文章总结： 该文档解读印度联合军种研究院报告，阐述大语言模型对军事开源情报的重塑。核心判断包括开源情报已占情报材料70%至90%，LLM将其从周期性工作转为持续职能，情报竞争从收集转向验证。报告分析LLM应用、风险、各国路径，并提出中方措施建议，强调人机协作与验证机制。
综合评分： 85
文章分类： 威胁情报,安全意识,解决方案
大语言模型重塑军事开源情报
全球技术地图
2026年9月17日 16:38
北京
在小说阅读器读本章
去阅读
在公众号小说中沉浸阅读
印度联合军种研究院（USI）2026 年发布第 5 号不定期论文，主题是大语言模型（LLM）对军事开源情报（OSINT）的重塑。作者为 P K Mallick 少将（退役）。报告有三个核心判断：
其一，开源情报已占当代情报材料的 70% 至 90%。
其二，LLM 把开源情报从周期性工作变成持续情报职能，”史诗怒火”行动 24 小时打击 1000 多个目标即是验证。
其三，情报竞争正从”收集”转向”验证”。本文解读报告要点，并提出中方措施建议。
报告出自印度联合军种研究院（USI），编号 USI Occasional Paper No 5-2026，全文 64 页，定价 250 卢比。作者出身印度陆军通信兵团，毕业于贝纳加尔工程学院和 IIT 卡拉格普尔，参加过”拉克沙克””犀牛”等作战行动，出版过 6 部著作。USI 创立于 1870 年，现任院长为退役海军中将 Sanjay J Singh。
图 1：USI《人工智能、大型语言模型与军事开源情报的转型》报告封面（USI Occasional Paper No 5-2026，2026 年）
一、从瓶颈到分水岭：LLM 改写开源情报的生产方式
报告把 LLM 出现之前的开源情报瓶颈归结为四条。
- 规模：材料海量，分析师看不过来。
- 语言：来源偏英文，小语种靠稀缺专家或低质机翻。
- 综合：货单、卫星、社媒信号全靠人工串联。
- 隐性知识：分析师直觉有价值，却难以规模化。
传统工具只有布尔检索、关键词告警和爬虫脚本。冲突地区的关键信息，几小时甚至几天无人过目。
图 2：传统开源情报的四大瓶颈与大语言模型的对应能力（本文依据原报告 Table 1 及正文绘制）
LLM 直接打掉这四个瓶颈。它能翻译几十种语言、检测模式、追踪虚假信息。处理文档的速度远超人类分析师，还能自动完成关系映射。报告用一张 7 行对比表概括这场转变（见图 3）。规模：从受分析师小时数限制，变为分钟级处理数百万份文档。速度：从数小时数天，变为近实时告警与报告。风险项也变了：从人的疲劳与偏置，变为幻觉、模型偏置与对抗操纵。报告在表末专门标注：需要人类监督。
图 3：传统开源情报与大语言模型增强开源情报对比（Table 1: Traditional vs Large Language Models Open Source Intelligence），来源：报告作者自绘，原报告第 5 页
报告没有回避模型的”黑箱”问题。推理难以追溯，决策者看不懂结论怎么来。问责、可信度与信任都会受损。报告给出两条工程对策。一是思维链提示词：强迫模型输出分步推理，便于分析师审计。二是检索增强生成（RAG）：强制模型引用可核验的向量库文档。模型从凭训练数据编造事实，变成引用精确信息的检索综合引擎。
报告的判断是：开源情报正从周期性活动变成持续情报职能。收集：对标优先情报需求，持续监测官方媒体、航运数据库、卫星馈源与社媒动态。处理：把邮件、聊天记录、帖文自动结构化为可查询格式。分析：跨碎片信号做模式发现、变化检测与假设检验。分发：按受众定制报告。报告引用的美澳项目情报分析工作流见图 4。
图 4：情报分析工作流（Figure 1: The Intelligence Analysis Workflow），来源：SCSP 与 ASPI《情报分析的未来：美澳人工智能与人机组队项目》，2024 年 9 月，转引自原报告第 6 页
二、军事应用：情报生产速度被重新定价
报告用”史诗怒火”行动给出速度标尺。据公开报道，开战 24 小时内，美军打击伊朗境内 1000 多个目标。靠的是 Maven 智能系统：Palantir 监督，Anthropic 的 Claude 驱动。系统同时处理无人机视频、商业卫星图像、遥测信号与人力情报。它识别数百个目标、给出精确坐标、排出打击优先级。
