AI 如何融入这个职业
战术行动人员
角色概览
战术行动人员（Tactical Operations Crew，简称TOC）是高风险、争分夺秒环境中的行动核心力量——最常见于军事与国防、执法部门的特种作战、应急响应，以及日益增多的私人安保和关键基础设施保护领域。在国防和安全领域（该职位最大的雇主），TOC人员通过位于中央指挥节点，对现场资源、情报信息流、通信链路和任务执行的实时协调实施管理。
TOC并非被动的监控站点，而是一个决策加速环境。在这里，团队成员需要将零散且常常相互矛盾的信息流——无线电通话、无人机视频、卫星图像、人员定位、后勤状态——加以综合，并转化为可供指挥官和现场团队执行的明确指导。该角色要求极高的态势感知能力、在不同任务间快速认知切换的能力，以及在刻意制造的模糊条件下保持行动沉着的能力。
典型职责包括：
- 管理通用作战态势图（COP）显示，确保所有数据源的现时性
- 同时协调火力打击、医疗后送、后勤和机动要素
- 与上级指挥部、友邻单位和受援单位保持通信
- 实时追踪人员问责与装备状态
- 制作并分发简令（FRAGO）和情况报告（SITREP）
- 协调空域、频率和运动走廊的使用冲突
- 支援作战环境的情报准备（IPOE）
这一角色处于人类判断与信息过载的交汇点。其核心挑战从来不是如何获取数据，而是在错误可能导致致命后果的条件下，从过多、过速的数据中快速提炼出意义。
AI 如何转变这一角色
AI 对战术行动的变革并非以单一颠覆性事件的形式出现，而是通过渐进式的能力嵌入逐渐累积——每一次嵌入都改变了战术行动人员需要耗费认知带宽处理的内容，以及系统自动处理的内容。
最显著的变化在于传感器到决策的延迟。在过去，战术行动人员可能要将 40% 的时间花在汇集来自不同系统的信息上，然后才能开始分析。而今，由 AI 驱动的融合平台——如 Palantir 的 Gotham 和 Maven 智能系统、Anduril 的 Lattice 以及 DARPA 的集成 ATAK 工具——能够自动进行持续的多源融合，浮现异常情况和模式偏差，而无需人员手动关联各个信息流。
这改变了战术行动中心的认知重心，从信息聚合转变为异常管理。人员不再需要构建态势图——他们需要审视系统已经拼合好的态势图，验证其假设，并决定在哪些情况下人工判断必须凌驾于算法置信度之上。
第二个重大转变涉及预测性后勤和部队跟踪。与蓝军跟踪系统（BFT）和供应链数据相集成的 AI 系统，现在可以在指挥官提出要求之前，标记再补给需求、预测装备故障时间窗口并模拟路线风险。此前花大量时间手动跟踪这些变量的战术行动人员正被重新定位，转向解读 AI 生成的建议，而非生成底层数据。
第三个转变——也是最为重要的转变——在于面向致命及近致命决策支持的人机协同模式。AI 系统正越来越多地提供目标推荐、威胁概率评分和交战窗口。如今，战术行动人员需要充分理解这些系统的置信区间和训练数据局限性，以便知晓何时予以信任、何时加以否决。这是一项五年前该角色从未需要过、而今却是全新的认知技能。
AI 可自动化的任务
以下任务在先进的战术行动中心（TOC）环境中或已实现自动化，或正处于明确的近期自动化路径上：
- 多源情报融合：将信号情报（SIGINT）、图像情报（IMINT）、人工情报（HUMINT）报告和开源数据整合为统一的作战图景
- 生活模式分析：利用基于历史运动数据训练的机器学习模型，识别被跟踪实体随时间推移表现出的行为异常
- 常规态势报告生成：根据结构化数据输入起草标准化态势报告，将人工撰写时间从20–30分钟缩短至5分钟以内
- 空域冲突化解：以秒为单位自动管理无人机系统（UAS）走廊以及有人-无人编组（MUM-T）飞行路径
- 人员与装备责任追踪：持续自动核对部队人员名单与蓝军跟踪系统（BFT）数据，无需人员干预即可标记差异
- 后勤状态监控：基于消耗速率建模，对油料、弹药和医疗补给阈值发出预测警报
- 通信监控与转录：同时跨多个无线电网实时转录并标记关键词
- 威胁地理定位：根据声学传感器、雷达和报告的交战数据，自动对敌方火力位置进行三角测量
