【联合国安理会日前举行高级别会议，主题是：人工智能与维护国际和平与安全。联合国秘书长古特雷斯现场发表讲话，敦促会员国迅速采取行动，为人工智能技术的迅猛发展制定出一套全面的国际规范。他警告说，任何拖延都可能导致全球和平与安全面临更为严峻的风险。古特雷斯指出，人工智能技术的发展速度已远超当前人类治理人工智能的能力，这给人类的决策体系带来了前所未有的挑战，特别是在问责制、公平性、安全性以及人类监督方面。他警告说，每拖延一刻，全球面临的风险就会增加。古特雷斯强调，任何国家都不应在武装冲突中设计、开发、部署或使用违反国际人道法和人权法的人工智能军事应用，特别是那些能够自主选择和攻击目标的人工智能系统。他明确指出，新兴技术所引发的地缘政治竞争绝不能以牺牲国际和平与安全为代价。古特雷斯：人类命运不能交由算法决定】

为了防止AI被滥用、乱用，我们就有必要深入研究如何准确地预测小概率黑天鹅事件发生的机制机理？！下面针对该问题将提出我们的思考。

在态势感知中，能够产生趋“势”的状“态”通常具有以下几个关键特点。通过这些特点，系统或分析者可以从当前的状态信息中识别出潜在的发展趋势和未来的变化方向。这些趋势帮助决策者做出更有效、及时的反应。

1. 动态变化性

能够产生趋势的状态通常是动态的，即它们随时间或环境的变化而不断演变。趋势通常是从一系列动态的状态变化中识别出来的，而不是静态的信息。系统通过监测这些变化的速度、频率和模式，可以推测出某种趋势。状态持续变化，可能有一定的规律性或周期性，在军事态势感知中，敌方的军队部署、行动路线的变化等是动态变化的，分析这些变化可以预测敌方的进攻或撤退趋势。

2. 时间序列性

趋势通常是基于一系列历史状态的累积结果。能够产生趋势的状态需要依赖于时间序列数据的积累与分析，通过观察过去的状态变化来推测未来的行为或发展方向。趋势往往不会是单一事件，而是多个事件或状态相互关联和积累的结果。需要一定的时间积累，反映出事件或状态的历史演化，在交通管理系统中，过去几小时内的交通流量变化可以揭示出未来几个小时内交通堵塞的趋势。

3. 模式识别能力

趋势通常需要通过对状态的分析与模式识别来识别。能够产生趋势的状态往往呈现出某种可预测的模式，这些模式可以通过统计分析、机器学习算法等方法提取出来。通过对历史数据的模式识别，系统可以发现潜在的趋势并做出预测。存在可识别的模式，且模式能够提供关于未来发展的一些线索。在金融市场中，股票价格的波动常常会形成一定的模式（例如趋势线），投资者可以基于这些模式预测价格的上涨或下跌趋势。

4. 不确定性与预测性

趋势产生的状态通常包含一定程度的不确定性，但能够对未来的某些事件或行为做出一定程度的预测。状态本身可能并不是绝对确定的，但其演变方式和可能的结果却是可以通过一定的分析或模型来预见的。存在一定的不确定性，但可以进行概率性预测。在气象监测中，天气状态（如温度、湿度、气压等）的变化可以提供一定的趋势预测，尽管天气变化仍然充满不确定性。

5. 反馈机制

产生趋势的状态通常会受到一定的反馈机制影响，这些反馈影响可以加速或改变趋势的演化。例如，某一状态的改变可能导致系统或环境出现反应，从而影响下一步的状态变化。这些反馈作用能够推动趋势的发展或变化。大都存在反馈回路，当前的状态变化会影响后续的状态。在生态系统中，温度的变化可能会影响植物生长，进而影响动物群体的生长和分布，形成一个复杂的反馈回路。

6. 相关性

能够产生趋势的状态通常会与其他因素或变量存在某种程度的相关性。这些相关性帮助识别和预测状态之间的潜在联系，进而揭示出发展的趋势。例如，多个状态或变量可能会共同变化，形成某种趋势的指示信号。多个状态或变量之间存在明显的相关性，这种关联关系能帮助揭示趋势。在供应链管理中，原材料价格的上涨往往与产品价格的变化相关，生产计划的调整可能反映出供应链趋势。

7. 演化与积累性

能够产生趋势的状态往往是长期积累的结果，而不仅仅是单一事件的结果。趋势通常是由一系列较小的变化、事件和积累的效应共同作用而成的。因此，趋势的状态通常具有某种累积效应，通过时间的积累，状态呈现出一种演变的过程，最终形成某种趋势，在健康监测中，持续的生活方式和饮食习惯可能导致体重的逐渐增加，最终形成肥胖趋势。

