跳到主要内容无
PROJECT MAVEN · DEEP RESEARCH SERIES 02/05Maven智能系统深度研究报告 · 技术架构深度拆解
3.1.1 Maven Smart System三层架构：数据层—本体论层—应用层Maven智能系统采用开放式数据融合架构，其核心设计理念是实现多源异构数据的标准化整合与即插即用的AI模型集成。从功能分层看，MSS可解构为三层：数据层负责多源异构数据的接入、存储与治理，构建于超大规模云基础设施之上，目前主要依托AWS的绝密区域（Top Secret Region）运行；本体论层是Palantir的核心技术资产，负责将原始数据（图像、信号、文本）转换为具有语义的标准化对象，为上层应用和AI模型提供统一的数据基础；应用层面向最终用户，提供通用作战图、目标工作流、后勤追踪等具体功能模块。这种三层架构的革命性在于解耦：数据源可以更换（从无人机扩展到卫星）、AI模型可以更换（从CNN扩展到LLM）、应用可以扩展（从影像标注扩展到火力协调），而三层之间的接口保持稳定。这与传统军事信息系统"传感器-处理器-显示器"的垂直绑定模式形成鲜明对比。CSIS瓦德瓦尼AI中心主任阿洛克·梅塔（Aalok Mehta）将Maven描述为"本质上是一个覆盖层（overlay）"，融合传感器数据、敌军情报、卫星图像和部队部署信息——"既像战斗的空中交通管制，又像它的驾驶舱"。"覆盖层"这个比喻精准捕捉了MSS的架构哲学：它不替代任何现有系统，而是在所有现有系统之上建立一个统一的语义与决策平面。图2：Maven Smart System分层技术架构示意。五类数据源汇入以AWS绝密云为底座的数据层，经本体论层完成实体解析与语义化，由智能层（CV/ATR与LLM）生成目标建议，最终在应用层以通用作战图呈现给保持"人在回路"地位的人类操作员。3.1.2 开放式数据融合架构与"即插即用"AI模型集成机制Maven的开放性体现在两个维度。数据接入的开放：系统设计上不绑定特定传感器，任何符合接口标准的数据流（卫星、无人机、雷达、SIGINT、盟友系统）都可以接入并被本体论层消化。据报道，Maven能够融合来自150个以上来源的数据，包括卫星图像、无人机馈流、雷达与红外传感器。模型集成的开放：Maven不是单一算法，而是算法生态的宿主——CV模型、ATR模型、LLM可以按任务需求"即插即用"。Palantir官方宣称其AIP是"模型无关"（model-agnostic）的，这一设计在2026年Anthropic被逐后显示出战略价值：模型层的政治风险不会传导为平台层的运行风险。"即插即用"机制的制度化载体是CDAO建立的第三方厂商接入通道。该通道允许创新企业在MSS数据环境中原型化其应用，而无需重建数据管道。这使Maven具备了"军事AI操作系统"的生态属性——正如iOS之于移动应用，Maven之于军事AI应用。目前已有35个以上军种与作战司令部软件工具接入Maven数据底座，生态规模仍在扩张。3.1.3 云—边—端协同：AWS绝密云与战术边缘计算的混合部署Maven的部署架构是"云—边—端"三级协同的混合模式。云侧：核心数据融合与重型计算（大模型推理、批量影像处理）在AWS的Secret Region与Top Secret Region完成。AWS是少数获得DISA IL6（秘密级）认证的商业云服务商，其政府云分区提供了物理隔离、美国公民运维、加密密钥政府控制的合规环境。Palantir AIP同样持有IL6认证，两者叠加构成Maven的云侧合规底座。边侧：战术边缘（前线指挥所、舰艇、机动平台）通过Anduril Lattice Mesh等边缘计算层接入。Lattice的网状网络（mesh）设计使传感器可以在不依赖中心节点的情况下直接共享数据——"中心计算机可能被摧毁或被敌方干扰，网状网络中一个节点被摧毁，其他节点继续工作"。2024年12月的Anduril-Palantir联盟正是为打通"边—云"数据流：边缘采集的战术传感器数据向上汇入政府云环境供MSS模型处理，云侧生成的目标数据向下推送至边缘火力单元。端侧：最终用户通过笔记本、平板、战术终端访问MSS应用。2026年2月弗吉尼亚州阿灵顿的MSS培训照片显示，陆军国民警卫队军官在标准商用笔记本上运行MSS界面——Maven的"端"刻意保持商用现货（COTS）形态，这是其用户规模能快速扩张至2万+的技术前提。图3：美军操作员使用Maven Smart System处理动态视频与地理空间数据。