摘自“影子戰爭。 《網絡威懾，惡意軟件和機器學習》，作者：Fabio Vanorio，Machiavelli版本
技術上佔統治地位的國家通過“數字強制”政策來利用其網絡戰能力來進行威懾。
在任何競賽中（軍事，經濟甚至選舉中）都採用黑客手段標誌著最近的十年，並且這種趨勢在21世紀將會增加。與歸因和相稱性相關的問題在進行秘密網絡行動（例如，加強在現實世界中發起的政治戰略）時，對於技術上占主導地位的國家就變得很重要。
從多邊論壇上表達的異議或為追求可歸因於其的附帶損害而製定的規則而言，問題與其行動的內部和國際成本有關。
人工智能的增強減少了附帶損害，提高了網絡戰的準確性和匿名性，使歸因更加複雜，因此，技術上較弱的國家進行報復的理由以及國際社會最終對強國的譴責。從這個意義上說，這個空間為由國家私下或多或少資助的非國家行為者（“代理人”）打開了空間，以維持合理的否認並同時保持競爭狀態。
在5G / 6G無線網絡環境中通過機器學習對大數據進行的分析能夠進一步提高預測威脅的能力，並減少人為因素引起的事故（尤其是“虛假標誌”引起的事故和故障）。但是，這些進展可能同時放大升級的風險。與使用高級持久威脅（APT）工具相比，機器學習被用作網絡攻擊的力量倍增器（例如，通過在社交媒體上使用“ deepfakes”或對無人機群進行“數字干擾”），其檢測難度要大得多。 。即使發生網絡攻擊，機器學習也可能使檢測變得不可能[1]。
機器學習系統可以加劇對信息環境的操縱，例如通過偽造電子郵件，語音郵件消息或視頻來做出決策，從而冒充與用戶習慣性互動的用戶（人工智能可以復制音調，語言和用戶的風格，以至於無法再做出區分-虛假）。在社交領域，這可能是其通過網絡引發大規模騷亂的能力的關鍵因素。同時，通過展示激化的網絡戰的有利方面，可以推翻推理。在美國國會佔領之際對國會山周圍社交Parler的出入口[2]的地理參考分析，以及對美國軍事基地[3]的位置進行的類似分析表明，通過使用“深度調查”可以通過散佈虛假消息帶出間諜渠道來收集情報。
還可使用遠程訪問木馬（RAT）來使用機器學習來修改用於學習系統正在使用的智能係統的訓練數據。中期策略可能涉及對訓練中使用的數據進行長時間的無聲修改，以便即使在安裝了機器學習防禦措施之後也能夠進行攻擊。同樣，對於敵對的機器學習系統，可以通過學習公司或政府網絡中最常用的通信方法，端口和協議來滲透系統。
人工智能在不斷發展，並且正在學習我們如何捍衛自己。對於每個響應，後續的攻擊都將增加其數量和復雜程度。
除非我們的人工智能優於對手的人工智能，並且除非在國家和超國家的網絡防禦領域內創造了最大的抗脆弱性，否則後者將始終通過將戰略基礎設施，基本服務（能源，交通，醫院）和整個社會。
+
[1]在惡意軟件保護中，如果將人工智能與雲計算系統（在使用的IP地址的分析中）和5G通信技術相結合，人工智能可以提供出色的結果（Guideng 2019）。
[2] Dell Cameron和Dhruv Mehrotra，Parler用戶突破了美國國會大廈的內部，GPS數據顯示，2021年1月12日，gizmodo.com / parler-users-breached-deep-inside-us-capitol-building-1846042905？rev = 1610480731991。
[3] Dell Cameron和Dhruv Mehrotra，2021年1月15日在美國軍事基地警察局向用戶洩漏的Parler數據點，gizmodo.com / leaked-parler-data-points-to-users-at-police-stations- 1846059897。
這是在 Sun, 25 Apr 2021 06:12:48 +0000 在 https://www.startmag.it/innovazione/cyber-warfare-la-nuova-frontiera-di-conflitto-fra-stati/ 的報紙 “Scenari Economici” 上發表的文章的翻譯。