现代战场是一个被传感器密集覆盖的复杂环境，情报数据呈现出前所未有的多源、异构、海量和高动态特征。有效管理和利用这些数据是情报工作的首要前提。

　　①来源。主要来源于配备光学、雷达、红外、高光谱等载荷的各类侦察卫星，以及无人侦察机、航空侦察平台等。

　　②类型。高分辨率图像、全动态视频、合成孔径雷达影像、高光谱数据、地理信息系统数据等。数据量极为庞大，例如高分卫星每日可产生TB级数据，对自动化处理和存储构成巨大压力。数据处理需要复杂的算法，如高光谱解译，且传统卫星－地面站－分发的流程难以满足实时性需求。

　　美国国家地理空间情报局NGA提供的地理空间产品一般分为：标准地理空间情报产品和特种地理空间情报产品两种类型。其中，标准产品是指按照军事任务需求，依托基础地理空间数据，融合遥感影像数据、战场监测数据、作战态势数据，通过地理空间情报任务分析模型，生成的标准化地理空间情报产品。特种产品是为标准产品提供功能上的补充，使它们用户化，满足特定目的。该产品采用复杂技术进行开发，集成了多种类型地理空间数据和情报数据，如双色、多视角影像，变化检测产品，视线和飞行穿越景象等多光谱、高光谱定制产品。

　　依据美国NGA颁布的《地理空间情报基础条令》规定，无论是GEOINT标准产品还是特种产品，都必须归入七个总体类别：航空产品、航海和海道产品、地形和地面产品、精确定位与目标瞄准产品、大地测量与地球物理产品、地名产品、地理空间情报分析产品。GEOINT产品主要有二维产品、三维产品、四维产品三种表现形式。

　　一是航空用联合作战图。联合作战图是为航空用途设计的中等比例尺地图，显示地形数据（地势、水系、植被、人口密集区域）和垂直障碍物、机场、有特殊用途的空域、导航设施和相关数据。航空用联合作战图用于空中战术行动和低空视觉导航。

　　二是地形线划图。美军的地形线划图并未实现全球覆盖，其生产需求取决于战区指挥官需要。1:5万地形线划图用于地面战术谋划与行动。1:10万地形线划图常用于地形特征较单一、通行条件良好的区域。

　　三是城市平面图。城市平面图比例尺在1:10000到1:35000之间，取决于具体城市的大小，例如乡(镇)域现状分析图比例尺默认1∶10000，可根据规模在1∶5000-1∶25000之间调整，城市专项类规划图纸比例尺则为1:5千~1:2.5万。大比例尺地图包含街道名称、交通网络、港口设施、机场、单体建筑、军事力量、政府大楼、医院、学校、宗教场所和其他重要设施，用于城市区域的战术行动。

　　特种地理空间情报产品用于集成特定的栅格、矢量和文本信息，表1给出了用于支持任务规划、准备、执行和评估的特种产品示例。特种产品图通常由影像图或者高程数据叠加多类型的数字化图层生成，这些数字化图层后台配有关联数据库支持，可通过对数据库的查询、分析与显示操作生成最终的图层和产品，这些叠加图层可在不同任务指挥系统中灵活使用。

　　①来源。通过电子侦察卫星、侦察机、地面监听站、舰船及无人平台等截获的敌方通信信号、雷达信号及其他电磁辐射信号。

　　②类型。通信内容文本、语音、雷达参数频率、脉宽、遥测数据、数据链信号等。数据高度加密、信号形式多变、信噪比低。从海量背景噪声中实时检测、解调、破译和关联目标信号是核心难点。需要强大的计算能力和先进的密码学、模式识别算法。

　　根据披露的信息，日本拟成立被称为日版CIA的国家情报局，最早可能于2026年开始运作。该机构将系统整合防卫省、外务省等原本各自独立、情报难以横向交流的部门情报资源，打造直通首相的超级大脑。早在2014年，日本自民党情报大佬町村信孝就提出有必要建立类似美国CIA的情报机构，如今相关推进动作，本质上旨在突破战后体制束缚，强化对华情报能力，并为军事解禁铺路，标志着日本国家安全战略的重大转向。日本国家情报局并非从零新建，而是在现有内阁情报调查室的基础上进行升格与重组。一是组织架构为双层领导体制。上层设立由相关内阁官员组成的国家情报会议，作为最高决策层；下层将现有内阁情报调查室升格为国家情报局，作为常设执行机构。

　　二是日本国家情报局地位将与2014年成立、直接隶属“国家安全保障会议”的国家安全保障局相当，根据已在众议院通过、即将在参议院通过的相关法案，该局将成为日本情报收集与分析活动的指挥中枢，不仅是情报汇总中心，更是具备统筹安全保障、反恐等领域情报活动以及涉外国间谍的“对外情报活动”等指挥功能的行动中枢。职能扩展，从人力到大数据，全方位覆盖。

　　三是新机构的情报活动将不限于传统的人力情报，更将整合信号情报、地理空间情报、开源情报与大数据分析手段。这种多源情报融合的模式，明显借鉴了美英等国的先进经验，旨在打造一个现代化、全源分析的情报实体。

