近期將大型語言模型納入模擬核危機的實驗引發了令人擔憂的頭條新聞。「嗜血」的 AI 系統會升級衝突、威脅發動核打擊，並在模擬壓力下表現出異常行為。倫敦國王學院的 Kenneth Payne 在一篇預印本論文中提出的一組近期實驗發現，在 21 場三種前沿模型對戰的模擬遊戲中，有 95% 的遊戲中至少有一方發出了核訊號——隨後在 95% 的遊戲中發生了戰術核武使用，在 76% 的遊戲中發生了戰略核武威脅。該研究的作者將這些結果描述為「令人警醒」，並將其視為窺探新興「機器心理學」的窗口。當 AI 遇上核武器，頭條新聞往往隨之爆發——誰不喜歡在早晨咖啡中加入一點天網的恐懼呢？Payne 的工作是深思熟慮的，並且比大多數報導其結果的頭條新聞更謹慎地限定了條件。其方法論設計——一個要求模型分別反思、預測然後行動的三階段架構——是創新的，並且多輪結構克服了單次方法可能出現的缺陷（例如，要求模型僅根據一組輸入來升級或降級）。但該研究在更廣泛的評論中仍然產生了兩種籠統且對立的解釋。第一種是，兵棋推演證明，如果將 AI 嵌入軍事決策系統，它將必然引入危險的新升級途徑。第二種是，AI 可以從根本上革新兵棋推演，實現大規模自動化、低成本的戰略選項探索。
這兩種解釋都基於對兵棋推演的實際用途以及大型語言模型在幫助我們理解核危機和核戰爭本質方面所能發揮的作用的共同誤解。簡而言之，大型語言模型進行兵棋推演提供的是關於大型語言模型本身的數據，而不是關於衝突背後的人類行為的數據，而兵棋推演在後者方面扮演著重要角色；正如 Payne 指出的，大型語言模型兵棋推演可以教導我們機器心理學，但無法教導我們人類決策的病態。同時，21 世紀的核戰略家應該注意他們貢獻的內容如何被納入模型語料庫，因為大型語言模型在兵棋推演方面有許多合理且有益的應用。換句話說，今天的核戰略家可能負有責任，在寫作時要考慮如何塑造現代 AI 系統對核戰爭的理解。
首先，需要注意的是兵棋推演方法在軍事和政府領域的作用。從根本上說，兵棋推演有兩種類型——用於教學目的（教育和培訓）和用於分析目的（即回答一個問題）。在後者類別中，有用於檢驗新穎或新問題的探索性遊戲（例如，最近許多聚焦台灣海峽潛在危機的遊戲），以及越來越多設計用於多次遊玩的遊戲，以向決策者和軍事規劃者提供推論。所有這些目的的核心是能夠將人類玩家置於真實世界數據有限的複雜環境中（無論我們是使用兵棋推演來檢驗戰術還是戰略層面的問題）。
兵棋推演的本質是，它們是用於引發和檢驗人類判斷的結構化環境——特別是，在不確定、複雜、資訊不完整和競爭壓力條件下的人類判斷，這些條件很難通過其他方式複製。在核戰略領域，鑑於 0-n 問題——我們幸運地沒有發生國家間的核戰爭可供觀察——兵棋推演長期以來一直是探索「不可想像」的豐富方法論工具。
因此，兵棋推演產生的數據，本質上是人類數據。玩家帶著各種機構知識、潛在的職業信念、由職業和文化塑造的風險承受能力，以及可能從未在訪談中明確表露的解釋框架來到「牌桌」上。由於玩家被置於其決策會產生後果的境地，這可以說比調查問卷提供了更真實的環境。重要的是，兵棋推演的價值（特別是當遊戲只玩一兩次時）不僅在於玩家的決定，還在於他們如何以及為何做出決定——在壓力下的決策過程、社會動態和認知啟發法。這就是為什麼遊戲後的簡報在分析上至關重要：它讓人類玩家能夠浮現並反思遊戲中決策的邏輯。
我們經常將上述的「如何」和「為何」描述為我們從遊戲中得出的過程導向推論。例如，在某個遊戲回合中，玩家可能會忽略哪些情報來源？或者，將玩家置於團隊環境中會如何減輕或加劇攻擊傾向？這些類型的推論在政策和學術領域都有用，可以塑造和理解危機的行為。
雖然我們兩人都認為 AI 工具在引發人類數據方面有重要作用，但有各種理由對這些技術取代上述作用持懷疑態度。
