组织情报组织智能与系统情报系统智能：从基于情景的情报到基于模型的情报

赵志耘, 孙星恺, 王晓, 高芳, 王飞跃

摘要: 中国共产党第十九届五中全会审议和通过的《中共中央关于制定国民经济和社会发展第十四个五年规划和二〇三五年远景目标的建议》对我国进入新的发展阶段、坚持新的发展理念、构建新的发展格局提出了新的更高要求，坚持突出创新在我国现代化建设全局中的核心地位，把科技自立自强作为国家发展的战略支撑，同时规划《建议》要求必须遵循的五大原则中首次提出坚持系统观念。所谓创新发展，情报先行，站在新的历史起点、处在新的历史方位，我们必须按照新发展理念重新定位情报理论和方法。本文的核心就是按照十九届五中全会的精神系统审视未来情报理论与实践发展的需求，提出情报的系统组织和系统情报的概念和理论，探索适应新发展阶段的情报服务方式和方法。情报是知识（Knowledge，K）、行动（Action，A）和组织（Organization，O）的一体化，人工智能方法为实现情报科学的KAO一体化初心提供了更加坚实有效的手段与工具。然而，情报KAO一体化的切实落实，必须借助系统工程的新理念和方法，特别是基于模型的系统工程方法，利用基于模型的情报，从组织情报到系统情报，从组织智能到系统智能，构建智能情报的体系及其系统工程。围绕这一理念，提出相应问题，解答五中全会的重点关注，就是本文讨论的实质。

关键词: 系统情报; 系统智能; 基于模型的情报; 基于情景的情报; 智能情报系统工程

Systems Intelligence and Organizational Intelligence: 

From Scenario-Based to Model-Based Intelligence

Zhao ZhiyunSun XingkaiWang XiaoGao FangWang Feiyue

Abstract: The Communist Party of China has unveiled in full the Party leadership’s proposals for formulating the 14th Five-Year Plan (2021-2025) for National Economic and Social Development and the Long-Range Objectives through the year 2035. The document highlights China’s new development stage, philosophy, and pattern. It insists on emphasizing the core position of innovation in the overall situation of China’s modernization drive, and on scientific and technological self-reliance as strategic support for national development. At the same time, it puts forward the system concept among the five principles for the first time. In the context of “innovative development, intelligence first”, we must reposition intelligence theory and methods in accordance with the new development concept in a new historical position. Considering the need for the development of information theory and practice under the guidance of the spirit of the Fifth Plenary Session of the 19th Central Committee, this paper puts forward the concepts and theories of organizational intelligence and systems intelligence, and explores the information service methods that adapt to the new development stage. Intelligence is the integration of Knowledge, Action, and Organization (KAO). Artificial intelligence provides more effective means for realizing the original intention of the KAO integration. However, the actual implementation of the KAO integration must rely on new concepts and methods of systems engineering, especially model-based systems engineering methods, using model-based intelligence, from organizational intelligence to systems intelligence, and from organizational smartness to system smartness, to build smart intelligence systems engineering. Focusing on this concept, raising corresponding questions and addressing key concerns of the Fifth Plenary Session are the essence of this article.

Key words: systems intelligence；organizational intelligence；model-based intelligence；scenario-based intelligence；smart intelligence systems engineering

本文引用格式

引用本文: 赵志耘,孙星恺,王晓等.组织情报组织智能与系统情报系统智能：从基于情景的情报到基于模型的情报[J].情报学报,2020,39(12):1283-1294 doi:10.3772/j.issn.1000-0135.2020.12.005

Citation:  Zhao Zhiyun,Sun Xingkai,Wang Xiao,et al.Systems Intelligence and Organizational Intelligence: From Scenario-Based to Model-Based Intelligence[J].Journal of the China Society for Scientific and Technical Information,2020,39(12):1283-1294 doi:10.3772/j.issn.1000-0135.2020.12.005

1　引  言

近年来，随着大数据和人工智能技术的迅猛发展和应用普及，情报技术的提升和深度应用也得到了极大的推动。社会媒体、开源情报、智能手机，特别是短视频APP的兴起，使情报意识和作用日渐向个人、社团、社区等渗透，冲击传统的情报应用领域和范式，倒逼情报理论和专业人士反省审视原有的框架、体系和方法。中国共产党第十九届五中全会审议和通过的《中共中央关于制定国民经济和社会发展第十四个五年规划和二〇三五年远景目标的建议》对我国进入新的发展阶段、坚持新的发展理念、构建新的发展格局提出了新的更高要求。科技创新被摆在了经济社会发展更加核心的位置。在《建议》要求必须遵循的五大原则中首次提出必须坚持系统观念。这一基本原则的提出可谓恰逢其时，为在新的历史起点和历史方位下，如何继续秉承“创新发展，情报先行”理念指明了方向。我们必须按照新的发展理念对情报理论和方法重新定位，按照十九届五中全会的精神系统审视未来情报理论与实践发展的需求，探索适应新发展阶段的情报服务方式和方法。

针对五年前的智能技术，文献[1-5]曾提出智能化平行情报体系和决策剧场技术等情报方法实践等，力图在体系框架和实操方法等层面变革情报理论。我们认为，考虑到数字孪生技术和平行智能方法的日益成熟和普及，必须进一步集“数据之力、计算之力、算法之力、网络之力、区块链之力”等的“五力合一”优势，更加强调Cyber-Physical-Social Systems（CPSS）之基础设施的重要性，借助基于模型系统工程的（Model-Based Systems Engineering，MBSE）思路和成功实践，构造基于模型的情报（Model-Based Intelligence，MBI），形成应用特定的情报（Application Specific Intelligence，ASI）和智能情报系统工程（Smart Intelligence Systems Engineering，SISE）。

为此，我们按文献[6]所列纲要进行了数次研讨。本研究是前期部分讨论结果的初步总结，尽管仍有部分问题尚未充分明确，但我们希望抛砖引玉，激发更多的情报工作者加入相关讨论与研究，共同构建智能技术引导下的智能情报体系。我们后续的研究结果也将陆续发表，请情报领域专家学者指正。

