专题报道

近期，美国《小规模战争》杂志刊载《数据过载：解决开源情报中的数据过载问题》一文指出，随着开源情报、无人机系统与人工智能分析技术的迅猛发展，所产生的数据流规模庞大、速度惊人，已远超传统情报分析流程的处理能力。这一趋势在美军情报体系内部形成了一种悖论：海量信息的采集非但未能提升决策优势，反而导致决策瘫痪。文章认为，数据过载危机的本质是制度设计缺陷，而非单纯的技术难题。文章建议，应构建高效的人机协同工作模式，由人工智能工具负责情报的筛选与关联分析，同时将重大决策的最终判断权始终保留在人类手中。

背景

步入数字时代，人人皆可成为情报搜集者。过去，人员须经过严格审查、历时数月乃至数年专项培训，才能取得安全许可、进入涉密隔离设施，并掌握前沿情报技能，开展多领域情报搜集。当下，只要拥有社交媒体账号或智能手机，任何人都能充当情报感知与搜集节点。今年一月，笔者曾撰文指出美军在开源情报运用方面存在短板，并提出建议：作为前沿尖刀力量的特种作战部队，应率先采纳现代情报搜集模式，将开源情报融入日常情报研判工作。但这仅是开源情报工作的一环。当开源情报正式纳入制度体系、写入作战条令后，新的难题便会接踵而至：一旦开源情报的信息闸门开启，海量涌入的情报数据该如何高效管控？

数据过载危机

如今，情报数据的激增已遍及多个相互重叠的领域。天基成像系统能够提供持续的全球覆盖，但原始像素需要经过大量处理方能转化为可用的情报。一份关于无人机系统情报、监视与侦察（ISR）数据生成的公开分析指出，一支小型无人机编队每日即可轻松产生数百TB的数据。信号情报与网络作战生成的结构化数据，须在庞大的网络与系统之间进行关联分析。开源情报则整合来自社交媒体、新闻媒体及公共数据库的各类信息；如同一个收纳杂项的抽屉，随着全球互联程度不断加深，开源情报的体量也呈指数级扩张。

信息流转速度进一步加剧了这一失衡态势。传统情报工作周期以数日、数周计，而从俄乌冲突可见，当代情报侦察体系的运转节奏已缩短至数小时乃至数分钟。乌军正是依托这种时效压缩优势，将开源情报成果快速转化为打击决策，效率远超俄军传统情报流程。想要实现同等响应速度，仅靠增设侦察手段远远不够，还必须重构情报机构的工作模式：优化信源核验流程、梳理情报优先级，并下放决策权限。

从收集优势到决策瘫痪

从坐拥情报搜集优势，逐步陷入决策瘫痪，是情报领域一个根本性的悖论。针对大数据环境下决策行为的相关研究表明，数据体量越大，决策的质量与效率反而越低。甲骨文公司的一项调研显示，86%的企业管理者表示，海量数据让决策工作变得愈发复杂；另有72%的管理者因数据过载，最终干脆搁置决策。这一问题在军事和情报领域同样凸显，此间任何决策都直接关乎人员生命与战略走向。

该问题由多重因素共同引发。其一，数据来源分散、评判标准不一，致使决策缺乏可靠依据。不同情报系统对同一态势得出相悖研判时，决策者便会陷入信任困境：究竟采信哪一方结论？在军事场景中，分析人员为核对差异、统一结论，势必造成行动延误。其二，冗余信息会掩盖有效情报、放大无效干扰。研究证实，数据量一旦超出合理阈值，继续增加信息非但无益，反而会拉低决策质量。Gartner咨询公司警告称，随着各类机构大规模部署人工智能技术，海量人工智能分析结论极易引发分析瘫痪：数据越多，思虑越杂，最终贻误行动。

解决方案不在于堆砌更多数据，而是产出目标明确、直击决策需求的情报成果，如实标注研判中的不确定因素，而非刻意遮掩风险。

情报分析人员短缺

数据过载背后的核心结构性问题，在于数据体量与情报分析人员规模严重不匹配。美国情报界拥有数万名分析人员，但这支队伍在各情报专业领域分布不均，现有编制模式也难以适配当前情报、监视与侦察数据的高速流转节奏。

由于联邦公职人员队伍无法按需求快速扩编，美战争部愈发依靠外包服务商补足分析人力缺口。引入外包力量确有优势：这类机构应用新技术效率更高，人员调配也更为灵活。但国防外包市场波动较大，本身存在固有风险。外包人员流动性高，一旦合同到期或进入重新竞标阶段，长期积累的专业经验与业务积淀便会随之流失。

此外，分析资源过度集中于少数大型外包商，还会形成单点故障隐患，不仅可能引发服务供应链中断，甚至存在数据被蓄意篡改的风险。简言之，整个情报体系搜集到的海量情报，缺乏足够人力完成分析研判。如今数据量与分析能力的鸿沟已十分悬殊，即便针对性大规模扩招，也只能治标不治本，无法从根本上化解难题。

