“战争的悲惨现实之所以正常化，不是因为我们想这样做，而是因为我们必须这样做。这是我们能够继续生活的唯一途径。这也是我们能够继续活下去的唯一途径，即使没有太多生命，当天空不安全时，没有其他地方是安全的，即使你可以逃离，或者也许有一天危机会结束，创伤会伴随你度过余生。”

Abrar Mechmechia，在多伦多空域法庭听证会上作证，发电厂当代美术馆，11月7日2020.

“我相信，技术和电信的现代发展，而不是减少鬼魂的领域，[确保它们]是未来的一部分”

-雅克·德里达，Ghostdance（导演Ken McMullen，1983）

（1）2020年1月3日，在巴格达国际机场，伊朗伊斯兰革命卫队少将卡西姆·苏莱曼尼被MQ-9“收割者”无人机发射的导弹炸死¹也被称为捕食者B，MQ-9被美国空军称为遥控飞行器（RPV/RPA）。它只是一个更广泛的无人机系统（UAS）的一个组成部分，该系统在其标准操作程序（SOP）中包含了人类输入的要素，即所谓的“环中人”因素。据信，暗杀苏莱曼尼的计划是由中央情报局在内华达州克里奇空军基地指挥的，是一次“斩首行动”；即事先已知目标的打击（阅读2020）。尽管“斩首打击”不同于“特征性打击”（后者涉及未知且尚未完全确定的目标），但这两项行动都有一个独特的目的：消除即将发生或尚未得到充分证实的威胁²

在苏莱曼尼遭到致命导弹袭击后，时任美国总统唐纳德·J·特朗普暗示了已经发生的对抗。2020年1月5日，他在推特上写道：“他们袭击了我们，我们进行了反击”，但没有提供他所指事件的任何连续证据，也没有提供任何证据证明在苏莱曼尼遇刺之前确实发生了具体袭击³在特朗普发布推文之前，国防部宣布，由于苏莱曼尼“正在积极制定袭击驻伊拉克和整个地区的美国外交官和服役人员的计划”，导弹袭击是有道理的（国防部2020年声明）。增加了重点）。毫无疑问，国防部的文件着眼于国际法，进一步模糊地断言，对巴格达机场的导弹袭击“旨在阻止伊朗未来的袭击计划”（国防部2020年声明）。增加了重点）。对已经发生的袭击、即将发生的袭击（迫在眉睫）和未来某个时候可能发生的袭击的不同描述，这种混淆不应分散我们对当代战争的一个基本原则的注意力：先发制人

尽管它一直是军事战术的历史支柱，但使用先发制人或预期自卫——即所谓的“布什主义”——今天被视为2001年9月11日袭击美国的核心遗产。4尽管没有证据表明伊拉克参与了9/11事件，但2003年入侵伊拉克实际上是美国及其昔日盟友为减少此类袭击再次发生而发动的先发制人的战争。2002年通过的《授权对伊拉克使用武力》有效地将先发制人战争的逻辑制度化，宣布“美国将保留对其认为威胁其国家安全和利益的任何国家进行先发制人攻击的权利”（Gupta，2008181-182）⁵因此，特朗普政府在2020年2月14日提出，根据同样的法律，它被合法授权暗杀苏莱曼尼，这一点也不奇怪⁶这一点，以及暗杀苏莱曼尼的其他理由，在当时遭到了严厉的谴责，尤其是时任众议院外交事务委员会现任主席Eliot Engel，他认为“2002年的授权是为了对付萨达姆·侯赛因而通过的。这项法律与伊朗或在伊拉克的伊朗政府官员无关。18年后（2020年），这项授权可以证明杀害伊朗官员是正当的，这项法律远远超出了国会的意图”（Engel，Stepansky 2020引用）

尽管关于什么构成在假定的、迫在眉睫的或假定的威胁条件下先发制人的军事打击的合法性（Bellinger 2020），先发制人的军事逻辑越来越多地利用算法外推的预测性、假定性逻辑。人工智能的运算演算专注于一个总体目标：计算预测。预测在美国军事战略中的核心作用在乔治·W·布什入侵伊拉克前九个月发表的一份声明中显而易见，当时他宣布：“如果我们等待威胁完全实现，我们将等待太久”（布什，2002年）。布什的声明中隐含着一种不言而喻的假设，即支持反恐计划的先发制人原则——它将取代冷战时期的威慑和遏制原则——将得到能够维持和支持预期和预防性自卫战略的半自主（如果不是完全自主的话）武器系统的帮助⁷要预测威胁，你必须比人眼看得更远，比人脑行动得更快；总之，你必须确定并消除“未知的未知”⁸

