Big Tech 军事 AI 正在成为五角大楼的新工业基础

尽管围绕监控、自主武器和人类控制权的争议尚未解决，Big Tech 军事 AI 在 2026 年已从试点项目进入机密行动。五角大楼目前已与 Google、Microsoft、Amazon Web Services、Nvidia、OpenAI、Reflection 和 SpaceX 就机密 AI 系统达成协议。

这并非五角大楼 AI 合同的新一轮扩张那么简单。商业科技公司正越来越多地提供军事行动所需的云基础设施、基础模型、数据管线和决策软件。这种组合让少数供应商得以在国防体系的多个层面施加影响。

核心矛盾在于军事快速采用 AI 与对其使用方式施加实质性限制之间的冲突。Anthropic 因抵制宽泛的使用标准而被排除在外，使这一紧张关系成为一场公开考验。结果将有助于决定：当科技公司的系统变得具有重要作战价值后，它们是否还能执行自身的安全保障措施。

五角大楼将商业 AI 引入机密行动

决定性变化在于，商业 AI 公司不再仅限于参与研究项目或行政试验。

2026 年 5 月，五角大楼宣布与七家科技公司达成协议，允许它们在机密网络上部署 AI 能力。Google、Microsoft、Amazon Web Services、Nvidia、OpenAI、Reflection 和 SpaceX 加入了该计划。

该部门表示，这些公司的技术将帮助人员在复杂的作战环境中作出决策。根据机密 AI 协议，军事用户已通过五角大楼官方生成式 AI 平台 GenAI.mil 使用 AI。

这项宣布延续了始于 2025 年 7 月并公开推进的采购行动。五角大楼首席数字与人工智能办公室向 Anthropic、Google、OpenAI 和 xAI 授予了协议，每家金额上限均为 2 亿美元。

这些初始合同聚焦于国家安全任务中的原型工作流。前沿 AI 合同涵盖了可执行多步骤任务、而非仅回答单个提示的类智能体系统。

随后部署至机密环境改变了事态的重要性。原型可以与作战决策保持隔离；而接入机密数据的系统，则可能影响情报分析、后勤、网络行动、任务规划和目标评估。

五角大楼表示，部分 AI 部署将过去需要数月的任务缩短至数天。但公开声明并未说明具体哪些任务实现了这样的效率提升，也没有披露模型错误率、审查程序或错误输出的后果。

这种不透明性至关重要，因为同一模型可支持多种截然不同的活动。汇总维护记录，与评估监控影像或推荐攻击目标，所带来的风险并不相同。

基础模型是在广泛数据集上训练、并可适配多种任务的通用系统。其灵活性使其对军方颇具吸引力，但也让传统的武器测试和采购方式变得更加复杂。

武器平台通常具有明确的运行职责。基础模型却可能在更新、集成、新提示或获得更多数据访问权限后改变行为。因此，其作战边界取决于合同、技术控制措施和周边软件。

五角大楼也在将合同分配给多家供应商。官员将这种做法描述为防止依赖单一供应商的保障措施。它可以提升韧性，但也使更多商业系统进入敏感的军事工作流。

其结果是一种比“AI 合同”一词所暗示的更广泛关系。政府采购的是由计算基础设施、芯片、模型、应用程序和技术支持构成的相互关联技术栈。

这一技术栈正在成为军方永久运行环境的一部分。

Big Tech 军事 AI 建立在数十年的云采购基础之上

如今的军事 AI 产业建立在基础设施合同之上，这些合同早已使科技公司成为不可或缺的政府供应商。

这种关系并非始于 ChatGPT。在生成式 AI 进入主流应用之前，Amazon、Microsoft、Google 和 Oracle 就已向国家安全机构销售云服务。

2022 年，美国国防部向这四家公司授予联合作战云能力合同。该合同上限为 90 亿美元，旨在为所有安全等级提供云服务。

云访问并非无关紧要的背景细节。AI 模型需要计算能力、存储、身份控制、网络连接以及对政府数据的安全访问。提供这些基础能力的供应商，在政府机构增加 AI 服务时天然拥有优势。

