ARTICLE · 1203451

【会员下载】美军智能体融入联合部队支援前瞻(2.4万字干货)

发布时间：2026-10-18 05:53:45 最近访问：2026-10-18 05:53:47

关注 ▲蓝军开源情报▲ 和10万+情报研究员，一起成长

【导读】

本报告重点关注三个可能受益于智能体人工智能集成的支持职能：供应、预测性维护和规划。尽管美国国防部面临着独特的挑战，但这些领域在工业界都有明显的先例，国防部可以从中借鉴最佳实践。

在某些情况下，国防部已经采用了一些对智能体人工智能集成至关重要的技术，例如用于库存跟踪的附加传感器、用于预测性维护的机器学习算法以及用于态势感知的实时数据融合仪表盘。在其他领域，作者也发现了部署方面的不足，例如业务系统脱节、政策过时以及文化阻力。

如果国防部希望通过提高战场自主性来跟上作战速度不断提升的步伐，那么提高这些支持职能的自主性也至关重要。

本报告分为三个部分。第一部分探讨了智能体人工智能在供应链中的应用，其自主性能够提升物料的追踪和运输效率。第二部分着重介绍预测性维护，人工智能工具能够优化从故障检测、诊断到系统修复的整个流程。

第三部分聚焦于规划，人工智能能够支持更快速、更迭代地分析各种方案，并增强应对突发事件时不断变化的环境的能力。报告最后分析了智能体人工智能在该部门的应用潜力，并提出了促进其应用的建议。

本文摘录自新美国安全中心2026年9月30日发布的报告《将人工智能代理集成到联合部队支援功能中》，原文22页。扫码文末二维码，加入蓝军开源情报知识星球会员，免费下载本文原文及2.4万字完整译文。检索翻译、资料采购、报告定制联系方式：191-1880-5880（微信同号）。

关键词：智能体人工智能；联合后勤保障；精准后勤；供应链管理；预测性维护；作战计划；建模与仿真；人机协同

这是蓝军开源情报的第 741 期分享

编译006 l 校对006 l 排版019

来源 l 蓝军开源情报（ID：Lanjunqingbao）
转载请联系授权（微信号：19118805880）

一、供应

补给涵盖从确定需求到采购、分发和维护库存的全过程。部队分散部署、补给线受威胁的作战环境，要求补给由部队下达订单的“拉动式”转向预测需求并半自动交付的“推动式”，即陆军所称的精准后勤。和平时期即应着手部署相应工具，战时补给行动必须动态进行，僵化的静态计划难以奏效。

即使在和平时期，联合后勤体系的体量也十分庞大：国防后勤局每周处理约1000万份电子发票与订单，交付由美国运输司令部承担，其2023年空运货物约33.1万吨、海运货物1310万平方英尺。

建立推送式供应系统的努力集中在三个要素上。一是所有物资的实时信息，通用作战图使后勤人员掌握可用物资位置与状况，海军已用射频识别标签定位造船厂和仓库物资。二是统一的订单系统，国防后勤局的国防自动寻址系统自20世纪90年代中期起连接军方客户与供应商，支撑每周约1000万条请求。三是预测；DEFCON AI的Artiv等工具借助建模与仿真支持战区级规划，已在“护身军刀”演习验证，可在数分钟内推荐满足约束的方案。

各军种和部门的供应系统仍彼此独立，并受制于人工数据录入等流程，预测性与动态保障工具的开发仍处试验阶段。智能体不仅能提高单项补给效率，还可将补给纳入规划本身：自动把超出规划周期的预测需求纳入计划，在冲突爆发前借助建模与仿真评估作战计划可行性并迭代优化，开展自动化红队演练，通过筛选补给方案识别瓶颈，支持战区物资预置。

二、维护

维护包括从检查、测试到维修等保持装备可操作性的措施，已成为战备的薄弱环节：平台老化使维修难度与成本上升，美国陆军每年在地面、海上和空中系统的维护上花费约900亿美元，战备水平仍持续偏低。零部件短缺、维修设施不足与人员短缺导致的计划外维护既造成意外开支，也因平台无法部署损害战备，并引发积压向其他平台蔓延。例如B-2“幽灵”等专用系统长期缺乏训练有素的维护人员，合格人力已成为稀缺资源。

1.智能体赋能维护的愿景

利用实时运行、供应与维护数据的智能体工具，可自动化维护周期中最耗时的环节，缓解人工诊断需求、申请零件和执行维修流程效率低、速度慢的问题。智能体维护的进一步发展，是让代理承担监控平台状况、检测并诊断故障、申请维修材料、安排维修等任务。

