来通过改进其航空航天传感器装备和对传感器数据采用新颖的处理方式，提高空军的情报监视侦察能力，并发展了通过适当的应用平台、传感器、基础设施和智能化分析工具提高任务成功率的ISR资源管理方法。采用分层敏感机制适应多域信息源，加速感知和分析，并赋能多种形式的自主系统。从2020年开始，开展基于闭环的多域、多情报源、多平台、多传感器框架的智能化多域分析技术研究，期望通过用于作战管理的闭环集中式和分布式感知、用于态势感知的基于复杂推理的自动化机上系统，实现“智能化”响应，执行任务分配与规划，支撑在高烈度对抗环境中作战的空军多域指挥和控制。

  美国空军开展的情报监视侦察现代化和自动化开发项目，主要包括支持算法战的核心技术和支持杀伤链自动化的分析体系，旨在开发和验证在情报监视侦察系统中实现机器学习、人工智能、云计算和自动化所需要的技术，实现从探测到任务执行的决策优势。美国空军的空中作战情报系统项目旨在通过为空中平台提供关键的情报处理、分析和分发能力来为空中作战和空中支援以及国家、作战司令部和空军情报任务提供情报支持。该项目正在开展杀伤链自动化技术研究，以改进从传感器到射击者的动态探测、锁定、跟踪、瞄准、交战和情报评估能力，采用自动化/人工智能赋能的敏感栅格和瞄准/应用来缩短远程杀伤链。

  美国空军发展了分布式通用地面系统（Distributed Common Ground System，DCGS），这是用于筹划、引导、获取、处理、发掘利用、分发和分析传感器数据的武器系统，可将多源、多域数据转换为可行动的情报，以发现、锁定和瞄准敌方部队并缩短杀伤链。空军的分布式通用地面系统分析师可充分利用人工智能/机器学习、自动化技术与可视化态势感知，改进他们对跨战术和国家的传感器栅格的多源/多域情报分析，为战场指挥官和空中作战中心提供有价值的情报。2021年空军首席架构师办公室首次将人工智能算法部署至实战杀伤链，该杀伤链涉及空军多个DCGS与一个空中作战中心，将人工智能算法用于自动识别目标，以缩短杀伤链并加快决策速度。为提高广域多目标自主目标检测能力，美空军正在开展识别成像和瞄准支持项目，发展下一代持久性广域监视和通用成像传感器能力，赋能技术包括自动和辅助目标检测与识别、人工智能、机器学习等。

  美国陆军也在推进将人工智能纳入其情报监视侦察瞄准系统。美国陆军开展的人工智能赋能的情报作战分析与决策技术项目，涉及人工智能赋能的情报决策支持、用于作战的人工智能基础研究、用于瞄准的人工智能赋能的情报融合。美国陆军的多域敏感系统项目旨在实现纵深敏感，支持多域作战。采用人工智能/机器学习和自动目标识别、多传感器自动交叉引导、传感器数据关联等赋能技术。美国陆军的战术情报瞄准接入节点（Tactical Intelligence Targeting Access Node，TITAN）先进技术开发项目，旨在发展用于情报分析的人工智能/机器学习平台。TITAN可联接到将来的联合全域指挥控制网络中，从而能以协同的流畅的方式筹划和执行作战任务。在验证试验中，已采用使用机器学习模型的实时处理链对5种不同类型传感器的数据进行处理分析，产生高质量输出。采用常规的处理分析算法需要几小时才能对整幅图像得到瞄准级的精度，采用智能算法仅需几秒钟就可以对整幅图像的每个像素得到实时的瞄准级的精度。