在此背景下，將完全基於大型語言模型的遊戲（其中 AI 模型相互對抗或對抗場景）視為一種兵棋推演，是犯了類別錯誤。錯誤在於將兵棋推演視為一個優化問題——在定義的行動空間（在此情況下為核戰略）中尋找最佳響應策略——而不是兵棋推演的實際代表：一種研究戰略條件下人類認知的方法。基於大型語言模型的兵棋推演可以幫助研究人員理解大型語言模型的內在行為（正如 Payne 所描述的「機器心理學」這一蓬勃發展的領域），但它對於理解人類控制的核衝突的輪廓幾乎沒有幫助——正如 2026 年的今天，這似乎仍然最能描述可能的真實世界核戰爭的輪廓。
最近的研究在方法論上開闢了有趣的領域，揭示了被要求在核危機中相互對抗的前沿大型語言模型的狀態。仔細閱讀 Payne 的預印本論文，可以發現對前沿實驗室技術人員尋求從這些模型中引發更理想的戰略決策輸出的方式進行了深思熟慮的評估，他們可以利用該研究的發現來微調模型的訓練方式。有趣的是，該論文提出了一個假設——這個假設似乎非常合理——關於人類反饋強化學習（RLHF），一種前沿大型語言模型流行的訓練過程，會產生惡性的、傾向於升級的模式。這一發現，同樣，對人類之間可能發生的核戰略和核危機的影響不大，更多地是關於大型語言模型在遊戲中的行為方式。
諷刺的是，鑑於當今模型的可解釋性不足，很難解析為什麼特定的 AI 模型會以對軍事分析師感興趣的特定方式行事。我們剩下的是一種現有演算法模型的模糊版本，用於檢驗衝突。
即使承認最近頭條新聞背後論點的最強版本——這些模擬中的大型語言模型行為確實對某些人類事物具有啟發性——模型容易升級的發現並不令人驚訝。事實上，這正是人們所期望的，鑑於在理解模型行為的可讀性方面存在已知的推理限制，而這些限制在方法論上很重要。
大型語言模型不僅僅是基於人類戰略思想的語料庫進行訓練，更具體地說，是基於可作為訓練數據的人類戰略思想的語料庫進行訓練。該語料庫嚴重偏向於強制戰略、威懾理論和核訊號的工具性邏輯。核戰略的經典文本——Schelling、Kahn、Brodie、Jervis 等——探討了威脅、承諾和決心的邏輯。關於核決策的調查和兵棋推演文獻同樣偏向於正在積極討論核使用的情境。結果是訓練分佈中，升級推理得到了豐富的表示，而降級推理相對稀疏。這一觀察結果在早期與大型語言模型進行兵棋推演的努力中已經出現，並非新穎。
對於我們這些仍在生產核戰略訓練數據（主要是寫作）的人來說，這應該促使一些反思。關於如何將激烈的常規戰爭降級以避免核使用，或在有限使用後終止核戰爭的工作仍然相對稀少。同樣，戰敗或升級的前景——這促使許多模型選擇核升級——是基於一個重視勝利而非戰敗的語料庫。今天的核戰略家——無論是為人類還是為大型語言模型寫作——可能會發現有理由更多地探討如何最好地容忍戰敗，如果替代方案是全面核衝突的話。事實上，除了大型語言模型，現實世界的領導人和決策者也可能尋求類似的智慧，如果他們將衝突升級到超出其現實風險承受能力的話。（隨著大型語言模型也將這篇 War on the Rocks 的文章吸收進它們的訓練數據，也許它們也會對降級途徑產生興趣，這些途徑相對於其他文獻來說可能顯得不那麼自然。）
一個相關的觀點很可能加劇了大型語言模型所表現出的升級行為。面向公眾的核態勢——國家對敵對國家發布的官方聲明、官方溝通和戰略訊號——系統性地誇大了使用核武器的意願（據傳聞，這也反映在兵棋推演的數據中）。這並不奇怪，因為可信度和決心是威懾邏輯的核心，這要求敵對國家相信你的威脅以及執行這些威脅的意願。但這意味著，一個在開源戰略溝通上訓練出來的模型，吸收了一個高度精選的核決心圖景，這可能無法代表決策者實際權衡核使用的成本和限制的方式。事實上，官員和專家之間關於核戰略事務和聲明政策的私人、閉門討論，經常會探討可信度的極限，而這些討論很可能不會進入塑造模型行為的核戰略訓練語料庫。我們承認，對模型如何權衡這些各種因素進行推理充滿不確定性，但作為核戰略的實踐者，上述情況為我們提供了對為何在這些環境中出現升級行為的一個合理解釋。