事实上，“布什学说”是在人工智能监控系统的野心和可供性越来越明显的时候提出的，尤其是在其宣称的预言能力方面，这表明了一系列事件和利益的集合，这引发了一系列问题：，我们能把先发制人的军事暴力行为理解为预防性自卫的军事逻辑的产物吗？这在法律上是可疑的，和假设威胁的算法预测的结果吗？此后，我们能否从技术和实践角度定义算法预测在多大程度上不仅支持而且加速了先发制人打击所涉及的理由和程序？如果暴力是通过数学预测的可供性来限定和量化的，因为它们是基于对潜在未来的统计估计，那么我们同样需要考虑人工智能报价的计算抽象或“占卜理性”（Esposito 2015123）的程度，事后，这是继续起诉先发制人的自主战争模式的一个方便借口⁹此外，在自动化和放弃之间是否存在相关性：将决策过程推迟到自主设备是否确保了，也就是说，我们推迟了对此类技术影响的道德反应，以及我们对这些技术的法律、政治和个人责任

，理论上和实际上可销毁的在未来（Downey 2023）。算法合理化倾向于通过预测来引发事件（威胁），它可以而且确实会导致那些被纳入人工智能诱导预测范围的人受伤和死亡。考虑到先发制人的军事后勤和无人机系统中使用的预测模型可能存在勾结，我们如何根据现行《国际人权法》对军事和技术需求的串联进行法律解释，并反过来追究其责任？将先发制人打击的有效性及其在国际法下值得怀疑的合法性放在一边，这是任何试图通过人权立法确保在没有来自上方的身体或心理威胁的情况下生活的自由的重要考虑因素（Grief 2022）。对此，我们应该注意到，空中监视的已证实和可证明的心理和生理影响，虽然在讨论空中打击的相称性和创伤后果时很少被评论，但对人工智能和自主武器系统的未来的任何讨论仍然至关重要（Loveday 2022）

在一个人工智能驱动的预测分析模型与先发制人打击的军事部署之间的关系具有机会主义亲和力的时代，我们同样必须质疑人工智能在自主瞄准系统中的未来部署¹⁰追求保护社区免受空中威胁的人权需要将算法预兆的程度置于背景中——这在为自主空中提供动力的机器学习系统的预测机制中是显而易见的装置——本质上授权并进一步激励长期以来的先发制人的军事战略。这将不仅成为一个问责问题——谁，或者更有可能是什么，决定使用先发制人的打击——而且成为一个相称性问题：在当代不对称战争模式中，什么被视为相称的反应

尽管人工智能驱动的无人空中监视和自主武器系统通常被视为一种客观的“不知从哪里来的观点”，并被高度重视推断和预测，但它们产生了启发式结构来证明实际暴力事件的合理性。它们遮蔽了问责制的范式，同时基于算法估计中看似令人信服的“计算力”（Bellanova等人，2021，123），证明先发制人是当代战争的一个事实。这在很大程度上是通过算法的命题逻辑（它们倾向于产生可操作的指令）、神经网络的系统训练（通过数据标记）以及机器学习模型结构设计中对统计分析的系统依赖来实现的。算法的示意意图性、系统偏差和系统（dys）功能有助于建立确定性的操作模型，当部署在无人驾驶航空系统中时，可能会导致致命的结果。这种致命的决定论通常被认为是所谓“黑匣子”系统的结果。后一种基于不透明隐喻的隐喻，即使不是失败主义者，也已经成为一种权宜之计，暗指解构算法装置最内部、总是所有权的工作所涉及的所谓“困难”（Rudin和Joanna Radin 2019；Radin 2019）。然而，我想在这里展望一个总体现实：根据过去特征、模式和事件的统计流行率，机器学习算法的结构设计努力概括输入数据的输出。这些概括不可避免地实现了一定程度的预测分析，在动能战和非动能战中，这种分析可以而且确实会导致死亡。无论其所谓的“黑匣子”架构如何，机器学习和人工智能的操作方式都指向概率而非确定性：我们只能“预测结果，而不能预测未来”（Vilém Flusser 2011159）。为此，再多解构人工智能的内部运作或其应用的“伦理”也不会改变这样一个简单的事实，即算法在结构上和认知上都是为了生成对可能或可以的可想象和有说服力的预测，而不是经过验证的预测。如果是这样的话，人工智能是否不仅被用来“生成”可信的目标，还被用来扩大先发制人的地缘政治目标？通过其明显令人信服的计算模型，人工智能将威胁具体化，作为一种对整个地区和居住在这些地区的社区发出明显包罗万象的命令的方式。考虑到五角大楼的整体组织结构和调试新技术所涉及的错综复杂的过程，人工智能的预测功能可以想象为目前和可预见的未来寻求虚拟职业的算法辅助模型提供了一种方便的手段。考虑到这些点，这些系统是否关心占领未来，而不是仅仅监视现在？这对更普遍的人权意味着什么？至关重要的是，如何通过拟议的新人权来追究这些进程的责任，保护人民和社区免受空中威胁，无论是无人空中监视系统还是自主武器的威胁

