面向仿真推演的认知不确定性仿真建模范式∗

（中国人民解放军91550部队 大连 116023）

1 引言

近年来，人工智能技术迅速发展，不仅影响和改变着人们的生产生活方式，也催生了智能无人集群作战、有人/无人协同作战、认知网电战、“算法战争”等新作战样式［1］。这些新作战样式对面向仿真推演的军用仿真系统建设提出了新挑战:作为一种典型复杂系统，仿真推演中存在大量关于直觉、经验、想象、灵感等无法用形式化方法表示的特性，仅依赖传统基于相似性原理及形式化知识的仿真建模方法，难以构建反映复杂系统特征的模型；同时态势要素的多样性、作战对抗性、对手的隐蔽性和欺骗性等也会导致不确定性。因此，加强面向仿真推演的不确定性仿真建模研究具有重要意义和应用前景［2］。不确定性包含内部不确定性和外部不确定性，既包括系统内部知识与信息的不确定性建模推理；也包括对系统外部和对手（如多智能体系统，非完全信息博弈等）的不确定性建模推理［3］。

随着人工智能2.0的提出与发展［4］，认知智能在感知智能的基础上获得了快速进步［5］，在此基础上文献［6］提出了认知仿真的概念和内涵，探讨了经验直觉捕捉对复杂系统建模的重要意义。人工智能技术的进步推动了认知不确定性仿真建模的发展，相对于传统的仿真建模方法，认知不确定性仿真建模在建模原理、规则、工具、“生态”等方面发生了全面迁移和改变［7］，如它研究多源异构数据的统一表示和直觉、经验、想象、灵感等的形式化方法；它研究因果推理而不仅仅是相关性，增加大数据建模和深度学习的可解释性［8］；它研究知识图谱和图神经网络等，增加了建模方法的语义表达［9］；它研究集知识学习、数据驱动和经验学习于一体的智能学习与仿真模型等。上述研究可能引起一个新理论框架替代旧理论框架，进一步完善理解世界的概念和互动方式，因此，我们基于研究成果和仿真推演需求，拟探讨面向仿真推演的认知不确定性仿真建模范式，丰富基于机器学习的仿真建模新方法。

近来，AlphaGo及其演进型号AlphaGo Zero、AlphaGo Star等通过深度强化学习等人工智能技术实现自学习、捕捉经验、发现创新等能力，揭示了一种不确定性仿真建模的可能。DeepMind还将深度强化学习用于刀塔、“星际争霸II”等游戏的模拟对抗中，取得了超过人类高级玩家的水平［10］。不论AlphaGo、AlphaGo Star还是“深绿”，其迈向智能化的基础都是知识，将人类的领域知识、隐性经验和高质量数据应用于深度强化学习，能够从稀疏的、有噪声的和延迟的奖励信号中去学习，并提高学习效率，降低学习难度，成为基于机器学习的不确定性仿真建模方法研究的热点［11］。因此，需要以机器学习理论为基础，构建认知不确定性仿真建模范式，研究面向仿真推演的自主智能化与认知不确定性建模仿真新方法，形成包括因果推理机器学习算法、不确定性认知、元数据结构等具有认知推理功能的仿真建模方法，提升复杂环境态势认知的智能化水平。

本文针对态势感知与理解中的不确定性复杂多样、自主智能化不足的问题，提出构建面向仿真推演的认知不确定性仿真建模范式，对范式的含义进行了界定，梳理了范式的5个特征:遵循科学原理、态势要素和知识的表示方式、不确定性认知模型、不确定性推理机制、范式的影响，归纳了构建范式的核心研究内容。该范式及其关键技术的深入研究能增强态势智能认知的准确性和军事指挥决策的精准性。

2 认知不确定性仿真建模范式定义

科学研究的范式是指在一段时间内为科学家集团所共同接受的科学信念，是一组假说、理论、准则和方法的总和，用于指导现实科学研究［12］。近年来，随着大数据、人工智能、物联网、5G等技术的快速发展，科学研究的“第四范式”被提出，即从以数学模型计算为中心的方式，转变为对海量数据处理为中心的方式。这波人工智能技术兴起的推动技术——深度学习，也是通过“数据+算法+算力”的组合实现了“大力出奇迹”［13］。它开辟了机器学习和智能科学研究的新途径，通过大数据挖掘、基于多源数据认知分析，促进了认知科学、仿真建模等发展，扩展了智能化应用，彻底改变人们生活、生产及战争模式［14］。

