文章来源 微信公众号 知未防务

深度解析｜兰德报告：AI赋能全域联合指挥控制，美军JADC2建设的挑战与破局路径

QQ交流群：497127644
编者按：本文译自美国兰德公司2020年发布的研究报告《Joint All-Domain Command and Control for Modern Warfare: An Analytic Framework for Identifying and Developing Artificial Intelligence Applications》，该报告由兰德公司为美国空军空中作战司令部撰写，核心围绕全域联合指挥控制（JADC2）体系建设，剖析了美军空中作战中心（AOC）当前面临的作战指挥挑战，探索了人工智能（AI）与机器学习（ML）在多域作战中的应用机遇，构建了支撑JADC2的AI生态体系，并提出了美军推进JADC2建设的具体结论与建议，是研究美军JADC2与军事AI应用的重要参考资料。全文经完整译介、结构优化，适配微信公众号阅读，供防务领域爱好者、从业者参考。

一、报告基础信息

（一）兰德公司简介

兰德公司是一家致力于为公共政策挑战提供解决方案的研究机构，旨在推动全球社区更安全、更稳定、更健康、更繁荣。兰德为非营利、无党派机构，始终秉持公共利益至上原则，其出版物观点并不必然反映研究委托方和赞助方的立场。

（二）报告核心信息

• 作者：谢里尔·林格尔、杰夫·哈根、埃里克·黑斯廷斯、玛丽·李、马修·萨金特、马修·沃尔什、张立昂、戴维·布兰西特

• 发布时间：2020年

• 著作权：©2020兰德公司，本报告仅限非商业用途使用，未经授权禁止线上发布，个人可完整无修改复制，商业用途需获得兰德公司许可。

• 委托方：美国空军空中作战司令部计划、项目与需求局（A5/8/9）

• 研究背景：2019年，委托兰德公司空军项目组（PAF），研究并提出将AI及更广泛的自动化技术应用于JADC2周密筹划的可行方向，解答美国空军应如何整合AI/ML与自动化技术以实现JADC2这一关键问题。

• 适用受众：美国国防部人工智能和/或指挥控制领域的领导层与利益相关方、关注人工智能和美军大国竞争能力建设的美国国会相关人士，以及全球防务领域研究者。

（三）兰德公司空军项目组简介

兰德公司空军项目组（PAF）是兰德公司的下属部门，为美国空军提供联邦资助的研究与开发分析服务，为美国空军提供独立的政策分析，涉及当前和未来空、天、网部队的发展、运用、战备及保障等相关政策选项。该项目组的研究分为四大方向：战略与条令、部队现代化与运用、人力与人员训练、资源管理。本研究依据合同FA7014-16-D-1000开展，更多信息可访问官网：www.rand.org/paf/。

本报告记录的研究成果最初于2019年9月向美国空军提交，同期发布的报告草案经过了正式同行评审与美国空军领域专家评审。

二、全域联合指挥控制（JADC2）建设的现实挑战

美军构想的JADC2，旨在整合太空、信息、网络、空中、陆地、海上各域的作战筹划、任务分配与行动评估环节。而作为美军空军战役级核心指挥控制（C2）节点的空中作战中心（AOC），虽在历史上发挥了显著效用，但在多域作战需求升级、对等威胁加剧的背景下，正面临一系列难以规避的挑战，这些挑战共同构成了JADC2建设的核心障碍。

（一）当前战役级指挥控制的核心挑战

多域作战（MDO）并非美军全新作战理念，数十年来美军及其他国家均在尝试整合陆、海、空力量对抗敌方，但随着太空、网络等新域的出现，现代战争对多域作战的要求发生了本质变化：太空不再是攻防行动稀少的“安全区”，网络攻击与网络自卫甚至在动能对抗开始前就已成为常态，灰色地带的跨域行动频发，倒逼美军在竞争与冲突中实现各域行动的紧密同步。

AOC是空中作战筹划、执行与评估的物理枢纽，目前美军在全球部署有多个区域型AOC和6个功能型AOC（详见表1）。区域型AOC为地理作战司令部提供支撑，负责战区作战的筹划与执行；功能型AOC则为职能作战司令部服务，覆盖全球打击、太空、机动、特种作战、网络、情报监视与侦察（ISR）等领域。