（3）为了整合先进机器学习系统和计算机视觉的使用，美国军方于2020年宣布将用人工智能增强MQ-9收割者无人机。11根据我们现在对2020年1月3日巴格达机场导弹袭击前的程序所知，配备高分辨率数字成像设备的MQ-9收割器无人机将有助于收集数据（以“目标”和更广泛环境的数字化图像的形式呈现）、整理元数据（详细说明，即拍摄视频片段的时间和日期）以及将情报传递给地勤人员¹²这个这些信息将与全球定位系统（GPS）的位置、“目标”的已知行踪以及从地面操作员那里获得的人类情报（HUMINT）相互参照。至关重要的是，这种数据整理将通过使用机载嵌入式图像处理算法进行常规组织和分类，这是美国至少自2013年以来部署的无人机系统的一个特点（BAE 2012）。在整理信息的算法合理化之后，在对导弹打击做出最终决定之前，将潜在的“目标”标记给地面的无人机操作员。从授权导弹打击的一开始，人们就一直认为，对整理数据的算法量化和鉴定——计算制裁的缩影——不仅增强了某些决策，而且可能激活某些决策

Louise Amoore（2020，16。强调）认为，“算法的定义伦理问题主要涉及的不是查看、收集或调查庞大数据景观的能力，而是感知和提取一些东西以付诸行动的能力。”就这一关键见解而言，我们回到了人工智能设备的总体操作逻辑（其产生可操作指令的倾向），至关重要的是要考虑，人为增加对未来事件的预兆是否不仅会导致起诉军事行动或其他行动，而且会证明起诉是正当的。阿莫尔（2020，17）继续：“作为一种孔径仪器，算法的行动方向已经丢弃了它所接触到的大部分材料。在孔径处，大量的视频数据被缩小，以在物体上产生单一的输出。在这些数据材料中，算法有能力识别或无法识别作为目标的东西或某人。”将输入（数据）缩小到有限的动作点（输出）或预测的固有机械过程意味着人工智能的可供性有可能引发导弹袭击事件。此后，这不仅仅是对存在或不存在威胁的担忧；相反，它是关于算法“孔径”的不可阻挡的（如果不是具有深刻确定性的话）约定，该约定经过训练以产生结果（预测），在程序上专注于召唤“目标”¹³

在人工智能系统的训练中使用的数据提取和数据标记的系统模型同样表现出独特的目的，因为从数字图像中挤出的数据提供了预测（输出）所基于的输入。如果情报是基于对威胁的先入为主的概念，那么人类定义的数据标记和输入——即从冲突地区提取的图像——只能产生一种与假设存在的实际威胁有关的偏见范式。从理论和实践上讲，先前冲突（威胁）的数字图像将通过积极寻求隔离和突出风险的确定性预测模型来预测未来的威胁。在这个mise en abyme中，与其他类别相比，某些类别的图像的代表性明显过高或代表性不足，从而确保数据标记或输入阶段的任何偏差都将在预测的输出阶段受到“算法放大”（DiResta 2018）。总之，任何基于输入数据（从冲突地区提取的图像）的预测都会递归地刺激偏执狂投影的计算范例，以追求地外统治和陆地统治