界面左侧为对象标签与操作面板，右侧为全动态视频/影像窗口——这是Maven最经典的"算法预标注+人工审核"工作界面（图源：DefenseScoop/美军公开照片）。3.1.4 与Palantir AIP的深度集成关系理解Maven必须理解其与Palantir产品矩阵的嵌套关系。Palantir的四层产品栈中：Gotham（政府/情报版平台）提供数据融合与分析的底层能力；Foundry（商业版平台）是Gotham的商业对应物；AIP（人工智能平台，2023年推出）是在Gotham/Foundry之上叠加的大模型操作层，负责将LLM接入企业数据与工作流；Apollo是跨云、跨密级环境的软件持续部署管道。Maven Smart System本质上是Gotham本体论+AIP大模型能力+Apollo部署管道在军事目标工作域的特化配置。AIP于2023年4月推出后，Maven的智能化跃升明显加速。AIP的关键创新是"AI代理"（AI agents）概念：将大模型封装为可调用企业数据、执行多步任务、受本体论权限约束的代理。在军事语境中，这意味着LLM不仅能"聊天"，还能查询机密数据库、调用CV模型、生成目标文件草案、起草行动方案——而所有操作都被本体论层的访问控制与审计日志约束。2024年11月Claude接入AIP IL6环境后，Maven用户首次可以用自然语言与整个机密情报体系对话。Palantir CTO夏姆·桑卡尔（Shyam Sankar）称之为"为美国最关键任务带来的非对称AI优势"。3.1.5 从"Maven ATR"到全功能决策支持平台的演进路径Maven的功能演进遵循一条清晰的"自主性爬升"路径，可分为五个阶段。第一阶段（2017-2018）：Maven ATR——纯感知工具，对FMV进行目标检测与分类，输出"图像中有什么"。第二阶段（2019-2020）：MSS原型——多源数据融合，输出"战场态势是什么"。第三阶段（2021-2023）：目标工作流平台——从"看见"到"筛选"，支持目标提名、验证、优先级排序的完整流程，输出"应该关注什么"。第四阶段（2024-2025）：决策支持——集成火力协调、后勤追踪、资产调度推荐，输出"可以用什么打、怎么打"；CENTCOM确认其已用于实战目标筛选，但"尚不能推荐攻击顺序"。第五阶段（2025-2026）：LLM增强的全功能平台——自然语言交互、行动方案生成、打击序列模拟、毁伤评估辅助，在"史诗怒火"中实现"实时目标定位与目标优先级排序"。每一阶段的跃迁都伴随着人机权力边界的重新划分。值得注意的是，直到第五阶段，Maven的官方定位仍是"决策支持"而非"自主打击"——Palantir反复强调"其软件不做致命决策，人类负责选择和批准目标"。但"决策支持"与"决策"之间的界限，在每小时1,000个目标的节奏压力下，已变得高度模糊——这是第五部分战斗力边界分析的核心议题。3.2.1 卫星图像（光学/SAR/红外）接入与处理卫星影像是Maven数据层的第一支柱，其战略价值在2020年后被重新定义：相较于无人机，卫星"不太可能被击落或电磁干扰"，具备大国冲突中的生存性。Maven接入的卫星数据包括三类：光学图像（高分辨率可见光，用于目标详查）、合成孔径雷达（SAR，全天时全天候，可穿透云层与夜间，对金属目标敏感）、红外（用于热特征识别与夜间监视）。2021年Scarlet Dragon演习中，Maven已能处理SAR数据以支持海上资产识别——演习组织者特意选择恶劣天气条件"测试AI算法在合成孔径雷达系统上的集成"。卫星图像处理的技术挑战在于尺度与变异：一幅广域卫星图像可能覆盖数百平方公里，目标（车辆、发射架）仅占几个像素；同一目标在不同分辨率、不同入射角、不同季节呈现完全不同的视觉特征。Maven的应对策略是"广域搜索-目标"（BAS-T）两级处理：先用低分辨率广域扫描筛出兴趣区域，再调度高分辨率资产详查——这正是NGA将BAS-T与MSS整合的技术逻辑。FMV是Maven的"初心"数据源，至今仍是战术级目标识别的核心输入。MQ-9"死神"等长航时无人机提供的实时视频流，经Maven的CV模型进行逐帧分析：检测车辆、人员、建筑物，跟踪目标移动，识别行为模式（集结、巡逻路线变化、异常活动）。与卫星图像相比，FMV的挑战在于数据率（多路高清视频流并发）与实时性要求（时敏目标窗口以分钟计）。图4：MQ-9"死神"无人机。