AI 会取代其他军事岗位吗？| 其他军事岗位 AI 工作流手册

其他军事岗位：AI 如何重塑武装部队中的支援、情报与作战职能

岗位概述

“其他军事岗位”构成了现代武装部队的广泛行动骨干——这些人员虽不属于引人注目的战斗兵种，但其工作却决定着一支军事组织能否正常运转。这一类别包括情报分析员、后勤协调员、信号与通信专家、宪兵、民事军官、心理战专家、维护技师、医疗兵以及行政支持人员。

这些岗位面临着共同的作战现实：信息密集、依赖流程，且日益暴露在对抗环境中，决策的速度和准确性直接影响任务成败。在争夺激烈的战区管理前沿供应链的后勤协调员，与整合信号数据的情报分析员一样，都承受着在不完整信息下做出行动的压力——二者如今都在同等或相近对手大规模部署人工智能工具的环境中行动，由此形成的军备竞赛态势正重塑着军队中的每一项非作战职能。

美国国防部、北约盟国以及各主要国家军队都在加速将人工智能整合到这些支援与赋能职能中。其推动力并非仅出于效率要求，更在于认识到未来冲突将在数据层面与实体战场同等程度上决定胜负。

人工智能如何改变这一角色

这种变革在军事各岗位间并不均衡，但在支援与赋能职能中已经显现出若干结构性转变：

情报与分析职能正在经历最剧烈的变革。以往，分析人员将60%–70%的时间用于数据收集、格式化和初步模式识别，如今他们的工作重点正转向判断、来源验证以及对抗性红队测试。像Palantir的Gotham平台和Maven智能系统这样的工具，正以任何人工团队无法企及的速度处理卫星图像、信号截获信息和开源情报。分析人员的角色正从数据处理者转变为假设的质疑者。

后勤与供应链职能正围绕预测性维护和自主库存管理进行重组。陆军的“融合计划”及类似项目正在测试由人工智能驱动的后勤节点，这些节点能够预测部件故障、根据威胁数据重新规划补给车队路线，并近乎实时地管理燃料与弹药消耗预测。人工后勤协调员越来越多地成为对AI生成建议的决策者，而非从零开始构建这些建议的规划者。

通信与信号专业人员面临由AI驱动的电子战环境，敌方利用机器学习来识别、干扰和仿冒通信信号，速度之快已非人工操作员所能应对。这一角色正转向管理AI辅助的频谱管理系统，并理解敌方AI系统的行为特征。

医疗与心理作战岗位上，AI正进入分诊决策支持、创伤结果预测和影响力行动分析等领域——在这些领域，人类判断层面依然至关重要，但如今已得到大规模模式识别的信息支撑。

AI 可自动执行的任务

初步影像与视频分析：在情报、监视与侦察（ISR）传输中标记关注目标，清点车辆数量，根据持续拍摄的卫星影像识别基础设施变化
信号情报预处理：在人工审核前，按语言、频率和行为模式对截获信息进行分类、标记和路由分发
后勤需求预测：基于作战节奏和历史数据，预测零部件消耗率、故障概率以及补给时机
行政文书工作：根据结构化输入，生成行动总结报告、维护日志、人事档案更新以及合规文件
威胁模式识别：关联分析事件报告、巡逻日志和传感器数据，发掘异常情况供人类分析师研判
翻译与转录：对截获的通信内容、外文文件以及现场访谈进行实时翻译
医疗分诊评分：将经验证的临床算法应用于患者生命体征和伤情数据，以确定治疗的优先顺序
训练场景生成：构建自适应模拟环境，能够根据受训人员的表现数据动态调整难度和情景变量

