《Maven计划》

　　曼森给Maven计划划出四个阶段：发现、定位、打击、反馈。这恰好对应目标处置从情报发现到效果评估的完整链条。书名把库科尔置于中心，但全书真正的主角是一个逐步成形的制度组合：军方提供任务和敏感数据，科技公司提供模型与平台，作战人员在真实任务中持续纠错，预算和合同再把临时试验固化为长期能力。

　　作者称，她同200多名内部参与者和反对者进行了多轮长时间访谈，还核对了私人邮件、内部备忘录、非公开演示文稿、算法评分、旅行记录和同期笔记。Maven自2023年成为美国国家地理空间情报局正式项目后，预算转为保密；书中关于每日可处理5000个目标、秘密空中和水下自主系统等说法，主要来自匿名官员或未公开文件，外界无法独立复算。

原书封面

　　全书最重要的判断可以压缩成一句话：Maven的价值不在于某个算法“看得比人准”，而在于把分散的传感器、情报、地图、目标规则和武器接口装进同一工作环境。简单来说，Maven不是一枚智能武器，而是一套让情报和火力更快相遇的软件系统。

（一）旧战争暴露的不是火力不足，而是信息失灵

　　第1章从2001年阿富汗战争写起。库科尔携带的笨重计算机装有Excel、Word、PowerPoint和Google Earth，却无法把人员、地点、通信、袭击和目标关系连起来。美军拥有精确弹药和多种传感器，情报人员仍靠复制粘贴、纸质地图和透明胶片工作。书中那句“难以想象，我们用Office杀了多少人”，点破了问题：目标链的薄弱处不在弹药末端，而在数据进入决策之前。

　　第2章把这一困境追溯到更早的海湾战争和伊拉克、阿富汗反叛乱行动。库科尔1997年的硕士论文已批评美国海军陆战队情报体系“集中、等级化、迟缓”。部队每隔数月轮换，人员重新认识同一片地域、同一批关系网，历史知识不能积累。面对简易爆炸装置，美军花巨资增加装甲，却仍无法回答“谁在何时、何地、以何种关系组织袭击”。

（二）Palantir先证明数据融合可以改变现场

　　第3章讲述库科尔在2011年绕开常规采办流程，把Palantir服务器运入阿富汗。系统3月21日上线后，一小时内有15名用户接入，八周内扩展至30个小组的250名用户。航空兵用它规划航线，生物识别人员拼接爆炸装置网络，气象人员分析天气和制爆活动的关系。它并未自动产生胜利，却证明同一数据环境能让不同专业看到彼此掌握的线索。

　　这段历史也预埋了Maven后来的矛盾。军方既需要商业软件的迭代速度，又担心供应商锁定数据、抬高价格和挤压政府控制权；科技公司既想拿到持续合同，又不愿承担传统军工的合规成本。库科尔解决了“能不能用”的问题，却没有解决“由谁控制、怎样竞争”的问题。

（三）2017年的Maven从38类目标识别起步

　　第4章记录计划的正式诞生。2016年，库科尔进入由美国国防部副部长鲍勃·沃克推动的非正式创新小组，并把AlphaGo击败李世石视为人机协同的象征。2017年4月，沃克签署备忘录，成立“算法战跨职能小组”；7月，美国国防部公开宣布计划年内把算法部署到战区，初期聚焦38类对象，希望一名分析员完成过去两至三人的工作。

　　第5章和第6章写的是组织创业。项目最初只有极少正式编制，库科尔大量征召海军陆战队预备役人员，用小团队、短周期合同和低管理费率模仿科技创业公司。他设定管理费用低于预算10%的目标，最终称做到7%，显著低于其所批评的20%至30%传统间接费用。这个团队敢试、敢绕路，也形成强烈的个人依附和内部派系，后来的人事裂痕由此埋下。

（四）首批算法承包商与首个战场共同塑造产品

　　第7章以Clarifai创始人马特·蔡勒为线索，说明军方如何把学术界和初创企业拉入军工体系。模型训练并非把代码交给部队即可，而要经过视频脱密、逐帧标注、模型训练、战区部署和连续更新。部分研究人员因军事用途离职，企业则在收入、使命和员工价值观之间重新选边。

　　第8章把试验带到索马里。库科尔的原则是“先交到使用者手里”，哪怕系统尚不成熟。视频分析员起初抗拒边界框和告警，算法也常漏掉人员、车辆；但在一次行动中，机器发现了躲在灌木中的人员，而两组人工观察者都没有看到。作者借此强调，信任不是靠发布会建立的，而是在失败、修正和偶然成功中一点点形成。