此类长航时ISR平台是Maven项目最初要解决的数据爆炸问题的来源——单架次任务即可产生数十小时全动态视频，远超人力分析带宽（图源：Middle East Eye）。Maven对FMV的处理已从早期的"事后标注"演进为"近实时分析"。肯塔基国民警卫队披露的流程显示，Maven向分析员提供"近实时数据"，由作战部门对照指挥官目标进行验证。在Scarlet Dragon 26-1演习中，小型无人机群的目标数据被实时推送至NGA Maven Smart System（或另一条IL6路径），再由Maven向"毒刺"导弹小组推送早期预警，实现从发现到交战提示的秒级闭环。3.2.3 通信截获数据（SIGINT）与地理定位信息融合信号情报是Maven数据层中公开信息最少、但作战价值最高的维度。从可确认的信息看，Maven融合SIGINT的方式主要有二：地理定位融合——将通信截获的辐射源定位数据叠加到地理空间底图上，与影像证据交叉印证（"这部电话的位置与这栋建筑重合"）；模式识别——对通信元数据（而非内容）进行网络分析，识别指挥所、后勤节点等组织特征。2026年伊朗战争中，Maven"综合卫星图像、无人机馈流、雷达数据与信号情报"进行实时处理，SIGINT与GEOINT的融合（所谓"GEOINT-SIGINT融合"）已成为目标确认的标准流程。SIGINT融合的特殊困难在于密级壁垒：SIGINT通常属最高密级（TS/SCI），而Maven的多数用户工作在IL6（秘密级）环境。跨密级数据下推（cross-domain solution）需要严格的脱敏与审批，这也是Maven需要运行"三个安全域"并部署跨域网关的原因。ECS Federal作为AI3集成商的核心工作之一，正是维护这些跨域数据管道的合规性与可用性。3.2.4 雷达数据、地面传感器与盟友数据系统接入雷达与地面传感器构成Maven数据层的"持续监视"维度。与卫星的过顶快照、无人机的航线覆盖不同，地基雷达（如"哨兵"雷达）与无人值守地面传感器提供7×24小时的区域持续监视。Scarlet Dragon 26-1演习中，"哨兵"雷达与SGT STOUT近程防空系统跟踪阿帕奇直升机与无人机，数据推送至军部以验证更快的早期预警体系。这类数据的价值不在图像识别，而在轨迹与模式的持续积累——"反常即目标"。盟友数据接入是Maven数据层最具战略纵深的维度。乌克兰战场的情报共享机制（美国向乌方提供目标级情报支持）实质上是Maven数据层的外部延伸。MSS NATO的部署则建立了北约框架下的制度化数据交换：盟军的传感器数据可按协议汇入，Maven的分析成果可向盟军分发。数据层的盟友化，使Maven从"美国的情报系统"升格为"联盟的情报公共品"——这也是其地缘战略价值的重要组成部分。3.2.5 训练数据集构建：军事目标标注数据的管理与迭代监督学习的本质是"数据定义能力边界"，Maven的算法能力上限由其训练数据集决定。项目早期，国防部不得不从零开始构建军事目标标注数据集：组织人力对FMV与卫星图像进行逐帧标注（框出车辆、人员、建筑），建立标注规范与质检流程。这一"脏活"是Maven最不为人知的艰苦工程——据项目早期参与者回忆，标注数据的稀缺与质量参差曾是比算法更大的瓶颈。Maven数据集管理的核心机制是作战反馈闭环：每一次实战或演习中操作员对AI建议的"确认/否决"都被记录为新的标注样本，用于模型的持续再训练。这种"使用中学习"的机制使Maven的数据集随部署规模同步扩张——2万+用户的日常操作本身就是海量标注行为。Scarlet Dragon系列演习则提供了受控环境下的定向数据生产：针对特定目标类型（如小型无人机、机动发射架）设计场景，集中采集与标注。DevSecOps管道使新数据可以在数周内转化为部署模型的能力更新，这正是2024年欧洲部署期间"62次能力迭代"的技术基础。3.2.6 数据标准化与互操作性：支撑CJADC2的数据基础设施Maven数据层的终极战略价值，在于它是CJADC2的数据基础设施。CJADC2的愿景是"任一传感器连接任一射手"，其技术前提是所有军种的数据遵循可互操作的标准。Maven通过本体论层事实上充当了这一标准的制定者：接入Maven的数据必须映射到统一的本体对象模型，这一映射过程本身就是标准化。范伯格备忘录将"AI赋能决策"确立为CJADC2基石、并将Maven定为该基石的承载平台，等于官方确认了Maven数据标准的事实标准地位。