  美陆军会聚计划（Project Convergence）项目期望近实时使用所有传感器、最佳火力投射单元及最合适的指控节点，实现联合杀伤网构建。采用人工智能赋能的地基计算机系统（Firestorm）对由卫星、前沿部署在高对抗烈度的敌方区域的小型无人机和地基传感器所获取的数据进行智能化处理，并将其结论通过陆军的战术无线网传输到指挥所、无人机和作战车辆。自动更新指挥所、无人机和作战车辆的数字地图中友方和敌方兵力的位置，形成单一的态势图像；对目标进行优先级排序，并智能开展目标-武器分配，计算最适合打击目标的作战单元，并直接向这些作战单元的火控系统发送目标瞄准信息［34］。

  为实现智能化的作战任务筹划、多域作战资源协同和调度等指挥决策能力，美国国防部及陆、海、空军各军种主要开展了以下工作。

  美国国防部开展了联合瞄准支持项目，通过充分利用跨军兵种、机构和盟军的资源，缩短从传感器到射击者的时间，提高目标识别率和交战成功率。联合瞄准支持项目将联接跨军兵种的传感器、射击者和数据，以有效支持各个层级的瞄准单元，提供支持联合全域指挥和控制的能力；联合瞄准支持项目将通过发展机器学习分析技术，并与联合的军兵种信息系统、情报监视侦察网络集成，实现用于纵深火力任务的自动联合瞄准；通过采用分布式处理和融合分析技术，同时构建、改进数个用户和机器指定的瞄准平台，并通过改进联合自主纵深作战协同系统来改进跨各层级和军兵种的目标瞄准过程。

  美国陆军开展的联合瞄准——一体化指挥和协同组合软件项目，与陆军远程精确火力和网络化现代化优先项目有关，采用新兴的人工智能/机器学习技术实现联合全域指挥控制、多/全域作战的联合瞄准支持。美国陆军开展的战术分析框架项目，发展人工智能软件/算法和硬件的原型样机，用于人工智能赋能的多层级多域战指挥控制的公共作战图像生成与决策支持。

  美国海军正在通过其未来海军指挥控制能力应用研究中的C4ISR项目，构建跨平台智能化资源管理和数据分发的框架，用于分布式海上作战并提高系统强韧性，发展使指挥官能够在海上作战中心和舰艇上快速、可信地利用数据做出明智决策的智能决策工具，优化用于筹划硬杀伤、网电空间和电磁域交战的协同执行的机器学习和人工智能算法。

  针对在多作战域环境中对抗高能力对手作战的需要，提高决策质量并缩短决策时间线，美国海军开展了MINERVA项目，发展人工智能和机器学习能力以改进任务筹划、情报获取、执行和评估。MINERVA通过将运筹学与新兴的人工智能技术组合来提供下一代辅助决策能力，形成自适应的自动化能力以支持舰队、部队和作战群的联合作战指挥官及其参谋人员。其人工智能和机器学习方法将应用于水下、水面、空中和空间辅助战术决策，以提高动能/非动能杀伤链的可信性。这些战术决策辅助工具将整合到自动化多域作战管理系统中，实现跨战役和战术级情报监视侦察、指挥控制和作战管理的兵力协同。新兴的人工智能和机器学习方法将用于预测敌方水面舰艇或潜艇的位置、速度及敌方的具体行动路线和意图。

  美国空军正通过其C4I优势技术项目，推动发展提升指挥官和参谋人员指挥能力的技术，从而能在冲突的各个阶段、战争的各个层级（战略、战役和战术）中，跨各个作战域（空中、空间和网电空间）实现所希望的效果，从而提供用于决策支持，确定作战行动路线，进行作战筹划、调度和评估的技术。

  为实现动态、高效、可靠、任务聚焦的通信和网络，美国国防部及海军主要开展了以下工作。

  美国国防部通过全组网通信指挥控制泛在指挥和控制项目推进一体化通信和组网，支撑联合全域指挥和控制概念，将通过智能化技术提高现有和未来武器系统的灵活性、互操作性和强韧性。采用泛在指挥和控制的武器系统将使作战者实现对预料不到的、非对称的和演进的威胁的动态响应。

