人工智能频谱管理的学习与验证边界

JED 2025年8月 Jeff Fischer评论深读

一名经验丰富的电子战人员，可以把分散的信息放回具体情境，判断哪里存在问题。如果希望计算机承担其中一部分工作，仅仅把更多信息送进模型，并不能自动复制这种判断。资料怎样表达经验、模型在什么条件下可靠、人员怎样保留控制能力，都会影响人工智能的实际价值。

退役美国空军上校Jeff Fischer在2025年8月JED发表《Electromagnetic Warfare: The Matrix Before The Matrix Was Cool》，借《黑客帝国》的意象提出人工智能与人共同管理电磁频谱的愿景。[1] 这是一篇从个人经历出发的评论。本文保留其问题意识，并从数据、兼容性和验证角度作编辑解读。

01 人员压力是这篇评论的起点

Fischer回忆，在空中作战中心，电子战管理单元往往只有5至10名专业人员，而与空中行动有关的其他工作由数百人共同承担。他用这种反差说明自己的感受：电磁频谱相关工作长期没有获得与复杂程度相称的资源。数字来自作者经历，不是一份附有调查样本的全军编制统计。

作者简介列出他在EC-130H上的领航、教学和武器官经历，以及后来与海军的交流任职。这解释了文章为什么围绕管理人员的工作压力展开，也提醒我们保留其观察范围。个体经验能够提出重要问题，但不能直接回答不同单位、时期和任务应当配置多少人。

原文同时肯定第350频谱战联队当时正在推进的工作，并未声称此前完全没有改进。Fischer的进一步判断是，即使增加人员，信息的规模与变化速度仍可能使人力难以独立应对，因此值得探索人工智能辅助。这里包含资源配置问题，也包含处理方式问题。

从编辑角度看，这两类问题需要分别验证。减少重复整理工作，可能为专家留出判断时间；但模型也会增加资料维护、结果复核和版本管理工作。原刊没有给出采用人工智能后的人员测算，因而不能把这篇评论读成一个已经证明能够削减编制的方案。

02 五维比喻说明了什么

图1 对原刊论述类型的编辑整理。作者经历、解释性类比和未来愿景各有不同作用；本图不代表任何已实现系统。

作者把位置的三个维度与时间放在一起，再为电磁频谱问题加入频率维度，称之为“五维”管理。他希望读者看到，同一位置在不同时间和频率条件下，相关信息与使用需求可能不同。只看平台位于哪里，未必足以理解其电磁环境。

这一表达有直观价值，却不是严格的工作量模型。由四个变量增加到五个变量，不能推出人员应当增加四分之一，也不能仅凭维度数量证明复杂性必然按指数增长。任务怎样划分、信息是否完整、变量之间有哪些关系，都会影响实际处理难度。

原文用从1 Hz到紫外线的宽范围强调频谱问题的广度。它没有为某个系统规定必须覆盖的全部范围，更没有给出统一的采集密度和更新周期。将这句修辞直接变成设备带宽要求，会超出评论提供的信息。

更有用的阅读方式，是把“五维”看作对观察角度的提醒：同一张态势图背后，还存在时间、频率和信息来源的条件。由此产生的问题是如何保留这些条件，而不是把所有可想象的数据都集中起来，再期待计算资源自然给出正确答案。

03 观察决策不等于理解决策

Fischer设想，让模型在演训和仿真中观察人员的决策，逐渐学习管理工作。他承认初期软件会出错，需要人来纠正，随后期待系统在速度和效率上取得优势。这描述了一个学习方向，但没有指定算法、训练资料结构或评估结果。

从一般数据问题看，记录“最后选择了什么”，与记录“为什么这样选择”并不相同。例如，一位专家可能因为资料缺失而保守处理，也可能因为已知限制而放弃某个看似合适的选项。如果记录只保留最后动作，后来的学习者就看不到影响判断的条件。

结果反馈同样不能省略。一个决定被执行过，只能证明它发生过；是否达到原定目的、是否产生其他影响，还需要另外观察。把历史选择全部当成正确答案，容易把当时的局限一起带入学习资料。这是对原文设想的编辑分析，不是作者已经公布的数据清洗方法。