　　①来源。通过情报人员、特工、外交人员、军事观察员、俘虏审讯等渠道获取的情报。

　　②类型。非结构化的文本报告、谈话记录、关系网络图、生物特征信息等。价值密度高，但信息真伪难辨，存在主观性和欺骗性。挑战在于如何对非结构化、多语种的文本数据进行深度语义理解、实体关系抽取、情感分析和可信度评估。

　　③日本案例。作为未来日本情报体系的指挥中枢，日本国家情报局将重新整合现有情报资源，打造一个直通决策核心的超级大脑。机构设置上，日本国家情报局将在现有内阁情报调查室的基础上，进行组织重构与职能扩容，部门级别将与国家安全保障局齐平。改制后，日本国家情报局局长将取代原内阁情报官一职，成为对首相和官房长官负责的国家情报总长，直接汇报情报研判与战略建议。

　　人员整合上，日本国家情报局计划从警察厅、外务省、防卫省、公安调查厅等关键部门，抽调具备实战经验的情报人员，组建专业交叉、能力互补的综合性情报团队。为提升情报工作的专业性和针对性，日本国家情报局准备参照美国中央情报局模式，设立按地域、议题等划分的专业分析单位，例如中国组、朝鲜组、中东非洲组、国际反恐组等。

　　通过整合不同系统的专业力量，日本国家情报局旨在打破以往各部门情报人员各自为战的局面，构建一个视野开阔、反应灵敏、协同高效的新型情报工作体系，为内阁决策提供更加系统、精准和全面的情报支撑。会商机制上，日本拟专门设立由相关阁僚组成的国家情报会议，负责会商分析军事、外交、经济、科技等领域的情报信息，提高整体研判能力。

　　①来源。公共互联网、社交媒体、新闻报道、学术论文、商业数据库、暗网等。网络空间中的攻击流量、漏洞信息、恶意代码样本等。

　　②类型。文本、图片、视频、社交网络图谱、网络流量数据、代码片段等。数据源极其广泛、更新速度极快，但也充斥着大量虚假信息和噪声。如何从公开的汪洋大海中快速筛选、验证、关联出具有军事价值的情报，并与秘密情报源交叉印证，是公开来源情报处理的关键。生成式AI的应用正在显著提升公开来源情报的处理效率。

　　与传统的隐秘情报，如人力情报相比，开源情报具有低成本、低风险、高收益等优点，能够为分析态势的发展和演变提供更加系统的支撑，逐渐成为情报活动中的重要组成部分。美国国家情报委员会主席托马斯·芬加指出，公开渠道能为美国多数情报机构提供高达90%的信息，美国情报工作正逐渐转变重心，中情局专门设立了公开来源中心，联邦调查局和国防部情报局也在大力培养情报分析人员以挖掘公开来源信息，甚至去年12月情报部门发布的伊朗核报告结论，就是在评估媒体公开发表的照片后得出的。然而，碎片化的情报数据还难以被当作情报产品直接使用。

　　针对多模态和多平台传感器所获得的情报信息，如何有效融合海量多源异构情报数据，解决信息残缺、精准度不足等问题，完成时空要素扩展，进而形成精准可靠的情报成品，已成为当前情报研究的热点。近年来，结合人工智能、大数据、云计算、物联网、5G等颠覆性技术，情报融合技术在民用安全和军事对抗领域不断取得显著成果。尤其是2022年爆发的俄乌冲突成为互联网时代开源情报最新的大型应用场景。现有情报研究综述缺乏对开源情报的综合性分析。

　　社交媒体已经成为俄乌战争中至关重要的情报来源和关键的舆论战场。Twitter即现在的X和Telegram等平台充斥着前线战斗报告、士兵账户、平民经历，甚至宣传谣言。伊斯坦布尔埃森尤特大学教授埃尔汗·卡尼科格鲁指出，俄乌两国军方频繁使用Telegram作为交流和联络平台，该平台也因此成为西方情报机构的重要信息来源；乌克兰政府还在Telegram创建了聊天机器人，供经过公民身份验证的用户报告俄军的精确踪迹。而《纽约时报》指出，Twitter等平台已成为俄乌冲突平行信息战的主战场，这些平台面临着西方要求封锁俄宣传、俄罗斯要求加强审查的两方压力，相关科技公司也在针对平台上的虚假信息采取各类措施。人工智能技术可以显著增强公开来源情报人员对社交媒体情报的收集和分析能力。一方面，NLP自然语言处理算法可以自动抓取和过滤相关帖子，进行情绪分析和话题聚类，把握公众情绪的整体方向。

　　例如，一项对2022年至2023年近200万条与乌克兰相关的推文的情绪和立场进行分类的研究显示，与战争相关的帖子主要带有负面情绪，出现了明显的亲乌克兰和亲俄罗斯派别。通过跟踪情绪曲线的变化，人工智能可以识别由重大事件引发的公众舆论波动，如战争初始阶段情绪的急剧恶化，并揭示派系在特定问题上的不同立场。对于国际军团来说，这意味着人工智能可以协助情报分析师监测外国志愿者社区、乌克兰公民甚至俄罗斯公众舆论对该部队的看法变化。

