人工智能的迅速发展将深刻改变人类社会和世界，推动人类对世界的认识、感知并实现决策能力跃升。将人工智能应用在风险评估研究中，可提高风险感知能力和精度，有效规避风险。借助人工智能技术，决策管理的影响评估变得可行、精准，风险也将得到有效管控。

按照对人工智能的智能化水平的通行划分标准，人工智能发展分为弱人工智能、强人工智能和超人工智能三个阶段。目前，人工智能仍处于发展早期，属于弱人工智能阶段，需要按照人给定的逻辑框架或规则，通过学习已标记的数据集来训练神经网络参数，才能在实际中应用。但即使是当前的弱人工智能，也已在经济、社会、军事、政治等领域产生全方位影响，尤其在社会科学研究中，人工智能的应用将提升定量研究的水平和精度，增加定量判断的依据，提高对非线性社会问题复杂演化研究的能力。

利用人工智能进行风险评估主要有两条路径：一是复杂系统建模仿真；二是大数据风险因子关联性识别。两种方法都需要建立在大数据资源基础之上，并且都需要引入人工智能的机器学习机制，区别是前者的核心是场景建模，后者的核心在于发现关联。

(1)复杂系统建模仿真法(www.daowen.com)

在复杂系统建模仿真法中，专家首先将现实问题抽象为概念模型，再将概念模型转换为数学模型，然后将数学模型转换为计算机模型，再由计算机模型带入大量数据进行模拟演算。通过机器学习机制不断与历史数据进行比对，标定模型参数，最终训练出可用于计算(预测)风险的模型。在复杂系统建模中，人工智能的作用主要是根据历史数据训练原始模型，在微观层面，系统中各个行为体的策略根据训练数据进行标定和优化。利用人工智能学习机制，根据历史数据标定系统参数，直到预测准确度达到应用要求，再用训练好的模型带入新数据进行仿真模拟实验。复杂系统建模过程中至关重要且充满挑战性的工作是专家需将现实世界的战略、政策、态势转换为科学的理论模型，这是保证计算结果准确或可解释的关键。复杂系统建模仿真的方法易于发现风险的传导过程和演化机理，在具体实践应用中容易从全流程检视风险异常因子。但其缺点在于建模难度大，复杂烦琐，且对某一问题模拟的准确度很大程度上取决于专家抽象出来的概念模型，因此或多或少带有一定的主观性，容易忽略一些因素(往往是敏感因子)。

(2)大数据风险因子关联性识别法

这种方法首先需要确定问题目标，确定因变量数据集和自变量数据集，然后将数据切分为训练集和测验集。之后根据不同的问题选择相应的机器学习算法，如神经网络、支持向量机、随机森林和深度学习等算法。通过使用大量的训练数据训练模型，经过检验后模型可投入预测计算。在此过程中至关重要的是有大量准确的数据作为模型学习的样本。这种方法由于避免了复杂的建模过程，可适用于多种问题的求解，且容易识别和发现一些新的风险异常点(监测异常)。但该方法最终的结果是否能符合实践应用仍需专家“把关”，因为对特定问题选择的变量众多，容易混入大量“噪声”从而干扰“信号”的正确识别；并且该方法往往无法追溯结果的原因是由于机器学习模型是“黑箱子”，无法检视其中机理。在大数据风险因子关联性识别法中，人工智能的作用主要体现在两方面：第一，当现实问题没有直接观测指标时，就需要寻找替代性指标，但替代性指标的寻找充满挑战和难度，利用人工智能手段进行关联性检测可以发现强相关的替代性指标，从而节省大量的依靠人力试错的时间成本。第二，利用人工智能搭建风险因子和指标之间的关联关系，将指标历史数据出现的异常和风险进行匹配，提高模型的风险感知和识别能力[5]。