本报告概述了在国防领域内安全采用大语言模型（LLM）的战略蓝图，旨在解决需要尖端人工智能、禁止敏感数据暴露以及构建自主基础模型成本过高这三重困境。报告否定了单一的“一刀切”方案，认为其存在战略缺陷，转而提出一种“分层混合人工智能架构”，使部署模式与现有军事数据分类层级相匹配。该框架基于三种并行的解决方案构建。首先，“安全飞地”利用如Azure OpenAI for Government等政府级云平台，通过在私有隔离网络中使用强大的专有模型，并辅以合同保证数据永不暴露或用于训练，从而适用于机密和秘密级信息。其次，对于要求绝对主权控制的绝密级数据，“私有堡垒”模式涉及在完全物理隔离的本地环境中部署高性能、预训练的开源模型（例如Llama 3）。这提供了最高级别的安全性，同时远比从头开始构建模型更为可行。最后，“智能气密舱”作为一个应用层代理，负责对输入提示和输出响应进行过滤、编辑和净化，以防止数据泄露和恶意输入。它既是处理低风险数据的主要控制手段，也是为另外两个层级提供纵深防御的关键组件。通过整合这些解决方案，此分层策略为国防机构提供了一条实用、安全且经济可行的路线图，使其能够在利用大语言模型变革性力量的同时，坚守数据保密这一不容妥协的使命。

该架构建立在三种独特且并行的解决方案模型之上：1）“安全飞地”：此模型利用政府级云平台，例如Azure OpenAI for Government或AWS GovCloud。它允许通过完全私有、隔离的网络使用尖端模型（包括OpenAI的模型），并通过合同和架构保证，确保数据永远不会暴露于公共互联网、与其他客户共享或用于模型训练。2）“私有堡垒”：此模型在完全物理隔离的本地环境中，部署高性能、预训练的开源模型（例如Llama 3）。这为最敏感的“绝密”数据提供了绝对的数据主权控制，并且其成本与可行性远优于尝试从头构建基础模型。3）“智能气密舱”：这是一个位于组织网络内部的应用层代理，用于过滤、净化和编辑提示与响应中的敏感信息。它既是处理低风险任务的主要安全控制措施，也是为另外两种模型提供纵深防御的组成部分。