美空如何利用AI改进兵推

以下内容来自网络公开资料

不代表本号立场

“我可以一次性运行数千次迭代，以了解一些最佳解决方案”

——美空副参谋长戴维哈里斯中将

关于作者

本杰明·詹森

本杰明·詹森（Benjamin Jensen）是战略与国际研究中心（CSIS）未来实验室主任兼国防与安全部高级研究员。在战略与国际研究中心，詹森博士领导着将数据科学、人工智能和机器学习应用于研究战争和治国方略演变的研究项目。在他的领导下，未来实验室率先将人工智能应用融入兵棋推演和创新情景演习中。演习主题涵盖重大战争、竞争战略、国家动员、经济安全、能源政治和国家韧性等。他同时也是海军陆战队大学高级作战学院（MCU）弗兰克·E·彼得森新兴技术讲席教授和战略研究教授。在海军陆战队大学高级作战学院，他领导着一个未来战争研究项目，并讲授现代作战艺术和全域联合作战课程。詹森博士著有五部著作，包括《战争中的信息：军事创新、作战网络与人工智能的未来》、《21世纪军事战略：人员、互联互通与竞争》、《网络战略：权力与胁迫的演变》以及《锻造利剑：美国陆军的理论变革》。他曾担任美国网络空间日光浴委员会高级研究主任，并在美国陆军担任预备役军官，拥有从排到营的指挥经验。詹森博士毕业于威斯康星大学麦迪逊分校，并在美国大学国际服务学院获得硕士和博士学位。

亚西尔·阿塔兰

亚西尔·阿塔兰（Yasir Atalan）是战略与国际研究中心未来实验室的副主任兼数据研究员。他的研究重点是技术与国际安全，尤其关注人工智能如何重塑冲突动态。阿塔兰博士研究如何通过实现智能体决策支持工作流程，将人工智能体负责任地融入国防和外交政策体系。他还研究战争性质和军民关系的变化。阿塔兰的研究成果曾发表于《纽约时报》、CNN、《金融时报》、BBC、《外交政策》、《商业内幕》、《战争岩石》和《防务一号》等媒体，以及同行评审期刊。他还在美国大学数据科学中心担任研究员，参与计算社会科学项目。此前，他曾担任剑桥大学出版社《政治分析》期刊的复制分析师。他拥有美国大学政治学博士学位、伦敦国王学院中东研究硕士学位以及博斯普鲁斯大学政治学和国际关系学士学位。

丹·塔德罗斯

丹·塔德罗斯（Dan Tadross）现任Scale AI 公共部门总经理。他曾任美国北卡罗来纳州第二海军陆战队航空联队联队空中管制官，为第二海军陆战队航空联队提供指挥控制支持，并与其他政府机构协调联队计划和行动；担任美国海军陆战队TACC运营官，领导并指挥一支由80多名海军陆战队员组成的队伍，负责在太平洋作战区域内执行演习和行动的航空指挥与控制任务。与多个作战部门合作，协调基础设施和通信需求；美国海军创新咨询委员会成员，就如何将人工智能融入航空指挥与控制领域开展了独立研究。丹·塔德罗斯获得美国老道明大学机械工程学士学位和乔治敦大学技术管理硕士学位。

关于本文

以下内容摘自原文部分

美国空军一直在利用兵棋推演来充实未来人工智能平台如何在战场上得到最佳运用。但官员们也在关注另一个用例——利用人工智能来改进兵棋推演本身。

兵棋推演对美国军队至关重要。战略与国际研究中心的分析师在2月份发表的评论文章中指出，这些努力相当于决策的“实验室”。他们写道：“从两次世界大战之间和冷战时期，到当代关于对抗俄和中的辩论，兵棋推演一直是美国战略分析的主要内容。这些模拟驱动的演习通过构建假设的冲突场景来评估与战争相关的理论、假设和策略。因此，兵棋推演在政策圈内发挥着多重作用。它们促进了跨机构和利益相关者之间的对话，营造了一种新想法能够涌现、分析人员能够评估关键假设的环境。”

然而他们指出，传统的做法成本高昂，并且存在分析缺陷。

作者和其他观察员（包括一位空军重要领导人）认为人工智能可以显著改善。五角大楼的空军未来办公室负责利用兵棋推演和研讨会来制定战略和概念、进行综合部队设计和对作战环境进行评估等任务。

空军未来副参谋长戴维·哈里斯中将在周五由米切尔航空航天研究所主办的一次虚拟活动中表示：“我本周早些时候刚从麻省理工学院的人工智能研讨会回来，正在研究他们如何帮助空军未来使用人工智能。“我们首先关注的是兵棋推演方法。这意味着能够使用自动助手或配备知识助手的人员进行数千次演练，或者在某些推演中甚至使用像快速裁决这样简单的方法。这样一来，我不再只是与对手进行三轮较量，而是可以在一轮中运行数千次迭代，以了解一些最佳解决方案，比如，如果你把你的部队部署到北部地区而不是南部地区，或许就能创造不同的机会。我认为，了解一些交易空间正是人工智能能够帮助我们的地方，”他说。

