一、事件复盘：123名儿童之死与三条断裂的防线
据 Bloomberg 援引未公开的五角大楼内部审查官员报道，美军今年 2 月开战首日误击伊朗 Minab 的 Shajarah Tayyebeh 小学，造成超 150 人死亡、其中至少 123 名儿童，过度依赖 Palantir 开发的 Maven Smart System 是原因之一。
1.1 米纳布发生了什么
2026年2月28日，美国和以色列对伊朗发动大规模军事行动。两枚"战斧"巡航导弹击中伊朗南部霍尔木兹甘省 Minab 市的一所女子小学，教学楼和校园同时受损。
这所学校位于一座革命卫队海军（IRGCN）基地对面，并非基地内部设施。卫星影像显示，该校园至少在2016年已设有独立围墙和三个不经过军营的入口，与军事设施物理隔离。学校存在超过十年，周边区域同期还建有一处医疗诊所。
五角大楼内部调查确认，该目标来自"陈年目标库"——多年未更新的旧情报被直接用于本轮打击规划。美军在最初24小时内打击了超过1000个伊朗目标，这种规模压缩了本应存在的核查环节。
当AI把过时情报推送成"可用数据"，背锅的不会是算法
1.2 三重失守：AI误判、情报滞后、人为缺位
彭博社披露的内部审查文件总结了三个相互叠加的失败环节，调查人员形容这是"一连串本可避免的问题"。
第一重失守是对 Maven 系统的过度信任。美国中央司令部部分分析人员预期该系统能自动标记陈旧记录或矛盾信息，但说不清系统为何会这样做。Palantir 发言人随后回应称"不对基础数据负责，也不负责识别情报缺陷"。这意味着责任被模糊化：使用者以为系统会自检，系统厂商认为输入数据是用户的事。
第二重失守是情报数据严重过时。一条本可纠正致命误判的关键情报备注，被锁在一套孤立系统中，从未传达给制定空袭方案的人员。Maven 系统将2017年就已与军营物理分隔的学校仍标记为革命卫队设施，使其成为首轮打击目标之一。
第三重失守是人员结构被系统性削弱。战争部长 Pete Hegseth 命令拆除了大部分平民伤害缓解（CHM）部门，人员削减约90%，降至不足20人。中央司令部原本10人的 CHM 团队被缩减至1人，且在袭击前没有任何 CHM 官员审查过米纳布目标。
[[(reaction:detective-truth|caption=三条防线，每一条都在被压缩的时间窗口里失效)]]
1.1 米纳布发生了什么
卫星影像显示，这所小学所在的建筑群早在 2015 年前后就被围墙与伊朗伊斯兰革命卫队海军基地分隔，2017 年的图像里已经出现校园和游乐设施。然而 Maven 系统将同一坐标标记为革命卫队设施，并纳入目标清单。
两条关键信息没有被整合：一是该建筑在 2016 年之前已完成民用化改造，二是独立出入口的存在证明平民可以不经军事区域进入。这些信息散落在不同系统里，最终没有被合并进目标审核流程。
情报缺口本可填补，但没有
1.2 三重失守：AI误判、情报滞后、人为缺位
审查文件列出了三个叠加的失败环节。
第一重失守是对 AI 系统的信任错位。部分分析人员预期 Maven 能自动标记过时或矛盾的信息，但系统本身并不具备这种能力。Palantir 的回应是「不对基础数据负责，也不负责识别情报缺陷」——这句话准确刻画了工具的边界，也暴露了使用者的误判。
第二重失守是情报的陈旧性。米纳布目标的卫星图像停留在 2013 年之前，而学校在此之后已经建立了独立的平民入口。过时数据进入系统后，没有被任何环节标注为「待更新」或「高风险」。一条本可纠正误判的关键备注，锁在一套孤立系统里，从未传达给制定空袭方案的人员。
第三重失守是人为防线的主动撤退。五角大楼将平民伤害缓解（CHM）部门的人员削减约 90%，降至不足 20 人。中央司令部的 CHM 团队从十人缩减至一人，且在袭击前没有任何 CHM 官员审查过米纳布目标。
这不是单一技术故障，而是系统性溃败。AI 放大了节奏压缩带来的风险，但真正致命的，是那些原本可以拦截错误的环节被逐一拆除了。
二、机制拆解：AI如何从「辅助工具」变成「决策主体」
2.1 Maven系统的实际能力边界在哪
