導(dǎo)語(yǔ)

在過(guò)去半個(gè)多世紀(jì)中，復(fù)雜系統(tǒng)研究的核心科學(xué)問(wèn)題始終聚焦于揭示跨尺度“涌現(xiàn)”現(xiàn)象背后的微觀機(jī)制。諸如鳥(niǎo)群的協(xié)同飛行、生態(tài)系統(tǒng)的崩潰、城市交通的擁堵以及氣候系統(tǒng)的突變等典型“涌現(xiàn)”行為，皆源于大量個(gè)體之間復(fù)雜的非線性相互作用。然而，這些宏觀規(guī)律往往難以被傳統(tǒng)的演繹（deduction）與歸納（induction）推理所捕捉。前者依賴既有理論假設(shè)，后者側(cè)重經(jīng)驗(yàn)統(tǒng)計(jì)總結(jié)，二者在應(yīng)對(duì)高維、非線性、多層耦合的復(fù)雜系統(tǒng)時(shí)均表現(xiàn)出結(jié)構(gòu)性局限，從而使相關(guān)理論進(jìn)展長(zhǎng)期停滯。

近日，清華大學(xué)電子工程系李勇教授、地球系統(tǒng)科學(xué)系陳德亮院士聯(lián)合麻省理工學(xué)院（MIT）、牛津大學(xué)、加州大學(xué)洛杉磯分校（UCLA）等國(guó)際科研機(jī)構(gòu)的專家提出全新的科學(xué)推理框架——反繹式人工智能（Abductive AI），旨在突破傳統(tǒng)科學(xué)推理方法在理解復(fù)雜系統(tǒng)“涌現(xiàn)”現(xiàn)象時(shí)的局限，為跨學(xué)科科學(xué)發(fā)現(xiàn)提供新的計(jì)算思維和方法論支撐。

趙思怡丨編輯

論文題目：Understanding emergence in complex systems using abductive AI 論文鏈接：https://www.nature.com/articles/s42254-025-00895-5 發(fā)表時(shí)間：2025年11月11日 論文來(lái)源：nature reviews physics

反繹推理突破“涌現(xiàn)”理解

復(fù)雜系統(tǒng)中常見(jiàn)的“涌現(xiàn)”（emergence）現(xiàn)象——例如鳥(niǎo)群的集群飛行、生態(tài)系統(tǒng)崩潰、城市交通擁堵或氣候系統(tǒng)突變——源自微觀個(gè)體之間的非線性相互作用，其宏觀行為往往難以用演繹（deduction）或歸納（induction）推理解釋。

為突破這一瓶頸，研究團(tuán)隊(duì)提出引入第三種推理范式——反繹推理（abduction），即“對(duì)最佳解釋的推斷”。反繹推理以觀察為起點(diǎn)，從結(jié)果反向推測(cè)可能的因果機(jī)制。然而，傳統(tǒng)反繹推理長(zhǎng)期受限于人類認(rèn)知與計(jì)算能力，難以在龐大的數(shù)據(jù)與模型空間中系統(tǒng)地探索潛在機(jī)制。AI的興起為此帶來(lái)了突破性機(jī)遇，本篇論文首次系統(tǒng)提出，將人工智能引入反繹推理過(guò)程，構(gòu)建了“可計(jì)算的科學(xué)發(fā)現(xiàn)機(jī)制與系統(tǒng)框架”，實(shí)現(xiàn)從觀察現(xiàn)象到理論解釋的智能化閉環(huán)。

AI賦能的反繹推理框架

研究團(tuán)隊(duì)提出了一個(gè)由三部分組成的“反繹式AI”框架（見(jiàn)圖1）：

1. 假設(shè)生成（AI-S1）：通過(guò)深度強(qiáng)化學(xué)習(xí)（Deep RL）與擴(kuò)散模型（Diffusion Model）等先進(jìn)人工智能方法，在龐大的假設(shè)空間中生成潛在的微觀機(jī)制模型；

2. 驗(yàn)證測(cè)試（AI-S2）：利用神經(jīng)算子（Neural Operator）、圖神經(jīng)網(wǎng)絡(luò)（GNN）與物理信息神經(jīng)網(wǎng)絡(luò)（PINN）快速驗(yàn)證這些假設(shè)是否能重現(xiàn)觀測(cè)到的宏觀行為；

3. 解釋提煉（AI-S3）：采用符號(hào)回歸（Symbolic Regression）與因果歸因等方法，將計(jì)算結(jié)果轉(zhuǎn)化為可理解的數(shù)理表達(dá)與因果關(guān)系。

