美国海军 Jon Haase 上尉谈 AI、自主系统与海战未来

摘要

• Haase 的猎雷系统表明，国防 AI 首先是边缘端集成问题，其次才是模型问题。 多个深度学习模型组成的集成系统运行在无人水下航行器搭载的 NVIDIA 处理器上，识别疑似水雷并在不浮出水面的情况下触发确定性的任务分支；同一套模型也能加速笔记本电脑上的人工复核。在无法使用 GPS、声学通信又不可靠的水下环境中，功耗效率、推理延迟、导航和机载传感器共同限制了模型的使用方式。

• 商用系统向军用系统的加固鸿沟，可能把原本预计10%的改动放大成90%的变更。 给一条水下声学消息加密后，传输时间变长，DSP 持续运行更久，电压和热量上升，最终导致电路板失效，迫使团队从软件一路改到物理架构。Haase 对国防科技供应商的直白警告是：产品在解决可靠性、网络安全、保障维护和部署之前，看起来能用的东西“从来没有真正可用”。

• 一个能够运行的原型，在军用部署中只代表“问题的5%”。 技术有效只是入场券；专业人士还会追问它能否经受对手攻击、符合政策、完成部署并得到持续保障。即使模型和机器人不断演进，采办知识与系统工程能力仍是持久的差异化来源。

• Haase 的团队只应在商业市场无法提供的地方打造定制能力。 猎雷识别需要定制开发，但对大语言模型而言，Haase 更愿意调整需求以适配规模化商用产品，也不愿为政府专用替代品提供资金，因为后者的成本会“指数级”上升。开源模型还会进一步加速那些已经理解任务场景的承包商，使价值更多转向安全集成与部署。

• Haase 支持将 AI 融入进攻行动，但拒绝把军事效能与伦理克制框成二选一。 他对夺取生命的标准是明确、具体的人类介入，可解释性、监督以及保护平民；在 Lukas Biewald 追问对抗性军备竞赛问题后，Haase 回答说，进攻性、胜利与道德正当性是“并且”，不是“或者”。AI 可以提升行动节奏和决策优势，但应“赋能并增强人类，而不是取代我们”。

• 技术领先很重要，但 Haase 认为，集成与训练的重要性高于10–20%的模型性能优势。 对 DeepSeek R1 和 R10 引发的焦虑，他的反驳很绝对：“软件从未赢得战争。”未来5到10年，他预计机器人、智能体、实时数据和远程行动会增加，同时为“约30%留给我们尚未看到的东西”。

• 一个有前景的应用，是由可互操作的智能体组成的层级体系，用来拨开战争迷雾。 车辆级智能体可以帮助区分水雷与岩石并重新规划任务；更高层级的智能体则可将这些任务压缩成舰队部署决策，让共享数据沿指挥链动态流动。Haase 认为，让疲惫的人类更清晰地沟通和决策能够带来“完全超出比例的回报”；他还在内部证明，领导者公开使用 AI，可以在“一两周内”改变团队的采用情况。

精读

1. 猎雷让边缘端推理真正投入运行

• Haase 介绍说，海军目前最成熟的 AI 应用，是部署在无人水下航行器上的自动目标识别。由多家第三方共同组建的深度学习模型集成系统运行在 NVIDIA 处理器上，在航行器执行任务期间，为疑似水雷生成目标提示和边界框。

• 同一套模型也运行在操作员的笔记本电脑上，让任务数据复核更快、更可靠。新任务产生的数据会回到开发闭环，用于微调、重新加权模型集成并快速重新部署，形成覆盖嵌入式推理、人工分析和持续改进的运行模式。

• 这些航行器是圆柱体，尺寸从普通餐桌大小左右，到大约两张餐桌拼在一起，搭载电池、向下和向前观测的传感器、导航软件、机载算力、一个尾部螺旋桨和控制面。去掉生命保障系统后，它们比载人潜艇小得多，但机械结构并不简单。

• 水下自主系统一开始就面对严苛约束：水的密度“约为空气的1,000倍”，无法使用 GPS，地形可能造成碰撞，声学通信还要与海洋噪声以及由温度形成的声道竞争。自主系统本身是确定性的，但一次 AI 检测可以触发预编程分支，重新扫描一片区域，而不是浮出水面、分析、重新获取目标并执行第二次任务。

2. 廉价水雷可能造成数十亿美元的下行风险

• 水雷可能沉在海底、位于水柱中，或靠近水面。它们难以探测，成本相对低廉，却足以让舰队行动停摆——这是“一种非对称威胁”，之所以容易被忽视，是因为“在出问题之前它不是问题，而一旦成为问题，就会变成一个非常大的问题”。

