为什么会有这个想法？
实际上是近来学习，听了太多智能战争和AI崛起的说法。但我发现大多数的官媒也好、来讲课的专家也罢。对于人工智能如何辅助和提高军事指挥这个问题的解答，也还是都太过笼统了。
而下面的内容，也算是我最近学习之余的一点心得体会。
有没有道理，兄弟们权且一听。反正这文章上面是没人看的。
首先很多人所不知道的是。
在最近几年，广受自媒体关注的如GPT或者等AI，其实实质它属于“大语言模型”。
什么叫大语言模型呢？
大语言模型就像个吃了几辈子书的超级话痨。你问它怎么追女生，它就立刻掏出肚子里10086本言情小说的套路。你让它写辞职信，它能马上模仿3000份职场吐槽贴的阴阳怪气。
但其实。。。。它压根不懂啥叫辞职，而只是根据你输入的文字，像玩成语接龙一样，来猜下一个最合理的字。
也就是说，尽管大家在日常使用比如询问这些AI软件时，会感觉它们无所不知，甚至今天的很多自媒体博主和程序员用它们来写作、写代码、编辑应用程序等等。
但根本上来说，它们仍是一个语言文字的处理程序。
举例来说，假设我写下这么一段话：黑白颜色相间的、深受人们欢迎和喜欢的、圆乎乎的。
对于不同的人来说，可能会想到是熊猫，又或是奥利奥饼干。
而你直接喂给AI，那十有八九，它会出来后者。
也就是说，无论是GPT还是deepseek，它们是不具备真正意义上的“自主思考能力的”。
而军事行动中，以OODA循环理论为核心的决策系统。
人，或者说指挥员从收集分析情报、拟定作战计划、下定作战决心到最终付诸执行。
这里面不仅存在于对信息的收集与处理，同时也存在是对未知风险决策和可能导致风险承担的勇气。这二者合在一起，就形成了人类军事指挥员所独有的“将道”。
所以，一般来说，尽管杰出的军事指挥强调“有算计的冒险”。然而实际上，即使同一个人来打类似情况的第二场战役，他所做的决策也未必都会是一成不变的。
也从这个意义上来说，人脑的神经元结构，要远比目前的“大语言模型”复杂得多。
事实上，目前军界普遍认为的“智脑”，更多类似于之前击败李世石的AlphaGo，或者跟RTS游戏《星际争霸2》所用的alphastar等系统相似。
虽然严格来说，它们也还差的很远。。。。。。。。。
而要解释这点，我们就需要再从两款古老的RTS游戏《帝国时代2》以及《星际争霸1》来说起。
对于80、90后的男生来说，相信这两款游戏应该都不陌生。而即便我们排除后来，专门用于编辑AI对战的悍马2000系统（或者说脚本）。
不知道有没有小伙伴，曾思考过这么一个问题？
即我们在游戏中，那些与我们对战的“电脑”，它们究竟是否存在“智慧”呢？？
答案是否定的。
实际上即便后来酷炫的悍马2000，又或者星际争霸2传闻采用的alphastar。
本质上，它们都是通过预设了一套固定的脚本，来实现的似乎精妙非凡的战术动作。
也就是说，比如我们在大量《星际争霸1》的AI互搏中会发现。通过玩家编程后的两队“电脑”，在某些时候似乎真的像真人指挥官一样。
能根据对手的情况评估和调整己方生产部队的顺序，以及当小狗在遭遇敌方坦克时，会选择向四周分散，来规避坦克炮的范围杀伤。
然而这些看似高大上的“指挥能力”，实际上仍是一套程序员通过提前预设脚本，所编辑好的程序。
比如说，对于我们普通的电脑玩家来说，我们对于屏幕中单位距离的感知，来源于肉眼的直接观察。
而在游戏中，则这其实是一套数字代码游戏。
比如说，我们假设坦克架炮后的射击距离是 6 个像素的话，则对于编辑小狗遇到坦克分散时的办法，就是将 6 个像素作为一个固定的参考变量。
由此，也就使得屏幕上的小狗在遇到敌方坦克架炮时，会好似像真实士兵一般的“自动分散开来”。
反过来说，我们在几乎所有电子策略游戏中，所遇到的各种电脑的“策略”。
