2026 年 2 月 28 日，伊朗东南部城市米纳布（Minab）。
下午两点多，Shajareh Tayyebeh 小学的家长们正赶往学校接孩子回家。战争已经开始了，所有人都想尽快撤离。他们到的时候，导弹也到了。
约 120 名儿童死亡，总计近 200 人遇难。这是美国近几十年来最严重的平民伤亡事件。
六天后，《华盛顿邮报》披露：这所学校出现在美军的打击目标清单上。系统认为它是一个海军设施。
又过了四个月，彭博社挖出了真正的故事：2019 年，一名美国情报分析师在审查潜在打击目标时，已经注意到这个地点从海军设施变成了一所小学。他在一个数字情报工具中做了标注。
但那个工具，没有连接到军方的目标数据库 MIDB。
标注存在了七年，从未到达任何指挥官的桌面。
先说清楚这套系统是什么。
Project Maven 是 Palantir 为美国军方构建的智能目标系统，官方名称叫 Maven Smart System。它从 179 个数据源拉取信息——卫星图像、信号情报、监控数据——然后实时生成三个东西：目标建议、精确坐标、优先级排序。
内嵌在 Maven 里的，是 Anthropic 的 Claude。
2026 年 2 月 27 日，美国对伊朗发动大规模空袭的第一天，Maven 生成了大约 1000 个优先目标。这是一个什么概念？过去，一个炮兵单位的参谋团队需要数周才能完成一个目标打击包。现在，第 18 空降兵团的一个 20 人小组，干了过去 2000 人的活。
美军的评价是”电子游戏般的能力”。北约已经跟 Palantir 签了合同。
到战争结束时，美国声称已在伊朗打击了超过 11000 个目标。
这 11000 个目标里，有一个是小学。
所有人都在问同一个问题：AI 是不是搞错了？
答案是：没有。AI 完美地执行了它的任务。
Maven/Claude 接收到的输入数据说：这是一个海军设施。AI 基于这个数据，正确地将其识别为军事目标，分配了优先级，输出了坐标。从输入到输出，逻辑链没有断裂。
但输入数据是错的。
那栋建筑在 2019 年之前确实是海军设施。后来它变成了一所小学。这个变化被一名分析师发现了，被记录在了一个系统里——但那个系统和目标数据库 MIDB 之间没有数据通道。
AI 没有犯错。数据系统崩溃了。
MIDB，全称 Modernized Integrated Data Base（现代化综合数据库），是美国军方用于目标情报的权威数据源。
它创建于 1980 年代。依赖人工手动输入。
2020 年，美国国会下属的政府问责办公室（GAO）对 MIDB 做了一次评估，结论是六个字：长期缺陷，无法满足当前需求。
注意这个时间点。GAO 说 MIDB 不行，是 2020 年。Maven 内嵌 Claude，是 2024 年底。也就是说，军方在明知底层数据库已经烂了四年的情况下，把一个 AI 系统接了上去。
那替代方案呢？军方确实有一个叫 MARS 的机器辅助替代系统计划。但据彭博社报道，这个计划”落后于时间表数年”。截至 2026 年 4 月——小学被炸两个月后——五角大楼修订的最新目标打击条令，仍然把 MIDB 描述为全球军事情报和目标清单的”权威、全源数据库”。
更荒诞的是，至少有两个用于输入图像情报备注的数据库系统，”历来没有连接到”MIDB。2019 年那个分析师用的就是其中之一。而且据彭博社报道，这个协调问题”今天仍然存在”。
五角大楼自己在 2026 年 4 月的条令里写道：
“目标打击过程在多个层面、多个地点同时进行，但目前尚未出现或建立任何单一的可互操作解决方案。”
“整个联合目标打击体系应该无缝共享标准化的目标情报和数据表示，不应依赖本地数据库。”
翻译成人话：我们的数据库之间互相不通，我们知道这是个问题，我们写了文件承认这个问题，但问题还在。
那个被错误标记为海军设施的建筑，在后续几年里被审查了多次。
没有任何人更新目标数据库。
《纽约时报》此前报道，目标打击官员使用的图像数据”过时七年”。七年——刚好对应 2019 年到 2026 年的间隔。分析师做了标注，标注困在了一个孤岛系统里，而 MIDB 里那栋建筑的标签从 1980 年代到被炸的那一天，始终是”海军设施”。
这不是一个人的疏忽。这是一个系统的结构性瘫痪。
Jack Shanahan，退役空军中将，曾任五角大楼国防情报总监，对彭博社说了一句话：目标打击是一个”垂死的职业领域”。过去二十年反恐战争期间，这个领域的人才和流程都在萎缩。2017 年他试图招聘和填补目标打击岗位，发现严重短缺。
退役高级情报官员说了一句更重的话：对于一场新军事行动首日计划的打击，指挥官不执行深度目标审核流程是”不可想象的”。但 Centcom（中央司令部）到底有没有执行这个可选的深度审核流程，”不清楚”。
把整个链条拉出来看：
情报数据库 MIDB 的数据是错的（过时、未更新、2019 年的警告困在孤岛系统里）→ Maven/Claude 基于这个错误数据生成了目标 → 目标被分配了优先级和坐标 → 导弹发射 → 120 名儿童死亡。
