唐新華

內(nèi)容提要 人工智能迅速發(fā)展將深刻改變?nèi)祟惿鐣?huì)和世界，推動(dòng)人類對(duì)世界的認(rèn)識(shí)、感知并實(shí)現(xiàn)決策中的能力躍升。將人工智能應(yīng)用在國(guó)際風(fēng)險(xiǎn)評(píng)估研究中，可提高風(fēng)險(xiǎn)感知能力和精度，有效規(guī)避風(fēng)險(xiǎn)。借助人工智能技術(shù)，決策管理的影響評(píng)估變得可行、精準(zhǔn)，風(fēng)險(xiǎn)將得到有效管控，并有助于推動(dòng)決策管理模式發(fā)生革命性變革。

關(guān)鍵詞 人工智能；大數(shù)據(jù)；國(guó)際風(fēng)險(xiǎn)評(píng)估；決策管理

DOI： 10.19422/j.cnki.ddsj.2018.10.006

人工智能的發(fā)展趨勢(shì)及影響

近年來，數(shù)據(jù)、算法、計(jì)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(jì)初至今），以阿爾法圍棋（AlphaGo）為代表的新一代人工智能技術(shù)（機(jī)器學(xué)習(xí)為主）推動(dòng)社會(huì)向智能化加速邁進(jìn)。

按照對(duì)人工智能智能化水平的通行劃分標(biāo)準(zhǔn)，人工智能發(fā)展分為弱人工智能、強(qiáng)人工智能和超人工智能三個(gè)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(xué)習(xí)已標(biāo)記的數(shù)據(jù)集訓(xùn)練神經(jīng)網(wǎng)絡(luò)參數(shù)，最后才能在實(shí)際中應(yīng)用。因此，在現(xiàn)階段過度夸大人工智能的能力是不現(xiàn)實(shí)的。但即使當(dāng)前的弱人工智能，也已在經(jīng)濟(jì)、社會(huì)、軍事、政治等領(lǐng)域產(chǎn)生全方位影響。尤其在社會(huì)科學(xué)研究中，人工智能的應(yīng)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(duì)非線性社會(huì)問題復(fù)雜演化研究的能力。本文主要基于當(dāng)前階段弱人工智能，提出在國(guó)際風(fēng)險(xiǎn)評(píng)估和決策管理中應(yīng)用的理論框架。

人工智能在國(guó)際風(fēng)險(xiǎn)評(píng)估中的

應(yīng)用

一、對(duì)風(fēng)險(xiǎn)的重新認(rèn)識(shí)

在政治、戰(zhàn)略、社會(huì)等各個(gè)領(lǐng)域，當(dāng)今世界的不確定性因素比以往任何時(shí)候都更加突出，尤其是在國(guó)際問題中，不斷涌現(xiàn)的“黑天鵝”事件給國(guó)際社會(huì)穩(wěn)定帶來巨大的挑戰(zhàn)。某一特定“風(fēng)險(xiǎn)”發(fā)生的可能性不會(huì)因認(rèn)識(shí)主體對(duì)其感知的大小而發(fā)生變化。風(fēng)險(xiǎn)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(yīng)演化的走勢(shì)。在現(xiàn)實(shí)的應(yīng)用中，為便于比較分析，通常將風(fēng)險(xiǎn)發(fā)生可能性與影響結(jié)果相乘，來衡量風(fēng)險(xiǎn)對(duì)特定認(rèn)識(shí)主體的威脅。衡量風(fēng)險(xiǎn)大小按照風(fēng)險(xiǎn)等級(jí)標(biāo)準(zhǔn)對(duì)照，以確定風(fēng)險(xiǎn)等級(jí)。

