Project Maven AI 战争正在加速目标锁定，也压缩了发现错误的时间

Project Maven AI 战争能够在数分钟内生成潜在目标清单，而在这一审查流程中，一个被忽略的错误就可能造成不可逆的后果。这种速度正推动人工智能从辅助工具走向军事决策的核心。

这种变化不止体现在自主无人机上。军方如今使用 AI 解读监视信息、翻译截获的通信内容、关联人员与地点、确定威胁优先级并推荐目标。每一项功能都可能缩短从原始数据到作战决策的路径。

核心矛盾已不再是人类与自主武器之间的对立，而是机器速度的目标生成与本应核实每项建议的、较为缓慢的人类判断之间的冲突。Project Maven、以色列 AI 支持的情报系统，以及乌克兰的自主无人机，都呈现出同一种压力的不同版本。

Project Maven AI 战争从分析走向作战

军事 AI 正成为作战目标链的一部分，而不再只是实验性的分析层。

《金融时报》9 月 17 日报道称，自主系统正被迅速整合进战场行动。其调查以 Saker Scout 开篇，这是一架与前线空域众多其他飞行器外形相似的乌克兰无人机。

这类系统的不同之处在于，它们日益能够在减少操作员输入的情况下导航、识别物体或继续执行任务。自主程度因系统和部署方式而异。不过，整体方向一致：软件如今承担了更多从观察战场到施加武力之间的任务。

Project Maven 代表了美国军方内部同样的转变。五角大楼于 2017 年启动该项目，将机器学习应用于无人机和卫星图像。该系统此后已发展为一个更广泛的数据与目标锁定环境，用于为指挥官整理信息。

机器学习是指软件从训练数据中学习模式，并将其应用于新的输入。在军事图像中，这可能涉及从海量传感器数据中辨别车辆、建筑、移动轨迹或其他物体。

这并不一定意味着软件会独立发射武器。Project Maven 通常被描述为决策支持系统，人员应负责验证其输出并授权行动。

这一差别在法律和作战层面都至关重要。AI 决策支持系统会推荐或排序信息，而自主武器则可在启动后自行选择并攻击目标，无需进一步的人类干预。

然而，当机器生成的建议到达速度快于人们调查它们的速度时，这种区分便不再那么令人安心。人类可能在形式上仍负有责任，却只有极短的时间窗口来质疑其底层证据。

军方官员认为，Project Maven 缩短了识别潜在目标所需的时间。Brennan Center 发布的军事 AI 评估称，该系统可以快速解读无人机和卫星图像。

其吸引力很直接。军方可收集的传感器数据远多于分析师能够人工审阅的数据。AI 可以筛选如此庞大的信息量，跨来源关联信息，并在情报过时前发现潜在威胁。

速度也有助于协调。移动中的车辆、雷达系统或机动发射装置可能仅在短时间内保持可见。若目标锁定流程耗时数小时，机会可能会在决策送达相应指挥官之前消失。

不过，更快的分析并不会自动带来更好的证据。它也可能只是让不确定性以更高速度穿过系统。

因此，《金融时报》报道的事件并非一次单独的部署公告，而是一个作战门槛。军方正在整个将观察转化为致命决策的链条中采用 AI，尽管模型行为仍可能难以预测。

更快的目标生成改变了谁掌控节奏

战略优势来自压缩决策时间，但同样的压缩也让人工审查人员承受更大压力。

传统目标锁定高度依赖人力。分析师需要比对情报来源、评估信息是否仍然有效、确认是否存在平民、估计可能伤害，并通过指挥体系提交建议。

AI 辅助目标生成将其中部分工作自动化。模型可以同时搜索图像、文本、通信内容、位置记录和其他数据库，随后对符合目标画像的模式进行排序。

目标画像是用于识别关注对象或人员的一组属性。这些属性可能包括外形、移动方式、地点、通信模式，或与此前识别实体的关系。

表面上的收益在于规模。AI 系统可以筛选出数百个候选对象，而人工团队可能只能审查其中较小的一部分。军方随后可将稀缺的分析人员资源投向最相关的结果。

这改变了战场节奏。使用 AI 的部队有可能在对手完成同一循环之前完成观察、排序和行动。Project Maven AI 战争正是围绕这种从传感器到决策流程的压缩而构建。

