傳統的電子戰是一場頻譜上的貓鼠遊戲——一方發射雷達波束，另一方偵測並干擾。但到了 2026 年，人工智慧正在將這場遊戲轉變為一個全新的維度。認知電子戰不再只是更快地檢測和干擾信號，而是讓電磁頻譜本身成為一個學習、適應和預測的智能戰場。這一轉變標誌著自雷達誕生以來軍事頻譜作戰最根本的範式轉移。
電子戰的歷史可以分為三個時代。第一個時代是二戰期間的簡單雷達干擾，當時鋁箔條是主要的對抗手段。第二個時代從 1960 年代持續到 2010 年代，以數字化雷達告警接收器和可編程干擾機為特徵——系統可以檢測威脅並觸發預設響應。第三個時代——我們正在進入的時代——是認知電子戰時代，其中機器學習算法實時分析整個電磁頻譜，自主識別新出現的威脅模式，並動態生成最優對抗策略，無需人類預編程。
從反應到預測：認知頻譜作戰的本質
傳統電子戰本質上是反應性的。一架戰鬥機的雷達告警接收器檢測到敵方火控雷達的鎖定，系統查找預先載入的威脅庫，並觸發預先錄製的干擾模式。這個過程的有效性完全取決於威脅庫的完整性和更新頻率。面對未知雷達系統或新型波形，傳統系統幾乎無能為力。
認知電子戰從根本上改變了這個範式。通過在機載邊緣硬件上運行深度強化學習模型，認知電子支援系統可以實時分析截獲的信號，識別其波形特徵、脈衝序列模式和調製方案——即使該信號從未被納入任何威脅庫。系統不是匹配預設模式，而是學習信號的內在結構。
美國國防高級研究計劃局（DARPA）的「行為學習自適應電子戰」（BLADE）和「射頻機器學習系統」（RFMLS）項目是這一轉變的先驅。BLADE 開發了能夠在作戰環境中學習新威脅並動態生成對抗措施的算法。RFMLS 則將機器學習應用於射頻信號分類，使系統能夠區分友方、敵方和中立信號，即使在信號環境高度密集和混亂的情況下。這些項目已從實驗室轉移到作戰測試，多個成果已整合到美國空軍和陸軍的下一代電子戰系統中。
深度強化學習與動態干擾策略
認知電子戰的核心技術引擎是深度強化學習。與傳統監督學習不同——模型在標註數據集上訓練，預測固定的輸出類別——強化學習通過與環境的持續互動來學習最優策略。在電子戰的背景下，智能體（干擾機）在電磁環境中行動（選擇干擾參數），接收獎勵信號（成功中斷敵方通信或雷達鎖定），並更新其策略以最大化累積獎勵。
這種方法在 2025-2026 年取得了突破性進展。研究人員證明，深度強化學習驅動的干擾系統可以在複雜的電磁環境中，在數分鐘而非數小時或數天內，收斂到接近最優的干擾策略。這些系統自主發現的干擾策略通常是反直覺的——利用了目標系統信號處理鏈中的微妙漏洞，而人類分析員從未識別過這些漏洞。
美國陸軍研究實驗室的 FREEDOM 項目——「多域作戰中電子戰的基礎研究」——正在資助解決硬體和算法層面問題的基礎科學：專為嵌入推理優化的射頻感知架構、AI 模型，以及能夠在爭奪頻譜中維持自主操作的閉環電子戰技術。該項目計劃在 2026 年 6 月對旅級戰鬥隊進行 AI 賦能電子戰能力評估，全面部署目標定在 2028 年。
對抗性 AI 與電子戰軍備競賽
認知電子戰的興起也引發了一個深刻的問題：當 AI 系統彼此為敵時會發生什麼？如果認知干擾系統可以學習適應敵方雷達，那麼同樣的技術也可以用來欺騙認知干擾系統本身。
俄羅斯軍事研究員已在開放文獻中發表了關於「對抗性波形生成」的研究——通過微妙調節其電磁輻射模式，故意誤導 AI 信號分類系統的技術。實際應用場景中，一個雷達或通信系統可以通過以特定模式細微調整其發射信號，使敵方的 AI 電子戰系統將其誤識別為非威脅目標，或應用無效的干擾響應。這與那些讓圖像分類器將停止標誌誤識別為限速標誌的對抗性樣本是同一原理。
這意味著電子戰內部出現了一個層疊式的 AI 軍備競賽：學會干擾的認知電子戰系統也必須針對對抗性輸入進行強化，這需要在傳感層進行基於 AI 的異常檢測，針對對抗性樣本進行穩健訓練，以及在高風險干擾決策中加入人機迴路驗證。
中國與俄羅斯：認知電子戰的競爭格局