哈里斯作为负责战略、整合和需求的高级领导，在空军总部发挥着关键作用。他指出，陆军正在探索根据具体情况快速调整未来战场系统自主性水平的想法。

美国空军正在研发下一代无人机，即协同作战飞机（CCA），它将配备算法和其他功能。官员们设想，CCA可以作为有人驾驶飞机的机器人僚机——每架载人战斗机可以指挥多架无人机，扮演四分卫的角色——或者以“不受束缚”的方式独立作战。

在麻省理工学院的访问中还涉及了另一个方面。人类操作飞机和完全自主飞行之间存在着一种有趣的联系。这两者之间还有人机协作的部分。这说明，当我们开始思考，如果飞行员在周围有无人机飞行，这两者之间有什么联系？当飞行员在长途飞行后开始感到疲劳时，我们能否识别出这一点，然后让无人机平台进入更自主的模式，还是说——飞行员处于最佳状态，现在我可以稍微控制和操纵它们了？这个交汇点是一个正在探索的领域。我认为这与部队设计和我们的发展方向息息相关，”哈里斯说。

人工智能 (AI) 在战略决策中的作用仍在不断发展。人们关心伦理道德、升级动态、测试和评估标准，以及如何在军事规划中更好地协调人员和模型。然而，生成式人工智能和大型语言模型 (LLM) 在兵棋推演和战略分析中的作用在这些讨论中往往被忽视。

如果从学者和关心此事的公民到军事专业人员和公务员等更多的人，能够能够接触到生成式人工智能工具，并了解如何将它们整合到分析性战争游戏中，那么就会产生更多样化的想法和辩论来指导外交政策。

当今的兵棋推演：战略的核心，但成本高昂且晦涩难懂

英国国防部的一份手册将兵棋推演定义为“结构化但思维自由的安全失败环境，旨在帮助探索哪些策略有效（获胜/成功）以及哪些策略无效（失败/失败），通常成本相对较低。”兵棋推演是决策实验室，帮助实践者评估与战术选择到部队设计等各方面相关的权衡利弊。从这个角度来看，兵棋推演在这方面有着悠久的历史，并且通常处于政策研究和社会科学的交叉点。

从两次世界大战之间和冷战时期到当代关于对抗俄和中的讨论，兵棋推演一直是美国战略分析的主要内容。这些模拟驱动的演习通过开发假设的冲突场景来评估与战争相关的理论、假设和策略。因此，兵棋推演在政策圈内发挥着多种作用。它们促进跨机构和利益相关者之间的对话，营造一个新想法可以涌现、分析人员可以评估关键假设的环境。这一过程有助于塑造和指导政策制定决策，因为它有助于提高整个政策圈的意识。事实上，兵棋推演通常充当完善战略的私人论坛，以及提高公众对这些问题的认识的工具。

无论是否属于机密，兵棋推演都是一种合成数据。它们基于各种情景，即便这些情景有广泛的研究和敏感情报支持，也仍然只是对现实的近似模拟。兵棋推演无法预测未来——但话说回来，大多数分析人员也无法做到。兵棋推演的作用在于突出权衡取舍，并为决策分析提供平台。它们在分析“尾部风险”和低概率、高后果事件方面也能发挥关键作用。这种动态使得兵棋推演和红队演练成为战略分析的重要组成部分。

遗憾的是，由美国政府主导或为其服务的现代“兵棋”往往耗资巨大、信息不透明，且容易夸大其词。运行分析性兵棋推演的相关成本缺乏清晰透明的核算，而典型推演的成本从数十万美元到数百万美元不等。如果这还不够糟糕的话，根据美国政府问责局 (GAO) 2023 年的一项研究，“获取兵棋推演数据的障碍，即将进行的兵棋推演的信息未共享，而且各军种尚未为兵棋推演者制定标准的教育和资格”。正因如此，像胡佛研究所的杰奎琳·施耐德这样的学者才着手创建一个兵棋推演资料库，并呼吁提高设计方法和资金来源的透明度，以造福公众。一些兵棋推演的资金来源——无论是政府内部还是外部——并不总是清晰明了，这使得研究结果的客观性受到质疑。

兵棋的未来：制作成本更低，且具备可复制的标准

将人工智能融入兵棋既可以降低运行的传统成本，又可以增加更严格分析战略和决策的机会。

从推演人员到角色模拟

分析师可以使用经过微调的数据集来训练模型，以代表不同的利益相关者。推演的胜负取决于推演人员的水平，但顶尖高手往往有限，而且经常出差。为了一场推演（例如一到三天）而安排人员飞往世界各地成本高昂，而华盛顿内部人士的日程安排也很紧张。如果让一位将军或国家安全委员会成员抽出一天时间到华盛顿特区的智库参加一场推演都很难，那么想象一下，让一位与政府有联系的中公民或俄公民参与会有多难。

因此，21世纪的分析师无需直接依赖人类玩家围坐在桌边进行推演，而是可以使用生成式人工智能和法学硕士（LLM）来创建兵棋代理。最近的研究表明，合成数据可以有效地反映各种人类亚群的反应模式，这有助于为特定阵营得出预测性结论。利用来自兵棋推演的合成数据来生成行动，可以改变人类指挥员看待问题的方式，促使他们转向不同的观点并展开辩论。

