当人工智能开始替情报机关“挑内线”——欧洲如何用人工智能扫描莫斯科潜在间谍

原创 无名 2026-10-13 11:25 辽宁

间谍故事过去总有一套标准布景：昏暗酒吧、雨夜街角、两只一模一样的公文包，再加一个永远坐在背光处的男人。

到了2026年，这套布景正在被服务器机柜替代。

新故事的开头，不再是某位老练特工在莫斯科寒风中盯梢半年，而是一套人工智能把大学泄露文件、房产记录、企业登记、购物平台痕迹和军事组织关系塞进同一张知识图谱，然后冷冰冰地吐出一句话：这个人，值得进一步核查。

法国情报行业媒体《Intelligence Online》2026年10月12日报道称，多个欧洲情报机构正在测试意大利背景、总部设于爱尔兰的Octostar公司所开发的调查型人工智能工具；测试所用核心材料，是鲍曼莫斯科国立技术大学军事训练中心泄露的数据。

报道把一名以“安德烈·K.”代称的管理人员列为典型案例，声称系统通过多源数据关联，发现其资产、商业关联与公开可见消费痕迹可能同军衔收入不相称，并据此将其标为潜在接触对象。

欧洲情报界正在尝试把传统的人力情报目标筛选，改造成一种数据工业——机器先从十万人中挑出一百人，人再从一百人中寻找那个真正会开口的人。

说白了，人工智能还没有学会策反，但它已经开始替策反人员排队叫号。

鲍曼莫斯科国立技术大学不是普通意义上的理工院校。

2026年5月，由《世界报》、德国《明镜》、The Insider、《卫报》、Delfi和VSquare等组成的调查团队称，他们获得约2000份内部文件，涉及该校军事训练中心一个未出现在公开组织架构中的“第四教研室”或“特殊训练”部门。

材料包括课程表、考试记录、考勤、合同、演示文稿、人员名单以及毕业去向，时间主要覆盖2022至2024学年，部分行政信息延伸至2025年。

这些文件的重要性，不在于又曝光了几个俄军邮箱，而在于它们把“教育—筛选—训练—实习—分配”这条人才链完整照亮了。

泄露材料显示，该部门围绕“特殊情报勤务”“信息技术防护”以及信息技术影响与反制等专业方向训练学员；部分毕业生被分配到与俄军总参谋部情报总局网络力量有关的单位，包括通常同APT28、Fancy Bear相关联的26165部队，以及同Sandworm、APT44相关联的74455部队。

这等于有人把俄罗斯一座情报人才工厂的仓库门打开了。

过去，外国机构往往只能从一次攻击留下的代码习惯、服务器、域名和行动节奏，倒推幕后可能是哪支单位；现在，泄露文件让分析者有机会向上游追踪：谁上过什么课，谁由谁考核，谁在哪个单位实习，谁毕业后去了哪里，谁负责把新学员送进这条流水线。

传统网络威胁情报喜欢盯“弹头”——恶意软件、基础设施、攻击指标；鲍曼泄密却暴露了“兵工厂”和“技校”。

弹头打出去一次便可能报废，培养体系却能连续生产下一批操作者。真正具有战略价值的，从来不只是某个黑客的名字，而是一个国家如何稳定、制度化地制造黑客、情报技术人员和信息战骨干。

独立网络安全分析也支持这批材料具有较强内部一致性。DomainTools称其分析了约1600个可用文件，文件类型涵盖Word、PDF、Excel、图片和日历数据，并依据人员结构、课程代码、审批链、实习记录及元数据判断，这些材料与鲍曼大学内部档案相符；但该机构同时提醒，档案出现某个姓名，并不能证明该人参与了具体网络行动。

