核心要点

  • 统一战场:作战云打破传统壁垒,将空、陆、海、天、网作战力量整合为统一网络。信息自由流动,实现全域协同。
  • 闪电级决策:实时数据共享与智能AI赋予指挥官超凡决策速度,显著改变作战节奏,实现思维与行动双加速。
  • 强韧智能防御:基于去中心化架构与网络智能化设计,作战云网络具备抗毁能力(如相关论文所述),即便环境恶化仍可维持作战连续性,并持续动态适应。
  • 团队协作成就卓越:有人战机、无人机、舰艇、单兵与卫星通过"有人-无人协同作战"等概念实现全面协作,倍增任务效能。
  • 未来战力倍增器:该技术代表敏捷性、杀伤力与互操作性的代际跃升,是彻底改变战争规则的战略颠覆性力量,对强化欧洲防务自主性至关重要。

步入作战云时代:其意义何在?

试想一个战场:每名士兵、每辆载具、每架战机、每颗卫星乃至网络战单元,不再孤立运作,而是作为巨型互联智脑的有机组件。这一常被称为"作战云"的概念正加速成为现实。摒弃信息孤岛的传统作战模式,我们正转向完全集成的网络化作战体系(此为未来防务讨论的核心议题)。该转型借鉴企业级云计算理念,但针对国防极端需求进行定制化改造。

作战云实现跨空、陆、海、天及网络数字域的全域互联,强化信息共享、决策优化与行动效能,催生"军用物联网"等新型作战概念。其赋能军事力量效能跃升,或将彻底革新全球防务战略。这不仅是技术升级,更是作战范式的革命。该技术以夺取信息优势为终极目标(欧洲国防基金作战云项目等计划支撑此愿景),欲探索更多相关概念可访问COIT等资源库。

解析作战云:其运作机理为何?

究竟何种要素构成这一强大新系统?如空客多份资料所述,其并非单一技术,而是多种先进特性的无缝协同集成。让我们剖析核心组件:

  • 壁垒破除:多域整合
    系统基石在于多域整合。该体系将各作战域差异巨大的平台(有人战斗机、无人僚机、海军舰艇、地面战车、侦察卫星等)编织为统一整体,构建未来空战所需的无缝作战图景(多域作战MDO核心要素)。数据不再孤立存储于单一舰机,而是如联合空中力量能力中心(JAPCC)所述,在全网自由流动——卫星传感器可实时引导舰载武器发射,或为地面部队即时标定目标。此类协同层级(对未来空战系统FCAS等项目至关重要)在过往难以实现,英德拉等企业在此领域展现技术领导力。

  • 按需信息:实时数据流
    战争胜负系于速度。作战云擅长实时采集、处理与分发海量数据:实时视频流、传感器读数、情报报告、定位信息等瞬间传遍网络,确保指挥官与前线单元精准获取所需情报(强化空中指挥控制C2能力)。无需逐级上报等待,决策基于实时态势(而非过时信息)实现更快更优。

  • 强韧架构:去中心化与网络韧性设计
    现代战争充斥网络攻击,集中式系统易成靶标。作战云采用去中心化韧性设计,构建类网状架构(非单中心枢纽)。此举消除单一故障点导致全网瘫痪的风险——若某节点受损,网络自动重路由信息以维持作战连续性(参考领英《改变游戏规则》一文论述)。其网络韧性设计从初始阶段即内嵌,可抵御复杂数字攻击,保障高强度混合战场景下关键通信与数据共享不中断。

  • 思维加速:AI赋能决策
    人类智慧深邃,机器数据处理更迅捷。作战云深度集成人工智能(AI)与大数据分析,运用AI与机器学习强化决策。AI算法从海量信息中筛取模式、预测敌行动、推荐最优行动方案,速度远超纯人力团队,由此构建"认知优势"——比对手更快理解与决断。设想AI辅助指挥官选择最佳打击武器,或如国防技术信息中心(DTIC)报告所述,即时计算车队最安全行进路线,此类能力是多域杀伤链概念的核心。

  • 全域适应:可扩展性与模块化
    任务规模与复杂度差异悬殊,系统需高度灵活。作战云架构具备可扩展与模块化特性:根据任务需求增减组件、连接不同数量资产,无需重构整体系统。此举避免单一平台过载处理本属网络的任务,使系统能随技术演进与任务需求变化持续进化,支持多样化资产的整合。

作战云优势:提升军事战斗力

多域作战云(MDCC)如何实质提升军事力量效能?其带来全方位显著提升,彰显云计算对欧洲军事的赋能价值。

速度制胜:加速决策周期
军事规划常采用OODA循环(观察-调整-决策-行动),而MDCC大幅压缩该周期:

• 观察:瞬时全域数据采集

• 调整:AI融合处理数据,提供清晰态势感知

• 决策:预测性情报辅助指挥官快速抉择(专为多域战场复杂作战设计)

• 行动:指令即时传输,触发快速响应

此速度优势使部队能抢占先机,动态适应战场变化,核心目标是压制敌方有效反应能力以维持主导权。

协同增效:跨域协作升级
MDCC打破军种壁垒,催生真正协同作战。试想以下场景:

• 空中无人机侦测隐蔽敌坦克(空中域侦察)

• 数据经MDCC即时共享

• 邻近地面炮兵接收目标信息(陆域打击)

• 同步网络部队瘫痪敌通信以掩护无人机(网域支援)

