人工智能在国际风险评估和决策管理中的应用框架

内容提要 人工智能迅速发展将深刻改变人类社会和世界，推动人类对世界的认识、感知并实现决策中的能力跃升。将人工智能应用在国际风险评估研究中，可提高风险感知能力和精度，有效规避风险。借助人工智能技术，决策管理的影响评估变得可行、精准，风险将得到有效管控，并有助于推动决策管理模式发生革命性变革。

关键词 人工智能；大数据；国际风险评估；决策管理

DOI： 10.19422/j.cnki.ddsj.2018.10.006

人工智能的发展趋势及影响

近年来，数据、算法、计算能力的逐一突破使得人工智能迎来了第三次浪潮（21 世纪初至今），以阿尔法围棋（AlphaGo）为代表的新一代人工智能技术（机器学习为主）推动社会向智能化加速迈进。

按照对人工智能智能化水平的通行划分标准，人工智能发展分为弱人工智能、强人工智能和超人工智能三个阶段。[1]目前，人工智能仍处于发展的早期，属于弱人工智能阶段，只能按照人给定的逻辑框架或规则，通过学习已标记的数据集训练神经网络参数，最后才能在实际中应用。因此，在现阶段过度夸大人工智能的能力是不现实的。但即使当前的弱人工智能，也已在经济、社会、军事、政治等领域产生全方位影响。尤其在社会科学研究中，人工智能的应用将提升定量研究的水平和精度，增加定量判断的依据，提高对非线性社会问题复杂演化研究的能力。本文主要基于当前阶段弱人工智能，提出在国际风险评估和决策管理中应用的理论框架。

人工智能在国际风险评估中的

应用

一、对风险的重新认识

在政治、战略、社会等各个领域，当今世界的不确定性因素比以往任何时候都更加突出，尤其是在国际问题中，不断涌现的“黑天鹅”事件给国际社会稳定带来巨大的挑战。某一特定“风险”发生的可能性不会因认识主体对其感知的大小而发生变化。风险发生的可能性描述的是事物发展的客观规律属性，是事物系统效应演化的走势。在现实的应用中，为便于比较分析，通常将风险发生可能性与影响结果相乘，来衡量风险对特定认识主体的威胁。衡量风险大小按照风险等级标准对照，以确定风险等级。

由于风险是对事物发展趋势的一种度量，而事物始终处在不断变化和演化之中，如流水一般具有动态演化特性。风险因子随着事态的发展而不断发生适应性演变。例如，一国面对某种国际风险会做出符合自身利益最大化的决策，可能是外交、军事、经济等领域，这又将反馈影响到国际环境的变化，特别是大国的政策变动，从而触发其他国家新增风险因子。而受到新的风险威胁的国家也会做出同步或异步的风险管理决策，反过来又影响国际环境这个复杂系统的变化，再为其他国家带来新的风险因子。如此复杂互动不断循环。正是在这样复杂的风险管理策略的反馈互动中，国际社会以及国际环境在不断向前发展，从更长时间维度可以观察到国际格局、国际秩序的调整与演化。因此，概括地讲，一个完整周期内的风险演化由“风险识别”“策略组合”“战略互动”和“风险演进”四个环节构成。随着人们对风险评估应用需求不断提高，不仅需要知道整体风险态势，还需要了解风险态势随时间和空间变化的动态演化。这就要求未来对国际风险的评估兼具实时性和整体性，国际问题领域纷繁复杂的局势瞬息万变，更需要用创新的风险评估方法研究形势的快速演化。