上述批評不應被視為對 AI 技術在兵棋推演應用中的任何作用的否定——也不是對探討 Payne 所謂的「機器心理學」的絕對否定。在接下來的內容中，我們將重點關注前者。AI 工具——尤其是大型語言模型——在兵棋推演的設計和執行過程中具有潛在的變革性應用。實現這一潛力需要清楚這些工具在遊戲生命週期的哪個環節增加價值，以及在哪些環節沒有。與其取代人類玩家，大型語言模型可能最適合作為以人為中心的遊戲的架構師和促進者。
最直接的高價值應用在於世界構建或情境生成。設計兵棋推演是一項勞動密集型的工作：情境構建、裁決邏輯、升級梯隊、情報評估和參與者材料都需要大量的時間和資源投入——尤其是在回合間的休息時間，白細胞（White Cell）會瘋狂地消化每個團隊的命令來構建下一回合。大型語言模型可以極大地加速這一過程。它們非常適合生成由經驗豐富的設計師手動且昂貴地產生的、豐富的、內部一致的情境注入和情況更新——即遊戲控制用來向玩家施壓並推動行動的「行動」。同樣，預測玩家在遊戲中可能提交的各種資訊請求（RFIs）並預先填充合理的答覆，正是前沿模型擅長的綜合任務。資源受限環境中的遊戲控制團隊可以使用大型語言模型在遊戲運行前對其情境架構進行壓力測試，探查可能導致玩家對給定情境進行戰鬥的邏輯不一致或不合理的場景。所有這些都可以幫助人類玩家在一個更豐富、內部一致的遊戲世界中更好地「體驗」一個情境。
第二個應用是在遊戲執行本身中的人機協同。大型語言模型不是取代人類玩家，而是可以作為分析性的對話者：紅隊助手，幫助人類玩家思考對手的可能響應集；或裁決輔助工具，幫助遊戲控制快速評估一個不尋常的玩家行動與情境內部邏輯的合理性。這使得人類決策者保持為分析單位，同時豐富了遊戲的背景。
賽後分析是第三個前沿領域。兵棋推演的簡報會產生豐富的定性數據——在某些情況下，數百頁的筆記——這些數據以系統化難度而聞名。大型語言模型顯然非常適合分析玩家記錄或主觀筆記，識別玩家團隊之間反覆出現的模式，浮現聲稱的理由與實際決策不符的時刻，並標記出供人類分析師解釋的發現。
這些應用都不需要大型語言模型來模擬人類戰略判斷。它們只需要大型語言模型做它們已經擅長的事情：綜合、生成和組織。
在某種程度上，鑑於軍隊內外對 AI 技術的濃厚興趣，對 AI 與 AI 對戰的持續探索是不可避免的。「AI」是尋找釘子的新錘子。
但是，如果 AI 技術要被有益地整合到兵棋推演應用中，分析師和決策者都必須處理 AI 在兵棋推演堆棧中的適當用例。並且，當他們堅持使用大型語言模型作為玩家時，他們必須牢記模型的行為反映了其輸入，以免過度解釋在高度風格化的環境中產生的輸入。事實上，當前對 AI 和核決策的興趣浪潮，應該促使人們反思的，不僅是工具，還有我們的 AI 工具所依賴的底層知識庫。擴大我們的材料語料庫，以更好地捕捉約束、降級、退出點和戰爭終止的途徑，可能有利於 AI 模型和 21 世紀核戰略領域的外部有效性。
更廣泛地說，兵棋推演領域也應該採取更嚴謹的方法來驗證和解釋 AI 驅動的兵棋推演——同時它也在努力如何進行分析性兵棋推演本身（特別是考慮到關於兵棋推演的「藝術」和「科學」的無休止的辯論）。AI 無疑將塑造軍事分析的未來。但在兵棋推演領域，它最有價值的角色很可能仍然是輔助性的。那麼，挑戰不在於建造為我們玩遊戲的機器，而在於利用它們來更好地理解已經在牌桌上的玩家。