由于風(fēng)險(xiǎn)是對(duì)事物發(fā)展趨勢(shì)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(dòng)態(tài)演化特性。風(fēng)險(xiǎn)因子隨著事態(tài)的發(fā)展而不斷發(fā)生適應(yīng)性演變。例如，一國(guó)面對(duì)某種國(guó)際風(fēng)險(xiǎn)會(huì)做出符合自身利益最大化的決策，可能是外交、軍事、經(jīng)濟(jì)等領(lǐng)域，這又將反饋影響到國(guó)際環(huán)境的變化，特別是大國(guó)的政策變動(dòng)，從而觸發(fā)其他國(guó)家新增風(fēng)險(xiǎn)因子。而受到新的風(fēng)險(xiǎn)威脅的國(guó)家也會(huì)做出同步或異步的風(fēng)險(xiǎn)管理決策，反過來又影響國(guó)際環(huán)境這個(gè)復(fù)雜系統(tǒng)的變化，再為其他國(guó)家?guī)硇碌娘L(fēng)險(xiǎn)因子。如此復(fù)雜互動(dòng)不斷循環(huán)。正是在這樣復(fù)雜的風(fēng)險(xiǎn)管理策略的反饋互動(dòng)中，國(guó)際社會(huì)以及國(guó)際環(huán)境在不斷向前發(fā)展，從更長(zhǎng)時(shí)間維度可以觀察到國(guó)際格局、國(guó)際秩序的調(diào)整與演化。因此，概括地講，一個(gè)完整周期內(nèi)的風(fēng)險(xiǎn)演化由“風(fēng)險(xiǎn)識(shí)別”“策略組合”“戰(zhàn)略互動(dòng)”和“風(fēng)險(xiǎn)演進(jìn)”四個(gè)環(huán)節(jié)構(gòu)成。隨著人們對(duì)風(fēng)險(xiǎn)評(píng)估應(yīng)用需求不斷提高，不僅需要知道整體風(fēng)險(xiǎn)態(tài)勢(shì)，還需要了解風(fēng)險(xiǎn)態(tài)勢(shì)隨時(shí)間和空間變化的動(dòng)態(tài)演化。這就要求未來對(duì)國(guó)際風(fēng)險(xiǎn)的評(píng)估兼具實(shí)時(shí)性和整體性，國(guó)際問題領(lǐng)域紛繁復(fù)雜的局勢(shì)瞬息萬變，更需要用創(chuàng)新的風(fēng)險(xiǎn)評(píng)估方法研究形勢(shì)的快速演化。