8. 影响力与潜在影响

能够产生趋势的状态通常具有较强的影响力，即这些状态的变化不仅影响当前的情境，还可能对后续的行为或其他相关领域产生广泛的影响。这些状态的变化会对系统的演化方向产生深远的影响，即状态的变化不仅对当前局势有影响，而且对未来可能产生广泛的连锁反应，在国际政治态势感知中，一国的经济危机可能不仅影响国内，还可能影响全球市场，产生全球性的经济趋势。

9. 可测量性与量化

能够产生趋势的状态通常是可测量或可以量化的，只有通过数据的收集、监测和分析，才能识别出潜在的趋势。这些状态的量化属性使得趋势的识别和预测更加科学和精确。可以通过一定的量化指标进行监测和测量。在公共卫生领域，流感病例的逐步增加可以通过病例数量的统计进行量化，从而揭示流感流行趋势。

上述这些特点有助于决策者识别并应对正在发生或即将发生的趋势，使得在复杂动态环境中能够更好地进行应对和预测。通过态势感知预测小概率黑天鹅事件的发生是一个复杂且具有挑战性的任务。黑天鹅事件指的是那些极其罕见、难以预测，但一旦发生便产生巨大影响的事件。由于其本质是低概率、高影响，传统的基于历史数据的预测方法通常难以准确识别这些事件。然而，“势态知感”可为我们提供了一种通过对动态环境、复杂系统及其状态的深入理解，提前识别潜在风险和异常模式的方式。下面是通过势态知感预测黑天鹅事件发生的几种思路和方法：

1. 多维度数据融合与实时监测

势态感知依赖于对多维度数据的实时监测和融合，这些数据不仅包括常规指标，还包括一些潜在的、非线性的、可能暗示异常的信号。通过以下方式可以增强对黑天鹅事件的感知能力：

• 实时数据采集：通过物联网（IoT）、卫星遥感、大数据等技术实时收集各类环境、经济、社会、政治等方面的数据。这些数据的实时更新能够提供最新的态势信息。

• 高维数据融合：融合不同来源的数据，如气象数据、经济指标、社会动向等，通过复杂的关联分析识别潜在的异常模式或关键变化。黑天鹅事件往往不表现为单一因素的变化，而是多种因素的交互作用所致。

  例如，金融危机往往是多个看似无关的因素相互作用的结果，如银行信贷风险、资产泡沫、政策误判等。通过多维度数据融合，可能会提前识别出这些不易察觉的潜在风险。

2. 非线性动态系统建模与复杂性分析

黑天鹅事件通常涉及非线性动态系统的突发性行为，这种行为难以通过传统线性预测模型来捕捉。为了应对这种复杂性，可以利用以下方法：

• 混沌理论与复杂系统建模：使用混沌理论和复杂系统分析工具，分析系统的非线性动态演变。通过模拟不同的初始条件，观察系统在不同情境下的行为，可以揭示潜在的不稳定区域。某些外部冲击可能会触发系统的非线性反应，从而导致黑天鹅事件。

• 复杂网络分析：许多黑天鹅事件的发生都涉及到复杂的网络系统（如金融市场、供应链、社交网络等）。通过分析这些网络的结构、节点之间的关系、传播路径等，可以揭示潜在的脆弱点。例如，金融市场的“蝴蝶效应”可能通过某个关键节点的崩溃引发连锁反应，导致广泛的系统性崩溃。

3. 异常检测与前兆识别

黑天鹅事件的发生往往伴随某些异常前兆，尽管这些前兆可能非常微小、不明显，但通过敏感的态势感知系统可以捕捉到潜在的风险信号。常用的检测方法包括：

• 异常值检测：通过统计学和机器学习方法，分析数据中的异常值或偏离常规模式的情况。例如，突发的市场波动、意外的政局动荡、非理性的投资行为等都可能是黑天鹅事件前兆的信号。

• 情境感知与预警系统：建立基于模式识别的早期预警系统，监测系统是否进入某种“危险”状态。例如，在金融系统中，通过对市场情绪、投资者行为的实时监测，结合历史的危机模式，可能提前发现市场不稳定的信号。

4. 情景分析与假设推演

对于黑天鹅事件，传统的定量预测方法往往难以有效应对，因此需要采用情景分析和假设推演的方式。通过构建不同的假设情景，评估在这些情景下系统的表现，进而识别潜在的极端风险。具体做法包括：

• 情景模拟与反向推理：通过构建不同的“黑天鹅情景”进行模拟。例如，模拟某种突发的政策变化、自然灾害或技术事故，分析其对系统的潜在影响。这种模拟可以帮助识别黑天鹅事件可能发生的条件和触发因素。

• 假设推演法：结合专家意见与模型推演，设定一些极端但可能发生的假设情境（如全球疫情爆发、极端天气、能源危机等），并分析这些情景下可能对系统产生的影响。

5. 群体智慧与多元决策

黑天鹅事件的预测难度很高，但通过多方合作和群体智慧的集成，可以提高识别和应对的能力。通过集结不同领域的专家、系统自动化分析和跨领域的信息共享，可以从多个视角构建更全面的风险预测框架。

