人工智能技术推动美国情报工作转型研究

王振宇

近年来，随着“深度学习”“强化学习”等人工智能技术的飞速发展，人工智能技术已经发展出诸多面向军事情报领域的应用。现代人工智能技术已经彻底突破传统人工智能所展现出来的局限，并在数据处理、模式识别，机器人技术、博弈、数据挖掘、机器辅助分析、网络空间安全等方面发挥巨大作用。对于美国情报界而言，发展能够直接应用于情报工作的人工智能技术，是改进情报识别、情报搜集、数据处理、情报分析、情报共享与协作的重点。

信息化时代背景下，美国情报机构在应对传统安全威胁的同时，也注重对于非传统安全威胁的识别、控制。整个国家社会创造了大量的结构化和非结构化数据，这些数据规模之大，足以压垮此前的情报分析模式和威胁识别方式。美国防创新委员会断言：“无论谁收集和组织最多关于我们自己和对手的数据，都将保持技术优势。如果不能将数据视为战略资产，将把宝贵的时间和空间拱手让给竞争对手或对手。”

关于全源情报数据量增长现象，思科公司在2007年一份报告中做出如下判断，“到2021年，预估全球网络流量产生的数据将达到3.3ZB/年。同时，全球人均持有3.5台网络设备”。与此同时，美国家地理空间情报局局长公开估计，“在目前收集速度加快的情况下，到2037年，我们将需要800多万图像分析员来处理所有图像数据”。

美国防情报局集成分析与方法负责人特里·布希指出建设军事情报大数据项目的四个难题分别是：数据一致性差、数据存储与访问广泛、数据解释力低下、数据系统不兼容。以上四个难题是情报大数据的难题，也是实现统一数据标准，发挥情报数据价值的方式。

為了解决上述问题，美国情报界积极引用人工智能技术来推进情报数据管理工作。通过智能传感器、监视器和生物识别技术能够实现关键目标自动识别、锁定。利用计算机视觉（CV）、模式识别技术能够使得情报分析人员实现视频、语音的自动提取和分析，从而大大提升情报搜集和处理能力。

以军事情报技术数据库为例，2018年，美国防情报局经过实验研究和论证后，决定开发机器辅助分析快速存储系统（MARS）作为实验研究示范项目。该系统的建设目的是将当下存储基础军事情报的数据库（美国防部MIDB综合数据库）转化成一个多维、灵活和严格的数据环境。MARS的最终设计目的是连接到数以百计的国防部情报、规划和基于作战的工具和系统。该系统由五个模块构成，分别是基础设施、战斗命令、情报任务数据、网络空间、空间和对抗空间。

情报分析是情报工作的核心。美国情报界认为，人工智能技术有望推动情报分析转型。长久以来，情报分析采用以人为核心的工作模式。情报分析受分析人员经验、阅历、受教育程度等多方面因素影响。同时，情报分析学者认为，当前的情报分析工作模式主要有两种：观念驱动分析与数据驱动分析，两者均被分析人员的认知能力所影响。同时，情报分析常常伴随着对手的误导与欺骗，这使得情报分析难度较高。

近年来，随着非传统安全威胁的升级，美国决策者对于情报分析的需求不断提升。决策者对于一件事情不仅想知道“是什么”“为什么”，还想知道事物“未来会怎样”。此外，伴随着全球突发事件频发，情报分析效率的提升也是情报转型的重中之重。

美国情报界认为，首先，利用深度学习技术的数据工具可对情报数据流的背后现象和趋势进行推断，判断事物的因果关系。通过人工智能技术构建的情报可视化网络有助于挖掘事件深层脉络与潜在含义。其次，利用图形分析技术和机器推理能够有效规避分析人员的认知偏见，通过对情报目标（人员、建筑物、组织网络）等数据进行自动化关联、自动筛选，有利于形成对整体形势与态势的掌握。再次，通过人工智能算法对数据进行清洗、聚类、关联、描绘节点，能够有效过滤相互冲突的情报数据，有效抵制情报欺骗。最关键的是，通过人工智能技术的情报数据处理、辅助分析系统能够提升情报分析自动化水平，提升情报分析效率。

基于计算机视觉的人脸比对功能

数据不能揭示所有的事情，比如危机中对手的决策。美国情报学者杰克·戴维斯认为：预警属于情报分析领域，是对敌方行为的预判，需要不断对敌方行为进行持续评估和改进。有学者认为，实现有效预警的方式是建构指标群。但由于战略对手通过隐真示假、思维误导等战略互动行为导致情报预警成功率低下，因此情报预警要解决的两个关键性问题是预警时效性问题和预警真实性问题。

以美情报高级研究计划局（IARPA）开展的知识发现与传播项目为例，该项目通过信息提取/聚类、自然语言处理（NLP）、社会网络分析等技术，能够帮助情报分析者从多个大型异类的数据源中有效获取预警关键信息。同时，该机构开发的KRNS项目通过知识发现、神经系统科学、决策论、数据训练等人工智能技术帮助情报分析人员克服情报预警分析的认知偏见。综上，通过应用人工智能技术构建的自动化情报预警系统能够有效提升情报预警效率，从而为决策留有充足的余地。

