中国指挥与控制学会会刊 
随着信息科学技术尤其是AI和认知科学的飞速发展,人与机器之间的协同方式不断由跨载体协同向跨认知协同演变。通过在物理和认知两个领域的深度交互融合,人类与AI在任务分配与资源优化、无人系统协同决策、增强现实与虚拟交互等领域不断创造形成新的决策范式,进一步推动了人的高阶认知思维与机器计算技术紧密结合[1],“人类谋算+机器计算”的人机协作模式越来越成为提升决策灵活性和准确性的可行途径。
1 国内外研究现状
1.1 人机认知协作决策研究现状
在作战任务规划领域,如何通过人与机器高效协作达到对战场事件精准、清晰、可追溯的认知水平,如何通过人机能力优势融合互补以快速开展作战任务规划作业,是强人工智能阶段到来之前人机协作研究的重要课题。文献[6]从人机协同决策的必要性与组织方式、影响因素与结果效应、理论视角与研究方法等多个方面对人机协同决策进行了综述,揭示了该问题的研究现状和未来发展方向。文献[7]归纳了军事领域中人机协作的应用和理论发展,并从应用视角对人机协作的任务分配、人与无人集群高效交互、人机协作开展智能态势认知等难点进行了研究。文献[8]对现有人机混合智能决策作战的研究方法进行了综述,并针对海战场协同作战决策系统,分析了不同人机混合模式在海上协同作战方面的应用,提出了一种能够提高决策效率、增强态势感知能力和优化资源分配的人机混合智能协同作战方法。文献[9-10]指出当前机器智能在面对伦理取向等问题时尚不能脱离人类单独决策,离实现强人工智能水平下的人机协同仍有差距,并围绕人、机、环境的融合不足等问题,对人机融合模式下的态势认知决策机制及认知模型进行了研究。文献[11]则对现有人机混合智能决策进行了整体性的理论描述和分类对比,梳理了通用人机混合决策范式在不同协同交互手段和不同决策阶段的特征、区别及其在作战方面的应用和展望。文献[12]在认知科学和人工智能高度融合的背景下,研究分析了基于人机认知协同开展复杂装备概念设计的关键技术挑战及其展望。文献[5]从人机融合中的深度态势感知视角,研究了人类智慧、机器智能与环境系统的相互作用与融合机制,阐述了人机分工配合与协同决策的理论与方法,并指出未来的智能系统应是人的“算计”结合机器的“计算”以及环境变化所得出的洞察结果。
1.2 作战任务规划系统发展
作战任务规划系统是辅助指挥人员夺取作战筹划优势[13]的重要工具。根据作战任务规划系统的主要技术特征,本文将其发展过程大致分为三个阶段(如图1所示,图中虚线表示该阶段尚未完全实现或真正到来):第一阶段(传统阶段)主要是基于动态规划、博弈论、图论等数学模型和规则驱动的规划系统。该阶段主要是以仿真模型和数据处理为基本框架[14],其作用在于解决手工规划作业的电子化问题,缺乏复杂问题的自适应规划求解能力,在基于战场态势智能认知进行作战任务智能规划方面基本没有实质性突破。第二阶段(过渡阶段)主要是综合采用启发式算法、群体智能算法以及机器学习算法等技术的规划系统[15-18]。截至目前,此类系统的研究大多停留在理论分析或概念验证层面,所建立的智能规划模型及其求解算法仅适用于问题边界清晰、判定规则明确且问题规模有限的典型场景[19]。加之这些智能规划模型侧重于局部行动方案的选择与寻优,缺乏对战场事件的深层认知和战争中长期利益的充分考虑。第三阶段(智能阶段)则是随着自然语言处理等技术的发展,一些机构和学者开始研究利用AI大模型或智能体的感知、推理以及工具使用等功能,完成多级任务分解、复杂任务分配、行动序列设计和方案推演评估等工作[20-22],但由于模型幻觉、规划效率不高以及可解释性不足等问题,而且仍未把指挥员所具备的作战经验、直觉判断、谋略艺术等人类高级认知直接融合进来,该阶段的智能规划系统尚难有效消除技术、伦理和安全等方面的风险。
