对抗折扣——AI、信号相关性与网络安全的军备竞赛

我们研究了一个基于对抗性资源投入的竞赛模型，其中攻击者和防御者在多个攻击表面上分配资源以增强 AI 辅助能力。攻击者的投入通过两个渠道运作：它在不加条件地放大攻击效力，同时在条件性地削弱防御效力，产生一种对抗折扣，随防御者自身投入而内生性加深。我们推导出一个闭式军备竞赛比率，将相对边际效能性分解为六个结构基本要素，并建立了均衡唯一性和在连续最佳回应动态下的全局收敛。核心结果涉及信号交叉相关性，即一种威胁情报在一个表面上如何为另一个表面的检测提供信息。若实现完全交叉相关，军备竞赛比率与攻击表面的数量无关：攻击者因表面扩张所获得的结构性优势被完全中和。在基准完全稀释情形下，若无交叉相关，随攻击表面的增长，每表面防御效能将趋于零。将分析扩展到面对攻击者按预期价值目标化的异构防御者，我们认为该模型指向双重效率问题：私人防御的过度投入（零和重定向外部性）和对共享信号相关性的投入不足（公共物）。这些形式结果，以及基模型之外的公共物推理，特征化了在哪些情况下集体信息聚合可以作为对抗性竞争中决定性边际优势。