Как Клод, Грок и Palantir превращают данные в цели

Пример из практики

Иван работает на заводе «Шахед» в Татарстане. На свою новую зарплату он покупает новый телефон Xiaomi. Он быстро устанавливает на него свои любимые приложения, включая популярную игру, уже скомпрометированную американской и украинской разведкой. (Вероятно, он также скомпрометирован китайской разведкой.)

Иван уже был идентифицирован агентами разведки в этом районе как возможная точка доступа. Телефон предоставляет аналитикам второй поток данных. С устройства Ивана начинает вырисовываться картина его жизни: где он живет, когда путешествует, какими входами на завод он пользуется, с какими коллегами контактирует и какие изменения в распорядке дня происходят в связи с производственной деятельностью.

Полученные в ходе агентурной разведки данные и информация, собранная по телефону, затем добавляются в более крупный разведывательный пакет. Он включает в себя все разведывательные данные. HUMINT, GEOINT, FININT и т. д. Здесь слой LLM становится полезным. Модель не собирает информацию. Она помогает аналитикам запрашивать ее, обобщать, сравнивать с другими отчетами, выявлять пробелы и объяснять, почему изменилась оценка уверенности Ивана.

Игорь работает в логистике. Ему разрешено перевозить китайские комплектующие из Владивостока на завод в Татарстане. Игорь увлекается порнографией. Его любимый сайт уже находится под наблюдением союзников и благодаря ботам и другим методам продвижения в поисковой выдаче Яндекса продвинулся на этот сайт. Вскоре его телефон взламывают, и устанавливается определенный образ жизни: посещения железнодорожных станций, остановки на складах, ночевки, закупка топлива и неоднократные контакты с водителями и персоналом завода.

Теперь система искусственного интеллекта связывает логистический маршрут Игоря с рабочим графиком Ивана. Когда маршрут грузоперевозок Игоря меняется, расписание Ивана часто меняется в течение 24-48 часов. Модель отмечает эту взаимосвязь как значимую, но не окончательную. Она рекомендует дальнейший сбор грузов на складе, железнодорожной станции и в соответствии с графиком доставки.

Наконец, есть Борис, управляющий заводом. Борис соблюдает правила кибербезопасности, и с ним трудно связаться напрямую. Но телефон его жены взломан. Ее образ жизни начинает раскрывать грани жизни Бориса: ужины, периоды поездок, светские мероприятия, домашние дела и контакты с другими женами сотрудников завода. Через эти связи аналитики начинают составлять карту неформальной сети управления на заводе. Это подтверждается другими источниками и методами, такими как компьютерная разведка (GEOINT).

Слой LLM объединяет эти фрагменты в понятную картину целевой системы. Иван становится индикатором производства. Игорь становится индикатором логистики. Жена Бориса становится индикатором косвенного управления. Ни один из них сам по себе не дает полной картины.

Вместе они позволяют ИИ создавать и обновлять модель предприятия: кто играет важную роль, кто перемещается, когда поступают компоненты, когда происходит резкий рост производства и какие участки лучше всего подойдут для нанесения кинетического удара.

Вы можете заменить Ивана, Игоря и Бориса на Амира, Мухаммеда и Самира. А местоположение — на захороненный объект по обогащению урана. История та же, метод тот же.

Оценка руководителей

Искусственный интеллект меняет подход к разработке целей, сокращая время между сбором информации, идентификацией, приоритизацией и оперативными действиями. Модели языковой логики, такие как модели Клода, Грока и другие передовые модели, следует понимать как слой рассуждений и рабочих процессов внутри более крупной разведывательной архитектуры. Критически важной является не сам чат-бот. Ценность заключается в связывании языковых моделей с оперативной разведывательной информацией, результатами компьютерного зрения, геопространственными слоями, графами сущностей и командными платформами. Это позволяет силам преобразовывать разрозненные отчеты и данные с датчиков в постоянно обновляемую модель целевой системы. 