　　例如，当军团内部出现丑闻时，人工智能情绪分析可能会捕捉到支持者和诋毁者情绪的急剧变化，从而提供潜在士气或声誉问题的早期警告。相反，机器学习算法可以识别和跟踪社交媒体上可疑账户的网络。例如，亲俄罗斯和亲乌克兰的机器人账户被部署来放大特定的叙述。人工智能驱动的网络分析可以发现这些异常活动模式，对可疑的信息操纵活动及时发出警报。

　　在乌克兰战争期间，公开来源情报社区利用相关工具揭露了大量由俄罗斯控制的虚假社交媒体账户，这些账户形成矩阵化的运作模式，冒充来自德国、法国、波兰等多国的真实用户，通过统一脚本批量制造并散播针对泽连斯基、乌克兰国防部长雷兹尼科夫等官员的谣言，比如编造官员沉迷金钱、漠视普通民众与战争努力等虚假内容，甚至在雷兹尼科夫被免职事件中产生了一定作用。据统计，自7月以来已发现近800个此类虚假账户，TikTok也已删除超过12000个来自俄罗斯的虚假账户。公开来源情报社区的这些揭露行动，有效地反击了俄罗斯的信息战企图。关于国际军团，如果敌对势力在Telegram上传播错误信息或编造有关该军团的负面消息，AI同样可以追溯到最初的发布者和传播路径，协助分析此类行为是否构成心理战的一部分。总之，人工智能增强的社交媒体公开来源情报使情报人员能够快速过滤大量内容，量化情报价值，并辨别公众情绪趋势。这对于实时监测战争认知域内的动态和了解国际营在信息战中的地位具有重要意义。

　　8200部队是以色列军事情报总局下辖的战略级技术情报单位，被誉为以色列国防体系皇冠上的明珠。其战力基石并非传统兵力，而是对信息领域的绝对控制力。该部队的核心能力主要涵盖三大领域。其一为信号情报，即对敌方无VSport体育线电、手机、卫星通信等进行全频谱的截收与破译，实现顺风耳式的战场监听。其二为开源情报，通过运用大数据与人工智能技术，对全球互联网、社交媒体等海量公开信息进行深度挖掘与关联分析，从海量数据中精准筛选出高价值信息。其三为网络作战，具备对敌方关键网络进行渗透、控制乃至瘫痪的黑客攻击能力，实现软杀伤与战场预置。尤为关键的是，8200部队的强大根植于以色列独特的军民一体创新生态。部队是顶尖技术人才的摇篮，退伍人员成为以色列“硅溪”高科技产业的核心力量。他们创办的尖端企业，又以最前沿的技术反哺国防建设，形成了一个自我强化人才与技术循环体系，为部队持续注入领先数代的创新活力。

　　战前阶段的核心是构建情报优势。这如同下一盘先手棋，通过长期、耐心的战场信息环境准备，为加沙的电磁频谱和网络空间绘制高精度地图。同时，以色列军方开发了名为“薰衣草”的人工智能系统，构建起涵盖3.7万个哈马斯相关目标的动态数据库，为每一个哈马斯关键人员建立一份详尽的数字档案，记录其通信模式、社交网络与行为规律，该系统还能借助大数据处理快速确定潜在目标，相关情报人员仅需用20秒左右时间进行最终确认即可完成目标审核流程。更具威慑的是，对加沙关键信息基础设施进行网络渗透与后门预置，为战时一击制胜埋下伏笔。

　　战时阶段的目标是赋能作战行动。平时的情报储备在此时被瞬间激活，核心是追求极致的速度与精度，将发现－摧毁杀伤链的响应时间压缩至极限。针对火箭弹发射组等时间敏感目标，8200部队能够通过监测其准备信号，在数分钟内完成预警－定位－引导－打击的全流程。其情报分析员嵌入一线指挥部，实现了情报与火力的无缝对接。

　　战后阶段的重心是评估与再学习。军事行动的结束是新一轮情报循环的开始。通过复盘评估情报贡献与失误，分析对手在对抗中演化出的新战术、新技术，从而迭代更新自身的情报数据库与技战术模型。这个评估－学习－迭代的闭环，确保了其作战体系能够不断进化，在与对手的长期技术竞赛中始终保持领先。

　　护刃行动破解地道难题。2014年，哈马斯庞大的地道网络曾让以军头痛不已，据美国西点军校现代战争研究所研究报告显示，加沙地下地道后来发展到1300条，长达500多公里，而2014年开战后哈马斯的地道网络就已开始不断扩大，频繁利用地道发射火箭弹。以军8200部队主导构建了多源情报融合体系予以破解。他们利用高灵敏度传感器捕捉地道施工与通信产生的微弱信号，划定可疑区域；再结合卫星图像分析地表异常，锁定潜在出口；最后通过分析该区域武装人员的手机信号汇集情况进行佐证，并引导地面部队进行精确清除。据以色列媒体统计，自2014年以来，以军已经发现并摧毁了至少20条哈马斯的地道，其中包括6条跨境地道。这一战法，是技术情报与传统作战需求完美结合的典范。