- 天气影响建模：将气象数据持续整合进作战规划叠加层，包括能见度降低时段和旋翼机禁飞条件
这些自动化任务的共同点在于，它们都属于数据密集型、受规则约束且人工操作时极为耗时的工作。而且，正是这些任务在以往消耗了战术行动人员轮班中的大部分时间，导致真正需要人工在场的判断密集型工作可用的时间减少。
日益增值的技能
随着 AI 承担起数据汇总和常规监控的工作量，区分高绩效战术行动人员的关键技能正转向更高层次的认知和人际能力：
AI 系统质询与验证：批判性评估 AI 输出的能力——理解系统的训练数据、其置信度阈值在操作层面的含义，以及何时应推翻其建议——正成为一项核心能力。这不同于一般的 AI 素养，它需要理解算法错误在战术场景中如何具体显现的领域专业知识。
模糊情境下的跨域综合研判：当 AI 系统之间意见相左，或当行动态势超出自动化工具训练数据的分布范围时，人员必须综合跨领域（情报、后勤、火力、机动）的不完整信息，并给出可经推敲的建议。正因为 AI 处理了简单情况，这项技能的含金量才愈发凸显。
人际网络管理：协调行动中的人为因素——管理一线团队在压力下的情绪状态、驾驭指挥关系、听出无线电通话中的言外之意——完全超出 AI 的能力范围。善于沟通和关系管理的战术行动人员正日益脱颖而出。
致命决策支持中的伦理与法律判断：随着 AI 系统提供附带量化置信度评分的目标建议，战术行动人员愈发成为具有法律和伦理分量的决策中的人机协同环节。理解武装冲突法（LOAC）、交战规则（ROE）以及约束自主系统的伦理框架，已不再仅是合规要求——而是一项作战技能。
对抗性 AI 意识：理解对手可能如何欺骗、误导或降级 AI 赋能系统——如 GPS 干扰、虚假生活模式注入、传感器欺骗——以及如何检测并弥补这些攻击，是一项正在兴起的关键技能。
系统降级下的快速重规划：当 AI 赋能系统因电子战、网络攻击或基础设施故障而离线时，战术行动人员必须回退到人工流程，且不丧失作战节奏。随着对 AI 工具的依赖日益加深，在降级技术环境中有效运作的能力正成为一种差异化优势。
重要性正在降低的技能
以下技能虽然仍需掌握基础水平，但随着AI工具承担相关工作负载，它们的战略价值正在下降：
- 手动数据录入与日志维护：对作战日志、人员名册和装备状态板进行持续手动更新的工作，正被自动化数据采集所取代
- 对呼号、频率和网格坐标的死记硬背：这些信息现在由集成数字系统管理，会根据情境自动呈现，而非依赖记忆提取
- 用于常规规划的手动地图判读与地形分析：虽然高级地形分析仍是人类主导的技能，但常规规划中的基础地图与实地对照工作，正越来越多地由AI辅助规划工具完成
- 常规报告格式编排与行政文书撰写：标准化的报告格式正从结构化数据中自动生成，降低了对格式处理熟练度的依赖
- 单源情报分析：孤立地分析单一情报来源的能力，其价值已不及处理融合多源情报输出的能力
- 顺序任务管理：战术行动中心（TOC）传统的按优先级队列管理任务的技能，正被对AI管理仪表盘进行并行监控所取代，这要求一种不同的注意力模式
当前本行业的AI应用现状
在战术行动环境中，AI的应用并不均衡，但正在加速推进，资源充裕的国家军事组织与中低层级的国防与安全运作单位之间存在明显差距。
在高端领域，美国国防部的“马文项目”（Project Maven）——现已通过马文智能系统（Maven Smart System）实现作战应用——正在作战司令部环境中积极部署，提供全动态视频中的AI辅助目标识别以及大规模行为模式分析。Anduril公司的Lattice平台已嵌入美军多个正式在编项目，为固定阵地防御和边境安全提供自主传感器融合与威胁检测。Palantir的Gotham和Foundry平台则集成到多个盟军的军事情报与作战计划工作流中。
英国的国防AI中心（DAIC）和北约的AI战略均已从政策框架转向实际能力建设，具备AI辅助功能的指挥支持工具正进入联盟成员国的列装阶段。
在执法特种作战和联邦机构中，AI的应用主要集中在监控分析、面部识别整合以及预测性部署建模，但重大的法律与政策摩擦阻碍了更广泛的推广。