2　组织情报和组织智能

在不确定因素越来越多、外部信息越来越复杂多变的情况下，具备快速适当的环境变化应对能力，以便在战术上更好地适应环境，已越来越成为组织生存发展最重要的因素，并成为组织优势和组织生存能力的必要依赖——这是“组织情报”和“组织智能”的根本性要求。组织情报或组织智能的概念很早就被提出[7]，文献[8]将其定义为一个组织作为一个整体所具有的搜集信息、自我改造、产生知识并依据所产生的知识采取有效行动的能力。实际上，最初英文Organizational Intelligence几乎完全是指“组织情报”[7]，后来逐渐扩展到“组织智能”[8-9]，但仍与情报理论传统的KAO（Knowledge+Action+Organization）框架一致。当前，互联网、物联网、移动互联网、云计算等新兴技术快速涌现，各种新兴社会媒体和自媒体蓬勃发展，组织越来越处在一个具有鲜明的多源、异构与异质等特征的外部大数据环境下，组织不仅要面对传统竞争环境（竞方动态、竞争规则、竞争格局等），还需应对社会、经济、科技、文化等一般环境要素的变化，组织所处的环境复杂程度大大加深，影响组织发展的各个外部因素的表现形式以及它们之间的相互作用都在持续变化，充满不确定性、多样性和复杂性（Uncertainty, Diversity, Complexity，UDC），这给组织的有效信息获取与利用带来极大挑战，对组织智能提出了更高的要求。以往依赖组织内人员手工的模型已经无法应对实现组织智能的任务要求，文献[4,10]提出了集成人和基于机器的知识处理和问题求解能力的组织智能模型，强调机器智能是组织智能不可或缺的部分。

以往，围绕企业组织相关的情报研究多聚焦于竞争情报、企业知识管理等相关方向。当前在组织智能的迫切要求下，有必要以组织为中心来研究网络外部信息和知识的特点、情报模型与方法体系[11]；在情报与智能一体化趋势下，开展组织情报的研究与应用才能增强组织的预见力和应变能力。文献[12]在中文语境下引入了组织情报的概念，指出组织情报的特点：组织情报是组织的知识增量，组织情报更为关注组织的外部信息，组织情报作为过程和产品的战略导向，组织情报的智能导向，组织情报的未来导向，以及为决策服务的特征。同时提出组织情报观是一种普遍性的理论视角，将对情报现象、情报过程、情报工作、情报产品的认识建立在组织分析的基础之上，由此得出情报作为组织的一个生存、发展的要素的结论。

在知识经济时代，组织情报更多地体现在围绕组织生存发展等各类情景下的知识获取、积累和利用能力的提高。组织情报需要为组织提供具有极强针对性和专业性的知识，以便组织在各个情境下实现快速、精准的决策。同时，借助这些信息和知识，可对决策对象进行场景虚拟、过程模拟和绩效评估等，对决策预案进行科学分析、综合比较[1]。情报就是为了特定目的而获取的具有相当针对性和及时性的知识[4]。情报与智能有着“天然”的内在联系。“Intelligence”一词既有情报之意，又有智能之说。情报与智能可谓一枚硬币的两面，知识将其链接为不可分割的整体[4]。组织情报研究是对各类影响组织生存和发展的社会信号的感知、认知与理解，是将信息转化为情报的系列化加工过程。文献[13]指出，“人工智能的发展带给情报感知论的影响，在理论层面首先应考察感知理论的主体变更或者感知过程的可替代性强化，即感知主体向机器，或者说人与机器相结合转变；感知过程的内在逻辑由真正的人工（指人类）智能向模拟的机器智能转变”。通过组织情报把动态、碎片、低质无序的外部信息转化为组织内部面向各个组织业务方向的确定性知识。在组织智能中，强调知识作为核心要素的重要地位，是组织情报发展的根本前提。组织内部对情报的转化和利用，将不断沉淀积累各种场景下的知识要素，进而构建形成组织知识体系和知识库，并通过实时动态的更新反馈机制实现组织知识增值，使得组织可以基于知识进行自我评估和明确发展方向。

3　系统情报与系统智能

当前，以网络情报（Network Intelligence，NETINT）为主的开源情报（Open Source Intelligence，OS-INT）逐渐成为现代情报的主流形式并向智能的平行情报发展[3-4]，组织情报面对的信息内涵持续向深度和广度扩展，其范围比竞争情报要更广泛，可以是适合组织需要的任何信息，这种外部环境信息是组织自身难以把握和不可控制的变化因素，并形成一个复杂、多维度、多主体的时变信号空间。组织活动的开展需要坚持系统观念，以智能为核心手段辅助组织实现智能决策与行动。组织需要借助融合机器智能的系统智能来实现组织认知能力的提升。传统情报中的KAO在新时代下已经发生了本质上的变化。知识成为组织生存发展的核心要素，组织必须在内外部的信息环境下借助智能系统获取情报，基于情报的分析、预测提炼“洞察”、感知变化，进而引导组织展开有效的行动。实质上智能是获取和应用知识与技巧的能力，而情报又是服务于特定目的的知识[4]，因此，系统智能可认为是使用系统的形式来获取和应用知识与技巧的能力，系统情报则为由系统产生的服务于特定目的的知识。系统的应用交互对象是人，虽然系统智能可以在一定程度上提升知识自动化的水平[14]，但很难通过自动化完全取代人在其中的作用。通过系统对各类内外部信息的融合处理，构建情景化、模型化的智能情报平台，通过“虚实互动”的人机交互和闭环反馈实现“知识的升华与激活”，引导组织的决策，同时辅助组织内的知识型员工实现知识增值，本质上是将各类系统产生的系统情报的有机结合赋能组织相关人员，提升组织智能流程效率和效果，使组织具备应对复杂多变环境实现自我发展的能力。“未来的智能系统一定是开放的、开源的、实用化、大众化和微小‘创客’式的，成为开放的智能，其核心或灵魂就是各种各样社会化‘活’的情 报”[12]。因此，组织情报必然要构建融合各类智能化技术的情报系统，依赖系统智能与系统情报，实现新的组织知识增值，这由组织情报的未来导向和为决策服务的特征所决定。

