درون کلاس «هک برای دفاع» استنفورد؛ وقتی هوش مصنوعی ایده‌های بد را سریع‌تر می‌کند

اگر در حال ساخت استارتاپی برای دولت هستید، بزرگ‌ترین ریسک شما کدنویسی نیست، بلکه ساخت یک محصول صیقل‌خورده برای مسئله‌ای است که در واقعیت وجود ندارد. این درس مرکزی دوره ۲۰۲۶ «هک برای دفاع» (Hacking for Defense - H4D) در دانشگاه استنفورد است که پروفسور استیو بلانک در ۸ ژوئن ۲۰۲۶ آن را شرح داد.

برنامه H4D بیش از یک دهه است که به‌عنوان پلی میان پژوهش‌های دانشگاهی و الزامات سختگیرانه امنیت ملی عمل می‌کند. این یازدهمین سالی بود که این دوره تدریس شد. این برنامه متدولوژی Lean LaunchPad را به کار می‌گیرد؛ همان چارچوبی که توسط I-Corps بنیاد ملی علوم (NSF) استفاده می‌شود و اکنون بر وزارت جنگ (DoW) اعمال شده است. هدف این است که دانشجویان پیش از نوشتن حتی یک خط از الزامات رسمی، برای مصاحبه با ذینفعان «از ساختمان خارج شوند».

امروز این برنامه به طور قابل توجهی گسترش یافته است. Hacking for Defense اکنون در ۷۰ دانشگاه فعال است، از جمله بیش از ۲۰ دانشگاه در بریتانیا و اخیراً به لهستان و آلمان نیز گسترش یافته است. این برنامه از یک تمرین ساده کلاسی به یک انکوباتور کامل امنیت ملی تبدیل شده است. از آنجایی که وزارت جنگ اکنون برای خرید از استارتاپ‌ها بازتر شده و سرمایه‌های خطرپذیر دفاعی فراوان است، بسیاری از تیم‌های دانشجویی اکنون مستقیماً به تأسیس شرکت‌های دفاعی روی می‌آورند.

گروه ۲۰۲۶ و ادغام هوش مصنوعی

در این ترم، ۹ تیم شامل ۴۲ دانشجو روی مسائلی کار کردند که از سازمان‌های سطح‌بالای متنوعی تامین شده بود؛ از جمله نیروی دریایی، نیروی هوایی، آزمایشگاه تحقیقات ارتش، واحد نوآوری دفاعی (DIU)، IQT و ناسا. مقیاس کشف مشتری آن‌ها عظیم بود: دانشجویان در مجموع ۱۱۳۲ نفر از منتفعین، نویسندگان الزامات، مدیران برنامه و شرکای صنعتی را مصاحبه کردند تا فرضیات خود را اعتبارسنجی کنند.

این جلسه با یک دیدگاه انتقادی درباره تکامل هوش مصنوعی در دفاع آغاز شد. ژنرال (بازنشسته) جک شناهان، مدیر سابق مرکز هوش مصنوعی مشترک وزارت دفاع (JAIC)، سخنرانی‌ای درباره گذشته، حال و آینده AI در ارتش ارائه کرد. کلاس همچنین از حضور طیف متنوعی از سخنرانان مهمان بهره‌مند شد، از جمله:

• اوون وست: مدیر واحد نوآوری دفاعی (DIU).
• مایک براون: شریک در Shield Capital.
• ژنرال (بازنشسته) جوزف مک‌گی: رئیس اخیر ستاد مشترک J5 (استراتژی، برنامه‌ها و سیاست‌ها).
• ماریس پین: وزیر امور خارجه استرالیا.