AOC指挥官依据联合部队指挥官或空军指挥官的指导，负责作战管理、制定作战节奏，以及空中作战的筹划、协调、执行与评估，其核心遵循72小时空中任务周期（ATC）。这一周期由战略处确定空中任务指令（ATO）周期的目标、效果与指导原则，具有连续性——当作战行动处执行并监控当日ATO时，战略处与作战筹划处已在制定后续两日的ATO。

美军当前奉行“集中控制、分散执行”的空中作战原则，AOC集中统筹空中作战C2，而ATO的执行则由下属节点完成。但这一模式在现代战争中暴露出两大致命问题：筹划速度过慢与过度依赖周密筹划。

1. 筹划速度难以适配高对抗环境

过去20年的冲突中，AOC拥有充足的筹划与反应时间，电子战、网络、太空等支援力量的整合虽以人工为主，但仍可实现有效协同。但在高端冲突中，72小时ATC的弊端被无限放大——该周期大量时间耗费于各军种、各层级的协调会议，目标需通过多源情报精细研判，平台与弹药的选择需提前1-3天确定，再叠加指挥官与法律层面的多层审核、联盟伙伴的协同，最终作战计划需在执行前10小时下发至联队和中队，这一流程在敌方快速机动、动态部署的高端对抗中完全无法适配。

2. 过度依赖周密筹划，动态瞄准能力不足

AOC的绝大多数流程均围绕预设目标制定ATO，人力配置也向周密瞄准倾斜，动态瞄准（DT）单元所属的作战行动处人员规模远小于筹划部门，且战略处、作战筹划处、ISR处等核心部门几乎不支持动态瞄准任务。在伊拉克自由行动中，79%的预期打击目标均超出ATO周期，此时AOC的周密筹划流程完全失效，出动架次因缺乏预设规划而效率低下、风险陡增，且动态目标的快速转移进一步加剧了打击时效性问题。

此外，AOC的技术架构存在先天缺陷：其基线架构由40余个应用系统、数千个机机接口组成，跨3-10个网络运行，核心沟通工具为互联网中继聊天软件，核心筹划工具为微软办公套件，而这两类工具与其他AOC应用系统无任何接口，导致核心沟通与筹划渠道和作战系统之间形成“数据孤岛”。

类型	编号	所属主要司令部	部署基地
区域型	601 AOC	空中作战司令部	佛罗里达州廷德尔空军基地
	603 AOC	美国空军欧洲司令部	德国拉姆施泰因空军基地
	607 AOC	太平洋空军	韩国乌山空军基地
	609 AOC；609 AOC第1分遣队	美国空军中央司令部	卡塔尔乌代德空军基地；南卡罗来纳州肖空军基地
	611 AOC	太平洋空军	阿拉斯加州埃尔门多夫-理查森联合基地
	612 AOC	美国空军南方司令部	亚利桑那州戴维斯-蒙森空军基地
	613 AOC	太平洋空军	夏威夷州珍珠港-希卡姆联合基地
功能型	608 AOC	空军战略打击司令部	路易斯安那州巴克斯代尔空军基地
	614 AOC	空军太空司令部	加利福尼亚州范登堡空军基地
	618 AOC	空中机动司令部	伊利诺伊州斯科特空军基地
	623 AOC	空军特种作战司令部	佛罗里达州赫尔伯特机场
	624 OC	空军太空司令部	德克萨斯州拉克兰空军基地
	625 OC	空中作战司令部	德克萨斯州拉克兰空军基地

（二）各空中作战中心的发展差异

由于任务需求与责任区域的独特性，各AOC已发展为独立的作战实体，不存在统一的基线标准。例如，613 AOC因部署位置偏远，需解决下属节点与指挥节点间的远距离通信问题；603 AOC则需应对欧洲和非洲的多元威胁，同时与北约体系对接。功能型AOC的任务差异更为显著，尽管所有AOC均具备基本的筹划、执行与战役级评估能力，但部分AOC还承担着网络防御、战区防空反导等专属任务。这种差异导致各AOC的现代化进程难以协同推进，也给JADC2的全域整合带来了阻碍。

