تصور کنید در یک نبرد دریایی، ثانیه‌ها تفاوت بین پیروزی و نابودی را رقم می‌زنند. در چنین شرایطی، یک مدل هوش مصنوعی که کمی خطا دارد اما کار می‌کند، به‌مراتب ارزشمندتر از مدلی بی‌نقص است که هنوز در میزهای بررسی اداری گیر کرده است.
وزارت نیروی دریایی ایالات متحده (US Department of the Navy) اکنون با پذیرش این واقعیت، «سرعت پایین در پذیرش هوش مصنوعی» را ریسکی استراتژیک‌تر از «همراستاسازی ناقص» (Imperfect Alignment) می‌داند. طبق گزارش وب‌سایت the-decoder.com در ۱۸ ژوئیه ۲۰۲۶، پنتاگون در حال تغییر اولویت‌های خود است تا استقرار سریع را بر ارزیابی‌های جامع و زمان‌بر ریسک مقدم بشمارد. این رویکرد جدید تحت عنوان «رویکرد زمان جنگ» (Wartime Approach) شناخته می‌شود.
این چرخش در حالی رخ می‌دهد که هوش مصنوعی از اتوماسیون اداری به یک واقعیت در میدان نبرد تبدیل شده است. همان‌طور که در تحلیل قبلی ما درباره‌ی مدیریت شکاف‌های حسابرسی در تصمیم‌گیری‌های نظامی اشاره کردیم، نیروی دریایی اکنون فراتر از ابزارهای پشتیبانی اداری رفته تا هوش مصنوعی عامل‌محور (Agentic AI) — شبیه به دستیاری که نه تنها پیشنهاد می‌دهد، بلکه می‌تواند مستقل کارهای پیچیده را پیش ببرد — را مستقیماً در واحدهای رزمی ادغام کند. این تحول در حالی صورت می‌گیرد که تلاش‌های اخیر برای پیاده‌سازی لایه‌های امنیت تصمیم‌گیری سعی دارد خلأهای نظارتی در این تصمیمات سریع را پوشش دهد. به نقل از «کائو»، مقام ارشد نیروی دریایی، این استراتژی به آن‌ها اجازه می‌دهد تا با تبدیل اطلاعات به مزیت نظامی عینی، از هر رقیبی «سریع‌تر بیاموزند و بهتر بجنگند» (out-learn and out-fight).
چارچوب Bits2Effects
در قلب این تحول، ساختاری به نام «چرخه Bits2Effects» قرار دارد که یک چارچوب پنج‌مرحله‌ای برای انطباق دیجیتال است. این فرآیند مسیر دقیقی را طی می‌کند تا داده‌ها را به اثرات عملیاتی تبدیل کند:
- جمع‌آوری خودکار داده‌های نظامی.
- انتقال داده‌ها از میدان نبرد به مراکز پردازش.
- طبقه‌بندی اطلاعات برای تعیین سطح دسترسی.
- تحلیل داده‌ها توسط مدل‌های هوشمند.
- اجرای تصمیمات و اقدامات نظامی واقعی در جهان فیزیکی.
بر اساس مستندات این استراتژی، درس‌های آموخته‌شده از این اقدامات دوباره به ابتدای چرخه بازمی‌گردند تا آموزش‌ها، تاکتیک‌ها و سیستم‌ها به‌طور مداوم به‌روز شوند. معیار اصلی عملکرد اکنون «میانگین زمان اثرگذاری» (Mean Time to Effect یا MTTE) است؛ یعنی اندازه‌گیری دقیق فاصله زمانی بین لحظه دریافت داده تا لحظه‌ی اجرای پاسخ عملیاتی. استدلال این استراتژی این است که در یک درگیری طولانی‌مدت با چندین چرخه یادگیری، نیرویی که سریع‌تر یاد می‌گیرد و تطبیق می‌یابد، بر کل میدان مسلط خواهد شد.
اهداف عملیاتی و مقیاس رشد
برای دستیابی به ناوگانی «AI-first»، نیروی دریایی ۶ هدف مشخص را تعیین کرده است که باید تا دسامبر ۲۰۲۶ (پایان سال مالی ۲۰۲۷) تا حد زیادی پیاده‌سازی شوند:
- شتاب بخشیدن به استقرار عملیاتی هوش مصنوعی در تمام رده‌ها.
- بهبود زیرساخت‌های داده و افزایش قابلیت استفاده از داده‌های موجود.
- ساده‌سازی و تسهیل فرآیندهای تأیید برای تغییرات ضروری در زمان جنگ.
