兵棋推演作為一種模擬戰場環境進行戰略、戰術模擬演練的學習正規化，提供了在非真實戰場環境下研究作戰策略、發掘戰術漏洞並進行戰鬥經驗總結的能力。這其中大量運用到了策略推演規則，而如何將機器學習技術與知識圖譜結合，實現在兵棋推演環境下的智慧體輔助作戰將是本篇文章討論的重點。
目錄：
- 深度學習和知識圖譜的缺陷
- 認知中臺在策略推演領域的應用
- 什麼是兵棋推演
- AlphaWar：一個同時具備常識、指揮藝術和實時智慧的兵棋推演/作戰指揮平臺
- AlphaWar案例演示：光影沐浴者
一、深度學習和知識圖譜的缺陷
人工智慧經歷了幾番沉浮，迎來了第三次發展浪潮，當前取得的進展突出體現在：以知識圖譜為代表的知識工程和以深度學習為代表的機器學習等相關領域的發展。
- 深度學習
深度學習作為一種結合了統計機器學習與人工神經網路的新學習方法，其與傳統模式識別方法的最大不同在於，它能夠利用深度神經網路從海量資料中自動學習有效的層次化特徵表示。得益於大規模標註資料，目前深度學習在語音識別、影像識別等領域取得了優異效果，然而在某些方面仍存在著侷限性，主要表現在：
01 對資料的強依賴：
深度學習需要大量標註資料來訓練才能達到較好的泛化能力，資料量的大小直接影響深度學習模型的推理效果。但在很多實際應用場景中，我們難以找到充足的高質量訓練資料。另一方面，用於訓練深度學習模型的資料需要耗費大量的人力進行收集和標註，且手動標註的資訊具有一定的侷限性。
02 缺乏對常識的學習：
人工智慧的知識表示包括專業知識與常識知識。常識是指人類在生活中總結出來的科學知識，當人類遇到新情況時，能夠透過既有的常識來推測和判斷。而神經網路學習的本質是對相關性的挖掘和記憶，缺乏推理能力和抽象能力。這一缺陷使其在面對新情況時無法像人類一樣擁有“舉一反三”的能力。
03 缺乏可解釋性：
深度學習模型是一種端到端的學習，輸入的是原始資料（始端），輸出的直接是最終目標（末端），中間的學習和預測過程不可知。類似一個黑箱(Black Box)系統，其推理效果很好，卻不知道為何好，這也大大制約了深度學習的應用推廣。比如在投資領域，不可解釋的投資相當於投機。