《人工智能与外交危机管理：解决“战争迷雾”问题》牛津大学2022最新14页论文

人工智能有望彻底改变预测、理解和管理国际危机的方式。具体来说，人工智能系统可以在危机时期为外交官和决策者提供帮助，帮助他们了解正在发生的事情（描述性分析），绘制危机演变的可能趋势或模式（预测性分析），以及评估应对策略的有效性（规定性分析）。然而，人们不太了解的是，这些模型如何在实践中发挥作用，以及人工智能模型需要满足哪些条件才能产生效果。该研究以俄罗斯在乌克兰的侵略战争所产生的国际危机为例，提出了一个将人工智能应用于危机管理的框架，并讨论了将人工智能纳入外交决策的机会和挑战。

引言

"人工智能"（AI）一词最早是由美国计算机科学家约翰-麦卡锡在1956年提出的，他将AI定义为 "制造智能机器，特别是智能计算机程序的科学和工程"（麦卡锡，2011）。虽然在过去的几十年里，对人工智能的探索经历了多个 "希望和绝望的季节"（Bostrom，2014年，第6-11页），但越来越多的人认为现阶段的人工智能发展有了质的变化。由于复杂的机器和深度学习算法的快速发展，人工智能应用现在已经达到了无需明确编程就能使用统计模型和类似神经网络自行学习的程度（Collins, 2021）。因此，人工智能的破坏可能会对危机管理产生强烈的影响，特别是因为数字平台已经成为协助决策者在数字时代管理危机的关键工具。它们已经帮助大使馆和外交部实时了解事件的性质和严重性，简化决策过程，管理公众的期望，并促进危机终止（Bjola & Coplen, 2022）。同时，需要非常谨慎地使用它们，因为事实的不准确、协调的差距、不匹配的披露水平和不良的信号做法很容易破坏危机管理的数字努力（Bjola, 2017）。

正如其他地方详细讨论的那样，人工智能系统可以在危机时期帮助外交官，帮助他们了解正在发生的事情（描述性分析），确定危机演变的可能轨迹（预测性分析），并规定可能的应对策略（规定性分析）。人工智能已经被誉为预测地缘政治事件（Morstatter等人，2019年）、预测暴力事件的爆发并探究其原因（Guo等人，2018年）或改善有关在复杂社会环境中使用强制和非强制策略的战略情报评估的可能解决方案（Frank，2017年）。人工智能的主要挑战是要做出的决定的半结构化性质。鉴于危机决策的高度不确定性，以及一旦出错不可避免的审查和问责要求，人工智能的整合只有在人类对该过程保持一定程度的控制时才能发挥作用。正如SIPRI的一项研究指出的那样，当人工智能系统面临的任务或环境与它们接受的训练略有不同时，可能会出现惊人的失败。人工智能算法也是不透明的，这往往使人类难以解释它们是如何工作的，以及它们是否掩盖了可能导致有问题--如果不是危险--行为的内在偏见（Boulanin，2019）。

在这些文献的基础上，本文试图通过对外交官在危机时期面临的挑战进行理论分析，并开发一个原型模型，以了解如何实时监测、分析和应对正在发生的危机，从而推动关于人工智能可以为危机时期的外交决策产生机会的辩论。为此，本文将首先解释决策者在危机时期面临的不确定性挑战，然后介绍可能有助于解决上述挑战的人工智能原型模型，最后对该模型的优势和局限性进行简短讨论。

人工智能建模与危机管理

本文提出的论点是，人工智能可以帮助外交部应对 "战争迷雾"，通过调整在危机时期有助于减少或增加不确定性的因素的影响。借鉴数据分析中用于区分描述性、预测性和规定性模型的类型学（Lepenioti等人，2020），本文提出了将人工智能纳入危机决策的概念模型，该模型基于图1所示的三个部分。