Практический эффект заключается в масштабировании. Теперь один набор целей может включать тысячи наблюдений, полученных в результате агентурной разведки, радиоэлектронной разведки, геопространственной разведки, финансовой разведки, разведки на основе открытых источников, кибер-данных, видео с беспилотников, спутниковых снимков, отчетов о логистике и оценок ущерба от предыдущих боевых действий. Искусственный интеллект помогает объединять этот материал, определять сущности, повышать степень достоверности, выявлять пробелы и продвигать наиболее важные цели вверх, когда новая информация меняет сроки или ожидаемый эффект.

Целеуказание как задача слияния данных

В современной разработке целей все чаще рассматривается цель как система . Производственный объект в Шахеде — это не просто здание. Это рабочая сила, сеть поставщиков, структура управления, логистическая цепочка, схема транспортировки, уровень безопасности, зависимость от источников энергии, цикл ремонта и система противовоздушной обороны. То же самое относится к складам боеприпасов, командным пунктам, радиолокационным станциям, группам запуска беспилотников и объектам по обогащению урана, расположенным глубоко под землей.

Первый существенный вклад ИИ заключается в построении оперативной картины в режиме реального времени. Традиционный набор целей может устареть, как только колонна переместится или руководитель сменит телефон. Модель целей, использующая ИИ, может обрабатывать новые данные и изменять оценочное значение, достоверность и время обнаружения цели. В этом и заключается ключевое изменение: наведение на цель становится динамической задачей обработки данных. Конечно, всё это могли бы делать люди. И так было на протяжении десятилетий. Но скорость, с которой это может делать ИИ, на порядки выше.

Комплекс инструментов для таргетинга на основе ИИ

Базовая структура состоит из пяти уровней.

Первый уровень — это сбор информации. Разведывательные данные поступают из секретных систем, партнерских каналов, коммерческих изображений, беспилотников, сигналов, отчетов и открытых источников. Именно здесь хранится вся ваша «разведывательная информация». Агентская разведка, радиоэлектронная разведка и т. д.

Второй уровень — это разрешение сущностей. Система связывает людей, транспортные средства, устройства, объекты, компании, маршруты и подразделения в удобный для использования граф. Устанавливаются модели жизни и связи.

Третий уровень — это машинное обнаружение. Например, компьютерное зрение может идентифицировать транспортные средства, бронированную технику, радиолокационные системы, транспортную активность, оборонительные позиции и повторяющиеся модели движения по видео или изображениям.

Четвертый уровень — аналитическая оценка. Система может присваивать или обновлять уровень достоверности на основе качества источника, подтверждения, актуальности, согласованности и наблюдаемого поведения. Она также может отмечать неопределенность, когда данные противоречат друг другу или устаревают.

Пятый уровень — это интерфейс LLM. Именно здесь системы Claude, Grok, Gemini, системы класса GPT или локально развернутые модели становятся оперативно полезными. Они позволяют аналитикам и командирам задавать вопросы на естественном языке, обобщать целевые системы, сравнивать целевые наборы, генерировать запросы на сбор и объяснять, почему объект или учреждение изменили приоритет. [2] Именно здесь обнаруживаются галлюцинации ИИ и некачественные подсказки (человеческая ошибка).

Несколько слов о «подсказках». Подсказки — это новый язык программирования. Выучить его практически невозможно. Потому что каждый раз, когда ваша модель LLM обновляется или получает исправление, способ её понимания и реагирования может меняться. Как только пользователь освоится и почувствует себя уверенно, найдя подходящий «стиль» работы с LLM, позволяющий максимально эффективно использовать её с минимальным количеством ошибок, недоразумений и иллюзий, модель меняется. Таков стремительный темп развития новых технологий.

Модель США и союзников: Maven, Palantir, Claude и Grok.

