人工智能的潜力究竟有多大？美国家人工智能安全委员会曾给出一个颇具冲击力的判断：“与人类相比，机器有着更加快速高效的观察、决定和行动能力，这在任何一个领域都能提供改变世界的竞争优势。”而将人工智能技术应用到兵棋推演这个垂直领域，美智库的研究也明确指出：“人工智能系统不仅实现了兵棋推演中许多流程的自动化，提高了效率，它们还使人和机器能够以新颖的方式协同工作。”可以说，人工智能的崛起正在为兵棋推演打开一扇前所未有的大门，甚至可能引发碘伏性的变革。

人工智能在兵棋推演中的应用案例

目前，人工智能技术已经在一部分方向上实现了成熟应用，但将其嵌入兵棋推演这一特定场景，仍然是一片蓝海。大多数研究还停留在理论层面，不过也有少量实践探索值得关注。

兰德公司：用AI和仿真支撑战略战役级推演

兰德公司的这次推演，核心是想弄清楚以美国为首的北约，在欧洲方向上如何应对来自俄罗斯等主要战略对手的威胁。场景聚焦于波罗的海诸国（均为北约成员国），假设近未来（10年或更长时间后）该地区出现威胁升级甚至冲突。借助人工智能和模拟仿真技术进行定量分析，测试北约的相关作战概念。推演得出的结论是：基于概率推理方法的人工智能，能在决策过程中向对阵员提供预估行动方案的成功率，这有利于他们做出更明智的决策。

美国联合军事职业教育计划：AI增强战略级推演

这次推演的目的更偏实验性质——验证将人工智能模型应用于战略级兵棋推演的可行性，同时对比AI推演与传统人工推演的优势差异，并探索这种结合对职业军事教育的影响。推演背景设定为一个城镇供电系统因网络攻击而中断的突发事件，通过限制决策时间来模拟现实中处置突发情况的短暂窗口。结论有三：第一，AI模型能与人类密切协作，辅助决策；第二，AI模型在快速推荐决策、全面分析场景要素、适应动态问题方面表现突出；第三，AI模型能让决策者更好地适应复杂的网络环境，从而在危机到来前做好准备。

兰德公司还基于人工智能平台开展了一次战术级兵棋推演实验。2020年9月，他们推演了蓝军（美国）与红军（俄罗斯）的连级作战单元，涉及遥控/无自主能力战斗车辆，以及具备AI与机器学习能力的AI使能战斗车辆。推演尝试在桌面战术兵棋中运用具体、有代表性的人工智能和机器学习技术，通过一系列推演、分析和测试，初步洞察这些技术运用于作战车辆的潜能与局限。推演设置了基准场景和AI/机器学习场景，区别在于车辆的指挥与控制方式。结论同样清晰：第一，遥控机器人战车相比自主机器人战车和有人车辆，存在容易被利用的明显劣势；第二，AI和机器学习能力可以集成到战术级地面作战兵棋推演中；第三，这种操作员与工程师联合参与的推演方式，有助于需求方和采购方明确开发AI/机器学习系统的需求和工程指标。

人工智能应用于兵棋推演的优势特点

为什么非要在兵棋推演中引入人工智能？投入这么大精力到底能换来什么？国外各科研部门、高校、智库对此进行了广泛而深入的研究与实践，答案逐渐清晰。

辅助创设更拟真的推演情景。在设计兵棋推演情景时，设计人员通常需要添加增强拟真度的元素，但靠人工或预设算法来做，既耗时费力，在复现复杂情景时效果也不理想。人工智能的介入能显著提升拟真度。一方面，利用AI可以针对指定情景快速生成内容——ChatGPT、Stable Diffusion等模型已经证明，AI生成的内容风格高度接近人类创作，可以用来深化和补充兵棋推演情景，强化参与者的沉浸感，让他们做出更贴合现实的决策。另一方面，依托AI实现情景的自动化运行：推演中那些无须人工控制的实体，可以交给AI自主运行，既保证推演高效连贯，又能实现更丰富的变化，还原真实作战环境的复杂程度。

赋能人类对阵员的计算和决策。人工智能技术为处理模糊和不确定性问题提供了全新可能性，让计算机强大的算力更有机地融入兵棋推演，大幅提升效率，节省对阵员的时间和精力，使他们能推演更多内容，或把注意力集中在关键问题上。一方面，AI可以进行毫秒级分析，辅助对阵员决策；另一方面，AI能直接识别计算机语言，让对阵员不依赖专业技术人员就能与计算机直接交互，从而提高整体运行效率。