这条提醒极其重要。

情报分析最怕一种懒惰：看到“单位关联”，就自动脑补成“行动参与”；看到“异常资产”，就自动脑补成“贪腐”；看到“贪腐可能”，再自动脑补成“可以策反”。

三个“可能”叠在一起，并不会像积木一样变成“确定”。它们更像三块肥皂，踩得越多，摔得越狠。

Octostar成立于2023年，创始人兼首席执行官Giovanni Tummarello曾创办调查分析公司Siren。

公司公开定位不是面向普通消费者的生成式人工智能，而是服务国家安全、执法和金融调查的“调查与决策情报平台”。

其团队分布于爱尔兰、意大利、英国和阿联酋；2026年完成扩展种子轮后，累计融资达到610万欧元，并宣称已在欧盟执法和司法机构完成若干部署。

如果把普通搜索引擎比作图书馆索引，那么这类平台更像一个从不睡觉、记性吓人的调查组秘书。

它不满足于告诉分析员“某份文件里出现过安德烈这个名字”，而是试图回答：这个安德烈是否也是另一份房产登记里的同名者？他与哪家公司、地址、电话号码、单位和人物相连？这些关联发生在什么时间？哪些是原始事实，哪些只是算法推断？

Octostar公开技术说明显示，其核心是把结构化记录与非结构化材料映射到共同的“本体”之上。

本体可以理解为一套事先定义的世界模型：什么叫“人”，什么叫“组织”，什么叫“地址”，什么叫“任职于”，什么叫“拥有”，什么叫“联系过”。

系统再把散落于文档、数据库、截获材料、开源信息和内部记录中的实体与关系拼接成虚拟知识图谱。

这正是所谓“基于知识模式运行”同简单大规模索引之间的区别。

索引擅长找词，知识图谱擅长找关系。

索引看到的是“安德烈”出现了37次；知识图谱试图判断这37次里有几个是同一个人，并继续追问：此人名下的房子、公司股份、工作履历、亲属关系和消费行为，能否组成一幅一致的人生图景。

公司资料还声称，平台可以融合信号情报、开源情报、人力情报、金融情报与网络数据，并在本地、私有云或完全隔离互联网的环境中运行；生成式功能用于摘要、问答和报告草拟，每条输出可回溯到原始记录。 

这很重要，因为最荒诞的安全产品，是要求情报机关先把秘密上传到别人的云端，再祈祷云端“高度重视隐私”。

Octostar所强调的“主权部署”和隔离运行，恰好对准欧洲机构最敏感的两根神经：数据不能外流，工具不能被外部供应商掐脖子。

不过，公司自己也承认，实体关系抽取尤其容易出错，提取结果只是起点，关系必须由分析员对照证据复核。 

从公开资料推断，这次实验的价值不在于机器发现了一栋房子，而在于机器完成了四次跨域跳转。

第一跳，是从大学内部档案确认一个人的真实角色和组织位置。课程安排、合同、名单、考核记录与会议材料，可以帮助判断谁只是普通行政人员，谁实际接近招生、训练、评估和分配流程。“有秘密”固然重要，“靠近能制造秘密的人”往往更重要。一个知道十名未来技术人员去向的管理者，有时比只会执行一项任务的操作者更值钱。

第二跳，是身份消歧。俄语姓名存在同名、缩写、父称、转写差异和旧证件等问题，同一个人可能在不同数据库中留下多套拼写。平台通过出生信息、电话、地址、单位、亲属、车辆或历史记录等共同字段，把多个碎片归并为一个候选实体。Octostar对其执法平台的描述也强调，实体解析的目的，就是让不同系统中的人、电话、车辆、账户和地址落到同一张图上。

第三跳，是把组织价值与个人脆弱性放在一起。一个人即使债台高筑，如果接触不到任何有价值的信息，也只是生活困难；另一个人即使掌握核心秘密，如果职业满意、家庭稳定、信念坚定，也不是理想目标。筛选系统真正寻找的是交集：有接触权限，又出现动机、压力或不满信号，还存在安全接近的可能。

第四跳，是生成可核查的候选理由，而不是只给一个神秘分数。比如，系统可以把“任职位置”“资产记录”“公司关联”“消费痕迹”“收入基准”和“法规约束”分别挂到原始材料上，让分析员看到机器为什么把某人排在前面。没有证据链的评分只是电子算命；有证据链的评分，才勉强配叫情报线索。