二、风险评估的方法

传统的国际风险评估方法主要依赖相关领域的资深专家，借助其对某一领域多年经验积累以及对动态及时跟踪才能准确地进行评估。这种评估模式常因专家资源的有限而受到制约，且动态性评估效果较弱。另外，风险的演化是系统性、非线性的，单一领域专家很难在整体的维度观察、评估风险的涌现、混沌等系统效应。随着运筹学的发展，20世纪70年代美国运筹学家沙丹（T.L.Saaty）提出了层次分析法（analytic hierarchy process， AHP）[2]，通過定性与定量相结合进行多目标决策分析。在风险评估中利用AHP法，可以将多位专家的评估进行综合，得出相对平均的判断。但该方法仍然缺乏动态性，且一些“风险奇点”易被忽略。随着统计学的广泛应用，学者们根据变量关系建立统计模型，以预测应变量的未来变化[3]，有学者应用probit模型对1816年至1992年的同盟进行统计回归分析[4]；美国政府1994年资助美国高校学者成立了“高烈度政治动荡”工作组（Political Instability Task Force[5]），建立了关于全球政治稳定性的评价和预警系统，主要采用统计学回归分析计算高烈度政治动荡发生的概率。对于变量过于复杂的情况，时间序列分析法避开自变量与应变量之间的因果关系，直接从时间序列的历史中推测未来。随着计算机仿真技术的进步，利用仿真建模方法开展国际事务领域危机预警与决策的工作开始出现。由洛克希德·马丁高级技术实验室开展的“综合危机预警系统（ICEWS）”项目[6]，大量采用了行为体建模方法；美国海军分析中心基于多个智能体（Agent）建立作战仿真系统EINSTein[7]；国内有学者采用智能体建模方法开展了国际政治生态演化模型的大量实践[8]，唐世平教授通过建立ABM（Agent-Based-Model）模型成功预测了2016年中国台湾地区领导人选举。随着计算科学的快速发展，大数据、人工智能等新的技术为风险评估带来了新的途径。图灵奖得主吉姆-格雷（J.Greg）认为，大数据时代将形成数据密集型科学研究的“第四范式”（the Fourth Paradigm）[9]，即大数据时代科学研究将不再需要模型和假设，而是利用超级计算能力直接分析海量数据，发现相关关系即可获得新知识。从当前国际国内相关研究可以看到，在大数据和人工智能技术的推动下，计算社会科学正在以前所未有的深度和广度采集和利用数据为社会科学研究服务。

三、应用人工智能进行风险评估的基本路径

利用人工智能进行国际风险评估主要有两条路径：一是复杂系统建模仿真；二是大数据风险因子关联性识别。两种方法都需要建立在大数据资源基础之上，并且都需要引入人工智能的机器学习机制，区别是前者的核心是场景建模，后者的核心在于发现关联。

（一） 复杂系统建模仿真法

在复杂系统建模仿真法中，经验丰富的专家首先将现实国际问题抽象为概念模型，再将概念模型转换为数学模型，然后将数学模型转换为计算机模型，再由计算机模型带入大量数据进行模拟演算，通过机器学习机制不断与历史数据进行比对，率定[10]模型参数，最终训练出可用于计算（预测）风险的模型。

在复杂系统建模中，人工智能的作用主要是根据历史数据训练原始模型，在微观层面，系统中各个行为体的策略根据训练数据进行率定和优化。利用人工智能学习机制，根据历史数据率定系统参数，直到预测准确度达到应用要求，再用训练好的模型带入新数据进入仿真模拟实验。

复杂系统建模过程中至关重要且充满挑战性的工作是专家需将现实世界的战略、政策、态势转换为科学的理论模型，这是保证计算结果准确或可解释的关键。复杂系统建模仿真的方法易于发现风险的传导过程和演化机理，在具体实践应用中容易从全流程检视风险异常因子。但其缺点在于建模难度大，复杂繁琐，且对某一问题模拟的准确度很大程度取决于专家抽象出来的概念模型，因此或多或少带有一定的主观性，容易忽略一些因素（往往是敏感因子）。

（二）大数据风险因子关联性识别法

这种方法首先需确定问题目标，确定因变量数据集和自变量数据集，然后将数据切分为训练集和测验集。之后根据不同的问题选择相应的机器学习算法，如神经网络、支持向量机、随机森林和深度学习等算法。通过使用大量的训练数据训练模型，经过检验后模型可投入预测计算。在此过程中至关重要的是有大量且准确的数据作为模型学习的样本。这种方法由于避免了复杂的建模过程，可适用于多种问题求解，容易识别和发现一些新的风险异常点（监测异常）。但该方法最终的结果是否能符合实践应用仍需要专家“把关”，因为对特定问题选择的变量众多，容易混入大量的“噪声”而干扰“信号”的正确识别；并且该方法往往无法追溯结果的原因，因为机器学习模型是“黑箱子”，无法检视其中机理。