日益重要的技能

对抗性AI素养——理解对抗性机器学习原理，能识别AI系统何时被欺骗或操纵，并设计对AI失效模式具有韧性的工作流程。这不是软件工程技能，而是一种作战判断能力。

人文地形与情境判断——能够以AI系统基于历史数据无法可靠泛化的方式，解读行为、意图和文化背景。民政事务、心理战和情报岗位都依赖这一能力。

跨域综合——将情报各领域、后勤数据与作战报告中的信号关联起来，形成连贯的作战态势图。AI能呈现规律，但仍需人来判断哪些规律重要及其原因。

AI输出验证与红队测试——系统性质疑AI生成的评估，识别训练数据偏差可能如何扭曲输出，并保持独立于自动化建议的分析判断能力。

自主系统中的伦理与法律判断——随着自主后勤无人机、监视系统和决策支持工具大量部署，各级军事人员都需理解AI辅助决策所带来的交战规则影响。

AI降级条件下的韧性作战——当AI系统被干扰、欺骗或无法使用时，能够恢复至人工操作流程的能力。对手会将削弱AI依赖性作为力量倍增手段。

重要性逐渐降低的技能

来自结构化来源的手动数据录入和报告格式化
图像分析中的机械式模式匹配（如统计车辆、识别已知装备型号）
在低歧义语境下对常见语言进行的基础翻译
在稳定的后勤环境中进行手动库存跟踪和零件订购
遵循可预测规则的日常排程与行政协调
按频率或语言类别进行的初级信号分类与路由
依循固定模板的标准化训练场景设计

这些技能并未完全消失——当人工智能系统失效时，它们仍然至关重要——但它们已不再是这些岗位上人员的核心价值贡献。

该行业当前的AI采用情况

采用情况不均衡，但正在加速，且在国家、军种及职能间存在显著差异：

美国：美国国防部联合人工智能中心（现已并入首席数字与人工智能办公室，CDAO）已从试点计划转向作战部署，覆盖后勤、情报及预测性维护。梅文计划（Project Maven）最初因在无人机视频分析中应用AI而引发争议，如今已大幅拓展。陆军后勤现代化计划正整合AI驱动的需求预测。特种作战司令部（SOCOM）已在实战环境中部署AI辅助目标定位与生活模式分析工具。

北约盟国：英国国防情报局正利用AI进行开源情报聚合。法国武器装备总署（DGA）在自主后勤与AI辅助网络防御方面有积极推进项目。以色列军队的AI融合在作战层面最为成熟，诸如“福音”（Habsora）目标推荐系统等，代表了AI在动能决策支持中应用方式的质变。

对手态势：中国人民解放军已明确将“智能化战争”列为战略教义优先项，在指挥控制、后勤和电子战中全面整合AI。俄罗斯的AI军事项目成熟度较低，但已在乌克兰展示了AI辅助的电子战与无人机蜂群协同能力。

商业压力：防务承包商——Palantir、Anduril、Shield AI、Scale AI——正以快于传统采购周期的速度推动采用，形成了一种两级分化现实：特种作战与情报单位已能使用的工具，常规部队仍在等候。

未来工作流程演变

未来五年最显著的工作流程转变，将是从将 AI 作为工具，转向将 AI 作为持久运行的作战层，军事人员将是在这一层里工作，而不是与之并肩协作。

在情报分析领域，工作流程将越来越接近人机协同：AI 系统维持一幅持续更新的作战态势图，自动浮现异常和置信区间，分析师的首要职责是追问系统的假设、注入系统缺少的上下文知识，并对模糊或政治敏感的判断做出裁决。

后勤领域，人类协调员将专门处理例外情况——供应链中断、突发的需求高峰、受政治因素制约的路线选择——而 AI 则负责日常优化。技能溢价转移到“知道何时推翻系统决策并为此担责”的判断力上。

通信与信号领域，工作流程将涉及管理 AI 驱动的频谱分配和电子战响应系统，其运行速度超过人类反应时间，人类操作员负责设定交战规则参数，并对自主决策的事后日志进行复核。

医疗岗位中，AI 辅助的检伤分类与治疗建议将成为常态，医护兵和急救人员将更多时间投入需要现场判断、临场应变和患者沟通的干预上。

共同主线：人类向上移动到决策层级，处理需要上下文判断、伦理推理和承担问责的案例，而 AI 则承接底层的大规模处理、速度和模式识别。

常见 AI 应用场景

预测性维护预警：基于传感器数据与使用模式，为车辆、飞机和武器系统提供预测性故障告警
自动化威胁报告：将巡逻报告、传感器触发数据和信号情报聚合为结构化的情报产品
人员战备状态追踪：无需人工查阅人事记录，自动标记训练缺口、医疗状况和部署资格
后勤车队路线优化：融合实时威胁数据、路况和燃油限制，规划最佳行进路线
影响力行动检测：利用自然语言处理（NLP）识别与民政事务和心理战任务相关的信息环境中的协调性虚假行为
创伤结局预测：在野战外科环境中预判创伤预后，以优化手术优先级排序
语言与方言识别：在信号情报中自动识别语言和方言，将截获信息分流至相应的分析人员
基于仿真的训练自适应：依据个人和部队绩效指标动态调整想定复杂度
网络威胁狩猎：运用行为分析技术发现军事系统中的异常网络活动
任务汇报与行动后报告生成：基于行动后的结构化语音或文本输入自动生成汇报与总结报告

