大模型驱动的智能辅助决策原理与典型应用

智能辅助决策大模型构建策略

#

🔼 该图展示了智能辅助决策大模型的三种主要构建策略，以及与集中式大模型策略的对比。图 (a) 描述了集中式辅助决策大模型，即将通用大模型私有化部署后，通过微调等迁移学习方法，使用各类指挥控制业务数据对模型参数进行拟合，构建多任务综合的辅助决策大模型。图 (b) 展示了任务域独占的分体式辅助决策大模型，即将指挥控制任务按照席位任务进行切分，在共享大模型底座上，横向堆叠独占的任务域模型。这种方式能够实现各任务要素间的隔离，确保数据的隐私性和安全性。图 (c) 展示了知识域分离的可重构辅助决策大模型架构。该架构按照更加细化的知识域进行模型切分，如情报分析、态势理解、意图研判、预案推荐等，形成一组知识域专用模型，在动态重构阶段可以基于零信任环境下的用户权限分配，对知识域模型进行动态组合，重构成各种可满足不同任务需求的模型。这种模型更好地适应于各类指挥决策需求，均衡了系统集成成本、数据资源利用率、数据安全性等多方面要求。这些架构对比清晰地展现了不同策略的优缺点，并体现了文章对构建智能辅助决策系统的深入思考。

智能辅助决策大模型架构

#

🔼 该图展示了四种不同的智能辅助决策大模型架构设计，分别是(a)多任务综合的集中式大模型，(b)任务域独占的分体式大模型，(c)任务域独占的分体式大模型（共享底座+增量模型），以及(d)知识域分离的重构式大模型。这四种架构都围绕着指挥控制的OODA环（观察、判断、决策、行动）展开。其中，(a)集中式大模型通过微调通用模型底座，实现多任务的综合处理；(b)分体式大模型为每个任务域独立部署通用模型底座，侧重任务间的隔离；(c)分体式模型在共享通用模型底座的基础上，为每个任务域添加独立的增量模型；而(d)重构式大模型则按照知识域进行模型切分，通过动态组合满足不同任务需求。这四种架构的设计思路体现了在指挥控制领域应用大模型时，对数据安全、任务隔离、模型性能等多种因素的综合考量。图示中的各个模块和箭头清晰地展示了不同架构中数据和模型的流动方式。其中（a）方法结构最为简单，但数据安全性和复用性都欠佳；而（d）方法结构最为复杂，但能够较好地满足数据安全和模型复用的要求。该图对于理解如何在复杂军事场景下构建智能辅助决策系统具有重要参考价值，特别是不同架构的优缺点，为后续研究提供了可借鉴的方向。通过对不同架构的比较，论文旨在寻找在性能、安全和资源利用率之间达到平衡的策略。文章接下来围绕这些架构展开了具体的任务域模型设计和验证。

情报摘要的提示机制数据

#

🔼 该图展示了情报摘要任务的提示机制数据设计，该设计基于思维链方法，旨在指导大模型如何从原始情报文本中提取关键信息并生成摘要。该机制分为两个主要步骤：首先是关键词提取，模型被要求从输入的情报文本中提取关键信息，这一步的目的是识别文本中最重要的事件或实体。其次是摘要编写，模型在提取关键信息后，按照预定的模板生成摘要。整个过程旨在提高情报分析的效率和准确性，帮助指挥员快速理解情报内容。提示机制数据中，任务描述明确了目标：针对特定目标，提取关键信息并生成摘要，同时，明确了对条目数量的限制；输入部分则展示了情报文本和关键词，并强调了输出格式的约束，即按照预定模板生成摘要。数据设计的关键创新点在于通过知识蒸馏的方式构建训练数据，即首先使用千亿级大模型生成摘要，然后人工修正，以此作为真值，大大降低了人工标注成本。这种方法不仅提高了数据标注效率，也保证了摘要质量。这种两步提示机制的设计逻辑清晰、步骤明确，有助于模型理解任务目标，并有效地执行情报摘要任务。该图是文章中任务域模型构建的重要组成部分，为后续模型微调和性能验证奠定了数据基础。