文献[23]根据人与机器所承担的任务分工和作业边界,将人机协作规划模式显式地划分为初级、中级、高级三种模式,级别越高机器自主规划的地位越高,人类逐渐脱离相应的具体作业,只负责作战目的定义等高级指挥活动。文献[24]评估发现,由大模型代理进行军事冲突决策时,往往会促使冲突各方争相开展军备竞赛,增加冲突升级风险,甚至会演进至核武器部署阶段。文献[25]在近期关于智能作战任务规划的研究报告中也指出,人工智能在充满不确定性的战略决策或长程决策方面表现不甚理想,而人机混合规划结果将会更优。实际上,强人工智能到来以前,基于机器智能认知生成的规划结果难以满足作战指挥决策的高可解释性、高透明性要求,人类在作战问题模糊决策、战场态势深层推理和作战伦理权衡等方面的优势仍无法被取代,过度依赖机器智能开展作战任务规划并直接采纳其结论存在着无法忽视的决策风险。因此,亟须充分结合人脑认知的灵活性、创新性、直觉性与机器认知的大容量、高效率和进化特性,对“人”“机”两种智能的高效认知协作规划模式展开研究,进一步提高系统的适用性和可信度。
2 作战任务规划领域人机认知协作
2.1 认知维度与能力互补模型
基于对人与机器在不同认知维度上潜在协作形式的分析,同时结合有限理性理论和认知统一框架,可构建形成人机认知协作能力互补模型,如图3所示。
该模型主要基于以下假设:
(1)人类擅长解决非结构化、模糊和伦理敏感问题;
(2)机器擅长解决大计算量、高实时性和概率推理问题;
(3)人机协作效能非线性叠加,存在协同增益效应。
基于以上假设,人和机器在作战任务规划各个维度开展“智慧+智能”协作。
态势感知维度,是构建作战任务规划原始数据基础的必要途径,可实现战场异常事件的早期发现和威胁预警,是达成信息过滤从而降低认知负荷的关键屏障。在此阶段,机器可以实施战场信息的全频谱监测、战场目标的毫秒级跟踪优势,指挥人员则可利用直觉发现敌方佯动、伪装等各种意图,或根据多源信息开展跨模态联想,从而实现人机能力互补。
情况判断维度,其作用在于通过因果推理与意图分析,将离散信息升维为结构化知识,建立从“战场发生了什么”到“为什么发生”的战场因果推理网络,是连接态势感知与方案生成的关键环节,旨在通过揭示敌方行动背后的目的企图、发现我方部署的薄弱节点,服务于从作战构想向作战方案计划的细化。在此维度,可以在机器开展态势多分支预测时,通过将指挥员的战场因果推理、人文历史经验等认知进行形式化表示,把指挥人员引入智能认知计算回路,以人工主动干预或机器申请协助等方式实现指挥人员决策引导与智能算法的高效融合[27],从而实现人机协同增智。
方案生成维度,主要是基于态势感知、理解、预测、判断、分析等步骤生成满足战役战术目的、可用资源约束与战争伦理规范的可行方案集合。在此维度,可由指挥人员主导完成战术层的佯动欺骗策略设计、战役层的战争效应评估甚至战略层的盟友关系利用,从而注入人的创新思维,再由机器主导完成战术层的路径优化、战役层的综合保障推演和全局资源调度,从而实现虚实兵力部署、跨域火力协同以及战场最终态势预测。
方案评估维度,主要是对候选方案进行多维度定量定性综合分析,在此维度,可由指挥人员开展战略战役威慑定性分析、远期交战结果直觉预判以及对军心士气影响的综合预测,由机器通过特定算法完成多目标优化和上亿级节点的推演计算。在实施评估时,先由机器排除违反作战指导法规、规则的方案完成预筛,再由人和机器共同参与混合现实环境下的多视角审视与共评,最后基于反馈数据的评估模型在线更新完成动态修定。
行动控制维度,主要负责将抽象规划产品转化为具体作战指令,并通过实时反馈维持“规划-执行-监控-调整/重规划”的闭环,实现作战方案计划等人机认知协作成果向物理战场的映射。在此维度,可根据战场环境复杂度、任务时敏特性以及算力裕度等关键因素的处理时序或优先级,当战场突发情况超越预设规则时自动切换控制权限(如应对高速来袭目标的防空作战行动),从而实现人机协作模式下对战场不确定性的高效应对。
