Airwars 发布报告：拆解 AI 杀伤链的六个阶段

国际非营利监督机构 Airwars 发布了一份名为《Anatomy of an AI Kill Chain》（AI 杀伤链解剖）的报告，系统揭示机器学习技术如何渗透现代战争的杀伤链条，并指出 AI 在战场决策中可能放大的错误风险。报告由 Sophia Goodfriend、Heidy Khlaaf、Namir Shabibi、Joe Dyke 和 Nathan Walker 共同撰写，试图通过一份虚构但贴近现实的杀伤链框架，推动公众与政策层面对军用 AI 的审视。

杀伤链的六个 AI 介入阶段

报告将现代军事打击流程拆解为六个阶段，并逐一分析 AI 与机器学习在各环节的参与方式：

决策支持系统：辅助数据采集与情报整合。
监控技术：包括对目标通讯内容的自动翻译。
情报与识别：利用计算机视觉与社交媒体数据进行目标风险评分。
目标选择：算法对目标的分类与优先级判断。
打击执行：在 GPS 或电子干扰环境下，循环神经网络引导的无人机攻击。
打击后评估：AI 辅助的战损评估系统。

报告引用近期出版的美国军用 AI 著作指出，在某些行动中，六阶段里仅有两个仍有人员「in the loop」（人在闭环中），第三个存在部分人类监督，其余三个已实现完全自动化。

各阶段的潜在错误来源

报告对每个阶段都标注了机器学习可能引入的风险：

决策支持系统的可靠性与准确性问题；
监控阶段自动翻译可能产生的语义错误；
基于社交媒体的算法目标风险评分存在偏差；
计算机视觉系统可能误识物体与人；
在 GPS 与电子干扰环境下，循环神经网络用于无人机打击时的失效风险；
AI 战损评估系统在复杂战场环境中判断不准。

Goodfriend 在接受 The Register 采访时表示，报告刻意采用虚构的杀伤链，是为了避免对特定军队运作方式做出过度推断，但同时希望引发读者对「人在闭环」说法的质疑。

「自动化偏差」与时间压力

Goodfriend 强调，即便某些环节名义上保留人工审核，时间压力与自动化偏差也会让操作者倾向于直接采信 AI 输出。她举例称，审核人员在查看社交媒体帖子时，帖子本身已经过机器翻译算法处理，审核者既无时间也无法核实翻译是否准确，因此更容易默认接受 AI 生成的结论。

她还指出，机器学习系统的错误并非「部署越多就越能消除」的磨合期问题，而是该类技术固有的局限——它们难以胜任战场环境中所被赋予的任务。

民用技术间接放大风险

报告的另一个重点是，普通民用技术（包括私人数据、被动监控所产生的大规模信息）构成了自动化战争的基础设施。Goodfriend 认为，军用 AI 系统的运作方式长期被神秘化与炒作包围，外界难以了解其真实工作机制，而这正是推动透明度倡导的关键所在。