这些过程在很大程度上被理解为系统性的（涉及将训练数据输入神经网络），产生了一种“数据驱动的杀人装置”（Weber 2016，28），基于提取的材料，无论是叛乱图像中的数据，这些材料总是通过迫在眉睫的威胁的棱镜进行编码，与明显的叛乱运动和通信、信号情报（SIGINT）或其他更一般形式的电子情报（ELINT）有关的整理元数据¹⁴元数据——关于数据的数据——的积累同样将生活活动集中到匿名信息序列中，正如Pugliese所观察到的那样（2016，6。强调），“元数据系统和数字化识别系统的融合体现了通过应用算法公式将生活呈现为一个有序的信息系统。”数据的算法提取和合理化允许将“关联矩阵”正式化为“社交网络分析”（《攻击网络指挥官手册》，引用于Holland-Michel 2019，23-24）。暗示了更广泛的社会观察范围，而不仅仅是对叛乱的单一关注，这些关联矩阵和社会网络分析方法可以识别出大量可能成为目标、被抓获或被杀害的个人。当我们考虑反恐行动——除了对尚未发生的事件的计算召集之外——以及美国在中东和其他地方的军事政策逻辑如何通过算法暴力模型具体化时，这些担忧对于受到超监视模型影响的人民和社区来说变得更加明显，自主瞄准和先发制人的导弹打击。与其说这是基于模式识别的威胁预测原型，不如说这是对模式预认知的关注，或者，正如所建议的那样，对尚未实现的的召唤，这些充满威胁的现实证实并证明了先发制人打击的逻辑。这种考虑显然比对已知目标卡西姆·苏莱曼尼的先发制人导弹袭击是否合法更为广泛和紧迫，因为这种逻辑可以很容易地扩展到覆盖特定社区，甚至整个人口

（4）军事行动可以通过算法“孔径”的操作逻辑（其棘手的计算逻辑）以及输入数据的系统标记和分类中看似不可避免的进展来动员。重要的是，它也可以通过统计失真的系统逻辑来调用。McQuillan在《抵抗人工智能：人工智能的反法西斯方法》一书中强调，机器学习算法和计算机视觉中使用的人工神经网络（Ann）的训练不一定能产生有效的可行预测模型。相当地这样的活动揭示了一个倾向于基于数据的统计变换（挤出）生成概率模拟（预测）的系统：“假设我们正在处理一个视频：一帧中的每个像素都由一个红色、绿色和蓝色的值表示，而视频实际上是这些帧的堆栈。因此，当将视频表示为数字时，算法的输入是一个巨大的多维数据块。当输入通过深度学习网络时，连续的层会产生统计驱动的失真ns和数据的转换，因为模型试图将潜在信息提取为输出预测”（McQuillan 2022，19。增加了重点）。当我们考虑使用人工神经网络为无人机和自主武器系统（AWS）上的机器学习和高级计算机视觉系统提供动力时，正是这种系统失真和偏差感需要进一步评估和鉴定

输入数据的系统校准在操作上容易受到机械预测的固有过程的影响，即“孔径”的确定性验证，然后系统地（标记）了明显迫在眉睫的威胁和风险的政治和军事考虑，可以而且确实会产生错误的输出（或所谓的假阳性）。自主武器系统的瞄准装置中存在“假阳性”——即通过统计计算得出的物体是枪而不是相机的推测——这给无人机操作员带来了一个决定，这个决定往往是遥远的，可以定义那些被胁迫进入假定威胁的算法半径的人的生与死的区别。我们可以在这里注意到，仅举一个例子，AlgorithmWatch进行的一项调查。在这项实验中，AlgorithmWatch证明，计算机视觉服务谷歌视觉云“将深色皮肤个人手持温度计的图像标记为‘枪’，而将浅色皮肤个人的类似图像标记为“电子设备””（Kayser-Bril 2020）。尽管谷歌一旦意识到这种偏见，就纠正了它，但文章得出的结论是“问题可能更广泛”（Kayser-Bril 2020）。虽然这可以说是系统性偏见的一个例子，基于给定训练集中某些图像的不足或过度表示，但这个问题也是系统性的，因为算法可能会产生幻觉。我们可以在这里注意到一项特别密切的研究，该研究涉及InceptionV3图像分类器，该分类器始终将海龟的图像分类为“步枪”（Athalye等人，2018，19）。该论文的作者指出，作为“使用我们的方法”，一只3D打印的乌龟“被ImageNet分类器一致地归类为步枪（一种随机选择的目标类别）”（Athalye等人，2018，同上）¹⁵这种偶尔枯燥的技术分析揭示了一个深刻的现实，这个现实仍然是训练机器“看”的神经网络和深度学习系统所固有的。他们不仅系统地倾向于根据训练中使用的数据集产生似是而非和有偏见的输出，而且系统地容易发明（或产生幻觉）不存在的物体（Downey 2024）