二、風(fēng)險(xiǎn)評(píng)估的方法

傳統(tǒng)的國(guó)際風(fēng)險(xiǎn)評(píng)估方法主要依賴相關(guān)領(lǐng)域的資深專家，借助其對(duì)某一領(lǐng)域多年經(jīng)驗(yàn)積累以及對(duì)動(dòng)態(tài)及時(shí)跟蹤才能準(zhǔn)確地進(jìn)行評(píng)估。這種評(píng)估模式常因?qū)＜屹Y源的有限而受到制約，且動(dòng)態(tài)性評(píng)估效果較弱。另外，風(fēng)險(xiǎn)的演化是系統(tǒng)性、非線性的，單一領(lǐng)域?qū)＜液茈y在整體的維度觀察、評(píng)估風(fēng)險(xiǎn)的涌現(xiàn)、混沌等系統(tǒng)效應(yīng)。隨著運(yùn)籌學(xué)的發(fā)展，20世紀(jì)70年代美國(guó)運(yùn)籌學(xué)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(jié)合進(jìn)行多目標(biāo)決策分析。在風(fēng)險(xiǎn)評(píng)估中利用AHP法，可以將多位專家的評(píng)估進(jìn)行綜合，得出相對(duì)平均的判斷。但該方法仍然缺乏動(dòng)態(tài)性，且一些“風(fēng)險(xiǎn)奇點(diǎn)”易被忽略。隨著統(tǒng)計(jì)學(xué)的廣泛應(yīng)用，學(xué)者們根據(jù)變量關(guān)系建立統(tǒng)計(jì)模型，以預(yù)測(cè)應(yīng)變量的未來變化[3]，有學(xué)者應(yīng)用probit模型對(duì)1816年至1992年的同盟進(jìn)行統(tǒng)計(jì)回歸分析[4]；美國(guó)政府1994年資助美國(guó)高校學(xué)者成立了“高烈度政治動(dòng)蕩”工作組（Political Instability Task Force[5]），建立了關(guān)于全球政治穩(wěn)定性的評(píng)價(jià)和預(yù)警系統(tǒng)，主要采用統(tǒng)計(jì)學(xué)回歸分析計(jì)算高烈度政治動(dòng)蕩發(fā)生的概率。對(duì)于變量過于復(fù)雜的情況，時(shí)間序列分析法避開自變量與應(yīng)變量之間的因果關(guān)系，直接從時(shí)間序列的歷史中推測(cè)未來。隨著計(jì)算機(jī)仿真技術(shù)的進(jìn)步，利用仿真建模方法開展國(guó)際事務(wù)領(lǐng)域危機(jī)預(yù)警與決策的工作開始出現(xiàn)。由洛克希德·馬丁高級(jí)技術(shù)實(shí)驗(yàn)室開展的“綜合危機(jī)預(yù)警系統(tǒng)（ICEWS）”項(xiàng)目[6]，大量采用了行為體建模方法；美國(guó)海軍分析中心基于多個(gè)智能體（Agent）建立作戰(zhàn)仿真系統(tǒng)EINSTein[7]；國(guó)內(nèi)有學(xué)者采用智能體建模方法開展了國(guó)際政治生態(tài)演化模型的大量實(shí)踐[8]，唐世平教授通過建立ABM（Agent-Based-Model）模型成功預(yù)測(cè)了2016年中國(guó)臺(tái)灣地區(qū)領(lǐng)導(dǎo)人選舉。隨著計(jì)算科學(xué)的快速發(fā)展，大數(shù)據(jù)、人工智能等新的技術(shù)為風(fēng)險(xiǎn)評(píng)估帶來了新的途徑。圖靈獎(jiǎng)得主吉姆-格雷（J.Greg）認(rèn)為，大數(shù)據(jù)時(shí)代將形成數(shù)據(jù)密集型科學(xué)研究的“第四范式”（the Fourth Paradigm）[9]，即大數(shù)據(jù)時(shí)代科學(xué)研究將不再需要模型和假設(shè)，而是利用超級(jí)計(jì)算能力直接分析海量數(shù)據(jù)，發(fā)現(xiàn)相關(guān)關(guān)系即可獲得新知識(shí)。從當(dāng)前國(guó)際國(guó)內(nèi)相關(guān)研究可以看到，在大數(shù)據(jù)和人工智能技術(shù)的推動(dòng)下，計(jì)算社會(huì)科學(xué)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(huì)科學(xué)研究服務(wù)。

三、應(yīng)用人工智能進(jìn)行風(fēng)險(xiǎn)評(píng)估的基本路徑

利用人工智能進(jìn)行國(guó)際風(fēng)險(xiǎn)評(píng)估主要有兩條路徑：一是復(fù)雜系統(tǒng)建模仿真；二是大數(shù)據(jù)風(fēng)險(xiǎn)因子關(guān)聯(lián)性識(shí)別。兩種方法都需要建立在大數(shù)據(jù)資源基礎(chǔ)之上，并且都需要引入人工智能的機(jī)器學(xué)習(xí)機(jī)制，區(qū)別是前者的核心是場(chǎng)景建模，后者的核心在于發(fā)現(xiàn)關(guān)聯(lián)。