ابزارهای هوش مصنوعی در تمام جریان کاری حضور داشتند. بر اساس گزارش steveblank.com، ابزارهای اصلی مورد استفاده در تمامی بخش‌ها شامل موارد زیر بود:

• Claude (شامل Claude Code، افزونه کروم، Claude Cowork و Claude Design) و همچنین ChatGPT و Gemini برای وظایف اصلی مدل‌های زبانی بزرگ (LLM).
• Granola و Twinmind برای یادداشت‌برداری مبتنی بر هوش مصنوعی.
• Perplexity برای پژوهش‌های مربوط به ارائه‌ها.
• Replit و Lovable برای ساخت سریع نمونه اولیه (Prototype).
• Listen Labs و Viewpoints AI برای خلق کاربران مصنوعی (Synthetic Users).
• Google NotebookLM و Notion + G Suite برای خلاصه‌سازی پژوهش‌ها و مدیریت جریان‌های کاری.

حل «مسائل پیچیده»

بلانک چالش‌های نظامی که این دانشجویان با آن روبرو هستند را «مسائل پیچیده» (Wicked Problems) طبقه‌بندی می‌کند. این‌ها موضوعاتی پیچیده و مبهم با قطعات متحرک متعدد هستند که راهکار آن‌ها بدیهی نیست و فرمول قطعی ندارند. در این موارد، مسیر اکتساب و خرید (Acquisition) اغلب دشوارتر از خودِ ساخت فنی است. دانشجویان مکرراً کشف کردند که مسئله اولیه ارائه شده توسط حامی مالی، صرفاً نشانه‌ای از یک موضوع زیربنایی جالب‌تر و پیچیده‌تر بوده است.

برای مستندسازی این مسیرها، هر یک از هشت تیم یک ارائه «درس‌های آموخته‌شده» و یک ویدیو ۲ دقیقه‌ای از زمینه پروژه دادند. برخلاف روزهای دمو (Demo Days) سنتی که برای جذب سرمایه طراحی شده‌اند، این ارائه‌ها یک «روایت ترن‌رولر» از ۱۰ هفته کشف را روایت می‌کردند؛ جزئیاتی از اینکه تیم‌ها چگونه دریافتند هر چه در روز اول فکر می‌کردند، اشتباه بوده است. هر تیم از Mission Model Canvas و توسعه مشتری (Customer Development) استفاده کرد، اما دو الزام جدید را افزود: لیستی از ابزارهای AI مورد استفاده و تخمینی از پیشرفت خود در سطح آمادگی فناوری (TRL) و سطح آمادگی سرمایه‌گذاری (IRL).

چندین تیم «پیوت» یا تغییر مسیر از یک دستورالعمل مبهم اولیه به یک راهکار ملموس را به نمایش گذاشتند:

• تیم Noctua: در ابتدا ماموریت داشتند سیستم شناسایی غیرفعال پهپادها برای اپراتورهای ویژه بسازند تا موقعیت خود را لو ندهند. آن‌ها مشکل «پیچیده» گسترده‌تری را کشف کردند: نیروهای پیاده و مدافعان پایگاه، ابزاری غیرفعال برای هشدار زودهنگام شناسایی تمام انواع پهپادها، از جمله مدل‌هایی که از نظر رادیویی ساکت (RF silent) هستند، ندارند.
• تیم SwarmShield: آن‌ها از تحلیل هزینه استفاده از رهگیرهای گران‌قیمت برای زدن پهپادهای ارزان، به سمت ساخت هدایت نهایی (Terminal Guidance) تغییر مسیر دادند. این کار اجازه می‌دهد یک پهپاد ارزان و یک‌بارمصرف، مهاجم را در شب پیدا کرده و بزند. آن‌ها برای MVP شناسایی و ردیابی پهپاد خود از Ultralytics YOLOv8 استفاده کردند.

• تیم Weapons Without Wait: آن‌ها با یک مسئله «کلان» شروع کردند: بازسازی و مقیاس‌بندی تولیدات دفاعی برای جایگزینی مهمات حیاتی در درگیری‌های شدید. آن‌ها به یک هدف سریعاً قابل دستیابی پیوت کردند: تولید مهمات ارزان و گواهی‌شده برای پهپادهای کوچک در نقطه نیاز.
• تیم IonX: این تیم نیز با ماموریتی کلان برای تامین زنجیره تامین زمین‌های نادر آمریکا شروع کرد، اما به یک مسئله قابل تحویل پیوت کرد: کمک به پردازشگران مواد معدنی در بازارهای مختلف برای شناسایی و آزمایش طرح‌های بهتر واکنش‌گرهای شیمیایی.