• Haase 回溯到1864年的莫比尔湾战役：Tecumseh 撞上水雷后，编队停止前进，直到海军上将 David Farragut 驱使 Hartford 继续向前，留下“去他妈的鱼雷，全速前进”的名句。Haase 的教训不是浪漫化的勇气，而是不可接受的风险：舰队穿过雷区并幸存，靠的是运气，而不是有效的反雷措施。

• 他说，那些舰船按今天的美元计算约值1,700万美元，而现代舰船的成本是数十亿美元。由于海洋过于广阔，无法无差别搜索，指挥官必须根据地理位置、情报、已知威胁和计划中的舰队行动，把猎雷力量集中到清除价值最高的区域。

3. 致命自主系统仍须由人类作出决定

• 在 Haase 的职责范围内，清除水雷的伦理问题相对直接：它保护军舰和民用船员，不要求 AI 夺取生命。但在致命行动上，他最初划出的界限很明确——如果没有人类“直接且具体地参与”，他“无法想象以任何有意义的方式把这件事交给 AI 或自主系统”。

• Biewald 的反驳指向军备竞赛问题：对手可能在没有类似约束的情况下使用自主系统，因此绝对禁止在战略上可能很危险。Haase 澄清说，他并没有排除进攻性 AI；压制对手的行动速度很重要，但系统设计必须保留可解释性、监督和人类安全，不能让平民或无辜者丧生。

• Haase 的解决方式是“并且，而不是或者”：军队可以保持进攻性、取得胜利，同时继续占据道德制高点。伦理正当性也能保住盟友和伙伴，因此它不是独立于作战效能之外的东西，而是作战效能的战略基础之一。

4. 网络安全加固会把10%的改动变成90%的改动

• Haase 认为，与民用自动驾驶车辆相比，军用系统最根本的差异在于，它处于遭受蓄意、反复对抗性攻击的环境中。一支遭入侵的军用舰队可能失灵、变得不安全，或者在不知情的情况下充当未经授权行为者的代理；因此，系统稳健性既要覆盖显性的故障，也要防范隐蔽的控制。

• 他直白解释了行业为何在这方面投入不足：“没人喜欢网络安全。”加固会带来更慢的启动、更复杂的身份验证、更多硬件和软件、加密的内部消息传递，以及更低的便利性——“一切都会运行得更差”——但这些负担对于抵御专业攻击者不可或缺。

• 他的团队原本预计，为一款商用水下机器人完成海军级网络安全加固，大约需要10%的改动，结果变成了90%的改动。通信结构、通信总线、软件层、物理架构以及航行器的通信方式全部发生联动变化。

• 一次故障完整呈现了其中的因果链：加密扩大了声学数据包，使发射器和 DSP 保持开启的时间更长；更长的传输时间让电压施加更久，产生额外热量，最终导致电路板失效。“当国防科技公司或其他公司带着能工作的东西来找我的项目时，在这些跨层后果得到解决之前，它们对我们来说从来没有真正可用过。”

5. 国防应购买规模化能力，只打造定制层

• Haase 认为，军方与科技公司的关系正在改善：初创企业开始挑战既有流程，更多风险资本进入国防科技，大型平台也在与政府合作。他以 Google 进入政府云业务、Microsoft 提供与 OpenAI 相关的服务为例，说明供应商越来越把国防部门视为客户。

• 文化翻译仍然不可或缺。供应商必须理解战斗级可靠性，政府团队也必须理解商业激励并让采办更容易；用 Haase 的话说，军方的立场很简单：它想要“最好的工具和能力”，“我们只想赢”。

• 对于定制需求，流程首先是市场调研和询问政府作战中心：是否已经有人做出了相应的架构、模型、数据仓库、工作流，甚至通用数据模式？如果没有，团队就明确需求，并与主承包商或其他行业伙伴签约，猎雷识别项目就是如此。

• 商用 LLM 颠倒了这一默认逻辑。“只要存在接近的产品，我们确实更适合调整需求以适配已经规模化构建的东西”，而不是另造一套定制替代品。开源模型也让理解任务场景的供应商能够快速推进，前提是它们能证明安全性、可靠性和系统适配性。

6. 软件能帮助赢得胜利，但无法提供战斗意志

• 当被问及竞争对手军队是否让他夜不能寐时，Haase 区分了恐惧与尊重：“我不怕任何人”，但每个对手都可能以意想不到的方式抵抗，历史也反复表明，强国会在对阵弱小对手时陷入苦战。技术上的谦逊意味着向所有人学习，而不是把基准测试领先当作命运。

• Biewald 认为，如果另一个国家在 AI 上领先数年，可能会非常可怕。Haase 直接反驳：“软件从未赢得战争。”这并不是否定技术，而是否定单一技术维度可以取代人员、人因、训练以及整合多种能力的观点。