　　人工智能驱动目标革命。在近期冲突中，面对数以万计的潜在打击目标，传统人工分析模式已无法满足作战节奏。为此，名为福音的人工智能目标生成系统应运而生。该系统可自动汇聚分析各类情报，依据预设模型，从海量数据中快速筛选出打击目标，并将目标研判周期从过去的数周压缩至几小时。这标志着其作战模式已从信息化向智能化大步迈进，情报生产力实现了指数级跃升，尽管这也引发了关于杀人算法的巨大伦理争议。

　　以人工智能、机器学习和大数据为代表的新一代信息技术，正在重塑情报处理的全流程，从原始数据到可行动情报的转化效率得到革命性提升。

　　多传感器数据融合技术是当前研究的热点，其目标是整合来自不同传感器和渠道的碎片化信息，形成比任何单一来源都更准确、更完整的战场态势图。联合指挥与控制实验室数据融合模型仍是理论基础，并不断扩展以适应新技术发展。美军已研制多种应用数据融合技术的情报与指挥系统。迄今为止，美国已研制了几十个应用数据融合技术的情报收集和作战指挥系统，如战场管理和目标检测系统、军用情报分析系统、多平台多传感器跟踪处理系统、海军战争状态分析显示系统、辅助空中作战命令分析专家系统空中目标确定和截击武器选择专家系统、自动多传感器部队识别系统、目标获取与武器输送系统、全源信息分析系统、陆空白动战术情报保障系统以及敌我态势分析系统等。

　　目前英国已开发并投入使用的信息融合系统有莱茵河英军机动指挥控制系统、舰载多传感器信息融合系统、飞机敌、我、中识别系统以及炮兵智能信息融合示范系统等。另外，英国与西德等欧洲五国制订了联合开展多传感器信号与知识融合系统研究计划，他们在空间、时间信息融合、数字、符号信息融合、环境和传感器模型等方面取得了重要进展，法国已将数据融合技术应用于马尔萨防空指挥系统中的师级或团级防空火力协调中心。

　　一是贝叶斯网络与证据理论，用于处理不确定性信息，在多源证据冲突时进行推理与裁决。

　　二是深度学习，通过自编码器、图神经网络等模型学习多模态数据的统一表示，实现深层次特征融合。

　　三是知识图谱，将情报实体，如人员、装备、地点及其关系构建成图谱，实现情报的关联分析和语义推理。

　　一是多源异构难题，不同情报来源的时空基准、数据格式、语义描述各不相同，实现精准对齐和语义一致性是巨大挑战。

　　二是实时性与计算开销难题，复杂的融合算法需要巨大的计算资源，在战术边缘等资源受限环境下实现低延迟融合尤为困难。首先，复杂的融合算法通常需要大量的计算资源，例如传统深度学习算法在处理大规模数据时，就面临着计算资源消耗大的问题。以校园AI大模型项目为例，这类深度学习应用不仅需要配备高性能的GPU或TPU等计算设备，还需要高容量存储设备、稳定的电力供应等，这大大增加了硬件成本，同时也对设备的散热和功耗提出了更高要求。此外，这些算法在实际应用中可能无法满足实时性要求，尤其是在对实时性要求极高的场景中，而当前的实时数据处理技术仍在发展完善中，这进一步凸显了这类算法在实时场景应用中的局限。

　　在资源受限的边缘环境中，计算能力和存储资源通常远不及大型数据中心，比如边缘数据中心通常规模较小，而超大规模数据中心能够容纳成千上万台服务器，拥有庞大的计算能力，这使得边缘计算难以处理复杂的大规模数据分析和计算任务。正如相关资料所指出的，云计算作为集中式的大规模数据处理和存储平台，适合处理大规模数据和复杂计算任务，而边缘计算更侧重实时性、低延迟的轻量任务。例如，在边缘设备上运行计算密集型应用程序，如深度学习应用时，由于计算资源有限，性能瓶颈明显，甚至可能无法满足实时性要求。在资源受限的边缘环境中，实现低延迟融合尤为困难。例如，在自动驾驶等实时性要求极高的场景中，处理速度的任何延迟都可能是致命的。为了应对这一挑战，研究者提出了边缘计算和分布式处理架构，通过将部分预处理任务卸载到边缘设备，以减少延迟并减轻中央处理单元的负担。此外，一些研究还提出了晚融合策略，通过先提取对象级别的信息，再进行融合，以降低计算复杂性。

