摘 要

近期斯德哥尔摩国际和平研究所（SIPRI）发布了一篇标题为《核武器与人工智能：技术承诺与实际现实》的报告，报告描述了人工智能在核武器领域的军事应用前景及其面临的挑战。

报告指出，尽管核武国家对AI的军事潜力表示兴趣，但技术不可靠性、易受网络攻击、数据不足和硬件限制可能阻碍其在核领域的应用。

尽管AI在提升军事能力方面显示出潜力，但其在核领域整合面临技术、数据和资源获取的挑战，表明AI在核武器系统中的应用并非必然，且存在显著的技术和社会障碍。

引 言

在最近十年中，人工智能（AI）领域的进步显著加快，这主要得益于机器学习（ML）算法的发展。这些算法使得计算机能够从数据中学习，并执行那些原本需要人类智慧才能完成的任务。

随着在计算机视觉、自然语言处理、机器人技术和自主系统等关键领域的能力提升，各国对将AI系统应用于军事领域的兴趣也随之增长。

目前，已有迹象显示，高级AI可能被广泛应用于军事行动的各个层面，包括威胁监测、导航、精确打击、情报收集、监视侦察（ISR）、决策支持，以及攻防网络作战。

值得注意的是，全球九个拥有核武器的国家——包括中国、法国、以色列、印度、朝鲜、巴基斯坦、俄罗斯、英国和美国——均已表现出在其军队中开发和整合高级AI技术的兴趣，其中一些国家甚至将AI的发展提升为战略优先事项。

虽然传统的AI系统已经成为核武器领域的一部分，但高级AI在此领域的潜在应用可能会对战略稳定造成深远影响，并可能增加核战争的风险。

已有研究指出，AI技术可能在提升早期预警、ISR、核指挥控制通信（NC3）、投送系统和常规武器系统方面发挥作用。然而，随着ML技术的快速发展，我们需要重新审视AI与核武器之间的关系。

AI技术进展

基于规则的AI系统在可预测性和透明度方面表现良好，它们直接依赖于开发者设定的规则，适用于特定任务，例如优化传感器数据融合和创建稳健的通信路径。

这类系统也被用于导弹预警系统，依赖基于规则的AI来识别和传输弹道导弹的发射和轨迹信息。

与此相对的是机器学习，它专注于创建能够从新数据中“学习”如何产生输出的AI系统，而无需显式编程。

ML系统通过训练过程学习，其中数学算法被迭代地应用于大量数据集，以识别统计模式并将它们与预期输出相关联。这些学习到的统计模式，即参数，构成了ML模型的核心，模型随后可以将这些参数应用于新的、以前未见过的数据，以生成输出。

在过去的十年中，深度学习（DL）已成为训练AI模型的最流行方法。DL使用复杂的深度神经网络架构，能够更快地处理更多数据，并捕捉更复杂的统计关系。

DL是AI能力快速提升的基础，它在多个领域提高了AI系统的性能，包括需要识别复杂模式的任务，如计算机视觉、自然语言处理和信号识别，以及数据管理任务，如数据融合、组织和分析。

谷歌在2017年引入了Transformer深度神经网络架构，它能够快速处理大量数据并捕捉数据间的复杂联系。

这一架构的可扩展性允许模型在训练数据和计算资源增加时，其输出的精确度和效率可预测地提升。基础模型，包括大型语言模型（LLMs）如GPT，通过预训练掌握广泛的数据模式，然后可以在较小数据集上进行微调，以适应特定领域，降低了调整成本。

然而，这些模型的训练和运行需要显著的计算资源，包括硬件、软件和基础设施，以及高质量的数据集来保证其部署后的准确性和有效性。Transformer架构还推动了多模态AI的发展，使得AI能同时分析不同类型数据并产生多样化输出。

核领域的高级AI整合

随着深度学习（DL）的进步，核武国家及其盟友对探索AI在军事领域的高级应用表现出了新一波的兴趣和政府投资。

目前，从武器特定应用（例如改进的定位和导弹制导）到非武器相关用途（例如快速数据收集、融合和分析以及模拟）的一系列能力在技术上都是可行的。

在核领域，机器学习（ML）常被讨论为能够增强核威慑架构的所有要素：早期预警和ISR、指挥控制、核武器目标定位、制导和导航，以及导弹防御、网络安全和反潜战等非核作战行动。