所有这些也促进了军事仿真建模的发展，为解决面向仿真推演的态势智能认知中的不确定性仿真建模难题（如态势要素多样导致难以统一知识化；因果关系挖掘难；直觉、经验等难以形式化等）提供了机会。因此，我们构建认知不确定性仿真建模范式，具体定义为:1）基于整体论和机器学习理论，通过统一的数据格式:元数据结构，综合视觉、听觉、文字等多种媒体的语义，构建融合赛博—物理—人类（cyber-physics-human，CPH）三元空间的统一态势要素表示形式，捕获人类经验、直觉、想象、灵感等非形式化知识，与形式化知识一起，构建能够反映复杂系统特征的认知模型；2）基于认知智能，帮助机器跨越模态理解数据，学习到最接近人脑认知的“一般表达”，主动了解事物发展的背后规律和因果关系，通过密集计算与密集数据的集成，实现复杂系统因果规律的发现，数据密集方法从整体上分阶段发现涌现性、演化机制下的结果，计算密集方法在部分时段或部分区域（空间）上满足相似性研究的需要；3）同时融合深度神经网络的注意力、记忆、强化学习等认知机制，将人类先验与知识巧妙引入数据驱动计算框架，模拟人的思维模式和常识认知，通过有机协调知识引导下的演绎、数据驱动中的归纳、经验学习内的规划等方法，最终实现面向军事系统仿真推演的自主智能化与认知不确定性仿真建模。面向仿真推演的认知不确定性仿真建模范式示意如图1所示。

认知不确定性仿真建模范式将对态势认知理念和仿真建模研究方式产生革命性影响，引发仿真推演技术的变革，并逐步形成理论、方法、技术的完整研究体系，最终提升复杂环境态势认知的准确性和军事指挥决策的精准性，“加快军事智能化发展，提高基于网络信息体系的联合作战能力、全域作战能力”。

图1 面向仿真推演的认知不确定性仿真建模范式示意图

3 认知不确定性仿真建模范式的特征

面向仿真推演的认知不确定性仿真建模范式有以下特征。

3.1 遵循科学原理

认知不确定性仿真建模范式基于整体论和机器学习理论，一是仿真推演系统不可分解，其整体性质不具备局部可加性，必须进行整体性建模；二是大数据的统计学理论，态势智能认知包括态势感知、理解与预测、决策，贯穿着四个过程的核心技术便是大数据，而统计学则是理解、分析大数据的基础；三是机器学习理论，无论是以计算机逻辑为基础的搜索、比对、排序、溯源等算法，或是分析数据之间是否具有共性结构等的聚类、分类、回归等算法，还是深度学习算法都是机器学习理论的重要组成部分；四是因果推理等理论，态势认知的关键在于推理算法，仿真推演等“高风险”领域，往往需要知晓算法所给出结果的依据，因此因果推理依然很重要，还有对经验、直觉、想象、灵感等的建模，需要经验直觉和理性推理的融合建模理念；五是认知智能，它将从认知心理学、脑科学及人类社会历史中汲取灵感，并结合扩领域知识图谱、因果推理、持续学习等技术，建立稳定获取和表达知识的有效机制，让知识能够被机器理解和运用，实现从感知智能到认知智能的关键突破。

面向仿真推演的认知不确定性仿真建模范式将数据驱动和知识引导相结合，将知识的向量表示与符号表示相结合，将推理模型与深度学习相结合，经过一段时期的发展与研究，将逐步形成理论、方法、技术的完整研究体系。

3.2 态势要素和知识的表示方式

态势主要由敌我等交战方的使命任务及其约束条件、能力、意图及作战相关的环境等组成。随着人工智能技术的迅速发展，催生了新的作战样式，作战态势的敌情、我情、战场环境等要素变得更加复杂，态势数据有结构化、半结构化、非结构化等形式，再加上经验、直觉、想象、灵感等形式化比较困难的要素，导致不同模态的数据难以统一表示。