• 跨领域协作：黑天鹅事件通常跨越多个领域，影响范围广泛。通过跨领域的协作和信息共享，能够更好地捕捉潜在的全局性风险。例如，金融、气候变化、社会动荡等领域的专家可以共同合作，识别潜在的系统性风险。

• 集体智能与机器学习：使用群体智慧和机器学习技术，分析来自不同来源的数据，结合专家系统进行决策。群体智慧能够通过多方参与和多样化的观点，提高对复杂问题的洞察力，识别出被忽视的风险信号。

6. 情境不确定性与韧性思维

由于黑天鹅事件本质上是难以预测的，所有预测都应当以应对不确定性为核心。建设韧性强的系统并对潜在的不确定性做好准备是应对黑天鹅事件的另一种重要策略。

• 敏感性分析与冗余设计：在系统设计和决策过程中，进行敏感性分析，了解不同因素对系统稳定性的影响，并设计冗余机制来提高系统的韧性。例如，金融机构可以通过多元化投资组合、市场分散化等策略减缓突发事件的冲击。

• 风险容忍与动态适应：应对黑天鹅事件的策略之一是提高系统的适应性和灵活性。通过动态调整策略、快速响应变化，减轻黑天鹅事件带来的影响。

尽管黑天鹅事件本质上无法完全预测，但通过多维度的势态感知、非线性动态建模、异常检测、情景分析等方法，可以提高识别潜在风险的能力。关键在于通过实时监控、模型模拟、群体智慧等手段，不断增强系统对不确定性和复杂性的应对能力，最终提高对黑天鹅事件的前瞻性感知和快速响应能力。

需要说明的是：为什么通过“势态知感”（偏价值性算计）而不是“态势感知”（侧事实性计算）更能准确预测黑天鹅事件发生呢？这是由于“势态知感”和“态势感知”虽然听起来相似，但在概念和应用上有一些重要的区别，这也是为什么有时认为“势态知感”能更准确地预测黑天鹅事件的原因。

1. “态势感知”与“势态知感”的差异

• 态势感知（计算）：通常指在复杂系统中，特别是军事、情报和安全领域，实时收集、分析、评估和解读外部环境中的各种因素、活动和行为，从而形成一个全面的情况感知。这通常依赖大量的事实性数据和信息，目标是计算预测并应对预定目标的可能变动。

• 势态知感（算计）：这个词汇更多强调的是对局势的深层理解和预测，尤其是那些不确定性高、复杂性强的环境。它侧重于感知（即感官和认知层面的接收）和势态（即整体趋势、潜在变化的状态）。这个概念突出了对潜在风险的价值性敏锐洞察和从非线性发展中抓住异常信号的算计能力。

2. 黑天鹅事件的特点

黑天鹅事件是指那些不可预测的、极端罕见的、影响深远的事件。其特点是：

• 低概率高影响：这些事件通常出乎意料，但一旦发生，会带来极大的影响。

• 无法通过传统方法预测：基于历史数据或常规趋势的分析往往无法准确预测这些事件。

3. “势态知感”能更好地应对黑天鹅事件的原因

• 非线性与复杂性：黑天鹅事件往往隐藏在复杂的、非线性的系统中，传统的“态势感知”方法可能通过线性逻辑推断、数据模型来分析，但这种方法往往忽视了系统的复杂性和突发性。而“势态知感”侧重于对不确定性和复杂动态变化的敏锐感知，能够把握一些难以量化的、潜在的变化趋势。

• 深度直觉与感知能力：在应对黑天鹅事件时，除了数据分析外，还需要具备一定的直觉感知能力，能够从细微的、变化的征兆中识别出潜在的危险或机遇。相比传统的态势感知，“势态知感”更强调在不确定的情境中捕捉那些看似无关但潜在有联系的信号。

• 对异常现象的警觉性：黑天鹅事件通常不符合常规的预测模型，它们的出现往往超出常规的“态势感知”框架。与此相比，“势态知感”更能在不稳定或变动的环境中，迅速觉察到那些异常波动的势态，提前做出反应。

在很多复杂系统（如金融市场、自然灾害、公共卫生等）中，传统的“态势感知”往往依赖于大量的数据和模式识别，但这些数据往往难以涵盖所有变量。而“势态知感”则注重预判趋势的变化，它并不一定依赖于传统的线性推理，而是更侧重对可能的“极端变化”或“未知因素”的敏感度。

通过“势态知感”的算计而非“态势感知”的计算来预测黑天鹅事件，是因为“势态知感”更注重对环境中复杂、不确定和潜在变化的价值深度理解和敏锐洞察，而“态势感知”更多关注的是对已知情境事实的监控和应对。在面对无法预知的黑天鹅事件时，单纯的“态势感知”可能无法捕捉到潜藏的、极端的变化，而“势态知感”更强调对这种变化的直觉与感知，从而能够更好地应对那些不符合常规预期的事件。