但数据标准化的"事实标准"路径也引发了竞争与反垄断的隐忧：当Maven的本体论成为全军数据交换的通用语义，Palantir就掌握了美军数据基础设施的"语法规则"。批评者警告这可能形成"供应商锁定"——切换平台的成本将随接入深度指数上升。五角大楼的对冲设计是保持模型层与数据源层的开放性（多LLM供应商、多传感器接入），但平台层的单一化趋势已难以逆转。3.3 本体论层（Ontology）：Palantir核心技术的军事化应用3.3.1 本体论架构如何将原始数据转换为语义化标准对象本体论（Ontology）是Palantir技术体系中最核心也最难被竞争者复制的资产。在Palantir的语境中，本体论不是哲学概念，而是一种数据-语义映射层：它将来自数百个异构系统的原始数据记录（一行数据库记录、一条视频流元数据、一份电报），统一映射为具有明确语义、属性、关系与权限标签的"对象"（Objects）——例如"一辆坦克"对象，其属性包括型号、位置、最后观测时间、置信度，其关系包括所属单位、装载弹药、掩护建筑。本体论层的技术价值在于一次映射、处处可用：数据工程师只需为每个数据源编写一次到本体对象的映射（pipeline），此后所有应用、所有AI模型都以统一的语义接口访问数据，无需理解底层数据源的格式。当新增数据源时，只需新增映射，不动应用层；当更换AI模型时，模型消费的仍是标准对象，不动数据层。这种架构使Maven的"即插即用"从口号变为工程现实，也是Maven能同时运行CV模型、ATR模型与多种LLM而不产生集成地狱的根本原因。本体论层的第二项核心能力是实体解析（Entity Resolution）：判断不同数据源中的记录是否指向同一现实实体。这在军事情报中是经典难题——同一辆发射车可能被卫星拍到、被SIGINT定位、被人力情报提及，三个来源的描述各不相同（坐标精度不同、命名不同、时间戳不同）。Maven的实体解析引擎通过概率匹配（位置接近度、特征相似度、时间一致性）将多源记录归并到单一实体，形成"一个目标、一条记录、多源证据"的统一视图。实体解析之上是关系图谱的构建：对象之间的关联（隶属、通信、补给、同地出现）被显式建模为图结构。这使Maven能够回答超越单个目标的问题——"这支部队的后勤节点在哪里""这个指挥所与哪些机动单位有通信联系"。关系图谱是Maven从"目标识别工具"升格为"战役理解系统"的技术分水岭：单个目标的价值是有限的，目标之间关系网络的价值是战役级的。3.3.3 军事对象本体库：人员、装备、设施、事件的语义建模Maven的军事本体库按四大对象域组织。人员：从关键领导人到部队编制，建模其身份、位置、关系网络——委内瑞拉行动中"确认马杜罗位置"正是这一对象域的实战应用。装备：坦克、防空系统、舰艇、导弹发射架等，建模其型号、状态、机动特征。设施：机场、港口、指挥中心、核设施，建模其功能、防护、容量。事件：发射、集结、空袭、部队调动，建模其时间、参与对象、演化序列。事件对象域是最具前瞻性的建模维度：当"事件"成为一等公民，Maven就能对战场进行时序推理——识别"发射准备"这一事件模式的前兆信号序列（燃料车到位、雷达开机、人员集结），从而实现从"发现目标"到"预测行动"的跃升。美军在伊朗战争中"预测、筛选和反制威胁活动"的能力描述，正指向这种事件级建模。3.3.4 本体论驱动的跨数据源关联推理与知识发现本体论架构使Maven具备了传统情报系统无法实现的跨源关联推理能力。一个典型的推理链可能是：SIGINT捕捉到某频率通信激活（信号域）→ 关联到该频率历史使用者的实体记录（本体域）→ 触发对该实体已知活动区域的卫星详查（图像域）→ CV模型在详查图像中确认装备集结（算法域）→ 系统生成"疑似火力单元展开"的提示（应用域）。整条链路无需人工在各个系统间切换查询，由本体论层的统一语义驱动自动完成。这种能力的知识发现价值在于涌现性：单个数据源都无法显现的模式，在多源关联后浮现。例如，多个看似无关的物流事件（油料运输、弹药调配、通信车移动）在本体图谱中汇聚，可能指向一次未被告知的攻势准备。NGA局长惠特沃斯所说的"我们想把它用于一切，而不仅是目标工作"，正是看到了本体论推理从战术目标工作向战役级预警、战略级态势感知扩展的潜力。3.3.5 为什么本体论架构是Maven"安全可信"的技术根基本体论层常被忽视的一项功能是安全与治理的内生化。在Palantir的架构中，权限不是附加在应用层的访问控制列表，而是本体对象的内在属性：每个对象、每个属性都携带密级标签与访问规则，用户只能看到其权限内的对象视图。