如何加码人工智能，更好地预测暴乱和战争？

原文以Retool AI to forecast and limit wars为标题

发布在2018年10月15日《自然》评论上

原文作者：Weisi Guo, Kristian Gleditsch & Alan Wilson

英国三位学者认为，运用人工智能预测暴乱、探究暴乱原因有望挽救生命。

武装暴力不断发生，我们却不知道如何制止。自2011年以来，全球每年因暴力冲突死亡的人数高达10万人，其中四分之三来自阿富汗、伊拉克和叙利亚。过去几十年来，重大战争的发生率下降了。但是，国内冲突的数量从20世纪60年代以来翻了一番，恐怖袭击在过去十年里也变得越加频繁。

一名联合国维和人员在2005年利比里亚的一个选举现场。

来源：Chris Hondros/Getty

冲突的本质正在发生变化。国家之间爆发战争的频率已经下降，更多的冲突发生在国内武装组织之间。叙利亚境内的此类组织在2013年内战高峰期超过了1000个。

它们规模各异，规模小的只有少数几个本地民兵，规模大的包括成千上万名老练战士。技术进步使攻击的准确性、协调性和致命性都在上升。越来越多的平民成为攻击目标。截至2016年，战争已经造成全球6500多万人流离失所。其中一半以上是儿童。

损失可谓巨大。2016年，联合国人道主义援助支出超过200亿美元。发生暴乱的国家在经济上也受到重创。比如，自1996年以来，战争已经导致刚果民主共和国的GDP下降了近三分之一。战争还阻碍了多项联合国可持续发展目标的进展。

国家在预防冲突方面的支出相对较小。联合国2016年-2017年的维和费用约为70亿美元，还不到全球军事开支的1%。但是，维和人员成功阻止了危机引发的冲突。2016年，冈比亚一场引发争议的总统选举后的一个月内，西非国家出兵维持当地安全。采取干预措施可以防止冲突再次发生，就像在1991年萨尔瓦多内战和1995年的波斯尼亚和黑塞哥维那（简称“波黑”）战争中一样。

政府和国际社会很少对即将引爆的潜伏危机做出预警。使用风险预测算法——类似预测警力需求和极端天气的算法，可以提前几天、甚至几个星期找出潜在的动乱地区。为了预测冲突风险，这些算法会根据统计数据进行推断，并分析新闻报道中的文字，检测紧张局势和军事进展情况，进而估算发生暴乱的可能性。人工智能则可以助这些方法一臂之力。

这些方法已经开始了实际应用，比如Lockheed Martin的危机预警综合系统（Integrated Crisis Early Warning System）、图灵研究所的全球城市分析弹性防御项目（由Weisi Guo和Alan Wilson领导）和美国政府的政治不稳定任务工作组（Political Instability Task Force）。

未来的人工智能和冲突模型所要做的不仅仅是预测：它们还要能解释暴力出现的原因，并且提供预防策略。这有一定难度，因为冲突是动态且多维的。而目前收集的数据过于狭窄、稀少和分散。

要改进冲突预测，可以从三个方面入手：一是研发新型机器学习技术；二是收集更多关于冲突起因及其解决方式的信息；三是建立更能反映社会交互和人类决策复杂性的理论模型。

资料来源：全球恐怖主义数据库（Global Terrorism Database）, https://www.start.umd.edu/gtd

扩大数据收集范围

冲突预测最早开始于20世纪二、三十年代。先驱人物之一是数学家Lewis Fry Richardson，他运用统计学方法研究战争的起因，并得出了一些规律，比如死亡人数较少的小型战争多于死亡人数较多的大型战争；美国芝加哥和中国上海的帮派谋杀也遵循和大型战争一样的比例法则。这些规律可以大致预测出即将发生的小规模冲突数量，但是却无法预测它们会在何时何地发生。

数据收集也在不断进步。上万场战争和袭击的死亡人数、地点、参与人员和目标等数据都被记录在各式数据库中，如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（Global Terrorism Database）和乌普萨拉冲突数据项目（Uppsala Conflict Data Program）。

数据来源相当广泛，但是以媒体报道为主，而且经过人类专家核查。这些数据至多可以让当局提前几天预知可能发生的危险，但是无法提前几周或几个月发出预警以供当局制定和平解决策略。