（一） 復(fù)雜系統(tǒng)建模仿真法

在復(fù)雜系統(tǒng)建模仿真法中，經(jīng)驗(yàn)豐富的專家首先將現(xiàn)實(shí)國(guó)際問題抽象為概念模型，再將概念模型轉(zhuǎn)換為數(shù)學(xué)模型，然后將數(shù)學(xué)模型轉(zhuǎn)換為計(jì)算機(jī)模型，再由計(jì)算機(jī)模型帶入大量數(shù)據(jù)進(jìn)行模擬演算，通過機(jī)器學(xué)習(xí)機(jī)制不斷與歷史數(shù)據(jù)進(jìn)行比對(duì)，率定[10]模型參數(shù)，最終訓(xùn)練出可用于計(jì)算（預(yù)測(cè)）風(fēng)險(xiǎn)的模型。

在復(fù)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(xùn)練原始模型，在微觀層面，系統(tǒng)中各個(gè)行為體的策略根據(jù)訓(xùn)練數(shù)據(jù)進(jìn)行率定和優(yōu)化。利用人工智能學(xué)習(xí)機(jī)制，根據(jù)歷史數(shù)據(jù)率定系統(tǒng)參數(shù)，直到預(yù)測(cè)準(zhǔn)確度達(dá)到應(yīng)用要求，再用訓(xùn)練好的模型帶入新數(shù)據(jù)進(jìn)入仿真模擬實(shí)驗(yàn)。

復(fù)雜系統(tǒng)建模過程中至關(guān)重要且充滿挑戰(zhàn)性的工作是專家需將現(xiàn)實(shí)世界的戰(zhàn)略、政策、態(tài)勢(shì)轉(zhuǎn)換為科學(xué)的理論模型，這是保證計(jì)算結(jié)果準(zhǔn)確或可解釋的關(guān)鍵。復(fù)雜系統(tǒng)建模仿真的方法易于發(fā)現(xiàn)風(fēng)險(xiǎn)的傳導(dǎo)過程和演化機(jī)理，在具體實(shí)踐應(yīng)用中容易從全流程檢視風(fēng)險(xiǎn)異常因子。但其缺點(diǎn)在于建模難度大，復(fù)雜繁瑣，且對(duì)某一問題模擬的準(zhǔn)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(fēng)險(xiǎn)因子關(guān)聯(lián)性識(shí)別法

這種方法首先需確定問題目標(biāo)，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(xùn)練集和測(cè)驗(yàn)集。之后根據(jù)不同的問題選擇相應(yīng)的機(jī)器學(xué)習(xí)算法，如神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、隨機(jī)森林和深度學(xué)習(xí)等算法。通過使用大量的訓(xùn)練數(shù)據(jù)訓(xùn)練模型，經(jīng)過檢驗(yàn)后模型可投入預(yù)測(cè)計(jì)算。在此過程中至關(guān)重要的是有大量且準(zhǔn)確的數(shù)據(jù)作為模型學(xué)習(xí)的樣本。這種方法由于避免了復(fù)雜的建模過程，可適用于多種問題求解，容易識(shí)別和發(fā)現(xiàn)一些新的風(fēng)險(xiǎn)異常點(diǎn)（監(jiān)測(cè)異常）。但該方法最終的結(jié)果是否能符合實(shí)踐應(yīng)用仍需要專家“把關(guān)”，因?yàn)閷?duì)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(hào)”的正確識(shí)別；并且該方法往往無法追溯結(jié)果的原因，因?yàn)闄C(jī)器學(xué)習(xí)模型是“黑箱子”，無法檢視其中機(jī)理。

在大數(shù)據(jù)風(fēng)險(xiǎn)因子關(guān)聯(lián)性識(shí)別法中，人工智能的作用主要體現(xiàn)在兩個(gè)方面：第一，當(dāng)現(xiàn)實(shí)問題沒有直接觀測(cè)指標(biāo)時(shí)，就需要尋找替代性指標(biāo)，但替代性指標(biāo)的尋找充滿挑戰(zhàn)和難度，利用人工智能手段進(jìn)行關(guān)聯(lián)性檢測(cè)可以發(fā)現(xiàn)強(qiáng)相關(guān)的替代性指標(biāo)，從而節(jié)省大量的依靠人力試錯(cuò)的時(shí)間成本。第二，利用人工智能搭建風(fēng)險(xiǎn)因子和指標(biāo)之間的關(guān)聯(lián)關(guān)系，將指標(biāo)歷史數(shù)據(jù)出現(xiàn)的異常和風(fēng)險(xiǎn)進(jìn)行匹配，提高模型的風(fēng)險(xiǎn)感知和識(shí)別能力。

