KeyFrame內部研究專用

Taiwan Strait Conflict: Just 7 Days of Missile Stockpiles?

風傳媒 The Storm Media·7月25日週六·37 min中文

三句話摘要

美國國防產業正經歷數位轉型,科技新創公司進入軍工領域顛覆傳統模式,臺灣面臨產業重構的機遇與挑戰。 國防產業的數位轉型正在臺灣眼前上演,臺灣應在發揮硬體製造優勢的同時,加緊發展本土軟體和AI整合能力,才能從這場全球產業重構中獲益。 成本加成制的激勵失衡——傳統軍工企業採用"成本加成法":專案延期反而繼續追加預算。這導致企業完全缺乏按時按質的激勵,成為美國軍購長期延期的根本原因,而非政治理由。

重點整理

重點
  • 1

    成本加成制的激勵失衡——傳統軍工企業採用"成本加成法":專案延期反而繼續追加預算。這導致企業完全缺乏按時按質的激勵,成為美國軍購長期延期的根本原因,而非政治理由。

  • 2

    商業模式的顛覆性轉變——新興公司不等政府下單,而是先完成產品開發驗證市場需求,再提案給國防部採購。這種"產品優先"思路來自民營科技行業,將開發週期從數年縮減至數月。

  • 3

    軟體才是現代武器的核心——Enduro的Latency戰場管理系統、Shield AI的Hi-Mind平臺、Palantir的資料整合系統,這些軟體控制無人機、導彈等硬體,軟體的AI決策能力決定戰場優勢。矽谷最強的軟體工程師過去迴避軍工產業,如今因AI浪潮而開始參與。

  • 4

    AI倫理紅線成為新課題——Anthropic因其模型被美軍用於戰場目標識別而提出異議,促進全球重新思考AI在軍事應用中的道德界限。目前各國仍遵循"人在迴路"原則,最終攻擊決策由人類把控,但這也成為美軍對AI供應商的新依賴風險。

實用技巧與重點

乾貨
  • 傳統五大承包商:Lockheed Martin(洛克希德·馬丁)、Boeing(波音)、General Dynamics(通用動力)、RTX/Raytheon(雷神)、Northrop Grumman(諾格)
  • 新興國防科技公司:Enduro、Shield AI、Palantir、Anthropic
  • Enduro主要產品:
  • Sentry Tower(國境線監控塔,部署於美墨邊界及多國)
  • 中程無人機(配合F-35編隊作戰)
  • 大型水下無人載具(搭載魚魚雷,可一次出動數十至百艘)
  • Latency戰場管理系統(中央指揮平臺,實時掌控所有載具狀態)
  • 戰場頭盔(單兵裝備,整合紅外線等偵察功能)
  • Shield AI產品:AI驅動無人機系統、Hi-Mind軟體平臺
  • Palantir產品:資料整合平臺,彙集各類戰場資訊並呼叫多種AI模型(包括Claude、OpenAI、Grok等)進行分析決策
  • 關鍵資料:
  • 冷戰結束(1990年):美國國防部將上百家軍工企業整合為五家
  • 美國製造業空洞化時間窗:過去30年,製造業大幅轉移至中國
  • 彈藥儲備案例:俄烏戰爭後美國愛國者導彈庫存大幅下降;美國智庫評估若中共武力攻臺,美國導彈庫存一週內耗盡
  • Palmer Luckey(Enduro創始人)的公司戰略目標:"China 27"——確保中國2027年前無法成功攻臺
  • 新興公司驗證流程:需同時滿足三個條件才開始研發——國防部確實需要、國會會投票透過、市場無更優替代方案
  • 人工智慧應用原則:"Human in the Loop"——最終攻擊決策權由人類操作者把控,AI僅提供建議和目標識別
  • Enduro融資與收購策略:透過大量併購整合多家獨立公司(無人機公司、無人船公司等),利用資本槓桿快速擴張,成為全球市值最大的國防新創
  • 地理佈局:Enduro在臺灣、澳洲、日本、韓國設立辦公室;Shield AI在波蘭、臺灣等多地佈局;均刻意避免中國供應鏈