此类无缝协同整合各领域最优能力,效能远超单一军种独立作战,全面实现"有人-无人协同作战"等概念(飞行员与自主系统并肩作战),提升联合作战能力。

知敌而动:信息优势赋能
在正确时间向正确资产提供正确信息至关重要。MDCC提供的信息优势,通过先进数据融合将海量原始传感器数据转化为清晰可行动情报,使部队更透彻理解战场、精准预判威胁,即便在复杂对抗环境中也能抢占有利态势。这不仅关乎数据量,更是依托战术云实现的更快更深认知。

似水无形:作战敏捷性倍增
战场态势瞬息万变,部队需即时应变。MDCC提供卓越作战敏捷性——"加速任务循环"使指挥官近乎实时重配资产、调整兵力部署,灵活应对突发威胁或机遇。例如:根据地面传感器新侦测威胁中途调整飞行路径,或无缝切换打击重心区域。该能力还支持分布式指挥,赋能前线指挥官自主决策(无需层层上报),助力实现北约数字化转型目标。

构建数字堡垒:作战云安全机制解析

全域互联是否意味着风险激增?黑客攻击、网络入侵与电子战威胁如何应对?多域作战云(MDCC)设计者对此深度考量——网络安全韧性非事后补丁,而是架构哲学的核心要素。

  • 无单一目标:去中心化网状架构
    区别于依赖中央服务器的传统系统,MDCC采用类互联网的网状架构。数据通过空中、陆地、海洋、太空及网络节点的多路径流动,任一节点或链路遭攻击/失效时,流量自动寻径。此分布式特性使敌方难以通过单点打击瘫痪整个系统,实现"分布即韧性"。

  • 两全其美:混合云方案
    MDCC巧妙运用混合云技术:极端敏感涉密数据存于物理隔离的私有军用网络;低敏数据或需超算的任务则调用商用云资源(配合严格安控)。此设计平衡关键数据的"诺克斯堡级安全"与云计算弹性扩展优势。

  • 快速自愈:网络韧性进化
    系统故障(尤受攻击时)不可避免。MDCC配备自愈能力:若卫星通信链路遭干扰,AI实时监测网络健康状态,即刻将关键数据转接至空中中继或地面光纤,维系连接不间断。此过程通常无需人工干预,保障信息流持续畅通。

  • 零信任原则:全域验证机制
    安全基石在于严苛规则。MDCC贯彻零信任原则:设备、用户、数据请求均需验证与身份认证后方可访问。高强度加密技术保护存储与传输中的数据,区块链等潜在技术确保数据完整性(防篡改)。

  • 主动防御:网域反击能力
    MDCC不局限于被动防护,更具备网域主动反击能力:AI主动狩猎潜在威胁,预判攻击动向;诱骗工具构建虚拟网络分区误导黑客;网络战行动可与实体军事行动协同(如战机突防前发动网络攻击瘫痪敌雷达)。

  • 多重备份:冗余保障生存
    关键数据在MDCC中多域多节点同步存储:同一目标数据可能存于指挥舰、战机与地下掩体。任一节点损毁时数据仍可获取,无人机等平台可充当移动通信中继节点,提升极端环境下的网络韧性与覆盖。

  • 协同标准:联盟互操作性
    现代防务常需多国联合作战。MDCC遵循严苛通用标准,确保盟国系统间安全互联,强化联合作战互操作性。标准体系含持续更新的网络安全协议(经最新威胁验证),支撑论文所述多域作战(MDO)安全协同。

通过多层次安全架构的编织,MDCC旨在构建高韧性网络生态系统,确保在持续攻击下维持有效作战能力,为指挥官守护至关重要的决策优势。

人工智能:作战云的中枢神经

人工智能并非作战云的营销噱头,而是驱动其效能的核心引擎。AI算法不知疲倦地在后台工作,解析混乱并加速一切进程。

AI赋能OODA循环升级
前文所述的观察-调整-决策-行动(OODA)循环,AI对其每个环节进行涡轮增压:

• 智能观察:AI管理庞大传感器网络,过滤噪声聚焦关键数据

• 极速调整:AI数据融合技术瞬时整合雷达、视频、信号情报等信息流,生成清晰统一态势图(人工分析需数小时,AI仅需数秒)

• 优化决策:AI不替代指挥官,而是强力辅助——预测性分析预判敌行动(如《空中力量期刊》所述),推荐最佳武器-目标匹配方案、最优行进路线,标定亟需处置威胁

• 迅捷行动:决策下达后,AI确保指令高效传达与资产快速部署

全域透视:AI赋能态势感知
透彻理解战场至关重要,AI提供前所未有的态势认知:

• 边缘计算:AI支持边缘处理——无人机、坦克或战机搭载智能算法就地处理数据,仅回传关键信息,降低网络负荷与延迟

• 洞隐烛微:AI擅长模式识别,可捕捉隐身战机微弱雷达信号、侦测隐蔽网络入侵、识别卫星图像中的伪装载具(速度与精度远超人眼)

智能指挥:AI支撑分布式控制
多域作战云(MDCC)支持弹性指挥架构,AI在此发挥关键作用:

• 自主智能:AI赋能无人机、机器人等无人系统更高自主性(基于指挥意图执行侦察、电子干扰等任务),但始终处于人类监督控制之下

• 动态规划:战场态势突变时,AI快速生成更新任务方案(建议新路线、重配资源、调整目标),确保计划与最新情报同步

数据净化:AI保障信息可信度
低质输入必然导致错误输出,AI确保作战云数据可靠性:

• 伪造过滤:高级算法分析输入数据,识别篡改、欺骗或损毁迹象,在误导决策前剔除无效信息

• 精准分发:AI并非无差别推送数据,而是提炼关键洞见定向推送至最需用户/平台,避免信息过载

多域协奏:AI统筹全域作战
AI如同多域交响乐指挥,确保各要素协同共振:

• 效果同步:AI协调跨域行动以最大化杀伤效果(如网攻与动能打击精准配合,天基传感器引导海军武器——多域杀伤链关键环节)

• 资源优化:AI算法管理后勤体系,预测油料、弹药、维护需求,优化运输机、加油机等稀缺资源配置(参考陆军大学出版社文献所述预测模型)

人机协作:AI作为战略伙伴
AI不会接管指挥,而是成为不可或缺的合作伙伴:

• 减负增效:AI处理传感器监控、数据标注等繁琐任务,使人脑聚焦战略决策与复杂问题求解

• 信任构建:可解释AI(XAI)对建立指挥信任至关重要——其透明化AI决策逻辑,让用户理解建议依据(高风险军事场景必备,确保责任可追溯)

最终,AI的深度集成使MDCC进化为自优化网络:持续适应环境、从经验中学习、智胜潜在对手。人类指挥权始终处于核心地位,但AI提供制胜未来战场所需的认知加速引擎。

作战云实战:现实影响与应用

作战云概念已非纸上谈兵,其正重塑重大防务项目并变革军事训练、规划与作战模式。

驱动下一代空战:FCAS项目
法国、德国与西班牙参与的"未来空战系统"(FCAS)为最典型案例。FCAS不仅研发新型战机,更以作战云为核心构建"系统之系统":

• 网络化平台:通过作战云将六代机(NGF)与多型无人僚机(Remote Carriers)、现役战机、卫星及陆海基单元互联,形成"军用物联网"。

• 协同作战:各要素作为统一团队运作,共享传感器数据、协调打击行动,并通过云端动态分配任务。目标是以空客多域作战云等系统支撑的无缝信息交互与协同实现空域主导权。

指挥控制(C2)革命
高效指挥控制是军事行动的中枢。作战云极大增强C2能力:

• 统一态势图:从战略指挥部至基层单位,所有指挥官共享实时作战图景(相同地图、威胁标识与友军定位),显著减少协同混乱,强化多域战场空中指挥控制效能。

• 响应加速:即时信息流使决策传达速度倍增,缩短应对敌行动或突发态势的响应时间,显著提升任务效能。

实战化训练:模拟推演与兵棋
应对复杂多域战争需先进训练手段,作战云支撑高拟真模拟推演:

• 复杂想定:部队可在多域虚拟环境中对抗高智能假想敌,复现真实战场挑战。

• 战术验证:与作战云相关的新战术、条令与技术可在虚拟沙盒测试优化后再实战部署,助力部队有效备战多样化挑战,探索云计算对欧洲军事的价值。

赋能混合战争行动
现代冲突常混合传统军事行动与网络攻击、虚假信息等非传统手段(即混合战争)。作战云专为此复杂性设计:

• 效果整合:指挥官可无缝协调动能打击(如空袭)与非动能效应(如干扰敌通信或瘫痪关键设施)。

• 跨域同步:依托云端统一C2系统,物理与数字领域的攻防行动得以同步规划执行,实现真正多域作战。

战略全局:作战云的战略重要性

各国为何重金投入该技术?作战云不仅是战术工具,更蕴含深远战略意义。

重构战争法则
数个世纪以来,军事战略聚焦兵力集中(规模效应)与物理机动等原则。作战云将重心转移至信息优势——更全面的认知、更广域的视野、更迅捷的理解与基于信息的果断行动成为主导要素。缩短感知与行动间的时间差(即"传感器到射手"链路)能带来巨大战术优势,此被视为全球防务革命的核心要素,驱动下一代系统需求。

强化联盟战力:互操作性
现代重大冲突常涉及多国联盟,确保不同国家部队无缝协作(互操作性)至关重要。基于通用标准设计的作战云助力实现此目标:盟军部队通过兼容的通信协议、数据格式与架构接入MDCC网络,高效共享信息、协调行动,强化集体防御能力,并通过数字化转型赋能北约多域作战(MDO)。

驱动技术优势与主权
开发掌握作战云技术亦关乎对潜在对手的技术压制。对欧洲等地区而言,投资FCAS项目及相关云基建是维护技术主权的关键——确保防务需求不依赖他国技术,增强欧洲防务自主权。

实现多域主导权
最终战略目标是赢得多域主导权——具备全域同步力量投送与有效作战能力,同时阻止对手达成相同目标。作战云是实现该愿景的数字支柱,连接全域传感器、射手与决策节点(此需空军大学论文等文献探讨的先进方案支撑)。

结论:防务发展的必然未来

作战云绝非渐进式升级,而是军事行动范式的根本性变革。通过打破传统壁垒、实现卫星至单兵的万物互联、融合先进AI与网络韧性,其将重塑国家防御与力量投射方式。

全球正迈向信息为终极制高点的未来。多域作战云提供的速度、敏捷性与协同能力(如联合空中力量能力中心文献所述),在复杂对抗环境中赋予决定性优势。尽管在实施、安全与伦理应用方面仍存挑战,但趋势已然明晰:通过安全韧性云网络整合多域能力,正成为全球现代化高效军队的基准。拥抱此革命非选项而是刚需——唯有如此方能在急速演变的全球安全格局中保持领先。未来防务图景必将是互联化、智能化,且根植于作战云之中。