这意味着同一份战场数据，对三星将军与对基层分析员呈现不同的粒度——权限管理被下沉到数据语义层，而非依赖各应用自行实现（这也是AIP能安全地将LLM接入机密数据的原因：LLM代理的每次数据访问都经本体论层鉴权与记录）。审计与可解释性同样内生于本体论：任何对象的来源链路（lineage）可追溯——这条目标记录来自哪颗卫星的哪次过顶、经过哪些模型处理、被哪些用户修改过。在米纳卜学校事件的调查中，正是这种溯源能力使调查者能够定位到"过时目标坐标数据"这一环节。换言之，本体论不仅是Maven的能力引擎，也是其问责基础设施——这一点在算法战争的法律争议时代具有不可估量的制度价值。3.4.1 计算机视觉：基于CNN的目标检测、分类与跟踪计算机视觉是Maven智能层的第一支柱，其技术底座是卷积神经网络（CNN）家族的目标检测与跟踪算法。Maven的CV能力谱系覆盖三级任务：检测（在图像/视频帧中定位目标并框出）、分类（判定目标类别——车型、型号乃至具体变体）、跟踪（跨帧维持目标身份，形成轨迹）。2017年首批部署的模型仅能处理有限类别、误报率高；经过九年数据积累与模型迭代，Maven的CV已能处理从皮卡到防空导弹系统的广泛目标谱系。CV能力的实战化瓶颈不在精度而在分布偏移（distribution shift）：训练数据（美国本土靶场、历史影像）与作战环境（中东沙尘、伊朗高原、海上目标）的差异导致性能衰减。Maven的应对是"战区定制化训练"——CENTCOM首席技术官摩尔特别强调"场景特定数据"对AI效能的关键作用，并指出士兵会"持续审查和验证AI推荐的目标"。这揭示了Maven CV的真实运行模式：算法给出候选与置信度，人类承担最终确认——算法的价值是将人的注意力聚焦到1%的高概率目标上。3.4.2 自动目标识别（ATR）算法演进与准确率提升路径自动目标识别（ATR）是CV能力的军事特化形态，专指对军事装备目标的自动识别。Maven ATR的演进路径呈现三个趋势。从单帧到序列：早期ATR基于单帧图像识别，易受伪装与诱饵欺骗；演进方向是利用时序信息（机动模式、热特征变化）与多视角信息进行综合判断，提高抗欺骗性。从封闭集到开放集：实战中不断出现训练集中没有的新装备型号，要求ATR具备"未知目标检测"能力——宁可报"未知高价值目标"，不可错分类。从检测到表征：现代ATR不仅输出类别标签，还输出目标状态评估（完好/受损、展开/行军、有人/无人），直接服务于目标价值排序。准确率提升的数据佐证来自演习记录：2020年首次Scarlet Dragon中，Maven用12小时处理完人类需要数月的区域影像且"无一遗漏"，而到模型成熟后，同样的任务仅需略多于1分钟。效率提升的另一个维度是人力释放："引入系统前，地面部队约80%的精力用于寻找目标，引入后降至约20%，其余资源用于打击与摧毁目标"——这组80/20反转数据，是ATR战斗力价值最凝练的表达。3.4.3 大语言模型集成：从Claude到多模型融合LLM的引入是Maven智能层的第二次革命（第一次是CV）。LLM为Maven带来三类全新能力：自然语言交互——操作员以口语化查询代替复杂的界面操作（"显示过去72小时霍尔木兹海峡附近的可疑舰艇活动"），ChatGPT的出现"极大拓宽了可使用该技术的人群范围，用户可以用自然语言与Maven交互"；非结构化数据消化——情报电报、截获文本、开源报道等文本情报首次可以被机器批量理解并纳入目标工作流；推理与生成——情景模拟、行动方案草案、目标法律审查意见初稿。Claude是Maven的第一个也是迄今唯一深度集成的前沿LLM。其技术角色被描述为Palantir大数据框架的"认知引擎"：接收经Palantir重构的实时情报流，输出结构化目标识别结果、基于20万+token上下文窗口的情景模拟预测、多步作战规划建议，全流程在物理隔离的机密网络内完成，无需外部API调用。在伊朗战争中，CENTCOM使用Claude进行"情报评估、目标识别和战场场景模拟"，包括分析卫星图像与信号情报评估威胁、帮助定位和排序优先打击目标（涵盖伊朗领导层驻地、军事资产与战略设施）、模拟打击序列与预测附带损伤。Anthropic被逐后，Maven转向"多模型融合"策略：xAI的Grok（已接受"一切合法用途"条款）、OpenAI（已签机密部署协议）与Google Gemini（谈判中）构成替代格局。