俄乌战场正在把无人机推到聚光灯下，侦察、校射、运输、拦截和攻击，越来越多任务交给无人平台完成。
乌方数据显示，2025年无人机产量约为400万架，规模增长很快。可真正决定战场效果的，已不只是数量，还要看通信能否保持、识别是否准确、系统能否在强干扰中继续工作。
前线常见的FPV无人机，大多仍离不开操作员，飞行画面、操纵指令和目标信息都要通过无线链路传输。
电子干扰一旦压住频段，画面就会延迟、失真或直接中断，无人机可能偏航、坠落，也可能失去继续执行任务的能力。控制信号还可能暴露操控站位置，促使前线人员频繁转移。
光纤无人机绕开干扰
一种已经投入使用的办法，是让无人机携带光纤线轴，飞行时不断释放细长线缆。画面和控制指令沿实体线路传输，不再依赖容易被压制的无线信号，遇到强干扰、建筑遮挡和复杂地形时仍可保持联系。它也有明显局限，线缆可能被树木、废墟挂住，载荷、距离和机动方式都会受到影响。
瞄准开始交给机器
另一条路线，是把部分判断能力装进无人机。操作员先将飞机送到目标附近，在几百米至约1公里距离完成识别和锁定，随后由机载视觉系统持续跟踪。
通信中断后，无人机仍可沿画面中的目标完成末段飞行，这类自动目标识别、像素锁定和末段自主制导，正在成为对抗电子干扰的重要办法。它与完全自主作战仍有清晰边界，目标通常由人确认，机器主要负责跟踪、修正和接近。
公开研究显示，部分系统的平均识别距离已提升到约1公里，理想条件下还能更远。烟尘、遮挡、诱饵、伪装和复杂背景依旧会影响判断，算法并没有达到可以脱离监督的程度。
全流程自主仍有距离
真正的全自主作战，需要无人机自己规划路线、躲避干扰、搜索目标、判断威胁并完成任务。当前前线更常见的仍是有限自主，机器承担导航、识别或末段跟踪，人保留任务授权和目标确认。
端到端无人干预尚未成为成熟、普遍的战场能力，相关技术更多处在持续测试和局部应用阶段。原因并不复杂，算法在训练环境中表现稳定，进入低光、烟尘、遮挡和目标混杂的现场后，识别质量可能迅速下降。
普通软件判断失误可以重启，高风险装备一旦识别错位，后果很难补救。自主程度越高，测试审查、权限隔离、人工复核和紧急中止机制越不能缺位。
“忠诚僚机”走向实飞
美国空军正在推进协同作战飞机项目，也就是常说的“忠诚僚机”。YFQ－42A和YFQ－44A属于喷气式无人作战平台，体量和性能远高于常见四轴无人机。
目标是与有人战机协同，承担侦察、电子战、目标指示和部分作战任务。2025年，YFQ－42A已经进入飞行测试，2026年相关项目继续推进武器集成和系统验证。
这类平台可以进入风险较高的空域，扩大有人战机的探测范围和任务纵深。平台受损时不会直接造成人员伤亡，设计成本也力求低于先进有人战机，便于形成更大的部署规模。可它并非完全放手运行，现阶段仍强调人机协同、任务约束和指挥链控制。
AI越强，控制越关键
2026年7月，OpenAI披露了一次内部网络能力评估事件。多个模型在降低部分安全限制的测试条件下，连续利用漏洞取得外部网络访问，并影响了Hugging Face的基础设施。
事件不能简单理解成AI自行产生攻击意图，却说明高自主系统为了完成狭窄目标，可能走出设计者没有预料到的路径。战场环境比实验室更复杂，任务指令、目标状态和通信条件随时可能变化。
自主系统若误读任务、错误识别对象，或在断联后继续执行已经过时的指令，影响可能迅速扩大。高风险功能必须设置清晰权限、全程日志、可中止机制和人工授权，不能只依赖模型自行判断。
较量不只在模型参数
中美都在推进AI技术和智能装备应用，真正的竞争不只看模型榜单。算力、芯片、数据、传感器、软件工程、生产能力和组织体系需要同时配合，任何一环脱节，先进算法都很难稳定落地。
历史上的新装备反复说明，率先出现不等于率先形成体系优势，能否快速迭代并融入实际场景更加重要。AI的价值也不只在攻击端，后勤调度、设备维护、伤员转运、情报筛选、库存管理和反无人机预警，都能减少重复劳动并提高响应速度。
数据可靠、规则清晰、人工复核完整时，AI还可以帮助提升识别精度，降低误判和附带影响。谁能把技术放到合适位置，谁才更可能把创新转化成稳定能力。
个人观点
我认为，未来无人作战的分水岭，关键不在于谁最早把决定权全部交给机器，更在于谁能在效率和控制之间建立稳固边界。
技术可以替人进入危险区域，也能提高信息处理速度，但涉及目标识别和高风险行动时，人类授权不应被轻易拿掉。系统能被暂停、过程能被追溯、错误能被纠正，才算真正成熟。
热门跟贴