兵棋推演作为一种模拟战场环境进行战略、战术仿真演练的学习范式，提供了在非真实战场环境下研究作战策略、发掘战术漏洞并进行战斗经验总结的能力。这其中大量运用到了策略推演规则，而如何将机器学习技术与知识图谱结合，实现在兵棋推演环境下的智能体辅助作战将是本篇文章讨论的重点。
目录：
- 深度学习和知识图谱的缺陷
- 认知中台在策略推演领域的应用
- 什么是兵棋推演
- AlphaWar：一个同时具备常识、指挥艺术和实时智能的兵棋推演/作战指挥平台
- AlphaWar案例演示：光影沐浴者
一、深度学习和知识图谱的缺陷
人工智能经历了几番沉浮，迎来了第三次发展浪潮，当前取得的进展突出体现在：以知识图谱为代表的知识工程和以深度学习为代表的机器学习等相关领域的发展。
- 深度学习
深度学习作为一种结合了统计机器学习与人工神经网络的新学习方法，其与传统模式识别方法的最大不同在于，它能够利用深度神经网络从海量数据中自动学习有效的层次化特征表示。得益于大规模标注数据，目前深度学习在语音识别、图像识别等领域取得了优异效果，然而在某些方面仍存在着局限性，主要表现在：
01 对数据的强依赖：
深度学习需要大量标注数据来训练才能达到较好的泛化能力，数据量的大小直接影响深度学习模型的推理效果。但在很多实际应用场景中，我们难以找到充足的高质量训练数据。另一方面，用于训练深度学习模型的数据需要耗费大量的人力进行收集和标注，且手动标注的信息具有一定的局限性。
02 缺乏对常识的学习：
人工智能的知识表示包括专业知识与常识知识。常识是指人类在生活中总结出来的科学知识，当人类遇到新情况时，能够通过既有的常识来推测和判断。而神经网络学习的本质是对相关性的挖掘和记忆，缺乏推理能力和抽象能力。这一缺陷使其在面对新情况时无法像人类一样拥有“举一反三”的能力。
03 缺乏可解释性：
深度学习模型是一种端到端的学习，输入的是原始数据（始端），输出的直接是最终目标（末端），中间的学习和预测过程不可知。类似一个黑箱(Black Box)系统，其推理效果很好，却不知道为何好，这也大大制约了深度学习的应用推广。比如在投资领域，不可解释的投资相当于投机。