美國並非唯一發展認知電子戰能力的國家。中國人民解放軍戰略支援部隊——負責電子戰——已發表了大量關於認知電子戰的研究論文，多所中國大學在 AI 信號處理和電子對抗領域設有活躍項目。技術方法與 DARPA 的工作相似：用於干擾策略優化的強化學習、用於信號分類的深度學習，以及用於波形生成的生成對抗網絡。
俄羅斯的認知電子戰發展則走了一條不同的道路——更多由烏克蘭戰場的作戰需求而非戰前研究投資驅動。「克拉蘇哈-4」寬帶多功能干擾站及其後繼型號已升級了 AI 輔助信號處理模塊。俄羅斯電子情報資產據報道已整合機器學習，以加速對烏克蘭和北約通信系統的特徵分析。
值得注意的是，中國和俄羅斯的方法與美國存在關鍵差異。美國的認知電子戰發展主要由 DARPA 項目和私營國防科技初創企業推動。中國的方法則更集中——由國家實驗室和軍事院校主導，戰略支援部隊統一協調。俄羅斯的進展更為漸進，以實戰經驗為基礎，但硬體更新週期較慢。
軟體定義無線電：認知電子戰的硬體基礎
認知電子戰不僅是算法的問題，也依賴於硬體的變革。軟體定義無線電（SDR）平台是認知電子戰的基礎層——它們允許通過軟體更新而非硬體更換來改變無線電的頻率、波形和協議參數。
到 2026 年，SDR 技術已達到一個轉折點。新一代 SDR 平台配備了足夠的處理能力來運行機載機器學習推理，而單位成本已低到足以支持大規模戰術部署。這意味著從單兵攜帶型干擾機到旅級戰術電子戰系統，都可以運行認知算法。差距不再在於硬體，而在於專門為國防電子戰問題空間訓練的 AI 模型、允許這些模型在符合模塊化開放系統架構的框架中運行的集成框架，以及驗證自主電子戰行為所需的評估基礎設施。
Operational Implications and Strategic Impact
認知電子戰的作戰影響遠遠超出了技術性能指標。從根本上說，它改變了電子戰的戰略計算。
首先，頻譜優勢從資源密集型轉向知識密集型。在傳統電子戰中，優勢來自於擁有更多的干擾機、更高的發射功率和更全面的威脅庫。在認知電子戰中，優勢來自於擁有更好的算法、更優質的訓練數據和更快的學習週期。這降低了硬體規模的重要性，而提升了軟體和數據能力的價值。
其次，認知電子戰顯著壓縮了傳感器到射手（sensor-to-shooter）的循環時間。傳統電子戰中，識別新威脅並部署對抗措施可能需要數天到數週——分析截獲的信號、逆向工程、開發干擾程序、載入作戰系統。認知系統可以在數秒到數分鐘內完成這個循環。這對於應對移動式、短暫性威脅（如開啟後僅幾秒鐘就關閉的敵方雷達系統）至關重要。
第三，認知電子戰模糊了電子攻擊、電子防護和電子支援之間的傳統界限。由於同一個 AI 系統同時管理感知、分析和響應功能，這些傳統上獨立的作戰領域在軟體層面變得不可分割。這對指揮和控制結構以及條令發展提出了新的要求。
天線台分析：認知電子戰的未來軌跡
展望未來五年，幾個關鍵趨勢將塑造認知電子戰的發展路徑。
短期（2026-2027），第一批作戰認知電子戰系統將進入有限部署。美國陸軍的 FREEDOM 項目評估和空軍的下一代電子戰系統將為認知電子戰的戰術實用性提供首個大規模測試案例。這段時期也將出現更多的對抗性波形攻擊研究，以及針對這些攻擊的防禦技術。
中期（2028-2030），認知電子戰將從單一平台能力擴展為網路化的協同系統。多個認知電子戰資產將共享頻譜感知數據，協調干擾策略以最大限度地覆蓋所有頻段，並動態分配任務以避免互相干擾。這需要在電子戰資產之間實現低延遲、抗干擾的數據鏈——這本身也是一個認知電子戰應用的問題。
長期來看，認知電子戰將是未來電磁頻譜作戰的基礎——融合電子戰、通信和雷達功能於一個統一的、AI 驅動的頻譜管理框架中。這將使頻譜成為一種動態分配的作戰資源，就像今天的火力打擊一樣精確和靈活。認知電子戰不僅是對現有能力的改進——它是軍事頻譜優勢的根本性重新定義。
免責聲明：本文所載資料僅供參考，不構成任何投資建議或商業決策依據。數據及時間資訊以發布當日為準，可能隨後續發展而有所變動。作者及POC.HK不對因使用本文資訊而導致的任何損失承擔責任。