  美国海军在通信和网络方面的整体目标为：发展高吞吐量动态无线通信和网络技术，这对任务性能和海军广泛分布的、机动的空中、陆地、水面和水下平台通信的稳健性至关重要，可提高网络数据率、跨异构无线电台的互操作性、动态的带宽管理能力，实现更高的移动网络联通性，使从战役指挥部到战术边缘的作战者能近实时地接入完成任务所需的信息、知识和决策。强调战术边缘通信和网络，构建全球信息栅格和“处于不利条件下的用户”（如小型舰艇、潜艇、无人航行器、分布式传感器以及处在城区和具有挑战性的射频环境中的地面单元）之间的桥梁，以完全实现网络中心战。美国海军已经通过海军防空一体化火力控制（Naval Integrated Fire Control-Counter Air，NIFC-CA）项目实现了分布式防空作战，通过传感器组网可以使分布式的兵力探测远距离目标，在网络内传递信息，并由处于最佳拦截位置的平台拦截目标，实现了“任何传感器-任何射击者”的架构。

  美国海军正在发展新的海军作战架构（Noval Operational Architecture，NOA），计划在2030年实现，包括新的战场网络（通过超越计划Project Overmatch实现）、支持精确打击的数据标准和格式、作战管理工具（充分利用人工智能、机器学习的辅助作战管理BMA）、基于云和边缘计算的基础设施等，未来将支持以分布式方式作战的舰队（包括无人和有人舰艇、潜艇和飞机），将能获取大量的数据以形成供作战指挥官使用的统一的作战态势图像，并能由处于最佳观测位置的传感器平台给处于最佳打击位置的打击平台发送瞄准数据来攻击对手，能跨舰队充分利用信息，实现更快的决策。其中超越计划的目标是形成传感器、有人和无人平台及武器的无缝网络，实现决策优势。2023年在Theodore Roosevelt航母战斗群中进行了第一阶段（包括新的人工智能和机器学习作战工具）的作战试验，在2023年8月9日至18日美国海军的大规模演练中也测试了通过超越计划发展的通信技术。

  重点发展基于数据融合、自适应信号处理和人工智能/机器学习技术的多传感器自动发掘和信息处理技术；发展有效的边缘处理概念和算法、传感器数据处理和合成数据生成的平行处理技术、分布式处理和高性能计算技术。特别强调采用机器学习技术来应对高烈度博弈环境中的技术挑战；应用深度学习和机器学习方法探测/跟踪/识别静止的和运动的物体与系统，以及在宽泛的作战使用条件下集中理解行动模式。研究用于军事应用的硬信息源和软信息源的融合方法；设计和评估神经网络训练方法（如：用于深度学习分类器训练的综合测量数据与合成数据的训练方法），以及时和自主地进行情报监视和侦察，增强态势感知和作战空间感知能力，使决策时间线在对手的观测、锁定、决策和行动OODA（Observe，Orient，Decide，Act）环内。

  发展和验证用于闭环的多域、多情报源、多平台、多传感器自动和自主化的先进技术，以提供作战管理、火力控制、作战空间感知和可视化、预测性分析、目标识别、传感器和信息融合及传感器/平台资源调度等方面的能力。重点发展自主化技术、多域/多传感器信息处理技术，充分利用现代机器学习技术和体系级的建模仿真技术提高多域分析性能，在恶劣天气和对手采用欺骗、干扰等对抗手段的复杂战场条件下，实现对情报监视和侦察、瞄准数据的稳健分析。

  通过用于作战管理的闭环的集中式和分布式探测、用于态势感知的采用复杂推理的自动化机上系统，实现“智能化”响应，执行用于提供任务分配的可选择的重新筹划，发展在高烈度的对抗环境中作战的空军多域指挥和控制能力。