因此，数十亿次决策这样的规模描述，需要与资料涵盖的情境一起看。大量重复情境可能增加样本数，却未必补齐少见情形；缺少背景的记录也不会因为数量增加而自动恢复背景。判断系统有没有学会某项工作，仍要回到明确定义的任务和独立观察到的表现。

04 演训表现需要保留应用条件

原刊列举Red Flag、Green Flag、武器学校任务运用阶段和仿真环境，把它们看作学习机会。这样的环境可以组织活动并观察结果，但“适合取得资料”与“足以证明全部应用能力”是不同判断。文章没有提供覆盖范围、错误分类或对照评估。

NIST在2023年发布的《人工智能风险管理框架1.0》中，要求在与部署情境相似的条件下展示和记录性能，并说明超出开发条件后的泛化限制。[2] 这是通用的自愿性框架，不是针对Fischer设想作出的认证结论。

借此回看原文，我们可以区分两种提问：模型是否熟悉所见资料中的模式，以及它在资料不完整、条件变化时是否仍能提供有用结果。两者都值得研究，但前一种表现不能替后一种作答。演示中的成功片段，也不能代替对失败情形的记录。

训练期间的人为纠正尤其需要保留上下文。某次纠正可能修复了模型错误，也可能只是体现不同人员的偏好。要把它用于后续学习，需要知道纠正缘由及结果。否则，“有人改过”只能作为一条事件记录，难以直接成为普遍适用的知识。

05 兼容性让原型故事有了现实分量

评论后半部分提到一名乌克兰士兵开发的初步系统，可以绘制频谱信息并逐渐“学习”。按Fischer的叙述，该想法曾向美国国防部长办公室的联合快速采办单元提出并获得支持，但与既有美国无线电及采集设备不兼容。这是作者转述的个案，原文未提供系统名称、试验报告或合同证据。

这段材料能支持的结论很有限：作者见到或获知了一条探索路径，并认为兼容性构成障碍。它不能证明一个通用系统已经完成验证，更不能把“支持想法”改写成正式采购或部署。保留这些层次，反而能看清故事真正值得讨论的部分。

从编辑角度看，兼容性不只是插头能否接上。不同设备输出的信息是否表达相同含义、时间条件是否清楚、缺失值与异常状态是否能被正确理解，都会影响接收方的判断。模型无法仅凭一个数据字段的名称，就知道其生成过程和适用边界。

原型能够显示某种图景，说明它在特定输入下完成了相应处理。推广到其他设备时，输入来源和限制可能发生变化，原先的成功结果因而需要重新解释。这种差别适用于许多信息系统，不必等待模型规模增大后才考虑。

原刊把兼容性留给“另一天的文章”，却恰好指出愿景与现有系统之间的一道门槛。一个有价值的研究原型可以推动问题被看见；它与长期可维护的产品之间，还隔着资料约定、集成验证和持续支持。评论没有给出这些工作的完整成本。

06 毫秒响应必须说明计时范围

图2 一般信息系统中计算时间与完整响应范围的概念示意，编辑自绘。各阶段无实测数值，框宽不代表时间比例，也不是电子战系统实施流程。

Fischer预期，未来人工智能能够以毫秒尺度完成许多决定。这是愿景中的速度表述。原文没有列出测试硬件、输入规模、计时起止点或响应时间分布，因此不能把“毫秒”转写成一项已经测得的系统指标。

在一般计算系统中，模型输出所花的时间，只覆盖完整处理的一部分。信息还要到达并被整理，结果要传递，后续处理是否完成也需要确认。如果报道只给模型计算速度，就无法从这个数字直接知道使用者何时获得最终结果。

图2用不带数值的范围图说明这个差别。框的宽度没有耗时含义，也不为任何具体设备规定流程。它只是提醒读者：比较速度之前，先确认两份材料在测量同一件事情。否则，一个较小数字可能来自较窄的计时范围。

速度与判断质量也需要同时考察。更早得到一条依据不足的建议，未必减少人员的实际工作；如果还要花时间重新核对来源，局部计算收益可能无法直接转化为整体收益。原刊提出的效率优势，需要这类完整使用情境中的证据来支撑。