人机协同是兑现这一速度的组织前提。报告区分三种控制模式（见图 5）。
- 人在回路中：人类保留完全控制权，情报产品必须经人工分析与批准。
- 人在回路上：AI 独立执行部分任务，人类保留干预能力。
- 人不在回路中：AI 在预先批准的受限场景自主运行。
各国现状：美国防部把人机协同纳入决策流程；中国推进”智能化战争”；俄罗斯在米格-35 等机型上集成 AI 助手。
图 5：人机协同的三种控制模式（本文依据原报告 Table 1: Human Control in Artificial Intelligence Systems 绘制）
战术、作战、战略三个层级各有侧重。战术层：旅营分队可自主开展实时开源收集。在城市地形和灰色地带，本地开源材料往往比国家级产品更有用。作战层：支撑地缘政治、经济脆弱性与公众情绪的趋势研判。战略层：信息战与叙事管理达到前所未有的精度和规模。
报告同时提出两个新的指挥问题。一是”分析漂移”：战术营的本地 AI 结论与上级评估矛盾时怎么办。二是边缘计算：强电磁对抗环境下，依赖云的商业 AI 会失效。亟需能离线运行的轻量化、量化 LLM。预测方面，报告列出四类升级预警指标（见图 6）：物流活动增加、燃料囤积、部队休假取消、民族主义言论升温。
图 6：升级早期预警的四类指标（本文依据原报告 Predictive Intelligence 一节绘制）
乌克兰战场是报告附录着力复盘的样本。开源情报支撑了冲突追踪、情报收集与扫雷。2022 年 1 月中旬，俄军向前线调运血浆——这类证据只有国家层面才掌握。合成孔径雷达记录了赫尔松撤退的浮桥与 M14 公路新阵地。Telegram 成了最重要的数据集散地（见图 7）：俄罗斯用户从 1 月的 2500 万增至 7 月的 4150 万，仅 2—3 月就新增 1300 万。乌克兰用 Diia 应用管理开源情报志愿者。报告同时提醒：公开数据要与非公开信息融合才最有价值，这一跨越在技术和制度上都难。叙事动员的力量也很大——德国向乌克兰提供坦克，打破了 75 年外交传统。
图 7：Telegram 俄罗斯用户数变化，2022 年（本文依据原报告附录数据绘制）
三、风险清单：从自动化偏置到数据投毒
报告把失效模式列成五类（见图 8）。自动化偏置：AI 产物显得客观权威，分析师未核验就过度信任。来源洗白：多源综合之后，论断无法回溯到一手来源。虚假信心：模型全错也以笃定口吻作答。对抗性提示注入：开源内容里埋藏隐藏指令，操纵模型、扭曲评估。数据投毒：恶意数据长期污染输出，事发才暴露。报告的立场明确：LLM 是情报支援工具，不是自主分析师。人类判断、来源核验与交叉比对不可少。
图 8：LLM 开源情报的五类失效模式（本文依据原报告 Risks, Failure Modes 一节绘制）
AI 赋能的欺骗是另一条主线（见图 9）。合成人格：带照片、履历、发帖史的逼真身份，先渗透社群，再操纵讨论。深度伪造：以假乱真的视频、音频、图像。叙事洪流：海量 AI 内容淹没信息环境。自动化虚假信息：按目标个人兴趣定制数千封钓鱼邮件。报告的判断是：情报挑战正从收集转向验证。AI 赋能情报与 AI 赋能欺骗的对抗，将成为未来情报行动的定义性特征。
图 9：AI 赋能欺骗的四种战术（本文依据原报告 AI-Enabled Deception 一节绘制）
四、全源融合与智能体 AI：LLM 的下一个角色
报告认为，LLM 的真正意义在于充当全源融合的连接层（见图 10）。SIGINT 截获与开源报道互证。社媒定位支撑 GEOINT 判图。HUMINT 访谈与公开信息交叉核对。MASINT 特征用公开技术文献比对。智能体（Agentic）工作流可自动串联各学科专用智能体。单一提示词，就能产出带可审计来源链的融合作战图景。
图 10：LLM 作为全源情报融合的连接层（本文依据原报告 Multimodal Intelligence and All-Source Fusion 一节绘制）
多模态融合打开了文本之外的新战场。计算机视觉：自动检测卫星图像和无人机视频中的军事资产，突破人工判图瓶颈。地理空间 AI：追踪兵力部署的时空变化。语音转写：把广播、截获通信变成可检索文本。视频分析：跟踪目标、识别行为、检测异常。报告描绘的典型链条是：视觉识别坦克编队，地理 AI 追踪机动路线，转写处理通信，LLM 综合生成评估。
