深度：AI人工智能技术如何革新美军战场情报分析？

2024年8月，美国兰德智库发布研究报告《探索使用人工智能来减轻美国陆军战场情报准备过程中潜在的人类偏见》（Exploring Artificial Intelligence Use to Mitigate Potential Human Bias Within U.S. Army Intelligence Preparation of the Battlefield Processes），文章主要探讨了如何利用人工智能（AI）来减轻美国陆军战场情报准备（IPB）过程中的潜在认知偏误问题。主要内容摘编如下：

（图源：兰德智库）

一、什么是IPB

IPB（Intelligence Preparation of the Battlefield，即战场情报准备）是美国陆军用于收集、组织和处理情报的过程，旨在建立一个分析框架，以便向军事决策者提供及时、准确的相关情报。

IPB的概念源于军事规划对情报的持续需求，旨在帮助指挥官全面理解即将进入的战场环境。这一准备工作可以追溯到古代，军事领导人会尽量收集有关地形、敌情和气候等方面的情报，以更好地制定战术和战略。随着时间的推移，尤其是在20世纪的两次世界大战和冷战期间，IPB的理念不断演进，并随着情报收集与分析技术的进步，逐渐变得更加系统和专业化。

（图源：U.S. Army）

IPB的四个关键步骤：

第一步：定义作战环境（Define the Operational Environment）：确定指挥官的行动区域（AO）和关注区域（AOI）边界，评估当前行动与情报情况，启动必要流程以获取完成IPB所需的信息。

第二步：描述环境对作战的影响（Describe Environmental Effects on Operations）：分析并描述潜在的威胁、地形、天气及民事因素对友军行动的影响。

第三步：威胁评估（Evaluate the Threat）：识别威胁特征，建立或完善威胁模型，并确定威胁能力。

第四步：确定威胁行动方案（Determine Threat Courses of Action）：开发潜在威胁行动方案，并制定事件模板和矩阵。

二、IPB过程中的认知偏误

常见的认知偏误类型及对IPB过程的影响：

1、确认偏误（Confirmation Bias）

分析人员往往倾向于优先收集支持其预设假设的证据，同时忽视或低估与假设相矛盾的信息。这种偏见，即确认偏误，使他们过于强调支持性证据，而忽视或未能主动寻找反驳证据，从而可能导致对敌人行动和意图的误判。

2、锚定偏误（Anchoring Bias）

在不确定条件下形成看法时，分析人员可能会过度依赖最初获得的信息或他们的初步判断，即使有新信息出现，后续决策也难以调整。

3、可得性偏误（Availability Bias）

分析人员往往会依据个人经验或记忆中容易获得的信息进行分析，忽略其他重要信息。

4、群体思维（Groupthink）

当IPB团队成员为了维持团体一致性，倾向于忽视不同的意见或替代方案。这种现象可能妨碍有效的群体决策，并忽略潜在的威胁。

5、计划失误（Planning Fallacy）

低估完成未来任务所需时间或资源的倾向，常常导致战场准备不足。

三、AI与IPB整合的推动力

节省时间与精力

AI/ML可以极大地改善传统的人类主导的IPB工作流程。从而减少信息收集活动所需的资源和时间。AI/ML有可能快速描述一个操作环境，并在系统成熟并能够摄取开源信息后，提供关于操作环境变化的近乎实时的细节。这些细节可能包括对冲突或战斗损害的评估，例如道路、桥梁和建筑物的状态。

提高数据分析效率

AI/ML预测模型可以通过分析地区社交媒体、新闻报道以及其他有关人口统计、态度和观点的开源数据，帮助预测并提升现有分析工作的价值，从而为地区指挥官提供额外的参考信息。

提高识别威胁能力

AI/ML可以根据历史数据和趋势预测未来的敌方行动，定期为IPB评估提供更新的事件信息，并监控和更新威胁评估，以优先分配资源，从而为指挥官提供更大的决策空间，基于设定的AI/ML操作参数。