4　基于情景的情报（Scenario-Based Intelligence，SBI）

情报工作的开展需要融入社会发展，以现实社会具体情景为依托，服务于特定领域或情景的情报需求，才能充分发挥情报工作“耳目、尖兵、参谋”的功能与作用[15]。情景强调的是一种情况、剧情和景象，通常是在特定时间和特定空间的具体情境。在学术研究中，“情景”一词最早出现于1967年Kahn和Wiener合著的《2000年》一书。情景分析法中的情景可指对事物所有可能的未来发展态势的描述，既包括对各种态势基本特征的定性和定量描述，还包括对各种态势发生可能性的描述[16]。自从情景被引入学术研究中，便被广泛应用到企业经济、医学、教育、计算机科学和环境科学等众多领域。情景相关的研究成果涉及情景规划、情景分析、情景构建、情景感知、情景模拟等诸多方向。文献[15]提出以情景应对统领情景相关词组，构建情景应对生命周期。具体而言，“情景应对”指活动主体根据情景采取应对举措的一种实践活动，包括情景规划、情景分析、情景构建、情景模拟和情景优化等阶段在内的一系列情景活动，是一项涉及多环节和多阶段的系统工程，是一个具有生命周期的实践活动。面对多源社会信号的冲击，各类突发事件频发，形成的时变网络舆情环境对组织的应急响应、及时有效的精准决策与行动带来诸多挑战，如何借助情报系统针对不同的情景事件开展基于情景的情报也是当前组织智能情报研究的主流方向之一。目前，情景在情报学中的研究主要集中在情景分析与情景构建在应急情报、竞争情报与图情情报等领域的应用。情报工作中的情景分析法作为情景理论体系中的重要工具与方法，对情报工作和情报学研究具有重要的作用，在情报学中被广泛使用。基于情景的情报在组织情报体系中的研究主要覆盖三方面内容：基于情景的情报感知与获取、情景建模与解析、情景知识管理与决策。基于情景的情报是组织情报的重要组成部分，侧重于从组织生存与发展需要应对的各类情景事件为基准点进行情报的研究与应用。从整个情景情报的开展流程看，从组织情景规划与情景情报感知与获取、情景建模与解析、情景计算与预测、情景情报应用、情景知识管理与反馈优化，整个链条的情报工作无一不需要相关模型的支撑。每个环节都需要以场景事件为基础，为实现一个特定目标对主要问题进行分析并进行抽象化描述建模，在各个模型的有机组合下实现面向特定情景的信息-数据-知识-情报-智慧的转化。可以说，模型就是一类情景集合的升华。从本质上看，情报建模的过程都是在针对不同阶段的各类信息和数据的特征以及明确的转化目标约束指导下进行的，创造和应用模型的目的是适应数据，在数据驱动下完成模型的构建、应用、优化。围绕组织应对场景下的数据特点与目标构建模型，各个模型组合成情报系统的核心驱动力，其智能性直接反映了系统智能的水平，决定了组织情报的能力。

5　基于模型的情报（Model-Based Intelligence，MBI）

模型是出于特定目的，从特定视角对研究对象的抽象描述，将特殊的问题一般化，将复杂问题简单化，为解决同一类的问题形成通用的方法，实现认知降维[17]。所谓模型方法，即通过构建模型去描述或刻画研究对象，通过不断修正和改善模型使它逐步靠近所要研究的复杂事物的方法[18]。从钱学森的情报“激活”理念看，“情报的本质是激活了的、解决特定问题所需要的、具有针对性和及时性的知识。情报工作是激活知识的工作，情报系统是激活知识、转化知识、产出情报、使情报增值的智能系统”[12]。面对当前复杂多变的大数据环境，情报工作必然要与智能科学深度融合，而智能的体现和重要载体就是在情报转化链条中的各个模型。从事实、数据到信息，从信息到知识，从知识到智能（情报）的转化，标志着人类的认知从低级阶段向高级阶段的演进，这个演进过程不会自动发生。以往基于人的能动认知手工完成转化的情报工作模式早已不适应当前的时代，需要以模型为载体的各种智能化技术来辅助实现，尤其是处于信息链中高端节点的知识，作为人类特有的认知能力，它的转化最为复杂，需要的信息技术手段和管理方法也最为复杂，同时对组织情报和组织智能的贡献也最大。

事实上，模型方法已经被大量地应用于自然科学和社会科学的各项研究之中，特别是社会、经济、政治、科技等各类大小学科及分支方向上层出不穷的模型，不仅是这些领域重要的研究成果，更直接反映出相关领域的科学研究进展与技术进步。作为以信息、知识及其利用与辅助决策为主要研究内容的学科，情报学已成为一门融合自然科学与社会科学的交叉性基础学科，不断和社会学、经济学、计算机科学、信息学和系统科学、管理学等领域相关学科相融合，从而在研究内容和方法上不断开拓和创新。这直接体现在，情报研究中大量地借鉴和应用了这些领域的各类模型，实现从信息和数据中提取知识和情报。实际上，情报学研究中的多个分支方向都已经在开展“基于模型”的研究。例如，在科技情报领域，基于复杂网络模型针对特定领域方向的文献开展研究热点、核心群体识别，基于特定算法模型进行合作关系测度分析[19-20]等。从一定程度来说，情报的发展直接体现在新的情报模型的提出、应用与优化。本质上看，情报模型的进化就是在各个领域情景下的情报需求引导下，情报与智能一体化研究思路与方法的不断尝试与探索，是情报科学与智能科学融合发展的重点研究内容。随着信息环境的复杂性、多样性和不确定性问题日益突出，情报学作为基础性支撑学科将为各行业的组织情报开展进而提升组织智能发挥关键作用。在面向各个领域情景的数据特征下融合人工智能和其他智能技术从模型层面进行深入研究，把人的认知经验与智能技术相结合赋予各类模型中，就是基于模型的情报（MBI）。MBI不等同于情报模型，MBI是建模方法的形式化应用，以支持各种场景下的情报研究与应用系统从情报需求阶段开始一直持续到情报分析阶段和后续情报服务的全情报链相关阶段的建模。MBI是在以模型为中心的一系列情报分析方法基础上的通用描述，这些方法可被应用于科技情报、竞争情报、应急情报等领域，以期优化原来情报人员完全人工定性分析的方法，并通过完全融入情报链过程来影响未来情报活动的实践。MBI是一种形式化的情报建模方法学，是为了应对基于传统情报研究与工作模式在复杂多变的社会信号下面临的挑战，以逻辑连贯一致的多视角通用情报模型为桥梁和框架，实现跨领域情报模型的可追踪、可验证和情报链的动态关联，进而驱动贯穿于从情报需求、情报感知、情报分析、情报服务、情报反馈等各个环节的情报过程和活动。MBI的目标就是在各类情报研究与应用中寻求有效的手段，降低实现特定情报目标的不确定性，化多样性为归一，使复杂变得简单。实施MBI可以更有效地改善和提升现有情报实施过程，其与基于情景的情报研究的根本区别不在于是否建模，而在于是否是形式化建模，即建模过程和方法是否具有一定的规范标准。目前，在科技情报、竞争情报、社会情报、安全情报等各个情报学科分支的研究中，面向不同的应用场景与任务课题，情报人员基于情报信息链的相关环节提出了各种模型方法，但对如何形式化地在相关环节开展建模缺乏讨论和研究。各行各业的组织面对的情报需求和实际问题不尽相同，但情报工作的核心流程依然围绕情报链向着自动化、智能化方向深化演进，以发挥情报与知识作为基础要素在组织智能中的核心作用。本文把基于模型的情报研究以情报链为基础，分别从情报需求、情报感知与采集、情报分析、情报服务、情报交互反馈几个方面梳理介绍MBI模型构建的一般思路。