在大数据风险因子关联性识别法中，人工智能的作用主要体现在两个方面：第一，当现实问题没有直接观测指标时，就需要寻找替代性指标，但替代性指标的寻找充满挑战和难度，利用人工智能手段进行关联性检测可以发现强相关的替代性指标，从而节省大量的依靠人力试错的时间成本。第二，利用人工智能搭建风险因子和指标之间的关联关系，将指标历史数据出现的异常和风险进行匹配，提高模型的风险感知和识别能力。

国际风险评估的核心是对国际社会运行规律的认知探索。国际社会的运行规律极度复杂，始终充满巨大的挑战和认知的局限性。但大数据、人工智能在风险评估领域的应用，将极大地增强人类认识世界的能力，也会让人类认知视野更加开阔，看未来的眼光更加久远，应对危机、适应时代变迁的能力更加强大。

人工智能在决策管理中的应用

决策管理中最大的挑战在于对决策预期效果的评估，尤其是在国际关系中，一个国家的政策变化往往影响到全球其他国家的各个方面，存在复杂的系统效应。在决策时选择什么样的策略方案才能达到最大收益，决策执行过程中需要配套哪些辅助策略才能避免政策惯性效应，哪些因素直接影响决策方案的成败？这些在决策中的关键问题在人工智能出现之前，只能靠决策者的远见卓识和专家顾问的分析能力，往往会冒很大风险，甚至延误战略机遇。借助人工智能技术，决策管理的效果评估变得可行、精准，风险将得到有效控制。

一、已有的应用案例

兰德公司在20世纪80年代开发的ROSIE AI系统能够模拟国际行为体在战争模拟中的战略决策，研究人员也可以借助AI系统在战略层面模拟核威慑、经济制裁甚至非对称冲突。在新英格兰复杂系统研究所，研究人员已借助人工智能预测全球性流行病、内战等事件的爆发和传播，帮助决策者规避因短期决策带来的决策失误。[11]

1982年兰德开发的战略评估系统（RSAS：RAND Strategy Assessment System）是针对冷战时期美国、北约与苏联、华约之间的战略对抗而研制的专用系统。系统中具备全自动作战模拟模式，将战略研究人员所提的假想，编成计算机程序置于对抗的智能体中，这些智能体以知识规则为基础，具有进行各种战争推演的能力。以人工智能决策模型代替具体行为体可以加速模拟的进程。在RSAS中有两类决策模型[12]，一类是作战指挥层的决策模型，另一类是国家级政治领导决策模型，后者是RSAS的重要创新点。它建立了反映美国、苏联及其他国家高层领导的政治决策模型，用以评估政治态势，确定国家目标与相应的战略，并建立全球范围内的战争指导原则。这些模型也用以研究战略，包括威慑制止战争升级问题等。

进入21世纪以后，战略演习的常态化催生了一批战略演示实验室的出现，如美国国防大学战略模拟中心、美国霍普金斯大学战争分析实验室等。桑迪亚国家实验室开发的基础设施网络仿真分析系统ASPEN和后来的ASPEN-EE模拟了经济系统，能够仿真评估恐怖分子袭击美国能源设施对美国经济造成的损失。美国普渡大学国土安全研究所开发的面向分析和仿真的综合环境系统SEAS可用于支持战略层次模拟训练和综合性演习的社会综合仿真平台，其虚拟国际系统SEAS-VIS已经实现对全球62个国家进行建模，从市、省、国家、地区、世界等不同层次刻画其中的民众、组织和领导在政治、军事、经济、社会、信息和基础设施等多个领域的行为。

人工智能技术在战略决策系统中一方面可用于准确、及时地感知外部环境的变化（风险评估为其中一类），另一方面是策略学习和优化。随着人工智能技术进入新一轮高速发展期，将极大地推动战略决策仿真模拟系统的跃升。