（五）Google抗议揭开技术伦理冲突

　　第9章详述2018年Google员工抗议。许多员工认为公司在“战争生意”上误导了内部人员，担忧图像识别会进入致命目标链。有人辞职，Google决定不续签合同，并发布人工智能原则。可是，已经开发的算法交给了美国政府，后由初创公司Xnor维护，最终仍被部署到阿富汗。争议改变了企业公开政策，却没有中止能力建设；AWS、微软和其他承包商迅速填补空位。

　　这部分的关键不是简单判定谁对谁错。军方把“减少误击、节省分析员精力”作为正当性依据，反对者则追问，一旦识别结果进入打击流程，技术人员能否继续把自己理解为普通软件工程师。Maven第一次把硅谷内部的价值冲突，直接拉进美国军事采购体系。

（一）跨地域性能骤降揭开“实验室准确率”假象

　　第10章是全书最有技术含量的一章。Maven模型在阿富汗的探测率一度达到约70%，转到菲律宾后最低跌至30%。原因并不神秘：地貌、植被、天气、传感器角度、目标外观和作战习惯都变了。模型在一个战区学到的视觉特征，不会自动迁移到另一个战区。模型还会把驴队、车辆、人员或背景混淆，必须由分析员结合上下文复核。

　　这个细节足以推翻一种流行叙事：算法能力不是固定参数，而是“模型—数据—传感器—环境—任务”共同产生的结果。脱离具体场景谈准确率，没有多少军事意义。更危险的是，战区人员可能为了让演示看起来成功而调高灵敏度，结果是“什么都能发现，什么也分不清”。

原书关键页：算法跨战区性能变化

（二）水下、太空和高空图像把难度进一步放大

　　第11章把Maven带入反潜领域。水下声学信号低频、稀疏、噪声复杂，商业数据极少，模型训练还受联盟保密制度约束。书中称，2022年春至2025年，英国、美国、澳大利亚250多名用户在“秘密”级共享云上协同，对深海传感器数据测试了600多个模型。这个案例说明，人工智能军事化首先是数据工程和联盟工程，而不仅是算法工程。

　　高空和天基图像同样苛刻。第18章后文提到，从6万英尺以上获取的多光谱图像中，重点目标可能只有10个像素，一个人约50至80个像素，肩扛武器甚至只有3个像素。经验丰富的图像分析员可借助地形、编组和活动规律判断，通用视觉模型却未必拥有这种背景知识。

（三）“军备竞赛”叙事为预算和产业重组提供动力

　　第12章以中美人工智能竞争为背景，呈现双方对自主武器治理、军事人工智能和战略稳定的不同表述。作者并未获得足以验证中国具体军事项目的原始材料，大量判断来自美国智库报告、官员表态和匿名叙述。因此，这一章更能说明美国如何理解竞争，而不能直接当作中国能力的事实清单。

　　第13至第15章转向Palantir。亚历克斯·卡普把安全理解为让对手畏惧，把Maven视为公司重返美国国防市场的转折点。Palantir把算法、地图、情报源和工作流整合为Maven智能系统，并通过驻场工程师快速修改。2019年吉布提用户最初认为系统很差，Palantir一个春季完成60次修改；到当年年中，系统已能在美军多个战区提供共同作战图景。

　　问题也随之扩大。团队有人担心把“钥匙”交给单一公司会损害开放竞争，Palantir只是界面平台，并不承担最艰难的模型研发，却可能控制用户入口和数据流。书中所写的团队分裂，实质是现代军工权力从平台硬件向软件接口迁移：谁控制数据模型、身份权限和操作界面，谁就更接近控制整个目标链。

（四）实战使用既提供证据，也放大不透明风险

　　第16章写2019年针对“伊斯兰国”头目巴格达迪的行动。Maven参与了态势显示和目标跟踪，但作者无法证明它决定了行动成败。随后系统也用于跟踪苏莱曼尼所乘车辆。书中把这些行动写成Maven进入高价值目标任务的标志，同时提醒读者，参与并不等于决定，更不等于算法独立选择打击对象。

　　第17章的标题是“数据地狱”。标注人员会涂写、漏标，供应商可能污染训练集；敏感数据不能随意共享，Maven又与美国联合人工智能中心争夺数据控制权。2020年，美国国防部审计发现相关机构尚未形成完整人工智能安全治理框架，部分单位和承包商的控制措施存在缺口。库科尔为防泄密和防供应商“提前看到考题”而限制测试集共享，却造成重复采集、重复标注和重复建模。这个矛盾至今没有简单答案：共享不足会拖慢迭代，共享过度又会泄露能力边界。

（一）从12小时识别一辆坦克开始

　　第18章记录“猩红之龙”系列演习。2020年8月27日，美军用卫星图像寻找靶场上的旧坦克车体，系统耗时12个多小时才完成识别，经人工确认后把信息传给“海马斯”火箭炮实施射击。这一过程远谈不上敏捷，却首次把人工智能探测一路接到武器线。