5.1　 基于模型的情报需求感知

情报服务的前提是探索情报用户的情报需求，只有真正服务于用户需求，情报学的价值和意义方能得以凸显。情报需求分析离不开对情报用户的研究，情报用户的基本状况及其对情报的具体要求，不仅决定了情报服务的内容和方式，还决定了情报工作的机制与模式[21]。目前，基于模型的用户需求感知研究相对较少，仍处于起步阶段。文献[22]从经济学生产理论角度构建产业竞争情报需求模型，探析性进行产业竞争情报用户需求研究。文献[23]分析了竞争情报的生产要素属性，在此基础上利用经济学生产理论，构建了产业竞争情报需求模型。文献[24]运用系统动力学方法分析产业竞争情报的因果关系和行为规律，构建系统动力学供需模型探索产业竞争情报的供需机制。组织情报强调为组织决策提供支撑，但组织情报的使用和受益者绝非仅限于高层决策制定者，知识型组织应该让组织情报赋能组织内的各类知识工作者，把情报和知识要素纳入工作任务场景与知识管理中，从这个角度讲除了基于其他学科的理论开展情报需求模型研究外，需要面向组织个体在情报用户画像模型研究基础上，融合组织知识体系与行业知识图谱构建个人知识图谱模型，实现动态情报知识需求智能感知。个人知识图谱基于情报服务体系中多维度、多层次的交互机制和交互行为数据，通过描述-预测-引导的数据解析逻辑机制进行构建与升级优化，本质上是用户在组织任务情境下的知识需求与个人隐式知识的交互，是个人知识本体的显性化模型表示。组织情报的开展需要组织知识体系的明确，除了采用自顶向下的方式构建组织本体外，通过融合组织情报链中的相关人员的个人知识图谱模型，自底向上地为组织知识结构、体系和质量提供反馈优化机制。此外，情报需求模型的输出可以动态转化为情报感知与获取模型的输入信号，实现组织内的人机协同知识联动和动态优化。

5.2　 基于模型的情报感知与获取

从情报“感知论”来看，情报问题的入口在于如何从纷繁复杂的信息源中感知到情报的存在。情报信息的采集为后续的情报认知和服务提供数据基础，是实现领域科情知识自动化、智能化的前提。如果把情报系统看作一个虚拟知识工厂，要解决的首要问题在于数据原材料的获取。目前，任何一个面向垂直领域场景情报的任务需求也不仅仅只依赖单一的数据源，而要依靠多个实时、在线、动态的数据源。由于网络数据量巨大、数据类型繁多、数据源价值密度低、变化速度快等特点，对于特定领域情报来说，还需要基于特定情景的需求模型结合领域专业知识为情景情报进行信息的感知与采集。以往领域数据采集研究多聚焦在特定数据源的数据采集方法，如动态网采集、深度网采集、多模态数据采集等。智能化的数据采集模型要做到跟整个科情知识加工、应用、交互等多个环节进行联动，基于各个环节的数据实时计算分析、用户反馈动态调整与优化数据采集策略。目前智能化情报采集模型与策略的研究主要是通过内容的情报分析结果提高情报采集的效果。文献[25]将本体的思想融入竞争情报系统的设计，利用语义Web挖掘技术挖掘网络信息资源中的深层知识和情报，提出基于本体的竞争情报采集模型，包括本体知识库、基于本体的Web站点建模、本体实例学习以及语义挖掘等模块。文献[26]在分析情感知识的技术竞争情报价值和文本信息资源的情感特性及情感化方式的基础上，围绕企业技术竞争情报获取目标与环境，结合文本情感挖掘流程构建的采集模型，用于从以网络技术评论为典型代表的主观性文本信息资源中识别出情感知识，作为对传统的主题式情报采集的有益补充，实现情感类技术竞争情报的智能获取。文献[27]整合诊断信息搜集的基本流程，借助数据挖掘技术来实现服务企业诊断情报的收集、处理、智能分析等功能的一体化，增加情报采集的协同性与智能性，实现诊断情报知识获取的自动化与智能化。在信息智能采集方面，社会传感网络[28]与ASKE（Application Specific Knowledge Engines）[29]的提出给智能化情报感知与采集模型提供了借鉴思路。基于社会传感网络构建的科情传感网络[2]面向各类不同领域科情的开源情报获取与处理的需求，将物理传感器概念推广到网络空间，传感网络中应用垂直搜索和聚焦爬虫、深度网和动态网信息的采集、网络信息的可配置搜索等技术，构建科研机构、任务、组织等各类不同科情传感网络，分层、分簇感知科技要闻、文献、专利等涉及科技动态的网络开源信息，并且该科情网络不断扩充、丰富，形成科技人物传感网、科技组织传感网、科技机构传感网、科技论文传感网、科技会议传感网等，同时各个传感点根据信息内容的不同动态调整网络中的关联与位置，以实现最快感知领域科情关注焦点信息的功能。