该模型通过双向增强回路实现人机能力互补,即人类的创造性思维激发机器解空间探索能力,机器的超强算力推动人类认知边界扩展。各个维度产生人机协作增益的主要来源包括机器扩展+人类过滤、人类价值观注入、人机混合推理机制、机器接管重复性任务等。该模型中人与机器在作战任务规划各个维度的地位、作用以及交互关系如表1所示。
表1 认知能力互补模型中的人机地位与作用Tab.1 The role and function of human and machine in capability complementarity model |
| 环节 | 人类作用与地位 | 机器作用与地位 | 交互关系 |
|---|---|---|---|
| 态势 感知 | 主导非常规威胁识别 地位:决策发起者 | 负责多源数据融合 地位:信息提供者 | 人类发现异常→触发机器深度扫描→联合生成威胁评估报告 |
| 情况 判断 | 主导战场因果推理 地位:经验运用 | 负责态势多分支预测 地位:概率推演 | 机器开展多种态势预测→人类推理敌方意图→联合预测战场态势演变 |
| 方案 生成 | 主导战法创新设计 地位:创新引擎 | 执行组合优化计算 地位:效率加速器 | 机器生成候选方案→人类筛选优化→联合修订形成可执行方案 |
| 方案 评估 | 主导伦理价值判断 地位:伦理权衡者 | 进行概率推演计算 地位:量化分析员 | 机器评估物理风险→人类注入价值判断→联合生成风险处置建议 |
| 行动 控制 | 主导经验迁移应用 地位:应急决策者 | 实施实时响应控制 地位:执行协调员 | 机器监测偏差→人类确认调整策略→联合实施动态重规划 |
2.2 人机认知协作的动态权重分配
在双向增强规划回路中,合理构建认知任务分配机制是实现人机认知协作的关键。为实现人机认知能力合理分配和高效释能,本小节考虑环境复杂度、剩余决策窗口、指挥人员经验、算法置信度、实时算力裕度、伦理风险等级、通信带宽稳定性、人机认知成果质效等多重指标,提出一种贡献度系数双层优化策略,实现人与机器认知权重的动态设置和认知任务动态分配。如在态势感知维度,可赋予机器认知贡献度较高权重,适当降低人类认知贡献度权重,而在方案评估维度,则可考虑指挥人员直觉预判、谋略经验等因素,增加人类主导价值判断的权重,提升人类认知贡献度到更高水平。
根据动态权重分配机制,充分考虑作战任务特征、规划人员状态、机器规划性能、战场约束和历史效能等关键因素作为影响动态权重的因素体系,通过实时量化多维环境变量,自适应调整人机在各认知维度的贡献比例,实现人机认知协作规划的动态优化,如表2所示。
表2 动态权重影响因素Tab.2 Influence factors of dynamic weight |
| 因素类别 | 具体指标 | 数据来源 | 影响维度 |
|---|---|---|---|
| 任务特征 | 环境复杂度指数(ECI) | 战场传感器网络 | 态势感知(ECI>5时机器权重增大) |
| 时间敏感性(剩余决策窗口) | 任务时钟同步系统 | 行动控制(时间<3 min时机器权重增大) | |
| 人员状态 | 认知负荷指数(评分0-100) | 自我监测、生理传感器 | 情况判断(负荷>70时机器权重增大) |
| 指挥员经验等级(1-5级) | 人员档案数据库 | 方案生成(经验<3级时机器权重增大) | |
| 机器性能 | 算法置信度(0-1) | AI自评估模块 | 方案评估(置信度<0.6时人类权重增大) |
| 实时算力裕度(%) | 资源监控系统 | 行动控制(裕度<20%时人类权重增大) | |
| 战场约束 | 伦理风险等级(红/橙/黄/绿) | 国际法条款知识库 | 方案生成(红色风险时人类权重增大) |
| 通信带宽稳定性(Mb/s) | 通信链路质量监测 | 态势感知(带宽<10 M时人类权重增大) | |