圖1 反繹式人工智能科學(xué)推理框架

這一流程不僅能預(yù)測(cè)復(fù)雜系統(tǒng)的行為，更能揭示復(fù)雜行為背后的生成機(jī)制。研究團(tuán)隊(duì)以生態(tài)系統(tǒng)與供應(yīng)鏈網(wǎng)絡(luò)為例，展示了AI如何自動(dòng)識(shí)別關(guān)鍵節(jié)點(diǎn)并量化其對(duì)系統(tǒng)韌性的貢獻(xiàn)，為理解網(wǎng)絡(luò)崩潰與韌性機(jī)制提供了新思路。

揭示多尺度、多學(xué)科復(fù)雜系統(tǒng)“涌現(xiàn)”現(xiàn)象的

微觀動(dòng)力學(xué)規(guī)律

在上述反繹式AI框架中，揭示復(fù)雜系統(tǒng)宏觀行為背后的微觀機(jī)制，關(guān)鍵在于從數(shù)據(jù)中提煉能夠解釋系統(tǒng)演化規(guī)律的數(shù)學(xué)表達(dá)式。為此，研究團(tuán)隊(duì)提出了面向網(wǎng)絡(luò)動(dòng)力學(xué)的神經(jīng)符號(hào)回歸方法（ND2）（圖2）；符號(hào)回歸是一種自動(dòng)發(fā)現(xiàn)數(shù)學(xué)方程的算法，可在變量和運(yùn)算符的組合空間中搜索最能刻畫數(shù)據(jù)規(guī)律的表達(dá)式。然而，復(fù)雜系統(tǒng)中海量節(jié)點(diǎn)及其非線性作用使搜索空間隨網(wǎng)絡(luò)規(guī)模超指數(shù)增長(zhǎng)，導(dǎo)致計(jì)算幾乎不可行。為此，研究團(tuán)隊(duì)將神經(jīng)網(wǎng)絡(luò)與符號(hào)搜索相結(jié)合。其中，符號(hào)組件通過(guò)一套與節(jié)點(diǎn)數(shù)量無(wú)關(guān)的網(wǎng)絡(luò)動(dòng)力學(xué)算子描述系統(tǒng)動(dòng)力學(xué)，從根本上抑制了搜索空間的爆炸式增長(zhǎng)；神經(jīng)組件則利用在大規(guī)模數(shù)據(jù)上預(yù)訓(xùn)練的網(wǎng)絡(luò)引導(dǎo)搜索方向，使搜索更高效，速度提升約三個(gè)數(shù)量級(jí)。

圖2 面向網(wǎng)絡(luò)動(dòng)力學(xué)的神經(jīng)符號(hào)回歸方法

自動(dòng)發(fā)現(xiàn)高維網(wǎng)絡(luò)系統(tǒng)微觀動(dòng)力學(xué)的機(jī)器智能方法

論文題目：Discover network dynamics with neural symbolic regression 論文鏈接：https://www.nature.com/articles/s43588-025-00893-8 發(fā)表時(shí)間：2025年10月23日 論文來(lái)源：nature computational science

進(jìn)一步，研究團(tuán)隊(duì)將其應(yīng)用于從細(xì)胞尺度到城市尺度，跨越基因、生態(tài)和社會(huì)網(wǎng)絡(luò)，發(fā)現(xiàn)了不同復(fù)雜系統(tǒng)背后的微觀動(dòng)力學(xué)規(guī)律（圖3）。該方法能夠自動(dòng)從數(shù)據(jù)中推導(dǎo)系統(tǒng)動(dòng)力學(xué)公式，將高維網(wǎng)絡(luò)動(dòng)力學(xué)問(wèn)題降維為一維等價(jià)系統(tǒng)，并通過(guò)預(yù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)高精度的動(dòng)力學(xué)模型發(fā)現(xiàn)，從而在生物系統(tǒng)、生態(tài)系統(tǒng)與人類流動(dòng)網(wǎng)絡(luò)中顯著提升模型預(yù)測(cè)能力，揭示跨尺度復(fù)雜系統(tǒng)背后的共同規(guī)律?；谶@一研究思路，團(tuán)隊(duì)相關(guān)成果以題為《Discovering network dynamics with neural symbolic regression》（基于神經(jīng)符號(hào)回歸的網(wǎng)絡(luò)動(dòng)力學(xué)發(fā)現(xiàn)）發(fā)表于國(guó)際頂級(jí)期刊《Nature Computational Science》[2]。

