杀伤链：作战行动中发现、锁定、跟踪、瞄准、交战和评估的过程

态势认知是在信息融合和态势感知的基础上，对战场态势的判读、理解和预测，如目标识别、运动轨迹预判、未来战况走向预估等，又称态势分析。智能态势认知是指挥控制活动从信息域向认知域跨越的重要标志，也是后续智能决策或自主控制的重要前提，是通向真正意义上智能化战争的关键环节。由于未来多军兵种联合作战的作战空间是多维一体的，作战样式是多域混合的，敌我双方参与作战的实体数量和种类是众多的，导致联合战场态势变得更加错综复杂且瞬息万变，战场上情报和信息量激剧增大，因此这就决定了未来信息化战争具有复杂多变性、强烈对抗性和充满不确定性的显著特征。在这种带有时间紧迫、任务压力的情况下，联合作战指挥员要想把握战役全局，不但需要掌握重点关注的目标群、作战任务群和敌方作战企图等，还要理解敌方作战体系对我方构成的整体威胁、远程精确打击威胁、空天作战体系威胁、网电对抗威胁等，可见指挥员使用指挥信息系统全面掌握联合战场态势基本情况，快速精准地完成对联合战场整体形势的理解和研判，及时准确全面地掌控战场，快速高效地做出正确指挥决策具有强烈的军事需求。如何训练机器理解态势全局和预测态势走向无疑是对人工智能技术的重大挑战。

一、主要技术挑战

智能态势认知面临的主要技术挑战包括：

（1）态势要图智能标绘： 根据获得的敌情、我情和战场环境等态势信息，特别是联合战场上数量巨大、空间分散广阔的陆海空敌我双方的目标信息，能够自动理解其兵力群组关系、识别作战行动企图等，进而辅助参谋人员智能标绘作战要图，即在要图上自动标绘出各种兵力部署的“腰子”和进攻方向的“箭头”等，使得态势图更加清晰聚焦，让指挥员对当前战场情况一目了然，大幅提升战场态势认知可视化的清晰度。

（2）态势要素智能计算： 在指挥员全面掌握战场基本情况基础上，能够根据指挥员的作战筹划需要，对指挥员指定的作战区域实现战场态势要素的智能计算，如编队目标集群的威胁程度，作战编队的作战能力，作战双方的态势优劣对比等；以及空中作战的禁入区域、优势区域、竞争区域与自由区域的判定与分析等，提升指挥员对整体与局部战场形势优劣研判的定量化分析水平。

（3）交战局势智能研判： 依据敌我双方作战原则和作战目的，基于敌我双方兵力强弱或攻守关系等，对联合战场上各个局部交战格局中敌我双方兵力随时间和空间变化而发生的消长关系进行智能推断和预测，从而能够让指挥员掌握战场上各个交战局势优劣的动态变化，充分把握战机和最大发挥作战效能，提升指挥员对局部交战结局的推断和预测能力。

（4）作战重心智能判定： 综合考虑敌我双方在联合战场上的兵力部署和兵力兵器的强弱对比，以及敌我双方的作战意图和作战原则等，实现联合作战各阶段的作战重心及时准确的智能判定，如主要进攻方向和作战决定点/突破点，防御要点和关键点/要害部位等，提升指挥员作战规划特别是作战兵力投入和使用的科学性以及作战控制的高效性。

（5）态势演化智能预测： 根据过去和当前的作战情况，运用计算机仿真技术和人工智能技术，对战场态势未来演变情况进行大量的仿真推演是最有前景的一种技术模式。指挥员利用计算机平行仿真推演技术，战前可以积累数据和总结经验，战中可以基于实时掌握的最新战场态势数据对联合战役战斗发展走向进行科学预测，提升指挥员OODA决策环的运行效率，从而掌握联合作战战役战斗的主动权。