　　三是可信度评估，如何量化评估不同情报源的可靠性，并在融合过程中动态调整其权重，是确保融合结果质量的关键。

　　AI驱动的自动目标识别技术已取得长足进步，特别是在图像和视频情报分析领域。深度学习，尤其是卷积神经网络，极大提升了复杂背景下目标的检测与分类能力。

　　一是美军梅文Maven计划，作为标志性项目，梅文Maven利用AI自动分析无人机和卫星影像，从海量视频流中快速识别和分类高价值目标如车辆、人员、设施，已在中东等地区投入实战，极大缩短了情报分析员的工作周期。到2025年，该项目每日处理海量数据，其误报率较2020年已降低89%。2024年6月，美军印太司令部司令塞缪尔·帕帕罗上将在香格里拉对话会上抛出“地狱景观”作战理念，称美军将部署大量无人机、无人艇和无人潜航器等无人化、智能化武器平台，把台湾海峡变为“无人地狱”，试图以此拖延解放军在台湾海峡的军事行动，为美军及其盟友的反击创造条件。美国国防部早前还宣布了投资10亿美元的“复制者”计划，为这类大规模无人作战技术的发展提供支撑。不过有军事专家指出，中美在无人作战系统领域并无代差，中国有强大的工业能力足以应对，美国该战略的可行性存疑。这一事件表明，人工智能作为一种威慑手段已经从理论构想转向军事实践，也引发了学界对于人工智能威慑的一系列追问。人工智能和自主武器系统的扩散会如何影响威慑？当国家以机器速度做出决策时，当能够让更少生命置身险境时，威慑和升级的过程会发生什么变化？同时，人工智能和自主武器系统的最新发展，催生了军事威慑互动中逐步移除人类决策者的趋势，人工智能用基于算法的机器运算取代人类理性，是否会破坏甚至颠覆传统的威慑进程？主要基于理性主义假设的传统威慑理论，是否还适用于非人类行为体主导的威慑决策？上述问题直接推动了关于人工智能威慑的现实争辩。

　　二是俄乌冲突中，冲突双方均广泛使用AI无人机执行自主识别与攻击任务，验证了战术层面AI目标识别的实战价值。据美国乔治城大学安全与新兴技术中心的研究报告显示，俄乌两军都使用了具备自主能力的无人机和巡飞弹，还有商业公司向乌军提供具备人工智能能力的技术，以提升其目标识别能力；乌克兰方面更是运用数十种国产AI系统控制无人机，即使在电子战干扰区域也能发现目标，且AI操作的第一人称视角无人机命中率可达80%左右；同时，冲突中投入使用的部分小型无人机已具备人工智能自主导航和定位识别目标的能力，大大提高了攻击精准度。

　　a.2022年5月26日，社交媒体上发布了一段俄军无人机的拍摄画面，如上图所示。画面显示，一架俄军无人机在顿涅茨克州的帕夫利夫卡发现了乌克兰军队的9人步兵班在路口集结。这些系统能够根据从摄像头和传感器接收的数据，辨认并打击目标，接着，另一架俄军的KUB-BLA巡飞弹直接命中该步兵班附近爆炸，导致该班8人伤亡，仅1人幸存。KUB-BLA巡飞弹是卡拉什尼科夫康采恩的子公司ZALA航空公司（扎拉公司）研制生产的自杀式无人机，于2019年2月在阿布扎比举行的国际防务展览会（IDEX-2019）上首次亮相，该巡飞弹可承载3千克的高爆破片战斗部，飞行时速80-130千米，续航时间30分钟，能实现精准的低成本打击。这种无人机融合了人工智能视觉识别技术，就像俄罗斯“猎人-B”无人机一样，能够在复杂环境中实时自主地辨认和分类目标，其打击覆盖面积比以前大了60倍。类似MQ-9“死神”无人机的AI目标识别系统可为打击提供可靠支持，大幅提高了无人机的实时杀伤力和自主性，如同意大利“KARMA”反无人机系统的AI应用展现出的高效识别与响应能力一般。这个例子也证明了无人机在人工智能技术的帮助下，能够更智能地执行任务，提高作战效果。在俄乌战争中，俄军部署的光纤无人机通过物理线缆传输数据，避免了电磁干扰，可在强电磁压制环境下稳定通信。然而，光纤无人机也存在传输距离受限、易受地形阻碍等问题。乌军则通过小型移动式雷达和麦克风阵列，结合视觉特征，成功侦测和拦截光纤无人机，展示了在复杂电磁环境和极端天气下的反制能力。

　　b.北约集团利用人工智能等高科技手段，通过卫星系统及遥感照片，精准地探测到了俄军的位置和乌克兰战场的实时变化并为乌克兰军队提供了大量宝贵的战场情报信息。比如借助MAVEN数据分析系统，北约可在0.3秒内完成对俄军加密通信的破译，2023年乌军利用该系统将俄军目标识别效率提升400%，日均处理情报数据量达3.2PB；还曾通过整合多渠道数据的AI系统，在48小时内锁定哈尔科夫地区的俄军坦克群；北约周边频繁的侦察飞行，包括“全球鹰”无人侦察机每天可覆盖10万平方公里的实时侦察，也为乌军提供了近乎实时的俄军动态情报。这些关键信息使得乌克兰军队更好地了解战场情况，从而掌握战场信息主动权。除北约集团外，西方其他国家的商业卫星在此次俄乌冲突中也发挥了极大的作用，直接或间接地为乌军提供情报信息，支撑乌克兰的作战。比如美国Maxar公司在俄乌冲突爆发前后，调动遥感卫星拍摄并公开了大量俄军在白罗斯、哈尔科夫对面等区域的集结照片，甚至拍到了白罗斯境内俄军部署的50余架直升机，这些高分辨率影像让俄军动向尽收眼底，为乌军判断战场形势提供了关键依据；EOS Data Analytics则更新平台实时分析军事局势，将处理分析后的数据与乌克兰武装部队共享；此外美国卡佩拉公司的SAR合成孔径雷达成像卫星，能穿透云层、在夜间工作，可拍摄最高0.3米分辨率的地面目标图像，为乌军提供全天候的情报支持，鹰眼360公司的ELINT卫星还能接收分析地面无线电波，监测GPS干扰信号，辅助乌军作战。乌克兰整合了Seekr和SemanticAI的强大智能平台，借助深度分析技术提升情报分析的精准度。借助这些技术，可挖掘人员、地点、组织与事件间的潜在关联，自动生成分析报告，进而从海量开源数据中识别威胁，为指挥官提供精准的决策支撑。