國(guó)際風(fēng)險(xiǎn)評(píng)估的核心是對(duì)國(guó)際社會(huì)運(yùn)行規(guī)律的認(rèn)知探索。國(guó)際社會(huì)的運(yùn)行規(guī)律極度復(fù)雜，始終充滿巨大的挑戰(zhàn)和認(rèn)知的局限性。但大數(shù)據(jù)、人工智能在風(fēng)險(xiǎn)評(píng)估領(lǐng)域的應(yīng)用，將極大地增強(qiáng)人類認(rèn)識(shí)世界的能力，也會(huì)讓人類認(rèn)知視野更加開闊，看未來的眼光更加久遠(yuǎn)，應(yīng)對(duì)危機(jī)、適應(yīng)時(shí)代變遷的能力更加強(qiáng)大。

人工智能在決策管理中的應(yīng)用

決策管理中最大的挑戰(zhàn)在于對(duì)決策預(yù)期效果的評(píng)估，尤其是在國(guó)際關(guān)系中，一個(gè)國(guó)家的政策變化往往影響到全球其他國(guó)家的各個(gè)方面，存在復(fù)雜的系統(tǒng)效應(yīng)。在決策時(shí)選擇什么樣的策略方案才能達(dá)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(yīng)，哪些因素直接影響決策方案的成??？這些在決策中的關(guān)鍵問題在人工智能出現(xiàn)之前，只能靠決策者的遠(yuǎn)見卓識(shí)和專家顧問的分析能力，往往會(huì)冒很大風(fēng)險(xiǎn)，甚至延誤戰(zhàn)略機(jī)遇。借助人工智能技術(shù)，決策管理的效果評(píng)估變得可行、精準(zhǔn)，風(fēng)險(xiǎn)將得到有效控制。

一、已有的應(yīng)用案例

蘭德公司在20世紀(jì)80年代開發(fā)的ROSIE AI系統(tǒng)能夠模擬國(guó)際行為體在戰(zhàn)爭(zhēng)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(jì)制裁甚至非對(duì)稱沖突。在新英格蘭復(fù)雜系統(tǒng)研究所，研究人員已借助人工智能預(yù)測(cè)全球性流行病、內(nèi)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(píng)估系統(tǒng)（RSAS：RAND Strategy Assessment System）是針對(duì)冷戰(zhàn)時(shí)期美國(guó)、北約與蘇聯(lián)、華約之間的戰(zhàn)略對(duì)抗而研制的專用系統(tǒng)。系統(tǒng)中具備全自動(dòng)作戰(zhàn)模擬模式，將戰(zhàn)略研究人員所提的假想，編成計(jì)算機(jī)程序置于對(duì)抗的智能體中，這些智能體以知識(shí)規(guī)則為基礎(chǔ)，具有進(jìn)行各種戰(zhàn)爭(zhēng)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(jìn)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(guó)家級(jí)政治領(lǐng)導(dǎo)決策模型，后者是RSAS的重要?jiǎng)?chuàng)新點(diǎn)。它建立了反映美國(guó)、蘇聯(lián)及其他國(guó)家高層領(lǐng)導(dǎo)的政治決策模型，用以評(píng)估政治態(tài)勢(shì)，確定國(guó)家目標(biāo)與相應(yīng)的戰(zhàn)略，并建立全球范圍內(nèi)的戰(zhàn)爭(zhēng)指導(dǎo)原則。這些模型也用以研究戰(zhàn)略，包括威懾制止戰(zhàn)爭(zhēng)升級(jí)問題等。