风险与挑战

AI系统的对抗性操纵是作战层面最重大的风险。依赖历史数据训练的军用AI系统，对了解其训练分布特征的对手极为脆弱——他们可以制造虚假信号、伪造影像、篡改后勤数据，诱使系统给出错误输出。一个能被大规模欺骗的情报AI，比完全没有AI更糟糕。

过度依赖与技能退化在航空领域已有明确记录，如今正在军事场景中显现。长期依赖AI辅助分析的人员，会丧失系统失效或不可用时所需的手工技能和直觉模式识别能力。这一问题在后勤与导航职能中尤为突出。

AI辅助决策中的问责缺失会带来法律与道德风险。当AI系统推荐一个打击目标、一条补给路线或一个伤员分类优先级，而人类在未充分理解其推理过程的情况下批准时，问责链条就会变得模糊不清。这不是理论上的担忧——北约和美国国防部内部已因此展开政策辩论。

数据质量与训练偏差是军用AI系统面临的顽固问题。历史作战数据反映的是过去的对手、过去的地形和过去的战术。基于这类数据训练的AI系统，在面对新型对手或陌生作战环境时可能表现不佳——而这恰恰是军队最需要可靠决策支持的场景。

采购与整合滞后意味着，能力最强的AI工具往往在进入常规部队之前数年，就已供特种作战与情报单位使用，这导致同一军队内部出现能力差距，使联合作战更加复杂。

AI系统的网络安全——AI工具本身正成为高价值目标。破坏一个预测性维护系统或一个后勤优化平台，无需一次实质性军事行动，就能削弱整体作战能力。

未来展望（3–5年）

到2027—2028年，军事保障与赋能岗位将发生结构性而非渐进式的重大变革：

情报岗位将一分为二，一类是AI系统操作员，负责管理与验证自动化采集与分析管道；另一类是高级分析人员，他们专攻自动化系统难以可靠处理的模糊、政治敏感及新型评估。以往主要处理与格式化数据的中层分析职位将大幅缩减。

物流将在宽松环境中基本实现自主化，由AI驱动的系统无需人工启动即可管理常规的再补给、维护排期和库存优化。人类物流协调员则将聚焦于对抗性环境、异常管理，以及资源配置决策的政治与伦理维度。

自主系统将催生新的监管岗位——其主要职责是监控、审计并干预AI驱动的物流无人机、侦察系统和电子战平台。这类岗位目前尚未规模化存在，但将成为一个重要的增长领域。

训练流程将进行重构，从新兵入伍伊始便注重AI素养、对抗性思维和人机协同技能。当前将AI训练作为模块添加到现有课程的做法，将被AI深度融合的训练环境所取代，让与AI系统协同工作从第一天起就成为默认模式。

盟军互操作性将成为AI领域的一大挑战，因为不同国家会部署互不兼容的AI系统，给联合行动带来摩擦。专注于AI系统集成和跨平台数据转换的岗位将作为一个独特专业出现。

能最有效度过这一转型期的国家和部队，并非拥有最先进AI的一方，而是最清楚AI判断的边界所在、知道何处必须由人类判断接手的那些。

最终洞见

对于每一个军事支持与保障岗位而言，根本问题不在于 AI 是否会改变工作——它已经改变了——而在于这些岗位上的人员是能够被赋能去行使 AI 无法复制的判断力，还是沦为在自己都未能充分理解的情况下就批准 AI 输出的角色。

军事领域的背景让这一问题比任何商业行业都更为攸关生死。当 AI 辅助后勤系统在前沿作战基地发生故障，或当情报 AI 给出一个看似自信十足却实属错误的评估时，其后果无法用收入或客户流失来衡量。在这种环境中表现最出众的组织，是那些将 AI 素养和对抗性 AI 思维视为核心作战能力——而非单纯的 IT 技能——并刻意保留自动化系统终将不得不依赖的人类判断回退能力的组织。

在 AI 时代，最有价值的军事专业人士不是那个能最熟练使用 AI 工具的人，而是那个知道何时不该信任它们的人。

其他军事岗位

AI 如何融入这个职业