07 人工接管需要明确职责

作者为自己的自动化愿景保留了人工角色：软件早期出错时由人纠正，更关键的决定再交给人处理。不过，评论没有解释“关键”由谁界定，也没有说明人员获得哪些信息、是否有时间判断，以及系统未能识别自身错误时怎样处理。

NIST框架的GOVERN 3.2关注人机配置与监督中的职责区分，MANAGE 2.4则关注系统偏离预期用途时的替代、脱离或停用机制。[2] 这些表述把“人在其中”展开为可理解的责任关系，而不只是界面上存在一个确认按钮。

从使用者角度看，建议的理由、相关资料的时间和系统承认的局限，会影响人能否作出独立判断。如果所有信息都被压成单一结论，人员虽然保留名义上的决定权，却未必保留充分理解问题的条件。真正的人机协作，需要信息与责任一起交接。

这也改变了对“减负”的理解。自动化可以减少某些重复工作，同时可能把人员工作转向监督、异常解释和系统维护。是否减轻总体负担，应当观察工作如何变化，而不能只统计软件自动完成了多少次处理。Fischer的评论为这种讨论提供了起点，尚未给出最终答案。

08 自动驾驶类比的启发与边界

原文以Tesla自动驾驶的发展作为类比，认为计算机会在持续学习后变得更熟练，并提到Austin的机器人出租车。Tesla的2025年第二季度官方更新确认，首项Robotaxi服务于当年6月在Austin启动，同时明确初期范围有限。[3] 这支持服务启动的历史事实，不能支持“不受条件限制地掌握驾驶”的判断。

类比能够表达作者的期待：通过资料与反馈逐步改进软件。但道路驾驶与频谱管理面对的输入、约束和结果评价不同。一个领域取得的进展，不会自动成为另一个领域的性能证据；从演示到广泛使用的差距，也不能凭一句“同样使用人工智能”而省略。

原刊还把Dojo等计算平台与“掌握驾驶”放在同一叙述中。阅读时需要分清支撑计算的设施、经过训练的模型和实际运行的完整服务。设施能力可以为研究提供条件，却不能单独证明服务已经覆盖所有预期情形。这是概念层面的区分，并非对Tesla产品能力作新的测评。

对这篇评论更公平的读法，是既不把乐观设想当成定论，也不因为缺少完整验证就否定问题本身。作者确实指出了人员负担与信息处理之间的矛盾。后续需要回答的，是哪些具体工作可以得到可靠帮助，以及这种帮助在什么条件下成立。

09 从愿景回到能够核对的陈述

下面将原刊的几类陈述放在一起。它们不是成熟度评分，也不是对某一原型的验收。表格的作用，是避免在转述过程中把不同性质的信息压成同一种“能力已经具备”的结论。

对于技术读者，一篇短评论的价值常在于提出值得持续跟踪的问题。后来的资料若披露输入条件、评估范围和失败记录，就能进一步讨论其能力；若只重复宏大比喻或处理次数，信息量并没有相应增加。判断应随新增证据调整，而不是随宣传措辞升级。

表1 原刊陈述与对应的证据范围

让智能辅助的价值可以被检验

Fischer希望计算机帮助专业人员处理难以独立承担的信息工作。把这个愿望落实到可信的讨论，需要先看资料有没有保留情境，原型能否与既有系统正确交流，以及人员是否仍能理解并控制结果。这样提出问题，才能让下一份进展报告说明它究竟解决了哪一部分困难。

资料来源与说明

[1] Col. Jeff Fischer, USAF (Ret.). Electromagnetic Warfare: The Matrix Before The Matrix Was Cool. JED，2025年8月，第36页。

[2] NIST. Artificial Intelligence Risk Management Framework (AI RMF 1.0)，NIST AI 100-1，2023年1月；GOVERN 3.2、MEASURE 2.3及2.5、MANAGE 2.4。

[3] Tesla. Q2 2025 Update，第3页Summary，关于Austin Robotaxi于6月启动及初期范围的说明。