（三）太空与网络作战中心的独特挑战

美军空军参谋长戴维·戈德费因将有效的多域整合定义为：“利用一个或多个领域的制权，整合多种能力，向对手制造多重困境，实现对其的压制。”但空、天、网三域的整合面临诸多难题，其中多级安全保密、区域AOC权限缺失、通信系统不兼容是核心。

网络作战中，不同安全等级的信息交织，筹划与执行权限多远离战区和军种层级，且极少向前方授权；太空作战则受轨道力学限制，部分行动仅能在特定时间窗口执行，且相关信息的保密等级高于AOC的常规操作等级。此外，空、天、网领域的作战文化与专业术语差异显著，人员缺乏联合训练与协同操作的机会，即便同为空军的天、网力量，其指挥链也由美国太空司令部、网络司令部掌控，空军空中作战中心难以直接调度，导致三域协同效率低下、错误频发。

（四）对等威胁环境带来的新挑战

美国国防战略将中国、俄罗斯列为主要对等竞争对手，这类高端冲突给AOC的运行带来了两大新的核心担忧：设施与人员的生存性和应对网络与通信攻击的鲁棒性，而多域作战的开展会进一步加剧这两大问题——多域作战需要更多的人员与信息系统支撑，筹划流程更漫长，且对通信链路的依赖性更强，而对等对手具备对美军通信链路进行拒止、降级与干扰的能力。

1. 生存性堪忧

AOC是空中作战筹划的核心，联合部队指挥官对其高度依赖，但海外承担主战任务的AOC多部署于未加固的地面集中式设施，一旦遭遇动能打击，其作战能力将瞬间丧失。尽管所有AOC均制定了作战连续性计划，配备备份设施与人员，但受损后的评估与交接仍会造成显著的作战中断。同时，AOC汇聚了战区空中作战筹划的核心人才与各军种、各单位的联络人员，是敌方的高价值打击目标，人员损失将产生难以弥补的影响。

2. 网络与通信系统易受攻击

即便号称“物理隔离”的计算机网络，在现代技术手段下也难以避免被攻击，而AOC大量使用商用软硬件，使得敌方可利用商用工具与技术实施网络攻击。将AOC系统迁移至更高保密等级的网络虽能提升安全性，但AOC的核心信息均为秘密级，这一迁移面临巨大障碍。

通信网络同样是敌方的重点打击目标，尤其是在太平洋战区，美军在夏威夷或美国本土制定的计划，难以有效下发至关岛、日本、菲律宾的部署部队；美军的超视距通信多依赖商用卫星租赁信道，易遭受动能、电子战和网络攻击，而海底光缆虽相对安全，但也面临窃听与中断威胁。

（五）空中作战中心开展多域作战的核心难题

AOC推进多域作战的核心瓶颈，是空中部队指挥官将非空域能力整合进多域作战的能力不足，而这一能力不足源于流程、系统、训练与实战经验的全方位缺失。美军对空、天、网三域整合的重视，源于三大趋势：对等对手正逐步在传统兵力对抗中与美军持平；美军在天、网域拥有显著且持续增长的自主能力；美军空、天、网三域的整合尝试往往效率低下、错误频发。

各作战域在发展过程中形成了各自的资源、限制与文化，进而产生了独特的作战流程，这使得跨域协同难以实现。例如，太空作战的筹划与执行模式与空、网域截然不同，网络、太空、机动、全球打击等功能型作战中心均有各自的筹划周期，其能力与效果需通过人工联络整合进空中瞄准周期。

而瞄准流程的跨域差异则更为显著：空中部队聚焦于选择打击点以达成预期效果，网络部队则需攻击一系列目标（不同网络的路由器、防火墙、服务器、用户账户等）才能实现最终效果，即便动能打击与网络攻击存在协同机会，也因人工联络而耗时费力，且相关协商过程极少被结构化记录，无法为算法学习提供数据，难以实现AI赋能下的高效协同。

（六）本报告的研究方法与结构

本研究采用多方法研究框架，包含文献综述、对各区域AOC操作人员、科技界及其他空军利益相关方的实地走访与半结构化访谈，以及对AOC基线技术文档的分析，核心采用双路径研究法探索多域指挥控制的AI应用：

