近年来，武装冲突和恐怖袭击的数量不断上升，这种趋势却很难得到有效地遏制。研究人员称利用AI技术可以预测暴力的发生并分析其原因，并以此挽救生命。文中分析了AI可以通过扩大数据收集、减少未知数、建立相关理论支持以及全球合作的方式，更好地预测战争的发生，并以此遏制其可能带来的负面影响。

现由学术plus编译，仅供参考。文章版权归原作者所有，观点不代表本机构立场。

重塑AI来预测和限制战争

Retool AI to forecast and limit wars

来源：https://www.nature.com

作者：plus评论员  张涛

研究人员称，利用AI技术可以预测暴力的发生并分析其原因，并以此挽救生命。

全球范围内的武装冲突与恐怖袭击只增不减

武装冲突和暴力数量呈不断上升趋势，但我们却不知道如何阻止和遏制这种情况。自2011年以来，全世界的冲突每年造成多达10万人死亡，其中四分之三位于阿富汗、伊拉克和叙利亚。在过去几十年中，主要战争的比率有所下降。 但自20世纪60年代以来，内部冲突的数量翻了一番，恐怖袭击在过去十年中就变得更加频繁。

冲突的数量不断上升，同时冲突的性质（本质）也发生了变化。国家之间的战争数量变少了，但武装团体在不断活动中，在2013年内战高峰时期，有超过1000个这样的武装团体在叙利亚开展活动。武装团体的规模也各不相同，有由少数当地民兵组成的，也有由数万名经验丰富的战士组成的。技术进步也使攻击发生了改变，即使攻击更加精确、可协调和致命。越来越多的平民成为攻击目标。截止2016年，战争已使全球超过6500万人流离失所，其中一半以上是孩子。

武装冲突的成本也是巨大的。2016年，联合国在人道主义援助方面的支出就超过200亿美元。战争或冲突参与国也会在经济上受到巨大损失。例如，1996年以来，战争消耗了刚果民主共和国的国内生产总值的大约三分之一。战争还影响了许多联合国可持续发展目标的进展。

相对而言，各国在预防冲突方面花费相对较少。2016 - 2017年联合国维和行动的花费约为70亿美元，相当于全球军费开支的不到1％。然而，维和人员在危机发生之前预防了冲突的爆发。例如，在2016年冈比亚有争议的总统选举的一个月内，西非国家就派出军队来维持安全。干预措施也可以阻止冲突的再次发生，比如1991年的萨尔瓦多内战和1995年的波斯尼亚和黑塞哥维那。

各国政府和国际社会往往不会对即将发生的危机发出警告。使用预测风险的算法可以提前几天或几周标记可能的危机或冲突爆发点，这类似于用于预测警务需求和极端天气的算法。对于冲突风险预测算法，代码通过统计数据可以推断和分析新闻报道中的文本内容来检测国际关系紧张度和军事发展来预估军事暴力和冲突的可能性（参见go.nature.com/2oczqep）。而人工智能（AI）是促进这些方法的根本动力。

洛克希德马丁公司的综合危机预警系统（Integrated Crisis Early Warning System）、艾伦图灵研究所的全球城市分析弹性防御项目（project on global urban analytics for resilient defence，由W.G.和A.W.运营）和美国政府的政治不稳定任务工作组（Political Instability Task Force）就是最好的例子。

人工智能不仅是未来作战的重要工具，也可以成为维护和平、令人类免受战争之苦的福音。

面对可能的武装暴力冲突，AI可以做什么？

未来的人工智能和冲突模型需要做的不仅仅是做出预测：必须同时提供对暴力的解释和预防的对策。这是非常困难的任务，因为冲突是动态的和多维的。目前收集的数据都太过狭隘、稀疏，不够丰富。

新的机器学习技术、关于冲突的更广泛原因分析及其解决方案的相关信息、和可以更好地反映社会互动和人类决策的复杂性的理论模型可以改善目前冲突预测遇到的问题。

来源：全球恐怖主义数据库，https://www.start.umd.edu/gtd

扩大数据收集

Broaden data collection

冲突预测最早出现于20世纪20年代和30年代之间。其先驱之一是数学家路易斯·弗莱·理查森，他利用统计数据来研究战争爆发的原因。他通过数据分析揭示了其中一些规则，例如，小型战斗的数量远远多于大型战斗，小型战斗的死亡人数要远远少于大型战斗。还发现在伊利诺伊州的芝加哥和中国上海发生的谋杀事件遵循了与主要战争相同的扩张规律。这些规律粗略地预计了会发生多少次小规模冲突，但不能明确可能发生的地点或时间。

