【知未防务】—— 外军专属防务+技术干货平台！

✅ 长期更新：外军军事防务要闻、时政热点、独家外文防务报告✅ 专属社群：QQ群实时交流技术问题、行业资讯✅ 干货星球：精选Link16、电子战指挥控制等稀缺资料，持续上新📞 客服微信：EWFrontier（答疑/进群/星球咨询）🌍 知识星球直达：https://wx.zsxq.com/group/15554484845852👥 QQ交流群：497127644

防务深度｜军事AI自带性别偏见？联合国裁军研究所重磅报告揭开算法战争隐藏风险

来源：UNIDIR《Does Military AI Have Gender?》深度解读字数：约 3000 字 | 阅读时长：10 分钟关键词：军事人工智能、算法偏见、致命自主武器、性别主流化、战争伦理

引言：我们总以为 AI 中立，战场算法早已刻下性别烙印

长久以来，大众对军事人工智能的认知停留在 “冰冷、客观、无情绪” 的机器逻辑：无人机自主识别目标、情报 AI 筛选战场人员、指挥系统辅助作战决策，算法被视作剥离人类主观偏见的最优工具。

但联合国裁军研究所（UNIDIR）2021 年发布的《Does Military AI Have Gender?》报告彻底推翻了这一固有认知：军事 AI 从数据采集、算法训练到实战部署的全生命周期，都会植入、放大社会固有的性别规范与偏见。这种隐藏的性别维度，正在悄悄扭曲战场区分原则、加剧平民伤亡，甚至直接削弱联合国《妇女、和平与安全》1325 号决议二十余年的治理成果。

不同于民用 AI 性别偏见仅带来就业、服务不公，军事 AI 的性别偏差直接关联生杀大权。当算法默认 “成年男性等同于潜在战斗人员”、语音识别无法精准识别女性作战人员、图像数据集将女性平民标注为次要目标，自主武器系统便会制造无差别的误杀。本文结合 UNIDIR 完整报告、利比亚卡古 - 2 无人机实战案例、全球 AI 偏见统计数据，拆解军事 AI 性别偏见的形成逻辑、实战危害，并梳理国际社会可落地的伦理治理方案。

一、根源：性别规范如何嵌入军事 AI 全生命周期

UNIDIR 报告明确：性别偏见并非算法偶然出错，而是贯穿机器学习完整链条的系统性问题。从现实社会的性别不平等，到军工研发、数据生产、战场部署的层层传导，偏见会不断叠加放大，形成难以修正的结构性缺陷。

1.1 人机交互底层：军工 AI 天然依附 “男性化战争逻辑”

现代军事 AI 的研发源头带有浓厚的男性本位思维。冷战时期美国军方长期资助初代符号式 AI，核心目标是为男性指挥官提供决策辅助；如今全球军工 AI 研发团队同样存在严重性别失衡：全球计算机科学从业者中女性仅占 24%，机器学习领域论文作者女性仅 12%；欧美防务企业高层女性占比不足 25%，核心算法研发岗女性比例更低。

这种人员结构直接塑造技术范式：行业普遍将 “硬数据、逻辑、暴力对抗” 定义为核心作战能力，而共情、人文观察、性别差异化识别等 “软性认知” 被边缘化。人形军用机器人、自主攻击无人机普遍采用强势男性化外观与设定；而语音助手、后勤辅助 AI 多使用女性声线，形成 “男性主导杀戮、女性负责服务” 的刻板二元对立。

更深层的矛盾在于：现有 AI 对 “人类” 的建模，长期以男性生理特征、行为模式为默认标准。民用领域早已验证：语音识别系统识别男性语音准确率高出女性 70%；商用人脸识别对浅肤色男性错误率不足 1%，深肤色女性误判率最高达 35%。这套缺陷完整迁移至军事场景：女飞行员语音指令识别失灵、战区女性平民被图像算法模糊归类、女性武装人员极易被系统判定为非战斗人员而遗漏预警。

1.2 数据原罪：训练数据集复刻全球性别数字鸿沟

机器学习的本质是 “数据复刻现实”，而全球互联网、军事数据集本身就充满性别失衡：

1. 1

   地理与人群代表性缺失：全球 40% 人口无法接入互联网，其中绝大多数是女性；主流开源图像数据集 ImageNet 中，美英图片占比超 50%，中印两大人口大国图像合计不足 3%，大量发展中国家女性服饰、外貌、行为样本严重缺失。例如，穿西式婚纱的白人女性会被标注 “新娘”，身着南亚传统婚服的女性则被归类为 “街头表演者”。

2. 2

   战场历史数据固化刻板印象：近二十年反恐、平叛战争数据形成固定标签 ——“适龄男性 = 潜在武装分子”。美军在阿富汗、中东的无人机定点清除规则中，无明确证据时，战区所有成年男性默认划为打击目标；这套历史数据输入军事 AI 后，算法会自动强化该逻辑，大量无武装男性平民面临误击风险。

