本文系统梳理社会科学界关于算法战争的持续论辩,旨在为国际关系及相关领域学者提供关于算法战争实证背景的批判性综述,以及研究算法、机器学习与人工智能(AI)融入国际武装冲突实践的多维理论路径。本综述聚焦四大核心议题:(1)算法战争对战略稳定性的影响;(2)算法战争的道德伦理维度;(3)算法战争与战争法规及规范的适配性;(4)算法战争的公众认知图景。文末提出推动跨学科研究议程的开放性问题集群,并导览本特刊各篇论文的学术贡献。

算法已成为现代战争实践与研究的核心要素。其支撑情报监视侦察(ISR)与目标识别任务,更日益集成于武器系统实现目标选择与攻击决策——即武力的自动化运用。算法战争概念涵盖算法与国际安全及武装冲突实践交汇影响的多元模式(Amoore 2009; Amoore and Raley 2017; Wilcox 2017)。本特刊将其定义为“自动化、自主化与人工智能(AI)技术向武器系统及军事决策流程的整合”。自动化、自主化及“AI”技术均依赖不同类型与复杂度的算法实现数据模式识别。基础层面,算法可定义为“执行特定指令的计算机代码集合”(Dignum 2019, 3)。算法战争术语凸显非人类要素在军事领域的崛起。聚焦“算法”而非“AI”的表述,旨在将当前发展置于算法融入军事决策与目标锁定流程的历史脉络——该进程始于1960年代的导弹制导与防空系统,远早于当下“AI”技术热潮。

算法战争研究已催生跨社会科学的研究议程。相关文献涵盖国际法(Bhuta et al. 2016; Heyns 2016)、国际关系(Bode and Huelss 2018; Garcia 2016, forthcoming; Horowitz 2019; Jensen, Whyte, and Cuomo 2020; Payne 2021)、媒介文化研究(Chandler 2020; Graae and Maurer 2021; Schlag and Geis 2017)、政治理论与伦理学(Asaro 2019; Schwarz 2019; Renic 2020)及科学技术研究(STS)(Bellanova et al. 2021; Hoijtink and Leese 2019; Suchman 2020, 2022)等领域。这些视角深刻揭示了算法如何重塑战争实践、政治与认知,为本特刊探索相关学术谜题奠定理论基础。

现有算法战争研究多聚焦自动化、自主性、自主武器系统(AWS)及“AI”等单维议题,且存在概念使用分歧与关键术语定义共识缺失。技术定义常因学者所属研究领域而异,导致学术对话存在隔阂性认知偏差。当前研究多囿于学科边界,但跨学科研究兴趣正日益显现——包括大型研究项目形态。本特刊旨在推动此类努力,呼吁通过更多协同研究深化对算法战争及其广泛实践挑战的认知。同时尝试勾勒算法战争跨学科整体性研究议程的轮廓。

本特刊导论具有双重目标:(1)解析凸显学术交流现实紧迫性的技术发展动态;(2)批判性审视算法战争学术论争,识别未来研究路径。本分析面向算法与国际安全交叉研究的多类受众(Garcia forthcoming; Horowitz 2019; Huelss 2020; Jensen, Whyte, and Cuomo 2020),亦关联当代政治暴力研究——包括已考察算法战争趋势的“原型战争”(Hoijtink 2022)、“远程战争”(Biegon, Rauta, and Watts 2021; Biegon and Watts 2022; Bode and Huelss 2021; Rossiter 2021; Mutschler and Bales 2023)及“代理战争”(Krieg and Rickli 2019)等辩论。本导论同时嵌套于技术、科技创新与国际关系的宏观研究框架(Hoijtink and Leese 2019; Drezner 2019)。

研究范围需作特别说明:鉴于算法战争的深远变革性影响,本综述必然具有选择性。聚焦特定研究主题既反映其在领域论辩中的显著性,亦因其提出的问题将塑造未来学术对话。驱动此交流的核心认知在于——这些技术既非未来主义亦非科幻:它们已实质塑造战争政治场域与实践,使得跨学科审视日益紧迫(Bode and Huelss 2022)。

全文结构如下:第一部分为不熟悉本领域的读者提供战争算法技术发展现状的实证概览,并界定关键术语;第二部分评述算法战争在(1)战略稳定性、(2)道德伦理、(3)战争法规与规范、(4)公众认知维度的研究进展;末节总结本特刊论文集的学术贡献。

算法战争研究综述

在界定核心概念并厘清算法战争发展脉络的基础上,本节将系统审视社会科学领域对该议题的跨学科研究。聚焦四大核心主题:(1)战略稳定性、(2)道德伦理、(3)战争法规及规范、(4)公众认知图景。本综述旨在实现双重目标:其一,评估各领域现有研究深度;其二,提炼开放性问题并揭示潜在研究盲区。

成为VIP会员查看完整内容
5

相关内容

人工智能在军事中可用于多项任务,例如目标识别、大数据处理、作战系统、网络安全、后勤运输、战争医疗、威胁和安全监测以及战斗模拟和训练。
《机器人强化学习技术进展》34页
专知会员服务
30+阅读 · 7月16日
《计算欺骗》326页
专知会员服务
34+阅读 · 5月5日
【MIT博士论文】可靠机器学习模型部署,279页pdf
专知会员服务
55+阅读 · 2023年11月21日
数据价值释放与隐私保护计算应用研究报告,64页pdf
专知会员服务
42+阅读 · 2021年11月29日
基于深度学习的数据融合方法研究综述
专知
34+阅读 · 2020年12月10日
【综述】多智能体强化学习算法理论研究
深度强化学习实验室
15+阅读 · 2020年9月9日
深度多模态表示学习综述论文,22页pdf
专知
33+阅读 · 2020年6月21日
综述 | 近年来深度学习的重要研究成果(附PDF)
数据派THU
14+阅读 · 2018年8月15日
国家自然科学基金
33+阅读 · 2015年12月31日
国家自然科学基金
23+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2015年12月31日
国家自然科学基金
11+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
13+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
4+阅读 · 2014年12月31日
国家自然科学基金
17+阅读 · 2013年12月31日
Arxiv
171+阅读 · 2023年4月20日
A Survey of Large Language Models
Arxiv
477+阅读 · 2023年3月31日
Arxiv
78+阅读 · 2023年3月26日
Arxiv
173+阅读 · 2023年3月24日
Arxiv
24+阅读 · 2023年3月17日
VIP会员
相关VIP内容
《机器人强化学习技术进展》34页
专知会员服务
30+阅读 · 7月16日
《计算欺骗》326页
专知会员服务
34+阅读 · 5月5日
【MIT博士论文】可靠机器学习模型部署,279页pdf
专知会员服务
55+阅读 · 2023年11月21日
数据价值释放与隐私保护计算应用研究报告,64页pdf
专知会员服务
42+阅读 · 2021年11月29日
相关基金
国家自然科学基金
33+阅读 · 2015年12月31日
国家自然科学基金
23+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2015年12月31日
国家自然科学基金
11+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
13+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
4+阅读 · 2014年12月31日
国家自然科学基金
17+阅读 · 2013年12月31日
微信扫码咨询专知VIP会员