减少意外状况发生

AI/ML的使用能够促进更广泛的视角和创造力，从而丰富IPB过程的决策基础，避免人类团队无意识造成的偏差，优化资源配置，增强整体战斗力。

（图源：视觉中国）

推进AI/IPB集成研究的建议框架

在个IPB各不同步骤中可能存在的潜在人类偏见，以及相应的AI/ML对各方面的改善归纳如下：

1. 定义作战环境

潜在的人类偏见挑战：隐性偏见、显性偏见、心理模型、群体思维、确认偏见、可得性偏见、情感偏见等。

AI/ML的改善：数据和AI互操作性（支持数据平台、信息整合、数据湖等），自然语言处理、战场态势分析、复杂地理环境下的目标识别等。

2. 描述环境对行动的影响

潜在人类偏见挑战：规划谬误、确认偏见、隐性和显性偏见、群体思维、情感谬误、归因错误。

AI/ML的改善：AI分析天气、地形、民用考虑对行动的影响；物流预测、致命性预测、反常行为检测等。

3. 威胁评估

潜在人类偏见挑战：可得性偏见、确认偏见、心理模型、锚定偏见、因果错觉、基础率忽视。

AI/ML的改善：威胁特征识别、威胁模型的创建或优化、历史数据分析用于预测未来结果。

4. 制定威胁行动方案

潜在人类偏见挑战：归因偏见、可得性偏见、因果错觉、计划谬误。

AI/ML的改善：基于用户过去行为的经验优先级推荐，历史数据分析用于异常模式预测。

AI具备处理大量数据的能力，通过在战场情报准备中引入机器辅助的“人机协作”，有望增强IPB的客观性。AI通过整合多种数据源，填补传统情报分析中的信息不足，并快速识别模式和异常，从而帮助预测敌方行动。它为指挥官提供实时态势感知，自动化数据分析以应对数据激增，提高决策准确性。此外，AI作为分析员的“第二层大脑”，减少主观判断，提供多种情报解释，降低确认偏见的影响，使分析更加全面和客观。

（图源：视觉中国）

四、未来发展方向与策略建议

报告基于研究结论，提出了以下策略以推动AI在IPB中的整合：

制定监督政策：陆军应制定AI数据监督政策，关注供应链完整性、风险、负责任的使用及其他伦理因素，确保在扩大AI运营之前进行全面评估。

开放数据发布：建议向开放源研究社区发布未分类或解密的历史IPB记录，以便数据科学家和偏见领域专家进行数据实验、验证使用案例并推荐研发解决方案，进而节省时间和资源。

试点新平台：未来的演习中应试点其他AI平台（如Tomorrow IO、Atmo AI、Mosaic ATM和微软的计算机视觉），以评估其在IPB流程中的适用性。

投资研发：投资于AI的研究与开发，改善数据分析、地理空间制图和机器学习能力，并与大学和私营部门合作，以获得尖端AI技术和专业知识，以提升士兵在AI操作和分析方面的培训。

加强实时态势感知：应优先整合人工智能传感器和数据收集设备，以提供实时态势感知，提升军事行动的决策速度和准确性。其中包括使用无人机和其他无人系统收集敌方动向情报，利用卫星图像监测地形和天气情况，以及使用社交媒体分析跟踪敌方态度和动机。

推动人机协作：加强人机团队合作培训，开发新培训项目，创建AI专家岗位，促进人机协作，同时制定明确的合作指南，以确保AI在军事行动中的道德和有效使用。

五、总结

（图源：视觉中国）

在未来的战场上，速度与客观性将是决策成功的关键因素。AI作为一种强大的辅助工具，能够有效减少人类在情报分析中的认知偏见，为指挥官提供更准确的行动依据，赋予军队在未来战场上的决策优势。

兰德智库的这份报告提醒我们，AI技术在军事情报领域的整合仍处于探索阶段，但通过系统性的实施策略，AI有望成为减轻偏见、提升情报决策质量的有力武器。在全球军事对抗日益复杂的背景下，美军在IPB流程中引入AI技术，不仅是技术创新，更是未来战场的必然选择。