当我们考虑国际人道主义法以及未来任何与人工智能推理有关的立法如何有效对抗机器学习系统中涉及的往往致命的解释学时，为无人机系统和AWS原型中的人工智能提供动力的设备可能会受到机械决定论（“孔径”的逻辑）、系统偏见（数据标签中）、和系统缺陷（即数据的统计失真）的影响，这一事实应该引起关注。自主人工智能增强的识别系统演算和消除威胁暴力之间的直接联系——在支持先发制人的军事战略的推定判断中发现了一种非常方便的购买程度。质疑这种偏见和失误，就是要探究迫在眉睫、可预测但不可预测的威胁的不在场证明是如何有效地产生明显的、尽管有法律争议的、对其采取行动的权利。正如我们在对卡西姆·索莱曼尼的导弹袭击中看到的那样，对威胁的预测与军事行动中先发制人的打击理论密切一致：等待威胁成真似乎等待太久了。当我们将其外推到生活在无人机袭击威胁下的社区和人口时，关键的焦虑是，致命的先发制人行动的理由是否基于一种假定的威胁，这种威胁与其说揭示了实际风险的存在，不如说揭示了一种算法倾向的持久存在，即通过一系列确定性、系统性和系统性的程序或公式，使威胁的前景变得“真实”

（5）2023年7月，Palantir首席执行官Alex Karp为《纽约时报》撰写了一篇评论文章。卡普认为，人工智能在当代战争中的使用需要仔细监控和监管，他建议那些参与监督这种制衡的人，包括他的公司、美国政府和美国军方，面临着与20世纪40年代核武器发明后世界面临的选择类似的选择。“我们面临的选择是，是控制甚至停止最先进形式的人工智能的发展，有些人认为人工智能可能威胁或有朝一日取代人类，还是允许对一种有可能像核武器塑造上一代那样塑造本世纪国际政治的技术进行更自由的实验”（Karp 2022）。卡普承认，最新版本的人工智能，包括在机器学习中越来越流行的所谓的大型语言模型（LLM），对于用户和程序员来说都是不可能理解的，他进一步承认，“从万亿维空间中出现的东西是不透明和神秘的”¹⁶然而，尽管存在这种不可穿透性，但在未来战争中停止使用人工智能的困境被认为类似于第二次世界大战期间核弹发明者所面临的道德难题：如果一方的表现优于另一方，那么核威慑范式中涉及的“零和”游戏的微妙平衡就不再成立，相互确保的毁灭也得到了保证。Karp意识到了这一困境，并含糊地断言，尽管“允许人类操作员和算法操作员之间进行更无缝的协作，以确保机器始终服从于其创造者”是至关重要的，但他的总体论点是，我们决不能“回避构建锋利的工具，因为担心它们可能会对我们不利”（Karp，2022）。增加了重点）

卡普对在战争中使用人工智能系统所面临的困境的总结，包括机器对我们的危害，需要认真对待，因为他是少数能够以Palantir首席执行官的身份与内部人士谈论其未来部署的人之一。Palantir被广泛视为战争中预测分析的主要支持者，他毫不避讳地倡导在当代战场、预测警务、信息管理和更广泛的数据分析中扩展人工智能技术。在里面与其宣称的在战区部署人工智能的雄心相一致，其网站在这件事上直言不讳。例如，我们了解到，“新的航空现代化努力扩大了陆军情报、人力和设备的覆盖范围，以动态威慑扩展范围的威胁。在Palantir，我们将支持人工智能/机器学习的解决方案部署到机载平台上，使用户能够看得更远，更快地产生见解，并以相关的速度做出反应”（Palantir 2023）。至于“以相关性的速度”做出反应意味着什么，我们只能推测这与先发制人的军事逻辑有关，即在威胁变得明显之前自主预测并消除威胁（Downey 2023）¹⁷Palantir宣称的目标是生产投影模型和人工智能解决方案，使军事规划者能够自主或以其他方式“看得更远”，这不仅证明了它依赖人工智能的推理或预测质量，而且鉴于其在美国政府和五角大楼中的优势地位，这清楚地表明了这些技术将如何决定未来战争的起诉和结果¹⁸