因此数据收集就开始了，收集的数据包括数十万次战斗和攻击的死亡人数、地点、发起者和目标，并被保存在《武装冲突地点和事件数据项目（Armed Conflict Location and Event Data Project）》《全球恐怖主义数据库（Uppsala Conflict Data Program）》《乌普萨拉冲突数据项目（Uppsala Conflict Data Program）》。数据来源主要是媒体报道，但会经过人类专家审查。

收集的数据类型和预测模型都不够精准，不足以揭示驱动冲突发生的社会因素。但最重要的结果是无法通过观察得到的：即安全部队或政治谈判阻止发生的事件。在伊朗等国家，媒体对暴力的报道会遭到扼杀。行动者和参与行动者可以转变战术，暴力派可能会引发紧张局势但在公开场合营造追求和平的氛围，北爱尔兰在1966到1998期间和1964年以来的哥伦比亚都是这样的情况。

暴力的程度取决于战斗意愿等一些无形的东西。来自国外的武器和资金会加剧内部冲突，叙利亚和也门就是最好的例子。成功的进攻也会鼓励胜利一方进行下一步的尝试。不平等、种族紧张关系或压迫性的治理（oppressive governance）都可能引发骚乱或内战。干旱等自然环境因素有时也会增加这种压力。

减少未知数

Reduce unknowns

如果不考虑社会和因果因素，AI的作用就很小。而且，如今常用的机器学习方法也不能处理这种混合的未知信息。比如，AI需要经过训练才可以进行推理，AI从现有数据中“学习”，测试预测是否成立，然后对算法进行相应地修改。但这都基于一个假设，即训练数据反映了建模的情况。问题是，我们并不知道这些数据（场景）是否相似，尤其是在涉及许多隐藏因素的演变场景中。如果不相似，那么预测的结果就是不可靠的。

我们需要从不同类型的冲突的统计数据中去了解更多的信息，目前我们已经了解其中存在差异（参见冲突预测Conflict prediction）。比如，分裂主义的种族冲突不太可能蔓延到本国以外，恐怖袭击在内战中更常见。一些精心策划的攻击需要规划，也最有可能发生在传统冲突以外，比如2001年9月11日对纽约世界贸易中心发起的恐怖主义袭击。

建立理论

Develop theories

冲突研究人员目前尚未建立一个普遍认同的理论框架来描述引发战争的机制。这样的框架应决定收集哪些类型的数据以及需要预测哪些数据。目前大多数研究都是根据简单的非正式假设来测试数据的。寻求数据的相关性，模型不符合，结果就会有争议。关于背景问题的问题太少，例如政治和经济不平等或军事威慑。

复杂的建模将是解决这一问题的关键。比如，怎么样为了和平的结果进行干预，干预的时间和程度是什么？算法可以从相互作用的利益相关者中梳理出空间模型（spatial pattern），或用相邻群体之间的社会竞争理论来强调（突出）不稳定的地理边界。有团队就使用这样的模型来对2011年的伦敦骚乱事件进行特征分类。这项工作确认了恢复秩序所需的警察数量。

全球协作

A globle consortium

冲突的预测和预防需要一个全球数据驱动的系统，就像用于天气预报、流行病预测和维护工程需求的系统。研究人员建议成立一个国际组织（联合体）来制定正式的方法来对模拟社会发动战争的步骤进行建模。建立这样的平台将花费数千万美元，但这只是世界为应对冲突而支付的数十亿美元的一小部分。

该联合体应包括学术机构，国际和政府机构（如欧洲委员会灾害风险管理知识中心，联合国维和和国家外事办公室）以及工业界、慈善机构等。学术研究人员应建立一个虚拟的全球平台，用于比较AI冲突算法和社会物理模型（socio-physical models）。而这必须使用开放获取的数据来加速可重复的研究，并进行基准输出。因此需要制定评估标准、理论，以及开发相关的模型。

研究人员希望在2018年10月15日至16日的ViEWS研讨会（https://www.pcr.uu.se/research/views/activities/annual-workshop）上采取第一步行动，就共同数据和建模基础设施方面的问题达成一致。由瑞典乌普萨拉大学组织的该活动将重点关注暴力早期预警系统（Violence Early-Warning System，ViEWS）。研究人员同时呼吁联合国能投资这类数据驱动的预测方法，以促进和平。

Nature 562, 331-333 (2018)doi: 10.1038/d41586-018-07026-4

（全文完）

查看英文原文：https://www.nature.com/articles/d41586-018-07026-4

声明：本文来自学术plus，版权归作者所有。文章内容仅代表作者独立观点，不代表安全内参立场，转载目的在于传递更多信息。如有侵权，请联系 anquanneican@163.com。