2024年1月22日，米切尔航空航天研究所发布了美国空军退役中将达什·贾米森（Lt Gen Dash Jamieson）的文章《人机协作：重新构想的情报周期》（Human Machine Teaming：The Intelligence Cycle Reimagined）。

该文章讨论了人工智能和机器学习如何改变情报循环，以及人机协作在情报循环中的作用。研究提出了新的情报周期概念，该概念利用人工智能和机器学习技术重塑情报周期。

在人工智能新时代，依赖人工处理的情报周期已经落伍！人机协作，重构情报周期

作者：达什·贾米森（Dash Jamieson）

编译：奋斗小青年

全文摘要与关键词

1.现行情报周期的功能：规划/指导、收集、处理/利用、分析/制作、传播

2.现行情报周期存在的问题：进入对手决策周期的速度没有达到最优；以人为中心；情报周期跟不上应对同行威胁所需的程度或速度

3.新情报周期的四项功能：构建“以任务为中心的人机团队”；人机驱动的AI情报周期（发现、生成、融合、洞察交付）

4.评述：AI技术已彻底突破传统人工情报的局限性，在数据处理、数据挖掘、模式识别、机器辅助分析、网络空间安全等方面发挥着巨大作用。人机协作将彻底改进整个情报工作流程，转变情报界观念，同时也将重新定义“人类情报”的能力边界，并提供一种更动态、高效的方式来确保国家安全。

开发新的情报周期迫在眉睫。在数字时代，新传感器技术收集的信息量，以及将这些传感器联网共享的信息量，已成为实现更快决策的障碍。“信息过载” 相关问题已成为美国情报界讨论的热点。当前的情报周期曾经是情报界几十年来的黄金标准，但如今随着技术的发展需要重新思考。情报界须彻底思考人工智能/机器学习与人机协作对情报周期产生的影响。目前迫切需要找到快速适应并向前迈进的方法，匹配21世纪的信息速度，开发新的情报周期，正当其时。

快速、无缝将信息融合至情报，以可操作的格式，在正确的时间，将信息快速传递到，正确的地点。

1 现行情报周期的5项功能

现行的情报周期由五项功能组成:

一是规划/指导。确定研究的主题，提供指导，制定行动方案，并据此制定任务。

二是收集。区分需求的优先级，识别多领域资产，并执行收集资产的任务以收集数据。

三是处理/利用。从各种收集资产中获取原始数据，并进行第一阶段审查以确定相关性或是否保留数据。

四是分析/制作。评估来自收集工作的数据——来自所有情报来源和方法，如已建立的情报收集学科（INTs）——以识别模式、异常、异常值和相关元素，当这些元素联系起来时，就开始揭示一个故事或画面。该过程包括第一阶段审查的数据。该分析用于生成可搜索格式标记日期/时间的分析报告。

五是传播。通过情报界或向特定决策者发送数据。

图：情报循环

2 现行情报周期存在的2个主要问题

情报流程“各自为政”。情报周期的五项功能被设计成连续循环，一项功能无缝地传递到另一个功能，如果有必要，也可以省略一些中间功能。该周期基于若干假设，从而造就了能够对每项功能内的任务进行精雕细琢的专家。虽然这种循环是无意的，但却逐渐依赖于开展某些活动以实现预期成果所需的时间。这导致流程既孤立又有序，周期内的转换看起来更像是接力赛中的接力棒传递。这种各自为政的做法产生了一个意想不到的后果，那就是周期的每一个阶段都要进一步延迟，以独立确保该环节的所有要求都得到确定和满足。虽然周期的目的是根据情报的关键性允许在各阶段内绕过，但通常情况下，单个阶段的生产计划会减少这种选择，并且绕过功能是不可取的。这使得所需的速度（即进入对手决策周期的速度）达不到最优。

信息规模→导致→传统情报周期的困境。目前，现行情报周期循环以人为中心，使用久经考验的技术和具有固定数据字段的工具以及初始高级分析应用程序来实现预期结果。但随着人工智能/机器学习，以及生成式人工智能（Gen AI）的出现，传统的周期已无法跟上步伐，也无法应对当今的信息量或信息规模。现有的工具也无法按照未来应对同侪威胁所需的程度或速度推进循环。

来自政策和决策者的情报“压力”。加剧这一困境的是两个核心考虑因素：对政策/决策者的更大影响，以及使用这一技术的道德或法律界限。政策/决策者要求对情报部门收集和传播的信息有更深入的了解和更大的影响力。他们希望情报界能够快速、无缝地将信息融合到情报中，并以可操作的格式在正确的时间将信息快速传递到正确的地点。目前，有许多辩论、国会正在进行的证词和其他审议活动在审查生成式人工智能的影响和效果，以及公司或国会是否需要为其应用设定界限。

3 新情报周期的四项功能

构建“以任务为中心的人机团队”。人工智能、机器学习和生成式人工智能的大量涌现使得向“以任务为中心的人机团队”转变成为必要，这种团队可以灵活快速地运作，以满足不断压缩的数据驱动的决策时间表。