3.4.4 AI资产任务推荐器：轰炸机—弹药—目标匹配AI资产任务推荐器（AI Asset Tasking Recommender）是Maven从"情报系统"跨向"作战系统"的标志性组件。其功能是：给定一个已确认目标（位置、类型、防护、时敏性），系统自动检索可用打击资产（轰炸机、战斗机、火炮、导弹），并根据射程、弹药适配性、附带损伤评估、空域冲突、资产战备状态等约束，生成"哪件武器打哪个目标、何时打"的推荐方案。五角大楼官员在演示中描述Maven如何"神奇地"将一个被观察到的威胁转化为目标工作流，"权衡可用资产并向指挥官呈现选项"。这一组件的技术实质是约束满足与优化：在数十个约束条件下对数百个"武器-目标"配对进行排序。其价值在"史诗怒火"这类高强度作战中被放大——当目标生成速度达到每小时数百个时，人工进行武器-目标匹配立即成为瓶颈。推荐器将目标工作循环从"串行"（先定目标、再配武器）变为"并行"（目标确认的同时匹配方案已生成），这是杀伤链时间从小时压缩到分钟的关键一环。需要强调的是，推荐器输出的是"建议"，开火授权仍在人类指挥官手中——但在节奏压力下，"建议"被否决的比例极低，这是"人在回路"有效性争议的技术焦点。基于LLM的自然语言查询已使Maven的使用门槛从"受过专门训练的情报军士"降至"任何获得授权的军官"。更具颠覆性的是作战方案（COA）自动生成：给定作战目标与约束，Maven可以起草多个行动方案，每个方案附带兵力需求、时间线、风险评估与后勤影响分析。这一能力并非Maven独有——Scale AI的Thunderforge平台也在印太与欧洲司令部试点基于LLM的兵棋推演与COA生成——但Maven的优势在于其COA生成直接建立在实时融合的战场数据之上，而非静态想定。COA自动生成的军事意义在于参谋工作的工业化：传统上一个战区司令部制定一份战役方案需要数十名参谋数周工作；AI辅助下，方案草案的生成缩短到小时级，人类参谋转向方案评估与风险把关。这改变了司令部的人力结构与技能需求——未来参谋的核心能力不再是"写方案"，而是"审方案"。陆军新设的49B人工智能军事职业专业（MOS）正是为制度化这类"AI时代参谋"人才。3.4.6 毁伤效果评估（BDA）与实时反馈学习机制毁伤效果评估（Battle Damage Assessment，BDA）是杀伤链的收尾环节，也是Maven实现闭环学习的关键。传统BDA依赖打击后侦察照片的人工比对，周期以天计；Maven的BDA自动化路径是：打击后立即调度卫星/无人机对目标区域再成像，CV模型自动比对打击前后影像，输出毁伤等级初判（摧毁/重创/轻伤/无效），人类复核后闭环。BDA结果回流至两个方向：向上，更新目标状态数据库，决定是否需要再次打击（re-attack recommendation）；向内，作为模型训练数据，校准目标识别与打击效果预测的准确性。实时反馈学习使Maven具备了"越打越准"的正循环特性：每一次打击都是一次标注实验。在"史诗怒火"这类高强度战役中，这种学习速度是惊人的——三周5,500个目标的BDA数据量，超过过去十年演习积累的总和。这也提出了一个少有人讨论的治理问题：战争本身正在成为军事AI最有效的训练场，而这构成了一种隐性的战争激励——系统的优化依赖于更多的实战数据，实战数据的获取依赖于更多的作战行动。Maven应用层的核心是通用作战图（Common Operating Picture，COP）：一幅汇聚全部接入数据源的实时战场数字地图。Maven的COP"在数千块数字屏幕上同时创建同一战场的图景"——从五角大楼的联合参谋到前线营指挥所，所有授权用户看到的是同一数据底座上按各自权限渲染的战场。这种"单一事实源"（single source of truth）的实现，终结了美军历史上各军种、各梯队各持一张地图、通过电话核对态势的烟囱式指挥模式。COP的技术难点不在可视化而在数据新鲜度管理：数千个数据源的更新频率各不相同（卫星过顶周期、无人机持续流、SIGINT批次、人工报告），系统必须对每类数据的时效进行标注与融合，向用户诚实呈现"哪些信息是实的、哪些是旧的"。Maven界面中目标标记附带最后观测时间与置信度，正是这种"诚实可视化"的体现。3.5.2 黄框（潜在目标）与蓝框（友军/禁打击区）的符号体系Maven界面最具辨识度的视觉语言是其框选符号体系：黄框标注算法识别的潜在目标（AI建议，待人类确认），蓝框标注友军位置与禁打击区/限制目标（no-strike entities）。这套符号体系的设计哲学是"算法建议与人类判断的视觉分离"——操作员一眼即可区分"机器说的"与"已确认的"。