这种结构也可能模糊供应商类别之间的界限。Microsoft 提供云基础设施，同时与 OpenAI 保持重要的商业关系。Amazon Web Services 托管多家开发商的模型，并已投资 Anthropic。

Google 同时运营云平台和 Gemini 模型家族。Nvidia 则提供 AI 市场大部分领域所使用的芯片和软件库。

这些公司所扮演的角色并不完全相同，但其产品经常相互依赖。模型开发商可能依赖云服务商，云服务商又依赖 Nvidia 硬件，而国防集成商则负责将最终系统接入政府数据。

五角大楼鼓励这种重叠，因为它希望获得商业开发周期的速度。消费者和企业需求为新模型和芯片提供的资金，往往比传统国防项目更快。

这种方法将商业速度引入政府采购，也将商业依赖一并带入，包括专有接口、稀缺芯片、专业人员以及由供应商控制的软件更新。

这一趋势不止于基础模型。Palantir 已成为数据整合和指挥软件的核心供应商。其系统整合来自传感器、情报数据库、作战计划和武器平台的信息。

根据 Brennan Center for Justice 的军事 AI 研究，美国陆军在 2025 年将 75 项 Palantir 安排整合为一份企业协议。该协议在十年内的上限最高可达 100 亿美元。

Palantir 的地位表明，新的军工结构并不局限于聊天机器人制造商。数据整合的重要性可能不亚于模型性能，因为军事信息分散在彼此不兼容的系统和不同密级之间。

模型只有在能够访问正确的数据后才会发挥作用。随后，它必须通过操作人员能够在时间压力下使用的软件返回答案。

成熟的国防企业在飞机、导弹、传感器和通信领域仍然重要。较新的 AI 国防承包商则越来越多地掌控软件层，负责解读这些资产中的信息并提出行动建议。

这种分工形成了相互依赖。传统承包商需要软件和云合作伙伴，而科技公司则需要熟悉军事要求的集成商。

Anduril、Shield AI 和 Scale AI 等风险投资支持的公司也已进入这一网络。它们将自己定位为缓慢国防采购的替代方案，但其中许多仍依赖更大的云、芯片或数据供应商。