这也是知识图谱比单纯大语言模型更适合此类任务的原因。

大语言模型擅长把话说得像那么回事，知识图谱则负责提醒它：这个人、那家公司和那套房之间究竟有没有可证明的边。

按照报道的描述，系统在鲍曼军事训练中心材料之外，继续关联俄罗斯公开登记与其他泄露数据，识别出安德烈·K.名下至少三处房产、历史企业关联以及活跃的网络购物痕迹；其中一处房产位于M7戈尔科夫斯基公路附近。

报道估算其房产组合价值约3500万卢布，并拿这一数字与上校月收入约15万至20万卢布作比较，认为二者存在明显张力。

但这一案例必须拆成三个证据层级。

第一层是可直接验证的登记事实，例如某个姓名是否对应某处不动产、某家公司股权或历史企业记录。

第二层是身份归并判断，即登记中的同名者是否确为鲍曼中心的安德烈·K.。

第三层才是行为解释，资产是否来源不明，是否违反申报义务，是否构成可利用弱点，是否意味着愿意合作。越往后，推断成分越高。

把房产估值除以工资，是短视频博主最喜欢的数学，也是情报分析最容易翻车的数学。它可能忽略配偶收入、继承、早年投资、贷款、共有产权、通胀、地区估值误差以及登记时间差。

购物平台活跃也只能说明数字痕迹丰富，不能自动证明挥霍、贪婪或财务困境。购物车里塞满钓鱼竿的人，未必是间谍，也可能只是婚姻已经进入了需要培养爱好的阶段。

俄国防系统确有针对特定职位军人的收入、财产和义务申报制度，但义务并非笼统覆盖所有军人，适用对象、豁免和报告时期需要逐项核对。

因此，不是“人工智能发现了一名可以策反的上校”，而是“人工智能生成了一名需要进一步核实的高价值候选人”。

前一句像电影预告，后一句才像情报产品。

传统人力情报常用MICE概括人员合作动机：Money，金钱；Ideology，意识形态；Compromise或Coercion，把柄或胁迫；Ego，自尊、虚荣与被重视的欲望。

现实中的人很少只按一个按钮行动，更多是几种动机叠加：缺钱的人未必卖秘密，但缺钱、受排挤、觉得上级无能、又突然遇到一个“真正懂他价值”的人，风险就会迅速升高。

人工智能的作用，是把这些原本依赖个案官经验的抽象概念，转换为可以批量搜索的代理信号。

房产与收入异常可能映射到金钱或把柄；频繁表达职业不满可能映射到怨恨；在专业圈内强烈寻求认可可能映射到自尊；职位变动、处分、晋升受阻和家庭压力则可能被视为接触窗口。

但这些都只是“代理变量”。

机器看不到忠诚，只能看到忠诚可能留下的外部痕迹；机器也看不到贪婪，只能看到消费、资产和收入之间的张力。

代理变量最大的危险，是把“相关”偷偷涂成“原因”。

豪宅可能意味着F败，也可能意味着继承；沉默可能意味着谨慎，也可能意味着毫无兴趣；抱怨领导可能意味着准备倒戈，也可能只是每个办公室星期一上午的正常气象。

美国安全与新兴技术领域研究报告提出的“数字个案官”概念，已经把人工智能能力沿人力情报周期展开：从海量公开和商业数据中识别候选人，按接触权限、动机和脆弱性排序，再为人类个案官提供画像与风险判断；但该报告同样把“有意义的人类控制”列为底线，强调招募决定、任务下达和高风险行为必须由可追责的人作出。

这说明，真正成熟的系统不应输出“此人可策反”，而应输出四类更克制的问题：此人能接触什么？哪些异常值得核查？证据来自哪里？如果判断错误，代价是什么？

情报工作不是相亲软件。右滑一下，并不会自动得到一名内线；右滑错了，却可能得到一场反间谍诱捕、一桩外交丑闻，外加一份写到凌晨三点的事故复盘报告。

大型情报机构的优势是资源、覆盖面和长期网络，缺点也同样明显：层级多、审批重、旧系统复杂，任何新工具都可能先在合规会议里老去。

相较之下，一些北欧、荷兰和波罗的海机构规模较小，面对的俄罗斯安全压力却很直接，因此更愿意把网络侦察、开源情报和人力行动揉成一套快节奏工作流。

荷兰AIVD公开介绍显示，其行动部门同时覆盖技术行动与人力情报，AIVD和军情机构MIVD还共同运行联合信号与网络单位JSCU；该机构明确承认，单靠技术无法获得全部所需信息，仍需要处于目标附近或组织内部的人源。 