黄框转蓝（确认目标）或消除（否决建议）的操作，构成目标工作流的基本动作，也是"人在回路"的界面化表达。符号体系的深层功能是责任界定：每一次框选状态变更都被记录到人，形成目标决策的完整审计链。但这一体系的有效性取决于一个脆弱前提：操作员有足够时间与意愿对每个黄框进行实质审查。当系统以每小时80个目标的速度推送黄框、而操作员的绩效指标是处理量时，"审核"退化为"点确认"的风险是结构性的。联合国专家小组警告的"AI武器目标工作若无人类干预将产生伦理、法律与安全风险，因为AI会从训练数据中习得偏见"，正指向这一界面层之下的审核空心化问题。3.5.3 飞机动态、后勤追踪、关键人员定位的多维信息叠加Maven应用层早已超越目标工作，扩展为综合性作战管理平台。其功能模块包括：空中资产动态追踪——实时显示己方飞机位置、航线、任务状态，支持空域冲突消解与打击时序协调；后勤追踪——燃料、弹药、备件的战区库存与运输动态，支持" contested logistics"（对抗环境后勤）规划，这是Palantir官方列举的MSS核心工作流之一；关键人员定位——高价值个人目标的行踪建模与提示，委内瑞拉行动中Claude辅助确认马杜罗位置即属此类应用。多维信息叠加的价值在于跨域决策支持：一次空袭决策不仅取决于目标本身，还取决于加油机位置、弹药库存、飞行员状态、外交禁区——Maven将这些异构因素汇聚到同一决策平面，使指挥官能够在单一界面内完成过去需要多个参谋组协调的权衡。这正是Palantir所定义的MSS五大工作流："AI赋能战场感知、全球整合、部队管理、对抗后勤、联合火力与目标工作"。3.5.4 从分析到打击的直通链路：人工决策到武器系统的指令传输Maven应用层最敏感的能力是其与火力系统的直通链路。确认后的目标数据可以从MSS直接传输至陆军任务指挥系统——如先进野战炮兵战术数据系统（AFATDS）——自动生成火力任务。在Scarlet Dragon演习中，这条链路已打通至M142"海马斯"火箭炮：卫星图像AI识别→人类批准→系统向海马斯发送打击指令→火力单元执行。Scarlet Dragon 26-1中，第18野战炮兵旅演练了从C-17卸载海马斯后"通过Maven接收的目标数据迅速装定射击诸元"的快速打击流程。直通链路将"传感器到射手"的物理延迟压缩到接近传输延迟的极限，但其制度设计保留了关键断点：目标确认与开火授权是两个人工节点。Maven不发射武器，它把武器装定好等待人类扣扳机。这一设计在法律上维护了"人类做出致命决策"的原则，但在工程学上，系统已为"断点旁路"做好了全部准备——是否旁路，是政策选择而非技术约束。这正是Maven"半自主灰色地带"的技术本质。Maven与陆军情报数据平台（Army Intelligence Data Platform，AIDP）及TITAN（战术情报目标接入节点）的集成，构成陆军"数据中心战"概念的系统落地。TITAN是Palantir主承包（2024年3月获1.78亿美元原型合同，后续扩展至6.18亿美元）的陆军下一代情报地面站，其角色是战术级的数据融合前端，而Maven/MSS是战区级的数据融合后端——两者构成"陆军数据架构"的战术-战役两级。陆军100亿美元企业协议将这类集成制度化：Gotham（情报与目标）、Foundry（数据整合）、AIP（AI分析）、Apollo（安全部署）作为整体解决方案向陆军各级提供。陆军层面的集成深度可通过一个细节观察：陆军正在创设49B人工智能军事职业专业（MOS），将AI/机器学习确立为正式士兵职业领域。当AI操作从"附加技能"变为"正式专业"，意味着Maven类系统的使用将从专家圈层下沉为陆军的基础作战能力——这是技术扩散组织化的重要标志。军事杀伤链的标准模型是F2T2EA六步循环：发现（Find，探测到潜在目标）、定位（Fix，确定目标精确位置与身份）、跟踪（Track，持续监视目标动态）、瞄准（Target，选择武器与打击方案）、交战（Engage，下达开火命令并执行）、评估（Assess，毁伤效果评估与再打击决策）。六步构成闭环，评估结果反馈到下一轮发现。传统杀伤链的每一步都由不同团队、不同系统、不同密级环境串行执行，一次完整循环对时敏目标往往需要数小时。图5：F2T2EA杀伤链六步模型与Maven的自动化边界。Maven的算法已可自主完成发现、定位、跟踪、瞄准/排序四步（蓝色），交战授权与毁伤评估确认保留人类决策（红色）。