智能体 AI 让分析师从生产者转向监督者。它结合推理、规划、记忆与工具调用，可持续监测信息环境、自适应调整收集策略。报告提到 Google 的 Agent2Agent 架构与 GeoSeer 工具。多数国防情报机构将采用”人在回路上”模式：智能体干例行活，人类管监督、验证与最终判断。自主性提升也带来风险：透明度、问责、自动化错误影响作战决策。审计链、可解释机制与安全架构必须跟上。
五、各国路径：四条路线与一个商业变量
报告对主要国家做了画像（见图 11）。美国：2024 年 3 月发布《情报界开源情报战略》；DIA《开源情报战略 2024-2028》要求把 AI 融入收集、处理与报告。中国：报告称与军民融合深度绑定；据 Recorded Future 对专利的分析，DeepSeek 等模型已用于情报报告生成、SIGINT 处理与事件抽取；收集重点覆盖 AI、高超声速、量子技术、无人系统等，关注对象包括美国、印度、日本、韩国、德国、英国、法国、俄罗斯、澳大利亚和中国台湾地区。俄罗斯：偏认知战，从社媒宣传转向”LLM 喂料”——灌入专为 AI 抓取设计的低质虚假信息。以色列：8200 部队把 LLM 当作战术决策支持工具，用大规模通信数据训练类 ChatGPT 模型，开发骨干来自谷歌、Meta、微软的预备役人员。
图 11：四条国家路线（本文依据原报告 Comparative National Approaches 一节绘制，涉华内容为报告说法）
报告的概括是：三条路线，一个共识。中国重规模、技术情报与军民数据汇集。俄罗斯重认知战与大规模叙事操纵。以色列重专用 AI 管道的目标生成与多传感器融合。三国都把生成式 AI 视为双刃剑：既增强情报能力，也怕对手用 AI 制造以假乱真的内容。美国《国防开源情报战略》的愿景与工作线见图 12。
图 12：美国《国防开源情报战略 2024-2028》愿景与工作线（Figure 2: Defence OSINT Strategy 2024-28），来源：美国防部，2023 年 10 月 23 日，转引自原报告第 34 页
商业卫星成了制裁与反制的新交汇点。报告引述彭博社 2026 年 5 月 9 日报道：美国以向伊朗提供卫星图像及相关支持为由，制裁三家企业——Meentropy Technology (Hangzhou) Co.（即 MizarVision）、The Earth Eye 与长光卫星技术股份有限公司，并称前者在”史诗怒火”行动期间公开发布美军活动图像。上述指控出自美方单方面说法。报告由此得出的判断是：商业影像商已开始延迟或限制冲突区影像发布。指挥官应当把行动的可观测特征视为被争夺的战场空间，把聚合风险纳入核心规划，并对数据来源、供应商依赖与分析方法做法律审查。
私营部门是开源情报产业的另一重变量。《经济学人》2021 年 8 月的判断被报告引用：追踪飞机与船只航线的网站、海量可检索数据库、每天上传的 TB 级手机视频，构成前所未有的情报原料。Maxar、Planet、BlackSky 不只发射卫星，还从全球采集影像并直接生产分析产品。印度在”朱砂行动”（Operation Sindoor）中用 Maxar 图像做战损评估。但报告也指出：开源情报定价对大规模政府使用而言已过于昂贵，公开数据也回答不了所有问题。
六、印度差距与报告建议
报告对印度自身着墨不多，但把问题挑明。印度情报界对开源情报的使用几乎没有公开信息。不清楚哪些机构在用、用到什么程度。作者强调：开源情报不是装几个应用、用谷歌搜索或商用引擎。报告建议研究美国做法，建立自己的机构、牵头单位与共享机制。潜在需求机构达 13 家，包括研究与分析联队、国家调查局、情报局（IB）、国家技术研究组织（NTRO）、国防情报局、中央调查局等。牵头单位可以是 NTRO 或 IB，仿照美国”开源企业”（Open-Source Enterprise）设立机构。
商业模型与涉密环境的边界被单列为一节。涉密查询经外部 API，会向境外托管基础设施暴露推理模式、元数据甚至内容。这是不可接受的反情报风险。美国国家电信和信息管理局（NTIA）已认定双用途基础模型存在严重安全风险。报告的态度是分层架构：情报监视侦察馈源、作战命令、原始情报必须留在物理隔离网络内；低敏感任务仍可利用商业 AI。报告点出两个已有答案的项目：美国的国防版 LLAMA（Defence LLAMA）与中国的 ChatBIT。结论是：各国必须发展运行在安全隔离环境中的自主基础模型。