如果设计得当，速度也可以支持保护平民。软件能够整合医院、学校、撤离路线和平民流动等信息，并在目标最初被提名后情况发生变化时向操作员发出警告。

红十字国际委员会承认这种可能性。其军事 AI 指南称，决策支持工具可帮助整合信息，并推荐旨在减少附带伤害的方法。

不过，规模会带来一个二阶问题。如果生成目标的数量增长速度快于合格审查人员的数量，审查流程就会成为瓶颈。

届时，指挥官将面临一个令人不安的选择：要么放慢系统以保留细致审查，要么加速批准并放弃部分所谓的人类保障。

以色列使用 AI 支持情报的证据说明了这种紧张关系。一项美联社调查发现，2023 年 10 月 7 日之后，以色列军方使用商业云服务和 AI 服务处理监控信息、通信内容、翻译及其他数据。

以色列官员向美联社表示，分析师会独立评估 AI 支持的目标，且仍有多个层级的人员参与其中。他们还称，这些工具在不牺牲准确性的前提下更快地生成目标。

外部人员很难评估这些说法。军事目标锁定数据、错误率、模型配置和事后调查很少可供独立审查。

不过，这项调查仍记录了工作负荷发生的巨大变化。前军事法律官员 Tal Mimran 表示，过去一次空袭审查最多涉及 20 人，可能耗时一天或更久。AI 支持的流程使数百个目标每周获得批准成为可能。

这一对比并不能证明由此产生的打击违法或不准确。但它确实表明，机器输出与人类关注之间的比例已发生显著变化。

面对一份经过精心整理的目标材料包，审查人员可以追溯其中的假设。面对一个快速更新的建议队列，审查人员则承受着截然不同的认知压力。

这种压力波及军事领导人、软件供应商、情报分析师和法律顾问。每个群体都依赖其他群体，但没有任何单一参与者必然能看到完整链条。

模型开发人员可能了解训练与评估，却无法接触战场条件。操作员了解任务，却可能不知道模型为何给出某个特定评分。指挥官看到建议，却未必了解每个数据来源的局限性。

结果是责任被分散。每个人都为决策作出贡献，但在发生失败后，问责对象变得更难确定。

人类控制可能沦为程序性勾选

有人批准 AI 建议，并不保证存在有意义的人类判断。

军事政策常常描述“人在回路中”的系统。这个说法意味着，在系统完成诸如攻击目标等具有重大后果的行动之前，必须由人员介入。

从示意图上看，这种保障措施很清晰：传感器数据进入模型，模型生成建议，受过训练的操作员接受或拒绝建议。

真实行动则没那么有序。建议可能在时间敏感型任务、通信中断、人员短缺或友军遭袭期间到达。操作员还可能同时审查多个自动化系统的输出。

这种环境会助长自动化偏见，即即使现有证据应当促使进一步调查，人们仍倾向于相信机器生成的建议。当系统通常看似准确，或拒绝建议需要额外工作时，这种偏见会更强。

红十字国际委员会警告称，承受时间压力的操作员可能会机械批准 AI 输出，而非运用独立判断。其指南称，军事 AI 需要有意义的人类参与，以及质疑建议的能力。

“有意义”一词承担了大部分负担。仅仅因为有人按下批准按钮，并不意味着这是一项有意义的人类决策。

审查人员需要有足够的时间、背景信息和权限来拒绝输出。他们还需要了解系统已知的局限性，以及该具体建议背后证据的质量。

设想一个通过通信元数据将某人与敌对组织关联起来的模型。这种关联可能准确、过时、间接，或源于错误的原始数据。

模型可以对这种关联打分，却无法理解此人为何拨打某个号码、进入某个地点或使用某个特定短语。人类必须补充这些背景。

翻译带来了另一个失误点。美联社的战场 AI 调查描述了一个阿拉伯语词汇，它既可能指武器部件，也可能指付款。

自动翻译选择了危险的解释。据接受美联社采访的一名以色列情报官员称，一名人工审查人员最初遗漏了这一错误。

同一名官员还描述了一份电子表格，其中包含至少 1,000 名高中生，他们的姓名据称被附在个人档案中，作为潜在武装分子的资料。该文件实际上涉及期末考试，但周边语境被误读。