这正是“网络人力情报”的逻辑基础：网络手段不是人力情报的替代品，而是为人力找人、定位、验证和降低接触成本。

从组织文化看，小国机构还存在一种“情报杠杆焦虑”。它们不可能在全球每座首都铺设庞大站点，也养不起无限数量的语言专家和个案官，于是更需要机器把有限人员投向最值得看的十个人，而不是让分析员在十万条记录里练习耐心。

人工智能在这里不是为了显得先进，而是为了弥补人少、钱少、时间少。

Octostar的市场定位也正好迎合了这种需求。该公司强调本地部署、隔离运行、可定制本体和欧洲技术主权，并被宣传为美国大型调查平台之外的欧洲替代方案；其2026年融资和与BAE Systems探索合作的动作，说明“主权调查型人工智能”已经从创业故事进入防务与执法采购视野。

这背后还有一层更现实的政治经济学：欧洲机构既想使用美国式大数据情报能力，又不愿把最敏感的数据模型、调查逻辑和行动对象长期锁在美国供应商生态里。

所谓“数字主权”，翻译成机关语言就是：软件可以买，方向盘不能一并交出去。

过去筛选潜在情报源，是高度手工化的工作。个案官依赖驻地关系、偶遇、同行引荐、长期观察和有限数据库，对一个目标慢慢建立感觉。

这种方法的优点是细腻，缺点是覆盖面极小，而且非常依赖个人经验。一个优秀个案官退休，带走的不只是通讯录，还有几十年形成的直觉。

知识图谱与人工智能把这套工作拆成可以复制的流水线：数据进入，实体归并，关系扩展，异常检测，候选排序，证据打包，人工复核。

它让目标发现从“某个高手突然觉得此人不对劲”，变成“全机构可以重复执行的标准流程”。

这会带来三个结构性变化。

首先，泄露数据的价值将被重新定价。过去一批两千份文件可能需要几十名分析员读几个月，最后得到几张组织图；现在平台可以先完成文本识别、实体抽取、跨语言归一和关系建模，再让分析员把时间花在最有价值的节点上。数据泄露不再只是“曝光材料”，而是可以持续查询、不断增补的作战数据库。

其次，情报目标将从“已知人物”转向“模式相似者”。搜索引擎必须先知道姓名，图谱分析则可以提出另一类问题：还有谁具有相同的训练经历、职位路径、异常资产结构和外部联系？机器开始寻找的不是名字，而是结构。

再次，情报合作可能从分享成品，转向共享模型和查询。传统盟友情报交换常常是一份删去来源细节的报告；未来更可能是共享一套本体、风险规则、实体解析方法或经过权限控制的联邦查询。谁掌握共同数据模型，谁就可能在联盟内部定义“什么值得怀疑”。

这也是最容易被忽视的权力。算法不只是帮分析员看世界，它还在决定分析员先看谁。

过去是处长拍桌子定优先级，未来可能是模型悄悄把某个人推到屏幕最上方。

本案把俄政府形容为“信息筛”，这个比喻并不过分。庞大的行政体系、地区登记、法院文件、采购信息、企业记录、社交媒体、购物平台、通信数据泄露和地下论坛转售材料，共同构成了一个高度碎片化却异常丰富的数据环境。

单看每一条，可能只是生活琐屑；拼在一起，就可能还原职业、资产、家庭、移动轨迹和社会关系。

鲍曼事件尤其说明，最危险的泄露未必来自一份“绝密作战计划”。课程表、考勤、体检、实习分配、会议邀请和教师合同看似行政垃圾，组合起来却能描出组织结构、培养规模、人员梯队与未来去向。

