西点毕业生研究揭秘：如何用人工智能打击IS

11月13日，法国巴黎市中心发生多起枪击爆炸事件，已造成逾百人死亡。据美联社和欧洲新闻电视台(Euronews)11月14日消息，恐袭已致129人死亡，352人受伤，其中99人受重伤。

ISIS惨绝人寰的行为引起了全世界的愤怒。但是，*的行为并不是随机的，而是具有一定的模式。现今最擅长识别模式的技术就是人工智能 了。那么，能不能利用人工智能来提前预知恐怖袭击呢？今天我们就来介绍一位西点军校毕业生，以及他如何用人工智能和数据分析的方法对抗ISIS。

Paulo Shakarian现在是美国亚利桑那州立大学的计算机科学教授，曾是西点军校的研究生，还曾担任过美国军方情报官员 。

由于他的工作时常接触到大量一线的情报官员，他突然意识到，有许多智能技术都能运用在这个领域。情报人员常需要分析他们所能获得的所有数据，并对原因作出假设。但他们很少会有时间回头检查，尤其在战争延续期间。在伊拉克时，Shakarian开始用他在西点军校学到的计算机科学知识进行情报分析，并开始构思用人工智能的方法对曾被认为不可预测的反叛组织行为进行建模 。

后来，他进入了马里兰大学，获得了计算机科学的硕士学位。他的目标非常明确：用机器学习的方法来变革情报分析领域 。机器学习也正是无人驾驶汽车所仰赖的技术。当他在马里兰大学获得博士学位后，就进入亚利桑那州立大学，继续他的人工智能研究。

他的研究孵化了多个具有革命潜力的项目，例如游侠特遣部队(Task Force Paladin )用来在阿富汗检测简易爆炸装置的SCARE软件，以及芝加哥警察局用来打击帮派活动的社交媒体分析工具GANG和SNAKE。

近几年，他在这个领域发表了几篇论文。下面我们就来看看，他究竟发现了什么？能预测ISIS的活动规律吗？

让*群龙无首：挫败首领生成机制

2012年11月，Shakarain发布了一篇论文，名字叫《攻击强健恐怖网络的塑造行动》(Shaping Operations to Attack Robust Terror Networks)，旨在瓦解恐怖组织的首领生成机制。这篇论文引起了美国众议院特别情报委员会的注意，并邀请他去介绍自己的发现。

为了瓦解恐怖组织和反叛网络，安全机构通常倾向于定点打击“高价值目标”(HVT)，也就是他们的首领。然而，有无数的例子证明，首领被击毙后，反叛网络很快就会再生成一位新的首领 。例如，2006年6月8日，臭名昭著的基地组织首领阿布·穆萨布·扎卡维被击毙后，一星期之后就出现了一位新首领阿布·艾尤卜·穆哈吉尔。

如何瓦解这种首领的再生成机制呢？Shakarain引入了一个概念叫做“塑造”(shaping)行动，意思是说，在打击首领之前，先采取行动，瓦解该组织产生新领导的能力，然后再采取普通的行动以击毙首领。这样，恐怖网络就很难再生成一位新首领，也就很难东山再起。

那么，要如何做到这一点呢？Shakarain利用了网络理论，通过移除节点，来实现网络中心性的最大化。直观上看，网络中心性代表了高度节点的临界值。低中心性的网络更加去中心化，因此更加容易生成新的首领 。在这篇论文中，他们旨在寻找那些能够使中心性最大化的目标节点，以便使接下来的定点打击更加有效。

之前，这个问题被证明是一个NP完全问题。为了实际操作，他们引入了一个混合的整数线性规划和贪婪启发式搜索。执行贪婪启发式搜索后，在检查5个真实的*网络时发现，只需要移除12%的节点，就能提高网络中心性17%~45%。这个算法还能应用在包含1133个节点和5541个边的网络中。

坦桑尼亚网络的节点被贪婪启发式搜索去除后的可视化表现。图A是初始网络，图B去除了3个节点，图C去除了5个节点，图D去除了9个节点。随着去除的节点越来越多，图形变得越来越像星形。当去除11个节点后，拓扑结构就完全像一个星形了。

