Direct Causation in International Humanitarian Law and the Challenge of AI-Mediated Civilian Cyber Operations

तकनीकी सारांश: अंतर्राष्ट्रीय मानवीय कानून में प्रत्यक्ष कारणता और AI-मध्यस्थ नागरिक साइबर ऑपरेशनों की चुनौती

समस्या विवरण
अंतर्राष्ट्रीय मानवीय कानून (IHL) नागरिकों को प्रत्यक्ष हमले से बचाता है जब तक कि वे "होस्टिलिटीज़ में प्रत्यक्ष भाग" (DPH) नहीं लेते। ICRC का 2009 का इन्टरप्रिटिव गाइडेंस इसे एक तीन-मानदंड संचयी परीक्षण के माध्यम से संचालित करता है: नुकसान की दहलीज (threshold of harm), प्रत्यक्ष कारणता (direct causation), और बेलिजरेंट नेक्सस (belligerent nexus)। यह शोध पत्र AI-मध्यस्थ नागरिक साइबर ऑपरेशनों पर लागू होने पर प्रत्यक्ष कारणता मानदंड में एक संरचनात्मक विफलता की पहचान करता है। विशेष रूप से, नागरिकों द्वारा स्वायत्त बहु-एजेंट साइबर प्रणालियों की तैनाती एक 'कॉज़ल गैप' (causal gap) पैदा करती है जिसे मौजूदा सैद्धांतिक उपकरण पाट नहीं सकते।

मुख्य मुद्दा यह है कि इन्टरप्रिटिव गाइडेंस उन पहचान योग्य मानव अभिनेताओं की पूर्वधारणा रखता है जो प्रारंभिक नागरिक कृत्य के बाद 'डाउनस्ट्रीम' में होते हैं जिनके आचरण को वर्गीकृत किया जा सके। पारंपरिक मामलों में (जैसे, बारूदी सुरंगें, ड्रोन हमले), मानव या तो नुकसान को निष्पादित करता है या उस परिचालन निर्णय को एक प्रणाली में एनकोड करता है जो बाद में उसे निष्पादित करती है। हालांकि, उन्नत AI परिदृश्यों में, एक नागरिक एक उच्च-स्तरीय लक्ष्य के साथ एक प्रणाली को कॉन्फ़िगर कर सकता है और फिर हट सकता है, जिससे प्रणाली को स्वायत्त रूप से विशिष्ट परिचालन निर्णय (लक्ष्य चयन, एक्सप्लॉइट जनरेशन, निष्पादन समय) उत्पन्न करने की अनुमति मिलती है जो नुकसान का कारण बनते हैं। क्योंकि मानव अब निर्णय-जनरेटिंग सिस्टम के भीतर "एंडोजेनस" (endogenous) नहीं है, और क्योंकि कोई डाउनस्ट्रीम मानव योगदानकर्ता नहीं है जो एक "संयुक्त" ऑपरेशन बना सके, ढांचा इस आचरण को अप्रत्यक्ष भागीदारी (क्षमता निर्माण) के रूप में वर्गीकृत करने की ओर झुक जाता है। यह वर्गीकरण इसके उद्देश्य के साथ मौलिक रूप से विरोधाभासी है, क्योंकि यह उन नागरिकों को पकड़ने में विफल रहता है जो व्यक्तिगत रूप से सैन्य लक्ष्यों के विरुद्ध स्वायत्त प्रणालियों को तैनात करते हैं, और उन्हें वैज्ञानिक अनुसंधान या हथियार उत्पादन जैसे कार्यों के साथ समूहबद्ध कर देता है।

कार्यप्रणाली (Methodology)
यह शोध पत्र इन्टरप्रिटिव गाइडेंस के एक सैद्धांतिक विश्लेषण को उभरती हुई आक्रामक AI क्षमताओं के अनुभवजन्य मूल्यांकन के साथ जोड़ता है।