其实都源于游戏中的电脑，根据玩家阵营的各项数值变化，在达到固定阈值时所进行的特定脚本性行为。
而并非是说，“最高难度的电脑”就真能像玩家间的对抗一样，是通过“中央大脑”在直接收集与处理玩家间的信息后，所进行的“自主决策与自主应对”。
或者我们简单来说，对于一个早上没吃早餐的人来说。他早餐选择包子还是馒头，虽然存在规律，但这个规律并非能100%确定。
而游戏中电脑的反应，则依托于你是否提前给它预设了相关脚本。
也正因为此，比如老游戏《星际争霸1》或者《帝国时代2》里面，当玩家们发展到一定程度时，你会发现AI的策略开始变得乏善可陈，甚至于“低能”就是这个原因了。
比如，玩星际或者魔兽这些RTS游戏比较久的朋友都知道，这些游戏是存在一定的发展套路的。
好比星际争霸1中，第8个农民去修兵营，第9个农民修房子，二者几乎可以同时完工。
从这点来说，rts 中玩家跟电脑的对战，电脑从一开始就在“作弊”，它的策略不过是提前根据你的各项数值所编辑好的脚本。
而普通玩家和职业选手的区别则在于，在你眼中，兵就是兵。而职业选手看来，一切都是数据。。。。。。。
但当然了，对于我们普通玩家来说，大家仍会惊艳于比如悍马2000刚刚出来时，那些纯Ai的对战，给人十分智能和爽快的对战感受。
不过这点又继续引出另一个问题，那既然游戏能通过预设脚本达到这种效果，在军事上是否行得通呢？
首先，一般而言，要实现比如《星际争霸1》中“AI自主战斗”通常你需要编辑大量脚本。
好比，你需要先建立一个“情报探测系统”，这个系统是用来监控对面的一切数值变化（比如铀矿、水晶矿的采集数、场上当前各兵种的数量、各兵营和工厂的数量等等）.
同时，还要建立一个“中央反应系统”，该系统根据上述情报探测系统的阈值变化，来生成己方不同的数值调整。
而就像小狗遇到坦克，一定距离会采取“自主分散”的脚本一样。你想打得好，必须对每一个数值和变量都提前预设好脚本。
在这种相互叠加的关系上，程序员需要把握哪些是最关键的同时，还要保证脚本的繁琐不至于引起整个系统的崩溃。
从这个意义上来说，单是地理上的空间数据就够各国的建模团队累死几条命的。更别说这些数据，本身也一直在变。
而换到军事上，也就意味着初代的脚本编辑系统，需要吸收海量的数据，并对每个数据、每种可能的情况都提前编辑好预设脚本。否则作战单位就不会进行相应的反应。
但仅用屁股也能想明白，这个工程量的巨大。与此同时，游戏中敌方的数据实质上是天然对己方开放的，只不过普通玩家不知道罢了。
而现实的战争里，战争迷雾往往更贯穿整个战争中。
在这种情况下，你又如何能保证数据的准确性和时效性呢？？
当然了，说到这，有朋友也可能会说。
你这什么悍马2000都是老黄历了，现在人星际争霸2都用了会根据玩家情况自主学习的Alphastar。
更勿论说军界了。
当然，我承认《星际争霸2》所采用的系统或者说脚本，是要远超过我那个时代的悍马2000的。
但包括今天它所采用的“自主学习能力”，实质上仍是对玩家数据的二次复制与模仿。
也就是说，击败李世石的AlphaGo，其真正的成功源于早期通过提前喂了AI大量棋谱，而使得AI能比较准确预测人类选手的路数。
可围棋路数虽然已然超过一般人想象，但相比战争这个变量来说，它的数值仍还是有限的、可控的。
比如，就俄乌战争来说，2022年战争之初，确实只有很少的人会相信，小泽会在基辅之战时选择留下来。
也从这个意义上来说，想要能精准把握战争的每一个环节，并形成AI的自主决策与战斗。
那这些海量的数据，必然意味着它的“中央决策系统”是非常庞大的、非常耗电的、非常依赖于光电等传输系统的。
但反过来，这其实又注定这个目标的固定和脆弱性。
就好比马奇诺要塞，当德军不是直接往上撞的时候，其巨大的花费反而掣肘了后续法军的行动和应对。
