唐新華

內容提要 人工智能迅速發(fā)展將深刻改變人類社會和世界，推動人類對世界的認識、感知并實現(xiàn)決策中的能力躍升。將人工智能應用在國際風險評估研究中，可提高風險感知能力和精度，有效規(guī)避風險。借助人工智能技術，決策管理的影響評估變得可行、精準，風險將得到有效管控，并有助于推動決策管理模式發(fā)生革命性變革。

關鍵詞 人工智能；大數(shù)據(jù)；國際風險評估；決策管理

DOI： 10.19422/j.cnki.ddsj.2018.10.006

人工智能的發(fā)展趨勢及影響

近年來，數(shù)據(jù)、算法、計算能力的逐一突破使得人工智能迎來了第三次浪潮（21 世紀初至今），以阿爾法圍棋（AlphaGo）為代表的新一代人工智能技術（機器學習為主）推動社會向智能化加速邁進。

按照對人工智能智能化水平的通行劃分標準，人工智能發(fā)展分為弱人工智能、強人工智能和超人工智能三個階段。[1]目前，人工智能仍處于發(fā)展的早期，屬于弱人工智能階段，只能按照人給定的邏輯框架或規(guī)則，通過學習已標記的數(shù)據(jù)集訓練神經(jīng)網(wǎng)絡參數(shù)，最后才能在實際中應用。因此，在現(xiàn)階段過度夸大人工智能的能力是不現(xiàn)實的。但即使當前的弱人工智能，也已在經(jīng)濟、社會、軍事、政治等領域產生全方位影響。尤其在社會科學研究中，人工智能的應用將提升定量研究的水平和精度，增加定量判斷的依據(jù)，提高對非線性社會問題復雜演化研究的能力。本文主要基于當前階段弱人工智能，提出在國際風險評估和決策管理中應用的理論框架。

人工智能在國際風險評估中的

應用

一、對風險的重新認識

在政治、戰(zhàn)略、社會等各個領域，當今世界的不確定性因素比以往任何時候都更加突出，尤其是在國際問題中，不斷涌現(xiàn)的“黑天鵝”事件給國際社會穩(wěn)定帶來巨大的挑戰(zhàn)。某一特定“風險”發(fā)生的可能性不會因認識主體對其感知的大小而發(fā)生變化。風險發(fā)生的可能性描述的是事物發(fā)展的客觀規(guī)律屬性，是事物系統(tǒng)效應演化的走勢。在現(xiàn)實的應用中，為便于比較分析，通常將風險發(fā)生可能性與影響結果相乘，來衡量風險對特定認識主體的威脅。衡量風險大小按照風險等級標準對照，以確定風險等級。

由于風險是對事物發(fā)展趨勢的一種度量，而事物始終處在不斷變化和演化之中，如流水一般具有動態(tài)演化特性。風險因子隨著事態(tài)的發(fā)展而不斷發(fā)生適應性演變。例如，一國面對某種國際風險會做出符合自身利益最大化的決策，可能是外交、軍事、經(jīng)濟等領域，這又將反饋影響到國際環(huán)境的變化，特別是大國的政策變動，從而觸發(fā)其他國家新增風險因子。而受到新的風險威脅的國家也會做出同步或異步的風險管理決策，反過來又影響國際環(huán)境這個復雜系統(tǒng)的變化，再為其他國家?guī)硇碌娘L險因子。如此復雜互動不斷循環(huán)。正是在這樣復雜的風險管理策略的反饋互動中，國際社會以及國際環(huán)境在不斷向前發(fā)展，從更長時間維度可以觀察到國際格局、國際秩序的調整與演化。因此，概括地講，一個完整周期內的風險演化由“風險識別”“策略組合”“戰(zhàn)略互動”和“風險演進”四個環(huán)節(jié)構成。隨著人們對風險評估應用需求不斷提高，不僅需要知道整體風險態(tài)勢，還需要了解風險態(tài)勢隨時間和空間變化的動態(tài)演化。這就要求未來對國際風險的評估兼具實時性和整體性，國際問題領域紛繁復雜的局勢瞬息萬變，更需要用創(chuàng)新的風險評估方法研究形勢的快速演化。