1. सैद्धांतिक ढांचा: लेखक "एक कारण चरण" (one causal step) मानक और "एकीकृत भाग" (integral-part) की आवश्यकता का विश्लेषण करते हैं। वे यह निर्धारित करने के लिए एक एंडोजेनस/एक्सोजेनस (endogenous/exogenous) विश्लेषणात्मक लेंस पेश करते हैं कि क्या नागरिक परिचालन नुकसान उत्पन्न करने वाली प्रणाली के भीतर या बाहर है।
2. परिदृश्य निर्माण: AI-मध्यस्थ साइबर आचरण के तीन परिदृश्य बनाए गए हैं, जो मानव-इन-द-लूप से लेकर पूर्णतः स्वायत्त तैनाती तक विस्तृत हैं:
   • परिदृश्य 1: एक स्वयंसेवक एक स्क्रिप्ट ड्राफ्ट करने के लिए LLM का उपयोग करता है और उसे मैन्युअल रूप से निष्पादित करता है (Human-in-the-loop)।
   • परिदृश्य 2: एक हैक्टिविस्ट एक एजेंटिक फ्रेमवर्क चलाता है जहाँ AI कदम प्रस्तावित करता है, लेकिन मानव निष्पादन से पहले प्रत्येक क्रिया को मंजूरी देता है (Generative assistance के साथ Human-in-the-loop)।
   • परिदृश्य 3: एक हैक्टिविस्ट एक पदानुक्रमित बहु-एजेंट सिस्टम (जैसे, HPTSA) को एक व्यापक लक्ष्य के साथ कॉन्फ़िगर करता है और उसे लॉन्च करता है, जिससे सिस्टम को बिना किसी मानवीय इनपुट के स्वायत्त रूप से योजना बनाने, टोह लेने और हमलों को निष्पादित करने की अनुमति मिलती है।
3. अनुभवजन्य संदर्भ: विश्लेषण रूस-यूक्रेन संघर्ष (जैसे, यूक्रेन की IT आर्मी) में नागरिक साइबर भागीदारी और हालिया आक्रामक AI अनुसंधान (जैसे, Fang et al. द्वारा GPT-4 एजेंट द्वारा 87% CVEs का शोषण, और Anthropic का Project Glasswing) पर आधारित है, यह स्थापित करने के लिए कि परिदृश्य 3 के लिए तकनीकी आधार काल्पनिक नहीं बल्कि परिचालन योग्य हैं।

प्रमुख योगदान
यह शोध पत्र तीन प्राथमिक योगदान देता है:

1. संरचनात्मक विफलता की सैद्धांतिक पहचान: यह प्रदर्शित करता है कि स्वायत्त बहु-एजेंट तैनाती के लिए DPH ढांचा संरचनात्मक रूप से विफल हो जाता है। "एक कारण चरण" का मानक विफल हो जाता है क्योंकि नुकसान मानव के हटने के बाद सिस्टम-जनरेटेड निर्णयों द्वारा उत्पन्न होता है। "एकीकृत भाग" की आवश्यकता भी विफल हो जाती है क्योंकि इसमें डाउनस्ट्रीम मानव योगदानकर्ताओं की कमी है, जो पूर्णतः स्वायत्त ऑपरेशनों में अनुपस्थित होते हैं।
2. लक्ष्य-विशिष्टीकरण सूक्ष्मता (Goal-Specification Granularity) का परिचय: शोध पत्र लक्ष्य-विशिष्टीकरण सूक्ष्मता को एक मापने योग्य गुण के रूप में पहचानता है जो "एकीकृत-भाग" परीक्षण की सुस्पष्टता को निर्धारित करता है। यह निर्माण यह मात्रा निर्धारित करता है कि मानव द्वारा कॉन्फ़िगरेशन के समय कितना परिचालन निर्णय तय किया गया है बनाम सिस्टम द्वारा बाद में कितना उत्पन्न किया गया है।
   • लेखक एक पांच-स्तरीय स्पेक्ट्रम प्रस्तावित करते हैं:
     • स्तर 1 (पूर्णतः निर्दिष्ट): मानव लक्ष्य, विधि और निष्पादन चरणों का नाम देता है।
     • स्तर 2 (विधि-निर्दिष्ट): मानव लक्ष्य और विधि वर्ग का नाम देता है; सिस्टम तकनीक चुनता है।
     • स्तर 3 (लक्ष्य-निर्दिष्ट): मानव लक्ष्य का नाम देता है; सिस्टम विधि चुनता है।
     • स्तर 4 (दायरा-निर्दिष्ट): मानव लक्ष्य वर्ग का नाम देता है; सिस्टम विशिष्ट लक्ष्यों और विधियों का चयन करता है।
     • स्तर 5 (लक्ष्य-निर्दिष्ट): मानव केवल उद्देश्य बताता है; सिस्टम लक्ष्यों, विधियों और निष्पादन का चयन करता है।
   • शोध पत्र तर्क देता है कि सैद्धांतिक विफलता विशेष रूप से स्तर 5 पर होती है, जहाँ मानव परिचालन निर्णयों की प्रणाली के लिए बाह्य (exogenous) होता है।
3. तकनीकी AI गवर्नेंस (TAIG) का मूल्यांकन: शोध पत्र मौजूदा तकनीकी AI गवर्नेंस उपकरणों (जैसे, क्षमता बेंचमार्क जैसे Cybench, एजेंटिक फ्रेमवर्क जैसे AgentBench, और आउटपुट प्रोवेनेंस टूल्स) का मूल्यांकन करता है। यह निष्कर्ष निकालता है कि इनमें से कोई भी उपकरण लक्ष्य-विशिष्टीकरण सूक्ष्मता को लॉग या रिपोर्ट नहीं करता है। जबकि वे मॉडल प्रदर्शन या एक्सेस को मापते हैं, उनमें नागरिक आचरण के डाउनस्ट्रीम कानूनी वर्गीकरण के लिए आवश्यक विशिष्ट मीट्रिक का अभाव है।