因此，新兴体系并非只是用初创公司取代旧承包商。它创造了一个分层市场，少数科技平台可从众多相互竞争的军事应用中获益。

这种集中化正是 Big Tech 军事 AI 的经济基础。五角大楼获得商业研究成果，而科技公司则获得长期政府需求和更深层的制度影响力。

Anthropic 揭示了安全保障与控制权之间的冲突

围绕 Anthropic 的争议表明，当自愿 AI 保障措施与军事权力发生冲突时，它们会变得脆弱。

Anthropic 是入选五角大楼 2025 年原型计划的四家模型公司之一。然而到了 2026 年，它并未出现在该部门公布的机密部署供应商名单中。

分歧集中在 Anthropic 希望通过合同限制的两类用途。该公司寻求防范大规模国内监控和完全自主武器，即能够在没有有意义人类控制的情况下选择并攻击目标的武器。

国防官员认为，供应商应允许政府进行任何合法使用。这一立场将责任置于政府而非模型供应商身上。

Anthropic 的立场则认为，即使官员认定某些应用合法，它们也不可接受。两者的差异并非措辞问题，而是决定公司在签署合同后是否仍保有对军事用途的权力。

五角大楼最终与其他供应商继续推进。OpenAI 宣布了自己的机密协议，并表示其条款包含涉及国内监控、自主武器和人类监督的保障措施。

OpenAI 的五角大楼协议称，其系统不得用于大规模国内监控。该公司还表示，现有法律和政策标准仍被纳入合同。

这些说法意义重大，但公众无法将它们与 Anthropic 所要求的条款进行全面比较。机密细节和未披露的合同语言阻碍了独立评估。

这正是五角大楼 AI 合同成为治理机制的原因。采购条款可以在国会通过立法或法院审查部署之前，就设定实际边界。

政策最严格的供应商并不会自动确立标准。如果其他供应商接受更宽松的条件，政府便可转移工作负载，并削弱坚持者的议价能力。

多供应商策略能带来技术韧性，但也可能催生向限制最少的供应商靠拢的竞赛。模型开发商知道，拒绝某种用途可能令其失去市场准入、收入以及对未来标准的影响力。

政府也面临相关风险。如果每家公司实施不同的保障措施，军事人员就必须在执行类似任务的不同模型之间应对相互冲突的规则。

当系统相互作用时，这种不一致尤其棘手。一个受限模型可能先总结情报，随后另一套系统将该摘要用于作战规划。

公司的政策也会改变。OpenAI 在 2024 年取消了对军事用途的一概禁止，同时仍保留对武器开发和有害活动的限制。随着政府业务扩大，其他开发商也改写了自己的政策。

