Когда ИИ прокладывает путь в тумане войны

When AI Navigates the Fog of War

March 17, 2026

Авторы: Ming Li, Xirui Li, Tianyi Zhou

cs.AI

Аннотация

Способен ли искусственный интеллект анализировать ход войны до того, как её траектория станет исторически очевидной? Анализ этой способности затруднён из-за сильного влияния утечки данных из обучающего набора на ретроспективные геополитические прогнозы. Мы решаем эту проблему с помощью темпорально обоснованного кейс-стади ранних этапов ближневосточного конфликта 2026 года, который развернулся после даты отсечения обучающих данных для современных передовых моделей. Мы формируем 11 критических временных узлов, 42 верифицируемых вопроса, специфичных для каждого узла, и 5 общих исследовательских вопросов, требуя от моделей рассуждений исключительно на основе информации, которая была бы общедоступна в каждый конкретный момент. Такой дизайн существенно снижает проблему утечки данных из обучающей выборки, создавая условия, хорошо подходящие для изучения того, как модели анализируют развивающийся кризис в условиях «тумана войны», и предоставляет, насколько нам известно, первый темпорально обоснованный анализ рассуждений больших языковых моделей в условиях текущего геополитического конфликта. Наш анализ выявляет три ключевых результата. Во-первых, современные передовые большие языковые модели часто демонстрируют поразительную степень стратегического реализма, выходя в рассуждениях за рамки поверхностной риторики к более глубоким структурным стимулам. Во-вторых, эта способность распределена неравномерно: модели более надёжны в экономически и логистически структурированных контекстах, чем в политически неоднозначных средах с множеством акторов. Наконец, нарративы моделей эволюционируют со временем, смещаясь от первоначальных ожиданий быстрой локализации конфликта к более системным объяснениям, описывающим региональную конфронтацию и затухание конфликта по мере истощения сторон. Поскольку на момент написания статьи конфликт продолжается, данная работа может служить архивным снимком рассуждений модели в период разворачивающегося геополитического кризиса, позволяя проводить будущие исследования без ретроспективного искажения, присущего анализу постфактум.

English

Can AI reason about a war before its trajectory becomes historically obvious? Analyzing this capability is difficult because retrospective geopolitical prediction is heavily confounded by training-data leakage. We address this challenge through a temporally grounded case study of the early stages of the 2026 Middle East conflict, which unfolded after the training cutoff of current frontier models. We construct 11 critical temporal nodes, 42 node-specific verifiable questions, and 5 general exploratory questions, requiring models to reason only from information that would have been publicly available at each moment. This design substantially mitigates training-data leakage concerns, creating a setting well-suited for studying how models analyze an unfolding crisis under the fog of war, and provides, to our knowledge, the first temporally grounded analysis of LLM reasoning in an ongoing geopolitical conflict. Our analysis reveals three main findings. First, current state-of-the-art large language models often display a striking degree of strategic realism, reasoning beyond surface rhetoric toward deeper structural incentives. Second, this capability is uneven across domains: models are more reliable in economically and logistically structured settings than in politically ambiguous multi-actor environments. Finally, model narratives evolve over time, shifting from early expectations of rapid containment toward more systemic accounts of regional entrenchment and attritional de-escalation. Since the conflict remains ongoing at the time of writing, this work can serve as an archival snapshot of model reasoning during an unfolding geopolitical crisis, enabling future studies without the hindsight bias of retrospective analysis.