美国情报界智能化转型的核心任务是引进民间成熟的人工智能技术服务现实情报任务需求。为迎合情报任务需求，实现人工智能技术与情报工作的无缝衔接，IARPA设置四个相对应的办公室：智能搜集办公室、深入分析办公室、安全运行办公室和意外预测办公室。这四个下属办公室分别对应人工智能技术增强的情报搜集、数据处理、情报分析、计算能力等方面。

人工智能技术发展的核心资源是数据、算法与算力，IARPA开展的人工智能项目就围绕着上述三个方面展开。其中智能搜集办公室开展的人工智能项目与智能化情报搜集相关，涉及地理空间情报（Amon-Hen项目）、身份识别信息（Odin项目、BEST项目）。深入分析办公室所开展的项目与情报分析有所联系，但更多的是对数据和信息进行分析，而不是常规所认为的情报分析，所开展的项目涉及语言数据处理（BETTER项目、MATERIAL项目、BABEL项目、KDD项目、SCIL项目）、视频数据处理（ALADDIN项目）、图像数据处理（Janus项目）等。安全运行办公室所开展的项目大多与人工智能技术并不直接相关，而是侧重于提升计算能力，能够从侧面提升人工智能技术的计算能力，所开展的项目涉及高性能计算，包括C3项目、HECTOR项目、LogiQ项目、SuperTools项目等。意外预测办公室所开展的项目与机器推理、自动化分析相关，涉及网络安全自动检测（CAUSE项目）、机器辅助分析（ACE项目、ForeST项目、OSI项目等）、自动政治事件预测（Mercury项目）等。

Python算法编写

创新人工智能技术开发模式是美国情报界关注的重点。在引进成熟的美国防高级研究计划局（DARPA）项目经理负责制外，美国情报界采用来自民间信息技术产业界的敏捷开发方法。

敏捷开发方法指基于现实开发进度，允许项目用户频繁的参与项目开发进程，对开发进程进行反馈，并将反馈意见并入后续开发当中。敏捷开发方式能够在开发过程中控制开发进度，控制成本和风险。该方式能够通过迭代增量的方式来不断改进产品特性，逐步产生理想的解决方案，先建立局部再拓展到整体，将风险分散并尽早得到反馈以改进人工智能产品。

美国政府问责局认为，通过采用敏捷开发方法能够充分调动人工智能项目全体利益相关者的积极性，最大限度了解用户的需求。同时，通过敏捷开发方法能够设置项目开发优先级和参与度指标，降低人工智能项目开发风险。

时任负责人力资源的国家情报副总监黛博拉·克彻尔指出，“未来几十年，情报界面临加速的技术变革…情报界劳动力战略管理势在必行”。情报界认为，发展能够适应信息化智能化时代的变革，需要对现有劳动力进行培养和升级。对现有劳动力的培养和升级并不意味著情报界所有人员都要学习Python算法编写，而是每个情报界人员都要了解智能化时代情报界所面临的挑战和情报界所需要做出的改变。

美国情报界认为，应用人工智能技术，能够重塑情报界的人力资源构成，更新情报流程，并最终改变情报界的文化。人力资源是情报界共同事物的重要构成，情报界认为需要对人力资源进行专业化。

在人力资源政策方面，情报界未来将最大限度的提高权限和政策优惠，以确保人工智能人才在情报界招聘、雇佣、培训等领域受到优待。人力资源政策支持情报界发展人工智能的战略，并降低使用人工智能人才的障碍。同时，情报界将通过“教育服务协议”扩大情报界的博士后实习计划，这样有助于在博士毕业前与同行业进行人才竞争。此外，情报界将支持临时的民间人才至官方机构进行实习轮换。最后，情报界希冀通过调整政策和资金配比，提高美国国内和国外人工智能技术领域毕业生的保留率和吸引力，并允许人工智能领域专家在获得许可前即进行一定的工作。

人工智能技术

总结美国情报界发展人工智能技术的战略规划的路径，可以将其称之为情报界投资策略。这种投资以商业项目孵化为主，辅以人力资源改革、盟友合作优化。美国情报界将人工智能项目孵化视作战略规划的重点，从短期看是确实可行的，因为这一成熟的技术转化方式已经被“DARPA模式”证实是行之有效的。以“阿拉丁视频”项目、“巴别塔语音”项目为代表的人工智能项目已经结项，对情报工作的帮助亦是直观的。

但是，美国情报界对于人工智能技术基础研究领域的投资远低于对应用领域成果转化的投资。美国情报界对人工智能技术成果转化的模式是一种风险投资的商业模式，该商业模式在商业界已经被证实是极具效率的。但美国情报界与商业界不同的一点是，商业项目风险投资通过商业市场作为“筛选器”，将投资回报率低、市场兼容性差、适应性差的项目淘汰了。而美国情报界是官僚组织，没有商业市场的淘汰环节，缺少了商业模式中最重要的“物竞天择”环节。而美国情报界的投资预算是有限的，且只能接受风险相对较低，前景较为明朗的人工智能项目。这就导致在未来，情报界只能采用商业界较为成熟的人工智能技术。

同时，美国情报界内数据共享和内部协作一直以来都存在较为突出的问题。在发生重大情报失误之前，彻底改变这一现状具有较大难度。情报制度、文化和采办的惯性将持续至下一次重大情报失误和丑闻。

责任编辑：侯  琳