认知电子战：系统究竟在“学”什么

JED 2026年7月深读｜从感知、知识到学习，读懂认知系统的概念边界

屏幕上的信息持续刷新，系统根据输入自动作出反应，界面上还能看到一个AI标识。这样的系统是否已经具有“认知”能力？在技术报道里，这几种现象常被放进同一句话，却未必说明同一件事。数据变了、输出变了和系统学到新知识，之间还有需要解释的距离。

JED 2026年7月号，Karen Zita Haigh在〈Inside a Cognitive EW System〉中提出一套理解框架：态势评估、决策和学习持续相互关联，领域知识贯穿其中。文章最关键的区分是，即使系统能够循环感知并进行推理，只要它仍完全依赖事先整理好的静态知识，在作者的定义下就还没有达到完整的认知要求。

这篇短文适合用来厘清概念。它没有展示某一型号的测试成绩，也没有给出一套可以直接照搬的实现。本文沿着作者的论证展开，重点讨论系统观察到了什么、依据什么解释、学习究竟改变了什么，以及读者需要哪些证据才能判断这些说法。

一、四个特征，不能压缩成一个“自动”

图1　原文四种认知特征的阅读提示。根据Haigh的概念论述自绘；四项为性质区分，不构成认证等级、能力评分或实现流程。

原文从四个词开始：迭代、交互、审思与变革。迭代强调过程会反复进行；交互强调系统与环境之间存在相互影响；审思强调行动之前包含面向目标的推理；变革强调系统能够改变其理解和处理问题所依赖的知识。这是本文作者采用的认知系统框架，不能直接写成所有研究领域已经一致采用的定义。

这四个词各自排除了一个常见混淆。一个程序可以不断循环，却始终执行同一条规则；一个装置可以对输入立即反应，却没有比较不同解释；一个系统可以根据完整规则进行复杂推理，却从未修订那些规则。它们可能具有很高的自动化水平，但自动化程度并不能替代作者所说的学习能力。

图1将四个特征并列，是为了让读者看到需要分别解释的问题。它们不是从低到高的四级认证，也不能简单相加得到一个智能分数。原文关心的是这些性质如何共同作用，尤其是最后一项怎样让系统不再只受限于运行前已经准备好的知识。

二、先把观测、解释与判断分开

原刊把态势评估展开为五个环节：采集、验证、融合、判断影响和推断意图。这个划分提醒我们，从传感器输出到对环境的理解，中间并不是一条没有损失的传送带。越往后，结果越依赖已采用的知识、上下文和推理假设。

采集得到的是观测记录。融合尝试把多个来源组织成相互联系的描述。判断影响开始讨论这些描述意味着什么，推断意图则进一步涉及对参与者目标与后续行为的解释。后两类输出不能因为出现在同一张界面上，就被看成与原始记录具有相同确定性的事实。

例如，一份分析结果写“出现了此前没有记录的变化”，与写“已经理解变化的原因”，需要的证据显然不同。前者可以来自对记录的比较，后者还包含对替代解释的判断。本文用这个一般性例子说明信息层次，不把它当作原刊报告的具体实验。

三、数据验证为什么放在融合之前

Haigh特别提醒，传感器可能失效，数据也可能受到人为操纵。原文中的验证因此不只是检查文件能不能打开，而是关注采集信息的准确性、可靠性和相关性。对于持续流入的大量数据，能够被处理，并不代表值得同等程度地信任。

这三个问题也并不相同。记录可以格式完整却对应错误时间，可以来自正常工作的设备却与当前讨论无关，也可以看起来与其他记录一致却共享同一个错误来源。把它们都压缩成一个“数据有效”标志，会让后续解释失去必要的背景。这里讨论的是数据含义，不是在补写原文未公开的检测算法。

融合能够组织信息，却不能凭空生成证据。若多个描述其实来自同一次观测，它们在文字上相互支持，也不等于出现了多份独立证据。由此得到的阅读启发是：看到“多源融合”时，既看来源数量，也看这些来源之间的关系。原文给出了功能环节，具体独立性和可靠性仍需要另行说明。

四、数据越多，系统越需要说明自己保留了什么

原文指出，电子战数据以流的形式持续产生，数量很大，其中相当一部分会被丢弃。这句话容易在介绍AI时被略过，却触及了一个基础问题：系统后续能够学习和解释的对象，未必等于最初产生的全部信息。进入处理链的记录，本身已经带有选择结果。

从资料阅读角度看，“没有看到”至少存在不同解释：现象确实没有发生，观测没有覆盖，或者信息没有进入被保留的记录。仅凭一个空白结果，通常无法在这些解释之间作出确定选择。这个区别在任何依赖采样与记录的系统中都值得保留。

因此，评估一个学习能力的报道，如果只展示最后的输出，而不交代它面对的输入范围，读者就难以判断其结论适用于哪里。这里并不要求文章公开所有原始数据，而是说明输入的来源、时间范围与筛选条件属于结果含义的一部分。学习对象经过什么选择，会影响对“学到了什么”的理解。

