Dual-use（双重用途技术）

双重用途概念伴随技术史演进而不断扩展。第一次世界大战期间，哈伯法合成氨技术既是现代农业的基石（全球化约一半人口的粮食生产依赖化肥），也是化学武器的基础。

第二次世界大战和冷战期间，核物理技术成为双重用途的典型：放射学用于医学影像和癌症治疗，但核裂变技术也是原子弹的基础；核电站提供清洁能源，但铀浓缩和钚再处理等技术可被转用于核武器。冷战后，GPS 系统从军事专用走向民用开放，成为双重用途技术「军转民」的成功案例。

进入 21 世纪，信息技术、生物技术、纳米技术和人工智能成为双重用途讨论的新焦点。在 AI 领域，双重用途的边界尤其模糊：同一套自然语言处理能力可以驱动客服机器人，也可以生成虚假信息；同一套代码理解能力可以帮助审计安全漏洞，也可以被用于发现零日漏洞发动攻击。

AI 模型的双重用途特性与传统技术有本质区别。传统硬件技术（如芯片、机床）的民用和军用功能通常在物理上可分离——你可以设计一台只能加工民用零件的机床。但 AI 模型的底层能力是通用的：推理、模式识别、代码生成、自然语言理解等能力无法被「物理隔离」。

Anthropic 的 Fable 5 设计尝试了这种分离——移除专门的网络安全和生物技术功能——但美国政府认为这不够：底层推理能力本身就足以构成风险。这一逻辑意味着，只要一个模型「足够聪明」，它就应该被视为双重用途技术并受到相应管制。

这将管控边界从「特定功能」推向了「通用智能水平」，引发了深层争论：如果足够强大的通用推理能力本身就是风险，那么 AI 研究的每一步进展都可能触发管制审查。这对开源社区的影响尤为深远——开源模型的权重一旦发布就无法收回，而闭源模型可以通过 API 控制访问。

双重用途技术的治理面临根本性挑战。首先，界定困难：在 AI 领域，「足够聪明以至于危险」的标准是什么？谁来判定一个模型的通用推理能力是否越过了安全红线？其次，执行困难：开源模型权重一旦在互联网上发布，就无法像物理武器那样被拦截或收回。

第三，平衡困难：过度管制会扼杀创新和知识共享，管制不足则可能导致技术被恶意利用。

目前全球主要经济体的应对路径各异：美国采取出口管制指令的个案处理方式，2026 年 6 月的 Anthropic 事件是首个针对商业 AI 模型的案例；欧盟通过《AI 法案》建立了基于风险分级的系统性框架；中国则通过开源路线加速自主可控能力建设。

学术界和产业界的共识正在形成：AI 的双重用途治理需要技术创新（如可审计的模型能力边界）、制度设计（如分级许可和事后追责）和国际协调（如核不扩散条约式的多边框架）三者结合。但具体路径仍在探索中，Anthropic 事件只是这场全球博弈的开端。