例如，印度计划发射50颗AI赋能的监视卫星，并正在研究在雷达技术中使用DL。同时，美国国家地理空间情报局计划在五年内对数据标记服务进行重大投资，以增强分析卫星图像和地理空间数据的ML能力。

此外，美国国防部（DOD）正在研究如何利用高级AI使其导弹防御系统能够有效跟踪并应对巡航和高超音速导弹，以及分析由低地球轨道传感器收集的数据。俄罗斯也表示对在防空和导弹防御部队中使用ML和DL感兴趣，例如为S-500防空系统开发AI控制能力。

海军领域似乎是ML系统开发和部署的特别焦点。水下使用ML和DL对于提高透明度具有重要意义，因为这可能威胁到核潜艇的生存能力，从而可能颠覆战略稳定。

美国海军和国防创新单元宣布了一个用于水下威胁检测的集成能力，该能力在一年内利用商业ML技术开发，并集成到现有的无人水下车辆（UUVs）中。

尽管围绕核武器计划的文化保密性限制了有关进一步AI-核整合的计划、战略或实践的信息，但对更广泛国防领域的AI讨论可以提供一些线索，表明各国看到这些系统的价值，包括在核领域。这些讨论还暗示了对核威慑的影响。

尽管如此，高级AI在军事领域的整合不应被视为不可避免的，而且肯定不会普遍存在。

整合高级AI的挑战

尽管核武国家对将高级人工智能（AI）整合到军事领域表现出兴趣，但一系列技术和实际操作上的挑战可能会限制或减缓这种整合的进程。

首先，高级AI模型存在技术挑战，包括不可靠的输出和易受网络攻击的特性。这些模型可能会产生错误的输出，却对此非常自信，这在关键领域如威胁检测和监视中可能导致误判或误报。此外，AI模型的复杂性导致了解释性差的问题，即所谓的“黑箱”问题，这使得在高风险决策场景中验证AI生成的预测变得困难。

其次，整合挑战涉及到将AI与现有的军事遗产系统集成的难题，这可能需要对这些系统进行广泛的修改。缺乏高质量的数据也会阻碍基础模型的效率和准确性，特别是在核领域，相关的数据点较少，且获取数据的途径有限。

最后，资源获取挑战涉及到发展高级AI所需的关键资源，包括人才、大量高质量的训练数据和强大的计算资源。虽然美国和中国等国家在AI领域处于领先地位，但其他国家可能面临获取这些资源的难题，尤其是那些核武库较小或核武器计划不够成熟的国家。此外，全球半导体供应链高度集中在美国及其盟友，这限制了一些国家获取高级芯片的能力。

结 论

虽然目前关于核武国家正在开发的AI技术细节尚不明确，但很明显，基于深度学习的高级AI技术被广泛认为有潜力广泛应用于军事领域。

当前，核武国家主要在ISR、导弹防御等数据融合、分析和模拟方面探索AI的应用，并正在研究AI在决策支持、军事规划以及攻防网络行动中的作用。

尽管如此，一些挑战可能会限制AI与核领域的整合。深度学习（DL）和基础模型仍面临技术问题，包括不可靠的输出、易受网络攻击，以及难以解释的“黑箱”问题，这些都可能导致在敏感的核武器系统中出现严重故障。

此外，核领域高质量数据的缺乏可能会进一步限制高级AI模型的性能。最后，要发展高级AI，还需要获取专业的计算硬件、大量高质量的数据以及强大的工业和技术基础。

这些挑战表明，尽管AI技术具有潜力，但其在核武器系统中的应用并非没有障碍。

声明：本文来自稻香湖下午茶，版权归作者所有。文章内容仅代表作者独立观点，不代表安全内参立场，转载目的在于传递更多信息。如有侵权，请联系 anquanneican@163.com。