Наиболее понятной общедоступной моделью является Maven Smart System. В общедоступных материалах Palantir MSS описывается как программная платформа с поддержкой ИИ для CJADC2, включающая управление боевым пространством, совместное целеуказание и огневую поддержку, компьютерное зрение с поддержкой ИИ, анализ образов, оповещение и рабочие процессы на основе LLM через AIP Assist и AIP Threads. CSIS описывает MSS как графический интерфейс для военной разведки и целеуказания, который агрегирует, организует и визуализирует данные ISR. [3]

 

CDAO Министерства обороны также внедрило передовые технологии ИИ в рабочие процессы национальной безопасности. В июле 2025 года было объявлено о заключении контрактов с компаниями Anthropic, Google, OpenAI и xAI, каждый с лимитом в 200 миллионов долларов, на разработку рабочих процессов агентного ИИ в различных областях миссии. CDAO также заявило, что модели генеративного ИИ внедряются в платформы данных Министерства обороны, включая Advana, Maven Smart System и узлы Edge Data Mesh. [4]

У Клода самая сильная публичная связь с секретными рабочими процессами оборонно-разведывательной службы. Компания Anthropic утверждает, что Клод интегрирован в рабочие процессы Palantir в секретных сетях и используется американскими оборонными и разведывательными организациями для обработки и анализа сложных данных. У Grok есть новый публичный правительственный канал через xAI for Government, который рекламирует пользовательские модели для клиентов из сферы национальной безопасности, инженерную поддержку с допуском и планируемое использование в секретных или ограниченных средах. [5]

Модель Украины: ДЕЛЬТА, ВЕЖА, Мстители и Battlefield AI

Украина представляет собой наиболее важный пример на поле боя, поскольку система создается во время активной войны. DELTA функционирует как боевая система и единое рабочее пространство для ситуационной осведомленности, оперативного планирования, разведывательных инструментов, видеостриминга и мобильного использования. Министерство обороны Украины охарактеризовало DELTA как систему, повышающую скорость и эффективность принятия решений на нескольких уровнях. [6]

VEZHA — это компонент видеоанализа и потоковой передачи в рамках этой экосистемы. CSIS описывает VEZHA как платформу для видеосъемки поля боя, которая транслирует видео с дронов и поддерживает взаимодействие между экипажами дронов, артиллерией и командными центрами. Министерство обороны Украины определяет VEZHA как модуль видеоанализа поля боя в реальном времени с функциями голосовой связи и совместного видеоанализа. [7]

«Мстители» — это уровень обнаружения с помощью ИИ. Министерство обороны Украины заявляет, что платформа автоматически обнаруживает 12 000 единиц вражеской техники или оборудования еженедельно посредством видеоанализа с беспилотников и стационарных камер. Министерство также заявляет, что «Мстители» интегрированы в VEZHA в составе DELTA, и что система продолжает обучаться на новых данных с поля боя для улучшения обнаружения в сложных условиях. В мае 2025 года министерство заявило, что «Мстители» могут идентифицировать 70 процентов вражеской техники и оборудования в видеопотоках и обнаруживать одну единицу за 2,2 секунды. [8]

Украина также создает инфраструктуру для обучения моделей. В 2026 году Brave1 и Palantir запустили Brave1 Dataroom, защищенную среду для обучения и тестирования моделей ИИ с использованием реальных данных с поля боя. Заявленная цель – автономность беспилотных систем, обнаружение, классификация и перехват целей. Это критически важная возможность, поскольку ИИ на поле боя улучшается, когда он обучается на реальных данных с датчиков, помехах, обмане, погоде и адаптации противника, наблюдаемой в бою. [9]

Удар средней дальности как оперативная проверка концепции.

Кампания украинских средних ударов демонстрирует, как целеуказание с использованием искусственного интеллекта обеспечивает оперативные результаты на глубине. Соответствующая зона находится примерно в 20-200 километрах от линии фронта, где беспилотники могут оказывать давление на логистические маршруты, транспортные средства снабжения, ремонтные бригады, мосты, железнодорожные узлы, системы ПВО и командные пункты.