二、風險評估的方法

傳統(tǒng)的國際風險評估方法主要依賴相關領域的資深專家，借助其對某一領域多年經(jīng)驗積累以及對動態(tài)及時跟蹤才能準確地進行評估。這種評估模式常因專家資源的有限而受到制約，且動態(tài)性評估效果較弱。另外，風險的演化是系統(tǒng)性、非線性的，單一領域專家很難在整體的維度觀察、評估風險的涌現(xiàn)、混沌等系統(tǒng)效應。隨著運籌學的發(fā)展，20世紀70年代美國運籌學家沙丹（T.L.Saaty）提出了層次分析法（analytic hierarchy process， AHP）[2]，通過定性與定量相結合進行多目標決策分析。在風險評估中利用AHP法，可以將多位專家的評估進行綜合，得出相對平均的判斷。但該方法仍然缺乏動態(tài)性，且一些“風險奇點”易被忽略。隨著統(tǒng)計學的廣泛應用，學者們根據(jù)變量關系建立統(tǒng)計模型，以預測應變量的未來變化[3]，有學者應用probit模型對1816年至1992年的同盟進行統(tǒng)計回歸分析[4]；美國政府1994年資助美國高校學者成立了“高烈度政治動蕩”工作組（Political Instability Task Force[5]），建立了關于全球政治穩(wěn)定性的評價和預警系統(tǒng)，主要采用統(tǒng)計學回歸分析計算高烈度政治動蕩發(fā)生的概率。對于變量過于復雜的情況，時間序列分析法避開自變量與應變量之間的因果關系，直接從時間序列的歷史中推測未來。隨著計算機仿真技術的進步，利用仿真建模方法開展國際事務領域危機預警與決策的工作開始出現(xiàn)。由洛克希德·馬丁高級技術實驗室開展的“綜合危機預警系統(tǒng)（ICEWS）”項目[6]，大量采用了行為體建模方法；美國海軍分析中心基于多個智能體（Agent）建立作戰(zhàn)仿真系統(tǒng)EINSTein[7]；國內有學者采用智能體建模方法開展了國際政治生態(tài)演化模型的大量實踐[8]，唐世平教授通過建立ABM（Agent-Based-Model）模型成功預測了2016年中國臺灣地區(qū)領導人選舉。隨著計算科學的快速發(fā)展，大數(shù)據(jù)、人工智能等新的技術為風險評估帶來了新的途徑。圖靈獎得主吉姆-格雷（J.Greg）認為，大數(shù)據(jù)時代將形成數(shù)據(jù)密集型科學研究的“第四范式”（the Fourth Paradigm）[9]，即大數(shù)據(jù)時代科學研究將不再需要模型和假設，而是利用超級計算能力直接分析海量數(shù)據(jù)，發(fā)現(xiàn)相關關系即可獲得新知識。從當前國際國內相關研究可以看到，在大數(shù)據(jù)和人工智能技術的推動下，計算社會科學正在以前所未有的深度和廣度采集和利用數(shù)據(jù)為社會科學研究服務。

三、應用人工智能進行風險評估的基本路徑

利用人工智能進行國際風險評估主要有兩條路徑：一是復雜系統(tǒng)建模仿真；二是大數(shù)據(jù)風險因子關聯(lián)性識別。兩種方法都需要建立在大數(shù)據(jù)資源基礎之上，并且都需要引入人工智能的機器學習機制，區(qū)別是前者的核心是場景建模，后者的核心在于發(fā)現(xiàn)關聯(lián)。

（一） 復雜系統(tǒng)建模仿真法

在復雜系統(tǒng)建模仿真法中，經(jīng)驗豐富的專家首先將現(xiàn)實國際問題抽象為概念模型，再將概念模型轉換為數(shù)學模型，然后將數(shù)學模型轉換為計算機模型，再由計算機模型帶入大量數(shù)據(jù)進行模擬演算，通過機器學習機制不斷與歷史數(shù)據(jù)進行比對，率定[10]模型參數(shù)，最終訓練出可用于計算（預測）風險的模型。

在復雜系統(tǒng)建模中，人工智能的作用主要是根據(jù)歷史數(shù)據(jù)訓練原始模型，在微觀層面，系統(tǒng)中各個行為體的策略根據(jù)訓練數(shù)據(jù)進行率定和優(yōu)化。利用人工智能學習機制，根據(jù)歷史數(shù)據(jù)率定系統(tǒng)參數(shù)，直到預測準確度達到應用要求，再用訓練好的模型帶入新數(shù)據(jù)進入仿真模擬實驗。