1. 路径一：分析AOC任务流程、战术技术程序（TTP）、人员配置与任务主线，识别现有流程中的AI/ML应用机遇。研究发现，AI/ML机遇散见于AOC各流程，天、网域与AOC核心流程严重脱节，多级安全保密是AI/ML应用的重要制约因素。但该路径因依附于现有AOC流程，难以突破传统架构的限制。

2. 路径二：从多域作战概念（CONOPS）出发，分析支撑该概念所需的指挥控制能力，再将AI/ML技术类别映射至各C2流程，识别潜在应用方向。本研究选取了三个典型的多域作战案例——压制敌方防空系统（SEAD）、人道主义援助与救灾（HADR）、分布式ISR，构建案例分析模型，剖析支撑各作战概念的C2能力与数据需求，进而提出AI/ML应用建议。

本报告核心结构分为五章，逻辑脉络清晰：第一章剖析美军实施JADC2的现实挑战；第二章阐述指挥控制现代化的现状，包括AOC向多域化转型的努力、相关资金投入与利益相关方；第三章提出基于案例分析的AI/ML应用机遇，分析三大典型案例中的AI应用方向与共性特征；第四章构建支撑JADC2的AI生态体系，结合商业最佳实践提出美军的实施路径；第五章总结研究结论，并提出美军推进JADC2建设的具体建议。

三、指挥控制现代化建设现状

面对JADC2建设的多重挑战，美军逐步推进AOC现代化转型，聚焦多域指挥控制（MDC2）能力建设，投入大量资金、推出多项举措，但同时也面临诸多亟待解决的问题，整体呈现“分散推进、应急调整”的特征。

（一）空中作战中心向多域化的转型

2016年，因网络安全漏洞和第三方应用集成难题，AOC 10.2现代化架构计划被终止，AOC项目管理办公室转向内部现代化计划——“AOC探路者”，后演变为凯塞尔跑（KR）计划。该计划将敏捷软件开发应用于AOC现代化，凭借早期的成功，敏捷开发已成为美军推进C2与多域能力建设的核心策略之一，其他核心策略还包括虚拟化（云基）数据结构与通用C2平台。

为响应多域指挥控制（MDC2）企业能力协作团队关于利用先进技术推进C2建设的建议，美国空军打造了影子网（ShadowNet）——一个由多个开发与运行环境组成的多节点网络，通过实验解决企业级C2面临的安全、延迟、带宽、数据访问、网络弹性与信息技术（IT）等挑战。美军在推进KR计划的同时，依托影子网开展了一系列实验性战役，探索多域作战概念，识别并开发相关支撑技术。

从2000年开始，AOC现代化的多域化趋势愈发明显，2020财年美军为多域指挥控制（MDC2）项目投入1.51亿美元，核心聚焦三大方向（详见表2）：一是打造多域C2通用平台，加速C2应用的开发与交付；二是建设企业级数据湖，为C2应用提供数据支撑，赋能AI/ML；三是开展影子网实验，识别多域C2建设的新技术需求。此外，美国空军在太空、网络域的C2研发投入也持续增长，陆军、海军的C2投入规模与空军相当。

成本类别	执行主体	投入资金（百万美元）
多域C2通用平台	凯塞尔跑计划（KR）	60
多域C2企业级数据湖	多主体	40
多域C2影子网实验	多主体	36
多域C2开发	多主体	7
保障、测试评估与管理	多主体	8
总计	-	151
美军的C2建设并非仅局限于MDC2项目，众多利益相关方均参与其中，包括通用任务控制中心（CMCC）、联合企业防御基础设施（JEDI）、空军创新工场（AFWERX）、空军首席数据官（CDO）、网络任务平台、国家太空防御中心等，这些主体在平台建设、概念研发、数据管理、太空与网络作战整合等方面发挥着关键作用。

目前，美军已开展多项标准化、数据库连接基础设施建设工作，部分成果已具备AI应用的潜力，例如OneChat应用在多级安全（MLS）环境下提供数据即服务（DaaS）功能，KR计划开发的前端服务应用可收集作战中心数据为后续数据挖掘提供支撑，国防高级研究计划局（DARPA）与空军研究实验室（AFRL）也已开展JADC2的AI/ML早期研究，但美军目前仍缺乏自动化或AI应用的整体愿景与战略，导致各举措难以形成合力。