参考来源:Eusebio Rodriguez

成为VIP会员查看完整内容
0

本文探讨量子计算对军事通信安全的影响,涵盖相关机遇、风险、挑战及前景。尽管量子密钥分发(QKD)与后量子密码学(PQC)等量子相关技术提供了增强型加密手段以抵御量子威胁,但其亦可能削弱现有系统安全性,构成潜在风险。研究采用技术就绪水平(TRL)与霍洛维茨采用能力理论,评估影响技术采纳的战略、财务与组织因素。本文同时解析助力量子转型的三项QKD与PQC项目,以及决策层、IT团队、科技巨头、北约与政府等利益相关方角色。基于访谈与案头研究等定性方法的研究结果表明:开发并部署量子增强与抗量子系统对保障军事通信安全具有必要性;此外,各国需协同加速技术发展,并投资培训教育项目以培育专业人才。

近年来,量子计算应用呈现爆发式增长。尽管该技术尚未完全"成熟"(Gschwendtner等,2024),但其必将深刻影响包括军事工业与通信系统在内的多个领域(代尔夫特理工大学,2020)。全球紧张局势加剧与技术的飞速进步(Ero & Atwood,2024;Roser,2023),使得通信安全成为关键议题。传统加密方法曾提供强力安全保障,如今却因量子计算的新能力暴露漏洞(Baseri等,2024)。这种新兴态势为全球防务主体带来机遇与挑战并存的双重局面,使得量子计算对军事通信安全影响的研究具有重要时效价值。

安全通信是军事行动的基石,因为若缺失,"部队与装备将无法保持信息同步、协调行动、同步作战,并在挑战性环境中快速决策"(Spectra集团,2023)。量子计算的出现为提升通信安全提供绝佳机遇——量子密钥分发(QKD)等技术利用量子原理保障信息安全。但与此同时,量子算法可能破解传统密码体系,这警示军工行业亟需采用抗量子密码解决方案(如后量子密码学PQC)。军方现有价值网络与通信基础设施需在技术成熟前完成升级,以整合这些先进技术,避免其影响失控。本研究通过分析量子计算带来的机遇风险、系统转型挑战及相关利益方,揭示其在强化与威胁军事通信安全中的双重角色。

本研究的学术价值涉及全球(网络)安全、密码学、技术创新、国防研究与战略管理领域。从实践角度看,该研究对军事组织与国防工业具有指导意义:既提供理解量子计算如何变革通信的认知框架,也展现开发部署抗量子技术的迫切性。当前关于军事系统转型相关利益方的研究稀缺性,更凸显本课题的重要性。

本研究将回答以下研究问题:"量子计算对军事通信安全有何影响?"

为解答该问题,设定以下研究目标:

  1. 分析量子计算对现有军事通信系统的潜在影响,包括量子技术如何增强或威胁当前安全通信方法。
  2. 评估量子增强与抗量子技术的有效性,重点研究QKD与PQC作为应对量子威胁的解决方案。
  3. 探究向量子安全系统转型的挑战,揭示军事环境中采用量子技术的实际困难(含推动转型的利益相关方)。
  4. 基于两项技术采用框架,为军事利益相关方提供建议,助力军事组织与国防工业保护通信网络抵御量子威胁。

论文结构如下:第二至四章为理论部分。第二章《量子计算》解析量子计算基本原理(含叠加与纠缠现象),探讨量子密码学及当前研发中抵御量子威胁的两大路径——QKD与PQC。第三章《军事通信》阐述军事通信的重要性,分析现有安全通信手段,并梳理技术演进历程(如何适应新兴威胁与创新)。第四章《技术采用框架》界定两项军事技术采用框架:技术就绪水平(TRL)与采用能力理论。

第五章《方法论》详述研究流程,阐释定性研究设计与数据收集方法。第六章《结果》呈现研究成果,深入探讨量子计算带来的机遇、风险与挑战,并分析当前相关项目及转型关键利益方。第七章《讨论》结合现有文献解析研究发现,向相关(军事)利益相关方提出建议。第八章《结论》总结核心发现、回应中心研究问题,反思研究局限并提出未来研究方向。

成为VIP会员查看完整内容
1

在当今世界,多数人可能认为无处不在的无线通信已使实体基础设施依赖成为历史。但事实恰恰相反。

我们比以往任何时候都更加依赖横跨海底、连接全球国家、企业与个人的海底光缆网络。此类基础设施支撑全球通信与产业运转——据多方估算,海底光缆承载着全球95%以上的互联网流量,日均促成超10万亿美元的金融交易。我们对海底设施的依赖还延伸至电力、油气领域,这些与通信网络共同构成必须严加防护的关键攻击面。

简言之,海底光缆是国家安全与现代社稷运转不可或缺的关键基础设施。然而它们正面临日益频繁且严重的威胁(从意外损毁到蓄意破坏)。此三篇系列博客的首篇将解析现代海底威胁的深层背景。

竞争加剧的领域

2024年发布的政策交流智库报告《从海底到太空》指出:"技术与作战能力的进步使地缘竞争延伸至海底。随着深水机动、测绘与作业能力的提升,海底关键海事基础设施如同新时代水下战争中暴露的国家安全软肋。"

显然,此类威胁重大且令人担忧。尽管水下战争并非新概念,但近年事件敲响警钟:海底关键基础设施面临的威胁正危及国家安全。

例如,2024年11月,连接德国-芬兰与瑞典-立陶宛的波罗的海海底光缆遭切断;随后芬兰-爱沙尼亚主输电海底电缆受损,导致爱沙尼亚电力供应严重中断。这些事件凸显波罗的海地区近年已成为全球海底基础设施破坏活动的热点区域。

系列事件促使北约启动"波罗的海哨兵"行动,动用飞机、军舰与无人机加强波罗的海船只监控,在地缘紧张达历史峰值之际保护关键海底电缆。

各国政府面临的核心挑战在于:海洋威胁正超越传统领域,采用更多灰色地带、阈值下战术作为施加影响与保持竞争优势的必要手段。威胁层级持续上升,复杂对手群体扩大,变化速度预计只增不减。