提供更高质量的决策建议。AI的内在逻辑和算法基础有助于生成更高质量的策略。在兵棋推演中，AI在某些方面能媲美经验丰富的顾问，为人类对阵员提供高质高效的决策建议。第一，大量训练数据为AI决策提供了大样本量。相比一般经验水平的人类对阵员，AI在决策时具备显著的样本量优势，这使其生成的策略具有更高的可推广性，往往更能反映真实的作战情况。第二，算法机理赋予了AI先天优势。目前兵棋推演中普遍运用的蒙特卡洛树搜索方法（MCTS），其循环包含四个步骤：选择－扩展－模拟－回溯。其中“选择”和“扩展”提供了多方案交叉比较、择优选用的机制，“模拟”提供了单方案反复模拟、精细打磨的机制，两种机制相辅相成，不仅提高了决策质量，还能及时发现潜在风险。

蒙特卡洛树搜索方法

考虑更全面的要素和细节。AI依托计算机多线程、高速率处理问题的能力，在兵棋推演中能比人类考虑更全面的信息，带来更广阔的视角，甚至产生令人惊奇的结论。一方面，人的注意力是有限的——心理学家丹尼尔·卡尼曼提出的“资源限制理论”认为，人类的注意力是一种有限的认知资源，同时进行的任务所需认知资源之和不能超过人的认知资源总量。而AI基于计算机技术，短时间内处理大量信息的能力远高于人类。在兵棋推演中应用AI，可以在短时间内获得全局性、系统性的视角，让对阵员在决策时更充分地考虑风险、后果和成本。另一方面，AI因为技术特点，往往能发现人类意想不到的策略。蒙特卡洛树搜索方法在数学原理上鼓励对每一个分支进行充分模拟，尽可能确保不遗漏任何可行的策略，因此可以“带领”对阵员跳出人的思维定势。

构建更深层次的人机协作模式。兵棋推演离不开人的参与，而AI在人类和计算机之间建立了合作的桥梁。如何依托AI技术构建人机协作模式，将人类处理模糊、不确定信息的优势和计算机的强大算力有机结合？相关研究基本可归纳为两大方向。一是“人在回路中”方向。前美国防部副部长鲍勃·沃克提出了一种名为“半人马”的人机协作模型，旨在建立一种人机高度耦合的协作关系，但关键决策仍然由人类完成。美国关于兵棋推演中人机协作模式的研究实践大都深受这一模型的影响。二是“人在回路外”方向。这种人机协同模式，要么侧重于训练AI对阵员，用来磨练人类对阵员的决策技能；要么应用AI自动制定一些简单、低风险的决策，从而提高整体推演效率。例如2020年5月，DARPA启动了“建设性机器学习对抗对手策略（COMBAT）”项目，旨在建立由AI对阵员组成的红方小组，在兵棋推演中与蓝方进行对抗。

人工智能应用于兵棋推演的矛盾和局限

好处说了这么多，但人工智能绝非兵棋推演的“万能灵药”。相关研究实践已经证明，二者的结合仍然存在不少短板和矛盾。

黑箱效应与推演结果可验证性之间的矛盾。理解AI做出决策的机理，需要相当高的专业门槛，这带来了严重的黑箱效应。人工智能介入兵棋推演后，非专业人员既难以理解AI的决策逻辑，又难以核查训练数据的全面性，这严重影响了结论的可信度。

高成本与通用性要求之间的矛盾。AI目前仍是一项高成本技术。从兵棋系统开发的惯例来看，高成本的系统往往需要具备一定的通用性，以便分摊成本。然而，当前AI技术的通用性表现欠佳——AI模型的发挥高度依赖训练数据，而训练数据不可能包罗万象。一旦推演规则的变化超出了训练数据集的覆盖范围，AI模型就必须重新训练才能适用。成本高、通用性差的兵棋系统需要占用大量预算，又难以通过适配多个项目来分摊成本，推广使用自然困难重重。

过度追求高拟真、大系统，与控制推演复杂度之间的矛盾。AI为兵棋设计提供了高效途径，情景元素可以更丰富，兵棋系统也可以涵盖更多战争要素。但问题也随之而来：一方面，AI自动生成大量情景元素会让对阵员接收到过多信息，导致兵棋上手难度飙升，推演时注意力难以集中在关键问题上；另一方面，AI的强大能力会“诱导”设计人员尝试设计更大、更包罗万象的系统，但更复杂的系统不仅开发难度高，后续运维和迭代的成本也更为高昂。

过度减负与体现“人的因素”之间的矛盾。AI提供的决策辅助能够节约对阵员的时间和精力，让他们推演更多问题或聚焦关键点。然而，不恰当的设计会导致AI参与决策程度过高。美兵棋推演大师彼得·波拉在《兵棋推演艺术》中提出：“只有当对阵员做出决定并必须处理后果时，兵棋推演的效果才能达到最好。”如果缺乏限制机制，对阵员做决策时可能过度依赖AI的辅助，从而将“做出决定并处理后果”的权柄转移给机器。这样一来，兵棋推演训练决策者的目的就难以达成，也无法很好地模拟现实中的决策压力，推演效果大打折扣。