这些例子说明，错误不能被孤立归咎于“AI”。模型处理的是由人员、传感器、数据库和其他软件提供的数据。随后，人类又通过由另一群体设计的界面来解读其输出。

一条有缺陷的信息可能在这条链中流动，同时获得表面上的可信度。一旦多个系统重复或引用它，审查人员可能将相关性视为独立确认。

人类同样难以在模型发生变化时校准信任。一个系统可能在熟悉的图像上表现良好，却会在天气、地形、伪装、传感器质量或敌方战术发生变化时失效。

对手会主动制造这些变化。他们使用诱饵、电子干扰、隐蔽手段、被操纵的信号和欺骗性行动。战场数据不只是存在噪声；对手会刻意让其具有误导性。

这使军事 AI 与许多商业应用有所不同。推荐引擎会遇到试图影响它的用户，而战场模型面对的是有组织的对手，他们试图制造致命错误。

因此，人类控制不能仅限于最终授权。它还需要在相关条件下进行测试、获取相反证据、明确的不确定性指标，以及充足的时间重新审视建议。

它还需要制度上允许人们不同意系统。一名因拖慢行动而受到惩罚的分析员，无论正式规则如何规定，都会学会批准可疑的输出。

Project Maven AI 战争让这种组织设计承受压力。系统的价值取决于速度，而有意义的核查需要时间。这才是核心权衡，而非实施细节。

AI 目标识别错误获得速度与规模

当一次错误能够蔓延至数千条建议时，AI 无需频繁失效也可能造成严重伤害。

机器学习系统具有统计性质。它们从数据中推断可能的模式，而不是运用对现实世界的完美认知。

这会产生多类失效情况。模型可能错误分类某个物体、依赖有偏差的数据、错过变化中的背景、生成不准确的翻译，或对微弱关联赋予过高权重。

错误也可能始于模型之外。位置数据库可能包含过时地址。传感器可能生成失真的图像。人类情报来源可能提供虚假信息。

AI 可以快速整合这些输入，但无法保证它们反映现实。一个看似自信的输出，可能掩盖着脆弱的证据链。

规模让这一问题变得危险。当错误假设只影响一份经过人工审查的材料时，调查人员有时能够识别并遏制它。但当该假设处于自动化流程中时，它可能在任何人察觉之前影响大量建议。

红十字国际委员会（ICRC）表示，军事决策支持系统可能在速度和规模两方面放大错误。该组织还警告称，当用户未能作出独立判断时，这些系统可能加速非预期升级。

升级之所以重要，是因为军事 AI 系统并非孤立运行。一方力量会根据另一方力量的行动调整态势。更快的建议会鼓励双方作出更快反应。

因此，关于逼近攻击的虚假警报所造成的后果，不止是一次误判打击。它还可能触发分散部署、报复行动，或更大范围的自动化警报链条。

安全官员已开始将其称为决策时间压缩。在 2026 年 9 月的北京香山论坛上，与会者警告称，AI 正在缩短战略时间线，而虚假信息则削弱了各国政府确认事件经过的能力。