  Raytheon公司情报和空间部在战术情报瞄准接入节点TITAN（用于接收、处理和分发数据的前沿部署的战术地面站系统）中对基于行动的情报进行了试验验证，能够自主地对大量的传感器数据进行分析、筛选，以快速地发现和跟踪潜在的威胁。

  基于行动的情报是一种新的分析方法学，能快速地融合分析来自多个数据源的数据，以发现相关的模式，确定和识别变化以及相关模式的特性。通过预测性分析算法，基于行动的情报能把资源聚焦在可最高概率地为决策和行动提供信息的区域，如果系统“认为”一个物体在做令人感兴趣的动作，将基于这一判断调度更多的传感器进一步获取和处理信息。采用预测性分析算法和人工智能技术，能够最优化运用得到的数据源。

  智能化作战筹划及决策支持技术可以在多域作战等复杂的作战场景中，通过智能算法为作战指挥官快速推荐行动路线等建议，帮助指挥官更快速地评估、选择并执行任务行动。

  Raytheon公司情报和空间部为DARPA的自适应杀伤网（ACK）项目开发了ARAKNID（面向跨域杀伤网协商和实例化的随时推理和分析）软件，能够智能化地分析几千个行动路线，为指挥官提供推荐建议，基于作战指挥官的选择发送指令来调度军用飞机。采用智能算法的计算机分析态势和调度作战资源的速度远超过人的决策速度，虽然重要的决策最终是由人来做出的，但机器-机器相互作用对争分夺秒的快速战场决策具有显著的战术优势。

  2020年10月，Raytheon公司的ARAKNID作战筹划软件参加了美国空军的先进作战管理系统作战演习，基于可以获得的平台和武器资源，根据计算的成功概率、连带毁伤效果和机会成本等分析备选方案，为指挥官提供多个行动方案建议（含有排序和权衡），并显示在电子地图上。在指挥官做出决策后，自动与多个现有的指挥控制管理系统通信，借助战术无线报文，调用战斗机，自动地分配武器或实施目标配对。

  智能化精确打击武器体系在作战时更强调协同化、体系化，体系中的智能武器装备具有传统武器装备所不具有的智能化、自主化、协同化、集群化等能力，对智能化精确打击武器装备及体系的试验验证，与传统的精确打击武器装备和体系的试验验证方法与技术有很大的差别，需要研究针对智能化精确打击武器装备及体系的新型验证方法与技术，应对智能化技术融入精确打击武器装备及体系后所带来的系统集成与试验验证的挑战。

  1） 平台任务/作战系统任务和资源管理智能化。通过扩展海军的一体化火力控制概念，美国约翰霍普金斯大学应用物理实验室精确打击领域的工程师正在探索人工智能和机器学习算法，以自动地对有人、无人平台上能够得到的动能和非动能武器资源与目标进行配对，保持足够质量的传感器和通信服务，并为作战人员提供有关何时和怎样进行交战（如动能效应、非动能效应，或者两种效应结合）的推荐建议。

  2） 基于多源异构信息融合处理的弹载智能化战场态势分析判断。目前，多源异类信息智能化融合处理与传感器管理在精确制导导弹中已获得应用，如LRASM反舰导弹就综合采用弹载被动射频和红外成像传感器的数据或来自飞机、舰艇的雷达图像，利用传感器管理尽可能保持雷达静默，到达红外传感器有效距离内之后，可综合雷达和红外图像数据提取目标的薄弱部位作为瞄准点进行攻击［24-26］。

  3） 导弹单弹智能化突防与威胁规避。目前，智能化威胁感知与规避在精确制导导弹中的典型应用是LRASM反舰导弹，该导弹可借助弹载或其他平台的被动射频和威胁告警接收机，智能化地感知敌方的威胁并规划最佳突防路线） 弹载自动目标识别智能化技术。弹载自动目标识别技术已获得应用，智能化水平在持续提高。红外图像自动目标识别已成功应用于空地导弹、巡航导弹，如AGM-84H/KSLAM-ER配备自动目标截获系统；AGM-158A JASSM导弹红外成像导引头采用基于模板匹配的自动目标识别算法；挪威的NSM海军攻击导弹采用中波/长波红外双波段红外成像导引头，具有智能化自动目标识别能力。基于射频雷达的自动目标识别技术也已取得很大进展［24-26］。