3.6.2 Maven当前可自主完成的四步：识别—定位—筛选—优先级排序截至2024年的公开评估，Maven能够自主完成六步中的四步：识别（发现）、定位、筛选至合法有效目标（跟踪与过滤）、优先级排序（瞄准环节的前半）。换言之，从传感器数据流入到"一份按打击价值排序、附带武器建议的目标清单"产出，全程可以无人干预。剩余两步——交战授权与评估确认——由制度设计保留给人类。这四步自动化的复合效应是吞吐量的数量级跃升。一位高级目标军官估算：使用Maven，他每小时可对80个目标做出决策，而无Maven时为30个；NGA局长惠特沃斯确认，Maven已能实现每小时1,000次目标决策——"在战场上选择和否决目标"。从系统角度看，Maven将杀伤链的前四步压缩为机器速度，人类只在第五步介入一次——杀伤链的实际时间常数由"六步串行"变为"一步人工"。Maven的"人在回路"（Human-in-the-Loop，HITL）由三层机制构成。技术层：界面强制人工确认——黄框必须经人类点击才能转为已确认目标，开火指令必须由人类军官签发；系统设计上不存在"自动开火"开关。制度层：交战规则（ROE）与目标工作条例明确要求人类对致命决策负责；Palantir官方反复强调"软件不做致命决策，人类负责选择和批准目标"。法律层：国防部2023年更新的自主武器系统指令（DoDD 3000.09）要求自主与半自主武器系统必须设计为"允许指挥官与操作员对武力使用行使适当层级的人类判断"。但HITL的有效性在学界与法律界存在尖锐质疑。批评者指出三重失效风险：自动化偏见——人类倾向于信任机器建议，尤其在时间压力下；审核空心化——每小时1,000个目标的节奏使实质审查在数学上不可能（每个目标平均3.6秒）；责任稀释——当错误发生时，"人类批准的"与"算法建议的"之间的责任归属模糊。米纳卜学校事件后，五角大楼内部报告将误击归因于"常见但有时毁灭性的战时人为错误"（过时目标数据未更新），而非AI系统失效——这一归因本身即展示了责任稀释机制的运作：系统建议与人类批准之间的灰色地带，使任何单一主体都不承担完整责任。3.6.4 从"小时级"到"分钟级"的杀伤链时间压缩技术路径杀伤链时间压缩的量化轨迹清晰可循：2020年12月首次AI辅助火力打击，全程743分钟；2021年第四次Scarlet Dragon，传感器到射手的数据传输时间缩短近50%；到2024年，目标流程时间已降至1分钟以内。四年间压缩了三个数量级。图6：杀伤链时间压缩轨迹（对数轴）。从2020年Scarlet Dragon首次AI辅助打击的743分钟，到2024年Maven成熟部署后的不足1分钟。传统人工流程（小时—天级）与"史诗怒火"中"数秒级"筛选（CENTCOM司令库珀语）作为参照端点。压缩的技术路径可分解为四个消除：消除数据搬运——传感器数据直接进入统一数据底座，免去跨系统手工导入导出；消除串行等待——目标识别、验证、武器匹配并行化；消除人工转录——目标坐标从识别系统直接写入火力任务，无人工抄录环节；消除层级审批传递——COP共享使指挥官与分析员看同一屏幕，决策无需文件旅行。每一个"消除"都对应一次组织流程的再造，技术只是使能器。3.6.5 2026年目标：机器生成情报直达作战指挥官Maven演进的下一里程碑是机器生成情报（machine-generated intelligence）直接送达作战指挥官——即未经人类分析员中间加工的AI成品情报，直接作为指挥决策输入。NGA为AI生成情报产品建立标准化披露格式的动作，正是为这一模式做制度准备。桑卡尔在2026年Q2财报电话会上透露，Maven已有超过25,000名"建设者"（builders）在使用——"从工厂车间到散兵坑"，表明Maven的用户已从"消费者"（看情报）扩展到"生产者"（在平台上构建工作流）。这一趋势的终点是一种全新的指挥关系：指挥官与机器直接对话，人类情报体系从"生产者"退居"质检员"。这在效率上是幂律级的解放，但它也将军事指挥的认知主权问题首次摆上台面：当机器情报的速度优势如此之大，以至于"等待人类验证"本身成为作战劣势时，制度还能在多大程度上坚持验证？Maven的技术路线图没有回答这个问题——它把问题留给了战争本身。免责声明：本报告基于公开资料编制，仅供研究参考，不构成任何投资、军事或政策建议。文中涉及的军事行动描述均来自公开报道。部分图表为基于公开信息的估算或示意，已在图注中标注。 内容来自公众号，可前往微信查看原文。