| 历史效能 | 同类任务人机协作成功率 | 历史案例库 | 所有维度(成功率<80%时权重重置) |
| 指挥员与AI的信任度(0-100) | 交互日志分析 | 方案评估(信任度<60时人类权重增大) |
注:本表所列参数仅作示例,不代表实际操作时的指标。 |
综合考虑以上影响因素和动态权重设计思路,可以采用基于多因子强化学习的双层优化策略实现相关系数设计。双层优化策略是指将人机协作任务分配的权重分为基础权重和动态修正两部分,其中基础权重的计算如下式:
ωbase=σ
其中:σ为sigmoid归一化函数;αi为因子权重(可通过离线训练获得);fi(xi)为各影响因素的标准化处理函数。
引入在线贝叶斯更新的实时动态修正权值为
ωadjusted=ωbase·
其中:E为战场事件,H为权重分配假设。
相比固定比例分配而言,动态权重分配机制引入了“环境感知-状态评估-权重计算-效能反馈”的闭环,能够确保人和机器在复杂艰巨的认知协作任务中保持较高的整体效能。
3 系统架构设计
3.1 系统总体架构
3.2 系统分层设计
3.2.1 数据支撑层
数据支撑层是整个人机认知协作规划系统的基础,其核心使命是通过多源异构数据的融合处理与领域知识的系统化沉淀,为上层智能规划提供高质量、可解释、可追溯的元数据。该层主要包括作战规则库、历史战例库、心理监测组件、伦理案例库、士气模型库、目标信息库和地理信息库等基本组件,共同为上层规划提供数据模型支撑。
3.2.2 智能处理层
智能处理层采用“推理-评估-优化”的闭环架构,是人机认知协作规划系统的核心引擎,主要通过多模态认知计算实现从原始数据到作战智慧的转化。
其中,通过人类专家标注关键关系置信度,机器自动补全隐性关联,协作构建全域知识图谱。在混合推理引擎模块,人类指挥员可以注入作战原则或创新思维,机器则基于多分支预测等阶段性成果将人类要求转化为约束条件后生成多个候选方案,人类从中选择若干个进行深度优化。在伦理评估模块中,可由机器实现高风险方案预警,人类指挥员设定各类伦理事件价值权重,主导指挥决策方向。在心理态势分析器模块中,机器可根据要求推荐生成心理战实施策略,人类指挥员则根据实际情况审核确定士气干预时机。在创新启发引擎模块中,可由机器生成战法创新草图,人类指挥员择优选择若干进行详细设计。在对抗推演模块中,人类设定推演规则,机器生成推演报告,实现以人类意图为主导的作战预实践。
智能处理层能够确保从原始数据到作战智慧的转化链条不断裂,既能保留人类指挥员的谋略经验,又能发挥机器的超强算力。该层通过知识图谱的可视化呈现,使人类直观理解机器推理逻辑,可以增强指挥人员的规划决策信心,并且支持参数在线调整,充分保障指挥人员基于自身对态势的理解和谋略艺术,引领整个规划过程,主导实现从数据智能到认知智能的融合式跨越。
3.2.3 人机协同层
人机协同层是连接人类智能与机器智能的核心纽带,其设计目标是实现自然、高效、双向的认知协作。该层通过多维度感知人类认知状态并动态调整交互策略,确保指挥决策既保留指挥人员的谋略艺术、创造力与伦理判断,又发挥机器超强算力优势。
多模态交互接口,主要用于对指挥员临场思维、语音/文字、肢体语言等多模态初级指挥决策信息(所谓初级,指未经加工或分析)的输入和解析,还包括全息投影战场态势和跟随规划人员认知负荷,用以实现信息密度动态简化的战场信息呈现等。
神经认知增强模块,是人机认知协作规划系统的生物智能接口,能够通过神经科学与人工智能深度融合,实现神经信号解析与认知状态干预的闭环控制,建立起“从脑波到战术”的直连通道,达到指挥人员与机器智能的深度协同。当前,机器可根据历史采纳率等因素提前预判指挥员的选择倾向和战法偏好,实现作战方案综合推荐。未来,通过与脑机接口前沿技术结合,则有望实现真正意义上的“人机认知共生”,进一步实现“神经接口-人工智能-军事决策”的深度融合。