约 100 个国家的代表参加了这场为期三天的活动。ICRC 副主席 Jürg Lauber 认为，随着武器自主性增强，保留人类判断变得更为重要。

安全论坛警告表明，担忧并不限于倡议团体。军事官员和外交官认识到，速度可能削弱国家之间的控制能力。

技术挑战也不仅限于可预测的分类错误。开发者并不总能解释，为何先进模型会在提示词、输入、工具或运行条件发生微小变化后表现不同。

这种不可预测性并不意味着每个 AI 系统都无法控制。它意味着测试期间测得的性能无法覆盖每一种环境、目标类型、对抗战术或与其他软件的交互。

自主武器加深了这一担忧。这些系统在启动后可以选择并使用武力，而无需由人员逐一选择具体目标。

一些自主系统具有狭窄功能和明确的运行环境。防御性武器可能会自动拦截来袭导弹，因为目标类型和反应窗口受到严格限制。

当自主性扩展到人口密集地区或涉及人员时，风险就会发生变化。机器可以识别运动、服装、热源或车辆外形，但这些信号并不能揭示意图或法律地位。

受伤的战斗人员、正在投降的战斗人员和一名平民，可能产生相似的传感器模式。他们的身份取决于在数秒内变化的背景。

因此，ICRC 的自主武器立场呼吁禁止不可预测的系统，以及旨在以人为目标的自主武器。该组织也支持对其他自主武器施加限制。

军事机构常回应称，人类仍需承担责任，国际人道法也已适用。这两种说法都正确，但都无法解决实际操作问题。

打击后的问责无法挽回被误判的目标。现有法律提供了必要标准，但指挥官仍需要能够在压力下应用这些标准的技术和组织系统。

独立评估依然尤其困难。供应商将模型、数据和系统设计作为专有信息加以保护。军方则出于安全原因保护目标识别程序。

这些限制能够防止对手利用系统，但也可能使立法者、法院、调查人员和公众更难评估保障措施是否有效。

缺乏透明度不应被视为失效的证明。它会造成证据缺口。若没有运行数据，关于精确度、安全性或减少平民伤害的强烈主张仍难以验证。

三项信号将显示监督能否跟上

AI 战争的下一阶段将由可衡量的保障措施界定，而不是“人类仍然参与其中”这一更宽泛的承诺。

第一个信号是，军方是否披露其如何在战场条件下测试 AI 目标识别系统。有用的证据将包括系统在地形变化、传感器退化、电子战、对抗性欺骗和陌生目标类别下的表现。

实验室准确率还不够。评估人员需要知道模型何时会失效、操作人员能否识别这些失效，以及有缺陷的输出能多快被撤回。

出于安全考虑，公开信息仍将受到限制。不过，各国政府仍可设立独立审查机构、标准化事件报告机制，并为立法监督提供受保护的访问权限。

如果此类机制得到扩展，将支持这样一种说法：实际部署正在由严肃核查加以匹配。如果测试几乎完全保密，保障缺口将会扩大。

第二个信号是，每次人工审查可获得的时间和证据量。军方应衡量，目标输出的增长速度是否快于合格人员配置和独立核查能力。

正式的批准次数本身几乎无法说明问题。监督取决于审查人员是否查看原始情报、咨询相互冲突的来源、理解置信度限制，以及保留延迟行动的权力。

事后调查也应审视自动化偏见。一个系统可以满足工程要求，却通过其界面或工作流程诱发可预见的人为错误。

如果审查时间缩短而目标数量上升，“人在回路中”将越来越像是在描述程序而非判断。如果人员配置、界面设计和升级规则能够随工作量调整，人类控制就会更具可信度。

第三个信号是，国际社会针对自主武器和军事决策支持系统采取的行动。《特定常规武器公约》第七次审议大会定于 2026 年 11 月 16 日至 11 月 20 日举行。

这次会议为各国寻求更明确的限制提供了机会。重要问题包括：规则是否区分决策支持与自主交战，以及是否处理不可预测、由 AI 驱动的行为。

就具有法律约束力的限制达成协议，将强化这样一种观点：各国政府能够在部署根深蒂固之前保留控制权。持续僵局则会让军事部署速度继续快于国际治理。

开发者和企业 AI 采购方也应关注这些信号。其背后的问题在国防领域之外同样常见：不透明的模型、不可靠的源数据、自动化偏见、薄弱的审计轨迹，以及决策速度快于人员验证能力。

后果存在显著差异，但治理上的教训可以迁移。组织需要获取源材料、相反证据、模型局限性，以及重要建议如何成为决策的记录。

维护一个可搜索的知识库可以帮助技术团队保留这条证据链。它无法取代可问责的决策者或特定领域的审查。

Project Maven AI 战争使一个更大的问题无法回避：如果 AI 生成建议的速度快于人类调查它们的速度，那么流程中究竟是哪一部分真正掌握控制权？

答案应体现在测试、审查时间、拒绝率、事件调查和可执行规则中。读者应以这些衡量标准评判下一项军事 AI 公告，而不是又一次关于某个人仍在回路某处的保证。