（二）指挥控制现代化的核心问题

当前美军的AOC现代化建设面临诸多问题，核心可归结为缺乏统一基线与多域C2建设挑战多元。尽管美军推出了KR计划、影子网等一系列举措，但这些举措均为分散式开展，缺乏协同与整合，各AOC的现代化标准不统一、进程不同步，难以支撑JADC2的全域整合需求。

同时，面对对等威胁、AOC 10.2计划夭折与多域作战概念的提出，美军的AOC现代化建设呈现出“应急式”特征，未能形成体系化布局，往往是针对具体问题推出单点解决方案，缺乏对JADC2长远建设的统筹规划。

为应对集中式AOC的脆弱性，美军提出了分布式C2的建设理念，试图突破传统“集中控制、分散执行”的物理集中模式。分布式C2的设计需基于对可行性、低效率、成本、资源与对等对手威胁等风险因素的分析，而AI/ML技术可为分布式C2的实现提供关键支撑，例如为联队作战中心提供部队战备预测工具、为下属节点提供动态行动方案生成工具、为前沿部署节点的指挥官提供决策工具，提升分布式节点的自主决策与协同能力。

四、多域作战的人工智能应用机遇

AI与ML技术的快速发展，为解决JADC2建设的诸多挑战提供了新路径。AlphaZero、Libratus、AlphaStar等AI系统在复杂博弈场景中的成功，证明了AI/ML在处理复杂、不完美信息、实时连续决策问题上的潜力，而这些问题与战役级C2流程高度相似，为AI/ML在JADC2中的应用提供了实践基础。本研究通过案例驱动法，识别出多域作战中AI/ML的核心应用机遇与共性需求。

（一）人工智能与机器学习的赋能作用

1. 核心定义

本报告对AI和ML的定义为：人工智能是研究机器展现智能的学科，其定义围绕机器的推理方式与行为模式展开，例如机器可通过穷尽逻辑推理或简单启发式方法实现理性行为，也可模仿人类的推理与行为模式；机器学习是AI的子领域，研究机器无需显式指令即可完成任务的方法，机器通过训练数据或与仿真环境的交互学习完成任务的能力。

机器学习的核心技术包括神经网络、参数与非参数统计技术等，而深度学习作为神经网络的特殊实现形式，通过多层中间层转换输入数据生成输出，已在图像分类、语音识别、游戏博弈等领域实现超人类水平的表现。

2. 军事AI技术分类及应用契合点

结合军事应用场景，AI技术可分为六大类别，前五类均与JADC2存在明确的应用契合点，具体如下：

1. 计算机视觉：检测并分类视觉世界中的目标，典型应用为“普罗米修斯项目”中用于自然场景目标检测与分类的AI算法，可提升情报侦察、目标识别的效率与准确性；

2. 自然语言处理（NLP）：实现语音与文本的识别、翻译，可用于从语音和文本中提取情报，监控友军聊天信息以实现信息精准推送与冲突/机遇预警，破解AOC“数据孤岛”中的文本信息利用难题；

3. 专家系统：基于大量专家知识构建的规则化系统，可用于为战役与战术目标的效果达成提供建议，辅助指挥官快速决策，缓解人工筹划压力；

4. 规划系统：解决调度与资源分配问题，可用于匹配空、天、网等跨域资产与打击目标，生成分阶段的机动方案，提升筹划速度与资源利用效率；

5. 机器学习：通过标注训练数据（监督学习）或与真实/仿真环境交互（强化学习）获取知识，可与前四类AI技术结合，在缺乏专家知识或最优TTP未知的情况下，支撑C2系统完成任务；

6. 机器人技术：整合感知、场景处理、规划、行动选择等AI/ML能力，实现实体系统与环境的交互，是前五类技术的综合应用，暂不作为JADC2核心应用方向。

3. 研究方法：案例驱动法

为突破现有AOC流程的限制，本研究采用案例驱动法，选取三个典型的多域作战案例——压制敌方防空系统（SEAD）、人道主义援助与救灾（HADR）、分布式ISR，构建十年后的现代化C2框架（不依赖AOC物理设施，假设为分布式C2结构），分析AI/ML在各案例中的应用方向、数据需求与投资建议，提炼跨案例的共性特征，为美军JADC2的AI应用提供优先级指引。