报告的建议分五类。技术类：投资核验机制，把人类审查内嵌于工作流；强制来源归属纪律，LLM 产物必须与源材料显式关联，RAG 应成为作战系统的标准架构；用形式化方法与神经符号混合架构降低幻觉。条令类：发展对抗韧性，红队演练常态化，测试提示注入与信息投毒。训练类：保留手工开源情报基本功，防止技能萎缩；同步提升 AI 素养。组织类：投资涉密网络 LLM 基础设施，建设统一 AI 情报生态，推动国际规范。法律伦理类：更新法律审查流程，对纳入 LLM 的系统开展数据保护影响评估。
七、结论与建议
（一）报告结论
报告的结论落在两条引语上。克劳塞维茨说：战争中的信息大部分相互矛盾，更大一部分是假的，最大一部分相当可疑。前国家安全局与中央情报局局长海登说：如果它是事实，就不叫情报。报告借这两句话划出边界。情报分析本质上不确定，靠的是判断、直觉与隐性知识。情报是深度对抗的政治活动，天然易受欺骗。AI 生成内容进一步抬升了欺骗风险。预测少数关键领导人的决策，靠的不只是数据，还有对目标历史、语言、文化与心理的深厚专长。
报告的最终判断有三层。其一，LLM 开源情报最大的后果不是情报生产更快，而是情报垄断的瓦解。能力正扩散到小国、私企、非国家行为体乃至个人。竞争优势将取决于验证、融合与行动的速度，而非信息获取本身。其二，情报的未来是人机协作，不是人机对立。成功的机构将组合人类专长、AI 自动化、验证机制、领域知识与伦理监督。其三，下一代情报人员需要数据科学、地缘政治、心理学、语言学与军事战略的混合技能。机器规模加人类洞见，才是区分噪声与信号的关键。
（二）中方措施建议
●建立开源情报军事化的全球跟踪评估机制。跟踪美《国防开源情报战略 2024-2028》落地、Maven 智能系统联盟扩散、以军 8200 模型迭代与各国主权军用模型进展，形成年度对比评估，研判对我周边安全环境的影响。
●把 AI 赋能欺骗纳入我开源链路的安全设计。针对提示注入、数据投毒、来源洗白、合成人格四类威胁，在采集、翻译、综合、分发全链条部署来源溯源、红队测试与人工复核，防境外”LLM 喂料”式污染。
●用好商业航天博弈窗口并完善合规规则。美方单方面制裁我商业卫星企业，说明商业遥感已成大国博弈的正式变量。应完善涉外服务规则与反制裁预案，防范制裁泛化，并把外军”聚合风险”要求转化为我重要目标可观测特征管理的参考。
●借鉴”机构化”思路补齐共享与验证机制。报告指出，瓶颈已从技术转向机构：牵头单位、共享机制、验证标准。可参考其”牵头单位+共享平台”设计推进跨部门整合，同步制定手工基本功与 AI 素养并重的训练大纲。
●前置布局边缘化、轻量化的军用模型。强电磁对抗下云端 AI 会失效，离线轻量模型是刚需。可结合国产算力与量化技术推进战术级试点，并建立”分析漂移”的层级校验机制，确保本地 AI 结论与上级评估一致。
免责声明：本文转自“占知智库”，原作者占知知道。文章内容系原作者个人观点，本公众号编译/转载仅为分享、传达不同观点，如有任何异议，欢迎联系我们！
推荐阅读
技经观察丨特朗普政府干预下原料药产能迁美对华医药产业风险分析
转自丨占知智库
作者丨占知知道
研究所简介
国际技术经济研究所（IITE）成立于1985年11月，是隶属于国务院发展研究中心的非营利性研究机构，主要职能是研究我国经济、科技社会发展中的重大政策性、战略性、前瞻性问题，跟踪和分析世界科技、经济发展态势，为中央和有关部委提供决策咨询服务。“全球技术地图”为国际技术经济研究所官方微信账号，致力于向公众传递前沿技术资讯和科技创新洞见。
地址：北京市海淀区小南庄20号楼A座
电话：010-82635522
微信：iite_er
免责声明：
本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。
任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。
本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。
本文转载自：全球技术地图 《大语言模型重塑军事开源情报》