面向军事训练情景的 AI 辅助生成
人工智能
2025-11-12 v1
摘要
实现仿真训练中的专家级水平依赖于创建复杂且可适应的情景，而这一过程传统上既费时又耗费资源。虽然先前的研究探索过军事训练情景的生成，但在 LLM 出现之前的 AI 工具在生成足够复杂或可适应的情景方面始终不足。本文引入了一个多智能体、多模态推理框架，利用大语言模型（LLM）生成关键训练制品，如作战命令（OPORD）。我们通过将情景生成分解为层次化的子问题，为每个子问题定义 AI 工具的角色：（1）生成供人类作者选择的选项；（2）产生供人类批准或修改的候选产品；或（3）完全自动生成文本制品。我们的框架使用专门的 LLM 代理处理各个子问题。每个代理接收来自前一子问题代理的输入，整合文本化场景细节和视觉信息（例如地图特征、部队位置），并应用专门的推理以产生恰当的输出。后续代理依次处理这些输出，保持逻辑一致性，确保准确的文件生成。这种多智能体策略克服了基本提示或单智能体方法在处理高度复杂任务时的局限性。我们通过一种概念验证进行了验证，生成了作战方案和行动章节的 OPORD，同时估计地图位置和行动，以证明其可行性和准确性。我们的结果表明，LLM 驱动的多智能体系统有望生成连贯、细致入微的文件，并能动态适应变化的情况，推动军事训练情景生成的自动化。
引用
@article{arxiv.2511.07690,
title = {Towards AI-Assisted Generation of Military Training Scenarios},
author = {Soham Hans and Volkan Ustun and Benjamin Nye and James Sterrett and Matthew Green},
journal= {arXiv preprint arXiv:2511.07690},
year = {2025}
}