　　后续试验暴露了可靠性边界。第18空降军测试中，人工智能目标识别准确率约60%，人工基线为84%；机器优势在于看得更远、处理更快，而不是单次判断更准。该部试图把人保留在“决定行动”和“实施行动”两个节点，其余采集与评估尽量由系统支持。这种安排表面保留了人在回路中，实质上却让机器提前决定了人能看见哪些候选目标。

（二）转隶国家地理空间情报局使试验转为制度能力

　　第19、20章写库科尔职业生涯的尾声。2021年9月3日，美军决定把Maven的图像训练和地理空间情报部分移交美国国家地理空间情报局，文本等非地理空间部分后来进入美国国防部首席数字与人工智能办公室。库科尔于2021年退休，计划则在2022年由一度怀疑其成本和效果的特雷·惠特沃思接管。

　　官方材料补足了书中的制度节点：美国国家地理空间情报局于2022年12月接管Maven地理空间情报服务，2023年11月7日将其列为正式项目。到这一步，Maven已经越过“创新试点”的生死线，获得稳定预算、正式责任单位和持续采购资格。它是否有效仍需逐项检验，但组织上已不再容易被取消。

（三）乌克兰战场把目标生产推向工业化

　　第21章写2022年俄乌冲突爆发后，第18空降军在德国威斯巴登建立支援乌克兰的目标工作区。Maven把商业卫星图像、合成孔径雷达、信号情报和其他数据叠加到同一地图，美方形成目标信息后转交乌方决定是否行动。书中以赫尔松方向一支俄军炮兵分队为例，说明合成孔径雷达在云雨条件下仍可提供图像线索。

　　第22章进一步描述目标生产速度：团队起初每天向乌方提供30至35个目标，随后提高到70个。需要警惕的是，这些是作者依据参与者采访给出的目标信息数量，不等同于实际打击数量，更不能直接等同于战果。目标从发现到合法性判断、武器匹配、执行和毁伤评估，中间仍有多道人工和组织程序。

（四）能力扩张已从美军走向北约

　　第23章回到规模化。作者从美国国家地理空间情报局官员处获悉，计算机视觉把美军每日可处理目标量从不足100个提高到1000个，接入大语言模型后又升至5000个。Maven智能系统据称已覆盖美军各军种，接入150多个数据源和50多家企业。但这些数字缺少公开口径、样本期和独立审计，应视为内部人士对处理能力的描述，而不是已核验战果。

Maven目标处理能力变化

　　原书紧邻这一数字写道：“Maven has already sped up the pace of war.”这句话准确概括了作者的担忧：目标发现越快，指挥员获得的选项越多，决策时间却可能越短。速度既能减少情报积压，也会压缩怀疑、复核和法律审查的空间。

　　书稿写到，北约于2025年春开始使用Maven智能系统。北约后续官方资料进一步证实，采购从提出需求到签约仅用六个月，系统用于情报融合、目标工作、态势感知和规划；2026年6月22日达到“全面技术运行能力”，并获准在北约保密网运行。这说明Maven已从美国项目变成联盟数字指挥平台，平台标准、模型接口和数据治理规则也随之向盟国扩散。

（一）人在回路中并不自动等于有效控制

　　第24章把视角转向联合国、红十字国际委员会和自主武器倡议者。争论焦点早已不是“有没有人按下按钮”，而是人在按下按钮前是否拥有理解、质疑和推翻机器建议的真实能力。如果系统一次生成数百个候选目标，操作员只能快速勾选，形式上的人工批准可能退化为自动化偏见下的橡皮图章。

　　联合国秘书长2024年报告汇总各方意见时强调，国际法继续适用于自主武器，责任不能转移给机器；不少国家主张保持对生死决定的人类控制。红十字国际委员会则把风险落到数据质量、偏差、不可解释、对抗欺骗和人员训练上。它提醒，人工智能在狭窄、定义清楚、环境受控的任务中表现较好，战争却恰恰充满不确定、欺骗和突变。

（二）Replicator暴露了自主系统的工程落差

　　第25章追踪美国“复制者”计划。该计划原定在2025年8月前交付数千套可消耗自主系统，用于应对大规模无人平台威胁，但进度和性能均不理想。美军随后收缩目标，优先推进一型空中、一型水面和一型水下平台，并继续发展“守门员”等自动目标识别能力。书中强调，30多艘无人艇能够自主通信，不等于成熟蜂群已经形成；“可协同”与“可在对抗环境中可靠作战”之间仍有很长距离。

