川海智库

报告概述

本报告是ROMANCER（RAND Ontological Model for Assessing Nuclear Crisis Escalation Risk）1.0版的用户指南。ROMANCER是一个基于智能体的仿真框架，旨在探索认知、感知与决策过程如何可能导致核武器使用。报告详细描述了模型的核心概念（如智能体、共享环境、监督者）、安装步骤、分析师使用方法以及通过两个演示（Hotline和CommandPE数据集成）展示模型功能。该指南适用于分析师、开发者和研究人员，帮助他们利用ROMANCER测试不同危机决策假设，评估升级风险。

报告的核心结论

ROMANCER不预测结果，而是探索可能性。

报告明确指出，ROMANCER并非设计用于预测特定领导人的反应或具体场景的结果。其目的是通过智能体仿真，让用户测试关于危机决策的各种假设，从而识别可能被决策者忽视的高风险行动路径。

智能体模型整合了情绪与认知过程。

ROMANCER的PersonLikeAgent包含杏仁核（代表应激反应）和推理器（代表高阶认知）。当压力超过阈值时，杏仁核主导决策，模拟人类在危机中可能出现的战斗、逃跑或冻结反应，弥补了传统理性行为模型的不足。

升级阶梯逻辑是智能体决策的核心。

智能体使用基于Herman Kahn升级阶梯的简化五级阶梯（从低烈度常规冲突到大规模核战争）。决策基于匹配规则和应激水平：压力低时理性选择最高匹配阶梯；压力高时情绪驱动升级或降级。

ROMANCER支持通过案例推理模拟学习。

除了基于规则的升级阶梯推理器（ELR），模型还实现了升级阶梯案例推理器（ELCBR），利用历史案例库进行决策。案例通过记忆组织包（MOP）存储，使智能体能够根据过去经验调整行为，模拟危机中的学习过程。

报告回答的关键问题

ROMANCER能预测核战争吗？

不能。报告强调ROMANCER不是预测工具，而是探索性仿真框架。它帮助分析人员测试不同决策假设，识别高风险行动路径，但结果应视为示意性场景而非确定性预测。

ROMANCER如何模拟人类的应激反应？

通过杏仁核模块模拟神经内分泌系统，包括压力激素（PBF）和战斗/逃跑/冻结反应。当压力超过响应阈值时，情绪主导决策，导致非理性行为。分析师可调整参数（如初始PBF、响应阈值）来模拟不同气质类型的智能体。

如何使用ROMANCER进行危机模拟？

用户需具备Python编程基础。报告提供安装步骤（Python 3.10+、虚拟环境）和快速启动指南。通过运行演示（如Hotline、CommandPE），用户可配置智能体参数、选择升级阶梯文件、训练案例推理器，并分析输出日志和可视化图表。

报告中的代表性数据

5级

Hotline演示的默认阶梯层级

建模时，ROMANCER默认将Herman Kahn的44级升级阶梯简化为5级：Rung1低烈度常规、Rung2中烈度常规、Rung3高烈度常规、Rung4有限本土常规与有限战区核冲突、Rung5大规模核与常规冲突。用户可自定义阶梯层级。

理性1.1、正常0.7、敏感0.2

CommandPE演示中的响应阈值

演示中，CommandPE演示设置了三种Red智能体应激场景：理性（高阈值1.1，不易升级）、正常（中等阈值0.7）、敏感（低阈值0.2）。阈值越低，智能体越容易被小事件激发情绪反应。

以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。

完整报告包含什么

  • 完整的安装指南：包括Python环境要求、依赖库安装（requirements.txt）、虚拟环境创建步骤，确保用户能够顺利运行ROMANCER。
  • 详细的智能体配置说明：解释如何通过GUI或CSV文件调整杏仁核参数（响应阈值、初始PBF、半衰期）以及战斗/逃跑/冻结反应权重，以模拟不同决策者类型。
  • 升级阶梯的完全定制方法：提供CSV文件格式说明（ladder_desc.csv、action_lexicon.csv、matchingrules.csv、rungchange_actions.csv），允许用户自定义阶梯级数、行动词汇、匹配规则和阶梯变化动作，并附带三阶梯创建示例。
  • 案例推理系统（CBR）的训练与导出：介绍如何通过训练按钮生成记忆组织包（MOP）库，并支持将CBR状态导出为SQLite数据库，便于后续分析或复用。
  • CommandPE数据集成流程：详细说明如何将外部仿真工具CommandPE的输出（WeaponEndgame.csv等）或用户自定义合成数据转换为ROMANCER可读事件，包括数据导入、处理和可视化步骤。
  • 完整的Python包与模块参考：附录列出了romancer、agent、commandpe、environment、supervisor、demo等核心包的每个模块及其关键类/函数，并附有代码内文档字符串指引。

本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。

相关报告