（二）典型案例的人工智能应用分析

1. 压制敌方防空系统（SEAD）案例

SEAD是美空军的传统联合任务，本研究基于美军训练与条令司令部、空中作战司令部的多域作战兵棋推演，构建了多域赋能的SEAD作战概念，整合了空、陆、海、太空、电磁频谱、网络等多域能力。尽管这些能力目前均为美军可用，但在实战中难以实现动态协同，更无法在打击现代机动式地空导弹（SAM）系统的时间窗口内完成跨域整合——这也是SEAD任务面临的核心痛点，而AI/ML技术可有效破解这一难题。

多域SEAD的杀伤链涵盖发现、定位、打击、保障四个环节，各域在不同环节发挥着独特作用（详见表3）。本研究聚焦于SEAD任务中的动态瞄准流程，构建了高度自动化的协同打击序列，识别出7个适合AI/ML应用的流程节点，并提出了对应的技术路径：

• 自动化行动方案推荐（专家系统、建模仿真、生成对抗网络）；

• 基于蓝军通用作战图的资源自动选择（自然语言处理）；

• 机会成本自动最小化（虚拟联络官、能力市场）；

• 机器学习（建模仿真、实兵演习生成训练数据）；

• 自动化聊天与信息生成（自然语言处理）；

• ISR与打击任务的自动重规划（优化路径规划算法）；

• 效果评估（图像识别、自然语言处理、专家系统/无监督学习）。

作战域	发现	定位	打击	保障
空中	机载ISR（如“铆钉联合”电子侦察机）	非传统ISR（如F-35）	-	诱饵（刺激雷达）、EA-18G防区外电子干扰
太空	天基ISR	-	-	导航授时、超视距通信（如ISR至AOC）
网络	综合防空系统网络监控	-	-	延迟综合防空系统向SAM传输目标数据、植入假目标
陆地	-	-	远程火力（如制导多管火箭炮）	-
为支撑SEAD任务的AI应用，美军需在算法、标注数据、计算基础设施三大领域加大投入：

• 算法方面：军事AI算法需比商用算法更复杂，处理更大规模的数据，且要求用户具备更高的专业素养，需针对性研发适配军事场景的算法模型；

• 标注数据方面：真实战场数据的缺乏是核心瓶颈，而仿真数据存在适用性问题，需构建兼顾真实性与适用性的训练数据体系；

• 基础设施方面：多级安全保密是关键挑战，需空军首席数据官、首席信息官与国防部联合人工智能中心（JAIC）及各保密机构协同解决安全政策问题，打破数据安全与数据利用的平衡难题。

2. 人道主义援助与救灾（HADR）案例

本研究以2011年日本东日本大地震与海啸后的“朋友作战”、美军北方司令部主导的“太平洋通道作战”为蓝本，构建了核灾难背景下的海外非战斗人员撤离任务案例，分析多域HADR任务的AI/ML应用方向。HADR任务的核心特点是场景复杂、不确定性高、多主体协同需求强，传统人工筹划模式难以适配快速响应需求，AI/ML技术可显著提升任务效率与响应速度。

多域HADR任务的投送、ISR、搜救环节各域能力贡献详见表4，本研究构建了不依赖AOC的现代化C2模型，将任务分为撤离目标识别与行动方案选择、目标与资源匹配、任务执行三个阶段，识别出7个自动化机遇：

• 多边多域通用作战图；

• 动态撤离与路线规划；

• 资源适用性自动评估；

• 机会成本自动最小化；

• 自动化聊天与信息生成；

• 当前作战状态自动评估；

• 救援行动动态调整提示。

作战域	投送	情报监视与侦察（ISR）	搜救
空中	战区内/跨战区投送	全球鹰无人机	旋翼机
太空	-	商用与国家技术手段	-
网络	-	开源情报	-
海上	-	-	旋翼机
陆地	地面运输	-	-
美军联合人工智能中心（JAIC）已开始为HADR任务的AI应用提供支撑，目前正协助美国国土安全部开展民事当局国防支援工作，2021年其工作范围将拓展至国际HADR任务。AI在HADR任务中的核心应用领域包括搜索与发现（识别受灾人员与基础设施状态）、资源分配（确定救灾资源的投送位置）、救援行动执行（识别行动中的障碍与机遇）。