二、主要对策

为了应对联合战场态势认知的智能化挑战，应抓住当前人工智能技术发展的浪潮，综合考虑现有的技术基础和军事应用需求，力争取得一些基础理论和关键技术的突破。

（1）基于概率的态势理解框架研究： 战场态势认知涉及到作战单元在时间和空间上的计算与推理，而且由于战场态势具有战役/战术的层次性，这其中还涉及到作战实体/单元的聚合与解聚问题，如从单运动目标航迹到飞机/车辆的集群/编队协同行为的表示；作战目标运动/活动与战场环境的交互作用；道路网、建筑物、河流等有价值的地理信息提取等；当然还包括来自不同/异类信息的融合等。毫无疑问概率论与统计学作为不确定性信息处理的科学方法学将会大有作为，如多层贝叶斯模型和稀疏空间统计模型以及用于这些统计模型推断的统计抽样方法等。但是客观地说，有关这些统计模型与方法的现有研究成果相对于联合战场态势理解问题复杂性而言过于简化了，要利用它们解决态势智能推断还要做更深入的探索，需要新的和具有原创性思想和方法才能真正解决态势理解框架表示问题。

（2）基于人机交互智能的态势认知计算： 由于作战任务认知的复杂性，通常情况下机器或算法都需要人的帮助，否则成功完成任务的可能性并不大。如让机器“告诉在某一特定区域里敌方有多少辆坦克及其运动方向”，若操作员能划明区域边界，则机器就能十分高效地完成任务。再如让机器“搜索某一特指目标”，若操作员快速地把镜头移到特定地区，则机器完成目标搜索任务的时间将会大大压缩。这样的任务若无人的帮助，机器算法将会承载大量无关信息，而操作员一个简单动作就地轻易地删除海量无关的信息。因此操作员必须作为机器/算法的一部分，只有在人的帮助下，算法才能真正把精力/时间集中于其要完成推理的空间中发挥作用。可见，人机交互智能是完成态势智能推理和作战资源分配等复杂且时间紧迫的计算任务的有效手段。

（3）基于人机交互的态势认知推断： 至少有三类问题的解决需要人机交互技术提供帮助：一是态势信息的选取，由于指挥员或信息用户的层级与角色不同，因此他们所关注的态势要素或态势信息往往也不相同，但战争的复杂性使得指挥员事先不可能想到一切可能的信息需求，也许只有身临其境时才最清楚需要什么；二是三种可能态势的认知，即敌方最可能的作战行动、敌方最危险的作战行动和敌方最疯狂的作战行动都将会导致出现什么的战场态势？对这三种战场态势的推断/预测，目前也许只有在人机交互之下才能得到最好的答案。三是敌方作战行动的识别，对于作战行动的识别问题解决要想获得大量的样本进行机器学习是不可能的，因此，敌方作战行动模式的发现只有在作战人员的指导下才会更有效率。可见，基于人机交互的态势认知推断是目前最佳的问题解决方案。

（4）基于序贯统计模型的变化和异常检测： 主要涉及二类问题，其一，为了集中指挥员的注意力。面对复杂的战场态势，指挥员需要快速集中精力处理最重要的信息/情况。如在进攻作战行动准备或展开之时，要能在地形、道路、桥梁和河流等地理信息的基础上，从大量敌我双方动态目标中发现特定区域内海上、空中、陆地大量目标集结等显著变化；其二，从收集到的海量数据中发现与其作战任务关联的、意义重大的信息。如在一项由一系列作战行动来完成的军事计划实施过程中，指挥员的一项重要指挥控制功能就是监视和检测这些作战行动的进展/完成情况，当然也需要对敌方作战行动进行检测，用于掌握敌方新作战模式或欺骗行动。现代的稀疏空间统计理论与经典的时间序列分析方法中的聚类分析与变点检测理论等将为这类态势认知问题的解决提供强有力的工具。

总之，人工智能技术的发展浪潮给态势认知领域的研究带来了契机，我们应紧紧抓住时机，深化态势认知问题的理解和解析，科学合理地建立人机智能的高效协作机制，取得态势认知技术的重大突破，从而提升指挥员对整个战场态势的认知速度和精度，取得指挥控制上的敏捷性优势。 返回搜狐，查看更多