ISIS的行为并不是完全随机的，而是有规律可循，这是Paulo Shakarian的惊人发现。

挖掘ISIS行为之间的相关性

今年8月，Paulo Shakarian的团队在知识发现与数据挖掘会议(Conference on Knowledge Discovery and Data Mining)上发表了一篇论文，名为《挖掘因果关系：对ISIS的数据驱动研究》(Mining for Causal Relationships: A Data-Driven Study of the Islamic State)，公布了他们的发现。

这篇论文中，他们分析了战争研究所提供的2200个ISIS相关事件的数据，构建了一个描述模型——一个模拟ISIS行为的算法。这2200个事件发生于2014年下半年，既包括了围绕ISIS的军事行动，以及反对ISIS的*(包括伊拉克、叙利亚和美国领导的联盟)。在其中，他们将逻辑程序和因果推理相结合，试图挖掘出事件之间的因果关系。

由此，他们得出了一些规则，这些规则的预测是由多个原子命题(不包含其他命题作为其组成部分的命题，即在结构上不能再分解出其他命题的命题)所组成，并通过比较相同事件序列的规则，来获得因果关系的证据。除了考虑规则的概率(p)之外，他们还研究了因果关系的度量εavg，这可以看做是当同时考虑到其他类似规则时，规则的先决条件所能提供的概率提升。

结果，他们果然发现了一些规律：

1，如果在某个星期，ISIS在伊拉克采取了步兵行动并伴有间接射击，那么，下一个星期在叙利亚就会出现车载简易爆炸装置(VBIED)的行动。(p=1.0，εavg=0.92)

2，如果在某个星期，ISIS在伊拉克提克里特市采取了行动，并进行了大规模的处决，那么，随之而来的就是伊拉克的叙利亚同时出现大量简易爆炸装置(IED)。(p=1.0，εavg=0.97)

3，叙利亚*空袭之后的一个星期内，ISIS往往会扣留大量人质(εavg=0.91，p=0.67)。并且，在他们的数据库中，类似的大规模扣留总是发生在叙利亚空袭之后。

4，如果联军空袭伊拉克摩苏尔市的同时，ISIS正在对安巴尔省采取行动，那么在空袭后的一个星期内，ISIS在伊拉克的简易爆炸装置行动会大大增加(p=0.67，εavg=0.97)。然而，如果空袭的同时，ISIS还在对叙利亚采取行动，那么，当地简易爆炸装置的使用也会增长(p=0.67，εavg=0.79)。

ISIS每周在伊拉克和叙利亚的武装袭击

根据这些行为规律，他们得出了以下一些结论：

1，ISIS可能会在除巴格达以外的其他区域采取大规模步兵行动之前，在巴格拉采取自杀式车载炸弹，来防止伊拉克军队/警察的增强部署。

2，ISIS倾向于在大规模步兵行动之前，采取间接射击(IDF)作为前导——更符合传统军事力量，而不是大规模使用IDF来实现骚扰的目的(这在伊拉克*行动期间的反叛团体中很常见)。

3，联军空袭与ISIS对简易爆炸装置的使用之间存在着关系，但却没有激发其他更大规模的武器(例如车载炸弹)，这可能意味着ISIS在这种行动后，会依赖更加分散和反叛风格的策略。

论文中，Shakarain的团队发现，有两个目标对ISIS似乎有特别高的价值——巴拉德和拜伊吉。拜伊吉拥有一座主要的炼油厂，而巴拉德靠近一座重要的*军事基地 。

Shakarain说，这篇论文描述了「概念的证据」，尽管算不上真正的「大数据」，但结果是显著的。由于数据有限，他们只聚焦在对过去的行为进行建模。

美国国防部对他的研究很感兴趣，或许代表着五角大楼将越来越接受这种数据驱动的计算机研究方法 。他们将继续研究更复杂的临时关系，可能会使用更加细分的时间区间，并且对多个时间单位进行分析。另外，他们还将研究环境变量(例如天气、信息、社交媒体、政治情况等)来找到更多的规律，对反恐策略提供一定的帮助。

不仅如此，人工智能还能完成更多的反恐任务，例如面部识别、分析监控录像中的人类行为等等。希望有更多的研究者投身这个领域，让机器保护我们的生命。但仅靠机器来维持和平是不可能的，更需要的是人的心灵。正如爱因斯坦所说：

Peace cannot be kept by force; it can only be achieved by understanding.——Albert Einstein