Maven系统是一个基于AI的目标识别与排序平台。它从卫星影像、传感器和情报部门收集数据，生成目标建议，并提供精确坐标和优先级排序。Palantir 官方声明「不对基础数据负责，也不负责识别情报缺陷」。这意味着系统本质上是数据整合器，而非真相验证器。
卫星影像显示，该学校早在2017年就已用围墙与IRGCN基地分隔，拥有独立入口。2017年的影像清晰标注校园内有游乐场。然而Maven系统仍将该区域标记为革命卫队设施，原因很可能是2013年之前的历史数据未被更新。
系统没有「标记陈旧信息」的能力。如果操作员不主动核查数据来源日期，模型输出的置信度越高，错觉越牢固。
2.2 加速杀链的代价是什么
传统Kill Chain需要数周完成目标选定。特朗普政府命令在24小时内打击超1000个伊朗目标。Maven配合「克劳德」模型，将原本耗时数周的作战任务压缩为「即时处理」。
杀链速度从周级降至分钟级，核实验证时间被系统性压缩。
更准确地说，时间压缩的代价不是计算能力，而是人工复核机会。中央司令部的平民伤害缓解CHM团队从十人被缩减至一人，袭击前没有任何CHM官员审查米纳布目标。
当杀链被压缩到几分钟，唯一的容错空间就是人的判断力——而这一点，恰恰是被最先牺牲掉的。
``mermaid
加速杀链与信任转移机制
2.2 加速杀链的代价是什么
传统Kill Chain需要数周完成目标选定。特朗普政府命令在24小时内打击超1000个伊朗目标。Maven配合Claude模型，将原本耗时数周的作战任务压缩为「即时处理」。
杀链速度从周级降至分钟级，核实验证时间被系统性压缩。
更准确地说，时间压缩的代价不是计算能力，而是人工复核机会。中央司令部的平民伤害缓解CHM团队从十人被缩减至一人，袭击前没有任何CHM官员审查米纳布目标。
当杀链被压缩到几分钟，唯一的容错空间就是人的判断力——而这一点，恰恰是被最先牺牲掉的。
``mermaid
Kill Chain加速后的信任重构
2.3 人的信任被重新分配了
调查人员发现，部分美军人员预期Maven能自动标记矛盾信息。这个预期本身就是问题所在。系统没有标注能力，但操作员相信它有。
信任从人转移到了系统，但系统的责任边界从未被明确定义。Palantir不负责数据质量，中央司令部不负责交叉验证，指挥官不负责最终审批前的独立核查——没有人负责，因为每个人都以为别人已经做了。
这不是技术故障，是责任真空。当一个系统的输出被当作结论而非建议使用时，人类的判断就被降级为形式审查。形式审查在时间压力下会被系统性跳过。
更狠的是，这种「辅助工具」的定位让每个环节都可以把责任推给下一个环节——系统给的建议、数据提供的输入、上级的命令、时间的紧迫。最终，123名儿童成了这个责任链条上所有环节的默认牺牲品。
AI不会犯错，犯错的是那些以为AI不会犯错的人。
杀链加速后的系统过载现场
3.1 Palantir案例的行业信号
这件事暴露的不是某个系统的bug，而是整个行业的结构性盲点。Palantir 在2025年已经将Maven系统定位为「作战体系的核心组件」，五角大楼内部将其称为「战场操作系统」。这种定位本身就有问题——当一套系统被定义为「核心」，它就会获得不该有的权威。
当系统被赋予不该有的权威
更值得关注的信号是：Maven将目标筛选时间从数周压缩到几分钟。这种效率提升在和平时期可能是新闻，在战争时期就是灾难。《华盛顿邮报》引述军方退役将领杰克·沙纳汉的说法，他从项目启动时就警告过数据质量问题，但没人听。
AI不会犯错，犯错的是那些以为AI不会犯错的人。这句话在军工领域尤其刺眼——因为后果是实打实的。当系统把2017年就与军营分隔的学校标记为革命卫队设施，它只是在忠实地执行算法逻辑：输入过时数据，输出精确结论。真正的问题不在算法，而在把算法结论当作最终答案的决策链条。
3.2 AI辅助决策在关键领域的扩散逻辑
军工领域的AI渗透速度，正在成为其他行业的参照系。金融风控、医疗诊断、自动驾驶——这些领域面临的困境如出一辙：系统越复杂，信任成本越低，责任越模糊。
关键领域AI决策扩散模型
这个模型在理论上完美，问题出在每一个节点的现实执行。质量门禁谁来设？可信区间怎么定？反馈数据是否经过清洗？米纳布事件里，质量门禁形同虚设——过时的卫星图像被当作有效数据输入，系统没有触发任何警告。