图3-1 维护过程的各个阶段

维护不限于修理本身，需对分布在不同系统中的多个操作排序。简化模型包含五个阶段：从传感器收集数据以构建系统健康图（感知）；将数据输入系统模型或舰队历史数据分析，判断是否存在现有或预计故障（检测）；分析系统规格与手册以确定根本原因（诊断）；查找维修所需部件，来源可能是随部队备件包、国家级仓库或供应商（请购）；协调运行与维护计划，确保在任务需求下有合格人员在合适时间维修（调度）。

2.传感智能体

每个平台上的传感器每秒可生成数千个数据点，智能代理工具使维护人员能够理解海量实时数据、审查数据质量并确定行动优先级。具备自动质量检查的代理可防止劣质数据干扰下游维护建议，并将传感器故障与其他硬件问题区分开。

存储、清理和管理数据本身即为艰巨任务，数据投毒攻击增多也使数据库成为攻击面。数据错误会导致错误建议，过度信任即可能被误导，因此代理与操作员都必须提供质量控制。

3.诊断智能体

人工智能代理首先整合传感器数据，判断故障是否已发生或即将发生：历史数据可用于识别既往问题出现前的模式，如异常振动或运行温度，基于物理的模型还可通过将当前状态数据与未来使用模拟相结合预测故障。检测到故障后，代理即以机器速度完成关联分析并诊断根本原因。

根本原因分析要求代理理解系统及相互关联的组件——子系统性能下降的真实原因可能在上游，这要求代理审查含结构化与非结构化数据的技术规范和手册，而大语言模型在此类混合数据分析上表现出色，诊断因此成为发挥智能体推理优势的典型环节。确定原因后即可制定维修方案提交审批。

4.请购智能体

发现维修需求后即需查找并申请备件。随部署单元分发的备件包可直接取用，但高端平台的关键部件昂贵、稀少，请购代理必须识别部件位置，必要时将搜索扩展到其他单元或指挥部。稀缺物资的分配需要权衡冲突的优先事项，代理可依据战略与作战目标及后勤限制进行权衡并全程监控；若部件无法按计划送达，代理应制定备用方案或报警。

5.调度智能体

调度代理必须依据人员可用性和冲突的优先级确定维修人员。合格人员短缺使维护计划成为难题，舰船与飞机的战备目标反复受影响；分布式作战概念还须考虑将平台转移到维修站或将维护人员部署到前线的能力。高强度冲突下作战节奏加快，代理必须自动对维护工作排序。

维护延误会导致性能下降，形成积压的恶性循环，即使需求尚不关键，反复延迟也会削弱战备。因此调度代理不仅需要人员日程和部件可用性信息，还需访问作战计划，并利用预测性维护工具预判运输路线变更等连锁反应。智能体工具把维护人员从排程中解放出来。

6.智能体编排

上述各阶段及其代理必须由统筹的监管代理或策略管理，这种管理也可能隐含在代理设计中。各代理优先考虑自身目标，其连锁反应可能在无意中引发问题，例如请购代理需了解调度情况才能确定到货时机，后勤限制与作战需求的互动必须贯穿各环节。

互操作性是开发维护代理的重点。单个维修作业要求代理管理大量并行和异步的需求，考虑其相互依赖与冲突并随供应链变化动态响应：某一平台备件延迟交付会在维修站与人员日程中腾出空间维护另一平台，这需要请购代理与调度代理通信以识别机会。此外，过时数据会使代理生成看似正确却在实践中失败的计划，须培训操作人员识别数据不一致并质疑可疑计划。

7.智能体赋能维护的局限性

用于维护的智能工具可以降低风险、提高战备并预测需求，但并非解决维护体系固有缺陷的万灵药：人员短缺、供应链延误与冲突的不可预测性必然削弱其效果，预测性维护也无法弥补累积的维修债务和人员缺口。反复出现的维护积压已使一些平台因成本超支提前退役，部分超支源于维护延误。

由代理管理的主动维护可提高关键系统可用性，但部分被动维护始终不可避免：人工智能无法预测所有故障，尤其是训练与仿真数据中不存在的敌方新型行动所致故障。应对被动维护，需要代理具备适应性、供应链具备应对突发需求的效率。在后勤资源受争夺的冲突环境中，智能体工具可发挥倍增器作用——人类维护人员根本无法满足维持平台任务能力的需求。

三、作战计划

伊朗战争爆发后的100小时内，美国与以色列即宣称打击超过4000个目标。每一个目标背后，策划、后勤与作战人员都要审查作战计划、空中任务指令、目标优先级与禁打清单以及情报，同时协调物资调动、跑道与维护计划、打击包编组。冲突节奏正在加快，而无论冲突前还是冲突中，计划对协调部队和实现战略目标仍然至关重要。