情报分类提示机制

#

🔼 该图展示了情报分类任务的提示机制数据设计，采用了基于思维链的逻辑分类范式。该范式包含五个步骤，分别是“线索”、“因果”、“初判”、“复盘”和“终判”。

第一步“线索”：模型的任务是从输入的情报文本中提取关键线索，包括关键词、短语和语义相关性，限定线索数量不超过X条。输入是情报文本，输出是提取的线索。

第二步“因果”：模型基于情报文本内容和线索分析结果，对线索间的因果性进行分析。输入是情报文本和提取的线索，输出是线索间的因果关系。

第三步“初判”：模型结合情报文本内容、线索分析和因果推理结果，对情报文本的类别进行初步预测。输入是情报文本、线索和因果关系，输出是事件类别的初步判断。

第四步“复盘”：模型基于初步预测结果，对预测的合理性进行分析，以确保最终预测的准确性。输入是情报文本、线索、因果关系和初步判断，输出是对预测结果的合理性分析。

第五步“终判”：在复盘的基础上，模型给出最终的事件类别判断。这个五步提示机制旨在使模型学会从情报数据中自动抽取线索，开展因果推理，并对预测结果进行复盘，最后给出事件类别判断。通过这种方式，可以提高情报分类的准确性和可解释性。这种设计方法将复杂的分类任务分解为一系列逻辑步骤，使得模型在进行分类时能够更深入地理解文本信息，并提供可解释的推理过程，有助于提升模型的分类性能和可靠性。

此外，图中还使用了占位符，如、、和<ORIGIN_PREDS>，这些占位符在实际应用中会被具体的数据替换，以指导模型进行相应的分析和推理。

意图研判提示机制

#

🔼 图4展示了意图研判任务中使用的提示机制数据设计。该设计采用了基于因果链的方法，旨在让大模型能够根据历史情报数据，分析和预测未来的威胁动向。整个提示机制分为两个步骤。第一步的核心在于进行多尺度时序因果推理，模型需要分析不同时间窗口内的情报文本，并提取出关键的因果关系。这一步要求模型能处理多尺度的时间序列，从不同时间跨度的历史数据中提取信息。提示语明确要求模型基于任意长度的历史情报，预测下一个时间单元可能发生的事件。输出结果需要包含时间、事件和标签等信息，并提取出因果关系的线索。第二步，模型则基于第一步提取的因果关系和历史情报，判断特定国家在下一时间单元内的潜在威胁动向等级，并分析可能发生的具体事件。整个提示机制通过明确的步骤和输入输出要求，引导模型进行逻辑推理和预测。这种设计体现了如何将复杂的分析任务分解为多个可执行的步骤，以便大模型能够有效地利用其知识和推理能力。

情报分析大模型演示界面

#

🔼 该图展示了一个情报分析大模型演示验证系统的用户界面，该系统旨在辅助指挥决策。界面主要分为几个部分：情报翻译、线索推理、因果推理、类别预测和情报事件。情报翻译部分显示了原始情报文本，提供了事件的基本描述；线索推理部分则提取了文本中的关键实体，如组织、地点和个人；因果推理部分基于提取的线索，进行了逻辑推理，以分析事件的因果关系，支持将事件归类；类别预测部分则根据推理结果给出了事件的类别标签，例如“争夺需要的战略目标”。情报事件部分则给出了原始文本的英文翻译。从整体来看，该界面简洁直观，逻辑清晰，用户可以逐层理解情报分析过程，从原始文本到关键实体提取，再到因果关系分析和最终的类别判断。该系统通过提取关键信息，分析事件之间的逻辑关系，并对事件进行分类，从而辅助指挥员快速了解情报内容，并做出相应的决策。该系统验证了基于大模型进行情报分析的可行性，并展现了其在辅助决策方面的潜力。该系统在提高情报分析效率和准确性方面具有重要意义，可以为指挥控制提供有力的支持，同时，也体现了思维链和因果链技术在情报分析中的应用。