智能化的数据采集模型要基于组织情报需求，以内部情报认知关联数据采集为起点，基于情报需求模型的输出进行资源采集基础配置，构建可与前后情报环节智能联动与协同、对反馈信号进行学习可对采集策略进行动态优化调整的采集模型，保证与组织情报下各个情景的核心要素与应用场景融合，提升情报信息采集的自动化与智能化获取水平。组织情报中的情报感知与采集模型基于社会传感网理论方法，构建每个组织的组织情报传感网络模型，其核心目标就是基于组织的情报需求，通过智能调度模型、知识本体语义扩展与概念泛化模型、链式知识自动发现采集模型等子模型的有机融合，实现对初始人工配置的采集关键词、信息源、采集策略进行动态调整与优化，完成主题情报的外延扩展信息感知采集。基于模型的情报感知与采集的核心目标和研究方向，是从依赖人工调整的采集策略到具备自主感知、学习、优化的智能化采集体系转变，形成去中心化的可分布式计算调度的整体智能情报传感网，为后续的情报分析和服务环节提供源源不断的信号和原材料，又可基于各环节的计算结果和反馈信号进行自我迭代，形成情报感知采集的闭环反馈机制。基于模型的情报感知与获取模型主要研究问题包括：领域/组织传感网络体系结构研究；面向特定任务/情景的传感网络自动化构建；传感网络中的节点计算模型；基于情报分析与计算的传感网络自适应自学习的调度与优化模型；人在环中的情报传感网络协同等。

5.3　 基于模型的情报分析

当前，模型在情报学的研究与应用中，情报分析模型作为最主要的研究内容，也得到了学界广泛的关注。面对充满噪声、多模态、多源、分散无序的信息，如何通过对数据的深度认知和解读发现知识、挖掘价值、提取洞见一直都是情报研究的核心课题。在多样复杂的碎片化信息环境形成的“知识迷航”下，过去依靠人工阅读以定性分析为主的分析方法变得十分耗时、低效甚至不可能，超出了人的“注意力”和大脑信息记忆与处理能力限度。一定要借助以模型为载体的智能技术手段进行情报分析，来解决“智力剪刀差”带来的矛盾，实现从融合全源的、多元化的数据中发掘知识和情报。情报分析是通过系统化过程将信息转化为知识、情报和谋略的过程[30]，其中的系统化过程指的就是情报分析的框架化和模型化[31]。目前，情报分析模型研究主要围绕情报分析链各个环节中的问题展开。科技情报领域情报分析工作起步较早，目前已经积累了许多比较成熟的分析模型，主要应用于基于文献与专利数据的科技前沿动态探测、研究趋势与热点分析、核心研究群体及网络模式分析、科技实体影响力评估、技术演化预测分析等方向。随着情报学与其他学科领域的融合交叉，竞争情报、社会情报等领域出现了诸多情报分析模型。伴随着智能技术、社会信号和用户需求的改变，基于模型的情报分析方法与分析链、应用场景以及分析的对象和手段也在不断进化。文献[18]归纳总结了情报分析的4大类、16小类模型，即结构类情报分析模型（主要包括元素集合模型、层次体系模型、矩阵结构模型、网络结构模型）、过程类情报分析模型（主要包括线性顺序模型、生命周期模型、增量过程模型、螺旋过程模型）、机制类情报分析模型（主要包括转化机制模型、聚合和分类机制模型、协同机制模型、突变机制模型）和关系类情报分析模型（主要包括逻辑关系模型、映射关系模型、透视关系模型、隐喻关系模型）。整体来看，这些模型都是基于特定的输出目标从不同的角度对情报分析活动进行建模和解释，实现数据从无序化到有序化、分散化到聚焦化、非结构化到结构化的过程。在数据到知识到情报的转化过程中数据价值逐步显现，是实现知识增值的核心环节。基于模型的情报分析研究与应用逐步呈现出自动化、智能化、全源化、情景化、个性化、协同化与模式化的特点。