想象一下这样一种新的兵棋推演形式：一群决策者（人类玩家）与人工智能生成的角色扮演者进行互动，类似于大多数现代电子游戏。例如，每位接受专业军事教育的学生都可以与联盟伙伴一起模拟作战计划，并与对抗性人工智能进行对抗，模拟敌方作战理论甚至战略文化。这类游戏的成本更低，本质上是用收集和整理用于训练LLM（逻辑逻辑模型）的数据所需的人力成本，来替代差旅费、酬金以及扮演敌方角色的顾问费用。此外，游戏时长也会更短，使设计团队能够进行多场推演，收集更多关于决策的数据，而不是进行一场通常规模过大而难以失败的单场推演。

从一条通往战争的僵化道路到其他替代方案

兵棋推演中另一个代价高昂的环节——而且往往容易受到抽样偏差的影响——是用于构建推演初始条件的“世界构建”。为了创造不同的“世界”，研究团队花费大量时间，却往往陷入确认偏差的陷阱，选择最糟糕的地形和最可怕的敌军规模来模拟战斗。这个过程成本高昂，而且常常会无意中将推演人员引向最坏的情况。所有道路最终都通向战争，这种倾向会影响推演者的决策。

问题在于，如果一开始就设定了错误的故事背景，讨论就会受到限制。这些初始故事——即潜在的场景——连同玩家角色（或人物）以及他们被要求做出的选择（或剧情）——是兵棋推演的核心。例如，如果一场危机推演开始时，中方决心发动战争并拥有全面动员的军队，而美国军队处于不利位置且政治阶层容易分裂，那么其初始条件就会导致路径依赖型选择和错误的观察。中方总是赢，美方总是输。更糟糕的是，双方的能力被视为抵消因素，而技术上的“天降神兵”式干预则彻底改变了故事走向。

兵棋设计师利用人工智能，可以低成本地混合使用生成图像和文本来创建。研究人员可以定制数据集，并且类似于创建合成玩家，编写一系列而不是一个场景，映射不同的战争设置（即不同的初始条件）。这些可变的起始条件可以更好地捕捉复杂系统对初始条件的敏感程度。这种变化成为分析决策的关键组成部分，特别是当它在不同处理过程中出现分歧时，从而为评估策略创造了更大的可能性空间。只需花费一场传统推演的成本，分析师就可以运行多场推演，并根据不同的场景假设，看看哪些目的、方式和手段的组合产生了最佳优势。

此外，降低图像制作成本，使其超越国家安全推演中常见的PPt幻灯片、糟糕的计算机图形和文本繁多的扩展包，或许能带来更深入的洞察。事实证明，艺术确实能够刺激大脑功能。目前，大多数添加风格化图形和多媒体的游戏往往价格不菲。而生成式人工智能可以通过使用像Midjourney（一个生成式人工智能程序和服务）和DALL*E3这样的程序来改变这一现状。

从无标准到复制指南

如前所述，大多数兵棋推演都缺乏方法论，这使得即使是最基本的决策洞见也难以复制。典型的推演报告会详细描述想定、推演者角色和目标，但往往忽略了更详尽的文献综述和方法讨论。读者看到的往往是兵棋规则，而不是方法论，后面跟着的是一系列按回合排列的行动、反应和反制叙述。根据美国政府问责局 (GAO)的说法，即使是这种默认的兵棋推演报告方法，也缺乏全球最大兵棋推演资助机构——美国国防部——的正式标准。

仅靠技术无法克服分析过程的失败。相反，未来使用生成式人工智能构建的兵棋推演应遵循一套最佳实践，这些实践与更广泛的科学界所称的“复制标准”息息相关。复制既涉及洞察的产生，也涉及结果的解读。事实上，使用严格的复制标准有助于提高研究结果的质量，本质上是在推演过程中增加了制衡机制。应用于兵棋推演，这不仅意味着制定规则，还意味着抽象出一个逻辑序列，阐明在对手反应（即反馈回路）和不完美信息（即不确定性）的背景下，决策的“方式”和“原因”。

这种逻辑顺序可以通过盘点提示和结构化数据标记来捕捉。未来，它还可以融入红队技术，根据合成数据和推演人员互动，展示特定决策逻辑如何以及何时开始失效。换句话说，人类始终处于循环之中，不仅进行设计，还进行推演压力测试，并利用结果来分析决策。

结论

现有的生成式人工智能产品为降低分析性兵棋推演的成本并提高其严谨性提供了可行的方法。唯一的门槛在于人类的想象力，以及传统国防官僚机构是否愿意考虑其他战略分析方法。

为此，国防部需要加大对新型生成式人工智能工作组等项目以及“全球信息优势演习”等实验的支持力度。更重要的是，各军种需要开始资助低级别和其他非机密人工智能测试，同时研究如何最好地培训军事专业人员运用（而非对抗）数据聚合模型。这一举措极有可能需要对专业军事教育进行重大改革，纳入数据科学、统计学、研究方法和红队演习等实践课程。

注：本文转自“棋海旸波”公众号、兵推天下