国防规划涵盖从战略到战术各层面：国防部长办公室制定《国防战略》，联合参谋部在《国家军事战略》中细化优先事项，进而影响作战司令部的战役与作战计划直至具体任务规划。计划并非一成不变，需随形势、作战目标与能力变化定期修订，分阶段部队部署数据等文件耗费大量人力编制与更新。联合计划流程被严格规定为一系列步骤，但计划本身仍被描述为一门艺术。

1.智能体赋能规划的愿景

智能规划工具的最佳应用不是取代人为主导的规划艺术，而是为规划人员和军事领导人提供更高效的计划制定与维护手段。规划人员受时间限制，尤其在应急行动中难以穷尽可用方案，往往落入“满意原则”——选择第一个足够好的计划。配备外部工具的下一代人工智能可连接仿真工具与情报源，支持半自动化分析，使规划人员迭代作战概念，把建模与仿真工作交给代理，在数天内而非数月内提供初始方案。

图4-1 智能规划三角

这一协作结构可概括为“智能规划三角”：建模与仿真工具以基于物理的模型和历史数据检验行动方案的预期影响；人工智能工具高效协调对这些工具的调用，依据历史训练数据生成部分解以引导搜索，并跟踪规划各阶段直至批准与执行；人类规划人员则检查正确性，确保假设有效，并提出工具无法产生的新颖构想。

2.智能体赋能规划的局限性

规划用人工智能工具仍存在风险。其一为幻觉，即把错误信息当作事实呈现，挑战推理模型在规划任务中的整合；其二是训练数据中吸收的偏差导致错误推理，与人类规划者未经证实的假设相似。规划者必须接受培训以识别这些失效模式，并能独立分析人工智能的输出。

这带来一个两难困境：规划人员既要用人工智能工具减轻认知负荷，又必须保留手动规划的技能与背景以正确判断其选项，这需要对训练和军事专业教育进行重新设计。

培训和系统设计还必须着眼于建立校准的信任：过度信任会高估代理能力，信任不足则自动排斥其输出，校准状态要求用户充分了解系统能力与风险。工程上，可审计的推理链、校准置信度评分与工具调用日志等可解释性工具，可帮助用户理解系统建议的生成方式。

四、结论与建议

人工智能有可能改变未来军事竞争的诸多方面。尽管公众讨论集中于致命性自主武器系统的风险，但将智能体人工智能整合到后勤、维护和规划等关键支援职能，或许能为联合部队带来更直接的收益。这并非意味着没有风险：幻觉可能误导规划人员，人工智能系统本身也可能成为数据投毒和对抗样本攻击的新目标。为此，美国国防部需要继续推进风险评估框架与工具开发，并在作战人员与智能体工具之间建立适度信任。

1.促进智能体人工智能实施的建议

为操作人员提供智能体工具使用培训，并以证据展示其在提升效率方面的价值。现有操作人员对人工智能了解有限，且接受的是与之冲突的传统流程与思维训练（如“故障后再维修”思维）。培训既要强调工具优势，也要指导使用方法，使操作人员确信其优于既有方法，从而克服五角大楼部署预测性维护实践中暴露的应用障碍。

增强实时、准确的数据采集，在各部门内部及部门之间扩展利用低成本传感器。维护与供应部门的主要障碍正是跨部门企业系统信息的可用性、准确性与及时性；智能体工具可以帮助克服这一挑战，但效用取决于数据质量。

整合来自不同系统的数据。参与供应、维护和规划的代理需要实时访问目前分散的数据，不仅要查看本域数据，还要查看其他代理的数据，且链接必须双向，以便识别冲突。同时应建立高层支持机制推动采用并授权清除跨部门整合障碍——例如国防后勤局曾因禁止过早更换故障部件而阻碍初期的预测性维护工作。此外，还应识别可提供近期能力的商用两用智能体工具，通过国防创新部门等机构引入联合部队用例。

2.关于制定使用防护措施的建议

分阶段部署智能体工具，保持开发人员与用户的持续对话。初始部署必然暴露漏洞与缺陷，因此应尽早开放试用、快速迭代，并在推广后建立吸纳一线反馈的流程。同时要提供持续监控基础设施与开发者长期支持：智能体工具在提升效率的同时引入新攻击面，随着作战环境变化和对手调整，开发者必须持续改进工具。

在系统的全生命周期内开展严格的测试、评估与红队演练。智能体工具易被对手利用以破坏行动。能修复的漏洞应尽快修复，无法修复的则培训操作员识别其局限性。解决方案不是追求完全免疫的工具，而是培训操作员理解并缓解漏洞，并定期改进工具本身。

▌蓝军星球精选（会员免费下载）

俄乌战争的11个人工智能教训（2.6万字干货）