2023年9月，毫无疑问，考虑到这些假设，美国国防部宣布，Palantir已获得一份价值2.5亿美元的合同，用于人工智能和机器学习的研究和实验（Demarest 2023）。除此之外，Palantir还投资了现在臭名昭著的Project Maven，该项目最初是从谷歌获得的，并暗指1982年的同名科幻电影，重新命名为“TRON”（Peterson 2019）¹⁹鉴于人工智能网络的计算和预测能力在过去二十年中呈指数级增长，自2003年入侵伊拉克以来，随着此类系统的使用显著增加，它们部署在动能和非动能战争战区的诱因和优势对Palantir等公司来说似乎是不可抗拒的，也是不可避免的，包括谷歌、亚马逊和微软（Fang 20182019；温伯格2019；Capaccio，2023）²⁰如果全球冲突的未来，在当今自主空中监视和目标定位的模拟中，是由算法预先确定和校准的，正如卡普所观察到的那样，上市公司很容易容忍，我们将需要考虑通过计算纳入人工智能预测分析的这一领域，哪些形式的暴力将袭击社区和个人。如所述，算法可以实现假定的威胁；他们可以提供合理的预测，具体化预测的风险，同时利用“技术安全的可能性、先发制人的文化”的偏执狂（Weber 2016108）。也就是说，算法预测的认知认可领域——认知暴力的方案——既可以促成也可以保证实际的暴力

该领域中的目标（人）的数据化声明，它们对以眼睛为中心的肉肉眼睛来说是不可见的，但在算法凝视的范围内是可见的。从历史上看，以眼睛为中心的观察和思考模型向递归算法领域的转移揭示了主体在未来可支配性或可替代性方面的计算顺序——后一种范式是殖民主义及其计算生死方法的一个永恒特征（Downey 2021）。将与生死问题有关的决策过程移交给自主的、算法增强的系统的过程进一步揭示了殖民地的表现技术与不负责任的新殖民机器的不透明领域之间的因果关系（Downey 2023）。我们需要问的是，在算法时代，死亡的未来会是什么？在预测分析的人工智能模型与先发制人的军事逻辑积极勾结的时代，谁——或者更准确地说，什么——将决定其生物政治和法律定义

（6。为了应对这些危险，人工智能和空中监视自主系统的进化越来越符合所谓无休止的暴力幻影的幽灵——这与其说是现在，不如说是未来²¹先发制人的军事编纂确保了它不必与已证实的威胁（光谱或否则此后，正如Brian Massumi（2015235）所建议的那样，先发制人的工作方式是为了消除“尚未发生”的任何和所有威胁。尽管我们在这里进入了一个推测领域，其中事件尚未发生，但感知威胁的虚拟表现——通过威胁的算法预测——可以而且经常证明，立即批准无人机对更广泛的个人、社区和人群进行先发制人的打击是合理的