也正是因为此，其实现在各国普遍的共识，均是成立网状或者说是泡泡状的各种子细胞。这些细胞在平常是独立的个体，但在战时又可通过互相链接，来共享情报和资源。
而这点和传统上，很多人所设想不同的是。
并非是将军们直接指挥每一个单兵，而是各个最小的“子单元”在必要时，通过互相打通媒介，来完成一个联合。但就算是这种程度的互联互通，却也是包括美军在内，仍在步履蹒跚往前爬的。
再一个问题是，是否让AI来进行最终的决策，存在一个巨大的悖论。从理论上来说，人工智能的信息收集、处理和反应速度，是远超人类N次方的。
但除了上面所讲的巨型运算意味着，巨大设备和巨大消耗外，人工智能决策还不得不面对大量伦理问题。
比如以色列铁穹防空系统，在2021年巴以冲突中宣称90%的拦截率，而实际统计显示其有效拦截率仅在60-70%区间浮动。
当AI系统需要为每个拦截决策承担0.5%的误判概率时，这意味着每200次防空警报就可能造成1次平民误伤。
而这种概率在计算机眼中是可控误差，在真实战场却会酿成不可逆的人道灾难。
同样的，俄罗斯在乌克兰战场投入的MRk无人战车，用面部识别技术锁定目标时，却屡屡将教堂尖顶误判为狙击点。
美军测试中的AI飞行员虽然能做出每秒400次态势判断，但当遭遇强电磁干扰时，其决策树就会像被拔掉网线的玩家般手足无措。
而沙特购买的寂静猎手激光防空系统，在也门战场误击民航机的情况，同样也再次突出了一个严重的问题。
AI的智能可能永远无法理解，为什么有些目标即便符合所有打击参数，也必须放过。
就这点而言，事实上目前的人工智能决策系统，大致是呈现两种发展方向。
一种是类似于马斯克所言的智脑，即通过植入芯片来强化个体人类的各项脑力活动，用通俗的说类似《光环》下的士官长和科塔娜的组合。
再一个，则是我上面说的。在子单元比如现金的合成营或者连战斗队中，强化各基层指挥部和部队，以达到信火一体，优化战斗决策系统和其他子系统的效率。
但前者的问题是，这种超级战士放在单兵领域，边际成本过于巨大。而放核心指挥员身上。。。。假设情报收集系统没有跟上，那一样白搭。
换句话说，决策系统必须和信息收集系统同步进行。不然信息过载，大脑直接宕机。大脑发达，而信息闭塞，又跟不上需求。
单就这点来说。这和个人成长也是同一个道理。
另外说起来，像游戏《光环》里大家是过于把目光聚焦在运气好到没边的士官长身上了，其实若以小说星盟和人类的战争来论，人类是败多胜少，几乎就要灭族了的。
而后者虽然看起来最为稳当和最为实际，然而现阶段的水平仍然存在瓶颈。
比如我们从指挥链的角度来说，要保证每个子单位能在战时像泡泡一样，散能独立作战，合则快速交融，其通讯接口和信息过载或者说超频是第一个要解决的点。
再一个问题是，究竟应该怎样看这些子单位呢？
从系统的角度上来说，任何作战单位大体都可简分为“情报侦察系统+火力兵员系统+中央指挥决策系统+战斗勤务供应系统”几大板块。
于师旅一级高级战术单位来说，不可能因为前线某个班的汇报，而直接以军师级的支援火力进行打击。
同理，在经过营这级单位转手后，则事实上营-旅之间，仍会存在通讯信道单一的问题（不单一，门多不安全，太单一又会降低效率）。
也因此，类似deepseek等大语言模型的出现，固然对于人们和AI的交互协作更为促进。
比如它降低了在基础单元模块的编程和使用。但要使得其在“神经元网络的决策系统”中起到更为关键的进步，仍还需要人们相当长的时间和努力。
而再智能的算法，也最终解不开战场上沾血的绷带。
引用资料：
1. 美国国防部《人工智能在军事领域应用白皮书》
2. 以色列国防军《铁穹系统作战效能评估报告》
3. 英国皇家联合军种研究院《自主武器系统伦理研究》