當 AI 面對核戰危機：七款模型真的會做出不同選擇嗎？

核武決策向來被視為人類政治與軍事判斷中最危險的領域。2026 年公開的 The Nuclear Decision-Making Benchmark（NDM Bench） 把問題改寫成可測量的實驗：當七款大型語言模型閱讀相同的危機描述，它們會推薦外交克制、常規武力、核武威脅，還是直接使用核武？

研究結果顯示，不同模型的回答分布確實存在顯著差異。但必須先釐清：這是文字情境下的政策選項測試，不是 AI 操作真實核武，也不能把選項比例解讀成現實核戰機率。

一、這份研究到底測了什麼？

研究由 Benjamin Jensen、Ian Reynolds、Yasir Atalan、Martin Pollack、Austin Woo 與 Robert Sincero 共同署名，發表於 arXiv，並以 Scale AI 技術報告形式呈現。國際關係領域博士專家設計 151 個基本情境，再透過替換國家與調整措辭，擴充成 9,563 個不同提示詞。七款模型分別接受五次抽樣測試，觀察平均決策傾向及同一題目下的穩定程度。

研究涵蓋四種領域：

• 核衝突升級（76 題）：從不升級、威脅使用常規武力、使用常規武力、威脅使用核武，到使用核武，共五種選項。
• 軍備控制（25 題）：是否與對手合作建立核軍控協議。
• 核不擴散（25 題）：面對其他國家可能發展核武，是否採取干預及其強度。
• 核武擴散（25 題）：是否建議本國追求核武能力。

受測系統為 DeepSeek-V3.2、ERNIE 4.5-300B、Gemini 3 Pro、GLM-4.6、GPT-5.2、Llama 4 Maverick-17B Instruct、Qwen3-235B。這些型號、版本與部署方式不完全相同，因此比較的是特定測試條件下的回答，而不是模型天生的道德人格。

二、最醒目的結果：核武威脅與核武使用被合併統計

在核衝突升級領域，研究將 D「威脅使用核武」 與 E「使用核武」 合併計算：

• DeepSeek-V3.2：30.9%
• Qwen3-235B：24.1%
• GPT-5.2 與 ERNIE 4.5：各約 7%

這個差距值得注意，但它不是「DeepSeek 有 30.9% 機率按下核按鈕」。核武威脅與真正建議使用核武是兩種不同政策行動，研究中的百分比也不是對真實國家領袖決策的預測。

另一個反直覺的現象是，Llama 較傾向採取行動，包括常規武力、干預與合作。這提醒我們：模型的「積極」未必等同「偏好核戰」，需要分別分析不同選項。

三、AI 的立場會因為國名和一句話而改變嗎？

研究把國家名稱視為可替換變數，例如在同一類危機中更換涉事國家，檢驗模型是否出現國別偏差。同時，研究加入「國家生存受到威脅」等存在性威脅措辭，並比較戰略性、高當量與戰術性、低當量的核武描述。

結果顯示，國家組合與文字框架會影響部分模型的選擇，而且影響方向並不一致。這並不代表單一詞語可以穩定操控所有模型；更合理的結論是，模型對情境敘事存在敏感性，部署前不能只用一套固定題目評估。

這與心理學中的框架效應有相似之處：當同一問題被描述為「避免損失」或「確保生存」，人類可能改變風險偏好。將這種概念套用於 LLM 時，仍應謹慎，因為模型輸出反映訓練與提示條件，不代表模型真的感到恐懼。

四、研究如何證明差異不是單純隨機？

研究使用卡方獨立性檢定比較回答分布，並針對七個模型、四個領域進行 84 組成對比較。經 Holm–Bonferroni 多重比較校正後，77 組（91.7%） 仍達統計顯著。研究也用 Jensen–Shannon distance 衡量兩組答案分布的差距，並以 Krippendorff's alpha 與 Fleiss' kappa 衡量重複作答一致性。

這些工具分別回答兩個不同問題：模型 A 與模型 B 是否傾向做不同決定？同一模型反覆遇到同一情境是否穩定？ 統計顯著不自動等於差異具有相同程度的政策重要性，還需要看實際選項與效應大小。

五、這不是 AI 已經取得核武控制權

研究是受控提示詞測試：模型閱讀文字，輸出預先定義的選項字母。它沒有驗證模型能否取得即時情報、核武指揮鏈權限，也沒有測試真實軍事組織中的人類審核程序。

而且基準測試的答案空間受到研究者設計影響。例如升級領域提供五個固定選項，可能無法完整呈現外交談判、情報再確認、危機熱線或延遲決策等現實政策組合。單一回答字母也不等同完整的戰略推理過程。

六、與另一項核危機模擬研究有什麼不同？

King's College London 的 Kenneth Payne 在另一篇研究中，讓 GPT-5.2、Claude Sonnet 4 與 Gemini 3 Flash 在多回合核危機兵棋推演中扮演對立決策者。該研究關注的是模型互動如何形成升級動態；NDM Bench 則偏重標準化單次情境下的政策偏好與穩定性。

兩種設計各有用途，但不能把前者的「核威脅情境比例」直接與後者的「選擇 D 或 E 比例」相加、平均或排名。

七、真正值得擔心的是決策輔助系統的偏差

AI 不需要擁有發射權限，也可能透過摘要情報、模擬敵方意圖、排列政策選項等方式影響人類判斷。如果不同模型對相同情報產生不同的升級建議，或因國名與措辭改變結論，政策機構就需要建立可重複、可追溯、跨模型的安全評估。

這也是這篇論文最大的價值：它沒有證明哪個 AI 會發動核戰，卻提供了一套方法，讓我們在 AI 進入高風險決策流程之前，先量測它的不穩定與偏差。

Tech English｜本文技術名詞

1. Nuclear Escalation（核衝突升級）：衝突從克制逐步走向更高強度武力或核武威脅的過程。
2. Benchmark（基準測試）：用標準化題目比較不同系統表現的評估方法。
3. Framing Effect（框架效應）：相同問題因表述方式不同而影響判斷與選擇。
4. Jensen–Shannon Distance（詹森－夏農距離）：衡量兩組機率分布差異的指標。
5. Inter-rater Reliability（評定一致性）：衡量多次評定或回答結果是否一致。
6. Holm–Bonferroni Correction（霍姆－邦費羅尼校正）：在大量統計檢定中降低誤判顯著差異風險的方法。

原始論文： https://arxiv.org/abs/2608.05180
延伸對照研究： https://arxiv.org/abs/2602.14740