二、方法体系和架构

通行的决策管理系统包含环境感知、案例库、策略优选、效果评估四大部分。策略管理的前提是首先准确地感知到行为体外部环境的状态特征，能够比较客观地评估所面临的风险和机遇。在此基础上，即可明确行为体要做出哪些方向的决策才能抓住机遇、规避风险。任何决策方案的制定都必须建立在历史经验基础之上，所以决策系统需要有丰富的决策案例库做支撑，利用人工智能中分类和相关性的模型可以筛选出若干方案组，构成当前环境下的方案集。在决策过程中最大的挑战就是方案的优选。利用人工智能的算法可以替代复杂的非线性计算，帮助决策者（自然人）克服“选择恐惧症”。具体而言，之前筛选出的决策方案集导入策略实验系统中进行仿真模拟，利用人工智能学习算法以策略优化函数为依据进行不断的策略比选，最终由决策效果评估模块进行评判，选出最优化策略。至此，决策管理的理论环节基本完成。好的决策一定是在服务现实决策问题时能够发挥良好作用的决策，因此，当理论最优决策方案制定出来后，还需要根据现实的应用效果进行再评估。在现实应用中，当决策的实際效果不理想时就需要重新调整方案，筛选和优化函数，不断调整和优化。

三、未来发展方向和前景

人工智能技术的不断迭代发展，将推动决策管理的水平不断提高。

首先，人工智能技术进步将提高决策方案匹配度。决策方案匹配中使用自然语言处理等技术，未来自然语言处理的技术将会有较大突破，这将极大地提高从决策案例库中匹配决策方案的精度。未来高精度的“快速决策”将变得可行。

其次，决策方案更加智能。随着决策仿真模拟技术的发展与人工智能的更高融合，决策仿真实验与现实的相近度将进一步提高，这使得依靠决策管理系统生成的方案将更加智能化地适应当前环境状态，决策系统将更趋近于“人类决策思维”。

再次，提高决策效果评估的精确度。效果评估的精准度直接决定着决策水平。由于决策方案更适用于现实问题，决策方案的施行效果将有大幅度提升。

最后，智能化决策管理将应用在更广泛的领域。人工智能将推动人类进入智能化社会，智能化决策管理也将广泛应用在人类生活的各个方面，如智慧城市、商务战略决策管理、量化交易策略、社会智慧治理、物联网调度管理、交通电力等大型基础设施的综合调度、社会舆情的管控、智能化军事战略决策乃至外交决策等。人工智能将推动人类社会运行和管理进入新一轮文明阶段。

（作者单位：中国现代国际关系研究院世界政治研究所）

（责任编辑：徐海娜）

[1] 弱人工智能（Weak AI）：单一领域人工智能/应用型人工智能，经过大量的数据，能够达到比人远远更精确的判断。强人工智能（Strong AI）：通用人工智能/完全人工智能，可以胜任人类所有工作的人工智能。超人工智能（Super AI）：解决高度复杂的逻辑分析和创造性工作，如科学研究、艺术创作、社会管理、逻辑分析等。

[2] 胡光宇：《战略定量研究基础：预测与决策》，北京：清华大学出版社，2010年版，第237页。

[3] 漆海霞：《时间学列分析在国际关系预测中的应用——以中法关系为例》，选自王建伟、陈定定，刘丰主编：《国际关系中的预测理论与实践》，上海：上海人民出版社，2014年版，第73-87页。

[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，“危机预警与决策支持：当前的方法和对以后研究的思考”，选自王建伟、陈定定，刘丰主编：《国际关系中的预测理论与实践》，上海：上海人民出版社，2014年版，第138-162页。

[7] [美]Andrew IIachinski：《人工战争：基于多Agent的作战仿真》，北京：电子工业出版社，2010年版，第19-20页。

[8] 于芹章，胡晓峰，罗批：《国际政治生态模型设计与实现》，载《系统仿真学报》，Vol.18，No.12， 2012.12. 第3611-3629页。

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

[10] 参数率定的实质就是先假定一组参数，代入模型得到计算结果，然后把计算结果与实测数据进行比较，若计算值与实测值相差不大，则把此时的参数作为模型的参数；若计算值与实测值相差较大，则调整参数代入模型重新计算，再进行比较，直到计算值与实测值的误差满足一定的范围。

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

[12] 司光亚：《战略训练模拟系统原理》，北京：国防大学出版社，2011年版，第286-287頁。

推荐访问： 人工智能 框架 决策 风险评估 国际