　　c.乌克兰政府正在利用美国公司Clearview AI免费提供的面部识别技术，帮助辨认已经阵亡的俄罗斯士兵和被俘人员，还将该技术用于检查站验证全国各地旅行者的身份，以此防控间谍和破坏分子。自俄罗斯入侵初期开始，乌克兰就一直在借助这项技术找出阵亡的俄罗斯士兵并通知其家人，据相关报道，迄今为止乌克兰已经对死亡或被俘的俄罗斯士兵进行了超过8600次面部识别搜索，已有582名阵亡士兵的亲属收到了相关通知。通过这种方式，乌克兰试图影响俄罗斯公众对这场战争的看法，让他们更加真实地了解战争的现状和代价。此外，Clearview AI还会每周派员工对乌克兰军官进行培训，教他们如何使用该面部识别软件进行检索。面部识别技术已在俄乌战场得到实战应用：乌军在西方技术支持下，借助美国企业提供的超20亿张俄罗斯人脸数据库，通过星链卫星、无人机配合AI人脸识别算法，已成功锁定并打击多名俄军高级将领。比如俄军第5集团军司令罗曼·库图佐夫少将，就是在行军途中被乌军通过该技术精准定位后遭远程打击阵亡，此外还有第41集团军副司令、第29集团军司令等多名俄军高级指挥员在冲突中被击杀。

　　d.在2022年2月24日爆发的俄乌冲突中，物理世界的热战与网络空间的认知战双线并行，以人工智能训练的深度伪造技术Deepfake为代表的虚假信息制造手段被广泛应用，成为认知战中的新型虚拟武器，其目的是影响社会认知并操纵舆论。这类依托人工智能的深度伪造技术造假手段复杂，甚至超出普通人肉眼区分的程度，极具迷惑性。据VMWare的第八份年度全球事件响应威胁报告显示，三分之二的受访者认为恶意deep fakes是俄乌冲突以来攻击的一部分，这一比例比去年增加了13%。一个典型的例子是，乌克兰总统泽连斯基鼓励乌克兰人民投降的虚假视频曾在网络上迅速传播。在冲突初期，许多短视频将真实战争场景与旧音频混合，制造了虚假信息，例如在蛇岛上，13名乌克兰士兵被误传投降，而在一些视频中甚至被描述成被杀。

　　三是我军高分系列应用，中国利用涵盖全色、多光谱、高光谱以及光学和雷达等多种类型，具备高空间分辨率、高时间分辨率和高光谱分辨率能力的高分系列卫星获取高分辨率图像，其中高分二号卫星让我国民用遥感卫星进入亚米级‘高分时代’，再结合军用AI进行战区态势分析与战略情报获取。凭借‘看得清、算得精、定得准、传得快、打得中’为核心的体系化突围之路，构建起一张兼具全天候观测、精准细节捕捉能力的天罗地网。2025年国庆，吉林一号卫星传回的台湾岛高清影像刷屏两岸——日月潭的日轮映月钩清晰可辨，台北街巷的脉络、新竹科技园的轮廓在亚米级精度下无所遁形。由此构建起高低轨卫星组网巡天、预警机凌空织网、多波段雷达交叉探网的立体侦察体系。更关键的是，人工智能正推动感知向认知跨越，AI目标识别算法能在毫秒间从海量数据中锁定高价值动态目标，将情报获取从人工筛查升级为智能预判，让现代战场对我军而言，实现了从雾里看花到洞若观火的质变。

　　一是小样本与新目标识别，对于缺乏大量标注样本的新型或罕见目标，现有模型的识别能力有限。美国DARPA的小样本学习项目，开发基于元学习的模型，实现对新型无人机、导弹等目标的快速识别，中国国防科技大学研究，结合自监督学习与迁移学习，提升对新型隐身目标的识别准确率，当前技术已能实现军事小样本目标的初步识别，但复杂场景下的鲁棒性和泛化能力仍需进一步优化。

　　二是对抗性攻击，敌方可通过伪装、隐身、电子欺骗以及针对AI模型的对抗样本攻击，降低ATR系统（ATR是一款解决方案，可自动检测和分类来自RGB和IR车载摄像头的物体，并在边缘、云端或本地提供实时定制警报。ATR将最先进的人工智能技术应用于搜救、边境管控和基础设施保护）的性能。