在关键领域做AI部署，有两个不可妥协的条件：第一，数据生命周期必须有硬约束，过期数据不得进入决策链；第二，系统必须能够区分「高置信度建议」和「低置信度假设」，而不是把所有输出包装成同等权威。目前业内常见做法是把两者混为一谈，这很危险。
3.3 责任归属机制的滞后性
五角大楼调查报告花了数月才完成，至今未公开发布。这不是程序正义的拖延，而是责任归属的真空。
当AI参与了决策，责任应该在谁？系统开发者？数据提供者？决策执行者？系统使用者？现有法律框架没有清晰答案。Palantir的回应很典型：「不对基础数据负责，也不负责识别情报缺陷。」这话在法律上可能站得住脚，在工程伦理上站不住。
责任真空的代价是，没有人真正为错误买单。系统被过度使用，因为没有明确的使用边界；数据质量无法保障，因为没有人承担验证责任；人为审查被压缩，因为效率优先的逻辑占了上风。
当杀链被压缩到几分钟，唯一的容错空间就是人的判断力——而这一点，恰恰是被最先牺牲掉的。这不是技术問題，是制度問題。
这不是一个需要重新发明轮子的话题。AI 辅助决策在金融风控、医疗影像、自动驾驶等领域已经跑了多年，米纳布的教训核心不在「要不要用 AI」，而在「用了 AI 之后，谁来为它兜底」。坦白讲，很多团队在引入 AI 时只做了前半段，后半段责任归属机制的缺口一直没补上。
4.1 两条可执行的最佳实践
第一，在杀链的关键节点设置不可绕过的人工门禁。
五角大楼这次的问题本质是：当 Maven 在几分钟内生成目标候选清单，指挥官几乎没有时间去追问「这个目标从哪来的」或者「这张卫星图是什么时候拍的」。调查指出，该小学在 2017 年的卫星影像中已经显示有围墙与革命卫队基地分隔，但系统仍将其标记为军事设施。
这意味着什么？AI 的输出可以加速，但不能替代质疑。建议在关键决策链中强制嵌入两个检查点：一是数据来源的时间戳校验（系统需标注每条情报的采集时间，超期需二次确认），二是反对意见的强制记录（每个被否决的异议必须留痕）。前者保证情报不过时，后者保证异议不被系统速度淹没。
AI 不会犯错，犯错的是那些以为 AI 不会犯错的人。这条金句放在这里不是口号，而是工程问题。
第二，建立「数据新鲜度」的独立审计线，不归算法团队管。
Palantir 发言人回应称「不对基础数据负责，也不负责识别情报缺陷」——这话技术上没错，但在伦理和法律上是空挡。如果一个系统声称能「智能标记矛盾信息」，使用者有权预期它会做这件事。米纳布悲剧中，使用者确实这么预期了，然后预期落了空。
解决方案很直接：数据质量审计线应当独立于算法和业务团队，直接向合规或风险委员会汇报。这不是增加一个部门，而是改变汇报关系。在业务压力大、命令紧迫的时候（比如 24 小时内打击上千目标的场景），这条独立线是唯一能说不的力量。
你买的旗舰款，瞬间变成平替套餐——当数据层失效，再好的 AI 模型也是垃圾进、垃圾出。更狠的是，每年能省下一个亿的人工审核预算，前提是有人愿意承担审核不力的责任。
4.2 下一个临界点会出现在哪里
米纳布事件的机制链条并不复杂：过时数据 + 系统加速 + 人工缺位 = 悲剧。但下一个临界点不会是同一个场景的重复，而是这个机制被放大到新的领域。
目前最值得关注的是三个方向的扩散。
一是自主武器系统的 kill chain 压缩已经快于责任机制的完善速度。2026 年初美军在伊朗行动中将目标选定时间压缩到分钟级，这还不是全自主，只是「AI 辅助」。如果下一步去掉最终确认环节，责任归属机制根本来不及重建。
二是多模态 AI 的情报合成能力正在模糊真实与推断的边界。Maven 系统把卫星图、传感器数据和历史情报库做整合，但整合不等于验证。当模型能够生成看似合理的完整叙事时，操作员更容易停止追问原始数据。这不是技术幻想，是已经在特种作战司令部传阅过的 AI 生成虚假情报报告的现实案例。
三是平民伤害缓解（CHM）机制被系统性削弱。五角大楼将 CHM 人员削减约 90%，这是人为选择，不是技术局限。但技术部署速度远超这个政策的纠偏能力——当 AI 系统已经被部署到一线作战单元，CHM 团队的减少就成了一个随时会引爆的缺口。
杀链加速到分钟级，CHM只剩一人
AI辅助决策中的效率-伦理张力模型
当杀链被压缩到几分钟，唯一的容错空间就是人的判断力——而这一点，恰恰是被最先牺牲掉的。这句话描述的不仅是米纳布，而是所有把速度放在验证前面的 AI 部署场景的共同风险结构。