鉴于海洋覆盖地球70%以上面积,实现全域防护(尤其以经济高效方式优先部署传感器、平台与效应器,实现威胁干扰的事前侦测与威慑)面临严峻挑战。

威胁特征解析

由于威胁加剧,三大能力领域愈发关键:情报、监视与侦察(ISR);反潜作战(ASW);关键海底基础设施防护(CUIP)。政府与商业运营商不仅目睹这些领域威胁激增,更意识到传统能力与反制措施正日益失效。

在ISR领域,派遣载人潜艇执行高危任务的意愿极低,某些场景甚至不可行。但通过战略部署的预警指标获取情报(赢得水下领域竞争优势)的需求却持续增长。

类似地,多区域同步持续应对ASW威胁的及时决策,亟需海量情报信息支撑。事实上,挑战规模已超越多数国家现有兵力结构。

叠加上述威胁的是关键海底基础设施(CUI)风险的攀升——全球经济活动与繁荣高度依赖于此。尽管此类基础设施全球布局已有数十年,但直至近年才被视为敌方攻击目标。如各国媒体报道所示,水下冲突形态正在转变,CUI脆弱性正成为重点打击对象。

归根结底,人类深水机动、测绘与作业能力的提升,使作为国家安全基石的近海关键基础设施,在水下战争新时代面临更高风险。无人平台的普及更使威胁效力倍增。

如何应对海底光缆威胁?敬请关注《开发水下战场空间》系列下篇,将解析英国强化海底威胁应对的必行之策,以及关键能力缺口如何阻碍进展。

参考来源:baesystems

成为VIP会员查看完整内容
1

转载机器之心 随着大语言模型 (LLM) 技术的迅猛发展,基于 LLM 的智能智能体在客户服务、内容创作、数据分析甚至医疗辅助等多个行业领域得到广泛应用。然而,不同智能体系统间的碎片化通信标准已成为制约其进一步发展的瓶颈。上海交通大学团队与 ANP 社区合作推出了首个全面系统的 AI 智能体协议综述《A Survey of AI Agent Protocols》,为解决这一关键挑战提供了清晰的指导框架。

图片

图片

ArXiv 论文链接:https://arxiv.org/abs/2504.16736 * Github 仓库地址:https://github.com/zoe-yyx/Awesome-AIAgent-Protocol

交互碎片化:阻碍智能智能体发展的关键瓶颈

正如早期互联网面临的通信标准分散问题,当前的智能智能体生态系统同样遭遇协议不统一的困境。研究团队指出,随着应用场景扩展和不同供应商、不同结构的智能体涌现,智能体与实体之间的交互规则变得越来越复杂。这种协议标准化缺失的问题体现在两个方面:一方面,它阻碍了智能体与外部工具和数据源的互操作性;另一方面,它限制了不同提供商或架构背景的智能体之间的无缝协作,从而限制了智能体网络的可扩展性,最终制约了智能智能体解决复杂实际问题的能力。

图片

首创二维分类框架,清晰梳理智能体协议生态

论文创新性地提出了一个二维分类体系,将现有智能体协议分类为:

  1. 对象导向维度:

上下文导向协议:专注于智能体与外部工具 / 数据源的通信,如 Anthropic 的 MCP 协议 * 智能体间协议:关注多个智能体之间的通信与协作,如 ANP、A2A 协议

  1. 应用场景维度:

通用目的协议:适用于广泛场景的通用协议 * 领域特定协议:针对特定场景优化的专用协议,如 LOKA 用于人机交互,CrowdES 用于机器人智能体交互

图片

这一分类法涵盖了主流协议,包括 Anthropic 的 MCP、Google 的 A2A、ANP 社区的 ANP、NEAR 基金会的 AITP、Eclipse 基金会的 LMOS 等十余种协议。详细分类表格中,论文还对每种协议的提出者、应用场景、关键技术和开发阶段进行了全面梳理,为开发者选择合适协议提供了清晰指引。

图片

七大维度多角度评估,全面对比协议性能

研究团队从以下七个关键维度对各类协议进行了全面评估:

  1. 效率:评估延迟、吞吐量和资源利用率,包括大语言模型智能体特有的 token 消耗成本
  2. 可扩展性:衡量节点扩展性、链接扩展性和能力协商机制,提出了「能力协商得分」(CNS) 评估指标
  3. 安全性:分析认证模式多样性、角色 / 访问控制粒度和上下文脱敏机制
  4. 可靠性:检验包重传、流量控制和持久连接机制,引入「自动重试计数」(ARC) 等评估指标
  5. 可扩展性:评估向后兼容性、灵活适应性和定制扩展能力
  6. 可操作性:测量协议栈代码量、部署配置复杂度和可观测性
  7. 互操作性:分析跨系统、跨浏览器、跨网络和跨平台适应性

图片

论文特别强调,理想的智能体协议应平衡低延迟通信、资源消耗和任务完成速度,同时适应多智能体系统的复杂性。研究还通过 MCP 从 v1.0 到 v1.2 的迭代演进案例,以及从 MCP 到 ANP 再到 A2A 的协议系统演化案例,展示了智能体协议在功能、性能和安全性方面的多维度权衡。

真实案例解析: 四大协议在旅行规划中的应用对比

论文通过一个「策划北京到纽约的五日旅行」的真实用例,论文生动展示了四种不同协议架构的实际应用差异:

图片

  1. MCP(单一智能体调用工具):集中式架构,单一 MCP Travel Client 通过 Client-Server 结构依次调用 Flight Server、Hotel Server 和 Weather Server 等工具,所有通信必须经过中央智能体

