当 AI 在战争迷雾中导航

AI 在战争轨迹变得历史明朗之前推演战争，这一能力分析困难，因为事后回顾性地缘政治预测受训练数据泄露的严重干扰。我们通过对 2026 年中东冲突早期阶段的时序锚定案例研究来应对这一挑战，该冲突在当前前沿模型训练截止日期之后展开。我们构建了 11 个关键时序节点、42 个节点特定可验证问题以及 5 个一般性探索性问题，要求模型仅依据每一时刻公开可得的信息进行推理。该设计显著缓解了训练数据泄露的担忧，为研究模型在战争迷雾中分析正在进行的危机而设计，据我们所知，这是首个针对正在进行的地缘政治冲突中 LLM 推理的时序锚定分析。我们的分析揭示了三个主要发现：首先，当前主流大语言模型常常表现出显著的战略真实感，超越表层修辞，推演至更深层结构性动机。其次，这一能力在不同领域之间不均衡：模型在经济和物流结构化的环境中更可靠，而在政治上模糊的多方actor环境中则不够可靠。最后，模型叙事随时间演变，从早期快速遏制的期望，转向更系统性的地区 entrenchment（ entrenchment）和attrition（attrition）式降级路径。由于冲突仍在进行中，以上工作可作为模型在正在进行的地缘政治危机中的推理快照，为未来研究提供了在事后分析中消除事后偏见的可能。