  以色列Rafael先进防御系统公司最近研制的Sea Breaker海基和陆基远程精确制导导弹，采用先进红外成像导引头，并结合人工智能技术制订算法，用于在反介入/区域拒止条件下打击海上和陆上目标，系统的独特能力包括计算机视觉、自动目标识别和人工智能以及任务规划系统，采用人工智能、深度学习和基于大数据的场景匹配技术自动识别和跟踪目标。

  5） 群弹攻击智能化协同探测制导。群弹攻击智能化协同探测制导是近年来为了提高采用集群打击方式的导弹作战效能而发展的一项技术。美国正在加快智能化协同探测制导技术研究，并在促进其实际应用。美国国防部负责研究和工程的副部长办公室牵头开展的联合弹药技术应用研究、联合弹药先进技术研究，均把网络化和协同体系作为发展重点，涉及发展和验证协同弹药技术，加入能够赋能协同制导并进行目标探测的通信和网络，以提高多武器的效能。导弹防御局的改进国土防御拦截弹采用多杀伤器（多目标杀伤器）架构。空军的下一代空地精确制导武器的发展重点也是网络化协同探测制导和自主精确制导，加速网络化协同自主武器技术（采用人工智能和机器学习技术）的发展［35-37］。

  目前美国正在Golden Horde网络化自主协同制导弹药等项目的牵引下开展相关的研究工作。Golden Horde网络化自主协同制导弹药概念是美国空军研究实验室（Air Force Research Laboratory，AFRL）的先导计划之一，最初计划在“金帐汗国”项目下开发一种新型的小型巡航导弹，该导弹具有自主协同载荷。但是，AFRL在2019年取消了新导弹的开发，工作重点转向将小型协同载荷应用于现有导弹上。

  “金帐汗国”项目的设想是建立能在发射后自动协同的弹药群，该弹药群能够独立思考、攻击预设的目标。目前正以小直径炸弹（SDB）和微型空射诱饵（MALD）为平台进行开发，探索并验证利用智能网络，实现弹药集群与半自主协同作战的可能性。炸弹集群中的每颗炸弹都具有先进的算法和人工智能赋能的数据处理能力，这对于在飞行中彼此“协同”是非常必要的。

  半自主协同作战主要体现在3个方面：① 弹药本身具备目标侦察、弹药制导、信息传输和战场巡飞能力，目标筛选必须由飞行员进行；② 具备弹药同构/异构集群作战能力，制导弹药在作战使用时通常三枚一组，其中一枚用于摧毁目标，其余两枚用于侦察、制导和信息传输，协同完成作战任务；③ 具备在线任务规划与重规划能力，能够根据实时目标情况确定或调整三枚一组制导弹药用于打击行动的数量与顺序，并在目标摧毁后及时停止后续打击行动，让剩余弹药去寻找新的打击目标。

  “金帐汗国”项目2021年2月第二次试飞取得成功，成功完成飞行演示，利用4枚协同式小直径炸弹同时击中4个目标；2021年5月25日，在墨西哥州白沙导弹靶场进行的第三次飞行试验中，两架F-16飞机投放了6枚合作式小直径炸弹，在空中自组网，更新了打击目标，并实现了同步打击。美国空军研究实验室表示，飞行中对打击目标进行更新的试验验证了“金帐汗国武器可以接入更大的联合全域指挥控制网络”，这个能力是发展未来“组网、合作、自主（NCA）武器”的关键。

