●智能化作战离不开算法的支持。算法是机器用来解决问题的指令和规则的序列，是人工智能技术的核心。在算法的支撑下，人工智能的反应速度是人类的成百上千倍，算法以其高速、精确的计算，代替人的“苦思冥想”和反复推敲，加速知识的迭代。但是现阶段算法支撑仍然有其一定局限性。
未来作战中，具有高效计算能力的算法能够贯穿智能化作战的OODA环，压缩“观察－判断－决策－行动”周期，不断打乱对手的既定企图和部署行动，形成非对称作战优势。掌握算法优势的一方，可快速准确预测战场态势，调控作战行动，设计作战样式，创新作战方法，达成未战而先胜的作战目的。然而，支撑的智能化作战的算法，在一定程度上存在局限。
算法内涵的不可控性，使输出作战行动具有意外性。大数据的迅猛发展为机器学习算法提供了肥沃的土壤，算法的有效性严重依赖数据的数量和质量，一般用于训练学习算法的数据量越多，算法的学习性就能表现得越优秀。除数据量外，算法对数据的质也有更高要求，算法需要标准化、规范化、经过校核和验证的数据，低质量数据会误导算法，使其输出不可控。微软公司曾在推特社交平台上推出一款名为Tay的智能聊天机器人，通过原有清洗过的训练数据和网上互动数据进行机器学习。然而，推特上的不良语言环境导致其最终被迫关闭。智能化作战通过全时空覆盖的物联终端、物联网络等信息实体系统，对战场数据实时自动采集、传输、处理、分发，战场侦察是获取数据，情况判断是分析数据，决策计划是利用和产生数据，基于这些数据进行算法学习训练，快速得出行动指令，可以说智能化作战行动是由数据驱动的结果。设想在实施智能化作战时，一旦数据的质和量达不到算法学习的要求，如战场上获取的数据非常有限，或得到数据为敌方故意设置的“脏数据”，这些数据经过算法得出的结果，可能会出现像Tay类似的问题。算法的不可控，导致智能化作战行动的不可控，甚至可能出现错误的行动指令，使得智能的效果适得其反。
算法存在低通用性，输出作战模式具有特定性。现阶段的智能算法只适用于某个具体问题，即使问题仅作非常小的更改，也无法处理，算法的通用性较差。2016年，AlphaGo通过学习海量人类棋谱打败世界围棋冠军李世石，2017年，新版AlphaGo Zero又在不需要任何人类经验的条件下以100∶0的战绩打败其前任AlphaGo。但这一切仅限于19×19英寸的棋盘，若要应用于其它尺寸棋盘或棋类，则需进行繁琐的算法代码更改和重新训练。算法具有极强的领域适用性，即设计的下围棋算法就只能用来下围棋，而不能用来下象棋或跳棋，这种低通用性使算法很难将一个环境中所学的知识迅速应用到另一个环境中。智能化作战中的算法也同样存在类似困境，目前的算法更适合在低复杂度、不确定小的作战环境中运行，比如环境变化率低、障碍物少的海上和空中作战环境。未来作战涉及陆、海、空、天、电、网等多维环境，战场环境高度复杂，不确定性程度高，智能化作战在多维环境中展开，其作战样式具有发散性和不收敛性，作战环境的微小改变都可能使得算法失效，样式之间差之毫厘，导致算法应用失之千里。正如AlphaGo的棋盘一样，只能在预置好的棋盘下棋，换一种棋盘，就可能满盘皆输。
算法发生非本源性，输出作战战法具有机械性。目前人工智能应用最普遍的方法是机器学习，机器学习是一种基于统计的算法，机器学习算法主要通过分析大型训练数据集，根据人工标注的标签进行学习，在学习过程中创建统计模型，从而复制人类的认知任务。机器学习算法确定某些事件发生的可能性是通过概率计算得到的，通常情况下选择概率最高的结果，而不像人类那样具有冒险精神。例如，AlphaGo的工作原理是通过两个不同神经网络“大脑”落子选择器和棋局评估器的合作来下棋的，落子选择器通过棋局评估器对棋盘布局的价值评估来决定最佳的下一步，每一步都选择获胜概率最高的符合围棋行动规则的步骤。AlphaGo之所以能够成功，依靠的是神经网络的深度及强大的计算能力，而并非创造力，AlphaGo每一步决策的选择范围均囿于围棋的有限行动规则。目前的机器学习算法只能用来解决军事领域中特定的某些任务，如图像识别、自然语言处理、语音识别等，来辅助指挥员决策，而不适合用来独立指挥决策，定下决心方案。算法本身的学习机制具有非源创造性特点，使其在输出端缺乏一定的创新性。智能化作战有别于其他作战形态，在战法创新上必须打破现有思维方式，推陈出新，形成完全有别于以往的战法，才能在智能化作战中争取主动，抢占先机，而基于统计算法的学习机制缺陷，限制了智能化作战战法创新的想象空间，利用历史数据的机器学习算法无法实现战法的飞跃，战法的创新不适合用概率统计方法来解决。