復雜系統(tǒng)建模過程中至關重要且充滿挑戰(zhàn)性的工作是專家需將現(xiàn)實世界的戰(zhàn)略、政策、態(tài)勢轉換為科學的理論模型，這是保證計算結果準確或可解釋的關鍵。復雜系統(tǒng)建模仿真的方法易于發(fā)現(xiàn)風險的傳導過程和演化機理，在具體實踐應用中容易從全流程檢視風險異常因子。但其缺點在于建模難度大，復雜繁瑣，且對某一問題模擬的準確度很大程度取決于專家抽象出來的概念模型，因此或多或少帶有一定的主觀性，容易忽略一些因素（往往是敏感因子）。

（二）大數(shù)據(jù)風險因子關聯(lián)性識別法

這種方法首先需確定問題目標，確定因變量數(shù)據(jù)集和自變量數(shù)據(jù)集，然后將數(shù)據(jù)切分為訓練集和測驗集。之后根據(jù)不同的問題選擇相應的機器學習算法，如神經(jīng)網(wǎng)絡、支持向量機、隨機森林和深度學習等算法。通過使用大量的訓練數(shù)據(jù)訓練模型，經(jīng)過檢驗后模型可投入預測計算。在此過程中至關重要的是有大量且準確的數(shù)據(jù)作為模型學習的樣本。這種方法由于避免了復雜的建模過程，可適用于多種問題求解，容易識別和發(fā)現(xiàn)一些新的風險異常點（監(jiān)測異常）。但該方法最終的結果是否能符合實踐應用仍需要專家“把關”，因為對特定問題選擇的變量眾多，容易混入大量的“噪聲”而干擾“信號”的正確識別；并且該方法往往無法追溯結果的原因，因為機器學習模型是“黑箱子”，無法檢視其中機理。

在大數(shù)據(jù)風險因子關聯(lián)性識別法中，人工智能的作用主要體現(xiàn)在兩個方面：第一，當現(xiàn)實問題沒有直接觀測指標時，就需要尋找替代性指標，但替代性指標的尋找充滿挑戰(zhàn)和難度，利用人工智能手段進行關聯(lián)性檢測可以發(fā)現(xiàn)強相關的替代性指標，從而節(jié)省大量的依靠人力試錯的時間成本。第二，利用人工智能搭建風險因子和指標之間的關聯(lián)關系，將指標歷史數(shù)據(jù)出現(xiàn)的異常和風險進行匹配，提高模型的風險感知和識別能力。

國際風險評估的核心是對國際社會運行規(guī)律的認知探索。國際社會的運行規(guī)律極度復雜，始終充滿巨大的挑戰(zhàn)和認知的局限性。但大數(shù)據(jù)、人工智能在風險評估領域的應用，將極大地增強人類認識世界的能力，也會讓人類認知視野更加開闊，看未來的眼光更加久遠，應對危機、適應時代變遷的能力更加強大。

人工智能在決策管理中的應用

決策管理中最大的挑戰(zhàn)在于對決策預期效果的評估，尤其是在國際關系中，一個國家的政策變化往往影響到全球其他國家的各個方面，存在復雜的系統(tǒng)效應。在決策時選擇什么樣的策略方案才能達到最大收益，決策執(zhí)行過程中需要配套哪些輔助策略才能避免政策慣性效應，哪些因素直接影響決策方案的成?。窟@些在決策中的關鍵問題在人工智能出現(xiàn)之前，只能靠決策者的遠見卓識和專家顧問的分析能力，往往會冒很大風險，甚至延誤戰(zhàn)略機遇。借助人工智能技術，決策管理的效果評估變得可行、精準，風險將得到有效控制。

一、已有的應用案例

蘭德公司在20世紀80年代開發(fā)的ROSIE AI系統(tǒng)能夠模擬國際行為體在戰(zhàn)爭模擬中的戰(zhàn)略決策，研究人員也可以借助AI系統(tǒng)在戰(zhàn)略層面模擬核威懾、經(jīng)濟制裁甚至非對稱沖突。在新英格蘭復雜系統(tǒng)研究所，研究人員已借助人工智能預測全球性流行病、內戰(zhàn)等事件的爆發(fā)和傳播，幫助決策者規(guī)避因短期決策帶來的決策失誤。[11]

