中文版 | 生成式大语言模型在美海军舰员中的应用

现阶段距无人驾驶飞机或舰船独立参与战争仍有时日。但人工智能（AI）当前即可为海军提供一项极有价值的基础贡献：运用大语言模型（LLM）快速检索信息，彻底革新训练与作战模式。海军采购、训练并部署经认证可用于涉密信息网络的LLM系统，在舰船上构建基于知识库的智能参考体系。

“哥伦比亚号”核潜艇（SSN-771）部门军官曾埋头钻研鱼雷使用手册、液压系统设计规范、声纳操作规程、通信协议与导航条令等大量文献，以掌握战术运用能力。同样“托皮卡号"核潜艇（SSN-754）机电长更耗费大量时间研读《核动力装置操作手册》及相关出版物，力求精确执行核动力计划运维要求。担任值更官时协调多国演习的复杂条令检索过程，亦倍感压力。

试想若初级军官在资质认证时仅需询问LLM：“目标运动分析的核心原则是什么？”即可获得基于海军所有官方文献的详尽解答——ChatGPT等AI程序已证明此类技术完全可行。

更可畅想：当LLM系统吸纳海军所有声纳作战条令后，其应答目标运动分析的能力将何等强大。通过将每份手册、指令与海军通告纳入数据库，操作员与军官均可获得精准、实时且全面的专业应答。

以掌握对手最新战斗序列为例：曾耗费大量时间研判情报产品以识别对手海军反潜部队编制。LLM可瞬时提供此类信息。若将海军情报局等机构的实时情报产品整合入LLM数据库，操作员便能快速生成全景式敌情清单。

保守观点认为强制水兵查阅原始文献能培养更扎实的“照章办事”能力。但当今舰队文献多已电子化，信息获取媒介本就不会逆转。且LLM若经规范文献训练，其应答必然严格符合条令标准。此举节省的时间将大幅提升组织效能——无论是初级水兵备考资质认证、值更官查询最新航行限制，还是机电师验证核装置维护条件。

部分人担忧LLM差错可能导致操作失误。但需明确：以LLM为参考工具时，人类始终处于决策闭环。指挥官仍行使指挥权，督导官持续履行监督职责，值更团队多重校验机制仍可防范失误。现行分散式条令管理体系下，各舰自编操作指南、标准流程与常规指令本身同样存在错漏风险。而LLM数据库的错误可随条令更新即时修正。

必须区分底层数据错误（会误导人类与LLM）与LLM的“信息幻构”现象。当前主流LLM通过两种方式大幅抑制幻构：检索增强生成（RAG）技术，以及在应答正文标注引文来源。RAG将语言模型与外部队可信数据库（此处即海军出版物与指令）动态关联，使系统生成应答时直接从实体文件/数据集检索信息，避免依赖内部预测或“猜测”。多数LLM现已采用文内引注机制供用户验证可靠性。

相比国防部门正在推进的其他尖端技术，构建基于LLM的军事通用参考系统成本极低。该技术现成可用，可直接改造商用方案进行部署。