• تیم Fuel Forge: آن‌ها از نیاز کلی واحدهای رزمی به تولید برق و سوخت محلی، به ساخت گره‌های هیدروژنی شبکه‌ای در محل تغییر مسیر دادند. این گره‌ها به پهپادها در محیط‌های پیشرو و مورد مناقشه که تامین مجدد در آن‌ها در معرض خطر است، سوخت‌رسانی می‌کنند.
• تیم Cheese on the Moon: ماموریت اولیه آن‌ها جستجوی ذخایر معدنی در ماه بود، اما دریافتند که ماموریت‌های ماهی نیاز دارند بدانند چه چیزی در سطح و زیر سطح وجود دارد، نه فقط برای معدن‌کاوی، بلکه برای فرود ایمن.

• تیم Luminarch: آن‌ها از نیاز واحدهای تاکتیکی به تجسم لحظه‌ای طیف الکترومغناطیسی، به این درک رسیدند که واحدها فاقد حسگرهای RF ارزان‌قیمت و مصرفی (Attritable) هستند که بتوان آن‌ها را در مقیاس بالا برای شناسایی تهدیدها و مدیریت امضاها مستقر کرد.
• تیم Tessellate: آن‌ها به این نتیجه رسیدند که شکاف اصلی در جنگ پهپادی این است که دکترین چند-پهپادی آمریکا وجود ندارد و تغییرات فعلی جنگ سریع‌تر از آن است که چرخه عمر نرم‌افزار بتواند با آن سازگار شود.

«تله هوش مصنوعی» در توسعه محصول

در حالی که AI کارایی را افزایش داد، یک ریسک آموزشی جدید ایجاد کرد. بلانک مشاهده کرد که AI به تیم‌ها اجازه می‌دهد محصولاتی با ظاهر «تمام‌شده» را در عرض چند ساعت بسازند، نه چند هفته. این موضوع یک توهم خطرناک از موفقیت ایجاد می‌کند.

در سال‌های گذشته، یک نمونه اولیه پذیرفتنی (MVP) به عنوان گواهه‌ای بر صلاحیت فنی و تست فرضیه عمل می‌کرد. اکنون، چون AI می‌تواند فوراً یک رابط کاربری صیقل‌خورده ایجاد کند، دانشجویان اغلب یک «خروجی با کیفیت بالا» را با «اعتبارسنجی واقعی مشتری» اشتباه می‌گیرند. این منجر به «سریع‌تر پیش رفتن ایده‌های بد» می‌شود. یک محصول صیقل‌خورده اکنون حس موفقیت می‌دهد، حتی اگر دانشجو نیازهای ذینفعان را عمیقاً درک نکرده باشد.

برای مقابله با این موضوع، برنامه در حال تغییر الزامات خود است. از این پس، دانشجویان باید نمونه‌های اولیه خود را همراه با فرضیات صریح و آزمایش‌های خاصی ارائه دهند که ثابت کند آن نمونه اولیه واقعاً مشکل ذینفع را حل می‌کند. این کار تضمین می‌کند که MVP ابزاری برای تفکر انتقادی باقی بماند، نه فقط یک خروجی بصری.

پیمایش در وزارت جنگ

فراتر از تکنولوژی، این دوره بر «تناسب مأموریت/راهکار» (Mission/Solution Fit) تأکید دارد که معادل دفاعیِ «تناسب محصول/بازار» در دنیای تجاری است. برای کمک به دانشجویان در پیمایش بروکراسی، یک «راهنمای تلفنی وزارت جنگ» در اختیارشان قرار گرفت. این دایرکتوری شامل نام‌های تقریبی ۵۷۰۰ نفری است که در وزارت جنگ خرید می‌کنند.

