暴雪覆盖失效后，辅助传感器通过监测温度、地形坡度判断环境；通信信号中断时，启用声波通信传递简易指令。最终，装备在无卫星数据支持的情况下，仍按计划完成了目标搜索任务。但测试也暴露出经验库覆盖不足的问题，针对“火山喷发周边区域”等罕见极端场景，AI因缺乏对应经验，决策效率大幅下降。

    为弥补这一短板，赵阳启动“极端场景联合推演计划”，联合全球15家极端环境研究机构，模拟“火山灰覆盖”“冰川消融洪水”等50种罕见场景。团队借鉴《三国演义》中“诸葛亮推演八阵图”的系统思维，对每种场景的环境特征、装备失效模式、应对策略进行系统化梳理，形成“场景-应对-复盘”的闭环数据，持续丰富决策经验库。经过半年的推演，AI对罕见极端场景的决策响应速度提升至2秒内，满足实战需求。

    AI决策系统研发进入中后期，人机协同的融合问题逐渐凸显。在多次模拟演练中，AI的快速决策与人类指挥人员的经验判断常出现分歧，导致行动延误。例如，在城市反恐场景中，AI根据数据判断应立即强攻，而人类指挥官基于对现场平民情绪的感知，认为应优先谈判，双方决策冲突导致错失最佳处置时机。

    “古代战场中，主将与谋士的协同决策至关重要，主将负责全局判断，谋士提供具体方案，二者相辅相成。”王玲在人机协同研讨会上提出“层级协同决策模型”，明确AI与人类指挥官的职责边界：人类指挥官负责“战略目标设定”“价值判断”“伦理决策”等抽象层面工作；AI承担“数据处理”“战术生成”“行动执行”等具体任务，形成“人主导、AI辅助”的协同模式。

    为实现高效协同，林薇参考《尉缭子·兵权》中“夫勤劳之师，将必先己”的指挥理念，设计“意图交互接口”：人类指挥官通过语音、手势等自然交互方式，向AI传递战略意图；AI将复杂的战术方案转化为可视化图表、简化指令，便于指挥官快速理解。例如，指挥官下达“优先保障人质安全”的战略指令后，AI立即