- گسترش همکاری‌های استراتژیک با بخش صنعت، مراکز دانشگاهی، آژانس‌های دولتی و متحدان بین‌المللی.
- ارتقای سواد و مهارت‌های هوش مصنوعی در میان تمام پرسنل نظامی.
- توسعه و گسترش زیرساخت‌های فنی مورد نیاز برای پردازش سنگین.
علاوه بر این، نیروی دریایی هدف‌گذاری کرده است که تعداد مهندسان داده، دانشمندان داده و مهندسان یادگیری ماشین (ML) واجد شرایط خود را تا پایان سال مالی ۲۰۲۹ دو برابر کند تا نیروی انسانی متخصص با مقیاس تکنولوژی همگام شود.
استقرار در لبه و یکپارچه‌سازی
این استراتژی الزام می‌کند که مدل‌های زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — و هوش مصنوعی عامل‌محور مستقیماً روی کشتی‌های جنگی و در کنار واحدهای اعزامی تفنگداران دریایی (Marine Corps expeditionary units) اجرا شوند. این سیستم‌ها باید در «محیط‌های محدود شده» (Denied Environments)، یعنی جایی که ارتباطات توسط دشمن مختل یا کاملاً قطع شده است، به‌صورت رایانش لبه (Edge Computing) عمل کنند تا عملیات متوقف نشود. برای افزایش انعطاف‌پذیری، حتی از نیروهای نظامی خواسته شده است تا اپلیکیشن‌های کاربردی خود را بر پایه این مدل‌ها توسعه دهند. با این حال، استقرار این عامل‌ها با چالش‌های فنی جدی روبروست، چرا که ساختار ترنسفورمرها در مقایسه با روش‌های عیب‌یابی سنتی، تحلیل علت ریشه‌ای خطاها در لحظه را دشوار می‌کنند.
برای مدیریت این گذار پیچیده، یک «شورای جنگ AI» (AI War Council) تأسیس خواهد شد. این نهاد مسئولیت اولویت‌بندی موارد استفاده (Use Cases)، هماهنگی منابع و پیش‌تأیید تغییرات مربوط به قوانین استقرار، طبقه‌بندی اطلاعات و اشتراک داده‌ها در زمان جنگ را بر عهده خواهد داشت.
علاوه بر این، نیروی دریایی برنامه‌ای دارد تا به شرکت‌های تجاری هوش مصنوعی اجازه دهد نسخه‌های نظامی مدل‌ها را بر روی داده‌های طبقه‌بندی‌شده و محرمانه آموزش دهند. این اقدام یک جهش کیفی محسوب می‌شود، زیرا اطلاعات حساس و جاسوسی مستقیماً در وزن‌های (Weights) مدل حک می‌شود و بخشی از ساختار مدل می‌گردد.
مسابقه تسلیحاتی جهانی
این عجله و شتاب واکنشی مستقیم به پیشرفت‌های سریع چین است. تحقیقات دانشگاه جرج‌تاون بر اساس بررسی هزاران درخواست خرید عمومی از ارتش آزادی‌بخش خلق چین (PLA) نشان می‌دهد که پکن در حال آزمایش AI برای کاربردهای زیر است:
- خودروهای رزمی بدون سرنشین.
- ردیابی کشتی‌ها و شناسایی اهداف در زمین، دریا و فضا.
- سیستم‌های دفاع سایبری پیشرفته.
- عملیات‌های disinformation (اطلاعات گمراه‌کننده) با استفاده از جعل عمیق (Deepfake).
هم‌زمان، اعضای ناتو پیش از این AI را در سطح عملیاتی به کار گرفته‌اند. دریابان پیر واندیر، مقام ارشد دیجیتالی ناتو، اشاره کرد که اعضای این پیمان از AI برای ردیابی ناوگان «کشتی‌های سایه» روسیه که نفت را به‌صورت غیرقانونی جابه‌جا می‌کنند، استفاده می‌کنند. به همین ترتیب، اسرائیل سال‌ها پیش از آغاز جنگ با ایران، از هوش مصنوعی برای پالایش و تحلیل حجم عظیمی از داده‌های اطلاعاتی شنودشده بهره می‌برد.
در ایالات متحده، مقیاس پذیرش این فناوری خیره‌کننده است. پلتفرم GenAI.mil تعداد کاربران روزانه خود را از ۸۰ هزار نفر در دسامبر ۲۰۲۵ به ۱.۵ میلیون نفر در ژوئن ۲۰۲۶ رساند. اثرات واقعی این سرعت نیز مشاهده شده است: یک برنامه AI نیروی دریایی توانست زمان برنامه‌ریزی یک ماموریت زیردریایی را از ۱۶۰ ساعت به تنها ۱۰ دقیقه کاهش دهد. همچنین گزارش شده که ارتش آمریکا از مدل Claude شرکت Anthropic برای تحلیل اهداف و برنامه‌ریزی حملات در جریان جنگ علیه ایران استفاده کرده است.