私营安保与关键基础设施保护领域则明显滞后，大多数运营者仍依赖AI集成极为有限的传统物理安全信息管理（PSIM）平台。然而，随着保险承保方和企业客户开始要求具备可验证的AI监控能力，这些环境中采用AI的商业压力正在增加。
坦率地评估，当前大多数战术行动中心（TOC）环境仍是在传统工作流之上叠加AI工具，而非围绕AI能力重新设计工作流。AI原生TOC设计所能带来的全部生产率与决策质量提升，在很大程度上仍未实现。
未来工作流程演进
2028—2030年的战术行动人员编组将在三个具体方面与今天的编组有显著不同。
人员规模缩减但能力扩展：人工智能驱动的监测、情报融合和日常报告自动化将使更少的人员能够管理更大范围的作战行动。如今，一个需要八名人员管理的旅级战术行动编队，未来可能仅需四到五人，由人工智能系统承担数据管理工作量。这已经在多个防务机构引发了关于兵力结构的讨论。
从被动响应转向预测性行动：当前的战术行动人员工作流程主要是被动的——编组成员对上报的事件做出反应。人工智能驱动的预测建模将使工作流程转向先发制人的行动，编组成员将更多时间用于管理预测的未来状态，而非响应现状。这需要完全不同的规划节奏和应对不确定性的方式。
人机编组成为正式岗位：多个先进军事项目已在战术行动人员结构中尝试设置专门的“人工智能操作员”或“自主性管理员”岗位——其主要职责是管理人工智能系统的行为、置信度阈值和接管协议，而非传统的作战任务。这一角色可能在五年内成为高端战术行动环境中的标准配置。
分布分散式战术行动架构：人工智能驱动的通信和数据融合使得将战术行动功能分散部署在多个小型节点而非集中于单一大型设施成为可能。这样既能降低被瞄准的脆弱性，又能保持作战协同性——这是人工智能网络首次实现的重大战术优势。
常见 AI 应用场景
以下是对战术行动中心（TOC）环境当前作战关联度最高的人工智能应用：
- 全动态视频（FMV）分析：自动检测、分类和跟踪无人机与监控画面中关注目标的人工智能模型，减轻人员持续人工监控的负担。
- 预测性威胁建模：基于历史生活模式数据和当前传感器输入，识别攻击前行为指标的机器学习模型。
- 情报报告的自然语言处理：从非结构化情报报告中自动提取关键实体、位置和事件，无需人工阅读即可呈现相关信息。
- 自主后勤优化：依据实时消耗和威胁数据，持续重新优化补给路线、再补给时机及库存布局的人工智能系统。
- 合成训练环境生成：为战术行动中心人员训练实时生成自适应人工智能作战想定，比脚本化演习提供更逼真、更具挑战性的训练。
- 网络攻击检测与溯源：对战术行动中心网络流量进行人工智能监测，以发现表明入侵或电子战攻击的异常模式。
- 决策支持仪表板：为当前作战阶段呈现与决策最相关的信息的集成平台，降低因信息过载导致的认知负荷。
推荐 AI 技术栈
下列工具和平台代表了当前 AI 赋能战术行动中心（TOC）环境的最新技术水平，按职能领域编排：
作战情报融合
- Palantir Gotham / Maven 智能系统 —— 在作战层面实现多源情报融合和活动规律分析
- Anduril Lattice —— 面向战术环境的自主传感器融合、威胁检测与人机组队
无人系统管理
- Shield AI 的 Hivemind —— 用于对抗环境中无人航空系统的自主行为管理
- Skydio 企业版 —— AI 驱动的自主无人机操作，具备障碍规避和任务执行能力
指挥控制整合
- 搭载 AI 插件的 ATAK（安卓团队态势感知套件）—— 战术通用态势感知图的事实标准，AI 集成生态系统持续扩展
- C2Wind / Esri ArcGIS Indoors —— 附带 AI 辅助分析图层的地理空间情报与作战规划
通信与转录
- 基于 Deepgram 或 Whisper 的军用级转录系统 —— 多信道无线电实时转录与关键词告警
训练与仿真
- 波西米亚互动模拟（BISim）—— 面向战术行动人员演练的 AI 驱动合成训练环境