由于收集的数据类型和预测模型太过粗糙，因此无法揭示驱动冲突的社会因素。有时候，最重要的结果往往难以观察到：那些被安全部队威慑或幕后政治谈判阻止的事件。在伊朗等国，媒体对暴力的报道会被封堵。暴力实施者会改变战术和效忠对象。暴力派系可能会公开提倡和平，背地里却挑起紧张局势，比如动乱时期的北爱尔兰（1966年–1998年）和1964年以来的哥伦比亚。

2017年，哥伦比亚革命武装力量（FARC）正式解除武装。

来源：Luis Robayo/AFP/Getty

暴力等级取决于一些无形因素，如战斗意愿。来自境外的武器和资金会使国内冲突升级，比如叙利亚和也门。袭击一旦得逞，就会激发连环动作。不平等、民族冲突或压迫性治理都可能招致暴乱或内战。而干旱等环境因素则会使形势雪上加霜。

减少未知

如果忽略了社会因素和起因，那么人工智能可发挥的作用也较为有限。况且，如今机器学习所采用的统计方法尚无法处理如此混杂的未知信息。举例来说，人工智能需要经过训练才会进行推断。它们先根据已有数据“学习”，检验预测结果是否准确，之后再相应地改进算法。

这里隐含一种假设，即训练数据与模拟的情景相对应。但是问题在于，我们通常不知道二者是否相似，尤其是在涉及许多隐含因素的动态演变场景下。如果二者不相似，那么预测结果便不可靠。

我们还需要进一步了解不同类型的冲突的统计特征——我们已经知道它们存在差异（参见“冲突预测”）。例如，分裂主义的民族冲突更有可能发生在本国之内，而不会蔓延到本国之外。恐怖袭击常发生在内战中，而不是在外部力量入侵时。精心策划的袭击，比如“911事件”，则最有可能发生在传统冲突之外。

发展理论

冲突研究人员尚未建立一个被普遍接受的理论框架来描述引起战争的机制。这样的框架应指明需要收集什么类型的数据，需要预测什么内容。目前大部分的研究都使用数据检验简单的非正式假设，比如气候变化会增加暴力。寻找关联；模型不统一；结果具有争议。很少有问题指向大的环境背景，比如政治经济不平等或军事威慑。

对复杂性建模将是关键所在。例如，为了取得和平结果，最佳的干预点在哪里，需要多大程度的干预？算法可以从利益相关者的互动中总结出空间分布模式，或者运用社会竞争理论发现相邻组织间的不稳定地理边界。

笔者之一（Alan Wilson）领导的团队使用这种模型在2011年伦敦骚乱事件发生后对事件特征进行了总结。这项工作确认了事发时需求的警力数量是正确的。但是，这类模型的准确度完全取决于输入数据的准确度。

全球联盟

预测和预防冲突需要一个全球性数据驱动系统，类似于那些用于预测天气、流行病和工程维护需求的系统。我们建议成立一个国际联盟，开发出形式化的方法来模拟社会发动战争的步骤。建立这种平台需要耗费上千万美元，但也只相当于全球应对冲突开支的一小部分。

该联盟应包括学术机构、国际组织和政府组织（如欧洲委员会灾难风险管理知识中心、联合国维和部队和国家外交部）以及参与重建和救援工作的产业机构与慈善组织（如英国奥雅纳工程顾问公司、国际红十字与红新月运动）。

学术研究人员应该建立虚拟全球平台，专门用来比较人工智能冲突算法和社会物理模型。此外，还必须使用开放获取数据，加快开展可重复的研究，并对产出进行基准化对比。另外，也需要制定测量标准、理论和模型。

我们已在10月中旬举行的研讨会上，就常规数据和建模架构进行了探讨。此次活动由瑞典乌普萨拉大学组织，主要关注暴力预警系统（ViEWS）。我们呼吁联合国投资数据驱动预测方法，为世界和平而努力。ⓝ

Nature|doi:10.1038/d41586-018-07026-4

点击“阅读原文”阅读英文原文

热门文章

点击图片阅读：让AI分析人们玩手机的模式，可以有效预防自杀吗？

点击图片阅读：还在手工分析数据？其他生物学家已经用上了AI

点击图片阅读：AI将“触手”伸向合成化学，脑力劳动还是人类的专长吗？

版权声明：

本文由施普林格·自然上海办公室负责翻译。中文内容仅供参考，一切内容以英文原版为准。欢迎转发至朋友圈，如需转载，请邮件[e-mail]。未经授权的翻译是侵权行为，版权方将保留追究法律责任的权利。

© 2018 Springer Nature Limited. All Rights Reserved