图 1：数据分析：描述性 - 预测性 - 规范性模型

第一个组成部分，即描述性分析，涉及到背景映射和相关信息的提取，可以提供问题性质的准确描述。这一部分所要回答的关键问题是正在发生什么？在危机的背景下，MFA对检测可能表明管理危机的潜在挑战或机会的模式感兴趣。回顾乌克兰战争的案例，多边金融机构可能会问的问题是，参与冲突的各方及其主要支持者的立场是如何实时演变的？他们优先考虑哪些方面？这些立场的一致或分歧程度如何？第二部分，预测性分析，是指通过测试和验证对问题的性质和原因的某些假设，预测可能的行动方案及其可能的影响（会发生什么？） 鉴于情况的变化，参与危机的各方的立场可能如何演变？X国是否可能支持欧盟对俄罗斯石油和天然气的禁令？如果是这样，在什么条件下？最后一个部分，即规范性分析，鼓励决策者整合在前几个步骤中收集到的信息，并利用结果来确定要采取的最佳行动方案（应该做什么？） 行动方案A与行动方案B会对外交部与其他国家的关系产生什么影响？X国应否在国际上带头努力，以解除俄罗斯对乌克兰在黑海的粮食的封锁？这样的决定可能会影响欧盟或北约成员之间的外交团结？

当然，所有这三个部分都可以在没有人工智能的协助下进行处理。事实上，多边金融机构应该能够在危机时期进行这样的分析，而且他们已经利用内部和委托的专家定期这样做。据推测，人工智能所能增加的是实时洞察力，以及对各方相互交换的信号的实质和可信度的更准确评估。人工智能可能无法完全化解 "战争迷雾"，但它们可能能够为在危机时期用于决策的信息的价值提供足够或可操作的信心。要做到这一点，人工智能模型需要考虑到能够模糊危机信号的因素，并尽可能地减少它们所引起的不确定性水平。如图2所示，人工智能模型始于外交部及其使馆网络从静态（如宏观经济指标、社会人口数据）和动态来源（如社交媒体信息、官方声明、报纸报道）收集的数据汇总过程。然后，如此产生的数据集将被分成两个子集（通常70%为训练，30%为测试），用于训练和测试用人工智能算法创建的模型。在运行和微调竞争性的话题、社交网络和参与度分析模型后，将选择一个最佳的人工智能模型来提供洞察力以协助决策。该模型应该能够指出一组主题、影响者网络以及能够最有效地捕捉冲突中相关行为者所传达的信号的参与形式。该框架还可以包括评估整合来自合作国家或国际组织的其他人工智能模型（图中标有*）的可行性，以努力进一步减少 "战争迷雾 "引起的不确定性。然后，从数据分析中获得的洞察力可以转化为一个行动计划，为官方对危机的反应和政策回应提供参考。这个过程继续进行，新一轮的数据收集直接反馈到数据分析中，使决策者能够在危机中实时追踪和应对新的发展。

图 2：基于人工智能的危机管理模型

虽然图2中的模型同样适用于上面讨论的三个分析组件中的任何一个，但应该注意的是，人工智能建模的复杂性以及延伸到危机决策的分析价值在描述性、预测性和规定性格式之间有很大的差异。主要区别在于为每个部分的机器学习（ML）技术提供动力所需的数据质量，以及这些技术的复杂程度。追踪和分析危机演变所需的数据更容易获得，可以使用相对传统的ML算法进行处理。之所以如此，是因为描述性分析依赖于已经作出的决定和已经实施的行动。一旦人工智能系统被要求预测可能的行动路线并评估应对策略的可行性，情况可以说变得更加复杂，因为产生这种反应所需的信息是基于尚未作出的决定和尚未实施的行动。因此，关于人工智能在危机管理中的应用的讨论必须密切关注描述性、预测性和规定性的顺序，以便在每种情况下开发的知识可以适当地告知其他情况下的人工智能解决方案的开发。出于这个原因，以下部分将重点了解人工智能在第一部分（描述性分析）的应用条件，希望从这个阶段学到的经验可以随后应用和扩展到开发人工智能解决方案，以支持危机管理的预测性和规定性分析。