進(jìn)入21世紀(jì)以后，戰(zhàn)略演習(xí)的常態(tài)化催生了一批戰(zhàn)略演示實(shí)驗(yàn)室的出現(xiàn)，如美國(guó)國(guó)防大學(xué)戰(zhàn)略模擬中心、美國(guó)霍普金斯大學(xué)戰(zhàn)爭(zhēng)分析實(shí)驗(yàn)室等。桑迪亞國(guó)家實(shí)驗(yàn)室開發(fā)的基礎(chǔ)設(shè)施網(wǎng)絡(luò)仿真分析系統(tǒng)ASPEN和后來的ASPEN-EE模擬了經(jīng)濟(jì)系統(tǒng)，能夠仿真評(píng)估恐怖分子襲擊美國(guó)能源設(shè)施對(duì)美國(guó)經(jīng)濟(jì)造成的損失。美國(guó)普渡大學(xué)國(guó)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(xùn)練和綜合性演習(xí)的社會(huì)綜合仿真平臺(tái)，其虛擬國(guó)際系統(tǒng)SEAS-VIS已經(jīng)實(shí)現(xiàn)對(duì)全球62個(gè)國(guó)家進(jìn)行建模，從市、省、國(guó)家、地區(qū)、世界等不同層次刻畫其中的民眾、組織和領(lǐng)導(dǎo)在政治、軍事、經(jīng)濟(jì)、社會(huì)、信息和基礎(chǔ)設(shè)施等多個(gè)領(lǐng)域的行為。

人工智能技術(shù)在戰(zhàn)略決策系統(tǒng)中一方面可用于準(zhǔn)確、及時(shí)地感知外部環(huán)境的變化（風(fēng)險(xiǎn)評(píng)估為其中一類），另一方面是策略學(xué)習(xí)和優(yōu)化。隨著人工智能技術(shù)進(jìn)入新一輪高速發(fā)展期，將極大地推動(dòng)戰(zhàn)略決策仿真模擬系統(tǒng)的躍升。

二、方法體系和架構(gòu)

通行的決策管理系統(tǒng)包含環(huán)境感知、案例庫(kù)、策略優(yōu)選、效果評(píng)估四大部分。策略管理的前提是首先準(zhǔn)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(píng)估所面臨的風(fēng)險(xiǎn)和機(jī)遇。在此基礎(chǔ)上，即可明確行為體要做出哪些方向的決策才能抓住機(jī)遇、規(guī)避風(fēng)險(xiǎn)。任何決策方案的制定都必須建立在歷史經(jīng)驗(yàn)基礎(chǔ)之上，所以決策系統(tǒng)需要有豐富的決策案例庫(kù)做支撐，利用人工智能中分類和相關(guān)性的模型可以篩選出若干方案組，構(gòu)成當(dāng)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(fù)雜的非線性計(jì)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(dǎo)入策略實(shí)驗(yàn)系統(tǒng)中進(jìn)行仿真模擬，利用人工智能學(xué)習(xí)算法以策略優(yōu)化函數(shù)為依據(jù)進(jìn)行不斷的策略比選，最終由決策效果評(píng)估模塊進(jìn)行評(píng)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(wù)現(xiàn)實(shí)決策問題時(shí)能夠發(fā)揮良好作用的決策，因此，當(dāng)理論最優(yōu)決策方案制定出來后，還需要根據(jù)現(xiàn)實(shí)的應(yīng)用效果進(jìn)行再評(píng)估。在現(xiàn)實(shí)應(yīng)用中，當(dāng)決策的實(shí)際效果不理想時(shí)就需要重新調(diào)整方案，篩選和優(yōu)化函數(shù)，不斷調(diào)整和優(yōu)化。