智能辅助决策大模型构建策略

#

🔼 该图展示了四种不同的智能辅助决策大模型构建策略。图(a)呈现的是集中式辅助决策大模型，它通过私有化部署通用大模型，并利用指挥控制业务数据进行微调，形成一个多任务综合模型。这种方法可操作性强，但可能因数据共享导致信息安全风险。

图(b)描绘了任务域独占的分体式辅助决策大模型，该架构将各个任务域独立部署通用大模型底座，确保数据隐私，但成本高昂，且各任务域模型性能受限，知识不互通。

图(c)展示了改进的分体式辅助决策大模型，在共享大模型底座上，横向堆叠独占的任务域模型。这种方式降低了成本，但任务域之间的知识仍相互隔离，限制了大模型性能。

图(d)则提出了知识域分离的可重构辅助决策大模型架构，将模型切分为更细化的知识域专用模型。这些模型在隔离训练后，可基于用户权限动态重组，以满足不同任务需求。该方法在成本、资源利用率和数据安全性之间取得了较好的平衡。

该图清晰地呈现了智能辅助决策大模型在不同架构下的演进思路，从单一集中式到任务域分离，再到知识域分离的复杂演变过程，体现了对不同任务需求和安全考虑的逐步深入。这四种策略各有优劣，为后续研究提供了不同角度的参考。

智能辅助决策大模型构建策略

#

🔼 该图展示了三种智能辅助决策大模型的构建策略，分别是集中式、分体式和重构式模型。图(a)表示集中式大模型，它将通用大模型进行私有化部署，并用指挥控制业务数据微调。此方法简单直接，但存在数据共享和安全风险。图(b)表示任务域独占的分体式模型，它针对各个任务域独立部署通用大模型，保证数据隔离，但成本高且知识不互通。图(c)提出的分体式辅助决策大模型则是在共享大模型底座上，横向堆叠独占的任务域模型。而图(d)展示了知识域分离的重构式模型，该架构将模型切分为更细化的知识域，并在动态重构阶段基于用户权限按需组合，以满足不同任务需求。这三种策略旨在解决大模型在指挥控制领域应用时的数据安全、成本和性能问题，其中集中式模型易于实现但安全性较低，分体式模型安全性高但成本高，重构式模型在安全和效率之间取得了较好的平衡。这些架构设计旨在提供灵活且安全的大模型应用方案，以应对指挥控制领域的复杂需求。

智能辅助决策大模型构建策略

#

🔼 该图（图1）展示了智能辅助决策大模型的四种构建策略，这些策略旨在解决指挥控制领域中大模型应用时面临的挑战，如数据安全和模型性能。图1(a)描述了多任务综合的集中式大模型，这种模型通过私有化部署通用大模型并进行微调，以适应指挥控制任务。其优势在于可操作性强，实现过程简单，但缺点是需要开放共享各类指挥控制业务数据，且可能导致信息安全风险。图1(b)展示了任务域独占的分体式大模型，此架构旨在通过任务细化和独立私有化部署来解决集中式大模型的信息安全问题。然而，这种架构会导致重复建设成本高和任务域模型性能降低。图1(c)描述了共享底座上的分体式辅助决策大模型，此架构在共享的通用大模型底座上，横向堆叠独占的任务域模型。这种策略兼顾了经济性和数据安全，但是各任务域的知识仍然处于相互隔离状态。图1(d)展示了知识域分离的可重构辅助决策大模型架构，该架构将模型按知识域进行细化切分，并在隔离训练后进行动态重构，以满足不同任务需求，在系统集成成本、数据资源利用率、数据安全性等多方面取得了均衡。总而言之，这四种架构的设计思路体现了如何在满足安全和性能要求下，构建适用于指挥控制场景的大模型。