Министерство обороны Украины заявляет, что его системы искусственного интеллекта уже используются для анализа боевых данных, обнаружения целей и планирования миссий. В публичных сообщениях не подтверждается, что конкретная система управления логистикой (LLM) напрямую интегрирована в кампанию с использованием Р-280, но защищенная система LLM может использоваться для обработки данных DELTA, отчетов о миссиях, данных об обнаружении дронов, аннотаций изображений и логистических данных, позволяя аналитикам задавать вопросы об оперативной ситуации простым языком. Она может обобщать недавние перемещения грузовиков, сравнивать текущий трафик с историческими данными, отмечать необычные временные интервалы доставки и выявлять сообщения, требующие подтверждения. После этого она может помочь обновить целевые пакеты, рекомендовать дальнейший сбор и перераспределить приоритеты логистических узлов по мере поступления новой информации.

Маршрут Р-280 вдоль Азовского моря (крымский сухопутный мост) стал самым наглядным публичным примером целеуказания с помощью ИИ/автоматизированного (НЕ АВТОНОМНОГО ** ) наведения. Газета The Guardian сообщает, что украинские подразделения, включая 412-ю бригаду «Немезида», активизировали кампанию по нанесению ударов средней дальности по российской логистике, и что украинские власти стремились к «логистической блокаде». В том же сообщении говорится, что объем военных грузоперевозок по этому маршруту за две недели сократился на 71 процент, основываясь на заявлении Роберта Бровди, командующего Силами беспилотных систем Украины. [10]

Бывший руководитель Google Эрик Шмидт был первым партнером по капиталу из Силиконовой долины в Украине. Kyiv Independent сообщает, что беспилотники Hornet, использованные «Азовом», были произведены компанией «Вечная автономия» Эрика Шмидта, стоили около 5000 долларов, несли 5-килограммовую боеголовку, имели дальность действия до 200 км, обладали полуавтономным наведением и могли производиться серийно. The Guardian сообщает, что американские беспилотники Hornet активно использовались в украинских атаках, при этом операторам помогал искусственный интеллект для идентификации движения грузовиков. [11]

Заметки о «среднем ударе» . Я предполагаю, что значительная часть успеха ИИ в использовании вспомогательных средств поражения обусловлена ​​условиями, в которых действует новый «средний удар» Украины. Дороги и железные дороги. Дороги и железные дороги не меняются, по крайней мере, быстро. И те, и другие свободны от наземного мусора, обломков и всех проблем, связанных с «туманом войны» на поле боя. Это означает, что это гораздо более простая задача для ИИ. Замаскированное артиллерийское орудие, частично скрытое от глаз, летом, когда солнце садится под углом 50 градусов, — гораздо более сложная цель, чем «бензовоз на шоссе».

** На этой неделе Украина описала ограниченные автономные атаки против России, в ходе которых оружие имело свободу нацеливаться на что угодно в пределах определенной зоны. Это первый случай, когда я вижу, чтобы военные подтвердили «автономию» с использованием ИИ. В других случаях это либо «с помощью», либо «автоматизировано», либо «наведение на конечном этапе».

Последствия для возможностей

Новое преимущество заключается в масштабном управлении системами наведения. Силы, способные обрабатывать больше данных, быстрее их маркировать, точнее определять объекты и связывать обнаружения с имеющимися ударными системами, сократят цикл наведения на цель. Модель Украины указывает на операционную систему поля боя, в которой видео в реальном времени, обнаружение с помощью ИИ, геопространственная визуализация, координация беспилотников и анализ с использованием LLM взаимно усиливают друг друга.

Для целеуказания наиболее важной возможностью ИИ является динамическая приоритизация. Маршрут логистики, система радиоэлектронного подавления, командный пункт, ремонтная бригада, топливный конвой или производственный узел могут подняться в списке целей при изменении достоверности, сроков, уязвимости или ожидаемого оперативного эффекта новых данных. Сторона с более совершенной архитектурой данных первой увидит эти изменения. Сторона с более совершенной архитектурой удара первой воспользуется ими.