1982年蘭德開發(fā)的戰(zhàn)略評估系統(tǒng)（RSAS：RAND Strategy Assessment System）是針對冷戰(zhàn)時期美國、北約與蘇聯(lián)、華約之間的戰(zhàn)略對抗而研制的專用系統(tǒng)。系統(tǒng)中具備全自動作戰(zhàn)模擬模式，將戰(zhàn)略研究人員所提的假想，編成計算機程序置于對抗的智能體中，這些智能體以知識規(guī)則為基礎，具有進行各種戰(zhàn)爭推演的能力。以人工智能決策模型代替具體行為體可以加速模擬的進程。在RSAS中有兩類決策模型[12]，一類是作戰(zhàn)指揮層的決策模型，另一類是國家級政治領導決策模型，后者是RSAS的重要創(chuàng)新點。它建立了反映美國、蘇聯(lián)及其他國家高層領導的政治決策模型，用以評估政治態(tài)勢，確定國家目標與相應的戰(zhàn)略，并建立全球范圍內的戰(zhàn)爭指導原則。這些模型也用以研究戰(zhàn)略，包括威懾制止戰(zhàn)爭升級問題等。

進入21世紀以后，戰(zhàn)略演習的常態(tài)化催生了一批戰(zhàn)略演示實驗室的出現(xiàn)，如美國國防大學戰(zhàn)略模擬中心、美國霍普金斯大學戰(zhàn)爭分析實驗室等。桑迪亞國家實驗室開發(fā)的基礎設施網(wǎng)絡仿真分析系統(tǒng)ASPEN和后來的ASPEN-EE模擬了經(jīng)濟系統(tǒng)，能夠仿真評估恐怖分子襲擊美國能源設施對美國經(jīng)濟造成的損失。美國普渡大學國土安全研究所開發(fā)的面向分析和仿真的綜合環(huán)境系統(tǒng)SEAS可用于支持戰(zhàn)略層次模擬訓練和綜合性演習的社會綜合仿真平臺，其虛擬國際系統(tǒng)SEAS-VIS已經(jīng)實現(xiàn)對全球62個國家進行建模，從市、省、國家、地區(qū)、世界等不同層次刻畫其中的民眾、組織和領導在政治、軍事、經(jīng)濟、社會、信息和基礎設施等多個領域的行為。

人工智能技術在戰(zhàn)略決策系統(tǒng)中一方面可用于準確、及時地感知外部環(huán)境的變化（風險評估為其中一類），另一方面是策略學習和優(yōu)化。隨著人工智能技術進入新一輪高速發(fā)展期，將極大地推動戰(zhàn)略決策仿真模擬系統(tǒng)的躍升。

二、方法體系和架構

通行的決策管理系統(tǒng)包含環(huán)境感知、案例庫、策略優(yōu)選、效果評估四大部分。策略管理的前提是首先準確地感知到行為體外部環(huán)境的狀態(tài)特征，能夠比較客觀地評估所面臨的風險和機遇。在此基礎上，即可明確行為體要做出哪些方向的決策才能抓住機遇、規(guī)避風險。任何決策方案的制定都必須建立在歷史經(jīng)驗基礎之上，所以決策系統(tǒng)需要有豐富的決策案例庫做支撐，利用人工智能中分類和相關性的模型可以篩選出若干方案組，構成當前環(huán)境下的方案集。在決策過程中最大的挑戰(zhàn)就是方案的優(yōu)選。利用人工智能的算法可以替代復雜的非線性計算，幫助決策者（自然人）克服“選擇恐懼癥”。具體而言，之前篩選出的決策方案集導入策略實驗系統(tǒng)中進行仿真模擬，利用人工智能學習算法以策略優(yōu)化函數(shù)為依據(jù)進行不斷的策略比選，最終由決策效果評估模塊進行評判，選出最優(yōu)化策略。至此，決策管理的理論環(huán)節(jié)基本完成。好的決策一定是在服務現(xiàn)實決策問題時能夠發(fā)揮良好作用的決策，因此，當理論最優(yōu)決策方案制定出來后，還需要根據(jù)現(xiàn)實的應用效果進行再評估。在現(xiàn)實應用中，當決策的實際效果不理想時就需要重新調整方案，篩選和優(yōu)化函數(shù)，不斷調整和優(yōu)化。