以知识图谱作为情报分析建模的基础知识模型，支撑从情报需求、情报感知与采集、情报分析、情报服务、情报反馈的各流程建模。情报分析的过程会涉及知识表示、组织、转化、情报认知等活动。情报分析的本质是对由情报感知采集获取到的各类信号的认知、理解和研判。影响组织智能的各类社会信号实际上是真实世界的实体及其各类关系和活动的映射，不同的组织面向不同的领域场景所需要的是整个Cyberspace空间的一个信号子集。基于数据挖掘、机器学习等技术构建的各种数据分类、要素提取、关系映射等模型，均是为了从不同角度和层面实现对这个信号子集的认知。当前，理解和认知这个信号子集的通用基础模型便是知识图谱。自2012年谷歌正式提出知识图谱（Knowledge Graph）[31]并成功运用到搜索中以来，知识图谱通过使用统一形式描述的语义化、网络化、结构化的知识描述框架，通过“符号具化”表征物理世界和认知世界中的对象，并作为不同个体对认知世界中信息和知识进行描述和交互的桥梁，展现出了其在描述复杂、多样和海量异构数据方面的巨大优势，成为人工智能最重要的基础设施之一。目前，知识图谱已经在金融、医疗、电商、教育、科技等知识密集型领域发挥着重要的作用。本文认为组织情报所需的以知识图谱作为底层情报分析的基础模型体系，应该由通用知识图谱、领域知识图谱、事理图谱、组织知识图谱、个人知识图谱共同组成。通用知识图谱多基于知识众包的百科等结构化数据构建，可提供对信号空间的一般化知识或常识进行浅层次的辅助认知。领域知识图谱可由组织所在的行业与细分方向的多类领域数据抽取构建，其包含的领域实体及关系知识更为全面细致，可提供对组织主题相关信号的深度认知和理解能力。事理图谱则是以事件及其关系为核心的图谱网络，刻画动态事件的演化规律，可用于知识推理和演化分析。文献[32]界定了情报事理图谱的概念，分析了情报事理图谱价值内涵。组织知识图谱是以企业组织为中心融合组织各类内外部知识要素的图谱，是组织知识系统和知识库的核心基础框架。个人知识图谱目前研究较少，本文认为由于组织情报最终赋能的对象是个人，尤其是知识型员工，因此围绕个人知识体系和情报需求开展个人知识图谱研究，是对组织知识图谱的补充和细化，其可以结合组织、领域、通用知识图谱的交互纳入个人头脑中的隐式知识和经验，提高机器的认知能力，还为组织知识图谱提供众包校验和质量提升。通过不同知识层次与维度的知识图谱模型赋予机器一定的情报认知分析能力，把人的领域知识认知体系纳入知识图谱中，明确组织情报中的人、事、物、地、组织等实体要素，并根据其中的属性联系、语义联系、时空联系、特征联系等建立相互的关系，就形成了一个组织专属情报知识图谱，形成组织情报知识大脑。其本质上就是，依托知识图谱的本体框架在各类结构化、非结构化数据中识别蕴藏其中的概念、实体、关系、事件，这是为现实世界与虚拟世界建立关系的底层基础。在科技情报领域，中国科学技术信息研究所基于海量、多源的科技创新要素数据开展中国科技创新图谱的研究、开发与应用[33]。在形成以知识图谱作为底层知识表示模型的基础上，基于实际需求与任务目标可使用数据挖掘、机器学习、图算法、知识表示模型、语言模型等构建情报分析模型库，知识图谱为其提供知识表示输入，知识计算和分析结果同样可以编码成特定类型的知识存于知识图谱中，为这张描述性知识大网“增砖添瓦”，为后续的情报预测、推理和引导分析提供统一的知识表示模型。例如，在一个遵循此模式的基础应用示例中，文献[34]基于专利文献构建领域知识图谱，再基于知识图谱对每条专利打标签，使用社会网络社区进化方法模型基于专利文献标签之间的网络进行新兴技术预测。

情报具有知识的本质属性，情报分析的关键就是借助模型从纷杂无序的动态信息中提炼有价值的知识。以自然语言处理与知识图谱为核心的认知智能技术的发展必然会引导情报分析模型的升级，转向融合非结构化数据的深度认知，进而带来情报分析模型新的突破。网络信息中存在着大量以自然语言为载体的数据，以及图片、视频等多模态数据，基于模型的情报分析将从基于结构化数据的统计分析模型走向基于融合多源多模态数据的认知理解模型，从描述性分析模式走向智能推理与预测解析模型，从静态刻画模型走向动态演化与引导模型。

5.4　 基于模型的情报服务

情报服务是依据情报需求方的需求，将经过情报分析模型处理后形成的结论、推理、判断与预测通过知识或信息等形式传递给情报需求方，其目标是情报输出结果影响组织的决策，提升组织智能。传统的情报服务模式已无法满足组织的智能化、个性化的需求。文献[35]从工程技术角度探讨了具有普适性的科技情报服务能力基本架构，提出了包括情报资源保障能力、情报交互能力、情报分析判断能力和情报协同服务能力的四层结构模型。当前，情报服务将由被动服务向主动服务转变，从基于报告的传统服务形式转向基于情景与知识要素融合的知识适配交互机制的智能化情报服务模型体系，通过人在环中的智能交互模式为用户提供决策支撑与引导。本文将从情报检索、情报推荐、情报可视化、情报问答、情报生成几个方面简要探讨基于模型的情报服务模式关键问题。

5.4.1　 情报检索模型

情报检索中主要的模型包括基于文本的布尔模型、概率模型、向量模型和模糊模型，基于逻辑理论的逻辑检索模型，基于语义的概念检索模型等。在当前的复杂信息环境下，情报检索模型将在以知识图谱作为底层知识表示模型的基础上为用户提供支持语义分析与意图理解的探索式搜索模式。由于用户的搜索意图也随搜索进程不断波动，探索式搜索[36]提供了不同于“查询-应答”模式搜索的一次性的交互方式，它通过多次交互的形式，持续给出相关的选择，引导用户明确表达搜索意图，并探索发现用户切实需要的目标。支持语义理解与意图分析的探索式搜索模型的重点在于发现，协助用户开放性的通过多角度、多层次、多维度的了解数据，帮助用户从海量信息中发现有价值的信息或知识。系统在交互过程中需要有效利用好用户行为数据分析推测用户的搜索意图，借助组织体系的多层知识图谱，对用户的检索条件进行实体识别、概念泛化、偏好计算等挖掘目标关联关系从而提供更相关的兴趣点与更准确的内容。

5.4.2　 情报推荐模型

知识图谱包含了实体之间丰富的语义关联，为推荐系统提供了潜在的辅助信息来源，在诸多推荐场景尤其是以知识作为核心要素的场景中具有重要的研究价值和应用潜力。知识图谱为推荐项引入了更多的语义关系，可以深层次地发现用户兴趣，提高推荐的精确性。知识图谱提供了不同的关系连接种类，有利于推荐结果的发散，避免推荐结果局限于单一类型，为多样化的推荐提供了基础。此外，知识图谱可以连接用户的历史记录和推荐结果，为推荐结果提供解释，从而提高用户对推荐结果的满意度和接受度，增强用户对推荐系统的信任。基于模型的情报推荐的关键研究问题包括：基于知识图谱构建个人用户模型，即个人知识图谱，作为理解与感知用户需求的模型；围绕多个维度和层次的信息语义理解与个人知识图谱的匹配计算模型，本质上可看作基于领域知识图谱的兴趣激活扩散模型，预测用户对推荐项的潜在兴趣可能性；融合图论算法、图神经网络等推荐模型，推荐理由的自动生成，增强推荐结果的可解释性。