合同保护通常强于公开使用政策，因为它们在各方之间形成义务。但其价值仍取决于精确的定义、监控、技术执行和对违规行为的补救措施。

Anthropic 冲突还引发了另一个问题：供应商报复。军方客户可以更换供应商、取消合作，或将一家公司列为供应链风险。

这种可能性改变了政府采购方与 AI 开发商之间的谈判格局。五角大楼不是普通的企业客户，获得国家安全项目的机会可能影响一家企业更广泛的联邦政府业务前景。

这场争议也让“私营实验室可以通过自愿承诺监管先进 AI”的说法变得更复杂。只有当企业能在商业和政治压力下坚持政策时，这项政策才有意义。

对五角大楼而言，教训则不同。依赖单一模型提供商，会让该公司对任务规则拥有筹码。因此，官员显然有动力开发可互换的系统。

结果是一场围绕控制权的竞争，而不只是关于安全的简单分歧。AI 供应商希望影响其模型的使用方式。军方领导人则希望对用公共资金采购的系统拥有作战指挥权。

谁能在这场竞争中胜出，将决定下一代军用软件周围的安全防护措施。

新型工业基础将技术与政治权力集中起来

军用 AI 产业之所以集中权力，是因为同一批公司同时提供基础设施、模型、集成服务和专业能力。

对军工复合体的传统描述，通常聚焦于武器制造商、政府采购、游说活动以及人员旋转门。大型科技公司带来了另一种形式的影响力。

软件公司能够通过集中式平台更新被广泛部署的系统。其工程师了解政府人员无法独立检查或复现的专有模型。

这种专业能力让供应商在合同授予后仍扮演运营角色。在整个系统生命周期内，它们可能提供评估、网络安全支持、模型调优、培训和事件响应。

AI 模型在部署后也需要反复测试。它们的输出会因提示词、数据、上下文和软件变更而变化。一次性的验收测试无法涵盖未来的所有行为。

这一特性推动政府与供应商建立持续关系。五角大楼购买的不仅是成品，还包括不断演进的技术能力，以及维护这些能力的人员。

市场集中进一步放大了这种依赖。训练具备竞争力的前沿模型，需要先进芯片、大规模数据集、专业研究人员和可观的计算能力。

只有数量有限的公司能够大规模提供这些资源。即使规模较小的 AI 国防承包商赢得应用层合同，它们往往仍建立在大型企业控制的基础设施之上。

因此，应用层的竞争可以与底层的集中并存。十种战场工具仍可能依赖同一个云平台、芯片供应商或基础模型。

这在服务中断、网络攻击、合同纠纷和模型故障期间尤为重要。一项隐蔽的共同依赖，可能影响采购文件上看似相互独立的系统。

五角大楼的多云和多模型战略解决了其中一部分问题。然而，真正的韧性要求工作负载能够在不同提供商之间迁移，而不丧失关键功能。

专有接口使这变得困难。不同模型在安全控制、数据处理、输出格式和性能方面各不相同。更换一家提供商，可能需要针对每个相连工作流重新测试。

政治影响力构成了另一层。科技公司高管和投资者如今直接参与国防采购、AI 监管、出口管制和联邦计算政策的讨论。

一些人在私营公司与政府职位之间流动。另一些人则资助倡导加快 AI 部署或反对特定监管措施的政治组织。

这些活动属于合法的政治参与形式。当同一批公司既寻求合同，又试图影响监管这些合同的规则时，其综合效应仍值得关注。

这篇 Nature 分析将这种融合描述为以 AI 为中心的新型军工复合体。这一表述之所以有用，是因为它捕捉到的不只是国防收入。

更深层的问题是结构性依赖。政府机构依赖私营基础设施和专业能力，而科技公司则获得了一个拥有海量数据、充足资金和战略重要性的长期客户。

公共监督并未以同样速度扩大。合同金额上限通常会披露，但运营细节、评估结果和安全防护条款仍无法获得。

机密任务确实需要保密。但保密也可能阻止公众了解系统是否符合准确性、公民权利和人工控制标准。

参议员 Elizabeth Warren 一直敦促五角大楼及参与企业公布更多信息。她的合同问询询问了哪些系统在机密网络上运行，以及其使用受到何种安全防护措施约束。

该请求还寻求有关自主武器和国内监控的答复。这些问题仍是核心所在，因为宽泛的法律措辞并不能解释模型在实践中如何受到控制。

AI 可以协助分析人员，但不作出最终决定。它也可能影响哪些证据获得关注、行动推进的速度，以及哪些选项看起来合理。

即使每项行动在形式上都由人类批准，这种影响也可能产生重大后果。若操作人员缺乏时间、培训或接触相反证据的机会，人类参与并不能保证有意义的审查。

技术和政治权力的集中，使独立评估不可或缺。没有它，公众只能在企业的保证与无法被充分审查的政府说法之间作出选择。

自动化偏见仍是尚未解决的战场风险

近期最大的危险并非虚构的机器指挥官，而是人类操作人员在作战压力下信任不确定的输出。

自动化偏见是指，即使存在相反证据，人们仍倾向于接受计算机的建议。当一个系统看起来很自信、能给出流畅解释，或在大多数时候运行正确时，问题会更加严重。

军方操作人员经常面对不完整的数据和严格的时限。AI 可以迅速整理信息，但速度可能压缩质疑其结论的时间。

模型可能错误地关联人员、车辆、地点或通信内容。分析人员随后可能将这种关联视为有价值的线索，即便其底层推断缺乏可靠证据。

错误可能通过相互连接的工具传播。一个系统给目标打标签，另一个系统总结该标签，而规划工具则把这份总结纳入作战建议。

到最后阶段，用户可能不知道是哪个组件引入了错误。精致的界面可能掩盖原始数据中可见的不确定性。

生成式模型带来了更多复杂因素。它们可能生成虚假细节、给出不一致的回应，并在软件更新后改变行为。机密数据并不能消除这些弱点。

模型提供商可以通过检索系统、访问控制、评估套件和人工审查降低风险。但这些措施都无法保证在每项任务中表现可靠。

系统所处的上下文同样重要。一名在维护记录上表现良好的 AI 助手，可能无法应对陌生的情报缩写或蓄意误导的信息。

对手可以操纵数据来迷惑模型。它们也可以探查商业系统的常见弱点，尤其是在政府网络之外能够获得类似技术时。

机密环境限制了公众对这些问题的评估。研究人员无法轻易复现故障，也难以将供应商说法与作战证据进行比较。

这并不意味着每一项军用 AI 部署都不负责任。预测性维护、翻译、文档搜索和物流优化，能够在后果可控的情况下带来明确益处。

当输出影响监控、目标选择或武力使用时，风险便会上升。这些决策需要可追溯的证据、明确的问责机制，以及实际停止系统的能力。

人工监督不能只停留在批准 AI 生成建议上。操作人员需要有足够的时间、权限和信息来否决它。

他们还需要接受解释模型局限性的培训。只学会如何操作界面的用户，可能无法识别底层系统何时超出了经过测试的条件。

Georgetown University Center for Security and Emerging Technology 的 Helen Toner 曾警告，不应过度依赖这些工具。她指出，军方用户必须同时理解其效用与局限。