  2. A2A(多智能体复杂协作):分布式架构,将智能分散到多个专业智能体,如 Flight Agent、Hotel Agent 和 Weather Agent,智能体间可直接通信,A2A Travel Planner 作为非中心协调器主要收集最终结果

  3. ANP(跨域智能体通信):跨域架构,通过标准化的跨域交互促进独立智能体间协作,明确划分航空公司、酒店和天气网站等不同组织边界,实现基于协议的跨域请求和响应

  4. Agora(自然语言到协议生成):用户中心架构,将自然语言请求直接转换为标准化协议,引入三阶段处理过程(自然语言理解、协议生成、协议分发),使专业智能体专注于核心能力

这一案例分析帮助开发者根据实际需求(智能体自主性、通信灵活性、接口标准化和任务复杂性)选择最适合的协议方案。

未来展望

论文对智能体协议的发展前景进行了短期、中期和长期预测:

短期展望:从静态到可进化

评估与基准测试:开发统一的评估框架,超越任务成功率,纳入通信效率、环境变化适应性等方面 * 隐私保护协议:探索允许智能体交换信息同时最小化内部状态或个人数据暴露的协议 * 智能体网格协议:开发受人类群聊启发的通信模型,实现智能体组内通信透明度和共享访问 * 可进化协议:将协议视为智能体自适应能力的动态、模块化和可学习组件

中期展望:从规则到生态系统

内置协议知识:通过训练将协议内容和结构集成到大语言模型参数中,实现无需明确提示的协议兼容行为 * 分层协议架构:借鉴经典网络协议设计,将低级传输和同步机制与高级语义和任务相关交互分离,改善异构智能体间的模块化和可扩展性

长期展望:从协议到智能基础设施

集体智能与扩展定律:探索大规模、互联智能体群体中集体智能的涌现,研究智能体数量、通信拓扑和协议配置如何共同塑造系统级行为 * 智能体数据网络:构建专用于自主智能体通信和协调的基础数据基础设施,支持结构化、意图驱动和符合协议的智能体间信息交换

这项研究不仅系统梳理了当前 AI 智能体协议的发展现状,更为未来智能智能体互联互通的网络构建提供了理论基础和技术路线图。正如 TCP/IP 和 HTTP 协议的标准化推动了全球信息革命,统一的 AI 智能体协议有望催生一个全新的智能协作时代,实现不同形式的智能在系统间流动,工具与智能体无缝交互,形成超越单个组件能力的集体智能。

© THE END 转载请联系本公众号获得授权 投稿或寻求报道:liyazhou@jiqizhixin.com

成为VIP会员查看完整内容
0

我们面临的两大挑战和机遇:   生产力:如何吸收前沿科技转化为新核心竞争力?   生产关系:如何遵循中国道路转化为新发展模式?   科技驱动的生产力进化与生产方式变革   生产工具周期性创新,生产方式、组织模式、管理方式和人才特征代际化变革。   生产三大根本变量:设施设备集成度—工作岗位杠杆性—资源转化加速率。   信息经济基座:电脑+操作系统+应用软件+实体业务...   划时代实体产品:电脑,最具创新力商业模式:电脑+操作系统+应用软件+实体业务转型。   信息产业化:集成电路计算机产业链、通讯产品服务产业链、软件开发服务产业链、信息管理产业链...   产业信息化:制造业(海尔、三一)、零售业(苏宁、国美)、金融业(信用卡)、教育业(电教室)...  

成为VIP会员查看完整内容
0

在这个大型语言模型(LLMs)及其他巨型神经网络迅猛发展的时代,我们旨在从零出发,分析简化情境,作为理解这些大型模型功能机制的基础性步骤。我们从三个方面展开探讨。 在表达能力方面,我们研究了一类简化的图网络——图增强多层感知机(Graph-Augmented Multi-layer Perceptrons, GA-MLPs)的函数类,并与经典图神经网络(Graph Neural Networks, GNNs)进行了对比。我们采用图同构测试和带属性路径计数等方式来衡量它们的表示能力。 在优化性方面,我们从理论角度分析了神经网络训练中由于大学习率引发的不稳定性现象,即“稳定性边缘”(Edge of Stability)。我们研究了损失函数在训练过程中为何会呈现出不稳定轨迹的条件,尤其是其在低维子空间中产生振荡的情况。随后,我们将这一特性应用于一些简单但具有代表性的学习问题中,如教师-学生框架下的两层单神经元同构网络和矩阵分解问题。 在推理任务中的数据分布方面,我们提出将下一个 token 的预测分解为两个部分:上下文内推理(in-context reasoning)分布关联(distributional association)。我们在一个可控的合成实验设置中,从实证与理论两个角度对这一分解方法进行了研究,发现前馈层(feed-forward layers)更倾向于学习如二元语法(bigram)等简单的分布关联,而注意力层则主要负责上下文内的推理。最后,基于这些理解,我们进一步提供了实验证据,说明对前馈层进行修改可以提升 LLM 在某些任务上的表现。

成为VIP会员查看完整内容
0

本PPT探讨了基于扩散模型和流模型的推理时引导生成技术,旨在通过动态调整生成过程,提升生成内容与用户偏好的对齐能力。主要内容包括以下三个方面: 1. 扩散模型与流模型的背景与优势

扩散模型通过逐步去噪生成高质量样本,在图像/视频合成中表现优异,但生成速度较慢。 * 流模型通过确定性轨迹实现快速生成(如Stable Diffusion 3、FLUX),但缺乏随机性限制了其灵活性。 1. 推理时引导生成的三大方法