5.4.3　 情报可视化模型

目前，基于科学知识图谱工具的图谱可视化存在静态、缺乏互动性、关系维度不多等问题。作为一种人类可识别且对机器友好的知识表示，知识图谱是相互关联的事物及其关系的一种结构化表示，其底层的图结构也可以通过一定的图可视化的方式支撑关系探索分析，直观解释复杂的关系，从数据中获得高度独特而有价值的见解。应用数据管理和知识表示、统计分析、知识发现领域的方法模型进行自动分析，融入交互、认知等人的因素来协调人与机器之间的沟通，从而更好地呈现、理解分析结果。基于知识图谱与可视化方法支持对单一实体的语义检索与动态扩展机制，结合用户偏好知识图谱为用户提供对单点实体知识网络的递进式与个性化的可视化知识探索。通过基于知识图谱中存在的丰富语义关系查询与推理，实现对指定领域多实体间的关系路径探索，可为用户了解实体间的潜在关系。探索知识图谱与复杂网络方法相结合的情报可视化分析，在共现关系基础上研究基于知识图谱更多语义关系的网络分析，同时融入时空要素，实现对细粒度知识网络的动态演化分析。文献[34]在构建的中国科技创新图谱基础上，融合可视化技术，在时间、空间及创新专题等维度，呈现中国的科技创新的发展状况，辅助科技创新管理与决策。

5.4.4　 情报问答模型

智能时代，人类期望有更简单自然的方式与机器进行交互。人机对话系统提供了自然语言形式的人与产品交互，降低了产品使用门槛，大幅提升用户体验。常见的对话系统可分为三类：聊天型、任务导向型和问答型。在情报服务体系中主要会用到后两类。任务导向型对话是指由特定任务场景下通过多轮对话形式完成用户的任务指令，机器需要通过意图理解、主动询问、澄清等方式来确定用户的目标，意图明确后调用相应的服务接口进行执行，完成用户需求。问答型对话多指一问一答，用户提出一个问题，系统通过对问题的解析，从特定知识库中查找相应的结果。在情报服务体系中，任务导向型对话模型与知识问答模型将是情报用户与情报系统之间的知识与情报双向输出接口。面向任务的情报问答系统通常使用基于规则的或基于模板的方法，并采用对话状态跟踪技术。目前使用较多的是基于流水线模块化的对话架构，主要模块包括自然语言理解、对话管理和自然语言生成。自然语言理解模块通过意图识别等方法理解对话中用户语句的语义，对话管理模块负责对话状态维护、对话策略学习等，自然语言生成模块负责生成与用户交互的自然语言。基于知识图谱的问答是指给定自然语言问题，通过对问题进行语义理解和解析，进而利用知识库进行查询、推理得出答案。常用的方法模型包括通过对自然语言问句进行语义分析，转化成为一个可以在知识库中进行查询的逻辑形式，进而在知识库中进行推理查询，得出最终结果。一般子模块包括实体指称识别、实体链接、子图/模板匹配计算、答案生成等。返回给用户的形式可与知识图谱可视化模型联动，增强结果的直观性和关联性。情报问答模型可基于开源框架模型，如RASA[37]、DeepPavlov[38]等进行二次开发。情报问答模型也是虚拟智能情报助理的基础。

5.4.5　 情报生成模型

情报生成模型的核心是使用文本生成等技术为情报用户面向不同应用情景提供各类情报知识形式的自动生成，包括文章、报告、图表等。主要包括模板式、抽取式和生成式这三种模型方法。模板式方法主要基于输入的知识点与模板库进行候选模板检索，利用优化算法进行智能模板筛选，确定最终使用的模板进行情报文本的生成。抽取式是从海量的已有情报文本素材中抽取重要信息后生成摘要等，提高用户从大量数据中获取有价值的可直接阅读的总结性情报报告。生成式自然语言生成，主要指通过序列的深度学习和增强学习技术根据现有文本生成模型用自然语言的形式写成文本，难度最大，但应用价值也巨大。

5.5　 情报交互反馈模型

知识的精准抽取与融合、多源异构数据的融合在实际应用场景中要复杂得多，而且数据质量也很难保证。可以根据各应用领域的特征有针对性的建立抽取及融合模型，也可以结合一些预训练模型进行分析。如何使数据、知识、与人之间实现动态交互、自适应、反馈闭环，是知识自动化面临的核心科学问题。以人机协作式的机制共建领域情报知识库实现一定程度的知识自动迭代优化，需要一个多层次、多粒度的情报交互模式，辅助知识图谱的构建和校验，如结合主动学习、对抗学习及小样本学习等方法，尽量减少人工的干预。自学习迭代演化模型，实现结构化数据、半结构化数据以及非结构化数据的隐性知识和显性知识的识别与发现。通过情报交互反馈模型可以把反馈信号发送给情报链中的其他环节进行动态学习和优化，对知识图谱中的知识进行众包标注和质量反馈。

组织可根据自身需求通过建立情报模型的关系形成情报模型链甚至情报模型网，将各个相关的情报模型联系起来，模型通过定义好的接口进行信息一致性的自动维护，情报人员更加关注的是不断完善数据与知识接口的定义和描述方法，以及单点模型的升级优化。单独对目标进行描述和建模，以便决定如何进行情景和行为的分析、预判、归类、实验、评估等，如何选择引导和管理的策略、计划、方案、步骤，以及资源的组织、配置、调度、保障和监控的制度、实施、反馈、调节、质量、可靠性等。