五、四类知识，对应四种不同的问题

原文将领域知识分为频谱知识、辐射源知识、态势知识和任务知识。频谱知识涉及电磁环境的物理基础；辐射源知识涉及设备层面的工程认识与约束；态势知识描述当前对环境及辐射源位置的了解；任务知识包含准则、目标与任务目的。它们在图中彼此联系，但承担的解释责任不同。

可以把这四类知识理解为四个问题：现象受什么物理条件约束，所讨论对象有哪些已知特征，现在的环境被如何理解，以及当前关心什么目标。这样读，能够避免把“知识库”想成只有一张型号对照表，也能避免把一个模型的输出当成全部领域知识。

这里最需要注意的是时间含义。某些物理关系具有较强稳定性，而环境描述会随着新的观测变化；任务目标与设备约束又有各自的来源。作者把它们归入同一框架，不等于它们都以相同速度变化，更不意味着一种新观测可以不加区别地改写所有知识。

表1　原文四类领域知识及其阅读边界

六、刷新状态，与改变解释方式有什么不同

图2　观测记录更新与解释知识更新的区别。编辑自绘，以一般信息系统为例；不是具体认知电子战产品的结构图，也没有规定学习算法。

这是理解全文的关键。系统根据新输入给出新的状态，并不必然意味着它学到了新的解释方法。一个事先写好规则的程序，也能随着输入变化不断刷新输出。原文所谓变革性，强调的是用于感知、推理和行动的知识模型本身能够被修订。

用一个与军用设备无关的例子说明：室温显示从二十摄氏度变成二十一摄氏度，说明观测值更新了；根据既有规则把它显示为不同颜色，说明规则被执行了。如果系统由新的证据发现原有温度解释关系不再适合当前房间，并形成了经过检验的新解释，才涉及更接近本文讨论的知识变化。这个例子仅用来区分概念。

同样，保存更多历史记录，也不自动等于学习。资料可以越积越多，而处理这些资料的方式始终不变。真正需要说明的是：新增记录改变了哪项认识，这项改变依据什么，以及改变后的解释与原来相比有什么可证明的差别。否则，“持续学习”可能只是给持续记录换了一个名称。

七、实时推理与运行中学习，时间含义不同

原文强调，知识更新要发生在与当前任务相关的时间尺度上，而不是全部留到任务结束后的分析中。这一限定构成了作者论证的重要部分。按照她的框架，仅在后台定期整理新资料、等下一次使用前再更新系统，与运行时依据新信息改变认识，具有不同含义。

这里还有一个容易混用的词：实时。一个固定模型可以很快产生结果，但很快得到结果并不意味着模型在这个过程中发生了学习。反过来，一个系统能够修改知识，也不能仅凭这一点证明更新足够及时。结果生成速度、知识更新发生的阶段和新知识何时可被采用，需要分别交代。

原文没有给出一个适用于所有系统的毫秒阈值，也没有把某个芯片速度作为认知能力的判据。“与任务相关”是上下文要求，不是可以抄进所有参数表的固定数值。将它理解成越快越认知，反而会忽略作者关心的知识变化。

八、知识修订应当有明确的对象

Haigh举出的变化包括修订频谱模型、细化对辐射源的认识、更新对环境的理解，以及随条件变化调整对任务优先次序的考虑。这些表述共同指向一个方向：系统不只是机械执行预先列出的全部情形。不过，每一种修订究竟意味着什么，仍然要回到它对应的知识类别。

例如，关于当前环境的认识改变，不能被写成电磁物理规律改变；对某类对象形成了新描述，也不等于所有旧记录已经失效。任务知识涉及目标与准则，原文所说的适应性也不能直接解释为系统自行获得了改写目标的权限。概念图里的连线说明信息有关联，不能代替对这些边界的说明。

从文章解读角度，比较可靠的表述应当具体到“什么认识发生了变化”。若报道只说整个系统会自我进化，却没有指出变化对象，读者就很难判断它谈的是数据库维护、环境估计、模型修订，还是目标理解。把对象写清楚，比使用一个覆盖所有变化的大词更有解释力。

九、决策框图里的“最好”，离不开前提

原刊把决策部分概括为规划、优化和调度。规划形成面向目标的考虑，优化在给定条件下比较方案，调度进一步涉及安排。作者用引号标出了“最好”的方案，这个细节值得保留：最好通常是相对于目标、可用信息和约束而言，不能理解成不依赖条件的绝对最优。

这也说明为什么领域知识不能只是图中的一个装饰性方框。对环境的解释、对设备条件的认识和对目标的理解，会影响“好”的含义。若输入知识不同，即使两套系统的决策模块都被称为AI，它们也可能是在回答不同的问题，不能只比较框图上是否写了同一个词。