جزئیات اکتساب:
این دایرکتوری شامل راهنمایی‌های ضروری درباره موارد زیر است:

• نحوه خرید وزارت جنگ و فرآیندهای مختلف تامین مالی موجود برای استارتاپ‌ها.
• نقش خاص افسران اکتساب برنامه (PAEs) در این فرآیند.
• مسیر پیچیده رساندن یک راهکار به دست جنگجو (Warfighter).

درک «رنگ پول» (Color of Money)، توافق‌نامه‌های Other Transaction Authority (OTA) و نقش مدیر برنامه، به اندازه استک هوش مصنوعی حیاتی است. برای استارتاپ‌های دفاعی، این به معنای درک مسیر رسیدن به یک CRADA (توافق‌نامه همکاری تحقیق و توسعه) یا یک OTA پژوهشی/تولیدی است. بدون این دانش، حتی پیشرفته‌ترین ابزار AI نمی‌تواند به دست جنگجو برسد.

اکوسیستم پشتیبان H4D

بلانک تأکید می‌کند که موفقیت H4D حاصل تلاش یک «دهکده» است. تیم تدریس شامل ترکیبی از تخصص‌های نظامی و تجاری است: پیت نیول (سرهنگ بازنشسته ارتش، مدیرعامل BMNT)، جو فلتر (سرهنگ بازنشسته نیروهای ویژه ارتش و مدیر مرکز گوردیان نات برای نوآوری امنیت ملی)، استیو واینستین (شریک در America’s Frontier Fund)، کریس موران (Lockheed Martin Ventures)، جف دکر (پژوهشگر استنفورد و کهنه‌سرباز ارتش) و جیلیان مانوس (Shield Capital).

آن‌ها توسط دستیاران آموزشی (TAs) شامل ایوان جان تواروک، وارشا ساروانان، برنو کاسیلو و لوک اندروز پشتیبانی می‌شوند. گروه ۲۰۲۶ همچنین توسط ۳۴ حامی و منتور هدایت شد، از جمله متخصصان امنیت ملی مانند کیتی توبین و ریچل کاستلو، و منتورهای تجاری مانند داگ سیچه و دایان شرادر. سازمان‌های حامی شامل مرکز گوردیان نات، پروژه Common Mission، لاکهید مارتین، بوئینگ، BMNT و واحد نوآوری دفاعی (DIU) هستند.

تحلیل: تغییر به سمت فناوری‌های مصرفی (Attritable)

این تغییر در برنامه درسی H4D بازتاب‌دهنده یک روند گسترده‌تر در دفاع جهانی است: حرکت به سمت فناوری «مصرفی» یا Attritable. تمرکز بر پهپادهای ارزان و یک‌بارمصرف و حسگرهای کم‌هزینه (همان‌طور که در تیم‌های SwarmShield و Luminarch دیده شد) اذعان می‌کند که در درگیری‌های شدید، کمیت و بهره‌وری هزینه اغلب بر دقت مفرط غلبه می‌کند. این موضوع بیشتر توسط تأثیر جنگ‌های نامتقارن، از جمله پهپادها و فناوری‌های آماده مصرف (off-the-shelf) و همچنین دسترسی تجاری به فضا پیش می‌رود.

برای صنعت AI، این نشان‌دهنده بازار رو به رشدی برای «هوش مصنوعی به اندازه کافی خوب» است که بتوان آن را روی سخت‌افزارهای ارزان در مقیاس بالا مستقر کرد، به جای مدل‌های یکپارچه و گران‌قیمت. گلوگاه دیگر توانایی ساخت یک نمونه اولیه نیست، بلکه توانایی پیمایش در خط لوله اکتساب بروکراسی وزارت جنگ است. اگر می‌خواهید ببینید این متدولوژی‌ها چگونه در پروژه شما کاربرد دارند، باید Mission Model Canvas و روش‌های خاصی که وزارت جنگ برای دور زدن تأخیرهای سنتی تدارکات از OTA استفاده می‌کند را مطالعه کنید.