分数/注意力操纵:通过调整扩散模型中的分数或注意力图实现空间引导(如GroundIT的2D布局控制、VideoHandles的3D视频编辑)。 * 基于未来奖励的梯度上升:利用可微奖励函数(如风格一致性、逆向问题求解)优化生成过程(如DPS方法)。 * 粒子采样:通过多粒子搜索处理不可微奖励(如对象计数、文本对齐),适用于流模型时需引入随机性(ODE转SDE)。 1. 关键技术与应用

流模型的推理时扩展:通过插值系数调整和ODE-to-SDE转换,实现粒子采样(如文本对齐、美学生成)。 * 一步式模型的迭代引导:结合朗之万动力学,在隐空间优化生成内容(如ORIGEN的方向控制)。 * 跨领域同步生成:在全景图、3D纹理等任务中同步多生成过程(如SyncTweedies的网格纹理生成)。

未来方向包括探索视觉自回归模型(VAR)与扩散/流模型的混合架构,以平衡生成速度与多模态对齐能力。 核心贡献:提出无需微调的推理时引导框架,扩展了生成模型在复杂任务(如空间 grounding、3D 编辑)中的应用,同时兼容扩散模型和流模型。

成为VIP会员查看完整内容
0

用于生成式人工智能的大型语言模型(LLMs)取得了显著进展,逐步演化为复杂且多功能的工具,广泛应用于各类领域与场景。然而,由于其庞大的参数规模带来的高内存开销,以及注意力机制所需的高计算资源,使得在实现低延迟与高吞吐量的LLM推理服务过程中面临诸多挑战。得益于一系列突破性研究的推动,近年来该领域取得了飞跃性进展。本文对相关方法进行了全面综述,涵盖了基础的实例级优化方法、深入的集群级策略、新兴的场景导向方案,以及其他一些虽较边缘但同样重要的方面。

在实例级方面,我们回顾了模型部署、请求调度、解码长度预测、存储管理,以及计算资源解耦(Disaggregation)等技术。在集群级方面,我们探讨了GPU集群部署、多实例负载均衡和云服务解决方案。针对新兴应用场景,我们围绕具体任务、模块及辅助方法进行组织与讨论。为确保综述的全面性,我们还特别指出了若干细分但关键的研究方向。最后,本文提出了若干可能的未来研究路径,以进一步推动LLM推理服务的发展。

1 引言

随着开源大型语言模型(LLMs)的快速发展,近年来模型架构与功能的每周更新已成为常态。从 Huggingface 的下载数据中可明显看出这些模型的旺盛需求——诸如 Mistral-Small-24B-Instruct-2501(Mistral, 2025)、phi-4(Abdin 等, 2024)、Llama 3.3-70B-Instruct(Grattafiori 等, 2024)等模型的下载量达到数十万次,而 DeepSeek-V3(DeepSeek-AI 等, 2024)和 DeepSeek-R1(DeepSeek-AI 等, 2025)等模型的下载量在近几个月已达到数百万次。 然而,在部署这些模型时,其大规模参数和注意力机制对内存和计算资源提出了极高要求,这对实现低延迟和高吞吐量的请求处理带来了重大挑战。为了满足服务级别目标(SLOs),这些挑战推动了推理服务优化领域在多个方向上的深入研究。

本文系统性地综述了LLM推理服务的方法,并依照层次结构进行组织,涵盖了从实例级优化、集群级策略,到新兴场景与其他重要方向的研究,如图1所示。 实例级优化(§3) 从模型部署(§3.1)开始,主要解决单个GPU内存不足时的跨设备参数分布问题。随后是请求调度(§3.2),通过解码长度预测(§3.3)优先处理较短请求,以降低整体延迟。动态批次管理机制用于在迭代推理过程中进行请求插入与剔除。键值缓存(KV Cache)(§3.4)可减少重复计算,但在存储效率、复用策略与压缩技术方面仍面临挑战。鉴于预填阶段与解码阶段的特性差异,近年来提出了解耦式架构(§3.5),以优化这两个阶段的处理效率。 集群级优化 主要聚焦于部署策略(§4),包括异构硬件下的成本效益型GPU集群配置,以及面向服务的集群调度方案(§4.1)。可扩展性带来了负载均衡(§4.2)方面的挑战,旨在避免分布式实例间的资源浪费或过载问题。当本地硬件资源无法满足部署需求时,基于云的解决方案(§4.3)则成为满足动态LLM服务需求的关键手段。 新兴场景(§5) 涉及诸多先进任务与方法,包括长上下文处理(§5.1)、检索增强生成(RAG, §5.2)、专家混合机制(MoE, §5.3)、低秩适配(LoRA, §5.4)、预测解码(§5.5)、增强型LLM(§5.6),以及测试时推理(Test-Time Reasoning, §5.7),这些技术都需要模型具备高度的适应性以满足不断变化的需求。 最后,本文还详细探讨了其他重要方向(§6),涵盖硬件(§6.1)、隐私(§6.2)、模拟器(§6.3)、公平性(§6.4)和能效(§6.5)等较为边缘但关键的领域,旨在推动LLM推理服务的全面发展。 尽管已有多项综述工作(Miao 等, 2023;Yuan 等, 2024;Zhou 等, 2024;Li 等, 2024a)为该领域打下了基础,但在深度、广度或时效性方面仍存在不足,难以覆盖快速演进的研究动态。为此,本文构建了一个系统化、细粒度的前沿方法分类体系,并提出若干具有前瞻性的研究方向,力图弥补现有文献的空白。

