军事专家为何总误判?Lex Fridman播客反思战争预测

军事专家反思:对盟友了解不足、信息不对称与场景缺失导致战争预测频频失准。
文章基于Lex Fridman播客访谈,探讨军事专家为何屡屡误判战争走向。核心原因有三:一是分析资源集中于对手,对盟友了解有限,导致俄乌冲突初期高估俄军、低估乌军;二是信息不对称引发锚定偏差,俄方进攻计划情报更多,使分析者围绕已知信息构建判断;三是军事力量无法脱离场景被抽象排名,地理条件与政治目标决定战略与兵力运用。文章进一步指出,即便了解两支军队,也无法预知它们在具体战斗中如何互动,因为个体选择与偶然性同样关键。启示是分析者应保持谦逊,从场景与目标出发而非追问排名。
军事分析为何频频失准?在Lex Fridman播客的一期访谈中,一位军事专家坦诚反思了预测战争的困难之处。核心观点是:军事力量无法脱离具体场景被抽象比较,而专家对盟友的了解往往远少于对对手的了解,这直接导致了开战初期的误判。
误判的根源:我们更了解对手,而非盟友
专家坦言,在俄乌冲突初期,外界普遍高估了俄罗斯军队的表现,同时低估了乌克兰军队的抵抗能力。原因并不复杂:大部分专业分析资源都投向对手势力,对盟友和伙伴的了解反而有限。「这是这份职业的本质使然。」
另一个关键因素是信息不对称。相比乌克兰的防御计划,俄方的进攻计划其实被外界掌握得更多。当分析者手中只有一方的大量情报时,容易产生锚定偏差——先入为主地围绕已知信息构建判断,而忽略了另一方可能展现出的变数。

志愿者与偶然性
乌克兰方面的表现超出预期,不仅体现在正规军,也体现在战争初期大量涌现的志愿者。专家指出,开战初期的局面极其混乱,进攻与防御的碰撞充满偶然性。这些个体选择与战场机缘,很难被战前分析捕捉。
锚定偏差(anchoring bias)是认知心理学中的经典概念,指人们在决策时过度依赖最先获得的信息(「锚点」),后续判断围绕这个锚点进行调整,但调整幅度通常不足。在军事分析中,这一效应表现为:分析者一旦掌握了某一方(如俄方进攻计划)的大量情报,就会不自觉地以此为基础构建整体图景,把对方的行为解释为对已知信息的反应,而低估另一方的独立能动性。锚定偏差与确认偏误(confirmation bias)常同时出现——后者指人们倾向于搜寻和采信支持既有判断的信息。两者叠加,使得情报越「丰富」的分析者,反而越可能在开战初期形成僵化判断,这正是专家反思中「知识被用错了地方」的深层机制。
军事力量不能抽象排名
访谈中一个反复强调的观点是:把国家军力简化为排名(比如美国第一、中国第二、俄罗斯第三或第四)毫无意义。军事力量必须在具体语境中才能体现。

同一个国家,在不同场景下的表现可能截然不同。设想中美因台湾问题发生冲突,是一种场景;设想中印之间爆发战争,又是另一种场景。地理条件、政治目标都会驱动军事战略和作战概念,进而决定兵力如何运用——而这才是最关键的部分。

知道军队,不等于知道它们如何交战
专家进一步指出,即便你对两支军队都有相当了解,也不等于知道它们在具体战斗中会如何互动。两军交锋的结果取决于大量个体选择、政治决策、军事决策,以及相当程度的机缘巧合。

正因如此,抽象地讨论「谁更强」往往会误导判断。场景本身——地理、政治目标、战略选择——才是分析的起点。这也解释了为什么军事专家在预测战争走向时屡屡失准:不是知识不够,而是知识被用错了地方。
场景化分析(scenario-based analysis)是战略研究中替代静态军力排名的核心方法。其基本假设是:军事能力的价值只能在「任务—环境—对手」三元组合中被评估。地理条件决定了兵力投送、后勤补给与作战节奏;政治目标决定了愿意付出多大代价、打到什么程度;而对手的不同又会使同一支部队面临完全不同的挑战。因此,现代防务评估常用「净评估」(net assessment)框架,比较双方在特定冲突场景下的相对优势与劣势,而非给出单一分数。这也呼应了文中「地理和政治目标驱动军事战略」的论点:排名回答的是「谁有多少」,场景分析回答的才是「谁能做成什么」。
战争迷雾(fog of war)与摩擦(friction)是克劳塞维茨在《战争论》中提出的经典概念,用以描述战场上信息不完整、计划难以按预期执行的状态。摩擦包括天气、地形、通信中断、误判、士气波动等无数细小因素的累积,使得两支军队的实际交锋无法从各自的纸面实力推导出来。现代军事分析虽然拥有卫星情报、兵棋推演和作战模型,但仍难以模拟个体决策的随机性和战场的涌现性(emergence)。这也是为什么专家强调「了解两支军队不等于知道它们如何交战」:作战是双方在不确定环境中的动态博弈,而非两组静态参数的简单相减。
对分析者的启示
这段讨论的价值在于提醒分析者保持谦逊。军事能力不是可以脱离场景比较的静态数字,而专家对盟友的认知盲区、信息不对称带来的锚定偏差、以及战场上的偶然性,都会让预测偏离现实。与其追问谁排名第几,不如先问:在什么场景下,为了什么目标,双方会如何互动。
相关推荐

3D拆解AI模型:揪出近半亿参数的“死重”
通过3D可视化拆解真实AI模型:419个张量、近5亿权重中隐藏着未使用的span head和count head等死重组件,剥离后仅保留分类头即可维持决策功能。模型主干为24层Transformer,眼形结构直观揭示冗余。

Spamhaus 11月邮件发送新规:发件人必须了解的变化
Spamhaus 将于11月实施新的邮件发送者要求。本文梳理新规方向、对发件人认证与发送行为的影响,以及开发者和企业应提前做的准备。

美联储预警:AI代理或引发银行挤兑
美联储担忧AI代理的自动化行为可能引发银行挤兑。本文分析AI代理在金融场景中的风险机制、监管挑战与行业启示,探讨机器速度挤兑为何比传统挤兑更难防范。