“人机驱动的AI情报周期”的四项功能。以下提出的由人机驱动的人工智能/机器学习/生成式人工智能情报周期由四项相互交织的功能组成，它们在评估异常、关系和模式时连续且同时发生。

一是发现（Discovery）。使用人工智能/机器学习/生成式人工智能对数据进行广泛的搜索和探索，梳理来自各种来源的短期和长期数据，例如公开信息（PAI）数据（社交媒体、新闻媒体、文化规范、人口统计和商业数据）；传统情报信息（原始机密和第一阶段情报）；以及经济和行业数据。当务之急是用PAI开始广泛搜索，因为它可以即时警告和提示异常情况，或提示机密渠道中暴露的联系。这主要由人机协作的机器部分完成，必要时由人工审查。根据人机协作评估的关键程度，该周期可以轻松加快从直接收集初始信息到将数据传播给决策者的速度。

二是生成（Generation）。感知、识别、归类和共享数据，以形成见解或保留数据供将来使用。人工智能/机器学习/生成式人工智能的优势在于能够快速、大规模地感知大量数据来源。这是通过神经网络和算法来实现的，这些神经网络和算法制定并识别模式、异常和指示，以归因于特征和来源。信息认证和来源归属是其中的关键功能。

图: 数字人机协作驱动的情报循环

确保数据的身份，并提供怀疑深度伪造、僵尸程序或恶意编造的能力。所有这些步骤同时发生，通过产生可在整个情报界中发现的输出促进数据共享。人机协作的机器部分同时执行收集和基础分析的双重功能。通过使用来自所有情报和行业数据的原始和最终情报，将解决“谁、什么、何时、何地”的问题。人的因素将侧重于描述解决原因的意图、提供监督和决策评估。

三是融合（Fusion）。将信息整合、协作、验证和优先排序到可操作的情报分析中，为政策和作战人员提供决策优势。信息与情报的主要融合是通过机器来实现的。人的因素负责身份认证、验证、优先级排序和决策结果。随着人工智能/机器学习/生成式人工智能变得越来越精确，一些功能将需要更少的人工交互；但编码规则中人为因素对于验证、准确性和优先级仍至关重要。换句话说，人类负责批判性思维和批判性推理。同样，输出可以在周期中的任何方向进行，包括返回到“发现”进行额外的搜索，以填补空白或向最终用户提供见解。

四是洞察交付（Insight Delivery）。机器的灵活性将在整个情报界中迅速分发情报并传递给决策者。随着人类与人工智能/机器学习/生成式人工智能之间的信任不断增加，人类因素将由最初决定情报的访问、存储和检索转变为情报的质量控制。

一旦情报被传播，循环就会继续进行，以完成任务重点或开始新确定的任务优先级所需的任何要素。

4 评 述

4.1人机协作重构情报周期，将推动情报工作转型

人工智能/机器学习/生成式人工智能提供的全套发现功能提供了快速填补现有差距和解决问题的机会，提供了对决策驱动因素和流程的见解，并利用来自政府内外的数据力量，极大地扩展了情报界的数据库，提供了解决所面临挑战的综合视角。作者通过利用人工智能和人机协作能力，重新构想情报周期，提出了有价值的提议。

人工智能技术已彻底突破传统人工情报的局限性，在数据处理、数据挖掘、模式识别、机器辅助分析、网络空间安全等方面发挥着巨大作用。人机协作将为改进情报搜集、识别、数据处理、情报分析、情报共享与协作提供重要的情报工作手段，贯穿整个情报工作流程。该提议通过为决策者提供及时和精确的情报优势，推动情报工作转型，转变情报界观念。

4.2 人机协作，将重新定义“人类情报”的能力边界

人机协作，重构情报周期，在于采用混合方法，人工智能和人类情报共存并相互补充。这种整合将重新定义人类情报活动的能力和局限性，提供一种更加动态、高效的方式来收集情报和确保国家安全。人工智能正在改变人类情报领域，带来强大的工具和能力，但并不是人类情报的替代品，而是对现有技能的增强。

4.3积极采用适应新情报周期流程，扩大未来成功机会

在一个需要更多数据和更快决策的竞争时代，只有打破现有的过时的情报循环，才能拥抱技术获得惊人的速度。一旦情报界充分试验并吸收了该技术的重要性，将进一步展示人机协作的价值并更新情报界的观念。美国及其盟友共同确保机器被用在发挥其作用的地方，并以增加实际价值的方式使用。而人类从繁琐、简单、枯燥的工作解放出来，用在能够超越和倡导关键决策者成果的地方。情报界须转变观念，积极寻求变革，迅速采用这些创新技术，并扩大其未来成功的机会，才能在新一轮技术浪潮中处于不败之地。

参考文献：

https://mitchellaerospacepower.org/human-machine-teaming-the-intelligence-cycle-reimagined/

https://mitchellaerospacepower.org/wp-content/uploads/2024/01/MI_Forum_53-HUMT-FINAL.pdf

声明：本文来自认知认知，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。