結論

結論

國防產業的數位轉型正在臺灣眼前上演,臺灣應在發揮硬體製造優勢的同時,加緊發展本土軟體和AI整合能力,才能從這場全球產業重構中獲益。

完整解析

詳細

美國國防產業正在經歷一場被講者稱為"數位轉型"的鉅變。為了理解這場變化,需要回溯到冷戰結束的1990年。當時美國國防部擁有上百家軍工企業,但隨著冷戰結束和軍費預算削減,政府要求這些企業整合以控制成本。最後只剩下五家大型承包商壟斷市場:洛克希德·馬丁、波音、通用動力、雷神和諾格。這三十年來,這五家公司一直採用"成本加成法":政府撥款進行某個專案,如F-35戰鬥機,但一旦專案延期或成本超支,政府仍會繼續追加預算而不是懲罰企業。這個激勵機制完全反向,企業完全缺乏按時按質的動力——做得慢反而能獲得更多預算,做得快政府也不會獎勵。這直接導致了美國軍購長期延期的現象,而這往往被誤認為是政治問題,實際上是制度設計缺陷。

與此同時,美國製造業在過去三十年發生了戰略性轉移。從蘋果公司的案例可以看出,最強大的科技企業將製造能力從加州轉移到中國、臺灣等地,只保留設計能力。國防產業也經歷了類似的空洞化。到了2020年代,俄烏戰爭和中東衝突讓美國發現了一個嚴峻問題:彈藥庫存快速耗盡,但國內生產速度遠不及消耗速度。美國智庫甚至評估,若中共武力攻臺,美國的導彈庫存一週內就會耗盡,之後就只能"用石頭打"。這場危機促使美國意識到必須進行深層次的產業轉型。

在這樣的背景下,一批科技行業出身的創業者進入了國防領域。Enduro的創始人Palmer Luckey曾成功創辦VR公司Oculus並以近20億美元價格被Facebook收購,但因為政治立場問題被Meta開除。在被"取消"後,他轉向國防領域創辦Enduro。這類新興國防公司帶來了完全不同的商業模式。傳統模式是:政府釋出採購需求 → 企業投標 → 獲得合同後才開始研發。新興模式則是:企業先自主研發產品(如中程無人機、水下無人載具等)→ 產品驗證可行 → 才提案給政府採購。這種"產品優先"的思路來自民營科技行業的"產品-市場匹配"理論,被應用到國防領域後產生了顯著效果:交付速度遠快於傳統軍工。

現代戰爭的本質已經改變。無人機、AI輔助決策、實時資料融合成為核心。新興國防公司強調的不是硬體本身,而是控制硬體的軟體平臺。Palantir整合了戰場的所有資料,然後呼叫Claude、OpenAI、Grok等多種AI模型進行分析,生成目標優先順序建議。Enduro的Latency系統是戰場中央指揮平臺,能夠實時掌控所有無人機、無人船的狀態並下達指令。Shield AI的Hi-Mind是自主決策系統。軟體和AI才是現代武器的"大腦"。這導致了一個新的倫理問題:當Anthropic發現自己的AI模型被美軍用於戰場目標識別時,公司提出了強烈異議。這引發了全球對AI在軍事應用中道德底線的思考。目前各國仍然遵循"人在迴路"原則,即最終的攻擊決策權必須由人類操作者把控,AI只負責提供建議和目標識別。但這也暴露了美軍對AI供應商的新依賴風險——如果某個AI公司切斷供應,美軍的作戰能力就會大幅下降。

對臺灣而言,這波國防產業重構既是機遇也是挑戰。Enduro和Shield AI已經在臺北設立辦公室,並招聘供應鏈管理人員,這說明它們將臺灣納入全球硬體供應鏈的重要節點。考慮到地緣政治風險,這些公司絕對不會從中國採購晶片、PCB、電源等關鍵零件,臺灣的硬體製造優勢因此得到新的價值認可。問題是,臺灣的劣勢在於軟體整合和AI能力的不足。最終控制這些硬體載具的還是軟體和AI系統,而這些能力目前掌握在美國和其他國家。臺灣的應對策略應該是:一、投入更多資源發展本土的軟體和AI整合能力;二、利用AI工具(如現在的大語言模型)大幅降低軟體開發的難度和成本,這使得中小型企業也可能參與;三、學習國際先進案例,比如日本的Terra Drone公司收購烏克蘭無人機公司後,利用真實戰場經驗快速迭代產品。臺灣擁有硬體基礎,現在需要的是軟體和戰場經驗的結合。

從就業角度看,這波轉變也在創造新的職位機會。雖然有人擔心AI會導致大規模失業,但眼下看到的是新職位的創造——比如"Agent Manager"這樣以前不存在的職位正在出現,以及各種"資料分析"、"AI整合工程師"等職位的增加。隨著製造業迴流美國本土(如SpaceX等公司的示範效應),對硬體工程師和製造業人才的需求也在增加。這暗示我們可能不是進入失業時代,而是進入職業型別和結構大幅變化的時代。人類工作的未來,可能不再是為了基本生存的必要,而是追求更高層次的目的和價值。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。