对从业者的具体建议：如果你正在设计或部署任何涉及高风险决策的 AI 系统，今天就做三件事。第一，画出你系统中的 kill chain，标出每个节点的人工介入点，问自己：如果这个节点失效，有没有备份？第二，检查数据层是否有独立的 freshness 校验，而不是依赖算法团队自觉。第三，建立异议留痕机制，确保反对意见不会因为「时间不够」而被自动丢弃。
米纳布的 123 名儿童不是 AI 的错，也不是 Palantir 的错，是人类决策链中被层层压缩掉的那个「再等等看」的瞬间。守住最后一道防线，不需要更多技术，需要更多愿意说「等等」的人。
参考文献
[1] 过度依赖AI大模型导致美国空袭造成123名伊朗儿童死亡. https://tech.ifeng.com/c/8wbwK1TFH0f [2] 美军两枚导弹击中小学，123 名儿童死亡|ai系统|五角大楼. https://www.163.com/dy/article/L77DNIIV0511D6RL.html [3] Pentagon Investigators Say Overreliance on Palantir AI Tech Contributed to U.S. Strike That Killed 123 Iranian Children - NewsBreak. https://www.newsbreak.com/gizmodo-399763864/4897121900694-pentagon-investigators-say-overreliance-on-palantir-ai-tech-contributed-to-u-s-strike-that-killed-123-iranian-children [4] Pentagon Investigators Say Overreliance on Palantir AI Tech Contributed to U.S. Strike That Killed 123 Iranian Children - Gizmodo. https://gizmodo.com/pentagon-investigators-say-overreliance-on-palantir-ai-tech-contributed-to-u-s-strike-that-killed-123-iranian-children-2000814477 [5] 美媒：美国过度依赖AI导致伊朗学校遭袭击，造成157人死亡_联合国_人员_调查. https://www.sohu.com/a/1078819856_122499130 [6] 五角大楼调查人员：美一系列失误致伊朗小学遭袭 - 中国日报网. https://cn.chinadaily.com.cn/a/[REDACTED]/20/WS6aafcf77e4b09a165c78b677.html [7] Pentagon Investigators Say Overreliance on Palantir AI Contributed to US Strike That Killed 123 Iranian Children - Slashdot. https://news.slashdot.org/story/26/09/22/0614238/pentagon-investigators-say-overreliance-on-palantir-ai-contributed-to-us-strike-that-killed-123-iranian-children [8] Pentagon Investigators Say Overreliance on Palantir AI Tech Contributed to U.S. Strike That Killed 123 Iranian Children - Gizmodo | Alto. https://alto.gab.com/feed/google-news/item/[REDACTED]
如果浏览器无法直接唤起微信，可在微信内打开公众号主页：计算机魔术师