این استقرار با تنش‌های سیاسی شدیدی همراه بوده است. دولت ترامپ پس از آنکه شرکت Anthropic بر روی محدودیت‌های سخت- گیرانه مربوط به نظارت داخلی گسترده و استفاده از سلاح‌های کاملاً خودکار پافشاری کرد، دسترسی این شرکت به سیستم‌های دولتی را قطع کرد. بلافاصله پس از آن، شرکت OpenAI قراردادی با پنتاگون بست تا مدل‌های خود را روی شبکه‌های طبقه‌بندی‌شده اجرا کند؛ این شرکت به‌جای تقاضاهای سخت‌گیرانه سیاستی، به حفاظ‌های فنی و قراردادهای حقوقی بسنده کرد.
امنیت سایبری و دارایی‌های استراتژیک
بیشترین شتاب در حوزه امنیت سایبری مشاهده می‌شود. ژو هونگی، بنیان‌گذار شرکت چینی Qihoo 360، قابلیت‌های AI را با تشدید تسلیحاتی هسته‌ای مقایسه کرد. او معتقد است توانایی مدل‌هایی مثل Claude Mythos در ساخت خودکار زنجیره‌های حمله (Attack Chains) و یافتن نقاط آسیب‌پذیر، در واقع ایجاد «سلاح‌های هسته‌ای سایبری عصر AI» است. این هشدارها با دیدگاه‌های ائتلاف Five Eyes همسو است که احتمال فلج شدن دولت‌ها توسط مدل‌های پیشرو را در بازه‌های زمانی کوتاه پیش‌بینی کرده‌اند.
این تهدید توسط داده‌های فنی تأیید می‌شود؛ مؤسسه امنیت AI بریتانیا در عرض چند ماه، تخمین خود از سرعت دوبرابر شدن قابلیت‌های سایبری AI را دو بار افزایش داد. در نتیجه، دولت آمریکا این مدل‌ها را به عنوان «دارایی‌های استراتژیک» می‌بیند. ایالات متحده در ابتدا مانع از عرضه مدل Fable 5 توسط Anthropic شد (که ژو هونگی آن را نسخه «خنثی‌شده‌ی Mythos» نامید)، زیرا می‌ترسید بازیگران خارجی بتوانند آن را جیل‌بریک (Jailbreak) کرده و به قابلیت‌های اصلی دست یابند. ژو ادعا می‌کند که آمریکا به دنبال «انحصار مطلق» بر این توانمندی است. در مقابل، اتحادیه اروپا به‌دلیل فقدان محصولات مشابه و وابستگی شدید به شرکت‌های آمریکایی، در حاشیه این رقابت مانده است.
این تغییر، یک تحول بنیادین در دکترین نظامی است. پنتاگون با پذیرش «همراستاسازی ناقص»، روی این شرط‌بندی کرده است که توانایی تکرار سریع‌تر (Iterate) از حریف، تنها راه حفظ برتری کیفی است. ریسک دیگر فقط یک باگ نرم‌افزاری ساده نیست، بلکه از دست دادن کامل سرعت تصمیم‌گیری در برابر رقیب است. اینکه آیا این ذهنیت «سرعت-محور» منجر به پیروزی قاطع می‌شود یا شکست‌های سیستماتیک و غیرقابل پیش‌بینی، به نحوه مدیریت تضادها توسط «شورای جنگ AI» بستگی دارد.
گام بعدی شما
- تحلیل گزارش‌های مربوط به «میانگین زمان اثرگذاری» (MTTE) برای درک معیار جدید موفقیت در سیستم‌های عامل‌محور.
- بررسی تفاوت‌های عملیاتی بین مدل‌های بسته (مانند OpenAI) و مدل‌های با محدودیت‌های اخلاقی سخت (مانند Anthropic) در پروژه‌های حساس.
- مطالعه اثرات رایانش لبه بر استقرار مدل‌های زبانی در محیط‌های بدون اینترنت.
اما اثر این رویکرد بر ساختار فرماندهی و کنترل در میدان نبرد حتی پیچیده‌تر است — به تحلیل ما درباره‌ی سامانه مدیریت ل-عامل‌ها مراجعه کنید.
گفتگو