  在成功完成飞行验证的基础上，Golden Horden正在从开展协同武器验证转向发展和交付一个多层次的数字化武器生态系统。该数字化生态系统提供一种被称为“Golden Horde Colosseum”的试验验证能力，是用于在实战化平台上进行集成和试验之前对网络化协同和自主化武器概念进行快速低成本测试的试验床，能在出现新的接口、协同算法、传感器和组网技术与数据处理系统时，将它们集成和纳入Golden Horde项目中。

  在Golden Horden项目的基础上，美国空军的常规兵器应用研究和常规武器技术项目分别从应用研究层面和先进技术开发层面发展网络化自主协同制导弹药技术。该项目将加速在一个武器数字化生态系统中对开放架构、网络化协同和自主化弹药概念进行数字验证。在更多的武器系统上扩展基础协同武器技术，探索用于网络化自主协同的算法和软件无线电技术。基于多功能传感器、快速数据压缩（稀疏感知和压缩感知）、受生物启发的信号处理和数据融合以及低功耗计算，发展更简化、更灵活和低成本的先进导引头。发展支持多武器分布式协同相干探测制导功能的射频技术。

  除美国之外，英国国防部于2021年7月1日宣布，向国防科技实验室（DSTL）拨款350万英镑，用于研发“合作式打击武器技术演示”（CSWTD）项目，计划在两年多的时间内完成全部工作。该项目旨在通过升级弹载软件，实现弹药间的互相通信，并赋予其合作打击能力，确保弹药能够对不断变化的战场环境作出快速响应。

  6） 智能化机、弹协同突防。美国DARPA发展了Gremlin小型可消耗无人机，并开展了在拒止环境中的协同作战（CODE）项目，发展先进的自主算法和监控技术，以提高无人机或者先进的导弹在拒止环境中的能力。美国空军正在发展自主控制忠诚僚机无人机Skyborg、自主协同平台等项目，研制智能化的低成本可消耗无人机，可用于网络化的有人、无人协同作战以及机、弹协同突防等作战方式。

  发展先进探测与智能感知技术，实现多模、多谱、多极化（多偏振向）的高维度探测，增加敏感信息的维度，以及智能化信息融合、处理、发掘与决策技术，将是提高高端弹药的快速远距离目标探测和识别能力，以及复杂战场适应性的主要方式。该技术最重要的包含：多波段/多光谱红外成像探测与智能感知、认知；高分辨率多模式雷达成像探测与智能感知、认知；多传感器复合及组网探测与智能感知、认知。

  为解决复杂作战环境下的目标识别和抗干扰问题，需要有效地处理样本量较少且数据中包含噪声的多模态数据集，并在包含大量“杂波”的环境中运行新的人工智能和机器学习方法。这些数据通常类型众多、难以提前获取，且难以处理。在这样的环境中，由于某些事件、信息流是欺骗性的和存在敌意的，在应对复杂的“近对等”对手时，激烈博弈和欺骗的环境尤其具有挑战性，要求人工智能和机器学习方法不仅是稳健且有弹性的，还能应对各种情况的不确定性[38-42]。

  导弹智能自主决策技术是指针对复杂且不确定的作战条件，在导弹自主飞行过程中，根据由弹载传感器所感知的信息以及数据库中存储的相关信息，对战术意图和行为的威胁度进行实时分析判断，进而做出决策，实现从导弹探测、识别、目标选择、跟踪、抗干扰、机动规避、寻的拦截到最后摧毁目标的整个作战和制导过程的智能化。

  导弹智能对抗决策技术是指依据感知到的敌方干扰状态的变化，动态做出抗干扰决策和行动，以消除或降低敌方上一时刻所施加的干扰对导引头当前精确制导感知与处理过程的影响。由于干扰的类型、样式众多，而且干扰释放过程中常常会依据场景的变化选择不同的干扰样式、方式、配置及复杂多变的组合，再加上认知电子战和自适应电子战技术的发展，使得如何通过智能决策实现干扰对抗过程的灵活性与智能化成为一个难题[24-26，35]。

