《军事域生成式人工智能：趋势与机遇》最新14页slides

技术现状

▪ 多数论文与出版物以近乎均等的比例探讨决策制定、网络安全、人工智能战略与治理、伦理及人工智能技术开发
▪ 决策类议题的略微偏重与“人工智能作为决策支持工具”的前提相吻合
▪ 与我们早期预期相悖，伦理、信任及人机交互议题并未过度凸显
▪ 相反，技术研究数量“出人意料”地偏高

应用研究发现

军事领域可在一定程度上利用通用生成式人工智能工具
• 问题源于领域特定数据
• 需针对军事术语与语境开发专用嵌入与标记化处理
• 推理能力需要指令调优

多项研究采用微调技术以提升效果
• 虽也采用系统提示，但无法替代微调的必要性
• 微调对于语境理解与指令遵循至关重要

大型模型的计算与内存需求在军事应用中存在限制
• 多数研究依赖公开模型与非机密问题
• 小型模型虽得到充分应用但性能指标不足

该领域发展速度超乎预期
• 除早期思维链实验外未见最先进方法
• 推理模型（LRM）、蒸馏技术及近期“泰坦”架构过于新颖，现有研究尚未深入探讨

基于研究结论的建议

• 微调与知识蒸馏为生成式人工智能军事化应用提供已验证工具
  • 使用（超）大型模型处理敏感数据需加大基础设施投入（数据中心）
    • 替代方案可通过与安全云服务商合作缓解需求压力
    • 然云服务无法解决所有问题→蒸馏技术虽可行，但更高敏感度数据仍超出适用范围
• 预训练模型与指令模型微调需要海量数据支撑
  • 必须大规模整合数据→存在可及性障碍
  • 指令微调需将数据构造成指令-答案对→需人工操作或依赖合适现有模型
• 必须有效实施防护栏与安全措施
  • 通过检索增强生成（RAG）等方案缓解幻觉现象
• 本地化部署需求催生专用轻量化模型开发
  • 在特定任务性能可比肩大型模型
  • 是否存在联合开发方式的实施空间或需求？