　　三是全天候、全天时识别，在恶劣天气、夜间、复杂电磁干扰等非理想环境下，维持高精度识别仍是技术难点。军事搜索与探测技术在非理想环境下实现高精度识别，需突破多方面技术瓶颈：在传感器性能上，需提升如长波红外传感器这类设备在低可见度环境下的目标探测可靠性；在数据融合算法上，要通过多传感器数据融合构建更强的探测网络以应对复杂战场环境，正如美军“马文”项目利用目标探测算法成功识别众多ISR视频中的目标，高效算法能大幅提升识别效率与精度；在抗干扰能力上，要应对敌方伪装、电子战手段以及欺骗技术带来的挑战；在计算资源限制上，野外环境下AI模型实时训练的高昂算力需求仍是亟待解决的问题。未来研究需结合多模态感知、人工智能算法优化、硬件小型化等技术，提升系统的环境适应性和可靠性。

　　AI通过分析历史数据和实时情报流，发现隐藏的模式和规律，从而对敌方意图、行动路线、潜在威胁进行预测，为指挥官提供决策优势。正如在俄乌战争中，Palantir Technologies公司就利用AI技术为乌克兰军队提供精确的情报支持，实时调整打击方案，应对快速变化的战场环境；指挥中心也能借助AI，利用传感器获取的实时数据对敌人的动向进行监控和分析，做出更精准的战场部署与反应；同时AI还可通过分析历史数据和模拟训练，预测未来战斗的可能结果，为指挥员提供多种决策方案。

　　一是以色列Lavender系统，该AI系统通过分析大量监控数据，识别武装人员的活动模式，预测潜在威胁，并为打击行动生成目标建议。

　　二是美军ISR系统中，AI驱动的情报、监视与侦察系统正通过多个项目实现技术落地：美国空军研究实验室启动的“基于人工智能的先进目标跟踪架构”(ATA-AI)项目，计划四年投入9900万美元，整合信号情报、图像等多源数据，借助机器学习、深度学习算法分析海量图像和视频，提升目标跟踪的准确性与实时性；已投入实战的Maven项目则通过整合多数据流实现高精度持续目标识别，在俄乌冲突、中东地区行动中为目标探测、打击决策提供关键信息，有效支撑战场预测性分析与态势感知。

　　三是我军辅助决策系统，新一代装备中，人工智能辅助决策系统已成为标配，能够快速生成作战方案，提升指挥决策的科学性与时效性。

　　一是意图预测的复杂性，军事行动充满欺骗与反常，单纯依赖历史数据难以准确预测智慧对手的真实意图。

　　二是模型可解释性，黑箱模型产生的预测结果难以解释其推理过程，指挥官很难完全信任并据此做出重大决策。

　　三是蝴蝶效应，战场态势瞬息万变，微小的情报变化可能导致预测结果的剧烈波动，对模型的鲁棒性要求极高。

　　截至2025年，全球主要军事力量均在加速构建适应未来智能化战争的情报数据处理体系，但其技术路径和发展重点各有侧重。其中美国致力于打造智能化军事体系，通过将人工智能技术深度融入指挥控制系统，实现对战场态势的实时感知与快速决策；中国依托强大的科技研发实力，在人工智能军事应用方面取得了一系列突破性进展，推动作战理念和作战方式的创新变革；俄罗斯凭借其在电子战和信息技术领域的优势，积极探索智能化作战的新路径。而从数据来看，人工智能在情报数据处理领域作用显著，比如在侦察监视领域，人工智能识别卫星图像的准确率相比传统方法可提高20%，处理速度提升30%，在战场态势预测上，人工智能预测准确率可达85%，能显著提升指挥效率。

　　JADC2是美军的核心军事战略，旨在通过云技术、人工智能和统一数据标准，将陆、海、空、天、网、电磁所有作战域的传感器与射手无缝连接，实现连接每一个传感器，连接每一个射手的愿景。其架构采用分层解耦、模块集成的设计，包括基础层网络、数据层融合共享、应用层决策行动和用户层指挥执行。其核心理念是视数据为战略资产，通过数据编织技术打破军种壁垒，实现跨域数据融合与按需访问。

　　一是先进作VSport体育战管理系统，美国空军主导的JADC2核心项目，基于开放架构、云原生技术和AI、ML，是JADC2的技术试验田和能力孵化器。

　　二是Maven计划，已成为JADC2体系中成熟的AI能力模块，为全域态势感知提供关键的目标识别与情报分析服务。

　　三是统一数据参考架构，美国陆军为实现数据互操作性而制定的标准，强调数据网格、数据质量和自助服务。

　　在多次演习和实战行动中，美军验证了通过JADC2框架，将F-35战斗机获取的目标信息实时传输给陆基海马斯火箭炮系统，将杀伤链时间从数十分钟压缩至数分钟甚至数十秒，展现了跨域协同的巨大作战效能。其中美国陆军的Project Convergence计划就聚焦于将传感器与射手连接起来以加快决策制定时间，目前陆军已在演习中展示了对联合和联盟作战网络的访问能力，还在推进相关跨军种协同的测试，为这类跨域协同作战效能的实现提供了支撑。