每一步都在”正确”地执行。但最终结果是灾难。
这就是 AI 在高风险场景中的真正危险：它不会创造新的错误，但它会以机器速度放大已有的错误。
过去，一个人类参谋团队审查目标可能需要数周。数周的时间里，有足够的时间发现”等一下，这个地方好像是个学校”——也许是在茶歇时跟同事聊到的，也许是某次例行复核时多看了一眼卫星图。人类系统的低效，反而提供了冗余和纠错窗口。
Maven 把这个窗口压缩到了几小时甚至几分钟。1000 个目标，一天。
垃圾数据进，灾难性结果出。只不过，是以机器速度出的。
速度乘以错误，等于灾难的乘方。
关于 AI 在军事中的应用，目前公众讨论的焦点是”AI 伦理”：AI 是否应该参与致命决策？Anthropic 有没有权利拒绝军方使用 Claude？是否应该有”人在回路”保障？
这些问题重要，但它们忽略了真正的故障点。
Shajareh Tayyebeh 小学被炸，不是因为 AI 做了错误的判断，也不是因为缺少人类审核（流程里确实有人类指挥官签字）。它被炸是因为：底层数据系统是破碎的。两个数据库不互通，2019 年的警告被锁在孤岛里，一个 1980 年代的系统到 2026 年还在当权威数据源。
如果数据系统是健康的——2019 年的标注能自动同步到 MIDB——即使没有 AI，这个目标也很可能不会被打击。因为正确的数据会告诉每个人：这是一所学校。
如果数据系统是破碎的——即使没有 AI，这个错误也可能发生，只不过会更慢，也许在人类审查的某个环节被发现。
AI 的角色是加速器。它让破碎的数据系统以更快的速度、更大的规模制造后果。
所以真正的讨论应该是：
在部署 AI 做高风险决策之前，你的数据基础设施准备好了吗？
这个问题不只属于五角大楼。它属于每一个准备用 AI 做自动化决策的组织。
把这个案例翻译到民用场景：
一家保险公司用 AI 自动审批理赔。底层的医疗数据库有一个标注错误，把某个症状的严重等级标反了。AI 基于”正确”的逻辑和”错误”的数据，批量拒绝了数千个合法理赔。
一家银行用 AI 做信贷风控。客户信息系统里有三个不互通的子系统，其中一个记录了客户的收入变更，但没同步到风控引擎调用的那个库。AI 基于过时的收入数据，精确地、高效地做出了错误的授信决策。
一家医院用 AI 辅助诊断。影像分析系统标注的异常没有同步到电子病历系统。AI 看到的是旧数据，给出了”正常”的判断。
模式完全一样：多个数据系统不互通 → 关键信息困在孤岛里 → AI 基于过时数据高速运转 → 结果以机器速度和规模放大。
Maven 是这个模式最极端、最惨烈的案例。但底层的系统架构缺陷，在很多组织里都存在。
最后说一个讽刺。
Anthropic——Claude 的开发商——一直试图限制其 AI 在军事场景中的使用。据报道，Anthropic 与五角大楼的冲突集中在大规模国内监控和完全自主武器上。
2026 年 2 月底，就在轰炸开始前几小时，特朗普宣布禁止政府机构使用 Anthropic 工具，给国防部六个月的过渡期。但过渡期内军方继续使用 Claude。
报道引用了一位熟悉系统运作的人士的话：”无论他的道德标准是对是错，我们不会让 Amodei（Anthropic CEO）的决策让哪怕一个美国人付出生命代价。”
换句话说：你想退出？不允许。政府会用权力留住这项技术，直到找到替代品。目前 Elon Musk 的 xAI 和 OpenAI 都已经签署了机密政府工作的协议，准备接替 Anthropic 的位置。
Anthropic 的悖论在于：他们担心的 AI 伦理问题（AI 做致命决策）根本不是这次事故的原因。真正的问题是数据基础设施。但他们花了大量精力在伦理谈判上，却没有人要求他们——或五角大楼——先修复数据库。
回到那个小学。
120 名儿童死了。不是因为 AI 变邪恶，不是因为缺少人类监管，不是因为 Claude 的推理出了问题。
是因为一个 1980 年代的数据库和一个 2019 年的情报工具之间没有数据线。
是因为 GAO 2020 年的警告变成了文件归档，而不是系统改造。
是因为军方在明知底层数据腐朽的情况下，把一个高性能 AI 引擎接了上去。
每次有 AI 造成伤害的事件发生，公众的第一反应是”限制 AI”。但 Shajareh Tayyebeh 小学的悲剧告诉我们：限制 AI 的发展速度解决不了数据系统的腐烂。
你的 AI 系统的上限，是你最差的那个数据库。
Maven 的算力再强，Claude 的推理再精确，只要 MIDB 里的数据是错的，输出就一定是错的。只不过这次，错误以音速传播，落在了 120 个孩子头上。
下一次讨论 AI 伦理的时候，别只问”AI 能不能做这个决策”。先问一个问题：
你喂给 AI 的数据，你自己信得过吗？
关注 SomethingAI 公众号
每日 AI 趋势日报，深度选题分析，独立开发思考
微信搜索「SomethingAI」关注