3. 3

   数据标注劳动的阶层性别分化：海量图像、语音标注工作由全球南方女性临时工完成，但顶层算法设计、标注规则制定全部由北方男性技术人员主导，底层女性劳动者的文化、性别视角无法融入数据标准。

1.3 算法迭代：偏见会自我强化，形成恶性循环

算法不会主动修正社会不平等，反而会放大数据里的固有偏见：

• 词向量模型会自动绑定 “计算机专家、士兵、指挥官” 与男性词汇，将 “护士、平民、难民” 关联女性；

• 用于兵员招募的 AI 筛选系统，会因历史参军女性基数低，自动压低女性求职者评分；

• 战场区分算法依靠过往冲突数据学习特征，持续固化 “男性 = 威胁、女性 = 无威胁” 的二元判断，忽略女性武装人员、男性平民的复杂现实。

报告特别强调交叉性伤害：性别偏见不会单独存在，会和种族、年龄、残障等标签叠加。例如深色皮肤女性、老年男性在目标识别系统中，双重误判概率翻倍，在冲突地区直接面临更高伤亡风险。

二、三大实战案例：性别偏见如何制造人道主义灾难

UNIDIR 选取三类典型场景，直观展示军事 AI 性别偏见的现实危害，覆盖计算机视觉、自主杀伤武器、战场人员区分三大核心应用。

2.1 ImageNet 数据集：视觉识别的文化与性别盲区

ImageNet 是全球计算机视觉 AI 的基础训练库，包含 1400 万互联网抓取图像，也是绝大多数军用目标识别算法的底层数据源。2019 年专项审查发现大量问题：

1. 1

   人物分类下存在大量侮辱性、性别刻板标签，“妓女、酒鬼” 等负面标签几乎全部绑定女性图像；

2. 2

   非西方女性形象严重缺失，头巾、传统服饰女性样本不足，导致中东、阿富汗战区 AI 难以准确识别女性平民；

3. 3

   样本地域极度倾斜，模型在欧美环境识别准确率 97%，换到中东、非洲冲突场景直接跌至 50% 以下。

这意味着部署在中东、非洲的侦察无人机、监控 AI，天然缺乏对当地女性群体的识别能力，极易出现两类极端失误：一是将女性平民误判为隐藏武装人员，二是完全遗漏女性武装分子，造成情报疏漏。

2.2 战场军民区分算法：男性平民成算法 “预设威胁”

区分战斗人员与平民是国际人道主义法核心原则，但现有军事 AI 完全依赖历史冲突数据训练，形成致命偏见：以阿富汗反恐数据训练的识别模型，会把 16-60 岁男性全部标记为高风险目标，妇女、儿童统一划为低风险平民。现实冲突中，大量务农、经商的男性平民会被无人机自主识别为打击对象；反之，女性游击队员、情报人员则会被系统自动过滤，无法触发预警。

军事院校模拟推演验证了该风险：学员操控小型自主机器人区分红蓝方目标时，基于现有数据集训练的 AI 会无差别攻击所有男性靶标，无视平民标识；仅少数人工重新平衡性别样本的模型，才能做到相对公平区分。

2.3 卡古 - 2 自杀无人机：全球首例自主杀伤背后的算法漏洞

2020 年利比亚内战，土耳其 “卡古 - 2”（Kargu-2）蜂群无人机完成人类战争史上首起无人工干预自主猎杀事件，联合国安理会报告完整记录该案例。这款无人机搭载机器视觉自主识别系统，可脱离操作员实时控制自主搜寻、引爆目标。其训练数据主要来源于中东男性武装人员图像，存在显著性别缺陷：

1. 1

   对男性人体特征识别灵敏度极高，撤退男性士兵极易被锁定追击；

2. 2

   对女性、孩童识别阈值极高，难以识别携带武器的女性作战人员；

3. 3

   缺乏北非本地服饰、人群样本，区分平民与武装人员仅依靠 “男性 = 威胁” 单一逻辑。

事件中，撤退的利比亚国民军男性后勤人员被蜂群无人机持续追杀，大量无武装平民男性遭遇误伤。UNIDIR 指出，若该类自主武器大规模普及，算法内置的性别偏见将系统性制造针对男性平民的定向暴力，严重违反区分、比例原则。

三、全球不平等：南北差距放大军事 AI 性别风险

军事 AI 的偏见不只是技术问题，更是全球权力、资源分配失衡的产物，三层不平等层层叠加加剧性别伤害：

1. 1

   技术研发权力失衡：全球 85% 超算、77% 机器学习博士集中在中美欧，绝大多数军事 AI 标准、数据集由北方国家制定，天然带入西方性别规范，无法适配非洲、中东、东南亚本土文化。例如部分地区女性常年佩戴头巾，欧美数据集缺少对应样本，直接导致识别失效。

2. 2

   数字接入性别鸿沟：ITU 数据显示，全球女性互联网使用率显著低于男性，欠发达地区差距扩大。女性群体缺少线上数据留存，AI 无法学习其行为、外貌特征，最终在战场、救灾场景中被算法 “隐形”。