• Haase 举 John Boyd 的例子说，规格较弱的飞机也可能取胜，只要液压系统让飞行员能够更有效地操纵飞机。每磅炸药的威力更强也会引发同样的分析陷阱：能量学很重要，但它仍只是更大作战体系中的一个贡献因素。

• 因此，AI 最强的作用是提供决策优势：减轻认知负担，在噪声中提取信号，并帮助人们在正确的时刻采取行动。Haase 提到海军上将 Nimitz 发给海军上将 Halsey 的那条被误解的信息：更先进的技术、情报、阵位和突然性本应带来一次攻击，但 Halsey 把“攻击”理解成了“准备攻击”，最终没有发动进攻。

7. 下一处战场将更互联、更快速，也更出人意料

• 未来5到10年，Haase 预计机器人系统、远程行动、实时信息，以及机器、人类和决策支持智能体之间的通信都会增加。随着战场数据更快地流过此前彼此分离的系统，作战节奏应当会加快。

• 针对乌克兰的例子，他指出，一个拥有美国全部技术能力范围的民族国家，尚未把所有这些资源投入到类似行动中。无人系统是一个持久趋势，但它们将如何与人类以及彼此互动，仍未解决。

• 从航空和膛线到火药，每一种重大军事技术都曾给战场带来意外。因此，他的预测规则是延伸观察到的趋势，但要“为我们尚未看到的东西留下约30%”。

8. 国防部采用 LLM，本质上是政策和工作流问题

• Haase 说，国防部正谨慎地通过涉及 Gemini、Anthropic 和 Microsoft 的方案试点访问权限，且对应不同影响等级。近期应用会刻意保持低威胁，包括文书、奖励、HR、文件生成、审阅、需求编写和开发者生产力，以缩短周期并改善初稿质量。

• 核心军事用途与通用安全政策之间存在错配。任务规划、战场伤亡以及对阵地的攻击，可能触发原本为阻止普通用户而设计的安全机制；国防部需要与供应商建立更紧密的合作，让合法的作战工作能够推进，同时不放弃信息保护、伦理或政策合规。

• Biewald 提出，LLM 可能让生物武器或其他致命知识更容易获得。Haase 说，其中很多信息本来就已经存在，但智能体降低了获取门槛，也可能把一套计划拆分到多个聊天窗口中；他没有完整答案，并将持续责任交给供应商的信任与安全团队。

• DeepSeek R1 和 R10 引发了关注，但没有改变 Haase 的近期优先级。他用“先把自己的指标做到位”来类比这场竞赛：今天更重要的是集成、训练并教会人们使用现有的美国系统，而不是追求“10%或20%的竞争优势”，或 ARC 基准测试20%的提升。

9. 可见的领导力与可互操作智能体直击人类瓶颈

• Haase 的团队最初对使用 AI 犹豫不决，因为员工担心这会被负面看待。他援引一项显示 AI 可能让咨询顾问效率提升约25%的研究，开始在会议中公开向助手提问，把屏幕转向同事，与他们一起阅读回答。

• “在1或2周内”，高级领导者开始复制这一行为，并提交组织更好、审阅更充分的工作。他正在形成的研究问题是：领导者如何通过示范、培训、热情以及将 AI 融入现有工作流，为采用 AI 创造心理安全感，同时保留个人责任。

• 一个实际做法是转录每一场 Teams 通话，并整理文本，以便进行自然语言处理和检索增强生成。口头视频内容转成文字后会大幅压缩；一个受控的数据仓库可以让未来的智能体访问机构内部对话，而不必要求团队从散落在各个项目文件中的材料重新拼回历史。

• Haase 下一步的研究前沿是多智能体协同自主：一个智能体帮助一支4人艇组重新规划猎雷任务，另一个汇总各舰活动，更高层级的智能体则帮助决定如何在战场上部署舰艇。共享数据可以支持从“水雷还是岩石”分类到战场级决策的不同功能，并让数据沿指挥链实现互操作。

• 一套为军方定制的 LLM，也可以避免另一场 Nimitz-Halsey 式的失败，让任务接收者查询与任务编写者使用的同一个智能体。在人类疲惫、消息破碎时，它的价值在于拨开“战争迷雾”：“技术的意义在于赋能并增强人类，而不是取代我们。”

• Haase 最后把后勤领域的一句格言转译到国防科技上：“业余者会对可运行的原型感到兴奋。”一个能运行的演示只是“问题的5%”；专业人士关注保障维护、部署、网络安全和政策合规，因为“有效系统只是入场券，但还不足以让你走完全程”。