情报机关最喜欢别人觉得“这没什么用”的文件，因为这类文件往往管理松、数量大、真实性高。

技术上，泄露数据还具有“复利效应”。

今天泄露的学生名单，三年后可以和军队采购、房产迁移、社交账号变化、出境记录或网络行动痕迹继续碰撞。档案不会因为新闻热度过去而失效，它会在知识图谱里等待下一条边。

现代反情报保护的对象，已经从“秘密文件”扩大到“可组合的普通数据”。

一份工资单不致命，一条房产记录不致命，一张毕业合影也不致命；但三者加上手机号码、购物账号和单位名单，可能就足够让机器写出一个人的半生。

这叫“马赛克效应”：每块瓷片都不敏感，拼完之后，墙上却出现了一张清晰的人脸。

这类系统面临的第一类风险是身份误配。同名同姓、地址复用、旧号码转让、亲属共用账户、企业历史数据过期，都可能把两个人错误合并。尤其在转写复杂的俄语数据中，一个字母差异就可能制造出一名根本不存在的“超级目标”。

第二类风险是数据投毒。情报对手一旦知道筛选逻辑，就可能主动制造异常：虚构企业关系、伪造奢侈消费、植入政治抱怨，甚至故意把某个忠诚人员包装成容易策反的对象，诱使外国机构接触。人工智能越依赖数字足迹，数字足迹就越会成为反间谍战场。

第三类风险是选择偏差。泄露数据覆盖谁，机器就更容易“看见”谁；没有进入数据库的人，可能反而被系统低估。于是最会保护数据的人看起来最干净，最不谨慎的人看起来最危险。机器并非发现了全部现实，它只是把有记录的现实放大。

第四类风险是自动化偏见。分析员面对一个由复杂模型给出的高分目标，很容易产生“机器一定发现了我没看懂的东西”这种敬畏。分数越精确，迷信越强。87.3分看起来比“值得注意”科学得多，哪怕小数点后那一位只是服务器心情不错。

第五类风险是把脆弱性误判为可控性。财务压力、婚姻问题、职业挫折或奢侈偏好，可能让一个人愿意接触，也可能让他更不稳定、更容易向本国反间谍部门报告，或者在合作后不断加价。被胁迫的人往往不是理想情报源；公开讨论人力的资料也反复指出，自愿合作通常比纯粹威逼更稳定。

因此，机器最适合做“候选生成器”，不适合做“策反裁判”。它可以告诉个案官门在哪里，却不能保证门后面不是捕兽夹。

一旦开始使用人工智能批量筛选目标，其他的反情报部门也会迅速学习同样的方法。

最直接的做法，是减少可关联数据：统一清理人员公开档案，限制敏感单位教育和实习记录外泄，切断真实身份与消费平台、企业登记及房产记录之间的数字连接。

更积极的做法，是制造噪声。

对手可能放出经过设计的泄露包，在其中掺入若干“高分候选人”：他们职位合适、生活奢侈、履历受挫、社交媒体偶有抱怨，简直像算法菜单上精心摆盘的招牌菜。

外国机构若贸然接触，等来的可能不是内线，而是一整支反间谍摄影组。

还可能出现“数据稻草人”。

真实关键人员保持低曝光，外围人员则被赋予夸大的组织位置和虚假联系，让知识图谱把资源耗在错误节点上。这与战场上的假坦克、假雷达没有本质区别，只不过充气模型换成了数据库记录。

对抗也会进入模型层。

反情报机构可以研究竞争对手常用的风险特征，反向塑造数字行为；还可以用生成式人工智能大规模制造相互支持的虚假材料，让错误线索跨多个来源“交叉验证”。

当三份假文件引用同一个假源头时，数量不是独立性。机器若只会数票，不会查祖宗，就会被假共识牵着鼻子走。

因此，未来高水平情报分析必须追踪“来源谱系”：这条房产信息来自官方登记、数据经纪商还是二手泄露？三家网站是否其实复制同一份数据库？文件创建时间、上传时间和事件时间是否一致？

所谓多源验证，如果只是同一条错误被转载三遍，不过是谣言穿了三件不同颜色的外套。

这场实验首先改变的，是情报人员的职业分工。

未来优秀的人力情报团队不只需要懂心理、文化和接触技巧的个案官，还需要数据工程师、本体设计师、来源验证员、模型红队和法律顾问。

一个人负责理解人心，另一个人负责确认数据库里那三套房到底是不是同一个人的。

其次是开源情报与秘密行动之间的边界会继续模糊。

公开房产、企业登记和社交媒体本来属于开源；与泄露档案、商业数据和内部记录融合后，它们会直接服务于秘密接触和人源发展。公开信息不再只是写报告的材料，而成为行动前端的导航。

