分类号 G250.2 DOI：10.13530/j.cnki.jlis.2020046 0 引言 近年来，随着大数据和计算技术的发展，不论是情报理念，还是包括情报采集、情报组织、情报分析和情报服务等在内的各个情报工作环节，都在发生着革命性的变化，情报理论学者玛格丽特·麦克唐纳(Margaret MacDonald)认为，不断增加的信息量给情报机构带来的挑战是“情报界不再遭受信息短缺的困扰，而是遭受信息超载的困扰”[1]。美国前国家安全局局长威廉·宾尼(William Binney)曾指出，大数据中的信噪比非常低，并且大量的数据收集使分析极为困难，甚至认为“国家安全局对大数据真是不知所措”[2]。为应付这种新的挑战，近年来，情报界的一个重要发展趋势就是特别强调不同来源及不同类型情报的集成整合及融汇统一[3]。在这个过程中，知识融合扮演着关键的角色，已经引起了情报学及其相关学科的研究与实践人员的重视。在理论上，情报界的许多学者对知识融合进行了深入的研究，包括联合情报[4]、知识融合框架[5]、知识融合框架模型[6]、知识融合体系架构[7]等内容。在实践上，美国国防部高级研究计划局(DARPA)和美国情报高级研究计划局(IARPA)等机构近年来开展了大批以知识融合为特征的情报项目，如Big Mechanism[8](大机制项目)、Foresight and Understanding from Scientific Exposition[9](根据科学论著进行预测与解读)项目、FOCUS[10](开放环境中的反事实预测)项目和Mercury[11](大数据安全预测)项目等。 本文分三个部分，首先总结当前大数据环境下情报学研究与实践中知识融合的现状和趋势，梳理情报学研究与实践中有关知识融合应用的特点；其次概述现有知识科学领域中知识融合研究与实践的内容及特征；最后根据以上两部分，概括总结情报学中知识融合的研究内容。笔者认为，大数据环境下，知识融合已经成为情报学的一个重要发展方向。一方面，已有的知识融合研究成果，对大数据环境下情报学和情报工作的创新发展，起到了促进和支撑作用；另一方面，大数据环境对情报学和情报工作提出了新的要求，已有的知识融合研究成果还不足以帮助情报学和情报工作满足这些新的要求。为此，情报学正在结合自身的特点，探索大数据环境下情报领域中的知识融合理论和方法，用它们指导情报学研究和实践，并且取得了一些成果；同时进一步加强情报领域知识融合研究和实践的总结，将有可能形成情报学的知识融合范式和理论体系，从而促进情报学的发展。 1 情报学研究与实践中知识融合的现状与趋势 1.1 情报理念：从辅助决策支持转向直接的预测和预警 传统的情报学强调情报是“耳目、尖兵、参谋”，起的是辅助决策的作用。大数据和人工智能时代的到来，情报环境发生了根本性的转变，兰德公司曾指出现代情报及情报工作面临复杂多变、深度不确定性的挑战[12]。正因为如此，现代情报学越来越重视不确定情报环境下的预测和预警。换句话说，情报工作不再是二线工作，而是直接参与到问题解决和复杂决策之中，这与以往的情报工作“是科学研究的前期劳动”这样的定位和理念是完全不同的。多源信息融合、多模型分析的交叉验证、多假设的分析和比对参照、综合考虑多种影响研究对象的因素等逐渐成为现代情报工作的核心理念。现代情报工作已经不再是单纯的信息整序、简单的信息内容揭示和描述，情报研究成果也不再是对现有信息的简单罗列和简单统计或简单可视化展示，也不仅仅是对相关研究内容的各种观点和结论的单纯综述。现代情报工作更为看重的是，在全面掌握现有信息的基础上，运用科学的方法，对事物的发展趋势做出判断或对可能出现的问题提前给出提醒，并提出相应的解决方案。 在为决策提供辅助支持转向直接的预测和预警的过程中，知识融合功不可没，正是因为当代情报工作中大量地应用了知识融合的理念和技术，并将它们与情报领域多年积累的思想和方法相结合，才使得情报工作在预测和预警方面取得了显著的成果。在理论上，相关学者已经证明了基于多源信息、知识融合和群体智慧的、由信息情报驱动的预测，是一种非常有效的预测方式。例如，美国著名预测专家菲利普·泰洛克(Philip E.Tetlock)经过十年的跟踪研究，发现领域专家由于过度自信而导致在预测中常常发生认知偏差，其预测的准确性并不比普通人高，而普通人组成的预测团队在经过适当的预测训练之后会采取更加谨慎的态度，综合多方面的信息和融合多种预测方法，通过融合多人的预测结果，准确率也非常高，由此，Tetlock提出了一种融合群体智慧的预测思想和方法体系，强调从多种来源收集证据，注重概率思维，组建团队一起预测，记录预测得分，愿意承认错误并及时调整预测结果[13-14]。在实践上，知识融合已经被广泛地应用到情报工作中并卓有成效。美国国家研究委员会(NRC)下属的“未来颠覆性技术预测委员会”(CFFDT)通过大量的调研，发现颠覆性技术预测不仅要识别出潜在颠覆性技术的征兆信号，还要综合考虑市场、投资、成本、社会、人口、地理、政治、文化等多方面影响因素，此外，由于颠覆性技术本身所具有的复杂性，只用单一的预测方法、预测工具，预测团队并不能做出准确的预测。为此，该委员会进一步提出了一种用于预测颠覆性技术的理想方法论和框架，其特点是融合广泛来源的数据，融合多种预测方法，融合多样化团队的预测结果、多种数据处理工具，并在预测过程中能够不断持续地融合新的情报和信号[15]。