該研究表明在反繹式AI框架下神經(jīng)符號(hào)回歸對(duì)于揭示復(fù)雜系統(tǒng)動(dòng)力學(xué)規(guī)律、發(fā)現(xiàn)新科學(xué)知識(shí)方面的具體潛力，為基礎(chǔ)科學(xué)研究和科學(xué)發(fā)現(xiàn)提供了全新的方法。

并進(jìn)一步，研究團(tuán)隊(duì)將其應(yīng)用于從細(xì)胞尺度到城市尺度，跨越基因、生態(tài)和社會(huì)網(wǎng)絡(luò)，發(fā)現(xiàn)了不同復(fù)雜系統(tǒng)背后的微觀動(dòng)力學(xué)規(guī)律（圖3）, 以題為《Discovering network dynamics with neural symbolic regression》（基于神經(jīng)符號(hào)回歸的網(wǎng)絡(luò)動(dòng)力學(xué)發(fā)現(xiàn)）發(fā)表于國(guó)際頂級(jí)期刊《Nature Computational Science》[2]。該研究表明在反繹式AI框架下神經(jīng)符號(hào)回歸對(duì)于揭示復(fù)雜系統(tǒng)動(dòng)力學(xué)規(guī)律、發(fā)現(xiàn)新科學(xué)知識(shí)方面的具體潛力，為基礎(chǔ)科學(xué)研究和科學(xué)發(fā)現(xiàn)提供了全新的方法。

圖3 使用神經(jīng)符號(hào)回歸方法揭示多尺度多學(xué)科復(fù)雜系統(tǒng)的動(dòng)力學(xué)規(guī)律

以“人機(jī)協(xié)同”推動(dòng)科學(xué)發(fā)現(xiàn)新范式

研究團(tuán)隊(duì)強(qiáng)調(diào)，反繹式AI不是自主發(fā)現(xiàn)機(jī)器，而是研究人員的“智能副駕駛”。AI負(fù)責(zé)在海量數(shù)據(jù)和復(fù)雜假設(shè)空間中進(jìn)行探索與驗(yàn)證，而研究人員提供目標(biāo)、約束與理論判斷。兩者結(jié)合實(shí)現(xiàn)深度人機(jī)協(xié)同，將顯著提升科學(xué)研究的創(chuàng)新效率與解釋深度。

團(tuán)隊(duì)成員李勇教授表示：“反繹式AI代表著科學(xué)推理從‘?dāng)?shù)據(jù)驅(qū)動(dòng)’走向‘解釋驅(qū)動(dòng)’的轉(zhuǎn)變。它將幫助我們從‘發(fā)生了什么’邁向‘為什么會(huì)發(fā)生’?！?/p>

團(tuán)隊(duì)成員陳德亮院士指出：“在地球系統(tǒng)科學(xué)等高度復(fù)雜的領(lǐng)域，這種新范式有助于揭示氣候系統(tǒng)中的隱藏反饋機(jī)制和臨界行為，為理解和預(yù)測(cè)氣候變化提供新視角。”

國(guó)際合作與未來(lái)展望

該成果作為重要評(píng)論文章，在線發(fā)表于國(guó)際頂級(jí)物理學(xué)評(píng)論期刊 Nature Reviews Physics ，題為《Understanding emergence in complex systems using abductive AI》（利用反繹式人工智能理解復(fù)雜系統(tǒng)中的涌現(xiàn)現(xiàn)象）。該論文由清華大學(xué)丁璟韜、鄭瑜、徐豐力三位青年學(xué)者為共同第一作者，李勇教授與陳德亮院士為通訊作者。合作單位包括麻省理工學(xué)院、牛津大學(xué)、意大利國(guó)家研究委員會(huì)（CNR）、加州大學(xué)圣地亞哥分校（UCSD）、倫斯勒理工學(xué)院（RPI）等。

研究團(tuán)隊(duì)表示，未來(lái)將繼續(xù)推動(dòng)“人工智能 + 科學(xué)推理”的深度融合，應(yīng)用于網(wǎng)絡(luò)科學(xué)、系統(tǒng)生物學(xué)、城市系統(tǒng)、氣候系統(tǒng)等關(guān)鍵領(lǐng)域，助力人類更好地理解復(fù)雜世界的自組織與演化規(guī)律。