再有就是私营公司的地位会显著上升。平台供应商不一定知道某次具体行动，却可能通过设计本体、评分逻辑和默认工作流，间接塑造客户如何识别目标。过去军火商卖的是枪，枪口朝哪由军队决定；现在算法供应商卖的是“看谁像目标”的方式，影响更隐蔽，也更深。

这会催生新的依赖风险。若一家机构把十年调查记录、关系模型和分析习惯都沉淀在单一平台中，更换供应商就不再是换软件，而像更换半个大脑。

最后，人工智能会让“找人”变便宜，却让“信人”更昂贵。

候选人可以批量生成，真正可靠的人源仍需长期验证；画像可以一分钟写完，信任不能；机器可以总结十万条行为，却无法在一次面对面谈话中准确判断对方眼神里的迟疑究竟是恐惧、欺骗，还是咖啡喝多了。

技术越强，真正的人类判断反而越稀缺。

鲍曼数据实验揭示的，不是一台机器突然学会了策反，而是情报机关第一次有机会把“发现潜在人源”从手工艺变成规模化生产。

它能吞下泄露档案、公开登记、企业记录和网络足迹，用知识图谱寻找身份、资产、组织与行为之间不协调的地方，再把少数候选人推到人类分析员面前。

这套能力对资源有限、行动风格灵活的欧洲机构尤其诱人。它们不需要让机器取代个案官，只需要机器替个案官从海滩上筛掉大部分沙子，留下几粒看起来像金子的东西。至于那究竟是黄金、黄铜还是一枚埋好的雷，仍要靠人判断。

安德烈·K.案例最值得记住的，也不是“三套房”“上校工资”或者某个购物账户，而是一条新的情报生产链已经出现：泄露制造原料，知识图谱组织原料，人工智能提出怀疑，人类把怀疑变成行动。

这条链条很强，也很危险。强在它能让一堆无人愿读的行政文件开口说话；危险在它说话太流利时，人们可能忘记追问证据。

今后的间谍战不会只有谁偷到更多数据，还要看谁能更快把数据变成关系，谁能更准地从关系里找到人，谁又能在机器兴奋地指着一个目标时，保持足够冷静地说一句：先别急，再核一遍。

毕竟，真正专业的情报机构从来不怕机器不够聪明，最怕的是人类因为机器看起来聪明，就决定自己不用再聪明了。

【热点研判】德国前情报局长相关事件引发西方情报机构审查，警惕联盟内部安全审查趋严增加我对欧正常交流的信息接触与合作障碍（资料编码2610121220，16页，5662字）

【热点研判】乌兰巴托举办世界女议员大会拓展多边外交平台，需关注域外涉我议题借机进入议程、增加我对蒙外交协调压力的风险（资料编码2610121219，15页，4634字）

【热点研判】英国情报首脑向内阁警示人工智能国家安全威胁，警惕英方扩大技术安全审查压缩我人工智能企业合作及市场准入空间（资料编码2610121218，14页，5022字）

【热点研判】前CIA分析师称美英情报联盟承压并借小说描绘合作崩塌场景，需关注“五眼”协作调整对我涉外情报风险研判的干扰（资料编码2610121217，13页，4625字）

【热点研判】朝鲜自平壤附近发射多枚弹道导弹，东北亚反导部署加码及军事误判冲击我周边安全（资料编码2610121216，13页，5029字）

【热点研判】高市早苗推动POWERR Asia框架并拟联动台及东南亚共享稀土信息、共同备油，警惕区域资源协作削弱对我关键矿产依赖并挤压我产业链影响力（资料编码2610121215，13页，4883字）

【热点研判】特朗普考虑因沙特机场遇袭对胡塞实施进攻性打击，需防范红海冲突再起推高我能源运输成本及供应链扰动风险（资料编码2610121214，13页，4661字）

跳转微信打开