成为VIP会员查看完整内容
0

《美海军陆战队参考出版物7-20C.1——海军陆战队体能训练》为全体陆战队员提供体能发展与保持的指导原则,旨在使其满足海军陆战队的体能职责要求。本出版物提出体能训练的综合性方针,通过拓展训练范畴、建立更具动态性的体能训练思维模式,指导各级陆战队员运用基础训练原理与资源构建全面技能。本手册并非强制规定程序或检查清单,而是强调海军陆战队对官兵体能素质及其抗压能力的高度重视。体能训练作为海军陆战队全面健康体系的四大支柱之一,对于维护美国海军陆战队员整体健康与福祉具有重要支撑作用。

成为VIP会员查看完整内容
2

本论文针对多智能体系统中的高斯过程(Gaussian Process, GP)训练与预测问题,提出分布式可扩展算法。首要挑战在于通过测量数据集计算表征水声通信性能的空间场。我们采用简化的近似线性对数通信模型,对比以航行器距离为辅助变量的协同克里金法与传统克里金法。随后提出基于模型的声学性能预测方法,依托现实传播模型构建两阶段框架:i) 通过评估含估计参数的候选函数来估计协方差矩阵;ii) 预测通信性能。协方差估计通过多阶段迭代训练方法实现,采用嵌套模型保障无偏性与鲁棒性。该框架效能通过仿真与实地试验数据验证。

第二项挑战在于智能体团队在有限信息交换条件下实现未探测区域的预测。为实现高斯过程训练的分散化,采用乘子交替方向法(Alternating Direction Method of Multipliers, ADMM),针对最大似然估计下的GP超参数训练提出分散式近端ADMM闭式解。通过迭代与共识方法实现多聚合技术的分散式GP预测。此外,提出基于协方差的最近邻选择策略,使智能体子集可独立执行预测。实证评估验证所提方法的高效性。

论文结构如下:第2章讨论相关研究工作;第3章聚焦水声通信性能的模型驱动预测;第4章阐述多智能体系统的分散式可扩展高斯过程;第5章总结全文并展望未来方向。

成为VIP会员查看完整内容
1
登陆后查看更多精品内容
VIP会员
本周荟萃主题
区块链
区块链(Blockchain)是由节点参与的分布式数据库系统,它的特点是不可更改,不可伪造,也可以将其理解为账簿系统(ledger)。它是比特币的一个重要概念,完整比特币区块链的副本,记录了其代币(token)的每一笔交易。通过这些信息,我们可以找到每一个地址,在历史上任何一点所拥有的价值。
深度学习
机器学习的一个分支,它基于试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的一系列算法。
机器学习
“机器学习是近20多年兴起的一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让 可以自动“ 学习”的算法。机器学习算法是一类从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论,机器学习与统计推断学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。很多 推论问题属于 无程序可循难度,所以部分的机器学习研究是开发容易处理的近似算法。”

——中文维基百科
强化学习
强化学习(RL)是机器学习的一个领域,与软件代理应如何在环境中采取行动以最大化累积奖励的概念有关。除了监督学习和非监督学习外,强化学习是三种基本的机器学习范式之一。 强化学习与监督学习的不同之处在于,不需要呈现带标签的输入/输出对,也不需要显式纠正次优动作。相反,重点是在探索(未知领域)和利用(当前知识)之间找到平衡。 该环境通常以马尔可夫决策过程(MDP)的形式陈述,因为针对这种情况的许多强化学习算法都使用动态编程技术。经典动态规划方法和强化学习算法之间的主要区别在于,后者不假设MDP的确切数学模型,并且针对无法采用精确方法的大型MDP。
推荐系统
推荐系统,是指根据用户的习惯、偏好或兴趣,从不断到来的大规模信息中识别满足用户兴趣的信息的过程。推荐推荐任务中的信息往往称为物品(Item)。根据具体应用背景的不同,这些物品可以是新闻、电影、音乐、广告、商品等各种对象。推荐系统利用电子商务网站向客户提供商品信息和建议,帮助用户决定应该购买什么产品,模拟销售人员帮助客户完成购买过程。个性化推荐是根据用户的兴趣特点和购买行为,向用户推荐用户感兴趣的信息和商品。随着电子商务规模的不断扩大,商品个数和种类快速增长,顾客需要花费大量的时间才能找到自己想买的商品。这种浏览大量无关的信息和产品过程无疑会使淹没在信息过载问题中的消费者不断流失。为了解决这些问题,个性化推荐系统应运而生。个性化推荐系统是建立在海量数据挖掘基础上的一种高级商务智能平台,以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。
卷积神经网络
在深度学习中,卷积神经网络(CNN或ConvNet)是一类深度神经网络,最常用于分析视觉图像。基于它们的共享权重架构和平移不变性特征,它们也被称为位移不变或空间不变的人工神经网络(SIANN)。它们在图像和视频识别,推荐系统,图像分类,医学图像分析,自然语言处理,和财务时间序列中都有应用。
计算机网络
计算机网络( Computer Networks )指将地理位置不同的多台计算机及其外部设备,通过通信线路连接起来,在网络操作系统及网络通信协议的管理和协调下,实现资源共享和信息传递的计算机系统。
命名实体识别
命名实体识别(NER)(也称为实体标识,实体组块和实体提取)是信息抽取的子任务,旨在将非结构化文本中提到的命名实体定位和分类为预定义类别,例如人员姓名、地名、机构名、专有名词等。
机器翻译
机器翻译,又称为自动翻译,是利用计算机将一种自然语言(源语言)转换为另一种自然语言(目标语言)的过程。它是计算语言学的一个分支,是人工智能的终极目标之一,具有重要的科学研究价值。
计算机视觉
计算机视觉是一门研究如何使机器“看”的科学,更进一步的说,就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取‘信息’的人工智能系统。
微信扫码咨询专知VIP会员