伦理约束建模器,是人机认知协作系统的道德仲裁核心,主要是通过建立法律规则编码、价值动态融合与伦理推演计算标准,当指挥员多次否决系统建议时,系统自动调整权重,确保作战方案符合作战法规与指挥员价值取向。该组件通过将抽象伦理原则转化为可计算参数,在人机协作中建立起基本伦理认知对齐,支撑建立起坚实的作战伦理底线。
动态任务协商模块,是人机认知协作系统的“指挥调度中心”,其通过实时态势感知与多目标优化决策,实现人机任务分配的动态最优配置。基于前文提出的能力互补模型和动态权重分配机制,结合实时战场数据进行毫秒级决策权调整,该组件能够将运筹学、认知科学和军事战术深度融合,实现人与机器能力实时评估、多目标优化决策、决策权重动态分配并采取实时监控与反馈,降低人机协作决策冲突。其动态适应性可为未来混合战争提供关键技术支持,赋予作战任务规划系统更多“认知弹性”,使规划产品在人类创造力与机器精确性之间找到最佳平衡点。
创新思维增强器,是人机协同层的重要组件,主要通过跨域知识迁移和创新意识来激发和强化指挥人员创造性思维,旨在帮助指挥人员突破传统作战方案设计的思维定式,实现新型战法的生成与优化。与智能处理层中的创新启发引擎不同,在该模块中机器作为指挥人员创新思维的催化剂,其核心价值不在于自主创新或直接替代指挥人员的关键谋略和作战判断,而是最大化地辅助释放指挥人员的创造性潜能[29]。
3.3 系统特征和内涵
与传统规划模式不同,本节所设计的人与机器通过认知能力优势互补实现规划效果增强的系统架构,具有深度认知互补、动态认知平衡、双向认知增强、嵌入伦理控制等特点(如表3所示)。在该架构下,通过人类的高级思维潜力与机器的结构化任务处理能力形成深层互补,打破了人机能力割裂的串行规划模式,并通过人机协作权重动态分配将作战决策逻辑从传统规划系统的“预编程规则”向“动态涌现式响应”转变,实现了人类认知与机器认知的协作增强。需要指出的是,传统智能任务规划系统对作战伦理的考量不足,增加了规划方案因不合规导致重规划的时效风险,而本文所设计的系统架构能够将人类对作战伦理约束的把控直接嵌入规划作业过程,可显著提高规划作业时效并有效规避战争责任风险。
表3 人机认知协作规划系统的特征与内涵Tab.3 Features and connotations of the mission planning system based on human-machine cognitive collaboration |
| 系统特征 | 核心内涵 | 与传统架构的差异 |
|---|---|---|
| 深度认知互补 | 人类专注直觉、伦理、创新等深层认知; 机器承担高效计算、模式识别、概率推演等结构化任务 | 突破人机能力割裂,建立模糊性与复杂性处理的共生架构 |
| 动态认知平衡 | 基于战场复杂度和不确定性实时调节决策权重 | 决策逻辑从“预编程规则”转向“动态涌现式响应” |
| 双向认知增强 | 机器扩展人类认知边界; 人类为机器注入价值约束与直觉校正 | 形成“直觉激发→算法验证→反馈优化”的进化闭环 |
| 嵌入伦理控制 | 将作战法规和人类意图转化为机器规划的边界条件,并在敏感领域设置机器无法逾越的屏障 | 作战伦理从“事后审查”转为“过程嵌入式约束” |
4 结束语
本文针对子任务难以拆解、战场事件高度模糊不易符号化、作战伦理难以权衡等作战任务规划难题,设计了一种基于人机认知协作的系统架构,旨在将指挥人员对战场事件的批判性、创新性认知思维及其直觉性指挥艺术直接融入作战任务规划系统求解过程。在这种架构下,指挥人员负责主导直觉异常识别、作战创新思维注入和伦理最终裁决等环节,机器则负责主导多源数据融合、解空间搜索、大数量级快速仿真推演等环节。该架构可推动实现战役战术级作战任务规划的快速精准响应,支撑实现人类智慧与机器智能的充分融合,提升人与机器协作效率。