  无人机群、机/弹混编集群、群弹智能协同作战技术主要用于解决单一的有人作战飞机、无人机及导弹难以实现在复杂作战环境下的突防与精确打击任务需求的问题，主要涉及任务规划、轨迹规划、协同探测、目标分配、机/弹协同自组网通信、协同攻击与突防［35］。

  任务规划：根据可用资源和作战任务时序进行无人机/导弹武器的优化配置。轨迹规划：基于无人机/导弹的飞行性能和任务，规划出衔接各关键点及战术动作的最优飞行轨迹。协同探测：基于作战过程中各单位的探测能力，针对某一个作战区域或整个作战区域进行打击目标的识别与定位。目标分配：根据导弹的毁伤能力和攻击目标的功能任务，给出每个目标最优的导弹攻击配置。机/弹协同自组网通信：通过机/弹间协同数据链使多机/弹在空中动态组网。协同攻击与突防：利用机/弹的机动能力并采用多机/弹的协同攻击策略，实现对目标的高效打击。

  精确打击体系的交战环节处在接近目标的战场前沿，在作战平台及精确制导武器上采用支撑战场边缘智能化的小型化智能计算机，使其作为边缘节点具备更强的分析、判断、决策与协同能力［43］。

  美国海军正在发展比现有的深度学习网络具有更强计算能力的受大脑启发的人工智能算法和架构，适于在海军平台上用于边缘计算和信号处理的紧凑的神经形态硬件，以及用于智能化自主系统的嵌入式神经形态处理器。

  美国空军研究实验室正在与IBM公司合作，发展用于机载的神经形态计算机技术，采用人工智能和机器学习技术提高机载信息处理能力，从而能够在机上为军事作战人员提供分析结果，而不是原始数据，以加快战时决策的速度。

  2019年7月19日，AFRL和IBM公司正式推出了Blue Raven超级计算机。AFRL称其为“世界上最大的神经形态数字突触超级计算机”。基于IBM公司特有的TrueNorth生态系统，可模拟大脑中6 400万个神经元和160亿个突触进行数据处理，功耗仅40 W。AFRL后期目标是在同等的尺寸、质量、功耗下进一步将Blue Raven处理速度提升至现有速度的4个数量级，满足机载自动目标识别等需求。

  随着先进防御系统/体系及对精确打击体系的各种反制对抗手段的发展，以及集群式协同作战方式的应用，精确打击体系面临越来越大的挑战。为了破解各种先进防御系统/体系与反制对抗手段，使精确打击体系在未来更加复杂的作战环境中更好地完成作战使命，需要从战法、作战指挥和装备能力等方面来改进精确打击体系。人工智能是增强态势感知能力、目标识别能力及实现更快、更及时的决策和行动的关键赋能技术，将其应用于精确打击体系杀伤链各环节，逐步实现精确打击体系的智能化，可望使精确打击体系在以复杂多变的战场环境和激烈的攻防对抗博弈为主要特征的均势对抗条件下，高效、精确打击各类目标，有效提升精确打击体系能力和效能。尽管面临巨大的困难和挑战，但是目前以美国为代表的军事强国在这一领域已取得较大进展。

  促使精确打击体系智能化获得进步的主要驱动力之一就是人类努力征服各种技术挑战的愿望和勇气。展望未来，精确打击体系智能化理论和技术研究的深入发展，将持续提高多域情报监视侦察瞄准系统信息融合、分析、处理智能化，指挥控制管理系统态势认知、作战筹划与决策智能化，通信网络场景认知智能化，精确打击平台及武器探测感知与协同突防、打击智能化的技术水平，并全面完善智能化精确打击体系的试验和评估方法及手段，同时也将使精确打击体系全链路的整体智能化水平显著提升，并获得更多应用。

  本文发表于《空天防御》2023年第4期，作者：范晋祥， 刘益吉， 李宁， 柴娟芳