三、未來發(fā)展方向和前景

人工智能技術的不斷迭代發(fā)展，將推動決策管理的水平不斷提高。

首先，人工智能技術進步將提高決策方案匹配度。決策方案匹配中使用自然語言處理等技術，未來自然語言處理的技術將會有較大突破，這將極大地提高從決策案例庫中匹配決策方案的精度。未來高精度的“快速決策”將變得可行。

其次，決策方案更加智能。隨著決策仿真模擬技術的發(fā)展與人工智能的更高融合，決策仿真實驗與現(xiàn)實的相近度將進一步提高，這使得依靠決策管理系統(tǒng)生成的方案將更加智能化地適應當前環(huán)境狀態(tài)，決策系統(tǒng)將更趨近于“人類決策思維”。

再次，提高決策效果評估的精確度。效果評估的精準度直接決定著決策水平。由于決策方案更適用于現(xiàn)實問題，決策方案的施行效果將有大幅度提升。

最后，智能化決策管理將應用在更廣泛的領域。人工智能將推動人類進入智能化社會，智能化決策管理也將廣泛應用在人類生活的各個方面，如智慧城市、商務戰(zhàn)略決策管理、量化交易策略、社會智慧治理、物聯(lián)網(wǎng)調度管理、交通電力等大型基礎設施的綜合調度、社會輿情的管控、智能化軍事戰(zhàn)略決策乃至外交決策等。人工智能將推動人類社會運行和管理進入新一輪文明階段。

（作者單位：中國現(xiàn)代國際關系研究院世界政治研究所）

（責任編輯：徐海娜）

[1] 弱人工智能（Weak AI）：單一領域人工智能/應用型人工智能，經(jīng)過大量的數(shù)據(jù)，能夠達到比人遠遠更精確的判斷。強人工智能（Strong AI）：通用人工智能/完全人工智能，可以勝任人類所有工作的人工智能。超人工智能（Super AI）：解決高度復雜的邏輯分析和創(chuàng)造性工作，如科學研究、藝術創(chuàng)作、社會管理、邏輯分析等。

[2] 胡光宇：《戰(zhàn)略定量研究基礎：預測與決策》，北京：清華大學出版社，2010年版，第237頁。

[3] 漆海霞：《時間學列分析在國際關系預測中的應用——以中法關系為例》，選自王建偉、陳定定，劉豐主編：《國際關系中的預測理論與實踐》，上海：上海人民出版社，2014年版，第73-87頁。

[4] Paul Fritz， Kevin Sweeney， "The（de） Limitations of Balance of Power Theory，" International Interactions， Vol.30，No.4，2004，pp.285-308.

[5] Daniel C. Esty et al.， "Failed States and International Security： Causes， Prospects， and Consequences，" Working Paper，1998.

[6] Sean P.O'Brien，“危機預警與決策支持：當前的方法和對以后研究的思考”，選自王建偉、陳定定，劉豐主編：《國際關系中的預測理論與實踐》，上海：上海人民出版社，2014年版，第138-162頁。

[7] [美]Andrew IIachinski：《人工戰(zhàn)爭：基于多Agent的作戰(zhàn)仿真》，北京：電子工業(yè)出版社，2010年版，第19-20頁。

[8] 于芹章，胡曉峰，羅批：《國際政治生態(tài)模型設計與實現(xiàn)》，載《系統(tǒng)仿真學報》，Vol.18，No.12， 2012.12. 第3611-3629頁。

[9] Hey， Tony， 2012， The Fourth Paradigm-Data-Intensive Scientific Discovery， E-Science and Information Management， Springer Berlin Heidelberg， p.1.

[10] 參數(shù)率定的實質就是先假定一組參數(shù)，代入模型得到計算結果，然后把計算結果與實測數(shù)據(jù)進行比較，若計算值與實測值相差不大，則把此時的參數(shù)作為模型的參數(shù)；若計算值與實測值相差較大，則調整參數(shù)代入模型重新計算，再進行比較，直到計算值與實測值的誤差滿足一定的范圍。

[11] Joe Flood，"Modern-Day Oracle，" Ozy， April 20， 2015.

[12] 司光亞：《戰(zhàn)略訓練模擬系統(tǒng)原理》，北京：國防大學出版社，2011年版，第286-287頁。