智能辅助决策大模型构建策略

#

🔼 该图展示了四种不同的智能辅助决策大模型构建策略，这些策略旨在解决在指挥控制领域应用大模型时面临的挑战，尤其是在数据安全和模型性能之间找到平衡。图(a)描绘了多任务综合的集中式辅助决策大模型，这种方法将通用大模型私有化部署，并通过微调使其适应指挥控制任务。这种方法的主要优点是利用了通用大模型的庞大知识体系，减少了对特定领域数据的需求，但缺点是可能导致数据共享的安全风险，不适用于对信息安全要求高的场景。(b)则展示了任务域独占的分体式辅助决策大模型，每个任务域独立部署模型，实现了数据隔离，但导致了成本增加和知识共享的缺失。(c)提出了分体式辅助决策大模型架构，它在共享大模型底座上堆叠独占的任务域模型，在一定程度上解决了(b)的缺陷，但各任务域的知识仍然处于隔离状态。(d)展示了知识域分离的可重构辅助决策大模型，将模型切分为更细化的知识域，并通过动态重构适应不同任务需求，这种架构在系统集成成本、数据资源利用率和数据安全性方面取得了较好的平衡。总而言之，图1通过对比多种大模型构建策略，揭示了在指挥控制领域应用大模型时需考虑的关键因素，并提供了解决数据安全和模型性能之间矛盾的思路。

智能辅助决策大模型构建策略

#

🔼 图1展示了四种智能辅助决策大模型构建策略，旨在解决大模型在指挥控制领域的应用挑战。图1(a)为多任务综合的集中式辅助决策大模型，该方法将通用大模型私有化部署，并通过微调等迁移学习方法，使用指挥控制业务数据进行参数拟合。这种方式的优点在于能够充分利用通用大模型的知识体系，降低对特定领域数据的依赖。然而，它存在数据共享和信息安全风险，因为所有数据都集中存储，容易造成信息泄露。图1(b)为任务域独占的分体式辅助决策大模型，它将任务分类细化，各任务域独立部署，以确保数据隐私。但这种方式会因重复底座建设而导致成本过高，且知识不互通会降低模型性能。图1(c)为一种改进的分体式模型，在共享的大模型底座上，横向堆叠独占的任务域模型，以解决成本和知识互通问题。然而，各任务域知识仍处于隔离状态。图1(d)提出了知识域分离的可重构辅助决策大模型架构，它按照更细化的知识域（如情报分析、态势理解等）切分模型，并动态重构，以适应不同任务需求。这种模型具有较好的灵活性和可扩展性，并更好地平衡了系统成本、资源利用率和数据安全性。总之，该图揭示了不同的大模型架构设计思路，针对指挥控制领域的数据安全、模型性能等问题提供了解决方向。

智能辅助决策大模型构建策略

#

🔼 该图展示了四种智能辅助决策大模型构建策略，并以（a）、（b）、（c）、（d）四个子图分别呈现。子图（a）为多任务综合的集中式辅助决策大模型，该策略将通用大模型私有化部署，并通过微调等迁移学习方法，使用各类指挥控制业务数据对模型参数进行拟合，形成一个综合性的辅助决策模型。子图（b）为任务域独占的分体式辅助决策大模型，强调各个任务域独立开展私有化部署，以实现各任务要素间的隔离，确保数据的隐私性和安全性。然而，这种方式可能导致重复建设和知识不互通的问题。子图（c）为共享底座的分体式辅助决策大模型，它在共享大模型底座上，横向堆叠独占的任务域模型，从而在一定程度上兼顾了数据安全和成本。子图（d）为知识域分离的可重构式辅助决策大模型，该架构按照更加细化的知识域进行模型切分，并通过联邦学习等方法进行动态组合，重构满足不同任务需求的模型。此架构旨在更好地适应各类指挥决策需求，并均衡考虑系统集成成本、数据资源利用率、数据安全性等多方面因素。总体而言，该图清晰地展示了不同大模型构建策略的特点，为后续讨论奠定了基础，揭示了智能辅助决策大模型构建的多种可能性，同时也突出了数据安全、资源利用和性能提升等关键问题。