目前JAIC正在开发Fireline和Floodline两款产品，利用计算机视觉模型从传感器视频中自动识别火灾或洪水边界，并计划利用自然语言处理整合医院、社交媒体、联邦应急管理局等多源数据，提升灾害态势感知与救援决策效率。

美军现有的**所有伙伴接入网络（APAN）**为HADR任务提供了数据基础设施支撑，但其在实战中暴露出诸多问题——数据整合能力弱、计算效率低、缺乏多级安全过滤功能。美军需推动APAN的升级，提升计算能力、增加多级安全过滤选项、整合多源数据馈送，并为所有用户提供简化版的多边多域通用作战图，同时将人员、物资、军民用航空器与舰船的可用性和战备状态等数据纳入现代化HADR流程，为AI应用提供充足的数据支撑。

3. 分布式ISR案例

该案例并非传统作战任务，而是聚焦于大规模小型无人机系统（sUAS）的分布式ISR作战——部署数百架可重复使用的小型无人机，在约10000平方公里的区域内开展精细化监视，无人机的飞行控制与传感器操作实现自主化，仅当多平台融合的目标检测结果出现时，才启动杀伤链。由于这类无人机数量庞大、成本低廉，敌方防空系统的打击难以形成实质性影响，美军可通过分布式部署点发射替补无人机维持ISR能力，大幅提升ISR任务的持久性与生存性。

该作战概念目前尚未被美军AOC采用，其流程无法融入传统的空中瞄准周期，且在交战规则、空域解冲突、动态瞄准等方面存在复杂问题。本研究构建了分布式ISR的现代化C2模型，将任务分为传感器选择、任务筹划、任务执行三个阶段，识别出9个自动化机遇：

• 传感器自动推荐；

• 进出港与任务区域空域自动清理；

• 发射与回收计划自动生成与分发；

• 超视距带宽分配与数据接收方预警；

• 无人机参数在筹划与执行阶段的自动生成与分发；

• 任务参数自动调整；

• 目标参数自动调整；

• 空中无人机操作系统自动更新；

• 多无人机协同行动自动优化。

其中，无人机参数的自动生成与分发是该案例独有的任务，美军需要为数百架同款无人机生成类似“联合任务筹划系统”的任务计划，虽无需包含精确的飞行路径（由无人机自主协同确定），但需包含控制自动目标识别系统运行的详细技术参数。该任务的技术实现难度较低，核心挑战在于政策层面：确定任务计划的生成节点、与其他C2产品的集成方式、任务执行阶段的授权主体。

为支撑分布式ISR的AI应用，美军需开发并测试协同飞行与传感器任务分配算法，利用AI技术训练无人机的威胁规避、多传感器视角提供、导弹制导数据链最佳定位等中级行为；同时推进自动目标识别技术的研发，借鉴“普罗米修斯项目”的现有成果，提升无人机自主目标识别的准确性与效率。

与SEAD任务不同，分布式ISR的训练数据更适合通过人工合成生成，其对计算基础设施的要求较低，核心挑战在于无人机的目标识别任务若无法通过机载计算完成，需进行数据卸载，而弹性通信则是解决这一问题的关键——需构建抗干扰、高带宽的通信链路，确保无人机数据能够快速、稳定传输至后方处理节点，支撑AI算法的实时运行。

（三）跨案例的共性特征

尽管三个案例分属不同作战类型（传统打击任务、非战争军事行动、新型侦察任务），但其现代化C2流程中存在诸多共性的AI/ML应用需求（详见表5），这些共性需求可为美军的AI算法研发、数据标准化与存储、新工具开发提供优先级指引，避免重复投入，提升资源利用效率。

其中，空域自动清理工具是三个案例的共同需求，这也反映出空域管理是多域作战中普遍面临的核心问题，AI技术可通过自动化空域规划、冲突预警，大幅提升空域利用效率；多边多域通用作战图、资源自动识别、机会成本自动最小化等需求，则体现了JADC2“全域整合、高效协同”的核心目标，是AI赋能JADC2的关键切入点。

C2任务	SEAD案例	HADR案例	分布式ISR案例
多边多域通用作战图	√	√	-
自动化行动方案推荐	√	-	√
资源自动识别	√	√	-
资源自动选择（机会成本最小化）	√	√	-