本文在这里停留于原文的功能分工。两页专栏没有提供具体优化方法、评价函数或可复现实验，因而不能据此宣称某种实现已经优于其他实现。概念框架帮助读者提出问题；回答性能问题，需要另一类材料。把两者分开，是阅读这篇专栏的基本前提。

十、人机界面的“可选”，需要放回图的语境

原文在介绍态势评估结果时，提到一个可选的人机界面。它把高速信息处理的结果转换成人能够理解的速度与形式，也允许人提供较高层次的决策指引。这里强调的是信息呈现与指引层次的差别，并不是让操作者逐项追赶全部原始数据。

由此不能推出，凡是认知系统都不需要人的角色。图中一个界面模块是否出现，与谁规定目标、谁解释结果、谁承担监督责任，不属于同一个问题。NIST在2023年AI风险管理框架的附录C中，也把不同人机配置中的角色与责任区分作为明确问题提出。这里引用的是通用AI讨论，并非将其当作本篇电子战框图的认证标准。［资料3］

对读者而言，一个界面看起来简单，未必意味着背后的责任关系简单。状态提示、解释性信息与人的指引分别解决不同需要。原文的贡献在于指出机器处理节奏与人的理解节奏不同；具体产品是否把这层关系处理好，还需看到实际使用与评价材料。

十一、知识发生变化，不等于变化已经有效

学习意味着系统的某些认识可以改变，但改变本身没有预先保证正确方向。一次结果不同，可能反映新认识，也可能来自不同输入、不同环境或错误信息。若仅凭输出发生变化就认定学习成功，就跳过了“这项变化是否有根据”的问题。

作为通用参照，NIST的AI风险管理框架强调，有效性和可靠性需要结合预期用途、测试条件与持续观察来判断；准确性数值也应与测试集和方法一起理解。该资料没有替任何认知电子战系统给出合格结论，却提醒我们不能把“能更新”直接当成“值得信任”。［资料3］

放回Haigh的文章，读者可以明确区分三类陈述：作者主张需要这种能力，框架描述这种能力应改变什么，以及具体系统已经证明具有这种能力。前两类是这篇专栏的主体，第三类需要单独的实证。这样阅读，既不会抹去概念文章的价值，也不会给它增加原文没有提供的证明。

十二、这张框图能解释什么，又留下什么

原文的两张图解决了两个层次的问题。循环图说明态势评估、决策和学习不是一次性结束的步骤；展开图则把感知环节、知识类别与决策分工联系起来。它们让“认知”从一个形容词变成若干可以讨论的关系，但没有规定所有系统都必须按图拆成相同模块。

尤其需要避免把框图当成完整设备设计。实际采用哪种模型、哪些信息能够更新、适用范围有多大，以及如何判断新知识可靠，原文都没有展开成可复现的说明。作者在结尾表达了认知能力对于动态环境的重要性，这是她的研究判断，不应被改写为已经逐一排除其他路线的实验结论。

对这篇文章更有价值的读法，是把它用作术语对照：看到“自适应”，追问变化的是输出还是知识；看到“在线”，追问发生在线的是推理还是学习；看到“智能”，追问有哪些可以说明的证据。这样形成的判断习惯，也适用于阅读其他依赖数据和模型的信息系统报道。

十三、让“会学习”成为能够解释的技术陈述

Haigh的论证把注意力从一个固定算法，转向系统对自身知识的处理方式。观测会变化，解释依赖知识，知识又可能因为新的经验而被修订。在这个框架中，学习之所以重要，是因为它改变了后续理解问题的依据，而不仅仅是在流程末尾多加了一个名称。

对技术读者来说，可以把“系统会学习”还原成一个完整陈述：它针对哪类知识，依据哪些信息，在什么阶段形成了什么变化，又有何证据说明这项变化有用。原文并未替所有产品回答这些问题，但它提供了一条清晰的概念线索，帮助读者识别报道中哪些内容已经解释，哪些还只是一项主张。

当这些区别被说清楚，认知电子战的讨论才不必停留在AI标签上。我们既能理解作者为什么重视运行中的知识更新，也能保留对数据、上下文和验证材料的要求。真正值得关注的，不是框图里有没有“学习”二字，而是系统的认识发生了什么可说明、可核对的变化。

资料来源与说明

资料1：Karen Zita Haigh，〈Inside a Cognitive EW System〉，JED，2026年7月，第37—38页。排除第38页3H Communication Systems广告及二维码。

资料2：Karen Zita Haigh、Julia Andrusenko，Cognitive Electronic Warfare: An Artificial Intelligence Approach，第2版，Artech House，2025年。仅核对原刊所引书目的作者、版次和年份，未将出版说明当作实证。

资料3：NIST，Artificial Intelligence Risk Management Framework（AI RMF 1.0），2023年，第3节及附录C。仅用于通用的有效性、可靠性与人机角色说明。外部资料于2026年9月19日核对。