为了增强推理及捕捉经验、直觉等能力，将数据驱动和知识引导相结合，通过统一的数据格式:元数据结构，构建融合赛博—物理—人类三元空间的统一态势要素表示形式，捕获人类经验、直觉、想象、灵感等非形式化知识，与形式化知识一起，构建基于元数据结构的领域知识图谱，实现指挥决策规则、非结构化数据、多模态知识等的联合表示，并进行融合规则与图神经网络的知识图谱推理。

随着网络空间（cyberspace）、物理世界、人类社会组成的人机物三元世界CPH的深度融合，三元世界CPH成为新型计算模型，任何物体之间的智能交互均成为计算形态，人和设备作为智能部件存在于万物互联的计算系统中。同时知识图谱以结构化的形式描述客观世界中概念、实体及其关系，将多元异构的信息表达成更接近人类认知世界形式，提供了一种更好的组织、管理和理解海量信息的能力［14］。

3.3 不确定性认知模型

传统的不确定性认知方法包括贝叶斯网络、模糊认知图、影响图、D-S证据理论、动态因果图等，而AlphaGo利用策略网络模拟了人类在思维广度上的直觉估计能力，找到了一种捕捉围棋高手经验，即“棋感直觉”的方法。认知不确定性仿真建模借鉴AlphaGo的思路，在深度学习中引入注意力机制和记忆结构，可有效利用当前数据以外的数据和知识，克服了仅依赖于输入数据进行驱动学习的不足；序列学习机制和深度强化学习也能为战场态势认知模拟提供很好的思路。因此，基于多注意力卷积神经网络、时序增强的知识记忆网络和情节性元强化学习等模拟人的注意力、记忆、强化学习等机制，捕获人类经验、直觉、想象、灵感等非形式化知识，构建不确定性认知模型实现对具有多样性、复杂性与不确定性的指挥员思维模式、常识、推理过程等的模拟。

态势智能认知的高度复杂性和不确定性，需要多种方法混合使用，如AlphaGo就采用策略网络、快速走子、估值网络、蒙特卡洛树搜索等技术，是蒙特卡洛树搜索、深度学习、强化学习的融合。认知不确定性仿真建模还融合了知识图谱和知识推理、因果推理等，需要“多管齐下”。

3.4 认知不确定性推理机制

态势认知的关键在于推理算法，传统的推理方法依托知识库和推理机进行符号规则推理，虽然研究了贝叶斯网络、D-S证据推理和模糊推理等方法，但对不确定性的应对能力仍然不足。大数据技术的发展一度用相关性替代因果性，但军事指挥与决策等“高风险”领域，要求数据驱动决策的推理机制应由数据相关性向因果关系转变，让机器同人一样具备小样本数据学习能力，因此，需要加强基于因果推理机器学习算法的不确定性仿真建模方法。

同时记忆、注意力、强化学习等驱动的推理机制能模拟人脑的认知机理，捕获人类经验、直觉、想象、灵感等非形式化知识，能够实现对指挥员思维模式、常识、推理过程等的模拟，更好地迈向认知智能和类人常识的范式转换。基于知识的推理机制中，知识的表示形式决定了推理机制，因此知识表示方法很重要。基于元数据结构的仿真建模技术在构建领域知识图谱的基础上，采用图神经网络进行知识推理，将知识的向量表示与符号表示相融合，进一步增强知识的推理能力。

3.5 认知不确定性仿真建模范式的影响

为了应对仿真推演中的不确定性，认知不确定性仿真建模范式从以数学模型计算为中心转变为以海量数据处理为中心，再转变为数据驱动、知识引导、经验学习等相结合，知识的向量表示与符号表示相融合的赛博—物理—人类三元空间计算模型，仿真建模范式发生从“量变”到“质变”的根本性转变，对仿真建模方法、态势认知、军事指挥决策、指挥信息系统建设等产生深远影响。

