五角大楼推出专属版 ChatGPT 与 Grok 加速军方生成式AI应用
五角大楼正式上线军用版 ChatGPT Mil 与 Grok for Government，面向300万军民人员提供安全的生成式AI工具，旨在提升作战效率并防止敏感数据泄露。
背景：国防部门对生成式AI的迫切需求
随着生成式人工智能技术在商业领域的快速落地，军方也开始探索其在情报分析、作战计划和后勤支援等环节的应用价值。美国国防部（DoD）此前推出了 GenAI.mil 平台，旨在为内部员工提供安全的前沿AI模型，避免将敏感信息暴露在公共渠道。
新功能：ChatGPT Mil 与 Grok for Government
在去年平台上线时，GenAI.mil 已经接入了 Google Gemini。近期，平台进一步扩容，新增了两款针对军方定制的生成式AI：
- ChatGPT Mil：基于 OpenAI 的 ChatGPT 技术，去除了消费者版常见的数据收集机制，确保对话内容仅在内部闭环中处理。
- Grok for Government：采用 xAI 的 Grok 大模型，同样经过安全加固，满足“战斗人员需求”的特定场景。
这两款工具均通过 GenAI.mil 的统一入口提供，用户只需使用军方统一的身份认证即可访问，无需经过公共网络。
安全与合规的双重保障
相比民用版，军用版在数据治理上做了严格限制：
- 对话内容不向 OpenAI 或 xAI 服务器回传，全部在 DoD 内部的受控环境中运行。
- 模型经过专门的安全审计，符合美国国防部的《风险管理框架》（RMF）要求。
- 平台对接了军方的身份与访问管理系统（IAM），实现细粒度权限控制。
使用情况与影响
截至目前，GenAI.mil 已吸引超过 170 万独立用户，覆盖了约 300 万军民人员的 56% 以上。用户反馈显示，AI 辅助的报告撰写、情报摘要以及技术文档生成显著缩短了工作周期，提升了信息处理的准确性。
在实际作战演练中，指挥官利用 ChatGPT Mil 快速生成作战方案的备选方案，并通过 Grok for Government 对方案进行风险评估，整个过程比传统手工分析快了约 30%。这种效率提升在高强度的作战环境中具有重要意义。
与 Anthropic 的纠纷
值得注意的是，国防部此次未引入 Anthropic 的 Claude 模型。此前，Claude 因被美国前政府标记为供应链风险而陷入法律争议，导致其在军方项目中的使用受限。五角大楼此举显示出在关键技术选型上更倾向于与合作关系明确、合规风险低的供应商合作。
展望：生成式AI在国防体系的进一步渗透
随着模型能力的持续提升，未来 GenAI.mil 可能会引入更多专属模型，涵盖无人机指令生成、战场态势感知以及后勤资源优化等领域。与此同时，安全监管框架也将进一步细化，以防止潜在的对抗性攻击或模型误用。
对国内读者而言，五角大楼的实践提供了一个参考：在追求技术创新的同时，必须构建可靠的安全体系，才能真正把生成式AI的优势转化为作战和决策的竞争力。
生成式AI在国防领域的技术背景与原理
生成式人工智能（Generative AI）依托大规模预训练语言模型（LLM），通过海量文本数据学习语言结构、知识关联与推理模式。模型在接收到提示后，利用自回归或掩码预测机制，逐词（或逐段）生成符合语义和上下文的输出。对军方而言，这一能力可转化为情报摘要、作战方案草拟、技术文档自动化等场景。为满足安全合规要求，DoD 在内部网络部署了模型的“闭环”运行环境：模型权重与推理服务均置于受控数据中心，外部网络访问被严格隔离；同时通过身份与访问管理系统（IAM）实现细粒度的角色授权，确保只有经认证的官兵能够调用相应功能。此类部署遵循美国国防部《风险管理框架》（RMF），在威胁建模、漏洞扫描、持续监控等环节进行多层防护，防止敏感信息泄露或对抗性攻击渗透。
实际应用效果与作战效能提升
在 GenAI.mil 平台上，ChatGPT Mil 与 Grok for Government 已被广泛用于情报处理和作战计划编制。用户报告显示，AI 辅助的报告撰写可将传统的数小时工作压缩至数十分钟；情报摘要的自动生成提升了信息提取的准确率，尤其在多源情报融合时表现突出。作战演练案例表明，指挥官利用 ChatGPT Mil 快速生成多套作战方案，并借助 Grok for Government 对每套方案进行风险评估，整体分析时间比手工方式缩短约30%。这种时间优势在高强度、信息密集的战场环境中，可为决策者争取宝贵的反应窗口，提升指挥效率和任务成功率。
局限性、风险与不确定因素
尽管闭环部署降低了数据外泄风险，但生成式模型仍面临以下挑战：
- 模型“幻觉”——在缺乏明确上下文时，AI 可能生成不准确或误导性信息，若未经人工核验直接用于决策，可能导致错误判断。
- 对抗性攻击风险——敌对方可能通过精心构造的输入诱导模型输出错误情报，或利用模型漏洞进行侧信道攻击，需持续进行安全审计和对抗性训练。
- 数据更新滞后——军方专属模型的训练数据往往基于已有的公开或内部文档，难以及时反映最新战场动态或新兴技术，导致模型在快速变化的作战环境中出现知识陈旧。
- 合规与供应链依赖——当前仅选用了 OpenAI 与 xAI 两家供应商，若未来出现政策或商业纠纷，可能影响模型的可用性和维护成本。
面向读者的实用建议
对关注军民融合或企业级 AI 安全的读者，可从以下几方面借鉴五角大楼的实践：
- 在引入生成式AI前，先完成风险评估并制定数据治理策略，确保敏感信息不离开受控网络。
- 采用“本地化部署+身份认证”模式，将模型推理服务置于内部数据中心，并通过统一身份管理系统实现细粒度权限控制。
- 建立人工复核流程，对关键输出（如情报摘要、作战方案）进行多层审校，防止模型幻觉直接影响决策。
- 定期进行对抗性测试和安全审计，及时修补模型漏洞，提升对恶意输入的鲁棒性。
- 保持模型与数据的持续更新机制，结合最新情报与技术文档进行增量训练，确保模型知识库的时效性。
通过上述措施，组织可以在保障安全合规的前提下，充分发挥生成式AI在信息加工、决策支持和流程自动化方面的潜能，实现技术创新与风险控制的平衡。