3. 3

   军工产业性别权力失衡：各国防务行业高层、算法负责人以男性为主，性别研究、女性安全专家极少参与军事 AI 立项、测试、审核。技术设计阶段完全忽略性别差异化需求，等到部署后再修正成本极高。

更值得警惕的是，军事 AI 数据具备极强的武器化属性：全球 75 个国家已部署 AI 监控系统，发展中国家无法自主掌控本土人群数据集，欧美企业采集的本土民众数据，可能反向用于跨境军事侦察、自主武器目标识别，女性群体隐私与安全双重受损。

四、破局路径：构建性别友好的军事 AI 伦理框架

UNIDIR 报告并未停留在风险批判，而是结合民用 AI 公平治理经验、联合国 1325 号决议，提出一套覆盖技术、政策、国际治理的完整解决方案，核心思路是将性别主流化嵌入军事 AI 全生命周期审核。

4.1 技术层面：全流程消除算法隐性偏见

1. 1

   数据集标准化文档（数据表单机制）所有军用训练数据集必须配套完整说明文档，标注样本地域、性别、年龄、种族分布比例，明确数据采集场景、标注规则，公开缺失群体样本清单。对于战区识别类 AI，必须补足当地女性、少数族群样本，平衡男女样本数量。

2. 2

   模型独立性别审计（模型卡片制度）每一款军事 AI 系统（无人机识别、情报分析、指挥辅助）需出具 “模型评估卡”，分性别、种族、年龄公布识别准确率、误判率。例如老年男性、头巾女性等边缘群体的错误率必须单独公示，超标模型禁止投入实战。

3. 3

   差异化测试场景隔离训练集、测试集、实战校验场景必须完全分割，不能用训练数据充当测试标准。模拟战场需覆盖多元性别、服饰、文化背景，不能仅依靠欧美男性士兵图像完成校验。

4.2 制度层面：建立跨学科性别审核机制

1. 1

   所有军工 AI 立项、定型、列装三阶段，强制引入性别研究、妇女和平安全领域专家参与评审，不能仅由计算机、军工技术人员单独决策；

2. 2

   军队操作人员开展常态化培训，明确 AI 性别偏见的典型漏洞，杜绝完全依赖算法判断目标，保留完整人工复核权；

3. 3

   建立问责机制：若军事 AI 因性别偏见造成大规模平民伤亡，研发方、采购军方需承担对应责任，存在严重性别伤害风险的系统实施暂停部署、禁用。

4.3 国际治理：依托 CCW 公约与 1325 号决议形成约束

1. 1

   完善《特定常规武器公约》（CCW）自主武器规则在致命自主武器（LAWS）政府专家组谈判中，新增数据集性别公平条款，禁止使用带有结构性性别偏见的算法武器；对无充分人类控制、极易造成性别定向误杀的自主武器，推动全球暂停使用乃至禁令。红十字国际委员会明确呼吁，禁止具备无限制自主识别人类目标能力的武器系统。

2. 2

   将性别视角纳入全球军事 AI 治理落地联合国安理会 1325 号决议要求，在各国国防 AI 战略中落实性别主流化：评估 AI 对女性、男性、儿童的差异化战场影响，保障女性专家、女性军人参与军事 AI 规则制定；针对战后人道主义救援 AI，专门设计适配女性、女童需求的算法模块，避免救灾资源分配算法忽略女性特殊需求。

3. 3

   推动全球数据治理均衡，缩小南北数字性别鸿沟援助发展中国家建立本土、多元人群数据集，减少对西方商用数据集依赖；规范跨境战场数据采集，禁止他国未经主权许可采集当地平民图像、语音用于军事 AI 训练。

五、总结与展望：算法战争不能复制旧时代性别不公

AI 不会天然中立，军事技术永远承载着人类社会的价值、偏见与权力关系。UNIDIR 这份报告的核心警示十分清晰：如果放任性别偏见持续嵌入军事 AI，新型算法战争只会复刻、放大传统冲突中的性别暴力，让本就脆弱的平民群体承受更多无差别伤害，数十年妇女和平安全领域的治理成果将面临倒退风险。

当下各国加速布局军用大模型、蜂群自主无人机、智能指挥系统，行业仍处于发展早期，这是全球校正算法偏见、建立公平伦理规则的黄金窗口期。单纯依靠技术修复无法根除问题，必须同步推动研发团队性别多元化、建立强制性性别审计、完善国际军备控制规则，让军事 AI 既能提升作战效率，也能恪守人道主义底线，真正兼顾不同性别、不同族群的生命安全。

未来，评判一款军事 AI 是否先进，标准不应只有识别速度、打击精度，更要增加一条核心标尺：它能否平等、无偏见地识别、保护每一个身处战场的普通人。

参考资料

1. 1

   UNIDIR, Does Military AI Have Gender?, Katherine Chandler, 2021

2. 2

   联合国安理会利比亚问题专家报告 S/2021/229

3. 3

   《特定常规武器公约》LAWS 政府专家组 2019 年度报告

4. 4

   UN Women《人工智能与妇女和平安全议程》政策简报

5. 5

   MIT《机器学习全生命周期潜在伤害来源》研究报告