对于部署在广域持久监视系统（WAPSS）和自主武器系统中的人工智能设备的所有明显的可行性（如果不是有效性的话），我们需要始终如一地强调“算法在多大程度上是政治性的，因为它们有助于使世界以某些方式而不是其他方式出现。从这个意义上说，算法政治指的是这样一种观点，即现实从来没有被赋予，但是在中产生的，在算法系统中和通过算法系统实现的”（Bucher 2018，3）。增加了重点）。根据这样的见解，为保护社区免受无人机和自主武器的侵害而起草的任何人权考虑都需要承认，算法隐含地参与了数据的“排序、分类、排序、预测和处理”，并为此目的明确保持“政治性，因为它们有助于使世界以某些方式而非其他方式出现”（Bucher 2018，3）。增加了重点）。尽管如此，就天气系统、股市、人员流动等而言，世界是随机的：尽管有反复出现的模式，但它最终是随机和不可预测的²²关于算法预测可行性的说法似乎不仅忽略了这一事实，而且否认了其他未来的出现。如果政治辩论和军事目标是由一种噩梦般的、但最终是自私的、永恒威胁的愿景——历史上产生于所谓的“反恐战争”——和无尽敌意的幽灵来定义的，那么其中使用的算法，作为社会和政治秩序的副产品，只能成为这种偏执狂的代理人。在这样一个糟糕的领域里，当我们接受政治权宜、道德下放和算法定义的推论，即什么构成是时，我们就更迫切地需要调查哪些权利保护主体被视为“目标”。在即将到来的风险和威胁的算法计算中，什么样的法律结构可以保护它们不被消耗？我们可以重新表述这个问题，简单地问，是什么最终阻止了他们在这个世界上的而不是

在空中监视和瞄准系统中部署算法会召唤出目标的程度上，迄今为止，几乎没有对这一事实进行法律考虑。承认一项拟议的新人权，即承认先发制人的打击对身体和心理的伤害，以及在自主武器系统中广泛使用预测模型，将解决这一缺陷。在虚幻、取之不尽用之不竭的威胁领域，公认的本体论参照系——那些定义了关于主体生命权的现行人权立法和国际法的参照系，尽管是无效的——受到算法预测的挑战，这些算法预测被理解为对实际威胁而非虚幻威胁的确认。在我们这个所谓无休止的紧急情况时代（这是对不懈形式的空中监视的一个方便的号角），这些担忧远非区域性的。当代和未来战争的主题将在这些系统的阴影下形成，作为正当法律程序的问题，我们需要识别和区分算法对日常生活物质现实的影响，甚至对死亡的影响

注释

1
苏莱曼尼，也是圣城军（伊斯兰革命卫队五个分支之一）的指挥官，与伊拉克政治家和军事指挥官阿布·马赫迪·穆罕迪斯和其他七人一起被杀（Scruton等人，2020）
2
有关此类罢工的有效性或其他方面的讨论，请参见Jordan（2020）和Khan（2021）。关于先发制人的必要性的辩论，见Sofaer（2003）
3
1月3日，特朗普在佛罗里达州棕榈滩的马阿拉歌庄园向记者发表讲话，声称苏莱曼尼“正在策划对美国外交官和军事人员的迫在眉睫的险恶袭击，但我们当场抓住了他，并终止了他的行动。”唐纳德·J·特朗普，引用Joseph Stepansky（2020）
4
在有人认为，当代媒体试图预测或推断其对未来事件的报道，而不是关注现在的现实，甚至是过去的遗产（Grusin，2010年）。Grussin提出，网络媒体越来越多地投资于未来事件的调解，通常通过预测基于威胁的场景来调动集体焦虑。在伊拉克战争之前，“并不是提出了任何特定的军事或政治场景，而是预先策划了许多不同的可能场景，因此与伊拉克的战争似乎是一个不可避免的事件，实际上在许多意义上似乎已经是一个电视媒介的新闻事件。”Grusin（2010，43）。增加了重点）
5
2002年授权对伊拉克使用武力是美国国会于2002年10月通过的一项联合决议。它有效地授权对萨达姆·侯赛因政府使用先发制人的武力，并从此成为美国外交政策的支柱。见公法107–243——2002年10月16日。
6
正如Eliav Lieblich（特拉维夫大学法学副教授）所言，尽管可能存在一些关于预期自卫的实际地位和方法的争论，但“报复性自卫显然是非法的。”
7
关于2003年入侵伊拉克的后果如何推动美国对广域持久监视系统（WAPSS）的分析和瞄准能力的投资，请参阅Holland-Michel（2019）
8
优先购买权的法律案件由一些个人进行，尤其是美国国防部长唐纳德·拉姆斯菲尔德（Donald Rumsfeld），他发出了一个尖锐的警告，即为什么“未知的未知数”的存在应该让任何人停下来，理由是缺乏任何证据将伊拉克政府与大规模杀伤性武器联系起来，或者不打算将其分发给恐怖组织。有关拉姆斯菲尔德现在臭名昭著的言论的转录本，请参阅https://archive.ph/20180320091111/http://archive.defense.gov/transcripts/transcript.aspx?transcriptid=2636