6　MBI与平行情报

基于知识图谱建立起来的情报认知模型具有规范、可推理等特点，既能够被人理解，更容易被计算机理解，这种优势使基于知识图谱的模型可以直接用于知识的智能分析和应用。随着基于认知智能的系统知识应用技术的发展，对基于模型的情报解析将产生巨大的牵引作用，而这项技术本身也将成为MBI不可或缺的一部分。正如AlphaGo能够利用海量的数据和围棋知识体系做出胜率最高的决策，基于认知智能的知识应用技术将使机器拥有情报感知、认知进而引导的能力，为组织在各需求场景下的决策提供知识自动获取、最优方案建议，这种能力大大拓展了人类对情报支撑场景下的认知能力和行动能力，在效率和效益上都具有无可比拟的优势。建模技术仅仅解决了针对性的知识获取与相互联系的情报知识体系，但建模仅仅是MBI的起点。随着系统复杂性的增加，系统逐渐地从简单的物理系统向大型的信息系统，再向复杂的CPSS过渡，所涉及的关键信息也从物理信号，到商务信号，再到社会信号；系统的行为越来越难以被精确地刻画，相应的建模方法也从解析式的数学模型到仿真模型，再到描述型的人工模型；但实际行为与模型行为之间的差别也越来越大，以至形成“建模鸿沟”的客观现象[14]。面对日益严重的情报“瓶颈”，更多的信息、更少的情报、更复杂的任务和消失的时间[12]，MBI还需要融合更先进的情报体系框架才能发挥出更大的价值和作用。基于ACP（人工社会+计算实验+平行执行）的平行情报理念方法和知识自动化相关理念与思路为基于模型的智能情报的发展指出了一个可行的方向，可作为MBI指导性的整体框架体系。实际上，平行情报是现有情报方法的自然延伸，就是情报的自动化与主动化，也是其功能的深入，使情报能够在线嵌入于决策和行动，更是其方式的变革，变为实时、引导、闭环、反馈、交互的情报[12]。人类的智力和组织的智能一定要通过平行的虚拟情报系统来扩展。大数据和基于ACP的平行系统有着本质的关联。大数据的实质就是数据说话、预测未来、创造未来。首先，描述解析基于知识图谱等知识工程方法把碎片化的多源信息形成网络化、语义化的知识网络，结合各类融合数据挖掘等方法的描述解析模型构建代表特定目标和功能的人工社会、人工组织、人工系统等，技术上则表现为软件定义的且由数据和模型驱动的社会、组织、系统、人员等，成为服务于特定目的之具有针对性、及时性、可自动计算与操作的知识结构，这些知识实体可以有自己的情报感知引擎，自己主动上网获取社会信号和社会智能，并基于目标引导下的模型和数据计算改变自己的结构，成为知识的“活体”。其次，预测未来的任务可基于情景规划、事件确定、组织情报任务目标等，融合挖掘、回归、深度学习模型等模型库进行预测解析，再由假设、试验、推理、分析等方法构成面向特定任务的计算实验平台，计算机、网络系统、情报大屏等，在各类情报可视化方法模型支持下变成人工社会、人工实体等虚拟环境下测试、评估、分析各种情报任务的“实验室”“情报指挥室”“决策剧场”，所有决策可能的结果都可以经过推演预测得出，使得组织在各类情境下都能及时做出最优决策。最后，创造未来的任务通过引导计算和引导解析，在预测结果的指引下结合机器学习、人工智能、自适应控制与管理等模型转化为虚实互动、实时在线、闭环反馈的平行执行。如此，ACP理论和方法将智能技术、知识工程、情报解析集成于一体，形成基于模型和数据驱动的情报分析，组成完整的描述情报、预测情报、引导情报的体系[12]。基于ACP的平行理念，实现从物理信号到社会信号，从牛顿“知你为何”的“大定律、小数据”到默顿“望你为何”的“小定律、大数据”的转化，让人工智能开放，通过情报智能一体化的方式使各种智能系统成为未来智能产业的基础设施[39]。中国科学技术信息研究所基于科技信息大数据的决策剧场[5]已经在一定程度上体现出了这种情报解析体系的可行性。作为智能化、交互式的科技政策决策空间，决策剧场以事实型数据为素材，通过智能化的大数据分析、学习模型的加工，向参与决策的专家提供可视化、直观的集成展示空间。决策专家可以通过可视化和人机交互等手段，在智能模型输出的基础上进行沙盘推演，智能模型及仿真预测、模拟决策效果。最终，在决策剧场中真正达到专家智慧与机器智能，人脑经验与数据支撑的有机结合，使得科技政策决策更有事实依据，通过在决策剧场中预估决策效果，降低不当决策带来的损失。

此外，MBI还可以融合知识自动化的相关方法体系。组织情报系统本质上可认为是在MBI支撑下的知识自动化系统[40]。情报的搜集、加工处理、分析与应用使“数据-信息-知识-情报”的转化流动过程，成为一种典型的知识型工作。知识自动化作为一种方法框架具有重大的研究与应用价值，目前已在多个领域和方向进行了探索研究与应用尝试。以知识自动化方法为依托分析情报模型研究的思路框架，构建情报描述解析-预测解析-引导解析的“虚实互动”“人在其中”的情报体系，将在MBI应用中发挥更大的导向作用。组织情报中知识自动化的核心问题是如何自动化地实现对与组织关联的全息化的信息进行感知、认知，进而挖掘低密低质信息中的有效知识，这是情报知识智能化服务的基础环节；第二个关键问题就是对组织的情报知识需求的自动认知与理解，研究情报知识服务的适配机制与应用模式，以及人在其中的闭环反馈机制，为用户提供个性化、智能化的情报知识服务。

7　展  望

组织情报对战略的重要性日益增加与组织所处的环境变化有着重要的关系。开展从基于情景的情报（SBI）到基于模型的情报（MBI）的研究，在MBI中纳入ACP的平行情报思维和知识自动化系统方法体系，从以解析方法为基础的建模、分析、控制到开展以数据驱动为核心的描述、预测、引导的智能情报体系，是情报与智能一体化的必然要求和发展趋势，对组织情报与组织智能的提升具有重要意义。基于模型的情报（MBI）不仅仅是理论更是实践，为了让这种基于模型的情报思维能够付诸实践，使其在组织智能和组织情报中发挥作用，可能要同时从两个方向为之找到落地之路：一方面，要从“场景驱动”的角度去思考MBI可以解决的情报现实问题，以情报系统研发模式转型为目标探索它的实践途径；另一方面，要从“技术驱动”的角度思考，在“升级模型”上下工夫，围绕模型提供的情报知识体系探索基于智能化技术，用更多相关新理念、新技术的发展为MBI的升级与应用创造更大的发展空间。

参考文献