　　北约作为多国军事联盟，其情报处理体系的核心挑战在于确保各成员国不同制式、不同代际装备系统间的互操作性。其体系构建更侧重于顶层条令和标准的制定，而非统一的硬件或软件平台。

　　一是联合条令出版物系列，如AJP-2.1《情报程序》等文件，为联盟情报工作的需求、收集、评估和分发提供了通用框架和程序性指导。

　　二是标准化协议，定义了数据格式、通信协议和接口标准，如战术数据链Link16、22，是实现联盟信息实时共享的技术基石。

　　三是数据集成与分析框架，旨在实现多源情报的实时融合与自动化关联分析，以提升联盟的统一态势感知能力。

　　在冷战后北约规模最大的“坚定捍卫者-2024”军演中，北约集结32个成员国及伙伴国的9万余名兵力，动用50多艘舰船、100多架飞行器和1100多辆作战车辆，通过部署联合ISR平台，验证了成员国之间基于标准化协议的情报共享与协同监视能力。然而，由于各国技术水平和投入意愿不一，信息共享仍存在碎片化问题。

　　我军正处在从信息化向智能化升级的关键阶段，其情报处理体系建设强调顶层设计和跨越式发展。其体系架构呈现出清晰的云－边－端协同特征，旨在构建一个集感知、融合、决策、行动于一体的智能化作战闭环。

　　一是基础信息层，建设统一的军用云平台、高速数据网络和标准化数据资源池，为上层应用提供算力和数据支撑。

　　二是算法模型层，部署各类AI算法模型库，包括目标识别、情报融合、决策支持等，并支持模型的快速迭代与在线学习。

　　三是应用服务层，以微服务和API形式向上提供标准化的情报服务，支撑各类作战应用和指挥决策系统。

　　虽然具体平台名称保密，但其发展重点清晰可见。例如，构建一体化情报信息体系，旨在打通情报的收集、传输、处理、分发与使用全链路。战场情报数据融合分析平台等系统的研发，支持多源数据实时接入和秒级态势更新。

　　我军近年来在演习中频繁演练多路径杀伤闭环和AI驱动的智能目标分配等新作战概念。通过天基卫星网络、无人机蜂群和地面部队的协同，将侦察、指控、打击、评估等环节高效串联，作战响应效率得到显著提升。正如参考资料中显示，中继无人机凭借卫星通信技术构建的“地面指控中心﹣卫星中继﹣机载终端”三级通信链路，可实现控制范围从战术级数十公里扩展至战略级全球尺度，“全球鹰”无人机更是能通过Ku频段抛物面天线Mbps速率的合成孔径雷达SAR数据回传，保障侦察环节的高效信息传输；在有人/无人机协同的分层作战模式中，无人机负责前沿侦察传递精准情报，有人机作为指控节点下达作战指令，引导无人机蜂群执行打击任务，再通过专业评估体系完成毁伤评估，各环节紧密衔接；美军曾用3架F/A-18F“超级大黄蜂”战斗机投放103架“灰山鹑”微型无人机，展示了无人机蜂群集体决策、自适应编队的协同作战能力，进一步验证了这种协同模式对作战响应效率的提升作用。

　　尽管技术发展迅速，但在将先进技术全面转化为实战能力的过程中，仍面临一些问题。

　　战场传感器数量和精度的爆炸式增长导致了情报数据的海啸，分析师被淹没在数据海洋中，难以快速提取高价值信息。未来战场对快速决策的需求与有限的人类认知能力之间的矛盾日益突出。

　　情报数据来源广泛，格式、精度、时间戳、语义各不相同，如同数据方言。将这些方言实时、准确地翻译并融合成统一的、机器可理解的战场通用语，是实现真正态势感知的最大技术障碍之一。

　　在高动态对抗中，情报的价值随时间流逝而急剧衰减。过期的情报不仅无用，甚至有害。从传感器捕获原始数据到指挥官做出决策，整个链路必须在秒级甚至毫秒级完成，这对数据传输、计算和算法效率提出了极致要求。比如广泛应用的Link16军事数据链，能以最高115.2kbits/s的速率传递信息，还具备每秒77000跳的快速跳频能力，可在复杂战场环境中可靠传输关键信息；美国Palantir公司开发的军事辅助系统，采用人脑决策和智能系统共生的分析方式，能快速融合战场数据、专业领域知识和决策建议，还曾在俄乌冲突中在1小时内为乌军提供俄军部署等敏感情报，助力乌军快速完成态势分析与决策。

　　随着对手也开始广泛应用AI技术，情报对抗进入新阶段。这不仅包括传统的网络攻击、数据加密，更包括针对AI系统的投毒攻击、污染训练数据、对抗样本攻击，生成欺骗模型的输入和利用深度伪造技术制造虚假情报等新型威胁。如何确保我方AI系统的鲁棒性和抗欺骗能力，成为新的安全焦点。

　　…………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………