三、未來發(fā)展方向和前景

人工智能技術(shù)的不斷迭代發(fā)展，將推動(dòng)決策管理的水平不斷提高。

首先，人工智能技術(shù)進(jìn)步將提高決策方案匹配度。決策方案匹配中使用自然語(yǔ)言處理等技術(shù)，未來自然語(yǔ)言處理的技術(shù)將會(huì)有較大突破，這將極大地提高從決策案例庫(kù)中匹配決策方案的精度。未來高精度的“快速?zèng)Q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(shù)的發(fā)展與人工智能的更高融合，決策仿真實(shí)驗(yàn)與現(xiàn)實(shí)的相近度將進(jìn)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(yīng)當(dāng)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(píng)估的精確度。效果評(píng)估的精準(zhǔn)度直接決定著決策水平。由于決策方案更適用于現(xiàn)實(shí)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(yīng)用在更廣泛的領(lǐng)域。人工智能將推動(dòng)人類進(jìn)入智能化社會(huì)，智能化決策管理也將廣泛應(yīng)用在人類生活的各個(gè)方面，如智慧城市、商務(wù)戰(zhàn)略決策管理、量化交易策略、社會(huì)智慧治理、物聯(lián)網(wǎng)調(diào)度管理、交通電力等大型基礎(chǔ)設(shè)施的綜合調(diào)度、社會(huì)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(dòng)人類社會(huì)運(yùn)行和管理進(jìn)入新一輪文明階段。

（作者單位：中國(guó)現(xiàn)代國(guó)際關(guān)系研究院世界政治研究所）

（責(zé)任編輯：徐海娜）

[1] 弱人工智能（Weak AI）：?jiǎn)我活I(lǐng)域人工智能/應(yīng)用型人工智能，經(jīng)過大量的數(shù)據(jù)，能夠達(dá)到比人遠(yuǎn)遠(yuǎn)更精確的判斷。強(qiáng)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(fù)雜的邏輯分析和創(chuàng)造性工作，如科學(xué)研究、藝術(shù)創(chuàng)作、社會(huì)管理、邏輯分析等。

[2] 胡光宇：《戰(zhàn)略定量研究基礎(chǔ)：預(yù)測(cè)與決策》，北京：清華大學(xué)出版社，2010年版，第237頁(yè)。

[3] 漆海霞：《時(shí)間學(xué)列分析在國(guó)際關(guān)系預(yù)測(cè)中的應(yīng)用——以中法關(guān)系為例》，選自王建偉、陳定定，劉豐主編：《國(guó)際關(guān)系中的預(yù)測(cè)理論與實(shí)踐》，上海：上海人民出版社，2014年版，第73-87頁(yè)。

[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(jī)預(yù)警與決策支持：當(dāng)前的方法和對(duì)以后研究的思考”，選自王建偉、陳定定，劉豐主編：《國(guó)際關(guān)系中的預(yù)測(cè)理論與實(shí)踐》，上海：上海人民出版社，2014年版，第138-162頁(yè)。

[7] [美]Andrew IIachinski：《人工戰(zhàn)爭(zhēng)：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(yè)。

[8] 于芹章，胡曉峰，羅批：《國(guó)際政治生態(tài)模型設(shè)計(jì)與實(shí)現(xiàn)》，載《系統(tǒng)仿真學(xué)報(bào)》，Vol.18，No.12， 2012.12. 第3611-3629頁(yè)。

[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(shí)質(zhì)就是先假定一組參數(shù)，代入模型得到計(jì)算結(jié)果，然后把計(jì)算結(jié)果與實(shí)測(cè)數(shù)據(jù)進(jìn)行比較，若計(jì)算值與實(shí)測(cè)值相差不大，則把此時(shí)的參數(shù)作為模型的參數(shù)；若計(jì)算值與實(shí)測(cè)值相差較大，則調(diào)整參數(shù)代入模型重新計(jì)算，再進(jìn)行比較，直到計(jì)算值與實(shí)測(cè)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(xùn)練模擬系統(tǒng)原理》，北京：國(guó)防大學(xué)出版社，2011年版，第286-287頁(yè)。