論文信息：

[1] Jingtao Ding, Yu Zheng, Fengli Xu, et al. “Understanding emergence in complex systems using abductive AI.” Nature Reviews Physics, 2025. DOI: 10.1038/s42254-025-00895-5

https://www.nature.com/articles/s42254-025-00895-5

[2] Zihan Yu, Jingtao Ding, Yong Li. “Discovering network dynamics with neural symbolic regression.” Nature Computational Science, 2025. DOI: 10.1038/s43588-025-00893-8

https://www.nature.com/articles/s43588-025-00893-8

復(fù)雜系統(tǒng)自動(dòng)建模讀書會(huì)第二季

“復(fù)雜世界，簡(jiǎn)單規(guī)則?！?/strong>

集智俱樂(lè)部聯(lián)合復(fù)旦大學(xué)智能復(fù)雜體系實(shí)驗(yàn)室青年研究員朱群喜、浙江大學(xué)百人計(jì)劃研究員李樵風(fēng)、清華大學(xué)電子工程系數(shù)據(jù)科學(xué)與智能實(shí)驗(yàn)室博士后研究員丁璟韜、美國(guó)東北大學(xué)物理系A(chǔ)lbert-László Barabási指導(dǎo)的博士后高婷婷、北京大學(xué)博雅博士后曹文祺、復(fù)旦大學(xué)數(shù)學(xué)科學(xué)學(xué)院應(yīng)用數(shù)學(xué)方向博士研究生趙伯林、北京師范大學(xué)系統(tǒng)科學(xué)學(xué)院博士研究生牟牧云，共同發(fā)起。

讀書會(huì)將于9月5日起每周四晚上20:00-22:00進(jìn)行，探討四個(gè)核心模塊：數(shù)據(jù)驅(qū)動(dòng)的復(fù)雜系統(tǒng)建模、復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)推斷、具有可解釋性的復(fù)雜系統(tǒng)推斷（動(dòng)力學(xué)+網(wǎng)絡(luò)結(jié)構(gòu)）、應(yīng)用-超材料設(shè)計(jì)和城市系統(tǒng)，通過(guò)重點(diǎn)討論75篇經(jīng)典、前沿的重要文獻(xiàn)，從黑盒（數(shù)據(jù)驅(qū)動(dòng)）到白盒（可解釋性），逐步捕捉系統(tǒng)的“本質(zhì)”規(guī)律，幫助大家更好的認(rèn)識(shí)、理解、預(yù)測(cè)、控制、設(shè)計(jì)復(fù)雜系統(tǒng)，為相關(guān)領(lǐng)域的研究和應(yīng)用提供洞見(jiàn)。讀書會(huì)已完結(jié)，現(xiàn)在報(bào)名可加入社群并解鎖回放視頻權(quán)限。

詳情請(qǐng)見(jiàn)：

地球系統(tǒng)科學(xué)讀書會(huì)

世界氣象組織《2023年全球氣候狀況》報(bào)告確認(rèn)2023年是有觀測(cè)記錄以來(lái)最暖的一年。氣候變化正在以高溫、干旱、洪水、野火和沙塵暴等極端天氣的形式吸引人們的廣泛關(guān)注。世界經(jīng)濟(jì)論壇《2024全球風(fēng)險(xiǎn)報(bào)告》將氣候變化作為首要值得關(guān)注的風(fēng)險(xiǎn)。地球作為一個(gè)多要素、非線性的開(kāi)放復(fù)雜系統(tǒng)，要素間相互作用關(guān)系復(fù)雜，往往牽一發(fā)而動(dòng)全身。在人類活動(dòng)深刻影響下，我們?cè)撊绾卫斫獠⒂行?yīng)對(duì)正在面臨的氣候變化以及其帶來(lái)的社會(huì)經(jīng)濟(jì)等一系列議題，實(shí)現(xiàn)人類與地球的可持續(xù)發(fā)展？

為了能夠深入理解人類世背景下地球系統(tǒng)各要素之間復(fù)雜的相互作用與演化機(jī)制，并為人類應(yīng)對(duì)未來(lái)的地球系統(tǒng)科學(xué)重大挑戰(zhàn)提供一套科學(xué)的認(rèn)知框架，集智俱樂(lè)部聯(lián)合清華大學(xué)講席教授陳德亮、北京師范大學(xué)教授樊京芳、東莞理工學(xué)院特聘副研究員陳愛(ài)芳、南開(kāi)大學(xué)副教授戴啟立老師和愛(ài)爾蘭都柏林大學(xué)博士生班嶄共同發(fā)起，將組織大家從新的研究范式出發(fā)梳理相關(guān)文獻(xiàn)，并深入研讀其中涉及的理論與模型。

詳情請(qǐng)見(jiàn)：

1.

2.

3.

4.

5.

6.