9
Esposito（2015:123；重点补充）提出，网络的“占卜”逻辑“导致了与主体自主性和未来开放性相关的问题的出现”。“
10
关于无人机定点杀伤计划是否表明对死亡的道德漠视的争论在军事、伦理和法律领域已经广泛存在。例如，参见Michael J.Boyle（2015）和Henriksen Ringsmose（2015）。有关反论点，请参见Strawser（2010）

11
Hambling（2020）指出，其目的是使MQ-9“收割者”能够“进行自主飞行，决定将其传感器组指向何处，并识别地面上的物体。”，包括“多光谱瞄准系统”，该系统具有一套强大的视觉传感器用于瞄准。MTS-B集成了红外传感器、彩色单色日光电视摄像机、短波红外摄像机、激光指示器和激光照明器。每个成像传感器的全动视频可以作为单独的视频流观看或融合。“
13
这里将单独讨论人工神经网络的实际训练，该网络为无人机空中监视和瞄准系统中的机器学习和计算机视觉原型提供动力。训练一个系统来“看到”世界上的物体，也就是说，这是以图像（以数字或其他表示模型的形式）与现实之间的直接关系为前提的。不用说，这样的假设不仅令人怀疑，而且容易产生一定程度的模糊性和矛盾性，这往往使人工智能的确定性逻辑变得不可能和不令人信服（Downey，2024）

14
有关数据化如何越来越多地确保战争在很大程度上无法被人类感知和理解的深入讨论，请参阅Hoskins和Illingworth（2020）

15
本研究的视频可在https://www.youtube.com/watch?v=yxy6ox1inoa.
16
在其他地方，卡普观察到“我们明白，包括我们的技术在内的所有技术都是危险的，软件可以被用作武器。我们开发的软件产品挽救了生命。”（卡普2022）

17
值得注意的是，2022年6月，卡普前往会见乌克兰总统泽连斯基，而据报道，在2023年2月荷兰的一次最近的活动中，他表示：“如果你与老式技术作战，而你的对手知道如何在人工智能中安装和实施数字化瞄准，你显然处于巨大的劣势”（卡普，Lipton 2023引用）。增加了重点）

18
Palantir最初由中央情报局的非营利风险投资部门In-Q-Tel提供资金。除了中央情报局，该公司还与美国国家安全局（NSA）、联邦调查局（FBI）、国土安全部（DHA）、联合简易威胁消除组织（JIDO）以及美国移民和海关执法局等机构建立了长期合作关系

19
谷歌在员工的压力下，于2018年退出了Project Maven的合同。“Palantir正在与国防部合作，建立人工智能，可以分析无人机的视频信息……在Palantir内部，客户的名字被保存在背心附近，该项目被称为“Tron”，以1982年史蒂文·利斯伯格的电影命名……”（Peterson 2019）

20
在Palantir获取并开始工作之前，无人机镜头用于训练最初在Project Maven中使用的人工智能系统，来自冲突地区的视频以训练数据（输入）的形式上传到人工神经网络中，以产生有效的目标识别和预测模型（输出）。Project Maven使用了Google的TensorFlow应用编程接口（API），这是一种流行的开源机器学习框架，为构建和训练各种类型的神经网络提供了工具和库。有关这些人工智能系统及其在自主武器和空中监视发展中的更广泛影响的更全面讨论，请参阅Downey（2023）

21
关于技术引发的幽灵如何困扰我们的未来，请参阅Derrida和Stiegler（2022，113–134）

22
用于定义事件的随机排序，随机过程定义给定事件随时间的不可预测演变。如前所述，天气模式或股市都会受到基于许多（如果不是无数的话）因素的波动，从而使其演变成为概率性的，而不是预先确定的或决定性的。总之，它们是随机的，而不是确定性的。在人工智能中，随机梯度下降（SGD）是一种用于机器学习的模型，通过在多个“时期”或迭代中沿随机方向执行步骤来找到最佳解决方案，从而获得尽可能好的答案、分类或预测。生成对抗性网络（GANs）通常使用随机梯度下降（SGD）模型和其他随机变体作为其训练过程的一部分，并被广泛用于计算机视觉模型，包括部署在无人机系统中的原型（Downey 2024）

>

简介