　　更敏感的是，作者依据多名消息人士称，美军至少有一套空中和一套水下系统可在没有即时人工输入的情况下完成监视、选择和攻击。由于系统名称、测试条件、交战规则和实际部署状态没有公开证据，本文不能把它们写成已形成规模战力。能够确认的是，美军正在把自动目标识别从决策辅助推向更高程度的武器自治。

（三）最后的问题不是机器是否有罪，而是谁保管权力

　　第26章借库科尔家庭和“温彻斯特神秘屋”的隐喻收束全书。库科尔相信人工智能可减少误击、弥补人的疲劳，也承认技术携带开发者、军队和国家的偏见。他的妻子追问，推动这套能力的人会不会被其后果“纠缠”。作者最终没有给出简单裁决。

　　尾声中，库科尔希望人工智能化的美军能换来十年威慑，同时又问美国是否是这些技术最合适的保管者。这个疑问比“机器会不会杀人”更接近现实。机器没有罪责能力，责任只能沿着需求提出、数据准备、模型开发、测试鉴定、指挥授权和武器使用重新分配。如果这条责任链没有同步变清晰，目标链越快，追责链反而越模糊。

（一）可借鉴的是方法，不是美国叙事

　　Maven最值得研究的，是把作战问题、数据、软件、试验和用户反馈放进同一迭代过程。它绕过漫长采办周期，让工程师接触真实用户，让模型在不同传感器和环境中暴露问题。这种“任务牵引、持续测试、快速修正”的方法具有普遍价值。

　　但不能照搬其制度路径。Maven高度依赖商业卫星、美国科技公司、联盟情报共享和全球军事存在，也伴随单一平台商扩张、数据割据、测试口径不透明以及规则边界后移。把商业迭代速度直接等同于作战可靠性，会把工程试验误写成能力形成；把内部处理量等同于战果，会掩盖目标合法性和情报误差。

（二）建设重点应落在五个可检验环节

●先建任务数据标准。围绕传感器来源、时空条件、标注规则、目标定义和版本关系建立可追溯数据谱系，避免模型换地域、换季节、换平台后性能失真而无人知晓。

●把跨域泛化纳入鉴定。测试不能只给平均准确率，应分别报告漏检、误报、置信度校准、极端天气、伪装欺骗、通信受限和对抗干扰下的性能变化。

●保留政府平台控制权。核心数据格式、模型接口、身份权限和日志审计应保持可迁移，防止单一承包商把用户界面变成事实上的目标链控制点。

●让人工复核真正有效。应测量操作员理解模型依据、发现异常、拒绝建议和恢复手工作业的能力，而不是只看流程图中是否画了一个“人在回路中”。

●同步建立责任证据链。需求、数据、模型、版本、告警、人工判断和武器授权都应留有审计记录，使技术故障、指挥责任和法律责任能够区分。

（三）更应防止三种认识偏差

　　第一，不能把目标生产速度当成战斗力的全部。更快发现目标若没有稳定通信、火力可用性、毁伤评估和规则约束，只会制造更大的信息拥堵。第二，不能把单次实战使用当成因果证明。Maven出现在行动画面上，不代表它决定了任务成功。第三，不能把“机器更客观”当作前提。模型会继承训练数据、标签体系和任务设定中的偏见，也会受到欺骗、污染和自动化依赖影响。

（一）结论

　　这本书的结论并不是人工智能已经取代军人，而是人工智能已经嵌入美军决定“看什么、如何理解、优先处理什么”的前端。Maven用九年时间从38类图像识别任务，发展为连接多源情报、目标流程和联盟指挥机构的平台。其扩张依靠真实任务反馈、持续软件更新和商业力量，也暴露出跨域性能衰减、数据污染、平台依赖、内部争权和责任稀释。它已改变战争节奏，但尚未证明机器能够在复杂战争中稳定替代人的判断。

（二）建议

●建立目标链测评体系。围绕发现、识别、定位、授权、执行和反馈逐环节设定指标，把算法精度放回完整任务链中评价。

●形成对抗数据工程。持续建设跨地域、跨季节、跨传感器和含欺骗样本的数据集，用红队方法验证模型失效边界。

●强化军用软件主权。坚持开放接口、可替换模型、可迁移数据和全过程审计，避免核心流程被单一商业平台固化。

●细化人机权责边界。对不同风险等级任务明确人工判断的最低信息、最低时间和否决权限，防止人工审批流于形式。

●参与国际规则塑造。围绕自主武器定义、人类控制、责任归属和武器法律审查提出可操作标准，防止技术领先方单方面设定规则。

免责声明：本文转自“占知智库”，原作者占知知道。文章内容系原作者个人观点，本公众号编译/转载仅为分享、传达不同观点，如有任何异议，欢迎联系我们！

转自丨占知智库

作者丨占知知道