- Improbable 合成环境平台 —— 用于集体训练的大规模 AI 生成作战想定
后勤与保障
- Llamasoft / IBM Sterling 供应链 —— 用于作战保障规划的 AI 赋能后勤优化
注：涉密以及已正式列装的系统（如 DCGS-A、CPCE、AFATDS）此处未列出，但它们代表了美军 TOC 环境 AI 整合的主要途径。
风险与挑战
自动化偏见与过度信任：最具操作危险性的风险是，机组成员在没有进行充分批判评估的情况下，就盲从 AI 的建议。当 AI 系统在 95% 的情况下都正确时，人类往往会停止对那 5% 的质疑——而在生死攸关的作战环境中，这可能导致灾难性后果。培训项目尚未跟上 AI 能力部署的速度。
对 AI 系统的对抗性操纵：高水平的对手正积极发展能力，以欺骗 AI 驱动的传感器和融合系统——通过 GPS 欺骗、注入虚假生活模式以及电磁干扰等手段。主要受 AI 驱动工作流训练的战术行动人员，可能缺乏发现和应对这些攻击所需的人工技能和对抗意识。
数据质量与训练分布不匹配：基于某一战场或冲突类型的历史作战数据训练的 AI 系统，可能在全新环境中表现不佳。战术行动人员需要理解其 AI 工具的训练和验证所依据的作战条件——而这些信息在操作界面中往往并未清晰呈现。
致命决策支持中的责任缺口：当 AI 系统以量化的置信度分数提供目标推荐时，对致命决策的法律和伦理责任就会变得模糊。当前的法律框架——包括《武装冲突法》（LOAC）和国防部关于自主武器的第 3000.09 号指令——尚未完全适应已在某些环境中投入运作的人机编队模式。
人员转型与技能钝化：随着 AI 承担起例行的战术行动任务，那些尚未发展出高阶 AI 质疑和综合技能的机组成员，可能会发现自己的作战价值正在下降。与此同时，在 AI 降级环境中所需的人工技能可能会因长期不使用而钝化——从而形成一支在技术环境顺遂时表现良好，但在系统失灵时却陷入困境的脆弱人员队伍。
网络安全与系统完整性：AI 驱动的战术行动中心系统是敌方网络攻击的高价值目标。将 AI 工具整合到作战网络中，增加了受攻击面，并制造了作战中断的新途径。
未来展望（3–5年）
到2028年，以下变化很可能成为先进战术行动中心（TOC）环境中的运行常态：
通用态势图将默认由人工智能生成，人类组员主要扮演校验者和例外处置者的角色，而不再是态势图的构建者。TOC的认知模式将从信息汇集转向信息质询。
无人空中、地面和水上平台等自主系统将在TOC环境中进行管理，其规模之大需要设立专门的人机组队岗位。自主资产与人类操作员的比例将大幅提高，使得自主系统管理成为TOC的一项主要职能，而非次要职能。
人工智能驱动的预测性后勤将大幅减轻TOC人员的反应性保障负担，大多数常规补给和维护协调工作将通过自动化系统处理，仅将需要人类决策的例外情况上报。
TOC人员的训练体系将经历根本性重构，着重强调AI系统验证、对抗性人工智能意识以及降级环境下的手工作业——这反映出一个认知，即在AI赋能的TOC中，最重要的人类技能是那些弥补AI局限性的技能，而非复制AI能力的技能。
规范AI赋能致命决策支持的法律与政策框架将趋于成熟——在作战经验、盟军协同和公众问责压力的共同推动下，将为TOC人员何时以及如何推翻AI建议制订出更清晰的条令指导。
最终洞见
战术行动人员这一角色并未因自动化而消亡，而是围绕着一项截然不同的认知任务被重新架构：驾驭 AI 系统的行为与输出，而非去完成这些系统现已承担的数据工作。
从某些角度看，这反而是一份更难、而非更轻松的工作。能够批判性地审视 AI 生成的威胁评估，能在生活模式模型超出其训练分布时准确识别，并在时间压力下做出有据可依的覆盖决策——这样的人比以往任何时候都更具价值。而那些把 AI 输出当作绝对事实、只专注于执行的人，则是一种负担。
在 AI 赋能的 TOC 环境中，能从中榨取最大作战价值的组织，并非那些部署了最先进工具的组织，而是那些对人员能力同样投入——使其能够与这些工具协作、质疑并覆盖它们——并建立训练、条令和文化，让这种人机伙伴关系真正有效而非仅名义上服从的组织。
