问题——美国国防部正加速将生成式模型纳入军方信息体系。国防部官员表示，军方将非机密与机密网络中"很快"部署领先模型，其中"格罗克"将于本月晚些时候进入国防部系统，并可调用军方信息技术系统中的涉及的数据。这反映出美方在大国竞争背景下推动军事数字化的紧迫感，同时也意味着军方与大型科技企业的合作更深化。随之而来的数据边界、供应链依赖与问责机制等问题成为各方关注的焦点。 原因——战略压力、组织效率与产业能力共同推动美军的此决策。战略层面，美方将"技术优势"视为维持军事优势的关键，强调通过新技术缩短研发周期，提升指挥决策、情报处理与后勤保障效率。组织层面，现代军事行动产生的数据规模激增，传统人工分析与分散系统难以满足快速、准确、全面的需求，军方希望借助生成式模型强化信息检索、态势研判与流程自动化。产业层面，美国商业部门在大模型训练、算力平台与工程化部署上积累深厚，军方通过采购成熟产品可降低自研成本与时间。然而这也使军方在关键能力上更依赖商业生态，带来治理与安全的结构性难题。 影响——短期可提升效率，长期将重塑军方数据治理与作战形态，同时伴随多重风险。在非机密网络中，生成式模型有望提升办公自动化、资料整理与代码开发效率，推动跨部门信息共享。在机密网络中部署则涉及更敏感的情报与作战数据，若模型调用、权限控制、离线部署等机制不完善，易产生数据泄露与越权访问风险。模型输出的不确定性与偏差可能影响决策质量，特别是在高时效、高对抗场景下后果更严重。依托商业公司提供模型与更新服务可能形成供应链依赖，模型训练数据、参数更新与漏洞修复的责任界定都可能成为争议点。此外，若此类技术被纳入作战链条，可能推动相关国家加速军事智能化竞赛，进一步加剧安全困境与误判风险。 对策——关键在于将"能用"与"可控"同步推进，形成可验证、可追责的治理框架。首先，分级分类部署，明确哪些业务允许使用通用模型，哪些必须使用专用模型，机密环境优先采取隔离部署与全链路审计。其次，强化数据治理，建立严格的数据脱敏、访问与留存制度，防止敏感信息被不当调用。再次，推进安全评测常态化，围绕越狱攻击、提示词注入等开展红队测试，并将评测结果与采购、上线挂钩。第四，完善人机协同机制，确保关键决策保留人为复核。第五，构建可替代能力，避免单一供应商锁定，通过多模型对照与模块化架构增强系统韧性。 前景——美军推进生成式模型进入核心网络或将成为其军事创新的重要一环，但能否取得稳定收益取决于治理能力与风险控制水平。未来一段时期，美方可能在训练、后勤、网络防护等领域优先落地，逐步探索在指挥控制等更敏感环节的应用边界。随着部署深入，相关制度与技术措施将同步加强，包括更严格的安全认证、更细化的数据分级与更强的算力保障。围绕军事领域使用生成式技术的伦理约束与国际规则的讨论也可能升温。总体看，这一动向既体现技术驱动的军事转型趋势，也凸显高风险场景下"效率与安全"的长期平衡问题。
人工智能的军事化趋势已不可逆转，其带来的机遇与风险同样显著；如何在创新与安全之间找到平衡点，不仅是美国面临的课题，也是全球各国需要共同思考的战略问题。未来，技术的双刃剑效应或将重新定义现代战争的规则与边界。