परिणाम

• परिदृश्य 1 और 2: ये मौजूदा DPH तर्क के भीतर फिट बैठते हैं। परिदृश्य 1 में, मानव कृत्य को निष्पादित करता है। परिदृश्य 2 में, मानव प्रत्येक परिचालन निर्णय को मंजूरी देता है, जिससे उसकी एंडोजेनस स्थिति बनी रहती है।
• परिदृश्य 3: यह ढांचे को तोड़ देता है। मानव का कृत्य (कॉन्फ़िगरेशन) और नुकसान के बीच कई स्वायत्त सिस्टम निर्णयों का क्रम होता है।
  • "एक कारण चरण" का मानक पूरा नहीं होता क्योंकि नुकसान कई चरणों दूर है।
  • "एकीकृत-भाग" की आवश्यकता पूरी नहीं होती क्योंकि कृत्य के समय कोई "ठोस और समन्वित सामरिक ऑपरेशन" मानव द्वारा परिभाषित नहीं किया गया है; ऑपरेशन सिस्टम द्वारा उत्पन्न किया गया है।
  • फलस्वरूप, ढांचा क्षमता-निर्माण अपवर्जन (capacity-building exclusion) की ओर चला जाता है, जो इस तैनाती को अप्रत्यक्ष भागीदारी के रूप में गलत वर्गीकृत करता है।
• सामयिक परिणाम (Temporal Consequence): प्रत्यक्ष कारणता की विफलता के कारण "उस समय तक जब तक" (for such time as) की सामयिक सीमा टूट जाती है, क्योंकि जुड़ाव की शुरुआत और अंत को चिह्नित करने के लिए कोई पहचान योग्य सहभागी कृत्य मौजूद नहीं है।
• गवर्नेंस गैप: वर्तमान TAIG उपकरण कॉन्फ़िगरेशन कृत्यों की सूक्ष्मता को कैप्चर नहीं करते हैं। यह लॉग करने के बिना कि तैनाती स्तर 1 थी या स्तर 5, क्षमता-निर्माण (जैसे, अनुसंधान) और प्रत्यक्ष भागीदारी (जैसे, स्वायत्त हमला तैनाती) के बीच अंतर करने का कोई साक्ष्य आधार नहीं है।

महत्व
शोध पत्र तर्क देता है कि AI-मध्यस्थ साइबर ऑपरेशनों और DPH ढांचे के बीच मिसअलाइनमेंट केवल व्याख्यात्मक नहीं, बल्कि संरचनात्मक है। जैसे-जैसे स्वायत्त प्रणालियाँ बढ़ती हैं, उस अंतर के बढ़ने की संभावना है जिसे ढांचा (अप्रत्यक्ष भागीदारी) वर्गीकृत करता है और जिसे वह (प्रत्यक्ष भागीदारी) वर्गीकृत करने के लिए बनाया गया था।

इसका महत्व इस बात को स्थानीयकृत करने में है कि सिद्धांत को कहाँ अपडेट करने की आवश्यकता है: एकीकृत-भाग परीक्षण का सुस्पष्टता घटक (concreteness component) उस माप के बिना कार्य नहीं कर सकता कि कॉन्फ़िगरेशन के समय मानव ने कितना परिचालन विषय निर्धारित किया था। शोध पत्र प्रस्तावित करता है कि लक्ष्य-विशिष्टीकरण सूक्ष्मता वह आवश्यक मीट्रिक है जो क्षमता निर्माण करने वाले नागरिकों और युद्ध में प्रत्यक्ष भाग लेने वाले नागरिकों के बीच के अंतर को बहाल कर सकती है। जबकि शोध पत्र नोट करता है कि सहकारी प्लेटफार्मों का इंस्ट्रूमेंटेशन एक संभावित पहला कदम है, यह महत्वपूर्ण सीमाओं को भी स्वीकार करता है, जिसमें यह तथ्य शामिल है कि प्रतिकूल अभिनेता (हैक्टिविस्ट) अक्सर प्लेटफॉर्म मध्यस्थों के बिना स्थानीय हार्डवेयर पर काम करते हैं, जिससे वर्तमान सहकारी शासन उपाय सबसे महत्वपूर्ण मामलों के लिए अपर्याप्त हो जाते हैं। यह कार्य एक व्यापक शासन प्रस्ताव के बजाय एक विशिष्ट सैद्धांतिक विफलता मोड के निदान के रूप में कार्य करता है।