美国海军聘用AI公司清除霍尔木兹海峡水雷

美国海军已与一家人工智能公司签约，协助在霍尔木兹海峡探测并清除海军水雷，这一航道是全球海上能源供应的重要瓶颈。自2026年2月下旬在美以对伊朗目标的打击以及随后伊朗的威胁与据报布雷之后，该狭窄水道的通行几乎处于停滞状态（彭博社，2026年5月3日）。五角大楼公开估计，清除该海峡可能需要长达六个月，这一时间表将使全球原油主要通道在北半球夏季持续受阻（美国国防部估计，2026年5月）。Domino Data Lab（多米诺数据实验室）首席运营官托马斯·罗宾逊在《彭博本周末》节目中讨论了用于水下探测的AI部署，表示机器学习可以加速模式识别，并在初步扫查行动中减少对潜水员的依赖（彭博采访，2026年5月3日）。鉴于该海峡承载了全球海运原油流量的大约五分之一，运营中断对能源市场、航运保险和国防供应商具有明显的下游影响（美国能源信息署估计；见下文背景）。

背景

将商业开发的人工智能整合到布雷探测工作中，是出于直接的作业压力：商业与海军交通在2026年3月几乎停止，这一收缩速度在历史上极为罕见，自上世纪80年代海湾地区重大紧张局势以来未见。伊朗表示其在最常用的通航航道布设了水雷；美国官员已确认在商业油轮常用水域发现多处水雷场（彭博社，2026年5月3日）。海军水雷清除传统上速度缓慢且人力密集；国防部的“最多六个月”估算既反映了水下探测的物理难度，也反映了在向满载油轮重新开放航道前需要进行分层验证的必要性。美国海军采用AI工具是务实的：目标在于缩短从传感器到决策的时间，并在投入有人单位之前优先指派那些高概率的搜索航廊。

经济利害关系是可以量化的。霍尔木兹海峡在典型年份每天输送约1700万至2100万桶原油和石油制品，约占全球海运原油流量的15%至20%，具体比重随年际波动（美国能源信息署估计）。即便吞吐量部分下降，也会在基准价差（布伦特对WTI）上造成错配，并提高VLCC与苏伊士型油轮在区域内的运费差价。穿越海湾航程的保险费率已经重新定价：劳合社市场在2026年3月末和4月发布的通知显示，战争风险附加费上升，使部分船东的航程成本成倍增加。这些成本上升在炼厂与交易台试图改道绕好望角进行更长航程调运时，会进一步放大即时的供应端冲击。

采用AI进行水雷探测并不是对海军能力的一键替代。AI模型需要高质量标注的声纳与光学数据、经过精确校准的传感器，以及在作业环境中的迭代重训练。多米诺数据实验室首席运营官表示，其方法将机器学习管线与“人机回路”验证相结合，以降低误报率——这是一个关键特征，因为一次错误分类可能导致错过威胁，或使清除队伍暴露于不必要的危险之中（彭博采访，2026年5月3日）。对于投资者和主权风险管理者来说，显著的问题不是AI是否能发挥作用，而是它在霍尔木兹海峡特定水深地形与湍流条件下，能多快达到作战上可接受的误报与漏报率。

数据深入分析

具体且有日期标注的数据点有助于说明作业难度。五角大楼在2026年5月3日的公开声明中，将排雷时间表定为最多六个月；该日期将国家层面的估算钉在当前海军准则与部队部署（美国国防部，2026年5月）。彭博社在同日报道称，美国海军已与Domino Data Lab签约并就方法进行了讨论，显示出对商用AI能力的加速采购与部署周期（彭博社，2026年5月3日）。历史先例可为规模提供参照：1988年，美国海军“塞缪尔·B·罗伯茨”号在波斯湾撞上伊朗水雷，随后引发了一系列扫雷行动；然而现代的传感器组合与机器学习技术，赋予了更高的自动化程度与更快速的近岸扫描能力。

从量化角度看，这是一个信号对噪声的问题。浅水且繁忙的水道中，声纳回波会因底部反射、生物体与商业残骸而产生杂波。传统的猎雷直升机与无人水面艇（USV）将有源与被动声学传感器与高分辨率侧扫声纳相结合；AI则在模式识别层面上增加了可对接触物进行分类的能力。商业公司在其他海军战区的早期试验报告称，在标注数据集上分析师的审核时间减少了30%至50%；若这些改进能在海湾环境中转化落地，清除任务的指派周期相较手工工作流可能会显著缩短（行业试点研究，2023–2025）。但这些试点数据往往反映受控条件；现场部署通常会暴露出需要模型重训练与传感器校准的新失效模式。

从后勤角度看，潜在接触点的数量很重要。国防部的估算情景模拟在最常用航道中，每平方海里可能产生数百到数千个独立的声纳接触；每个接触都需分类。优先处理高概率目标仍是AI主导分拣的直接好处。另需关注的金融指标包括区域燃料费率（在此前的海湾中断中曾出现两位数百分比的跃升）、VLCC运费指数