认知不确定性仿真建模范式将催生由结构相似性转变为规律相似性、经验直觉和理性推理相融合等仿真建模方法与理念，成为一种新的科研范式。同时会推动态势智能认知技术的发展，仿真建模态势的各种不确定性，形式化建模指挥员的经验、直觉、想象、灵感等并经自动推理得出认知结果，破解复杂多变、信息多源战场环境的信息过载问题，降低指挥员的认知负荷；同时突破指挥员主观认知的局限，弥补不足，更正错误，以自主智能、人机融合的方式增强指挥员的认知能力，辅助指挥员获得更快、更全、更准、更深的战场态势认知［5］。认知不确定性仿真建模范式指导下的指挥信息系统建设可以引入平行仿真的理念［16］，将仿真推演系统嵌入进指挥信息系统，根据历史、现实的真实数据，采用实时仿真推演得到“未来”的结果，帮助指挥员进行战场态势的提前预测和处理。

4 认知不确定性仿真建模范式关键技术

构建认知不确定性仿真建模范式，需要进行基于机器学习的不确定性仿真建模新方法研究，包括因果推理机器学习算法、不确定性认知、元数据结构等具有认知推理功能的仿真建模方法，具体相关技术如下。

4.1 基于因果推理机器学习算法的不确定性仿真建模方法

因果推理是一种强有力的建模工具，可用于解释性分析，其可能帮助机器学习尤其深度学习算法做出可解释的预测。

因果推理机器学习算法主要研究包括:1）从观察数据中发现事物间的因果结构和定量推断，需要研究基于因果发掘的仿真建模方法，直接从态势要素和数据中提取因果知识来帮助理解和预测；2）针对战场态势实时、动态变化的特点，研究基于立体动态不确定因果图的仿真建模方法，在动态不确定因果图（Dynamic Uncertain Causality Graph，DUCG）的基础上扩展其时序因果表达和推理方法；3）针对小数据集条件下的不确定性仿真建模问题，研究基于记忆单元和深度生成模型的贝叶斯网络，即深度学习贝叶斯网络。

4.2 基于不确定性认知的仿真建模方法

基于不确定性认知的仿真建模方法主要解决仿真推演中存在大量关于直觉、经验、想象、灵感等无法用形式化方法表示的问题，借鉴机器学习理论中的注意力、记忆、强化学习等机制，针对将注意力机制和Long-Short Term Memory（LSTM）等序列性输入网络相结合的网络模型训练时间长、且无法对态势要素进行平行化输入等问题，提出一种基于多注意力卷积神经网络的特定思维模式仿真建模方法；提出基于时序增强的知识记忆网络的仿真建模方法，设计时序增强知识记忆网络，同时利用经典战例和指挥员经验积累等构成的知识库提高对态势理解的准确性；提出基于情节性元强化学习的仿真建模方法，融合情节性深度强化学习和元强化学习，协同加快强化学习速度。

4.3 基于元数据结构的不确定性仿真建模方法

基于元数据结构的不确定性仿真建模方法主要通过建立元数据结构和元数据结构逐层实例化，实现形式化数据与经验、直觉、想象、灵感等形式化比较困难要素的统一表示。基于元数据结构，将半结构化数据、非结构化数据等加工转化为有序、可用、标准的结构化知识，设计知识计算引擎，构建面向仿真推演的领域知识图谱，从而具备知识深度计算能力和认知推理功能，加速态势认知过程。仿真推演中的态势认知需要严格按照一定的规则，即基于规则组成的知识库，而领域知识图谱可以从态势要素中挖掘新知识，因此提出融合规则与图神经网络的知识图谱推理方法。

5 结语

本文在分析态势感知与理解中的不确定性表现形式、自主智能化不足的基础上，构建了认知不确定性仿真建模新范式，给出了认知不确定性仿真建模范式的定义，梳理了认知不确定性仿真建模范式的五个特征，归纳了构建范式需要进行的基于机器学习的不确定性仿真建模新方法的研究内容，包括因果推理机器学习算法、不确定性认知、元数据结构等具有认知推理功能的仿真建模方法。该范式能解决态势智能认知模拟中的多模态知识联合表示与推理、不确定性认知、因果推理等核心问题，提升复杂环境态势感知与理解的准确性，为军事指挥决策的精准性提供基础性支撑。