五角大楼对速度的强调进一步加重了这一担忧。将一项任务从数月缩短至数天听起来很有价值，但对于高后果决策而言，速度并不是充分的性能衡量标准。

评估应审视误报、漏报信号、校准度、操作人员行为，以及在对抗性条件下的表现。结果也应在部署后进行衡量，而不仅仅是在演示期间。

制度上存在强调成功试点的激励。寻求持续资金的部门，更容易展示节省的时间，而不是判断力或问责机制的细微变化。

供应商也面临类似激励。一家公司可以宣称有人类监督，却不披露人员是否经常质疑其输出。

这正是为何自愿性声明不能替代共同标准。军方需要可测试的要求，并让这些要求跨越供应商和作战环境持续适用。

政府还应保留日志，记录模型接收了哪些信息、生成了什么内容，以及人类如何回应。没有记录，调查人员就无法重建造成伤害的决策过程。

然而，日志记录本身也会带来隐私和安全问题。敏感记录需要保留期限、访问控制和独立审查。

没有任何单一政策能解决这些权衡。关键区别在于，提出一项安全防护措施，与证明它能在压力下有效运作，是两回事。

在五角大楼公布更清晰的评估原则之前，外界仍难以评估大型科技公司军用 AI 在机密项目之外的安全性。

三个信号将揭示谁控制军用 AI

下一阶段将表明，五角大楼是在构建可问责的竞争，还是一个通过秘密合同治理的集中化体系。

第一个信号是合同条款或具有约束力的摘要是否公开。公开文件应澄清对监控、自主武器、人工审查以及军方数据二次使用的限制。

如果参与企业披露可比较的条款，有关共同安全防护措施的说法将更容易评估。持续保密则会加深保护措施因提供商而异的担忧。

第二个信号是有意义互操作性的证据。五角大楼表示，多家提供商可降低依赖，但合同数量本身并不能证明韧性。

应关注各机构是否建立共同评估标准，并证明工作负载能够在模型之间迁移。成功的可移植性将削弱供应商锁定，并赋予政府更大的议价能力。

若无法做到，则表明表面上的竞争建立在共享基础设施或不兼容系统之上。在这种情况下，尽管供应商名单更长，少数供应商仍将保有控制权。

第三个信号是运营报告。公众需要了解汇总信息：AI 被用于哪些场景、人类多频繁拒绝其建议，以及机构如何应对严重错误。

机密细节可以继续受到保护，同时监督机构应获得更充分的访问权限。独立监察机构、国会委员会和审计人员可以评估系统，而无需公开涉及任务敏感的信息。

有意义的报告将强化这样一种判断：商业 AI 可以进入国防行动，而不必以牺牲问责为代价。沉默则会表明，部署速度正在超过治理能力。

这些信号的重要性不止于军事领域。政府采购可能会将技术标准常态化，并使其随后扩散至警务、边境执法、情报以及民事机构。

企业买家同样应当关注。有关模型依赖、审计日志、人工复核和供应商更新的问题，也会影响那些将 AI 用于高后果决策的公司。

开发者应关注模型供应商、集成商和用户之间如何分配责任。军事协议可能会为互联互通系统发生故障时由谁承担责任树立先例。

知识工作者也面临相关启示。AI 输出可以梳理复杂证据，同时仍可能掩盖不确定性。维护一个可追溯的 AI 知识库，有助于保留来源、相互竞争的解读以及人类决策。

AI 时代的军工复合体将不只由武器定义。它还将由谁掌控计算能力、数据、模型、集成、评估，以及可接受使用方式的规则来定义。

Big Tech military AI 已经从实验阶段迈入运营基础设施。现在的问题是，公共机构在对其必须监管的系统产生依赖之后，是否仍能施加持久的限制。

关注合同、互操作性测试和运营审计。它们将共同揭示：AI 究竟仍是处于可问责人类控制之下的工具，还是会成为军事权威不透明的一层。