约束缺位，人工智能难以为用

当前人工智能系统存在不可预判的故障问题，随着应用范围不断拓展、自主权限持续提升，这类问题带来的影响也愈发严重。大语言模型常会产生幻觉，输出看似合理实则纯属编造的内容。该问题源于这类系统的底层运行机制：训练数据存在缺失、训练场景与实际应用场景数据分布脱节，同时有限规模的模型本身也存在信息承载的理论上限。在情报工作中，虚假信息会对实战运用造成毁灭性后果。

除生成虚假信息外，大语言模型在处理多步骤分析任务时同样表现不稳。面对陌生文化背景，其效能会大幅下降，对于需要深度结合语境研判的工作也难以胜任。情报分析离不开对文化差异与语言细节的精准把握，而当前人工智能系统尚无法稳定做到这一点。

自动化偏见则带来了第二层风险。人们往往会采信自动化系统给出的结果，即便其存在错误，只因主观认定机器判断比人工研判更为客观。面对功能更先进的模型输出内容时，情报人员更容易动摇自身判断，这说明人工智能看似强大的能力，会左右人们对信息可信度的评判。在风险极高的情报工作场景中，这种偏见隐患重重：情报分析人员面对人工智能出具的目标研判结论时，常会放松审查标准，不再像对待人工研判结果那样严格核验。

作为快速发展的网络战领域的一部分，对手可通过数据投毒篡改人工智能系统的训练数据，或是刻意设计行动以规避检测阈值，从而对人工智能实施恶意操控。

人机协同模式

解决之道并非以人工智能取代人类，而是构建人机协同工作流程，让人工智能与人员专业能力形成互补。可将人工智能应用于情报初步分拣环节，依托其筛查海量数据、关联各类信源，并出具初步研判结果。仅当情报信息超出预设相关度阈值时，再交由情报分析人员处置，由其凭借专业能力完成高风险研判工作。这种模式能实现脑力资源高效配置：将人力专长用在最具价值的环节，常规事务则交由自动化系统处理。

然而，高效的人机协同流程，首先要厘清统计预测与态势研判的区别。大语言模型依托海量数据识别规律，输出基于概率的结果，但统计关联不等同于经验认知，也无法替代结合场景的综合判断。想要在情报工作中合理运用人工智能，相关人员必须具备人工智能素养：既要熟知人工智能的能力边界，也要能够核验输出结果、评估工具效能，并时刻警惕各类偏见与潜在风险。

乌军的实践证明，人机协同模式行之有效。其“德尔塔”（Delta）作战指挥系统与“克罗皮瓦系统”（Kropyva）大幅压缩了从侦察探测到火力打击的响应周期，同时始终保留人类对作战行动的最终决策权。分析人员依托系统开展工作，结合专业经验修正研判结论，并敲定最终打击方案。人工智能仅作为分析提速的工具，并未取代人的决策判断。

向美军提出的建议

首先，美军应建立规范化的人工智能治理框架，区分人工智能应用的风险等级，并在研发初期就嵌入治理机制和技术控制措施。该体系需包含：装备列装前强制执行的测试规程、权责清晰的决策授权制度、涵盖对抗性测试在内的风险应对方案，以及针对算法偏差与性能衰减的常态化监测机制。

其次，美军应着力投资于情报分析人员和军官的人工智能素养培训，重点厘清统计预测与态势研判之间的区别、识别自动化偏见，并掌握情报工作场景下人工智能的各类失效模式。

第三，美军应当划定人工智能的自主权限边界，在目标锁定、威胁优先级判定、战略预警等高风险重大决策环节，始终保留人的最终决策权。人工智能仅负责提出建议，最终决断必须由人作出。

最后，美军需沿用分布式决策模式，扩充情报行动决策人员，保障情报搜集效率，打破单一层级审批的决策流程。

结论

一是数据过载危机本质上是体制架构与人工决策层面的问题，绝非仅凭算法就能化解的技术难题。美军情报搜集能力远超分析研判能力，进而陷入困境：海量信息非但没有形成决策优势，反而致使决策陷入瘫痪。

二是人机协同模式是破局之道。在情报分类筛选与优先级判定工作中，人工智能能够有效提升作业效能。但在重大决策上，人工智能系统无法取代人的研判决断。在数据海量涌现的环境中，若将人工智能视作分析辅助工具而非决策主体，相关组织便能守住战略优势；反之，再先进的技术也只会掩盖深层风险隐患。

三是美军的核心优势不在于依靠算法推演最优对策，而在于指挥与情报分析人员能够熟练运用各类人工智能工具、审慎研判既有结论，依托真实可信、充分掌握的情报，及时做出有理有据的决策。为此，一方面要建立监管机制，确保人类始终保有最终决策权；另一方面要加强人才队伍建设，全面提升人员的人工智能应用素养，同时更新军事条令，顺应人工智能时代情报分析的现实要求。

作者：聂永喜

声明：本文来自国防科技要闻，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。